Astra架构复杂度未跳跃增长，思维链监控仍是核心目标

这场争议的导火索是科技媒体The Information发布的一篇深度报道。报道透露，OpenAI正在内部测试一种名为「深度循环」（recurrent depth）的新型架构技术。与ChatGPT、Claude、Gemini等主流模型所采用的Transformer线性处理方式不同，深度循环让模型反复调用同一组网络层，持续更新内部表征，使得实际推理过程更多停留在难以直接读取的内部状态中。报道认为，这将令研究人员更难借助思维链追踪模型的决策路径，进而引发AI透明度下降的广泛讨论。

消息迅速在AI圈发酵，外界担忧一旦深度循环技术大规模落地，现有的外部监控工具将更难摸清模型如何得出结论，行业或将陷入一场「争相部署不可监控模型」的竞赛。对此，OpenAI首席科学家雅库布·帕乔基于9月2日在X平台主动发文，明确表示希望通过这条声明避免因混乱的媒体报道而引发不必要的恐慌，并对外界的核心疑虑逐一作出回应。

帕乔基在声明中强调，目前包括Astra在内的最先进模型，其计算图深度与GPT-4相比差距不超过两倍。计算图深度是衡量神经网络架构复杂度的核心指标，反映模型从输入到输出所需经历的计算层级数量。帕乔基的表态意在说明，Astra的架构并未如外界担忧的那样发生跳跃式的结构性变化，当前的复杂度增长仍处于可控范围之内。

在思维链监控问题上，帕乔基坦承现状并不乐观。他表示，自OpenAI最初的推理模型问世以来，公司一直致力于维护和利用思维链监控，视其为了解模型对齐如何从训练分布中泛化的重要手段。然而他也承认，该机制目前仍较为脆弱，且由于一些与架构变更无关的原因正朝不利方向发展，具体细节他表示将另行说明。

尽管如此，帕乔基对改善前景持积极态度。他表示，OpenAI已将强化思维链监控列为当前研究项目的核心目标之一，并计划专门为Astra部署额外的思维链监控措施。这一表态在一定程度上回应了外界对AI透明度的关切，也表明OpenAI在推进架构创新的同时，并未放弃对模型可解释性与安全监控的持续投入。

要点

• Astra等前沿模型的计算图深度与GPT-4相差不超过两倍，架构复杂度并未出现跳跃式增长，外界对不可监控竞赛的担忧存在夸大成分。
• 深度循环技术让模型反复调用同一组网络层，可能使推理过程更多停留在内部状态，增加思维链追踪的难度，是透明度争议的技术根源。
• OpenAI承认思维链监控机制目前仍较脆弱，且面临与架构变更无关的额外挑战，正将强化该机制列为核心研究目标。
• OpenAI计划为Astra专门部署额外的思维链监控措施，显示公司在架构创新与可解释性之间寻求平衡的明确意愿。