2026 年 6 月 2 日，OpenAI Post Training Frontiers 联名负责人 Yann Dubois 在 The MAD Podcast 上做了一期 73 分钟的访谈。
这可能是半年来最坦诚的 AI 公司技术访谈。不是因为 Yann 泄露了什么机密，而是因为他分享了 OpenAI 内部的「怀疑波」——那些被精心包装在产品发布背后的不确定性、争论和深夜焦虑。作为一个曾创立 Stanford Alpaca 项目（现代 post-training 研究社区的开创性工作之一）的研究者，Yann 的视角同时具备技术深度和学术坦诚。
一、「去年 12 月跨过了可靠性临界点」
Yann 最核心的一句话：
"我们终于在去年 12 月跨过了可靠性的门槛。你需要达到这种可靠性水平，才能真正让这些 AI 工具有用。"
「可靠性临界点」是一个精确的技术概念：模型在真实用户场景下的表现不再是「有时很好有时很差」，而是「大多数时候足够好」。
GPT-5.5 让人感觉「突然变强了」，不是因为模型能力有质的飞跃，而是因为可靠性跨过了那个让用户愿意信任的门槛。 GPT-5 在 60% 的任务上表现优秀，但 40% 的任务上平庸——用户记住的是那 40%。GPT-5.5 把优秀比例提到 90% 以上——用户感受到「终于可靠了」。
这和 Anthropic CEO Dario Amodei 此前的判断高度一致：「真正的护城河不是能力的上限，而是能力的下限——你在最差的情况下有多可靠。」
二、强化学习的范式转移：从数学证明到用户满意
Yann 透露的第二个关键信息：
"我们从竞赛转向了对用户的有用性，这就是我们现在感受到的。"
过去 OpenAI 的 RL post-training 依赖「verification rewards」——数学题有标准答案，编程有测试用例，系统自动验证。这是一个干净的、可自动化的闭环。
GPT-5.5 的突破在于把 RL 从可验证领域扩展到不可验证领域。 核心思路：用模型本身判断另一个模型的输出是否有用、是否准确、是否安全。一个 Grader 评估另一个模型的输出，RL 信号从 Grader 的判断中生成。
这和 Anthropic 的 Outcomes 机制（独立 Grader 评估 Agent 输出）形成了概念上的对称。两家顶尖 AI 公司都在用同一个架构：用第二个模型来验证第一个模型的输出，用验证结果来训练第一个模型。
三、「内部的怀疑波」
访谈中最让人意外的片段：
"一开始很 excited，然后 under-hype，最后 ship 时又开心。"
翻译：GPT-5.5 项目开始时团队对新技术方向非常兴奋。开发中期遇到困难，信心降到最低——「这真的能行吗？」接近发布时最终结果超出预期。
我很少听到 AI 公司公开描述内部心理曲线。Yann 的坦诚让 GPT-5.5 从一个「天才团队轻松获胜」的叙事变成了一段更真实的故事：即使是全球最顶尖的 AI 团队，在开发过程中也会经历深刻的自我怀疑。
关键不是怀疑本身，而是在怀疑中继续推进。
四、Token 效率：GPT-5.5「快两倍」的底层逻辑
"从工程角度，我为我们真正提升的模型效率感到骄傲。大多数任务现在可以快两倍完成。"
这不是「免费的性能提升」。Token 效率意味着模型用更少的计算完成同样的任务。推理成本降低 → 可以以相同价格提供更好的服务。
这也是 Sam Altman 敢在同一天宣布 OpenAI Robotics 的经济基础——如果推理成本没降下来，把 AI 放进机器人（需要实时推理、低延迟）是不可行的。
五、「最后一英里永远有大量空间」
Yann 给 AI 创业者的信号极其明确：
"在不同的垂直领域，最后一英里总有大量空间。我强烈鼓励人们继续投入这部分工作。"
模型能力强 ≠ 在具体行业中有用。一个能在数学竞赛满分的模型，放在律所里可能完全不知道 discovery 文件是什么格式。
这和 Aaron Levie 在同一天的观察完全正交。Levie 说企业 AI 的 #1 问题是 context 碎片化。Yann 说最后一英里需要大量投入。两个人的意思一样：模型本身不是答案。模型 + 领域 context = 答案。
对创业者的启示：不要在「做更好的模型」上和大公司竞争。在「做更好的领域适配」上建立壁垒。
六、从「更强」到「更可靠」：AI 行业的分水岭
GPT-5.5 之后，评价标准从「能力」转向「可靠性」：
- 能力导向 → 技术驱动竞争，谁有更多 GPU 谁赢
- 可靠性导向 → 工程驱动竞争，谁有更好的 post-training pipeline、更严格的测试体系、更细腻的用户反馈闭环谁赢
可靠性无法「暴力 scaling」出来。 它需要系统性工程投入——数据质量控制、RL 策略设计、边缘 case 测试、用户反馈迭代。OpenAI 从 GPT-4 到 GPT-5.5 花了近两年，大部分时间不是花在让模型「更强」上，而是花在让它「更可靠」上。
结语
73 分钟的访谈，如果只用一句话总结：
"我们需要达到这种可靠性水平，才能真正让这些 AI 工具有用。"
AI 行业花了三年让模型变得更强——更强的推理、更大的规模、更高的 benchmark。但「更强」不等于「有用」。「有用」意味着用户在真实任务中愿意把决定权交给 AI。这个信任的建立，需要的不是能力又一个量级提升——而是可靠性跨过那个看不见的临界点。
GPT-5.5 的真正意义不是「更强」，而是「够可靠」。 而可靠性一旦建立，它就在邀请人类把 AI 从数字世界带到物理世界——去控制机器人、去协助手术、去驾驶汽车。
Sam Altman 在同一天宣布 OpenAI Robotics 不是因为时间表随机。是因为 GPT-5.5 的可靠性终于到了可以讨论「AI 控制物理对象」的时刻。
本文基于 AI Builders Digest 2026-06-02 撰写。核心信源：Yann Dubois / The MAD Podcast with Matt Turck、Thibault Sottiaux 推特、Aaron Levie 推特