200美元的ChatGPT Pro正式上线，聪明N倍的新模型草莓要来了。

半夜时分，The Information一则消息透露，OpenAI的新模型“草莓”即将面世。紧接着，有消息称ChatGPT Pro会员已悄然上线，售价200美元/月。有用户第一时间付了款，甚至刚付完还没开始用，这个尊贵的Pro账号就被借来一探究竟。结果一看，自己的账号里啥也没有——这效率，属实让人哭笑不得。

现在，ChatGPT的会员体系被分成了三档：

。这个分法颇有库克式的产品分层味道，让人不禁猜想：后面会不会还有ChatGPT Pro Max？但遗憾的是，目前Pro会员并没有带来新功能或新模型，唯一区别是GPT-4o的使用次数接近无限——短时间内测试了几百条，依旧畅通无阻。反观Plus会员，GPT-4o的额度是每3小时80条。

一个无限制的使用权限，自然配不上从20美元/月跳到200美元/月的十倍涨价。若OpenAI真这么干，那基本等于奥特曼被马斯克夺舍了。结合The Information的新闻，可以基本确认：

。想用上草莓？先开个200美元的Pro会员再说。

草莓到底是什么？

目前没有确切的结论，但根据所了解的信息梳理，它可能是：

用最简单朴素的语言来解释：凭什么卖200美元/月？

首先得谈一下GPT-5的问题。GPT-5的训练并不顺利。一个明显的信号是，以数据规模和模型规模为美的“大力出奇迹”路线，边际收益开始递减，那种百试百灵的魔力似乎已经黯淡了。

随着计算量、模型参数和数据集规模的增加，性能通常显著提升。但如今，这三者都遭遇了瓶颈——尤其是闭源模型，进步速度相比过去齐刷刷放缓，而开源模型的能力差距正逐步缩小。

也就是说，再靠“大力出奇迹”，模型能力已经快上不去了。本质上，所有大模型的训练几乎都建立在人类已有知识之上：我们提供数据、人类反馈或标注数据，模型从中提取有用信息，却很少通过自我探索去“发现”语言规律。

如今的困境有两层：一是现有知识的量级已经不够；二是所有知识都是现成的，缺乏从零开始的探索。大模型在这个过程中，

。解释起来很简单：——每次带伞都下雨，伞和下雨看似相关，但带伞不会导致下雨。——下雨了才带伞，这是因为下雨导致了带伞的行为。所以，当你让大模型做复杂推理、写清推理过程时，它中途的逻辑经常乱七八糟，错得离谱。它就像一个百科全书式的学霸，知道很多事实，却未必理解背后的原理和真正因果。你若问一个只会死记硬背的学生：“为什么苹果会落到地上？”他会回答：“因为有重力。”再追问“重力是什么？为什么会有重力？”他可能就哑口无言了。大模型也一样：它知道地球是圆的，却无法真正解释原因或影响，它只学到“地球”和“圆”这两个词常一起出现，具有强相关性，而非理解因果。

这也是为什么，我们需要新范式来破局。而这个解法，是目前观察下来OpenAI、Google、Anthropic、Ilya等人达成的共识：。

全称是自我对弈强化学习。用个简单的比喻：

。现在大模型的学习方式，是看棋谱、记开局、背固定战术——它知道很多解法，却不真正理解为什么这么下。而Self-play RL，则让这个孩子不停地和自己对弈。刚开始可能下得很差，但通过不断尝试不同走法、观察每步结果，他会慢慢发现哪些策略有效、哪些会输。这个过程中，孩子不仅仅在记忆棋谱，而是在真正理解棋局的变化和每一步的因果逻辑。

这个描述很熟悉？没错，这就是2017年名动天下的

。

当年，AlphaGo在乌镇以3:0击碎柯洁道心，轰动世界。而AlphaGo Zero是它的进阶版。官方描述如是说：“刚开始时，AlphaGo Zero很菜，还会填真眼自杀。3小时后，它成功入门围棋。36小时后，它摸索出所有重要知识，以100:0碾压击败李世石的AlphaGo v18。21天后，它达到Master水平——年初60连胜横扫围棋界的版本。40天后，它对战Master胜率达90%，成为寂寞无敌的最强围棋AI。”这就是Self-play RL的恐怖威力。

Self-play RL让AI不断和自己“对弈”——可能是下棋、解决数学问题，甚至进行对话。过程中，AI不是重复看到的内容，而是主动探索、尝试和学习。

数据还是那个数据，只不过一个是人给的，一个是自己造的。用人给的东西死记硬背，永远成不了超越人类的超级AI；自己造数据学习，才有无限可能。围棋、Dota2等领域已证实这一点。而大模型+Self-play RL，就是让模型自己和自己博弈，得到反馈后优化权重，调整水平，然后继续战斗。

得益于大模型自身能力，在自我博弈中，不只能给出最终结果反馈（这对提升推理能力有限）。不同于围棋、Dota2这种特定任务，大模型能力泛化性极强，我们需要更多因果关系，而不仅仅是结果。于是，大模型可以引入“思维链”，把推理过程中每一步的思考都记录下来，对每一步进行评分，让模型知道每个步骤的好坏。这样，模型不仅学会给出正确答案，还能改进整个推理过程，理解真正的因果。甚至，不止打分——借助大模型的能力，还可以进行文字评语。这就像做作业时，老师不仅打分，还写下评语告诉你哪里做得好、哪里需要改进，肯定比只知道一个得分结果强大得多。

当模型回答复杂问题时，会进行类似Self-play的过程：生成多个可能思路，评估其质量，选择最佳的一个。有文章曾计算过，一个百亿参数的大模型，用Self-play方式生产思路，若每次生产32个思路，每个思路包含5个步骤，

又贵、又慢，但真的智能。最好的数据会被保存下来，以固定周期迭代模型，持续进化。这也是为什么，在草莓的曝光描述中，提到：

回看文章开头的ChatGPT Pro会员，200美元/月——推理成本太高了！这就是典型的，在“大力出奇迹”边际效应递减的情况下，用推理成本换取训练成本，继续推动模型迭代。也是为什么OpenAI一直说，

。

所以，回头再看，草莓可能是什么？

最后一个问题：为什么草莓的数学和代码能力会强到爆炸？答案很简单——数学和代码非常容易验证。在Self-play里，它们能给出明确结果：数学不言自明，代码能不能跑起来可验证。所以，这两项一定最先一飞冲天。Claude 3.5的代码能力之所以如此强大，就是用Self-play RL做的。

想起前几天，跟一位做AI应用的专业朋友聊天。他刚从海外回来，见了一些科研人员。有内部研究员如此形容Self-play RL：

在沉寂近一年后，我们可能要迎来一个全新的大模型技术爆发周期了。值得拭目以待。