從今年春天開始，ChatGPT 的用戶會發現，回應變得更深、更有條理，甚至還會「慢半拍」地停頓幾秒，這就是 GPT o3 模型的運作方式。

生成式 AI 在過去幾年像是比武場，誰的神經元多、誰能「秒答」，誰就引來喝采；而 GPT o3 把比賽規則往後拉了一步：它先深吸一口氣，調用工具、鋪排推理，最後發力出刀。

這一慢一快之間，讓人聯想到日本武藝中的「居合」，將拔刀、出鞘、斬擊縮短至瞬間的技藝。然而勝負的關鍵，孕於出手錢靜止時的呼吸與蓄力。 GPT o3 的設計精神，正如居合：在出手前蓄勢、在沉默中推理，讓決策更準確、回應更有力。

搭配豐富互動性，AI正成為新一代使用者介面

自 GPT o3 起，推理過程本身就變得頗有「收視率」：在國外的熱門示範中，使用者丟一張照片給 o3，讓它推斷拍攝地點，你能清楚看到模型把圖片翻來覆去，放大局部、標示線索、甚至寫程式把野花輪廓抽出來，比對花期與海拔高度。結果，它成功鎖定坐標，展現宛如福爾摩斯的偵探功力。也就是多模態（multimodal）推理能力，讓 AI 模型透過多種不同資料體系來建構對世界的理解，例如視覺數據、聽覺數據、文字數據等。

GPT o3 還把搜尋結果、圖表、清單打包起來，讓資訊更豐富具互動性。比方說，4 張輪播照片帶你秒遊富良野；股價折線圖讓趨勢一目了然；製作賽程表和排名榜替球迷省去比對工夫。

Rich UI 與多模態推理的結合，可以理解為，AI 正逐步成為一種新的使用者介面（UI），顛覆我們熟悉的數位體驗。不再是你問問題等答案，而是 AI 理解你的需求、組織資訊、甚至主動出手解決問題。

要讓多模態與工具真正為推理服務，o3 把工作流區分成 3 個獨立通道，猶如設立 3 間專用工作室：

1.分析（analysis ）： 靜默內心劇場，模型在這裡悄悄計算、試錯、修正，所有草稿都鎖在沙盒（封閉的訓練AI環境）中，外界看不到。

2.工具操作台（原文為commentary，中文為暫譯）： 顯示模型呼叫搜尋、程式、圖表等外部工具的指令與結果，讓人類得以追蹤資料來源。

3.結果（final）：綜合所有思考，給出簡明且驗證過的最終回答。

這樣的拆分具備 3 大效益：

1.可審計： 每一步決策都有跡可循，教師與開發者能回溯、調教模型；
2.可防護： 商業機密或個資僅在 analysis 階段處理，不會流出沙盒；
3.可伸縮： 高風險問題可拉長 analysis 深度；日常閒聊則縮短流程，保持流暢。

當多模態推理、Rich UI 的介面與慢思考的內功交織，o3 就能展現一種行為模式：先判斷資料缺口，決定是否外出取材，接著把結果整成一份可互動的檔案，就像一位研究員，先查文獻、跑實驗，再遞上圖表與結論。對用戶而言，得到的不只是答案，而是一條完整的知識鏈，也是一位可解釋的AI agent。AI 不再是黑盒子，每個決策都有辦法溯源以及理解思路。

模型演進的下一步：持續產出成果的Agent

前幾天，紅杉資本在舊金山舉行 6 小時閉門 AI 峰會，與會投資人進一步預測，2025 年將是 Agent 經濟元年。

150 位創業者與研究者圍繞一句話凝聚共識：「下一輪 AI，賣的不是工具，而是收益。」模型不再只販售 API 與功能，而是直接承諾商業結果。意思是 AI 不再只單純給答案，而是要真的完成任務，好比過去是顧問公司的顧問，而現在要成為按件計酬的實務工作者。

在這個框架裡，企業被重構成由任務節點串起的網絡；AI Agent 在當中自動接收目標、分拆子任務、交付成果。真正的競爭不在參數規模，而在誰能建立「自驅動、持續交付」的協作模式。語言模型的發展也正在為這個未來鋪路：多模態工具讓它能理解不同型態的數據，Rich UI 將成果封裝為互動介面讓人類容易理解，慢思考則扮演決策核心機制，讓每一步可追溯、可修正。

新節奏帶來新的張力。當語言模型從被動回答者轉為主動協作者，它不只告訴你「怎麼做」，還能「親自去做」。Rich UI 雖然精美，但精緻包裝也讓人們輕忽了幻覺。我們人類真的準備好了嗎？

核稿編輯：張玉琦