OpenAI 聯創曝 Sora 未死：算力不夠先下桌，與Anthropic 競爭讓員工更團結了

編譯 | 宇琪

策劃 | Tina

編輯 | 褚杏娟

Sora 都能先停掉，說明 OpenAI 這次是真的開始做殘酷取舍了。

在外界眼里，視頻生成明明還是最容易出圈、最能制造話題的明星業務，但 OpenAI 卻選擇在這個節點收縮戰線，把資源轉向一個更大的目標：Super App。它不只是想再做一個更強的 ChatGPT，也不只是想補上 Codex 和瀏覽器能力，而是想搶先造出那個真正承接 AGI 的總入口，即一個能理解你、代表你、替你操作電腦、接管工作流，甚至逐步“運行”你數字生活的系統。

OpenAI 已經不再滿足于贏下一兩個爆款產品，而是在主動砍掉分叉的科技樹，把所有最寶貴的算力、產品和組織資源，押向一條它認定最接近 AGI 的路徑。

近日，Greg Brockman 在播客節目中與主持人 Alex Kantrowitz 圍繞 AI 領域最具潛力的發展機會、Super App 的布局、AGI 的“起飛”以及算力資源等話題展開了討論。從這場對話中，OpenAI 當下的優先級、野心與焦慮，也被進一步攤開在外界面前。核心觀點如下：

• Sora 和 GPT Reasoning 屬于兩條不同的科技樹，在算力有限的情況下，不可能同時把兩條線都做到極致，所以必須把資源集中到更接近 AGI、也更快能在知識工作中落地的方向上。

• coding 只是表象，真正的變化是 AI 開始替人操作瀏覽器、軟件、文檔和工作流，讓計算機來適應人，而不是人繼續適應機器。

• 傳統軟件為了服務大眾，天然不夠貼身；而 Agent 時代，軟件會越來越像一個理解你、貼合你目標的個人助手。

• 過去幾年真正的變化不只是模型本身，而是模型如何獲取上下文、連接現實世界、調用工具、與用戶形成交互循環；OpenAI 正在把這些分散能力收斂成一個統一的 AI layer。

• 算力不是成本中心，而是收入中心。對 OpenAI 來說，算力短缺不是邊緣問題，而是決定產品上線、能力釋放和商業規模的核心約束。世界上沒有足夠的算力讓每個人都擁有運行中的個人 Agent，也沒有足夠算力讓所有人都用上像 Codex 這樣的系統；今年整個行業都會開始真正感受到算力緊缺。

• Agent 時代的人，“不可以甩手不管”，而是會越來越像管理者：設定目標、分配任務、監督結果。但與此同時，責任仍然必須落在人身上，你不能把判斷和問責完全外包給 AI。

基于該播客視頻，InfoQ 對內容進行了整理與部分刪改，以饗讀者。

1 關停 Sora 會錯過機會，但不同應用能用一個框架實現

Alex：OpenAI 正在關停視頻生成功能，轉而將精力集中在即將推出的 Super App 上，這款應用會結合商業和編碼場景。從外部觀察者的角度來看，大家都覺得 OpenAI 在消費級市場明明贏麻了，現在卻突然轉移資源，這到底是在搞什么名堂？

Greg：過去我們一直身處一個“研發深水區”，不斷推進深度學習這項技術，去驗證它是否真的能實現我們最初設想的那種正向影響。比如，它能不能真正被用來構建應用，幫助人們改善生活。

與此同時，我們也有另一條線，在思考如何把這項技術真正落地：一方面是為了支撐業務，另一方面也是為了在真實世界中積累經驗，去理解它到底能產生怎樣的實際影響。因為只有這樣，當技術真正成熟、變成我們最初設想的那種“終極形態”時，我們才有準備。

而現在，我們正好走到了一個關鍵節點：我們已經非常確定，這項技術是可行的。接下來，不再是停留在 benchmark 測試或一些偏“腦力炫技”的能力展示，而是必須走進真實世界，通過用戶在知識工作（Knowledge Work）、各種應用場景中的實際使用來獲得反饋。

所以，這更像是一個階段性的戰略轉變，而不是簡單地從 C 端轉向 B 端。我們并不是想放棄誰，而是真的無法面面俱到。我們需要思考：哪些是最重要的應用？哪些東西在構建時能產生協同效應，并帶來實質性的影響，從而提升每個人的體驗？

消費側其實包含很多東西，比如個人助理，一個真正了解你、和你的目標對齊、能幫助你實現人生目標的 AI；還有創意表達和娛樂等等。而在企業側，從更高維度看，更像是你有一個復雜任務，AI 能不能理解全部上下文，然后幫你把它完成？

在我們內部的優先級排序里，personal assistant 和能替你解決復雜問題的 AI 非常明確地排在最前面。現實是，就算只做這兩件事，我們的算力都不夠。更別說還有大量其他同樣重要、有價值的應用場景。

所以，我認為這是對技術成熟度的一種認可，也是對我們即將面臨的巨大影響力的一種反應，我們需要做出取舍，挑選出那些我們真正想要推向世界的、能大放異彩的應用。

Alex：談到 OpenAI 的布局時，你把 OpenAI 比作 Disney。Disney 擁有米老鼠這個核心優勢，然后以此衍生出電影、主題公園和 Disney+。對 OpenAI 來說，核心是模型，可以衍生出視頻生成、assistant、企業服務等等。那現在是不是意味著，這種“一個核心、多點開花”的模式不再成立了？你們是不是已經意識到，現在是時候做“單選題”了？

Greg：某種程度上，這個比喻現在反而更成立了。但關鍵在于：從技術角度看，像 Sora 這樣的模型，其實和核心的 GPT 推理模型屬于完全不同的“科技樹”分支。而現實是，我們很難同時在兩條分支上都做到極致，尤其是在當前這些關鍵應用上。

不過我們并沒有完全放棄 Sora 的研究，它仍然在繼續，只是更多放在 robotics 的語境里。而 robotics 顯然會是一個顛覆性領域，只是現在還處在更偏研究階段，還沒到成熟部署的時候。相比之下，我們在知識工作領域將在未來一年看到這項技術的真正騰飛。

所以在這個時間點，我們必須把主要精力集中在 GPT 系列上。而這里說的 GPT，并不只是文本，也包括語音到語音的交互能力，它們仍然屬于同一條科技樹分支，本質上還是同一個模型，只是在不同的方向上稍作調整。

問題在于，一旦你分叉太遠，形成兩個完全不同的技術體系，在算力有限的情況下是很難持續推進的。而算力之所以有限，是因為需求實在太大了。幾乎每一個模型一出來，大家都想拿去做各種事情。

Alex：為什么你們現在的賭注沒有押在那個看起來像是“世界模型”的版本上？那種視頻能理解物體該去哪里的模型顯然對 robotics 很有用。既然你們在 Sora 上已經看到了實打實的進步，那為什么你們偏偏要把寶押在 GPT Reasoning 上呢？

Greg：這個領域最大的問題，其實是“機會太多”。我們很早就發現，只要一個想法在數學上是合理的，基本都能做出不錯的結果。只是不同方向在工程復雜度、算力需求、落地難度上差異很大。

這恰恰說明了深度學習的底層能力：它可以抓住問題的本質，理解生成數據背后的規律，而不是只記住數據本身，并且能遷移到新的場景。這意味著你可以在很多方向上取得進展，比如世界模型、科學發現、編碼等等。

過去一直有個爭論：文本模型到底能走多遠？它能不能真正理解世界？現在我們已經非常明確地看到答案了：它可以，而且是通向 AGI 的路徑。我們已經能“看見終點”，并且今年還會有更強的模型出來。與此同時，我們在內部面臨的“算力分配痛苦”是隨著時間推移只增不減的。所以，我覺得核心在于節奏和時機。

在這個時刻，那些我們夢寐以求的應用已經開始觸手可及了。舉個例子，最近有一個物理學家把一個研究了很久的問題交給我們的模型，12 小時后就得到了答案，他說這是第一次感覺模型在“思考”。這感覺就像是一個也許人類永遠無法解決的問題，被我們的 AI 搞定了。當你看到這樣的事情發生時，你就必須加倍下注，因為我們真的能解鎖人類的所有潛力。

所以這不是說哪個方向更重要，而是關于 OpenAI 向世界交付 AGI 的使命，以及我們確實看到了一棵科技樹，已經找到一條清晰可推進的路徑，就必須優先把它做出來。

Alex：我之前和 Google DeepMind 的 Demis Hassabis 聊過，他說對他而言，最接近 AGI 的，是他們的圖像生成模型 Nano Banana。因為生成圖像和視頻，本身就需要理解物體之間的關系和世界的運作方式。你們會不會因為押注另一條路徑而錯過什么？

Greg：有這個可能。這個領域就是這樣，你必須做選擇，本質上就是在下注。我們選擇了一條我們相信能通向 AGI 的路徑，然后全力推進。

不過，還有一點很關鍵：圖像生成其實在 ChatGPT 里已經非常成功，我們也在持續投入。而且它之所以能繼續推進，是因為它并不完全屬于 diffusion / world model 那條分支，而是建立在 GPT 架構之上。這也是 AGI 很“反直覺”的地方：看起來完全不同的應用，語音、圖像、文本、科學研究、編碼，甚至個人健康建議，其實可以在同一個技術框架里實現。

所以我們在做的一件核心事情，是盡可能把技術統一起來。因為我們相信，這項技術最終會賦能整個經濟體系。而這個體系太大了，我們不可能覆蓋所有，但可以把“通用”的那一層做好，也就是 AGI 里“G”的意義。

2 “我們現在的起點是 Codex”

Alex：說到“統一”，那這個 Super App 到底是什么？

Greg：簡單來說，它會把 coding、browser 和 ChatGPT 整合在一起。我們的目標，是做一個真正的“終端應用”，讓你直接體驗 AGI 的能力。

你可以把現在的 chat 想象成一個正在進化的個人助理，一個了解你、與你目標對齊、值得信任、在數字世界中“代表你”的 AI。而 coding 這部分，本來是為開發者設計的工具，但它正在變成“人人都能用”。

這不再僅僅是關于軟件本身，而是“使用計算機本身”。比如我自己，有時候連怎么設置電腦的 hot corners 都會忘，直接讓 Codex 去做，它就幫我搞定了。這其實才是計算機本該有的樣子，是它來適應人，而不是人去適應它。

所以你可以想象一個應用：你想讓電腦做什么，直接說就行。AI 可以自己用瀏覽器操作，你也可以實時查看它在做什么。無論是聊天、寫代碼，還是知識工作，所有內容都在一個統一系統里。而且它會有 memory，會了解你。這其實只是“冰山一角”，更重要的是底層的技術統一。

過去幾年真正的變化在于：不再只是模型本身，而是“系統”。包括模型如何獲取上下文、如何連接現實世界、能執行哪些操作、以及與用戶的交互循環。以前這些是分散的、各自實現的，現在我們在把它們收斂成一個統一體系，形成一個 AI layer。在這個基礎上，你可以針對某些場景加一層很薄的定制，比如金融、法律的插件或 UI。但大多數情況下，你甚至不需要這些，因為這個 Super App 本身就已經足夠通用。

Alex：這個 app 是面向企業，還是個人？

Greg：兩者都是。就像你的 laptop，它既是工作工具，也是個人設備。本質上，它是“屬于你”的一個接口，連接你和數字世界。

Alex：從個人用戶的角度，如果我在生活中用這個 Super App，我的生活會發生什么變化？

Greg：你可以把它理解為現在的 ChatGPT，但更深入�，F在大家用 ChatGPT 做的事情已經非常多樣了：寫婚禮致辭、頭腦風暴創業想法、讓它幫你點評一個點子……這些其實已經在模糊“個人”和“工作”的邊界。未來，這些都會變得更自然，而且更強。

關鍵在于兩點：記憶和上下文。過去的 ChatGPT 是“無記憶”的，每次對話都像在和一個陌生人聊天。但如果它記得你，記得你所有的互動，它就會變得強大得多。再進一步，如果它還能接入你的郵箱、日歷，理解你的偏好和歷史經驗，它就可以真正幫助你實現目標。比如現在已經有一個 feature，會每天基于它對你的了解，推送你可能感興趣的內容。而 Super App 會把這一切做得更深入、更豐富。

Alex：這個 Super App 什么時候會推出？

Greg：接下來幾個月，我們會一步一步往這個目標推進。理想狀態下，我們當然希望一次性把完整形態發布出來，但現實是它一定會以“分階段”的方式出現。

我們現在的起點，其實就是 Codex。它本質上是兩樣東西的結合：一方面是一個通用的 agent harness，可以調用各種工具；另一方面，它本身也是一個會寫軟件的 agent。你可以把它接到 spreadsheets、word 文檔上，它就能幫助你完成各種知識工作。

所以我們接下來會做的一件事，是讓 Codex 在“通用知識工作”這件事上變得更好用。因為在 OpenAI 內部，我們已經看到很多自發的使用場景在出現了。這會是第一步，后面還有很多步。

Alex：我昨天和你們一個同事聊，他提到有人用 Codex 幫他做視頻剪輯，結果 Codex 直接給 Adobe Premiere 寫了一個插件：自動分章節，然后開始剪視頻。

Greg：我太喜歡這個例子了，這正是我們希望這個系統能夠做到的事情。其實很有意思的一點是：Codex 最初是為軟件工程師設計的。對于非軟件工程師來說，目前的可用性其實相當低。比如在設置過程中，可能會遇到一些報錯，開發者一看就知道怎么解決，但普通用戶會一臉懵：“這是什么？”

即便如此，我們還是看到一些從沒寫過代碼的人，已經開始用它來搭建網站、自動化不同軟件之間的流程，甚至完成你剛才說的那種復雜任務。比如我們傳播團隊的一位同事，把它連接到了 Slack 和他們的郵箱上，用來批量處理反饋并做總結。

所以現在的狀態是：那些足夠有動力的人，愿意跨過這些門檻，就能獲得非常大的效率提升。從某種意義上說，我們已經完成了最難的那部分——打造一個真正聰明、能執行任務的 AI。接下來要做的，其實是相對“簡單”的那部分：把它變得人人可用，降低門檻。

如何與Claude Code 競爭

Alex：Anthropic 有他們的 Claude App，你可以用 Claude chatbot、Claude Cowork、Claude Code，他們已經有了自己版本的“Super App”。你覺得他們是看到了什么，才更早走到這個位置？你們有多大把握追上？

Greg：如果把時間往回撥 12 到 18 個月，我們其實一直很重視 coding 這個方向，在各種編程競賽上成績也一直很好。但我們當時投入不夠的，是“最后一公里”的可用性。我們沒有真正去思考：我們的模型很聰明，可以解決各種編程題，但它沒真正見過現實世界的代碼庫，那些代碼往往很混亂，不像訓練數據那么“干凈”。這確實是我們當時落后的地方。

但大概從去年年中開始，我們非常認真地補這塊，專門組建團隊去研究真實世界的復雜性，比如如何構建訓練環境，讓 AI 體驗真正的軟件開發流程，包括被打斷、需求變更等各種非理想情況。到現在為止，我們已經追上來了，甚至很多用戶更偏好我們的產品。當然，在前端體驗上我們還會繼續優化。

更重要的是，我們的思路發生了變化：不再是“先做模型，再單獨做產品”，而是一開始就把它當成一個完整產品來設計。當我們做 research 的時候，我們就會考慮它未來會怎么被使用，這是 OpenAI 內部一個很重要的轉變。

我們今年會有一系列非常強的模型發布，整個 roadmap 讓人非常興奮。同時，我們也在全力補齊“最后一公里”的可用性。

3 競爭帶來更強的內部對齊

Alex：從 2022 年開始，OpenAI 幾乎是無可爭議的領先者，但現在競爭明顯變激烈了。甚至有傳言說內部已經沒有“side quests”，全部資源都集中在核心目標上。你認為公司內部的氛圍有沒有變化？

Greg：對我個人來說，其實最“可怕”的時刻，是 ChatGPT 剛發布之后。我記得當時在節日派對上，現場彌漫著一種“我們已經贏了”的氛圍，但我從來沒有這種感覺。我當時的反應是：不對，我們一直都是 underdog，從來都不是領先者。

這個領域里有很多成熟的大公司，它們有更多資本、更多人、更多數據，OpenAI 憑什么能競爭？我認為，答案很大程度上就是因為我們從不自滿，一直把自己當成挑戰者。

所以現在看到競爭對手出現、并且做得不錯，其實對我們來說是件好事。當然，你不能過度關注競爭對手。如果你總盯著他們的位置，那你只會停在他們現在的位置，而他們已經往前走了。某種程度上，過去是別人盯著我們，而我們在往前走。

現在的競爭環境，反而帶來了更強的內部對齊和統一感。比如之前我們是把 research 和 deployment 分開看的，現在我們在努力把它們融合起來。這對我來說是一個非常積極的變化。

我從未覺得我們像別人說的那么好，也從未像別人說的那么差，我覺得一直很穩健。在模型生產的核心方面，我對我們的路線圖和我們正在做的研究投入感到極其有信心。在產品方面，我們也有巨大的能量匯聚在一起，要把這一切交付給世界。

Alex：你前面提到接下來會有一些很強的新模型，那 Spud 到底是什么？有消息說你們已經完成了它的預訓練，Sam Altman 也跟內部說，幾周內就會有一個非常強勁的模型問世。團隊覺得它真的能加速經濟發展，而且事情的進展比我們很多人預期的都要快。

Greg：它是個好模型。但我覺得，重點其實不在于某一個模型。

我們的開發流程大致是這樣：先做預訓練，產出一個新的基礎模型，它是后續一切能力提升的基礎。過去 18 個月，我主要精力其實都花在這上面，包括 GPU 基礎設施、訓練框架，支持這些大規模訓練順利進行。接下來是強化學習階段：讓模型把它對世界的理解應用起來。再往后是后訓練：也就是“最后一公里”，讓模型在行為和可用性上真正變得好用。

所以我會把 Spud 理解為一個新的 base model，是一次新的預訓練成果�？梢哉f，這里面凝聚了大概兩年的研究積累，現在終于開始落地。它會非常令人興奮。但從用戶視角來看，感知方式其實很簡單，就是能力整體提升。

對我來說，這從來不是“某一次發布”的問題。因為當這個版本發布時，它其實已經是后面更強版本的一個早期形態了。我們真正構建的是一個持續加速的“進化引擎”，Spud 只是其中一步。

Alex：那它具體會做到哪些現在做不到的事情？

Greg：首先，它會能解決更難的問題。其次，它會更細膩（nuanced），更能理解指令，也更能理解上下文。

有個說法叫“big model smell”，意思是，當模型真的變得更聰明、更強大時，你是能“感覺到”的，它會更順著你的意圖來�，F在很多時候，你問一個問題，AI 沒完全理解，你還得補充解釋，那種感覺其實挺讓人失望的，會覺得“你應該能懂啊”。未來，這種情況會大幅減少。

所以變化一方面是能力提升的量變，但更重要的是質變：以前你不會用 AI 做的事情，現在會下意識地用它。

我特別期待兩點：一是“天花板”被抬高，比如我們已經看到在物理研究上的應用，未來可以解決更多開放性、更長期的問題；二是“地板”也被抬高，無論你做什么，它都更有用。

Alex：但普通用戶有時候不太容易感知這種變化。比如 GPT-5 發布前預期很高，但剛發布時不少人反而有點失望，后來才發現它在某些任務上其實很強。那這一代模型，你覺得是會在某些行業里特別明顯，還是會讓所有人都感受到提升？

Greg：我覺得會是類似的情況。剛發布時，一定會有人覺得“這是質的飛躍”；也會有一些場景，原本就不是“智能瓶頸”，所以你未必立刻感知到變化。但隨著時間推移，你一定會感受到。因為真正改變的是：你對這個系統的“信任程度”。

我們每個人心里，其實都有一個“AI 能做什么”的心智模型，而這個模型變化得很慢。只有當你多次被它“驚艷到”，你才會逐漸提高預期。比如在醫療信息領域，我有個朋友用 ChatGPT 研究癌癥治療方案。醫生當時已經判斷是絕癥，但他通過 AI 查找各種方案，最后真的找到了治療路徑。

這種事情的前提是：你得先相信 AI 在這個場景里是有幫助的，才會投入精力去用它。未來的變化在于，這種“幫助是有效的”的感覺會變得越來越明顯。所以，一方面是技術在進步，另一方面也是人類對技術的理解在“追趕”它。

4 加速起飛實現 AGI，當前進度超 70%

Alex：聽說你們正在開發一個自動化的 AI Researcher，預計今年秋天推出，那是什么？

Greg：我們現在正處在一個“takeoff（起飛）”的早期階段。

Alex：“takeoff”是什么意思？

Greg：就是一種加速狀態。一方面，AI 在指數級變強；另一方面，我們開始用 AI 來改進 AI，本身就會進一步加速研發過程。但我理解的 takeoff，不只是技術層面的，還有現實世界的影響。很多技術發展都會呈現 S 曲線，如果拉長看，有些階段會變成指數增長，我覺得我們現在正處在這個階段。

一邊是技術在加速，另一邊是外部環境的“順風”：芯片公司在加大投入，整個生態里有越來越多的人在基于 AI 構建應用，探索各種可能性。這些力量疊加在一起，讓 AI 從一個“邊緣工具”，逐漸變成推動經濟增長的核心引擎。而這個過程，不僅僅關于我們公司正在做的事，而是整個世界、整個經濟體系共同推動的結果。

Alex：這個 AI researcher 具體會做什么？

Greg：它會承擔越來越多研究任務，而且比例會不斷提高，我們會逐步讓它以更高程度“自主運行”。當然，這不意味著完全放任它自己運行。更像是你帶一個初級研究員：如果你完全不管，他可能會走偏；但如果有一個有經驗的資深研究員給方向、做 review、提供反饋，那效率會很高。

未來也是類似的模式：人類提供方向、判斷和反饋，AI 負責執行大量具體工作。我把它看作一個系統，可以顯著加速我們做模型、做研究、實現突破的速度，也能讓這些模型更快變得實用、可落地。

Alex：你會對它說“去找 AGI”，然后它就會去嘗試嗎？

Greg：我認為大致就是這樣。更具體一點說，就是把一個研究科學家從頭到尾做的事情，用“硅基系統”完整復現一遍。

Alex：還有一種對“takeoff”的理解是：AI 的進步會從漸進式，逐漸變成積累動能，最終演變成一種幾乎不可阻擋的趨勢，走向超越人類智能。那你會不會擔心，既然有可能一切順利發展，也同樣存在“走偏”的風險？

Greg：絕對是有的。要獲得這項技術的好處，就必須同時認真對待它的風險。從技術角度來看，我們在安全上投入了非常多。比如 prompt injection，如果你有一個非常強大、能調用各種工具的 AI，就必須確保它不會因為某些惡意指令而被操控。這方面我們投入很大，也取得了不錯的成果，有專門的團隊在做。

這些問題其實和人類很像，人也會被 phishing 欺騙，也會在信息不完整時做出錯誤判斷。所以我們在開發過程中，會借鑒這些類比，去思考模型在真實世界中的行為。每一次發布模型，我們都會問：它是否真正與人類目標對齊？是否是有幫助的？

當然，還有更大的問題，比如整個社會、經濟會如何變化，如何讓所有人都從中受益，這些就不是純技術問題，也不是 OpenAI 一家能解決的。但對我來說，推動技術進步的同時，確保它帶來正向影響，是同等重要的。

Alex：但問題在于，這本質上是一場競賽。你們在公司內部做的東西，也會被開源社區復制，而他們在安全方面的約束要少得多。而且你之前也說過：創造需要很多人都做對，但破壞只需要一個人做錯。在這種情況下，這個“加速競賽”還在繼續，甚至沒有減速的跡象。那這個回報，真的值得這個風險嗎？

Greg：我認為回報是值得的，但這個問題本身太“粗粒度”了。我們從一開始就在問：一個理想的未來是什么樣？這項技術如何真正造福所有人？

你可以從兩個角度來看。一種是“高度中心化”的路徑：只有一個主體來開發這項技術，這樣就沒有競爭壓力，可以慢慢把事情做對，然后再統一發布。但這其實很難實現，也有很多問題。

另一種是我們更傾向的路徑，可以稱為“resilience”（韌性）：這是一個開放系統，有很多參與者在推進技術發展。但關鍵不只是技術本身，而是圍繞它建立起一整套社會基礎設施�？梢灶惐入娏Φ陌l展：它本身也有風險，但我們通過標準、監管、工程體系、檢測機制等，建立了一整套安全體系，讓它可以被大規模、安全地使用。

AI 也需要類似的生態：不僅是技術，還包括制度、規范、監管、公眾認知。如果這項技術真的會影響每一個人，那每個人都應該參與討論，而不是由一個封閉的中心化組織來決定一切。所以我們相信的，是一個圍繞 AI 建立起來的“韌性生態系統”。

Alex：最近 NVIDIA 的 CEO 黃仁勛說，他認為 AGI 已經實現了。你同意嗎？

Greg：AGI 對不同人來說定義不一樣。確實會有人認為我們現在已經達到了。但我認為，現在的 AI 很“jagged”（鋸齒狀）。在很多任務上，它已經是超人級別的，比如寫代碼，幾乎可以無縫完成，大幅降低創造的門檻。但與此同時，也有一些非常基礎的人類能力，它依然做不好。

所以問題變成了：你把“分界線”畫在哪里？這更像是一種“感覺”，而不是一個嚴格的科學定義。

對我來說，我們確實已經接近那個時刻了。如果五年前讓我看到今天的系統，我一定會說：“這就是我們當時說的 AGI�！钡F實又有點不一樣，它和我們曾經想象的形態差別很大，所以我們需要調整自己的心智模型。

如果非要量化，我會說大概 70% 到 80% 到了。而且很明顯，未來幾年內我們就會迎來 AGI，盡管發展過程仍會曲折不平，但幾乎所有依托計算機完成的智力類任務，AI 都將能夠勝任。

5 基礎模型更強，AI 從程序員蔓延到普通人

Alex：2025 年 12 月發生了什么？那似乎是一個拐點，從“讓 AI 連續寫幾個小時代碼”還是理論，變成大家開始覺得“可以信任它持續工作”。

Greg：核心變化是模型能力從“能完成你 20% 的任務”，躍遷到了“能完成 80%”。這帶來了一個質變，從“有點用的工具”，變成“你必須圍繞 AI 重構工作流”。

我自己有一個測試 prompt，用了很多年：讓 AI 幫我做一個網站。這個網站我當年學編程時花了幾個月才做出來。到了 2025 年，它可能需要 4 個小時、很多輪提示才能完成。但在 12 月，我只問了一次，它就直接生成了，而且效果很好。

Alex：那這個躍遷是怎么發生的？

Greg：很大一部分來自更強的基礎模型。OpenAI 一直在持續優化預訓練技術，那一刻，其實只是提前讓我們看到了接下來一整年的發展方向。但它也不是某一個單點突破，而是多個維度同時推進的結果。這些模型很有意思：一方面是連續進步，另一方面又會出現“跳躍式提升”。它并不是從 0% 到 80%，而是從 20% 到 80%。本質上是一直在變好，只是在某個節點跨過了“可用性閾值”。

而且這種提升還在持續。比如從 5.2 到 5.3 的版本更新，我們內部一個工程師之前無法用它完成復雜的底層系統開發，但現在可以直接給它一個設計文檔，它就能實現、加監控、跑 profiler、再優化到目標狀態。

所以你可以把它理解為：緩慢積累，然后突然爆發。而且可以很明確地說，現在看到的這些能力，在一年內，甚至更快，會變得極其可靠。

Alex：之前你還說 Codex 主要是給開發者用的，現在卻說“人人都可以用”，這個認知是怎么改變的？

Greg：一開始我確實是從“coding”這個角度來看 Codex 的，名字里就有 code，自然會覺得它是給程序員用的。而且在 OpenAI 內部，我們很多人本身就是工程師，很容易默認是在為自己構建工具。

但隨著技術發展，我們逐漸意識到：這項技術的本質，其實不是“寫代碼”，而是“解決問題”。核心能力是理解上下文、管理 harness、把 AI 融入實際工作中。一旦這樣理解，就會發現不僅是 coding，Excel、PPT、各種重復性操作，本質上都是“機械技能”。

只要 AI 有足夠的上下文和智能，它都可以做得很好。所以關鍵不在于能力，而在于“可用性”。一旦我們把門檻降下來，它就會從“程序員工具”，變成“所有人的工具”。

Alex：在那一波能力躍遷之后，硅谷又出現了一個有點轟動的現象，就是 OpenClaw。很多人開始真正“信任”AI，比如給它完整的桌面權限，甚至專門弄一臺 Mac Mini，讓它接入郵件、日歷、文件，然后基本讓它去“運行”自己的生活。你們還把 OpenClaw 的創始人招致麾下了，這是不是代表著 AI 將幫你“運行”生活的愿景？

Greg：這項技術的核心在于弄清楚它如何有用、人們想如何使用它、Agent 的愿景是什么、它將如何融入人們的生活。這是一個難題。

我觀察到一個現象，每一代技術變革中，那些真正“all in”的人，有好奇心、有想象力、有愿景，本身就是一種非常稀缺的能力。而在正在形成的新經濟體系里，這種能力會變得越來越有價值。OpenClaw 的創始人就是這樣的人，他有很強的想象力和創造力。

所以某種程度上，這件事不只是技術，而是我們如何把這些能力真正嵌入到人們的日常生活中。作為技術人，這當然很讓人興奮；但從“為用戶創造價值”的角度來說，這也是我們正在加倍投入的方向。

6 使用 Agents，不能推卸你的責任

Alex：你之前有一句很有意思的話，說當你使用這些 autonomous agents 時，你會變成一個“CEO”，管理成百上千個 agent，幫你完成目標，而你不再關心具體細節。但你也提到，這種方式有時會讓你“失去對問題的感知”，這是好事嗎？

Greg：我覺得這是一把雙刃劍，我們既要認可這些工具能帶來的優勢，也要設法彌補其短板。

它們能賦予人類力量與自主掌控力。如果你有一個清晰的目標，你可以讓一整支 agent 艦隊去幫你執行。但問題在于：現實世界里，責任是必須落在某個人身上的。比如你讓 agent 幫你做網站，結果出了問題，影響了用戶，那責任不在 agent，而在你。所以，你必須在意。

對于使用這些工具的人來說，人類的代理權和問責制，是整個系統里非常核心的一部分。你不能推卸責任，不能只是說“啊，AI 會搞定一切的”。

Alex：但你說的“失去對問題的感知”，好像不是責任問題，而是認知層面的距離感？

Greg：其實這兩件事是相關的。你可以類比一個 CEO：如果你離業務細節太遠，失去了“對一線的感知”，那通常不會帶來好結果。

所以我當時的意思不是說“人不需要了解細節”是好事，確實有些細節你可以不必關心，就像你請一個總承包商蓋房子，有很多施工細節你可以信任對方。但如果出了問題，你仍然需要知道、需要在意。

關鍵在于，不是盲目放手，而是在建立信任的前提下，有選擇地“放開低層細節”。你必須理解系統的能力邊界和風險，才能決定哪些事情可以交給它。

7 “我們還沒有完全理解模型”

Alex：回到模型本身的發展路徑。我們經歷了預訓練、微調、強化學習，讓模型可以一步步解決問題、調用工具。那接下來下一步是什么？

Greg：我們現在所處的階段，是機器能力在不斷加深、不斷拓展。

一方面，我們已經有了 tool use，但接下來還需要構建更好的“工具生態”。比如 computer use，當 AI 可以操作整個桌面，它理論上就可以做任何你能做的事。但與此同時，我們也需要補上很多配套能力，比如企業里的權限管理（credentialing）、審計（audit trails）、可觀測性（observability）等等。也就是說，模型能力已經跑在前面了，而系統層的基礎設施還在追趕。

整體方向上，有幾個很明確的趨勢：比如語音交互，你可以自然地和電腦對話，它能理解、執行，還能給出建議。再比如，你早上醒來，AI 給你一個“日報”：告訴你你的 agents 昨晚做了什么進展，也許它在幫你運營一個業務，還會提醒你“有個客戶不滿意，想和真人聊一下”。

我覺得其中一個非常大的應用，是“創業的民主化”，更多人可以借助 AI 去啟動和運營業務。同時，還有一個更宏觀的變化：人類能解決的問題上限會被不斷抬高。

我特別期待的一件事，是類似 AlphaGo 的第 37 手那樣的時刻，那一步棋沒有任何人類能想得出來，它很有創造力，它改變了人類對下棋的理解。這種事情會在各個領域發生：科學、數學、物理、化學、材料科學、生物、醫療、藥物研發，甚至文學、詩歌。AI 會在我們還無法想象的層面，擴展人類的創造力。

Alex：既然模型已經這么強，為什么這些突破還沒大規模出現？

Greg：我覺得這是因為模型的能力和人們實際使用它們的方式之間存在一個“overhang”（懸差）。換句話說，我們還沒有完全理解這些模型到底能做什么。所以我覺得，即便技術不再進步，僅僅是更好地使用現有模型，也會帶來巨大的變化。AI 驅動的經濟仍然會發生。

另外一個原因是，我們過去更擅長訓練“可衡量任務”的模型，比如數學題、編程題，這些有明確的評判標準。但對于更開放的問題，比如“這首詩寫得好不好”，評價標準就模糊很多，這也限制了訓練。不過這一切都在改變，而且我們已經看到了清晰的路線圖。

Alex：有人說，如果你是搞數學的，面對這些模型的沖擊，你的處境可能比搞文科的人更危險。你會擔心嗎？

Greg：人類很容易看到“我們失去的東西”，但不容易看到“我們獲得的東西”。比如你會說：以前我做數學競賽，現在 AI 也能做了。但問題是，數學競賽本身，從來就不是人類真正的核心價值。

如果你看今天的工作方式，每天對著電腦輸入文字，這其實也不是“人類的本質狀態”，只是最近幾十年的產物。生而為人是關于“在場”，關于與他人建立連接。我覺得我們將看到的是， AI 會釋放大量時間，讓人類有更多機會建立連接、增強人與人之間的關系。

Alex：隨著 agent 能力增強，有人開始認為，也許不再需要那么大規模的預訓練，只要模型夠好，讓它在現實世界中學習就可以了。你怎么看？

Greg：這個觀點忽略了一點：模型訓練的每一個環節其實是“相乘”的關系，你必須同時優化所有步驟。預訓練變強，會讓后續所有階段變得更容易。因為模型一開始就更聰明，在嘗試新方法、從錯誤中學習時，效率更高。

現在的變化是：不再只是“把模型做大”，而是結合真實世界使用、不斷反饋優化。但這并不意味著預訓練不重要了。

另外一個變化是，我們開始更加重視 inference（推理階段）。因為模型不僅要強，還要能被實際使用，支持強化學習，也要能服務全球用戶。

所以現在的目標，不是單純“最大模型”，而是優化“智能 × 成本”的綜合指標。

Alex：那 NVIDIA 的 GPU，還會繼續重要嗎？

Greg：非常重要。一方面，大規模訓練仍然需要集中算力，這是不可替代的。另一方面，即使推理需求增加，整體算力需求也只會更高。而且 NVIDIA 團隊本身做得非常出色，我們和他們合作非常緊密。

Alex：會不會有一天，人們會說“我們已經預訓練得夠多了，模型已經夠聰明了”？

Greg：這就像在問：“人類什么時候可以說，我們已經解決了所有問題？”現實是，我們的目標和野心在不斷提高。比如醫療，不僅是治病，而是提前預防、優化生活方式、在疾病發生前就干預。這類問題，很可能需要更強的模型才能解決。也許在某些具體問題上，你會說“夠用了”。但總會有新的問題，需要更高的智能。

8 如何面對巨額算力投入

Alex：OpenAI 今年融資約 1100 億美元，這背后的賬是怎么算的？這筆錢是直接投進數據中心嗎？你打算怎么把這些錢回報給投資者？

Greg：最大的支出是算力，但算力不應被視為成本中心，而應視為“收入中心”�？梢园阉胂蟪晒蛡蜾N售人員，你想雇傭多少銷售？只要你能賣出產品，只要你有可擴展的銷售方式，那么你的銷售人員越多，你的收入就越高。

當前的現實是：算力始終供不應求。我們不得不做出艱難決策：哪些產品上線、算力分配給誰。未來整個經濟都會面臨類似問題：誰哪些問題將獲得巨大的算力？你如何擴展，以便每個人都能擁有一個運行中的個人 Agent？如何讓每個人都能用上像 Codex 這樣的系統？

世界上根本沒有足夠的算力來做這些事，所以我們正試圖在這個問題之前搶先布局。

Alex：在一個新賽道上投入如此巨額資金，你們如何保持信心？

Greg：首先，有歷史經驗支撐。從我們推出 ChatGPT 的那一刻起，我和團隊有過這樣一段對話，他們問：“我們應該買多少算力？”我說：“全部�！彼麄冇肿穯柌皇情_玩笑，到底該采購多少，我告訴他們，無論我們搭建多少算力資源，都絕對跟不上市場需求。從那以后的每一年，這一判斷都成立。挑戰在于：算力采購需要提前 18–24 個月決策，因此必須對未來有清晰預判。

到目前為止，我們的大部分收入來自消費者訂閱，這部分業務始終至關重要，同時我們也在拓展其他營收渠道。而當下愈發清晰的新機遇，是知識工作領域。我們能切實地看到，所有企業都意識到 AI 切實有效，想要保持競爭力就必須采納。軟件工程師們自發使用的熱情十分高漲，隨后企業內部各類知識工作者也開始逐步使用這項技術。行業內清晰展現出用戶的付費意愿與營收增長態勢。展望未來，我們能窺見外界未必了解的模型優化發展路徑。

綜合這些因素來看，未來整體經濟發展的核心關鍵，將取決于對 AI 的利用程度，以及支撐 AI 運行的算力儲備。

Alex：未來收入結構會從消費者轉向企業嗎？

Greg：企業層面的變化速度極快，而且這并不只局限于傳統意義上的企業，因為 “企業” 這個概念本身也在發生改變。實際上，更多人是在利用它開展高效的知識工作這類事務。而在我們思考定價策略時，有一點可以參考 Codex 當前的運作模式，如果你訂閱了 ChatGPT 的個人版服務，就可以使用 Codex。所以我認為，未來不會有那么清晰的品類劃分，核心在于用戶本身，就像你的筆記本電腦一樣，它是你通往數字世界的入口，而營收本質上也將來源于此。

Alex：Dario（Anthropic CEO）談到你們時說，“有些玩家在‘All-in’，把油門踩得太狠了，我非常擔心�！蔽蚁胨傅氖悄銈兊幕A設施賭注。你怎么看？

Greg：我不認同。我們的每一步決策都經過深思熟慮，也清晰預判了行業趨勢，我認為就在今年，所有入局者都會面臨算力緊缺的問題，而我們是最早意識到這一趨勢、并提前圍繞技術發展布局建設的一方。據我觀察，其他同行大多是去年下半年后知后覺，才開始匆忙爭搶算力，結果根本無算力可用。所以這類說法說得輕松，但行業內所有人其實都明白，這項技術已經落地生效、成為現實，軟件工程只是第一個應用案例，而我們的發展核心受制于現有算力。

Alex：他還說，就算自己的預判只出現一點偏差，公司都有可能面臨破產風險，你們也會面臨同樣的情況嗎？

Greg：在我看來，我們擁有更多緩沖調整的空間（Offramp）。我們押注的并非某一家企業，而是整個行業賽道，核心在于是否相信這項技術能落地，并釋放出我們預期的巨大價值。我可以舉些實際例證，哪怕不是軟件工程師、沒使用過 Codex ，也很難形容它帶來的改變有多顛覆，而且人們很快就能親身體會到。半年前這還只是我們內部的判斷，外部缺乏足夠佐證，如今已經有了實際案例，再過半年，所有人都會真切感受到，即便有效果極佳的模型，也會因為算力不足而無法使用。

9 人人都使用 Agent 的未來

Alex：去年年底我們在節目里對 2026 年做預測時，Ron John Roy 說，2026 年會成為“人人都在用 agent 的一年”。我當時還說要眼見為實才信，結果現在我自己都在用了。

Greg：那你主要拿它做什么？

Alex：我用它搭建內部工具，方便團隊同事同步視頻上線時間、封面設計要求等信息，還會整合 YouTube 相關數據，可以根據縮略圖對視頻的表現進行排名。就像定制軟件一樣，我以前絕不會為此付費，現在我自己就能做出來。

我覺得這正是當下一個特別有意思的點：傳統軟件是面向大眾規�；�，但正因為它要服務所有人，所以很多地方其實并不真正適合你。而現在這種方式，讓我們可以用一種更自然、更貼合自己的方式去“定制”和使用軟件。

Greg：我覺得這正是關鍵。而且我一直在想，我們過去構建計算機的方式，其實是在把人“拉進”數字世界。你想想，你每天花多少時間在手機上滑來滑去、不停點按鈕？可問題是，為什么非得這樣？為什么一定要你去適應機器？

而 AI 的方向，恰恰是反過來：把機器拉近你，讓它更個性化、更理解你的目標。我們一直在流行文化里看到那種可以對話、可以替你完成任務的計算機，現在這件事開始變成現實了。而這種變化的“驚艷之處”，其實是你必須親自試過才會明白。

Alex：為什么 AI 在公眾中這么不受歡迎？比如 YouGov 的一項調查顯示，預期 AI 對社會產生負面影響的美國人是預期正面影響的三倍。你覺得背后的原因是什么？你會擔心 AI 的“品牌形象”嗎？

Greg：我們確實還沒有很好地向整個社會解釋清楚：AI 到底“為什么對他們有好處”。不僅僅是宏觀經濟增長 GDP 之類的，而是更具體的，比如它如何真正改善普通人的生活？

其實我每天都能聽到很多非常具體、非常真實的案例。比如有一個家庭，他們的孩子一直頭痛，但卻被拒絕做 MRI。后來他們用 ChatGPT 去查癥狀，發現可以據此向保險公司提出更有力的申請理由。最后成功做了 MRI，發現孩子有腦腫瘤，救了孩子的命。類似的故事還有很多，很多人的生活被深刻地改善，甚至被拯救，都是因為他們在真正“與 AI 協作”。但這些故事，其實并沒有被廣泛傳播。

另一方面，我們過去的流行文化，尤其是上世紀九十年代以來的那些敘事，對 AI 的描繪大多是負面的，總是在強調“可能出什么問題”。但一旦人們真的開始用 AI，他們就會發現它是有用的。

所以我確實很擔心，我們還沒有成功地幫助大家理解：這一波技術浪潮，實際上會改善他們的生活，甚至增強人與人之間的連接。

而如果你再從更宏觀的角度看，AI 的重要性還不止于此。我認為它將成為未來經濟實力和國家安全的核心來源，關乎國家之間的競爭力。像中國這樣的國家，在 AI 上的推進方向甚至是完全相反的路徑。

我認為這件事非常重要，我們必須正視它，并且真正思考，如何讓這項技術的紅利能夠被所有人共享。

10 如何看待建造數據中心的負面影響

Alex：我跟很多人聊到 AI 時，他們都會問：“我的工作還能保住多久？”另外，公眾對數據中心的態度甚至比對 AI 本身還要負面。Pew 的調查顯示，很多人認為數據中心對環境、家庭能源成本和附近居民的生活質量弊大于利。

現在的情況是，一方面好工作本來就不好找，另一方面數據中心又不斷進入社區，但人們卻覺得它對環境和生活都不友好。他們的這種看法是錯的嗎？

Greg：關于數據中心，其實確實存在很多誤解。比如說用水這件事。以我們在 Abilene 的設施為例，它可能是全球最大的數據中心之一，但它一整年的用水量，大致和一個普通家庭差不多，幾乎可以忽略不計。但外界普遍存在一種認知，覺得這些數據中心會消耗大量資源。同樣在電力方面，我們也承諾不會把成本轉嫁給普通用戶，不會推高居民電價。

整個行業現在也在逐步做出類似承諾，我們必須讓社區從中受益，而不是被負擔。在建設數據中心時，我們也會盡量融入當地社區，了解當地的實際需求，看看我們能提供什么幫助。與此同時，這些項目會帶來稅收，也會創造就業機會。整體來看，是有不少正面效益的。所以在我看來，這更多是一個“如何去呈現和實踐”的問題，而這也是我們非常認真對待的一項責任。

Alex：但即便電費不會上漲，你也得引入電力，這就意味著可能產生更多污染。這難道不值得擔心嗎？

Greg：所謂“不提高能源成本”，并不意味著簡單地增加消耗。如果你看現在的電網，其實有很多“閑置電力”，也就是已經存在但沒有被充分利用的能源。與此同時，很多地方的輸電系統也需要升級。在這種情況下，我們把這部分升級的責任由我們承擔，而不是讓納稅人去承擔。

另外，有很多地方其實擁有清潔能源，但沒有被充分利用，相當于被“浪費”掉了。通過引入數據中心，反而可以推動電網的升級，這對整個系統是有益的。舉個例子，在 North Dakota，我們就看到因為數據中心的落地，當地的電價反而下降了，基礎設施得到了改善，最終讓所有人受益。

Alex：你曾向 MAGA 捐贈了 2500 萬美元，這是一個偏向支持 Trump 的 PAC。你在采訪中說過，你愿意為推動這項技術造福所有人做任何事情。那如果這讓你成為一個“單一議題選民”，你也接受。

一個更強大的國家，是否本身就能讓你的目標更容易實現？即使某位候選人并不完全支持你的具體立場，那一個更強的國家，難道不應該是所有政治行為的北極星嗎？這是否也是你做出這類捐贈的原因？

Greg：我和我妻子確實做出了這筆捐贈，我們也向兩黨都支持過的超級 PAC 進行過捐贈。

我之所以這么做，是因為我認為這項技術正在快速發展，在未來幾年內會徹底改變一切，成為經濟的基礎設施。而目前，它在公眾中的接受度其實并不高。所以我們希望支持那些真正愿意投入、認真對待這項技術的政客，讓他們愿意去理解、去推動它的發展。

在我看來，這項技術本質上是在提升一個國家的整體實力。我確實可以說自己是一個“單一議題捐贈者”，因為我覺得這是我能做出的、最有價值的貢獻之一。但核心還是一點：我們應該支持這項技術，讓國家整體能夠在這一波浪潮中受益。

11 建立對 AI 的掌控感

Alex：你會對那些害怕 AI 的人說什么？他們可能會擔心它會取代工作、污染環境、甚至改變世界太快，你會怎么回應他們？

Greg：我最想說的第一件事是：去嘗試用這些工具。只有親自體驗過 AI，了解現在這些技術到底能做什么，你才能真正理解它的價值。這種感受，是別人很難用語言傳達的。

我們已經看到，這項技術正在釋放大量機會。比如，現在任何一個沒有編程經驗的人，都可以用 AI 去做網站。如果你想創業，它可以幫你處理后臺流程、管理系統等很多復雜問題。

所以我建議你去想在你的生活里，它能幫你做什么？在健康、家庭、賺錢、節省開支這些方面，它能提供什么幫助？人們往往更容易看到“會改變什么”，卻很難看到“會帶來什么”。但我認為，我們應該公平地去看待這兩面，然后再做判斷。

Alex：調查數據里也顯示，那些只是“聽說過 AI 但沒有用過”的人，或者從沒用過的人，態度往往更負面；而真正用過的人，甚至只是輕度使用的人，對 AI 的評價通常都更正面。

Greg：我們已經思考這項技術很多年了，而現在我們看到的現實，比我們當初想象的還要更令人驚訝、更有益，而且它帶來的正面影響，很可能遠超預期。

Alex：你會建議人們如何為未來做準備？我有朋友來問我，他們說不知道自己的工作會怎樣，也不知道未來會怎樣，他們只想知道“我該做什么”。

Greg：我認為最重要的一點，是理解這項技術本身。那些真正從中獲得最大價值的人，往往是帶著好奇心去使用它的人，他們會主動把它融入自己的工作流程里。更重要的是，要建立一種“我可以掌控它”的能力感。你可以當“管理者”，可以設定方向、可以分配任務，也可以做監督。

我們正在構建的是一種幫助人類、服務人類的技術，它的目標是養更多的人與人之間的連接、讓人們有更多時間去做真正想做的事情。所以關鍵問題其實是：你真正想要什么？嘗試去明確這一點，然后借助這項技術，把它一步步實現出來。

原視頻鏈接：

https://www.youtube.com/watch?v=J6vYvk7R190

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經許可禁止轉載。

會議推薦

QCon 全球軟件開發大會·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會以“Agentic AI 時代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來自阿里、騰訊、字節跳動、小米、百度等一線科技企業與創新團隊的技術專家，圍繞 AI 工程化、系統架構與研發模式演進展開深入探討。更多詳情可掃碼或聯系票務經理 18514549229 進行咨詢。