OpenAI 聯創最新專訪：關停 Sora 後，ChatGPT 的下一步是什麼？

视频標題：OpenAI 總裁 Greg Brockman：AI 战略、AGI 和超级应用
視頻作者：Alex Kantrowitz
編譯：Peggy，BlockBeats

編者按：本文編譯自 OpenAI 總裁兼共同創始人 Greg Brockman 在 Big Technology Podcast 的對談。該節目長期關注 AI、科技產業與商業結構的變化，是觀察硅谷一線判斷的重要窗口。

在這場對談中，Brockman 並未停留在模型能力本身，而是將問題進一步前移：當 AI 的能力已基本被驗證，行業接下來將如何選擇路徑、重構產品形態，並承接其帶來的系統性衝擊。對談圍繞 OpenAI 的產品戰略、即將推出的「超级应用」，以及其對 AI 進入「腾飞階段」的判斷展開。

這場對談可以從三個方面來理解。

第一，是路徑的收斂。
從視頻生成到推理模型，從多線並進到主動取捨，OpenAI 的選擇並非簡單的技術優劣判斷，而是對現實約束的回應——算力已成為核心瓶頸。在資源有限的前提下，技術路線開始收斂至兩個最具槓桿效應的方向：個人助理與複雜問題求解。這也意味著，AI 的競爭邏輯，正在從「能做什麼」，轉向「先做什麼」。

第二，是形態的重構。
「超级应用」的提出，本質上是一種產品形態的躍遷。AI 不再是零散工具的集合，而是一個統一入口：它理解上下文、調用工具、執行任務，並在不同場景中持續積累記憶。從 ChatGPT 到 Codex，AI 正在逐步接管完整的工作流程，而人類的角色，也從執行者轉向調度者——設定目標、分配任務並進行監督。

第三，是節奏的轉折。
如果說過去兩年是能力的爬坡階段，那麼現在正在發生的，是「腾飞」。一方面，模型能力從「輔助約 20% 的工作」躍升至「覆蓋約 80% 的任務」，直接觸發工作流的重構；另一方面，AI 正在參與自身進化（用 AI 優化 AI），疊加晶片、應用與企業側的協同，形成持續加速的閉環。AI 不再是單點技術，而開始成為推動經濟增長的關鍵引擎。

但與此同時，另一組問題也在同步浮現：公眾的不信任、就業的不確定性、數據中心帶來的爭議，以及安全與治理的邊界。對此，Brockman 給出的答案並不完全在技術內部。他更強調兩點：其一，風險無法通過「集中控制」來解決，需要圍繞 AI 建立類似電力系統的社會基礎設施；其二，個體能力正在發生轉變——真正重要的，不再是「會不會使用工具」，而是「能否借助 AI 實現自己的目標」。

如果說過去的問題是「AI 能做什麼」，那麼現在的問題已經變成，當 AI 開始替你完成大部分事情，你還需要做什麼。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

TL;DR

AGI 已進入「路徑清晰」階段：Greg Brockman（OpenAI 聯創）認為，基於 GPT 的推理模型已具備通往 AGI 的明確路線，預計數年內實現，但形態仍將是「非均勻」的（jagged）。

注：AGI（Artificial General Intelligence）指通用人工智能，指在絕大多數認知任務上具備與人類相當甚至超越人類能力的 AI 系統。與當前「專用 AI」（如圖像識別、推薦算法）不同，AGI 強調跨任務的通用性與遷移能力。

戰略收斂：從多線探索到兩大核心應用：在算力約束下，OpenAI 將資源集中於「個人助理」和「複雜問題求解」，而非同時推進所有方向（如視頻生成）。

「超級應用」將成為 AI 入口形態：聊天、編程、瀏覽器與知識工作將被整合為一個統一系統，AI 從工具變形為「執行層」，用戶轉向「調度者」。

關鍵轉折：AI 開始接管工作流程而非輔助：模型能力已從「完成 20% 任務」躍升至「可承擔 80%」，迫使個人與企業重構工作方式。

算力成為核心瓶頸與競爭焦點：AI 需求遠超供應，未來限制不在模型能力，而在計算資源，數據中心與基礎設施成為關鍵變量。

AI「起飛」（takeoff）正在發生：技術自我加速（AI 優化 AI）疊加產業協同（晶片、應用、企業），推動 AI 從工具走向經濟增長引擎。

最大風險不在技術，而在治理與使用方式：安全問題無法靠單一主體解決，需要開放生態與社會基礎設施共同承接。

個體核心能力正在轉變：未來競爭力不在「執行」，而在「設定目標+管理 AI 系統」，主動使用 AI 將成為基礎能力。

對談整理：

Alex（主持人）：
今天我們請到了 OpenAI 的聯合創始人兼總裁 Greg Brockman，一起聊聊 AI 最具潛力的機會、OpenAI 將如何抓住這些機會，以及「超級應用」的構想。Greg 今天也來到了我們的錄音室。

Greg Brockman（OpenAI 聯創&總裁）：
很高興見到你，謝謝邀請。

為什麼關停 Sora？算力不夠用

Alex：
現在這個時間點很有趣，OpenAI 正在暫停視訊生成的推進，把資源集中到一個「超級應用」上——它會整合商業與編程場景。從外部看（包括我在內），感覺 OpenAI 已經在消費端取得領先，現在卻在調整資源配置。到底發生了什麼？

註：2026 年 3 月，OpenAI 宣布關閉其視訊生成產品 Sora（包括應用與 API），並停止相關商業推進。

Greg Brockman：
過去一段時間，我們一直在開發深度學習這項技術，想驗證它是否真的能產生我們一直設想的那種正向影響——是否可以被用來構建真正幫助人們、改善生活的應用。

與此同時，我們也在做另一條線：把這項技術部署出去。一方面是為了支撐業務運轉，另一方面也是為了提前積累真實世界的經驗，為技術真正成熟的那一刻做準備。

而現在，我們已經走到了一個新的階段。我們看到這項技術確實是可行的。我們正在從「基準測試」和一些偏抽象的能力展示，轉向一個新的階段——必須把它放到真實世界中，讓它參與實際工作，通過用戶反饋來繼續進化。

所以我更傾向於將這次變化理解為：這是由技術階段變化驅動的一次戰略轉向。

這並不是說我們在從「消費端」轉向「企業端」。更準確地說，我們在問一個問題：在資源有限的情況下，我們最應該優先做哪些應用？因為我們不可能什麼都做。

哪些應用能夠真正落地、彼此之間產生協同，並且帶來實際影響？如果你把所有方向列出來，消費端可以拆成很多種：比如個人助理，一個真正了解你、與你目標一致、能幫助你實現人生目標的系統；再比如創作與娛樂；還有很多其他可能性。而在企業端，如果你從更高層看，其實可以抽象為一件事：你有一個複雜任務，AI 能不能幫你完成？

對我們來說，目前的優先級非常清晰，排在最前面的只有兩件事：第一，是個人助理；第二，是能夠幫你解決複雜問題的 AI。

問題在於：我們現有的算力，甚至連這兩件事都撐不滿。一旦再加上更多應用場景，就根本不可能全部覆蓋。所以這其實是一個現實判斷：技術正在快速成熟、影響即將爆發，而我們必須做取捨，選擇最重要的方向去真正做出來。

Alex：
你之前提到過一個類比，說 OpenAI 有點像 Disney：有一個核心能力，然後可以向不同場景延展。Disney 有米老鼠，可以做電影、主題樂園、Disney+。OpenAI 的「核心」是模型，可以做視頻生成、做助手、做企業應用。

但現在看起來，你們是不是不再走這種「全面延展」的路徑，而是必須做選擇了？

Greg Brockman：
其實我反而覺得這個類比現在更成立。但關鍵在於一點：從技術角度看，Sora（視頻模型）和 GPT（推理模型）其實屬於兩條不同的技術分支。它們的構建方式完全不同。

問題在於，在當前階段，同時推進這兩條技術樹是非常困難的，尤其是在資源有限的情況下。所以我們做出的選擇是，在當前階段，把主要資源集中在 GPT 這條路徑上。

當然，這並不意味著我們放棄其他方向。例如在機器人領域，我們仍然在繼續相關研究。但機器人本身還處在更早期的階段，還沒有進入真正爆發的成熟期。

相比之下，在未来一年裡，我們會看到 AI 在知識工作領域的真正腾飞。

而且需要強調的是：GPT 路線並不只是「文本」。比如雙向語音交互（speech-to-speech），也是這條技術路徑的一部分，它會讓 AI 更可用、更實用。這些能力本質上還是在同一個模型體系裡，通過不同方式調整出來的。

但如果你走向兩條完全不同的技術分支，那在算力受限的情況下，是很難長期維持的。而算力之所以受限，是因為——需求太大了。幾乎每一個模型發布之后，人們都想用它做更多事情。

Alex：
那為什麼你們沒有把重心放在「世界模型」這條路徑上？比如視頻模型，它需要理解物件之間的關係，這對機器人也很關鍵。而且 Sora 的進展其實非常快。為什麼最終選擇押注 GPT？

注：「世界模型」（World Model）側重於感知與物理直覺，核心在於讓 AI 理解「世界如何運作」，而不僅是學習「資料的表面模式」。這類模型通常被用來描述像 Sora 這樣的系統：它不僅是在生成圖像或視頻，更是在建模對象之間的關係（如人、車、光線）、時間的連續變化（幀與幀之間的演進），以及基礎的物理規律（如運動、遮擋與碰撞）。相比之下，GPT 屬於語言與推理模型，更側重抽象認知與任務執行能力。

Greg Brockman：
這個領域最大的問題，其實是機會太多。

我們很早就發現，在 OpenAI，只要一個想法在數學上是合理的，它通常就能跑得通，並且能取得不錯的結果。這說明深度學習的底層能力非常強，它可以從數據中抽象出生成規則，並遷移到新的場景。這件事你可以用在世界模型、科學發現、編程等各種領域。

但關鍵在於：我們需要做取捨。

過去一直有一個爭論，文本模型到底能走多遠？它能否真正理解世界？我認為現在這個問題已經有答案了，文本模型是可以走到 AGI 的。

我們已經看到了清晰的路徑，今年還會有更強的模型出現。而在 OpenAI 內部，我們最大的痛苦之一，就是如何分配算力——這個問題只會越來越嚴重，而不是緩解。所以本質上，這不是「哪條路線更重要」的問題，而是時機和順序的問題。

現在，一些我們過去認為遙遠的應用，已經開始變得觸手可及。比如解決尚未被解開的物理問題。我們最近就有一個案例，一位物理學家研究一個問題已經很久，把問題交給模型，12 小時後，我們給出了一個解。他說，這是他第一次覺得，一個模型像是在「思考」。這個問題甚至可能是人類永遠無法解決的，但 AI 做到了。

當你看到這樣的事情，你唯一的選擇就是：加倍下注、三倍投入。因為這意味著，我們真的可以釋放巨大的潛力。

所以對我來說，這並不是不同方向之間的競爭，而是 OpenAI 的使命是什麼？我們如何把 AGI 帶到世界？如何讓它真正造福所有人？以及，我們已經看到了那條路徑，我們知道該如何推進它。

押注 GPT，而不是世界模型：通往 AGI 的路徑選擇

Alex：
好，我確實還想回到你剛才提到的下一代模型，但我想先追問一下這個問題。

我今年早些時候和 Google DeepMind 的 Demis Hassabis 聊過。挺有意思的是，他說，對他來說，最接近 AGI 的東西其實是他們那個叫 Nano Banana 的圖像生成器。

注：Demis Hassabis 是推動 AI 從研究走向突破性應用的關鍵人物之一。他創立的 DeepMind 開發了 AlphaGo，並於 2016 年擊敗圍棋世界冠軍，成為人工智能發展史上的標誌性事件。

他的理由是：無論是圖像生成器還是視頻生成器，要生成那樣的圖像和視頻，本質上都必須理解物體之間的互動關係，至少要對世界如何運作有某種層面的認識。

所以這會不會意味著一種潛在風險？這是一個很大的押注——如果情況真是這樣，OpenAI 在另一條技術樹上持續加碼，會不會錯過什麼？

Greg Brockman：
如果真是那樣呢？我有兩個回答。

第一，當然有這種可能。這個領域就是這樣，你終究必須做選擇，必須下注。而 OpenAI 從一開始就在做這件事：我們要判斷，自己相信通往 AGI 的路徑是什麼，然後高度聚焦地沿著那條路推進。就像隨機向量相加，最後結果可能接近於零；但如果你把所有向量對齊，它們就能推動你朝一個明確方向前進。

但第二點是，圖像生成其實也是 ChatGPT 裡非常受歡迎的能力，我們也還在持續投入、持續優先推進。我們之所以能這麼做，是因為它其實並不屬於「世界模型」或者「擴散模型」那條技術分支，它實際上是建立在 GPT 架構之上的。所以雖然它面對的是不同的數據分布，但在更底層的核心技術棧上，其實還是同一套東西。

而這恰恰是 AGI 最驚人的地方之一：有時候，看起來非常不同的應用——語音到語音、圖像生成、文本處理，以及文本本身在科學研究、編程、個人健康信息等不同場景中的應用——其實都可以被容納在同一個技術框架裡。

所以，從技術角度來說，我和公司一直在思考的一件事，就是如何盡可能統一我們的努力方向。因為我們真的相信，這項技術會帶來整體性的提升，甚至會抬升整個經濟體系。

而這件事的規模太大了。我們當然不可能把所有事都做完，但我們可以完成屬於我們的那一部分。

Alex：
這就是 Artificial General Intelligence（AGI，通用人工智能）裡那個「general」的含義。

Greg Brockman：
沒錯，這就是那個 G，真的就是這個意思。

Alex：
說到「統一」，那這個超級應用到底會是什麼樣？

Greg Brockman：
我理解中的超級應用是——

Alex：
它會把聊天、編程、瀏覽器，以及 ChatGPT 這些東西都整合在一起，對吧？

Greg Brockman：
對。我們想做的是一個面向端用戶的應用，讓你真正體驗到 AGI 的力量，也就是它的「通用性」。

如果你想想今天的聊天產品，我認為它會逐漸演變成你的個人助理、你的個人 API，一個真正為你考慮的 AI。它很了解你，知道很多關於你的信息，與你的目標保持一致，值得信任，並且能夠在這個數位世界裡某種程度上「代表」你。

至於 Codex，你可以把它理解為：它現在還是一個主要為軟體工程師打造的工具，但它正在變成「面向所有人的 Codex」。

任何想創造、想搭建東西的人，都可以使用 Codex，讓電腦去完成他們想做的事。而且它已經不再只是「寫軟體」這件事了，它更像是「使用電腦」本身。比如我會讓它幫我調筆記本設定。有時候我忘了怎麼設置熱區（hot corners），我就直接讓 Codex 去做，它就真的做了。

這才是電腦本來應該有的樣子，它應該去適應人，而不是讓我去適應它。

所以你可以想像這樣一個應用：凡是你希望電腦完成的事情，你都可以直接告訴它。這其中會內置「電腦使用」和「瀏覽器操作」能力，讓 AI 真正能夠操作網頁，同時你也可以監督它到底在做什麼。而且，不管你的互動是聊天、寫程式碼，還是一般性的知識工作，所有這些對話都會被統一在一個體系裡。AI 會有記憶，會了解你。

這就是我們正在構建的東西。

但說實話，這其實只是冰山一角，是露在水面上的那部分。對我來說，真正更重要的是底層技術的統一。

我們前面提到過底層模型層面的統一，但過去幾年真正發生變化的是：現在已經不只是「模型」本身的問題了，更重要的是「承載系統」。也就是說，模型如何獲得上下文？它如何連接到真實世界？它能採取哪些行動？當新的上下文不斷進入時，它與用戶互動的循環機制是怎樣運作的？

過去這些東西我們內部其實有多套實現，或者至少是幾套略有不同的實現。現在我們正在把它們收斂成一套。最終，我們會擁有一個統一的 AI 層，然後以非常輕量的方式，把它指向不同的具體應用場景。

你當然仍然可以做一個小插件、一個小介面，專門服務金融、專門服務法律，但大多數情況下，你甚至都不需要，因為這個超級應用本身就會足夠廣泛、足夠通用。

Alex：
這個應用既面向企業場景，也面向個人場景？

Greg Brockman：
對，這其實正是它的核心。就像一台電腦，比如你的筆記本，它到底是個人用途，還是工作用途？答案其實是：兩者都是。它首先是你的設備，是你進入數位世界的接口。而這也正是我們想做的東西。

Alex：
那從非商業的角度講，如果我在個人生活裡使用這個超級應用，我會拿它做什麼？我的生活會發生什麼變化？

Greg Brockman：
我會這樣理解：在個人生活裡，它首先會延續你現在使用 ChatGPT 的方式。

你現在是怎麼用 ChatGPT 的？其實人們已經在用它完成非常多樣、而且很驚人的任務了。有時候只是簡單地說，「我要在婚禮上致辭，你能幫我起草一下嗎？」或者，「你能不能幫我看看這個想法，給我一點反饋？」再比如，「我在做一個小生意，能不能給我一些思路？」

這些場景有些偏個人，有些已經開始模糊個人與工作的邊界。而我的觀點是：所有這類問題，都應該可以交給超級應用來處理。

Greg Brockman：
但如果你回頭看 ChatGPT 這一路的發展，它本身其實已經在演變了。

它以前是沒有記憶的，對吧？對每個人來說，它都是同一個 AI，每次都從零開始，幾乎像是在跟一個陌生人說話。可如果它能記住你們過去的互動，它就會強大得多。如果它還能接入更多上下文，它也會強大得多。

比如說，它連上你的郵箱、你的日曆，真正了解你的偏好，擁有一套更深層的、關於你以往經歷的背景信息，然後利用這些信息去幫助你實現目標。再比如現在 ChatGPT 里已經有一個叫 Pulse 的功能，它會每天根據它對你的了解，主動給你推送你可能感興趣的內容。

所以在個人使用層面上，超級應用會把這一切都包含進去，而且會做得更深、更豐富。

Alex：
你們打算什麼時候推出它？

Greg Brockman：
更準確的理解方式是，接下來幾個月裡，我們會一步一步地朝這個方向推進。我們講的這個完整願景，會逐步被交付出來，但不會一次性整體上線，它會以分階段的方式出現。

比如說，今天的 Codex 應用其實本身就已經包含了兩層東西：一層是一個通用型的智能體承載系統（agent harness），它可以使用工具；另一層則是一個擅長寫軟件的智能體。

而這個通用型承載系統，其實可以被用於很多別的場景。你把它接到電子表格上，接到 Word 文件上，它就能幫助你處理知識工作。

所以我們的第一步，就是把 Codex 應用變得對通用知識工作更加好用。因為我們已經在 OpenAI 內部看到，大家自發地開始把它這樣用起來了。

這會是第一步，後面還會有很多步。

Alex：
我昨天和你們一位同事聊 Codex 的時候，他提到有個人在用 Codex 做視頻剪輯：他讓 Codex 幫自己處理視頻，Codex 甚至給 Adobe Premiere 做了一個插件，把視頻分章節，然後開始剪輯。這就是你們要做的方向？

Greg Brockman：
我特別喜歡聽到這種案例。這正是我們希望這個系統能發揮作用的方式。而且很有意思的一點是：Codex 應用本來是為軟體工程師設計的，所以對非程序員來說，它當前的可用性其實並不高。因為在配置過程中，會出現很多小問題。

開發者一看就知道那是什麼意思，也知道怎麼修；我們已經習慣了。但如果你不是開發者，你看到這些就會想：「這是什麼東西？我以前從沒見過。」

可即便如此，我們還是看到很多從來沒寫過程式的人，已經開始拿它來搭網站，或者做你剛才說的那種事——自動化不同軟體之間的互動，從中獲得巨大的槓桿效應。比如我們溝通團隊裡就有人把它接到了 Slack 和郵箱上，讓它去處理大量反饋，並且做出很不錯的歸納和綜合。

所以現在的情況是：那些非常有動力的人，已經願意跨過這些門檻，然後從中獲得很高回報。

某種意義上說，最難的部分我們已經完成了——我們已經做出了一個真正聰明、有能力、能實際完成任務的 AI。

接下來要做的，是那個相對「容易」的部分：讓它變得真正對大眾有用，把這些進入門檻一點點拆掉。

Alex：
那從競爭格局來看，Anthropic 現在也有 Claude 應用，既有聊天機器人，也有 Claude Code。某種程度上，他們也已經有了自己的「超級應用」雛形。

你怎麼看 Anthropic 為什麼更早走到這一步？以及你覺得 OpenAI 追上的可能性有多大？

Greg Brockman：
如果你把時間拨回 12 到 18 個月前，我們其實一直都把「編程」作為一個重點領域，也一直在各種編程競賽這類很「純能力型」的測試裡拿到最好的成績。但我們當時投入得不夠多的一件事，是最後一公里的可用性。

也就是說，我們沒有足夠重視這樣一個問題：AI 已經很聰明了，能解各種高難度編程題，但它從來沒有見過現實世界裡的程式庫——而真實世界的程式庫往往很混亂，遠不像它熟悉的那些「乾淨」環境。

在這一點上，我們當時確實是落後的。但大概從去年年中開始，我們開始非常認真地補這件事。我們專門組建了團隊，去看所有這些缺口在哪裡，真實世界到底有哪些混亂、哪些複雜性，是我們之前沒有真正接觸過的。

比如，怎麼構建訓練數據？怎麼搭訓練環境？讓 AI 真正體驗「做軟體工程」是什麼感覺——被打斷、遇到奇怪的問題、各種非理想情況，等等。

我覺得到了現在，我們已經追上來了。當用戶真正把我們和競爭對手放在一起正面對比時，很多人會更偏向選擇我們。

當然，我們也知道自己在前端體驗上還有差距，這部分我們會補上。但整體來看，這就是我們這段時間的方向：不只是做一個模型，再額外套一個產品殼；而是從一開始就把它當成一個完整產品來思考。在做研究的時候，我們就同時在想：它最終會怎麼被使用？這是 OpenAI 這段時間內部正在發生的一種轉向。

所以我的看法是，我們接下來會有非常強的一波模型升級。光看今年的路線圖，我都覺得很振奮，能做成的事情真的很多。

與此同時，我們也在非常聚焦地補齊最後一公里的可用性。

Alex：
自 2022 年以來，OpenAI 一直像是這個領域裡無可爭議的領跑者。顯然，現在的競爭已經不再只是測試成績上的競爭了。你剛剛自己也用了「我們追上來了」這樣的說法。

公司內部的氛圍是不是也變了？也就是說，現在和過去那種在 ChatGPT 這樣的產品上遙遙領先的感覺不一樣了，而是真的進入了一場正面競爭。

外界的一些報導其實也能看出這種變化——比如公司內部開過會，強調 OpenAI 已經沒有什麼「支線任務」了，所有人都要圍繞這個核心方向集中精力。那現在內部的環境和氛圍，發生了怎樣的變化？

Greg Brockman：
我會說，對我個人來說，OpenAI 最讓我感到不安的時刻，恰恰是在我們發布 ChatGPT 之後。

我記得那時在公司的假日派對上，現場彌漫着一種「我們贏了」的氛圍。我以前從來沒有過那種感覺。當時我的反應是：不對，我們不是這樣的人，我們是那個處於劣勢的一方。

而且我們一直都是。這個領域裡的競爭對手，大多都是已經建立起來的大公司，資金更多、人力更多、數據更多，幾乎所有資源都更充足。

那 OpenAI 為什麼還能參與競爭？某種程度上，答案就在於：我們從不覺得自己可以高枕無憂。我們始終把自己當成挑戰者。

事實上，對我來說，看到市場開始真正呈現出這種競爭格局，看到其他對手也開始出現、並且做得不錯，反而是一件很健康的事。

因為在我看來，你永遠不能把注意力釘死在競爭對手身上。如果你只盯著他們現在在哪裡，那等你走到那裡時，他們早就已經往前走了。

而我覺得，過去一段時間其實是反過來的：很多人一直在盯著我們所處的位置，而我們得以繼續往前推進。這反而給了我們一種內部上的對齊感和統一感。

我前面提到過，過去我們幾乎是把「研究」和「部署」當成兩件分開的事來看待；而現在，我們真正想把它們整合起來。對我來說，這是一件非常美妙的事。

所以我會說，我們現在所處的這個階段，並不是我覺得我們曾經「穩贏」過，或者現在突然陷入危機。你知道的，外界對你的評價，通常不會像他們說得那麼好，也不會像他們說得那麼糟。

我覺得整體上，我們其實一直都很穩定。而在模型研發這件核心事情上，我對我們的路線圖、對我們已經做下去的研究投入，其實是非常有信心的。至於產品端，我覺得我們現在有一種非常好的能量，大家正在聚攏到一起，把這些東西真正交付到世界面前。

Alex：
你前面已經好幾次提到，接下來會有一些很強的新模型。那到底是什麼？

The Information 報道說，你們已經完成了「Spud」的預訓練；而 Sam Altman 也對 OpenAI 內部員工說，幾周之內他們應該就會看到一個非常強的模型。那還是幾周前說的。團隊內部認為，它甚至有可能真正推動經濟加速，事情進展得比很多人預想得還快。

所以，「Spud」到底是什麼？

Greg Brockman：
它是個很好的模型。但我覺得，重點其實不在某一個單獨的模型上。

我們的研發流程大致是這樣的：首先是預訓練，也就是產出一個新的基礎模型，之後所有進一步的改進，都會建立在這個基礎模型之上。而這一步，往往都需要公司內部很多團隊投入巨大的努力。事實上，過去 18 個月裡，我自己大部分時間都花在這裡：主要是圍繞 GPU 基礎設施，支援那些負責訓練框架的團隊，把這些大規模訓練任務真正跑起來。

然後是強化學習階段。也就是讓這個已經學到了大量世界知識的 AI，開始真正運用這些知識。

再接下來是後訓練過程。在這個階段，你會真正告訴它——好，現在你已經知道怎麼解題了，那就去在各種不同情境下練習。

最後，還有一個關於行為與可用性的「最後一公里」階段。

所以，我會把 Spud 看成是一個新的底座、一個新的預訓練模型。而且在它身上，可以說是我們過去大約兩年的研究，開始真正走向結果了。它會非常令人興奮。

我想，外界最終感受到的，會是能力上的整體提升。但對我來說，這從來都不只是某一次單獨發布的問題。因為等這個版本一出來，它其實也只是我們接下來更多進展的一個早期版本。我們還會在這個改進流程的每一個環節上，繼續做得更多。

所以我覺得，我們現在更像是擁有了一台不斷加速的進步引擎，而 Spud 只是這條路上的一個節點而已。

Alex：
那你覺得，它能做到哪些今天的模型還做不到的事？

Greg Brockman：
我覺得，它會既能解決更難的問題，也會變得更細膩。它會更好地理解指令，也會更好地理解上下文。

人們有時候會說一種叫「big model smell」的感覺——意思是，當模型真的更聰明、更有能力時，你是能明顯感覺到的。它會更順著你的意圖走，更貼合你的需求。

當你問一個問題，而 AI 卻沒有真正聽懂你的意思時，那種感覺現在還是很讓人失望。你會忍不住想：這件事你明明應該能自己想明白。

所以我會說，從某種意義上來說，這會是很多「量變」累積起來帶來的「質變」。一方面，各項指標上都會有很多提升；另一方面，也會出現一些全新的場景：以前你會因為 AI 不夠可靠而懶得用它，現在你會不假思索地直接拿來用。

我覺得這會是一次全方位的變化。我尤其期待看到，它會如何繼續抬高能力的上限。我們已經看到它在物理研究這類場景中的表現，我覺得接下來它會能夠解決更多開放式問題、跨越更長時間跨度的問題。

同時，我也很期待看到它如何抬高能力的下限——也就是，不管你想做什麼，它都會比今天更有用得多。

Alex：
但對普通用戶來說，感受到這種變化有時候並不容易。比如 GPT-5 發布之前，外界其實已經有了很多預熱和期待；可它真正出來的時候，公眾最初的反應某種程度上反而有點失望。後來大家才慢慢發現，在某些具體任務上，它其實非常強。

那對接下來這一代模型，你覺得它會主要在某些職業場景裡被明顯感受到，還是說，它會成為一種對所有人都比較直觀、普遍可感的提升？

Greg Brockman：
我覺得故事可能還是會類似。模型發布之後，一定會有人一上手就覺得：這和我以前見過的東西相比，完全是白天和黑夜的區別。但也會有一些應用場景，本來瓶頸就不在「智能」上。那如果你只是把模型變得更聰明，可能在這些地方，用戶未必立刻就能感受到差異。

不過，隨著時間推移，我覺得大家最終都會感受到變化。因為真正發生改變的是：你會在多大程度上開始依賴這個系統。

如果你想想我們現在和 AI 的互動方式，其實每個人腦子裡都有一個關於「它能做什麼」的心理模型。而這個心理模型變化得並不快。通常都是隨著經驗積累，它偶爾替你完成了一件很神奇的事，你才突然意識到：原來它竟然能做到這個，我以前根本沒想到。

比如在醫療資訊獲取這樣的場景裡，我們已經看到了類似情況。我有一個朋友，就是用 ChatGPT 去瞭解自己癌症的不同治療方案。醫生此前已經告訴他，這是晚期，已經沒有什麼辦法可做了。但他用 ChatGPT 去研究了很多不同思路，最後真的因此找到了治療方案。

像這種情況，其實前提是：你得先對 AI 在這個場景裡的幫助能力有某種程度的信任，你才會願意投入那麼多精力去從這個系統裡挖出價值。

所以我覺得，接下來我們會看到的是：在任何類似的應用場景裡，AI 能幫到你的這件事，會變得對所有人都更加顯而易見。

因此，這既是技術本身在變強，也是我們對技術的理解正在變化、正在追上它。

Alex：
也就是說，你會越來越依賴它。在 OpenAI 內部，你們還在開發一個自動化 AI 研究員，據說會在今年秋天推出。那到底是什麼？

AI 已進入「腾飛」早期階段

Greg Brockman：
我覺得，從整體趨勢來看，我們現在正處在這項技術腾飛的早期階段。

Alex：
「腾飛」是什麼意思？

Greg Brockman：
腾飛，指的是 AI 在沿著指數曲線不斷變強。而其中一部分原因在於：我們已經可以用 AI 去幫助我們改進 AI 本身，所以整個研發過程也在加速。

但我覺得，所謂「腾飛」也不僅僅是技術層面的事，它還意味著現實世界影響力的釋放。很多技術的發展都像一條 S 曲線；而如果你把多條 S 曲線放在更長的時間維度上去看，它們最終會匯聚成一種近似指數級的增長。

我覺得我們現在正處在這樣的階段。也就是說，技術本身正在以越來越快的速度推進，這臺進步引擎正在不斷積累動能。

同時，在外部世界裡，也有很多順風因素在形成：晶片開發商正在獲得更多資源投入；大量人在上層做各種應用，嘗試把 AI 嵌入不同場景，尋找它與各種具體需求之間的契合點。

所有這些能量都在不斷累積，共同把 AI 推入一個「腾飛期」，讓它從一種邊緣性的存在，逐漸變成推動經濟增長的主要引擎。

而這件事，並不只是我們這幾面牆之內發生的事情。它關乎整個世界、整個經濟體系，如何一起推動這項技術，以及它的實用性不斷向前發展。

Alex：
那這個「研究員」具體會做什麼？

Greg Brockman：
所謂這個「研究員」，本質上是指：當 AI 能接管的任務比例越來越高之後，我們就應該允許它在更大程度上自主運行。

當然，這背後其實有很多需要仔細思考的地方。它並不意味著：我們把它放出去，讓它自己跑一陣子，過會兒回來看看它有沒有做出什麼好結果。

我覺得，我們依然會非常深度地參與到它的管理之中。就像現在，如果你帶一個初級研究員，你要是把他單獨晾太久，他大概率會走到一條並沒有太多價值的路徑上去。但如果有一個資深研究員，或者說一個真正有方向感的人在帶，他甚至未必要親自掌握所有具體操作技能，也仍然可以對這個人產出的東西持續給出反饋、做審閱，並且提供方向上的引導：我到底希望你完成什麼。

所以我理解中的這個系統，是我們正在構建的一套機制，它會大幅提升我們產出模型的速度，推動新的研究突破出現，也讓這些模型在真實世界裡變得更有用、更好用。而且，這一切都會以越來越快的速度發生。

Alex：
它具體會做什麼？你會不會直接對它說：「去找到 AGI」，然後它就自己去嘗試？

Greg Brockman：
某種程度上，我確實是這麼理解的，至少在第一層意義上是這樣。但如果從更實際的角度說，我會把它理解為：把我們一位研究科學家從頭到尾完整的工作流程，盡可能搬到矽基系統裡去執行。

Alex：
還有一種理解「腾飛」的方式是：AI 的進展會從漸進式提升，變成不斷積累動能，最終演變成一種幾乎無法阻擋的推進過程，朝著比人類更聰明的智能前進。

你會不會擔心，就像事情可能朝好的方向發展一樣，這種進展本身也可能失控、可能走偏？

Greg Brockman：
我覺得，當然會，這是毫無疑問的。我認為，想要獲得這項技術帶來的好處，就必須同時嚴肅地思考它的風險。

如果你看我們在技術開發上的做法，就會發現我們在安全性和防護上投入了很多。一個很好的例子就是 prompt injection（提示注入）攻擊。如果你要做一個非常聰明、能力很強、還接入了大量工具的 AI，那你當然要確保，它不會因為別人給出一條奇怪的指令就被帶偏、被操縱。

這就是我們投入很多精力去做的事，而且我覺得我們已經取得了非常不錯的結果，也有一支非常強的團隊在負責這部分工作。

有趣的是，這裡面有些問題其實可以和人類做類比。人類同樣會受到釣魚攻擊影響，也會被誤導，也可能在不了解完整上下文的情況下做事。

我們會把這些類比帶入自己的研發過程。每當我們發布一個模型、開發一個模型時，我們都會思考：怎麼確保它真正與人類目標保持一致，怎麼確保它確實能夠幫上忙？這是我們非常在意的一件事。

當然，也還有一些更大的問題，涉及整個世界、整個經濟：一切會如何變化？每個人要怎樣才能從這項技術中受益？這些問題並不只是技術問題，也不是 OpenAI 單靠自己就能解決的。但沒錯，我確實會經常思考，不僅要推動技術前進，也要真正確保它能夠帶來與其潛力相匹配的積極影響。

Alex：
問題在於，這看起來像是一場競賽。OpenAI 總部這幾面牆內發生的事，也會被很多開源玩家快速複製。而這些玩家在安全邊界、防護措施上，往往要弱得多。

我記得你以前說過一句話，大意是：創造性的成果，需要很多人把很多事情都做對；但破壞性的結果，可能只需要一個懷有惡意的人。這也是我至少最擔心的地方。因為這顯然是一場競賽，而且進展很快。你的很多同行都說過，如果所有人都同意停下來，他們也願意停。但現在看起來，這場競賽根本沒有減速的跡象。

那這個回報，真的值得承擔這樣的風險嗎？

Greg Brockman：

我認為，這個回報是值得的。但我也覺得，這樣的回答還是太粗了，太一刀切了。

從 OpenAI 創立之初開始，我們一直在問：怎樣的未來才算是一個好的未來？這項技術要怎樣才能真正提升所有人的處境？

你可以把這個問題拆成兩個角度。一種是「中心化」的視角：認為要讓這項技術安全，最好的辦法就是只有一個主體去開發它。這樣一來，就沒有競爭壓力了，你可以慢慢地、謹慎地把事情做對，等準備好了，再決定怎麼把它交付給所有人。這種想法當然可以理解，但某種程度上，它也是一個很難讓人接受的方案。

而另一種路徑，也是我們更傾向的路徑，是從「韌性」出發去思考。也就是說，把它看成一個開放系統：有很多參與者都在推動這項技術發展，但重點不只是技術本身，更在於建設圍繞這項技術而生的社會基礎設施，讓它能夠被更穩妥地承接。

你可以想想電力的發展過程。電力也是由很多不同的人和機構來生產的，它本身同樣有風險和危險性。可與此同時，我們也圍繞它建立起了多層次的安全基礎設施：有電力安全標準，有不同的使用規範，有不同規模下對應的監管方式。到了非常大的規模時，還會有專門的監管要求。很多人都能夠以一種被民主化的方式去使用電力，同時還有檢查員、還有一整套配套系統，圍繞這種技術的特性逐漸建立起來。

而我覺得，AI 也是一樣。我們真正看到的一點是：圍繞 AI，必須有一場廣泛的社會討論。如果這項技術真的會到來，並且改變每一個人的生活，那人們就必須參與進來。它不能只是由某一個中心化的小團體，秘密地推進和決定一切。

所以，對我來說，這始終是一個非常核心的問題：這項技術到底應該以什麼樣的方式展開？而我們真正相信的，就是這樣一個圍繞技術發展逐漸形成的「韌性生態系統」。

Alex：
所以你的意思是，我們現在正處在「腾飛」的過程中，而我們所有人其實都已經身處其中。英偉達 CEO 黃仁勳最近說，他認為 AGI 已經實現了。你同意嗎？

Greg Brockman：
我覺得，AGI 對不同的人來說有不同的定義。而且確實會有不少人認為，我們今天手裡的技術就已經算是 AGI 了。

這件事可以爭論。但我覺得，真正有趣的地方在於：我們現在擁有的技術，其實仍然是非常「不平滑」的、帶有明顯斷層感的。

在很多任務上，比如寫程式之類的事情，它已經絕對是超人的了。AI 就是能做到，而且它確實大幅降低了創造東西時的摩擦。但與此同時，也還有一些非常基礎的事情，是人類能輕鬆做到、而 AI 仍然會吃力的。

所以你到底把分界線畫在哪裡？某種程度上，這更像是一種「感覺」，一種氛圍判斷，而不是一個在此刻可以被嚴格科學定義的問題。

所以對我自己來說，我覺得我們顯然正在經歷那個時刻。如果你五年前把今天的這些系統展示給我看，我會說：對，這就是我們當時說的那種東西。只是現實長出來的樣子，和我們當初想象的非常不一樣。它和我們曾經設想的任何形式都不太一樣。

所以我覺得，我們需要相應地調整自己的心智模型。

Alex：
所以你的意思是，還沒到？

Greg Brockman：
我會說，大概已經到了 70%、80% 吧。所以我覺得我們其實已經非常接近了。

而且我認為，有一件事已經極其清楚：在接下來的幾年裡，我們一定會迎來 AGI。它的表現可能仍然會有些「鋸齒狀」，不會是全面平滑、處處完美的。但它能完成任務的下限會被抬得非常高——幾乎對於任何需要你在電腦上完成的智力任務，AI 都能做。

所以現在我必須給出一個稍微帶點不確定性的回答，因為這裡面確實有點像某種「不確定性原理」——你可以從不同定義去爭論它。但按照我個人的定義，我覺得我們已經幾乎到了。再往前邁一點點，就絕對到了。

關鍵轉折：從 20% 到 80% 的工作接管

Alex：

2025 年 12 月到底發生了什麼。因為那看起來像是一個轉折點，「讓機器不受打斷地連續寫幾個小時的程式碼」這件事，似乎突然從一個理論想法，變成了所有人都開始說：「我覺得我可以信任它，讓它自己繼續跑一陣子。」

所以那時候到底發生了什麼？

Greg Brockman：
當時的新模型釋出之後，AI 能完成的任務比例，大概是從你工作中的 20%，一下子提升到了 80%。這是一個極其巨大的轉變。因為它不再只是「一個挺不錯的小工具」，而是變成了：你必須圍繞這些 AI 重新組織自己的工作流。

對我個人來說，我也有一個非常典型的體感時刻。這些年來，我一直有一個測試提示詞：讓 AI 為我搭一個網站。這個網站其實是我當年學編程時親手做過的，花了我幾個月時間。

而到了 2025 年的時候，這件事大概還是需要花四個小時、來回好幾輪提示，才能做得比較像樣。但到 12 月的時候，我只問了一次，AI 一次就做出來了，而且做得很好。

Alex：
那這些模型是怎麼完成這種躍遷的？

Greg Brockman：
很大一部分原因，是基礎模型本身變得更強了。OpenAI 一直在持續提升自己的預訓練技術。而在那個時間點上，我們第一次稍微看到了一點：今年餘下時間裡將會發生什麼。但與此同時，它也不只是某一個單點突破的問題。更準確地說，是我們在所有創新維度上都在持續推進。

這些模型很有趣的一點是：某種意義上，你會感覺到它們出現了一次次「跳變」；但從另一個角度看，一切其實又是連續演化的。它並不是突然從 0% 跳到 80%，而是從 20% 提升到 80%。所以某種程度上，你也可以說，它只是變得更好了而已。

而且我覺得，這種進步其實在我們後續的每一個小版本更新裡都還在繼續。比如從 5.2 到 5.3，我有一位合作很緊密的工程師，原本他完全沒法讓模型去做他負責的那種底層、硬核的系統工程工作；但到了新版本之後，模型已經可以接過他的設計文檔，真正去實現、加上指標監控和可觀測性、跑 profiler 做性能分析，再持續優化，最後做到他原本希望自己親手交付出來的那個結果。

所以我會說，這更像是一種「緩慢推進，然後突然到處都變了」的過程。但這一切，其實都已經由當下正在起作用的能力預示出來了。最遲一年之內，很多事情，有些甚至會快得多，都會變得極其可靠。

Alex：
這是不是也讓你自己感到意外？因為我記得不久前你在一次採訪裡還說過，Codex 這種自動編程工具，本來只是給軟體開發者用的。可在今天這場對話更早的時候，你又說，其實所有人都可以使用這類工具。

那是什麼讓你改變了看法？

Greg Brockman：
我之前其實一直把 Codex 放在「寫程式碼」這個框架裡來理解。畢竟它名字裡就有 code，很自然會把它看成是給程式設計師用的工具。而且在 OpenAI 內部，很多人本身就是軟體工程師，我們是在為自己造工具，所以按這種方式去想，也非常自然。

但隨著這項技術不斷進步，我們開始意識到一件事：我們真正做出來的底層技術，其實大部分根本不是關於「程式碼」的，它本質上是關於「解決問題」的。

它的核心，是管理上下文、搭建執行框架，並思考 AI 應該如何接入現實工作、如何真正把事情做完。而這件事一旦成立，哪怕是在編程場景裡，突然之間也意味著任何人都能獲得這種能力。因為你真正擁有的是一個可以替你執行工作的系統。只要你有一個願景，有一個想完成的目標，你能把自己的意圖描述清楚，AI 就可以去執行，可以把事情做出來。

但這也會讓你開始反問，為什麼我只盯著「非編程」或「編程」這種劃分？其實還有大量工作，本質上都只是某種機械性技能。比如 Excel 表格、比如做簡報。這些事如果 AI 已經擁有足夠的上下文，也具備足夠的原始智能，它現在其實已經可以做得很好了。

所以，如果我們只是把它變得更容易接近、對人更友好，那它就會從「Codex 是給程序員的」，一下子變成「Codex 是給所有人的」。

Alex：
而在我們看到這波明顯進步之後，矽谷很快又出現了另一個幾乎悄無聲息的現象，就是 Open Claw，對吧？或者更廣義一點說，是整個技術圈開始以一種你剛才提到的方式去信任 AI——比如把桌面控制權交給一個 AI 機器人，或者弄一台 Mac mini，把郵件、日曆、檔案這些權限都給它，然後就讓它某種程度上「接管生活」。

後來 OpenAI 又把 Open Claw 的創始人招進了公司。所以你能不能多講一點這種「幫助你管理生活」的 AI？把 Open Claw 團隊招進來，背後對應的就是這樣一種願景嗎？

Greg Brockman：
我會說，這項技術最核心的一點在於：弄清楚它到底該如何變得有用，人們到底想怎麼使用它，智能體的願景究竟是什麼，它會以什麼方式進入人們的生活——這些本身都是很難的問題。

而我在這幾代技術演進中反覆看到的一件事是：那些真正願意深度投入、充滿好奇心、又有強烈想象力的人，這本身就是一種非常真實的能力，而且會成為新經濟裡越來越有價值的一種能力。

Open Claw 的創始人 Peter，在我看來就是這樣的人，他有非常強的想象力，也有極強的創造衝動。所以從某種程度上說，這件事和某項具體技術有關；但從另一種程度上說，它又根本不只是技術問題。它真正關乎的是：我們怎樣把這些能力嵌進人們的生活裡，找到它們真正落位的地方。

所以，作為一個技術人，這當然令人興奮；但作為一個真正關心如何把實用價值交付給用戶的人，我們現在也在這件事上加大投入，投入得非常多。

Alex：
你最近關於這件事有一句挺有意思的話。你說，當你開始讓這些自治 AI 智能體替你工作時，你會變成「成千上萬個智能體組成的艦隊的 CEO」，它們在替你完成你的目標、願景和任務，而你自己不再深陷於各種具體問題是怎麼被解決的細節裡。

但你也說，從某種意義上講，這種新的工作方式會讓人感覺自己正在失去對問題本身的「脈搏感」。

Greg Brockman：
這到底是不是一件好事？我覺得，它是一個利弊並存的東西。

所以我認為，我們要做的是，一方面承認這些工具真正能帶來的力量，另一方面也要盡量緩解它們帶來的弱點。比如說，賦予人更大的槓桿、讓人擁有更大的行動能力——如果你有一個願景，有一件想完成的事，那你就可以調動一整支智能體艦隊替你去做，這當然是很強大的。

但如果你想想這個世界的運行方式，到最後一定還是有一個需要負責的人。假設你在做一個網站，而你的智能體把事情搞砸了，最終影響到了用戶，那嚴格來說，這並不是智能體的錯，而是你的錯。所以你必須在意這件事。

我覺得，任何想真正使用這些工具的人，都必須認識到：人的能動性、人的責任，是整個系統的核心組成部分。人如何使用 AI，這件事本身就是非常根本的。

所以我覺得最重要的一點是：作為這些智能體的使用者——我們在 OpenAI 內部也是這樣——你不能放棄責任。你不能只是說：「AI 會自己把事情做好。」

Alex：
當然。但你剛才說的是「感覺自己正在失去對問題的脈搏感」，這和「責任」好像又不是一回事。

Greg Brockman：
對我來說，這兩者其實是連在一起的。因為重點就在於：如果你是 CEO，但你離細節太遠了——比如你在帶一個團隊、在運營一家公司，卻已經失去了對一線狀態的感知，那通常不會導向什麼好結果。所以我剛才想表達的，不是說「人類終於可以什麼都不用知道了」是一件值得追求的事。

當然，有些細節確實可以被放心交出去。就像你找一個總承包商幫你蓋房子，有一大堆細節你大概不需要親自去盯，因為你信任對方會處理好。但歸根結底，如果某些關鍵細節出了問題，你還是應該在意，也還是應該知道。

所以這裡有一個非常重要的細微差別：你不能只是盲目地說，「我願意失去那種對問題的把握感」。相反，我們應該主動地說：我還是需要保有這種感知，去真正理解系統的強項和弱點。

而當你開始從一些更低層、更機械性的事務中抽離出來時，你之所以能這麼做，應該是因為你已經與這個系統建立起了信任，確認它確實會把事情做好。

Alex：
關於模型，我最後再問一個問題。你剛才提到了一點模型演進的路徑：從預訓練，到微調，再到強化學習，讓它更擅長一步一步地解決問題，並且能夠去互聯網上執行任務。

而現在我們已經進入了這樣一個階段：模型通過這個過程學會了使用工具。如果我沒理解錯的話，接下來這條演進路徑的下一步會是什麼？

Greg Brockman：
我覺得，我們現在所處的世界，是機器能力不斷加深、不斷擴展的世界。這裡面一部分當然和工具使用有關，但與此同時，我們也需要真正把「工具」本身做得足夠好。比如說，如果 AI 已經能進行「電腦操作」，可以像人一樣使用桌面系統，那從原則上講，它就已經能做任何你能做的事情。

但與此同時，我們也必須為機器補上很多基礎設施層面的東西。比如，在企業環境裡，身份認證和權限管理怎麼做？審計軌跡和可觀測性怎麼做？要追上模型底層能力的發展，還有大量配套技術需要被建出來。

而從整體方向上看，我覺得接下來會包括像「非常自然的語音界面」這樣的東西。也就是說，你可以像現在這樣自然地和電腦對話，它能真正聽懂你，完成你需要它做的事，也能給出有價值的建議。

比如說，它會主動提醒你：你一直在推進的某件事現在卡住了，問題出在這裡。或者你早上醒來時，它會對你說：這是你的每日簡報，昨晚你的那些智能體一共推進了多少工作。

也許它甚至已經在替你經營一門生意了——我認為這會是這項技術的一個巨大應用場景。創業的民主化，絕對會發生。它會告訴你：這些地方出了問題；有一位客戶現在很不滿意，而且他想和一個真人聊一聊，你最好親自去處理一下。這些事，都會發生。

然後，我覺得下一個階段還包括：人類能夠挑戰的目標上限，也會被這項技術繼續抬高。我們現在其實已經看到了這個趨勢的前沿。最讓我興奮的一點，幾乎可以拿 AlphaGo 的第 37 手來類比——那一步棋是人類從來不會下出來的，它帶有創造性，而且改變了很多人對這項遊戲的理解。

這種事情會在每個領域中發生。它會發生在科學、數學、物理、化學中；會發生在材料科學、生物學、醫療、藥物發現中；甚至也可能發生在文學、詩歌，以及許多其他領域。它會以我們今天還無法想象的方式，解鎖人類在創造性理解和構思上的新空間。

Alex：
但如果模型已經像你說的這麼強大，為什麼這件事直到現在還沒有真正發生？

Greg Brockman：
我覺得，這裡面存在一個「能力滯後差」——也就是模型真正具備的能力，和人們實際在怎麼使用它之間，還有很大距離。某種程度上說，我們對模型裡到底「裝著什麼」的理解，本身還在逐漸形成。

所以我認為，即便從現在開始技術不再繼續進步，世界也依然會發生一次巨大的變化——由計算驅動、由 AI 驅動的經濟，仍然會到來。

但同時，還有另一層原因：我們現在最擅長的，其實是把模型訓練在那些「可以被衡量」的任務上。所以一開始，我們從數學題、編程題起步，因為這些任務有非常明確的驗證者：答案對不對，可以非常清楚地判斷。而過去這段時間裡，我們之所以能把模型逐漸帶向更開放式的問題，靠的也是不斷擴大「什麼東西可以被驗證、被評估」的範圍。

而 AI 本身其實也可以幫助完成這件事。如果 AI 足夠聰明、足夠理解任務，你給它一個評估標準，它就能逐步學習。但像創意寫作這樣的任務，比如「這首詩寫得好不好」，就很難打分。

因此，我們過去在這類場景中，確實比較難讓 AI 通過不斷嘗試和反饋來真正學會。不過這一切都正在改變，而我們對接下來的路徑也已經看得相當清楚了。

Alex：
這倒挺有趣的。Peter Thiel 之前說過一句話，大意是：如果你是一個擅長數學的人，那在這些模型面前，你受到的衝擊可能反而比「擅長文字的人」更大。而你當年也是 Math Club 的成員。你不會擔心這件事嗎？

Greg Brockman：
我覺得，人總是更容易看見自己失去了什麼，而不是看見自己得到了什麼。因為我們對「我以前是怎麼做這件事的」有很深的體驗。比如我以前參加數學競賽，現在 AI 也能做數學競賽了。但問題在於，這件事從來就不真正關乎「數學競賽」本身，對吧？那並不是推動人類前進的核心東西。

如果你看看我們現在的工作方式——坐在一個盒子前面，對著另一個盒子打字——一百年前我們不是這樣生活的。這不是一種自然狀態，也不是我們被捲入的這個數字世界真正應有的樣子。

那不是「做人」最本質的部分。真正重要的，是在場、是活在當下、是和其他人建立連接。

而我認為，我們即將看到的是：AI 會釋放出大量時間，讓人類有更多機會去加強彼此之間的連接，去建立更多人與人之間的紐帶。

這一點讓我非常興奮。

Alex：
好。那當你們進一步轉向這些更具 agent 特徵的應用場景時，外界也開始討論一個問題：未來是否還需要繼續做那麼大的訓練任務？

尤其是，當模型已經足夠好之後，你似乎可以讓它直接進入真實世界，然後在很多並不依賴預訓練的環節裡，獲得很大一部分提升。而那些真正需要超大數據中心支撐的，其實主要還是預訓練。

你一直都在負責擴展規模、推動這件事。你怎麼看這種說法？

Greg Brockman：
我覺得，這種說法忽略了技術演進中非常重要的一點。確實，模型生產流水線上的每一個環節，都會相互放大彼此的效果。所以你會希望所有環節都變得更強。

我們看到的是：一旦預訓練變得更強，後面的每一個步驟都會容易得多。這其實很合理。因為模型一開始就更有能力了，所以它學得更快；它在嘗試不同思路、從自己的錯誤中學習時，也會因為底子更強而推進得更快，犯的錯更少。

所以，真正大的變化並不是說，我們從「訓練一個純粹封閉、自我推演的理性系統」，變成「只讓它去真實世界裡試錯」。而是我們意識到，不僅要把模型本身做大、做強，也要讓它去嘗試事情，要理解人們在現實世界裡是怎麼使用它的，並把這些使用反饋重新接入訓練過程裡。但這並不會削弱繼續推進那部分研究的價值，也不會削弱它的重要性。

我覺得還有一個變化是：過去我們主要關注預訓練階段原始能力的提升，但沒有那麼重視推理階段、或者說推論階段（inference）的能力。而在過去 24 個月裡，一個很大的轉變就是，我們開始意識到這兩者之間需要平衡。

也就是說，你可以擁有一個底座能力非常強的模型，但它也必須在推論和實際運行時足夠高效。因為你要做強化學習，要把它真正部署到現實世界裡，這些都要求它具備很強的推論效率。

這也意味著，你不一定會把訓練規模推到理論上能推到的最大，因為你還必須考慮到後續的大量使用場景。

你真正想要的是：在智能水平與成本之間，乘積最優的那個點。而不是只優化其中一個維度。

Alex：
如果未來主要轉向 inference，你們是不是就不再那麼需要 Nvidia 的 GPU 了？

Greg Brockman：
我們當然還是非常需要。

Alex：
為什麼？

Greg Brockman：
原因有很多。

其中一個是：無論訓練和推論之間的比例怎麼變化，超大規模訓練這件事，仍然只能通過把海量算力集中到一個問題上來完成，而這件事目前沒有別的替代方式。

所以我覺得未來更可能發生的情況是：部署側的算力占比會大幅上升；但與此同時，仍然會有一些時刻，你要進行某一輪特別巨大的預訓練任務，那時你還是需要把大量算力集中起來。

而且我也覺得，Nvidia 的團隊真的非常出色，他們做的工作非常驚人。所以，是的，我們和他們合作得非常緊密。

Alex：
那會不會有一天，人們開始說：「我們已經預訓練得夠多了，模型已經足夠聰明了」？

Greg Brockman：
我覺得，這有點像是在說：等到人類把眼前所有問題都解決完了，也許我們就可以這麼說了。但我認為，我們想實現的事情，它的上限其實高得多。

過去 50 年裡，某種程度上，我們對很多目標的野心其實是退縮了的。比如說，有些問題看起來就非常明確——我們能不能讓所有人都擁有醫療保障？而且不只是「出了問題再治療」，而是真正做到預防式醫療，去關注生活方式，盡早幫助人們，在疾病發生之前就發現潛在風險。這類問題，我認為我們其實是可以借助更智能的模型去真正解決的。

當然，也許存在某個層級，在那個層級上，這個問題已經被徹底解決了，那時你可能會問：我還需要一個聰明兩倍的模型嗎？但與此同時，也一定會有其他問題要求更高層級的智能。

算力不是成本，而是收入引擎

Alex：
我們來聊聊建這些數據中心背後的數字。你們今年早些時候融資了 1100 億美元。這裡面的數學是怎麼成立的？這筆錢會直接投向數據中心嗎？你們又是怎麼考慮未來如何把這筆錢回報給投資人的？聊聊這些計算邏輯。

Greg Brockman：
我覺得，這件事本質上非常簡單：我們眼前最大的支出，就是算力。但你不能把算力只看成成本中心，它更像是收入中心。

你可以把它想象成招聘銷售團隊。你願意雇多少銷售？只要你的產品賣得出去，只要你有一套可以規模化銷售這個產品的機制，那麼你雇的銷售越多，收入就越高。

而我們現在所處的世界就是，我們一再發現，我們根本沒法把算力建得足夠快，來跟上需求的增長。這一點，我現在就能非常具體地感受到。我們不得不做出非常痛苦的決定：哪些功能能上線，哪些功能暫時不能；算力優先給哪裡，不給哪裡。

而我認為，隨著整個經濟向 AI 驅動型經濟轉變，這種情況會在更廣泛的層面上出現。

未來真正的問題會變成：哪些問題能獲得那種海量算力？你要怎麼擴展，才能讓每個人都擁有一個屬於自己的個人智能體？怎麼讓所有人都用上像 Codex 這樣的系統？

現在這個世界上，根本就沒有足夠的算力去支撐這些事情。所以我們是在提前為這個問題做準備。

Alex：
但這畢竟是一個全新的類別，對吧？而且你們是在用一種非常強的確定性去下注——金額之大，幾乎是世界從未見過的。當你在創造一個新類別時，你怎麼能如此確定它最終會成立？

Greg Brockman：
我覺得，這裡面有幾個組成部分。

第一，現在其實已經有歷史先例了。從 ChatGPT 發布那一刻起，我就記得自己和團隊有過一段非常明確的對話。有人問我：我們應該買多少算力？我說：全部。別人又問：不是，認真說，到底買多少？我說：無論我們怎麼建設，我都知道我們不可能跟上需求。

而從那之後的每一年，事實都證明了這一點。問題在於，這類算力採購通常都要提前 18 個月鎖定，有時候是 24 個月，甚至更久。也就是說，在機器真正交付之前，你就必須先做出判斷。這意味著你必須非常強地向前預測。

而我們正在走向的那個世界是：到目前為止，我們的大部分收入仍然來自消費者訂閱，這一塊未來也仍然會非常重要。當然，我們也在形成其他收入來源。

但現在正在浮現出來的、更大的機會，是知識工作。

而這一點，我們已經在非常具體地看到：幾乎每一家企業都開始意識到，這項技術是真的有用，而且如果它們想保持競爭力，就必須採用它。你能看到那種非常自然的動力，大量軟體工程師已經在用它了；然後現在又開始出現更廣泛的擴散，人們在企業內部把它用到各種知識工作場景裡。而這個行業裡已經出現的付費意願、以及你看到的收入增長，都是非常明確的。

這件事現在就正在發生。你只需要把它向前推演。而我們可能比外界多看到的一點是：我們能更清楚地看到這些模型接下來還會如何進步。

把這些因素放在一起，你就會發現：這個經濟體本身是一個極其龐大的東西，大到幾乎難以想象。而從今往後，這個經濟體增長的最高位因素，會是 AI——你能多好地利用 AI，以及你手裡擁有多少算力來驅動它。

Alex：
你剛才說，消費者訂閱目前還是你們最大的收入來源。那你們的判斷是不是，未來這件事會反過來，企業會成為最大的收入來源？

Greg Brockman：
我覺得，現在已經非常清楚地能看到，這個「企業端」正在快速增長。當然，「企業端」這個詞本身也在變化。因為它真正指向的，其實是：人們在生產性的知識工作中使用 AI。

而從定價方式來看，我覺得分類未必會像過去那樣清晰。比如現在 Codex 的使用方式就是：如果你有 ChatGPT 的消費者訂閱，你其實就已經能使用 Codex。

所以我不覺得未來會是那種特別泾渭分明的 B 端、C 端區分。更可能的情況是：作為用戶的你，會擁有一個統一的入口——就像你的筆記本電腦一樣，它是你進入數位世界的門戶。

而真正的收入，本質上也會來自這裡。

Alex：
Dario 說過一句話，我覺得他可能是在說你們：有些玩家把風險刻度拉得太高了，而他對此非常擔憂。我想他指的就是你們在基礎設施上的大規模押注。你怎麼看這種說法？

Greg Brockman：
我不同意。我覺得，我們一直都非常審慎，而且我們確實看到了接下來會發生什麼。我認為，就算只看今年，所有真正參與進來的人，都會感受到「算力受限」這件事。

而我覺得，我們只是比其他人更早意識到了這一點，更早開始為這項技術將如何展開做準備。

我看到的情況反而是：其他很多參與者大概是到了去年年底才意識到這件事，於是開始慌忙去找算力；但那時其實已經幾乎沒有算力可買了。

所以我覺得，這種話說出來很容易。但現實是，大家現在都已經意識到：這項技術是可行的，它已經來了，它是真的。軟體工程只是第一個清晰的例子而已。

而真正限制我們的，就是可用的計算能力。

Alex：
他還說過，如果他的預測只要偏差一點點，他的公司就有可能破產。你們也面臨同樣的風險嗎？

Greg Brockman：
我覺得，這裡面其實有更多「下車口」。如果你開始認真思考下行情形——而我覺得這完全是合理的問題——那你會發現，某種程度上，這個賭注本來就不是押在某一家公司身上的。

它真正押的是整個行業。押的是：你是否相信，這項技術能夠被做出來，並且能夠交付我們眼前所看到的這巨大價值。

我還是會回到那些最直接的證明點。比如軟體工程——如果你不是軟體工程師、沒有真正用過 Codex，那很難通過閱讀去理解這種體驗到底有多不一樣。那種差異其實很難描述。但我覺得，人們很快就會真正感受到。

六個月前，這種體感更多還只發生在我們內部；後來，外部也開始有了明顯的證明點。而再過六個月，我覺得每個人都會感受到。而到那時，我們所有人都會感受到另一種痛感：有很棒的模型出現了，但你根本用不上，因為世界上沒有足夠的算力。

Alex：
是，但我們在節目裡做 2026 年預測的時候，去年年底有一場討論，Ranjan Roy 當時也在，他說 2026 會是「人人都在使用智能體」的一年。而我當時的反應是：等我親眼看到、自己也真的開始用上智能體時，我才會相信。

Greg Brockman：
那現在，我們不就已經到了這個時刻嗎？你現在會拿它做什麼？

Alex：
我會用它在內部搭一些工具，幫助和我一起工作的人更好地同步視訊什麼時候上線、縮略圖應該怎麼做之類的事情。我還會把 YouTube 上的一些數據接進來，這樣我們就能根據縮略圖等因素，對視訊表現進行排序分析。某種程度上，這是一套我自己定製出來的軟體，而如果按傳統方式，我大概率根本不會花錢去買。

我覺得這正是當下很有意思的一點：軟體本來是面向大眾規模化生產的，但也正因為如此，它裡面總會有很多地方並不是為你而做的。而也許 AI 帶來的變化，就是它讓我們終於可以用一種更自然的方式和軟體打交道。

Greg Brockman：
我覺得，這正是關鍵所在。而且我一直反覆在想的一件事是：我們今天構建電腦的方式，實際上把我們拉進了一個數位世界裡。

你想想自己花了多少時間在手機上不停刷內容。再想想你花了多少時間在不停點各種按鈕，想辦法把這個系統連到那個系統上——為什麼這些事非得由你自己來做？AI 真正應該做的，是把機器拉近到你身邊，讓它更貼合你、更理解你想完成什麼。

我們的流行文化裡一直都有這種想像：你可以直接和電腦說話，然後它替你把事辦了。而現在，這件事開始變成現實了，開始真的變成一種你可以做到的事情。而這種變化到底有多驚人，很多時候你必須親自試過，才能真正理解。所以我確實覺得，我們正處在一個非常特別的時刻。

Alex：
那我想知道，為什麼 AI 在公眾中的觀感會這麼差？比如 YouGov 的數據就顯示，認為 AI 會給社會帶來負面影響的美國人，是認為它會帶來正面影響人數的三倍。

你覺得背後的原因是什麼？你會擔心 AI 的公眾形象嗎？

Greg Brockman：
我認為，有一件事是我們必須真正做到的：讓這個國家的人看到，AI 為什麼對他們是有益的。而且不只是從宏觀經濟層面、不是只說它會帶動 GDP 增長之類的大詞，而是：它到底怎樣具體改善他們的生活。

實際上，我每天都會聽到很多非常具體的故事。比如有一個家庭，他們的孩子一直頭疼，也有一些其他健康問題，但 MRI 檢查一直沒有獲批。後來他們用 ChatGPT 去研究症狀，意識到自己其實可以據此向保險公司提出一個更有力的申請理由。他們這麼做了，結果發現孩子腦子裡真的有腫瘤。也正因為他們通過 ChatGPT 獲取到了正確的資訊，最後孩子的命被救了下來。

這只是一個故事。類似的故事還有很多很多。人們的生活被這項技術深刻地改善，甚至被它救了一命。關鍵就在於，他們真的在現實中與這項技術建立了合作關係。

但我覺得，這樣的故事其實並沒有真正傳出去。我認為，這種事情正在很多人的生活裡發生，但不知為什麼，它還沒有真正變成主流敘事。

我還注意到，流行文化，尤其是從上世紀 90 年代延續下來的那套想象，對 AI 非常負面，總是在強調它可能出什麼問題。可一旦人們真的開始使用 AI，他們會發現它是有實用價值的，是有幫助的。

所以我確實非常在意這樣一件事：我們還沒有真正成功地幫助人們理解，這一輪技術浪潮為什麼會改善他們的生活，為什麼會促進人類之間更緊密的連結。

這件事在我心裡，是一個非常重要的關注點。而且如果你再把視角放大一點，去看 AI 為什麼如此重要，我覺得它未來會成為經濟實力和國家安全的重要來源。它會關係到一個國家的競爭力。而像中國這樣的其他國家，在 AI 上呈現出的方向感幾乎是完全相反的。

所以，是的，我覺得這件事非常重要。我們必須正視它，也必須真正想清楚，怎樣讓所有人都能分享到這項技術帶來的好處。

Alex：
但我們現在也處在一個極不穩定的時刻。大家很擔心工作。每次我跟別人聊 AI，他們幾乎都會問：我的工作還能保住多久？

然後再說數據中心，公眾對它的觀感甚至比對 AI 本身還差。你看這些民調會發現，更多人認為數據中心會對環境、家庭能源成本，以及周邊居民生活質量帶來負面影響，而不是正面影響。

所以我們現在處在這樣一個時刻，好工作本來就越來越難找，而人們又看到資料中心進入自己的社區，於是覺得這東西既不環保，也會推高能源成本，還會降低生活質量。

他們錯了嗎？

Greg Brockman：
我覺得，圍繞資料中心，確實存在很多錯誤訊息。

一個很典型的例子就是用水問題。如果你真的去看我們在阿比林（Abilene）的設施，那是世界上規模最大、或者至少是最大之一的超級計算機設施，它一整年的用水量，其實只相當於一個普通家庭一年的用水量。也就是說，用水量其實微乎其微。

但外界有很多錯誤訊息，讓人以為這些資料中心會消耗大量水資源。

電力也是類似的情況。我們已經承諾，會自行承擔成本，不把電價上漲的壓力轉嫁給居民。這一點很重要，現在整個行業也都開始做出類似承諾，因為改善本地社區這件事確實非常重要。而當我們建設資料中心時，我們也會真正進入這些本地社區，了解當地發生了什麼、我們能做什麼來幫助當地。資料中心會帶來稅收，也會創造就業。它確實會帶來很多好處。

所以我覺得，關鍵還是在於我們以什麼方式出現，而這正是我們非常認真對待的一項責任。

Alex：
好，但如果居民電費不上漲，那你們總得把電接進來，而這就可能意味著更多污染。這難道不是一個問題嗎？

Greg Brockman：
我覺得，這裡面其實有很多更細的層次。

如果你看今天電網的運行方式，會發現其實存在大量「閑置電力」——也就是說，很多電力本來就在那裡，卻沒有被真正利用。與此同時，輸電系統本身也需要升級。而且，關鍵在於，這些升級成本應該由我們來承擔，而不是由普通繳費使用者來承擔，這一點非常重要。還有很多地方，本身就有清潔能源，但這些電力實際上沒有被充分利用，甚至某種程度上被白白浪費掉了。

所以，當資料中心的需求進入之後，反而會帶來一種真實的動力，推動那些已經老化、過時的電網去升級。而這種升級，其實也會給社區帶來真實收益。比如在北達科他州，我們就看到，當地的資料中心建設反而幫助改善了公用事業基礎設施，結果居民電價還下降了。

Alex：
好，最後一個政治問題。你給 MAGA Inc. 捐了 2500 萬美元，這是一個支持特朗普的政治行動委員會。

Greg Brockman：
你之前也和 Kara 聊過這件事。

注：Kara Swisher，美國知名科技記者，長期報導矽谷與互聯網公司，以提問犀利、風格直接著稱。

Alex：
對。你當時說：「任何有助於讓這項技術真正惠及所有人的事，我都會去做。」如果這讓你成了一個「單議題選民」或者「單議題捐款人」也無所謂。但我一直在想的是：對於這種「單議題陣營」來說，歸根結底，難道不應該是「讓這個國家變得更強」本身，才是任何政治行動最核心的北極星嗎？

也就是說，即便某個候選人並不是百分之百支持你正在做的事，但如果他能讓這個國家更強，那是不是也應該成為政治支持的重要標準？如果是這樣的話，這也是你捐款考量的一部分嗎？

Greg Brockman：
我是這樣看的：那筆捐款是我和我妻子一起做出的決定。我們也向兩黨陣營的超級政治行動委員會都捐過款。

我覺得，這項技術來得非常快。未來幾年裡，它真的會改變一切，會成為整個經濟的底層支撐。但它現在並不受歡迎。所以我們非常希望去支持那些真正願意擁抱這項技術、認真理解這項技術的政治人物。

當然，從更大的層面講，這項技術本身也確實是在提升我們這個國家的能力。某種意義上，我確實是一個「單議題選民」，因為我覺得這是我最能做出獨特貢獻的領域。但歸根結底，這件事還是在表達一種支持：作為一個國家，我們應該主動擁抱這項技術。

未來的核心能力：不是使用 AI，而是「管理 AI」

Alex：
如果現在有一個對 AI 很害怕的人坐在你面前，他會覺得 AI 會搶走我的工作、會毀壞我的社區、會讓世界變化得太快，你會對他說什麼？

Greg Brockman：
我最想說的一點是：去親自試試這些工具。因為只有真正體驗過當下已經存在的 AI，你才會真正明白，它到底能為你做什麼。

而我們今天已經看到了太多來自這項技術的機會、潛力和賦能。你剛才也說了你現在能拿它做什麼，對吧？以前從來沒做過網站的人，現在可以做網站了；如果你想做一門小生意，過去你可能會被各種後台流程、運營細節嚇住，但現在 AI 已經可以幫你處理很多這類事情。

所以我覺得，對你自己的生活來說，你應該去想：它能不能幫助你管理健康？能不能幫助你照顧你愛的人？能不能幫你賺錢？能不能幫你省錢？這些都會是現實選項。

我覺得，人總是更容易看到「什麼會改變」，卻不那麼容易看到「自己會獲得什麼」。但我認為，值得給它一個公平的機會，認真去理解天平兩端到底各自是什麼。

Alex：
順便說一句，這也是民調裡很少被討論的一點。那些只是「聽說過 AI」但自己從沒真正用過的人，或者幾乎沒怎麼用過 AI 的人，往往會更負面。而一旦你進入重度使用者，甚至只是普通使用者的群體，他們對這項技術的看法通常就會積極得多。

Greg Brockman：
對我自己來說，我們已經思考這項技術很多年了。而現在我看到的現實展開方式，比我們曾經想象的還要更驚人、更有益，也會帶來比我們預期更積極得多的影響。

Alex：
最後一個問題。如果有人問你：我該怎麼為未來做準備？那你會怎麼回答？

而且這個回答不能只是「去用工具」。因為我身邊真的有朋友來問我：「我不知道我的工作會怎麼樣，不知道這個世界會怎麼樣，我只想知道現在到底該怎麼做。」

Greg Brockman：
我還是覺得，第一件事就是去理解這項技術。我們已經看到，真正從這項技術裡得到最多的人，往往是那些帶着好奇心去接近它的人。他們會真的把它放進自己的工作流裡嘗試，會努力跨過最開始那道門檻——也就是面對一個空白輸入框時，那種「我到底該拿它做什麼」的茫然感。

你要逐漸培養出一種能動感：我可以做管理者；我可以設定方向；我可以委派任務；我可以做監督。而且要真正把這種能力發展出來，因為這會成為一個非常基礎的能力。

我們打造這項技術，本來就是為了幫助人類、促進更多人類之間的連接，讓人們有更多時間去做自己真正想做的事。所以問題最終會變成：你到底想要什麼？而真正重要的，是把這件事想清楚，並借助這項技術去實現它。

Alex：
沒錯。非常感謝你來到節目。

Greg Brockman：

謝謝邀請。

Alex：
也感謝大家收聽和觀看，我們下期《Big Technology Podcast》再見。

[視頻鏈接]