“去年年中，我们就开始补课了！”
“过去两年，最大的变化不是模型本身，而是 harness！”
“去年12月开始，编程变得不再重要了！”
就在今天一早，OpenAI 最务实的那个男人，总裁 Greg Brockman 终于出来回应一切了！
可以说是开年之后 Brockman 的首个播客秀！
2026以来，OpenAI 的发展，不管对内还是对外，其实都可以用“魔幻”来形容！首先是 SOTA AI 的宝座被谷歌逆袭拿下，产品层面，ChatGPT 在大洋彼岸的呼声一度被 Anthropic 的 Claude 盖过，紧接着有外媒曝出了 OpenAI 正在重新调整算力、资源，构建桌面的超级 App，同时在上周又正式官宣了昔日爆款产品“Sora”的停止运营。
当然还有一个不得不提的大背景，就是 OpenAI 刚刚在昨天宣布了创史上纪录的融资： 1220 亿美元！
作为 AI 圈最懂 SOTA 的 AI Lab 之一，种种这些，OpenAI 都留给了业界太多的争议和疑问。
Brockman 就在这样的背景之下，以播客的形式向业界坦承了 OpenAI 的战略转型的决策思考、未来新模型的进展以及AGI的实现路径。
表面上看，大家会把这场播客当成质疑的回应。但细听之下，更像是一场酣畅淋漓的trade-off式的决策思考。
首先，Brockman 在主持人 Alex Kantrowitz 的提问下，正面回应了 OpenAI 当前重新调整团队，关停 Sora 转向大一统的 SuperApp 的战略决策。
在外界看来，很容易被解读成 OpenAI 正在从消费端转向企业端。
Brockman 对此表示：OpenAI 其实并不是从 C 端赛道切向 B 端，主要原因还是卡不够用了！我们不可能全部都做！
他还从应用层给出了解释：一类是面向消费者的，比如个人助手，它的作用是让AI了解你、对齐你的目标，帮助你实现生活中的各种事情；还有创作、娱乐等场景。
而另一类是企业侧的，本质上更像一个统一问题：当你面对复杂任务时，AI能不能完成？它是否具备完整上下文来执行？
对于OpenAI来说，优先级非常明确：第一是个人助手，第二是能够解决复杂问题的AI。
而对于 Sora 为代表的视频生成路线，Brockman 表示也是因为算力约束，暂时将视频路线放到了更有潜力的机器人方向上。
但主持人随即追问了一个更要命的问题，通往AGI的一条关键技术方向就是“世界模型”，从Demis Hassabis到一众创业公司，都在强调“理解物理世界”的重要性。为什么OpenAI就这样放弃这条主流叙事线了？
Brockman 回应道：其实方向有很多，但最后的差异都会回归到现实：实现成本、工程复杂度、算力约束等。并同时表示，AI整个行业，你必须做押注，做选择！
Brockman 给了一个明确判断，AGI将在未来几年内实现，且AI将覆盖几乎所有电脑上的智力型工作。
可以说，现在的OpenAI目前的押注就是：主动收缩如视频生成（Sora）等分支，将资源集中在GPT推理体系与通用Agent系统上。
这是OpenAI向外界发出的第一个反主流叙事的信号。在他看来，AGI路径本质上是一个“工程效率问题”，而不单纯是“能力边界拓展问题”。
简单理解就是，所有的方向都可以达到AGI、但问题是：哪个方向更能形成规模化复利。
第二个 Brockman 给出的反直觉判断是，大家都认为预训练撞墙的语境下，他认为模型的算力持续集中投入依旧重要，“算力永远不够用”，他甚至将算力类比为“销售团队”，认为这是一个“收入中心”而非成本中心。
这里，他果断反驳了此前 Anthropic CEO Dario 的“过度押注”的言论。
“很多其他玩家其实是到去年下半年才反应过来，然后开始疯狂寻找算力资源，但那时候已经几乎没有了。”（这里的“玩家”自然也包括 Anthropic。）
第三个，他提到的OpenAI最大的工作方式变化是，从去年12月开始，他们意识到，随着Codex的能力跃迁，编程本身就不再重要了！
因为AI一下子能完成人类 80% 的任务，让大家意识到：技术在本质上并不是“写代码”，而是“解决问题”。
所以，现在的核心变成了：理解上下文、管理任务流程、把AI接入真实世界并执行工作。
而且不只是代码，像Excel、PPT这些高度依赖机械操作的工作，也完全可以被AI接管。“只要它有足够上下文和能力，就能完成。”
另外，主持人提及过去两年模型侧发生的变化，Brockman 也很明确的为最近大火的“harness engineering”正名了：
过去两年最大的变化不再模型本身，而在于 harness！
此外，对于每次必谈的“AGI实现了么”的问题，Brockman表示，这其实更多是一个感受的问题，他个人看来，已经基本实现了70%～80%了，而 OpenAI 目前在做的大一统的超级App，目的就是让用户真正体验到 AGI！
第五，Brockman 还多次提及了外界对于“AI能力感知”的滞后的问题。他认为，之所以现在的LLM还没有出现像AlphaGO的“第37手”的时刻，问题在于“人们还不知道如何用好大模型的能力”。AI的真实能力，已经显著超出人类的使用方式。
所以，Brockman 也反思了 OpenAI 与 Anthropic 的竞争态势。他坦承到，过去一年，OpenAI 忽视了人们使用大模型的“最后一公里”的问题，从去年年中开始，OpenAI就开始补课了。
而对于接下来AI发展的关键词，Brockman 则给出了四个：ToolUse、交互方式变革、创业民主化、全新的理解能力。
而对于今年OpenAI的大动作，他给出了两个：一个是下一代大模型Spud已经完成预训练。他给出的评价是：以前人们不用AI做的，它都会变成很自然的事情。
第二个则是：OpenAI内部一直在推动的AI研究员，它正在自主地去探索AGI。
此外，Brockman 还指出，目前美国不少人对于 AI 存在太多负面的误解，比如数据中心破坏环境、造成电力涨价等。但事实并非如此，恰恰相反，AI反而让能源的利用效率大大提升了，其实本来存在闲置的能源未得到充分利用的情况，甚至因为数据中心的引入，反而造成了电价的下跌，这一点也是非常反直觉的。
对于“AI取代人”的问题，Brockman 认为：人类的本质是连接，是在现实中与他人互动。
与互联网时代不同，过去人们会围着手机、电脑转。但AI不同，Agent 会把机器拉向人，人类反而会释放大量时间，从而可以建立更多连接，形成更深的人际关系。
料还有很多，比如 Brockman 是如何使用 agent 的，是如何“养龙虾”的，等等。
由于本次播客实在太过精彩，小编做了最大程度的原汁原味的整理，尽可能为大家保留最完整的、OpenAI最懂工程的创始人，对于AGI路径的最新复盘！
回应OpenAI战略转向：并不是从C端切换到B端，主要是算力太紧张了主持人：OpenAI的联合创始人兼总裁Greg Brockman今天来到现场，和我们聊聊AI最有潜力的机会、OpenAI如何抓住这些机会，以及所谓的“超级应用”到底是什么。
Greg，很高兴你来到现场。
Greg Brockman：感谢邀请。
主持人：我们现在讨论的一个背景是，OpenAI正在收缩视频生成方向的投入，把更多精力集中在一个“超级应用”上，这个应用会整合商业和编程场景。从外部观察者的角度来看，包括我自己，会觉得OpenAI已经在消费者市场领先，现在却在重新调整资源配置，这背后发生了什么？
Greg Brockman：可以这样理解：过去我们一直在发展深度学习这项技术，核心问题是它是否真的能产生我们一直设想的正向影响，它能否被用来构建真正帮助人们生活的应用。
与此同时，我们也有另一条线，在尝试把技术部署出去，无论是为了支撑业务，还是为了获得真实世界的反馈，为的是当技术真正成熟时，我们已经具备落地经验。
现在我们已经进入一个新的阶段：这项技术是可行的。我们正在从基准测试、抽象演示，转向真实世界应用。想要继续推进能力，就必须看到它在知识工作中的真实使用情况，并从中获取反馈。
这其实是一个阶段性的战略变化，并不是从ToC转向ToB，而是在思考：在有限资源下，我们该优先做哪些最重要的应用？
我们不可能同时做所有事情，所以要选择那些可以彼此协同、能够产生真实影响、能帮助更多人的方向。
如果你从应用层来看：一类是面向消费者的，比如个人助手——了解你、对齐你的目标，帮助你实现生活中的各种事情；还有创作、娱乐等场景。
另一类是企业侧的，本质上更像一个统一问题：当你面对复杂任务时，AI能不能完成？它是否具备完整上下文来执行？
对我们来说，优先级非常明确：第一是个人助手，第二是能够解决复杂问题的AI。
问题在于，就算只做这两件事，我们的算力也远远不够。当再叠加更多应用场景时，就更不可能全部覆盖。
所以，这其实是技术成熟带来的必然选择：我们必须做取舍，挑选最关键的应用，把它们真正做好并推向世界。
主持人：你之前提到过一个类比：OpenAI可以像The Walt Disney Company一样运作，有一个核心优势，然后围绕它扩展不同业务。
迪士尼有米老鼠，可以做电影、主题公园、流媒体；OpenAI的核心是模型，可以做视频生成、个人助手、企业工具等等。
现在的调整，是否意味着这种“中心能力向外扩展”的模式不再成立？是否到了必须做取舍的时候？
Greg Brockman：我反而觉得这个模型现在更成立了。但有一个关键点：从技术角度看，Sora代表的视频生成模型，和GPT推理模型，其实属于两条不同的技术分支。
它们的构建方式差异很大，而同时推进这两条路线，在当前阶段非常困难。
我们仍然在继续Sora的研究，只是把它放在机器人领域，因为那是一个极具潜力但还处于早期阶段的应用。相比之下，知识工作领域将在未来一年迎来爆发。
所以在当前阶段，我们需要把主要精力放在GPT系列模型上。这里的GPT，并不只是文本，也包括语音交互等能力，这些都是同一技术路径上的延伸，而不是新的分支。
如果技术路线分叉过多，就会形成多个难以维护的体系。在算力有限的情况下，这种结构是无法持续的。
而算力之所以稀缺，是因为需求远远超过供给。每一个模型发布之后，都会产生巨大的使用需求。
回应为什么不做世界模型？差异最后都会体现在实现成本、工程复杂度和算力需求上主持人：那为什么你的核心押注不在“世界模型”方向？视频模型在理解物理世界、机器人应用上很有潜力，而Sora的进展也非常明显。为什么你们选择把赌注押在GPT推理模型上？
Greg Brockman：这个领域的问题在于：机会太多了。
我们很早就发现，几乎所有合理的想法都能奏效。不同方向之间的差异主要体现在实现成本、工程复杂度、算力需求等方面。
这恰恰说明了深度学习的力量：它可以处理各种问题，抓住本质规律。AI不只是记住数据，而是在理解生成这些数据的底层机制，并把这种理解迁移到新的场景中。
这种能力既可以用于世界模型，也可以用于科学研究、编程等领域。
Greg Brockman：当我们思考这项技术如何逐步落地时，一个长期存在的争论是：文本模型到底能走多远？它是否真的能够形成对世界运作方式的理解？
现在这个问题已经有了明确答案：它会通向AGI。我们已经能看到路径，而且今年还会有更强的模型出现。与此同时，在OpenAI内部，围绕算力分配的压力只会越来越大。
所以核心其实是节奏和时机的问题。那些我们一直设想的应用，现在开始变得触手可及。比如解决尚未攻克的物理问题。
我们最近有一个案例：一位物理学家研究某个问题已经很久，他把问题交给我们的模型，12小时后就得到了答案。他说，这是第一次让他感觉模型在“思考”，甚至觉得这是人类可能永远解不开的问题，而AI给出了答案。
当你看到这样的进展，就必须加倍投入，因为这意味着我们真的可以释放巨大的潜力。对我来说，这并不是在比较不同方向的重要性，而是围绕一个核心使命：把AGI带到世界，让它真正造福每一个人。我们已经看清了技术路径，也知道如何继续推进工程、科学研究，让这一切成为现实。
主持人：我稍后还想聊你提到的新一代模型，但先追问一个问题。今年早些时候，我和Demis Hassabis聊过。他提到，最接近AGI的东西反而是他们的图像生成模型，因为要生成图像或视频，模型必须理解物体之间的关系，以及世界的基本运作方式。
如果是这样的话，OpenAI把重心放在另一条技术路径上，会不会错过一些关键机会？
Greg Brockman：有这种可能。
在这个领域，你必须做选择，必须下注。OpenAI一开始就是这样，我们选择了一条通向AGI的路径，并且高度聚焦。就像向量，如果方向不一致，最终会相互抵消；只有对齐方向，才能真正前进。
但另一方面，图像生成其实在ChatGPT里已经非常受欢迎，我们也在持续投入。关键在于，它并不属于“世界模型”那条diffusion技术分支，而是基于GPT架构。
所以尽管数据形式不同，但底层技术是统一的。这正是AGI很有意思的一点：看起来差异很大的应用——语音对话、图像生成、文本处理——其实都可以在同一个技术框架中实现。
而文本本身也不是单一的，它可以涵盖科学研究、编程、个人健康等各种场景。
从公司的角度，我们在努力做的一件事是：尽可能统一技术体系。因为我们相信，这项技术最终会赋能整个经济体系。
经济体量巨大，我们不可能覆盖全部，但可以做好其中最核心、最通用的部分，这就是AGI中“General”的意义。
OpenAI的“超级App”计划：目标是让用户真正体验AGI主持人：既然你提到“统一”，那这个超级应用到底是什么？
Greg Brockman：可以这样理解：这个超级应用会把编程、浏览器和ChatGPT融合在一起。
我们的目标是构建一个终端应用，让你真正体验AGI的能力。
如果看现在的Chat，它会逐渐变成你的个人助手——一个了解你、对齐你的目标、值得信任、能够代表你在数字世界中行动的AI。
而在编程这件事上，过去它更像是为工程师打造的工具，但现在会演变成面向所有人的能力。任何人都可以使用类似Codex的能力，让计算机去执行自己想做的事情。
重点已经不只是写软件，而是“使用计算机”本身。比如我自己，有时候甚至会让它帮我设置电脑参数，比如我忘了怎么设置某个快捷功能，就直接让它去做，它就完成了。
计算机本来就应该服务人，而不是让人去适应计算机。
所以你可以想象一个应用：你想让电脑做任何事情，都可以直接告诉它。
这个系统会内置计算机操作能力、浏览器能力，你可以看到AI在做什么，也可以随时干预。所有对话会被统一，无论是聊天、写代码，还是知识工作，全部在一个系统里完成。AI会有记忆，了解你。
这就是我们在构建的产品。但这其实只是冰山一角。更重要的是背后的技术统一。
过去两年最大的变化是：不再只是模型本身，而是“系统（harness）”。
模型如何获取上下文？如何连接世界？可以执行什么操作？随着新信息不断进入，整个交互循环如何运作？
这些过去是分散的、各自实现的，现在我们正在把它们统一成一个系统，形成一个AI层。
这个AI层可以非常轻量地接入不同应用场景。你可以做一个插件、一个简单界面，比如针对金融或法律优化，但很多时候你甚至不需要这些，因为超级应用本身就已经足够通用。
这个应用同时覆盖企业和个人场景。就像你的电脑，它既可以用于工作，也可以用于生活，本质上是同一个系统。
我们想做的，就是这样一个统一入口，让你连接整个数字世界。
主持人：那如果从个人用户角度来看，这个超级应用会如何改变生活？
Greg Brockman：可以从你现在使用ChatGPT的方式去理解。
人们已经在用它做各种各样的事情，比如写婚礼演讲稿、给创意提建议、帮助经营小生意……
Greg Brockman：你可以向它要建议，这其实就是连接个人生活和工作的桥梁。所有这些问题，都应该可以交给这个超级应用来回答。
如果回看ChatGPT的演进，它已经发生了很大变化。最早它是没有记忆的，每个人面对的都是同一个从零开始的AI，就像在和一个陌生人对话。
一旦它具备记忆能力，价值就会大幅提升。它能记住你过去的互动，如果再加上上下文接入能力，比如连接你的邮箱、日历，理解你的偏好，积累与你相关的历史经验，它就可以更好地帮助你实现目标。
现在ChatGPT已经有类似“Pulse”的功能，每天根据它对你的了解，推荐你可能感兴趣的内容。
未来的超级应用，会把这些能力做得更深、更完整。
超级App的渐进实现路径主持人：什么时候上线？
Greg Brockman：可以这样理解：接下来几个月，我们会逐步推进。完整形态会拆分成多个阶段发布。
第一步，其实已经开始了，比如现在的Codex应用，本质上是两个东西的结合：一是通用的智能体系统（agent harness），可以调用各种工具；二是一个会写代码的智能体。
这个通用系统可以用于很多场景，比如连接表格、文档，帮助完成各种知识工作。
接下来我们会让Codex更适用于通用知识工作。因为在OpenAI内部，我们已经看到大量自发使用的情况。
这只是第一步，后面还有很多。
主持人：我昨天和你们团队的人聊到Codex，有个案例：有人让它帮忙做视频剪辑，它自己写了一个Adobe Premiere Pro插件，把视频拆分成章节，并开始自动剪辑。
Greg Brockman：我很喜欢这个例子，这正是我们希望系统具备的能力。
很有意思的是，Codex最初是为程序员设计的，但对非程序员来说，现在的可用性其实还不够高。
比如配置过程中出现一些错误，开发者能理解并修复，但普通用户会完全不知所措。
即便如此，我们已经看到很多从未编程过的人，开始用它搭建网站、自动化操作各种软件，获得巨大的效率提升。
比如我们团队里有人把它接入Slack和邮箱，用来整理大量反馈，并进行总结分析。
目前的状态是：那些愿意多花一点精力跨过门槛的人，已经可以获得很高回报。
从某种角度看，我们已经完成了最难的部分——打造一个足够聪明、能够完成复杂任务的AI。接下来要做的，是把它变得更易用，降低门槛，让更多人用起来。
回应Anthropic的强势竞争：过去一年，OpenAI对最后一公里投入不足主持人：从竞争角度看，比如Anthropic已经推出了Claude应用，以及像Claude Code这样的产品，也在往“超级应用”的方向走。你怎么看他们更早布局这一方向？OpenAI追赶的机会如何？
Greg Brockman：如果回到12到18个月前，我们一直都非常重视编程这个领域，在各种编程竞赛中表现很好。
但我们当时投入不足的一点，是“最后一公里”的可用性。
模型很聪明，能解决竞赛问题，但它没有见过真实世界的代码库，而现实中的代码往往是混乱的、不完美的。
这一点我们确实落后了一些。
大概从去年年中开始，我们开始非常认真地补这件事，专门组建团队，研究现实世界中的各种复杂情况，构建训练环境，让AI真正体验软件工程的过程，比如被打断、遇到异常等。
现在来看，在与竞争对手的直接对比中，用户通常会更倾向于我们。当然在前端等方面，我们还会继续优化。
整体方向是：不再只关注模型本身，而是把产品作为一个整体来设计。从研究阶段开始，就考虑它最终如何被使用。
这是OpenAI内部正在发生的重要变化。
接下来这一年，我们会有非常强的模型发布。从路线图来看，未来的能力令人期待。同时，我们也在补齐“最后一公里”的体验。
主持人：自2022年以来，OpenAI一直是无可争议的领导者，但现在竞争变得非常激烈。你刚才也提到“我们已经追上了”。公司内部的氛围是否发生了变化？比如不再是遥遥领先，而是进入真正的竞争状态？
我看到一些报道，说OpenAI内部已经不再有“支线项目”，所有人都在聚焦核心方向。现在的氛围是什么样？
Greg Brockman：对我个人来说，最让人警觉的时刻，其实还是在发布ChatGPT之后。
当时在节日派对上，我感受到一种“我们已经赢了”的氛围，而这让我非常不安。
我们一直都是挑战者，也应该保持这种状态。
这个领域的竞争对手，大多是资源极其充足的大公司——资金、人才、数据都远远超过我们。
OpenAI能够竞争的原因之一，就是我们从不自满，总是把自己当成挑战者。现在看到更多竞争对手出现，而且做得很好，其实是一件健康的事情。如果你只盯着竞争对手，你永远只能停留在他们现在的位置，而他们已经继续往前走了。
反过来看，其实很多人一直在盯着我们的位置，而我们在持续前进。这种环境反而让团队更加对齐，更加统一目标。
Greg Brockman：我们过去其实是把研究和部署当成两件相对独立的事情来看，现在我们希望把它们真正整合在一起。这对我来说是一件非常好的变化。
我一直觉得，外界对你的评价，无论是高估还是低估，都不会完全准确。整体来看，我们的状态其实一直很稳定。
在模型研发这件事上，我对我们的路线图非常有信心。无论是研究投入，还是技术积累，都在持续推进。同时在产品侧，我们也有很强的执行力，正在把这些能力真正交付给世界。
主持人：你刚才提到有一些很强的新模型在路上。“Spud”到底是什么？有消息说你们已经完成了预训练，Sam Altman也对内部表示，几周内会有一个非常强的模型推出，甚至可能加速整个经济发展。
什么才算“强模型”？
Greg Brockman：其实重点不在某一个模型。
我们的开发流程是这样的：先进行预训练，得到一个新的基础模型，然后在这个基础上不断叠加改进。
预训练是一个非常庞大的工程，涉及公司里很多团队。过去一年半，我的主要精力就在GPU基础设施上，支持这些大规模训练。
接下来是强化学习阶段，让模型把它学到的知识真正应用起来。然后是后训练阶段，去优化行为和可用性，让它更好地解决问题。
“Spud”本质上就是一个新的基础模型，我们把过去大约两年的研究成果集中在了这一代模型里。它会很令人兴奋。
但用户实际感受到的，不会是某一个发布，而是能力持续提升。因为每一次发布，很快就会被下一轮改进迭代。
我们更像是在构建一个持续加速的“进化引擎”，而Spud只是其中的一个阶段。
下一代模型抬高地板：以前不会用AI做的，会变成很自然的事情主持人：那下一代模型具体会带来什么能力？
Greg Brockman：首先，它能解决更复杂的问题。其次，它会更细腻，对指令的理解更准确，对上下文的把握也更好。
有一个说法叫“大模型气味”（big model smell），意思是当模型足够强时，你能明显感受到它更聪明、更顺应你的意图。
当你问问题时，如果AI没理解，会让人很挫败。但当它真的理解时，你会立刻感受到差异。
未来的变化，一方面是量变，能力整体提升；另一方面也会出现质变——以前你不会用AI做的事情，现在会变成自然而然的选择。
我们已经看到一些例子，比如物理问题。未来模型会能处理更开放的问题、更长时间跨度的任务。
同时，它也会“抬高地板”——无论你做什么事情，它都会更有用。
主持人：普通用户有时候不太容易感知这些变化。比如GPT-5发布时，最初也有一些失望的声音，后来大家才发现它在某些任务上很强。
这一次的新模型，你觉得会是某些行业里感知更明显，还是所有人都会明显感受到提升？
Greg Brockman：情况可能类似。
发布之后，会有一部分人立刻觉得这是“质的飞跃”；也会有一些场景，原本就不是智能瓶颈，所以提升不明显。
但随着时间推移，你会逐渐感受到变化，因为关键在于：你对AI的“信任模型”会发生改变。
我们每个人都会对AI能做什么有一个心理预期，而这个预期变化是比较慢的。
当它偶尔帮你完成一些超出预期的事情，你会突然意识到：“原来它能做到这个。”
比如在医疗信息获取方面，我们看到有人用ChatGPT去研究癌症治疗方案。本来医生已经判断无解，但他通过AI找到新的路径，获得了治疗机会。这种场景下，你需要相信AI有用，才会投入精力去使用它。
未来的变化在于：这种“AI有用”的感知，会变得越来越普遍。技术在进步，人们对技术的理解也在逐渐追上来。
OpenAI内部计划：AI研究员自主去研究AGI主持人：你们内部也在用这些系统，而且听说正在做一个“自动化AI研究员”，预计今年秋天推出。这是什么？
Greg Brockman：从整体趋势来看，我们正处在一个“起飞阶段”的早期。
所谓“起飞”，一方面是AI能力在指数级提升，另一方面是AI还能帮助我们改进AI本身，让研发速度加快。
同时，这不仅仅是技术层面的变化，也包括现实世界的影响。
很多技术的发展都呈现S曲线，如果放大来看，就会变成指数增长。现在我们正处在这样的阶段：技术在加速，整个系统像一个不断积累动能的引擎。
现实世界中也有很多助推力量，比如芯片厂商加大投入，越来越多的人在这个生态上构建应用，探索各种落地方式。
这些力量叠加在一起，推动AI从一个“边缘角色”，逐渐变成经济增长的核心驱动力。
这不仅仅是OpenAI在做什么，而是整个世界、整个经济体系在共同推动这项技术的发展和应用。
主持人：那这个“AI研究员”具体会做什么？
Greg Brockman：可以这样理解：我们正在构建的这个系统，已经能够完成越来越多的任务，所以在某个阶段，我们可以让它更自主地运行。
但这并不意味着把它完全放出去，然后过一段时间再回来看看结果。我们仍然会高度参与管理它。
就像一个初级研究员，如果你放任不管太久，他很可能会走偏。但如果有一个资深研究员在带，他不一定需要亲自做所有细节，但可以提供反馈、评审结果、给出方向。
这个AI研究员也是类似的角色：你来设定目标和方向，它去执行，并不断迭代。
我们希望它能极大提升模型研发效率，加速研究突破，让模型更快变得更有用，并不断缩短这个周期。
主持人：所以它是那种你说“去找AGI”，然后它就自己去尝试实现的系统？
Greg Brockman：从某种程度上，可以这么理解。
更实际一点说，它是把一个研究科学家从头到尾做的工作流程，全部在“硅基系统”中复现出来。
Greg 眼中的AI：技术发展与确保安全，同等重要主持人：还有一种对“起飞”的理解是：AI从渐进式进步，进入加速阶段，最终走向一种超越人类的智能。你是否担心，在这个过程中，除了成功的可能，也存在失控的风险？
Greg Brockman：当然有这种风险。
如果我们想获得这项技术的好处，就必须同时认真对待风险。从技术角度看，我们在安全和防护上投入了大量资源。
比如“提示注入攻击”（prompt injection）：如果AI很强大，又连接了大量工具，就必须确保它不会被恶意指令操控。我们在这方面投入了很多，并且取得了不错的成果。
有意思的是，这些问题和人类也有类比。人也会被钓鱼攻击欺骗，也可能在信息不完整的情况下做出错误判断。我们会把这些类比带入模型设计中，思考如何让系统更可靠、更对齐人类目标。
当然，还有更宏观的问题，比如经济结构、社会影响、如何让所有人受益，这些不是单一公司能解决的。
对我来说，推进技术发展的同时，确保它产生积极影响，是同等重要的事情。
主持人：但现实是，这是一场竞赛。你们在做的事情，也在被开源社区快速复制，而他们在安全方面的约束更少。
你之前说过，创造需要很多人把事情做对，而破坏只需要一个人有恶意。这也是很多人担心的地方。
这场竞赛显然不会停下来，那回报是否真的值得承担这些风险？
Greg Brockman：我认为是值得的，但这个问题不能简单回答。
从一开始，我们就在思考：什么才是一个好的未来？这项技术如何真正造福所有人？
一种思路是“集中控制”：由一个主体来开发技术，这样可以最大限度控制风险。但这种模式本身也有很大问题。
另一种思路是“韧性”（resilience）：把它当作一个开放系统，有多个参与者，同时构建围绕这项技术的社会基础设施。
就像电力的发展。它本身有风险，但我们建立了标准、监管、检测机制，让它可以安全、大规模、普惠地使用。
AI也需要类似的体系。
如果这项技术会改变所有人的生活，那所有人都应该参与其中，而不是由一个封闭系统来决定一切。
我们相信，围绕AI会逐渐形成一个具备韧性的生态系统。
当前AI能力是锯齿状的，
个人感觉“AGI的临界点已至”，至少70%
主持人：你刚才提到我们正处在“起飞阶段”，那Jensen Huang最近说，他认为AGI已经实现了。你认同吗？
Greg Brockman：AGI对不同人来说有不同定义。确实有一些人认为，我们现在已经达到了AGI。
这个问题本身是可以讨论的。但有一点很关键：当前的AI能力是“锯齿状”的。
在很多任务上，它已经远超人类，比如写代码，这极大降低了创造的门槛。但与此同时，在一些非常基础的任务上，它仍然会失败。
所以问题变成：你如何划定那个“分界线”？
在现在这个阶段，这更像是一种感受，而不是一个严格的科学定义。
对我来说，我们确实已经进入了那个临界点。
Greg Brockman：如果你在五年前把今天的系统展示给我，我会说：“对，这就是我们当时设想的东西。”但现实情况是，它和我们当初想象的完全不一样。差异非常大。所以我们需要调整自己的认知模型。
主持人：所以你觉得现在还没完全达到？
Greg Brockman：我大概会说，已经达到70%到80%了。我们已经非常接近。
我认为非常明确的一点是，在接下来几年内，我们一定会拥有AGI。它仍然会有“锯齿状”的表现，但几乎所有你在电脑上进行的智力任务，AI都可以完成。
之所以我现在给出一个相对不那么确定的答案，是因为这个问题本身有点像“测不准原理”，不同定义下会有不同结论。
从我个人的标准来看，我们已经非常接近，再往前一点，就会真正跨过去。
主持人：我想问一下，2025年12月到底发生了什么？那似乎是一个关键转折点——AI从“可以帮一点忙”，变成“可以连续工作很长时间”，人们开始信任它能独立完成任务。
Greg Brockman：新一代模型发布后，AI的能力从能完成大约20%的任务，跃升到可以完成80%。
这是一个巨大的变化。它让AI从“锦上添花”，变成你必须围绕它重构工作流的核心工具。
对我来说，我有一个用了很多年的测试prompt：“帮我做一个网站”。当年我自己学编程时，花了几个月才完成。后来用AI，大概需要4小时、多个提示才能搞定。
但到了2025年12月，只需要一句话，AI就直接完成了，而且质量很好。
主持人：这些模型是怎么实现跃迁的？
Greg Brockman：很大一部分来自更强的基础模型。OpenAI一直在提升预训练技术，那一刻只是提前让我们看到接下来一年会发生的事情。
但这并不是某一个突破带来的，而是所有方向同时推进的结果。
这些模型的进步很有意思：一方面是连续的，从20%提升到80%；另一方面又表现为“跃迁”，让人感觉突然跨越了一个阶段。
而且这种提升还在持续。比如从一个版本到下一个版本，就会明显更强。
我有个工程师同事，以前模型无法完成他做的底层系统工程任务，但后来模型可以根据设计文档直接实现系统，还能加监控、跑性能分析、优化结果，最终产出完全符合预期。
所以可以把这个过程理解为：缓慢推进，然后突然爆发。
但从现在的趋势来看，一年之内，甚至更短时间内，这些能力会变得非常可靠。
主持人：这会让人惊讶，因为你之前还说Codex主要是给开发者用的，但现在你说所有人都可以用。
Greg Brockman：是的。
我之前把Codex视为“写代码的工具”，自然会觉得它是给程序员用的，因为我们内部很多人本身就是工程师。
但随着技术发展，我们意识到，这项技术本质上并不是“写代码”，而是“解决问题”。
核心在于：理解上下文、管理任务流程、把AI接入真实世界并执行工作。
当你有一个目标，只要能描述清楚意图，AI就可以执行。
这让“编程”这件事本身变得不再重要了。
同时你会发现，不只是代码，像Excel、PPT这些高度依赖机械操作的工作，也完全可以被AI接管。
只要它有足够上下文和能力，就能完成。
所以我们现在的认知是：从“Codex是给程序员的工具”，变成“Codex是给所有人的工具”。
主持人：在硅谷最近还有一个趋势，比如OpenClaw，大家开始把AI接入自己的电脑，赋予它访问邮件、日历、文件的权限，让它“帮你运行生活”。
OpenAI也把OpenClaw的创始人招入团队。这是否意味着，你们的目标也是让AI成为“生活代理”？
Greg Brockman：这项技术最难的一点，其实是：如何让它真正对人有用，以及它应该如何融入人的生活。
我观察到一个很重要的能力：那些真正主动尝试、充满好奇、有想象力的人，正在形成一种新的核心竞争力。
OpenClaw的创始人就是这样的人，他有很强的创造力和愿景。
所以这件事不完全是技术问题，更重要的是：如何把这些能力放进真实生活场景里。
作为技术人员，这很令人兴奋；但作为产品和服务提供者，我们更关注的是如何把价值真正交付给用户，这也是我们正在加大投入的方向。
主持人：你之前说过一句很有意思的话：当你开始使用这些AI代理时，你会变成“管理成百上千个智能体的CEO”，它们帮你完成目标，而你不再关注具体执行细节。
但这种方式也可能让人失去对问题的掌控感。这是好事吗？
Greg Brockman：它是有利有弊的。我们需要做的是：放大它的优势，同时控制它的风险。
优势在于，它给了你前所未有的杠杆和行动力。如果你有一个目标，就可以让一整支“智能体团队”为你执行。
Greg Brockman：但如果你从现实运作方式来看，最终一定有一个承担责任的人。比如你要做一个网站，如果你的智能体搞砸了，影响了用户，那责任不在智能体，而在你。
所以你必须在意这一点。
对于使用这些工具的人来说，需要意识到：人的主导权和责任，是系统中非常核心的一部分。AI如何被使用，本身就是关键变量。在OpenAI内部，我们也遵循这一点——你不能放弃责任，不能简单地说“AI会帮我搞定一切”。
主持人：但你刚才提到，会失去对问题的“掌控感”，这和责任是两个不同层面。
Greg Brockman：在我看来，这两者是相关的。
如果你是一个CEO，却远离细节，对一线情况没有感知，结果通常不会好。
我想表达的并不是，人可以完全不关心发生了什么。有些细节确实可以放手，比如你找一个总承包商盖房子，有些施工细节你不需要逐一过问，因为你信任对方。
但如果出现问题，你必须知道、必须在意。
所以关键在于：不能盲目接受“我不需要了解细节”。你需要持续保持对系统的理解，知道它的优势和局限。
当你把一些底层、机械性的事情交出去时，是基于信任，而不是放弃认知。
RL之后，下一步：ToolUse、语音界面、创业民主化主持人：最后一个关于模型的问题。你提到模型经历了预训练、微调、强化学习，现在还学会了使用工具。如果这个路径继续往前，下一步是什么？
Greg Brockman：我们正处在一个能力不断加深的阶段。
一方面，模型已经可以使用工具；另一方面，我们还需要构建更好的工具。
比如“计算机使用”能力——如果AI能像人一样操作电脑，它理论上可以完成任何你能做的事情。但在企业环境中，还需要补齐很多基础设施，比如权限管理、审计日志、可观测性等。
也就是说，模型能力已经领先，而整个系统还需要追上来。
未来的方向还包括更自然的交互方式，比如语音界面。你可以像和人聊天一样和电脑对话，它能理解你、执行任务、给出建议。
甚至你早上醒来，它会告诉你：“这是你的每日进展报告，你的智能体昨晚完成了哪些工作。”比如它可能在帮你运营一家公司。
我认为，这会成为一个非常重要的应用场景——创业的民主化正在发生。
系统还会提醒你关键问题，比如有客户不满意，需要你亲自沟通。
与此同时，这项技术也在不断“抬高上限”，让人类可以挑战更复杂的问题。
我特别期待看到类似AlphaGo Move 37这样的时刻——那一步棋是人类从未想过的，改变了我们对围棋的理解。
这样的突破会出现在各个领域：科学、数学、物理、化学、材料科学、生物学、医疗、药物研发，甚至文学和诗歌。它会打开全新的创造空间，让人类的理解能力进入新的阶段。
模型能力够了，但人们还不太知道该怎么用主持人：既然模型已经这么强，为什么这些突破还没有大规模出现？
Greg Brockman：一个关键原因是：模型能力和人们使用方式之间存在“滞后”。
换句话说，我们还没有完全理解这些模型到底能做什么。即使不再继续提升模型能力，光是现有能力的释放，也会带来巨大变化。
另外，我们过去擅长训练的是“可验证”的任务，比如数学题、编程题，因为有明确的评判标准。
但对于更开放的问题，比如写诗，很难定义“好”或“坏”，这让训练和优化变得更困难。
不过这正在改变，我们已经能看到路径。
主持人：有意思的是，Peter Thiel曾说过，相比写作的人，数学相关领域的人可能更容易被AI取代。而你自己以前也是数学俱乐部成员，你会担心吗？
Greg Brockman：人们更容易看到自己失去的东西，而忽视获得的东西。
比如你过去做数学竞赛，现在AI也能做。但问题是，数学竞赛从来都不是人类存在的核心意义。
如果你看我们现在的工作方式，比如每天盯着屏幕操作，这在100年前并不存在。这种生活方式本身也不是人类的本质。
人类的本质是连接，是在现实中与他人互动。我认为，AI会释放大量时间，让人们可以建立更多连接，形成更深的人际关系。这一点让我非常期待。
大模型预训练依旧重要，GPU依旧抢手主持人：随着你们转向更多“智能体”应用，有一种观点认为，大规模预训练的重要性可能会下降，因为模型可以通过在现实世界中执行任务不断提升。你怎么看？
Greg Brockman：我认为这种说法忽略了一个很关键的点——技术的发展方式并不是单一维度推进的，而是整个模型生产链条上的每一步都会产生“乘数效应”，所以你必须同时优化所有环节。我们观察到的是，一旦预训练能力提升，后面的步骤都会变得更容易，因为模型起点更高，学习速度更快，在尝试新思路、从错误中学习时也更高效，犯错更少。因此，现在的变化在于，人们不再把它看作一个单纯不断做大的“理性系统”，而是一个需要在真实世界中不断试错、不断反馈、不断闭环的系统；但这并不会削弱预训练的重要性，反而让它更关键。
同时，这两年还有一个明显变化：过去我们更关注预训练能力本身，现在开始意识到推理（inference）能力同样重要，需要在“智能水平”和“可部署性”之间找到平衡，因为模型最终是要服务世界、参与强化学习并大规模落地的。
主持人：如果未来更多计算转向推理阶段，还需要像英伟达这样的GPU吗？
Greg Brockman：绝对需要。原因有几个，其中一个很核心的是，大规模训练仍然离不开高度集中的算力投入，没有其他方式可以替代这种“算力集中爆发”的模式。未来确实会出现推理规模大幅增长的情况，但在某些关键时刻，你仍然需要把大量算力集中在一次预训练任务上。同时，我也认为英伟达团队非常出色，他们在这个领域做了很多重要工作，我们也一直保持紧密合作。
主持人：有没有可能某一天，人们会觉得“预训练已经够了，模型已经足够聪明”？
Greg Brockman：这有点像在问，人类什么时候能解决所有问题。如果真的到了那一天，也许可以这么说。但现实是，我们想解决的问题远远没有到头。
过去几十年，人类的野心某种程度上是收缩的，而现在这些技术重新打开了上限。比如医疗领域，我们完全有机会从“被动治疗”转向“主动预防”，通过更智能的系统提前识别风险、干预健康，这类问题是可以被更强模型真正解决的。
或许某些具体问题解决后，你会问是否还需要更强的模型，但很快就会有新的、更复杂的问题出现，对更高智能提出需求。
上千亿融资后，更大的收入机会是生产力场景主持人：说到算力，你们今年早些时候融资了超过1100亿美元，这笔钱主要会投入数据中心吗？你们是如何计算回报的？
Greg Brockman：从表面看，这是一笔巨大的算力投入成本，但我们更愿意把算力看成“收入中心”。你可以把它类比为销售团队：只要你的产品可以持续卖出去，那么销售人员越多，收入就越高。
我们现在面临的现实是，算力永远供不应求，我们无法建得足够快。我每天都能看到这种压力：我们必须做出非常痛苦的决策，比如哪些产品可以上线、算力优先分配给哪里。这种情况未来不仅存在于我们公司，也会扩展到整个经济体——当AI成为核心生产力时，真正的问题会变成：哪些任务值得获得这些算力。
主持人：但这是一个全新的领域，你们怎么能确定这样的投入一定能回报？
Greg Brockman：有几个依据。首先是历史经验——从ChatGPT发布那一刻起，我们就知道算力永远不够用。当时团队问我要买多少算力，我的回答是“全部”，因为我很清楚无论我们建多少都跟不上需求增长。事实也确实如此，这个判断过去几年一直成立。
其次是时间维度的问题——这些算力投入需要提前18到24个月做决策，所以必须对未来有判断。而现在很清晰的一点是：企业正在大规模采用AI，用于知识工作，这是一个正在爆发的市场。从工程师到企业内部各类岗位，使用意愿和付费能力都在快速增长，这些趋势是可以直接观测到的。
主持人：所以未来收入结构会从消费订阅转向企业吗？
Greg Brockman：目前消费者订阅仍然是主要收入来源，而且未来也会一直重要。但更大的机会在于“生产力场景”，也就是人们用AI完成工作的那一部分。其实边界会越来越模糊，就像现在你用一台电脑，它既是个人设备也是工作工具。未来AI也是一样，本质上它是你进入数字世界的入口，收入也会围绕这个入口产生。
主持人：Anthropic的Dario之前提到，有些公司在基础设施投入上“押注过头”，可能是在说你们，你怎么看？
Greg Brockman：我不同意这个判断。我认为我们其实一直是非常审慎的，同时也看得很清楚这项技术接下来会如何发展。我判断甚至在今年，所有参与其中的人都会明显感受到算力短缺，而我们是最早意识到这一点并提前做准备的公司之一。
很多其他玩家其实是到去年下半年才反应过来，然后开始疯狂寻找算力资源，但那时候已经几乎没有了。所以有些评论听起来很轻松，但现实是大家现在都已经意识到，这项技术是真的在起作用、已经落地了，软件工程只是第一个例子，而我们当前真正的瓶颈就是算力。
主持人：也有人说，如果他的判断稍微偏差一点，公司可能会破产。你们会有同样的风险吗？
Greg Brockman：我觉得这里其实有更多“退出路径”。从风险角度去看这个问题是合理的，但本质上这并不是某一家公司的赌注，而是整个行业的赌注——你是否相信这项技术能够被实现，并释放我们已经看到的巨大价值。
现在其实已经有很多“证据点”了，比如软件工程，如果你没用过Codex，很难想象它带来的差异，这种体验很快会变得普遍。
六个月前我们更多是在内部看到这些变化，现在外部已经开始出现案例；再过六个月，所有人都会感受到。而且我们很可能会面临一个现实：模型已经非常强大，但因为算力不够，你根本用不上。
过去是人围着机器转，Agent是把机器拉向人主持人：去年年底我们做2026预测时，有人说2026会是“人人都在用智能体”的一年，我当时还不太相信，但现在我自己也在用了。你自己是怎么用的？
Greg Brockman：我用它来给团队做内部工具，比如管理视频发布节奏、缩略图优化，还接入了YouTube数据，做了一套原本不会去买的软件系统。我觉得有意思的一点是，软件本来是规模化产品，但它往往并不适合你个人，而现在这套技术让软件开始变得更贴合个人需求。
我觉得这正是关键。过去计算机的发展，其实是在把人拉进一个数字世界——你想想自己每天花多少时间刷手机、点各种按钮、把不同系统连在一起，这其实很不自然。
AI的方向是反过来，把机器拉向你，让它理解你的目标、适应你的需求。过去在科幻作品里，我们总看到可以对话的电脑，现在这件事正在变成现实，而且你必须亲自用一用，才能真正体会到这种变化的意义。我们正处在一个非常特别的时间点。
人们对AI有太多误解AI其实提高了能源的利用效率，推动了电网升级主持人：但现实是，公众对AI的态度并不乐观，比如有调查显示，认为AI带来负面影响的人是正面影响的三倍。你怎么看这个问题？
Greg Brockman：我觉得问题在于，我们还没有很好地向公众展示这项技术如何直接改善他们的生活，而不仅仅是推动经济增长。其实每天都有很多具体案例，比如有个家庭，孩子头痛但被拒绝做MRI，他们用ChatGPT研究症状，找到理由去说服保险公司，最终发现是脑瘤，并因此救了孩子的命。
这只是一个例子，还有很多类似的故事正在发生，但这些故事没有被广泛传播。另一方面，流行文化长期以来对AI的描绘偏负面，人们更容易联想到风险。但一旦真正用起来，很多人都会发现它的价值。所以我确实担心，我们还没有成功让大众理解，这波技术浪潮会如何改善他们的生活、增强人与人之间的连接。
主持人：但现实中还有很多焦虑，比如就业，还有数据中心问题。很多人觉得数据中心对环境、能源和生活质量都是负面影响，这些担忧合理吗？
Greg Brockman：我认为这里确实存在很多误解。比如用水问题，如果你看我们在Abilene的数据中心，它是世界上规模最大的超级计算机之一，但它一年的用水量，其实和一个普通家庭差不多。
主持人：所以，这其实是可以忽略不计的用水量。但现实中存在很多误解，认为这些数据中心会消耗大量资源。在电力方面也是类似的，我们承诺会自负成本，不把能源价格上涨转嫁给普通用户。这已经成为整个行业正在逐步形成的共识，因为改善本地社区非常重要。
我们在建设数据中心时，会深入当地社区，了解实际情况，思考如何提供帮助。数据中心会带来税收，也会创造就业机会，整体来看是有很多正向价值的。所以关键在于我们如何参与其中，这是我们非常认真对待的一项责任。
主持人：但如果电价不上涨，你们还是需要引入更多电力，这可能意味着更多污染，这难道不值得担心吗？
Greg Brockman：这里其实有很多更细致的因素。如果你看现在的电网运行方式，会发现存在大量“闲置电力”，也就是已经产生但没有被使用的电力。同时，输电系统本身也需要升级。
关键在于，这些升级成本应该由我们来承担，而不是由普通用户承担，这一点非常重要。另外，在很多地方，其实存在大量未被充分利用的清洁能源，这些电力甚至被浪费掉。所以，引入数据中心反而可以提高这些能源的利用效率。更重要的是，这会推动电网升级，而很多地方的电网其实已经老化甚至落后了。我们已经看到一些实际案例，比如在北达科他州，因为数据中心的进入，当地电力基础设施得到改善，居民电价反而下降了。
主持人：如果你有机会直接对那些对AI感到恐惧的人说话，比如他们担心AI会抢走工作、污染环境、或者让世界变化过快，你会对他们说什么？
Greg Brockman：第一件事就是去使用这些工具。只有亲自体验，才能真正理解它能为你带来什么。我们已经看到，这项技术带来了大量机会、潜力和赋能。就像你刚才提到的，现在很多从未做过网站的人，也可以自己搭建网站。
如果你想创业，过去需要处理大量后台流程，现在AI都可以帮你完成。所以，无论是健康、家庭、赚钱、节省开支，这些方面AI都可以提供帮助。人们更容易看到变化带来的冲击，却很难看到潜在的收益。我认为应该认真去理解这两面。
主持人：有一个有意思的现象，很多调查数据里没有体现：那些听说过AI但没用过的人，或者完全没接触过AI的人，往往更负面；而真正用过的人，哪怕只是偶尔使用，整体态度会更积极。
Greg Brockman：对我来说，我们已经思考这项技术很多年了。现在看到的现实，比我们当初想象的更令人兴奋、更有价值，而且带来的正面影响也更大。
“理解这项技术，重要的是想清楚自己想做什么”主持人：最后一个问题，你会建议普通人如何为未来做准备？这肯定不只是“去用工具”这么简单。我身边很多人都在问，他们不知道未来的工作和世界会变成什么样，希望得到一些更具体的建议。
Greg Brockman：最重要的一点还是理解这项技术。我们观察到，那些能从中获得最大收益的人，往往带着好奇心去尝试，把它真正融入自己的工作流程。
一开始面对一个空白输入框，很多人不知道该做什么，但你需要跨过这个门槛，建立一种“我可以掌控它”的感觉——你可以设定方向、进行任务分配、提供监督。这种能力会变得非常关键。因为这项技术本质上是为人服务的，是帮助人建立更多连接、腾出更多时间去做自己想做的事情。
所以真正的问题是：你想做什么？把这个问题想清楚，并借助这项技术去实现它，这是最重要的准备。
主持人：Greg，非常感谢你今天的分享。
Greg Brockman：谢谢邀请。
