OpenAI CFO重磅曝料:全球最強編程智能體已就緒

2025-04-19 | 來源: 新智元 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

OpenAI首席財務官Sarah Friar探討了通往AGI

的發展路徑，目前OpenAI已到達第三階段：智能體（Agent）。除Operator和深度研究Deep Research智能體外，OpenAI即將發布全球最強編程智能體。

OpenAI，正引領生成式AI的革命浪潮。

這家公司如何確立行業領先地位？又采取了哪些策略保持競爭優勢？

2025年3月5日，在倫敦舉行的「高盛顛覆性科技峰會」中，OpenAI首席財務官Sarah Friar探討了通往AGI的發展路徑，以及資本在AI競賽中的關鍵作用。

Sarah Friar曾任高盛科技股權研究主管，會議中與高盛全球銀行與市場部聯席主Dan Dees展開深度對話，時長30余分鍾。

她表示：「我們可能已經接近了AGI，但世界尚未學會如何最大化地利用它」。

OpenAI，正在全速前進，全面出擊：從數據中心到應用層，各部分都在創新。

AI風起雲湧，而OpenAI銳不可當，可以說是目前最具影響力的技術領域中，最具影響力的公司。

在去年OpenAI向她拋出橄欖枝時，Sarah Friar實在很難拒絕。

在她看來， AI浪潮，確實比迄今為止看到的其他科技浪潮都要宏大，雖然她錯過了個人電腦革命。

加入OpenAI，投身AI科技浪潮，她覺得是個人難得的機遇和幸運。

但在互聯網崛起時，Sarah Friar在斯坦福商學院進修——2000屆畢業生都記得，那時互聯網泡沫正膨脹。

互聯網泡沫，也稱dot-com泡沫或dot-com熱潮在上世紀90年代末期並最終於2000年3月10日達到頂峰的一次股市泡沫。從1995年至2000年3月的高峰期，投資於NASDAQ綜合指數的資金增長了800%，而在2002年10月之前，該指數又從其峰值下跌了78%，回吐了泡沫期間的所有漲幅

隨後她又目睹了持續幾年的硅谷寒冬。

接著是移動互聯網的興起如何重塑企業，後來我在高盛的事業軌跡，坦白說也正是圍繞著向雲計算的轉型展開。

而如今站在浪潮的另一端，從宏觀世界格局到政府政策，再到企業級應用，全方位探討AI的影響——這種角色轉換令她無比振奮。

而最近，OpenAI關注的焦點是AI基礎設施。

這感覺就像是「雲計算黎明」再次來臨，盡管AI的架構和構建方式完全不同。

對親身經歷過「雲計算黎明」的人來說，這波AI浪潮更加迷人。

Sarah Friar認為當今世界上沒有哪位CEO或企業領袖會意識不到AI部署的緊迫性，甚至都擔心自己已經落後了。

作為OpenAI的CFO，她剛加入時最迫切的需求就是：「先要弄明白——我的團隊，就拿財務部門來說，到底該如何運用ChatGPT？」

但當時的情況是，由於OpenAI正在大規模招聘，許多員工來自尚未應用AI的傳統企業。

這導致團隊在AI應用方面出現了明顯的認知斷層——

大家對「誰來做什麼、為什麼做」缺乏統一理解，整體協作也缺乏組織性。

作為團隊管理者，她采取的第一個舉措就是親自組織了一場黑客馬拉松：召集銷售團隊和解決方案工程師，花了一下午進行討論。

從最基礎的環節開始，用紙筆羅列出日常工作中那些高度重復性的任務。

隨後將人員按職能分組——稅務團隊一組、采購團隊一組、投資者關系團隊一組，通過小組討論，讓初步的想法碰撞。

即便采用如此簡單的方式，現場已經迸發出驚人的熱情。

她記得，當時投資者關系團隊正在籌備一輪大規模融資，深陷盡職調查「地獄」。

OpenAI很快發現，那些源源不斷的盡調問題雖然細節各異，但核心模式高度重復。

當時他們經常加班到深夜，反復經歷這樣的場景：「啊，這位投資人問過類似問題——快找出之前的回復，稍作修改再發出去。」

直到開發出能自動回答這些問題的定制GPT解決方案時，整個團隊在會議室裡簡直高興得手舞足蹈、歡呼雀躍。

這讓她深刻意識到：必須讓團隊成員從第一性原理出發，真正理解AI帶來的普適性效能提升。

而ChatGPT的深度研究，已經幫助OpenAI解決了關於GPU融資的分析問題。

她的團隊使用了深度研究，獲取了一份報告，得到了OpenAI內部員工的認可：「和兩位MD、三位VP、六位助理和十位分析師的團隊相比，DeepResearch所做的事情要好得多。」從GPT-3過渡到GPT-4，OpenAI花了大約一年半到兩年的時間。

去年，他們首次部署了推理功能，也就是o系列模型。

這意味著從一個更傾向於預測、快速響應的實時回答模型，轉變成了能夠更像人類一樣推理的模型。

有一種簡單的描述方式是這樣的：

如果想象一下你做填字游戲的時候，比如一個橫向的單詞有五個字母，你認為可能是三個不同的詞之一。

你填寫了一個單詞，然後轉向下一個豎向的線索，發現不對勁，第二個字母應該是A。

這就意味著之前的那個答案是錯誤的，你需要劃掉並重新填入另一個詞。

所以它會自我回溯。

這一點對於AI智能體非常重要。

但如今，OpenAI遠遠不止這些。

OpenAI正深入數據中心，因為他們認為現在正處於AI基礎設施的第二版本（V2），或者如黃仁勳所稱的「AI工廠」。

數據中心創造了很多知識產權（IP），對OpenAI來說擁有這些IP非常重要。

想象一下亞馬遜在電子商務領域取得巨大成功時的情景。他們看到AWS（亞馬遜網絡服務）開始成形。

就像在這個階段，如果他們決定將這一部分外包給新興的谷歌或其他公司，那會是怎樣的情形呢？如果當初亞馬遜將AWS的所有知識產權都拱手讓人，那麼今天這家公司將會是怎樣的不同呢？

如今，AWS在雲計算市場中占據了40%的市場份額，並擁有38%的運營利潤率。

因此，擁有基礎設施能力非常驚人。

但現在OpenAI不僅停留在模型層面，還向上擴展到了API層，這使OpenAI將影響力擴展到企業和開發者。

然後再上一個層次進入應用層面，即如何推動功能特性的發展，讓消費者在個人生活和工作中都喜歡得到的東西。

所以，現在在ChatGPT的前端頁面，用戶可以用Sora

生成視頻，可以進行深度研究報告，可以搜索，可以創建項目，可以編寫代碼，還可以創建寫作畫布。

OpenAI的目標就是不斷加載這些功能。

然後她意識到，「ChatGPT已經有很強的用戶粘性了。我不打算離開它。」

從商業角度來看，這是件好事。這就是OpenAI目前所處的位置。

接下來，她介紹了OpenAI實現通用人工智能（AGI）的五個步驟。

2023年，是實時預測響應之年：聊天機器人Chatbot興起。

2024年，OpenAI把推理帶上了台面。

2025年，將是AI智能體的一年。

OpenAI實現通用人工智能（AGI）的五個步驟

山姆·奧特曼:OpenAI本周將發布"很多"精彩的產品

OpenAI擬收購Google這一重磅技術產品

OpenAI首個能"圖像思考"模型:圖像整合進推理鏈

大概從去年第三季度或第四季度，OpenAI開始討論這個話題。

現在，Agent已經成為整個AI行業公認的術語。

但這裡的AI指的是能夠獨立為你完成工作的智能體（agents）。

這不是虛無縹緲的概念。

實際上，OpenAI已經有三項智能體在運行：

深度研究（Deep Research）：這是一個生成深入的研究報告的工具。

操作員（Operator）：允許任務工作者在網絡上執行一些可能需要後台處理時間的任務。

第三個即將推出的功能稱之為A-SWE（Agentic Software Engineer）。

A-SWE不僅僅是像Copilot那樣，增強現有軟件工程師的工作能力，而是一個真正能夠構建應用程序的自主軟件工程師。

它可以接受需求，並去實現它。但不僅僅是開發，它還做了所有軟件工程師討厭去做的事情。

它可以從你給任何其他工程師的Pull Request（PR）開始，去構建應用程序。

不僅如此，它還會完成所有軟件工程師討厭去做的事情：它自己做代碼質量保證、錯誤測試和調試。

並且它還

編寫文檔。

這些都是所有軟件工程師不願意去做的任務。

因此，它可以成倍地提高軟件工程團隊的效率。

之後是AGI的第四階段：創新的世界。

在創新的世界，不再只是關於當今世界存在的知識，而是如何擴展這些知識。

實際上，從教授和學者那裡聽到的是，他們發現模型在專業領域中，提出了新的想法。

目前這些想法還需驗證，但OpenAI千真萬確地收到了這樣的反饋。

長遠來看，代理組織（agentic organizations）將是未來的發展方向。

OpenAI仍然有迄今為止最領先的模型：o3。

從軟件工程領域中，o3競賽性編程的表現：在全球排名第175位的競賽性程序員。

在數學競賽中，它只錯了一道題。

而在博士級別的科學領域，它在物理、化學、生物學等方面都達到了博士水平。

4個被廣泛認可的基准測試，用來衡量AI是否正在向AGI（通用人工智能）邁進，即是否真正達到了人類智能甚至超越了人類智能的水平

OpenAI的產品團隊認為，o3 mini已經成為了全球最具競爭力的程序員。

在Sarah Fryer看來，如今已經非常接近AGI了。

也就是說，AI系統能夠承擔世界上大多數真正有價值的、人類的工作。

但可以肯定地說，作為一個世界共同體，我們還並未充分發揮它的潛力。

如今，有3個scaling law正在發生。

一個是預訓練，也就是讓通用模型變得更聰明。這就需要更多的數據和更先進的算法專業知識。在更多算力的支持下，研究人員可以發揮更大的作用。

這就意味著，要想成功，就必須投入大量的資金。

在GPT-3、GPT-4、GPT-5這樣的大模型上，計算規模就在呈對數增長。

然後，就進入了後訓練階段。

比如我們想創建一個需要診病的模型，就需要對它微調，讓它專注於醫學。

而第三個階段——推理時計算，就是讓這輛「汽車」能切換到運動模式的時刻。

此時，需要在真正的賽道上行駛，從四驅模式切換到運動模式。

以上，就是關於擴展性的三條定律。

OpenAI的研究者，已經推出了「強化微調」技術。

他們發現，其實並不需要很多信息，就能讓模型在一個特定領域展現出顯著的性能提升。

但關鍵在於，我們能否達到那個具體的領域？如果你想研究神經疾病，比如退行性疾病的結果，你能在這個特定領域獲得足夠的信息嗎？

即使是一點點的信息，也會極大提升模型的實用性。

按照OpenAI的說法，星際之門需要投資5000億美元在計算能力上，或者說，它需要10吉瓦的算力。

這個數字是怎麼得出來的？

這是通過預訓練擴展、後訓練擴展和推理時擴展這三個scaling law。

在模型開發的每個階段，都會需要越來越多的算力。

可以說，OpenAI沒有推出某些模型，就是因為沒有足夠的計算資源。

Sarah Friar表示，自己是個糟糕的CFO。

Sora差不多在前年2月或3月就准備好了，但直到差不多去年12月，OpenAI才真正推出了它。

甚至到現在，Sora也還沒有完全上線。

OpenAI選擇的，是推出深度研究，因為他們知道商業界非常喜歡這個特性。

因為沒有足夠的算力投入業務，Sarah Friar承認，自己每天做出最糟糕的決定，就是不給研究者提供最有價值的資源——研究所需的算力。

她甚至透露：很多時候，Sam Altman來上班時就會生她的氣，因為她沒有提供足夠的算力。

為什麼她會陷入這種境地？

因為在兩三年前，那些拍板決定算力決策的人，根本想象不到如今算力需求的增長會如此之快。

兩年時間裡，OpenAI的周活用戶就達到了4億，收入每年都翻了三倍。

現在，整個愛爾蘭的負載是7吉瓦，整個國家的使用量都比OpenAI需要的10吉瓦少。

而在她看來，在三年後當人們回過頭來，會覺得這時的人們對5000億這個數字神經緊張，簡直是大驚小怪。

所以，該如何擴大規模？電力來源於哪裡？是否需要培養人力？

事實證明，電工、暖通空調人員等，都是真正能夠制約建設的資源。

因此，美國政府也會對星際之門特別感興趣，因為它既是一種財政投資，也是有助於在經濟上保持領先地位。

而DeepSeek也讓人看到，AI正處於激烈競爭中。

OpenAI目前的關注點在於算力、研究人員、數據。

他們需要尋找地點和電力，他們需要平整地面，建設數據中心，填充設備，購買GPU。

OpenAI需要真正證明：它有能力成功應對挑戰。