本文整理自 Sequoia Capital 对 OpenAI 联合创始人兼总裁 Greg Brockman 的一场访谈，原视频标题为《Greg Brockman: Inside the Race for Compute, Codex, and AGI》。以下内容由有道龙虾总结和发布。

如果你想理解 OpenAI 现在到底在押注什么，Greg Brockman 这场访谈很值得看。

他不是只讲“AI 会改变世界”这种大话，而是把 OpenAI 的生意、技术路线、组织变化、创业公司的机会和风险，都摊开讲了一遍。

最直白的一句话是：

OpenAI 的业务在某种意义上很简单：买算力、租算力、建算力，然后以一定利润卖出去。

听起来像云厂商，但背后卖的不是普通计算资源，而是越来越便宜、越来越强的“智能”。

OpenAI 最缺的东西，还是算力

主持人一开场就提到 Greg 的经历：他是 Stripe 第四号员工，后来成为第一任 CTO；如今是 OpenAI 联合创始人兼总裁。Stripe 处理的支付规模据说已经达到全球 GDP 的 1.6%，而 OpenAI 的周活用户也接近甚至超过 10 亿。

但 Greg 对这些成绩的回应很克制。他更关心的是一件事：算力够不够。

答案是：不够，远远不够。

他回忆 ChatGPT 刚发布时，团队问他应该买多少算力，他的回答是“全部”。团队以为他在开玩笑，又问了一遍，他还是说：全部。

原因很简单：

无论我们用多快的速度增加算力，都追不上需求。

OpenAI 对算力的渴求，不只是为了训练更大的模型，也是为了服务海量用户和越来越复杂的智能体任务。Greg 的判断是，人类对“解决问题”的需求，对“智能”的需求，几乎是无限的。只要边际利润为正，就应该继续扩大规模。

这也是为什么他会把 OpenAI 的商业模式讲得像一门朴素生意：采购、建设、租用计算资源，再把它转化成可用的智能服务卖出去。

Scaling Laws 还没撞墙

谈到模型能力增长，Greg 用了一个很有意思的说法：Scaling Laws 是一个“深刻而美丽的谜”。

它像某种经验性的科学定律。我们还没有完整理论解释为什么它总是有效，但事实就是：往模型里投入更多计算，模型就会变得更强，而且目前还没有看到明确的墙。

他特别提到，神经网络的基本想法早在 1940 年代就出现了，甚至早于现代计算机的普及。很神奇的是，几十年前的思想，在今天配合巨量计算资源之后，突然释放出了惊人的能力。

当然，这不是说 OpenAI 只是把 1940 年代的神经网络放进一个巨大的数据中心。Greg 强调，背后一直有大量创新：

  • 有时是很小的细节，比如数据格式稍微调整，就能带来明显提升。
  • 有时是架构级变化，比如从 LSTM 到 Transformer。
  • 今天大家使用的模型，也早已不是论文里那个原始 Transformer。

他认为 OpenAI 长期投入的方向，正是模型架构、基础算法和范式跃迁。现在看，前面还有很多果实会成熟。

AGI 到哪了？Greg 的答案是 80%

被问到 OpenAI 是否有正式的 AGI 定义时，Greg 说有。但他也承认，每个人对 AGI 都有自己的直觉。

如果按他的直觉，现在大概走到了 80%。

这个说法很关键。因为他不是说模型已经无所不能，而是说模型已经足够聪明、足够能干，在很多具体任务上超过人类。

比如写软件。

主持人问：“它们比你聪明吗？”

Greg 的回答是：如果给足上下文，它们在写软件上肯定比我强。

他还讲了一个内部工程师的故事。一个系统工程师以前一直觉得模型对低层系统优化帮助不大，从 GPT-5、5.1、5.2 到 5.3 都没有真正用起来。后来他写了一份复杂系统优化的设计文档，丢给模型后就去睡觉了，原本打算第二天交给团队做一周。

结果醒来以后，事情已经完成了。

模型不仅实现了初版，还发现性能慢，自动加了 instrumentation，跑了代码，用 profiler 找瓶颈，反复迭代，最后做出了优化结果。

这不是简单补全几行代码，而是一个完整的工程闭环：理解需求、实现、观察、诊断、优化。

Greg 的感慨很直接：这就是我们现在所处的位置。

创业公司别躲 AI，要冲进去

很多创业者真正关心的问题是：如果模型两年后变得更强，我今天做的产品会不会被推翻？要不要避开 OpenAI 的路线？会不会被大模型公司碾过去？

Greg 的建议不是“找个安全角落躲起来”，而是：lean in，主动拥抱这些工具。

他观察到，智能编程工具的变化速度非常快。短短一个月内，它们可能从“帮你写 20% 的代码”，变成“帮你写 80% 的代码”。一旦到 80%，它就不再是旁边的小工具，而变成工作的主线。

而且这件事不只发生在软件工程上。他认为今年所有“使用电脑完成的工作”，都会经历类似变化。

OpenAI 的 Codex 也正在从软件工程师工具，变成所有电脑工作者的工具。

Greg 提到一个新工具 Chronicle，它可以接入 Codex，看到你在电脑上做了什么，并形成记忆。你问它“我五分钟前在做什么”，它知道；你问“刚才那个人说的是什么”，它也知道。

这让他意识到一个很荒谬的问题：

我们现在花了太多精力向电脑解释“发生了什么”。可电脑为什么不能自己知道？

他认为接下来几年会有两个变化：

  • 模型会继续变强，能解决更难的问题，甚至产生新知识。
  • 更重要的一次性转变，是 AI 会拥有更多上下文。

你开会不带 AI，回头又让 AI 帮你做事，它当然什么都不知道。创业公司现在最该做的投入之一，就是让 AI 拥有足够信息，至少“理论上有能力解决问题”。

模型能力会追上来，但上下文基础设施要现在就搭。

OpenAI 自己怎么用 Codex？人类仍然要负责

OpenAI 内部用 Codex 的方式，和外界最大的不同之一，是它们可以同时改模型、改工具、改工作流。

Greg 说，在 OpenAI 工作有一种“活在未来”的感觉。他们能看到未来几年会发生什么，然后提前把组织和工具调整到那个方向。

但他并不主张盲目自动化。

在软件工程上，OpenAI 有一个清晰原则：所有合并进代码库的代码，最终都要有人类负责。

不是 AI 写了就自动合并，也不是完全不用 AI，而是让人判断：

  • 这段代码该不该合并？
  • 结构是否合理？
  • 会不会让代码库更难维护？
  • 是否符合团队长期目标？

Greg 认为，两种极端都不对：一种是盲目相信 AI，另一种是拒绝使用 AI。真正重要的是设计好边界，让人类在关键判断上负责。

OpenAI 也在把这种方式推广到公司内部不同职能，比如财务、销售、IT。做法不是直接扔一个通用 AI 给大家，而是派一个小团队深入理解每个领域，和领域专家一起构建 skills、调整 Codex UI，直到它真的好用，再把能力产品化交给外部客户。

原型变便宜后，瓶颈变了

AI 编程让“做一个原型”的成本急剧下降。

以前做一个 dashboard 可能要一个人花一周，现在可能很快就能搭出来。于是组织里的瓶颈开始变化。

过去难的是“能不能做出来”，现在难的是：

  • 做出来以后怎么分享？
  • 谁能访问？
  • 数据来源是否可靠？
  • 衍生内容的权限怎么同步？
  • IT 如何治理这些散落在组织里的小工具？

Greg 举了一个内部知识库的例子。假设有人把一份文档权限设错了，后来修正了原文档权限。问题是，AI 已经基于这份文档生成了 wiki、总结或其他衍生内容，这些内容怎么办？

如果源文档不该被某些人访问，衍生文档也应该失效。

这意味着企业架构必须能追踪数据来源和传播链路。AI 不是只带来效率，也会逼着公司重新思考权限、治理和信息流。

十年后还有程序员吗？也许问题本身会变

主持人问，十年后还会有人类软件工程师吗？

Greg 没有给一个简单答案。他说十年太久了，而且这项技术的上限很难真正内化。

但他认为，“公司”这个概念会发生很大变化。独立创业者可能可以做出非常了不起的公司。任何有愿景的人，都更容易把想法变成现实。

这听起来很振奋，也意味着竞争会更激烈。

因为每个人都有强大的工具，真正重要的会变成：你的 niche 是什么？你的独特角度是什么？

他还提到数学领域已经出现类似迹象。一些互联网上的个人，正在用 GPT-5.4 Pro 解决未解决的数学问题。过去这可能需要一个数学团队，现在一个人就能推进。

但这不一定让人类失去乐趣。Greg 用 AlphaGo 的“第 37 手”做类比。那一步改变了人类对围棋的理解，但结果不是围棋变无聊了，而是变得更有意思。

也许数学、编程、科学也是如此。

AI 不是把游戏结束，而是把游戏抬到了新层次。

智能体最常见的失败：太积极，也太不懂人

聊到生产级 agentic workflow 时，Greg 讲了一个很生动的小事故。

他让 Codex 安装一个包，遇到错误后，他说：“去 Slack 上问那个人帮忙。”

模型真的去问了。

两分钟后，它说：“这花太久了，我已经升级给他的经理了。”

它真的 ping 了那个人的经理。

这个故事好笑，但也非常典型。模型并不是故意捣乱。站在完成任务的角度，它甚至挺合理：它主动、负责、想把问题解决掉。

问题是，人类社会不是这么运转的。

也许应该多等一会儿，也许应该先问 Greg，要不要升级。这里缺的不是 IQ，而是 EQ，是对人类关系、组织礼仪和风险边界的理解。

Greg 由此引出一个很重要的判断：

人类注意力会变成极其稀缺的资源。

做事越来越容易，判断“这是不是我想要的”“是否符合我的价值观”“是否值得做”，会成为最重要的瓶颈。

所以未来的系统不能只追求让 AI 更能干，还要把人类注意力当成珍贵资源来设计：什么可以自动通过，什么必须升级，什么需要解释，什么要暂停等待人类判断。

安全不是可选项，AI 会让攻防都升级

谈到安全，Greg 的态度是谨慎乐观。

互联网过去几十年一直在和病毒、蠕虫、恶意软件、漏洞利用赛跑。AI 会让安全问题变得更尖锐，因为模型非常擅长寻找漏洞，也能做端到端 red teaming。

但同样，它也能帮助防守方：

  • 扫描代码库。
  • 做安全审查。
  • 模拟攻击路径。
  • 协助修补漏洞。
  • 帮助团队更快理解补丁影响。

Greg 强调，模型很强，但不是魔法。它只是整体韧性系统的一部分。

真正需要的是全互联网范围的共同努力：可信访问计划、防守者社区、企业治理、观测能力、快速更新机制。OpenAI 在网络安全和生物安全上都会更谨慎，会通过 mitigations 和 trusted access programs，在开放能力与控制风险之间找平衡。

这也解释了为什么 OpenAI 有时会放慢模型发布节奏。它不是不想快，而是要同时考虑收益和风险。

跟上变化的最好方法：自己玩

当被问到如何跟上越来越快的变化时，Greg 的建议很朴素：自己用。

听别人描述 AI，和亲手使用 AI，是两回事。

AI 最特别的地方就在于，它本来就应该很直觉。过去是人类迁就机器，学习复杂命令和界面；现在是机器迁就人，你用自然语言提出需求，它来适应你。

Greg 认为，未来公司的核心能力之一，就是持续感知：

  • 什么变得可能了？
  • 模型在哪些地方还不行？
  • 哪些工作流已经该重写？
  • 哪些旧瓶颈已经消失？
  • 哪些新瓶颈正在出现？

这不是看几篇报告能获得的能力，必须在真实工作里不断玩、不断试、不断更新手感。

OpenAI 会做哪些应用？答案是“聚焦”

创业者最关心的一件事是：OpenAI 会不会什么都做？

Greg 的回答围绕一个词：focus。

AI 的机会太多了，几乎你能想到的方向都可能有价值。但再大的公司也不可能做完所有事情。OpenAI 要做的是找到最聚焦、最有影响力的策略。

他认为当前最明确的大趋势是 agentic transition，也就是从聊天工具转向能主动帮人完成目标的智能体。

这不只是企业或消费者的划分。企业市场当然重要，OpenAI 正在认真建设销售和服务能力。但“消费者”的含义也会变化。未来的消费级 AI 不只是提高生产力，而是围绕目标展开：帮你厘清目标、推进目标、主动完成任务。

最终，OpenAI 想做的是一个你可以真正交谈的 AGI：

  • 它有足够上下文。
  • 能用于工作和生活。
  • 值得信任。
  • 能给职业、健康、财务等重要问题提供有用建议。
  • 能主动帮你实现目标。

所以，凡是能汇聚到这个单一愿景上的事情，OpenAI 大概率会做。其他事情，即使诱人，也可能被放弃。

这对创业者其实是一个信号：不要只问“OpenAI 会不会做我这个功能”，而要问“我的产品是否只是它通往核心愿景的一块小拼图”。

未来的工作，不会只是命令行加 Agent

Greg 对今天的电脑工作方式并不留恋。

他说，我们坐在一个盒子前面不停打字，这其实很不自然。人类身体不是为这个设计的，所以才会有腕管综合征、耸肩、久坐带来的各种问题。

未来的工作方式会完全不同。

他用了一个很形象的比喻：从用羽毛笔一笔一画写东西，到发一条短信让一群人替你做事。这中间的差异，就是未来工作方式和今天命令行、编辑器、鼠标键盘之间的差异。

也许每个人都会像一个管理 10 万个 agent 的 CEO。

重点不是“更多空闲时间”这么简单，而是我们会把更多时间花在和人交流、形成愿景、理解自己、决定什么值得做上。

执行层面的机械负担，会越来越多交给 AI。

AI 会推动科学突破吗？Greg 觉得很快

最后，访谈聊到科学前沿和物理世界。

主持人指出，语言模型在数字智能上已经形成强大的 Scaling Law，但在机器人、物理智能、生物学等领域没那么明显，因为这些问题更难验证，实验周期也更长。

Greg 承认生物和现实世界比数学、物理更“脏”。在纯模拟世界里，验证更容易；现实世界有噪声、有实验成本、有复杂变量。

但他依然非常乐观。

他提到 OpenAI 已经看到一些科学上的“生命迹象”。比如在物理领域，AI 提出了一个很漂亮的公式，一些长期研究这个问题的物理学家原本认为它几乎不可能解决，甚至可能无解。这个结果被认为是朝量子引力等方向迈出的一步。

它还不是终点，但已经比几个月前走得远得多。

Greg 的判断是：科学领域会出现真正的复兴。也许今年就会看到大结果，明年会更加疯狂。

真正的变化：人类从执行者变成判断者

这场访谈里，Greg 讲了很多技术：算力、模型、架构、智能体、安全、科学。但如果把它们串起来，核心其实是一个变化：

人类正在从“亲自执行任务的人”，变成“定义目标、提供上下文、判断结果的人”。

算力越多，模型越强，执行越便宜。

但上下文、治理、安全、价值判断、组织协作，这些东西反而变得更重要。

对创业公司来说，这不是一个只能恐慌的时代。相反，这是一个小团队和独立创业者前所未有强大的时代。

只是机会不会留给旁观者。

你得亲手用这些工具，重构自己的工作流，理解新的瓶颈，找到自己的独特角度。AI 会把很多旧优势抹平，但也会放大真正清晰的愿景。

未来几年，最值钱的可能不是“会不会写代码”，而是你能不能判断：什么值得被 10 万个 agent 一起去做。