Total BS. OpenAI is a Jewish company - that is enough for anyone to not believe anything it says. It has no creativity, and it does not know anything about the physical world. It has no "first principle" understanding of anything.
AI 是个复杂的模式鉴别器。它本身没有任何传统意义上的认知能力。目前 AI 能做的只是根据上下文推测出概率最大的下一个字节（可以是文字，声音，图像，等等）。当然这只是个开始，AI 也应该可以鉴别模式的模式的模式。。。并从中发现人类从来没见过的模式。这就应该是我们所说的抽象思维能力。AI 的最大优势在于学习的速度和汲取信息的速度，这是人类大脑目前没法比拟的。
OpenAI首席财务官Sarah Friar探讨了通往AGI
的发展路径，目前OpenAI已到达第三阶段：智能体（Agent）。除Operator和深度研究Deep Research智能体外，OpenAI即将发布全球最强编程智能体。
OpenAI，正引领生成式AI的革命浪潮。
这家公司如何确立行业领先地位？又采取了哪些策略保持竞争优势？
2025年3月5日，在伦敦举行的「高盛颠覆性科技峰会」中，OpenAI首席财务官Sarah Friar探讨了通往AGI的发展路径，以及资本在AI竞赛中的关键作用。
Sarah Friar曾任高盛科技股权研究主管，会议中与高盛全球银行与市场部联席主Dan Dees展开深度对话，时长30余分钟。
她表示：「我们可能已经接近了AGI，但世界尚未学会如何最大化地利用它」。
OpenAI，正在全速前进，全面出击：从数据中心到应用层，各部分都在创新。
AI风起云涌，而OpenAI锐不可当，可以说是目前最具影响力的技术领域中，最具影响力的公司。
在去年OpenAI向她抛出橄榄枝时，Sarah Friar实在很难拒绝。
在她看来， AI浪潮，确实比迄今为止看到的其他科技浪潮都要宏大，虽然她错过了个人电脑革命。
加入OpenAI，投身AI科技浪潮，她觉得是个人难得的机遇和幸运。
但在互联网崛起时，Sarah Friar在斯坦福商学院进修——2000届毕业生都记得，那时互联网泡沫正膨胀。
互联网泡沫，也称dot-com泡沫或dot-com热潮在上世纪90年代末期并最终于2000年3月10日达到顶峰的一次股市泡沫。从1995年至2000年3月的高峰期，投资于NASDAQ综合指数的资金增长了800%，而在2002年10月之前，该指数又从其峰值下跌了78%，回吐了泡沫期间的所有涨幅
随后她又目睹了持续几年的硅谷寒冬。
接着是移动互联网的兴起如何重塑企业，后来我在高盛的事业轨迹，坦白说也正是围绕着向云计算的转型展开。
而如今站在浪潮的另一端，从宏观世界格局到政府政策，再到企业级应用，全方位探讨AI的影响——这种角色转换令她无比振奋。
而最近，OpenAI关注的焦点是AI基础设施。
这感觉就像是「云计算黎明」再次来临，尽管AI的架构和构建方式完全不同。
对亲身经历过「云计算黎明」的人来说，这波AI浪潮更加迷人。
Sarah Friar认为当今世界上没有哪位CEO或企业领袖会意识不到AI部署的紧迫性，甚至都担心自己已经落后了。
作为OpenAI的CFO，她刚加入时最迫切的需求就是：「先要弄明白——我的团队，就拿财务部门来说，到底该如何运用ChatGPT？」但当时的情况是，由于OpenAI正在大规模招聘，许多员工来自尚未应用AI的传统企业。
这导致团队在AI应用方面出现了明显的认知断层——
大家对「谁来做什么、为什么做」缺乏统一理解，整体协作也缺乏组织性。
作为团队管理者，她采取的第一个举措就是亲自组织了一场黑客马拉松：召集销售团队和解决方案工程师，花了一下午进行讨论。
从最基础的环节开始， 用纸笔罗列出日常工作中那些高度重复性的任务。
随后将人员按职能分组——税务团队一组、采购团队一组、投资者关系团队一组，通过小组讨论，让初步的想法碰撞。
即便采用如此简单的方式，现场已经迸发出惊人的热情。
她记得，当时投资者关系团队正在筹备一轮大规模融资，深陷尽职调查「地狱」。
OpenAI很快发现，那些源源不断的尽调问题虽然细节各异，但核心模式高度重复。
当时他们经常加班到深夜，反复经历这样的场景：「啊，这位投资人问过类似问题——快找出之前的回复，稍作修改再发出去。」
直到开发出能自动回答这些问题的定制GPT解决方案时，整个团队在会议室里简直高兴得手舞足蹈、欢呼雀跃。
这让她深刻意识到：必须让团队成员从第一性原理出发，真正理解AI带来的普适性效能提升。
而ChatGPT的深度研究，已经帮助OpenAI解决了关于GPU融资的分析问题。
她的团队使用了深度研究，获取了一份报告，得到了OpenAI内部员工的认可：「和两位MD、三位VP、六位助理和十位分析师的团队相比，DeepResearch所做的事情要好得多。」
从GPT-3过渡到GPT-4，OpenAI花了大约一年半到两年的时间。
去年，他们首次部署了推理功能，也就是o系列模型。
这意味着从一个更倾向于预测、快速响应的实时回答模型，转变成了能够更像人类一样推理的模型。
有一种简单的描述方式是这样的：
如果想象一下你做填字游戏的时候，比如一个横向的单词有五个字母，你认为可能是三个不同的词之一。
你填写了一个单词，然后转向下一个竖向的线索，发现不对劲，第二个字母应该是A。
这就意味着之前的那个答案是错误的，你需要划掉并重新填入另一个词。
所以它会自我回溯。
这一点对于AI智能体非常重要。
但如今，OpenAI远远不止这些。
OpenAI正深入数据中心，因为他们认为现在正处于AI基础设施的第二版本（V2），或者如黄仁勋所称的「AI工厂」。
数据中心创造了很多知识产权（IP），对OpenAI来说拥有这些IP非常重要。
想象一下亚马逊在电子商务领域取得巨大成功时的情景。他们看到AWS（亚马逊网络服务）开始成形。
就像在这个阶段，如果他们决定将这一部分外包给新兴的谷歌或其他公司，那会是怎样的情形呢？如果当初亚马逊将AWS的所有知识产权都拱手让人，那么今天这家公司将会是怎样的不同呢？
如今，AWS在云计算市场中占据了40%的市场份额，并拥有38%的运营利润率。
因此，拥有基础设施能力非常惊人。
但现在OpenAI不仅停留在模型层面，还向上扩展到了API层，这使OpenAI将影响力扩展到企业和开发者。
然后再上一个层次进入应用层面，即如何推动功能特性的发展，让消费者在个人生活和工作中都喜欢得到的东西。
所以，现在在ChatGPT的前端页面，用户可以用Sora
生成视频，可以进行深度研究报告，可以搜索，可以创建项目，可以编写代码，还可以创建写作画布。
OpenAI的目标就是不断加载这些功能。
然后她意识到，「ChatGPT已经有很强的用户粘性了。我不打算离开它。」
从商业角度来看，这是件好事。这就是OpenAI目前所处的位置。
接下来，她介绍了OpenAI实现通用人工智能（AGI）的五个步骤。
2023年，是实时预测响应之年：聊天机器人Chatbot兴起。
2024年，OpenAI把推理带上了台面。
2025年，将是AI智能体的一年。
OpenAI实现通用人工智能（AGI）的五个步骤
大概从去年第三季度或第四季度，OpenAI开始讨论这个话题。
现在，Agent已经成为整个AI行业公认的术语。
但这里的AI指的是能够独立为你完成工作的智能体（agents）。
这不是虚无缥缈的概念。
实际上，OpenAI已经有三项智能体在运行：
深度研究（Deep Research）：这是一个生成深入的研究报告的工具。
操作员（Operator）：允许任务工作者在网络上执行一些可能需要后台处理时间的任务。
第三个即将推出的功能称之为A-SWE（Agentic Software Engineer）。
A-SWE不仅仅是像Copilot那样，增强现有软件工程师的工作能力，而是一个真正能够构建应用程序的自主软件工程师。
它可以接受需求，并去实现它。但不仅仅是开发，它还做了所有软件工程师讨厌去做的事情。
它可以从你给任何其他工程师的Pull Request（PR）开始，去构建应用程序。
不仅如此，它还会完成所有软件工程师讨厌去做的事情：它自己做代码质量保证、错误测试和调试。
并且它还
编写文档。
这些都是所有软件工程师不愿意去做的任务。
因此，它可以成倍地提高软件工程团队的效率。
之后是AGI的第四阶段：创新的世界。
在创新的世界，不再只是关于当今世界存在的知识，而是如何扩展这些知识。
实际上，从教授和学者那里听到的是，他们发现模型在专业领域中，提出了新的想法。
目前这些想法还需验证，但OpenAI千真万确地收到了这样的反馈。
长远来看，代理组织（agentic organizations）将是未来的发展方向。
OpenAI仍然有迄今为止最领先的模型：o3。
从软件工程领域中，o3竞赛性编程的表现：在全球排名第175位的竞赛性程序员。
在数学竞赛中，它只错了一道题。
而在博士级别的科学领域，它在物理、化学、生物学等方面都达到了博士水平。
4个被广泛认可的基准测试，用来衡量AI是否正在向AGI（通用人工智能）迈进，即是否真正达到了人类智能甚至超越了人类智能的水平
OpenAI的产品团队认为，o3 mini已经成为了全球最具竞争力的程序员。
在Sarah Fryer看来，如今已经非常接近AGI了。
也就是说，AI系统能够承担世界上大多数真正有价值的、人类的工作。
但可以肯定地说，作为一个世界共同体，我们还并未充分发挥它的潜力。
如今，有3个scaling law正在发生。
一个是预训练，也就是让通用模型变得更聪明。这就需要更多的数据和更先进的算法专业知识。在更多算力的支持下，研究人员可以发挥更大的作用。
这就意味着，要想成功，就必须投入大量的资金。
在GPT-3、GPT-4、GPT-5这样的大模型上，计算规模就在呈对数增长。
然后，就进入了后训练阶段。
比如我们想创建一个需要诊病的模型，就需要对它微调，让它专注于医学。
而第三个阶段——推理时计算，就是让这辆「汽车」能切换到运动模式的时刻。
此时，需要在真正的赛道上行驶，从四驱模式切换到运动模式。
以上，就是关于扩展性的三条定律。
OpenAI的研究者，已经推出了「强化微调」技术。
他们发现，其实并不需要很多信息，就能让模型在一个特定领域展现出显著的性能提升。
但关键在于，我们能否达到那个具体的领域？如果你想研究神经疾病，比如退行性疾病的结果，你能在这个特定领域获得足够的信息吗？
即使是一点点的信息，也会极大提升模型的实用性。
按照OpenAI的说法，星际之门需要投资5000亿美元在计算能力上，或者说，它需要10吉瓦的算力。
这个数字是怎么得出来的？
这是通过预训练扩展、后训练扩展和推理时扩展这三个scaling law。
在模型开发的每个阶段，都会需要越来越多的算力。
可以说，OpenAI没有推出某些模型，就是因为没有足够的计算资源。
Sarah Friar表示，自己是个糟糕的CFO。
Sora差不多在前年2月或3月就准备好了，但直到差不多去年12月，OpenAI才真正推出了它。
甚至到现在，Sora也还没有完全上线。
OpenAI选择的，是推出深度研究，因为他们知道商业界非常喜欢这个特性。
因为没有足够的算力投入业务，Sarah Friar承认，自己每天做出最糟糕的决定，就是不给研究者提供最有价值的资源——研究所需的算力。
她甚至透露：很多时候，Sam Altman来上班时就会生她的气，因为她没有提供足够的算力。
为什么她会陷入这种境地？
因为在两三年前，那些拍板决定算力决策的人，根本想象不到如今算力需求的增长会如此之快。
两年时间里，OpenAI的周活用户就达到了4亿，收入每年都翻了三倍。
现在，整个爱尔兰的负载是7吉瓦，整个国家的使用量都比OpenAI需要的10吉瓦少。
而在她看来，在三年后当人们回过头来，会觉得这时的人们对5000亿这个数字神经紧张，简直是大惊小怪。
所以，该如何扩大规模？电力来源于哪里？是否需要培养人力？
事实证明，电工、暖通空调人员等，都是真正能够制约建设的资源。
因此，美国政府也会对星际之门特别感兴趣，因为它既是一种财政投资，也是有助于在经济上保持领先地位。
而DeepSeek也让人看到，AI正处于激烈竞争中。
OpenAI目前的关注点在于算力、研究人员、数据。
他们需要寻找地点和电力，他们需要平整地面，建设数据中心，填充设备，购买GPU。
OpenAI需要真正证明：它有能力成功应对挑战。