1. 首頁 > 生活百科 > >

智能需求無限，基建和應用爆發才剛剛開始

一加科技一加ace

智能需求無限，基建和應用爆發才剛剛開始

文章圖片

智能需求無限，基建和應用爆發才剛剛開始

文章圖片



作者 林易
編輯 重點君
近日 ， OpenAI官網放出了其首席財務官Sarah Friar與傳奇投資人、Khosla Ventures創始人Vinod Khosla的深度對話 。
針對AI泡沫擔憂 ， Vinod明確表示 ， 用股價波動來衡量泡沫是錯誤的 ， 真正的衡量標準應當是底層的實際使用量：在互聯網時代是流量 ， 在AI時代則是API調用量 。 目前的API調用量完全看不到任何泡沫的跡象 ， 現狀并非需求不足 ， 而是供給受限 。
Sarah Friar佐證了這一觀點 ， 她首次詳細披露了OpenAI過去三年的增長數據：
2023年：算力規模約200兆瓦 ， ARR約20億美元 。
2024年：算力規模增長至600兆瓦 ， ARR增長至60億美元 。
2025年：算力規模突破2吉瓦（即2000兆瓦） ， ARR超過200億美元 。

數據顯示 ， OpenAI的算力投入與商業回報之間呈現出近乎完美線性的關系 ， 這種高度耦合的增長曲線表明 ， AI產業仍處于典型的供給側約束階段 。 現在需求上限僅受制于算力的可用性 。 如果今天有更多的算力 ， OpenAI就能推出更多的產品 ， 訓練更多的模型 。
雖然算力投入與回報在曲線上是對應的 ， 但時間上存在錯配 。 Sarah坦言 ， 為了確保2028年至2030年的算力供應 ， OpenAI必須在當下就做出巨額的基建決策 。
關于2026年的AI發展趨勢 ， Vinod預判：Agent將成為絕對的核心主題 ， 多智能體系統（Multi-agent systems）有望展現出真正可見的產業影響力 。
在企業端 ， Agent將開始深入復雜的業務流 ， 具備獨立運行ERP等核心系統的能力 ， 實現對賬、應計費用核算及合同追蹤等長鏈條任務的自動化閉環 。
在消費端 ， Agent也將從單一的聊天機器人進化為具備跨應用執行能力的超級助手 。 以旅行為例 ， 智能體不僅能提供建議 ， 更能綜合考量飲食偏好、實時航班時刻和個人日程等多重變量 ， 直接為用戶規劃并落實一次完整的行程 。
這種深度滲透在醫療領域已成現實 。 每周有2.3億人向ChatGPT咨詢健康問題 ， 高達66%的美國醫生表示在日常工作中使用ChatGPT 。 這標志著AI正加速從一種新奇的技術嘗鮮 ， 轉變為專業領域的必需生產力 。
站在更長遠的時間維度 ， Vinod對未來15年的科技趨勢做出了兩項大膽預測：
第一 ， 機器人在15年內的產業規模將超過汽車工業 。 目前汽車行業主要關注如何將機器人用于生產線 ， 但未來的通用人形機器人市場將是一個遠超汽車的龐大經濟體 。
第二 ， 我們將面臨極度通縮的經濟環境 。 隨著勞動成本和專業知識成本趨近于零 ， 未來十年末期可能會出現大規模的通縮經濟 。 這將引發社會對“人類該做什么”的深刻反思 ， 同時也可能帶來更高標準的社會基礎保障 。
本次對談傳遞出非常明確的信號：在硅谷的核心圈層看來 ， AI浪潮才剛剛開始 。 對于企業和開發者而言 ， 關注點不應是資本市場的噪音 ， 而是如何利用即將到來的Agent時代 ， 去重構那些尚未被智能化觸及的復雜業務流程 。

Sarah Friar與Vinod Khosla對話劃重點：1、2026年是Agent與多智能體系統的爆發之年
如果說2025年的主題是vibe coding ， 那么2026年將是Agent技術成熟并產生實質影響的一年 。 未來的發展方向是多智能體系統（Multi-agent systems） 。
2、AI泡沫是一個偽命題
所謂的AI泡沫是一個偽命題 ， 股價的波動只反映投資者的情緒 ， 而非技術本身的價值 。 衡量AI真實需求的唯一指標應該是API調用的數量 ， 從這個維度看并不存在泡沫 。 目前需求的唯一限制是計算資源的可用性 ， 考慮到價格彈性 ， 市場對智能的需求實際上是無限的 。 現在的狀況是需求跑在投資前面 ， 這與互聯網泡沫時期流量匱乏但股價虛高的情況截然不同 。
3、OpenAI的商業模式與算力投資
OpenAI的商業模式已從單一維度進化為立體的魔方結構：底層是多云、多芯片的基礎設施架構 ， 中間是涵蓋ChatGPT、Sora等多模態的產品層 ， 上層是包括訂閱、SaaS、積分制及未來潛在許可模式的多元商業化體系 。 在算力投資上 ， OpenAI發現算力投入與收入增長存在極強的相關性 。 目前的投資決策必須提前數年布局 ， 以確保2028-2030年有足夠的計算資源 。
4、企業效能新范式：人+Agent
企業應用AI不僅帶來了約27%-33%的生產力提升 ， 更改變了工作性質 。 AI正在接管如合同審查、條款分析等枯燥且低價值的重復性工作 ， 讓員工轉向更具創造性和增長導向的崗位 。 未來的組織模式將呈現人+Agents的形態 ， 例如一名員工協同五個Agent工作 。 對于企業而言 ， 真正的機會在于利用AI重構核心業務流程 ， 而不僅僅是簡單的工具采用 。
5、AI變革醫療健康領域
醫療健康是AI將帶來徹底變革的領域 ， 它將使專業知識商品化 。 目前已有66%的美國醫生在日常工作中使用ChatGPT ， 它在輔助診斷罕見?。 ㄈ綬潛鏡亓饜脅 。 ┖吞峁┑詼餳矯嬲瓜至司藪蠹壑?。 然而 ， 該領域面臨的最大阻力來自監管（如FDA）和既有體制（如美國醫學會） ， 目前的法律限制了AI開具處方或作為醫療器械被批準 ， 這導致監管環境滯后于技術能力 。
6、創業公司的護城河是獨特數據與復雜工作流
在基礎模型日益強大的背景下 ， 創業公司的機會在于垂直化和復雜性 。 通用模型無法解決所有問題 ， 真正的護城河建立在通過防火墻獲取的獨特私有數據 ， 以及對企業內部復雜工作流的管理之上 。 初創企業不應試圖在模型能力上與巨頭競爭 ， 而應在模型之上構建專業化的解決方案 。
7、通縮型經濟與免費的專業知識
未來十年末 ， 世界可能迎來大規模的通縮型經濟 ， 勞動力和專業知識的成本將趨近于零 。 這意味著教育、初級醫療等昂貴服務將變得極其廉價甚至免費 ， 每個人都能擁有AI導師和私人醫生 。 雖然住房等硬資產問題尚待解決 ， 但在服務領域 ， 社會將通過機器人技術和智能的普及 ， 進入一個物質和服務極大豐富的時代 。
【智能需求無限，基建和應用爆發才剛剛開始】

以下是Sarah Friar與Vinod Khosla對話實錄：1、2026年的AI趨勢是什么？
Andrew Mayne：大家好 ， 我是Andrew Mayne ， 這里是OpenAI播客 。 今天我們的嘉賓是OpenAI首席財務官Sarah Friar ， 以及Khosla Ventures的傳奇投資人Vinod Khosla 。 在本次討論中 ， 我們將探討AI生態系統的現狀、我們是否處于泡沫之中 ， 以及隨著AI的發展 ， 初創公司和投資者如何取得成功 。
Andrew Mayne：2025年關注的是Agent和vibe coding 。 現在已經是2026年了 ， 今年的主題是什么？
Vinod Khosla：我認為2025年我們在vibe coding方面已經成熟 ， 但在Agent方面尚未完全成熟 。 因此 ， 2026年將是Agent ， 特別是多Agent系統（Multi-agent systems）成熟并產生真正可見影響的一年 。
在企業端 ， 我們期望擁有一個執行完整任務的多Agent系統 ， 例如為你運行ERP系統 ， 每天自動進行對賬、計提和合同跟蹤；在消費者端 ， 雖然今天規劃旅行仍然很麻煩 ， 但這將變成一個多Agent協作的任務 ， 它會綜合考慮你的飲食偏好、餐廳預訂、航班時間表以及個人日程等多種因素 。 我認為這些從一年前開始發展的技術將在今年成熟 。
此外 ， 我對機器人學和現實世界模型（World Models）非常興奮 。 這不僅僅局限于機器人學 ， 還包括通用直覺（General Intuition） 。 像大語言模型中的記憶功能、持續學習能力以及減少“幻覺”影響 ， 這些都是目前AI做得還不夠好但很快會被解決的領域 ， 值得重點關注 。
Sarah Friar：我認為Vinod想表達的根本觀點是 ， 2026年是彌合“能力差距”的開始 。 我們把巨大的智能交到了人們手中 ， 就像把法拉利的鑰匙交給了他們 ， 但他們才剛剛學會怎么把車開上路 。
我們需要為消費者提供更多簡單的方式 ， 讓他們從單純把ChatGPT當作問答聊天機器人這種使用模式中轉變過來 。 今天大多數人只是用它提問 ， 但我們如何將其推進為真正的任務執行者？比如為用戶預訂行程 ， 或者針對醫生剛給出的建議提供第二意見 ， 亦或是幫助患有糖尿病的孩子制定菜單？核心在于幫助用戶從簡單的提問轉向獲取能改善生活的實際結果 。
在企業端也是同樣的邏輯 。 根據我們的首席經濟學家去年底發布的《企業AI現狀》報告 ， 前沿企業與中位數企業之間存在巨大差距 。 前沿企業的AI使用量是其他公司的6倍 ， 而且即便是這些前沿企業 ， 其能力也尚未被充分挖掘 。
因此 ， 我們的重點是：對于消費者 ， 如何幫助他們沿著這條能力連續體前進 ， 實現真正的代理任務執行？對于企業 ， 如何打造更復雜、更垂直專業化的解決方案 ， 使他們能從簡單的ChatGPT應用一路升級 ， 直到改變業務中最核心的部分？例如對于醫療服務提供者 ， 可能是藥物發現流程；對于醫院 ， 可能是縮短患者從入院到重返社區的時間；對于大型零售商 ， 則是提升購物籃規模、轉化率和顧客滿意度 。
Vinod Khosla：我想補充一個視角 。 我們經常看到人們把采用曲線（Adoption Curve）和能力曲線（Capability Curve）混淆了 。 我敢打賭 ， 今天無論是個人還是企業 ， 真正使用了AI 30%以上能力的人只有個位數比例 。 要讓人們學會利用AI 30%、50%甚至80%的能力 ， 這是一個長達十年的過程 。
Sarah Friar：這就是我想強調的：AI是一個力量倍增器 。 雖然今天ChatGPT每周有8億消費者在使用 ， 這個數字本應達到數十億 ， 但關鍵是他們利用這一工具完成了多少比例的工作？這就像我們剛把家里的電接通 ， 人們學會了開燈 ， 卻根本不知道電力還能用來供暖、做飯或卷發 。 現在的可能性太多了 。
Andrew Mayne：我常用的一個比喻是：1990年到2000年間 ， 電子郵件本身并沒有變得更好 ， 移動設備最初也沒有質的飛躍 ， 但使用量卻大幅上升 。 問題不在于我們需要更好的電子郵件 ， 而在于人們需要學習所有可以用它做的事情 。
Sarah Friar：是的 ， 移動端一直是我覺得很有趣的領域 。 當移動浪潮興起時 ， 人們最初只是把桌面網站直接搬到手機上 ， 體驗很差 ， 唯一的優點是能裝在口袋里 。 但后來你意識到有了GPS ， 于是可以叫Uber；有了攝像頭 ， 不僅可以給朋友拍照 ， 還可以拍張支票直接存入銀行賬戶 。
這一切功能在手機出現的那一刻其實就已經具備了 ， 只待人類的創造力去挖掘 。 所以你說得對 ， 或許我們甚至不需要比今天更多的智能 ， 就能大幅提升成果 。 當然 ， 模型本身也會變得越來越智能 。

2、醫療領域的AI
Andrew Mayne：你們提到了健康領域 ， 這是一個高風險且至關重要的方面 。 幾年前我們將ChatGPT用于簡單應用 ， 現在開始信任它處理符合HIPAA標準的數據 。 你們會把這看作是發展加速的標志嗎？或者還有其他類似的標志嗎？
Vinod Khosla：健康顯然是我長期認為會被徹底變革的領域之一 ， 它將把專業知識變成一種商品化的東西 。 但健康領域的問題在于監管 。 首先 ， AI能做的事情受到諸多限制 。 例如 ， 即便AI在開處方方面比人類更優秀 ， 它在法律上也不能開處方 。
這不僅僅是FDA（美國食品藥品監督管理局）的問題 ， 還涉及到美國醫學會（AMA）等機構在體制上對該功能的控制 。 因此在很多領域會遇到既有的阻力 。 診斷仍然是一個受限項 ， 因為這由FDA控制 ， 目前還沒有任何AI被批準作為醫療器械 。 不過值得慶幸的是 ， 目前的政府團隊在迅速行動并承擔適當風險方面做得非常好 ， 我對那里的進展感到相當滿意 。
Sarah Friar：在健康領域 ， 我們的數據顯示每周有2.3億人向ChatGPT咨詢健康相關問題 。 66%的美國醫生表示他們在日常工作中使用ChatGPT 。
我可以從個人角度舉個例子 ， 我弟弟是英國的一名重癥監護醫生 。 他在蘇格蘭的阿伯丁工作 ， 如果你因患瘧疾去找他 ， 他是很難想到的 ， 因為那不在他的模式識別范圍內 。 但如果你去某地度假被蚊子咬了 ， 回到阿伯丁發病 ， ChatGPT或模型能做到的就是對他進行很好的增強 。 這解釋了為什么有66%的醫生在使用它 ， 而且這個數字還在增長 。
這不僅讓醫生能掌握最新研究成果、了解藥物相互作用 ， 也在某種程度上把自主權還給了消費者 。 我現在可以提前研究癥狀 ， 與醫生進行更有學識的對話 ， 或者尋求第二意見 。
舉個生活中的例子 ， 比如“我每天只有20分鐘鍛煉時間 ， 我有1型糖尿病 ， 我能做什么？”或者當我們帶患有糖尿病的女兒外出就餐時 ， 以前需要不停詢問服務員 ， 非常令人沮喪 。 現在我們可以拍攝菜單 ， 讓AI建議哪些菜最適合她 。 這改變了我們對吃飯這件事的看法 ， 讓我們能將重點從單純的食物轉移到家庭聚餐的陪伴上 。

3、按收入擴展計算資源
Andrew Mayne：回應Vinod的觀點 ， 我認為監管環境必須趕上來 。 無論在哪種體制下 ， 醫療費用的增長速度都超過了每個國家的GDP增速 。 我們需要AI ， 而且現在就需要 。 正如你指出的 ， 這是歷史上醫療智能成本首次同比下降 。 但這同時也帶來了對算力的巨大需求 。 既然談到算力 ， OpenAI在算力上的投資規模令人難以想象 。 OpenAI是如何確定這種需求的？你們看重哪些指標來決定投入巨資？
Sarah Friar：首先 ， 我們努力確保算力投資與收入增長速度保持一致 。 我們發現期內計算投入與期內收入之間存在極強的相關性 。
舉個例子：2023年我們的算力約為200兆瓦 ， 對應的年度經常性收入（ARR）為20億美元；2024年算力達到600兆瓦 ， 我們以60億美元的收入結束該年；而到去年2025年結束時 ， 我們的算力達到2吉瓦 ， 收入則超過200億美元 。 這顯示出增長一直在加速 。
雖然算力投入和收入在曲線上是對應的 ， 但時間上存在錯配 。 我必須在今天做出決策 ， 以下訂單并發出建立數據中心的信號 ， 以確保我們在2028、2029和2030年有足夠的計算資源 。 如果今天不行動 ， 未來就不會有 。
目前 ， 我們感到在計算資源上絕對受限 。 如果有更多算力 ， 我們可以推出更多產品、訓練更多模型、探索更多多模態內容 。 這種趨勢不僅限于OpenAI ， 去年全球整體硬件投資增加了約2200億美元 ， 芯片預測也上漲了約3340億美元 。 整個環境都在傳遞一個信號：AI是真實存在的 。
我們正處于范式轉變之中 。 我們需要投資 ， 賦予人們完成剛才討論的所有事項所需的智能 。 在OpenAI內部 ， 我們投入了大量時間深入研究消費者、企業和開發者的需求信號 。
我們首先從基礎層思考整體布局 。 在基礎設施層 ， 我們思考如何創造最大的可選性 ， 因此我們希望實現多云、多芯片架構 ， 這為基礎設施層增添了一個有趣的維度 。
往上是產品層 ， 我們也致力使其更加多維 。 過去我們只有ChatGPT ， 而今天 ， 面向消費者的ChatGPT內置了包括醫療在內的所有模塊；我們還有面向工作的ChatGPT ， 以及作為新平臺的Sora和一些變革性的研究項目 。
再進一步 ， 我們的商業模式生態系統也正變得日益多元化 。 起初為了支付ChatGPT的計算成本 ， 我們只有一種訂閱模式 。 現在我們不僅有多個價格點的訂閱服務 ， 還面向企業推出了SaaS定價 ， 并針對高價值場景采用了基于積分的定價模式 ， 因為用戶愿意為更高價值的服務支付更多 。
我們也在考量商業化和廣告等方向 。 從長遠來看 ， 我傾向于能實現真正利益對齊的模式 ， 比如許可模式 。 假設在藥物發現領域 ， 如果我們授權技術幫助客戶取得了突破 ， 一旦藥物暢銷 ， 我們就能獲得相應的分成 ， 這與客戶的目標高度一致 。
如果把這三層結合起來 ， 我把它想象成一個魔方 。 我們從單一模塊、單一云服務商（微軟）、單一芯片、單一產品和單一商業模式 ， 發展到了如今這個完整的三維立方體 。 魔方大約有4300億億種不同的狀態 ， 這讓我著迷 。 想象一下轉動這個魔方：我們可以選擇一款低延遲芯片 ， 配合編碼等人們期望提速5倍的應用 ， 并為此收取高端訂閱費 。 這就好比魔方的一面拼出了三種顏色 。 我們也可以再次轉動魔方 ， 利用低延遲芯片和更快的圖像生成技術吸引更多免費用戶 ， 從而為潛在的廣告平臺創造更多庫存 。
過去12個月 ， 我們的目標就是創造越來越多的戰略選項 ， 確保持續有能力支付實現使命 ， 即造福人類的通用人工智能（AGI）所需的計算成本 。
Vinod Khosla：簡而言之 ， 目前需求的唯一限制就是計算資源的可用性 ， 無論是Sora還是更廣泛的應用都是如此 。 考慮到價格彈性 ， 對計算資源的需求實際上是無限的 。 我們甚至還沒開始利用價格彈性這個杠桿 ， 僅僅是因為受限于計算能力而無法滿足現有需求 。 因此 ， 那些談論“泡沫”的人完全搞錯了方向 。 他們沒有意識到這場變革的規模 ， 以及API調用需求的彈性增長空間有多大 。


4、AI時代與互聯網泡沫時期的區別
Andrew Mayne：作為OpenAI最早的投資者之一 ， 你很早就押注了我們 。 你曾親歷過互聯網泡沫 ， 也見證過移動革命等其他變革 。 我想問 ， 你對AI的堅定信念是否源于它觸及了如此廣泛的領域？
Vinod Khosla：當初投資時 ， 我們的衡量標準非常簡單：沒有任何可供參考的預測、產品計劃或ChatGPT 。 只有一個核心理念：如果開發出的技術接近甚至超越人類智能 ， 其影響將是巨大的 。 這是一個基于宏觀后果的判斷 ， 既然成功的收益如此深遠 ， 為什么不去嘗試呢？
關于泡沫這個概念很有趣 。 人們習慣把泡沫等同于股價 ， 但這除了反映投資者之間的恐懼和貪婪外 ， 說明不了任何問題 。 我認為泡沫應該用API調用的次數來衡量 。 回顧所謂的互聯網泡沫 ， 如果我們看當時的互聯網流量 ， 即便股價劇烈波動 ， 流量本身并沒有出現泡沫 。 同樣 ， 我可以保證 ， 如果以API調用數量作為衡量AI真實用途、實用性和需求的基本指標 ， 你根本看不到泡沫 。
我并不關心華爾街如何解讀 ， 這大多無關緊要 ， 只是給媒體提供了填充版面的素材 。 股價或私有公司估值并不是現實 ， 現實是對AI的實際需求 ， 也就是API調用的數量 。
Sarah Friar：確實如此 。 回看1999年 ， 當時人們從互聯網獲得的價值還非常初級 ， 很難看出它如何改變生活 。 但我認為AI帶來的變化發生得非常快 ， 而且非常真實 。
作為一名CFO ， 我在組織內部看到的真實情況是：我們可以把以前那些需要不斷增加人手去做的、相當枯燥的工作 ， 真正交給系統去完成 。 以收入管理（Revenue Management）為例 ， 團隊以前每天都要下載前一天簽署的所有合同 ， 閱讀并檢查是否存在可能導致收入確認變更的非標準條款 。 這對財務團隊至關重要 ， 也是審計的重點 。 隨著我們業務成倍增長 ， 在沒有AI的世界里 ， 我唯一的選擇就是雇傭更多人去日復一日地閱讀合同 。 這種工作既平庸又乏味 ， 并不是人們學習會計或金融的初衷 ， 但這曾是我們提供的入門級工作 。
如今在OpenAI ， 我們利用自己的工具 ， 系統會在夜間提取所有合同并存入Databricks數據庫 。 Agent會遍歷這些數據 ， 準確指出哪些條款不規范及其原因 ， 并建議如何進行收入確認 。 更重要的是 ， 它能提供洞察 ， 比如某個條款是否屬于銷售人員的違規操作 ， 這就需要我去進行指導；或者這是否暗示我的業務模式正在發生轉變 ， 某些非標準條款其實應該標準化 。 這可能是一件好事 ， 促使我找到新方式既滿足客戶和銷售的需求 ， 又保持商業模式的健康 。 而那些初級員工則可以從枯燥的工作中解脫出來 ， 轉向更有價值、他們更熱愛的工作領域 。
對我來說 ， 這就證明了這不是泡沫 ， 因為價值是真實可觸及的 。 這意味著我可以擁有一個規模更小但績效更高、士氣更高、留存率更好的團隊 。 我可以用數據證明業務變得更健康了 。 媒體用“泡沫”來引導輿論的問題在于 ， 他們忽略了我們是在追隨需求進行投資 ， 目前甚至是需求跑在前面 。 所謂的“泡沫”通常是指投資超前于需求并造成了缺口 。
Vinod Khosla：看看生產力數據就知道了 。 那些正在采納AI的公司 ， 特別是新一批技術導向型公司 ， 生產力都在顯著上升 ， 數字令人驚嘆 。 我最喜歡的例子是一家叫Slash的小公司 ， 年經常性收入（ARR）約1.5億美元 ， 但會計部門只有一名總賬主管 ， 因為他們采用了以AI為導向的ERP系統取代了NetSuite 。 他們CEO甚至向我道歉 ， 說可能得雇第二個人了 。 還有一個新聞是 ， 有人用一個AI銷售開發代表（SDR）替代了10個傳統SDR的工作 ， 剩下的一名員工只需負責監督 。
Andrew Mayne：我聽到兩種說法：一種是不再招聘人手做某些不能帶來增長的工作；另一種是現在可以把招聘名額用在能為公司創造更多增長的人才上 。 這就是許多科技公司發展如此迅速的原因 。
Vinod Khosla：正所謂“未來已來 ， 只是分布不均” 。 我看到單點上巨大的生產力、效率和敏捷性提升 ， 但全球只有極小比例的人采用了這些技術 。 隨著時間推移 ， 這些案例會傳播開來 ， 技術采用率將呈指數級增長 。 所以 ， 需求完全不是問題 。
Sarah Friar：Vinod說得完全正確 。 麥肯錫的研究顯示 ， 處于前四分位的公司生產力提升了約27%到33% ， 這是非常有意義的增長 。 這不僅僅意味著減少員工 ， 而是必須把人員轉移到更側重增長的崗位上 。
我最近遇到一位大型咨詢公司的負責人 ， 她把現在的組織模式稱為“人加Agents（people plus agents）” ， 采用一比五的比例 ， 即一名員工對應五個Agents 。 但在前端 ， 他們實際上又開始重新招聘擴張 ， 因為客戶現在需要更多幫助來部署AI 。 所以工作并沒有消失 ， 而是回到了人們真正想做的創造性工作 ， 而不是單純解析海量信息 。 現在 ， 我們終于可以讓機器和Agents來處理信息解析了 。

5、ChatGPT中的廣告
Andrew Mayne：回到消費者端 ， 你提到了廣告 。 我們的觀點是 ， 通過廣告可以增加收益 ， 從而提供更多服務和AI能力 ， 幫助支付計算成本 ， 讓用戶從免費層級中獲得更多價值 。 但這引出了信任問題 。 用戶擔心ChatGPT如何處理信息 ， 一旦引入廣告 ， 人們就會擔心這會如何影響產品和組織 。
Sarah Friar：首先 ， 目前的現實是我們95%的用戶在免費使用平臺 。 我們的使命是造福全人類的AGI ， 而不僅僅是造福付費用戶 ， 因此提供廣泛的獲取途徑至關重要 。 關于廣告 ， 第一 ， 我們必須確保每個人都明白 ， 你永遠會獲得模型能提供的最佳答案 ， 而不是付費推廣的答案 。 其他平臺在這方面已經倒退 ， 用戶分不清是贊助鏈接還是最佳結果 ， 而我們的北極星原則是模型始終給出最佳答案 。
第二 ， 廣告可以帶來實用價值 。 例如 ， 如果我搜索周末去圣地亞哥的短途旅行 ， Airbnb的廣告可能會非常有用 。 在這種情況下 ， 用戶甚至可能希望在ChatGPT環境中與廣告主進行深度對話 ， 但前提是必須清楚這是廣告場景 。 我們需要創新 ， 讓廣告看起來是平臺固有的一部分 ， 而不是老舊的橫幅廣告 。
第三 ， 必須保留一個無廣告的層級 ， 給予用戶選擇和控制權 。 我們非常重視數據隱私 ， 比如在推出Health功能時 ， 我們明確表示數據是隔離保存的 ， 不會用于訓練 。 信任對OpenAI來說就是一切 ， 即便涉及廣告 ， 我們也會堅守這些原則 。
Andrew Mayne：在消費者方面 ， 未來會不會變成一個用戶訂閱多種不同AI服務的世界？
Vinod Khosla：我認為用戶會使用各種模型 ， 大多數人會有不止一個訂閱 。 媒體行業就是很好的例子 ， 大多數人擁有多個媒體訂閱 ， 這是消費者行為的一個很好參照 。 不同的人會選擇不同選項 ， 包括由廣告支持的免費選項 。 即使是同一項服務 ， 你也可以選擇付費或免費 。 市場將呈現廣泛的多樣性 。

6、消費者會不止訂閱一項AI服務嗎？
Sarah Friar：那你如何看待轉換平臺的成本？我很喜歡ChatGPT的記憶功能 ， 它越來越有用 ， 因為它能記得幾周甚至幾個月前我們討論的內容 。 我現在每天醒來使用的Pulse功能（目前尚未廣泛推廣）非常驚艷 。 當你把它連接到日歷時 ， 它不僅會推送我感興趣的AI數據中心內容 ， 還會提醒我今天要在日歷上和Vinod見面 。 記住這些細節非常有幫助 。
但這涉及到多平臺使用（multi-homing）的問題 。 如果我在多個地方同時使用AI ， 我就無法享受到統一記憶的好處 。 這跟同時訂閱《華爾街日報》、《經濟學人》和《紐約時報》不同 ， 去別處閱讀不會讓我受損 。 但在AI領域 ， 分散使用會導致記憶斷層 。
Vinod Khosla：是的 ， “記憶”確實是一個重要問題 。 未來可能是每個設備有一個模型的記憶 ， 或者是多個模型各自擁有記憶 。 即便在OpenAI的模型上 ， 也會有多個服務提供者提供不同的權衡取舍 。 這就是多平臺使用的概念 。 顯然 ， OpenAI不會占據100%的市場 。
Sarah Friar：這是一個有趣的商業模式 。 人們很難理解這一點 ， 因為它不像Netflix那樣受限于用戶有限的時間 。 我把它看作是基礎設施 ， 更像電力 。
如果你問我一天用多少電？我不知道 。 我今天走進一個房間 ， 風扇在吹 ， 感覺很舒服 ， 燈也亮著 ， 但我并沒有意識到電的存在 。 就像我把手機整晚充電 ， 第二天就能用一整天一樣 。
目前的現狀是 ， 我們更多是在主動調用ChatGPT ， 去喚醒它 ， 而不是讓智能自然地內置于背景中 。 我認為這將是未來幾年最大的變化 。 回過頭看 ， 你會覺得我們現在做的事情像玩具一樣 。 未來 ， 智能將無處不在 ， 環繞在我們周圍 。
我不認為人們的時間是有限的 ， 所以我不會糾結于此 。 我生活中幾乎每一件事都需要智能 ， 即使是行走 ， 我也希望大腦中有智能在運作 。 如果我們能增強這種智能 ， 結果將令人震驚 。 這就像你第一次發現手機上有手電筒和相機時的感覺 ， 事后看顯而易見 ， 但當時卻是革命性的 。
每次使用ChatGPT ， 哪怕是發現一個小小的用例 ， 我都會被震撼 。 比如昨天早上 ， 我很想讀《經濟學人》的一篇社論 ， 但我沒時間閱讀 ， 因為我要趕著上樓準備 。 于是我拍了照片 ， 讓ChatGPT讀給我聽 。 它做到了 ， 體驗太棒了 。 我們才剛剛起步 ， 而多模態將是最大的變革 。 手機教會了我們用拇指交流 ， 而新世界的新硬件將幫助我們理解：我們可以聽、說、看、寫 。 我們將以一種非常接近人類本能的方式完成這些事情 。
Vinod Khosla：讓我換個角度補充一點 。 回看互聯網泡沫時期 ， 互聯網所做的是極大地擴展了你接觸信息的渠道 ， 無論是媒體、YouTube視頻還是TikTok 。 信息量爆炸到了人類無法完全利用的程度 。 我把AI看作是在你每天有限的清醒時間里的補充 ， 它能篩選信息 ， 讓你利用它的每一小時都成為最高效的一小時 。 智能會將世界縮減為對你個人最相關的事物 。 我可能和Sarah有一套不同的優先級 ， 智能會分別為我們總結對各自最相關的內容 。

7、AI時代企業端如何取得成功？
Andrew Mayne：我們要談談企業端的問題 。 OpenAI在消費者端很有優勢 ， 但在企業端 ， OpenAI將如何競爭并取勝？
Sarah Friar：我認為我們已經在企業端勝出了 。 90%的企業要么表示正在使用OpenAI ， 要么計劃在未來12個月內使用 。 微軟也在使用我們的技術 ， 這是另一個重要因素 。
實際上 ， 消費者業務是推動企業業務發展的巨大飛輪 。 正如早年人們第一次把iPhone帶到工作場所 ， 盡管企業最初抵觸 ， 但最終無法抵擋消費者偏好的潮流 。 當我在生活中習慣了某種工具 ， 我會期望工作中的工具至少要一樣好 ， 甚至更好 。 這就是推動我們企業業務增長的原因 ， 使我們成為最快達到100萬家付費企業的平臺 ， 這一過程大約只用了一年半 。
但這只是冰山一角 。 下一步是深入垂直領域 ， 用客戶的語言與他們交流 。 企業銷售的藝術在于：不是推銷產品 ， 而是先了解問題 。 我們要問CEO：董事會強制你做什么？你的客戶想要什么而你無法提供？然后我們將智能應用到這些問題上 。
我們可以從輕度垂直化發展到深度垂直化 。 例如在能源公司 ， 利用強化學習模型真正理解特定的油井或地震數據 ， 以判斷氣田的回收量 。 此外 ， 我們正在推進一些變革性的研究項目 ， 實際上是接管公司某部分的業務 ， 幫助他們以更聰明、更快速的方式重構業務流程 ， 從而推動關鍵指標 。
這是一個旅程 。 大多數企業從全面部署ChatGPT開始 ， 這只是起步 。 很多企業已經開始利用AI進行編碼 。 我和一些CEO交流時 ， 他們會說：“我60%的生產代碼現在是由Agent構建的 。 ”而在12個月前 ， 他們甚至不知道生產代碼是什么 。
在Agent方面 ， 一切才剛剛開始 。 目前只有約14%的美國企業在使用某種代理式解決方案 。 正如我提到的財務部門的案例 ， 機會是巨大的 。
Andrew Mayne：如果我是創業公司 ， 看到OpenAI做的一切 ， 我會問：還有我的空間嗎？
Vinod Khosla：模型會不斷進化 ， 能力越來越強 ， 但我確信在模型之上還有巨大的構建空間 。 沒有哪家公司能包攬一切 。 全球有數十億人在工作 ， AI能輔助他們 。 OpenAI不可能在每個領域都做到專業化 。
對于創業公司 ， 謹慎的做法是明確基礎模型（無論是OpenAI還是其他家）的發展方向和能力邊界 ， 然后專注于更有趣的領域 ， 在基礎模型之上增加某種專門化 。 單靠智能并不是解決方案的全部 ， 解決方案周圍還有很多配套要素 。 模型越強大 ， 依附于其上的機會就越多 。
Sarah Friar：我經常思考那些聚合了大量獨特數據的用例 。 世界上95%的信息實際上都在公司或大學的防火墻后面 。 那些已經建立了業務并匯總了這些數據的公司 ， 擁有獨特的優勢 。 除了數據 ， 他們還管理著復雜的工作流 。
以采購系統為例 ， 系統本身并不復雜 ， 但它擅長理解授權委托等邏輯 。 它知道董事會批準的審批限額 ， 知道超過某金額必須由我批準 ， 低于某金額可由副總裁批準；它還能訪問HR系統確認員工職級 。 這種結合了合規與治理的復雜流程 ， 能讓公司運轉得更快 。 這就是我對創業公司感興趣的領域：你在哪里能獲取具有復雜工作流的獨特數據？這才是護城河 ， 我們希望能與這類公司合作 。 通用模型無法獨自完成所有這些工作 。
Vinod Khosla：我完全同意 。 機會非常多 。 我見過不少初創公司專注于數據權限管理 ， 即誰可以訪問哪些信息 。 也有很多公司專注于為企業定制模型 ， 以適應其歷史數據和優先級 。
Sarah Friar：關于Agent ， 尤其是代理的身份認證方面 ， 當Agent之間開始交互時 ， 會產生新的風險和權限設定問題 ， 甚至衍生出“代理式商業”（Agentic Commerce） 。 這種即將到來的復雜性是巨大的 。 所以 ， 現在做初創公司可能從未像現在這樣有趣或充滿吸引力 。
Andrew Mayne：當你與一家公司交談時 ， 什么會讓你感到興奮？
Vinod Khosla：最難的總是找到優秀的人才 。 但我認為長期短缺的是主動權（Initiative） ， 即人們讓事情發生的能力 。 歸根結底還是人的問題 。 傳統的因素 ， 如熟悉某個領域或擁有該領域的經驗 ， 現在已不那么重要了 ， 更重要的是主動性 。

8、機器人與未來愿景
Andrew Mayne：我們還沒談到機器人、現實世界模型這些領域 。 您曾談到過2050年的愿景 ， 現在模型發展這么快 ， 您怎么看機器人的發展方向？
Vinod Khosla：我在兩年前的TED演講中說過 ， 機器人行業（不論是雙足還是其他類型）在15年內的規模會比今天的汽車行業還要大 。 汽車行業已經是地球上最大的行業之一 ， 而機器人行業將由智能驅動 ， 規模會更龐大 。 目前很少有汽車公司以這種宏大的視角看待世界 ， 他們只想著如何在裝配線上使用機器人 。 這對初創公司來說是巨大的機會 。
Sarah Friar：是的 ， 我們有時會低估這其中的潛力 。 以家庭機器人為例 ， 雖然目前還沒有真正的突破 ， 主要受限于復雜性問題 。 在AI領域待得越久 ， 我越對人類在物理世界中移動和做事的能力感到敬畏 。
大家可能會為機器人能疊衣服感到興奮 ， 這當然很好 。 但我們容易陷入一種觀念 ， 覺得機器人必須像人類一樣做所有事 。 實際上 ， 突破點可能在于更感性的層面 ， 比如陪伴 。 隨著人口老齡化 ， 孤獨是最大的流行病之一 。 對于獨居老人 ， 有人能以直觀、有人情味的方式與他交流是最寶貴的 。 我們看到越來越多的人使用ChatGPT進行這種對話 。
未來的突破可能不需要機器人會做咖啡或洗碗 ， 而是一些更簡單的功能 ， 但這能帶來巨大的價值 。 這正是Vinod所說的“爬行、學走、奔跑”的過程 ， 其綜合價值可能比汽車行業高出好幾倍 。
Andrew Mayne：有趣的是 ， 我們現在正處于可以用機器人替代某些勞動的階段 。 當你可以極低成本地獲得勞動力和制造能力時 ， 世界將發生巨變 。 例如 ， 當建設一流輔助生活設施的成本大幅下降 ， 將會帶來深遠影響 。 這真正意味著什么？
Vinod Khosla：我個人的觀點是 ， 可能在下個十年末 ， 我們會看到一個大規模的“通縮型經濟” 。 因為勞動力將接近免費 ， 專業知識將近乎免費 ， 大多數功能的成本將趨近于零 。 雖然具體購買力與商品生產如何互動還難以精準判斷 ， 但我預計通縮程度將遠超人們預期 。
這涉及到社會層面的適應問題 。 人們將如何謀生？我經常被問到這個問題 。 我認為政府能夠保障的最低生活標準將會比現在高得多 ， 而且無需通過賺取收入來實現 。 我無法想象現在的初級醫療服務如果好上十倍 ， 而成本只需每月一美元是怎么做到的 ， 但這將成為現實：免費的初級醫療、免費的教育幾乎不需要成本 。 幾乎每個人都會有AI輔導 ， 每個孩子都有私人導師 ， 這已經在發生了 。
所以 ， 將會有一系列服務變成免費的 。 當然也有棘手的問題 ， 比如住房 。 對于美國收入后50%的人口來說 ， 住房和食物占了他們收入的40%以上 。 但我確實認為 ， 通過機器人技術和更好的方法 ， 這些問題最終都能得到解決 。

    推薦閱讀