OpenAI 主题演讲解读与新品分析

本文可作为 YouTube 视频论文观看

2013 年，当我创办 Stratechery 时，没有比新 iPhone 发布更大的盛事；唯一能与之比肩的是 Google I/O，那是 Android 最新版本发布的时刻（硬件往往能打破平手局面，包括 Apple 在 WWDC 上推出 iOS 的时候）。这不仅仅是因为智能手机相对较新且仍在增加关键功能，更重要的是这些平台的战略决策和最终走向仍是未知数。更进一步说，整个科技产业的未来显然都与这些平台及其对应的操作系统和设备息息相关；keynote 怎么会不是大事件呢？

快进十年，科技 keynote 的重要性已大幅下降，在 Apple 的情况下甚至完全消失了，被预录的营销视频取而代之。我想对此感到愤怒，但这是有道理的：iPhone 发布的影响力并非因为 Apple 的呈现而削弱，而是 Apple 的呈现反映了这样一个现实——关于 iPhone 最重要的问题是营销策略问题。你如何划分 iPhone 产品线？如何定价？你想建立什么样的品牌亲近力？就这样，我总结了 iPhone 15 的发布，以及这样一个现实：就战略考量而言，智能手机时代——初期的结束——已经结束了。iOS 和 Android 已经成为既定事实，但接下来是什么、还未可知。

答案显然是 AI，但即使在这里，能量似乎也有所保留：Apple 除了在财报电话会议中向投资者保证正在研究生成式 AI 外，没有更多讨论；Google I/O 当然是关于 AI 的，但主要是在 Google 自有产品的背景下——其中很少有真正推向市场的——我当时的文章也很快转向了关于 AI 创新本质（持续性与破坏性）、科技革命对比对齐问题的哲学讨论，以及对上周随之而来的 AI 行政命令所引发的监管战争的预览。

Meta 的 Connect keynote 则有趣得多：AI 角色不仅被添加到 Meta 的社交网络中，明年你将能够通过智能眼镜随身携带 AI（我就说了硬件很有趣！）。但没有什么似乎比昨天 OpenAI 开发者大会的能量更相匹配——这是他们第一次举办这样的活动：在科技界，没有什么比一个已有产品市场契合度的消费产品更有趣的了。对我而言，这足以重启一个老 Stratechery 的传统：keynote 日评。

Keynote 的形而上学与 GPT-4 Turbo

首先，这是一场真正优秀的 keynote，就 keynote 作为工艺品而言。CEO Sam Altman，在与 Microsoft CEO Satya Nadella 的幽默互动中，承诺说"我不会占用你太多时间"；尽管 Nadella 大概是专程从某处飞到旧金山参加这场活动：在这个例子里，他代表了那些见证了一场紧凑、内容有趣的演讲的观众，让他们想要了解更多。

Altman 本人具有良好的舞台表现，带着那种只出现在现场 keynote 中的紧张活力；他似乎永远不知道另一位主讲人会从舞台的哪一边走上来，这使人更感亲切。与此同时，现场演示不仅进行得完美无缺，而且充分利用了现场的优势：在一个例子中，主讲人指示一个自己创建的 GPT 给 Altman 发短信；他举起手机展示他收到了短信。在另一个例子中，一个 GPT 随机选择了观众中的五名成员各获得 500 美元的 OpenAI API 代金券，之后又将其扩展到所有人。

新产品和功能的推出时间是"今天"，而不是几周或几个月后，这与 I/O 或 WWDC 等活动越来越常见的情况相反；所有这一切结合起来，创造了明显的进步感和兴奋感，就 AI 而言，这在很大程度上是真实的。

GPT-4 Turbo 是我所说的"在很大程度上"的一个很好的例子。该 API 包含六项新功能：

增加的上下文长度

更多的控制，特别是在模型输入和输出方面

更好的知识库，这既意味着将关于世界的知识截止日期更新到 2023 年 4 月，也意味着为开发者提供轻松添加自己知识库的能力

新的模态，因为 DALL-E 3、Vision 和 TTS（文本到语音）将全部包含在 API 中，并将推出新版本的 Whisper 语音识别

定制化，包括微调和自定义模型（Altman 警告说，这不会便宜）

需要明确的是，这仍然是相同的基础模型（GPT-4）；这些功能只是让 API 更易用，无论是在功能还是性能方面。这也说明了 OpenAI 如何成为一家越来越多的产品公司，持续迭代其核心功能。是的，使命仍然是 AGI（通用人工智能），核心科学团队几乎肯定正在从事 GPT-5 的工作，但 Altman 和团队并不仅仅是把模型丢给行业其他人去摸索。

下一个"功能"与 GPT-4 Turbo 的推出密切相关：API 变便宜了（输入 token 便宜 3 倍，输出 token 便宜 2 倍）。不出所料，这个公告从现场的开发者中引起了欢呼；作为分析师，我欢呼的是 Altman 对公司优先级的清晰表述：价格优先，速度其次。你当然可以争论这是否是正确的优先级（我认为是，因为现在最大的需求是增加实验，而不是优化），但我所欣赏的是这种清晰性。

随后与 Nadella 的简短"访谈"也很恰当：OpenAI 的定价最终是 Microsoft 构建支撑该定价的基础设施能力的函数。Nadella 实际上在 Microsoft 最近的财报电话会议上解释了公司如何完成这一点：

我们采取的方法确实是一个完整堆栈的方法，从无论是 ChatGPT、Bing Chat 还是我们所有的 Copilots，它们都共享同一个模型。所以在某种意义上，我们拥有的优势之一是对我们使用、训练和推理的那个单一模型拥有非常、非常高的杠杆。这个优势一直沿着内部利用、第三方利用，甚至随着时间推移，你可以看到一种堆栈优化，直到硅级别，因为开发者基于的抽象层远高于低级别的内核。

因此，我认为我们采取的基本方法是一种技术方法，即说我们将拥有 Copilots 和 Copilot 堆栈的所有可用性。这并不意味着我们没有人在做开源模型或专有模型的训练。我们也有一堆开源模型。我们有很多微调工作在进行，很多 RLHF 工作在进行。所以有各种各样的方式让人们使用它。但关键是，我们在所有第一方 SaaS 应用以及我们的 API 和 Azure AI 服务中，都拥有一个经过训练的大型模型和一个用于推理的大型模型的规模杠杆……

从云端学到的教训是——我们不是在运营一个不同业务的集团，而是一个贯穿 Microsoft 整个产品组合的技术堆栈。我认为这将非常重要，因为这种纪律，考虑到支出会怎样——对于这个 AI 转变，任何在资本支出方面不严格的企业都可能遇到麻烦。

Microsoft 从 OpenAI 获益是显而易见的；这使人清楚的是，OpenAI 以独特的方式也从 Microsoft 获益，这是他们从其他云提供商那里不会获得的方式：因为 Microsoft 也是一家产品公司，投资于运行 OpenAI 模型的基础设施，以供这些产品使用，它能够以一种单独的 OpenAI，即使得到另一个云提供商的支持，也无法做到的方式进行优化和超前投资。在这种情况下，这得到了回报——开发者需要支付更少费用，或者，理想情况下，有更多空间来发现使用案例，这些案例会导致他们支付的费用远更高，因为使用量爆炸性增长。

我之前提到过 GPTs；你可能感到困惑，因为这个名字要么是天才要么是完全的灾难。当然，你也可能对 ChatGPT 这样说：大规模的消费者采用往往会使看起来不那么好的选择在事后变得伟大，我可以看出 OpenAI 为什么在寻求基本上将 "GPT"——生成式预训练 Transformer——作为一个 OpenAI 聊天机器人品牌化。

不管怎样，这是 Altman 解释 GPTs 的方式：

GPT 是为特定用途量身定制的 ChatGPT 版本。你几乎可以为任何事情构建一个 GPT——也就是 ChatGPT 的定制版本——为它配置指令、扩展知识和操作，然后发布给其他人使用。由于 GPT 结合了指令、扩展知识和操作，因此能为你提供更大帮助。它们可以在许多情境下表现得更好，也能让你获得更强的控制力。它们会让你更轻松地完成各种任务，或者单纯获得更多乐趣，而且你可以直接在 ChatGPT 中使用它们。实际上，你只需用语言和 GPT 交谈，就能对它进行编程。你可以轻松定制它的行为，使其符合自己的需求。这大幅降低了构建 GPT 的门槛，并赋予每个人自主行动的能力。

我们将向大家展示 GPT 是什么、如何使用 GPT、如何构建 GPT，然后讨论 GPT 将如何分发，以及用户将如何发现它们。之后，我们还会面向开发者展示如何将这类类似 AI 智能体的体验构建到你自己的应用中。

Altman 展示的例子包括 Code.org 用于规划课程的 GPT，以及 Canva 通过自然语言进行视觉设计的 GPT。正如 Altman 所说，第二个例子可能让人觉得似曾相识：Canva 曾经为 ChatGPT 提供过一个插件，而 Altman 解释称：“我们已经将插件演变成了 GPT 的自定义操作。”

我认为插件这一概念非常有意思，它也提供了一种有用的方式，帮助我们理解大语言模型的能力与局限。我曾在《ChatGPT Gets a Computer》中写道：

这种方法意味着，计算机是确定性的：如果电路 X 处于导通状态，那么 X 所表示的命题就为真；1 加 1 永远等于 2；在浏览器中点击“后退”就会退出当前页面。当然，从单个晶体管到我们可能借助计算机执行的任何操作之间，存在着大量抽象和海量逻辑——以及实际上近乎无限的潜在 bug——但理解计算机时，恰当的心智模型是：它们会严格按照指令行事（事实上，bug 并不是计算机犯了错误，而是程序员指示计算机做了错误的事情）……

然而，大语言模型采用的是概率性方法，它们在许多领域都表现出令人震惊的直觉能力，但也可能产生幻觉，而且非常不擅长数学；这正是 OpenAI 推出的插件中，最引人注目的是 Wolfram|Alpha 的原因。Stephen Wolfram 解释道：

几十年来，在对 AI 的思考中，一直存在着一种二分法：一边是 ChatGPT 所采用的“统计方法”，另一边则是实际上构成 Wolfram|Alpha 起点的“符号方法”。但如今——得益于 ChatGPT 的成功，以及我们为了让 Wolfram|Alpha 理解自然语言而完成的所有工作——我们终于有机会将二者结合起来，创造出远比其中任何一方单独所能实现的更加强大的东西。

这正是最终发生的结合，也由此产生了那篇文章的标题：

这套方案能如此出色地运行，本身就证明了助手型 AI 是什么，又不是什么：它们并不是我们过去所理解的那种计算方式；它们“思考”和交流的方式与人类惊人地相似。坦率地说，我也很难独自解决那三个问题——这正是计算机存在的意义！而现在，ChatGPT 拥有了自己的计算机。

我仍然认为这个概念极其优雅，但它有一个问题：用户界面糟糕透顶。你必须先从“市场”获取插件，然后在开始对话之前预先选中它；只有完成这一切之后，ChatGPT 还要经历一个过于漫长的过程，与相关插件提供方协商答案，最终你才能得到可用的结果。

这种新模式在一定程度上缓解了这个问题：现在，你不必再选择正确的插件（也就不必重新开始聊天），只需直接进入相应的 GPT。换句话说，如果我想制作一张海报，我不会在 ChatGPT 中启用 Canva 插件，而是直接进入侧边栏中的 Canva GPT。请注意，这实际上并没有解决必须选对工具的问题；它所做的，是在流程中更合适的阶段，以更加明显的方式向用户呈现这一选择，而这一点绝非微不足道。我还猜测 GPT 会比插件快得多，因为它们从一开始就集成在系统之中。最后，独立 GPT 也更加契合 OpenAI 正在尝试发展的商店模式。

不过，还有一种更好的方式：Altman 对此进行了演示。

ChatGPT 与通用界面

在介绍上述 GPT 之前，Altman 谈到了 ChatGPT 的改进：

尽管这是一场开发者大会，但我们还是忍不住要对 ChatGPT 做出一些改进。先说一个小改进：ChatGPT 现在使用 GPT-4 Turbo，其中包含所有最新改进，也包括最新的知识截止时间，而且我们会继续更新——这些改进今天已经全部上线。现在，它可以在需要时浏览网页、编写并运行代码、分析数据、生成图像，以及完成更多任务。我们也听到了大家的反馈：那个模型选择器非常烦人。从今天开始，它将被移除。你不必再在下拉菜单中来回点击。所有这些能力都会协同工作。ChatGPT 会自行判断该使用什么，以及你何时需要它。但这还不是最重要的事情。

你可能会疑惑，既然按照 Altman 的说法，GPT 才是重头戏，为什么我却把这一节放在 GPT 之后：因为我认为，这项功能增强实际上重要得多。正如我刚才所说，GPT 为一个优雅的插件概念提供了稍好一些的 UI；在这个概念中，概率性的大语言模型获得了访问确定性计算机的能力。然而，最好的 UI 是根本没有 UI，或者更准确地说，只有一个 UI，也就是我所说的“通用界面”。

在这里，“网页浏览”或“图像生成”本质上都是插件：它们是一些专门能力，在今天之前，你必须显式调用它们；而从今往后，它们将直接工作。ChatGPT 会在文本生成、图像生成和网页浏览之间无缝切换，用户无需改变上下文。要让插件/GPT 的构想最终扎根，就必须广泛扩展同样的能力：如果我的对话涉及数学，ChatGPT 应该自行判断使用 Wolfram|Alpha，而不需要我添加插件或前往某个专门的 GPT。

我能理解为什么这种能力尚未出现：如何恰当地公开各种能力，并训练模型判断何时调用这些能力，存在显而易见的技术挑战。这正是 Clayton Christensen 教授关于集成与模块化理论的教科书式案例：当产品还不够好时，集成的效果更佳；只有当产品的表现超出预期之后，标准化和模块化才有发展空间。就此而言，ChatGPT 直到现在才获得无需人为选择模式便可生成图像的能力：我预计，让它主动寻找那些不那么显而易见的工具，会是一件相当困难的事。

事实上，整个插件/GPT 路线最终也可能成为一条死路；在主题演讲临近结束时，OpenAI 开发者体验负责人 Romain Huet 明确演示了 ChatGPT 如何对计算机进行编程。演示场景是分摊巴黎一间 Airbnb 的账单：

Code Interpreter 现在也已在 API 中提供。它让 AI 能够针对文件编写和生成代码，甚至生成文件。让我们看看实际效果。如果我在这里说：“嘿，我们四个朋友要住在这间 Airbnb，我应该支付多少住宿费，再加上我的机票费用？”

现在发生的情况是，Code Interpreter 发现它应该编写一些代码来回答这个问题，于是它正在计算我们要在巴黎住多少天、朋友的人数，同时也在后台进行汇率换算，从而为我们得出答案。这并不是最复杂的数学问题，但你们应该明白其中的含义：想象一下，你正在构建一个非常复杂的金融应用，需要处理无数数字、绘制图表——实际上，无论是什么可以用代码解决的任务，Code Interpreter 都能出色地完成。

呃，有什么任务是你不会用代码解决的？公平地说，Huet 指的是相对简单、偏重数学的任务，而不是彻底重建互联网上的每一个应用；但一个值得思考的问题是：面对哪些问题，ChatGPT 将获得选择正确工具的智慧；面对哪些问题，它又会直接通过暴力方式构造一个全新的解决方案。事实上，从计算史来看，后一种情况的概率反而更高：许多问题的解决，靠的不是巧妙的算法，而更多是对摩尔定律的利用。

消费者与硬件

说到 Stratechery 创办的第一年，我正是在那时首次讨论了集成与模块化，文章标题是《What Clayton Christensen Got Wrong》；正如标题所暗示的，我并不认为这套理论放之四海而皆准：

Christensen 本人在上文摘录的第一段引文中（写于 2006 年），便阐明了其理论的主要缺陷：

你也可以在飞机、软件和医疗设备中看到这一点，一次又一次。

问题在于：消费者不购买飞机、软件或医疗设备。企业才会购买。

Christensen 的理论基于由企业（而非消费者）做出的购买决策的例子。这一点很重要的原因是低端颠覆理论假设：

能够记录和测量所有重要的属性

模块化供应商可以在所有对购买者重要的属性上变得"足够好"

这三个假设在消费者市场中全都失效了，这最终也是为什么 Christensen 的理论同样失效。让我逐一分析：

总结论点，消费者对事物的关心方式与你可能附加给其效用的任何价格不一致，他们优先考虑易用性，并关心用户体验的质量，因此特别对模块化解决方案固有的接缝感到烦恼。这意味着集成解决方案会赢，因为永远不会"足够好"；正如我在 Amazon 的背景下所指出的那样，神圣的不满足是颠覆的解药：

Bezos 的信件虽然揭示了专注于客户的另一个优势：它使过度满足变得不可能。当我五年前写那篇文章时，我想到的是将专注于用户体验作为一条渐近线提供的机会：人们可以越来越接近终极用户体验，但永远无法实现它：

然而事实上，消费者期望并非静态的：如 Bezos 所说的那样，他们是"神圣的不满足的"。今天的惊喜事物是明天的基本标配，也许令人惊讶的是，这为商业提供了巨大机会：如果你的公司致力于为消费者提供最佳可能的体验，那么你的公司将永远无法实现其目标。

在 Amazon 的情况下，这种无法实现且不断变化的目标嵌入在公司文化中，加上公司在已建立业务的利润基础上创立新业务的既定能力，形成了某种永动机。

我看不出这两篇文章为什么不会适用于 ChatGPT：虽然我可能会辩称幻觉在某种意义上是一个特性而非漏洞，但事实是许多人使用 ChatGPT 获取信息，尽管它在事实准确性方面有充分记录的缺陷；这个缺陷是可以接受的，因为对客户来说易用性值得牺牲准确性。或者看看插件：最初实现的概念已经被放弃了，因为用户界面的复杂性比任何可能的效用都更有害。似乎这种模式可能会继续：当然，消费者会说他们想要准确性和第三方工具；他们的行动将继续表明便利和易用性最重要。

这有两个含义。首先，虽然这可能是 OpenAI 的第一次开发者大会，但我仍然不相信 OpenAI 会成为一家真正以开发者为中心的公司。我认为这是 Altman 的计划，但现实以 ChatGPT 的形式介入了：ChatGPT 是自 iPhone 以来最重要的面向消费者的产品，使 OpenAI 成为一家意外的消费者科技公司。这反过来又意味着集成将继续比模块化更重要，这对 Microsoft 的计算堆栈很有利，对开发者可能就不那么令人兴奋了。

其次，使用 ChatGPT 仍然存在一个巨大的摩擦点；来自《AI、硬件和虚拟现实》：

AI 确实是全新的、革命性的东西，能够成为不仅仅是家庭作业帮助的东西，但我认为现有的界面不是正确的。与 ChatGPT 交谈比打字更好，但我仍然需要启动应用并设置模式；视觉是一种令人惊叹的能力，但调用它需要更多的意图和摩擦。我可以想象一个场景，其中 Meta 的 AI 在技术上不如 OpenAI，但仅因为以更好的形态出现而更加有用。

在突出了一些关于 OpenAI 可能与 Jony Ive 合作构建硬件的新闻报道后，我得出了结论：

显然在潜在硬件产品之前有许多步骤，包括实际同意构建一个。当然，还有一个事实，即 Apple 和 Google 已经制造了每个人都随身携带的设备，其中后者特别在自有 AI 能力上投资巨大；押注市场中硬件赢得 AI 中的硬件机会是最安全的赌注。这可能不是 OpenAI 或 Meta 放弃其努力的理由，不过：与 Google 和 Apple 进行硬件战争会很困难，但如果 AI 能力的完全实现取决于完全消除人类摩擦的过程，那么仅仅是"一个应用"可能会更糟。

这是通用界面的含义，而 ChatGPT 正在努力成为：它也需要普遍访问，而这对任何"仅仅是一个应用"的公司来说将永远是一个挑战。是的，如我所指出的那样，由于 Apple 和 Google 的主导地位，可能性似乎很小，但我认为存在范式转变的键盘演讲才刚刚开始卷土重来的可能。

在 Facebook 上分享（在新窗口中打开）

在 X 上分享（在新窗口中打开）

在 LinkedIn 上分享（在新窗口中打开）

以电子邮件发送链接给朋友（在新窗口中打开）