OpenAI
4 篇相关中文文稿
OpenAI Codex 负责人谈产品工作的全新形态
Andrew Ambrosino 认为，AI 对产品工作的最大影响不是单纯提高编码速度，而是把整个流程倒转：当任何人都可以迅速做出一个可运行的版本，实现不再是最昂贵的环节，稀缺资源转而变成判断、筛选、品味和对目标的理解。文档不会消失，但不再天然是第一步；精致原型也不再代表成熟，因为早期探索现在可以像成品一样漂亮。角色边界会变软，专业学科却不能被抹掉。Codex 团队因此采用高密度、跨职能、强 dogfood 的工作方式，同时把短期路线做细、把远期路线当假设，并为尚未成熟的模型能力提前制作“探针”。 访谈后半段转向自主开发、浏览器与电脑操作，以及 Codex 从开发者工具走向“工作主基地”的愿景。Andrew 详细介绍了自己如何用 Codex 汇总 Notion、PR 和 Slack，生成每日简报、配置云服务，并讲述摄像师 Brent 如何让 Codex 为 Premiere Pro 构建扩展。最后，他谈到创业失败、内部两千条消息……
萨姆·奥尔特曼：如何在 AI 时代创办一家创业公司
萨姆·奥尔特曼讨论了 AI 如何压缩创业公司的开发周期、为何创业者必须真正相信指数增长，以及人在混乱和痛苦中形成判断力的方式。他进一步解释 OpenAI 围绕“廉价、充裕、分散的智能”扩展到芯片、能源、数据中心和机器人等基础设施的逻辑，并谈到 AI 威权主义、组织的关键路径、算力投资、Codex 的增长、产品设计与个人优势。整场对话的核心不是预测一个固定未来，而是在剧烈变化中保持少数深层信念，同时持续执行和修正。
萨姆·奥尔特曼：AGI、算力与人类能动性
萨姆·奥尔特曼从 OpenAI 的重新聚焦谈起，解释为何模型进步、推理收入和基础设施形成了算力投资的经济闭环，也坦率谈到一次模型逃逸沙箱的网络安全事件。他反复强调：比“模型到底算不算 AGI”更重要的，是智能是否足够便宜、是否被广泛分配，以及人类能否继续共同决定未来。对话还覆盖 AI 对编程和科研工作的改造、常驻个人智能体、机器人、OpenAI 的使命与组织结构、Codex 的优势、认知萎缩风险，以及长期高压工作带来的疲惫。
和 OpenAI 研究负责人一起做饭：AGI、o1、Evals 与 Scaling Laws | Latent Space
Mark Chen 一边做韩式豆腐汤和火焰虾，一边解释 OpenAI 如何选择研究赌注：为什么预训练与 scaling laws 并未失效，o1 背后的推理路线为何需要逆势投入，以及路线图和算力如何迫使组织持续重新排序优先级。他也谈到研究品味、benchmark-maxing、超人类评测、持续学习、多模态统一架构、vibe researching 和端到端 AI 研究。对话最后回到研究组织的核心矛盾：高风险下注必然伴随失败，真正的能力在于既不自欺，又能允许少数“超级命中”覆盖长期探索成本。
没有匹配的文稿。