在 Matthew Berman 最新一期访谈中，OpenAI 产品负责人 Tibo 围绕 Codex 的发展、个人 AI 智能体、模型效率提升与递归式自我改进，分享了他对下一波人工智能浪潮的判断。

Tibo 详细介绍了 OpenAI 如何推动 ChatGPT 与 Codex 合并，打造能够理解用户目标、日常工作和个人偏好的通用智能体；也解释了超高速模型将如何改变开发者的工作方式，让 AI 能够与人保持同步，甚至在部分任务中快于人类。对话还延伸到了 OpenAI 的产品文化、与 Anthropic 的竞争、模型效率优化、暂停前沿强化学习训练，以及 AI 如何逐渐变得更便宜、更普及等话题。

本文编译自 Matthew Berman 访谈内容，原文链接https://www.youtube.com/watch?v=4qjEgPojjzM，以下是完整编译。

1

从 DeepMind 到 OpenAI：研究成果必须真正交付给用户

Matthew Berman：我想先从你在 Google 的经历聊起。你当时在 DeepMind 团队，ChatGPT 出现之前，Google 内部其实已经有一个叫 LM Chat 的项目。你曾经发过一条消息，说 Google 当时太紧张，不敢把它发布出来；DeepMind 也被限制推出可能颠覆 Google 的产品。那时候你正在参与这些项目，还远在 ChatGPT 改变世界之前，你当时是怎么想的？

Tibo：那是一段非常令人兴奋的时期。DeepMind 是一个极具创造力的地方。我当时主要负责基础设施和产品，目标是加速研究。团队里当然有人在做语言模型和模型规模化训练，而且已经取得了相当不错的结果。接下来很自然的问题就是：能不能把这些模型变成一个可以对话、能够被人用于各种事情的工具？于是，类似 LM Chat 这样的想法就逐渐出现了。它最开始只是内部项目，后来团队也产生了把它做成公开工具的想法。

Matthew Berman：这大概是什么时候？

Tibo：大概是在 ChatGPT 发布前一年左右。除此之外，我们还在做很多其他事情，不过这些内容我就不展开了。DeepMind 当时确实是一个非常有创造力的地方。但它并不是一个以交付产品为目标建立起来的组织，这一点和 OpenAI 非常不同。在 OpenAI，研究和产品之间的合作非常紧密。双方会一起提出想法，也会共同设计产品。我们有很强的产品交付倾向，也非常希望把技术尽快交到用户手中。这一点是我非常喜欢的地方，也是吸引我来到 OpenAI 的原因之一。这里有使命感，有优秀的人，也有非常高的人才密度。

Matthew Berman：你当时参与 LM Chat 的时候，是否已经意识到它很特别，或者它未来可能会变得很特别？

Tibo：当时确实感觉它非常特别。那是我们第一次意识到，模型可以生成连贯的文字，而且能够提供一些真正有帮助的内容。最开始，它带来的更多是“有趣”，而不是“有用”；但随着模型不断改进，它逐渐变得越来越有帮助。你刚才说我经常会想起那段经历，我确实会。对我来说，这不仅关系到我在团队里希望建立什么样的文化，也关系到 OpenAI 整体的文化：哪些好的东西应该保留，哪些事情不应该重蹈覆辙。

OpenAI 是一种非常自下而上的文化，也是一种充分授权员工的文化。大家可以提出各种想法，快速聚在一起，然后很快把东西做出来。一般来说，面对新产品想法时，组织内部很少有强大的“踩刹车”力量。这种感觉非常令人兴奋，也很有趣，因为大家都在努力让世界变得更好。当然，这种文化也需要另一种力量来平衡。我们不能把产品做成各种功能的杂乱拼盘，不能没有整体方向，也不能缺乏一致性。产品既要简单易用，也要经得起质量检验。ChatGPT 的 iOS 应用就是一个很好的例子，它是目前最优秀的应用之一。我们会继续投入精力提升产品的愉悦感、性能、效率和简洁性，同时继续让每个人都能尝试新东西，并快速交付。

Matthew Berman：如果让你给一位创业者提建议，告诉他如何建立类似 OpenAI 的文化，你会提到哪些更具体的做法？

Tibo：首先要有坚定的判断，也要想办法尽快让用户使用产品，然后根据反馈快速迭代。除此之外，还要愿意颠覆自己。这一点对创业者同样重要，但对 OpenAI 这样的成熟公司尤其重要。我们不断提出新的研究成果和新的想法，关键在于判断什么时候应该投入资源，即使这意味着要从当前最重要的业务中重新调配资源。这个过程很困难，但公司必须具备这种能力。

Matthew Berman：这正是你刚才描述 Google 时提到的问题。Google 当时似乎没有做到这一点。对于 OpenAI 或任何正在成长的公司来说，随着公司越来越成熟，保持这种快速交付、愿意颠覆自己的文化，是不是会越来越难？特别是当公司已经拥有一个不断赚钱的核心业务，而旁边又出现了一个可能很有创新性的新方向时。

Tibo：我们非常关注未来。人工智能接下来会发展成什么样，人类最终能从中获得什么，并不会因为你过去几个月建立了什么业务就停下来等你。所以，公司必须真正睁大眼睛，看清楚事情正在向哪里发展，然后想办法让自己站在这股浪潮上。

即便是在 OpenAI，我们训练出模型之后，也往往需要亲自使用它，才能真正发现模型具备哪些能力。基准测试不可能告诉我们全部信息。我们需要和模型反复互动，才会突然意识到：“原来它还可以这样使用。”这往往会改变我们对产品的理解。

比如现在的新语音功能，使用起来非常自然，而且已经具备调用工具的能力。它改变了我的工作方式：我现在会花更多时间直接和它对话。我也经常使用听写功能，因为它的听写质量非常好，比手动输入提示词高效得多。早上我拿着手机，把当天需要做的几件事直接说出来，然后它就可以调用我使用的各种工具，继续完成后面的工作。过去没有足够好的语音模型时，这种体验根本无法实现。可一旦它出现，人们对产品的想象就会完全改变。

2

下一代智能体：真正理解你，而不只是执行命令

Matthew Berman：几周前，你曾经发文说，几个月后再回头看，Codex 可能会显得很原始；下一代模型需要的不只是你的笔记本电脑。我们先从智能体所依赖的工具和系统说起。随着模型能力提升，哪些部分最需要继续创新？

Tibo：还有很多地方需要创新。以语音为例，现在如果你是 Codex 或其他编程智能体的高级用户，多少已经习惯了一些不够顺手的地方。你需要维护技能文件，用它教模型一些东西，但随着时间推移，这些文件也很难维护。模型有记忆功能，但它并不总能记住所有事情。如果你使用多个子智能体，还必须管理这些子智能体。整个系统会逐渐变成一个小型网络，用户在不同环节会感受到这种复杂性，原本自然的交互感也会被打破。

而人们真正想要的，其实是一个深度理解自己的助手。它要理解你的目标、日常安排，也要理解你的团队正在做什么。它不仅能回应你的请求，还应该在合适的时候主动行动，帮助你处理日常事务，同时始终保持一种“它就是你的完美搭档”的感觉。这正是我们正在努力实现的方向。

另一个问题是，当模型变得足够强大时，笔记本电脑本身也会成为限制。笔记本电脑原本是按照人的工作方式设计的：能承受的任务量，大致取决于人能输入多少文字、思考多快、需要同时打开多少应用。但模型并不受这些限制。它完全可以同时处理一百个应用，未来甚至可以处理更多。所以，未来的模型显然需要访问超过你个人电脑所能提供的资源。

Matthew Berman：你说的应该是云端智能体。现在超高速模型的生成速度可能是普通高速模型的十倍，甚至官方说法是十四倍。达到这种速度之后，限制因素就变了。过去可能是模型生成速度不够快，但现在网络、工具调用和整个系统中的额外开销，反而会成为瓶颈。

Tibo：没错。解决办法之一是让模型同时处理多个任务。它可以一边探索，一边写测试，一边编译代码，还可以同时验证一个新的假设。这样一来，瓶颈会不断转移，因为模型能够并行完成更多事情，并且非常高效、快速地处理这些任务。

Matthew Berman：以目前的速度，我经常会同时启动十到十五个智能体。但这也给我带来了很大的认知负担，因为我必须不断切换上下文，而且通常要等三四十分钟，任务才会返回。如果有了超高速模型，单人开发者的工作方式可能会发生很大变化。也许大家不再同时运行十到十五个智能体，而是只运行三四个。你怎么看未来单人开发者的工作流程？

Tibo：我们非常重视如何管理用户的注意力，以及如何让产品更符合人的注意力规律。我们最终是为人类打造工具，希望技术能够增强人的能力。因此，产品必须围绕人的多任务处理能力来设计：用户希望什么时候看到结果？是现在就呈现，还是三十分钟后更合适？

当超高速模型和语音结合起来时，模型的工作速度可能与人一样快，甚至更快。用户可以保持在工作状态中，一边构思，一边看到原型，一边实时生成报告。这样会让人感觉非常自然。你会突然发现，过去同时管理十个智能体的方式并不是自己真正想要的，也不想再回到那种工作状态。我们希望提供一种真正自然的体验，让技术适应用户，而不是让用户去适应技术。

Matthew Berman：过去几个月，大家讨论了很多智能体编程方法，比如循环、图结构等。这些方法是不是都在帮助单人开发者管理自己的注意力？

Tibo：我会把问题分成两类。第一类，是打造最好的个人通用智能，或者说个人智能体。它应该和你一起工作，主动提出重要的新想法，在发现机会时迅速行动，而且能够非常高效地完成你真正想做的事。无论是技术问题、资料研究还是日常建议，它都应该能够处理，并且高度适配你。这个方向的核心，是深度理解你这个独特的人。

第二类，是全面自动化。也就是说，构建能够接管复杂流程的智能系统。比如，它可以查看生产环境日志，自动进行性能优化；发现系统回归问题后，自动修复；在网络安全领域，扫描器发现漏洞后，系统可以自动打补丁，把漏洞暴露的时间窗口压缩到接近于零。整个流程不需要人类持续参与，或者只需要在高风险操作时进行审批。大部分工作都可以由系统自动完成，用户也不必始终保持直接控制。

3

ChatGPT 与 Codex 合并：走向个人通用智能

Matthew Berman：过去几个月，ChatGPT 和 Codex 一直在逐步合并。这个过程在 OpenAI 内部进展如何？用户反馈怎么样？

Tibo：这个合并带来了很大帮助。最开始，很多人的反馈是：“为什么一定要合并？真的有必要吗？”但未来的模型本身就要求我们把它们合并，所以我们最终会这么做。这是最简单、也最合理的方向。

我们正在构建的是一个高度个性化、能力非常强的智能体，它可以在各种方面帮助你。无论你是在编程，还是在处理其他事情，底层使用的都会是同一套技术、同一套工具系统和同一种思路。它是高度多模态的，以语音为优先，而且效率非常高。你不应该因为自己是程序员，就必须使用程序员界面；也不应该因为自己不懂技术，就只能使用另一套完全不同的产品。

“软件工程师”“设计师”这些标签，本质上只是人类为了处理复杂现实而发明的抽象概念。每个人其实都处于一条连续的光谱上，拥有不同的能力和需求。因此，我们希望打造一种能够根据每个人的具体情况自动调整的界面。无论你是否懂技术，系统都会适应你的个人特点。

Matthew Berman：这是否意味着，未来最终会只剩下一个统一界面，不再需要通过下拉菜单在不同产品之间进行选择？想象一下，我的母亲可能和我使用完全相同的界面，只不过系统会根据我们的需求分别定制，这个想法很不可思议。

Tibo：对，你和你的母亲最终会使用同一个东西，也就是各自的个人通用智能。但你们完成的任务不同，从中获得的价值也不同。你们会把它连接到不同的工具，提出不同的问题，有不同的使用需求。系统会继续根据这些差异进行调整，尽可能为每个人提供最大的帮助。

Matthew Berman：你刚才几次提到“保持一种自然的感觉”。如果展望几年之后，普通用户和 AI 之间的交互会是什么样？

Tibo：对我来说，它应该是一种高度适合人类的交互方式。大型语言模型能够成功，很大程度上就是因为自然语言本身是人类的概念。人类已经习惯通过语言交流。如果你明天给我写一封信，我能够读懂它；因为我们彼此熟悉，我甚至能理解信里的情绪和语气。

这些都是非常人性化的交流方式。我们正在构建的技术，也应该扎根于人类的沟通方式和做事方式。用户不应该经常遇到这样的情况：“你误解我了，因为你没有理解我的语气，也没有理解我文字背后的意思。”我们希望避免这种问题，不要求用户改变自己的表达方式，而是让技术成为人类原有行为方式的自然延伸。

Matthew Berman：人与人之间的交流，有很大一部分是非语言信息，比如手势、面部表情等。未来的 AI 是否需要通过视觉理解这些信息？还是说文字已经足够了？

Tibo：我认为这些信息很重要。未来的 AI 应该是一种无处不在、非常自然的存在。比如，我明天去办公室，在白板上写下一些东西，突然产生一个想法，那么 AI 也应该能够感知到这些内容。或者我直接对它说：“你觉得这个怎么样？”然后我们就通过语音自然地聊起来。

自从我们推出新的语音功能后，纯粹通过语音与 ChatGPT 互动的用户数量正在快速增长。我认为这里有一个重要规律：只要你让交互方式变得更自然，人类就会选择阻力最小的路径。对一部分人来说，在小小的输入框里打字很自然，但对所有人并不是这样。一旦出现更容易、更好的方式，大家自然会选择它。

Matthew Berman：首先祝贺你们。你今天早上发布消息说，Codex 已经达到两千万用户。我看到它的增长曲线，之前还比较平缓，后来突然变得几乎垂直。现在 OpenAI 和 Anthropic 被很多人视为行业中最主要的两家竞争者。曾经有一段时间，Anthropic 几乎吸走了整个行业的注意力，表现非常强势，但后来情况似乎发生了变化。你怎么看现在的市场？

Tibo：我们目前最关注的是三件事：打造能力最强的模型，打造效率极高的模型，以及为所有人构建真正有用的产品。

我认为 OpenAI 做得很好的一点，是非常在意世界，也非常在意如何把这种强大的技术交到尽可能多的人手里。ChatGPT 和 Codex 的合并也是出于同样的愿望：我们已经拥有了这项技术，可以让它更安全、更容易使用。无论你是产品经理、设计师、销售、市场人员，还是从事沟通工作的人，都应该能够使用它。

我们把这项技术快速放进 ChatGPT，而 ChatGPT 已经拥有大量用户，所以这也推动了 Codex 的增长。至于竞争对手，我并不会经常关注。我更关心的是：我们有什么事情可以做得特别好？我们的价值观是什么？我们如何最大限度地朝着自己的方向前进？

Matthew Berman：我知道你不会花太多时间考虑 Anthropic，但很多用户会考虑。他们会想，自己应该相信哪款产品，应该把每月两百美元的预算花在哪个平台上。你怎么看 OpenAI 和 Anthropic 在市场定位、品牌形象、表达方式，以及与开发者和普通用户互动方式上的差异？

Tibo：我非常重视的一件事，是为整个世界建立一个共同的社区，把所有人都带上这趟车。你可以从我们的做法中感受到这一点。我们会对很多事情保持透明，也会从社区中吸收大量想法。说实话，这个过程也非常有趣，因为我们会从社区获得很多能量。

我们构建这项技术，并不是为了只让 OpenAI 自己受益，也不是为了单纯加速 OpenAI 的发展。我们的使命非常重要，这也是我们获得动力的来源。对我来说，这种方式非常脚踏实地，也很有趣，而很多好事会在这种文化中自然发生。

Matthew Berman：我们聊聊使用额度重置。很多人都在关注你的每一条消息，特别是 Codex 的增长曲线。一个可能有点傻的问题是：这些重置在多大程度上帮助了市场营销和用户增长？它主要是出于增长策略，还是为了维护开发者社区的好感？

Tibo：这件事可能有点违反直觉，但 OpenAI 是一个“可以直接做事”的地方。最开始，当我们迭代产品、出现问题，或者因为配置错误导致体验不够好时，我们觉得应该对用户进行补偿。我们会告诉用户：“谢谢你尝试这个产品。我们知道它还处在早期阶段，也知道刚才的问题影响了你的使用，所以这里有一些额外额度。”

我现在仍然按照这个原则处理。如果产品出现故障，或者用户体验不理想，而我们又无法完全解释原因，我们就会重置使用额度，对用户进行补偿。后来，这件事逐渐变得很受关注，甚至出现了一个真正的重置按钮。但这并不是营销部门或财务部门共同策划的结果，也没有复杂的审批流程。我想按就按，只要我觉得合适，就可以按下这个按钮。

我们的原则很简单：我们正在努力打造非常棒的产品；如果产品表现不够好，我们就应该对此进行补偿。

Matthew Berman：我认为，这确实为 OpenAI 在开发者社区中积累了很多好感，也可能在一定程度上推动了增长。关心用户会带来很大价值。你可以只是在口头上说“我们关心用户”，也可以真正做到：产品出现问题时，直接向用户道歉，然后给出实际补偿。

这让我想起亚马逊的退货政策：只要你在任何方面不满意，就可以把东西退回去。OpenAI 似乎也在建立类似的文化和用户认知：如果产品出了问题，用户可以重新使用那些额度，或者获得一批新的额度。

Tibo：我很认可这种做法。有时候，重置额度也是为了庆祝某些重要时刻。我们一直会推出新功能，并尽可能让所有人都能使用。但如果想和整个社区一起庆祝，除了告诉大家“来试试新功能”，我们似乎也没有更有意义的方式。比如，很多人还没有使用过超高速模式，那我们就提供一些额外额度，让大家试一试。

Matthew Berman：我听说现在甚至有一个实体按钮。

Tibo：确实有，我之后可以给你看，真的非常酷。

4

模型效率与递归式自我改进

Matthew Berman：不过，频繁重置额度的前提，是你们必须做好算力规划。你们需要拥有足够的计算资源。几周前，你们发布了一篇文章，说 Soul 优化了 Luna 的效率，并把 Luna 的价格降低了百分之八十，Terra 的价格也有所下降。这里面有多少是算法层面的效率提升，又有多少是因为你们提前做好了算力规划，发现利润空间足够，所以决定降价，让更多人使用？

Tibo：我们很早就开始规划算力。两年前，外界还会质疑 OpenAI 为什么要投入这么多计算资源，但现在回头看，这是一个非常重要的判断。如今，我们很高兴拥有大量计算资源，一部分用于研究和训练未来更强大的模型，另一部分则用于提升现有模型的效率。

真正令人惊喜的是，当我们把模型能力推到前沿之后，就可以反过来利用这些强大的模型，快速分析整个服务系统，重新设计、改造和优化基础设施，从而获得非常显著的效率和性能提升。

我们提升的不只是成本效率，也提升了速度效率。除了超高速模式之外，模型整体的运行速度也比过去快了很多。如果把速度画成曲线，会发现现在的模型大约比三个月前快百分之六十。这是因为我们在持续优化整个系统的每一个环节，确保它们都针对当前的工作负载进行了最佳设计。

而且，最强大的模型往往能让我们用很小的团队完成这些工作。当我们获得非常显著的效率和成本优势时，我们的承诺是继续保持性能与成本的领先，而不是把这些收益全部留在自己手里。我们会把它们分享给客户和用户，这也是 Luna 降价的原因。

Matthew Berman：你们内部会如何分配算力？比如，是投入资源研究新模型，还是优化现有模型，或者提高推理能力？

Tibo：我们通常会从第一性原理出发思考。算力会被分配给研究，也会分配给产品；在产品内部，我们还会进行不同类型的权衡。但这一次几乎没有真正的权衡，因为效率提升本身已经存在。我们基本可以在同样的算力范围内，支撑吞吐量的大幅增长。

Matthew Berman：几个月前，你们发布过一篇文章，讨论一个模型如何训练下一个模型，或者帮助优化下一个模型。后来，Soul 又通过分析 Luna 的运行方式，实现了效率提升。在我看来，递归式自我改进似乎已经处在非常早期的阶段。现在正在发生的事情，是不是就是递归式自我改进？

Tibo：递归式自我改进现在确实是一个非常热门的话题。人们通常会把它用于研究领域，比如让模型开发另一个模型。但我们目前已经看到大量成功案例：让模型去开发那些处在模型使用关键路径上的基础设施。这同样属于递归式自我改进，因为所有环节本来就是一个完整系统。

比如推理系统、底层优化，以及我们使用的 CUDA 内核；再比如开发新的产品和更高效的人机交互方式。你刚才提到云端智能体，如果我们真正解决了云端智能体的问题，用户的生产力就会明显提升。这是不是递归式自我改进？我认为从某种意义上说是的，因为它让我们更好地从模型中获得价值，然后再把这些能力用于改进系统本身。

当然，我们正在做这些事情。如果不做，反而会显得非常愚蠢。

Matthew Berman：既然聊到了递归式自我改进，我们继续谈谈 OpenAI 的 Sam Altman 提到的暂停最前沿强化学习训练。这个决定是怎么做出的？之前我们简单聊过 Hugging Face 的事件，但这次暂停具体经历了怎样的讨论？

Tibo：这件事主要属于研究部门的范围。OpenAI 一直能够把资源投入到最重要的地方。随着模型能力提升，安全和对齐的重要性也越来越高。因此，加大对这些工作的投入，对 OpenAI 来说是非常自然的事情，也是我们非常坚定的承诺。

这次暂停是必要的，它让团队和个人有时间真正理解系统的各个部分，并进一步加固整个系统，确保之后能够在充分掌控的情况下重新开始训练。我相信，只要有必要，OpenAI 未来也会继续做出类似决定。我从来没有看到过内部因为无法做出这种决定而陷入困难。

Matthew Berman：当时有没有一个明确的目标，比如必须先达到某些标准，才能重新开始训练？还是说，大家会在过程中判断“什么时候已经准备好了”？

Tibo：这件事由安全团队负责。它本质上是一个持续讨论和逐步发现的过程。不过，团队最终确实形成了一套比较明确的原则。达到这些原则之后，我们就会处在一个适合重新开始训练的位置。

5

超高速 AI 如何改变开发者和普通人的生活

Matthew Berman：很多人可能还没有意识到超高速模型究竟能解锁什么。你们内部有哪些以前做不到、现在因为每秒生成大量令牌而可以做到的事情？

Tibo：在高风险场景中，我们使用得非常多。比如发生服务故障时，事故指挥官和响应团队会获得超高速模式，因为这时候每一秒都很重要。所有高风险场景都适合使用超高速模式。当然，有些团队只要认为自己正在做非常关键的事情，也会申请超高速模式。

Matthew Berman：宠物项目算不算关键任务？

Tibo：宠物项目还没有那么关键，但我非常喜欢我的宠物，它一直显示在我的屏幕上。你在办公室里走动时，会看到很多人的宠物；大家参加视频会议时，宠物也会出现在屏幕上。它总是能给我带来快乐。不过目前来说，宠物项目还不能算关键任务。我们会继续维护它，也会照顾好这些宠物。

如果有人正在尝试一个新想法，觉得它可能很特别，而且周一就要决定是否把它放进开发者活动中，那当然可以使用超高速模式。不同的人对工作方式的偏好不同。有些人喜欢同时处理很多任务，这类人从超高速模式中获得的好处可能没那么大；但有些人不喜欢频繁切换上下文，他们会非常喜欢这种模式。

Matthew Berman：你属于哪一种？

Tibo：我有多动症，所以经常切换上下文。

Matthew Berman：很有意思，我也有多动症，但我反而不想一直切换上下文。对我来说，那很困难。我更希望专注于两三个任务，所以我特别期待超高速模式。看来我们正好相反。

Tibo：我确实很擅长切换上下文，也喜欢不断做很多小决定。但有时候，我也想专注于一件事。这时，超高速模式就非常舒服，因为它能让你始终留在当前的工作流中。

超高速模式在工具调用不多，或者主要需要模型快速生成大量内容时效果最好。比如，你想快速制作一个网站或电子游戏，只需要模型写大量代码，那么它可能会快十倍。但如果任务涉及大量工具调用，瓶颈出现在网络或智能体运行流程的其他环节，你实际感受到的速度提升可能只有三到四倍，而不是完整的十四倍。

Matthew Berman：OpenAI 员工可以使用不限量额度。我想，如果我拥有无限额度，肯定会把最新模型一直设置成最高思考强度，并始终打开超高速模式。内部员工也是这样使用的吗？

Tibo：我们不会向所有员工开放超高速模式，因为需要为外部用户和客户保留大量算力。OpenAI 员工确实有能力把生产环境中的 GPU 和超高速资源全部用完，但我们会对使用量进行限制，根据实际情况判断什么是合理的使用范围。

我们需要使用它来理解产品、持续改进产品，也从中获得递归式自我改进的收益，但绝大部分资源仍然会留给客户。

Matthew Berman：在 OpenAI 之外，还有哪些对延迟非常敏感的场景，是你最期待被这种速度解锁的？

Tibo：我总体上最期待的是非文字交互。比如，用户能不能和 AI 在一块共享画布上协作？能不能让 AI 创建东西？能不能让它生成多个想法和不同的图片，然后由用户选择其中一个，继续探索下一步？用户可以像进行“选择你的冒险”一样，不断做选择，迅速得到一个原型，再通过语音或文字实时调整，立刻看到结果。

这会变成一个非常有创造力的过程。对工程师来说，有时候你需要坐下来设计整个系统，思考各种权衡和需求。但如果 AI 能在一分钟内做出一个版本，你就可以先看到它实际运行的效果，然后在真实结果的基础上继续思考。这样会让人更容易进入工作状态，也能更好地理解问题。超高速模型正是让这种体验成为可能。

Matthew Berman：我猜超高速模式的价格会明显高于普通速度。你认为它最终会成为标准配置，还是会一直保持溢价？

Tibo：按照技术发展的规律，超高速能力会逐渐向更广泛的用户开放。智能体完成任务的速度会持续提升，我们现在已经看到模型速度一个月比一个月快。

这不只是推理速度变快，模型本身的令牌效率也在提升。Soul 的令牌效率明显高于 Terra，下一代模型的令牌效率还会进一步提高。我们会持续推动这件事。推理硬件也在不断创新，整体速度会越来越快。

所以，我认为一两年之后，今天的超高速体验即使还没有完全成为默认配置，也会非常接近默认配置。当然，未来始终会存在更高一级的服务。你可以使用更多硬件，也可以接受更高成本的权衡，从而获得额外的性能。

Matthew Berman：最后一个问题，我通常会把它留给更广泛的听众。现在很多人对 AI 感到紧张，担心它会自动化工作、带来环境影响，或者只是因为这项技术让人觉得陌生。你想对这些人说些什么？

Tibo：我们通过 ChatGPT 构建的是面向全世界的产品，同时也一直在大力提升效率。效率提升与广泛使用、广泛获得价值之间是直接一致的。服务成本越低，用户能做的事情就越多，也越能在日常生活中从 AI 获得帮助。

AI 已经变得非常高效。以 Luna 为例，它是一个规模小得多的模型，但效率非常高。如果把时间倒回六个月前，它可能还会处在模型能力的前沿。现在它的运行成本已经低得惊人，甚至在一些免费模式中直接向用户开放。

这意味着，强大的智能能力会越来越普及。而这一切只有通过持续提升效率才能实现：一个月接一个月，一年接一年。今天还处于前沿的能力，六个月后可能就会变得便宜很多。技术总会随着时间推移变得越来越高效。

我们非常重视让更多人获得 AI，也一直在优化用户能够直接从中获得的价值。

Matthew Berman：对于那些甚至不敢第一次尝试 AI 的人，你会怎么劝他们？你会如何描绘一个 AI 真正帮助世界的未来？

Tibo：其实不需要走得太远，就能看到 AI 的价值。ChatGPT 已经在非常个人化、非常深入的层面帮助很多人。很多用户用它来写作，也有人用它寻求个人建议，或者获取医疗方面的信息。我们推出了健康和金融相关功能，我自己也经常使用。

它给了我很多原本很难获得的支持。比如，在去看医生之前，我可以先通过它了解更多信息，从而更有准备地和医生沟通。你不需要寻找特别遥远的未来，只要看看身边的人是如何使用 AI、如何从中受益，就能逐渐受到启发，也能开始思考：我是否也可以从中获得帮助？

Matthew Berman：Tibo ，非常感谢你参加这次访谈，也感谢你抽出时间。

Tibo：谢谢，很高兴来到这里。

本文来自微信公众号“硅星GenAI”，作者：大模型机动组