EP19 · OpenAI 超级应用 · Anthropic 190 亿 · 04.06 早报-ginobefun

EP19 · OpenAI 超级应用 · Anthropic 190 亿 · 04.06 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

嘿 大家好

我是西o

今天是二零二六年四月六号

星期一

周末这两天ai 圈信息量很大

我刷了不少东西

今天有三个话题我觉得特别值得展开聊

第一个是open ai 总裁greek brockman 的一次深度访谈

他聊了很多关于open ai 接下来要干什么的事情

包括一个叫spa 的新模型和超级应用战略

第二个是anstropic 的增长故事

一百九十亿美元年收入是怎么来的

他们的增长团队分享了背后的方法论

第三个话题跟clode code 源码泄露后的技术分析有关

最近有几篇文章从不同角度拆解了编程智能体的架构设计

我觉得很有启发

后面还有五条内容会快速过一遍

包括marckandriyson 关于浏览器消亡的观点

Se ice force ceo 对ai 行业的犀利评论

软硬风周刊提出了一个扎心问题

还有大模型训练的全流程拆解和用ai 构建第二大脑的实操分享

我们开始吧

先说open ai

Jerry brokman 最近接受有技训课opbig technology 的深度访谈

信息量非常大

Dktad 零

他是open ai 的总裁兼联合创始人

去年回归之后一直比较低调

这次算是系统性的阐述了open ai 接下来的战略方向

而且说了很多之前没公开聊过的东西

最核心的一个战略判断是

Open ai 正在把所有力量集中到一个方向上

做一个超级应用

它的原话是

超级应用将成为你的个人agi

一个关心你

了解你

与你的目标一致且值得信赖的ai

具体来说

就是把chat gpt 的对话能力

Codex 编程能力和浏览器功能全部整合到一个产品里

让他能编程

能上网

还能帮你管理日常任务

这不是做一个功能更多的chat gpt

而是要做一个真正的个人ai 助理

这解你的目标

你的偏好

你的工作方式

然后主动帮你做事

这个战略直接影响了sara

对

就是那个视频生成模型

Greek 坦言

因为算力资源太稀缺了

Sara 跟超级应用跑的是不同的技术栈

两条线同时推进成本太高

所以sara 被降低了优先级

他的说法是

如果你在两个不同的技术分支之间拉的太远

在算力有限的世界里是很难持续的

Dktaa 零一这个取舍其实挺值得想的

说明在ai 行业

即使是open ai 这样融了几百亿美元的公司

也不得不做资源取舍

不可能什么都要

只能选一条主线

然后olier

然后是sport

这是open ai 下一代的预训练基础模型

据说投入了两年的研究

Greek 说sport 的目标不是在某个基准测试上刷分

而是提高ai 能解决问题的上限

他用了一个说法叫提升天花板

让模型在推理能力

指令遵循和可靠性上都有实质性提升

外部有消息说sport 可能会以gpt 五点五的名字发布

更有意思的是

数学家陶哲轩已经在测试相关能力了

这说明open ai 对这个模型的期望不只是聊天更好

而是在数学证明

科学推理这种高难度任务上有真正的突破

还有一个我觉得很关键的概念就是ai 自我改进

Greek 说他们正在构建自动化ai 研究员

也就是能够自主执行端到端研究任务的ai 系统

他把这个叫做起飞阶段

Ovvbktid 零

Harvey

什么意思呢

就是ai 不仅帮人类做研究

他自己也能发现新的研究方向

设计实验分析结果

如果这个真的跑通了

Ai 的进化速度就不再受人类研究员数量的限制了

会进入一个指数级加速的循环

组织层面也有一个值得关注的信号

Open ai 内部把产品部门正式改名叫agi 部署

这是agi 这个词第一次出现在open ai 的正式组织架构里

Greg 说

他认为agi 在未来几年内就会实现

完成度大概在百分之七十到八十

他还把算力定义为利润中心而不是成本中心

认为对算力的每一分投入都会通过ai 能力的提升获得数倍回报

Bk tag 零 请

不管你信不信

他对agi 时间线的判断有一点是确定的

Open ai 正在围绕一个统一的超级应用战略重新组织所有资源

从模型研发到产品架构到组织结构

都在朝这个方向收敛

说完open ai 来看

他最大的竞争对手anthropic 的增长负责人amolvasa 上了lennis podcast

完整分享了anthropic 怎么在十四个月内从十亿美元年收入增长到一百九十亿美元

这个速度在企业软件历史上没有先例

超过了slack

Zoom

Snowflake

这是当年最快的增长公司

Bloomberry 在三月份确认了这个数据

Of bk tag 零c

这个根据之前tech crunch 的报道

Anthropic 内部预计到二零二八年收入能达到七百亿美元

这个增长曲线如果真的走出来

会是整个企业软件史上最疯狂的一条线

而先说方法论

阿猫提出了一个核心观点

在ai 时代做增长

你过去百分之五十到七十的工作方式必须被抛弃

他们不关心线性图表

所有东西都要用对数坐标来看

传统增长团队追求的是每个季度提升几个百分点的转化率

但anthropic 认为这是在压路机前面减硬币

因为底层模型的能力是指数级提升的

每隔几个月就会有一个全新版本出来

用户能做的事情会发生质变

所以增长策略也应该是指数级的去压大赌注

解锁全新的使用场景和市场

而不是在现有功能上做微调

他分享了一个很有意思的内部工具

叫cash

全称是cloud 加速可持续超速增长

简单来说

就是用自家的cloud 模型来自动化整个增长实验的生命周期

传统的做法是产品经理提需求

工程师开发

跑ab 测试分析数据

整个周期可能要几周

Pthropic 的做法是让cloud 直接参与每一步

从发现增长机会到构建功能原型

再到分析实验数据服务vbk tech 零

用他的话说

这就是自动化印钞机

这个思路其实很值得借鉴

就是用你自己的ai 产品来加速你自己的增长

形成一个正向飞轮

模型越强

增长实验越快

增长越快

数据越多

模型又可以继续优化

组织层面的变化也很有启发

他们有一个两周规则

如果一个项目的工程量不到两周

工程师就自己当产品经理

不走跨部门协调流程

百分之七十到八十的产品发布根本没有产品需求文档

直接用可运行的原型来对齐

它的原话是

原型就是新的prd

如果你能直接跳到行动和原型阶段

那是最好的

这背后的逻辑是在ai 时代

写一份详细的需求文档在开发

可能文档还没写完

模型又升级了

需求已经变了

不如直接做出来看效果

还有一个结构性变化特别有意思

因为cloud code 这样的工具让工程师的产产提提升了两到三倍

瓶颈已经从工程端转移到了产品和设计端

一个产品经理现在要管理的产出量当于过去十五到二二个工程师的产出增长复合严重超超

所以他们越来越倾向于焦聚被产品思维的工程师

让工程师自己做产品决策

阿moo 说

以前最稀缺的是好工程师

现在最稀缺的是既懂技术又懂产品的人

这个判断对很多团队的招聘策略和组织设计都有参考价值

更接下来第三个个话题

一个话题有点技术

但我觉得他回答了一个很多人的好奇的问题

Oadbktag 零

为什么clock code 这样的编程智能体用起来感觉比直接调api 好这么多

是因为模型本身更强了吗

答案是

模型只是一部分

更关键的是模型外面那套叫harness 的系统

先简单回顾一下背景

三月底

Clock code 源码意外泄露了

一个内部调试用的source mah 文件不小心被打包进了npm 发布的版本里

大约五十一万行type screen 源码就这么公开了

N stroropick 很快确认了这件事

说只是客户端代码

没有模型权重或用户数据泄露

但这些源码让整个社区第一次看清了一个顶级编程智能体到底是怎么设计的

Interbeat 和fortune 都做了报道

有人说这是anthropic 最好的一次意外公关

也有人认真的分析了里面暴露的架构细节

最近有一篇博主扶之镜写的深度分析特别值得看

第

用honeengineering 这个框架来拆解源码

提出了四条关键的运行时不变量

第一

工具调用和结果必须严格配对

执行轨迹不能断

第三

工具前缀不能漂移

因为这直接影响api 调用成本

第三

工具能力要分层暴露

按需激活

而不是全部开放给模型

第四

状态要外化到文件系统

不能只靠消息历史

第三

工具能力很到位

系统提示词在这里不是文案层

而是运行时法律

Dr Fsse

Bass

M rh ga 在ahead of ai 上的分析从另一个角度印证了这些设计

他把编程智能体拆成了六大核心支柱

实时代码库

上下文提示词缓存

结构化工具

使用上下文压缩

绘画记忆和防护栏

它有一句话我特别认同

很多时候你以为的模型质量差异

其实是上下文质量差异

同一个模型

给它不同质量的上下文

输出的差距可以很大的

Launching 把这个思路往前推了一步

提出了智能体持续学习的三个层级

第一层是更新模型权重

这个大家最熟悉

但也最难有灾难性遗忘的问题

第二层是优化harness

让智能体自己改进自己的驱动代码

第三层是上下文学习

包括动态指令技能和持久化记忆

他们强调执行追踪是所有学习方法的基础数据源

就像你需要先有日志才能做优化一样

我自己做best blocks 的内容工作流也深有体会

我为clode code 配置了大量的技能文件和记忆系统

这些东西本质上就是在做harness 层和上下文层的优化

模型没换

但因为上下文质量提高了

输出质量有明显提升

所以如果你在用编程智能体

不管是clode code 还是cursor 还是codex

我建议多花时间在上下文和工作流配置上

写好你的项目说明文件

配置好记忆和技能

这些投入的回报比频繁切换模型更直接更可控

好

接下来快速五条内容

第三条

Mchael

Jason 在latenon space 上做了一个深度访谈

他把当前ai 的爆发描述为历经八十年的一夜成名

从一千九百四十三年神经网络雏形到transformer 的突破

数十年的积累终于集中释放了

他提出了一个很大胆的判断

传统浏览器会被ai 智能体取代

他还把ai 的缩放定律类比为新时代的摩尔定律

认为这是一个不可逆的趋势

他对智能体架构有一个极简定义

就是大语言模型加上unix

Shell 加上文件系统

不管你同不同意他的结论

另外

把复杂事情说清楚的能力确实值得学习

第四条

Sls force ceo mark benneouoff 的访谈也挺有料

他提出了智能体企业的概念

核心是把slack 变成人类和ai 智能体协作的主要界面

他还公开批评评一些用ai 当借口裁员的ceo

说这是一种懒惰的管理方式

另外他透露salos force 已经从open ai 转向了anthropic

原因跟微软对open ai 投资带来的竞争关系有关

他强调数据完整性是ai 落地的

即使没有好的数据策略

再强的模型也跑不出好结果

第五条

软逸风的科技周刊提了一个扎心的问题

Ai 跟传统工业品不一样

工业品有规模效应

越多人用越便宜

但ai 模型的效果直接跟算力成本挂钩

算力越多效果越好

这意味着未来穷人和人人可能用的是完全不同等级的ai

穷人用免费的基础模型

富人用算力堆出来的顶级模型

Ai 不是在缩小差距

而是在拉大差距

这个观点挺反直觉的

值得认真想一想

他还介绍了一种新的ai 能力衡量方法

就是看ai 完成某个任务所需的时间跟人类专家相比

如何预测ai 大概在二零二七年到二零三一年之间能达到人类专家一个月的工作水平

第九条

推o 九十三博客上有一篇关于大模型训练全流程的文章

把训练拆成了九个阶段

核心观点是预训练只是底座

真正决定用户体验的是后训练阶段

包括评测体系和奖励模型设计

他还特别提到了agent 训练关键在于优化外层honys

这跟我们前面聊的第三个话题完全呼应

想理解deep sik

R 一或者oe 这些模型是怎么训练出来的

这篇值得读

第十条

前亚马逊ai 负责人艾emilla 做了一个将近一小时的视频

手把手教怎么用ai 构建第二大脑

他展示了自己每天运行的三十六个主动式工作流

包括自动呈报

邮件分拣

会议准备这些

核心建议是从被动提问转向主动委派

建立个人宪法

目标文档和商业策略三份核心上下文文档

他有句话我印象很深

哪个实习生有博士级别的智力

别再把ai 当实习文用了

这个视频虽然长

但里面的实操建议密度很高

尤其是关于怎么构建核心上下文文档那部分

推荐收藏

慢慢看 好

今天就聊到这里

总结一下

Open ai 在赌超级应用

把算力集中到一个产品上

Anthropic 在用自己的模型加速自己的增长

十四个月做到了一百九十亿美元

而编程智能体的核心竞争力越来越不止是模型本身

而是围绕模型构建的那套honey 系统

所有链接都在简介里

感兴趣的可以看看原文

我是吉o

明天见

展开显示全部歌词