构建丰裕智能

# 构建丰裕智能 来源：https://openai.com/index/building-abundant-intelligence/ AI 基础设施的价值不在于其规模庞大，而在于它带来的可能性：以更低的成本，让更强大的智能惠及更多人。 这就是我对“丰裕”的理解。它既根植于我们的使命——确保人工通用智能惠及全人类——也根植于驱动我们业务的引擎之中。 当实用智能的成本下降时，更多工作就变得值得去完成。当模型变得更强时，这些工作就能创造更多价值。随着采用率增长，我们获得收入、真实世界的反馈以及对需求的洞察，从而持续投资于下一代研究和基础设施。 更强的智能推动更广泛的采用。更广泛的采用支撑更多的投资。更多的投资则提升智能与效率。这就是我们正在构建的循环。 ## 丰裕的经济学 我们近期的定价公告（https://openai.com/index/advancing-the-price-performance-frontier-with-gpt-5-6/）展示了这一循环如何快速惠及客户。昨天，我们将 GPT‑5.6 Luna 的价格降低了 80%，GPT‑5.6 Terra 降低了 20%。Luna 目前每百万输入 token 0.20 美元、每百万输出 token 1.20 美元；Terra 分别为 2 美元和 12 美元。 对于 GPT‑5.6 Sol，Fast 模式以两倍价格提供比标准处理快 2.5 倍的速度，且智能水平不变。 这些不仅仅是价格表上的变化。它们拓展了实际可行的工作范围，并让客户在平衡智能、速度、可靠性和成本时拥有更大灵活性。 正确的问题不是哪个模型适合哪项任务，而是：要达到所需结果，这个任务需要多少智能？需要多快获得智能？实现该智能应该付出多少成本？这种平衡在同一条工作流中可能会多次变化。 客户购买 token 并非为了 token 本身。他们想要的是：问题解决、软件交付、合同审阅完毕，或科学问题得到解答。正确的衡量标准是成功结果的总成本，包括所需的时间、重试、监督和错误成本。 一个更强的模型如果能正确高效地完成工作，最终可能比一个价格更低但需要反复尝试或大量人工干预的模型更经济。反过来，当低成本的模型能达到同样的质量门槛时，也能显著扩大可及性。真正的机遇在于以合适的价格，应用最大限度的实用智能。 ## 让每一单位算力产出更多 要交付这种价值，不仅仅需要建设更多数据中心，还需要让每一单位算力都变得更高效。 我们近期的工程工作（https://openai.com/index/gpt-5-6-frontier-intelligence-efficiency/）正体现了这一点。GPT‑5.6 Sol 与我们的技术团队协作，优化了用于服务我们模型的生成软件，将端到端的服务成本降低了 20%。它还帮助改进了投机解码，将 token 生成效率提升了超过 15%。 同样重要的是，效率并不仅仅由模型本身决定。围绕模型的整个系统同样关键。更好的路由让硬件保持高效运转。更智能的上下文管理防止智能体重复劳动。更强的工具和产品设计减少了完成任务所需的步骤数。 在一项近期的基准分析中（https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/），对保持推理和上下文管理的改进，将 GPT‑5.6 Sol 在公共 ARC‑AGI‑3 任务集上的得分从 13.3% 提升至 38.3%，同时使用的输出 token 减少了六倍。模型本身没有变化，变化的是它周围的系统。 这些收益会不断累积。更强的模型帮助我们的团队发现新的效率优化点。这些效率优化降低了服务客户的成本，并使我们能在同样的基础设施上支持更多工作。而这又让下一代智能变得更加触手可及。 ## 为什么全栈很重要 在基础设施、模型、平台和产品层面进行构建的优势，并不仅仅是我们参与了每一层，而是每一层都能让其他层变得更好。 真实世界的产品使用向我们展示了客户在哪里发现价值、在哪里遇到障碍。这些反馈帮助塑造我们的研究方向。研究改进则强化我们的产品并降低服务成本。ChatGPT、ChatGPT Work、Codex 和 API 的需求帮助我们更明智地决定在哪里增加容量。 这种学习的规模至关重要。我们的模型如今已覆盖超过 10 亿活跃用户和超过 200 万家企业。随着人们对这项技术建立信心，他们会更深入地使用它。注册六个月后，用户每天发送的信息量增加了约 50%，使用 ChatGPT 完成的工作类型也增加了大约两倍。ChatGPT Work 正在重新定义知识型工作的含义——从回答问题转向完成复杂多步骤的工作，从“询问”走向“执行”。在整个 OpenAI，通过 Codex 完成的智能体工作现已占每周输出 token 的 99.8%，其中 Finance 团队已将智能体工具作为其主要工作方式之一。 在组织内部，模式也类似。一家公司可能从某一个团队或某一条工作流开始。随着质量和经济效益的提升，采用会扩展到各个职能部门，AI 也会成为企业运营方式的一部分。 这就在需求、产品改进、效率和基础设施规划之间形成了一个宝贵的反馈循环。这并不要求我们拥有所有资产或自己构建所有组件。我们可以根据什么最能服务客户、什么在经济上最合理，来选择自建、合作或采购。关键在于协调整个系统并在其中持续学习。 ## 以信念和纪律进行建设 AI 基础设施必须在需求出现之前多年就进行规划，而模型、产品和客户需求的演变则要快得多。这种时间差使得纪律至关重要。 我们的投资决策基于实际证据：用户和工作负载增长、企业客户承诺、API 消费量、利用率、收入，以及模型能力和效率的进展。技术和商业里程碑有助于决定项目何时推进。长期合作伙伴关系则汇聚了大规模交付所需的融资、基础设施和运营专长。 产品收入、私人资本和商业合作伙伴关系在支持这一增长中扮演着不同角色。目标不是构建最多的基础设施，而是在合适的时间、针对可信的需求，部署合适的容量。 对我来说，关键问题很直接：新容量能多快投入产出？它的使用效率如何？它支撑了怎样的客户需求？技术进步能以多快的速度降低交付实用智能的成本？ 这些问题将长期愿景与运营纪律联系在一起。 ## 前方的机遇 我们仍处在早期阶段。更强的系统将完成更长期的项目，在各类工具之间协调，并承担从灵感到最终结果之间更多的工作。个人和小型团队将获得以往只有更大组织才拥有的能力。企业将把智能更广泛地应用到自身的运营之中。 我们的目标不仅仅是更多的算力、更大的模型或更低的 token 价格，而是让更实用的智能触手可及。 这就是丰裕的意义：不断变得更强大、更实惠，对使用者更有价值的智能。我们将以它带来多少实用工作、我们以多高的效率交付它、以及它的益处能如何广泛共享，来衡量我们的进展。