編譯 | Tina

很多人還在吵“AI 會不會取代程序員”。OpenAI 內(nèi)部給出的答案是：AI 正在把工程師重新分層。差距不會慢慢拉開，它會被工具放大、被流程放大、被組織放大，最后變成一種很難追回的“復利”。

在 OpenAI，95% 的工程師每天都在用 Codex。PR 先過 AI 的眼，再輪到人；代碼評審從每個 10～15 分鐘壓到 2～3 分鐘；真正擁抱工具的人，提交的 PR 數(shù)量比同事高出 70%，而且差距還在繼續(xù)擴大。工程師的角色也跟著變形：越來越像“Tech Lead + 調(diào)度員”，同時盯著 10～20 條并行的 Codex 線程，主要工作變成引導、驗收、兜底，親手寫代碼反倒成了偶爾為之。

Sherwin Wu 是 OpenAI API 與開發(fā)者平臺工程負責人。幾乎所有 AI 創(chuàng)業(yè)公司都在集成 OpenAI 的 API，因此 Sherwin 對整個生態(tài)正在發(fā)生什么、以及未來走向，有一個極其獨特、廣闊的視角。

他在播客里還丟了一個判斷：很多公司今天引以為豪的 AI“腳手架”——向量數(shù)據(jù)庫、Agent 框架、復雜流程編排——可能只是一段過渡期的拐杖。模型進化會把它們吞掉。真正跑出來的團隊已經(jīng)換了打法：為模型將要到達的能力提前設計工作流，產(chǎn)品現(xiàn)在只有 80% 好用也能上線，等下一代模型升級，直接跨過那條門檻。

AI 也不會平均抬升所有人。它會把高主觀能動性的工程師推到一個“不成比例”的高度：能拆需求、能控上下文、能調(diào)度多 Agent、能把驗證閉環(huán)做扎實的人，一個人就能頂過去一個小團隊。隨之而來的不只是所謂“一人獨角獸”，更像是組織結構被迫重寫：更小團隊、更快迭代、更陡分化。

工程之外，Sherwin 認為更被低估的機會在業(yè)務流程自動化：現(xiàn)實世界的大多數(shù)工作運行在可重復、強約束、標準作業(yè)流程里。AI 真正深入這些流程，改變的將是企業(yè)運作方式本身，而不只是效率。

如果你覺得最近兩三年的變化快得讓人焦慮，那你沒感覺錯。Sherwin 的話更像是在提醒我們：這其實是一個不會持續(xù)太久的窗口期。變化總有一天會放緩，但如果錯過了這一段，很多人可能連這套“新分層的規(guī)則”都還沒來得及學會。

我們翻譯了這期播客。

1 Agent 時代的工程分層，已經(jīng)在 OpenAI 出現(xiàn)

主持人：Sherwin，非常感謝你來到節(jié)目。我想從一個現(xiàn)在幾乎成了 AI 進展“晴雨表”的問題開始，尤其是在工程領域。你自己現(xiàn)在還寫代碼嗎？如果寫的話，你和你的團隊，現(xiàn)在有多少代碼是由 AI 寫出來的？

Sherwin Wu：我現(xiàn)在偶爾還會寫代碼。不過說實話，對像我這樣的管理者來說，現(xiàn)在用 AI 工具反而比手寫代碼更容易。

就我個人，以及 OpenAI 里的一些工程管理者來說，我們的代碼基本都是由 Codex 寫的。從更宏觀的角度看，內(nèi)部有一種非常強烈、非常真實的能量感——大家都在感嘆這些工具已經(jīng)走了多遠，Codex 對我們來說已經(jīng)有多好用。

我們其實很難精確衡量“到底有多少代碼是 AI 寫的”，因為絕大多數(shù)代碼——我會說接近 100%——幾乎都是先由 AI 生成的。

我們真正去跟蹤的指標是：現(xiàn)在絕大多數(shù)工程師每天都會用 Codex。

95% 的工程師在日常使用 Codex，100% 的 PR 每天都會被 Codex 審查。也就是說，任何最終合并、進入生產(chǎn)環(huán)境的代碼，Codex 都會“看一眼”，并在 PR 階段提出改進建議、指出潛在問題。

但比這些數(shù)字更讓我興奮的，是那種整體的氛圍和能量。

我們還有一個有意思的觀察：使用 Codex 更多的工程師，會打開明顯更多的 PR。他們提交的 PR 數(shù)量比不常用 Codex 的工程師多 70%，而且這個差距還在擴大。

我感覺那些 PR 打得多的人，正在不斷學習如何更高效地使用這個工具，這個 70% 的差距隨著時間推移還在繼續(xù)拉大。說不定現(xiàn)在這個數(shù)字已經(jīng)比我上次看到的更高了。

主持人：我確認一下我理解得對不對：你的意思是，在 OpenAI，那 95% 的工程師，他們的代碼基本都是AI 先寫，然后由他們來 review？

Sherwin Wu：對，對，沒錯。

主持人：聽起來很瘋狂，但又好像已經(jīng)不那么瘋狂了，我們正在迅速適應這種狀態(tài)。當然，我覺得還是需要一點時間來適應。

Sherwin Wu：是的，確實還在適應中。也有一些工程師，對 Codex 的信任度相對低一些。但幾乎每天，我都會聽到有人被它做出來的事情震驚到，然后他們對模型“可以獨立完成多少事情”的信任閾值，一次次被拉高。

Kevin Weil（我們的科學副總裁）有句話我特別喜歡。他常說：“這是模型此生最差的一刻�！边@句話放到軟件工程上同樣成立：時間越往后走，人們會越來越愿意把關鍵工作交給模型，而模型本身也只會變得更強。

主持人：Kevin Weil 之前也上過這個節(jié)目，他在節(jié)目里也說過這句話，而且說了不止一次。最近 OpenClaw（之前叫 Claudebot / Moltbot）的開發(fā)者 Peter 也分享過，他在工作中大量使用 Codex。他說很多時候，Codex 做完事情之后，他幾乎是完全信任的，甚至覺得可以直接合并進 master 分支，結果也會很好。

Sherwin Wu：對，他確實是 Codex 的一個非常優(yōu)秀的用戶。我知道他和我們團隊保持著很密切的溝通，也給了很多很好的反饋，所以我一點也不意外他會這樣用。

主持人：回到這個我們正身處其中的瘋狂時刻，尤其是對工程師來說。我們已經(jīng)從“你要親手寫下每一行代碼”，變成了“AI 寫你所有的代碼”。我真的想不出還有哪個職業(yè)，在短短幾年內(nèi)發(fā)生了這么劇烈、而且完全出乎預料的變化。一個工程師整個職業(yè)生命周期里的“工作內(nèi)容”，在這兩年里被徹底重塑了。那你怎么想象，接下來一兩年里，軟件工程師這個角色會變成什么樣？這個“工作本身”會是什么？

Sherwin Wu：說實話，看到這一切真的非�？�。這種興奮感的一部分，就來自于：這個職業(yè)在未來一到兩年里，很可能還會發(fā)生一次非常顯著的變化。

但我們現(xiàn)在也還在摸索階段。對很多工程師來說，這正是一個非常罕見的窗口期——在接下來的 12 到 24 個月里，我們幾乎可以親手定義標準，定義“工程師應該是什么樣”。

目前大家常說的一種趨勢是：IC 工程師正在變成技術負責人，基本就像是管理者一樣。他們在管理一整支又一整支的 agent“艦隊”。

我團隊里的很多工程師，實際上同時在拉著10 到 20 條并行的線程。當然不是同時跑著 10 到 20 個 Codex 任務，但確實是在處理大量并行的工作：不斷查看進度、調(diào)整方向、給 agent 和 Codex 提反饋。他們的工作，已經(jīng)從“寫代碼”，變成了幾乎是在“管理”。

如果要給我一個對未來一到兩年的直覺隱喻，我常會想起大學時讀過的一本編程教材——《Structure and Interpretation of Computer Programs》（SICP）。這本書當年在 MIT 非常流行，長期作為入門編程課教材，在程序員圈里也有點“邪典經(jīng)典”的地位。它用 Scheme 來教你編程，引你進入函數(shù)式的世界，讀起來很開腦洞。

但真正讓我記住的，是它開篇對“編程”這件事的比喻：把軟件工程說成一種巫術。書里講，軟件工程師像巫師，編程語言像咒語——你念出咒語，咒語就會被釋放出去，替你完成事情。難點不在于你能不能念，而在于：你要念什么樣的咒語，程序才會按你想要的方式運行。SICP 寫于 1980 年，這個隱喻卻一直有效。我甚至覺得，它正在被今天的現(xiàn)實真正“兌現(xiàn)”。

從這個角度看，無論是 vibe coding，還是未來的軟件工程，都像是這條演進路線的自然延伸。編程語言本來就是咒語，只不過咒語在不斷進化，讓我們越來越容易讓計算機做我們想做的事。而這一波 AI，很可能就是下一站。它把“咒語”這件事推到了極致：你幾乎可以直接告訴 Codex、告訴 Cursor 你想要什么，它就會替你把事情做出來。

我尤其喜歡“巫師”這個隱喻，因為眼下的狀態(tài)越來越像《幻想曲》里的《魔法師學徒》。你戴上魔法帽開始施法，力量強得離譜，但前提是：你得清楚自己在做什么�！赌Х◣煂W徒》里，米老鼠讓掃帚去干活，自己轉(zhuǎn)身就睡，結果掃帚越干越多、洪水失控、屋子直接被淹——這幾乎就是 vibe coding 的極限形態(tài)：愿望實現(xiàn)得太快，失控也來得太快。

所以，當我看到工程師同時跑著 20 個 Codex 線程時，我想到的并不是“爽”，而是這背后其實需要技能、資歷和大量判斷力。你不能徹底放手不管，也不能假裝一切都會自動變好。

但它的杠桿率也確實高得驚人。一個真正把這些工具用順了的資深工程師，現(xiàn)在能完成過去根本不可能完成的工作量。這也是它迷人的地方：我們真的開始有一種很具體的感覺——自己像個巫師在施法，而軟件在替我們跑腿、替我們干活。那種“魔法感”，前所未有地接近現(xiàn)實。

主持人：我這里有兩個線索想繼續(xù)追問。其中一個是，我最近越來越多地聽到一種反饋：當智能體不按預期工作時，人會產(chǎn)生很強的壓力。你一下子發(fā)出去一堆 Codex agent，然后就得時刻盯著它們——“這個不跑了”“那個卡住了”，感覺時間在被白白浪費。你自己有這種感受嗎？你在團隊里也看到這種情況嗎？

Sherwin：有的，有的，這種情況一直都在發(fā)生。說實話，我反而覺得這是當下最有意思、也最關鍵的地方。因為模型并不完美，這些工具也不完美，我們其實還在摸索：到底該怎么和 Codex、和這些 AI 智能體協(xié)作，才能把事情真正做成。這類問題在我們內(nèi)部經(jīng)常出現(xiàn)。

我們有一支特別有意思的團隊，正在 OpenAI 內(nèi)部做一個實驗：他們維護的是一個100% 由 Codex 編寫的代碼庫。一般情況下，你可能會讓 AI 先寫一版代碼，然后再自己重寫一部分、檢查一遍、修修補補；但這個團隊是完全 “Codex 化”，幾乎是徹底 lean in。

小編注：Sherwin Wu 提到的這次實驗，OpenAI 已經(jīng)寫成博客公開了：https://openai.com/index/harness-engineering/。文章記錄了一個“0 人手寫代碼”的軟件工程實驗：團隊用 5 個月從空 Git 倉庫起步，做出一個真實可用的內(nèi)部產(chǎn)品——能上線部署、會出故障也會被修復，且已經(jīng)被數(shù)百名內(nèi)部用戶使用（包括每天都在用的重度用戶）。但從頭到尾 沒有任何人工直接寫代碼：應用邏輯、測試、CI 配置、文檔、可觀測性、內(nèi)部工具，全部由 Codex（Codex CLI + GPT-5）生成。最終在僅 3 名工程師驅(qū)動下，累計合并約 1500 個 PR、產(chǎn)出接近 100 萬行代碼；他們估算整體交付速度約為傳統(tǒng)手寫的 1/10。

于是他們就會遇到你剛才說的那種問題：比如我想把某個功能做出來，但怎么都讓 agent 做不對。通常這時候，人是有“逃生出口”的——你可以說“算了，我自己擼袖子來”，不用 Codex，改用 tab complete、Cursor 之類的工具直接手寫。但這個實驗團隊沒有這個出口，這是實驗設計的一部分。

所以問題就變成了：我到底要怎么做，才能讓這個 agent 把事做好？其中一個我們反復看到的現(xiàn)象是——不知道你有沒有類似感受，但我們這邊非常明顯——很多時候，編碼智能體做不好，并不是“它不行”，而是上下文出了問題。要么是你給的信息不夠明確，要么是 agent 根本拿不到完成這件事所需要的信息。

一旦你意識到這一點，解決方式就會發(fā)生變化：你不再是去“調(diào) prompt”，而是開始補文檔、補結構，想辦法繞過這個限制。說白了，就是把你腦子里的“隱性經(jīng)驗”“團隊共識”“默認做法”，想辦法編碼進代碼庫里——可能是代碼注釋，可能是代碼結構，也可能是一些 Markdown 文檔、skills 文件，或者倉庫里的其他輔助資源。目標只有一個：讓模型在倉庫里就能讀到它完成任務所需要的一切信息。

這個團隊還有很多其他收獲，我覺得都非常值得展開聊。但至少有一點已經(jīng)很清楚了：刻意拿掉“不用 AI 的退路”，反而逼著他們看清楚——如果我們真的要全面擁抱 agent，這些問題是遲早都要解決的。

2 把工程師對 PR 的注意力，從 100% 降到 30%

主持人：我們剛才聊到，使用 AI 的人瘋狂地在發(fā) PR，PR 數(shù)量明顯變多了。顯然，代碼評審現(xiàn)在會變成更大的挑戰(zhàn)。你們團隊有沒有摸索出什么辦法，讓 code review 也能更快、更規(guī)�；�，而不是把大家變成“每天坐在那里審 PR 的苦力”？

Sherwin Wu：有的。首先，現(xiàn)在Codex 會評審我們 100% 的 PR。

我覺得這里發(fā)生了一件特別有意思的事：我們最先交給模型去做的，往往就是那些最煩人、最無聊的軟件工程部分。也正因如此，現(xiàn)在寫軟件反而更有趣了——我們可以把更多時間花在真正有意思的事情上。

就我個人而言，我以前特別討厭 code review，真的屬于我最不喜歡的工作之一。我記得我大學畢業(yè)后的第一份工作是在 Quora。我當時負責 Newsfeed，所以 Newsfeed 那塊代碼基本歸我“所有”，我也就成了 Newsfeed 的主要 reviewer。那段代碼是整個系統(tǒng)里最核心的一塊，幾乎所有人都會動它。

結果就是，我每天早上一登錄，就看到20 到 30 個 code review，我會直接心里一沉：“天啊，我得把這些全過一遍。”我經(jīng)常會拖延，然后待審的 PR 會漲到50 個。review 的量非常大。

Codex 在 code review 這件事上真的很強。我們觀察到一個現(xiàn)象：5.2（GPT-5.2 這一代）尤其擅長審代碼，尤其是你能把它引導到正確方向的時候。

所以我們這里雖然 PR 的量確實變多了，但 Codex 會先過一遍所有 PR，這會讓 code review 從原來那種10～15 分鐘的任務，變成很多時候2～3 分鐘就能搞定的任務，因為它已經(jīng)提前把一堆建議“烤”在里面了。

很多時候，特別是一些小 PR，你甚至不一定需要再拉人來 review。我們在某種程度上會信任 Codex。因為 code review 的核心價值就是“第二雙眼睛”幫你確認你沒有做蠢事——而現(xiàn)在 Codex 已經(jīng)是一雙相當聰明的第二雙眼睛了，所以我們在這點上非常用力地 lean in。

另外，我們內(nèi)部現(xiàn)在 CI 流程、以及 push 之后到部署的那套流程，也已經(jīng)大量通過 Codex 自動化了。

如果你問很多工程師最煩的是什么，往往不是寫代碼本身，而是：你寫完一段漂亮的代碼之后，怎么把它送進生產(chǎn)環(huán)境。你得跑一堆測試，要處理 lint error，要走 code review……這里面有很多流程性的工作。

這些東西其實都很適合讓 Codex 來做，所以我們內(nèi)部也做了一些工具去自動化這些步驟，比如自動處理 lint：如果出現(xiàn) lint error，Codex 通常很容易就能修掉，它可以直接 patch，然后重啟 CI 流程。

我們總體在做的事情，就是盡可能把工程師需要投入的“人肉操作”壓縮到最少。副作用（其實是好處）就是：大家現(xiàn)在可以合并更多 PR、發(fā)布更多代碼。

主持人：Codex 在寫代碼，Codex 也在 review 自己寫的代碼。我很好奇，你們會不會考慮用別的模型來 review 你們模型的工作？這是不是一個方向？還是說現(xiàn)在這樣已經(jīng)夠好了，不需要其他東西？

Sherwin Wu：我會說，這里確實存在一種“循環(huán)”的風險�；氐健赌Х◣煂W徒》的隱喻，你得確保自己沒有讓掃帚失控、滿屋亂跑。

所以我們在“哪些 PR 可以完全由 Codex review”這件事上，其實是很謹慎的。大多數(shù)人當然還是會自己看一眼自己的 PR，并不是說人類 review 就徹底歸零了。

更準確的描述是：把一個人對 PR 的注意力從100% 降到 30%。這樣就能讓事情更順暢地推進。

至于“多個模型”的問題，我們內(nèi)部當然會測試很多模型，所以我們手上有大量不同的版本。但我們相對少用外部模型——因為我們認為“吃自己的狗糧”很重要，要用自家的模型去做實際工作，從而獲得真實反饋。

當然，你也可以用一些內(nèi)部的不同變體模型來獲得另一種視角，我們發(fā)現(xiàn)這種方式也挺有效。

主持人：我再確認一下我對 OpenAI 當下“AI + 代碼”現(xiàn)狀的理解，確認完我想切換到另一個話題。你是說，現(xiàn)在 OpenAI 全部的代碼，100% 都是 Codex 寫的？這樣表述對嗎？

Sherwin Wu：我不會直接說“今天在生產(chǎn)環(huán)境里跑的所有代碼都是 AI 寫的”。這句話我不會這么下結論，因為很難在歸因上做得那么精確。

但可以肯定的是：幾乎每一個工程師，在所有任務中都非常重度地使用 Codex。如果你讓我估一個大概的比例，我會說：現(xiàn)在絕大多數(shù)代碼，很可能最初的作者就是 AI。

3 AI 時代，管理者的杠桿在誰身上？

主持人：大家討論很多的是 IC（個人貢獻者）工程師的角色變化，但關于“管理者”的變化討論得少得多，尤其是工程經(jīng)理這種角色。AI 崛起之后，你作為一個 manager 的生活發(fā)生了什么變化？你覺得未來 manager 的角色會是什么？

Sherwin Wu：它的變化確實沒有工程師那么大。至少現(xiàn)在還沒有“專門給管理者用的 Codex”。不過，我確實會用 Codex 去處理一些我做的“更管理向”的工作。我會說，現(xiàn)在變化還沒有那么劇烈，但我能看到一些趨勢。你把這些趨勢推演下去，就能大概看到很多事情會往哪里走。

一個越來越明顯的點是：Codex 會讓頂尖表現(xiàn)者變得更高效得多。我覺得這可能也是 AI 在更大范圍內(nèi)的普遍規(guī)律：那些真正愿意深度擁抱、那些主觀能動性很強的人，或者能把這些工具用到很溜的人，會把自己“超級加速”。

我現(xiàn)在也能明顯感覺到：團隊里頂尖表現(xiàn)者會變得更多產(chǎn)，于是團隊生產(chǎn)力會出現(xiàn)更大的分化和跨度。

我一直以來的一個管理理念是：我會把大部分時間花在頂尖表現(xiàn)者身上——確保他們不卡住、確保他們開心、確保他們覺得自己在高效推進、也覺得自己的聲音被聽見。

我覺得在 AI 時代，這件事會變得更重要，因為頂尖表現(xiàn)者會用這些工具跑得更快、更猛。

比如之前提到的那個團隊：維護一個100% 由 Codex 生成的代碼庫。讓他們放開去做、看看會發(fā)生什么，這件事實際上回報非常大。所以我看到的一個趨勢是：對于管理者來說，未來可能會更頻繁地、更多地把時間投入在頂尖表現(xiàn)者身上。

另一個趨勢是：管理者可用的 AI 工具，會讓管理者的杠桿率變高。不是寫代碼層面的，而是像“帶組織知識的 ChatGPT”這種——它能幫你做研究、理解組織上下文。舉個很現(xiàn)實的例子：我們現(xiàn)在在做績效評估。你可以很容易地用一個接了內(nèi)部知識的 ChatGPT——它連著 GitHub、Notion 文檔、Google Docs——讓它快速形成對某個人過去 12 個月做了什么的完整理解，然后給你寫一份小型“深度研究報告”。

我的直覺是，在這種世界里，管理者可以管理更大的團隊。就像工程師現(xiàn)在在管理 20～30 個 Codex 線程一樣，這些工具也會讓“人管人”的管理變得更高杠桿。

現(xiàn)在工程團隊里所謂的最佳實踐，一個 manager 通常帶6～8 個人。但我覺得未來可能會變。

你在客服、運營這些非工程領域已經(jīng)能看到類似現(xiàn)象：過去支持團隊規(guī)模會受限，但當你能把更多工作交給 agent，你就能做更多事，也能管理更多人。

我覺得 people management 在科技公司也可能發(fā)生類似變化。我們已經(jīng)在看到一些團隊：有些 EM 管的人已經(jīng)不少了，但他們依然能管理得很好，因為工具讓他們能更高杠桿地理解團隊在做什么、理解組織上下文，并以此運轉(zhuǎn)。

主持人：我很喜歡你這里的建議：你一直以來都會傾向于把更多時間投在頂尖表現(xiàn)者身上，幫他們掃清障礙，確保他們開心。Mark Andreessen （著名風投創(chuàng)始人）最近也上了這個播客，他的說法是：AI 會讓好的人更好，讓偉大的人變得卓越。

Sherwin Wu：對，對。你說的這個點就是：在未來，這件事可能要做得更多、更極端一點——花更多時間在團隊里最強的人身上，確保他們有一切需要的資源。

我現(xiàn)在的一個很好的例子是：內(nèi)部有一小群工程師，真的非�！癈odex 化”，他們在非常認真地琢磨“和這個模型交互的最佳實踐到底是什么”。這是一件極其高杠桿的事情。

作為 manager，我就是直接說：你們?nèi)ヌ剿�。無論你們總結出什么最佳實踐，我們都必須把它分享給整個組織。我們會做各種知識分享 session，會把文檔、最佳實踐到處同步。

這種事情會把所有人一起往上抬。我也把它看作是這種趨勢的又一個例子：頂尖表現(xiàn)者會變得更卓越。

4 軟件與創(chuàng)業(yè)，正在進入一個新階段

主持人：人們會有一種感覺：這件事很大，AI 正在改變這個世界，“一人十億美元公司”這個概念正在改變很多東西，它會是一件大事。你覺得大家還沒有真正把哪些變化算進去？也就是，未來會怎么走，有什么你認為我們還沒意識到、但其實很關鍵的例子？

Sherwin Wu：這波 AI 浪潮里，我最喜歡的一個說法，就是“一人十億美元公司”。我記得好像是 Sam 最早說出這個概念的（至少是最早把它講出來的人之一）。它真的很耐人尋味：如果一個人的杠桿變得足夠高，某個時間點上，確實可能出現(xiàn)一個“一人十億美元公司”。

這件事本身當然很酷，但我覺得大家還沒有真正把它的二階、三階影響算進去。

因為“一人十億美元公司”背后隱含的意思是：一個人借助這些工具，可以擁有更強的主觀能動性、更高的杠桿，于是他很容易就能把一個公司需要做的所有事情都搞定，最終做出一個價值十億美元的東西。但這還只是其中一個層面。它還有其他含義。

其中一個二階影響是：如果一個人都能做到“一人十億美元公司”，那也就意味著——創(chuàng)業(yè)這件事整體會變得容易得多。我其實認為，這會引發(fā)一個巨大的“創(chuàng)業(yè)潮”，尤其是那種偏 SMB（中小企業(yè)）風格的小型創(chuàng)業(yè)潮：幾乎任何人都可以為任何需求做軟件。

你現(xiàn)在已經(jīng)能在 AI 創(chuàng)業(yè)圈里看到一點苗頭：軟件正在變得更“垂直化”。也就是，為某個特定行業(yè) / 垂直領域做一個 AI 工具往往非常有效，因為你能更深地理解那個領域的實際場景和用例。

如果把 AI 的演進繼續(xù)往后推，我看不出有什么理由不會出現(xiàn) 100 倍數(shù)量的這類創(chuàng)業(yè)公司。

所以我設想的一個世界是：為了支撐一個“一人十億美元公司”，可能會出現(xiàn)上百家小型創(chuàng)業(yè)公司，專門做高度定制、做得非常貼合需求的“bespoke software”，來為這些公司提供支持。

這會把我們帶進一個可能非常有意思的階段：我們可能真的會進入一個B2B SaaS 的黃金時代，甚至更廣義地說，是軟件與創(chuàng)業(yè)的黃金時代。因為隨著寫軟件越來越容易、經(jīng)營公司越來越容易，你最終看到的，很可能不是“只有一個一人獨角獸”，而是——也許會有一個“一人十億美元公司”，但同時還會有一百家一億美元公司，還會有幾萬家一千萬美元公司。

而對個人來說，一千萬美元的生意其實已經(jīng)非常好了——那基本就意味著“這輩子穩(wěn)了”。所以我覺得我們可能會在這個方向上看到一次爆炸式增長，而很多人還沒把這一點真正算進去。

再往下一層——算是三階影響——當然越往遠推不確定性越大，但如果我們真的走向這樣一個世界：到處都是這種“微型公司”，做的軟件可能只服務一兩個人，公司也就是一兩個人在擁有、在運營。

那整個創(chuàng)業(yè)生態(tài)會變，VC 生態(tài)也會變。

我們可能會進入一個世界：只有少數(shù)幾個超級大玩家提供平臺，然后平臺上托舉、支撐著大量小公司。

但與此同時，那種真正符合“風險投資尺度”的項目——能把你的投資翻 100 倍、1000 倍的項目——可能反而會變少。因為更多出現(xiàn)的會是大量 1000 萬到 5000 萬美元的公司：它們對個體來說非常棒，但對 VC 來說未必是理想的回報結構。

這些公司會非常適合那些主觀能動性極強的人——他們深度擁抱 AI，為自己打造業(yè)務。

主持人：我太喜歡我們一路聊到第幾階影響了。我現(xiàn)在想聽第四階影響了，Sherwin——開玩笑的。

Sherwin Wu：我真的不行，第四階太“巨腦”了，我想不了那么遠。

主持人：這就像《盜夢空間》一樣，你每往下一層，時間就變慢，事情就更復雜。不過說回“一人十億美元公司”，我確實經(jīng)常想這個問題。因為我做的事情不可能變成十億美元公司，它完全不符合 VC 尺度，也不算特別高杠桿。

但我會想到一個現(xiàn)實問題：我每天收到的支持工單實在太多了，而且經(jīng)常是一些特別離譜、特別瑣碎的事。光是“支持成本”這一塊，就讓我很難想象一個人怎么能撐起十億美元規(guī)模。所以我對“一人十億美元公司”這件事其實是偏謹慎、甚至偏悲觀的。我想分享這個觀點，核心就是：支持成本太難規(guī)模化。就算 AI 能幫你一部分，在十億美元規(guī)模下，除非你的 ACV 很高、客戶很少，否則光是處理支持和各種人類溝通，就很難擴張。

在我自己的經(jīng)驗里，很多用戶其實是能自己解決問題的，但他們還是會選擇給支持郵箱發(fā)一封郵件問一個小問題。處理這些事非常難規(guī)�；Ｋ猿悄愎土艘欢殉邪獭沁�算“一人公司”嗎？——否則我覺得要把公司做大到十億美元，同時又沒有人幫你處理至少支持工作，這幾乎不可能。AI 也只能幫到一定程度。

Sherwin Wu：我同意你說的這個問題。只不過我對“它會怎么發(fā)生”的看法稍微不一樣。

我甚至覺得，Lenny，你的播客未來可能會變成一個十億美元級別的生意。但它發(fā)生的方式可能不是：你一個人去派遣 AI，一張一張?zhí)幚碇С止巍⑿迒栴}、回郵件。

更可能發(fā)生的是：會出現(xiàn)一大堆其他創(chuàng)業(yè)公司，專門做非常貼合你需求的軟件，而且是高度定制、極其垂直的那種。比如，可能會有 10 家、20 家創(chuàng)業(yè)公司，專門為播客、newsletter 這類業(yè)務做支持軟件。它們自己可能就是“一人公司”，不一定要做得很大。

因為在這個世界里，做出一個產(chǎn)品會變得非常容易。他們可以把產(chǎn)品做得很貼合、很獨特、真的對你有用，然后你會愿意為它付費——作為那個“高杠桿的一人公司”，你買這些工具來外包掉那些你不想做的事情。

主持人：我會買的，我真的會買。

Sherwin Wu：對，這里面有一個關鍵問題就是：哪些你要 in-house，哪些你要外包出去。

我覺得可能發(fā)生的事是：因為寫軟件、做產(chǎn)品的成本在極速坍塌，你會把更多東西外包出去。于是你反而能把公司規(guī)模壓得更小。

這就是我覺得可能出現(xiàn)的世界。當然這里仍然有很高的不確定性，但最終形態(tài)可能仍然是：由一個人驅(qū)動的、極高杠桿的公司，真的有機會做到十億美元規(guī)模。

主持人：我能理解。我還會想到 Peter（OpenClaw 那位），他現(xiàn)在被各種需求、郵件、私信、DM、PR 完全淹沒。而且他甚至還沒靠這個賺到錢。我真的很難想象他現(xiàn)在的生活是什么樣——一定非常瘋狂。這大概就像你們當初發(fā)布 ChatGPT 后的那幾個月那種瘋狂，但他是一個人扛著。也許第四階影響就是：分發(fā) / 觸達（distribution）會越來越重要。因為有太多東西在爭奪你的注意力。于是擁有受眾、擁有平臺的人會越來越值錢——這倒是挺有意思的。

主持人：好，我其實想回到你剛才說的管理話題。我真的很喜歡你那個洞見：你說把更多時間花在頂尖表現(xiàn)者身上，對你來說非常有效。你現(xiàn)在在帶的團隊是在做平臺，而這個平臺基本驅(qū)動著整個 AI 經(jīng)濟——幾乎每個 AI 創(chuàng)業(yè)公司都在用你們的 API。顯然你做得非常好。那除了這一條，你還有哪些核心的管理經(jīng)驗？你覺得哪些東西對你作為一個工程團隊、以及人的管理者來說，特別重要，也構成了你成功的關鍵？

Sherwin Wu：我學到的很多東西，我不確定是不是特別“OpenAI API 團隊專屬”，或者是不是只適用于我們的一些 enterprise 產(chǎn)品。

我的管理哲學確實在變化，但整體來說，它更多是保持一致，而不是完全翻新。其中一個原則就是我之前說的那條：把大量時間花在頂尖表現(xiàn)者身上。更具體一點說，我會把超過 50% 的時間花在團隊里最強的那部分人身上，比如前 10%，盡最大努力去賦能他們。

我常用一個隱喻來理解這個問題：把軟件工程師看作“外科醫(yī)生”。這個隱喻來自一本很老的書《The Mythical Man-Month》。這本書寫于 70 年代左右，它里面其實是在“預測未來”。書里描述了一種可能的世界：軟件工程會走向一個模式——工程師像外科手術室里那位主刀醫(yī)生，手術室里只有一個人真正動刀，其余的人都圍繞他提供支持：護士、住院醫(yī)、fellow……主刀說“我要手術刀”，就有人把手術刀遞上去；主刀說“我要這個工具”，就有人把設備推過來。所有人都在支持那一個人。

《人月神話》預測軟件工程會往這個方向走。我不覺得現(xiàn)實完全是這樣——軟件工程仍然更協(xié)作，不是只有一個人干活。

但我一直很喜歡這個比喻，也一直努力把它用在我的管理方式里。也就是說：軟件工程不等同于手術，但我希望我對團隊成員的支持方式，能讓他們感覺自己像那位“主刀醫(yī)生”——他們在推進最關鍵的工作，而我作為 manager 的職責，就是確保他們手里有一支“支持團隊”，確保他們需要的東西隨時可用。哪怕實際上所謂的支持團隊只有我一個人，我也希望做到這種效果。

我常舉的例子就是：提前看見拐角處的阻礙，并把人從組織流程里解卡出來，這件事極其有價值。

而且在 AI 時代，這件事更重要。因為當工程師能一口氣刷很多 PR、連續(xù)高頻交付時，真正限制進展與交付速度的，往往就變成了組織層面的阻礙、流程層面的阻礙。

如果你作為 manager 能夠“看得更遠一步”、提前準備好他們需要的資源——就像主刀醫(yī)生需要手術刀，而你已經(jīng)把手術刀準備好了——那就是最理想的狀態(tài)。這就是我理解的管理方式，尤其是工程管理。這個隱喻一直跟著我，也基本貫穿了我的職業(yè)生涯。

主持人：我太喜歡這個比喻了。我甚至會想，AI 會不會也能幫到這件事：幫你“看拐角”。比如預測：這個工程師接下來會被哪個決策卡住，我們得提前把它解決掉。

Sherwin Wu：我還沒試過，但我現(xiàn)在突然很好奇：如果我問一個接了公司內(nèi)部知識的 ChatGPT——比如讓它去掃 Notion 文檔，看看 Slack 里哪里提過——我直接問它：“我團隊現(xiàn)在有哪些活躍的 blocker？我能做什么來幫他們？”這個思路我之前真的沒想到，但你說得對，你剛剛給了我一個洞見。

主持人：而且更進一步，甚至可以問：你預判接下來幾個月這個工程師、這個團隊會被什么卡�。磕銊偛旁诹亩A三階影響，現(xiàn)在我讓模型幫你做二階三階影響：提前預判下個月的 blocker，提前把它解決掉。

Sherwin Wu：對，對。我們這里可能真的挖到一個好點子了。

5 為什么這么多 AI 部署，最后成了負 ROI？

主持人：好，我想切到你們做的 API 和平臺。你們會和很多公司打交道：它們在接入你們的 API、用你們的平臺、基于你們的工具去做產(chǎn)品。你之前跟我說，你觀察到很多公司的 AI 部署其實 ROI 是負的。我覺得這也是很多人讀新聞、自己體感里隱約相信的結論，但你說你真的在一線看到它發(fā)生，這很有意思。到底怎么回事？他們哪里做錯了？現(xiàn)在 AI 部署與 ROI 的現(xiàn)實狀況是什么？

Sherwin Wu：我先澄清一下：我并不是在“顯式地”看到那種可量化的 ROI 數(shù)據(jù)——這件事其實很難測。但僅憑我觀察到的一些公司“上 AI”的方式，我不會驚訝如果不少部署最后落成了負 ROI。與此同時我也注意到，在科技圈外——比如美國很多非技術行業(yè)的人群里——存在一種很普遍的情緒：AI 是被強塞進來的。而這種抵觸感，本身很可能就是“負 ROI 部署”的外在癥狀之一。

我看到的典型問題大概有幾個。

首先，我總會回到一個老問題：硅谷經(jīng)常忘了自己活在泡沫里。Twitter 是泡沫——抱歉，現(xiàn)在叫 X——硅谷是泡沫，軟件工程也是泡沫。世界上絕大多數(shù)人、美國絕大多數(shù)人，都不是軟件工程師。他們沒有那么 “AI pilled”（被 AI 深度洗禮），也不會追蹤每一次模型發(fā)布。很多人其實根本不知道怎么用這項技術，甚至對它怎么工作都沒什么概念。

你看我們在 OpenAI 內(nèi)部，會聊很多 Codex 的 best practices，甚至有一群人專門研究怎么把 Codex 用到最有效。X 上那些經(jīng)常發(fā)帖的人，也幾乎都是 AI 工具的瘋狂 power user：skills、agents.md、MCP……這些他們都玩得很溜。

但當我去和很多公司聊，尤其是和真正要把工具用到日常工作的一線員工聊時，你會發(fā)現(xiàn)他們的需求非�；A，而他們對這項技術的理解也很有限。他們問的問題都很簡單，離“把工具推到極限”還差得很遠。

這也引出了我覺得更理想的 AI 部署方式應該是什么樣——也是我們在 OpenAI 內(nèi)部大體上是怎么運轉(zhuǎn)的：那些“做得很順”的公司，往往同時具備兩件事。

第一，是自上而下的 buy-in。高層明確表態(tài)：我們要變成 AI-first 公司。于是資源會投入、工具會采購、組織會給到明確支持。

但第二同樣關鍵：必須有自下而上的 adoption 和 buy-in。也就是那些真正干活的一線員工，要對這項技術感到興奮，愿意學習、愿意布道、愿意總結 best practice，愿意在組織里做知識分享。

我們在 OpenAI 內(nèi)部也經(jīng)歷過類似過程。OpenAI 一直希望自己以 AI 為中心，但真正讓這件事“起飛”的，是 Codex 這類工具出現(xiàn)之后——因為員工終于能把它直接用到具體工作里。

你之所以需要自下而上的推動，是因為每個人的工作都不一樣、非常具體。軟件工程不等于財務，不等于運營，也不等于市場銷售。落地到工作層面，會有大量“最后一公里”的細節(jié)，必須靠一線的人去試、去打磨、去改 workflow。

而很多 AI 部署之所以失敗，恰恰是因為缺少自下而上的 adoption：它更像一條來自高層的命令，過于 top-down，又和真實工作怎么做脫節(jié)。結果就是，面對一整個龐大的員工群體，他們并不真正理解這項技術，只知道“我應該用它”，甚至績效里也寫著“你得用 AI 提升生產(chǎn)力”，但沒人告訴他們具體怎么用。

他們環(huán)顧四周，發(fā)現(xiàn)也沒有別人真的在用：沒人可學、沒路徑可抄，于是就卡在原地。

所以我給那些想推進 AI 的公司的建議是：找到——甚至專門配備——一個全職的小團隊，作為內(nèi)部的 tiger team。這支隊伍負責把能力摸透、落到具體 workflow 上，做持續(xù)的知識分享，在組織內(nèi)部制造興奮感，讓更多人愿意嘗試。沒有這種機制，AI 真的很難被“撿起來用”。

主持人：那你會把誰放進這個 tiger team？它應該是工程師主導嗎？還是你覺得更像一個跨職能團隊？

Sherwin Wu：這個問題很有意思。因為現(xiàn)實是：很多公司根本沒有軟件工程師。所以我看到更常見的一種模式是——tiger team 的核心成員，往往來自“軟件工程相鄰”的崗位：技術向，但不一定是工程師。

這些人反而最容易先興奮起來。比如支持團隊或運營負責人：他不寫代碼，但特別愛折騰工具，可能還是個 Excel 高手、流程高手。你會發(fā)現(xiàn)，這類人一旦接觸到 AI 工具，往往會“亮起來”——上手快、動力足，也愿意主動把用法總結出來。

所以這類 tiger team 的典型畫像是：技術相鄰、編碼相鄰，整體技術能力不弱，愿意試、愿意學、愿意帶人。你通常可以以他們?yōu)楹诵拇钇鹨粋�小團隊。

當然，工程師加入會很有幫助，他們能更快理解底層機制、也更擅長做系統(tǒng)化落地。但很多公司沒有這個條件：工程師是稀缺資源，難招也昂貴。于是很多時候，真正把 AI 推起來的，反而是這些“非工程師但技術向”的角色。

主持人：我聽下來，你說的反模式就是：自上而下。比如 CEO 和高管團隊拍板：我們要 AI-first，我們要全面擁抱 AI。每個人都會被考核：你用 AI 工具提升了多少生產(chǎn)力。但如果只有自上而下，沒有建立一個自下而上“傳播與帶動”的團隊，那這事就做不起來。

Sherwin Wu：對，完全是這樣。核心建議就是：找到那些最興奮的人。與其把他們分散在組織各處，不如把他們聚起來，組成一個小的“AI 傳教士團隊”。他們?nèi)ヌ剿髟趺从谩⒃趺绰涞�，然后把用法擴散到整個組織。你這么復述我，我突然意識到：這也能和我自己的管理哲學對上。換句話說：找到 AI 采用上的高績效者，然后賦能他們——讓他們辦 hackathon，讓他們做分享會，讓他們做知識分享，在內(nèi)部種下興奮感的種子。

6 從向量庫到 skills：腳手架正在一層層被吃掉

主持人：我有幾個“熱觀點”想聽你展開一下。有一個我看到你經(jīng)常提到：你說在 AI 領域，“去跟客戶聊、聽客戶的話”不一定總是對的策略，甚至經(jīng)常會把你帶偏。

Sherwin Wu：我不確定這算不算多“熱”。我想說的也不是“不該跟客戶聊”——當然應該聊，而且非常有價值。

我更想強調(diào)的是：AI 這個領域（尤其是我過去三年在 API 這一側看到的變化）迭代速度實在太快了。模型和整個生態(tài)會不斷自我顛覆，特別是在工具鏈、腳手架這一層。

我這周剛看到一句話，來自 X 上的一篇文章，作者是 Nicholas——一家叫 Finol 的創(chuàng)業(yè)公司創(chuàng)始人。他分享了不少在金融服務場景做 AI agent 的實戰(zhàn)經(jīng)驗（我記得他之前也在一家叫 FinTool 的公司做過類似方向）。他有句話我特別喜歡：“模型會把你的腳手架當早餐吃掉�！�

你回看 2022 年 ChatGPT 剛發(fā)布的時候，模型還很粗糙。于是開發(fā)者工具圈冒出了大量“腳手架式產(chǎn)品”，用來約束、引導模型按你期望的方式工作：各種 agent 框架、向量數(shù)據(jù)庫……那時候向量庫尤其火，周邊還長出了一大圈配套工具。

但這幾年一路看下來，模型變得太快、也變得太強，結果它真的會把其中一部分腳手架“吃掉”。我覺得這件事今天仍然成立。Nicholas 那篇文章提到的“當前時髦腳手架”，是基于 skills 文件的上下文管理。你完全可以想象一個世界：未來某個時間點，這套東西也不再有用，因為模型可以自己管理這些上下文；或者整個范式又會切換到別的方向，不再需要這種文件式的 skills。

你已經(jīng)親眼看過這種事發(fā)生：agent 框架現(xiàn)在沒那么有用了；2023 年一度我們以為向量庫會是把組織知識引入模型的“主路徑”——你需要把所有語料 embedding、做向量檢索，還要做大量優(yōu)化，保證在正確時間取到正確的信息。

那一整套，本質(zhì)上都是腳手架，因為模型當時還不夠強。而當模型變強后，更好的方式往往是：把很多邏輯拿掉，信任模型本身，給它一組用于搜索的工具就行。

這個搜索不一定非得是向量庫，它可以接任何形式的搜索——甚至可以只是文件系統(tǒng)里的文件，比如 skills、agents.md 這種，來引導它。

當然，向量庫仍然有它的位置，很多公司還在用。但“圍繞向量庫搭建整個腳手架生態(tài)、把它當成唯一答案”的那種假設，已經(jīng)發(fā)生了很大變化。

所以回到“客戶反饋”：你不一定總要聽客戶的，因為這個領域變化太快。很多客戶在某個時點上其實處在一個“局部最優(yōu)”里。

如果你只盲聽客戶，他們會說：我想要更好的向量庫，我想要更好的 agent 框架……但如果你只沿著這條路走，你可能會做出一個“局部最優(yōu)”的產(chǎn)品；而當模型能力再上一個臺階時，我們往往需要重新發(fā)明、重新思考：什么才是正確的抽象、正確的工具、正確的框架。而更有趣、也更令人興奮、同時也有點讓人抓狂的是：這是一個移動靶。

你今天認為“正確”的工具和框架組合，未來很可能還會繼續(xù)演化、繼續(xù)大改，隨著模型越來越聰明、越來越強。這就是在這個領域里做產(chǎn)品的本質(zhì)。這也是它令人興奮的地方。但它也意味著：你和客戶聊的時候，你需要在“他們此刻想要什么”與“你認為模型將往哪里走、未來一到兩年會如何演化”之間做平衡。

主持人：這聽起來很像所謂的 “bitter lesson”：在 AI/ML 領域里一個重要教訓就是——你加得越多復雜邏輯、越多手工設計，反而越限制它規(guī)�；砷L。你應該盡可能拿掉這些東西，讓它計算、讓它自己變強。

Sherwin Wu：對，這里確實存在一個“把 bitter lesson 應用到 AI 產(chǎn)品構建”的版本。我們曾經(jīng)試圖在模型周圍架構很多東西，結果模型能力提升之后，它會把這些東西直接吃掉。說實話，OpenAI 的 API 團隊在某些時候也犯過這個錯：我們走過一些不該走的彎路。但模型還是會變強，我們也只能在日常中不斷學習這條 bitter lesson。

主持人：那對那些在用 API 構建產(chǎn)品、構建 agent 的人來說，關鍵 takeaway 是什么？因為他們現(xiàn)在還是得圍繞現(xiàn)階段能力搭一些東西。你會給什么建議？

Sherwin Wu：我一直給大家的總體建議——到今天我仍然覺得成立——是：為模型將要去的地方而構建，而不是只為模型今天能做到什么而構建。

因為目標本質(zhì)上是個移動靶。我見過不少做得特別好的創(chuàng)業(yè)公司，會圍繞一種“理想能力”來設計產(chǎn)品：這種能力在當下也許只實現(xiàn)了 80%。所以他們的產(chǎn)品現(xiàn)在當然“能用”，但總像差最后一口氣。

可一旦模型能力再往前邁一步，體驗會突然“咔噠”一下被解鎖：原本差的那一口氣補上了，產(chǎn)品整體就從“勉強可用”變成“非常驚艷”。

比如某個關鍵能力在 o3 時代還不夠穩(wěn)，但到了 5.1、5.2 就突然可用了——他們之所以能吃到這波紅利，是因為在產(chǎn)品設計時就把“模型必然會變強”當成前提寫進了路線圖。最終你會得到一種體驗：它遠遠好過那種把模型能力當成靜態(tài)、圍著現(xiàn)狀去打補丁的做法。

所以我的建議很簡單：按模型未來的走向來設計。你可能需要稍微等一等，但模型變強的速度太快了，很多時候你并不需要等太久。

主持人：順著這個話題，你能分享一下未來 6～12 個月 API 會往哪走？平臺會往哪走？模型會往哪走？我知道這里很多內(nèi)容可能是機密，但你可以分享多少就分享多少——你最興奮的、你覺得大家應該開始準備的。

Sherwin Wu：一個最明顯的方向是：模型能連續(xù)、穩(wěn)定完成任務的時長正在變長。

有一個我覺得很有參考價值的基準指標（他提到的 meter benchmark），用來跟蹤在軟件工程任務里，模型能穩(wěn)定跑多久——比如在50% 成功率下能撐多長時間、在80% 成功率下又能做到多久。

我印象里，當前前沿模型大概是：在 50% 成功率上已經(jīng)能完成“多小時級”的任務；但如果把門檻提高到 80% 成功率，可能還停留在“接近 1 小時、但還不到”的水平。這個基準指標最讓人清醒的地方在于：它把歷代模型都放在同一條時間線上，你能非常直觀地看到趨勢是怎么一步步往前推的。

讓我興奮的是：今天很多產(chǎn)品，其實還在圍繞“模型能跑幾分鐘”來做優(yōu)化。哪怕是 Codex 這種編碼工具，你也會發(fā)現(xiàn)它更偏交互式、更像一個隨叫隨到的協(xié)作伙伴——它最擅長、也被優(yōu)化得最充分的，往往還是十分鐘左右的任務。

當然，我也見過有人把 Codex 推到極限，用它去跑多小時級的任務，但那仍然是少數(shù)案例，并不是常態(tài)。

如果沿著這個趨勢繼續(xù)往前推，我認為在未來 12～18 個月，我們會看到模型能更穩(wěn)定、更連貫地完成“多小時任務”。甚至可能出現(xiàn)這樣的階段：你把一個大約 6 小時量級的任務交給它，讓它自己先跑一段時間，再回來給你結果和進度。

一旦能力到了這個級別，圍繞它構建的產(chǎn)品形態(tài)會完全不一樣。你仍然需要給模型反饋，也肯定不希望它毫無約束地跑上一整天——也許有人會想這么做，但多數(shù)場景下不會。而當任務時長真正拉長，模型能覆蓋的工作范圍會一下子變得更大，能做的事情的“宇宙”也會隨之擴張。這也是我最興奮的一點。

另一個我覺得未來 12～18 個月會很酷的方向，是多模態(tài)模型的進步。更具體地說，我主要指音頻。

現(xiàn)在模型在音頻上已經(jīng)挺不錯了，但我認為未來 6～12 個月，它會變得更強——尤其是那種原生多模態(tài)、speech-to-speech 的模型。同時音頻側可能還會有一些新的模型結構、架構方向出現(xiàn)。而音頻在企業(yè)與商業(yè)場景里，仍然是一個被嚴重低估的領域：大家都在聊 coding，都在聊 text，但我們現(xiàn)在就是用音頻在對話。世界上很多業(yè)務，就是靠“說話”完成的；很多服務與運營，也是靠溝通完成的。

所以我覺得未來 12～18 個月，音頻會變得非常令人興奮，我們會看到更多“被解鎖”的能力。

主持人：我快速總結一下：你認為 agent 和 AI 工具會越來越能跑更長時間的任務，這個趨勢會持續(xù)增強；然后音頻與語音會變得更重要，更原生、更核心、體驗更好。

主持人：回到你剛才的“熱觀點”。我還看到你經(jīng)常講另一個：你對“業(yè)務流程自動化”這個方向非�？炊啵X得它會是 AI 世界里巨大的機會。聊聊這個？

Sherwin Wu：對，這其實又回到我前面說過的那件事：我們在硅谷生活在一個泡沫里。我們熟悉的工作形態(tài)——軟件工程、產(chǎn)品管理、做產(chǎn)品——跟支撐整個經(jīng)濟運轉(zhuǎn)的大量工作形態(tài)，其實完全不是一回事。我跟客戶聊的時候經(jīng)常能強烈感受到這一點：如果你去跟任何一家非科技公司聊，你會發(fā)現(xiàn)他們有海量的“業(yè)務流程”。

我一般會這樣區(qū)分：軟件工程更像一種開放式的知識工作（open-ended knowledge work）。這也是為什么像 Codex 這種工具會很強，因為它擅長探索，你給它的是開放式問題。

但軟件工程的本質(zhì)是非常開放的，而且它并不“可重復”。你做一個功能，不是為了反復做同一個功能一遍又一遍。很多科技類崗位都屬于這種開放式工作：數(shù)據(jù)科學也有點像，甚至一些偏戰(zhàn)略的財務工作也有點像。

但當你離軟件工程、離“科技公司核心”越來越遠，你會發(fā)現(xiàn)很多工作其實就是業(yè)務流程：可重復的事情、可重復的運營操作。它往往是某個公司的管理者長期迭代出來的一套做法，通常會有標準操作流程（SOP）。大家希望按 SOP 來做，而且不希望偏離太多。

軟件工程的“聰明才智”往往在于創(chuàng)新、偏離、探索；但世界上大量工作的本質(zhì)，其實就是按這些流程跑下去。

比如我打電話去客服，對方就在按一套流程走；我給水電煤公司打電話，他們也有很多流程和規(guī)則：哪些能做、哪些不能做。所以我對這一大類機會非�？炊啵�用 AI 去做業(yè)務流程自動化。而且我覺得它被低估了，因為它跟硅谷日常聊的東西太不一樣了，大家就很少想它。

但如果你去想：我們能不能用 AI、用我們現(xiàn)有的工具和框架，去自動化這些可重復、確定性很強（high determinism）的業(yè)務流程？能不能把它做得更省力、更順滑？關鍵還在于：它必須深度集成企業(yè)的數(shù)據(jù)、企業(yè)的決策邏輯，以及企業(yè)內(nèi)部的各種系統(tǒng)。我覺得這塊機會巨大、要做的工作也非常多，只是我們不怎么聊，因為它不在我們的“舒適區(qū)”。

主持人：我確認一下我理解得對不對：你認為 AI 在“工程之外”的機會更大——它能更大幅度影響公司的生產(chǎn)力，影響大量從事可重復、容易自動化工作的人，甚至改變工作的組織方式。因為現(xiàn)實里很多工作就是這樣被完成的。

Sherwin Wu：對。我經(jīng)常跟很多大型企業(yè)客戶聊：AI 會怎么在 20 年后改變我的公司？公司在 AI 世界里會怎么運轉(zhuǎn)？

軟件工程當然是故事的一部分，但業(yè)務流程那一側還有更多。而且我覺得業(yè)務流程那一側，最終可能會呈現(xiàn)出更“徹底不同”的樣子，要做的工作量也非常大。

從絕對規(guī)模上說，我不確定它到底比軟件工程更大還是更小——軟件本身也非常龐大、覆蓋面也非常廣。但可以確定的是：這塊真的很大，而且它遠遠大過你在 X/Twitter 上看到的討論熱度。很多人根本不談它，所以你會低估它。

7怎么才能不被 OpenAI “碾壓”？

主持人：換個方向。你們做平臺、做 API，很多人在 API 上做產(chǎn)品。大家腦子里最大的一個問題永遠是：我怎么才能不被 OpenAI “碾壓”？你們會不會自己做同樣的東西，然后把我剛建立的市場給毀了？你們的總體政策、總體哲學是什么？創(chuàng)業(yè)公司應該怎么判斷：哪些方向是 OpenAI 不太可能親自下場的？

Sherwin Wu：我的總體回答是：市場太大了，機會空間巨大到離譜。創(chuàng)業(yè)公司真的不用過度糾結 OpenAI 或其他大模型實驗室會做什么。

我見過很多創(chuàng)業(yè)公司，有做得不好的，也有做得很好的。所有我見過“熄火”的公司，沒有一個是因為 OpenAI、某個大實驗室、Google 之類“跑來碾壓他們”。它們失敗的原因更簡單：他們做的東西沒有真正打動客戶，沒有和客戶需求產(chǎn)生共振。

相反，那些起飛的公司，即便在極其競爭的領域里也能做起來。比如 coding 這個領域競爭夠激烈了，但 Cursor 現(xiàn)在依然很大——因為他們做出了大家真的很喜歡的東西。

所以我的建議是：別太焦慮這件事。專注做一個用戶喜歡的產(chǎn)品，你一定能在里面找到空間。

我沒法強調(diào)得更重：現(xiàn)在 AI 的機會有多大。機會大到一個程度，連 VC 的“可接受范圍”（overton window）都被改變了——VC 現(xiàn)在在同一個賽道里投“互相競爭的公司”投得非常多、非常激進，就是因為空間太大、機會太大，幾乎前所未有。

從創(chuàng)業(yè)者視角看，這反而是最賦能的環(huán)境：只要你做出一個讓一部分人非常非常喜歡的東西，你就能做出一個價值巨大的生意。所以我才會反復說：別過度思考“會不會被碾壓”。

另外還有一點也很重要，至少從 OpenAI 的角度：我們一直非常非常重視一件事，這也是 Sam 和 Greg 從頂層不斷強調(diào)的——我們從根本上把自己看成一家“生態(tài)平臺公司”。API 是我們的第一個產(chǎn)品。我們認為自己必須去培育這個生態(tài)、持續(xù)支持它，而不是去摧毀它。

你看我們做的很多決策，這條邏輯一直貫穿其中：我們每發(fā)布一個模型、在某個產(chǎn)品里上線，它最終都會進入 API。哪怕我們現(xiàn)在推出的 Codex 模型更偏向 Codex harness 的優(yōu)化，它們最終也都會進 API，讓所有 API 客戶也能用到。

我們不會把這些能力“藏起來不放”。我們認為保持平臺中立非常重要：我們不會屏蔽競爭對手，我們允許大家訪問我們的模型。我們最近也在測試“用 ChatGPT 登錄”這類產(chǎn)品，我們希望繼續(xù)壯大這個生態(tài)——這件事非常重要�？傮w的邏輯就是：水漲船高。我們現(xiàn)在可能像一艘航母，體量很大，但我們認為把“潮位”整體抬高，對所有人都有好處，我們自己也會受益。

我們 API 的增長，某種程度上就是因為我們一直以這種方式行動。所以我真的鼓勵大家別把 OpenAI 想成一個會隨時把你推開、把你擠出去的存在。你應該把注意力放在：做出真正有價值的東西。我們會持續(xù)致力于提供一個開放的生態(tài)。

主持人：為什么這對 OpenAI 很重要？這種“做平臺、讓別人做生意”的堅持，是一開始就有的愿景嗎？

Sherwin Wu：對，這是從一開始就有的。它甚至可以追溯到我們的章程、我們的使命。

OpenAI 的使命一直是兩件事：第一，構建 AGI。我們當然在做這件事。第二，是把它的收益擴散到全人類（spread the benefits to all of humanity）。關鍵就在“全人類”。ChatGPT 當然在做這件事，我們想觸達全世界。但很早我們就意識到：僅靠 OpenAI 作為一個公司，我們不可能觸達世界的每一個角落。世界太大了，每個角落的需求都很深、很細。

所以為了完成使命，我們必須做一個平臺：去賦能其他人來構建那些我們自己不可能親自去做的東西——比如你剛才舉的“為播客和 newsletter 主理人做客服 bot”這種產(chǎn)品，我們自己不會去做，但別人可以在平臺上做出來。這就是 API 的意義。我們也一直非常喜歡看到生態(tài)里涌現(xiàn)出的各種東西，所以從第一天開始，這就是使命的一種體現(xiàn)。

主持人：而且你還沒提你們要上線的 ChatGPT “應用商店”（app store）。這個是在你管的范圍里嗎？還是另一個組織 / 團隊？

Sherwin Wu：那是另一個團隊，更偏 ChatGPT 體系。但我們和他們合作非常緊密。他們做了一個 apps SDK，也是和我們團隊密切協(xié)作出來的。但它確實是在 ChatGPT 的 umbrella 之下。

不過它也是同一個邏輯的例子：ChatGPT 現(xiàn)在大概有8 億每周活躍用戶，這些用戶會反復回來用。對業(yè)務來說這是非常強的資產(chǎn)。但如果我們能讓其他公司也進來，利用這個入口，為這個人群去構建產(chǎn)品——那不是更好嗎？最終我們也認為這會幫助我們把這個用戶群體繼續(xù)做大。所以它依然回到使命：做平臺、保持開放，往往能帶來更大的增長。

主持人：你剛說的 8 億這個數(shù)字……是每周活躍 8 億嗎？我剛剛腦子卡了一下。

Sherwin Wu：每周活躍 8 億。

主持人：這太夸張了，簡直前所未有。我們已經(jīng)對這種規(guī)模數(shù)字麻了，但它真的離譜。

Sherwin Wu：對，從規(guī)模角度想這件事，我也覺得非常震撼。我會這么理解：差不多是全世界10% 的人口，而且還在增長。它還在往上沖。每周會有 10% 的世界人口來用 ChatGPT（準確說是每周）。

主持人：我也想再強調(diào)一下你剛才說的點：OpenAI 的使命是讓 AI 的益處觸達全人類。有些人會嘲諷這句話，說“這不是要收費嗎”。但現(xiàn)實是：任何人都能用免費的 ChatGPT。免費版的能力，和世界上最強的 AI 模型也沒有“天差地別”的那種距離，它不是被嚴格門檻擋住、只給少數(shù)人用的。如果你是億萬富翁，你能從 AI 里獲得的增量，其實也有限；而一個在非洲某個村莊里的人，只要他能上網(wǎng)，他能獲得的 AI 能力并不會差到哪里去。我知道這一直是 OpenAI 很在意的東西。

Sherwin Wu：對，這也是為什么我們會很重視醫(yī)療、很重視教育——教育這塊會非常有意思。

還有一個很瘋狂的趨勢是：免費模型本身也越來越聰明。你回頭看 2022 年的免費模型，當時已經(jīng)算不錯了，但跟今天比完全不是一個量級。你今天拿到的是 GPT-5（他這里提到“2 GB 5”，我按語義理解為 GPT-5 級別的免費能力）——所以我們所謂“抬高全球底線”（raising the floor）這件事，就是我們使命的一部分。

另外，從“億萬富翁”那個角度還有個有趣對比：有人說你用的 iPhone，跟 Zuckerberg 或那些億萬富翁用的，可能就是同一款。而現(xiàn)在某種程度上也類似：你每月 20 美元，就能用到“億萬富翁也在用的那套 AI”。你每月 200 美元，就能上 Pro——“億萬富翁也在用的 Pro”。但他們?nèi)粘Ｒ膊灰欢ㄈ?Pro，很多時候也就是 Plus 級別。

所以這種“民主化”、這種把益處擴散到全世界的事情，對我們來說非常有意義，也驅(qū)動了我們很多決策。

主持人：最后一個問題：對那些想在 API 上做東西的人來說——可能他們突然意識到“我也可以用開源模型和 API 做很酷的東西”——你們的 API 和平臺到底允許大家做什么？我知道你們能在平臺上構建 agents。你能整體講講你們提供了哪些能力嗎？

Sherwin Wu：從根本上說，API 提供的是一組開發(fā)者端點（developer endpoints），讓你可以從我們的模型里采樣（sample）。

現(xiàn)在最受歡迎的端點叫Responses API。它是一個專門為構建“長時間運行的 agent”優(yōu)化的 endpoint——也就是能工作一段時間的 agent。

在最底層的 primitive 上，你基本就是給模型一段文本，讓模型工作一會兒；你可以去輪詢它（poll），看看它在做什么；然后在某個時間點拿到模型的返回。這是我們給開發(fā)者的最低層原語，也是很多人最常用的構建方式。它非常“不帶觀點”（unopinionated）：你幾乎可以拿它做任何事，它就是最底層的構建塊。在這個之上，我們開始提供越來越多的抽象層，幫助大家更容易地構建這些東西。

再上一層，我們有一個非常受歡迎的東西叫Agents SDK。它允許你基于 Responses API 或其他端點，去構建更傳統(tǒng)意義上的 agent：比如一個 AI 在一個近似“無限循環(huán)”的工作流里持續(xù)運行；它可能有子 agent，可以把任務委派出去。

它會幫你搭出一整套框架 / 腳手架——當然，未來這套腳手架會不會也被模型“吃掉”，我們也會繼續(xù)觀察。但在當下，它確實讓構建 agent 變得容易很多：你能給它 guardrails，讓它把子任務分發(fā)給其他 agent，去編排一個 agent swarm（蜂群式的 agent 體系）。Agents SDK 就是幫你做這些的。

然后再往上，我們也開始做一些更偏“部署層（meta level）”的工具。我們有一個產(chǎn)品叫Agent Kit和一些Widgets：本質(zhì)是一組 UI 組件，讓你可以很快地在 API 或 Agents SDK 之上做出一個很漂亮的界面。因為很多 agent 從 UI 視角看起來非常相似，所以提供一套組件能大幅加速產(chǎn)品化。

此外我們也有一些評估相關的產(chǎn)品，比如Eval API：如果你想測試模型、測試你的 agent 或 workflow 是否有效，你可以用我們的 eval 產(chǎn)品做比較量化的測試。

所以我會把它理解成一個分層的棧：不同層級幫助你用我們的模型構建你想要的東西，抽象層級越來越高、也越來越“帶觀點”。你既可以把整套棧都用起來，很快就做出一個 agent；也可以一路下沉到最底層，只用 Responses API 去搭你自己想要的一切。

8 閃電問答

主持人：Sherwin，在我們進入很刺激的 lightning round 之前，你還有什么想補充的嗎？有什么你想留給聽眾的？有沒有我們還沒聊到、但你覺得很有幫助的點？

Sherwin Wu：我只想留一個信息：我覺得接下來兩到三年，會是科技圈和創(chuàng)業(yè)圈在很長一段時間里最有趣的一段時間。

我鼓勵大家不要把它當成理所當然。我 2014 年進入職場，頭兩年挺不錯，但接下來大概五六年，我覺得科技圈沒那么“興奮”。而過去三年，是我職業(yè)生涯里最讓人興奮、最有能量的階段。

我覺得未來兩到三年還會延續(xù)這種狀態(tài)。

所以別把它當成理所當然�？傆幸惶爝@波浪潮會走完，變化會變得更增量、沒那么劇烈。

但在這段時間里，我們會探索很多很酷的東西，發(fā)明很多新東西，改變世界，也改變我們工作的方式。這就是我想留給大家的。

主持人：我太喜歡這段話了，我想多問一句。你說“別錯過”，那你具體建議大家做什么？是去 build、去擁抱、去學習、去加入一家做有趣事情的公司？你給那些想說“我不想錯過這班車”的人什么建議？

Sherwin Wu：我會說：去參與它（engage with it）。

基本就是你說的：去擁抱它。在這之上構建工具，是故事的一部分。但就算你不是軟件工程師，你也完全可以擁抱它：去用這些工具。

我覺得很多工作都會被改變。所以你應該去用工具、理解它能做什么、不能做什么，理解它的限制，這樣你才能看得見它隨著模型進步會開始能做什么。

總之就是：讓自己熟悉這項技術，而不是后仰著讓它從你身邊過去。

主持人：但反過來，也有很多壓力和焦慮：事情太多了，我怎么跟得上？我這周要學 Clawbot，下周又冒出別的……你在中心位置，你怎么不被這種“錯過恐懼”壓垮？你怎么保持節(jié)奏、怎么跟新聞？

Sherwin Wu：我個人其實是個壞例子，因為我基本屬于“長期在線”：X 上長期在線，公司 Slack 也長期在線，所以我確實會吸收很多信息。但我觀察那些不像我這么“上癮”的人，我覺得有一點很重要：大多數(shù)信息其實是噪音。

你不需要讓 110% 的東西都穿過你的大腦。說實話，你只要選一兩個工具，先從小處開始，就已經(jīng)完全夠了。

行業(yè)節(jié)奏太快，再加上 X 這個產(chǎn)品本身的機制，會制造一種極其瘋狂的新聞節(jié)奏，讓人非常壓迫、非常容易被淹沒。

但你真的不需要掌握所有這些，才能參與到當下正在發(fā)生的事情里。

哪怕只是裝一下 Codex 客戶端玩一玩；裝一下 ChatGPT，接上你的一兩個內(nèi)部數(shù)據(jù)源——Notion、Slack、GitHub——看看它能做什么、不能做什么，我覺得就已經(jīng)很有價值了。

主持人：你有沒有一個常常用來提醒自己的座右銘？

Sherwin Wu：我一直會對自己重復的一句是：永遠別可憐自己（never feel sorry for yourself）。

工作和生活里會發(fā)生很多事。提醒自己不要陷入自憐，而是始終相信自己有主觀能動性、能把自己拉起來——這是我經(jīng)常需要對自己說的話，我也經(jīng)常對別人說這句話。

https://www.youtube.com/watch?v=B26CwKm5C1k

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經(jīng)許可禁止轉(zhuǎn)載。

InfoQ 新年禮物上線啦！

AI 快訊輪播推送正式上線，給你更優(yōu)的閱讀體驗、更強的 AI 賦能、更懂 AI 行業(yè)的資訊檢索～我們會持續(xù)優(yōu)化體驗，追求更深度的 AI 能力內(nèi)化改造，歡迎大家體驗并反饋！立即前往 InfoQ 官網(wǎng)，體驗 AI 快訊帶來的全新閱讀感受吧！