2026 年 10 月 15 日，OpenAI 联合创始人、总裁 Greg Brockman 在 No Priors 谈了三个看似相距很远的话题：科学发现、持续工作的个人代理，以及网络安全。把它们放在一起，才能看出这场访谈的产业主线：生成一个答案、一份证明或一段代码，正在变得更容易；但让这些产出获得验证、进入真实流程，并在长期运行中值得信任，仍然昂贵。
这并不意味着“模型能力已经不重要”。恰恰相反，能力提升会把过去隐藏在生成环节之后的瓶颈暴露出来。科研需要新的数据与实验，代理需要可持续的授权和协作关系，软件需要安全与可靠性。Brockman 描绘的下一阶段，既是模型向更多领域扩张，也是价值从单次生成向完整工作过程迁移。
来源说明：节目原视频为原始出处。本文核对了发布方节目页与章节目录，并通读公开可获取的完整机器转录。机器转录未经逐句听校，不能视为官方逐字稿，因此不作逐字引语。下文时间点采用发布方章节目录，仅作主题定位；重要数字另外用原始公告核查。访谈之后发布的材料均标明日期，不倒写成嘉宾当时已经披露的事实。
一、科学 AI 的分水岭，是产出新知识，还是让人类掌握新知识？
对应章节：01:11 数学进展，05:55 沟通与监督。
Brockman 的判断是，AI 已能产生新的知识，但尚未达到建立宏大新理论的阶段；他同样重视人类能否理解这些结果。这个区分比“又解出了多少道题”更值得关注。访谈转录
先把数量口径说清楚。截至 11 月 3 日核查，OpenAI 的数学仓库列有 721 份文稿，归为 373 个成果组。同一组可能包括主要结果、配套论证、推论或另一种证明；仓库同时说明，成果处于不同核验阶段，应被视为原始研究资料，而非全部完成审定的成熟论文。约 42% 的顶层结果已有形式化证明。不能把这些数字直接写成“721 个重大猜想已获数学界确认”，也不能把节目宣传中的“近 400”无条件展开为全部都是百年难题。OpenAI 数学仓库
从行业角度，应当把科学 AI 的价值拆成三个层次：
- 产生候选结果。模型找到以前没有显式给出的解法、关系或假说。
- 建立可信结论。结果经得起形式检查、专家审查、复现或实验检验。
- 形成可迁移的理解。研究者从中提炼出新的工具、概念或研究方向，继续解决其他问题。
这三层不能用同一个计数器衡量。候选成果数量很大，可能意味着探索能力增强，也可能意味着验证工作积压。一个结果正确，不代表人类已经理解它为什么重要；一个结果具有新颖性，也不代表它能改变一个领域的研究方法。
因此，科研平台的竞争不能只看“每小时输出多少篇文稿”。更值得观察的是：每一单位计算能产生多少通过审查的有价值结果，专家需要花多少时间理解，以及这些结果后来是否被其他研究工作使用。若生成越来越便宜，帮助研究者筛选、核验和吸收成果的工具，可能比单纯扩大生成吞吐量更有价值。
这也解释了监督问题为什么会与数学同时出现。让能力更强的系统为自己出具一份漂亮解释，并不足以构成可靠监督。OpenAI 早在 2018 年提出的 debate 研究，就尝试让不同系统暴露彼此论证中的问题，再由人类判断局部争议；原始研究同时明确承认，这不是正确性保证，人的偏差与判断能力仍然可能成为限制。AI safety via debate
这里的产业机会不只是“解释模型”，而是降低作出可靠判断所需要的专业时间。相应风险也很具体：两个系统如果共享同一种盲点，表面上的交叉检查并不一定增加独立证据。监督工具最终要接受错误发现率和实际审查效果的检验，而不是只展示有来有回的讨论。
二、生物学不会简单复制数学曲线，关键是获得怎样的数据
对应章节：07:45 生物数据瓶颈，11:28 药物发现，14:18 监管。
Brockman 没有把数学进展直接等同于生物学即将全面突破。他指出，自然语言证明也很难检查，不能只用“数学容易验证”解释进步；迁移到生物学，关键问题之一是有没有足够的数据，以及能否获得缺失的数据。访谈转录
这个判断改变了对 AI 制药的观察方式。模型可以更快提出值得检验的假设，但如果最重要的不确定性只能靠新的实验消除，算力增加并不自动带来同等比例的发现加速。实验设计、样本质量、测量方法和反馈周期，会共同决定模型下一轮能学到什么。
由此可以推导出一种更有解释力的产业分工：
- 模型提供者擅长扩大搜索与推理范围。
- 实验和数据平台决定哪些问题可以得到可靠反馈。
- 药物开发组织决定科学线索能否跨过后续的研究、制造与临床环节。
这些能力可能由同一家公司整合，也可能通过合作连接。无论组织形式怎样变化，拥有更多模型调用量都不能替代独特、可信、可持续更新的实验数据。真正值得追踪的壁垒，是模型与实验之间能否形成更有效的学习过程，而不是一张孤立的基准测试排行榜。
OpenAI 在这方面已有明确产品动作。2026 年 4 月 16 日发布的 GPT-Rosalind 面向生命科学研究，覆盖文献与数据综合、假设形成、实验规划等工作；9 月 11 日更新宣布其结束研究预览，向符合条件的组织开放。这说明生命科学不是访谈中的临时设想，但产品可用与药物研发结果改善仍是两种证据。GPT-Rosalind 发布及更新
更有信息量的后续发生在访谈五天之后。10 月 20 日，OpenAI 宣布已收购 Orchestra Bio，将药物开发协同平台与 Rosalind 结合。公告强调的并不只是分子设计，而是研究任务、团队、外部伙伴及进度之间的相互依赖，例如制造环节的问题如何影响后续试验安排。收购 Orchestra Bio 公告
这一动作支持一种产业解读：OpenAI 正尝试从“帮助研究者思考”进入“帮助研发组织推进项目”。前者主要创造知识工作效率，后者还需要处理信息更新、跨团队协调和实际责任边界。两者的产品价值和销售路径并不相同。
对这一规划最重要的检验，也不应只是生成文档更快。更强的证据应包括：是否减少无效实验，是否更早识别不值得继续投入的项目，是否降低交接造成的返工，以及最终是否改善可重复的研发结果。收购和产品发布能够证明战略方向，不能证明这些结果已经实现。
监管部分尤其不能只截取乐观预测。Brockman 对改变现有流程设置了前提：需要先证明结果更好；他并未声称模型预测目前已能替代临床试验。访谈转录
从产业判断看，材料准备、研究分析与临床证据是不同层次。文书处理提速可以缩短部分等待，却不能凭空消除人体效果与长期安全性的不确定性。把这些环节统称为“研发效率提高”，容易高估近期商业成果，也会低估真正改变临床证据生产方式的难度。
三、持续代理的产品变化，是替用户保管未完成的责任
对应章节：16:51 主动代理，19:19 工作与消费场景。
节目把 Dots 作为持续在线、主动工作的代理来讨论。发布方节目说明 对产业而言，关键不是助手多了一个入口，而是人机关系从“用户发起一次请求”转向“系统持续关注一项工作”。
在传统问答中，用户必须记住下一步，知道什么时候需要再次提问，并负责把上下文带回来。持续代理如果真正有效，承担的应当是这部分组织成本：任务没有完成时继续保留它，条件变化时重新判断，在需要决策时把问题交还给人。
9 月 29 日的 Dots 公告已经体现这一产品方向：代理由 GPT-6 Astra 驱动，拥有云端计算机，可以围绕目标持续工作。公告还预告了面向组织、拥有独立身份与更深业务系统集成的专用代理；这是后续方向，不等于所有能力已经全面部署。Dots 产品公告
如果这一形态成立，评价标准会明显变化。一次演示中完成任务，不能证明它能长期替人承担责任。更有意义的问题包括：
- 用户是否还必须反复提醒它同一件事？
- 条件改变后，它会更新判断，还是照着旧计划推进？
- 它减少了用户注意力负担，还是制造了更多需要处理的通知？
- 面对权限不足、信息冲突或重大后果，它能否及时停下来并说明原因？
这是与单轮模型评测不同的产品质量。一个回答能力略弱、但更可靠地处理承诺和例外的系统，在某些工作里可能比偶尔惊艳的系统更有价值。相反，持续在线会放大错误：错误不再只存在于一段文本中，还可能沿着时间和协作关系传播。
因此，代理产品的竞争焦点可能从“模型能做多少种事”转向“用户愿意放心交付哪些责任”。前者有利于展示能力广度，后者才更接近持久使用和付费意愿。这里的判断是对产品经济性的分析，不是访谈已经给出的市场验证结果。
四、消费与企业会共享助手形态，但不会共享同一套经济约束
对应章节：19:19 工作与消费代理。
Brockman 倾向于把个人与工作助手看成连贯体验，同时指出，大规模低成本服务与高价值工作场景的计算投入条件不同。访谈转录
这一区分比“企业与消费者产品将合并”更准确。一个人不会天然把自己的注意力切成两套系统，但个人偏好与组织授权不能因此混为一谈。个人希望助手少打扰、主动完成事情，企业却还要回答数据属于谁、哪些行动可以代表组织、离职后哪些信息和权限必须撤回。
经济性同样存在张力。低频、低价值的小任务很难承受大量后台计算；能节省高价值专业人员时间的任务，则可能容纳更高成本。若用同一配置服务所有人，要么昂贵能力覆盖不足，要么平均成本难以控制。
所以，统一入口并不必然意味着统一服务等级。未来可能出现的差异，不只是模型名字不同，而是代理愿意为一个任务投入多少时间、检验多少次、等待多久、提供怎样的完成保障。真正重要的商业问题是，这些差异能否被用户理解并与价值对应，而不是把复杂成本全部藏在一个订阅价格里。
规模数据可以说明分发优势，但不能替代经济性。OpenAI 在 10 月 7 日披露，ChatGPT 每周使用人数已超过 12 亿。这是公司披露的周使用规模，不能改写成付费用户、企业席位或 Dots 用户数，也不能据此推断持续代理已经获得同等规模的采用。GPT-6 发布公告
庞大入口带来的机会，是减少新产品寻找用户的成本；它带来的考验，是大量用户愿不愿意进一步提供必要上下文，并把真正重要的工作交给系统。这一步需要信任与持续效果，不能只靠已有流量完成。
五、“最好的界面是没有界面”，不是软件界面和设计能力消失
对应章节：22:02 界面演进。
节目特别强调了 Brockman 对界面变化的判断。发布方节目说明 但把它理解成“以后只剩聊天框”，会错过真正的变化。
OpenAI 在访谈前发布的 Intelligent UI，已经提供了一个更具体的解释：系统可以按问题组织文字、图表、按钮与表单，必要时仍使用简单文本。其实现包含原生组件与渐进呈现机制，并允许模型在继续思考时开始给出答案。Intelligent UI 产品说明
因而，减少的是用户为了完成任务而适应固定软件流程的负担，不是所有可视化和交互。需要比较多个选项时，临时生成的比较界面可能优于长篇文字；需要确认重大动作时，清晰的状态和确认界面仍有价值。界面从固定入口变成按任务出现的工作材料。
这对软件产业的冲击具有选择性。若某个产品的主要价值是把几个固定字段排列在页面上，它更容易被新的交互层替代。若其价值来自权威业务记录、复杂协作关系、行业规则或可靠执行，前端变化不意味着这些资产自动消失。
新的价值分配问题是：用户与哪个系统建立关系，哪个系统掌握任务入口，底层服务又能否继续通过独特能力获得报酬。界面可能更灵活，业务责任却不会因此蒸发。越是跨越多个应用完成工作，越需要让人看清系统正在使用什么信息、遇到了什么限制、哪些结果仍未确认。
还有一个常被忽视的矛盾：更快开始回答，可以减少等待，却可能让用户过早依赖尚未完成的判断。渐进响应的产品质量，不仅取决于首个字符有多快，也取决于系统是否清楚区分临时发现与最终结论，后续信息能否纠正前面的印象。这是一项新的设计责任，而非界面设计工作的终结。
六、网络安全的“防守窗口”，是一段需要转化为实际修复的时间差
对应章节：26:08 网络安全。
Brockman 的安全判断不是防守方已经永久胜出，而是前沿能力扩散之前，防守方有机会先强化现有系统。发布方节目说明 这本质上是一项关于时间的战略：优势如果只停留在模型可用，而没有变成实际风险下降，就会随着能力扩散而消耗掉。
这里有两个不能混淆的速度。一个是发现问题的速度，另一个是组织确认问题、安排修复并安全上线的速度。前者提高得越快，后者越可能成为瓶颈。大量报告不是安全收益本身；它们也可能占用本来就不足的工程与维护资源。
访谈中的组织投入说法，后来获得了一份更明确的原始披露。11 月 2 日，OpenAI 表示，上一次内部安全专项投入了 25% 的产品工程师，并正在准备下一轮。这里采用公告中的“产品工程师”口径，不将机器转录的措辞差异扩大成“全公司四分之一员工”，也不把一次专项写成永久人员配置。OpenAI 安全专项公告
这个数字的重要性不只是规模大，而是它把安全问题放进了产品组织的资源分配。若修复需要理解业务逻辑和修改现有系统，安全部门即使拥有更强工具，也不能单独完成全部工作。模型能力提升可能促使企业把安全看成持续的产品维护，而不是外围的检查工序。
但“使用了最强模型”不构成完成证明。没有继续发现问题，只能说明在当前能力、覆盖范围和条件下没有更多发现；它不能证明系统已经没有缺陷。下一代模型、系统变更或新的使用方式，都可能改变原来的判断。
所以，对企业最值得观察的不是一次安全冲刺的宣传，而是风险是否持续减少：关键问题是否真正修复，修复是否破坏原有服务，同类问题是否重复出现，以及关键系统是否仍有无人负责的空白。这些指标比单独累计发现数量更接近用户和社会获得的收益。
七、安全支出超过软件支出，是价值迁移预测，不是已经发生的市场事实
对应章节：32:55 安全投资变化。
Brockman 最鲜明的预测是，当软件生成变得便宜，安全投入可能远超软件本身；他也保留了这一判断可能不成立的空间。访谈转录
这句话的合理内核是：客户购买的从来不只是代码，还包括代码在真实环境中可用、可靠、可承担后果。当代码的生产成本下降，验证、治理与保障可能占据更大的价值份额。
不过，“占比提高”与“绝对支出增加”是两件事。软件支出也不是一个固定分母：如果企业用更低价格生产远更多软件，代码总量和运行环境可能快速增加；如果安全能力被集成进原有平台，预算分类又可能改变。不能把这项预测直接转成市场规模测算，更不能据此得出所有企业都应采用相同预算比例的结论。
OpenAI 的 10 亿美元防守支持承诺，是一个可以核实的具体行动，但同样需要准确口径。9 月 3 日公告说明，这项全球计划以补贴 Daybreak 使用为核心，并包括培训、技术支持和合作，目标是在随后六个月内消耗相关支持额度。它不是已经支付给机构的 10 亿美元现金，也不是已实现的产品收入。Daybreak 支持计划
对行业而言，补贴能否奏效，最终取决于资源较少的机构能否把模型能力转化为可维护的改进。免费或低价的计算能力解决了部分成本，却不自动解决人员、流程和长期维护责任。由此看，技术支持和合作网络并不是赠送模型之外的装饰，而可能是产生实际效果的关键部分。
八、这条产业路线接下来应当用什么证据检验？
把访谈与公开动作放在一起，可以看到三条不同成熟度的路线：
科学路线已经有模型和研究材料，尚需更强的领域结果。数学成果要经过持续审查与吸收；生命科学产品已经推出，后续收购也表明工作流扩张，但不能由此宣布药物开发周期或成功率已经发生结构性变化。
代理路线已经有新产品形态，尚需长期使用证明。持续工作和动态界面有明确产品承载，但真正的检验是用户能否少操心、少返工，并愿意稳定交付重要任务。入口规模不等于代理采用规模，演示成功也不等于长期可靠。
安全路线已经有组织投入和支持计划，尚需可持续的风险下降。工程师投入比例和补贴额度说明重视程度；真正的结果仍应是更多关键问题得到可靠修复，且能力能覆盖资源不足的组织。
贯穿三者的共同问题，是人类怎样保有有效判断权。发布方把“人类掌握方向”列为访谈最后一个主题。节目章节与说明 从产业实践看，这种控制权不能只体现为一个确认按钮。人需要知道有哪些选择、证据有多强、行动会产生什么后果，并有现实能力否决或改变方向。
这场访谈最值得保留的，不是“AI 将加速一切”的概括，而是一种更具体的变化：当生成能力快速增强，稀缺资源会转向能让产出成立的东西，包括实验数据、专业判断、组织协同、可靠交付和信任。
模型厂商能否把这些环节连接起来，决定它们能走多远；专业机构能否掌握其中不可替代的环节，决定它们是否仍有主动权。未来几年的竞争，很可能不是谁能生成更多内容，而是谁能证明更多事情真正完成了。
原始访谈与核查索引
- No Priors 原视频，2026 年 10 月 15 日。
- 发布方节目页：01:11 数学，05:55 监督，07:45 生物数据，11:28 药物发现，14:18 监管，16:51 Dots，19:19 消费与工作，22:02 界面，26:08 安全，32:55 投资，35:49 人类控制。
- 完整机器转录：用于覆盖完整讨论，未经逐句听校；其时间轴与发布方章节不完全一致，不作为精确视频跳转依据。
- 数字与产品状态核查截至 2026 年 11 月 3 日。本文采用的主要数字为 721 份文稿、373 个成果组、约 42% 形式化覆盖、超过 12 亿周使用人数、25% 产品工程师及 10 亿美元支持承诺，具体边界均在正文说明。未将访谈中未经独立核实的药物研发成本数字写作行业统计。
公开来源
本文仅供信息参考，详情请见免责声明。
← 继续阅读更多内容