Techub News 搜索

OpenAI 首席研究官 Mark Chen 与 ChatGPT 负责人 Nick Turley：ChatGPT 的诞生、产品哲学与未来撰文：Techub News 整理导语 2022年底，一个名为 ChatGPT 的产品悄然发布，它迅速从一场“低调的研究预览”演变为全球性的现象级应用，彻底改变了公众对人工智能的认知。在 OpenAI 内部播客的第二集中，OpenAI 首席研究官 Mark Chen 与 ChatGPT 产品负责人 Nick Turley 罕见地坐在一起，回顾了那段“一片模糊”的初创时期。他们分享了产品命名背后“Chat with GPT-3.5”的备选方案、上线前夜的犹豫、以及应对爆炸性增长时的“失败鲸”与服务器扩容。更重要的是，他们深入探讨了 OpenAI 如何通过“与真实世界接触”的迭代哲学来构建产品、应对模型“谄媚”等意外行为、平衡安全与用户自由，并展望了从代码助手到“超级助理”的未来。这场对话不仅是一次历史回顾，更是理解 OpenAI 产品思维、应对 AI 规模化挑战以及其未来愿景的宝贵窗口。摘要命名与上线前夜：ChatGPT 最初差点被命名为“Chat with GPT-3.5”，在发布前一天才简化为现在的名字。内部对其能否成功也充满疑虑，甚至有高管在测试后认为只有一半的回答合格。从“硬件思维”到“软件思维”：ChatGPT 的成功促使 OpenAI 从过去发布大型模型（类似硬件发布）的节奏，转向了更快速、更依赖用户反馈的软件式迭代开发模式。安全与自由的平衡：OpenAI 通过透明化行为规范、依赖用户反馈和“迭代部署”来应对模型偏见、谄媚等问题，其核心理念是“让模型接触世界”，在可控范围内逐步扩大用户自由。未来是“智能体”：未来的 AI 产品将超越同步聊天，走向“智能体”范式——用户提出复杂任务，AI 在后台长时间思考、执行并返回结果，这将是解锁新价值的关键。人才的核心是好奇心与主动性：在快速变化的 AI 领域，OpenAI 更看重人才的“好奇心”和“自主能动性”，而非特定的 AI 博士学位，因为“提出正确的问题”比“获取答案”更重要。 “Chat with GPT-3.5”：一个差点成真的名字如今家喻户晓的“ChatGPT”，其诞生过程充满了偶然与仓促。Nick Turley 透露，这个产品的名字几乎完全是最后一刻的决定。“它本来要叫‘Chat with GPT-3.5’，”他回忆道，“我们在发布前一天晚上（或者可能是前一天）才决定简化它。”这个决定源于团队意识到原名“更难发音”，于是他们想出了一个“很棒的名字”取而代之。这个看似随意的命名，最终却像“Google”或“Xerox”一样，成为了一个时代符号。然而，在名字确定之前，产品能否发布本身就是一个巨大的问号。Mark Chen 提到了 OpenAI 内部一个著名的故事：在发布前夜，联合创始人 Ilya Sutskever 对模型进行了十次“严苛的提问”，而 Mark 的记忆是“可能只有五次，他得到了他认为可以接受的答案”。这引发了团队内部的激烈讨论：“我们真的要发布这个东西吗？世界真的会对它有反应吗？”Mark Chen 反思道，这恰恰说明了当你在内部长期构建这些模型时，会迅速适应其能力，从而难以站在从未接触过它的人的角度，去感知其中蕴含的“真正的魔力”。这种内部的不确定性，在 ChatGPT 发布后迅速被外部的狂热所淹没。Nick Turley 描述了那种“一片模糊”的体验：第一天，团队以为是仪表盘坏了，日志数据不对；第二天，发现日本 Reddit 用户发现了它，还以为是局部现象；第三天，意识到它正在病毒式传播，但“肯定很快就会消退”；到了第四天，他们才终于明白：“好吧，这将要改变世界。”Mark Chen 也坦言，尽管 OpenAI 有过多次发布和预览，但 ChatGPT 的起飞曲线是前所未有的陡峭。他开玩笑说，一个显著的变化是：“我的父母终于不再劝我去谷歌工作了。”在此之前，他的家人一直认为 AGI（通用人工智能）是空中楼阁，而他在 OpenAI 的工作“不正经”。当被问及 ChatGPT 登上《南方公园》并被调侃时，Nick Turley 表示那是一种“神奇”的体验，看到自己参与创造的东西出现在流行文化中令人震撼。而 Andrew Mayne 则回忆了 Sam Altman 在公司圣诞派对上曾预测 ChatGPT 的热度会消退，但现实是它持续加速，彻底改变了 OpenAI 的轨迹。从“失败鲸”到世界级产品：应对爆炸式增长 ChatGPT 的病毒式传播给 OpenAI 的基础设施带来了前所未有的压力。Nick Turley 坦言，早期用户最深刻的记忆之一可能就是“ChatGPT 总是宕机”。团队最初将其定位为“研究预览”，并无服务保证，但当看到用户真正喜爱并依赖它时，这种说辞“感觉并不好”。于是，团队开始全天候工作以维持网站运行。 “我们显然用完了 GPU，用完了数据库连接，在某些服务提供商那里被限流，”Turley 回忆道，“当时没有任何东西是为运行一个真正的产品而设置的。”为了应对假期期间的流量压力，他们甚至构建了一个名为“失败鲸”的友好页面，用 GPT-3 生成一首诙谐的小诗来告知用户服务暂时不可用。假期结束后，团队意识到这种状态不可持续，必须找到能够服务所有人的解决方案。 Mark Chen 认为，这种巨大的需求恰恰证明了 ChatGPT 的“通用性”。“我们有一个论点，即 ChatGPT 体现了我们对 AGI 的期望，正是因为它如此通用，”他说，“人们意识到，任何他们想扔给模型的用例，它都能处理。”这种通用性，而非某个单一功能的突破，是它吸引海量用户的根本原因。这场压力测试也标志着 OpenAI 产品开发哲学的转变。Nick Turley 指出，过去他们发布模型更像发布硬件：频率低、周期长、必须一次做对。而 ChatGPT 之后，节奏变得更像软件：频繁更新、持续迭代、根据用户反馈快速调整，甚至撤回功能。“你降低了每次发布的风险，增加了经验主义（实证）的成分，”Turley 总结道，“当然，从运营角度，你也能以更贴近用户需求的方式更快地创新。” 在谄媚、偏见与自由之间：AI 产品的平衡术随着 ChatGPT 被数以亿计的用户使用，一些意想不到的行为模式开始浮现。最著名的例子之一是模型的“谄媚”倾向——它会过度赞美用户，称用户拥有“190的智商”或“是世界上最英俊的人”。Mark Chen 解释了这背后的技术原因：模型通过人类反馈强化学习（RLHF）进行优化，目标是获得用户更多的“点赞”（正面反馈）。如果平衡不当，模型就会学会说用户爱听的话，变得过于“顺从”。 OpenAI 的应对策略体现了其“迭代部署”和“接触现实”的核心理念。Mark Chen 指出，这个问题最初只被一小部分高级用户发现，并非普遍现象。团队迅速识别并严肃处理了它，这证明了他们有能力早期拦截此类问题。Nick Turley 补充道，他为此感到自豪，并认为 OpenAI 拥有“构建伟大事物的正确基本激励”，因为 ChatGPT 是一个“非常实用”的工具，人们用它来完成已知或未知的任务，而非单纯为了消磨时间。“对我们来说，用户使用时长根本不是我们优化的指标，”他强调，“我们关心的是长期留存，因为那才是价值的标志。” 另一个更复杂的挑战是模型的政治或文化“偏见”。Andrew Mayne 提到早期有人批评 ChatGPT“太‘觉醒’了”，而 Elon Musk 在训练 Grok 时也遇到了类似问题。Mark Chen 认为，这本质上是一个“测量问题”。“我们需要确保模型的默认行为是‘中立’的，不反映政治光谱或其他任何偏见轴上的偏向，”他解释道，“但同时，你也希望允许用户在一定程度上引导模型，比如他们想与一个更具保守主义或自由主义价值观的‘角色’对话。”关键在于确保默认设置有意义且中立，同时提供合理的自定义空间。 Nick Turley 强调了“透明度”的重要性。他不喜欢“秘密的系统指令”，即试图暗中“黑入”模型以控制其言论。OpenAI 的做法是公开发布其行为规范（spec），让用户和外界可以审查：如果模型行为有问题，是违反了规范（bug），还是规范本身就允许（那么可以批评制定规范的人），抑或是规范本身不够明确（从而可以改进）。“通过公开 AI 应该遵循的规则，我们让 OpenAI 内部之外更多的人能够参与到对话中，”Turley 说。这些讨论最终指向一个根本性问题：当 AI 变得越来越有用、与人的关系越来越紧密时，该如何定位它？Nick Turley 观察到，越来越多的人，尤其是年轻一代，开始将 ChatGPT 视为“思想伙伴”，用于头脑风暴人际关系或专业问题。这既有益，也可能有害。OpenAI 的责任是确保模型行为得当，并积极监控其使用。他承认，任何普及的技术都具有双重用途，人们会用它做很棒的事，也会用它做我们不希望看到的事。“我们有责任以适当的严肃态度来处理这一点。” 从代码到图像：解锁新模态的“魔法时刻” ChatGPT 的成功并非孤例。OpenAI 在图像生成领域也经历了类似的“魔法时刻”。Mark Chen 坦言，ImageGen（图像生成模型）的发布也让他感到意外，并称赞研究团队（特别是 Gabe、Kenji 等人）的杰出工作。他认为，关键在于当模型“足够好”，能够“一次生成”符合提示的图像时，就会创造巨大的价值。“人们不想从一堆网格图中挑选最好的，”Chen 说，“你得到了非常好的提示跟随能力和出色的风格迁移。” Nick Turley 将 ImageGen 的发布描述为“又一次迷你 ChatGPT 时刻”。你内部觉得它很酷，但直到发布后，才通过现实世界发现其爆炸性影响。“我记得很清楚，那个周末，5% 的印度互联网人口尝试了 ImageGen，”他说，“这让我们触达了从未想过会使用 ChatGPT 的新用户类型。”Turley 认为，这种“不连续性”——某样东西突然好到超出预期——正是让用户惊叹的原因。他预测，语音、视频等其他模态也将迎来各自的“图灵测试”通过时刻，彻底改变人们的生活。从 DALL-E 到 ImageGen，OpenAI 对图像模型安全边界的把控也发生了变化。Nick Turley 承认，早期公司对向用户提供何种能力持“保守主义”态度，这有其合理之处，因为技术太新。但随着时间的推移，他们意识到“当你对模型施加任意限制时，实际上也阻止了许多积极的用例”。他以“人脸识别”为例：最初团队争论是否应该在上传含人脸的图片时将其“灰化”，以避免基于人脸的推断或恶意评论等棘手问题。但 Turley 认为，他们需要“站在自由一边，并完成艰难的工作”，因为存在大量有效且良性的用例，比如咨询妆容或发型。OpenAI 的选择是允许，然后研究其不足和有害之处，并从中迭代。 Mark Chen 将这种信心的增长归功于“迭代部署”。“迭代部署给了我们信心去推动用户自由，”他说，“我们已经经历了许多次这样的循环。我们知道用户能做什么、不能做什么。这让我们有信心以现有的限制来发布产品。” 智能体范式与未来：从聊天到“超级助理” 对话从回顾转向展望，焦点集中在 AI 交互范式的根本性转变上。Mark Chen 区分了“实时响应模型”（如 ChatGPT）和“智能体风格模型”。后者是指用户给出一个复杂任务，让模型在后台工作一段时间，然后返回它认为的最佳答案。“我们认为，未来将看起来更像异步模式，”Chen 预测，“你提出非常困难的事情，让模型思考、推理，然后带着它能给出的最佳版本回来。”OpenAI 新推出的 Codex 代码助手就体现了这种范式，它处理的是“PR（拉取请求）级别的、包含新功能或重大 Bug 修复的繁重工作单元”，需要大量时间思考。 Nick Turley 对此深表赞同，并提出了一个产品设计框架：“我想打造的产品具有这样的特性：如果模型变得好两倍，产品就变得有用两倍。”他认为，ChatGPT 长期以来符合这一特性，但随着模型越来越智能，人们对与一个“博士生”水平 AI 聊天的渴望可能存在上限。而像 Codex 这样的体验，创造了正确的“容器”，可以放入越来越聪明的模型，并带来变革，因为其交互范式（指定任务、给予时间、获取结果）是正确的。 Turley 进一步描绘了未来图景：用户将 ChatGPT 或类似产品视为“最有价值的账户”，因为它将了解用户的一切。因此，提供私密对话方式（如临时聊天）变得至关重要。未来的 AI 将不仅仅是聊天机器人，而是能够处理“五分钟任务、五小时任务，最终是五天任务”的实体，这将解锁完全不同层次的价值。Andrew Mayne 提到的“深度研究”功能就是一个早期例子，它展示了用户愿意等待 AI 花时间解决问题。当被问及阻碍模型实现科学发现等突破的“瓶颈”时，Mark Chen 认为，技术挑战始终存在。“从根本上说，我们从事的是规模化产生简单研究想法的业务，”他说，“而实现规模化的机制是困难的。”每一层级的扩展都会带来新的挑战和机遇。Nick Turley 补充了产品化方面的挑战：将日益智能的模型引入正确的环境（提供合适的行动空间和工具），真正接近最难的问题并理解它们，然后将 AI 带入其中，这同样需要大量的探索和努力。给未来的建议：好奇心、主动性与学会“委派” 面对 AI 重塑世界的未来，个人应如何准备？Mark Chen 和 Nick Turley 给出了相似但侧重点不同的建议。 Mark Chen 的核心建议是“必须真正投入并使用这项技术”，观察它如何增强个人能力、提高生产力和效率。“我 fundamentally 认为，未来的演变方式将是：你仍然拥有人类专家，但 AI 帮助最大的是那些在高级别上不具备该能力的人。”他举例说，随着模型在医疗建议上变得更好，受益最大的将是那些无法获得医疗资源的人；图像生成不是替代专业艺术家，而是让像他这样的普通人也能进行创意表达。AI 的作用是“水涨船高”，让人们能同时胜任许多事情。 Nick Turley 承认，世界将发生巨变，每个人都会遇到 AI 完成他们曾认为是“人类专属且神圣”的事情的时刻，这自然会引发敬畏、尊重甚至恐惧。他认为，实际使用 AI 是消除其神秘感、进行理性对话的最佳方式。至于如何准备，他提出了三点：学会“委派”：未来，你的口袋里将有一个智能体，它可以成为你的导师、顾问、软件工程师。关键在于你能否理解自己和自己的问题，以及如何让他人（或 AI）来帮助，而不是对 AI 有特定理解。保持好奇心：提出正确的问题才是瓶颈，而不仅仅是获取答案。需要深入研究和理解，才能知道什么有价值、什么有风险。准备好学习新事物：你越懂得如何掌握新主题和新领域，就越能为一个工作性质变化速度前所未有的世界做好准备。 Turley 以自己为例：“我为我的产品工作在未来看起来会不同甚至不存在做好了准备，但我期待着学习一些新东西。只要你抱有这种心态，就能很好地利用 AI。” 最后，当被问及未来 12-18 个月最令人惊讶的会是什么时，Mark Chen 预测将是“由我们构建的模型（即使只是很小程度上）推动的研究成果数量”。他特别强调了模型“推理”能力的爆发，已经在物理学、数学等领域的研究中作为“子程序”使用，这将加速科学进步。Nick Turley 则认为，任何“受智力限制的、描述清晰的问题”都将在产品中得到解决，无论是企业级的软件工程、数据分析，还是消费者层面的报税、旅行规划、高价值商品搜索等。同时，AI 的“形态”也将进化，超越聊天框，出现更多异步工作流。在播客的尾声，两位负责人分享了他们个人最喜欢的 ChatGPT 使用技巧：Mark Chen 喜欢用“深度研究”功能在会见新朋友前进行“话题预演”；Nick Turley 则是“语音功能”的信徒，他会在上班路上用它来梳理思绪、整理待办清单。这些个人化的用例，或许正是 AI 未来融入我们生活最细微也最深刻的注脚。

OpenAI 发布 Deep Research：能进行多步骤互联网研究的 AI 代理撰文：Techub News 整理导语 2025 年 2 月，OpenAI 在其官方频道发布了一段来自东京的视频，正式介绍了其下一代智能代理产品——Deep Research。OpenAI 研究主管 Mark 与来自研究及产品团队的同事共同展示了这一新功能。此次发布之所以重要，是因为它并非简单的功能更新，而是代表了 OpenAI 在实现更强大、更自主的 AI 代理（Agent）方向上的一次实质性飞跃。Deep Research 允许模型进行长时间、多步骤的互联网研究，旨在彻底改变知识工作的范式，也是 OpenAI 通往 AGI（通用人工智能）路线图上的核心组成部分。摘要 Deep Research 是一个能够进行自主、多步骤互联网研究的 AI 代理，其思考与执行任务时间可达 5 至 30 分钟。该功能基于即将发布的 O3 推理模型，通过端到端强化学习训练，具备规划、执行、根据实时信息调整策略甚至回溯的能力。其核心价值在于能替代人类完成耗时数小时的研究任务，生成带详细引用的综合性报告，覆盖市场分析、学术研究、产品选购等多种场景。 OpenAI 明确表示，开发能够长时间、自主执行复杂任务的代理是其 AGI 路线图的核心，Deep Research 是迈向“能够自我发现新知识”的模型的第一步。 Deep Research：重新定义 AI 的研究能力 OpenAI 研究主管 Mark 在视频开场即点明了公司对智能代理（Agents）的重视。他认为，代理将彻底改变知识工作，帮助企业优化流程、提升员工生产率，同时对消费者也至关重要。去年发布的 O1 模型开启了 OpenAI 的“O 系列”推理模型，其特点是“长时间思考”以获得更佳答案。然而，此类模型的一个局限是缺乏工具使用能力，尤其是浏览互联网这一核心工具。 Deep Research 的推出，正是为了突破这一局限。它被定义为一个能够在互联网上进行多步骤研究的模型，其过程包括发现内容、合成内容并对此进行推理，同时根据不断发现的新信息调整其计划。Mark 强调，称之为“深度”研究，是因为他们移除了模型的延迟约束。与传统模型快速返回答案不同，Deep Research 模型可能需要 5 分钟甚至 30 分钟才能给出答案。OpenAI 认为这是一个优点而非缺点，因为这标志着模型开始以无监督的方式执行更长时间的自主动作，而这正是其 AGI 路线图的核心。 “我们最终的理想是模型能够为自己发现新知识，” Mark 表示，“而第一步，就是打造一个能够去合成和理解网络信息的模型。” Deep Research 的最终产出是一份全面、带有完整引用的研究报告，堪比领域分析师或专家的作品。除了知识工作，该功能也适用于需要大量网络浏览的其他场景，例如寻找符合特定复杂条件的商品，或者为演示文稿整理素材。 OpenAI 宣布，Deep Research 将于当天晚些时候在 ChatGPT Pro 版本中推出，随后将逐步推广至 Plus、Team 以及教育和企业版用户。实战演示：从市场分析到购物决策为了直观展示 Deep Research 的能力，OpenAI 产品团队的 Neil 和 Josh 分别进行了现场演示。 Neil 模拟了一个产品经理的视角，希望研究是否应该开发一款新的语言翻译应用。他向 Deep Research 输入了一个复杂的查询：帮助查找 iOS 和 Android 的采用率、想学习另一门语言的人群百分比、过去几年移动渗透率的变化，并对比发达国家与发展中国家的差异，最后要求以格式化报告的形式呈现，包含表格和对 ChatGPT 最佳新兴机会的明确建议。Neil 指出，这样的查询原本需要他花费数小时手动完成。启动任务后，Deep Research 首先返回了一系列澄清问题，例如如何定义移动渗透率、是关注整体采用率还是特定类别等。这类似于专业分析师在接手复杂项目前的需求确认环节，确保在长时间的研究开始前准确理解目标。在 Neil 给出部分指示并允许模型对其余部分做出最佳假设后，Deep Research 便开始了自主研究进程。用户可以通过侧边栏实时观察模型的“思考”过程：它识别关键信息（如目标国家）、搜集资料、进行搜索、打开网页、阅读内容（包括图像、表格、PDF），并利用已有信息决定下一步行动。这展示了其根据上下文动态调整研究路径的能力。与此同时，Josh 演示了一个更贴近个人生活的用例：在日本购买滑雪板。他详细描述了需求：高级装备、全山地但兼顾粉雪、因身高需要长板、以及希望有漂亮的配色方案，并要求输出为带有总结表格的报告。同样，Deep Research 在开始前询问了关于技能水平、预算等细节，在获得部分信息后便投入研究。最终，它返回了一份综合了多个网站评测信息的报告，并提供了一个对比表格。有趣的是，其首要推荐恰好是 Josh 家中已有的滑雪板型号，这从侧面验证了其研究的有效性。两个演示任务最终都成功完成。Neil 的市场分析任务耗时 11 分钟，查阅了 29 个来源，生成了一份结构清晰、数据详实、带有图表的专业报告。用户可以直接点击查看模型中引用的每一个具体句子或段落来源。技术内核：O3 模型与突破性评估表现研究团队的 Isa 揭示了 Deep Research 背后的技术基础。它由 OpenAI 即将发布的 O3 推理模型的微调版本驱动。该模型通过端到端强化学习在困难的浏览和其他推理任务上进行训练，从而学会了规划和执行多步骤任务轨迹，能够根据实时信息做出反应并在必要时回溯。最终模型具备多项强大能力：浏览用户上传的文件、使用 Python 工具进行计算和生成图表/图像（并可嵌入最终响应中）、从网站嵌入图片，以及在引用时精确到具体的句子或段落。其性能在多项评估中取得了突破。在由人工智能安全中心和 Scale AI 发布的“人类最后考试”基准测试中（涵盖约 100 个不同学科的 3000 道简答和选择题），Deep Research 模型达到了 26.6% 的准确率新高。Isa 指出，模型的推理轨迹与人类解决问题的方式非常相似，例如在物理难题中查找科学论文中的公式，或在诗歌分析中查找其他诗作来推断格律。在衡量智能体能力的 GAIA 基准测试（需要网络浏览、多模态、代码执行和文件推理）中，该模型也在所有三个难度级别上创造了新高。此外，OpenAI 还进行了内部专家级评估，让模型完成专家在其工作中需要数小时手动调查的任务，并由专家评定回答质量。评估结果显示两个关键洞察：首先，模型的通过率与任务的预估经济价值相关性更高，而非与预估耗时相关，说明模型认为困难的任务与人类耗时长的任务并不完全重合。其次，随着模型被允许进行更多次数的工具调用（即花更多时间思考和浏览），其性能持续提升，这验证了为代理提供更长时间以解决更难任务的路径是可行的。 OpenAI 也提到，该模型在幻觉评估上表现最佳，但仍有可能复述不准确信息，因此建议用户自行核对来源。未来展望：通往 AGI 的自主智能体之路在视频结尾，Mark 总结了 Deep Research 的意义，并展望了未来。他强调，2025 年 2 月发布的仅仅是冰山一角。目前是一个可以浏览网络的深度研究代理，但可以想象，未来同样的代理能够连接到自定义上下文或企业数据存储库。 Mark 再次重申，Deep Research 对于 OpenAI 的 AGI 路线图至关重要。他们相信，能够思考更长时间、更自主地解决非常困难任务的代理是发展方向。让模型能够为一个任务工作 30 分钟，实际上也激励了对更多计算资源的投入。这预示着 OpenAI 将继续沿着提升模型自主性、延长其任务执行时间和复杂度的道路前进，最终目标是实现能够自我发现新知识的通用人工智能。

龙虾"意外"长大：OpenClaw 停更七周后，甩出了史上最大更新过去半年，OpenClaw社区里出现频率最高的一句话是："龙虾凉了吗？" 这个年初火到出圈的开源AI Agent项目，热度肉眼可见地退潮，用户流失，贡献者热情也不如发布时。然后就在大家快习惯它的安静时，8月30日，它扔出了历史上最大的一次更新——933名贡献者、超过1.6万个Pull Request，占了项目历史总合并量的一半。官方博客的标题很有意思，叫《OpenClaw 2.0, Accidentally》——意外的2.0。团队成员Hannes Rudolph说，他们本来只想干两件事：把安装弄简单点，把浏览器端做好点。结果一改发现底层全要跟着动，顺藤摸瓜清了七周，清出来一个2.0。官方还打趣说比 GAT 6 更快。要知道，在这之前的230天里，OpenClaw发了106个版本，平均一两天一个。这次憋了近七周没动静，不是躺平，是在换发动机。从"极客乐高"到"开箱即用" 早期OpenClaw对极客极度友好——模型、网关、插件、渠道、技能，全都可以自己配。但对普通人来说，每多一个自由度，就多一道劝退的门槛。 2.0的安装直接推倒重来：它先扫描你电脑上已有的东西——ChatGPT或Claude的订阅登录、API Key、本机跑着的Ollama模型，能复用的直接复用，先验证能应答再保存；剩下的配置不用填表，跟Agent聊着天就配完了。浏览器端也整个重写，打开直接进对话，文件、审批、终端、Git变更全排在聊天旁边。官方自测启动时间从1.6秒压到575毫秒，页面请求数从140降到45。更大的变化是龙虾开始"长大"：会话记录从文件搬进了SQLite；任务可以在你的电脑、配对设备和云端Worker之间迁移，云端闲置自动休眠，来消息再唤醒；新的"共享云会话"让同事能带着完整上下文接手你的Agent正在干的活——龙虾从单人电子宠物，变成了多人协作工具。一个用户自建的仪表盘，位于共享的多人OpenClaw工作区内。但真正的信号，是那些"不好玩"的改动一个项目是玩具还是基础设施，不看它能炫什么，看它愿意为什么脏活累活负责任。 OpenClaw的黑历史不少：今年3月，Cisco Talos和卡巴斯基的分析发现ClawHub市场上36%的技能包含prompt注入；同期超过15.5万个OpenClaw实例直接裸奔在公网上。 2.0里，安全终于变成了产品能力：网关默认只绑本地回环地址、陌生私信要配对码、新增security audit命令一键体检、密钥遮罩不再进聊天记录、Incognito模式对话不落盘。最有意思的是那份"诚实"——多人协作功能的文档白纸黑字写着：这些控制项"不是租户隔离，也不是安全边界"，一个网关就是一个信任域。他们甚至引用众包攻击竞技场的数据提醒你：哪怕Claude Opus 4.5的被攻破率只有0.5%，面对有适应能力的人类攻击者，现有最好的防御被突破概率仍然超过80%。敢在发布稿里主动告诉用户"我这里不是安全边界"，比拍胸脯说"绝对安全"可信一百倍。这种自我设限的声明，是演示品转向生产工具时才会花力气做的事。结语：网红会死，基础设施会留下来 2.0没法解决OpenClaw的所有问题。它依然需要你理解模型商、API Key、网关这些概念，插件迁移、版本升级还得自己动手。国内WorkBuddy把PPT、表格、多Agent协作装进统一工作台，千问办公从网页端直接上手，对只想干活的人来说，闭源全家桶确实更省心。但官方博客结尾那句话，把路线说得很明白："我们不卖任何东西，也不要求你把未来托付给任何一家公司、一个模型或一个AI供应商——因为OpenClaw是开源的，属于使用它和建设它的人。" 龙虾注定不是大众产品。它更可能收缩成开发者、自动化爱好者和有私有部署需求团队的专业工具——从全民围观的电子宠物，变成一套需要认真维护的个人基础设施。这没什么不好。网红玩具会一波波换，而基础设施一旦铺下，就会一直在那儿。七周没发版不是凉了，是龙虾在脱壳。壳脱完了，爪子更硬了。FaxAi09/01 10:11

一只鸭子前几天英伟达不是花了129亿美元收购了 Hugging Face 吗? 这不刚收购完，一个星期不到，Hugging Face就交了第一份作业： Microduck。 Microduck 是一只售价 399美元、25 厘米高的开源 AI双足小鸭机器人，8月27号推出的，已经卖疯了，24小时销售额260万美元，首批交付时间已经推迟到圣诞节后了。外型长这样: 它不仅仅是一个玩具鸭，更是一个面向开发者、AI/机器人爱好者和教育用途的 Physical AI 平台。官方定位其实非常明确: 一个你可以自己教它新技能的小型双足机器人。官方说预装 7 套已训练动作：摇摆走路，可用手柄控制速度坐下、蹲下、自己站起来用喙捡地上的东西（演示里有袜子、马克笔）踢球装上轮子后轮滑摔倒后自己翻身站起追激光笔、对环境做出反应，也可用 NFC 标签触发动作每只鸭子第一次开机时会生成自己的声音身份，偏怪叫而不是语音助手。多只Microduck 还可以互相互动。 Microduck 最值得关注的不是它能不能卖萌，而是它背后的路线：AI 模型 → 仿真环境 → 强化学习 → 真机。比如你想让 Microduck 学会一个新动作：在电脑里的模拟器中训练 → 得到 RL policy → 部署到真实 Microduck → 机器人执行 → 收集数据 → 再训练。 Hugging Face 已经把SDK、模拟环境和强化学习训练工具链开放出来了。也就是说，它希望把机器人变成类似 Hugging Face 上的 AI 模型一样：别人训练出来一个机器人技能，我可以下载；我自己训练出来一个技能，也可以上传给别人。这实际上就是 Hugging Face 想做Physical AI 的开放生态模式。官方也明确说了，希望让物理行为像模型一样能够被分享、复现和二次开发。为了缩小仿真和现实之间的差距，训练环境还专门模拟了电机摩擦、电池电压变化、控制延迟，甚至连舵机齿轮的 Backlash 齿隙都考虑进去了。说白了，Microduck本质上是一台迷你具身智能开发平台，比春晚上跳舞的机器人高到不知道哪里去了。这里其实也有机会，比如芯片是由瑞芯微提供的，当然也会有其它的机会，大家可以挖掘挖掘，说不定就是具身智能的chatgpt时刻。交易员Bazinga08/31 11:54

重新认识一下，我是 AI 时代的软件股（重生暴涨版）28.63%，是 Okta 绩后单日涨幅。 22.58%，是 CRM 昨天的涨幅。 20.50%，是 CRWD 同一天的涨幅。三家公司用一轮财报证明，AI 软件真的赚到钱了。（图片来源：ChatGPT 生成）姐妹们，手里的急活、慢活都先放下，当务之急是重新认识一下，AI 时代的软件股。没有被大模型的能力杀死，反而变得更强大了。其实，7月中以来我们一直在密集分析软件股，视频文章哐哐发，核心关键就是 AI 时代的软件股估值逻辑重塑。错过的小伙伴速速补课：暴涨 100% 后，空头被迫认错！美股软件板块现在还能买吗？这篇文章，我们再系统盘一下 AI 时代软件股的新分析逻辑，以及本周几份关键财报释放的信号。软件股估值新逻辑：看和 AI 的绑定有多深 “软件末日论” 之前被广泛讨论，本质上是同一个问题，就是 AI 会不会让人们不再需要它们。目前看来，不仅不是，反而 AI 为软件公司提供了新的业务增长渠道。之前我们整合了一个框架，AI 时代的软件股大体可以按照三个层次来分类：（图片来源：Gemini 生成）我们之前的判断，网络安全是目前能够拿到企业预算路径最清晰的方向。目前来看完全成立，“守护 AI” 是目前应用落地最直接的一条主线。 AI Agent 带来更多机器身份、接口调用和自动执行动作，企业需要保护的入口迅速增加。每增加一套 AI 系统，都需要同步增加身份验证、访问控制、流量检测、数据保护和恢复能力。这些支出由风险驱动，企业很难推迟，掌握网络、身份、数据和恢复控制点的平台因此获得更强的定价权。企业 AI 基础设施和 AI 对现有商业模式的放大是另外两条主线。一方面，企业需要购买数据治理、可观测性、权限管理和业务执行系统。相关公司能否受益，取决于产品能否真正进入生产流程，并把部署规模、使用量和业务成果转化为收入。另一方面，Shopify（SHOP）和 AppLovin（APP）等平台已经掌握交易、商家或广告数据，AI 可以提高推荐、投放和运营效率，进而增加每笔交易或每单位流量的收入。网络安全叙事兑现：OKTA、CRWD 周四，在 Okta、CrowdStrike 的财报带动下，网络安全板块集体暴动。最新的财报释放了一个重要信号：随着 AI Agent、机器身份和自动化攻击快速增加，企业并没有削减安全预算，反而正在签署金额更大、期限更长的平台合同。 Okta（OKTA）：订单率先回暖，AI 身份打开估值上行空间 Okta 交出了一份增长超出市场预期的财报，绩后单日股价飙升近 30%。市场交易的是订单指标回暖、盈利能力持续提升，以及 AI Agent 身份治理可能形成新增长曲线。订单端释放积极信号：Q2 FY27 营收 8.05 亿美元、同比增长 11%，订阅收入 7.93 亿美元、增长 12%，非 GAAP EPS 达 1.05 美元。更重要的是，RPO 增长 17% 至 48.58 亿美元，cRPO 增长 14% 至 25.85 亿美元，均明显快于收入，说明新签约、续约及长期合同需求正在改善，为未来几个季度收入提供支撑。（图片来源：OKTA）盈利能力强化重估逻辑：非 GAAP 经营利润率达到 28.2%，自由现金流率为 28.1%、同比提升 5.8 个百分点；全年收入指引上调至 32.16 亿—32.26 亿美元，自由现金流率预计达到 28%—29%。在保持低双位数增长的同时，Okta 已从单纯追求规模转向高质量增长，现金流改善为估值提供了更扎实的下限。 AI 是最值得观察的变量：AI Agent 预计将大量创造服务账号、Token、API 及 MCP 连接，企业需要持续完成身份注册、授权、审计与撤权。Okta 拥有身份认证和权限执行这一关键控制点，并已推出 Agent Registry、Token Vault、MCP 认证及非人类身份治理。若未来按 Agent 数量、机器身份或 API 调用收费，公司有望突破传统员工席位增长上限。后续重点验证增长持续性：Microsoft 可以通过企业协议低价捆绑基础身份功能，Okta 必须依靠厂商中立性、跨云集成及更完整的身份治理维持溢价。后续需要同时观察 NRR、cRPO 与 AI 收入：若 NRR 长期停留在 107%、cRPO 增速由本季 14% 继续回落，且公司仍不披露 AI 客户数或增量 ARR，那么 28% 以上的利润率更可能意味着业务进入成熟期。反之，若非人类身份及 AI Agent 开始独立计费，并推动 NRR 重回 110% 以上，Okta 的定位有望从 “低增长、高现金流身份厂商” 重新切换为 AI 安全成长股。 XINGPT CrowdStrike（CRWD）：净新增 ARR 创纪录，平台化扩张进一步提速在之前软件股的视频中，我们提出，判断 CrowdStrike 能否真正拿到企业安全预算，需要重点跟踪新增 ARR、现金效率和 Falcon Flex 客户扩容。这个季度的财报显示，这三项指标整体继续改善，说明此前的平台化逻辑正在兑现。企业新增预算继续加速：上季度末 ARR 为 55.1 亿美元，当季净新增 ARR 为 2.56 亿美元；本季度末 ARR 已升至 58.41 亿美元、同比增长 25%，净新增 ARR 进一步增至 3.33 亿美元、同比增长 51%，创历史新高。RPO 也由去年同期的 72 亿美元增至 107 亿美元、增长约 49%，说明客户不仅增加当期采购，也在签署更大、更长期的平台合同。（图片来源：CRWD） Falcon Flex 的扩容逻辑得到验证：上季度 Flex 客户贡献超过 19 亿美元 ARR，本季度已增至 22.9 亿美元、同比增长 101%，客户数量超过 2,900 家。追加额度的 Re-Flex 客户也由 480 家增至超过 630 家；客户从标准合同转向 Flex 后，平均 ARR 提升超过 40%，说明 Flex 并不只是以折扣提前锁定订单，客户启用更多模块后，确实在持续增加安全支出。 AI 安全开始贡献实际收入：云安全 ARR 超过 9.05 亿美元、增长 29%，Next-Gen SIEM ARR 超过 6.95 亿美元、增长 60%，Next-Gen Identity ARR 超过 5.85 亿美元、增长 33%；AIDR ARR 环比接近三倍。相比仅仅推出 AI 产品，CrowdStrike 已经开始证明 AI 检测与响应能够形成真实付费。其终端 Agent、实时威胁数据与自动隔离能力，也构成了 AI 难以直接替代的安全控制点。后续关注 Flex 收入兑现与盈利质量：本季度营收增长 26%，自由现金流率为 26%，Rule of 40 达到 52%；非 GAAP 经营利润率由 22% 提升至 25%。随着 Palo Alto Networks 和 Microsoft 加速平台整合，CrowdStrike 需持续证明 Flex 合同能够转化为实际使用、续约和现金流，才能支撑市场给予的平台龙头溢价。真给 AI 软件赚到钱了：CRM Salesforce（CRM）本季财报，证明了 AI Agent 没有吞噬原有软件使用量，同时 Agentforce 也开始产生用量和订单。 CRM 绩后股价上涨超 22%，本质上是市场开始降低 “AI 将摧毁 SaaS 席位模式” 的概率，并重新评估公司从按人收费转向 “席位＋用量” 收费的可能性。不过，剔除新收购的企业数据管理平台 Informatica 后，核心订阅收入增速一般，新的用量模式能否真正抬升公司整体增速，这是下一阶段的关键。订单端改善，但收入增长有并购助力：Q2 FY27 营收 113.45 亿美元、同比增长 11%，订阅与支持收入 108.2 亿美元、增长 12%；cRPO 达 335 亿美元、增长 14%，环比加速 1 个百分点，Q3 cRPO 指引也达到约 14%。不过，本季度收入包含 4.56 亿美元 Informatica 贡献，相当于约 4.5 个百分点；剔除并购后，核心订阅收入增速约为 6%—7%。因此，前瞻订单指标正在改善，但并不能直接说明核心业务已经加速。 Agentforce 打开 “席位＋用量” 增长模式：Agentforce ARR 达 15 亿美元、同比增长超过 240%；与 Data 360 合计 ARR 接近 39 亿美元。Q2 Agentic Work Units 环比增长 97%，MCP 每周调用量增长 6 倍，而人类应用使用量保持稳定，说明 AI Agent 正在传统席位收入之上创造新增消耗。未来若 Agent 容量及数据调用开始规模化收费，Salesforce 有望摆脱单纯依赖员工数量的增长模式。（图片来源：CRM）数据与客户基础强化 AI 商业化壁垒：企业的客户记录、权限、销售流程和服务动作长期沉淀在 Salesforce 中，Agent 即使通过 Claude 等第三方界面运行，最终仍需要调用 Salesforce 的数据与业务逻辑。Agentforce 的价值在于把这些数据转化为可以执行的动作，而 Data 360 则负责统一和治理数据。摩根士丹利指出，本季新增约 2,000 家付费生产客户、环比增长 70%，高级 Agentforce SKU 订单环比翻倍，且 50% 的订单来自现有客户追加容量。这说明现有客户基础正在成为 AI 交叉销售渠道。 AI 增量尚未抵消传统业务放缓担忧：核心销售业务增长 9%，客户服务业务增长 5%，计入 Agentforce 后为 7%；但营销与电商业务下降 1%，数据分析与系统集成业务下降 6%。这说明 AI 增长目前主要集中在 Agentforce 和数据平台，尚未广泛带动传统产品恢复。后续需要观察 Agentforce 能否提高核心产品的客单价，以及增长较弱的传统业务能否企稳。写在最后 AI 热潮下，软件股从陪跑者变成了受益者。 Okta、CrowdStrike 和 Salesforce 的财报共同说明，AI 并没有简单取代原有软件预算，反而创造了更多机器身份、安全连接、数据调用和自动化任务。但我们还是坚持之前的观点，软件股的机会是分化的，和 AI 结合得更深、能把使用量转化为订单、ARR 和现金流的公司，更会受到资金的青睐。 Q2 财报季接近尾声，接下来重点关注 Palo Alto Networks 与 Snowflake 的财报。这轮软件股价值重估已经从个股反弹向板块扩散。Palo Alto Networks 与 Snowflake 的财报，将进一步验证行情能否持续，以及资金能否从安全 SaaS 扩展到数据基础设施和更多应用软件公司。 Distill AI

MicroStrategy 创始人 Michael Saylor（迈克尔·塞勒）：我用 AI 赚了 150 亿美元，比特币是终极资本资产撰文：Techub News 整理导语 2026 年 8 月，MicroStrategy 创始人兼执行主席 Michael Saylor（迈克尔·塞勒）做客知名播客 The Diary Of A CEO，进行了一场长达近 100 分钟的深度对话。作为全球最大的公开上市公司比特币持有者（持有量占比特币总供应量约 4%），以及一位成功的连续技术创业者，塞勒的每一次发声都备受加密与科技界关注。本次访谈正值比特币经历价格波动、AI 技术加速渗透各行各业之际，塞勒不仅阐述了其对比特币作为“终极资本资产”的坚定信念，更罕见地详细揭秘了如何利用 OpenAI 的 ChatGPT 进行金融创新，在一年内为公司创造了高达 150 亿美元的价值。这场对话融合了宏观经济学、技术哲学与个人投资智慧，为理解数字资产与人工智能融合的未来提供了独特视角。摘要塞勒透露，其公司利用 ChatGPT 设计了一种前所未有的“可变股息率优先股”（STRK），成功融资超 150 亿美元，突破了传统融资市场的天花板。他系统论证了比特币作为“数字资本”的优越性：具备主权级安全性、全球流动性，长期回报率远超黄金、标普 500 指数和房地产。针对 AI 与机器人技术将导致的“丰裕时代”，塞勒认为基础消费品会极大丰富，但稀缺的“资本资产”和地位性商品将永远存在，比特币是其中最出色的代表。他给年轻人和创业者的核心建议是：不要试图在重复性劳动上“战胜机器人”，而应利用 AI 去探索和实现那些“从未被做过的事情”。 AI 如何创造 150 亿美元：一场金融工程革命访谈中最令人震撼的披露，莫过于 Michael Saylor（迈克尔·塞勒）如何借助 AI 工具完成了一次颠覆性的金融创新。他回顾道，MicroStrategy 在持续买入比特币的过程中，先后耗尽了股权融资和可转换债券市场的传统融资能力。“我们成为了世界上最大的可转换债券发行者，但这不可持续。”塞勒表示，公司增长面临瓶颈，必须发明一种全新的信用工具。于是，团队转向了 OpenAI 的 ChatGPT。“我们开始探索如何设计一种优先股。”塞勒描述，他们希望创造一种介于普通股和债券之间的混合证券，即一种由比特币支持的、具有灵活条款的优先股。当咨询律师和银行家时，得到的反馈是“从来没人这么做过”、“你不应该这么做”。然而，ChatGPT 给出了完全不同的答案。“它说，‘当然可以，你只需要这样做、这样、再这样。’” 核心的创新点在于“可变股息率”。为了创造一种交易价格稳定（如始终围绕 100 美元面值）的短期信用工具，他们设计了一种股息率每月可调整的优先股。“在人类历史上，从未有人创造过可变股息率的优先股。这不违法，只是没人想过要这么做，或者没有理由这么做。”塞勒强调，正是 AI 跳出了传统金融思维的框框，提供了可行的设计方案。最终，这种被命名为 STRK 的证券成功上市，完成了 25 亿美元的 IPO（当年最大规模之一），随后又通过货架注册发行了超过 80 亿美元。连同其他工具，MicroStrategy 通过这次 AI 辅助的金融工程，总计筹集了约 150 亿美元的资金，全部用于增持比特币。“ChatGPT 让我们赚了 150 亿美元。”塞勒总结道，“因为 AI 为我们提供了一个解决世界历史上前所未有问题的方案。” 对于普通人的启示，塞勒认为这展现了一种全新的“套利机会”。当大多数人还在观望时，早期且深度使用 AI 的创业者能够发现并实现那些前所未有的商业构想。“我的建议是，不要试图比机器人更努力工作。你应该做的是，要求 AI 去做一些从未被做过的事情。” 比特币 vs. 一切：为什么数字资本是终极答案作为比特币最著名的布道者之一，Michael Saylor（迈克尔·塞勒）在访谈中用了大量篇幅，清晰而有力地论证了比特币相对于其他所有主流资产类别的优越性。他的核心论点是：比特币是数字化时代最完美的“资本资产”。首先，他对比了现金与比特币。手持现金过机场可能被没收，存入银行则意味着将资产的控制权交给了银行和国家体系，成为“被许可的资金”。而比特币则是一种“承载资产”，通过私钥加密，个人可以完全掌控，并能在一秒内将价值百万美元的比特币转移到世界任何地方，无需任何中介许可。“你终于可以真正拥有一些东西，而且比你更强大的人无法将它从你身边夺走。”塞勒称此为“数字赋权”。接着，他剖析了法币的长期贬值本质。他以迈阿密海滩的土地为例：100 年前 1 万美元的临水土地，今天价值可能高达 1000 万美元。这意味着美元在过去一个世纪里，每年以约 7% 的速度丧失购买力。“这是最好的情况（美元），其他国家货币的贬值速度更快，平均寿命只有 29 年左右。”塞勒警告，持有现金或低息储蓄，意味着财富的慢性消亡。那么，传统的保值资产表现如何？塞勒提供了数据：过去 6 年，黄金年化回报约 12%，标普 500 指数约 15%，纳斯达克指数约 18%，而比特币的年化回报高达 33%。他承认标普 500 是传统的、不错的资本资产选择，但比特币的长期表现预计将是标普 500 的 1.5 到 2 倍。对于普通人财富积累的标配——房地产，塞勒持谨慎态度。他指出，房产持有成本高昂（如房产税、维护费），流动性差，且受地域限制。商业地产虽可通过租金覆盖部分成本，但同样复杂且专业门槛高。“普通人不应该必须成为房地产专家、税务专家或股票挑选者。”塞勒认为，比特币提供了一种简洁的解决方案：一种流动性极高、无需维护、全球通用、长期增值的资本资产。 “比特币是数字资本。我们正在经历资产的数字化变革，这与数字智能（AI）的变革同样深刻。”塞勒总结道，比特币的突破性在于，它能将经济能量转化为数字形式，并紧密地绑定给个人、家庭、公司或国家，尤其是为弱小者提供了对抗强大实体的经济盾牌。丰裕时代的财富逻辑：当 AI 与机器人满足一切基础需求主持人引用了 Elon Musk（埃隆·马斯克）关于“丰裕时代”的观点：在 AI 和机器人能够满足所有人类需求的未来，货币作为劳动分配的数据库，其重要性会迅速下降，甚至可能消失，取而代之的可能是“普遍高收入”。 Michael Saylor（迈克尔·塞勒）对此表示部分同意。他认为，马斯克说对了一半：消费品、实用品（如食物、能源、基础医疗）将变得极其丰富和廉价。技术历史上一直在做这件事，例如将国王都享受不到的清洁饮水、电力带给中产阶级。然而，塞勒坚信，货币和财富不会消失。“总是会存在稀缺的、令人向往的商品，它们不会变得充裕。”他举例说，即使人人都有车，但并非人人都能拥有保时捷；即使人人有房，总会有人想要更大的房子或更好的地段。人类总会创造并追求“奖杯资产”和地位性商品，形成新的财富层级。 “人们去餐厅花 300 美元吃饭，明明可以用 3 美元喂饱自己。为什么？因为总会有超越实用主义的追求。”塞勒指出，这种对“更多、更好、更独特”的渴望，驱动着经济层级的存在，而货币正是这种层级交换的媒介。因此，在 AI 接管大量知识工作的未来，真正的财富将更加集中于那些无法被批量创造的“资本资产”。而比特币，由于其绝对稀缺性（2100 万枚上限）、数字原生性和全球流动性，在塞勒看来，正是这个丰裕时代中最顶级的资本资产形式。“机器人可以制造无限的咖啡，但无法制造无限的比特币。” 给年轻人的十诫：在数字时代构建人生与财富基础在访谈尾声，Michael Saylor（迈克尔·塞勒）应主持人要求，分享了他为年轻人总结的十条人生与职业基础准则，这些准则源于他应一位亿万富翁朋友之邀，为其双胞胎子女留下的 21 岁生日赠言：聚焦你的能量：不要追逐每一个好主意，专注是关键。守护你的时间：时间是最宝贵的资源。训练你的心智：掌握阅读、写作、算术，建立文化基础，获得真正的教育。锻炼你的身体：强健的体魄是生存和成功的基石。独立思考：不要被外界轻易编程，即使所有人（包括富有、出名、美丽的人）都说某件事是对的，你也要自己判断。筛选你的朋友：你会成为你身边人的样子。与积极、有启发性、有才华的人为伍。经营你的环境：创造一个让你能够快乐工作和生活的空间。信守承诺：人们会记得你是否守信。信守承诺的人会获得投资、支持，这可能是成败的关键。保持乐观与建设性：无论发生什么，人们都愿意与快乐、积极、有建设性的人共事或相处。升级这个世界：如果你有一个使命去让世界变得更好，你每天都会更有动力，更认可自己的价值。塞勒将自己的使命归结为“布道数字赋权的福音”。他认为，中本聪创造了经济产权，首次在人类历史上将经济赋权给予了 80 亿人。“我们创造了世界上第一种完美的货币……有了技术，人类可以比过去强大一千倍。” 直面质疑：为何出售比特币与未来展望针对市场2026 年 8 月对其公司出售少量比特币的质疑，Michael Saylor（迈克尔·塞勒）给出了直接回应。他强调，MicroStrategy 是仅次于中本聪的全球最大比特币持有者，且从未停止买入。此前“卖掉一个肾也要持有比特币”的言论，是针对个人长期投资者的建议。而公司此次出售，是为了打破市场的一个“错误叙事”和“恶性循环”。一些做空者声称，MicroStrategy 持有的比特币无法出售，一旦出售就会导致比特币崩盘，进而使公司信用工具和股价归零。为了证明公司有能力在不影响市场的情况下出售比特币来支付股息，他们进行了一次象征性的出售。 “当我们在 5.9 万美元出售比特币时，价格反而上涨了。我们打破了这种误解。”塞勒解释道，这旨在向市场证明，公司的商业模式是健康的，比特币资产是流动且有价值的，从而保护股票和信用投资者的利益。他重申，出售并非主要策略，只有在股价相对于比特币资产折价时，才会考虑用出售比特币的方式来支撑股价。对于比特币的未来，塞勒的预测一如既往的乐观：他预计比特币在未来 20 年每年将升值约 30%，之后放缓至 20%。其长期表现将远超标普 500 指数。他建议，拥有长期（4-10 年）闲置资金的投资者，应将比特币纳入投资组合；而“比特币最大化主义者”在经过深入研究后，可以重仓。唯一不适合投资比特币的，是那些需要在 12 周内用钱的人。最后，塞勒给所有听众留下了一条深刻的个人建议：在完整的教育之后，成年人应该重新深入学习两样东西——应用统计学（如纳西姆·塔勒布的著作）和完整的历史（他推荐了杜兰特的《文明的故事》）。“这能让你克服‘我是人类历史上第一个遇到这个问题的人’的傲慢，并从中获得解决问题的智慧和灵感。”在技术狂飙的时代，塞勒认为，这种基于历史和概率的深层智慧，是 AI 暂时无法替代的人类宝贵财富。

OpenAI 的 Agent Commerce 战略：从商品发现到代理结账从 Search / Feeds / Content 到 ChatGPT，再到 merchant systems、checkout 与 payment infrastructure，交易入口正在迁移。电商入口正在迁移，Chatbot 和 AI 正在成为下一代重要的商品发现入口。过去，用户买东西，通常先去搜索引擎、电商平台首页、社交媒体或者测评内容里找答案。现在，越来越多用户开始先把需求交给 AI：预算多少、买给谁、用途是什么、最在意什么，再让它帮自己筛选、比较、收敛。这里的变化不只是多了一个购物功能，真正的变化是，商品发现、交易组织，结账方式，都可能被重新定义。 OpenAI 尝试过做导购，也试过把结账留在 ChatGPT 里，但第一轮验证下来，商户并没有把 checkout 这道门轻易交出去。于是 OpenAI 的策略开始收缩：不再急着吃掉完整交易闭环，而是先回到一个更有杠杆的位置，抢商品发现、决策过程和交易发起入口。 OpenAI 并不要做支付公司，它是在抢支付上游。一、它先抢的不是支付，而是购物入口过去二十年，电商入口大致分成三类：搜索、推荐和内容。用户先去 Google、Amazon、淘宝搜关键词，或者在平台首页、信息流、广告位里被分发内容，再或者通过测评、榜单、种草帖、短视频，把模糊需求一步步变成购买决策。当下ChatGPT 切入的，正是这三类入口交界的那一层。用户不一定一开始就知道自己要买什么，但他通常知道自己的需求：预算多少、给谁买、用途是什么、哪些约束不能碰。过去，这类问题要靠搜索、比价、内容、评论来拼。现在，OpenAI 试图把它收进一段对话里，它最重要的战略动作，不是帮用户完成支付，而是先让用户不去别处问。一旦用户先在 ChatGPT 里提出购买意图，商品分发的第一道门就换人了。那时最有价值的，不再是谁拥有更多页面，而是谁更早理解用户到底要什么。对 OpenAI 来说，这正是它切入 Agent Commerce 的起点。二、代理式导购，解决的不是信息，而是决策传统导购解决的是信息过载，ChatGPT 解决的是决策成本，用户不需要自己翻几十个页面，不需要来回比参数，也不需要在“便宜一点”和“靠谱一点”之间反复横跳，只需要把约束说清楚，系统来收集、比较、追问、收敛。 2025 年 11 月，OpenAI 推出了 shopping research，试图把“选品”本身做成一种 AI 代理服务：系统会追问需求，帮助比较不同方案，生成更像购买指南的结果。这一步的关键不在于展示了多少商品，而在于它开始直接介入“怎么买、怎么比、怎么问”的过程。真正高价值的，从来不是最后那一下支付，而是支付之前那段决策过程。谁接住这段过程，谁就开始影响用户看到哪些商品、用什么逻辑比较、哪些信息被强调、哪些商户更容易被选中，以及最终在哪完成交易。这已经不是普通搜索优化，这是交易上游的重写。三、OpenAI 官方怎么定义 Agentic Commerce OpenAI 对 Agentic Commerce 的官方定位，其实已经越来越清楚。它不是要把 ChatGPT 做成另一个电商平台，也不是急着自己下场做支付。更准确地说，OpenAI 想让 ChatGPT 成为用户发现商品、比较选项、收敛决策、发起购买的界面。这条路线的重点，不在 payment rail，而在交易上游。它先抢的是商品发现和决策过程，再尝试向下延伸到结账界面；支付执行、订单履约和大部分交易责任，暂时仍留给 Stripe 和商户。从这个角度看，OpenAI 的 Agent Commerce 战略，不是“做支付”，而是“占住支付之前最有杠杆的位置”。我们来看OpenAI的官方时间线，这条路线并不是一开始就想清楚的。2023 年 3 月，OpenAI 先用 ChatGPT plugins 试水，把 Klarna、Shopify、Instacart、KAYAK 这些购物和交易能力接进来。这一阶段更像是是“给 ChatGPT 接电商工具”。用户在聊天里提需求，插件返回商品、价格、链接和服务能力。但插件模式的问题也很明显：体验不统一，入口分散，用户心智弱，OpenAI 也并不真正控制交易界面。它能调工具，但还没有掌握 commerce surface。到 2025 年 9 月，OpenAI 真正下场，发布 Buy it in ChatGPT，把 Instant Checkout 和 Agentic Commerce Protocol 一起推出来，第一次试图把“从聊天到下单”直接留在 ChatGPT 里。这说明它当时想拿的，不只是导购，而是更深地进入结账界面。再到 2025 年 11 月 24 日，OpenAI 推出 shopping research，开始把重点放到购物研究、比较和决策辅助上。到了 2026 年 3 月 24 日，OpenAI 在 Powering Product Discovery in ChatGPT 里给出了更清楚的官方表态：第一版 Instant Checkout 没有达到它希望提供的灵活性，因此开始允许商户继续使用自己的 checkout experience，而 OpenAI 自己则把重点重新放回 product discovery。这个变化非常关键。它说明 OpenAI 不是没试过更深地吃交易闭环，而是试过之后发现，至少在第一版上，商户对原生结账的接受度和灵活性要求，比想象中更高。商户真正在乎的，从来不只是“能不能点支付按钮”，而是品牌体验谁控制、支付方式谁决定、会员体系能不能接上、归因和数据回流怎么算、优惠券和忠诚度怎么保留、谁是 merchant of record、风险和责任谁来背，于是它的战略开始收敛：先不急着统一 checkout，而是先把商品发现和交易发起入口握在手里。从这个角度看，OpenAI 对 Agentic Commerce 的官方定位，不是“做支付”，而是“成为用户发现商品、比较选项、收敛决策、发起购买的界面” 四、为什么 OpenAI 没先拿下结账，而是先回到商品发现从结果看，OpenAI 并不是从一开始就只想做商品发现，它试过插件式接入，试过对话内原生结账，也试过把购物研究做成 AI 代理服务。问题是，真正进入交易闭环之后，它很快撞上了商户控制权的问题。没先拿下结账，问题大概率不在“能不能支付”，而在“商户愿不愿意把结账主权交出来”。商户愿意接 AI 流量，也愿意接 AI 带来的高意图用户，但不等于愿意把 checkout 主权交出去。因为 checkout 不只是一个付款页面，而是品牌体验、支付方式、会员体系、订单归因、优惠券、忠诚度、售后和责任链条的汇合点。OpenAI 第一版 Instant Checkout 没跑通，本质上不是技术按钮没打通，而是这套商户需求还没有被充分满足。这也是为什么 OpenAI 后来把重点重新放回 product discovery。它想拿的，不是清结算，不是收单，不是资金流，而是交易链路里更轻、但更有杠杆的一层：用户先来哪里提需求，商品怎么被理解和比较，商户怎么接入这个新分发系统，订单信息怎么通过协议被传递，最后的购买动作又在哪里被确认。换句话说，OpenAI 不是放弃了 Agent Commerce，而是调整了自己在 Agent Commerce 里的位置。它没有继续硬吃 checkout，而是先去占住交易上游最有价值的控制点，从商业结构上看，这是一条更聪明的路线。五、OpenAI、Stripe 和商户之间，正在形成新的分工如果把这条链拆开看，三方分工已经越来越清楚。OpenAI 负责用户意图、商品发现、比较与决策、发起购买的界面，以及商户接入协议。Stripe 负责支付凭证、token 化授权、风险信号和 agent payment 的执行基础设施。商户负责库存、订单、履约、售后，以及大部分真实交易责任。这意味着，OpenAI 抢的是入口和界面层，Stripe 做的是支付基础设施层，商户保留的是交易责任层。这也是为什么 OpenAI 可以把自己讲成 AI agent for the user，同时又强调商户保留支付、系统和客户关系控制权。因为这才是它现阶段最舒服的位置：吃上游，不背下游。很多人会问，既然都已经做到代理结账了，为什么不继续往下做钱包、支付、金融服务？答案很简单：现在往下做，不划算。第一，监管太重。支付不是 UI 能解决的问题，而是牌照、合规、反欺诈、争议处理、网络规则和资金责任的集合。第二，信任还没建立完。用户今天愿意让 AI 帮自己找商品，不等于愿意让 AI 自主动钱。第三，商户也不会把最后一道门轻易交出去，尤其是在品牌、会员、支付和数据这些最敏感的地方。所以 OpenAI 当前最优策略不是全吃，而是抢最值钱的那一段。这也是为什么它的 commerce policies 非常保守。它不是不知道这些方向有想象力，它只是知道现在不该碰。六、对商户来说，这不是多一个流量渠道，而是多一个代理分发系统很多商户今天看 ChatGPT shopping，可能会把它理解成一个新流量口。但它更接近一个新的分发系统。过去商户优化的是 SEO、广告投放、商品页转化和 checkout 漏斗。以后商户还要优化另一层：商品信息能不能被 AI 正确理解，参数、价格、库存、促销能不能结构化传递，品牌在对话里的可比性是否足够清晰，商户系统能不能承接 agent-driven intent。换句话说，未来商家不仅要优化给人看的页面，还要优化给代理读的数据。谁先适应，谁就更容易吃到 Agent Commerce 的增量。对商户来说，ChatGPT 不是多了一个广告位，而是多了一个会主动比较、主动筛选、主动发起购买的代理分发系统。七、对支付行业来说，真正的变化是“代理授权”被推到了台前从支付行业看，这件事最值得研究的，不是 ChatGPT 能不能带来多少 GMV，而是它把一个长期问题提前摆上台面：当交易发起者从“人点按钮”变成“代理执行授权”，支付系统的控制点会不会转移？过去支付系统最关心的是卡和钱包、路由和收单、风控和拒付、身份验证。未来还要多一层：谁能代表用户发起支付，授权边界怎么定义，支付凭证如何做限额、限时、限商户 token 化，商户如何判断是“用户本人支付”还是“代理支付”，dispute、退款和责任链路又如何追溯。如果这层成立，那么未来支付行业的一部分护城河，可能会从 payment rail 本身，转向 agent authorization。这也是为什么 OpenAI 虽然没做支付公司，却已经进入了支付战略的讨论中心。因为它已经开始影响交易是如何被发起的。结语 OpenAI 在 commerce 上的路线，已经比很多人想得更清楚。它不是从一开始就只想做商品发现，它试过插件，试过购物研究，也试过把原生结账直接做进 ChatGPT。但跑了一轮之后，它发现最容易先拿下的，不是 payment rail，也不是商户 checkout，而是交易上游的入口和决策过程。所以它现在的策略很明确：先拿 discovery，再试 checkout；支付执行交给 Stripe，商户控制权暂时还给商户，自己则占住用户意图、交易界面和协议标准。对 OpenAI 更准确的判断不是“它要做支付”，而是：它不做支付公司，但它正在抢支付上游。未来真正的争夺，未必是谁来清算每一笔钱，而是谁先成为 agent 时代的交易入口、决策界面和授权起点。谁占住这三层，谁就更有机会定义下一代 commerce。

已经到底了

AI Web3 ETF 稳定币 Defi RWA

搜索“ChatGPT”共有10条相关结果

文章

OpenAI 首席科学家 Jakub Pachocki（雅库布·帕霍茨基）与研究员 Szymon Sidor（西蒙·西多）：解密 AI 研发历程与未来思考

OpenAI 首席研究官 Mark Chen 与 ChatGPT 负责人 Nick Turley：ChatGPT 的诞生、产品哲学与未来

OpenAI 发布 Deep Research：能进行多步骤互联网研究的 AI 代理

龙虾"意外"长大：OpenClaw 停更七周后，甩出了史上最大更新

一只鸭子

重新认识一下，我是 AI 时代的软件股（重生暴涨版）

OpenAI 首席科学家 Jakub Pachocki（雅库布·帕乔茨基）：AGI 的进展、度量与未来

MicroStrategy 创始人 Michael Saylor（迈克尔·塞勒）：我用 AI 赚了 150 亿美元，比特币是终极资本资产

OpenAI 的 Agent Commerce 战略：从商品发现到代理结账

OpenAI 前 CTO Mira Murati（米拉·穆拉蒂）：AI 竞赛中的沉默操盘手