前OpenAI首席研究官谈AI下一站:模型之外的真正挑战
在这期播客中,前OpenAI首席研究官Bob McGrew回顾了自己在OpenAI六年多的经历,并坦率讨论了一个被低估的问题:大模型已经很强,但人类到底该如何真正使用它们?从模型部署、组织设计到科研与软件工程的未来,他给出了少见的内部视角。
在这期播客中,前OpenAI首席研究官Bob McGrew回顾了自己在OpenAI六年多的经历,并坦率讨论了一个被低估的问题:大模型已经很强,但人类到底该如何真正使用它们?从模型部署、组织设计到科研与软件工程的未来,他给出了少见的内部视角。
这是一段很少被完整讲述的创业故事:David Lieb 如何从一款留不住用户的创业应用出发,历经失败、转向、并购与人生重击,最终成为 Google Photos 的核心缔造者之一。它讲的不是运气,而是长期投入、反复失败,以及在关键时刻继续向前的能力。
开源工具一抓一大把,OpenAI却愿意为生成SDK付出六位数美金?在DevDay的这场Community Spotlight里,OpenAI工程师和Stainless把话说透了:真正值钱的不是“生成代码”,而是那些你以为理所当然、却最容易翻车的工程细节。
如果你以为大模型只能“帮你写SQL”,那这场DevDay演示会直接刷新认知:Supabase把一整个Postgres数据库交给GPT-4o自主操作,还跑在浏览器里。不是概念,而是能自我修复、能做向量搜索、还能画图的真家伙。
所有人都在等 GPT-5,OpenAI 却在 DevDay 2024 上选择了另一条路:不拼参数规模,而是把“推理、语音、成本和代理”真正交到开发者手里。这场看似克制的发布,实际上比任何一次模型升级都更激进。
在OpenAI DevDay的舞台上,DataKind抛出一个让AI从业者愣住的结论:在人道主义场景,AI不需要“接近完美”,70%的准确率就足以改变生死。这不是妥协,而是一套经过真实战场验证的工程理性。
当 GPT-4o mini 把 32k 成本从 120 美元打到 0.6 美元,很多人以为 AI 规模化已经变成“选便宜模型”的问题。但 OpenAI 在 DevDay 现场泼了一盆冷水:真正决定你能不能活下来的,不是成本,而是你是否先把准确率做到“商业可接受”。这场演讲,几乎是在拆穿所有 AI 应用的幻想。
在 OpenAI DevDay 的社区案例里,Amperity 抛出了一个让很多 AI 从业者愣住的做法:他们做了一个跨行业、跨上百客户的 NL2SQL 系统,却刻意没用向量数据库。取而代之的,是两步“研究式”上下文管理。这套思路,可能比你想象得更重要。
在 OpenAI DevDay 的一个不起眼角落,Dimagi 分享了一个让很多 AI 从业者意外的结论:想把大模型用好在低资源语言上,最聪明的做法,可能不是“直接教模型说当地话”。他们用 GPT-4o mini 做机器翻译微调,把 Sheng 这种混合俚语的翻译 BLEU 分数从 22 拉到 65,成本却只要十分之一。
在这场 DevDay 的 AMA 里,Sam Altman 抛出了一个足以改写 AI 创业和投资逻辑的判断:模型规模不再是核心变量,真正的分水岭是“推理能力”。从 o1、Agent、开源,到创业者会不会被 OpenAI 碾压,他几乎把未来 5 年的底牌摊在了桌面上。