OpenAI首席财务官Sarah Friar探讨了通往AGI

的发展路径，目前OpenAI已到达第三阶段：智能体（Agent）。除Operator和深度研究Deep Research智能体外，OpenAI即将发布全球最强编程智能体。

OpenAI，正引领生成式AI的革命浪潮。

这家公司如何确立行业领先地位？又采取了哪些策略保持竞争优势？

2025年3月5日，在伦敦举行的「高盛颠覆性科技峰会」中，OpenAI首席财务官Sarah Friar探讨了通往AGI的发展路径，以及资本在AI竞赛中的关键作用。

Sarah Friar曾任高盛科技股权研究主管，会议中与高盛全球银行与市场部联席主Dan Dees展开深度对话，时长30余分钟。

她表示：「我们可能已经接近了AGI，但世界尚未学会如何最大化地利用它」。

OpenAI，正在全速前进，全面出击：从数据中心到应用层，各部分都在创新。

AI风起云涌，而OpenAI锐不可当，可以说是目前最具影响力的技术领域中，最具影响力的公司。

在去年OpenAI向她抛出橄榄枝时，Sarah Friar实在很难拒绝。

在她看来， AI浪潮，确实比迄今为止看到的其他科技浪潮都要宏大，虽然她错过了个人电脑革命。

加入OpenAI，投身AI科技浪潮，她觉得是个人难得的机遇和幸运。

但在互联网崛起时，Sarah Friar在斯坦福商学院进修——2000届毕业生都记得，那时互联网泡沫正膨胀。

互联网泡沫，也称dot-com泡沫或dot-com热潮在上世纪90年代末期并最终于2000年3月10日达到顶峰的一次股市泡沫。从1995年至2000年3月的高峰期，投资于NASDAQ综合指数的资金增长了800%，而在2002年10月之前，该指数又从其峰值下跌了78%，回吐了泡沫期间的所有涨幅

随后她又目睹了持续几年的硅谷寒冬。

接着是移动互联网的兴起如何重塑企业，后来我在高盛的事业轨迹，坦白说也正是围绕着向云计算的转型展开。

而如今站在浪潮的另一端，从宏观世界格局到政府政策，再到企业级应用，全方位探讨AI的影响——这种角色转换令她无比振奋。

而最近，OpenAI关注的焦点是AI基础设施。

这感觉就像是「云计算黎明」再次来临，尽管AI的架构和构建方式完全不同。

对亲身经历过「云计算黎明」的人来说，这波AI浪潮更加迷人。

Sarah Friar认为当今世界上没有哪位CEO或企业领袖会意识不到AI部署的紧迫性，甚至都担心自己已经落后了。

作为OpenAI的CFO，她刚加入时最迫切的需求就是：「先要弄明白——我的团队，就拿财务部门来说，到底该如何运用ChatGPT？」

但当时的情况是，由于OpenAI正在大规模招聘，许多员工来自尚未应用AI的传统企业。

这导致团队在AI应用方面出现了明显的认知断层——

大家对「谁来做什么、为什么做」缺乏统一理解，整体协作也缺乏组织性。

作为团队管理者，她采取的第一个举措就是亲自组织了一场黑客马拉松：召集销售团队和解决方案工程师，花了一下午进行讨论。

从最基础的环节开始， 用纸笔罗列出日常工作中那些高度重复性的任务。

随后将人员按职能分组——税务团队一组、采购团队一组、投资者关系团队一组，通过小组讨论，让初步的想法碰撞。

即便采用如此简单的方式，现场已经迸发出惊人的热情。

她记得，当时投资者关系团队正在筹备一轮大规模融资，深陷尽职调查「地狱」。

OpenAI很快发现，那些源源不断的尽调问题虽然细节各异，但核心模式高度重复。

当时他们经常加班到深夜，反复经历这样的场景：「啊，这位投资人问过类似问题——快找出之前的回复，稍作修改再发出去。」

直到开发出能自动回答这些问题的定制GPT解决方案时，整个团队在会议室里简直高兴得手舞足蹈、欢呼雀跃。

这让她深刻意识到：必须让团队成员从第一性原理出发，真正理解AI带来的普适性效能提升。

而ChatGPT的深度研究，已经帮助OpenAI解决了关于GPU融资的分析问题。

她的团队使用了深度研究，获取了一份报告，得到了OpenAI内部员工的认可：「和两位MD、三位VP、六位助理和十位分析师的团队相比，DeepResearch所做的事情要好得多。」 从GPT-3过渡到GPT-4，OpenAI花了大约一年半到两年的时间。

去年，他们首次部署了推理功能，也就是o系列模型。

这意味着从一个更倾向于预测、快速响应的实时回答模型，转变成了能够更像人类一样推理的模型。

有一种简单的描述方式是这样的：

如果想象一下你做填字游戏的时候，比如一个横向的单词有五个字母，你认为可能是三个不同的词之一。

你填写了一个单词，然后转向下一个竖向的线索，发现不对劲，第二个字母应该是A。

这就意味着之前的那个答案是错误的，你需要划掉并重新填入另一个词。

所以它会自我回溯。

这一点对于AI智能体非常重要。

但如今，OpenAI远远不止这些。

OpenAI正深入数据中心，因为他们认为现在正处于AI基础设施的第二版本（V2），或者如黄仁勋所称的「AI工厂」。

数据中心创造了很多知识产权（IP），对OpenAI来说拥有这些IP非常重要。

想象一下亚马逊在电子商务领域取得巨大成功时的情景。他们看到AWS（亚马逊网络服务）开始成形。

就像在这个阶段，如果他们决定将这一部分外包给新兴的谷歌或其他公司，那会是怎样的情形呢？如果当初亚马逊将AWS的所有知识产权都拱手让人，那么今天这家公司将会是怎样的不同呢？

如今，AWS在云计算市场中占据了40%的市场份额，并拥有38%的运营利润率。

因此，拥有基础设施能力非常惊人。

但现在OpenAI不仅停留在模型层面，还向上扩展到了API层，这使OpenAI将影响力扩展到企业和开发者。

然后再上一个层次进入应用层面，即如何推动功能特性的发展，让消费者在个人生活和工作中都喜欢得到的东西。

所以，现在在ChatGPT的前端页面，用户可以用Sora

生成视频，可以进行深度研究报告，可以搜索，可以创建项目，可以编写代码，还可以创建写作画布。

OpenAI的目标就是不断加载这些功能。

然后她意识到，「ChatGPT已经有很强的用户粘性了。我不打算离开它。」

从商业角度来看，这是件好事。这就是OpenAI目前所处的位置。

接下来，她介绍了OpenAI实现通用人工智能（AGI）的五个步骤。

2023年，是实时预测响应之年：聊天机器人Chatbot兴起。

2024年，OpenAI把推理带上了台面。

2025年，将是AI智能体的一年。

OpenAI实现通用人工智能（AGI）的五个步骤

大概从去年第三季度或第四季度，OpenAI开始讨论这个话题。

现在，Agent已经成为整个AI行业公认的术语。

但这里的AI指的是能够独立为你完成工作的智能体（agents）。

这不是虚无缥缈的概念。

实际上，OpenAI已经有三项智能体在运行：

深度研究（Deep Research）：这是一个生成深入的研究报告的工具。

操作员（Operator）：允许任务工作者在网络上执行一些可能需要后台处理时间的任务。

第三个即将推出的功能称之为A-SWE（Agentic Software Engineer）。

A-SWE不仅仅是像Copilot那样，增强现有软件工程师的工作能力，而是一个真正能够构建应用程序的自主软件工程师。

它可以接受需求，并去实现它。但不仅仅是开发，它还做了所有软件工程师讨厌去做的事情。

它可以从你给任何其他工程师的Pull Request（PR）开始，去构建应用程序。

不仅如此，它还会完成所有软件工程师讨厌去做的事情：它自己做代码质量保证、错误测试和调试。

并且它还

编写文档。

这些都是所有软件工程师不愿意去做的任务。

因此，它可以成倍地提高软件工程团队的效率。

之后是AGI的第四阶段：创新的世界。

在创新的世界，不再只是关于当今世界存在的知识，而是如何扩展这些知识。

实际上，从教授和学者那里听到的是，他们发现模型在专业领域中，提出了新的想法。

目前这些想法还需验证，但OpenAI千真万确地收到了这样的反馈。

长远来看，代理组织（agentic organizations）将是未来的发展方向。

OpenAI仍然有迄今为止最领先的模型：o3。

从软件工程领域中，o3竞赛性编程的表现：在全球排名第175位的竞赛性程序员。

在数学竞赛中，它只错了一道题。

而在博士级别的科学领域，它在物理、化学、生物学等方面都达到了博士水平。

4个被广泛认可的基准测试，用来衡量AI是否正在向AGI（通用人工智能）迈进，即是否真正达到了人类智能甚至超越了人类智能的水平

OpenAI的产品团队认为，o3 mini已经成为了全球最具竞争力的程序员。

在Sarah Fryer看来，如今已经非常接近AGI了。

也就是说，AI系统能够承担世界上大多数真正有价值的、人类的工作。

但可以肯定地说，作为一个世界共同体，我们还并未充分发挥它的潜力。

如今，有3个scaling law正在发生。

一个是预训练，也就是让通用模型变得更聪明。这就需要更多的数据和更先进的算法专业知识。在更多算力的支持下，研究人员可以发挥更大的作用。

这就意味着，要想成功，就必须投入大量的资金。

在GPT-3、GPT-4、GPT-5这样的大模型上，计算规模就在呈对数增长。

然后，就进入了后训练阶段。

比如我们想创建一个需要诊病的模型，就需要对它微调，让它专注于医学。

而第三个阶段——推理时计算，就是让这辆「汽车」能切换到运动模式的时刻。

此时，需要在真正的赛道上行驶，从四驱模式切换到运动模式。

以上，就是关于扩展性的三条定律。

OpenAI的研究者，已经推出了「强化微调」技术。

他们发现，其实并不需要很多信息，就能让模型在一个特定领域展现出显著的性能提升。

但关键在于，我们能否达到那个具体的领域？如果你想研究神经疾病，比如退行性疾病的结果，你能在这个特定领域获得足够的信息吗？

即使是一点点的信息，也会极大提升模型的实用性。

按照OpenAI的说法，星际之门需要投资5000亿美元在计算能力上，或者说，它需要10吉瓦的算力。

这个数字是怎么得出来的？

这是通过预训练扩展、后训练扩展和推理时扩展这三个scaling law。

在模型开发的每个阶段，都会需要越来越多的算力。

可以说，OpenAI没有推出某些模型，就是因为没有足够的计算资源。

Sarah Friar表示，自己是个糟糕的CFO。

Sora差不多在前年2月或3月就准备好了，但直到差不多去年12月，OpenAI才真正推出了它。

甚至到现在，Sora也还没有完全上线。

OpenAI选择的，是推出深度研究，因为他们知道商业界非常喜欢这个特性。

因为没有足够的算力投入业务，Sarah Friar承认，自己每天做出最糟糕的决定，就是不给研究者提供最有价值的资源——研究所需的算力。

她甚至透露：很多时候，Sam Altman来上班时就会生她的气，因为她没有提供足够的算力。

为什么她会陷入这种境地？

因为在两三年前，那些拍板决定算力决策的人，根本想象不到如今算力需求的增长会如此之快。

两年时间里，OpenAI的周活用户就达到了4亿，收入每年都翻了三倍。

现在，整个爱尔兰的负载是7吉瓦，整个国家的使用量都比OpenAI需要的10吉瓦少。

而在她看来，在三年后当人们回过头来，会觉得这时的人们对5000亿这个数字神经紧张，简直是大惊小怪。

所以，该如何扩大规模？电力来源于哪里？是否需要培养人力？

事实证明，电工、暖通空调人员等，都是真正能够制约建设的资源。

因此，美国政府也会对星际之门特别感兴趣，因为它既是一种财政投资，也是有助于在经济上保持领先地位。

而DeepSeek也让人看到，AI正处于激烈竞争中。

OpenAI目前的关注点在于算力、研究人员、数据。

他们需要寻找地点和电力，他们需要平整地面，建设数据中心，填充设备，购买GPU。

OpenAI需要真正证明：它有能力成功应对挑战。