摘要

OpenAI的企业业务早于ChatGPT——“OpenAI最初真正的产品并不是ChatGPT，而是B2B产品，也就是API”——如今公司还在运行一种Palantir式的前沿部署工程师模式，将工程师嵌入T-Mobile（由OpenAI模型实时处理语音客服）、Amgen（GPT-5在药物开发文书领域的头部客户）和Los Alamos（将o3物理部署到与Lawrence Livermore、Sandia共享的气隙Venado超级计算机上）等客户。
面对MIT“95%的AI部署都无法奏效”的标题，Olivier从约200次企业部署中总结出的规律是：自上而下的支持加上自下而上的“虎队”，并且先做评测；“客户拿不出好的评测时，目标就一直在移动。” 企业知识大多存在于“人的脑子里”，而不是SOP中，从46%爬升到99%是“艺术，有时甚至更像艺术而非科学”。
本期最锋利的判断是：尽管安全门槛更高，2025年的“物理自主性领先于数字自主性”。 因为自动驾驶有10-15年时间，以及道路、红绿灯等脚手架；而“AI agent就像被直接丢在荒郊野外”。Agent只诞生于o1-preview的推理范式，而“我认为这条斜率陡得惊人”；按收入计算，它们可能已经越过Waymo。
GPT-5的差异化在于“工艺——模型的风格、语气和行为”，而不是已经饱和的基准测试。 一位主持人称，某项评测显示幻觉“基本降到了零”；尚未解决的核心取舍是推理token与延迟——GPT-5 Pro能“一次解决”过去无法解决的问题，但需要等待10分钟。反直觉的教训是：指令遵循变得过于字面，旧式“请保持简洁”的提示词反而让输出失灵。
强化微调（RFT）——Olivier说这是OpenAI创造的术语——比SFT“强一个数量级”，也把推介重点从定制模型转向利用专有数据打造“世界上最好的模型”（金融服务领域的Rogo、在TaxBench上达到SOTA的Accordance）。 Olivier的判断是：在前沿能力上，“RFT基本会成为行业常态”。
多空交易上，Sherwin做空“围绕AI产品的整个工具链”——评测产品、框架、向量数据库，以及如今的RL环境创业公司——因为技术栈迭代太快，抽象层很难跨越一代模型存活。 Olivier做空以记忆为核心的教育（“知识token”），做多医疗——“可能是最受益于AI的行业”。
值得记录的软信号包括：即便工程师人数的含义仍不明确，未来仍将需要多得多的软件工程；“世界上存在巨大的软件短缺”（OpenAI的产品经理如今直接交付写好的原型，而不是PRD）；Codex CLI与GPT-5的使用正在加速；而“那次插曲”（董事会政变）让OpenAI变得反脆弱——“更抗打，也能更快恢复”。

精读

1. API先于一切——企业业务是OpenAI“分发AGI”的方式

Sherwin提醒说，他3年前加入时，API“实际上是我们唯一的产品”——ChatGPT后来才出现。如今ChatGPT大约是“全球第5大网站”，但平台——API、政府/公共部门产品，以及正在成形的直销企业业务——才被视为使命更完整的表达：它能触达企业内部的应用场景和终端用户，而消费级应用做不到这一点。
Olivier的说法是，B2B之所以是核心，是因为“有一大类应用场景只能通过B2B实现”：每年多生产10倍的药物、更好的教育和公共服务——“真正推动现实世界运转的，就是这些企业”。他明确将其称为Palantir命题。

2. T-Mobile：用OpenAI模型处理语音客服，加上Palantir式FDE

在嵌入客户约1年后，T-Mobile应用内的客服通话“实际上由后台的OpenAI模型处理”——包括文字和语音；在实时API支持下，效果听起来“超自然，无论延迟还是质量都像真人”。Olivier说，实时API大约在前一周正式GA。
模型之上的部分才是真正的工作：前沿部署工程师（“我们借用了Palantir的说法”）负责把模型与CRM及企业工具编排起来，而这些工具“甚至没有API”——先搭建网关，再定义黄金评测集。音频评测“尤其难打分”：一次5分钟的转接电话， “你到底怎么知道正确的事情发生了？”
Sherwin指出了飞轮效应：T-Mobile的经验直接反馈进新的实时GA模型快照——深度嵌入企业客户，同时也是模型研发。

3. Amgen与Los Alamos：药物文书和气隙环境中的o3

Amgen是“GPT-5的头部客户”，将医疗需求分为两类：基于海量数据的纯研发，以及常被低估的行政和文档撰写工作。一旦研发“基本锁定了药物配方”，监管申报与审查就会变成“大量工作”。Apoorv补充说，如果药物能更快上市，影响范围可能达到数亿人的生命。
Los Alamos获得了o3在气隙Venado超级计算机上的定制化本地部署——“我们确实得把模型权重物理带进他们的超级计算机”，而该设施禁止携带手机。OpenAI能看到的信息有限，但反馈显示，o3正在加速实验、处理数据笔记本；推理模型还带来了一项新能力：充当实验设计上的“思想伙伴”，这是老模型“很难真正做到的”。该系统与Lawrence Livermore、Sandia共享。

4. 为什么95%会失败：先组虎队，再做评测，然后爬坡

针对那份“震动市场几天”的MIT报告，Olivier根据“几百次”部署总结出的模式是：自上而下的支持，加上自下而上的虎队；团队同时具备技术能力和机构知识，因为即便在客服领域，“绝大多数知识都存在于人的脑子里”，而不是写进SOP。
第二步是先做评测——“客户拿不出好的评测时，目标就一直在移动”。Olivier进一步强调，评测必须从实际操作者自下而上地产生；自上而下下达评测要求并不起作用。
第三步是爬坡：“你已经有了评测，目标是达到99%。起点可能只有46%。”而抵达目标是“艺术，有时甚至更像艺术而非科学”；当模型遇到明确局限时，偶尔还需要OpenAI亲自对模型做微调。

5. 自主性的悖论：Waymo能跑，你的订票Agent却不行

Apoorv提出的问题是：物理安全的标准高于人类能力，毕竟牵涉生命，但“2025年的物理自主性领先于数字自主性”。听起来更容易的问题，为什么反而更难？
Sherwin给出两部分答案。第一是时间线：自动驾驶经历了10-15年发展，其中包括一段幻灭低谷；而Agent真正起源于不到1年前的o1-preview推理范式，“但我认为这条斜率陡得惊人”。第二是脚手架：汽车拥有道路、红绿灯和交通法规，而“AI agent就像被直接丢在荒郊野外”。
可交易的推论是：失败的企业部署“很可能没有脚手架”。大量FDE工作其实是在搭建连接器、整理数据，让模型拥有可以标准化交互的对象。而交叉点可能已经出现：“如果现在AI agent产品的收入超过Waymo，我不会感到意外。”

6. GPT-5：工艺胜过基准测试，以及思考时间的取舍

Olivier的框架是：类似“SWE-bench”的基准测试分数很高，但“同样重要、同样有影响力的是模型的工艺——风格、语气和行为”。这是首个经过数月客户反馈闭环打造的大型版本；客户很多时候要的不是更高的智力，而是“在不知道答案时更可能说不知道的模型”。
Sherwin说，仍在持续迭代的最难取舍是推理token与延迟。GPT-5 Pro能“一次解决”其他模型无法处理的问题（Sam转发的Andrej推文），但“代价是你要等10分钟”；对商业用户而言，“完全不用等待但答案稍差”可能更能接受。思考过程应当变得更动态，下一个快照还会针对代码质量和惯用写法。
在稳健性方面，一位主持人称某项评测显示幻觉“基本降到了零”——“并不完美，仍有大量工作要做”，但推理能力让模型更可能拒答，而不是编造。

7. 指令遵循的猴爪效应

开发者要求更好的指令遵循，得到的是一个几乎“逐字照办”的模型。测试中“太简洁”的抱怨，后来被追溯到旧提示词：其中连续10行要求“保持简洁”，几乎是在乞求模型这么做。GPT-5严格执行后，只返回一句极短的回答。删掉这些历史包袱后，模型行为就恢复正常。“提示词工程仍然非常、非常重要。”
Apoorv还提到一个对投资人有意义的旁证：被投网络安全公司Expo在GPT-5上的表现提升如此明显，以至于“他们很快就需要一套新的评测”，而回应是：“一切都在于评测。”

8. 语音到语音胜过拼接，但逻辑层尚未统一

实时API之所以优于“拼接模式”（语音转文字→思考→文字转语音），是因为额外环节会增加延迟，而且会“丢掉情绪”——电话中的停顿和语气都很重要。Apoorv反驳说，函数调用逻辑是用文字编写的，因此语音意味着“略有不同的架构”；跨模态统一编排仍在推进，许多客户仍采用拼接方案。
语音模型擅长“轻松的日常对话——和教练、治疗师聊天”，但必须被教会具有经济价值的行为：知道什么是SSN；如果某一位数字听不清，“就必须重新确认，而不是猜一个答案”。
Sherwin感叹道：“你实际上是在拿一个人说话时的音频比特……然后生成另一段音频比特。在我看来，这项技术居然能工作本身就很疯狂”，更不用说还要处理口音、语气和实时客服通话。

9. RFT：在自己的数据上启动RL

强化微调是Olivier所说由OpenAI创造的术语（“在我们宣布它之前，它根本不是一个真实存在的东西”），于去年年底推出，可能是在“圣诞节12天”活动期间，随后正式GA。它把RL引入微调：“复杂得多，也更难调，但比SFT强一个数量级”。它需要可评分的任务和客观评分器，而不是提示词—补全配对。
这里的重新定义是：不是定制模型，而是利用专有数据，“为你关心的业务场景打造一个世界上最好的模型”。案例包括金融服务公司Rogo（团队来自DeepMind）处理金融文件任务；以及Accordance，Olivier称其在面向CPA工作的TaxBench上取得了他认为属于SOTA的结果。
Apoorv的判断是，基础模型已经足够好，没必要再通过微调来引导行为；但如果目标是推动前沿能力，“我的直觉是，RFT基本会成为行业常态”，并配合定制环境。所需数据必须来自底层：由领域专家提供复杂的任务知识。

10. 多空、编程未来，以及那次插曲

Sherwin看多电竞：亚洲已经具备体育场级别的规模，年轻人的注意力正在迁移过去，而经历COVID行情后，它仍“被低估”。他给出的“辛辣”做空是“围绕AI产品的整个工具链”——2年前是评测产品、框架和向量数据库，如今则是RL环境创业公司——因为“今天炙手可热的框架，下一代模型可能根本不会用”。Olivier的组合是：做空任何强调记忆的教育（LLM已经拥有的“知识token”），做多医疗——“可能是最受AI影响、受益最大的行业”，因为这里同时具备结构化数据、行政工作密集的文化，以及适合研发的企业。
对于10年后软件工程师是否会从4000万-5000万人增长这个问题，两人的答案都是：软件工程一定会更多，只是岗位名称未必清晰。一个Reddit故事讲的是，一名男子用ChatGPT为无法用语言表达的兄弟打造定制工具，让他能够浏览互联网。Apoorv说，“世界上存在巨大的软件短缺”；Olivier说，OpenAI的产品经理如今几小时内就能交付写好的原型，而不是PRD。个人工具选择上，两人都投了Granola；至于Codex CLI与GPT-5，Sherwin说：“我感觉自己已经和模型心意相通。”
荆棘与玫瑰： “那次插曲”（董事会政变）当天极其惨烈，却让OpenAI变得反脆弱——“更抗打，也能更快恢复”。此外，前一年11月或12月曾发生过一次总计3-4小时的中断，证明API“几乎已经像公用事业”。玫瑰则包括：以大规模token吞吐量发布GPT-5且没有中断，以及2023年11月的开发者日——现场演示成功后，Sherwin搭乘Waymo回家。
两人都说自己已经被AGI彻底感染（“我觉得自己已经AGI-pilled了。”——“你绝对已经AGI-pilled了。”）。Olivier的关键时刻包括：2023年意识到自己“以后再也不需要手动写代码了”，以及模型能听懂他的法国口音；Sherwin则是在2022年9月、ChatGPT发布前于内部见到GPT-4，以及体验深度研究：“我会把某件事丢给模型，心想这东西不可能做得到。结果它却直接把球打出了公园。”

OpenAI 100亿美元老股交易、Ramp ARR达10亿美元、Brex达7亿美元面向智能体的上下文工程——Lance Martin，LangChain