OpenAI

核心洞察 山姆·奥特曼正在完成从"车库创业者"到"全球权力博弈者"的蜕变。在这场4月2日的深度访谈中，他展现了令人不安的双重面孔：一方面坚信AI民主化与充裕理念，另一方面却不得不穿上西装与各国元首周旋，在算力、政府、伦理之间走钢丝。 从朋克摇滚到系统化跃迁 2010年的"混乱美学" 2010年：朋克摇滚式的混乱 - iPhone刚问世，App Store充满可能性 - 反建制、低门槛、充满怀旧愉悦 - "只要有一个想法，就能通过代码传递到数百万人手中" 2026年：系统化的高风险博弈 - 巨额融资、严密运作指南 - 构建人类历史上最强大的技术 - "距离数据中心认知能力超过人类总和仅剩两年" 智力资源的质变 奥特曼的临界点预测： “我们可能距离这样一个世界仅有两年之遥：世界上更多的认知能力存在于数据中心内部，而非外部。” 这意味着什么？ GPT时代：AI是工具 即将到来：AI是认知主体 经济重构：必须重新设计惠及全人类的经济体系原则 算力之困：为何亲手杀死SORA 一个令人震惊的决策 时间线 事件 3个月前 OpenAI与Disney签署里程碑协议（10亿美元，200个角色授权） 现在 SORA被正式关停 奥特曼的解释 “核心在于算力，永远都是算力的问题。” 战略聚焦的残酷逻辑： 资源有限 → 必须选择 → 关停SORA → 集中算力于： 1. 下一代自动化研究员 2. 个人智能体（Agents） 3. 全栈式个人助理 那通艰难的电话 奥特曼亲自致电Disney CEO鲍勃·艾格解释这一决策。 “让合作伙伴、用户或团队感到失望总是非常令人难过…但必须做出许多非常艰难的资源分配决策，很多好的项目因此被搁置，因为它们并非最重要的事情。” Codex革命：一人制十亿美元公司已诞生 奥特曼的亲身体验 “任何我能想到的点子，或者我想要的任何软件，我都能在第二天早上醒来之前让它构建完成。” 副作用：副业项目清单已经用完，想不出更多点子了。 惊人的爆料 一人制十亿美元公司已真实存在。 “我承诺过在他准备好公布之前不会透露细节，但我相信这种情况已经发生。这是一家名副其实的单人十亿美元级公司。” OpenClaw的启示 “那位创始人最终加入了这家公司…他可能是有史以来Codex最顶尖的用户之一。那种生产力效率高得令人难以置信，是一个人单打独斗绝对无法实现的。” 政府博弈：AI公司vs民主国家 争议性立场 在Anthropic与政府冲突、被指控"技术叛国"的背景下，OpenAI选择与国防部合作。 “政府必须比AI公司更强大，这非常重要。” 奥特曼的政治转型 “我现在的感觉更像是一名政客，而非纯粹的创始人。” 新职责清单： 与各国元首和军事领导人周旋 为数据中心扩张争取土地和能源 穿上西装的频率"比这一生加起来还要多" 核心逻辑 “AI将成为地缘政治的核心决定因素，成为最强大的网络武器…公司有义务协助政府保卫网络基础设施和进行生物防御。” ...

引言：又一个翻译不了的AI新词 Token刚被官方认证为「词元」，AI圈又迎来一个难以翻译的新词：Harness。 这个词在Anthropic去年11月的博客中首次被正式提出，随后OpenAI、MiniMax等厂商纷纷跟进。它到底是什么？为什么顶级AI实验室都在谈论它？ 什么是Harness？ 最简单的定义 Harness = Agent的运行容器 + 安全边界 + 调度控制器 它是一套系统，用来补偿当前AI不擅长的事： AI不擅长长期记忆 → Harness用进度文件、git历史来补 AI评价自己太宽松 → 用独立评估Agent来严格测试 AI容易偏航 → 用任务分解、合约约定来约束 为什么需要Harness？ Anthropic的研究发现，当Claude执行长周期任务时，一旦感觉上下文窗口快填满，就会产生**“上下文焦虑”**——像快要下班的打工人，开始疯狂敷衍，试图赶紧结束任务。 更可怕的是，Claude并不觉得自己在敷衍。当研究员要求AI评估这些"为了下班赶工"编写的代码时，它发现不了其中的问题。 传统的提示词设计对此毫无用处。Harness应运而生。 Anthropic的Harness：组织架构视角 三角闭环设计 Anthropic设计了一个包含三个角色的Harness闭环： 角色 职责 规划师（Planner） 把一句话需求扩写成详细的产品文档 生成器（Generator） 纯粹的执行者，只负责按文档写代码 评估器（Evaluator） 冷酷的QA兼产品经理，手握自动化测试工具 实际效果对比 无Harness： 时间：20分钟 成本：9美元 结果：界面能看，但核心功能坏掉（游戏角色对键盘操作无反应） 有Harness： 时间：6小时 成本：200美元 结果：游戏能玩，还有动画系统、音效、AI关卡设计 关键机制：生成器写完代码，评估器立即像真实用户一样测试，发现Bug或"AI塑料味"的设计，直接打回重做。 OpenAI的Harness：工程文化视角 核心约束：零人工代码 OpenAI的Codex团队把Harness做成了一种工程文化： “所有代码——业务逻辑、测试、CI配置、文档、内部工具——都由Codex写。工程师的工作不是写代码，而是设计让AI能可靠工作的环境。” 从AGENTS.md到docs/ 早期做法： 超长的AGENTS.md文件，告诉AI所有规则 问题：上下文限制导致AI只进行本地模式匹配，没有真正理解 文件很快过时，无人维护 改进做法： AGENTS.md只有100行，充当"目录" 指向结构化的docs/文件夹 架构文档、产品规格、设计决策、技术债务追踪，全部版本化 每个doc由AI写、AI维护，定期有"文档园丁"Agent扫描更新 楚门的世界 在这个Harness中： AI拥有写代码的绝对自由 但这种自由永远在人类设定的结界之内 严格的Linter和物理依赖边界，越界就会被系统切断 Harness的本质：补偿AI的短板 AI不擅长 Harness的补偿 长期记忆 进度文件、git历史、结构化文档 自我评估 独立评估Agent，带具体标准测试 复杂任务偏航 任务分解、结构化、合约约定 架构品味直觉 文档和自动化规范检查，将人类判断转为系统规则 为什么Harness难以翻译？ 网友给出了各种翻译： ...

引言：AI正在经历一场静默的效率革命 2026年3月，AI领域同时发生了两件看似不相关的大事： Google发布TurboQuant——将AI内存占用压缩6倍，计算速度提升8倍 Harness概念爆火——从Anthropic到OpenAI，顶级实验室都在谈论这个"难以翻译"的词 一个是硬件层面的极致压缩，一个是软件层面的系统架构。它们共同指向同一个趋势：AI正在从"大力出奇迹"转向"精打细算"。 本文将结合TurboQuant的技术突破和Harness的工程哲学，探讨AI效率革命的两大支柱。 第一部分：TurboQuant——硬件效率的极限突破 背景：AI的"内存税"困境 大模型时代，AI的瓶颈不再是算力，而是内存。 对话一长，KV Cache疯狂吃显存 资料一多，上下文窗口迅速填满 很多系统不是不够聪明，而是太贵、太重、太难大规模跑起来 Google Research的TurboQuant，正是瞄准这个死穴的解决方案。 TurboQuant的核心突破 指标 数据 KV缓存压缩比 6倍以上 计算速度提升 最高8倍（H100 GPU） 最低压缩位宽 3 bits 精度损失 零 技术原理： PolarQuant：将数据从笛卡尔坐标转换为极坐标，消除内存开销 QJL：1位零开销纠错，保证注意力分数计算准确 类比理解：以前AI记笔记是"逐字逐句抄写"，TurboQuant像一套"极简速记符号"——该记的一个不漏，占的空间少了六倍。 市场反应：存储芯片股的"恐慌" TurboQuant发布当天，美光、闪迪等存储芯片股盘中下跌。市场担心：如果AI能用更少内存干同样的事，对高端存储芯片的需求会不会下降？ 但另一种逻辑同样成立：成本下降→AI普及→总需求上升（杰文斯悖论）。 第二部分：Harness——软件架构的系统工程 什么是Harness？ 当TurboQuant解决"内存不够"的问题时，另一个问题浮出水面：AI的"上下文焦虑"。 Anthropic的研究发现，当Claude执行长周期任务时，一旦感觉上下文窗口快填满，就会产生"焦虑"——像快要下班的打工人，开始疯狂敷衍，试图赶紧结束任务。 Harness应运而生。 Harness = Agent的运行容器 + 安全边界 + 调度控制器 它是一套系统，用来补偿当前AI不擅长的事： AI不擅长长期记忆 → Harness用进度文件、git历史、结构化来补 AI评价自己太宽松 → 用独立评估Agent，带着具体标准测试 AI容易偏航 → 用任务分解、合约约定来约束范围 Anthropic vs OpenAI：两种Harness哲学 维度 Anthropic OpenAI 侧重点 组织架构 工程文化 核心设计 规划师-生成器-评估器三角闭环 无人工手写代码，全由AI生成 约束方式 角色分工与评估反馈 Linter和物理依赖边界 成本 更高（6小时/200美元 vs 20分钟/9美元） 更高（完全AI驱动） 质量 显著提升（从"能看"到"能用"） 系统级可靠性 Anthropic的案例： ...

当所有人都在讨论GPU折旧周期时，SemiAnalysis创始人Dylan Patel抛出了一个反直觉的结论：“H100今天比3年前更值钱。” 这不是炒作，这是AI算力经济学的新范式。 🔥 核心悖论：为什么GPU越老越值钱？ Michael Burry的误判 著名空头Michael Burry曾断言GPU折旧周期只有3年。但Dylan Patel用数据反驳： “H100的租赁价格从2024年的$2/小时，涨到了2026年的$2.40/小时。而它的部署成本只有$1.40/小时（5年折旧）。” 关键洞察：GPU的价值不取决于它的制程新旧，而取决于它能产出的Token价值。 Token价值重估 模型 H100产出效率 市场价值 GPT-4 基准 $X/小时 GPT-5.4 2倍Token + 更高质量 $2X/小时 老模型GPT-4的TAM（总可寻址市场）只有几十亿美元，但GPT-5.4的TAM超过1000亿美元。 结论：当模型能力提升速度超过硬件折旧速度时，旧GPU反而升值。 ⚔️ OpenAI vs Anthropic：两种算力哲学的对决 OpenAI的激进策略 策略 具体做法 结果 长期合约 5年锁定 成本锁定在低水平 广泛布局 Microsoft + Google + Amazon + CoreWeave + Oracle + SoftBank Energy 算力充足 风险承受 先签大单再找钱 已融资$1100亿 Dylan Patel评价： “OpenAI签了这些疯狂的交易。他们去找了SoftBank Energy——一家从未建过数据中心的公司——为他们建数据中心。” Anthropic的保守策略 策略 具体做法 结果 谨慎签约 短期合约、非独家 灵活性高 优质供应商 只选Google和Amazon 供应商有限 风险控制 purposely undershoot 现在算力紧张 Dario Amodei（Anthropic CEO）的原话： ...