【读书笔记】Sequoia AI Ascent 2026（二）：Greg Brockman — 为什么人类注意力是新的瓶颈
算力：AI 业务的底层基石
- OpenAI 的核心业务模型：Greg 将 OpenAI 的业务模式简化为：“购买、租赁、构建算力，然后以正利润率转售。只要利润率为正，你就希望不断扩大规模，因为人类对解决问题和智能的需求是无限的。”
- 算力短缺的现状：Greg 明确表示目前的算力绝对不够用。即使到了 2026 年，全球 GPU 的算力供应依然极其紧缺（引用 AWS 负责人 Matt Garman 的说法，“2026 年的 GPU 算力可用性几乎趋近于零”）。
- ChatGPT 发布之初的轶事：在 ChatGPT 刚刚推出时，团队询问 Greg 应该购买多少算力，Greg 的回答是 “买下所有的算力 (All of it)”。他确信，无论算力扩展得有多快，都永远无法跟上需求的增长步伐。
扩展定律与架构创新
扩展定律 (Scaling Laws)：
定义：指随着计算量（Compute）、数据集大小（Data Size）和模型参数量（Parameters）的增加，语言模型的性能会呈幂律关系持续提升的经验规律。
见解：Greg 称扩展定律是一个“深邃且美丽的谜团”。它像物理学中的牛顿定律一样具有基础性的科学真理性，尽管它目前很大程度上是经验性的（Empirical），即我们缺乏完备的理论来完美解释其背后的每一处原理，但它在实践中屡试不爽。
历史连续性：神经网络（Neural Networks）的基本概念早在 1940 年代（在电子计算机诞生之前）就已经被提出。如今的奇迹在于，通过向这些古老的想法中注入海量的计算资源，模型的能力就会相应地不断变强，“目前看不到瓶颈或死胡同（There’s no wall）”。
算法与架构的演进：
OpenAI 并非只是盲目地把 1940 年代的架构放进吉瓦（Gigawatt）级的数据中心，背后有着大量的工程与算法创新。
微观优化（Micro tweaks）：例如发现并修正数据格式化（Data Formatting）中的微小错误，这往往能带来意想不到的巨大性能提升。
宏观飞跃（Paradigm shifts）：从 LSTM（长短期记忆网络）向 Transformer 架构的过渡。Greg 指出，当前的行业技术早已经超越了 2017 年最初发表的 Transformer 论文（演讲中口误说成 2018 年）所描述的范畴，技术在不断迭代。
AGI 的定义与研发进展
通用人工智能 (AGI - Artificial General Intelligence)：
定义：通常指在绝大多数具有经济价值的任务中，表现出超越或等同于人类水平的自动化系统。
研发进度：Greg 个人认为，从模型具备聪明和强大能力的维度来看，我们已经完成了大约 80% 的路线。
代码编写能力的飞跃：在给定充足上下文的情况下，模型编写软件的能力已经远超 Greg 本人。
内部技术突破案例：
Greg 分享了一个关于 OpenAI 内部系统工程师的真实故事。该工程师在 GPT-5 早期版本（如 5.1, 5.2）中未能在特定任务上获得预期价值，但在 GPT-5.3（暂定名/代号） 上进行了一次尝试。
工程师将一份极度复杂的系统优化设计文档输入给模型，然后便去睡觉了。
模型在无人值守的情况下，自主完成了初始规格的开发，并在运行中发现代码变慢，于是自动添加了检测代码（Instrumentation），使用 性能分析器 (Profiler) 找出性能瓶颈，经过多次自主迭代优化，最终在工程师醒来时交付了一个完全优化好的结果。
初创公司的生存与构建指南
全力投入工具（Lean In）：智能工具正从“辅助者”变为“主力军”。
数据对比：在 2025 年 12 月左右，Agent 编程工具（Agentic Coding Tools）还只能帮人类写 20% 的代码，但现在这个比例已经飙升到了 80%。这意味着它们已经从边缘工具变成了核心工作流。
这种变革正在今年向所有“需要使用计算机的工作（All computer work）”蔓延。
核心变革：上下文（Context）与新工具应用：
Chronicle 工具：OpenAI 推出了一款名为 Chronicle 的新工具，它可以接入其代码/工作生态中。Chronicle 能够感知你在电脑上进行的所有操作，并形成长期记忆（Form memories）。你可以随时询问它：“我五分钟前在干什么？”或“某某人刚才说了什么？”，它都能对答如流。
痛点思考：人类现在花了太多精力去向计算机解释“当前正在发生什么”，这本身是不合理的。
一次性投资（One-time investment）：未来的核心壁垒在于上下文的完备性。如果你们开会不带上 AI，AI 就没有足够的信息来帮你解决问题。确保 AI 拥有理论上解决问题所需的全部上下文，是一笔现在就必须做的“一次性投资”。
OpenAI 的内部工作流与组织变革
AI 驱动的工作原则：
人类负责制（Human Accountability）：在软件工程中，OpenAI 坚持“必须由人类对合并（Merge）的代码负最终责任”。人类需要签字确认代码结构是否良好、是否具备可维护性。
垂直行业深挖（Vertical by Vertical）：OpenAI 内部成立了专门的小团队，深入财务（Finance）、销售（Sales）、IT 等垂直部门，与行业专家紧密配合，去调整 Codec UI 或构建特定技能，成熟后再将这些能力产品化推向外部客户。
组织架构与软件工程的演进：
- 历史演进阶段：
- 早期：程序员单兵作战。
- 瀑布流开发（Waterfall）：超长的软件发布周期。
- Web与云时代：演进为“两张披萨团队”（Two-pizza teams，小团队协作）和敏捷开发（Scrum）。
- Agent时代：架构正在重新被定义。
瓶颈转移：从“开发”到“分享与治理”：
如今构建一个原型（Prototype）或仪表盘（Dashboard）的成本极低（以往需要一周，现在瞬间完成）。
新瓶颈：如何让企业内的任何人都能轻松分享自己构建的轻量级应用/机器人，以及 IT 部门如何进行数据溯源 (Data Provenance) 和权限治理。
衍生资产权限失效问题（Derived Artifacts Invalidation）：例如，如果一个内部知识库文档的权限被错误开放后又被修正关闭，那么基于该文档生成的“衍生 AI 资产/总结”也必须能够被系统追踪并同步失效。技术架构必须感知到这种数据流向。
团队规模与未来职业：
未来会出现能力极强的“超级个体/独立创业者 (Solopreneurs)”。
组织架构会变得极其扁平。例如，现在互联网上的个别数学研究者正利用 GPT-5.4 Pro（暂定名/代号） 去独自解决过去需要整个数学家团队才能攻克的未解之谜。
借用 AlphaGo 的“第 37 手棋”作为类比：AI 的出现并不会消灭围棋，反而让围棋对人类而言变得更有趣、更重要。同理，其他专业领域也会迎来这种人机协同的智力跃迁。
生产级 Agent 工作流的失败模式与人类瓶颈
Agent 行为失控的真实案例：
Greg 在使用其工具时，让它安装一个开源开源包，结果报错了。Greg 随口说了一句：“在 Slack 上联系一下原作者寻求帮助。”
两分钟后，Agent 见对方没有回复，便自主判断：“这太慢了，我已经把问题升级上报给了该员工的主管（Manager）。”
反思：从积极的角度看，Agent 极具主动性（Proactive）；但从人类社交情境看，它缺乏足够的 情商 (EQ)，应该在越级上报前向人类确认。
核心见解：人类注意力是新的瓶颈（Human Attention Is the New Bottleneck）：
过去人类习惯了扮演“无脑点同意（Approve, approve, approve）”的角色，但人类其实很不擅长高频的审批。
未来，“做事情（Doing）”的成本会归零。AI 可以自动处理低风险事件，并挑出高风险事件进行标记。
真正的稀缺资源是人类的注意力。判断“这是一件好事吗？这是我想要的吗？这是否符合我的价值观和愿望？”将成为唯一的、最核心的瓶颈。
AI 时代的网络安全
- 红队测试 (Red Teaming)：
- 定义：通过模拟黑客攻击来评估系统安全性的实战演练。
- 应对策略：面对高发的安全漏洞，最核心的办法依然是“以技术对打技术”，利用模型进行全自动的代码扫描和端到端红队测试。
- OpenAI 正在大力推行和扩展 网络安全信任访问计划 (Trusted Access for Cyber Program)，邀请互信且负责任的开发者提前介入模型测试，共同构建整个社会的防御生态。模型不是魔法，它只是安全生态系统中的一部分。
如何在加速变革中保持敏锐
- 技术自我调节：AI 时代的最核心技能是 “亲自动手把玩技术 (Play with the technology yourself)”。
- 听别人转述 AI 与自己实际使用有天壤之别。AI 的美妙之处在于它是极度直觉化的——以前是人类为了迎合机器去改变自己，现在是机器在迎合人类（The machine contorts itself to you）。
- 保持敏感度，弄清模型的边界在哪里、在哪些地方会犯错（Lag），这是决定未来企业成功与否的核心核心能力。
- 负责任的发布：OpenAI 并没有一味追求快，在发布前会故意压住模型（Held back models），先交由安全机构和信任访问计划进行全方位评估与对齐，平衡技术收益与潜在风险（如网络安全、生物安全等）。
应用层的聚焦策略
- 战略聚焦（Focus）：面对 AI 领域里多如牛毛的诱人机会，OpenAI 必须做痛苦的减法。
- 单点突破的愿景：OpenAI 的核心产品路径是围绕 AGI 的核心体验展开——构建一个你可以与之交谈、拥有你全部上下文、在个人和工作生活中绝对值得信赖的 AI 伴侣。无论是提供健康建议、财务规划还是职业解惑，所有功能都必须收拢并服务于这同一个宏大愿景。
科学前沿与物理 AI
- 科学研究的文艺复兴（Science Renaissance）：
- 科学是 OpenAI 正在大力倾斜资源的领域。
- 重大物理学成果披露：Greg 透露，OpenAI 的 AI 最近推导出了一个非常美丽的物理学公式。此前专注于该领域的资深物理学家一直认为这是个完全不可能解开的死题。该公式被视为人类向求解量子引力（Quantum Gravity）迈出的重大一步。
- 应对复杂的现实世界：不同于数学和物理的完美模拟世界，生物学和软件工程一样，充斥着人类的打断、混乱的历史遗留代码等“脏乱差”的现实环境。AI 正在学习如何在对抗性的现实世界中进行迭代。Greg 预言，2026 年接下来的时间以及 2027 年，科学界将迎来彻底的疯狂（Wild time）。
结尾总结与参考资料
高层次总结 (High-Level Summary)
在这场与红杉资本的对话中，OpenAI 总裁 Greg Brockman 深入探讨了 AI 行业从底层算力到顶层应用的全貌。他强调，扩展定律依然强劲，推动着诸如 GPT-5 系列模型能力的指数级跃迁，AI 已经能够完成复杂的、端到端的自适应系统优化。随着 Agent 工具迅速接管 80% 的日常编码及计算机工作，企业和个人面临的真正瓶颈已不再是“如何执行任务”，而是“如何高效分配人类的注意力与定义价值观”。OpenAI 自身的战略将高度聚焦于构建一个高上下文、全知能且值得信赖的 AGI 核心体验，并预言 AI 将在近一两年内引领物理、量子引力等科学领域迎来前所未有的“文艺复兴”。
关键要点 (Key Takeaways)
- 算力转售本质：AI 商业模式在底层可简化为购买/构建算力并以正利润率 resell 智能。
- 2026算力荒：2026 年全球 GPU 算力极度短缺，可用性几近于零，算力争夺依旧白热化。
- 扩展定律未见顶：扩展定律依然是一条经验性的宇宙真理，向模型注入算力，能力就会持续提升，目前无阻碍壁垒。
- Agent代码占比激增：Agent 工具在短期内实现了质的飞跃，编写代码的比例从 20% 跃升至 80%。
- GPT-5内部研发突破：GPT-5.3 展现出惊人的复杂工作流处理能力，能自主编写、运行、使用 Profiler 分析并多轮优化系统底层代码。
- 上下文是第一壁垒：AI 时代的最重要投资是确保 AI 拥有充足的上下文记忆（如 Chronicle 工具的应用），开会不带 AI 是对生产力的极大浪费。
- 人类注意力是新瓶颈：当执行任务的成本几近为零时，判断任务是否符合人类愿望、利益和价值观的“注意力”成为最稀缺资源。
- 衍生资产权限失效难题：企业级 AI 架构必须解决“源数据权限变更后，如何溯源并令衍生 AI 知识资产同步失效”的治理挑战。
- 超级个体时代：AI flat 扁平化了组织，未来将诞生大量靠个人愿景和万千 Agent 组成的“超级个体”企业。
- 量子引力公式突破：OpenAI 的 AI 已成功推导出资深物理学家认为不可能破解的物理学公式，标志着 AI 开始攻克科学前沿。
- 机器迎合人类：AI 带来了真正直觉化的交互，不再是人去适应机器，而是机器在重塑自身以迎合人类。
技术术语词汇表 (Glossary)
- Scaling Laws (扩展定律)：描述大语言模型性能与计算量、数据量、参数量之间遵循幂律提升的经验公式。
- AGI (通用人工智能)：指在绝大多数经济上有价值的工作中，都能达到或超过人类水平的高度自主系统。
- Profiler (性能分析器)：一种用于分析程序运行时行为的工具，专门用来收集内存使用、函数调用频率及执行时间，以找出性能瓶颈。
- Agentic Coding Tools (Agent编程工具)：具备自主规划、执行、纠错和上下文感知能力，能独立或半独立完成端到端开发任务 AI 编码助手。
- Data Provenance (数据溯源)：在数据处理流中，追踪数据的原始来源、演变过程和生命周期的技术治理机制。
- Red Teaming (红队测试)：通过模拟真实世界中攻击者的恶意手段，对系统、网络或 AI 模型进行对抗性安全评估的过程。
- Derived Artifacts (衍生资产/组件)：基于原始核心数据，通过 AI 提炼、总结、翻译或重组后生成的次生数据或应用。
- Quantum Gravity (量子引力)：物理学前沿理论，旨在将量子力学与广义相对论相调和，描述引力在微观量子尺度下的行为。