
Greg Brockman:「我已经不写代码了,我指挥 AI 写」;用过三种用法就会成为重度用户,做完五遍再自动化,下一步是会替你打电话、只等你批准的晨报智能体
一句话结论
Greg Brockman 在这期偏实操的访谈里说:ChatGPT 每周有 12 亿活跃用户、约 3 亿人每周用它查健康问题,而用户一旦找到三种用法就会成为重度用户;他自己已经不写代码,只指挥 AI 写;做软件要做「随模型变聪明而变强」的部分,而不是绕开模型缺陷的部分;晨报智能体分好几层,下一层是它已经替你联系同事和合作方、只等你批准采购单;OpenAI 内部用 token 使用量和提交、PR 的相关性衡量生产力,也看模型宕机时大家有多愤怒;他给新手的建议是从一件小事开始,同样的事做过五遍再自动化。
背景与理念
主持人 Marina Mogilko 一开始引用一位诺贝尔经济学奖得主的观点:模型很强,但缺少应用。Brockman 的回答从使用数据切入:ChatGPT 每周有 12 亿活跃用户,每周约有 3 亿人用它处理健康问题;但这些用法大多只是皮毛。他们在数据里看到,用户如果发现了三种不同的用法,就会成为重度用户并持续使用,难点在于怎样到达这三种。
他说,人们想要的 AI 是简单的,不是一堆按钮、滑块和模型选择器,而是能对话、能解决问题、甚至会主动的东西。他举了自己录节目前刚发生的事:Dots 提醒他有一封被他晾了几天的邮件,它已经查好资料、拟好回复,问他是否批准。他说,AI 已经能更主动,把「这个系统到底能做什么」的负担从用户身上拿走。
具体做法
他现在怎样用 AI
Brockman 说现在的模型写软件比他认识的几乎所有人都强,「我很会写软件,但我已经不写了,我指挥 AI 去写,给它大量反馈和指导」。他推荐的探索方式是多玩:先让它做个小游戏,看多快能交付,再提更复杂的要求。他说 Astra 很擅长 Blender 和 3D 建模,可以把照片做成 3D 模型;一位朋友想建一座客房,用 Astra 画出 CAD 图纸交给承包商,现在正在施工。
他还提到语音模式现在已经接入工具,凡是聊天能做的都能用语音让它做。连上邮件和日历后,可以问「今天日程是什么」「我想空出一段时间深度思考,怎么安排」。他的习惯是时常退一步,想一件比它以前替自己做过的事更有野心一点的任务,然后试试看。
主持人展示了她用 AI 做的播客准备应用:输入嘉宾、时长和成功指标(YouTube 播放量),它会做背景研究、建议话题、生成标题和缩略图。她问自己是不是不够有野心,Brockman 说答案永远是「不够」,因为总能做更多;他建议把后期制作也交给它,她说现在每期节目从录制到上线至少要 40 个小时。
小企业与创业
他说很多人敢创业,是因为口袋里有 ChatGPT,等于免费拥有博士水平的顾问。很多小企业主把大量任务交给 AI,包括以前根本没人做的事。他讲了一位员工在古董表店的经历:店主说 AI 对他没用,员工说他连网站都没有,于是用语音让 ChatGPT「做一个很棒的网站」;店主又说每块表都有自己的故事,就把故事讲给 AI,最后得到一个漂亮的展示页面。他还提到一对盲人兄弟,用 ChatGPT 处理日常和工作,包括把线缆插进电脑正确的端口,过去这都需要请人帮忙。
他认为企业和消费者的界线会变模糊,未来一两年会出现「创业的文艺复兴」。他的理由是,企业销售本质上是关系,以前不能对消费者做企业销售,是因为人太多、成本太高;如果 AI 能大规模放大建立真正关系的能力,企业式的销售也许对消费类业务也有意义。
怎样做不会被下一代模型淘汰的软件
他把活动分成两类:随模型变聪明而变强的,和绕开模型局限的;后者很难持久。他说有些创业公司就是「拿模型、加点提示、做些手工打磨」,在某个时间点确实有价值;每个能力水平都会冒出一种新界面,2022 年是 GPT-3.5 和 GPT-4 时代的聊天;2025 年底开始了编码智能体时代,AI 从承担软件生产的 20% 变成 80%;现在正在进入个性化智能体时代,OpenAI 刚发布的 Dots 就是其中一种形态。
他认为领域专长和行业关系是关键。以医院为例,有患者、医生、管理人员、保险方等很多利益相关者,如果你已经在这个行业建立了信任,模型变强只会让你的产品更好、更有护城河。他说做 OpenAI 最意外的发现之一,是经济里到处都是次优:经济像分形,放大任何一个行业,都有大量唾手可得的改进;跨领域的结合(比如教育加技术)会催生新机会,五年前只是大公司的一个功能,现在可以围绕它建一家小公司。
晨报智能体的几个层次
主持人说评论区总有人嘲笑她问「晨报智能体」,Brockman 说别小看它,它有很多层。第一层只是把通知汇总一遍,你自己刷也行;第二层是告诉你哪些 Slack 消息还没回、该按什么顺序回;第三层是它已经研究过某个市场的策略问题,看过所有相关演示文稿,告诉你做决定时该关注什么,他说现在处在这一层。
他期待的下一层是:它说「我已经给这几位同事和那位外部合作方打过电话,一切都安排好了,只需要你批准这张采购单」。他说这种真正主动、能代表你做事的 AI 正在到来,有了 Dots,技术上已经具备,还需要继续改进。
OpenAI 内部怎样衡量生产力
他说 OpenAI 发过博客,研究 token 使用量和代码行数、提交、PR 等指标的相关性,这些都是不完美的代理指标。另一个信号是内部模型宕机时大家有多不满:六个月前还什么都没有,现在两小时用不了就说「我没法工作」。
他自己有任何关于 OpenAI 的问题都先问自己的智能体,它连着邮件、Slack 等工具,再加上电脑操作,补上了接入企业内部上下文的最后一公里。他也有一位人类幕僚长,AI 回答了基础问题,让她能发挥更大作用;有些「基础问题」其实很复杂,比如某个市场的增长或留存曲线,AI 要去数据仓库里写查询。他回忆在 Stripe 时,这类问题要发邮件给数据团队,一周后才有答案。
关于 token,他说有过一个盲目「堆 token」的阶段,那不该是首要目标,但在不刻意节省的情况下,生产力提升和 token 用量确实相关。OpenAI 内部有 token 排行榜,最会用的人能做出很了不起的事。他举了几个例子:财务团队已经完全以 AI 为先,结账等流程快了很多;公关团队有早期用户靠 Codex 一个人处理有大量记者参加的活动,从座位表到每个人的饮食偏好,这些从今年年初就开始了。在科学上,他们为解决纳维-斯托克斯这个千禧年难题投入了大量算力,用了 1 万个智能体跑了若干天。
从哪里开始
他说「白纸问题」是用 AI 最难的一关,他的建议永远是从小处开始:随便输入点什么,按回车,看看会发生什么。找生活里一个小痛点,比如一封你一直拖着不回的邮件;先手动把邮件复制给 AI,或者连上 Gmail 连接器;做过三遍、五遍,理解了流程,再自动化。他说这本来就是软件工程的老规矩:同一件事手动做了五次,就该自动化了,这样也能保持对问题的手感;对小企业主来说,结果的责任始终在他们自己。
关于不做什么,他说人必须保持掌控,目标要来自人;OpenAI 决定做什么时,总会想怎样设护栏、建立信任、确保有良好的监督和可监控性。如果周末只有一小时,他建议去注册 Dots:它有自己的云端电脑,也可以选择连接你的本地电脑,不像编码智能体那样合上笔记本就停止;先给它一个小任务,比如替你买东西,连上一个能发消息的渠道,让它做定期任务或研究。他说 Dots 由 GPT-6 Astra 驱动,会把你关心的事联系起来,比如你问过某个地区的情况,有新报道时它会主动提醒你。
关键数据/例子
ChatGPT 每周 12 亿活跃用户,其中约 3 亿人每周用它处理健康问题。
用户一旦发现三种不同用法,就会成为重度用户并持续使用。
2025 年底进入编码智能体时代,AI 在软件生产中的占比从约 20% 变为约 80%(Brockman 的描述)。
解决纳维-斯托克斯问题用了 1 万个智能体、跑了若干天。
主持人的播客每期从录制到上线至少需要 40 小时。
他的自动化经验法则:同一件事手动做过五次,再自动化。
创新点
第一,用「三种用法」解释重度用户是怎么来的。这把「如何让用户用好 AI」变成一个可以设计的目标:主动帮用户发现第二种、第三种用法。
第二,把晨报智能体拆成四个层次。从汇总通知、排序待回消息、做研究摘要,到已经替你沟通好、只等审批,清楚地说明了「主动性」的进阶路径。
第三,用两个朴素指标衡量 AI 生产力。一个是 token 用量和产出的相关性,一个是宕机时大家有多难受,比问卷更能反映依赖程度。
第四,区分「随模型变强而变强」和「绕开模型缺陷」的产品工作。这是判断一项 AI 产品投入能否持久的简单标准。
可否复用
- 帮新用户找到三种用法:在产品引导或培训中,主动推荐和用户工作相关的第二、第三个场景。
- 按「做过五次再自动化」的节奏推进:先手动用 AI 做几遍,理解流程和例外,再写成自动化。
- 把晨报升级到「研究摘要」那一层:不仅汇总消息,还让智能体先查资料,告诉你做决定要关注什么。
- 评估 AI 投入时问一句:模型变强后,这部分是更有用还是被淘汰?
- 团队内部可以看 token 用量和产出的相关性:作为参考,而不是目标,避免盲目堆用量。
- 给智能体的高风险动作留一个人工批准点:比如采购、付款,即使前面的沟通都交给它。