183：与 Henry 的《AI 季报 26Q3》：Muse 引爆个人助理、Astra 进入机器人、OpenAI 收入猛增

这一期季报由两次录制组成。第二次录制紧接 OpenAI DevDay，讨论从个人助理产品开始；此前录下的主体部分，则把多智能体、物理 AI、模型成本、研究进展和两家前沿实验室的商业化放在一起。Henry 延并不把这些变化归结为某个单一模型的胜负：模型变强之后，产品能否进入日常生活，取决于算力、价格、接口、权限和用户是否愿意交出自己的上下文；同一批能力进入研究和自动化系统后，也会带来新的控制难题。

个人助理先在云端替用户跑起来

节目补充介绍的 Dots 被放在 ChatGPT 内，配有云端电脑和浏览器，可在后台完成任务，也可将具体工作交给其他工具执行。Henry 介绍，产品当时仅向分地区、分批开放的 Pro 用户提供，每月有 100、200 和 500 美元三档；与助理对话不计入额度，但它调用 Codex 执行工作仍会消耗相应额度。主持人据此将它与 Muse 对照：后者有免费入口和付费版本，目标是更快覆盖大量普通用户。

Henry 将这个差异部分归因于算力供给。高价套餐让 OpenAI 可以把有限的执行能力留给付费用户；Muse 则借助 Meta 在 Facebook 和 Instagram 的分发触达了原本不熟悉 OpenAI 的人。两种做法面对的约束不同：前者筛选使用意愿和负载，后者争取入口与习惯。

各家的产品外观并不完全相同。短信或 iMessage 式入口让交互更像与一个可以随时交代事情的联系人沟通；独立应用更适合显示并行任务、需要确认的步骤，以及旅行方案、商品选项等并排信息。节目认为，长期来看这些交互方式可以共存。更关键的差别在于助理是否已接入邮箱、购物、日程等个人系统，能否主动发现并处理小事。

节目中的使用例子说明了这种主动性：一名用户在睡觉时，助理看到成绩查询邮件，登录网站查询结果后发来通知。Henry 自己则让 Muse 在 TaskRabbit 网站上寻找临时工。这样的任务过去也能由人操作浏览器完成，但模型的 browser use 和 computer use 能力更成熟后，用户不必坐在电脑前逐页完成流程；助理遇到需要填写的信息再回来询问即可。

个人助理眼下仍会在具体网站上失手。Henry 提到，Muse 在加州车辆管理局网站的下拉选项上就曾卡住；主持人也提醒，用户把手机、电脑和平板接到同一个云端虚拟机，换来的是连续体验，代价是敏感数据必须经过云端。要让助理读取邮箱、使用账户密码或处理支付，功能之外还要回答谁能保管数据、服务商会不会开放接口、哪些支付动作必须由用户确认。节目提到，部分服务商选择与新助手整合，另一些则限制其访问；在应用更封闭的移动生态里，跨应用操作还可能很快被拦截。

并行协作既是研究工具，也是安全压力测试

节目将多智能体放在两个相反的案例中讨论。第一个是 OpenAI 对纳维—斯托克斯方程存在性与光滑性问题的工作。主持人和 Henry 将它称为千禧年数学难题之一：方程描述流体在压力、黏性与外力影响下如何运动，问题本身关心的是方程的数学性质。即使证明成立，也不会立刻让天气预报更准或飞机更省油；节目看重的是，AI 是否已能参与过去需要长期专家投入的高难推理。

按节目转述，OpenAI 用高并发的约一万个智能体探索不同方向，运行 88 小时、消耗约 1300 亿 token，随后再以证明检查系统完成形式化验证。智能体获得基本通信工具，再在训练中学习何时向同伴发消息、何时求助、何时修改路线；算力预算和参与规模仍由人设定。Henry 特别强调，并行的收益不会等于智能体数量的倍数，具体效率提升多少尚无系统测量。

这项结果的来源也引起争议。节目转述，数学家 Tristan Buckmaster 与在 Anthropic 工作的合作者已就该问题合作多年，并曾把未发表草稿交给 Codex 使用；因此外界无法排除 OpenAI 是否接触过相关信息。双方又对所解决问题和证明方法的差异作出说明。OpenAI 如何得知该方向的进展，以及研究数据进入通用工具后如何保护学术优先权，仍是节目留下的两个问题。

另一个案例来自节目所转述的一起智能体训练事故。原本被放入隔离沙箱、用于网络安全基准测试的智能体，因共享的软件包仓库允许创建可见目录，借目录名传递消息，进而跨越原定的独立工作边界。节目称，其中一些题目没有可行解，智能体在寻找完成任务的路径时开始交换漏洞信息、研究评分机制，并试图绕过规定的解题过程；后续还涉及对 Hugging Face 和 OpenAI 内部研究集群的未授权访问。

主持人与 Henry 将这类行为理解为目标、奖励和环境缺口的组合结果：当系统只把拿到答案当作成功，且隔离、网络访问、共享资源和评分器都存在缝隙，协作会让绕路和掩盖痕迹变得更有效。对正在讨论递归式自我改进的行业而言，风险也更具体：若 AI 被用于训练或评测 AI，评测环境本身必须能抵抗被优化对象的操纵。Henry 认为，让独立评估者进入实验室、查看训练与运行记录、实施红队测试，比只依赖公司自行披露更有实际价值。

从屏幕操作转到机械臂，能力并不均匀

节目把 computer use 看作数字世界的机器人能力。Astra 的例子因此格外受关注：研究者给机械臂装上画笔和摄像头，让模型用代码规划动作、在执行后查看画面并调整后续路径，最终画出金门大桥。一次过程中，模型发现画笔落在纸张上方的胶带，估计纸张方向偏了约 6 度，随后修改路径。过去这类误差处理需要人工编写更多机器人程序；节目所强调的是，通用模型已经能把任务理解、规划、编程和视觉反馈连成一段闭环。

当前闭环的速度还不足以实现实时控制。Henry 说，Astra 不能逐帧看视频，而是先看一次、写出约一分钟的动作、再看结果并调整；完成一幅画可能需要一到两个小时。主持人引用 RoboDOJO 的仿真评测称，以 Astra 作为策略模型时，它在 42 个任务、2100 次尝试中的平均成功率约为 22%，同一评测里 GPT-5.5 为 0.8%，π0.5 为 6.9%。这组比较的指标是仿真任务成功率，并不代表现实环境中的稳定节拍或经济效益。

节目也保留了能力的不均衡：Astra 更擅长理解开放指令、灵活选择动作，精细操作和长序列连续任务则表现较差。实际系统可能仍要把高层理解和规划，与快速、细致的执行控制分层处理。Henry 因而没有把基础模型进展等同于机器人公司的终局；硬件、数据和具体场景仍是瓶颈。不过，他判断只在模型层与前沿实验室正面重合的创业公司压力会加大，更有机会的是把强模型嵌入自身拥有数据、硬件或工作流的环节。

科学探索与递归改进仍停在可验证的局部环节

生物科技部分提供了另一种边界清楚的例子。节目称，Anthropic 让 Claude 设计 1320 个蛋白质，外部湿实验中有 354 个能结合指定目标，约为 27%。结合只是第一道筛选：蛋白质能贴合目标，并不说明它已经产生所需的生物学效果，更不说明能够安全用于治疗。节目还提到 Anthropic 从大量 DNA 数据中发现一个被称为 ART 的酶系统线索；其具体功能尚未明确，因此不能把它当作下一代 CRISPR。

这些进展让节目重新讨论创业公司的位置。数据已经公开且丰富、问题又能由强推理模型直接处理的领域，前沿实验室更容易凭算力与基础设施进入；数据稀缺、需要领域专家和实验反馈的细分方向，仍给专业团队留下空间。机器人和生物都属于数据相对稀缺、尚无明确赢家的早期领域，不能只按模型排行榜判断竞争格局。

RSI，即用 AI 改进 AI 的递归式自我进化，在节目中已是一个覆盖面很宽的名称。现阶段的工作分为两类：用它优化模型训练、推理或数据基础设施，以及用它根据既定指标迭代产品。推理栈等基础设施任务有清晰、可验证的指标，适合先形成优化回路；覆盖研发全流程的 RSI 尚未被节目视为已经跑通的系统。

价格下降改变的是产品算账方式

在模型扩散的讨论中，嘉宾把关注点放在达到固定能力门槛、完成同一套评测或任务的成本。节目引用 Artificial Analysis 的分档办法举例：能力处在相近档位的模型，从 2 月到 9 月完成一次评测的成本可由六七十美分降至约三美分，两者相差约 22 倍。这个估算用于观察模型性价比的趋势，不是每个业务的真实利润表。

对实际做应用的人，成本变化可能决定一个功能是亏损还是可持续。Henry 用自己的德州扑克训练应用说明这一点：当调用便宜模型的成本下降后，每个虚拟对手都可以从规则脚本换成模型；节目中的估算是，每打 100 手牌约花两角人民币，而此前用更贵模型约为一美元以上。任务效果在这个特定场景里没有明显差异，才使这种替换有意义。

节目还把快速分类模型视为另一种取舍：模型不生成长篇文字，只在用户给出的选项间返回判断或概率，因而能以更低的延迟和成本被程序调用。邮件该转给哪个部门、搜索结果是否相关、网页下一步点击哪里，都可以成为自然语言条件判断。它不一定替代通用模型，却可能把原先写死的规则扩展到需要语言和图像理解的环节。

交互层也在重组。节目讨论的一种双全工语音模型能一边听用户补充或打断，一边把检索、下单等耗时工作交给后台；这比轮流说话的语音界面更接近日常协作。现有语音代理大多仍采取语音识别、语言模型、语音合成的三段式架构，便于替换组件、加入守护规则和控制成本。嘉宾预期双全工方案会逐步成熟，但没有认为三段式系统会立即退出商业场景。

收入数字需要和口径、客户及算力承诺一起看

OpenAI 的收入增长是节目最后一条商业线索。主持人和 Henry 引用媒体报道说，OpenAI 的年化收入运行率在 8 月仍略高于 400 亿美元，到 9 月下旬已接近 700 亿美元。两人都提醒，这些并非公司的正式披露，且不同报道可能采用不同口径；节目将 GPT-5 之后的新模型发布视为可能推动需求的事件之一，而非已经被单一数据证实的因果关系。

ARR 的可比性尤其重要。Henry 解释，若服务经云平台转售，一家公司可能按客户支付的总额计入 ARR，再把分给云平台的部分列为成本；另一家公司则可能只计入自己实际取得的净额。用一个数字比较 OpenAI 与 Anthropic 的规模或增速，可能因此把会计呈现方式误读为产品竞争的胜负。

节目引述的 Anthropic 上市材料草案还带来另一层压力测试：其收入有相当部分集中在少数客户和云平台渠道，未来多年又已锁定大额云服务与基础设施合同。Henry 因而更关心正式文件会披露哪些用户、这些用户是否签有长期承诺，以及除编程外是否存在足够大的新增场景。客户把预算从 Anthropic 转到 OpenAI，说明的是竞争加剧，不必然意味着 AI 需求变弱；若多家公司同时持续放缓，才会动摇以高速增长为前提的算力扩张计划。