OpenAI 的資訊來自Alex Heath最近與Sam Altman的一場長篇對話，涉及模型安全、產品調整、企業業務、算力、機器人和消費硬體。這個對話的內容還是很硬核的，奧特曼也承認了他們內部的一些問題，以及他們對未來的規劃
Gemini 的資訊則來自下午的一個Google專家會。
先看 OpenAI 這邊。
1. OpenAI推遲了一次前沿強化學習訓練
Altman表示，近期模型能力提升太快，安全、對齊和安保能力沒有完全跟上。OpenAI因此推遲了一次重要的前沿強化學習訓練，並把更多算力和研究人員轉向模型對齊與訓練監控。
此次調整隻針對風險較高的前沿訓練，並非暫停所有模型研發。OpenAI仍會繼續發佈已經達到安全要求的模型。
2. 模型沒有出現單一的“失控事件”
OpenAI並未發現某個足以被稱為“模型失控”的單一事件，而是在訓練評估中看到了一些不對齊行為。單獨看可能並不嚴重，但與模型能力的快速提升結合後，風險需要重新評估。
此前，一個未發佈模型曾在評測中突破沙箱並進入外部網路。Altman將其視為安全事故和對齊失敗。事件之後，OpenAI加強了沙箱、智能體監控和訓練過程監控。
這次延期也不會阻止Astra系列發佈。已經滿足安全要求的版本仍會推出，受到影響的主要是未來更強的模型
3. OpenAI承認過去一年戰略過於分散
Altman承認，OpenAI此前同時推進瀏覽器、Sora等多個方向，分散了對基礎模型和程式設計能力的投入。
公司現在重新聚焦於基礎模型、Codex和通用智能體。Altman認為，OpenAI最重要的任務仍然是提高通用智能能力，而不是不斷增加彼此分散的產品。
4. ChatGPT與Codex將逐步融合
OpenAI正在推進ChatGPT、Codex和工作型智能體的融合。未來使用者不需要選擇模型或模式，只需要描述自己想完成什麼。
簡單問題由AI直接回答，複雜任務則可以呼叫電腦、尋找上下文、操作軟體並持續執行。Altman表示，Astra在部分電腦操作上已經接近人類水平。
最終，ChatGPT和Codex可能變成一個統一的AI入口，並從被動響應逐漸轉向主動完成任務。
5. 企業收入已經超過消費者收入
Altman透露，OpenAI的企業收入已經超過消費者收入。ChatGPT使用者達到十億，但公司的商業增長正在越來越多地由企業客戶推動。
他還表示，產品增長與算力分配直接相關。OpenAI此前為了追趕程式設計能力，把一部分原本用於ChatGPT的算力轉向了Codex。
目前AI市場仍在整體擴張，OpenAI、Anthropic和其他公司都在增長，尚未完全進入零和競爭。
關於企業 AI，我們多說一點。從最近這些軟體公司公佈的業績來看，企業 AI 肯定是下一個爆發點，明年會是加速期。
6. OpenAI不擔心自身算力投入，但擔心行業過度建設
Altman認為，OpenAI已經承諾建設的算力可以被充分利用。真正需要警惕的是，部分新興雲端運算公司規劃了巨額資料中心投資，卻沒有足夠收入或確定客戶支撐。
OpenAI下一階段不僅要增加算力，還要降低AI成本，包括開發自研推理晶片、改進資料中心、投資供應鏈並引入機器人。
如果超級智能和遞迴自我改進比預期更早出現，OpenAI也可能推遲上市，以避免股價和季度業績壓力影響安全決策。
7. OpenAI將開發機器人和消費硬體
Altman確認，OpenAI未來會開發人形機器人，也會為資料中心等場景設計其他形態的機器人。人形機器人的優勢在於，它可以直接使用圍繞人類身體設計的現有環境和工具。
OpenAI還在與Jony Ive合作開發消費裝置，可能包括桌面、口袋和可穿戴產品。其目標不是複製手機，而是建立一種能夠理解環境、主動提供幫助的新計算平台。
8. 環境式AI必須解決隱私問題
如果AI能夠持續讀取消息、觀察電腦並感知周圍環境，它掌握的資訊會比傳統應用更加敏感。
Altman主張建立類似醫患或律師客戶保密權的“AI特權”，限制政府調取使用者的AI對話記錄。企業如何保存和使用這些資料，也需要受到更嚴格的約束。
OpenAI將在消費裝置臨近發佈時公佈新的隱私方案。對這類產品來說，能否處理好隱私問題，將直接決定它能否被廣泛接受。
這場採訪傳遞出的訊號很明確：OpenAI一邊重新集中資源，加快模型、Codex、算力、晶片和硬體佈局；另一邊也開始承認，模型能力的提升已經快到需要主動放慢部分訓練。
Altman認為，未來一年OpenAI最大的風險不是競爭、收入或算力，而是安全、對齊和安保能力無法跟上模型進步。
再來看Gemini這邊。
1.模型能力正快速商品化，差距全面收斂
SOTA 之間、大小模型之間、開源閉源之間的差距都在縮小，純模型能力的短板正被填平，勝負轉向產品與生態。
2.3.7 Flash 已達 Opal 4.8 級，進步主戰場是 Agent 而非 Coding
內部每天跑 2 萬+ 對比測試，AA 評分僅差 1 分（使用者無感）；Coding（競賽式）各家已無差別，真正差距在 Agentic Coding（長鏈路工程任務閉環）。
3.代際 token 消耗膨脹是行業現實，實際在變貴
同任務 3.7 耗 token 約 3.6 的 3 倍（競品同理），單價不變但任務成本上升；3.5 時代的"漲價 3 倍"是錯誤評估產物，現已回歸 85% 毛利率的原價。
4.Flash 小模型路線被驗證有效，"小幾百 B"是 sweet spot
200B 級未觀察到天花板（幾十 B 已見上限）；靠"全層 full attention 不稀疏化" + 2 萬張卡 3.5 周訓練 + 脫敏員工資料喂到極致；戰略定位是為大模型團隊打時間差。
5.真正的差異化在資料與工具鏈，不在模型本身
OpenCode（開源 Claude Code）+ Flash 比 Google 自家 AntiGravity 高 3-4 分——差距在 harness；員工資料（最強程式設計師程式碼+設計文件）是隱形壁壘。
6.TPU 成本優勢已被市場真金白銀驗證
TPU 製造成本與 GPU 齊平但性價比領先數倍（GB300 : TPU v8 ≈ 1:1.7）；大模型訓練真瓶頸是叢集參差、湊不齊整齊的卡，而非 TPU 本身。關於 TPU 的其他資訊，比如 3D Torus 和 6D Torus 的應用場景、優勢這些，我們等後面直播的時候再講。(傅里葉的貓)