OpenAI 如何服务每周8亿用户：模型专业化与微调
摘要
OpenAI 的分发策略刻意采取双线并行：ChatGPT 每周触达约8亿用户，而 API 通过第三方产品触达的人群可能更广。 Sherwin Wu 表示，这是创始人一贯要求将 AI 的收益尽可能分发到更多场景的结果，尽管客户反复担心 ChatGPT 会进入自己的市场。按当前增速，第一方产品本身已形成巨大势能，内部竞争焦虑相对有限：“全球每周有10%的人在使用它。”
模型之所以异常抗拒商品化，是因为用户和开发者都会形成对特定模型的依赖。 用户会在 GPT-5、GPT-4o 和 o3 之间形成偏好；开发者则不断调优提示词、工具和应用框架，最终事实上变成“围绕模型构建产品”。两者叠加，带来出人意料的高 API 留存率，也削弱了应用抽象掉底层供应商这一经典平台风险。
OpenAI 已从“一个模型统治一切”的预期，转向越来越相信市场会容纳一组专业化模型。 Cursor 展示了正在成形的技术栈：用 Max 模式下的 GPT-5 做规划，用 Composer 快速完成首轮处理，再用其他模型解决深层 bug 或代码补全。Sherwin 预计“还会涌现大量其他类型的模型”，但也提醒今天的判断可能再次改变；专业化并非偏离 AGI，而是说明通往 AGI 的路径比此前设想的更难预测。
强化学习微调能把企业专有数据从检索资产，转化为可能具备差异化的模型能力。 早期监督式微调主要带来“指令遵循 plus”和语气变化；RFT 则可能为客户的狭窄使用场景打造业界领先模型。OpenAI 正在试点为愿意分享高价值数据集的客户提供折扣推理，甚至免费训练——这本质上是围绕企业内部“巨大数据宝藏”的一次明确交换。
应用层的瓶颈已从巧妙设计提示词，转向上下文工程和受控编排。 更强的推理模型仍需要正确的工具、数据、检索时机和流程边界；Martin Casado 的归谬是，经典 RAG 用余弦相似度决定向“一台超级智能”输入什么。对企业而言，智能并不会消除工作流结构：许多岗位需要确定性的 SOP、获批准的回复目录，以及对 agent 可执行范围的强制限制。
OpenAI 将 agent 视为通过不同界面表达的智能，而不是一个独立产品类别。 ChatGPT、Codex、Sora 和 API 都是同一核心智能的“不同界面和不同部署方式”；Codex 之所以独立，是因为 CLI 比 ChatGPT 更适合编程。这也给了创业公司嵌入 Codex 或围绕 Codex 构建产品的空间，Casado 开玩笑称之为“token laundering”经济：把自然语言输入转化为按量计费的智能。
按用量计费的 API 定价之所以站得住脚，是因为它与消费量直接对应，支持成本加成的利润纪律，而且可能已经近似于按结果定价。 OpenAI 将用量定价视为一种可能的“单向棘轮”：客户一旦开始按更接近实际效用的方式付费，部署式定价就很难恢复。按结果收费在作物产量等领域仍很有吸引力但难以执行；Martin 认为，随着任务难度和价值上升，测试时算力也会增加，token 用量可能成为结果的可行代理指标。
开放权重看起来是在扩大市场，而非蚕食既有业务；高效推理仍是一道有意义的运营护城河。 Sherwin 表示，OpenAI “完全没有看到蚕食”，因为 gpt-oss 的客户和使用场景与主要托管模型不同。即使假设 GPT-5 的权重公开，也无法复现 OpenAI 的线上服务表现：其最大的2到3个模型获得高度集中的资源，推理和训练团队则协同优化。多模态能力同样依赖专业化技术栈——共享 API 基础设施之下，是彼此独立的文本、图像和视频推理系统。
精读
上游暂未提供，后续同步将继续补齐。