OpenAI 于 9 月 8 日发布了梳理自身业务结构的文档《The Work Now Within Reach》。除了每周活跃用户超过 10 亿、企业客户达到 250 万家之外，文档还给出了用户越用越多的实测数据，并说明了自研推理芯片在降低服务成本中的位置[1]。
开通半年之后，用量还在增长
最引人注意的是针对个人版 ChatGPT 用户的追踪数据。开通 6 个月后，每天的消息量比第一个月高出约 50 个百分点，尝试过的任务种类约为原来的 2 倍[1]。人们起初只在有限的场景中使用，熟悉之后逐步扩大交给 AI 的范围，这一过程如今能用数字呈现出来。
OpenAI 正是基于这一特性来搭建收入结构的。由广告支撑的免费额度充当「发现 AI 在哪里有用」的场所，感受到价值的用户再转向订阅制或按量付费。先把容器准备好，再迎接用量的增长[1]。
规模数据也一并公开。将 ChatGPT、ChatGPT Work、Codex 以及基于 API 构建的应用合计起来，每周活跃用户超过 10 亿，导入企业达 250 万家。一项研究成果可以同时改善多个产品，收入来源因此得以分散[1]。
家庭与职场的界线正在变淡
文档还提到个人使用与企业部署之间相互带动的关系。在家里习惯了 ChatGPT 的人，会把同样的感受带进办公室；而在工作中处理复杂任务的经验，又会改变他们在私人生活中对 AI 的期待。开发者则通过构建 OpenAI 自身未曾设想的应用，进一步拓宽了使用面。随着智能体产品越来越了解用户本人，这两个区隔预计会持续模糊[1]。
公司内部的例子是研究部门的工作方式。相对于人类 1 个工作日的劳动，智能体贡献了 3.1 个工作日的工作量，过去需要专门人员支持的基础设施问题，如今也可以交给智能体处理。确定优先级和判断结果仍由人来负责，收益体现在团队能够推进的想法数量上[1]。
为压低推理成本而做的软件与芯片
如果需求持续增长，下一个关键就是单次响应能做到多便宜、多快。OpenAI 表示，它把数据中心、芯片、软件、模型和产品作为一个整体来管理，即所谓全栈策略，为每类工作负载选择最合适的组合[1]。
具体数字也已给出。借助 GPT-5.6 Sol 改进生产环境的服务软件后，端到端服务成本下降 20 个百分点，后续改进又将 Token 生成效率提升了 15 个百分点以上[1]。
硬件方面由自研的首款推理芯片 Jalapeño 承担。在针对 3 个公开模型的 InferenceX 测试中，相较参与比较的商用系统，每瓦峰值 Token 吞吐量达到 1.5 至 1.9 倍，端到端延迟降至原来的 1.7 分之一到 3.6 分之一，比较以芯片额定功率进行归一化。计划在年内与 NVIDIA、AMD 等合作伙伴的加速器一同开始部署[1]。
更好的模型减少尝试次数，更好的软硬件让每次尝试更快更便宜。OpenAI 认为，两条路同时推进，就能用同样的算力承接更多工作[1]。
投资以「多快能收回」为判断标准
另一方面，文档也点明了给扩张踩刹车的标准。每一笔投资都要看它能满足多少需求、多久能够投入运转、回报是否与投入的资本相称[1]。在整个行业向算力投入巨额资金的背景下，把判断尺度写清楚本身就是一种信号。
在模型方面，GPT-6 Astra 被定位为在计算机操作、网页浏览、软件开发、网络安全、科学以及专业工作等领域处于最前沿[1]。
总结
这次公开的并非新产品，而是 OpenAI 如何描述自身循环的一份说明。开通半年后每日消息量增至 1.5 倍、尝试的任务种类翻倍，说明 AI 的使用一旦形成习惯，自然会越用越厚。为了承接这份增长而压低推理成本，省下来的部分又转化为更多使用。比起单个数字，这个循环能转得多快，才是竞争的焦点。
来源：https://openai.com/index/the-work-now-within-reach/
※ 缩略图为 AI 生成的示意图。
