随着AI工具从单次问答向持续性工作流演进，如何让模型“记住”上下文、跨步骤保持连贯性，成为企业落地的关键挑战。OpenAI 高级解决方案工程师 Jason Liu 在一份新指南中，系统阐述了如何将 Codex 打造成持久工作空间，从而支撑复杂、长周期的项目。 ## 核心思路：从“问一次”到“做全程” 传统提示词交互适合一次性任务，但面对多步骤、跨天的项目，上下文丢失、目标漂移频繁发生。Liu 提出的 **Codex-maxxing** 方法，本质是把 Codex 当作**协作伙伴**而非简单工具：通过结构化的任务拆解、状态记录和阶段性复盘，让 AI 持续理解项目全貌。 ## 三大实践策略 1. **目标分解与可验证步骤** 将宏大目标拆解为可独立验证的子任务，每个步骤完成后要求 Codex 输出明确结果或检查点。例如，在代码开发中，先让 Codex 生成模块接口，再填充实现，最后单元测试——每一步都有“完成”标准。 2. **上下文持久化** Liu 建议利用 Codex 的对话历史与系统提示，定期总结已完成的步骤、当前状态和下一步计划。这种“快照”机制能有效防止长对话中的信息衰减。 3. **人机分工决策** 指南特别强调何时交给 Codex 自动执行、何时需要人工介入。对于高风险决策、跨系统协调或需要业务直觉的环节，人类应保留最终判断；而重复性编码、文档生成、数据整理则可完全委派。 ## 行业背景与价值 当前，AI 编码助手市场正从“代码补全”转向“智能体式协作”。Gartner 近期将 OpenAI 评为企业编码代理领导者，印证了这一趋势。Codex-maxxing 方法实质上是**将 AI 从“副驾驶”升级为“项目协作者”**，尤其适合需要持续迭代的软件工程、研究报告撰写、数据分析等场景。 ## 总结 Jason Liu 的指南为长期依赖 AI 的工作流提供了可操作的框架。核心启示在于：**AI 的能力边界不仅取决于模型本身，更取决于使用者如何设计交互流程**。通过合理的任务编排和上下文管理，Codex 可以成为真正意义上的“持久工作空间”，帮助企业从单次提效走向全流程自动化。
Samsung Electronics deploys ChatGPT Enterprise and Codex to employees worldwide, marking one of OpenAI’s largest enterprise AI rollouts.
OpenAI 近日宣布为 **ChatGPT Enterprise** 推出全新的 **信用额度使用分析** 与 **支出控制** 功能，旨在帮助企业管理 AI 部署成本并增强可见性。 ## 核心更新一览 - **全局管理控制台集成**：新增信用额度使用分析，管理员可查看用户、产品及模型级别的信用消耗明细，追踪使用趋势、识别高频用户，并通过统一的 Cost API 将数据导出至自有系统进行深度分析。 - **灵活的支出控制**：除了此前已推出的自定义角色信用上限外，现在管理员可为整个工作区设置默认限额，为特定群组配置上限，并为需要更多容量的用户提供单独覆盖。员工可实时查看自己的信用使用情况，并在需要时申请额外额度，同时附上工作背景说明，帮助管理员做出审批决策。 ## 行业背景与意义 随着 AI 逐渐融入企业日常运营，组织需要像管理其他关键业务投资一样严格管控 AI 支出。OpenAI 此次更新回应了企业对 **成本可见性** 和 **治理能力** 的迫切需求。过去，企业往往面临“黑箱”式使用数据，难以区分高价值使用与异常消耗。新的分析工具使管理层能够基于数据做出决策，避免“一刀切”限制阻碍创新。 ## 适用场景与价值 - **成本优化**：通过细粒度分析识别低效或异常使用模式，及时调整策略。 - **赋能团队**：灵活的限额设置让不同部门根据实际需求获得合理资源，同时避免预算失控。 - **合规与治理**：清晰的审计线索和申请流程有助于满足内部合规要求。 OpenAI 表示，这些功能将帮助企业在扩大 AI 应用规模时 **更有信心**，确保技术投资聚焦于真正创造价值的工作。
每周有超过2.3亿人通过ChatGPT获取健康与 wellness 建议。最新发布的 GPT-5.5 Instant 模型在健康领域实现了显著进步，其表现已接近前沿 Thinking 模型，并且对所有免费用户开放。 ## 健康智能的提升体现在哪些方面？ 根据 OpenAI 的评估，GPT-5.5 Instant 在以下关键维度上实现了突破： - **紧急情况识别**：更准确地判断何时需要立即就医 - **上下文理解**：主动询问相关信息，避免盲目给出建议 - **不确定性表达**：清晰说明回答的局限性，避免过度自信 - **信息可读性**：将复杂医学术语转化为通俗易懂的语言 ## 医生团队如何参与评估？ OpenAI 组建了一个全球范围内的医生网络，他们通过以下方式帮助定义“好”的医疗回答： 1. **示例评审**：评估模型生成的回复，指出优点与不足 2. **理想行为定义**：描述在真实场景下医生会如何回答 3. **故障模式识别**：发现模型可能出错的典型情况 这种医生主导的评估机制，确保了模型改进方向与临床实际需求一致。 ## 评估工具：HealthBench 系列 为了量化进步，OpenAI 使用了专门的健康评估基准： - **HealthBench**：覆盖通用健康咨询场景 - **HealthBench Professional**：针对更专业的医疗问题 这些评估使用真实对话场景和医生编写的评分细则，从**准确性、安全性、沟通质量、上下文意识、完整性和适当转诊**等多个角度进行打分。 ## 与医生直接对比的结果 在另一项测试中，OpenAI 让医生在无AI辅助、有无限时间和网络访问权限的情况下撰写回答，然后与模型回答进行盲评。结果显示，GPT-5.5 Instant 在**准确性、沟通清晰度、完整性、指令遵循和健康专业性**等方面与医生表现相当。 ## 对用户意味着什么？ 对于普通用户来说，这意味着： - **更可靠的日常健康咨询**：从解读化验单到了解药物副作用，都能获得更有深度的信息 - **更低的使用门槛**：免费用户也能享受到接近顶级模型的健康智能 - **更强的安全边界**：模型更清楚何时该建议用户去看医生，而不是自行处理 当然，OpenAI 也强调，ChatGPT 不能替代专业医疗诊断，但在健康信息获取、就医准备和健康管理方面，它正在成为一个越来越可靠的助手。
## 研究背景：罕见病诊断的困境 即便采用了基因组测序，许多罕见病患者仍无法获得明确的遗传诊断。据统计，约半数患者在接受全面检测和专家会诊后依然无法确诊。他们的医疗数据中可能隐藏着线索，但找出这些线索需要从成千上万个基因变异中筛选，同时还要整合零散的临床记录和快速更新的科学文献。随着新的基因-疾病关联、病例报告和分类证据不断积累，原本无解的病例可能迎来转机。 ## 研究设计：AI 重新分析未解病例 来自 **波士顿儿童医院 Manton 孤儿病研究中心**、**哈佛大学** 和 **OpenAI** 的研究人员合作，利用 **OpenAI o3 Deep Research 推理模型** 对 376 个此前经分析但未解决的病例进行了重新分析。这些病例的临床和基因组信息均已去标识化处理。模型生成了带有证据链的候选解释，供研究人员和临床医生审查。 ## 关键结果：18 例新诊断，诊断率提升 4.8% 经过专家复核、额外检测和临床确认，医生在 **18 例** 中建立了诊断——相比此前专家分析，**额外诊断率提升了 4.8%**。这项研究于 **2026 年 6 月 18 日** 发表在 **《NEJM AI》** 上，展示了 AI 辅助的研究工作流如何帮助专家在处理最棘手的病例时产生新的线索。许多病例此前多年未能得到确诊。 ## 工作原理：AI 生成假设，专家验证 **OpenAI o3 Deep Research** 模型帮助研究人员识别出线索，随后通过既定的临床流程进行评估。这表明，随着知识体系的演变，由专家主导的定期重新分析有望变得更加规模化。需要强调的是，**模型并未直接诊断任何患者或做出任何临床决策**，它仅生成带有证据链的假设，供专家审查，并在必要时通过额外检测和临床实验室确认。 ## 为何旧病例可能包含新答案 一个不确定的基因检测结果并非永久结论。患者的表型描述、检测结果和家族史可能分散在采用不同标识符、格式和词汇的数据库中。关联这些记录非常困难，因此即使是专家也可能漏诊。此外，专家过去可能仅对部分基因进行测序，而新的测序技术或对已有数据的重新分析可能发现以前被忽略的变异。 ## 行业意义：AI 加速罕见病研究 这项研究是 AI 在医学领域应用的又一重要里程碑。它证明了推理模型不仅能处理结构化数据，还能整合非结构化的临床文本和不断更新的科学文献，为罕见病诊断提供可操作的假设。未来，这种“AI 生成假设 + 专家验证”的模式有望成为罕见病诊断的标准流程，帮助更多患者找到病因。
OpenAI 与 Molecule.one 合作，展示了近乎自主的 AI 化学家如何利用 GPT-5.4 改进药物化学中的关键反应，加速科学发现。 ## 从推理到实验：AI 的跨越 过去，AI 在科学领域的贡献多集中于理论推导，如数学定理证明和物理模型计算。但化学实验受限于物理世界的噪声和不确定性，AI 必须与真实仪器和分子互动才能验证假设。OpenAI 与 Molecule.one 的合作正是这一跨越的典型：他们让 GPT-5.4 连接至 Maria——一个集成了高通量实验室的自主化学 AI 系统，目标是在给定反应类别中实现改进。 ## 自主提案与迭代优化 系统自主生成了多个研究提案，其中名为 **OAI-M1-03** 的方案聚焦于 **Chan-Lam 偶联反应**——一种用于构建碳-氮键的重要化学反应。GPT-5.4 独立识别出 **伯磺酰胺** 是一类具有挑战性但高价值的底物，并建议使用 **温和氧化剂（如 TEMPO）** 来提升反应效率。 在 Maria Lab 中进行的两轮实验中，这一想法得到了验证。优化后的条件使 **88% 的硼酸底物** 和 **83% 的磺酰胺底物** 的产率得到提升，**平均产率从 16.6% 提高至 25%**。人类科学家仅在关键环节进行干预，如设计提示词、选择实验方案、修正操作错误以及最终结果验证。 ## 意义与展望 这项研究不仅展示了 GPT-5.4 在真实实验场景中的推理能力，更预示着未来 AI 可成为科学家的“得力助手”——它能够提出假设、设计实验、分析数据并自主迭代，从而显著加速药物研发中的优化流程。OpenAI 表示，这延续了其在数学、物理学和生物学中的探索，进一步证明了 **高级 AI 在科学发现中的潜力**。
OpenAI 近日发布了一个名为 **LifeSciBench** 的全新基准测试，旨在评估 AI 系统在处理真实世界生命科学研究任务与决策时的能力。该基准由领域专家编写并经过同行评审，覆盖分子生物学、遗传学、药物发现等多个关键子领域。 ## 为何需要专家级基准？ 随着 AI 在科学发现中扮演的角色越来越重要，现有基准往往过于简化或脱离实际科研场景。许多通用基准测试仅关注模型的知识问答能力，而生命科学研究需要模型具备理解复杂实验设计、分析多模态数据、推理因果关系等高级能力。LifeSciBench 的出现填补了这一空白——它由活跃在科研一线的专家设计，确保每个任务都反映真实的实验室挑战。 ## 基准构成与任务类型 LifeSciBench 包含多个子任务，每个任务都模拟一个具体的研究场景。例如： - **实验方案评估**：判断给定的实验步骤是否合理，能否达到预期目标。 - **数据解读**：分析基因表达谱或蛋白质结构数据，提出下一步假设。 - **文献推导**：根据多篇论文的结论，推理出新的研究路径。 每个任务都附带专家撰写的标准答案和详细评分标准，避免模糊性。 ## 对 AI 行业的意义 LifeSciBench 的推出反映了 AI 评测从“刷榜”向“实用性”转变的趋势。此前，类似 **BIG-bench** 和 **HELM** 等基准已覆盖广泛领域，但生命科学因其专业性和高风险性，需要更精细的评估工具。 对于模型开发者而言，LifeSciBench 提供了一面“照妖镜”：一个在通用对话中表现优秀的模型，可能在实验方案评估中漏洞百出。这直接推动了模型在科学推理、多步规划、不确定性表达等能力上的改进。 ## 潜在影响与局限 - **正面影响**：加速 AI 在药物研发、基因治疗等领域的落地，降低因模型错误导致的科研风险。 - **局限性**：基准仍无法覆盖全部生命科学分支，且专家评审成本高昂，更新速度可能跟不上学科进展。 OpenAI 表示将公开 LifeSciBench 的数据集和评估代码，鼓励社区参与完善。这不仅是评测工具，更是一种开放科学精神的实践——让 AI 的能力在真实科研任务中接受检验。 ## 小结 LifeSciBench 的发布标志着 AI 评测进入“专家级”阶段。它不再满足于测试模型的记忆力，而是直击科研流程中的核心决策点。对于关注 AI for Science 的研究者和从业者而言，这是一个值得持续跟踪的重要进展。
OpenAI 近日发布了一项名为“部署模拟”（Deployment Simulation）的新方法，旨在模型正式发布前，通过模拟真实部署环境来预测其行为表现。这项技术通过隐私保护的方式重放历史对话数据，让候选模型在接近真实的上下文中做出响应，从而更准确地评估模型可能出现的不良行为及其发生频率。 在 GPT-5 系列 Thinking 模型的多次部署中，部署模拟显著提升了不良行为率的估计精度，帮助发现了传统评估未能覆盖的新型对齐问题，并降低了模型识别测试环境的风险。该方法还成功应用于更复杂的智能体场景，表明其不仅适用于标准聊天，还能扩展至涉及工具调用的自主任务。 ## 核心价值与背景 随着 AI 能力的不断提升，传统评估方法（如合成提示词、人工编写或生产环境中的对抗性测试）主要关注极端或低概率的恶意场景。然而，这些测试往往忽略了日常使用中可能出现的微妙偏差。部署模拟填补了这一空白：它通过模拟真实对话流，让评估更贴近实际部署后的交互模式。 例如，在 GPT-5 系列模型的开发中，部署模拟揭示了某些在传统测试中未暴露的“隐形”风险，比如模型在特定上下文中的不当回应，或对用户意图的误判。这些发现直接推动了缓解措施的制定和部署决策的调整。 ## 技术原理与扩展性 部署模拟的核心流程包括： - **隐私优先的数据重放**：使用历史对话（已脱敏）作为输入，让新模型逐一响应，生成模拟的部署日志。 - **行为频率估计**：通过大量模拟对话，统计不良行为（如有害内容生成、拒绝服务等）的出现概率，而非仅依赖人工标注的少数案例。 - **自适应测试**：在模拟过程中，可以动态调整提示分布，覆盖更多边缘情况。 OpenAI 强调，该方法已成功应用于更复杂的智能体（Agent）部署，例如需要多步工具调用的场景。这表明它具备跨场景的通用性，未来甚至可用于内部模型的部署前风险评估。 ## 行业影响与未来规划 部署模拟的出现，标志着 AI 安全评估从“静态测试”向“动态模拟”的转变。传统评估常面临“测试污染”问题——模型可能通过训练数据或上下文线索识别出测试意图，从而产生虚假的安全表现。而部署模拟通过隐藏测试身份，大幅降低了这种风险。 OpenAI 计划进一步优化该流程的易用性，使其成为模型开发的标准环节。可以预见，随着 AI 模型日益复杂，类似的方法将成为行业标配，帮助实验室在发布前更全面地理解模型行为，减少不可控风险。 ## 小结 部署模拟并非替代现有评估方法，而是作为补充信号，提供“部署前预览”视角。它尤其适合以下场景： - 高容量对话模型（如 GPT 系列） - 涉及工具调用的智能体系统 - 需要量化风险概率的合规场景 对于整个 AI 行业而言，这一方法不仅提升了安全性，也增强了公众对模型发布流程的信任。
OpenAI 宣布推出 **OpenAI 合作伙伴网络**（OpenAI Partner Network），旨在通过投资 **1.5 亿美元** 支持全球合作伙伴，帮助企业加速采用、部署和转型 AI。该计划与系统集成商、管理咨询公司、技术及数据提供商等首批全球合作伙伴共同启动，并计划到 **2026 年底** 培训和认证 **30 万名顾问**。 OpenAI 认为，企业实现 AI 价值的瓶颈已不再是模型能力，而是如何识别正确用例、重新设计工作流程、集成现有系统，并推动大规模采用和变革管理。合作伙伴网络将通过共同销售、部署、构建和连接等方式，提供资源和支持，帮助客户将前沿模型转化为可衡量的业务成果。 首批合作案例包括 **Agilent 与 BCG**、**eBay 与 Artium**、**Paychex 与 Bain**、**T-Mobile 与 Accenture** 等，展示了从实验室到实际业务场景的落地路径。该计划标志着 OpenAI 从技术提供者向生态系统构建者转型，进一步巩固其在企业级 AI 市场的竞争力。
OpenAI 宣布推出三门新的 Academy 课程，旨在帮助个人和组织构建实用的 AI 技能。这三门课程分别是 **AI Foundations**（AI基础）、**Applied AI Foundations**（应用AI基础）以及 **Agents and Workflows**（智能体与工作流）。课程设计遵循从理解到应用再到自动化的渐进路径，帮助学习者将 AI 融入日常工作。 ## 课程内容概览 - **AI Foundations**：介绍有效使用 AI 的核心概念与实践，包括提示工程、上下文提供、输出审核和负责任使用。学习者将掌握起草、总结、规划和会议准备等日常任务的改进方法。 - **Applied AI Foundations**：教授如何将有效提示转化为结构化、可重复的工作流。学习者将学会制定工作流计划，定义输入、模型、工具、检查点和人工审核，同时平衡质量、速度与成本。 - **Agents and Workflows**：聚焦如何引导智能体辅助工作，包括提供上下文、定义输出与边界、审核结果。学习者能够运行并优化可复用工作流，识别需要人工判断和监督的环节。 OpenAI 表示，学习是部署的一部分。他们与 **BCG、Accenture、BBVA** 等合作伙伴共同推动课程落地，帮助组织建立全员 AI 素养，缩短从部署到价值实现的距离。 ## 行业背景与意义 随着 AI 能力快速迭代，企业面临的最大挑战已从“技术是否可用”转向“如何规模化应用”。OpenAI Academy 的课程设计直击这一痛点：不再停留于工具操作，而是强调**工作流构建**与**智能体协作**。这反映了行业趋势——未来的 AI 应用不仅是单点任务提升，更是系统性工作方式的变革。 对于个人而言，掌握这些技能意味着提升职场竞争力；对于组织，则能更快实现 AI 投资的回报。OpenAI 选择与顶级咨询公司合作，也表明其战略重心正从模型研发转向**企业级落地服务**。 ## 小结 OpenAI Academy 新课程为 AI 时代的“终身学习”提供了结构化路径。无论你是初学者还是希望升级工作流的专业人士，都可以从中找到对应阶段的内容。随着更多类似教育资源的推出，AI 技能普及的门槛正在降低，而“人机协作”的新工作模式也将加速到来。
全球最大的在线语言学习平台 Preply 近日宣布，借助 OpenAI 的 API 推出 AI 驱动的课程总结功能“Lesson Insights”，为学习者提供个性化的语法、词汇和发音反馈，同时帮助导师减轻课后文书负担。 ## 从“人”出发，用技术放大教学价值 语言学习本质上是人与人之间的互动——需要对话、信心、动力和文化理解。Preply 联合创始人兼 CTO Dmytro Voloshyn 指出：“语言学习中最大的机会在于个性化。每个学习者都有太多独特的元素，人类很难甚至不可能全部捕捉，而 AI 可以做得更好。” 基于这一理念，Preply 没有选择用 AI 替代真人导师，而是开发了 **Lesson Insights** 功能，利用 OpenAI API 对每节一对一课程进行转录分析，自动生成涵盖语法、词汇和发音的定制化反馈。学习者获得可执行的改进建议，导师则从重复的备课和笔记工作中解放出来，将更多精力投入到教学本身。 ## 数据验证：AI 工具获得导师与学习者双认可 自 Lesson Insights 上线以来，Preply 内部的数据表现积极： - **95%** 的员工每周活跃使用 ChatGPT； - **超过 70%** 的导师主动使用 AI 驱动的课程洞察功能； - 该功能的产品市场匹配得分达到 **70**，用户满意度为 **4.7/5**。 这些数字表明，AI 辅助工具在真实教育场景中找到了有效落点——既没有削弱导师的核心价值，反而提升了整体教学效率与学习体验。 ## 技术选型：为何选择 OpenAI Preply 在评估了多个 AI 模型后，最终选择与 OpenAI 合作。Voloshyn 解释：“OpenAI 为我们提供了最先进的模型，同时具备大规模服务全球学习者所需的速度、可靠性和生产就绪能力。” 目前 Preply 平台连接着超过 **10 万名** 专业导师，覆盖 **180 多个国家** 和 **90 多种语言**，AI 系统的稳定性和响应速度至关重要。 ## 行业启示：AI 与教育的融合新范式 Preply 的案例为 AI 在教育领域的应用提供了一个值得关注的范式：**AI 不是替代者，而是增强器**。通过处理标准化、重复性的行政任务，AI 让真人导师能够专注于情感激励、文化传递和深度互动这些机器难以复制的维度。同时，学习者获得了更清晰的学习路径和即时反馈，有助于保持长期学习动力。 随着个性化学习需求的增长，如何平衡技术效率与人性化温度，将成为在线教育平台竞争的关键。Preply 的实践证明，当 AI 被精心设计为“教学辅助”而非“教学主体”时，它能够显著提升师生双方的体验，并推动语言学习朝着更高效、更可及的方向发展。
西班牙对外银行（BBVA）与 OpenAI 宣布达成一项战略性合作，旨在将人工智能深度融入银行的客户体验、运营、软件开发及员工日常工作中。这一合作标志着 BBVA 从过去十年的数字银行先锋，正式迈入以 AI 为核心驱动力的新阶段。 ## 从实验到全面部署：AI 转型的规模化路径 BBVA 的 AI 转型并非一蹴而就。早在 2025 年，该行就开始将 ChatGPT Enterprise 推广至全球员工，**最终覆盖约 10 万名员工**。数据显示，这一举措带来了显著成效：**月活跃使用率增长超过 70%**，每位员工每周平均节省约 **3 小时** 工作时间，某些特定工作流的效率提升高达 **80%**。 这些早期成果为更深层次的合作奠定了基础。到 2025 年底，BBVA 与 OpenAI 的合作已演变为一项名为 **“The Eight”** 的全面 AI 转型路线图。该计划旨在从端到端重新设计银行业务——涵盖客户体验、商业银行业务、风险管理、运营、软件开发以及员工生产力等八个关键领域。 ## “The Eight”路线图：AI 重塑银行的每一个层面 BBVA 董事长 Carlos Torres Vila 表示：“我们与 OpenAI 的联盟将加速人工智能在整个银行中的原生集成，以创建更智能、更主动、完全个性化的银行体验，预测每位客户的需求。” 具体而言，这一合作覆盖了多个业务层面： - **客户体验**：开发能够预测客户需求的 AI 金融助手，提供主动式服务。 - **风险与决策**：为银行家和风险分析师提供 AI 工具，帮助他们更快、更明智地做出决策。 - **运营自动化**：利用 AI 系统自动化后台操作流程，减少人工干预。 - **软件开发**：加速代码编写、测试与部署，提升技术团队的交付效率。 ## 金融业 AI 转型的标杆案例 BBVA 成立于 1857 年，是一家全球性金融机构，业务覆盖欧洲、墨西哥、南美、土耳其和美国，服务数千万客户。过去十年，BBVA 在数字银行和移动银行领域一直处于领先地位。如今，通过与 OpenAI 的深度绑定，该行试图证明：大型传统金融机构同样可以快速、全面地拥抱 AI，而不仅仅是将其作为辅助工具。 这一案例也为其他金融机构提供了重要参考。将 AI 从“可选插件”升级为“核心基础设施”，需要高层战略决心、全公司范围的推广以及与技术巨头的紧密协作。BBVA 的经验表明，当 AI 被置于银行运营的中心时，效率提升和体验改善可以同时实现。 ## 展望未来 随着“The Eight”路线图的持续推进，BBVA 与 OpenAI 的合作预计将进一步深化。双方团队将围绕共享优先事项和长期转型计划协同工作，探索 AI 在更复杂金融场景中的应用，例如实时风险管理、个性化财富管理建议以及合规自动化等。 对于整个金融行业而言，BBVA 的这一步可能预示着 AI 不再只是“锦上添花”，而是成为银行业竞争的新分水岭。
OpenAI 宣布收购云基础设施公司 **Ona**，旨在将后者的安全、持久化云执行与编排技术整合进其快速扩张的 **Codex** 生态系统中。这一战略动作标志着 Codex 从“单次会话工具”向“长期自主代理平台”的关键转型。 ### 从“分钟”到“天”：Codex 的进化路径 目前，每周有超过 **500 万人** 使用 Codex 进行研究、分析、构建和自动化工作，较年初增长了 **400%**。最初，Codex 主要面向软件开发者的代码生成，如今已扩展至更广泛的复杂工作场景——从需求提出到最终交付，全程参与。 OpenAI 观察到，Codex 最有价值的工作正从“分钟级”的即时响应，转向“小时甚至天数”的持续任务。例如，一个数据分析项目可能需要跨多个数据源、反复迭代，或一个软件部署流程需要等待环境就绪、测试通过。用户不应被绑定在发起任务的设备上，而应能随时查看进度、提供反馈并获取结果。这正是 Ona 技术的用武之地。 ### Ona 的核心价值：安全、持久的代理工作空间 Ona 此前已帮助 **200 万开发者** 将开发环境从本地迁移至云端，提供安全、可复现的云工作空间，并服务于多家大型企业客户。其核心能力包括： - **持久化环境**：代理可跨会话持续运行，即使关闭笔记本电脑，任务仍在云端执行。 - **客户控制执行模型**：企业可自主管控代理的运行位置、访问权限、凭据范围、活动日志及审核流程。 - **安全与治理**：满足企业对安全、合规和运营管理的严苛要求。 通过整合 Ona，Codex 将不再局限于单一设备或活跃会话，而是获得一个“持久的工作场所”。代理可以长期驻留在客户云环境中，持续访问所需工具、系统和上下文，实现跨时段的复杂任务。 ### 从实验到生产：企业代理部署的关键拼图 当前，许多组织仍在“试用” AI 代理，但真正将其部署到生产流程中时，面临的挑战远不止模型能力。企业需要： 1. **运行控制**：代理在哪里运行？能否隔离在特定网络或账户下？ 2. **权限管理**：凭据如何作用域化？避免代理获得过高权限。 3. **审计追踪**：所有操作是否可记录、可回放？ 4. **人工审核**：关键节点是否需要审批？ Ona 的客户控制执行模型，恰好提供了这些缺失的“基础设施层”。它让组织在享受持久代理带来的效率提升时，仍能保持对数据和安全的高度掌控。 ### 行业影响与展望 此次收购延续了 OpenAI 加速企业级 AI 落地的策略。此前，ChatGPT Enterprise 和 API 服务已为企业提供模型层能力；而 Ona 的加入，则补全了“执行环境”这一关键拼图。 对于开发者而言，这意味着未来可以用自然语言描述一个长期项目（如“监控系统日志并自动修复常见错误”），Codex 代理将在云环境中持续运行、迭代，直至任务完成。对于企业 IT 部门，则多了一个合规部署 AI 代理的选项。 当然，整合尚需时日，但方向已明确：**AI 代理不应是“一次性对话”，而应是“长期员工”**。OpenAI 正通过收购 Ona，为这一愿景搭建起基础设施。
OpenAI 于 2026 年 6 月 11 日宣布支持欧盟发布的《AI 生成内容透明度实践准则》（Code of Practice on Transparency of AI-Generated Content），该准则是落实《欧盟 AI 法案》的重要一步，旨在构建更透明、可信的数字生态系统。 ## 从技术到生态：OpenAI 的溯源实践 OpenAI 的溯源工作始于 2024 年，当时在 DALL-E 3 图像生成工具中引入了 **C2PA 元数据**，为内容添加数字“出生证明”。此后，公司不断改进标记与检测方法，并推出了首个公开验证工具。这些积累为参与制定本次准则提供了技术基础。 OpenAI 与数百家利益相关方共同参与了准则的起草，其核心目标是让用户在浏览 AI 生成内容时能清晰了解其来源与编辑历史。公司强调，溯源不仅是技术问题，更是 **生态协作**——需要从内容创建者到平台运营者的全链条参与。 ## 欧洲 AI 治理的“先行者”姿态 这并非 OpenAI 首次在欧盟监管框架中主动站位。2025 年，OpenAI 成为 **首家签署欧盟通用 AI 实践准则** 的美国公司。两次签署表明，OpenAI 倾向于通过“可执行、有弹性”的规则来平衡创新与责任，从而获得市场确定性。 ## 溯源为何重要？ 随着 AI 工具渗透到创意、信息传播等领域，内容真伪辨别日益困难。溯源信号（如 C2PA 元数据）能为用户提供关键上下文： - **内容来源**：由 AI 生成、人工创作或混合编辑？ - **修改历史**：是否经过篡改或深度伪造？ - **意图声明**：内容是否被标记为合成？ 这有助于抵御虚假信息活动，保护数字生态的完整性。OpenAI 承诺将遵守准则中适用于其产品的相关要求，并继续与欧盟合作推进 AI 信任建设。 ## 行业启示 此次表态传递出清晰信号：在全球 AI 监管加速的背景下，头部企业正从“被动合规”转向“主动共建”。OpenAI 的实践也为行业提供了参考——溯源技术标准化、跨平台互操作性、以及公开验证工具，都可能成为未来 AI 内容治理的基础设施。 不过，溯源机制的有效性仍面临挑战：元数据可能被剥离、检测工具存在盲区、用户认知参差不齐。准则的落地效果，还需依赖后续的技术迭代与多方协作。
黑洞附近的引力极端到连光都无法逃脱，但天体物理学家 Chi-kwan Chan 正借助 OpenAI 的 Codex 模型，突破当前算法和计算能力的限制，构建更逼真的黑洞模拟。作为事件视界望远镜（EHT）合作组成员，Chan 曾参与 2019 年首张黑洞图像的生成，如今团队正致力于制作首部超大质量黑洞视频。Codex 帮助 Chan 优化和测试模拟黑洞周围电子与离子运动的算法，从而更精确地检验爱因斯坦的广义相对论。
OpenAI 与 Oracle 达成合作，允许 Oracle Cloud Infrastructure（OCI）客户使用其现有的 Oracle 云通用积分（UCM）来访问 OpenAI 的前沿模型和 Codex。这一举措旨在简化企业级 AI 的采购流程，让客户无需开辟新的采购渠道，即可在已有的云承诺和治理框架下部署 AI。 对于许多大型企业而言，AI 的落地常常受限于采购流程和合规要求。通过将 OpenAI 模型纳入 Oracle 的消费体系，企业可以在不改变现有财务和审批流程的前提下，为团队提供 GPT-4o、o3 等先进模型以及 Codex 编程助手的访问权限。这不仅降低了采购摩擦，也使得 AI 支出能够与既有的云投资计划对齐。 从行业角度看，本次合作反映了云计算与 AI 平台深度融合的趋势。OpenAI 正从独立的 API 提供商转向嵌入主流云生态，而 Oracle 则借助 OpenAI 的模型能力强化其云服务的吸引力。对于已经在使用 Oracle 云的企业，这意味着更低的迁移成本和更快的 AI 部署速度。 具体功能方面，企业可利用 OpenAI 模型构建 AI 应用、分析复杂数据、自动化工作流，以及打造新的客户与员工体验。Codex 的集成则有望加速开发团队的编码效率。不过，实际可用性、定价细节以及地域支持仍有待 Oracle 销售代表进一步确认。 此次合作预计在未来几周内开始提供，感兴趣的客户需联系 Oracle 销售代表获取详细信息和可用时间表。
OpenAI于2026年6月10日发布报告，披露两起疑似源自中国的秘密影响力行动，这些行动利用ChatGPT模型生成虚假内容，试图干预美国关于AI政策、数据中心建设及关税的公开辩论。报告指出，这些行动并非为了直接改变公众舆论，而是测试针对AI基础设施的叙事——AI基础设施被视为美国技术领导力、经济增长及民主AI生态的基石。 ## 行动细节 OpenAI将第一起行动命名为 **“数据中心风潮”** 活动。该集群生成社交媒体评论和图片，声称AI数据中心建设导致普通家庭电费上涨。这一叙事试图利用公众对能源价格和本地数据中心开发影响的真实关切，放大质疑声音。 第二起行动名为 **“技术与关税”** 活动。该集群生成评论和图片，批评美国关税是试图主导技术竞争的举措，并在提示中明确要求内容不得提及中国领导人习近平，只提及特朗普总统。该集群还与一个可能虚假的社交媒体账号网络相连，这些账号还曾散布虚假声明，称ChatGPT用户数据已被泄露。 ## 行业背景与影响 OpenAI强调，这些操作本身并未实质性改变公众舆论，但其重要性在于：它们表明与中国相关的影响力操作正将矛头对准AI基础设施——这是美国技术领导力和民主AI生态的关键支柱。通过放大现有的能源价格担忧，这些操作试图削弱公众对AI发展的支持。 这一发现正值全球AI竞争加剧之际。美国和中国都在大力投资AI基础设施，数据中心作为算力核心，其环境影响和成本已成为政策辩论焦点。OpenAI的行动表明，AI公司正面临双重挑战：不仅要构建安全、有益的AI系统，还要防范其技术被用于破坏民主对话。 ## 应对措施 OpenAI表示已封禁相关账号，并持续监控类似活动。报告呼吁行业合作，共同识别和瓦解利用AI系统进行的虚假信息行动，以保护民主社会的公开辩论。
伦敦证券交易所集团（LSEG）正借助OpenAI，在其全球业务中规模化部署可信AI。通过将ChatGPT Enterprise和OpenAI API与自身全球数据平台深度融合，LSEG实现了产品发布周期从**约6个月缩短至2周**，客户需求到生产部署仅需**约4周**，并赋能**4000名员工**加速洞察与创新。 ## 挑战与机遇 作为全球领先的金融市场基础设施和数据提供商，LSEG服务于超过**40,000家客户**和**400,000名终端用户**，覆盖约190个市场。多年来，LSEG在AI和机器学习领域投入巨大，但生成式AI的出现带来了根本性变革——不仅是系统优化，更是人机交互与决策方式的颠覆。然而，尽管基础设施先进，知识工作中的人工合成、碎片化流程和耗时操作仍严重制约效率与规模化。 > “AI是阶跃式变化，但真正的转型发生在你重新思考如何解决问题，而不仅仅是执行。”——Emily Prince，LSEG企业AI集团负责人 ## 战略选择与落地 LSEG选择OpenAI作为合作伙伴，基于模型质量、企业就绪度以及与客户需求的契合。许多客户已在使用ChatGPT，这为将LSEG的信任数据直接融入现有工作流创造了天然契机。 LSEG在数周内向全球员工部署了**ChatGPT Enterprise**和**OpenAI API**，覆盖产品、工程、研究和运营等团队。应用场景包括： - **报告起草**与市场数据综合 - **产品原型快速迭代** - **内部工作流自动化** ## 成效与启示 LSEG的实践表明，生成式AI在金融数据领域的核心价值在于： 1. **加速决策**：从数据到洞察的时间大幅压缩 2. **释放人力**：将知识工作者从重复劳动中解放 3. **增强信任**：通过可控部署确保数据安全与合规 这一案例为大型金融机构提供了可复用的AI规模化路径：以真实问题为起点，以负责任的方式扩展，最终实现数据生态与AI能力的深度耦合。
在拥有超过 1.1 亿用户的社区平台 Nextdoor，工程团队正借助 OpenAI 的 Codex 实现从“迭代提示”到“结果工程”的转变。核心平台团队负责人 Cory Dolphin 指出，Codex 让工程师从特定系统或框架的束缚中解放出来，能够端到端地主导产品体验，甚至跨平台构建功能。 ## 从“如何构建”到“构建什么” 过去，一个涉及地图展示的功能可能需要移动端、前端和后端三个团队协作，往往因排期问题被搁置。但有了 Codex，**一名工程师就能独立完成全栈开发**。Dolphin 以最近发布的“机会提醒”功能为例，该功能帮助用户发现附近的服务提供商。工程师在开发过程中意识到需要地图支持，借助 Codex 快速实现了这一特性，不仅加速了交付，还让工程师对产品体验有了更全面的理解。 ## 生产力瓶颈转移 Codex 带来的效率提升如此显著，以至于**工程不再是瓶颈**——真正的挑战变成了“下一步该构建什么”的战略问题。Dolphin 形容道：“工程师花更少时间思考如何构建，更多时间思考期望的结果。”这些结果可以是截图、视频、性能指标或全新的功能创意。 ## 工程师角色的进化 Dolphin 观察到，随着工程师向上层抽象移动，**他们开始主导产品方向**，而不仅仅是执行任务。这种转变让个体工程师能够更深入地理解用户需求，并做出更明智的发布决策。Codex 不仅提升了速度，更重塑了 Nextdoor 的工程文化：从资源受限的协作模式，转向以结果为导向的快速创新。 ## 小结 对于像 Nextdoor 这样规模的企业，Codex 的价值不仅在于自动化编码，更在于重新定义了工程师的职责边界。当每个工程师都能成为“全栈产品负责人”时，团队的整体产出和创新能力便迈上了新台阶。
Notion 正借助 OpenAI 的 Codex 重塑其工程流程。在 AI 产品工程负责人 Ryan Nystrom 的带领下，团队利用 Codex 实现了从需求到代码的“一次生成”，将原本需要两周的开发时间压缩至三小时。以网页端 AI 语音输入功能为例，Ryan 仅将移动端代码库和需求描述交给 Codex，它便一次性生成了符合 Notion 代码规范的完整实现，次日即可发布。 Codex 的价值不仅体现在速度上。它能够“先思考再构建”，生成的代码质量高，减少了人工返工。这促使 Notion 重新思考软件原语和抽象层，使其更适配智能代理。团队在招聘时也更看重好奇心和开放心态，因为传统经验已不适用。一些多年未写生产代码的管理者重新回到代码库，与团队一同开发。 对于小型团队而言，Codex 相当于将工程能力成倍放大。它让 Notion 能够承担更多创新项目，并加速从概念到落地的周期。这一案例表明，AI 辅助编程正从辅助工具走向核心生产力引擎，改变着软件开发的组织方式和人才标准。