OpenAI 宣布了 ChatGPT 的新安全更新，旨在提升模型在敏感对话中对上下文的识别能力。这些改进帮助 ChatGPT 在风险逐渐显现时做出更安全的响应，例如通过缓和对话、拒绝提供有害细节或引导用户寻求支持。更新聚焦于自杀、自残和伤害他人等急性场景，通过模型训练和与心理健康专家的合作，使 ChatGPT 能够更好地识别对话中随时间演变的警示信号，并基于上下文采取谨慎行动。这一举措旨在平衡安全性与日常对话的自然流畅，避免过度反应。
OpenAI 工程团队为 Codex 在 Windows 上构建了一个安全的沙箱环境，解决了此前 Windows 用户只能在“逐一批准命令”和“完全开放权限”之间二选一的困境。通过操作系统级隔离技术，新沙箱实现了受限的文件写入和网络访问控制，让 Codex 既能高效执行编码任务，又能确保用户数据安全。 ## 背景：Windows 上的安全缺口 当工程师 David Wiesen 于 2025 年 9 月加入 Codex 团队时，Windows 版的 Codex 还没有沙箱实现。这意味着 Windows 用户在使用 OpenAI 的编码代理时，只能面对两种糟糕的选择： - **逐一批准每个命令**：即使是读取操作也需要用户确认，效率低下且打断工作流。 - **完全开放权限**：让 Codex 无需审批即可运行所有命令，虽然省去了麻烦，但失去了安全监督。 Codex 作为一款运行在开发者笔记本电脑上的编码代理（通过 CLI、IDE 扩展或桌面应用），默认拥有与用户相同的权限——这意味着它能做用户能做的一切事情。这种能力强大但也潜藏风险：编码模型可能会指示执行环境运行本地命令，从运行测试、读写文件到创建 Git 分支。 ## 默认模式：安全与效率的平衡 Codex 的默认模式试图在有效性和安全性之间找到平衡点：它允许 Codex 在几乎任何位置读取文件，但只能在工作区目录内写入文件；同时默认禁止网络访问，除非用户明确授权。要实现这种自动约束——限制文件写入范围和网络访问——Codex 需要一个真正能执行这些限制的沙箱环境。 ## Windows 上的沙箱实现挑战 沙箱本质上是一个受限的执行环境。当开发者使用 Codex 时，操作系统会以降低的权限启动命令，且这些约束会沿着进程树向下传播。每个 Codex 命令从一开始就被沙箱化，所有子进程都停留在同一边界内。 一些操作系统提供了现成的隔离工具：macOS 有 Seatbelt，Linux 有 seccomp 或 bubblewrap。但 Windows 目前并不原生提供这类能力。为了让 Windows 上的 Codex 像在其他平台上一样安全且体验流畅，团队必须自行实现沙箱机制。 ## 解决方案：为 Windows 量身定制 虽然原文未详述具体技术实现，但可以推断 OpenAI 团队利用了 Windows 的安全特性（如作业对象、完整性级别、AppContainer 等）来构建一个等效的沙箱。核心目标包括： - **文件系统限制**：仅允许在工作区目录内写入，防止恶意操作篡改系统文件或其他用户数据。 - **网络限制**：默认阻止出站网络连接，仅在用户明确同意时开放。 - **进程隔离**：确保沙箱内的进程无法逃逸到外部环境。 ## 意义与影响 这一改进消除了 Windows 用户在使用 Codex 时的安全顾虑和操作摩擦。开发者现在可以像在 macOS 或 Linux 上一样，在 Windows 上获得“即开即用”的安全编码体验——无需在安全性和效率之间妥协。对于依赖 Windows 生态的开发者而言，这无疑降低了采用 AI 编码代理的门槛。 随着 Codex 等 AI 编程工具日益普及，操作系统级别的安全沙箱将成为标配能力。OpenAI 在 Windows 上的这一实践，也为其他在 Windows 上构建类似安全工具的团队提供了参考。
OpenAI 近日披露了其对 TanStack npm 供应链攻击（代号“Mini Shai-Hulud”）的应对措施。该攻击于 2026 年 5 月 11 日被发现，波及广泛使用的开源库 TanStack。OpenAI 确认其两名员工设备受到影响，但强调用户数据、生产系统和知识产权未被泄露，软件也未遭篡改。作为响应，OpenAI 正在更新 macOS 应用的签名证书，要求所有 macOS 用户在 2026 年 6 月 12 日前更新 ChatGPT 桌面版、Codex 应用、Codex CLI 和 Atlas 等应用，以防止假冒应用风险。此外，OpenAI 已隔离受影响系统、撤销会话、轮换凭证，并聘请第三方数字取证与事件响应公司进行调查。 ## 攻击详情与影响范围 本次攻击属于更广泛的软件供应链攻击“Mini Shai-Hulud”，目标是通过入侵开源库 TanStack 来渗透下游用户。OpenAI 的企业环境中两名员工的设备被感染。调查发现，攻击者行为与公开描述的恶意软件特征一致，包括未授权访问和凭据窃取，范围限于两名员工有权访问的部分内部源代码仓库。OpenAI 确认仅有少量凭据材料被成功窃取，其他信息或代码未受影响。 ## OpenAI 的应对措施 OpenAI 迅速采取行动遏制事件扩散： - **隔离与凭证管理**：立即隔离受影响的系统和身份，撤销用户会话，轮换所有受影响仓库的凭证。 - **证书更新**：为保护 macOS 应用签名流程，OpenAI 正在更新安全证书，并强制要求用户在 2026 年 6 月 12 日前更新应用至最新版本。用户可通过应用内更新或官方链接安全升级。 - **第三方取证**：聘请专业数字取证与事件响应公司协助调查，确保彻底清除威胁。 ## 对 macOS 用户的建议 OpenAI 强调，虽然风险极低，但证书更新是为了防止有人利用旧证书分发假冒 OpenAI 应用。用户应尽快更新以下应用： - ChatGPT 桌面版 - Codex 应用 - Codex CLI - Atlas ## 行业背景与启示 此次事件再次敲响软件供应链安全的警钟。TanStack 作为广泛使用的前端工具库，其被攻破可能影响大量依赖它的项目。OpenAI 的快速响应和透明披露值得肯定，但事件也提醒开发者和企业： - 定期审查第三方依赖的安全性。 - 对员工设备实施严格访问控制和监控。 - 建立完善的应急响应预案。 OpenAI 表示将继续加强防御，应对不断演变的软件供应链威胁。用户无需过度恐慌，但应遵循安全更新建议。
OpenAI 近期发布了 Codex 在财务领域的应用指南，展示财务团队如何借助这一工具快速构建月度业务审查报告、差异分析、模型检查及规划场景。Codex 能基于实际工作中的输入文件（如结账工作簿、收入费用仪表盘、预测更新、所有者笔记等）自动生成初稿，让财务人员将更多精力投入到数据解读和决策支持中。 ## 核心价值：从“拼凑初稿”到“聚焦分析” 传统财务工作中，编制月度业务审查（MBR）或差异分析通常需要手动整合多个数据源，耗费大量时间在格式整理和数字核对上。Codex 通过自然语言理解能力，能够读取结账工作簿、仪表盘、预测更新、历史报告及注释文档，自动识别关键差异、预测变化、风险点，并生成带有数据来源的叙述性报告。这意味着财务团队可以减少“第一遍”的重复劳动，将时间真正用于“讲故事”和“做判断”。 ## 十大应用场景：从 MBR 到情景规划 OpenAI 发布的指南中列出了 Codex 在财务领域的 **十大典型用例**，其中第一个也是最重要的场景是 **月度业务审查叙事**。用户只需提供相关文件，Codex 即可输出一份 CFO 可读的审查报告，包含： - 关键差异分析（实际 vs 预算/预测） - 自上次预测以来的变化 - 风险提示与 CFO 预备问题 - 按负责人归类的后续行动 每个场景都配有即用提示词（Prompt），用户可替换实际数据快速启动。例如，针对 MBR 的提示词要求 Codex “为每个重要数字引用工作簿标签、仪表盘或来源注释”，确保可审计性。 ## 技术实现：技能与插件扩展 Codex 的能力不仅限于文本处理。指南建议为每个用例配置相应的 **技能（Skills）和插件（Plugins）**，以打通企业技术栈。例如，连接数据库、ERP 系统或商业智能工具，使 Codex 能够直接获取实时数据，生成更准确的动态报告。这种“低代码”甚至“零代码”的方式，大幅降低了财务人员使用 AI 的门槛。 ## 行业影响：财务工作的范式转移 从更广阔的 AI 行业背景看，Codex 在财务领域的应用代表了 **“AI 代理（Agent）”** 从通用对话向专业领域落地的趋势。过去，财务团队依赖 Excel 宏或 Python 脚本实现自动化，现在自然语言即可驱动复杂工作流。这不仅提升了效率，也可能改变财务团队的技能构成——未来，财务分析师需要更强的业务理解力和提问能力，而非仅仅擅长数据处理。 ## 实践建议：从一个小场景开始 对于希望尝试 Codex 的财务团队，建议从 **月度业务审查叙事** 或 **差异桥接（Variance Bridge）** 等高频、低风险场景入手。准备好真实的工作文件，使用官方提供的提示词模板，逐步调整以适配自身流程。关键在于明确告诉 Codex 哪些指标最重要、数字应如何引用，以及期望的输出格式。 OpenAI 还提供了按需网络研讨会，帮助团队深入了解如何将 Codex 融入日常工作。随着更多插件和技能的发布，财务团队有望在预算、预测、合规等领域进一步释放 AI 的潜力。
OpenAI 举办的 Parameter Golf 挑战赛吸引了超过 1000 名参与者和 2000 份提交，探索了在严格约束下的 AI 辅助机器学习研究。本文总结了技术亮点与经验教训。 ## 挑战赛概况 Parameter Golf 的目标是让参与者在**16 MB**的工件限制（包括模型权重和训练代码）以及**10分钟**的训练预算（8×H100 GPU）内，最小化在固定 FineWeb 数据集上的损失。比赛持续八周，提供了基线模型、数据集和评估脚本，参与者通过 GitHub 提交结果。 ## 技术亮点 ### 训练优化 一些最出色的结果来自对现有组件的精细调优。例如，提交 #60 的 @notapplica 结合了此前多个获胜方案的优点，采用 Muon 权重衰减、谱嵌入初始化、残差混合调度和编译评估，构建了更深的模型。 ### 量化与模型设计 许多参赛者深入探索了**量化**技术，在有限空间内塞入更大模型。还有新颖的模型架构设计，如测试时训练（test-time training）等，展现了技术创造力。 ## AI 编码智能体的影响 比赛中最令人兴奋的方面之一是 AI 编码智能体的广泛使用。这些智能体降低了实验成本，使更多人能够参与，并改变了竞争节奏。然而，它们也带来了提交审查、归因和评分的新挑战。 ## 人才发现与社区价值 Parameter Golf 成为了一个有效的人才发现平台。开放式的技术挑战能够揭示出色的机器学习品味和毅力，这是比赛的重要收获之一。 ## 经验教训 - **规则边界**：部分提交利用了规则漏洞（如“rule-bending”），提示未来比赛需要更明确的约束定义。 - **AI 辅助的公平性**：如何公平评价人类与 AI 智能体协作的成果，仍是需要探讨的问题。 - **社区参与**：超过 1000 名参与者证明了社区对创新挑战的热情。 Parameter Golf 不仅推动了技术探索，也为未来 AI 辅助研究的竞赛形式提供了宝贵经验。
在NVIDIA，Codex已成为工程师和研究人员处理复杂工程任务、加速端到端机器学习实验的默认工具。基于**GPT‑5.5**并运行于NVIDIA **GB200**和**GB300**基础设施之上，Codex能够处理更长时间、更自主的会话——不仅执行指令，还能主动发现原始提示中未涉及的问题和想法。 ## 从MVP到生产级系统 NVIDIA的编程智能体团队帮助公司内部工程师在实际开发流程中有效采用AI工具。高级软件工程师 **Dennis Hannusch** 表示：“Codex with GPT‑5.5 自主性更强，几乎不需要手把手指导。我能进行长时间的会话，多次压缩上下文，它仍能保持顶级准确度，并巧妙选择正确的工具和技能。” Hannusch 已利用 Codex 将一个内部平台从 **MVP** 演变为**生产就绪系统**，显著提升了可扩展性和可靠性——这在早期模型中难以实现。此外，团队仅用数小时就用 Codex 构建了一个类似 Riverside 的内部播客录制应用。考虑到隐私限制，如果采购商业软件可能需要数周。 ## 自主构建与测试 Codex 桌面应用具备计算机交互能力，在构建过程中自动测试了视频和音频录制功能。“我什么都不用做——它完全自主地构建和测试，”Hannusch 说，“Codex 彻底改变了‘值得构建’的门槛。” ## 10倍效率提升 NVIDIA 内部已有 **4万名员工** 获得 Codex 访问权限。在端到端研究工作流程中，Codex 带来了 **10倍的速度提升**，因为它能够处理完整的实验周期，从构思到运行一气呵成。 ## 行业意义 Codex 与 GPT‑5.5 的结合，标志着 AI 辅助开发从“代码补全”迈向了“自主工程代理”。对于科技企业而言，这意味着： - **降低工程成本**：将数周的工作压缩到数小时 - **提升创新能力**：让工程师专注于更高层次的架构设计 - **加速实验迭代**：ML 研究团队可以快速验证假设 NVIDIA 的实践表明，当 AI 工具能够自主处理端到端任务时，它不仅是一个效率工具，更是重新定义“什么值得构建”的催化剂。
欧洲与加拿大最大的在线汽车市场 AutoScout24 集团正在全面拥抱 AI。通过将 OpenAI 的 Codex 和 ChatGPT 融入日常工作流，该公司不仅将开发周期从数周缩短至数天，还让约 2,000 名员工获得了 AI 工具支持，其中约 1,000 名构建者角色已开始使用 Codex。这一转型背后，是 AutoScout24 集团对工程效率、代码质量与 AI 普及度的系统性重构。 ## 从“增量改进”到“范式转变” 作为拥有 AutoScout24（欧洲）和 AutoTrader.ca（加拿大）等多个品牌的大型企业，AutoScout24 集团每月服务超过 3000 万用户，管理着超过 200 万条车辆列表，并与 45,000 家经销商伙伴合作。随着产品期望攀升和系统复杂性增加，公司面临着在不牺牲可靠性的前提下加速创新的压力。大规模迁移、遗留系统以及日益增长的工程需求，使得渐进式改进已无法满足要求。大语言模型的出现，为从根本上重新思考软件的构建、测试和扩展方式提供了契机，OpenAI 也因而成为推动这一转型的自然伙伴。 ## 双轨策略：ChatGPT 打基础，Codex 攻核心 AutoScout24 集团采取了分层式的 AI 采用策略，以平衡广泛赋能与深度技术影响。 - **全员普及层**：将 **ChatGPT** 推广至整个组织，约 **2,000 名员工** 获得了 AI 工具访问权限，从而在不同职能间建立了坚实的 AI 素养基础。 - **深度技术层**：将 **Codex** 嵌入工程、数据和产品工作流，约 **1,000 名构建者角色** 的员工拥有了直接集成到日常流程中的编码代理。 Codex 的选定并非仓促之举。公司经历了为期 **三个月** 的跨团队评估，在多个实际场景中验证了其能力。最终，Codex 展现出显著的效能提升，特别是在加速开发周期和提升代码质量方面。 ## 结果：开发速度提升约 10 倍 实施效果令人瞩目： - **开发周期**：从过去的数周缩短至数天，实现了约 **10 倍** 的加速。 - **AI 工具覆盖**：约 **2,000 名员工** 被赋能使用 AI 工具。 - **Codex 采用**：约 **1,000 名构建者** 已使用 Codex 进行日常开发。 “AI 正在改变我们的构建方式，但更重要的是，它正在改变我们能为用户和经销商伙伴提供什么。”AutoScout24 集团首席技术官 Frederik Kraus 表示，“更快的迭代意味着为买家带来更好的体验，也为经销商提供了更有效的方式来触达和转化客户。” ## 行业启示：AI 落地的“工程化”路径 AutoScout24 的案例展示了大型传统企业如何系统性地规模化 AI 应用：不是简单地购买工具，而是通过分层策略，让 AI 同时渗透到“办公场景”和“开发场景”。对于面临类似挑战的企业而言，这一“双轨并行”的实践——以 ChatGPT 提升全员认知，以 Codex 重构核心开发流程——或许是一条值得借鉴的路径。当开发速度提升 10 倍成为现实，AI 带来的已不仅是效率改进，更是商业模式竞争力的一次跃迁。
OpenAI 最新发布的 2026 年第一季度数据显示，ChatGPT 的消费者用户群体正在发生显著的结构性变化：**35 岁以上用户** 成为增长最快的年龄段，**女性用户**（基于姓名推断）的活跃度已超过半数，而来自拉丁美洲、非洲和亚太地区新兴市场的使用量排名也在快速上升。这些趋势共同指向一个信号：ChatGPT 正从早期极客圈层加速迈向真正的 **主流大众市场**。 ## 年龄与性别：突破早期用户壁垒 在 2026 年 Q1，虽然 35 岁以下用户仍贡献了最大的绝对消息量，但 **35 岁以上用户群体的消息占比正在提升**，增速领跑各年龄段。与此同时，基于姓名推断的女性用户占比已超过一半，并在本季度继续扩大份额。这一变化意味着 ChatGPT 正在渗透到此前相对渗透不足的职场中坚、家庭用户和年长群体中。 ## 地理版图：新兴市场加速追赶 以 **人均消息量排名** 为衡量标准，Q1 排名上升最快的十个国家中，有八个来自拉丁美洲、非洲和亚太地区。例如，**多米尼加共和国** 和 **海地** 均上升 9 位，**日本** 上升 8 位，**墨西哥** 和 **坦桑尼亚** 分别上升 6 位。这表明 ChatGPT 的普及不再局限于美国、欧洲等第一批成熟市场，而是开始在全球范围内更均衡地扩散。 ## 工作场景：从通用写作到专业任务 在消费者计划（Free/Go/Plus/Pro）中的工作相关使用方面，**内容创作、健康文档和信息检索** 等专业任务的增长最为迅速，而通用写作和视觉材料制作的占比则相对下降（注意：本分析不包括企业版和教育版，也不包括 Codex 编码代理的使用）。这一趋势反映出，ChatGPT 正被越来越多不同行业的从业者用于 **特定工作流**，而非仅仅作为通用的文本生成工具。 ## 总结 2026 年 Q1 的数据清晰地描绘了 ChatGPT 从“早期采用者”向“大众应用”过渡的关键阶段。用户年龄层的拓宽、性别比例的均衡化以及新兴市场的崛起，都表明 AI 对话助手正在成为真正的日常工具。对于行业观察者而言，这些变化意味着未来的产品设计、本地化策略和场景化功能开发需要向更广泛、更多元的用户群体倾斜。
OpenAI 最新发布的指南《企业如何规模化AI》基于对 Philips、BBVA、Mirakl、Scout24、JetBrains 和 Scania 等欧洲企业高管的访谈，揭示了规模化AI的核心并非技术部署，而是构建信任、采纳与持续改进的组织条件。报告提炼出五条反复出现的模式：文化先于工具、治理作为赋能者、所有权重于消费、质量优先于规模、保护判断性工作。这些发现表明，领先企业正在将AI视为运营层和领导力学科，通过工作流设计、敏捷治理和生产级质量证明来推动可持续影响。 ## 五条核心模式 1. **文化先于工具**：最快采用路径不是技术推广，而是建立素养、信心和安全实验的许可。 2. **治理作为赋能者**：安全、法律、合规和IT部门早期作为设计伙伴参与，能加快后续速度，减少反复，增强信任。 3. **所有权重于消费**：当团队能重新设计工作流并用AI构建（而不仅仅作为功能使用）时，AI才能规模化。 4. **质量优先于规模**：赢得信任的组织早期定义“好”的标准，投资评估，并在未达标时愿意推迟发布。 5. **保护判断性工作**：最持久的收益来自混合工作流——用AI提升专家推理和审查的天花板，而不仅是增加吞吐量。 ## 对领导者的启示 趋势一致：组织正从个人生产力转向嵌入端到端工作流的AI，并保留人类监督。持续影响需要从一开始就内建信任、所有权和质量。报告还提供了领导力诊断、案例细节和实用检查清单，帮助高管压力测试AI规模化的准备度。
OpenAI 正式推出 **OpenAI Campus Network**，面向全球大学生社团开放申请。该项目旨在通过连接各高校的学生领袖，构建一个由 AI 驱动的校园社区网络。 ### 核心合作内容 - **动手实践 AI 学习**：将前沿 AI 工具与课程带入校园，降低技术门槛。 - **支持学生主导的活动**：包括 workshop、研究项目、黑客松等，OpenAI 将提供资源与指导。 - **早期访问权限**：参与社团可优先体验 OpenAI 的最新工具、开发者计划与就业机会。 - **全球社区连接**：与来自世界各地的学生领袖交流，共同塑造学习与工作的未来。 ### 申请方式 任何活跃的学生社团均可通过官方兴趣表单提交申请。表单要求提供大学名称、所在国家及社团基本信息。国家列表覆盖全球 200+ 个地区，包括中国、印度、美国、英国等主要留学与科技强国。 ### 行业视角 此举是 OpenAI 深化高等教育布局的重要一步。此前，OpenAI 已推出 **ChatGPT Edu** 教育版并与多所大学建立合作。Campus Network 将合作下沉到学生组织层面，有利于培养早期 AI 人才生态，也为 OpenAI 在下一代开发者中建立品牌忠诚度。 对于学生而言，这不仅是获得工具和资金的机会，更是参与全球 AI 社区建设的入口。社团可以借此组织 AI 主题的校园活动、开展跨校合作项目，甚至获得 OpenAI 的官方背书。 ### 未来展望 随着 AI 在校园中的渗透加速，类似的学生网络将成为技术普及的关键节点。OpenAI 此举可能引发其他 AI 公司的跟进，形成新一轮校园人才争夺战。
OpenAI 宣布成立 OpenAI Deployment Company（简称 DeployCo），这是一家专注于帮助企业将前沿 AI 引入生产环境并转化为可衡量商业价值的新公司。DeployCo 将向客户派驻“前向部署工程师”（FDE），与业务团队紧密合作，识别高影响力场景、重构工作流程并构建持久可靠的 AI 系统。 为快速获得经验丰富的部署人才，OpenAI 已同意收购应用 AI 咨询与工程公司 Tomoro，后者将带来约 150 名资深 FDE 和部署专家。DeployCo 由 OpenAI 与 19 家全球顶级投资机构、咨询公司和系统集成商共同组建，领投方包括 TPG、Advent、Bain Capital 和 Brookfield，其他创始伙伴还包括 Bain & Company、Capgemini、McKinsey & Company 等。公司由 OpenAI 控股，初始投资超过 40 亿美元，将用于扩大运营和收购相关企业。 OpenAI 表示，成立 DeployCo 是为了应对当前 AI 落地的核心痛点：许多组织拥有强大的模型，却缺乏将其嵌入关键业务并持续优化的能力。DeployCo 将作为 OpenAI 的延伸，在金融、医疗、制造等复杂领域提供端到端的部署支持。此举也标志着 OpenAI 从模型提供商向“部署即服务”平台转型的重要一步。
随着 AI 系统自主性增强，编码代理能够代表用户执行仓库审查、运行命令等任务，这要求安全团队必须建立有效的治理机制。OpenAI 在部署 Codex 时，以**明确的技术边界**、**低风险操作的流畅性**和**高风险操作的显式控制**为核心目标，构建了一套兼具安全性与效率的防护体系。 ## 核心控制手段 ### 沙箱与审批的协同 Codex 的沙箱定义了技术执行边界，包括可写入路径、网络访问权限及受保护目录。审批策略则决定何时需要人工介入：当 Codex 尝试执行沙箱外操作时，必须请求批准。用户可选择“一次性批准”或“会话内同类操作自动批准”。 ### 自动审查模式 (Auto-review) 为减少频繁打断，Codex 引入了 **Auto-review 模式**。该模式由一个子代理自动评估低风险操作请求，并代替用户直接批准，从而让 Codex 在常规任务上保持流畅，仅在遇到高风险或可能产生意外后果的操作时才暂停并请求人工确认。 ### 配置示例 ```toml # config.toml # 启用自动审查 approvals_reviewer = "auto_review" # 自动将开发目录加入沙箱可写路径 sandbox_workspace_write.writable_roots = ["~/development"] ``` ## 安全设计要点 - **网络策略**：通过细粒度网络策略限制 Codex 可访问的外部服务，防止数据泄露。 - **原生遥测**：所有操作均记录为结构化的**代理原生日志**，支持事后审计与行为分析。 这套机制使开发者在低风险场景下保持高效，同时为高风险操作提供必要的监督，为编码代理的安全落地提供了可复用的参考架构。
OpenAI 近日宣布，通过其最新模型 **GPT-5.5** 以及专为网络安全领域打造的 **GPT-5.5-Cyber**，进一步扩展了“可信网络访问”（Trusted Access for Cyber, TAC）计划。此举旨在为经过验证的防御者赋能，加速漏洞研究、恶意软件分析及关键基础设施保护。 ## 背景与愿景 在 AI 技术日益渗透各行各业的当下，网络安全已成为 AI 应用的关键领域。OpenAI 在其发布的《智能时代的网络安全》行动纲领中明确提出，要通过 AI 民主化防御能力。此次推出 GPT-5.5 及 GPT-5.5-Cyber，正是该战略的具体落地。 ## 模型定位与差异 - **GPT-5.5**：作为 OpenAI 目前最智能、最直观的模型，它通过 TAC 框架向开发者及安全团队提供强大的网络安全能力。该模型适用于大多数防御性工作，并内置了严格的滥用防护机制。 - **GPT-5.5-Cyber**：面向负责关键基础设施安全的防御者，以有限预览形式推出。它针对专业网络安全工作流进行了优化，如漏洞识别与分类、二进制逆向工程、检测工程及补丁验证等。 ## 可信网络访问（TAC）机制 TAC 是一个基于身份和信任的框架，旨在确保增强的网络能力被正确使用。经过审查和批准的防御者，在使用 GPT-5.5 进行防御性任务时，将经历更少的基于分类器的拒绝，从而更高效地开展工作。同时，该框架仍会限制可能造成实际危害的请求。 ## 行业影响与展望 OpenAI 表示，其方法已与联邦及州政府、主要商业实体的网络安全和国家安全领导人进行了充分沟通。通过提供差异化的模型访问权限，OpenAI 希望在赋能防御者的同时，维持必要的安全护栏。 随着 GPT-5.5 和 GPT-5.5-Cyber 的逐步推广，AI 在网络安全领域的应用将进入新阶段——从通用助手走向专业化、高信任度的防御工具。这不仅能提升单个组织的安全响应速度，更有望构建一个更广泛的防御生态系统。
德国初创公司 Parloa 利用 OpenAI 模型构建企业级语音驱动 AI 客服系统，其智能体管理平台 (AMP) 让非技术人员也能通过自然语言定义、模拟和部署可靠、实时的客户服务交互。 ## 从呼叫中心到 AI 智能体 Parloa 的灵感源于一次真实的呼叫中心观察。联合创始人 Stefan Ostwald 在保险客服中心发现，大部分对话（如密码重置、政策咨询、常规变更）高度重复且可自动化。最初，Parloa 构建基于规则的语音智能体处理高流量交互。随着 ChatGPT 的出现，公司转向更先进的 AI 方案，并推出了 **AI 智能体管理平台 (AMP)**，基于包括 GPT-5.4 在内的新一代模型。 ## AMP：面向企业构建者的无代码平台 AMP 的设计核心是让业务专家而非工程师主导智能体构建。平台支持通过自然语言定义智能体的角色、指令、工具和边界，无需编写代码或绘制复杂的意图树。企业团队可以快速连接内部系统，利用内置的模拟和评估功能迭代优化，覆盖从简单路由到复杂多步骤请求的全场景。 “模型只有在生产中才有效。我们与 OpenAI 紧密合作，确保模型在实时对话中足够快速和可靠。”——Parloa 工程经理 Ciaran O'Reilly Ibañez ## 生产环境中的可靠性优先 Parloa 对生产一致性极为重视，在部署前会持续用真实客户场景测试模型，关注性能、延迟和边缘情况。这种端到端的管理方式让企业能够大规模部署可靠的语音客服体验，同时降低对专业 AI 团队的依赖。 Parloa 的实践展示了 AI 客服从“机械问答”向“自然对话”演进的趋势，其平台化方法可能加速企业客户服务的智能化转型。
OpenAI 于 2026 年 5 月 7 日发布三款全新音频模型，旨在将语音交互从简单的问答升级为具备推理、翻译和实时转录能力的智能助手。 **GPT-Realtime-2** 是首款具备 GPT-5 级别推理能力的语音模型，能处理复杂请求并自然推进对话。**GPT-Realtime-Translate** 支持从 70 多种输入语言实时翻译为 13 种输出语言，速度与说话者同步。**GPT-Realtime-Whisper** 则提供流式语音转文字能力，可在说话的同时完成转录。 这些模型标志着语音界面从“轮次响应”向“边听边思考、边翻译边行动”的转变。开发者现在可以构建更自然的语音应用，例如在驾驶中获取帮助、在机场修改行程、跨语言交流或免提完成任务。OpenAI 特别强调，新一代模型不仅关注响应速度，更注重理解意图、保持上下文、处理中途变更，并能在对话中调用工具。
Simplex 是一家横跨咨询、系统开发和运营的技术合作伙伴。为了提升系统开发的生产力，该公司定量测量了生成式 AI 的影响，并将这些经验应用于多个项目。在 ChatGPT 于 2022 年发布后，Simplex 于 2023 年成立了卓越中心，为员工使用 AI 奠定基础，并验证 AI 原生开发流程。在此基础上，公司在全组织范围内采用 ChatGPT Enterprise，并选择 Codex 作为主要编码代理，加速了重新思考软件开发方式的进程。 **关键成果** - **设计阶段**：使用 Codex 后，每个屏幕的设计时间减少了 **40%** - **构建阶段**：每个屏幕的开发时间减少了 **70%** - **测试阶段**：内部集成测试时间减少了 **17%** **从辅助到代理：Codex 的深度嵌入** 在传统软件开发中，任务通常按需求定义、设计、实现、测试和运维划分。解释设计文档、决定如何实现功能、定义审查标准、隔离或修复缺陷等任务，往往依赖个人经验。因此，质量和开发速度受制于个人技能和团队知识共享程度。 生成式 AI 最初作为人类开发者的辅助工具出现。而如今，代理系统（agentic systems）使得将多步骤任务委托给 AI 成为可能。在开发环境中，AI 正从支持角色转向直接推进项目工作。 Simplex 将 ChatGPT Enterprise 作为全公司部署的基础，并将 Codex 用作主要编码代理。Codex 在 Simplex 的角色远不止代码生成，它还用于设计和测试，包括根据描述生成前端和后端代码。 **规模化落地：从试点到全项目覆盖** 基于在多个项目中积累的经验，Simplex 目前正在评估在所有项目中应用生成式 AI，并在适用项目中推进 AI 原生交付，目标是提升整个组织的生产力。公司通过设立卓越中心、采用企业级工具、量化评估效果，形成了一套可复用的方法论。 这一转变不仅缩短了交付周期，也可能改变软件开发的协作模式：开发者可以更专注于架构设计和复杂问题解决，而将重复性工作交给 AI 代理。随着 Codex 等工具的能力边界不断扩展，Simplex 的实践为行业提供了可量化的参考——生成式 AI 在软件开发全流程中的价值正在从“辅助提效”向“流程重构”演进。
OpenAI 于 2026 年 5 月 7 日宣布，将在 ChatGPT 中逐步推出名为 **Trusted Contact（可信联系人）** 的可选安全功能。该功能允许成年用户指定一位信任的人（如朋友、家人或看护者），当 ChatGPT 的自动化系统与经过培训的审核员检测到该用户可能讨论过以严重安全风险方式伤害自己的内容时，会通知这位联系人。 ## 功能背景与定位 ChatGPT 被广泛用于学习、探索、解决问题以及反思个人问题，其中一些对话可能涉及用户挣扎或寻求支持的敏感时刻。OpenAI 的目标是设计能够对这些对话做出深思熟虑回应的系统，并在必要时鼓励用户寻求现实世界的帮助。Trusted Contact 是现有本地化求助热线之外的又一支持层，旨在帮助用户在危机中与信任的人建立联系。 该功能建立在已有的家长控制安全通知之上——后者允许家长或监护人在关联的青少年账户出现急性痛苦迹象时接收警报。现在，18 岁以上的用户均可选择添加一位可信联系人。 ## 工作原理与专家背书 根据专家指导，社会联系是降低自杀风险最重要的保护因素之一。Trusted Contact 旨在鼓励用户与已经信任的人建立联系，它不替代专业护理或危机服务，而是多层次保障措施之一。ChatGPT 仍会在适当时建议用户联系危机热线或紧急服务。 美国心理学会首席执行官 **Arthur Evans 博士** 表示：“心理科学一致表明，社会联系是一种强大的保护因素，尤其是在情绪困扰时期。帮助人们提前确定一个可信赖的人，同时保留他们的选择和自主权，可以在关键时刻更容易地寻求现实世界的支持。” ## 具体操作步骤 1. 用户可在 ChatGPT 设置中添加一位成年（全球 18 岁以上，韩国 19 岁以上）可信联系人。 2. 当系统检测到严重自伤风险时，该联系人会收到通知。 3. 该功能为可选，用户可自主决定是否启用。 ## 行业意义与展望 Trusted Contact 的推出反映了 AI 对话系统在安全与伦理方面的重要进展。与传统的危机热线相比，它利用 AI 的实时检测能力，在用户最脆弱的时刻主动连接其社交支持网络，这可能是预防自杀的新手段。然而，隐私与准确性仍是关键挑战：如何确保检测的准确性，避免误报或漏报？如何保护用户隐私，防止滥用？OpenAI 强调该功能基于自动化系统与人工审核相结合，但具体标准尚未完全公开。 总体而言，这一功能将 AI 的安全边界从“内容过滤”扩展到了“主动关怀”，为行业树立了新的标杆。
OpenAI 近日发布了一篇深度文章，详细解释了 ChatGPT 在模型训练过程中如何平衡能力提升与隐私保护。随着 ChatGPT 在编程、研究、分析等复杂任务中的能力不断增强，其背后的训练数据来源、隐私过滤技术以及用户控制选项成为关注焦点。 ## 训练数据的来源 ChatGPT 的训练数据主要来自三部分：**公开可用信息**（如论坛讨论、公开博客）、**合作伙伴授权的数据**以及**用户、承包商和研究人员提供或生成的数据**。OpenAI 强调，对于互联网公开内容，仅使用自由且开放可访问的信息，旨在帮助模型建立广泛的世界知识，而非记忆个人隐私。 ## 隐私保护的核心技术：OpenAI Privacy Filter 在数据进入训练流程之前，OpenAI 会应用多层安全措施来减少数据集中的个人信息。其中最关键的是 **OpenAI Privacy Filter**，这是一套能够识别并遮蔽文本中个人信息的工具。据 OpenAI 评估，该过滤器在去除个人信息方面的有效性超过同类其他工具。 Privacy Filter 在训练流程的多个阶段被使用，包括对公开数据集的处理，以及对用户对话数据的处理。通过这种“设计即隐私”的思路，模型能学习到有用的通用模式，而非个体的具体信息。 ## 用户对数据的控制权 除了技术层面的过滤，OpenAI 还提供了明确的用户控制选项。用户可以通过设置决定是否允许自己的 ChatGPT 对话被用于模型改进。例如，在 ChatGPT 的隐私设置中，可以关闭“改进模型”选项，从而阻止对话数据被用于训练。 OpenAI 表示，他们持续开发前沿模型的同时，始终致力于确保训练过程尊重隐私。这篇文章不仅是对当前实践的说明，也体现了在 AI 能力快速迭代的背景下，隐私保护作为核心原则的定位。 ## 行业背景与意义 在生成式 AI 快速普及的今天，训练数据是否包含个人信息、如何防止模型“记住”隐私数据，已成为全球监管机构和用户共同关心的问题。欧洲的 GDPR、中国的《个人信息保护法》等法规都对 AI 训练数据提出了严格要求。 OpenAI 此次公开隐私保护的技术细节，既是对外界质疑的回应，也为行业树立了一个参考标准。尤其是 **Privacy Filter** 的多阶段应用，展示了在技术层面实现“数据最小化”的可能性——在模型学习知识的同时，尽可能减少对个人信息的处理。 未来，随着 AI 模型的能力边界持续扩展，如何在知识获取与隐私保护之间找到平衡，将是所有 AI 公司必须面对的长期课题。OpenAI 的做法表明，技术手段与用户控制相结合，是当前可行的解决方案之一。
西班牙私人银行 Singular Bank 开发了一款名为 Singularity 的内部 AI 助手，基于 OpenAI 的 ChatGPT 和 Codex 构建，帮助银行家在客户会议准备、投资组合分析和会后跟进等环节大幅提升效率。据官方数据，每位银行家每天可节省 **60 至 90 分钟** 的工作时间。 ## 从碎片化数据到即时决策 过去，银行家分析客户投资组合需要跨系统提取数据、手动核对，再整合成一份完整的视图，整个过程耗时且重复。如今，Singularity 能够 **实时分析投资组合**，自动标记集中度风险、过高敞口或组合失衡等问题，并给出具体建议，比如降低集中持仓、锁定收益或向更稳健的配置调整。 Singular Bank CEO Javier Marín 表示：“银行家不再只是回顾数据，而是主导对话。他们可以直接告诉客户：‘您的整体收益是 38%，但仓位过于集中，下一步是保护已有收益。’”这种转变让沟通从操作层面转向策略与价值增值。 ## 会后跟进无缝衔接 会议结束后，Singularity 还能自动生成个性化的跟进通讯和后续行动清单。由于它深度集成于银行核心系统，所有输出都被记录并结构化，提升了可追溯性和报告可靠性。 “过去我需要提前很久准备每次会议，现在可以实时分析组合，把精力集中在客户对话上。”Singular Bank 私人银行家 Juan José Guerrero 这样评价。 ## 行业启示 Singular Bank 的实践展示了生成式 AI 在金融行业落地的典型路径：**从内部效率工具切入，逐步重塑核心业务流程**。对于受严格监管的银行业而言，像 Singularity 这样基于 API 调用、可控性强的私有部署方案，既能利用大模型的语言理解与生成能力，又能确保数据安全与合规。 随着更多金融机构探索类似应用，AI 助手很可能成为银行家标配的“数字副驾驶”，推动财富管理行业从“数据驱动”向“对话驱动”进化。
OpenAI 最新发布的 **B2B Signals** 报告揭示了企业 AI 应用的一个关键趋势：**AI 优势正在形成复利效应**。报告基于企业级产品的匿名聚合数据，对比了前沿企业与普通企业的 AI 使用模式，发现前沿企业（使用率前 5%）每名员工使用的智能量已达普通企业的 **3.5 倍**，而一年前这一差距仅为 2 倍。 ## 差距的核心在于“深度”而非“广度” 报告指出，单纯的消息数量只能解释前沿优势的 **36%**，剩余大部分差距来自更复杂、更深入的 AI 应用。前沿企业不仅用量更大，更关键的是他们在用 AI 处理更高价值的工作，提供更丰富的上下文，并大幅采用 **智能体工作流**。 ## 智能体工作流成为前沿企业的标志 一个显著的差异体现在 **Codex** 的使用上：前沿企业每名员工发送的 Codex 消息数量是普通企业的 **16 倍**。这表明前沿企业正在从简单的对话式助手，转向让 AI 代理执行更自主的任务，例如代码生成、自动化流程和复杂决策支持。 ## 如何向前沿企业靠拢？ 报告为正在追赶的企业提供了可操作的路径： - **衡量深度**：不仅要跟踪使用率，更要评估任务的复杂性和上下文丰富度 - **建立治理体系**：为生产级 AI 应用制定安全、合规的框架 - **投资赋能**：通过培训和支持帮助员工掌握高级 AI 工具 - **规模推广**：将验证有效的用例从试点扩展到全公司 - **从聊天转向代理**：逐步将 AI 角色从辅助者升级为任务执行者 ## 行业背景与启示 这一发现与当前 AI 产业从“工具普及”转向“价值深化”的大趋势吻合。过去两年，企业主要关注如何让更多人用上 AI；而现在，竞争焦点已转向如何让 AI 发挥更大效能。那些率先构建深度使用能力的企业，正在拉开与竞争对手的差距，形成数据、智能和效率的正向循环。 对于尚未进入前沿行列的企业，报告也给出了清晰的信号：**行动窗口仍在，但正在收窄**。企业需要尽快从实验阶段转向系统化部署，尤其是在智能体工作流等新兴领域加大投入，才能避免在 AI 驱动的竞争中掉队。 > 注：所有分析均基于去标识化的聚合企业使用数据，消息内容通过自动化系统分类，OpenAI 员工未在分析过程中查看任何企业、客户或 API 用户的个人数据。