在伦敦教育世界论坛上，OpenAI 分享了其“国家教育计划”（Education for Countries）的早期进展，并宣布新加坡正式加入。该计划于今年达沃斯论坛启动，首批成员包括爱沙尼亚、希腊、意大利（CRUI）、斯洛伐克、特立尼达和多巴哥、哈萨克斯坦、阿联酋及约旦。计划围绕三大支柱展开：**研究驱动的部署**（使用学习成果测量套件评估AI影响）、**本地化AI工具**（提供合规的ChatGPT、Codex及API平台）以及**教师培训与赋能**（AI素养、专业发展与认证）。 爱沙尼亚作为数字先锋，其教育部通过AI Leap基金会已在**全国20,000多名学生和4,600名教师**中部署ChatGPT Edu，实现本地化体验并建立负责任的采用基础。OpenAI强调，随着AI工具快速发展，负责任部署不能事后弥补，需要政府主导的大规模研究伙伴关系。目前全球每周有**超过9亿人使用ChatGPT**，超过400万人使用Codex，代理型AI有望将更大的创造力、智力和技术能力交到每位学生手中。
OpenAI 在数学推理领域取得里程碑式突破。其内部通用推理模型成功解决了困扰数学界近 80 年的**平面单位距离问题**，推翻了该领域自 1946 年以来的核心猜想。该成果已被外部数学家验证，标志着 AI 首次独立攻克一个子领域内的著名开放问题。 ## 问题背景：从 Erdős 到今日 1946 年，匈牙利数学家 Paul Erdős 提出了一个看似简单的问题：如果在平面上放置 n 个点，最多能有多少对点之间的距离恰好为 1？这便是**平面单位距离问题**，也是组合几何中最著名、最难解的问题之一。Erdős 本人曾为此设立奖金。长期以来，学界普遍认为“方格点阵”构造在最大化单位距离对数方面已接近最优——这一信念持续了约 80 年。 ## 突破：AI 给出反例 OpenAI 的一个**通用推理模型**（并非专为数学设计，也未针对该问题做特别训练）在测试一组 Erdős 问题时，意外地找到了一个**无限族反例**，证明了原猜想不成立。这些新构造在多项式意义上优于方格点阵，从而推翻了长期以来的猜想。 外部数学家团队已审阅并验证了该证明，并撰写了配套论文来解释论证过程及其意义。值得注意的是，该模型并未依赖专门的数学搜索工具或脚手架，而是凭借**通用推理能力**独立完成证明。这是 AI 第一次自主解决一个在数学子领域中具有核心地位的开放问题。 ## 意义与展望 这一成果不仅是对离散几何的重要贡献，更标志着 AI 推理能力的跃升。数学因其精确性和可验证性，成为测试 AI 推理能力的理想场所。OpenAI 表示，该模型在多个 Erdős 问题上的表现，展示了深度推理系统在**前沿研究**中的潜力。未来，AI 或将成为数学家的得力助手，协助发现新定理、构造反例，甚至独立开辟新的研究方向。
2026年5月19日，在ATxSummit峰会上，OpenAI宣布启动“OpenAI for Singapore”计划，与新加坡数字发展及信息部（MDDI）合作，支持其国家AI战略。该计划获得超过**3亿新元**（约合人民币16亿元）的承诺资金，聚焦三大领域：帮助本地组织部署前沿AI并解决最棘手问题；培养本地下一代AI人才；让更多新加坡个人和企业受益于AI。 作为核心举措，OpenAI将在新加坡设立其**首个海外“应用AI实验室”（Applied AI Lab）**，未来几年内创造超过200个技术岗位，并将新加坡打造为全球**前向部署工程师**（Forward-Deployed Engineer）枢纽之一。这些工程师将直接与企业合作，将前沿研究转化为实际应用，重点覆盖**公共服务、金融、医疗和数字基础设施**等国家AI使命优先领域。 OpenAI首席营收官Denise Dresser表示：“新加坡拥有优秀的技术人才、值得信赖的机构以及利用AI推动长期增长的明确雄心。通过这一伙伴关系，我们希望帮助更多组织受益于前沿AI，支持本地AI人才成长，并扩大全国范围内对这些工具的获取。” 此举标志着OpenAI首次在海外建立深度本地化研发与部署能力，也凸显新加坡作为全球AI领导者的吸引力。随着团队扩张，OpenAI还计划逐步扩大在当地办公室的规模。
OpenAI 与戴尔科技宣布合作，旨在将 AI 编程助手 **Codex** 部署到企业的混合云和本地（on-premises）环境中。这一举措标志着 Codex 从云端的开发者工具向企业级 AI 代理平台的关键跃迁。 ## 合作背景与核心内容 Codex 已成为 OpenAI 增长最快的企业产品之一，**每周有超过 400 万开发者使用**。企业不仅用它辅助代码审查、测试覆盖和事件响应，还开始将其用于跨工具的信息收集、报告生成、产品反馈路由、销售线索筛选等业务场景。 然而，许多企业的核心数据、系统和流程仍运行在本地或混合云环境中。为了规模化部署 AI 代理，企业需要 Codex 在安全可控的前提下接入这些内部环境。为此，OpenAI 与戴尔达成合作： - **集成戴尔 AI 数据平台**：Codex 将连接戴尔的 AI 数据平台，该平台已用于本地数据存储、组织和治理，使 Codex 能更贴近企业的代码库、文档、业务知识和团队工作流。 - **探索戴尔 AI 工厂**：双方还将研究 Codex、ChatGPT Enterprise 及其他 API 解决方案如何与戴尔 AI 工厂协同，以在混合或本地基础设施上完成数据准备、系统管理、测试运行和 AI 应用部署。 ## 行业意义与影响 戴尔基础设施解决方案集团 CTO Ihab Tarazi 表示：“与 OpenAI 的合作将戴尔业界领先的企业级基础设施与 OpenAI 前沿的代理 AI 模型结合起来，让企业能在数据所在的位置——本地环境中——安全地大规模部署 AI 代理。” 对于企业客户而言，这意味着一条更务实的 AI 落地路径：无需将所有数据迁移至云端，即可在本地获得强大的 AI 能力，同时保持对数据的控制权。这一合作也反映出 AI 行业从“通用云服务”向“混合云+本地化”部署模式的转变，尤其对金融、医疗、制造等对数据主权要求严格的行业至关重要。 ## 未来展望 随着 Codex 从编程助手扩展到更广泛的业务代理场景，其与戴尔基础设施的深度集成将加速企业 AI 应用的普及。可以预见，未来更多企业将采用“混合 AI”策略，在本地和云端之间灵活调度 AI 工作负载，而 OpenAI 与戴尔的合作正是这一趋势的典型注脚。
OpenAI 近期发布了一份实用指南，详细展示了业务运营团队如何利用 **Codex** 将分散在项目追踪器、KPI 仪表盘、规划文档、会议记录、Slack 线程和电子表格中的信息，快速转化为可供决策的高质量文档。 ## 从碎片信息到决策就绪文档 业务运营工作常涉及多个数据源：执行层的需求、项目状态、财务模型、利益相关者反馈等。Codex 的核心价值在于**自动整合这些碎片信息**，生成初版工作成果，例如： - **项目偏离简报**：当战略项目可能延期时，Codex 能分析 KPI 变动、项目状态和财务模型，生成一份包含原因、选项、风险和建议的执行摘要。 - **战略更新与决策包**：从会议纪要和利益相关者输入中提炼关键信息，形成结构化的领导层决策文件。 - **进展报告**：基于追踪器和仪表盘数据，自动生成定期更新。 - **情景模型**：结合财务数据和假设，快速生成不同决策路径的利弊分析。 ## 人机协作：判断力仍是核心 指南强调，Codex 并非替代人类判断，而是**加速“初稿”产出**。团队仍负责验证证据、完善建议、解决开放问题，但 Codex 将原本数小时的信息收集和整理工作压缩到几分钟。 典型工作流如下： 1. **输入**：提供执行要求、项目文档、KPI 仪表盘、项目追踪器、财务模型、会议记录、利益相关者更新等。 2. **处理**：Codex 分析上下文，识别变化、原因、风险、选项和负责人。 3. **输出**：一份结构清晰的简报，包含明确建议和决策请求。 ## 实际应用场景 ### 1. 项目偏离简报 当领导者需要快速了解为何项目偏离轨道时，Codex 可整合所有相关数据，生成包含“发生了什么变化”、“可能原因”、“执行差距”、“备选方案”和“推荐行动”的简报。 ### 2. 战略更新与决策包 业务运营团队常需为高管准备决策材料。Codex 能从会议纪要和邮件中提取关键冲突点，自动生成权衡分析，帮助团队更快达成共识。 ### 3. 进度更新与情景建模 对于周期性报告，Codex 能基于实时数据自动填充模板；在战略规划中，它还能模拟不同资源分配下的结果，为“如果…会怎样”问题提供数据支撑。 ## 行业意义 在 AI 工具日益渗透办公场景的今天，Codex 这类产品代表了**从“自动化”到“智能协作”** 的转变。它不直接做决策，而是通过降低信息整合成本，让人类专注于更高价值的判断和沟通。对于业务运营团队而言，这意味著更快的响应速度、更少的重复劳动，以及更高质量的决策支持。 OpenAI 还提供了按需网络研讨会，供团队进一步学习如何将 Codex 融入日常工作流。随着类似工具的普及，企业运营的效率边界有望被重新定义。
Databricks 宣布将 OpenAI 的最新模型 **GPT-5.5** 集成到其企业智能体工作流平台中，此举基于该模型在公司自研的基准测试 **OfficeQA Pro** 上取得的突破性表现。OfficeQA Pro 专为评估企业级文档处理任务设计，涵盖扫描 PDF、遗留文件及长上下文文档的解析、检索与推理。在智能体测试环境中，GPT-5.5 相比上一代 GPT-5.4 将错误率降低了 **46%**，并以 **超过 50%** 的准确率成为首个在该基准上达到这一里程碑的模型。 ## 核心表现：解析能力跃升与任务路径优化 据 Databricks 研究工程师 Arnav Singhvi 介绍，OfficeQA Pro 中包含大量扫描或遗留企业文档，微小的解析错误便可能引发下游工作流的连锁失败。GPT-5.5 在解析老旧文档和扫描 PDF 方面实现了“阶跃式提升”，能够更准确地提取数字与文本，避免了因早期错误导致的整个流程偏离。此外，GPT-5.4 在执行多步骤任务时常常出现不必要的“搜索绕路”，导致效率低下；而 GPT-5.5 在检索相关上下文和完成复杂工作流时更加可靠，无需额外的人工干预，显著提升了智能体路径的规划效率。 ## 部署路径：通过 AI Unity Gateway 落地生产 目前，Databricks 已通过 **AI Unity Gateway** 向客户提供 GPT-5.5，用户可在基于 **AgentBricks** 和 **Agent Supervisor API** 构建的工作流中调用该模型。在这些系统中，GPT-5.5 负责协调多个专业智能体之间的解析、检索与执行任务。这一部署意味着企业能够将最先进的文档理解能力直接嵌入到发票处理、合同审查、合规报告等高频业务场景中，减少因传统 OCR 或规则引擎导致的错误积累。 ## 行业意义：企业级 AI 智能体进入新阶段 GPT-5.5 在 OfficeQA Pro 上的表现，标志着大语言模型在处理非结构化、异构企业数据方面迈出了关键一步。此前，多数模型在干净、格式化的文档上表现良好，但在面对扫描件、水印、手写注释等真实企业文件时仍力不从心。Databricks 的测试表明，模型在解析精度上的提升正在转化为可衡量的业务效率改进。随着更多企业尝试将智能体投入生产，像 GPT-5.5 这样在“脏数据”环境下依然稳健的模型，将加速从实验性部署到核心业务落地的转变。
OpenAI 宣布为美国 Pro 用户预览 ChatGPT 中的个人财务管理功能。用户可安全连接银行、信用卡等金融账户，通过仪表盘查看资金流向，并基于自身财务数据向 ChatGPT 提问获取洞察与建议。该功能依托 GPT-5.5 的推理能力，帮助用户分析收支模式、权衡决策并规划重大目标。目前支持超过 12,000 家金融机构，通过 Plaid 完成连接，Intuit 支持即将到来。OpenAI 强调该功能并非专业财务建议的替代品，将从 Pro 用户开始逐步扩展至 Plus 及所有用户。
Sea Limited 是一家总部位于新加坡的全球科技公司，业务覆盖数字娱乐、电商和数字金融服务，旗下 Shopee 是东南亚领先的电商平台。近日，Sea 联合创始人兼 Shopee 首席产品官 David Chen 分享了公司为何决定在全工程组织内部署 Codex，以及 AI 辅助开发如何从效率工具演变为战略杠杆。 ## 从效率工具到结构性乘数 在 Sea 的规模下，工程不仅仅是写代码，而是管理碎片化、超本地化市场中的大规模系统复杂性。David Chen 指出，**Agentic AI 编码工具如 Codex 并非仅提升局部生产力**，而是代表一种结构性乘数，帮助工程组织在日益复杂的运营环境中加速响应、提升效能。 ## Codex 的独特优势：深度上下文感知 Codex 与其他工具的关键区别在于其**超越自动补全的能力**：它具备对大型、分散代码库的深度上下文感知。在庞大的微服务架构中，工程师的痛点并非语法输入，而是跟踪依赖关系、理解遗留逻辑以及在峰值负载下保持可靠性。Codex 充当本地化知识引擎，大幅缩短工程师导航和理解代码的时间。 ## 内部数据：87% 的周活跃率 Sea 正在开发者组织中推广 Codex，内部数据显示 **87% 的用户为周活跃用户**。这一高采用率表明，AI 辅助开发已从实验性工具转变为日常工作流的核心组成部分。 ## 对东南亚及亚太地区的启示 David Chen 认为，AI 原生软件开发对东南亚及更广泛的亚太地区意义深远。该地区市场动态、语言多样性和基础设施差异巨大，传统软件开发模式难以快速适应。Agentic AI 工具有望降低开发门槛，使团队能够更快地构建本地化解决方案，从而推动区域数字经济的进一步增长。 ## 未来展望 Sea 将 AI 辅助软件开发视为更深层次的转变——不仅仅是边际生产力提升，而是工程团队应对复杂性、构建弹性系统以及从创意到实现的方式变革。随着 Codex 等工具的持续进化，**AI 代理将改变开发者的工作模式**，从被动辅助走向主动协作，最终实现真正的 AI 原生软件开发。
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。
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 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。
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 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 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 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。