openai投入了多少钱

专业小程序设计开发——助力新电商新零售

电话+V：159999-78052，欢迎咨询openai投入了多少钱，[小程序设计与开发]，[小程序投流与推广]，[小程序后台搭建]，[小程序整套源码打包]，[为个体及小微企业助力]，[电商新零售模式]，[小程序运营推广及维护]

一、前海方舟是一家怎样的投资机构，主要投资策略和风格是什么

方舟投资管理公司，由著名投资者凯西·伍德领导，近期宣布将其5400万美元的方舟风险基金投入到人工智能领域的领军企业OpenAI。这一举动体现了伍德对科技趋势的敏锐感知和大胆策略。

OpenAI作为人工智能新星，引领行业前沿，方舟投资管理公司对OpenAI的投资，是对其实力与未来发展潜力的肯定。同时也展现了方舟风险基金在人工智能领域的布局，显示了方舟投资管理公司对科技未来的坚定信心。

方舟投资管理公司选择投资OpenAI，不仅基于其对未来科技趋势的深入研究和判断，更因其相信人工智能将成未来科技发展的驱动力。而OpenAI作为该领域的佼佼者，成为方舟投资管理公司投资目标。

方舟投资管理公司投资布局不仅仅局限于OpenAI，还投资了人工智能竞争对手Anthropic，表明公司旨在通过多元化投资分散风险，同时把握人工智能领域发展机遇。

方舟风险基金的投资覆盖了多家公共和私营公司，包括SpaceX、EpicGames等科技领域领军企业，共同构成了方舟投资管理公司对科技未来发展的全面布局。

方舟投资管理公司对于科技的投资布局体现了其对未来科技发展的深刻洞察和坚定信心。伍德认为未来科技将重塑社会面貌，方舟投资管理公司致力于通过投资布局抓住这一历史机遇。

方舟投资管理公司背后有一支由顶级科学家和投资者组成的团队，他们共同研究、判断科技趋势，为公司的投资决策提供支持。这使得方舟投资管理公司能够在激烈竞争中脱颖而出，成为科技投资领域的佼佼者。

二、人工智能聊天机器人chatbot的现实意义何在?

财联社1月28日讯（编辑周子意）它可以帮助程序员撰写代码，它可以帮助学生完成论文，它通过了MBA、律师和医疗执照考试，它能够做的事情很多，包括但不限于写小说、编诗歌、定制食谱、撰写商业演讲…

人工智能聊天机器人ChatGPT的发布，为全球科技行业并带来一波新的浪潮。自它发布的两个月以来，它不停地被炒作、夸大、质疑，一直被业内人士挂在嘴边。

ChatGPT是一种被称为大型语言模型的人工智能（AI）程序，它内部存有来自互联网的数十亿个单词，然后再由人类进行改进。

该程序是由美国公司OpenAI公司推出的，目前该公司正打算推出一款更高级的版本。

人们对这款AI程序的态度可以说是褒贬不一，除了兴奋和狂热之外，不少人对此持有谨慎和辩证的观点：

这种输出是原创，还是只是人类已创建内容的混搭？如果这种AI辅助工具的使用变得无处不在，那么对社会将产生什么后果？在该技术下，又有哪类行业会成为未来的赢家？

原创与否？

在一档名为TheCryptoMile的节目中，全球广告传播巨头WPP的首席AI官DanielHulme表示，“ChatGPT的发布是一件大事。这是一个所谓的大型语言模型，该模型将是革命性的。”

“它本质上使我们朝着所谓的通用人工智能（AGI）领域又迈进了一步，在AGI领域，机器表现得像真正的人类。”

当被问及这项技术是否只是对人类创造力的复杂模仿时，Hulme却表示，“它绝对是在创造新内容。”

“我最近问它对我有什么了解，它对我的经历、我的工作经验做出了一些推断，这些内容目前在互联网上不存在。它在利用自己的预测能力和逻辑，试图做出新颖的推论。”

造成失业与动荡？

Hulme还提到，人类社会在不久的将来出现“经济奇点”的可能性。“经济奇点”是人工智能专家CalumChace创造的一个词，即AI技术本质上会造成社会的大规模失业。

Hulme认为，AI技术的发展可能会导致巨大的社会动荡，因为经济无法再平衡。这是Hulme对未来15年的担忧。

他还警告，人工智能的颠覆性力量可能会自动取代人们今天从事的许多工作，所以社会需要从中找到平衡，避免潜在的社会动荡。

事实上，有一类思想流派认为，人们可以利用这些技术来消除商品创造过程中出现的摩擦，这种摩擦通常意味着劳动。

对于此类观点，Hulme并不反对，他也认为，“应该尽可能地将食品、医疗保健、教育和能源领域自动化”，而关键在于时机问题。

“如果我们时机合适，就有可能让所有这些东西都是免费的。人们可以把成本降低非常之多，以至于人们生活在一个富足的世界里，出生在一个不必支付食物费用和教育费用的世界里。然而，如果我们的时机出现偏差，人类社会很可能会出现巨大动荡。”

ChatGPT的回答

当把“ChatGPT是否会导致大规模失业”这个问题抛给ChatGPT本身，它给出了什么回答？

这款AI程序答道，“采用ChatGPT和其他类似的语言模型，可能会导致某些行业出现失业或变化。一些领域的自动化、以及语言模型分析大量数据的能力，可能会导致一些职业的过时。此外，自动化模式下生产力会提高，这也可能导致某些职位的裁员。

“然而，使用ChatGPT和其他语言模型也可能创造新的就业机会和新的行业。值得注意的是，历史上的技术进步总是导致劳动力市场的变化，但没有导致大规模失业。”

未来趋势

如果未来AI应用如预期的那样出现饱和，哪些行业将成为最大的赢家，又有哪些行业会沦为输家呢?

对于这个问题，Hulme提到，各行各行当下对人工智能的两个定义。其一是，让计算机去做人类能做的事情，ChatGPT就是一个很好的例子。

其二，有一部分组织将人工智能定义为“目标导向地适应行为”，即能够非常迅速地适应不断变化的世界。Hulme认为这部分行业组织将会是未来真正的赢家。

也就是说，衡量未来是否成功的标准是个人或组织迅速适应快速变化的世界的能力。

科技公关机构Makeraves的创始人ShagunKarkiChetri指出，每个内容创作者都应该学习如何利用AI来创作内容。

KarkiChetri非常生动地将那些“不适用AI的公司”比作“必须自己走路去上学的孩子”，他们会到达学校，但是他们错过了父母开车带来的所有好处。

目前，微软已在ChatGPT上投入了大量资金。2019年，微软向ChatGPT所有者、人工智能公司OpenAI投资了10亿美元。在新增投资后，微软拟定推出的新版本搜索引擎Bing得到了ChatGPT技术的加持。

有市场人士猜测，微软的搜索引擎Bing可能会在竞争对手中获得技术领先优势。

另一边，作为全球范围内最知名的搜索引擎公司，谷歌并没有坐以待毙。据悉，谷歌将发布他们自己的ChatGPT版本，名为Sparrow。

OpenAI自曝：AI推理砸钱越多，碾压人类越狠

你以为GPT-4已经够强了？那只是AI的「预热阶段」。真正的革命，才刚刚开始——推理模型的时代，来了。这场范式革命，正深刻影响企业命运和个人前途。这不是一场模型参数的升级，而是一次认知逻辑的彻底重写。

AI推理模型改变了一切。

而OpenAI早有讨论。

最近，他们放出了过去关于推理模型重写未来的讨论。

OpenAI研究员NoamBrown强调了预训练和推理两种关键的AI范式，以及模型随着处理更多数据和计算能力的提升而不断改进的过程。

这些技术进步不仅加速了模型性能的提升，还在重塑人工智能基础设施的战略和经济动态。

与此同时，由OpenAI首席经济学家RonnieChatterji等讨论探讨了人工智能与国家安全和经济政策的交叉领域。

这些讨论共同强调了人工智能的双重轨迹：一方面加速技术进步，另一方面加深其在全球政策、基础设施和制度治理中的角色。

AI时代，前所未有

第一个出场的是NoamBrown。

他是OpenAI在多智能体推理领域的研究人员，以共同开发出首个超越人类水平的无限注德州扑克AI，以及首个达到人类水平的策略游戏《外交官》（Diplomacy）AI而闻名。

多年来AI已经取得了很多很酷、令人印象深刻的成果。

比如说，在1997年，IBM的「深蓝」战胜了国际象棋冠军GarryKasparov。

在2011年在《危险边缘》节目中，IBM的「沃森」夺冠。

在某些特定领域，AI也早就有了不少令人惊艳的成果。

比如，很早以前，美国邮政就开始用光学字符识别技术来分拣邮件；Facebook的人脸识别功能，也已经存在很多年了。

那么问题来了，像ChatGPT这样的AI，以及现在所处的AI时代，到底特别在哪里？

答案其实就在于「通用性」。

最重要的区别在于：以前的AI系统都非常专注于单一任务。

比如在1997年，IBM的「深蓝」战胜GarryKasparov，但背后可是花了两年甚至更久的时间，专门训练AI只为了下好国际象棋。

深蓝机组之一

同样的情况也发生在《危险边缘》节目上，他们花了好几年时间，只为了让AI在节目中表现出色——

但它只会做这一件事，其他什么都不会。

而现在ChatGPT和如今的AI特别之处就在于它们的「通用性」——

也就是说，它们可以完成很多完全不同的任务，哪怕这些任务并不是特意训练过的。

这就是我们所处AI新时代真正不同的地方。

NoamBrown接下来强调了两种关键的AI范式：预训练范式和推理范式。

预训练范式

「预训练范式」出现得更早，也是最初驱动ChatGPT的核心方式。

最早，这可以追溯到2019年的GPT-2。

它的基本思路其实很简单：

收集大量文本，包含了互联网的大部分内容；

然后训练AI模型来预测一句话中下一个可能出现的词。

听起来也许很基础，但这种方法却能带来令人惊讶的智能水平。

为什么会这样呢？

Brown认为原因在于，当把整个互联网的大量文本输入给模型，里面自然就包含多种多样的内容。

那么当模型要预测某个语句中的下一个词时，它必须理解很多上下文信息，才能做出最准确的判断。

IlyaSutskever有个特别形象的说法：

想象一下网络上有一本推理小说，模型已经读完了整本小说的所有文字，来到结尾的部分。

故事最后，侦探说：「我知道凶手是谁了。凶手就是____。」

这个时候，如果模型要预测这句话中最后那个空白部分，它就必须真正「理解」整部小说的情节。

这就是为什么仅仅通过「预测下一个词」的训练方式，模型就能学到这么多看似复杂的知识。

这就是预训练范式的魅力所在。

而且另一个很关键的点在于，它具备很强的通用性——

因为它是基于整个互联网的海量文本进行训练的，所以自然能学到各种各样的知识和语言表达方式。

OpenAI原始信仰：ScalingLaw

更令人印象深刻的是，大家已经持续观察到一个很稳定的趋势：当在预训练范式中投入更多的数据、更多的计算资源、以及更大的模型规模，模型在「预测下一个词」这项任务上的表现就会变得越来越好。

AI领域有2篇非常著名的论文。

这些研究表明：当扩大模型规模、延长训练时间、增加训练数据量之后，模型在完成预测任务时会提升。

这种稳定可控的增长趋势，正是促使OpenAI决定大规模投入资源、继续扩展模型规模的核心依据。

当然，光是让模型更会「预测下一个词」，并不一定就意味着它在用户真正关心的任务上，比如编程，真的变得更强了。

但在实践中发现：当模型在预测任务上表现越来越好时，它在各种「下游任务」上的表现也会随之变好，比如写代码、做数学题、回答问题等等。

这其实就是GPT范式不断演进的基础，从GPT-1到GPT-2，一直到现在，模型能力的持续提升。

但正是这种「简单粗暴」的扩大规模方式，带来了性能的巨大飞跃——

这就是令人惊喜的地方。

当GPT-3发布、而且提升的趋势依然继续延伸时，AI领域里很多人都开始认为：

好吧，这就是终点了。我们已经找到了通往超级智能的道路。我

们只需要不断扩大模型规模，就能获得越来越强的智能。

从理论上讲，这是对的。

但关键问题在于——这条路的成本非常高昂，而且会迅速飙升。

比如GPT-2的训练成本，大概在5，000到50，000美元之间，取决于具体怎么估算。而根据一些公开资料，GPT-4的训练成本可能高达5，000万美元左右。

如果还要继续按照这个方向再扩大几个数量级，那花费将是天文数字。

而且尽管模型确实变得更聪明了，但它离理想中的「通用智能」仍然还有一段路要走。

这也呼应了Ronnie曾经说过的一点：这个领域发展得非常快。

过去一年里听到的一些关于大语言模型（LLM）和「扩展范式」的批评，可能在当时确实是有道理的。

但到了2023年9月，情况发生了变化——

因为人类已经进入了「推理模型」时代。

这就引出了「扩展能力」的第二种范式：推理范式（reasoningparadigm）。

推理范式

预训练的成本已经快速增长，动辄就是上千万美元，有些训练甚至花费了上亿美元。

虽然理论上还可以继续往上堆钱，比如投入十亿、甚至数十亿美元，但到某个点之后，经济回报就不再划算了。

不过，有一点非常关键：虽然训练的成本越来越高，但实际向模型提问，让它给你一个答案的花费的「推理成本」，其实仍然很低。

这就为「扩展」开辟了一个新的维度。

设想一下，如果大家不再单纯依赖扩大训练量，而是提升模型在「每次回答前进行更深层思考」的能力呢？

这正是o系列模型（比如o1）背后的核心思想。

举个例子：你向GPT-4提一个问题，它可能只花你一分钱左右。

但如果你问o1同样的问题，它会「认真思考」很久，也许会花上一分钟才回答，而成本可能是大约一美元——

具体来说是数量级上的估算，有上下浮动。

但这个一美元的回答，往往会比那一分钱的回答好得多。

这就是推理范式带来的全新可能。

右图展示了推理范式的实际效果。

数学竞赛：AIME

美国数学竞赛（AIME），是美国数学奥林匹克国家队的选拔赛之一。

图中的纵轴表示准确率，也就是模型在「一次答对」的比例（叫做「pass@1」）；横轴表示模型在回答问题时所消耗的推理计算量（也就是「思考」时间和资源的多少）。

在图的最左边，模型几乎是「秒回」——也就是基本没怎么思考；而在最右边，模型会花上几分钟去思考后再作答。

可以明显看出：随着模型「思考得越久」，答题准确率就越高，表现也就越好。

这说明推理时间确实能带来质量的提升。

这提供了全新的「扩展维度」——

大家不必再单靠堆大模型、加大训练成本来提升性能，而是可以通过增加推理时间、花更多资源在「每次思考」上，来获得更强的结果。

而且最美妙的是，这个维度几乎还没有被充分利用。

就像之前说的，GPT-4一次问答成本大约只有一分钱。

但实际上，对于很多人真正关心的问题，他们愿意支付远不止一分钱。

我们现在可以开始探索新的定价——

每次问答成本可以是几美元、几十美元，甚至更多，这样就可以支撑模型进行更深入、更高质量的推理。

目前来看，在竞赛数学方面，这是AIME2024的测试数据。

GPT-4o得分大约是13%，o1preview模型得分大约是57%，o1得分达到83%。

再来看博士级别的科学问题，也就是上图最右的GPQA基准测试。

这是一个多项选择题测试，设计目标是需要具备领域内博士水平才能作答。

人类平均正确率是70%。GPT-4o得分是56%，这个成绩已经很出色了。

而o1得分则是78%。

而且，自自从发布以来，这些成绩还在持续提升，而且进步非常迅速：

去年9月，发布o1preview；

同年12月，发布了正式版的o1，并在同月宣布了还未发布的o3。

这是AI的重点所在。

AI编程：超越人类

关于编程竞赛的表现，以专业的编程竞赛平台Codeforces为例。

GPT-4o的得分只排在第11百分位，也就是说，它的表现只比约11%的顶尖人类程序员好。

o1模型的Elo分数是1891，相当于人类选手的第89百分位。

而o3模型的Elo分数超过了2700，已经进入了人类专业编程选手的前0.1%，相当于全球第175名的水平。

而且，OpenAI有个内部模型，它的水平已排进了全球前50名。

Brown预测：

到今年年底，OpenAI的模型在编程竞赛中将会达到超越人类的水平。

而「达到超人类水平」这件事本身并不新鲜，AI过去也做到过很多次。

但o3模型特别的地方在于：它不仅仅在编程竞赛中表现优秀，它在很多任务上都表现得非常出色。

而在编码任务基准测试SwebenchVerifie，o3得分达到了72%。

这意味着这个模型即使不是专门为了编程训练的，也已经具备了强大的实际编码能力，对现实世界的经济活动会带来很大影响。

AI进步太快了：六个月前还存在的问题，但现在已经不成立了。

AI与经济

AaronRonnieChatterji是OpenAI的多一位首席经济学家。

目前，他是杜克大学的MarkBurgessLisaBenson-Burgess杰出教授，专注于学术、政策与商业交汇的领域。

他曾在拜登政府任职，担任白宫CHIPS协调员以及国家经济委员会代理副主任。在此之前，他曾任美国商务部首席经济学家，以及白宫经济顾问委员会的高级经济学家。

他认为就像当前世界在多个维度上已经出现的分裂趋势一样，AI也不例外。

如果轻易接受这样分裂的世界，可能会带来两个风险：

一是OpenAI可能会在一些关键市场失去信誉，而这些市场正是它努力争取信任的地方；

二是OpenAI很可能会失去一些关键的人才。

因此，在坚持价值观的同时，如何在其中找到平衡，是这次讨论中的一个重要主题。

OpenAI非常国际化，因此，当不同地区开始采用不同类型的技术、而超级大国之间的技术竞争加剧时，这让很多人感到不安。

AI的经济影响与意义

从总体上来看，OpenAI内部讨论的结论是：AI正在从根本上重塑企业格局。

但这种转型并不只是关于取代人类或企业本身的问题，而更像是一场「技术化竞赛」。

这种转型发生在各类企业中——包括《财富》500强、大中小型企业等各个层级。

他们的讨论主要从三个维度展开：

第一，AI取代人类。

这里的关键问题其实不是{AI会不会取代人类}，而是「AI将如何增强或取代人类的角色」。这才是大家真正需要思考的方向。

第二，AI取代公司。

与其说是AI创业公司会取代传统企业，不如说是一场谁更能有效采纳和整合AI的竞赛。

比如在银行业，大家就可以看到这种分化趋势：一些银行拥有技术人才，正在积极投资AI；而另一些仍依赖传统主机系统（mainframes），开始借助AI推动现代化转型。

企业必须作出选择：要么走在AI转型的前列，要么就被甩在后面。

第三，从个人或企业的视角出发来看如何落地AI。

谁能真正理解并应用最新的AI技术，谁就能取得成功。AI的影响范围涵盖技术支持、运营效率、战略决策等多个方面。

所以，关键的问题是：企业的AI旅程是什么？

你现在处在什么阶段？

两年后你希望达到什么样的水平？

这正是许多企业在思考的问题。

这趟旅程并不是简单地购买AI工具、获取许可证那么简单，而是要把AI嵌入整个价值链中，实现深度融合。

参考资料：

本文来自微信公众号“新智元”，作者：KingHZ，36氪经授权发布。

【WINDRISES MINIPROGRAM PROMOTION】尊享直接对接老板

电话+V： 159999-78052

专注于小程序推广配套流程服务方案。为企业及个人客户提供了高性价比的运营方案，解决小微企业和个体拓展客户的问题