加载失败
这是 Greg Brockman（OpenAI 联合创始人）在 The Knowledge Project（一个偏长访谈的播客/YouTube 节目）里回顾 OpenAI 2023 年那场持续约 72 小时的董事会危机：Sam Altman（OpenAI CEO）被董事会解雇，员工连夜请愿，Ilya Sutskever（OpenAI 联合创始人、研究负责人）立场变化，微软（主要投资方）介入，随后 Altman 回归。节目里还回溯到 Napa offsite（在 Napa 举行的闭门团队会议）如何把最早的技术路线压成三步：先 solve reinforcement learning，再 solve unsupervised/self-supervised learning，然后逐步攻克更复杂的问题。评论区之所以争议很大，是因为它同时牵出 OpenAI 2015 年作为 Delaware nonprofit（特拉华州非营利组织）成立、后来因 scaling laws（扩展规律）和巨额 compute（算力）需求而改成 capped-profit（利润受限）并最终重组为 public benefit corporation（公益公司）的全过程。讨论又被 Musk v. Altman（马斯克诉阿尔特曼的诉讼）里公开的证据、尤其是日记片段“Financially what will take me to $1B?”，进一步推向使命、贪婪、AGI（Artificial General Intelligence，通用人工智能）和 LLM（Large Language Model，大语言模型）边界的争论。
有一派认为 OpenAI 早就背离了最初的 nonprofit 使命，只是在还没找到更大金矿前借用了高尚叙事。另一派则强调它并非“空壳洗白”，而是因为 scaling laws 逼着团队去找更多 compute 和外部资本，于是先做 capped-profit，再做 IP 估值转让，最后重组为 public benefit corporation。还有人提醒，nonprofit 本来就可以拥有 for-profit subsidiary（营利子公司），所以结构本身未必违规；争议更像是它到底是在做长期基础设施，还是把“造福人类”包装成了商业化通行证。即便如此，很多人仍把它看成从“让 AI 造福全人类”滑向“尽量把价值变现”的典型案例。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
这位联合创始人的日记片段，尤其是“Financially what will take me to $1B?”，被反复拿来当作证据，说明高举使命的人也在盘算如何变富。支持者据此认定这是 grift：一边讲拯救人类，一边把 IP 和股权导向个人财富；反对者则说想要 1B 本身并不稀奇，真正的问题是制度允许少数人积累到足以操纵政策的规模。讨论继续发散到“亿万富翁是否本质上是政策失败”“财富是否必然来自剥削”这类更大的道德争论。还有人提醒，公开的只是诉讼里相关片段，不是整本日记。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12]
很多外部开发者把这次危机看成 API 依赖的噩梦：如果 OpenAI 的董事会突然翻盘，自己产品的底层能力就可能在一夜之间变得不稳定。评论还集中讨论了 Ilya Sutskever（OpenAI 联合创始人、研究负责人）为什么会先后站队变化，以及员工请愿为何会像从众一样扩散。有人甚至反问，如果开掉一个关键人物就会“杀死公司”，那公司本身是不是已经被少数人和叙事绑架。对外部客户来说，这意味着 OpenAI 更像一层关键基础设施，而不是一个可以放心托管的普通 SaaS。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
在技术层面，很多人对 AGI 叙事非常冷淡，认为把 text prediction machine 叫做通用智能更像营销。有人用 Shannon complexity vs Kolmogorov complexity 的框架说明：LLM 可以在海量 pattern 里做统计和检索，但不等于能从第一性原理推理未知问题。还有人把 OpenAI 早年的路线概括为三步——先 solve reinforcement learning，再 solve unsupervised/self-supervised learning，最后再攻更复杂的任务——并认为现有 agents 仍远没到那个程度。也有人因此断言，这个领域已经进入 buzzword 和 bullshit 阶段。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11]
评论区也在重新排座次：有人说 Anthropic（AI 公司）现在最重要，也有人把真正的基础研究功劳更多给 Google/DeepMind（Google 的 AI 研究部门），尤其是 transformers。另一边则把 OpenAI、Anthropic、Google 和 xAI 归为封闭 API 的高毛利 rent extraction（租金式抽成）模式，而把 DeepSeek（中国 AI lab）、Qwen（阿里巴巴的大模型系列）、ERNIE（百度的大模型系列）、Hunyuan（腾讯的大模型系列）看成更像在做基础设施和 open weights。还有人补充，OpenAI 若想挽回口碑，至少应该定期放出 older models。否则赢了市场，也是在控制下一代 LLM 会记住什么历史。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
也有不少人干脆对这种报道形态感到厌倦，觉得它更像公司宫斗真人秀而不是技术报道。老一代读者怀念 Byte（早期计算机杂志）和 Wired（科技杂志）里还有 code listings 的年代，而不是后来被 IBM vs Microsoft 这类诉讼和高管八卦占满。有人认为这是技术产业商业化后的自然结果：一旦技术能带来巨额利润，媒体就会围着权力、金钱和内幕转。这样一来，工程细节反而成了背景板。
capped-profit: 利润受限的公司结构，允许外部投资，但把回报上限锁住。
public benefit corporation (PBC): 兼顾盈利与公共利益的公司形式，董事会可以同时考虑使命与股东利益。
scaling laws: 模型规模、数据量和算力扩大时，性能提升的经验规律。
RLHF: Reinforcement Learning from Human Feedback，用人类反馈来对齐模型输出的训练方法。
self-supervised learning: 利用数据本身构造训练目标、无需人工标注的学习方式。
AGI: Artificial General Intelligence，指具有广泛通用认知能力的人工智能。