怎樣才能提前2年看穿OpenAI的發展路徑
文 | 李智勇
就在10月6日的開發者大會上，OpenAI描繪了一個清晰的未來：
AI將通過智能體（Agents）無處不在，而OpenAI的平台本身，將越來越像一個操作系統。
當他們發佈全新的Apps SDK時，一個兩年前的我的行業演進判斷得到了終極印證。
早在2023年，我便在《AI大模型沒有商業模式？》等文章中提出，大型語言模型（LLM）的本質是「一種新式的雲端的操作系統」，並勾勒了其後續的產業演進脈絡，參見：
當時很是被噴了一頓。
這裏我想做的就是通過一次複盤，揭示一種能夠提前預判走向的分析方法。這種方法的核心，就是我曾在《解玄：共相、道、基類與戰略》一文中探討的：
在「實」（技術現實）與「名」（抽像概念）之間穿梭，進行獨立的思考與推演。
先強調下：說到底要回到自己的邏輯，回到技術現實，回到數據（雖然有時候沒有），所以還不是算卦。
最新的對未來的判斷在下面這本書裡面：
最初的判斷（2023年）：
在《AI大模型沒有商業模式？》一文中，我明確反對將LLM簡單類比為雲服務或搜索引擎，因為這種類比「失之毫釐，謬以千里」。
● 它不是雲服務： 雲服務是成本中心，不改變數據價值本身。而LLM是「數據價值的放大器」，是利潤中心，其放大倍數的差異「會導致生死的差異」。
● 它不是搜索引擎： 搜索的核心是信息集散，而LLM的核心是內容生成、邏輯推理乃至決策。將它局限於搜索，是「買櫝還珠」。
我當時給出的核心判斷是：
LLM與Windows和安卓更像，它是一種新式的、雲端的操作系統。
這個「AI操作系統」將顛覆過去的人機交互範式。在《AI後續發展的七個階段與造富機會》中我進一步解釋了下：
「低智能、低信息量的前提下，最合適的吞-吐信息的方式一定是分類。菜單、按鈕、網頁導航等全是分類。整個圖形用戶界面交互的基礎就是分類。高智能、全範圍信息量的前提下，最合適的吞吐信息的方式會變成對話。智能體負責分類並摺疊了它。」
這意味著，AI正在成為繼PC、手機之後的第三個「通用計算平台」。
它將以「對話」和「意圖」驅動，成為所有應用的統一入口，並最終像摺疊卡片相機一樣，將純粹的數字工具歸併為自身的一個功能。
兩年來的事實什麼樣呢？
OpenAI的發展路徑，尤其是最新的開發者大會，為「操作系統」這條演進路線提供了個新證據，至少在下面幾個方面上：
1. 戰略官宣邁向操作系統：這次可以看成是OpenAI戰略意圖的一次徹底攤牌。他們不再滿足於提供模型API或者做一個簡單應用，而是明確將自己定位為一個承載無數AI智能體的「操作系統」。這個新操作系統讓chatGPT這類應用從一個被動的「應答者」變成了一個可以主動感知、規劃、執行任務的「行動者」。
2. 一個完整操作系統的架構浮現： 一個操作系統的生命力在於其應用生態和完整的架構。Apps SDK後，操作系統的各個組件已經比較清楚（雖然還就像Win32的初級階段）。我們可以類比下：
a. 模型 (Model) 如同操作系統的 內核 (Kernel)，負責最底層的智能計算。
b. Apps SDK 扮演了 系統API 的角色，為上層應用提供調用內核能力的標準接口。
c. GPTs 則像是 應用外殼 (App Shells)，是用戶與系統交互的語義化界面。
d. MCP (模型控制協議)等類似於 驅動層協議，確保硬件（數據源、外部工具）能被內核識別和調用。
e. ChatGPT 本身，就是這個 AI-OS 的集成體現。這時候要記得奧特曼和蘋果的前設計師不停的在勾搭，原因就很清楚了。
f. 而 用戶 (User) 在這個系統中，則史無前例地扮演了多進程任務調度者 的角色，通過自然語言同時啟動和管理多個複雜的任務流（Agents）。不是一個應用幹一個事，而是一個應用干所有事。這明顯是應用級別的OS。
這個完整的架構標誌著生態構建馬上就進入深水區了，一個龐大的原生智能體生態呼之慾出。
最終當然不一定是OpenAI勝出，Google這些玩家怎麼可能開心，後面各種常見的競爭套路都會出來的。
3. 操作系統即下代通用計算平台 如果說之前的ChatGPT還只是一個超級App，那麼以Apps SDK為基礎構建的未來，就是一個真正的「通用計算平台」。開發者構建的Agents可以操作瀏覽器、調用其他軟件API、管理文件，真正成為所有軟件的上一層——那個總調度的中樞。這正是「通用計算平台」的本質含義。
這種判斷的根源何在？
在《AI後續發展的七個階段與造富機會》中我曾畫圖對比：
● 舊模式： CPU提供算力，程序員提供智能。
● 新模式： GPU提供算力，大模型提供智能。
當「智能」的供給方發生根本性變化後，上層的應用形態、交互方式必然會被重塑。抓住「智能供給」這個牛鼻子，就能推導出交互方式必然從「分類」走向「對話」，應用架構必然從「孤島」走向「被操作系統統一調度」。
最初的判斷（2023年）：
在《AI大模型沒有商業模式？》中，我給出了一個在當時看來頗為悲觀的判斷：AI行業，尤其是希望構建平台或深入行業的公司，在3-5年內難有商業模式，甚至會「加大虧損」。
原因在於：
1. 商業要素未變： 客戶議價能力、成本結構、競爭格局等核心商業要素並未因技術突破而改善。相反，算力、數據、人才成本和模型升級迭代的壓力還在劇增。
2. 增長模式改變： AI平台的構建不是互聯網式的「大水漫灌」，而是「持續打深井」。它需要在一個領域做深做透，形成系統性產品（我稱之為「把IBM未完成的沃森事業幹好」），這與追求「快」的互聯網打法背道而馳。
3. 垂直生態的必然性： 我斷言，市場不會只有一個通用大模型。因為「OpenAI的大模型再厲害也解決不了便利蜂的供貨補貨問題」。因此，「每個垂直的領域註定會有一個自己的大模型，而每一個大模型都是一套系統和生態。」 我將其比喻為一個個「章魚」，模型是頭，終端和數據源是觸手。
兩年來的事實也是基本呼應。
1. 虧損成為常態： 現實情況比預想的更為嚴峻。除了少數頭部玩家，全球絕大多數AI創業公司仍在巨額虧損中掙扎，尋找著產品市場契合點（PMF）。「百模大戰」的價格戰，更是將成本壓力推向了極致。
2. 從「模型」到「解決方案」： 市場風向已然轉變。單純誇耀模型參數已無意義，投資人和客戶都在問：「你的AI能為我解決什麼具體問題？」 行業共識正在向「系統性產品」和「垂直解決方案」聚集。
3. 垂直模型的興起： 法律、金融、醫療、教育等領域的專業模型和應用層出不窮。企業也逐漸意識到，通用模型只能解決70%的問題，剩下30%的核心場景，必須依靠與自身數據和工作流深度結合的垂直模型來完成。這正印證了「章魚生態」的判斷。
在行業早期，信息往往是不充分的，下面就說說這時候的判斷方法。但在展開之前還是想強調下，有數先要窮盡數的獲取和判斷，沒有再用下面的方法。
那麼，如何才能建立起賽前分析性的判斷力？
算命肯定不靈，還是需要一套思維框架，其核心在於「名」與「實」的相互觀照與穿梭。
● 「實」： 指的是事物的本來面貌，是技術最本質的現實。對應到LLM，就是它基於Transformer架構、是一個「預測下一個詞」的概率模型、它有統計推理能力但會產生幻覺、它極度依賴算力和數據。但它具有通用性，所以和過去模式是並行的。
● 「名」： 指的是我們用來描述和理解現實的抽像概念、範疇或「基類」。比如「工具」、「平台」、「搜索引擎」、「操作系統」。
許多分析之所以會產生偏差，要麼是沉溺於「實」的細節而缺乏洞見，要麼是追逐於「名」的空談而脫離根基。真正有效的戰略思考，是一場在「名」與「實」之間的穿梭：
第一步：始於「實」——回歸技術本源。 首先要做的，是剝去所有媒體和資本賦予的光環，直面LLM的技術內核。這裏很關鍵，必須回到技術的根本特徵，否則就全是想像和想法。AI的根本特徵是什麼呢？它改變計算模式，過去靠程序員堆積if…else，現在則是任意輸入都給你輸出結果any…then，並且這種改變具有通用性。（前面都寫過的，感興趣大家自己找就行）
然後就需要思考：一個超級強大的通用決策器，到底能用來做什麼？
第二步：躍遷至「名」——尋找最恰當的抽像。 它最強大的能力是通用性，那它就能成為人與所有機器之間的通用接口。這時候就需要對應到一個概念，這裏顯然是操作系統，操作系統在過去完成通用計算的任務。它顯然不是「工具箱里的一個工具」，也不是簡單的「信息檢索器」等單一功能的產品。它通用，所以能調度萬物、屏蔽底層複雜性、建立應用生態——這不就是操作系統麼！
第三步：在「名」的世界里推演。 一旦確定了「操作系統」這個「名」（基類），我就可以調動所有關於操作系統的歷史知識和商業規律進行推演。
操作系統的競爭史告訴我們：
● 勝利者最終靠的是生態，而非單一技術領先。
● 它需要漫長的投入和開發者培育週期。
● 它會產生巨大的網絡效應和鎖定效應。 由此，我自然能推導出關於商業模式、競爭壁壘和產業發展階段的判斷。
現在借助AI可以把過去事實的部分簡化很多。
第四步：以「名」馭「實」——回歸現實進行驗證。 最後，將這些在「名」的世界里推演出的結論，映射回「實」的世界，去觀察現實世界的發展是否與之吻合。OpenAI的每一步，尤其是10月6日開發者大會的藍圖，都在驗證著「操作系統」這條路徑。從這個角度看，它後面要幹什麼也是可推測的，和微軟的關係、Google的關係等等都是可推測的。
這個過程，正如《解玄》中所說，是「從特殊到一般，一般到一般，從一般再到特殊」的循環。
它要求思考者既要有工程師般的求實精神，又要有哲學家般的抽像能力。
所有能夠經受住時間檢驗的賽前分析性思考，其共同點並非是預測未來，而是在沒譜的各種要素裡面，找到實的點。分析的錨點需要定在技術的本源之上，並勇敢地進行抽像和推演。
這背後最原點上的支撐其實保持一份獨立的判斷力，要有自己的體系。自己體系不靈就看什麼都有道理。
吳國盛老先生寫過這樣一段話：
亞里士杜特在《形而上學》第一捲開篇談到三類知識，他認為最基本的知識是經驗知識，動物都有經驗，但是經驗不可傳遞，所以是知其然不知其所以然的知識。亞里士杜特認為比經驗更高的知識叫技藝或者技術，這一類知識就有點類似於中國人心目中的理論知識，比經驗知識更加普遍化，它能夠溝通、能夠學習。
但是，亞里士杜特說這兩類知識都還不是真正的科學，他提出第三類叫科學的知識。這類知識什麼意思？首先是超越功利。經驗也好、技藝也好，統統都是有實際目的、有實際用途的，只有一類知識是沒有功利目的、完全為著自身的目的而存在的，這就是科學。我們中國人的知識譜系里有經驗知識、理論知識，在我們看來，一切知識首先來源於經驗，然後對經驗進行歸納、總結、提升、一般化，構造出理論，理論再反過來為實踐服務，這是中國人一般的看法。
但是在我們的知識譜系里始終缺乏這第三個類別，就是科學。這是一種什麼樣類別的知識呢？亞里士杜特說，被我們稱為科學的這類知識，必須首先是為了自身的目的存在的，不是為了任何別的目的存在。所以希臘科學的第一個特點叫做「為自己的學術」，是為自己而存在的。
可以簡化下：
這意味著什麼呢？意味這如果把上述方法弄到極致，你很可能看到些完全沒什麼用也不該看的東西！
