OpenAI董事会主席谈kimi k3:推理效率远不如OpenAI和Anthropic

日前，OpenAI 董事会主席布雷特·泰勒（Bret Taylor）接受访谈，围绕近期最受关注的中国开源模型 Kimi K3、开放权重模型、AI Token 经济学以及美国前沿模型竞争力展开讨论。

他指出，开放权重模型最大的误区是“开放并不意味着运行成本更低”，真正决定企业选择模型的，是Token 效率（Token Efficiency）和最终投入产出比，而不是训练成本。

他直言，“对于大多数任务而言，OpenAI 和 Anthropic 的前沿模型实际上仍然优于开放权重模型。”

当主持人提到，不少人认为中国的Kimi K3已达到甚至超过 OpenAI 5.6、Anthropic Fable 的水平时，泰勒也没有直接评价，而是表示，“归根结底，关键在于推理效率（Inference Efficiency），Frontier Labs 在这方面仍然遥遥领先，这正是它们的核心价值。”

他还用一个形象的比喻提醒企业避免算力浪费：“用最强模型去查天气，就像开着一辆法拉利去杂货店。”

在他看来，AI 的下一阶段竞争将不再是按 Token 收费，而是按最终成果收费，真正的护城河也将从模型本身转向企业的数据、客户关系和 AI Agent 应用能力。

以下为访谈全文——

主持人：今天上午，我们有幸邀请到布雷特·泰勒——Sierra联合创始人兼OpenAI主席——与我们一起深入探讨人工智能领域的各项议题。当前学界正围绕开放权重模型、中国开发的模型、标记量上限问题以及这些技术带来的投资回报率等议题展开激烈讨论。

我认为过去几天最引人关注的焦点当属这款新的中国开发的开放权重模型：它可能是经过提炼处理的版本，也可能是直接盗用的成果。我不清楚为何使用“提炼”一词，但据我所知，这可能源自其他模型（无论是你们团队还是Claude）。

对此存在诸多疑问，您如何看待这一现象？事实上，目前在X平台上，我认为许多同行都在探讨这一切究竟意味着什么。

布雷特·泰勒：让我回到问题的核心：人们究竟为何选择适用于当前任务的模型？我认为，每当我每月与约100位首席执行官交流时，有两个核心议题始终占据我的关注重点。

首先是“AI Token经济学”——即如何确保从Token投资中获得实际价值；其次是“治理能力”——在人工智能时代，如何构建自身的竞争优势。

此外，关于开放式权重模型，我认为一个被过度强调的观点是：它们的运行成本未必更低（无论其训练成本是否更低）。

主持人：你根本不在乎，因为使用了同样数量的Token；实际上，这些Token的效率可能更低。

布雷特·泰勒：没错，存在一个被称为“Token 效率”的概念。事实证明，前沿模型的Token效率要高得多。

主持人：顺便提一下，这只是针对观众而言——毕竟有些人观看时可能只是出于形式上的关注。为什么我们称这种能量消耗为“象征性消耗”？这个描述是否准确反映了实际情况？

布雷特·泰勒：我将给出一个过于简化的观点，来说明这种做法为何错误。你可以把“Token”想象成智能的单位——就像“电”是能量的基本单位一样。而“Token效率”指的是完成一项任务需要多少个Token？

主持人：为回答这个问题。

布雷特·泰勒：你确实回答了这个问题，但并非所有模型表现都完全相当。如果你使用过像OpenAI的5.6版本这样高度先进的模型，就会发现其生成的代码质量远超之前的模型——这显然不是一个恰当的类比。

关键在于，就大多数任务而言，OpenAI和Anthropic开发的前沿模型，实际上确实优于那些基于权重参数的开源模型。

我认为这对美国的实验室来说至关重要。只要想想你对模型的要求，就会发现，对于某些任务可能需要模型运行速度快；比如处理所有信用卡交易时，可能希望模型成本极低——这类任务并不属于前沿研究范畴；而对于保险公司从事精算工作的情况，则可能需要最高水平的智能模型，要求其性能卓越。

我认为美国各实验室在价格、性能、延迟和成本等各个方面，都需要拥有当前最优秀的模型。事实上，这种情况几乎必然发生，因为事实证明，仅具备开放参数权重，并不能真正提升模型的计算效率与资源利用效率。而计算效率恰恰是前沿实验室研究的核心目标。

主持人：不过，我们还需要将那些可能不认同我们观点的观众引入关于开放权重模型的另一讨论环节。这类模型特别被称为Kimi或K3——它们是中国开发的模型，有人认为其性能至少与OpenAI的5.6版本或Anthropoid公司的Fable模型相当，甚至更胜一筹。

虽然效率可能稍逊，但理论上成本应该更低。另一个值得探讨的问题是：您如何看待这些模型的开发过程？有人认为模型几乎是直接借鉴他人成果，也有人坚信它们完全由团队自主开发。对此您有何看法？

布雷特·泰勒：说白了，这就是我的观点：对于任何考虑使用的人来说，价格是否便宜才是最重要的因素；至于我本人，则尚未有定论。

主持人：对你来说，这种方案是否更经济实惠？对我们而言确实如此。但另一个关键问题在于其建设成本。这一点之所以重要，是因为美国众多大型前沿模型供应商正投入巨额资金建造大型数据中心——部分是为了供我们使用这些模型，另一部分则是为了让你能够自行构建模型。如果能以更低的成本完成模型构建，那情况就大不相同了。

布雷特·泰勒：没错，我认为归根结底关键在于推理效率如何；而Frontier Labs在这方面仍遥遥领先，这正是其核心价值所在。

主持人：你知道，每次我输入提示词时都会进行推理，得到一个明确答案。

布雷特·泰勒：这恰恰体现了在特定价格区间内使用这些模型的实际效率。我认为在这方面，Frontier Labs依然具有显著优势——这一点在日常应用中显而易见。

当然，并非所有人都已全面使用过这些模型。因此我不愿过度强调这一点。但如果你使用Fable 5，K 3或5.6这类模型时，不妨思考一下：要开发具备AI级性能的计算机程序究竟需要哪些条件？从大多数评估指标来看，5.6模型确实处于领先地位。这正是其核心竞争力所在。

主持人：本次讨论的另一重点在于，今年我们面临严重的资源浪费问题。就在上周，他开发出一套系统，可让您实时查看自身的资金消耗情况，并判断是否采用了合适的模型。事实上，有时用户甚至会向最高端的模型询问天气状况。

布雷特·泰勒：这正把一辆法拉利逼到了杂货店门口。

主持人：这种情况简直堪称效率灾难。我们之前也咨询过其他专家：卡斯珀·沙基本周早些时候在节目中表示，他认为我们所有人投入的资源并未获得应有的回报；还有亚历克斯·卡尔普——他在那段广为流传的视频中直言，大家付出的努力并未得到应有的回报。您对此有何看法？

布雷特·泰勒：说白了，这与我日常的工作内容密切相关——我认为当前市场正处于一个特殊阶段：所有人都在为支付Token费用而担忧。这就好比注册Gmail时需要按CPU使用量付费一样。

在我看来，未来的发展趋势将是按实际成果付费。我们开发的AI智能代理能帮助企业提升营收和优化客户服务，但客户无需为每个Token付费。

主持人：这就是Sierra。如果你还不了解它的功能，不妨这样解释：Sierra专为那些需要帮助的人提供支持。

布雷特·泰勒：没错，在Sierra，我们为这类场景提供技术支持：例如当您拨打“直接查看X先生”时，系统会立即连接AI客服代表而非真人客服，您无需等待人工接听。

我们刚刚推出了一款名为Verizon的新产品，这是一套长周期服务代理系统，能够帮助用户发起贷款申请或办理医疗项目的预授权手续，并真正推动业务收入增长。

该产品的核心优势体现在两个方面：首先，您无需按Token支付费用，而是按实际结果付费——即按每笔成功发放的贷款或每项预授权操作计费；其次，我们能协助您构建人工智能领域的竞争优势壁垒，因为我们致力于帮助您整合客户数据价值。无论前沿智能技术如何发展，您都在持续培育这种复合型资产——即您掌握的客户信息及其与客户关系数据。

我们的解决方案精准解决了这两个关键问题：既体现了人工智能技术的优势，又突破了Token化模式的局限性。

主持人：我想就您自身的Token经济学模式向您请教一个问题：每当处理一次这类电话通话时，想必您需要消耗大量Token——这在数学上也显而易见。具体来说，当您为客户或客户群体提供成功服务并按次付费时，他们的支付金额是否高于实际处理成本？我希望您的答案是肯定的；也希望他们的支付金额确实高于实际处理成本，不过这一点我尚不确定。

布雷特·泰勒：确实如此。我认为，作为一家人工智能公司，我们更容易分摊开发专用于低延迟语音对话的专用模型的研发成本——这其实是全球每家公司都应独立承担的任务。

我认为解决AI Token经济学诸多问题的关键在于，我们尚未形成成熟的应用型人工智能市场。与其让每家公司都自行授权Token并从零开始构建系统组件，不如像Sierra这样的企业能提供即开即用的解决方案——只需拨打您的免费电话号码即可使用服务，并为这些成果付费。

这样一来，管理Token的负担就能由我们共同承担。