【對談】OpenAI computer use 已超越一般人，下一個對手是專家用戶

這場訪談有幾個值得說的點。第一，computer use 的速度首次超過一般人，下一個目標是超越專家用戶；第二，OpenAI 在四週內從零到有做出一個對標 Jev 的 decisions API，靠的是黑客文化而非計畫；第三，dots 這個新產品讓每個 AI 助理都有一台雲端 Linux 主機，代理能力從幫你查升級到幫你跑整台電腦；第四，API 層的 caching，async tool calling，websockets 這些基礎建設悄悄成熟，是代理應用能跑起來的真正底座。合起來看，這不是功能發布會，是 OpenAI 在宣告：代理操電腦這件事，基礎設施已經就緒。

◎computer use 速度從追上一般人到追超級用戶

Ari 說，現在 computer use 完成任務的速度，在大多數情況下已經超過普通人了。他舉了一個自己的例子：訂餐服務需要高度客製化，他自己做要兩小時，交給 computer use 十五分鐘搞定，快了八倍。下一個目標不是再快一點，是要達到專家用戶等級——也就是比最會用電腦的人還快。他認為到那個門檻，real-time 體驗才真正打開，人們才會開始把原本手動做的事默認交給代理。這不是願景，是他們目前正在爬的那座山。

◎computer use 的進步靠的不只是模型，是整個 harness

兩年前的 computer use 能開始任務，卻常常卡住。現在模型會自我除錯，重試，反省哪裡不對。但更關鍵的變化在 harness——這裡的 harness 是指控制模型如何與電腦互動的那套框架。過去代理靠截圖一步一步走，現在會直接讀取畫面的 accessibility 資料（類似視障輔助科技那套樹狀結構），還會寫 JavaScript 讓瀏覽器一次執行多個動作。速度瓶頸也從模型思考時間，移到了外部網站的載入時間——等 DoorDash 讀完頁面，才能讓模型做下一個動作。這細節說明了一件事：模型夠聰明之後，工程端的每個毫秒都開始有代價。

◎dots 給每個代理一台雲端 Linux 主機，不是瀏覽器分頁

OpenAI 這次發布的 dots 產品，每個 dot 背後都有一台完整的 Linux 虛擬主機在雲端跑。這跟之前產品只給代理一個雲端瀏覽器分頁不同，前者只能上網，後者可以跑桌面應用程式。Ari 的說法是：世界上所有軟體都是為人設計的，現在代理可以用同一套軟體了。意思是代理能做的事，不再受限於有沒有 API，只要你人坐在電腦前能做的，dot 理論上都能做。GPD 6.1 Soul 這個新模型在 computer use 的成本是前代 Astra 模型的七分之一，這讓 dots 的規模化成本壓力小很多。

◎decisions API 四週從靈感到產品，靠的是黑客文化

Jev 是一家做超快分類推論 API 的公司，發布後整個市場跟風。OpenAI 四週前還完全沒有這個東西，現在 decisions API 已經在發布當天亮相。Nick 說，是 infra 團隊一個工程師看到 Jev 直接去刻原型，刻出來能用，然後全隊開始壓延遲。做法是在現有 Luna 模型（OpenAI 內部大型推論模型）的基礎上，強制結構化輸出，批次平行執行多個問題，把推論堆疊壓到最快。沒有訓練新模型。Nick 也直說，信心校準這個難題——模型要知道自己有多確定——目前還沒解決，是後續要爬的坡。這場發布坦白說了幾成：速度到了，準度還在追。

◎API 底層的 caching 和 websockets，才是代理跑起來的地基

Nick 花了不少時間講基礎建設。websockets 讓 API 變成雙向即時通訊，代理工具呼叫跑的時候模型不用傻等，可以繼續推理再回來看結果。快取從過去三十分鐘命中保證，現在推出十二小時快取窗口，對那種一條很長的代理執行緒來說，跑了幾小時再回來還能省錢。async tool calling 和 mid-turn steering（模型推理途中可以插入指令）這些也都進了 API。這些東西名字無聊，但沒有它們，代理應用的延遲和成本都撐不住。開發者現在能建的東西，是因為底層這幾年悄悄補起來了。

Computer use 這件事，從能開始任務到比專家用戶還快，路比看起來短。模型聰明到一定程度之後，剩下的戰場是工程：harness，accessibility，caching，websockets，一個毫秒一個毫秒地摳。OpenAI 這次在 DevDay 說的不是遙遠的願景，是正在量產的基礎建設。代理操電腦，已經不是實驗室裡的把戲了。