OpenAI大戏落幕，怎么判断哪些发展路径不受影响？

上周OpenAI的政变到现在终于尘埃落定，过程中的OpenAI像鲸落一样被各方势力争取人才，好在最后还是最大程度的恢复到原来的样子。这样的巨变对OpenAI在AI应用化的方向和节奏上很难说有多大影响。在这种环境下，不管是开发/投资/学习，都不希望自己投入的道路因为上游的影响戛然而止。彪哥作为AI应用开发者考虑的是，怎么判断LLM应用化过程中有哪些“必经之路”，从而知道：

❓我在做的项目会不会跟OpenAI重叠？

❓我需要用的工具，是自己造轮子？用开源？还是等OpenAI实现？

❓AI应用化进程会不会因为安全问题被暂停？

📈从用户需求倒推LLM应用化的Critical Path(必要路径)

要回答这些问题，相当于要找出实现某个AI应用功能的Critical Path(必要路径)，再去判断你所在意的功能在不在这条必要路径上。这个Critical Path对于不同的应用领域来说可能完全不同，需要根据具体需求判断。彪哥觉得值得分享的是找出Critical Path的思维框架，方便大家套用在不同的应用领域。总的来说可以从应用场景出发，倒推技术实现过程，来找到一些绕不过去的节点(功能，工具，框架)。越接近源头LLM端，重叠的技术需求越多，越接近用户端，重叠的技术需求越少。

比如在AI写代码这个应用场景里，彪哥在两个月前AI替代程序员的视频里解释过Code Interpreter API的必要性，没想到很快DevDay就发布了Assistants API把Code Interpreter的功能包含在其中，可以当做个例子和大家分享一下思路。

💻怎么看Code Interpreter API的必要性

其实有一定程序开发经验和对LLM的理解不难得出这个结论，视频里有更详细的介绍。这里主要总结一下思路：

1️⃣应用场景：”编程”作为软件行业最重要的生产步骤，这个步骤能实现的价值和背后的成本都是巨大的，是个值得解决的问题。

2️⃣使用LLM的理论可行性：“代码”的特征完美满足LLM的训练需求 - 类似自然语言，有逻辑，格式严谨，英文文本，现有海量训练数据。这意味着LLM写代码会是个强项。

3️⃣成功案例：Github Copilot作为AI编程的领头产品效果有目共睹，可以证明这条路的可行性，同时也可以通过Copilot看出目前的局限在哪。

4️⃣目前的局限：程序员编程的过程包含了写代码➡️运行代码➡️审阅结果➡️反复迭代。目前的LLM有很好的写静态代码的能力和审阅结果的能力，但是缺少运行代码的环境和反复迭代的自动化程序。所以目前Copilot只能起到辅助作用，无法直接代替程序员。

5️⃣解决方案：ChatGPT已经可以通过Code Interpreter来运行代码，但是只能由ChatGPT来决定什么时候调用它，无法应用到对话以外的形式(比如Copilot，Agent)，所以一旦Code Interpreter可以通过API调用，能解锁很多高价值的应用场景。

6️⃣由OpenAI实现的好处：一是从源头上提供一套统一的接口和技术标准有利于提高整个生态的效率。二是让LLM运行代码需要在多个层面做安全限制，确保代码在可控的沙盒环境里运行。OpenAI来实现这个环节能最大程度的平衡效率和安全。

这些思考结合了需求和技术实现的考虑，回答了why，what，how，who这些问题，来确定Code Interpreter API是个必要的节点，所以OpenAI决定实现这个功能也不意外。当然编程只是Code Interpreter能满足的众多需求之一，从很多其他需求(e.g. 数据分析)倒推也能得出一样的结论。

🧩应用化发展和智能发展是两回事

说回近期的变动，目前OpenAI还没有明确的公布董事会这波操作的动机，但大概率对是智能方面进展的担忧引发的连锁反应。在这种情况下，虽然Sam已经复职CEO，作为应用开发者需不需要担心DevDay发布的这些功能会被撤回呢？

根据刚才分享的这些思路可以看出来，Assistants API的一系列功能都是应用层的基础设施和必经之路，之前解读DevDay的笔记里也有提到就不赘述了。这些功能的作用和LLM的智能水平是完全独立的，他们的作用在于让应用层的开发者们可以更有效率，从广度上触及更多的应用场景。而且OpenAI提供的类似功能越多，他们对这些环节的掌控就越大，就算从安全角度考虑也是个更好的事情。

如果对接下来LLM的智能发展担忧的话，OpenAI完全可以不开放更高智能的LLM，只开放新的外围工具，相当于不用在高度上突破，暂时的在应用广度上发展，来为更高智能的alignment工作争取时间。随着更高智能LLM的成熟，将来一旦决定开放，也能直接享受到更完善的应用层设施。

回到一开始的几个问题。大家在AI应用领域开发/投资/学习的话，可以参考刚才这些思路来看懂自己投入的项目是不是：

⚠️属于高危领域，比如接近LLM源头的基础设施，或者需要依赖更高的智能才能实现，还是

❤️属于红利领域，比如GPT4就能完美解决的问题，有切实的需求并且无法用传统软件满足，同时随着应用层设施的完善能加速开发进程。

这些认知不一定等于选择上的限制，也可以只是对风险有更好的理解。就目前AI的发展速度接下来肯定还是充满大家意想不到的变化的。抓住需求和技术实现这两个锚点，有助于我们在变数中找到一些定数，从而找到更合适投入的发展路线。