AX 严选 · 2026-09-08

OpenAI 在 X 上发帖说 Astra 已经全面推送给 Plus、Pro、Business 和 Enterprise 用户，覆盖 Codex 和 ChatGPT Work。帖子本身信息量极低——没写 Astra 是模型升级、新功能还是交互方式变化，没提参数规模、推理成本或延迟数据，也没说定价有没有调整。唯一可查的是一个 openai.com/gpt-tv/ 的实机演示链接，但正文没概括演示内容，等于让用户自己去看视频判断。 从推送范围看，Astra 面向的是付费和商业用户，不是免费层，说明它可能消耗更多算力或有使用门槛。但没给任何性能对比或基准测试，没法判断它比现有版本强在哪。如果 Astra 是类似实时语音或视频理解的多模态功能，延迟和准确率就是关键，这些数字全缺。 我会先打个折：这条公告更像产品上线通知，不是技术发布。想知道 Astra 实际能力，得等第三方评测或 OpenAI 后续补文档。目前能确认的只有推送范围，别当能力声明看。

这篇复盘的价值在于它把“让 AI 智能体进业务流程干活”这件事落到了一个很具体的工程难题上：迁移没有文档、逻辑靠猜的 Fortran 77 老代码。文章没吹牛，老老实实讲了三个坑——怎么让智能体理解老代码意图、翻译后怎么保证计算结果小数点后几位不变、以及怎么设计一套自动验证流程来抓 bug。 但信息缺口也很明显。正文没披露用的是 Mistral 哪款模型，也没说整个迁移项目耗时多久、成本多少。最关键的是，最终产出的 C++ 代码需要人工介入修多少处，这个数字没给。4 万行的规模不算小，如果人工修复比例很低，那这套方法论就很有说服力；如果修了不少，那目前更像一个辅助工具而非全自动方案。 对 AI 从业者来说，这篇可以当方法论参考，尤其是验证流程的设计思路。但别把它当成产品能力背书——没给模型、没给成本、没给人工修复率，这三个数字决定了这套方案能不能在别的项目里复用。

Tom Tunguz 这篇分析把 OpenAI 的 3 倍生产力增益拆得很直白：不是人变强了，是机器不睡觉。研究员人均每天管着 3.14 个代理工作日，相当于一个人盯着三班倒的机器干活。代价是推理成本从 3 月的人均 14 美元飙到 8 月的 600 美元，前 10% 的重度用户一天能烧 7000 美元，年化直奔 250 万美元。这钱花出去，换来的却是超过一半的 4 到 8 小时任务还得人中途插手修 bug，工程师从写代码变成了巡线工，专门清理机器卡壳。 文章引用的数据全部来自 OpenAI 自己的研究博客，没有披露具体模型名称。Tunguz 的判断很冷静：市场听到 3 倍就以为创造力翻番，但 CFO 眼里这就是多付了两班机器的电费。他还引了 Stack Overflow 的调查，84% 的开发者用 AI 工具，但信任度跌到 29%，66% 的人觉得 AI 写的代码“差不多对但总差一点”。 这篇缺的是对缺陷率成因的进一步拆解——到底是模型能力天花板，还是任务拆得太碎导致衔接出错。另外，250 万美元年化成本对应的产出质量没有量化对比，光说“三班倒”还不足以判断这笔 OPEX 花得值不值。