#88 吴翼：Operator 不是“会点网页”，而是推理进入闭环

原文讲解：一场从网页点击到“第五级 AI”的技术对话

以下按节目的推进重建原文。主持人的提问、吴翼的回答、他讲的历史故事和最后的研究建议先被连成一条叙述；这部分不是本文的独立结论。

对话从一个很具体的印象开始。吴翼说，Operator 的发布一方面在预料之内：OpenAI 迟早会做多模态 GUI Agent；另一方面，真正看到 demo 仍然震撼。比如模型会先关闭网页广告，遇到退费计算问题时尝试网页操作，失败后换到计算器；它不是只把一条答案写出来，而是在屏幕上做动作、看结果、再决定下一步。张小珺由此追问：这是不是通往 AGI 的一个标志？

一、O1/O3 在“脑内变深”，Operator 在“世界里变宽”

吴翼把 O1、O3 和 Operator 放在两个方向上比较。O1/O3 的强项是对一个问题想得更深：模型可以在没有外部交互的情况下生成更长的思维链，反复检查和修正。Operator 的变化则是把模型放进一个动态环境：它观察网页，做一次点击或输入，再得到新的页面状态，继续规划。传统问答更像开环系统，给指令后直接输出；Operator 更像闭环控制，动作改变环境，环境反馈又改变模型的上下文。

因此，吴翼认为 Operator 不是简单地延续“更长 CoT”的 O3，而更像一个多模态、会行动的 Agent 版本。它的思维链可能没有 O3 那么长，但回溯发生在动作层：点击没成功就后退，页面状态变化就重新定位。他也强调这是个人理解，不是 OpenAI 公布的内部模型命名或结构。独立入口也可能有产品原因：用户已经习惯 ChatGPT 的对话入口，把一个使用方式完全不同的浏览器 Agent 单独放出来更容易理解和迭代。

二、CUA 的核心：截图、推理、动作、再截图

主持人接着问 CUA（Computer-Using Agent）是什么。吴翼先把传统大模型和 Agent 分开：传统模型主要输出 token，外部世界不会在生成中间主动反馈；CUA 则要形成一个循环，接收屏幕状态，思考下一步，调用鼠标或键盘，等待新的屏幕状态，再继续。它的 context 不是固定的一段文本，而是不断增长、不断改变的状态序列。

他把 Operator 的技术要点压成三件事。第一是足够好的原生多模态基础模型，能同时理解语言和屏幕视觉；第二是高质量的人类数据和任务数据，例如广告怎么关、按钮点错后怎样后退、什么时候算完成；第三是能把 RL 扩展到环境交互的训练系统。数学题只需模型连续吐 token，GUI Agent 每吐一段动作，就要有一个浏览器或操作系统模拟器返回状态。几千卡甚至上万卡并行训练时，环境调度、状态重置、延迟和资源利用率都会成为系统工程问题。

吴翼认为国内团队复刻 Operator 的路线并不神秘，因为基础模块都可理解；真正的差距在于三件事情是不是都做得足够好。他也提醒，OpenAI 把产品放出来时，很可能已经在内部打磨过一段时间，外界看到的是“可以让用户试用并收集反馈”的版本，水下还有多少训练和安全工作，不能从 demo 反推。

三、从 2016 年失败的 Web Agent 到 2025 年的闭环

为了说明为什么这次看起来像技术拐点，吴翼讲了 OpenAI 的早期历史：2016 年左右，OpenAI 曾尝试让一个大型 LSTM 通过强化学习点击网页，但当时没有今天的基础模型、没有多模态模型、没有成熟的数据标注和互联网训练环境，工程成本也很高，项目最终失败。节目把十年后的 Operator 看成两块拼图终于合上：基础模型提供感知和先验，强化学习提供探索和策略，网页环境提供连续反馈。

这里的故事不是一份完整的 OpenAI 组织史，而是吴翼用来解释“为什么同一个想法在不同基础设施条件下会有完全不同结果”的个人回忆。它和节目后面反复出现的判断一致：只靠强化学习不够，只靠基础模型也不够，二者必须连同数据和环境一起准备。

四、五级路线：从反应，到推理，再到组织

主持人把 OpenAI 公开讨论过的五级路线列出来：Chatbot、Reasoners、Agents、Innovators、Organizations。吴翼用交互范围解释这五级，而不是只用模型规模解释。Chatbot 是人与模型的一问一答；Reasoner 在回答前加入内部规划和长思考；Agent 还要面对一个外部世界，读取环境变化并在没有人逐步指挥的情况下行动。

第三到第四级是他认为最大的鸿沟。指令执行可以通过验证器判断完成没有；创新则没有唯一标准答案，需要在已有知识之外提出更好的东西。第四到第五级也不一定严格按顺序：许多 Agent 可能被动组成一个组织，例如每个软件都带一个 Agent，彼此通过任务和接口交互；真正自发形成组织，则还需要更强的创造力、目标协商和长期治理。

人类为什么愿意付钱？吴翼的答案是时间被扩展了。一个可靠的 Agent 可以同时退货、报税、订行程或做研究，把一个人的单线程时间变成若干个并行任务。但这个价值有一个前提：可靠。如果 Agent 只是偶尔成功，人在确认、返工和收拾错误上花掉的时间，可能抵消所谓的时间乘数。

五、行动权限：自主决策必须嵌在产品和安全边界里

主持人问 Operator 如何处理自主性与人类指令的优先级。吴翼从 demo 推测，付款、下单等动作可能会触发人类确认，产品或安全团队还可能在模型外面套监控层：当系统要进行敏感动作时暂停，让人查看报告并接管。节目中没有把这部分说成一个已公开的内部训练配方，而是把它作为“产品安全层可能如何实现”的判断。

对于语言、视觉和动作的结合，他认为动作空间反而相对规整：模型先输出 thinking，再输出 click、type 等有限动作。只要格式清楚，强化学习可以在这个动作空间里探索。困难不在“会不会输出 click”，而在当前截图是否正确、动作是否改变了目标状态、失败后是否恢复，以及何时必须把控制权交给人。

多个 Agent 是否需要协作？吴翼的短期判断是否定的：如果是一个相对固定的任务，一个足够强的多模态大模型、长上下文和工具接口可能已经能独立完成；只有当被访问的网站本身也变成 Agent，或一个任务必须跨越多个自治组织时，Agent 之间的交互才会被动出现。那时网站可能为 Agent 提供专门入口，URL 和 GUI 只是过渡接口。

六、用户数据为什么可能对 Operator 更有价值

张小珺把问题转到数据飞轮：Chatbot 的大量聊天是否能够提升智能？吴翼明确说，闲聊通常没有足够难的任务，也没有清晰的完成信号，更多帮助的是产品舒适度、语气和偏好，而不一定提升解决难题的能力。Operator 的任务则往往带着目的：报税、订行程、退货、填表。用户是否成功完成、是否中途接管、最终是否返工，这些信号比闲聊更接近可用于 RL 的反馈。

但他随即给数据飞轮降温。推荐系统可以在用户持续点击后自动累积反馈；AI 的用户数据大部分是噪音，需要研究员从中找出真正有价值的困难任务，再清洗、组织和写入训练。产品反馈仍然是闭环，却不是可以撒手不管的自动飞轮。OpenAI 的产品团队负责收入、交付和用户体验，研究团队负责把智能往前推，这两条线在节目中被描述成相互连接但不等同。

七、Operator 到物理世界只伸出了一只手

节目最后把数字世界和物理世界分开。网页虽然有视觉、状态和动作，但它本质上仍是为人设计的数字界面；真实物理世界有连续动力学、遮挡、触觉、风险和更昂贵的试错。吴翼认为 Operator 是一个信号：OpenAI 不只想在抽象文本推理上变强，也想让模型处理视觉世界；但它还没有真正进入家庭、工厂或街道。

他预测 OpenAI 可能先在数字世界赚钱，再通过投资或合作进入物理智能，而不是亲自制造所有机器人。对人与 Agent 的长期关系，他提出两个开放问题：Agent 能否通过长期交互真正理解一个人的习惯，减少每次都写清楚指令的负担；如果整个互联网都开始使用 Agent，软件是否会同时保留给人的 GUI 和给 Agent 的直接接口。

临近结尾，吴翼把建议转给学术界：主流公司已经高度共识地投入多模态、推理、交互和 Agent，学术研究可以去做更开放、更非共识的问题，例如 Agent 之间的社会交互、个性化记忆、人的反馈应如何表达。核心不是故意绕开产业，而是避免在大公司即将完成的事情上重复投入。

原文讲解到这里。下面才进入结构化抽象、证据审计和独立判断。

核心判断：Agent 的新意不在“能调用工具”，而在环境成为模型状态的一部分

Operator 把“语言模型会想”与“系统能做事”接在了一起。对话模型可以把整个任务写成一段回答；Agent 则必须在中间采取动作，接受外部反馈，承受失败和权限约束，再决定是否继续。这个差异可以写成：

乘法只是概念模型：任一环节接近零，单次 demo 再惊艳也不能自动变成生产力。Operator 的技术意义因此比“网页自动化”大，但它的商业意义也比“有一个会点网页的模型”小得多；真正需要验证的是长任务完成率、错误恢复、人工接管成本和不可逆动作的风险。

证据审计：官方 CUA 能确认什么，嘉宾哪些话仍是推断

OpenAI 的官方说明把 CUA 描述为结合 GPT-4o 视觉能力与强化学习推理的模型，使用截图作为观测、鼠标键盘作为动作，通过感知—推理—行动循环处理 GUI。官方同时公开了当时的 OSWorld、WebArena 和 WebVoyager 结果，并明确说明仍处于早期阶段。这个一手材料支持“闭环 GUI Agent 已被产品化展示”，但不支持把节目中关于 O2、内部模型尺寸、2016 年团队细节、训练卡数或下一代时间表的猜测改写成官方事实。

独立分析：把 Agent 当作控制系统，而不是更聪明的聊天框

1. 可靠性来自“可恢复”，不只来自“成功率”

网页任务的平均成功率很容易让人兴奋，但真正的产品指标应包含失败后的行为：它是否知道自己卡住了，是否会回到上一个状态，是否会重复提交，是否会留下可撤销记录，是否在需要登录、付款和验证码时及时停下。一个 70% 成功的系统，如果剩余 30% 都是可回滚的小错，可能比 90% 成功但会造成一次不可逆损失的系统更可用。

2. 训练系统其实是一个模拟器与服务编排系统

Operator 类系统的难点很可能不在 action token 的格式，而在环境。每一条训练轨迹都要经历截图、模型推理、动作执行、浏览器/系统响应、超时、重置和结果判断；这已经接近分布式系统。要扩大 RL，不仅要增加 GPU，还要提高环境吞吐、降低状态同步成本、处理网站变化、隔离权限并防止训练数据泄露。

这也是为什么“国内团队能不能复刻”不能只看是否有开源多模态基座。真正的复刻单位是 模型 + 任务分布 + 环境 + 评价器 + 安全控制。其中任何一个替换，都会改变模型学到的策略。

3. 用户数据是半自动闭环，不是自然飞轮

吴翼对 Chatbot 闲聊的区分很有解释力，但我会再加一层：复杂任务反馈确实更接近智能训练，却不等于天然高质量。用户可能中途接管，可能没有报告错误，可能为了赶时间接受了次优结果，也可能把模型用于极少数长尾任务。要把反馈写回训练，至少要把用户目标、模型动作、外部结果、人工接管、后续返工和长期满意拆开记录。

所以产品收入与数据价值不是二选一。用户付费让公司有资源继续研究；用户行为提供候选任务和失败分布；研究员再把其中少量高价值片段转成训练和评估。它是有人介入的闭环，不是推荐系统那种可以完全自动转动的飞轮。

4. 从数字 Agent 到物理 Agent，真正增加的是后果

GUI 仍然是一个相对规整的数字动作空间。进入物理世界后，感知、动力学、接触、延迟、损坏和人的安全都会加入环路；验证器也从“网页任务是否完成”变成“有没有造成事故、是否符合规范、是否能在异常中保持安全”。因此 Operator 是视觉—动作闭环的前奏，但不是物理智能已经解决的证明。

5. 后续如何证伪或修正

• 若 Agent 在隐藏网站、不同 UI、长流程和中途变化中仍能维持高完成率并低返工，闭环泛化判断得到加强。
• 若成功率一换网站就崩溃，或主要依靠人类频繁接管，说明模型学到的是界面套路，不是通用交互能力。
• 若复杂任务的用户轨迹经清洗后能稳定提升新任务性能，用户数据价值成立；若只改善语气、偏好和产品体验，智能/产品分离的判断更准确。
• 若 Agent 能在授权、确认、撤销和事故复盘上形成完整接口，商业化才真正越过 demo 门槛。

这期访谈最值得留下的句子不是“2025 是 Agent 元年”，而是一个判断方法：当模型开始改变环境，评价它就不能只看回答质量，而要看它如何观察、行动、恢复、请求帮助，以及谁为结果负责。

证据边界与资料索引

正文以 #88 的完整节目材料为主。节目关于 OpenAI 内部模型、早期项目、训练资源、国内追赶速度和未来年份的说法，按吴翼的个人回忆、推断或预测处理；公开转录中的公司名、模型名和数字可能存在识别错误。

• 官方 YouTube：#88 和吴翼技术解读 OpenAI Operator。
• Scripod：#88 公开转录入口。
• OpenAI：Introducing Operator：Operator 的研究预览、浏览器交互、用户接管与安全边界。
• OpenAI：Computer-Using Agent：CUA 的截图—推理—动作循环、公开评测与限制。
• #75 吴翼：o1 的关键变化，是把算力预算移到推理时：同一嘉宾此前对 o1 的访谈。
• DeepSeek-R1 论文：用于对照强化学习、推理时计算和 Agent 后训练背景。

证据顺序：节目原始材料 → OpenAI 官方产品/研究说明 → 本文分析。页面记录的是 2025 年 1 月的访谈语境；官方后续产品变化单独标注，不回写原文。

回到顶部 ↑