
打开邮箱,读取那串六位数的双重验证(2FA)代码,然后在键盘前犹豫了一下,停住了。
这不是什么系统卡顿,也不是网络延迟,而是 OpenAI 在 2026 年 DevDay 上发布的消费级 Agent“Dots”的一个刻意设计。它可以接管你的浏览器,帮你登录各种网站,它甚至能精准地识别出邮箱里那串用于验证的 2FA 代码,但在最后一步“输入代码”时,它选择了暂停。
很多人把这个细节当成 Beta 版本的quirk(小毛病)一笔带过,但如果你仔细品味,这恰恰是 OpenAI 在向外界传递一个极其强烈的信号:在让 AI 像人一样使用电脑这件事上,他们现在的核心哲学是“eager to see, cautious to act”(渴望观察,谨慎行动)。AI 已经拥有了看穿屏幕像素并理解意图的能力,但在真正扣动扳机、代替你做出不可逆操作时,他们选择了克制。
这种克制背后,隐藏着 OpenAI 在 Computer Use Agent(CUA)领域最核心的野心与焦虑。最近,a16z 播客邀请到了 OpenAI 负责 Computer Use 产品的两位核心负责人 Ari Weinstein(偏消费端)和 James Sun(偏企业端),进行了一场极具信息量的深度对谈。在这场对谈中,他们首次系统拆解了 CUA 的现状。而真正让我感到后背发凉的,不是那些炫酷的演示,而是他们提到的一个数据:在 99% 和 97% 的可靠性之间,存在一个微小却致命的 2% 差距。这被忽略的 2%,才是 Computer Use 真正的杀招。
事件细节:那个“犹豫”的2FA,和a16z对谈里被忽略的2%
要理解 OpenAI 在 CUA 上的产品逻辑,我们必须先拆解 Dots 那个“犹豫”的 2FA 动作。
在传统的 AI 助手里,我们习惯于“指令-执行”的线性逻辑。你让 AI 帮你订机票,它调用 API 完成支付。但在 Computer Use 的语境下,AI 是通过“看”屏幕截图,模拟鼠标点击和键盘输入来操作电脑的。这意味着,AI 的权限被无限放大了。它不仅能看到你的邮箱,还能看到你的银行页面,甚至能看到你正在输入的密码。
Dots 读取 2FA 但不输入,本质上是在物理操作层面划定了一条“信任边界”。OpenAI 的产品负责人在访谈中透露,Dots 运行在独立的云电脑和浏览器上,连接着超过 4000 个应用。它拥有极高的自由度,可以主动发现你漏掉的外部会议邀请,可以登录 Sentry 提取日志并给出分析。但在这种高自由度下,如果 AI 毫无顾忌地执行所有操作,带来的灾难将是毁灭性的。
因此,OpenAI 设计了一套复杂的控制层:你可以自定义规则,允许、阻止或要求审批特定动作。任何涉及账户修改或信息分享的操作,都会触发自动审查。改变密码?对不起,这必须是你自己来。这种“半自动”的状态,是当前技术条件下,平衡效率与安全的唯一解。
而支撑这种“谨慎行动”的底层技术,正是 a16z 对谈中重点讨论的 Astra 模型(GPT-6 系列)。
Ari Weinstein 在对谈中毫不避讳地指出,Astra 带来的最大提升,不是参数量的暴涨,也不是多模态能力的炫技,而是“可靠性”。他提到了一个极其关键的细节:在可靠性达到 99% 和达到 97% 的两种情况之间,存在一个很小、很难察觉但确实非常重要的差别。
大家不妨在脑海里算一笔账。如果是一个简单的单步任务,97% 和 99% 的成功率看起来差别不大。但 Computer Use Agent 的核心价值在于“多步骤复杂任务”。假设一个企业级财务对账任务,需要 AI 连续执行 50 个步骤(登录系统、切换菜单、提取数据、比对表格、生成报告)。
如果每一步的成功率是 97%,那么整个任务一次性成功的概率是 0.97 的 50 次方,大约等于 21.8%。也就是说,每执行 5 次任务,就有 4 次会中途崩溃,需要人类介入擦屁股。这种体验在企业端是绝对无法接受的。
但如果每一步的成功率提升到 99%,整个任务一次性成功的概率就变成了 0.99 的 50 次方,大约等于 60.5%。如果步骤减少到 20 步,成功率就能达到 81.7%。
这就是那被忽略的 2% 的恐怖之处。在 GUI 自动化这种长链路任务中,单步可靠性的微小提升,会在系统层面产生指数级的放大效应。从 97% 到 99%,跨越的不是两个百分点,而是从“玩具”到“工具”,从“需要人类全程盯着”到“可以放手让它跑”的生死线。
此外,James Sun 补充了另一个维度的 2%:对齐能力的提升。Astra 在抵抗 prompt injection(提示词注入)方面表现更好。在企业环境中,如果 AI 代理在处理供应商邮件时,被邮件内容中隐藏的恶意指令劫持,导致向错误账户打款,后果不堪设想。这种在安全对齐上“难以察觉”的增量,恰恰是企业客户敢于把核心业务交给 CUA 的前提。
背景拆解:从“对话框”到“操作系统”,GUI 自动化的终极形态
要理解 OpenAI 为什么死磕 Computer Use,我们需要把时间线拉长,看看 AI 交互范式的演进。
过去三年,我们经历了 LLM 的“对话时代”。你输入文本,AI 输出文本。后来,我们进入了“API 调用时代”(Tool Use / Function Calling)。AI 不再只是聊天,它可以调用外部工具,比如查天气、查数据库。但这依然有一个巨大的前提:目标软件必须提供标准化的 API。
现实世界是残酷的。全球有数以千万计的企业软件,尤其是那些使用了 10 年、20 年的老旧系统,根本没有 API,或者 API 文档残缺不全、年久失修。如果 AI 只能调用 API,那它永远只能停留在现代 SaaS 软件的舒适区里,无法触及传统企业真正的核心业务。
Computer Use 的出现,就是为了解决这个“最后一公里”的难题。它不依赖 API,而是直接通过视觉(截图)和动作(鼠标键盘)与软件交互。这就好比,你不需要懂一门外语(API),你只需要看着对方的手势和表情(GUI),就能把事办成。
这种范式的转变,在 GPT-5.4 的发布中得到了数据上的印证。2026 年 3 月发布的 GPT-5.4,在 OSWorld 计算机使用基准测试中拿到了 75% 的成绩。请注意这个数字的意义:它超越了人类专家基线(72.4%)。这是历史上第一次,通用 AI 模型在“像人一样使用电脑”这项测试中,正式超越了人类专家。
在对谈中,Ari 提出了一个非常深刻的观点:“我们对 Computer Use 的理解,并不是说你拿起一个单独的工具,然后说‘我想用它做点什么’。它更像是模型为了完成任何任务所需的通用 API。”
这句话直接点破了 CUA 的终极形态。未来,Computer Use 不会是一个独立的 App,也不会是 ChatGPT 里的一个孤立插件。它将化作无形,融入到大模型的底层能力中。当模型在规划一个复杂任务时,如果发现某个环节没有 API 可用,它就会自动“降维”,调用 Computer Use 能力,通过操作 GUI 来完成任务。任务越复杂,它在推进过程中接触到 Computer Use 的可能性就越高。
这种能力在 ChatGPT 的产品矩阵中,直接催生了“ChatGPT Work”模式。2026 年 7 月上线的 Work 模式,被内部人戏称为“不写代码的 Codex”。你给它一个目标,附上文件,它就能自己规划步骤、调用工具、甚至操作浏览器,直到最后给你交付一份完整的报告、表格或 PPT。
从“Chat”(一问一答)到“Work”(多步骤交付),再到“Dots”(Always-on 主动执行),OpenAI 正在构建一个完整的 Agent 阶梯。而 Computer Use,就是支撑这个阶梯从“虚拟世界”走向“现实物理世界”的最关键基石。
影响分析:企业端的“无聊”苦差事,才是 CUA 的真正金矿
在消费端,CUA 可以帮你打游戏(Astra 玩 Fallout 30 小时通关)、画画、管理日程。但在 a16z 的对谈中,负责企业端的 James Sun 却把重点放在了那些“无聊得近乎枯燥”的企业场景上。
“采购是我们看到的一个重要方向。财务也是另一个很有意思的类别。”James 直言不讳地指出。
为什么是采购和财务?因为这里是企业数字化最割裂、最痛苦的深水区。
想象一下美国很多中小企业的财务部门。他们可能在使用一套 15 年前购买的本地 ERP 系统,或者是一些没有开放 API 的老旧财务软件。这些软件的界面可能还停留在 Windows XP 时代的风格,菜单层级深达五六层,关键操作甚至需要记住特定的快捷键。
每个月底,财务团队需要花费大量时间进行对账。他们要登录银行系统下载流水,登录 ERP 系统导出明细,然后打开 Excel,用肉眼看、用鼠标拖拽,进行交叉比对。这个过程极其枯燥、容易出错,且毫无创造性可言。
“很多美国的财务软件没有能快速提取数据的 API。因此,财务团队可以让 Computer Use 查看这些账簿,进行对账,把值得关注的内容标记出来,交给某个人处理,或者继续展开调查。”James 描述的场景,正是 CUA 在企业端落地的标准范式。
在这里,CUA 的价值不是“替代”人类,而是“连接”那些无法连接的孤岛。如果存在需要大量彼此割裂的软件的复杂工作流,Computer Use 就是把它们连接起来、完成整个端到端工作流的好方法。
更有趣的是,James 提出了一个反直觉的观点:“如果你看看如今正在生产环境中运行的软件,很多都是 10 年、20 年、30 年、40 年前写的,我不认为它们会在一夜之间消失。”
这意味着,指望 AI 倒逼企业全面重构 IT 系统、全面拥抱 API 是不现实的。历史软件有着极强的生命力,因为它们承载了企业核心的业务逻辑和历史数据。既然旧软件不会消失,那么让 AI 去适应旧软件的 GUI,就成了唯一可行的路径。
这引出了另一个更具颠覆性的推论:“我觉得我们将进入一个时代,任何软件都可以为一百个人,甚至一个人设计。”
当 CUA 具备了操作任何 GUI 的能力后,软件的“易用性”门槛将被彻底抹平。企业不再需要花几百万美元去定制开发一套界面友好、流程顺畅的新系统。他们只需要让 CUA 去操作那个丑陋但功能完备的旧系统。对于使用者来说,他面对的不再是复杂的软件界面,而是一个懂他的 AI 代理。软件是为人服务的,而现在,AI 成了人与软件之间的终极翻译官。
这种“无聊”的苦差事,恰恰是巨大的商业机会。因为没人愿意亲手做,所以企业愿意为之付费;因为足够复杂且割裂,所以竞争对手难以轻易复制。这也就是为什么 OpenAI 的高管认为,企业端的落地虽然看起来不性感,但却是最坚实的护城河。
行业对比:算力成本、隐私边界与“Always-on”的代价
然而,让 AI 像人一样 24 小时盯着屏幕操作电脑,并非没有代价。当我们为 Dots 的“Always-on”(始终在线)特性欢呼时,背后的算力成本和隐私风险正在悄然显现。
首先是算力成本。一个传统的对话式 AI,只有在用户输入时才消耗算力。但一个 Always-on 的 Agent,需要持续不断地截取屏幕、分析像素、规划动作、执行点击。这种高频的视觉多模态推理,对算力的消耗是惊人的。
OpenAI 的高管在访谈中坦承,Dots 是“compute heavy”(算力密集型)的。为了解决这个问题,OpenAI 并没有把所有任务都交给最昂贵的 Astra 模型。他们引入了模型路由机制,将部分相对简单的工作路由给更小、更便宜的模型(如 Terra)来处理。这种“大小模型协同”的架构,是控制 CUA 商业成本的关键。
这也解释了为什么 Dots 目前只开放给 Pro(100-500 美元档位)和 Enterprise 用户。在算力成本没有发生数量级下降之前,CUA 注定是一种“高端奢侈品”,只能服务于那些对时间价值极度敏感的高净值人群或大型企业。
比算力成本更棘手的,是隐私边界。
Signal 总裁 Meredith Whittaker 近期发出了严厉的警告。她指出,个人 Agent 需要深度访问你的数据才能工作,这创造了巨大的安全和隐私风险。其中最核心的伦理困境在于“同意权”。
当你授权 Dots 读取你的 Gmail 时,你确实同意了。但是,那些给你发邮件的人呢?他们并没有同意让自己的邮件内容被一个 AI 阅读和处理。你的 Agent 在读取你的邮件时,实际上也“连带”读取了所有通信对方的隐私。
这就好比你在家里装了一个监控摄像头,你当然有权看,但你的客人并没有同意被监控。当 AI Agent 成为你的数字分身,介入到社会交往的网络中时,传统的隐私框架正在被撕裂。
OpenAI 显然也意识到了这个问题。Romain Huet(OpenAI 开发者体验负责人)建议采取“渐进式信任”:先让 Agent 管理日历,然后再开放 Slack,最后才是 Gmail。他自己也只用 Dots 来分类邮件和起草回复,但绝不让它自动发送。
这种“半自动”的妥协,不仅是技术上的谨慎,更是对当前社会隐私共识的尊重。在法律法规和伦理框架完善之前,任何试图让 AI 完全接管人类数字生活的激进尝试,都可能遭到反噬。
我的看法:当 AI 适应你,护城河到底在哪?
看完 a16z 的这场深度对谈,再结合 OpenAI 近期的产品动作,我对 Computer Use Agent 的未来有几个非常明确的判断。
第一,AI 竞争的焦点,正在从“模型参数”转向“执行节奏与行业纵深”。
在对话时代,大家的护城河是上下文长度、推理速度、多模态能力。但在 Agent 时代,底层模型的差异会被逐渐抹平(因为大家都能调用类似的基座模型)。真正的护城河,变成了 Ari 所说的“速度与执行节奏”,以及对垂直行业的深刻理解。
对于创业者来说,不要再想着做一个“套壳”的通用 Agent 了。你的机会在于,深入到一个极其垂直的行业(比如跨境物流的报关、医疗器械的采购合规),把那些割裂的、没有 API 的旧系统,用 CUA 串联起来,封装成一个个高度专业化的“技能(Skills)”。谁能在特定工作流里把 97% 的可靠性提升到 99.9%,谁就能拿下这个行业的定价权。
第二,软件的形态将被彻底重构,“为一个人设计的软件”将成为现实。
过去,软件公司为了服务一万个用户,必须把界面做得足够通用、足够傻瓜,这导致了软件的臃肿和复杂。未来,有了 CUA 作为中间层,软件只需要保留最核心的功能逻辑,界面可以极其简陋,甚至只有命令行。因为 AI 会帮你操作。软件将真正回归“工具”的本质,而不再是考验人类学习能力的“迷宫”。
第三,也是最重要的一点,我们需要重新定义人与 AI 的关系。
Ari 在访谈最后说了一句话,让我印象深刻:“今天仍然用 Computer Use,你还得花心思考虑怎么用它、记得去用它;我非常期待一个世界:Agent 能够适应你,而不是让你去适应它。”
这正是 Dots 那个“犹豫”的 2FA 背后最深层的哲学。我们不需要一个只会盲目执行指令的机器,我们需要的是一个懂得在关键时刻停下来、懂得你的习惯、懂得在“看”与“做”之间把握分寸的数字伴侣。
当 AI 不再需要你写下完美的 Prompt,不再需要你手动配置复杂的 API,而是静静地待在云端,看着你的屏幕,理解你的意图,在你需要的时候默默帮你搞定那些繁琐的苦差事,并在涉及核心利益时把决定权交还给你——那一刻,才是超级智能真正降临的时刻。
而那被忽略的 2%,就是通向那个世界的最后一把钥匙。
相关阅读
- 一边封锁一边狂买?美国企业近九成AI开源账单,竟被Kimi等中国模型包揽!
- 连夜修改招股书!Anthropic狂砸8954亿算力,却承认“AI自进化”已突破安全红线
- 3次越狱、41%装乖!OpenAI与Anthropic顶尖模型“逃出沙箱”始末,人类最后的防线还能撑多久?
- 一夜蒸发1500亿美元!OpenAI融资惨遭“腰斩”,AI的“造梦时代”到头了?