21世纪经济报道记者 赵云帆
10月8日，据央视财经等多家媒体报道，OpenAI近期给予投资者的财报速览显示，该公司9月的年化经常性收入（ARR）为500亿美元。
这一ARR水平比北美资本市场此前共识的700亿美元低约30%。同时这也意味着，若想要按照2万亿美元的参考估值进行IPO，OpenAI ARR估值倍数需要被提高到40倍以上。
对于“收入低于预期”的传言，10月9日，媒体援引接近OpenAI的消息人士观点称，公司9月500亿美元ARR或属实，700亿美元ARR为OpenAI公司至今年底的目标。
那么，9月“700亿美元”的ARR预估数据又是怎么来的呢？
今年8月，华尔街投行分析师以加回云厂商渠道分成（CSP）口径测算，OpenAI今年7月的ARR达到400亿美元。随后9月末，有消息称OpenAI的ARR自7月以来增长70%，由此计算得到9月公司ARR达到700亿美元。
显然，通过多个消息源获得并推测的ARR数据存在口径不清晰、可靠性存疑的问题——但这并不妨碍“500亿美元”的ARR数据发挥显著的市场指引作用。
10月8日晚间，全球AI算力概念股集体下挫，英伟达跌2.94%，台积电跌3.04%，SK海力士跌4.35%。
GPT-6发布评价分化
OpenAI收入不及预期的消息，恰逢OpenAI近两日向全量客户推送GPT-6使用权限。而新版GPT-6在多模态互动、智能体化、全新互动提示词方面，实现了多重范式迭代。
比如，GPT-6主推的Intelligent UI，除支持Instant（快速问答）到Extra High（高性能）不同档位思考深度之外，也令ChatGPT的普通回答从纯文本扩展为图表、计算器、表单、地图、对照表等可交互组件。
官方演示中，GPT-6在执行“7速自行车结构讲解”这一任务中，直接生成了一个交互式H5页面，其允许用户点击自行车结构和零件，获得对自行车零件知识和工作机制的讲解。
在这背后，GPT-6采用了大模型智能体化的工程与训练思路，通过智能体唤醒循环和多层激励的方式，复刻人类长程思考和任务执行时的状态，令人工智能大模型更加贴近工作助理，更能处理复杂需求。
而由于GPT-6智能体化，取代了人类提示词工程中部分需要进行任务分解的工作，OpenAI修订了官方提示词指南：用户不再需要精确地提示大模型采用何种专家模块，无需对任务步骤进行明确阐释——但同时，用户需要对任务进行更高维度的、更框架性的提示：比如需要明确任务目标，明确任务的评价体系或激励机制，明确给出任务的约束条件或设置安全围栏，明确告知AI在何种情况下需要向用户确认更多提示词等。
不过，从用户的反馈来看，全量推送往往出现的两极分化在此次GPT-6的发布中仍然普遍存在。如在开发者社群中，普通用户普遍抱怨GPT-6“较Astra降智明显”“故意节约思考算力”“限制思考输出总时间”等。
“Reinventing（重新发明）”——算力的新叙事？
GPT-6的发布被认为是OpenAI追求改变AI范式的一次尝试。
按照OpenAI的定义，AI大模型的未来将更智能体化，更契合人类协同工作的需求，以期实现更明确的商业化闭环与收入增长。
因此不论是智能化可视化界面，还是提示词工程的改变，OpenAI都希望将AI能力真正融入日常工作与生活。正如OpenAI总裁Greg Brockman在旗下顶尖前沿模型Astra发布时所述，他不仅认为AGI（通用人工智能）时代已经到来，且更明确地表示，未来大模型更重要的在于“对齐”——即明确需求、强可解释性、拒绝越权行为等。
而为了达到这一目标，OpenAI此次对大模型设计进行的最大改变就是让“Reinventing（重新发明）”在AI交互中更为频繁地出现。
所谓“Reinventing”，是模型在尚未推理输出完成时，对输出内容进行复核，向用户提出问题并交叉验证结果的交互过程。
这意味着，在过去，AI往往会率先完成完整的结果生成，用户则按照生成结果给予反馈，AI再进行下一轮交互。而在频繁的“Reinventing”交互范式下，用户不再需要就模型本身进行工程调试，但又往往需要与模型进行多轮对话，完整对齐需求和边界，才能完成一项任务。
新范式下，用户的交互体验自然呈现两极分化：部分用户认为GPT-6更接近真实人类沟通的过程，先沟通清楚需求，再完整执行任务——另一部分用户则观察到，“Reinventing”频繁介入，可能引起AI计算的内部混乱，并影响输出质量，且对快速问答的使用场景并不友好。
另一个外界想了解的问题是，GPT-6的新范式是否会带来算力需求的增长？
近日，中信证券计算机团队研报将GPT-6的核心技术归纳为“循环Transformer”——即层内循环迭代与持久化KV记忆的组合。该架构不依赖大幅增加物理层数或参数量，而是通过让数据在同一组层内多次循环来加深推理深度。
仅以此分析来看，GPT-6似乎并不利好算力——但华泰证券研报却指出，“循环Transformer”虽然“不卷”显存容量，但“卷”利用率、KV存储效率与长会话状态存取速度等，其对大规模算力集群的配置提出了新的挑战，多次循环带来的额外算力消耗也可能催生新一轮的算力需求。