OpenAI DevDay 2026 主題演講（完整版）（第 2/4 段）

🧑‍🏫 這段 Keynote 前半介紹 OpenAI 的新產品 dots：一個能替你處理工作的 AI 分身。後半講給開發者的新模型和新方案，包括更便宜的 GPT-6.1 Sol、更快的 ultra fast、秒回的 decisions API，最後說明 AI 已經在幫 OpenAI 做研究。想知道 AI 工具下一步怎麼走進日常工作，這段很值得看。

• 13:26 講者的 dot 可以每小時更新內容；講者也可以把會拖慢自己的事交給 dot，例如從 Slack DM 找出某位工程師提供的 onboarding 數據，或納入更多 Laura 的意見
  ↳ dot 是你的 AI 分身：給它你的背景資料（context）和記憶，它就能替你做事。講者讓它每小時更新內容，也把翻 Slack（公司常用聊天軟體）私訊找數據這類拖時間的雜事交給它。
• 13:26 Space 是 dots 和團隊一起協作、保持同步的地方
  ↳ Space 是一個共用空間。大家的 dots 和團隊成員都在裡面，進度和資訊保持同步，不會各做各的、對不上。
• 14:01 dot 改變工作方式最明顯的地方是 Slack：像核對 launch specs 這種請求，可以轉寄 thread 給 dot，直接交代「你來處理」
  ↳ dot 帶來最大改變的地方是 Slack。以前同事請你核對產品上市規格（launch specs），你得自己查。現在把整串對話（thread）轉給 dot，說一句「你處理」就好。
• 14:01 講者可以自己決定哪些事需要親自處理、哪些交給 bot；dots 有自己的 identity，因此成為團隊的延伸
  ↳ 哪些事自己做、哪些交給 dot，由你決定。dot 有自己的身分（identity），在團隊裡像一個獨立成員出面做事，等於你多了一雙手。
• 14:32 意料之外的現象：在 OpenAI 內部，大家開始把自己的 dot 當成代理人（delegate）
  ↳ 連 OpenAI 自己都沒料到：同事開始把 dot 當成代理人（delegate），也就是「替我出面辦事的人」，而不只是查資料的工具。
• 15:05 現在團隊一開始就把 dots 拉進群組聊天，例如 Gabe 和 Patrick 把任務交給各自的 dot，dot 回報結果時所有人都能看到
  ↳ 現在開群組討論時，一開始就把 dots 拉進來。Gabe 和 Patrick 各自派任務給自己的 dot，dot 做完在群組回報，全組都看得到，不必再轉述。
• 15:05 工程師的用法：有人在 feedback channel 貼出 session ID 和使用者回報的 bug，Gabe 的 dot 立刻接手調查，並開出附修正的 PR
  ↳ 有人在回饋頻道貼出 session ID（某次使用紀錄的編號，方便追查）和 bug。Gabe 的 dot 立刻去查原因，並送出 PR（提交給團隊審核的程式修改）。
• 15:05 這是真實案例：工程師每天用這種方式讓 dots 修掉幾十個 bug
  ↳ 講者強調這不是為了示範編的情境：工程師每天真的靠 dots 修掉幾十個程式錯誤。
• 15:40 dots 有很大一部分是由 dots 自己打造的；把工作交給 dot 後，講者多出時間發想點子、陪伴團隊
  ↳ dots 這個產品有很大一部分是 dots 自己寫的。講者把雜事交出去後，時間拿來想新點子、陪伴團隊，做只有人能做的事。
• 15:40 現場 demo：dot 能在講者的筆電上使用 Codex 建置 app，並在 iPhone simulator 中啟動（先前曾出現錯誤，所以重新執行）
  ↳ 現場示範：dot 在講者筆電上用 Codex（OpenAI 的寫程式工具）做出一個 app，並在 iPhone simulator（電腦上模擬 iPhone 的程式）打開。第一次出錯，所以重跑。
• 16:13 流程可以從手機上的 mock 開始，經過 local execution 變成可運作的 app，最後再請 dot 直接送出 PR
  ↳ 完整流程是這樣：先在手機上做出 mock（還不能用的畫面草稿），再到電腦本機實際執行（local execution），變成能動的 app，最後讓 dot 直接送出 PR 給團隊審。
• 16:13 dots 是我們的延伸：可以給它自己的 context 和 memory，讓它分擔工作、過濾雜訊
  ↳ dot 的定位是你的延伸。它有屬於你的背景資料和記憶，所以懂你的狀況，能替你分擔工作，也幫你擋掉不重要的訊息。
• 16:45 重點不只是把同樣的工作做得更快；OpenAI 內部親身感受到，dots 讓人覺得自己能承擔的事變多了
  ↳ 重點不只是把一樣的事做得更快。OpenAI 內部的實際感受是：有了 dots，每個人覺得自己能扛起的工作範圍變大了。
• 17:18 dots 和 Space 今天起開放給 ChatGPT Pro、Business Premium、Enterprise 使用者；dot 已包含在方案中，對話不會消耗用量，而且 24-7 都能使用
  ↳ 今天起 ChatGPT Pro、Business Premium、Enterprise 方案可以用 dots 和 Space。費用已含在方案裡，跟 dot 對話不扣用量，全天候都能用。
• 17:49 企業版今天預覽 Specialist dots：由公司設定的虛擬隊友，和整個團隊一起工作，可協助擴大會計、行銷、法務等高工作量的任務
  ↳ 企業版預覽 Specialist dots：由公司設定好的 AI 虛擬同事，服務整個團隊，幫會計、行銷、法務這類工作量大的部門擴充人手。
• 17:49 可以給 Specialist dots 目標和 context、審閱產出、給回饋讓它改進，這些回饋會分享到全公司；OpenAI 內部測試顯示它在許多角色上都非常有效
  ↳ 用法像帶新人：給它目標和背景，看它的成果，再給意見讓它改。不同的是，這些回饋會分享到全公司。OpenAI 內部試用後，發現它在很多職位上都很有效。
• 18:20 OpenAI 希望和企業客戶合作完成設定；也正與 Microsoft 合作，把 Specialist dots 整合進 Agent365，讓企業用既有的 Microsoft 工具管理 dots
  ↳ OpenAI 會和企業一起完成設定，也和 Microsoft 合作，把它接進 Agent365（Microsoft 的工具）。企業可以用原本熟悉的 Microsoft 工具管理 dots。
• 18:20 OpenAI 認為 dots 加上模型能給人一整套新的超能力，例如拓展小生意、提升無障礙、找到對抗感染的新方法
  ↳ OpenAI 的願景是：dots 加上模型，讓一般人多出一整套能力，例如把小生意做大、讓更多人能無障礙地使用服務、找到對抗感染的新方法。
• 18:52 演講第二部分是給開發者的平台，分三塊：一、模型（依需求的速度與成本取得最好的智慧）；二、更好的工具（和 OpenAI 內部相同的工具，能在任何適合的地方建置與執行產品）；三、distribution（幫助大家發現你的作品、連結新客戶）
  ↳ 後半場講給開發者（寫程式做產品的人）的平台，分三塊：依速度和預算挑最聰明的模型、和 OpenAI 內部相同的開發工具、幫產品被看見並找到客戶（distribution）。
• 19:25 Astra 在幾週前推出，是市面上能力最強、對齊程度最高的模型，但大家一直要求更便宜、更快
  ↳ Astra 幾週前才推出，是目前能力最強、也最會照人類意圖和規範行事（對齊程度最高）的模型。但大家一直反映希望它更便宜、更快。
• 19:25 推出 GPT-6.1 Sol
  ↳ 為此推出新模型 GPT-6.1 Sol。
• 19:55 GPT-6.1 Sol 兼顧成本與能力，價格是五分之一，適合寫程式與建置；cached input 成本比標準 input 便宜 95%
  ↳ GPT-6.1 Sol 能力夠用，價格只要五分之一，適合寫程式、做產品。重複送進去的內容會被暫存（cached input），這部分比一般輸入便宜 95%。
• 19:55 便宜的 cached input 讓 agent 重複使用 context、反覆改進解法、處理長任務的成本低很多；它在某些方面比 Astra 更聰明，定位是日常主力模型
  ↳ AI 助理（agent）做長任務時會反覆讀同樣的資料。暫存便宜，就能用更少的錢反覆修正、跑更久。它有些地方比 Astra 還聰明，定位是天天用的主力。
• 20:27 今天在 API、ChatGPT、Codex 推出 ultra fast
  ↳ 今天在 API（讓程式直接呼叫模型的介面）、ChatGPT、Codex 推出 ultra fast，也就是超快速模式。
• 20:27 Fast 是標準速度的 2 倍、標準價格的 2 倍；ultra fast 則是 8 倍速度、6 倍價格，每秒 300 tokens
  ↳ 速度要多付錢：Fast 是 2 倍速、2 倍價；ultra fast 是 8 倍速、6 倍價，每秒可輸出 300 個 tokens（模型處理文字的基本單位，約是字或詞的片段）。
• 20:59 並排 demo：兩個模型拿到相同 prompt「用 DevDay 配色建立並發射火箭」。ultra fast 的火箭已經起飛，一般版還差得遠
  ↳ 並排比賽：兩個模型收到同一個指令「用 DevDay 配色做一支火箭並發射」。ultra fast 的火箭已經升空，一般版還差得遠，速度差一眼就看得出來。
• 20:59 ultra fast 目前可以搭配 Astra 使用，之後也會支援 6.1 Sol
  ↳ ultra fast 目前先支援 Astra，之後 GPT-6.1 Sol 也會支援。
• 21:31 推出 Pro 500：用量上限最高，可在 ChatGPT 和 Codex 使用 ultra fast，用量是 Plus 的 25 倍，並可透過 Sign in with ChatGPT 在合作夥伴 app 中使用
  ↳ 新方案 Pro 500：用量上限最高，是 Plus 的 25 倍，可以在 ChatGPT 和 Codex 用 ultra fast，也能透過 Sign in with ChatGPT（用 ChatGPT 帳號登入）在合作的 app 裡使用。
• 21:31 今天重新開放 Pro 200：可以使用所有 frontier models，搭配接近 Astra 品質的 GPT-6.1 Sol 當日常主力
  ↳ Pro 200 重新開放：可以用所有 frontier models（最前沿、能力最強的模型），日常主力則用品質接近 Astra 的 GPT-6.1 Sol。
• 21:31 目標是在市場上每個價位，都提供最好的智慧與能力組合
  ↳ 整體策略是：不管你預算多少，每個價位都給你那個價錢能買到的最好能力。
• 22:03 預覽新的 decisions API：模型能在不到一秒內回應，互動起來幾乎是即時的；demo 中操作電腦的畫面沒有加速
  ↳ 預覽 decisions API：模型不到一秒就回應，幾乎是即時的。示範中模型操作電腦的畫面是原速播放，沒有快轉。
• 22:03 decisions API 的原理是給 Luna 模型一組預先定義的選項來挑選，例如路由請求、分類圖片、決定 agent 下一步
  ↳ 原理像選擇題：不讓 Luna 模型自由作答，而是給它幾個選項去挑。例如這個請求該轉給誰、這張圖屬於哪一類、AI 助理下一步做什麼。
• 22:35 讓模型專注在「做選擇」上，就能非常快，同時保留圖像理解、廣泛的語言支援和安全防護
  ↳ 因為只要「挑一個」，模型可以非常快，同時還保有看懂圖片、支援多種語言和安全防護這些能力。
• 22:35 OpenAI 現在在智慧、價格、速度、語音、圖像各類別都提供領先模型，希望成為開發者的一站式平台
  ↳ OpenAI 說自己在聰明程度、價格、速度、語音、圖像各方面都有領先的模型，想讓開發者需要什麼都在這裡找得到。
• 23:07 去年這個時候，Sam 和 Yacob 在直播中預測一年內會出現第一個 AI 研究實習生，當時外界普遍不看好；幾週前 OpenAI 宣布已達成這個目標
  ↳ 去年 Sam 和 Yacob 在直播中預言，一年內會出現第一個「AI 研究實習生」。當時很多人不信，OpenAI 幾週前宣布已經做到。
• 23:40 AI research intern 是指：能接手定義清楚的研究任務，而這類任務原本要熟練研究員花很多時間和力氣才能完成
  ↳ 「AI 研究實習生」的意思是：題目定義清楚的研究工作，原本要熟練的研究員花大把時間完成，現在可以交給它接手。
• 24:14 Tejal 是 post training 的 research lead；Astra 及相關模型擅長數學、寫程式和 computer use，這些對研究都很重要
  ↳ Tejal 負責 post training（模型基本訓練完後，再調教能力與行為的階段）。Astra 擅長數學、寫程式和 computer use（操作電腦），這些都是做研究的基本功。
• 24:14 用好模型做研究，能幫助訓練出更好、對齊程度更高的未來模型
  ↳ 用好的模型幫忙做 AI 研究，就能訓練出更強、也更守規矩的下一代模型。
• 24:14 Tejal 團隊負責 computer use；模型協助讓 Astra 在桌面與瀏覽器操作的速度、表現、安全上都有跨越式進步
  ↳ Tejal 團隊負責讓模型會操作電腦。靠模型幫忙，Astra 操作桌面和瀏覽器時，在速度、表現、安全三方面都大幅進步。
• 24:45 未加速的 demo 範例：處理法務任務、設計電玩素材、製作 dashboard，甚至填寫報稅資料
  ↳ 原速播放的示範中，模型自己在電腦上處理法務工作、設計遊戲素材、做數據儀表板，甚至填報稅資料。
• 24:45 模型協助優化 computer use 用的 harness：讓模型持續循環執行，找出能同時改善 latency（x 軸，越低越好）與 performance（y 軸）的改進
  ↳ harness 是包在模型外、讓它能操作電腦的執行框架。他們讓模型反覆自己試、自己改這套框架，找出能同時縮短等待時間（latency，延遲）又做得更好的方法。
• 25:22 這些改進被放進正式環境的 prod harness 並用來做 post-train，已帶來超過 2 倍的 latency 改善，並已上線給使用者
  ↳ 這些改良被放進正式上線的框架，也拿來訓練模型。延遲因此改善超過 2 倍，一般使用者現在已經用得到。
• 25:22 模型也透過改善監控和模型行為訓練，提升在不安全情境下的拒絕能力，讓 Astra 的 computer use 更安全，在 computer use stress tests 上達到業界領先
  ↳ 安全方面也靠模型幫忙：改善監控和行為訓練，讓它在不安全的情境下更懂得拒絕（refusals），在極端壓力測試（stress tests）上表現業界領先。
• 25:52 因此模型在操作桌面或瀏覽器時更不容易出錯，也更符合使用者意圖，這對 dots 很重要
  ↳ 結果是模型操作電腦時更少出錯，也更照你的意思做。這對要替你實際辦事的 dots 很重要。
• 25:52 除了 computer use，模型也在加速整體研究；團隊追蹤研究中的 token 用量，今年夏天之後內部用量暴增，而且看得到回報
  ↳ 不只操作電腦，模型也在加速整體研究。團隊追蹤研究用掉的 tokens，今年夏天後內部用量暴增，而且確實看得到成果。
• 26:23 1 月時，模型在 15 分鐘內的短任務上相當成功，但一天以上的任務絕大多數失敗；到了 7 月，模型已能在完全不需介入的情況下完成超過三分之一的一整天研究任務
  ↳ 進步速度很快：1 月時，模型只擅長 15 分鐘內的短任務，一天以上的任務大多失敗。到 7 月，已有超過三分之一的一整天研究任務能全程自己完成。

根據演講，ultra fast 相較於標準版的速度與價格是多少？