OpenAI联创兼CEO山姆·奥特曼。图片经由AI处理

仅仅在两天前的8月26日，比尔·盖茨还发布公开信“扮演”着当代卡珊德拉的角色，忧心忡忡地向全世界预警一场史无前例的失业危机。

这位退休的首富字里行间流露出的悲天悯人，几乎要让人为人类打工者的暗淡未来掉下几滴眼泪。

然而，硅谷的科技巨头们显然没有给这种老派的感伤留出任何消化时间。就在盖茨的叹息声还没在互联网上完全消散时，从OpenAI到盖茨创立的微软，大佬们已经迫不及待地鸣响了新一轮“军备竞赛”的发令枪。

这一次他们竞逐的是谁家的AI牛马更能没日没夜地拉磨。

比起为人类的饭碗发愁，硅谷显然更迷恋自动化的性感。在这个由代码驱动的资本新世界里，悲悯是留给慈善家的一道配菜，而榨干AI的每一滴算力，才是绝对的主菜。

01 OpenAI想让AI“永不下班”

OpenAI的最新尝试就是此类。

目前出现在Codex命令行版本代码中的Persistent mode（持续模式），就是一次尝试。该功能属于“reasoning effort（推理投入）”设置的一部分，用户可以选择模型在处理任务时投入的计算资源、Token数量以及运行时间。



如果开启持续模式，Codex就不会在完成最初任务后立即结束。

其中一个关键能力是“proactivity（主动性）”。相关代码显示，Agent可以根据此前的交流内容自行生成后续任务，并跨多个会话继续执行。用户交代一个目标后，不必每完成一步就重新发出指令，Codex可以自己判断接下来还需要做什么。

这并不是AI第一次被允许在主人离开后继续活动。年初走红的OpenClaw已经有一颗“心脏”，每隔半小时醒来，读一遍HEARTBEAT.md，看看邮件、日历或待办有没有异动，没事便回一句HEARTBEAT_OK，再睡过去。

但OpenAI的Persistent mode更像把闹钟换成了领班。它不是一团昼夜燃烧的意识，而是一连串被重新叫醒的模型回合。但Codex醒来后不只检查清单，还被要求自己寻找原任务留下的尾巴，决定下一步，等结果，再继续。



对OpenAI来说，这项更新背后的目标远不止延长运行时间。

OpenAI首席执行官山姆·奥特曼此前多次提到，他希望ChatGPT从一个等待用户提问的产品，逐渐变成能够主动提供帮助、持续执行任务的Agent。也就是说，AI真正有用的状态，不应该是“你问我答”，而是用户给出一个目标后，AI能够自己把事情往下做。

OpenAI对AGI的定义，本身也与这种能力有关。

《时代》杂志近期对OpenAI的报道显示，公司内部对Agent能力的期待已经延伸到了AGI。OpenAI将AGI定义为“高度自主、能够胜任大多数具有经济价值的工作”系统。按照这一标准，公司目前认为距离AGI已经比较近。



OpenAI首席研究官马克·陈（Mark Chen）估计，公司已经完成了大约80%的进程。奥特曼则预计，到2026年底，公司内部可能会出现一个可以称为AGI的系统。

问题也随之变得具体起来：如果AI要承担“大多数具有经济价值的工作”，它就不能只会回答问题，还得能够自己把一项工作做完。Astra正是OpenAI用来验证这一方向的重要模型。

在OpenAI向客户展示的内部演示中，Astra可以让多个AI Agent分解复杂的数学问题，分别处理子问题，再把结果组合起来；它也能够操作电脑软件，在不同应用之间完成一套工作流程。

更值得注意的是，Astra已经开始被用于自动化部分研究工作。

OpenAI今年设定的一个内部目标，是让AI承担初级研究人员的部分工作。首席科学家雅各布·帕乔基（Jakub Pachocki）表示，Astra已经达到公司内部的一项标准：给它一个实验想法，它可以在OpenAI的代码库中完成实现、运行实验并返回结果；给它一篇论文，它也可以完成过去一名研究人员可能需要一周才能完成的工作。

未来，用户只需要提出目标，系统可以自行选择模型、工具和Agent，完成邮件处理、日程安排、代码运行以及研究任务等工作。

但能力越强，Agent的权限边界也越需要被控制。OpenAI并没有因为持续运行能力的加入，就放开Agent的全部权限。如果任务涉及修改用户系统之外的内容，仍然需要人工批准。

此前，OpenAI也曾推出Pulse等主动型AI产品，但最终停止运营。如今重新押注持续型Agent，目标显然更加集中：让AI真正承担一段持续性的工作，而不只是完成一次对话。

02 巨头开始抢“全天候员工”

OpenAI之外，微软、SpaceXAI和Meta也在从不同方向推进Agent。

微软选择的是企业办公场景，其推出的Scout属于Autopilot Agent类别，可以长期运行在后台，并根据用户授权执行任务。



Scout与Microsoft 365深度结合，可以连接Teams、Outlook、OneDrive和SharePoint，读取聊天、邮件、日历和联系人等信息。用户可以通过Teams与Scout交互，也可以让它延伸到桌面应用、浏览器以及其他资源。

Scout主要处理的是企业里那些琐碎却持续存在的工作。例如安排跨时区会议、提醒重要事项、准备会议材料、跟踪待办任务，以及发现可能影响项目推进的问题。

随着使用时间增加，Scout还可以积累工作上下文，逐渐了解用户的工作方式。

不过，企业真正关心的，则是Agent获得这些信息之后能做什么。微软因此为Scout设置了独立身份和访问控制机制。每个Agent都有独立的Entra身份，企业可以限制它能够访问的数据和资源；涉及敏感操作时，也可以要求人工确认。

相比微软专注于办公场景，SpaceXAI推出的Grok Bot更接近“AI同事”的概念。



Grok Bot被定位为全天候工作的Agent，拥有自己的云端计算环境，可以登录用户使用的工具和应用，处理邮件、软件和网页任务，并在需要批准时返回给用户。它不要求用户提前搭建一套复杂的自动化流程。用户可以像给同事分配工作一样直接交代目标，Agent再根据任务自行处理。

在SpaceXAI内部测试阶段，Grok Bot已经被用于销售外联、市场活动、办公运营和软件漏洞修复等工作。

例如，销售Bot可以更新客户关系管理系统、整理通话记录；运营Bot可以处理员工入职和发票；工程Bot则可以复现软件问题、提交漏洞记录，再交给其他Bot继续处理。

Grok Bot还支持多个Agent协同工作。用户可以同时安排多个Bot执行不同任务，再由一个管理型Bot负责协调。不同Bot之间共享上下文，在同一个项目中完成分工。

Meta的思路则不同。Meta发布了Muse Glimmer，一个面向本地AI Agent的30B参数开放权重模型。它的目标，是让Agent直接运行在个人电脑或Mac上，而不是完全依赖云端。



为了适配消费级硬件，Meta对模型进行了优化。完整精度版本需要超过55GB显存，经过量化后可以降低到20GB以内，从而运行在24GB或32GB显存环境中。

Muse Glimmer重点针对任务执行、工具调用、多步骤推理以及任务失败后的恢复能力进行训练。

这类能力对于Agent尤其重要。聊天模型只需要给出一个合理答案，但Agent需要面对真实任务中的各种变化：工具可能调用失败，步骤可能出现问题，原来的计划也可能需要调整。Meta希望通过开放模型，让开发者在个人设备上构建AI助手、编程工具和任务执行系统。

三家公司虽然路线不同，但共同点也很明显：Agent开始从一次性的“调用”变成长期存在的工作角色。

而当它们走出办公软件之后，下一个问题就出现了：如果AI不仅要操作电脑，还要操作实验仪器、机器人和工业设备，该怎么办？

03 Anthropic给AI接上“硬件接口”

AI Agent过去主要活在电脑里。它可以读邮件、写代码、整理资料，但如果要进入实验室、工厂甚至机器人系统，仅靠软件接口显然不够。

Anthropic推出的Model Hardware Standard（MHS，模型硬件标准），就是针对这一问题提出的方案。目前，这项标准仍处于研究预览阶段。

过去，如果AI需要操作某种专业设备，通常需要开发者单独提供接口、说明文档，甚至进行额外训练。不同设备有不同的控制方式，AI很难直接理解它们的功能和限制。MHS希望把这些信息标准化。

例如，机械臂厂商可以通过MHS定义设备的运行规则，包括移动速度、角度限制和安全操作范围。AI在调用设备时，就可以按照这些约束执行任务。

Anthropic认为，这对于科学研究和工业制造尤其重要。实验室里有大量专业设备，但由于操作复杂，往往只有少数专家能够熟练使用。Anthropic生命科学业务负责人乔纳·库尔（Jonah Cool）表示，很多科学工作难以开展，原因之一就是研究人员难以使用相关设备。

MHS希望让Claude成为科学家与设备之间的接口。这一思路与Anthropic此前推出的Model Context Protocol（MCP）类似。MCP主要解决AI如何连接第三方软件的问题，可以让AI接入邮件、日历、数据库和协作工具。MHS则把这一思路进一步延伸到硬件。

Anthropic技术人员亚力克·凯梅尼（Alek Kemeny）表示，MCP解决的是软件连接问题，MHS希望解决硬件连接问题，尤其适用于拥有大量设备的实验室环境。

目前，Anthropic已经与AWS、Danaher、Hugging Face以及Raspberry Pi等机构测试MHS。

在一项测试中，生物科技公司Genentech的一名科学家向Claude提供实验设计文件，Claude能够通过支持MHS规范的设备自动执行实验流程。

到这里，AI Agent的边界已经从聊天窗口进一步延伸出去。AI不再只是等着用户下一句话。它开始记住任务、调用工具、继续工作，也开始尝试进入真实的工作环境。

AI Agent竞争正在从“谁的模型更强”，转向“谁能让AI真正完成人类可以完成的完整的工作”。