祛魅后的OpenAI：理想主义者的务实运转

赵迪在加入OpenAI后，经历了一个从兴奋到“祛魅”的过程。起初，作为全球最受关注公司的员工，他感到神秘且兴奋；但随着工作深入，他发现公司运转并非不可捉摸。OpenAI的核心秘密在于拥有一群踏实、疯狂且带有理想主义的做事的人。在组织架构上，OpenAI保持相对扁平化，全员定位为“技术成员（Member of Technical Staff）”，期望每个人都能动手做事。这种文化强调自下而上的创新与自上而下决策的平衡，扁平化结构在AI时代被视为最高效的运转形式。赵迪认为，这种去层级化的环境让他能专注于工程本身，而非职场政治。

X平台的剧变：第一性原理与残酷清洗

回顾在Twitter（现X）的七年，尤其是马斯克接管后的时期，赵迪将其描述为对身心和世界观的巨大冲击。Twitter曾拥有类似Google的工程师文化，讲究共识、文档和缓慢推进；而马斯克则从第一性原理（First Principle）出发，认为本质问题只需极少人解决。马斯克是一个“最混蛋的人”（the biggest asshole），他在工作中极其冷酷，没有任何情感成分。他裁掉了大量工程师，甚至包括像George（iPhone首个黑客）这样的核心人物。赵迪指出，马斯克的行为并非故意作恶，而是基于极致的效率逻辑。这种“火灾后红杉树才能生长”的残酷清洗，虽然摧毁了旧有的硅谷大厂文化，但也让留下的团队更加精简高效。

职业探索与收敛：寻找“方向性优势”

赵迪的职业轨迹横跨Oracle、摩根士丹利、Salesforce、Netflix到Twitter，看似踩中每一个科技风口，实则是双向奔赴的结果。他花了很长时间才“收敛（converge）”到自己真正热爱的基础设施工程领域。早期他在Oracle等公司尝试全栈工作，但发现缺乏兴趣；直到在Twitter处理大规模数据推荐系统时，才确认自己对解决效率问题的热爱。赵迪强调，了解自己并选择一条路踏实走下去，比盲目追逐风口更重要。这种“方向性优势（directional advantage）”让他最终在OpenAI的Infra领域找到了归属感。他对比了马斯克从3岁就确定火箭梦想的特质，承认自己探索期较长，但最终找到热爱之事是幸运的。

离开X的动因：学习曲线平滑与AI的使命

赵迪最终选择离开X加入OpenAI，主要基于两点考量。首先是学习曲线变平滑：他在Twitter深耕搜索、广告和推荐（搜广推）多年，行业瓶颈显现，工程师高薪却仅为了微小的参与度提升感到虚无。其次是对AI奇点的信念。他认为ChatGPT 3.5的发布是通往智能奇点的关键一步，让“智能即服务（Intelligence as a service）”成为现实具有崇高的使命感。尽管马斯克的管理风格令人不适，但其宏大的愿景（如Tesla、SpaceX）曾吸引过纯粹想做成“不可能之事”的工程师。然而，当个人成长停滞且行业方向不明时，转向更具颠覆性的AI领域成为必然选择。赵迪认为，真正的自由如同鸟从悬崖俯冲再拉起，是一种突破极限的状态。

马斯克的管理哲学：以梦想驱动与“降维打击”的工程思维

埃隆·马斯克的领导风格核心在于用远大的梦想吸引并筛选出真正相信它的人。他并不追求短期的ROI，而是设定如TikTok或火星移民般看似不可能的目标。这种10倍于现状的愿景能够留下那些能忍受极端压力、拥有极强执行力的核心团队成员。在自动驾驶领域，马斯克采取的是高阶化问题定义的策略，即构建一个能理解世界的端到端神经网络模型（FSD），而非像Waymo那样依赖高精地图和大量if-else逻辑补丁。这种治本而非治标的工程思路，虽然实施难度极大，但一旦成功将对传统方案形成降维打击。马斯克深知物理世界的制约，但他坚持通过更高一层的维度来解决底层逻辑问题。 > “他的梦想就是至少是10倍现在的状态……或者根本不可能去就看起来不可能的去Mars”。

极端环境下的职场生态：华人工程师的适应与筛选机制

在X（原Twitter）工作意味着进入一个高压且充满不确定性的环境，马斯克被形容为具有阿斯伯格特质、情感EQ较低的管理者。他缺乏耐心，对不关键的问题直接跳过或终止对话，甚至要求员工自费购买披萨以灌输极简主义和专注做事的文化。这种风格导致许多习惯大厂舒适区的员工离职，但华人工程师群体中却有不少人选择留下。这并非因为他们喜欢被PUA，而是因为在屏蔽负面反馈后，拥有极大的做事空间和上升通道。对于经历过社会捶打、专注于技术本身的人来说，这种结果导向的严苛环境反而提供了纯粹的技术发挥空间。 > “华人就比较大概在社会中受锤的这种经历比较多……如果能习惯的话你做事的空间很大”。

Navi推理引擎：从Ads到Recommendation的成本革命

赵迪在X期间主导开发了Navi，这是一个高性能的推理引擎（Inference Engine）。其核心目标是解决大规模神经网络服务中的成本、稳定性和延迟问题。在收购前，赵迪用Rust编写了一个玩具级引擎，发现其性能比原有系统提升了一个数量级。落地后，Navi首先在Ads业务中应用，显著降低了计算成本；随后在马斯克收购X后，被推广至Recommendation业务。由于社交网络的核心逻辑均依赖神经网络进行评分和推荐，Navi的引入统一了底层推理架构。马斯克对此表示认可并给予了资源支持，因为省钱且提升效率的工程成果符合他的核心利益。 > “写出来的比外面的或者是我们当时的那一套要有一个数量级的提高提升”。

“Elon Rule”：如何与“最混蛋的人”高效协作

马斯克的管理存在一套独特的生存法则，即Don't say no（不要说不）和Two-week rule。面对他提出的看似不可能完成的任务，员工不能直接拒绝，而应表现出执行意愿并持续反馈。马斯克虽然苛刻，但极度重视工程实际成果和主观能动性。如果员工在过程中展现出强大的执行力和阶段性进展，即使最终结果未完全达标，他也会予以认可。相反，仅靠人际关系或加班表演而无实质产出的员工（如搭帐篷过夜却无结果的PM）会被迅速淘汰。马斯克软硬不吃，只有用硬核的工程交付物才能赢得他的尊重。 > “Elon rule就是don't say no……但是你要真的要去做”。

天才与“天才病”：从0到1的驱动力

硅谷的创新生态建立在一种独特的心理特质之上，即所谓的“天才病”。这种状态并非病理性的缺陷，而是一种对周遭评价脱敏、甚至带有妄想色彩（delusional）的执着。在赵迪看来，真正的创新者往往需要这种近乎偏执的信念来对抗工程师群体中常见的现实桎梏与保守思维。> “天才病的人他可能就有一种不能叫病态吧，他可能确实感受不了别人周遭对他的影响”。这种特质使得他们能够无视“这也不行、那不行”的工程惯性，坚持推进那些看似不可能的从0到1的突破。相比之下，“天才”可能更在意他人评价，而“天才病”者则因无法感知外界负面反馈从而具备更强的抗压性与执行力。这种盈亏同源的特质，结合愿意共同做梦的资本支持，构成了硅谷区别于其他地区（如中国擅长从1做到100）的核心竞争力。只有这种crazy的梦想家，才能在工程理性的冷水中点燃创新的火种。

Navi引擎：推荐系统时代的浪漫主义工程实践

Navi项目的命名源自电影《阿凡达》中驾驭飞兽的“天空之人”，象征着自由与突破重力束缚的工程浪漫主义。作为Infra工程师，赵迪将个人对自由的向往融入枯燥的基础设施架构中。Navi本质上是一个推理引擎（Inference Engine），旨在解决推荐系统中模型服务化的核心痛点。在Twitter的信息流分发中，从每日数十亿条推文到最终展示的100条内容，需经过候选生成、粗排（Candidate Generation & Coarse Ranking）和精排（Fine Ranking/Re-ranking）等多阶段漏斗。Navi的核心角色是高效执行神经网络推理，输入数据并输出排序分数。其技术实现源于赵迪对Rust语言的喜爱及早期在Solana合约开发中的经验，他在短短一两周内便完成了原型。> “工程师的一种就是把自己喜欢的东西融入到这个工程的架构当中是一件就挺浪漫的事”。这一引擎在赵迪离职前已统一了Twitter所有广告与推荐系统的核心Infra，证明了高效的数据序列化/反序列化及模型推理加速在大规模分布式系统中的关键价值。

大模型服务化：Serving工程的核心挑战与演进

进入大语言模型（LLM）时代，虽然计算范式从传统推荐算法转向了Transformer架构，但模型服务化（Model Serving）的核心挑战并未发生本质改变。赵迪指出，当前的瓶颈主要集中在两个维度：一是模型计算本身的效率优化，二是请求路由（Routing）的高效性。具体而言，通过Batching将多个用户请求合并处理以最大化GPU利用率，以及利用KV Cache缓存昂贵的计算结果以避免重复运算，仍是提升吞吐量的关键手段。> “其实这个以前recommendation还都走过一遍或者说大的思路上是一样的”。此外，数据在不同模块间的反序列化与序列化（Deserialization/Serialization）开销在Serving层面变得尤为显著，成为影响延迟的重要隐性成本。尽管LLM带来了新的复杂度，但基础设施工程的底层逻辑依然相通。对于旨在提供“智能即服务”（Intelligence as a Utility）的公司而言，Serving工程的重要性与模型训练本身同等重要（Equally Important）。若公司仅追求开源模型的学术影响力，可能忽视Serving；但若面向大规模商业应用，高效的推理服务系统才是决定用户体验与成本效益的生死线。

模型优劣的多维定义：快、准与场景适配性

评估AI模型的“好坏”并非单一维度，而是高度依赖于用户角色、任务类型及场景需求。赵迪认为，不存在“万能”的模型标准。对于前端工程师或需要即时反馈的用户而言，响应速度（Speed）和交互的流畅性可能比极致的智力更重要；而对于科学家或需要严谨论证的研究者，准确性（Accuracy）和逻辑的一致性则是首要标准。> “有的人就很喜欢因为他给你马上的immediate feedback... 但对我来说我有可能现在已经define一个task然后你做完了做完了就只要不要出错你多次就是你慢一点也行”。这种差异导致了AI应用的多元化趋势。在实际使用中，用户可能会根据任务切换不同模型：例如用ChatGPT处理日常沟通与记忆关联（因其了解用户上下文），用其他模型进行深度研究或艺术创作。赵迪观察到，即使是同一款模型（如DeepSeek R1与Qwen），不同用户的评价也截然不同：有投资人认为R1幻觉率高、准确度不足，而Qwen在转录和翻译任务上表现极佳。这表明模型能力的评估具有强烈的主观性和场景依赖性。未来的AI生态将是多元共存的，用户需根据自我提升（Self-improvement）的需求和具体任务特性，灵活选择最适配的工具组合。

GPU算力制约下的中美模型差异与世界模型的渐进路径

在中美大模型发展的对比中，GPU的存量与增量是造成差异的核心变量。由于国内在计算资源上相对受限，差异化竞争成为必然选择；而模型参数的规模直接决定了能力的上限。关于AGI的终极形态，李飞飞教授提出的“世界模型”被视为融合视觉、语言与行动能力的关键方向，但这并非一蹴而就。赵迪认为，“everything is a function of time”，世界模型是必然终点，但不同阶段需做不同的事。当前最紧迫且能带来即时、可验证提升的领域是Coding（代码生成），因其训练成本低且文本数据尚未被完全挖掘。与此同时，Elon Musk通过xAI及数据中心布局，正逐步将硬件优势转化为数据壁垒，特斯拉可能掌握通往世界模型的关键数据。赵迪指出，Musk虽被称为“最混蛋的人”，但其将不可能变为现实的执行力值得敬佩，这种基于认清现实后的“真爱”驱动了技术的稳步前行。

智能平权愿景与资本逻辑下的阶级分化风险

赵迪加入OpenAI的深层动机源于对“智能平权”理念的认同。他观察到，人类本性自私，若缺乏强力干预，权力与智能终将私有化并沦为阶级区分的工具。OpenAI提出的“Intelligence Utility（智能公用事业）”概念，旨在通过明码标价的模式让大众平等获取AI能力，这比将其变为特权阶级的专属更具伟大意义。然而，这种市场化机制也可能加剧贫富差距。资本不再依赖劳动力即可产生价值，正如《资本论》所预言的演进方向，当机器人取代人力后，社会结构可能面临严峻挑战：富人无需底层服务，而失去存在意义的庞大人口群体将引发社会动荡。赵迪对此感到“可怕”，认为若现有私有制不变，未来可能出现无需人类参与的资本闭环，其后果堪比科幻电影《黑客帝国》中的场景。

工程师角色的重构：从代码编写到架构直觉与品味

随着Codex等工具在OpenAI内部普及，编码效率实现了数量级的提升。数据显示，自年初以来Codex的使用量增长了约8到10倍，亚太地区更是达到12倍。许多工程师迅速转向使用Codex，将原本需一个月的工作缩短至一周。但这并不意味着工程师需求的消失，而是工作性质的动态扩张。赵迪强调，未来的核心能力不再是手写代码的行数，而是发现问题、驾驭模型及做出系统级判断的能力。他提出“Taste（品味）”这一概念，即工程师需具备对系统方向的直觉和逻辑一致性判断，这是AI目前无法替代的。对于“Vibe Coding”（氛围编程）无需学习基础的观点，赵迪持反对态度。他认为必须通过从零开始的编码训练建立对系统的敏感度（Sense），否则无法在架构设计中做出正确取舍。未来可能出现初级工程师断层，拥有扎实编码经验的Junior Engineer反而更吃香。此外，AI在方向性判断上仍需人类纠正，工程师的角色正从“维持秩序的执行者”转变为“发明家与秩序的推进者”。

教育颠覆、职业转型与新增长点的寻找

AI对教育的冲击是根本性的。赵迪认为，大学教育速度滞后于技术迭代，AI的知识库广度与准确性远超传统教师，且具备强大的泛化能力。虽然K12制度变革缓慢，但AI颠覆教育是大势所趋。在职业层面，他并不认为AGI奇点会带来瞬间的大规模失业浪潮，而是一个循序渐进的过程。关键在于能否快速找到新的经济增长点。例如，若SpaceX将航天变成巨大工业，将催生大量未知工种。在转型阵痛期，原始的热情（Passion）成为支撑个人发展的核心动力。赵迪分享了一位OpenAI同事的副业——磨刀，因为机器人无法感知手劲与刀具状态。这暗示了未来社会中，那些依赖人类直觉、手感及复杂情境判断的工作难以被完全取代。工程师需回归对技术的热爱，而非仅出于功利目的，才能在AI辅助下探索更宏大的目标。优秀的工程师将专注于提出独特点子并将其推行，而AI则负责处理重复性秩序维护工作。

SaaS的生死存亡与估值逻辑

关于AI是否会彻底杀死软件行业，赵迪认为这并非简单的二元对立，而是一个加速淘汰低效产品的过程。他指出，许多现有软件依赖用户的惰性生存，而AI的介入将打破这种平衡。“SaaS只会杀死那些弱的”，真正具备竞争力的软件公司会利用AI功能自我革新。然而，从投资角度看，核心问题在于估值逻辑的重构。过去的高估值部分源于缺乏AI威胁的确定性环境，如今面对AI带来的颠覆性风险，市场必须重新评估这些公司的真实价值。虽然生存机会依然存在，但“被淘汰的过程现在会加快很多”，那些无法适应技术变革的企业将被市场无情出清。

具身智能与产品力的终极考验

在评估AI初创公司的投资价值时，赵迪强调“解决什么样的问题”比是否使用AI技术更为关键。他举例提到宠物护理等细分领域的有趣尝试，但更看好具身智能（Embodied AI）在物理世界的落地潜力。他认为，真正的机会在于解决人类生活中的具体痛点，如“给我每天把家里扫干净的一个机器人”或做饭助手。目前市面上的扫地机器人仍存在卡顿、缠绕等问题，尚未达到理想状态。“我需要一个就是你给我从头到尾做完这件事情 不需要我管”。只有当服务像水电一样稳定可靠，实现“intelligence as a utility”时，才算真正成功。当前的许多产品口号大于实质，距离让用户“一尘不染 然后你什么什么都不用做”的极致体验仍有差距。

AGI平权的伦理使命与社会隐忧

回顾技术演进，赵迪认为ChatGPT 3.5的发布是“0到1”的革命性起点，而后续的Agentic功能属于从1到100的优化。他投身OpenAI的基础设施工作，核心使命是实现“intelligence as a service”和智能平权。他担忧社会可能走向《头号玩家》或《黑客帝国》式的分裂：少数精英掌握高级智能，而大众沉溺于虚拟世界的麻醉中。“统治阶级有可能 就会把社会往这个方向引”，因为这种通过精神麻痹维持的稳定形态最可怕。他明确表示不希望人类社会陷入“急速的分割”，智能平权不仅是技术目标，更是防止社会毁灭的道德底线。这种使命感驱动着他致力于让技术服务于更广泛的人类进步。

自由定义与未来行业格局预测

对于个人层面，赵迪认为“自由其实是一种心灵的状态”，但作为俗人，他承认需要物质基础来支撑这种精神自由。目前因育儿责任，他尚未达到完全自由的境界，但从事感兴趣的工作已是一种次级自由。展望未来十年大模型行业格局，他预测将分为开源与闭源两大生态系统。闭源领域可能仅剩几家头部公司，因为集中化才能“有效率 会才会把价格打下来”；而开源生态则可能百花齐放，通过交叉创新产生有趣成果。他认为现在再进入闭源前沿领域为时已晚，未来的竞争将是两个生态系统之间的博弈与互补。

结论

赵迪通过对OpenAI、X及Infra工程的深度实践，论证了基础设施效率与智能平权的核心价值。Navi引擎在X平台验证了高性能推理对成本控制的决定性作用，而Codex数据表明AI显著提升了编码效率但重构了工程师角色。AGI并非单一模型胜利，而是开源与闭源生态的博弈；智能平权虽面临资本私有化加剧阶级分化的风险，但通过“智能公用事业”模式可缓解社会撕裂。未来竞争力取决于系统架构直觉与解决物理世界痛点的具身智能落地，而非单纯的技术堆砌。