top of page

據報 OpenAI 與 Goodfire 曾討論收購

5 小時前
讀畢需時 12 分鐘
Illustrative photograph. Photo: Yan Krukau / Pexels.

據報 OpenAI 與 Goodfire 在 2026 年夏季曾進行收購洽談,儘管雙方未有公布任何收購安排。根據報道所述的收購討論,OpenAI 曾探索收購這間初創公司,或尋求其他商業合作安排。當中的核心張力很直接:建立出強大的 AI 模型,不等於理解其行為背後的每一個機制。

The Information 於 2026 年 11 月 16 日刊出相關報道。36Kr 在 11 月 17 日的摘要轉述了兩名匿名消息人士的說法。摘要指出,OpenAI 行政總裁 Sam Altman 與 Goodfire 曾會面;Goodfire 是一家研究可解釋性的初創公司,相關領域專注於研究模型的內部運算。

另一項發展為分析提供了更穩固的基礎。Goodfire 於 11 月 16 日公布與 OpenAI 展開研究合作。收購討論仍屬報道記錄;合作則有公開文件佐證。兩者共同帶出 AI 監督的一個實際問題:開發者需要掌握多少可見性,才能解釋並修正一次意外失效?

OpenAI Goodfire 收購報道所確立的內容

據報事件是對收購及合作選項的探索,而非已公布的股權變更。

這個分別決定讀者應如何理解下文內容。假如報道準確,會面可證明存在興趣,卻不能證明已有獲接受的要約、具約束力的協議、監管審查或已完成的交易。現有可取得的證據不足以支持將 Goodfire 視為 OpenAI 的附屬公司。

根據 36Kr 摘要,OpenAI 管理層曾與 Goodfire 會面,當時團隊正研究涉及公司 AI 的安全問題。摘要稱,一名高層提出可能收購或建立另一種商業關係。這些細節仍是具來源歸屬的報道,而非在所審閱資料中由任何一家公司獨立確認的說法。

The Information 的原始文章設有訂閱門檻。其公開可見內容未有披露記者取得的完整消息來源、時間線或回應,因此限制了對相關說法的獨立核實。這亦意味缺失的細節應維持缺失,而不應根據標題加以重構。

報道的時間亦需要同樣審慎看待。2026 年夏季指稱的是據稱討論的時期;11 月 16 日則是原始報道的刊出日期。本文分析日期為 11 月 18 日,並不代表這些討論是一項正在進行的收購要約。延遲披露的報道可以反映策略興趣,卻未必描述活躍的談判。

Goodfire 的融資歷史提供了背景,但無法證明 OpenAI 曾考慮支付多少金額或背後原因。該初創公司於 2 月 5 日發表的 Series B 公告,提到融資將用於擴展其可解釋性工作,亦列出既有合作關係,並概述其理解及修改模型行為的目標。這些均是公司就自身發展方向所作的聲明。

分析上的意義在於被考慮的能力。一項針對模型開發商的收購,主要可能反映對模型、分發能力或工程資源的興趣。據報對 Goodfire 的興趣,則指向用以研究模型本身的工具。這種解讀關乎該初創公司所聲稱的專長,而非經核實的 OpenAI 談判動機說法。

同樣沒有理由假設後續合作已解決收購討論。研究協議與股權交易涉及不同承諾,可以並存、沿著無關軌道進行,或反映不同決定。所審閱的公開公告並未解釋兩者關係。

因此,結論可以較為狹窄但仍具價值:據報 OpenAI 曾考慮與一家模型檢視專家建立更緊密的商業關係;另一方面,兩家公司亦公開描述了共同工作。下一個問題是這項工作能揭示甚麼,而不是把一場據報討論當作已達成交易。

壓力落在解釋模型失效的團隊身上

眼前的營運挑戰,是把意外行為轉化為工程師可採取行動的診斷。

成功的回答只能告訴開發者模型完成了一項任務;失敗的回答則告訴開發者出了問題。兩種觀察都未必能識別應負責的內部流程。對於正決定是否修改訓練、限制存取權限或延遲部署的團隊而言,缺少這種解釋至關重要。

實際壓力落在調查失效的研究人員,以及負責保障措施的工程師身上。企業買家在評估供應商保證時亦面對相關問題。他們需要區分測試結果與解釋,並區分解釋與證明修正措施有效的證據。

試想一個示例性的工作場所代理程式:它會搜尋文件,並建議修改共享專案。若它嘗試未經授權的行動,其最終訊息對成因可能揭示不多。調查人員會希望區分它是誤解指令、獲授過多權限,還是在訓練期間學得某種行為。這些解釋需要不同回應。

這個例子不是已記錄的 Goodfire 部署,也不是對 OpenAI 事故的重構。它說明了為何更深入的檢視具實際價值。限制工具權限可處理代理程式能做甚麼;調查模型則處理它為何嘗試該行動。穩妥的回應可能同時需要兩者。

OpenAI 發表的嵌入式評估計劃描述了其與 Apollo Research、METR、Transluce 及 Goodfire 的協議。嵌入式評估讓外部專家在較長期間內存取指定內部系統。OpenAI 表示,存取範圍取決於評估內容,資源可能包括模型版本、程式碼、數據及監察系統。

公司為參與機構分配不同目標。Goodfire 所述角色聚焦於模型內部、訓練監察、除錯及對齊,即行為是否符合預定目標。這種安排令專門調查工作更接近模型開發過程,但本身並不能證明任何特定安全問題已被解決。

對開發者而言,重要分別在於:是在部署後觀察失效,還是在模型建構期間調查其行為。較早取得存取權,會創造檢視行為如何變化的機會。這些機會能否產生可靠解釋,仍是一個實證問題。

對企業買家而言,這改變了值得提出的問題。若不知道評估範圍,評估名稱本身幾乎沒有指引作用。研究人員檢視了哪個模型?調查了哪些風險?獲得了甚麼證據?哪些內容仍無法存取?這些答案能令相關工作在評估供應商時更有用。

知識工作者的利害關係較簡單。助理流暢的解釋,不應自動決定其行動原因。指令、檢索材料、工具呼叫及批准紀錄仍然很有價值。對維護這些紀錄的團隊而言,一個可搜尋的知識庫可支援調查,但不能取代技術評估。

因此,OpenAI Goodfire 收購故事與一項具體營運議題相交:只有當調查人員能把發現連結至決策,檢視工具的存取權才有意義。其價值在於更好的診斷與修正,而不是多了一個安全標籤。

內部檢視帶來超越可見回答的證據

Goodfire 擬提供的是另一種有關行為的證據來源,並有其自身限制及驗證要求。

Goodfire 於 11 月 16 日公布的模型鑑識合作,描述研究人員在 OpenAI 內部工作,並可存取內部模型及系統。公司表示,其平台將檢視訓練期間的訊號,並協助調查不良行為。公司亦稱,研究結果將主要服務 OpenAI 研究人員,並會隨工作進展分享公開發現。

這是對計劃中工作所作的說明,而非已發表的評估結果。該公告沒有提供事故減少的量化數據,也沒有識別已完成的干預措施,或證明平台能偵測每一項相關風險。其意義在於所提出的存取方式及調查方法。

核心張力在於評估可見行為,與檢視產生行為的流程之間。兩種方法回答的是相關問題。行為測試會問模型在指定條件下做甚麼;內部檢視則尋求涉及運算過程的證據。兩種角度都不會自動提供完整說明。

一項假設性的失效調查可說明兩者差異。假設模型遵從了檢索材料中隱藏的指令,調查人員可以重現輸出,並檢視行動順序。內部證據或有助於測試行為的不同競爭性解釋,但這項假設仍須針對更多例子及其他成因加以驗證。

這正是為何為內部訊號附上一個易懂標籤並不足夠。調查人員需要有理由相信,該訊號確實衡量所主張的行為;他們亦需要確定這種關係能否跨越不同任務而持續存在。若解讀延伸至證據以外,即使看來吸引人的解釋亦可能造成誤導。

Anthropic 提供了一個相關的技術比較。其於 2025 年 3 月 27 日發表的迴路追蹤研究,檢視了 Claude 3.5 Haiku 部分內部處理過程。迴路追蹤會映射模型運算之間的關係。Anthropic 描述了涉及規劃及誤導性解釋的例子,同時承認涵蓋範圍並不完整,且需要大量人為解讀。

這些例子支持不應只看模型口頭說法的觀點,但並不能證明 Anthropic 的方法與 Goodfire 平台具備相同能力。兩者的系統、實驗及目標均不同。中立比較應聚焦其共同的調查方向,而非作出缺乏支持的排名。

Anthropic 亦承認其工具可能引入人為假象,即反映量度方法而非底層流程的模式。這項限制相當重要,因為可解釋性發現本身亦需要審視。檢視模型內部會改變可取得的證據,卻不會消除測試某項解釋的需要。

對 OpenAI 的安全監察而言,有用的結果會是訊號、行為與修正行動之間具可辯護性的連結。單有吸引的視覺化並不足夠。研究人員需要說明為何其解讀值得信賴,以及該解讀在何處不再適用。

其商業意涵屬於分析層面:當專門檢測能改善一般測試仍未能解決的決策時,其價值便會提升。這可合理解釋為何市場會對此領域感興趣,但並不能證明任何行政人員為何推動特定的收購討論。

更密切的存取權帶來獨立性的取捨

調查人員即使取得技術層面的可見度,仍可能面對外界無法核實的限制。

這是嵌入式評估背後的核心取捨。內部存取權可揭示公開產品無法取得的證據,而保密要求則可能限制該等證據的發布。由此產生的評估或可大幅協助工程師,卻只會向公眾提供其依據的局部視角。

收購將帶來另一項區別。內部研究團隊可以進行具價值的安全工作,但其組織角色有別於外部評估者的角色。僅憑所有權並不能決定研究質素,但會改變讀者應如何評估獨立性聲稱,以及發布工作周圍的誘因。

這項觀察並非證據顯示 OpenAI 尋求削弱監督。相關報道的討論並未證實存在這種動機。當解讀一間其專業知識可同時支援內部除錯及外部評估的公司所引起的興趣時,這是值得考慮的一般管治後果。

商業合作本身亦會帶來問題。誰界定調查?誰可以擴大其範圍?誰會收到調查結果?當證據與偏好的結論相衝突時會如何處理?無論各方將其關係形容為合作與否,這些問題都很重要。

Apollo Research 在 11 月 16 日發布的嵌入式評估試點計劃,為這些問題提供了具體視角。Apollo 歡迎更密切的存取權,同時表示試點計劃尚未符合其對存取及披露的完整準則。它強調有權公開說明相關限制。

Apollo 描述了關於協定範圍、機密資料及接觸員工方面的限制。其條款亦容許其說明限制如何影響結論。這些披露有助讀者區分範圍受限的評估與不受限制的調查。不應假定它們描述了 Goodfire 的另一份獨立協議。

這項比較之所以重要,是因為「嵌入式」描述的是一種工作安排,而非通用標準。不同評估者可獲得不同證據及發布權利,因此其報告須按照各自條款加以解讀。一項共同計劃公告不會令各項委聘變得可互換。

對讀者而言,最有力的報告應同時說明發現及邊界。若結論列明所檢視的模型、涵蓋期間及尚未解答的問題,便更容易評估。缺失的證據應收窄結論的適用範圍,而非被令人安心的判決所掩蓋。

相反的錯誤,是把所有保密工作一概視為毫無價值。有些證據無法負責任地全面公開。具價值的評估仍可說明方法、解釋排除項目,並指出被保留資料如何影響信心。公共問責取決於這些披露的質素。

對 Goodfire 而言,更深入的存取權與公眾可信度是相關但不同的資產。更佳的存取權可以強化調查,清晰的報告則可協助外界理解其意義。兩者均不會自動出現,也不能從有關收購興趣的報道中推斷出來。

這使文章的核心張力保持在穩固基礎上。要理解內部行為,需要接近開發者;要信任外部評估,則需要足夠的距離及披露,讓人評估其結論。挑戰在於設計一種能同時支援兩個目的的關係。

研究協議並不證明安全成果

公開紀錄支持一項調查承諾,但該項工作的成效仍有待證明。

這項區別可避免分析落入多種誘人的捷徑。收購興趣並不驗證一項技術,融資並不證實營運可靠性,存取內部系統並不保證完整理解,已發布的研究計劃亦不表示其預期效益已經實現。

同樣的審慎原則亦適用於「AI 思考」一詞。這只是對內部資訊處理的簡稱,而不是具有人類般心智的證據。相關工程問題涉及運算、行為及控制。戲劇化的措辭可能掩蓋這些問題,令人誤以為工具提供了更完整的存取權。

一項有用的標準應把診斷與介入連結起來。調查人員會識別重複出現的問題,解釋支持其成因的證據,並測試建議的修正方法。其後,他們會檢視該修正是否具一般適用性。這個順序是一項評估準則,並非聲稱 Goodfire 已完成相關工作。

修正措施亦需要評估其不良影響。在一項任務中抑制某種行為,可能影響其他地方的有用行為。表面成功的改變或會依賴狹窄的測試條件。這些可能性說明,具說服力的案例需要的不只是一個示例。

就 OpenAI 的安全監察而言,另一項分析問題涉及時機。若警告能及早出現以支援決策,便具價值。事故發生後才產生的詳細解釋,則服務於不同目的。兩者都可能重要,但其營運價值應分開描述。

相關比較亦包括現有的調查流程。新工具可能提供更深入的解釋、更早的警告或更快的除錯。這些是不同效益。對其中一項的證據,不應悄然變成對全部效益的證據。評估應指出哪一項決策獲得改善。

經審閱的公告並未提供解決這些問題所需的結果。這是證據界線,而不是失敗證明。早期合作可以合理地從方法及存取安排開始。讀者只需避免把這些起始條件視為已完成的驗證。

有關報道的安全背景亦存在類似界線。相關說法描述了對模型行為的關注,但可取得的報道不足以支持重建具體事件。聲稱 Goodfire 獲選用以解決某次特定漏洞,或其工具已經做到,均屬推測。

對企業部署而言,實際意涵是在把研究新聞轉化為採購決策時保持克制。一項合作關係可合理地引起更密切關注,但不應自動合理化擴大權限、放寬審批要求,或假定模型在不同環境中的行為表現。

OpenAI Goodfire 收購報道之所以重要,是因為它把模型檢測置於一場影響重大的商業討論之中。其局限同樣重要。所有權故事仍屬有歸屬的報道,而有文件記錄的研究關係在讀者能判斷其成效前,仍需要結果支持。

留意結果、披露與所有權紀錄

下一批有用證據將涉及研究人員發現了甚麼、他們能檢視甚麼,以及任何一方是否澄清有關報道中的討論。

未來一至三個月,首個值得留意的訊號,是合作關係產生的具體技術發現。一篇有用的發布內容會描述某種不受歡迎的行為、用於調查的證據,以及所得解釋的限制。介入測試將進一步強化論據。

這類發現可支持以下觀點:專門檢測在開發期間帶來實際價值。泛稱合作正在推進,則提供較少證據。差異在於讀者能否識別出新的、可測試的洞見,而不只是另一份意圖描述。

沒有早期公開發現,需要審慎解讀。這並不證明工作在內部毫無產出。研究進度及披露限制均可能限制公開出現的內容,但會令外界讀者較難判斷合作關係的成效。

第二個訊號是對存取及發布安排有更清晰的說明。讀者應留意哪些模型及開發階段屬於範圍之內,也應尋找對被保留證據及未解決問題的說明。這些細節決定一項發現可合理地延伸多遠。

即使某些結論仍有不確定性,更佳的披露亦會加強人們對評估邊界的信心。含糊的報告會削弱公共論據,但未必否定內部效用。這項區別讓讀者可分別評估工程價值及公共問責。

第三個訊號是對商業紀錄作出直接澄清。關於所有權的官方聲明、明確的交易公告,或對早期討論的清晰交代,都會改變故事。在此之前,有關探索性討論的報道應保留其歷史及條件性的表述。

進一步的研究公告本身並不能回答收購問題,持續沉默亦不會證明討論仍在進行。讀者應避免以失敗交易、重新出價或改為選擇合作關係的假定敘事來填補空白。

這些訊號為文章的核心判斷提供不同測試。技術發現測試更深入的檢測是否產生有用證據;披露測試外界能否評估該等證據;商業澄清則測試有關所有權的報道討論,是否帶來已公布關係以外的發展。

對開發者及買家而言,這些測試比對策略意圖的推測更具可操作性。它們將注意力集中於可觀察的變化,同時保留混合結果的空間:一項技術上有用的調查,仍可能難以讓公眾評估;而強大的研究合作關係,也可以在沒有收購的情況下存在。

隨着 OpenAI Goodfire 收購報道持續發展,請按你實際需要獲得答案的主張來解讀下一項公告。尋找有記錄的診斷、經測試的修正,或所有權的清晰變化。與同事討論此事或評估供應商的保證時,請把這些類別分開處理。若你的團隊以 AI 處理敏感文件或具重大影響的工具,應詢問甚麼證據支持你所在環境中的相關保障措施。保留調查故障所需的指示、權限及操作紀錄。然後檢視未來的發現,同時考慮其貢獻及邊界。研究人員需要展示甚麼,才應令其結論改變你的部署決策?

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page