如果 AI 可以阅读整套项目文档、在复杂问题上进行长时间推理，并且自己操作电脑完成任务，它就不再只是一个聊天机器人，而是一种新的软件形态。随着 OpenAI 推出 GPT-5.4 Thinking 与 GPT-5.4 Pro，这种变化开始变得具体。100 万 Token 上下文、推理计算模式，以及原生计算机操作能力 正在同时出现。当这三条技术路径开始汇合时，大模型的角色正在从“回答问题”转向另一件事：直接完成工作。GPT-5.4：一次围绕“执行能力”的模型升级2026 年 3 月初，硅谷再次被密集的 AI 发布节奏所笼罩。在多轮业内传闻之后，OpenAI 推出了 GPT-5.4 系列模型。与过去侧重聊天体验或推理能力的升级不同，这一版本的能力组合明显指向另一个目标：让 AI 更直接地参与实际工作流程。官方公布的一组关键指标包括：100 万 Token 上下文窗口GPT-5.4 Thinking 推理模式原生计算机操作能力（computer use）Tool Search 工具检索机制在桌面操作基准 OSWorld 中，模型的成功率达到 约 75%，略高于人类测试基准 约 72%。而在知识工作基准 GDPval 中，模型在 44 种职业任务中有约 83% 达到或超过专业水平。这些指标本身或许仍需要更多实际验证，但它们指向的趋势非常明确：AI 正在从信息处理工具变成任务执行系统。长上下文：模型第一次能“读完整个项目”企业部署大模型一直受到一个结构性限制：上下文窗口。早期模型只能处理有限的信息量，这迫使企业构建复杂的 Retrieval-Augmented Generation 系统，把文档拆分、索引，再按需检索给模型。这种架构在过去两年成为 AI 工程的标准方案，但也带来了新的复杂度。数据被切块后，上下文关系容易丢失；检索系统本身也增加了延迟与维护成本。GPT-5.4 将上下文扩展到 100 万 Token。这意味着模型理论上可以在一次任务中处理完整代码库、长期财务记录，甚至整个项目文档。RAG 并不会消失，因为权限控制、实时数据更新与索引效率仍然是企业系统不可或缺的一部分。但在分析型任务中，超长上下文确实降低了对复杂检索架构的依赖。更重要的是，模型开始具备一种过去很难实现的能力：理解完整项目，而不是零散信息。Computer-Use：AI 开始直接操作软件真正让企业软件行业警觉的，可能不是上下文窗口，而是 GPT-5.4 的另一项能力：原生计算机操作。在这一模式下，模型可以通过视觉理解软件界面，并执行鼠标点击、键盘输入以及应用导航等操作。这意味着 AI 不再依赖 API 集成，而是能够像人类一样直接操作软件。这一变化对企业自动化领域尤其重要。过去二十年，大量企业自动化依赖 Robotic Process Automation 系统。RPA 的核心逻辑是通过脚本或流程图自动执行固定步骤，例如录入数据或在系统之间复制信息。而具备视觉理解与规划能力的 AI，则可能承担更复杂的任务，例如：跨系统整理数据执行多步骤后台流程在陌生界面中寻找操作路径RPA 并不会立即被取代，但 AI 代理已经开始进入它们长期占据的自动化领域。推理时计算：AI 学会“慢思考”GPT-5.4 的另一项关键变化是 Thinking 模式。这一模式并不是简单扩大模型规模，而是在推理阶段投入更多计算资源，从而提升复杂任务的可靠性。这代表着大模型发展的一条重要路线：推理时计算（compute-at-inference）。过去十年，模型能力主要依赖训练阶段的大规模数据与算力。但随着预训练收益逐渐递减，越来越多公司开始把算力投入到推理阶段。类似趋势也出现在其他 AI 公司，例如 Anthropic 的深度推理模式，以及 Google 在复杂任务中的推理系统。这种模式的特点很明确：响应时间更长、计算成本更高，但在法律分析、财务建模或复杂决策任务中，成功率明显提高。在企业场景中，这类“慢思考 AI”反而更接近真实的专业工作方式。Tool Search：被低估的架构升级相比百万 Token 与 computer-use，Tool Search 可能是这次发布中最容易被忽视的一项升级。过去，当模型需要调用工具时，开发者通常必须把所有工具说明都加载进提示词中。这不仅占用上下文空间，也增加了 Token 成本。Tool Search 改变了这一机制：模型可以在需要时检索工具定义，而不是预加载全部工具。在多工具系统中，这种方式可显著减少工具相关的 Token 消耗。对于构建复杂 AI 系统的开发者而言，这类架构优化往往比单纯提升模型能力更重要。因为真正的大规模 AI 应用，通常由几十甚至上百个工具共同组成。AI 竞争的真正焦点正在改变如果把这些变化放在一起观察，就会发现 AI 竞争的重心正在发生变化。过去几年，大模型竞争主要集中在规模、参数与价格。但现在，竞争正在逐渐转向另一件事情：谁能让 AI 真正完成任务。在这个维度上，不同公司的策略逐渐分化：OpenAI：强调 AI 代理与执行能力Anthropic：强调可靠推理与安全性Google：强调工具生态与云基础设施这场竞争的终点，很可能不是更聪明的聊天机器人，而是一种新的软件形态。一种可以理解任务、规划步骤并执行操作的 AI 工作代理。软件范式正在变化从更长的上下文，到更强的推理，再到直接操作软件界面，大模型正在同时获得三种能力：理解信息、思考问题、执行操作。当这三种能力结合在一起时，AI 就不再只是软件的一个接口，而可能逐渐成为新的软件平台。在这种结构下，大模型不仅会改变搜索、写作或编程工具，还可能重新塑造企业软件的基本形态。问题已经不再是 AI 能否理解工作。而是 AI 何时开始真正接管工作流程。（本文首发钛媒体App , 作者｜硅谷Tech news，编辑｜秦聪慧） 更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App