OpenAI 首席財務官 Sarah Friar 於高盛 Communacopia + Technology Conference 表示，公司正把 AI 推進晶片設計、生命科學與金融服務等垂直產業，並試驗以業務成果計價；同時以 Luna 大幅降價搶佔用量、企業收入增速領先整體。本文已核對路透社（Reuters）2026-09-09 專稿及同稿轉載，來源真實性已驗證。下文整理事件要點、技術含義、應用場景與評價，並從香港企業視角討論垂直領域 AI 落地。
一、核心事件：垂直產業 AI、成果計價與成本攻勢
Friar 於 9 月 7 日在舊金山高盛科技會議上指出，企業客戶愈來愈需要「針對特定任務」的 AI 系統，OpenAI 因此聚焦晶片設計、生命科學與金融服務等行業場景。她亦提到，公司正試驗按業務成果（business outcomes）而非單純用量計費，以回應企業對 AI 投資回報（ROI）的要求。
路透引述她的說法，OpenAI 自身亦用自家模型協助開發 Jalapeño 推理晶片，並在約九個月內完成 tape-out（設計定稿並送廠生產的階段）。此外，OpenAI 近期將較低成本的 Luna 模型價格下調約 80%，用量約增至十倍；編碼工具 Codex 用戶約 2,500 萬。企業收入在 6 月至 7 月期間增長約 32%，同期整體年化收入增速約 20%；企業與消費業務在年中已大致各佔一半，早於原定年底達平衡的目標。
針對開源／開權重模型的成本競爭，Friar 稱在雲端層部署 Luna，可比部署 Z.ai 的 GLM 5.3 等中國開源替代方案更便宜：「If you’re deploying Luna and compare that to (Z.ai’s) GLM 5.3, for example, on a cloud layer, we are cheaper。」
技術細節
- 垂直化交付：由通用對話模型，轉向晶片設計、生命科學、金融等領域工作流嵌入。
- 成果導向定價實驗：計費單位從 token／呼叫，試驗改為與業務結果掛鈎。
- 自用驗證：以自家模型縮短 Jalapeño 晶片設計至 tape-out 的週期（約九個月）。
- 價格彈性：Luna 降價約 80% 後用量約 10 倍，顯示低成本層對採用曲線敏感。
- 企業結構轉折：企業收入月增速高於整體；企業／消費大致均分已提前達標。
（Jalapeño 與 Broadcom 合作屬 2026 年 6 月官方公布背景；本文焦點是 Friar 9 月會議上的商業與定價表述，並非重新宣布該晶片。）
二、技術原理深度解析
垂直產業 AI 的關鍵，不在「更大模型」本身，而在把模型能力嵌進行業工具鏈與合規邊界。以晶片設計為例，EDA（電子設計自動化）流程包含架構探索、RTL、驗證、實體設計與 tape-out 前檢查；AI 可加速程式碼生成、錯誤定位與設計空間搜索，但最終仍須通過晶圓廠與設計規則驗證。Friar 以 OpenAI 自行 tape-out 作內部案例，意在說明 frontier 模型對高複雜度工程週期的壓縮潛力。
生命科學與金融服務同樣高度依賴領域知識、審計軌跡與資料隔離。成果計價實驗反映企業採購邏輯轉變：預算單位希望把 AI 支出對應到縮短設計週期、提高通過率或降低營運成本，而非僅購買「無限 token」。Luna 大幅降價則是在開源／開權重模型（例如雲端上的 GLM 等）壓力下，用價格與託管便利性守住低成本推理層，再以 Codex 等產品線拉高開發者黏著。
從架構角度看，這是「通用底座 + 行業工作流 + 彈性定價」三層疊加：底座負責能力，工作流負責場景，定價負責採購決策。企業若把敏感設計檔、基因數據或客戶財務資料送上公有 API，仍須另建私有化、區域落地與權限治理——這正是香港及亞太受監管行業最常卡關之處。
三、日常應用場景
1. 開發者與技術團隊
Codex 級編碼助手可加速內部工具、測試與重構；晶片／硬體團隊可把 AI 用於腳本、驗證用例與文件生成。Luna 降價後，高用量批次推理（文件摘要、回歸測試標記）成本門檻下降，較適合納入 CI／內部 bot。
2. 企業與隱私敏感行業
金融、生命科學、半導體設計往往受客戶合約、出口管制或個人資料法規約束。成果計價有助 IT 與業務共同定義 KPI，但資料主權問題不會因計費方式改變而消失。對 NDA 與跨境傳輸敏感的機構，更常見做法是：公有模型負責非敏感原型，正式生產改走私有或區域託管模型。
3. 一般用戶
消費者端未必直接接觸「晶片設計 AI」，但企業側加速會間接反映在產品迭代速度、雲端推理價格與編碼工具普及。Codex 千萬級用戶基數，亦意味著更多應用與插件生態圍繞同一模型供應鏈成形。
4. 香港與亞洲市場視角
香港金融、醫療科研、硬體／電子供應鏈企業，對「垂直 AI」需求真實存在，惟監管與客戶合約常要求數據留港或可審計。OpenAI 強調雲端上 Luna 相對部分開源方案更便宜，對純成本導向的工作負載有吸引力；但若涉及客戶持倉、病歷或未公開 IP，企業仍需評估私有 LLM、內網 API 與本地微調。亞洲市場同時面對中國開權重模型在雲端的價格競爭，採購決策會在「託管便利 vs. 自建／私有化控制」之間權衡。
四、專業評價與潛在考量
優勢
- 垂直產業敘事與企業 ROI 訴求對齊，較易進入採購議程。
- 自用 tape-out 案例具說服力，展示模型對複雜工程的加速可能。
- Luna 大幅降價帶動用量躍升，有助防守開源／開權重價格戰。
- 企業收入增速高於整體、企業／消費結構提前均衡，顯示 B2B 動能。
需要留意的地方
- 成果計價如何定義、量度與爭議處理，細節仍待市場驗證。
- 「雲端上比 GLM 5.3 更便宜」屬供應商比較陳述，實際總擁有成本須含整合、合規與切換成本。
- 晶片設計等領域的 AI 產出仍須通過嚴謹驗證；縮短週期不等於免除工程責任。
- 路透稿未披露各垂直行業的合約規模與利潤率，外界不宜過度外推。
結語
Friar 的表述勾勒出 OpenAI 下一階段重心：把通用模型能力推進晶片設計、生命科學與金融等垂直場景，用成果導向定價回應企業 ROI，並以 Luna 價格戰守住用量層。對香港企業而言，若要在晶片設計輔助、金融風控或科研分析等領域導入類似能力，又必須確保訓練與推理數據留在本地合規邊界，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，Dataset → QLoRA/LoRA → 私有 API，100% 數據不出境），以領域模型承接垂直工作流，而非把敏感資料直接送上公有雲。
參考來源
- Reuters（Straits Times 同稿轉載）：https://www.reuters.com/world/china/openai-offers-ai-chip-design-touts-cost-advantage-over-open-source-cfo-says-2026-09-09/
- The Straits Times（Reuters 稿）：https://www.straitstimes.com/business/openai-offers-ai-for-chip-design-touts-cost-advantage-over-open-source-cfo-says
- 背景（Jalapeño 官方，非本則重點）：https://openai.com/index/openai-broadcom-jalapeno-inference-chip/
- 發現來源：https://x.com/Reuters/status/2097528003953607039