010. 先看結論｜這不是「Claude 比 OpenAI 聰明」這麼簡單

這支來自 小Wu說 的影片，表面問題很尖銳：OpenAI 有品牌、資金、算力、用戶規模，也最早把生成式 AI 帶進大眾市場，為什麼在一部分每天拿 AI 工作的重度使用者裡，Claude 的口碑反而越來越強？

影片最值得抓住的不是「誰贏誰輸」，而是它把 AI 產品的評估標準從模型跑分拉回使用現場。Claude 並不是在所有 benchmark 上長期把 OpenAI 甩開；很多時候只是你贏一項、我贏一項。但如果場景換成工程師打開專案、讓 AI 讀 code、改 code、跑測試、維持上下文，偏好差距就可能被放大。

圖 01：好用不只看模型能力，而是看 AI 能不能進入每天的工作流

換句話說，模型能力是入場券，但產品體驗才是留存原因。使用者每天面對的不是一張 leaderboard，而是一連串非常具體的摩擦：它會不會亂猜？能不能接受修正？長任務會不會走樣？工具調用穩不穩？和既有工作流接得上嗎？這些問題很難被單一跑分完整捕捉，卻會直接決定人是否願意把工作交給它。

所以這篇導讀會沿著影片的脈絡拆成三層：訓練思路如何塑造 AI 的「性格」；Claude Code 為什麼讓工程師覺得順手；以及 OpenAI 真正要追的，可能不是某一個功能，而是整體產品手感的一致性。

021. 從訓練路線看差異｜聰明之後，AI 要怎麼做事？

影片一開始先排除一個過度簡化的說法：Claude 和 GPT 不是兩套完全不同的技術。前期訓練都靠海量文字、程式碼、資料與算力，讓模型學會語言、知識與推理。真正有意思的差異，更多出現在模型已經很聰明之後，下一步要怎麼塑造它的行為。

小Wu說把 OpenAI 的路線概括為強化複雜問題求解能力，尤其是推理模型：碰到難題不要急著回答，多想幾步，錯了就退回來換路徑。這條線對數學、程式、科學推理與多步任務都很重要，也是 OpenAI 長期被看見的優勢之一。

Anthropic 當然也追求推理能力，但影片強調它還有另一條很鮮明的軸線：AI 應該怎麼和人合作。Anthropic 的 Constitutional AI，也就是常說的「憲法 AI」，可以粗略理解成先給模型一組行為原則，再在訓練過程中不斷用這些原則修正它。影片舉的方向包括：不知道就不要裝懂、不要為了討好使用者亂講、被指出錯誤後願意修正、面對問題保持誠實與穩定。

這些聽起來不像單點能力，卻會累積成使用者感受到的「性格」。一個 AI 如果每次都很會回答，但在不確定時也很有自信，長期合作就會累；相反地，如果它能力差不多，但比較能承認限制、比較願意順著使用者修正、比較少為了漂亮答案而跳太快，使用者就更容易把它當成工作夥伴。

這也是影片的第一個核心判斷：AI 產品的競爭，不只是「誰更會解題」，也是「誰更像一個可靠的合作對象」。跑分能測到部分智力，但不一定測得到可合作性。

032. 跑分不等於好用｜AI 產品開始進入體驗競爭

影片接著把問題推向產品層。小Wu說提醒，如果只看公開 benchmark，Claude 和 OpenAI 的差距沒有大到可以解釋使用者偏好。有些任務 GPT 更強，有些任務 Claude 更順。真正的差異發生在「每天拿來做事」的連續場景裡。

這裡可以把 AI 產品拆成三個評估視角。第一是模型能力：推理、知識、程式、多模態、速度與成本。第二是性格與信任：它是不是穩、是不是少幻覺、是不是知道自己不知道。第三是真實工作流：它能不能讀專案、接工具、理解上下文、長時間維持任務脈絡。

圖 02：同樣強大的 AI，用起來可能因產品選擇而非常不同

多數公開討論很容易停在第一層，因為模型能力最好比較，也最容易變成數字。但重度使用者真正敏感的往往是第二、第三層。你可以容忍一個模型在某些題目上慢一點，卻很難容忍它在專案裡反覆忘記約定、亂改檔案、過度猜測、或每次都需要你重新解釋背景。

這也是 Claude 口碑容易被放大的地方。影片說，很多工程師不是不用 ChatGPT，而是在打開真實專案、讓 AI 讀 code、改 code、跑測試時，更願意打開 Claude Code。這句話其實是在說：Claude 的優勢不只是一個模型 API，而是被包進一種工程工作流體驗裡。

好用的 AI 產品不是只回答問題，而是讓人少搬資料、少重複講背景、少擔心它亂做、少被迫監工。當 AI 從聊天玩具變成工作工具，這些「少一點摩擦」的地方會變得比單次回答更重要。

043. Claude Code 的意義｜從模型能力變成工作現場

影片花不少篇幅談 Claude Code，因為這是 Claude 口碑最容易被具體感知的場景。Anthropic 先在 Claude 3.5 Sonnet 之後被開發者注意到程式能力，接著往 Claude Code、工具使用、操作電腦與更廣泛工作場景推進。這條路線讓 Claude 不只是對話框裡的模型，而是逐漸變成能進入工作現場的 agent。

這裡的關鍵不是「Claude Code 有沒有某個神奇功能」，而是它把模型放到工程師每天真的會工作的地方。工程師需要的不是 AI 背誦一段框架文件，而是它能理解 repo、順著既有風格改、跑測試、看錯誤訊息、再修一次。這些任務的難點在於連續性，而不是一次回答的華麗程度。

影片也提到 Anthropic 內部大量使用 Claude 開發 Claude，這種 dogfooding 會形成很直接的產品回饋。當團隊自己每天被工具的摩擦刺到，就更容易知道哪些地方真的需要補。對 coding agent 來說，這尤其重要，因為它的使用場景不是乾淨的題庫，而是亂中有序的真實專案。

這也是為什麼 Claude Code 會讓部分使用者感覺「懂我」。不一定是模型本身在抽象能力上大幅領先，而是產品把上下文、工具、行為風格與驗證流程接得更像一個可用的開發同事。當這種體驗穩定出現，口碑就會比跑分更快累積。

054. OpenAI 的挑戰｜東西很多，反而更難做成一致體驗

影片並沒有說 OpenAI 技術不強。相反地，它明確承認 OpenAI 有更大的品牌、更廣的用戶、更強的資源與更多產品線。ChatGPT 本身仍是最成功的 AI 產品之一，OpenAI 在推理、多模態、平台化與產品分發上也有巨大優勢。

但資源多也會帶來另一個問題：產品選擇更複雜，體驗一致性更難。OpenAI 同時要服務普通消費者、企業、開發者、創作者、教育場景、平台 API、agent、coding tool。每一條線都有不同需求，也會讓產品語言變得分散。

對一般使用者來說，ChatGPT 的廣度可能是優勢，因為它什麼都能做一點。但對某些重度使用者來說，廣度不一定等於深度。工程師要的可能不是「入口最大」，而是「我現在這個 repo 能不能穩穩交給你」。產品經理要的可能不是「功能最多」，而是「長期討論脈絡能不能維持」。創業者要的也不是「回答最炫」，而是「它能不能接進我每天反覆做的工作」。

這使得 OpenAI 面對的不是單純補功能，而是如何把強大的模型能力收束成一致的工作體驗。模型強、產品多、平台大，最後仍要回到一個樸素問題：使用者每天打開它時，是否覺得更省心？

065. 好用的 AI 工具｜從模型競賽走向產品體驗

影片最後問 OpenAI 還追得上 Claude 嗎。我的理解是，這個問題不能用單一答案處理。從技術能力、分發能力與資源來看，OpenAI 當然追得上，而且很多領域本來就領先。但如果問題是「能不能在特定重度工作場景裡建立像 Claude 這樣的信任感」，那就不只是發一個新模型能解決。

AI 工具要被長期使用，至少要通過五道門檻。第一，能力要夠強，真的能解決問題。第二，回答要可信，能給來源、能承認不確定、能被修正。第三，上下文要穩定，能記住任務脈絡，不要每次都像從零開始。第四，能驗證結果，尤其在 coding、研究、資料分析裡，不能只靠語氣自信。第五，摩擦要低，能融入使用者原本的工具鏈。

圖 03：AI 工具要被長期使用，必須進入工作流

這五點其實就是從模型競賽走向產品體驗的路徑。早期大家問的是「哪個模型最聰明？」現在重度使用者問的是「哪個工具最能幫我把事情做完？」這兩個問題有重疊，但不完全一樣。

Claude 在影片中的優勢，是它被描繪成更重視合作感、穩定性與工作流的產品。OpenAI 的優勢，則是能力、平台與分發。但當模型能力越來越接近時，勝負就更容易落在那些看似瑣碎的地方：預設行為、上下文管理、工具整合、錯誤修正、產品節奏，以及使用者是否願意把下一個任務也交給你。

076. 魚塘觀點｜AI 產品最後比的是「被信任地重複使用」

這支影片值得放進魚塘，不是因為它證明 Claude 永遠贏 OpenAI，而是因為它把 AI 產品競爭講回了使用者經驗。模型公司常用能力敘事溝通：更高分、更快、更便宜、更大的 context、更強的多模態。但工作者真正買單的，往往是「我能不能放心讓它陪我做完一件事」。

這種信任不是抽象好感，而是由許多小體驗累積：它能不能少胡說？能不能理解我指出的錯？能不能在長任務裡保持一致？能不能用工具驗證自己？能不能不要每一步都把負擔丟回給我？當這些細節持續成立，使用者才會從偶爾試用變成每天依賴。

也因此，OpenAI 與 Claude 的競爭不該被簡化成模型排行榜。更準確的看法是：OpenAI 代表了 AI 平台化與大眾化的強大慣性；Claude 則在某些專業工作流裡，展示了「產品性格」和「協作手感」如何變成護城河。

對團隊和個人來說，最務實的結論也不是選邊站，而是按任務選工具。要處理廣泛知識、創意探索、通用聊天，ChatGPT 可能很順；要長時間讀 code、改 code、維持工程脈絡，Claude Code 可能更貼手；要做可驗證的自動化工作，還要看工具鏈、權限、安全邊界與回饋迴路。

真正重要的是，不要把「模型能力」誤認成「產品價值」的全部。AI 的下一階段，會越來越像軟體產品競爭：誰能把強大的能力放進正確情境，誰能降低日常摩擦，誰能讓使用者一次又一次地信任它。這才是影片背後最值得看的地方。

08來源