如果幾年前有人跟我說，「你以後可能會看到科技公司 CEO，用人類的生存成本來為 AI 辯護」，我大概會覺得這是科幻小說裡的情節。但這個看似荒誕的場景，真的發生了。AI 行業最嚴厲的父親不久前的印度 AI 峰會上，Sam Altman 面對 AI 能源消耗的質疑時，給出了一個讓人意外的回應：「訓練一個人需要 20 年的生命和這期間吃掉的所有食物，相比之下，討論 AI 的能源使用是『不公平』的。」這不是簡單的狡辯，而是一種全新的敘事策略——當你的產品被指控太耗能時，不妨算算人類的「訓練成本」。01 「人肉成本」的精妙算計Altman 的邏輯表面上很簡單：一個人從出生到成年，需要消耗 20 年的食物、住房、教育資源，而訓練一個 AI 模型只需要幾個月。從「投入產出比」來看，AI 似乎更划算。這個比較背後藏著一個巧妙的概念偷換。人類的成長不是純粹的「訓練」，而是生命本身。一個 20 歲的人不僅具備了工作能力，還有情感、創造力、道德判斷，以及無法量化的人生體驗。而 AI 模型無論多麼強大，都只是在特定任務上的工具。但 Altman 的比較確實觸及了一個有趣的角度。如果把人類社會看作一個巨大的「訓練系統」，那麼培養一名程式設計師的總成本確實驚人：20 年基礎教育、4 年大學、若干年工作經驗，再算上背後的社會基礎設施投入。有開發者在 Twitter 上調侃：「按這個邏輯，我應該感謝公司沒有直接用 AI 替代我，畢竟我的『訓練成本』確實挺高。」02 從兆承諾到六千億現實Altman 選擇在這個時間點拋出「人肉成本論」，背景頗為微妙。就在幾天前，OpenAI 剛剛大幅調整了財務預期——原本宣稱的 1.4 兆美元基礎設施投入，悄悄縮水到 6000 億美元。這個調整釋放了一個訊號：即使是 OpenAI，也開始正視 AI 訓練的成本壓力。當初豪氣萬丈的兆計畫，在現實的能源帳單面前變得謹慎。與此同時，OpenAI 的商業化步伐在加速。從考慮在 ChatGPT 中加入「Instagram 風格」的廣告，到與 Tata 集團的戰略合作，再到 GPT-5.2-Codex 的發佈——每一步都在尋找更高效的盈利模式，以平衡巨額的訓練成本。Altman 的能源辯論，更像是為這種商業化轉向提供理論支撐。如果 AI 訓練比人類「培養」更環保，那麼大規模投入 AI 就有了道德正當性。如果 AI 模型的能效比人類更高，那麼用 AI 替代人工就不僅是商業選擇，還是環保責任。這場能源辯論的背景，是整個科技行業對 AI 環境影響的集體焦慮。資料中心的耗電量正在以驚人速度增長。訓練一個大型語言模型的碳排放，相當於幾百次跨大西洋航班。當各國政府都在制定碳中和目標時，AI 公司面臨著前所未有的壓力。Altman 的「人肉成本論」，本質上是一種防禦性的敘事策略——與其被動解釋 AI 為什麼耗能，不如主動重新定義「什麼是合理的能源消耗」。這讓筆者想起他在峰會上的另一個表態：需要類似國際原子能機構的組織來監管 AI。表面上是呼籲監管，實際上是在為 AI 的「核能級」影響力做鋪墊：既然 AI 像核能一樣重要，那麼相應的能源消耗就是必要代價。但這種敘事面臨一個根本問題——AI 和人類並不是非此即彼的關係。03 被忽視的第三種可能Altman 的比較預設了一個前提：AI 和人類是競爭關係，我們必須選擇更「高效」的那一個。但現實遠比這個二元對立複雜。AI 的價值不在於替代人類，而在於增強人類能力。一個經驗豐富的程式設計師配合 AI 工具，產出效率遠超純 AI 或純人工。從這個角度看，真正的問題不是「AI 比人類更環保嗎」，而是「如何讓 AI 的能源消耗產生最大價值」。一位能源政策研究者在接受採訪時指出：「關鍵不是 AI 用了多少電，而是這些電有沒有用對地方。如果 AI 能幫助最佳化電網、減少能源浪費，那麼訓練成本就是划算的投資。」OpenAI 最近推出的安全功能和風險標籤，某種程度上也是在回應這個問題——通過更精準的應用，讓每一分算力都用得更有意義。Altman 的「人肉成本論」雖然聽起來荒誕，但它揭示了一個深層次的哲學問題：在演算法時代，我們如何衡量價值和成本？當 AI 能夠在 2 小時內完成人類 20 年才能掌握的技能，傳統的成本效益分析是否還適用？當機器學習的邊際成本趨近於零，人類勞動的價值該如何重新定義？這些問題沒有標準答案，但不能迴避討論。從印度 AI 峰會上 Altman 與 Anthropic CEO Dario Amodei 拒絕握手的緊張場面，到關於 AI 廣告的口水戰，再到如今的能源辯論——每一次爭議背後，都是對 AI 未來形態的不同想像。Altman 選擇用「人肉成本」為 AI 辯護，實際上是在重新界定效率的含義。但效率從來不是唯一標準，還有公平、可持續、以及我們想要生活在什麼樣的世界。當科技 CEO 開始計算人類的「訓練成本」時，也許我們該問的不是這筆帳算得對不對，而是：我們是否願意生活在一個把人類當作「低效 AI」的世界裡。 (極客公園)

行業將關鍵詞從AGI（通用人工智慧）切換為超級智能：超級智能模型可在3個月內掌握全球藥物研發知識，能耗僅相當於藥物科學家20年消耗能源的1/50。圖片由AI生成“2028年底，人類將迎來早期形態的超級智能，資料中心承載的智能體量有望超越人類生物大腦總和。”近日舉行的新德里印度人工智慧影響峰會上，OpenAI CEO山姆·奧爾特曼（Sam Altman）表達了上述觀點。全球AI領域焦點正從生成式模型的迭代最佳化，逐步轉向超級智能的落地時間表與規則探討。奧爾特曼與Meta超級智能實驗室負責人亞歷山德·王（Alexandr Wang）同台定調：AI將從輔助工具，走向在推理、創造與問題解決上根本性超越人類的新階段。會上，奧爾特曼呼籲建立參照“國際原子能機構（IAEA）”模式的全球AI監管機構，以應對這一劃時代躍遷。當然，這並非空泛呼籲，此前IAEA通過全球協同監管，實現了核能技術的可控發展，奧爾特曼試圖將這一模式複製到超級智能領域，規避技術失控風險。亞歷山德·王則提出“個人超級智能”路線，地區性的人才與市場將成為普惠化超級智能的關鍵陣地，而中國電信此前推出的“星辰超級智能體”，已在信貸稽核、網路維運等場景實現自主拆解任務、協同完成複雜工作，成為“個人超級智能”落地的雛形參照。這場高調宣言，是全球AI產業、資本與技術研發深度繫結的集中亮相，標誌著超級智能競賽已進入規模化推進階段。超級智能時間表：技術迭代與產業佈局同頻當前，全球AI巨頭已全面轉向超級智能研發，核心目標是突破現有模型侷限，實現從“輔助人類”到“超越人類”的能力躍遷。OpenAI、Meta等頭部企業紛紛加大研發投入，放鬆內部技術迭代約束，優先保障超級智能相關技術的快速落地，其核心邏輯是搶佔下一代AI技術的話語權，避免在技術迭代中掉隊——這一點與此前AI企業在通用模型研發中的謹慎態度形成鮮明對比，也凸顯了超級智能在行業發展中的核心地位。從全球佈局來看，科技巨頭正加速推進超級智能技術的全球化落地，通過技術輸出、人才合作等方式，擴大自身技術影響力，搶佔全球市場份額。亞歷山德·王提出的“個人超級智能”路線，正是依託這一優勢，試圖實現超級智能的普惠化應用，打造差異化競爭優勢。這一背景下，資本已提前入場，成為超級智能競賽的重要推手。支援AI技術加速研發的超級政治行動委員會Leading the Future，2025年末手握約3900萬美元資金，來自OpenAI聯合創始人格雷格·布羅克曼（Greg Brockman）與風投家馬克·安德森（Marc Andreessen）等，核心用途是資助超級智能相關基礎設施建設與技術研發。典型案例便是該委員會重點支援愛達荷州資料中心建設，推動審批流程簡化，為超級智能所需的大規模算力基礎設施“開綠燈”。行業共識是：超級智能不只是演算法競賽，更是能源、晶片與物理基礎設施的軍備競賽，資本的持續注入的是技術落地的關鍵支撐。但行業內部並非鐵板一塊，關於超級智能的發展路徑與節奏，出現了明顯分歧。以奧爾特曼、薩克斯為代表的技術加速派，主張快速推進技術迭代與落地，將超級智能視為推動產業升級的核心引擎，舉例稱若超級智能落地醫療領域，可將新藥研發周期從10年壓縮至1年，帶動生物醫藥產業爆發式增長。以部分行業學者、環保人士為代表的謹慎派，則警惕技術落地帶來的就業衝擊、環境壓力與安全風險，拿出自動駕駛AI替代卡車司機、AI文案替代初級內容創作者的案例，質疑超級智能將導致大規模失業，加劇社會兩極分化。這種分歧也導致部分企業在技術推進中適當放緩節奏，兼顧技術創新與社會影響。從話語策略看，行業將關鍵詞從AGI（通用人工智慧）切換為超級智能。技術演進表述為“必然、不可逆、超越人類”，為下一代AI技術的商業化與產業化鋪路。一旦奧爾特曼的2028預言兌現，智力邊際成本將趨近於零，藥物研發、法律服務、內容生產等行業將被徹底重構。例如當前AI輔助律師處理案件檢索需數小時，而超級智能可瞬間完成案例匹配、法律條文解讀與辯護方案生成，直接衝擊初級法律從業者崗位。但高度集中的資料中心模式，也帶來能耗、供電與地方抵抗等剛性約束，亞利桑那州鳳凰城就因資料中心能耗過高、擠佔居民用電，引發當地民眾抗議，成為超級智能基礎設施落地的現實阻力。能耗正當化：AI訓練類比為“人類培育”峰會期間，奧爾特曼另一組引發爭議的表態，直指AI最敏感的能耗與水耗議題。他公開反駁“AI過度消耗資源”的批評，稱相關擔憂“過時或完全虛構”，並提出一套全新比較框架：不應只對比單次AI推理與人腦思考的能耗，而應計入人類成長、教育、生存所需的全生命周期成本。按此口徑，大規模計算叢集的能源投入，反而比培養同等認知能力的人類更“高效”——他舉例稱，培養一名資深藥物研發科學家需25年（從教育到成長為專家），消耗大量糧食、能源與教育資源，而超級智能模型通過訓練，可在3個月內掌握全球藥物研發知識，能耗僅相當於這名科學家20年消耗能源的1/50。他同時為資料中心用水辯護，稱現代閉式循環冷卻技術已大幅降低資源依賴，舊有蒸發冷卻系統的負面敘事與現實脫節，舉例說明OpenAI位於德克薩斯州的資料中心，採用閉式循環冷卻技術後，水耗較傳統資料中心降低70%，每處理1PFlops算力的水耗，僅相當於居民一天的用水量。這一修辭轉向，是OpenAI對“計算優先”模式的戰略性正當化：將AI訓練類比為“人類培育”，以此緩解行業與社會對資源消耗的擔憂、為GPT-6等下一代模型的巨量能源與資本開支鋪路。若AI被定義為“更高效的智能生產方式”，其高能耗便可被解讀為生產率淨增益，而非環境淨損失——這一點在OpenAI與微軟合作的Azure雲資料中心體現得尤為明顯，雙方宣稱，該資料中心的AI算力產出，相當於10萬名人類工程師的工作效率，而能耗僅為同等人力的1/10。但這套邏輯面臨現實與科學雙重挑戰。人類大腦功耗僅約20瓦，而前沿大模型一次完整訓練耗電量，相當於數千美國家庭一年用電——例如GPT-5模型訓練一次，能耗約為1.2萬兆瓦時，相當於美國一個3000人小鎮一年的總用電量。奧爾特曼強調的是資訊處理規模效率，而非熱力學效率——在物理底層，矽基智能仍遠落後於生物智能。Zoho CEO斯里達爾·文布（Sridhar Vembu）等業內人士直接反駁：將技術與人類等價，忽視了生命的內在價值與不可替代的社會需求，舉例稱AI可生成詩歌，但無法復刻人類詩人的情感體驗；可診斷疾病，但無法給予患者人文關懷。長期看，AI能耗與全球可持續目標的衝突將持續激化。預測顯示，2030年AI相關電力需求將大幅增長，老舊電網難以承接，最典型的案例便是美國加州，2025年夏季因AI資料中心能耗激增，導致多次電網負荷預警，加州電力公司不得不限制資料中心運行，這也印證了奧爾特曼的“能耗無害論”與現實的脫節。當前，全球科技企業正試圖通過技術最佳化、清潔能源應用等方式緩解這一矛盾，探索超級智能與可持續發展的平衡路徑。這或許也意味著，超級智能競賽正式進入技術與資本的主航道。奧爾特曼的2028時間表、科技巨頭的研發投入、資本的全力押注、能耗議題的話語重構，共同構成超級智能產業發展的完整圖景。未來24個月，AI行業將走向高度集中：只有極少數玩家能承擔超級智能的資本與資源門檻，中國電信“星辰超級智能體”的落地案例，也預示著超級智能的競爭已從單純的技術比拚，延伸到產業落地能力的較量。Meta力推的“個人超級智能”，則預示著巨頭將把頂級能力封裝進消費硬體，從對話機器人走向主動式智能體。超級智能究竟是產業升級的引擎還是社會發展的挑戰？這一命題將深度影響全球AI產業的發展走向，並決定下一代AI技術的治理模式。而OpenAI們真正需要回答的問題是：當智能可以被規模化生產，人類的位置，又該如何安放？ (鈦媒體AGI)

AI 能力在加速，這是共識。但真正的問題是什麼？2026 年 2 月 20 日，OpenAI CEO Sam Altman 在新德里的一場訪談裡，給出了他的答案：四道題。能力到那了？算力夠不夠？工作怎麼變？社會跟得上嗎？他沒給標準答案，但把每道題的難點說清楚了。比如 First Proof 為什麼能做對 7 道研究題，Codex 在印度為什麼增長最快，算力瓶頸到底卡在那，工作到底是被替代還是被重寫。拋開字斟句酌的公關話術，這是一次難得的坦率交底。我們整理了訪談的核心內容：AI 能力到那了?算力天花板在那?工作會怎麼變?治理為什麼最難?第一道題｜能力到那了：已經跨入“研究級”門檻關於 AI 的真實能力邊界，Altman 強調，過去這一年，模型絕不只是“變聰明了一點”，而是任務難度完全不同了。過去一年，模型從高中數學跨到了研究級數學；從能解釋程式碼，到能生成可運行的應用；從回答物理概念，到推導物理學的新結果。1、從做題到做研究Altman舉了兩個例子： 在 First Proof 實驗（11位頂尖數學家發起的AI測試）中，模型面對10 個研究級數學問題，成功解出了7個。這7道題都有完整推導過程，靠的是邏輯推演。在理論物理學領域，AI也開始推導新的物理學結果，觸及人類知識的前沿。2、工程師的工作重心在變程式設計領域的變化更直觀。很多開發者現在給Codex一個功能描述，它就能生成初版應用：介面、互動、邏輯都有。印度成了全球使用者增長最快的市場。Altman說，大量年輕開發者跳過了傳統程式設計師必經的底層訓練，直接上手就能做出作品。這在開發者群體快速增長的國家特別明顯。3、AGI 已經很接近主持人問到 AGI還有多遠。 Altman的回答很直接:已經很接近了。他給出了一個很有意思的視角：如果時間倒退回六年前，告訴大家有一個系統能做前沿研究、能寫複雜程序、能勝任各種高難度的知識工作，當時的大多數人一定會驚呼“這就是 AGI”。只不過現在，我們身在其中，逐漸對強大的工具習以為常了。按照目前的速度，到 2028 年底，全球 AI 系統同時處理的工作量，可能會超過全人類的總和。從數學、物理、程式設計這些最難突破的領域看，今天 AI 能完成的，已經包括過去只有高技能人才才能處理的知識工作。看懂了今天 AI 這種驚人的能力躍升，我們才能真正明白，為什麼 Altman 接下來會如此急迫地談論“算力瓶頸”。第二道題｜算力夠不夠：遠遠不夠主持人問：未來三到五年，AI 最大的限制是什麼？Altman 毫不猶豫地說：算力。 能不能讓足夠多的人，用上足夠強的 AI？這是當下最現實的問題。1、強模型有，但 GPU 不夠用Altman 透露，團隊在實驗室裡看到的模型能力，比公開版本要強得多。之所以沒有全量發佈，是因為算力成本太高。我們有頂級的模型，卻沒有足夠的 GPU 來支撐它全天候為所有人服務。為瞭解決這個問題，OpenAI 在多條線上同時推進：繼續加深與輝達的合作；支援新興晶片公司做推理端的最佳化；同時推進 OpenAI 自己的自研晶片計畫。外界將此解讀為“多線平行”，但 Altman 給的理由極其簡單：要把更強的 AI 推向更廣泛的人群，算力必須大幅擴張。所有能擴產能的路，都必須走。2、真正的天花板：不是水，而是電針對外界流傳甚廣的“每次呼叫 AI 要消耗 17 加侖水”的說法，Altman 明確予以否認。他表示水的使用量被嚴重誇大了，真正需要關注的是能源。他給出了一個對比：訓練一個高智商的人類同樣極其耗能。你需要投入 20 年的時間，以及這 20 年裡他吃掉的所有食物；甚至，還需要算上過去數千代人在進化中學會躲避掠食者、發展出科學，你才有了今天的智慧。相比之下，當模型訓練完成後，AI 回答一個問題的能源效率，其實已經趕上了人類。但真正的挑戰在於“規模”。 下一代資料中心的耗電量將是驚人的。模型越來越龐大，使用者急劇增加，每次呼叫都需要海量晶片協同工作。未來的算力命脈，將極度依賴核能、風能、太陽能，甚至需要為 AI 專門建造超級能源站。3、未來的需求到底有多大？Altman 反問了一個問題：“你個人希望有多少個 GPU 隨時待命為你工作？”答案從來沒有低於過 1 個。甚至有人開口就要 1000 個。試想一下，如果全球 80 億人每人都需要 1000 個專屬 GPU，那就是 80 兆個。這個規模，短期內根本做不到。這意味著，算力需求的上限遠超我們當下的想像。當 AI 徹底融入每個人的工作流，呼叫量將是現在的數十百倍，算力會像今天的水和電一樣，成為最底層的社會基礎設施。這也是為什麼 Altman 感嘆：“擴充算力，可能是人類歷史上最複雜的合作工程。”靠傳統的人力去搞基建，絕對完不成這個任務。好消息是，未來的 AI 和機器人會反過來幫我們建造這些設施。4、基建搞到太空裡？現在還太早。當被問及是否有建造“太空資料中心”的極端可能性時，Altman 明確表示：在目前的情況下，這個想法非常荒謬。發射成本、GPU 的太空維修、能源的穩定供應…… 這些問題一個都還沒解決，近十年內，軌道資料中心都不可能大規模落地。如果說第一道題是在講 AI “能做什麼”，那麼第二道題的核心就是：“你能不能用得上”。 在這場競賽裡，率先掌握穩定且龐大算力的組織，就能拿走下一輪效率革命的入場券。第三道題｜工作怎麼變：性質在變，不會消失在對話中，主持人問到最敏感的問題：AI 會讓多少人失去工作？Altman 說，過去一年他看到的變化是：工作沒有消失，但做事方式完全不同了。1、知識型崗位受衝擊最明顯過去一年，程式設計師群體感受最明顯。Altman拿自己舉了個例子：“我本人就是學軟體工程出身的，但我當年學程式設計的那套方法，現在已經徹底過時了。手工編寫C++程式碼的時代，已經結束了。”軟體工程師還需要，但工作內容變了。以前寫程式碼是從零開始搭結構、寫邏輯、偵錯；現在，大段的初版程式碼都由AI一鍵生成，人做的是結構調整、細節修正、風險檢查、體驗提升。這個變化不只發生在程式設計領域。影視創作也一樣：字節跳動 2 月發佈的Seedance 2.0，能從幾句文字描述直接生成電影級視訊片段，導演賈樟柯用它創作了短片《賈樟柯的舞蹈》。大多數知識工作都類似：AI 生成初稿，人負責方向、質量和判斷。2、新機會在那裡？每次技術革命都會洗牌，但最終總會湧現更多的新崗位，只不過這次的浪潮來得更快、更猛。Altman 總結了三個正在發生的趨勢：“超級個體”崛起： 過去開發一個產品需要設計、前端、後端、營運齊上陣；現在，一個人配上一套 AI 工具鏈，就能打造一家完整的“一人公司（OPC）”。創作門檻大幅降低： 不僅僅是程式設計，視訊剪輯、產品設計、文案寫作，過去需要長年專業訓練的技能，現在幾天就能上手。企業內部分工在變： 純做財務的人可以利用 AI 搭建流程自動化系統；不懂程式碼的營運也能直接生成實用的內部工具。用 Altman 的一句話概括就是：“AI 讓很多專業技能變簡單了：以前要專門學，現在會用工具就夠。”3、什麼能力變得更重要？與 AI 深度協作的能力： 會提出好問題（Prompt），會審查生成結果，會組合各種 AI 工具。你要把 AI 當作一個需要磨合的長期合夥人。極致的適應力： 技術迭代在瘋狂加速，過去十年的跨度現在一年就能跑完。能不能在劇變中迅速找到自己的新生態位，是生死攸關的能力。對“人”的深刻理解： AI 再強大，也不知道“什麼樣的設計能直擊人心”、“什麼樣的功能最懂人性的軟肋”。這是人類獨有的嗅覺。此外，Altman 強調了“情感連接”的不可替代性。比如圖像生成 AI 剛出來時，很多人哀嘆插畫師完了。對於批次生產的商業設計（比如生日賀卡）確實如此；但在純藝術領域，AI 生成的畫作價格很低，而人類藝術家創作的作品價格依然在漲。因為人們在乎的是作品背後的那個人。同樣，他提到最近去醫院的經歷，他在意的是護士的細心照料與情感安撫。如果換成一個冷冰冰的機器人，再聰明、再精準，他也會感到排斥。有些工作的核心價值，建立在人與人的連接之上。4、教育方式也在調整既然工作性質變了，教育體系就必須隨之徹底重構。Altman 說，AI 不會讓孩子變懶，關鍵是教學方式能不能跟上工具變化。他回憶起自己上學時，Google剛剛問世。中學老師覺得：如果能直接在Google上查，為什麼還要背歷史日期？他的回答是：死記硬背本來就是浪費時間。幾年後，老師們逐漸接受了，教育系統也在演進。新工具帶來的過程都是這樣：能力提升，要求也提升，我們開始教人們更深入地思考、創造更多。如果學生一直被要求“背內容”、“做重複練習”，自然會被 AI 替代。但如果強調思考方式、項目能力、如何用工具解決問題，AI 反而會讓學習更高效。教育的重點，也將會從“會不會”轉向“怎麼用”。未來的每個人競爭力在於誰能更快把 AI 融入日常工作，讓自己從重複勞動中解放出來，把時間用在更高價值的部分。第四道題｜社會跟得上嗎：這是最難的前三道題講了能力、算力、工作。最難的題是：社會跟得上嗎？模型訓練速度在加快，能力在跳躍，可能一年就跨越多代。但社會結構的變化，職業體系、企業流程、法律框架、公共認知，不可能同步跟進。Altman 說：能力提升容易，學會怎麼用才難。1、治理的核心：給社會留出適應時間面對外界對 AI 失控的恐慌，Altman 坦言，他最擔心的是大眾對“治理”的誤解。很多人把監管等同於“阻擋技術前進”，卻忽略了監管的真正目的：是幫助社會打好地基，去安全地擁抱這種前所未有的新能力。他給出了破局的三個關鍵點：逐步開放新功能。新功能上線，使用者學習，行業適應，風險暴露，再調整。這就是“迭代部署”的意義：給社會留出適應時間，不是一次性放開。讓更多人用得起最強工具。如果只有少數人用得起，創新、教育、創業都會受限。普惠既降低風險，也擴大機會。真正的風險來自不會用。模型不懂人類價值，但人懂。問題出在不知道怎麼正確使用，不具備判斷能力，用老辦法應對新工具。2、治理靠分散智慧，各國在探索現在，各個國家正在嘗試不同的監管方法。Altman 認為這是好事：接下來幾年，我們會看到很多不同的嘗試，觀察那些有效、那些無效。世界會傾向於更有效的方法。他尤其強調，當 AI 滲透到千行百業，單靠任何一家科技巨頭，都不可能搞懂所有領域的細節風險。Altman 說：“好的辦法是讓各行各業的人都來討論，而不是只靠科技公司制定規則。”各行各業參與能減少風險，但不能消除不確定性。面對這樣強大的技術，Altman 說，最重要的是保持謙遜。我們最好的猜測也可能是錯的，AI 的發展已經帶來了很多意外，未來還會有更多。結語｜說透了什麼這場新德里的訪談，Altman 講了四道題：能力到那了：已經能做研究級工作算力夠不夠：遠遠不夠工作怎麼變：性質在變，不會消失社會跟得上嗎：這是最難的他沒給答案，但把每道題的核心矛盾說清楚了。能力在跨越，算力在追趕，工作在重塑，社會在適應。誰能更快把 AI 融入日常工作，誰就能在這輪變化中佔據主動。 (AI深度研究員)

“公司失敗的第一原因，永遠是人招多了。”這是昨天凌晨，矽谷傳來的最寒冷的一聲槍響。在 2026 年初的這場直播上，OpenAI CEO Sam Altman 撕掉了最後一層溫情的面紗。對全球最頂尖的開發者，輕描淡寫地扔下了一枚核彈："We are planning to dramatically slow down how quickly we grow because we think we'll be able to do so much more with fewer people." （我們計畫大幅放緩增長速度，因為我們要用更少的人做更多的事。）你沒聽錯。全球最頂級的 AI 公司，手握著改變世界的技術，它的第一反應不是擴軍備戰，而是開始“嫌棄”人類了。注意，這是來自全球 AI 領頭羊的訊號。過去十年，矽谷的鐵律是“Headcount（人頭數）= 增長”。但現在，OpenAI 在主動剎車。它在向所有老闆傳遞一個極其危險的訊號：傳統的僱傭邏輯已經崩塌，未來的公司是“超級個體”與“無限算力”的組合。01.僱傭邏輯的崩塌在這場直播中，最令人背脊發涼的一段話，發生在一場關於面試的問答裡。為什麼 OpenAI 敢停止擴招？因為單位人效的衡量標準變了。Altman 描述了他們理想中的面試場景：不再是考你如何手寫紅黑樹，也不是考你 LeetCode 刷了多少題。他們要看的是："Sit you down with something that would have been impossible for one person to do in two weeks... and watch them do it in ten minutes or twenty minutes." （把你按在椅子上，給你一個以前單人兩周絕對幹不完的任務……然後看著你在10到20分鐘內搞定。）這就是 2026 年的及格線：20分鐘 = 2周。這對老闆來說：未來的公司形態，是“超級個體 + 無限算力”，而不是“千人團隊 + 複雜的KPI”。如果你還在靠堆人頭來做增長，你就像是在熱兵器時代，還在練習拼刺刀。真正的降維打擊是：我的一個員工帶著一堆 AI Agent（智能體），能在20分鐘內幹掉你一個部門兩周的產量。這就是 Sam 口中的“無限博士後（Unlimited Post-docs）”待遇。正如 Altman 所言，軟體工程並沒有消失，但形態徹底變了。以前你是砌磚的，現在你是設計圖紙並看著機器人砌磚的——如果你還想親手砌磚，你就是公司的負資產。02.隱私的徹底讓渡這裡有一個殘酷的邏輯死結：每個人都想成為那種“以一當百”的超級個體，但你有沒有想過，憑什麼 AI 能幫你做到？前提是，它必須比你更懂你。當 WorkOS 的提問者希望將 ChatGPT 帳號與公司身份整合時，Altman 坦承了一個極其激進的個人習慣。他已經跨過了“隱私恐懼”的門檻，進入了“完全功利主義”的階段："I am ready for ChatGPT to just look at my whole computer... and just know everything." （我已經準備好讓它讀取我的整個電腦，知道我的一切。）他甚至直言，他不想在那兒手動分類“這是工作記憶，這是個人記憶”，因為他“懶（lazy）”。 他希望 AI 能自動理解他生活的層級和複雜規則。這極其可怕，也極其真實。作為 OpenAI 的 CEO，他比誰都清楚資料隱私的風險，但他依然選擇讓渡隱私。為什麼？因為價值實在太高了。當 AI 能瞬間幫你調取三年前的一封郵件並結合昨天的會議紀要起草方案時，99% 的人會像 Altman 一樣，一邊罵著監控，一邊把所有權限都點“Allow”。03.“罐頭人”悖論技術狂飆突進，但人類的心理防線卻在收縮。Altman 在對話中提到了一個極具諷刺意味的現象：AI 越完美，人類越討厭它。他提到了一個詞："Clanker"（罐頭人/破銅爛鐵）。這是《星球大戰》裡對機器人的蔑稱，現在成了網路上對 AI 生成內容的歧視性稱呼。"'Clanker' is my favorite one [slur]... I think it just evokes people's emotional reaction." （“罐頭人”是我最喜歡的那個蔑稱……它激發了人們的情緒反應。）Altman 分享了一個反直覺的觀察：消費者其實分不清誰畫的更好，但一旦他們知道這是 AI 畫的，欣賞度就會**“dramatically”（戲劇性地）下降。這給了所有內容創作者一個極其重要的啟示：在 2026 年，"Human Made"（純手工）將成為奢侈品標籤。人們閱讀小說、欣賞畫作，本質上不是在消費內容，而是在消費“另一個人的生命體驗”。當我們讀完一本好書，我們想去瞭解作者的生平；但如果書是 AI 寫的，這種連接感瞬間崩塌，變成了一種 Altman 口中的“悲傷的把戲”。未來的商業邏輯會極其分裂：底層的工具流：交給 AI，追求極致的降本增效（100倍成本縮減）。頂層的體驗流：強調人的參與，人的痛苦，人的不完美。04.尾篇在對話的最後，一位來自越南的學生問出了那個終極問題：在 AI 時代，我們到底該學什麼？Altman 沒有推薦程式設計，也沒有推薦 提示詞工程。他給出的答案是三個看似“虛無縹緲”的詞：High Agency、Generate Ideas、Resilience別誤會，這並不是那套“只要努力就能成功”的職場雞湯。在“20分鐘幹完2周活”的殘酷背景下，這三個詞有更血腥的解讀：高能動性意味著沒有老闆告訴你該做什麼。因為老闆也沒空管你，你要麼自己找到破局點，要麼被系統自動最佳化掉。產生想法意味著當執行成本趨近於零（20分鐘），想法的質量就是一切。如果你只會執行，你的價值就是零。韌性不是讓你在被裁員時不哭，而是當你的工作被 AI 瞬間秒殺時，你能立刻擦乾冷汗，問出：“好，那我怎麼利用這個工具去做更牛逼的事？”工具的門檻已經平了。未來只有兩種人：一種是被 AI 的洪流沖刷得無影無蹤的“執行者”，另一種是騎在 AI 背上，指揮千軍萬馬的“暴君”。OpenAI 已經停止擴招了。現在的顯微鏡，移到了你的身上。 (科技然後呢)

一家還沒獲利的公司，準備花掉1.4 兆美元。不是估值，不是估算，而是CEO Sam Altman 親口確認的承諾：我們會在很長一段時間裡，把這筆錢花完。就在最近這一周，OpenAI 動作頻繁：12月18日，推進新一輪融資談判，規模數百億美元、估值7500 億美元；12月16日，ChatGPT 上線全新圖像模型和App 生態平台；同期還發佈了AI 在科學任務上的推理能力評估報告。（Sam Altman 訪談片段： ChatGPT下一步該做什麼？）2025 年12 月19 日，Altman 在新一期播客中回應了外界最大的質疑：一個現金流還沒轉正的公司，憑什麼敢為AI 基礎設施砸下1.4兆？他給了一個出乎意料的答案：如果我們現在有兩倍算力，我們就能賺兩倍的錢。這句話背後，藏著OpenAI 對AI 商業化的全套邏輯：錢怎麼來、怎麼花、何時能獲利。而Altman 這次，把這套邏輯講得異常清楚。第一節｜虧損1200億美元，為什麼越花越多？從財報數字來看，OpenAI 確實還在虧損。在訪談中，Sam Altman 承認：我們預計從現在到2028/2029年之間，將會虧損約1,200 億美元。這是什麼規模？作為對比，特斯拉從2003 年成立到2020 年首次實現年度獲利，花了17年時間。 OpenAI 預計4 年虧損1200 億，每年平均虧損300億美元。這是一場前所未有的資本押注。但Altman 並不認為這是問題。他給了一組具體資料：OpenAI 目前每天前沿模型的生成量，大約是10兆個token。這是什麼概念？一本10萬字的書大約是13萬個token，10兆token相當於每天產生7700萬本書的文字量。這個數字還在以每年3 倍的速度成長。每次基礎設施擴容，就能直接換來更高的服務能力、更快的產品上線速度和更強的付費意願。因此，這不是一家沒錢賺的公司，而是一家錢來不及賺的公司。OpenAI 的主要業務收入來自三個部分：ChatGPT 使用者訂閱；企業版API 呼叫；面向大客戶的模型客制化服務。其中最讓Altman 感到興奮的是第二項：API 成長已經超過ChatGPT本身的成長速度，企業客戶正成為OpenAI 的主要收入來源。目前，OpenAI 已擁有超過100 萬家企業使用者，透過API 將模型連接到客服、財務、搜尋、程式設計、資料分析等多個環節。更關鍵的是，這些客戶使用的不是對話，而是一個任務區塊：寫程式碼、產生分析、總結檔案。任務越多，算力消耗越大，收入越高。Altman 舉了個例子：企業員工一小時的工作，可能包括做PPT、寫指令碼、看材料。只要有70%的任務被模型完成，就是實實的降本提效。這就是OpenAI 正在算的帳：不是按人數算訂閱費，而是以任務量算力消耗；不是在意每月續費率，而是專注於每個任務背後提升多少效率。所以，他才會下判斷：訓練支出繼續成長沒關係，重要是推理收入會漲得更快。當然，這套帳也有風險：基礎建設投入已經遠超現階段營收，必須靠資本市場支援持續擴張。但Altman 相信：模型在變得更好，需求變得更大。這是典型的AI 時代獲利模式之一：先投算力，收入隨後成長。第二節｜面對競爭，OpenAI的護城河是什麼？算力換收入的邏輯聽起來很美，但前提是OpenAI 必須一直跑在前面。過去一年，從DeepSeek 到Gemini，再到Claude、Mistral、Grok、Qwen，競爭對手接連出現。而OpenAI 的應對是：快速反應，持續推出新品。最近，他們連續推出三項關鍵更新：新影像模型GPT Image 1.5，上線更快，細節更準；ChatGPT開放app提交入口，打造模型版App Store；FrontierScience研究成果上線，AI成為科學家的研究助理。Altman 一直在強調一件事：真正的風險不是模型被超越，而是使用者不用它。這就是他最常說的字：黏性。他提到了幾個例子：有人把血液檢查報告丟給ChatGPT，它讀懂了，提出初步判斷，使用者去醫院確認，發現確實是之前沒查出的病症；有人開始和ChatGPT聊生活、做規劃、定行程，它能記住細節，持續跟進，並提出建議；有人用它解構複雜文件，有人用它做企業報告，有人只讓它早上列個待辦清單。這些行為有個共同點：不是測試模型好不好，而是讓它真正幫你完成任務。當你習慣了ChatGPT 記住你的偏好、理解你的表達方式、知道上次聊到那裡，切換到其他產品的成本就會變得很高。這就是ChatGPT的護城河所在：習慣、一致性和個人經驗所累積的信任感。在企業側，這個護城河變成了另一個維度：個性化能力。第一節講了企業能帶來多少收入，但問題是為什麼他們會留下來？Altman 說：企業需要的不是聰明模型，而是能連結自己資料、完成自己任務、理解自己流程的AI 工具。它可能是客服助手，也可能是法務審查器，甚至是每天早上把管理郵件歸納好再發通知的智慧助理。ChatGPT 企業版的目標，就是讓這些個人化AI 工具運作在一個平台上，連結不同部門、流程和任務。 OpenAI 面向未來建構的真正產品形態：不是大模型，而是企業級AI 入口。而在企業應用這條路上，Google 是最大的威脅。Altman 不否定Google 的實力。他甚至說：如果Google 在2023年一開始就認真對待我們，我們可能就完了。但他也指出了Google的問題：把AI 塞進搜尋框裡，不如重新設計一個AI 優先的入口。他認為，AI 不是功能外掛，而是一種全新的互動方式。你不應該再找某個東西，而應該告訴AI：這是我今天要解決的事。它聽懂了，就去做，不需要你重複輸入指令、點選圖表、切換介面。這不僅是ChatGPT 的方向，也是在定義下一代軟體是什麼。OpenAI 不急著回應每一次跑分。他們關心的是：使用者是否把ChatGPT 當作生活工具；企業是否用它接住任務流程；一家公司是否已經開始圍繞它重建工作流程。技術可以被超越，習慣很難被取代。這，就是Altman 所理解的護城河。第三節｜1.4 兆要買什麼？這不是一個隨口報出的數字。在訪談中，Sam Altman 反覆講了幾次：我們計畫在未來很長一段時間內投入約1.4兆美元。前面我們拆解了收入從那裡來，那麼：這筆錢到底花在那裡？1. 這筆用來買什麼？這筆支出大致分為四類：晶片，如NVIDIA的H100、B100或自研方案，用來訓練和運作最先進的模型；資料中心，需要全新建設的AI工廠，不是傳統雲端運算中心，對頻寬、電力和散熱的要求都極高；網絡，連接全球模型推理的骨幹網絡，要確保延遲極低、吞吐極高；能耗，大量GPU同步工作，背後需要穩定且便宜的能源配套。即便如此，Altman 認為仍然不夠：我們的擴張速度已經快到，即使現在就把這些基礎設施建好，也永遠不夠用。2. 為什麼現在就要花？很多人會問，未來五年模型還在變，技術還不穩定，為什麼現在就提早花掉這麼多？Altman 說：不是我們想提早花，而是市場已經等不及了。原因有三：基礎建設周期太長一個資料中心從規劃到投入使用需要2-3年，晶片訂單要提前18個月鎖定，電力配套甚至要提前5年佈局。如果等到需求爆發再建，根本來不及。市場需求正在快速爆發從一年前到現在，OpenAI 的算力擴張了3倍，明年還要再擴3 倍。收入也跟著漲。這是一種算力先行、收入追趕、效率遞增的模式。越早買算力，越早釋放成長。更關鍵的是，競爭對手都在搶同樣的資源NVIDIA的H100、B100供不應求，資料中心的電力配額有限，優質機房更是稀缺。不提前鎖定，別人就搶走了。一句話總結：OpenAI 不是在投資未來，而是在解決現在問題。3. 回本邏輯是什麼？花了1.4兆，成本怎麼變？Altman 的判斷是：未來訓練會越來越省錢，推理也越來越快。OpenAI 的策略是：用一套訓練好的通用模型，支撐多個終端業務。訓練一次，部署多次，推理規模越大，單位成本越低。透過ChatGPT、企業API、代理系統等通道，把token 消耗轉化為真實收入。這是典型的前期重投入、後期低成本模型：先建廠，再接單。Altman 也被問到另一個爭議問題：如果模型進度放緩怎麼辦？他的回答是：「即便模型停在o1-5.2，能做的事情還遠未被挖掘。光是用好現在的模型，就足以支撐一個5000億美金的公司。如果未來模型繼續提升，回本速度只會更高。”在資本上，他認為舉債投資AI 是合理的。 OpenAI 不是靠模型會更強這件事融資，而是現在就能產生的使用量、顧客需求和token消耗。不是靠講故事，而是靠算帳。所以這筆1.4兆，表面是買晶片、買電力，本質是在提前鎖定全球AI算力的供給能力。 在科技巨頭都在爭奪AI 入口的今天，誰能提前建好基礎設施，誰能決定未來的遊戲規則。第四節｜ChatGPT 的終極型態是什麼？前三節講的都是錢和算力，但最後要做什麼產品？在大多數人眼中，ChatGPT是個聊天工具。但Altman 每天用它做的，遠不止聊天：安排行程、確定見誰、規劃健身計畫。他說，ChatGPT 已經幫他做了很多他自己都沒注意到的事情。這就是OpenAI 想要的轉變：從被動回答問題的工具，變成主動幫你辦事的助理。這個轉變分三個方向：1 、從記住對話，到記住你的人生第二節提到記憶是使用者黏性的來源，但Altman 認為現在還遠遠不夠。他說：ChatGPT 的記憶能力現在還停留在GPT-2 階段。它能記住一些偏好，能保持上下文，但遠遠達不到真正理解你的水平。下一步呢？未來的AI 不只記住你說過的話，而是瞭解你沒說出口的偏好，懂你長時間的變化，甚至可以主動提醒、提問、跟進。我們對記憶的潛力還完全低估了。就算是人類最頂尖的私人助理，也不可能記住你生活中每一封郵件、每個細節。而AI 可以。2 、從被動回應，到主動處理Altman 對現有AI 互動方式並不滿意。“我不想每天發訊息、等總結、看草稿。我想直接告訴它今天要完成什麼事，能搞定的別來煩我。”這是一種完全不同的使用方式：不是你問我答，而是你交給我辦。為了實現這個目標，OpenAI 正在佈局多條產品線：Code Interpreter可以執行複雜的資料分析任務；AI瀏覽器幫使用者自動讀取網頁、理解內容、產生摘要；Agent原型可以長時間運作、自動喚起其他工具，逐步接管日常事務。關鍵是：你不用時時盯著它。3、不只是螢幕上的對話框在訪談最後，Altman 被問到關於硬體設備的問題。他沒有透露太多細節，但給了一個明確的方向：“我們未來不會只有一個設備，而是多個產品組合。這些產品要能感知你、理解你、主動服務你，而不是等你輸入命令。”這其實就是OpenAI 與硬體團隊（Jony Ive）正在推進的硬體專案。它不一定是手機，不一定有螢幕，但它會主動記錄你說的內容，透過語音或感知理解你的行為，不再讓你像用電腦一樣點開視窗、切換App。現在人們接受了聊天介面是因為它簡單、熟悉，但未來不同類型的任務，AI 應該能自己產生適合的互動方式。例如：你和它討論旅行，它自動展示地圖；你談健康計劃，它產生日曆與飲食建議；你說今天幫我規劃一下，它整合前幾天的對話和習慣，給出主動安排。從記憶、執行、再到硬體，OpenAI 要做的不只是更強的模型，更是改變AI 在人類生活中扮演的角色：從被動回答問題，變成主動協助；從通用工具，變成你的個人化助手；從你使用它，變成它代你做。未來很多人不會再單獨處理任務，而是管理一群AI 幫手。在 Altman 設想裡，ChatGPT 不再只是一個產品，而是能協調其他AI 工具的中樞系統。它會收集指令、分配任務、總結結果、決策提醒。1.4 兆，買的就是這個未來。結語｜這筆帳，怎麼付？Sam Altman 給了一套完整的帳本：用算力換收入，用收入涵蓋成本。怎麼做？算力每翻倍，收入就翻倍；透過用戶粘性和個性化，確保持續收入；提前投入基礎設施，確保算力夠用；從聊天工具到AI 作業系統，擴大營收成長空間。1.4 兆聽起來很瘋狂，但拆開看，每一筆都有對應的變現路徑。能不能付得起？ OpenAI 用實際成長給了答案：收入確實在跟著算力跑。至於能跑多遠，時間會證明。 （AI深度研究員）

OpenAI 首席執行官 Sam Altman 曾計畫籌集資金，收購一家火箭公司或與其深度結盟。此舉若成，他將直接向 Elon Musk 的 SpaceX 發起挑戰。知情人士稱，Altman 今年夏天接觸了包括 Stoke Space 在內的至少一家火箭製造商，談判在入秋後明顯升溫。方案之一是 OpenAI 對其進行多輪注資並最終控股。這一長期投資計畫的總額預計將高達數十億美元。據接近 OpenAI 的人士透露，相關談判目前已不再推進。眼下，Altman 和 OpenAI 正面臨嚴峻的市場考驗。雖然公司已簽下數千億美元的算力大單，卻至今沒能向外界講清楚：這筆天文數字般的基建帳單到底該怎麼付。隨著 ChatGPT 的市場份額被 Google Gemini 蠶食，OpenAI 本周一拉響了“紅色警報”（Code Red）。為集中火力最佳化聊天機器人業務，公司不僅推遲了廣告等新產品的發佈，還要求員工暫時轉崗支援核心戰線。Altman 對建立太空資料中心的構想已關注許久。他的理由是：AI 對算力的胃口是個無底洞，未來的能耗將大到地球環境難以承受，太空反而是更好的選擇。支持者也認為，軌道資料中心可直接利用太陽能維持運轉。Stoke 由 Jeff Bezos 旗下 Blue Origin 的前員工創立，正致力於研發完全可復用的火箭，這同樣是 SpaceX 試圖攻克的技術高地。實際上，把 AI 計算叢集搬上太空並非 Altman 獨有的狂想。Bezos、Musk 以及 Google 掌門人 Sundar Pichai 等科技大佬，都曾對這一前景表現出濃厚興趣。儘管這一構想尚未經實證，但 Alphabet 旗下的 Google 已與衛星營運商 Planet Labs 簽約，計畫在 2027 年發射兩顆搭載 Google AI 晶片的原型衛星。Altman 最近在 Theo Von 的播客節目中表示：“隨著時間推移，地球大部分區域都會被資料中心所覆蓋，也許我們該圍繞太陽系建造一個巨大的戴森球。”OpenAI 動起“造火箭”念頭時，正值市場對 AI 的狂熱達到頂峰。9 月至 10 月間，Altman 密集拋出一系列晶片與資料中心合作計畫，Oracle、Nvidia 和 AMD 等行業巨頭均在盟友名單之列。投資者最初對這些公告反應熱烈。Altman 描繪的大規模算力倉庫建設藍圖，曾一度助推 Oracle 和 Nvidia 的股價在隨後的數周內飆升。但隨後，市場對這種激進的 AI 擴張計畫態度轉冷。過去一個月裡，Oracle 股價下跌了約 19%，Nvidia 下跌了約 13%。Nvidia 首席財務官本周表示，該公司與 OpenAI 之間價值 1000 億美元的交易尚未最終敲定。僅過去幾個月，OpenAI 就簽下了近 6000 億美元的算力大單，外界不禁質疑：錢從那兒來？這家初創公司今年的預計收入為 130 億美元，與此同時，勁敵 Anthropic 正步步緊逼，在程式設計師群體和企業級市場攻城略地，銷售額增速驚人。作為一名資深風險投資人，Altman 曾執掌創業孵化器 Y Combinator，而後者正是 Stoke 的早期投資方。據《華爾街日報》去年報導，他掌控著一個龐大而不透明的投資版圖，涉足公司超過 400 家。雖然 Altman 已不再頻繁以個人名義出手，但在調動 OpenAI 的公司資金為宏大願景買單時，他卻毫不手軟。今年早些時候，他便大筆一揮，承諾讓 OpenAI 與軟銀聯手，向資料中心新貴 Stargate 注資 180 億美元。考慮到 SpaceX 在發射領域的統治地位以及 Musk 旗下 xAI 的存在，一旦 Altman 聯手 Stoke，他與 Musk 之間的戰火將進一步升級。事實上，Altman 正從多個維度對 Musk 形成圍剿之勢：他新創立的腦機介面公司 Merge Labs 直接對標 Neuralink，而 OpenAI 正在籌備的社交網路項目，也被視為 X（原 Twitter）的潛在威脅。若能達成交易，Altman 將通過 Stoke 正在研發的“Nova”火箭借道切入航天賽道。畢竟，從零開始造火箭不僅技術門檻極高，監管審批也困難重重，往往十年磨一劍。眼下，Blue Origin、Rocket Lab 和 Stoke 等一眾發射服務商正摩拳擦掌，試圖撼動 SpaceX 的霸主地位。Altman 在今年 6 月與其兄弟共同參加播客錄製時曾反問道：“我應該去開一家火箭公司嗎？”他表示：“我希望終有一天，人類消耗的能量將遠遠超出地球本身的產出極限。” (這個AI很盒裡)

一封本該躺在 OpenAI 郵件系統裡的內部信，正在 AI 圈悄然流傳。這是來自 The Information 的獨家爆料。OpenAI CEO Sam Altman 罕見地在郵件中承認：「Google最近在各方面都做得很出色。」更讓人意外的是，他用了一個語氣有點重的詞來形容當前形勢：「rough vibes」（艱難時刻）。估計我們要經歷一段艱難時刻了。the vibes out there to be rough for a bit.這應該是 ChatGPT 爆紅兩年來，Sam Altman 第一次如此直白地承認競爭對手的領先。要知道，就在一個月前，OpenAI 還在以 5000 億美元的估值、1 兆美元的 IPO 目標、ChatGPT 的 8 億周活使用者傲視群雄。一個月後的現在，Sam Altman 的措辭變成了:「我們正在快速追趕。」01｜Google到底做了什麼?11 月 18 日，Google發佈了 Gemini 3 Pro。在幾乎所有的基準測試中，這個模型都碾壓了 OpenAI 的 GPT 5.1 和 Anthropic 的 Claude Sonnet 4.5。更是直接在 LMArena、WebDev Arena、LiveBench 多個大模型排行榜同時登頂。網友一致好評：「Google這是降維打擊。」甚至，就連馬斯克都在 X 上給Google CEO Sundar Pichai 發了個「Congrats」（祝賀）。Sam Altman 也公開發帖：「恭喜Google推出 Gemini 3！看起來很棒。」但不難看出，這句恭喜背後，藏著多少無奈。02｜OpenAI 遇到了什麼麻煩？內部信裡，Sam Altman 特別提到了一個技術細節：「預訓練」。這是訓練大模型關鍵的一步。就像教小孩認字，你得先讓他接觸大量文字，並理解它們之間的聯絡。OpenAI 在這個環節卡住了。據知情人士透露，在訓練 GPT-5 時，OpenAI 就發現了一個問題：在小模型上有效的最佳化方法，一旦應用到大模型上就失效了。一位前 OpenAI 研究員私下說：「我們太專注於推理模型這條路了，忽視了基礎能力的提升。現在看來，這可能是個戰略失誤。」為了應對這個困境，OpenAI 正在開發一個代號為「Shallotpeat」的新模型。Shallot，青蔥；Peat，泥炭。青蔥在泥炭土里長不好，隱喻 OpenAI 要在困難的訓練環境中尋找突破。而Google恰恰在此時實現了突破。03｜不只Google，還有 Anthropic如果說Google的超越讓 OpenAI 感到壓力，那麼 Anthropic 的崛起簡直是雪上加霜。這家由 OpenAI 前核心團隊創立的公司，今年實現了爆炸式增長。最新資料顯示，Anthropic 的年化收入已經達到 70 億美元，今年以來增長了 6 倍。更要命的是，在某些領域，Anthropic 甚至比 OpenAI 更強。比如程式設計。幾乎所有主流 AI 程式設計工具，如 Cursor、GitHub Copilot，都默認使用 Claude 模型。Anthropic 的 Claude Code 在推出三個月內使用量增長 10 倍，貢獻超過 5 億美元的收入。一位矽谷投資人評價：「如果說 OpenAI 是 AI 界的蘋果，那 Anthropic 就是專注企業端的微軟。他們不需要 8 億使用者，只要服務好那 30 萬家企業客戶就夠了。」而就在上周，Anthropic 剛拿到輝達和微軟的 150 億美元投資，最新估值達到 3500 億美元，幾乎翻倍。Claude 也成為了唯一同時覆蓋 AWS、Google雲、微軟 Azure 三大雲平台的 AI 模型。04｜Sam Altman 的「超級智能」賭注面對這樣的局面，Sam Altman 在內部信中給出了他的應對之策：聚焦「超級智能」。他說：「讓大部分研究團隊專注於真正實現超級智能至關重要。」這是一個巨大的賭注。超級智能指全面超越人類智能的 AI。這不是寫寫程式碼、回答問題，而是能自主進行科學研究、解決人類未解難題的存在。Sam Altman 承認，這意味著 OpenAI 可能會「在當前競爭格局下暫時落後」。但他認為這是值得的。「我們不得不同時做這麼多困難的事情：最好的研究實驗室、最好的 AI 基礎設施公司、最好的 AI 產品公司。這很難，但這就是我們的使命。而且說實話，我不願意跟任何公司交換位置。」既有無奈，也有決心。結語在內部信最後，Sam Altman 說：「別因為這封信感到沮喪。我們其實做得很好，而且會繼續好下去。」聽起來在鼓舞士氣，但更像是在說服自己。歷史告訴我們，沒有永遠的王者。諾基亞手機市場份額曾超 40%，雅虎曾是網際網路代名詞，它們都覺得自己的位置無人能撼動。OpenAI 的故事遠沒有結束，但「rough vibes」已經開始。你覺得誰會贏得這場 AI 戰爭？歡迎在評論區分享你的看法。 (AI資訊Gap)

OpenAI執行長薩姆·阿爾特曼在播客節目中回應公司財務狀況質疑，稱公司營收遠超130億美元，並表示公司正在快速成長。美東時間周六（11月1日），OpenAI執行長薩姆·阿爾特曼（Sam Altman）在一起播客節目中，反嗆了外界有關OpenAI公司財務狀況的批評。他明確表示，公司的營收「遠遠超過」130 億美元，而且還在快速成長。公司營收遠超130億美元今年10月底，在OpenAI完成了備受爭議的營利性重組，公司CEO阿爾特曼隨即公開宣布，公司已承諾投入約1.4兆美元用於基礎設施建設，相當於30吉瓦的數據中心算力。這包括與微軟、輝達等合作夥伴的交易。美東時間周六，在與投資者兼播客主持人布萊德·格斯特納（Brad Gerstner）的交流中，阿爾特曼被問及在目前年收入僅有130億美元的營收水平下，OpenAI 如何能夠承擔投資1.4兆美元的承諾。阿爾特曼回答說，「我們的實際營收遠超這個數字」。他還語氣激烈地反擊稱，懷疑者完全可以拋售他們的股票——他肯定能找到買家。他甚至表示，他巴不得讓批評者們趕緊對OpenAI下注做空——不過目前這只是假設，因為該公司尚未上市，首次公開募股（IPO）仍遙遙無期。「我很少希望自己成為一家上市公司，但有那麼一次，我真的希望我們是家上市公司，那就是當那些人寫那些荒謬的報導說OpenAI 即將倒閉的時候。我很樂意告訴他們，他們可以趕緊做空這隻股票，我也很樂意看到他們因此遭受損失。」阿爾特曼直言。阿爾特曼表示，到目前為止，OpenAI的快速發展得益於其人工智慧產品和服務的需求強勁，但要實現未來的目標，則需要達到前所未有的業務擴張速度。因此，該公司正著眼於從人工智慧雲端基礎設施、專有設備以及自動化科學研究等方面獲取新的收入來源。他認為，目前OpenAI發展的最大瓶頸在於運算能力。擔憂並非無中生有儘管阿爾特曼本人對OpenAI的營收前景信心十足，不過外界對於該公司業績壓力的擔憂也並非無中生有。據微軟在截至9月30日的季度財報中透露，其對OpenAI的權益法投資導致淨利減少31億美元。基於微軟持有OpenAI約27%的股權，這意味著OpenAI該季度淨虧損約115億美元。若考慮稅前損失和先前更高的持股比例，OpenAI的實際虧損可能超過120億美元。不過，在周六同樣參加這場播客節目的微軟執行長薩蒂亞·納德拉似乎也不擔心OpenAI的業績問題。他在節目上大力誇獎稱，OpenAI 的執行表現“令人難以置信”納德拉既是OpenAI的合夥人，也是重要投資者。他直言：“坦率地說，我所見過的OpenAI 提出的任何商業計劃，他們實施之後都沒有失敗過。(科創板日報)