•
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：
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”。
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；
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。
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。
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：
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？
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。
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：
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。
這場新德里的訪談，Altman 講了四道題：
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)