這是 OpenAI CEO Sam Altman 接受 Stanford Online頻道的專訪。這個專訪公開發表於2026年06月16日。
Sam Altman 在訪談中，核心圍繞三個主題：規模、產品與社會分叉點。
在“規模”上，他強調，幾乎所有最有趣的突破都來自“把已有有效方向做到前所未有的大規模”，不論是模型、公司網路效應還是人才聚集。人類和組織天然抗拒大規模，因為系統會以不可預測方式“半崩潰”，但正是在解決技術、資本、文化等一連串“勸退理由”的過程中，才誕生真正的突破。他認為當下很多人仍嚴重低估了繼續放大規模的回報。
在產品與技術路徑上，他回顧了 ChatGPT 與 Codex 的誕生。GPT‑3 商業化一度受挫，只跑通了文案寫作，但開發者卻自發用它“純聊天”。OpenAI 於是順勢做出 ChatGPT，本來只是展示用的研究 Demo，卻在幾天內資料瘋狂增長，逼得公司進入“緊急狀態”快速擴張。他認為真正的殺手級產品往往一開始並不完美，但資料會說話。對於未來模型架構和訓練管線，他判斷現有 pipeline 必然還會被重構，並計畫用“AI 研究實習生/研究員”來探索新架構，同時堅信大模型擴展遠未到頭，唱衰 LLM 是誤判。
關於社會分叉點，他提出三大擔憂與判斷：其一，AI 會持續快速發展，但關鍵分叉在於：技術是被少數公司高度集中掌控，還是成為類似電力的“公用基礎設施”，被廣泛民主化？他認為集中化既不公平，也是一種“對齊失敗”，估計有約 80% 的機會走向更民主的路徑，但需要全社會刻意推動。其二，算力正在成為最重要、也會長期短缺的公共資源，未來如何定價和分配算力是被嚴重低估的關鍵問題。其三，教育體系對 AI 的反應遠遠太慢，如果仍按“前 AGI 時代”的方式教學與考核，學生真正“學會思考”的能力會退化，教育必須圍繞“人類+AI 能力”徹底重構。
訪談全文如下：
主持人： 請和我一起歡迎 Sam Altman。這門課的設計靈感來自於我在這裡當學生時的一些不同經歷。其中之一是 Terry Winograd 的入門研討課 CS47N《電腦與開放社會》。第二個對我以及當時校園裡許多朋友和同齡人產生深遠影響的經歷，是 Sam 在 2014 年開設的 CS183《如何創業》(How to Start a Startup)。很高興你能回來。感覺怎麼樣？重新回到這裡的感受如何？
山姆·奧特曼： 我走進來的時候就在想，如果我能再多一點時間，我一定要更新那門課的內容，因為我認為關於創業的一切已經發生了翻天覆地的變化。我還沒看到有誰對“當下該如何創業”給出過完美的解答。所以剛走進這裡時，我心裡就閃過一個念頭：啊，如果能重開這門課一定會很有趣。
主持人： 從時間線來看，你是在 2014 年教的那門課。OpenAI 好像是 2015 年成立的，對吧？基本上是 16 年。16 年。好的。所以，從旁觀者的角度來看，感覺像是你先構思出了一套“如何正確創業”的理論體系，然後再去親身實踐。這種評價中肯嗎？還是情況並非如此？畢竟 OpenAI 的路徑非常奇特。
山姆·奧特曼： 過去幾十年矽谷的初創公司通常以產品起家，增長一段時間，直到增長放緩，這時他們才會增設一個研究實驗室，去弄清楚下一步該做什麼。
我們正好相反，我們起初就是一個研究實驗室，後來才不得不為其加上創業公司的外殼。我並不推薦這種做法——這是一條非同尋常的道路——但我想表達的不是這個意思。我的觀點是，由於我們致力於建構人工智慧且當時尚未成功，我們依然遵循著 AI 時代前的那套創業法則。
然而，觀察當下最頂尖的初創公司是如何運作的，你會發現它與幾年前相比已經截然不同。我覺得應該有人——雖然大機率不會是我——把那門課再講一遍。
主持人： 如果基於新的資料，你會做出那些最大的更新？
山姆·奧特曼：現在，只需可負擔的 Token 成本，你就能撬動過去百人頂尖工程團隊才能完成的壯舉。 這在過去是完全不可能的，根本不在初創公司的選項之內。但現在成為了現實。因此，你可以承擔的任務、你的雄心壯志、你行動的速度，以及你能同時處理的事務量，都發生了徹底的改變。
主持人： 這會改變你分配給學生去攻克的問題類型嗎？如果你再教一次這門課，在學期末你會讓他們去解決什麼樣的問題？
山姆·奧特曼： 我認為分配問題去攻克是行不通的。因為如果我能想到一個問題，或者一個絕佳的創業點子，既然它對我來說足夠明顯，那麼對很多人來說大機率也是顯而易見的。
當我們創辦 OpenAI 時，全球範圍內（毫不誇張地說）大概只有四個致力於通用人工智慧(AGI)的團隊。你想要尋找的就是這樣的機會。我確信，在自動化程式設計時代之前，有些事情是完全不可能的，它們極不顯眼，但很快就會成為兆美元等級的市場，而且目前世界上只有四家公司在做。
但我不知道那具體是什麼。比起我，你們更有可能知道答案；我的大腦已經完全被 OpenAI 佔據了。歸根結底，別人分配給你去研究的想法，通常不是你真正想做的。
主持人： 好吧，這很合理。但鑑於這是一門系統課程，探討一個你需要切實解決的具體問題會很有幫助。這樣學生們就能借鑑解決問題的思維模式——從系統架構的角度將問題拆解為解決方案——並應用到他們自己的工作中。
你早在 2014 年的課程中就引入了一個概念，並且多年來一直在公開場合討論，那就是規模(Scale)。規模本身就是一頭巨獸；量變即質變(Quantity is its own quality)。
過去 10 年裡，你一直在用各種方式對“規模”這一概念進行實證研究。你能先幫我們拆解一下，10 年後的今天，你所說的“規模”究竟意味著什麼嗎？無論作為一種工具還是其他屬性，你會如何將其解構為一個系統設計要素？我們能從這裡開始嗎？
山姆·奧特曼： 沒問題。我不清楚以下觀察為何成立，我也無法給出令自己滿意的理論解釋，這讓我不太敢建議你們照做，但我還是要說，因為從經驗來看它確實成立。
在我職業生涯所觀察到的所有最有趣的事情中，它們無一例外都與規模(Scale)帶來的湧現能力(Emergent Properties)有關，或者說，持續擴大規模所帶來的回報，往往遠超大眾共識的認知極限。
這顯然印證了 AI 模型的規模法則(Scaling Law)，但同樣適用於將更多聰明人聚集在研究環境中共同思考一個問題。這種情況也發生在公司內部，以及你可以通過不同方式實現的各種規模經濟(Economies of Scale)中。
我在 Y Combinator 時深刻體會到了這一點。當時大家都在說：“哦，Y Combinator 規模太大了，應該縮減。我們應該減少每期的投資數量。Y Combinator 最輝煌的時候是每期只有 10 家公司的時候。” 很多非常聰明的人都這麼說。
這聽起來很誘人，因為工作量會減少很多。當時的理論是：最優秀的公司總是顯而易見的，剩下的只作陪襯，投資它們意義不大。但 YC 成功的核心魔力，恰恰在於每一期內部產生的網路效應(Network Effects)。這正是一種在規模擴大後才被發現的湧現能力。在此之前，從來沒有人嘗試過如此大規模地投資初創公司，因此也從來沒有人觀察到這種現象：當你把規模做大時，會發生一些至關重要的事情，而這些事情在十分之一或百分之一的規模下是根本不存在的。
還有許多類似的例子，為了節省時間我就不贅述了。但我還是要強調，雖然我無法解釋原因，但從經驗來看：當你發現一個方向，並且能將其推向人們此前未曾嘗試過的規模，同時它在較小規模下已經表現出了某些有趣的特性時，這往往是一個絕佳的主意。
這似乎也是大多數人做得遠遠不夠的地方。我也無法解釋為什麼，但比如當初我們決定要全力擴展 AI 模型規模時，這個領域的大多數“天才”都在說：“哦，這行不通。這甚至算不上什麼科學成果。規模變大效果變好一點也不稀奇。你已經證明了這一點，為什麼還要繼續擴大規模呢？” 我前面提到了 YC 的例子，其實我也見過很多情況。
很多初創公司的創始人會說：“如果我擴大規模，可能會發生一些有趣的事情，但我總有些說不清道不明的擔憂。” 回過頭來看看那些在各個維度成功擴大公司規模的海量案例，你會發現幾乎總能從中挖掘出意想不到的驚喜。所以，我認為在方向上，這是一個非常值得發力且被嚴重探索不足的領域。
回到系統設計層面，我認為人們不願意擴大規模的一個原因是：隨著規模的擴大，系統會以不可預測的方式加速崩潰。如果你真的要大規模擴展某個事物，它總會處於一種“輕微損壞”的狀態。總會有非常聰明的人勸阻你：“不要太有野心。不要做得太大。我們從小處著手吧。”
因此，將其作為系統問題進行拆解至關重要。我以我們擴展 AI 模型的經驗為例。首先是技術問題：我們到底能不能做到？這聽起來很瘋狂，因為此前從來沒有人想過要在 10,000 或 100,000 個 GPU 上運行一個處理程序，這需要極其龐大的頂尖工程人才儲備。
其次是資本需求，以及實現這一目標需要付出的代價。此外，還有商業可行性上的擔憂：你如何證明承擔這樣的風險是合理的？
最後是文化層面的挑戰，研究人員會質疑：“如果我們要獲取這麼龐大的算力(Compute)，為什麼要把它們全部投入到這一個項目中？我們什麼都學不到。為什麼不把算力分配給所有其他項目呢？” 我觀察過幾乎所有涉及規模擴張的領域，這種情況屢見不鮮。將挑戰拆解為每一個具體的困難環節——或者說每一個“勸退”你的理由——並嘗試逐一攻克，這一點真的至關重要。
主持人： 我想就這一點深入探討一下，因為多年來，能像 OpenAI 團隊這樣持續將新產品和新系統規模化的人寥寥無幾。
但問題似乎在於，人類腦海中總是存在各種先入為主的心智模型(Mental Models)和預期。你說過系統有時會崩潰，而最常崩潰且最難重構(Refactor)的，往往是系統設計中“人”的這一環，對吧？尤其是在有執行者或參與者捲入的情況下，更是如此。
那麼，關於如何管理“規模化的人類團隊”，你學到了什麼？具體來說，你如何組織大規模的人群去參與一個全新的系統，而這個系統並非他們乍一看就能輕易理解的過往模式的簡單復刻？
山姆·奧特曼： 我認為“清晰”至關重要：明確的目標、清晰的實施計畫、確定的行進路線，以及在過程中如何做決策的明確答案。這些都非常重要。
回顧我們當初決定擴大模型規模(Scale Up)的時候，很多人說：“這行不通的，會遇到各種問題，”或者說“我們需要更多元化的投資組合(Diversified Portfolio)。”
但一旦我們拍板決定：“不，我們就是要押注擴展深度學習(Scaling Deep Learning)——這就是我們的使命。如果錯了，大不了失敗，但我們非做不可。”這種破釜沉舟的決心就產生了強大的力量。我們清晰地定義了為什麼要這麼做，以及如果成功，未來的世界將會是怎樣。這種願景極具穿透力。然後……
無論出於什麼原因，人類在進化過程中，並沒有演化出擅長進行“指數級思考”的大腦。人們很難想像規模法則(Scaling Law)會呈指數級延續，很難想像收入會呈指數級增長，也很難想像一個組織能承載指數級的複雜度。根據我的經驗，你要花大量的時間，才能引導大家運用第一性原理(First Principles)去真正推演清楚背後的底層邏輯。
主持人： 我們可以用兩個具體的例子來剖析一下嗎？一個是 ChatGPT，另一個是 Codex。這兩者都帶來了顛覆性的改變。大家在後排能聽清嗎？我儘量大點聲。可以嗎？好的。
我先來設定一個討論框架，你可以隨時反駁我的假設，然後我們希望通過實例來復盤到底發生了什麼。以 ChatGPT 為例，在推進模型規模化的很長一段時間裡，行業內普遍存在一個巨大的思維盲區：這玩意兒到底能有什麼用？它更像是一種“拿著方案找問題”的研究導向型路徑，而不是產品導向。
隨後 ChatGPT 問世了，它向世界證明：對於面向消費者的通用大模型而言，對話式體驗(Chat Experience)就是那個殺手級應用(Killer App)。幾年後，事實又清晰地表明，程式碼編寫(Coding)則是企業端的殺手級應用。
那麼，在挖掘這些用例(Use Cases)、發佈產品、規模化推廣以及商業變現的過程中，你會如何對比這兩種模式下的系統打法？從這兩套系統中，有什麼突出的經驗教訓嗎？
山姆·奧特曼： 其實我們當時主要想確保的是……回到最初，GPT-3 是一個非常有趣且酷炫的演示(Demo)，但我們需要創收，因為我們要將計算規模擴展到耗資 10 億甚至數十億美元(Billion and multi-billion dollar)的超級電腦上。我們在圍繞它做產品時進退維谷；嘗試了幾個方向，但都無功而返。既然自己沒法找準產品定位，我們決定幹脆把它作為 API 開放出去，寄希望於外界的開發者能探索出基於它建構產品的方法。
2020 年夏天，我們發佈了 GPT-3 API。起初它在市場上毫無水花。但大約 1 個月後，它突然在 Twitter 上爆火了。似乎完全出於偶然，幾個不同的開發者發現能用它做出很酷的東西並把成果發到了網上，這立刻引發了跟風嘗試。一夜之間，大量湧入的使用者開始呼叫這個 API。
然而，當時那個模型其實爛得驚人。如果你今天再回過頭去用 GPT-3 甚至 3.5，對比當時它們引發的狂熱，你會驚訝於它們的能力竟然如此糟糕。人們嘗試了各種五花八門的方向，但唯一真正跑通並形成規模的商業模式，只有文案撰寫(Copywriting)。這事兒聽起來既不酷也不令人興奮，所以我們意識到，只能耐心等待更強大的模型問世。
儘管那是唯一走得通的商業模式，但開發者們私下裡已經摸索出了新玩法：輸入提示詞(Prompt)來跟模型進行純粹的聊天。我們觀察到了大量這樣的行為；越來越多人開始這麼用，雖然他們沒法讓 API 為自己的業務創造商業價值，但他們卻在消耗 API 金鑰的額度，僅僅為了跟模型“純聊天”。
於是我們想：“既然大家顯然有這個需求，那我們完全可以自己做一個出色的聊天機器人(Chatbot)。”當時我們正好有一款準備發佈的新模型，也就是 3.5 版本。我們還摸索出了一種全新的後訓練(Post-training)方法，能讓模型在指令遵循(Instruction Following)方面表現優異，這讓使用者與它對話變得輕鬆順暢得多。
當時，API 業務的整體表現並不出彩——它大概只是一塊年化營收(Run-rate)為 1000 萬或 2000 萬美元的業務。但我們手裡卻握著一個使用者真正為之狂熱的東西。秉持著 YC “做使用者熱愛的東西”這一原則，我們決定幹脆直接圍繞它打造一款聊天機器人。
我們發佈了它，那怕當時我們內部依然不認為它能掀起多大波瀾。它的初衷純粹只是作為一個研究演示(Research Demo)，想借此去說服外界的開發者：你們也應該去開發這類聊天產品，然後來買我們的 API 服務。
但結果它爆火出圈，勢不可擋。我在 YC 學到的另一條黃金法則是：當一個產品本身還不夠完美，但資料卻開始瘋長時，你手裡絕對已經握住了一個爆款。 我們經歷了大約 5 天的神奇時間：流量瘋狂飆升，然後回落，大家會說：“這不過是又一波炒作周期(Hype Cycle)罷了。”但到了第二天，它會沖上一個更高的峰值，在晚些時候再次回落。人們依然覺得這只是炒作。直到第 4 天還是第 5 天，我猛然醒悟：“我懂這個規律了。我知道接下來要發生什麼。我們眼前，是一個潛藏的殺手級產品(Killer Product)。”
我們知道自己還能把它做得更好。我們知道手裡還握著 GPT-4，也確信我們能繼續擴大規模。就在第 5 天，我們把所有人召集在一起，宣佈：“大家注意，現在進入緊急狀態。這是一場‘幸福的煩惱’，但擺在眼前的是，我們必須同步去建立一家公司並打磨一款產品。”隨後的 2 個月，我們迎來了瘋狂的規模擴張。我們決定先把商業模式放一邊，當務之急只是向使用者收一點費，免得我們付不起高昂的算力帳單而破產。儘管這不是長久之計，但事實證明極其有效。這就是 ChatGPT 誕生的故事。它帶來的實用價值太大了，大到人們願意主動克服使用它的“啟動能”(Activation Energy，指使用門檻)，而且這一切都運轉得極其順暢。
其實在 ChatGPT 誕生之前，我們的原計畫是全力投入到 Codex 上。我們深知這些模型具備寫程式碼的能力，且這將是一片價值連城的藍海。當時我們的內部共識是：編寫程式碼，是這些模型在數字世界裡控制電腦的手段；而驅動機器人，則是它們在物理世界中控制事物的手段。如果你能打造出一個足夠聰明的模型，讓它同時具備寫程式碼和驅動機器人這兩種“執行器”(Actuators)，你就能真正讓這種智能代替你在現實世界中建功立業。
我們花了一段時間才走到這一步。我認為 Codex 在今年初已經變得非常強大，但在 5.5 版本中，我們看到了一個真正的拐點(Inflection Point)，如今人們正在利用它實現不可思議的創舉。
主持人： 在課程初期，我們討論過能力管線(Capabilities Pipeline)的形態，它在不同的研究團隊中正變得越來越標準化、清晰化。比如預訓練(Pre-training)、中程訓練(Mid-training)、後訓練(Post-training)，以及強化學習(RL)和監督式反饋循環(Supervised Feedback Loop)。你認為這種大致的管線形態，是否就是促使 Codex（註：此處原文發音似為codecs，推測為Codex模型）實現能力躍升的原因？這種形態現在會保持穩定和一致嗎？還是說我們即將經歷一次管線的大規模重構？
山姆·奧特曼： 我認為針對目前的管線(Current Pipeline)而言，我們肯定會經歷一次大規模重構。我不確定這會在何時發生，也不確定具體方式，但這種以“管線”形式運作的方式讓我感到有些奇怪，它似乎並非最優解。
主持人： 那你心中理想的解決方案是什麼？
山姆·奧特曼： 我認為這是需要人工智慧(AI)去解決的研究課題。
我們目前已經設定了一個目標：到今年9月，我們將使用相當於500台 H100 等效GPU 的算力，以“AI研究實習生”的身份來工作——這是一股極其龐大的計算能力。
到2028年3月，我們將擁有全流程端到端、極具天賦的“AI研究員”來探索全新的架構。 因此，我認為即使只依靠當前的管線和架構，我們也即將跨越那道門檻，讓AI完成令人驚嘆的工作。
主持人： 你剛才提到的這番話讓我想起，我們在課堂上經常討論系統、框架和類比，目的是讓缺乏背景知識的人也能理解跨領域的概念。但有時，由於“翻譯”過程中的資訊損耗，通過類比來推理反而適得其反，因為認知偏差會不斷累積。
你提到我們的目標是將AI作為實習生使用。在矽谷的語境下，這是一個非常直觀的比喻，因為這裡的學生都明白這些技術管線是如何運作的。然而，當把這個比喻推廣到全球時，缺乏特定背景知識的人可能會對這些模型產生不恰當的聯想。
我們該如何看待這種類比的侷限性？在矽谷，你認為那些關於產品和研究的類比最行之有效？此外，在推廣這些類比時，你發現了它們存在那些侷限？你又是如何在兩者之間尋找平衡的？
山姆·奧特曼： 我一直熱衷於研究自己的思維方式。我認為當下正在發生的是：我們正在創造一種全新的公用基礎設施(Utility)。 這種歷史機遇並不多見。電力是公用基礎設施，網際網路和自來水也是。這類事物屈指可數，因此我們沒有太多歷史經驗可供借鑑，也找不到完美的比喻來向世界解釋這一切。
我最近考察了電力成為公用事業時的歷史。這是一個很好的類比，儘管它並不完美。早期的電力公司——至少據我所查的資料顯示——並沒有將“電力”作為賣點，因為當時沒人知道電是什麼，也不知道為什麼需要它。相反，“電”聽起來十分恐怖：它是一種接入你家、隨時可能以駭人聽聞的方式將你致死的東西，它徹底顛覆了人們對過去世界的認知。也許他們最初嘗試過直接行銷“電力”，但碰壁了。
於是，他們轉而向人們兜售“夜晚的光明”。他們會說：“你從我們這裡買的不是電，而是夜晚的光明。”他們還會順帶一提：“順便說一句，這種能發光的東西，還能用來幹別的。”人們會疑惑：“我為什麼要用它幹別的？”電力公司描繪道：“總有一天，它能幫你洗衣服。”但在當時的人們看來：“不可能，這步子邁得太大了，我無法想像。”
我不知道當下最契合的類比究竟是什麼。但我懷疑，即使我們對未來的判斷完全精準——即“智能”將成為一種全新的公用基礎設施，每家公司、每個消費者、每個政府都需要接入，並以各種不可思議的方式加以利用——直接向大眾推銷“智能”也是行不通的，它無法引起人們的共鳴。
最終，你可能只需要訂閱一個 OpenAI 的 Token 服務，就能將其接入萬物，用它來喚醒各種全天候待命、能創造奇蹟的後台服務。我不知道AI時代的“夜晚的光明”究竟是什麼產品。但如果我們註定要成為一種新型的基礎設施，我們就必須找到一種通俗易懂的方式向世界解釋：擁有一根可以隨心所欲呼叫的“智能水管(Intelligence Pipe)”到底意味著什麼。
主持人： 這門課由於邀請了背景各異的演講嘉賓，產生了一個有趣的“湧現屬性(Emergent Property)”：“公用基礎設施”這個類比被多次提及，但每次指向的對象卻不盡相同。比如 Jensen（黃仁勳）將算力(Compute)比作基礎設施，探討了為何算力需要普及，甚至提出史丹佛應該統籌預算，將算力作為校園基礎設施集中採購。而你剛才則將“智能(Intelligence)”比作基礎設施。這兩種觀點都成立嗎？還是只有一個是對的？那一個更有可能成為現實？我們該如何區分“將算力（即晶片）作為基礎設施”與“將 Token 作為基礎設施”這兩個概念？你覺得這說得通嗎？
山姆·奧特曼： 我認為，作為消費者——無論是企業還是個人——你們的思考維度會更接近於 Token，甚至比 Token 還要再高一個層級。我不認為你們會去關心硬體藏在那裡、具體用的是那款晶片、底層是什麼在驅動。這些底層細節終將被完全抽象化(Abstracted out)。你真正在意的，是你與系統互動時的體驗。
你會關心：它能隨意使用嗎？價格便宜嗎？任務完成得出色嗎？所以就目前而言，它體現為 Token 的形式。
隨著我們步入一個人人皆有專屬智能體(Agent)全天候待命、時刻提供價值的世界，這種認知還會進一步演化。你甚至會將思考維度再拔高一層。
我的猜測是，當你支付手機話費時，你會想：“好吧，我買的是通話時長和幾個 G 的流量”，以此來運行各種應用程式，滿足各項需求。但在為網路基礎設施付費時，你本質上是在購買整個系統及基站硬體的訪問權，至於手機究竟是如何連接到網際網路的，你根本不會去深究。
主持人： 我知道關於基礎設施的極客話題我可以聊上很久，但我希望能把話題切回到與在座學生更相關的內容上。通常我們會有問答環節，但今天本來沒安排，除非你介意來幾場即興問答？哦，好的，太棒了！那就即興發揮吧。
好的。為了激發大家的創造力，我的最後一個問題是關於這門課的期末項目——5x183，即“單人前沿實驗室(One-person Frontier Lab)”。
在座的每個人都在模擬自己作為一個獨立的實驗室，並擁有所有頂級工具的存取權來進行項目開發。他們從 Cloudflare 獲得了數十萬美元的額度，我想我們也有一些 OpenAI 的 Token，所以大家手頭有大量的算力可供支配。
假設你也在上這門課，你的“單人前沿實驗室”項目會做些什麼？
山姆·奧特曼： 好的。首先，我認為這是個非常棒的問題。
山姆·奧特曼： 那是一個非常棒的項目。我想大家現在最關注的就是這個，因為我們剛才還在討論效用框架（Utility Frameworks）。我認為有很多極具才華的人正致力於提出卓越的訓練理念，我們將迎來令人驚嘆的模型。我向你們保證，無論在座的各位做什麼，我們很快都會見證這些驚人模型的誕生。
我認為，我們在如何大規模提供海量且廉價的智能（Cheap Intelligence）方面，投入還遠遠不夠。所以，如果是我，我可能會去研究技術堆疊中的推理（Inference）部分，探索如何讓這種驚人的智能變得既廉價又普及。我認為這一領域的投資嚴重不足。而且我相信，所有前沿的人工智慧實驗室，在很大程度上都必須轉型為推理公司。
主持人： 現在讓大家調整項目方向可能有點晚了，但遲做總比不做好。大家就做自己想做的方向吧。好的，我們開始提問環節，我來主持。請大家儘量提出有建設性的問題，不要太有火藥味。記住，這是一堂電腦科學課，不過具體怎麼回答看你的了，Sam。
哦，有提問了。太好了。第一個問題，關於楊立昆（Yann LeCun）認為大語言模型（LLM）是一條死胡同的觀點，你怎麼看？
山姆·奧特曼： 首先，就實現人類水平的智能而言，這些模型在某些方面已經遠超人類，但在另一些方面卻仍然表現得很糟糕。例如，在需要長程推理（Long-horizon Reasoning）和高等級判斷的任務上，它們的能力似乎還遠不及人類。
但另一方面，就在昨天，我們的一個模型證實或證偽了一個猜想——這是一個許多聰明人苦心鑽研了很久的埃爾德什（Erdős）數學難題。許多傑出的科學家（我不知道楊立昆是不是其中之一），甚至直到最近還在斷言這種壯舉是不可能發生的。然而，模型就是做到了。現在，連數學家們都在驚呼：“數學要終結了嗎？這對我們的領域意味著什麼？”顯然，大語言模型已經具備了發現新知識的能力，能夠完成人類根本無法企及的智能任務。
它們的規模還將進一步大幅擴展（Scale），我們很快就會知道，它們究竟能在多少任務上超越人類。我預感這個數字將是驚人的。關於我們之前提到的對指數級增長缺乏信念的問題，說實話，我認為人工智慧領域被整整一代科學家拖了後腿，他們過於篤定規模法則（Scaling Law）行不通。而與此同時，另一批人只是看著資料圖表，看到技術仍在完美地持續進化，於是便決定堅定不移地走下去。
我認為世界模型（World Models）顯然非常重要，我們在機器人等領域會需要它。但在現階段去對賭大語言模型的規模擴展會失效，我覺得是完全被誤導了。
當那個說“我早就說過吧（I told you so）”的人會覺得煩嗎？不會。推特（Twitter）上總有一些噴子，多年來一直在唱衰：“這行不通，這太蠢了，這是個騙局，這家公司遲早要完，這種研究路線註定失敗。” 以前我還會因為他們感到困擾，但現在我甚至連去說一句“我早就告訴過你吧”的興致都沒有了。就好像，你們還停留在原地，還在喋喋不休地抱怨。但其實，資料已經非常強有力地站在了我們這一邊。我覺得去炫耀“我早就說過吧”也沒什麼意思。而且，即便你們現在依然堅持說我們錯了，我也真的毫不在乎了。
主持人： 俗話說，如果資料已經證明某件事行不通，卻依然一遍又一遍地重複做，那就是瘋了。從某種意義上說，我認為這確實是一種瘋狂。
山姆·奧特曼： 我認為常常會發生這樣一種情況：當你把自己的身份認同與“某件事成與不成”深度繫結，當你沉浸於這種執念中時，一旦科學或實證結果證明你錯了，你就會因為包袱太重而無法釋懷，進而矇蔽了雙眼，看不見真相。我認為這對正反雙方都是一個重要的警醒。
接下來談談教育？教育顯然必須做出極大的適應性改變。說實話，我很擔憂。我本以為教育界現在應該已經做出改變了。如果我們繼續像處在“通用人工智慧時代之前（Pre-AGI）”那樣去教導和評估學生，那是絕對行不通的。這會導致學生“學習如何思考”的能力發生退化。我曾以為這一點已經不言而喻，所以之前並沒有那麼擔心。
當ChatGPT發佈時，我當時的真實想法是：沒錯，我們可能會經歷大概一年的陣痛期，學生們可能會用來作弊，學不到什麼真東西；但緊接著，整個教育系統就會自我重塑。然後我們就能把人們教得更好。學生們將真正接觸到那些“必須使用AI才能完成”的項目，但在整個過程中，他們依然需要極大地拓展思維，進行更深入的思考，去探索全新的解決方案。
但老實說，自ChatGPT發佈這三年半以來，我很難在宏觀教育系統中看到任何實質性的系統性變革。這是我預測失誤的地方。我本以為變革一定會發生。但我依然堅信我們能做到這一點。就像我們在過去每一次技術飛躍中所做的那樣，我們將重新設計教育的運作方式，確保人們依然需要去學習“如何思考”。
總會有一些事情是無法被完全取代的。比如，我是一個習慣通過寫作來思考的人，我寫的很多東西從不拿給別人看，但寫作本身對於我理清思路至關重要。所以我很慶幸自己學會了寫作。很多人對程式設計也有同樣的感觸。因此，即便未來機器在某些方面能比人類做得更好，我們依然會教導人們去掌握這些技能，因為這能很好地培養他們思考與學習的“元技能（Meta-skill）”，這也是非常合理的。但在很多其他方面，我們絕對應該徹底改變我們的教學、學習和評估方式。如果我們不這樣做，人們的批判性思維能力將會出現嚴重的退化。
主持人： 下一個問題是，你在史丹佛大學（Stanford）期間最喜歡的課程是什麼？有那些課是你現在希望當年能選修的？
山姆·奧特曼： 史丹佛現在還有入門研討課（IntroSems）嗎？大一的時候，我好像每個學季都會上三門入門研討課，而且我每一門都非常喜歡。它們的內容天差地別。現在回想起來，能夠在早期廣泛接觸各類事物，並對許多不同領域建立起那怕是很淺顯的認知，是一件極其寶貴的事情。如果沒上過這些課，我可能只會去選修電腦科學和物理課程——當然，那也會很棒。但我現在反思更多的是那些我上過的、看似極其隨意且與我現在的工作毫無關聯的課程，它們實際上在某些關鍵方面塑造了我的認知視角。
我認為不管怎樣，我最終都會學會程式設計。但我當時可沒這麼想。我那時的感覺是，雖然這些課很酷，但我的核心任務還是學習電腦科學。我唯讀了兩年大學就輟學了，所以還有很多我本來想上卻沒機會上的課。不過這恰恰是大學經歷中最令人驚喜的部分。
主持人： 下一個問題，你最大膽、最“辛辣”（Spiciest take）的觀點是什麼？
山姆·奧特曼： 如果給我更多時間思考，我肯定能想出一個更犀利的觀點。但我現在的觀點是：人工智慧將不可阻擋地持續向前發展。而且我認為，這個觀點目前還沒有被大眾普遍接受。如果大家真的普遍意識到了這一點，我們的社會早就該引發比現在劇烈得多的連鎖震盪了。
也許我並沒有什麼特別驚人的觀點。實際上，最核心的關鍵點（High-order bit）在於：如果人工智慧繼續沿著目前的指數級軌跡狂飆突進，既然距離ChatGPT發佈已經過去了三年半，那麼只要我們在這條軌跡上再前行三年半，這個世界、未來的潛力、社會的運作形態以及人類社會所能企及的高度，都將被徹底顛覆。
主持人： 讓我試著用更多的“思考令牌”(Thinking Tokens) 來提示(Prompt) 你一下。如果我們把你當作一個前沿模型(Frontier Model)，你具備某些內在能力，而在接下來的幾分鐘裡，我們將試圖激發(Elicit) 出大眾尚不瞭解的潛力。其中一點是，你現在已經完成了後訓練(Post-training)，甚至在 OpenAI 內部接受了持續的強化學習(RL)，並結合了外部世界的反饋循環，充分瞭解了那些行得通、那些行不通。那麼現在，如果暫時把你當作一個預測引擎，給你的提示詞是：你認為未來 10 年裡，世界最可能出現的三個分叉點(Forks) 是什麼？你對每一個分叉點的機率評估是多少？這聽起來合理嗎？
山姆·奧特曼： 一個感覺極其重要的分叉點是：這項技術究竟能在多大程度上實現廣泛的普惠化(Democratized)，又會在多大程度上被少數幾家公司壟斷把持。我認為，有很多理由表明，順其自然的默認結局就是技術集中在少數公司手中，進而由它們掌控地球上很大一部分財富。這顯然非常可怕，我們正竭盡全力去阻止這種情況的發生。
然而，我認為要避免這一結局，需要全世界的集體意志，因為目前存在一種天然走向集中化的“吸引子狀態”(Attractor State)。我堅信，我們需要將這項技術推向公用事業模型(Utility Model)，因為一旦退無可退——即只有少數幾家公司掌握所有權力——那將是一個極其不穩定、糟糕且本質上極度不公平的局面。
除了公平性之外，我認為技術的高度集中代表了真正意義上的“對齊失敗”(Alignment Failure)，並會造就一個極其脆弱的世界。實現一個多贏未來的最佳路徑——在這個未來裡，每個人的價值觀都能得到彰顯，每個人都能擁有能動性(Agency)——就是將這項技術毫無保留地推向全世界。
誠然，圍繞安全和穩定，肯定會有強烈的反對聲音來阻撓這一處理程序。我認為這將是一個重大的歷史分叉點，且至關重要。我鼓勵在座的各位在未來的職業生涯中，堅定地捍衛並推動這一信念：這應當是一項屬於全人類的技術。
它可以為我們帶來不可思議的科幻未來，生活將會得到難以置信的改善。為了抵達那個彼岸，我們固然要承擔一些風險。但是，將技術集中在少數幾家公司手中的風險——那怕我們自己就是其中一家公司——也是我們絕對不應容忍的。因此，我認為這將是一個巨大的分叉點。至於機率，全世界都理應為此付出極大的關注和利益訴求，所以我認為，我們有 80% 的機率會走向民主化、普惠化的道路。但屆時，必定會有強烈的關於安全方面的警告，也會有許多追逐權力的人企圖將力量據為己有。
主持人： 預測未來時，無論是你還是我們所有人，面臨的一個問題是：一旦你做出了預測，你就擁有了影響這個預測結果的能動性(Agency)，進而去改變預測本身，對吧？
山姆·奧特曼： 我們很清楚自己將如何運用這種能動性。這就是我們的信仰。我們將盡一切努力，將它推向我們堅信的方向。只不過，我們也真切地看到了反方向的阻力。
另一個相關的分叉點是關於未來經濟模型的廣泛討論：我們要實行全民基本收入(UBI) 嗎？我們會讓每個人都持有一點所有公司的股份嗎？是保持資本主義一成不變，還是走向完全的共產主義？大家對此眾說紛紜。
但我認為被談論較少的一點是：我們究竟該如何具體地分配算力(Compute)？也許很大一部分經濟仍會按照它原有的軌跡運行。實際上，我現在對短期就業前景的悲觀情緒(Doomerism) 已經大大減輕了。我一直樂觀地認為我們會找到新的事情去做，短期內它甚至可能不會像我最初想像的那樣具有破壞性。
但我們現在確實看到了算力短缺。我可以預見情況會變得更糟，甚至可以想像，算力將成為人類需要的最重要的公共資源。因此，從供需角度來看，如果算力的價格嚴重失衡，我認為在這一點上就會出現一個非常有趣的分叉點。
主持人： 這意味著我們需要公平地分配算力。你剛才提到了兩點非常有趣的觀點：在經濟層面，我們可能需要全民基本收入，並且每個人都應該持有股份。
這門課的另一位演講嘉賓是挪威主權財富基金的掌門人 Nicolai Tangen。他非常了不起。挪威主權財富基金擁有全球所有上市公司 1.5% 的股份，且他們在實際上也已經推行了全民基本收入。
你甚至可以說，今天這種模式的雛形已經存在了，因為美國最大的僱主就是政府。有人可能會說，其中很大一部分機制，就是政府將納稅人的收入進行重新分配的方式。
那麼，這些解決方案是真的需要顛覆性的創新，還是僅僅需要在這個時代被重新應用？你怎麼看待這些解決方案的新穎性？在矽谷，我們通常有一種強烈的傾向，想要從第一性原理出發去重新發明一切。我們是不是只需審視現有的系統並加以調整即可？（註：正如你接下來會提到的，我不認為這兩者是互斥的。）
山姆·奧特曼： 這確實需要深刻的全新構思。儘管如此，我想說的是，比起每個月領固定的現金分紅，我更期待看到人們擁有某種形式的所有權(Ownership Stake)。 不久前，我資助了一項大規模的全民基本收入研究，我也觀察了人們在投資初創公司時的反應。我很清楚那種模式更契合人類的心理。因此，我真正渴望看到的是：隨著世界的槓桿正從勞動力向資本轉移——我認為這種趨勢將持續下去——我們必須找到一條出路。
最終在這個國家乃至全世界建立起類似“公民財富基金”的機制。通過這種機制，你基本上就擁有了資本主義的一塊切片，對吧？也就是擁有了這些公司的一部分。
主持人： 接著說關於算力瓶頸的第二個分叉點，你提到當算力價格失控時。根據我們所看到的資料，我目前的理解是，自今年一月以來，H100 和 Blackwell 晶片的長期預訂價與現貨(Spot) 價之間的價差大概是 5 倍。我不確定現在是否還有這麼高，可能略有緩解，但確實依然很高。前提是你還能找到 H100，因為今年的貨源基本已經全被搶空了。這情況屬實嗎？（毫無爭議，確實存在巨大的算力短缺。）
所以，這就是一個當前正在真實發生的系統性問題的絕佳現實例子。對一些人來說，這感覺就像是算力時代的“新冠疫情爆發”——就好像所有的衛生紙都被搶空了一樣。為什麼大家對這件事還不感到恐慌呢？
山姆·奧特曼： 我想，人們可能假設我們會在現有的硬體上取得巨大的推理(Inference) 性能提升。我也認為隨之而來的是一股硬體的海嘯。但也許，需求的海嘯還要更加洶湧。
主持人： 人們確實應該感到一定程度的恐慌。那麼，你認為這合理嗎？至少基於你目前掌握的資料來看，我們還要在這種算力短缺的狀況下掙扎多久？
山姆·奧特曼： 我認為，這就好比如果不談價格，你就無法真正討論全球的電力需求。如果能源價格下降 10 倍或上漲 10 倍，世界對能源的需求量將截然不同。我認為人工智慧也是如此。如果我們能打造出……
足夠聰明且成本足夠低的模型，我認為需求基本上是無上限的(Uncapped)。因此，從某種意義上說，只要我們能繼續在這個領域取得進展，短缺就將永遠存在。市場上的競價將始終高於我們心目中的合理價格。儘管人們正在獲得更好、更聰明、更強大的智能，但僅僅因為你可以無止境地去使用它們。
試想，如果我們開發出非常出色的人工智慧體(Personal Agents)，你大可以同時讓 10 個 Agent 替你全天候地跑任務、做工作，甚至是 100 個。而且我相信，你肯定會想要 100 個的。
主持人： 這其中包含了大量的推理(inference)和十足的自信。太棒了！那麼，現在我要把這門課的紀念品送給你，感謝你的到來。謝謝，謝謝大家！ (藍血研究)