大众还没有真正意识到AI的发展 | Sam Altman斯坦福 | OpenAI的创业路 | 规模效应 | 模型研发会经历重大重构 | 公用事业 | 推理 | 教育体系变革 | 民主化普及

创业路径反转与人力门槛重构

萨姆·奥特曼在斯坦福大学的圆桌对话中，首先回顾了OpenAI独特的创业历程。与常规科技公司先打磨产品再建立研究实验室不同，OpenAI最初是一个纯研究实验室，随后为了支撑天量的研发投入才逐渐长出商业化业务体系。奥特曼坦言，这种“先研究后商业”的路径非常特殊，并不推荐其他团队随意模仿，但它揭示了当前创业环境的一个核心变化：人力成本和团队搭建的门槛已被彻底改写。过去需要上百名顶尖工程师推进的项目，现在只要承担得起Token成本，小团队也能完成同等量级的工作。这不仅是效率的边际优化，而是对创业门槛和项目边界的底层重构，使得小团队能撬动的业务规模和落地速度完全不在一个维度上。

“OpenAI是过去几十年硅谷最特殊的初创公司之一……最开始就是个纯研究实验室，连正经的商业公司都算不上。”

这种变化让创业者意识到，只要承担得起对应的Token成本，就能完成同等量级的工作。这种能力的下放，意味着未来的竞争焦点将从“谁能组建大团队”转向“谁能更有效地利用AI杠杆”。对于开发者而言，这意味着小团队能撬动的项目规模、能尝试的业务方向、能推进的落地速度，和以前完全不在一个维度上。这一判断直接影响了未来两三年的选择方向，因为对整个创业门槛和项目边界的底层重构已经发生，传统的资源壁垒正在被技术杠杆消解。

规模效应与涌现属性的必然性

奥特曼强调，他职业生涯中见过的最有价值的突破，几乎都与规模带来的涌现属性有关。所谓涌现，是指当一件事被推到从未尝试过的量级时，会出现小体量下根本不可能存在的新特性与新价值。这一规律不仅适用于AI模型，也适用于公司和整个创业生态。他以YC（Y Combinator）为例，指出当年业界认为YC扩张太快，应回归每期十几家的精品模式，但真正让YC建立核心竞争力的，恰恰是大规模批次里的网络效应。创业者之间的资源对接、信息流动和协作互助，都是规模够大才会冒出来的价值，小体量批次中根本不存在。

“当你把一件事推到从来没人试过的量级，就会出现小体量的下根本不可能存在的新特性与新价值。”

在AI领域，OpenAI宣布持续扩大模型规模时，许多顶尖研究者曾不理解，认为已验证的规律无需再推进。但事实是，每一次规模跃迁都带来了没人预料到的新能力。尽管规模化面临技术、资金和文化三重阻力——如成千上万GPU协同运行的工程难度、天文数字般的资金投入，以及内部研究者对资源分散的担忧——但真正能把规模化做成的团队，本质上都是把这些阻力一个个拆解、一个个扛过去的。奥特曼建议，当一个小方向已验证正向结果时，不妨多往前推一步，因为规模带来的惊喜，往往比预想的问题更多，许多职业发展的局限正是源于不敢放大已做对的事情。

产品诞生：从用户行为中生长

OpenAI的核心产品ChatGPT和Codex的诞生过程，与顶层规划截然不同，而是从用户的真实行为里自行生长出来的。奥特曼指出，做产品或技术最核心的是明确的目标、清晰的路径和统一的决策规则。当年押注深度学习规模化时，反对声众多，但一旦战略定死，团队执行力便截然不同。以ChatGPT为例，GPT-3研发完成后，团队为寻找稳定收入来源，将模型封装为API开放给第三方开发者。2020年夏天API上线初期无人关注，直到一个月后，开发者晒出创意应用才在推特引发热度。但当时GPT-3能力简陋，仅文案生成场景跑通，团队原计划等待更强模型。

“不管做产品还是技术，最核心的是明确的目标和清晰的路径，还有统一的决策规则。”

然而，团队发现许多开发者使用API密钥并非为了业务落地，而是单纯用来聊天对话，这揭示了用户的真实强需求。结合新研发的后训练技术，团队顺势推出聊天机器人ChatGPT。起初仅定位为研究演示，旨在引导开发者为API付费，结果却在全球爆火。发布初期流量波动，被评论为炒作，但奥特曼在第四五天确定这是真正的杀手级产品，因为流量峰值一次比一次高，回落总能站上更高位置。随后两个月，公司进入紧急状态，扛住天价算力压力，快速补全产品架构。最初推出付费模式并非为了盈利，而是怕算力账单把公司拖垮，这一从用户行为中长出的产品彻底改变了AI行业进程。

研发体系重构与AI研究员

在Codex方面，团队原本全力投入代码生成领域，认为编程是模型控制数字世界的核心方式。ChatGPT的爆发暂时掩盖了这一方向，但Codex能力稳步迭代，至5.5版本迎来能力拐点，生产力的提升是量级层面的。顺着产品能力升级，奥特曼对研发路径给出了明确判断：目前行业共识的预训练、中期训练、后训练及强化学习流程，未来一定会经历一次重大的重构。按部就班的流水线模式仅是过渡期方案，而非最终理想形态。

“现在这套路径未来一定会经历一次重大的重构……重构之后会是什么样，这个问题不应该由人类来给出答案，而应该交给AI自己去探索。”

OpenAI已制定具体时间表：到今年9月，调用等效于五十万张A100 GPU的算力作为AI研究实习生；到2028年3月，拥有能端到端解决问题的AI研究员，专门探索全新模型架构。这意味着AI研发将从人类写代码调参数，转变为AI自己去试错、去探索、去发现新架构。人类角色将从一线执行者变为方向的制定者和结果的评判者。对从业者而言，这意味着现在积累的许多调参和训练的实操经验，未来两三年内可能会快速贬值，真正有长期价值的是定义问题、判断方向和评估结果的底层能力。

公用事业类比与Token层级

如何向大众解释AI价值？硅谷常用“AI实习生”比喻，但全球范围内非技术背景者难以理解。奥特曼提出核心类比：AI正在成为一种新型的公用事业，如电力、自来水、互联网等社会基础设施。他研究电力普及历史发现，早期电力公司不卖电，因为用户不知电为何物且觉得危险，而是卖“夜间照明”，即晚上看书干活的光明。电本身无需深究，后续才衍生出洗衣、驱动机器等用途。AI行业同理，许多公司卖智能或算力，用户无概念且无共鸣，奥特曼坦言目前也不知道AI行业的“夜间照明”到底是什么，即那个让所有人瞬间get价值并付费的杀手级场景。

“AI正在成为一种新型的公用事业……AI最终会变成水电一样的基础设施，每家公司、每个人都会接入。”

奥特曼区分了算力与Token的层级：算力是底层硬件（芯片、服务器），而Token是用户能直接感知到的服务单位。对用户而言，无需关心底层芯片或部署，只需关注调用成本、速度和效果，如同交话费不关心基站设备。随着智能体普及，大家甚至不会再关心Token这个单位，就像现在没人天天算流量，只会为最终服务付费，底层技术细节将被完全抽象。要让智能像水电一样随取随用，光有训练技术不够，落地环节的能力同样关键。

推理侧机遇与模型路线之争

针对单人前沿实验室的切入点，奥特曼推荐研究技术栈里的推理部分。因为行业资源绝大多数投在训练侧（更大模型、更好算法），而如何让模型更便宜、快速服务（推理环节）投入不足。他判断，未来所有的前沿实验室很大程度上都会转型成推理公司。当模型能力达到高水平后，竞争力取决于谁能把智能成本压到最低，谁提供更充足廉价的推理服务。推理就像电力行业的电网和配电系统，发电技术再先进，无高效输配体系也无法普及。这为中小团队和创业者指明路径：推理侧的优化、场景创新还有巨大市场空白，且无需天量资金即可切入。

“未来所有的前沿实验室，很大程度上都会转型成推理公司……决定竞争力的，是谁能把智能的成本压到最低。”

关于杨立昆提出的“大语言模型是死胡同，需世界模型”观点，奥特曼回应：大模型在长期规划等长线任务上确不如人类，但已做到许多人类做不到的事。例如，其模型刚发现并证明了困扰数学家几十年的埃尔德什数学猜想，此前科学家断言大模型不可能做出原创数学发现。因此，断言大语言模型是死胡同、做空缩放定律是非常被误导的判断。世界模型在机器人领域重要，但不代表大语言模型路线到头，其增长曲线还非常完整，远未到瓶颈阶段。行业不缺争议，但数据已把答案摆在这里，再去争论对错没什么意义，应永远跟着数据走而非立场走。

教育体系滞后与能力重塑

技术改变行业的同时，社会冲击显现，最直接影响教育。奥特曼坦言此前预测错误，认为ChatGPT发布后一两年教育系统就会转型，但三年半过去了，全球主流教育体系几乎没出现系统性变革，学生仍按旧方式上课考试，仅多了“禁止用AI作弊”规定。他担忧，若继续用前AGI时代方式教学评估，最终只会导致大家独立思考能力的退化。并非所有知识都不用学，如写作和编程，写作的过程本身就是梳理思维的过程，是锻炼大脑的元技能；学编程锻炼的逻辑思维也受用终身。但更多教学内容和考核方式必须改变，否则培养出的学生在AI时代将越来越缺乏核心竞争力。

“如果我们还在用前AGI时代的方式教学生、评估学生，最终只会导致大家独立思考能力的退化。”

这件事与每个人相关，无论在职或家有学子，都需想明白在AI能完成绝大多数标准化任务的时代，人到底应该锻炼什么能力。如果教育体系不调整，培养出来的学生在AI时代只会越来越缺乏核心竞争力。这不仅关乎知识获取，更关乎思维模式的训练。在AI时代，人需要锻炼的是AI无法替代的元技能，如复杂思维梳理、逻辑构建等，而非单纯的知识记忆或标准化任务执行。教育体系的滞后，可能导致一代人在未来竞争中处于劣势，因此改革教学与考核方式已迫在眉睫。

民主化普及与算力公平分配

展望未来十年，奥特曼指出两个关键分叉点。第一是AI技术实现广泛的民主化普及还是被少数公司垄断。默认趋势是集中，因研发门槛高、规模效应强，易形成少数公司掌控局面，但这不光不公平，还会带来很大安全风险，使社会脆弱。OpenAI推动技术普及，希望AI像水电一样成为公共基础设施。最终有八成的可能性，我们会走向广泛普及的方向，因为这符合全人类整体利益，共同推动可对抗集中化趋势。

“默认的趋势其实是集中……但这是非常糟糕的结果，不光不公平，还会带来很大的安全风险。”

第二分叉点是算力的公平分配问题。目前高端芯片一货难求，年初数据长期预订和现货价差能到五倍左右，近期虽缓解但短缺局面确定。未来AI需求爆发，算力将成为最重要基础资源，算力怎么分配、谁能用多少，就会变成非常核心的社会问题。主持人问短缺何时缓解，奥特曼回答：只要AI还在进步，算力短缺就会一直存在。因为智能成本越低，需求越大，如同电费降十倍用电量必暴涨。未来每人可能有几十个上百个AI智能体运行，需要的推理算力是现在的无数倍，需求无上限，短缺也持续存在。

指数级变革与大众认知滞后

最后，奥特曼选择最犀利观点：AI的发展只会不断向前推进，而这件事，远远没有被大众真正认知到。如果大众相信AI会沿指数曲线走下去，社会早该产生更剧烈变化。如今距ChatGPT发布三年半，许多人觉得AI“也就那样”，但若再走三年半，能力再翻几个量级，整个社会的运作方式都会天翻地覆。我们现在站的位置，只是这场宏大变革的开端而已。大众的认知滞后于技术发展，导致社会准备不足，但技术演进不可逆转。

“AI的发展只会不断向前推进，而这件事，远远没有被大众真正认知到。”

这种认知滞后体现在多个层面，从教育体系的僵化到公众对AI潜力的低估。奥特曼强调，如果我们真的相信AI会沿着现在的指数曲线一直走下去，整个社会早就该产生更剧烈的变化了。然而现实是，许多人仍停留在观望状态，认为AI仅是工具而非基础设施。这种认知差距可能导致社会在应对AI冲击时措手不及。因此，理解AI的指数级增长潜力，并提前布局适应，是每个人和企业面临的紧迫任务。变革才刚刚开始，未来三年半将是决定社会形态的关键期。

核心数据与配置对比

为了更清晰地展示奥特曼提到的关键时间节点、算力规模及市场数据，以下表格汇总了对话中的核心量化信息：

这些数据和时间点构成了OpenAI未来战略的骨架，也反映了行业对算力、研发效率及市场普及速度的预期。对于创业者和投资者而言，理解这些量化指标背后的逻辑，比单纯关注模型参数更重要，因为它们揭示了行业资源分配和竞争格局的演变趋势。