大家好，这里是最佳拍档，我是大飞。最近萨姆·奥特曼（Sam Altman）在斯坦福大学参与了一场圆桌对话，干货不少。当很多人还在盯着下一代模型的参数和发布时间时，他的判断却是：未来两年内，AI会自主重构整个AI的研发体系，甚至连初创公司的底层生存逻辑都已经彻底改写。对于创业者和开发者来说，这些判断很可能直接影响你未来两三年的选择方向。今天我们就来梳理一下这期对话的核心内容。
我们先从这场对话的由头说起。十多年前，奥特曼在斯坦福开过一门叫CS183的课，讲初创公司的创立方法论，后来才有了OpenAI。很多人说他是先有了理论再去实践，他自己反倒觉得，OpenAI是过去几十年硅谷最特殊的初创公司之一。正常的科技公司都是先打磨产品、跑业务增长，等发展进入稳定期了，再搭研究实验室做前沿探索。OpenAI刚好反过来了，最开始就是个纯研究实验室，连正经的商业公司都算不上。
后来为了支撑天量的研发投入，才慢慢长出了商业化的业务体系。他自己也坦言，这种发展路径非常特殊，并不推荐其他团队随意模仿。显然，这其实和很多人对创业的认知是刚好反过来的。不过，更值得琢磨的不是OpenAI自己的路径，而是他对当下创业环境的判断。放在几年前，一个需要上百名顶尖工程师才能推进的项目，初创团队根本不敢设想。
人力成本和团队搭建的门槛就把绝大多数人挡在了外面。现在不一样了，只要承担得起对应的Token成本，就能完成同等量级的工作。这种变化，不是我们在工作中经常会说的效率提升百分之多少的边际优化，而是对整个创业门槛和项目边界的底层重构。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。
说到这儿就绕不开一个核心概念，也就是规模。奥特曼说他职业生涯里见过的所有最有价值的突破，几乎都和规模带来的涌现属性有关。说白了就是，当你把一件事推到从来没人试过的量级，就会出现小体量下根本不可能存在的新特性与新价值。这个规律不只适用于AI模型，也适用于公司、适用于整个创业生态。
他举了YC的例子。当年很多业内人士都说YC扩张太快，每期招的创业公司太多，应该缩回去，回到每期十几家的精品模式。大家普遍觉得最优秀的公司永远是少数，投资太多项目没有意义。但真正让YC建立起核心竞争力的，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、协作互助，这些都是规模够大才会冒出来的价值。
小体量的批次里根本不存在。所以他认为，AI领域也是一样。当年OpenAI宣布要持续扩大模型规模的时候，行业里很多顶尖研究者都不理解，觉得已经验证过的规律没必要再往前推进。但事实是，每一次规模跃迁，都带来了没人预料到的新能力。你可能会问，既然扩大规模好处这么明显，为什么大多数团队不去做呢？
因为规模化的阻力是全方位的。技术层面，从来没人试过在成千上万个GPU上协同运行大模型，需要极强的工程能力才能稳住整个系统。资金层面，投入是天文数字，没人能打包票一定能跑通商业模式。还有内部的文化阻力，很多研究者会觉得，这么多算力平摊给各个小项目不好吗？为什么要all in在一个单一方向上？
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。这段内容其实我觉得挺重要的，因为它不止适用于AI研发。我们做任何事，当一个方向在小规模下已经验证了正向结果，不妨多往前推一步，试试更大的体量。很多人职业发展里的局限，就是不敢把已经做对的事情放大。
总觉得小体量成立的逻辑，放大了就会出问题。但是从历史经验看，规模带来的惊喜，往往比预想的问题更多。把规模效应玩得最透的，就是OpenAI自己。而他们两款最核心产品的诞生过程，反倒和很多人预想的完全不同。它们并不是顶层规划出来的产物，而是从用户的真实行为里自行生长出来的。
奥特曼自己也说，不管做产品还是做技术，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。当年他们押注深度学习规模化的时候，反对声音特别多，说方向太单一、风险太高。但一旦把战略定死，明确告诉所有人我们就走这条路，错了我们承担后果，整个团队的执行力就会完全不一样。
人天生对指数级增长没概念，很难相信规模会持续带来指数级的提升。所以做管理很大一部分工作，就是从第一性原理出发，把这件事给所有人讲通。就拿ChatGPT来说，当年GPT-3研发完成的时候，团队其实很发愁。他们需要稳定的收入来支撑更大规模的算力投入，但想破头也不知道该围绕GPT-3打造什么产品。
试了好几个方向都没成功。最后没办法，就把模型封装成API开放出去，想着让第三方开发者一起来探索应用场景。2020年夏天这个API刚上线的时候，根本没人关注。直到一个月后，刚好有好几个开发者在同一天晒出了用它做的创意应用，才在推特上带起了第一波热度。
但那时候GPT-3的实际能力其实很差，现在回头看甚至会觉得非常简陋。当时真正能跑通的商业场景只有文案生成，算不上有多高的行业价值。团队自己也觉得，只能等更强的模型出来再寻找机会了。但就在这个过程里，他们发现了一个很有意思的现象。很多开发者拿着API密钥，根本不用来做业务落地，就是单纯用来聊天对话。
用户用实际行动告诉他们，聊天才是真正的强需求。刚好那时候他们已经研发出了新的模型版本，也打磨出了新的后训练技术，能让模型更好地遵循人类指令。团队干脆顺着用户的自发需求，做了一个专门的聊天机器人，也就是后来的ChatGPT。最开始发布的时候，没人觉得它会成为爆款。
当时ChatGPT的定位就是个研究演示，想让更多开发者看到聊天场景的潜力，过来为API付费。结果大家都知道，它直接在全球范围内爆火了。刚发布那几天流量涨涨跌跌，很多评论说这就是一波炒作，很快就会冷却。但奥特曼说，到第四第五天的时候他就确定了，这是真正的杀手级产品。
因为它的流量峰值一次比一次高，每次回落之后总能站上更高的位置。之后的两个月，整个公司都进入了紧急状态，一边扛着天价算力成本的压力，一边快速补全产品架构和运营体系。最开始推出付费模式甚至都不是为了盈利，只是怕算力账单把公司拖垮。但就是这么一个从用户行为里长出来的产品，彻底改变了整个AI行业的发展进程。
和ChatGPT的意外爆火不一样，Codex其实是OpenAI很早就定下来的核心战略方向。在ChatGPT火之前，团队本来是要全力投入代码生成领域的。他们很早就判断，编程是模型控制数字世界的核心方式，就像机器人是模型控制物理世界的方式一样。只要模型能熟练编写代码，就能调动整个数字世界的能力。
这个领域的商业价值是不可估量的。只不过ChatGPT的爆发，暂时把这个方向的风头盖过去了。Codex的能力一直在稳步迭代，直到今年的5.5版本，才真正迎来了能力拐点。现在已经有大量开发者在用Codex完成以前很难想象的开发工作，生产力的提升是量级层面的。
顺着产品能力的不断升级往深处看，就落到了研发路径的问题上。现在行业里基本形成了共识，预训练、中期训练、后训练再加上强化学习的这套流程，是提升模型能力的标准路径。很多团队都在沿着这条路优化各个环节。但奥特曼在这里给出了一个非常明确的判断：现在这套路径，未来一定会经历一次重大的重构。
按部就班的流水线模式，更像是过渡期的方案，不像是最终的理想形态。至于重构之后会是什么样，他说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。为此，OpenAI已经制定了一个非常具体的时间表。到今年9月，OpenAI会调用等效于五十万张A100 GPU的庞大算力，把它当成一个AI研究实习生来使用。
到2028年3月，也就是不到两年之后，会拥有一个能够端到端解决问题的AI研究员，专门用来探索全新的模型架构。准确说，以后AI的研发，不再是人类工程师写代码调参数，而是AI自己去试错、去探索、去发现新的架构。人类的角色会从一线的执行者，变成方向的制定者和结果的评判者。
对于AI研发的从业者来说，这意味着你现在积累的很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。顺着AI研究员这个话题，现场就延伸出了另一个讨论：我们到底该怎么向普通大众解释AI的价值呢？
硅谷圈内喜欢用“AI实习生”“AI员工”这样的比喻，但是放到全球范围，很多没有技术背景的人其实根本理解不了，甚至会产生很多不必要的误解。奥特曼在这里提出了一个核心类比：AI正在成为一种新型的公用事业。公用事业这个词听起来有点陌生，简单说就是像电力、自来水、互联网这样的社会基础设施，渗透到生活的方方面面，所有人都离不开。
他专门研究过电力普及的历史，发现特别有参考性。最早的电力公司根本不会说自己在卖电，因为当时没人知道电是什么，大家还觉得这东西很危险，接到房子里会出人命。所以电力公司卖的不是电，是夜间照明。他们告诉用户，你买的是晚上也能看书干活的光明，电本身是什么不用深究。
他们也会提一句，这东西以后还能帮你洗衣服、驱动机器，但当时几乎没人相信。放到AI行业其实是一样的道理。现在很多公司说自己在卖智能、卖算力，普通用户根本没概念，也产生不了价值共鸣。奥特曼自己也坦言，他现在也不知道AI行业的“夜间照明”到底是什么，也就是那个能让所有人一下子get到价值、愿意为此付费的杀手级场景。
但他确定的是，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，只是现在我们还没找到最合适的用户沟通方式。说到这儿有人会有疑问，经常有人说算力是公用事业，也有人说Token是公用事业，这两个到底有什么区别？奥特曼指出，其实是完全不同的两个层级。算力是底层的硬件，是芯片、是服务器。
而Token是用户能直接感知到的服务单位。对于普通用户甚至企业客户来说，你根本不用关心底层用的是什么芯片、服务器部署在哪里，你只需要知道每次调用花多少钱、速度快不快、效果好不好。就像你交话费的时候，不会关心基站用的是什么设备，你只关心信号稳不稳、流量够不够用就行了。
以后随着AI智能体的普及，大家甚至不会再关心Token这个单位，就像现在没人天天算自己用了多少流量一样。你只会为最终的服务付费，底层的所有技术细节都会被抽象掉。要让智能像水电一样随取随用，光有先进的训练技术还不够，落地环节的能力同样关键。
刚好顺着这个逻辑，主持人向奥特曼提问：如果做一个单人前沿实验室，选什么方向切入最有价值？奥特曼的回答是，他会去研究技术栈里的推理部分。为什么是推理？因为现在整个行业的资源，绝大多数都投在了训练侧，大家都在做更大的模型、更好的训练算法。但怎么让训练好的模型更便宜、更快地提供服务，也就是推理这个环节，投入的精力远远不够。
他的判断是，未来所有的前沿实验室，很大程度上都会转型成推理公司。等大家的模型能力都达到很高水平之后，决定竞争力的是谁能把智能的成本压到最低，谁能提供更充足、更廉价的推理服务。推理就像是电力行业的电网和配电系统，发电技术再先进，没有高效的输配体系，也没法普及到千家万户。
这个方向其实给很多中小团队和创业者指了一条路。现在大家都卷大模型、卷训练，门槛越来越高，普通人根本没机会入场。但推理侧的优化、推理场景的创新，还有很大的市场空白，而且不需要天量资金也能切入。说到技术路线，行业里一直有个持续很久的争议。杨立昆（Yann LeCun）之前多次提出，大语言模型是一条死胡同，真正的通用智能需要世界模型。
对于这个观点，奥特曼也在对话里给出了正式回应。他首先承认，现在的大语言模型确实有明显的短板，比如在需要长期规划和深度判断的长线任务上，表现还远不如人类。但是另一方面，大模型已经做到了很多人类做不到的事。就在对话前不久，他们的模型刚刚发现并证明了一个埃尔德什（Erdős）数学猜想，这是困扰了顶尖数学家几十年的经典问题。
之前还有不少科学家断言，大模型根本不可能做出原创的数学发现。所以他的结论很清晰：大语言模型显然有能力发掘新知识，也能完成人类根本做不到的智力任务。现在就断言大语言模型是死胡同，做空缩放定律（Scaling Law），是非常被误导的判断。世界模型当然很重要，尤其是在机器人领域我们肯定需要它，但这不代表大语言模型的路线就走到头了。
它的增长曲线还非常完整，远没有到瓶颈阶段。其实AI这个行业从来都不缺争议，从一开始就有无数人说这条路走不通。奥特曼自己也说，以前他还会在意网上的质疑声，现在根本没感觉了。数据已经把答案摆在这里，再去争论对错没什么意义，不如专注往前走。他还说了一句很实在的话：如果把某件事的对错和自己的身份认同绑定在一起，就算事实摆在眼前，你也很难接受。
永远跟着数据走，而不是跟着立场走，才能在变化这么快的行业里站对方向。技术改变行业的同时，对整个社会的冲击也在慢慢显现。最直接的领域就是教育。奥特曼坦言，在这件事上他之前预测错了。ChatGPT刚发布的时候，他觉得最多一两年，整个教育系统就会完成转型，适应AI时代的教学和考核方式。
结果三年半过去了，全球的主流教育体系，几乎没出现什么像样的系统性变革。学生还是按以前的方式上课、考试，只是多了一条“禁止用AI作弊”的规定。这是他完全没预料到的情况。他的担忧也很实在，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。
当然不是说所有知识都不用学了。比如写作，哪怕AI写得再好，人还是要学会写作，因为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。编程也是一样，不是说以后不用写代码了就不用学，学编程锻炼出来的逻辑思维，是受用终身的。但更多的教学内容、考核方式，是必须要改的。
如果教育体系一直不调整，培养出来的学生在AI时代只会越来越缺乏核心竞争力。这件事其实和我们每个人都有关，不管你已经工作了，还是家里有上学的孩子，都得想明白一件事：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。站在更长的时间尺度看，未来十年这个行业会走到哪？
有两个关键的分叉点，奥特曼也在对话里给出了自己的判断。第一个分水岭，是AI技术到底会实现广泛的民主化普及，还是被少数几家公司垄断。他说得很坦诚，默认的趋势其实是集中，因为AI研发的门槛太高，规模效应太强，很容易形成少数公司掌控绝大多数能力的局面。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。
如果所有智能能力都攥在少数公司手里，整个社会都会变得非常脆弱。所以OpenAI一直在推动技术普及，希望AI能变成像水电一样的公共基础设施，每个人都能用，每个人都能从中受益。他给出的概率判断是，最终有八成的可能性，我们会走向广泛普及的方向，因为这符合全人类的整体利益。只要大家共同推动，就能对抗集中化的趋势。
第二个分水岭，是算力的公平分配问题。现在大家已经能感受到算力短缺了，高端芯片一货难求。根据年初的数据，长期预订和现货的价差能到五倍左右。奥特曼也提到近期情况稍有缓解，但是整体的短缺局面是确定的。未来如果AI的需求持续爆发，算力会成为最重要的基础资源。到那时候，算力怎么分配、谁能用多少，就会变成非常核心的社会问题。
现场主持人也问，算力短缺什么时候能缓解呢？奥特曼的回答是，只要AI还在进步，算力短缺就会一直存在。因为智能的成本越低，大家的需求就会越大。就像电费如果降十倍，全社会的用电量肯定会暴涨。以后每个人可能都有几十个甚至上百个AI智能体在同时运行，那需要的推理算力是现在的无数倍。需求没有上限，短缺也就会一直存在。
最后，主持人让奥特曼选一个自己觉得最犀利的观点。他说，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。如今，距离ChatGPT发布已经三年半了，很多人觉得AI好像也就那样，没什么太颠覆的。
但如果再走三年半，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。好了，到这里整场对话的核心内容就和大家梳理完了。最后留一个问题：如果两年后能独立做研究的AI研究员真的落地，你所在的行业里，第一个被重构的环节会是什么呢？欢迎在评论区留言，感谢收看，我们下期再见。