人類智力鎖死在了2021，Altman預言AGI可在5年內實現

人類智力鎖死在了 2021 年。

近期，OpenAI CEO Sam Altman 在接受 20VC 的採訪時表示，AGI 或許會在 5 年內到來，然而，AGI 到來如此之快也許是基於一個假設：「人類智力已不再發展」。

2021 年，GPT 的主要訓練告一段落。再往後些，ChatGPT 的一夜躥紅，讓我們的生活與 AI 的聯繫變得密不可分。

這不僅改變了我們獲取信息的方式，更改變了我們解決問題的思路。但與此同時，更多的 AI 也帶來了更多的 AI 垃圾內容。

我們在利用人類數據訓練 AI 的同時，也在被 AI 反向訓練。可以說，人類知識的整體在進行不斷的低劣的演化，而不是進行有創造力的演化。

如同 Garbage in，Garbage out，如果 AI 的 output 不能好於它的 input，那麼 AI 輸入的智力則是 AI 有可能達到的天花板。

這實際上是「瓦房店化」現象的擴大化。

大語言模型本質上歸納了人類的知識，將其統計成了統計規律，並將其轉化為概率。而從大模型訓練的角度來看，它旨在訓練得到知識的中位數，而不是 99 分位或 95 分位，因為它是歸納回中位數的。

所以說，AGI 到最後產生了，或許是因為人類本身的智商降低了。

此外，Altman 在這次採訪中還透露了許多信息，比如在大模型浪潮的席捲之下，AI 初創公司應該尋找怎樣的細分市場、當下熱門的 Agent 是否只是曇花一現，以及 Scaling Laws 是否會失效等等。

在邁向 AGI 的征途上，人類仍然需要探索更多的路徑。

太長省流版：

• Altman 強調 OpenAI 將致力於推理模型的進步，認為這一方向對推動科學研究和複雜編程等領域至關重要，並且 o 系列模型將迅速進步。

• OpenAI 計劃為沒有技術背景的創始人開發無代碼工具，但最初階段將專注於為技術人員提供工具。

• 隨著 OpenAI 模型的快速進步，許多初創公司解決的短期問題會在未來版本的模型中得到解決，因此開發圍繞這些短板的產品可能並不長久。

• Altman 認為開源模型將繼續在生態系統中發揮重要作用，並且 AI Agent 的定義是能夠執行長期任務並最小化監督的智能體。

• 儘管 AI 模型的訓練成本很高，但由於複利效應和大規模用戶的支持，Altman 認為投資是值得的。

• 在 Altman 看來，推動創新的關鍵在於建立支持創新的文化和組織，而不是僅僅複製他人成功的經驗。

附上原影片地址：https://www.youtube.com/watch?v=peg-aX1oii4

主持人：大家好，歡迎來到 OpenAI 開發者日。我是 20VC 的 Harry Stebbings，我非常興奮能夠採訪 Sam Altman。歡迎你，Sam，感謝你今天與我一起進行這次採訪。

Sam Altman：感謝你的採訪。

主持人：現在我們收到了很多觀眾的問題，所以我想從一個問題開始。

當我們展望未來，OpenAI 未來是會有更多像 o 這樣的模型，還是會有更多像我們過去可能預期的更大規模模型？如何看待這個問題？

Sam Altman：我們希望在各個方面都取得進展，但推理模型這個方向對我們來說尤為重要。

我認為推理將解鎖我們多年來一直期待實現的許多事情，例如使像這樣的模型能夠為新的科學研究作出貢獻，幫助編寫更多複雜的代碼。

我認為這將極大地推動我們的進步，所以我們應該期待 o 系列模型的快速進步，這對我們來說是具有戰略意義的。

主持人：另一個我覺得非常重要的話題是，當我們展望 OpenAI 的未來計劃時，你如何看待為沒有技術背景的創始人開發無代碼工具，幫助他們構建和擴展 AI 應用？你怎麼看？

Sam Altman：這肯定會實現，我認為第一步將是為那些擅長編碼的人提供能提高生產力的工具。但最終，我認為我們可以提供高質量的無代碼工具。

目前已經有一些這樣的工具，它們是有意義的，但你不能僅僅通過無代碼的方式，構建一個完整的創業公司，這需要一段時間。

主持人：OpenAI 會向技術棧的哪個層級進軍？如果你花了大量時間調優你的 RAG 系統，這是否是在浪費時間，因為 OpenAI 最終可能會認為我將擁有應用層的這一部分，還是說這不是浪費時間？

Sam Altman：我們試圖傳達的信息是，我們將盡最大努力，並堅信我們的模型將會不斷進步。

如果你正在創建一家公司來解決當前的一些小缺陷，如果我們做得對，這些缺陷在未來將不再那麼重要。

另一方面，如果你建立的公司能從模型不斷改進中受益，假設今天有人預言 o4 將變得非常強大，能夠完成現在看起來幾乎不可能的任務，而你對此感到高興，那麼你可能想錯了。

但至少這是我們努力的方向。如果你認為，在許多領域中，你選擇了一個 o1 預覽版表現不佳的領域，並創建了一個僅僅能讓它勉強工作的修補系統，那麼你就是在假設模型的下一次改進不會像我們預期的那樣好。

這是我們試圖告訴創業公司的信息：我們相信我們正在走在一個非常陡峭的改進軌道上，今天模型的現有短板將在未來的版本中得到解決。

AI 初創公司的「活路」在哪裡？

主持人：如果今天你是一個創始人在構建公司，你會在哪裡認為 OpenAI 可能會進來碾壓你，而又在哪些地方不會？

另外，作為一個投資人，我也在嘗試投資那些不會被影響的機會，那麼創始人和我作為投資人，應該如何看待這個問題？

Sam Altman：通過使用人工智能來構建以前不可能或相當不切實際的產品和服務，將會創造出數萬億美元的新市場市值。

我們試圖使其更具相關性的一個領域是，我們希望模型變得非常好，這樣你就不必費力去讓它們做你想要的事。

至於建立在這項新技術上的這些令人難以置信的產品和服務，我們認為它們會變得越來越好。

在早期，我感到驚訝的是，在 GPT-3.5 時代（這種情況現在已經改變），大約 95% 的初創公司都在押注模型不會變得更好。當時我們已經預見到 GPT-4 的到來，我們認為它將會非常出色，不再有那些問題。

如果你只是創建一個工具來解決模型的某個缺陷，這個缺陷將變得越來越不重要。

我們經常忘記僅僅幾年前模型的表現有多糟糕，儘管時間並不長，但那時確實存在很多問題。因此，當時似乎那些領域非常適合構建一些東西來填補這個空白，而不是創建像偉大的 AI 輔導員或 AI 醫療顧問這樣的產品。

所以，我當時覺得 95% 的人都在押注模型不會變得更好，只有 5% 的人認為模型會變得更好。我認為這種情況現在已經發生了逆轉。人們已經意識到模型改進的速度，並理解了我們計劃做的事情。

因此，現在這個問題似乎不再那麼嚴重，但那曾是我們非常擔心的問題，因為我們看到了那些非常努力工作的人將面臨的挑戰。

主持人：你提到創造數萬億美元的價值。對了，我不確定你是否看到過，傑夫·馬莎曾在台上說過，每年將創造 9 萬億美元的價值，這將抵消他認為需要的 9 萬億美元資本支出。

我很好奇，當你看到這一點時是怎麼想的？你是如何思考的？

Sam Altman：我無法精確地評估，我認為如果我們能把這一切做到位，達到幾個數量級的改進，就已經足夠好了。目前顯然會有大量的資本支出，同時也會創造大量的價值。

這種情況在每一次重大的技術革命中都會出現，而這顯然也是其中的一次。如你所料，明年將是我們邁向下一代系統的重要一年。

你提到過可能會出現一個無代碼的軟件代理。我不知道這需要多久才能實現。但如果我們以此為例，向未來想像一下，考慮一下會發生什麼？

想一想如果任何人都能簡單地描述出他們想要的整套公司軟件，這會為世界帶來多大的經濟價值。顯然這離我們還有很長的路要走。但當我們到達這個點並實現它時，想一想它是多麼困難和昂貴。

現在再想想它所能創造的價值。

如果我們能在保持相同價值的前提下，讓它變得更加普及且更加便宜，那就真的是非常強大。我認為我們將看到更多類似的例子，就像我之前提到的醫療和教育，這兩者對世界的價值是數萬億美元。

如果 AI 真正能夠推動這一進程，並以一種與以往完全不同的方式進行，我認為數字本身並不是重點。關於是 9 萬億美元還是 1 萬億美元的爭論，或者其他任何數字——你知道，這需要比我更聰明的人來解決。

但從價值創造的角度來看，這才是令人難以置信的。

怎麼看待開源與 Agent？

主持人：開源無疑是一個非常重要的交付方式，你怎麼看待開源在 AI 未來中的角色？當問到是否應該開源某些模型或全部模型時，內部討論通常是怎樣的？

Sam Altman：開源模型在整個生態系統中顯然佔有非常重要的位置。現在也確實存在一些非常優秀的開源模型。

我認為也有適當的市場為集成服務和 API 提供良好的解決方案。我認為所有這些東西都可以提供，而人們會根據自己的需求選擇適合自己的交付方式。

所以我們有開源作為一種交付給客戶的方式，也是一個傳遞價值的機制，同時也可以通過 Agent 來交付。

主持人：關於 Agent，很多時候人們在定義它時存在一些語義上的混亂。你今天如何定義 Agent？你認為什麼是 Agent，什麼又不是？

Sam Altman：簡單來說，我認為 Agent 是能夠執行長時間任務，並且在執行過程中只需要最少監督的對象。

主持人：你認為人們對這個其實會有什麼樣的看法呢？好吧。

Sam Altman：更像是，我覺得我們現在還沒有直覺去理解，在一個世界中這會是什麼樣子。

也許我可以舉個例子，當人們談論 AI Agent 代替他們行動時，他們通常會給出的主要例子是一種，你可以讓 Agent 幫你預定餐廳的位置，要麼它可以使用 OpenTable，要麼它可以打電話給餐廳。好吧，沒錯，這個做法可能是有點煩人，但它 Agent 幫你省點時間。

我覺得有趣的事情之一是，設想一個世界，你可以做一些作為人類無法或不願意做的事情。

比如，如果不是只給一個餐廳打電話預定，而是我的 Agent 可以給 300 家餐廳打電話，看看哪一家有最適合我的食物，或者有什麼特別的東西，或者其他之類的？

然後你可能會說，這樣的 Agent 給 300 家餐廳打電話肯定很煩人。

但如果是一個 Agent 在接聽這些 300 個地方的電話，那就沒問題了。這可以是一個人類無法做到的並行工作。所以，這是一個瑣碎的例子，但這裏有一些是人類帶寬的限制，可能這些 Agent 不會有這個限制。

我認為更有趣的類別不是人們通常談論的那個類型，就是讓 Agent 給你打電話去餐廳，而是像一個非常聰明的資深同事。

你可以和它合作完成一個項目 Agent 可以完成一個兩天或兩週的任務，並且能很好地完成，遇到問題會聯繫你，但最終給你一個很棒的工作成果。

主持人：那 SaaS 的定價是否會因此發生根本性的變化？

通常情況下，它是基於每個席位的定價，但現在你實際上是在某種程度上替代勞動，你怎麼看待未來在這種背景下的定價，尤其是在你如此核心地融入企業工作流程的情況下？

Sam Altman：這隻是我們在猜測一個可能的情況，但我們真的不知道。我可以想像這樣一個世界，你可以說，我想要 1 個 GPU、10 個 GPU 或 100 個 GPU，全天候運行我的問題處理。

這樣定價不是按照每個席位，甚至也不是按照每個 Agent，而是根據處理你問題的計算資源的量來定價。

主持人：我們是否需要為 AIPC 使用構建特定的模型，或者根本不需要？你如何看待這個問題？

Sam Altman：這確實需要大量的基礎設施和支撐來建設。但我認為 o1 指出了一個方向，可以讓模型執行出色的 Agent 任務。

花那麼高的成本訓練大模型，值得嗎

主持人：關於模型，Sam，大家都說模型是貶值資產，模型的商品化已經非常普遍。

你如何回應這個問題？你如何看待這個現象？而且當你考慮到訓練模型需要越來越多的資本時，我們是否真的看到一種趨勢：訓練模型需要巨額資金，最終只有少數人能夠做到？

Sam Altman：確實，模型是貶值資產。這一點是事實，但說它們不值得花那麼多錢來訓練，這似乎完全錯了。更不用說它們有一個正向複利效應。隨著你越來越擅長訓練模型，你會變得更高效。

至於通過模型獲得的收入，我認為這足以證明投資是值得的。

公平地說，這對每個人都不一定適用。確實有很多人在訓練非常相似的模型。如果你稍微落後，或者沒有一個足夠具備商業價值和吸引力的產品，那麼，也許就很難收回投資。

我們很幸運，擁有 ChatGPT 和數億的用戶。即使成本很高，我們也能通過大量用戶來攤銷這些成本。

主持人：你如何看待 OpenAI 的模型如何在時間的推移中保持差異化，並且你最希望在哪些方面擴展這種差異化？

Sam Altman：推理是我們目前最重要的工作重點。

我認為這是解鎖下一個巨大價值躍升的關鍵。這將以多種方式提升模型的能力。我們還會做多模態工作，也會增加我們認為對用戶使用體驗至關重要的其他功能。

主持人：你如何看待推理和多模態工作？挑戰在於你想要實現什麼目標。我很想瞭解一下。

Sam Altman：特別是在推理和多模態方面，我希望它能順利完成，儘管顯然這需要不少努力，但你知道，像嬰兒和幼兒雖然語言還不成熟，但依然能做出相當複雜的視覺推理。所以，這顯然是可行的。

主持人：完全正確，視覺能力將會在所設定的新推理時間範式下如何擴展？

Sam Altman：說到這個問題，我不太想劇透，我預計基於圖像的模型會有快速進展。

主持人：OpenAI 如何在核心推理方面取得突破？我們是否需要開始推動強化學習作為路徑，或是探索 Transformer 之外的其他新技術？

Sam Altman：這是兩個問題：一個是我們如何做，另一個是大家最喜歡的問題—— Transformer 之後會是什麼？至於我們如何做，這是我們獨特的「秘方」。

複製已知有效的東西非常容易。

人們不談論為什麼這如此容易的原因之一，是你需要有信心去相信某些事情是可行的。

所以，當一個研究實驗室做出某些突破時，即使你不完全知道他們是怎麼做的，複製它也變得相對容易。你可以在 GPT-4 的複製中看到這一點，我相信你在 0 和 1 的複製中也會看到。

真正困難的地方，我最為自豪的，正是我們的文化能夠反復做出全新且完全未經驗證的創新。

很多組織——我並不是只說 AI 研究——說自己具備這種能力。然而能夠做到這一點的組織非常少，無論哪個領域。我認為在某種意義上，這正是推動人類進步的最重要因素之一。

所以，有時我會幻想退休後能做的一件事，就是寫一本書，分享我關於如何建立一個能夠創新和開創文化的組織的經驗，而不是單純複製他人做過的事。

因為我相信世界上應該有更多這樣的組織。

儘管這是由人類才能所限，但實際上有很多人才被浪費，因為我們並不擅長創建這樣的文化或組織方式。所以我真的希望能看到更多這樣的組織，而這也正是我們最特別的地方。

主持人：Sam，人類的才華是怎麼被浪費的？

Sam Altman：世界上有很多非常有才華的人，他們沒有充分發揮自己的潛力，因為他們在不好的公司工作，或者生活在一個沒有支持優秀公司的國家，或者有很多其他原因。

我的意思是，關於 AI，我最興奮的一件事是，希望它能幫助我們大大提高現在的狀況，幫助每個人充分發揮他們的潛力，而現在我們離這個目標還遠遠不夠。

世界上有很多人，我相信，如果他們的生活軌跡稍微不同，肯定會成為出色的 AI 研究人員。

主持人：你過去一年經歷了不可思議的高速增長，考慮到你所說的寫書和退休，如果回顧過去 10 年的領導變化，你認為自己在領導力上發生了哪些最顯著的變化？

Sam Altman：我覺得過去幾年對我來說最不尋常的地方就是變化的速度。

在一家正常的公司，你有時間從零到一億的收入，一億到十億，十億到百億，不需要在兩百年內完成這些目標，也不需要像傳統的矽谷初創公司那樣快速構建公司，服務大量客戶什麼的。

我們不得不如此迅速地做這些事。其實有很多事情我原本應該有更多時間去學習的，但實際上時間遠遠不夠。

主持人：有什麼是你不知道的，但你希望有更多時間去瞭解的嗎？

Sam Altman：我想說，嗯，我知道的一件事，就是從我腦海中那一長串的清單里突然浮現的，是公司要把注意力集中在如何實現下一個 10 倍增長，而不僅僅是下一個 10% 的增長，實際上需要付出非常大的努力。

這是一個相當艱難的挑戰。實現下一個 10% 的增長，做的方法依然和過去一樣，但要從一個公司做到收入從十億到 100 億美元，所需的變化是巨大的。

這不是那種「我們繼續做上週的事就能行」的思維方式。

在一個人們幾乎沒有時間掌握基礎知識的世界里，因為增長實在太快，我嚴重低估了持續邁向下一個大步驟的同時，還要不忽略其他必須做的事的工作量。

這其中有一個很大部分是內部溝通，如何分享信息，如何構建框架，讓公司能夠更好地思考更大、更複雜的事物，每 8 個月、12 個月就要更新一次思維方式。

此外，還有很重要的一部分是規劃，如何平衡今天和下個月的需求，同時為未來一兩年能夠順利執行所需的基礎設施提前規劃，比如計算能力建設，甚至像為快速擴張的公司在舊金山這樣的大城市提前預定辦公空間，這實際上是非常有挑戰性的。

所以，我認為要麼沒有現成的「操作手冊」，要麼有人有「秘密手冊」但沒告訴我們，或者我們所有人都是在摸索中前行，但這一路上我們有很多東西是需要即興學習的。

主持人：我不知道我問這個會不會惹麻煩，但我還是得問。

Keith Boy 做了一個演講，他提到你應該僱用非常年輕的員工，30 歲以下，這是彼得·蒂爾教給他的，也是建立偉大公司的秘訣。

我很感興趣，當你考慮到你退休後寫的這本書和這個建議時，你認為通過僱傭非常年輕、充滿野心的 30 歲以下員工，來建立偉大的公司，這就是關鍵機制嗎？

Sam Altman：你怎麼看？我大概 30 歲左右開始創立了 OpenAI，或者差不多吧。所以我當時並不算特別年輕，但似乎一切都挺順利。

主持人：你如何看待僱傭那些不到 30 歲，充滿青春活力但經驗較少的年青人，還是那些經驗豐富、知道如何完成任務的人？

Sam Altman：很明顯，這個問題的答案是，你可以通過僱傭這兩類人來取得成功，就像我們做的那樣。

就在這個之前，我還在給某人發 Slack 消息，提到我們最近在一個團隊中僱傭了一個人。我不知道他多大年紀，但大概是 20 出頭，他的工作簡直是瘋狂地優秀。我就在想，能不能找到更多像這樣的人？

他真的是太聰明了，我不理解為什麼這些人這麼年輕就這麼優秀，但顯然這種情況是存在的。當你能找到這樣的人時，他們會帶來令人驚歎的新鮮視角、能量和其他一些東西。

另一方面，當你設計一些人類歷史上最複雜、最昂貴的計算機系統，實際上是任何類型的基礎設施時，我是不會冒險僱用一個剛起步、經驗不足的人，尤其是在那些風險更高的地方。

所以你需要兩類人。實際上，我認為你真正需要的是無論年齡大小，都具備極高才能的人。我認為只僱用年青人，或者只僱用年長的人，這是一個錯誤的戰略。

這個框架的思維方式並不完全符合我，但其中有一點我能認同的，就是我在 Y Combinator 中學到的一個教訓——沒有經驗並不意味著沒有價值。

在職業生涯初期，有些人具有巨大的潛力，能夠創造出巨大的價值。我們作為一個社會應該對這些人下注，這是非常值得的。

Scaling Laws 會失效嗎

主持人：繼續回到我準備的一些問題了。

Anthropic 的模型有時被認為在編程任務上表現得更好，為什麼會這樣？你覺得這公平嗎？開發者應該如何在選擇 OpenAI 或其他提供商時作出決定？

Sam Altman：他們的模型確實在編程方面表現得很好，這是令人印象深刻的。我認為開發者通常會使用多個模型，我不確定在我們進入更多「Agent 化」世界的過程中這一點會如何演變。

但我認為，最終會有很多 AI 隨處可見。我們目前談論或思考 AI 的方式似乎有些不對。如果我要描述的話，我們將會從談論模型轉變為談論系統，但這還需要一段時間。

主持人：你認為 Scaling Laws 會適用於多少次模型迭代？過去常常有一種說法認為這種情況不會持續太久，但似乎比人們預期的要持續得更久。

Sam Altman：不去詳細討論如何實現，你提到的核心問題是模型能力提升的軌跡是否會像現在這樣持續下去？我相信答案是，會持續很長時間。

主持人：你有沒有曾經懷疑過這個過程？

Sam Altman：完全有過。我們曾遇到過很多我們無法理解的行為，也經歷過訓練失敗，各種各樣的問題。在接近某一階段結束時，我們必須找到新的範式，才能繼續推進。

主持人：哪一個最難應對？

Sam Altman：嗯，當我們開始做 GPT-4 時，遇到了一些問題，讓我們非常困擾，真的不知道怎麼解決。最終我們解決了，但的確有一段時間，我們根本不知道該如何構建這個模型。

然後，在轉向 o1 和推理模型的過程中，這也是我們很久以來一直期待的，但這條道路的研究過程漫長且曲折，直到我們終於走到今天。

主持人：如果訓練過程中遇到失敗，保持士氣是否很睏難？你是如何在這些時刻保持士氣的？

Sam Altman：你知道，我們這裏有很多人都非常興奮地想要構建 AGI（通用人工智能），這是一個非常有動力的事情，沒有人指望這會是一條簡單、直線通向成功的路。

歷史上有一句名言，我記得可能不完全準確，但意思大概是：「我從不祈禱求神站在我這邊，而是希望自己站在神的一邊。」

投注於深度學習就像是站在天使那一邊。你就是相信，最終它會奏效，儘管過程中會遇到很多大障礙。因此，深信這一點對我們來說很有幫助。

主持人：最近我聽到一句很有意思的名言：生活中最重要的不是鐵或金，而是未作出的決定。你最困擾的未作出的決定是什麼？

Sam Altman：每天都不一樣，沒有固定的重大決定。確實有一些比較大的決定，比如我們是否要押注下一個產品，或者是否以某種方式或其他方式構建下一個計算機系統，這些都是高風險的單向決策。

我和其他人一樣，可能會拖延這些決定。但大多數情況下，困難在於每天都會有一些新的「51 對 49」（形容難以抉擇）決策，它們一開始就是「51 對 49」，我並不覺得自己能做得比別人更好，但我還是得作出這些決定。

問題不在於某一個特定的決策，而是它們的數量。

主持人：有沒有一個共同點，就是當決定是「51 對 49」時你會打電話給誰？

Sam Altman：我認為依賴一個人來處理所有事情的做法是不對的。

而對我來說，正確的做法是擁有 15 到 20 個人，每個人在特定領域有很好的直覺和背景，你可以「打電話給朋友」，請他們成為最好的專家，而不是試圖讓一個人通通都能做。

主持人：關於艱難決定，我想談一下半導體供應鏈問題。你今天有多擔心半導體供應鏈和國際緊張局勢？

Sam Altman：我想這樣量化這種擔憂：它不是我最擔心的問題，但它在所有問題中大概排在前 10% 以內。

主持人：我可以問一下你最擔心的問題是什麼嗎？

Sam Altman：這其實是我們整個領域所要做的事情的複雜性。雖然我覺得 AI 最終會運作良好，但它確實是一個非常複雜的系統。

這種情況在每個層級上都是分形的。所以你可以說這在 OpenAI 內部也是如此，在任何一個團隊內也是如此。

「APPSO 註釋：分形（Fractal）通常指的是一個整體在不同尺度上重復出現的自相似模式。在這裏，它被用來比喻公司內部不同層級上的決策複雜性是相似的。」

例如，你剛才提到的半導體問題，需要平衡電力供應、做出正確的網絡決策，確保及時獲得足夠的芯片，並應對可能出現的任何風險。同時，還需要有充分的研究準備，以便能夠應對這些挑戰。

這樣，你就不會完全受阻，或者擁有一個無法充分利用的系統，導致你無法用合適的產品來支撐高昂的系統成本。

因此，供應鏈聽起來可能像是一個簡單的管道，但實際上，每個層級的整體生態系統複雜性，就像分形圖案一樣，這是我之前在任何行業中都未曾見過的。

某種程度上，這可能是我最擔心的問題。

主持人：我覺得很多人將這波熱潮與互聯網泡沫做比較，特別是在興奮和投資銀行的方面。我認為不同的是，大家花的錢更多了。

艾里森曾說，進入基礎模型競爭的起始成本為 1000 億美元。你同意這個說法嗎？看到這個說法時，你是不是覺得「嗯，這有道理」？

Sam Altman：不，我認為成本會低於這個數字。

但這裏有一個有趣的點，大家總是喜歡用以往技術革命的例子來將新的技術置於更熟悉的背景中。

AI 領域，我認為這是一個壞習慣，總的來說。雖然我理解人們為什麼這麼做。而且，我覺得人們拿來類比 AI 的例子特別糟糕。互聯網顯然與 AI 很不同。

你提到的一個成本問題，無論是 100 億還是 1000 億，或者其他的競爭成本問題，互聯網革命的一個定義性特徵是它其實很容易啟動。現在另一點更接近互聯網的是，對許多公司來說，這隻是互聯網的延續。

就像是別人開發了這些 AI 模型，你可以用它們構建各種出色的東西。這就像是為技術提供了一個全新的基礎工具。但如果你是在構建 AI 本身，那就完全不同了。

另一個例子是人們用電力，不過，我覺得這個類比或許有很多地方不對。

說真的，晶體管就像是一個全新的物理髮現。它具有令人驚歎的擴展性，迅速滲透到各個領域。

你知道，像摩亞定律這樣的東西，我們現在也能想像出一堆類似的 AI 法則，告訴我們 AI 進步的速度。而且，整個科技行業都從中受益了。

產品和服務的交付中有大量晶體管，你並不會覺得這些是晶體管公司，但其背後有一個非常複雜且昂貴的工業過程，伴隨著龐大的供應鏈和令人驚訝的進步。

基於這一簡單的物理髮現，它推動了整個經濟的巨大躍升，儘管你大部分時間並不會意識到這一點，也不會說「哦，這是一個晶體管產品」。

就像是，「哦，好吧，這個東西能處理信息。」你甚至不會特別在意這一點，只是理所當然地接受了。

主持人：Sam，我很想和你做個快速問答環節。接下來我會說一些簡短的陳述，你給我你最直接的想法。假如你今天是 23、24 歲，擁有現在的基礎設施，你會選擇做什麼？如果今天重新開始的話。

Sam Altman：我會做一個 AI 驅動的垂直領域產品。我舉個例子，就是最好的 AI 輔導產品，或者你知道的，能教人學習任何領域的 AI，比如 AI 律師，或者 AI CAD 工程師之類的。

主持人：你提到過你的書，如果你要寫一本書，你會給它起什麼名字？

Sam Altman：其實我還沒有確切的書名，也沒想過這個，只是覺得希望有一本這樣的書，因為我覺得它能釋放人類的巨大潛力。所以也許它會和「人類潛力」有關。

主持人：在 AI 領域，有沒有一個大家都忽視的東西，實際上應該更多關注的？

Sam Altman：我希望看到的，是能解決這個問題的多種方法，但就是關於一種能夠理解你整個生活的 AI。

它不需要真的擁有無限的上下文，但應該有一種 AI Agent，能夠瞭解關於你的一切，能夠訪問你所有數據的類似的東西。

主持人：過去一個月裡，最令你驚訝的事情是什麼？Sam。

Sam Altman：一個我不能談論的研究結果，但它非常驚人。

主持人：你最敬佩的競爭對手是誰？為什麼？

Sam Altman：我想，我現在有點敬佩這個領域里的每一個人。

我覺得整個領域有很多令人驚歎的工作，充滿了非常有才華、非常努力的人們。我並不是在迴避問題，而是說，我可以指出很多超級有才華的人，他們在這個領域做出了非常出色的工作。

主持人：那是一個人嗎？

Sam Altman：其實不是。

主持人：告訴我，你最喜歡的 OpenAI API 是哪個？

Sam Altman：我覺得新的 Realtime API 非常棒，但我們現在有很多——我說我們現在的 API 業務非常龐大，裡面有很多很棒的東西。

主持人：今天，你最敬佩欣賞誰？Sam。

Sam Altman：可能是 Cursor 團隊。

實際上，現在有很多在AI領域做著令人難以置信的工作的人，但我覺得真正實現他們所做的工作，創造出那樣的東西，這種體驗創造了巨大的價值。人們以前沒能將這些元素拚湊在一起，這一點非常了不起。

當然，在考慮這個問題時，我故意沒有提到 OpenAI 的任何人，否則我會列出一份長長的 OpenAI 人員名單。

主持人：你怎麼看待延遲和準確性之間的權衡？

Sam Altman：你需要一個可以調節的控製器，以便在兩者之間進行選擇。就像你現在需要快速反應一樣，我可能反應不夠快，但在這個情境下，我寧願避免多想幾分鐘。

如果你需要立即反應，那麼延遲是你關注的重點。但如果你對我說，Sam，我希望你能做出一項新的重要物理髮現，你可能願意等待幾年。因此，答案是，這應該由用戶來控制。

主持人：我想問一下，雖然我們很少討論。你認為自己作為領導者，最希望在哪些方面提升自己？作為 CEO，你今天最想改進哪個方面？

Sam Altman：我現在最掙扎的事情是，我比以前更加不確定我們產品戰略的具體細節是什麼。

我覺得產品是我相對較弱的領域，目前公司非常需要我在這個領域提供更強和更清晰的願景。

我們有一位出色的產品負責人和一支優秀的產品團隊，但這是一個我希望自己能更強大的領域，我現在深刻感受到這個不足。

主持人：Kevin 是你隱藏的殺手鐧吧。我認識 Kevin 很多年了，他非常出色。Kevin 非常棒，在你看來，是什麼讓 Kevin 成為一位世界級的產品領導者？

Sam Altman：自律是我想到的第一個詞。

主持人：在專注方面嗎？

Sam Altman：專注於我們要拒絕的事情，真正站在用戶的角度去思考我們為什麼要做某件事或不做某件事，真正努力避免那些不切實際的夢想。

主持人：我們有一個五年的規劃，如果你有一根魔法棒，可以描繪五年和十年後的場景，你能為我描繪這幅畫嗎？五年和十年後的情況？

Sam Altman：我的意思是，我可以很容易地描繪未來兩年的情景，但如果我們是對的，開始製造出如此出色的系統，比如，幫助我們在科學進展方面取得突破。

我其實想說，我認為五年後，我們會看到技術本身的進步速度非常驚人。

你知道，人們會說，AGI 時刻已經來臨又過去了，不管怎麼樣，進步的速度簡直太瘋狂了，我們正在發現有關 AI 研究的全新內容，同時也在發現所有其他科學領域的全新成果。

那種感覺就像，如果我們現在坐在這裏回望這一切，會覺得它非常瘋狂。

然後，預測的第二部分是，社會本身實際上變化驚人地小。

舉個例子，如果你五年前問人們計算機是否會通過圖靈測試，他們會說不會。然後如果你說，如果有一個神諭告訴你它會通過，他們會說，那將是對社會的一個瘋狂、令人震驚的變化。

但實際上，我們確實在某種程度上滿足了圖靈測試，當然是大致上，社會並沒有發生太大變化，它只是快速地過去了。這就是我預期會繼續發生的一個例子，進展的方向。

科學進步不斷超越普遍預期，而社會變化在我看來相對健康，但變化不大。從長遠來看，社會將會發生改變。

主持人：你真了不起。我有一份問題清單，但我其實沒有完全按照它來提問。

感謝你耐性地回應我針對各種問題的探討。也感謝各位的到來，我很高興我們今天能夠完成這次活動，Sam，非常感謝你使得這一切成為現實。

Sam Altman：謝謝。

本文來自微信公眾號：APPSO，作者：appso