ChatGPT 周活即将突破十亿，Sam Altman 如何理解正在发生的变化？

最近，他接受了 David Senra 的访谈。给出了几组看似矛盾的判断：AI 的技术进步极快，但社会采用会很慢；OpenAI 拥有越来越多产品机会，却应该主动少做产品；创业强调尽快发布，但 OpenAI 最初四年半没有产品；人们担心 AI 夺走工作，Sam 更关注的却是 AI 会不会夺走人的权力。

这些矛盾拼在一起，恰好构成了 Sam 目前对 AI、OpenAI 和创业的完整认识。

最先进的 AI，也敌不过人的旧习惯

访谈从 Shopify CEO Tobi Lütke 说起。Sam 认为，Tobi 是少数真正亲手使用 AI 的大型公司 CEO。他自己写软件、测试模型，给 OpenAI 提供细致的产品反馈，并试着从零重构公司的工作方式。

这里的重点不是 CEO 要不要写代码，而是管理者是否直接接触技术。公司规模一大，信息通常经过多层团队过滤，粗糙的边缘会被磨平，负责人看到的是汇报，不再是产品。Tobi 的不同之处恰恰是他还保留着一线使用者的手感。

有趣的是，作为 AI 产品的制造者，Sam 承认自己也没有完全改变工作习惯。他知道 Codex 可以处理大量日常事务，却仍会在应用之间复制粘贴，逐封翻邮件，维护传统待办清单。

理性上，他知道有更好的办法；行为上，他仍把这些重复动作理解为“自己正在工作”。

这不只是他一个人面临的问题，更是技术扩散最容易被低估的部分。

Sam 曾以为 GPT-4 出现后，软件行业会很快被重做。后来他修正了时间判断：技术可以按指数进步，经济和人的行为却有巨大的惯性。客户继续购买熟悉的产品，员工继续沿用旧流程，企业继续围绕旧组织结构分工。就像 Netflix 已经可以邮寄 DVD 时，仍有大量用户走进 Blockbuster 租碟，技术可用不等于行为会立刻改变。

所以，AI 的进展速度和 AI 对经济的改造速度，是两条不同的曲线。前者可能快到令人难以想象，但后者会被习惯、组织、制度和信任拖慢。不过，Sam 认为这未必是坏事，较慢的吸收速度，反而可能让这场转型更平稳。

这也解释了为什么今天的 AI 还没有迎来真正的“iPhone 时刻”。能力组件大多已经出现，但怎样让普通人彻底改变与计算机互动的方式，产品答案仍不成熟。问题不在于模型够不够聪明，更是新界面能否自然替代已经用了二十年的旧操作系统。

OpenAI 真正押注的，是模型和算力

外界把 OpenAI 看成一家以 ChatGPT 产品为主的公司，Sam 对自己的工作重点却有更底层的描述：研究和算力。

他的逻辑很直接。如果模型足够聪明，又能以足够低的成本服务足够多人，其他产品机会自然会出现。反过来，如果底层能力和供给不足，再漂亮的产品也无法持续。

“算力”不是多买一些 GPU。它涉及芯片设计、晶圆厂、机架、数据中心、电力系统、供应链、物流、政策、合作伙伴和融资。Sam 将算力形容为正在成为历史上最昂贵的基础设施工程之一。OpenAI 面对，是一项横跨技术、能源、制造和资本的系统工程。

这也解释了 Sam 为什么会把管理 AI 研究与早期投资联系起来。二者都服从幂律：最成功的一项投资，可能超过其余投资之和；真正有效的一条研究路线，也可能远远超过大量渐进改良。

幂律思维要求人接受一件反直觉的事：高失败率并不可怕，关键是成功时的价值是否足够大。2015 年押注 AGI 不是共识，后来集中研究大语言模型同样受到质疑。对 Sam 来说，这类项目值得做，就是因为一旦成功，结果足以改变整个局面。

相应地，他寻找的也不是“标准答案型”人才，而是能够形成非共识判断的人。他们可能犯错，甚至经常犯错，但会提出一个当下看起来不够合理、却真正不同的新方向。

需要注意的是，非共识并不等于故意唱反调。真正稀缺的不是姿态，而是经过独立思考后，愿意为一个不受欢迎的判断承担后果。

平台战略的难点，是杀掉好想法

Sam 对 OpenAI 的产品边界也说得相当清楚：它应该更像平台公司，而不是包办所有品类的产品公司。

这个平台有两个入口。一个是面向个人和企业的通用 AI 界面，它从聊天框开始，逐渐加入编码和代理能力，未来可能变成持续运行、主动提供帮助的个人智能系统。另一个是 API，让开发者在不同成本和性能区间上调用 AI，建设自己的产品。

OpenAI 不应该把所有客户都变成竞争对手，也不应该试图吞下每一个应用市场。Sam 设想的结果，是让八十亿人和一亿家新企业在平台之上创造用途，而不是由 OpenAI 自己做完全部产品。

这套战略说起来简单，执行时最痛苦的地方，是必须砍掉“不错但不够重要”的项目。

Sam 在访谈中提到，他们曾终止需要大量算力的产品，也放弃过自己认为体验很好的浏览器项目。不是这些东西做得差，而是算力、人才和时间有限。把资源留给通用智能、知识工作和科学发现，就意味着不能因为一个产品已经不错而继续投入。

创业者通常善于发现机会，却很难拒绝机会。一个坏想法容易停止，砍掉一个已经有用户、有团队、有口碑的好项目就很痛苦。但公司的战略不只体现在说了多少次“聚焦”，更体现在究竟愿意为最重要的目标放弃什么。

Sam 也承认自己并不擅长杀掉好想法。聚焦是一项需要反复执行、每次都会痛的管理动作。

ChatGPT 的成功，来自一个不合时宜的空白框

ChatGPT 最初发布后增长很快，OpenAI 内部却一度怀疑这种增长是否有长期价值。用户可能只是因为新奇而来，产品既没有信息流，也没有传统社交网络效应，更不符合当时硅谷流行的增长模板。

Sam 为此请教 Peter Thiel。Peter 的判断是，不要被既有模板困住。一个可以输入任何问题、并得到相应结果的空白文本框，本身就可能像 Google 搜索框一样强大。既然它正在增长，正确动作是继续投入，而不是急着寻找另一个更符合共识的方向。

这段经历很能说明非线性思考的价值。多数建议是在已有选项里帮你选择，真正高价值的建议会指出：你列出的选项可能都错了，那个看起来过于简单、因而被忽视的东西，才是应该继续加码的核心。

Paul Graham 对 Sam 的影响则体现在另一面：尽早发布，在真实使用中迭代。Sam 说，自己甚至不需要在 ChatGPT 上线前询问 Paul，因为已经知道他会怎么回答——产品还不成熟、甚至让人尴尬，恰恰应该先放出去，让现实提供反馈。

这套来自 Y Combinator 的方法，后来不仅用于产品，也被 OpenAI 用于安全治理。Sam 的观点是，模型与社会会共同演化，不能只在实验室里推演所有影响。模型上线后出现了什么问题，哪些护栏限制了合理需求，哪里发生对齐或安全系统失效，都需要像航空业记录事故那样，坦率记录、分析并改进。

这并不意味着忽略风险。Sam 明确承认，随着模型能力接近并可能超过最聪明的人，未知问题会更难，未来也可能需要延迟开发或增加研究时间。他主张的是接触现实的渐进部署，而不是把“发布”与“安全”理解成非此即彼。

AI 最大的风险，不只是失控，还有权力集中

关于 AI 风险，Sam 提出了两个方向。

第一个是能力失控：系统变得过于强大，人类无法确保它仍受控制。第二个是权力过度集中：少数公司、个人或模型掌握了过多资源和决策权。

为了避免失控，人们很容易主张限制访问、集中管理；但集中本身又可能制造另一种危险。Sam 对此的价值判断是，AI 应该扩大人的行动能力，而不是以安全和便利为交换，让人放弃自主权。

他反对一种看似慷慨的技术承诺：少数机构负责作出决定，普通人得到廉价商品、娱乐甚至疾病治疗，却失去影响未来的能力。问题不在于福利不够多，而在于人被从主体变成了被管理的对象。

这也是公众对 AI 的恐惧经常被行业误读的地方。人们担心的不只是失业和收入，也担心自己是否还能掌握生活，是否有机会创造企业，是否能够参与社会方向的选择。AI 行业擅长讲能力曲线，却不擅长解释权力将如何分配。

在 Sam 看来，更值得期待的经济结果之一，是小企业的大规模增长。过去，创业需要资金、技能、团队和运气，门槛很高。AI 降低了编程、设计、营销、研究和运营成本，可能让更多人以更小团队开办公司。未来最有意义的数字，未必是又诞生几家万亿美元公司，而是多出多少能够独立经营的小企业。

如果 AI 最终只让现有巨头更强，它的社会价值会大打折扣；如果它能让更多人拥有创造产品、服务客户和组织资源的能力，才真正兑现了“增强人的能动性”。

回到 OpenAI ，成立的第一天

回到 2016 年初。

OpenAI 宣布成立后，十一二个人来到 Greg Brockman 的公寓。大家很兴奋，像开学第一天。很快，所有人开始互相看着，不知道下一步该做什么。有人提出应该先找一块白板。白板找来以后，房间里的问题仍然没有消失：他们只说要做 AGI，但今天具体做什么？写论文，还是想研究方向？没有人知道。

Sam 将随后几年的状态称为“混乱地跌跌撞撞”。这和后来公众看到的 OpenAI 很不一样，目标极大，路径未知，早期没有产品，也没有客户信号。

传统创业方法要求尽快发布、询问用户，但 OpenAI 四年半没有推出第一个产品。研究 Dota 2 强化学习时，他们设置排行榜，让不同方案的表现变得客观可见；他们也用面向外部专家的演示，给研究团队制造真实的检验。

慢慢地，团队找到了评估研究的节奏。从无监督情感研究到 GPT，再到缩放规律与算力投入形成配合，一条可持续前进的“梯度”才逐渐显现。

这段历史提供了一个比成功学更诚实的样本。重大项目开始时，团队不一定拥有清晰路线图。关键是建立能够识别进展的反馈系统，让混乱逐步产生方向。

Sam 还说：相比失败，他从成功中学到的更多。失败的原因太多，常常只能留下“要坚持”“不要这样做”之类泛化结论；成功案例则能帮助他识别究竟哪些动作产生了复利。管理过大量 YC 公司，让他看到许多企业在关键转折点如何选择，这些样本后来成为经营 OpenAI 时的决策资料库。

这并不是说失败不值得复盘。更准确的理解是，不要对失败过度拟合。失败可能由时机、资源、执行、市场和偶然事件共同造成，而已经反复奏效的原则，更值得持续强化。

技术进步之后，人的价值不会消失

Sam 相信 AI 会完成越来越多今天由人完成的工作，甚至生成更好的音乐、播客或文字。但他不认为这会让人与人的连接失去价值。

当机器生成内容变得便宜，真实的人、真实的经历和真实的关系可能更稀缺。信息查询容易被自动化，一场谈话之所以有吸引力，恰恰因为读者在意说话的人是谁、经历过什么、为何形成这样的判断。

AI 的目标不应该是把人从系统中删除，而是让人拥有更强的理解力和行动力。模型可以阅读一个人来不及阅读的数万页资料，可以补回遗忘的上下文，可以协助作出复杂决策，但决定什么值得做、希望未来变成什么样，仍然应该由人承担。

在访谈结尾，Sam 说自己曾在孩子出生后，每周给儿子写一封信，记录工作中遇到的难题、担忧和判断。虽然现在只写了八封左右，却给了他一种少见的自我审视方式：当你想象孩子未来会怎样评价今天的自己，就很难继续用漂亮说法掩盖问题。

从公寓里连下一步都不知道的小团队，到建设可能是历史上最昂贵的算力基础设施，OpenAI 的规模已经完全不同。但真正决定这家公司走向的，仍是那些无法交给模型的问题：该押注什么，该放弃什么，权力应该交给谁，以及今天做的事，未来是否还能坦然讲给自己的孩子听。

参考来源： Sam Altman on Building OpenAI & Betting on the Impossible