Sam Altman：创建 OpenAI 与押注不可能之事

导语

David Senra 从 Shopify CEO Tobi Lütke 的亲手实验问起，与 Sam Altman 沿原对话顺序讨论 AI 采用为何慢于能力增长、OpenAI 为什么把研究与算力置于产品之上、非共识下注怎样塑造研究，以及安全、权力和人的自主性如何彼此牵制。后半段转向公司取舍、导师影响和 OpenAI 最初四年半没有产品的研究困境，呈现 Altman 如何把创业投资经验迁移到一项当时近乎不可能的工程。

1. Tobi Lütke 的领先不在口号，而在亲手使用

• 主持人 David Senra 先问，为什么 Altman 认为 Tobi Lütke 是当下最有意思的 CEO 之一。Altman 回答，Lütke 从 AI 早期开始就一直最积极：亲自写软件、试模型，给 OpenAI 发送极其具体的产品和能力反馈，并早早判断 Shopify 不是一家可以停留在旧工作流里的“NPC 公司”，必须采用、甚至自己构建智能体。
• Lütke 曾要求员工先检查 AI 能否解决问题，也判断 2026 年会成为“每个企业都重新待价而沽”的一年。他夜里亲手尝试从零重建 AI 原生 Shopify。Altman 赞同这种精神，却不同意字面范围和时间表：不是每种业务都会被 AI 重做，一些真实、非技术的体验甚至会因 AI 普及而更珍贵；软件行业会大幅洗牌，但经济和社会的惯性会让过程更慢。
• Senra 补充，这封内部信大约在 2024 年发出，当时许多人觉得要求“先看 AI 能否解决问题”很荒谬；Lütke 的价值恰在于既领先约六到八个月，又不靠夸张宣传。他给出的不是抽象热情，而是模型现在能做什么、很快可能做到什么、公司准备把工作流推到哪里。Altman收到许多产品反馈，但很少有人同时拥有大型公司 CEO 的系统视角和一线构建者的精确感受。
• 主持人把“每个企业都待价而沽”进一步推到 2046 年：是否终有一天一切行业都会被重做？Altman仍然否定“全部”。体育队、线下体验和其他远离技术的真实关系，可能因机器无处不在而更难被替代；他争论的是大量软件业务会开放竞争，而不是世界只剩 AI 原生公司。
• Altman 曾在 GPT-4 于 2023 年出现后，高估软件行业被迅速重构的速度。人们继续购买熟悉公司的产品、沿用旧工具和行为。Senra 用 1980 年代 Larry Ellison 的判断回应：技术安装容易，改变人的行为更难；Altman 则回忆 Netflix 已经邮寄 DVD 时，人们仍照常去 Blockbuster。
• AI 可能是人类发明过最不可思议的技术之一，但技术能力的指数增长，并不会自动变成社会采用的指数增长。经济惯性一方面拖慢颠覆，另一方面也让过渡更平缓。

2. 连 OpenAI 的 CEO 也被旧工作习惯困住

• Senra 追问：既然 Altman 正在创造更好的工具，他自己有没有明知有新方法，却仍无法摆脱旧习惯的地方？Altman 说，自己用了 20 年同一种方式操作电脑，如今已有 Codex，却仍会在消息应用间复制粘贴、机械浏览邮件、维护待办清单，并把这些重复动作当作“工作”和“生产力”的感觉。
• 按显性判断，他不喜欢这种方式；按实际行为偏好，他又没有全面改用更快的方法。这种矛盾说明深层工作流只能渐进改变，也说明今天的产品仍未把新能力无缝嵌入日常。
• Senra问究竟什么会迫使他改变。Altman没有给出一次性的心理开关，只说采用正逐步发生：旧电脑仍能按熟悉方式使用，Codex 又可以接管全新任务，用户每天都要重新判断哪一边适合当前工作。这个犹豫不是用户缺少想象力，而是产品还没有把两套世界合成一个自然界面。
• Altman 把阶段类比为 iPhone 之前的智能手机：Palm Treo 等设备已经拥有很多技术零件，真正缺少的是多点触控之外那套重新定义人机交互的产品思想。当前 AI 也已经有许多关键技术，却还没有出现让所有人自然改变电脑使用方式的“iPhone 时刻”。
• 他回忆自己在 2003—2004 年已经是 Palm Treo 的早期用户，也羡慕 Sidekick。那些机器并非什么都没有，正如今天的模型并不缺基本能力；决定性差距在于一组产品观念能否把能力组织成无需说明书的新行为。
• Senra 用 Steve Jobs 检查 MacBook 开机和开盖速度的故事，问 Altman 是否也从自身需要定义产品。Altman说，他希望有更多时间做产品，但当下最重要的工作是研究和算力：造出更聪明的模型，并让大量用户高效、充足地运行它们。只要这个高杠杆难题继续推动指数曲线，其他产品机会就会跟随。

3. 研究与算力把技术、资本、能源和供应链压在一起

• 大规模算力需要处理复杂伙伴关系、巨额融资、自研芯片、晶圆厂、机架制造、电力系统和能源政策。Altman称这可能已在成为史上最昂贵的基础设施项目；它同时横跨技术、商业、政策、供应链和物流，正好契合他的兴趣。
• 这也解释他为什么没有把主要精力放在逐个打磨终端产品上。研究决定智能上限，算力决定多少人能以多低成本调用这种智能；芯片设计、晶圆制造、机架装配和电力系统又彼此制约。Altman把它看成“继续指数增长的上游条件”，而不是后台采购问题。
• 他认为，自己经历过的工作里，管理研究计划最像创业投资。研究员与创业者表面不同，但管理者都要识别非共识下注、决定何时建立信念、理解指数增长、寻找并支持离群人才。
• 关键共同点是幂律：最好的投资可能超过其余投资之和，第二名又可能超过再往后的全部；AI 研究也会由少数真正有效的方向决定结果。2015 年 OpenAI 宣布追求 AGI 时，被领域里的权威猛烈嘲笑；后来集中研究大语言模型，又被认为荒谬。
• 高风险下注不是因为大胆本身有价值，而是因为它一旦成功，价值必须极大。真正“非标准”的人会坚持可能错误、却在正确时足够重要的信念，而不是给拥挤赛道披一层差异化外衣。
• Altman 对比了 2015 年全球仅有少数 AGI 计划与成千上万款照片分享应用。今天许多人想开 AI 实验室，真正值得关注的也许反而是两三位利用 AI 新能力做出尚未被承认的新方向的研究者。Senra提到 Demis Hassabis 所说的“修士般研究者”从意外角度突破；Altman不愿给概率，却认同这种可能让研究保持兴奋。
• 这里的“少数 AGI 计划”包括 DeepMind 等极少数团队。Altman并不认为资本会永久封死突破：即使大规模训练集中在“前三家”，仍可能有一名像修士般工作的研究者找到从未想过的角度。研究团队的任务不是让所有人追随上一次成功，而是成为那些高能量、非标准研究者愿意坚持新方向的地方。

4. 从痴迷机器人到把 AI 视为“赋能一切的技术”

• 对话在两段广告后回到 Altman 的个人路径。Altman从小是计算机和科幻迷，大学也曾进入 AI 实验室。约 2005 年，一位教授告诉他，许多方向都可以试，唯独深度学习已经被证明不工作，选择它几乎保证职业失败。Altman当时接受了判断，转入创业，后来又成为投资者。
• 他把“先当投资者、再回到公司经营者”的逆向路径视为幸运。创始人通常只经历有限几个关键决策；投资者却会反复看到战略转向、复杂高管调整等许多公司的关键时刻，因此形成更大的案例数据集。经营公司的日常训练仍无法替代，但这些模式匹配在 OpenAI 的高风险决策中极有价值。
• Senra把自己形容成一个在创业史上训练了十年的 LLM，只是“温度调得更高”：遇到当代创始人的问题，会想起 Carnegie、Rockefeller 或其他历史案例。Altman追问，这些案例是否收敛成一条原则；Senra回答，少数原则确实反复出现，但给谁什么建议仍取决于创始人的性格与目标。两人因此把“广泛样本”理解为决策背景，而不是机械公式。
• AI 对少年 Altman 的吸引力首先来自“不可能”。他的反应不是为了反抗，而是“你确定吗？为什么不试试？”他喜欢学校机器人俱乐部和夏令营里由电脑控制的小乌龟，也向往《星际迷航》式的繁荣与充足。
• 今天他尤其重视 AI 推动科学发现：发现新物理、治疗疾病、解决新数学问题，帮助人类理解尽可能多的世界。Altman也谨慎承认，成年后的工作可能重新着色童年记忆；但“发明一种帮助人完成其他一切事情的技术”、把更多力量交给个人，是贯穿始终的兴趣。
• 他重读《无穷的开始》时，尤其感到 AI 会加速“理解一切或尽可能多地理解”的事业。这里的目标不只是自动化现有任务，而是扩大科学能提出和回答的问题；繁荣与充足只是结果，核心仍是让更多人获得过去没有的认知与行动能力。

5. AI 能做人的工作，不等于人会失去对人的兴趣

• Senra 追溯 Claude Shannon 与 Alan Turing 在 1940 年代 Bell Labs 喝咖啡讨论 AI：他们相信计算机会变得比人聪明，希望它解决数学、写诗和治疗疾病，并错误估计大约 15 年就会实现。今天 AI 已开始解决新数学问题、参与发现，也能写诗；Altman感叹他们没能看到这一刻。
• 他们当时把时间点想象在约 1955 年，甚至早于现代数字计算机成熟。Senra说，人们总把自己恰好活着的能力水平当成机器永远跨不过去的线：音乐人说 AI 永远不会写出好音乐，播客从业者又问它能否真正对谈。Altman不否认现阶段的诗和其他创作仍不够好，却认为“永远不会”缺少历史感。
• 两人进一步讨论 AI 是否会做出比真人更精彩的播客。Senra认为，纯知识转述更容易被替代，但人仍会关心“这两个具体的人”如何交谈。Altman深信，围绕人际连接、喜欢和共同在场的活动，会在后 AI 世界变得更有价值，而不是更少。
• 两人都偏爱纸书、电话或面对面交流，不喜欢电子书和 Zoom。Altman承认会有少数人只想与计算机交往、把人视为障碍，但认为大多数人的基本倾向不会因超级智能而消失。
• 人不是 AI 发展中需要被绕开的摩擦，人应当是整个项目的目的。越强的 AI 越需要保留人影响自己未来、与他人连接并共同决定社会方向的能力。

6. 两种主要风险都指向同一件事：人失去控制

• Altman最担心的两种风险彼此有张力：一是 AI 能力过强，以致无法保证人类控制；二是权力过度集中，让一家公司、一个模型或一个人掌握太多决策权。无论把全部权力交给模型，还是以安全为由只让少数公司控制技术，在他看来都是反人类的结果。
• 这两种风险分别会诱发相反政策：担心失控的人想限制访问，担心集中者又想把能力分散。Altman的判断不是简单选择开放或封闭，而是每一代能力都要在真实使用中校正，同时守住“人深度控制未来、技术广泛赋能个人”这两个目标。
• 他把一种糟糕的“AI 销售话术”概括为：少数掌权者承诺治愈疾病、降低物价、提供娱乐，交换其他人放弃自主性、影响未来的权力，并接受极端不平等。对风险的真实恐惧会推动人们用自由换安全，也可能成为追求权力的正当化工具。
• Altman同意“末日论者”的一部分：技术强大，每一代能力都应谨慎推进；但他不同意安全是无解问题。OpenAI 创立时，主流既不相信十年内能造出很像 AGI 的系统，又认为一旦造出就必然无法对齐、导致毁灭。十年后的现实没有兑现这种确定性悲观，因此预测应该更新，但更高能力也确实带来更大的未知风险。
• 他的安全方法来自创业的迭代部署：把新模型放进真实世界，观察哪里有效、哪里失效、哪些护栏妨碍正当用途、哪里出现对齐或安全故障，再更新产品。ChatGPT 推出不到四年，已有约十亿周活跃用户处理敏感重要事务；这不代表没有问题，却提供了关在“象牙塔”里无法获得的反馈。
• 主持人问，更强模型为何让未来更难。Altman说，当最聪明的模型接近、并可能超过最聪明的人时，能力轨迹更陡，“未知的未知”在绝对规模上变大。团队必须更频繁地判断何时延缓开发、何时需要先接触现实获得证据、何时应停下来研究更久；迭代并不等于任何时候都立即发布。
• Altman用美国联邦航空管理局（FAA）改善飞行安全类比：危险技术需要严格事故报告、拒绝粉饰、清晰复盘和共享经验。飞机在人类技术史上并不古老，从看似极度危险变成乘客很少多想，靠的是事故中提取最多信息，而不是假装没有事故。社会与模型会共同演化，无法只在实验室里预演所有影响。OpenAI应在必要时决定延迟开发或增加研究，但不能切断与现实的接触。

7. “人人使用、人人讨厌”暴露的是 AI 行业的沟通与权力失败

• Senra问，为什么创业者普遍使用 AI，却又普遍讨厌 AI。Altman先归因于人类对快速社会经济变化的本能警惕；工业革命时期也并非人人欢迎变化，这种惯性可能是社会在动荡中的保护机制。
• 两人此前都在读工业革命（Industrial Revolution）的历史。Altman并不想把生物和社会惯性视为必须击败的缺陷：在局部狂热或巨大转型期，怀疑和慢速吸收可以防止整个系统同时失去稳定。
• 但 AI 行业自己也制造了恐惧：一边宣称有 25% 概率毁灭世界，另一边又因担心对手抢先而加速；或者预告明年 50% 工作消失，只留下“希望大家没事”。行业没有充分说明收益如何实现、损害如何缓解，也很少认真讨论为什么个人权力和自由必须增加而非减少。
• Altman认为，近代经济奇迹依赖人们有能力创办公司、发明技术和追求自己的想法。即使多数人不想建立巨型企业，也可能想开小公司；过去这需要特权、运气和资源，AI 有望带来史上最大的小企业创业潮。OpenAI及整个行业看到了迹象，却没有把故事讲清，也没有造足够多的产品来加速它。
• Senra用 Intel 从集成电路转向微处理器时的教育行动作对照：Robert Noyce、Andy Grove 和 Gordon Moore 亲自暂停其他工作，面向客户、投资者和公众开课，课程一度多过当地社区大学的目录。Altman承认 AI 公司没有借口，必须做得更多；这场对话本身就是一种尝试。
• 这段故事来自《Intel Trinity》。Bob Noyce 等人知道，微处理器的意义越大，潜在客户越可能因陌生而害怕，所以教育不是公关附属品，而是技术采用本身。Altman接受 Senra 的批评：拥有最丰富上下文的 AI 建设者有责任解释他们看见了什么，而不能只发布模型和风险数字。

8. 下一代产品的稀缺资源是上下文，而 OpenAI 想做平台

• Altman说，最新模型已经相当聪明，他当前更受限于 AI 对自己的有效上下文。理想中的智能体应能读完内部 Slack、客户故事和大量研究论文，持续寻找能帮上忙的信息，在他必须做决策时把超出个人时间与精力的材料带回来。
• 这不是单纯“更聪明”，而是一条人类无法匹敌的新轴：在几秒内阅读数万页并准确利用。Senra已经用自己的工具实践这一点：自 2018 年保存每本书的笔记、高亮和 Founders 节目文字稿，再用 AI 检索多年前有关 Claude Shannon、Robert Noyce 或 Rockefeller 的具体材料，辅助制作新节目。
• 话题随后转向 OpenAI 的产品边界。Altman说，公司希望更像平台而非铺满所有类别的产品公司：合并 ChatGPT 与 Codex，保留一个可处理个人或公司各种任务的通用入口，再提供一个 API 让他人自由构建。
• Codex 的命名曾让人误以为它只负责编程，实际目标是完成各种知识工作。合并后的入口希望成为个人或公司的 AGI：用户不必先判断这是聊天、写代码还是另一类任务，只需表达需要；API 则保留给开发者和企业，让通用入口与外部应用逐渐靠近，而不是由 OpenAI垄断每种工作流。
• 平台应覆盖整个成本—性能曲线：既提供用于科学发现的高端智能，也提供处理海量普通工作的廉价快速模型，并逐步让入口从聊天框和编码智能体变成具有上下文、能主动帮助人的持久智能体。
• OpenAI 不应与所有客户竞争或吞下整个经济，而应把通用智能作为服务交给 100 million（一亿）家新企业和 8 billion（八十亿）人，让他们决定在上面造什么。
• 这也要求杀掉“好点子”。在算力、人才和资源有限时，OpenAI 停掉了有趣但耗算力的 Sora，把资源转给更重要的 Codex；也停掉自家浏览器 Atlas，把人才移到其他方向。Altman承认，牺牲好项目追求伟大项目，是创业者最难、自己也最不擅长的课。

9. Peter Thiel、Paul Graham 与 YC 提供了不同的思考支点

• Senra用 Charlie Munger 的“猩猩理论”引出思考伙伴：即使对方什么都不懂，把问题说清也能帮助组织思路；若对方又足够聪明，价值更大。Altman把自己的伙伴分三类：长期共同工作的 OpenAI 研究员拥有外部无法复制的共同语言和技术直觉；在商业与世界问题上，Paul Graham 和 Peter Thiel 则最能提供非线性、不可预测的新视角。
• Munger本人曾长期扮演 Warren Buffett 的思考伙伴。Senra回忆 Munger 去世前说，两人合作约 65 年后已经很少通话：Buffett只要假装拿起电话，就知道对方会说什么。Altman说，自己只在“尴尬的早期产品应不应该发布”这类问题上能如此确定 Graham 的答案；更多时候，顾问的价值正来自无法预测下一句话。
• Thiel 在 ChatGPT 上线约两个月、增长很快但用途和留存价值仍不稳定时，否定了团队转向五六个其他方向的想法。他认为一个可以输入任何问题、自动给出恰当回应的空白文本框，拥有 Google 搜索框般的力量；它不符合当时关于信息流、网络效应和锁定的硅谷教条，反而说明应加倍投入。
• Graham 的影响更多是一种迭代精神：尽早发布令人尴尬的第一版，与用户交谈，用真实反馈改进。Altman发布 ChatGPT 前甚至不必打电话询问，也知道 Graham 会说“发出去”。他回看 YC 公司后，惊讶于快速行动和迭代与成功的相关性。
• Altman把 YC 比作销量未必最高、却影响一整代音乐人的乐队：YC 本身创造了巨额价值，更重要的是重塑过去二十年的创业生态——技术人员掌权、愿意下注年轻且精力旺盛的人、让创始人获得更大杠杆，并使没有传统履历的人也能为雄心项目融资。他甚至认为，没有这套生态变化，OpenAI 很难出现。
• 这套变化从 2004 年前后的旧硅谷（Silicon Valley）生态展开。如果只把技术推进到 2016 年，却不改变资本如何流动、谁能经营公司、年轻技术创始人能否筹得巨额资金，Altman判断 OpenAI 很可能无法成立。YC的影响因此不只是一份五条式操作手册，而是一种公司哲学和一整套制度环境。

10. 成功经验要反复提醒，OpenAI 却也必须违背创业教条

• Senra把 Founders 节目称为“创业者的教堂”：宗教能延续，是因为共同体定期回到同一套文本和故事。Altman认同创业者需要不断被提醒那些不华丽的正面原则——多与用户交谈、早发布、多反馈、提高招聘标准、迅速处理不合适的人。
• Senra进一步举 Honda 创始人的例子：Honda Cub 连续生产约 60 年，研发组织像 Bell Labs 一样被单独设置，拥有不同结构和长期目标。它提醒两人，持久公司一方面反复讲相同原则，另一方面也会为研究这种不同于产品经营的活动另造制度。
• 他认为自己从成功中学到的往往多于失败。失败原因太多，常只留下“坚持”或“别再这样做”的泛化教训，也可能让人错误避开后来正确的路；真正成功的 YC 或 OpenAI 机制，更容易识别因果并迁移。当然，每个数据点都值得学，重点是不要让失败的反向教训遮住已经验证的正面模式。
• OpenAI 最特殊的地方，又恰好违背“尽早面对客户”：从成立到第一款产品，整整四年半没有外部用户信号。团队必须为研究寻找替代反馈。Dota 2 强化学习时期的排行榜让每个想法有客观表现；面向研究者真正敬重的人做外部演示也能制造真实压力；虚假截止日期则被证明无效。
• 团队曾向 Alan Kay 等经历过伟大研究实验室的人请教 Bell Labs 和 Xerox PARC 如何运作，但 OpenAI 没有垄断利润机器为研究供血。Altman对早期最强烈的记忆，是持续而挫败地筹款。
• 2016 年年初，约 11 或 12 个人在 Greg Brockman 的公寓迎来第一天。大家兴奋地到场，随后发现连“现在该做什么”都不知道；有人去找白板，能量却迅速塌下。团队只知道要做 AGI、也许写论文、也许想点子。经过多年混乱试错，他们才形成评估研究下注的节奏：无监督情感神经元工作逐步通向 GPT-1，缩放定律又让团队知道为什么以及如何购买更多算力、扩大模型。
• 这一天大约是 2016 年 1 月 4 日。团队不是先有路线图再执行，而是在许多方向失败后才找到可以沿着推进的“梯度”。从情感神经元到 GPT-1，再到后续 GPT 系列和缩放定律，重要发现不是同时出现，而是在研究节奏、资源供给和客观评估逐渐建立后互相连接。
• OpenAI 的早期并不是一条事后看起来必然的直线，而是在缺少产品、客户和现金机器的条件下，发明研究反馈梯度，并让少数正确下注逐渐连接起来。
• 结尾，Senra问 Altman 是否记日记。第一个孩子出生后，Altman曾在哄睡时讲述当天的挣扎和担忧，后来每周写信，但只留下约八封。Senra提醒，创始人到六七十岁写回忆录时常后悔没有记录；以“写给孩子”的心态又很难躲进自我辩护。Altman认同这种框架迫使人承认哪里做得不好、下周应怎样改变，并表示会想办法重新开始。

思想框架

对话从 Tobi Lütke 的亲手实验切入，先建立一个核心张力：AI 能力快速增长，人的习惯、产品形态和经济采用却更慢；随后转到 OpenAI 的杠杆点——研究和算力——并用投资幂律解释为何要支持非共识人才与高回报下注。中段从 Altman 的童年兴趣和反向职业路径，推进到 AI 对科学与繁荣的承诺，再把“人仍关心人”连接到两类风险：模型失控与权力集中。安全答案不是封闭控制，而是迭代部署、事故复盘和共享学习。后半段把个人上下文、平台边界、砍掉 Sora 与 Atlas 的取舍，与 Thiel、Graham、YC 的影响串联起来；最终回到 OpenAI 创立时没有用户信号、没有研究节奏、甚至没有白板的现场，说明所谓“押注不可能”，其实是持续创造真实反馈、反复选择少数高杠杆方向，并诚实记录错误。