3月12日，OpenAI 首席執行官 Sam Altman 在美國華盛頓舉行的貝萊德美國基礎設施峰會上進行了一場圓桌對話。本次對話詳細探討了 AI 產生重大經濟效用的拐點、實現 AGI 的量化門檻與 2028 年奇點預測、算力作為公用事業的演進路徑、超大規模基礎設施星際之門的建設細節、自研推理晶片的戰略佈局、全球 AI 競賽的現狀等話題。
Sam Altman 指出，模型已經跨越了產生重大經濟效用的門檻，正從技術積壓階段轉向實際工作能力的爆發。他為 AGI 提出了兩個明確的量化門檻：一是到 2028 年底，資料中心內部擁有的認知能力可能超過外部人類的總和；二是當大型組織（如大國或跨國公司）的決策者若不重度依賴 AI 就無法開展工作。他认为，未來的管理範式將發生徹底轉變，人類的角色將從直接處理事務轉向監督一個全天候運作、掌握全局上下文資訊的 AI Agent 團隊。
Sam Altman 认为，未来的核心競爭力將不再是演算法秘密，而在於大規模工業化整合能力、訓練資料的深度利用以及基礎設施的總量。他強調，智能必須像電力一樣「便宜到無需計量」，OpenAI 正透過星際之門項目建造吉瓦級別的超級資料中心，並研發針對 Agent 需求的低成本專用推理晶片，試圖通過演算與工程的雙重優化實現 1000 倍的成本降幅。此外他預測，未來可能出現生產力狂飆、生活品質節節攀升，但 GDP 卻持續下降的長期通縮現象。
針對全球AI競爭格局，他认为美国当前最脆弱的环节在于全球供应链依赖以及经济应用 AI 的速度滞后。他警告，如果美国不能迅速在经济层面普及 AI，将失去优势。
01 在當下的 AI 世界，我們究竟處於什麼位置？
Sam Altman：在過去幾個月裡的某個時刻，我們確實跨越了一個門檻，進入了模型產生重大經濟效用的階段。也許這個轉變發生得更早一些，但在我們真正摸索出如何使用這些模型之前，行業內存在著巨大的技術積壓。我們不僅需要持續提升模型的智慧水平，還要打通底層對接的基礎架構，讓它們變得簡單易用。
現在，這些模型表現出的工作能力已經讓世人驚嘆。這種變化在程式設計領域最為顯著，但在科學研究以及許多知識工作領域也正以驚人的速度發生。人們常嘆息：「天哪，我以為這些還要等上好幾年才會實現，現在竟然已經做到了。」我個人的工作也發生了轉變，從直接處理技術或法律事務，轉為管理一個執行這些工作的 AI Agent 團隊。
這僅僅是個開始，我們正處於增長曲線最陡峭的階段。目前，你也許可以信任一個 AI 軟體工程師去完成幾個小時的任務，但很快這個期限會變成幾天，甚至幾週。在那之後不久，範式將再次轉變。AI 會深度介入你的生活和公司，它們會主動思考、全天候運作、掌握所需的全部上下文資訊，就像你信任一名資深員工那樣去處理事務。
（關於企業賦能）有些公司理解，有些則不然。可以肯定的是，新創公司的思維方式與以往完全不同。以前，新創公司找我們談的是需要僱用多少員工，現在，他們通常不想招太多人，認為那會拖慢速度。他們現在的核心焦點是能獲得多少算力，例如詢問是否能預留多少容量、能否簽下雲服務協議，或是能拿到多少 Token。這種心態的轉變在大公司中進展較慢，但部分企業已經開始行動。一個明顯的訊號是，一些工程與產品部門正在討論將今年的交付量增加兩到三倍，這以前是不可想像的。
02 重新定義 AGI 與 2028 奇點
Sam Altman：在這裡，AGI 的定義非常關鍵。有人認為我們已經實現了，有人覺得近在咫尺，也有人認為還要一年。總之，AGI 這個詞已經快失去其特定的實際意義了。有兩個門檻很有意思。第一，資料中心內部擁有的認知能力何時會超過外部人類的總和？雖然誤差範圍很大，我也可能說錯，但這或許會在 2028 年底發生。那將是全球範圍的一項非凡轉變。
第二個門檻是，一家大公司的執行長、一個大國的元首或是一位諾貝爾獎得主，何時會變得如果不大量使用 AI 就無法開展工作？這不代表會出現 AI 擔任執行長或總統的情況，人類的角色仍然不可替代，依然需要人來為決策負責、行使人類判斷力，並提供運營重要組織所需的各種理解。但在我的角色中，有相當一部分實際工作將不得不依賴 AI，因為沒有哪位管理者能親自與每一位員工和客戶交談、參加每一場會議，並成為所有領域的專家。因此，未來的管理工作將更多地表現為監督一群 AI，提供方向引導，決定如何信任輸出結果。當你意識到如果不重度依賴 AI 根本無法運營一家大型組織時，這就是另一個有趣的門檻。这一天的到来可能需要一点时间，但绝不会太久。
（關於個人工作依賴度）這種依賴度提升得極快。如果我對商業模式、戰略轉型或產品方案有了新想法，在找人商量之前，我做的第一件事就是詢問我們的工具。隨著它們獲得更多上下文，這將成為下一個重大突破。當 AI 能夠接近公司全貌的上下文，包括內部文件、溝通紀錄、程式碼、客戶資料等所有資訊時，它們的回答品質和思考深度會變得越來越出色。
03 智能將像電力一樣便宜到無需計量
Sam Altman：這行有很多難點，但最難的一點在於基礎設施實在太貴了。你不僅需要巨額投資，還得提前很久做預判和承諾。我從未見過類似的行業。歷史上確實有很多資本密集型行業，但審視未來幾年的發展，如果增長曲線保持現狀、需求持續激增，我們就必須採取一些非常規的手段。
OpenAI 做的很多事在外界看來很奇怪。我們在產生收入之前就投入巨額資金建設基礎設施，我們嘗試廣告等新商業模式，雖然這看起來未必是最賺錢的選擇。我們這樣做的原因是因為我們堅信智能將進入豐盛時代。未來最重要的事情之一，就是讓智能變得像能源行業那句著名的老口號一樣，便宜到無需計量。我們想讓智能充斥世界，讓人們在任何場景都能使用。我們希望這只是未來一代不會去思考的東西，他們會覺得智能無處不在是理所當然的，每個人在任何領域都能接觸到足夠多的天才助手。這個核心原則引導了我們許多看起來不合常規的行為。其中最重要的是，我們必須擺脫產能受限的局面。如果不改變做法，我們將會一直受困於此。
（關於算力即收入）從根本上說，我們的業務以及所有模型供應商的業務，本質上都是在售賣 Token。這些 Token 可能來自不同規模的模型，價格各異，它們可能涉及不同程度的推理過程，成本也不同。有些 AI 可能在後台持續為你服務，有些則只在按需調用時運作。對於極具價值的難題，我們甚至可能投入數千萬、數億甚至數十億美元的計算資源去解決。
我們預見智能會像電力或自來水一樣成為公用事業，人們按需付費。這種需求正在呈指數級增長。如果我們算力不足，要麼無法供貨導致價格飆升，讓智能變成富人的特權；要麼社會就得進行複雜的資源分配決策，比如把有限的算力分給這個項目而不是那個項目。觀察創新史，最好的方案永遠是向市場供應充足的產品。
04 星際之門進展
Sam Altman：老實說，這是我工作中最酷的部分之一，親臨這些正在建設和運營的超級資料中心。那些吉瓦級別的園區規模之大，很難用語言形容。你看照片會覺得它確實很大，但只有當你身臨其境、在不同建築間穿梭、看到一萬名不同工種的技術人員在忙碌、看到內部像太空飛船一樣的結構時，你才會感到震撼。
我們目前正在阿貝林的第一個站點訓練下一代模型，希望能大幅領先於世界水平。經歷過建設期的多次實地考察，當你真正內化了那種規模和複雜性，直到有一天，OpenAI 的研究員輸入指令、按下回車，數以萬計的 GPU 瞬間啟動並開始這項龐大的單一計算任務，那種感覺太棒了。
（關於建設挑戰）各種預料之中的挑戰接踵而至，還有那些未知的變數。比如阿貝林曾發生過一次完全超出預案的極端天氣，導致項目停擺了一陣子。還有供應鏈的挑戰。在如此宏大的規模下，任何環節都可能出錯。雖然進展順利的時候也很多，但要日以繼夜地建造如此複雜的系統，總會有各種意外。最讓人驚喜的是，在極短的時間內，這麼多不同的組織能夠在高壓下緊密合作，最終像一支團隊一樣奮戰。
05 能源危機下的模型效率革命
Sam Altman：從長遠來看，我非常樂觀。我毫不懷疑人類能找到大規模發電的方法，AI 本身也會幫上忙。我們有天然氣、太陽能、核裂變、核聚變等一系列技術組合，我對未來的電力供應能力很有信心。
考慮到需求增長如此迅猛，我其實也期待在模型效率方面出現奇跡，即如何讓模型的每瓦效能大幅提升，為基礎設施建設贏得時間。事實上，我們在这方面的紀錄相當驚人。舉例來說，我們的首個推理模型 o1 誕生於約 16 個月前，而現在我們已將推理能力整合進了最新的模型。為了讓模型解決同一個難題，從那款初始模型到現在的版本，成本竟然降低了 1000 倍。在這麼短的時間內實現千倍的成本下降，簡直不可思議。
這說明了兩點：第一，我們仍處於這個範式的早期階段，在模型開發、訓練和高效運行方面還有巨大的提升空間。我們以前和現在做事的一些方式其實很笨，未來會越來越聰明。第二，人類在約束條件下解決問題的創造力總能帶來驚喜。這不僅是模型本身的進步，更是內核工程師、電力工程師和資料中心設計人員共同努力的結果。
06 在能源受限的未來，針對 Agent 需求自研高能效比晶片
Sam Altman：我們研發的這款晶片僅限於推理。其邏輯在於，為了解決未來的各種難題，我們需要一款針對特定場景的晶片。它未必是速度最快的，但必須是成本最低、每瓦效能最高的，這對於滿足未來海量的 AI Agent 需求至關重要。這是一項帶有明確判斷的賭注。雖然它是一款功能受限的晶片，但在能源受限的世界裡，它的作用會非常關鍵。
（關於推理與訓練的區別）AI 工作負載主要分為兩個階段。首先是訓練階段，龐大的 GPU 對巨量的資料集進行數週或數月的計算。你可以把它比作人類接受教育，你可能需要 22 年的時間，從嬰兒時期開始學習萬物規律，到大學時期深入掌握物理學。訓練完成後，如果你讓模型去解一道物理題，這個過程就叫推理。推理過程非常高效，人類也是如此。當人們感嘆 AI 模型高效時，通常是將人類 22 年的訓練過程與成年人 1 秒鐘解出題目的過程進行比較。如果只比拼解題這個環節，模型現在的能效可能已經超過人類了。但訓練過程確實需要極其龐大的算力，最終它的產出其實就是一個儲存了巨量數字的檔案，你可以透過向它提問來獲得回應。
（關於晶片進展）是的。第一批晶片應該會在幾個月後拿到樣品。如果一切順利，我們預計在今年年底前實現大規模部署。目前的進展看起來非常不錯。
07 熟練技工如何成為美國 AI 基礎設施建設的關鍵
Sam Altman：我們之前討論過，而且全世界過去也多次提到過對 AI 基礎設施的需求。世界需要真實的物理基礎設施，包括發電廠、輸電線路、資料中心機房、冷卻設備，當然還有機架、GPU 以及進入其中的所有組件。我希望每個人在某個時刻都能去參觀一下這些超大規模的資料中心，因為這確實非常複雜。當你向 ChatGPT 提問並得到答案時，很難直觀地感受到實現這個過程所需的龐大規模。
人們常說我們在許多領域都受到限制，有時是渦輪機的數量，有時是電壓互感器，甚至是儲存晶片工廠，甚至是資料中心的建設進度。所有這些事情都有一個共同點，那就是它們都是極其複雜的物理基礎設施，需要大量熟練的技工才能完成。無論供應鏈的瓶須在何時出現，每當我與人探討如何加速進程時，答案都是需要更多熟練的技工來建設我們所有人賴以生存的基礎設施。我認為這些崗位前景極佳。更重要的是，這些工作將為下一代美國基礎設施和經濟繁榮奠定基石，我們非常高興能共同努力推動這個進程。
08 全球AI競爭的核心將回歸工業能力與基礎設施總量
Sam Altman：我先分享一個總體的思考框架，然後再具體回答。我认为深度學習的發現更接近於發現一種元素或物理學的基本屬性，而不是掌握了一種秘密技術。這意味著最終，而且可能很快，構建強大模型的核心思想將被簡化並廣為人知。就像我們理解物理學的基本規律一樣，我們將從科學原理的角度理解人工智慧的核心運作。我們從 OpenAI 大約七年前發布的 Scaling Law 中就深切感受到了這一點。模型投入的資源與最終表現出的智慧之間，存在著一種極其精確且美妙的關聯性，當時，這種科學原理層面的必然性雖然讓人有些毛骨悚然，但確實非常清晫。雖然此後我們發現了許多細節，未來還會有更多發現，但就像其他科學前沿一樣，它會隨著時間推移變得更加簡單明瞭。最終，這套配方將作為一種科學原理被很好地理解，而不會像其他事物那樣成為長久的商業機密。
在技術史上，我最喜歡的類比是晶體管。晶體管也是一項基礎性的科學突破，它的發現極具難度且帶有偶然性。我們花了一點時間去完善它，但一旦原理明確，所有人都能理解。當然，圍繞它的工藝知識依然非常龐大，例如 TSMC 至今仍能做到全球無出其右。因此，我认为这种工业化过程依然会带来巨大的竞争优势。同时，在工作流集成、训练数据和模型的易用性方面，也会产生很大的差异化。或许最关键的差异点在于谁拥有基础设施，以及拥有多少，但基础的科学原理将是透明的，甚至可以印在 T 恤上。
（关于竞争现状）就现状而言，在世界最顶尖的前沿模型上，美国处于领先地位。在更便宜的旧代模型推理使用上，全球其他领先经济体表现强劲。在基础设施方面，美国目前领先，但其他地区的追赶速度非常快。在工业化和产品化进程中，美国在闭源领域领先，而其他竞争力量在开源领域占据优势。总体来看，我认为美国可能在整体上保持领先。
09 印度的 AI 市場
Sam Altman：和印度的新創公司交流後，我感到非常震撼。他們應用這項技術的方式非常出色，我剛到那裡時，一份簡報顯示 Codex 在印度的使用量在短短幾個月內增長了 10 倍。我當時覺得這個數據可能出錯，但這確實是事實。
在與這些新創公司交談時，我發現他們展現出了比美國更強勁的勢頭。有人會說，世界已經變了，大家在談論一人創業公司，而他們正試圖建立「零人創業公司」。他們試圖只透過一段提示詞來驅動整個公司，讓 AI 編寫軟體、處理客戶支援和法律事務，然後自己去度假。
印度的那些大公司展現出的進取心和推進速度非常驚人。他們會問，我們能買多少容量？能預訂多久？能現在就談判嗎？在達成協議之前，他們甚至不想讓你離開房間。那種相信 AI 將重塑印度商業版圖的堅定信念確實令人印象深刻。大的趨勢是一致的，但他們似乎走得更遠，速度也更快。
10 美國 AI 競賽中的三大瓶頸
Sam Altman：我想到了三點。第一是全球供應鏈依賴和美國基礎設施的建設，雖然這已經是老生常談，但我必須強調，這確實讓我感到擔憂。如果我們的基礎設施落後且無法反超，或者全球化以某種方式崩盤導致我們無法獨立建設 AI 基礎設施，那就會是一個巨大的漏洞。對於目前的全球地位，我雖然不反感，但也談不上滿意。
第二是經濟應用的速度。如果我們不能像其他國家那樣迅速地在經濟層面普及 AI，我們將失去作為經濟強國的固有優勢。這關乎企業、科學家乃至政府採納技術的速度。從積極的一面看，這是一個多世紀以來罕見的重振經濟的機會。如果處理得好，這不但不是弱點，反而會成為我們最大的競爭優勢。
（關於現狀的阻力）目前來看，我們是否正處於理想的軌道上還很難說，雖然我不否定現狀，但覺得可以走得更快。現在也確實存在不少阻力，比如 AI 目前在美國的口碑並不理想，資料中心被指責導致電價上漲，幾乎所有裁員的公司都在拿 AI 當擋箭牌，不管實情是否如此。此外，政府與公司之間的權力博弈也在持續。
第三類是技術在全球的擴散。世界未來的 AI 技術棧，包括晶片、模型、應用等，是否會主要基於美國的體系構建，還是會被我們的一些政策推向對立面。
11 AI 成為生產力爆發的基石，你會如何衡量這種生產力？
Sam Altman：沒錯，肯定如此，不過我相信衡量生產力的方式也可能需要隨之改變。我預見到這樣的一個世界，生產力瘋狂爆發，生活品質節節攀升，我們關心的絕大多數事物都變得越來越好，但按照現有的衡量標準，GDP 反而在不斷下降。這就像是一個長期的通縮過程。我不知道在一個永久通縮的世界裡生活是什麼感覺，也不知道在一個智力資本更多集中在資料中心內部而非外部的世界裡，GDP 與生活品質的關聯會變成什麼樣。但或許我們很快就會找到答案。未來幾年，關於什麼是正確的衡量標準，一定會有大量辯論。
我覺得這種思考已經開始了。如果早就有簡單的共識答案，我們現在早就解決了，所以目前沒有人確實知道該怎麼做。我們社會長期以來賴以生存的準則，好像都在同一時間受到了質疑。幾週前我在網上看到一句話，印象極其深刻。大意是，幾百年甚至幾千年來，我們都在學習如何構建社會來管理稀缺，而當我們需要迅速轉向管理豐裕時，過去的經驗幾乎毫無用處。