Sam Altman：构建 OpenAI 与押注不可能

来源：YouTube 原视频（David Senra）

David Senra 与 Sam Altman 从 AI 的采用速度谈起，逐步进入 OpenAI 的研究与算力战略、AI 安全与权力分配、平台边界、YC 的影响，以及 OpenAI 创业早期“没有客户、没有产品、也没有现成打法”的经历。

口径说明 本文依据 YouTube 英语自动字幕整理。对 AI 能力、风险、产品战略、历史事件和未来趋势的判断均归于受访者或主持人；笔记未对这些说法作独立事实核验，也未补写字幕中缺失的专有名词。

TL;DR

• Altman 认为，AI 能力提升得很快，但经济与人的行为具有巨大惯性；这种惯性会让转型更慢，也可能让社会适应过程更平滑。今天缺少的未必是底层技术，而是类似 iPhone 的产品时刻。
• 他把 OpenAI 当前最重要的上游工作概括为 models + compute：持续提高模型智能，并以足够高效、充足的算力运行它们。算力扩张同时牵涉芯片、晶圆厂、机架、电力、融资、政策、供应链与物流。
• 他把研究管理与创业投资类比：两者都有幂律分布，需要寻找非共识、高风险但成功回报极大的方向，以及愿意坚持非标准判断的人。
• 对 AI 风险，他最担心两种相互牵制的结果：模型失控，或权力集中到少数公司、模型和个人手中。他反复强调，技术应增强人的自主性与行动能力。
• OpenAI 的产品边界被描述为“一种面向用户的直接界面 + 一个供开发者构建的 API”。有限算力与人才要求公司放弃一些不错的产品，把资源留给更重要的通用智能能力。
• YC 给 OpenAI 的核心影响不是一份固定清单，而是迭代发布、让技术人员掌舵、押注年轻且高能量的人，以及从真实反馈中学习。不过 OpenAI 曾四年半没有产品，只能自己发明研究进展的替代信号。

00–05｜Tobi Lütke、AI-native 公司与采用惯性

• Altman 称 Shopify CEO Tobi Lütke 是少数既管理大型公司、又亲自写软件、试模型，并能提供非常前沿且细致产品反馈的 CEO。
• Senra 转述 Lütke 的判断：2026 年许多业务会重新变得“可争夺”，创业者可以从零重做 AI-native 版本。Altman 认同软件行业会出现大量重构机会，但对如此快的时间表更谨慎。
• 他回顾自己在 GPT-4 发布后也曾高估软件行业被快速颠覆的速度。人们会继续购买熟悉的产品、沿用旧工作流；技术已经可用，不代表行为会立刻改变。
• 他用 Netflix 已经可以邮寄 DVD、但消费者仍继续去 Blockbuster 的经历说明：习惯本身就是迁移阻力。Altman 认为，这种阻力也可能是好事，因为它给社会更多适应时间。

05–10｜连 OpenAI CEO 也没有完全改变工作方式

• Altman 坦言，自己已经拥有 Codex，却仍会像过去二十年一样点选应用、复制粘贴、刷邮件和维护待办清单。他把这种“明知有更好方式却没有彻底迁移”的状态视为人的惯性。
• 他认为，目前人类仍横跨两个世界：传统计算机工作流与能替人操作计算机的 agent 工作流。什么时候该用哪一种，还没有形成无缝产品体验。
• 他把现阶段类比为 iPhone 之前的智能手机：技术组件大体已经出现，但缺少一个重新定义人机交互方式的产品组合。

10–18｜模型、算力、幂律与非共识人才

• Altman 说自己当前的大部分精力放在研究与算力，而不是具体产品。他认为，最关键的是创造更聪明的模型，并让大量用户能高效、充足地运行它们；其他产品结果会从这里向下游展开。
• 算力扩张并非单一采购问题。他列举了芯片设计、晶圆制造、机架、电力系统、融资、政策、供应链和物流等相互耦合的难题，并称其正迅速成为历史上最昂贵的基础设施项目之一。
• 他把管理 AI 研究项目类比为创业投资：寻找非共识方向、理解指数增长、识别极端人才，并接受幂律——最好的少数押注可能超过其余所有项目的总和。
• 回忆 2015 年创办 OpenAI 时，他说追求 AGI 本身就不被主流认可；后来聚焦大语言模型时又遭到质疑。其方法不是回避高风险，而是寻找“如果成功就极具价值”的下注。
• 他区分真正的非标准思考与对流行观点的表面包装：真正有价值的人可能判断错误，但会基于自己的理解坚持一个与人群不同、且一旦正确便非常重要的方向。

18–23｜从 AI 迷恋者到创业者、投资人，再回到创始人

• Altman 说自己从小喜欢计算机、科幻和机器人，大学也曾进入 AI 实验室。大约 2005 年，一位教授甚至告诉他，深度学习是已知行不通、最可能毁掉职业生涯的方向。
• AI 当时没有明显进展，他意外进入创业领域，随后又做投资。他认为，这段经历不是绕路：运营者通常只经历自己公司的少数关键决策，而投资者可以连续观察许多公司在战略转向、管理层更换等“crux moments”上的成败。
• 他承认投资无法替代日常运营训练，但大量关键样本给了他一种可调用的模式库，后来对经营 OpenAI 很有帮助。
• 对“不可能”的兴趣贯穿其叙述：他并非因为别人反对就反对，而是本能地追问“为什么不试试”。他将 AI 看作一种能普遍提高人类能力、帮助人完成其他事情的技术。

23–30｜科学发现与后 AI 世界的人类连接

• Altman 尤其看重 AI 对科学发现的贡献，包括数学、新物理与疾病研究；在他的排序中，这可能比自动化既有任务更重要。
• Senra 提到 Claude Shannon 与 Alan Turing 很早就讨论机器解决数学、写诗和治病。两人由此谈到：人常把自己所处时代的能力水平错当成技术永远无法越过的上限。
• 但“AI 能否做出更好的内容”与“人是否愿意消费它”是两个问题。Altman 认为，围绕真实人物、关系和人与人连接的活动，在 AI 更强之后可能反而更有价值。
• 他预计大多数人仍会在意真实的人、真实世界和线下互动；世界即使拥有超级智能，也不会因此抹去人的社会性。

30–33｜两类核心风险：失控与权力集中

• Altman 把自己最担心的风险分为两类：一是 AI 强大到人类无法保证所需的控制；二是一个公司、模型或个人掌握过多权力。
• 在他看来，两种风险背后的共同准则是：未来应由人深度参与并掌控，技术应让更多人获得能力，而不是以安全或效率为名，把决定权永久交给模型或少数机构。
• 他反对一种交易式叙事：以医疗、廉价商品和娱乐等好处换取普通人的自主性、影响力与未来选择权。他认为，对风险的恐惧也可能成为权力集中的正当化工具。

33–40｜迭代部署：从真实世界学习安全

• Altman 部分认同 AI “doomers”的提醒：这是一项强大技术，每提升一个能力层级都应谨慎。但他不同意安全问题必然无解。
• 他认为，把产品投入真实世界、观察故障、收集用户反馈并持续修正，不仅是做好产品的方法，也是做好安全的方法。ChatGPT 在不到四年的时间里被大量用户用于敏感、重要的事情，这提供了实验室无法模拟的反馈。
• 他承认后续绝对风险会更难：模型能力继续陡峭上升，未知问题增多，团队需要判断何时继续接触现实、何时推迟发布并投入更多研究。
• 他以航空事故报告制度作类比：不粉饰事故，认真记录、复盘、公开教训，并把经验分享给行业。其核心主张是，模型与社会会共同演化，不能只在实验室里预想所有影响。

40–46｜为什么人们既使用 AI，又害怕 AI

• Altman 将一部分恐惧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所有人都对技术变迁感到乐观。
• 他也批评 AI 行业自己的叙事：一边高调讨论灭绝概率和失业冲击，一边继续竞赛，却很少具体解释收益如何分配、负面影响如何缓解，以及为什么个人自由和行动能力必须增加。
• 他认为，创业与技术进步的经济奇迹来自普通人能够尝试新想法、创办企业并影响未来。如果 AI 把这些能力收回少数人手中，公众当然会感到不安。
• 相反，他预计 AI 会触发一次小企业创业潮：许多过去需要资源、特权或运气才能启动的业务，将被更低成本的智能工具解锁。

46–49｜下一种工作方式：超越个人阅读上限的上下文

• Altman 认为，最新模型已经足够聪明，当前更明显的限制是它掌握的个人与组织上下文不足。
• 他希望 agent 能阅读自己无法读完的内部 Slack、客户故事和研究论文，在关键决策时主动调取这些背景并提出建议。
• 这种能力不是简单替代人的聪明程度，而是利用机器能在很短时间内处理数万页资料的优势。Senra 也介绍了自己的做法：把多年书摘、笔记和播客逐字稿组成内部知识库，制作新节目时跨历史人物检索相似案例。

49–53｜平台战略：一个直接界面与一个 API

• Altman 表示，他希望 OpenAI 更像平台公司，而不是进入每一个产品品类。平台一端是个人或企业使用的统一 AI 界面，另一端是让开发者构建任何应用的 API。
• 这个平台需要覆盖不同成本—性能位置：从用于科学发现的高端智能，到适合海量低成本任务的模型；长期还可能发展成持续运行、主动提供帮助的 agent。
• 资源边界要求团队“牺牲好想法去追求伟大想法”。Altman 提到，公司曾停掉一个字幕未识别名称、但消耗大量算力的产品，也停掉名为 Atlas 的浏览器，把算力与人才转向 Codex、通用知识工作和科学能力。
• 其上游投入包括芯片、数据中心、基础设施软件和模型训练；下游则尽量保持通用，让用户和开发者决定如何使用。

53–60｜Peter Thiel、Paul Graham 与非线性思考

• Altman 说，长期共事的 OpenAI 研究人员拥有一套外部人难以复制的共享语言与直觉；在公司和世界层面的非显然问题上，他经常向 Paul Graham 与 Peter Thiel 请教。
• 他看重两人的“不可预测性”：当自己已经列出全部选项时，他们可能指出一个此前没有进入选项集、但一经说出便显得明显的方向。
• ChatGPT 刚发布约两个月时，内部有人担心增长不稳定、用户只是出于好奇。Altman 转述 Thiel 的意见：不要被当时硅谷关于信息流、网络效应和锁定机制的范式限制；ChatGPT 的力量更像 Google 的空白文本框——用户可以输入任何东西，而系统给出合适回应。OpenAI 随后把资源集中到 ChatGPT。
• Graham 留给他的另一条强烈习惯，是尽早发布一个还会让团队感到尴尬的 V1，以真实用户反馈驱动迭代。Altman 说，发布 ChatGPT 前即使没有专门打电话询问，他也知道 Graham 会如何回答。

60–64｜YC 如何改变公司建设的“操作系统”

• Altman 认为，YC 对过去二十年科技创业的影响远超其自身财务规模，OpenAI 的研究实验室管理和产品发布方式都带有这种影响。
• 他把影响概括为两层：一层是具体做法；另一层是公司哲学——迭代部署、技术人员主导，以及愿意押注经验较少但能量与野心很强的年轻人。
• 更广泛地说，YC 改变了创始人与资本之间的权力、年轻技术创始人融资的可能性，以及缺少传统履历的人挑战大问题的资格。Altman 判断，如果创业生态仍停留在 2004 年的结构，OpenAI 很可能无法以同样方式出现。

64–69｜为什么成功经验可能比失败教训更有用

• Altman 说，失败当然值得学习，但失败原因很多，因果关系往往难以识别；从失败中得到的有时只是“坚持”“不要做某件事”一类通用结论。
• 相比之下，他在理解 YC 或 OpenAI 哪些部分真正奏效后，把这些成功机制迁移到新问题，往往得到更可靠的帮助。
• Senra 把反复阅读创始人史比作创业者的“每周礼拜”：核心原则并不新鲜，但人需要不断被提醒——更早发布、更多与用户交流、提高招聘标准、亲自制造产品或销售产品。
• 两人的共识是，伟大公司的原则经常跨行业重复出现；困难不在于首次听见，而在于持续执行那些朴素、缺少光环的做法。

69–75｜没有客户反馈的四年半：OpenAI 如何寻找研究梯度

• Altman 指出，OpenAI 与典型 YC 创业最大的不同是：从公司成立到第一个产品发布，间隔约四年半。团队无法用客户是否喜欢产品来判断研究是否有效。
• 为替代外部市场信号，团队尝试了多种机制。例如在 Dota 2 强化学习项目中使用排行榜，让不同想法的进展变得客观、可比较；也会向研究者希望打动的外部权威展示成果。
• 团队曾向 Alan Kay 等经历过重要研究实验室的人请教，也研究 Bell Labs 与 Xerox PARC。但历史经验并不能完全移植，而且 OpenAI 没有垄断利润机器为长期研究持续输血；Altman 对早期最强烈的记忆之一就是反复、艰难地融资。
• 他回忆 2016 年初的第一个工作日：约十一或十二人来到 Greg Brockman 的公寓，兴奋感很快变成“现在该做什么”的茫然，甚至找来白板后也没有答案。
• 此后团队经历了他所称的“mostly chaotic stumbling”，逐步形成提出与评估研究的节奏，并找到可沿着前进的梯度。他把无监督情感神经元研究到 GPT-1、以及 scaling laws 带来的扩展信心，列为后来逐渐汇合的关键线索。

75–78｜给儿子的信与保留真实历史

• 第一个孩子出生后，Altman 会在哄睡时讲述当天的工作、担忧和困难，后来一度把这些内容整理成每周写给孩子的信。
• Senra 劝他继续记录，因为创业者往往到六七十岁才写回忆录，许多当时的情绪、选择与事实已经流失。他以早期 Apple 史为例，强调在事件尚未被事后叙事重构时留下材料的价值。
• Altman 说，“写给孩子”是一种很难自我粉饰的视角：他不需要维护形象，可以直接承认某件事感觉不好，以及下周应该怎样做得不同。

可复用的思考框架

1. 能力曲线不等于采用曲线：技术可以指数进步，社会、组织与个人习惯却按更慢的速度变化。
2. 找到延续指数增长的高杠杆难题：OpenAI 当前的答案是模型与算力，而不是无限扩张产品边界。
3. 保留非共识下注的空间：幂律意味着少数正确的大赌注，比大量跟随共识的中等项目更重要。
4. 让安全与产品共同接触现实：用部署、事故记录、复盘和公开学习替代纯粹的闭门推演，同时承认更强模型会提高绝对风险。
5. 用人的自主性检验 AI 战略：技术是在扩散行动能力，还是把未来的决定权集中到更少主体手中？
6. 当外部信号不存在时，主动设计替代梯度：排行榜、客观评估和高质量外部反馈，可以暂时代替尚不存在的客户市场。

来源与转写

• 视频：https://www.youtube.com/watch?v=kG8AoExkX40
• 字幕：YouTube 英语自动字幕（en，由 Kimi WebBridge 确认轨道后下载同一平台字幕）
• 工作底稿：/workspace/yt-kG8AoExkX40/transcript.txt