奥特曼：廉价Token重塑创业，智能将成公用事业

“很多人都在讨论算力短缺，但我认为真正重要的是如何把智能变得廉价且充裕。”

OpenAI CEO奥特曼在斯坦福最新访谈中直言，未来十年最大的变化并非模型能力的跃升，而是创业门槛的急剧崩塌。过去需要上百名顶级工程师才能推动的工作，如今借助AI和足够低廉的Token成本，小团队甚至个人就能独立完成——产品的迭代节奏、创业的野心边界，都已被彻底改写。

对于外界普遍担忧的就业冲击，奥特曼的态度反而有所缓和。他表示，自己短期内对就业的悲观程度已经降低，“我一直乐观地认为我们会找到新的事情做，在短期内，这可能不像我原先想的那样会被颠覆。”

更长远地看，奥特曼将AI视作未来像电力、互联网一样的公共基础设施。在他看来，用户终将不再关心底层用的是哪款芯片或哪个数据中心，只在意能否随时获得足够便宜、足够强大的智能服务。届时，人们购买的将不是算力本身，而是源源不断的“智能供给”。

然而，恰恰是这个愿景，让他对算力短缺尤为焦虑。当前全球计算资源已严重供不应求，且短期内难以缓解。随着模型越来越强、越来越便宜，需求几乎看不到天花板——未来每个人可能同时运行数十甚至上百个AI Agent，而需求的增速很可能持续跑赢硬件的扩张速度。奥特曼坦言，只要AI还在进步，算力短缺在某种意义上就会长期存在。

但硬币的另一面是巨大的机会。更廉价的智能将催生前所未有的应用场景，从个性化助手到科研自动化，从教育平权到产业重塑，许多过去因成本过高而无法尝试的想法，都将变得触手可及。对创业者而言，关键已不再是如何获取算力，而是如何利用充裕的智能去重新定义产品与体验。

奥特曼访谈核心观点如下：

廉价Token正在成为新的生产力要素。AI降低的不只是软件开发成本，而是在重构创业公司的生产函数。随着推理成本持续下降，一个人或小团队能够完成过去数十甚至上百名工程师才能完成的工作，创业门槛和组织规模被重新定义。

智能正在从产品演变为公用事业。正如用户不会关心电力来自哪座发电厂、互联网经过哪些服务器，未来企业和个人也不会关心底层芯片和数据中心，而是按需获取智能服务。AI最终售卖的不是模型，而是无处不在的智能供给。

规模化仍是AI发展的核心驱动力。从模型训练到企业组织，许多关键能力都来自规模扩张后的“涌现效应”。当系统达到足够大的规模时，往往会产生此前无法预测的新能力，而市场往往低估这种规模红利能够持续的时间和深度。

未来AI最大的瓶颈可能不是模型，而是智能供给。随着模型能力持续提升、成本不断下降，智能需求几乎没有上限。个人Agent、企业Agent和自动化系统将消耗海量推理资源，算力短缺可能长期存在。未来产业竞争的重点，将从创造智能逐渐转向如何以更低成本、更大规模地分配智能。

创业逻辑重塑：一个人可以完成“百人团队”的工作

在奥特曼看来，AI带来的最大变化，并非模型能力本身，而是创业门槛的急剧下降。

他表示，如今创业者只需要承担可负担的Token成本，就能够完成过去一支由100名顶尖工程师组成的团队才能完成的工作。而在几年前，这甚至不属于创业公司的可选项。

这种变化意味着，传统互联网时代关于团队规模、融资节奏和组织管理的许多经验正在快速失效。创业公司的竞争优势，不再主要来自工程师数量，而越来越取决于能否最大化调用AI能力。

因此，奥特曼认为，创业者不应执着于那些已经被广泛讨论的热门赛道，而应该寻找自动化编程时代之前根本无法实现的新机会。他相信，今天一定存在某些“完全不起眼、但未来可能成长为数万亿美元市场”的领域，而这些机会往往只掌握在极少数人手中。

从这个意义上说，未来最有价值的公司，未必拥有最多员工，而可能是最善于利用AI的人。

智能将成为下一代公用事业

如果说廉价Token正在改变创业，那么更长期的变化则是智能本身正在变成一种基础设施。

奥特曼将AI的发展与电力普及进行了类比。他提到，早期电力公司并不会向用户推销“电力”本身，因为大多数人并不知道电力是什么，也不知道自己为什么需要它。真正推动电力普及的，是“夜间照明”这样的具体应用场景。

在他看来，AI行业目前仍处于类似阶段。

尽管越来越多人相信智能将像电力和互联网一样成为社会基础设施，但行业尚未找到那个能够让普通用户直观理解其价值的“夜间照明时刻”。人们仍然习惯把AI视为一个工具，而非一种随时可调用的公共资源。

奥特曼设想，未来用户或许会拥有一种类似“OpenAI订阅”的服务。它连接所有设备，在后台持续运行各种Agent，帮助用户处理工作、决策和日常事务。届时，人们关心的将不再是底层使用哪种芯片、部署在哪个数据中心，而是能否以足够低的成本获得足够多的智能。

算力短缺难言终结，推理层成下一赛点

谈到当前市场对GPU的争夺时，奥特曼直言，全球正面临“巨大的计算资源短缺”。尽管大量新硬件正在建设之中，但需求增长的速度可能更快。他甚至表示，人们或许应该对此感到一定程度的担忧。

在奥特曼看来，问题的关键在于智能需求几乎不存在天然上限。

他将其与电力消费进行比较：如果价格下降十倍，人们会消耗更多能源；AI同样如此。如果模型变得更强、成本变得更低，用户只会消耗更多智能资源，而不会减少使用。

未来，当个人Agent成为现实后，每个人都可能同时运行十个、甚至上百个AI助手持续工作。届时新增算力很可能迅速被新增需求吞噬，供给与需求之间的紧张关系将长期存在。

正因如此，奥特曼认为AI产业的重点正在从训练模型转向推理基础设施建设。被问及如果自己是一名学生会研究什么方向时，他给出的答案并非新模型，而是推理层优化——如何让智能变得更便宜、更充裕、更容易获取。

以下是访谈内容：（由AI辅助翻译整理，部分内容有删减）

主持人：

请大家和我一起欢迎奥特曼。

这门课的灵感来源于我在这里做学生时的一系列不同经历。其中之一是特里·温诺格拉德的入门研讨课CS47N——“计算机与开放社会”。但另一个对我以及2014年校园里许多朋友和同龄人来说非常有影响的经历，是奥特曼的那门CS183——“如何创办一家初创公司”。所以真的很高兴你能回来。感觉怎么样？回到这里有什么感受？

奥特曼：

我刚才走进来的时候在想，如果时间再多一点，我真想把这门课更新一遍，因为我觉得现在创办初创公司的一切都已经发生了巨大的变化，而且我还没看到有人做过一个关于“现在应该如何创办初创公司”的好版本。所以我走进这里的时候就有那种感觉——“啊，再做一次应该会很有趣。”

主持人：

时间线上看，你是在2014年教的那门课。我想OpenAI是在2015年成立的，对吗？

奥特曼：

基本上是2016年。

主持人：

好的。所以从我的观察来看，你当时好像是先形成了自己关于“怎么做才正确”的工作理论，然后就去尝试实施了。这个判断大致准确吗？

奥特曼：

OpenAI其实是过去几十年里硅谷最奇怪的初创公司之一，因为它最初是一个研究实验室。它根本不是一家公司。初创公司的正常路径是，你先做一个产品公司，然后发展一段时间，增长放缓之后，你才开始建立研究实验室，把它嫁接上去，试图寻找下一个方向。而我们正好相反——我们先是研究实验室，后来才不得不嫁接了一个初创公司上去。我其实不太推荐这种方式。这是一种非常不寻常的做法。

不过我说的不是这个意思。我的意思是，我们当时仍然遵循的是AI时代的“前规则”，因为我们在试图创造AI，我们当时还没有做到。但现在，看着最优秀的初创公司在做的事情，和几年前相比已经完全不同了。我觉得我大概不会去做这件事，但应该有人重新开这门课。

主持人：

根据你的数据，你会做的最大的更新是什么？

奥特曼：

现在，你只要花一笔可负担的token费用，就能做到以前需要100人规模的超强工程团队才能做到的事情。这在以前是完全不可能的，根本不在初创公司的选项集合里，但现在可以了。所以我认为，你能承担的项目规模、你的行动速度、你能同时做多少事情，都已经完全不同了。

主持人：

那这会改变你在课程结束时布置给学生们去攻克的问题类型吗？

奥特曼：

我不认为“布置问题让人去攻克”这种方式有效。因为如果我能想到一个问题，如果我能想到一个很棒的创业点子，而且对我来说足够明显的话，那对很多人来说可能也很明显。我们创办OpenAI的时候，我们大概是——慷慨地说——全球四个AGI项目之一。你要找到的是那样的东西。我相信现在一定存在一些东西，在自动化编码时代之前是完全不可能的，现在却完全不显然，而且很快就会成为一个数万亿美元的市场，目前可能只有四家公司在做。但我不知道那是什么。你们知道那个东西的可能性比我大多了。我的脑子完全被OpenAI占据了。但你能被布置去做的那些想法，很可能不是你真正想要的。

主持人：

好的。不过我觉得，因为这本质上是一门系统课，可能值得推理一个特定问题，让大家能够把从系统角度拆解问题的方法应用到自己的问题上。

奥特曼：

对。

主持人：

你在2014年的课上就开始提到的一个概念，后来显然也在公开场合多次谈到，那就是“规模”。规模本身就是一个难题，“数量本身就是一种质量”。在过去的10年里，你似乎以各种方式对这个概念进行了实证研究。你能先帮我们拆解一下，10年后的今天你所说的“规模”是什么意思吗？你会如何把它作为一个系统设计属性来解构和应用——无论是作为工具还是其他什么？

奥特曼：

好的。我不知道为什么以下观察是真的——我提不出一个让我满意的理论来解释它，这让我有点紧张，但我还是要说，因为从经验上看它似乎确实是真的——那就是在我职业生涯中观察到的所有最有趣的事情，都或多或少与“涌现特性”或“规模持续提供远超共识预期的回报”有关。

这显然发生在AI模型的规模扩展中，但也发生在把更多聪明人聚集在一起思考同一个问题的场景中——在研究环境中。它也发生在公司以及规模经济中。你能以各种不同的方式获得这些效应。

我真正学到这一点是在Y Combinator。当时所有人都说：“YC变得太大了，应该缩小规模，每批应该只招更少的公司——以前每批十家公司的时候才是最好的YC。”很多非常聪明的人都在这么说，这听起来很有诱惑力，因为那样工作量会少很多。他们的理论是：最好的公司总是显而易见的，然后你资助剩下的那些，帮助不大。但实际上，YC成功的很大一部分魔力来自于每批学员之间的网络效应，而这是在规模上涌现出来的特性，以前从未被发现过。没有人尝试过以同样的方式大规模资助初创公司，因此也从未有人发现这个观察——当你这样做的时候，会发生一些在十分之一甚至百分之一的规模下根本不存在的、非常重要的东西。

还有很多类似的例子。我为了节省时间就不一一列举了。但我想再说一次，我无法解释为什么会这样，但从经验上看，当你找到一个可以推动的方向，把一个已经在较小规模上以某种有趣方式运作的东西推向人们从未尝试过的规模，这通常是个好主意。而且这似乎是大多数人做得不够的一件事。

我也不提供解释，但当我们说“我们要真正规模化AI模型”的时候，领域里所有的天才，大多数人都说：“这不太管用吧，这几乎算不上什么科学成果，它在更大规模上变好也没什么有趣的，你已经证明过了，为什么还要继续扩大？”我提到过YC的例子。我看到很多创业公司的创始人说：“嗯，如果我把这个东西规模化，可能会发生一些有趣的事情，但我因为一些不具体的原因有点担心。”而回顾大量以各种方式扩展公司的数据集，几乎总能发现有趣的东西。所以我认为方向性地看，这是一个值得推进的方向，而且严重被低估了。

主持人：

从系统设计的角度看，我认为人们不太愿意这样做的原因之一是——东西会以加速的、不可预测的方式出问题。如果你真的要规模化某个东西，它总会有那么一点“破破烂烂”的。总有很多非常聪明的人告诉你为什么不应该这样做——“别太野心勃勃，别搞太大，让我们试试更小的规模。”

那么，从系统问题的角度来拆解这个问题——当我们扩大AI模型的时候，有技术上的问题：我们到底能不能做到？这看起来很疯狂，没人想过尝试在10,000或100,000个GPU上跑一次训练，那需要堆叠工程人才。还有资本需求：要做什么才能做到？怎么才能形成一门生意？你怎么能考虑承担这种风险？还有文化方面的东西：研究人员会说，如果我们有这么多算力，为什么不把它分配到所有项目上？这种模式在我研究过的几乎所有领域中都会出现。

把问题分解成每个难点或每个“不做的理由”，然后逐一解决，这是非常重要的。

主持人：

我要在这个问题上再推进一步——很少有人能像OpenAI团队那样多年持续地规模化新产品和系统。但似乎问题之一是，存在所有这些先验条件——人类的心理模型和期望。你说东西会出问题，而最难重构的似乎往往是系统的“人的一面”——无论是有人的实施者，还是有人的参与者。关于在规模上组织人类，让他们参与到一个可能和过去的系统完全不同的新系统中，你学到了什么？

奥特曼：

我觉得，清晰的目标、清晰的实现路径，以及关于如何到达那里和如何在整个过程中做决策的清晰答案，这非常重要。回到我们决定扩大模型的例子，当时很多人说：“啊，这不一定行得通，会有这些问题，而且我们需要一个更多元化的组合。”但一旦我们说：“不，我们要押注规模化的深度学习，这就是我们要做的事。如果我们错了，我们就失败，但我们要这么做。以下是为什么我们要这么做，以下是我们对如果成功了世界会变成什么样的信念。”这非常有力量。

不管出于什么原因，我们并没有进化出擅长思考指数增长的能力。人们很难想象规模定律会继续以指数方式延伸，收入会指数增长，组织可以承载指数增长的复杂性。根据我的经验，要真正从第一性原理和人们一起推理“为什么这能发生”，需要花很多时间。

主持人：

我们可以拿两个例子来拆解一下吗？第一个是ChatGPT，第二个是Codex。这两者都带来了变革性的影响。我先做一个框架性的描述，你可以挑战我的假设，然后我们一起推理实际发生了什么。在ChatGPT的例子中，在模型规模化过程中，一个很大的思维障碍似乎是：“这些东西到底有什么用？这只是一个研究方案在找问题，研究优先，不是产品。”然后ChatGPT出现了，向世界证明了聊天体验是通用模型在面向消费者端的杀手级应用。几年后，显然编码成为了企业端的杀手级应用。那么，你如何比较和对比你们用来发现这些用例、发布它们、规模化它们、变现它们的系统？从这两个系统中有什么突出的经验？

奥特曼：

好的。我们当时做了GPT-3，我们需要赚钱，因为我们要扩大到数十亿甚至数百亿美元的算力集群。我们有GPT-3，它挺有意思的，是个很酷的演示，但我们想不出围绕它能做什么产品。我们试了几样东西，都没成。我们知道模型会越来越好，但我们想早点启动收入引擎。所以我们说：“既然我们想不出做什么产品，那就把它做成API，希望别人能想出来。”于是我们在2020年夏天发布了GPT-3 API。一开始完全没动静。大约一个月后，莫名其妙地，在同一天，几个不同的开发者让模型做了些很酷的事情，发到了推特上，其他人也开始尝试，然后很多人开始用这个API。

但如果回头去用GPT-3或3.5，你会震惊于当时的模型有多差，相对于它们当时引起的兴奋程度。人们尝试了各种东西，唯一能用GPT-3做出实质性业务的，是文案写作。那也不是很好，也不是很令人兴奋。我们觉得，只能等更好的模型了。不过，虽然那是唯一能跑通的业务，但开发者们已经发现了怎么输入提示词然后跟它聊天。我们看到很多人——他们没法用API做业务——但他们在用自己的API密钥来聊天。我们说：“我们可以做一个好的聊天机器人，人们显然想要这个。”我们有一个新模型——实际上我们已经有GPT-4了，但我们在中间有一个准备好的新模型叫3.5。我们发现了一种新的后训练方法，能让模型很好地遵循指令，让聊天变得更轻松。

然后我们说：“API运营得不太好，可能也就是一两千万美元年营收规模的业务，但有一个人们真正喜欢的东西。”按照YC的原则——“看到用户喜欢什么，就做那个”——我们说，那我们就围绕它做个聊天机器人。发布的时候我们仍然不觉得它会做得那么好。它本意是一个研究演示，用来说服其他人应该构建聊天类产品，然后为我们的API付费。但它真的病毒式爆红了。

我在YC学到的另一件事是：当一个东西真正开始增长，而且它还不太好用的时候，你手上就有一个稳赢的产品。我们有大约五天时间，流量激增，然后回落，每个人都觉得“好吧，这只是一轮炒作周期”。但第二天它又达到一个更高的峰值，当天晚些时候又回落，人们又说这是炒作周期。到第四五天的时候，我意识到：“我知道这是怎么回事了。我知道接下来会发生什么。我们手上有潜力做一个杀手级产品。”我们知道可以把它做得更好——我们有GPT-4，我们可以继续扩展。到第五天，我们把所有人召集起来说：“这是紧急情况——是好的那种紧急，但我们必须同时建立公司和产品。”然后我们经历了大约两个月的疯狂扩展。然后我们说：“商业模式以后再说，现在先收费，免得算力账单爆掉。”显然这不是长期解决方案，但结果也奏效了。这就是ChatGPT的故事。人们之前只是没有跨过那个激活能去发现其中的巨大效用。

然后是Codex。实际上在ChatGPT之前，我们的计划是全力投入代码。我们知道这些模型能写代码，知道这会很有价值。但我们当时内部的想法是：编码是这些模型控制计算机世界的方式，机器人是它们控制物理世界的方式。如果你做了一个足够聪明的模型，既能写代码又能驱动机器人，你就能让这个智能在世界上为你做事。然后我们花了些时间才走到那一步。Codex在今年年初变得非常好，但到了5.5的时候，我们看到了真正的拐点——人们开始用它做出令人难以置信的事情。

主持人：

在课堂上我们早前讨论过，能力管道的形态在不同研究组之间开始变得更清晰、更标准化——有预训练、中训练、后训练，还有强化学习和监督反馈循环。你觉得这大致就是让Codex完成能力跃迁的管道形态吗？它会保持稳定一致，还是我们即将经历一次重大的管道重写？

奥特曼：

我认为这绝对是当前的管道。我预计我们会经历一次重大的重写。我不知道什么时候会发生，也不知道具体会怎么发生。但对我来说有点奇怪的是，它如此恰好地形成了一条管道，感觉并不像最优解。

主持人：

在你心中，什么才是最优解？

奥特曼：

我觉得这应该是一个让AI去研究的问题。我们现在已经到了这样一个节点——我们设定的目标是，到今年9月，我们将使用相当于50万个A100的GPU算力作为AI研究实习生；到2028年3月，我们将拥有一个从头到尾的、非常有才华的研究者水平的AI，能够发现全新的架构。所以我认为，用当前的管道和架构，我们能够跨过“AI能做令人难以置信的工作”这个门槛。

主持人：

你刚才描述的一个事情是——我们在课堂上一直在讨论系统框架和类比，把某个领域的概念翻译给其他没有上下文的人。但有时候因为翻译问题，类比推理会有用，有时候误差会累积。你刚才说“我们的目标是把它当作AI实习生来用”，这在硅谷和懂管道运作的课堂里显然是个有用的比喻。但当你把它扩展到全球范围，没有这些上下文的人可能会用不应该的方式去类比这些模型。我们应该如何思考这些类比的局限性？在硅谷内部你觉得最有用的产品和研究类比是什么？在规模化这些类比时你发现了什么局限性？你如何在两个问题之间导航？

奥特曼：