实现AGI须迈过两大门槛 | Sam Altman最新对话实录|agi|altman|sam|原理|大模型|算法

3月12日，OpenAI 首席执行官 Sam Altman 在美国华盛顿举行的贝莱德美国基础设施峰会上进行了一场圆桌对话。本次对话详细探讨了 AI 产生重大经济效用的拐点、实现AGI 的量化门槛与 2028 年奇点预测、算力作为公用事业的演进路径、超大规模基础设施星际之门的建设细节、自研推理芯片的战略布局、全球 AI 竞赛的现状等话题。

Sam Altman 指出，模型已经跨越了产生重大经济效用的门槛，正从技术积压阶段转向实际工作能力的爆发。他为 AGI 提出了两个明确的量化门槛：一是到 2028 年底，数据中心内部拥有的认知能力可能超过外部人类的总和；二是当大型组织（如大国或跨国公司）的决策者如果不重度依赖 AI 就无法开展工作。他认为，未来的管理范式将发生彻底转变，人类的角色将从直接处理事务转向监督一个全天候运作、掌握全局上下文信息的 AI Agent 团队。

Sam Altman认为，未来的核心竞争力将不再是算法秘密，而在于大规模工业化集成能力、训练数据的深度利用以及基础设施的总量。他强调，智能必须像电力一样“便宜到无需计量”，OpenAI 正通过星际之门项目构建吉瓦级别的超级数据中心，并研发针对 Agent需求的低成本专用推理芯片，试图通过算法与工程的双重优化实现 1000 倍的成本降幅。此外他预测，未来可能出现生产力狂飙、生活质量节节攀升，但 GDP 反而不断下降的长期通缩现象。

针对全球AI竞争格局，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。他警示，如果美国不能迅速在经济层面普及 AI，将失去优势。

在当下的 AI 世界，我们究竟处于什么位置？

在当前的 AI 演进中我们处于什么位置？企业是否已经真正理解并重新构想了 AI 赋能业务的模式？

Sam Altman：在过去几个月里的某个时刻，我们确实跨越了一个门槛，进入了模型产生重大经济效用的阶段。或许这一转变发生得更早一些，但在我们真正摸索出如何使用这些模型之前，行业内存在着巨大的技术积压。我们不仅需要持续提升模型的智能水平，还得打通底层对接的基础架构，让它们变得简单易用。

现在，这些模型表现出的工作能力已经让世人惊叹。这种变化在编程领域最为显著，但在科学研究以及许多知识工作领域也正以惊人的速度发生。人们常感叹，天哪，我以为这些还得等上好几年的事，现在竟然已经实现了。我个人的工作也发生了转变，从直接处理技术或法律事务，转为管理一个执行这些工作的 AI Agent 团队。

这仅仅是个开始，我们正处于增长曲线最陡峭的阶段。目前，你或许可以信任一个 AI 软件工程师去完成一个几小时的任务，但很快这个期限会变成几天，甚至几周。在那之后不久，范式将再次转变。AI 会深度介入你的生活和公司，它们会主动思考，全天候运作，掌握所需的全部上下文信息，就像你信任一名资深员工那样去处理事务。

（关于企业赋能）有些公司理解，有些还不理解。可以肯定的是，新一代初创公司的思维方式与以往完全不同。过去，初创公司找我们谈的是需要雇佣多少员工，现在，他们通常不想招太多人，认为那会拖慢速度。他们现在的核心焦点是能获得多少算力，比如询问是否能预留多少容量，能否签下云服务协议，或者能否拿到多少 Token。这种心态的转变在大公司中进展较慢，但部分企业已经开始行动。一个明显的信号是，一些工程和产品部门正在讨论将今年的交付量增加两到三倍，这在以前是不可想象的。

重新定义 AGI 与 2028 奇点

关于 AGI 何时到来，以及作为 CEO 在日常工作中对 AI和 Agent 的依赖程度如何？

Sam Altman：在这一点上，AGI 的定义非常关键。有人认为我们已经实现了，有人觉得近在咫尺，也有人认为还要一年。总之，AGI 这个词已经快失去其特定的实际意义了。有两个门槛很有意思。第一，数据中心内部拥有的认知能力何时会超过外部人类的总和？虽然误差范围很大，我也可能说错，但这或许在 2028 年底就会发生。那将是世界范围的一次非凡转变。

第二个门槛是，一家大公司的首席执行官、一个大国的元首或是一位诺贝尔奖得主，何时会变得如果不大量使用 AI 就无法开展工作？这并不意味着会出现 AI 担任首席执行官或总统的情况，人类的角色仍然不可替代，依然需要人来为决策负责，行使人类判断力，并提供运营重要组织所需的各种理解。但在我的角色中，有相当一部分实际工作将不得不依赖 AI，因为没有哪个管理者能亲自与每一位员工和客户交谈，参加每一场会议，并成为所有领域的专家。因此，未来的管理工作将更多地表现为监督一群 AI，提供方向引导，决定如何信任输出结果。当你意识到如果不重度依赖 AI 根本无法运行一家大型组织时，这就是另一个有趣的门槛。这一天的到来可能需要一点时间，但绝不会太久。

（关于个人工作依赖度）这种依赖度提升得极快。如果我对商业模式、战略转型或产品方案有了新想法，在找人商量之前，我做的第一件事就是询问我们的工具。随着它们获得更多上下文，这将成为下一个重大突破。当 AI 能够接近公司全貌的上下文，包括内部文档、沟通记录、代码、客户数据等所有信息时，它们的回答质量和思考深度会变得越来越出色。

智能将像电力一样便宜到无需计量

OpenAI 完成了史无前例的 1100 亿美元融资并引入多位战略伙伴，这些巨额资金将如何使用？你们如何看待算力与收入的关系？

Sam Altman：这行有很多难点，但最难的一点在于基础设施实在太贵了。你不仅需要巨额投入，还得提前很久做预判和承诺。我从未见过类似的行业。历史上确实有很多资本密集型行业，但审视未来几年的发展，如果增长曲线保持现状，需求持续激增，我们就必须采取一些非常规的手段。

OpenAI 做的很多事在外界看来很奇怪。我们在产生收入之前就投入海量资金建设基础设施，我们尝试广告等新商业模式，虽然这看起来未必是最赚钱的选择。我们之所以这么做，是因为坚信智能将进入丰盈时代。未来最重要的事情之一，就是让智能变得像能源行业那个著名的旧口号一样，便宜到无需计量。我们想让智能充斥世界，让人们在任何场景都能使用。我们希望这只是未来一代不会去思考的东西，他们会觉得智能无处不在是理所当然的，每个人在任何领域都能接触到足够多的天才助手。这一核心原则引导了我们许多看似不合常规的行为。其中最关键的一点，就是我们必须摆脱产能受限的局面。如果不改变做法，我们就会一直受困于此。

（关于算力即收入）从根本上说，我们的业务以及所有模型供应商的业务，本质上都是在售卖 Token。这些 Token 可能来自不同规模的模型，价格各异，它们可能涉及不同程度的推理过程，成本也不同。有些 AI 可能在后台持续为你服务，有些则只在按需调用时运行。对于极具价值的难题，我们甚至可能投入数千万、数亿甚至数十亿美元的计算资源去解决。

我们预见智能会成为像电力或自来水一样的公用事业，人们按需付费。这种需求正在呈指数级增长。如果我们算力不足，要么无法供货导致价格飙升，让智能变成富人的特权，要么社会就得进行复杂的资源分配决定，比如把有限的算力分给这个项目而不是那个项目。纵观创新历史，最好的方案永远是向市场供应充足的产品。

星际之门进展

Stargate 星际之门项目作为宏大的基础设施计划，目前在美国及全球的进展如何？在建设和扩展过程中最大的惊喜和挑战是什么？

Sam Altman：老实说，这是我工作中最酷的部分之一，亲临这些正在建设和运营的超级数据中心。那些吉瓦级别的园区规模之大，很难用语言形容。你看照片会觉得它确实很大，但只有当你身临其境，在不同建筑间穿梭，看到一万名不同工种的技术人员在忙碌，看到内部像太空飞船一样的构造时，你才会感到震撼。

我们目前正在阿比林的第一个站点训练下一代模型，希望能大幅领先于世界水平。经历过建设期的多次实地考察，当你真正内化了那种规模 and 复杂性，直到有一天，OpenAI 的研究员输入指令、按下回车，数以万计的 GPU 瞬间启动并开始这项庞大的单一计算任务，那感觉太棒了。

（关于建设挑战）各种预料之中的挑战接踵而至，还有那些未知的变数。比如阿比林曾发生过一次完全超出预案的极端天气，导致项目停摆了一阵子。还有供应链的挑战。在如此宏大的规模下，任何环节都可能出错。虽然进展顺利的时候也很多，但要日以继夜地建造如此复杂的系统，总会有各种意外。最令人惊喜的是，在极短的时间内，这么多不同的组织能够在高压下紧密协作，最终像一支团队一样战斗。

能源危机下的模型效率革命

面对全球关注的电力缺口，你是否乐观地认为人类能解决这一问题，以及在模型效率方面是否会有技术突破来缓解能源压力？

Sam Altman：从长远来看，我非常乐观。我毫不怀疑人类能找到大规模发电的方法，AI 本身也会帮上忙。我们有天然气、太阳能、核裂变、核聚变等一系列技术组合，我对未来的电力供应能力很有信心。

考虑到需求增长如此迅猛，我其实也期待在模型效率方面出现奇迹，即如何让模型的每瓦效能大幅提升，为基础设施建设赢得时间。事实上，我们在这方面的纪录相当惊人。举个例子，我们的首个推理模型 o1 诞生于大约 16 个月前，而现在我们已将推理能力整合进了最新的模型。为了让模型解决同一个难题，从那款初始模型到现在的版本，成本足足降低了 1000 倍。在这么短的时间内实现千倍的成本下降，简直不可思议。

这说明了两点：第一，我们仍处于这一范式的早期阶段，在模型开发、训练和高效运行方面还有巨大的提升空间。我们以前和现在做事的某些方式其实挺笨的，未来会越来越聪明。第二，人类在约束条件下解决问题的创造力总能带来惊喜。这不仅是模型本身的进步，更是内核工程师、电力工程师和数据中心设计人员共同努力的结果。

在能源受限的未来，针对 Agent需求自研高能效比芯片

OpenAI 此前一直是芯片巨头的大客户并与云服务商签约，现在却选择开发自己的芯片，这是出于什么考虑？能否解释推理芯片与训练芯片的区别，以及目前的研发进展情况？

Sam Altman：我们研发的这款芯片是仅限推理的。其逻辑在于，为了解决未来的各种难题，我们需要一款针对特定场景的芯片。它未必是速度最快的，但必须是成本最低、每瓦效能最高的，这对于满足未来海量的 AI Agent 需求至关重要。这是一场带有明确判断的赌注。虽然它是一款功能受限的芯片，但在能源受限的世界里，它的作用会非常关键。

（关于推理与训练的区别）AI 工作负载主要分为两个阶段。首先是训练阶段，海量的 GPU 对庞大的数据集进行数周或数月的计算。你可以把它类比为人类接受教育，你可能需要 22 年的时间，从婴儿时期开始学习万物规律，到大学时期深入掌握物理学。训练完成后，如果你让模型去解一道物理题，这个过程就叫推理。推理过程非常高效，人类也是如此。当人们感叹 AI 模型高效时，通常是将人类 22 年的训练过程与成年人 1 秒钟解出题目的过程进行对比。如果只比拼解题这个环节，模型现在的能效可能已经超过人类了。但训练过程确实需要极其庞大的算力，最终它的产出物实际上就是一个存储了海量数字的文件，你可以通过向它提问来获取响应。

（关于芯片进展）是的。第一批芯片应该会在几个月后拿回样品。如果一切顺利，我们预计在今年年底前实现大规模部署。目前的进展看起来非常不错。

熟练技工如何成为美国 AI 基础设施建设的关键

你今天刚宣布了与北美建筑贸易工会的一项新合作伙伴关系，旨在扩大建筑领域的技能培训路径。这一协议的具体内容和行动计划是什么？

Sam Altman：我们之前讨论过，而且全世界过去也多次提到过对 AI 基础设施的需求。世界需要实实在在的物理基础设施，包括发电厂、输电线路、数据中心机房、冷却设备，当然还有机架、GPU 以及进入其中的所有组件。我希望每个人在某个时刻都能去参观一下这些超大规模的数据中心，因为这确实非常复杂。当你向 ChatGPT 提问并得到答案时，很难直观地感受到实现这一过程所需要的庞大规模。

人们常说我们在许多领域都受到限制，有时是涡轮机的数量，有时是电压互感器，或者是存储芯片工厂，甚至是数据中心的建设进度。所有这些事情都有一个共同点，那就是它们都是极其复杂的物理基础设施，需要大量熟练的技工才能完成。无论供应链的瓶颈在何时出现，每当我与人探讨如何加速进程时，答案都是需要更多熟练的技工来建设我们所有人赖以生存的基础设施。我认为这些岗位前景极佳。更重要的是，这些工作将为下一代美国基础设施和经济繁荣奠定基石，我们非常高兴能共同努力推动这一进程。

全球AI竞争的核心将回归工业能力与基础设施总量

在全球范围内的技术竞争中，美国目前的局势如何，需要如何操作才能保持并扩大领先优势？

Sam Altman：我先分享一个总体的思考框架，然后再具体回答。我认为深度学习的发现更接近于发现一种元素或物理学的基本属性，而不是掌握了某种秘密技术。这意味着最终，而且可能很快，构建强大模型的核心思想会被简化并广为人知。就像我们理解物理学的基本规律一样，我们将从科学原理的角度理解人工智能的核心运作。我们从 OpenAI 大约七年前发布的 Scaling Law 中就深切感受到了这一点。模型投入的资源与最终表现出的智能之间，存在着一种极其精确且美妙的相关性，在当时，这种科学原理层面的必然性虽然让人有些毛骨悚然，但确实非常清晰。虽然此后我们发现了许多细节，未来还会有更多发现，但就像其他科学前沿一样，它会随着时间推移变得更加简单明了。最终，这套配方将作为一种科学原理被很好地理解，而不会像其他事物那样成为长久的商业机密。

在技术史上，我最喜欢的类比是晶体管。晶体管也是一项基础性的科学突破，它的发现极具难度且带有偶然性。我们花了一点时间去完善它，但一旦原理明确，所有人都能理解。当然，围绕它的工艺知识依然非常庞大，例如 TSMC 至今仍能做到全球无出其右。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。在更廉价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。总的来说，我认为美国可能在整体上保持领先。

印度的 AI市场

你最近去了印度，听起来你对印度应对 AI 挑战和机遇的方式感到非常兴奋，这与你在美国与客户交流时的感觉有什么不同吗？

Sam Altman：和印度的初创公司交流后，我感到非常震撼。他们应用这项技术的方式非常出色，我刚到那里时，一份简报显示 Codex 在印度的使用量在短短几个月内增长了 10 倍。我当时觉得这数据可能出错了，但这确实是事实。

在与这些初创公司交谈时，我发现他们展现出了比美国更强劲的势头。有人会说，世界已经变了，大家在谈论一人初创公司，而他们正试图建立“零人初创公司”。他们试图只通过一段提示词来驱动整个公司，让 AI 编写软件、处理客户支持和法律事务，然后自己去度假。

印度的那些大公司展现出的进取心和推进速度非常惊人。他们会问，我们能买多少容量？能预订多久？能现在就谈判吗？在达成协议之前，他们甚至不想让你离开房间。那种相信 AI 将重塑印度商业版图的坚定信念确实令人印象深刻。大的趋势是一致的，但他们似乎走得更远，速度也更快。

美国 AI 竞赛中的三大瓶颈

回到全球 AI 竞赛，你认为美国最脆弱的环节在哪里，我们需要做些什么来确保领先地位？

Sam Altman：我想到了三点。第一是全球供应链依赖和美国基础设施的建设，虽然这已经是老生常谈，但我必须强调，这确实让我感到担忧。如果我们基础设施落后且无法反超，或者全球化以某种方式崩盘导致我们无法独立建设 AI 基础设施，那将是一个巨大的漏洞。对于目前的全球地位，我虽然不反感，但也谈不上满意。

第二是经济应用的速度。如果我们不像其他国家那样迅速地在经济层面普及 AI，我们将失去身为经济强国的固有优势。这关乎企业、科学家乃至政府采纳技术的速度。从积极的一面看，这是一个多世纪以来罕见的重振经济的机会。如果处理得好，这非但不是弱点，反而会成为我们最大的竞争优势。

（关于现状的阻力）目前来看，我们是否正处于理想的轨道上还不好说，虽然我不否定现状，但觉得可以走得更快。现在也确实存在不少阻力，比如 AI 目前在美国的口碑并不理想，数据中心被指责导致电价上涨，几乎所有裁员的公司都在拿 AI 当挡箭牌，无论实情是否如此。此外，政府与公司之间的权力博弈也在持续。

第三类是技术在全球的扩散。世界未来的 AI 技术栈，包括芯片、模型、应用等，是会主要基于美国的体系构建，还是会被我们的某些政策推向对立面。

AI 成为生产力爆发的基石，你会如何衡量这种生产力？

如果 AI 成为生产力爆发的基石，你会如何衡量这种生产力？你曾提到衡量方式可能需要改变，请解释其中的逻辑。

Sam Altman：没错，肯定如此，不过我认为衡量生产力的方式可能也得随之改变。我预见到这样一个世界，生产力疯狂爆发，生活质量节节攀升，我们关心的绝大多数事物都变得越来越好，但按照现有的衡量标准，GDP 反而在不断下降。这就像是一个长期的通缩过程。我不知道在一个永久通缩的世界里生活是什么感觉，也不知晓在一个智力资本更多集中在数据中心内部而非外部的世界里，GDP 与生活质量的关联会变成什么样。但也许我们很快就会找到答案。未来几年，关于什么是正确的衡量标准，一定会有大量辩论。

我觉得这种思考已经开始了。如果早就有简单的共识答案，我们现在早就解决了，所以目前没人确切知道该怎么办。我们社会长期以来赖以生存的准则，似乎都在同一时间受到了质疑。几周前我在网上看到一句话，印象极其深刻。大意是，几百年来甚至几千年来，我们都在学习如何构建社会来管理稀缺，而当我们需要迅速转向管理丰裕时，过去的经验几乎毫无用处。

| 文章来源：数字开物