編輯 | 伊風(fēng)、云昭

出品 | 51CTO技術(shù)棧（微信號：blog51cto）

不知道大家有沒有發(fā)現(xiàn)：今年的奧特曼，突然安靜了很多。

不像 24 年那樣頻繁出現(xiàn)在各種技術(shù)播客、大會、訪談里，甚至好多次OpenAI新發(fā)布也不見他的身影——這位 AI 圈最活躍的“CEO 網(wǎng)紅”，仿佛一下子就開啟帶娃模式、退居幕后了。

可偏偏，在這個 AI產(chǎn)品、Agent、大模型都在飛速迭代的時間點，我們又特別想知道他最近在想什么。

好消息是：他終于公開露面了！

在剛結(jié)束的 2025 Snowflake 峰會上，Sam Altman 作為重磅嘉賓，和 Snowflake CEO Sridhar Ramaswamy 以及 Conviction 創(chuàng)始人 Sarah Guo 進行了一場信息密度極高的爐邊對談。

短短二十分鐘的訪談，內(nèi)容相當(dāng)凝練、有料，干貨滿滿！

比如，他給 AI 創(chuàng)業(yè)者的忠告發(fā)生了變化，今年的主題是：“馬上行動。”

對于企業(yè)采用大模型，這是奧特曼首次果斷、鮮明的表示支持。

對于所有還在等待更新的 GPT-5 模型、采取觀望態(tài)度的企業(yè)老板、團隊主管們，奧特曼表示：與其等新模型，不如現(xiàn)在就開始。

“你會發(fā)現(xiàn)，那些率先下注、快速學(xué)習(xí)的企業(yè)，已經(jīng)明顯領(lǐng)先于還在觀望的同行?！眾W特曼說道。

Sridhar 點頭稱是：“不會有一個完美時刻等你一切就緒?！?/p>

此外，奧特曼給出的第二個判斷是：是關(guān)于智能體（Agent）的。他認為：“未來工作的基本單位，是AI Agent?！?/p>

Altman 形容，現(xiàn)在更像是你請了個AI實習(xí)生：你丟給它一個任務(wù)，比如“幫我找出我們官網(wǎng)漏掉的SEO優(yōu)化點”，它自己去讀你的網(wǎng)站代碼、查搜索趨勢、掃你的GitHub和Slack聊天記錄，然后給你一個優(yōu)化方案草案，你只需要點“同意”或“再改改”。  

而 Altman 表示，這個“實習(xí)生”，很快就能變成能獨立負責(zé)項目的工程師。  也就是說，未來的工作，可能不是“你完成10個任務(wù)”，而是“你指揮10個智能體”，再去微調(diào)它們的成果。

最后，他還透露了自己心中的“完美模型”：

“體積很小，但擁有超人級別的推理能力，運行速度極快，有一萬億 tokens 的上下文窗口，并能訪問你能想象的所有工具。”

??下圖為現(xiàn)場截圖：

左起：Sam Altman、Sarah Guo、Sridhar Ramaswamy

以下是這場訪談的整理實錄，Enjoy：

1.模型可用性發(fā)生“質(zhì)的飛躍”，AI創(chuàng)業(yè)者必須馬上行動

主持人Sarah：我們開場就進入正題：Sam，你會給正在應(yīng)對 AI 變革的企業(yè)領(lǐng)導(dǎo)者們什么建議？

Sam Altman：我的建議是：馬上行動?，F(xiàn)在還有很多猶豫不決，模型變化太快，大家都想著“等等下一個版本”或者“看看這兩個模型誰更好”，或者“這波趨勢最終會往哪走”。

但在技術(shù)領(lǐng)域，有個通用原則是：當(dāng)技術(shù)快速迭代時，贏家往往是那些能夠迅速試錯、降低失敗成本、提升學(xué)習(xí)速度的公司。

我們目前觀察到的情況也印證了這一點：那些盡早下注、快速試驗的企業(yè)，表現(xiàn)明顯優(yōu)于觀望和等待的同行。

Sridhar：我完全同意 Sam 的觀點。我還想補充的是：“好奇心”真的非常關(guān)鍵。我們對許多舊有流程的依賴其實已經(jīng)不再成立，但很多人沒有意識到。如今很多平臺，比如 Snowflake，讓你以非常低的成本進行實驗，可以做出很多小測試，從中提煉價值，再持續(xù)優(yōu)化。

我要再次強調(diào) Sam 的話：能迭代得越快，越能從 AI 中獲益。因為他們知道什么有效、什么無效，他們能應(yīng)對未來快速變化的局勢。

接下來的幾年，不會有一個“完美時機”讓一切塵埃落定。你只能在混沌中快速前進。

主持人Sarah：那你的建議和去年相比，有哪些不同呢？

Sridhar：其實，我去年也會說一樣的話。尤其是“保持好奇”和“允許試錯”——

這兩點一直都很重要。關(guān)鍵是你要在那些“失敗成本很低”的場景中去試錯，而這樣的場景其實非常多。

不過，技術(shù)確實成熟得更快了。比如現(xiàn)在的 ChatGPT，已經(jīng)能很好地結(jié)合網(wǎng)絡(luò)搜索來提供新鮮的信息，不再是那個“脫離實時數(shù)據(jù)”的工具。

不論是結(jié)構(gòu)化數(shù)據(jù)還是非結(jié)構(gòu)化數(shù)據(jù)，現(xiàn)在的聊天機器人技術(shù)已經(jīng)可以投入主流使用了。當(dāng)然，我們依然可以探索更遠的“智能體”能力邊界，但即便在遠離前沿的應(yīng)用中，這項技術(shù)已經(jīng)非?？捎谩?/p>

Sam Altman：有意思的是，我去年的觀點可能跟現(xiàn)在還真不太一樣。如果是對創(chuàng)業(yè)公司，我去年也會鼓勵他們早點上手，但對大型企業(yè)我可能會說：“可以小范圍試驗，但大多數(shù)情況下還不適合投入生產(chǎn)環(huán)境。”

但這個觀點現(xiàn)在變了——我們服務(wù)的大企業(yè)在這方面的增長是飛速的。他們現(xiàn)在真的在大規(guī)模使用我們的技術(shù)。我經(jīng)常問他們：“是什么變了？” 他們會說：“一部分是我們摸索清楚了用法，但更大的變化是：現(xiàn)在這東西真的好用多了！”

它能做很多過去想都不敢想的事情。某個時間點，在過去這一年里，模型的“可用性”發(fā)生了質(zhì)的飛躍。

 更有意思的問題是：明年這個時候我們又會說出什么新觀點？

我預(yù)測到那時，我們會進入一個階段：你不僅可以用 AI 自動化業(yè)務(wù)流程或開發(fā)新產(chǎn)品，還能真正說出，“我有一個極其重要的業(yè)務(wù)難題，我愿意砸大量算力下去解決它。”

而模型將能完成過去需要團隊合作都無法完成的任務(wù)。

那些已經(jīng)開始積累 AI 實戰(zhàn)經(jīng)驗的公司，將在未來的競爭中占據(jù)優(yōu)勢。屆時他們就可以說，“來吧 AI 系統(tǒng)，把我這個關(guān)鍵項目完全重構(gòu)一遍?！?/p>

 這是下一次質(zhì)變的前奏：大量算力 + AI 推理能力 + 高難度問題。誰準備好了，誰就能邁出下一大步。

2.Codex讓我有了AGI的感覺！智能體明年將解決棘手的商業(yè)難題

主持人Sarah：既然你提到了推理能力、算力投入，以及智能體加入工作流程，那么關(guān)于“記憶與檢索”的問題就不能回避了——你覺得它們在這一輪 AI 變革中會起到什么樣的作用？

Sridhar：檢索技術(shù)一直是讓生成式 AI“貼地飛行”的關(guān)鍵，尤其在需要真實世界參考時。例如 GPT-3 時代我們就搭建了支持網(wǎng)頁搜索的大規(guī)模系統(tǒng)，可以在你問時事問題時拉取外部信息作為參考。

同樣地，記憶系統(tǒng)也非常重要。模型能“記住”你以前是怎么解決問題的、你和系統(tǒng)的互動記錄，這些都會極大提升它后續(xù)的使用體驗和效率。

我認為隨著模型被用于越來越復(fù)雜的任務(wù)，記憶和檢索的角色會變得更加關(guān)鍵。不論是提升交互質(zhì)量，還是賦能更強的智能體行為，上下文越豐富，AI 的表現(xiàn)就越好。

主持人Sarah：Sam，你能不能給在座的每一位領(lǐng)導(dǎo)者一個參考框架，來思考：智能體（Agents）現(xiàn)在能做什么？明年又可能做到什么？

Sam Altman：我們最近剛發(fā)布的編程智能體 Codex，是我個人第一次有“AGI時刻”的感覺。你觀察它的工作方式——你給它一堆任務(wù)，它就在后臺默默執(zhí)行。它真的非常聰明，可以完成那種“長周期、跨階段”的任務(wù)。

你只需要坐在那里，說“這個通過”、“那個不行”、“再試一次”。它甚至能連接你的 GitHub，未來它還可能可以觀看你的會議、查看你的 Slack 聊天、閱讀你所有的內(nèi)部文檔。它做的事情已經(jīng)非常令人驚艷了。

 也許目前它還只是一個每天能工作幾小時的“實習(xí)生”，但不久之后，它會像一位能連續(xù)工作好幾天的“資深工程師”。而這類變化，不只會發(fā)生在編程領(lǐng)域，我們會看到智能體在很多工作類型中發(fā)揮類似作用。

現(xiàn)在已經(jīng)有很多公司在用智能體來自動化客戶支持、推動銷售流程、甚至更多的業(yè)務(wù)方向。有些人已經(jīng)在描述：他們的“工作”就是把任務(wù)分配給一群智能體，評估產(chǎn)出質(zhì)量，分析它們?nèi)绾螀f(xié)同工作，并給出反饋。

聽起來就像在帶一組還比較年輕的團隊成員。而且，這不是想象——它正在真實發(fā)生，只是目前還沒有完全普及。

明年，在一些有限的場景中，哪怕是很小的程度，我們將開始看到智能體真的能幫助人類發(fā)現(xiàn)新知識，或者解決那些非常復(fù)雜的商業(yè)問題。

目前的智能體主要還能處理的是：重復(fù)性的腦力勞動，短時間周期內(nèi)、低層級的認知任務(wù)。但隨著它們處理的任務(wù)變得更長線、更復(fù)雜——某一刻，我們就會迎來“AI 科學(xué)家”出現(xiàn)的時刻。一個能自主發(fā)現(xiàn)科學(xué)的新型智能體。

那將是世界性的重大時刻。

主持人Sarah：你剛才說 Codex 和編程智能體的體驗是你第一次有“AGI實感”的時刻。那我就必須問了：你現(xiàn)在是如何定義 AGI（通用人工智能）的？我們離它還有多遠？它對我們的意義是什么？

Sam Altman：我想，如果你能回到過去，哪怕只回到五年前……

主持人Sarah：那幾乎是 AI 的“黑暗時代”。

Sam Altman：其實，那段時期也非常有趣。如果我們回到整整五年前，我可能記得不太清，但應(yīng)該就在我們推出 GPT 的前夕。那時候，世界還沒見過真正強大的語言模型。

如果你能回到那個時間點，然后給人們展示今天的 ChatGPT，甚至不提 Codex 或其他產(chǎn)品，就光是 ChatGPT，我想大多數(shù)人會說：“這不就是 AGI 嗎？”

我們?nèi)祟惙浅Ｉ瞄L“調(diào)整自己的預(yù)期”，這其實是人性中非常美好的一點。

所以，我認為“AGI 究竟是什么”這個問題，本身并不重要。每個人對它的定義都不一樣，同一個人也會在不同時間給出不同定義。

真正重要的是：我們過去五年看到的 AI 年年飛躍的進展速度——很可能還會持續(xù)五年，甚至更久。

你說 AGI 的“勝利點”會在 2024、2026 還是 2028，其實沒那么關(guān)鍵；你說超級智能的里程碑是在 2028、2030 還是 2032，也都沒關(guān)系。

重點是：這是一條又長又美麗、令人震驚地平滑的指數(shù)曲線。

對我來說，一個能自主發(fā)現(xiàn)新科學(xué)的系統(tǒng)，或者一個讓全世界科學(xué)發(fā)現(xiàn)速度翻幾倍的工具系統(tǒng)，已經(jīng)可以滿足我對 AGI 的全部標(biāo)準。

當(dāng)然也有人堅持，AGI 必須能自我改進；也有人覺得，像 ChatGPT 搭配記憶功能的版本，已經(jīng)很像 AGI 了。

主持人Sarah：確實，從一些早期測試，比如圖靈測試來看，ChatGPT 已經(jīng)達標(biāo)了。

那我們回到Sridhar，你還記得你第一次用 OpenAI 模型做搜索是什么時候嗎？

Sridhar：你當(dāng)時其實用的是 GPT-3 的 Playground，在做一些小實驗。我們后來也接入了 API，但那時還不允許我們用完整的 GPT-3 模型。

我們就自己倒推：怎么用 70 億或 100 億參數(shù)的模型，來做到相似的效果。

對我來說，第一次“眼前一亮”的，是看到 GPT 真正解決了一個難題：抽象式摘要（abstractive summarization）。

也就是：把一篇 100 字的博客內(nèi)容，壓縮成三句話去描述它。這個任務(wù)非常難，人類都覺得棘手。但這些模型突然間就能做到了。

那一刻我意識到，如果它能在整個網(wǎng)頁語料庫上做這種事情——再配合能判斷哪些頁面值得看的搜索引擎能力——那就是搜索引擎的新時代了。

我記得當(dāng)時心里就想：哇，這玩意，真有力量。而且后來它的表現(xiàn)只會越來越好。

主持人Sarah：在你作為創(chuàng)業(yè)者或 CEO 的過程中，有沒有哪個節(jié)點讓你突然意識到，“哇，現(xiàn)在一切都是搜索，或者說是‘搜索+’”？我自己雇過 Neva 的前員工，當(dāng)時的理念也是：這個時代的一切，都是關(guān)于搜索的。你是什么時候有這種想法的？

Sridhar：這個問題其實是關(guān)于“設(shè)定上下文”的——當(dāng)你開始使用這些模型，或者思考某個問題的時候，你會意識到：我們需要一種機制，來縮小視角的范圍，讓模型聚焦在你想處理的內(nèi)容上。

這是一種非常強大、也具通用性的技巧。你看現(xiàn)在很多微調(diào)和后訓(xùn)練技術(shù)，其實背后邏輯是類似的：拿一個非常強大的模型，為它提供上下文，告訴它哪些信息是相關(guān)的、哪些是無效的，然后用這個方法來提升模型的輸出質(zhì)量。

我認為這更像是一種通用的思維方式，而不僅僅是某個工具。你想實現(xiàn)某種結(jié)果，關(guān)鍵是要把“上下文”設(shè)定好。

上下文是無限的，人類靠“注意力”機制來解決這個問題——我們聚焦某個點。我把搜索看作是為模型設(shè)定注意力焦點的一種工具。

主持人Sarah：你同意 Sam 的看法嗎？也就是我們正處在一條“指數(shù)級增長的能力曲線”上？還是說你有一個自己認同的 AGI 定義——一個對你或客戶來說更重要的標(biāo)準？

Sridhar：我覺得這會變成一個哲學(xué)性很強的辯論。比如說，有個比喻是：“潛水艇到底算不算在游泳？”某種意義上這聽起來有點荒謬，但從另一個角度看，它當(dāng)然是在“游”。

所以我也把這些模型看作擁有極其驚人的能力。任何一個關(guān)注未來趨勢的人看到這些模型的表現(xiàn)，可能都會說：“這已經(jīng)是 AGI 了?！?/p>

但正如 Sam 提到的，我們現(xiàn)在說的這些話，也許到 2025 年時又會覺得不值一提。

真正讓我驚嘆的，是進展的速度。我真誠相信，這個進程會帶來許多偉大的成果。

這有點像，我們?nèi)绾慰创慌_“還不錯的計算機”可以戰(zhàn)勝世界上所有的國際象棋高手——這真的重要嗎？

并不重要。我們依然有很多人仍然在下棋，而且他們?nèi)匀环浅Ｉ瞄L。

所以我覺得關(guān)于“定義”的爭論其實沒那么關(guān)鍵。現(xiàn)在的圍棋也比以前更流行了。我們會從這條路徑中學(xué)到很多東西，但“那個具體的時刻”并不是重點。

3.完美模型：輕量、強推理、可調(diào)用所有工具

主持人Sarah：我個人有個直覺：當(dāng)人們在問 AGI 的時候，其實很多人真正想問的是“意識”，只是他們沒把問題說清楚，或者說只有一部分人會明確表達那樣的問題。你之前說這更偏哲學(xué)，所以我想問問你：你們內(nèi)部已經(jīng)在訓(xùn)練下一代模型，看到別人還看不到的能力，從產(chǎn)品角度、公司運營角度，有哪些新的“涌現(xiàn)能力”是正在改變你們的思維方式的？

Sam Altman：是的，未來一年或兩年發(fā)布的模型將會令人驚嘆。我們面前還有很大的進步空間。

就像 GPT-3 到 GPT-4 帶來的跨越一樣，許多企業(yè)將可以做到以前根本不可能做到的事。比如我們剛才聊到的，如果你是一家芯片公司，你可以說：“幫我設(shè)計一款比我們現(xiàn)有方案更好的芯片”；或者你是一家生物科技公司，你可以說：“這個病我搞不定，你來解決?！?/p>

這些都不再遙不可及。

這些模型有能力理解你能提供給它的全部上下文，連接所有工具和系統(tǒng)，然后深入思考，進行極其出色的推理，并給出有說服力的解決方案。

它們的穩(wěn)健性也在提升，我們可以越來越放心地讓它自主執(zhí)行復(fù)雜任務(wù)。

坦白說，我以前沒想過它們會來得這么快。但現(xiàn)在真的感覺……非常接近了。

主持人Sarah：那你能不能給大家一點直覺：未來哪些“知識”是 AI 能掌握的？哪些是還在邊界上的？我想象中的“核心智力”是，我也算挺聰明的，但我腦子里也沒有完美的物理模擬器——所以我們怎么判斷 AI 還能進化多遠？

Sam Altman：我自己比較喜歡的一個思考框架是這樣的：這不是我們馬上就要發(fā)布的東西，但從理念上說，我們追求的是這樣一個模型——體積很小，但擁有超人級別的推理能力，運行速度極快，有一萬億 tokens 的上下文窗口，并能訪問你能想象的所有工具。

所以它到底“知不知道某個具體知識點”，其實變得沒那么重要。

用這些模型作為數(shù)據(jù)庫是荒謬的——它們是又慢又貴還不準確的數(shù)據(jù)庫。但驚人的是：它們可以進行推理。

你可以把一個企業(yè)或個人生活的所有上下文信息都“扔進去”，再把需要的物理模擬器或其他工具整合進來——你能做的事就變得非常了不起。

而我們現(xiàn)在，就是在向這個方向邁進。

主持人Sarah：太震撼了。我想問一個更具假設(shè)性的問題：

如果你手上有現(xiàn)在 1000 倍的算力——原本我想問“無限算力”，但那太夸張了——如果是 1000 倍，你會用它做什么？

Sam Altman：我覺得，最“元”的回答（雖然我之后會給一個更實用的），可能是這樣的：我會請你們投入所有力量去推進 AI 研究，開發(fā)出更優(yōu)秀的模型，然后再問那個更強的模型，我們該怎么利用這些算力。

主持人Sarah：直接讓它來解決“你最難的問題”。

Sam Altman：我認為這其實是最理性的做法。

主持人Sarah：這說明你是真的相信它能給出答案。

Sam Altman：我覺得更實用的回答是這樣的： 我們現(xiàn)在在 ChatGPT 內(nèi)部、以及企業(yè)用戶中，已經(jīng)看到很多案例表明——測試時使用更多算力，確實能帶來真實的收益。

比如你讓模型“多想一會兒”、或者對一個復(fù)雜問題多嘗試幾次，就有可能得到明顯更好的答案。

所以，如果一家企業(yè)說，“我要在每一個難題上都加大 1000 倍的算力”，他們真的可能會得到一些令人驚艷的結(jié)果。

當(dāng)然，你不會真的這么做，也沒有 1000 倍的算力。但現(xiàn)在這種能力已經(jīng)變得可行，說明我們可以嘗試的一件事就是：

用“冪律法則”的方式去看待算力價值——對于最難、最有價值的問題，愿意投入更多算力去嘗試，可能就能獲得突破。

主持人Sarah：那Sridhar，你會不會也對 Snowflake 做一樣的事？你是數(shù)據(jù)基礎(chǔ)設(shè)施、搜索優(yōu)化、企業(yè)系統(tǒng)方面的專家，現(xiàn)在掌管 Snowflake。如果給你一個超級難題，你也會直接丟給算力處理嗎？

Sridhar：我覺得這確實是個很酷的應(yīng)用場景。不過讓我換一個角度回答，跳出我們每天生活的科技圈來說：

你知道有個叫 Arnold 項目 的研究嗎？它有點像我們 20 多年前進行的 DNA 測序項目，不過這次的研究對象是 RNA 表達機制。結(jié)果發(fā)現(xiàn)，RNA 實際上控制著我們身體中蛋白質(zhì)的工作方式。

如果我們能徹底搞清楚 RNA 是怎么調(diào)控 DNA 表達的，那很可能就能攻克大量疾病，對整個人類社會來說是一次巨大的飛躍。

所以，用類語言模型去做這類 RNA 研究項目，就像當(dāng)年用超級算力破解人類基因組一樣——這會是一個非?？岬膽?yīng)用方向，如果你真的能動用大量算力的話。

主持人Sarah：真的很振奮人心，而且這確實是人類面臨的最大問題之一。

感謝你們（參與訪談）。

本文轉(zhuǎn)載自??51CTO技術(shù)棧??，作者：伊風(fēng)、云昭