在 AI 圈，Sam Altman 的每一次發聲都被視為對未來“天氣預報”的更新。
昨晚，Altman 在 X 上發帖稱將舉辦一場線上研討會，希望在開始構建新一代工具之前收集大眾的反饋和意見。
北京時間今早 8 點，這場由 OpenAI CEO Sam Altman 發起的研討會如約而至。來自各行業的創業者、CTO、科學家和開發者社區的代表，圍繞 AI 的未來形態、模型演進、智能體（Agent）、科研自動化以及安全問題，向 Altman 提出了最尖銳、也最現實的問題。
研討會上，這位 OpenAI 的掌舵人不僅勾勒了 GPT-5 及其後續版本的進化藍圖，同時揭示了一個令所有開發者和創業者不得不面對的現實：我們正在進入一個智力成本極低、軟件形態從“靜態”轉向“即時生成”的劇變期。
會談的第一個焦點，落在了 GPT-5 性能表現的“非對稱性”上。有開發者敏銳地察覺到，相較於 GPT-4.5，新版本在邏輯推理和編程上極強，但在文采上似乎略遜一籌。對此，Altman 表現出了極高的坦誠。
他承認，OpenAI 在 GPT-5.2 的研發中確實“搞砸了”寫作能力的優先級，因為團隊將有限的算力資源傾斜在了推理、編碼和工程能力這些硬核智力指標上。
在 Altman 看來，智力是一種“可塑的資源”，當模型具備了頂級的推理引擎，寫作能力的迴歸只是時間問題。這種“偏科”實際上反映了 OpenAI 的某種戰略重心：先通過 Scaling Law（規模定律）攻克人類智力的最高地帶，再回頭去填補審美和表達的細節。這意味著，未來模型的競爭將不再是單一維度的比拼，而是看誰能更早地在全維度上實現“智力平權”。
如果說智力水平決定了天花板，那麼成本和速度則決定了 AI 的滲透率。Altman 在會上給出了一個極具震撼力的承諾：到 2027 年底，GPT-5.2 級別的智力成本將至少下降 100 倍。
然而，這種“廉價到無需計量”的未來並非終點。
Altman 指出，市場正在發生微妙的轉向：開發者對“速度”的渴求正在超越對“成本”的關注。隨著 Agent（智能體）開始處理數十個步驟的長程任務，如果輸出速度不能實現百倍以上的提升，那麼複雜的自主決策將變得毫無實用價值。在這種權衡下，OpenAI 可能會提供兩種路徑：一種是極致廉價的“智力自來水”，另一種則是極速反饋的“智力推進器”。這種對速度的強調，預示著 AI 應用將從簡單的問答，徹底跨入高頻、實時的自動駕駛階段。
在這種智力成本驟降、速度飆升的背景下，傳統軟件的概念正在瓦解。Altman 提出了一個顛覆性的願景：未來的軟件不應該是靜態的。
過去，我們習慣於下載一個通用的 Word 或 Excel；未來，當你遇到一個特定問題時，計算機應該直接為你寫一段代碼，生成一個“即時應用”來解決它。這種“隨需隨生、用完即棄”的模式將徹底重構操作系統。雖然我們可能出於習慣保留一些熟悉的交互按鈕，但背後的邏輯架構將是高度個人定製化的。每個人手中的工具都會隨著其工作流的積累而演化，最終形成一套獨屬於個人的、動態進化的生產力系統。這不僅僅是軟件的定製，更是生產關係的重組。
InfoQ 翻譯並整理了這場研討會的重點內容，以饗讀者：
提問：您如何看待 AI 對未來社會和經濟的影響？
Sam Altman：說實話，要在一年內完全消化這種規模的經濟變革是非常困難的。但我認為這會極大地賦能每一個人：它將帶來大規模的資源富足、門檻降低，以及創造新事物、建立新公司和探索新科學的極低成本。
只要我們在政策上不出大差錯，AI 應該成為社會的一種“平衡力量”，讓那些長期以來未被公正對待的人獲得真正的機會。但我確實擔心，AI 也可能導致權力和財富的高度集中，這必須是政策制訂的核心關注點，我們要堅決避免這種情況發生。
提問：我發現 GPT-4.5 曾是寫作能力的巔峰，但最近 GPT-5 在 ChatGPT 裡的寫作表現似乎有些笨拙、難以閱讀。顯然 GPT-5 在 Agent（智能體）、工具調用和推理上更強，它似乎變得更“偏科”了（比如編程極強，寫作一般）。OpenAI 怎麼看這種能力的失衡？
Sam Altman：坦誠說，寫作這一點確實是我們搞砸了。我們希望未來的 GPT-5.x 版本在寫作上能遠超 4.5。
當時我們決定將大部分精力放在 GPT-5.2 的“智力、推理、編程和工程能力”上，因為資源和帶寬是有限的，有時專注於某一方面就會忽略另一方面。但我堅信未來屬於“通用的高素質模型”。即便你只想讓它寫代碼，它也應該具備良好的溝通和表達能力，能清晰、犀利地與你交流。我們認為“智力”在底層是相通的，我們有能力在一個模型中把這些維度都做到極致。目前我們確實在猛攻“編程智力”，但很快就會在其他領域趕上來。
智能將廉價到無需計量
提問：對於運行數千萬個 Agent 的開發者來說，成本是最大的瓶頸。您如何看待小模型和未來的成本降幅？
Sam Altman：我們的目標是，到 2027 年底，讓 GPT-5.2 級別的智力成本至少降低 100 倍。
但現在有一個新趨勢：隨著模型輸出變得越來越複雜，用戶對“速度”的需求甚至超過了“成本”。OpenAI 非常擅長壓低成本曲線，但過去我們對“極速輸出”的關注不夠。有些場景下，用戶可能願意付高價，只要速度能提升 100 倍。我們需要在“極致廉價”和“極致速度”之間找到平衡，如果市場更渴望低成本，我們會沿著那條曲線走得非常遠。
提問：現在的交互界面並不是為 Agent 設計的。Agent 的普及會加速“微型應用（Micro Apps）”的出現嗎？
Sam Altman：我已經不再把軟件看作是“靜態”的東西了。現在如果我遇到一個小問題，我期望電腦能立刻寫一段代碼幫我解決掉。我認為我們使用電腦和操作系統的方式將發生根本性改變。
雖然你可能每天用同一個文字處理器（因為你需要按鈕留在熟悉的位置），但軟件會根據你的習慣進行極致的定製。你的工具會不斷進化、向你個人的需求收斂。在 OpenAI 內部，大家已經習慣用編程模型（Codex）來定製自己的工作流，每個人的工具用起來都完全不同。軟件“由於我、且為我”而生，這幾乎是必然的趨勢。
給創業者的建議：不要做“模型的小補丁”
提問：當模型更新不斷吞噬創業公司的功能時，創業者該如何建立護城河？有什麼是 OpenAI 承諾不碰的？
Sam Altman：很多人覺得商業的物理定律變了，其實並沒有。現在的改變只是“工作速度變快了”、“開發軟件變快了”。但建立成功初創公司的規則沒變：你依然要解決獲客問題，要建立 GTM（轉市場）策略，要創造粘性，要形成網絡效應或競爭優勢。
我給創業者的建議是：你的公司在面對 GPT-6 的驚人更新時，是感到開心還是難過？你應該去構建那些“模型越強，你的產品就越強”的東西。如果你只是在模型邊緣打個小補丁，那會過得很艱難。
提問：現在的 Agent 執行長流程任務時經常在 5 到 10 步就斷掉了。什麼時候能實現真正長期的自主運行？
Sam Altman：這取決於任務的複雜程度。在 OpenAI 內部，有些通過 SDK 運行的特定任務已經可以近乎永久地運行下去了。
這不再是“何時實現”的問題，而是“應用範圍”的問題。如果你有一個理解非常透徹的特定任務，今天就能嘗試自動化。但如果你想對模型說“去幫我開一家創業公司”，由於反饋環路太長且難以驗證，目前還很難。建議開發者先拆解任務，讓 Agent 能夠自我驗證每一箇中間步驟，再逐步擴大其職責範圍。
AI 能幫人類產生好創意嗎？
提問：現在很多人抱怨 AI 生成的內容是“垃圾（Slop）”，我們該如何利用 AI 提高人類創意的質量？
Sam Altman：雖然人們叫 AI 的輸出為垃圾，但人類產生的廢話也不少。產生真正的新創意是非常難的。我越來越相信，人類的思維邊界取決於工具的邊界。
我希望能開發出幫人產生好創意的工具。當創造的成本驟降，我們可以通過密集的反饋循環快速試錯，從而更早找到好的創意。
想象一下，如果有一個“Paul Graham 機器人”（YC 創始人），他了解你所有的過去、你的代碼和工作，能不斷給你提供頭腦風暴，即便他給出的 100 個主意裡有 95 個是錯的，只要能激發你產生那 5 個天才般的念頭，對世界的貢獻也是巨大的。我們的 GPT-5.2 已經讓內部科學家感受到了非平庸的科學進展，一個能產生科學洞察的模型，沒理由產生不了優秀的產品洞察。
提問：我擔心模型會讓我們困在舊技術裡。現在的模型學習兩年前的新技術都很費勁，以後我們能引導模型學習最新出現的技術嗎？
Sam Altman：這絕對沒問題。從本質上講，模型是一個“通用推理引擎”。雖然現在它們內置了海量的世界知識，但未來幾年的里程碑將是：當你交給模型一個全新的環境、工具或技術，只要解釋一次（或讓它自主探索一次），它就能極其可靠地學會使用。這離我們並不遠。
提問：作為一名科學家，我發現研究靈感是指數級增長的，但人的精力有限。模型會接管整個科研流程嗎？
Sam Altman：實現完全閉環的自主科研還有很長的路要走。雖然數學研究可能不需要實驗室，但頂尖數學家目前仍然需要深度參與，糾正模型的直覺偏差。
這很像國際象棋的歷史：Deep Blue 擊敗卡斯帕羅夫後，曾出現一段“人機協作（半人馬）”強於純 AI 的時期，但很快純 AI 就再次統領了賽場。
現在的 AI 對科學家來說，就像是“無限量的博士後”。它能幫你同時探索 20 個新問題，做廣度搜索。至於物理實驗，我們也在討論是該 OpenAI 自己建自動化實驗室，還是讓全球科研社區貢獻實驗數據。目前看，科研社區對 GPT-5.2 的擁抱讓我們傾向於後者，這會是一個更分佈式、更聰明、更高效的科研生態。
提問： 我更關心的是安全問題，最好是更強的安全性。在 2026 年，AI 有很多可能出問題的方式，其中一個我們非常緊張的方向是生物安全。現在這些模型在生物領域已經相當強了，目前無論是 OpenAI，還是整個世界的總體策略，大多還是試圖 限制誰可以接觸這些模型，並且通過各種分類器，阻止模型幫助人們製造新的病原體。但我不認為這種方式還能持續很久。你怎麼看？
Sam Altman：我認為，世界在 AI 安全，尤其是 AI 生物安全這件事上，需要完成一次根本性的轉變——從“封堵（blocking）”，轉向“韌性（resilience）”。
我一位聯合創始人曾用過一個我非常喜歡的類比：火災安全。火最初為人類社會帶來了巨大的好處，隨後它開始燒燬整座城市。人類最開始的反應，是儘可能去限制火。我最近才知道，“宵禁（curfew）”這個詞，最早就和“晚上不允許生火”有關，因為城市會被燒掉。
後來，我們改變了思路，不再只是試圖禁止火，而是提高對火的韌性：我們制定了消防規範，發明了阻燃材料，建立了一整套體系。現在，作為一個社會，我們在應對火災這件事上已經做得相當不錯了。
我認為，AI 也必須走同樣的路徑。AI 在生物恐怖主義方面會成為一個真實的問題；AI 在網絡安全上也會成為一個真實的問題；但與此同時，AI 也是這些問題的重要解決方案。
因此，我認為這需要的是全社會層面的努力：不是依賴少數“我們信任的實驗室”永遠正確地封堵風險，而是建設一種具有韌性的基礎設施。因為這個世界上，必然會存在大量優秀的模型。我們已經和很多生物研究人員、公司討論過，如何應對“新型病原體”的問題。確實有很多人投入其中，而且也有不少反饋認為，AI 在這方面是有幫助的，但這不會是一個純技術問題，也不會是一個完全靠技術解決的問題。整個世界都需要以一種不同於過去的方式來思考這件事。坦率地說，我對當前的狀態非常緊張。但我也看不到除“以韌性為核心”的路徑之外，還有別的現實選擇。而且，從正面看，AI 確實可以幫助我們更快地建立這種韌性。
不過，如果今年 AI 真的出現一次“明顯、嚴重”的失敗事件，我認為生物安全是一個相當合理的“風險爆點”方向。再往後一年、兩年，你也可以想象，還有很多其他事情可能會出大問題。
AI 學習效率提高後，人與人之間協作還重要嗎？
提問：我的問題和“人類協作”有關。隨著 AI 模型不斷變強，它們在個人學習方面非常高效，比如快速掌握一個新學科。這一點我們在 ChatGPT 和教育實驗中已經看到，也非常認可。但我經常會反覆想到一個問題：當你可以隨時得到答案時，為什麼還要花時間、甚至承受摩擦，去向另一個人提問？你之前也提到，AI 編程工具可以用極快的速度，完成過去需要人類團隊協作才能完成的工作。所以，當我們談“協作、合作、集體智能”時，人類 + AI 是很強的組合，那人類與人類之間的協作會發生什麼變化？
Sam Altman：這裡面有很多層問題。我年紀比在座的大多數人都大一點。但即便如此，Google 出現的時候，我還在上中學。那時老師試圖讓學生承諾“不使用 Google”，因為大家覺得：如果你隨手就能查到一切，那為什麼還要上歷史課？為什麼還要記憶？
在我看來，這種想法完全不可理喻。我當時的感覺是：這會讓我變得更聰明，學到更多東西，能做更多事情，這就是我成年後要長期使用的工具。如果因為它存在，就讓我去學那些已經被淘汰的技能，那反而是瘋狂的。
這就好比：在你明明知道已經有計算器的情況下，卻還強迫我去學算盤——那在當時可能是重要技能，但現在已經沒有價值了。我對 AI 工具的看法是一樣的。我理解，在當前的教育體系下，AI 工具確實成了問題。但這恰恰說明，我們需要改變教育方式，而不是假裝 AI 不存在。
“讓 ChatGPT 幫你寫東西”這件事，就是未來世界的一部分。當然，寫作訓練仍然重要，因為寫作是思考的一部分。但我們教人如何思考、以及如何評估思考能力的方式，必須發生變化，而且我們不應該假裝這種變化不存在。我對此並不悲觀。
那 10% 極端自學能力很強的學習者，已經表現得非常出色了。我們會找到新的方式，重構課程體系，把其他學生一起帶上來。至於你提到的另一點——如何讓這不是一個“你一個人對著電腦變得很厲害”的過程，而是一個協作過程。目前為止，我們並沒有看到 AI 導致人類聯繫減少的證據，這也是我們在持續觀察和測量的事情。
我的直覺恰恰相反：在一個充滿 AI 的世界裡，人與人之間的連接會變得更有價值，而不是更沒價值。我們已經看到一些人開始探索新的界面，來讓協作變得更容易。在我們考慮自研硬件和設備時，甚至一開始就在思考：“多人協作 + AI” 的體驗應該是什麼樣子？
雖然現在還沒有人真正把這件事完全做對，但我認為，AI 會以前所未有的方式，讓這種協作成為可能。你可以想象：五個人圍坐在一張桌子旁，旁邊還有一個 AI 或機器人，整個團隊的生產力會被大幅放大。未來，每一次頭腦風暴、每一次問題解決，AI 都會成為團隊的一部分，幫助整個群體做得更好。
Agent 大規模進入生產系統，最大的被低估風險是什麼？
提問： 隨著 Agent 開始大規模運行、直接操作生產系統，你認為 最被低估的失敗模式 是什麼？是安全、成本、可靠性嗎？以及，哪些“艱難但重要的工作”目前投入還不夠？
Sam Altman：你提到的這些問題，幾乎每一個都成立。有一件事讓我個人、也讓我們很多人都感到意外。我第一次用 Codex 時，非常確信一件事： “我絕對不會給它完全、無人監督的電腦訪問權限。”
我堅持了大概兩個小時。然後我想：它看起來真的在做非常合理的事情；每一步都要我點確認實在太煩了；不如先打開一會兒看看會發生什麼。結果，我從來沒有再把完全訪問權限關掉。我發現，很多人都有類似的經歷。
這讓我真正擔心的是：這些工具的能力和便利性太強了，而它們的失敗概率可能很低，但一旦失敗，後果可能是災難性的。因為失敗發生得不頻繁，人們會慢慢滑入一種狀態：“應該沒事吧。”
但隨著模型變得越來越強、越來越難理解，如果模型內部存在某種微妙的錯位，或者在長時間、複雜使用後出現新的系統性問題，你可能已經在某個系統裡埋下了一個安全漏洞。你可以對“AI 失控”的想象有不同程度的科幻傾向，但我真正擔心的是：人們會被這些工具的強大和愉悅感牽著走，而不再認真思考它們的複雜性。能力會上升得非常快；我們會習慣某個階段的模型行為，並因此信任它； 但卻沒有構建足夠健全的、整體性的安全基礎設施。
於是，我們會在不知不覺中，走向一個危險狀態。
我認為，圍繞這一點，本身就值得誕生一家偉大的公司。
AI 應該如何進入幼兒與基礎教育？
提問：我想回到教育的話題。我在高中時看到身邊的同學用 ChatGPT 寫作文、做作業；現在在大學，我們在 CS、人文等各個領域都在討論 AI 政策。我想問的是：在幼兒園、小學、初中這些塑造思維方式的關鍵階段，你作為一名父親，如何看待 AI 對教育的影響？
Sam Altman：總體來說，我是反對在幼兒園裡使用電腦的。幼兒園應該更多是：在戶外跑來跑去，接觸真實的物體，學習如何與他人互動。所以，不只是 AI，我甚至覺得大多數時候，幼兒園裡連電腦都不應該有。
從發展角度來看，我們仍然沒有完全理解技術對兒童的長期影響。關於社交媒體對青少年的影響，已經有很多研究了，而且結果相當糟糕。我的直覺是：大量技術對更小年齡兒童的影響，可能更糟，但討論得卻少得多。在我們真正理解這些影響之前，我不認為有必要讓幼兒園階段的孩子大量使用 AI。
提問：我們在生物醫藥領域。生成式 AI 在臨床試驗文檔、法規流程等方面已經非常有幫助。現在我們也在嘗試用它做藥物設計，特別是化合物設計。但一個很大的瓶頸是 三維推理能力。你認為這裡會出現一個關鍵拐點嗎？
Sam Altman：這個問題我們一定會解決。我不確定是不是 2026 年就能完成，但這是一個非常普遍、非常高頻的需求。我們大概知道該怎麼做，只是目前還有很多更緊急的方向需要推進。但這件事一定會到來。
參考鏈接：
https://www.youtube.com/watch?v=Wpxv-8nG8ec&t=2s
本文來自微信公眾號“AI前線”，作者：冬梅，36氪經授權發佈。
