Sam Altman：从 12 人公寓到十亿用户，OpenAI 如何押注“不可能”

Tobi 最让我印象深刻的一点，是从 AI 很早期开始，到这条发展曲线上的每一个阶段，他一直都是最积极往前冲的 CEO。他会自己进去写软件、亲手做实验，还会给我们发非常细的反馈，既谈产品，也谈模型能力。

在其他人还没这么说的时候，他就已经在讲：我们不能做一家“NPC 公司”，所以必须采用 agents，不然就彻底完了；我们得自己把它做出来。每次跟他聊，他都站在最前沿——不只是 CEO 里最前沿，放在所有人里也一样。他亲手做，理解得很深，对东西有很强的手感。

在我看来，他经常比其他 CEO 领先六到八个月。你还记得他那封信吗？大概是一年半前，也许是 2024 年，他说处理问题时第一件事应该先问：AI 能不能解决？哪怕那已经是十八到二十四个月前，很多人还是觉得这想法疯了、荒唐。

这正是我的意思：他长期领先，而且经常是对的；他真正投入进去，又非常不来虚的。没有什么炒作，只有“它现在到底能做什么”“我觉得很快还能做到什么”“我要怎样把公司推到那里”。他对当前能力边界理解得非常深。

如果今天从零开始，用现在的技术，你会怎么做？这也是我刚才想补充的：Tobi 真的是自己做。他自己用这些工具，自己写软件，自己试模型，自己重新想象工作流。

多数 CEO 到了那个层级，下面是团队管理团队，再由那些团队去实施。大家会想让你满意，也会替你把粗糙的边缘磨平。但如果自己没在做那件事，我觉得很难真正形成“手感”。据我观察，Tobi 就是非常亲手、非常深入地做，而且像是整晚都在做。

不过，我不确定 2026 年是不是“所有生意都重新可争夺”的那一年。这里我可能会和他有一点不同意见。我理解那句话的精神，也理解为什么现在会让人感觉事情正在这样发生。

当然不可能字面意义上“每一种生意”都如此。我觉得有些东西甚至是反 AI 的：AI 越强，一些和 AI 没什么关系的业务反而越难被替代，因为人们会更想要真实、非技术性的体验，或者更在乎体育队之类的东西。所以不是所有行业，但很多软件业务，我确实认为会重新变得非常可争夺。

对。我不同意时间表。我觉得会再久一点。

我很喜欢创业公司，我觉得它们是经济里最酷的东西之一。我整个职业生涯都在努力真正理解创业公司。我们做到 GPT-4 的时候——我记得那是 2023 年——我原本以为，很快就会出现远比后来实际发生的更大规模的软件行业扰动，很多软件生意会马上重新变得可争夺

……结果并没有像我当时想的那样，马上有那么多软件业务被重新洗牌。我对速度的判断错了几件事，其中一个很重要的原因就是：经济本身有巨大的惯性。人们会继续做原来在做的事，继续向原来的公司买东西，也继续用原来的方式使用工具。

某种意义上我觉得这反而是好事。它会让我们面前这场很大的转型更平顺、更慢一些，我对此其实很感激。但这也说明，我们所有人给出的时间表都太激进了。即便 AI 是人类发明过最不可思议的技术之一，社会和经济的适应速度还是会慢很多。

百分之百有。

我很喜欢你问这个，我一直在等这个问题。对我来说，心理上最矛盾的一点是：过去二十年，我一直用同一种方式操作电脑。现在我有一个像魔法一样的东西叫 Codex；你有，所有人都能有。按理说，这意味着我应该彻底改变使用电脑的方式。

我不该还在界面里点来点去，不该把内容从一个消息应用复制到另一个；也不该无意识地刷邮件，在那些我根本不想处理的邮件里挑一封“最不痛苦”的先打开回复。我也不该继续维护一张待办清单，再用二十年来那套方式做这些机械性的电脑任务。

可我脑子里像是已经写死了：做这些事，才叫工作，才叫有生产力。你如果问我喜不喜欢这样做，我绝不会说喜欢；事实上我会说恰恰相反，而且我相信自己是真心的。但从“显示出来的偏好”看，我明明已经有更好的方式，可以更快，也可以让 Codex 多接手日常工作——清邮箱、做待办、处理这一堆杂事——我却还是照旧。

这其实说不通，除非我内心某个地方偷偷喜欢这种感觉，或者它会让我觉得自己在“认真工作”。

我真不知道。我想，它正在逐渐发生，也许这本来就是正确答案：这种改变只能逐步发生。要彻底改掉一个人已经刻进身体里的习惯和工作流，非常难。

我也觉得，我们还能基于现有技术做出更好的产品，让转变变得更无缝。可现在大家像是一只脚踩在旧世界、一只脚踩在新世界：我们仍有一台能用老办法操作的电脑，同时又有 Codex，能用一种惊人的新方式替我们操作电脑；但具体什么时候该用哪一个、做什么，大家还没形成直觉。

我认为这主要是产品层面的失败。现在这个阶段让我想到 iPhone 之前的智能手机。我当年算很早的用户，2003 或 2004 年左右就有 Palm Treo。

没有。我一直觉得那东西特别酷，当时很想要一台。其实那时很多底层技术已经有了——当然还缺 multi-touch——但更主要缺的是那些“让 iPhone 成为 iPhone”的产品理念。

我觉得今天也类似：技术拼图基本都已经摆在桌上，但我们还没有迎来那个“iPhone 时刻”，还没有一种产品把人与技术交互的方式彻底改掉。

我现在大部分精力都放在研究和算力上。我当然很想多花时间做产品，而且公司里也有很棒的人在思考产品；但我们能做的最重要的事，是造出更聪明的模型，并且让很多人都能高效、充足地运行这些模型。只要这件事做对，我相信其他东西会跟着发生。

从哲学上，我很倾向于先去找那个高杠杆、很难、却能让指数曲线继续下去的问题。对我们来说，就是模型和算力。我也觉得，这类问题天然比较适合我。

像我们这样扩算力，本身是一条非常复杂的供应链。你要设计很多有意思的合作关系，而我喜欢做这类事；还有很有意思的金融问题——你究竟怎样为一个可能已经是、或者正迅速变成人类历史上最昂贵的基础设施项目融资。

技术问题也铺得非常广：自己设计芯片、晶圆厂（fabs）的供应链、做机架的人，再到这些系统所需要的电力系统。我一直对能源很有兴趣，现在这些东西全汇到了一起。

所以当你要以这种规模建设 compute，技术、商业、政策、供应链、物流会全部交织在一起，每一层都有很有意思的问题。

我以前做创业投资。到目前为止，我职业生涯里觉得最像 startup investing 的事情，其实是管理一个研究项目。当然，两者也有很多非常不同的地方。表面上，典型研究员和典型创始人很不一样，这很明显；但底层又有很多共同点。

比如，你怎么发现非共识（non-consensus）的下注；在哪些地方形成真正的 conviction；怎样识别指数增长；怎样管理那种极端离群的天才，更重要的是怎样先把他们识别出来。我们现在就在研究大楼里，我平时也坐在这里。

一个很大的共同点就是幂律（power law）。投资圈一直讲这个，但你几乎得重新训练大脑，因为人好像天生不擅长用这种方式思考：你最成功的一笔投资，会超过其他所有投资加起来；第二成功的一笔，也会超过它后面所有投资加起来。

至少 AI 研究也是这样。我们刚开始的时候，人们觉得 AGI 要么极不可能，要么几乎根本不可能。

2015 年。2015 年我们说要追 AGI，几乎被这个领域所有“知识巨人”狠狠干了一顿。后来我们开始真正聚焦大型语言模型，又被狠狠干了一遍，大家说这完全荒谬。

至少我从创业背景里理解到一点——其他人可能通过别的路径理解——高风险的赌注本身没问题，只要你选的是那种“一旦成功，价值极大”的下注。研究就是长这个样子的。

能成为优秀研究员的人，也常常具有类似特征：非共识、新鲜的路径、高能量。我脑子里反复出现的词是“不标准”（non-standard）。

你不会想投这样一个创始人：他的想法只是比你前面见过的一千个人稍微不一样一点，却努力说服你——也可能先说服自己——他完全不同、正在做彻底新鲜的东西。很多人其实还是在努力融入人群，沿着和所有人一样的轨道走，只是觉得自己“应该”去创业。

他们听 Peter Thiel 说过足够多遍“你应该做某件别人没在做的事”，于是又开始模仿这种“不同”。但他们…

……很多人其实并不真心“不同”。真正不同的人，你一接触就很明显：他就是和大多数人想得不一样，而且愿意守住一种极不受欢迎的判断。这个判断很可能是错的，但一旦对了，会是“非常对”；而另一类人只是给大家都有的同一套想法罩了一层很薄的新外衣。

2015 年底我们创办 OpenAI 时，全世界真正以 AGI 为目标的项目非常少。有 DeepMind，还有我能想到的一两个。那是一件非常非共识的事。可同一年——我只是拿这个例子开刀，别的类别也一样——可能有成千上万的创始人在做照片分享 app。那大概不是一个那么好的下注。

今天很多人都想开 AI lab。真正值得找的，反而是那两三个、或者少数几个正在做完全不同事情的人：那件事也许直到 AI 好到今天这个程度才第一次变得可能，但眼下看起来还不像一个“好点子”。我做创业投资时最想投的就是这种东西，而且这类下注对我总体上最有效。

研究员也一样。很多研究员会去追上一件已经证明有效的东西，少数人则会对一个新想法形成很强的信念。我认为，对后面这种人来说，我们过去是、现在也仍然是最好的研究实验室。

完全可能。我不知道该给它一个什么数字，但确实存在这种概率。

这种事肯定有可能，而且我很喜欢这一点。我觉得也正因为如此，事情才一直这么有意思。

其实我一辈子都对 AI 感兴趣。我小时候就是一个特别 nerdy 的孩子，周五晚上会坐在电脑前，边玩电脑边看科幻、读科幻。我一直觉得 AI 会是最惊人、最疯狂的东西。我从没想过自己有一天真能做它，但一直都非常喜欢。

我上大学某种程度上也是为了学 AI。大一和大二之间那个暑假，我在 AI lab 工作，但什么都不奏效。我印象特别深，一个教授对我说：“这些方向你都可以试，唯一确定没用的是 deep learning。我们已经试了很久。那基本是保证你职业生涯失败的办法。”

我当时只是个很容易受影响的大一学生，就信了。于是去做别的方向。大概 2005 年左右，我的判断很明确：AI 还做不出来。

后来我算是偶然闯进创业这件事，然后彻底爱上了它。所以我甚至不愿把那段经历叫作职业绕路，因为回头看它非常有帮助。之后做 startup investor 也非常好。硅谷一种常见的路径是：先做创始人，然后半退休，转去做投资人。

但我想说的是，我后来又能往相反方向走，这件事很特别：先获得大量投资人的视角，再回去经营公司。这种路径很少见。

我对此特别感激。如果你作为投资人真的长期研究、观察很多公司，会积累一套不可思议的学习样本和 pattern matching。它对我后来经营 OpenAI 帮助极大。因为这和常见路径相反，所以很稀有，我其实非常推荐。

如果你一直只经营一家公司，过去大概只亲身遇过有限数量的类似抉择——那些真正决定命运的 crux decisions。你会知道哪些有效、哪些没用。可当你面对一次高风险战略转向，或者不得不用一种很混乱的方式解雇高管时，你能调用的通常只是自己过去五年、十年的有限经验。

做投资人不一样。你会一直看到很多公司的关键时刻。你当然得不到每天亲自经营公司那种 operating practice，但你几乎整天都在看别人撞上那些大关口。所以我当时积累的数据集特别丰富。

会。我会想：“哦，这和那家公司当时遇到的事很像；我看过那个创始人在这里犯错，也看过另一个创始人在类似问题上做得特别对。”

那你最后会从这么多案例里提炼出一个最大的洞见吗？还是说，更像是每遇到一个具体场景，你都能调出很多不同的人当时怎么做，再把它们拼起来？

不，做过两边以后，我觉得我有资格说：经营一家公司，比做投资人难太多、太多、太多了。

对。

对，我住在 St. Louis。

我觉得它会吸引所有 computer nerd，这一点在我身上并不特别。它给人的感觉是“不可能”：大家都会说，如果真能做出来，那肯定是世界上最酷的事，但它完全不可能。可能我比较怪的地方只是——好，那就试试看。

别人说“你做不到”，我不会立刻产生那种对抗式的抵抗，更像是：“你确定吗？为什么不行？试一下看看会发生什么。也许我能，也许我们能。”我小时候非常乐观，而且一件事看起来越不可能，我反而越着迷。

如果能发明一种技术，让我们借它去做几乎所有别的事，以一种任何单一技术都做不到的方式给人增加能力，这件事在我看来天然就极有吸引力。我想要的就是那个东西——我想拥有做其他一切事情的能力。

从我有记忆起，我就对“让人拥有更多力量、更多能力”这件事很感兴趣。某种意义上，这就是技术史的整条弧线。我当然一直是个 technology nerd，而 AI 是我能想象的最强版本。

这种问题最难的地方是，我很难分清：哪些真是我当时想的，哪些是我今天正在做的工作反过来改写了记忆。

但我可以确定，小时候我特别喜欢机器人。学校里有 robotics club。那时的机器人现在看简直好笑。我还记得夏令营里有一个小“乌龟”，可以用电脑控制它在地板或桌面上移动；当时我觉得那东西酷爆了。电脑能让实体东西动起来，这一直让我觉得很神奇。

现在我极其关心 AI 能怎样推进科学发现。成年后的记忆告诉我，小时候大概也觉得这个很酷，但我又觉得这有点不可信，所以很可能就是“现在的兴趣给过去的记忆染色”的例子。

可今天，AI 有机会去发现新的物理规律、治愈疾病，再看看它已经在数学上做的事——我觉得这会成为最重要的方向之一，甚至比自动化其他任务更重要，因为它能帮助我们理解更多东西。

我们之前聊过 David Deutsch 的《The Beginning of Infinity》。站在今天重新读，我会想：天啊，AI 真能帮助我们完成这件重要的事——理解一切，或者至少尽可能多地理解。

小时候我肯定也喜欢那种 Star Trek 式的未来：巨大的繁荣和丰裕，以及 AI 能怎样推动它。也许我小时候对科学的兴趣其实是真的；我一直喜欢科学，也一直觉得，只要足够聪明，我们就能理解世界、做出预测，从而完成那些没有这种深层理解时做不到的事情。对我来说，这本身就很酷。

我也是。我不读电子书。

我也不喜欢 Zoom meeting，我喜欢跟人待在真实世界里。我确实觉得有一小撮怪人——这个城市里大概还不少——不喜欢人，只想跟电脑交流。但那只是整个人类里非常小的一部分，真的非常小。

这也是为什么我觉得，即便有 superintelligence，整个世界在很多根本层面也不会变得那么不一样。人依然会在最底层的本能里关心其他人，想待在其他人身边，想和其他人互动。

当然会有一些人迷上模型，觉得人类只是碍事，或者是某种需要处理的危险。但对绝大多数人来说，人本身才会是全部意义所在。我觉得…

……这一点非常重要。如果我们真的遇到那种把人类视为障碍、只想让模型掌权的人，我觉得应该把这种倾向明确指出来，而且要确保这样的人不要获得权力。

也许我对 AI 最担心的两类大风险，彼此还有一点张力。第一类是失去控制：AI 变得过于强大，我们无法保证仍然拥有想要的控制。第二类则是权力过度集中：一家企业、一个模型或者一个人拥有太多权力。

这两种情况的共同点，是我都觉得它们非常 anti-human。正确方向应该是：让人真正掌控未来，让人真正被赋能。人才是这一切的目的。我们不能因为不信任人、不喜欢人，就坐在这里一点点把控制权交给 AI 模型。

那种“把所有信任都交给模型，让它拥有这个世界的全部权力和决策权”的想法，非常厌人类。可世界上确实有人觉得那才是正确结局。

另一种版本则是：因为我们不信任人，所以必须限制谁能获得这项技术、他们能怎么使用。我们会列出所有可能发生的可怕事情，然后因为害怕这些事情，把权力集中到少数公司手里；其他人不能真正使用技术，只能被分到一些好处。

我对此的夸张版概括是：AI 领域有些人实际上在说——“我们可以把治愈所有疾病的能力给全世界，也可以让东西变得非常便宜；交换条件是，你们放弃自主性，放弃影响未来的能力，放弃权力。我们会以安全之名这么做，而且接受极端不平等：少数人拥有巨量财富和权力，其他人则得到一个‘什么都还不错’的生活。”

我觉得这是一套非常糟糕的推销话术，也是一套非常 anti-human 的推销话术。可不知为什么，确实有人愿意这么讲。

我觉得是恐惧和权力。谈到 AI 风险时，有些人对风险的量级紧张到被它完全攫住，强烈觉得自己必须保护世界，于是会说：“这和我们以前见过的风险不同，所以这里应该用大量自由去换安全。”

但我也觉得，这最后很容易变成替追逐权力的行为提供正当化理由。

你完全说对了。回到 Claude Shannon 和 Alan Turing 那个时代，他们谈的是 AGI 会有多棒、能做多少事情。我们刚开始时，却承受了来自 doomers 的很大压力。

我认同 doomers 的一部分：这是一项非常强的技术，所以每到一个新的能力层级，我们都应该偏向安全、谨慎行事。我不同意的是“这是一个无解问题”这种判断。

回到 OpenAI 刚成立时，我觉得当时有两种广泛意见。第一，我们根本不可能——至少十年内不可能——做出很像 AGI 的东西。第二，假设真的做出来，我们肯定也没办法让它安全。

如果你有一个 AI，在很多维度上比大量最聪明的人、甚至比大多数最聪明的人都聪明，doomers 当时会说：到了那一步，世界肯定已经毁了；alignment 一定已经失败。大家对“十年后会发生什么”有非常自信的判断。

可现在我们已经造出了一个东西，按当时很多人的标准会被称为“非常像 AGI”。很多好事发生了，而那些“世界已经结束”的疯狂坏预测没有发生。我觉得这应该让人更新对未来的预测。当然，前面仍有风险更高的问题要解决。

我们的做法又来自我从 startup 学到的一件事：把东西放到现实世界里，从真实客户那里得到反馈，看它在哪里会坏、哪里不会坏。这是造好产品的办法，我认为也是造安全产品的办法。我们在 AI safety 上取得的进展，比刚开始时绝大多数人预期的更多。

因为有太多人在用。现在每周有十亿人使用我们的产品。每当模型进入一个新的能力层级，我们就把它放到世界里，看什么有效、什么无效；看哪些地方 guardrails 太紧，需要放松，因为用户确实有正当用途；也看哪里会出现 alignment failure、哪里安全系统会失效。

ChatGPT 上线还不到四年，就有十亿人在重要、敏感的事情上使用它。我们能在这么短时间里，把这么强的技术做到整体上被认为是安全的——当然它仍然有问题——我不认为靠待在象牙塔里能做到。

这就是我相信应该如何构建好的、安全的、robust、真正有用的技术与产品。我觉得这是 Y Combinator 给我的一个重要学习。如果你问过去那些 AI safety 人士，走到今天这个能力水平还能保有我们目前这种安全保证，在他们看来大概完全不可能。

从这里往后确实会更难。但我不认为把自己和现实切断，就能把问题解掉。

因为现在世界上最聪明的人，大致还和世界上最聪明的模型处于差不多的聪明水平，而这个关系正在翻转。

模型的能力实在太强，而且还沿着非常陡的轨迹进步。那些 unknown unknowns，也许相对难度未必上升，但从绝对尺度看会更难。我们会不得不做很多艰难决定：什么时候延缓开发；什么时候说“好，先让它接触现实”；什么时候又该等更久、先把某件事研究清楚。

我最近和一个人聊过一件一直留在脑子里的事。FAA 帮助航空旅行变得极其安全。飞行表面上看是一件非常危险的事，但今天大多数人上飞机几乎不会多想。飞机在人类历史的长尺度里其实非常年轻，早期航空当然完全不是今天这样。

航空体系有极其 robust 的事故报告机制，而且态度非常清醒。他们不会把问题含糊带过，而是尽可能从每一次事故里抽取信息。我觉得，对任何新技术来说，这样的路径都非常有效，却经常被低估。

所以当我们开始部署模型、决定把 ChatGPT 放进世界时，我们知道模型不完美，知道它会 hallucinate，也知道会有别的问题。但我们同样知道：世界必须亲自体验这项技术；我们必须从中学习怎么让它安全；而且必须把能力交到人手里。

我们不能用这项技术强行把自己的世界观施加给别人，也不能坐在实验室里试图预先想清所有社会影响——那本来就行不通，因为社会和模型会共同演化。我们必须把它当成一个大家一起参与的共同产品。

然后我们要认真做“事故记录”：哪里出了问题就研究哪里，写清楚 postmortem，尽可能多学东西。不只是改进我们自己的技术和产品，也尽量把这些学习分享给其他做 AI 的人。到目前为止，我觉得这套方式的效果好得出乎预料；它既有技术史上的好先例，也有 startup 的好先例。

人本来就会害怕快速的社会经济变化。我们前面聊工业革命，我也很喜欢读过去那些技术革命。工业革命发生时，人们绝不是普遍都带着温暖、积极的感觉欢迎变化。

我甚至觉得，人类社会内置一定程度的惯性、对快速变化保有怀疑，是个不错的特征。在动荡、局部疯狂之类的时期，它大概能保护社会。这也像是人类生物学的一部分，我通常不赞成太用力去对抗它。

但另一方面，AI 圈自己也把事情讲得很糟。有人会跑出来说：“有 25% 的概率我们会毁掉世界，但我们还是要冲，因为不然坏人会先做。”或者说：“这东西会很可怕，明年 50% 的工作都会消失，希望大家没事。”听起来当然吓人。

作为一个领域，我们没有很好地向人解释收益是什么，也没有很好地说明坏处怎样被减轻。就算有人给出答案，比如 universal basic income、或者“工作会变成可选”，大家也很少认真谈：为什么让普通人拥有更多权力、更多个人自由，而不是更少，是一件极重要的事。

大多数人非常在乎能不能影响自己的未来，能不能一起参与决定社会往哪里走，也在乎由此带来的 autonomy。我觉得 AI 领域不少人自己当然珍惜这些，但很少停下来反思、承认：别人同样在乎。

所以回到我之前对那套“sales pitch”的形容——我甚至不确定 characterization 算不算一个词。

它大概就是：“亲爱的农民们，我们将赐予你们治愈癌症、物质财富、很棒的娱乐这些礼物。你们别抱怨了，未来的决定都由我们来做，相信我们就好；我们会是仁慈的独裁者。”这不好，真的不好。

我热爱创业者，也一直研究过去几个世纪为什么会出现这样不可思议的经济奇迹。让我最坚定相信的东西之一，就是让人真正有能力去做新东西、追自己相信的方向，并拥有创办公司、发明技术、追求想法的自由，以及支撑这一切发生的制度。

即使一个人从不觉得自己是 entrepreneur、也永远不想创办一家大公司，他仍然能理解这种自由为什么重要。所以当他听见有人隐含或明确地说：有了 AI 以后，这种东西会更少，因为权力会集中在少数人手里，只是这些人会替大家做“好决定”并保证安全——我觉得这当然会让人害怕。

而且，就算多数人不想造一家特别大的公司，仍有很多人想开一家小公司。过去这件事很难，常常需要相当多的 privilege、运气和资源。我认为我们马上会看到历史上最大规模的一波“小企业创业潮”，AI 正在赋能这件事。

不知为什么，整个领域——也包括我们自己——没有把它讲得足够多，明明我们已经看到很多迹象。我们也还没造出足够多的产品去加速它，但我觉得接下来会看到非常多。

没有借口，我们应该做得更多。我们试过一些版本，但还没有真正做对。

说到现在这代模型，我不想说它们已经“足够聪明”了，因为我觉得我们永远都应该希望它们变得更聪明；但它们确实已经相当聪明。到这个阶段，我反而更受限于 AI 掌握的、关于我的有用 context 有多少。我希望 AI 尽可能了解我，好来帮助我；我希望它去做那些我自己做不了、或者根本不想亲自做的事情。

比如，我不可能把公司内部 Slack 上的每一条帖子都读完，也不可能把每一位客户讲的故事都看完——ChatGPT 在哪里帮到他们、又在哪里失败了，我根本看不过来。还有些事是，我当然可以再多读一些 research paper，但那会消耗很多 mental energy。可我很希望有一个 AI agent，持续试着帮我；它能读取、理解比我本人有时间或精力处理得多得多的 context，然后在我需要做决定时，把那些 context 调出来，给我很好的建议。

我觉得，我们把大量精力放在 model intelligence 上是对的；但在 product 这一侧，我们还没有充分想清楚：如果一个模型能拥有比任何一个人都多的 context，并用它来帮助这个人做重大决定，会意味着什么。我的感觉是，我们正站在一个临界点上，很快会看到一种和 AI 协作的全新方式，而且是在一条人类根本很难做到这么好的轴线上。

世界上当然有很多非常聪明的人，但没有谁能在几秒钟内读完几万页 context，再准确地用它来做判断。AI 可以做到，而这会是一种非常新的、非常强的补充。你读过这么多 biographies，肯定有时候会隐约记得某件事：如果你能准确想起某一本书里的一个具体 anecdote，它可能正好能帮到你当时在聊的那个创业者。但你可能忘了，也可能记得不够准确。

太不可思议了。这正是我说的东西。

这太酷了。

其实我觉得，我们更应该是一家 platform company，而不是 product company。当然我们会做产品。

我们刚把 ChatGPT 和 Codex 合到了一起。以前大致是 ChatGPT、Codex 和 API。Codex 这个名字多少有点 unfortunate，因为它并不只做 coding，它其实可以做各种工作，这把很多人搞糊涂了。

对，很多人都是。我的判断是，大多数人想要的其实是一个单一界面，连接他们个人或者公司的 AGI：无论需要什么，它都能帮忙；同时再有一个 API，让大家可以在它上面构建任何东西。我觉得这才是我们应该提供给世界的平台。

我们会在 cost-performance curve 的每一个位置提供很好的 AI，而且要做到最好。你想要非常高端的 AI 去做 scientific discovery——可以；你想要非常便宜的 AI，大批量完成那些不需要 genius-level intelligence 的工作——我们也覆盖。无论你把它叫一种新的 utility、新 commodity，还是别的什么，人们都会想大量使用 AI：成本要低、速度要快、效果要好、能带着自己的 context，而且整个体验要顺滑。这一层我们来提供。

然后还有一个直接面向人的产品：你需要向 AI 问问题；以后也许不是你问，而是 AI 主动给你建议。你会有这样一个 interface——它最初是 chatbot，现在也有 coding agents，未来我觉得会越来越像一个 persistent agent——连接到那个可以按你需要去运行的 AI。但就这些。我不认为我们应该进入每一个产品类别，不应该和所有客户竞争，也不应该试图吞掉整个经济。

我觉得我们应该提供这个平台，然后让一亿家新企业、八十亿人用各种新方式去使用它。一边是直接使用产品的 interface，一边是大家想怎么构建都可以的 API；这两边最终也会越来越融合。之后真正重要的，是别人拿它去做什么、在上面造什么。

对。我觉得，“牺牲好点子去追伟大点子”，是任何 entrepreneur、任何公司最难学会的课之一。杀掉一个好点子真的很痛苦。无论你以为自己多擅长做这件事，大家都很差——可能也和什么样的人会选择做 entrepreneur 有关。我自己就很差，而且我知道自己很差。

但比如去年，我们杀掉了 Sora。它是个好产品，很有趣，也很酷，但它耗很多 compute，而 Codex 更重要，所以我们把 compute 放到 Codex。我们也杀掉了自己的 web browser——Atlas。它同样是个很好的产品，我甚至认为它是最好的 web browser，但对我们来说，把那批 talent 放到别处，比继续把精力放在浏览器上更重要。

在 compute、人才、资源都有限的世界里，我们认真想过之后说：面向 knowledge work、最终面向 science 的 general intelligence，是我们能做的最重要的事情。所有处在“生成这种 intelligence”上游的东西——自己造 chip、自己建 data center、写好的 infrastructure software，当然还有训练模型——都极其重要。

但往下游，我们就把这种 AI 作为一种 service 提供出去，让人们拿它做 intellectual pursuit、工作、scientific discovery，也让个人生活更 productive。我们应该做的是一个灵活、通用的平台，而不是自己去做很多——

——别的事情。

大概分三类。第一类，是很多从很早就在这里的 researchers。我们算是一起经历了这一切，也共同形成了一套 shared language、intuition、standards——不管你想怎么称呼它。关于“现在发生的事情是什么形状、下一步可能发生什么、技术可能往哪走”，我至今没能在公司外的人身上复制这种默契。

第二类更偏 business 和 world。职业生涯很长一段时间里，Paul Graham 和 Peter Thiel 是我学到最多东西的两个人之一；直到现在，如果我卡在一个非常 non-obvious 的问题上，他们仍然是我会去找的两个人。我找了很多人，但始终没有找到其他人拥有同样的能力——能以一种极度 nonlinear 的方式思考。

如果说 LLM 做的是预测下一个词，那他们两个人就是我最难预测“下一个词会是什么”的人。这是一种非常有价值的能力。你去找他们时可能会说：“我真的卡住了，我把这些选项都想遍了。”然后对方会告诉你：“我觉得这些选项都不好。你应该看这个。”一听之下，它突然又显得完全 obvious、完全正确，但你之前根本没想到；那是一种你在别处完全没听过的视角。

很多时候其实就是：“这是一个具体要做的事情。”

真的。

他确实非常 fascinating。

在极端处往往有很大的价值。我们刚推出 ChatGPT 后，情况其实很奇怪：人们还不知道它到底该拿来干什么。它增长得非常快，但感觉又很不稳定，甚至像一种“低价值增长”——很多人只是因为好奇，想和它聊聊、看看它能做什么。

所以公司里很多人会说：“这不行，我们得找别的东西；这不是可持续的价值。”我记得大概在 ChatGPT 上线两个月后，我去找 Peter，给他列了五六件我们也许应该转而 focus 的事情。他的反应是：“除了继续盯着它正在增长这件事之外，去做任何别的东西，都是明显的错误。增长本身非常罕见，也非常了不起。”当时它还没有后来增长得那么快—

——后来那么快。他当时说，这东西的力量就像 Google 的那个 text box：一个空白输入框，你什么都可以往里面打，而它会做对的事情。它不符合当时 Silicon Valley 的主流智慧——大家会说，你得有 feed、得有 network effect、得有什么机制让用户不断积累更多东西；我们当时这些一个都没有，所以所有人才担心。那还是我们有 memory 之前，大家会问：“用户会不会积累更多 context？会不会被 lock in？会不会有这些东西？”

Peter 的意思是：那些东西都是过去二十年大家追着 Google business model 模仿出来的，而这可能是二十年来第一次出现一个新的东西。Google 已经证明“空白 text box”能工作，那你们为什么不干脆在这上面 double down？它在增长、很 flexible，除了不符合当下 Silicon Valley 的主流 wisdom 之外，其他信号都对。我听完就是：“好。”然后我们就非常猛烈地押了上去，结果非常好。

你刚才说的这个，在很多 YC founders 里其实已经成了 meme。以前去找 Paul 做 office hours，他会这样摇着手指说：“你知道你应该做什么吗？你知道你应该做什么。”有时候后面接的建议特别好，有时候后面接的建议特别糟。

但真正重要的是，他身上有一种创造力、一种很开放的 landscape，还有一种“先试很多东西”的精神。我们前面讲 iterative deployment；同样地，我觉得他也把整个 startup ecosystem 推进了这种世界：你得赶紧 ship 一个 V1；它很早、甚至让你尴尬都没关系。因为一旦把东西放到客户面前，拿到 feedback，你就能把它改得好得多。

我们推出这个东西前，我甚至不记得有没有专门问过他：“你觉得我们该不该 launch？”但我知道他会说什么。我知道它还很早，也知道它还很 embarrassing；可我同样知道，正确的事就是把它放出去，让真实的人开始用。

这一件事，我会说我是有 certainty 的。

这真的太好笑了。特别好笑。

不过不，Paul 还是有很多时候我完全预测不了他会说什么，而这正是我觉得他有价值的地方。只是“当你对产品还觉得尴尬时就 launch”这件事，我知道他会怎么说。它未必是 YC 最有价值的 tactical advice，但绝对排得很靠前。

回头看我这些年在 YC 见过的所有 founder data points，我非常惊讶：行动快、持续 iterative 的能力，和最终成功之间的相关性竟然这么强

我好像记得它就叫 The Band？

不过把 YC 完全类比成这种“自己不太成功、但影响别人”的例子，其实也不公平。按传统指标，比如它帮助创造出来的 market cap，YC 本身如果被当作一家科技公司来看，也会是最有价值的那一小撮公司之一。

但 YC 到底在多大程度上影响了过去二十年 tech industry、startup、entrepreneurship 里发生的几乎一切，我觉得外界只是部分理解。OpenAI 就是一个例子：不只是我们把产品 ship 到世界上的方式，甚至包括我们经营 research lab 的 philosophy。你如果去问这一代许多大型科技公司的负责人，我觉得他们会讲出类似故事，即使他们本人没进过 YC。

我觉得主要有两件事。确实存在一些“具体应该怎么做”的 operating system，但更重要的是一套经营公司的 philosophy：iterative deployment；让 technical people 掌权；以及愿意押注那些精力和 ambition 都非常高、但 experience 可能还少的年轻人，而且这种押注贯穿公司的各个层级。

另一件事，是 YC 对整个 ecosystem 造成的连锁改变。假设把时间拨回 2004 年，然后只把 technology 推进到 2016 年的水平，却不改变其他任何东西——startup ecosystem 长什么样、成为 entrepreneur 意味着什么、capital 怎么流动、什么样的人能经营公司——那我不认为 OpenAI 会成为可能。

YC 让 founder 拿到更多 leverage，让年轻的 technical founders 有能力筹集大量资本，也让一个履历还没被充分证明的人有机会去做极其 ambitious 的事情。没有这些 ecosystem 层面的变化，我觉得 OpenAI 不会存在。

当然也有那些好处。但我不太会把自己说成“founder → investor → founder”，因为我第一次做 founder 时其实没做得多好。那更像是一家——

那是一家让我从失败里学到一些东西的公司，但我觉得，人从成功里学到的东西要多得多。

有一句话，我简直不敢相信自己记不起出处了，我想是某部很伟大的俄罗斯小说，我不知道真的很尴尬。大意是：“所有不幸福的家庭，都各有各的不幸；所有幸福的家庭都一样。”

难怪它刚才会跳进我脑子里。我觉得这件事真的很对。回头看我做失败的事情，我通常学到的是一些比较 generic 的东西：grit、determination，或者某件事不要怎么做。但大多数事情本来就不会成功，而一件事失败可以有太多不同原因，所以很难把正确的 causation 拼出来。

可当某件事真的非常成功时，比如我看清 YC 哪些部分真正有效、OpenAI 哪些部分真正有效，再把这些 lessons 往前应用，对我的帮助远大于试图应用那些“失败的反向教训”。当然，每一个 data point 都应该尽可能学习：失败要学，成功也要学。

只是按我自己的经验，真正拿去应用时，从成功里学到的 lessons 往往非常好，而且我本来应该更坚定地重复使用它们；从失败里学到的，要么比较 generic、其实我本来就知道，要么反而会妨碍我做别的正确事情。我觉得这对很多人都普遍成立。

我极其、极其同意。我只是觉得，被提醒“多和 users 聊、早点 ship product、拿更多 feedback、对 recruit 和 hire 的人保持更高标准，而且动作更快”这些正面的东西，尤其有价值。我认为应该反复强调的是这些 positives。

那你现在觉得呢？

完全是。人们确实也会这样学。你是一个非常夸张的 student，但其实有不少人也很认真研究 entrepreneurship。他们会去找那些真正奏效的事情，从里面抽 lessons。正如你前面说的，它们在不同 industry 里经常是一遍又一遍出现的同一套东西，只是你必须不断被提醒。

而且这些东西往往一点都不 glamorous。

完全是，我能举很多这种例子。

OpenAI 和我以前所有 pattern matching 最大的不同，是从公司成立到推出第一个产品，中间隔了四年半。

对。

对。管理 research team 的很多方面，确实和挑选、辅导 founders 很像；但我们必须学习怎么在这样一个世界里前进——没有 customers 提供 external signal，却又要做一件按普通 startup 标准看几乎是灾难性建议的事情：四年半都不 ship product。

这非常难。我们试过各种办法，想用别的信号替代“customers 到底喜不喜欢这个产品”，去判断“我们的 research 到底有没有在起作用”。其中一个有效的例子，是 Dota 2 那段时间。我们在用 RL 训练系统打赢人类玩家，于是做了一个 leaderboard，让所有人能直接看到不同 ideas 表现得怎样。

那个指标是 objective、real 的，大家也会很想往 leaderboard 上爬。为了替代真实 end users，我们不得不试很多这种机制。对我来说，这是一个完全新的问题，我之前没有任何 pattern matching。

我们去问了一批真正待过过去伟大 research labs 的人。OpenAI 刚开始那个年代，Silicon Valley 里很多人——包括我——都把“创办一家 research lab”当成某种 vanity project。那几年关于 Bell Labs 黄金年代、Xerox PARC 的书非常流行，所有人都在谈这些地方。

但真正还活着、还能凭 firsthand memory 告诉你“该怎么经营这种实验室”的人其实已经不多。我们和 Alan Kay 聊了很多，也找过少数其他人。他们告诉我们一些“什么让一家 research lab 真正优秀”的经验；有些建议特别好，有些就没那么能迁移到当下。

我们没有那种东西。

我回想 OpenAI 早期，最强烈的记忆其实就是：我一直在筹钱，而且一直筹不到。那花了太多 effort，也太 frustrating 了。我真希望我们当时也有一个那样的 cash machine。

我对 OpenAI 最清楚的记忆之一，是 2015 年底我们宣布成立以后，2016 年新年刚过的第一天。大概十一、十二个人去了 Greg Brockman 的 apartment，可能是周一或者周二早上 9:30 左右。就当作 1 月 4 日吧。大家为了把这件事凑起来已经努力很久，所以每个人进门时都特别兴奋，感觉像开学第一天。

但很快，所有人开始环顾房间，然后有点像：“所以……现在我们做什么？”有人说：“好，我们应该先弄一块 whiteboard。”Greg 就让人去找 whiteboard。whiteboard 搬来了，大家又看一圈：“那现在到底该做什么？”你能感觉到房间里的 energy 开始—

——塌掉。我们谁都不知道该干什么。它不像做 product startup：不是“来，造这个产品；去和 customers 聊”。我们只是说：“好，我们想做 AGI。那也许先写几篇 papers？好，写 papers。也许先想些 ideas？好，想 ideas。”

每个人都会有“我完全不知道自己在干什么”的时刻，那就是我的一个。我们刚把这件东西 launch 出来，却没人知道下一步到底要做什么。所以我们先做自己会做的事，然后慢慢发现很多东西都行不通。

再后来，我们逐渐形成一种 rhythm：提出 research bets，然后评估它们。当然远远谈不上完美，但我们至少找到了一条可以前进的 gradient，也慢慢知道怎么给非常聪明的人提供他们需要的 resources，同时确保整个团队没有彻底迷失在 wilderness 里。

就这样过了几年，大部分时间都像 chaotic stumbling，但我们最终做出了大部分关键 discoveries。最早从那篇 unsupervised sentiment 的 paper 出发，后来变成 GPT-1，再一路变成后面的 GPT。scaling laws 的工作给了我们信心：不只是敢去买 compute，也逐渐理解模型应该怎么 scale up。

在这个过程中，我们学到 leaderboard 这种机制有效；也学到了 external demo 的力量——比如把成果展示给一位 researchers 很想 impress 的重要人物，会形成很强的驱动力。我们同样学到一些无效的东西，比如 fake deadlines。

非常奇怪的经历

我第一个孩子出生后，我每天回到家，会一边哄他睡觉一边随便跟他说话。为了有东西可讲，我就开始讲自己当天发生了什么、我们在 struggle 什么、我在担心什么、公司又出了什么事。对我来说这还挺有趣，我也想：以后他能看到这些，应该也会觉得有意思。

所以后来我开始给他写信，大概每个 Sunday 写一封。我会先这样说出来，再把它写下来。不过最后我好像总共只写了八封左右。

两个。

哦，天啊。

我没读过。

他是个非常厉害的 writer。

对我来说，真正有意思的是“写给自己孩子”这个 mindset。你几乎没办法躲在任何东西后面，因为你会非常在意孩子以后怎么看你。比如当天发生了一件事，你自己感觉并不好，就会想：“下周最好换一种做法。”这是个极其有意思的 mental framework。也许我会想办法重新开始写。