編輯 | 伊風、云昭

出品 | 51CTO技術棧（微信號：blog51cto）

不知道大家有沒有發現：今年的奧特曼，突然安靜了很多。

不像 24 年那樣頻繁出現在各種技術播客、大會、訪談里，甚至好多次OpenAI新發布也不見他的身影——這位 AI 圈最活躍的“CEO 網紅”，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！

在剛結束的 2025 Snowflake 峰會上，Sam Altman 作為重磅嘉賓，和 Snowflake CEO Sridhar Ramaswamy 以及 Conviction 創始人 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，內容相當凝練、有料，干貨滿滿！

比如，他給 AI 創業者的忠告發生了變化，今年的主題是：“馬上行動。”

對于企業采用大模型，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、采取觀望態度的企業老板、團隊主管們，奧特曼表示：與其等新模型，不如現在就開始。

“你會發現，那些率先下注、快速學習的企業，已經明顯領先于還在觀望的同行。”奧特曼說道。

Sridhar 點頭稱是：“不會有一個完美時刻等你一切就緒。”

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

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

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

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.模型可用性發生“質的飛躍”，AI創業者必須馬上行動

主持人Sarah：我們開場就進入正題：Sam，你會給正在應對 AI 變革的企業領導者們什么建議？

Sam Altman：我的建議是：馬上行動。現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”。

但在技術領域，有個通用原則是：當技術快速迭代時，贏家往往是那些能夠迅速試錯、降低失敗成本、提升學習速度的公司。

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，表現明顯優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”真的非常關鍵。我們對許多舊有流程的依賴其實已經不再成立，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，再持續優化。

我要再次強調 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，技術確實成熟得更快了。比如現在的 ChatGPT，已經能很好地結合網絡搜索來提供新鮮的信息，不再是那個“脫離實時數據”的工具。

不論是結構化數據還是非結構化數據，現在的聊天機器人技術已經可以投入主流使用了。當然，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用中，這項技術已經非常可用。

Sam Altman：有意思的是，我去年的觀點可能跟現在還真不太一樣。如果是對創業公司，我去年也會鼓勵他們早點上手，但對大型企業我可能會說：“可以小范圍試驗，但大多數情況下還不適合投入生產環境。”

但這個觀點現在變了——我們服務的大企業在這方面的增長是飛速的。他們現在真的在大規模使用我們的技術。我經常問他們：“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”發生了質的飛躍。

 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？

我預測到那時，我們會進入一個階段：你不僅可以用 AI 自動化業務流程或開發新產品，還能真正說出，“我有一個極其重要的業務難題，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。

那些已經開始積累 AI 實戰經驗的公司，將在未來的競爭中占據優勢。屆時他們就可以說，“來吧 AI 系統，把我這個關鍵項目完全重構一遍。”

 這是下一次質變的前奏：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：檢索技術一直是讓生成式 AI“貼地飛行”的關鍵，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頁搜索的大規模系統，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、你和系統的互動記錄，這些都會極大提升它后續的使用體驗和效率。

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

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

Sam Altman：我們最近剛發布的編程智能體 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，它就在后臺默默執行。它真的非常聰明，可以完成那種“長周期、跨階段”的任務。

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、閱讀你所有的內部文檔。它做的事情已經非常令人驚艷了。

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

現在已經有很多公司在用智能體來自動化客戶支持、推動銷售流程、甚至更多的業務方向。有些人已經在描述：他們的“工作”就是把任務分配給一群智能體，評估產出質量，分析它們如何協同工作，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現新知識，或者解決那些非常復雜的商業問題。

目前的智能體主要還能處理的是：重復性的腦力勞動，短時間周期內、低層級的認知任務。但隨著它們處理的任務變得更長線、更復雜——某一刻，我們就會迎來“AI 科學家”出現的時刻。一個能自主發現科學的新型智能體。

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 或其他產品，就光是 ChatGPT，我想大多數人會說：“這不就是 AGI 嗎？”

我們人類非常擅長“調整自己的預期”，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，其實沒那么關鍵；你說超級智能的里程碑是在 2028、2030 還是 2032，也都沒關系。

重點是：這是一條又長又美麗、令人震驚地平滑的指數曲線。

對我來說，一個能自主發現新科學的系統，或者一個讓全世界科學發現速度翻幾倍的工具系統，已經可以滿足我對 AGI 的全部標準。

當然也有人堅持，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 已經達標了。

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 字的博客內容，壓縮成三句話去描述它。這個任務非常難，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。

我記得當時心里就想：哇，這玩意，真有力量。而且后來它的表現只會越來越好。

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

Sridhar：這個問題其實是關于“設定上下文”的——當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容上。

這是一種非常強大、也具通用性的技巧。你看現在很多微調和后訓練技術，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的、哪些是無效的，然后用這個方法來提升模型的輸出質量。

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。你想實現某種結果，關鍵是要把“上下文”設定好。

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準？

Sridhar：我覺得這會變成一個哲學性很強的辯論。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。任何一個關注未來趨勢的人看到這些模型的表現，可能都會說：“這已經是 AGI 了。”

但正如 Sam 提到的，我們現在說的這些話，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，我們如何看待一臺“還不錯的計算機”可以戰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，而且他們仍然非常擅長。

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

3.完美模型：輕量、強推理、可調用所有工具

主持人Sarah：我個人有個直覺：當人們在問 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，所以我想問問你：你們內部已經在訓練下一代模型，看到別人還看不到的能力，從產品角度、公司運營角度，有哪些新的“涌現能力”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：“幫我設計一款比我們現有方案更好的芯片”；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。”

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，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。

它們的穩健性也在提升，我們可以越來越放心地讓它自主執行復雜任務。

坦白說，我以前沒想過它們會來得這么快。但現在真的感覺……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。

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

你可以把一個企業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性的問題：

如果你手上有現在 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，開發出更優秀的模型，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： 我們現在在 ChatGPT 內部、以及企業用戶中，已經看到很多案例表明——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果。

當然，你不會真的這么做，也沒有 1000 倍的算力。但現在這種能力已經變得可行，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？你是數據基礎設施、搜索優化、企業系統方面的專家，現在掌管 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。結果發現，RNA 實際上控制著我們身體中蛋白質的工作方式。

如果我們能徹底搞清楚 RNA 是怎么調控 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，就像當年用超級算力破解人類基因組一樣——這會是一個非常酷的應用方向，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）。

本文轉載自??51CTO技術棧??，作者：伊風、云昭