David Senra - Sam Altman on Building OpenAI & Betting on the Impossible

亲自使用、企业重构与采用惯性

先看Tobi Lütke。Sam Altman认为，这位Shopify Inc.领导者会亲自写软件、试模型，并给OpenAI极其细致的前沿反馈，常比其他CEO领先约六—八个月。David Senra说，Tobi Lütke大约在十八—二十四个月前、可能是二零二四年，就提出先问人工智能能否解决问题；他还预测二零二六年许多企业会被重新构建，希望自己做出AI-native版Shopify Inc.，晚上也在重新设想工作流。注意，这是预测。Sam Altman理解方向，却不确定二零二六年会不会如此彻底。他预计许多软件业务更容易被新进入者争夺，但并非所有行业都被重做；人工智能越强，真实的非技术体验和体育等人类活动反而可能更受欢迎。他也承认，自己在二零二三年高估了软件业立刻被颠覆的速度。客户会继续买熟悉的产品、沿用熟悉的工具，经济与行为惯性让社会适应慢于技术，变化可能落在二零二六年，也可能拖向二零四六年。亲自动手能更早看见机会，但大规模采用仍需要时间。

David Senra据此追问，连发明和最早使用人工智能的人是否也会受旧习惯束缚。他用两个历史例子把阻力说得更具体。他转述Larry Ellison在一九八零年代的看法：软件已经装好，真正困难的是让客户改变行为。Netflix, Inc.开始邮寄DVD后，仍有人照常去Blockbuster，也说明技术人员常低估习惯。于是，企业竞争有两条同时运行的曲线：模型能力可以很快上升，人的采购、信任和工作方式却缓慢迁移。

这也是Sam Altman为何强调，CEO若不亲自使用工具，就很难获得技术边界和工作流变化的一手感觉，更难判断。

判断优先级也因此改变。

从旧工作流到尚未到来的产品跃迁

有趣的是，连Sam Altman本人也被旧习惯困住。他说自己用了约二十年同一种电脑工作方式：在消息应用间复制内容、刷邮件、维护待办清单。明明Codex能更快完成不少事情，实际行为却仍把手动操作当成“工作”和“生产力”。他认为，我们正站在传统电脑与AI agent之间，不知道什么时候该自己点、什么时候该交给代理，这首先是产品设计没有解决的问题；更无缝的产品可能逐步改变工作流。Sam Altman认为人工智能需要的技术部件已经大体齐全，并把今天比作约二千零三或二零零四年的智能手机：Palm Treo、T-Mobile Sidekick已经有很多部件，却还没出现iPhone那种重塑交互的整体跃迁。David Senra提到Josh Kushner把Sam Altman与Steve Jobs相比，并借一则MacBook评审故事追问Sam Altman是否也主要从自己的需求出发改进产品：原定约一小时，Steve Jobs很快就用“开合能否像开关一样即时”定下标准。领导者的直接体验，有时比长篇汇报更能暴露产品缺口。Sam Altman则说，他目前仍把大部分精力放在研究和Compute上，只希望未来能给产品更多时间。

这就是为什么“技术部件已经存在”还不够。只要用户每天还要判断该让代理做什么、该自己点击什么，新工具就没有真正接管工作流。Sam Altman期待的产品，不只是更强模型，而是把界面、上下文和代理能力组合起来，让新行为自然胜过旧行为。他并不知道转折点何时出现，因此只说改变正在逐渐发生，而不是宣布iPhone式时刻已经到来。

所以，产品跃迁首先是行为设计问题，而不只是模型参数继续增长。

模型、算力与幂律研究下注

Sam Altman把OpenAI的高杠杆任务压缩成两件事：造出更聪明的模型，让大量用户有足够Compute运行它。Compute建设牵涉合作、融资、芯片、晶圆厂、机架、电力、政策、物流和供应链，他甚至形容这“可能已经或正成为历史上最昂贵的基础设施项目”；这是他的判断。研究管理则像早期投资，要找非共识赌注、指数增长和异常人才。他认为投资与人工智能研究都服从Power law，最好的单个结果可能超过其余结果总和。OpenAI在二零一五年追求Artificial general intelligence时遭到强烈批评，后来押注Large language model又被认为不合理。但只要成功价值极高，高失败风险仍可接受。与数千个照片分享应用相比，他宁愿寻找两三个真正新颖、可能失败的方向，也不愿给流行思路包一层薄壳。优秀研究者和创始人往往非共识、高能量，也愿意坚持不受欢迎的观点。资源因此不能平均分配，而要追踪少数可能形成巨大结果的离群点；不过，非共识不等于必然正确，仍要判断增长证据、人才和Compute约束。

David Senra又转述Demis Hassabis的判断：即使前沿大实验室只剩少数，独立研究者仍可能从无人考虑的角度突破。他用“像修士一样独自研究的人”作极端例子，并随口抛出百分之十；Sam Altman只同意可能性存在，没有给出概率。大型实验室的资本和基础设施优势很强，却不能从逻辑上排除边缘路径，这正是非共识研究与Power law共同留下的空间。

真正的管理难点，是在巨大潜力和有限资源之间持续校准下注。

从人工智能研究者、投资者再回到创始人

Sam Altman从小喜欢电脑和科幻，周五晚上常玩电脑、读或看科幻，大学时进入人工智能实验室。大一到大二之间，一位教授告诉他Deep learning已经长期失败，继续研究会损害职业发展。他接受了建议，转向别处，并在约二零零五年觉得人工智能没有进展。David Senra从二零一五年前后的选择问起，Sam Altman说，后来偶然进入创业领域并真正爱上它，而创业和投资经验又帮助他经营OpenAI。他希望余下职业生涯继续现在的工作，而不是把投资当作半退休路径；这仍是个人意向。投资者转回经营者的好处，是积累大量关键决策样本。一个经营者在过去五或十年里，也许只经历少数战略大转向或在混乱中更换高管；投资者却能反复观察不同公司。Sam Altman做高风险决定时，会回想类似公司与创始人过去做对或做错了什么。但他也强调，模式识别不能替代日常运营，亲自经营远比投资困难。投资提供地图，最终仍要由经营者在信息不全时承担后果。

David Senra也说，制作Founders约十年，让他能调用Andrew Carnegie、John D. Rockefeller等历史创业者的做法，像一个在创业史上训练、温度调高的Large language model。但案例不是配方：同一原则落到不同创始人身上，要看个性与目标。Sam Altman的路径因此形成闭环——早期研究选择受权威影响，创业训练执行，投资扩充样本，最后又回到人工智能组织。

这条路径并不常见。

乐观、不可能任务与科学丰裕愿景

为什么Sam Altman会回到一个被认为不可能的方向？他的回答是：很多电脑爱好者都觉得人工智能很酷但做不到，而他听到“不可能”时，会追问为什么不能试。越不可能的事越吸引他，因为人工智能能赋予个人能力，而个人赋权正是技术发展的长期弧线。St. Louis童年的电脑兴趣是背景，不过他先提醒，成年工作可能重写童年记忆。他仍记得学校机器人俱乐部，也记得夏令营里由电脑控制的小海龟机器人；吸引他的，是软件可以驱动物理世界。面向未来，Sam Altman预测，人工智能推动科学发现、发现新物理、治疗疾病和推进数学，可能比一般任务自动化更重要。它也许帮助人类理解更多事物，走向The Beginning of Infinity和Star Trek式的繁荣与丰裕。这里的乐观并不是保证成功，而是把“不可能”变成可实验的问题；科学发现和丰裕都仍是愿景，不是已经发生的结果。

David Senra还讲到Claude Shannon与Alan Turing的早期愿望。Claude Shannon 的口述史支持 Alan Turing 在一九四三年访问 Bell Labs 时与他讨论机器智能；Alan Turing 档案则支持 Turing 公开讨论机器推理与诗歌。至于David Senra所说“一九四零年代预测约十五年后出现超人电脑”，以及数学、诗歌、治病三项共同清单，仍只是他的转述。Alan Turing公开论述确实涉及机器推理与诗歌。Sam Altman认为今天系统已能参与数学发现、也会写诗，只是诗还不够好；他感叹两位先驱若能看到今天，会很有意义。

这条路线把童年兴趣、科学使命和个人赋权连成了同一条长期叙事。

但结果仍是愿景。

人类连接与两种权力风险

David Senra预测，人工智能在音乐、播客上可能做到与人类相当甚至更好。但即使两个AI agent的节目更有趣，听众仍可能因为在意真实人物而选择人类对话。于是，纯参考型内容更容易被替代，依赖人物关系和连接的内容反而可能升值。Sam Altman赞同，人类会持续寻求与他人的互动；两人也偏好实体书、电话或当面交流，而不只依赖Zoom Workplace。谈到治理，Sam Altman把风险分成两类：一是人类失去对过强系统的控制，二是权力集中到单一公司、模型或个人。他主张人应掌控未来，不能因为不信任人类，就把世界决策权交给模型。他反对以治病、廉价商品和娱乐为交换，要求公众放弃自治的“仁慈独裁者”方案；恐惧既可能让人用自由换安全，也可能替权力追求提供理由。但这不代表忽视危险。他仍建议每个技术阶段都谨慎行动，在不确定时偏向安全。安全与自由不是二选一，治理要同时防失控和中心化。

这里，媒体偏好和治理其实连在一起。人们若仍珍视真人、关系和面对面生活，社会目标就不能只剩模型分数、低价商品或娱乐供给，还要保留选择与参与。失控风险要求能力越强越谨慎；中心化风险要求安全不能成为少数主体永久垄断决定权的理由。Sam Altman的立场是让技术扩大人的行动空间，而不是用一个自称更懂人类的系统替人类生活。

用真实部署建立安全反馈回路

Sam Altman不接受“AI safety不可解决”的断言。他说，过去有人确信十年内不会出现类似Artificial general intelligence的系统，又认为一旦出现就必然毁灭世界；而OpenAI已经造出按当年标准很像Artificial general intelligence的系统，极端灾难并未出现，判断就应随现实更新。他主张Iterative deployment：把模型受控地放进真实世界，观察合理用途、Guardrail过严、AI alignment失败和安全系统失效，再改进产品与安全。Sam Altman称，ChatGPT在不到四年里达到每周约十亿用户，并认为总体表现安全；他判断，这种学习不可能只在象牙塔中完成。但他也预测后续挑战更难。能力越高，未知未知越多，开发者越要判断何时延迟、何时继续研究、何时接触现实。他用Federal Aviation Administration和事故报告制度作方法类比：故障要被记录、复盘、共享，才能成为下一轮改进的证据。即使模型仍会幻觉，受控部署也能让社会体验技术、让用户获得能力，而不是由实验室单方面决定世界观。

Sam Altman给出的部署理由有三层：让社会逐步体验技术，学习怎样提高安全，把能力交给用户而非只留在实验室。社会与模型还会共同演化，所以实验室无法提前枚举所有影响。出现问题后，他主张给出清晰复盘，并把所得分享给其他人工智能建设者。换句话说，发布不是终点，而是获取现实反馈的开始；能力越强，接触现实的范围和节奏越需要重新判断。

而非一次定论。

恐惧叙事、创业赋权与行业教育

为什么人们一边用人工智能，一边害怕它？Sam Altman认为，面对快速社会经济变化，人类天然会恐惧、怀疑并依赖惯性，Industrial Revolution等转型也有类似反应。但行业又用“百分之二十五毁灭世界”“下一年百分之五十工作消失”一类说法放大焦虑，同时继续竞赛。这两个百分比是他批评的话术，不是确认预测。他认为，行业没有讲清人工智能的利益、负面影响如何缓解，以及自由、自治和参与未来为何重要。他反对少数人用治病、富裕和娱乐换取替公众做决定的权力，因为创业、创建公司和发明技术所需的个人赋权，是近代经济成就的重要基础。Sam Altman还预测，人工智能可能带来史上最大的小企业创业潮，降低特权、运气和资源门槛；同时承认OpenAI没有充分解释这种赋能，也没做出足够多的加速产品。David Senra引述The Intel Trinity中Robert Noyce、Andy Grove、Gordon Moore开课教育市场的故事，建议人工智能公司也主动教学；课程规模属于书中叙述。Sam Altman同意OpenAI应该做得更多。

David Senra认为人工智能行业尤其不善于向公众解释技术价值。他还转述Tobi Lütke的说法：Shopify Inc.与Founders虽然方式不同，却都在创造更多创业者。这提醒我们，教育不只是公关，而是让潜在使用者理解新工具能做什么、怎样进入自己的工作。若创业潮真的出现，受益者可能包括过去缺少资本、关系和好运的小团队。不过这仍是Sam Altman的预测；他对现状的判断，是OpenAI此前尝试过教育市场，却还没有找到正确方法。

个人上下文与平台边界

Sam Altman认为，最新模型已经相当聪明，更大的限制是缺少个人上下文。他希望AI agent能读取自己来不及处理的Slack、客户故事和研究论文，在决策时给建议；他预测，系统若能在数秒内准确处理数万页材料，会成为人类顾问难以匹敌的补充。David Senra已经做了一个内部工具：收录二零一八年以来的读书笔记、摘录和Founders内容，每天用于制作节目。它能找回约七年前关于Robert Noyce、John D. Rockefeller的资料，也在两三周前为Claude Shannon节目检索旧笔记。模型的聪明加上长期材料，才让建议真正相关。公司战略上，Sam Altman希望OpenAI更像平台，而不是覆盖所有品类。他表示ChatGPT与Codex已经合并，核心是统一人工智能界面和Application programming interface：既提供科学发现所需的高端系统，也提供低成本的大规模工作能力。他预测聊天框与编码代理会变成更持久、可能主动帮助用户的界面，并希望平台服务一亿家新企业和八十亿人。这是愿景；重点是让外部开发者构建，而不是OpenAI吞下整个经济。

这套平台同时覆盖成本—性能曲线：一端是用于科学发现的高端系统，另一端是便宜地完成大量无需天才级智能的工作。Sam Altman想要的是个人或企业的单一Artificial general intelligence入口，既能持续理解用户，也允许开发者通过Application programming interface把能力接到不同场景。上下文解决“建议是否相关”，平台边界解决“谁来决定具体用途”，两者共同避免一家公司的产品清单代替整个生态。

为通用智能舍弃好产品

战略聚焦最痛苦的地方，是要为伟大想法放弃好想法。Sam Altman认为，这是创业者最难学的功课之一，他自己也不擅长。Sam Altman称，OpenAI在此前一年内部决定停止Sora，把有限Compute转向更重要的Codex；OpenAI 官方说明把 Sora 网页和应用体验停止服务日期列为二零二六年四月二十六日，API则有后续停止时间。两者分别是内部资源决定和公开产品时间线，不能混为一谈。他还说，OpenAI停止了名为ChatGPT Atlas的网页浏览器，把人才转去更重要的方向。Sora与Codex争夺Compute，ChatGPT Atlas与其他项目争夺人才，说明好产品之间也存在机会成本。Sam Altman判断，有限资源应优先投向服务知识工作、最终服务科学的通用智能；自研芯片、数据中心、基础设施软件和模型训练，都应把通用人工智能做成灵活平台，再由用户形成具体产品。这套逻辑与平台边界一致：越上游、越通用，潜在外溢越广。但它仍是管理判断，并不保证每次取舍都正确。

这不是说Sora或ChatGPT Atlas没有价值，而是说资源有限时，价值必须和机会成本一起比较。若OpenAI亲自进入每个终端品类，不仅会分散Compute和人才，也会与平台上的客户竞争；若集中在模型和基础设施，外部团队就能形成更多产品。Sam Altman承认自己不擅长放弃好想法，也说明聚焦并非轻松口号，而是不断在眼前可见的产品与更上游、回报更不确定的能力之间做选择。

取舍本身也要接受结果反馈。

思考伙伴、聚焦信号与尽早发布

复杂决策需要思考伙伴。David Senra用Charlie Munger的Orangutan theory，以及他为Warren Buffett组织思路的作用举例。Sam Altman的伙伴，一类是长期共事的研究同事，另一类是Paul Graham与Peter Thiel；后二者擅长提出未被列入选项、事后却很明显的方案，有时也给出具体建议。ChatGPT发布约二个月后增长很快，OpenAI却担心只是新奇，内部列出另外五—六个方向。Sam Altman转述，Peter Thiel认为转向明显错误，应加码已经增长的ChatGPT；它像Google LLC的空文本框，什么都能输入。虽然产品不符合过去二十年Silicon Valley偏爱的信息流、Network effect和锁定模板，集中投入后的结果很好。Sam Altman把这称为重要的“简单天才”建议。Paul Graham提供的则是迭代规则：Y Combinator office hours里的具体建议有好有坏，稳定精神是开放尝试。Sam Altman主张尽早发布V1，依客户反馈改进；ChatGPT虽早期且令人尴尬，也应上线。David Senra还说，Charlie Munger去世前几个月提到，与Warren Buffett合作六十五年后，原则已经内化到无需频繁通话。好顾问既给答案，也塑造判断方式。

这三个故事构成一套决策方法。把问题说出来，先迫使自己整理逻辑；Peter Thiel式顾问再帮助识别最稀缺的信号——高速增长；Paul Graham式原则则要求尽快行动，让客户反馈替代内部想象。顾问价值不只在某次答案，还在长期内化。正如David Senra转述的Charlie Munger与Warren Buffett，合作六十五年后，对方可能在电话打出前就知道你会怎么回答。

两类顾问分别减少两种错误：一类防止团队忽略已经出现的强信号，另一类防止团队因产品不完美而迟迟不接触真实用户。

Y Combinator生态、成功样本与重复原则

Sam Altman认为，Y Combinator不只创造商业价值，还改变了过去二十年的科技创业生态。OpenAI的Iterative deployment、技术人员主导，以及押注年轻、高能量、有雄心但经验较少的人，都受它影响。David Senra用The Velvet Underground影响后世音乐人的故事类比这种文化扩散。Sam Altman说，Y Combinator还改变了创始人杠杆、融资、雄心项目和履历门槛；如果只有技术从二零零四年推进到二零一六年，而生态没变，OpenAI不会成为可能。谈到学习，他认为失败往往原因太多，容易错判因果；从Y Combinator和OpenAI的成功中找出真正奏效的部分，更容易迁移。他仍主张从每个数据点学习，但失败教训常只是早已知道的泛化原则，甚至会干扰判断。David Senra把Founders比作“创业者的教堂”：像周日反复讲共同故事，提醒人多接触用户、尽早发布、获取反馈、提高招聘标准，少参加会议和晚餐，把时间放在制造与销售产品。原则不新，难的是重复到能够执行。

David Senra一时找不到Sam Altman的明确历史对应人物，玩笑说希望一共谈八次，到第七次再回答。他还转述Doug Leone谈过一位离开风投岗位、后来创建Nubank的创始人，用来说明投资者转为大型公司创始人的路径罕见；约十年或十五年、约一万家公司，都是David Senra的概数。Sam Altman则说，跨产业研究真正成功的企业，常看到同一批原则不断重现；甚至讲给别人多次，自己仍可能没有做到。

所以，反复提醒并非缺少新知，而是对抗执行中的遗忘。

四年半无产品时如何管理研究

OpenAI从成立到第一个产品用了四点五年，这和Y Combinator“尽早发布”几乎相反。Sam Altman说，最难的新问题是：没有客户反馈时，怎样管理研究团队？答案不是停止迭代，而是寻找替代信号。Dota 2研究期间，Reinforcement learning系统在排行榜上的表现，以及能否击败人类，提供了客观反馈，让不同想法可以比较。团队也研究Bell Labs与Xerox PARC的历史，并向Alan Kay等参与过优秀实验室的人请教；有些建议有效，有些不适合当下。关键不是照搬旧组织，而是得到能改变下一步行动的信息。排行榜把模糊争论变成可观察表现，历史经验扩展管理选项。没有客户时，研究组织仍需要真实的学习回路，否则多年探索很容易失去方向。这也提醒我们，“尽早发布”是高价值原则，却不是脱离任务性质的绝对命令；产品尚不存在时，管理者要先创造可信的进展梯度。

替代信号还必须足够真实。假截止日期只制造紧迫感，却不告诉团队哪条路线更好；排行榜、胜负和可信的外部反馈，才会更新判断。Dota 2的例子有价值，正因为结果直接暴露研究想法是否奏效。向Alan Kay等人请教也不是索取标准答案，而是扩大组织设计的候选集合，再由当前任务筛选。研究管理与创业迭代的共同点，都是尽快获得会改变下一步资源配置的信息。

反馈质量决定研究方向。

从公寓里的迷茫到研究节奏

Sam Altman回忆，OpenAI在二零一五年成立，早期没有Bell Labs那种母体利润支持，融资也不顺利。二零一六年新年后的第一个工作日，大约十一或十二人在Greg Brockman的公寓集合，约上午九点或九点三十分，找来白板后却发现没人知道下一步做什么；“一月四日”只是谈话中的假设日期。团队从写论文、想点子等熟悉动作开始，在大量失败中逐渐学会提出、支持和评估研究赌注。多年后，路线从Unsupervised sentiment neuron走到GPT-1及后续Generative Pre-trained Transformer，并借Scaling laws建立扩大模型、购买更多Compute的信心。Sam Altman说，排行榜和向重要外部人士演示有效，人为制造的假截止日期无效。区别在于，前两者会带来更新判断的信息，假日期只有压力。约十年后回看，这不是按蓝图执行的成功史，而是从迷茫开始，靠可比较任务、外部反馈和资源选择，逐步形成研究节奏。

早期融资困难又让选择更尖锐：团队没有无限资源，必须辨认哪些赌注值得继续支持。写论文、讨论想法或设置日期，都可能显得忙碌；只有可比较表现、重要外部人士的反应和Scaling laws等证据，才真正提高对方向的信心。第一天找白板却不知道做什么，与后来敢于扩大模型和购买Compute之间，没有一条预写路线，连接两端的是多年失败、反馈和逐渐成形的选择机制。

研究节奏的形成，本质是把混乱尝试逐步转成可比较、可追加、也可停止的下注。

组织也在持续学习。

给孩子写信：组织记忆也是道德镜子

第一个孩子出生后，Sam Altman会在哄睡时讲当天的工作、担忧和难题，后来每周日写成信，却只写了约八封；他有二个孩子。David Senra劝他恢复记录，因为创始人通常不会在四十岁写自传，等到六十或七十岁、尤其七十岁回望，许多现场细节已经丢失。他引用Jeff Bezos关于“做能自豪地讲给孙辈听的事”的说法，也举Michael Moritz的The Little Kingdom: The Private Story of Apple Computer为例：书记录Apple Inc.最初六年，结束时Steve Jobs还没离开公司，因此保存了结局尚未确定时的心态。Sam Altman说，写给孩子还有道德作用：如果在意孩子未来怎样看自己，就很难掩饰一次让自己感觉不好的决定，写下来会推动下一周做得不同。信件既是组织记忆，也是个人镜子；即使只作内部材料，也能保存决定形成的现场。Sam Altman最后只说，也许会重新开始，所以这仍是可能性，不是已经恢复的习惯。

记录越靠近事件，越能保留当时不知道结局的判断；等成功或失败已经发生，回忆很容易被结果重新整理。写给孩子又比普通日记多一层约束，因为读者是Sam Altman最在意如何评价自己的人。David Senra强调，即使不公开、只留下内部书稿，也能帮助未来的家人和组织理解决定怎样形成。它保存的不只是大事件，还有担忧、犹豫和下一周准备改正的具体心态。

这也是为什么创业史的价值，不只在结果，更在保留结果出现前的选择与责任。