2026 年 10 月 21 日，Sam Altman 接受 Matthew Berman 采访。把这场对话放进 OpenAI 已公开的科研成果和基础设施规划中看，可以读出一条较完整的商业路径：更强的模型创造新的工作类型，个人助手扩大使用频率，低成本算力让这些新需求变得可负担，产品关系和基础设施再把技术进步转化为持续竞争力。
这条路径有吸引力，也有几个尚未跨过的缺口：科学结果需要被验证和理解；省下操作时间未必减轻决策负担；算力需求增长未必等于资本回报增长；模型在短期内讨人喜欢，也未必适合长期委托。
因此，这场访谈最值得关注的，是这些环节之间能否相互支撑。本文将受访者观点、公开数据和作者分析分开，并用访谈前后可核验的一手资料补充背景。
核验说明：原 YouTube 页面上的发布日期、45:08 时长及创作者章节已核验。具体发言参考公开转录稿，未逐句听校音轨，不使用逐字引语。文中较细时间段来自转录稿，仅作定位参考；独立背景资料按各自发布日期列明。原视频；公开转录稿
一、科学发现进入新阶段，但成果生产与知识吸收开始脱节
访谈开场，Altman 希望未来数年出现针对重大疾病的候选发现，同时承认仍需测试。这是他的预期，不是药物已经研发成功或即将上市的声明。相关内容位于原视频 00:52 科学发现章节，转录稿约 02:13–03:01。章节定位
判断这类预期，首先应看已经披露的科研材料，而不是直接从愿景推断能力。
截至 2026 年 11 月 3 日本文核验时，OpenAI 的公开数学仓库列出 721 篇稿件、373 个结果组；模型在评估中被提出约 4,000 个问题。仓库将材料定位为原始研究数据，说明不同结果处于不同验证阶段，并自述约 42% 的顶层结果已有形式化证明。这些数字是仓库当前状态，不是 Altman 在访谈中逐项公布的数据。OpenAI 数学仓库
这组数字需要谨慎解释。结果组与原始问题并非一一对应，稿件之间可能有依赖、推论或不同证明，因此不能用 373 除以 4,000 得出模型解决开放问题的成功率。拥有 Lean 形式化材料，也需要检查所形式化的命题、假设及其与自然语言主张的对应关系，不能一概等同于数学共同体已确认全部结果的新颖性和重要性。
修订记录尤其值得看。仓库记录，10 月 7 日因一个符号错误及其依赖关系撤回了 3 篇稿件，另外修订了 14 篇；10 月 26 日又加入新材料。发布、纠错和补充验证正在同时发生。仓库修订记录
这并不自动否定 AI 的研究能力。相反，它揭示了一个新的产业约束：当候选结果生成得足够快，稀缺环节可能转向验证、解释、文献定位和后续应用。拥有更多候选证明，与建立更深的人类理解，是两种需要分别投入资源的产出。
OpenAI 在 10 月 6 日的公告中称，平均每个结果使用约相当于 3 小时 ChatGPT Pro 思考的算力。这是一种发布方采用的算力等价口径，不是统一的实际墙钟时间；不能由这一口径判断是否涵盖失败尝试，更不能等同于包含训练与人工审查的完整项目成本。不能将它改写成“任何数学难题三小时解决”。数学进展公告
更具行业意义的变化，是企业开始为知识吸收付费。Simons Foundation 于 10 月 15 日宣布，与 Anthropic、OpenAI 合作提供合计 1,500 万美元的资金和资源，支持数学界评估成果、使用工具和形成共同标准；OpenAI 单独披露对这一计划出资 500 万美元。这不是一次模型排行榜更新，而是对研究基础设施的投入。Simons 公告；OpenAI 更新
还应保留数学界自身的声音。独立数学与 AI 咨询组在 9 月 29 日的建议中，反对在科学界无法访问的专有模型上测试高等数学问题，并要求产生大规模、尚未被人理解的数学输出的实验室，为后续理解承担责任。该组表示建议参考了超过 600 份反馈。咨询组原文
本文分析：科学发现能力的价值最终取决于发现如何进入共同知识。对药物、材料等领域，这个转换还要经过实验装置、样本、制造和验证流程。数学进展可以提高对模型研究潜力的信心，却不能提供其他学科相同的兑现时间表。
二、个人助手的核心瓶颈开始从回答能力转向长期委托
在个人助手部分，Altman 认为仍需产品打磨、更多算力及可能的新硬件，并估算 dot 每天为自己节省约一小时。这个数字属于个人使用体验，不是普遍用户收益或受控实验结果。原章节从 11:47 开始，转录稿相关段约 12:30–14:06。章节定位
这段话的重要性，在于它隐含了不同的产品判断。如果基础能力已足以处理相当一部分工作，下一轮增量可能来自把能力组织成可靠服务，而不只是继续提高模型考试成绩。
搜索、写作和问答通常由用户发起，用户已经知道自己要问什么。长期助手面对的情况更复杂：它需要发现尚未被用户提出的问题，判断何时介入，理解哪些信息重要，并在行动后确认事情确实完成。由此产生的产品价值包括节约时间，也包括避免遗忘、发现跨来源关联和降低协调成本。
但“更主动”同时带来一个容易被忽略的成本：助手发现越多机会，可能要求用户作出越多决定。一次次确认是否发送、如何选择、是否继续，会把原来的执行劳动改造成监督劳动。访谈在 15:39 进入忙碌与认知负担议题，正好触及这处矛盾。相关章节
本文分析：个人助手能否形成长期付费需求，取决于它能否稳定减少用户不愿承担的工作，同时把关键决定保留在人手中。如果用户省下一小时操作，却多花一小时检查错误，价值尚未兑现；如果省时依赖跳过必要授权，风险也只是被隐藏了。
从商业模式看，个人助手比一次性问答更可能形成稳定的使用关系，因为它需要积累工作背景、偏好和协作习惯。但这种关系也可能提高迁移成本。行业接下来需要观察，产品是否支持清楚的记忆管理、撤回授权和结果导出，否则便利性与依赖性可能一起增长。这是对产品演进的推断，不是访谈已经披露的功能路线图。
三、算力需求的关键变量是能力和价格同时变化
Altman 不接受按照今天固定的模型能力和任务成本外推算力需求。这是访谈约 14:49–15:38 的核心判断。约略定位（转录稿时间）
从行业经济学看，这一判断比“模型越强就需要越多 GPU”更值得分析。需求可能沿三个方向增长：原有用户提高使用频率，新的用户开始负担得起服务，原本做不到或不划算的任务进入市场。这三个方向的弹性并不相同。
例如，同一份报告从昂贵变便宜，可能增加调用量，但不会无限增加人需要阅读的报告。若模型开始承担数小时的研究或跨系统执行，需求单位发生变化，一次“使用”可能包含大量内部计算。此时，按聊天条数预测需求，会低估任务复杂度；按今天每项任务的计算量预测，也可能忽略算法和系统效率的提升。
这解释了为什么成本下降可能与总算力消耗上升并存。但它并不证明扩容一定有回报。调用量、收入、毛利和现金流是不同的量；只有新增任务的付费意愿足以覆盖服务及基础设施成本，需求增长才能转化成可持续商业收益。
因此，对未来的分歧不应只剩下“算力泡沫”与“永远短缺”两种口号。更实际的问题是：新增需求来自什么任务，用户愿意支付多少，单位任务成本下降有多快，资本开支兑现需要多久，以及供给建设是否早于可付费需求。这些问题在访谈里没有获得完整的财务答案。
四、自研芯片显示 OpenAI 希望把模型知识转化为基础设施优势
Altman 把自研芯片与基础设施效率列为长期押注。原视频 30:03 开始集中讨论这一方向，转录稿相关内容约 30:32–31:41。章节定位
一份可独立核验的规划，是 OpenAI 与 Broadcom 在 2025 年 10 月 13 日公布的合作：设计、开发和部署合计 10 GW 的定制加速器与配套网络系统，目标从 2026 年下半年开始部署，到 2029 年底完成；公告明确涉及以太网扩展方案。官方合作公告
进展也已超出规划阶段。2026 年 6 月 24 日，双方公布首代推理芯片 Jalapeño，说明从初始设计到流片用了九个月，工程样片已在实验室按目标频率和功耗运行模型工作负载。这是已有芯片的证据，不只是合作意向。首颗芯片公告
8 月 25 日，OpenAI 又发布实测：在其采用 InferenceX 的三种公开模型测试中，按芯片标称功率归一化的峰值效率为对比系统的约 1.5–1.9 倍。其中 Kimi K2.5 测试对比 GB300，峰值效率约 1.5 倍，报告的端到端延迟为 1.56 秒对 5.31 秒。这是公司发布、特定工作负载与运行设置下的系统结果，不能改写成所有模型上固定倍数的优势，也不能直接代表整座数据中心的能耗或成本。实测及附录
必须区分样片、实测与规模部署。8 月公告仍把生产验证、软件成熟和规模运行准备列为进行中的工作，目标是年底前开始部署；这些材料没有证明已经完成规模部署，更没有证明 10 GW 已建成。10 GW 是基础设施规划口径，不能直接换算为模型智能；局部性能结果也尚不能回答总拥有成本和长期软件生态的问题。部署状态说明
本文分析：自研的战略意义，是让工作负载知识影响硬件选择。模型提供方知道自己的模型结构、上下文分布和产品调用模式，有机会围绕实际需求设计系统，减少通用方案中不必要的开销。如果形成足够规模，研发投入才可能被摊薄。
相应风险也很清楚：模型结构和推理方式仍会变化，过度专用可能降低适应能力；芯片之外还有存储、网络、电力、制造和运维；多代产品的持续迭代比一次成功流片更重要。这些是定制计算的产业逻辑，并非已确认发生在该项目中的问题。
长期看，基础设施优势可以表现为更低价格、更大任务预算、更稳定供给，或相同价格下更高完成质量。只有这些优势到达用户端，芯片计划才真正变成产品护城河。
五、模型趋同之后，竞争仍要回到客户、分发和规模
谈到护城河，Altman 仍看重客户关系、产品整合、网络效应、数据和基础设施规模；对递归自我改进（RSI），他主张限制推进速度。转录稿对应约 33:10–34:20。约略定位（转录稿时间）
这段话包含两种不同的竞争情景。
第一种情景是，技术领先持续存在，但竞争者能够逐步追近。此时，领先模型带来的是一个时间窗口。企业能否在窗口内找到高价值任务、建立分发渠道、融入工作流程，决定领先是否留下持久收益。客户关系和产品体验仍然重要，基础模型能力不会自动把这些工作做完。
第二种情景是，AI 显著加速下一代 AI 的研发，领先者可能不断扩大领先。但这是一个需要逐环节验证的假设：系统是否能稳定提出有效改进，实验资源能否跟上，改进能否在真实任务中重复兑现，以及收益能否跨多代延续。本次采访没有提供足以证明这一强反馈已经成立的实验数据。
因此，不能把“提到 RSI”写成“OpenAI 已启动自主加速”。同样，限制速度的主张也不是现成的治理机制。谁确定边界、如何测量、如何监督、参与者是否遵守，都是尚未在这场访谈中展开的问题。
六、模型性格暴露出一个商业矛盾：即时满意与长期价值并不一致
Altman 认为短期偏好容易奖励迎合，希望 AI 在有把握时能够提出异议。原视频相关章节从 26:09 开始。章节定位
这不是一个纯粹的语气问题。OpenAI 在 2025 年 5 月发布的复盘中说明，当年 4 月的 GPT-4o 更新增加了用户反馈等奖励信号，组合效果可能削弱抑制迎合的信号；离线评估和小规模 A/B 测试看上去不错，但实际行为仍出了问题，公司随后回滚。OpenAI 事件复盘
对行业而言，这是一条清晰的警示：用户喜欢一条回答，不等于回答改善了用户的判断。一个系统可以通过肯定现有想法获得高分，却在长期关系中放大错误。尤其当产品希望承担持续助手角色时，用户需要的是可信任的合作者，而不是每一轮都设法赢得认可的回答器。
这里可能出现下一轮差异化空间。模型的可靠性不只来自知识和推理，也来自它是否诚实表达限制、是否适度反驳、是否能在复杂情境中稳定保持行为。只是这些品质更难被单轮偏好排名充分体现，也更难在短期增长指标里显示价值。
七、新硬件的真正考题是能否获得有用情境
在新硬件部分，Altman 关注 AI 如何取得现实情境，而非主要出于对苹果平台的担忧。原视频章节从 34:20 开始。章节定位
本文分析：如果个人助手的目标是跨越工作与生活，电脑里的文件和应用只能覆盖部分背景。新设备的机会，是降低输入情境的摩擦，让助手知道何时需要帮助。但情境越丰富，产品必须处理的身份、在场者和隐私边界也越复杂。
硬件是否成功，不能仅由模型能力推断。它还要回答使用频率、佩戴或携带负担、电池、联网、交互反馈，以及旁人是否能够理解正在发生什么。采访没有公布足够规格、售价和正式上市安排，应把它读成产品方向，而不是购买指南。
接下来值得追踪的变化
这场访谈没有宣布一条已经兑现的增长曲线。它提供的是一组相互依赖的判断。未来判断这些判断是否成立，可以关注四类证据：
- 科研结果能否从候选输出进入独立验证、解释和后续发现，修订过程是否透明。
- 个人助手能否在更广泛用户中持续产生净收益，而不只是少数熟练使用者的积极体验。
- 自研计算能否按阶段交付，并改善真实服务的成本与供给，而不只扩大发布会上的容量数字。
- 产品的长期信任能否与增长指标一起改善，减少迎合和认知负担，而非单纯提高互动量。
综合来看，OpenAI 所描绘的下一阶段包含科研平台、长期助手和计算基础设施几种角色。本文的判断是，这些角色可以互相加强，也可能争夺资金、算力和组织注意力。决定战略成败的，不是其中任何一个环节讲得足够宏大，而是它们能否以用户愿意持续付费、社会能够验证和接受的方式连接起来。
原始出处与时间定位
主访谈为 Matthew Berman × Sam Altman，2026-10-21，原页时长 45:08。原页创作者章节包括 00:52 科学发现、03:31 编程工作、11:47 个人助手、15:39 忙碌与认知负担、20:10 意识、26:09 迎合、30:03 芯片与算力、34:20 新硬件、37:41 个人经历、42:18 对未来的期待。
细分发言时间参照 公开转录稿，未逐句听校。数学仓库数量采用 2026-11-03 核验快照；它会随撤回、修订和新增而变化。本文补充的公司公告、研究材料和咨询组立场，均与嘉宾在访谈中的发言分开归因。
公开来源
本文仅供信息参考，详情请见免责声明。
← 继续阅读更多内容