公开访谈 · 山姆·奥特曼
Big Technology：OpenAI 如何取胜、AI 基建与 IPO
先看这几个判断
共 8 条重点访谈导读 · 忠实转述
在这场 2025 年 12 月的访谈中，奥特曼把竞争威胁后的 code red 描述为相对低风险、通常持续六至八周的集中应对；他称截至访谈时 Gemini 3 尚未造成原先担忧的影响，却暴露了 OpenAI 产品策略的弱点。他判断模型普遍进步后，胜负还取决于产品、分发、品牌及规模化供给；普通聊天可能有很多好选择，科学发现等前沿任务则可能继续赋予最强模型较高价值。他称 ChatGPT 的消费者基础正帮助企业业务，2025 年企业增长及 API 业务增长分别快于消费者业务和 ChatGPT，并希望把定制 API、企业产品、可信数据与智能体运行环境整合为企业 AI 平台，而非复制传统 Web 云。
他既希望 AI 从聊天与消息草稿走向按任务生成界面、在后台执行，也承认自己低估了现有聊天界面的通用性；长期记忆仍很早期，充分个性化可能不是 2026 年就能实现。对于 AI 陪伴，他主张成年用户拥有选择，同时承认存在不健康形式，并表示不会让 AI 劝说用户建立排他恋爱关系。对于工作，他引用约七成的评测偏好来说明范围清楚、时长较短的知识任务已有委托潜力，但强调评测不覆盖开放创造与大量团队协作，也承认数字可能有误、企业改变流程需要时间；他担心部分短期转型会艰难。
算力方面，他称所讨论的 1.4 万亿美元基础设施支出会跨很长时期；过去一年算力约增至三倍，收入增长大体随算力增长，而继续大幅增加训练支出会推迟盈利。他以能力提升和降价后的需求增长支持扩容，同时承认若架构效率出现极大跃升，可能阶段性过度建设，闲置且无法按单位算力盈利变现也会使质疑合理。他欢迎市场对 AI 融资更理性，预期仍可能经历繁荣和低谷。科学发现是他最期待的算力用途，但所述早期成果仍非常小，当前主要是人使用模型提问；他未确认 2026 年 IPO，认为 AGI 定义模糊，所提超智能标准也只是候选定义。
访谈观点
嘉宾观点 · 忠实转述
正在阅读 8 条重点，保留原观点编号。
观点目录 · 8 条 选择一条，跳转阅读
他认为多数领域的能力与实际使用之间存在比自己预期更大的落差，工作习惯改变之慢是重要原因。
部分程序员和科学家已改变工作方式，但很多人仍以 GPT-4 时代的方式提问，也继续沿用把任务交给初级分析师制作演示文稿等流程；他承认自己也没有充分使用 AI。
他的未来判断
他先承认 GDPval 数字可能有误，再假设明确、较短的知识任务十次有七次让人对 GPT-5.2 输出同样或更加满意，认为这种情况下应更广泛使用模型，但实际改变工作流程仍很慢。
延伸分析
如果工作惯性是主要障碍，培训、流程重构和组织激励可能比单纯模型升级更影响短期生产率回报。
相关领域：企业 AI 采用
后续观察
- 工作流程改变
- 实际任务委托比例
- 部署后的生产率
他称原本预计 2026 年才会开始的小规模科学发现，已在 2025 年末出现，但强调成果仍非常小，不应夸大。
他认为从没有新知识贡献到哪怕很小的贡献，是质的变化，并预计后续会像 AI 以往的发展一样逐步改进。
他的未来判断
他预计通向未来五年更大发现的路径可能是季度性的渐进提升，最终使得到模型增强的人类能完成此前无法完成的工作；只要能取得科学发现，他不执着于更多归功于人还是模型。
延伸分析
如果微小发现不断积累并被独立证实，人机协作科研能力可能提高；未来五年的重大成果仍是预测，并非已兑现事实。
相关领域：AI 科学发现
后续观察
- 成果规模与可重复性
- 后续季度的研究能力变化
嘉宾未来判断汇总 · 忠实转述
奥特曼猜测 OpenAI 今后较长时间可能每年启动一到两次 code red，并预计 ChatGPT 的领先幅度会扩大、企业业务可较快增长；这都是他的判断。对于访谈之后的 2026 年，他预计第一季度会出现较 GPT-5.2 显著提升的新模型，但未给出评测目标，也没有确定 GPT-6 的命名或发布日期；他还预计企业 token 需求仍会超过 OpenAI 的供给。他计划 2026 年将算力再增至约三倍，并希望随后一年继续扩张，但建设受供电、芯片、系统和网络的长周期制约，突破性效率提升也可能改变供需。他预计主要类别会逐步出现围绕 AI 重建的产品，企业会形成数据与智能体驱动的个性化关系；更完整的个人长期记忆或许不是 2026 年就能实现。他认为 2025 年末已出现非常小的人机协作科学发现，推测未来五年能力可能逐季改进；模型自主提出研究问题则更遥远。对于 2050 年的工作形态，他预计会明显不同，同时担忧部分近期过渡艰难，并希望人们仍能找到意义。
延伸分析汇总
【条件式 AI 分析】如果 OpenAI 所述的企业需求、算力利用和单位算力变现持续成立，扩容可能支撑收入与企业 AI 服务增长；但收入能否覆盖不断增加的训练费用，需要用实际成本、利用率和现金流检验，不能由过去的增长比例外推。若模型能力停滞或新架构大幅提高效率，既有建设可能暂时过量；基础设施有用途价值也不能保证每个债务融资项目获得足够回报。若范围明确的任务在真实企业流程中复现评测优势，企业采用可能扩大，但评测偏好不等于岗位替代率，流程惯性和人工协作仍限制兑现速度。以上是基于访谈观点的 AI 推演，不是奥特曼的结论或投资建议。