这场访谈以 OpenAI 延后一次前沿强化学习训练为起点。奥特曼称，团队观察到多项对齐偏差，叠加能力快速提升，因此把部分算力转向安全、对齐和监控，要求为这类训练建立更充分的安全依据；调整并不覆盖全部训练，也不意味着新模型已实施类似 Hugging Face 事件的攻击。他将该旧模型事件视为安全与对齐事故，主张安全优先于商业势头和竞速，同时避免把当前风险渲染成已到灾难临界点。在他看来，对齐既涉及可靠理解用户意图，也涉及保留人类控制并广泛分配 AI 能力。业务上，他称企业收入已超过消费者收入，现有模型及已具安全信心的版本仍有产品空间；公司将研发重心转向通用智能和统一的 AI 服务，并希望通过技术降本与供应链提速扩大算力供给。他对自身算力计划有信心，却担心全球出现缺少买方或收入支撑的扩张，并警告成本下降可能使高价销售假设失效。访谈还涉及岗位转型、监管、隐私、机器人和新设备；其中多项经营、技术及产品判断是他的自述或愿景，仍待独立验证。
匹配观点 · 转述 奥特曼称，OpenAI 已延后一次前沿强化学习训练，并在此前暂停或放缓部分训练，把算力转向安全、对齐和监控；当前调整针对前沿强化学习运行，并非停止全部训练。
阅读本场访谈的观点与来源。
匹配观点 · 转述 奥特曼说他当前大部分精力放在研究和算力上，认为最重要的事是造出聪明的模型并高效、充裕地大规模运行；只要做对这一点，其他一切都会随之而来。扩展算力涉及自研芯片、fab 供应链、机架、电力系统，是可能已是或正快速成为历史上最昂贵的基础设施项目。
阅读本场访谈的观点与来源。
匹配观点 · 转述 奥特曼认为 ChatGPT 和编程模型是世界真正相信 AI 的两个关键时刻，因为人们能亲手使用并获得价值，这与只听说完全不同。
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。
匹配观点 · 转述 他不认为“模型商品化”足以描述竞争：一般聊天可能有很多优秀选择，但不同模型会有不同强项，前沿模型仍能创造最大的经济价值。
在这场 2024 年 3 月访谈中，奥特曼从 2023 年董事会风波谈到 OpenAI 的权力与问责：董事会应有较大权力，也须能在压力下决策，并在可行范围内向更广泛的社会负责；法律上的解职权与实际执行能力之间仍有落差。他解释，OpenAI 从研究机构走向产品化并需要大量资本，组织结构因而逐步调整；他反对任何个人完全控制 OpenAI 或 AGI，并主张政府制定规则。谈及模型，他肯定 Sora 等系统表现出的部分世界理解，却不认为这些表现足以证明完善的底层三维模型；他看好更强推理、长任务和个人记忆，同时承认视频生成仍有缺陷，长任务很少能独立成功，幻觉也尚未解决。在应用与供给方面，他支持免费或低价工具、有选择地开源、创作者补偿和用户可控的记忆，并认为算力需求可能随价格下降扩展，而能源是扩大供给最难的一环。这些是访谈当时的观点、经历和预期，不能当作后续进展的证明。
匹配观点 · 转述 他认为 Sora 等模型对世界的理解比许多人承认的更多，遮挡处理和部分物理连续性展示了这种能力；但这些表现不足以证明模型已经拥有很好的底层三维世界模型。
本场访谈以 GPT-4 发布后的能力、使用方式与风险为主线。奥特曼把 AI 进展看作连续过程，认为 ChatGPT 的关键不只是底层模型，更在 RLHF 和界面让能力变得易用；他也强调模型价值要看对人的实际帮助，而当时的模型在精确计数等任务仍有限制。他认为 GPT-4 尚不是 AGI，语言模型可能是通向 AGI 的一部分，但还需新想法，尤其要能增进基础科学知识。对于安全，他介绍 GPT-4 经历内部测试和外部红队测试，主张在风险较低时迭代部署、借外部反馈改进，并希望对齐进步快于能力增长；同时明确承认当时尚无对齐超级强大系统的方法。治理上，他主张通过广泛社会讨论确定共同边界，在边界内保留地区与用户差异化控制，也担心反馈评审者偏见和虚假信息。谈到工作，他预计 AI 会替代、增强并创造不同岗位，但认为编程效率提高未必减少程序员，客服岗位较快缩减也只是未确定的可能；全民基本收入可作转型缓冲，却不是完整答案。
匹配观点 · 转述 RLHF 能用相对很少的人类反馈数据，显著提高基础模型的实用性；但这部分科学仍比预训练更不成熟。
这场 2022 年访谈中，奥特曼把更强的语言模型视为新技术平台的基础：搜索可能首次面临严肃的产品挑战，但挑战者能否成功、谷歌是否自行转型都未确定；可用的对话界面、自然语言驱动的计算机操作，以及医疗和教育服务，可能催生大公司。他预计基础模型集中于少数提供者，而创业公司的差异化来自针对具体用途的后续训练、专有数据反馈与应用交付；从零训练基础模型则受复杂度、成本和芯片供给限制。他同时警惕只凭‘加 AI’标签判断价值，主张看可验证的效果与可预测的改进，并为新范式探索留出空间。
科学方面，他区分专用科学模型、提高研究人员效率的通用工具，以及尚待实现的、能提出并检验解释的 AI 科学家。他期待 AI 创造新科学知识，却没有把可能性写成既成成果；在生命科学中，他承认当时模型对实验台工作的影响有限，AI 提出的想法仍须实验验证，生物过程和人体试验也有自身周期。因此，他倾向低成本、短迭代的生物创业场景，并坦言不了解改进模拟器的实际进度。
访谈还讨论了能力与社会边界：他把 AGI 的关键放在跨任务学习和完成远程同事工作，而把对齐界定为人类利益、意外事故、恶意使用与系统自身目标的共同问题；现有对齐经验不等于已有长期解法。面对可能分化的经济收益，他提出财富分配、AGI 使用权和集体治理的新社会契约，并把基本收入、受影响群体参与和技能再培训视为仍需探索的路径。对于创意劳动，他观察到当时工具主要增强创作者、少数情形替代工作；对于 AI 的整体未来，他主张既准备最坏情况，也积极争取更好结果。
匹配观点 · 转述 奥特曼预计，基础大模型将集中在少数提供者手中，创业公司的持久差异化更可能来自建立在基础模型之上的垂直模型和应用中间层。
在这场 2020 年访谈中，奥特曼把算力视为当时 AI 研究进步的重要驱动，同时强调数据仍有价值：自我对弈与模拟可在某些任务中减少预先收集数据的需求，规模扩展却也可能掩盖算法效率等短板。他关注更大训练系统、广义学习与语言交互，并认为最大模型的训练可能集中于少数机构，需要探索向无法自行训练者分享模型。对于 AI 的社会影响，他既期待新工作与人机互补，也承认未来形态难以预测、技术障碍仍大；更好的结果需要治理和主动努力。技术不能独自解决公共政策与社会信心问题，他主张让不同群体参与决策，赞成国际合作，并以分阶段发布给社会适应能力变化的时间。以上是当时的判断与主张，其中长期愿望、预测和已发生的事实不能混同。
匹配观点 · 转述 数据仍然重要，但他认为当时 AI 研究中最令人印象深刻的进步，更多来自大规模算力，而非大规模数据。
在这场 2019 年访谈中，奥特曼将 OpenAI 的融资安排与前沿 AI 研发所需的大量资本和专用计算能力联系起来。他称组织结构调整未改变为全世界工作的使命：当时的 LLC 没有传统股东，投资文件明确提示其非标准性质及价值可能归零；投资者回报目标是优质创业投资的水平，而微软轮次的回报倍数低于早期轮次。他确认微软提供的是现金投资，OpenAI 也会在 Azure 上大量支出；选择微软还涉及单一平台的执行便利、训练工作负载的适配，以及他所判断的资本、基础设施和使命契合。技术上，他把学习能力、模拟环境中的任务求解及从大量信息中形成理解视为进展，并认为多智能体互动可在简单环境产生复杂行为，但承认 AGI 研发挑战巨大、能否成功仍不确定。他同时强调系统应对齐人的真实意图，主张及早展开先进 AI 部署的全球讨论；谈到 GPT-2 分阶段发布时，他澄清当时表达的是可能存在风险而非已经确定危险，并坚持讨论研究成果的发布规范。
匹配观点 · 转述 奥特曼认为，与微软合作建设训练模型所需的超级计算机，不仅有利于 OpenAI，相关经验最终也应惠及 Azure 的其他客户。
