不知道大家有没有发现：今年的奥特曼，突然安静了很多。
不像 2024 年那样频繁出现在各种技术播客、大会、访谈里，甚至好多次OpenAI新发布也不见他的身影——这位 AI 圈最活跃的“CEO 网红”，仿佛一下子就开启带娃模式、退居幕后了。
可偏偏，在这个 AI产品、Agent、大模型都在飞速迭代的时间点，我们又特别想知道他最近在想什么。
好消息是：他终于公开露面了！
在刚结束的 2025 Snowflake 峰会上，Sam Altman 作为重磅嘉宾，和 Snowflake CEO Sridhar Ramaswamy 以及 Conviction 创始人 Sarah Guo 进行了一场信息密度极高的炉边对谈。
短短二十分钟的访谈，内容相当凝练、有料，干货满满！
比如，他给 AI 创业者的忠告发生了变化，今年的主题是：“马上行动。”
对于企业采用大模型，这是奥特曼首次果断、鲜明的表示支持。
对于所有还在等待更新的 GPT-5 模型、采取观望态度的企业老板、团队主管们，奥特曼表示：与其等新模型，不如现在就开始。
“你会发现，那些率先下注、快速学习的企业，已经明显领先于还在观望的同行。”奥特曼说道。
Sridhar 点头称是：“不会有一个完美时刻等你一切就绪。”
此外，奥特曼给出的第二个判断是：是关于智能体（Agent）的。他认为：“未来工作的基本单位，是AI Agent。”
Altman 形容，现在更像是你请了个AI实习生：你丢给它一个任务，比如“帮我找出我们官网漏掉的SEO优化点”，它自己去读你的网站代码、查搜索趋势、扫你的GitHub和Slack聊天记录，然后给你一个优化方案草案，你只需要点“同意”或“再改改”。
而 Altman 表示，这个“实习生”，很快就能变成能独立负责项目的工程师。 也就是说，未来的工作，可能不是“你完成10个任务”，而是“你指挥10个智能体”，再去微调它们的成果。
最后，他还透露了自己心中的“完美模型”：
“体积很小，但拥有超人级别的推理能力，运行速度极快，有一万亿 tokens 的上下文窗口，并能访问你能想象的所有工具。”
👇下图为现场截图：
左起：Sam Altman、Sarah Guo、Sridhar Ramaswamy
以下是这场访谈的整理实录，Enjoy：
1.模型可用性发生“质的飞跃”，AI创业者必须马上行动
主持人Sarah：我们开场就进入正题：Sam，你会给正在应对 AI 变革的企业领导者们什么建议？
Sam Altman：我的建议是：马上行动。现在还有很多犹豫不决，模型变化太快，大家都想着“等等下一个版本”或者“看看这两个模型谁更好”，或者“这波趋势最终会往哪走”。
但在技术领域，有个通用原则是：当技术快速迭代时，赢家往往是那些能够迅速试错、降低失败成本、提升学习速度的公司。
我们目前观察到的情况也印证了这一点：那些尽早下注、快速试验的企业，表现明显优于观望和等待的同行。
Sridhar：我完全同意 Sam 的观点。我还想补充的是：“好奇心”真的非常关键。我们对许多旧有流程的依赖其实已经不再成立，但很多人没有意识到。如今很多平台，比如 Snowflake，让你以非常低的成本进行实验，可以做出很多小测试，从中提炼价值，再持续优化。
我要再次强调 Sam 的话：能迭代得越快，越能从 AI 中获益。因为他们知道什么有效、什么无效，他们能应对未来快速变化的局势。
接下来的几年，不会有一个“完美时机”让一切尘埃落定。你只能在混沌中快速前进。
主持人Sarah： 那你的建议和去年相比，有哪些不同呢？
Sridhar：其实，我去年也会说一样的话。尤其是“保持好奇”和“允许试错”——
这两点一直都很重要。关键是你要在那些“失败成本很低”的场景中去试错，而这样的场景其实非常多。
不过，技术确实成熟得更快了。比如现在的 ChatGPT，已经能很好地结合网络搜索来提供新鲜的信息，不再是那个“脱离实时数据”的工具。
不论是结构化数据还是非结构化数据，现在的聊天机器人技术已经可以投入主流使用了。当然，我们依然可以探索更远的“智能体”能力边界，但即便在远离前沿的应用中，这项技术已经非常可用。
Sam Altman：有意思的是，我去年的观点可能跟现在还真不太一样。如果是对创业公司，我去年也会鼓励他们早点上手，但对大型企业我可能会说：“可以小范围试验，但大多数情况下还不适合投入生产环境。”
但这个观点现在变了——我们服务的大企业在这方面的增长是飞速的。他们现在真的在大规模使用我们的技术。我经常问他们：“是什么变了？” 他们会说：“一部分是我们摸索清楚了用法，但更大的变化是：现在这东西真的好用多了！”
它能做很多过去想都不敢想的事情。某个时间点，在过去这一年里，模型的“可用性”发生了质的飞跃。
更有意思的问题是：明年这个时候我们又会说出什么新观点？
我预测到那时，我们会进入一个阶段：你不仅可以用 AI 自动化业务流程或开发新产品，还能真正说出，“我有一个极其重要的业务难题，我愿意砸大量算力下去解决它。”
而模型将能完成过去需要团队合作都无法完成的任务。
那些已经开始积累 AI 实战经验的公司，将在未来的竞争中占据优势。届时他们就可以说，“来吧 AI 系统，把我这个关键项目完全重构一遍。”
这是下一次质变的前奏：大量算力 + AI 推理能力 + 高难度问题。谁准备好了，谁就能迈出下一大步。
2.Codex让我有了AGI的感觉！智能体明年将解决棘手的商业难题
主持人Sarah：既然你提到了推理能力、算力投入，以及智能体加入工作流程，那么关于“记忆与检索”的问题就不能回避了——你觉得它们在这一轮 AI 变革中会起到什么样的作用？
Sridhar：检索技术一直是让生成式 AI“贴地飞行”的关键，尤其在需要真实世界参考时。例如 GPT-3 时代我们就搭建了支持网页搜索的大规模系统，可以在你问时事问题时拉取外部信息作为参考。
同样地，记忆系统也非常重要。模型能“记住”你以前是怎么解决问题的、你和系统的互动记录，这些都会极大提升它后续的使用体验和效率。
我认为随着模型被用于越来越复杂的任务，记忆和检索的角色会变得更加关键。不论是提升交互质量，还是赋能更强的智能体行为，上下文越丰富，AI 的表现就越好。
主持人Sarah：Sam，你能不能给在座的每一位领导者一个参考框架，来思考：智能体（Agents）现在能做什么？明年又可能做到什么？
Sam Altman：我们最近刚发布的编程智能体 Codex，是我个人第一次有“AGI时刻”的感觉。你观察它的工作方式——你给它一堆任务，它就在后台默默执行。它真的非常聪明，可以完成那种“长周期、跨阶段”的任务。
你只需要坐在那里，说“这个通过”、“那个不行”、“再试一次”。它甚至能连接你的 GitHub，未来它还可能可以观看你的会议、查看你的 Slack 聊天、阅读你所有的内部文档。它做的事情已经非常令人惊艳了。
也许目前它还只是一个每天能工作几小时的“实习生”，但不久之后，它会像一位能连续工作好几天的“资深工程师”。而这类变化，不只会发生在编程领域，我们会看到智能体在很多工作类型中发挥类似作用。
现在已经有很多公司在用智能体来自动化客户支持、推动销售流程、甚至更多的业务方向。有些人已经在描述：他们的“工作”就是把任务分配给一群智能体，评估产出质量，分析它们如何协同工作，并给出反馈。
听起来就像在带一组还比较年轻的团队成员。而且，这不是想象——它正在真实发生，只是目前还没有完全普及。
明年，在一些有限的场景中，哪怕是很小的程度，我们将开始看到智能体真的能帮助人类发现新知识，或者解决那些非常复杂的商业问题。
目前的智能体主要还能处理的是：重复性的脑力劳动，短时间周期内、低层级的认知任务。但随着它们处理的任务变得更长线、更复杂——某一刻，我们就会迎来“AI 科学家”出现的时刻。一个能自主发现科学的新型智能体。
那将是世界性的重大时刻。
主持人Sarah：你刚才说 Codex 和编程智能体的体验是你第一次有“AGI实感”的时刻。那我就必须问了：你现在是如何定义 AGI（通用人工智能）的？我们离它还有多远？它对我们的意义是什么？
Sam Altman：我想，如果你能回到过去，哪怕只回到五年前……
主持人Sarah：那几乎是 AI 的“黑暗时代”。
Sam Altman：其实，那段时期也非常有趣。如果我们回到整整五年前，我可能记得不太清，但应该就在我们推出 GPT 的前夕。那时候，世界还没见过真正强大的语言模型。
如果你能回到那个时间点，然后给人们展示今天的 ChatGPT，甚至不提 Codex 或其他产品，就光是 ChatGPT，我想大多数人会说：“这不就是 AGI 吗？”
我们人类非常擅长“调整自己的预期”，这其实是人性中非常美好的一点。
所以，我认为“AGI 究竟是什么”这个问题，本身并不重要。每个人对它的定义都不一样，同一个人也会在不同时间给出不同定义。
真正重要的是：我们过去五年看到的 AI 年年飞跃的进展速度——很可能还会持续五年，甚至更久。
你说 AGI 的“胜利点”会在 2024、2026 还是 2028，其实没那么关键；你说超级智能的里程碑是在 2028、2030 还是 2032，也都没关系。
重点是：这是一条又长又美丽、令人震惊地平滑的指数曲线。
对我来说，一个能自主发现新科学的系统，或者一个让全世界科学发现速度翻几倍的工具系统，已经可以满足我对 AGI 的全部标准。
当然也有人坚持，AGI 必须能自我改进；也有人觉得，像 ChatGPT 搭配记忆功能的版本，已经很像 AGI 了。
主持人Sarah：确实，从一些早期测试，比如图灵测试来看，ChatGPT 已经达标了。
那我们回到Sridhar，你还记得你第一次用 OpenAI 模型做搜索是什么时候吗？
Sridhar：你当时其实用的是 GPT-3 的 Playground，在做一些小实验。我们后来也接入了 API，但那时还不允许我们用完整的 GPT-3 模型。
我们就自己倒推：怎么用 70 亿或 100 亿参数的模型，来做到相似的效果。
对我来说，第一次“眼前一亮”的，是看到 GPT 真正解决了一个难题：抽象式摘要（abstractive summarization）。
也就是：把一篇 100 字的博客内容，压缩成三句话去描述它。这个任务非常难，人类都觉得棘手。但这些模型突然间就能做到了。
那一刻我意识到，如果它能在整个网页语料库上做这种事情——再配合能判断哪些页面值得看的搜索引擎能力——那就是搜索引擎的新时代了。
我记得当时心里就想：哇，这玩意，真有力量。而且后来它的表现只会越来越好。
主持人Sarah：在你作为创业者或 CEO 的过程中，有没有哪个节点让你突然意识到，“哇，现在一切都是搜索，或者说是‘搜索+’”？我自己雇过 Neva 的前员工，当时的理念也是：这个时代的一切，都是关于搜索的。你是什么时候有这种想法的？
Sridhar：这个问题其实是关于“设定上下文”的——当你开始使用这些模型，或者思考某个问题的时候，你会意识到：我们需要一种机制，来缩小视角的范围，让模型聚焦在你想处理的内容上。
这是一种非常强大、也具通用性的技巧。你看现在很多微调和后训练技术，其实背后逻辑是类似的：拿一个非常强大的模型，为它提供上下文，告诉它哪些信息是相关的、哪些是无效的，然后用这个方法来提升模型的输出质量。
我认为这更像是一种通用的思维方式，而不仅仅是某个工具。你想实现某种结果，关键是要把“上下文”设定好。
上下文是无限的，人类靠“注意力”机制来解决这个问题——我们聚焦某个点。我把搜索看作是为模型设定注意力焦点的一种工具。
主持人Sarah：你同意 Sam 的看法吗？也就是我们正处在一条“指数级增长的能力曲线”上？还是说你有一个自己认同的 AGI 定义——一个对你或客户来说更重要的标准？
Sridhar：我觉得这会变成一个哲学性很强的辩论。比如说，有个比喻是：“潜水艇到底算不算在游泳？”某种意义上这听起来有点荒谬，但从另一个角度看，它当然是在“游”。
所以我也把这些模型看作拥有极其惊人的能力。任何一个关注未来趋势的人看到这些模型的表现，可能都会说：“这已经是 AGI 了。”
但正如 Sam 提到的，我们现在说的这些话，也许到 2025 年时又会觉得不值一提。
真正让我惊叹的，是进展的速度。我真诚相信，这个进程会带来许多伟大的成果。
这有点像，我们如何看待一台“还不错的计算机”可以战胜世界上所有的国际象棋高手——这真的重要吗？
并不重要。我们依然有很多人仍然在下棋，而且他们仍然非常擅长。
所以我觉得关于“定义”的争论其实没那么关键。现在的围棋也比以前更流行了。我们会从这条路径中学到很多东西，但“那个具体的时刻”并不是重点。
3.完美模型：轻量、强推理、可调用所有工具
主持人Sarah：我个人有个直觉：当人们在问 AGI 的时候，其实很多人真正想问的是“意识”，只是他们没把问题说清楚，或者说只有一部分人会明确表达那样的问题。你之前说这更偏哲学，所以我想问问你：你们内部已经在训练下一代模型，看到别人还看不到的能力，从产品角度、公司运营角度，有哪些新的“涌现能力”是正在改变你们的思维方式的？
Sam Altman：是的，未来一年或两年发布的模型将会令人惊叹。我们面前还有很大的进步空间。
就像 GPT-3 到 GPT-4 带来的跨越一样，许多企业将可以做到以前根本不可能做到的事。比如我们刚才聊到的，如果你是一家芯片公司，你可以说：“帮我设计一款比我们现有方案更好的芯片”；或者你是一家生物科技公司，你可以说：“这个病我搞不定，你来解决。”
这些都不再遥不可及。
这些模型有能力理解你能提供给它的全部上下文，连接所有工具和系统，然后深入思考，进行极其出色的推理，并给出有说服力的解决方案。
它们的稳健性也在提升，我们可以越来越放心地让它自主执行复杂任务。
坦白说，我以前没想过它们会来得这么快。但现在真的感觉……非常接近了。
主持人Sarah：那你能不能给大家一点直觉：未来哪些“知识”是 AI 能掌握的？哪些是还在边界上的？我想象中的“核心智力”是，我也算挺聪明的，但我脑子里也没有完美的物理模拟器——所以我们怎么判断 AI 还能进化多远？
Sam Altman：我自己比较喜欢的一个思考框架是这样的：这不是我们马上就要发布的东西，但从理念上说，我们追求的是这样一个模型——体积很小，但拥有超人级别的推理能力，运行速度极快，有一万亿 tokens 的上下文窗口，并能访问你能想象的所有工具。
所以它到底“知不知道某个具体知识点”，其实变得没那么重要。
用这些模型作为数据库是荒谬的——它们是又慢又贵还不准确的数据库。但惊人的是：它们可以进行推理。
你可以把一个企业或个人生活的所有上下文信息都“扔进去”，再把需要的物理模拟器或其他工具整合进来——你能做的事就变得非常了不起。
而我们现在，就是在向这个方向迈进。
主持人Sarah：太震撼了。我想问一个更具假设性的问题：
如果你手上有现在 1000 倍的算力——原本我想问“无限算力”，但那太夸张了——如果是 1000 倍，你会用它做什么？
Sam Altman：我觉得，最“元”的回答（虽然我之后会给一个更实用的），可能是这样的：我会请你们投入所有力量去推进 AI 研究，开发出更优秀的模型，然后再问那个更强的模型，我们该怎么利用这些算力。
主持人Sarah：直接让它来解决“你最难的问题”。
Sam Altman：我认为这其实是最理性的做法。
主持人Sarah：这说明你是真的相信它能给出答案。
Sam Altman：我觉得更实用的回答是这样的： 我们现在在 ChatGPT 内部、以及企业用户中，已经看到很多案例表明——测试时使用更多算力，确实能带来真实的收益。
比如你让模型“多想一会儿”、或者对一个复杂问题多尝试几次，就有可能得到明显更好的答案。
所以，如果一家企业说，“我要在每一个难题上都加大 1000 倍的算力”，他们真的可能会得到一些令人惊艳的结果。
当然，你不会真的这么做，也没有 1000 倍的算力。但现在这种能力已经变得可行，说明我们可以尝试的一件事就是：
用“幂律法则”的方式去看待算力价值——对于最难、最有价值的问题，愿意投入更多算力去尝试，可能就能获得突破。
主持人Sarah：那Sridhar，你会不会也对 Snowflake 做一样的事？你是数据基础设施、搜索优化、企业系统方面的专家，现在掌管 Snowflake。如果给你一个超级难题，你也会直接丢给算力处理吗？
Sridhar：我觉得这确实是个很酷的应用场景。不过让我换一个角度回答，跳出我们每天生活的科技圈来说：
你知道有个叫 Arnold 项目 的研究吗？它有点像我们 20 多年前进行的 DNA 测序项目，不过这次的研究对象是 RNA 表达机制。结果发现，RNA 实际上控制着我们身体中蛋白质的工作方式。
如果我们能彻底搞清楚 RNA 是怎么调控 DNA 表达的，那很可能就能攻克大量疾病，对整个人类社会来说是一次巨大的飞跃。
所以，用类语言模型去做这类 RNA 研究项目，就像当年用超级算力破解人类基因组一样——这会是一个非常酷的应用方向，如果你真的能动用大量算力的话。
主持人Sarah：真的很振奋人心，而且这确实是人类面临的最大问题之一。
感谢你们（参与访谈）。
还没有评论，来说两句吧...