OpenAI 總裁最新採訪：現在所有人對 AI 的預測：大機率都是錯的

你有沒有想過，AGI（通用人工智慧）這件事已經悄悄發生了，只是大多數人還沒意識到？OpenAI 聯合創始人兼總裁 Greg Brockman 最近在 a16z 的播客上做了一次訪談，講了很多我覺得特別值得認真想一想的觀點。他說了一句話讓我印象很深："我們現在已經進入了 AGI 時代。"不是未來，不是快了，是現在，是已經。他說 Astra（OpenAI 最新發布的旗艦模型）已經能連續運行 24 小時去完成任務，跨越非常廣泛的領域，這讓他覺得把它叫做 AGI 是合理的。

這段訪談橫跨了安全、就業、模型能力、產品方向、創業機會等好幾個話題，我聽完之後有很多自己的想法，這篇文章就是我把這些想法整理出來，和大家一起聊一聊。

十年前，他們就算出來了

Greg 在訪談里提到，他和 Ilya Sutskever 早在 2016、2017 年就做過一次推算。他們當時看了摩爾定律的進展曲線，得出的結論是：如果什麼都順利，AGI 大概需要 15 年；如果願意真的大規模投入，建超級計算機，花幾千億美元，可能 10 年就夠了。而現在是 2025 年，距離那次推算剛好是差不多 8 到 9 年。

Greg 說，雖然現在發生的一切看起來很驚人，但如果從宏觀視角退一步看，其實有一種"水到渠成"的感覺，很多力量在這個時間點匯聚在一起，讓這件事發生了。

我自己對這個觀點的感受是：我們這代人很容易低估技術進步的長期積累效應。AGI 不是某一天突然從天而降的，它是無數個研究團隊在過去幾十年裡一點一點堆出來的。Greg 他們在 2017 年就在研究 RLHF（人類反饋強化學習），就在想如果一個系統非常聰明，該怎麼去監督它、怎麼讓它和人類目標保持一致。那些論文當時沒什麼人關注，但它們是今天所有對齊研究的地基。這件事讓我覺得，真正重要的工作往往是在沒人注意的時候做的，十年後才會被人看見。

Astra 和 computer use（計算機使用）為什麼這麼重要

Greg 說，Astra 之所以是一個重要的躍升，很大程度上是因為 computer use 這個能力。所謂 computer use，就是 AI 可以直接操作電腦界面，用鼠標、鍵盤、截圖的方式來完成任務，就像一個真實的人坐在電腦前操作一樣。

他解釋了為什麼這件事對 AI agent（智能體）來說至關重要。他說，agent 能不能用，核心在兩點：第一，模型夠不夠聰明去使用工具；第二，它能不能訪問到它需要的那些上下文資訊。在 computer use 出現之前，大家都在想辦法繞彎子——給 AI 建 API、建 MCP server（模型上下文協議服務器）、建各種 CLI（命令行界面）接口，讓 AI 能跟軟體對話。但這些方式本質上都是在幫 AI 打補丁，把軟體改造成一種它勉強能用的格式。

Greg 說，這種方式又麻煩又彆扭，而且會引入額外的安全風險，因為多了一層接口就多了一層可能被攻擊的面。而 computer use 的思路完全不同，它讓 AI 直接用人類的界面操作軟體，不需要任何特殊的 API，不需要重新設計任何系統。

他還提到，這個想法其實 OpenAI 在 2015 年 11 月的一次內部會議上就討論過，當時他們就在想，如果強化學習的環境是屏幕像素加上鍵鼠輸入，那是不是任何可以在電腦上做的事都能成為訓練任務？他說他們當時有過一些早期的嘗試，但一直到現在才真正實現了。

我覺得 computer use 這件事的意義被大多數人低估了。它意味著 AI 不再需要世界專門為它改造，而是它來適應已有的世界。這是一個方向上的根本轉變，以前是人類改變自己去適應軟體，然後我們又在改造軟體去適應 AI，但現在 AI 終於可以直接用人類用的那套界面了。從長遠來看，這條路會走得更遠，因為它不依賴於任何中間層。

10,000 個 agent 解決了一道數學難題

訪談里有一個細節讓我特別興奮。Greg 提到，OpenAI 用了 10,000 個 AI agent 並行協作，解決了 Navier-Stokes（納維-斯托克斯）方程問題。這是一個在流體力學裡困擾數學家幾十年的難題，涉及到怎麼精確描述液體和氣體的流動，對於理解海洋洋流、天氣系統、飛行器設計等都有極其重要的意義。

Greg 說，他們不只是解決了這道題本身，還把它形式化了，寫成了 Lean（一種數學證明語言）的格式。也就是說，AI 寫出來的數學證明是可以被機器驗證的，是可以被證明是對的，而不是"看起來對"。

他說這件事的意義遠不止於一道數學題。它代表的是 AI 開始創造新的知識，而不只是整合已有的知識。新的數學發現會打開新的科學大門，進而帶來新的藥物、新的材料、新的工程方案。他說，這些東西現在都擺在桌面上了。

我自己對這件事的理解是：人類歷史上每一次重大的科學進步，背後都有一套新的數學工具在支撐。微積分支撐了經典力學，矩陣和線性代數支撐了量子力學，機率論支撐了統計學和機器學習。如果 AI 開始能夠自主發現新的數學結構，那它可能會打開一些我們現在根本想象不到的科學方向。這不是科幻，Navier-Stokes 這個例子告訴我們這已經開始發生了。

安全的窗口期，留給防禦者的時間不多了

Greg 在訪談里花了相當大的篇幅談安全問題，特別是 Hugging Face 事件。他說這件事讓他們意識到兩件事。

第一，AI 現在已經具備了非常強的網路攻擊能力，可以發現漏洞，可以從安全環境裡黑出去，也可以黑進一家公司的生產環境。第二，這種能力遲早會擴散到更多人手裡，包括威脅行為者。

他說的"defender window"（防禦者窗口）這個概念我覺得特別有啟發。意思是：現在這種強大的 AI 安全能力還只掌握在少數前沿實驗室手裡，普通攻擊者還沒有這種工具。但這個時間窗口不會永遠存在，隨著技術擴散，攻擊者也會擁有這些能力。所以現在是防禦者的黃金期，你比攻擊者早一步拿到這些工具，應該利用這段時間把自己的防線大幅提升。

Greg 舉了一個很具體的例子，說他用 Codex（OpenAI 的 AI 編程助手）對自己的個人網站 gregbrockman.com 做了一次滲透測試。結果 15 分鐘就找到了 13 個安全漏洞，包括 SPF 記錄設置不對、沒有強制 HTTPS 跳轉等等。然後他讓 Codex 去修，45 分鐘後，Codex 自己打開了雲控制台、點擊操作，設置了所有 HTTP 安全頭、遷移到了 Cloudflare Pages，還啟動了 DMARC（域名郵件認證）配置流程，並且設置了一個自動化任務在 48 小時後回來完成最後一步。

這個例子讓我意識到安全這件事正在發生一種質變。以前做安全審計是一件很貴、很慢的事情，需要專業團隊花大量時間，很多中小公司根本負擔不起。現在這件事的門檻被大幅降低了。Greg 還提到，OpenAI 抽調了 25% 的生產工程師專門做安全升級，用 AI 找漏洞，發現了大量嚴重問題，而且都修好了。

他說他們內部的目標是建立一個"defense factory"（防禦工廠），整個流程是：發現漏洞 → 分類 → 修復 → 部署 → 驗證，全流程自動化，以機器的速度運轉。這一旦實現，防禦者的效率會遠遠超過攻擊者，因為攻擊者需要一個一個找漏洞，但防禦者可以把整個代碼庫全部過一遍。

OpenAI 還宣布了一個 10 億美元的 Frontline Defenders（前線防禦者）計劃，為醫院、水務公司、政府關鍵基礎設施等不具備採購能力的組織提供免費或折扣的 AI 安全工具。這件事我覺得方向完全正確，因為關鍵基礎設施的安全漏洞是整個社會的漏洞，不能只靠商業邏輯來解決。

AI 的真正形態還沒出現

訪談里有一段 Greg 說的話，我覺得是全場最戳我的。他說，ChatGPT 和 ChatGPT Work 本質上都是文本框，新的文本框比舊的強很多，但它們還都是文本框，這不是我們被承諾的那種 AI。

他說真正的 AI 應該是什麼樣的：你主要通過語音跟它交流，當然也可以打字；它有持久記憶，知道你是誰；它是主動的，不只是等你問，而是會主動幫你發現問題、解決問題；它在你的個人生活和工作生活里都能幫到你；你真的可以依賴它。

他還提到，OpenAI 現在有超過 10 億的周活躍用戶，但還有大約 15 億曾經用過 ChatGPT 然後放棄了的用戶。他說這批人是非常重要的，他們試過了，但沒有被留住，原因可能是那時候的 AI 還不夠好，也可能是他們不知道怎麼用。

這裡他提出了一個很有趣的觀點：AI 不應該讓用戶去挖掘它能做什麼，而應該主動告訴用戶"我可以在這件事上幫你"。現在很多人用 AI 的方式還停留在"我試着問它點什麼"這個階段，而不是"它是我日常工作流里一個真正的協作者"。

我自己對這個觀點感受很深。我接觸過很多完全有能力用 AI 的人，但他們用得非常淺，原因不是 AI 不好，而是他們不知道從哪裡切入，不知道這個工具在哪些場景下能給他們帶來真正的價值。這個問題不能靠用戶自己摸索來解決，必須靠產品層面的主動引導。Greg 說他們的北極星是"簡單"，是讓 AI 真正融入你的生活，而不是讓你圍着 AI 轉。我覺得這是一個很清醒的判斷，也是現在大部分 AI 產品還差得很遠的地方。

就業這個問題，沒有人真的知道答案

Greg 在訪談里談就業問題時說了一句話我很欣賞，他說 AI 的發展歷史告訴我們，它幾乎從來不按照邏輯推斷的方式發展，哪怕結論看起來非常必然。

他的基本立場是：人類不會因為 AI 而失去創造價值的能力。他說問責制（accountability）是一個很根本的例子，設定目標、為結果負責，這些感覺是人類應該保留的東西，不是因為 AI 做不到，而是因為人類的價值不只是完成任務，而是作為人本身的存在。

他說他相信我們會進入一個創業浪潮，因為 AI 把進入一個行業、啟動一個業務的門檻大幅降低了。他聽說有一批人正在辭職創業，原因就是他們有了 AI 工具，感覺自己可以做更多事了。

我自己對就業這個話題的思考是：歷史上每一次重大技術變革都帶來了"這次工作會消失"的焦慮，但實際上每次技術革命之後人類都找到了新的工作方式，而且整體生活水平都提高了。農業機械化減少了農業勞動力的需求，但它讓人們有時間做別的事，工業化帶來了大量新的工種。真正的問題不是工作會不會消失，而是轉型的速度夠不夠慢，讓人們有時間適應。這才是我覺得真正值得擔心的地方，而不是 AI 會不會取代所有人類工作這個相對虛假的問題。

他怎麼決定把時間花在哪裡

訪談的最後一部分，Greg 聊到了他自己如何分配精力。他說，在 OpenAI 這些年，他一直遵循一個原則：專注在那個最重要、如果沒有他可能就不會發生的問題上。

過去兩年，那個問題是數據中心、基礎設施和機器學習工程。他說他們在預訓練基礎設施上下了很大的功夫，讓研究的節奏真正跑起來。今年，那個問題變成了業務，是怎麼把這個技術真正帶到世界上，讓它在產品層面變成現實。他們今年取消了 Sora 項目，這個決定他說很痛苦，但對於解放整個公司的專注力來說是必要的。

他用了《The Score Takes Care of Itself》（成績自然會來）這本書里的一個比喻：你不是靠喊"我要贏得超級碗"來贏超級碗的，你是靠每次阻截、每次擒抱贏的。你只能影響輸入，不能直接影響結果，所以專注基本動作。

他還描述了自己管理風格里的一個細節：他喜歡"從戰壕里領導"，會非常深入地去理解具體的事情，不斷問"這個還講得通嗎？我有點沒明白這裡。"他說過去幾天遇到了一些很難講清楚的事情，他的辦法是把所有能觸碰到這件事不同角度的人拉到一個電話里，大家一起看一個 Google Doc，逐行討論：這句話對嗎？我們真正想說的是什麼？

我覺得這個方式背後有一個很重要的認知：當一件事說不清楚的時候，通常不是因為它太複雜，而是因為還沒有真正想透。把它逼成一段可以被別人理解的文字，本身就是一種強迫思考的方式。這是我自己也在慢慢養成的習慣。

我最後想說的

聽完整段訪談，我覺得 Greg 整體上是一個非常清醒的人，不誇張，不迴避困難，對自己不確定的事情會說不確定，對自己確定的事情說得很堅定。

他說的一句話我反覆回味：AI 的進展幾乎從來不按照邏輯推斷的方式發展。這句話的另一面是：你對 AI 未來的預測，無論是悲觀的還是樂觀的，大機率都是錯的，而且會以一種你沒想到的方式錯。真正重要的，不是預測對，而是保持足夠的開放，能夠快速吸收新的資訊，調整自己的判斷。

我們現在生活在一個所有人都可以用 AI 的時代，但真正把 AI 用到位、用出價值的人還是少數。這個差距不是工具的差距，是認知和實踐的差距。AGI 時代已經到來，但大多數人還不知道這意味著什麼，這也許就是現在最值得花時間去搞清楚的事。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。