【深度】奥特曼在斯坦福的最新访谈： 他曾经教的创业课， 被他自己造的东西作废了

一、那门作废的创业课

2014 年，奥特曼在斯坦福开过一门 CS183「如何创办一家创业公司」，影响了那一代校园里的许多人。十二年后他重回讲台，半开玩笑地说：要是再有一点时间，他真想把那门课整个重做一遍——因为关于“怎么创业”的一切都变了，而他还没见过谁把“如今该如何创业”讲清楚。

变化有多大？他给了一个具体的标尺：如今，用一笔可负担的 token 开销，你一个人就能做到过去一支一百人的顶尖工程团队才能做的事——而这在几年前，根本不在创业的选项集里。你能承担的雄心、能推进的速度、能同时铺开的事，都彻底不同了。

他也回顾了 OpenAI 自身那个“反常的起点”。寻常的剧本是：先做产品公司，长一阵子、增长放缓，再“栓上”一个研究实验室去找下一步；而他们恰好相反——先是一个研究实验室，后来才不得不栓上一家创业公司。他说，这条路他并不推荐。

二、规模这头野兽

对谈真正的轴心，是一个奥特曼追问了十年的词：规模（scale）。他坦诚得近乎不安——他说自己提不出一个令他满意的理论来解释下面这个观察，这让他有点紧张，但经验上它就是成立的：他职业生涯里见过的所有最有趣的事，无一例外都与“规模带来的涌现”，或“规模在远超共识之处仍持续提供回报”有关。

AI 的 scaling laws 如此，把更多聪明人聚到一个问题上如此，企业的规模经济亦然。他在 Y Combinator 学到了这一课：当年几乎所有聪明人都说 YC 太大了、该缩小、每批只投十家公司最好——因为最好的公司总是显而易见，剩下的投了也帮不上忙。可他发现，YC 真正的魔力，恰恰来自批次内部的网络效应，而那是一种“在百分之一的规模上根本不存在”的涌现属性，从没有人在那个量级上试过。

结论因此是反直觉的：当你找到一件已在小规模上以某种有趣方式奏效、却还没人推到更大规模的事，把它推上去，往往是个好主意——而这恰恰是大多数人做得远远不够的。当年他们说“我们要动真格地扩展 AI 模型”时，领域里几乎所有天才都说：这没什么意思、算不上科学结果，不过是变大了一点而已，何必再扩？

三、夜间的照明

为什么人们总在规模面前却步？因为东西会以加速的、不可预测的方式崩坏——真要扩一件东西，它总是“有点坏着的”，身边永远有非常聪明的人列举你不该这么做的理由。奥特曼把这拆成一个个具体的难题逐一击破：技术上能不能在十万张 GPU 上跑通、资本从哪来、商业模式何在、研究员为何不该把算力分给各自的小项目——一个一个地回答。

ChatGPT 的诞生正是这套打法的注脚。他们做出了 GPT-3，却怎么也想不出该围绕它造什么产品；于是干脆把它丢进一个 API，“赌别人能想出我们想不出的产品”。起初毫无动静，一个月后却在推特上莫名其妙地病毒式扩散；可那时的模型糟糕得惊人，唯一真正跑通的生意只有文案生成。但开发者们摸索出了用提示词与它“聊天”，而 ChatGPT 本身，最初不过是一个“用来说服别人去造聊天类产品、好来买我们 API”的研究 demo。

它却疯狂走红。从 YC 学来的另一条直觉此刻派上用场：当一个还不怎么好的东西开始猛涨，你手里多半攥着一记稳赢的爆款。流量连着五天冲高又回落，每天都有人说“不过是炒作周期”；到第四、第五天，他说他已经看明白了——这是一记杀手级产品。于是第五天，他把所有人召集起来：这是一场紧急状态，是好的那种紧急状态，但我们得同时把一家公司和一个产品造出来。

四、我们在造一种新的公用事业

当被追问该用什么比喻向世界解释 AI 时，奥特曼给了这场对谈里最漂亮的一个类比。他说，我们正在创造一种新的公用事业（utility）——这种事极少发生，电是一种，互联网是一种，水算一种，再数不出多少。可参照样本太少了。

于是他翻出了电力的旧事：当年的电力公司并不去卖“电”——因为没人知道那是什么、为何想要，它听起来甚至很吓人，一种会窜进你家、还可能以骇人方式要你命的东西。他们最终卖给人的，是“夜间的照明”。你从我们这儿得到的不是电，是夜里的光；顺带一提，同样的东西还能干别的。有人说“它将来还能替你洗衣服呢”，对方答：不不，那对我来说太遥远了。

奥特曼说，他还不知道 AI 的“夜间照明”是什么。即便他们完全正确、智能终将成为每个公司、每个人、每个政府都需要接入的新公用事业，“我们在卖智能”这句话，人们就是无法共鸣。至于该把它想成 token、还是 token 再往上一层——当你为手机账单付费，你买的是通话时长与流量，而不会去操心基站用的是哪块芯片；智能这种公用事业，终将也是如此被抽象掉。

五、永远的短缺

这套效用框架，落到当下就是一个活生生的系统难题：算力短缺。对谈里提到，H100 与 Blackwell 的长约预订价与现货价价差一度高达五倍，而 H100 今年几乎已被订空。为什么大家没在恐慌？奥特曼说，人们假定我们会在现有硬件上拿到巨大的推理收益，也确信有一场硬件的海啸正在赶来——可需求的海啸也许更大，所以“人们其实该有点恐慌”。

他把它类比成电力：脱离价格，根本谈不了全球电力需求；价格降到十分之一或涨到十倍，需求会天差地别，AI 亦然。只要还能把模型造得足够聪明、足够便宜，需求几乎没有上限——于是从某种意义上说，只要进步不停，短缺就将永远存在。当我们造出极好的个人 agent，你能让十个、一百个同时为你跑着干活，而你当然想要那一百个。

这也是他给“一人前沿实验室”那群学生的建议落点：无论你们做什么，伟大的模型都必然到来，他保证；但被严重投入不足的，是如何把海量、廉价的智能真正交付出去。所有前沿实验室，都将在相当程度上不得不变成“推理公司”。

六、指数的盲区

奥特曼反复回到一个人性的弱点上：我们没有进化出理解指数的能力。人们很难想象 scaling laws 会一路指数地延续、收入会指数地增长、一个组织能扛住指数级的复杂度——要带人从第一性原理真正想通这件事，往往要花很长时间。

正是在这一点上，他回击了“LLM 是死路”的论调。这些模型在某些维度早已远超人类、在另一些维度又糟得多——比如长程、高判断力的任务；可就在前一天，他们的一个模型反证了一个困住聪明人许久的 Erdős 单位距离猜想，而不久前还有人言之凿凿说这不会发生。如今一群数学家开始追问：“数学要终结了吗？”他认为，这个领域一度被一代过度笃定的科学家拖住了——他们太确定规模“不会”产生什么；而另一些人只是看着图说，它还在漂亮地往上走，那就接着走。

被问到“当那个一直说我错了的人”是否令他厌烦时，奥特曼说不会——数据稳稳站在他这边，说“我早说过”也没什么意思。他更在意的是其中的认知教训：当你把身份系于“某件事会不会成”，又与那个信念深度绑定，一旦经验结果证伪了你，你太执着于身份，就再也放不下、看不见真相。他补充，这是个双向的提醒。

七、两个分叉

被请来当一台“预测引擎”，给出未来十年最可能的几条宇宙分叉时，奥特曼给了两条。第一条，也是他认为最要紧的：这项技术究竟会被广泛民主化，还是沉淀在少数几家公司手里。

他坦言，默认的引力方向是集中——少数公司攫取地球上相当一部分财富，那将是糟糕的；而要避开它，需要“全世界的意志”。把技术推向世界、让人人赢、让每个人的价值与能动性都被代表，这才是他们想要的；哪怕 OpenAI 自己正是那少数公司之一，把它攥在一小撮公司手里也不是我们该容忍的事。他给民主化那条路押了约八成的概率，但提醒：会有一股很强的“安全与稳定”叙事，成为反向的强力拉力，也会有许多逐权之人想把权力收拢。

第二条分叉藏在经济模型里——人们热议 UBI、全民持股、还是不变的资本主义，却很少谈“算力到底该如何分配”。他说自己对“持股”远比对“每月固定现金分红”更兴奋：随着杠杆从劳动转向资本，他更想看到一种“公民财富基金”，让每个人都拥有资本主义的一小片切片。

⁂

被问到“最辣的观点”时，他想了想，说也许没有更辣的了，但这或许是最高位的那一比特：如果 AI 在它已经走了三年半的这条指数曲线上，再走三年半，那么世界、那么社会所能企及的一切，都将彻底不同。他说，这一点尚未被广泛相信——而如果它真被广泛相信，此刻穿过社会的回响，本该剧烈得多。一个教人创业的人，亲手造出了让创业规则作废的东西；他留给那间挤满五百人的教室的，与其说是答案，不如说是一道仍在敞开的分叉。

本文整理自 Sam Altman 在斯坦福 CS 153「Frontier Systems」课堂上的对谈实录（YouTube 视频），发布于 2026年6月13日。

转载请注明：《宇宙纪事 · 硅谷人物》系列。