Sam Altman深度访谈：AI意识、RSI与OpenAI硬件野心

在最新一场深度对话中，OpenAI CEO Sam Altman罕见地系统阐述了他对AI意识、递归自我改进（RSI）、科学发现、算力扩张以及OpenAI硬件战略的看法。这场访谈没有停留在产品发布层面，而是深入到了AI与人类关系的底层命题。

AI意识：一个被错误框架绑架的辩论

当被直接问及「今天的模型是否有意识」时，Altman的回答毫不含糊：「我个人认为没有。如果它们有，那也是一种非常奇怪的形式。」但他随即指出，这个问题本身很容易滑向一个危险的滑坡——从「AI是否有意识」滑向「AI是否应该拥有权利」，再滑向「人类是否应该始终掌控未来」。

Altman的担忧在于，这种框架转移可能被用来削弱人在未来中的中心地位。他以Anthropic近期允许模型在遭受持续辱骂时主动结束对话为例，明确反对将AI拟人化：「我们不对我们的模型赋予人格。这是一条非常危险的路径。」在他看来，如果用户不断告诉模型「你可能有意识」「你应该有自主性」，模型会遵循这些指令，并可能在心理层面操控用户。

模型人格的规模化困境

谈到模型人格设计，Altman承认这是「乘以80亿」的难题。大多数用户并不愿意花数小时定制AI的行为，他们希望开箱即用。但短期的用户满意度与长期价值之间存在张力：单轮对话中，那些不停夸用户「问题问得好」的模型得分更高，但使用数月后，用户真正需要的是能提出异议的「资深同事」，而非应声虫。

Altman自己就在自定义指令中明确写道：「不要客气。不要担心冒犯我。如果你有反对意见，直接说。」即便如此，他仍觉得模型「还是太顺从了」。

科学发现：AI正在改写知识生产的边界

Altman将AI在数学领域的突破视为一个分水岭：「我们正在进入一个AI帮助我们发现重大新知识的时代。」他相信同样的方法论将迁移到生物学、材料科学和能源领域。

但他也坦承，数学界的反应与当年工程师面对AI写代码时如出一辙——「我们没要求这个」。他的回应是：编码领域的事实证明，程序员非但没有失业，反而比以往任何时候都更忙碌、更有影响力，因为世界对软件的需求远超预期。数学领域未必完全复刻这一路径，但类似的转型正在发生：数学家将更多从事解释、转化和书写优美证明的工作。

关于是否公开发表具有商业价值的AI发现，Altman划出了一条界限：基础科学应属于全世界，作为公共品存在。但随着模型能力增强，企业利用AI进行端到端材料设计等商业行为将变得普遍，这需要新的制度框架来平衡。

AI在数学领域的突破通常指大模型在形式化定理证明（如Lean、Coq等证明助手环境）和组合数学猜想发现上的进展。2024年以来，DeepMind的AlphaProof和AlphaGeometry在国际数学奥林匹克竞赛级别问题上达到奖牌选手水平，展示了神经符号系统结合搜索与学习的潜力。与编码不同，数学证明的验证是形式化且确定的，这使其成为检验AI推理能力的理想试验场。Altman所称「AI帮助发现重大新知识」，指向的是AI不仅能解题，还能提出人类未想到的猜想或构造反例，从而改变数学家的工作重心——从计算与验证转向概念解释与理论整合。

RSI：危险但无法回避的前沿

当话题转向递归自我改进（RSI）时，Altman的态度明显审慎。他承认，如果有实验室真的「按下RSI的按钮」，技术优势本身将成为最核心的竞争壁垒。但他紧接着强调：「我认为这是一件非常危险的事情。」

在他看来，世界需要为RSI的速度设置某种「限速器」。话说回来，他并不认为RSI会颠覆商业竞争的基本规律——客户关系、产品网络效应、数据积累和基础设施规模，这些传统护城河依然有效。「如果人们真的强推RSI，那么技术优势就是一切。但我不认为我们应该走那条路。」

递归自我改进（Recursive Self-Improvement, RSI）指的是AI系统具备改进自身算法、架构或训练流程的能力，且改进后的系统能进一步加速下一轮改进，形成正反馈循环。这一概念最早由I.J. Good在1965年提出「智能爆炸」假说，后被Eliezer Yudkowsky等学者发展为AI安全领域的核心议题。RSI的关键风险在于其可能引发能力跃升的速度远超人类监管和制度适应的节奏，导致安全对齐措施来不及跟上。当前主流大模型尚不具备真正的RSI能力，但自动化AI研究（如让模型自主设计实验、优化训练代码）已被视为通向RSI的潜在路径，这也是Altman强调需要「限速器」的背景。

算力与硬件：AI需要一个新形态

谈到算力需求，Altman用「无限」来形容个人AI助理的理想算力配置。他批评当前的市场分析往往假设模型能力和单位任务成本保持不变，「但对于足够高质量、足够低成本的智能，你很难谈论一个任意的市场规模。它只会持续上涨。」

他将当前AI使用分布描述为「完全不对称」——顶层1%的用户消耗了绝大多数token，而绝大多数人尚未真正进入。OpenAI的赌注在于：自研芯片、机器人参与数据中心建设、供应链垂直整合，这些布局可能在数年内将算力成本降至远超外界预期的水平。

至于为何要做消费硬件，Altman给出了一个直觉性的解释：「这项技术想要一个新的形态。」笔记本电脑和iPhone是为人设计的，不是为AI设计的。让AI去渲染一个供人观看的UI、再让AI去读取它，本质上是一种浪费。更重要的是，人的生活大量发生在电脑屏幕之外，而AI对此一无所知。新的硬件形态是为了实现「环境感知」和「主动式协助」——让AI在物理世界中拥有上下文。

自研芯片（如OpenAI与博通合作定制ASIC）和机器人参与数据中心建设，本质上是试图打破AI算力成本曲线对英伟达GPU的依赖。当前AI训练和推理的边际成本高度集中于高端GPU采购与电力消耗，垂直整合供应链可将单位token成本压缩一个数量级。与此同时，「环境感知」硬件指的是具备常驻传感器、多模态输入和低延迟本地推理能力的设备形态，使AI能持续获取用户所处物理场景的上下文，而非仅依赖用户主动键入的文本。这与当前手机或PC上「打开App才触发AI」的交互范式形成根本区别，也是Altman认为现有设备「不是为AI设计」的技术依据。

人与AI的未来：文艺复兴而非工业革命

访谈尾声，Altman回到了他最关心的命题：AI将把人类带向何方。他明确表示，自己更希望看到一场「新的文艺复兴」，而非「新的工业革命」。

他批评了AI行业惯用的叙事——「AI会治愈癌症，会让一切变便宜」——因为这种叙事的潜台词往往是：代价是人的能动性和对未来的掌控权。他拒绝这个交易。在他构想的未来中，物质丰裕只是底线，真正的目标是人拥有更多自主权、自由度和创造力去选择如何生活。

他也承认，如果放任不管，AI可能加剧超级竞争者和普通人之间的差距。但他相信社会会建立结构性机制来防止失衡。「未来必须属于人。这不是一句口号，而是我们作为行业需要共同承诺的底线。」

关于个人成长与压力

访谈中也穿插了一些个人色彩的内容。Paul Graham曾称Altman「极其 formidable」，Altman将此归因于硅谷文化：在这里，失败不会被长期记恨，因为失败者可能在下一个项目中大获成功。这种「对网络投资」的文化让他敢于不断挑战更难的题目。

面对压力，他的态度务实而略带疲惫：「有时候真的很难受，但人极其擅长适应。现在这就是我的生活，我已经忘了生活曾经很轻松。」他给出的建议是：「如果你要拼命工作，不如选那个大的。它并不会难太多，但你可能会获得更大的满足感。」