Sam Altman：人机协作发生根本性变化，人类分发任务，整合并反馈 Agent 产生的结果，AGI 仅是新一轮起点

本周，于旧金山举办的 Snowflake Summit 2025 上，OpenAI CEO Sam Altman 开门见山地指出，对于 2025 年仍在观望的企业领导者，他的建议只有一句：直接开始，别等下一个版本。

他表示，企业若总是等待更好的模型、更成熟的方案，反而会错过真正的先发优势。真正取得突破的，是那些愿意及早下注、小步快跑的团队。科技在飞速演进，胜负取决于谁拥有快速试错、快速学习的能力。

Snowflake CEO Sridhar Ramaswamy 对此高度认同。他认为，好奇心是今天企业中最被忽视的稀缺能力。很多过去理所当然的工作方式，如今都需要被质疑。

新的工具，比如 OpenAI 和 Snowflake 本身，已经极大降低了实验成本。如果一个组织能围绕大量小实验构建有效反馈机制，它就拥有了适应未来的不对称优势。企业不该指望等来某个“技术稳定”的时间窗口，而是要承认这是一个持续波动的世界，必须在混乱中行动。

Ramaswamy 表示，他去年也在强调“可控试错” 和 “构造容错系统” 的重要性，但今年最大的不同是技术成熟度更高了。

以 ChatGPT 为例，它已经能实时调用 Web 搜索，处理事实类问题，在结构化与非结构化数据上都有可落地的方案，已经不再只是实验工具，而是真正进入主流生产系统。

Altman 表示，他一年前还不建议大型企业将 AI 纳入关键工作流，但现在这一天已经真正到来。他看到企业客户开始在真实业务场景中大量部署 ChatGPT，涵盖运营、支持、研发等领域。这些公司亲自验证了模型能力的边界，发现现在的工具已能胜任过去根本不敢尝试的任务。这一波变化让他确信，AI 已经越过了企业采用的“可信门槛”。

他进一步指出，明年此时我们说的话还会继续变化。预计AI 将不再只是优化工作流，而会直接进入“关键问题求解”环节。

企业不再是将 AI 用作加速器，而是会将最棘手、最核心的问题交给模型去处理。这些模型将成为真正的“研究合伙人”，帮助解决连团队协作都难以拆解的问题。企业会投入大量算力，要求模型给出高质量、有结构的解决路径。

关于 agent ，Convition 创始人 Sarah Guo 问及模型推理、记忆和检索的演进路径，Ramaswamy 认为检索技术一直是生成式 AI 落地的支点。

早在 GPT-3 时期，他的团队就通过大规模 Web 检索为模型提供事实支撑，以应对突发信息和高保真需求。而记忆系统则会决定模型能否随着用户的持续交互变得更“懂你”。

他强调，在未来高度复杂的任务中，模型对上下文的感知能力将决定其行为效果，而检索与记忆就是支撑这一感知能力的基础结构。

Altman 补充称，OpenAI 最新推出的代码 agent Codex，是他第一次觉得“这东西真的快接近 AGI 了”。

用户只需给出一组任务，它就能自主运行几个小时，不仅能写代码，还能读文档、接入 GitHub、查阅 Slack。

虽然目前还像一个实习生，但很快就会成长为能独立连续工作多日的高级员工。类似的变革也在销售、客服、支持等流程中出现，工作方式正发生根本性变化——人类把任务分发出去，再对成果做整合与反馈，像是在管理一群虚拟员工。

Altman 预计，未来的 agent 不仅能处理短周期重复任务，还将处理长时跨度、高层级的认知问题。他相信，在不远的将来，我们将拥有“AI 科学家”，能帮助人类发现新知识，推动科学突破。

当被问及如何定义 AGI，Altman 回顾了 2020 年的情景。当时 GPT-3 尚未发布，如果让那时的人看到今天的 ChatGPT，大多数人会惊呼这就是 AGI。这正是人类预期不断被重塑的例证。

他指出，真正重要的是技术进步的速度，而不是某个宣布“我们已实现 AGI”的节点。他提出，如果某个系统能自主进行科学发现，或极大提升科学探索的效率，那么就已实现了 AGI 的核心目标。

Ramaswamy 用一个比喻回应：潜水艇会不会游泳？技术上看会，但语义上又可能不会。今天的模型已经具备令人惊艳的能力，硬要去争论是否“满足 AGI 定义”，反而显得多余。就像普通计算机可以击败所有国际象棋冠军，但人类仍乐于下棋。AGI 并不是终点，它是新一轮人机协作时代的起点。

Guo 表示，在大众语境中，AGI 实际上被误解为“意识”的代名词，只是大多数人并未意识到。她继续追问 Altman，OpenAI 是否观察到哪些“能力涌现”的早期迹象，会影响他们的产品构思和公司方向。

Altman 指出，未来一两年内发布的新模型将具备上一代无法企及的能力。它们能理解复杂上下文，调用外部工具，接入各种企业系统，在稳定性上也足以放心托付复杂任务。他强调，未来模型将真正成为“复杂问题解答者”，这不是幻想，而是技术演进的自然趋势。

Guo 问他是否能提供一种直觉框架，帮助企业判断模型的边界和潜力。Altman 表示，他喜欢用一个理想框架来思考：

“一个非常小的模型，拥有超人类的推理能力，运行速度极快，有 1 万亿 token 的上下文窗口，并能调用你能想到的所有工具。在这个设定下，问题是什么、模型有没有现成知识或数据，其实都不重要”。

在这种设定下，“是否提前掌握知识”不再重要，关键在于模型是否有能力推理并输出正确答案。他强调，不应把大模型当作数据库，而应把它当作推理引擎——它能在高度复杂的信息环境中找到结构性解法。

Guo 提出一个假设性问题 —— 如果现在有 1000 倍算力，你们会用它做什么？

Altman 首先给出一个元答案：让模型自己思考，怎么最有效地用这 1000 倍算力，比如让它设计更好的模型。

他的实用回答是：在推理阶段投入更多算力，确实能显著提高模型表现。他建议，企业应该大胆在最困难的问题上加大算力投入，哪怕只是部分任务，也能获得非线性收益。

✦精选内容✦