新德里这场对话，Sam Altman 把 AI 最难的题说透了

全文4,000字 | 阅读约12 分钟

（Sam Altman 印度对话：一个人公司将成为主流 ）

AI 能力在加速，这是共识。但真正的问题是什么？

2026 年 2 月 20 日，OpenAI CEO Sam Altman 在新德里的一场访谈里，给出了他的答案：四道题。

能力到哪了？算力够不够？工作怎么变？社会跟得上吗？

他没给标准答案，但把每道题的难点说清楚了。比如 First Proof 为什么能做对 7 道研究题，Codex 在印度为什么增长最快，算力瓶颈到底卡在哪，工作到底是被替代还是被重写。

抛开字斟句酌的公关话术，这是一次难得的坦率交底。

我们整理了访谈的核心内容：

• AI 能力到哪了?

• 算力天花板在哪?

• 工作会怎么变?

• 治理为什么最难?

关于 AI 的真实能力边界，Altman 强调，过去这一年，模型绝不只是“变聪明了一点”，而是任务难度完全不同了。

过去一年，模型从高中数学跨到了研究级数学；从能解释代码，到能生成可运行的应用；从回答物理概念，到推导物理学的新结果。

1、从做题到做研究

Altman举了两个例子： 在 First Proof 实验（11位顶尖数学家发起的AI测试）中，模型面对10 个研究级数学问题，成功解出了7个。这7道题都有完整推导过程，靠的是逻辑推演。

在理论物理学领域，AI也开始推导新的物理学结果，触及人类知识的前沿。

2、工程师的工作重心在变

编程领域的变化更直观。很多开发者现在给Codex一个功能描述，它就能生成初版应用：界面、交互、逻辑都有。

印度成了全球用户增长最快的市场。Altman说，大量年轻开发者跳过了传统程序员必经的底层训练，直接上手就能做出作品。

这在开发者群体快速增长的国家特别明显。

3、AGI 已经很接近

主持人问到 AGI还有多远。 Altman的回答很直接:

已经很接近了。

他给出了一个很有意思的视角：如果时间倒退回六年前，告诉大家有一个系统能做前沿研究、能写复杂程序、能胜任各种高难度的知识工作，当时的大多数人一定会惊呼“这就是 AGI”。只不过现在，我们身在其中，逐渐对强大的工具习以为常了。

按照目前的速度，到 2028 年底，全球 AI 系统同时处理的工作量，可能会超过全人类的总和。

从数学、物理、编程这些最难突破的领域看，今天 AI 能完成的，已经包括过去只有高技能人才才能处理的知识工作。

看懂了今天 AI 这种惊人的能力跃升，我们才能真正明白，为什么 Altman 接下来会如此急迫地谈论“算力瓶颈”。

第二道题｜算力够不够：远远不够

主持人问：未来三到五年，AI 最大的限制是什么？

Altman 毫不犹豫地说：算力。能不能让足够多的人，用上足够强的 AI？这是当下最现实的问题。

1、强模型有，但 GPU 不够用

Altman 透露，团队在实验室里看到的模型能力，比公开版本要强得多。之所以没有全量发布，是因为算力成本太高。我们有顶级的模型，却没有足够的 GPU 来支撑它全天候为所有人服务。

为了解决这个问题，OpenAI 在多条线上同时推进：

• 继续加深与英伟达的合作；

• 支持新兴芯片公司做推理端的优化；

• 同时推进 OpenAI 自己的自研芯片计划。

外界将此解读为“多线并行”，但 Altman 给的理由极其简单：要把更强的 AI 推向更广泛的人群，算力必须大幅扩张。所有能扩产能的路，都必须走。

2、真正的天花板：不是水，而是电

针对外界流传甚广的“每次调用 AI 要消耗 17 加仑水”的说法，Altman 明确予以否认。他表示水的使用量被严重夸大了，真正需要关注的是能源。

他给出了一个对比：训练一个高智商的人类同样极其耗能。你需要投入 20 年的时间，以及这 20 年里他吃掉的所有食物；甚至，还需要算上过去数千代人在进化中学会躲避掠食者、发展出科学，你才有了今天的智慧。相比之下，当模型训练完成后，AI 回答一个问题的能源效率，其实已经赶上了人类。

但真正的挑战在于“规模”。下一代数据中心的耗电量将是惊人的。模型越来越庞大，用户急剧增加，每次调用都需要海量芯片协同工作。未来的算力命脉，将极度依赖核能、风能、太阳能，甚至需要为 AI 专门建造超级能源站。

3、未来的需求到底有多大？

Altman 反问了一个问题：

“你个人希望有多少个 GPU 随时待命为你工作？”

答案从来没有低于过 1 个。甚至有人开口就要 1000 个。试想一下，如果全球 80 亿人每人都需要 1000 个专属 GPU，那就是 80 万亿个。这个规模，短期内根本做不到。

这意味着，算力需求的上限远超我们当下的想象。当 AI 彻底融入每个人的工作流，调用量将是现在的数十百倍，算力会像今天的水和电一样，成为最底层的社会基础设施。这也是为什么 Altman 感叹：“扩充算力，可能是人类历史上最复杂的合作工程。”

靠传统的人力去搞基建，绝对完不成这个任务。好消息是，未来的 AI 和机器人会反过来帮我们建造这些设施。

4、基建搞到太空里？现在还太早。

当被问及是否有建造“太空数据中心”的极端可能性时，Altman 明确表示：在目前的情况下，这个想法非常荒谬。

• 发射成本、

• GPU 的太空维修、

• 能源的稳定供应…… 这些问题一个都还没解决，近十年内，轨道数据中心都不可能大规模落地。

如果说第一道题是在讲 AI “能做什么”，那么第二道题的核心就是：“你能不能用得上”。 在这场竞赛里，率先掌握稳定且庞大算力的组织，就能拿走下一轮效率革命的入场券。

第三道题｜工作怎么变：性质在变，不会消失

在对话中，主持人问到最敏感的问题：AI 会让多少人失去工作？

Altman 说，过去一年他看到的变化是：工作没有消失，但做事方式完全不同了。

1、知识型岗位受冲击最明显

过去一年，程序员群体感受最明显。Altman拿自己举了个例子：

“我本人就是学软件工程出身的，但我当年学编程的那套方法，现在已经彻底过时了。手工编写C++代码的时代，已经结束了。”

软件工程师还需要，但工作内容变了。以前写代码是从零开始搭结构、写逻辑、调试；现在，大段的初版代码都由AI一键生成，人做的是结构调整、细节修正、风险检查、体验提升。

这个变化不只发生在编程领域。影视创作也一样：字节跳动 2 月发布的Seedance 2.0，能从几句文本描述直接生成电影级视频片段，导演贾樟柯用它创作了短片《贾樟柯的舞蹈》。大多数知识工作都类似：AI 生成初稿，人负责方向、质量和判断。

2、新机会在哪里？

每次技术革命都会洗牌，但最终总会涌现更多的新岗位，只不过这次的浪潮来得更快、更猛。Altman 总结了三个正在发生的趋势：

• “超级个体”崛起： 过去开发一个产品需要设计、前端、后端、运营齐上阵；现在，一个人配上一套 AI 工具链，就能打造一家完整的“一人公司（OPC）”。

• 创作门槛大幅降低： 不仅仅是编程，视频剪辑、产品设计、文案写作，过去需要长年专业训练的技能，现在几天就能上手。

• 企业内部分工在变： 纯做财务的人可以利用 AI 搭建流程自动化系统；不懂代码的运营也能直接生成实用的内部工具。

用 Altman 的一句话概括就是：

“AI 让很多专业技能变简单了：以前要专门学，现在会用工具就够。”

3、什么能力变得更重要？

• 与 AI 深度协作的能力： 会提出好问题（Prompt），会审查生成结果，会组合各种 AI 工具。你要把 AI 当作一个需要磨合的长期合伙人。

• 极致的适应力： 技术迭代在疯狂加速，过去十年的跨度现在一年就能跑完。能不能在剧变中迅速找到自己的新生态位，是生死攸关的能力。

• 对“人”的深刻理解： AI 再强大，也不知道“什么样的设计能直击人心”、“什么样的功能最懂人性的软肋”。这是人类独有的嗅觉。

此外，Altman 强调了“情感连接”的不可替代性。比如图像生成 AI 刚出来时，很多人哀叹插画师完了。对于批量生产的商业设计（比如生日贺卡）确实如此；但在纯艺术领域，AI 生成的画作价格很低，而人类艺术家创作的作品价格依然在涨。因为人们在乎的是作品背后的那个人。

同样，他提到最近去医院的经历，他在意的是护士的细心照料与情感安抚。如果换成一个冷冰冰的机器人，再聪明、再精准，他也会感到排斥。有些工作的核心价值，建立在人与人的连接之上。

4、教育方式也在调整

既然工作性质变了，教育体系就必须随之彻底重构。

Altman 说，AI 不会让孩子变懒，关键是教学方式能不能跟上工具变化。

他回忆起自己上学时，Google刚刚问世。中学老师觉得：如果能直接在Google上查，为什么还要背历史日期？

他的回答是：死记硬背本来就是浪费时间。几年后，老师们逐渐接受了，教育系统也在演进。新工具带来的过程都是这样：能力提升，要求也提升，我们开始教人们更深入地思考、创造更多。

如果学生一直被要求“背内容”、“做重复练习”，自然会被 AI 替代。但如果强调思考方式、项目能力、如何用工具解决问题，AI 反而会让学习更高效。教育的重点，也将会从“会不会”转向“怎么用”。

未来的每个人竞争力在于谁能更快把 AI 融入日常工作，让自己从重复劳动中解放出来，把时间用在更高价值的部分。

第四道题｜社会跟得上吗：这是最难的

前三道题讲了能力、算力、工作。

最难的题是：社会跟得上吗？

模型训练速度在加快，能力在跳跃，可能一年就跨越多代。但社会结构的变化，职业体系、企业流程、法律框架、公共认知，不可能同步跟进。

Altman 说：能力提升容易，学会怎么用才难。

1、治理的核心：给社会留出适应时间

面对外界对 AI 失控的恐慌，Altman 坦言，他最担心的是大众对“治理”的误解。很多人把监管等同于“阻挡技术前进”，却忽略了监管的真正目的：是帮助社会打好地基，去安全地拥抱这种前所未有的新能力。

他给出了破局的三个关键点：

• 逐步开放新功能。新功能上线，用户学习，行业适应，风险暴露，再调整。这就是“迭代部署”的意义：给社会留出适应时间，不是一次性放开。

• 让更多人用得起最强工具。如果只有少数人用得起，创新、教育、创业都会受限。普惠既降低风险，也扩大机会。

• 真正的风险来自不会用。模型不懂人类价值，但人懂。问题出在不知道怎么正确使用，不具备判断能力，用老办法应对新工具。

2、治理靠分散智慧，各国在探索

现在，各个国家正在尝试不同的监管方法。Altman 认为这是好事：接下来几年，我们会看到很多不同的尝试，观察哪些有效、哪些无效。世界会倾向于更有效的方法。

他尤其强调，当 AI 渗透到千行百业，单靠任何一家科技巨头，都不可能搞懂所有领域的细节风险。

Altman 说：

“好的办法是让各行各业的人都来讨论，而不是只靠科技公司制定规则。”

各行各业参与能减少风险，但不能消除不确定性。面对这样强大的技术，Altman 说，最重要的是保持谦逊。

我们最好的猜测也可能是错的，AI 的发展已经带来了很多意外，未来还会有更多。

结语｜说透了什么

这场新德里的访谈，Altman 讲了四道题：

• 能力到哪了：已经能做研究级工作

• 算力够不够：远远不够

• 工作怎么变：性质在变，不会消失

• 社会跟得上吗：这是最难的

他没给答案，但把每道题的核心矛盾说清楚了。

能力在跨越，算力在追赶，工作在重塑，社会在适应。谁能更快把 AI 融入日常工作，谁就能在这轮变化中占据主动。

识自AI

本文由AI深度研究院出品，内容整理自Sam Altman 2026年2月在新德里的访谈等网上公开素材，属评论分析性质。内容为观点提炼与合理引述，未逐字复制原访谈材料未经授权，不得转载。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

https://www.youtube.com/watch?v=N9-_TME1vNY&t=2s

https://www.youtube.com/watch?v=bQITwmqogo8

https://www.youtube.com/watch?v=qH7thwrCluM

https://x.com/heyshrutimishra/status/2024906415639593297

来源：官方媒体/网络新闻，

排版：Atlas

编辑：深思

主编：图灵