Sam Altman 深度訪談：AI 時代的創業新範式、指數級增長信仰與 OpenAI 的終極野心

Sam Altman 真正講的不是“怎麼創業”：AI 正在重寫創業公司的成本函數、組織結構與資本主義生產方式

先做一個重要事實修正：這期 《Sam Altman - How to Start a Startup》於 2026 年 7 月 25 日發佈，時長約 1 小時 10 分鐘；Relentless 官方節目頁顯示主持人是 Ti Morse，而不是 Daniel Gross。

另外，你整理的核心方向基本抓住了這期訪談最重要的東西，但有幾處需要進一步區分：

Sam 說的是哪種“未來判斷”；OpenAI 當前實際上在做什麼；以及哪些觀點明顯帶有 OpenAI 自身商業利益。

這三層如果不分開，很容易把一位產業領導者的戰略敘事直接當成客觀規律。

1. 這期訪談真正的核心，不是“AI讓創業更簡單”，而是創業公司的生產函數已經改變

過去創業公司的核心約束通常是：

人 + 錢 + 時間。

一個軟件公司要：

• 招工程師；
• 招設計師；
• 招產品經理；
• 搭服務器；
• 寫代碼；
• 測試；
• 上線；
• 修改。

一個十人團隊幹一年，可能才能驗證一個產品。

AI正在把這個公式改變成：

少量高能力的人 × 大量機器智能 × 極短反饋週期。

這不是簡單的“程序員效率提高30%”。

如果AI Agent真的能夠獨立完成：

需求拆解 → 寫代碼 → 測試 → Debug → 部署 → 監控 → 修改，

那麼過去需要十個人協調的組織，可能變成：

2個真正理解問題的人 + 20個Agent。

這改變的不只是開發速度。

而是公司最小有效規模。

Sam所謂“現在兩週、十週的小團隊能夠達到過去一年才能達到的狀態”，真正值得理解的是：

創業公司的組織邊界正在縮小。

2. 這意味着軟件正在發生一次“資本品價格崩塌”

經濟史上，每當一種重要生產資料成本大幅下降，都會產生新的公司。

服務器成本下降 → 雲計算創業爆發。

支付接口成本下降 → SaaS、電商創業爆發。

智能手機開發成本下降 → App經濟爆發。

現在下降的東西是：

認知勞動成本。

例如過去要花：

• $100,000 寫軟件；
• $30,000 做設計；
• $50,000 做市場調研；
• $20,000 做客戶支持。

未來很大一部分可能由AI完成。

所以AI真正降低的不是“寫代碼成本”。

而是：

創建一家數字企業的最低資本門檻。

這可能是創業史上的巨大變化。

3. 但當軟件越來越便宜，真正稀缺的東西會轉移

這是很多AI創業者沒有想透的地方。

如果所有人都能一天做一個App，那麼：

“我能做出來”不再是護城河。

稀缺資源會轉向：

• 客戶；
• 品牌；
• 分銷渠道；
• 獨家數據；
• 工作流入口；
• 用戶信任；
• 合規資質；
• 網絡效應；
• 線下資產；
• 供應鏈；
• 行業關係；
• 最終責任承擔能力。

十年前：

能把產品做出來，本身就是競爭優勢。

AI時代：

做出來可能只是一張入場券。

未來真正值錢的問題會從：

Can you build it?

變成：

Why will anyone use yours?

4. 這就是爲什麼“AI時代創業更容易”與“創業成功可能更難”可以同時成立

這是一個非常重要的悖論。

創業門檻下降後，會發生什麼？

不是競爭減少。

而是競爭爆炸。

假設以前建立一個SaaS產品需要：

• 12個月；
• 100萬美元；
• 8名工程師。

全世界可能只有100家公司願意做。

如果未來變成：

• 3周；
• 2萬美元；
• 2個人。

可能會出現10,000家公司。

所以：

供給增加速度可能比需求增長速度更快。

於是大量AI產品會迅速商品化。

這也是爲什麼未來創業者必須更加重視：

Distribution > Creation。

產品製造成本下降之後，分發能力會越來越值錢。

5. Sam最重要的創業思想，其實是“不要爲今天的AI創業”

這一點非常值得創業者反覆理解。

絕大多數人看到今天模型可以做什麼，於是：

GPT + 法律 = 法律AI

GPT + 房地產 = 房地產AI

GPT + 醫療 = 醫療AI

GPT + CRM = 銷售AI

這是第一層創業。

Sam真正建議的是：

假設未來2—4年模型繼續明顯變聰明、明顯變便宜，那麼今天還不存在的產品是什麼？

這是一種 future-backward thinking。

不是從今天向未來推。

而是：

先想象2029年的能力，再倒推今天應該建設什麼。

6. 這就是“指數級思維”和“線性思維”的差別

人類大腦天然擅長線性預測。

如果AI今年能力100，明年110，後年120。

創業者很容易理解。

但如果某類能力是：

100 → 150 → 230 → 350 → 550，

兩三年後整個產品邊界會改變。

例如：

2023年AI可以輔助寫代碼。

後來可以生成函數。

再後來可以修改代碼庫。

現在OpenAI直接把Codex定位爲能夠端到端執行工程任務、同時運行多個Agent、甚至在後臺持續完成CI/CD、Issue整理和監控工作的Coding Agent。

這不是“更好的Autocomplete”。

而是在逐漸改變：

誰實際上在寫軟件。

7. Scaling Law真正給創業者的價值，不是“模型一定無限變強”

Scaling Law經常被誤解。

它不是：

增加10倍GPU，智能就增加10倍。

更接近：

在一定技術範式和數據條件下，提高計算、數據和模型規模，可以相對有規律地降低模型損失、改善能力。

GPT-4技術報告就曾明確指出，OpenAI能夠通過規模小得多的模型預測最終大型模型部分性能表現，這說明可預測擴展確實長期是其研發體系的重要組成部分。

但Scaling Law意味着的同時也是：

邊際收益遞減。

你可能需要越來越多的：

• GPU；
• 電力；
• 數據；
• 推理計算；

才能繼續獲得能力提升。

所以不能把Scaling Law理解成物理定律。

它更像目前AI工程中非常成功的經驗規律。

8. 對創業者而言，比Scaling Law更重要的是“Capability Forecasting”

真正應該做的是：

不要只研究今天Claude、GPT、Gemini可以完成什麼。

而要研究：

什麼能力目前成功率只有40%，如果兩年後達到95%，會突然誕生一個產業？

例如：

今天AI做複雜企業採購可能不夠可靠。

但如果未來：

• 合同理解95%；
• ERP操作99%；
• 郵件溝通99%；
• 供應商談判80%；
• 異常識別98%；

那麼可能突然出現：

AI採購部門。

今天AI醫療Agent可能只能輔助醫生。

如果未來它可以：

• 長期讀取健康數據；
• 醫療記錄；
• 可穿戴設備；
• 檢驗報告；
• 藥物相互作用；

並可靠地做持續監測，那麼產品就不再是：

Medical chatbot。

而可能變成：

personal health operating system。

這就是Sam所謂爲未來能力創業的真正含義。

9. 但這裏存在一個巨大的創業陷阱：不要只靠“模型明年會更聰明”建立護城河

假設你的創業公司唯一優勢是：

GPT今天還做不好，但明年應該能做好。

那麼明年GPT真的做好之後：

OpenAI自己也能做。

Anthropic能做。

Google能做。

10,000個創業者也能做。

所以真正好的“未來能力創業”應該是：

等模型能力成熟時，我已經擁有模型本身無法複製的東西。

例如：

• 行業客戶；
• 專有數據；
• 真實工作流；
• 監管許可；
• 品牌；
• 網絡；
• 交易關係；
• 深度系統集成。

模型是發動機。

公司必須擁有：

汽車、道路、客戶和目的地。

10. 這也是舊版Sam Altman創業哲學沒有完全失效的地方

Sam過去的經典創業建議中一直強調：

不要爲了成立公司而成立公司，要從真正值得長期工作的Idea出發；相比巨大但緩慢增長的市場，更應該尋找快速增長、但其他人低估其未來重要性的市場。

這條原則今天仍然成立。

變化的是：

過去創業者問：

哪個市場未來增長最快？

現在還需要多問一句：

哪個市場會因爲AI能力提升而突然從“不可能”變成“可能”？

這就是AI時代新的創業機會地圖。

11. “Transistors first, Electrons second”其實是整期訪談最重要的商業信息之一

Sam把AI擴張最大的物理約束概括成：

Transistors → Electrons。

翻成產業語言：

第一是：

計算能力。

第二是：

能源。

它意味着AI產業正在從純軟件行業轉向重工業。

過去互聯網創業的核心生產資料是：

服務器。

未來AI經濟的生產資料包括：

• GPU；
• HBM；
• 網絡交換設備；
• 光通信；
• 變壓器；
• 輸電線路；
• 數據中心；
• 冷卻系統；
• 天然氣；
• 核電；
• 可再生能源；
• 電網儲能；
• 土地。

12. 所以OpenAI實際上越來越像一家“資本密集型工業公司”

這是理解OpenAI非常重要的變化。

傳統軟件公司最漂亮的地方是：

軟件複製的邊際成本接近零。

Microsoft賣第100萬份Windows，不需要重新建100萬個工廠。

但AI不同。

每次用戶真正使用模型：

服務器都必須計算。

Agent如果連續運行20分鐘：

就連續消耗算力、電力和網絡資源。

因此AI正在形成一種奇特商業模式：

軟件公司的增長速度 + 公用事業公司的資本需求。

這就是爲什麼AI行業融資規模如此巨大。

13. 電力絕不是Sam在製造噱頭，它已經成爲真實基礎設施約束

國際能源署預計，全球數據中心用電量到2030年可能增長至約 945 TWh，比2024年增加一倍以上；其中AI優化服務器是增量的重要驅動力。美國數據中心到2030年的新增用電甚至可能佔美國整體電力需求增長很大的部分。

所以未來AI競爭未必只是：

OpenAI vs Anthropic。

還可能是：

美國哪個州能夠最快批電廠？

誰能夠拿到長期電力合同？

誰能夠獲得變壓器？

誰能夠最快併網？

AI最終會把硅谷競爭延伸到：

能源政策、工業政策和土地政策。

14. “數據中心讓機器人建設更多數據中心”是一種極其激進的資本飛輪

Sam設想的終局很有意思：

現有算力 → 提高AI能力 → AI控制機器人 → 機器人建設工廠和數據中心 → 增加算力 → AI更強。

這個循環可以寫成：

Intelligence → Automation → More Compute → More Intelligence。

如果它能夠成立，那麼AI產業第一次獲得某種“半自我複製資本”的性質。

傳統機器：

工廠生產汽車。

AI終局：

智能幫助生產更多製造智能的機器。

這個思想非常接近經濟學上的資本自我強化。

15. 但現實世界會給這個飛輪設置非常多硬約束

機器人不能憑空製造數據中心。

仍然需要：

• 銅；
• 鋼鐵；
• 稀土；
• 芯片設備；
• 水；
• 電網；
• 土地；
• 建築許可；
• 監管；
• 供應鏈；
• 人類工程師。

因此：

Software can scale nearly instantly.

但：

Atoms do not.

軟件可以一天覆制十億份。

發電廠不可以。

所以AI越強，未來反而越可能暴露物理世界效率低下的問題。

這會產生巨大的創業機會。

16. Sam說“防止AI極權”，要區分OpenAI正式使命與他的個人政治哲學

OpenAI正式Charter中寫得很清楚：

其使命是確保AGI造福全人類，並明確提出應該避免AI帶來的權力被過度集中。

Sam這期訪談把這個問題提升成：

AI authoritarianism vs AI liberty。

也就是：

未來超級智能究竟掌握在：

• 一個政府；
• 一家公司；
• 少數精英；

手裏，

還是被數十億人使用？

這是一個非常重要的問題。

17. 但這裏也存在OpenAI最大的哲學矛盾

Sam擔心：

一個組織控制超級智能。

但最先進AI恰恰越來越需要：

• 鉅額資本；
• 世界級芯片；
• GW級能源；
• 超大數據中心；
• 頂級研究團隊。

這些條件天然會產生：

產業集中。

於是出現一個悖論：

AI越強 → 建造成本越高 → 參與者越少 → 權力越集中。

這意味着：

“讓每個人擁有AI”

與

“只有少數公司有能力訓練前沿AI”

可能同時存在。

解決辦法可能不是所有人自己訓練超級模型。

而是要在：

• 模型提供商；
• 雲平臺；
• 開源生態；
• 監管機構；
• 國家；

之間建立權力制衡。

18. 所以AI真正的政治問題不是“模型是否開源”

更深的問題是：

誰掌握計算權？

未來數字權力可能由五個東西決定：

1. 誰擁有模型；
2. 誰擁有GPU；
3. 誰擁有能源；
4. 誰擁有數據；
5. 誰控制分發入口。

即使模型完全開放：

如果你沒有算力，仍然無法使用最高級AI。

所以AI民主化最後可能不僅需要：

Open Models。

還需要：

Affordable Compute。

這就是爲什麼算力會逐漸具有類似：

• 電力；
• 通信；
• 銀行；

這樣的公共基礎設施屬性。

19. Sam“砍掉好項目”的管理哲學非常值得創業者學習

一般管理理論喜歡說：

不好的項目應該關閉。

真正困難的是：

好的項目什麼時候也應該關閉？

這是OpenAI的一個典型戰略特點。

當GPT路線變得明顯重要後，它曾經停止一些其他方向，把研究資源集中到語言模型。

2026年Sora也出現類似情況。

但這裏需要做一個事實修正：

Sora並不是單純“暫停”，而是OpenAI在2026年3月正式宣佈停止Sora產品。 外部報道指出，昂貴推理成本、使用增長不理想以及OpenAI希望把計算和人才集中於下一代模型和生產力Agent都是關鍵原因。

至於“瀏覽器項目完全暫停”，公開資料沒有Sora那麼明確，應更謹慎表述爲：

資源被重新向Coding/Agent方向集中。

20. 爲什麼“砍掉一個好項目”反而可能是最優秀的CEO能力？

公司資源永遠有限。

尤其OpenAI最稀缺的資源不是錢。

而是：

• 頂級研究人員時間；
• GPU時間；
• 產品注意力；
• 管理層注意力；
• 用戶認知。

假設：

Sora預計產生價值100。

Coding Agent預計產生價值500。

Sora本身賺錢，並不能證明應該繼續投資。

真正的問題是：

同一塊GPU放在哪裏創造價值最大？

這就是資本配置。

Warren Buffett做資本配置。

Sam Altman也是。

只是Buffett配置美元。

Sam越來越多是在配置：

Compute。

21. AI時代“算力”已經成爲一種公司內部貨幣

這是非常值得理解的新現象。

傳統公司爭預算：

給我500萬美元。

前沿AI公司可能爭的是：

給我10萬個GPU小時。

每一個項目都必須問：

• 訓練值不值得？
• 推理成本多少？
• 用戶願意付多少錢？
• 佔用多少GPU？
• 能不能產生數據飛輪？
• 是否推動核心能力？

因此未來大型AI公司的戰略會議，會越來越像：

算力資本預算委員會。

這是前所未有的公司管理模式。

22. Codex爲什麼值得OpenAI如此重視？

因爲Coding Agent不是普通應用。

代碼具有一個極其特殊的優勢：

結果可以機器驗證。

AI寫文章好不好，很主觀。

AI寫代碼：

可以運行測試。

AI修Bug：

可以看測試有沒有通過。

AI寫網站：

可以打開瀏覽器檢查。

因此軟件開發是最適合Agent快速形成閉環的領域之一：

Generate → Execute → Observe → Correct。

這正是Agent進步所需要的反饋迴路。

23. Coding Agent還有第二層戰略價值：它可以幫助製造下一代AI公司

如果Codex只是幫助普通開發者，已經很值錢。

但真正更大的意義是：

AI可以幫助AI公司開發AI。

如果OpenAI工程師自己的生產率提高5倍：

OpenAI本身研發速度提高。

那麼Coding Agent就不只是一款產品。

它還是：

OpenAI自己的生產資料。

這與機器人公司製造機器人生產線非常類似。

24. Chatbot → Coding Agent → Persistent Agent，是這期採訪最重要的產品框架

Sam提出的三波浪潮值得記住。

第一波：

Chatbots。

核心動作：

Ask → Answer。

第二波：

Coding Agents。

核心動作：

Give task → Agent executes。

第三波：

Persistent Agents。

核心動作：

Give responsibility → Agent keeps working。

真正最大的變化發生在第三步。

25. Persistent Agent和現在ChatGPT最大的區別，是“責任持續存在”

今天你問：

幫我分析公司。

AI分析完就停止。

Persistent Agent可能負責：

從今天開始持續關注這家公司。

它每天自動：

• 看新聞；
• 看財報；
• 看SEC文件；
• 看競爭者；
• 看價格變化；
• 更新模型；
• 發現重大事件才聯繫你。

這就從：

工具

變成：

數字員工。

26. Persistent Agent真正需要解決的不是模型聰不聰明，而是“企業制度問題”

一個數字員工必須擁有：

Identity

它是誰？

Permission

它可以訪問什麼？

Memory

它應該記住什麼？

Budget

最多可以花多少錢？

Authority

可以直接執行還是必須審批？

Audit

出了問題誰能查記錄？

Liability

做錯事情誰承擔責任？

所以Persistent Agent真正的大市場，可能不是模型。

而是：

Agent governance infrastructure。

未來企業很可能擁有一個新的IT管理體系：

不僅管理員工。

還要管理10萬個Agent。

27. 這可能催生一個巨大的“AI身份經濟”

今天企業已經管理：

• 員工賬號；
• API key；
• 軟件權限；
• 信用卡；
• 數據權限。

未來還要管理Agent：

這個Agent能不能付款？

能不能籤合同？

能不能刪除數據庫？

能不能給客戶退款？

能不能部署生產代碼？

能不能訪問員工醫療數據？

這將催生非常大的創業領域：

• Agent IAM；
• Agent security；
• Agent audit；
• Agent observability；
• Agent payment；
• Agent insurance；
• Agent compliance。

這些可能比“再做一個聊天機器人”更加長期。

28. 如果全球真的出現數千億個Agent，最重要的改變是軟件成爲經濟主體

Sam提到數千億級Agent，應當理解爲一個長期情景，而不是可靠的人口預測。

但方向非常重要。

今天：

軟件主要等人點擊。

未來：

軟件自己可以：

• 查詢；
• 談判；
• 購買；
• 銷售；
• 寫代碼；
• 調用另一個Agent；
• 預約服務；
• 管理資產。

於是經濟系統裏會出現大量：

Non-human economic actors。

這會重新定義：

• 支付；
• 網絡流量；
• 廣告；
• 雲計算；
• 網絡安全；
• 身份；
• 合同。

29. 最值得創業者注意的是：Agent可能成爲“客戶”，而不僅是工具

過去做網站要考慮：

人喜歡不喜歡這個UI？

未來還要問：

Agent能不能理解我的產品？

比如一家酒店未來可能有兩類客戶：

人類通過網頁預訂。

AI旅行Agent通過API直接詢價和預訂。

未來企業的產品必須同時服務：

Human Interface

和

Machine Interface。

這會形成一個非常大的結構性變化。

30. “Get on planes”不是雞湯，它反映的是高不確定環境中的信息理論

爲什麼AI CEO仍然需要飛去見：

• 芯片供應商；
• 電力公司；
• 國家領導人；
• 主權基金；
• 大客戶？

明明可以Zoom。

因爲越重大、越模糊、越缺乏先例的問題：

面對面溝通的信息帶寬越高。

你可以讀取：

• 猶豫；
• 信任；
• 權力結構；
• 未說出口的問題；
• 政治約束；
• 對方真正擔心什麼。

尤其涉及：

• 百億美元數據中心；
• 國家安全；
• 芯片政策；
• 能源；
• 主權AI；

這些交易無法完全通過Email完成。

31. 這也是創業者應該理解的“數字效率悖論”

普通事務：

儘量在線。

關鍵事務：

反而值得親自出現。

因爲創業者的時間不應該平均分配。

應該把：

最高帶寬的人類互動留給最關鍵的不確定問題。

所以Sam的“Get on planes”真正意思不是：

CEO應該瘋狂出差。

而是：

關鍵節點不要爲了效率犧牲信息質量。

32. 關於“創業公司總在瀕死”，Sam說對了一半

創業確實充滿：

• 現金不足；
• 產品失敗；
• 客戶流失；
• 聯合創始人衝突；
• 技術路線錯誤；
• 融資失敗。

經歷過幾次以後，創始人的心理模型會改變。

第一次出現重大事故：

完了。

第十次：

好，問題是什麼？

這是一種經過真實經歷形成的：

Emotional calibration。

你知道哪些是真正災難。

哪些只是今天看起來很糟。

這很難通過書本獲得。

33. 但千萬不要把“混亂”浪漫化

創業圈經常把：

• 熬夜；
• 混亂；
• 痛苦；
• 公司瀕死；

包裝成成功勳章。

這是危險的。

有兩種混亂。

第一種：

高增長帶來的混亂。

值得承受。

第二種：

管理無能帶來的混亂。

應該消滅。

好的CEO並不是喜歡火災。

而是：

火災發生時不會失去判斷力，同時不斷減少本來可以避免的火災。

34. “Pain and suffering”真正能產生的不是能力，而是判斷校準

經歷失敗以後，一個人會學到：

• 哪些人可靠；
• 哪些數字不能相信；
• 什麼時候應該堅持；
• 什麼時候應該退出；
• 哪個問題是真的；
• 哪個問題只是噪音。

所以經驗的價值不是：

我經歷過苦難，所以我更偉大。

而是：

我經歷過足夠多錯誤，現在知道哪些信號值得重視。

這就是所謂 pattern recognition。

VC、CEO、投資人做到後面，很多優勢來自這裏。

35. Jony Ive給Sam最大的啓發，是“不要太快愛上Solution”

好的工程師看到問題，很容易立即提出：

我們做一個App。

加一個Button。

做一個Agent。

真正偉大的設計師首先問：

爲什麼用戶有這個問題？

用戶真正想完成什麼？

哪個環節產生焦慮？

是否應該有這個產品？

Sam與Jony Ive合作的AI硬件方向本身也強調，希望擺脫現代設備中不斷閃爍、通知和刺激注意力的交互方式。

真正的設計流程是：

Spend disproportionate time understanding the problem.

Solution最後反而可能很簡單。

36. “關閉通知”其實是高級CEO最重要的生產力哲學之一

現代知識工作最大的問題可能已經不是信息不足。

而是：

注意力碎片化。

一次通知只佔用5秒。

但真正損失的是：

進入深度思考狀態需要重新啓動。

如果一個CEO每天不斷被：

• Slack；
• Email；
• WhatsApp；
• X；
• 新聞；

打斷，

他會變成一個：

高級客服人員。

只響應別人。

不思考未來。

37. 所以AI時代最稀缺的人類資源可能反而是“連續注意力”

AI提供無限信息。

但人類一天仍只有24小時。

未來真正高價值能力可能是：

• 定義問題；
• 選擇目標；
• 做長期判斷；
• 集中注意力；
• 識別真正關鍵路徑。

也就是說：

AI越強，人類“做什麼”的價值越高；“怎麼做”的價值相對下降。

這會改變CEO和創業者的工作。

38. AI時代最優秀創業者的核心能力可能從“執行者”轉向“資源指揮官”

過去一個技術創始人最值得驕傲的是：

我能自己寫出來。

未來可能變成：

我能夠同時指揮50個Agent正確完成工作。

這要求新的能力：

• Problem decomposition；
• Specification；
• Verification；
• System design；
• Capital allocation；
• Agent orchestration。

也就是說：

過去企業管理人。

未來企業管理：

Humans + Models + Agents + Compute + Capital。

39. Sam這套邏輯也隱藏着一個非常大的經濟學問題：如果智能無限便宜，什麼會變貴？

這是我認爲這期採訪可以進一步推出來的最重要問題。

如果智能成本不斷下降：

代碼變便宜。

分析變便宜。

設計變便宜。

文案變便宜。

那麼稀缺資源會不斷往物理世界遷移。

未來更值錢的可能是：

• 電力；
• 土地；
• 銅；
• 能源許可；
• 數據中心；
• GPU；
• 人際信任；
• 品牌；
• 真實世界服務；
• 獨家數據。

所以AI可能產生一個非常反直覺的結果：

數字世界越來越便宜，物理世界越來越重要。

40. 這也是爲什麼AI創業最終會重新進入“Atoms”

第一波AI公司：

寫東西。

第二波：

做軟件。

第三波：

控制企業流程。

第四波可能控制：

• 機器人；
• 工廠；
• 倉庫；
• 能源；
• 建築；
• 物流；
• 農業。

真正巨大的經濟價值最終必須進入：

Physical economy。

因爲世界GDP的大部分並不是聊天。

而是：

住房、醫療、物流、製造、能源、食品、交通。

41. 從投資角度，這期訪談最重要的不是“買AI股票”

真正應該建立一條AI價值鏈：

第一層：

芯片。

第二層：

電力與數據中心。

第三層：

基礎模型。

第四層：

Agent基礎設施。

第五層：

垂直行業應用。

第六層：

機器人與Physical AI。

然後問：

哪一層最稀缺？

哪一層競爭最少？

哪一層擁有定價權？

哪一層資本回報最高？

產業最大，不代表股東收益最高。

42. OpenAI最大的優勢，同時也是最大的風險

優勢：

它處於整個技術前沿。

可以比普通創業者更早看到：

• 模型能力；
• Agent能力；
• 推理擴展；
• 研究突破。

因此Sam可以比市場提前看到兩三年的產品可能性。

但風險也非常明顯：

OpenAI的商業利益要求市場相信：

AI將持續進步。

AI需求巨大。

算力需要繼續增長。

Agent將無處不在。

所以Sam的長期判斷值得高度重視。

但不能把他的判斷當成中立預測。

43. Sam整個世界觀存在四個非常值得投資者盯住的矛盾

第一個：

智能要民主化，但訓練智能越來越資本密集。

第二個：

智能要無限廉價，但生產智能需要巨大能源和芯片投入。

第三個：

AI讓小公司更強，但AI基礎設施越來越集中於少數巨頭。

第四個：

創業成本降低，但競爭者數量也會同步爆炸。

真正決定AI最終經濟結構的，恰恰是這些矛盾怎麼解決。

44. 對創業者而言，我會把Sam這期訪談壓縮成八條真正可執行的原則

第一，不要只爲2026年的模型能力做產品。

想2028—2030。

第二，不要把模型能力本身當護城河。

模型會商品化。

第三，儘快佔領客戶和工作流。

這纔是未來模型升級後仍然屬於你的資產。

第四，設計產品時默認Agent會越來越強。

不要構建大量未來模型可以直接刪除的中間層。

第五，把驗證機制做到產品裏。

AI越自動化，verification越重要。

第六，明確公司的Critical Path。

知道什麼是必須贏的戰爭。

第七，敢於殺掉好項目。

“不錯”是“偉大”的最大敵人。

第八，始終建立真實世界護城河。

數據、牌照、客戶、品牌、供應鏈、網絡，比Prompt穩定得多。

45. 這期訪談最深層的創業啓示，其實不是“創業舊規則失效”

更準確的說法是：

創業的底層規則沒有失效，但生產工具發生了歷史性升級。

依然需要：

• 找到真實需求；
• 做用戶真正需要的產品；
• 建立分銷；
• 控制成本；
• 招優秀人才；
• 建立護城河；
• 做正確資本配置。

變化的是：

過去需要100個人完成的事情，

未來可能5個人完成。

過去一年才能驗證的事情，

未來可能一週驗證。

於是速度提高以後，創業真正的核心會越來越集中到：

判斷。

46. 最終的最高層判斷

Sam Altman這期訪談真正值得記住的不是：

“AI Agent很厲害。”

而是他實際上在描述一個新的經濟組織形式。

第一次工業革命：

人 + 蒸汽機。

第二次：

人 + 電力 + 工廠。

信息革命：

人 + 計算機 + 軟件。

AI革命可能變成：

人 + 數千個數字智能體 + 自動化資本。

如果Persistent Agents真正成熟，公司本身可能被重新定義。

今天公司是：

CEO → VP → Manager → Employee。

未來可能出現：

CEO

↓

10名核心人類

↓

10,000個Agent

↓

API、雲服務、機器人和供應鏈。

那時AI帶來的真正革命就不是：

“公司用了ChatGPT。”

而是：

公司本身開始變成一個由人類目標驅動、機器智能執行的大型自動化系統。

這也是爲什麼Sam如此重視Coding Agent、Persistent Agent、算力和能源。

它們其實屬於同一條邏輯鏈：

更強模型 → 更強Agent → 更多自動化 → 更高生產率 → 更多算力需求 → 更多基礎設施 → 更強模型。

如果這個飛輪成立，AI就是一個真正的指數產業。

但如果：

• Scaling收益明顯下降；
• Agent可靠性卡住；
• 電力和資本成本過高；
• 企業ROI無法兌現；
• AI產品迅速商品化；

那麼這個飛輪也可能明顯減速。

所以真正高級的創業者和投資者，不應該只“相信Sam”。

而應該不斷驗證：

模型能力增長速度、單位智能成本下降速度、Agent可靠性提升速度，以及真實企業願意爲這些能力支付多少錢。

最終決定AI經濟價值的，不是模型考試得多少分。

而是：

一美元AI成本，究竟能夠替人類和企業創造多少美元的真實經濟價值。

這纔是Sam Altman這期訪談背後最值得長期追蹤的指標。