一间初创公司，凭可承受的 token 开销，能做出过去要一百人的优秀工程团队才做得出的东西——这是 Sam Altman 在斯坦福这场讲座开场抛出的判断。但这只是起点，值钱的是后面二十多分钟：在「要不要把事情做大」这道题上，该怎么判断、会在哪里被劝退、又是谁在拦着你。
讲的人是 OpenAI CEO Sam Altman，场合是斯坦福的一场学生讲座加问答，全程约二十六分半，视频由 X 用户 Marco 发布。主持人的提问与他的回答在文中分开归属，所有事实只取自这场讲座本身。全文带走四样东西：三条规模化经验、一段 ChatGPT 被发现的完整复盘、两条算力时间表、一个被点名低估的方向。
01 起点变了：一百人团队的活，一间初创公司就能干
开场判断的完整版是：token 成本可负担之后，一间初创公司能承接的任务野心、迭代速度、并行事务数量，都与从前根本不同。主持人顺势问：期末该让学生攻克什么问题？他的回答很直接：给学生出题目让他们去攻克，这种做法从来就不奏效。好到他本人都能想到的点子，对很多人同样显而易见。OpenAI 创立时，全世界研究通用人工智能的团队「慷慨地说也就那么几个」，那才是值得找的问题。
他进一步判断：今天一定还有某类事情，在自动化编程时代之前根本不可能实现，眼下还不显眼，但很快会成为数万亿美元的市场，而全球只有四家公司在攻关。他不知道那是什么，「你们当中的人发现它的可能性，远高于我」。
02 规模：一条没有理论、但屡试不爽的观察
整场讲座的核心概念只有一个：规模（scale）。他把观察原样交出，也把局限原样交出：找不到让自己满意的理论来解释，建议别人遵循时甚至有点忐忑，但经验上屡试不爽——他职业生涯里见过所有真正有意思的现象，背后都与两件事有关：规模到了一定程度，会长出小规模完全没有的新特性；规模持续给回报的程度，远超共识预期。这也不止作用于模型的规模定律：把更多聪明人聚在一起研究同一个问题、公司层面的规模经济，都是同一件事的变体。
03 经验一：规模会长出小规模没有的东西
他真正想通这一点，是在 Y Combinator 做孵化器的时候。当时所有人都说 YC 太大了，应该缩回每期十家公司的「黄金年代」，许多非常聪明的人都持这种论调——听上去还有诱惑力，因为工作量会少得多；背后的逻辑是，最好的公司一眼就能看出来，剩下的不过是噪音。
回头看，YC 真正的魔力来自同一批次公司之间形成的网络效应——一种只有在那个规模上才会涌现、此前没人发现过的属性。从没有人以那种方式、那种规模投资过创业公司，规模缩到十分之一，这个现象根本观察不到。
04 经验二：小规模跑通了，就再推大一级
由此他提炼出全场最可迁移的一条经验规律：一件事在小规模上已经以有趣的方式跑通、又能推到别人没试过的更大规模时，多做一次「再推大一级」的尝试，通常是正确选择，而这恰恰是大多数人投资不足的地方。
反对的声音往往来自最聪明的人。当年决定扩大模型训练规模时，业内绝大多数顶尖人才的判断是：「规模变大效果更好」已经证明过了，继续做大没有新的科学价值。他也见过许多创始人以说不清、道不明的理由拒绝扩大业务；而回看那些确实扩大过规模的案例，几乎总能发现有意思的东西。
05 经验三：规模化是系统问题，把阻力拆开逐个解决
人们不愿扩大规模的头号原因很实际：规模越大，问题以越来越快、不可预测的方式接连爆发，做大之后的东西「总是有点坏」。你周围也永远有聪明人在劝：别太有野心，别贪大，先在小规模上试试。
他的解法是把它当系统工程问题逐项拆解。以 OpenAI 早年把大模型训练扩展到一万到十万张 GPU 为例：没人想过要在那种规模上跑一次训练，这需要一整支工程人才梯队；要投入多少资金、何时才能形成一门生意；这种风险怎么衡量才算合理——此外还有一层文化阻力，研究员会问，为什么把全部算力押给一个项目，而不是分摊给大家、多出成果？他说几乎所有规模化领域都会遇到这类阻力，办法只有一个：把吓退人的原因拆成一个又一个具体难题，再逐个解决。
06 最难重构的是人：三个清晰，加一场公开押注
主持人此时追问：能像 OpenAI 这样一次次扩展全新系统的团队，全世界寥寥无几；看起来最难重构的不是系统，而是系统里的人。他同意，并给出应对的三件事：一个清晰的目标，一条清晰的达成路径，一套清晰的决策方式，包括沿途如何下判断。
回到扩大模型规模那个例子：当时很多人说行不通、议程应该更多元。可一旦公开决断——我们就押注深度学习的规模化，错了就失败——并讲清为什么这样押、成了世界会变成什么样，这种宣言本身就具有非常强的推动力。还有一个进化留下的短板：人类天然不擅长理解指数，让别人真正相信规模化法则、营收、组织复杂度会指数走，需要花大量时间从第一性原理反复推演，这功夫省不掉。
07 ChatGPT 诞生记（上）：把产品发现外包出去
主持人先给出框架：很长时间里，研究界的心智障碍是「这些模型到底有什么用」，像先有锤子再找钉子；后来 ChatGPT 证明了聊天是消费端的杀手级应用，再过几年，编程被证明是企业端的杀手级应用——这两次有什么异同？
Sam 的回答是一条完整的链。输入：手里已有 GPT-3，急需变现，因为后续要把规模扩到价值数十亿美元的算力集群。操作：GPT-3 演示很炫，但团队实在想不出该做什么产品，试了几个方向都没成——那就开放 API，让别人替自己想。2020 年夏天上线，起初几乎无人问津。输出：约一个月后，几位开发者在 Twitter 同一天晒出用 API 做的酷东西，突然爆火。验证：那时模型质量其实很差，热度远超实际能力；商业上真正跑通的只有文案生成一项，规模有限。
08 ChatGPT 诞生记（下）：增长凶猛而产品还不够好
关键的转折藏在使用数据里：开发者自己摸索出了写一段提示词、跟模型对话的玩法，很多人拿 API key 纯粹在聊天。团队其实已经训练完 GPT-4，但手里另有一个 3.5，配合新摸索出的后训练方法，指令跟随和对话更好，于是先发 3.5。当时 API 年营收只有一两千万美元量级，按 YC「看用户热爱什么就做什么」的原则，他们决定自己做聊天产品——内部并没有预期大爆，定位更像研究演示，目的是说服第三方去做聊天产品、为 API 付费。
结果是病毒式传播。他援引从 YC 学到的经验：增长凶猛而产品还不够好，说明手里握着确定性爆款。最初几天流量每天冲高又回落，外界反复说这只是一轮炒作；到第四天、第五天，他确认了：这是杀手级产品。第五天把相关人员紧急集结，同时建一家公司和一款产品，随后约两个月疯狂扩容；商业模式留到以后，先收费以覆盖算力账单。这段故事的意义，用他的收尾原话说：世界上存在大量非常有用的场景，只是很多人没能跨过那道启动成本去发现它们。
09 Codex 与执行器：代码操作计算机，机器人操作物理世界
ChatGPT 出现之前，OpenAI 的原计划其实是全力投入编程方向。支撑判断的是一个内部信念：写代码是模型操控计算机世界的方式，机器人是模型操控物理世界的方式——模型足够聪明，再加上这两种执行能力，智能就能在现实世界里替你完成实际的工作。Codex 花了相当长时间才到位；他的口径是，今年年初已经相当不错，真正的转折点是 5.5 版本出现，那之后用户开始用它做出不可思议的东西。
10 管线与两条时间表：一次迟早要来的重写
主持人问：预训练、中期训练、后训练、强化学习与监督反馈这条能力管线，会大体稳定，还是会经历一次重大重写？他确认这就是当前的管线，也预期未来还会经历一次重大重写，只是不知道什么时候、以什么形式。他顺带说了一句很诚实的话：这套流程刚好以这种方式拼到一起，并不完全像那个最优解。
时间表是他主动给出的内部目标：在今年九月之前，把相当于五十万块 A100 的算力当作「AI 研究实习生」来使用；到 2028 年 3 月，再往前推一步，做出端到端的、极具天赋的研究员，能独立构思出全新的架构。他的判断是：凭现有的流程与架构，AI 最终能跨过那道门槛，真正完成不可思议的工作。
11 类比的边界：先想想怎么「卖夜晚的光」
主持人提醒了一个容易忽视的问题：类比在跨域传播时，会因「翻译失真」让错误层层叠加；「把算力当 AI 研究实习生」这个比喻在硅谷课堂里好用，推广到全球，不具备背景的人就会用错误的方式去类比这些模型。
Sam 的应对是往历史里找锚点：当下正在发生的事，是创造一种全新的公共事业——像电、互联网、自来水，这种事极少发生，没有现成案例可抄。他前段时间在读电力公用化的历史：早期电力公司并不直接卖电，因为没人知道电是什么、听着还吓人；他们真正兜售的是「夜晚的光」——用户能立刻感知价值的中间产物。如果智能真会成为公共事业，OpenAI 可能推出类似 token 订阅的产品；但现阶段把它类比成「我们在卖智能」并不合适，用户 get 不到——这一代的「夜晚的光」是什么，他也不知道。
12 token 层：用户不关心芯片
主持人点出另一层区分：黄仁勋谈公用事业时指的是算力（芯片），主张斯坦福整合预算、把算力当公用事业采购给全校；Sam 指的则是智能（token）。他的回应是：作为消费者，无论企业还是个人，你更多会以 token、甚至更高一层的抽象来思考——不在意硬件部署在哪、用什么芯片，底层会被抽象掉；你关心的是能不能大量调用、便不便宜、好不好用。就像付手机账单时想的是通话时长和流量，而不是基站和接入网。等未来每人都有一个持续运行的个人智能体，计价的抽象层可能还会再升一级。
13 他点名的方向：推理栈
讲座末尾的即兴问答里，主持人介绍了这门课的期末项目「一人前沿实验室」：学生模拟以个人身份运营一间前沿实验室，手头有 Cloudflare 的几十万美元额度和一部分 OpenAI token。问题抛给 Sam：如果你是学生，选什么课题？
他的答案直接可用：非常多聪明人在钻研训练方案，无论学生做什么，前沿模型都会持续快速迭代，「很快会有不可思议的模型问世」；但如何把强大的智能便宜地、大规模地分发出去，投入远远不够。如果是他，会去做推理栈这一层，并相信所有前沿实验室未来都必须在很大程度上转型为推理公司。
14 对「LLM 是死胡同」：让数据回答
问答第一个问题就是怀疑论：怎么看「大语言模型是死胡同」？他的回应分三层。能力现状：模型在某些方面已经远超人类，在需要长期规划、高度判断力和长周期信号的任务上，又明显比人类差。新事实：就在讲座前一天，OpenAI 的一个模型发现并证否了一个长期悬而未决的数学猜想——许多顶尖科学家长期研究过的难题，此前还有很聪明的人公开宣称这类事不会发生；一批数学家因此惊呼，数学是不是已经终结了。趋势判断：模型还会继续规模化，最终在多大范围的任务上超过人类有待观察，但他猜那个范围会非常大。
他还补了两刀。整个领域曾被一代科学家拖慢——他们对「规模化不能带来什么」过于确信；真正推动进步的，是看着曲线说「一直在漂亮地延续，那就继续做」的人。世界模型显然也重要，机器人等方向确实需要它，但当下押注「大语言模型规模化无法继续」，在他看来是非常错误的判断。至于喊了很多年「行不通、是骗局、要完蛋」的声音，他说自己连「我早就说过」的得意都没有了：他们待在原地反复重复，而数据已经明显站在自己这边；面对数据反复否定还在重复，某种意义上是一种疯狂。
15 编者按：身份陷阱，双向适用
整场讲座里最值得单独摘出的，是他在结尾对自己阵营也适用的提醒：如果你把身份认同绑在「某件事一定会成功」或「一定不会成功」上，当实证结果否定你、而你又太执着于身份时，就无法放手，也看不清事实。对乐观派和怀疑派，这条都成立——包括对他自己给出的那两张时间表。
采信边界也要摆明。三条经验是他的口述归纳，没有理论支撑，他自己也说不清为什么成立，且以「小规模已跑通」为前提。两条时间表与「证否猜想」均为单方陈述，本文未独立核实；「今年九月」的目标在讲座时点尚未到期。若只带走一个动作：挑一件你已经在小规模跑通、又确实没人推到过更大规模的事，认真评估一次「再推大一级」——按他的说法，这恰是大多数人投资不足的地方。