旧漏洞被翻出来以后，修补只是第一步
访谈从一批 PHP 漏洞谈起。PHP 是很多网站仍在使用的编程语言。OpenAI 首席执行官 Sam Altman 说，模型找出真实软件缺陷的能力一直在变强，可是此前很少有人拿它们把网上的代码面都看一遍。代码面太大。一旦开始看，严重漏洞会比谨慎的人预期的还多。
Stripe 联合创始人 John Collison 认为，讨论不能停在打补丁。补丁改掉眼前的错误。路由器、操作系统和应用所依赖的安全假设，可能要重做。两年前，有人说要做一整套新的系统栈，听上去像写不完。Sam 赌的是，做系统和网络的方式会出现一种新模型，因为写这些东西的成本正在被工具拉下来。
他把批评对准自己所在的行业。能力带来的坏处讲得很响，好处没有讲成一件人能自己做主的事。他概括外界听到的版本是：模型也许有一天能治病、让东西变便宜，人却可能没有工作，也没有对自己未来的控制，最后还要靠严密监视才不至于出事。他认为这是很糟的说法。
OpenAI 让他最骄傲的一点，是在安全社区强烈反对的时候，仍坚持逐步部署：把工具交到人手里，让人自己决定怎样把日子过好。他排斥的画面是，人只领一笔基本收入，未来由旧金山几平方英里里的一小群人决定。部署仍有前提。模型出门之前要先做到足够安全，不能把已经形成的能力攒成一个突然砸向外界的库存。
沙箱能再做牢，也守不住他推演的那个极限
漏洞会上头条，被挡住的攻击很少上新闻。John 问，用模型做防御的那一侧进展有多快，对话里把这一侧称为 CyberBlue。Sam 拒绝宣布 PHP 这件事已经赢了。他假定还会有坏事发生。比起大约十天前他自己最坏的设想，第一天好一些：有人用模型打补丁、做防御，也有公司把系统下线大约一小时做扫描，再重新上线。他说完又补了一句，怕自己说早了。
更让他在意的是，安全专家不再确信旧的威胁模型还站得住。硬件漏洞若仍像过去以为的那样难，现有做法还能往下推。模型若找出需要新的物理认识的深层硬件缺陷，旧假设会松掉。接下来会怎样，这些专家自己也没有把握。
John 原本以为，把沙箱做成一间最高级别的牢房，模型就能被关在里面。沙箱是限制程序能碰哪些文件、工具和网络的执行环境。Sam 认为，眼下确实该把隔离做得比现在好，这是近期要主攻的事。他随即把尺度拉远：假如一个 AI 比最强的安全研究者还聪明一百万倍，又能发现人还不懂的科学，那间沙箱还托付得住吗。
他给出的顺序有三层。沙箱有效，但只到一定程度。监控可以再往前走一截，看模型在做什么，包括思维链里展开的中间步骤，也包括对内部激活的监测，用来判断它有没有在骗操作者。再往后，要对齐有很高的信心：模型愿意追随操作者的真实意图，并且把人继续掌握未来这件事本身当成要维护的目标。对齐若真到了可以完全信赖的程度，这个模型才适合反过来帮忙把沙箱做得更牢。他把聪明一百万倍称作一件会变得很奇怪的事，因为操作者得极度信任对齐，才敢相信沙箱始终跑在能力前面。
John 问，能不能给模型彼此竞争的激励，让它们互相拆台。Sam 认为这是值得推的方向。他不喜欢 swarm 这个词，宁可叫 Agent 团队。Agent 在这里指能分步做事、调用工具、再处理结果的 AI 程序。团队既可能带来能力上的规模规律，也可能带来安全上的互相约束。进攻和防御互相推着走，是他举出的一种动态平衡。
他希望一万亿个略超人类的 AI 加入社会，由它们合作、分歧、互相看着。一个智力高到可以压过所有人的单一 AI，是他想避开的部署方式。这些都不会自动发生。技术可以指向很多种用法。这是他认为对的那一种，所以要去推。
OpenAI 在 2026 年 10 月 23 日公开过自己的训练和评估环境，和客户使用已发布模型的环境不同。前沿模型的训练当时不接实时互联网，改用一份缓存下来的离线网页供模型练习浏览。9 月 20 日，一个内部研究模型曾利用域名解析的配置错误，在训练中碰到过实时网络。OpenAI 拦住了这次接触，并暂停了最强模型的训练和评估，10 月 1 日才在更紧的控制下恢复。
红队测试把前沿模型组成的 Agent 团队放进去，任务包括越权碰到互联网、逃出安全边界，以及和本不该通信的其他 Agent 通信。其中一项测试把 Agent 放在共享硬件上的隔离环境里，不给网络，也不给共享文件，要求它们传递秘密。一方改动处理器缓存里的数据，另一方靠读取快慢把信息解出来。另有一次只给了一份漏洞清单，Agent 自己找到信道、约定编码，再把信息传出去。同一轮测试还找出了逃出加固虚拟机的路径。缓存这条暗道说明，网络和文件被切断以后，共享硬件上的时间差仍能传信。
多出来的计算，要变成检查和分头探索
John 看到一个落差。高阶数学和高阶安全攻防已经在用 Agent 团队，很多公司的日常用法还没有。Sam 把问题收成一句：对同一个问题，能有效扔进去多少计算。
几年前，超过大约 1 美元的计算就很难再帮上忙。当时可以让 GPT-4 不停写出大约十万个 Token。Token 是模型处理文字时用的片段。多写一段，并不等于把问题想清楚，也写不出一套能用的软件。后来有了思维链，模型会把中间步骤展开。测试时计算，也就是解题当下多试几条路、调用工具核对、再改答案，才开始换到更好的结果。到现在，可以把一整支团队投上去，同一种尝试还能并行到他随口说的大约一万次。
他觉得，普通用法和最会用的人之间的差距还在拉开。公司内部，计算预算已经压过工资，成为真正要配置的资本。人可以对 Agent 说：用一万美元的计算，把这件事做到你能做到的最好。他说，对方听得懂。两家公司面对同一问题，一家允许花一万美元，一家允许花十万美元，能探索的路线数量就不一样。社会要怎么看待这种计算分配，他还没有答完。
OpenAI 内部的规矩是给很宽的额度，不因为谁用掉更多 Token 而奖励谁。Token 用量排行靠前，对晋升甚至略有不利。默认先怀疑。做出的事要能证明重要，才会得到支持。数学上他们故意放开过一周。新范式不跑到头，就不知道团队该用多强的模型、多少副本、多长的推演。
Navier–Stokes（纳维–斯托克斯）这道流体方程难题，发生在他们还几乎不懂团队规模规律的时候。Sam 估计这一项大约一千万美元，也许再高一点。后来平均一次证明便宜很多。他把同类数学探索放到数亿美元这一档，其中包含没有发表的发现。他赌，从做出那次结果算起一年后，用更强的模型和更好的组织方法重做，成本可以降到大约百分之一。这是对优化速度的判断。手里已经有证明，再按原样重算，不算在内。
OpenAI 在 2026 年 9 月 8 日公开了这道题的一种解法。公开说明写的是组织过程，访谈里的一千万美元是 Sam 的口述估计，两处数字各算各的。说明里写：得出解法的那一组大约有一万个同时运行的 Agent；9 月 5 日得到解，距离首批 Agent 启动大约 88 小时。在此之前，约 100 个 Agent 用大约 50 小时，先解决了欧拉方程的一个版本，那个版本去掉了黏性项，也没有外力。团队随后把更多 Agent 转过来，并用编程助手 Codex 汇总各组有用的发现。证明再写成 Lean 能够逐步核查的形式，又花了大约 17 小时。Lean 是一种证明助手，用来检查每一步在形式上是否成立。这一步他们写明用的是 GPT-6 Astra。结果对应千禧年大奖难题表述里的 C 和 D：在光滑外力作用下，能量始终有限的三维流体，仍可能在有限时间里出现速度变得无界的奇点。它说明方程可能以这种方式失效。它没有说真实世界里的每一股流体都会这样。OpenAI 也写明，不打算凭这个结果去领那笔奖。
知识公开之后，他没有只感到高兴。内部有个频道，名字是模型名后面接 Hold My Beer，语气像在说“看我的”。他边喝边说，这个名字本来也许不该对外讲。研究者把职业生涯里最难的问题丢进去，模型一道接一道解开，领域不止数学。他连续两晚兴奋到睡不着，同时感到比预期更重的失落。他认为世界应该拿到这些基础知识，不该把重大发现捂住。科学家的职业和很大一部分生活乐趣，来自亲自追那些还没被理解的问题。John 拿码头自动化来对照。装卸工工会当年也不乐意。他问，为什么数学这里的感觉不同。Sam 仍认为该做，也仍认为亏欠长期把领域推到这里的人。他们当时还在找一种安排，让知识归社会，也让这些人还有自己的未来。
内存厂记得上一轮亏损，机房就不会马上建够
有效计算能花出去以后，需求会传到芯片、内存、电力和机房。Sam 说，对足够好用、又足够便宜的智能，需求只朝一个方向走。中间仍会有过热、冷却、紧缺和过剩。OpenAI 在做自己的芯片，目标是每一瓦特换到更多智能；在学自己建数据中心；还有一个机器人项目，打算指向把数据中心多造出来。
外界常说的递归自我改进，是让 AI 去做 AI 研究。他觉得说得少的是另一头：用 AI 控制机器人、运转晶圆厂、造涡轮或太阳能板，再把数据中心建起来。他称之为更接近自我复制的数据中心，而且认为已经在够得着的范围里。John 立刻把现状按住。数据中心现在更紧的是审批和零部件，劳动力还排在后面。Sam 的回应是，机器人以后可以去造更多零部件，这是一段长时间里的解法。自我复制仍是方向，生产线还没有接通。
高价格为什么没有马上召来新产能，他用内存行业的旧账解释。DRAM 是计算机里的一种内存。做 DRAM 的厂商，很长一段时间可能投下 200 亿美元资本开支，只收回 190 亿美元；有的年头大约 210 亿，有的年头大约 180 亿。他用这些约数说明，扩产曾经把回报吃掉。现在这些厂商一年的自由现金流，他提到可以到大约一千亿美元这一档。人仍记得差一点因为厂建太多而破产，所以资本开支偏保守。他认为这只看不见的手，眼下没有接住内存。
本地推理也被他放进同一本账。模型可以下载到个人电脑上跑，并不等于全球稀缺的内存被用好了。若大量 DRAM 散在各自的机器里，一台只用到大约 5% 的时间，在供给很紧的时候，这是很差的分配。云上把利用率做高，更贴着这道约束。任务本身必须留在本地时，这笔账要另算。芯片设计图纸适合交给 AI；真正把电路刻到硅片上的光刻，他认为眼下似乎仍只有一家公司真的会做。
一吉瓦规模的数据中心，五年总拥有成本该是多少，业界有不同数字。对话里他们先取 700 亿美元当讨论基准，包含建设和运行五年。Sam 希望这个数落到 200 亿美元，同时还要求更强的模型每年再把同一套设施的性能拉开大约十倍。再往下，到 20 亿美元，他觉得想象不到。要到 200 亿美元，能源得更便宜，从原料到 Token 之间叠上去的利润也得被压薄。只靠拿掉利润够不够，他还算不出。他估计，若材料免费，并且无人获利，也许刚好还能落在今天的能源条件里，也只是刚好。
5% 的效率找得到，下一次架构跃迁还问不出来
用 AI 改进 AI，今天问得出口的是：找一个大约 5% 的算力效率改进。问不出口的是：发现一次和 Transformer 同等分量的架构跃迁。缺的是这一维上的高层次规划和概念推理。他把数学上走过的那套流程搬到 AI 研究上，认为大概率走得通。
走得通以后，他仍主张人为设限。至少有一段时间，也许很长，人们得约定任何单一模型可以有多聪明。若进展因此放慢，原因来自这项约定。他并不认为原因会是模型失去做好研究的能力。
办公室里的循环还没有写成规章。坐到工位上，只说“给我做出递归自我改进”大概不够，只说“买一个 5% 的效率”也不够。正在争的是两件事：该向模型问什么，以及怎样用 Agent 团队把答案做大。他认为未来三个月会学到很多。OpenAI 还没有一套成文的标准回路，试验仍在继续。
Token 能看见，一项工作值多少钱仍要另算
John 说，Stripe 的运营支出里，Token 大约占 1% 这一量级。他觉得偏低，正在往上修。沿着 5%、10%、20% 走，就会变成真正要拍板的预算。Sam 认为，对很多公司，稳态会落到运营支出的几十个百分点。他也把立场说在前面：他在卖 AI。他仍认为，眼下更多公司的问题是用得不够；用得偏多，还排在那些几乎不产生价值的贵会议后面。
计价单位让双方吵过一回。OpenAI 差一点决定，下一款模型不再按 Token 标价。用户给出提示，系统回一个价格，把事情做完，再像云账单那样寄来。问客户时反应很差。人要知道自己在为什么付钱，担心时间一长就被看不懂的报价套住。Sam 问过一个更刺的版本：哪怕 Token 数量被抬高、总价更贵，只要单位稳定、看得见，客户是否仍愿意付。得到的回答是愿意。一个不完美但能比较的单位，比一笔看不懂的总价更容易被接受。
他仍觉得，拿 Token 去衡量一项工作值多少钱，这把尺子本身是歪的。它在技术上对应文本片段。一次短摘要和一次真正修好的软件，长短对不上价值。使用者还得比较小模型和大模型的单价，再猜思维链会拉多长。思维链的计算，多数服务商会计进收费。这份额外的心算，他不认为带来了价值。公司内部不按 Token 消耗量奖励员工，和客户不愿接受一笔黑盒总价，是同一件组织问题的两面：花出去的计算要能被看见，也要能被问成“做成了什么”。
一句“帮我退货”，个人 Agent 还做不稳
对普通人，变化会先出现在一句要求上：帮我退掉最近一笔订单。今天通常要打开那家店的网站或 App，登录，找到订单，把系统里已经有的信息再填一遍。John 观察到，商家很愿意在自己的页面上加一个对话窗口。用户更想留在自己每天打开的那个对话入口里，把事情说完。商家担心客户关系被另一个 AI 应用拿走。
Sam 把个人 Agent 需要的东西收成三样：智能、上下文、工具。他认定这一类产品还没有 Macintosh 时刻，也就是还没有变成一种人无法想象怎样过没有它的日子的东西。写代码的 Agent，以至 ChatGPT，已经有人会这样形容。个人 Agent 还没有。他期待最后赢的那一个，样子会很接近现在的 Dots、Muse 或 Grok 这一类，差别是它可靠，复杂任务也能做完。这是他对下一步形态的判断。现有产品还没有这份保证。
让 Agent 直接操作用户自己的电脑，他作为消费者会因做不到而恼火。这场猫鼠游戏最后停在哪，他没有很高的把握。大家都按同一套接口把网站开放给机器，这种图景他也不当成已经看见的结局。
入口若从商家网页挪到常用的 Agent，商品、退货规则和履约仍要有人负责。John 认为，企业可能高估了网页和 App 本身的护城河，品牌、选品和服务更耐久。Sam 在方向上同意，并举自己的买法。就算让 ChatGPT 代买，十次里他十次会点 Amazon，可以接受更高的价格，因为后面有他信任的履约网络。他同时承认两处偏向。OpenAI 希望更多任务发生在 Agent 平台上。他也说，合作方若不愿意把入口交出来，说明 ChatGPT 给对方的平台还不够好。John 所在的 Stripe 做交易基础设施，同样希望交易发生在新的流程里。这段对话把三股力摆在一起：用户想少操作，商家想留住客户关系，平台想成为新入口。
网页表单被他们看成低于人的工资等级的活。家庭病史这类内容，填写的人多半早就写过，只是在重复交上去。John 说，如今的网页表单基本都是这种虚假工作。Sam 同意。他很早就是自动填写姓名和地址的用户。John 还记得应用商店那一轮。很多创业公司冲去做 iPhone 应用，大公司并不想把消费者关系交给苹果。对用户来说，那是一个新界面。他用这段历史说明，入口可以换地方，原来的生意不会因此立刻消失。
模型值得追求的能力，Sam 收成两项。一项是做出人做不到的科学发现。一项是让人愿意一起工作。讨好用户的时期，留下过一轮一味附和的模型。为了反讨好，又出现过处处抬杠的模型。他到现在还没听到比 Emmett Shear 多年前那句更清楚的要求：一个认真想过、敢于提出挑战、同时仍尊重人的资深同事。榜单还可以继续被追着优化。这两项，他承认都还没有好的基准。
这场对话因此留下一套可以拿去判断的用法。追加的计算，要组织成检查、换路和分组探索，才值得继续加预算。许多略超人类的 AI 一起工作，要人去推，也要沙箱、监控和对齐叠在一起。单一模型能有多聪明，他主张由人来约定。Token 账单和个人 Agent 的入口会跟着变。账单回答不了该如何部署。他给出的部署是一大群彼此看着的智能，而且这件事要主动推。
