撰文：Techub News 整理

在这场面向开发者与创业者的 OpenAI Town Hall 对谈中，Sam Altman 围绕人工智能对软件工程、产品创业、代理系统、科学研究、经济结构以及社会安全的影响，给出了相当系统的回应。 整场交流最值得注意的地方，不是某一个单点判断，而是它呈现出一条相对清晰的主线：模型能力正在快速上升，软件的生产方式会被重写，创业门槛会继续下降，但“分发、注意力、用户价值、制度安排与安全治理”这些更难的问题，反而会变得更重要。

这场对话一开始，就把问题抛向了当下最核心的矛盾：如果 AI 让写代码的成本和速度都大幅改善，那么软件工程师会减少，还是会因为软件更便宜、更可定制而迎来更大的需求？对此，Sam Altman 的回答并不是简单乐观主义，也不是传统意义上的职业替代叙事，而是强调“工程师这份工作的形态将发生巨大变化”。在他的判断里，未来会有更多人通过指挥计算机完成任务来创造价值，人们花在手写代码、调试底层细节上的时间会减少，但“让计算机真正完成自己想做的事、替他人构建有用体验”的能力，会变得更加普遍，也更加关键。

这意味着，软件工程并不会消失，而是会向更高层的抽象迁移。 过去很多轮技术进步都降低了进入门槛，也让更多人具备了构建软件的能力，结果不是软件减少，而是世界拥有了更多软件。 Sam Altman 认为，这次也很可能如此：未来大量软件会是为某个人、某一小群人，甚至某个极其具体的场景定制出来的，人与软件的关系将从“使用通用工具”逐步走向“持续拥有为自己演化的软件”。

这个判断直接牵出了创业者眼下最强烈的现实感受：构建变容易了，真正困难的反而是让别人愿意关注、愿意使用、愿意持续留下来。现场有人提到，现在无论是借助代码生成工具、AI 编程环境还是各类自动化产品，开发一个新产品的速度都远超以往，但真正的瓶颈转向了 GTM，也就是 go-to-market，如何找到用户、获得分发、建立商业闭环。 Sam Altman 对这个问题的回应很直接：过去创业者常常以为最难的是把产品做出来，但真正难的是让人关心它、使用它、传播它；而现在因为“做出来”更容易了，所以这种落差只会更明显。

他的意思并不是 AI 对增长与销售毫无帮助。相反，他明确提到，人们已经开始使用 AI 去自动化销售、自动化市场工作，这一方向会产生一些成功案例。 但在他看来，哪怕生产端出现“极大丰裕”，人类注意力依旧是稀缺资源，而只要注意力仍然稀缺，竞争就不会消失，分发依旧困难，用户筛选依旧残酷，商业世界中那些关于差异化、渠道能力、品牌信任与真实价值的老规则就仍然成立。 这也是整场对话里非常重要的一个现实主义判断：AI 可以降低供给侧成本，却不能自动消除需求侧竞争。

围绕“AI 会把什么样的软件带到台前”这一问题，Sam Altman 展现出一种很鲜明的想象：软件将越来越像一种即时生成、持续定制的媒介，而不是固定版本、缓慢迭代的成品。 他提到，在自己使用相关工具的过程中，已经越来越不把软件当成一个静态存在，而是更倾向于期待计算机在遇到某个具体小问题时，立刻写出一段代码帮助解决。 这并不意味着每次编辑文档都要临时生成一个全新的文字处理器，而是意味着大量原本由人去适配软件的过程，会转变为软件自动适配人的习惯、偏好与任务情境。

这种变化的深层意义在于，未来的软件不再只有“产品经理定义的统一形态”，而可能演变成“平台之上不断因人而异的个体化形态”。 Sam Altman 认为，每个人对工具的使用方式都不同，而 AI 能让这些差异不再只能靠复杂设置和学习成本去消化，而是直接体现在工具本身的动态演化上。 从这个角度看，未来的软件产品竞争，不只是谁做出一个功能，而是谁更早构建起“让软件贴着用户意图演化”的能力框架。

这也解释了为什么在谈到 agent、multi-agent 与未来交互界面时，他并没有给出一个统一答案。面对开发者关于多代理编排工具、界面形态和产品边界的提问，Sam Altman 表示，OpenAI 并不知道“所有人最终会需要怎样的界面”，也不认为全世界会收敛到一种单一交互方式。 有些人会喜欢像控制台一样、同时看着大量任务与代理并行推进的复杂系统；也会有人更喜欢一种安静、低频但高信任的语音协作模式，只在关键时刻向计算机发出一句指令，然后把大量细节交给系统完成。

这段判断非常重要，因为它实际上否定了“代理时代一定会出现一个统一超级入口”的过度想象。 更可能发生的，是多种交互层同时存在：有的偏向专业操作者，有的偏向普通用户；有的适合精细监督，有的适合低打扰委托；有的强调流程可视化，有的强调自然语言与上下文信任。 Sam Altman 甚至直言，目前模型能力与大多数人实际能从模型中榨取出来的价值之间，存在巨大的落差，而且这种落差还在扩大，因此“帮助人们真正高效使用高能力模型”的工具层，本身就是一个巨大的机会。

在产品与创业层面，他还给出了一条非常值得创业团队反复思考的原则：判断自己的公司站在技术浪潮的哪一边，可以问一个简单问题——如果 GPT-6 是一次极其惊人的升级，你的公司会感到高兴还是难过？ 这不是一句口号，而是对产品战略适配性的直接检验。如果一家公司的价值建立在模型变强之后需求会更旺盛、产品体验会更好、用户规模会更大的基础上，那么它可能处在技术曲线的顺风位置；反之，如果一家公司的核心价值只是一层很薄的补丁，主要依赖底层模型暂时做不到某些事，那么随着模型进步，它就更容易被吞没。

不过，Sam Altman 同时也指出，创业世界的基本商业规律并没有因为 AI 而失效。 你依然要解决用户获取、价值留存、竞争壁垒、网络效应与产品粘性这些问题。 即便 OpenAI 自己未来会扩展边界，也依然会有很多创业公司在某些方向上先走一步，建立起真正持久的优势。 这部分回答显得相当克制，它没有承诺所谓“某一层一定不会被平台吃掉”，而是提醒创业者不要迷信层级安全感，而应当建立随模型进步一起增强的能力。

关于模型本身的演进方向，Sam Altman 也坦率承认，OpenAI 在某些版本上对“写作能力”处理得不够理想，曾将更多精力投入到推理、编码、工程、工具使用等方面。 但他依旧认为，长期来看，最重要的不是做出很多彼此割裂的尖刺型模型，而是把通用模型推向在多个关键维度上都足够强的状态。 在他的表述里，哪怕一个模型主要用于编码，它也最好写得清楚、沟通得明白、拥有良好的交互品质，因为现实任务并不是被严格切分的，真正强大的模型应该能在推理、表达、生成与协作之间建立统一能力。

与此同时，他对成本曲线和速度曲线的变化给出了一个极具信号意义的判断：未来几年内，高等级智能的获取成本仍将大幅下降，甚至可能在 2027 年前实现数量级级别的改善。 但他也特别提醒，过去大家更多关注“更便宜”，而随着模型输出越来越复杂，许多开发者开始同样关心“更快”。 换言之，未来竞争不只是单位智能成本下降，还包括是否能够在极短时间里交付足够高质量的结果。 对许多代理应用与大规模自动化场景来说，延迟本身就是产品体验和商业可行性的关键变量。

在更具前瞻性的讨论中，Sam Altman 把“灵感与创意”也纳入了 AI 工具的未来能力范围。有人指出，如今创作和开发工具越来越强，但真正稀缺的可能不只是用户注意力，还有高质量的想法。 对此，Sam Altman 的回应非常有意思：他认为人类某种意义上是在“工具的边界上思考”的，工具会反过来塑造我们能想到什么、能验证什么、能多快迭代什么。 因此，AI 不仅应该帮人写代码，还应该帮人产生想法、扩展问题空间、提供持续的启发。

他甚至举了一个极具传播性的比喻——如果能够做出一个像 Paul Graham 那样，特别擅长通过提问和点子激发别人思考的“脑暴伙伴”，哪怕它给出的绝大多数建议最终都不会被采用，这种系统仍然可能极大提高世界上“真正值得做的事情”被发现和被尝试的概率。 这说明在 Sam Altman 看来，AI 的理想形态不是一个被动等待命令的执行器，而是一个能够参与形成问题、重构任务、推动洞察生成的协作者。

科学研究是这场对话中另一条重要主线。Sam Altman 提到，内部已经开始首次听到科学家反馈，一些模型在科学研究上的帮助已不再只是“表层、琐碎的辅助”，而是开始触及更有实质性的进展。 他由此推断，既然模型能够在科学发现上表现出越来越强的潜力，那么在产品创意、研究方向探索、复杂问题拆解等领域，它也理应具备更强的洞察生成能力。 不过，他也承认，让模型完全闭环地接管整个科学研究流程，尤其是涉及实验、验证和物理世界操作的部分，仍然还有相当距离。

这种“接近但尚未抵达”的状态，也体现在代理系统的落地讨论里。针对“能否让代理长时间自治运行、完成长流程任务”的问题，现场回应并没有给出一个单一时间点，而是强调这取决于任务类型。 对于边界清晰、验证标准明确的任务，今天就已经可以通过特定提示策略、SDK 与自定义执行框架，让模型持续工作很长时间。 但对于像“直接让模型创办一家创业公司”这样目标开放、反馈稀疏、验证链条极长的问题，现阶段更合理的路径仍然是先将其拆解为一系列可检验的子任务，再逐步扩展代理自治的范围。

关于社会与经济影响，Sam Altman 延续了他一贯的“丰裕与风险并存”视角。他认为，AI 大体上会带来强烈的通缩压力，尤其是在电脑前能够完成的工作，以及未来与机器人结合的生产活动中，成本下降会非常明显。 他甚至提到，未来只需要数百到上千美元级别的推理成本，加上一个好点子，就有机会做出过去需要一个团队花一年时间才能完成的软件。 这种级别的经济变化，在他看来本身就足以重塑社会的机会结构与价值分配方式。

他由此提出一个相对乐观但带有前提的判断：如果政策不犯重大错误，AI 有机会成为一种“更均衡地赋能个体”的力量，让过去没有天然资源优势的人也拥有更强的创造能力和进入机会。 但他同样明确警告，AI 也完全可能导致权力和财富进一步集中，因此避免这种结果，应当成为公共政策的重要目标之一。 这部分内容说明，Sam Altman 对 AI 的态度不是简单的技术决定论，而是相当强调制度环境对技术后果的塑形作用。

在安全议题上，这种立场体现得更加清楚。谈到生物安全时，Sam Altman 直言，2026 年 AI 可能出问题的方式有很多，其中生物方向是他们非常担忧的一项。 现阶段，无论是 OpenAI 还是更广泛的行业做法，主要还是依靠限制访问、添加分类器、避免帮助用户设计新型病原体等方式去“阻断风险”。 但他认为，这种路径不会长期有效，世界最终必须从“单纯阻止”转向“建立韧性”。

为了说明这一点，他用了“火”的类比：火为文明带来巨大好处，但也曾烧毁城市；社会曾试图严厉限制火，后来逐步转向建立防火规范、耐火材料与一整套基础设施，由此实现对风险的系统性吸收。 在他看来，AI 尤其是生物安全和网络安全上的风险，也需要类似的思路：AI 既会制造问题，也会成为解决问题的工具，真正关键的是社会能否建立起面向新时代威胁的整体防御与恢复能力。

对普通用户来说，这场对话中另一个值得关注的方向，是“记忆与个性化”。在谈到未来的人机关系时，Sam Altman 明确表示，OpenAI 会大力推进记忆与个性化，因为用户显然需要它，而且这能显著提升工具的使用价值。 更引人注意的是，他本人对隐私与便利之间平衡的态度也出现了变化：他已经越来越倾向于让 AI 访问自己的整台电脑和完整的数字生活，以便系统更全面地理解上下文、提供更高价值的帮助。

当然，这不意味着他忽视隐私与安全，相反，他明确强调 AI 公司与整个社会都必须非常严肃地对待隐私和安全问题。 但他的核心观点是，未来大多数用户不会愿意手动给每一段记忆打标签、划分“工作身份”“个人身份”等复杂结构，真正理想的系统应该足够理解人生活中的层级、边界与规则，能够自动判断在什么情境下调用什么信息、暴露什么内容。 这其实勾勒出了一种更深层的人机协作愿景：AI 不只是“知道更多”，而是“理解得更像一个长期共处的助手”。

从整场 Town Hall 的内容来看，Sam Altman 的基本世界观可以概括为几层并行展开的判断。第一，模型能力会继续迅猛提升，而且会越来越接近一种真正高通用性的智能基础设施。 第二，软件生产会被重写，定制化、即时生成、个体化演化会成为越来越重要的趋势。 第三，创业门槛会下降，但商业成功并不会因此自动到来，注意力、分发、价值与壁垒会变得更重要。 第四，AI 会显著放大个体能力，也会带来财富与风险重新分配的挑战，公共政策与社会治理将决定相当一部分最终结果。

如果把这场对谈放在更长的技术史视角里看，它讨论的其实不是“AI 会不会改变世界”这种已经没有太多信息量的问题，而是“当能力不再稀缺时，真正稀缺的东西会变成什么”。 从 Sam Altman 的回答中可以看到，他给出的答案至少包括：人的注意力、好想法、真实需求、可靠验证、制度韧性，以及能够把强大模型转化为持续价值的产品与组织能力。 也正因为如此，这场 Town Hall 的真正启发不在于预测某个具体产品功能，而在于提醒所有开发者、创业者与研究者：AI 正在把“能不能做出来”的问题快速压缩，而把“做什么、为谁做、如何让它持久成立、如何让社会承受它”的问题推到前台。

对于今天的建设者而言，这或许正是最重要的一课：未来的竞争不会只发生在模型排行榜上，而会更深地发生在理解人、理解场景、理解制度与理解长期价值的能力之中。 当工具变得越来越强，真正决定成败的，未必是多写了多少代码，而是是否能提出值得持续追问的问题，是否能构建值得被长期使用的系统，以及是否能在技术极快进步的时代里，依然把人的需求、社会的边界与现实世界的复杂性放在中心位置。