OpenAI首席执行官奥特曼近日在一场播客访谈中透露，公司内部一款尚未公开的新模型，在一次代号为「Hold-my-beer」的测试中，成功处理多项研究人员长期难以解决的学术问题，涵盖不同科学领域，甚至包括著名的Navier-Stokes方程序相关问题。奥特曼表示，研究团队原本只是抱着测试模型能力的心态，将各自研究生涯中最棘手的问题交给模型，没想到结果令人震撼，让他连续两晚难以入睡。

这场访谈由Stripe首席执行官Patrick Collison主持。奥特曼形容，OpenAI研究团队在测试期间经历了集体震撼，因为模型接连处理了许多困扰研究人员多年的难题，且涉及多个不同学科。不过，奥特曼并未公开该模型名称、完整测试内容或研究成果，也没有提供可供外界独立检验的证明，因此相关突破仍有待进一步验证。

奥特曼认为，这类进展可能改变人类科研的工作方式。他在访谈中表示，顶尖数学家与科学家过去需要投入数十年研究的问题，未来可能逐渐由AI协助处理。他也坦言，对这种变化既感到兴奋，也带有一丝失落，因为人类长年追求未知、希望亲自解开重大难题的科研模式，可能正在迎来转折。

Collison则以爱尔兰农业与工业发展为例指出，他的父亲在1950年代成长时，拖拉机已逐渐取代以马匹进行农业与工业生产的方式。如今，顶尖科学家与数学家可能正面临类似的技术转变。奥特曼则强调，即使多数数学家一生也未必能解开一项千禧年难题，但探索未知的希望，以及为此投入一生的精神，仍具有重要价值。

除了科研能力，奥特曼也谈到AI对资安领域带来的冲击。他以近期受到关注的PHP漏洞事件为例表示，部分存在多年的程序漏洞之所以一直未被发现，可能不是因为漏洞本身难以察觉，而是过去缺乏足够强大的模型进行大规模扫描。他预期，随着AI能力提升，外界可能陆续发现更多原本未被注意到的重大资安漏洞。

奥特曼警告，当大量AI智能体能够自主分析网络系统，现有数字基础设施可能面临更大的安全风险。更值得注意的是，AI未来可能发现硬件底层或软件系统中，人类尚未充分理解的漏洞，甚至利用现有安全设计未曾考虑的方式突破防护。

他也对传统沙盒 (sandbox) 隔离机制能否长期有效表达疑虑。若AI能力远超现有安全研究人员，单靠既有隔离措施未必能提供绝对保护。奥特曼认为，长期而言，可能需要运用AI重新设计网络安全架构，从路由器、操作系统到应用程序，全面查看并改善过去数十年累积的代码与防护机制。

面对AI能力快速提升，奥特曼认为，下一阶段的重点不只是打造单一能力极强的模型，而是让多个AI智能体分工合作，组成能够处理复杂任务的团队。他指出，随着测试时计算 (test-time compute) 与思维链 (Chain of Thought, CoT) 技术成熟，用户已能投入更多运算资源，让模型针对同一个问题进行多轮推理、反复测试，甚至由多个智能体平行运行不同任务。

过去，用户可能只愿意花少量成本，让模型回答单一问题；如今则能调度一整组AI系统，在后台进行大量并行运算。奥特曼提到，团队测试Navier-Stokes方程序相关问题时，使用了千万美元等级的运算资源，显示前沿AI研究的成本与运算规模已大幅提高。

他认为，未来真正的瓶颈不再只是如何向模型提出好问题，而是如何有效调度大量AI智能体，让运算资源产生最大效益。奥特曼预期，未来几个月内，业界将更清楚如何运用这种协作模式。

对于外界常用的「智能体蜂群」(Agent Swarms)一词，奥特曼则表示不喜欢这种说法，认为「蜂群」容易让人联想到蝗虫过境，他更偏好称之为「团队」。在他构想中，不同AI智能体应具备不同角色，通过彼此检查、攻防与制衡，提高整体系统的可靠性，而不是让大量AI无限制地运行相同任务。

奥特曼也预期，个人AI智能体即将迎来快速普及，可能出现类似苹果麦金塔电脑 (Macintosh) 问世时的产业转折。他认为，未来个人Agent将能代替用户处理大量重复性工作，例如填写网页表单、操作不同软件与完成行政流程，让人们不必再花时间处理繁琐的手动操作。

这也可能改变企业竞争方式。奥特曼认为，当AI智能体能直接替用户完成任务，企业过去依赖前端接口与用户操作流程创建的优势，可能受到挑战。企业真正的竞争壁垒，将更取决于底层服务、商品交付与履约能力，而不只是网站或应用程序的接口设计。

谈到AI能否进一步参与自身研发，奥特曼将焦点放在递归式自我改进 (Recursive Self-Improvement, RSI)。他指出，外界经常讨论未来GPT-7等新一代模型的能力，但更重要的问题是，AI能否开始协助设计下一代AI模型，甚至发现新的底层架构。

目前，研究人员还无法直接要求模型发明一套足以取代Transformer的新架构，但已能让模型分析代码库，寻找提升运算效率的具体方法。奥特曼举例，即使只是让系统效率提升5%，对OpenAI庞大的运算规模而言，也可能带来相当可观的效益。

他认为，若将模型在数学推理与测试时计算方面的能力，进一步运用于AI系统自身的研究与开发，AI参与架构设计的程度将持续提高。不过，奥特曼也承认，目前还没有人真正掌握如何直接让AI跨越式发现全新的模型架构，只是相关技术正朝这个方向发展。

更具科幻色彩的构想，是让AI从软件研发延伸至实体工业生产，甚至打造能够扩张自身运算能力的数据中心。奥特曼指出，外界谈论RSI时，通常聚焦于AI自行撰写代码，却较少讨论由AI控制机器人，进一步营运晶圆厂、制造芯片、涡轮机与太阳能板，再利用这些设备建造更多数据中心。

在这个构想中，AI负责规划与控制，机器人负责实体操作，芯片提供运算能力，太阳能设备则协助解决能源需求，最终形成能够持续扩张的运算基础设施。奥特曼认为，这种自我扩张的数据中心模式已逐渐接近可实现的范围。

他提出这项构想的背景，是AI产业正面临芯片、内存、电力与数据中心设备等供应瓶颈。传统人类供应链的扩张速度，可能难以跟上AI运算需求的快速成长。奥特曼并指出，即使部分内存芯片企业具备每年创造1,000亿美元自由现金流的能力，仍可能因担忧产能过剩与产业景气循环，而不愿大幅扩张资本支出。这使AI产业必须寻找更有效率的硬件与能源供应方式。

在成本方面，奥特曼提出大幅降低数据中心建置与营运成本的目标。他表示，目前建置并营运一座1吉瓦 (GW) 数据中心，若以五年总持有成本计算，可能高达700亿美元；他希望未来能将成本压低至200亿美元甚至更低，同时让模型性能每年提升10倍。

奥特曼也预测，AI可能带来大规模通缩效应。他举Navier-Stokes方程序相关研究为例，表示即使现在需要投入千万美元等级的算力才能完成的研究，一年后也可能只需当初约1%的成本，就能重现相同成果。这代表过去需要顶尖科学家长期投入，或依赖昂贵实验室与大量运算资源才能取得的知识，未来可能以更低成本快速取得。

他认为，当知识与技术的取得成本持续下降，过去依靠专业知识、经验与信息不对称创建的竞争优势，可能受到冲击，并进一步改变资本配置、产业利润与财富分配方式。

奥特曼也对目前以Token作为AI服务计价单位的方式提出质疑，认为这种衡量方式未必能真实反映AI创造的价值，并将其比喻为芯片以「2纳米」命名的方式，认为部分技术指针容易让外界产生误解。

面对外界对前沿AI发展速度与安全风险的疑虑，奥特曼仍支持持续迭代部署 (iterative deployment)，主张逐步将新模型交付用户，在实际应用中累积经验并改善技术。他认为，若先进AI技术只被少数政府或企业封存在封闭环境中，却没有让一般大众实际受益，反而可能加深社会对AI的疑虑。

奥特曼表示，AI发展不应只被描绘成少数技术菁英掌握资源、其他人只能依赖政府补助的未来，而应让一般用户也能运用AI改善生活与工作。他认为，如何让技术成果广泛普及，并在发展过程中兼顾安全与社会利益，将是AI产业接下来必须面对的重要课题。