Sam Altman 的斯坦福 CS153 演讲很有用，因为它并没有将 OpenAI 呈现为一个完美计划的商业故事。
Sam Altman 的斯坦福 CS153 演讲不仅仅涉及 OpenAI 或 ChatGPT。它揭示了围绕规模、用户行为、计算基础设施、产品发现和智能作为实用工具的未来而构建的更深入的人工智能战略。 OpenAI的故事表明，下一代初创公司可能不是首先通过雇用大型团队来建立的，而是通过使用AI系统、快速迭代和分发将技术突破转化为真正的商业价值。
它展示了一些更有趣的东西。
OpenAI 没有遵循正常的启动剧本。它并不是从简单的客户痛点开始，构建一个小产品，找到早期用户，然后慢慢添加研究。它最初是一个试图推动人工智能前沿的研究实验室。商业引擎后来出现。
这就是 OpenAI 如此不同寻常的原因。
大多数初创公司都是从市场开始，然后寻找技术。 OpenAI 从技术方向开始，然后必须发现其周围的市场。
这并不意味着每个创始人都应该效仿 OpenAI。事实上，大多数创始人不应该这样做。 OpenAI 的道路需要非凡的人才、巨大的资本、深入的研究、长期的信念以及在没有正常商业模式的情况下生存多年的能力。
但这个教训仍然很重要。
OpenAI 战略展示了人工智能如何改变研究、产品、规模、分销和商业价值之间的关系。
Sam Altman 的斯坦福 CS153 演讲的真正含义是什么
Sam Altman 在斯坦福 CS153 演讲中最重要的一点不仅仅是人工智能的强大。
大多数人已经知道了。
更深层次的一点是，人工智能改变了建筑公司的结构。在之前的创业时代，公司通常通过雇用更多人员、建立更多团队和扩大业务来扩大规模。在人工智能时代，小团队可以使用模型、API、代理和自动化来完成以前需要更多人员的工作。
这改变了启动方程。
问题不再只是“我们可以雇用多少人？”
更好的问题是，“每个人可以控制多少杠杆？”
这种杠杆作用可能来自模型、计算、软件、分发、专有数据、工作流程设计或用户反馈循环。
这就是为什么 OpenAI 的故事比 OpenAI 本身更重要。它为创始人和企业主提供了有关世界发展方向的信号。下一代公司可能与上一代公司不同。它们可能更小、更快并且更受系统驱动。
OpenAI 的启动与正常启动不同
正常的创业通常是从一个明确的市场问题开始的。
创始人确定客户、开发产品、测试需求、提高保留率，然后筹集更多资金来扩大规模。这是典型的硅谷之路。
OpenAI 则不同。
它始于一项研究任务。该组织希望在拥有明确的主流消费产品之前构建先进的人工智能。这使得这条道路充满风险且成本高昂。研究不会自动产生收入。训练前沿模型需要天赋、计算能力和耐心。
这就是为什么OpenAI早期的道路难以复制。
这不是一家简单的 SaaS 初创公司。它更接近一个研究实验室，后来不得不围绕自己构建一个启动引擎。
但这条不寻常的道路创造了一个重要的优势。
OpenAI 能够在市场完全理解产品应该是什么之前就深入关注前沿。当用户准备好进行 AI 聊天时，OpenAI 已经花了数年时间构建底层功能。
这是 OpenAI 战略的一个教训：有时市场并不知道自己想要什么，直到技术变得足够好以揭示需求。
规模成为 OpenAI 背后的核心赌注
规模化是 OpenAI 背后最重要的理念之一。
在正常的商业语言中，规模通常意味着做更大的事情。更多用户、更多收入、更多员工、更多办公室、更多市场。
在人工智能中，规模具有更深层次的含义。
这意味着使用更多的计算、更多的数据、更大的模型、更好的训练管道和更强大的基础设施来解锁在较小规模下可能不会出现的功能。
这就是为什么缩放定律对人工智能行业如此重要。基本思想是，随着训练计算、数据和模型大小的增加，模型性能可以以可预测的方式提高。确切的细节是技术性的，但业务含义很简单：
如果规模化继续发挥作用，那么能够保持规模化的公司可能会不断改进产品。
这创造了一种非常不同的策略。
公司不仅仅通过产品功能进行竞争，还通过基础设施、研究能力、数据、人才和资助大规模计算的能力进行竞争。
这就是为什么 OpenAI 的赌注如此激进。这不仅仅是构建一个应用程序。它押注智力本身可以通过规模来提高。
ChatGPT 通过用户行为被发现
OpenAI 的最佳商业教训之一是 ChatGPT 的规划并不像传统消费产品那样。
在 ChatGPT 成为全球现象之前，OpenAI 已经通过 API 发布了 GPT-3。 API 很强大，但用例并不是每个人都显而易见。有些人用它来写作、实验、编码或创意演示。
然后一个有趣的用户行为出现了。
人们喜欢与模特交谈。
这是许多公司错过的信号类型。重要的产品不一定是团队最初期望的。它隐藏在用户行为中。
OpenAI 注意到人们喜欢与模型进行对话交互。团队没有将其视为一种副行为，而是将其转变为一个简单的界面：聊天框。
这个简单的界面改变了一切。
ChatGPT 让普通人能够理解先进的人工智能。用户不再需要了解 API、提示工程、模型架构或机器学习。他们只需要输入一个问题。
这是一个重要的产品课程。
有时候，突破不仅仅是技术。正是界面让技术感觉很自然。
Codex 展示了为什么代码成为第一个严肃的人工智能工作流程
ChatGPT 使人工智能成为主流，但编码可能是人工智能最重要的业务工作流程之一。
原因很简单：代码是结构化的、可测试的并且连接到真实的输出。
当人工智能编写文本时，结果可能是主观的。它可能听起来不错，但仍然很肤浅、不准确或笼统。当AI编写代码时，往往可以更直接地测试结果。它运行吗？它能解决问题吗？它通过测试吗？它是否改善了工作流程？
这使得编码成为人工智能代理的一个强大的早期市场。
Codex 和其他人工智能编码工具展示了人工智能如何从回答问题转向工作。编码助手可以帮助生成函数、调试问题、解释代码、重构文件并加快开发速度。
但更大的想法不仅仅是编码。
代码是语言和行动之间的桥梁。
如果人工智能系统可以编写和修改软件，它就可以直接影响数字系统。这就是为什么编码是人工智能能够超越聊天机器人的首要领域之一。
对于企业家来说，这很重要，因为软件开发变得越来越容易。具有强大判断力的小团队现在可以比以前更快地构建和测试。
但仍然有一个限制。
AI可以写代码，但创始人仍然需要产品感、客户理解、架构判断和业务方向。
人工智能将作为实用工具而不是智能来出售
斯坦福大学 CS153 讨论中最有力的想法之一是人工智能可能变得更像一种实用工具。
大多数客户不想购买抽象形式的“情报”。
他们想要结果。
这与电力的早期历史类似。普通人不需要了解电气工程。他们关心的是日落后他们的家能有光。当电力被包装成明确的效益时，它就变得有价值了。
人工智能可能会走同样的道路。
企业并不真正想要“大型语言模型”。他们希望更快的客户支持、更好的销售跟进、更强大的内容系统、更便宜的研究、改进的编码、自动报告、更好的决策和更高效的运营。
这对于人工智能企业家来说是一个重要的教训。
不要过多地出售技术。
出售结果。
如果客户是小型企业主，他们可能不关心哪种模型支持工作流程。他们关心系统是否带来潜在客户、节省时间、改善服务或降低成本。
这对于 SEO、WordPress 和数字业务也很重要。客户不会购买技术复杂性。他们购买知名度、信任、销售线索、转化率和增长。
当人工智能消失在工作流程中时，它就会变得有价值。
计算正在成为新的瓶颈
如果人工智能成为一种实用工具，那么计算就成为其背后的基础设施。
这就是为什么计算正在成为世界上最重要的战略资源之一。前沿模型需要芯片、数据中心、电力、网络和冷却。人工智能使用量越多，从软件转移到物理基础设施的压力就越大。
这造成了新的瓶颈。
在旧的软件世界中，分发和产品通常是最难的部分。在人工智能世界中，计算可能成为直接约束。即使存在需求，公司仍然需要足够的基础设施来满足该需求。
这就是公司大力投资数据中心和人工智能基础设施的原因。
有趣的是，较低的人工智能成本可能不会减少总计算需求。如果使用人工智能的成本下降，人们和企业可能会更多地使用它。更便宜的情报可以创造更多的需求，而不是更少。
这与其他基础设施转变类似。当某样东西变得更便宜、更有用时，使用量就会激增。
这意味着即使模型变得更加高效，计算可能仍然具有战略重要性。
对于创始人来说，教训很明确：人工智能不仅仅是一种软件趋势。这也是基础设施建设的趋势。
教育系统仍在追赶人工智能
人工智能还提出了一个关于教育的严重问题。
如果人工智能可以写论文、解决问题、生成代码和解释复杂的主题，那么学生实际上应该学习什么？
错误的答案是假装什么都没有改变。
另一个错误的答案是假设写作和编码不再重要。
更好的答案是，写作和编码正在成为思考技能，而不仅仅是输出技能。
写作可以培养清晰度。编码训练逻辑。数学训练结构化推理。研究训练判断力。即使人工智能可以帮助最终输出，这些技能仍然很重要。
问题在于，许多教育系统仍然专注于检测人工智能的使用，而不是重新设计学生如何利用人工智能学习。
这是可以理解的，但还不够。
未来不应该禁止所有人工智能工具。它应该教学生如何负责任地思考、验证、提问、构建、构建和使用人工智能。
在人工智能时代，最有价值的学生不是那些能从模型中复制答案的人。
他能够提出更好的问题、判断产出并将想法与实际工作联系起来。
人工智能的力量和访问的难题
OpenAI 战略还提出了一个更大的社会问题：谁可以获得强大的人工智能？
如果人工智能成为新的基础设施层，那么访问就很重要。如果只有少数公司控制最先进的模型和计算，权力可能会变得高度集中。这些公司可能会影响生产力、教育、研究、软件开发、业务运营甚至公共辩论。
但相反的极端也存在风险。
如果强大的人工智能系统在没有保障措施的情况下开放，滥用就会变得更容易。安全、安保和治理是现实问题。
这就是硬平衡。
过多的控制会导致权力集中。太多的开放性可能会产生误用风险。人工智能的未来将取决于社会能否平衡准入、安全、竞争和责任。
这不仅仅是一个技术问题。
这是一个商业和政治问题。
对于企业家来说，实际的教训是平台依赖很重要。如果你的整个业务依赖于一个人工智能提供商、一个 API、一种模型或一种平台规则，那么你就会暴露在外。
人工智能变得越强大，了解你的影响力真正来自哪里就越重要。
所有权可能比基本收入更重要
人工智能还改变了有关财富分配的讨论。
如果人工智能使公司生产力更高，那么谁会获得价值？
一个常见的答案是全民基本收入。如果机器做更多的工作，政府可能需要重新分配收入，以便人们能够生存。
That may be part of the answer, but it may not be enough.
收入有助于人们消费。所有权有助于人们参与上涨。
如果人工智能创造了大量财富，但所有权仍然集中，简单的收入支持可能无法解决更深层次的不平等问题。人们可能会收到足够的钱来生活，但仍然不拥有创造新财富的生产性资产。
这就是为什么所有权很重要。
从长远来看，更重要的问题可能不仅仅是人们收到多少钱。可能是普通人能否参与到人工智能基础设施、企业、资金、平台和国家生产力创造的价值。
This is a difficult topic, and there is no simple answer.
但方向很明确：如果人工智能改变了生产体系，社会可能还需要重新思考所有权和参与如何运作。
企业家可以从 OpenAI 战略中学到什么
第一个教训是用户行为比内部假设更重要。
ChatGPT 变得重要是因为 OpenAI 关注人们实际如何使用该技术。创始人也应该这样做。市场经常通过行为而不是通过宣传材料来揭示真正的产品。
第二个教训是规模可以改变产品的性质。
在小范围内，一项技术可能看起来像一个玩具。规模更大的话，它可能会成为一个平台。这并不意味着每个创始人都应该盲目烧钱，但这确实意味着雄心勃勃的创始人需要了解规模何时会改变能力。
第三个教训是界面很重要。
ChatGPT 之所以强大，是因为它让人工智能变得简单。聊天框将复杂的模型变成了任何人都可以使用的东西。最好的产品往往将复杂性隐藏在简单的交互背后。
第四个教训是客户购买的是结果，而不是技术。
不要出售人工智能。销售节省的时间、更好的决策、更快的交付、更多的潜在客户、更干净的工作流程或更强大的内容系统。
第五个教训是杠杆比员工数量更重要。
在人工智能时代，一个拥有良好系统的小团队可能会胜过一个工作流程薄弱的大团队。重要的问题不是你有多少人，而是你的系统能产生多少有效的工作。
我个人对OpenAI战略的看法
我个人的观点是，OpenAI 的战略不仅仅是构建更好的模型。
它是将智能转变为基础设施。
这才是真正的转变。 ChatGPT 让人工智能对消费者可见。 Codex 展示了人工智能如何进入工作流程。计算基础设施表明人工智能正在成为一场物理和金融竞赛。教育表明社会仍在调整之中。围绕访问权和所有权的争论表明，人工智能不仅是一种产品，而且是一种权力结构。
对于我自己在 SEO、WordPress 和数字业务方面的工作来说，最大的教训很简单：工具是不够的。
工具只有在连接到真实系统时才变得有价值。
人工智能可以帮助编写内容，但它不能自动建立信任。人工智能可以帮助建立网站，但它不能自动创造需求。人工智能可以帮助编码，但它不能自动创造出好的产品。人工智能可以帮助自动化工作，但它无法自动构建商业模型。
这就是为什么我认为AI时代最好的创业者不会是那些只追求最新模式的人。
他们将了解如何将人工智能与分销、客户需求、工作流程、品牌信任和业务成果联系起来。
OpenAI 的故事提醒我们，未来不仅仅由技术构建。
当技术、产品、规模和市场行为最终连接起来时，它就建立起来了。
结论
Sam Altman 的斯坦福 CS153 演讲有助于解释 OpenAI 战略，因为它表明该公司不仅仅是 ChatGPT 的创建者。
OpenAI 的更深层次战略是围绕规模、用户行为、计算、产品发现以及将智能转化为实用程序的长期目标而构建的。
ChatGPT 表明，简单的界面可以打开巨大的市场。 Codex 表明人工智能可以从对话转变为真正的工作流程。计算表明，人工智能竞赛也是一场基础设施竞赛。教育表明，机构仍然落后。围绕访问权和所有权的争论表明，人工智能将重塑权力，而不仅仅是生产力。
最大的教训不是每个创始人都应该复制 OpenAI。
大多数不能。
真正的教训是人工智能改变了杠杆的运作方式。
在下一个时代，优势可能不再来自拥有最大的团队。它可能来自于构建最好的系统：一个结合了AI工具、用户反馈、分发、判断和真正商业价值的系统。
这就是 OpenAI 的策略所教导的。
未来属于那些能够将智能转化为有用系统的人。