奥特曼谈内存分配：个人电脑囤DRAM太浪费，应集中到AI数据中心

奥特曼在采访中提出一个观点：把紧缺的DRAM放在每个人自己的电脑里、大部分时间闲着，从全球资源配置的角度看是「相当糟糕」（quite terrible）的安排，内存应当集中到云端的数据中心。

这话说得够直白。

本周四，OpenAI CEO 山姆・奥特曼（Sam Altman）出现在 YouTube 频道 Cheeky Pint 的访谈里，一边喝啤酒一边聊，气氛很松。话题从 AI 大模型的本地推理，聊到家用电脑内存不够用的问题，聊着聊着就说出了上面这番话。

全球 AI 热潮已经把内存价格推高，PC 和手机跟着涨了一轮，普通消费者早就吃不消。内存大厂的产能扩张又得等上一阵。前沿 AI 公司拿走了内存的大头，转头却开始讨论个人电脑里的内存有没有被用足。

奥特曼设想过一种情形：人们在自己的电脑上跑本地人工智能，这些电脑可能是手头已有的，也可能是为了跑 AI 大模型新攒的。他的判断是，这个想法很糟。

奥特曼指出，全球 DRAM 内存本就有限，却被分散到每台个人电脑上闲置，实际利用率仅 5%，这种分配方式很成问题。他说，假如要在供应极度吃紧的情况下做事，云端恰恰应当把利用率做到最高，可不少人的直觉偏偏反着来。

OpenAI 当下的主业建立在大规模数据中心运行的闭源模型上。他为自家商业模式做的这番辩护，在 AI 社区里引出一片争论。

有人因此担心：以后想拥有自己的硬件或软件会更难，可能只能去租云端的智能体和计算机。

普通 PC、手机和 AI 加速卡用的内存并不一样，可在上游晶圆产能上，它们互相抢。奥特曼谈的是全球 DRAM 怎么分配。真要说谁有资格决定产能投向哪里，多数时候还是下订单更大的那一家说了算。

奥特曼的部分说法，前提是数据中心建设不会放慢。他还有一个假设：全天候供 AI 数据中心使用的内存，比拿来做表格、刷网页、打游戏、偶尔跑跑本地 AI 的内存更值钱。

其实这场访谈很长。奥特曼还聊了这两周让全球紧张的 PHP 漏洞、训练模型的沙箱化，以及 AI 在数学领域的研究。

他主要讲了这些：

AI 正在引爆漏洞潮

谈到那个巨大的 PHP 漏洞，奥特曼的判断是：大模型找漏洞的本事一直在快速长进，而互联网上的代码量又极其庞大。一旦人们开始系统性地用 AI 扫描所有代码，「我们会发现自己身处一个严重漏洞远超预期的世界」。他觉得打补丁不够，架构得重构，路由器、操作系统、应用层都要按「漏洞会越来越智能」这个前提重新设计。两年前说「重写整个技术栈」还像疯话，现在已经冒出要做全新 stack 的创业公司。

他还少见地批评了整个行业：「我不认为我们很好地向人们解释了，为什么这项技术所有潜在的下行风险是值得的。」在他看来，AI 行业的叙事是一套糟糕的销售话术——一边承诺治愈癌症、降低成本，一边又描绘失业、失控、需要强力监管的未来。他重申 OpenAI 坚持迭代部署（iterative deployment）、对抗能力悬置（capability overhang），理由是不能让「旧金山几平方英里的人做所有决定」。

被问到能不能给模型建一座「最高安全级别的监狱」，奥特曼的回答偏悲观：沙箱只能在一定范围内管用，监控（包括思维链审查和激活监控）能再往前一步，可到头来还是得高度信任对齐。他反问：面对一个比最聪明的安全研究员还聪明百万倍、能发现人类尚不懂的新科学的模型，你真敢信那个沙箱吗？

他明确说不喜欢「agent swarms（蜂群）」这个叫法，因为 swarm 容易让人想到蝗虫。他坚持用 agent teams（智能体团队），并认为团队之间相互制衡的特性，正好对应靠多元主义实现鲁棒性的机制，是值得推进的安全方向。

智力爆炸与科学发现的代价

奥特曼画了一条曲线：GPT-4 那会儿，往单个问题上有效投入 1 美元算力都难；思维链（chain of thought）让模型能「用力思考」，现在我们却能让整支智能体团队并行上万次。普通用户和最先进用户之间的使用差距，正在不断拉大。

说到 OpenAI 内部怎么分算力，他表示员工自由度很大，但从不奖励高 token 消耗，「token 排行榜高其实有点丢人，肯定不是晋升理由」。他拿纳维 - 斯托克斯（Navier-Stokes）方程的证明举例：单个证明大约花了 1000 万美元，中间「失控了一周」，因为当时大家对智能体团队的扩展律一无所知。他预计一年后用更聪明的模型和方法，花 1/100 的成本就能重做一遍。

他也少见地露了情绪：当时那情况真是绝了。某个新模型内部上线的那个周末，大家把各种最棘手的难题丢给它，它居然都能一一解决。人们本来根本没指望模型能做到这些。许多人学术生涯中最难攻克的科研难题，被这个模型一个接一个解掉，还横跨好几个不同领域，那场面确实让人惊叹。

「有两晚我几乎彻夜未眠，因为实在太兴奋了，根本睡不着。我们后来发表的很多成果，其实就是当时解决的那些难题。」

当时他心里既兴奋又愉快，可与此同时，一种始料未及的伤感与失落也冒了出来，还夹着「某个时代正在终结」的滋味。那里面不单是怀旧，也包含着对人类科学家「朝闻道，夕死可矣」的共情。他认定人类本就该拥有基础知识，只是行业至今没给这些领域的从业者一个交代。

现在谈超级智能还早，不过奥特曼认为，万亿个小超人类，胜过一个万亿 IQ：

奥特曼的原话是："I would much rather intuitively have a trillion AIs of slightly superhuman intelligence join society than one AI of one trillion IQ join society."翻成中文，他更倾向于让一万亿个智能略超人类的 AI 进入社会，而非让一个万亿 IQ 的 AI 加入进来。

他给出的理由是：社会之所以有很强的鲁棒性，靠的是大量成员彼此制衡、相互协作；只有"单脑"的世界不具备这种韧性。不过他同时强调，这种局面不会自己到来，得主动去推。

市场调节，到 AI 时代玩不转了？

全球内存紧缺这件事上，奥特曼讲了 OpenAI 的几手安排：自研芯片，把每瓦智能性能做上去；自建数据中心；机器人项目；还有一个更敢想的说法——"自我复制的数据中心"，也就是用 AI 指挥机器人去运营晶圆厂、制造涡轮和太阳能板、再把数据中心建起来。他的说法是"这已在我们掌握之中"。

至于"市场自己会调节"为什么左等右等不见效，他认为眼下的进展很糟糕。他拆解了内存厂商的行为逻辑：这行当长期是投 200 亿美元 capex 只赚 19 亿的苦生意，历史上好几回有巨头因为过度建厂差点倒闭。现在每家企业一年能赚到约 1000 亿美元自由现金流，可惨痛记忆还在，扩产就极度保守。他据此下了判断——"看不见的手现在失灵了"。

他把芯片产业的能力分成两类：光刻这块，"地球上似乎只有一家公司知道怎么做"；芯片设计则不同，最终交给晶圆厂的那份文件，正是 AI 大有可为的地方。

说到递归自我改进（RSI）到底到了什么水平，奥特曼表示，模型现在能接下"找 5% 计算效率提升"这类活，但还没人知道怎么让 AI 发现 transformer 那种级别的新架构，卡点在于模型不够聪明。他还提前打了招呼：社会或许需要在一段时间里同意限制单模型的智商，"若未来的进展不足，那将源于这个决定，而非 AI 做研究的能力"。

他也把自己的通缩信念摆了出来：眼下每 GW 领先 AI 算力的 5 年总拥有成本大约 700 亿美元，能压到 200 亿就更理想，同时模型每年还得再提 10 倍性能。路径有两条——让能源更便宜，以及压缩"从沙子到产出 token"之间层层叠叠的毛利。

对企业担心 token 预算超支这件事，他的看法正相反：现在更普遍的问题是 AI 用得不够多，而非用过头。

个人智能体怎么定价？

聊到最近火热的个人智能体产品（比如 Muse），奥特曼当下的判断是"Macintosh 时刻还没有到来"。人们是喜欢这些产品，但还没到"无法想象没有它的生活"那一步。他认为赢家的形态会跟现在的产品差不多，只是"it'll just work"——可靠，能接住更复杂的任务。至于 computer use 的猫鼠游戏，他觉得最终会收敛到"你有权让 AI 代表你操作自己的电脑"这个程度。

智能体怎么商业化？奥特曼说，企业死守自家产品里的 AI 弹窗和 HTML，怕的是丢了客户关系；可消费者想的是在自己的主聊天应用里让 AI 代办一切。在他看来，真正的护城河来自品牌、选品和履约网络，不是 HTML。他还主动交代：自己 10 次有 10 次选 Amazon Pay，哪怕价格更高；对亚马逊的履约网络他赞不绝口，同时也承认 ChatGPT 内的合作平台做得还不够好。所有网页表单，他统称为"假工作"（fake work），并把当下比作当年的 App Store 时代。

正因如此，OpenAI 设计定价时差点照搬 AWS 按任务报价、把 token 计费彻底扔掉，结果客户强烈反对："我需要知道自己在为什么付钱"——哪怕付得更多，也要 token 这种看得懂的单位。

参考内容：

https://www.tomshardware.com/tech-industry/data-centers/openai-ceo-says-its-quite-terrible-for-your-pc-to-have-ram-sam-altman-says-data-centers-offer-better-utilization

https://www.youtube.com/watch?v=iMsUcCYNKqY