OpenAI罕见摊牌：他们不只在做模型，而是在押注2028年的“自动化科研”

这不是一场发布会，也不是技术炫技。Sam 和 OpenAI 核心团队在这次 Q&A 里，第一次把“我们到底在干什么、打算走到哪一步”说得足够直白：研究、产品、基础设施三位一体，以及一个被反复暗示的时间点——2028年。

开场就亮底牌：OpenAI 真正在押的不是某个模型

很多人点开这场视频，期待的是新模型、参数规模，或者某个“比 GPT-4 强 X 倍”的暗示。但 Sam 的开场白其实已经把方向说透了：OpenAI 关注的不是单点突破，而是一个“会持续自我加速的系统”。

他说 OpenAI 有三个核心支柱：研究（research）、产品（product）、基础设施（infrastructure）。听起来很企业化，但真正反直觉的是——这三个并不是并列关系，而是一个闭环。研究不是为了论文，产品不是为了营收，基础设施也不只是算力采购，它们共同服务于一个目标：让深度学习系统，开始参与甚至推动研究本身。

这意味着什么？意味着 OpenAI 不是在问“下一个模型什么时候发布”，而是在问“当模型开始参与发明新模型时，组织该如何运转”。这也是为什么他们在一开始就强调：这家公司首先是一个研究实验室，其次才是产品公司。

2028 年不是口嗨：自动化研究被摆上时间表

视频中最容易被忽略、但信息量最大的，是那句轻描淡写的时间判断：作为一个试图“自动化研究”的研究组织，OpenAI 在规划上已经明确指向 2028 年 3 月左右。

他们并没有解释“自动化研究”具体长什么样，但从上下文可以推断，这并不是简单的 AutoML 或代码补全，而是让系统参与到提出假设、设计实验、理解结果的全过程。换句话说，模型不只是工具，而是研究合作者。

这一点非常关键。过去十年，深度学习的进步依赖于更多数据、更大模型、更强算力。但 OpenAI 在这里暗示的是下一阶段：当研究速度本身成为瓶颈，唯一的出路是让 AI 参与突破这个瓶颈。

也正因为目标足够激进，他们反复强调“我们现在如何规划和组织自己”。这不是技术路线问题，而是组织形态问题——传统研究机构，很可能根本承载不了这种节奏。

越接近强系统，安全和对齐越不是“附加题”

当话题转向 AI 安全和对齐时，语气明显变了。这里没有宏大愿景，只有一种近乎谨慎的克制。

核心信息只有一句话：越是接近能力极强的系统，就越不能把安全当成事后补丁。OpenAI 把“对齐”和“安全”放回了深度学习理解本身，而不是独立的伦理讨论。

这背后其实是一个判断：如果你连系统为什么会做出某个行为都解释不清，那任何安全机制都是脆弱的。所以他们强调的不是规则，而是对深度学习整体机理的理解。

这也解释了为什么他们愿意在这部分“讲得很难懂”，甚至自嘲“让人听到斗鸡眼”。对 OpenAI 来说，真正重要的安全工作，本来就不该是易消化的。

被低估的那一层：基础设施正在决定上限

在讨论中，有一个部分明显不够“性感”，但反而最现实——基础设施。

他们明确表示，要支撑上述研究和产品形态，现有的结构是不够的，所以需要“新的结构”。这不是简单扩容，而是围绕研究自动化、产品快速迭代所重新设计的基础设施体系。

对从业者来说，这是一个重要信号：未来的竞争优势，很可能不只在模型架构，而在谁能把训练、部署、反馈、再训练这条链路压缩得更短、更稳定。

当有人在 Q&A 中直接问到“什么时候会出现大规模失业”时，现场并没有给出一个爽快的时间点。但从前面的讨论已经能看出答案的轮廓：真正剧烈的变化，往往发生在基础设施成熟之后，而不是模型刚出现的时候。

总结

这场对谈真正值得反复看的，不是某一句金句，而是 OpenAI 暴露出来的“思维坐标系”：他们把时间押在 2028，把重心放在研究自动化，把风险前置到安全和对齐，并且愿意为此重构整个基础设施。

对 AI 从业者来说，takeaway 很现实：如果你只盯着下一个模型参数，很可能已经慢半拍了。更值得思考的是——你的工作是否能嵌入一个“自我加速的系统”？你是在优化一个点，还是在参与构建一条飞轮？未来几年，差距就会在这里拉开。

关键词： OpenAI， 深度学习， AI安全， AI对齐， 自动化研究

事实核查备注： 需要核查：1）视频完整时长；2）“自动化研究”提到的具体时间点是否为 2028 年 3 月；3）发言人姓名（Sam、Yakob/Jakub、Wojciech、Tom）的准确拼写与身份；4）关于基础设施“新结构”的原话表述。