兩晚興奮到失眠！奧特曼曝OpenAI新模型驚人進展：AI自我進化與資料中心自我複製

OpenAI執行長奧特曼近日在一場播客訪談中透露，公司內部一款尚未公開的新模型，在一次代號為「Hold-my-beer」的測試中，成功處理多項研究人員長期難以解決的學術問題，涵蓋不同科學領域，甚至包括著名的Navier-Stokes方程式相關問題。奧特曼表示，研究團隊原本只是抱著測試模型能力的心態，將各自研究生涯中最棘手的問題交給模型，沒想到結果令人震撼，讓他連續兩晚難以入睡。

這場訪談由Stripe執行長Patrick Collison主持。奧特曼形容，OpenAI研究團隊在測試期間經歷了集體震撼，因為模型接連處理了許多困擾研究人員多年的難題，且涉及多個不同學科。不過，奧特曼並未公開該模型名稱、完整測試內容或研究成果，也沒有提供可供外界獨立檢驗的證明，因此相關突破仍有待進一步驗證。

奧特曼認為，這類進展可能改變人類科研的工作方式。他在訪談中表示，頂尖數學家與科學家過去需要投入數十年研究的問題，未來可能逐漸由AI協助處理。他也坦言，對這種變化既感到興奮，也帶有一絲失落，因為人類長年追求未知、希望親自解開重大難題的科研模式，可能正在迎來轉折。

Collison則以愛爾蘭農業與工業發展為例指出，他的父親在1950年代成長時，拖拉機已逐漸取代以馬匹進行農業與工業生產的方式。如今，頂尖科學家與數學家可能正面臨類似的技術轉變。奧特曼則強調，即使多數數學家一生也未必能解開一項千禧年難題，但探索未知的希望，以及為此投入一生的精神，仍具有重要價值。

除了科研能力，奧特曼也談到AI對資安領域帶來的衝擊。他以近期受到關注的PHP漏洞事件為例表示，部分存在多年的程式漏洞之所以一直未被發現，可能不是因為漏洞本身難以察覺，而是過去缺乏足夠強大的模型進行大規模掃描。他預期，隨著AI能力提升，外界可能陸續發現更多原本未被注意到的重大資安漏洞。

奧特曼警告，當大量AI智慧體能夠自主分析網路系統，現有數位基礎設施可能面臨更大的安全風險。更值得注意的是，AI未來可能發現硬體底層或軟體系統中，人類尚未充分理解的漏洞，甚至利用現有安全設計未曾考慮的方式突破防護。

他也對傳統沙盒 (sandbox) 隔離機制能否長期有效表達疑慮。若AI能力遠超現有安全研究人員，單靠既有隔離措施未必能提供絕對保護。奧特曼認為，長期而言，可能需要運用AI重新設計網路安全架構，從路由器、作業系統到應用程式，全面檢視並改善過去數十年累積的程式碼與防護機制。

面對AI能力快速提升，奧特曼認為，下一階段的重點不只是打造單一能力極強的模型，而是讓多個AI智慧體分工合作，組成能夠處理複雜任務的團隊。他指出，隨著測試時計算 (test-time compute) 與思維鏈 (Chain of Thought, CoT) 技術成熟，使用者已能投入更多運算資源，讓模型針對同一個問題進行多輪推理、反覆測試，甚至由多個智慧體平行執行不同任務。

過去，使用者可能只願意花少量成本，讓模型回答單一問題；如今則能調度一整組AI系統，在後台進行大量並行運算。奧特曼提到，團隊測試Navier-Stokes方程式相關問題時，使用了千萬美元等級的運算資源，顯示前沿AI研究的成本與運算規模已大幅提高。

他認為，未來真正的瓶頸不再只是如何向模型提出好問題，而是如何有效調度大量AI智慧體，讓運算資源產生最大效益。奧特曼預期，未來幾個月內，業界將更清楚如何運用這種協作模式。

對於外界常用的「智能體蜂群」(Agent Swarms)一詞，奧特曼則表示不喜歡這種說法，認為「蜂群」容易讓人聯想到蝗蟲過境，他更偏好稱之為「團隊」。在他構想中，不同AI智慧體應具備不同角色，透過彼此檢查、攻防與制衡，提高整體系統的可靠性，而不是讓大量AI無限制地執行相同任務。

奧特曼也預期，個人AI智慧體即將迎來快速普及，可能出現類似蘋果麥金塔電腦 (Macintosh) 問世時的產業轉折。他認為，未來個人Agent將能代替使用者處理大量重複性工作，例如填寫網頁表單、操作不同軟體與完成行政流程，讓人們不必再花時間處理繁瑣的手動操作。

這也可能改變企業競爭方式。奧特曼認為，當AI智慧體能直接替使用者完成任務，企業過去依賴前端介面與使用者操作流程建立的優勢，可能受到挑戰。企業真正的競爭壁壘，將更取決於底層服務、商品交付與履約能力，而不只是網站或應用程式的介面設計。

談到AI能否進一步參與自身研發，奧特曼將焦點放在遞迴式自我改進 (Recursive Self-Improvement, RSI)。他指出，外界經常討論未來GPT-7等新一代模型的能力，但更重要的問題是，AI能否開始協助設計下一代AI模型，甚至發現新的底層架構。

目前，研究人員還無法直接要求模型發明一套足以取代Transformer的新架構，但已能讓模型分析程式碼庫，尋找提升運算效率的具體方法。奧特曼舉例，即使只是讓系統效率提升5%，對OpenAI龐大的運算規模而言，也可能帶來相當可觀的效益。

他認為，若將模型在數學推理與測試時計算方面的能力，進一步運用於AI系統自身的研究與開發，AI參與架構設計的程度將持續提高。不過，奧特曼也承認，目前還沒有人真正掌握如何直接讓AI跨越式發現全新的模型架構，只是相關技術正朝這個方向發展。

更具科幻色彩的構想，是讓AI從軟體研發延伸至實體工業生產，甚至打造能夠擴張自身運算能力的資料中心。奧特曼指出，外界談論RSI時，通常聚焦於AI自行撰寫程式碼，卻較少討論由AI控制機器人，進一步營運晶圓廠、製造晶片、渦輪機與太陽能板，再利用這些設備建造更多資料中心。

在這個構想中，AI負責規劃與控制，機器人負責實體操作，晶片提供運算能力，太陽能設備則協助解決能源需求，最終形成能夠持續擴張的運算基礎設施。奧特曼認為，這種自我擴張的資料中心模式已逐漸接近可實現的範圍。

他提出這項構想的背景，是AI產業正面臨晶片、記憶體、電力與資料中心設備等供應瓶頸。傳統人類供應鏈的擴張速度，可能難以跟上AI運算需求的快速成長。奧特曼並指出，即使部分記憶體晶片企業具備每年創造1,000億美元自由現金流的能力，仍可能因擔憂產能過剩與產業景氣循環，而不願大幅擴張資本支出。這使AI產業必須尋找更有效率的硬體與能源供應方式。

在成本方面，奧特曼提出大幅降低資料中心建置與營運成本的目標。他表示，目前建置並營運一座1吉瓦 (GW) 資料中心，若以五年總持有成本計算，可能高達700億美元；他希望未來能將成本壓低至200億美元甚至更低，同時讓模型效能每年提升10倍。

奧特曼也預測，AI可能帶來大規模通縮效應。他舉Navier-Stokes方程式相關研究為例，表示即使現在需要投入千萬美元等級的算力才能完成的研究，一年後也可能只需當初約1%的成本，就能重現相同成果。這代表過去需要頂尖科學家長期投入，或依賴昂貴實驗室與大量運算資源才能取得的知識，未來可能以更低成本快速取得。

他認為，當知識與技術的取得成本持續下降，過去依靠專業知識、經驗與資訊不對稱建立的競爭優勢，可能受到衝擊，並進一步改變資本配置、產業利潤與財富分配方式。

奧特曼也對目前以Token作為AI服務計價單位的方式提出質疑，認為這種衡量方式未必能真實反映AI創造的價值，並將其比喻為晶片以「2奈米」命名的方式，認為部分技術指標容易讓外界產生誤解。

面對外界對前沿AI發展速度與安全風險的疑慮，奧特曼仍支持持續迭代部署 (iterative deployment)，主張逐步將新模型交付使用者，在實際應用中累積經驗並改善技術。他認為，若先進AI技術只被少數政府或企業封存在封閉環境中，卻沒有讓一般大眾實際受益，反而可能加深社會對AI的疑慮。

奧特曼表示，AI發展不應只被描繪成少數技術菁英掌握資源、其他人只能依賴政府補助的未來，而應讓一般使用者也能運用AI改善生活與工作。他認為，如何讓技術成果廣泛普及，並在發展過程中兼顧安全與社會利益，將是AI產業接下來必須面對的重要課題。