萨特斯基弗（左）与老师杰夫·辛顿（右）可就在马斯克与阿尔特曼准备召开新闻发布会时，小萨却反悔了。
为了留住小萨，Google 先给小萨的薪资翻了一番，数字是 OpenAI 的两到三倍，但对方不为所动。随后，Google 采取了另一条策略：加更多的钱。
此时的 OpenAI 急得像热锅上的蚂蚁，但考虑到自身囊中羞涩，只能天天发短信求小萨谈理想。直到阿尔特曼召开新闻发布会的那一天，小萨才决定加入 OpenAI，从 Google 的心腹变成了心腹大患。
小萨的决定其实出于一个有些难以启齿的「理想」：他想实现 AGI（通用人工智能）。
所谓 AGI，即「超级智能」，接近科幻电影中万能的人工智能；与之形成对比的是人脸识别、翻译、下围棋等只能完成单一任务的人工智能。
即便 2012 年，杰夫·辛顿和小萨的论文让 AGI 的可行性跨出了一大步，但以当代的科研基础，谈论 AGI，依旧就像谈论如何长生不老一样民科。
科学家 all in AGI，赌赢，可以在教科书里与比肩牛顿；赌输，成为美版知乎 Quaro 的民科代表。
但企业 all in AGI，大概只有一个结局——成为先烈。庞大的资本支出，让无论是相信「专家算法」的 IBM，还是「深度学习」神教的 Google、百度，无论信奉何种 AI 路线，巨头们的一切 AI 研究，都为产业化服务。
愿意成为这个冤大头的，只有 OpenAI 一家。
阿尔特曼将 OpenAI 打造成了一个象牙塔：在实验室成立的前 15 个月，OpenAI 都没一个明确的研究目标。平日里，马斯克便带着这群梦想家一起脑暴，探讨 AGI 将如何实现。
2016 年 5 月，时任 Google 首席 AI 研究员曾参观过 OpenAI，对其工作方式相当困惑。他询问 OpenAI 的目标是什么，没想到难倒了 OpenAI，「我们现在的目标，就是....做点好事[3]。」
然而在数月之后，这位研究员却毅然辞职加入了 OpenAI——一起做点好事。
毕竟在当时的硅谷，「放肆做梦」是个极其稀缺的特质。哪怕是 AGI 曾经的布道者 DeepMind，在被 Google 收购后也更实际了些。产业界与学术界的差异，促使了大批科学家的「叛逃」：
从 2017 年开始，吴恩达、李飞飞等著名 AI 学者先后回归大学校园。
此般大环境下，高举理想主义大旗的 OpenAI，成功抄到了历史的大底，拉拢了不少顶尖人才。
2017 年 3 月，随着团队越来越庞大，阿尔特曼决定给 OpenAI 设立一个更具体的目标，这时，等待他们的是一个好消息与一个坏消息。
接盘：读作理想，写作美元
2017 年是 OpenAI 命运的分水岭。
好消息是，Google 帮 OpenAI 解决了没有具体目标的困扰。2017 年，Google 在一篇论文中开源了「Transformer 神经网络架构」。它的革命性在于可以让 AI「听懂人话」，而这很可能会是通往 AGI 的关键钥匙。
一直在做好事的 OpenAI，瞬间有了攻坚的方向。
一篇改变了世界线的论文坏消息则是，没钱攻坚了。
一个热知识是，如果没一个出手阔绰的靠山，根本没资格搞 AI。光算力——也就是芯片的开销，就是一笔巨额成本。从 2012 年的 AlexNet 模型到 2017 年的 AlphaGoZero，算力消耗足足翻了 30 万倍。同期英伟达股价翻了整整 15 倍，黄仁勋做梦笑醒好几回。
早些年，一大批科学家纷纷跳槽去硅谷巨头，就是为了找靠山。2010 年，还在斯坦福的吴恩达研究出一套新算法，却发现大学的算力条件远远不够。他从美国东海岸找到西海岸，发现只有 Google 符合条件。
2017 年，Transformer 横空出世后，AI 进入大模型阶段。所谓大模型，背后支撑的是大算力、大数据以及大算法，而这也意味着烧大钱。
以 OpenAI 的 GPT-3 模型为例，有机构做过测算，发现训练一个 GPT-3，需要至少 1024 张 A100 显卡持续运转足足一个月[7]。而 A100 显卡最便宜的版本也要 8769 美元。
也就是说，什么还没算，就先给英伟达交了 900 万美元入场费，这还没算搭建机房的成本和后续源源不断的电费。
如今，ChatGPT 训练一次的成本高达1千万美元，这是一般企业无法承受的。小冰公司 CEO 李笛算过一笔账：「如果按照 ChatGPT 成本来考量的话，每天我要烧 3 亿人民币，一年要烧一千多亿。」
回到 2017 年，仍是非盈利机构的 OpenAI，根本无力负担这些费用。原本的大靠山马斯克也在 2018 年初宣布辞职，原因是避免与特斯拉 AI 业务有所冲突。
风雨飘摇之际，阿尔特曼悄悄修改了 OpenAI「非盈利」的使命，开始给 OpenAI 另谋靠山。
此时，既无科研成果，又无大牛坐镇的微软，进入了阿尔特曼的视野。
作为美国高科技领域老牌列强，微软在 AI 上的决心不可谓不强，但长期被 Google 的 DeepMind 来回摩擦。
2019 年，恨铁不成钢的微软遇见人才济济的 OpenAI。当时，比尔·盖茨本人并不相信 OpenAI 岢晒Α蹲侍概兄校苤卑椎囟云浞⒄孤废弑泶锪吮郏衔� Transformer 这类大语言模型在过去五年都没什么进展，没人知道它会有什么价值。
但话虽如此，微软还是爽快的掏出了 10 亿美元。
图片阿尔特曼与微软 CEO 纳德拉
这次接盘，很可能会成为微软历史上最成功的一笔抄底。
2022 年 12 月，OpenAI 沿着 Transformer 路线开发出了最新款 AI，名为 ChatGPT。2 个月后，ChatGPT 的全球月活突破了 1 亿。
这回，该轮到 Google 睡不着觉了。
突围：难以复刻的奢侈品
ChatGPT 最近登上了热搜榜，引起了公众的关注，人们常常会问：为什么这种技术又是在美国诞生的呢？
事实上，复制一个 ChatGPT 并不是一件难事。ChatGPT 本质上是建立在 GPT-3 模型的基础之上，通过「对话」这一场景，搭建了一个普通用户也能使用的 AI 应用。两者之间的技术进步并不算很大。
如果翻阅前两年的新闻，我们会发现在 GPT-3 时代，中国公司已经开始效仿。因此，并不需要对各种中国版 ChatGPT 进行冷嘲热讽。在纯技术层面，中国企业的落后程度并不是很大。
我们再回到大模型发展的三个要素：算法、算力和数据。
算法是决定人工智能（AI）学习能力的关键，它类似于人类大脑的作用。
业内主流观点认为，尽管中国企业没有率先开发出Transformer和GPT-3，但它们在大型模型方面的技术水平距离ChatGPT的差距通常只有半年到两年的时间。
例如，在GPT-3发布后，百度、腾讯、阿里等企业迅速跟进，推出了类似于一言、M6和混元等数万亿参数级别的大型模型。
算力是一种决定算法运行效率的资源。
AI训练高度依赖于英伟达A100、H100等专用显卡。普通的消费级显卡通常会将一部分算力用于光线追踪等功能，而A100则具备硬件设计和软件配套全面支持AI的特点。
虽然从2022年开始，美国已限制英伟达向中国大陆销售A100/H100显卡，但英伟达也很快推出了A800，成为中国特供版A100的替代品。
数据是训练算法所依赖的高质量教材，决定了AI会学习哪些知识。
OpenAI站在的是一个数据富矿的背后，即拥有丰富的高质量英文文本数据。例如，全球最大的百科网站维基百科上，最多的百科文章就是英文。
此外，英文互联网还有许多类似于GitHub这样的专业论坛、大量的图书、学术论文和专业新闻等数据。虽然中文互联网的文本质量有待提高，但其总数据量仍然具有压倒性优势。
无论是算法的调整还是算力的增加，本质上都需要投入资金和人力。在这方面，中国其实并不落后于美国。就像百米赛跑中，冠军和亚军之间的差距通常不到一秒钟。
但是不到一秒钟的差距却决定了胜利和失败，这可能也是ChatGPT和“中国版ChatGPT”的区别。
OpenAI 的诞生既有偶然的堆积，也有必然的因素。"造福人类"的AGI神教，聚集了世界上最有才华的AI学者；适时的技术突破为OpenAI的发展提供了路径，而微软的加入则成为了最后一块拼图。
ChatGPT的价值在于投资数额庞大和快速烧钱的能力，以及对疯狂想法的包容商业环境。正如阿尔特曼所说：
成千上万的创业公司在开发社交软件，但只有不到20家公司致力于核聚变。然而，实现伟大的事情实际上更容易，因为飞向太空是每个人的梦想。
梦想并不昂贵，但敢于梦想的勇气却是一件奢侈品。
阿尔特曼与马斯克
