Sam Altman 说话的密度一直很高，但 2026 年这次访谈里有一段特别值得单独拎出来。他没有讲新模型、没有讲产品路线，而是谈了一个更底层的判断：AI 接下来最大的限制是什么。他的回答不是「算法不够好」，也不是「数据不够多」，而是一路往下挖到了物理层面——先是晶体管，然后是电子。
这个判断之所以重要，是因为它把「AI 何时普及」这个问题，从一个技术问题变成了一个供应链和能源问题。而根据他的表述，OpenAI 的整个基础设施战略，都是围绕这个判断展开的。
速览卡：这位大佬和他说了什么
 | 大佬 | Sam Altman |
| 身份 | OpenAI 联合创始人兼 CEO | |
| 出处 | 2026 年公开访谈（与 Benjamin Han 的对谈），谈「Abundant Intelligence」与算力瓶颈 | |
| 时间 | 2026 年 | |
| 核心观点 | 目标是让智能变得丰裕而廉价；但继续推进的瓶颈正在从算法转向物理——先是晶体管的产能，接下来是支撑算力的电力（电子）供给 |
Altman 说了什么
先看他对「丰裕智能」这个目标本身的表述。他没有把它说成一个商业目标，而是说成了一个近乎公共品的愿景——智能应该像水电一样，便宜、普及、随处可得，而不是被少数机构垄断定价：
“Abundant Intelligence” — the goal is not for a few to have access to powerful AI, but for intelligence to become cheap and available to everyone.
（译文）「丰裕智能」——目标不是让少数人用上强大的 AI，而是让智能变得廉价、让每个人都能获得。
紧接着是他对「权力集中」这个风险的直接表态。这一点很值得注意，因为说这话的人是这个行业里最有权力的公司之一的 CEO：
“AI authoritarianism” and the “concentration of power” are the things we should be most worried about.
（译文）「AI 威权主义」以及「权力的集中」，才是我们最应该担心的事情。
这两句构成了一个完整的逻辑：**正因为担心智能被少数人垄断，所以目标必须是「丰裕」而不是「强大」**。这解释了为什么 OpenAI 在基础设施上投入如此激进——如果智能是稀缺的，它就必然昂贵，必然被少数人掌握；只有把它做得足够便宜，普及才有物质基础。
但真正有价值的部分在后面。当他被问到「继续往前推，最大的限制是什么」时，他给出的答案有两个层次，而且是一层比一层更底层。第一层是芯片的产能：
“The biggest bottleneck is going to be transistors, and then electrons.”
（译文）最大的瓶颈将会是晶体管，然后是电子。
这句话里有两层递进，值得拆开来说。
**「晶体管」说的是制造产能。** 先进制程芯片的产出，取决于有限的产能——全球能生产最先进制程的晶圆厂数量极少，而扩张一座这样的工厂需要以年计的周期和以百亿美元计的投资。AI 训练和推理对算力的需求在指数增长，而供给端的扩张能力是线性的甚至更慢。这个错配就是「晶体管瓶颈」的含义。
**「电子」说的是电力供应。** 这比晶体管更底层。一个现代 AI 数据中心的功耗已经达到数百兆瓦量级，相当于一座中小城市的用电量。而电力基础设施——发电、输电、配电——的建设周期比芯片厂更长，且受制于自然资源、电网容量、以及地方审批。当数据中心从零散建设变成集群式扩张，电网的承载能力就成了绝对的硬约束。
把这两个层次合起来看，Altman 的判断其实是在说：**AI 的增长曲线，正在从一个受「想法」约束的领域，变成一个受「物理」约束的领域。** 这个转向的含义非常深远，因为物理约束有几个不受软件工程节奏影响的特点——它不能靠加班搞定，不能靠架构调整绕过，只能靠真实世界的建设周期来消化。
背景：这个判断为什么在 2026 年成立
要理解为什么「瓶颈是晶体管和电子」这个判断在 2026 年才成为共识，需要看三条曲线的交叉。
**第一条是模型规模与推理量的曲线。** 训练侧的算力需求随模型规模增长，这已经持续多年。但更关键的变化在推理侧：当 AI 从「偶尔调用的工具」变成「持续运行的智能体」，推理的总算力消耗可能远超训练。一个持续在线、不断思考、调用工具、维护长上下文的任务，其单位时间的算力消耗是传统问答的很多倍。而这种「持续运行」的模式正在成为主流产品形态。
**第二条是硬件效率提升的曲线。** 摩尔定律的放缓是行业内公认的事实。更关键的是，即便引入专用加速器（如张量核）、低精度计算（FP8、FP4）、以及各种稀疏化手段，硬件效率的年度提升幅度也已经远低于算力需求的增长速度。这意味着效率提升无法独自弥合缺口——必须靠「堆更多硬件」来补，而堆硬件就撞上了产能和电力的墙。
**第三条是能源基础设施的曲线。** 这一条最容易被技术圈忽视。发电装机容量的增长、输电线路的建设、变电站的扩容，都是以五到十年为周期的工程。而 AI 数据中心的建设周期是以「季度」计的。这两条时间尺度的错配，就是「电子瓶颈」的实质。近年来多个大型数据中心项目因为电网接入排队时间过长而延期的公开报道，都是这个瓶颈的具体表现。
把三条曲线叠在一起，就能理解 Altman 那个判断的分量：它不是前瞻性的猜测，而是对已经在发生的事实的总结。瓶颈从晶体管（制造）转移到电子（能源）这个顺序，描述的正是「当产能扩张跟上一点之后，下一个更硬的约束暴露出来」的过程。
核心观点展开：从「丰裕智能」到基础设施战略
把 Altman 的这两句话放在一起，可以推出一个相当完整的基础设施战略逻辑。这个逻辑有几步，每一步都是对前一步瓶颈的直接回应。
**第一步：要「丰裕」，就必须先解决成本。** 如果智能的边际成本高，那它天然是稀缺品。降低边际成本最直接的路径是规模化——把算力做到足够大的量级，让分摊到每个 token 的成本降到可以被普遍接受的水平。这是「丰裕」的物质前提，也是它和「强大」的根本区别：强大可以靠单体突破实现，丰裕只能靠规模实现。
**第二步：要规模化，就必须锁定长期供应链。** 如果晶体管产能是瓶颈，那么提前锁定产能就是战略必需。这解释了近年来 AI 公司在芯片采购、代工产能、以及自研芯片上的激进投入——它们买的不是当前的算力，而是未来几年的供给确定性。在产能受限的市场里，「能拿到货」本身就是竞争优势。
**第三步：要维持算力运行，就必须解决电力。** 如果电子是瓶颈，那么电力获取能力就成了新的护城河。这解释了为什么 AI 公司开始直接投资能源项目、签署长期购电协议、甚至考虑自建发电设施。在这个阶段，「你有多少电」直接决定了「你能跑多少推理」。
**第四步：物理约束反过来会改变竞争格局。** 这是最值得开发者关注的一层。当约束从「谁能做出最好的模型」变成「谁能拿到足够的算力和电力」，行业的竞争焦点就会部分转移。拥有资本和供应链能力的玩家会获得结构性优势；而单纯在算法层面领先、但缺乏基础设施的团队，可能面临「有想法但跑不起来」的困境。这不是说算法不重要，而是说算法的价值需要通过基础设施才能兑现。
把这四步串起来，Altman 那句话的分量就清楚了。它不是一句随口说的判断，而是 OpenAI 一系列看起来激进的资本动作的底层逻辑：**如果瓶颈是物理的，那么所有的战略都必须延伸到物理层面。**
行业内的讨论与不同声音
这套「瓶颈在物理层面」的判断，在业内获得了相当广泛的认同，但围绕它的争论同样激烈，而且争论的焦点不在事实层面，而在结论层面。
**第一种质疑针对「电力瓶颈的紧迫性」。** 有观点认为，电力约束被高估了：一方面，芯片效率的提升（每瓦性能的改进）可以部分抵消功耗增长；另一方面，分布式推理、边缘计算等模式可以把负载分散，减轻对集中式电网的压力；再有，一些地区存在大量被浪费的可再生能源（弃风弃光），可以通过灵活调度来利用。这些论据都有道理，但它们无法否定一个基本事实：如果 AI 算力需求继续保持当前增速，集中式数据中心的电力需求一定会成为需要专门解决的工程问题。
**第二种质疑针对「丰裕智能」这个愿景本身的可实现性。** 批评者的逻辑是：即使算力变得极其充裕，「智能丰裕」也不会自动实现，因为瓶颈可能转移到别的地方——比如高质量数据的稀缺、或者模型能力本身的边际递减。如果单纯堆算力带来的能力提升存在明显的收益递减，那么「用规模换丰裕」的策略就会失效。这个质疑指向一个真实的不确定性：**算力投入与能力产出的关系是否仍然是线性的**。从近年的观察看，这条曲线至少在部分维度上还没有明显变平，但也没有人能证明它会一直保持。
**第三种质疑最有意思，它针对的是「集中化」的内在矛盾。** Altman 说他最担心权力集中，但他推动的基础设施战略——大规模集中式数据中心、长期能源协议、自研芯片——每一样都在强化少数大玩家的结构性优势。批评者会说：用集中化的手段去实现去集中化的目标，这个矛盾怎么解？支持者可能的回应是：集中的是生产能力，分散的是使用权——就像电力行业，发电高度集中，但用电是普及的。这个类比是否成立，取决于「智能」和「电」在可替代性上是否真的相似，而这一点目前还没有定论。
**还有一类来自开源社区的视角值得一提。** 开源支持者认为，如果算力是硬约束，那么「效率」就变得和「规模」同样重要。一个能在更少算力上达到同等效果的模型（通过更好的架构、更好的训练方法、或者蒸馏），其战略价值会上升。从这个角度看，「晶体管和电子是瓶颈」这个判断，实际上给效率导向的工作赋予了更高的价值——因为在一个受物理约束的世界里，省下来的算力就是赚到的算力。
**再有一类质疑针对「瓶颈判断的时间尺度」。** 有分析者指出，「晶体管 → 电子」这个顺序描述的是一个长周期的趋势，而不是当下的紧急状态。在短期内，真正的约束可能既不是芯片也不是电力，而是「能否把已有的算力高效地用起来」——也就是集群利用率、故障恢复、任务调度这些系统工程问题。这个质疑的价值在于提醒：宏观的瓶颈判断，不能替代对具体工程问题的关注。一个数据中心哪怕电力充足、芯片到位，如果调度和容错做得差，实际可用算力也会大打折扣。宏观叙事和微观工程，是两个不能互相替代的层次。
横向扩展：把这场讨论放进更大的框架
要完整理解这个判断，需要引入三个背景框架。
**框架一：AI 的「投入型」增长模式。** 历史上大多数技术突破是「想法驱动」的——一个新的算法、一个新的架构，用更少的资源做出更好的效果。而当前这一波 AI 的显著特征是「投入驱动」：能力的提升在很大程度上依赖于更多数据、更多算力、更多参数的投入。这种模式的一个必然结果是，技术进步的速度会逐渐受制于资本和资源的投入速度，而不是受制于灵感。理解这一点，就能理解为什么 AI 公司的 CEO 会花大量时间谈供应链和能源。
**框架二：杰文斯悖论在 AI 领域的重演。** 经济学里的杰文斯悖论说的是：效率提升会让资源的总消耗增加而不是减少——因为效率提升降低了单位成本，从而刺激了更多需求。这个机制在 AI 上正在清晰上演：模型推理效率提升、单位 token 成本下降，结果是使用量大增（从偶尔问答到持续运行的智能体），总算力消耗反而上升。这解释了为什么「效率提升」这个变量，无法单靠自己解决算力紧张问题——效率越好，用得越多，需求越旺。
**框架三：基础设施投资的「长周期」特性。** 电力、芯片厂、数据中心这三类基础设施，都具有「投资周期长、沉没成本高、一旦建成难以转向」的特点。这带来两个后果：一是供给侧的调整天然滞后于需求侧的变化；二是先投入者会获得时间上的优势，但也要承担需求预测错误的风险。历史上，基础设施领域因为过度投资而崩盘的案例并不少见（光纤泡沫是经典案例）。所以「AI 基础设施是否会过剩」这个问题，是和「AI 算力是否会短缺」同样真实的风险——只是它们出现在不同的时间尺度上。
总结与启示
Sam Altman 这两句话的价值，在于它把注意力从「模型能力」拉到了「算力供给」这个更基础的层面。对我们判断行业走向，有几个直接的启示。
**第一，算力约束会重塑产品设计。** 如果推理成本在长周期内仍然偏高，那么产品设计就不能假设「算力无限」。稀疏调用还是持续运行、长上下文还是分层检索、本地推理还是云端推理——这些设计选择会越来越受成本结构驱动，而不只是受能力驱动。理解「成本曲线什么时候变平」，比追逐最新模型参数更有实际价值。
**第二，能源会成为 AI 行业的新变量。** 对开发者和中小团队来说，直接参与能源投资不现实，但这个变量会通过「API 价格」「限流策略」「区域可用性」等方式传导到日常工作中。关注算力成本的变化趋势，是规划技术选型时一个被低估的输入。
**第三，「丰裕」这个目标和「集中」这个现实之间的张力会持续存在。** 这是未来几年最值得观察的政治经济学问题之一。它不会以「谁赢谁输」的形式收场，而更可能表现为一系列制度博弈：算力如何定价、准入如何安排、监管如何介入。作为技术人员，理解这层结构，有助于在技术决策中看到更长的因果链。
最后值得一提的是一个耐人寻味的细节：Altman 给出的瓶颈顺序是「先是晶体管，然后是电子」。这个顺序本身暗示了一种乐观——晶体管这个瓶颈是可以被工程和资本消化的（建厂、扩产），所以真正的长期约束是电子。但它的另一面是提醒：当所有人都在讨论「模型什么时候变强」的时候，真正决定这件事什么时候发生的，可能是一张电网的接入排期表。这可能是 2026 年最需要被技术人员记住的一个视角转换。
把视角再拉远一点，这个判断还指向一个更长期的问题：**当智能的供给能力由物理基础设施决定时，「智能的价格」会由什么决定？** 如果算力供给受限、需求持续旺盛，那么智能的价格就更接近于「算力的边际成本」，而不是「研发投入的摊销」。这意味着 AI 行业的定价逻辑，会越来越像传统的基础设施行业（电力、通信、云计算），而不是像软件行业——软件行业的特征是边际成本接近于零、规模效应极强，而基础设施行业的特征是资本密集、回报周期长、受产能约束。这个类比如果成立，那么未来几年 AI 行业的很多现象（价格战的形态、竞争格局的演变、监管介入的方式）都会有新的解释框架。
Altman 的表述里还有一个隐含的判断值得单独指出：他把「AI 威权主义」和「权力集中」并列为最该担心的事情，而这两个担忧都指向同一件事——**智能的获取权**。这个提法把技术问题和治理问题接在了一起：如果智能是丰裕的，那么它更可能走向分散；如果智能是稀缺的，那么它必然走向集中。所以「晶体管和电子」这个技术判断，最终会通过「价格」这个中间变量，传导成「权力如何分布」这个社会问题。这条因果链很长，但每一环都是真实存在的。理解这条链，比单纯记住「AI 很耗电」这个结论更有价值。
对普通从业者而言，还有一个务实层面的提醒：Altman 这类判断的价值不在于预测，而在于它会影响资源流向。当行业头部玩家相信「瓶颈在物理层面」时，资本和人才就会向芯片、能源、数据中心这些方向倾斜，而这会反过来改变整个生态的机会分布——从模型层向基础设施层延伸。这种「叙事影响资源配置、资源配置改变机会结构」的机制，是观察技术行业时一个常被忽略但非常真实的维度。
