坦承AI末日論言過其實！奧特曼改口「短期失業衝擊被高估」，算力短缺才是大問題|數位時代 BusinessNext

重點一：OpenAI 執行長奧特曼在史丹佛 CS153 課堂表示，自己「已不太算是短期就業末日論者」，認為 AI 對一般就業的短期衝擊沒原本想的劇烈；但 OpenAI 對 AI 承擔高階研發任務的時間表仍相當激進。

重點二：他改口時提到，AI 仍卡在需要長期規劃與高度判斷的任務；同時他把另一個分配難題轉向「算力短缺」，認為若算力價格失衡，如何公平分配算力會成為重要議題。

重點三：奧特曼把 AI 定位為像電力一樣的新「公用事業」，主張真正該賣的是「智慧」本身，與輝達執行長黃仁勳「算力才是公用事業」的看法分歧。

OpenAI 執行長山姆·奧特曼（Sam Altman）日前在史丹佛大學 CS153 課程的一場爐邊對談中表示，自己「已不太算是短期就業末日論者」。

被問到未來十年的走向時，他說：「我一直樂觀地相信我們會找到新的事情做，但短期內可能不像我原本想的那麼具破壞性。」過去兩年，OpenAI 一度是把 AI 與大規模失業綁在一起的聲音之一，如今由創辦人親口收斂這個判斷，格外受關注。

奧特曼給的理由是，AI 雖在部分領域已超越人類，但在「長時程、需要高度判斷力」的任務上仍有明顯差距。他舉例，OpenAI 的推理模型在對談前一天，針對一道長期有人研究的數學猜想找出新結果，卻仍卡在需要長期規劃的真實工作；這個落差，是他收斂短期衝擊判斷的原因之一。

但這不代表奧特曼對 AI 能力進展變保守。談到研發管線，他說 OpenAI 的目標是到 2026 年 9 月，投入 50 萬張 A100 等效 GPU，把 AI 當成研究實習生；到 2028 年 3 月，則希望做出能端到端探索新架構的「很有才華的研究員」。

也就是說，他下修的是一般就業市場短期被快速改寫的速度，對 AI 進入高階研發流程的時間表仍相當激進。

不過，他隨即把另一個分配難題指向「算力短缺」。主持人引用資料指出，H100 與 Blackwell 的長期預訂價和現貨價價差一度約五倍，並追問 H100 是否幾乎已被今年需求搶光；奧特曼回應，價差可能已有改善，但他不反對「存在巨大算力短缺」這個判斷。

他認為，一方面硬體供給正大量湧入，另一方面需求成長可能更快，因此人們「某種程度上該緊張」。

對談中，奧特曼進一步把 AI 定位成一種新的「公用事業」，並以電力史作對照：早年電力公司不直接賣「電」，而是賣「夜晚的光」。他坦言還沒想出 AI 該對應什麼隱喻，「我們在賣智慧」這種說法一般人無法共鳴。

在這一點上，他與輝達（NVIDIA）執行長黃仁勳出現分歧：黃仁勳把算力（晶片）視為公用事業，奧特曼則認為真正的公用事業是「智慧」本身，也就是模型輸出的 token（運算與計費的最小單位）。他的理由是，企業與消費者最終不會在意背後用什麼晶片，只在意「用得多嗎、便宜嗎、做得好嗎」。

他也提到分配問題，認為未來「如何公平分配算力」可能比失業更棘手。在財富重分配上，他表示自己偏好讓人人持有資本一小片的「公民財富基金」，勝過固定發放現金的無條件基本收入（UBI）。

奧特曼還罕見地坦承自己看錯了一件事。ChatGPT 剛推出時，他以為頂多一年、學生作弊一波後，教育系統就會自我重設、教得更好；但三年半過去，他「指不出任何顯著的系統性改變」，並警告若繼續用 AI 出現之前的方式教學與評量，可能導致「思考能力的萎縮」。

他並估計，AI 未來約有八成機率走向「廣泛民主化」、而非集中在少數公司手中，但強調這需要「全世界的意志」才能達成，因為權力集中才是預設狀態。

延伸閱讀：SpaceX收購Cursor！600億美元交易背後的台灣身影，黃紹儒從回報一個bug做到創始工程師

資料來源：Stanford Online, "Stanford CS153｜Scale, AGI, and the Future of Everything"

本文初稿為 AI 編撰，整理．編輯／李先泰

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。