夜雨聆风围绕OpenAI的争议，除了需要关心大模型是否好用，真正的问题其实在于谁来决定它如何被制造、如何被部署、如何盈利，以及由谁承担它的外部成本。
Empire of AI作者Karen Hao把这套结构概括为AI帝国：AI公司以造福全人类的使命叙事为旗帜，向外争取更大的数据、算力、资本与政策空间，向内则把治理、劳动和风险处理得越来越像一台高速扩张的商业机器。
如果把OpenAI过去十年的公开文件、董事会风波、资本结构变化、版权争议、劳工链条和基础设施扩张放在一起看，就会发现它确实呈现出一种典型的AI帝国的逻辑。
第一，通用人工智能（AGI）在现实中既是技术目标，也是组织动员口号。OpenAI章程把通用人工智能定义为“在多数具有经济价值的工作上超越人类的高度自治系统”，而公司后续的公开论述又不断把它与民主化、普惠、科学突破、国家竞争力和基础设施扩张绑定在一起。
第二，OpenAI的组织路径已经从2015年的非营利理想，转入2019年后的资本化和基础设施竞赛，并在2025年至2026年形成一种非营利控制、巨额股权激励、超大规模商业化叠加的混合结构。
第三，这种结构并非只带来产品创新，也同步放大了版权、劳动、能源、水资源、社区承载和公共问责上的冲突。
争议从何而来
如果要追溯这场争议的起点，不能只从ChatGPT算起，而应回到John McCarthy在Dartmouth College组织的1956年达特茅斯会议。那份提案第一次正式使用artificial intelligence一词，也把机器能否模拟智能作为一个开放而雄心勃勃的问题。
但是，问题在于，技术史上这个词从来就带着强烈的想象负荷；它不仅描述一种研究方向，也天然带有未来承诺。
这种对未来的承诺到了OpenAI时代，被进一步压缩成通用人工智能这一更具号召力的说法。OpenAI章程把通用人工智能定义为“在多数具有经济价值的工作上超越人类的高度自治系统”；而通用人工智能在现实公共叙事里更像一个不断被重写的目标：它可以在面对国会时被说成解决重大社会难题的工具，在面对消费者时被说成无所不能的私人助手，在面对资本市场时又被说成需要海量投入、因此必须改造组织结构的理由。
通用人工智能并不是一个已经被公共审计机制固定下来的技术终点，而是一种具有高度政治动员能力的语言。
这种语言并不是中性的。Sam Altman在2015年的博客里把“超人类机器智能”称作“可能是人类延续的最大威胁”，把它放进一种近乎存在论级别的风险框架里。到了2026年，OpenAI最新原则又同时强调两件事：一是要防止未来权力集中在少数公司手里，二是要“建设巨量AI基础设施”、在世界各地推进数据中心和算力扩张。这种叙事上的张力，恰恰解释了为什么围绕OpenAI的争论总会迅速从技术能力，转移到治理、资本和公共利益上。
一个理想，怎么变成了资本机器？
OpenAI最初确实以一种反传统科技公司的姿态出现。2015年12月的创立公告明确写道，它是一家非营利AI研究机构，目标是在不受财务回报约束的情况下，以最有利于全人类的方式推进数字智能；公告还强调，研究人员将被鼓励公开发表成果，专利如果有，也要与世界分享。Elon Musk和Sam Altman当时被列为共同主席，初始承诺资金合计10亿美元。
真正的转折发生在2019年。OpenAI宣布设立OpenAI LP，理由非常直接：为了继续前进，它需要“未来几年投入数十亿美元”用于云算力、人才和AI超级计算机。新结构被描述成“有限利润”模式，投资者和员工可以获得封顶回报，但组织的首要受托义务仍然是章程使命。同年7月，微软宣布向OpenAI投资10亿美元，并成为其独家云服务提供方之一，合作基础设施直接指向通用人工智能所需的超大规模计算。
换句话说，OpenAI并不是在能力成熟之后才被资本改变，而是在追求能力上限的过程中，主动把自己改造成更能吸纳资本的形态。
2022年11月30日，ChatGPT公开发布，OpenAI进入面向大众的商业扩张期。这一节点并不只是产品成功，它还意味着此前主要存在于研究与投资叙事中的通用人工智能路线，第一次通过消费级入口与海量用户、企业采购、内容生态和监管视线发生正面接触。
2023年5月，Altman在美国参议院书面证词里仍强调OpenAI是由非营利机构控制、董事会多数独立、投资者和员工回报受到上限约束的特殊结构；但到2025年，OpenAI已公开表示原有模式不再适应“数千亿美元乃至数万亿美元”的资源需求。
2023年11月的董事会政变把这种结构性紧张彻底暴露出来。OpenAI董事会在公开声明中说，Altman之所以被罢免，是因为他与董事会沟通时并非“始终坦诚”；临时接任者是Mira Murati，董事会成员包括Ilya Sutskever等人。
几个月后，OpenAI公布由WilmerHale完成的审查结果，又明确表示这次罢免并非出于产品安全、研发速度、财务问题，或针对投资者、客户、合作伙伴的表述，而是源于前董事会与Altman之间的信任破裂。
值得留意的是，这个时候，大量外部叙事把那场风波解释成安全派vs能力派的决战，但至少在当前公开证据里，这一说法并没有被OpenAI自己的审查结论支持。
接下来的变化比任何争论都更说明问题。2025年5月，OpenAI宣布推进新的结构演化方案；同年10月，公司完成重组，非营利一侧更名为基金会，营利一侧改为公共利益公司。到2026年4月，OpenAI官网披露：基金会持有营利实体约26%的股权，微软约27%，其余约47%由现任和前任员工及投资者持有；与此同时，OpenAI与微软又修订合作协议，微软继续是主要云合作方，但不再向OpenAI支付收入分成，微软对OpenAI模型和产品的知识产权许可延续至2032年，且改为非独家，OpenAI则继续在2030年前向微软支付一定比例收入分成。
由此可见，今天的OpenAI已经不是一个所谓的被商业化污染的研究机构，而是一套高度资本密集、基础设施密集、且被复杂股权与云合作深度绑定的组织系统。
2026年4月28日，围绕OpenAI转型的诉讼在加州开庭。路透社报道显示，这场案件的核心正是“从非营利使命走向高估值营利机器”是否构成对最初承诺的背离。法律未必能替公共治理给出全部答案，但它至少说明，OpenAI本身已成为AI究竟应由谁支配的典型案例。
被称为帝国的扩张逻辑
把OpenAI称为帝国，并不是说它像19世纪殖民帝国那样拥有正式领土，而是说它正在以平台、资本和基础设施的方式，把原本分散在社会各处的资源重新吸纳到自己的增长逻辑中。最重要的三种资源，是内容与数据、隐形劳动，以及电力与水。
先看内容与数据。
Altman在2023年国会书面证词中承认，OpenAI的模型训练使用了“公开可得内容、许可内容，以及由人工审阅者生成的内容”。
这句话的法律与政治含义都非常大：所谓“公开可得”，并不天然等于“可自由训练”；所谓“许可内容”，也并不覆盖全部创作生态。
美国美国作家协会提起的集体诉讼正是抓住这一点，指控OpenAI与微软未经许可整体复制作品、用于训练模型，并由此损害作者的许可机会和市场。美国版权局2025年关于生成式AI训练的报告也指出，AI训练中的复制行为对作品市场和价值构成显著潜在损害；在已有或可建立许可市场的领域，未获授权的使用会在公平使用分析中处于不利地位。
换言之，争议的焦点不只是关于模型有没有学到作品，而是谁有权在未谈好价格和条件之前就先把作品吃进去。
再看劳动。
OpenAI用于对齐模型的人类反馈，并不是抽象概念，而是非常具体的组织过程。InstructGPT论文写得很明白：团队雇佣了40名承包标注员，对提示、示范和模型输出进行排序与偏好判断，再把这些判断折算为奖励信号，形成后来广为人知的RLHF路径。
这意味着，所谓模型更懂人类意图，本质上是先把一部分人的偏好、审美、风险判断和劳动时间编码进去。
更进一步看，外部调查显示，OpenAI曾通过外包链条使用肯尼亚工人进行有害文本标注，部分工人时薪低于2美元，并长期暴露在暴力、性虐待等高压内容里。也就是说，越是被描述为“自动化”的系统，往往越依赖那些在账面之外、地理上远离总部、心理负荷却极高的人类劳动。
第三是能源、水和社区承载。
国际能源署在2025年和2026年的报告中连续指出，“没有能源，就没有AI”；数据中心用电在2025年同比增长17%，AI导向型数据中心增长更快，到2030年整体数据中心用电预计翻倍，AI数据中心用电预计三倍增长。
这个增长并非抽象统计，它会落到地方电网、变压器、天然气机组、核能项目、输电审批和土地争议上。
IEA同时强调，数据中心负荷高度集中、扩张速度快，会对电价承受能力和地方基础设施形成特殊压力。环境层面，Nature Sustainability在2025年的研究进一步指出，AI服务器的能耗、水足迹和碳排放在2024到2030年将显著上升，而且部署地点不同，环境代价差异极大；另一篇关于数据中心用水的研究则提醒，数据中心不仅直接耗水，也通过发电间接耗水，且地方争议往往首先爆发在供水紧张地区。AI的云，本质上是非常重的。
这三条线放在一起，才构成AI帝国最完整的轮廓：它不是单纯靠一项更聪明的技术取胜，而是同时把文本、图像、人的偏好、廉价和高压劳动、电力、水、云平台合同，以及地方政府的审批能力，全部卷入自己的扩张链条。
Karen Hao之所以坚持认为，AI带给我们的是帝国而不是公司的说法，正因为公平交换在这条链条里往往被稀释了：谁贡献内容、谁标注数据、谁承担基础设施冲击，未必能等比例分享增长收益。
因果链条
OpenAI的故事之所以具有样本意义，在于它把几乎所有前沿AI公司都会遇到的矛盾压缩到了一家公司内部：越强调长期使命，就越需要即时资源；越需要即时资源，就越必须和资本、云平台、市场份额乃至地方审批深度绑在一起；而绑定越深，所谓公共受托责任就越容易与增长纪律发生冲突。下面这张因果图，可以把这套逻辑看得更直观。
治理的分水岭
如果说过去几年有什么事情已经可以确定，那就是前沿AI治理不可能再停留在企业愿景和CEO访谈层面。
Altman在2023年参议院证词里主张，对达到关键能力阈值的模型考虑许可或注册要求，并强调监管很重要；但同样是OpenAI，到了2025年和2026年的公开文件里，又在反复说明为什么它必须改造结构、扩大融资、建设更多算力和数据中心。愿景没有变，治理难题却从“是否需要监管”变成了“监管到底怎么深入到训练数据、标注劳动、基础设施和公司控制权里”。
在这方面，我国的监管文本反而提供了一个值得比较的参照。国家互联网信息办公室等七部门2023年发布的《生成式人工智能服务管理暂行办法》，已经把若干最核心的问题写成了刚性条文：训练数据和基础模型要有合法来源，不得侵犯知识产权；涉及个人信息须取得同意或符合法定情形；要提高训练数据真实性、准确性、客观性、多样性；数据标注要有清晰规则、质量评估和必要培训；要建立投诉举报机制，必要时接受对训练数据来源、规模、类型、标注规则和算法机制的说明义务。2025年的《人工智能生成合成内容标识办法》又进一步要求，对生成内容设置显式和隐式标识，自2025年9月1日起实施。
无论是否认同其全部制度设计，这种思路都说明一件事：真正可执行的治理，不是抽象讨论AI好不好，而是落到数据来源、标识、责任、日志留存、平台协作和执法接口上。
这也是AI帝国批评最有现实意义的地方。它不是要否认模型的应用价值，而是要求把价值链重新拆开看：哪些部分是创新，哪些部分是攫取；哪些成本被计算进估值，哪些成本被转嫁给创作者、标注工人、地方社区和公共电网。只有把这些外部成本重新内生化，所谓“让AI造福所有人”才不至于永远停留在口号层面。
仍待回答的问题
首先，关于董事会政变的真实动因，公开材料仍不完整。外部长期存在“安全派与商业派冲突”的解释，但OpenAI自己在2024年审查中明确说，罢免并非因为产品安全、研发速度、财务或对投资者和客户的表述。这意味着，至少就公开证据而言，那场事件仍有重要空白。
其次，通用人工智能在公司治理中的法律含义依然不透明。OpenAI章程给出了原则性定义，但商业合作、知识产权许可、控制权安排、董事会使命义务与投资者回报之间如何具体衔接，外界仍只能看到部分切面。2026年与微软修订后的协议已经显示，所谓“使命优先”并不排斥深度而长期的商业绑定；问题在于，当绑定足够深时，使命还剩下多大硬约束力。
再次，训练数据来源、许可补偿、劳工条件和环境足迹的披露，距离可比较、可审计、可监管，仍然差得很远。美国版权局承认市场正在形成，但也指出训练中的复制会对作品市场造成重大潜在损害；IEA和学界则已经反复提示AI基础设施的电力与水压力正在外溢。这些问题都不是靠一份价值宣言就能消失的。
最后，正在进行中的Musk诉讼或许会带来更多内部记录，但它解决不了更大的公共问题：即使OpenAI某一天能够证明自己在法律上合规，它是否已经形成了一个由少数公司、少数云平台和少数资本方共同塑造技术未来的权力结构？这仍然是一个政治问题，而不只是一个公司法问题。
结语
OpenAI发展的这些年，不是理想主义失败的简单故事，也不是技术进步不可阻挡的励志故事。它更像是一场仍在进行的实验：一家以公共使命起家的前沿实验室，能否在数千亿美元资本、全球基础设施竞赛和巨量市场压力之下，继续保有对“全人类利益”的真实受托责任。
到目前为止，答案还远没有定论。能确定的是，越是把通用人工智能说成全社会命运，越不能只让实验室自己定义规则。
对于未来真正重要的事情，不是再生产一轮更宏大的愿景，而是把治理做实：要求训练数据来源与许可机制可核验，要求标注与安全劳动有最低标准和审计接口，要求数据中心的电力与水足迹持续披露，要求生成内容具备可追踪标识，要求董事会的使命义务具备可以被外部验证的程序约束。只有当这些规则足够具体、足够可执行，“AI造福所有人”才可能从一句好听的话，变成少数公司也必须服从的现实。
