硅谷“钱太多”毁了AI ？！前OpenAI o1负责人炮轰：别吹谷歌，Q-Star 被炒成肥皂剧，7年高压被“逼疯”！

2026 年的第一个月，Jerry Tworek 离开 OpenAI 的消息传出来时，几位 OpenAI 的员工在 X 上几乎失控地发声：“我真的崩溃了”“这太难受了”。大家的反应像是：这事来得太突然，也太重。

Jerry 是现代 AI 浪潮背后最有影响力、却也最少公开露面的关键人物之一。 2019 年加入 OpenAI 时，当时该公司还只有约 30 名员工。他参与了许多最重要的项目，包括后来被称为 Q-Star 和 Strawberry 的推理方法，最终发展成为 o1 推理模型。

这次离职后，他在接受 Core Memory 的播客采访时解释了原因：他想从事有风险的基础研究，这种研究在像 OpenAI 这样的公司已经不可能进行了，因为像用户增长这样的指标才是优先考虑的。他对 ChatGPT 广告的看法体现了研究与商业化之间的脱节：“这是一种商业策略，而我负责训练模型。” 这番言论印证了有关 OpenAI 人工智能研究与产品开发之间日益加剧的分歧的传言。

Tworek 指出，创新不足的原因有很多。最佳模型的竞争异常激烈，公司需要不断展现实力才能留住用户并证明 GPU 成本的合理性。僵化的组织结构更是雪上加霜，组织架构图决定了哪些研究是可能的：团队各自为政，职责分明，跨团队研究难以开展，Tworek 解释道。

这场采访，也是一次“离职解读”，Jerry 还批评了整个人工智能行业，指出所有主要的人工智能公司都在开发几乎相同的技术，产品也几乎没有区别，这迫使研究人员追求短期利益，而不是实验性突破。更重要的是，他开始认真思考：如果研究真的需要冒险、需要不同路径，那他是否还应该继续待在这场高度同质化的竞赛中。

在 Tworek 看来，谷歌之所以能够在 AI 竞赛中成功追赶 OpenAI，本质上是 OpenAI 自身的失误。他表示，这家 AI 实验室犯了一些错误，行动过于缓慢，没能充分利用自己原本拥有的巨大领先优势；而与此同时，谷歌则做出了许多正确的决策。

当被问及 OpenAI 的具体问题时，Tworek 并未展开细说，只是暗示：员工流失有时是更深层问题的表象。他强调说，人走人来本来很正常，但如果一波人是因为“方向不对、决策错了”才走，那就说明公司里确实有点事——也难怪有些关键推进会慢得不该那么慢。

与这种“慢得不该那么慢”的状态形成对照的，是 Tworek 对 Anthropic 的评价。在播客中，他高度评价了这家 OpenAI 最强的初创公司对手，认为它在过去一年里展现出了一种罕见的“清晰感”：算力更少、团队更小，却异常专注，执行力极强。他特别提到 Anthropic 在代码模型与代码 Agent 方向上的进展——那不是靠简单堆规模取得的成果，而是一种“非常清楚自己在做什么”的工程与研究结合状态。

随着谈话继续，话题很快从技术转向了另一件更微妙的事。

Jerry 说，这几年最让他感到“不对劲”的，并不只是研究路线，而是整个大模型行业正在发生的变化。他形容现在的状态有点像这样：你做出一个新东西，大家还没真正弄清楚它是什么，它已经被卷进了一整套剧情里。谁离职、谁跳槽、谁被挖、谁“内部有分歧”，每天都像连续剧更新；湾区像一个巨大的转会市场，研究者在几家前沿实验室之间流动，围观者负责情绪，媒体负责剪辑——研究现场，被包裹进了一层娱乐业式的叙事。

“技术、概念、人类情绪、现实生活，是分不开的。”Jerry 说。

当一个行业被持续围观，每一次进展都会被强行赋予意义，每一次内部变化都会被解读成信号，整个系统就会被不断加压。你不是在安静地做研究，而是在聚光灯下跑一场没有终点的马拉松。

他用一个很个人的比喻形容这七年：“像做俯卧撑。”每一次高压过去，你会更能扛一点。 你学会屏蔽噪音，学会在混乱中保持稳定。但代价是，你也会慢慢习惯这种状态——把异常当成常态，把围观当成空气，把压力当成日常。

我们翻译并整理了这期播客的完整对话，以飨读者。

Jerry： 我已经失业八天了，确实是一种变化。我已经很久没有失业过了，但这件事也有很多好处。比如我现在晒太阳的时间多了很多。

Jerry： 某种意义上，这事挺棘手的：我如果不自己说，媒体迟早也会替我说——要么写成“独家”，要么当成“泄露”。所以我宁愿自己把话讲清楚，省得消息一传十、十传百，越传越走样。

主持人： 对，我们最怕“越传越离谱”。你其实可以先跟我们说。

Jerry：（笑）我可以随时给你们打电话，告诉你们我生活里发生的任何事——比如我中午吃了什么。

Jerry： 老实说，我在 OpenAI 的每一年，都像是在一家完全不同的公司里。无论是公司本身的高速增长，还是整个 AI 世界的变化速度，都非常罕见。我不觉得历史上有很多类似的例子。我很高兴自己亲身经历了这一切。几乎每一个阶段，情况都完全不同。

主持人： 你 2019 年加入的时候，公司大概只有 30 人左右？

Jerry： 对，大概就是那个规模。

主持人： 那现在呢？几千人？

Jerry： 已经没法数清楚了。现在是一家规模非常大的公司，有很多办公室，全球各地都有团队。现在几乎很难找到没听说过 OpenAI 的人。我加入的时候，还是几个小团队各自在做自己的小研究项目。那时唯一始终不变的，是野心——从一开始就瞄准 AGI，想要改变世界、产生正向影响。我觉得公司在这方面做得非常成功。ChatGPT 把一种“可用的智能”分发给了非常多的人，这本身就是一件非常了不起的事情。

Jerry： 确实有很多。我现在正在慢慢梳理下一步要做什么。在这个行业待了这么多年，我本来就认识很多人，也有很多联系。从积极的角度看，我并不急着立刻做决定。过去很多年我工作得非常拼，几乎没有时间去见人、聊天。现在终于有机会停下来，认真想一想接下来的七年要怎么度过。

Jerry： 是这样：在一家必须参与当下这种极其残酷、极其高压的竞赛、必须争夺“世界上最强 AI 模型”的公司里，有些事情就是很难做。这背后有几个方面的原因。

其中一个因素是风险偏好。公司愿意承担多大风险，会受到很多现实约束：比如不能落后于用户增长指标，比如 GPU 成本极其高昂。因此，向外界展示实力、持续拥有最强模型，对所有主要 AI 公司来说都非常重要。但这确实会影响你愿意承担风险的“胃口”。

另一个很难的取舍是组织架构。公司有 org chart，而 org chart 往往决定了你能做什么研究。每个团队都需要一个身份、一个研究范围、一组他们要解决的问题。跨组织的研究就会变得非常困难。

我也不确定这是不是一个已经被完全解决的问题：当研究规模变得很大时，究竟该如何把研究组织好？研究本身喜欢动态，甚至可以说喜欢混沌；但一大群人需要秩序、结构和组织架构。

所以，“把组织架构交付出去（shipping your org chart）”成了一种非常普遍的现象，研究也不例外。你最终会做那些组织结构最容易支持的项目。而与此同时，我确实想做一些研究，但公司的组织结构并不容易支持我去做这些事情。

Jerry： 我想，其实 AI 世界里的每一位研究者，都想参与下一次真正的突破——我当然也包括在内。

而在某个时刻，公司终究是一家资源有限的组织——哪怕这些资源已经非常多了——也必须做出取舍。所以，这必然是一个非常艰难的决策过程。也正因为如此，我在思考的那些方向，大概确实属于那种“相当新、相当不寻常”的路径：公司需要判断，我们到底要不要往这个方向走？现在有没有能力、有没有余力去承担这种不确定性？我们是否能在当下负担得起？

Jerry： 关于“研究时代”的判断，我不确定事情是否真的像他说的那样是非黑即白的。但我非常确定的一点是：在 AI 和机器学习的世界里，还有大量东西尚未被真正探索。

大约六年前，我们基本确定了以 Transformer 为核心的架构路线。此后相当长一段时间里，整个行业都在持续扩大 Transformer 的规模，而且进展确实不错。路径也非常清晰：每个季度用稍多一点算力、稍多一点数据，训练出一个更强的模型。到目前为止，这条路看起来并没有明显的“天花板”，进步仍在持续。

但问题是：这就是终点了吗？这是最后一条路了吗？我几乎可以确定不是。

我们还有很多改进模型的方式，目前根本还没真正开始做。正如你刚才提到的，我自己主要做的是“推理”，以及扩大强化学习的规模。在那之前，整个领域几乎所有的“大赌注”都押在 Transformer 的预训练规模上。

扩大预训练规模，确实是一种有效的扩展方式，而且效果很好。每一次更大规模的预训练，模型能力都会整体提升，各方面都会变强。所以你当然可以说：那我们就继续扩展预训练规模，模型自然会越来越好。

但后来，有那么一小撮“做梦的人”、研究者开始相信：事情不止这一种做法。我们不只是扩展预训练，还可以在语言模型之上，大规模扩展强化学习，而且投入的计算量可以和预训练处在同一个量级。这样做，能够教会模型一些 仅靠预训练永远学不会的东西。

正因为如此，我们今天才有了这些令人惊叹的 Agent：它们可以自动化工作、解决复杂问题。而如果只靠预训练模型去完成这些任务，可能需要极其夸张的算力和数据量。

也就是说，当你发明了一种新的“扩展方式”，你就会得到一整套全新的能力；而如果你只是沿着原有的预训练扩展路线走，那可能要花非常、非常久，才能逼近这些能力。这一次，其实是一次相当大的跃迁。

在我看来，自从 GPT-4 引入以来，“推理模型”几乎是这几年里最重要的一次能力跃升。而我相信，类似这样的跃迁还会出现不止一次。

所以我一直觉得，研究者不应该只盯着“渐进式改进”，而是要去思考：有没有办法把整个棋盘掀翻？

Jerry： 是的。但我并不认为这等于在说“预训练已经结束了”。预训练仍然在持续改进，而且还有很多方式可以继续优化它。但它已经不再是唯一的改进路径，而且其他路径，可能在很多维度上能更快地带来提升。

扩大预训练规模，在很多能力上提升得其实非常慢——它确实会让模型更好，但提升是渐进的。而与此同时，可能还存在其他方式，能带来更大的跃迁。

可一旦某个方向“爆了”，事情就会反过来——会形成一种巨大的共识。突然之间，所有人都开始说：“我们就该这么做。”然后大家不再讨论“该不该走这条路”，而是开始比拼“谁在这条路上跑得更快”。

这其实就是你刚才描述的那种状态。那么问题来了：当我们已经进入这种“模型竞赛”，而且已经持续了两三年之后，会不会出问题？是不是所有主要实验室都变得越来越保守？这会不会成为一个普遍性的结构问题？

Jerry：让我感到非常“难过”的事，就是现在几乎所有 AI 实验室都在试图做和 OpenAI 一模一样的事情。

OpenAI 显然是一家非常成功的公司，它在很多关键问题上做对了选择，把整个世界带进了“规模化 Transformer”的范式之中，也证明了：通过扩展机器学习模型的规模，确实可以为世界带来大量非常有价值、非常有用的能力。

但问题是：这个世界究竟需要多少家“做完全同一件事”的公司？我不知道。竞争当然是好事，所以肯定不止一家更好。但 现在我们大概已经有五家相当严肃、体量巨大的 AI 公司，基本上在用完全同一套“配方”，试图在同一套技术之上，做出一点点差异化的产品。

也许这确实是对的选择，但我还是希望能看到更多多样性——更多模型层面的差异。

如果你去看现在世界上最好的那些模型，实际上很少有人真的能注意到它们之间的区别。我觉得应该做更多“盲测”：让人们分别和不同模型对话，看他们是否真的能分辨出哪个是哪个。我敢说，99.9% 的用户根本察觉不出来这些模型有什么不同；在他们的感受里，这些模型几乎一模一样。

即便背后是不同团队，在做一些细微不同的事情，但所有实验室都觉得“我们在这个点上做得稍微好一点”“对方在另一个技巧上可能更强”，最终的结果却是：大家全都挤在一个非常接近的位置上。

那真正的探索在哪里？真正的创新空间在哪里？真正能让你和别人拉开距离的差异化又在哪里？

话说回来，我想问一个可能有点尖锐的问题：你在 OpenAI 待了这么久，在公司内部算是传奇人物之一，而且你的履历也证明，你参与的项目往往能做成。那从外界看，如果连你这样的人都觉得——自己真正想做的研究在公司里推进起来足够困难，以至于最后选择离开——这是不是一个不太好的信号？尤其对一家最初以研究实验室起家的公司来说，这意味着什么？

Jerry： 我觉得有时候，人和组织都会成长到一个阶段：必须意识到，彼此的道路需要分开。

对一家单一公司来说，非常重要的一点是：公司内部的人，必须在某种程度上对目标、对前进路径保持一致。而在某个时刻，我对“未来研究路径”的判断，和 OpenAI 选择的方向，至少在一些足够重要的点上，出现了分歧——包括接下来一年研究该是什么样子。

在这种情况下，我认为分开，反而比强行在分歧中继续合作要好得多。否则，那些分歧可能会不断积累、发酵。

所以我反而认为：不同公司去做同样的事情，在某种意义上是合理的。因为专注对于一家公司来说非常重要，而 OpenAI 很可能正在做所有“正确的事”。

也许只是我自己有一些不太现实的梦想；也许我对“还能做些什么其他事情”过于乐观——这完全有可能。

很多公司必须专注于自己的核心路径，才能活下来，才能进入下一个阶段。所以在一个理想的世界里，应该有很多不同的公司，在做很多不同的事情。而研究者——尤其是那些很难去做自己并不真正相信之事的研究者——应该能找到一个地方，在那里，他们能投入到自己最相信的研究方向中。最终，历史会证明哪一条路是对的。

正因为如此，我才会对“大家都在做同一件事”感到有点难过。因为在当下，如果你想做一些偏离主流机器学习路线的事情，真的非常难找到一个合适的地方。这大概是我目前最感到遗憾的一点。

Jerry： 我当然还在认真思考下一阶段。但如果有更多“稍微偏离主流、但依然具备规模”的选择，那我会更开心，也会更容易做决定。

Jerry： 这正是一个非常有意思的问题。

我其实非常喜欢冒风险，也经常被人这样评价。我认为，冒风险本身是一件好事。但当你面对的是“巨额资金在押”的局面时，真正有能力、也愿意承担风险的人，其实非常非常少。

每个人的风险偏好都是极其个人化、极其独特的。我和很多人共事过，我真心觉得：人们应该愿意多承担一些风险，多去尝试一些事情。

但另一方面，现在 AI 世界里的研究者薪酬已经高得离谱了。这在某种程度上，也会让人变得非常害怕失去工作、害怕一次不好的绩效周期。结果就是：人们更倾向于追求短期、确定性的收益路径。而这些人本身往往都是非常聪明、动机也非常正直的研究者。只是整个系统在某些地方，确实更容易鼓励“短视”。

我认为，研究者应该被更明确地鼓励去冒风险、去下大胆的赌注，因为真正的进步，正是这样发生的。

Jerry： 这正是事情变得非常困难的地方，同时也是一个非常值得解决的问题。

世界上其实有大量学术研究在发生，也有很多学生在做各种各样的事情，但其中大多数都严重缺乏资源。这使得很多研究最终走不远，因为你真正想做的研究，往往必须在“大规模”下才能完成。

但这也是让我感到非常乐观的一点：现在确实有相当多的资金，正在流向那些“想做新东西”的人。像 John Carmack、像 Ilya——他们做的事情，正是当下这个时代应该存在、也应该被资助的。当然，不是所有尝试都会成功，但其中一定会有一些成功，而创新正是这样发生的。对于任何一个强化学习研究者来说，“探索（exploration）与利用（exploitation）”之间的权衡，都是一个非常基础、非常重要的概念。

即便是在优化 agent 时，你也必须不断权衡：是走已经被证明有效的路径，还是去尝试全新的方法，用完全不同的方式解决老问题？这是一个非常困难的取舍，但它本身就是一个被研究、也值得研究的问题。而正如我们在设计 agent 时会思考这个问题一样，我们也应该反过来问自己：我们自己在做研究时，是如何在探索与利用之间取舍的？

Jerry： 老实说，我并不完全清楚。但如果我没记错的话，我隐约知道一些。他可能是在押注一种非常端到端的强化学习方式——通过鼠标和键盘，在电脑游戏中训练 agent。

如果真是这样，那其实非常有意思。因为我长期以来一直在想：电子游戏，可能是训练智能体的最有趣环境之一。游戏本身就是为了“对人类大脑有吸引力”而设计的。它们包含故事、权力幻想，但更重要的是：大量的问题求解。游戏必须有趣、必须有挑战、不能重复。

在某种意义上，电子游戏非常贴合人类智能，它们天然地在教你资源分配、解谜、如何在不同规则下取胜——这正是我们希望 agent 能学会的事情。当然，我们现在还没有真正能在高频、多模态环境中稳定运行的超强模型，可能存在一些架构层面的限制。但我认为，用电子游戏来训练 AI，是一件非常值得做的事情。

Demis Hassabis 也长期在追逐类似的方向。所以你提到这一点很有意思——这其实是一个“老想法”。一段时间里，各大实验室都在比谁能打通更复杂的游戏、谁能更好地“秀”成果；后来在 ChatGPT 时代，这条路线似乎被边缘化了。但也许，它仍然有潜力。

Jerry： 在科学史上，有一个非常常见的现象：好的想法，往往会反复出现。真正困难的，并不是提前预测“哪个想法是重要的”，而是判断“什么时候是对的时机”。即便在 OpenAI 早期，我们也常说：不能断言某种方法“行不通”，也许只是“现在还行不通”。

我七年前刚加入 OpenAI 时，强化学习在游戏上是一个非常火的方向。我们解决了很多游戏问题：StarCraft、Dota，而 AlphaGo 更是一个标志性时刻。但这些模型有一个非常明显的缺陷：它们几乎没有世界知识。它们并不理解我们的世界，只是从零开始，专门为某一个游戏训练。

这显然不是正确的路径。我们必须先教模型理解世界，理解更高层次的概念，而不仅仅是对像素做出反应。从零开始的强化学习，更像是“猴脑”或“蜥蜴脑”。而我们想要的，是具备更高层次抽象能力的模型。

在多年大规模预训练之后，我们现在已经能够学到一套非常强的“世界表征”。而接下来，我们应该利用它。这正是“推理模型”的核心魔法：在一个对世界有深刻理解的基础之上，叠加一层强化学习。未来就应该沿着这个方向前进。

Jerry：这个方向毫无疑问是正确的。真正有挑战性的，是：如何把从世界建模中学到的表征，与强化学习真正结合起来。

强化学习教会模型“技能”——让它学会如何在世界中实现自己的目标。但在此之前，模型必须先理解世界，否则它连“如何设定目标”“如何达成目标”都无从谈起。

正因为如此，这两件事情必须结合起来。

如果有人能在一个高质量世界模型之上，真正把强化学习跑通，那将会是一个非常令人振奋的时刻。

Jerry： 我现在最兴奋的研究方向大概有两个。主要原因也很简单：我不觉得重复去做各大实验室正在做的那套事情有什么意义。现有体系里当然还有很多可以微调、可以改进的地方，但我认为有两个方向长期被低估了投入——或者至少没有得到足够的资源与重视。

第一，是某种意义上的“架构创新”。我觉得我们对 Transformer 架构有点过于“路径依赖”了。Transformer 确实很伟大，也被非常深入地研究过。人们一直试图在本地做一些小改动，让 Transformer 更强，但这件事并不容易。虽然也有一些相当成功的改进——比如稀疏化非常成功；还有各种让注意力计算更便宜的方法，也取得了不错的效果。

但 Transformer 会是机器学习的最终架构吗？显然不会。尽管 Transformer 的发明者做出了惊人的贡献，并且几乎定义了接下来十年的机器学习格局，但我相信一定还有更多可能。

一定存在一些训练大模型的方法——它们也许有点像 Transformer，也许完全不像。我觉得这是一个值得去解决的问题。甚至如果没有别人去做，我也愿意卷起袖子自己上，试着把它做出来。

第二个方向相对更“热门”，但我觉得几乎没有人把它做得真正好，那就是持续学习（continual learning）：如何把测试时（test time）与训练时（train time）真正打通、真正融合起来。

人类显然就是这样运作的：我们没有一个“专门学习模式”和一个“专门回答问题模式”。学习与反应是连续发生的、时时刻刻都在进行。我觉得我们的模型也应该更接近这种状态。

这可能是我们在把模型真正称为 AGI 之前，最后几个关键能力要素之一。如果模型不能从它看到的数据中持续学习，它就仍然显得有点受限——甚至有点“笨”。

Jerry： 我个人的看法是：我对时间线做了一点更新。

我一直认为，把强化学习规模化（scaling reinforcement learning）是通向 AGI 的必要部分。一年、或一年半之前，我非常坚定地认为：只要把 RL 规模化到我们的模型之上，那就是 AGI 了。但我确实不得不稍微修正这个判断。因为有些东西，只有当你真的到了“下一阶段”之后才看得见。

我们也必须承认：今天的模型在很多方面已经非常非常强了。就拿编码来说——“vibe coding”是我最喜欢的爱好之一，你现在可以非常快地写出很多东西。对一些十年前的人来说，如果你把今天这些能力展示给他们，他们可能已经会把它叫做 AGI 了。

所以我不觉得谈 AGI 还是一种多么离谱、多么疯狂的事。但至少按我的定义，现在的模型仍然不是 AGI——原因之一是：持续学习完全还没有以真正的方式被整合进模型体系里。

除此之外，还有很多问题。比如多模态感知：如果模型文本理解很强、编程也很强，但它看不见真实世界、不能看视频并且很好地理解视频，那我们能称它为 AGI 吗？

所以我认为，要真正达到那个“文明级里程碑”——构建 AGI——还有很多必要步骤要完成。

有一段时间我曾想：如果我们真的拼命推进，并且把所有关键问题都做得足够好，也许 2026 年至少能实现非常强的持续学习，以及真正通用的强化学习。

我觉得我的时间线仍在漂移。但与此同时，AI 领域移动得太快了：投资在年复一年累积增长，越来越多人进入 AI 领域，人才池变大，我们探索的想法数量也变多。

所以我不觉得“这个想法完全荒唐”。也许会早一点，也许会晚一点：可能是 2026，也可能 2027、2028、2029。我不觉得会比这更久太多。但确实还有很多工作要做。不过人们正在非常努力地做 AGI。

但我第一次用它的时候，并没有到那种“把我吓死”的程度。你懂我意思吧？

Jerry： 我懂你意思。

这其实涉及人类心理，以及我们如何与技术互动的方式。对我来说，把强化学习规模化带来的效果仍然非常显著，而且我觉得随着时间推移，我们会看到更多影响。

尤其是应用在编程上，这会以很多很多方式改变我们的生活。你今天做一个大规模编程项目，和一年前相比，完全是另一种游戏。我们会在很多领域看到这种变化带来的连锁影响。

但我也想说：两年前，当我和团队、以及 OpenAI 的很多人第一次看到 Q-Star 的一些早期迹象真的开始工作时——你坐在一个房间里，看到一种“有意义的新技术”正在出现。

如果你在那一刻不感到一点害怕、不感到一点担忧、不暂停一下想一想“这对世界意味着什么后果”，那我会觉得你没有在负责任地对待自己的工作。我认为每一个 AI 研究者都应该想这些问题：如果我正在做的东西是全新的、它展现出了以前从未出现过的新能力，那世界会发生什么？

很多研究者确实会这么想。当然，有时候也会把担忧推得太远。一方面，到目前为止，AI 还没有给世界带来什么“实质性的重大伤害”；但另一方面，一些事情（比如“某些很花哨的东西”）是不是算有问题——也许还可以争论。（笑）

但总体来说，我认为：当你向世界释放新技术时，感到担忧与谨慎，是一种非常好、也非常健康的反应。

我们正在经历一个变化的时代：大量新事物正在扩散到世界里，它们会产生影响——影响人们如何生活，如何看待自己、看待他人；影响人际关系、国际关系；影响 GDP、影响生产力。

有时候，一个人写下的一行代码，就可能引发连锁反应。经历了这一切，肩膀上的单子就相当重。

Jerry： 技术、概念、人类情绪、人类生活、人和人之间的协议与分歧——在现实里很难被切开来看。

我们确实活在一个世界里：AI 领域的重要参与者之间，有一个非常复杂的关系网络，很多层次叠在一起。要把它完全理清楚，可能得历史学家花很多年、甚至几十年，才能真正弄明白到底发生了什么、哪些因素起了关键作用。

老实说，到现在为止，我对那段时间发生的一切也只剩下非常零散的记忆。我们也在不断“补课”——每当有新的证词出现、每当新的文件被披露，就会冒出一些新事实。未来某个时刻，肯定会有人把所有内容都挖出来、完整还原。

但现实世界就是这么复杂。我也确实觉得，也许应该有一种更健康的方式来讨论技术：找到一个更合适的讨论场域，让分歧能够被更充分、更有建设性地展开。但我们生活在这样一个世界里：没有完美解，也不存在一种绝对正确的讨论机制。

Jerry： 我个人其实很喜欢在 X 上发内容，分享想法，和社区交流。但它也不是一个完全严肃的地方——很多时候都是半开玩笑、半认真。更核心的问题是：有人担心某件事太危险不该继续；有人觉得继续做是对的，因为它会增强能力；还有人认为方向本身就不对，我们应该做别的研究。

在技术进步与研究的世界里，这些事情很多都是未知的。没人知道未来。我们只有想法、信念和梦想。

我们必须和这种不确定性共处，也必须学会在很多问题上“求同存异”——很多时候只能接受：大家各自下注、各自承担后果。

Jerry： 我了解。反过来想，如果七年前有人告诉你：OpenAI 会成为万亿美元级别的公司；会建造规模堪比史上最大基础设施项目的数据中心；会拥有世界上最大的 Web 产品之一；全世界会无时无刻都在谈 AI——你一定会觉得那个人疯了，会说“这就是炒作”。

可我真心觉得：这波 hype 在很多层面其实是有事实支撑的。人工智能在很多方面存在过度反应和反应不足的情况（有时候被高估，有时候也会低估），但 AI 的重要性毋庸置疑——它值得被讨论。我不觉得现在还有谁会认为 AI 是个“不重要、不值得讨论”的话题。几年前确实还有人这么想，但现在已经很清楚：AI 很可能是当今世界最重要的议题之一，值得持续讨论与思考。至于进展会有多快、路径到底对不对、安全还是危险——这些当然都可以争论。但 AI 会长期存在，而且只会越来越强。

Jerry： 但到底是谁在制造这场肥皂剧？这才是问题。

我有时都替你们累——七八年一直在这种高压竞速里，你现在想停下来喘口气，我完全能理解。

Jerry：的确很消耗。

但我可以跟你分享一句对我很有帮助的话：有一次，一个比我更有经验、更擅长应对压力的人跟我说——Jerry，这就像做俯卧撑。每经历一次艰难、紧张的时刻，你就更擅长应对压力一点。

老实说，这七年让我练出了很强的心理和情绪韧性。我真的学会了在大量噪音、很多胡扯面前，把自己抽离出来，尽量保持稳定、保持定力。

不管外部发生什么——公司看起来要塌了也好，研究者流动也好，项目被重新分配也好——总会有事情在推进，总会有新的变化。

我听过有人把“挖人”这件事类比成体育队伍的转会。体育之所以还能运转，是因为有角色、有规则。我差点想说：可惜在加州的法律框架下，这类规则基本不可能出现。但我确实觉得，如果能有一些规则，可能会更健康。

因为确实存在这样一种现象：有些人换工作的频率，比他们真正产出成果的频率还高。

主持人： AI 薪资帽？（笑）

Jerry：（笑）确实有人这样。但也仍然有很多人在认真做事，推动前沿继续往前走。不过，AI 是一门大生意——这点无论如何都没法否认。

主持人： 我还跟同事说，我们真该做一张表，把那些在每一家前沿实验室都待过的人列出来，标注他们在每家待了多久。（笑）肯定至少有一小撮人，把整个湾区的“前沿实验室巡回赛”跑完了。说真的，这太疯狂了。

有些人彼此从小就认识，有些并不认识。我一直很好奇：这到底反映的是一种教育背景的集中效应——比如偏重数学训练的体系，确实更容易培养出这类人？还是说，其实只是早期有几个人先来了，后来通过学术和个人网络，慢慢把更多同类的人吸引到了 OpenAI？

Jerry： 先澄清一点：我在加入 OpenAI 之前，完全不认识任何 OpenAI 的人。我是非常随机、机缘巧合地进来的。

但你说得没错，在 OpenAI 非常早期，波兰人的占比确实偏高。不过我并不觉得这种情况“经得起时间检验”。现在公司里，波兰人的比例仍然略高于平均水平，但考虑到 OpenAI 的规模已经增长了大概一百倍，这种早期的“高浓度”并没有按比例延续。

我觉得这里面确实有一些值得讨论的因素，但我并没有足够多对其他教育体系的亲身体验，所以不敢轻易下结论，说波兰的教育体系“天然更强”。我能确定的是：我们确实有很多非常聪明、数学直觉很强的人。

但如果说有一件我特别认可、也特别喜欢的事情，那就是波兰人对“努力工作”这件事的重视从我个人经历来看，这种特质在很多地方正在变得越来越少见——尤其是在一些生活条件已经非常优渥的社会里，人们对工作的强调确实在下降。

Jerry： 我个人其实不太愿意把这件事称为“Google 的回归”。它应该被视为 OpenAI 的失误。

OpenAI 确实在很多关键点上做对了事情，但也不可否认，在某些阶段出现过判断或执行上的失误，导致整体推进速度比它本可以达到的状态要慢。

在一种理想的执行情境里，如果你是一家已经取得领先优势的公司，而且拥有 OpenAI 那样的技术、人才和资源条件，那么你理论上是可以持续保持领先的。但如果在这个过程中，你做出了一些错误决策，而你的竞争对手做出了更多正确决策——而 Google 在最近一段时间里，确实做对了不少事情——那对方追上来，其实并不奇怪。

你也必须承认：Google 在硬件、算力和人才储备上，本身就有非常巨大的优势。事实上，在 OpenAI 刚起步的那些年里，Google 在几乎所有机器学习方向上，都是明显的行业第一。

OpenAI 能真正跑出来，靠的主要不是资源优势，而是 研究方向上的强烈信念：对某一条具体技术路线、某一个具体长期赌注的坚定投入。

但让整个行业、让外部世界真正意识到“这是一个正确的赌注”，花的时间比很多人想象的要长得多。哪怕 GPT-2 训练完成了，GPT-3 训练完成了，后来 GPT-3.5 也出来了——在那个阶段，其实并没有太多人真正重视这件事。

你去 NeurIPS 这样的会议和研究者聊天，大家会觉得 OpenAI 很酷，但很多其他实验室的态度是：“嗯，我们迟早也能复现。”语言模型确实挺有意思，但在他们看来，也就止步于“有意思”。

真正的转折点，是 OpenAI 开始通过 ChatGPT 赚到钱。那一刻，其他公司才突然意识到：“好，这不只是研究展示，而是一个已经被验证的商业方向，我们必须认真投入了。”

这里其实存在一个很关键、但常常被忽略的时间窗口：从你开始构建一项技术，到它真正被商业化，中间往往隔着一段很长的时间。

这段时间，足够让其他公司观察、犹豫、评估风险，然后再决定是否下场。而在这个阶段，Google 显然开始非常认真地对待大语言模型这条路线。再叠加 OpenAI 在执行层面的一些失误，最终导致今天的结果：在模型能力和训练成果上，双方已经变得非常接近。

所以，从 Google 的角度来看，这确实是一件值得祝贺的事情。能够把团队重新拉回状态、把执行节奏提起来，背后一定做了大量艰难而高质量的工作。

Jerry： 我不太想展开讨论具体的内部决策细节，哪些判断是对的，哪些是错的。

但我想强调的核心其实很简单：如果一家领先公司执行得足够好，那么在大多数情况下，它是可以把领先优势持续下去的。

而在现实中，很明显有一些事情的推进速度，比它本可以达到的节奏要慢。

我跟 OpenAI 的一些人聊过，关于公司要如何继续向前，确实出现过一些阶段性的混乱，比如关键人物离开等等。所以我原本以为你指的是纯技术问题，但听起来你的意思更复杂一些。

Jerry： 这些事情有时候确实是相互关联的。

从技术角度来说，我并不认为“有人离开”这件事本身就一定构成问题。在任何一家公司，人来人往其实都很正常，也应该是一种常态。

但如果离开变成了某种更深层问题的 症状——比如有人觉得：“公司在一些关键事情上做错了决定，我不再相信这家公司了，所以选择离开”——那这往往意味着，背后确实存在一些需要被正视的问题。

所以回到我最初的判断：确实有一些事情，推进得比它本可以做到的速度要慢。 这并不否认 OpenAI 的成功，但也不能忽视这些失误带来的影响。

这听起来像一个根本性的问题：如果你既起步更晚，又在做和别人几乎一样的事情，这真的可能有好结果吗？还是说，你觉得 Meta 实际上走的是一条不一样的路？

Jerry： 我并不完全了解他们的内部策略，所以只能谈一些外部观察。

我的感觉是，他们已经意识到一件非常关键的事情：“规模化”在当前的 AI 世界里是不可回避的。如果你放眼现在的 AI 行业，基本可以抽象出两种不同的战略选择。

第一种是：我要做一种和其他人都不一样的模型——它在某些方面会明显更强，我希望把这种差异化模型带给世界。第二种是：我也希望拥有和别人一样强、同一量级的模型，但我的重点不在模型本身，而在于我如何使用这些模型、以及我基于它们构建什么样的产品。

从我对 Meta 一贯路线的理解来看，这家公司长期以来关注的核心，一直是连接人与人、构建关系、打造大规模的用户体验型产品。无论是社交网络、沉浸式体验，还是他们设想中的元宇宙，本质上都是围绕“体验”和“连接”展开的。

所以我这里是基于外部推测，但我认为 Meta 的思路，很可能是：使用我们已经熟悉、已经理解得比较透彻的 AI 技术（比如 Transformer），来构建全新的产品体验，而不是在模型层面追求完全不同的路线。

从一家极其成功、极其赚钱、而且已经拥有全球最大社交网络的公司视角来看，这其实完全可能是一种非常合理、甚至非常聪明的策略。

Jerry： 我得说，这是一个相对比较新的变化。

在过去一年里，我对 Anthropic 的印象提升得非常明显。 我本人其实从来不是那种特别在意模型“性格”的人。虽然我也听说过 Claude 的“性格”很好，可能确实如此，但这并不是我关注的重点。

真正让我感到震撼的是几件事：他们在 代码模型、编码 Agent 上的成果；以及他们围绕“开发者”建立起来的整体产品和品牌——还有最关键的一点：他们拥有一大群真正满意、甚至很开心的开发者用户。 这是一项非常、非常了不起的成就。

更重要的是：他们起步比 OpenAI 更晚；算力条件更受限制；团队规模也更小。在这样的前提下，他们依然做到了高度聚焦，并且执行得非常好。

他们在获取高质量算力方面遇到过不少现实困难，但即便如此，仍然做出了非常出色的产品。

这些产品正在明显改变人们开发软件的方式；而据我了解，也已经在 实质性地提升企业生产力。

所以我真心觉得：他们做得非常好，值得祝贺。

而且之前还有一件事：当大家被“切断使用”时，开发者的反应极其强烈——某种程度上，那种崩溃感甚至超过了 OpenAI 出事时的反应。连 Elon 都公开承认了这一点，说：“是的，我们用得太多了，这是个警醒，我们得把自己的东西做得更好。”所以我在想：这也许不是一个完全普遍的现象，但看起来，很多实验室其实已经在不同程度上依赖这套工具了。也希望这次“切断”能倒逼出更多、更好的同类产品。来一百万个 Claude Code。（笑）

Jerry： 在 OpenAI，我们其实也开发 Codex 有一段时间了——它算是我们自己的“Claude Code 版本”。

我个人觉得 Codex 也挺不错的。有点好笑的是：我自己其实并没有怎么用过 Claude Code。毕竟当时我还在 OpenAI 工作，也没太多机会去亲自用。

我也是想说得客气一点。所以我确实没法给出太多一手对比体验。但至少从推特上的反馈来看，Claude 确实被全球开发者 非常、非常 喜欢。

所以当我看到你说要离开 OpenAI 时，我忍不住在想：你是不是已经不太想继续待在这场“基础模型竞赛”里了？听你说话的感觉，更像是想换一条路走。我甚至会想象，你会不会干脆跑去做生物科技之类的方向，用完全不同的方式继续追这件事。

Jerry：如果我能克隆自己、同时做很多件不同的事情，我真的会非常愿意。但长话短说：有一天我突然意识到——我对自己过去的人生很满意，也为自己做过的事情感到骄傲；但我现在真正想做的，是押一两个、甚至两三个非常非常大的研究赌注，然后看看能不能把它们做成。

我一直觉得，人应该更愿意冒风险。至少从我的观察来看，我可能算是那种风险承受能力比较高的人——愿意去追一些看起来很野、很不确定、甚至有点离谱的想法。所以我觉得，我应该把这种特质用在更有意义的事情上。

Jerry： 我肯定愿意投入很多时间。但与此同时，我也非常坚定地认为：研究应该尽可能快地推进。

做得慢，本身并不值得骄傲。从“把研究执行好”这个角度看，我希望它能更快。

不过，真正关键的，其实是我之前反复提到的两个词：聚焦（focus）和信念（conviction）。

如果你同时做很多事情，几乎注定每件事都只能做一小部分。你的注意力会被摊薄，资源也会被摊薄。研究实验室经常会说：算力不够，算力限制拖慢了研究。这当然是真的，而且是重要因素之一。但很多时候，更核心的问题其实是：不够聚焦。一天之内，一个人的注意力只能真正放在有限的几件事情上。

我很喜欢对和我共事过的研究者说一句话：少跑一点实验，把每一个实验想得更深。因为有时候，你花几个小时什么实验都不跑，只是盯着结果、反复分析数据——反而更容易带来真正的突破，而不是不停地“多跑”。

所以像 OpenAI 这样的公司，算力其实非常多。但如果算力被分散到太多项目上，效果反而会被稀释。如果把算力集中到更少、更聚焦的项目上，算力往往是够用的。

但这又回到了风险和信念的问题。如果你同时做三个项目，只要有一个成功，其实就已经算不错了；另外两个被砍掉，也完全可以接受。如果三个都成功，那当然更好。但如果你只做一个项目，它往往会推进得更快——因为你足够聚焦、也足够坚定。当然，代价是：如果它失败了，你会非常惨；但如果它成功了，你可能会拥有世界上最好的模型。

而对 OpenAI 这样规模的公司来说，现在确实很难做到一件事：把整个公司押注在一个全新的、完全不同的方向上，同时不在乎下个季度 Gemini 会不会更强。 这真的非常难。它需要一种非常特殊类型的人，才愿意这么做。

我觉得，这就是问题的核心。

Jerry： 这个问题上，我确实不应该、也不能谈 OpenAI 的任何具体计划。

Jerry： 这属于商业策略。我做的是训练模型。（笑）

Jerry： 这正是我现在最想搞清楚的第一个问题。任何 AI 研究，最终都离不开 GPU、离不开算力（FLOPs）。我现在需要认真想清楚的是：到底什么样的方式，才是做这些研究的最佳路径。

我确实正在努力理清楚：我很清楚自己想做哪些研究，但我还在寻找答案——到底怎样去做，才算是一个“好的方式”。

我不想继续追问“你接下来做什么”，因为你看起来太开心了，整个人容光焕发。

Jerry： 是的，我听好几个人都跟我说：你现在比以前快乐多了。

Jerry： 我不知道。而且我也听一位正在经营自己公司的人说过一句让我很震撼的话：在 OpenAI 工作，比自己创业还更有压力。从很多方面看，OpenAI 的确是一个压力极大的地方。

Jerry： 我不觉得存在那种特别“巨大的错误”。这个行业里的人，其实都很难犯那种一眼就能看出来的致命错误。

真正的问题更像是：你愿意花多少精力去探索“其他可能性”？又有多少精力，继续沿着你已经走得很顺的那条路往前推。

Jerry： 老实说，这样的想法非常多。但这些想法最缺的，往往不是“它们不存在”，而是：缺关注、缺算力、缺资源。

这里还有一个比较有意思的现象。很多研究者——包括学术界——很擅长、也很喜欢做“从 0 到 1”的事情：提出一个新想法，证明它“有点能跑”，然后就发表出来。而我觉得，我自己、以及我在 OpenAI 共事过的团队，真正特别擅长的一件事，是“从 1 到 100”：拿一些已经有初步证据的新想法——它们很不同，也不成熟——然后想办法把它们在大规模上做得可靠、稳定、可落地。

要训练前沿模型，把一种技术真正嵌进系统里，会涉及大量非常具体、非常琐碎、但又极其关键的工程和研究工作。如果执行不好，可能要花上好几年；但如果你有一套好的方法和节奏，可能几个月就能完成。这也是我未来很想继续多做的一类事情。

从行业行为上看，很多实验室似乎也在按“明星逻辑”行事。当然，这背后有大量集体协作，但确实也有一些时刻，看起来重大突破被“绑定”在少数几个人身上。但你刚才的反应，似乎并不完全认同这是一个“明星驱动”的行业。

Jerry： 我觉得这是个很复杂的话题，但有两个看法可以同时成立。

一方面，确实存在这样的情况：在某些阶段，尤其是在 OpenAI，一小撮人能产生远超常人的影响力，推动真正突破性的成果，然后这些成果扩散到整个行业。我亲眼看到这种事情反复发生。

但另一方面，当我看到人们在不同公司之间频繁流动时，我很少看到这种流动本身，对公司产生“决定性影响”。

我更相信的是：公司的结构、文化和运作方式，才是真正的研究引擎，而不完全取决于某一个研究者是否在这里。

而且我也观察到一个现象：那些频繁跳槽的研究者，反而往往没那么高产——即便他们过去做过很好的工作。他们需要重新磨合，会被各种事情分散注意力，短期内也未必有新的突破性想法。

经验当然重要，但更重要的是：营造一种环境——强调个人责任、鼓励探索、并且真正为“做出伟大事情”提供条件。

在一个好的结构、好的文化、好的协作方式下，你完全可以建立很多团队，持续做出伟大的成果。

这件事并不依赖某一个“唯一的人”。归根结底，我认为：研究结构、研究文化和协作方式，远比“某个特定的人是否在团队里”更重要。

主持人： 很有道理，很有道理。

主持人： 最后一个问题：你冥想吗？

Jerry： 最近在试，但我觉得我冥想得不太行。

主持人： 那祝你下一段旅程，能找到属于自己的“黑暗静修”。Jerry，谢谢你。

Jerry： 谢谢，很高兴和你们聊天。

参考链接：

https://www.youtube.com/watch?v=VaCq4u5c78U