OpenAI AGI 战略复盘与投资远见

思想实验与核心启示

• 思想实验：若拥有完整“配方”，少数天才员工约需一年时间达到GPT-3.5水平，凸显“知识和配方”的杠杆效应远超单纯算力扩张。
• 核心启示：AI竞争力的核心在于方法论积累，而非资源投入；失败探索是构建核心能力的必要投资。

OpenAI发展里程碑与模式分析

• Dota项目：确立了“前沿研究+严肃工程”双轮驱动模式，为GPT系列奠定基础。
• 管理风格：
  • 放手赋能型：适用于探索性研究，激发团队自主性。
  • 亲力亲为型：适用于目标明确的项目，提供具体技术指导。
  • 关键结论：不存在唯一“最佳”模式，需匹配研究阶段与团队构成。

追赶模式与探索能力

• 追赶模式（新创公司）：需鼓励自由探索，避免丧失“探索性研究的肌肉”。
• 和平时期（早期OpenAI）：被迫先复制技术至行业基线，再寻求创新。
• Schulman警示：长期追赶易陷入“跟随者陷阱”，保持探索能力是超越的关键。

AI人才与技术前沿

• 人才画像变迁：从“怪才”转向“卓越工程师”。
• 当前技术挑战：
  • 泛化能力：模型在长远时间尺度上脆弱，易“卡住”。
  • 持续学习：主要依赖上下文学习与参数微调。
  • 价值函数：在当前RL任务中效果不佳。
• 未来展望：泛化能力可能“卷土重来”，但需全新思想实现“即时学习”。

超越规模定律与自我进化

• 方向一：协同训练（Co-training）。
• 方向二：多智能体与博弈论（Multi-agent&Games），通过设计精巧规则实现“virtuous cycle”自我提升。

AGI到来与两种力量博弈

• 审慎派：工程师倾向于低估复杂项目时间。
• 乐观派：AI工具加速自身研究形成正反馈循环。
• Schulman结论：存在巨大不确定性，两种力量抗衡使预测困难。

顶级研究员工作流与建议

• AI作为科研合伙人：文献检索、思想迭代、写作反馈。
• 对新一代AI研究者：
  • 警惕“黑箱”，理解代码价值。
  • 拥抱LLM工具，融入工作流程。

Tinker与未来商业范式

• Tinker：低阶微调API，抽象底层复杂性，让开发者专注算法。
• 目标用户：资深机器学习专家。
• 未来愿景：从专家工具扩展为全栈赋能平台。
• 核心启示：
  • 知识>算力。
  • 容忍“正确弯路”的探索性文化是创新土壤。
  • 复合型工程人才价值凸显。
  • “卖水者”模式（如Tinker）将成为AI生态关键投资机会。