全文 2,000字 | 閱讀約 6 分鐘

（John Schulman 訪談：ChatGPT 本可以提前幾年出現(xiàn)）

AI 競(jìng)賽看起來(lái)像兩件事：搶人才，搶算力。

但真正決定勝負(fù)的，往往不在可見(jiàn)的戰(zhàn)場(chǎng)上。

2025 年 12 月 18 日，John Schulman 接受了一期播客訪談。

他是 OpenAI 聯(lián)合創(chuàng)始人之一、ChatGPT 核心技術(shù)作者，現(xiàn)任 Thinking Machines Lab 首席科學(xué)家。

訪談剛開(kāi)始，他就說(shuō)了件事：

把現(xiàn)在的完整研究方法帶回 2018 或者2019 年，幾個(gè)人、一年就能做出 GPT 3.5 級(jí)別的系統(tǒng)。

言下之意，決定 AI 突破的，可能不是我們以為的那些東西。

第一節(jié)｜ChatGPT 遲到的真正原因

那到底是什么卡住了？

Schulman 的判斷基于工程路徑的反推：

• 微調(diào)方式的選擇

• 后訓(xùn)練的配方組合

• 數(shù)據(jù)集構(gòu)造策略

• 訓(xùn)練調(diào)度的工程優(yōu)化

這些都不是天才一拍腦袋的結(jié)果，而是一次次試錯(cuò)積累出來(lái)的。

Schulman 說(shuō)：

“ChatGPT 之所以能成型，不是因?yàn)橛辛烁鼜?qiáng)的模型，而是因?yàn)槲覀冎涝趺从卯?dāng)時(shí)能用的工具把它做出來(lái)。”

換句話說(shuō)，模型的參數(shù)可以少一點(diǎn)，GPU 的規(guī)?？梢詼p一點(diǎn)，但哪一環(huán)卡住了、哪里該先做、誰(shuí)來(lái)負(fù)責(zé)調(diào)試、怎么評(píng)估效果，這些決策能力，才決定了能不能做成。

他提到的 nanoGPT 就是一個(gè)典型：一個(gè)人寫(xiě)代碼，半年時(shí)間，在一臺(tái)機(jī)器上完成。

這說(shuō)明，很多 AI 突破，算力只是基礎(chǔ)，真正的瓶頸在工程能力。

這也是為什么 Schulman 強(qiáng)調(diào)，機(jī)制比資源重要。真正能復(fù)用的，是一套把復(fù)雜工作做成的方法，而不是多堆幾塊卡、多招幾位博士。

當(dāng)我們今天復(fù)盤(pán) ChatGPT 的誕生，看到的不只是一次模型演進(jìn)，更是一套工作方法的建立過(guò)程。

這一點(diǎn)，往往才是后來(lái)實(shí)驗(yàn)室最難跨越的門(mén)檻。

第二節(jié)｜那些沒(méi)做出來(lái)的項(xiàng)目，教會(huì)了 OpenAI 什么？

很多人以為 OpenAI 一開(kāi)始就奔著 AGI 去了。

其實(shí)不然。在 John Schulman 的描述中，早期的 OpenAI 更像是一家半學(xué)術(shù)、半實(shí)驗(yàn)室的公司，十幾個(gè)人各自做感興趣的項(xiàng)目，兩三人成組，自由探索，像是大學(xué)里自帶預(yù)算的研究生。

但這種狀態(tài)沒(méi)維持多久。隨著 Dota 項(xiàng)目的推進(jìn)，他們開(kāi)始嘗試把十幾位研究者、工程師、工具開(kāi)發(fā)人員拉到一個(gè)項(xiàng)目中：

怎么分工？誰(shuí)盯訓(xùn)練？數(shù)據(jù)怎么統(tǒng)一處理？

這一系列問(wèn)題逼著 OpenAI 從各自為戰(zhàn)，開(kāi)始學(xué)會(huì)系統(tǒng)協(xié)同推進(jìn)。

John 點(diǎn)名了幾個(gè)項(xiàng)目做得不夠好的原因：比如 Universe，這個(gè)早期強(qiáng)化學(xué)習(xí)平臺(tái)，目標(biāo)是構(gòu)建一個(gè)海量交互環(huán)境，但工具鏈不成熟、運(yùn)行復(fù)雜，數(shù)據(jù)也不能泛化，最終沒(méi)做起來(lái)。

他總結(jié)說(shuō)：

"這想法是對(duì)的，只是早了十年。"

這種對(duì)失敗的態(tài)度，恰恰體現(xiàn)了 OpenAI 的核心能力：他們不斷試錯(cuò)，但每次都能從失敗中提取經(jīng)驗(yàn)。一次項(xiàng)目走不通，就收縮范圍，聚焦在最能驗(yàn)證有效性的那一塊，然后組團(tuán)隊(duì)、搭流程，變成可復(fù)制的方法。

問(wèn)題是，怎么讓這套方法在團(tuán)隊(duì)里真正用起來(lái)？

在 Schulman 看來(lái)，這不是設(shè) KPI，也不是增加人手，而是研究人員如何在合作中保持創(chuàng)造力、產(chǎn)出質(zhì)量和方向感。

他講了兩種典型的研究團(tuán)隊(duì)管理方式：

• 一種是親自盯每一行代碼，給出技術(shù)反饋、架構(gòu)建議，甚至參與具體實(shí)現(xiàn)；

• 另一種則是以信任為主，研究負(fù)責(zé)人只把握大方向，讓成員自行推進(jìn)。

有意思的是，他說(shuō)這兩種方式都可能成功，重點(diǎn)不在風(fēng)格，而在團(tuán)隊(duì)目標(biāo)是否清晰、人員是否匹配、能不能持續(xù)交付成果。

“如果你是探索型研究，讓人自由發(fā)揮可能更好；但要做確定性強(qiáng)的工程項(xiàng)目，就得盯得緊。”

聽(tīng)起來(lái)像管理技巧，其實(shí)是技術(shù)機(jī)構(gòu)的護(hù)城河。比的不是誰(shuí)最聰明，而是誰(shuí)能持續(xù)讓不同類(lèi)型的人在不同階段發(fā)揮作用。OpenAI 的早期成長(zhǎng)，很大一部分靠的不是單點(diǎn)技術(shù)突破，而是讓研究和工程真正融合的能力。

這種能力不只是組織形式，也體現(xiàn)在怎么立項(xiàng)、怎么驗(yàn)收、失敗了怎么辦。

很多公司內(nèi)部的研究項(xiàng)目，不是不聰明，而是沒(méi)人寫(xiě)技術(shù)文檔，沒(méi)人回顧失敗原因，也沒(méi)人推動(dòng)項(xiàng)目做到能被他人接手。

這種機(jī)制差距，開(kāi)始不會(huì)立刻顯現(xiàn)，但一旦規(guī)模拉大、項(xiàng)目變多，差異就會(huì)放大。

真正的機(jī)制壁壘：不是某個(gè)產(chǎn)品的包裝，而是團(tuán)隊(duì)內(nèi)部如何判斷、如何協(xié)作、如何把一個(gè)模糊想法推進(jìn)成穩(wěn)定成果的能力。

第三節(jié)｜Thinking Machines 在賣(mài)什么？

講完 OpenAI 的成長(zhǎng)路徑，再看 Thinking Machines 的創(chuàng)業(yè)選擇，就會(huì)發(fā)現(xiàn)一條清晰的延續(xù)線。

Thinking Machines Lab 由 OpenAI 前 CTO Mira Murati 于 2025 年 2 月創(chuàng)立，John Schulman 擔(dān)任首席科學(xué)家，核心團(tuán)隊(duì)幾乎都來(lái)自 OpenAI。2025 年 7 月，這家成立不到半年的公司完成 20 億美元種子輪融資，估值 120 億美元。

很多人的第一反應(yīng)是：這家公司自己沒(méi)訓(xùn)練大模型，憑什么估值這么高？

Schulman 這樣回應(yīng)：

“我們不是在比誰(shuí)參數(shù)更多，而是在重建研發(fā)流程，讓更多人能做出真正有用的模型。”

這正是 Tinker 的設(shè)計(jì)初衷。它不是一個(gè)新模型，而是一套開(kāi)放工具，讓研究者能自己寫(xiě)微調(diào)邏輯，而不用再去搭集群、配環(huán)境、搶芯片。

• 想自己寫(xiě) loss 函數(shù)？可以。

• 想控制每個(gè)訓(xùn)練 step 的行為？也可以。

• 想基于開(kāi)源模型做定制訓(xùn)練？只需要寫(xiě) Python 腳本，其余交給平臺(tái)。

這不是又一個(gè)訓(xùn)練平臺(tái)，而是把重點(diǎn)從模型轉(zhuǎn)向流程：

從模型為中心，變成工作流程為中心。

按 Schulman 的說(shuō)法：過(guò)去很多優(yōu)秀研究者，想試一個(gè)想法，可能要先搭一周服務(wù)器，配三種框架，調(diào)一堆數(shù)據(jù)接口，最后還可能因?yàn)榇a集成問(wèn)題放棄。

而 Tinker 試圖做的，是把這些環(huán)節(jié)壓縮成一個(gè)可以被調(diào)度、復(fù)用、改寫(xiě)的基礎(chǔ)單元。就像早期 OpenAI 內(nèi)部那種工程和研究混合的組織方式，只不過(guò)這次是以產(chǎn)品形式對(duì)外提供。

更重要的是，這套設(shè)計(jì)不是為幾個(gè)大公司準(zhǔn)備的，而是為那群下一輪突破的研究者：

• 可能是小型 AI 團(tuán)隊(duì)，

• 也可能是企業(yè)內(nèi)的應(yīng)用開(kāi)發(fā)者，

• 或是高校實(shí)驗(yàn)室和獨(dú)立研究者。

Thinking Machines 做的，不是再造另一個(gè) OpenAI 模型，而是把過(guò)去 OpenAI 內(nèi)部才有的組織協(xié)作能力打包成服務(wù)，讓更多人可以拿來(lái)用、直接用、自己調(diào)。

這不是技術(shù)突破，而是讓 AI 能力真正下沉的開(kāi)始。

結(jié)語(yǔ)｜真正的壁壘

2018 年技術(shù)上就能做出 ChatGPT，但沒(méi)人做出來(lái)。

不是因?yàn)樗懔Σ粔?，是因?yàn)闆](méi)人知道該怎么做。

知道怎么做，是一種能力。這種能力藏在日常協(xié)作里、藏在失敗復(fù)盤(pán)里、藏在項(xiàng)目推進(jìn)的每個(gè)判斷里。

OpenAI 用了七年建立這套能力。Thinking Machines 試圖用產(chǎn)品的方式，讓更多人不用再花七年。

這才是真正的壁壘。

識(shí)自AI

本文由AI深度研究院出品，內(nèi)容整理自 John Schulman 于 2025年12月18日播客訪談等網(wǎng)上公開(kāi)素材，屬評(píng)論分析性質(zhì)。內(nèi)容為觀點(diǎn)提煉與合理引述，未逐字復(fù)制原訪談材料。未經(jīng)授權(quán)，不得轉(zhuǎn)載。

星標(biāo)公眾號(hào)， 點(diǎn)這里 1. 點(diǎn)擊右上角 2. 點(diǎn)擊"設(shè)為星標(biāo)" ← AI深度研究員 ? ← 設(shè)為星標(biāo)

參考資料：

https://www.youtube.com/watch?v=29BYxvvF1iM

https://www.podchemy.com/notes/john-schulman-on-dead-ends-scaling-rl-and-building-research-institutions-1fda9584-e1d8-54d4-8ae6-8a393eaa0529

https://podcasters.spotify.com/pod/show/cursorai/episodes/John-Schulman-on-dead-ends--scaling-RL--and-building-research-institutions-e3cgpdl

來(lái)源：官方媒體/網(wǎng)絡(luò)新聞

排版：Atlas

編輯：深思

主編: 圖靈