OpenAI联合创始人John Schulman的最新访谈揭示了AI领域的关键认知变革：后训练阶段的精细化操作比单纯堆砌算力更能释放模型潜力。他的新项目Thinking Machines正致力于终结AI开发的‘炼金术时代’，通过引入可拆解的‘原语’构建标准化训练流程。本文深度解析了从强化学习进化到多模态突破的技术趋势，并为创业者提炼出2025年AI赛道的三条实战法则。
在 AI 领域，John Schulman 是一个无法绕过的名字。作为 OpenAI 的联合创始人，他曾一手主导了 ChatGPT 的强化学习架构。
最近，在一次深度访谈中，John 被问到一个极具启发性的问题：如果让初创时期的 OpenAI 团队带着今天的认知回到 2015 年，你们能用多快的速度造出 ChatGPT？
本文将结合 John Schulman 的最新创业项目Thinking Machines，深度拆解这场对话中关于“后训练、 “原语”、“自进化”的核心内涵。
这不仅是一场技术回顾，更是对未来 3-5 年 AI 商业竞争壁垒的预判。
John 被问到的第一个问题是：如果回到 2015 年，你们能多快造出 ChatGPT？
他的回答出人意料：并不需要 GPT-4 这种规模的算力，甚至不需要 GPT-3 的全量算力。
在 2015-2020 年间，整个行业的重心都在“预训练”上，即不断喂数据、堆参数。
但 John 指出，今天我们已经意识到，“后训练”阶段（包括 SFT 监督微调和 RLHF 强化学习）对模型表现出的“智能感”起到了决定性作用。
如果你拥有今天的“数据配方”，在 2015 年那个算力匮乏的时代，你可以通过更聪明的微调手段，让 GPT-2 级别的模型展现出类似对话代理的能力。
上面的认知差反映在商业上就是：先发优势并不完全在于你拥有多少块 H100，而在于你是否掌握了让模型高效对齐的特定数据工程方法。
John 离开 OpenAI 创立了Thinking Machines，并推出了名为Tinker的项目。这背后是他对当前 AI 工业界生产模式的深度反思。
目前的 AI 模型训练过程极其类似于中世纪的炼金术：
John 在访谈中多次提到一个词：原语。
在计算机科学中，原语是最基础的运算指令。John 认为，目前的模型训练缺乏这种标准化、可拆解的基础构件。
Tinker 的目标是将复杂的训练流程拆解为一系列透明的、可操纵的原语。包括：
这意味着 AI 的门槛正在从算法研究下移到工程效率。
正如我之前写过的Reevo，成功的项目往往不是靠模型更聪明，而是靠工程化的交付更标准、更快速。
当谈到未来一年的趋势时，John 给出了非常具体的指引。
目前的 RLHF 极度依赖人类的标注。但人类标注有三个致命伤：贵、慢、且人类的认知水平限制了 AI 的上限。
John 预测，未来的突破点在于深度自监督强化学习。
目前所谓的多模态（图像进、文字出）在 John 看来仍然是浅层的。下一代的 AI 将具备真正的感官融合能力：
基于 John 的访谈，结合我之前对全球爆款 AI 应用（如 HubX, Talkie 等等）的分析，总结出以下三点实战建议：
缩放定律并没有失效，但其重点正从参数规模转向推理规模和数据精炼规模。
如果你在 2025 年还在盲目追求训练更大的模型，而忽视了如何在推理端通过更复杂的搜索和思维链来提升表现，你将失去核心竞争力。
John 创立 Thinking Machines 本身就说明了一个趋势：赋能开发者、降低模型调优摩擦的“铲子”公司，其商业价值可能比单纯做模型的公司更稳固。
开发者应该关注那些能让你快速实验、精准反馈的工具，而不是把资源浪费在低效的盲目训练上。
在访谈中，John 提到即使是 GPT-3 级别的算力，如果加上极致的后训练，也能达到惊人的效果。
这再次验证了我们多次提到的：深入垂直场景，用高质量的私有数据去做极细颗粒度的微调，其投资回报率远高于去卷通用模型。
以上，祝你今天开心。
作者：张艾拉 公众号：Fun AI Everyday
本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自作者提供
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。