AGI倒计时：OpenAI首席研究官揭秘AI自我进化的未来与挑战

type

status

date

slug

summary

Scaling Law 未死，推理范式重塑 AGI 路径

过去一年中，行业内不乏“预训练已死”、“Scaling Law（尺度定律）已达瓶颈”的唱衰声音。然而，Mark Chen对此持强烈的反对态度。他指出，这种“瓶颈论”在过去几年被反复提及，但每一次OpenAI都能通过工程创新与研究洞见将障碍扫除。

支撑这一信念的核心在于大模型在推理（Reasoning）维度上的突破。以OpenAI o1模型为例，在立项之初，这种强化学习与思维链推理的尝试在内部也曾面临质疑。但最终，o1的成功证明了在预训练之外，推理阶段的算力投入能够解锁全新的能力边界。

随着模型在长周期、跨度达数周甚至数月的任务上进行深度思考，它将逐渐具备推导人类未知数学公式、甚至重构更优算法架构的能力。这种指数级增长的曲线并未见顶，而是正在向“自我维持科研”的终点狂奔。

从 Vibe Coder 到 Vibe Researcher，人类“品味”成为稀缺资产

在编程领域，我们已经见证了“Vibe Coder”（氛围程序员）的诞生——开发者只需动动嘴，剩下的代码全部由AI编写。而现在，科研领域也正在向“Vibe Researcher”（氛围研究员）演进。

在未来的顶级实验室中，研究员的工作将从繁重的代码编写与实验调试，转变为“编排”（Orchestration）。人类负责提出核心创意与研究方向，模型则端到端地完成从方案设计、代码实现到实验评测的全套流程。

在这种背景下，人类的工作将被极限压缩到两端： 1. 提出真正的问题：这需要极强的洞察力与提示词（Prompt）设计能力。 2. 判断AI输出的价值：即对结果的“品味”（Taste）。

机器拥有强大的计算与推演能力，但由于缺乏人类的“生活体验”与“常识”，它无法定义什么是真正的“美”与“灵魂”。人类的品味，将成为过滤AI海量生成内容的最后一道关卡。

通往 AGI 的两大绊脚石：评测危机与参差的前沿

尽管前景乐观，但Mark Chen坦言，通往AGI的道路上依然横亘着巨大的技术鸿沟。

首先是评测危机。当前行业面临严重的“Benchmaxxing”（刷榜）现象——模型通过拟合测试集刷出高分，但实际泛化能力并未提升。经典的测试集（如SAT等）对当下的前沿模型已然饱和，而一旦新的评测集被公开，便会迅速失效。为此，OpenAI正在尝试将评估团队与优化团队分离，形成对抗性激励，并从实际部署的失败案例中寻找真实的评估维度。

其次是参差的前沿（Jagged Frontier）。目前的人工智能模型呈现出一种奇特的矛盾：它们能轻松解出奥数难题，却可能在日常常识或需要“持续学习”（Continual Learning）的简单任务上栽跟头。如何让模型将上一个任务中积累的教训无缝应用到下一个任务中，是全行业正在攻克的核心硬骨头。

汤的隐喻：在 AGI 时代重塑人类的“体验”价值

在访谈中有一个温馨的细节：当被问及AGI实现后的终极梦想时，Mark Chen回答说想去开一家面馆。这不仅是一个幽默的调侃，更揭示了AGI时代的深层哲学。

当LLM与AGI能够以光速生产知识、代码和科学创新时，纯粹的“智力”将变得廉价。此时，人类最稀缺的资源将不再是计算能力，而是“体验”。机器可以计算出一碗汤的最佳配比与温度，但它无法赋予这碗汤以故事、情感与温度。

在AGI倒计时的钟声里，人类的窗口确实在变小，但这也逼迫我们走向更具创造性、更具情感连接的领域。

获取全球最前沿的openai动态、chatGPT与claude技术进展，以及实用的AI变现指南，请持续关注 AI日报 与 AI门户 https://aigc.bar，让我们共同见证智能时代的进化与变革。