上海
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）
AI 競賽看起來像兩件事：搶人才，搶算力。
但真正決定勝負的，往往不在可見的戰場上。
2025 年 12 月 18 日，John Schulman 接受了一期播客訪談。
他是 OpenAI 聯合創始人之一、ChatGPT 核心技術作者，現任 Thinking Machines Lab 首席科學家。
訪談剛開始，他就說了件事：
把現在的完整研究方法帶回 2018 或者2019 年，幾個人、一年就能做出 GPT 3.5 級別的系統。
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｜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：
微調方式的選擇
后訓練的配方組合
數據集構造策略
訓練調度的工程優化
這些都不是天才一拍腦袋的結果，而是一次次試錯積累出來的。
Schulman 說：
“ChatGPT 之所以能成型，不是因為有了更強的模型，而是因為我們知道怎么用當時能用的工具把它做出來。”
換句話說，模型的參數可以少一點，GPU 的規模可以減一點，但哪一環卡住了、哪里該先做、誰來負責調試、怎么評估效果，這些決策能力，才決定了能不能做成。
他提到的 nanoGPT 就是一個典型：一個人寫代碼，半年時間，在一臺機器上完成。
這說明，很多 AI 突破，算力只是基礎，真正的瓶頸在工程能力。
這也是為什么 Schulman 強調，機制比資源重要。真正能復用的，是一套把復雜工作做成的方法，而不是多堆幾塊卡、多招幾位博士。
當我們今天復盤 ChatGPT 的誕生，看到的不只是一次模型演進，更是一套工作方法的建立過程。
這一點，往往才是后來實驗室最難跨越的門檻。
第二節｜那些沒做出來的項目，教會了 OpenAI 什么？
很多人以為 OpenAI 一開始就奔著 AGI 去了。
其實不然。在 John Schulman 的描述中，早期的 OpenAI 更像是一家半學術、半實驗室的公司，十幾個人各自做感興趣的項目，兩三人成組，自由探索，像是大學里自帶預算的研究生。
但這種狀態沒維持多久。隨著 Dota 項目的推進，他們開始嘗試把十幾位研究者、工程師、工具開發人員拉到一個項目中：
怎么分工？誰盯訓練？數據怎么統一處理？
這一系列問題逼著 OpenAI 從各自為戰，開始學會系統協同推進。
John 點名了幾個項目做得不夠好的原因：比如 Universe，這個早期強化學習平臺，目標是構建一個海量交互環境，但工具鏈不成熟、運行復雜，數據也不能泛化，最終沒做起來。
他總結說：
"這想法是對的，只是早了十年。"
這種對失敗的態度，恰恰體現了 OpenAI 的核心能力：他們不斷試錯，但每次都能從失敗中提取經驗。一次項目走不通，就收縮范圍，聚焦在最能驗證有效性的那一塊，然后組團隊、搭流程，變成可復制的方法。
問題是，怎么讓這套方法在團隊里真正用起來？
在 Schulman 看來，這不是設 KPI，也不是增加人手，而是研究人員如何在合作中保持創造力、產出質量和方向感。
他講了兩種典型的研究團隊管理方式：
一種是親自盯每一行代碼，給出技術反饋、架構建議，甚至參與具體實現；
另一種則是以信任為主，研究負責人只把握大方向，讓成員自行推進。
有意思的是，他說這兩種方式都可能成功，重點不在風格，而在團隊目標是否清晰、人員是否匹配、能不能持續交付成果。
“如果你是探索型研究，讓人自由發揮可能更好；但要做確定性強的工程項目，就得盯得緊。”
聽起來像管理技巧，其實是技術機構的護城河。比的不是誰最聰明，而是誰能持續讓不同類型的人在不同階段發揮作用。OpenAI 的早期成長，很大一部分靠的不是單點技術突破，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，也體現在怎么立項、怎么驗收、失敗了怎么辦。
很多公司內部的研究項目，不是不聰明，而是沒人寫技術文檔，沒人回顧失敗原因，也沒人推動項目做到能被他人接手。
這種機制差距，開始不會立刻顯現，但一旦規模拉大、項目變多，差異就會放大。
真正的機制壁壘：不是某個產品的包裝，而是團隊內部如何判斷、如何協作、如何把一個模糊想法推進成穩定成果的能力。
第三節｜Thinking Machines 在賣什么？
講完 OpenAI 的成長路徑，再看 Thinking Machines 的創業選擇，就會發現一條清晰的延續線。
Thinking Machines Lab 由 OpenAI 前 CTO Mira Murati 于 2025 年 2 月創立，John Schulman 擔任首席科學家，核心團隊幾乎都來自 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。
很多人的第一反應是：這家公司自己沒訓練大模型，憑什么估值這么高？
Schulman 這樣回應：
“我們不是在比誰參數更多，而是在重建研發流程，讓更多人能做出真正有用的模型。”
這正是 Tinker 的設計初衷。它不是一個新模型，而是一套開放工具，讓研究者能自己寫微調邏輯，而不用再去搭集群、配環境、搶芯片。
想自己寫 loss 函數？可以。
想控制每個訓練 step 的行為？也可以。
想基于開源模型做定制訓練？只需要寫 Python 腳本，其余交給平臺。
這不是又一個訓練平臺，而是把重點從模型轉向流程：
從模型為中心，變成工作流程為中心。
按 Schulman 的說法：過去很多優秀研究者，想試一個想法，可能要先搭一周服務器，配三種框架，調一堆數據接口，最后還可能因為代碼集成問題放棄。
而 Tinker 試圖做的，是把這些環節壓縮成一個可以被調度、復用、改寫的基礎單元。就像早期 OpenAI 內部那種工程和研究混合的組織方式，只不過這次是以產品形式對外提供。
更重要的是，這套設計不是為幾個大公司準備的，而是為那群下一輪突破的研究者：
可能是小型 AI 團隊，
也可能是企業內的應用開發者，
或是高校實驗室和獨立研究者。
Thinking Machines 做的，不是再造另一個 OpenAI 模型，而是把過去 OpenAI 內部才有的組織協作能力打包成服務，讓更多人可以拿來用、直接用、自己調。
這不是技術突破，而是讓 AI 能力真正下沉的開始。
結語｜真正的壁壘
2018 年技術上就能做出 ChatGPT，但沒人做出來。
不是因為算力不夠，是因為沒人知道該怎么做。
知道怎么做，是一種能力。這種能力藏在日常協作里、藏在失敗復盤里、藏在項目推進的每個判斷里。
OpenAI 用了七年建立這套能力。Thinking Machines 試圖用產品的方式，讓更多人不用再花七年。
這才是真正的壁壘。
識自AI
本文由AI深度研究院出品，內容整理自 John Schulman 于 2025年12月18日播客訪談等網上公開素材，屬評論分析性質。內容為觀點提煉與合理引述，未逐字復制原訪談材料。未經授權，不得轉載。
星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標
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
來源：官方媒體/網絡新聞
排版：Atlas
編輯：深思
主編: 圖靈
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
