Open，AI元老放話：2015年就能做出ChatGPT效果，靠的不是算力

說句實(shí)在話，AI圈最近幾年太熱鬧了！

模型越堆越大，公司越融越多，但真正能“造出ChatGPT”的人，其實(shí)沒幾個(gè)。

而John Schulman，就是那個(gè)親手把ChatGPT從實(shí)驗(yàn)室?guī)У侥闶謾C(jī)里的人。

如今他離開OpenAI、又離開Anthropic，轉(zhuǎn)身創(chuàng)辦Thinking Machines Lab，到底在下一盤什么棋？

咱們很多人以為，ChatGPT之所以聰明，是因?yàn)樗昧松先f億參數(shù)、燒了幾億美元算力。

但John Schulman直接“潑冷水”：“就算回到2015年，只要有今天的認(rèn)知，我們也能用GPT-2級(jí)別的模型做出類似ChatGPT的效果。”

這話聽著玄乎，其實(shí)核心就一點(diǎn)：預(yù)訓(xùn)練只是打底，后訓(xùn)練才是點(diǎn)睛之筆。

過去行業(yè)迷信“大力出奇跡”，拼命堆數(shù)據(jù)、擴(kuò)模型。

可Schulman團(tuán)隊(duì)早就發(fā)現(xiàn)，通過高質(zhì)量的監(jiān)督微調(diào)（SFT）和人類反饋強(qiáng)化學(xué)習(xí)（RLHF），一個(gè)中等規(guī)模模型完全可以表現(xiàn)出遠(yuǎn)超其參數(shù)量的“智能感”。

比如，用精心構(gòu)造的對(duì)話數(shù)據(jù)微調(diào)GPT-2，它就能像聊天助手一樣回應(yīng)用戶，而不是胡亂生成網(wǎng)頁片段。

認(rèn)知差，比算力差更致命。

現(xiàn)在回頭看，OpenAI早期的成功，不是因?yàn)橛布鄰?qiáng)，而是因?yàn)樗麄兟氏日莆樟恕叭绾巫屇Ｐ吐犜挕钡墓こ谭椒ㄕ摗?/strong>

而這一點(diǎn)，正是大多數(shù)后來者至今沒摸透的。

2025年2月，Schulman正式加入由前OpenAI CTO米拉·穆拉蒂創(chuàng)立的Thinking Machines Lab，并出任首席科學(xué)家。

就在2026年初，這家低調(diào)的新創(chuàng)公司發(fā)布了首款產(chǎn)品——Tinker。

周叔查了官方資料，Tinker不是又一個(gè)大模型，而是一個(gè)專為大語言模型微調(diào)設(shè)計(jì)的高度可配置API平臺(tái)。

它的目標(biāo)很明確：把AI訓(xùn)練從“黑箱煉金術(shù)”變成“透明工程學(xué)”。

目前行業(yè)現(xiàn)狀有多荒誕？開發(fā)者寫一堆腳本，混雜各種數(shù)據(jù)，一按運(yùn)行鍵，幾十萬美元就沒了。

結(jié)果不好？沒人知道是數(shù)據(jù)問題、損失函數(shù)問題，還是調(diào)度策略問題。

整個(gè)過程不可復(fù)現(xiàn)、不可調(diào)試、不可解釋。

而Tinker要做的，就是引入“原語”（primitives）——就像編程里的基礎(chǔ)指令一樣，把訓(xùn)練流程拆解成可組合、可監(jiān)控、可迭代的模塊。

你可以精確控制每一批數(shù)據(jù)的分布、每一次梯度更新的邏輯，甚至能像調(diào)試代碼一樣回溯訓(xùn)練中的每一個(gè)決策點(diǎn)。

從另一個(gè)角度看，這其實(shí)是AI開發(fā)范式的遷移：從依賴天才研究員的直覺，轉(zhuǎn)向依靠標(biāo)準(zhǔn)化工具鏈的工程效率。

正如Schulman所說：“今天我們?nèi)钡牟皇歉蟮哪Ｐ停歉斆鞯挠?xùn)練方式。”

除了工具層面的革新，Schulman對(duì)技術(shù)趨勢(shì)的判斷也極具前瞻性。

他在多次訪談中強(qiáng)調(diào)：RLHF依賴人類標(biāo)注，這條路快走到頭了。

為什么？因?yàn)槿祟悩?biāo)注又貴又慢，而且認(rèn)知天花板太低。

未來的突破，在于模型能自我評(píng)估、自我改進(jìn)——就像AlphaZero不靠人類棋譜，自己下幾百萬盤棋就能超越所有人類。

下一代AI必須能在視覺、語言、動(dòng)作等多模態(tài)原生空間里聯(lián)合推理。

比如，看到一段視頻，不僅能描述內(nèi)容，還能理解物理規(guī)律、預(yù)測(cè)物體運(yùn)動(dòng)、甚至規(guī)劃操作步驟。

而Thinking Machines Lab的Tinker平臺(tái)，正是為這類復(fù)雜訓(xùn)練場(chǎng)景設(shè)計(jì)的。

它支持多階段、多目標(biāo)、多模態(tài)的聯(lián)合微調(diào)，讓研究者能快速實(shí)驗(yàn)“自進(jìn)化”算法，而不被工程瑣事拖垮。

說白了，未來的競(jìng)爭(zhēng)不在模型大小，而在“訓(xùn)練智能”的深度。

John Schulman的轉(zhuǎn)身，不只是一個(gè)人的職業(yè)選擇，更是整個(gè)AI行業(yè)從“野蠻生長(zhǎng)”邁向“精耕細(xì)作”的信號(hào)。

當(dāng)算力紅利見頂，真正的壁壘將回歸到數(shù)據(jù)工程、訓(xùn)練機(jī)制與工具鏈效率。

對(duì)于創(chuàng)業(yè)者而言，與其追逐千億參數(shù)的幻影，不如深耕垂直場(chǎng)景、打磨微調(diào)工藝。

因?yàn)锳I的未來，屬于會(huì)“調(diào)教”模型的人，而不只是會(huì)“堆”模型的人。