全文 2,000字 | 阅读约 6 分钟
（John Schulman 访谈：ChatGPT 本可以提前几年出现）
AI 竞赛看起来像两件事：抢人才，抢算力。
但真正决定胜负的，往往不在可见的战场上。
2025 年 12 月 18 日，John Schulman 接受了一期播客访谈。
他是 OpenAI 联合创始人之一、ChatGPT 核心技术作者，现任 Thinking Machines Lab 首席科学家。
访谈刚开始，他就说了件事：
把现在的完整研究方法带回 2018 或者2019 年，几个人、一年就能做出 GPT 3.5 级别的系统。
言下之意，决定 AI 突破的，可能不是我们以为的那些东西。
第一节｜ChatGPT 迟到的真正原因
那到底是什么卡住了？
Schulman 的判断基于工程路径的反推：
这些都不是天才一拍脑袋的结果，而是一次次试错积累出来的。
Schulman 说：
“ChatGPT 之所以能成型，不是因为有了更强的模型，而是因为我们知道怎么用当时能用的工具把它做出来。”
换句话说，模型的参数可以少一点，GPU 的规模可以减一点，但哪一环卡住了、哪里该先做、谁来负责调试、怎么评估效果，这些决策能力，才决定了能不能做成。
他提到的 nanoGPT 就是一个典型：一个人写代码，半年时间，在一台机器上完成。
这说明，很多 AI 突破，算力只是基础，真正的瓶颈在工程能力。
这也是为什么 Schulman 强调，机制比资源重要。真正能复用的，是一套把复杂工作做成的方法，而不是多堆几块卡、多招几位博士。
当我们今天复盘 ChatGPT 的诞生，看到的不只是一次模型演进，更是一套工作方法的建立过程。
这一点，往往才是后来实验室最难跨越的门槛。
第二节｜那些没做出来的项目，教会了 OpenAI 什么？
很多人以为 OpenAI 一开始就奔着 AGI 去了。
其实不然。在 John Schulman 的描述中，早期的 OpenAI 更像是一家半学术、半实验室的公司，十几个人各自做感兴趣的项目，两三人成组，自由探索，像是大学里自带预算的研究生。
但这种状态没维持多久。随着 Dota 项目的推进，他们开始尝试把十几位研究者、工程师、工具开发人员拉到一个项目中：
怎么分工？谁盯训练？数据怎么统一处理？
这一系列问题逼着 OpenAI 从各自为战，开始学会系统协同推进。
John 点名了几个项目做得不够好的原因：比如 Universe，这个早期强化学习平台，目标是构建一个海量交互环境，但工具链不成熟、运行复杂，数据也不能泛化，最终没做起来。
他总结说：
"这想法是对的，只是早了十年。"
这种对失败的态度，恰恰体现了 OpenAI 的核心能力：他们不断试错，但每次都能从失败中提取经验。一次项目走不通，就收缩范围，聚焦在最能验证有效性的那一块，然后组团队、搭流程，变成可复制的方法。
问题是，怎么让这套方法在团队里真正用起来？
在 Schulman 看来，这不是设 KPI，也不是增加人手，而是研究人员如何在合作中保持创造力、产出质量和方向感。
他讲了两种典型的研究团队管理方式：
- 一种是亲自盯每一行代码，给出技术反馈、架构建议，甚至参与具体实现；
- 另一种则是以信任为主，研究负责人只把握大方向，让成员自行推进。
有意思的是，他说这两种方式都可能成功，重点不在风格，而在团队目标是否清晰、人员是否匹配、能不能持续交付成果。
“如果你是探索型研究，让人自由发挥可能更好；但要做确定性强的工程项目，就得盯得紧。”
听起来像管理技巧，其实是技术机构的护城河。比的不是谁最聪明，而是谁能持续让不同类型的人在不同阶段发挥作用。OpenAI 的早期成长，很大一部分靠的不是单点技术突破，而是让研究和工程真正融合的能力。
这种能力不只是组织形式，也体现在怎么立项、怎么验收、失败了怎么办。
很多公司内部的研究项目，不是不聪明，而是没人写技术文档，没人回顾失败原因，也没人推动项目做到能被他人接手。
这种机制差距，开始不会立刻显现，但一旦规模拉大、项目变多，差异就会放大。
真正的机制壁垒：不是某个产品的包装，而是团队内部如何判断、如何协作、如何把一个模糊想法推进成稳定成果的能力。
第三节｜Thinking Machines 在卖什么？
讲完 OpenAI 的成长路径，再看 Thinking Machines 的创业选择，就会发现一条清晰的延续线。
Thinking Machines Lab 由 OpenAI 前 CTO Mira Murati 于 2025 年 2 月创立，John Schulman 担任首席科学家，核心团队几乎都来自 OpenAI。2025 年 7 月，这家成立不到半年的公司完成 20 亿美元种子轮融资，估值 120 亿美元。
很多人的第一反应是：这家公司自己没训练大模型，凭什么估值这么高？
Schulman 这样回应：
“我们不是在比谁参数更多，而是在重建研发流程，让更多人能做出真正有用的模型。”
这正是 Tinker 的设计初衷。它不是一个新模型，而是一套开放工具，让研究者能自己写微调逻辑，而不用再去搭集群、配环境、抢芯片。
- 想基于开源模型做定制训练？只需要写 Python 脚本，其余交给平台。
这不是又一个训练平台，而是把重点从模型转向流程：
从模型为中心，变成工作流程为中心。
按 Schulman 的说法：过去很多优秀研究者，想试一个想法，可能要先搭一周服务器，配三种框架，调一堆数据接口，最后还可能因为代码集成问题放弃。
而 Tinker 试图做的，是把这些环节压缩成一个可以被调度、复用、改写的基础单元。就像早期 OpenAI 内部那种工程和研究混合的组织方式，只不过这次是以产品形式对外提供。
更重要的是，这套设计不是为几个大公司准备的，而是为那群下一轮突破的研究者：
Thinking Machines 做的，不是再造另一个 OpenAI 模型，而是把过去 OpenAI 内部才有的组织协作能力打包成服务，让更多人可以拿来用、直接用、自己调。
这不是技术突破，而是让 AI 能力真正下沉的开始。
结语｜真正的壁垒
2018 年技术上就能做出 ChatGPT，但没人做出来。
不是因为算力不够，是因为没人知道该怎么做。
知道怎么做，是一种能力。这种能力藏在日常协作里、藏在失败复盘里、藏在项目推进的每个判断里。
OpenAI 用了七年建立这套能力。Thinking Machines 试图用产品的方式，让更多人不用再花七年。
这才是真正的壁垒。
📮 本文由AI深度研究院出品，内容整理自 John Schulman 于 2025年12月18日播客访谈等网上公开素材，属评论分析性质。内容为观点提炼与合理引述，未逐字复制原访谈材料。未经授权，不得转载。
参考资料：
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
来源：官方媒体/网络新闻
排版：Atlas
编辑：深思
主编: 图灵
--END--
