看完Open AI翁家翌的访谈，我收获了这些… 看完长达2h的访谈，我最大的感受是：我们可能长期高估了“算法突破”的重要性，却低估了“系统能力”在 AI 时代的决定性作用。 1️⃣大模型的分水岭，已经不在“聪不聪明”，而在“能不能被持续塑造” 翁在访谈中多次提到 Post-training 和 RL 的价值，这让我意识到一个变化：今天大模型之间的差距，已经不主要来自预训练阶段的规模或架构，而是来自后续“被怎样调教”。谁能更快构建反馈闭环、谁能更稳定地把人类偏好嵌入系统、谁能让模型在真实世界中不断纠偏——这些能力，本质上更像“工业能力”，而不是单点科研成果。 从这个角度看，AI 的竞争越来越往工业化趋近。 2️⃣伟大往往都不是“计划”出来的，而可能来自对细节的打磨 访谈里有一个很打破浪漫想象的细节：ChatGPT 在早期并不是一个被所有人一致看好的“注定成功的产品”。这让我反而更清楚地意识到：在 AI 这种高不确定性领域，真正重要的不是“一开始判断得多准”，而是“当方向还不确定时，系统能不能让探索继续”。如果没有稳定的 infra、足够快的实验迭代能力、以及容错的组织结构，很多看起来“后来改变世界”的东西，其实在中途就已经死掉了。 换句话说：工程体系的价值，往往体现在它没有犯错的那些时刻，它的价值可能并非线性的释放，而是在某一刻涌现。 3️⃣从翁的路径里，我看到了一种“非典型成功模型” 翁的成长路径并不完全符合外界对“顶级 AI 人才”的刻板印象。相比单纯强调 paper 或理论突破，他更像是在不断做一件事：让系统更可用、更稳定、更容易被他人接力。这类人往往不会在某一个节点“爆红”，但在长期尺度下，却极容易成为关键节点上的“放大器”。 这让我开始重新思考一个问题：在 AI 这样一个高度协作、极度复杂的系统工程里，个人能力的最优解，可能并不是“最强”，而是“最能被连接”。 写在最后 这期访谈让我意识到： AI 的下半场，拼的可能不是谁第一个想到（idea is cheap），而是谁能把不确定的东西，长期、低摩擦地推进下去。而这，恰恰是工程、组织和价值取向共同作用的结果。也许真正稀缺的能力，从来不是“天才式突破”，而是在不确定中，持续让系统向前走的那群人。