📝 本期播客简介
本期我们克隆了知名播客《Matt Turck 的播客》中的一场深入对话，主持人 Matt Turck 邀请到人工智能领域的关键构建者 Łukasz Kaiser。Łukasz 不仅是奠定现代 AI 基础的 Transformer 架构的共同发明人之一，那篇划时代的论文《Attention Is All You Need》正是出自他手，他目前还是 OpenAI 的顶尖研究科学家，正引领着 AI 从预训练模型向推理模型这一重大范式转变。在这期节目中，Łukasz Kaiser 犀利驳斥了“AI 发展放缓”的论调，他指出 AI 能力正以摩尔定律般的指数级速度平稳增长，而推理模型的出现，正如 S 型曲线的下半段，正以惊人的效率解锁前所未有的能力。他会详细解释推理模型如何通过“思维链”和强化学习进行“思考”，以及它们为何在科学和编程领域表现出色，却在某些看似简单的多模态任务上仍显“参差不齐”。我们还将回顾 Transformer 论文诞生背后的故事，探讨 AI 模型的黑箱问题，以及 OpenAI 如何通过“后训练”和“蒸馏”技术不断提升 GPT 5.1 的用户体验。Łukasz 还会展望 AI 的未来，包括通用强化学习、机器人技术以及 AI 对人类工作和泛化能力的深远影响。无论你是 AI
领域的专业人士，还是对前沿科技充满好奇的普通听众，这期节目都将为你揭示人工智能最前沿的奥秘和挑战。
翻译克隆自：What’s Next for AI? OpenAI’s Łukasz Kaiser (Transformer Co-Author)
👨‍⚕️ 本期嘉宾
Łukasz Kaiser，人工智能领域的关键构建者之一，Transformer 架构的共同发明人（《Attention Is All You Need》论文合著者）。目前是 OpenAI 的顶尖研究科学家，专注于推动 AI 从预训练模型向推理模型的范式转变。
⏱️ 时间戳
开场 & 播客简介
00:00 AI 能力的平滑指数级增长
02:08 Łukasz Kaiser：Transformer 共同发明人与 OpenAI 顶尖科学家
AI 进展：驳斥“放缓论”
04:15 AI 进展如摩尔定律般指数级增长，从未停止
05:21 推理模型：AI 发展的又一重大转折点，处于 S 型曲线的下半段
06:16 圈内人与圈外人的认知差距：大模型能力远超想象
06:59 案例：ChatGPT 如何从“胡编乱造”到“联网推理”
08:07 Codex 如何改变程序员工作流
AI 发展的“唾手可得”成果
08:47 巨大的工程改进空间：基础设施、bug 修复与分布式计算
09:54 数据质量提升：从 Common Crawl 到合成数据
10:36 多模态能力的显著提升空间
推理模型深度解析
11:35 推理模型：通过“思维链”进行“思考”的大语言模型
12:07 思考过程的训练：从梯度下降到强化学习
13:32 强化学习的局限：更适用于可验证的科学与编程领域
14:10 强化学习的演变：从 RLHF 到大规模强化学习
Łukasz Kaiser 的 AI 之旅
20:27 从理论数学家到 AI 研究员
21:22 谷歌大脑的经历与法国终身教职的“十年假”
22:38 Transformer 论文诞生故事：多方思想的汇聚
23:17 “注意力机制”：深度学习中的“对齐”概念
24:14 Transformer 的核心创新：自注意力机制与工程挑战
25:11 早期质疑：一个模型处理多个任务的“不可能”设想
26:10 从谷歌到 OpenAI：小团队与大公司的文化差异
27:51 OpenAI 内部研究团队的组织方式与 GPU 资源分配
预训练的未来与经济考量
29:35 预训练在科学层面已达 S 曲线顶端，但仍可平稳扩展
30:09 经济因素影响：从“最大模型”到“更小、更便宜的模型”
31:19 “蒸馏”技术：将大模型知识传授给小模型
32:24 GPU 投资与“预训练复兴”
模型可解释性与 GPT 5.1
33:15 模型可解释性：在理解与黑箱之间取得平衡
35:10 GPT 5 到 5.1 的演进：推理、强化学习与后训练的结合
36:18 后训练：提升模型的安全、友好与减少“幻觉”
37:31 GPT 5.1 的风格选择与强化学习
38:42 模型命名方式的转变：从技术对齐到能力导向
推理深度与泛化挑战
40:40 用户引导思考时间：更多思考带来更强能力
41:14 推理模型的“参差不齐”：在某些领域惊人，在邻近领域挣扎
41:57 案例：五岁小孩的数学题难倒顶尖 AI 模型
43:25 多模态与泛化能力：AI 发展的核心挑战
AI 的未来展望
45:07 Transformer 之外的架构探索：ARC 挑战、Yann LeCun 的 JEPA
47:52 Codex 的潜力：成为 AI 研究员的“AI 实习生”
48:06 Codex Max 与长上下文、压缩技术
51:18 AI 对人类工作的影响：以翻译行业为例
53:13 信任问题：AI 自动化与人类审核的必要性
54:12 机器人技术：通用强化学习与多模态的终极应用
55:18 人类对新技术的惊人适应速度
🌟 精彩内容
💡 AI 发展：平滑的指数级增长
Łukasz Kaiser 驳斥了“AI 发展放缓”的论调，他指出 AI 能力正以摩尔定律般的指数级速度平稳增长，这得益于新发展、计算能力提升和工程实践。推理模型的出现是继 Transformer 之后的又一重大转折点，正处于 S 型曲线的下半段，以惊人的效率解锁前所未有的能力。
“如果你审视人工智能的进展，会发现它的能力一直是在平稳地指数级增长。这才是 overarching 的大趋势，从来没有什么迹象让我，至少是我和实验室的同事们，相信这个趋势会停止。”
🧠 推理模型：AI 的新范式
Łukasz 详细解释了推理模型的核心机制：它们在给出答案前会进行“思考”（思维链），并被允许使用工具（如网页搜索）。这种思考过程通过强化学习进行训练，而非传统的梯度下降。推理模型在科学和编程等可验证领域表现出色，但由于多模态能力和泛化性仍有待提升，在某些看似简单的任务上仍显“参差不齐”。
“推理模型就像你的基础大语言模型，但在给出答案之前，它会先进行思考，也就是人们所说的‘思维链’……你想要告诉模型：‘你应该好好思考，你的思考方式要能导向一个好的答案’。”
📜 Transformer 诞生与早期质疑
作为 Transformer 论文的共同发明人，Łukasz 回顾了这一划时代架构的诞生故事。他强调 Transformer 是多方思想汇聚的成果，其核心创新是自注意力机制。他分享了早期业界对“一个模型处理多个任务”这一想法的普遍质疑，以及当时如何未曾预料到 Transformer 能在短短五年内发展成为如今的聊天机器人。
“你从来不会用同一个模型去做三个不同的任务。你干嘛要写 API 来让一个模型处理多个任务？” 我就说：“不不，我们将来要用一个模型做所有任务。” 然后他们就说：“不可能的。”
🚀 GPT 5.1：后训练与经济考量
Łukasz 解释了 GPT 5 到 5.1 的演进，主要得益于推理能力的提升、强化学习的应用以及大量的“后训练”。随着 ChatGPT 用户规模的爆炸式增长，OpenAI 不仅要追求模型性能，更要考虑经济效益，这促使他们重新审视“蒸馏”技术，以训练出更小、更便宜但质量相当的模型。
“纯粹从经济角度考虑，你需要更小的模型。这当然也发生在所有实验室身上，因为一旦经济因素介入，产品化了，你就必须比以前更仔细地考虑价格。”
🤖 AI 的未来：泛化、机器人与信任
Łukasz 展望了 AI 的未来，他认为通用强化学习和机器人技术是令人兴奋的研究方向。他指出，AI 最大的挑战在于泛化能力，即模型能否像人类一样，用少量数据学习并举一反三。他以翻译行业为例，说明即使 AI 能力强大，人类的信任和审核仍不可或缺，人类工作不会消失，但形式将发生巨大变化。
“我相信推理确实能提升泛化能力，但现在我们只在非常狭窄的领域训练它，所以可能还为时过早。但我认为整个人工智能领域最大的问题是，推理本身是否足以提升泛化能力。”
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight