Open，AI元老放话：2015年就能做出ChatGPT效果，靠的不是算力

说句实在话，AI圈最近几年太热闹了！

模型越堆越大，公司越融越多，但真正能“造出ChatGPT”的人，其实没几个。

而John Schulman，就是那个亲手把ChatGPT从实验室带到你手机里的人。

如今他离开OpenAI、又离开Anthropic，转身创办Thinking Machines Lab，到底在下一盘什么棋？

咱们很多人以为，ChatGPT之所以聪明，是因为它用了上万亿参数、烧了几亿美元算力。

但John Schulman直接“泼冷水”：“就算回到2015年，只要有今天的认知，我们也能用GPT-2级别的模型做出类似ChatGPT的效果。”

这话听着玄乎，其实核心就一点：预训练只是打底，后训练才是点睛之笔。

过去行业迷信“大力出奇迹”，拼命堆数据、扩模型。

可Schulman团队早就发现，通过高质量的监督微调（SFT）和人类反馈强化学习（RLHF），一个中等规模模型完全可以表现出远超其参数量的“智能感”。

比如，用精心构造的对话数据微调GPT-2，它就能像聊天助手一样回应用户，而不是胡乱生成网页片段。

认知差，比算力差更致命。

现在回头看，OpenAI早期的成功，不是因为硬件多强，而是因为他们率先掌握了“如何让模型听话”的工程方法论。

而这一点，正是大多数后来者至今没摸透的。

2025年2月，Schulman正式加入由前OpenAI CTO米拉·穆拉蒂创立的Thinking Machines Lab，并出任首席科学家。

就在2026年初，这家低调的新创公司发布了首款产品——Tinker。

周叔查了官方资料，Tinker不是又一个大模型，而是一个专为大语言模型微调设计的高度可配置API平台。

它的目标很明确：把AI训练从“黑箱炼金术”变成“透明工程学”。

目前行业现状有多荒诞？开发者写一堆脚本，混杂各种数据，一按运行键，几十万美元就没了。

结果不好？没人知道是数据问题、损失函数问题，还是调度策略问题。

整个过程不可复现、不可调试、不可解释。

而Tinker要做的，就是引入“原语”（primitives）——就像编程里的基础指令一样，把训练流程拆解成可组合、可监控、可迭代的模块。

你可以精确控制每一批数据的分布、每一次梯度更新的逻辑，甚至能像调试代码一样回溯训练中的每一个决策点。

从另一个角度看，这其实是AI开发范式的迁移：从依赖天才研究员的直觉，转向依靠标准化工具链的工程效率。

正如Schulman所说：“今天我们缺的不是更大的模型，而是更聪明的训练方式。”

除了工具层面的革新，Schulman对技术趋势的判断也极具前瞻性。

他在多次访谈中强调：RLHF依赖人类标注，这条路快走到头了。

为什么？因为人类标注又贵又慢，而且认知天花板太低。

未来的突破，在于模型能自我评估、自我改进——就像AlphaZero不靠人类棋谱，自己下几百万盘棋就能超越所有人类。

下一代AI必须能在视觉、语言、动作等多模态原生空间里联合推理。

比如，看到一段视频，不仅能描述内容，还能理解物理规律、预测物体运动、甚至规划操作步骤。

而Thinking Machines Lab的Tinker平台，正是为这类复杂训练场景设计的。

它支持多阶段、多目标、多模态的联合微调，让研究者能快速实验“自进化”算法，而不被工程琐事拖垮。

说白了，未来的竞争不在模型大小，而在“训练智能”的深度。

John Schulman的转身，不只是一个人的职业选择，更是整个AI行业从“野蛮生长”迈向“精耕细作”的信号。

当算力红利见顶，真正的壁垒将回归到数据工程、训练机制与工具链效率。

对于创业者而言，与其追逐千亿参数的幻影，不如深耕垂直场景、打磨微调工艺。

因为AI的未来，属于会“调教”模型的人，而不只是会“堆”模型的人。