撰文：Techub News 整理
导语
在由芯片设计巨头 ARM 制作的最新一期播客节目《Tech Unheard》中，ARM 首席执行官 Rene Haas（雷内·哈斯）与 OpenAI 首席研究官 Mark Chen（马克·陈）进行了一场深度对话。作为 OpenAI 研究团队的掌舵人，Mark Chen 领导了包括 DALL·E、Codex 以及 GPT-4 视觉能力在内的多项突破性项目。此次对话正值 OpenAI 接连发布 o1 推理模型、GPT-4o 多模态模型等重磅更新之际，Mark Chen 的分享为我们理解这家全球领先 AI 公司的技术哲学、当前挑战与未来图景，提供了来自核心决策者的一手视角。
摘要
- 从金融到 AI：Mark Chen 认为，量化交易的严谨实验方法论，为他在 OpenAI 的早期科学研究奠定了坚实基础。
- Transformer 的统治力：Transformer 架构因其简洁性与表达能力的完美平衡，短期内难以被取代，行业正围绕其进行全栈协同设计。
- 多模态是数据与智能的钥匙：将图像、音频、视频视为另一种“语言”统一训练，是解锁海量非文本数据中智能的关键，并催生了如 DALL·E、GPT-4o 等成果。
- 推理是通往专业领域的桥梁：o1 等推理模型通过提升数据利用效率，让 AI 能在数据相对稀缺的领域（如药物发现、芯片设计）发挥巨大潜力。
- 智能体（Agent）与具身智能是未来：以 OpenAI 的“Operator”为代表的计算机使用智能体，是迈向通用“数字助手”的第一步，最终将延伸至机器人领域，实现 AI 在物理世界的“具身化”。
从量化交易到 AI 前沿：一段非典型的职业旅程
Mark Chen（马克·陈）的职业生涯始于一个与 AI 看似无关的领域——金融量化交易。在麻省理工学院（MIT）攻读数学与计算机科学后，他因一次偶然的实习机会进入了华尔街，先后在对冲基金和高频交易公司工作了五到六年。这段经历塑造了他对“模型”的独特认知。
他坦言，金融世界提供了一个无可辩驳的硬性评估标准：模型能否赚钱。这种环境迫使从业者必须保持极度的严谨、诚实和实验上的原则性。“我认为这其中很多方法论都延续到了我们在 OpenAI 早期的科学研究中。”Mark Chen 表示。这种从高度务实、结果导向的金融战场中磨练出的方法论，成为他后来投身于更抽象、更前沿的 AI 基础研究时，一份宝贵的财富。
然而，驱动他做出职业转变的，是对“影响力”的追求和对技术变革的敏锐感知。他感到金融行业的竞争格局相对固化，参与者与目标长期不变，缺乏改变外部世界的满足感。与此同时，DeepMind 的 AlphaGo 在围棋上战胜人类冠军，给他带来了巨大的震撼与启发，混合着兴奋与不安。这促使他开始自学强化学习，训练 AI 玩雅达利游戏，并最终被这个快速演进、充满无限可能的领域深深吸引。
2018 年，Mark Chen 以“研究员”（Resident，一种面向非 PhD 背景人才的培养项目）身份加入 OpenAI。当时的 OpenAI 还是一个规模小得多的非营利组织，其“确保通用人工智能（AGI）造福全人类”的使命，与 Mark Chen 希望从“物质主义”的金融世界转向具有深远影响事业的内心诉求不谋而合。他特别提到，OpenAI 的联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克弗）当年愿意在他身上“下注”，并亲自指导他机器学习，是他职业生涯的关键转折点。
Transformer、多模态与涌现：AI 能力跃迁的驱动力
回顾过去七年的 AI 发展，Mark Chen 用“ simultaneously true”（同时成立）来形容两种感受：既对已取得的进展感到惊讶，又深知前方仍有漫漫长路。他指出，研究者们可以基于“困惑度”（perplexity）等指标预测模型在 scaling（规模扩展）后的性能提升，但无法提前预知哪些具体的“涌现能力”（emergent capabilities）会随之出现。
“当我们在 GPT-2 达到某个困惑度水平时，并不明显这意味着模型能写出连贯的段落。到了 GPT-3，也不清楚那个水平的困惑度会带来上下文学习（in-context learning）的能力。而 GPT-4 则能够轻松通过各种大学水平的考试。”这种从量变到质变、不断解锁新能力的进程，是 AI 研究最令人振奋之处。
当被问及进步主要源于算法突破还是算力堆砌时，Mark Chen 引用了相关研究，认为算法洞察和效率改进的贡献略高于纯粹的计算规模增长。他以 Transformer 架构本身为例，指出其并非一成不变，而是在注意力机制（如因子化注意力）、归一化方式、模型宽深比等方面经历了持续的优化与演进。这些细微但关键的“算法体操”，共同推动了效率的提升。
对于 Transformer 是否会被取代的问题，Mark Chen 认为其简洁性与强大表达能力的平衡近乎完美，使其在可预见的未来仍将占据主导。更重要的是，整个技术栈——从芯片设计到软件库——都已围绕 Transformer 进行深度协同优化，这为任何潜在的替代架构设立了极高的进入壁垒。
作为多模态研究的先驱之一，Mark Chen 对统一架构的价值深信不疑。他早期领导的“Image GPT”项目证明了可以用训练文本 Transformer 的相同架构来生成图像，只需将像素视为一种特殊的词汇表。这项工作为后来的 DALL·E 铺平了道路，其核心思想在于：要实现用文本精确控制图像生成，最自然的方式就是让文本和图像在同一个模型中共生共长。
这一理念在 GPT-4o 上达到了新的高度。该模型将文本、图像、音频、视频数据“一视同仁”地投入同一个模型进行训练，从而实现了高度统一的多模态理解和生成能力。Mark Chen 强调，多模态不仅仅是功能的叠加，更是解锁海量非文本数据中蕴藏智能的关键，它能将训练数据集扩大数个数量级。
推理、创造与产业赋能：AI 的下一站
当讨论转向 AI 在药物研发、芯片设计等专业领域的应用时，Mark Chen 指出了核心挑战：这些垂直领域没有互联网规模的庞大数据。这正是 OpenAI 大力投入“推理”（reasoning）研究的原因。以 o1 为代表的推理模型，其价值在于能够更高效地利用有限的数据进行学习，从而在数据稀缺的领域达到高专业水平。
“我们已经看到模型在数学和计算机科学领域表现得非常出色。很多这类技术可以适配到像药物发现这样的领域。”他认为，AI 将成为专业人士的强大杠杆，可能将他们的生产力提升两到三倍，从而服务更多需求，尽管这可能降低单项服务的成本，但潜在的市场需求在更低的成本下可能会被激发。
关于 AI 的“创造性”，Mark Chen 持乐观态度。他分享了一个观察：在参与一些世界上最难的算法竞赛时，这些模型常常能在“反模式”问题上给出超乎预期的、富有创造性的解决方案。他提出一个有趣的观点：或许人类许多所谓的“发明”，其“插值”（interpolation）的成分比我们想象的要高——即巧妙连接不同领域的已知模式。AI 已经具备了对人类审美和兴趣的潜在感知，关键在于如何引导它利用这种感知提出有趣的假设。
对于通用人工智能（AGI）的定义，Mark Chen 赞同一种观点：真正的 AGI 应具备像人类一样，在没有接触全部数据的情况下，通过推理和学习探索未知路径的能力。而当前 AI 向更数据高效算法的演进，正是朝着这个方向前进。
智能体、具身智能与未来人机交互
展望未来，Mark Chen 认为当前行业发展的瓶颈并非 GPU 等硬件算力，而是研究人员和创意的数量。这是一个研究思路爆发的黄金时期。他期望未来 AI 模型能反过来帮助自动化研究过程，加速这一循环。
他着重强调了两个关键方向：智能体（Agent）和具身智能（Embodiment）。OpenAI 2025 年 6 月推出的“Operator”就是一个计算机使用智能体，它能理解屏幕内容，并通过模拟键盘鼠标操作来完成任务。Mark Chen 将其视为通往未来人机交互的接口。“你可以把它想象成你的数字工作或数字生活的一个接口。”
这一概念的终极延伸是机器人技术。“本质上，你是在为机器人构建一个 AI 大脑，使其能够在现实世界中行动。” 这就是“具身智能”的内涵。他预见，硬件的发展速度可能会成为这一领域的瓶颈。
Mark Chen 描绘了一个由智能体主导的未来世界：应用程序和操作系统可能退居幕后，用户只需与一个统一的智能体交互，它便能理解上下文，无缝调用所有数字服务和物理设备。“我绝对希望生活在一个只需向智能体查询所有所需信息的世界，所有复杂性都被隐藏在这一层之下。” 他借用电影《回到未来2》中的场景来类比——设备能根据人的移动和情境自动提供相应服务，而这一切都由背后一个统一的云端 AI 模型驱动。
在访谈的最后，Mark Chen 表达了对身处这个时代和 OpenAI 的感激与兴奋。每一天，他都在见证并参与塑造一场堪比从 PC 到互联网再到移动手机的技术范式转移。对于所有关注 AI 未来的人而言，这场对话清晰地指出：前沿已从单纯的语言模型，拓展至更深刻的推理、与物理世界融合的具身智能，以及彻底重塑我们与数字世界交互方式的智能体革命。
