撰文：Techub News 整理

导语

本期对话来自 OpenAI 官方播客，主持人 Andrew Main 邀请到公司首席科学家 Jakub Pachocki（雅库布·帕乔茨基）与研究科学家 Simon Gdor。作为 OpenAI 研究路线图的核心规划者与深度参与者，他们从技术内部视角，剖析了人工智能领域最根本的问题：我们如何定义和度量智能的进步？AGI（通用人工智能）究竟离我们还有多远？2025 年 8 月如模型在国际数学奥林匹克竞赛（IMO）中获得金牌等突破性进展，又意味着什么？这场对话不仅是对技术现状的梳理，更是对研发哲学、未来突破方向乃至社会影响的深度思考。

摘要

度量困境：传统标准化测试已接近“饱和”，模型性能匹配甚至超越人类，需要寻找更能体现实用价值与泛化能力的新评估方式。
突破性进展：IMO 金牌、编程竞赛等成就标志着模型在复杂推理和创造性解决问题方面取得质的飞跃，其意义在于“纯粹推理”而非依赖工具。
AGI 路径与未来：AGI 的核心目标之一是“自动化研究”，即 AI 能自主发现新知识、创造新技术，这将极大加速科技进步，但同时也带来巨大的技术与社会挑战。
发展速度认知：行业内部感受到的进步速度远超外界感知，短期（如几周内）无新纪录不代表遇到瓶颈，长期趋势是指数级的。
对学习者的建议：编程（或更广义的复杂问题分解能力）在未来依然极具价值，理解系统原理能让人更好地驾驭 AI 工具。

从学校到 OpenAI：兴趣的起源与传承

Jakub Pachocki（雅库布·帕乔茨基）与 Simon Gdor 的友谊始于波兰的同一所学校。他们回忆，一位名叫 Richard Ssrtovsky 的计算机科学老师对他们产生了深远影响。这位老师拥有丰富的程序员从业经验，特别注重编程竞赛和对卓越的追求，将图论、矩阵等远超普通学校课程的内容带入课堂。

Jakub Pachocki（雅库布·帕乔茨基）认为，如今像 ChatGPT 这样的工具，或许能让更多人更容易地进行类似的深度探索。他举例自己会用 ChatGPT 创建“蒙提霍尔问题”（三门问题）的交互式版本来辅助理解。这种动态、多媒体的解释方式，展现了 AI 超越文本解释、创造新型学习材料的潜力。但他也强调，优秀的老师提供的不仅是知识，还有情感支持和持续互动，这是当前 AI 难以完全替代的。

如今，Jakub Pachocki（雅库布·帕乔茨基）作为 OpenAI 的首席科学家（Chief Scientist），主要负责制定公司的研究路线图，决定技术路径的聚焦方向与长期研究规划。而 Simon Gdor 则以研究科学家的身份，从事着多样化的前沿探索工作。

定义与度量 AGI：从抽象概念到具体里程碑

当被问及如何向普通人解释 AGI 时，Jakub Pachocki（雅库布·帕乔茨基）没有给出一个僵化的定义，而是从能力的演进谈起。几年前，深度学习虽然前景广阔，但 AGI 仍显得抽象而遥远。如今，AI 已能在广泛话题上进行自然交流、解决数学问题、甚至进行研究。他意识到，人类的智能——沟通、解题、研究——看似一体，但随着技术进步，我们发现这些其实是不同的能力模块。

度量进展正变得越来越困难。 Jakub Pachocki（雅库布·帕乔茨基）指出，过去通过 GPT-1 到 GPT-4 的缩放范式，标准化测试能有效衡量发展水平。但现在模型性能在许多测试上已接近或达到人类天花板，出现了“饱和”现象。同时，针对特定技能（如数学）的专项训练可以使模型在相关测试上表现出色，但这并不等同于其通用智能在其他领域同样强大。因此，仅凭测试分数来评判模型的“好坏”已经失效，我们需要更关注其实际效用和解决新问题的能力。

那么，什么才是有效的里程碑？国际数学奥林匹克竞赛（IMO）金牌被他们视为一个重要标志。 Jakub Pachocki（雅库布·帕乔茨基）解释，IMO 问题不要求大量先验知识，但极度考验在一两小时内深入思考、创造性解决问题的能力。赢得金牌意味着模型能纯粹通过推理（不使用计算器或其他工具）解决需要高度创造力的数学问题。特别是其中的“第6题”，通常需要跳出框框的思维，解决它被认为是更具挑战性的成就。Simon Gdor 补充了一个有趣细节：他们的模型在遇到无法解决的问题时，能够“自知之明”地识别出自己尚未取得进展，而不是强行给出错误答案（即“幻觉”），这种对自身认知边界的判断本身就是一个显著的进步。

除了数学，编程竞赛也是关键基准。他们提到了一个在日本举办、向全球开放的著名算法竞赛（Otkar）。在该竞赛中，他们的模型在10小时的赛程里与人类顶尖选手同台竞技，最终获得第二名。Simon Gdor 分享了一个花絮：赢得比赛的人类选手在赛后疲惫地感叹AI模型“真的很糟糕”，因为他不得不与之激烈竞争到最后一刻。这些在高度专业化、公认困难的领域达到人类顶尖水平的成就，为衡量AI的推理和问题解决能力提供了 concrete 的标尺。

惊人的进步速度与“自动化研究”的愿景

Simon Gdor 对外界有时低估 AI 进展速度感到诧异。他以亲身经历回顾：大约10年前，基于深度学习的自然语言处理效果还很差，连“电影不坏”这种句子都会被错误判断情感。从 GPT-1、GPT-2 生成有意义的段落，到 GPT-3、GPT-4 成为能带来惊喜的“个人AI”，再到如今模型能参与高难度编程竞赛，从内部视角看，进步是“令人震惊”的指数级增长。 他认为，如果10年前的进步可量化为0.0X%，那么现在谈论个位数的经济影响百分比是低估了潜力，未来几年这个数字可能会迅速攀升至10%、20%甚至更高。这类似于互联网早期，其巨大影响并未立即体现在宏观经济数据中。

对于 OpenAI 的研究方向，Jakub Pachocki（雅库布·帕乔茨基）明确指出，公司的目标是创造通用人工智能（AGI）。而他们聚焦的一个核心愿景是“自动化研究”。他畅想，未来会出现一个高度自动化的、由AI驱动的“研究员”或团队。它能够与人类交互、吸收信息、运行实验、发展新技术、编写代码、推进项目，从而“从根本上加速技术进步”。这并非将AI应用于某个特定领域，而是利用其通用性来探索和创造。他认为，尽管在医学等需要深度专业知识和推理的领域已看到鼓舞人心的成果，但真正革命性的发现和进步潜力在于“通用性”。

实现这一愿景需要模型具备在重要问题上进行长时间、持续性思考和计算的能力。Jakub Pachocki（雅库布·帕乔茨基）预测，下一个突破方向可能包括大幅扩展模型的规划与推理“视野”，即让模型能够为了一个至关重要的复杂问题（如医学研究、下一代模型开发）投入比当前多得多的计算资源和持续思考时间。从 GPT-4 到未来模型，用于每次回答的计算量可能会有数量级的增长，以换取更优质的结果。

未来展望：交互、信任与对新一代的建议

谈到未来几年普通用户与 AI 交互的体验，Jakub Pachocki（雅库布·帕乔茨基）重申了自动化研究将带来的宏观影响。Simon Gdor 则更关注交互界面本身，他认为随着 AI 变得更加稳健，能够以更多样化的形式（文本、语音等）表达，人与 AI 之间的“联结感”可能会增强，这将成为重要的社会讨论话题。

信任与安全是伴随能力增长的核心挑战。 Simon Gdor 以自己允许 AI 读取 Gmail 日历来举例，说明用户对模型的信任度正在提高。但他也清醒地指出，目前还没有达到可以完全信任模型、确保其不会被滥用的可靠性水平。在巨大的经济价值与个人数据访问权限之间，存在着严峻的权衡，这需要专业人士持续努力解决。

最后，对于今天的年轻人（尤其是高中生），两位科学家给出了诚恳的建议。Jakub Pachocki（雅库布·帕乔茨基）强烈建议学习编程，或者更准确地说，是培养“将复杂问题分解成小块”的能力。他认为，即使未来 AI 能写代码，理解系统如何运作、掌握问题分解的思维模式，将使人在驾驭 AI 时占据优势。这就像飞行员仍需理解空气动力学一样。他驳斥了“无需学编程”的论调，认为这短视且不合理。

Simon Gdor 则鼓励年轻人“敢于梦想，并付诸行动去改变世界”。他分享了自己从波兰到美国硅谷的旅程，发现许多自我设定的限制其实并不存在。他深受 Paul Graham《黑客与画家》一书的影响，而 Jakub Pachocki（雅库布·帕乔茨基）则幽默地承认《钢铁侠》电影曾激发他对机器人技术的兴趣，尽管后来发现现实与电影差距巨大，并最终转向了深度学习。两人都认为，AlphaGo 的出现是一个转折点，它展示了自我学习系统的强大潜力，并持续激励着他们的工作。

对话在轻松的氛围中结束，但留下的思考是深远的：我们正站在一个技术进步可能重新定义“创新”本身的门槛上，如何度量、引导并负责任地发展这种力量，是摆在整个行业与社会面前的共同课题。