凌晨的發(fā)布會上，OpenAI展示了新一代大模型GPT-4o，令一眾同行如坐針氈。然而，一向喜歡整個大新聞的奧特曼，這次卻沒有親自上陣，而是將聚光燈留給了首席技術(shù)官米拉·穆拉蒂（Mira Murati）。

Mira Murati

和首席科學家伊利亞一樣，米拉也是位典型的技術(shù)精英：

她曾在達特茅斯學院學習機械工程，并在法國航空公司Zodiac Aerospace擔任過高級工程師。后來，米拉又加入了特斯拉，領(lǐng)導了Model X電機系統(tǒng)的開發(fā)。在這過程中，米拉開始接觸自動駕駛，對人工智能的興趣與日俱增[1]。

最終，她被奧特曼招至麾下。

人工智能的競爭，永遠延續(xù)著這樣一條規(guī)律：人才第一，數(shù)據(jù)第二，算力第三。OpenAI的高層，清一色都是米拉這樣的技術(shù)精英。如此龐大的人才軍火庫，才是OpenAI遙遙領(lǐng)先的秘密。

然而，OpenAI的“軍火庫”中，不僅有傳統(tǒng)技術(shù)精英，還有更多“非常規(guī)天才”。

例如GPT-4o的多模態(tài)負責人Prafulla Dhariwal，實際只有本科學歷。

而Sora的論文作者中，還有一位研究員，僅有高中畢業(yè)證。他17歲開始學習寫代碼，今年剛滿21歲，臉上還殘留著青春痘的痕跡[2]。

“高中生研究員”Will DePue

連OpenAI曾經(jīng)的技術(shù)主管Christopher Olah，都沒正經(jīng)念過幾天書。他領(lǐng)英主頁的教育經(jīng)歷一欄，赫然寫著“University of Real Life Experience（真實生活經(jīng)歷大學）”。

很顯然，對于何謂“科研人才”，OpenAI有自己的理解。

人才軍火庫

我們翻了大量簡歷后發(fā)現(xiàn)，OpenAI的人才招募，有兩個顯著的特征，即“兩不看”：

一是不看學歷。在大型研究機構(gòu)當中，博士學歷通常都是求職的敲門磚。

楊立昆曾提及，Meta將研究崗分成兩類：基本只有博士學歷的人，才有機會擔任研究科學家（Research Scientists），剩下的都是研究工程師（Research Engineers），逼格直接掉了一個檔次[4]。

但OpenAI沒那么多講究。

例如創(chuàng)造了文生圖模型DALL·E的印度小哥Aditya Ramesh，只有紐約大學的學士學位。印度小哥其實有繼續(xù)深造的打算，但架不住OpenAI一直催他早點入職。

Aditya Ramesh

前面提到的“高中生研究員”Will DePue，更為極端。

他高中時心思就不在念書上，創(chuàng)業(yè)做了家數(shù)據(jù)分析公司。公司被收購后，他又跑去美國的民間激進組織中，做了7個月的志愿者。因此，Will DePue求職OpenAI時，根本拿不出一份像模像樣的簡歷。

去年2月，智譜研究曾統(tǒng)計過ChatGPT團隊的學歷分布，發(fā)現(xiàn)本科、碩士、博士的人數(shù)竟然持平，占比分別為33%、30%、37%[5]。

二是不看資歷。OpenAI非常敢于讓新人挑大梁。

Aditya Ramesh在研究DALL·E時，其實轉(zhuǎn)正沒多久。如今，這位僅有6、7年工作經(jīng)歷的印度年輕人，已經(jīng)先后在DALL·E 2、DALL·E 3、GPT-4，以及Sora的論文中，留下了自己的名字。

這一度令印度媒體極其興奮，“DALL·E原來是印度血統(tǒng)”[7]。

而在Sora團隊，這個現(xiàn)象更明顯。主導該項目的研究員叫Bill Peebles，2023年才博士畢業(yè)，徹頭徹尾的應(yīng)屆生。

Bill Peebles

當然，OpenAI內(nèi)部也有不少傳統(tǒng)意義上的超級精英。

例如Sora的另一位主導者Tim Brooks，雖年輕，卻資歷頗深。他的老師Alyosha Efros是計算機視覺領(lǐng)域的泰斗，自己也曾在谷歌、英偉達等大廠，從事過人工智能研究。而以奧特曼為首的管理層，其履歷多是清一色的硅谷大廠。

OpenAI通常會讓少數(shù)超級精英，帶著年輕且才華橫溢的技術(shù)天才們，一同搞科研。

某種意義上，OpenAI的生活，確實很符合世俗對于極客天才的浪漫想象。

然而，現(xiàn)實畢竟不是一部勵志電影，“天才”二字并不會刻在應(yīng)聘者的臉上；選擇了“兩不看”的OpenAI，究竟靠什么招人？

OpenAI的哲學

實際上，OpenAI的招聘向來以嚴苛著稱。2017年時，曾有人在海外論壇Reddit上，分享過OpenAI的面試經(jīng)歷：

在通過初步篩選后，他先后經(jīng)歷了4輪面試，其中包括1次演講、2次研究面試，以及1次編程面試，堪比過五關(guān)斬六將。并且，2次研究面試的方向還不一樣，一次考察技術(shù)知識儲備，另一次則側(cè)重哲學探討，要求應(yīng)聘者分享對人工智能技術(shù)演進的思考[8]。

在美國招聘網(wǎng)站Glassdoor上，近一半的人都對求職經(jīng)歷給出了負面評價。

因為OpenAI的面試流程極長，且面試官總愛出一些怪招。去年年初，OpenAI人力副總裁Diane Yoon，公開解釋了這么做的原因：

OpenAI更側(cè)重考察“解決問題的能力”。

她提到，OpenAI雖是一家研究機構(gòu)，但行事風格并不掉書袋。OpenAI認為，研究的目的是解決現(xiàn)實問題，并鼓勵研究員嘗試最簡單的方式，而不是盲目追求學術(shù)創(chuàng)新，因為前者通常更有效。

OpenAI的許多成果，都是這一文化的延續(xù)。

例如震撼世界的Sora，更多是改良并發(fā)揚了谷歌提出的技術(shù)路線。去年，Sora的基礎(chǔ)論文《Scalable diffusion models with transformers》，甚至因“缺乏創(chuàng)新”而被頂級人工智能學術(shù)會議CVPR拒收。

剛剛發(fā)布的GPT-4o亦是如此。OpenAI并沒有做什么學術(shù)創(chuàng)新，只是借助強大的工程能力，將科幻電影中能夠自由交談的AI，變成了現(xiàn)實。

然而，這種解決問題的能力，并不會直接體現(xiàn)在簡歷上。因此，OpenAI設(shè)計了很多套路。Diane Yoon舉例說道，她經(jīng)常會要求應(yīng)聘者提供，曾做過“有影響力的工作”，目的是觀察應(yīng)聘者是否具備解決問題、推動創(chuàng)新的意識[9]。

這種做法其實并不罕見，很多科技公司都有非常獨特的“招人姿勢”。

《喬布斯傳》中曾記載，早年的蘋果從來不招“老實人”。喬布斯經(jīng)常會問一些稀奇古怪的問題，來考驗應(yīng)聘者是否有幽默感與叛逆精神。有時，喬布斯甚至會在面試中捉弄對方，問他“是不是處”“嗑過幾次藥”[10]。

因為招的“瘋子”越多，做出來的創(chuàng)新就越“野”。

盡管乖僻套路層出不窮，并不妨礙OpenAI將最優(yōu)秀的技術(shù)天才們搜刮殆盡。例如前文提到的印度小哥Aditya Ramesh，當年曾是楊立昆的學生，在Meta做過一些研究。然而，他最終還是給導師發(fā)了“好人卡”。

因為對志在搞科研的人來說，OpenAI這個組織，可謂天生媚骨。

宏大敘事的魅力

OpenAI的身上，剛好有一種奧本海默式理想主義。

奧本海默既親手加速了核武器誕生，同時也極力反對濫用核武器。

奧特曼創(chuàng)辦OpenAI的初衷，同樣是擔心人工智能被科技巨頭濫用，危害人類。因此，他們設(shè)立了一間不受大型科技公司控制，且非盈利的實驗室，作為制衡。

奧特曼一直認為，推動這么一個看似瘋狂、不切實際的想法，其實并不困難，“因為人們會覺得這太酷了，并主動投身進來提供幫助。”實際走向也正如他所料。

OpenAI成立于2015年末，起步其實相當晚。彼時，谷歌、Facebook等科技巨頭早已將AI人才瓜分殆盡。然而，憑借浪漫的公司理念，OpenAI還是成功挖角來了伊利亞等頂級學術(shù)大牛。

當時，谷歌給伊利亞開出了200萬美元的年薪，他再三思索，最終還是覺得“拯救人類”更重要。

2018年時，OpenAI發(fā)布了一份《公司憲章》，進一步明確了使命，即“確保通用人工智能造福全人類”。而在GPT-4o發(fā)布之后，奧特曼也不忘在公告中重畫一遍大餅。

奧本海默式理想主義如同一桿大旗，聚集了無數(shù)滿腔熱情的技術(shù)人才。

對于大多數(shù)普通人而言，人類福祉完全是個遙遙無期的話題，大家更在乎何時能漲工資、還完房貸。然而，眼下的這群技術(shù)天才，卻真的相信，自己正從事一份關(guān)乎人類未來的事業(yè)。

冰山之下

不過，浪漫主義的公司理念，只是OpenAI的華麗外衣；理想的種子能夠茁壯成長，是因為種在了堅實的土壤之上。

OpenAI的資深研究員中，有一位叫Li Jing的國人。

他本科畢業(yè)于北京大學，隨后選擇去麻省理工學院深造，拿到了博士學位。畢業(yè)之后，他獲得了在Meta從事博士后研究的機會，直接跟著圖靈獎獲得者楊立昆學習。在Meta科研了近3年之后，Li Jing又轉(zhuǎn)投了OpenAI。

事后來看，Li Jing的每一個選擇，幾乎都是職業(yè)生涯的最優(yōu)解。

而這些“最優(yōu)解”的結(jié)合，在美國構(gòu)建起一臺龐大的“人才造血機器”。從學術(shù)到產(chǎn)業(yè)，美國提供了完整的一條龍式服務(wù)：

在伯克利、MIT等高校的教學一線，活躍著大批聲名顯赫的泰斗級人物，包括前文提到過的大牛Alyosha Efros，以及ResNets的開發(fā)者何愷明。

這些頂尖高校的教授，又多大與產(chǎn)業(yè)界關(guān)系密切，足以“工作包分配”。紐約大學的楊立昆最為典型，他的學生基本都在Meta工作過。

而人工智能領(lǐng)域的頂級學術(shù)會議，也基本都是由美國組織舉辦。例如計算機視覺領(lǐng)域的CVPR（國際計算機視覺與模式識別會議）、ICCV（國際計算機視覺會議），其舉辦者都是總部位于紐約的電氣電子工程師協(xié)會（IEEE）。

當大批年輕人立志計算機事業(yè)，準備大展宏圖時，往往會驚訝地發(fā)現(xiàn)，美國早已在科研的軌道上，鋪設(shè)了一個又一個金碧輝煌的補給站。

當他們厭倦了荒野獨行，難免會掉轉(zhuǎn)車頭駛向另一條軌道。

因此，我們大可不必苛責那些赴美的研究員。

憑借著強大的產(chǎn)業(yè)基礎(chǔ)，美國匯聚了全球最多的計算機人才。

智庫機構(gòu)MacroPolo曾做過統(tǒng)計，他們將NeurIPS接收過論文的研究員，定義為“頂級AI研究員”，發(fā)現(xiàn)：截止至2022年，57%的頂級AI研究員都在美國工作；相比之下，排名第二的中國只占12%。

當然，咱已經(jīng)進步很快了——2019年時，中國在“其他”這一欄。

然而，如果按國籍劃分，會發(fā)現(xiàn)美國籍的頂級研究員其實只有28%[12]。不斷涌入的中國人、印度人、歐洲人，構(gòu)成了美國人工智能的半壁江山。

因此，對美國之外的追趕者而言，OpenAI的理想主義故事，很難說有多少啟示。

尾聲

2020年，OpenAI時任技術(shù)主管奧拉（Christopher Olah），分享了一篇博客。在計算機科學家的圈子里，奧拉算得上是個傳奇人物。他只有高中學歷，靠著自學與大佬指點，就成功闖出一番事業(yè)。

在這篇題為“我需要上大學嗎”的博客中，奧拉分享了他自學人工智能的方式[13]：積極旁聽教授課程、參與學術(shù)會議、參觀實驗室等等。

在美國，這些學術(shù)資源面向所有人公開。過程中，奧拉幸運地認識了一位量子物理學家，并在他的指導下完成了第一篇論文。

后來，他又獲得了“深度學習泰斗”約書亞·本吉奧的賞識，一度想把他招進大學。

在此期間，奧拉還獲得了一筆10萬美金的經(jīng)濟補貼，從而不必為現(xiàn)實問題分神。這筆錢來自蒂爾獎學金（Thiel Fellowship），它由彼得·蒂爾創(chuàng)辦，專門資助那些中途退學，且渴望從事科技行業(yè)的年輕人。

毫無疑問，奧拉的成功，既有個人努力的因素，但同樣也受益于一個更包容人才的環(huán)境。

這樣的環(huán)境，才是一個公司，以及經(jīng)濟體創(chuàng)新力的真正來源。

參考資料

[1] Where We Go From Here with OpenAI's Mira Murati，a16z

[2] Will Depue: 20 Year Old OpenAI Researcher Shares The Secret To Building Anything，THE DOCK with Omar Waseem

[3] Linkedin

[4] Yann LeCun，X

[5] ChatGPT團隊背景研究報告，智譜研究

[6] Two years after DALL-E debut, its inventor is “surprised” by impact，VentureBeat

[7] Aditya Ramesh: The Inventor Of AI Text-To-Visual Tool Dall-E Has Indian Origins，HomeGrown

[8] What is the job interview process like at OpenAI，Reddit

[9] So you want to work at OpenAI? Here’s what it takes，F(xiàn)astCompany

[10] 史蒂夫·喬布斯傳，沃爾特·艾薩克森

[11] 深度學習革命，凱德·梅茨

[12] The Global AI Talent Tracker 2.0，MacroPolo

[13] Do I Need to Go to University?

編輯：李墨天

視覺設(shè)計：疏睿

制圖：疏睿

責任編輯：李墨天

封面圖片來自ShotDeck