OpenAI到底做对了什么？OpenAI发展的5大技术路线
openai通过一系列在ai技术和产品上的突破，引爆了通用人工智能（agi）的发展，被微软ceo 萨提亚 · 纳德拉称为“堪比工业革命的技术浪潮”。openai趟出来的以大语言模型为主的agi技术路线，也基本上宣告了其他ai技术路线的终结，这样以一己之力改变整个领域航道的，在技术史上也是空前绝后。一个区区两三百人（在去年底推出chatgpt时，openai团队大约270人）的创业公司，何以在众多巨头逐鹿多年的ai竞技场一路披荆斩棘，摘得通用人工智能的圣杯？无论在硅谷，还是在国内，很多人都在问：
为什么agi这样史诗级的革命，背后的核心推手竟然是openai这样的创业公司？openai到底做对了什么？
我自从2016年开始一直追踪研究ai领域的产业发展，每年筹办全球机器学习技术大会（ml-summit）的工作原因，陆续和很多来自openai的专家、包括ilya sutskever（首席科学家）、lukasz kaiser（transformer共同发明人）、andrej karpathy（联合创始人）、ian goodfellow（gan之父）等经常接触和交流。很早就注意到了openai这个在ai领域特立独行的“异类”。
如果回看ai产业的发展历史，和openai历史道路上的诸多关键选择，我几乎惊叹地发现，作为一家创业公司，openai在每一次关键的岔路口上，都毫不犹豫地选择了“难而正确”的决定。回顾openai发展历史上这些“难而正确”的选择，我觉得对于我们今天很多ai领域的同行者会有重要的启发。
愿景和使命：剑指通用人工智能
「我们的目标是以造福全人类的方式推进人工智能。今天的ai系统虽然令人惊叹，但很多表现又不免差强人意。但在未来，ai极有可能在几乎所有智力任务上达到人类的表现。这项事业的结果是不确定的，工作是困难的，但我们相信我们的目标和结构是正确的。」
这段话是我摘抄自openai 在2015年12月刚成立不久创始团队发表的“愿景和使命”博客中的一段文字。八年后的今天读来，感受仍然是真诚和激荡的。
openai能够在2015年整个ai领域被各种迷雾笼罩的时候，就提出“通用人工智能”这一强大的“愿景和使命”，是建立在创始团队对人工智能的坚实信仰、深刻理解和现状研究基础之上的，我将这些合称为对通用人工智能的“愿力”。这样的“愿力”，帮助openai此后在人工智能的发展道路上一次次守正出奇。
“愿景和使命”在今天浮躁的创投圈，很容易被异化为“忽悠vc和给员工画饼”。但如果研究人类科技发展史，你会发现在一个领域提出强大的“愿景和使命”，是成为一个领域拓荒者的鲜明特征。反过来说，但凡革命性的事情，都有极大的难度，没有强大的“愿景和使命”指引，遇到困难就很容易放弃和溃散。因此，对于那些坚定信仰的创业者，我鼓励大家大声讲出你的“愿景和使命”。我也希望我们的创投界、媒体界对于创业者的“愿景和使命”要鼓励支持、而非奚落鞭挞。
我时常在想如果将时间拉回到2015年，如果30岁的sam altman和29岁的ilya sutskever这两位毛头小子在我们的某个创投活动上讲出上述“愿景和使命”，是不是会被一众“大佬”唾沫星子淹死？事实是openai在成立时就获得了大约1亿美金的捐赠，彼时openai还是以非赢利性组织的方式成立的。
技术路线一：无监督学习
openai刚成立不久，就在ilya sutskever的领导下下注“无监督学习”这条道路。熟悉ai研究领域的朋友都知道，今天这个看起来无比正确的决定，在2015-2016年，绝对不是那么显而易见。因为彼时的人工智能领域，通过标注数据方法的“监督学习”大行其道，在很多垂直领域比如推荐系统、机器视觉等，效果也更好。
而“无监督学习”在理论突破和工程技术上彼时都非常不成熟，效果也大打折扣，属于典型的“非主流”。但无需人工标注数据的“无监督学习”具有强大的普适性、且易扩展，通过大规模的数据预训练，模型就能学到数据中蕴涵的人类丰富的知识，从而在各类任务中大显身手。对于“通用人工智能”这一目标来说，“无监督学习”显然具有“任务的普适性”和依据海量数据进行快速“scale（扩展）”的能力。
今天来看，很多“监督学习”方法都被openai的“无监督学习”大幅甩开，但在当时选择“无监督学习”显然属于“难而正确”的决定，这样的关键道路选择和openai对agi的愿景是密不可分的。
技术路线二：生成式模型
当2016年，各种“识别”类任务（如视觉识别、语音识别等）大行其道时，openai在2016年6月发表《生成式模型（generative models）》中开篇就引用著名物理学家费曼的名言“what i cannot create, i do not understand. 如果不能创造，就无法理解”。也将openai的研究重心放在生成式任务上。
而彼时虽然有ian goodfellow 发明的gan（生成式对抗网络）的惊艳时刻，但它的不可解释性，以及相较于识别类任务的“有用”，总体上，主流的人工智能业界其实对于生成式模型的判断是“难度大，但用处不大”。
但通读《生成式模型（generative models）》文章中，可以看出openai团队对于生成式模型是“agi必经之路”的坚定，就能体会出openai团队卓尔不群、坚定自我的特质。
技术路线三：自然语言
虽然在2012年深度学习进入工业界成为主流方法之后，机器视觉很快成为更为成熟、效果更好、变现能力也更强的领域。虽然ilya sutskever也是通过alexnet参加imagenet大赛拔得头筹而在机器视觉领域一战成名，但openai在做了一些尝试之后并没有选择视觉作为主攻方向，而是选择了押注更难、更险的“自然语言”。
相对视觉、语音等领域，自然语言处理长期被认为是相对落后的领域，因为自然语言任务具有巨大的复杂性和解空间，很多方法在某一个单一任务上可以，但放到另一任务上就表现很差，起伏不定。业界也有说法，自然语言处理是人工智能领域的“圣杯”。
在尝试openai gym（开源强化学习平台）和openai five（使用强化学习打dota2游戏）的同时，openai在使用无监督学习来进行自然语言的任务上走的越来越远。特别是2017年通过生成式方式来预测 amazon 评论的下一个字符，取得了很棒的效果。
为什么openai选择押注自然语言？套用著名哲学家维特根斯坦“语言的边界就是世界的边界”。如果用ilya sutskever的话来说 “语言是世界的映射，gpt是语言的压缩”。就人类智能而言，自然语言是核心中的核心，而其他视觉、语音等都不过是自然语言的辅助佐料。
正是有了对自然语言通向agi道路信仰般的押注，等到2017年6月12日google的transformer奠基性论文《attention is all you need》一发布，用ilya sutskever的原话说论文发表的第二天，他看到论文后的第一反应是“就是它了”。transformer模型从理论上颠覆了前代rnn、lstm等自然语言处理方法，扫清了openai团队苦苦探索自然语言领域的一些关键障碍。
然而遗憾的是，transformer这一理论模型并没有在google内部得到足够的重视，反倒让openai团队如获至宝。这一幕像极了1979年乔布斯参观施乐parc研究院的alto电脑上的图形界面（gui）和鼠标后，回到苹果就开始押注图形界面并开启了轰轰烈烈的个人电脑时代，而施乐parc的领导层却迟迟看不到gui向普通大众释放的巨大计算潜力。而亲自打造transformer的七位共同发明人后来也陆续离开google，有的加入openai（包括我们2021年全球机器学习技术大会的keynote speaker、openai研究科学家lukasz kaiser），有的在硅谷vc支持下创办新一代人工智能公司。很有点当年硅谷仙童半导体“八叛徒”的昨日重现。
技术路线四：解码器
在transformer打开了大语言模型的理论窗口之后，大语言模型发展出了三种路线。第一种，以google bert、electra为代表的encoder-only（编码器）路线；第二种，以google t5、bart为代表的encoder- decoder（编解码器）路线；第三种，以openai gpt为代表的decoder-only（解码器）路线。
这三种路线，encoder-only路线适合理解类任务，很难应对生成式任务，也不具有好的扩展性和适应性，虽然被google bert在个别子领域一度带火，但现在几乎处于被主流抛弃的地步。encoder- decoder路线适合特定场景任务，但通用性和扩展性也比较差。decoder-only路线首先非常适合生成类任务，同时对各类任务都具有很好的通用性，在工程上也具有很高的可扩展性（scale），非常适合将模型规模做大。
基于这些特点来看，要以agi通用人工智能为目的地的话，那么decoder-only路线显然是不二选择。从上面的大语言模型进化树来看，可以看出gpt选择的decoder-only路线显然引领了大语言模型的发展和繁荣。
技术路线五：从强化学习到对齐
通过以上的无监督学习、生成式模型、自然语言、解码器这几个关键的技术岔路口选择之后，gpt模型显然已经奔赴在通往agi的康庄大道上了。但是gpt的强大也引入一些新的隐忧，它的强大会不会为人类带来危险、破坏人类价值观、帮助作恶、扰乱社会秩序、甚至威胁人类的生存？
这是严重违背openai的愿景和使命的。如何将强大的gpt模型与人类价值观和社会规范对齐？强大之后如何变得“对人类有用”？技术的问题要靠技术来解决。这时候openai在早期训练dota游戏智能代理时积累已久的强化学习功底就派上用场了。通过在预训练之后加入基于人类反馈的强化学习（rlhf，reinforcement learning from human feedback）来教导ai做一个对人类有益的“好的ai”，设立护栏，防止被用来做恶。这方面，openai想得很远，投入的也很大，配得上它的“愿景和使命”。
工程智慧：scale law
如果回顾openai在历史上做的一系列技术选择，我们会发现几乎所有的选择都是围绕“是否有利于通用人工智能scale”的原则进行的，而与该技术在当时“是否能快速变现”、“是否主流”、“是否容易上手”、“是否效果立竿见影”完全无关。
做过技术架构，或者商业战略的人也都知道，“快速易扩展”是好的技术架构或者商业模式的“铁律”。这一铁律同样适用于通用人工智能的发展。openai的团队显然是洞悉这一点的。他们甚至在2020年发表了一篇著名的论文《scaling laws for neural language models》来总结模型参数、训练数据集大小、算力投入（flops 每秒浮点操作）、网络架构之间的扩展法则。
其实除了模型的scale law，openai对于迈向agi道路上的各种scale力量都有非常深刻的洞见和睿智的选择。
产品智慧：从超级应用到生态平台
从2018年openai推出gpt 1.0到2020年gpt发展到3.0，openai这时已经拿到大语言模型这样一张王牌，但怎么出牌也很重要。历史上握着一手技术好牌，但是打得稀烂的也比比皆是。以openai强大的“通用人工智能”愿景来说，不做平台型公司是很难的。但是科技史上一上来就做平台的公司，大部分都折戟沙场。反观那些成功的平台型技术公司，绝大多数都是先从建立“超级应用”开始的。
历经硅谷顶级孵化器yc总裁的锻炼，openai的另一位灵魂人物ceo sam altman，当然是产品战略高手中的高手。openai选择先从chatgpt这一“超级应用”入手，通过短短几个月的时间，积累了上亿的用户、海量的交互数据、和极强的品牌号召力，才有后面的chatgpt api, plugins等一系列大手笔的平台布局。以目前各种渠道的消息来看，openai在产品上还有很多大招，让我们拭目以待。
顺便提一下，我在前面《agi时代的产品版图和范式》文章中，也更深入地谈了很多我对agi时代产品创新的思考。
股权设计：限制盈利公司
openai最早是以非盈利组织的方式成立，初期资金以捐赠的方式募集。但显然创始团队低估了发展agi需要的硬件和人才投入，也高估了捐赠的兑现（早期承诺的捐赠后来其实很多没到位）。因此到2019年3月，openai重新设计公司治理架构，改为“限制盈利”的公司，接受微软10亿美金投资。
“限制盈利”规定向openai投资的股东，未来从openai能够获取的利润分配最多到投资额x100倍的上限。超出部分将由非盈利组织openai nonprofit控制。
这一精妙的股权设计既能吸引openai所需要的投资，又防止了agi过于强大而攫取巨额利润。平衡了发展agi需要的商业支持和agi造福全人类这一宏大愿景之间的矛盾。我觉得若干年后回看历史，这一股权设计也是商业史上一个伟大的发明。创始人兼ceo sam altman不拿股权，不求商业回报，一心追求agi改变世界的胸怀也让人心生敬意。
战略设计：合纵连横
如果将openai比作ai时代的一只小恐龙，那么在ai领域长期重兵投入、市值万亿的google和微软显然是ai时代的两只大恐龙。openai这样的“搅局者”如果被两只大恐龙中的任何一只盯上，都会惹火烧身。而openai对于chatgpt这样的“爆款应用”推出所引起的ai战国纷争显然有充分的预判和精妙的战略设计。
openai首先通过和微软这只大恐龙的战略合作，既拿到百亿美金量级的宝贵发展资金，同时又通过gpt赋能微软bing搜索、半路拦截google这只大恐龙，还顺带将gpt赋能到自己一时半会照顾不到的b端市场（azure云服务、office 365等）以获取适当利润，而自己却可以集中精力、以c端市场为切入点、在构建agi时代的生态平台上蒙眼狂奔。
这一巧妙利用巨头“创新者窘境”的合纵连横，让一家人数仅有300多估值不过300亿美金的创业公司，同时撬动两家市值万亿美金、员工近二十万的科技巨鳄的战略布局，放眼整个商业史，空前绝后，蔚为大观。
团队架构：学术+工程+产品+商业
读到这里很多朋友可能会问，openai到底什么来头、何德何能如此彪悍？秘密无他，科技公司最贵的就是人才。openai有着足以笑傲ai江湖的联合创始团队组合。
一号位ceo sam altman 20岁从斯坦福辍学创办loopt，于2012年将公司以4300万美金出售。于2014被大自己二十岁的yc创始人、硅谷创业教父格雷厄姆说服接替他担任yc总裁。格雷厄姆很早就看到sam altman的卓越才华，在他眼里，sam altman就是硅谷未来的乔布斯。sam altman在硅谷的创业和yc的经历锻造了他在产品模式、商业战略、投融资方面的顶级才能。
二号位首席科学家ilya sutskever是深度学习之父geoffrey hinton的关门弟子，从imagenet大赛一战成名，后来加入google大脑，发明seq2seq大幅改善机器翻译，参与tensorflow和alphago的研发。是深度学习学术领域当仁不让的“开山功臣”。
总裁greg brockman之前创立著名支付公司stripe并担任cto，具有极强的工程技术能力和从零到一搭建技术团队的经验。是openai长期的工程技术支柱。除此之外，像andrej karpathy 、john schulman、lukasz kaiser等灿若群星的汇聚，使得openai在ai人才密度上放眼全球，都属顶流之列。openai的团队结构也反应openai的agi创业观：学术、工程、产品、商业，四大支柱缺一不可，而且各个都很强。
除了自己聚焦agi还不够，openai和sam altman还投资了众多核聚变、量子计算、加密货币等公司，围绕能源、算力、财富分配等未来变革进行大手笔布局。这些每一个都剑指agi的未来。
综上所述，openai无论是在技术的多个岔路口上的关键选择，还是在产品、工程、股权、战略、团队上，都打得一手好牌，是一家非常值得研究和重视的公司，也是我们窥视agi时代的一扇窗户。
作者简介
李建忠 boolan创始人兼任首席技术专家，全球机器学习技术大会主席。对人工智能、产品创新、商业模式有丰富经验和深入研究。近年来研究以⼤语⾔模型为主的⼈⼯智能⽅法，相关研究和咨询引起业界强烈关注。曾于 2005年-2010年期间担任微软最有价值技术专家，区域技术总监。拥有近二十年技术与产品经验，为包括众多世界500强公司在内的知名品牌提供高端产品创新、技术战略咨询服务。
你下过WiFi万能钥匙吗？ 竟然有1387个是山寨的
你会留意人工智能造假吗
图像处理算法有哪些_图像处理十大经典算法
物联网如何破解企业办事难融资难的问题
mcu的功能和作用
OpenAI到底做对了什么？OpenAI发展的5大技术路线
蓝牙耳机选什么品牌好、不同价位蓝牙耳机差距有多大
MTN与中兴通讯签署跨境骨干传输网络改造商用合同
深开鸿加速推进OpenHarmony生态建设
四款车型深深打动消费者 远航汽车引领高端新能源汽车市场创新发展
相位型空间光调制器的校准
美得不像小米手机！小米Note3概念图曝光 采用玻璃机身
干电池有哪些污染
什么是有源滤波和无源滤波？这个工程师终于讲清楚了
未来，道路照明将是LED的天下
iPhone8什么时候上市?iphone 8包装盒、价格、配色曝光,外观确定,将配置全面屏+面部识别+无线充电+A11
蓝牙Mesh照亮智能楼宇的未来
红米K40系列价格提前曝光 下月即将发布
On chip ESD和EOS保护设计
开发可以识别Covid-19新型疗法的机器学习方法
为什么agi这样史诗级的革命，背后的核心推手竟然是openai这样的创业公司？openai到底做对了什么？
我自从2016年开始一直追踪研究ai领域的产业发展，每年筹办全球机器学习技术大会（ml-summit）的工作原因，陆续和很多来自openai的专家、包括ilya sutskever（首席科学家）、lukasz kaiser（transformer共同发明人）、andrej karpathy（联合创始人）、ian goodfellow（gan之父）等经常接触和交流。很早就注意到了openai这个在ai领域特立独行的“异类”。
如果回看ai产业的发展历史，和openai历史道路上的诸多关键选择，我几乎惊叹地发现，作为一家创业公司，openai在每一次关键的岔路口上，都毫不犹豫地选择了“难而正确”的决定。回顾openai发展历史上这些“难而正确”的选择，我觉得对于我们今天很多ai领域的同行者会有重要的启发。
愿景和使命：剑指通用人工智能
「我们的目标是以造福全人类的方式推进人工智能。今天的ai系统虽然令人惊叹，但很多表现又不免差强人意。但在未来，ai极有可能在几乎所有智力任务上达到人类的表现。这项事业的结果是不确定的，工作是困难的，但我们相信我们的目标和结构是正确的。」
这段话是我摘抄自openai 在2015年12月刚成立不久创始团队发表的“愿景和使命”博客中的一段文字。八年后的今天读来，感受仍然是真诚和激荡的。
openai能够在2015年整个ai领域被各种迷雾笼罩的时候，就提出“通用人工智能”这一强大的“愿景和使命”，是建立在创始团队对人工智能的坚实信仰、深刻理解和现状研究基础之上的，我将这些合称为对通用人工智能的“愿力”。这样的“愿力”，帮助openai此后在人工智能的发展道路上一次次守正出奇。
“愿景和使命”在今天浮躁的创投圈，很容易被异化为“忽悠vc和给员工画饼”。但如果研究人类科技发展史，你会发现在一个领域提出强大的“愿景和使命”，是成为一个领域拓荒者的鲜明特征。反过来说，但凡革命性的事情，都有极大的难度，没有强大的“愿景和使命”指引，遇到困难就很容易放弃和溃散。因此，对于那些坚定信仰的创业者，我鼓励大家大声讲出你的“愿景和使命”。我也希望我们的创投界、媒体界对于创业者的“愿景和使命”要鼓励支持、而非奚落鞭挞。
我时常在想如果将时间拉回到2015年，如果30岁的sam altman和29岁的ilya sutskever这两位毛头小子在我们的某个创投活动上讲出上述“愿景和使命”，是不是会被一众“大佬”唾沫星子淹死？事实是openai在成立时就获得了大约1亿美金的捐赠，彼时openai还是以非赢利性组织的方式成立的。
技术路线一：无监督学习
openai刚成立不久，就在ilya sutskever的领导下下注“无监督学习”这条道路。熟悉ai研究领域的朋友都知道，今天这个看起来无比正确的决定，在2015-2016年，绝对不是那么显而易见。因为彼时的人工智能领域，通过标注数据方法的“监督学习”大行其道，在很多垂直领域比如推荐系统、机器视觉等，效果也更好。
而“无监督学习”在理论突破和工程技术上彼时都非常不成熟，效果也大打折扣，属于典型的“非主流”。但无需人工标注数据的“无监督学习”具有强大的普适性、且易扩展，通过大规模的数据预训练，模型就能学到数据中蕴涵的人类丰富的知识，从而在各类任务中大显身手。对于“通用人工智能”这一目标来说，“无监督学习”显然具有“任务的普适性”和依据海量数据进行快速“scale（扩展）”的能力。
今天来看，很多“监督学习”方法都被openai的“无监督学习”大幅甩开，但在当时选择“无监督学习”显然属于“难而正确”的决定，这样的关键道路选择和openai对agi的愿景是密不可分的。
技术路线二：生成式模型
当2016年，各种“识别”类任务（如视觉识别、语音识别等）大行其道时，openai在2016年6月发表《生成式模型（generative models）》中开篇就引用著名物理学家费曼的名言“what i cannot create, i do not understand. 如果不能创造，就无法理解”。也将openai的研究重心放在生成式任务上。
而彼时虽然有ian goodfellow 发明的gan（生成式对抗网络）的惊艳时刻，但它的不可解释性，以及相较于识别类任务的“有用”，总体上，主流的人工智能业界其实对于生成式模型的判断是“难度大，但用处不大”。
但通读《生成式模型（generative models）》文章中，可以看出openai团队对于生成式模型是“agi必经之路”的坚定，就能体会出openai团队卓尔不群、坚定自我的特质。
技术路线三：自然语言
虽然在2012年深度学习进入工业界成为主流方法之后，机器视觉很快成为更为成熟、效果更好、变现能力也更强的领域。虽然ilya sutskever也是通过alexnet参加imagenet大赛拔得头筹而在机器视觉领域一战成名，但openai在做了一些尝试之后并没有选择视觉作为主攻方向，而是选择了押注更难、更险的“自然语言”。
相对视觉、语音等领域，自然语言处理长期被认为是相对落后的领域，因为自然语言任务具有巨大的复杂性和解空间，很多方法在某一个单一任务上可以，但放到另一任务上就表现很差，起伏不定。业界也有说法，自然语言处理是人工智能领域的“圣杯”。
在尝试openai gym（开源强化学习平台）和openai five（使用强化学习打dota2游戏）的同时，openai在使用无监督学习来进行自然语言的任务上走的越来越远。特别是2017年通过生成式方式来预测 amazon 评论的下一个字符，取得了很棒的效果。
为什么openai选择押注自然语言？套用著名哲学家维特根斯坦“语言的边界就是世界的边界”。如果用ilya sutskever的话来说 “语言是世界的映射，gpt是语言的压缩”。就人类智能而言，自然语言是核心中的核心，而其他视觉、语音等都不过是自然语言的辅助佐料。
正是有了对自然语言通向agi道路信仰般的押注，等到2017年6月12日google的transformer奠基性论文《attention is all you need》一发布，用ilya sutskever的原话说论文发表的第二天，他看到论文后的第一反应是“就是它了”。transformer模型从理论上颠覆了前代rnn、lstm等自然语言处理方法，扫清了openai团队苦苦探索自然语言领域的一些关键障碍。
然而遗憾的是，transformer这一理论模型并没有在google内部得到足够的重视，反倒让openai团队如获至宝。这一幕像极了1979年乔布斯参观施乐parc研究院的alto电脑上的图形界面（gui）和鼠标后，回到苹果就开始押注图形界面并开启了轰轰烈烈的个人电脑时代，而施乐parc的领导层却迟迟看不到gui向普通大众释放的巨大计算潜力。而亲自打造transformer的七位共同发明人后来也陆续离开google，有的加入openai（包括我们2021年全球机器学习技术大会的keynote speaker、openai研究科学家lukasz kaiser），有的在硅谷vc支持下创办新一代人工智能公司。很有点当年硅谷仙童半导体“八叛徒”的昨日重现。
技术路线四：解码器
在transformer打开了大语言模型的理论窗口之后，大语言模型发展出了三种路线。第一种，以google bert、electra为代表的encoder-only（编码器）路线；第二种，以google t5、bart为代表的encoder- decoder（编解码器）路线；第三种，以openai gpt为代表的decoder-only（解码器）路线。
这三种路线，encoder-only路线适合理解类任务，很难应对生成式任务，也不具有好的扩展性和适应性，虽然被google bert在个别子领域一度带火，但现在几乎处于被主流抛弃的地步。encoder- decoder路线适合特定场景任务，但通用性和扩展性也比较差。decoder-only路线首先非常适合生成类任务，同时对各类任务都具有很好的通用性，在工程上也具有很高的可扩展性（scale），非常适合将模型规模做大。
基于这些特点来看，要以agi通用人工智能为目的地的话，那么decoder-only路线显然是不二选择。从上面的大语言模型进化树来看，可以看出gpt选择的decoder-only路线显然引领了大语言模型的发展和繁荣。
技术路线五：从强化学习到对齐
通过以上的无监督学习、生成式模型、自然语言、解码器这几个关键的技术岔路口选择之后，gpt模型显然已经奔赴在通往agi的康庄大道上了。但是gpt的强大也引入一些新的隐忧，它的强大会不会为人类带来危险、破坏人类价值观、帮助作恶、扰乱社会秩序、甚至威胁人类的生存？
这是严重违背openai的愿景和使命的。如何将强大的gpt模型与人类价值观和社会规范对齐？强大之后如何变得“对人类有用”？技术的问题要靠技术来解决。这时候openai在早期训练dota游戏智能代理时积累已久的强化学习功底就派上用场了。通过在预训练之后加入基于人类反馈的强化学习（rlhf，reinforcement learning from human feedback）来教导ai做一个对人类有益的“好的ai”，设立护栏，防止被用来做恶。这方面，openai想得很远，投入的也很大，配得上它的“愿景和使命”。
工程智慧：scale law
如果回顾openai在历史上做的一系列技术选择，我们会发现几乎所有的选择都是围绕“是否有利于通用人工智能scale”的原则进行的，而与该技术在当时“是否能快速变现”、“是否主流”、“是否容易上手”、“是否效果立竿见影”完全无关。
做过技术架构，或者商业战略的人也都知道，“快速易扩展”是好的技术架构或者商业模式的“铁律”。这一铁律同样适用于通用人工智能的发展。openai的团队显然是洞悉这一点的。他们甚至在2020年发表了一篇著名的论文《scaling laws for neural language models》来总结模型参数、训练数据集大小、算力投入（flops 每秒浮点操作）、网络架构之间的扩展法则。
其实除了模型的scale law，openai对于迈向agi道路上的各种scale力量都有非常深刻的洞见和睿智的选择。
产品智慧：从超级应用到生态平台
从2018年openai推出gpt 1.0到2020年gpt发展到3.0，openai这时已经拿到大语言模型这样一张王牌，但怎么出牌也很重要。历史上握着一手技术好牌，但是打得稀烂的也比比皆是。以openai强大的“通用人工智能”愿景来说，不做平台型公司是很难的。但是科技史上一上来就做平台的公司，大部分都折戟沙场。反观那些成功的平台型技术公司，绝大多数都是先从建立“超级应用”开始的。
历经硅谷顶级孵化器yc总裁的锻炼，openai的另一位灵魂人物ceo sam altman，当然是产品战略高手中的高手。openai选择先从chatgpt这一“超级应用”入手，通过短短几个月的时间，积累了上亿的用户、海量的交互数据、和极强的品牌号召力，才有后面的chatgpt api, plugins等一系列大手笔的平台布局。以目前各种渠道的消息来看，openai在产品上还有很多大招，让我们拭目以待。
顺便提一下，我在前面《agi时代的产品版图和范式》文章中，也更深入地谈了很多我对agi时代产品创新的思考。
股权设计：限制盈利公司
openai最早是以非盈利组织的方式成立，初期资金以捐赠的方式募集。但显然创始团队低估了发展agi需要的硬件和人才投入，也高估了捐赠的兑现（早期承诺的捐赠后来其实很多没到位）。因此到2019年3月，openai重新设计公司治理架构，改为“限制盈利”的公司，接受微软10亿美金投资。
“限制盈利”规定向openai投资的股东，未来从openai能够获取的利润分配最多到投资额x100倍的上限。超出部分将由非盈利组织openai nonprofit控制。
这一精妙的股权设计既能吸引openai所需要的投资，又防止了agi过于强大而攫取巨额利润。平衡了发展agi需要的商业支持和agi造福全人类这一宏大愿景之间的矛盾。我觉得若干年后回看历史，这一股权设计也是商业史上一个伟大的发明。创始人兼ceo sam altman不拿股权，不求商业回报，一心追求agi改变世界的胸怀也让人心生敬意。
战略设计：合纵连横
如果将openai比作ai时代的一只小恐龙，那么在ai领域长期重兵投入、市值万亿的google和微软显然是ai时代的两只大恐龙。openai这样的“搅局者”如果被两只大恐龙中的任何一只盯上，都会惹火烧身。而openai对于chatgpt这样的“爆款应用”推出所引起的ai战国纷争显然有充分的预判和精妙的战略设计。
openai首先通过和微软这只大恐龙的战略合作，既拿到百亿美金量级的宝贵发展资金，同时又通过gpt赋能微软bing搜索、半路拦截google这只大恐龙，还顺带将gpt赋能到自己一时半会照顾不到的b端市场（azure云服务、office 365等）以获取适当利润，而自己却可以集中精力、以c端市场为切入点、在构建agi时代的生态平台上蒙眼狂奔。
这一巧妙利用巨头“创新者窘境”的合纵连横，让一家人数仅有300多估值不过300亿美金的创业公司，同时撬动两家市值万亿美金、员工近二十万的科技巨鳄的战略布局，放眼整个商业史，空前绝后，蔚为大观。
团队架构：学术+工程+产品+商业
读到这里很多朋友可能会问，openai到底什么来头、何德何能如此彪悍？秘密无他，科技公司最贵的就是人才。openai有着足以笑傲ai江湖的联合创始团队组合。
一号位ceo sam altman 20岁从斯坦福辍学创办loopt，于2012年将公司以4300万美金出售。于2014被大自己二十岁的yc创始人、硅谷创业教父格雷厄姆说服接替他担任yc总裁。格雷厄姆很早就看到sam altman的卓越才华，在他眼里，sam altman就是硅谷未来的乔布斯。sam altman在硅谷的创业和yc的经历锻造了他在产品模式、商业战略、投融资方面的顶级才能。
二号位首席科学家ilya sutskever是深度学习之父geoffrey hinton的关门弟子，从imagenet大赛一战成名，后来加入google大脑，发明seq2seq大幅改善机器翻译，参与tensorflow和alphago的研发。是深度学习学术领域当仁不让的“开山功臣”。
总裁greg brockman之前创立著名支付公司stripe并担任cto，具有极强的工程技术能力和从零到一搭建技术团队的经验。是openai长期的工程技术支柱。除此之外，像andrej karpathy 、john schulman、lukasz kaiser等灿若群星的汇聚，使得openai在ai人才密度上放眼全球，都属顶流之列。openai的团队结构也反应openai的agi创业观：学术、工程、产品、商业，四大支柱缺一不可，而且各个都很强。
除了自己聚焦agi还不够，openai和sam altman还投资了众多核聚变、量子计算、加密货币等公司，围绕能源、算力、财富分配等未来变革进行大手笔布局。这些每一个都剑指agi的未来。
综上所述，openai无论是在技术的多个岔路口上的关键选择，还是在产品、工程、股权、战略、团队上，都打得一手好牌，是一家非常值得研究和重视的公司，也是我们窥视agi时代的一扇窗户。
作者简介
李建忠 boolan创始人兼任首席技术专家，全球机器学习技术大会主席。对人工智能、产品创新、商业模式有丰富经验和深入研究。近年来研究以⼤语⾔模型为主的⼈⼯智能⽅法，相关研究和咨询引起业界强烈关注。曾于 2005年-2010年期间担任微软最有价值技术专家，区域技术总监。拥有近二十年技术与产品经验，为包括众多世界500强公司在内的知名品牌提供高端产品创新、技术战略咨询服务。
你下过WiFi万能钥匙吗？ 竟然有1387个是山寨的
你会留意人工智能造假吗
图像处理算法有哪些_图像处理十大经典算法
物联网如何破解企业办事难融资难的问题
mcu的功能和作用
OpenAI到底做对了什么？OpenAI发展的5大技术路线
蓝牙耳机选什么品牌好、不同价位蓝牙耳机差距有多大
MTN与中兴通讯签署跨境骨干传输网络改造商用合同
深开鸿加速推进OpenHarmony生态建设
四款车型深深打动消费者 远航汽车引领高端新能源汽车市场创新发展
相位型空间光调制器的校准
美得不像小米手机！小米Note3概念图曝光 采用玻璃机身
干电池有哪些污染
什么是有源滤波和无源滤波？这个工程师终于讲清楚了
未来，道路照明将是LED的天下
iPhone8什么时候上市?iphone 8包装盒、价格、配色曝光,外观确定,将配置全面屏+面部识别+无线充电+A11
蓝牙Mesh照亮智能楼宇的未来
红米K40系列价格提前曝光 下月即将发布
On chip ESD和EOS保护设计
开发可以识别Covid-19新型疗法的机器学习方法