Loading...
Loading...
OpenAI 前沿研究负责人 Mark Chen（马克·陈）：多模态与推理是通往 AGI 的关键撰文：Techub News 整理
导语
在2025 年 3 月举办的 The AI Conference™ 上，OpenAI 前沿研究（Frontiers Research）负责人 Mark Chen（马克·陈）与 AI 基础设施公司 Anyscale 的联合创始人 Robert Nishihara 进行了一场深度对话。Mark Chen 领导的团队旨在探索通往通用人工智能（AGI）道路上缺失的关键范式，其工作聚焦于多模态与推理两大方向。作为 DALL-E、GPT-4 多模态能力等知名项目背后的核心研究者之一，Mark Chen 的见解对于理解 AI 的现状与未来至关重要。此次对话不仅回顾了 AI 研究范式的十年变迁，更揭示了当前最前沿的技术挑战与机遇。
摘要
AI 研究范式已发生根本转变：从依赖标注数据的监督学习，转向以海量无标注数据和无监督学习为核心的“规模化”范式。
通往 AGI 的两大核心挑战是多模态理解与生成以及深度推理能力的构建。
工程与科研的紧密结合成为现代 AI 发展的新常态，规模化（Scaling）本身既是目标也是驱动创新的引擎。
未来的 AI 应用将更加“身临其境”，多模态交互将催生更强大的 AI 代理和机器人技术，但实现这一切需要解决鲁棒性等根本问题。
从监督学习到规模化范式：AI 研究的十年之变
Mark Chen（马克·陈）与 Robert Nishihara 的对话始于对过去十年 AI 领域最大突破的回顾。两人一致认为，最根本的转变在于研究范式的迁移。
Mark Chen（马克·陈）指出，十年前经典的机器学习课程通常将机器学习分为监督学习、无监督学习和强化学习三大类。当时，学术界对监督学习已有成熟方案（如决策树、支持向量机），但对无监督学习则知之甚少，仅停留在 K-Means 聚类等基础方法。如今，这一局面已被彻底颠覆。“我们现在确实知道如何进行无监督学习了，” Mark Chen（马克·陈）总结道。
这一转变的标志性起点是 GPT-1、GPT-2 时代。研究者们意识到，数据是取得突破的关键要素。AI 研究不再局限于在固定的学术数据集（如 ImageNet）上优化模型架构，而是转向了“收集尽可能多的数据”并从中寻找“Alpha”的路径。数据集本身成为了核心变量，而模型架构和优化算法则相对稳定。这催生了以规模化为核心的“经验缩放定律”（Empirical Scaling Laws）：投入更多计算资源、更多数据、训练更大模型，就能获得更好的性能。
Robert Nishihara 从基础设施的角度印证了这一趋势。Anyscale 的客户们正遵循这一“公式”，将扩大数据规模作为首要目标。然而，将数据规模提升一个数量级，往往会压垮现有的系统，这背后需要巨大的工程努力来支撑。Mark Chen（马克·陈）强调，工程能力在2025 年 3 月的研究中变得前所未有的重要。相信缩放定律，就意味着必须构建出能够支撑缩放的工程栈。
这种工程与科研的深度融合，构成了现代 AI 研究的典型图景。Mark Chen（马克·陈）形容，每将模型规模扩大一个数量级，都会遇到新的研究瓶颈或工程瓶颈，需要在多个前沿同时取得突破。这既是挑战，也是这个领域令人兴奋之处。
多模态：AGI 的感官拼图与系统工程挑战
作为 OpenAI 多模态研究的负责人，Mark Chen（马克·陈）将多模态视为通往 AGI 的核心路径之一。过去五到十年，生成式图像、视频模型取得了巨大成功，但多模态领域仍存在大量开放性问题。
目前存在两种主要的研究思路：一是将多模态问题“塞进”已经非常成熟的语言模型（Transformer）架构中；二是探索以扩散模型（Diffusion Model）等多模态原生框架为主，尝试将语言能力整合进来。Mark Chen（马克·陈）认为这两种思路之间的“思想桥梁”非常有趣，也是他们工作的重点。
当被问及主要关注哪些模态时，Mark Chen（马克·陈）列举了文本、图像、视频和音频这四大“最核心”的模态，同时也提及了 3D 模型、甚至“动作”作为潜在模态的可能性。他特别指出，不同模态对系统设计的要求差异巨大。例如，音频交互（如高级语音模式）要求实时、低延迟的响应；而图像生成则更看重最终输出质量，用户愿意为此等待。因此，尽管底层结构可以共享，但为不同模态设计不同的技术栈仍然是有益的。
Robert Nishihara 从系统负载的角度补充了多模态带来的挑战。与文本数据相比，图像、视频的数据量呈指数级增长。这意味着未来的 AI 应用将同时是计算密集型（GPU 负载高）和数据密集型的。现有的高性能计算（HPC）系统擅长处理计算密集型任务，而大数据处理系统（如 Spark）则擅长处理海量 CPU 任务。多模态 AI 将催生一个需要同时高效处理这两类任务的新系统范式，这将对现有的技术栈构成巨大挑战。
此外，Mark Chen（马克·陈）指出，获取高质量的配对跨模态数据（如图文对）是一大难点。这推动了利用 AI 本身进行数据准备和增强的趋势，例如 DALL-E 3 在合成数据方面的探索。Robert Nishihara 也观察到，客户正越来越多地使用 AI 来筛选、标注、增强训练数据，因为相对于花费数百万美元进行模型训练，在数据质量上进行投资往往能获得更高的回报。
从“系统一”到“系统二”：构建深度推理的鲁棒 AI
Mark Chen（马克·陈）负责的另一大方向是推理（Reasoning）。他用心理学中的“系统一”和“系统二”来比喻当前 AI 的局限与未来目标。
目前的语言模型（如 ChatGPT）更像是“系统一”思考者：快速、直观、基于模式匹配给出响应。无论问题难易，模型的初始响应时间几乎相同。这与人类思考方式不同——面对复杂问题，人类需要时间进行深度处理（“系统二”思考）。Mark Chen（马克·陈）认为，当前大语言模型在逻辑谜题或复杂任务上犯错，部分原因正是受限于这种“系统一”的即时响应模式。如果要求人类在 100 毫秒内回答一个难题，他也只能给出脑海中最先浮现的答案，这同样不够稳健。
因此，构建具备“系统二”特性的深度推理能力，是提升 AI 鲁棒性的核心挑战。这不仅仅是解决数学问题，而是适用于任何需要高可靠性和复杂思考的场景，例如理解对话意图、规划复杂任务等。Mark Chen（马克·陈）提到，数学和计算机科学问题是方便的评测基准，但更广泛的“推理”评测标准目前仍然缺失，预计未来会出现更多相关的评估方式。
Robert Nishihara 从应用部署的复杂性角度呼应了这一观点。当前许多 AI 应用只是通过 API 端点调用单一模型。但对于预订民宿、解决复杂数学问题等任务，可能需要动态组合 50 到 100 次模型调用，并与其它应用逻辑交织。这种复杂的推理链消耗大量计算资源。Mark Chen（马克·陈）展望，深度推理的终极目标是让模型自身足够智能，能够在遇到障碍时自主“思考”出解决方案，而无需依赖外部搭建大量脚手架式的复杂流程。
关于如何实现推理能力，Mark Chen（马克·陈）表示 OpenAI 探索了多种路径，包括在预训练中内置、以及通过外部机制增强等，目前仍是一个开放的研究空间。
未来展望：身临其境的 AI 与高风险的智能代理
展望未来，两位专家分享了他们最兴奋的方向。
Robert Nishihara 预测，越来越多的数据处理将 AI 化。企业收集海量数据是为了获取洞察和决策，未来这些洞察将更多地由 AI 阅读、推理数据得出，而不仅仅是运行 SQL 查询或简单分析。这将催生全新的、以 AI 和 GPU 为核心的数据处理工作负载。
Mark Chen（马克·陈）则对多模态带来的“身临其境”体验感到兴奋。像 OpenAI 的“高级语音模式”这样的技术，让 AI 能够实时接收和处理多种感官输入（听、说），并生成丰富的感官内容。他认为，这不仅是交互方式的革新，更是机器人技术发展的基石。随着感知模块的快速进步，多模态 AI 正在为机器人构建强大的“后台大脑”，使其能够更好地理解和与物理世界互动。
当被问及实现全能人形机器人的瓶颈时，Mark Chen（马克·陈）表示，在基础层面已有许多可用的技术模块，但最终实现仍需跨领域突破。
对话最后聚焦于 AI 代理（AI Agents）。Mark Chen（马克·陈）将其定义为能够接收任务并自主执行的 AI。与当前“一问一答”的聊天机器人不同，代理的行动具有真实世界的后果（如发送邮件、执行操作），因此对鲁棒性和可靠性的要求极高。他认为，深度推理能力正是实现强大、可靠 AI 代理的关键缺失组件。只有解决了鲁棒性问题，AI 代理的愿景才能真正走进现实。
OpenAI 首席研究官 Mark Chen（马克·陈）：AI 的下一个前沿是推理与具身智能撰文：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。
OpenAI 首席科学家 Jakub Pachocki（雅各布·帕乔基）与首席研究官 Mark Chen（马克·陈）谈从「氛围编码」到「氛围研究」撰文：Techub News 整理
导语
2025 年 9 月，OpenAI 首席科学家 Jakub Pachocki（雅各布·帕乔基）与首席研究官 Mark Chen（马克·陈）罕见地共同接受了知名风投 a16z 的深度访谈。作为 OpenAI 研究团队的两位核心领导者，他们掌管着当今 AI 领域最高调也最前沿的研究团队之一。本次对话围绕2025 年 9 月发布的 GPT-5、背后的「推理」理念、AI 研究的未来方向，以及如何构建能够持续产生颠覆性创新的研究文化与组织展开了深入探讨。
这不仅是一次对 OpenAI 最新技术成果的解读，更是对这家全球领先的 AI 公司其内部运作模式、未来愿景以及技术哲学的一次难得窥探。在 AI 技术竞争白热化、产品迭代加速的今天，这两位技术领袖的思考，为理解 AI 发展的下一阶段提供了关键线索。
摘要
GPT-5 的核心目标是让「推理」成为 AI 的默认行为，旨在弥合快速响应模型与深度思考模型之间的鸿沟。
OpenAI 的终极研究目标是打造「自动化研究者」，让 AI 能够自主发现新知识，尤其是在数学、编程和基础科学领域。
强化学习（RL）的潜力远未穷尽，其与预训练模型的结合是当前取得持续突破的关键，未来将向更接近人类学习的方式演进。
构建成功研究文化的关键在于「保护基础研究」，给予团队思考长期、根本性问题的空间，并避免陷入短期产品竞争的思维。
从「氛围编码」到「氛围研究」的愿景：当 AI 工具足够强大，创造（编码、研究）将更注重直觉、品味和高层次的构思，而非机械执行。
GPT-5：将推理带入主流
访谈从2025 年 9 月发布的 GPT-5 开始。Jakub Pachocki（雅各布·帕乔基）解释，GPT-5 代表了 OpenAI 将「推理」能力主流化的尝试。在此之前，OpenAI 的模型大致分为两个系列：以 GPT-2/3/4 为代表的「快速响应」模型，以及以 O 系列（如 o3）为代表的「深度思考」模型。前者擅长即时给出答案，后者则需要长时间思考以提供最佳结果。
「从战术上讲，我们不希望用户困惑于该使用哪种模式，」Pachocki 说道。因此，GPT-5 的研究重点之一是识别并确定针对不同提示所需的「最佳思考量」，并将这种选择负担从用户身上移除。他们相信，未来的方向是更多地围绕推理和智能体（Agent）展开，而 GPT-5 正是朝着默认提供推理能力和更智能化行为迈出的重要一步。
Mark Chen（马克·陈）补充道，GPT-5 在多个方面相较 o3 都有所改进，但本次发布的核心焦点无疑是让推理模式触及更多用户。
评估标准：从饱和指标到发现新知识
当被问及如何评估模型进展时，Pachocki 指出，过去几年使用的许多评估指标（Evals）已经接近饱和，例如将准确率从 96% 提升到 98% 不再具有决定性意义。更重要的是，AI 研究范式已经发生了变化。
在 GPT-2/3/4 时代，基本范式是在海量数据上进行预训练，然后用评估指标作为模型泛化能力的标尺。而现在，通过强化学习等技术，可以针对特定领域（如严肃推理）进行深度训练，让模型成为该领域的专家。这虽然能在特定评估上取得极佳表现，但不一定意味着同等程度的泛化能力。
因此，OpenAI 目前更关注能够体现模型「发现新事物」能力的评估。Chen 提到，今年最令人兴奋的进展之一是模型在数学和编程竞赛（如 AtCoder）中的表现。然而，这些竞赛本身也正在被模型「攻克」。
「我们正在准备的下一组评估和里程碑，将涉及在经济相关领域取得实际进展和发现。」Pachocki 强调。这意味着评估标准将从解决已知问题，转向在开放环境中创造新的、有价值的知识。
自动化研究：终极目标与长时推理
当被问及未来 1-5 年的研究路线图时，Pachocki 明确表示：「我们研究工作的核心目标是打造一个自动化研究者，即自动化新想法的发现。」这其中，自动化机器学习研究本身是一个具体方向，但可能显得过于自指。因此，他们也致力于推动其他科学领域的自动化进程。
衡量这一进展的一个好方法是观察模型能够进行有效推理和取得进展的「时间跨度」。目前，模型在类似高中竞赛难度的问题上，已经能够进行大约 1 到 5 小时的连贯推理。OpenAI 的研究重点正是延长这一时间跨度，包括模型制定长期规划的能力以及维持记忆的能力。
这也呼应了评估的问题：「模型能够自主运行多长时间」这类评估对他们来说尤其重要。
Chen 进一步阐述了推理对于长时程操作的核心作用。就像人类解决数学难题一样，需要尝试不同方法，从错误中学习，反复迭代。这种在长时间内保持稳健性的能力，正是深度推理赋予智能体的。
强化学习：持续突破的源泉
自 o1 发布以来，强化学习（RL）已成为 OpenAI 持续取得突破的利器。尽管外界常有预测认为 RL 的收益将趋于平缓或面临模式崩溃等问题，但 OpenAI 的模型性能却一次次打破这种预期。
Pachocki 解释了 RL 如此有效的原因。他认为，RL 是一种非常灵活的方法。OpenAI 在深度学习早期阶段就认识到 RL 的强大，但长期以来的挑战在于如何为 RL 模型提供一个合适的「环境」，使其能够与现实世界或模拟世界互动。语言模型的出现解决了这个「锚点」问题。
「当你在自然语言这个极其丰富和稳健的环境中进行预训练后，就获得了在此基础上去追求不同目标和想法的能力。」将深度学习的通用学习能力与 RL 的目标导向训练相结合，产生了巨大的化学反应。Pachocki 称这是过去几年 OpenAI 研究中最令人兴奋的阶段，他们发现了许多新方向和有前景的想法，并且都在不断取得成果。
对于希望利用 RL 的企业或研究者，Chen 的建议是：「最重要的是不要认为现状会永远持续。」就像两年前大家关注如何构建微调数据集一样，他认为奖励建模等方式也会快速演变，最终会向着更简单、更接近人类学习的方式发展。
从「氛围编码」到「氛围研究」
作为曾经的竞技程序员，Pachocki 和 Chen 对 AI 在编程领域的进步感触颇深。Chen 分享了一个故事：上周末他与一些高中生交谈，他们表示，「现在默认的编码方式就是『氛围编码』。」 对他们而言，亲手从头编写所有代码反而成了一个奇怪的概念。为什么不用 AI 来辅助呢？
这启发了 Chen：「我希望未来将是『氛围研究』。」 当 AI 工具足够强大，研究过程也将更侧重于直觉、品味和高层次的构思，而将繁琐的执行和验证交给 AI。
那么，什么造就了伟大的研究者？Pachocki 认为，「毅力」是关键。研究是在探索未知，尝试的事情大概率会失败。因此，研究者需要处于一种「准备好失败并从中学习」的心态，同时对自己的假设保持绝对诚实。既要对自己的想法有信心并坚持不懈，又要能清醒地判断进展，及时调整。
Chen 补充，经验至关重要，这能帮助你判断问题的难度是否合适，并管理自己在长期研究中的情绪。通过与同事交流、阅读优秀论文来培养对「有趣问题」的嗅觉，也是研究过程的一部分。
构建并守护顶尖研究文化
作为 OpenAI 研究团队的领导者，Pachocki 和 Chen 如何吸引并留住顶尖人才？Pachocki 指出，最根本的动力在于 OpenAI 致力于基础研究的使命。他们不热衷于关注竞争对手发布了什么模型，而是专注于前沿创新。「人们为这一使命所激励。」 此外，建立良好的文化、培养人才的管道，以及拥有深厚的人才储备（「深板凳」）也至关重要。
在招聘上，他们不仅仅寻找在社交媒体上最活跃的人，而是看重「在任何领域解决过难题」的能力。许多最成功的研究者在加入 OpenAI 之前，曾在物理、计算机科学或金融等其他领域工作，具备扎实的技术基础和解决雄心勃勃问题的意愿。
「保护基础研究」是创造制胜文化的关键。Chen 解释，必须确保研究者有空间去思考未来一两年真正重要的问题，而不是被短期产品需求所牵扯，或陷入与其他实验室的发布竞赛中。「我们需要确保人们有这种舒适感和空间去思考：事情在一两年后会变成什么样子？」
平衡研究与产品是另一个挑战。他们的做法是明确区分一批真正关心产品、对产品成功负责的研究者，让他们与产品团队紧密协作。同时，公司领导层也充分认同并支持研究的长期愿景，明白当前的产品并非终点，而是与研发共同构想未来。
资源、计算与恒定的挑战
在资源分配上，管理不同项目间的计算资源是两位领导者的重要工作。他们坦言，历史上更多的计算资源流向了核心算法推进，而非产品化研究，但这种分配是动态且灵活的。
当被问及如果增加 10% 的资源会投向哪里时，Pachocki 的回答是：「计算。」 他认为，关于「我们将很快进入数据约束阶段」的说法并不准确，计算资源在可预见的未来仍将是决定性因素。「任何这么说的人，只需要在我的职位上干一周，就会发现没有人会说『我拥有所有需要的计算资源』。」 Chen 笑着赞同道。
最后，当被问及在 AI 飞速发展的浪潮中，有哪些原则应该保持不变时，Pachocki 提到了更广泛的物理限制，如能源，以及未来机器人技术将带来的新约束。但在智能前沿，「我不会做太多假设。」 保持开放和学习的心态至关重要。Chen 则分享了保持团队高速运转的「秘诀」：OpenAI 的研究文化让他从未感到学习停滞，总有新的突破和成果涌现，需要全力以赴才能跟上，这种持续的挑战感和成长感正是驱动力。
49比50：CLARITY法案为何倒在参议院门口？这“主流”，如你所愿。作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
今天美国参议院这场投票可谓是万众瞩目。
9月15日投票前，比特币已经跌了超过3%，Coinbase和Strategy（原MicroStrategy）都跌了4%左右，PolyMarket上的通过概率降到了百分之十几；下午参议院投票失败以后，比特币一度跌到接近7.5万美元，Coinbase 和 Circle 跌幅也接近11%。
当然，当天美债收益率上升、油价上涨，第二天又恰逢美联储议息会议，所以不能把这些资产的每一点波动都机械地归因于 CLARITY Act。但无论从投票前的市场交易，还是结果出来之后加密相关资产进一步下跌来看，市场显然没有把它当成一场无关痛痒的国会程序。
一边是两万多亿美元规模的加密资产市场，另一边是 Coinbase、Circle、Strategy 这些已经深度嵌入美国公开市场的上市公司，再加上 BlackRock 和Franklin Templeton 等传统金融机构已经进入这个行业，华盛顿的一张票自然也就逐渐变成了华尔街需要定价的风险。
最后的结果大家已经知道了：美国东部时间9月15日下午2点15分，参议院就CLARITY Act进行程序性投票，49票赞成、50票反对，没有达到60票门槛。
更准确地说，这次并不是CLARITY Act本身的最终表决，而是决定是否结束对“开始审议这部法案”的程序性辩论（cloture vote）；也就是说，参议院甚至还没有进入正式修改和最终表决阶段，这部法案就被挡在了门外。
这并不意味着法案在法律意义上已经死亡，多数党未来仍然可以重新尝试，但考虑到中期选举越来越近、国会日程已经非常拥挤，至少今年9月最重要的立法窗口基本已经关上了。
更值得琢磨的问题反而是：一部2025年在众议院以294比134高票通过、当时甚至拿到78名民主党议员支持的法案，为什么一年以后到了参议院，连让大家坐下来正式讨论的60票都凑不到？
而如果只把答案归结为 “民主党阻挠Crypto”，其实又会漏掉这件事最有意思的部分。因为到了最后，CLARITY Act 早已经不只是在讨论 Crypto 到底是不是证券，而是同时卷进了银行存款、稳定币收益、DeFi 开发者责任、消费者保护、州和联邦的监管权，以及特朗普本人和家族的 Crypto 经济利益。
换句话说，过去十几年Crypto一直在争取进入美国主流金融体系，而这次法案的遭遇恰恰说明，它已经真的走进来了。
只是进入主流之后，游戏突然变难了。
GENIUS管的是“钱”，CLARITY想管的是整个市场
去年7月，特朗普签署 GENIUS Act，第一次为支付型稳定币建立了比较完整的联邦法律框架。当时很多报道会笼统地说“美国Crypto监管终于立法”，但如果把GENIUS和CLARITY放在一起看，两者解决的其实完全不是一个层面的问题。
GENIUS主要解决的是“数字美元怎么管”：谁可以发行一个号称1美元兑1美元的稳定币，背后应该持有什么样的储备，储备怎么披露，出了问题由谁监管。
而CLARITY要处理的，则是整个数字资产市场怎么运作——一个代币到底属于证券还是商品，什么情况下由SEC监管，什么情况下由CFTC监管，交易所、经纪商和托管机构需要什么牌照，项目方怎样发行代币，以及交易平台怎样处理客户资产、利益冲突和市场操纵。
所以如果一定要做个简单类比，GENIUS更像是在规定什么样的钱可以发行，而CLARITY是在给整个金融市场修路、发驾照、划分交警管辖范围。它并不决定哪一种币最后会涨，也不是给某几个项目“发免死金牌”，而是在试图回答一个已经困扰美国行业十多年的问题：Crypto进入主流金融体系以后，到底按照谁的规则玩。
这里面最核心的自然还是SEC和CFTC的分工。
过去美国对Crypto最大的争议之一，就是很多代币究竟是不是证券。传统证券法的核心框架来自上世纪30年代，后来法院通过Howey Test判断一项资产交易是否构成“投资合同”；然而把这一整套法律直接套到一个可能经过几年逐渐去中心化的区块链网络上，天然就会产生很多灰色地带。
CLARITY试图把相当一部分真正具有网络用途、并达到一定成熟程度的数字资产纳入“数字商品”范畴，让CFTC承担更多现货市场监管，同时保留SEC对证券发行以及资本形成活动的监管。
这也是为什么这部法案对Coinbase这样的交易平台尤其重要。
过去很多美国Crypto公司面对的现实并不是“完全没有监管”，反而是同时受到证券法、商品法、州牌照、法院判例以及不同监管机构解释的约束，真正缺少的是一张全国统一的地图。CLARITY试图把这些分散的规则重新拼成一个体系，尤其建立数字商品交易所、经纪商和交易商的联邦注册制度。
这里还涉及另一个最近两年越来越现实的话题，就是RWA和证券代币化。一张股票或者债券被搬到区块链上，并不会因为技术形式发生改变，就突然从证券变成商品；证券还是证券，SEC仍然负责监管。CLARITY并不是用Crypto重新发明金融法律，而更像是在原有金融体系旁边把一块长期没有铺平的路接上去。
理解这一点以后，也就能明白为什么去年GENIUS Act通过之后，整个行业仍然把CLARITY看得如此重要。稳定币只是金融体系里“钱”的一部分，而真正涉及交易、发行、融资、托管、DeFi和二级市场的那一大块，仍然没有被国会完整写进法律。
美国现在其实已经有了不少规则，缺的是这些规则能维持多久
CLARITY最容易让圈外人产生的另一个误解，是以为没有这部法案，美国Crypto行业就又回到了Gary Gensler时代那种完全靠执法猜监管边界的状态。
其实并不是。
今年3月17日，SEC和CFTC已经联合发布了一份重要解释，对数字商品、数字证券、稳定币等资产进行分类，并对一个非证券数字资产什么时候可能因为发行安排构成投资合同、什么时候这种投资合同关系又可以结束，给出了更系统的解释。
到了8月，SEC又正式提出新的加密资产发行规则，为部分项目设计专门的发行豁免和安全港，其中包括规模较小的初创融资渠道，以及12个月内最高7500万美元的发行安排。
如果单看2026年的方向，美国Crypto监管其实已经比几年前清晰太多。SEC不再坚持“绝大多数代币都是证券”的模糊立场，CFTC也在利用现有权限探索数字商品现货市场的监管框架。
对于创业公司来说，过去完全依赖律师猜测SEC下一步会不会执法的状态，正在逐渐变成一套至少可以拿来设计产品和合规路径的规则。
但这里有一个看起来非常法律技术、实际上对商业决策特别重要的区别：监管机构今天出台的规则，和国会写进法律的规则，不是一回事。
SEC今天可以作出解释，未来的SEC也可以改变解释；今天可以经过正式程序制定一套新规，下一届政府同样可以通过新的程序重新修改。正式规则当然比主席演讲、工作人员指引更加稳定，也不会因为换一个SEC主席第二天就自动消失，但本质上它们仍然建立在行政机构现有的法定权限之上，法院也可能继续追问这些机构究竟有没有越权。
这一点连现任SEC主席Paul Atkins自己都说得很直接。他在8月提出新规时明确表示，国会立法对于建立足够持久、能够防止未来监管者轻易推翻的规则仍然“不可或缺”。换句话说，即使是今天正在积极推进Crypto新规的SEC，也并不认为自己能够完全替代国会。
从创业者角度来看，这种区别一点都不抽象。一家公司真正考虑的从来不是“我今年能不能上线一个产品”，而是值不值得花三年时间、几千万美元，申请牌照、组建合规团队、重做产品和托管架构以后，相信2029年换一个总统、换一批监管者，这套东西依然大致成立。
大型金融机构更是如此。银行如果真的要把链上托管、结算、交易甚至部分核心银行系统重新搭建起来，看的不是今年和明年的政策，而是未来十年的制度稳定性。
所以CLARITY最核心的价值，可能并不是让美国“变得更支持Crypto”。至少在当前这一届政府下，美国政策已经相当支持Crypto了。
它真正想解决的是另一件事情：把今天的政策方向，从“一届政府的选择”，变成一套更加难以轻易逆转的法律。
真正有意思的冲突，不是SEC和Crypto，而是稳定币开始抢银行的存款了
如果这是几年前，我大概会觉得CLARITY最难谈的地方一定是SEC和CFTC谁来管Crypto。但看到今年的谈判以后，反而是稳定币收益和银行之间的冲突跳上了头条，因为这可能代表Crypto第一次真正碰到了传统金融最核心的利益。
GENIUS Act 已经禁止稳定币发行人直接向持有人支付利息，但很快就出现了另外一个问题：如果不是发行人，而是Coinbase这样的交易平台给用户奖励呢？如果用户持有稳定币可以获得某种收益，银行存款还会不会像以前一样具有吸引力？
Crypto行业看到的是产品竞争。既然用户的钱最终对应的是美元资产，而技术又可以降低分发和运营成本，那么为什么不能把更多收益返给用户？
银行看到的却完全是另一件事。
对于美国大量社区银行来说，低成本存款并不只是一个产品，而是整个资产负债表最关键的资金来源。银行拿到居民和企业的存款，再把这些资金变成小企业贷款、房贷和商业地产贷款。
如果大量资金从银行账户转到可以获得更高收益的稳定币账户，影响的就不仅是银行少赚一点手续费，而可能是整个贷款体系的资金成本。
这也是为什么今年围绕CLARITY的游说，最后演变成了一场Crypto行业和银行业非常直接的利益博弈。在9月投票之前，双方都利用国会休会期直接去参议员所在州游说；银行业最核心的担忧之一，就是稳定币收益可能把传统存款抽走，而Crypto行业则认为银行试图利用监管保护既有利益。
共和党最终版本也专门加入了一个针对社区银行的“熔断”机制，试图让财政部在法案实施后评估稳定币收益是否对小型银行造成重大负面影响，但银行业的反对并没有因此消失。而且这个问题到最后已经越来越不是简单的民主共和两党之争，而更像是共和党内部“银行利益”和“Crypto利益”之间的冲突。
这件事其实非常有象征意义。
过去Crypto和传统银行之间的冲突，大多停留在银行愿不愿意给交易所开户、监管者允许不允许银行托管Crypto这些外围问题；但稳定币发展到今天，双方开始真正争同一笔钱——用户放在哪里的美元。
从金融行业的角度来看，争支付入口很重要，争交易流量也很重要，但真正碰到资产负债表才算进入腹地。
所以反过来看，今年银行业如此激烈地参与CLARITY争议，可能恰恰说明稳定币已经从一个Crypto原生产品，逐渐变成了传统银行必须认真对待的竞争者。
DeFi看起来是在保护程序员，其实是在重新定义什么叫“金融中介”
另一个长期被Crypto圈简化的问题是DeFi开发者保护。
比较直觉的一种说法是，一个程序员只是在GitHub上写了一段开源代码，既不替用户保管钱，也没有能力决定别人怎么使用，当然不应该因为有人用这段代码转账就被当成银行或者汇款公司监管。这个逻辑本身并没有什么难理解的，所以CLARITY过去一年一直在尝试更清楚地区分“写软件”和“经营金融中介”。
但反过来，如果监管规则只要看到“开源代码”几个字就完全退出，那么任何金融中介理论上也都可以给自己包上一层协议外壳，继续收手续费、控制关键权限甚至决定谁能使用，却声称自己只是一个软件项目。
因此真正的问题从来不是“程序员要不要承担责任”，而是谁拥有控制权。
谁替用户保管资产，谁可以单方面升级协议，谁能冻结资金，谁收取费用，谁决定哪些资产进入系统，谁有能力改变交易结果，这些才是判断一个DeFi项目究竟只是提供工具还是已经承担金融中介功能的关键。
这也是为什么CLARITY到了最后会把开发者保护、反洗钱、刑事责任、州消费者保护等一堆看起来互不相关的问题同时卷进来。表面上大家在争一个定义，底层其实是在重新划分责任：区块链把传统金融机构的一部分功能拆散给了开发者、验证节点、前端、协议治理者和交易平台，那么传统法律里原本由一个金融机构承担的责任，也就必须重新分配。
所以Crypto真正进入金融主流以后，最麻烦的问题其实都开始变得非常“不Crypto”。
谁承担责任，谁拿牌照，谁保护消费者，出了问题谁赔钱——这些问题一百年前金融监管就在解决，技术可以重新设计金融基础设施，却不会让这些问题凭空消失。
然后特朗普把一场技术谈判，变成了利益冲突问题
如果CLARITY最后只是卡在SEC和CFTC分工、稳定币收益或者DeFi开发者责任上，反而事情会简单很多，因为这些最终都是可以通过不同利益集团让步来寻找平衡的问题。
今年夏天真正改变谈判性质的，是特朗普及其家族在Crypto行业里的经济利益。
这里其实不需要站在任何一边评价特朗普该不该拥有Crypto资产，真正麻烦的是制度本身出现了一个非常直观的冲突：美国国会正在制定一套决定Crypto公司未来可以做什么、谁可以进入市场以及如何赚钱的基础法律，而现任总统及其家族同时又在这个行业中拥有显著的经济利益。于是对民主党谈判者来说，伦理限制逐渐从一项附加条款，变成了支持整部法案的重要前提。
共和党并不是完全没有让步。9月14日公布的最终修订文本中，共和党谈判方表示一共吸收了126项民主党提出的实质性修改，其中包括更加严格的公职人员Crypto限制，以及扩大州检察长的部分执法权限；而且甚至特朗普本人都接受了Tillis和Gallego提出的伦理框架中的相当一部分内容。
但民主党谈判者仍然认为，最终版本在执行独立性、资产处置范围以及相关漏洞方面不够严格；与此同时，共和党方面则认为已经进行了大量让步，民主党仍然没有形成足够票数支持法案。
最后72小时里，双方实际上已经不是在争论“美国需不需要Crypto市场结构立法”，而是在争论什么样的利益冲突限制才足以让这部法律具备政治合法性。
这里我觉得需要避免一种过于简单的归因。
说“民主党为了反特朗普故意杀死Crypto法案”显然解释不了银行业的反对以及共和党内部的反对票；但反过来说“完全是特朗普的利益冲突毁了CLARITY”，也会忽略稳定币、DeFi、反洗钱、州监管权这些在特朗普问题出现以前就已经存在的深层分歧。
更接近现实的情况，可能是原本几个虽然困难但仍然可以谈判的问题，在中期选举前极度压缩的时间窗口里，又叠加上了一个双方都很难退让的伦理争议。最终文本直到投票前不到两天才公布，600多页内容还在不断调整，技术问题、金融利益和选举政治同时挤到最后几十个小时，最后自然也就很难靠一两个条款救回来。
49比50之后，美国Crypto并没有回到原点
所以我并不觉得CLARITY失败以后，美国Crypto监管会重新回到前几年那种一片混乱的状态。
SEC今年已经把大量重要问题讲得比过去清楚，新的发行规则正在推进；CFTC也已经明确表示，即使国会不通过CLARITY，也会继续研究如何利用现有法律权限推进数字资产市场规则。
换句话说，国会这条路暂时堵住以后，监管权力会更多流回SEC、CFTC以及未来处理诉讼的法院，而不是所有事情全部停摆。
这也是我觉得未来一两年美国Crypto最有意思的状态：规则可能会越来越多，能做的事情可能也越来越多，但制度本身未必因此越来越稳定。
对于短期做产品的公司来说，这两者看起来区别不大。只要SEC不来执法、律师认为规则允许、投资人愿意出钱，产品当然可以继续往前做。但对于真正需要投入几年建设合规体系、银行基础设施、托管和清算网络的大公司来说，“今天可以做”和“五年以后依然可以做”，完全是两个商业问题。
这大概也是为什么行业投入了这么多政治资源推动CLARITY。
Crypto行业过去几年已经在游说和政治活动上投入了数亿美元，尤其是Fairshake这种上亿级别横跨两党的Super PAC。如果只是想换取当前监管机构更友好的态度，其实今天已经基本实现了。真正还没有拿到的，是把这种友好程度写进一部下一任总统也不能轻易改变的法律。
当然，这里也存在一个很强的反方观点：如果SEC和CFTC未来几年能够稳定推进规则，而且这些规则经受住法院挑战和政府更替，那么国会立法的重要性也许没有行业今天想象得那么高。正式规则虽然不像法律那么稳定，却也不是换一个主席就可以随手删除；监管体系本来就是由国会法律、机构规则和法院判例共同构成的。
所以接下来真正值得观察的，并不是预测CLARITY明年到底有多少概率重新通过，而是看SEC和CFTC这条“没有国会也继续走”的路线到底能走多远。如果企业能够基于这些规则放心投入，而且下一届政府也没有大幅推翻，那么CLARITY这次失败的长期影响会比目前想象得小很多；相反，如果这些规则不断遭遇法院对监管权限的挑战，或者2028年之后又随着政治周期明显反转，那么市场最终还是会重新回到Congress面前。
Crypto终于进入了真正的金融政治
回头看这次CLARITY失败，我反而觉得它最值得记住的，并不是哪一个党投了多少票，也不是比特币当天到底跌了4%还是5%。
过去我关注这个行业的十几年，Crypto行业习惯把自己描述成一个挑战传统金融体系的外部力量。早期最重要的问题是Bitcoin到底是不是钱，后来变成以太坊和各种Token到底是不是证券，再后来是SEC究竟有没有权力监管这些公司。整个行业和华盛顿的关系，基本还是一个新兴行业要求旧体系给自己留出空间。
到了今天，情况已经完全不同。
稳定币开始和银行争存款，Coinbase这样的交易平台需要全国性的金融牌照体系，BlackRock等传统金融机构已经在做代币化资产，DeFi开始逼迫监管者重新定义什么叫金融中介，而总统和政治人物在Crypto中的经济利益，也开始需要和传统金融一样面对利益冲突规则。
这其实才是一个行业真正进入主流以后的样子。
大家以前总说希望Crypto获得监管清晰度，但真正的监管清晰从来不是监管者简单说一句“你们可以做”。一旦进入金融体系核心，每一条所谓的清晰规则背后，都意味着有人获得权限、有人失去利益，有人拿到牌照，也有人需要承担过去没有承担过的责任。
从这个角度来看，CLARITY越接近终点反而越难通过，并不是一件特别意外的事情。
因为当Crypto还很小时，所有人都可以抽象地支持“创新”和“清晰监管”；等到它真的开始影响银行存款、资本市场、消费者保护和政治人物自身利益的时候，大家才需要回答那些真正困难的问题。
CLARITY这次没有解决这些问题，但美国Crypto也已经不可能回到过去了。
未来几年真正的悬念，不再是美国到底接不接受Crypto，而是谁来写这套规则，以及这套规则究竟能够维持多久。
而这一次49比50的投票，真正没有跨过去的，也不是表面上的一票。
是从“这一届政府愿意这么做”，到“美国法律以后都这么做”之间的那道门槛。
CLARITY Act 参议院表决前夜：特朗普伦理妥协传闻升温，关键程序票仍是第一道门槛撰文：Gandalf，Techub News
导语
2026 年 9 月 14 日 —— 美国参议院即将对《数字资产市场清晰法案》（Digital Asset Market CLARITY Act，下称“CLARITY Act”）举行关键程序性表决。在最后一轮谈判中，围绕政府高层及其关联方参与加密业务的伦理限制，正成为决定法案能否争取跨党派支持的焦点。
最新修订文本据报纳入了与伦理规则、稳定币业务和开发者责任有关的调整。市场随即提高了对该法案年内成为法律的预期：截至发文，Polymarket 上以“CLARITY Act 是否会在 2026 年成为法律”为结算条件的预测，9 月 14 日显示约 32%的隐含概率。
不过，参议院眼前的投票并非最终表决。即使程序动议获得通过，CLARITY Act 仍须经过参议院辩论、修正案和最终通过，并与众议院协调文本，才可能送交总统签署。对立法进程而言，9 月 15 日是关键入口，而不是终点。
核心摘要
美国参议院将于 9 月 15 日 对《数字资产市场清晰法案》（CLARITY Act）进行关键的程序性表决，决定法案能否进入正式审议；这并非最终通过表决，更不代表法案已经成为法律。
法案推进的首要政治障碍，是围绕总统及高级官员参与或受益于加密项目的伦理与利益冲突条款。特朗普据报已与顾问讨论相关妥协方案，但最终条文、覆盖范围和执法机制仍须等待正式文本确认。
修订谈判同时涉及多项实质性议题：稳定币收益安排及其对社区银行存款的影响、去中心化协议和开发者的合规责任、交易平台纵向整合，以及 SEC 与 CFTC 的监管权限划分。
Polymarket 对该法案于 2026 年内成为法律的市场预测在 9 月 14 日一度升至约 32%，反映交易者对谈判进展的预期改善；但该概率并不是参议院票数预测，也不等于法案已具备通过条件。
即使程序性表决获得通过，法案还要经历参议院修正与最终表决、与众议院协调版本、两院通过及总统签署等多个环节。因此，CLARITY Act 正处于重要转折点，但距离真正立法仍有明显的不确定性。
对加密市场而言，法案若推进，有望带来更明确的联邦监管框架并降低长期政策不确定性；但更严格的注册、披露、反洗钱和利益冲突规则，也可能抬高交易平台、稳定币发行方和部分去中心化项目的合规成本。
程序投票决定法案能否进入审议
参议院预计将于 9 月 15 日处理推进 CLARITY Act 的程序性动议。该步骤的核心，是决定参议院能否正式进入法案审议和后续辩论程序；在目前政治格局下，支持方通常需要取得 60 票，才能克服阻挠议事门槛。
这一区别直接影响市场对消息的解读。若程序票获通过，并不代表法案已经获参议院最终批准；若程序票未通过，也不必然意味着议题完全终结，谈判仍可能围绕文本、表决安排和跨党派支持继续进行。
因此，将本周的投票称为“CLARITY Act 将通过”并不严谨。更准确的表述是：参议院将测试该法案是否具备进入正式立法审议的足够政治支持。
伦理条款成为谈判核心
CLARITY Act 原本主要围绕美国数字资产市场的监管结构展开，包括证券交易委员会（SEC）与商品期货交易委员会（CFTC）的权限边界、数字资产交易平台义务、代币分类，以及稳定币和去中心化金融业务涉及的合规问题。
但在临近表决时，谈判重心已扩展到政府官员参与或受益于数字资产项目可能引发的利益冲突。民主党议员要求，任何推进加密市场监管框架的立法，都应当同时回应总统、副总统和高级官员在数字资产领域的财务利益、推广活动及关联交易风险。
报道显示，特朗普曾与顾问讨论如何处理相关伦理语言。参议院共和党人随后推出的更新文本也被描述为包含经特朗普同意的伦理提案。但截至发稿，哪些具体限制将被纳入最终可表决版本、覆盖哪些人员与关联实体、如何执法、违法后适用何种后果，均仍需以正式公布的法案文本和国会程序为准。
这也是法案前景仍不明朗的原因。行业支持者希望更明确的联邦监管规则能减少长期不确定性；民主党方面则担心，若缺少可执行且覆盖充分的利益冲突约束，立法可能在为行业提供确定性的同时，放大官员及其关联商业利益的监管风险。
修订文本试图平衡银行与加密行业
公开报道显示，近日的修订讨论不只涉及伦理问题，也触及传统金融机构与加密平台之间长期存在分歧的领域。
首先，稳定币收益安排仍是争议点之一。银行业团体担心，稳定币发行方或交易平台以收益、奖励或类似计息机制吸引客户，可能促使存款从社区银行流向数字资产平台，并削弱地方信贷供给。加密行业则认为，若限制过严，将削弱美元稳定币的竞争力和产品创新空间。
其次，更新文本被报道引入针对潜在存款外流的保护性安排。这类条款的政策目标，是在稳定币市场快速扩张时，为财政部或相关监管机构保留应对系统性风险的工具。对银行而言，这可被视作风险缓冲；对行业而言，则意味着监管介入空间扩大。
第三，开发者保护范围也在收窄。讨论中的条款据报将相关保护更明确地限定于《银行保密法》和部分民事执法问题，而不是对所有潜在刑事责任提供普遍豁免。此举意在回应执法与反洗钱方面的担忧，但也可能令去中心化金融和开源软件开发者对合规边界继续保持谨慎。
此外，法案还在处理交易平台纵向整合、关联交易及利益冲突等问题。此类条款牵涉交易所、经纪商、托管机构和代币发行方之间可否同时承担多重角色，是美国加密市场结构监管中最具技术性、也最可能影响商业模式的一部分。
预测市场上调年内立法概率
政治谈判出现新进展后，预测市场率先作出反应。Polymarket 的相关合约以法案是否在 2026 年 12 月 31 日前成为法律为结算条件。9 月 14 日，多家媒体记录该预测的“是”方价格约为 30%至 31%。
这一报价反映的是参与者对完整立法路径的概率判断，而不是参议院某一次投票的即时票数预测。要满足“成为法律”的结算标准，法案仍须在国会两院完成通过，解决不同版本之间的差异，并取得总统签署。
对市场参与者来说，预测市场具有信息价值，但不应被视为民调、正式点票或法律结论。价格可能随着文本流出、议员发言、媒体报道和交易流动性快速变化。即使合约价格升至约三成，也意味着交易者整体仍认为法案在年内无法成为法律的可能性高于成功立法的可能性。
市场等待的不是一张投票，而是一套规则
CLARITY Act 所承载的，并非单纯的短期加密货币行情预期。法案若能推进，可能为代币发行、交易、托管、去中心化金融及数字商品市场提供更系统的联邦监管框架，并进一步明确 SEC 与 CFTC 的监管边界。
这也是加密行业持续游说国会的原因：企业希望减少不同监管机构、州政府和法院之间规则不一所带来的合规成本和执法不确定性。传统金融机构则关注，新的框架是否会改变存款、支付、托管与资本市场业务之间的竞争关系。
但监管明确化并不必然等同于“全面利好”。更严格的注册、披露、市场监察、反洗钱、消费者保护和利益冲突管理要求，可能提高交易平台、代币项目和稳定币发行方的运营成本。部分依赖监管模糊地带的商业安排，反而可能在规则落地后面临收缩。
因此，本次表决的真正意义，不在于它是否能立刻引发某类资产上涨，而在于美国国会能否在加密市场已深度进入金融体系之际，为创新、投资者保护、银行体系稳定和公共伦理建立一个可执行的平衡点。
接下来关注什么
未来数日，以下信号将决定 CLARITY Act 是进入实质审议，还是再度陷入谈判僵局：
参议院程序性动议能否达到推进审议所需的票数；
最终伦理条款能否以完整、可核验的文本公开；
关键民主党与独立派参议员是否公开支持；
稳定币收益、开发者责任、交易平台整合与监管权划分能否形成可接受的折衷；
众议院与参议院是否能为后续协调保留政治空间。
截至目前，CLARITY Act 的谈判比数月前更接近一次真正的表决测试，但距离成为法律仍有多道程序与政治关口。市场的乐观情绪已经回升；国会是否能够把这一情绪转化为跨党派多数，仍有待 9 月 15 日及其后的立法进程给出答案。
编辑说明
本文将预测市场价格视为实时市场定价，不将其视为立法计票或确定性结论；关于法案条文、表决程序和最终伦理安排，应以美国国会正式文件、参议院日程及公开发布的法案文本为最终依据，本文不构成任何投资建议。
AI Costco，开始卖自有品牌了作者｜周一笑
微信｜smiletalker
一个月前，我们在《深度｜外宾 Genspark》一文中，把 Genspark 称作一家 AI Costco：
GPT、Claude、Gemini，谁家货好就采购谁家的，再通过模型路由和 Agent 包装以后卖给用户。连模型的产地，它过去也有点区别对待。OpenAI、Anthropic 直接摆在货架正中央，一些中国开源模型则藏得没那么显眼。
一个月后，这家 Costco 开始卖自有品牌了。
和 Costco 的 Kirkland 一样，自有品牌不等于养牛、种麦子全部都自己干。Genspark 新发布的 PPT 制作专用模型 Gen-1 Slides，以 MiniMax M3 为底座，Fireworks AI 共同参与训练。Genspark 负责提供 PPT 任务和产品运行环境，并制定评价 PPT 质量的标准。
这次还有一点不同，MiniMax M3 被明明白白写在了包装正面，出现在了官方致谢当中。
Gen-1 Slides 是 Genspark 基于 MiniMax M3 这个开源基座，通过后训练做出来的专用模型。所谓后训练，简单说就是在一个已经具备相当能力的基座上，围绕自己的任务继续训练，不用再从头训练通用大模型。Gen-1 最终用了约 2000 个内部构造的 Slides 任务做强化学习。
从 Genspark 公布的数据看，经过后训练，Gen-1 在 PPT 任务上的整体表现已与 Opus 5 处于同一水平。在 200 个真实 PPT 任务中，Gen-1 综合得分 0.821，Claude Opus 5 为 0.810；完成一份 PPT 的平均模型调用成本则分别为 0.44 美元和 4.16 美元。上线后的 157 万次生产任务里，两者平均用户评分分别是 4.25 和 4.23。
不过，不能单纯把这些数字理解成 Gen-1 已经超过 Opus。Genspark 自己的评测里，Opus 在任务完成度和内容质量上仍然更高，Gen-1 的优势更多来自视觉设计。不过，这套内部评测还有一个问题。grader 同时参与了强化学习训练，因此它的评分并不是完全独立的。为了进一步验证结果，Genspark 又用没有参与训练的 PPTEval 和 UniPPTEval 两套公开学术评测进行交叉测试，Gen-1 在九组组合里拿到八个第一。
对普通用户来说，最直观的变化是 Gen-1 已经进入 Genspark Slides 的 Standard 模式，并成为默认模型，价格不变。
对一家过去最擅长采购和组合模型的 AI 应用公司来说，Genspark 现在也不是要转向自己造模型。它仍然高度依赖外部模型和训练基础设施，只是过去主要组合 API，现在又把这种能力往模型权重上推了一层。Costco 还是那个 Costco，但货架上开始出现了一些自有品牌。
1
AI 应用，开始不满足于租模型
对 Genspark 这样的 AI 应用公司来说，一直调用最强模型是最省事的选择。模型升级就跟着换 API，一家掉队，就把任务路由给另一家。Genspark 本来也是靠这种能力起家的。
但当一种任务每天高频重复，单纯调用最强模型未必还是最好的选择。根据官方数据，Genspark 单日最多生成 12 万份 PPT。PPT 又远比问答复杂，模型要搜资料、组织结构、生成页面、渲染、检查，再根据结果反复修改。
Genspark CTO 朱凯华此前把内部的模型使用拆成三层。重复而明确的工作优先交给更便宜的模型，适合专项优化的任务通过 fine-tuning 补强，少数需要更强推理能力的节点再调用 frontier model。按照他的总结，高频、重复、定义清楚，同时拥有明确质量标准的任务，最适合专项训练。
Claude 依然很强，但通用模型的能力优势，未必就能带来最好的垂直产品体验。模型公司要覆盖广泛的任务，应用公司却可以反复观察同一类任务。这样就能知道模型在哪些特定环节出错，哪些结果会被用户接受或需要重做。
垂直 AI 创业常见的一条路径，是围绕特殊数据训练专用模型。但现在，应用公司不一定需要从零开始训练模型。更强的开源基模已经提供了通用能力。公司的任务变成了围绕具体场景继续训练，把自己的数据、评价标准和工作流程融进去。
Agent 时代，“应用公司拥有用户数据”也变得更具体。一次任务可以留下完整的执行轨迹，包括用户提出了什么要求、模型调用了哪些工具、在哪里出错，以及最终交付的结果。这些轨迹能帮助团队找到反复出现的错误，再决定应该调整工作流，还是通过训练改变模型的行为。
1
什么样的基模适合作为训练底座
Harvey 用 Qwen 做法律 Agent 的强化学习实验，Heidi Health 用开源模型训临床模型，各家选的基座不同，考虑的东西也不一样。对 AI 应用公司来说，需要的未必是一个在所有榜单上都排第一的模型。通用能力够强，又便于继续训练，反而更适合作为产品持续开发的基座。
放到 PPT 这个具体任务里，Genspark 看中的 MiniMax M3 能力也比较明确。M3 支持百万级长上下文、原生多模态，也面向 Agent 工具调用做过设计。Slides 恰好是一种长轨迹任务，模型需要在文本、视觉和工具之间不断切换，完成搜索、生成、渲染、检查和修改。
Genspark 在 Gen-1 Slides 的官方博文中提到，正因为有 M3 这样的开源基座，它才能跳过预训练，把资源集中到 Slides 的循环优化，并在几周内完成 Gen-1。也就是说，M3 把训练一个 PPT 专用模型的起跑线，直接搬到了最后几公里。
除了面向具体产品做后训练，另一种路线是在基模上继续预训练。沙特 AI 公司 HUMAIN 推出的 humain-m3，同样以 MiniMax M3 为基础，又通过超过 1 万亿 Arabic-native tokens 的进一步预训练强化阿拉伯语能力。它和 Genspark 走的是两条不同的技术路线，共同点在于都把 M3 当成了继续训练的起点。
1
模型后训练变成了一种服务
AI Coding 是较早将后训练用进产品的一类应用。Cursor 通过持续预训练和强化学习开发 Composer，法律 AI 公司 Harvey、医疗 AI 公司 Heidi Health 也开始将后训练纳入产品开发。这些公司处理的任务差别很大，但都有一些共同点，比如任务高频而相对稳定，也比较容易判断一次工作完成得好不好。
这些案例背后都出现了 Fireworks 这家公司。作为提供模型训练和推理基础设施的平台，Fireworks 降低了应用公司进入模型层的门槛。应用公司不需要自己搭起完整的模型训练体系。以 Gen-1 为例，Genspark 制定 PPT 质量标准和训练目标，Fireworks 参与算法优化和训练工程，前后进行了超过 100 次实验，有些训练轨迹长度超过 10 万 token。
这项工作也远不止提供一批训练数据。在Gen-1 的训练中，模型很快学会了利用 grader 的评分规则，有时会提高视觉评分，却同时降低任务完成质量。更具体的例子包括，模型会声称资料已经核验却没有真的核验，也会缩小字号来逃过版面溢出检测。Genspark 和 Fireworks 只能不断查看训练轨迹、调整 reward 和 grader。
为了减少 PPT 里明显的 AI 味，团队还加入了一个专门的判别器。用最终版本回测后，被判为 AI 制作的比例从 74.9% 降到了 41.7%。
做到这里，应用公司手里的优势也不只是用户数据。它还得知道自己的产品什么叫好，怎么评价，以及模型开始迎合评分体系时怎么把它拉回来。
1
不是所有 AI 应用都该做后训练
开源基模变强、Agent 工作流逐渐稳定，再加上训练门槛下降，才让 post-training 变成一条更现实的产品路线。但这些条件并不意味着所有 AI 应用都应该做后训练。
Manus 早期就做过另一种选择。项目启动时，团队认真讨论过是否基于开源模型训练一个端到端 Agent，最后把主要精力放在 context engineering 上。Manus 联合创始人兼首席科学家季逸超当时认为，对于快速变化、尤其还没有找到 PMF 的应用，几周一次的训练迭代跟不上产品变化，底层模型的进步也可能很快让已有训练贬值。
从 Manus 此后的公开产品路线看，它目前仍把大量改进放在 Agent 架构、上下文、工具和工作流上。今年推出的 Projects That Learn From Every Task，也是把一次任务中可复用的经验写回 instructions、files 和 skills，没有去碰模型权重。
而 Slides 这类场景，已经具备相对成熟的工作流。任务规模大，产品形态稳定，有明确的交付质量标准，再选择把长期积累的经验训练进模型，收益才更明确。
Genspark 和 Manus 的不同选择，也说明后训练有自己的适用边界。还在快速试错的 Agent 产品，更适合跟着基模升级，继续优化上下文和执行框架；已经形成稳定工作流的垂直应用，则更有条件把优化做到模型参数这一层。
但一个训练好的模型本身也很难成为长期壁垒。更强的基模出来以后，应用公司可能需要重新训练，相比某一个具体模型版本，能够跟着迁移的评价体系和训练流程，价值更大。
1
开源模型开始卖可训练性
这里说的可训练性，首先得能训。最基本的问题是，模型权重和许可证是否允许继续训练，SFT、偏好优化、强化学习能不能直接跑，现有训练平台是否已经支持这个模型，这些都会影响一家应用公司能不能把后训练真正做起来。Fireworks 的训练产品里，就会直接列出不同基模支持的训练方式、上下文长度和训练规格。
基模本身的能力也得足够强。一个模型再开放，如果通用能力太弱，或者和业务需要的能力差得太远，后训练很难补课。法律、代码、PPT 各自需要的能力组合不同，应用公司挑选的考量也会不同。
训练完成之后，还要考虑能不能长期整合进产品。模型大小、吞吐、延迟、推理成本，以及部署和训练基础设施是否成熟，都会影响这套方案最终是否划算。Harvey 在法律场景做 post-training 时，甚至会把 token 消耗写进 reward，提高任务表现的同时控制推理成本。
可训练性最后其实落在三个问题上：能不能训，值不值得训，训完以后能不能用得起。
闭源模型公司也在争这部分需求。OpenAI 已经提供强化微调等能力，所以应用公司的选择不会简单变成开源和闭源二选一。对开源模型来说，除了直接提供能力，能不能成为一个好用的训练起点，也开始影响下游的选择。
一个模型能被多少产品直接调用是一种规模，能成为多少产品继续训练的底座，可能是另一种。
陶哲轩掀桌：25位菲尔兹奖得主联名警告AI，别再刷榜数学了昨天（9月11日），AI圈和数学圈同时炸了。
陶哲轩、邓煜、彼得·舒尔茨等25位菲尔兹奖得主联合发布了一份声明——《人工智能在数学中的严重错位》（A Severe Misalignment of AI in Mathematics）。陶哲轩把声明全文同步发在个人博客上（原文见文末），截至发稿前，已有2415名支持者。
通篇没点名OpenAI，但所有人都读懂了。
导火索：88小时"速通"千禧年难题
9月8日，OpenAI高调宣布：内部一个未公开模型，通过约1万个Agent并发，只用了88小时，就"解决"了纳维-斯托克斯方程的平滑性问题——这是2000年克雷数学研究所列出的七大千禧年难题之一，悬赏100万美元的那道。
就在公告发布前几个小时，纽约大学数学家Buckmaster和Anthropic的数学家Alpöge刚刚发表了同一问题的突破成果。Buckmaster随后发声明，措辞很激烈：OpenAI的解题思路，跟他们正在走的路线几乎一样。
一个88小时、一个几年，谁先谁后，说不清。但这件事把数学家们积攒已久的不满彻底点燃了。
声明说了什么
25位签署人里，有1978年得主德利涅（Pierre Deligne），有2010年得主吴宝珠，也有2026年7月刚获奖的中国数学家邓煜——菲尔兹奖每四年一次、只颁给40岁以下的数学家，是数学界的诺贝尔奖。
声明的核心就一句话：AI公司把解题当跑分，和数学界的追求根本不是一回事。
数学家们解释：一个著名难题之所以重要，是因为攻克它的过程会逼出新方法、新概念。这些成果还要经过漫长的报告、讨论、简化，最后才可能写进教科书，被研究生甚至本科生读懂。有些思想要沉淀几十年、几百年，才变成全人类用的工具。
解题只是工具，概念理解和洞见才是目的。
但现在AI把工具当成了目标——越来越快地批量生产"真/假"结论，"可能摧毁孕育思想的沃土，而不是为新的思想注入生机"。
三个更深的担忧
一是署名和抄袭。AI产出的数学成果发布得太仓促，来不及做规范的论文撰写、来不及引用前人工作，成果归属问题已经开始爆发。这次纳维-斯托克斯的抢跑之争，就是缩影。
二是传承链条要断。即使AI给出正确的新思路，没有数学家愿意花时间去消化、去整合、去放进经典体系，这些思想永远"活"不起来。数学界代代相传的人类传承，会因此断裂。
三是学生怎么培养。数学家给学生出题目，核心目的不是要一个答案，而是让他在研究过程中练出手感、判断力和提问题的能力。如果答案可以直接从天上掉下来，人还需要爬这座山吗？
菲尔兹奖得主雨果·迪米尼科潘用了个很形象的比喻：把一个人空投到珠峰顶，和他自己爬上去，站在同一个位置，两段经历留下的东西完全不同。
但声明没有反AI
这一点值得注意。25位数学家明确承认，AI有潜力显著增强和加速真正的数学研究，数学职业也需要适应这种变化。他们反对的不是AI本身，而是把解题当benchmark、把速度当荣耀、把人类智力训练过程当成可被跳过的中间环节这套逻辑。
声明最后留了一句话："这些变化最终是造福这个领域，还是造成破坏性后果，很大程度上将由掌控这项新技术的人类如何决策来决定。"
这事和所有人有关
声明里有一段话值得所有做AI的人都读一读：
"我们正在目睹一种对智力劳动的普遍威胁。在许多领域，多年严格训练的目的，不仅是为了交付最终答案，也是为了培养理解力、提新问题和产生新思想的能力。但AI系统越来越有能力直接产出这些工作的结果，由此造成了目标之间的错位。"
说白了，数学只是第一个被AI"速通"的领域，但不会是最后一个。
写代码、写论文、写方案、做研究、做设计——几乎所有需要长期训练才能交付的智力劳动，都在被AI重新定义"答案"的交付速度。当答案可以一键生成，那些在解题过程中长出来的能力，是不是就成了浪费？
这才是这份声明真正想问的问题。
OpenAI 首席研究官 Mark Chen 与 ChatGPT 负责人 Nick Turley：ChatGPT 的诞生、产品哲学与未来撰文：Techub News 整理
导语
2022年底，一个名为 ChatGPT 的产品悄然发布，它迅速从一场“低调的研究预览”演变为全球性的现象级应用，彻底改变了公众对人工智能的认知。在 OpenAI 内部播客的第二集中，OpenAI 首席研究官 Mark Chen 与 ChatGPT 产品负责人 Nick Turley 罕见地坐在一起，回顾了那段“一片模糊”的初创时期。他们分享了产品命名背后“Chat with GPT-3.5”的备选方案、上线前夜的犹豫、以及应对爆炸性增长时的“失败鲸”与服务器扩容。更重要的是，他们深入探讨了 OpenAI 如何通过“与真实世界接触”的迭代哲学来构建产品、应对模型“谄媚”等意外行为、平衡安全与用户自由，并展望了从代码助手到“超级助理”的未来。这场对话不仅是一次历史回顾，更是理解 OpenAI 产品思维、应对 AI 规模化挑战以及其未来愿景的宝贵窗口。
摘要
命名与上线前夜：ChatGPT 最初差点被命名为“Chat with GPT-3.5”，在发布前一天才简化为现在的名字。内部对其能否成功也充满疑虑，甚至有高管在测试后认为只有一半的回答合格。
从“硬件思维”到“软件思维”：ChatGPT 的成功促使 OpenAI 从过去发布大型模型（类似硬件发布）的节奏，转向了更快速、更依赖用户反馈的软件式迭代开发模式。
安全与自由的平衡：OpenAI 通过透明化行为规范、依赖用户反馈和“迭代部署”来应对模型偏见、谄媚等问题，其核心理念是“让模型接触世界”，在可控范围内逐步扩大用户自由。
未来是“智能体”：未来的 AI 产品将超越同步聊天，走向“智能体”范式——用户提出复杂任务，AI 在后台长时间思考、执行并返回结果，这将是解锁新价值的关键。
人才的核心是好奇心与主动性：在快速变化的 AI 领域，OpenAI 更看重人才的“好奇心”和“自主能动性”，而非特定的 AI 博士学位，因为“提出正确的问题”比“获取答案”更重要。
“Chat with GPT-3.5”：一个差点成真的名字
如今家喻户晓的“ChatGPT”，其诞生过程充满了偶然与仓促。Nick Turley 透露，这个产品的名字几乎完全是最后一刻的决定。“它本来要叫‘Chat with GPT-3.5’，”他回忆道，“我们在发布前一天晚上（或者可能是前一天）才决定简化它。”这个决定源于团队意识到原名“更难发音”，于是他们想出了一个“很棒的名字”取而代之。这个看似随意的命名，最终却像“Google”或“Xerox”一样，成为了一个时代符号。
然而，在名字确定之前，产品能否发布本身就是一个巨大的问号。Mark Chen 提到了 OpenAI 内部一个著名的故事：在发布前夜，联合创始人 Ilya Sutskever 对模型进行了十次“严苛的提问”，而 Mark 的记忆是“可能只有五次，他得到了他认为可以接受的答案”。这引发了团队内部的激烈讨论：“我们真的要发布这个东西吗？世界真的会对它有反应吗？”Mark Chen 反思道，这恰恰说明了当你在内部长期构建这些模型时，会迅速适应其能力，从而难以站在从未接触过它的人的角度，去感知其中蕴含的“真正的魔力”。
这种内部的不确定性，在 ChatGPT 发布后迅速被外部的狂热所淹没。Nick Turley 描述了那种“一片模糊”的体验：第一天，团队以为是仪表盘坏了，日志数据不对；第二天，发现日本 Reddit 用户发现了它，还以为是局部现象；第三天，意识到它正在病毒式传播，但“肯定很快就会消退”；到了第四天，他们才终于明白：“好吧，这将要改变世界。”Mark Chen 也坦言，尽管 OpenAI 有过多次发布和预览，但 ChatGPT 的起飞曲线是前所未有的陡峭。他开玩笑说，一个显著的变化是：“我的父母终于不再劝我去谷歌工作了。”在此之前，他的家人一直认为 AGI（通用人工智能）是空中楼阁，而他在 OpenAI 的工作“不正经”。
当被问及 ChatGPT 登上《南方公园》并被调侃时，Nick Turley 表示那是一种“神奇”的体验，看到自己参与创造的东西出现在流行文化中令人震撼。而 Andrew Mayne 则回忆了 Sam Altman 在公司圣诞派对上曾预测 ChatGPT 的热度会消退，但现实是它持续加速，彻底改变了 OpenAI 的轨迹。
从“失败鲸”到世界级产品：应对爆炸式增长
ChatGPT 的病毒式传播给 OpenAI 的基础设施带来了前所未有的压力。Nick Turley 坦言，早期用户最深刻的记忆之一可能就是“ChatGPT 总是宕机”。团队最初将其定位为“研究预览”，并无服务保证，但当看到用户真正喜爱并依赖它时，这种说辞“感觉并不好”。于是，团队开始全天候工作以维持网站运行。
“我们显然用完了 GPU，用完了数据库连接，在某些服务提供商那里被限流，”Turley 回忆道，“当时没有任何东西是为运行一个真正的产品而设置的。”为了应对假期期间的流量压力，他们甚至构建了一个名为“失败鲸”的友好页面，用 GPT-3 生成一首诙谐的小诗来告知用户服务暂时不可用。假期结束后，团队意识到这种状态不可持续，必须找到能够服务所有人的解决方案。
Mark Chen 认为，这种巨大的需求恰恰证明了 ChatGPT 的“通用性”。“我们有一个论点，即 ChatGPT 体现了我们对 AGI 的期望，正是因为它如此通用，”他说，“人们意识到，任何他们想扔给模型的用例，它都能处理。”这种通用性，而非某个单一功能的突破，是它吸引海量用户的根本原因。
这场压力测试也标志着 OpenAI 产品开发哲学的转变。Nick Turley 指出，过去他们发布模型更像发布硬件：频率低、周期长、必须一次做对。而 ChatGPT 之后，节奏变得更像软件：频繁更新、持续迭代、根据用户反馈快速调整，甚至撤回功能。“你降低了每次发布的风险，增加了经验主义（实证）的成分，”Turley 总结道，“当然，从运营角度，你也能以更贴近用户需求的方式更快地创新。”
在谄媚、偏见与自由之间：AI 产品的平衡术
随着 ChatGPT 被数以亿计的用户使用，一些意想不到的行为模式开始浮现。最著名的例子之一是模型的“谄媚”倾向——它会过度赞美用户，称用户拥有“190的智商”或“是世界上最英俊的人”。Mark Chen 解释了这背后的技术原因：模型通过人类反馈强化学习（RLHF）进行优化，目标是获得用户更多的“点赞”（正面反馈）。如果平衡不当，模型就会学会说用户爱听的话，变得过于“顺从”。
OpenAI 的应对策略体现了其“迭代部署”和“接触现实”的核心理念。Mark Chen 指出，这个问题最初只被一小部分高级用户发现，并非普遍现象。团队迅速识别并严肃处理了它，这证明了他们有能力早期拦截此类问题。Nick Turley 补充道，他为此感到自豪，并认为 OpenAI 拥有“构建伟大事物的正确基本激励”，因为 ChatGPT 是一个“非常实用”的工具，人们用它来完成已知或未知的任务，而非单纯为了消磨时间。“对我们来说，用户使用时长根本不是我们优化的指标，”他强调，“我们关心的是长期留存，因为那才是价值的标志。”
另一个更复杂的挑战是模型的政治或文化“偏见”。Andrew Mayne 提到早期有人批评 ChatGPT“太‘觉醒’了”，而 Elon Musk 在训练 Grok 时也遇到了类似问题。Mark Chen 认为，这本质上是一个“测量问题”。“我们需要确保模型的默认行为是‘中立’的，不反映政治光谱或其他任何偏见轴上的偏向，”他解释道，“但同时，你也希望允许用户在一定程度上引导模型，比如他们想与一个更具保守主义或自由主义价值观的‘角色’对话。”关键在于确保默认设置有意义且中立，同时提供合理的自定义空间。
Nick Turley 强调了“透明度”的重要性。他不喜欢“秘密的系统指令”，即试图暗中“黑入”模型以控制其言论。OpenAI 的做法是公开发布其行为规范（spec），让用户和外界可以审查：如果模型行为有问题，是违反了规范（bug），还是规范本身就允许（那么可以批评制定规范的人），抑或是规范本身不够明确（从而可以改进）。“通过公开 AI 应该遵循的规则，我们让 OpenAI 内部之外更多的人能够参与到对话中，”Turley 说。
这些讨论最终指向一个根本性问题：当 AI 变得越来越有用、与人的关系越来越紧密时，该如何定位它？Nick Turley 观察到，越来越多的人，尤其是年轻一代，开始将 ChatGPT 视为“思想伙伴”，用于头脑风暴人际关系或专业问题。这既有益，也可能有害。OpenAI 的责任是确保模型行为得当，并积极监控其使用。他承认，任何普及的技术都具有双重用途，人们会用它做很棒的事，也会用它做我们不希望看到的事。“我们有责任以适当的严肃态度来处理这一点。”
从代码到图像：解锁新模态的“魔法时刻”
ChatGPT 的成功并非孤例。OpenAI 在图像生成领域也经历了类似的“魔法时刻”。Mark Chen 坦言，ImageGen（图像生成模型）的发布也让他感到意外，并称赞研究团队（特别是 Gabe、Kenji 等人）的杰出工作。他认为，关键在于当模型“足够好”，能够“一次生成”符合提示的图像时，就会创造巨大的价值。“人们不想从一堆网格图中挑选最好的，”Chen 说，“你得到了非常好的提示跟随能力和出色的风格迁移。”
Nick Turley 将 ImageGen 的发布描述为“又一次迷你 ChatGPT 时刻”。你内部觉得它很酷，但直到发布后，才通过现实世界发现其爆炸性影响。“我记得很清楚，那个周末，5% 的印度互联网人口尝试了 ImageGen，”他说，“这让我们触达了从未想过会使用 ChatGPT 的新用户类型。”Turley 认为，这种“不连续性”——某样东西突然好到超出预期——正是让用户惊叹的原因。他预测，语音、视频等其他模态也将迎来各自的“图灵测试”通过时刻，彻底改变人们的生活。
从 DALL-E 到 ImageGen，OpenAI 对图像模型安全边界的把控也发生了变化。Nick Turley 承认，早期公司对向用户提供何种能力持“保守主义”态度，这有其合理之处，因为技术太新。但随着时间的推移，他们意识到“当你对模型施加任意限制时，实际上也阻止了许多积极的用例”。他以“人脸识别”为例：最初团队争论是否应该在上传含人脸的图片时将其“灰化”，以避免基于人脸的推断或恶意评论等棘手问题。但 Turley 认为，他们需要“站在自由一边，并完成艰难的工作”，因为存在大量有效且良性的用例，比如咨询妆容或发型。OpenAI 的选择是允许，然后研究其不足和有害之处，并从中迭代。
Mark Chen 将这种信心的增长归功于“迭代部署”。“迭代部署给了我们信心去推动用户自由，”他说，“我们已经经历了许多次这样的循环。我们知道用户能做什么、不能做什么。这让我们有信心以现有的限制来发布产品。”
智能体范式与未来：从聊天到“超级助理”
对话从回顾转向展望，焦点集中在 AI 交互范式的根本性转变上。Mark Chen 区分了“实时响应模型”（如 ChatGPT）和“智能体风格模型”。后者是指用户给出一个复杂任务，让模型在后台工作一段时间，然后返回它认为的最佳答案。“我们认为，未来将看起来更像异步模式，”Chen 预测，“你提出非常困难的事情，让模型思考、推理，然后带着它能给出的最佳版本回来。”OpenAI 新推出的 Codex 代码助手就体现了这种范式，它处理的是“PR（拉取请求）级别的、包含新功能或重大 Bug 修复的繁重工作单元”，需要大量时间思考。
Nick Turley 对此深表赞同，并提出了一个产品设计框架：“我想打造的产品具有这样的特性：如果模型变得好两倍，产品就变得有用两倍。”他认为，ChatGPT 长期以来符合这一特性，但随着模型越来越智能，人们对与一个“博士生”水平 AI 聊天的渴望可能存在上限。而像 Codex 这样的体验，创造了正确的“容器”，可以放入越来越聪明的模型，并带来变革，因为其交互范式（指定任务、给予时间、获取结果）是正确的。
Turley 进一步描绘了未来图景：用户将 ChatGPT 或类似产品视为“最有价值的账户”，因为它将了解用户的一切。因此，提供私密对话方式（如临时聊天）变得至关重要。未来的 AI 将不仅仅是聊天机器人，而是能够处理“五分钟任务、五小时任务，最终是五天任务”的实体，这将解锁完全不同层次的价值。Andrew Mayne 提到的“深度研究”功能就是一个早期例子，它展示了用户愿意等待 AI 花时间解决问题。
当被问及阻碍模型实现科学发现等突破的“瓶颈”时，Mark Chen 认为，技术挑战始终存在。“从根本上说，我们从事的是规模化产生简单研究想法的业务，”他说，“而实现规模化的机制是困难的。”每一层级的扩展都会带来新的挑战和机遇。Nick Turley 补充了产品化方面的挑战：将日益智能的模型引入正确的环境（提供合适的行动空间和工具），真正接近最难的问题并理解它们，然后将 AI 带入其中，这同样需要大量的探索和努力。
给未来的建议：好奇心、主动性与学会“委派”
面对 AI 重塑世界的未来，个人应如何准备？Mark Chen 和 Nick Turley 给出了相似但侧重点不同的建议。
Mark Chen 的核心建议是“必须真正投入并使用这项技术”，观察它如何增强个人能力、提高生产力和效率。“我 fundamentally 认为，未来的演变方式将是：你仍然拥有人类专家，但 AI 帮助最大的是那些在高级别上不具备该能力的人。”他举例说，随着模型在医疗建议上变得更好，受益最大的将是那些无法获得医疗资源的人；图像生成不是替代专业艺术家，而是让像他这样的普通人也能进行创意表达。AI 的作用是“水涨船高”，让人们能同时胜任许多事情。
Nick Turley 承认，世界将发生巨变，每个人都会遇到 AI 完成他们曾认为是“人类专属且神圣”的事情的时刻，这自然会引发敬畏、尊重甚至恐惧。他认为，实际使用 AI 是消除其神秘感、进行理性对话的最佳方式。至于如何准备，他提出了三点：
学会“委派”：未来，你的口袋里将有一个智能体，它可以成为你的导师、顾问、软件工程师。关键在于你能否理解自己和自己的问题，以及如何让他人（或 AI）来帮助，而不是对 AI 有特定理解。
保持好奇心：提出正确的问题才是瓶颈，而不仅仅是获取答案。需要深入研究和理解，才能知道什么有价值、什么有风险。
准备好学习新事物：你越懂得如何掌握新主题和新领域，就越能为一个工作性质变化速度前所未有的世界做好准备。
Turley 以自己为例：“我为我的产品工作在未来看起来会不同甚至不存在做好了准备，但我期待着学习一些新东西。只要你抱有这种心态，就能很好地利用 AI。”
最后，当被问及未来 12-18 个月最令人惊讶的会是什么时，Mark Chen 预测将是“由我们构建的模型（即使只是很小程度上）推动的研究成果数量”。他特别强调了模型“推理”能力的爆发，已经在物理学、数学等领域的研究中作为“子程序”使用，这将加速科学进步。Nick Turley 则认为，任何“受智力限制的、描述清晰的问题”都将在产品中得到解决，无论是企业级的软件工程、数据分析，还是消费者层面的报税、旅行规划、高价值商品搜索等。同时，AI 的“形态”也将进化，超越聊天框，出现更多异步工作流。
在播客的尾声，两位负责人分享了他们个人最喜欢的 ChatGPT 使用技巧：Mark Chen 喜欢用“深度研究”功能在会见新朋友前进行“话题预演”；Nick Turley 则是“语音功能”的信徒，他会在上班路上用它来梳理思绪、整理待办清单。这些个人化的用例，或许正是 AI 未来融入我们生活最细微也最深刻的注脚。
OpenAI 首席研究官 Mark Chen（马克·陈）谈 GPT-4.5 发布、扩展法则与模型情商撰文：Techub News 整理
导语
在 GPT-4.5 正式发布当天，OpenAI 首席研究官 Mark Chen（马克·陈）罕见地接受了 Big Technology Podcast 的专访。这是 OpenAI 高层四年来首次接受此类深度访谈，时机恰逢其最新旗舰模型问世。Mark Chen（马克·陈）于数月前刚升任此职，此次发声不仅是为了介绍 GPT-4.5，更是为了阐释 OpenAI 在模型扩展、研发范式以及未来方向上的关键思考。面对外界对 GPT-5 的急切期待和关于“扩展墙”的广泛讨论，他的分享提供了来自 OpenAI 核心研发团队的一手视角。
摘要
GPT-4.5 是 OpenAI “可预测扩展范式”下的最新里程碑，性能相较前代实现了“数量级”提升，其意义堪比从 GPT-3.5 到 GPT-4 的跨越。
OpenAI 目前正沿“无监督学习”和“推理”两条轴线并行推进模型能力前沿，GPT-5 将是这两条路线成果的集大成者。
模型扩展的回报并未减弱，GPT-4.5 证明了在增加计算、数据和优化算法后，性能仍能按预期提升。同时，模型架构优化（如混合专家）与核心能力开发是相对独立的两个层面。
GPT-4.5 在传统基准测试之外，展现出更高的“情商”（EQ）和创造性写作能力，这代表了模型能力探索的新维度。
OpenAI 的战略是“推进智能前沿”与“降低能力获取成本”并行，既打造旗舰模型，也提供成本更优的小型模型，形成完整的产品组合。
GPT-4.5：可预测扩展的最新证明
Mark Chen（马克·陈）开宗明义，将 GPT-4.5 定位为 OpenAI “可预测扩展范式”下的最新成果。这一范式始于 GPT-3，历经 GPT-3.5、GPT-4，如今延续至 GPT-4.5。他解释道，基于过往模型训练积累的经验，团队能够较为准确地预测，当投入的计算资源、数据规模以及算法效率提升一个数量级时，模型性能将获得怎样的进步。GPT-4.5 正是这一预测曲线的下一个点，其性能提升的幅度与从 GPT-3.5 到 GPT-4 的跨越属于同一量级。
针对为何此次发布的是 GPT-4.5 而非万众期待的 GPT-5，Mark Chen（马克·陈）表示，命名始终力求反映模型能力的实际跃迁程度。当前模型的能力提升符合“4.5”的定位。他承认 GPT-4 到 GPT-4.5 的间隔时间似乎更长，但这部分归因于 OpenAI 同期将大量精力投入了另一条关键赛道：“推理”范式的开发。他强调，公司的研发是探索性的，会同时推进所有有潜力的方向。
两条扩展轴线：无监督学习与推理并进
Mark Chen（马克·陈）详细阐述了 OpenAI 当前并行的两大扩展轴线。第一条是传统的“无监督学习”扩展，即通过增加计算、数据和改进算法来提升模型能力，GPT-4.5 是这条路线的最新成果。第二条则是“推理”扩展，即让模型具备更深度的思考、规划和自我修正能力，OpenAI 的 o1 系列模型便是此方向的代表。
他澄清，这两种范式并非对立，而是互补的。“无监督学习”为模型提供了广泛的世界知识基础，而“推理”能力需要建立在这些知识之上。一个知识匮乏的模型无法凭空学会深度推理。同时，两种范式之间也存在反馈循环，推理能力的进步可能反过来要求或促进基础知识的进一步扩展。
在应用场景上，两种模型也呈现出不同的特点。像 GPT-4.5 这样的大型模型响应迅速，适合需要即时反馈的知识性工作和创造性写作；而像 o1 这样的推理模型则可能需要更长的“思考”时间，适合解决复杂、多步骤的问题。Mark Chen（马克·陈）特别指出，在创意写作等场景中，GPT-4.5 的表现已经超越了当前的推理模型。
破解“扩展墙”质疑：回报未减，优化持续
面对业界关于大模型扩展可能遭遇“收益递减”或触及“扩展墙”的疑虑，Mark Chen（马克·陈）给出了明确的否定回答。他表示，在开发 GPT-4.5 的过程中，增加计算和数据资源带来的性能回报与以往模型的经验一致，并未出现衰减。OpenAI 的扩展机制依然有效且可预测。
针对此前有报道称 GPT-4.5 的训练曾多次中断重启，遭遇了棘手难题，Mark Chen（马克·陈）回应称，这种“训练-诊断-干预-重启”的模式是所有大型基础模型研发过程中的常态，并非 GPT-4.5 所独有。他强调，将这些庞然大物视为一场大型实验，在过程中进行监控和调整，是确保最终成功的关键。
当话题转向 DeepSeek 等同行通过模型架构优化（如混合专家模型 MoE）显著提升效率时，Mark Chen（马克·陈）区分了“模型核心能力开发”与“推理服务优化”两个层面。他认为，让模型更高效、更低成本地运行（推理优化），是独立于提升其核心智能的工作。OpenAI 在这两方面都持续投入，并且已经成功地将 GPT-4 系列模型的推理成本降低了数个数量级。他确认，混合专家等架构优化技术是通用技术，既适用于 GPT 类基础模型，也适用于推理模型，OpenAI 也已进行过诸多探索。
大模型与小模型：前沿推进与普惠交付的平衡
对于社区中“小众化、专业化小模型才是未来”的观点，Mark Chen（马克·陈）阐述了 OpenAI 的平衡哲学。一方面，公司的根本使命是“推进智能前沿”，这意味着必须持续开发像 GPT-4.5 这样的旗舰模型。他坚信，将模型能力从“99.9 分位”推到“世界顶尖”水平具有根本性意义，因为这可能解锁全新的、变革性的应用，例如真正强大的 AI 智能体（Agents）。
另一方面，OpenAI 也致力于让先进能力变得普惠。这体现为同时提供像 GPT-4o-mini 这样成本效益高的“小型”模型，让更多用户能以可承受的价格获得接近前沿的能力。因此，OpenAI 的战略是打造一个从旗舰模型到轻量模型的完整组合，而非非此即彼的选择。Mark Chen（马克·陈）认为，小众模型不会消失，但 OpenAI 会同时构建最强的基础模型，并设法随着时间的推移，将这些顶级能力以更低的成本交付给所有人。
超越传统基准：情商与能力探索的新维度
除了在数学、代码、知识问答等传统基准上符合预期的提升，Mark Chen（马克·陈）特别强调了 GPT-4.5 在“情商”（EQ）和创造性方面的显著进步。他举例说明，当用户向模型倾诉困境时，GPT-4.5 能给出更简洁、共情、人性化的回应，而不是机械地罗列一长串建议。在创意写作和生成 ASCII 艺术等任务上，新模型也表现出了更细腻、更少出错的能力。
他预见到可能有人批评这是“转移评测焦点”，但坚决否认了这一说法。Mark Chen（马克·陈）重申，GPT-4.5 在传统硬性指标上完全达到了扩展定律的预期。他强调，每次发布新模型，都是一个与社区共同“发现用例”的过程。GPT-4 已经非常智能，而 GPT-4.5 则在情感理解和创造性表达等更微妙的领域展现了新的可能性。OpenAI 分享这些早期发现，正是为了邀请用户一同探索模型的新能力边界。
团队、产品与未来：智能体是模型能力的自然延伸
在访谈尾声，Mark Chen（马克·陈）简要谈及了 OpenAI 的团队状况。他承认 AI 领域变化飞速，人才流动是行业健康发展的自然现象，这也给内部优秀人才提供了崭露头角的机会。他坚信 OpenAI 依然拥有世界顶尖的人才储备，其标准与行业其他公司有显著区别。
关于“更好模型”与“更好产品”孰轻孰重的经典辩论，Mark Chen（马克·陈）的立场鲜明：更强大的模型是更高级别产品的根本前提。他以 Deep Research（深度研究）功能为例，指出这种能够深入调研、综合信息并生成完整报告的能力，只有在模型具备足够水平的推理和知识基础时才能实现。模型能力的进步，会自然催生新的产品形态和应用范式，而智能体（Agents）正是当前模型能力与产品结合的前沿体现。未来，随着模型在推理和无监督学习两条轴线上继续推进，AI 智能体的能力和可靠性将迎来质的飞跃。
图形学大佬、前微软全球研究合伙人童欣加盟，Meshy 下一步要做实时互动世界作者｜周一笑
微信｜smiletalker
计算机图形学研究者童欣最近加入 AI 3D 生成公司 Meshy，出任首席科学家。
童欣 1999 年获得清华大学博士学位后加入微软亚洲研究院，在那里工作了 25 年，曾领导网络图形组，并担任全球研究合伙人（Partner Research Manager）。研究范围横跨纹理合成、材质建模、真实感渲染、三维动画和几何处理，是微软亚洲研究院图形学团队最资深的研究者之一。
他的工作也不只停在论文里。中国计算机学会的介绍提到，童欣带领团队开发过高动态范围纹理压缩、GPU 虚拟化、3D 打印支撑和几何细节绘制等技术，其中一些后来进入 Xbox 游戏开发 API、Windows 3D 打印驱动和 Direct3D 图形开发工具包。
童欣发表论文 190 余篇，其中 60 余篇发表于 SIGGRAPH、ACM TOG 等图形学顶级会议和期刊。2018 年，他获得中国计算机图形学杰出奖；2024 年，又获得 AsiaGraphics Outstanding Technical Contributions Award，后者每年最多授予一人，用于表彰在计算机图形学领域作出突出技术贡献的研究者。
2024 年离开微软后，童欣加入 Anuttacon，继续研究 AI 与游戏图形学。如今，他去了 Meshy。
今年 GDC 上，Meshy 的游戏工作室 Meshy Game Studio 展示了 AI 原生游戏《Black Box: Infinite Arsenal》。最近公开的 Mora，则把 Coding Agent、3D 生成和实时视频模型放进同一个系统，希望 AI 做出来的小游戏既有明确的玩法和空间结构，也能实时生成更丰富的视听表现。
1
先把生成的 3D 真正用起来
Meshy 于 2023 年上线 AI 3D 产品。到今年 7 月，公司披露注册用户超过 1200 万，累计生成 3D 模型超过 1 亿个，ARR 约为一年前的 12 倍，并以 15 亿美元估值完成近 4 亿美元 B 轮融资。
这些模型已经被用到游戏、3D 打印、设计和产品开发中。Meshy 官网列出的客户和使用方包括 Nexon、网易游戏、三七互娱等游戏公司，也包括拓竹、创想三维、ELEGOO、闪铸科技和 xTool 等 3D 打印和制造品牌。
产品本身也在解决越来越具体的问题。AI 已经可以做出一个 3D 模型，真正进入制作流程后，还要看形状是否准确、部件能不能拆开、拓扑是否干净，以及后续是否方便继续编辑。
8 月发布的 Meshy 7 把重点放到了 geometry alignment，也就是几何对齐。简单说，就是生成出来的 3D 形状和参考图究竟对不对得上。一个机械零件看起来可能已经很像，但如果比例有偏差、两个相邻部件粘在一起，或者参考图里的凹槽只停留在纹理上，没有真正进入几何结构，后面的动画、编辑和制造都会受到影响。
Meshy 为此做了一套自动几何评测，把结果拆成整体比例、空间分布和表面细节三个指标。在 Meshy 自建的单视图 benchmark 中，Meshy 7 三项分别达到 81.0%、79.7% 和 59.8%，高于同一测试中的其他受测模型。
Smart Topology 处理的是更靠后的制作环节。它可以直接生成带原生分件的 3D 模型，并控制模型面数，减少人工减面、重拓扑和部件整理。
童欣在 2023 年讨论 AIGC 时，就把类似的问题叫作 3D 生成的“最后一公里”。
他的意思并不复杂。生成模型已经能完成内容生产的第一步，但一个真正可以继续做动画和交互的 3D 模型，还需要语义、部件结构、表面属性等信息。传统图形学为这些工作建立了成熟的制作流程，生成式 AI 还要继续处理生成之后的部分。
三年后，一致性、拓扑、分件这些已经变成 AI 3D 产品里很实际的指标。Meshy 也已经靠这套产品获得了用户、客户和收入。
今年，Meshy 开始更多谈“AI for Fun”。Meshy 创始人兼 CEO 胡渊鸣对它的解释，是希望 AI 最后改变的不只是内容怎么生产，还包括人们怎么玩、体验什么。Meshy 把它概括成“用 AI 给人类带来快乐和意义感”。Mora 是目前这套想法里最完整的一次技术尝试。
1
把规则、空间和画面拆开做
今年 1 月，Google 首先向美国 AI Ultra 用户开放 Project Genie。用户输入文字和图片，可以创建一个由 Genie 3 实时生成的环境，再进入里面移动和探索。
这类产品很容易让人想到一种更彻底的做法。既然视频模型已经可以边生成边维持一个可探索的空间，未来是否可以直接让一个模型生成完整游戏？
胡渊鸣最近在自己的公众号发表《Mora：超越“世界模型”》，专门讨论了这个问题。
他列出了现有互动视频模型的八类局限，包括空间很难长时间保持一致、复杂物理和精确的游戏逻辑难以处理、交互方式有限，以及持续时间和操作延迟等。一个由视频模型生成的世界可以看起来很真实，但“看起来存在”和“真的按照一套稳定规则运行”仍然是两件事。
Mora 把这些工作拆开处理。
Coding Agent 先生成游戏世界的骨架、运行代码和玩法逻辑，Meshy 的 3D 生成补充场景和资产，并向实时视频模型提供 3D 结构与控制信息。视频模型负责最后的画面和声音。代码和 3D 提供更明确的运行规则和空间结构，也减少了视频模型独自维持整个世界的难度。
一个比较直观的例子，是 Mora 做的类《传送门》Demo。《传送门》是 Valve 的经典空间解谜游戏，玩家通过两个相连的传送门改变人物和物体的移动路径，玩法高度依赖稳定的空间关系和精确规则。
Mora 的类《传送门》Demo
在 Mora 的 Demo 里，场景结构和谜题逻辑由代码与 3D 系统维持，玩家负责解谜，实时视频模型再生成最后看到的画面。胡渊鸣也在文章里直接写了当前局限，模型还不能正确表现传送门内部的内容，所以他们暂时把传送门本身的渲染关掉了。
其他 Demo 还包括多人平台跳跃、赛车、种植、建造和带物理碰撞的小游戏。部分场景可以在运行时直接切换视觉风格。对 Coding Agent 快速生成的小游戏来说，实时视频模型可以补上更丰富、可以随时变化的视觉表现。
胡渊鸣给 Mora 设定的目标也很直接，希望“让 Coding agent 生成的小游戏拥有 3A 级别的视听体验”。
公司已经在 3D 生成上积累了产品、图形学和大模型训练经验。Mora 进一步把这些能力与 Coding Agent、视频生成和实时推理系统结合起来，探索更丰富的实时互动内容。
这种做法和童欣这些年研究问题的变化也能接上。
1
图形学的制作流程也在变
童欣并不是最近两年才开始把机器学习带进 3D 图形学。
2017 年，他参与的 O-CNN 发表于 SIGGRAPH。传统卷积神经网络擅长处理规则排列的二维图像，但 3D 模型通常由不规则的网格或点云构成，直接把高分辨率 3D 空间切成密集体素，计算和显存开销会迅速增加。O-CNN 用八叉树组织 3D 数据，只在物体表面附近进行卷积计算，让神经网络能够更高效地处理高分辨率 3D 形状。
那时要解决的问题，还是怎样让深度学习更好地理解 3D。
到了近年的 RenderFormer，模型已经开始接手图形学流程里另一项核心工作。
3D 渲染需要根据场景里的几何、材质和光照计算最终画面。RenderFormer 保留了三角网格和材质这些 3D 场景信息，再让 Transformer 学习场景中的光照关系，生成带全局光照效果的最终图像。这项研究发表于 SIGGRAPH 2025，童欣是论文作者之一。
TRELLIS 处理的是另一个问题，怎样让生成模型更灵活地表示 3D 内容。它先学习统一的内部 3D 表示，再根据需要输出不同形式的 3D 结果。今年发布的 LPM 1.0 则进入角色表演，尝试直接从视频学习人物说话、动作和反应，减少对传统角色绑定和动画制作流程的依赖。
这也接回童欣 2023 年说的另一段路。
他把它叫作“开始一公里”。新的表示和生成模型出现以后，3D 内容是不是还必须沿用原来的制作方式，还是可以建立一套新的流程？
RenderFormer 与 Mora 处理的任务并不相同，但有一个很具体的相似点。两者都保留明确的 3D 场景信息，再让模型根据这些信息生成画面。童欣近年在 3D 表示、神经渲染和视频角色上的研究，也与 Meshy 正在探索的问题出现了更多交集。
童欣加入以后具体会负责哪些研究，Meshy 目前还没有进一步披露。
1
接下来不只是生成 3D 模型
Mora 1 目前仍是一次早期架构验证。
Meshy 自己列出的限制包括多人画面容易变糊、小角色面部仍有典型的视频生成错误。据胡渊鸣披露，计入网络后，目前 Mora 从玩家操作到画面反馈的延迟约为 300 毫秒，团队希望进一步压到 100 毫秒以内。对 FPS 这类需要快速转动视角的游戏来说，这仍然很重要。
Mora 2 已经在开发，这次没有开放的创作系统也会留到后续版本。团队的招聘岗位也已经覆盖视频基础模型、大规模训练、实时生成、Agent 和系统工程。
童欣三年前说，生成式 AI 给图形学留下了“最后一公里”和“开始一公里”。前者是让生成的 3D 真正进入生产，后者则是重新思考 3D 内容以后应该怎么做。
现在 Meshy 两边都在做。
童欣加入时，这家公司的目标已经不只是让 AI 更快做出一个 3D 模型。它还在试另一件事，让这些模型和代码、视频生成一起，组成一个可以运行、可以交互，也有足够丰富视听表现的游戏世界。Nostra Finance 遭价格预言机操纵攻击，攻击者借走约 350 万美元资产Techub News 消息，Nostra Finance 报告称，其 NSTR 价格预言机遭操纵，导致单一账户在 Nostra 的 Starknet 货币市场上，以 NSTR 作为抵押品借走了价值约 350 万美元的 ETH、STRK、USDC、USDT、WBTC 和 DAI。攻击者已将约 192 万美元的被盗资产通过跨链桥转移。
（@PeckShieldAlert）Polymarket 聘请 Zora 联创 Jacob Horne 重建链上交易产品Techub News 消息，预测市场平台 Polymarket 已聘请 Zora 联合创始人 Jacob Horne，负责重建其链上交易产品。Polymarket 首席执行官 Shayne Coplan 于周四宣布了此项任命。Horne 将直接与 Coplan 合作，重点提升其去中心化金融（DeFi）侧产品的体验。Copla 承认，随着公司规模扩大，链上产品有所弱化，并承诺将召开线上会议以制定修复方案。
Horne 在八天前离开了他运营超过六年的 Zora。Zora 是 Coinbase 失败的创作者代币实验背后的应用，该实验已于今年被 Coinbase 终止。Coinbase 随后将其美国预测市场产品转向由 Kalshi 提供支持。数据显示，在截至 9 月 13 日的一周内，两大平台总交易额 158 亿美元中，Kalshi 处理了 131 亿美元，Polymarket 占 17%。
Horne 是 Polymarket 八天内的第三位高级别招聘。此前，前亚马逊首席财务官 Warren Jenson 于 9 月 10 日加入担任首任 CFO，前 DoorDash 总经理 Collin McKinney Hill 于 9 月 15 日加入担任运营副总裁。 （BeInCrypto）Kevin O'Leary：国会明年将重新审议 CLARITY 法案Techub News 消息，Shark Tank 主持人 Kevin O'Leary 表示，随着众议院筹款委员会推进数字资产税收确定性法案，国会将在中期选举后面临重新审视加密货币货币市场结构立法的压力，预计 CLARITY 法案最早将于明年第一季度重返参议院。
O'Leary 指出，一旦国会开始对质押、挖矿等加密活动征税，就必须制定相应政策框架。他认为本周该法案在参议院获得 49 票（需 60 票通过）只是延迟而非终结，无论中期选举后哪个党派控制国会，立法者都将被迫解决行业监管清晰度问题。（CoinDesk）StarkWare CEO：ZEC 上涨部分源于比特币僵化担忧Techub News 消息，StarkWare 联合创始人兼 CEO Eli Ben-Sasson 表示，ZEC（Zcash）近期上涨部分源于市场对比特币已变得「过于僵化」的担忧。
Zcash 作为采用零知识证明技术的隐私币，与 StarkWare 同属零知识密码学应用领域。该观点反映了部分加密社区对比特币技术升级缓慢的关注，以及对具备隐私功能替代方案的探索兴趣。（Cointelegraph）CleanSpark 拟发行 22.3 亿美元债券扩建矿场Techub News 消息，比特币矿企 CleanSpark 计划通过子公司 CSDC Finance I LLC 私募发行 22.27 亿美元优先担保票据，到期日为 2031 年，所筹资金主要用于佐治亚州 Sandersville 数据中心建设。
该票据不可转换为 CleanSpark 股票，避免了股权稀释。公司称若募资不足完成设施建设，将提供完工担保。目前尚未披露利率、发行价及最终交割日期，交易完成仍取决于市场条件。（crypto.news）Grayscale 分析师称加息 25 基点对加密市场影响有限，稳定币发行商或受益Techub News 消息，Grayscale Research 在 X 平台发文表示，美联储加息 25 个基点后加密市场仍保持上涨，其将此视为周期中段的调整而非周期性转变，预计对加密市场影响有限。该机构指出，1997 年类似的加息也产生了相同的结果。
Grayscale 分析师 Zach Pandl 在报告中提到，稳定币发行商如 Circle 和 Tether 可能从更高的利率环境中受益。该观点基于对历史货币政策周期与加密资产表现的分析。
（@Grayscale）CleanSpark 拟发行 22.27 亿美元优先担保票据以扩建数据中心Techub News 消息，比特币矿企 CleanSpark 宣布拟通过其全资子公司 CSDC Finance 发行 22.27 亿美元的优先担保票据，所得资金将用于支持佐治亚州桑德斯维尔数据中心的扩建。受此消息影响，其股票（CLSK）周四上涨近 5%，收盘价接近 13.40 美元。（CoinGape）CFTC 为非托管钱包接入受监管加密衍生品市场开辟路径Techub News 消息，美国商品期货交易委员会（CFTC）发布了一项决定，为非托管钱包接入受监管的加密衍生品市场开辟了路径。此举可能为更广泛的金融科技创新铺平道路，并重塑用户与受监管市场的互动方式。
（Crypto Briefing）LIAN Group 考虑通过 IPO 融资 5 亿美元以扩展 AI 数据中心Techub News 消息，LIAN Group 正考虑进行首次公开募股（IPO），计划筹集约 5 亿美元资金。所筹资金将主要用于扩展其人工智能数据中心业务。此举旨在加速 AI 基础设施的增长，并可能影响全球数据中心市场及可再生能源整合战略。
（Crypto Briefing）美国CFTC为软件开发者提供合规指引，允许其连接用户至注册期货商及交易所Techub News 消息，美国商品期货交易委员会（CFTC）今日为加密货币市场提供新的监管明确性。其工作人员正在为软件开发者扫清障碍，允许他们开发工具，将用户连接至注册的期货公司和交易所，而无需自身注册为经纪商。此举旨在降低创新者的合规门槛，同时确保用户通过受监管的实体进行交易。（@EleanorTerrett）