小糖元1. OpenAI创新困境的深层剖析：一位离职高管的行业观察
2026年初，OpenAI前研究副总裁Jerry Tworek在离职后首次公开谈论这家AI巨头面临的创新挑战。作为OpenAI元老级成员，Tworek曾主导开发了推理模型o1和o3系列，将强化学习技术推向了新高度。他的离职访谈揭示了当前AI行业面临的系统性困境——当技术路线趋同、组织规模膨胀时，真正的突破性创新将变得愈发困难。
Tworek指出，OpenAI已经从一个小型研究实验室成长为拥有数千名员工的科技巨头，这种转变带来了根本性的创新瓶颈。在早期，OpenAI以敢于尝试高风险研究项目著称，比如他们率先将强化学习应用于《Dota2》和《星际争霸》等复杂游戏环境。然而随着竞争加剧和商业化压力增大，公司对风险的承受能力明显下降。
"当前全球AI模型的竞争异常激烈，公司被迫思考究竟愿意承担多大风险。无论是用户增长指标还是持续支付高昂的GPU成本，现实都极其残酷。"
这种变化并非OpenAI独有。Tworek观察到，全球五家头部AI公司的技术路径几乎完全趋同，都在沿着"更大规模的Transformer预训练"这一路线前进。当所有竞争者都在同一条赛道上竞速时，真正的架构创新和范式突破就变得异常困难。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 组织架构如何扼杀创新：大公司病的AI版本
Tworek的观察揭示了一个关键问题：大型科技公司的组织架构本身就会抑制创新。研究需要活力和一定程度的"混乱"，而大型组织则需要秩序、结构和清晰的分工。这种根本性矛盾导致了许多潜在突破性想法难以获得资源和支持。
2.1 跨团队协作的困境
在OpenAI这样的组织中，每个研究团队都需要明确的身份认同和研究边界。这种分工虽然提高了运营效率，却使跨团队的研究变得异常困难。Tworek提到：
"研究工作往往会演变成那些最适合现有人员配置的项目。有一些我真正想做的研究方向，并不是OpenAI当前的组织架构所能支持的。"
这种现象被业界称为"你最终交付的是你的组织架构图"——创新方向被组织结构而非技术潜力所决定。
2.2 资源分配的保守倾向
随着公司规模扩大，资源分配机制也会变得更加保守。Tworek指出，在面临激烈竞争时，公司会本能地将资源集中在已被验证的技术路线上，而非探索全新方向。这种"避免落后"的心态导致：
- 90%以上的计算资源用于现有模型的增量改进
- 仅有不足10%的资源分配给高风险、高回报的探索性研究
- 研究人员的绩效评估更看重短期可交付成果
这种资源分配模式形成了一个恶性循环：越害怕落后，就越不敢冒险；越不敢冒险，创新停滞的风险就越大。
3. 行业同质化：当所有AI实验室都在做同一件事
Tworek对当前AI行业最深刻的批评之一是严重的同质化问题。全球主要的AI实验室几乎都在做同样的事情：训练更大的Transformer模型，使用更多数据和计算资源。
3.1 技术路径的趋同
2017年Transformer架构问世后，整个AI行业迅速形成了技术共识。所有头部公司都沿着"扩展定律"(Scaling Law)前进：每个季度训练更大的模型，使用更多计算资源。虽然这种方法确实带来了持续的进步，但也导致行业创新陷入单一轨道。
Tworek提出了一个尖锐的问题："这就是全部了吗？这是最终形态吗？我相当确定不是。模型仍然可以通过多种方式改进，而其中许多路径至今尚未被系统性地实践。"
3.2 差异化能力的丧失
当所有公司都采用相似的技术路线时，产品差异化就变得极其困难。Tworek建议进行模型盲测：
"让用户与不同模型对话，看看他们是否能分辨出差异。我怀疑99.9%的用户做不到。这些模型在体验上极其相似，即便它们来自不同团队、采用了略有不同的技术选择。"
这种同质化不仅限制了用户体验，也使得真正的技术进步变得更加困难。当整个行业都在优化同一类指标时，那些可能带来范式转变但不直接提升当前指标的研究方向就容易被忽视。
4. 被忽视的创新方向：Tworek看好的两大突破点
尽管对行业现状持批评态度，Tworek仍然对AI的未来发展充满信心。他特别强调了两个被低估的研究方向，认为它们可能带来真正的突破。
4.1 架构创新：超越Transformer
Transformer架构已经主导AI领域近十年，但Tworek坚信它不是机器学习的终极架构。他观察到，虽然人们对Transformer进行了各种局部改进，但真正的架构创新仍然匮乏。
"一定还存在其他训练大模型的方法——它们可能看起来有点像Transformer，也可能完全不像。这是一个非常值得投入精力去探索的问题。"
Tworek特别提到稀疏性(Sparsity)作为有前景的方向之一。通过让模型只激活部分参数来处理特定输入，可以显著降低计算成本。其他潜在方向包括：
- 混合专家模型(Mixture of Experts)
- 基于记忆的架构(Memory-based Architecture)
- 完全不同的计算范式(如神经符号系统)
4.2 持续学习：打破训练与推理的界限
另一个被Tworek看重的方向是持续学习(Continual Learning)，即让模型能够在使用过程中不断学习和改进。当前的AI系统严格区分"训练模式"和"推理模式"，这与人类的学习方式截然不同。
"对人类而言，这种方式再自然不过了：我们并不存在一个明确分离的'学习模式'和'回答模式'，一切都是在持续不断地同时发生的。"
实现真正的持续学习面临几个关键挑战：
- 灾难性遗忘：新知识覆盖旧知识
- 训练稳定性：在线学习容易导致模型性能波动
- 安全性：持续学习可能被恶意输入误导
Tworek认为，解决这些问题可能是实现AGI(人工通用智能)的关键一步。没有持续学习能力，无论模型在其他方面多么强大，依然会给人一种受限、甚至有些"愚钝"的感觉。
5. 强化学习的复兴：从游戏到现实世界
作为强化学习领域的专家，Tworek特别强调了这项技术的回归潜力。他回顾了强化学习在AI发展中的起伏历程：
- 早期成功：AlphaGo、OpenAI Five等项目证明了强化学习在游戏领域的强大能力
- 局限性暴露：这些系统缺乏对现实世界的理解，只能处理特定任务
- 新机遇：现在有了强大的预训练模型作为基础，强化学习可以专注于高级策略学习
Tworek解释道："推理模型的真正魔力，正是在于：它们在一个强大的世界表征之上，通过强化学习构建能力层级。这才是未来的方向。"
这种结合了预训练世界模型和强化学习的架构，可能解决传统强化学习面临的关键挑战：
- 样本效率低：预训练模型提供先验知识，减少随机探索的需要
- 泛化能力差：基础模型的多模态理解能力支持跨任务迁移
- 奖励设计难：语言模型可以帮助自动生成和调整奖励函数
6. 人才争夺战的副作用：当跳槽成为常态
Tworek还谈到了AI行业激烈的人才竞争带来的负面影响。高薪挖角已经成为常态，但频繁的人员流动并不总是有利于创新。
"有些人频繁地更换工作，而真正投入到工作的时间，反而显得更少。这种情况正在发生，而且并不罕见。"
这种现象导致了几个问题：
- 研究连续性中断：长期项目难以持续
- 知识积累困难：组织记忆不断流失
- 短期主义盛行：研究人员更关注快速出成果
Tworek对比了科技行业和体育联盟的区别："体育联盟之所以能相对有序地运作，在于它们有清晰的角色分工，以及明确的转会规则。遗憾的是，加州法律在这方面几乎没有真正的限制。"
7. 创新文化的重塑：如何在大公司中保持研究活力
尽管指出了诸多问题，Tworek并不认为大公司就注定会失去创新能力。他分享了对于保持研究活力的一些见解：
7.1 专注的力量
"减少实验次数，但要对每一次实验思考得更深入。有时候，即便只是花时间更仔细地分析实验数据，相比于运行更多实验，反而更容易带来突破。"
Tworek强调，资源分散是阻碍创新的重要因素。OpenAI拥有大量计算资源，但这些资源被分散在太多项目上。如果集中到少数几个方向，可能产生更大突破。
7.2 风险承担的文化
Tworek多次提到风险承担的重要性："我是一个相对乐观的人，我相信世界上始终还有很多不同的事情可以去做。"
他观察到，随着AI从业者薪酬水平提高，人们变得越来越不愿意冒险："人们变得不愿意失去工作，不愿意经历糟糕的绩效周期。于是，他们更倾向于追逐短期回报。"
7.3 从1到100的能力
Tworek认为，OpenAI真正的优势不在于从0到1的创意，而在于将初步验证的想法规模化、工程化的能力：
"把研究从1推进到100，也就是采纳那些不同的、我们以前没有做过、但已经初步被验证的想法，并找出如何让它们在大规模训练前沿模型时，可靠地工作。"
这种能力需要深厚的工程积累和系统思维，是许多学术研究机构所缺乏的。
8. 对未来的展望：AGI还有多远？
在访谈的最后，Tworek分享了对AGI发展时间表的看法。相比一两年前，他现在对AGI的到来持更加谨慎的态度。
"按照我自己的定义，当前的模型仍然不能算是AGI，因为持续学习还没有以任何实质性的方式与我们的模型真正整合在一起。"
Tworek认为实现AGI还需要解决几个关键问题：
- 持续学习：模型需要能够在使用过程中不断改进
- 多模态理解：特别是对视频内容的深度理解
- 世界模型：对物理和社会环境的准确建模
他预测AGI可能在2029年左右实现，但也强调这个时间线存在很大不确定性。AI领域的发展速度非常快，投资和人才都在持续增长，这可能加速突破的到来。
9. 行业反思：我们是否需要更多样化的AI生态？
Tworek的访谈引发了一个更深层的问题：当前高度集中的AI研发模式是否健康？当少数几家大公司主导了绝大多数前沿研究时，技术路线的多样性就会受到威胁。
"在一个理想的世界里，应该存在大量做着不同事情的公司。尤其是对研究人员而言，他们很难在一个自己并不真正相信的研究方向上长期投入。"
这种担忧不仅关乎技术创新，也关系到AI对社会的影响。当所有强大模型都遵循相似的设计原则和价值取向时，我们可能失去从不同角度思考AI与人类关系的机会。
Tworek对Anthropic的赞赏也反映了这一点："Anthropic起步更晚，计算资源受限，团队规模也更小，在获取优质算力和硬件方面遇到了许多困难，但他们依然成功构建了卓越的产品。"
10. 给AI研究者的建议：保持好奇，勇于探索
作为在AI领域深耕多年的研究者，Tworek给同行们的建议简单而深刻：
- 不要满足于渐进式改进：始终思考如何从根本上改变游戏规则
- 深入理解实验数据：比运行更多实验更重要的是深入分析已有结果
- 承担明智的风险：真正的进步往往来自大胆的尝试
- 保持专注：同时做太多事情会分散注意力和资源
Tworek自己的下一步计划也体现了这种精神。他打算押注一两个重大的研究方向，并"竭尽全力让它们成功"。这种专注和决心，或许正是当前AI领域最需要的品质。