自2022年11月30日上线以来，迅速爆红。
连自己都没料到会这么火。
在播客第二期中，负责人Nick 和首席研究官Mark Chen首度揭秘这款产品的幕后故事。
从名字的由来，到病毒式传播的意外惊喜；
从内部激烈的发布争论，到模型行为如何调整，他们逐一详解。
他们还讨论了图像生成技术的突破、编程方式的变革以及的企业文化等。
这场对话不仅揭示了成功的原因，也展望了AI在医疗、研究等领域的未来机遇。
本来只是预览，没想到火了！
起名烂得出名，在发布前，这款日后爆火、载入史册的产品叫「与GPT 3.5畅聊」(Chat with GPT 3.5)。
至于GPT到底是啥意思？
在当时，内部众说纷纭。一半的人认为是「生成式预训练」（ pre-），另一半人认为它是「生成式预训练」（ pre- ）。
事实上，GPT是后者「 pre- 」的缩写。
是如何决定这个酷炫的名字的？
某天，他们意识到「Chat with GPT 3.5」这个称呼有些拗口，难以发音。
于是，在发布前的某个深夜，他们决定简化一下。
具体的改名时间，难以回忆了：在发布前的前一天晚上，也可能是发布当天。
那时候，各种情况已经很混乱了，一团乱麻。
当时GPT 3.5模型已经发布好几个月了，只是一个低调的研究预览。
研究预览意味着不保证稳定性，系统可能会宕机。
因为从能力角度来看，当只看看评估结果时，你会觉得「哦，还是老一套，只是加了一个界面，减少了提示需求，然后聊天功能就出来了」。
发布时，的博客称：「是的姊妹模型——后者经专门训练，能够精准遵循用户指令并生成详尽的回应。」
日后的火爆，在他们的意料之外。
那么， 是什么时候开始爆火的呢？
毫无疑问，每个人都有自己的记忆，因为那段时期非常混乱。
对负责人Nick 来说，直到发布后第四天，他才意识到就是「AI界的」，它将改变世界。
第一天，数据暴涨，他还在想：「仪表盘是不是坏了？日志数据肯定不对。」
第二天，他心想：「哦，奇怪，日本网友发现了这个东西，也许这只是小范围的现象。」
第三天，他意识到：「好吧，它确实火起来了，但热度很快就会消失。」
到了第四天，他才明白：「它将改变世界。」
不过，对于当时的前沿研究负责人Mark Chen而言，第一天就是意识到不一样：它的增长速度非常快。
他认为这是通向通用人工智能（AGI）梦想的里程碑，将成为谷歌这样耳熟能详的大品牌。
但，真的只是一个很随意的名字。
只答对了一半问题，它值得发布吗？
那内部对是否真的「有用」、是否应该发布，其实意见也不一致。
Mark回忆称：「并不是所有人都同意发布。」
甚至在上线前一天晚上，联合创始人Ilya对模型提了十个问题，难度都非常大。其中只有五个回答， 他认为还算「可以接受」。
这成了内部的「经典传说」。
所以，当时他们面临一个「艰难的抉择」：「到底要不要上线这个模型？外界会怎么看它？它到底够不够好？」
这也反映出类似「知识诅咒」的现象——
当在内部开发这些模型时，你很快就会对它的能力习以为常。
你很难再设身处地地站在一个没有参与模型训练过程的人的角度，去感受那种真正的魔力。
对此，Nick也非常赞同。这也是一个提醒：在AI上，其实经常判断错误：
你以为它还不够好，但现实却是用户觉得非常有用。
这就是为什么与现实频繁接触如此重要。
因为没有哪个明确的时间点，你能断定：「现在模型终于有用了。」
「有用」是连续的光谱，并没有一条清晰的界线。
你可能还在犹豫它是否达到那个「理想点」，但现实的用户已经从中受益了。
只有真正让模型接触用户，才能理解它的实际价值。这就是「与现实频繁接触」的核心含义。
在项目上，开发团队非常有原则，就是不让项目范围无限制地膨胀。他们坚决要求尽快获得反馈和数据。
这与传统科技巨头的发布惯例不同。
在假期来临之前，传统巨头会发布一些新东西。比如说如果在11月某个时间点之后，某个项目还没有上线，那它就得等到来年2月了。好像总有那么一个发布窗口期。
而要灵活得多，这也是首次发布留下的影响：一旦人们开始使用，改进速度就变得非常惊人。
当然可以考虑用更多数据、在更大的规模上训练，扩大计算资源，但真实用户使用所带来的信号，是完全不同的概念。
随着时间的推移，反馈已经真正成为构建产品不可或缺的一部分。它也成了安全工作的一部分。
大家总能感觉到，因为犹豫而错失反馈所带来的时间成本。
当然，可以闭门造车地反复思量：用户会更喜欢这个，还是更喜欢那个？
但这完全无法替代把它直接推向市场的检验。
最初发布AI模型的方式，更像是发布硬件：很少发布，每次发布都必须尽善尽美，发布后就不再更新，然后转头去做下一个大项目。它资本密集，周期漫长。
但随着时间的推移，带来了转折点。现在，的理念就是让模型与真实世界接触。他们转向了更像软件的发布方式：频繁更新，快速试错，灵活回滚，降低单次发布的风险。
现在，这也成了提升模型性能最重要的杠杆之一。
警钟
一夜变「舔狗」
频繁更新、高度依赖用户反馈来改进模型，可以更贴近用户需求，可以更快地创新。但也有问题。
一个典型例子就是模型变得过于谄媚和阿谀奉承。人们突然发现会说：「嘿，您的智商高达190，您是智慧巨人，您还是宇宙中最帅的人。」
Mark认为：「这是个典型例子，说明我们高度依赖用户反馈来改进模型。」他解释了具体的技术原因。
它背后涉及到「人类反馈强化学习」（RLHF）。比如，当用户喜欢某个回答时，会点「赞」。
训练模型，倾向于生成更多能获得点赞的回答。
听起来很合理，但一旦平衡不好，模型就可能变得过于讨好。用户可能会偏爱被赞美的感觉，模型就开始学会「拍马屁」，变成「赛博舔狗」。
但其实这种现象只是少数高级用户发现的，而大多数普通用户并没察觉到。
这是依赖用户反馈最典型的负面例子。
问题被发现后不久， Jang就发文回应，详细解释了来龙去脉。
「谄媚事件」非常重要，是很好的教训。但从根本上说，Mark Chen认为有正确的机制来打造出色的产品。
更看重这些能力
而不是PhD文凭
奇点已至，未来人们需要什么样的技能？
这是现在很普遍的问题。
在自己的团队中，寻找什么样的技能？
Nick对此思考了很久。
招聘很难，特别是如果想组建一支规模小、能力强、谦逊且能快速行动的团队。他认为，「好奇心」是最重要的特质。
世界瞬息万变，到底该怎么做？
对大家来说，有太多未知。在开发AI时，你必须保持一定的谦逊，因为在你真正去研究、去深入、去尝试理解之前，你并不知道什么是有价值的，什么是有风险的。
现在在工作的方方面面，我们显然要与AI协作，不仅仅是编码。而在这方面的瓶颈，在于提出正确的问题，而不一定是得到答案。
从根本上， 他相信：「我们需要雇佣那些对世界、对我们的事业抱有深度好奇心的人。我反而不太在乎他们是否有AI领域的经验。」
就产品团队而言，Nick发现：好奇心是成功的最佳预测指标。
即使在研究团队，现在也越来越不看重你是否拥有AI博士学位了。
Mark Chen刚加入时，也没有AI经验，而现在是首席研究官。
对新员工来说，Mark Chen认为很重要的一点是「自主性」（）。在，你不会得到事无巨细的指令。
真正需要的是，你能主动去发现问题，然后心想：「嘿，这有个问题，没人解决，那我就自己上，把它搞定。」
此外， 他也看重「适应性」。
AI日新月异，变化极快，这是AI领域目前的本质。你需要能够快速判断什么是重要的，并迅速调整工作方向。
从根本上说，拥有大量具备自主性、能够「搞定事情」的人——产品发布还能更快。
这体现在产品、研究和政策等各个方面。当然，「搞定事情」的含义各不相同。
这种高比例的实干家，以及除了在关键领域外极少的繁文缛节，正是 的独特之处。
当从200人增长到2000人时，很多事情可能会改变。在某些方面，确实变了。但人们常常低估了所做事情的多样性。
在工作，更像是身处一所大学：因为一个共同的理想，大家聚集在这里，但每个人都在做着不同的事情。在午餐或晚餐时，你会坐下来和某人聊天，了解他们正在做的事，然后你会惊叹：「哇，你做的那个东西太酷了！」
正因为涉足的领域如此广泛，每个具体的项目——无论是 、Sora还是其他——实际上都是由非常精简、保守的团队来负责。
比如，开发的团队总人数大约只有200。
这保证了团队成员高度的自主性，并确保他们拥有所需的资源。
参考资料：
323AI导航网发布
相关文章
