当OpenAI的「偶然」颠覆了全行业的「必然」

在硅谷的科技叙事里，目标导向的马拉松式创新是金科玉律。但十年前一本《为什么伟大不能被计划》的著作预言了另一种可能：真正的颠覆往往诞生于兴趣牵引的岔路口。2015年OpenAI成立时高举AGI旗帜看似印证了前者，但深入其发展脉络却处处可见后者的痕迹——ChatGPT原是内部最边缘的尝试，Transformer架构的灵感来自谷歌的意外馈赠，就连奠定大模型基石的Scaling Law最初也只是安全测试的副产品。两位作者肯尼斯与乔尔在加入OpenAI后更直观感受到，这家公司看似目标明确，实则内部涌动着自由探索的暗流：员工可以花数月调试一段无用的代码，也能为某个冷门研究方向争取资源，这些看似“无用功”的尝试最终拼凑出通向GPT的踏脚石。  

当全行业陷入参数军备竞赛时，两位研究者却警示这种收敛可能将创新逼入死胡同。就像生物进化需要对称性而不仅是智力飞跃，AGI的实现或许需要比Scaling Law更离经叛道的突破。他们观察到，过度聚焦目标会扼杀“走错路”的价值——谷歌曾因业务需求优先开发Encoder错失先机，而OpenAI在GPT-2时期不计产出的投入反而为后续爆发积蓄势能。眼下行业疯狂追逐的模型性能提升，某种程度上恰似当年自动驾驶“明年量产”的乐观泡沫，当算力增长触及物理极限时，人们才会意识到真正缺失的踏脚石尚未被发现。  

离开OpenAI后，肯尼斯创办的社交网络Maven试图用开放性算法破解信息茧房，乔尔则转向虚拟生命研究。他们坦言，即便在OpenAI内部，随着商业化压力与竞争加剧，那种允许试错的文化空间也在收缩。这让人联想到山姆·阿尔特曼的清醒：“指标上升令人愉悦，但突破性创新往往需要容忍漫长的无果探索。”或许人工智能的未来，不在于精心规划的路线图，而在于保留足够多的“意外”生长点——就像生物进化史中，最伟大的飞跃从来不是某个物种的终点，而是另一段奇妙旅程的起点。