翁家翌：OpenAI，GPT，强化学习，Infra，后训练，天授，tuixue，开源，CMU，清华
摘要
翁家翌把大模型竞争的生死线归结为 post-training RL infra 的正确性、吞吐量与 cycle time，而不是更炫的算法。 前沿 idea 可以快速生成，但错误实验会放大误判；他的判断是“谁修的 bug 越多，那谁的模型就训得越好”，真正稀缺的是单位时间内完成更多次正确迭代的能力。DeepSeek 真正令 OpenAI 警觉的也不是某次榜单超越，而是其声称极快的迭代速度。
在他看来，当前 AI lab 对强工程人才的需求远高于传统学历信号，目标明确指向工业界时，PhD 甚至可能是“浪费生命”。 他的核心区分是：研究直觉会随从业时间积累，idea 可以很便宜地生成甚至被 AI 建模，但“教一个 researcher 如何做好 engineering，要远比教一个 engineer 如何做好 research 来得难”。对人才与组织的投资判断因此应落在 infra context、端到端实现能力和实验成功率，而非论文数量本身。
ChatGPT 并不是 OpenAI 全公司事先押中的必然爆款，而是一个小团队为改善用户交互、收集真实世界数据推出的实验。 翁家翌 2022 年加入时，甚至还没有 pre-training/post-training 的正式分野；团队原以为产品可能只有一两万早期用户、五天后便关闭，却看到需求指数增长和服务器多次被打爆。“大家都是自来水”，才让内部确认这是值得持续投入的方向。
翁家翌选择“卖铲子”，使他的职业影响力随每次模型 release 横向扩张。 他搭建了 OpenAI 内部 post-training RL infra，因此从 ChatGPT、GPT-4、GPT-4V、GPT-4o、GPT-4.5 到 GPT-5，许多 release 都出现了他的名字；他甚至明确写过自己的 reward：“最大化我在 OpenAI blog 上出现名字的次数。”单项 research 无法 scale，平台被所有 researcher 使用则可以。
OpenAI 的规模优势与组织负担同时存在：用户反馈、算力和融资能力更强，但代码库、沟通路径与 context sharing 都会随人数增长而臃肿。 翁家翌入职时是第 280 位员工，访谈时公司已超过 3,000 人；他认为大型机构未必拥有最快 iteration speed，只能靠小团队、扁平架构和“无损”的上下信息流减缓退化。“大家都很差，然后看哪一个不那么差”，是他对成熟组织竞争的冷静概括。
他认同闭源是公司生存与继续 scale 的现实 trade-off，却没有放弃开源价值观。 从清华作业、天授到 tuixue，他把代码视为“做慈善”和打破信息差的手段；但最强模型若直接开源，竞争者可能迅速利用成果后再次闭源，削弱 OpenAI 的融资与算力来源。他对使命的拆解是“先实现 AGI，再造福全人类”，后者未必等于公开权重，也可以是以免费或低价产品把能力交到普通用户手中。
他预计 researcher 可能早于 infra engineer 被 AI 替代，但当前模型仍远不能独立维护最难的 AI infra。 Agent 加 RL post-training 在他眼里没有本质差别，只是增加了几步 rollout、环境可能更多；真正障碍是 AI infra 在训练数据中占比近乎为零，反馈链长、验证成本高。经历 Strawberry 前后的内部讨论后，“可能一两年过去了，屎山还在那儿”，让他相信替代会是缓慢的 hill climb，而非瞬间跳变。
支撑其技术与职业选择的深层 reward，是持续“投资未来”并创造可被真实用户认可的 impact，但这套答案如今也在松动。 他从开源 star、tuixue 早期百万级、后来可能千万级的点击，到模型每天的 inference，都视为非官方共识，而不是 GPA、学历或职位；与此同时，他相信世界可能是确定过程，甚至想让 AI“预测未来”。当 RL infra 的前路变得越来越确定，他重新进入迷茫期，最后只留下：“这个问题值得一生去思考。”
精读
1. “慢学”迫使他先搭知识树，再把结论压成直觉
翁家翌从小学一年级开始学奥数，口算往往在别人写到一半时已经完成；但面对新知识，他常要花别人两到三倍时间，包括今天阅读代码也一样。他的解释不是更聪明，而是“我需要更长的时间构建我的知识树”。
一旦知识树搭好，他会“直接建立一个链接”，应用时几乎无需逐层推导。小时候背课文也是如此：睡前只能磕磕巴巴背完，睡一觉后却能“倒背如流”。
这套学习方式催生了很早的时间偏好：初二学完高中数学，初三开始微积分，不是为了眼前考试，而是“我想投资我自己的未来”。与其在简单题上重复刷分，他宁愿提前投入可能产生长期收益的知识。
2. OI 是升学工具，但无用的常数优化才暴露了真兴趣
对非北京学生而言，清华北大“难如登天”，因此竞赛首先是升学策略。数学竞赛继续向上太吃早期积累，他权衡后转向从初一便接触的 OI；高一连福建省选都过不了，高二靠 heuristic 方法在“最小顶点覆盖”上拿到约 70 分、进入省队。
清华夏令营给出的条件是无条件降 60 分；若 NOI 达到约前 150 名的银牌线，则高考过本一线即可录取，金牌则直接保送。他最终成了当年福建省队唯一的铜牌、队内倒数第一，只能在上海交大本一线录取和清华降 60 分之间承受不确定性，最后在家人鼓励下选了清华。
回归高考后，他仍偷偷写代码，甚至在没有编辑器和编译环境的 iPad Safari 中裸写、提交，以训练完整建模与快速定位错误的能力。他还同时优化同一复杂度算法的运行常数和代码长度：“虽然说没什么用，但是很有意思。”
3. 开源清华作业，是他第一次系统性地对抗信息差
进入清华后，最先浮上他脑海的记忆不是成绩或奖项，而是把自己的作业、收集到的历年资料全部放上 GitHub，只有存在版权问题的内容例外。部分学长学姐反对，他仍坚持：“我觉得应该打破信息差。”
翁家翌看到，很多有能力的学生并不擅长搜集资料，又不敢询问助教，可能在一道低收益作业上钻牛角尖十几二十小时。公开往年作业和老师未禁止传播的材料，是给他们“信息平权”的机会，让时间回到真正想做的事上。
他半开玩笑地说，学生未必认识名字刻在楼上的捐赠者，却很可能认识那个让大家看作业活下来的翁家翌。影响力由实际使用产生，而不是由位置赋予，后来成为他反复沿用的评价逻辑。
4. 强化学习是误选，图形学与安全才是最初的浪漫
大二选择实验室方向时，学长给了他朱军、唐杰和崔鹏三个名字；后来朱军老师提供了贝叶斯、GAN 和强化学习三个方向。他本来想做图像，却因为根本不知道哪个选项对应 GAN，误打误撞选了第二项 RL，称之为“相当 random”。
他真正向往过图形学：电影《创：战纪》的虚拟世界令他震撼，觉得若能像造物者一样构建自己的场景，“那我就圆满了”。图形学大作业中，他设计新算法减少迭代收敛次数，又用大量算力渲染出无噪点的 16K 图，拿到全班仅有的两个 A+ 之一。
网络安全则满足另一种 hacking 冲动。他和学长发现清华成绩单系统可以一分钱甚至免费获取，多次下载后把漏洞反馈给教务部门并修复；在他眼里，安全是 hacking 系统，图形学则是“对现实世界的 hacking”。
最终放弃图形学不是兴趣消失，而是判断科研需要专注、不能“脚踩两条船”。这一选择把他留在 RL，却也很快让他看到自己真正喜欢的是其中的工程底座。
5. ViZDoom 冠军让他确认：自己讨厌炼丹，却擅长造工具
他的第一个 RL 项目是在固定 ViZDoom 地图中杀怪、捡血包、避障并通关，最终拿到比赛冠军；但过程“很不享受”。环境过于单一，目标是疯狂 overfit，还要用大量 heuristic 防止训练崩溃和处理 corner case。
相比 Atari、MuJoCo，这个任务对人简单、对模型却需要障碍物等大量隐性知识。翁家翌由此认为，当时不少 RL 工作不是算法突破，而是围绕少数环境反复调参，“比 CV 的调参难度可能要难上十倍、一百倍”。
他对调参甚至有“生理上的排斥”，于是把重心移到帮助研究顺利进行：重构代码、设计抽象、改善用户体验，让愿意卷算法的人去卷。他后来概括自己的偏好：“我更喜欢卖铲子。”
6. Mila 的 MoE 失败证明：方向正确也敌不过算力与 engineering 缺口
为申请研究生，他在 2019 年经导师联系前往 Mila 暑研，合作对象是 Yoshua Bengio 和带他的 postdoc。任务却与既有 RL 背景无关：在 Transformer language model 中实现带 router、可选择不同 path 的 MoE idea。
翁家翌先花很长时间补 Transformer 与 NLP context，再尝试实现，最终没有得到好效果。回头看，他认为 MoE 要 work 必须有算力、强工程能力并 scale up；当时一个人只有几块卡，无法验证这类方向。
主持人试图把 RL、NLP 与后来 OpenAI 的工作串成命运伏笔，他直接拆掉这个马后炮：“你要真这么说，强行这么说也可以。”即便当时拥有今天的认知，computer 和 engineering 资源不够，“那还是做不出来”。
7. 只拿到 Master，反而帮助他挣脱清华的单一评价体系
暑研没有一作 paper，周围同学却从 Stanford、CMU 等项目带回成果，他对推荐信内容也没有把握；他原本按 PhD 申请，最终只拿到 Master。身处清华环境时，他确实受“PhD 好于 Master”的鄙视链影响，经历过失望和调整。
他逐渐确认，学历高低并不自动决定发展，“真的取决于到底干了什么”。如果需求方是雇主，对方关心的是新人能否直接工作；高度匹配的项目经验，可能抵掉数年形式上的经历。
本科阶段，他采用导师推荐的三个非官方指标——论文、比赛、GitHub 三位数 star——尝试建立自己的评价体系。GPA 则只投入达到门槛的最低时间：以 87 分为 B+ 的课程为例，达到够用的标准就满足，“多一分都不想花时间”。
8. 天授用两周完成第一版，胜在短代码和一致抽象
2020 年疫情与国际局势带来巨大不确定性，他选择不沉浸在宏大叙事，而是在家写天授、tuixue 和签证查询工具。天授的直接起点很朴素：已有大量 RL 实验代码，为什么不整合成更好用的框架？
他先研究 RLlib 约一个月，却被几十万行代码和过多抽象挡住，找不到应修改的位置，于是“直接重新手写”。第一版只花两周；抽象正确后，一个 paper 算法往往不到 20 行便可实现。
这不是为了多发 NeurIPS paper。他已经有论文、比赛和课程 repo，申请也结束，于是明确说：“我不想发 paper，我觉得发 paper 完全没有意义。”真正吸引他的是好用、好改、能推动别人研究的开源代码。
天授抓住了 researcher 的真实需求：代码短、常见算法齐全，新增 feature 时应改哪里几乎唯一确定。翁家翌认为项目最有价值的是 consistency；多人各写一块而 assumptions 无法传递，才会造成复制、膨胀和持续腐化。
9. tuixue 把代码变成慈善，也塑造了他的 impact reward
tuixue 源于他自己寻找美国签证空位的需要：领事馆反复关闭，没有现成工具，就写爬虫并免费开放。第一版甚至可以每天手动更新两次，技术并不重要；他说项目很早就已有 100 多万点击，现在可能已经超过 1000 万。
疫情结束、领事馆网站升级且他无暇维护后，项目自然关闭，“完成了它的使命”。他把天授和 tuixue 都称作“做慈善”：可以 non-profit，甚至亏钱，只要工具真正改善他人的处境，自己便获得满足。
高三时，他脑中突然出现一个人生计分方式：“如果人生是一场游戏，结算分数是记得你名字的人的数量。”这不等于追逐任何 fame，而是希望通过有益之物获得自发认可；GitHub star、点击量、citation 和模型 inference 都可成为这种共识。
10. 2022 年的真实选项，是 DeepSeek 前身与 ChatGPT 前的 OpenAI
CMU 入学后因疫情在家上了一年网课，他最初找工作只投约 18 家，拿到 Google 和 OctoML 的 offer；他宁愿去后者，也不想进大厂成为做前后端的“螺丝钉”。OctoML 是陈天奇老师的公司。
继续面试后，他拿到了幻方筹建 AI Lab 的 offer，即后来的 DeepSeek，岗位不是量化，而是 RL infra；此外还有英伟达、TikTok，FAIR 则因流程原因拒绝了他。因此这不是事后构造的选择，确实包含“DeepSeek versus OpenAI”。
当时尚未有 ChatGPT，他选择 OpenAI，是因为它与 DeepMind 被视作 RL 最强的两个 research lab，也因为他想看工业界前沿研究如何形成方法论，而不是几个 PhD 在学校里手搓项目。
John Schulman 招聘并面试了他，很看重其 GitHub 和工程能力。最后一轮是三小时的开放式 end-to-end 题，他两小时完成，演示时出现 bug 又现场修好；据访谈所述，这道题只测试过两人，另一位后来做 Codex，两人都通过。
11. 面向工业界，差异化经验比 PhD 年限更可用
翁家翌从未考虑继续读 PhD：“如果你想进工业界，那么读 PhD 就是浪费生命。”Master 可以充当跳板，关键是在本科或硕士阶段积累足够论文与项目，使自己能和同期 PhD candidate 同台竞争，并给雇主一个选择你的明确理由。
他认为当时不能简单断言工程能力一定更重要，所以尽量同时满足论文与工程两端。但到大模型时代，实验前沿更多取决于 infra 是否正确、单位时间能验证多少有效 idea。
他引用一位同事的判断：“教一个 researcher 如何做好 engineering，要远比教一个 engineer 如何做好 research 来得难。”长期浸在领域中的人会形成 research 直觉，也可以找 Alec 这类资深研究者讨论；可靠实现和快速验证却难以临时补课。
12. “卖铲子”让个人贡献随每个模型 release 扩张
翁家翌的经验判断是，各家 infra 都有不同程度的 bug；模型差异可能来自谁修得更多，而不只是算法。“Llama 训不过 GPT 是因为 Llama 的 bug 太多”只是他的猜测，他明确说“我不知道”。
单项 research 只能服务一次结果，infra 却能被所有研究者复用。他因此给职业生涯写下一个直接 reward：“我要最大化我在 OpenAI blog 上出现名字的次数。”想让名字出现得可扩张，就应让大家都使用自己的工具。
他参与搭建了 OpenAI 内部的 post-training RL infra，并处在 RL infra 较靠近使用者的位置，因此许多大型 model release 都出现了他的名字。主持人列举的跨度从 ChatGPT、GPT-4、GPT-4V、GPT-4o、GPT-4.5 一直到 GPT-5，正好对应了这套“卖铲子”策略。
13. ChatGPT 起于 WebGPT 的退而求其次，爆发完全超出预期
2022 年 7 月入职时，内部还没有“post-training”这一正式分类，只有 John Schulman 旗下 RL team。团队原本在做 WebGPT 的后续版本，但 GPT-3.5 browsing 需要 tool call，效果并不好，于是先退一步改善用户交互，把问题收敛到 chat、instruction following 与 RLHF。
GPT-3.5 已经存在，但 PPO pipeline 很难用，实践中迭代更多的是 GPT-3.5 SFT。新的算法大约在 2022 年 8 月先把 GPT-4 上的 PPO 调通，GPT-3.5 当时使用的是旧算法。
翁家翌自己没有一眼看出 game-changing：第一次觉得只是“会说话的模型”，后来发现能帮一点代码问题，但能力有限。因为内部体验是循序渐进的，真正突然的是外部用户第一次接触时的落差。
发布目的只是收集真实世界数据，团队甚至设想开头有一两万用户，随后需求回落，五天后便可关闭。结果曲线近乎指数增长，服务器多次被打爆，用户自发传播；他在 NeurIPS 现场看到所有人讨论，才意识到工作已引爆行业。
14. OpenAI 的先进生产力不是天才 idea，而是提高实验频率
入职初印象是“大号实验室”，并没有想象中完整的方法论，只是聚集了许多 research 直觉极强的人。Barrett、Liam 等人从 Google 加入后，团队才开始“引进谷歌的先进生产力”。
核心图景是：单位时间内的迭代次数与成功率近似正相关，实验从每周约 30 次提高到约 300 次，找到有效方向的概率便随之上升。翁家翌把它视作 RL 在组织层面的投射——不断 trial and error，直到命中目标。
他认同高人才密度能让意外成果自发涌现，但规模扩大后必须依靠信息流：上层决策无损传到底层，底层进展也无损回到上层。Sam 曾通过研究助理了解内部进展，Greg 深入 infra；管理公司与管理代码库一样，都要求 consistency。
15. RLHF 最难的不是把 reward 拉高，而是确认模型真的变好
早期 PPO 的关键挑战，是没人知道性能应呈现什么形态。单一 reward 可能持续上升后饱和，但如果存在真正的人类 reward，质量可能先升后降；两者背离就是 reward hacking。
因此最高 reward checkpoint 未必最好，且各 benchmark 的 sampling-based eval 方差很大。一个数字超过门槛，只能说明过线，未必足以比较相邻模型的真实交互质量。
团队最终仍要把模型拉下来亲自对话，多找几个人体验并投票。主持人总结“用 human feedback 来 eval RLHF”，翁家翌承认：“只能是这样，就没有办法了。”
这也揭示了工业级 RL 的难点：训练正确性、采样噪声、checkpoint 选择和最终人的偏好构成完整链条，任何一处 infra 错误都可能让研究结论失真。
16. 大模型 RL 把瓶颈从环境反转到了模型计算
在 ViZDoom 等 toy task 中，模型训练和 action sampling 很便宜，困难集中于环境；大模型 RL 恰好相反，环境可能只是几微秒即可提供的 prompt，模型 inference 与 training 却可能耗费数百甚至数千秒。
因而未来挑战首先是怎样用更多 GPU、更高效地采样和训练，再把 RL、inference 与实现细节做端到端优化。
2022 年 8 月左右，他意识到学术 RL 仍在围绕 Atari、MuJoCo 等 toy benchmark overfit，工业界却用 RL 解决真实问题，于是逐步停止天授开发，把时间转向 OpenAI 的 RL infra。“我应该投入更多时间到更有意义的事情里面。”
17. 现有范式尚未 scale 完，下一代 infra 选择推倒重来
高强度阶段，他从早晨醒来一路写代码、debug、处理问题到睡觉，每周约六天，甚至因“脑子疼”去医院检查。意识到这种状态不可持续后，他开始每周两次跑 3,000 米——这曾是他在清华体育课无法及格的项目。
对未来五到十年，他拒绝从当前状态线性外推：可能出现新的 RL 范式，也可能出现新的 pre-training 范式。“什么事情都可能发生”，不能因为今天 infra 是主瓶颈，就断言永远不需要 breakthrough。
眼下更务实的次序是先把 large-scale RL 继续 hill climb，修掉更多 bug，榨出现有方法与 compute 的上限，再判断下一步。最大的瓶颈仍是吞吐量：“单位时间内能修多少个 bug，以及单位时间内能正确地迭代多少次？”
他所在团队正重构下一代 OpenAI infra。上一代已使用三年多，technical debt 与 context inconsistency 大量累积，因此选择推倒重来；researcher 提需求，infra 团队处理 distributed training 等复杂实现，最终让用户“改一个 flag 就好了”。
18. Agent 没改变 RL 本质，研究者却可能先被自动化
在翁家翌看来，agent 加 RL post-training 与标准 language model RL 没有本质差别，只是中间增加几步 rollout，环境可能更多。机制仍是进入可建模环境、获得反馈，再沿反馈改善行为。
他认为 researcher 可能先于 infra engineer 被 AI 取代：idea 可以便宜地生成，实验配置、data ablation 和简单的 for loop 也易自动化；infra engineer 需要跨系统 context、验证正确性和处理长反馈链，替代会更晚。
Sales 反而可能更耐替代，因为购买方仍是人，说服依赖人与人之间的认同。Sam 这类角色也难被简单替换：融资、算力、商业和地缘资源依附于一个被外界认可的 identity，而不只是可复现的技术职能。
他的 AGI 私人定义是：如果模型能完成自己认为有意义任务的 80%—90%，可能就算 AGI。目前它仍不能让他放心地直接修改 AI infra，因为相关代码在训练数据中占比近乎为零，验证成本又极高，所以还没有达到这条线。
19. Strawberry 引发过度反应，但“屎山还在那儿”
在 Strawberry 出来之前，OpenAI 内部已经使用过一段时间。使用者一度觉得自己的工作马上会被替代，甚至调侃先随便写代码，未来让模型清理。
一两年后，他看到的现实是“屎山还在那儿”。能力提升并非没有发生，但组织与个人往往 overreact，把渐进技术想成瞬时断点；实际替代更可能是缓慢、连续的过程。
他也刻意降低个人神话：自己当然幸运地站在独特位置，但“如果把我换作任何一个人，如果他有我的 context，他应该也完全可以胜任”。真正稀缺的不是天选个人，而是长期积累且可用的 context。
20. 闭源是博弈论选择，造福全人类不等于公开权重
翁家翌仍热爱开源，如果 OpenAI 开放合适项目，他愿意参与；John Schulman 甚至问过是否开源内部 RL infra。但他当时主动认为不合适，因为公司必须生存、融资并购买算力，才能继续大规模实验。
他把使命拆成两个阶段：“第一个是实现 AGI，第二个是造福全人类。”前者需要 pre-training、RL、compute 和 scale；后者可以通过产品完成，让免费用户也能接触 ChatGPT、语音等能力，而不是只丢出普通人不知道如何使用的裸模型。
主持人追问，若技术开放能吸收社区反馈，是否反而更快到达 AGI；他承认理论路径存在，但执行面临博弈：领先者开源后，竞争者可立即利用成果成为第一，继续训练后再闭源，原公司却可能因此融不到资金。
因此他认可的“open”更偏向普通用户的可及性，而非对其他模型公司的完全透明。若资源无限、公司永远不必担心存活，他则明确表示会“很开心”把相关 infra 开源出去。
21. 2023 年治理危机说明，技术领先仍依赖组织稳定
对 2023 年 11 月 Sam 被罢免，翁家翌否认“伊利亚到底看到了什么”之类玄幻叙事，称大量说法只是捕风捉影。内部可见事实是部分董事不信任 Sam 并投票罢免，而基层员工事前几乎没有信息，对决定极度震惊。
不少员工更认可 Sam，是因为实现 AGI 不只靠技术，还需融资、算力、商业判断和远见。纯技术领导者未必能协调这条长链条；他最希望避免的，就是组织再发生一次几乎倒闭的动荡。
John Schulman 离职曾让他关掉电脑、难过一下午，但他仍认为“一个健康的组织是所有人都可以替代的”。关键不是阻止人才离开，而是持续培养新人、保持造血能力，让组织像干细胞系统一样恢复。
22. DeepSeek 真正触发的警报，是迭代速度而非榜单名次
外部来自各家模型公司的竞争通常不会直接改变他的日常，DeepSeek 那一波是例外。触发警觉的不是某个模型在榜上超过 GPT，而是对方在 Twitter 上声称内部 iteration speed 极快；OpenAI 自己的迭代相对偏慢，因而需要努力把速度冲过 100。
他把 cycle time 视作基座模型公司的生死线。Data ablation、配置实验等工作可以增加人手甚至自动化，但 AI infra 需要大量历史 context；这也是为什么增加人手不能线性解决所有生产率问题。
OpenAI 入职编号约 280，访谈时已超过 3,000 人。规模带来用户反馈与多 use case，也使代码库、沟通成本和 assumptions 膨胀；小 startup 聚焦单一场景，iteration speed 完全可能更高，但在其他维度又难与大公司竞争。
他冷峻地概括成熟公司之争：“大家都很差，然后看哪一个不那么差。”理论解法是拥有无限 context 的 agent，承担整个组织的 sharing 与 decision，甚至成为 CEO；AI 的长 context 或许能修复人类组织反复出现的臃肿。
23. 当技术路径越来越确定，他重新失去了“想要什么”的答案
若 AI 能解决一个世界难题，翁家翌选择“如何预测未来”。他认为世界可能是确定过程、自由意志可能不存在，但保留关键矛盾：“我很怀疑，但是我尝试去证伪，发现证不伪。我非常想让它证伪。”
他提出过时间不必线性流动的可能性：高维视角中，未来的自己也许能向过去发送信息；高三突然出现的 impact reward，可能只是脑中冒出的想法，也可能来自未来，无法证伪。现实应对是“假装你不知道这个事儿”，继续体验当下。
创业并未被排除，但他尚未看到足够好的 idea，更偏好有明确用户反馈的 product。tuixue 证明“技术不重要，重要的是抓住需求”；理想的十年后，是拥有足够资源与能力、能做那时真正想做之事的人。
他现在投资未来的具体目标是积累足以提前退休的资本，为未来保留选择权；但曾经热爱的 RL infra 已逐渐“看到头了”，他也重新想不通自己想要什么。最后的诚实结论不是 AGI 预测，而是：“这个问题值得一生去思考。”