在科技领域的前沿探索中，OpenAI 的两位核心研究主管——首席科学家 Jakub Pachocki 与首席研究官 Mark Chen——近期成为行业焦点。他们不仅在《麻省理工科技评论》的独家专访中分享了攻克推理模型知识串联难题的经验，更在 a16z 播客栏目中与普通合伙人 Aden Mita、Sarah Wang 展开深度对话，首次系统性披露了 OpenAI 在后 GPT-5 时代的研究方向与组织理念，提出构建“自动化研究者”（Automated Researcher）的远期目标。
GPT-5 的设计理念成为对话的起点。Mark Chen 坦言，此前 OpenAI 的模型路线存在内在矛盾：GPT 系列（2, 3, 4）以“即时响应”为核心，能快速给出答案；而推理模型 o 系列则侧重深度思考，追求答案质量。这种分离导致用户选择困惑。为此，GPT-5 的核心任务是解决这一矛盾，将推理能力无缝融入用户交互中。“我们希望用户无需纠结该用哪种模式，而是默认获得推理能力和智能体行为。”Mark Chen 强调，未来研究将更聚焦于智能体（agents）的发展，GPT-5 是这一方向的重要一步。
随着模型能力的提升，评估基准的瓶颈问题逐渐显现。OpenAI 研究员 Yaka Pohotsky 指出，沿用多年的评估指标已接近饱和，例如从 96% 提升到 98% 的边际效益有限。他坦言，传统的“预训练-泛化评估”模式难以适应强化学习等新方法带来的变化——模型虽能在特定领域展现专业能力，但未必等同于全面泛化能力。“我们正处于优秀评估方法的‘赤字’状态。”Yaka Pohotsky 认为，未来的评估重心应转向模型发现新事物的实际能力，例如在数学和编程竞赛中的表现，以及在有意义事物上的真实发现和推动。
在技术路径上，强化学习（RL）和编程被视为实现“自动化研究者”的关键驱动力。Yaka Pohotsky 解释，RL 与大规模预训练模型的成功结合，为 AI 研究提供了近乎无限的试验场。“预训练赋予模型对人类语言的理解，而 RL 则能在此环境中执行各种目标。”他强调，这种结合解决了过去环境构建的难题。与此同时，编程领域的突破也至关重要。Mark Chen 透露，新版 GPT-5 Codex 的目标是让推理模型的“原始智能”转化为真实世界编程中的实用工具，关注编码的“软性”层面，如代码风格、模型的积极性与懒惰程度等。
技术变革正在重塑编程的定义。Yaka Pohotsky 回忆，作为前编程竞赛选手，他曾抗拒使用工具，但 GPT-5 的最新能力让他改变看法——现在它能在 15 分钟内完成涉及 30 个文件的代码重构。Mark Chen 补充，对于年轻一代程序员而言，“氛围编程”（vibe coding）已成为默认方式，不借助 AI 编码反而显得奇怪。这种趋势可能很快延伸至研究领域，演变为“氛围研究”（vibe researching）。
在探讨优秀研究员的特质时，Yaka Pohotsky 认为“坚持”是核心。他指出，研究的本质是探索未知，需要研究者提出清晰假设，并在失败中学习。Mark Chen 补充，经验同样重要，通过阅读优秀论文、与同事交流，研究员能学会选择合适的研究课题——既不太难，也不太简单。Yaka Pohotsky 强调，选择真正关心且认为重要的问题至关重要，许多他敬佩的研究者都勇于挑战“硬骨头”问题，并不断追问障碍所在。
在组织与文化建设方面，Mark Chen 认为 OpenAI 的优势在于其“基础研究”的使命感。这种使命激励团队成员在技术前沿创新，而非模仿。他透露，OpenAI 致力于吸引顶尖人才，并已建立深厚的人才储备。Yaka Pohotsky 表示，他们寻找的是曾在任何领域解决过难题的人，背景可能是物理学、计算机科学理论甚至金融。强大的技术基础、挑战宏大问题的雄心和毅力，是他们最为看重的品质。
为了保护基础研究，OpenAI 努力确保研究人员不受产品方向需求的干扰，给予他们充足的时间和空间探索未来一到两年的重大问题。尽管公司内部存在多个研究方向，如扩散模型和代码推理，但长远来看，这些探索最终会汇集到“自动化研究者”这一核心目标上。Yaka Pohotsky 坦言，虽然长期目标清晰，但具体技术路径仍需探索和学习。
当被问及资源投向时，两位研究主管毫不犹豫地选择了“计算”（compute）。Jakub Pachocki 不认可“AI 领域将从算力约束转向数据约束”的观点，他认为从长期观察来看，“我们能做多少事就是计算力”。Mark Chen 也表示：“任何说这话的人都应该来我的岗位上待一个周末。没有人会说‘我有我需要的所有计算力’。”在他们看来，计算力的约束仍然是 AI 前沿研究中一个长期存在的难题。
