在人工智能领域，总有一些前瞻性的研究者在争议中坚持探索，最终推动技术边界的拓展。Giambattista Parascandolo便是这样一位研究者，他如今是OpenAI推理模型方向的核心成员，但五年前，他的研究理念曾被MIT教授团队斥为“无稽之谈”。
2020年，Parascandolo在MIT面试教授职位时，做了一场关于“用GPT实现推理”的报告。他提出，人工神经网络需要突破训练数据的分布限制，发展出更接近人类的泛化与规划能力。例如，人类能通过重组已有知识、识别关键不变量、建立抽象模型来完成复杂任务，而当时的神经网络在这些方面仍存在显著不足。然而，这一观点并未得到面试委员会的认可，多数教授认为其缺乏可行性。
面对质疑，Parascandolo选择公开记录这段经历。他在个人主页上详细介绍了报告内容，并附上了当年的幻灯片链接。报告的核心观点之一是“开放式推理”——模型应能根据问题难度动态调整计算量，通过更深入的思考生成更优解。这一理念与如今流行的“推理时计算扩展”不谋而合，但在当时，标准Transformer的固定计算深度与RNN在长程推理中的局限性，让这一设想显得过于超前。
Parascandolo还探讨了语言在推理中的作用。他以经典游戏《蒙特祖玛的复仇》为例，指出强化学习Agent需要大量试错才能掌握操作，而语言能通过描述环境、拆解任务、生成高层计划，显著缩小搜索范围。例如，GPT通过文本吸收的世界知识，可帮助模型理解目标、规划路径，这一思路与当前的“思维链”“语言规划”等技术方向高度契合。
他提出了一个更具颠覆性的设想：人工智能系统应能重置任务、构造反事实场景，甚至直接修改自身的神经网络权重。这意味着学习过程本身可成为模型的操作对象，使其能通过刻意练习生成特殊训练场景，或针对失败案例重新学习。这一观点将“元学习”的边界推向了新的高度。
尽管未能获得MIT的教职，Parascandolo的学术轨迹并未因此偏离。他于2017年在马克斯·普朗克智能系统研究所和苏黎世联邦理工学院攻读博士，师从Bernhard Schölkopf和Thomas Hofmann，研究深度学习中的OOD泛化问题。博士期间，他曾在Google X和DeepMind实习，参与超大规模模拟器设计和分治蒙特卡洛树搜索等项目。2021年博士毕业后，他直接加入OpenAI，从强化学习团队起步，逐步转向算法研究，并最终成为“草莓团队”（o1项目内部代号）的核心成员。
在OpenAI，Parascandolo参与了GPT-4的研发，并组建了一支专注于推理研究的新团队。他主导的基础研究为o1和o3模型的奖励建模、环境构建和通用推理算法提供了关键支持，尽管部分算法细节至今仍被保密。从MIT面试的“无稽之谈”到OpenAI的o1项目，他的经历印证了技术突破往往需要超越时代的想象力与坚持。
