卡琳娜·阮（Karina Nguyen），她25岁，二十多岁的前半段，全部花在了Claude和ChatGPT上。先在Anthropic，后在OpenAI，参与构建了如今数十亿人每天都在用的系统。
最近她离开OpenAI，写下这篇文章。
2022年，她加入Anthropic，参与Claude的早期研发。
两年后，她加入OpenAI，理由很直接：想亲身参与正在发生的范式转变。在OpenAI期间，她参与了两个项目：一个叫Mesh（新型终端界面），一个叫InterAlia（视觉AI推荐系统）。
她还参与撰写了SimpleQA论文，以及最近发布的PostTrainBench基准测试。
SimpleQA https://arxiv.org/pdf/2411.04368
PostTrainBench https://arxiv.org/pdf/2603.08640
她的判断是：如果AGI 在2到5年内到来，现在正是创造新事物的最好时机。
最优秀的创造者能做到以前做不到的事，能获得更多收益，而平均结果和卓越结果之间的差距，正在快速拉大。
她说了一句很反直觉的话：
创建正确的评估方法，有时比创建在该评估上得分高的模型更有影响力。
先解释一下背景。AI研究里有两个核心概念经常被提到：
Eval（评估），就是用来测量模型能力的测试集，比如给模型出一堆题，看它答对多少。
Benchmark（基准），是被整个领域公认的标准评估，大家都用同一把尺子量，才能互相比较。
她的观点是，一个好的基准会变成"谢林点"（Schelling point，指在没有沟通的情况下，人们自然会聚焦的那个选项）。一旦某个基准出现，整个领域都会围绕它转，因为每个人都想说自己超越了它。你通过激励所有人去优化它，来推动整个领域向前走。
制定规则的人，往往比遵守规则的人更有话语权。这个逻辑在很多地方都成立。
但她也说，好的评估设计起来出奇地难。要同时满足三个条件：清晰的输出、快速的反馈、明显的信号。
大多数评估方法都在某一点上失败了。
更麻烦的是，搭建基础设施、解读结果、调试故障的繁琐程度，直接决定了研究人员在日常迭代中愿不愿意真的用它。
PostTrainBench的发布，就是这个逻辑的直接产物。
这是她整篇文章里最有分量的判断之一。
先解释一下后训练（post-training）是什么。
AI模型的训练分两个阶段：
第一阶段叫预训练（pre-training），用海量数据让模型学会语言和知识，这个阶段出来的叫基础模型（base model）
第二阶段叫后训练，用人类反馈、指令微调等方式，让模型变得有用、安全、符合人类期望，这个阶段决定了模型最终的"性格"和"能力边界"。
她的判断是：基础模型已经越来越强，下一个真正的前沿在后训练。
原因在于，客观能力有明确的基准可以衡量，比如数学题答对率、代码通过率。
但情商、品味、幽默感、创造性判断这些主观能力呢？没有标准答案，没有现成的尺子，需要的是对数据的直觉，对什么在起作用的感知，以及还在发明中的方法。
她用了一个很准确的词：craft（手艺）。
设计后训练数据混合方案，更接近艺术而非工程。
发明能教会模型新能力的训练方法，同样如此。
人类的品味和创造力，在这里起着决定性的作用。
然后她说了一句让人印象深刻的话：这才是真正重要的前沿，但几乎没有人在做。
这个视角很新鲜，读完之后会觉得看产品的方式变了。
她说自己开始从训练信号的角度看产品。
举个例子：ChatGPT Canvas，表面上是个写作和编辑界面，用户可以在里面和模型一起修改文章、调整代码。
但从训练信号的角度看，它本质上是在收集一个问题的答案：人们到底希望怎么和模型协作？
用户在Canvas里的每一次操作，接受了哪些修改、拒绝了哪些、在哪里反复调整，都是信号。
这些信号塑造了训练数据，训练数据塑造了下一代模型，下一代模型又决定了产品能进化成什么样子。
产品塑造数据，数据塑造模型，模型塑造产品能变成什么。
这个循环一旦跑通，就很难被打断。
这也解释了为什么大模型公司对产品形态的选择，背后往往有更深的战略考量，不只是用户体验那么简单。
她在这部分写了很多，值得逐条拆开看。
第一，实验设计能力。
关键不是跑更多实验，而是设计能最大化每次计算信息量的实验。
这里有个专业词叫FLOP（浮点运算次数，衡量计算量的单位，可以简单理解为"烧了多少算力"）。
不是所有实验都值得消耗大量算力。
她说，这里还有一个更深的元技能：识别出领域里关于"哪些实验必须大规模跑"的传统观点，什么时候其实是错的。
如果你能发现这一点，就能用极低的成本获得别人以为需要巨大投入才能得到的信息。
第二，从"随意尝试"到"系统缩小假设范围"。
这两者之间的差距，区分了平庸的研究者和高效的研究者。
调试直觉是可以学习的，但需要跑数百次实验来积累，没有捷径。
第三，结果要能被人理解才能传播。
她说：没人能理解的结果无法传播。
要提炼成一个清晰的论点、一个醒目的视觉元素、一个令人印象深刻的数字。
这不是在说要简化科学，而是在说沟通本身就是研究能力的一部分。
第四，选择正确的问题和执行同样重要。
AI研究中最持久的技能，不是任何特定的技术贡献，而是反复识别当前什么最重要，然后迅速行动。
方向错了，执行再好也没用。
第五，大胆的想法更容易获得支持。
有才华的人有很多选择，他们不会把时间花在渐进式改进上。
如果你要占用别人的时间，就应该拿出一个值得他们承担风险的项目。
这个观点很少被人明确说出来，但读完会觉得非常准确。
她说：有些发现是基础设施的下游产物。在拥有能够验证某个想法的系统之前，你根本不可能产生这个想法。工具先于洞察力。
这就是为什么研究人员常常花大量时间在工程问题上，看起来不像在做"真正的研究"，但实际上是在为下一个重要发现铺路。
内部工具是一项被严重低估的竞争优势。
拥有最好的评估和训练界面的实验室，能更快迭代，更早发现问题，这种优势会不断累积。
但她也补充了另一面：有些发现依赖于特定的基础设施，换一套系统可能会得出完全不同的结论。
这意味着，某些"发现"其实是特定技术栈的产物，不一定具有普遍性。
这是一个很少被公开讨论的盲点。
还有一点：有时候从零开始比逐步修补更有效。
比如，想给一个已有模型加上"个性"，就意味着要对抗它原本被优化的那些模式。
这场仗很难打，不如重新来过。
对齐（alignment）是AI领域的核心问题之一，简单说就是：怎么让AI的行为真正符合人类的价值观和意图，而不是表面上看起来符合。
她提出了一个反常识的观点：更强的模型，反而可能更不容易出现对齐问题。
逻辑是这样的：更强的模型更清楚欺骗会破坏信任，也更能推理长远后果。
"乐于助人"或"诚实"这类价值观是抽象的，要在不同情境里正确运用，本身就需要复杂的推理能力。
所以，对齐失败，有时不是意图的问题，而是抽象能力的问题。
模型不是不想对齐，是没有足够的能力把一个原则正确迁移到新的情境里。
如果对齐失败主要是能力不足导致的，那么提升能力本身就是在解决对齐问题，而不是在制造更大的风险。
她提到了一件很有意思的事。
Anthropic在ChatGPT谄媚事件让所有人都意识到风险之前，就已经在构建谄媚行为评估工具（sycophancy evals）了。
谄媚行为指的是模型为了让用户满意，倾向于说用户想听的话，而不是说真话。
风险只有变得显而易见时才会真正被重视，但等到事件发生几乎已经太晚。
这个节奏在很多领域都在重演。
先有人在角落里安静地做预防，然后某个事件爆发，所有人才意识到原来早就有人看到了。
问题不是没有预警，而是预警在变得"可见"之前，没有人愿意认真对待它。
她说，AGI带来的社会危害，比大多数人意识到的要迫在眉睫得多。
她点名了三个：心理依赖、无力感、自主性丧失。
心理依赖，是指人们越来越习惯把思考、决策、情感支持外包给AI，逐渐失去独立处理这些事情的能力和意愿。
无力感，是指当AI系统越来越强大，普通人越来越感觉自己对重要事情没有影响力。
自主性丧失，是指人们做选择、形成判断的能力，在长期依赖AI的过程中慢慢萎缩。
这是已经在发生的事情。
然后她说了一段让人印象深刻的话：娱乐行业本可以在这个时刻发挥巨大作用。
很少有人比创作者更有力量塑造人类对未来的想象。
他们本可以讲述那些帮助数十亿人理解未来走向、以及如何有尊严地应对它的故事。
但她看到的，是部分娱乐行业人士在抵制这场变革。
她没有点名，但文化叙事的缺席，是对齐问题的一部分。
她说在OpenAI这种快速变化的环境里，人员流动、项目调整、优先级重排是常态。
感到不安是正常的，她自己也经历过。
她的应对方式只有一句话：
真心热爱工作和身边的人，但不要把稳定感寄托在任何特定的组合上。
今天一起工作的人，下个月可能就不在了。
这不是让你少投入的理由，而是让你更珍惜当下的理由。要灵活，但不要冷漠。
她还提到了一个更大的判断：人类政治和内部分歧，可能是AGI发展取得更大进展的核心瓶颈之一。
技术本身的障碍，也许比不上人与人之间协作失败带来的阻力。
这句话她只写了两行。
模型的人格反映了训练它的人的品格。这一点比大多数人意识到的要实际得多。
后训练阶段，人类标注者的判断、研究人员的品味、团队的价值取向，都会以某种方式渗透进模型的行为模式里。
你和什么样的人一起训练模型，模型就会带着什么样的底色。
这也是为什么她说，后训练是艺术而非工程。
工程可以外包，艺术不行。
文章结尾，她想把接下来的时间，花在那些还没有人涉足的难题上：教AI同理心、讲故事的能力、创造性判断力，让AI系统真正对齐人类在乎的东西，以及构思人类和AI以全新方式互动的产品形态。