OpenAI首席研究官马克·陈（Mark Chen）近日公开表示，公司对通用人工智能（AGI）的探索仍坚定遵循既定路径，预训练、数据工程、推理训练及复杂任务链的优化，仍是实现这一目标的核心支柱。他强调，尽管外界对"扩展法则"（Scaling Laws）的质疑声不断，但现有技术曲线尚未触及天花板，模型自主开展研究的能力已初现端倪。
在谈及技术演进时，马克·陈以2016年AlphaGo与李世石对战中的"第37手"为例，指出这一人类棋手难以理解的落子，标志着机器首次在专业领域展现出超越人类认知的创新力。他透露，如今这种"神来之笔"已蔓延至数学、计算机科学等多个领域，AI在长周期任务中的表现令从业者震惊——今年以来，越来越多专业人士发现，AI代理已能独立完成具有实际价值的复杂工作。
针对"预训练已死"的论调，马克·陈直言这是技术发展中的周期性质疑。他以OpenAI内部开发推理模型o1的经历反驳称，当团队提出放弃传统"预训练+后训练"模式时，曾遭遇强烈反对，但最终通过工程创新与理论突破证明了新路径的可行性。他强调，过去十年技术曲线已跨越近十个数量级，当前没有任何证据表明增长会突然停滞。
这种技术自信源于对模型能力的深度观察。马克·陈指出，当AI开始处理持续数周甚至数月的任务时，其产生的创新成果已开始突破人类专家的认知边界。例如，模型推导出的新型数学公式或算法架构，往往连资深研究者都未曾设想。这种能力正是实现"自我维持研究"的关键基础——若AI能发现人类未知的数学规律，自然也能设计出更高效的软件架构。
研究范式的转变正在重塑科研岗位的职能。马克·陈提出"氛围研究员"（Vibe Researcher）的概念，预言未来顶尖研究者的核心价值将不再是编写代码或调试模型，而是把握研究方向的"感觉"。他观察到，在OpenAI及其他实验室中，人类研究者越来越多地承担战略规划角色，而具体实现、执行和优化工作则交由AI完成。这种分工模式已从编程领域扩展至基础研究，标志着"执行力"正成为可被AI替代的廉价资源。
当被问及人类在AGI时代的定位时，马克·陈以烹饪作比：就像厨师不再需要亲自切菜，但需掌握调味与火候的精髓，未来研究者的价值将体现在对问题本质的洞察与研究方向的把控。他透露，OpenAI内部正在探索如何让模型自主生成研究提案并执行验证，这种"闭环研究"模式一旦成熟，将彻底改变科学发现的进程。
