思维链之父跳槽Meta，不只因为1亿美元！离开OpenAI前泄天机

【导读】离开OpenAI，只是为了Meta天价薪资？Jason Wei离职博客，泄露天机：未来AI更令人向往！

硅谷人才争夺战，火热升级！

过去，是OpenAI从谷歌等公司吸引人才；现在，Meta直接砸钱抢人。

顶尖AI人才的薪酬包可谓天价，1亿美元还是扎克伯格给的起步价！

思维链之父、华人AI科学家Jason Wei，就是从谷歌跳槽到OpenAI，刚刚又跳槽到Meta。

在AI领域，Jason Wei非常高产。

根据谷歌学术统计，他有13篇被引次数超过1000的论文，合作者包括Jeff Dean、Quoc V. Le等知名AI研究员，参与了OpenAI的GPT-4、GPT-4o、o1、深度研究等项目。

离职消息被媒体爆出之前，他发表了两篇博客，或许能让我们看出他为何选择离开

意外的是，这些灵感都来自强化学习！

RL之人生启示

天生我材必有用

过去一年，他开始疯狂学习强化学习，几乎每时每刻都在思考强化学习。

RL里有个核心概念：永远尽量「on-policy」（同策略）：与其模仿他人的成功路径，不如采取行动，自己从环境中获取反馈，并不断学习。

当然，在一开始，模仿学习（imitation learning）非常必要，就像我们刚开始训练模型时，必须靠人类示范来获得基本的表现。但一旦模型能产生合理的行为，大家更倾向于放弃模仿，因为要最大化模型独特的优势，就只能依靠它自己的经验进行学习。

一个很典型的例子是：相比用人类写的思维链做监督微调，用RL训练语言模型解数学题效果更好。

人生也一样。

我们一开始靠「模仿」来成长，学校就是这个阶段，合情合理。

研究别人的成功之道，然后照抄。有时候确实有效，但时间一长就能意识到，模仿永远无法超越原版，因为每个人都有自己独特的优势。

强化学习告诉我们，如果想超越前人，必须走出自己的路，接受外部风险，也拥抱它可能给予的奖励。

他举两个他自己更享受、却相对小众的习惯：

• 读大量原始数据。

• 做消融实验，把系统拆开看每个部件的独立作用。

有一次收集数据集时，他花了几天把每条数据读一遍，然后给每个标注员写个性化反馈；数据质量随后飙升，他也对任务有了独到见解。

今年年初，他还专门花了一个月，把过去研究中「瞎搞」的决策逐条消融。虽然费了不少时间，但因此弄清了哪种RL真正好用，也收获了很多别人教不会的独特经验。

更重要的是，顺着自己的兴趣去做研究不仅更快乐，我也感觉自己正在打造一个更有特色、更属于自己的研究方向。

所以总结一下：模仿确实重要，而且是起步的必经之路。但一旦你站稳脚跟，想要超越别人，就得像强化学习那样on-policy，走自己的节奏，发挥你独有的优势与短板

AI的未来

验证非对称性，意指某些任务的验证远比求解更为简单。

随着强化学习（RL）的突破，这一概念正成为AI领域最重要的思想之一。

细察之下，验证非对称性无处不在：

• 数独和填字游戏：解决数独或填字游戏非常耗时，要尝试各种可能性去满足约束条件。但验证一个答案是否正确却非常简单，只需检查是否符合规则即可。

• 开发网站：比如开发一个像Instagram这样的网站，需要工程师团队数年之功。但验证网站是否正常运行，普通人只需几分钟就能完成，比如浏览页面、检查功能是否可用。

• BrowseComp问题：要解决这类问题，通常需要浏览数百个网站，但验证给定答案却要快得多，因为可以直接搜索答案是否符合约束条件。

有些任务的验证耗时与求解相当。例如：

• 验证两个900位数字相加的结果，和自己计算的时间几乎一样。

• 验证某些数据处理程序的代码是否正确，可能和自己编写代码的耗时相当。

有些任务验证比解决还费时。例如：

• 核查一篇文章中的所有事实，可能比写文章本身更耗时（引用Brandolini定律：「辟谣所需的精力比制造谣言大一个数量级」）。

• 提出一个新的饮食疗法只需一句话：「只吃野牛肉和西兰花」，但要验证它对普通人群是否健康，却得做多年大规模实验。

通过前置研究，可以让验证变得更简单。例如：

• 数学竞赛问题：如果有解答要点，验证答案是否正确非常简单。

• 编程问题：阅读代码去验证正确性，这很麻烦。如果你有覆盖充分的测试用例，就可以快速检查任何给定的解决方案；实际上，Leetcode就是这样做的。在某些任务中，可以改善验证但不足以使其变得简单。

• 部分改进：比如「说出荷兰足球运动员的名字」，提前备好名单能大幅加速验证，但仍需人工核对某些冷门名字。

为什么验证非对称性如此重要？

深度学习史证明：凡是能被测量的，都能被优化。

在RL框架下，验证能力等同于构建训练环境的能力。由此诞生验证者定律：

AI解决任务的训练难度，与任务可验证性成正比。所有可解且易验证的任务，终将被AI攻克。

具体来说，AI训练的难易程度取决于任务是否满足以下条件：

1. 客观真相：所有人对什么是“好答案”有共识。

2. 快速验证：验证一个答案只需几秒钟。

3. 可扩展验证：可以同时验证多个答案。

4. 低噪声：验证结果与答案质量高度相关。

5. 连续奖励：可以对多个答案的质量进行排序。

过去十年，主流AI基准测试均满足前四项——这正是它们被率先攻克的原因。尽管多数测试不满足第五项（非黑即白式判断），但通过样本平均仍可构造连续奖励信号。

为什么可验证性重要？

根本原因是：当上述条件满足时，神经网络每一步梯度都携带高信息量，迭代飞轮得以高速旋转——这也是数字世界进步远快于物理世界的秘诀。

AlphaEvolve的案例

谷歌开发的AlphaEvolve堪称「猜想-验证」范式的终极形态。

以「求容纳11个单位六边形的最小外接六边形」为例：

• 完美契合验证者法则五项特性

• 虽看似对单一问题的「过拟合」，但科学创新恰恰追求这种训练集=测试集的极致优化——因为每个待解问题都可能蕴含巨大价值

悟透此理后，方觉验证之不对称，宛如空气无孔不入。

试想这样一个世界：凡能衡量的问题，终将告破。

智能的边界必将犬牙交错：在可验证任务中，AI所向披靡，只因这些领域更易被驯服。

这般未来图景，怎不令人心驰神往？

参考资料：

https://www.jasonwei.net/blog/asymmetry-of-verification-and-verifiers-law

https://www.jasonwei.net/blog/life-lessons-from-reinforcement-learning