01. 创造的火花：从抽象到实现
Greg Brockman 最初梦想成为数学家，致力于解决百年尺度的抽象问题。“如果我的成果在我生前被应用，那就说明它还不够长远。”
但为了出版一本化学教科书而自学编程（W3Schools）时，他发现了“魔法”。
“在数学中，你写下证明，也许只有三个人会在意。但在编程中，每个人都能受益，无需理解细节。你头脑中的东西变成了现实。”
这一刻改变了他的轨迹：“我只想构建（I just want to build）。”
影响力实现所需时间对比
02. 速度的信条：Stripe 的教训
Greg 从哈佛和 MIT 退学加入早期的 Stripe（当时仅3人）。这段经历展示了如何通过第一性原理和极高强度来挑战行业惯例。
案例：Wells Fargo 技术集成
当 Stripe 需要扩展支付后端时，银行告知集成需要 9 个月。Greg 和团队将其视为“大学习题集”，通宵工作，甚至在认证电话会议中实时调试代码（Patrick 负责拖延时间，Greg 负责修改代码）。
“不要接受其他组织运作方式中的任意限制（arbitrary constraints）。”
集成速度对比
03. AGI 愿景：历史的回响与规模的力量
Greg 坚信深度学习是通往通用人工智能（AGI）的正确路径，这一信念源于对计算机历史的深刻理解和对规模化的认同。
图灵的“儿童机器”
阿兰·图灵提出，与其编写所有规则，不如构建一个像儿童一样学习的机器，通过奖惩机制使其智能化。Greg 认为这是构建能解决人类自身无法理解问题的关键。
早期的失望
Greg 曾对传统的符号主义 NLP（如解析树、WordNet）感到失望，认为这并非图灵所指的方向。
AlexNet 时刻与深度学习复兴
AlexNet 在 ImageNet 大获全胜。这个通用学习机器超越了 40 年的计算机视觉研究，并开始打破不同领域的壁垒。“这正是图灵所谈论的。”
规模化的信仰 (Scaling)
Greg 引用了90年代对神经网络的批评：“他们没有新想法，只想建造更大的计算机。”他的回应是：“是的，这正是我们需要做的。”
04. OpenAI 方程式：研究与工程的融合
在 AI 领域，伟大的工程师能与伟大的研究者做出同等级别的贡献。“如果没有想法（研究），你就死在水里了。但如果没有工程（执行），那个想法也无法重见天日。”
思维模式的天然张力
工程师视角 🛠️
关注接口和抽象。追求系统的稳定性和可扩展性。认为接口背后的实现可以独立进行。
研究人员视角 🔬
关注系统整体性能。任何 Bug 都可能导致性能下降而非明显报错（“不会得到异常”）。因此需要理解全局，跨越抽象层。
核心解决方案：技术谦逊
(Technical Humility)
这种张力会导致摩擦。Greg 给进入 AI 领域的工程师最重要的建议是保持谦逊。
认识到 AI 开发环境与传统 Web 开发的巨大差异，首先深入倾听和理解“为什么”（the why），然后再着手改变架构或抽象。
05. 指数级影响：规模的挑战
OpenAI 的产品发布展示了公众对 AI 技术的巨大热情和随之而来的前所未有的工程压力。ChatGPT 原本只是“低调的研究预览”。
用户采用速度对比 (前 5 天)
100 倍的增长压力
ChatGPT（2022 年）
100 万用户
4.0 ImageGen（2025 年）
1 亿用户
应对策略
为了应对流量高峰，OpenAI 不得不从研究中抽调计算资源来支持产品上线——“抵押未来以使系统运行”——以确保用户能体验到魔法。
06. AI 时代的编程范式
随着 Codex 等工具的出现，“Vibe Coding”（氛围编程）成为现实。但 Greg 认为，软件开发正在从交互式循环转向更自主的“Agent 化工作流”。
开发流程的演进
1. 交互式循环 (当前)
人类主导，AI 辅助（如 Vibe Coding/Copilot）。擅长从零开始快速构建新应用原型。
2. 深入现有系统 (过渡)
AI 开始处理严肃的工程任务，如迁移遗留代码库（COBOL）、更新依赖项等人类不喜欢的繁琐工作。
3. Agent 化工作流 (未来)
成千上万（10万+）的 AI Agent 在云端自主运行，即使在用户离线（睡眠、笔记本关闭）时也能持续构建和维护系统。
为 AI 优化代码结构
现有的代码库是为人类优化的。为了最大化 AI 的效用，我们需要调整代码结构以适应模型的优势，这实际上是回归良好的软件工程实践：
模块化设计
构建更小、独立的模块。人类定义架构（连接深度思想），AI 填充细节（处理多样性内容）。
强化测试
AI 会比人类多运行 100 到 1000 倍的测试，因此完善且快速的测试用例价值被极大放大。
07. 硬件难题 (特邀 Jensen Huang)
英伟达 CEO Jensen Huang 提出了一个核心挑战：未来的 AI 工作负载将极其多样化。如何构建一个能同时满足矛盾需求的 AI 基础设施？
AI 基础设施的核心矛盾
工作负载 A：深度推理
- Agent 进行研究、思考、规划
- 需要大量内存和长上下文
- 计算密集型 (Compute-intensive)
- 优化目标：高吞吐量
(Co-design Problem)
工作负载 B：实时交互
- 多模态 AI 伙伴（视觉/语音）
- 始终在线，即时可用
- 对延迟极其敏感 (Latency-sensitive)
- 优化目标：低延迟
Greg 的回应：适应性是关键
虽然理想情况下可能需要两种专用加速器（计算优化型和延迟优化型），但预测两者的比例非常困难，失衡会导致资源浪费。
Greg 强调了软件的适应性：如果资源失衡，工程师会找到利用它的方法。例如，混合专家模型（MoE）就是利用闲置 DRAM 存储更多参数来提高效率。研究的快速发展主导着硬件设计。
08. 下一个前沿：瓶颈的转移
当被问及未来模型（如 GPT-6）面临的限制因素（计算、数据、算法、能源、资金）时，Greg 指出了一个关键转变。
“基础研究回来了”
(Basic Research is Back)
过去一段时间，行业似乎认为只需要扩展 Transformer 模型即可。但现在，计算和数据已经被推向极限。
算力与数据
算法 (Algorithms)
算法再次成为未来进展最关键的限制因素（long pole）。例如，强化学习（RL）范式对于让模型真正体验世界、解决可靠性问题至关重要。
结语：构建 10 倍的未来
我们正走向一个由 AI 驱动的经济，未来将有更多的模型（Menagerie of models）和 Agent 出现。核心目标并非关注 AI 如何替代现有工作。
“重点是我们如何获得 10 倍的经济产出，10 倍的利益给每个人？”
模型将变得更强大，准入门槛将更低，但在医疗、教育等领域仍需要大量的领域专业知识和细致工作。
对于 AI 工程师来说，机会是无限的。
现在正是构建的时刻。