本期播客节目也可在以下渠道收听：
OpenAI 首席研究官 Mark Chen 与 Arm 首席执行官兼主持人 Rene Haas 展开对话，探讨如何开创 AI 的新前沿。
Mark 向 Rene 讲述了自己进入 AI 研究的曲折道路，以及他如何在 OpenAI 将研究与产品开发相结合，以推动科学进步。在领导 OpenAI 的研究工作之前，Mark Chen 自称在计算机科学方面“开窍较晚”。他从最初的金融行业转向领导 OpenAI 的前沿研究，带领团队创造了 DALL-E、开发了 Codex，并将视觉感知能力融入 GPT-4。
Rene 于 2022 年 2 月被任命为 Arm 首席执行官并加入董事会。在出任 CEO 之前，他自 2017 年 1 月起担任 Arm IP 产品事业部（IPG）总裁。在其领导下，IPG 转型聚焦于垂直市场的关键解决方案，产品组合更加多元化，并加大对 Arm 软件生态的投入。Rene 于 2013 年 10 月加入 Arm，担任战略联盟副总裁，两年后进入执行委员会，并于 2015 年被任命为 Arm 首席商务官，负责全球销售与市场营销。
Mark Chen 现任 OpenAI 首席研究官，负责监督先进的 AI 项目，推动大语言模型、强化学习、多模态模型以及 AI 对齐等方面的创新。自 2018 年加入以来，他在塑造公司最具雄心的项目中发挥了关键作用。Mark 致力于确保 AI 的发展造福社会，同时始终专注于负责任的研究。
Rene Haas[0:07] 欢迎收听 Tech Unheard，这档播客将带你深入了解最令人激动的科技进展。我是主持人 Rene Haas，也是 Arm 的首席执行官。今天与我对话的是 Mark Chen，OpenAI 的首席研究官。你可能知道 OpenAI 是 ChatGPT 和 DALL-E 的创造者。在担任首席研究官之前，Mark 是 OpenAI 前沿研究的负责人，专注于多模态建模与推理研究。他带领团队创造了 DALL-E、开发了 Codex，并将视觉感知能力融入 GPT-4。而在目前的职位上，Mark 的目标是推动 OpenAI 科学与研究的前沿边界。
Rene Haas[0:43] Mark Chen，欢迎来到 Arm。你不远万里来和我见面，非常感谢。
Mark Chen[0:47] 谢谢邀请。
Rene Haas[0:49] 是啊，很高兴见到你本人。人们常说，读自传或传记要从开头读起，因为开头能告诉你很多很多。所以，或许就从你的成长经历说起吧，你是怎么走进科技这一行的？
Mark Chen[1:03] 没问题。这其实是个挺难回答的问题，你一上来就问了个最难的。我出生在东海岸，但父母辗转多地，所以我们搬了很多次家。他们曾在贝尔实验室工作，后来搬到了西海岸。因此我有一部分学业是在西海岸完成的——
Mark Chen[1:24] 他们在爱迪生市，不过是在 Holmdel 园区。
Rene Haas[1:26] 在 Holmdel 园区。对。
Mark Chen[1:27] 没错。之后，我父亲萌生了创业的念头，就搬到了加州。我们在那里待了几年，然后又回到了台湾。我的高中和部分初中就是在那里读的。
Rene Haas[1:40] 你当时多大？
Mark Chen[1:41] 大概十二三岁吧。
Rene Haas[1:44] 从美国公立学校体系过去，到了台湾之后，你是不是觉得，天哪——
Mark Chen[1:48] 是啊。刚开始抵触了半年。但有一种感情是先恨后爱，六个月后我就真正喜欢上台湾了。那里毕竟是芯片生态的中心。对吧。
Rene Haas[2:03] 确实。我挺好奇的，你之前在美国上的是公立学校还是私立学校？
Rene Haas[2:10] 十二三岁从美国公立学校体系转到台湾，你有没有觉得，天哪，我得赶紧追赶？
Mark Chen[2:16] 确实有点文化冲击，但我本来就很爱数学和科学。所以很大程度上只是从一个相对自由散漫的青少年环境，转到一个大家都穿校服、教学风格相当严格的地方。这是最大的调整。但我觉得能同时经历这两种环境是好事，一种更偏向于自主学习，另一种则强调纪律。
Rene Haas[2:45] 明白了。那你大学是在台湾读的吗？
Mark Chen[2:49] 没有。后来我回去了。本科是在 MIT 念的，学的是数学和计算机科学。但我在计算机科学上开窍比较晚。直到大学快毕业时我才真正开始编程。当时有个室友怂恿我尝试，我想着自己将来要当数学家，但试试也无妨。结果当然是一试就上瘾了，这是肯定的。
Rene Haas[3:13] 对，对。所以数学和科学是你的天赋所在，但计算机方面直到后来才——
Mark Chen[3:20] 对。直到后来我才真正接触实用编程。
Rene Haas[3:23] 明白了。那之后呢，你的第一份工作——
Mark Chen[3:28] 对。我的第一份职业是在金融业。这也算是有点偶然。我本来打算去做理论计算机科学，然后在大四那年一时兴起，去 Jane Street 实习了一段，那次经历让我看到了在业界工作的吸引力。它非常务实，但同时又有很多像在相对封闭的学术环境里那样令人兴奋的问题。这让我很着迷。我在一家对冲基金干了几年，后来又去了一家高频交易公司，做了几年合伙人。
Rene Haas[4:06] 我们以前聊过这个，但我想对听众来说会挺有意思，因为这和 OpenAI 做的并不完全一样。
Rene Haas[4:15] 但从数学思维方式来看，高频交易和 AI 模型其实有很多相似之处。你在金融界的经历，大概有五六年吧，哪些东西帮助你完成了这种跨越？
Mark Chen[4:32] 我觉得最重要的是它教会了你严谨和实验精神。在金融市场上，你没法在基准测试上弄虚作假，对吧？你有一个非常硬核的评估标准，就是你的模型赚了多少钱。你必须诚实、有原则、严谨地做实验。我认为这些在早期 OpenAI 的科学研究中得到了很多延续。
Rene Haas[4:57] 对。传统的 AI——在这个新行业里用“传统”这个词有点好笑——但你在金融界的时候，transformer 架构的模型已经在实际应用了吗？你当时是怎么看待神经网络在金融/量化领域与思维领域之间的关系的？
Mark Chen[5:15] 我认为金融界在 AI 前沿进展上大约始终落后两年左右。我记得 2017、2018 年，也就是我离开金融圈的时候，那里的人刚开始接触神经网络，在搭建他们的第一批集群。而且那时我在金融界也在研究基于神经网络的建模。
Rene Haas[5:41] 是的。回顾当下，AI 领域显然正发生诸多变革，我们想聊聊，据你所见，金融界对此作何反应？
Mark Chen[5:49] 是的，他们也都全力投入了。但我要说有一条分界线：科技圈的人往往更相信 AGI，而金融界的人如今其实对 AGI 仍更持怀疑态度。
Rene Haas[6:04] 你说金融界对 AGI 持怀疑态度，是什么意思？
Mark Chen[6:07] 就是，直白地说，当你问“你是否相信 AI 会在五年内从根本上改变经济形态”时，他们往往持更悲观的看法。
Rene Haas[6:16] 你觉得为什么会这样？说来有趣，我也有同感。不一定局限于金融，我接触的其他行业也是如此，无论是科学研究还是产品开发的方法论，他们的怀疑门槛都比我理智预期的要高得多。但在金融界，你认为原因何在？
Mark Chen[6:40] 我只能就高频交易领域作答，在那里很多收益来源与纯粹的建模无关。我确实相信 AI 能改进建模环节，但延迟至关重要，私有数据源也至关重要。我认为存在太多外在的 alpha 因素，以至于 AI 和建模本身或许还不是其中的关键部分。
Rene Haas[7:05] 正如我所言，我在其他行业也遇到过这种情况。我听到的反馈有些是：我们的问题无法被建模，数据集要么不存在，要么问题远比 AI 或 AGI 所能协助的要复杂得多。你认为这种思维也适用于高频交易领域吗？
Mark Chen[7:23] 嗯，我不确定。这种话我们听了一遍又一遍。我觉得你必须身处这个行业才能真正相信它。有时你得亲眼看到这项技术，才能开始感受到我们所说的 AGI。其实刚进 OpenAI 时，我对 AGI 多少也有些怀疑。我想当时世界上大多数人都是如此，而正是看到模型的进步、看到那些能力，才真正让人眼界大开。
Rene Haas[7:50] 是啊。你当初加入 OpenAI 的故事很酷。要不跟大家讲讲？
Mark Chen[7:56] 好啊。我想这长期以来与金融有很大关系，也与 AI 有些关联。但你知道，我觉得对一个想产生影响的人来说，金融行业很难。在金融业摸爬滚打多年后，我意识到竞争对手始终是同一批人。大家速度都变快了一点，但到头来，你的对手还是那些人，竞争的目标也还是那些，外部世界并没有因此发生太大变化。我觉得，这不是一种能让我满意地度过余生的方式。我感到自己需要做出某种改变。与此同时，我看到了 AlphaGo 事件，它同样令人振奋、令人敬畏，各种情绪交织在一起，我当下就觉得必须投身其中。所以我最早做的一些项目就是强化学习，研究如何训练这些 Deep Q-Networks 去玩 Atari 游戏。一旦开始做这类项目，就会非常上瘾。
Rene Haas[9:02] 但 2018 年的 OpenAI 与现在显然大不相同。当时规模小得多，章程也有些不同，我觉得这也吸引了你，就是那种——
Mark Chen[9:13] 是的，确实如此。当时我加入的是一家非营利组织，从某种角度来说，你可以把这看作是对金融行业的背离。我觉得自己身处一个非常物质化的世界，我想做一些有影响力的事。我确实感到早期 OpenAI 的很多人都有这种心态：我们相信变革性的 AI，我们想把它带给世界，我们希望它造福人类。这种信念一直延续到了今天的领导层。
Rene Haas[9:41] 完全同意。很明显 Sam 对此深信不疑。你在那儿已经七八年了。你对这七年的进展感到惊讶吗？还是你会觉得，还有很长的路要走？你怎么看待这七年？
Mark Chen[9:56] 我觉得两者同时成立。我认为没人能预料到 AI 会沿着这样的轨迹发展。我们所能预测的只是所谓的 perplexity，也就是你对人类语言进行建模的能力，或者说衡量建模准确性的某种指标。针对特定规模，你可以预测能获得怎样的准确率。但你无法预测的是，达到这种准确率后会出现什么新兴能力。比如到了 GPT-2，当时并不明显这种 perplexity 水平意味着你能生成连贯的段落；到了 GPT-3，也不清楚这种 perplexity 水平能让你具备 in-context learning 的能力；再到 GPT-4，能碾压各类大学水平考试。所以看到模型涌现出这些能力，确实非常鼓舞人心。
Rene Haas[10:55] 关于 scaling 有一点我想请教，你怎么看——这种能力上的进步或扩展，在多大程度上源于模型本身的突破，versus 我们只是拥有了更多算力、可以投入更多资金，无论是芯片、电力还是别的什么？
Mark Chen[11:15] 曾经有人研究过，显然两者都很重要。但我认为算法层面的洞见和效率提升，其贡献略胜于算力。
Rene Haas[12:28] 能不能再多说一点？不用透露什么秘密配方，只是给点提示，说明算法究竟在哪些方面变得更聪明了。
Mark Chen[11:37] 好的。我觉得今天有一个普遍的说法，就是我们用 transformer 来训练语言模型，但 transformer 本身这些年来也进化了很多。我可以谈谈早期的一些工作。我们改进了 transformer 的 attention 模式。早期我和 OpenAI 的 Ruan 做过一些关于 fact-raising attention 的工作，那是一种效率提升。还有其他一些细微之处，比如在 transformer 中怎么做 normalization，怎么设置 aspect ratio。所有这些都需要你去摸索，并且要非常小心。
Rene Haas[12:10] 会是 transformer 一统天下吗？还是说你认为会出现 S-curve，transformer 有朝一日会触及天花板，然后被下一代技术取代？
Mark Chen[12:18] 不排除有新技术取而代之的可能，但我认为 transformer 存在的时间越久、占据主导地位的时间越长，我们就越会围绕它进行协同设计。我们会为其打造更高效的芯片，它们会成为基准，对吧。我们还会为它们构建内核。所以，要超越 transformer 的门槛越来越高，很难想象——
Rene Haas[12:39] 我们已经到了那一步吗？因为我确实在想，正如你所说，模型范式已经确立，硬件架构也随之演变，科学家们也都熟悉它。然后你可能会产生一种惯性思维，比如说，如果我开发下一套数据集和模型时，一切都基于 transformer——那事情就会这么发展下去。
Mark Chen[13:03] 是的，我认为 transformer 之所以流行，是因为它在简洁性与表达能力之间取得了很好的平衡。它拥有你需要的全部高表达性混合原语，但本身又非常简单，这让你能够以相当直接的方式对其进行扩展和工程化，不必做太多复杂的技巧。因此我认为这是一种非常合适的架构。
Rene Haas[13:26] 是的。我不知道你和潜在客户的接触有多少，但现在，考虑到 [GPT-]4.5 和 [OpenAI] o3 的能力，你是否有听到安全方面的担忧在增加？
Mark Chen[13:35] 是的，我认为是这样。你知道，如今我们正在迈向一个 AI 带有连接器的时代。这些 AI 模型可以接入你的电子邮件、Google Docs、Slack。我认为这带来了真实的风险。现在，如果有一个动机极强的黑客，人们也已经相当擅长对模型进行越狱了。那么这意味着什么呢？你可以想象，某个动机强烈的人可能把你所有的信息都提取走，或者他们能够发起某种协同攻击。
Rene Haas[14:03] 没错，那么从源代码层面，你其实可以直接在模型内部设置一些东西，当收到这类查询时就直接拒绝。
Mark Chen[14:12] 对。是的。我认为你甚至暗示了这样一种可能性：如果有一个心怀不轨的模型开发者，他们可以创建一个模型，将某些行为通过 weights 固化到模型内部，并设置某种触发条件。
Rene Haas[14:27] 是的。这很有意思，因为我记得我参加了第一届 AI Safety Summit，天哪，那差不多是两年前的事了，当时大家对此议论纷纷。也许只是我现在所处的圈子不同，我听到这方面的讨论反而没那么多了，尽管自那以来模型的进步非常惊人。所以你说得完全有道理。我知道你本人在多模态方面做了大量工作，这是另一个非常酷的前沿领域。如今的架构是否适合处理多模态？毕竟这是一个大数据问题，对吧？数据集非常庞大，这又回到 transformer 的话题。请谈谈多模态，以及你认为它将走向何方。
Mark Chen[15:09] 完全正确。这个话题对我来说非常重要，因为我最早做的项目之一就是尝试将 transformer 架构应用于多模态数据集。所以我至今仍然非常自豪的一篇重要论文叫做 Image GPT。它证明了你可以用和文本 transformer 完全相同的堆栈来做图像生成。你要做的只是把图像视为一种语言，只不过它的词汇表是非常特殊的像素。当时，你知道，图像生成用的是 GAN 或 VAE 这类不同的架构，而文本用的是 transformer。我认为验证这种方法的重要性在于，它为 DALL-E 这样的模型铺平了道路。因为当你做图像生成时，你希望它是可引导的图像生成。你希望用文本作为语言来描述你想要的图像。在那个世界里，如果文本和图像使用不同的架构，那就不够理想了。你应该能够把所有数据都丢进同一个模型里，训练它输出图像。从那以后，我们扩展了这一想法，创造了 [OpenAI] 4o，这是我们去年发布的模型，它真正展示了完全多模态集成方法的力量——你把音频、图像、视频、文本全部输入同一个模型，就能得到极富情感的语音，也能得到图像，就像我们刚发布的图像生成功能那样，那非常有趣。
Rene Haas[16:42] 是的，非常、非常酷。但这似乎也——我猜如果你是在卖电力、卖数据中心或者卖芯片的行业，这是件好事，因为在这种世界里数据集会爆炸式增长。
Mark Chen[16:54] 是的。我认为多模态数据中蕴含着大量智能，而且仅仅是通过这种方式将数据集扩大几个数量级，并设法解锁其中的价值，这一点就非常重要。
Rene Haas[17:06] 当我和不同领域、不同方向的研究人员交流时，有一点总会回到这个问题上——有些问题对 AI/AGI 来说太难了——当你想到现实世界的问题，无论是芯片设计、制药研究，还是药物发现，都与此相关。你眼中哪些领域是真正非常棘手的问题，我们尚未攻克，但终将攻克？
Mark Chen[17:35] 是的。我认为你上面提到的所有领域都属于这一类。退一步说，这正是我们大力投入推理研究的核心动机之一。我们今天做的推理模型给了我们这样一把锤子：我们可以用更少的数据量，高效地学习，达到同样的能力水平。很多你提到的垂直领域，它们不会拥有像整个互联网那么多的数据。你需要一种技术，让你能够有效地消耗算力来学习这些数据。而推理给了我们这样的工具。所以我们其实非常期待模型能在这些领域变得高度专业化。我们已经看到它们在数学和计算机科学上的表现，对吧？这些模型现在非常擅长解决数学问题，也非常擅长编写非常困难的算法。我认为很多这类技术都可以适配到药物发现等领域，正如你所说。
Rene Haas[18:32] 没错。它们擅长发明创造吗？在某种程度上，它们非常擅长解决有边界的问题，
Rene Haas[18:39] 没错，就是答案已知或者能够找到答案的问题。但如果是一个今天还没有答案的领域呢？我用“发明”来广义地指代这种情况。
Mark Chen[18:51] 所以我有一个略显争议的观点：它们比我们想象的更擅长发明。我这么想的原因是，你知道，我们曾让这些模型参加一些世界上最难的算法竞赛。而且我在这些竞赛方面经验丰富。这些题目通常被设计成反模式的问题。基本上，一道好题的特点就是你无法把它套用到一组已知技术上，对吧？否则所有参赛者都知道怎么解了。所以我们发现，在这些更加特设的、需要你想出某种完全不符合任何现成模式的方法的问题上，这些模型经常超出我们的预期。在某些题目上，它确实让我非常惊讶。它可以非常有创造力，在你意想不到的地方展现出这一点。不过我认为你确实指出了一个很好的差距。在某种程度上，它们仍然是接受任务然后给出回应的模型。而理想情况下，你希望它们能主动提出任务，并在某种意义上具备品味，知道这类事情很难，你懂的。
Rene Haas[20:02] 判断这些问题能否被解决？这在多大程度上是因为我们需要更多数据，又在多大程度上是因为我们的模型需要像人脑那样——基于从未见过或曾经接触过的事物——来进行发明创造？
Mark Chen[20:15] 是的，是的。我认为如今的模型可能已经有了某种直觉，知道什么东西对人类来说是美的，对吧？我认为你可以利用这一点来找出那些对人类来说也会很有趣的假设。所以我觉得它可能已经有了关于创新是什么样子的潜在概念，我们只是需要找到如何挖掘它的方法。
Rene Haas[20:41] 是的，关于 AGI，我一直在思考这个问题。你知道，如果把它类比于人脑，今天的 AI 已经非常了不起——给它足够的数据和时间，它能解决任何问题。但人类并不总是接触到所有事物。
Rene Haas[20:54] 但不知何故，我们总能找到路径和方法去学习那些我们实际上从未接触过完整数据集的东西。在某种程度上，每个人对 AGI 都有自己独特的定义。对我来说，这有点像 AGI 的本质——能够在没有把所有数据都喂进去的情况下进行学习和创造。
Mark Chen[21:11] 完全同意。这正是我们正在前进的方向，对吧？我们正在开发越来越数据高效的算法，让你能够用越来越少的数据进行推理和得出洞察。不过，有一个问题我个人思考了很久，那就是发明创造中有多少是插值。我认为这个比例实际上比我们想象的要高。在数学领域待了一段时间后你会发现，很多非常酷的成果其实就是这样——你找一个几何学家，再找一个代数学家，他们把各自领域发现的模式联系起来，结合在一起。所以我觉得，真正的纯创新可能比我们想象的要少。
Rene Haas[21:59] AGI 能够取代或增强创业吗？
Mark Chen[22:02] 好问题。我认为它会加速创业——我的意思是，如果我们真的把编程模型做好了，我们就能创造一种界面，让人不必学习编程也能做出可以发布给世界使用的东西。如果你能说，嘿，我想做一个连接作家和司机的 App，那它就能直接做出来。模型会思考很长时间，把它做得足够健壮，然后部署到世界上。
Rene Haas[22:33] 很多行业都被技术进步淘汰了。总有些悲观者会说这将要消灭工作之类之类的话，比如速记员和打字机工具就被取代了。程序员显然是不同的物种。有一种观点认为，这些模型的效率提升会催生更多程序员的需求；另一种观点则认为，五年后我们需要的程序员会比今天少得多。你倾向于哪一边？
Mark Chen[23:04] 是的，我只是觉得有很多服务需求目前还没有被满足。AI 会成为人们，尤其是专业人士的杠杆。他们现在可以变得两倍甚至三倍高效，从而服务更多的人。我认为这会把成本拉低，但也许在更低的成本下需求依然存在。所以我觉得不同行业可能情况不同，但我确实认为，只要成本足够低，外面就有很多需求等着被满足。
Rene Haas[23:29] 我也是这么想的。我的意思是，从我们所处的物理位置来看——也就是那个围绕 AI 运转的硅谷——我们其实活在一个泡泡里。世界上还有很多地方在拥抱技术方面仍有很长的路要走，更不用说 AI 了。但这件事的发展速度实在太惊人了。就拿你们的工具来说，你们的 deep research 工具和推理工具，给出的答案不再是教科书式的了。它们很简洁，你真的感觉像是在和一个人对话。
Mark Chen[24:01] 是的，完全如此。我觉得 deep research 的基准线应该是数小时具有经济价值的工作，而它确实达到了这个标准。我们收到过生物学领域人士的反馈，比如在药物发现方面，他们说，我有一组科学家，让他们在房间里讨论几个小时，他们产出的分析和模型差不多。所以我觉得，能够做这类工作真的很令人兴奋。
Rene Haas[24:26] 如果你想想未来几年，有哪些东西是阻碍整个行业发展的，不只是 OpenAI，而是整个行业。也就是说，天哪，如果我们有更多____——你知道 GPU 在这里不算有效答案——如果我们有更多____，我们就能走得更快。
Mark Chen[24:43] 说实话，我觉得目前我们需要更多的研究人员和想法。现在正是做研究的大好时机。我认为我们的瓶颈仅仅在于能想出多少点子。就像你之前说的，如果我们能让模型帮助自动化这个过程、加速这个过程，那就太好了。但我们需要有人去提出想法、实现想法。不过我认为另一件大事是 embodiment。
Rene Haas[25:12] 你说的 embodiment 是什么意思？
Mark Chen[25:13] 是这样的。我们有一个产品叫 Operator。它的作用是让 AGI 来使用电脑，也就是说，它以电脑屏幕为输入，输出的是键盘敲击或者点击动作。你可以把它看作是你数字工作或数字生活的一个接口，对吧？而当你想到未来时，它的延伸就是机器人学，对吧？本质上你是在为机器人构建一个能在现实世界行动的人工智能大脑。我觉得在那里，瓶颈会在于我们能让硬件多快投入使用。
Rene Haas[25:51] 你认为 agent 最终会成为一切吗？今天我们不再有真正的 App，不再有经典意义上的操作系统——因为你得从很多不同来源拉取信息才能得到答案。你认为我们会进入一个世界，里面只有一个存在于某处的 agent 吗？
Mark Chen[26:10] 当然。我很希望能有一个 agent，你只需要查询所有你需要的信息。它应该藏在这一层后面，对吧，你不必亲自去处理。我觉得 Operator 如果真的能跑起来，就兑现了这个承诺。你问，嘿，这个信息是什么？它可以查你的 Gmail，可以操作你电脑上使用的任何界面。
Rene Haas[26:31] 而且它必须是一台电脑吗？换句话说，它能不能是任何一种会动的东西——我很喜欢看《回到未来》系列电影，从某种角度来说，里面很多内容是错的，但也有很多东西相当巧妙。在《回到未来2》里有一个场景，Marty McFly 走进家里，当他从一个房间走到另一个房间时，房间里的电器都知道上下文。它们要么在给他做饭，要么在打开新闻，要么在帮他接老板的视频电话——顺便说一句，那是他们在1980年代就展示的视频电话。你能想象这样一个世界吗：这些 agent 突然间变得智能，到处都在运行，而且回到你刚才说的，所有这些都藏在底层？
Mark Chen[27:10] 我觉得它们应该是这样。是的。你可以想象我们在云端有一个模型，对吧？它是你的 OpenAI agent，所有这些东西都接入了它。对吧。所以当你从一个地方走到另一个地方时，它们能理解上下文。
Rene Haas[27:23] 你知道，从个人职业角度来说，你正在这个领域最热门的公司工作，而且正值这个领域最火热的时期。这是什么感觉？你会不会掐自己一下说，天哪，我不敢相信我竟然身处这一切的中心？
Mark Chen[27:35] 是的，每一天都是。我的意思是，能在 OpenAI 工作是一种巨大的荣幸。你知道，我最初其实是以 resident 身份加入 OpenAI 的。这意味着我当时并不是这个领域的博士。我很感激 Ilya 当时愿意押注于我，是他把我培养成了机器学习方面的研究者。这一切完全不可预测，你知道？我只是心怀感激。
Rene Haas[27:58] 没错，这确实很令人兴奋。你知道，我的整个职业生涯都在硅谷度过，亲历了从个人电脑到互联网再到手机的转变，能够参与其中并见证这里正在发生的一切，实在令人激动。Mark Chen，谢谢你从旧金山一路赶到圣何塞来参加今天的节目。我真的很享受这次对话。
Mark Chen[28:18] 当然，我也是。非常感谢你的邀请。
Rene Haas[28:27] 感谢大家收听本月这期 Tech Unheard。下个月我们将再次带大家一窥董事会门后的故事。为了确保不错过新节目，请在任何你收听播客的平台关注 Tech Unheard。Tech Unheard 是由 Arm 与 National Public Media 联合推出的定制播客系列。我是 Arm 首席执行官 Rene Haas。感谢收听 Tech Unheard。制作名单[28:48] Arm Tech Unheard 是由 Arm 和 National Public Media 联合出品的定制播客系列。执行制片人 Erica Osher 和 Shannon Boerner。项目经理 Colin Harden。创意首席制作人 Isabelle Robertson。剪辑 Andrew Meriwether 和 Kelly Drake。作曲 Aaron Levison。Arm 制作团队成员包括 Ami Badani、Claudia Brandon、Simon Jared、Jonathan Armstrong、Ben Webdell、Sofia McKenzie、Kristen Ray 和 Saumil Shah。Tech Unheard 由 Arm 首席执行官 Rene Haas 主持。