人工智能领域正在经历一场悄无声息却影响深远的范式变革，其意义足以与Transformer架构的诞生相提并论。过去一年间，业界对技术演进路径的认知呈现出明显分歧：部分观点认为预训练模型已触及性能天花板，而另一阵营则持续推出迭代版本，引发关于AI发展速度的激烈争论。面对这些争议，Transformer核心作者之一、现任OpenAI研究科学家的Łukasz Kaiser通过独家专访，从技术演进、模型迭代和未来趋势三个维度展开系统性回应。

针对"AI增长停滞"的疑虑，Kaiser提出了独到的观察视角。他指出，从内部研发视角来看，AI的性能提升始终遵循着指数增长规律，类似于摩尔定律的持续生效。当前外界感受到的"放缓"现象，实则源于底层技术范式从预训练向推理模型的迁移。这种转变犹如技术发展的S型曲线切换——预训练已进入增长平缓期，而推理模型仍处于早期爆发阶段。以ChatGPT为例，早期版本仅能基于训练数据直接输出答案，而当前版本已具备自主调用搜索引擎、进行多步推理的能力，这种质变在用户端却因交互体验的渐进性而被低估。

推理模型的核心突破在于引入思维链机制。与传统深度学习通过梯度下降优化参数不同，新范式采用强化学习框架，允许模型在生成最终答案前进行中间步骤推导，并可调用外部工具辅助决策。Kaiser特别强调，这种训练方式需要更精细的数据标注和更复杂的奖励机制设计，例如通过大模型评估答案质量或融入人类偏好反馈。以代码生成工具Codex为例，其已改变程序员工作模式，形成"AI初稿+人工微调"的新协作范式，这种变革在非专业领域却鲜被察觉。

关于新版模型的迭代逻辑，Kaiser揭示了命名规则背后的战略考量。新版本看似微小升级，实则聚焦后训练阶段的稳定性优化，包括增强安全性、减少幻觉现象，并新增专业模式和极客风格等个性化选项。版本命名体系从此前的技术参数导向，转变为用户体验导向：基础版强调核心能力，进阶版代表综合性能提升，迷你版主打轻量化部署，推理版则专注复杂任务处理。这种转变使OpenAI得以并行推进预训练、强化学习等多个项目，并通过知识蒸馏技术快速整合成果，显著缩短模型迭代周期。

技术短板方面，Kaiser坦言当前模型在多模态迁移能力上存在明显缺陷。他以五岁儿童都能快速解答的奇偶数学问题为例：当两组点集存在共享点时，最新版模型均会忽略共享点导致误判，而儿童却能瞬间得出正确结论。这暴露出模型在空间推理和经验迁移方面的不足，未来训练将重点强化跨模态理解能力，使视觉、语言等不同模态的推理经验实现互通。

回顾Transformer的诞生历程，Kaiser分享了这段改变AI进程的协作往事。作为八位共同作者中唯一未与其他成员线下会面的研究者，他通过编码和架构设计贡献关键力量。团队成员分工覆盖注意力机制设计、知识存储方案和工程实现等多个维度，最终突破"专模专用"的行业惯性。这种跨领域、跨学科的协作模式，在深度学习尚未普及的年代显得尤为超前。谈及职业转折，Kaiser透露离开谷歌加入OpenAI的重要原因，是后者灵活的项目制组织和资源调配机制，这种模式更适配AI研发对快速迭代的需求。

对于AI就业影响，Kaiser持审慎乐观态度。他以翻译行业为例：尽管机器翻译已能处理多数语言转换任务，但广告文案、界面文本等高风险场景仍需人工审核。这种分工模式预示着未来职业形态的演变——基础性工作将被自动化取代，但人类专家在复杂决策、伦理审查等领域的价值将进一步提升。在具身智能领域，他预测家用机器人将成为继大语言模型后的下一个突破点。随着多模态推理和通用强化学习技术的成熟，结合硅谷企业正在推进的智能硬件创新，物理世界交互能力将迎来质的飞跃，这种变革将比语言模型更直观地改变人类生活方式。