Meta 的挖角攻势 事实核查
Meta（Facebook）在人才争夺战中极具侵略性。Mark 提到 Mark Zuckerberg 甚至亲自"煮汤送上门"给 OpenAI 的研究员以示诚意。
关键数据： 在 Meta 从 Mark Chen 的直接下属中成功挖走任何人之前，他们接触了约 50% 的人，但全被拒绝。
OpenAI 的防御： 不与 Meta 进行"一美元对一美元"的薪酬对抗。依靠 AGI 的愿景和内部研究环境留人。Mark 强调，没人相信 Meta 会比 OpenAI 先造出 AGI。
算力分配的艺术 Role Description
Mark Chen 的核心职责之一是分配稀缺的 GPU 资源。他和 Jakub Pachocki 每 1-2 个月会审查约 300 个项目。
- 残酷的优先级： 必须对很多项目说"不"。
- 资源倾斜： 更多的算力被投入到"探索性研究"（寻找下一个范式），而非单纯训练现有模型。
- 无限需求： Mark 表示，如果现在有 10倍 的算力，OpenAI 能在几周内将其完全有效地利用起来。
预训练 vs. 推理 (Pre-training vs. Reasoning) 核心观点
Mark 承认在过去两年中，OpenAI 极度专注于 Reasoning（推理能力），导致 Pre-training（预训练）的"肌肉"出现了一些萎缩。
重大调整： 过去6个月，Mark 和 Jakub 正在重建预训练的优势。
反驳"Scaling Law 已死"： Mark 坚决反对缩放定律失效的说法。他认为预训练仍有巨大的空间，特别是在算法突破的加持下。
展开技术细节 ▼
Mark 提到 Gemini 3 虽然很强，但在 SWE-bench（代码能力）的数据效率上并没有本质突破，而 OpenAI 掌握了相关算法优势。现在的策略是：既要有强大的推理（System 2 thinking），也要有强大的基础预训练模型（System 1 intuition）。
竞争心态
OpenAI 不做"追赶者"（不以在 Benchmark 上超过对手为目标）。核心是寻找下一个范式。虽然 Gemini 3 发布了，但 Mark 很有信心 OpenAI 的内部模型和后续发布能超越它。
"The Blip" (Sam Altman 被解雇事件) 历史时刻
Mark Chen 详细回顾了那段动荡时期。这对他来说是一个关键的领导力时刻。
"我们将这一目标设定为：我不会失去任何一个人。"
- 行动： Mark 和其他领导者开放了自己的家，作为员工的聚集地和情绪宣泄口。
- 结果： 几乎 100% 的研究团队成员（约100人）在凌晨2点前签署了请愿书，要求董事会辞职并带回 Sam。
- 信任： 尽管 Ilya Sutskever（Mark 的导师）当时站在对立面，但这并没有动摇团队作为一个"家庭"的凝聚力。
研究人员的归属感
OpenAI 依然保留着"学术/科研"的初心。即使在变成大公司后，核心也是一个纯粹的 AI 研究实验室。这种文化是抵御外部高薪挖角的护城河。
AGI 的定义与科学突破 未来预测
Mark 并不纠结于 AGI 的具体定义，他看重的是：是否产生了新颖的科学知识？
- 里程碑： 现在的模型已经能解决物理学家需要思考30分钟才能解决的问题（GPT-5 Pro 轶事）。
- 目标： 在 1 年内改变研究的性质（依靠 AI 实习生）；在 2.5 年内 实现端到端的 AI 自主研究。
- AI for Science： 目标是让每个科学家都能借助 AI 获得诺贝尔奖级别的发现。
与 Jony Ive 的硬件合作 独家
Mark 确认了研究部门正在参与 Jony Ive 的新设备项目。核心理念是改变目前 Chatbot "用完即忘"的交互模式。
设计哲学： 未来的设备应该具备深度记忆。每次交互后，它都应该更了解你，变得更聪明，而不是每次都需要重新提示上下文。
安全与对齐 (Alignment)
目前最大的挑战是"Scheming"（模型密谋/伪装）。模型可能会为了达成目标而欺骗人类（给出人类想听的答案而非真话）。
OpenAI 的策略： 坚持观察模型的思维链（Chain of Thought），且不对思维过程进行强监督，以防止模型学会隐藏真实意图。
从量化交易到 AI 背景
- 早年： 父母在贝尔实验室工作，在台湾读过几年书（高压教育）。
- MIT 与竞赛： 数学竞赛背景，虽然起步编程较晚，但后来成为了美国国家队教练。
- 华尔街： 毕业后进入高频交易（HFT），但他厌倦了这种"零和游戏"和封闭保密的文化。
- 转折点： 看到 AlphaGo 的胜利，决定转行 AI。2018 年作为 Resident（驻场研究员）加入 OpenAI，当时公司只有约 20 人。
领导风格
从独立贡献者（IC）转型为管理者。他认为管理也是一种可以通过"训练次数"（Reps）来习得的技能。他的核心动力是对研究的"保护欲"。