解讀 ChatGPT 背後的研究力量:90 後成主力軍,大廠不再是頂尖 AI 人才第一選擇
ChatGPT 的火爆,不仅为 OpenAI 带来资本的关注、用户的青睐,在关于“OpenAI 为何能做出 ChatGPT”的讨论中,其人员优势也成为外界瞩目的焦点。
近日,智谱研究联合 AMiner 发布了一份 OpenAI 背后研究团队的统计报告。据报告显示,本次在 ChatGPT 项目中做出贡献的人员共87人,其中包括了“年纪很轻”、“背景豪华”、“聚焦技术”、“积累深厚”、“崇尚创业”和“华人抢眼”等显著特征。
报告链接:https://mp.weixin.qq.com/s/Y_LjjsuoEEmhIg5WO_iQhA
在这样一个不足百人团队中,诞生了现象级的大型语言模型 ChatGPT,这对谷歌、微软、百度、阿里等大厂而言都是不小的压力,纷纷紧随其后,发布、或预发布类 ChatGPT 产品。
作为一家非盈利的人工智能研究机构,一直以来,OpenAI 都被诸多有志于发展 AI 事业的青年人才视为技术天堂。在这里,他们可以直接参与最前沿、最具创造力的 AI 项目, 调用最核心的科研资源,心无旁骛地投身到技术创新中。
而近年来,边缘化、举棋不定使国内大厂中的 AI 研究院和科研人才面临着生存难题,但相信在这次 ChatGPT 的冲击下,AI 人才重新回归大众视野,也将迎来新一轮的争夺和洗牌。
1
技术人员占比近九成
90后是主力军
从 ChatGPT 团队职位分工(图1)来看, 在参与此次项目的87人中,研发人员的数量就达到了77位,占比88%,其中包括了公司联合创始人 Wojciech Zaremba,他在此前被评选为 2023 年度 AI 2000 机器人领域最具影响力学者。
产品人员共4位、占比5%,此外还有6位参与者的职位信息无法获取。
图 1:ChatGPT 团队职位分工
在成员年龄分布(图2)方面,90后是团队的主力军,其中,年龄区间在20-29岁的共28位,占比达到34%;30-39岁的成员数量最多,共50人,占比高达61%;此外,有3人年龄段在40-49岁区间,60岁以上仅1名。
经统计,这支研究团队的平均年龄为32岁。
图 2:ChatGPT 团队年龄分布
“年纪很强”和“聚焦技术”是 ChatGPT 团队成员的两大显著特征。
虽然平均年龄仅在32岁,但团队人员高度聚焦技术研发,基于他们对 AI 创新和研发极大的兴趣和全身心投入,创造出这个引爆全球新一轮技术的现象级模型。由此可见,被认为研发经验不足的年轻人,完全有可能在前沿科技领域取得重大突破。
当前,国内并不缺乏如 OpenAI 一样的年轻优秀人才。
ChatGPT 问世之后,IDEA 研究院讲席科学家张家兴在去年底就迅速讲团队的大模型研发转向了 ChatGPT 的对话任务路线。
據其透露,其團隊中的研究主力也都是90後優秀的年輕人才。目前,他們研發的類 ChatGPT 模型效果與 ChatGPT 相當,且僅有50億參數,文字產生速度也很快,目前已在內測中,近期將公測。
2
名校學歷、華人佔9位
大廠不再是頂尖人才第一選擇
ChatGPT 團隊成員的學歷在本、碩、博的人數相對均衡,其中,27人具有本科學歷,25人為碩士研究生學歷,28人擁有博士研究生學歷,佔比分別為33%、30% 、37%。
他們當中來自史丹佛大學的校友人數最多,共有14位,其次是加州大學柏克萊分校10位,麻省理工排名第三,有7人。
##圖3:ChatGPT 團隊成員畢業大學人數Top10
#華人學者是團隊中一支重要的科技創新力量,共9人,佔近10%。
其中,有5人曾畢業於中國大學,3人本科畢業於清華大學,分別是翁家翌、趙盛佳、袁啟明,目前他們在團隊中擔任研發工程師的職位;各有1人本科畢業於華中科技大學、北京大學/香港大學,分別是江旭和翁麗蓮。
他們都是在國內頂尖院校畢業後赴美深造,獲得碩士或博士學位。
#圖4:ChatGPT 團隊中的華人成員
從人員流動中可看到,大廠也不再是頂尖人才第一選擇,如OpenAI 這種更純粹的研究機構反而更受他們青睞。
團隊成員當中,共有5位被評為 2023 年度 AI 2000 全球人工智慧學者。他們分別是:
1.OpenAI 共同創辦人Wojciech Zaremba(入選領域及名次:機器人,第10名)
2. ChatGPT 研究員Lukasz Kaiser(入選領域及名次:機器學習,第10名)
3.OpenAI 共同創辦人、ChatGPT 研究科學家John Schulman(入選領域及名次:機器學習,第41名)
4.ChatGPT 研發工程師Tomer Kaftan(入選領域及名次:資料庫,第52名)
#5.ChatGPT研究科學家Barret Zoph(入選領域及名次:機器學習,第95名)
來自外部公司、大學應屆畢業生、科研機構和高校教職員的佔比分別是81%、13%、4%和3%,其中大多來自谷歌、微軟、Meta、英特爾、英偉達、蘋果等頂尖或知名的科技公司,共10人就是從谷歌跳槽加入的,1人曾在百度任職過。
####圖5:ChatGPT 團隊成員流動狀況############ ###統計也發現,與ChatGPT 相關的前七項技術項目研發中,ChatGPT 團隊有較多人都曾參與其研發。 ######
參與人數最多的是CodeX 項目,共22人參與,佔團隊人數的25%;其次是webGPT 和instructGPT,共有9人參與;GPT3 共有6人參與過,排名第三;排名第四的是RLHF,有3人參與過。
#圖6:ChatGPT 團隊參與先前七大技術研發人數
可以說,ChatGPT 是OpenAI 在大型語言模型領域多年技術積累、頂尖人才領導和優秀AI 技術人員聚集的結果,為ChatGPT 的成功研發打下了堅實基礎。
3
AI 人才迎來爭奪戰
事實上,過去幾年裡,AI 研究院和AI人才在大廠內部長期面臨邊緣化、戰略搖擺的困境,正如上述提到的谷歌,就已有不少人才流向OpenAI 這樣純粹的科研聖地。
大廠內部的 AI 人員在企業的組織架構模式內,往往難以發揮其本該有的能力與成果。
但與傳統的科技巨頭不同,如果OpenAI 等此類以「發展人工智慧」為己任的公司中,AI 的研發和創新才是它們的使命所在,即近距離參與最前線的AI 專案中,調用最核心的資源做研發,背後更要能承受長久不出成果的責任。其中 GPT 模型只首發到完成訓練,就長達三年時間,需要團隊的一整套資金、技術和人才等體系化保障。
ChatGPT 的出現,將 AI 人才重新拉回了大眾視野,重申純粹科學研究的重要性,勢必將掀起一輪新的人才爭奪戰。同時,也會提高大廠對大模型、運算資源等基礎設施的重視,並加速底層技術能力的追趕與補齊。
正如前搜狗CEO 王小川在微博中所說,「OpenAI的成功,首先是技術理想主義的勝利。」ChatGPT 的成功,必然離不開產、學、研合力,背後是團隊成員對人工智慧技術的興趣和予以堅持的信念。國內並不乏頂尖的研究力量,將目光投注前沿技術創新,穩紮穩打,對促進中國 AI 創新發展具有重要意義。
以上是解讀 ChatGPT 背後的研究力量:90 後成主力軍,大廠不再是頂尖 AI 人才第一選擇的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

大規模語言模型(LLMs)在許多重要任務中展現了引人注目的能力,包括自然語言理解、語言生成和複雜推理,並對社會產生了深遠的影響。然而,這些出色的能力卻需要大量的訓練資源(如左圖)和較長的推理時間(如右圖)。因此,研究人員需要開發有效的技術手段來解決它們的效率問題。此外,從圖的右邊還可以看出,一些高效率的LLMs(LanguageModels)如Mistral-7B,已經成功應用於LLMs的設計和部署中。這些高效的LLMs在保持與LLaMA1-33B相近的準確性的同時,能夠大大減少推理內存

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显著提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显著降低了使用AI

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的

作者的一些個人思考在自動駕駛領域,隨著BEV-based子任務/端到端方案的發展,高品質的多視圖訓練資料和相應的模擬場景建立愈發重要。針對當下任務的痛點,「高品質」可以解耦成三個面向:不同維度上的長尾場景:如障礙物資料中近距離的車輛以及切車過程中精準的朝向角,以及車道線資料中不同曲率的彎道或較難收集的匝道/匯入/合流等場景。這些往往靠大量的資料收集和複雜的資料探勘策略,成本高昂。 3D真值-影像的高度一致:當下的BEV資料取得往往受到感測器安裝/標定,高精地圖以及重建演算法本身的誤差影響。這導致了我

請留意,這個方塊人正在緊鎖眉頭,思考著面前幾位「不速之客」的身份。原來她陷入了危險境地,意識到這一點後,她迅速展開腦力搜索,尋找解決問題的策略。最終,她決定先逃離現場,然後儘快尋求幫助,並立即採取行動。同時,對面的人也在進行著與她相同的思考……在《我的世界》中出現了這樣一個場景,所有的角色都由人工智慧控制。他們每個人都有著獨特的身份設定,例如之前提到的女孩就是一個年僅17歲但聰明又勇敢的快遞員。他們擁有記憶和思考能力,在這個以《我的世界》為背景的小鎮中像人類一樣生活。驅動他們的,是一款全新的、

影像到影片生成(I2V)任務是電腦視覺領域的一項挑戰,旨在將靜態影像轉化為動態影片。這個任務的困難在於從單張影像中提取並產生時間維度的動態訊息,同時保持影像內容的真實性和視覺上的連貫性。現有的I2V方法通常需要複雜的模型架構和大量的訓練資料來實現這一目標。近期,快手主導的一項新研究成果《I2V-Adapter:AGeneralImage-to-VideoAdapterforVideoDiffusionModels》發布。該研究引入了一種創新的圖像到視頻轉換方法,提出了一種輕量級適配器模組,即I

EfficientSAM這篇工作以5/5/5滿分收錄於CVPR2024!作者在某社群媒體上分享了這個結果,如下圖所示:LeCun圖靈獎得主也強烈推薦了這份工作!在近期的研究中,Meta研究者提出了一種新的改進方法,即使用SAM的遮罩影像預訓練(SAMI)。此方法結合了MAE預訓練技術和SAM模型,旨在實現高品質的預訓練ViT編碼器。透過SAMI,研究者試圖提高模型的表現和效率,為視覺任務提供更好的解決方案。這項方法的提出為進一步探索和發展電腦視覺和深度學習領域帶來了新的思路和機會。透過結合不同的
