以下为访谈原文：
杰瑞 (Jerry):我粗略估计，人类研究员在 AI 研究发现过程中继续扮演重要角色，至少还有两年的时间。我觉得你现在经常能听到 AI 领域的研究员们在重复这句话："哦，我们的工作只剩最后几天了，所以趁现在还能干就多干点，之后我们就可以全都休息了。"这个行业发展极快，在这个领域工作这么多年，很多时候真的让人感到极其疲惫和劳累。但如果我们认为这是我们职业生涯和工作中最重要的一段时光，那这或许也是值得的。
主持人 (Host):好了，我们回来了。今天我们的直播连线了一位非常特别的嘉宾--杰瑞·图雷克（Jerry Tworek）。他是 Core Automation 的联合创始人兼 CEO，这是一家致力于建立全球自动化程度最高的 AI 实验室的 AI 研究公司。此前，他在 OpenAI 工作了七年，并担任了研究副总裁。他曾为机器人开发强化学习（RL），构建了 Codex、初代 Codex、ChatGPT、GPT-4、o1、o3 等推理模型。在此之前，他从事量化金融工作，并在华沙大学学习数学。所以，杰瑞，欢迎来到 MTS。
杰瑞 (Jerry):感谢邀请，今天很高兴能和你们在一起。
主持人 (Host):我们有一个迫不及待想知道的问题：Core Automation 现在进展如何？
杰瑞 (Jerry):我们正在努力建立一个全新的 AI 实验室，现在正处于 AI 研究的一个新时代。我觉得我们正在见证第三代 AI 实验室的出现，这些实验室试图将"自动化"放在首位。我们现在所处的世界，已经可以用 AI 模型来进行 AI 研究了，那么我们如何以最好的方式做到这一点呢？我认为，我们有机会在与过去所有公司略微不同的基础上建立一家公司，因为我们是从一个不同的技术基础上起步的。我们已经拥有了上一代公司试图构建的所有这些成果，现在我们要弄清楚如何以最佳方式利用它们来建立公司。
主持人 (Host):你刚才提到了第三代 AI 实验室。那么第一代和第二代分别是什么？
杰瑞 (Jerry):这显然是在简化某些东西。DeepMind 显然是真正的第一代，他们非常称得上是元老（OG）。但在某种程度上，我把 DeepMind 和 OpenAI 视为同一种 AI 实验室，因为它们是在我们知道大规模 AI 可行之前就成立的。它们非常像纯研究驱动的公司，目标是："我们要建立 AGI。我们还不太清楚怎么做，但我们会去研究创造 AI 的想法。"
然后，我认为出现了第二波 AI 实验室，我主要将它们看作是在 GPT-3 之后，即 Scale 法则（Scaling）首次被证明可行时建立的。我们实际上找到了通过投入大量计算资源来产生智能的方法，很多实验室都试图实现这种规模化。当时成立了很多实验室，虽然大多都没有走到今天，但 Anthropic 是其中被寄予厚望且最终成为今天最成功的公司之一。
现在，在推理模型和智能体（Agents）取得成功之后，我们看到了又一次新初创公司的爆发，试图弄清楚我们如何建立"原生智能体（agent-native）"或"原生 AI"公司，以及这应该是什么样子的。
主持人 (Host):那么在整个技术栈中，你们试图自动化哪个部分呢？是用现有的编程工具来自动化 AI 研究员，还是你们也试图将编程部分本身自动化，比如能够自我改进的编程智能体？
杰瑞 (Jerry):嗯，几乎是技术栈的每一个部分。问题在于，我们在哪里能获得最大的阿尔法（Alpha，超额收益），在哪里有最大的杠杆来改进事物。但我考虑的角度是，实验室和研究公司到底在做什么？它们在产生洞见（insight），在生成你需要用来训练更好模型的知识。这是一个数据生成过程，你投入算力，然后产出洞见。问题的关键在于，我们如何优化这个过程，以便从我们的算力中获得最大的价值来产生新洞见？我们如何在单位时间内运行尽可能多的实验，从而在某种程度上比其他公司拥有更快的洞见生成速度？
主持人 (Host):你所说的"生成洞见"，是指运行一堆智能体来产生想法，然后你再基于这些想法去进行 AI 研究吗？
杰瑞 (Jerry):在很多方面，我们现在的做法略有不同。我们很大程度上仍然使用人类研究员来生成洞见，并试图确定我们应该朝哪个方向发展，而智能体的作用是尽可能简化执行过程。这样我们就可以尝试这些想法，并尽快生成有关这些想法的数据，看看它们是否好用。因此，如果我们可以把实验的时间从一个月缩短到一天，那就是 30 倍的加速，而且所有这些都是可能的。我不认为现在的智能体非常擅长开放式的探索和构建极其优秀的精确假设，但如果给出的指令相当明确，它们非常擅长执行指令。
主持人 (Host):是的，我们最近看到 Gavin Baker 发的一条很好的推文，谈到了寻求计算效率高的人类、Token 和算力之间的帕累托最优平衡。
