今天给大家带来一篇知乎好友@ybq的文章，《o1之下，技术何从》。
作者：ybq
知乎：https://zhuanlan.zhihu.com/p/3341034510
这篇文章不聊 o1 的技术路线（目前也没人能精准讲出来，毕竟大家都是猜测），我聊一下 o1 带来和改变了什么。
虽然之前立过 flag 说再也不写“感想文”了，但怪只能怪 o1 带给我的震撼还是太大了，实在忍不住想来谈谈这波新的技术范式。
o1 带来了什么
在模型效果上，o1 带来了令人瞠目结舌的理工科能力。我这里不举例子来论证了，行外人我解释了也听不进去，行内人则无需我解释。我建议感兴趣的同学花 20 美元买个会员，去把自己写不出来的代码，推不出来的公式扔给它试试。它就算给你解决不了问题，它的 cot 过程也足以带给你灵感。我不知道博士的知识量是多少，但如果以自己的知识量作为硕士生的平均知识量，硕士生知识量已经被它完全碾压了。具体说来，理科生不如它会写代码，工科生不如它会推公式。
在产品定位上，o1 的出现暗含了一种趋势：llm 不再是陪用户瞎聊的玩具，而是每一次回复都有价值的工具。如果你体验过 o1 就会发现，它的 token 很贵，回复很长，一个简单的加减法它都要给你写一堆分析过程。也就是说，o1 不鼓励我们再把简单的问题抛给它，有事没事就随便问问它，它现在鼓励我们把有难度的问题抛给它。换言之，它在提纯用户，提纯对理工科知识需求极大，提出的问题都是复杂问题的用户，它在努力完成从一个聊天玩具到灵感工具的华丽变身。
在技术路线上，o1 则再次证明了强化学习的重要性。dpo 是我这种没有强化基础的老 nlp 从业者的一块遮羞布，o1 则完全撕下了这张遮羞布。不学强化，不训 reward_model 是吧，那就抱着 sft / dpo 这些老古董一辈子技术落后别人吧。
o1 可能改变什么
明人不说暗话，我觉着 o1 最可能取代我这种非头部的算法工程师。
在 o1 之前，我一度认为算法程序员不会轻易被 AI 取代，毕竟我们是训 AI 的人。但 o1 的炸裂效果让我开悟了，llm 算法程序员作为“工资最多，产出最少的程序员群体”，是最可能被取代的，算法可能真的只需要留下何凯明这种最优秀的人去拓新了。毕竟，既然怎么都跟不上 openAI 的脚步，那我就买现成的呗，让 BBAT 等的 AIlab 去跟呗。这很现实，就像 llm 六小虎的模型被开源模型打得丢盔弃甲，以至于各种网传不做预训练了。
我认真的思考过 o1 能不能取代我，结论是：相比于 o1 ，我比它强的并不是脑子，而是眼睛、耳朵和嘴巴。换句话说，我的知识量和逻辑能力已经完败，仅存的优点是“我懂得从这个世界获取有用的信息来解决问题”。这包括沟通能力，从外界汲取新知识的能力，找援助的能力…… 但如果把我所见所闻的信息全部写成 prompt 灌给它，它写出来的代码会更快更好。
虽然我引以为傲的优点，也就是和客观世界交流互动的能力，大概率是 AIGC 最大的难点，要很长时间才能突破。但问题是，即使 AIGC 没有攻克这个难题，我的优点也可以被其他人取代，被一个不会训模型的工资只有我 N 分之一的人来取代。如果“有知识 + 会沟通”的人被称为人才，那么“会用 o1 + 会沟通”的人则是未来的廉价人才，这就是我认为 o1 可能会改变的事物 —— 人才的定义：“人才是能弥补 AI 短板的那群人，或优化 AI 本身，或协助 AI 和客观世界进行交流”。
技术何从
言归正传，在新的 o1 的技术范式之下，像我这种 llm 算法工程师该何去何从呢？我觉着答案很简单：学 o1，即使做不出来 o1，也要学会 o1 的技术储备。等到有人公布 o1 的技术路线，立刻能够复现 o1 这个工作，提出新的优化方向。就像当初大家靠会魔改 bert 来证明自己是有价值的，很可能马上也要通过会魔改 o1 来证明自己是有价值的。
好，这里涉及到另一个问题了，o1 到底是怎么实现的？
我问过我的饭搭子，万一 openAI 连 next_token_prediction 或者 transformer 都抛弃了，那我们再怎么努力不都像傻子一样吗？他说不会，“openAI 追求的一直是大道至简，把最简单的技术路线做到极致，而不是拓展各种杂七杂八的支线。在 bert 时代，他们顶着讥讽坚持了五年的 gpt 网络结构就是证据。scaling_law 的提出也是一个证据。” 不知道大家怎么想，我是认同了我朋友的观点，openAI 的技术路线大概率就是把 RLHF 做到了极致。
在坚定了 RLHF 的路线没有问题后，过去一个月我读了很多大佬的文章，张俊林、朱小霖、猛猿、曹宇 …… 可我依旧连一个基础问题 “o1 是几个模型” 都回答不上来。除了 cot 模型 和 generate 模型，o1 的自我纠错能力到底是离线 PRM 训出来的，还是在线挂了一个 PRM 呢？大佬们给的都是自己的猜测，却没有一个人能给出令人信服的证据。
好消息是，大家都提到了几个关键点 MCTS ，PPO ，PRM。那就没啥说的了，先学好这几项技术，然后耐心等大神们纰漏更多的技术，或者自己尝试成为这个大神。此外，我补充一个技术观点：llm 现在连推理耗时都不在乎了，带 cot 的 generate_reward_model 该成为主流了吧。不计任何训练成本，就是要准。
写在最后
说白了，我这篇文章没啥意义，纯粹的在传播焦虑，以及“劝学”。我知道国内的 llm 从业者可能只有不到十分之一的人研究方向是强化，但其他人就眼睁睁看着他们做最前沿的方向吗？遮羞布 dpo 已经被撕了啊！公司不给时间学，那就下班学，周末学，节假日学。现在的 llm 算法从业者就是在逆水行舟，没有喘息的余地了。
我和饭搭子知乎@真中合欢 经常在吃饭遛弯时瞎聊：你最近悄悄学的 ppo 啥时候分享啊？上周末你训生成式 reward_model 了吗？你觉着那谁说的 o1 路线可信不？—— 这些并不属于我们的工作内容，我们也没用工作时间来学这些，我们只是不甘心被别人甩的太远。
希望大家都能在学习路上找到自己的 o1 技术伙伴吧，不行就来找俺们这种强化菜鸟一起学！PS：看到这里，如果觉得不错，可以来个点赞、在看、关注。给公众号添加【星标⭐️】不迷路！您的支持是我坚持的最大动力！
欢迎多多关注公众号「NLP工作站」，加入交流群，交个朋友吧，一起学习，一起进步！
