陈默看着屏幕，没有掩饰眼中的满意。
OpenAI成立时间不长。
团队能够进展如此迅速，一部分来自不计成本的算力和人才投入。
更重要的是，他们没有沿着2015年最流行的路线，为每一种任务单独搭建模型。
陈默从成立之初便提出，大量无标注数据、自监督训练、统一表示与跨任务迁移，才是通往更强人工智能的关键。
他虽然不会写代码，但却能让团队避开未来数年已经被证明价值有限的岔路。
马斯克靠向椅背，眼中难掩骄傲：“事实证明，正确的道路比多雇一千名谷歌工程师管用得多。”
“只能让我们暂时领先。”陈默没有被演示结果冲昏头脑，“谷歌一旦确认这条路线有效，很快便能调动比我们更多的算力和人员。”
“想把领先变成真正的优势，下一步需要将零散研究合并起来。”
他站起身，走向白板。
目前OpenAI内部仍将语言、图像、游戏和机器人视为几个相对独立的研究方向。
团队已经开始共享部分底层方法，却没有统一的长期定义。
陈默拿起笔，在白板中央写下四个字。
基础模型。
现场大部分人第一次看见这个词。
“未来最重要的人工智能，不会是只能下棋、识别人脸或者回答某一种问题的专用程序。”
“它应该先通过海量数据，学习语言、图像和现实世界中最基础的结构。”
“随后，只需要少量数据、指令或者环境反馈，便能适应不同任务。”
“它更接近一个承载智能能力的平台。”
Sam盯着白板：“如果彻底按这套逻辑走，现有两千张显卡连下一代架构的门槛都摸不到，算力开销每年会翻数倍。”
“这就是今天需要解决的第二个问题。”陈默重新坐下。
算力扩建方案被投到屏幕上。
OpenAI目前已经拥有两千余张GPU，并与几家云计算公司建立合作。
这套规模放在普通研究机构中堪称奢侈。
面对基础模型，却只能算第一步。
技术团队希望在未来十八个月将可用算力扩大四倍，同时搭建自己的分布式训练系统。
预计总投入超过三亿美元。
马斯克率先表态：“我支持。如果我们因为担心花钱而放慢速度
…。。