图片来源与许可 · 参考图使用许可未确认
AI 辅助插画 · 参考照片：本人、机构或原活动页面发布；摄影者未注明 · 参考图使用许可未确认 · 依据已核对姓名的来源页面图像，由 AI 绘制 B 细线彩铅头像；调整背景与肩部构图。展示图缩放至最长边 640 像素并转为 WebP。 · 参考图：Noam Brown — Noam Brown
公开发言
3原话逐字核对过；转述不加引号我们确实看到了进展加速，而且是显著的加速。但我并不认为会出现一夜之间快上 100 倍的‘智能爆炸’，因为我们会被某些非智能层面的瓶颈所卡住：实验必须串行推进，因为训练新模型或获取测试结果都需要物理时间，而且你必须拥有足够的 GPU 来支撑这些实验。
We do see a speedup, and we see a significant speedup. But I don’t think it’s an overnight intelligence explosion where we go 100x faster, because we do get bottlenecked by certain limitations that are not bottlenecks of intelligence. It’s running experiments serially, because they take a while to either train new models or to get the results. It’s having the GPUs to run those experiments.
语境：在探讨递归自我改进（RSI）是否会导致失控的技术奇点时，Noam Brown 依据 OpenAI 实际工程经验指出，智能本身的提升无法打破物理世界的串行实验周期与算力硬件约束。
解决千禧年大奖难题（纳维-斯托克斯方程）的成果，绝不能归功于多智能体系统，我甚至连 10% 的功劳都不会分给多智能体。现实是 OpenAI 训练了一个非常强大的模型。我们能让该模型在超长跨度内运行并并行思考，但其根本原因在于我们拥有一个极其强大的通用基础模型。
The effort to solve a Millennium Prize Problem, this was not due to multi-agent. I wouldn’t even attribute 10% of the credit to multi-agent. The reality is that OpenAI has trained a very powerful model. We can get that model to operate over very long horizons. We can get it to think in parallel. But at its core, the reason why we’re able to do this is because we just have a general-purpose, very strong model.
语境：针对业界过度炒作‘万级智能体协同解题’的热潮，Noam Brown 澄清技术实质：多智能体外壳只是显眼包装，真正实现数学与科学发现质变的是底层通用基础模型的长程推理能力。
Noam Brown 分析大模型强化学习与棋类自博弈的根本差异：AlphaZero 能够无限进化的前提是拥有博弈对手提供的‘无限难度梯级’（infinite curriculum）；而语言大模型若耗尽人类能给出可验证判别的挑战题库，RL 强化学习就会遭遇递减瓶颈。
语境：Noam Brown 对比游戏自博弈与 LLM 强化学习的泛化机制，指出大模型推理学习需要不断寻找可验证且难度匹配的问题集。
