從Python小白到AI核心：被AI改變的華人青年

GPT Image2全網(wǎng)刷屏，但效果究竟為什么這么好？

研究負責(zé)人陳博遠揭秘：底層架構(gòu)已徹底重構(gòu)。

但他又拒絕回答是否采用擴散模型或自回歸技術(shù)，只是神秘的將其描述為“通用模型”或“圖像領(lǐng)域的GPT”。

這樣突破性的成果，核心團隊只有13人。

整個團隊的負責(zé)人Gabriel Goh曬出了的團隊成員AI全家福。

評論區(qū)有網(wǎng)友感嘆：怎么全是亞洲人？

GPT Image 2究竟是什么架構(gòu)？

OpenAI恐怕很長一段時間都不會公布了，但從核心團隊成員的學(xué)術(shù)經(jīng)歷可以看出一些痕跡。

陳博遠是團隊的Research Lead，他和另一位成員Kiwhan Song在MIT讀博時有同一位導(dǎo)師Vincent Sitzmann。

他博士期間的代表作Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion入選了NeurIPS 2024。

這項研究提出Diffusion Forcing這一全新序列生成訓(xùn)練范式，將逐token獨立噪聲級擴散與因果下一個token預(yù)測結(jié)合，融合自回歸模型的可變長度生成與全序列擴散模型的長程引導(dǎo)優(yōu)勢。

他在谷歌實習(xí)期間還以共同一作身份發(fā)表了SpatialVLM。

通過過自動構(gòu)建互聯(lián)網(wǎng)規(guī)模的3D空間推理 VQA 數(shù)據(jù)集（1000 萬圖像、20 億 QA 對），為視覺語言模型賦予定量 / 定性空間推理能力，可從單張 2D 圖像輸出米制距離、尺寸、方位等精確數(shù)值。

這項研究把思維鏈空間推理應(yīng)用到了具身智能領(lǐng)域。

在谷歌實習(xí)期間，他開發(fā)的指令微調(diào)技術(shù)后續(xù)還被Gemini 2.0采用。

他在高中參加科研夏令營時，還不懂Python的基本語法，那時結(jié)識的谷歌DeepMind資深研究員夏斐把他引入了AI世界。

夏斐兩次邀請他到DeepMind完成高質(zhì)量實習(xí)，這些經(jīng)歷使陳博遠積累了大規(guī)模模型訓(xùn)練的工程經(jīng)驗，也為他理解多模態(tài)系統(tǒng)的數(shù)據(jù)需求提供了寶貴視角。

中科大博士畢業(yè)的Jianfeng Wang，在GPT Image 2團隊負責(zé)的是另一個讓人驚嘆的能力：指令遵循和理解世界。

舊模型畫的永遠時鐘永遠指向10:10，源于網(wǎng)絡(luò)上的鐘表廣告圖，幾乎清一色都是10:10。

這是因為鐘表廠商找心理學(xué)家做過實驗，認為這有助于刺激消費者買表的意愿。

他讓新模型畫2:25、3:30、9:10、7:45，全部精準(zhǔn)。

這只是開胃菜。

更多復(fù)雜的空間布局，蘋果在中心、杯子在右邊、書在上面、相機在左邊、籃球在下面。模型全部精準(zhǔn)執(zhí)行。

在加入OpenAI 之前，他在微軟工作近9年。在微軟期間就與OpenAI團隊在DALLE-3上有合作。

世界知識理解能力的大幅提升，對象的語義內(nèi)容和功能結(jié)構(gòu) 有正確的理解

JianFeng Wang在演示視頻結(jié)尾說到：GPT Image 2正在消除你的意圖和模型產(chǎn)出之間的差距。

真正做到你想要什么，模型就給你什么。

Yuguang Yang在GPT Image 2的發(fā)布活動中演示了生成信息圖和PPT。

他的經(jīng)歷可以說是團隊成員中最豐富的，每換一個工作都是跨界，但都聚焦機器學(xué)習(xí)。

他本科在浙大竺可楨學(xué)院學(xué)的工程，博士在約翰斯霍普金斯大學(xué)期間學(xué)的是計算化學(xué)物理與機器學(xué)習(xí)。

他第一份全職工作是量化分析師，在清華做訪問研究員期間亞牛的的是用于納米機器人的強化學(xué)習(xí)和控制算法。

后來他在亞馬遜做過Alexa語音研究。

2025年初加入OpenAI后，除了圖像生成還參與過ChatGPT智能體項目。

他在個人賬號上介紹GPT Image 2的信息圖生成能力，可以為科研人員節(jié)省大量時間。

還反復(fù)提醒大家，要做信息圖不要忘記選擇思考模式。

從團隊成員Kenji Hata的自我介紹中得知，GPT Image 1.0也就是GPT-4o的圖像生成部分。

有一個人從DALL-E開始參與了OpenAI多模態(tài)系列研究的全程。

他就是GPT Image 2.0團隊負責(zé)人Gabriel Goh。

從2019年加入OpenAI，他的早期研究更篇理論，專注于可解釋性和凸優(yōu)化等等。

從DALL-E開始慢慢轉(zhuǎn)向了圖像生成。

看到另一位團隊成員Weixin Liang的研究履歷，GPT Image 2的技術(shù)底色又揭開了一角。

他在Meta實習(xí)期間的代表作Mixture-of-Transformers，引入模態(tài)解耦的MoE和解耦注意力，顯著降低多模態(tài)模型預(yù)訓(xùn)練的計算成本。

他博士畢業(yè)自斯坦福，本科也畢業(yè)自浙大竺可楨學(xué)院，不過比Yuguang Yang要晚好幾年。

Weixin Liang與陳博遠一樣都是25年博士剛畢業(yè)就加入OpenAI，迅速成為團隊的核心成員。

其他GPT Image 2.0團隊成員還包括：

Ayaan Haque，之前在Luma AI 工作，參與過Luma的視頻生成基礎(chǔ)模型Dream Machine的訓(xùn)練。

Bing Liang，在Google干了5年多，參與Imagen3、Veo、Gemini Multimodal，2025年跳到OpenAI做圖像生成研究。

Mengchao Zhong，本科上海交通大學(xué)校友，碩士畢業(yè)于得克薩斯農(nóng)工大學(xué)，在Pinterest和Airtable做過軟件工程師，在OpenAI負責(zé)多模態(tài)產(chǎn)品的工程。

Dibya Bhattacharjee，耶魯大學(xué)，2015年IPhO銅牌，CIE A-Level數(shù)學(xué)和生物全球最高分。

Kiwhan Song是25年10月最晚加入的，除了做研究之外，他還是團隊里的提示詞大師，大家看到的官方演示圖很多都出自他手。……

從最早的DALL-E到今天的GPT Image 2.0，這只團團隊先后解決了。畫得出來、畫得清楚、畫得好看、畫得準(zhǔn)。

盡管近年來OpenAI的人才流動很大，但OpenAI還是那個能不斷吸引各種有個性的人才，不限制專業(yè)、歡迎跨界，信奉自下而上涌現(xiàn)式研究的公司。

從一個小團隊開始，有了突破后公司傾斜更多資源，直到改變世界。

曾經(jīng)，GPT-4o圖像生成模仿吉卜力風(fēng)格生成的頭像席卷了全世界。

如今GPT Image 2.0的團隊成員，都把自己頭像換成了這種奇脖子畫風(fēng)。

那么這種畫風(fēng)的提示詞是什么？團隊成員也公布了出來