本文是Brockman新写的一篇博客文章。在加入OpenAI前，Brockman曾是支付系统公司Stripe的CTO，并没机器学习经验，他这方面的技能是在加入OpenAI之后自学的。在更早的博客文章里，曾经这么描述自己的这段学习经历。

“在OpenAI的头三年里，我梦想成为一名机器学习专家，但在实现这一目标方面进展甚微。在过去的九个月里，我终于过渡到机器学习从业者。这很难，但并非不可能，我认为大多数优秀的程序员，知道（或愿意学习）数学的人也可以做到。在技术方面有很多在线课程可以自学，事实证明，我最大的障碍是一个精神障碍——可以再次成为一名初学者。”

人工智能最近跨过了一个实用的门槛，在这里，GPT-3、Codex和DALL-E 2等尖端模型实际上是有用的，可以执行计算机无法以任何其他方式完成的任务。生产这些模型的行为是对一个新领域的探索，发现未知的能力、科学进步和令人难以置信的产品应用是其回报。而对我个人来说，也许最令人兴奋的是，由于该领域从根本上是关于创建和研究软件系统的，伟大的工程师能够像伟大的研究人员一样为未来的进步做出贡献。

"一个自我学习的人工智能系统。"作者：DALL-E 2

我最初进入软件工程领域是因为我想建立能够直接影响人们生活的大规模系统。在我开始编程后不久，我参加了一个数学研究暑期项目，我最喜欢的暑期成果是我为人们建立的一个调度应用程序，用于预订与教授的时间。指定一个程序应该如何工作的每一个细节是很难的，我一直梦想着有一天把我的努力投入到假设的人工智能系统中，让它为我弄清细节。但在2008年看了一眼人工智能的技术水平后，我知道这在短期内是行不通的，而是开始为网络创业公司建立基础设施和产品。

DALL-E 2对 "人工智能之家的两大支柱 "的演绎（根据联合创始人Ilya Sutskever的说法，是伟大的工程和使用这种工程的伟大科学）。

现在已经过去了将近15年，能够学习自己解决问题的系统的愿景正在逐步成为现实。也许最令人兴奋的是它正在推进的基本机制--在OpenAI，以及整个领域，大规模模型的精确执行是人工智能进步的倍增器，我们需要更多具有强大软件技能的人，能够提供这些系统。这是因为我们正在用前所未有的计算量建立人工智能模型；这些模型反过来又具有前所未有的能力，我们可以发现新的现象，探索这些模型能做和不能做的极限，然后我们利用所有这些学习成果来建立下一个模型。

"驾驭已知宇宙中最多的计算"，作者：DALL-E 2

驾驭这些计算需要深厚的软件技能和正确的机器学习知识。我们需要协调大量的计算机，建立软件框架，允许在某些情况下进行超优化，在其他情况下进行灵活处理，真正快速地为客户提供这些模型（这是我在2020年所做的工作），并使一个小团队有可能管理一个庞大的系统（这是我现在所做的）。没有ML背景的工程师从加入的那天起就可以做出贡献，他们掌握的ML越多，影响就越大。OpenAI的环境使得吸收ML技能相对容易，事实上，OpenAI的许多优秀工程师都是从其他领域转过来的。

综上所述，人工智能并不适合每个软件工程师。我看到进入这个领域的工程师的成功率大约是50-50。最重要的决定因素是一种特定的技术谦逊的味道。许多来自其他领域的宝贵的直觉将不适用于ML。那些成功跃进的工程师很乐意做错事（因为这意味着他们学到了一些东西），不害怕不知道一些东西，并且在他们收集了足够的直觉以确定它与该领域相匹配之前，不推崇别人所抵制的解决方案。

"一个最近谦虚地成为机器学习工程师的海狸"，作者：DALL-E 2


我相信，人工智能研究是今天到目前为止对那些想建立有用系统的工程师来说最有影响的工作场所，而且我预计随着进展的继续，这种说法只会变得更加真实。如果你想从事创建下一代人工智能模型的工作，请给我发电子邮件（gdb@openai.com），并提供任何在软件工程方面的特殊成就的证据。