OpenAI 重新聘用 Lilian Weng，反将 Thinking Machines 的人才押注转化为自身优势

据报道，Lilian Weng 离开 OpenAI 不到两年后将被重新聘用，这逆转了又一位转投 Mira Murati 创办的 Thinking Machines Lab 的知名人才流动。此前，Weng 曾宣布因健康状况恶化而不得不离开这家初创公司。此举也进一步强化了一种趋势，其重要性如今已超越单个研究人员的职业选择。

据中国科技媒体 36Kr 7 月 30 日报道，OpenAI 发言人确认 Weng 将回归。一位知情人士称，她将研究下一代模型及递归式自我改进。这一术语指的是能够帮助改进自身后续版本的推理、训练方法或研究流程的系统。

OpenAI 尚未就这一据称的任命发布详细公开公告。Weng 也未公开说明她将加入的团队、职责或入职日期。这些信息缺口要求外界保持谨慎，尤其是因为递归式自我改进可能指向多种截然不同的研究项目。

不过，这一人事变动释放了明确的信号。Thinking Machines 的建立，部分基于围绕 Murati 的另一种可适应、可理解 AI 愿景，招募经验丰富的 OpenAI 研究人员。如今，OpenAI 正将其中一部分专业能力重新纳入自身组织。

Lilian Weng 回归 OpenAI 改变了什么

Weng 的动向让一次因健康原因的离职，转变为其前雇主的一项战略招聘成果。

Weng 本周早些时候宣布，在一段高强度工作时期损害了她的健康后，她将离开 Thinking Machines。她将这一决定描述为个人层面的必要选择，而非公开否定该公司的研究方向。

这一区别很重要。一名资深研究人员可以离开一家高要求的初创公司，而不意味着否定其技术、领导层或发展前景。Weng 的离开不应被视为 Thinking Machines 失败的证据。

然而，她的去向改变了这次离职在竞争层面的含义。若只是摆脱运营压力，故事会是另一番样子；据报道，她将回归 OpenAI 从事先进模型研究，则传递出不同信息。

Weng 在 2024 年 11 月离开前，曾在 OpenAI 工作约七年。她领导过 Safety Systems 团队，并担任研究与安全副总裁。她的工作涵盖应用研究、部署保障、模型评估和技术安全系统。

Weng 最初离开时表示，她觉得自己已准备好重新调整，并探索新的方向。当时关于她离开 OpenAI的报道，将此事置于安全研究人员和高级管理人员更广泛离职潮的背景中。

随后，她与 Murati 及其他前 OpenAI 员工共同创办了 Thinking Machines。这家初创公司将自己定位为一家研究与产品公司，专注于让先进系统更易理解、更可定制，并能更广泛地发挥作用。

因此，她的回归完成了一次罕见而短暂的机构循环。Weng 从一家成熟的前沿实验室转向一家获得雄厚资金支持的挑战者，随后在这家新公司工作约 20 个月后重返原处。

这一逆转因时机而更显鲜明。Thinking Machines 最近已走出保密状态，开始展示具体产品和研究成果。其公开工作包括用于调整模型的工具，以及名为 Inkling 的开放权重模型。

这一进展让 Weng 的离开不同于初创公司尚未找到方向时的早期离职。她是在帮助该组织从招募和融资阶段进入产品交付阶段之后离开的。

据称的健康问题仍是最重要的个人背景。初创公司工作可能带来严重的身心负担，尤其是在企业竞相训练模型、交付基础设施并证明高估值合理性的情况下。

读者不应将这一披露演变为对内部冲突的猜测。没有任何经公开证实的信息表明 Weng 与 Murati 之间存在争端，也没有证据显示 OpenAI 提供了压力更小的职位。

不过，已获确认的去向仍具有竞争价值。OpenAI 重新获得了一位既了解其内部系统、又熟悉竞争实验室近期发展经验的研究人员。

她的背景还横跨研究和部署。当模型开发者希望在不削弱评估、可靠性或安全控制的前提下提升系统能力时，这种结合尤为宝贵。

眼下的变化并非一款新模型或新的基准测试结果，而是积累的知识在两家关系密切的实验室之间流动。

这种流动构成了本文的核心张力。Thinking Machines 原本应将 OpenAI 的前员工转化为独立的研究优势；而 OpenAI 正在将其中一部分人才重新转化为机构记忆。

为什么 OpenAI 持续吸引 Thinking Machines 研究人员回归

OpenAI 能为回归的研究人员提供规模、基础设施，以及从实验走向大规模产品部署的既有路径。

Weng 并不是第一位回归的 Thinking Machines 联合创始人。据有关早期联合创始人离职的报道，Barret Zoph 和 Luke Metz 也在 2026 年 1 月离开这家初创公司，加入 OpenAI。

Zoph 曾担任 Thinking Machines 的首席技术官。Metz 则是另一位创始成员，在 Google Brain 和 OpenAI 都拥有丰富经验。他们的离开带走了技术领导力和组织知识。

任何一次单独离职都可能反映个人情况。但多位人员反复回到同一位前雇主，则构成了影响更为深远的趋势。

OpenAI 在前沿研究方面拥有多项结构性优势。它运营着大型训练集群，拥有成熟的研究工具，并将模型部署给庞大的用户群。研究人员能够在内部评估和真实产品中测试想法。

该公司还拥有从事推理、多模态、智能体、安全和科学应用研究的成熟团队。这种人才密度能够缩短从有前景的实验到协同模型项目的路径。

Thinking Machines 提供的是不同的价值主张。它让研究人员对新组织的技术文化、产品选择和研究议程拥有更大的影响力。其较小的组织结构可以支持更快决策和更直接的所有权。

这些优势也伴随着初创公司的成本。新的实验室必须同时建设基础设施、招聘体系、评估实践、产品运营和研究协同机制。

据报道，Thinking Machines 在 2025 年完成了 20 亿美元的种子轮融资。对这轮融资的报道将其称为科技史上规模最大的早期融资之一。

资金能够缓解基础设施限制，但无法立即建立组织成熟度。算力采购、数据准备、分布式训练和模型评估，都依赖于经验丰富的团队和协调一致的流程。

这家初创公司进入的市场中，其主要竞争对手也并未停步。OpenAI、Anthropic、Google DeepMind、Meta 和 xAI 都在扩展研究项目，同时争夺许多相同的专业人才。

这使得前沿 AI 招聘不同于普通科技招聘。少量研究人员就可能影响模型架构、后训练方法、安全评估或基础设施效率。

当这些人曾经共事时，他们的价值还会进一步上升。研究团队会形成共同假设、实验习惯和沟通模式，这些无法完全通过文档记录下来。

当前员工带着新经验回归时，OpenAI 将从中受益。他们既了解其部分文化和系统，也带来了在公司外部建设团队的经验教训。

Thinking Machines 则承担相反的成本。它失去的不仅是一名员工，还包括帮助前 OpenAI 同事作为新团队运作的一部分连接纽带。

这并不意味着这家初创公司缺乏人才。Murati 从多家领先机构招募了研究人员和工程师。OpenAI 联合创始人 John Schulman 在 Anthropic 工作一段时间后，也以首席科学家的身份加入。

Thinking Machines 还形成了可辨识的技术方向。Tinker 为开发者提供了微调开放模型的接口，而 Inkling 则扩展了公司的公开模型工作。

它面临的挑战是连续性。一个研究命题需要领导者在多代模型、产品迭代和失败实验中持续推进。

Weng 的离开加大了对剩余领导层的压力：他们需要证明，该公司的项目属于这个机构本身，而不仅仅属于其创始阵容。

OpenAI 同样面临压力。它必须证明回归的研究人员获得了有实质意义的权责，并且他们的工作能带来可衡量的进展。

一笔备受瞩目的招聘只能带来数日关注。一个有效运作的研究项目必须多年持续产出成果。

OpenAI 对递归式自我改进的押注提高了风险

据称的任命之所以重要，是因为递归式自我改进瞄准的是研究流程，而非单一产品功能。

这个词组常让人联想到一个无需人类控制、能够自行重新设计的自主系统。公开证据并未表明 OpenAI 已让 Weng 负责此类项目。

一种更务实的解读始于受限的研究循环。模型可以生成候选解决方案、批评自身失误、创建训练样本、提出评估方案，或协助研究人员开展实验。

在由人类验证并控制部署的前提下，这些产出可以改进后续训练运行。系统能够影响其后继版本，而非独立重写自身的每一个组成部分。

研究人员多年来一直在研究相关方法。自我批评、合成数据、强化学习、自动化评估和工具辅助实验，都属于这一更广泛方向的一部分。

一篇关于模型如何自我改进的早期论文，研究了语言模型能否生成有用的推理示例并从中学习。这类工作展示的是一种受限方法，而非不受限制的自主改进。

如今的机会更大，因为推理模型可以维持更长的工作链条。它们能够使用工具、检查输出、修订计划，并比较候选方案。

一个研究模型可能在发现现有基准的弱点后，提出一套新的评估集。另一个系统可以测试这些示例，而人类研究人员则审查其有效性和风险。

模型还可以帮助编写训练代码、诊断基础设施故障或总结实验结果。每一种用途都可能压缩开发周期的一部分。

当这些输出可靠时，便会形成复利式优势。更好的研究工具帮助团队构建更好的模型，而更好的模型又能成为更好的研究工具。

这一机制仍受验证环节制约。一个自信地产生有缺陷实验的模型，可能加速混乱而非发现。

合成训练数据带来另一项风险。反复使用模型生成的材料训练模型，可能强化隐藏错误、缩窄输出多样性，或放大评估伪影。

基准优化同样可能产生误导。系统或许能学会提高分数，却并未获得可迁移至陌生环境的能力。

递归改进因此依赖于强有力的外部检验。研究人员需要留出的评估集、人工审查、对抗测试，以及证明提升能在改进循环之外持续存在的证据。

Weng 的背景使她与这一问题密切相关。她曾从事应用研究和安全系统工作，在这些领域，能力主张必须满足部署约束。

她的技术写作还涵盖了智能体、规划、幻觉和奖励系统。这些主题与依赖模型评判或完善自身输出的研究循环相互交叉。

不过，除已报道的描述外，她的确切职责仍未得到确认。OpenAI 尚未发布项目名称、技术论文、团队名单或研究里程碑。

对于关注递归 AI 研究的读者而言，这一验证缺口至关重要。聘用一位备受尊敬的研究人员，并不能证明一个可行的自我改进系统已经存在。

它同样无法揭示 OpenAI 将如何治理这样的系统。最重要的问题涉及权限、评估和隔离控制。

谁来批准模型提出的变更？哪些实验可以自动运行？如何测试欺骗性或追逐奖励的行为？又如何避免一个有缺陷的评估器验证另一个有缺陷的模型？

随着 AI 系统参与科学和工程工作，这些问题变得更加紧迫。OpenAI 已介绍过模型协助研究人员的项目，其中包括围绕国家科学开展的合作。

公司的动机很明确。如果 AI 能实质性加速 AI 研究，拥有最强循环能力的实验室得到的将不只是一次性的性能提升。

它将获得更快的开发流程。竞争对手随后必须同时追赶模型本身，以及打造该模型的整套机制。

这也解释了为什么 Weng 的回归意义不止于人事新闻。据报道，OpenAI 正将她的专业能力纳入一个可能放大组织优势的研究方向。

真正的竞争是人才独立性与机构规模之争

Thinking Machines 必须证明，顶尖研究人员能够打造一个持久的替代选择，而无需继续依赖 OpenAI 的人才网络。

Murati 于 2024 年 9 月离开 OpenAI 后创办了 Thinking Machines。她曾担任首席技术官，并在 OpenAI 2023 年领导层危机期间短暂出任临时首席执行官。

这家新公司因汇聚来自 OpenAI 及其他前沿实验室的资深人士而受到关注。其在 2025 年 2 月首次亮相时表示，目标是改善人类与能力日益增强的 AI 之间的互动。

早期报道显示，该公司约有 30 名员工。其发布战略强调，模型能力与人们理解和使用这些能力之间存在差距。

这是一个重要的区别。OpenAI、Anthropic 和 Google 正在通用模型性能上激烈竞争，而 Thinking Machines 则将定制化和交互视为核心研究问题。

公司随后为这一方向赋予了实际形态。Tinker 专注于模型微调，即让现有模型适应专门的数据或行为。

Inkling 则推出了一款开放权重模型，这意味着开发者可以获取运行或修改该系统所需的已训练参数。这一方式不同于权重保持私有的完全托管模型。

这些产品让 Thinking Machines 处于多个竞争阵营之间。它既挑战托管模型提供商，也与 Meta、Mistral 及独立开发者的开放模型项目竞争。

OpenAI 在很大程度上仍控制着其领先模型的权重。Thinking Machines 可以主张，可适配模型能让开发者拥有更大的掌控权和研究灵活性。

OpenAI 则可以回应称，集中运营支持更快的更新、统一的安全防护，以及大多数客户无法自行维护的基础设施访问能力。

Weng 的回归并未决定这场产品之争。它强化了 OpenAI 在更深层竞争中的地位：一家新实验室能否摆脱其创始人才来源，实现独立发展。

这家创业公司从来不只是前 OpenAI 员工的集合。然而，该网络为其提供了可信度、共同经验和投资者信心。

反复出现的离职削弱了这样一种说法：这一网络已永久围绕 Murati 的公司完成重组。它们表明，即使是曾选择离开的研究人员，OpenAI 仍是一个强有力的去向。

这一结论应保持适度。三位联合创始人回归，并不会抹去这家创业公司仍在的团队、融资、产品或合作关系。

研究机构可以在高管变动中存续。领导层更替有时能厘清职责，并让不那么显眼的研究人员承担更大的角色。

决定性考验在于 Thinking Machines 是否持续推出连贯的成果。新模型发布、开发者采用情况和可信的研究论文，比有关个人离职的新闻标题更重要。

该公司还拥有大多数创业公司难以获得的资源。其融资为招募替代人才和投资算力提供了时间。

Thinking Machines 已宣布与 Nvidia 建立长期、千兆瓦级合作关系。若能落地，这一关系可能扩展可用于训练和部署模型的基础设施。

规模本身无法解决人才问题。新员工需要时间理解系统、建立信任，并接手尚未完成的研究。

OpenAI 的优势在于组织积累。它可以让回归的研究人员与拥有既往共同经验、且开发流程成熟的同事合作。

Thinking Machines 的优势在于战略自由。它可以探索开放权重、定制化或交互方法，而无需维护既有平台的假设。

因此，主要竞争并非 OpenAI 与某一款孤立创业产品之间的较量，而是机构规模与人才独立性之间的较量。

如果 Thinking Machines 在这些离职后仍保持技术势头，就将证明其理念已成为组织资产。若势头放缓，OpenAI 的人才网络将显得更难摆脱。

这则招聘新闻并不能证明什么

这次回归确立了人事变动，但并不能证明技术胜利、创业公司崩溃，或模型实现自主改进。

第一项不确定性在于 Weng 的原因。她在离开 Thinking Machines 时曾公开提及健康压力，这一解释值得被认真对待。

不久后加入 OpenAI，从外部看可能显得矛盾。然而，不同岗位可能带来不同的工作量、管理职责、出差要求或运营压力。

没有经过验证的消息来源披露 Weng 的日程安排或雇佣条款。声称薪酬、冲突或不满推动了此次变动，仍属猜测。

第二项不确定性涉及 Thinking Machines 的状况。高层离职会带来风险，但不能仅凭员工人数变化推断创业公司的健康程度。

该公司拥有大量融资、仍在任的技术领导层、公开产品和基础设施合作关系。其表现应通过执行情况评估，而非戏剧化标签。

Inkling 的质量、采用情况和开发速度将提供更有力的证据。Tinker 在适配模型的团队中的可靠性和使用情况也是如此。

第三项不确定性涉及递归自我改进。这个词可以涵盖普通的模型辅助研究，也可以指更具自主性的系统。

OpenAI 尚未说明具体指的是哪一种含义。读者不应将这项据报道的职责解读为：模型能够在没有人工监督的情况下反复改进自身的确认。

现有系统仍会犯事实、逻辑和战略错误。它们也可能利用自动评分器的弱点，在未满足预期任务的情况下获得高分。

当模型同时生成工作成果及其评估时，研究循环会加剧这些问题。由于表面上的进展可能源于共同盲点，独立检验变得必要。

随着研究自主性的提高，安全问题也会增加。一个提出实验、编写代码并控制工具的系统，即使没有恶意目标，也可能因错误造成伤害。

组织需要访问限制、监控、可复现实验和清晰的审批边界。它们还需要由直接优化循环之外的人员设计的评估。

Weng 的安全背景可以支持这项工作，但一次招聘无法保证负责任的实施。治理取决于权限、激励、人员配置和高管决策。

OpenAI 本身曾面临前员工的批评，他们认为产品压力获得的优先级高于安全。Weng 并未将她 2024 年的离职描述为这类抗议。

不过，她的回归将引发外界对能力与安全职责如何划分的审视。递归研究项目比许多面向消费者的功能更紧密地结合了这两方面关切。

第四项不确定性涉及竞争影响。OpenAI 获得了经验，但前沿实验室之间经常有人才流动。

Anthropic 由前 OpenAI 领导者创立。Safe Superintelligence 围绕 OpenAI 联合创始人 Ilya Sutskever 发展而来。Meta 已从多家竞争实验室招募研究人员。

员工流动既会传播思想，也会使其集中。回归的研究人员能够增强 OpenAI，同时前同事仍会在其他地方继续开发相关方法。

当知识传播到多个团队时，这种流动可能使行业受益；当少数实验室吸纳了大多数经验丰富的研究人员和算力时，行业也可能因此受损。

因此，开发者和企业买家不应把人才新闻当作体育转会。实际影响会在模型质量、稳定性、透明度和产品控制方面稍后显现。

评估 AI 系统的团队需要记录供应商承诺、测试和变更的内容。可检索的 AI 知识库可以帮助组织在快速发布过程中保留这些证据。

合理的结论应当收窄。Weng 的回归增强了 OpenAI 的研究阵容，并促使 Thinking Machines 证明其延续性。

除此之外的一切，仍是需要技术或组织证据支撑的假设。

Lilian Weng 回归后值得关注的三个信号

接下来的三个信号将表明，这次变动是否会改变研究产出，还是仅是一场重要但孤立的招聘事件。

第一个信号是对 Weng 职责的公开说明。OpenAI 可以通过研究论文、系统卡、团队公告或产品发布提供这一说明。

若出现涉及自动化研究、模型生成训练数据或自我评估的具名项目，将强化递归自我改进的解读。详细的安全防护措施也将表明 OpenAI 如何界定可接受的自主性。

沉默会削弱关于其职责的强烈主张。Weng 可能广泛参与模型研究，而非领导一个独立的递归项目。

署名将比职位头衔措辞更重要。她出现在技术成果的作者名单中，将揭示其专业能力与 OpenAI 下一代模型之间的实际联系。

读者还应审视研究展示了什么。如果 OpenAI 未披露评估控制措施和迁移性能，仅有基准测试提升所能提供的证据有限。

最有力的证明将展示模型在明确约束下改进研究流程。独立评估应确认，这些提升能在系统自身反馈循环之外持续存在。

第二个信号是 Thinking Machines 的发布节奏。该公司需要证明，在联合创始人离职后，Inkling、Tinker 及相关研究仍在持续推进。

一次重要的模型更新、可信的开发者采用，或经过同行评审的技术成果，都将强化其能够实现机构独立发展的判断。这将表明，该公司的项目并不局限于最初的核心团队。

延期、优先事项变化，或更多高管离职，则会削弱这一判断。这些情况将意味着，人员流动正在影响执行力，而不仅仅是公众观感。

对采用情况应谨慎评估。下载量和社交媒体关注度可以增长，但未必代表持续使用。

更有参考价值的指标包括开发者的重复活跃度、集成情况、有文档记录的微调结果，以及团队在真实工作流程中部署适配模型的证据。

Thinking Machines 还必须明确其差异化优势。仅凭开放权重，很难在 Meta、Mistral 等众多模型开发商云集的市场中脱颖而出。

其最有力的机会，在于将可适配模型与更好的训练、评估和人工控制工具结合起来。这一方向能够延续其最初对可理解、可定制系统的关注。

第三个信号，是头部实验室之间高级研究人员的下一轮流动。若 Thinking Machines 再有人员离职，这种趋势就更难被轻易忽视。

如果这家初创公司完成一笔重磅招聘，情况则会朝相反方向发展。从 OpenAI、Anthropic、Google DeepMind 或 Meta 招募一位资深研究人员，将表明人才流动依然处于竞争状态。

OpenAI 能否留住回归者同样重要。若研究人员回归后不久再次离开，可能意味着组织内部的摩擦尚未解决。

更广泛的市场将通过薪酬、算力获取和研究自由度作出反应。前沿实验室必须同时提供这三项条件，才能吸引那些可以在成熟平台与独立创业项目之间自由选择的人才。

对开发者而言，招聘竞争只有在改变可用系统时才真正重要。应关注更好的模型适配能力、更可靠的研究型智能体、更清晰的评估，以及更安全的自动化。

对企业采购方而言，连续性与原始能力同样重要。供应商必须维持能够支持模型、解释变化，并在部署失败时作出响应的团队。

对知识工作者而言，递归式改进意味着工具将更快、更强大。但这也增加了验证输出的必要性，因为这些输出可能已经经过多个由模型生成的环节。

Weng 的回归让 OpenAI 增添了一位在能力、智能体和安全交叉领域经验丰富的研究人员。它也让 Thinking Machines 面临一次直接检验：其组织能否经受住创始团队变动的考验。

因此，这一报道称的动向不只是一次常见的高管重聚。它逆转了 Murati 最初人才战略的一部分，同时将 Weng 置于 AI 研究最具深远影响的理念之一附近。

现在，证据必须超越履历表。关注 OpenAI 的论文发表、Thinking Machines 的发布节奏，以及下一轮高级人才招聘。

这些信号将揭示，Weng 的回归究竟会加速一个真正的研究闭环，还是仅仅再次证明 OpenAI 仍是行业中最强大的引力中心。