ChatGPT产品研发深度研究报告：从技术突破到社会变革

ChatGPT产品研发深度研究报告：从技术突破到社会变革

摘要

自2022年11月30日OpenAI发布ChatGPT作为“低调的研究预览”以来，这一产品以惊人的速度重塑了人工智能技术发展轨迹和人类社会对智能的认知-3。在短短五年内，ChatGPT的周活跃用户达到8亿，超过90%的《财富》500强公司以某种形式使用OpenAI的技术，公司估值达到约5000亿美元，成为历史上最有价值的初创公司-7。本报告深入分析ChatGPT产品研发的技术背景、关键人物贡献、研发经验与教训以及对未来人工智能发展的启发与借鉴。研究表明，ChatGPT的成功不仅是技术突破的结果，更是OpenAI独特的研发文化、长期主义战略与工程实践相结合的产物。报告还探讨了ChatGPT引发的资源挑战、伦理问题以及人工智能未来发展方向，为理解当前人工智能革命提供了多维度的分析框架。

1. 研究背景与技术演进

1.1 从研究预览到全球现象的转变

2022年末，OpenAI内部将ChatGPT定位为“低调的研究预览”，甚至指示员工不要将其宣传为产品发布-3。这种低调态度与产品发布后产生的全球性影响形成鲜明对比。上线仅五天，ChatGPT用户数突破100万，两个月后成为历史上增长最快的消费类应用之一-3-7。这种爆炸式增长反映了社会对人工智能助手的强烈需求，也标志着人机交互方式的根本性转变。

从技术角度看，ChatGPT的成功建立在OpenAI多年持续研究的基础上。早期GPT系列模型(从GPT-1到GPT-3)逐步扩展了模型规模和能力，但直到ChatGPT的出现，才真正解决了“如何让普通用户与大型语言模型自然交互”这一关键问题。ChatGPT通过引入基于人类反馈的强化学习(RLHF) 技术，显著提升了模型的对话质量和安全性，使其从纯粹的研究工具转变为实用产品。

1.2 技术路线演进：从规模扩展向能力深化转变

OpenAI的技术发展经历了从“规模扩展”到“能力深化”的战略转变。在GPT-2到GPT-4阶段，主要依赖大规模预训练数据，通过评估测试模型的泛化能力-5。这一时期，模型能力的提升很大程度上来自参数量的增加和训练数据的扩展。然而，随着评估指标逐渐饱和，OpenAI开始探索新的发展方向。

根据OpenAI首席科学家Jakub Pachocki和首席研究官Mark Chen的透露，公司已经形成了两条并行的技术路线：一类是GPT系列的“快速响应”模型，另一类是o系列的“深度推理”模型-9。而最新的GPT-5代表了这两条路线的融合，标志着OpenAI技术发展进入新阶段。GPT-5能够自主判断问题复杂度，决定需要几秒还是几小时的思考时间，使推理能力成为模型的默认配置-9。

1.3 社会技术背景：从工具到基础设施的转变

ChatGPT的兴起恰逢一系列技术和社会条件成熟期。算力基础设施的快速发展、互联网上海量文本数据的积累、深度学习理论的突破共同为ChatGPT的出现创造了条件。从社会接受度角度看，智能手机的普及培养了人们对智能助手的需求，而疫情加速的数字化进程则为远程协作工具提供了市场空间。

从“工具”到“基础设施”的转变是ChatGPT最重要的社会技术特征。三年间，ChatGPT从研究预览演变为全球数亿用户依赖的数字基础设施-7。这种基础设施化不仅体现在用户规模上，更体现在其与各种工作流程的深度整合中。超过90%的《财富》500强公司将OpenAI技术整合到业务流程中，标志着人工智能从边缘创新走向核心生产力工具-7。

表1：ChatGPT发展关键里程碑

时间	里程碑事件	技术特点	社会影响
2022年11月	ChatGPT发布	基于GPT-3.5，引入RLHF	5天内用户破百万
2023年初	用户快速增长	优化对话体验	月活用户达1亿
2023年3月	GPT-4发布	多模态能力，推理提升	企业级应用加速
2024年	o系列模型发布	深度推理能力	科学研究和编程革新
2025年	GPT-5发布	融合快速响应与深度推理	自动化研究探索

2. 关键人物及其贡献

2.1 领导层：战略愿景与资源整合

Sam Altman作为OpenAI的CEO，在产品战略和市场定位方面发挥了关键作用。尽管内部有员工担心公司正在仓促推出未完成的产品，但Altman坚持推进ChatGPT的发布，希望能在竞争对手之前进入市场，并观察普通人会如何使用AI-3。这种“快速进入市场、持续迭代”的产品哲学，使OpenAI在竞争激烈的人工智能领域占据了先发优势。Altman还特别强调了对关键技术人才的识别与支持，他公开致谢Jakub Pachocki和Szymon Sidor，称“OpenAI还没有遇到过他们解决不了的问题”-6-10。

Ilya Sutskever作为OpenAI联合创始人兼前首席科学家，在早期技术路线制定和基础研究方面做出了奠基性贡献。他是公司从非营利转向“有上限的盈利”结构的重要推动者，这一转变为OpenAI获取大规模计算资源提供了资金基础。虽然Sutskever已于2024年5月离开OpenAI，但他在模型架构、训练方法和AI安全方面的思想继续影响着公司的发展方向。

2.2 技术核心：从竞赛天才到首席科学家

Jakub Pachocki是OpenAI技术演进中的关键人物。出生于波兰的他，在高中阶段就横扫IOI、ACM-ICPC、Google Code Jam等顶尖编程赛事，2012年获得Google Code Jam全球总冠军-6。这位“波兰走出的最聪明头脑之一”于2017年加入OpenAI，迅速成为公司的技术骨干-6。

Pachocki的贡献贯穿了OpenAI多个关键项目：

• OpenAI Five项目：主导算法研究和基础设施搭建，证明强化学习可以在复杂环境中达到人类顶尖水平-6

• GPT-4预训练：在模型预训练阶段承担核心角色，帮助团队在推理能力上取得突破-6

• 推理模型研究：作为o1推理模型的“奠基贡献者”之一，推动AI“思考”能力的发展-2

• 首席科学家角色：2024年5月接替Ilya Sutskever成为OpenAI首席科学家，引领公司下一阶段科学方向-6

Pachocki对AI发展有清晰的愿景：“今天你可以和模型对话，但它仍然只是一个需要引导的助手。我认为未来的主要变化，是让AI能够自主工作数小时甚至数天。”-6这一愿景直接指导了GPT-5和自动化研究员方向的研究。

2.3 工程支柱：不知疲倦的实干家

Szymon Sidor是OpenAI工程能力的代表，也是Pachocki的高中同学和长期合作伙伴-6-10。与Pachocki的理论天赋不同，Szymon更偏向工程落地，在分布式训练系统、调试与优化中发挥关键作用-10。

Szymon的工程贡献包括：

• 大规模训练系统：帮助构建Rapid分布式训练系统，支持OpenAI Five和后续GPT模型的训练-6

• 系统调试与优化：在GPT-4预训练和最新推理模型迭代中，提供关键的工程实现和优化-10

• 实际问题解决：被描述为“不知疲倦的实干家”，常常是最晚离开实验室的人-10

Pachocki评价道：“自己所有的灵感如果没有Szymon的工程实现，很多想法可能只会停留在纸面上。”-10这种科学家与工程师的紧密合作模式，是OpenAI能够将前沿研究快速转化为实用系统的关键因素。

2.4 其他关键贡献者

赵晟佳(Shengjia Zhao) 是ChatGPT研发团队的另一位核心成员。这位清华校友在斯坦福大学获得计算机科学博士学位后，于2022年6月加入OpenAI-2。尽管工作经验仅有三年，但赵晟佳已是多项里程碑突破的关键人物：ChatGPT初始团队成员、GPT-4核心贡献者、OpenAI首个AI推理模型o1的核心研究员-2。2025年7月，他离开OpenAI加入Meta，担任新成立的“超级智能实验室”(MSL)首席科学家，与图灵奖得主Yann LeCun平起平坐-2。

Andrej Karpathy虽然已离开OpenAI，但作为创始成员和研究科学家，他在模型训练、数据集构建和AI教育方面留下了深远影响。2025年10月，他发布的开源项目nanochat引起广泛关注，该项目仅用8000行代码、100美元成本即可在4小时内训练出ChatGPT的简化版本-4-8。这一项目不仅降低了AI研发门槛，也为理解大语言模型训练全过程提供了宝贵教育资源。

表2：OpenAI核心人物及其贡献

人物	角色	关键贡献	技术专长
Sam Altman	CEO	产品战略、资源整合、人才识别	战略规划、生态系统建设
Jakub Pachocki	首席科学家	OpenAI Five、GPT-4预训练、推理模型	算法设计、强化学习、系统架构
Szymon Sidor	研究工程师	分布式训练系统、模型调试优化	工程实现、系统优化、问题解决
赵晟佳	前核心研究员	ChatGPT、GPT-4、o1推理模型	模型训练、推理优化、合成数据
Andrej Karpathy	创始成员	模型训练方法、AI教育、开源工具	模型训练、代码实现、知识传播

3. 研发经验与教训

3.1 技术研发经验

3.1.1 长期主义与技术耐心

OpenAI的成功很大程度上归功于其对基础研究的长期投入和技术耐心。在ChatGPT取得突破前，公司已在大语言模型领域深耕多年，从GPT-1到GPT-3积累了丰富的技术和经验。这种长期主义在快速变化的技术行业尤为珍贵。Mark Chen指出，OpenAI的优势在于专注于基础研究，而不是简单模仿竞争对手-5。公司注重保护基础研究，避免被短期产品竞争所牵制，为研究员提供思考未来一两年重大问题的空间-5。

3.1.2 规模化强化学习的突破

OpenAI在强化学习规模化方面的经验为其后续成功奠定了基础。通过OpenAI Five项目，团队证明了强化学习可以在复杂环境中达到人类顶尖水平-6。这一经验直接迁移到了语言模型的训练中。Jakub Pachocki解释，强化学习的通用性和强大性是其成功的关键：“RL本身是一种非常通用的方法，它是一个极其强大的东西，建立在深度学习这一‘令人难以置信的通用学习方法’之上。”-5 通过将强化学习与语言模型结合，OpenAI创造了能够理解人类语言细微差别的系统。

3.1.3 从评估饱和到能力突破

随着模型在传统评估指标上接近饱和，OpenAI及时调整了研发方向。Jakub Pachocki承认：“我们过去几年中一直使用的这些评估确实已经非常接近饱和。”-5 这一认识促使公司将重点从“提高测试分数”转向“发现新事物”和“在具有经济相关性的领域取得实际进展”-5。GPT-5的研发正体现了这一转变，其价值定位不是“答对多少题”，而是“能不能提出全新解法”-9。

3.2 产品化经验

3.2.1 研究预览策略的成功

OpenAI将ChatGPT最初定位为“研究预览”而非成熟产品，这一策略被证明极为成功。这种定位降低了用户期望，为产品迭代提供了空间，同时允许公司收集大量真实用户反馈。五年时间，ChatGPT从研究预览演变为服务超过8000万周活跃用户的基础设施-7。这一过程展示了如何将前沿研究渐进式地转化为大众产品。

3.2.2 用户体验的持续优化

ChatGPT的用户界面设计简洁直观，降低了使用门槛。OpenAI团队投入大量精力调整预设，以匹配用户对等待解决方案时间长度的预期-5。针对编程场景，GPT-5 Codex优化了“延迟时间”，使简单问题快速答复，复杂问题则花更多时间求最优解，解决了过去“简单题耗时、难题不深入”的失衡问题-9。这种以用户为中心的设计思维，是ChatGPT广泛接受的关键因素。

3.2.3 生态系统的构建

OpenAI逐步构建了围绕ChatGPT的生态系统，包括API服务、企业解决方案和开发者工具。2025年5月，公司推出的“深度研究”功能新增对GitHub代码库的分析能力，允许开发者直接对代码库和工程文档进行技术提问-1。这种生态扩展增强了产品的实用性和粘性，创造了多元化的价值场景。

3.3 组织管理经验

3.3.1 互补型团队构建

OpenAI成功构建了科学家与工程师紧密合作的团队结构。Jakub Pachocki和Szymon Sidor的组合代表了这种互补模式：一位是战略与理论导向的科学家，另一位是工程落地的实干家-10。这种跨越十余年的合作关系，使他们能够将天马行空的研究构想快速转化为实际运行的系统-10。公司鼓励不同背景的研究者合作，物理、数学、金融等非AI背景的研究者也能在OpenAI做出重要贡献-9。

3.3.2 人才识别与培养

OpenAI在人才识别方面有独到标准。Jakub Pachocki表示，他们寻找的不是最“出圈”的人，而是曾经解决过难题的人，具备扎实技术功底并愿意迎难而上的人，哪怕之前的领域不是深度学习-5。公司还推出了“驻留研究员”项目，让物理、金融等非AI背景的研究者快速上手，通过“亲手实现核心成果、在错误中建立直觉”，相当于“加速版博士训练”-9。

3.3.3 持续学习文化的建立

在OpenAI，持续学习是组织文化的重要组成部分。Mark Chen指出：“在OpenAI，你永远不会停止学习。”-9 公司每周都有新突破，研究者必须全力以赴才能跟上，这避免了其他公司常见的“前两年学习、后续进入平台期”的困境-9。这种文化吸引了那些渴望不断挑战技术边界的人才。

3.4 教训与挑战

3.4.1 幻觉问题的持续挑战

尽管ChatGPT取得了显著进展，但“幻觉”(hallucination)问题仍然是技术上的主要挑战。模型可能生成看似合理但实际上不准确或完全虚构的信息-3。OpenAI虽然通过多种方法减少幻觉，但承认这是结构性问题而非可简单修复的缺陷-7。公司在新功能中特别说明将严格遵守组织权限设置，仅访问授权内容，并定位为专家辅助工具而非替代方案-1。

3.4.2 资源限制日益凸显

AI研发对计算资源的需求呈指数级增长，这已成为行业发展的主要瓶颈。训练GPT-4消耗了约50吉瓦时的电力，足够旧金山这样的大城市使用数天-7。Jakub Pachocki明确表示，如果有10%的额外资源，会投向计算，因为“没有研究人员会觉得自己有足够的算力”-5。OpenAI计划中的Stargate项目预计投资5000亿美元建设AI基础设施，提供10-15吉瓦的容量，相当于一个小国的电力需求-7。

3.4.3 数据质量的长期忧虑

高质量训练数据的可用性成为限制AI发展的另一因素。研究估计，高质量、人类生成的公共文本训练数据可能在2026至2032年间耗尽-7。虽然合成数据是可能的解决方案，但也引入了输出多样性减少、偏见放大和模型趋同的风险-7。这一问题促使OpenAI探索新的数据生成和优化方法。

3.4.4 社会适应的复杂性

ChatGPT的快速普及引发了广泛的社会适应问题。学术界面临学术诚信挑战，创意产业担心工作被替代，而公众则对AI的可靠性保持谨慎态度-3。《澎湃新闻》评论指出，ChatGPT构建的世界充满了不确定性，年轻一代对职业前景感到迷茫，而老一辈则担心自己的技能可能变得无关紧要-3。这些社会挑战超出了纯粹的技术范畴，需要跨学科、跨领域的合作来解决。

表3：ChatGPT研发中的关键经验与教训

领域	成功经验	挑战与教训
技术研发	长期主义投入、规模化强化学习、评估体系创新	幻觉问题难解、评估指标饱和、新能力衡量困难
产品化	研究预览策略、用户体验优化、生态系统构建	用户期望管理、多场景适配、安全与能力平衡
组织管理	互补团队构建、特殊人才识别、持续学习文化	人才竞争激烈、研究工程平衡、文化维持难度
资源管理	计算基础设施投资、数据战略规划	算力需求飙升、高质量数据稀缺、能源消耗巨大
社会影响	渐进式引入、多方利益相关者参与	社会适应滞后、伦理挑战复杂、监管框架缺失

4. 启发与借鉴

4.1 技术发展的启发

4.1.1 从规模扩展到能力深化的转变

ChatGPT的发展历程表明，单纯扩大模型规模存在极限，而能力深化是更可持续的发展路径。OpenAI已从追求参数数量转向注重推理能力、专业领域表现和实际应用价值-5-9。这对整个AI行业具有重要启发意义：未来的竞争将更多围绕模型能完成什么具体任务，而非仅仅关注基准测试分数。

4.1.2 强化学习与语言模型的融合

OpenAI证明了强化学习与语言模型结合的巨大潜力。通过RLHF等技术，模型不仅学会了生成文本，还学会了符合人类价值观和偏好-5。Jakub Pachocki强调，强化学习还远未达到瓶颈，未来会变得更简单，就像几年前大家讨论如何构建合适的微调数据集一样-5。这一趋势提示，强化学习将成为提升AI系统实用性和安全性的关键技术。

4.1.3 从工具到自主系统的演进

GPT-5的发展方向展示了AI从被动工具向主动合作者的转变。OpenAI的最终目标是实现“自动化研究员”，让AI能够自主发现新想法、推进科学研究-5-9。这一愿景超越了当前大多数AI应用的设计范式，指向了更加自主、更具创造性的智能系统。Jakub Pachocki指出，衡量这方面进展的“好方法”是观察这些模型实际上可以进行推理和取得进展的时间跨度-5。

4.2 研发模式的借鉴

4.2.1 研究型组织的产品化路径

OpenAI成功展示了如何将前沿研究转化为大众产品。公司保持了研究机构的创新文化，同时开发了符合市场需求的产品。这种双重身份需要精心的平衡：一方面保护基础研究不被短期产品竞争所牵制，另一方面确保研究能够实际影响产品发展-5。Mark Chen强调，产品团队和领导层从不把现有产品当终点，而是和研究团队一起锚定长期目标-9。

4.2.2 敏捷研发与持续迭代

尽管OpenAI从事的是需要长期投入的基础研究，但公司也展现出敏捷研发的特点。ChatGPT最初以“研究预览”形式发布，随后根据用户反馈快速迭代-3。在编程功能开发中，团队根据程序员对等待解决方案时间长度的预期调整预设-5。这种研究与实践的快速循环，是OpenAI能够保持技术领先的重要因素。

4.2.3 开源与闭源的平衡策略

OpenAI在开源策略上采取了渐进式方法。虽然核心模型未完全开源，但公司通过API、研究论文和部分开源项目(如nanochat)分享技术和见解-4-8。这种平衡策略既保护了商业利益，又促进了生态发展和知识传播。特别是Andrej Karpathy的nanochat项目，仅用8000行代码就实现了从数据准备到模型部署的全流程，极大降低了AI研发门槛-4-8。

4.3 资源与可持续发展的思考

4.3.1 计算资源的战略重要性

OpenAI的经验凸显了计算资源在现代AI研发中的核心地位。Jakub Pachocki明确表示，计算资源是当前AI发展的决定性因素：“几年前大家认为会转向‘数据受限’，但事实证明今天依旧处在强烈的计算限制下。”-5 公司正在建设价值数千亿美元的计算基础设施，包括计划中的Stargate项目-7。这表明，未来AI竞争将不仅仅是算法和人才的竞争，更是计算资源的竞争。

4.3.2 能源效率的迫切需求

AI发展带来的能源消耗已成为不可忽视的问题。训练GPT-4消耗的电力足够一个大城市使用数天，而未来模型的需求将更大-7。国际能源署预计，到2030年全球数据中心电力需求将翻倍，达到约945太瓦时，相当于日本当前的电力消耗-7。这促使行业必须探索更高效的硬件、算法和冷却技术，以实现可持续发展。

4.3.3 数据生态的长期建设

高质量训练数据的稀缺性促使行业重新思考数据战略。OpenAI探索了合成数据、数据重利用和数据质量优化等多种方法-5。未来，构建可持续的数据生态系统，包括数据生成、清理、标注和验证的全流程，将成为AI公司的核心竞争力。特别是对于多模态模型和专业化应用，领域特定数据的需求将进一步增加。

4.4 社会与伦理影响的思考

4.4.1 人机协作的新模式

ChatGPT的发展推动形成了“氛围编码”(vibe coding)和“氛围研究”(vibe researching)等新的人机协作模式-5-9。在这种模式下，人类与AI系统形成紧密的创造性伙伴关系，共同解决问题和探索新知识。这种协作模式不仅改变了工作方式，也重新定义了人类创造力的边界和价值。

4.4.2 技能与教育的重塑

AI的普及正在重塑劳动力市场需求和教育方向。Stack Overflow等传统开发者问答平台的流量自ChatGPT发布后下降了约50%-7，表明基础编程任务正在被自动化。同时，与AI协作、指导AI工作、评估AI输出等新技能变得日益重要。教育系统需要相应调整，培养适应人机协作环境的下一代人才。

4.4.3 治理框架的挑战

ChatGPT的快速发展暴露了现有治理框架的滞后性。技术演变速度超过了法律、政策和伦理标准的发展-7。AI系统的透明度、问责制、偏见缓解和权利保护等问题尚未形成广泛共识。构建适应快速变化技术的治理框架，需要跨学科合作和全球协调。

4.4.4 经济影响的不确定性

尽管AI技术迅速普及，但其宏观经济影响尚不明确。目前失业率保持低位，预测的大规模裁员尚未大规模出现-7。AI可能正在发挥“技能放大器”的作用，提升个体生产力而非直接替代工作岗位。然而，这种平衡可能随着技术进一步发展而改变。政策制定者需要准备应对可能的经济结构调整和劳动力市场转型。

表4：ChatGPT发展的主要启发与未来方向

维度	核心启发	未来方向
技术发展	从规模扩展转向能力深化；强化学习是关键驱动力	自主智能系统；跨模态理解；因果推理
研发模式	研究型组织的产品化路径；敏捷与迭代平衡	自动化研究；人机协同创新；分布式研发网络
资源管理	计算资源是核心竞争力；能源效率成为瓶颈	可持续AI基础设施；高效训练算法；绿色计算
社会影响	人机协作模式创新；技能需求重塑	新型教育体系；适应型治理框架；包容性技术发展
伦理治理	现有框架滞后于技术发展；全球协调不足	透明AI系统；可问责机制；跨国治理合作

5. 结论

ChatGPT的研发历程标志着人工智能从实验室研究走向广泛社会应用的关键转折点。通过对ChatGPT产品研发的深度分析，可以得出以下主要结论：

技术演进呈现明确路径：从基于规模扩展的预训练模型，到引入人类反馈的强化学习，再到融合快速响应与深度推理的混合架构，ChatGPT的技术发展展示了AI系统能力提升的清晰路径。未来的发展方向将更加强调模型的自主性、专业领域能力和实际应用价值。

人才与组织是成功关键：OpenAI的成功不仅来自技术突破，更源于其独特的人才结构和组织文化。科学家与工程师的紧密合作、长期主义的研究态度、持续学习的组织氛围，共同构成了OpenAI的核心竞争力。特别是像Jakub Pachocki和Szymon Sidor这样的互补型团队，展示了将前沿研究转化为实用系统的有效模式。

资源挑战日益严峻：计算资源和能源消耗已成为限制AI发展的主要瓶颈。训练先进模型所需的算力呈指数级增长，而高质量训练数据的可用性也面临限制。解决这些资源挑战需要技术创新、基础设施投资和可持续发展战略的结合。

社会适应需要多方协调：ChatGPT的快速普及带来了广泛的社会适应挑战，包括教育改革、就业结构调整、伦理标准制定和治理框架建设等。应对这些挑战需要技术开发者、政策制定者、教育机构和公众的共同努力。

未来展望：随着GPT-5将“自动化研究员”作为发展目标，AI正从被动的信息处理工具转变为主动的知识创造伙伴。这一转变将重塑科研、创新和知识生产的方式。同时，AI系统自主性的增强也带来了新的安全、伦理和治理挑战，需要全社会共同思考和应对。

ChatGPT不仅是人工智能技术的里程碑，也是人类与技术关系演变的重要标志。它既展示了技术创新的巨大潜力，也提醒我们在追求技术进步的同时，必须关注其广泛的社会影响和伦理后果。未来的AI发展需要在能力提升与安全可控、效率优化与包容公平、自主创新与人类主导之间寻找平衡，以确保技术发展最终服务于人类的整体利益。

---

参考文献

1. 凤凰网. (2025). ChatGPT再进化：deep research接入GitHub代码库.

2. 新智元. (2025). 清华校友赵晟佳，出任Meta超级智能首席科学家！GPT-4核心功臣，和LeCun平起平坐.

3. 澎湃新闻. (2025). 世界至今仍未理解ChatGPT.

4. 36氪. (2025). AI Guru Andrej Karpathy's Viral Open-Source Project: Cloned ChatGPT in 4 Hours with 8,000 Lines of Code.

5. 投资界. (2025). OpenAI两位首席最新采访信息量好大.

6. 36氪. (2025). OpenAI真正王牌，不是Ilya，刚刚，奥特曼罕见致谢这两人.

7. Shelly Palmer. (2025). Three Years of ChatGPT: Now the Hard Questions Begin.

8. 电子产品世界. (2025). OpenAI创始成员发布开源项目nanochat，仅需100美元就能实现类ChatGPT.

9. 虎嗅. (2025). OpenAI双巨头首次详解GPT-5，不是下一代GPT，终极形态是AI研究员.

10. 澎湃新闻. (2025). OpenAI真正王牌，不是Ilya！刚刚，奥特曼罕见致谢这两人.

本回答由 AI （DeepSeek）生成，内容仅供参考，请仔细甄别。