袁智翔: 看完对翁家翌的采访，有一种很强的冲击， 他的整个成长路径是通过给自己的大脑设定奖励走出来的。 小学的时候他发现自己做数学题比别人快， 于是就跟着这个正反馈不断点数学技能树。 初中时将投资未来当成奖励， 提前学习高中数学和微积分。 高中是将进入清华设为奖励， 参加竞赛降低应试难度。 到大学根据导师建议，将奖励变成论文、比赛、GitHub Star（三位数以上）， 这个过程中积累到了 RL、NLP、Transformer、MoE 等知识，为后来进入 OpenAI 埋下伏笔。 进了 OpenAI 之后，他将奖励改为 最大化自己的名字出现在 OpenAI Blog 上的次数。 于是他选择做了 RL Infora 里的 post-training 强化学习基础设施， 因为这是所有大模型训练的底座， GPT-4、GPT-4o、GPT-5 都使用这个平台进行训练， 所以每一次重要发布都有他的名字。 这给我一种感受， 奖励什么就会得到什么。 对我来说，可以将奖励从模糊的感觉变成明确的指标， 将指标可视化出来，每天都看，让数据成为奖励。 我最重要的奖励指标是净营收， 以前只能在 stripe 里粗略的看， 噪点很多看不清趋势。 于是我将 stripe 的数据导出来做成报表， 当 7 天平均营收曲线第一次出现在我眼前时， 奖励第一次变得这么具体。