OpenAI 的全部动态：GPT 系列模型、ChatGPT 与 Sora 产品、公司战略与人事的持续追踪。
OpenAI 发布分析称，自 2012 年以来最大规模 AI 训练运行使用的算力每 3.4 个月翻倍，同期累计增长超过 300,000 倍。相比之下，摩尔定律 2 年翻倍的周期只会带来约 7 倍增长。OpenAI 指出算力提升是 AI 进步的关键组成部分，呼吁为远超当前能力的系统做好准备。
推荐理由：原文用 3.4 个月翻倍、增长超 300,000 倍的算力曲线对比摩尔定律，为预判远超当前能力的系统提供了量化参照。
OpenAI 创建的 bot 在标准锦标赛规则的 Dota 2 1v1 比赛中击败世界顶级职业选手。该 bot 完全通过自我对弈从零学习，未使用模仿学习或树搜索。OpenAI 称这是朝向在涉及真实人类的复杂混乱情境中完成明确目标的 AI 系统迈出的一步。
推荐理由：该 bot 仅靠自我对弈从零学会 Dota 2，未使用模仿学习或树搜索，可作为复杂环境下目标导向 AI 系统的参考路径。
OpenAI 发布新强化学习算法 Proximal Policy Optimization（PPO），性能与 SOTA 方法相当或更好，且实现和调参更简单。PPO 因易用性和良好性能已成为 OpenAI 的默认强化学习算法。
推荐理由：原文给出 PPO 与已有强化学习算法的性能对比和易用性说明，可帮助读者判断是否将其作为默认训练算法。
OpenAI 与 DeepMind 安全团队合作开发了一种算法，通过让人类在两种行为之间做出选择来推断人类意图。其目标是为安全 AI 系统移除人工编写目标函数的需求，避免用简单代理替代复杂目标带来的危险行为。
推荐理由：原文介绍了与 DeepMind 安全团队合作的偏好学习算法，读者可据此理解用人类偏好替代手写目标函数这一对齐思路的早期形态。
OpenAI 打造了一套完全在仿真中训练并部署到实体机器人上的机器人系统，只需看一次演示就能学会新任务。
推荐理由：该系统先在仿真中完成训练再部署到实体机器人，为具身智能的仿真到现实迁移提供了可参照的路径。
OpenAI 发现进化策略（ES）这一经典优化技术在 Atari/MuJoCo 等现代强化学习基准上可媲美标准强化学习方法，同时规避了强化学习的诸多不便。ES 是一种已存在数十年的优化技术，该研究表明其可作为强化学习的可扩展替代方案。
推荐理由：原文将进化策略与标准强化学习在 Atari/MuJoCo 基准上对比，读者可据此判断这一经典优化方法在扩展性上的优势。
OpenAI 发布 OpenAI Gym 公开测试版，这是一个用于开发和比较强化学习（RL）算法的工具包。它包含一套不断增长的环境（从模拟机器人到 Atari 游戏），以及一个用于比较和复现结果的网站。
推荐理由：原文介绍了 OpenAI Gym 公开测试版的核心功能，它为强化学习算法提供了从模拟机器人到 Atari 游戏的标准化环境与结果比较平台。
OpenAI 宣布以非营利人工智能研究公司的身份运作，目标是推进数字智能、造福全人类。由于不受财务回报约束，其研究能更好地聚焦于对人类的积极影响。https://openai.com/index/introducing-openai
推荐理由：原文阐明了 OpenAI 以非营利模式推进数字智能的初衷，为了解其早期定位提供了背景。