今天推文分享的是，OpenAI Deep Research团队产品负责人Isa Fulford和Josh Tobin的最新播客采访，能接受英文播客的同学们，可以去网络上搜索 《OpenAI’s Deep Research Team on Why End-to-End Training is the Future of AI Agents》。

接下来是播客的笔记解读：

一、Deep Research：不只是另一个搜索工具

给不熟悉这块的同学介绍一下背景，Deep Research是OpenAI继Operator之后推出的第二款Agent产品。与普通的ChatGPT不同，它能够搜索网站，使用代码工具，创建全面的研究报告，快速完成需要人花费数小时才能完成的任务。

Josh Tobin在采访中表示：“Deep Research不仅仅是为了节省时间，而是让那些原本需要花费数小时甚至数天的任务变得可行，让用户能够在几分钟内获得他们所需的90%的信息。”

二、端到端训练：AI Agent的未来方向

Deep Research最核心的突破是端到端的训练方法。传统的Agent构建方式通常是构建一个操作图表，其中一些节点是语言模型，但整体逻辑由人类定义，也就是workflow（工作流）。而Deep Research采用了完全不同的方法。

Josh Tobin表示：“在这个领域，人们反复学到的一课是，我们认为自己能通过手写代码做得比模型更聪明，但实际上，随着领域的发展，模型往往能提出比人类更好的解决方案。”

到这里，感觉R1的训练方式是不是就突然涌入脑海了？

还是简单说下，传统工作流构建的局限性，常见的分为2大类，独立优化、难以应对复杂场景。

• 各组件独立优化，缺乏端到端协同
• 无法直接针对最终目标进行优化
• 人工定义的逻辑限制了模型潜力
• 人类很难预测所有可能的情况
• 无法灵活应对意外情况
• 决策节点的模型未经专门训练

看完这几点，这似乎跟新能源厂商在吹的端到端智能驾驶一个样子~

三、Deep Research的技术原理

Deep Research由OpenAI的最先进推理模型o3微调而来，专门针对困难的浏览任务进行了训练。

技术核心：

1. 高质量训练数据

• 团队投入大量精力构建高质量数据集
• 数据质量是决定模型最终表现的关键因素

2. 端到端优化

• 直接针对最终任务进行优化
• 模型能够学习灵活的研究策略
• 能够根据实时网络内容反馈调整策略

3. 工具集成

• 浏览网络工具和Python工具无缝集成
• 模型通过训练学会了如何有效使用这些工具

Isa Fulford解释说：“Deep Research的特别之处在于，通过端到端训练之后，模型能够学习到许多在研究过程中无法预先预测的行为。我不认为仅靠编写语言模型程序或脚本能达到这种灵活性。”

四、令人惊讶的使用案例

Deep Research的应用范围远超团队最初的预期。除了预期中的商业研究和学术探索外，twitter上用户还发了很多的创新用途：

1. 医疗应用

• 医生用它查找特定疾病的最新文献
• 帮助患者寻找临床试验
• 整合罕见病例的信息

2. 编程辅助

• 查找最新的软件包文档
• 解决复杂的代码问题
• 整合多个代码库的信息

3. 个人教育

• 创建个性化学习材料
• 深入研究特定主题
• 整合多个来源的知识

4. 消费决策

• 比较产品的详细信息和评价
• 查找难以获取的产品信息
• 规划复杂的旅行行程

Isa Fulford分享了一个案例：“我一个朋友的父亲有一个非常具体的问题，关于某个奥地利将军在某次战役中的情况。ChatGPT之前回答错了，他去公共图书馆查证后发现确实错了。而Deep Research能够正确回答这个问题，这让他非常兴奋。”

五、Sam Altman的态度

奥特曼对Deep Research的前景非常乐观，他认为这款产品将"占据知识任务的显著份额"。也表明OpenAI对Agent技术的长期愿景。

Josh Tobin解释：“Deep Research不是要取代你的工作，而是让你能够节省大量时间。对于那些需要花费大量时间查找信息并得出结论的知识工作者来说，它将带来超能力。”

六、强化学习：Agent技术的回归

播客中，Josh Tobin还谈到了强化学习在Agent开发中的重要性。他表示：“强化学习正在回归。现在我们有了在海量数据上预训练的语言模型，知道如何通过监督微调使它们擅长指令遵循。现在这些都运行良好，是时候通过强化学习针对特定用例进行调优了。”

这一观点同Yann LeCun的"蛋糕类比"一致：无监督学习是蛋糕本身，监督学习是糖霜，而强化学习是顶部的樱桃。Josh认为，过去我们试图在没有蛋糕的情况下添加樱桃，而现在基础已经具备，强化学习将发挥关键作用。

七、OpenAI的Agent路线图

Deep Research只是OpenAI Agent战略的一部分。团队透露，未来的发展方向包括：

1. 扩展数据源

• 除了公共信息外，还将支持搜索私有数据
• 增强浏览和分析能力

2. 能力整合

• 未来的Agent将整合多种能力
• Deep Research和Operator只是开始

Josh Tobin表示：“我们的配方是，你拿一个最先进的推理模型，给它访问人类用来完成工作的相同工具的权限，然后直接针对你希望Agent能够完成的结果进行优化。这个配方没有什么能阻止它扩展到更复杂的任务。”

八、最后

从OpenAI Deep Research的成功可以看出，端到端训练正在成为构建高性能AI Agent的关键方法。这不仅是技术路线的选择，更是对AI发展方向的重要指引。

Josh Tobin提到：“机器学习的第一课是，你得到的是你优化的结果。如果你能够设置系统，直接针对你想要的结果进行优化，结果将比拼凑未经端到端优化的模型好得多。”

---

九、如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】