John Schulman
Co-founder at Thinking Machines
Spoluzakladatel OpenAI. Vynálezce PPO (Proximal Policy Optimization). Vedl RL výzkum v OpenAI. Nyní buduje Thinking Machines.
O John Schulman
John Schulman je spoluzakladatel OpenAI a jeden z nejvlivnějších výzkumníků v reinforcement learningu. Vynalezl PPO (Proximal Policy Optimization), algoritmus, který poháněl hodně raného OpenAI úspěchu včetně RLHF. Nyní buduje Thinking Machines.
Kariérní milníky
- Thinking Machines (2024-současnost): Spoluzakladatel
- OpenAI (2015-2024): Spoluzakladatel, vedl RL research tým
- PPO (2017): Vynalezl Proximal Policy Optimization, stal se standardním RL algoritmem
- RLHF: Klíčový přispěvatel k reinforcement learning from human feedback
- Berkeley PhD: Studoval pod Pieter Abbeelem
Významné postoje
K ChatGPT speed run
“With full hindsight, you could probably do something back in 2018 or 2019 with a few people that would get to GPT-3.5 level.”
Překlad: “S plným hindsightem byste mohli pravděpodobně udělat něco zpět v 2018 nebo 2019 s pár lidmi, co by dostalo na GPT-3.5 úroveň.”
K neúspěšným projektům
“Universe was a deeply correct idea but way too early - maybe a decade too early.”
Překlad: “Universe byl hluboko správný nápad, ale cesta příliš brzy - možná dekádu příliš brzy.”
K používání AI pro výzkum
“If I have an idea now, I fire off a bunch of questions to GPT-5 Pro and have it do literature searches.”
Překlad: “Pokud mám nápad nyní, vystřelím spoustu otázek na GPT-5 Pro a nechám ho dělat literaturní vyhledávání.”
Klíčové citáty
- “GPT-3.5 úroveň v 2018-2019 s pár lidmi a plným hindsightem.”
- “Universe byl dekádu příliš brzy.”
Související články
- Scaling Laws - Co Schulman pomohl objevit
- Ilya Sutskever - Kolega spoluzakladatel OpenAI
Video Mentions
ChatGPT speed run
S plným hindsightem byste mohli pravděpodobně udělat něco zpět v 2018 nebo 2019 s pár lidmi, co by dostalo na GPT-3.5 úroveň. NanoGPT byl naprogramován jednou osobou na jednom boxu za půl roku.
Neúspěšné projekty, které byly správné
Universe byl hluboko správný nápad, ale cesta příliš brzy - možná dekádu příliš brzy. Snažili jsme se vytvořit mnoho RL prostředí a joint train na všech. Systém byl neohrabaný a modely negeneralizovaly.