翁荔（Lilian Weng）

概况

翁荔（Lilian Weng）是一位人工智能研究者，公开留下的文字主要在自己的个人博客 Lil'Log 上：她自 2017 年起在那里记录学习笔记^[1]。中文报道称她毕业于北京大学^[2]，并报道了她在 OpenAI 以及后来在 Thinking Machines Lab 的任职变动^[2][3]。

教育与公开记录的起点

公开的中文报道提到她毕业于北京大学^[2]。能够追溯到日期的最早公开痕迹是她的博客：Lil'Log 从 2017 年起记录学习笔记^[1]。这些文章的写法很朴素——把读到的论文和技术材料整理成自己的理解，每篇标上写作日期。把笔记公开写下来有一个附带效果：博客本身变成了一份时间线，可以看出她在某个时间点正在琢磨什么问题。

博客里列出的文章

这些篇目横跨数年，覆盖大模型研究的多个方向。2023 年的篇目里包括《Prompt Engineering》（提示工程，2023 年 3 月 15 日）、《LLM Powered Autonomous Agents》（由大语言模型驱动的自主智能体，2023 年 6 月 23 日）和《Adversarial Attacks on LLMs》（针对大语言模型的对抗攻击，2023 年 10 月 25 日）^[1]。更晚的篇目有《Reward Hacking in Reinforcement Learning》（强化学习中的奖励黑客，2024 年 11 月 28 日）、《Why We Think》（我们为什么思考，2025 年 5 月 1 日）和《Scaling Laws, Carefully》（谨慎对待规模定律，2026 年 6 月 24 日）^[1]。

这些题目在讲什么

把这些标题放在一起看，它们对应的是几个不同的问题。提示工程指的是设计和调整喂给模型的文字——指令、示例、格式——让模型更容易给出想要的结果。所谓「由大语言模型驱动的自主智能体」，是把模型放进一个会自己规划步骤、决定调用哪些工具、并根据中间结果反复修改的系统里，而不是一问一答就结束。针对大语言模型的对抗攻击，指刻意构造的输入，目的是让模型出错：泄露提示词、绕过限制或者给出错误答案。强化学习里的奖励黑客，指策略找到了能拿高分的做法，但那种做法并不是设计者想让它学会的行为——分数上去了，想要的行为没有出现。规模定律描述的是模型表现如何随参数、数据和算力的增长而变化，「谨慎对待规模定律」这样的标题意味着对这套关系作更小心的检视。至于「我们为什么思考」，它属于另一类问题：模型在给出答案之前先写出中间步骤，为什么往往比直接作答做得更好。

日期和题目一样重要。把篇目串起来，主题从提示工程、智能体，延伸到对抗攻击、奖励黑客，再到推理与规模定律^[1]——也就是从「模型怎么用」，到「模型怎么被攻击」，再到「模型怎么训练、怎么评估」。

任职经历

2024 年 11 月，她宣布离开工作近七年的 OpenAI^[2]。2026 年 7 月的报道称，她以健康原因离开 Thinking Machines Lab，7 月 29 日是该公司的最后一天，之后她回到 OpenAI，从事「帮助构建更好的 AI 系统的 AI 系统」方向的研究^[3]。这个说法指向的是一类具体工作：让 AI 系统参与改进 AI 系统本身。

她在这份记录里的位置

她公开留下的主要东西不是某个具体模型或产品，而是写作。这类博客的价值是累积的：每篇文章固定下一个题目、一个日期和一套解释，几年之后读到的人仍然能看清当时这个问题是怎么被提出的。日期本身也说明了一件事：2024、2025、2026 年都有新文章^[1]，正好覆盖报道中她离开 OpenAI 又回到 OpenAI 的这段时间^[2][3]。