人生也是如此。我们最初通过模仿学习（学校教育）来引导自己，这非常合理。但即使在我毕业后，仍有一个习惯：研究别人如何取得成功并试图模仿他们。有时会奏效，但最终我意识到，我永远无法完全超越他人，因为他们是在发挥他们的优势，而这些优势我可能并不具备。这可能是某位研究人员比我更成功地进行大胆尝试（运行 yolo），因为他们亲自搭建了代码库而我没有；或者一个非 AI 的例子：一位足球运动员利用我不具备的力量优势保持控球权。
进行同策略 RL 带来的启示是：要超越前辈（beat the teacher），必须走自己的路，承担风险并从环境中获取回报。例如，比起一般的研究人员，我更喜欢做两件事：(1) 大量审阅数据，(2) 进行消融研究以理解系统中各个组件的作用。有一次在收集数据集时，我花了几天时间审阅数据并给每位人类标注员提供个性化反馈，之后数据质量变得极佳，并且我对要解决的任务获得了宝贵的见解。今年早些时候，我花了一个月时间回溯并逐一消融研究之前在做深度研究时尝试做的每个决策。这花费了相当多的时间，但通过这些实验，我学到了关于哪种类型的 RL 效果好的独特经验。发挥自己的热情让我更有满足感，而且我现在感觉自己正走在为自己和自己的研究开辟一片更强大天地的道路上。
Jason Wei 是思维链（Chain of Thought，CoT）概念开山之作 ——「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」的第一作者，本科毕业就加入了谷歌。在那里，他推广了思维链提示概念，共同领导了指令调优的早期工作，并和 Yi Tay、Jeff Dean 等人合著了关于大模型涌现能力的论文。
