# 亲历中美neo labs资本狂潮，和清华刘子鸣聊：AI for AI、机制可解释性和Max Tegmark > 张小珺商业访谈录 No. 149 精读 - 发布日期：2026-07-30 - 主持：张小珺 - 原节目：https://www.xiaoyuzhoufm.com/episode/6a69b07eb581962ce2bd4d97 - 网页版：https://zhangxiaojun.qiaomu.ai/ep/6a69b07eb581962ce2bd4d97.html - 精读字数：约 10209 字（阅读约 23 分钟） > 本文为 zhangxiaojun.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。 2026 年 3 月，刘子鸣从波士顿回国。4 月底入职清华大学人工智能学院，5 月底开始见投资人。三件事挤在三个月里，他给这段经历的总结只有四个字：太疯狂了。 他的履历在这一轮一级市场里很好用。北大物理本科，MIT 博士，导师是 Max Tegmark，KAN 网络一作，在斯坦福做过半年神经科学与 AI 的博士后，现在是清华人工智能学院助理教授、上海期智研究院 PI，同时担任元环智能首席科学家。这家公司做 AI for AI，目前还没有产品。 张小珺这期播客聊的是 2026 年中美同时涌现的一批 neo labs：年轻、有名校科研背景、第一次创业、产品还没影就能拿到数亿美金估值。当下资本最活跃的两个方向是世界模型和 AutoResearch，后者也叫 AI for AI。刘子鸣给出的路线有点绕：先做 AI 的物理学，再用 AI 加速这门物理学，最后让这门物理学反过来设计 AI。他把这条路径拆得很细，也把一路上不顺利的地方讲了。 ## 物理的盛宴已过，GAN 接住了他 0:02:00 物理对他的吸引力很纯粹：美，智力上足够难。读到高年级，他听到高能物理圈里那句老话，盛宴已过。留给年轻人的问题不多了。比他高一级的姚顺宇本科期间发了两篇 PRL，在同学嘴里是传说。理论这条路，他比不过。 转去做实验也不顺。他参加过磁流体方向的科研，搞得满手满脸都是，后来得出一个结论：进实验室只会让事情变得更混乱。 2017 年，大二，他注意到 GAN。生成对抗网络做出来的东西很 fancy，数学上又没有想象中那么难，正对他的兴奋点。他不想轻易扔掉物理背景，所以先做 AI for physics，具体方向是高能物理的唯象学。 唯象这个词他解释得清楚：既不完全理论，也不完全实验，是嫁接理论和实验的桥梁。这段训练跟后来做 physics of AI 的方法论很像。 2022 年底 ChatGPT 出来，他把 AI 和物理的位置对调了。以前是 AI 服务于物理，之后是物理服务于 AI，用物理学的方法论和思想去理解 AI、设计 AI。导师 Max Tegmark 从 2012 年就在讲 AI for physics，2022 年底又最早一批转向机制可解释性。 他申请 MIT 时，研究计划里写的就是 AI for physics。整个物理系只有 Max 看了材料，说这个人我要招。Max 看的是他个人网站上那张图，一张把各种研究兴趣连起来的八卦图。Max 本人是经济学本科转物理，兴趣发散，聊一小时能跳五到十个话题。 Freeman Dyson 把科学家分成鸟人和蛙人。鸟人每个领域懂一点，能看到不同领域的结构性相似，把一个领域的方法搬到另一个领域；蛙人把一个领域挖得很深。**刘子鸣说自己和 Max 都是很典型的鸟人。**鸟人的时间主要花在找更高层级的比较和抽象上。 ## KAN 是 side project，Max 一开始不同意 0:10:24 2022 年底，Max 在组里宣布换方向，从 AI for physics 转向机制可解释性。理由是大语言模型太危险，要保证安全就得先理解它内部怎么工作。 KAN 是刘子鸣的 side project，一开始 Max 不同意。Max 甩给他一篇 1989 年的论文，作者是 MIT 的 Tomaso Poggio。论文说的是 Kolmogorov 和 Arnold 提出的那个数学定理没办法变成真正的算法，在最坏情况下找不到严格的两层光滑表征。前提加了一堆限制条件。 他的反应很物理：物理学家不太 care 最坏情况，我们关心一般情况，关心它在某些场景里有没有用。他顺手引了一句统计学老话，所有模型都是错的，但有些模型有用。他还补了一个宇宙论式的理由：人能演化出来，还能在这里问自己是不是活在最坏的宇宙里，说明这个宇宙还不错。 两周，原型做出来了。Max 还是不满意，说你造了个黑盒，我不知道它内部发生了什么。Max 要可视化。那会儿他还不相信 coding agent，代码一行一行手搓，花了一周。同样的活现在大概一小时就够。图做出来，Max 说 awesome，他是超级视觉动物。刘子鸣也承认自己必须看到一个东西才会相信，脑子里有图像倒不出来就难受。 事后他才知道，自己写出的那个方程就是 1957 年 Kolmogorov 和 Arnold 的方程。他从另一个角度抵达了它：一个网络能不能同时是一个符号公式，像波粒二象性。这个执念从 2021 年就在。AI 是连接主义的、神经的，物理是符号的，两个世界不统一，他难受。 本科毕业时他发了三篇文章，两篇跟高能物理相关，还有一篇用物理里的想法设计了一个更好的采样器或者说优化器。画风整体还偏物理。2020 年申请季，AI for science 在 MIT 物理系还是个有点遥远的说法。 ## 模型设计该成为一门科学 0:18:21 KAN 成功之后，他没去想怎么把 KAN 应用到各种场景。他想的是怎么复现提出一个新架构这件事。Transformer 是拍脑袋拍出来的，GAN 是，ResNet 是，KAN 也是。这套做法不 scalable。**该被 scale 的不只是 compute 和 data，还有模型设计本身。** 他也同意谢赛宁那个判断，大语言模型是反 bitter lesson 的。LLM 的成功点在语言，不在模型。语言是人类演化了百万年、被压缩得极好的一个模态，谁把这个馈赠吃下去，谁就是好模型。Transformer 牛在 attention 让信息在上下文方向高效传播，ResNet 牛在深度方向的高效梯度传播，牛的不是名字。平行宇宙里换一个模型，只要具备同样的信息传播效率，可能一样好。 视觉这类模态没有被压缩好，所以世界模型公司面对的真问题是怎么造一个能学抽象表征的模型。人在这件事上极强。世界的变量太多，祖先要活下来，必须在海量信息里挑出最重要的两件：那里有果子，摘下来今天不饿；那里有只老虎，别被它发现。这种抽象能力，现在的 AI 还不具备。所以他判断，后 LLM 时代模型设计会变得更重要。 符号在这个框架里是极致压缩。能符号化，意味着能用极小的东西描述大量数据。他用天文学的三段讲这件事。第谷大量记录星星在什么时候、出现在什么地方，这是数据阶段；开普勒拟合出行星轨迹是椭圆，有了经验公式；牛顿把开普勒三大定律拿过来，说你们仍然不本质，我一个引力公式可以把你们全部预测。每往后一步，压缩率更高。 对应到 AI，scaling law 大致相当于开普勒定律的地位，是我们为数不多知道的经验规律。乐观估计，我们在第 1.5 阶段；悲观一点，0.5。第谷好歹把观测仪器对准了整片星空，现在的 AI 研究过早收敛到 transformer 这一片星区，大家盯着它，觉得太美妙，失去了探索其他架构的动力。用他的说法，我们可能连大数据时代都还没到，现在的数据只对很少几类模型有效。 他自己那条主线，事后才看清：嫁接神经和符号两个世界，说得更宽一点，嫁接 AI 和自然科学。人居住在自然里，很擅长预测抛出去的东西下一刻在哪，这一部分靠神经；物理学靠符号。AI for science 是嫌科学太符号，用神经的东西去补；science of AI 是嫌 AI 是黑盒，用符号和科学的东西去描述它、改进它、设计它。 他也提醒，这个符号化的信念在松动。去年问他 AI 的物理学怎么做，他会说最后一定符号化。做得多了，他承认做出一个预测器就够了，物理的终点也是预测，预测器可以是神经网络，不必是一条公式。符号仍然是他个人的执念，因为符号更可解释，也把经验科学变成理论科学。 ## 在 MIT 觉得创业是骗钱，去斯坦福六个月开智 0:28:00 2024 年在 MIT，他的同学觉得湾区那帮做 agent 的都在骗钱。他到 2025 年 5 月拿到清华 offer，心态还是要在学术界做出有影响力的工作，不跟工业界同流合污。用他的话说，那时候还没脱下孔乙己的长衫。 MIT 的信仰很具体：五年写出 AI 的物理学。有了它，现在投入的很多资源都是浪费，因为可以从第一性原理推出最优架构。带着这个信仰看工业界，结论自然是你们就是有钱。 斯坦福六个月把他打开了。他有个很要好的朋友高文浩，MIT 同学，做 AI for chemistry，两人在 MIT 时画风相近，都瞧不上创业和大厂。到斯坦福做博后，两周，高文浩说我要创业了。之后每周吃饭，话题从学术变成怎么创业。 真正刺激他的是 peer。一个风格跟你很像的人，做了你以前觉得危险、觉得自己做不到的事，你会怀疑自己是不是太待在舒适区。 另一个刺激来自他的博士后老板 Andreas Tolias，全球做神经科学 foundation model 最顶尖的几个人之一。他目睹一个 startup 从秘密筹划到 announce，就在他离开前一个月。Tolias 是很 pure 的科学家，做这个选择的原因很朴素：猴子和小鼠的实验需要很贵的仪器，公司里做的事跟学校差不多，只是多了商业化这一层。投资人还给了三年时间不用考虑商业化，因为养猴子、采数据的周期省不掉。 Tolias 邀请他加入，他拒绝了。理由是想按自己的意志推早期研发，技术 DNA 得是他原生的想法。他承认这里有学术圈的控制欲，想要这个想法是我原创、是我提出来的。 他给自己的位置做了个定位。 > 我比工业界的人更学究，比学术的老学究更疯狂。 疯狂的依据是时间尺度。物理学从亚里士多德到现在两千年，从牛顿到现在四百年。靠古法科研去做 AI 的物理学，招十个学生、一百个学生，都不 scalable。他说这条路径最终能做成，但时间线不是他在有生之年能看到的那一种。所以要把 insight 的生产过程 scale 起来。 他希望 AI 的物理学先产出 understanding 和 insight，最后闭环到提升模型，这一步不能跳。现状是想一百个想法，可能一个 somewhat work。有了理解，一百个想法里可能有三个 work。 ## 太疯狂了：neo labs 的本质与融资体感 0:37:11 2026 年，中美两边同时冒出一批 neo labs。刘子鸣的解释很直接：这是个顶尖人才的选择题。留在学界，去大厂模型厂当大头兵，或者自己出来单干。选第三条路的人变多，跟范式逐渐收敛有关。大家不想做大头兵，也都相信自己看到的那个痛点值得单独立一个项目。 他给 neo labs 找到两个具体切口。一个是 AutoResearch，也就是 AI for AI，coding agent 这条路往下走有 missing part，研究这件事的结构没有被很好地结构化。另一个是世界模型，它需要设计真正新颖的架构，靠堆资源和工程推不动。共同点是都需要六到十二个月甚至更长的研究驱动期。 他 5 月底开始参与融资，体感是这样的。 > 就是，太疯狂了。 疯狂的具体表现是一级市场非常活跃。所有人都在相互打探消息，投项目的动作非常快，close 非常快。融资结构也在变，上一轮投资人没进来，就开下一轮；下一轮投资人又没进来，再开一轮，种子轮加加加可以一直加下去，形成连续融资的状态。他提到很多投资人会把元环智能归到 AI for science 下面，因为 AI for AI 最终要 for 一个东西，可以是 world model，也可以是 science。 回国这件事他算过账。做 auto research 需要高人才密度，要带小天才。他在 MIT 带过二三十个本科生，体感是平均水平远不如清北的本科生。加入清华，顺带从北大薅一些学生，相当于把全世界最聪明的学生聚在一起。现在他在期智研究院带十几个学生，评价是都非常顶级。 ## 更勤奋的 AI 与更聪明的 AI 0:46:51 田渊栋在硅谷创办 RSI（Recursive Superintelligence），也做 AI for AI。刘子鸣依据对方公开发布的博客做判断：那条路线更像 coding agent 的改进，做一个更勤奋的 AI，行动力超强，可以不停迭代。他自己想做的是更聪明的 AI，提三次想法就有一次能 work，而 coding agent 可能是提一百个想法才中一个。他把两个方向看成正交，最终会在某个地方合起来。 他也说过一点危机感。田渊栋本人挺支持 science of AI，两人聊过，taste 很相近，从之前关于 grokking 的研究就能看出来。**如果 RSI 的路线最后变得跟他相似，那一定是田渊栋先做出来。**但他还是想按自己的意志推。 这个执念有个明确的起点：他把自己当成模型训练了 60 天。每天随机拉一个数据集、随机拉一个模型做训练，做实验之前先问自己，你来预测这条训练曲线会长成什么样。前二三十天他连趋势都预测不对。到四五十天，他发现自己变准了，甚至前几天做语言相关实验，今天做视觉相关实验，也能预测得八九不离十。 为什么准，他说不清楚。脑子里那套东西写不成自然语言，可能是一种视觉的 reasoning，也可能发生在隐空间。但这次近似苦行僧的人体实验让他相信，原模型是可能的。 他给原模型的定义很直白：输入是一个模型，加上数据集、优化器这些信息，输出是这个模型的训练曲线。也就是预测 next curve。世界模型预测下一个 state，语言模型预测 next token，他预测下一次实验的结果。 动机还是 AI 的物理学。只要你能预言之后会发生什么，你就一定掌握了某种关于 AI 的世界模型。问题在于人一次只能做一个实验，一天最多两个，带宽就这么大。模型一个 batch 能看几千组。他算了笔账：按他这种日复一日的自我训练，可能要练一千年才能到某个程度，而人活不了那么久。所以要把自己外化，拷一份出来。这份拷贝不需要睡觉、不需要吃饭、没有情绪，任务就是看各种各样的实验并预测结果。他自己四五十次出现顿悟迹象，原模型的抽象能力没那么强，可能要四五百次，多花点算力无所谓。 原模型是 AI for AI 的一条技术路径。手上一百个架构不知道试哪个，把架构作为输入，原模型先预测性能，一百次预测很便宜，能给出一个排序。最后还是要做真实验，但筛选想法的成本下来了。 训练数据是模型本身，这一点最绕。他要先训练大量小模型，拿到每个模型的训练曲线，构成模型与曲线的 pair，再用监督方式训练原模型。贵的部分不是超大集群，卡间通信要求没那么高，贵在要造出大量多样性足够的小模型，包括很多看起来奇怪的架构。目标是让原模型见过足够多怪东西，帮人跳出 transformer 现在的 local minimum。终极目标是下一个 transformer 由原模型预测出来，不再靠人拍脑袋。 中间目标更务实：先把 research 结构化。他借用 bitter lesson 的框架，短期数据不够就要引入结构，长期数据多了结构可以撤掉。研究领域现在的结构化数据太少，所以要先手工造结构。 他给这套方法论起了个缩写，OPHIS：observation、problem、hypothesis、intervention、speed up。观察到一个现象，这个现象预示系统里可能有什么问题，针对问题提出假设，假设告诉你下一步做什么操作，操作是否真的带来训练提升。他认为所有论文都应该按这个结构组织，哪怕真实的研究过程是在不同节点之间来回跳。 > 我觉得研究品味、研究直觉其实是一个遮羞布。 他解释这句话：我们聪明到能提出一个想法，却没聪明到能用语言说出自己是怎么提出这个想法的，于是把它包装成品味、直觉、灵光一现。他举善战者无赫赫之功，最顶级的人提想法像呼吸一样简单，因为他有一套可复用的系统。他一直在有意识地追问自己是怎么想出好想法的，这件事对他很难，因为他的思维偏视觉，脑子里先有图像，美术又不行，只能靠做出来给人看。所以思维链一定能被说出来一部分，说不出来只说明拷问自己不够深。另一条路是等脑科学进步到能读脑电波，眼下只能拷问。 数据从哪来。一是论文，但可能只有百分之一的 AI 论文结构化得不错，朱泽源等人的工作是他举的好例子，推理链清楚。他补了一段行内心理：很长一段时间里，大家把展示思维链当成耻辱，你要显得厉害，就要让别人觉得不可琢磨，公式直接写下来，说这是我梦到的。二是自己采集，他和学生讨论 project 时常常感觉思维链没有被记录下来，而做 auto research 最缺的正是这种数据。他们正在做一个偏流程化的采集工具，做下一个实验之前必须强迫你写一段话，评价之前干了什么、得出什么结论，才能进入下一个实验。 规模上他给了个粗略估算：二十个学生加员工，一人一天十条，一天两百条，两个月一万条，差不多可以开始训一个模型来蒸馏自己。第一步的模型还不是原模型，它做 next action prediction，界面像科研版的我的世界。学生卡住了，调用子明 model，看子明在这个位置会怎么做，不用本人在场也能拿到同等水平的反馈。他也承认路线每周都在改，甚至每小时都在改，这期节目上周录，讲法会不一样。 他反复强调自己不那么 care 生产 paper。博士期间他是个 paper machine，知道写出来真正有价值的就那么几个点。研究的第一性原理是拓展自己的知识图谱，paper 是知识图谱溢出之后的产物，脑子里装不下才写出来分享。有些 AI for AI 公司更像 paper agent，那不是他的目标，他要的是积累 AI 的物理学 insight，形成知识库，帮人在未来系统地设计更好的架构。 ## 空间、时间、平行宇宙，以及这个黑盒要撬到什么程度 1:04:20 他把 physics of AI 拆成三个方向，都从我们所居住的宇宙出发。 空间上看更细：不只看模型端到端的行为，也看内部神经元和内部表征有什么特性，像解剖。 时间上看更细：不只看模型最后时刻的表现，也看它怎么演化来。他引了一句生物学名言，nothing in biology makes sense except in light of evolution。生物也是黑盒，但从演化角度看祖先某时刻没上陆地、一直待在水里，人能获得一些启发。 第三个方向他叫平行宇宙，来自 Max Tegmark，他是平行宇宙理论的提出者之一。说白了就是控制实验。两个培养皿里的细菌，互相看对方就是平行宇宙。换到 AI，调一组超参得到一个模型，换一组超参得到性质不同的模型。朱泽源做 physics of LLM 时大量用相图，这个概念在物理里很常见：同样是水，压强温度不同就是不同的相。AI 里也有很多相，训练动力学就有。 这块观察很有用。我们手里那些 know how，什么 trick work、什么 trick 不 work，很多时候只对某个相成立。实验待在这个相里它 work，出了这个相就不 work，另一个 trick 才 work。现在混乱的地方在于，所有人都在说我的 trick work，没人回答它什么时候 work。**physics of AI 的任务就是把每个 trick、每个架构的适用条件理清楚。**no free lunch 定理早就说了，没有一个方法在所有数据集、所有任务上更好。做出来一个东西就到处卖，忽视它的适用条件，这是他的原话里最不客气的批评。 机制可解释性走到哪一步，他给了具体的判断。Anthropic 走得很激进，想理解单个 neuron 在干什么，比如找到说脏话的 neuron，把它关掉，模型就不说脏话了。他觉得这类例子很不稳健，换一个随机数种子，那个网络上可能就没有这个 neuron。他们用 sparse autoencoder、transcoder 把叠加在一起的高维表征拆到高维但稀疏的空间，抽出原子的概念。他承认里面有 wishful thinking。 他也有资格这么说。2022 年底到 2024 年初，他们组做的正是同一套 approach，知道里面的水分。Anthropic 可解释性团队里有人来自他们组，包括他带过的本科生，做过 Claude 如何做加法那类任务，那是他们组一篇论文的延伸。他自己的体会是，这些故事很有趣，问题在于 beyond that 还有什么。解释得太微观，换一个种子故事就变了，不 robust。所以他不认为 physics of AI 一定要做到 neuron 级别。 有意思的是他对机制可解释性的态度变了。以前觉得这东西需要几百年，因为没法自动化。放到 AI for AI 的框架下，自动化一旦成立，进展可以很快。唐杰说要投百亿级资源进机制可解释性，半年前他看到会觉得这是在干嘛，现在觉得目标是对的，从前不 promising 只是因为太难。 AI for AI 的关键节点，他给了个可以验收的标准：在一个垂直领域，不需要通用，提出一个新架构，碾压已有架构，而且能拿到人的 endorsement，大家都说这个架构很精妙。他马上补了一句，或许也不需要精妙。何恺明的 ResNet 有人说是优美，别忘了当年在 ImageNet 上比第二名高十个百分点。要么用拳头把对手打晕，要么以理服人。这个系统提出的新架构要能刷榜，涨幅不是百分之一，是百分之十。 放到 AGI 路线图上，他说 AI for AI 是 necessary 但不 sufficient。缺的那块是抽象。人有持续学习能力，因为人会抽象；现在的 AI 不会，它能显得会抽象，是因为喂给它的数据本身已经被抽象好了，比如自然语言。要让 AI for AI 在一个垂直领域提出好架构，不需要解决持续学习；要谈 AGI，必须解决。 跟 frontier labs 竞争，他的答案是 better different thing。从 physics of AI 出发这条路在学术圈也算早期，模型厂看它过于 risky，这恰恰是机会。大厂绝大多数人不相信这条路线，就不会往这个方向投资源，而他们有一批小天才可以把问题拆开做完。**在做出自己的 GPT-3 之前，大厂都会觉得他们在胡闹。** 投资人问得最多的两件事，算力要多少，怎么商业化。他承认在跟投资人交流的过程中，产品形态才逐渐清晰。终局是一个 training autopilot，短期是 training copilot：用户说清需求，系统端到端设计模型、训练模型、部署模型、交付模型。用户还可以给一个预算约束，我只有一百块钱，你在这个经费内尽量交付一个好模型。类比现在的 Claude Code，对象从程序员换成要训模型的人。他管这个叫 vibe training，现在是 vibe coding，以后是 vibe training。 最容易被追问的是，大家为什么要训自己的模型。他举了机械狗的例子：买一只陪伴机器人，把自己和它对话的语音数据存下来，微调一下，让它不只会汪汪叫，还能说几句话安慰你。今天没人会为了这个去学训练模型。他也老实承认，需求这一层他还没想太清楚，但技术便宜到一定程度，需求会自己涌现。家用电脑当年也没人觉得需要，从占一间屋子的机器到人手一台笔记本，中间发生的事没人提前写好了剧本。 训练成本会不会降，他给了一个乐观的理由：现在的 recipe 很可能远不是最优，physics of AI 理清之后还有很大优化空间。 国内做 AI for AI 的团队，他梳理了几条。孙天祥做得很早，信念是 language is world，所有东西都能被语言描述，之前做过自动生产论文的 FIRST 系统，属于 paper agent 路线，最近去百度做大模型。清华 AI 院另一位老师陈永超也在做，现阶段的路线更像 paper agent。RSI 从博客里能窥到的是强调 memory：昨天调了五次学习率全失败，今天要记住，不要接着调。他追问了一句，如果你不理解学习率为什么失败，经验也不一定对，昨天失败是 A 原因，今天可能是 B 原因，这时候调学习率反而对。经验驱动和机制驱动的差别就在这里。多数团队基于现有 coding agent 做改进，他觉得跟自己的路线互补。 对当下阶段的判断，他说大语言模型这一仗收敛得比较清楚了，新的机会在世界模型和 auto research，这两条赛道还相当早期。世界模型要找到能更好抽象、能碰到物理世界真正 latent space 的新架构；auto research 卡在数据，大模型没见过结构化的研究数据，第一步是结构化，第二步是采集，有了数据，大模型自己也能吃，做得可能也不差。 创业几个月的感受，节奏快，除了睡觉都在工作。好处是资源多了，认识的人多了，突然接触到一个更大的世界；难的地方是技术上还得踏踏实实做，同时要跟很多人交流，还要从几年之后的目标倒推今天的路径。他把这称为 out of my distribution 的事。 问到教授和企业家选哪个，他的答案是都要。问到 neo lab 的本质是 lab 还是公司，他说这个名字存在的原因就是它两者都不是：前六到十二个月按 research institute 的方式运转，一旦顿悟，就按公司的方式运转。国内投资人跟硅谷的差别他也讲了，Tolias 那边是三年不用考虑商业化，国内投资人恨不得你当天就盈利。他们的计划是六个月内侧重研发做 demo，六到十二个月之间根据成果决定产品化，一年这个节点开始商业化。他反复强调这段研发期不能省，不能为了短期交差过早押到一个不够好的方向。 整期听下来，能带走的东西大概三条。 看 neo lab，别听名词。AI for science、world model、auto research 在投资人和创业者嘴里经常不是一件事，同一个标签下面可能是完全不同的技术路线。真正值得追问的是两件事：它有没有一段六到十二个月、目标具体的研究期，以及它要解决的那个 missing part 到底是什么。说不清这两点的，多半是在套词。 看 AI for AI，先看数据。这条赛道的瓶颈不在模型架构，在研究过程本身没有被结构化。谁能把研究者的思维链稳定地采集下来，谁才有资格谈自动化。刘子鸣那个一天十条、两个月一万条的算法很土，但它指向的地方很实在。 还有一条更个人的。他把自己当模型训了 60 天，四五十天后开始能预测训练曲线；他也说研究品味是遮羞布，好想法背后的推理链一定能说出点什么。这两件事指向同一个动作：把自己的判断过程写下来。写不出来，说明你还没想清楚，也说明你的经验没法传给别人，更没法传给模型。