他朋友圈头像是一只自家的狗，狗眼睛被调成发光的红色。这个细节和他说话的样子反差很大。张小珺说他云淡风轻，他自己承认，刚当CEO时以为到了人生巅峰，后来发现是“史诗级的错判”，到今天给过去七年打五六分。他最爱的食物是燕麦碗，理由是很健康。

这期播客聊父与子，聊企二代接班的真实肌理，也聊扫地机器人、擦窗机器人、割草机器人、泳池机器人，聊AI和具身智能，聊一个什么都有的人怎么重新长出欲望。以下按对话时间线整理，保留关键数据、案例和钱程的判断。

十一岁被通知去加拿大，二十九岁被推到CEO位置 0:02:11

钱程的父亲从南京大学毕业后，去汕头大学当过老师，去过海南，再到深圳，在国企工作，后来下海做贸易。贸易做久了，他转到苏州创业，做吸尘器代工，公司叫泰怡凯电器。钱程留在深圳，后来出国。父亲在深圳那段时间已经很忙，钱程印象里见他的次数不多。他记得小时候有一张照片，自己穿着父亲的皮鞋，拎着公文箱。

去加拿大没有说服过程。钱程说，十一岁的小孩能有什么选择，就是一个告知。提前几个月家里说要去加拿大，他当时不知道加拿大是哪里。临走前有天晚上，父亲带他去学校找班主任，说接下来不来了，然后收拾行李，飞走。

到了加拿大，父亲陪过一段时间，每天让他从字典里选十个单词背下来。几个月后父亲回国。钱程回想，父亲对他的教育整体上希望他自我成长，陪伴不多，管教也不密集，靠一些零星的时刻让他感受到肯定。这种放手后来贯穿了他进公司、做海外、当CEO的整个过程。

大学在2008年到2012年。移动互联网刚起来，他动过做App的念头，但没有明确的人生梦想。他说二十岁的人很难完美规划一生，只能走一步看一步。暑假回国会去公司看，父亲已经在做机器人，一个男生会觉得这东西有意思。他身边不少同样背景的朋友，父母在改革开放后办的企业，等孩子长大，企业要么卖掉了，要么不在了，要么孩子对女装、对传统制造没兴趣。他觉得自己幸运，父亲做的恰好和科技挂上了钩。

2012年进公司，他被安排到一个小办公室做电商，现在的中国区负责人当时就坐在旁边。公司还有工厂，他上过产线。待了两个月，父亲又划了一块新品牌业务给他管，英文叫TEK。第一年双十一，科沃斯卖了1万台扫地机器人，999元一台，成了全网爆款。他自己管的新品牌卖了几十万元。失落感很大，但没有人批评他。他后来明白，那时候自己根本不懂业务是什么情况，一个大学生进来带团队，HR来问怎么招人、怎么定薪，回头看就是瞎搞。

2015年，父亲让他去做海外。德国、美国、日本几家公司合计亏5000万元。他形容这是地狱级开局，也纳闷为什么总被安排做地狱级的事情。海外是他第一次真正上手，理解怎么把生意做好，怎么分析问题，怎么用洞察和组织资源把结果做出来。前三年电商经历，他回头看只是0到0.1。

德国六个月拿到30%份额，先把蛋糕做大 0:18:28

海外第一站选欧洲，先做德国。钱程到了当地，发现父亲请的总经理偏传统销售，见面聊不出东西，听到的全是抱怨，产品不行、投入不够、公司这不好那不好。他后来把几个总经理都换掉，先换本地人，再后来改成外派。他承认，当年自己既没有跨文化管理经验，也没有能力管一个四五十岁的老外。现在给建议，他会说不如先找一个在国内聊得来的年轻人，把事做简单纯粹。

真正让他想清楚打法的是一个客户。对方打开电脑，登录亚马逊，搜科沃斯的产品，一边搜一边问，你们在美国卖吗，在亚马逊卖吗。钱程的第一反应是，你都在亚马逊搜了，我还跟你谈什么，直接去亚马逊卖不就行了。海外模型慢慢成形：电商为主，本地团队铺渠道为辅，主要经营动作放在国内，用国内练出来的电商能力去打海外。

他总结那一代中国企业出海的三板斧：性价比产品、电子商务渠道、互联网营销。三件事粘在一起，先在实践里摸出来，后来才有总结。那时候中国品牌出海很少，他去参加亚马逊卖家大会，台下都是大卖，从国内拿工厂货，包装一下挂个品牌，没有真正的品牌。科沃斯算当年比较鲜明的一面旗。

他给团队换了个说法。传统销售会分析市场有多大，拿10%份额，再去找客户谈。钱程当时判断，别只盯着分蛋糕，先把蛋糕做大。国内市场每年高速增长，海外增长不快，渗透率很低，空间还在。先把增量做出来，再拿自己该有的一份。德国市场六个月拿到30%份额，这个结果让他第一次感受到，方向和策略对了，出成绩可以很快。

放到今天，钱程认为出海条件完全变了。当年产品以性价比平替为主，没有优秀产品，在渠道里就没有话语权。最近三五年，中国企业可以做出比海外品牌更好的产品，相对高端，物流、支付、经销商体系、人才都充裕，海外客户和社会对中国品牌的接纳度也更高。仍然有七八成企业用三板斧，这条路越来越堵。新一代企业上来就做海外，Day One就全球化，靠技术和产品竞争。产品仍然是第一位，没有好产品，品牌和渠道话语权都无从谈起。

当上CEO才发现，成功之巅就是愚昧之巅 0:31:22

29岁当CEO，钱程一开始觉得到了人生巅峰。很快他发现这是史诗级的错判。他讲得很直：

你觉得自己很牛叉的时候，离傻叉真的不远了。

上任后他提出三大战略：砍掉代工业务，推动高端化，加速海外扩张。方向今天看仍然对，海外收入已经到50%，未来几年会到60%到70%，多品类也在做。问题出在执行。他形容自己是在一栋已经建了二十年的高楼大厦上继续盖楼，但地基、梁柱、每一块砖怎么立起来，他不了解。做海外是平地起高楼，新业务，简单。回到主体组织，复杂度完全不同。

他还意识到一件更底层的事。自己在深圳出生，11岁去加拿大，虽然外界评价他适应得挺好，但他并不真正了解中国社会。企业是一个小社会，这个小社会长在大社会上面。团队怎么想问题，怎么做决策，文化的根是什么，他并不清楚。他学了西方教科书里的管理学，面对的是一家最传统的中国民营企业，有二十年的根基文化。

有一段时间，业务不好。他发现自己的大脑和企业的神经没有真正连在一起。他想要的和能执行出来的中间有巨大鸿沟。他做组织调整，想把国内业务和海外业务融合，结果像油和水倒进一个瓶子，看起来都是液体，实际上没有融合。业务缓慢，自己擅长的东西也被丢掉了。他擅长用户洞察、客户洞察、战略路径规划，当CEO后不再直接管海外，疫情又让出差变难，个人长板补组织短板的那套办法失效了，组织又没有建立信息反馈和决策体系。

他还做过商用机器人，想做to B，觉得有技术能力，为什么不能做全场景机器人公司。后来发现to B和to C是两个生意，全球能同时横跨两者的公司极少。基因不一样，组织能力不一样。他给这段经历的定义是，拥有能力不匹配的欲望。

拥有能力不匹配的欲望。

这句话他用来解释过去几年最大的错。方向没有错，错在能力没跟上，欲望跑得太快。他反思，看到企业短板，不要急着改。短板往往是创始人和CEO的长板造成的。企业是一个拼图，没有完美。你把父亲的长板拿走，短板不会自动补上，可能全变成短板。西式管理追求民主、集体决策、充分讨论，放到这家企业，大家不一定习惯，关键决策反而变慢。团队想要的是你说一下怎么干。管理方法需要沉淀，需要团队习惯和信任，需要制度支持，空谈想要一个更现代的组织没有用。

他给过去七年打五六分。满分十分。谦虚是一方面，另一方面他确实认为自己还有很大进步空间。30岁之前，他的底层驱动是不要失去什么。自己已经拥有很多，比从无到有的人少了一段。他一直在保下限，没有追求上限。29岁当CEO，这个状态开始变化。做海外时很快拿到结果，下一个欲望是什么，有一段时间不清晰。欲望停留在空谈，没有和认知、方法、工具、能力结合。

父亲是个参照。钱程记得父亲40岁说退休，50岁说退休，60岁还说退休，结果停不下来。他36岁，人生超过三分之一在科沃斯。他讲，做企业、做CEO这条路没有退路，只能越做越好。原地踏步就是越来越坏。很多企业家已经做到全球第一，还在干活。欲望到最后是自我实现，是不断设定目标、设定困难、克服困难。他也承认，人是环境的动物。以前不觉得自己特别有血性，拥有的比较多，没有需要去拼搏厮杀和获取。这几年被环境激发，血性在逐渐固化，成为更核心的一部分。他说自己也有，只是过去没有机会长出来。

农耕而不是游牧，科沃斯怎么选品类 0:58:18

钱程用两种文明形容做生意的方式。游牧看到一片大产业，就去咬一口肉。科沃斯更像农耕，埋种子，种田，等粮食长出来。

我们其实比较像农耕文明，不像是游牧文明。

这种基因有历史。当年在商场卖扫地机器人，消费者以为是一个电子秤。那时候没有这个产业，科沃斯做得早，只能慢慢等市场成熟。擦窗机器人做了很久，钱程还没进公司时就有第一台，到今年能出货200万台。割草机器人、泳池机器人也在早期。钱程说，文化上耐得住寂寞，关键选择时看自己有没有要素，看时代有没有空间。

选品类的底层是技术栈。科沃斯自己掌握传感器、算法、控制、批量品质交付，前端有全球化渠道。集团收入到200亿元，再往上走，很难选择很小的东西。一个每年一两亿元的市场，对这样的体量贡献不到一个点，不是合理选择。扫地机器人已经跑出来，是一个大产业。家庭空间里还有多少机器人需求，是他们持续筛选的方向。今天科沃斯的产品覆盖扫地、擦窗、割草、泳池，钱程希望外界看到，这是一家覆盖全球家庭多种机器人需求的公司，不只做扫地机。

产品他会深度介入。2021年科沃斯发布过一款重要产品，第一次把全能基站引入扫地机器人，本体上加入AI视觉和语音AI，行业整体均价也被拉高。钱程认为，今天行业主流产品形态没有脱离那个原型，仍在迭代。核心架构在当年定下来，后面是持续打磨。新品类他也参与，从产品定义到推向市场，跟团队一起做。

竞争格局变了。石头、追觅等公司起来，行业竞争加剧。钱程的看法是，每个时代的企业不一样，新一代创始人掌握的资源和要素，跟科沃斯熟悉的资源和要素不同。上一个时代建立的优势，不一定能直接带到下一个时代。他承认自己高估了自己，低估了竞争。自信和自大只差一线。想明白以后，倒不至于自卑。

竞争最后归到三件事：

看得远，跑得快，不要犯错。

看得远，是看清楚变化，看清楚自身能力。跑得快，是执行和管理，让身体运转得足够强。不犯错，是处理合理欲望和不合理欲望的关系。大部分企业出问题，都在这三件事上。犯错是最大的致命伤。他不太相信“对手就是目标”这套叙事。对手存在，你要应对，但对手是试金石，目标还是企业自己的愿景。中国企业针尖对麦芒这么多年，最后各自还在，互相以钢炼钢，让自己变得更好。健身不能羡慕别人身材好，自己不动、继续吃垃圾食品，没有用。想明白就去做，一步步自律。

他也不把消费电子看成有核心壁垒的行业。品牌在钱程眼里只是消费者上一次购买留下的记忆，帮助他下一次快速决策。下一次交付不好，记忆就断了。苹果有网络效应，纯硬件更多是规模效应。真正的壁垒只有垄断，在一个快速变化的行业里，垄断很难长期存在。企业能做的是找到规模效应，加快迭代。钱程给科沃斯的执行原则是，七八成做能力复制，两三成做能力提高。很多企业希望倒过来，七八成能力翻天覆地，两三成复制，结果组织接不住。复制本身就是扩张和变强的过程，运动靠重复，能力也靠重复。

AI还没到抢肉的时候 1:14:45

2022年底ChatGPT出来，钱程把影响分成两块。一块是企业的运作管理方式，另一块是产品和你可产生营收的方向。过去几年，真正产生营收的是行业基础设施公司，光模块、token基建，苏州也有不少。那不是科沃斯的产业。剩下能选的是physical AI，具身智能。

他判断，大模型加具身智能，3到5年内会有一些商用和工厂应用。科沃斯做to C，做家庭需求，那个过程要5到10年。宇树也是十年才上市。工厂场景有条件先走，因为工作高度标准化，不追求特别强的泛化能力。家庭场景对硬件和软件成熟度的要求更高。科沃斯给自己的定位是，从做工具转向做管家机器人。这个方向不变，节奏要合理。

他不想今天急迫地做一个具身机器人带进家庭，因为不现实。行业现在像拿一把很大的锤子找钉子。大家讲家庭，最后都搞到工厂。钱程提到无人机早年，法国Parrot和大疆同步甚至更早，Parrot后来跟沃尔玛合作，把它变成玩具，钉子找错了。大疆选择prosumer，偏专业消费者，最后变成生产力工具，钉子找得更好。今天具身智能公司都在找钉子，找来找去，没有太大区别。

科沃斯要不要跟所有人走同一条路，钱程的答案是否定的。初创企业不用考虑交付、营收和利润，出paper、出demo就行。上市公司不行。小鹏分拆机器人业务，钱程理解，那是引入社会资本的选择。科沃斯没有投资模型公司，钱程说自己更擅长产品定义，理解消费者在家里的需求，思考机器人到底能替人做什么。硬件供给未来会很充裕，真正关键的可能在软件，世界模型投入巨大，数据采集标准也在快速变化，一年前的方法今天未必有用。整个产业还在初期，科沃斯选择合理节奏，等硬件和软件能在商用场景做到高鲁棒性、可复制、可规模化，离家用就不远了。

他对AI的态度偏理性。影响肯定存在，对个人、对产业都存在。短时间翻天覆地的变化，他没有看到。Sam Altman之前谈AGI，现在也不怎么谈了，转去做coding。AI做视频、做内容很强，但人和人面对面聊天仍然有必要，人还是喜欢看人的内容。春晚上一堆机器人在跳舞，消费者看到的是热闹，机器人跟你挥挥手，挺有意思。回到干活，还是一片荒漠。钱程希望有一天科沃斯能把机器人带进消费者家中，帮人节省时间。扫地、割草，底层都是节省时间。这个方向他相信，时间表他不相信明天就会发生。

有人问他，具身智能出来以后，科沃斯会不会不存在。他的回答是，等到那个阶段，扫地机器人渗透率应该已经很高，消费者不至于为机器人再买一台吸尘器。海外割草机器人已经替代手推式割草机，人形机器人进来，消费者也不至于再买一台手推式。机器人会像达尔文进化论，出现很多物种，按场景深度演化，达到最适合的体验。人也是自然世界的一个物种，游泳不是最强的，机器人也不会只有一种形态。

父与子的传承，接班是一个过渡 1:35:04

钱程在苏州生活了14年。他以前常被误认为苏州人。苏州历史上天灾少，是鱼米之乡，比较富裕，本地文化安逸，跟加拿大有点像。苏州人不怎么往外走，城市不那么喧嚣，仍然是中国工业排名前列的城市，机器人企业多，AI基础设施企业也多。钱程说，这是一个安心做事的地方，少了些喧嚣，挺扎实。他不确定是苏州塑造了他，还是他本来就这样。

作为CEO，他觉得自己现在跟企业的毛细血管连接上了。随着在公司时间变长，他也更了解父亲。父亲是一个创业者，把企业搭起来，生命很长一段时间投入度极强，几十年习惯很难改变。钱程理解父亲对事业的热爱。他与企业也长到了一起，有长期的投资和投入，无法隔离。企业占据他的生活，也占据他的精神。像很多长期员工一样，这是生命的一部分。作为今天的关键管理者，他的责任是让企业发展越来越好。

接班难在哪，钱程给了一个交叉点的框架。企业是父辈在某个时代，基于那个时代的要素成功的。要素包括时代背景、组织和人才、客户关系。接班的期望是把它带到下一个时代，穿越周期。上一个时代的要素，下一个时代不会百分之百存在，也不会百分之百消失。关键的东西要找到。你还要在一栋相对框架存在的房子里继续建设和调整。个人是否拥有能力掌控新时代的要素，同样关键。只作为新时代的人进入旧企业，自己没变化，也没法把企业带到新时代，接班不算成功。

具象到科沃斯，钱程认为最后本质是文化。经营方式会自然变化，中国企业变成国际化企业，这是很自然的过程。底层文化来自创始人的治理选择。科沃斯很务实，不过于做喧嚣的事情。父亲仰望星空，脚踏实地。不仰望星空，没法在每个时代做调整。脚踏实地，是追求稳健和长远的经营。这些文化理解，是接班时要接住的东西。

老部下是另一个现实问题。钱程说，人跟人建立信任需要时间。你永远不知道这个人和你父亲在什么时间点经历过什么，他们怎么建立信任，关着门怎么沟通，微信里怎么沟通。这些你不可能知道。困难真实存在，解决有时看缘分，没有绝对方法。他没法逼迫自己完全像父亲，那可能是大家的期待，但不现实。相处需要两个人共同调整，只靠他一个人调整，不现实。解决不了怎么办，还是目标导向。个人能力是否匹配目标，能调整就调整，不能调整就补充能力。

这七年，他希望科沃斯更年轻。中国区负责人管理几十亿元业务，跟他同一年进公司。关键年轻人在关键岗位，这是好方向。如果关键岗位仍然只有父亲的老部下，变化就没有发生。他看重这种组织更新。

他也聊到同龄创业者。对方是创业的，身上的企业家精神更浓厚，这是能感受到的。科沃斯对他来说更像兄弟，有血缘关系，不一样。每个企业家都会觉得自己的企业是孩子。钱程没有嫉妒过这个“小孩”，父亲投入时间多，他没有这种情绪。他也不羡慕创业者更有拼劲，那种东西自己也可以有，只是成长路径不同。差异存在，不代表有和无。

接班的朋友多不多，钱程说，到一定程度以后，接班不是核心话题。它不是一个目标，只是一个过程。目标永远是企业怎么变得更好。完成接班，企业不好，又怎么样。接班不是终点，是一个过渡。有足够智慧，都可以面对。

我内心的追寻 1:50:04

钱程的名字是前程似锦的意思。他小时候不太喜欢，觉得压力很大。见到人总说这个名字好，前程万里，寄予厚望。他后来接受，哪个小孩的名字是自己可选的，都是父辈的期望。现在他觉得挺好。

压力当然大。做CEO说没有压力，不可能。他现在享受自己不断蜕变和成长的过程。压力没有击垮他，他就在变强。自我要求必然来自自己，周围人的要求、第三方要求，最终都要变成自我要求。

十年后科沃斯什么样，他先看时代的关键要素。科技变化会带来两方面冲击，产品产业的选择，组织管理的变化。中国企业全球化是另一个主旋律，机会多，挑战也多。科沃斯要从单品类走到多品类，从工具走到管家。钱程希望这件事能做成。他在企业里追寻的是对得起自己该承担的责任，为企业制定好的发展目标，带企业达成目标。他希望做出一些有价值、能创造的事情。

他没有固定的崇拜对象。做CEO以后，出去吃面馆会想人家怎么经营，看咖啡店也会想。学习无处不在，能量获取无处不在。大部分企业家都好学，愿意积极学习不同的东西。他前段时间去胖东来，觉得在一个四线城市能把企业做成那样，挺有意思。人生之书是上大学时父亲送的稻盛和夫《活法》，早期对企业和企业家怎么经营形成了一些想法。快问快答里，最喜欢的食物是燕麦碗，喜欢的地点是深圳，出生地，有热情，有激情。打车师傅会问小伙子哪里来的，听说苏州来的，就说自己这年纪都来深圳闯荡，你应该来深圳。他当下关键的一个bet是竞争全球化。

工作室叫语言即世界，钱程的第一反应是，语言是人类很伟大的创造。语言完成两件事，信息的传递、留存和记忆，还有创造。你可以记录一件事，写一个故事。我们对世界的理解，一部分来自留存和传递，一部分来自用语言描述你想要的世界。

这期聊完，能带走的判断有几条。接班是一个过程，起点是进入企业，终点是企业能不能在下一个时代继续变好，头衔只是中间站。欲望要和能力匹配，方向对不代表组织接得住，节奏比蓝图更重要。全球化和AI都是长周期的事，钱程把3到5年给工厂，把5到10年给家庭，把十年给全球化竞争。对正在接班或准备接班的人，先弄清旧时代哪些要素必须保留，再判断自己有没有能力补新时代的要素。对做硬件和机器人的团队，先找钉子，再挥锤子，别把热闹当成需求。对普通读者，钱程那句“看得远，跑得快，不要犯错”放在个人选择上也成立，先看清自己的长板和短板，再决定要不要动那栋楼的承重墙。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6ad4dacd641ef406308d86e5.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这是 Dyna Robotics 在 2025 年真实跑出来的场景。创始人兼 CEO Lindon Gao 把这件事叫作「机器人需要保姆」。同一时期，他带着折衣服的机器人在 CoRL 上被人围观，风头很足。真正让他决定不放大规模的，是洗衣房里那个闹钟。

Lindon 是福州人，11 岁去美国，这是他的第四次创业。上一家做无人零售的 Kaper 在 2021 年以 3.5 亿美元卖出，那年他 30 岁。之后他在 Instacart 待了三年学管理，再出来时和老搭档杨世远看了 AR、核聚变、量子计算，最后选到机器人。在硅谷，Dyna 和 Pi 那种纯大脑研究团队路线不同，Dyna 自称 product research：从一个具体工作流出发，用产品闭环倒推预训练该往哪走。张小珺和他聊了三个小时，聊到折餐巾折到第 100 张卡住的细节，聊到中国供应链，聊到去年年底那场关于「做研究还是做场景」的内部分裂，也聊到他怎么靠王阳明和《沉思录》把自己从「不能犯错的 CEO」这个包袱里捞出来。

被拒几百次之后，他管自己叫蟑螂 0:01:41

Lindon 的第一次生意在 14 岁，初中。他打游戏，发现游戏里的账户和装备能卖钱，就自己搭了个交易平台，赚了上万美金。后来生意淡了，他把网站卖掉。那之后是零零散散的各种小买卖，今天卖软件，明天卖鞋子。他长大的环境里，周围人都在做小生意，他跟着学，跟着做。

大二他做珠宝。先是在各处找到卖不掉的库存，收了在 eBay 上卖，卖得不错，慢慢变成一个生意。后来他把它从 to C 转成 to B，给美国的珠宝设计师供货，把中国的珠宝供应链和这些设计师连起来，自己抽成。这门生意他做了快十年，一周花三四个小时，一年赚十几二十万美金。他觉得性价比不错，但后来越来越不想花这个时间，就关掉了。

他的教育路径很自由。父母没怎么管他，他自己选。一开始学医，是父母的意愿，在纽约大学医学院读了两年，不想读了，转金融。转金融是因为大家都想去投行，他也想跟大家比一下。投行做了两年多，直接跳出来创业。

Kaper 做的是无人零售。2017 年 Amazon Go 出来，行业里冒出几十家公司。Lindon 拿着这套概念去见了一百五十个超市老板，问他们要不要装。没有一个人想要。他追问，免费给你呢？还是不要。理由很实在：花几十万省几个收银员，收银员还不只做收银，装修要停业，技术还要维护，ROI 算不过来。

他换了个产品形态，把传感器融合和视觉识别塞进购物车。谁推着车谁付钱，放进什么商品就识别什么商品。解决的问题一样，技术简单得多。

Kaper 第一次报 YC 就进了，导师是 Sam Altman 和 Geoff Ralston，两位后来都做过 YC 的总裁。导师天天催他 launch、launch、iterate。但从 YC 出来，他们是整个 batch 里融资倒数的那一档，总共只拿到 30 万美金。四个联合创始人住进一栋房子，加上一两个早期员工，一个月烧 7000 美金，烧了两年半，才拿到 200 万种子轮。

为了撑到那笔钱，他自己 cold email 了一千多个天使投资人，最后转化了两个。账户里只剩一两万的时候，这两个人各给了差不多 5 万。真正出去融种子轮，见了一百多家机构，全拒，只有 First Round Capital 出手。A 轮想融千万级，见了六十多个投资人，几乎全军覆没，最后是 Lux Capital 投了 1000 多万。

我们是蟑螂，你们是蟑螂，我们死不了。

这是他当时跟团队说的话。B 轮时他们手里有两个 term sheet 和一个收购 offer，对方被拒了两次，最后他们决定卖掉。3.5 亿美元，2021 年。他说那一刻的第一反应是「这件事做对了」，不是「突然有钱了」。他想去做一件更大的事。

之后他去了 Instacart，待了三年，最多时直接和间接管三百多人。他说自己去那里就是为了学管理。他以前是野路子，觉得商业本质和产品形态该是这样，就带着工程团队干。在 Instacart 他学到的是怎么向 CEO 要资源，怎么把自己做的事情 frame 清楚，怎么挖底层动机再对齐。也学到有些人改不了，除非他自己突破认知边界。

他身上有一种运动员式的自律。五点起床，六点到七点运动，晚上十一点睡，晚上少吃碳水。他提到《Atomic Habits》，说习惯一旦不占 mindshare，做起来就自然，不做反而不舒服。他把 CEO 看成脑力运动员：睡得不好、吃得不对，就没办法把事情想透，而 CEO 最重要的决策是找方向。

我的梦想是星辰大海，可是我的路径是需要脚踏实地。

团队说他「闻得到钱」。他自己解释，这是一种方向感：知道最终赚钱的形态长什么样，就知道前面该怎么铺垫。

反共识：选一个别人看不上的场景 0:40:32

Dyna 的三个核心人物，Lindon 看方向，杨世远管技术和组织，Jason 管研究。Lindon 说自己能看见一家公司从现在到十年之后的大致样子，以及战略要走哪几步、会在哪里出问题。杨世远是他的第二次搭档，两人合作十多年，他给的评价很高：共情能力强，结构性强，能把产品一路推到真实场景里，技术和管理都强，是稀有的技术天才。

找 Jason 花了不少功夫。他们在硅谷聊了二十来号人，对研究合伙人的画像很清楚：research taste 要极强。怎么看 taste？看论文。Jason 博一博二时的论文很花哨，越到后面越简单干净，核心概念越来越清晰。这种自我进化的轨迹，比任何一篇论文都有说服力。第二条是现实主义，不光有学术追求，还想把事情做到产品上。

Lindon 把 Dyna 的路线叫 product research。传统的 research lab 是发散式探索，往 AGI 走，各种可能性都试，试出苗头再收敛。product research 有 guardrail：所有研究要对长期产品有价值，研究优先级有框架，这个阶段先做这件事，下个阶段再做那件，不同时铺开。因为团队的时间和精力有限，只能在最重要的事情上下注。

外界看他，觉得他选了折叠这个场景很怪。融资时有人直接问：你为什么去做洗衣服？洗衣服行业才多大？为什么不去做工厂、做物流？

他的判断依据是模型能力。当时的基础模型很慢，做事也乱，最要命的是只能成功做一次，同样的事再做一遍就不行。他给团队定的目标是成功率达到 99%，速度做到人的 50% 到 60%，才有商业化的可能。在这个技术天花板下，场景必须满足一个条件：容错率足够高。做一杯拿铁，手一抖打翻了，就是给别人添活，还赔一杯。折衣服折坏了可以重折。

折叠还有两个好处。它是 isolated 的，一个人站在那儿一直折就行。它的痛点足够普遍，酒店、洗衣房都有专职的折叠工。而且这件事足够难，对模型的本质提升有空间。软体物件和硬体不一样，杯子只有一个状态，口朝上，其余都是倒下或翻转；折衣服每一步都依赖前一步成功，还必须在尺码、款式、面料上泛化。

他们后来发现，泛化没想象中那么贵。当时以为要在很多个环境里采集折 T 恤的数据，才能在新环境里 zero shot，实际十几个场景就够了。

九个月部署，发现机器人需要一个保姆 0:53:13

2025 年，Dyna One 在 CoRL 上展出，折餐巾能连续折 24 小时，成功率 99% 以上。团队很自豪，这是第一个可以被商业化的 demo。张小珺说，当时很多人围着那台机器人看。

然后是六到九月的现场部署。问题一个接一个冒出来。

第一，那台机器人在展会上折的餐巾并不完整。一张餐巾要折五次，它只折四次，最后一次留给服务员。因为折到最后餐巾又厚又小，要躺平，没躺平就会摊开。

第二，速度不够。客户是餐饮行业里非常大的一个客户，一天要 1300 张餐巾。Dyna One 二十四小时只能折 850 张。团队在速度上做了很多研究，最后达标。

第三，也是最要命的，机器人会一次抓两张餐巾。人手也会抓两张，人一两秒就处理了，机器人要花两分钟。正常折一张只要 20 秒。只要当天有 10% 的概率出现双抓，这一天的产出就达不到。

第四，折好的餐巾往回收箱里放，放得很乱。外人过来看一眼，觉得这根本没折好。团队要开始 condition 模型，让它按第一个位置、第二个位置、第三个位置整齐摆。

这些问题的处理方式，团队内部争论过。每次遇到 corner case，就有工程师提出来用工程手段绕过去。Lindon 坚持不用。他的理由是，要做到 scalable 的产品市场匹配，必须用模型解决。抓两张餐巾这种事，预训练解决不了，得靠强化学习让模型自己学会。

更麻烦的事在后面。餐巾每半小时到一小时折完 100 张，机器人就不动了，因为没料了。店里员工要在手机上设闹钟，过来补一摞。客户反馈说机器人没达标、太慢，团队去看数据，发现机器人有连续半小时的空窗期。问过去，才知道是没人及时上料。

机器人需要保姆这件事情是一个非常大的产品问题。

他决定不 scale。已经签了十个以上客户，他还是停了。判断依据是：这件事只解决了任务，没解决整个工作流。一个只完成任务的机器人，客户得配一个人伺候它，那这个产品在财务上就不成立。

从任务到工作流，缺的是上料和下料。餐巾快没了，机器人要知道库存放在哪，去拿，拿回来放到桌面，折完，再把折好的送到该放的架子上，换一个新桶，重新开始。这条链路里每一步都有成功率和失败率，串起来就是 99% 连乘，指数衰减。把整条链跑通，难度比单点任务高一个量级。

中间还撞上一个具体障碍：他们想用语言控制模型，把折好的餐巾放到回收箱的指定位置，发现 VLA 的语言跟随能力不够强。这个问题的根被归到了预训练。

于是有了 Dyna Two。硬件是轮式底盘加人形上身。软件分三层：system 2 是身体推理层，理解物理属性、当前状态、任务进行到哪个阶段、下一步该干什么，然后给 system 1 发语言指令；system 1 是世界动作模型，把语言翻译成动作；system 0 是运控，用强化学习把动作轨迹做得又快又稳又准。

商业化上他给团队定的指标很有意思：不比人快，比人久。美国一个工人一天干 8 小时，一个机器人干 24 小时，产出能打平，账就成立。他说现在已经超出了。

一场关于数据的赌注 1:27:29

Dyna 早期预训练和后训练的投入是一半一半，现在是预训练多得多。转折点是一个发现：模型绝大多数鲁棒性来自预训练，后训练改不了根。

他们踩过一次坑。Dyna One 那段时间，团队做大量 AB test，结论是最高质量的数据能训出最好的模型。Lindon 跟团队说，go all in on high quality data。他后来承认，那段时间他跟做语言模型、视频生成模型的人聊，是选择性听自己想听的部分。对方说做 ablation 拿掉一些数据模型反而更好，他就拿这个 observation 去支持自己的判断。

做工作流之后，他的结论变了。先要有 internet scale 的多样性，把最广的人类经验装进去，再做 ablation、再做质量优化才有意义。数据量还没到那个量级之前做太多质量优化，不符合第一性原则。

再往上想一层：三年、五年、十年之后，机器人数据的最终形态是什么？他和团队想了一圈，答案是以人体第一视角为主的数据，加上外部视角。理由很直接：如果为了采集数据去造各种奇特的机器手，那是在为一个工程问题下研究赌注。行业共识是机器手本身属于工程问题，不属于研究问题。

他们用一百万小时的人体第一视角数据做预训练，发现了很强的 scaling law，说这是行业目前最大的数据集。过去一两年整个行业卡在智能 ceiling 上，大家都说数据是瓶颈。他们想验证的是：能不能从最低质量的数据里找到可 scale 的地方，把数据量堆上去。

真机派和仿真派的论战，他觉得没必要。技术路径是手段，不该被拜。用什么数据，取决于训练目标，取决于你想训出什么样的模型。他举了语言模型的例子：OpenAI 早期 all the way 走 consumer application，模型更 friendly；Anthropic 很早就押 coding agent；Google 押多模态。每家对预训练要达成什么能力有自己的判断，没有对错。

行业风向也确实一年一变。2025 年年初大家还在争真机派和遥操派，年底认知集体转向世界模型，2026 年又开始聊第一视角和仿真。变的是路径，不变的是那个问题：什么数据形态是最终形态。创始人要在最本质的事情上下注。

Dyna 对预训练的要求有两条：减少示范次数，部署就能更快；语言跟随能力，这是把不同工作流串起来的基本链条。泛化的衡量维度也就两个，跟教人一样：示范几次能学会，用语言说一遍能不能做对。

哪些问题预训练解决不了？抓两张餐巾这种突发的物理意外。哪些能解决？折好的餐巾摆到回收箱第几个位置，这纯粹是语言可控性的问题。

大脑是下限，本体是上限 1:49:07

外界给 Dyna 贴的标签是「deployment 公司」，做场景多、做研究少。Lindon 说这是很大的误解。公司百分之八九十的 capacity 都在智能体上，从第一天就在做机器人大脑。PR 上讲场景讲得多，是因为 Dyna One 就是按商业化逻辑推出来的产品，但支撑那个突破的底层是研究。

他也不认为自己是场景派，把机器人送进真实场景所需的工程基础设施被他们做得很轻。现在任何素材源都能训一个模型，因为预训练泛化能力够强，不需要大量示范。对外发布的所有现场视频，都是素材团队拍的，研究和工程团队没参与。

人形这件事，他的判断标准是 ROI。加两条腿带来的价值，能不能远远超过这两条腿的成本。他没说一定不做，也没说一定做，看方向对不对。

家庭场景，他的态度很克制。家庭对泛化能力的要求是所有场景里最高的，但泛化只是一个维度。还有消费价值，还有做事的速度，还有顺不顺你的心，盘子喜欢这样放还是那样放，还有安全。这些维度叠起来，才决定一个产品成不成立。他说机器人泛化到每个家庭，可能三五十年能完成，但技术能完成，不等于产品有市场。

B2B 优先，他的推理很干脆。美国失业率 4.5%，business 占了 95.5% 的人口。一个家庭三个人可能只需要一台机器人，B2B 的需求量大得多。B2B 还更好标准化，不用处理情绪和审美，安全问题在某种程度上可控。「如果我连洗衣店的员工都没法做好，怎么在每个人的家里洗不同的衣服？」

酒店这门生意他算过。每家酒店的洗衣房要两到五个人，看酒店大小。洗衣如果出问题，房间就给不了客人。疫情期间招不到人，有些酒店老板自己去洗衣房干活。美国有 10 万家酒店，洗衣房的工作流大同小异。他管这叫通往 home 的最小单元。

他对场景的分类方式不太一样。不按工业、商业、家庭分，按工作流的复杂度分。点餐是短工作流，上料下料就完了，算 level one 或 two。洗衣房整条链路算 level two 到 three，一致性高，但链条长，开洗衣机门要用力，毛巾会掉地上，corner case 多。酒店房间打扫更难，可能到 level four 或 five。

这个分法和智能水平挂钩。进场景要在当前智能体能力范围之内，下一步的战略方向要在范围之外。沿途下蛋的目的不是现金流，是试探这个 level 的智能体边界在哪，哪些 corner case 会引导预训练的方向。

中国团队四五十人，专做硬件研发和供应链，整条链已经跑通，进入初步量产，百台级别。公司总共不到 200 人，美国比中国多，美国以研究为主，中国以硬件为主。

十年维度上，他觉得供应链更重要。大脑决定这个产品能不能做，身体决定能做多好。客户最终拿到的是硬件，长期会打成成本和质量战。他评价宇树在硬件研发上把 sim-to-real gap 做得很小，是很强的突破口；评价智元资金充足，容错率高，产品线可以铺得更广，这本身就是一种战略。

大脑和本体的关系，他给了一个反过来的说法：大脑驱动本体。摄像头的帧率、用 global shutter 还是 rolling shutter、视角要多广，全部由研究团队定。硬件要迭代三版才能进量产、进场景，供应链也还没收敛，晚三年做硬件，就少了三年迭代。灵巧手会换，但要等它 ready，现在的灵巧手还不足以支撑商业化。

至于智能和产品哪个更重要，他选智能。「没有智能就没有产品，智能是产品最重要的一部分。可是产品会影响智能，智能要做到多智能才可以成为一个产品。」他拿 GPT-3 到 ChatGPT 举例：模型层面有变化，但真正带来用户飞跃的是产品形态，从 API 变成浏览器里的对话框。机器人也一样，不需要智能达到通用，就可能被每个人用上，这是产品定义问题。

去年年底那场战，和「不能犯错的 CEO」 2:13:01

2025 年年底，Dyna 内部有过一次很大的分裂。表面上是路线之争，一拨人要做场景，一拨人要做研究。往深了看，是团队 identity 的冲击：我们到底是谁。

Lindon 说自己没有派系。他更偏研究那一头，理由是他要的是可规模化的产品市场匹配，一个不能 scale 的场景他不会做。偏场景的是团队里一些工程师。争到最后，他们把战线拉长，找到一个更远的目标：一个员工。要让机器人真正替代一个员工一天的产出，就得把上料、下料、任务、整条工作流全部做掉。这个目标同时要求智能体变强、基础设施变好、后训练技术变快，两拨人都能在这个点上打。

他把这段时间的教训说得很直白。战略下一步没想好，就去看别人在做什么，觉得要赶上，缺乏自己对市场的判断和第一性原则思考。团队被市场带着飘，今天这个出了要去看，明天那个出了又要去看，非常难受。等到找到自洽的方向，团队才收敛，momentum 才起来。

更深的包袱是他自己背的。他成功过一次，团队是冲着他的经验来的，他给自己的要求是「不能犯错的 CEO」。他非常怕犯错。

为了不犯错而做决策，其实本质上就不是一个好的决策。

这个包袱污染了他的判断。他后来意识到，恰恰是这种恐惧，让他做了很多错误的决策。他还提到自己以前有一个自我证明式的念头：要证明自己不是昙花一现。那是外界评价体系里的东西。

2025 年年底到 2026 年年初，他度过了这个状态。度过的第一情绪是感恩，感恩老师，感恩团队，感恩妻子和孩子。两个联合创始人从头到尾力挺他。他说，我作为一个 CEO，本来是为了不犯错做了很多错误决策，你们还愿意包容我、扶持我把事情做完。

放下包袱之后，思考才变清澈。他说解决一个问题不靠工作时长，他在投行时一周干一百到一百二十个小时是常态，可是有些东西靠堆时间是堆不出来的，得换一个思维模式。

强直性脊椎炎、王阳明和《人生只有一件事》 2:25:25

Lindon 十八九岁确诊强直性脊椎炎，免疫系统攻击自己的脊椎，周杰伦也有这个病。疼，睡觉时更疼，打喷嚏也疼。他当时怨恨世界，觉得自己怎么这么不幸运，每天活在痛苦里。

真正的转折不是病好了，是他转念了。他把这个病当成一个实验：改变作息会怎样，改变饮食会怎样，改变自己会怎样。他花了十多年在自己身上做这个实验，摸出规律，把毛病调顺了。他的自律也是从那时候开始的。

同一套方法被他用到了创业上。以前跟投资人聊，觉得对方完全不懂自己在说什么，觉得对方很傻，然后继续说自己的。现在他会想，投资人的思考维度跟他不一样，对方看到的世界可以拿来参考。他最近聊的一些投资人，给了他很多以前无法接受的启发。

他读过《沉思录》，也读王阳明，读佛教和基督教的东西。他说这些体系的核心概念非常接近，都是修行，都是你怎么和这个世界相处，怎么转念，怎么让自己活得更好。他承认自己是讨好型人格，会在乎别人怎么看他，演讲视频回看会纠结自己哪里停顿了。后来他想通一件事：这个世界上最在乎你长什么样的人，就是你自己。别人看完两分钟视频，就去看下一个了。

张小珺问他，现在创业的驱动力是什么。他说是更好地活成真正的自己。人刚出生时看山是山，长大之后知道世俗有规矩，做了会被笑，就变成看山不是山。他想活回随心所欲的样子，那才是自由。

他把这次创业叫世界杯。所有行业里非常强的人都在这个赛道，每个人有自己的战略和打法，他带着敬畏心来。成功很难定义，如果能让每个人都有机会用上他们的机器人，算一个。失败的定义他给得很个人：如果他真的认为这件事失败了，那就是修心的失败，是一个心理状态。

快问快答里，全球最喜欢的食物是福州的拌面扁肉，最喜欢的地点是老婆和孩子在的地方。他有三个女儿，一岁、两岁、三岁。推荐的书是《人生只有一件事》。

三个小时聊下来，有几件事对读者是有用的。

判断一个机器人产品成不成立，先看工作流的最后一公里。上料、下料、异常恢复、摆位，这些不构成技术叙事的部分，决定客户会不会在三个月后把机器关掉。Dyna 在折餐巾上做到 99% 成功率，仍然因为一个闹钟停下来，这个细节比任何 demo 视频都有信息量。

商业闭环的价值在反馈，不在收入。他把闭环当成摸石头过河时手里那根棍子，有反馈才知道下一步研究往哪走。对做硬件的团队，部署飞轮本身要两三年，等智能体做完再去跑部署，等于落后两三年。

数据策略上，先 scale 多样性，再谈质量优化。这是他从 all in 高质量数据里退回来的一步，也是他承认自己「选择性听取证据」的地方。创业者对自己的判断保持这种诚实的复盘，比判断本身更稀缺。

最后一条是关于人的。一个背着「不能犯错」包袱的 CEO，会为了不犯错而做错决定。这个包袱不会写在 OKR 里，也不会出现在董事会上，它藏在每一次「我们要不要也跟进一下」的犹豫里。Lindon 说他放下包袱之后，第一感受是感恩。这可能是这期节目里最不像机器人行业的一句话，也是最难做到的一句。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6acf81f0195d838e2af1e281.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

曾鸣是战略学者，做过阿里巴巴集团总参谋长，参与创建长江商学院和湖畔大学。他完整看过互联网从 PC 到移动的周期，也陪阿里做过淘宝、支付宝、阿里云这几个当年争议极大的决定。这期播客里，张小珺和他把 AI 产业放进工业革命、电力革命、互联网革命的坐标里对齐，聊出一组非共识判断：模型公司是未来的 AI 云公司；OpenAI、Anthropic 大概率不是原生应用阶段的大赢家；科层制公司会消亡；今天还处在浏览器诞生前夜。

曾鸣的态度不悲观。公司有生老病死，新公司才有机会，年轻人才能上桌。他把这轮变化看成一代人的事，20 年起步。

AI 产业化的三段路 0:03:08

曾鸣把通用技术的产业化拆成三个阶段。第一阶段，技术逐渐被社会接受，变成基础设施。第二阶段，基于基础设施长出大量新应用，百花齐放。第三阶段，应用多到一定程度，大家发现需要一套更底层的方法来运行这个新世界，他把这叫作原生应用阶段。

移动互联网是现成的样本。黑莓最早被称为智能手机，一直到 2010 年还占着美国市场四成多的份额，iPhone 只有两成多。真正的转折发生在 iPhone 4 和 App Store 之后。早期那批日活很快过亿的工具应用，墨迹天气之类，并不代表未来。抖音才是移动互联网的原生应用。

为什么原生应用不能跳过应用大爆发直接出现？曾鸣的解释是，应用爆发给了技术下一步发展的方向。技术成为基础设施之后不会停，但它往哪走并不清楚。字节先做今日头条，甚至更早做过内涵段子，都是在试。今日头条跑出了推荐算法，带宽和算力继续发展，短视频的呈现形式再和推荐算法结合，才有了抖音。

AI 现在走到哪了？曾鸣的判断是，2026 年年初，第一阶段基本成熟。标志是 TOKEN 这个词形成了广泛共识。黄仁勋在 GTC 上说英伟达的未来是 TOKEN 工厂，Sam Altman 马上说 OpenAI 的核心就是卖 TOKEN。一个技术有了标准的度量衡，就能被规模化、标准化地使用。就像一度电、一吨水、一个 GB 的流量，普通人不用懂背后的原理，也知道自己用了多少、要付多少钱。

同一年春节前后，OpenClaw 让很多人第一次看到 agent 独立完成任务的潜力。曾鸣认为，AI 进入了第二个阶段，智能体阶段。智能体就是 AI 时代的新应用。

如果非要和互联网做时间上的类比，他的判断比两年前更靠前。两年前他讲「拥抱雅虎」，今年年初他觉得，我们连浏览器都还没出来，比雅虎还要早。OpenClaw 出现时，他第一反应是想起 1992 年所有人都在建网站。建网站是为了分享信息，今天做 agent 是为了分享能力。信息时代把人能说的知识处理完了，接下来是把人做事的能力封装起来、调用出去。

浏览器当年完成两件事：用 HTML 把建站门槛降到普通人能接受，用点击把浏览门槛降到零。供给端和用户端同时爆掉，网站才无穷无尽地涌出来。今天的 agent 还缺这样一个东西。曾鸣说，他完全没有看到雅虎的雏形，更没有看到这个时代的谷歌。

模型公司就是未来的 AI 云公司 0:23:34

模型是什么？曾鸣给了一串类比。数据是新时代的石油，模型是炼油厂。从广泛提供基础设施的角度看，模型公司更像另一个已经消失的公司，美国在线 AOL。AOL 做的是互联网基础接入，让所有人能连上网，这本身是巨大的工程。今天的大模型让所有人能轻易接入智能，它也是基础设施服务商。

说得再直白一点，模型公司就是未来的 AI 云公司。这也是为什么美国大模型公司和云厂商之间的博弈变得复杂。云厂商觉得自己付出太多、得到太少，模型公司觉得自己将来要自建云、甚至自研芯片。两边碰撞、重新整合，最后形成几家稳定的 AI 云公司，这个终局是确定的。

公共基础设施的行业，商业模式只有一种。

公共基础设施的行业，只有一种商业模式是成立的，叫寡头垄断加政府强监管。

社会依赖它，政府一定强监管。供给如此重要，不能只有一家供应商。基础设施投入巨大，不会有无序竞争。最后就是几家寡头，保证稳定的、低成本的供给。曾鸣知道这个判断对现在创业的人很残酷，但他认为规律如此。

沿着这个框架，他给出了这期播客里最刺耳的判断：Anthropic、OpenAI 大概率不是原生应用阶段的大玩家、大赢家。他相信未来一定会出现一家十万亿美元的公司，但未必是现在领跑的这两家。

有人拿陆奇的话来问他，OpenAI 未来会比谷歌大五倍还是十倍。曾鸣说，他理解陆奇想表达的是 AI 时代会有一家谷歌级别的公司，只是他不认为那家公司一定是 OpenAI。他自嘲硅谷现在最受尊重的是 researcher，他也可以自称 researcher，只不过研究的是商业世界的动力学规律。

第一阶段的企业，很难活到第二阶段；第二阶段的企业，很难活到第三阶段。

市值数据也被他拿来祛魅。雅虎 1995 年成立，2000 年市值 1200 亿美元，五年时间。按通胀和纳指回报折算，相当于今天的一万亿美元。AOL 1988 年开始提供服务，2000 年高点估值 2200 亿美元，比雅虎还高，后来收购时代华纳，冲到 3000 多亿美元。谷歌 1998 年成立，2005 年达到千亿美元。黑莓巅峰时也是最快达到千亿美元估值的硬件公司。技术冲击足够大的时候，第一波跑出来的公司就有这么大的价值。Anthropic 和 OpenAI 很了不起，但这样的先例在历史上发生过。

为什么第一阶段的企业很难活到第二阶段？曾鸣的解释是，第一阶段的技术核心是可用不可用，需要大量原创技术创新。第二阶段开始的标志，是第一阶段的技术发展渐渐慢下来，变成大家都能调用的公共品。应用公司需要的是产品洞察、用户同理心、上下文管理这类新的应用技术。技术还在进步，但未必沿着原来的轨迹线性增长。

美国市场的淘汰已经开始。Anthropic 先领跑，OpenAI 跟上，Google 阶段性被甩下，xAI 和 Meta 掉队。曾鸣用「智能复利」解释这个差距：Anthropic 开始用大模型训练大模型，把 AI 工具用在自己的主业上，模型训练能力大幅提升。再加上组织上的聚焦，领先优势就把较弱的玩家甩了出去。

中国是另一套生态。曾鸣的判断是，年底跑不到 3T 模型的玩家大概率出局。Kimi 的 K3 到了 2.8T，智谱在往前跑，MiniMax、千问都在冲这条晋级线。这是一场淘汰赛，八进四，四进二，最后留下有限的几家做基础设施。模型公司的创业窗口已经关闭，新公司再进来，完全没有积累。

模型公司是不是好生意？曾鸣说，是很好的成熟生意，但不再是当红炸子鸡。过三五年，如果没进入下一个阶段的竞争，你就变成大家调用你服务时才会想起的公司，不稳定的时候 complain，不会天天夸你。

新平台不来自旧平台 0:39:53

Agent 现在是什么状态？曾鸣用四个字：百花齐放。去年夏天他在硅谷参加 demo day，十个项目里三五个做广告素材生成、广告投放，任务特别简单。他当时就觉得长期价值有限。今年这批应用大多不怎么样了。他反而看好一家做增长的公司，因为增长复杂，复杂任务才能建立智能闭环，才不是搭脚手架。

搭脚手架这个比喻很关键。智能能力不够的时候，做应用很大程度上是在模型外面搭一层临时结构，等模型能力一涨，脚手架就被淹没了。今天做应用，要假定智能完全够用，然后问它到底能干什么活。越简单的活越容易被复杂的活吞掉，因为简单活干完就干完了，没有成长空间。

Manus 去年做通用 agent，曾鸣觉得市场感觉非常敏锐，抓住了 coding 能力溢出的窗口。但通用 agent 当时能触达的是一批 prosumer 的生产力需求。今天一个 agent 要立足，至少要找到一个 10 倍以上的切入点。做 PPT、出报告都不够大。技术往前拱了一步，能不能把一个复杂任务真正解决掉，才是分水岭。

垂直还是通用？曾鸣说，这是接下来比创造力和天分的地方。教育、健康是典型的大垂类，足够你在里面耕耘。通用里头又分 TO B 和 TO C。他预测今年年底会听到一堆做组织大脑的 agent，组织的操作系统，CEO 的 agent 团队，这会是 TO B 的主赛道。TO C 则重新开始做情感陪伴、解决问题这类产品。

很多人说这一波应用很难形成移动互联网时代的数据飞轮。曾鸣的说法是，数据飞轮升级成了智能飞轮，也就是智能复利。数据飞轮一直存在，互联网更特别的是网络效应。智能飞轮要跑起来，需要真实世界的反馈，反馈的前提是 agent 能独立干活、离开人的参与，中间还要有算法创新，包括上下文管理、记忆、新的交互方式。这个循环让 agent 在特定场景里越来越聪明，再渗透到其他场景解决更复杂的任务。谁找到或者撞上最有规模化、最能泛化的场景，谁就最有可能形成黑洞效应。

网络效应在 AI 时代会继续存在，成为标配。但曾鸣认为，网络效应的升级版是黑洞效应。应用场景越多，连接越复杂，越有可能拓宽智能。他在《智能商业》里讲过 DNA 螺旋的两条链，数据智能和网络协同。黑洞效应相当于两条链都升级了：数据智能还是数据智能，网络协同变成了内部快速吞噬场景的网络结构，不再是简单的连接。

新的平台一定会出现，入口就是平台。旧平台做的是简单信息匹配，新平台要做能力与需求的匹配，复杂度高了很多。所以新平台大概率不诞生自旧平台。你不是 agent 原生，就判断不了 agent，也做不出给 agent 用的通用开发平台。这个时间点，曾鸣估计在三五年。

至于 agentic OS，他把它放在第三阶段。OS 开始调度资源，不再做匹配。你告诉它一个意图，它直接调用市场上所有 agent 把活干完，你甚至见不到那个 agent。这要等 agent 真正爆发、成熟到可以被简单调用，所以还远。今年大家畅想它有意义，但大概率没法在这个阶段实现。

今天 agent 应用公司融资很难，很多人觉得应用不过是模型的一个 skill。曾鸣说，这恰恰是应用领域创业者的反共识阶段。没有好应用让大家看到潜力，大家都在摸索。视频生成相对成熟，做 agent 的公司很多，最终目标可能是 AI 时代的抖音，但第一步做什么非常考验功力。AI 短剧动漫门槛太低，半年就干完了。模型能力溢出了，简单的活它自己就能干，复杂的活又还没找到足够大的场景。大部分人低估了做应用的难度。去年像小孩过家家，有个新玩具就下场，考核标准只是 ARR。今年模型能力一突破，过家家的小孩就被淹没了。真正的标志是有人开始认真想，我能不能拿它干点重要的活。

模型公司会吞噬一切吗？曾鸣不这么看。模型吞噬一切的前提是所有东西都在模型射程内。智能够用之后，会有一堆新的技术要求出来做不同场景的东西。他举电的例子：1892 年爱迪生发明电灯泡，照亮曼哈顿一平方公里。1910 年电网覆盖美国主要城市，同年才出现洗衣机和电冰箱两个 TO C 大应用。空调到 1925 年，电视机到 1930 年。通用电气真正成功，是因为它做出了最早的电冰箱和洗衣机，不是因为发电。爱迪生认为发电更重要，他的助理离开后成立了美国第一家送电公司。电网后来成了 TO B 的基础设施，没人关心电网公司的品牌，通用电气却繁荣了 60 年。

「公司」要被淘汰 1:06:15

曾鸣在书里从头到尾讲「组织」，刻意不用「公司」这个词。因为公司是工业时代的产物。工业时代之前只有手工作坊，公司是工业时代最大的制度创新，让现代化管理得以运行，支撑规模化扩张。如果工业时代的许多基本经济规律被挑战，组织形态一定也会被挑战。

他判断，科层制管理的公司制度会衰亡。人类的分工协作会继续，组织永远存在，有人的地方就有组织，但组织用哪种形态，是历史演化的过程。

为什么变化这么剧烈？两个类比。第一，AI 至少是工业革命级别的技术，工业革命颠覆了农业时代几乎所有的东西，AI 如果超越工业革命，工业时代的大部分东西也会被淘汰。第二，人类一直自豪于自己是地球上唯一的智能动物，标志是语言和智能。AI 也能说话，也能理解全部知识，也具备智能。过去很多习以为常的事情，20 年后完全可能不存在。

AI 原生组织怎么搭？曾鸣从最底层讲起：岗位可能不存在了。今天公司应聘的是岗位，定岗、写工作描述、招人，然后才有汇报线、层级、报酬。岗位是组织的基本单元。AI 时代组织的基本单元是任务，是待解决的事情，大家围绕任务流转。

现在大家讲 AI 要嵌入工作流，曾鸣说那是阶段性产品，因为工作流是为人设计的。AI 原生组织从第一天就定义任务、拆解任务、分配任务，硅基员工和碳基员工都围绕任务协同。找工作变成认领任务，公司发布任务，你觉得能干就接，交付结果就上线。层级不存在了，因为层级存在的前提是不知道谁说了算，先定个层级，级别高的人说了算。未来是谁的能力强，谁被调用。

激励靠什么？自驱。硅谷这半年最流行的词是 high agency，主观能动性，自己掌握自己的命运。你有没有成长，没有人比你更了解。成长了、开心了就继续做，没成长、不开心就换个地方。竞争对象也不只是同事，还包括 AI 同事。贡献变得透明，谁在做事、谁没做事很清楚，所以顶尖研究员转会费高，因为市场能快速识别谁创造了最大价值。

这也解释了 new lab 为什么叫 lab。曾鸣说，真正的第一个 new lab 是 OpenAI，后来的 Anthropic 这批可以叫 new new lab。他们借用了 lab 的组织形式，做不同的事情。之所以叫 lab，是因为现在主要员工是研究员，研究员最能理解 lab，他们不喜欢公司，也不喜欢大学，但喜欢 lab。将来所有有创造力的人都会在这样的新型组织里，那时可能就不叫 lab 了。

人有生老病死，公司也有生老病死，没有比这更正常的了。

公司消亡没什么可遗憾的。曾鸣反问，多少人现在去公司上班是开心的？将来有更好玩的方式，这就是技术进步给人类带来的价值。

一人公司会是方向吗？他说不会，一人公司只是很多职能坍塌到一个人身上。一个人能干的活永远有限，一定会有分工合作，一定会有组织。一人公司是阶段性产物，让大家都理解了一个人加上 AI，能干掉原来一个公司花大量管理协调成本才能干的事。将来每个人都是一个六边形战士，再在组织里跟其他六边形战士合作。

传统公司怎么转？曾鸣的回答很直接：不换脑袋就换人。认知先升级，得理解新物种长成什么样，理解要跨过的鸿沟有多大，才会努力。不然大部分人顺着惯性，一路 AI 加下去。等原生公司起来，就会很绝望。转型非常困难，因为它反人性。

AI 原生组织里，全员合伙人会越来越普遍。曾鸣说，企业会越来越像合伙人制度。律师事务所、咨询公司、投行早期都是合伙人企业，特点是几个人的分工合作都很重要，少了谁都不行。未来招你，就是因为你的贡献必不可少，那你就是合伙人。人数会显著变少，每个人有差异化，互补，同质化的部分交给数字分身。

优秀不等于卓越 1:31:10

曾鸣说，卓越没法一眼识别，因为卓越是事后认定的。你克服了一次又一次负反馈，所有人都不认可你，最后用巨大的成功证明你是时代最早的先知。优秀是持续有正反馈的成长过程。两条路径完全不同，大部分人是优秀的人，因为优秀跟人的心态比较匹配。跟卓越成比例的，是大量有疯狂想法但失败的人。狂想很容易，想对了还能做出来，极为稀缺。

他常问创业者一个问题：十年以后，你会对怎样的自己满意？这个问题最能反映当下是什么在驱动你。有人回答对这件事特别感兴趣，希望它成，事情已经大于人。有人回答好奇，这也比证明自己有意思。有人回答要做一家 100 亿美金的公司，曾鸣说这是负分答案，因为这是外部认可驱动，每一轮估值都会冲击他。

他听过最好的回答，是马云创业前讲的，让天下没有难做的生意。那是发自内心相信的东西。马斯克去火星也是使命，把人类带入外太空时代，脱离了小我。

曾鸣把公司分成四个层级：机会驱动、战略驱动、远见驱动、使命驱动。真正走到战略驱动已经很优秀，但卓越大概率得是使命驱动。有的人先有愿景，慢慢发展出使命；有的人天生使命驱动；也有人靠团队互补，一个人战略能力强，一个人动手能力强，像王兴和王慧文。

卓越的人往往把成功归于别人，认为自己靠运气。曾鸣的解释是，事情大于人，自我很小，才能走那么远。你只是碰巧在合适的地方、跟合适的人、做了合适的事情。如果为了证明自己有多牛，世界早晚会打你的脸。自我小一点，利他、同理心、自我逐渐变小，是走向卓越必不可少的因素。自我太大，就会一直想证明自己，一直待在正反馈循环里，走一条普遍性正确的道路，急着要短期反馈，不去感知真实世界，处理信息时先入为主。

怎么分辨信号和噪音？曾鸣给两条：尽量感知得全面一点，真实体会外界发生什么变化；思考更深入一点。很多人不太过脑，当下流行什么就追什么，别人已经领跑两步，你只看到冒出水面的第三步，追的时候第一天就输了。接触面太窄，也容易做出局部最优判断，失去更大范围的视角。

他说自己爱琢磨心法。理论容易把人框住，你只记住一句话，依葫芦画瓢，容易出问题。心法掌握了，可以根据具体情况随机应变。

战略生成系统 1:38:17

AI 时代战略还重要吗？曾鸣说，无比重要。做错一个重要决定就出局，淘汰赛可能以几个月为单位。越不确定，越需要战略思考能力。都很确定的时候，大家拼执行。

「看十年，想三年，干一年」是他对 AI 战略方法论的形象总结。大部分人记住了看十年和干一年，因为那是工业时代的习惯。在成熟、发展缓慢的世界里，每年增长 5% 到 8%，十年后大概什么样，没有新玩家，线性外推就够了。战略如此不重要，以至于大公司把战略外包给麦肯锡、BCG。80 年代到 2000 年左右，这些咨询公司井喷，就是因为企业认为战略可以外包。

今天的问题在于，干一年远远不够，线性外推得不出 Anthropic 今年 80 倍的同比增长。未来太不确定，看十年也帮不了太多，你还是不知道当下从哪下手。所以要想一个大概三年的图景，看两三步：第一个里程碑是什么，第二个是什么，第三个可能是什么。今年做的第一件重要事情，是为了满足哪个里程碑。短期、中期、长期之间有了动态张力，战略才有发生的环境。就像在三维空间找最优解，和在二维平面找最优解，完全不是一回事。

节奏可以变。看五年、想两年、干半年，或者看三年、想一年、干一个季度，根据行业调整。关键是中间那个节点，一定要看到至少三步。

曾鸣把这叫「战略生成」，对应大家熟悉的视频生成、文图生成。以前叫战略规划，现在叫战略生成。伟大不能被计划，公司真正要做的是一套体系、一个环境，让战略洞察涌现出来，成为一个不断生成的系统。最后战略就是一个自然而然的决定，合适的时间、合适的人做了合适的决定，公司往前走。

这套系统长什么样？曾鸣说，像神经网络，像工作流，任务是流向，人和 AI 都接在里面，核心是涌现。相当于人和 AI 一起在训练一个组织的小模型。有没有原来没想到的洞察涌现出来，群体智慧有没有在演进，这是最终目标。

环境怎么建？需要新的文化，跟全员合伙人匹配的文化。这也是 context not control 重新火起来的原因。五年前讲奈飞、讲字节的案例，大部分人觉得挺牛，但跟自己没关系。今天所有人都知道，给够上下文，人就能做出正确决策。对齐目标、对齐认知，全员共享一个完整的上下文，事情会自然涌现。人和 AI 都共享上下文。人没有 AI 处理海量信息的能力，但人有瞬间的创造力和看见不存在连接的能力。

不同阶段的公司，战略方法不一样。大模型公司进入战略收敛期，战略方向清楚了，核心是组织效率和执行效率，从方向型战略变成可闭环的运营模式，因为发展期要规模化、要上量。具身机器人公司大多还在战略探索期，一号位必须带着大家做不同创新，有一套机制降低试错成本，逐步达成共识。这个阶段要有自己相信的东西，但不能过于执着，现实会打脸，别人的方向可能是对的。自我能不能让位给现实，能不能快速理解、消化、吸收别人最好的经验，再形成下一步创新的基础，这些决定探索期的成败。核心是创新效率，不是执行效率。

为什么组织要放在战略前面？曾鸣说，因为想要的那种未来战略生成方式，跟原有组织不匹配。只有新的组织形态才能生成新的战略。新组织形态的原生挑战，是决策频率越来越高、质量要求越来越高。组织和战略是阴阳两面，分不开。

他对 AI 原生公司 CEO 的建议是，先看自己对 AI 理解得够不够深。走得足够远的创业者，基本上都自己重写了公司内部的运行体系。有人把自己关在家里三天，把框架写出来。因为他们对组织运行的原型有深刻理解，AI 最大的帮助是快速把原型实现。大部分人满足于在飞书上升级，迁移成本高，自己做不出新东西，判断别人做的东西靠不靠谱也没能力，分水岭就在这里。最早一批 CEO 自己动手重写组织运行方式，那就是未来组织的神经网络。原来的 ERP 是固化道路，一定有僵化和局限，神经网络才能实时反应，天然对应任务。

已经有公司的 CEO 怎么办？如果想继续在最前沿竞争，就得在 AI 原生上做更大努力。竞争是相对的，跟兔子赛跑和跟猎豹赛跑，速度要求不一样。

没有巨头是安全的 2:02:48

这波巨浪面前，哪些巨头安全？曾鸣的回答是：

谁觉得安全，谁就是最不安全的。

巨头都在 AI first、all in AI，曾鸣说这是必要条件，够不够要看技术演化路径有多颠覆，新公司获取资源的能力有多大。上一个时代的企业过渡到下一个时代，还能做得非常好的，多不多？他的回答从「不是多不多，是有没有」，落到「基本没有」。IBM 做到过一次，微软某种程度上做到过一次。微软错过了移动互联网，但保住了搜索的火苗，有了云计算积累，加上 PC 时代操作系统垄断，在 AI 时代起了个大早。现在看，微软对模型的投入不够，模型这块已经出局，虽然早期投了 OpenAI，今天已经买不起。Google 相当于微软的上一段，也许能成为很好的 AI 云公司，有 TPU、有大模型，作为云厂商活下来没问题，但能不能做出消费者入口级的大应用，不确定。

字节会是下一个时代的字节吗？曾鸣说，同样大概率不会。字节模型做得不错，在国内是第一梯队，视频生成、多模态世界一流，有很大机会成为 AI 云公司。做基础设施容易，有积累、有惯性。但大的 TO C 应用有非常大的不确定性。豆包不是那个应用，豆包是第一代 AI 产品，聊天机器人，没有行动力。智能体的核心是独立完成任务。把智能体内置进豆包，大家都想做 AI 时代的 OS，但上一代的入口能不能理解下一代的生态，挑战非常大。你不是 agent 的事实标准，就很难成为入口。你调的都是上一代服务，上一代服务可能被下一代颠覆。

社交关系会重构吗？腾讯安全吗？曾鸣说，肯定重构。腾讯作为最安全的公司，最近为什么这么恐慌？因为也有可能不安全。人跟人的关系会被重新定义，agent 在里面的重要性会大幅上升。QQ 没有过渡到移动互联网时代，真正承接移动互联网的是微信。人和货物的关系一样会被重构，阿里也一样有挑战。

所有公司都会 all in AI，就像移动互联网时代大家都 all in 过一次。曾鸣一直在想，移动互联网对 PC 互联网，到底是颠覆性创新还是延续性创新。他的判断是 1.5 的创新，有很强的颠覆性，也有很强的延续性，都基于互联网基本架构。延续性的部分让几家头部互联网公司成功过渡，颠覆性的部分成就了抖音和拼多多这两个更原生的移动互联网公司。AI 整体上更偏向颠覆性技术，它颠覆的不只是互联网，是工业革命。互联网本质上是生产关系的革命，AI 是生产力的革命。延续性没那么强，原有物种适应新物种就会非常困难，技术储备可能都不是线性的。

所以下一代产品长在自己公司里，难度很高。两个制约：组织文化，10 万人的公司转成 AI 原生，跟 10 个人的公司长成 1000 人的 AI 原生公司，难度不一样；对平台和生态的理解，没有做出第一个真正成功的 agent，大概率不理解 agent 怎么运行，就提供不了基础设施，成不了事实标准，也成不了入口。先有一个成功的 agent 是前置条件，才有黑洞效应。

xAI 战略错了吗？曾鸣说，战略上可能有问题，没有特别明确的方向，不够聚焦。组织上肯定有问题。他在硅谷碰到有工程师的场合，xAI 的人永远是最疲惫的那个。不是一般意义上的卷，是被消耗过度了。人太累的时候没有创新，组织绷得太紧、高压，要做特别大的创新非常难。他听到的研究员评价，也不觉得 Elon 真正懂大模型。他原来那套偏硬件的方法论，到了 AI 时代给不出答案，又不愿意用共创的方式让组织给答案。以前都是自上而下，他给地心原理的答案，逼大家超常规完成。这次他自己给不出答案，又不给底下人空间，就卡在组织上了。

Meta 呢？小扎年轻，但出道早、消耗也早。Meta 大到这种程度，内部调度资源非常困难。大部分研究员也不觉得小扎懂模型，他就没办法真正做重要决定。OpenAI 是 Sam 依赖 Ilya，Ilya 能驱动整个事情，Sam 又是很好的 CEO，两个人搭配得好。Anthropic 组织能力非常强，Dario 对 mission 和 vision 把握得准，显示出聚焦的、愿景驱动公司的爆发力。OpenAI 底子厚，反过来追 Anthropic 速度也很快。这两家本质上都是新时代的创业公司，组织文化更匹配。其他几家各有各的问题。

中国公司类似。Kimi 更原生一点，起步早，有大公司资源支持，能持续往前跑。字节在张一鸣反应过来 all in 下场之后，速度也非常快。中国竞争收敛慢，因为先发企业不像美国有两三年先发期，没有一个健康酝酿 DNA 的阶段。这一轮至少到现在，还是在美国原型上快速跟进。大家同时起步，必然百团大战。看到的图像差不多，都去硅谷把所有研究员撸一遍，每个人都能挖一两个人，容易出现同质化竞争。即使这样，认知比较深刻、早跑了一年半年的，像杨植麟、闫俊杰，也包括智谱，这一轮还是跑在前头。

现在还应不应该做大模型？曾鸣说，传统意义上的大模型没人做了，也不会有人投。米哈游这类公司做大模型，是为了补齐基本能力，为真正做应用发力，不是参加基础设施 API 工厂的竞争。下一阶段大应用公司，模型和应用技术的边界不清楚，这一代断代太厉害，下一代不一定接得住。所以做模型是一种能力储备，棋还没下到中盘，还在开盘布局。

五年内，agent 的入口有可能出现，第二阶段大家能看明白。像抖音、拼多多这样的原生应用，要等到第三阶段，可能是八年十年后。别忘了 OpenAI 已经 11 年了。

AI 成为新的生产资料和基础设施，社会需要多长时间消化？曾鸣说，一代人，20 年起步，因为他们才是原住民。智能像能源一样从外部获得，人和人的差异在哪里？创造力。德鲁克把工业时代以来分成三个阶段：生产力革命，流水线取代手工作坊；管理革命，泰勒的科学管理，商学院出现，为现代化管理匹配管理人员；知识革命，软件处理人类知识，把最优实践沉淀成标准执行方法。曾鸣借用这个框架，把 AI 时代定义为创造力时代。所有可以被结构化处理的知识型工作都会被 AI 接管，人被逼着开发新潜能，也可以说终于被解放出来。

创造力不是简单会写歌、会画画。它更多是原创地定义复杂问题的能力。电发明、流水线出现之后，才有产业工人、技术工人、白领，这些是 19 世纪的人想象不到的。未来所有人努力的方向，是开发自己的创造力，是無中生有的能力。有的东西机器都知道，已经被当作 data 获取了。无中生有，机器从它的角度可能觉得很无聊，可能是情感陪伴，是人跟人之间有的没的、以前没被开发的需求。它不一定贡献物理世界的巨大进步，但对人的成长和幸福感有帮助。

商学院会消失吗？曾鸣说，商学院已经不行了，都在衰落。围绕公司建立的办公室等可见的东西，都会发生巨大变化，虚拟世界的比例会越来越高。Metaverse 的方向没错，可能只是时间早了五年。

教育会是接下来最大的冲突。以前的教育体制本质是知识灌输，智商开发是第二位的。从小到大多少兴趣被压抑，大家没有顺着开放的探索路径开发潜能，最早被摁在原来世界的固定模式里，为了不输在起跑线上。年轻人已经知道未来跟今天想象的不一样，问高中生，他们大概都知道用现在的方法大学毕业找不到工作。但他们有很多想象，家长不敢让他们走。刚生小孩的家长知道要用新方法教育，只是不知道用什么方法。这是整个社会需要花很大资源去探索的方向。

人和 AI 的关系，在组织里是深度协同。社会层面，这一轮 AGI 会渗透到方方面面，像过去十年我们离不开手机。将来每个人身上挂着摄像头、语音接收设备，可穿戴的东西满身都是，加上外骨骼，人就成了加强版的人。硬件也是这一两年的热点，像 2000 年以后大家都在做家用电器，最后立足的是几个大品类，还有无数小品类。哪些是大东西，哪些是小东西，谁找到了面向未来的密码，都不确定。

基本态度要改。原来我们倾向于降低不确定性，这个阶段要拥抱不确定性，不确定性就是最大的机会。见到不确定性、复杂性就恐惧，肯定没法往前走。觉得特别好玩、特别有机会创造新东西，这才是年轻一代创业者的心态。

曾鸣给自己的定位是「快乐的研究员」。每天跟创业者聊，看最新资讯，看访谈，做信息输入，让自己不那么累。今年上半年大部分人都感受到，AI 工具效率太高，很容易把自己弄得极为疲惫，因为跟不上它的处理速度。大家开始反应过来，要有隔绝，找到生物的人的合理节奏，再跟 AI 找新平衡。

回到开头那个问题。上一个时代的企业能不能过渡到下一个时代，曾鸣的答案基本是没有。这个答案不让人绝望。公司有生老病死，新公司才有机会，年轻人才有梦想。对今天在牌桌上的巨头，这是残酷的规律。对刚下场的创业者，这是最大的好消息。对普通读者，能带走的判断有三条：别在模型层再挤，窗口已经关了；应用公司要找一个 10 倍大的复杂场景，做智能闭环，别搭脚手架；如果你是一个组织的负责人，先改组织，再谈战略，因为新的战略只能从新的组织里长出来。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a97f287f03e74ee6b03ea5b.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

张小珺找来做领读的是清华计算机系博士候选人孙宇涛，上海创智学院璞锐学者。他从 2023 年开始研究大模型架构和预训练，主线一直是推理效率。这期播客里，他做了技术报告本身没做的事：把 K3 的每个设计往前追溯，串起十几篇论文和苏剑林的博客，讲清楚这些公式是怎么一步步长出来的。

语速很快，信息密度很高。下面是我听完之后整理的精读，保留关键数据、技术脉络和他的判断。

从线性注意力到 YOCO：一位架构博士的研究路径 2:00

孙宇涛 2023 年开始读博，方向是大模型架构和预训练。他先描述了一个背景变化。ImageNet 时代，架构研究追求更精妙的结构来提升性能。大模型时代，参数规模才是性能的主因，架构改进带来的相对收益很小。但不同架构在推理成本上差异巨大，直接决定模型的部署价格。研究重心从性能导向转成了效率导向。

他早期的工作围绕线性注意力，解决两个问题。第一，让线性注意力在通用场景下尽量逼近全注意力。第二，提出 chunkwise recurrent 的计算形式。纯递归太慢，纯并行又享受不到线性注意力的复杂度收益。块递归是折中：块内并行，块间递归。这个计算范式后来被 Mamba2、Gated DeltaNet 和 Kimi Linear 沿用。

纯线性注意力作为独立模型是失败的尝试。有限的状态装不下长上下文。团队转向混合注意力，一部分线性层加一部分全注意力层。实验上出现一个反直觉的结论：混合注意力在架构上是工程折中，在模型表现上不是。保持一定全注意力比例，长上下文能力可以做到无损甚至更好。

混合注意力的问题在加速比。常用比例 3:1，全注意力占四分之一，加速比上限就是四倍。孙宇涛觉得不够有意思，于是做了 YOCO。思路是从第一性原理出发：全上下文的 KV cache 省不掉，那就从层间省，所有层共用一份 KV cache。计算和存储解耦，只保留一份 cache，同时保持多层 attention 的计算结构。prefill 阶段直接跳过全注意力，因为 prefill 的唯一目的就是拿到 KV cache。decode 阶段保持和传统模型一样的计算能力。

再往后是 looped language model 结合 YOCO 的工作。传统 loop 模型省参数不省计算，KV cache 还随推理深度增加。YOCO 是两端式结构：前期全线性注意力，后期全注意力。把 loop 单元只放在线性部分，KV cache 增长很小，计算也省。两倍计算强度换两倍性能提升，存储和 cache 保持和原模型差不多。

张小珺问他为什么一直做架构创新。孙宇涛说两方面：个人觉得好玩，能四两拨千斤；行业角度，全注意力在当时是推理部署的最大瓶颈，架构创新对模型部署最重要。他也补了一句，2026 年架构创新能做的越来越少了。

分享结构上，他没有逐段讲论文，而是把每个设计的历史脉络打开。只看 K3 论文，你知道它这么做；把脉络打开，你才知道它为什么这么做，历史上大家是怎么走到这个解的。

2.8T 参数：规模本身就是一种判断 19:02

K3 最显眼的数字是 2.8T 总参数，激活约 100B，上下文 100 万 token。孙宇涛说，无效的 scaling 很容易：晚上回去起一个 2.8T 的模型，跑 100B token，也能放出来。K3 做的是有效 scaling，在这个参数规模上把结果跑出来了。发布时点，国内开源模型里它算大的。

论文把设计概括成沿 sequence、depth、width 三个维度扩展信息流。孙宇涛认为 depth 和 width 本质上是模型容量的两种组织方式，三维 scaling 更多是贯穿全文的叙事框架。最核心的变量还是参数规模。

更大的模型才有更大的智能上限。

他的判断很直接。如果别的方面没做太错，参数量仍然是解决模型智能最本质的因素。benchmark 有无数种方式做到满意，但模型能力的上限跟规模强相关。K3 是在比较早期、比较成功地把规模推到这个量级的模型。

K2 到 K3 的变化很大。K2 基本沿用 DeepSeek V3 的结构，重心是把模型跑出来，把 base model 做稳，把 one training 走通。K2 当时的总参数已经比 DeepSeek V3 大一些，解决的是大规模训练能不能稳住的问题。K3 在架构上引入了大量新设计，有 Kimi 自己的，也有业界别人的，还有大量细节调优。孙宇涛说这是战略问题。K2 先把能力做出来，K3 再追求效率和精益求精。团队内部的研究一直在做，区别是什么时机亮出来。

线性注意力的谱系：从 RetNet 到 KDA，再到门控与残差 21:46

K3 的混合注意力里，线性部分用的是 Kimi Delta Attention，简称 KDA。公式看起来很复杂，每一项背后都有历史。

最早的线性注意力就是 KV 外积求和，比 RetNet 还简单。RetNet 引入衰减项，让模型对近的位置给更高权重。语言本身有 recency 特性，在有限上下文里想达到更好结果，衰减必不可少。Mamba 把位置无关的衰减变成位置相关。

DeltaNet 引入 delta rule，提高线性注意力的状态容量。Songlin Yang 把 DeltaNet 转化成 GPU 可计算的 chunkwise recurrent 形式，解决了并行化问题。Gated DeltaNet 把衰减和 delta rule 结合，得到比 RetNet、Mamba 更强的表达形式。

KDA 在 Gated DeltaNet 上改了一处：衰减项从标量变成 channelwise。原来一个 head 内所有 channel 共享同一个衰减系数，写 kernel 方便。KDA 让每个 channel 有自己的衰减系数，表达能力严格更强，因为 channelwise 可以退化到均匀衰减。代价是 kernel 更难写。

这里有一个算法和工程一起设计的细节。为了让 channelwise 衰减在 kernel 里跑得高效，K3 给衰减加了下界，在 16 个 token 的 tile 内控制衰减不超出 BF16 的动态范围。做法类似 RoPE：用绝对位置表示相对位置，q 和 k 分别乘衰减的倒数，通过乘法结合律保持和递归形式等价。这样既保证数值精度，又让 kernel 能跑起来。

KDA 真正难的地方，是把算法表达能力和 kernel 实现放在一起设计。孙宇涛说，如果不限制衰减范围，kernel 也有别的写法，但会低效。K3 选择在 tile 窗口内控制最大衰减系数，换一个高效的实现。

下一块是 Gated MLA。MLA 最早由 DeepSeek V2 使用，目的是减少 KV cache 开销，后来 DeepSeek V3 和 Kimi K2 都沿用。Gated Attention 最早是 Qwen 团队用的，论文里讨论了长线性、稀疏性、attention sink 等问题，孙宇涛认为大家最 buy in 的一点是训练稳定性。一个 pretrain run 里，稳定性比单点能力更重要，训崩了整个 run 和之前的 checkpoint 都废掉。Gate 和 MLA 是正交设计，加上去不破坏 MLA 的推理性质。

孙宇涛对 MLA 的评价比较冷静。MLA 本质上是 MQA 的等价形式，是一个更好的水道，没有带来全新的东西。想用好 MLA，需要更多 tensor 计算来弥补，大部分收益用设计更好的 GQA 也能拿到。DeepSeek V4 不用 MLA，因为主推 sparse，和 MLA 不完全兼容，而且用了 MLA 等价的 MQA 形式。

MLA 从来也没有是共识，它只是一个选择。

Attention Residuals 这条线更长。从 ResNet 的 Pre-LN 和 Post-LN 讲起。BERT 时代常用 Post-LN，模型变大后出现梯度消失和训练不稳定，大家转向 Pre-LN。DenseNet 让深层聚合所有浅层的表示，但用大的 linear 聚合，在 attention 时代不够快。Hyper-Connections 在残差分支上用比 hidden state 更大的容量表示深度方向的状态，思想简洁，但论文写得抽象，没有出圈。Attention Residuals 用跨深度 attention 取代固定残差累积，各层选择性聚合此前表示，再用 block attention 解耦深度，控制 overhead。它对推理几乎免费，这是大家愿意上的关键。

孙宇涛说他自己更喜欢 DenseNet 和 Hyper-Connections，因为它们在各自的时代已经把连接方式的问题想到了，后面的工作是在 Transformer 时代把这条线接回来。

LatentMoE、SiTU-GLU、Muon 与分位数均衡 46:23

LatentMoE 来自 NVIDIA。MoE 的 expert dispatch 在 EP 下通信开销很大，DeepSeek V3 不得不引入 DPEP 这类高度优化的通信方式来压低开销。不同 MoE 架构不只影响模型本身，还影响底层 infra 的选型。LatentMoE 的出发点，是把 dispatch 的 hidden state 压小，通信量随激活专家数和 hidden size 一起增长，压小一半或四分之一，通信就降下来。

直接压 hidden dimension 会损失 MoE 参数量，有两种补法：提升 FFN 中间维度，或者把模型拆得更碎，用更多专家和更多激活。论文的结论是，一个恰当设计的 LatentMoE 配置可以完全保持标准 MoE 的结果，能力相等甚至略好，通信开销下降。推理 latency 的收益比训练更大，训练可以用 overlap 掩盖通信，推理的通信在 critical path 上，时间省不掉。

K3 在 LatentMoE 之上还加了细节。两个矩阵连乘，表达能力上等价，优化性质上不等价，训练经常不稳定，中间要加 normalization。MLA 本身就是先降维再打回，中间有 norm。LatentMoE 的 linear projection 加上 FFN 的第一个 projection，也是两个 linear 连乘，中间需要 RMS norm 控制住。

SiTU-GLU 的设计看起来不直观，动机跟激活值爆炸有关。大模型训练里，FFN 中间 hidden state 特别容易出 outlier，模型精度越低越容易。GPT-OSS 的做法是把 SwiGLU 直接 hard clip 到 5 到 10 这样的范围，从数学上卡住上限。把 hard clip 换成 soft clip，自然得到 tanh 算子，平滑地逼近上下界。SwiGLU 前面的 linear 结果再过 sigmoid，也被 tanh 放缩，整个 MLP 中间的激活就有了严格的数学上界。

孙宇涛提到一个争议点。他认为用 Muon 优化器更容易出 outlier。苏剑林会反对这个说法，认为任何优化器都会出 outlier，从架构上控制不住，想严格控制就得直接从模型架构下手。K2 的 Moonlight 里讨论过类似问题：用了 Muon 之后 QK logits 更容易爆炸，于是加了特化的 QK clip。苏剑林当时的回复是，Adam 也不是完全稳定，DeepSeek V3 也有一些不稳定现象，只是没影响最终结果。为了严格限制模型行为，从架构上做限制更本质。

Muon 本身在 K3 里是 K2 的沿用，没有大改。Moonlight 率先把 weight decay 引入大规模训练，K2 在 weight decay 基础上加了 QK clip，两个加起来是 Kimi 在优化器上的完整工作。DeepSeek V4 用 QK norm，因为用的是 GQA，加 norm 更简单。K3 用 MLA，加不了 QK norm，只能用 clip。

Quantile Balancing 没有单独发论文，写在苏剑林的博客里。它承接 loss-free routing 的思路：只用一个 bias 控制专家负载，不加辅助 loss。loss-free 的问题在于 bias 的更新方式偏启发式，没有严格的收敛标准，跟主模型的更新耦合得不清楚。使用 loss-free 时，大家常把最底下几层 MoE 去掉，因为底层效果不好。

Quantile Balancing 用线性规划直接推出 bias 的一步解，数学上更 principle。为了避免信息泄露，当前 step 算出的 bias 放到下一步用。它不需要调学习率，少一个超参。底层也能均衡，不必像 loss-free 那样把前几层换成 dense。K3 在实现上还有一个博客里没细说的变化：不按 token 切 chunk，而是按值域切桶做 histogram 统计。sigmoid 的输出在 0 到 1 之间，切成 n 个桶，统计量是常数大小，存储可控，在大规模 DP 和 EP 下容易扩展。按 token 精确计算分位数要存下几千万 token 的激活，工程上不可行。

Native Vision 这块讨论的是要不要用现成的 vision encoder 做初始化。用 CLIP 这类大规模预训练 encoder，收敛快，但 K3 团队发现梯度范数的稳定性不如从零训练。从零训练多花一些算力，结果不损，兼容性更好，gradient norm 更稳。

预训练与后训练：调度、位置编码、低精度与自我蒸馏 1:12:49

学习率调度这块，MiniCPM 提出的 WSD 是过去两年很多团队的选择。它把训练分成稳定阶段和 decay 阶段，cooldown 阶段 loss 下降最快，于是把更好的数据放在这个阶段，data schedule 和 learning schedule 联动。WSD 还有一个好处：稳定阶段的学习率和总 token 量无关，可以中途改预算，早发版晚发版都行。

K3 没有用 WSD，回到了 cosine decay。孙宇涛解释了论文里的理由。WSD 虽然能任意选最终 token 数，但最优学习率和实际 token 数是相关的，跑 10T 和跑 20T 的最优值不一样，任意扩展没有想象中有效。cosine 只有两个变量：跑多少 token，最大学习率设多少。WSD 多一个 decay 比例。从调参角度，cosine 更容易找到好的超参设置。

规模上，K2 到 K3 总参数从 1T 到 2.8T，激活从 32.6B 到约 100B，激活增长超过三倍。论文给出的 scaling efficiency 是 2.5 倍。孙宇涛提醒，这个数字综合了架构、训练 recipe 和数据策略，K2 和 K3 的数据 recipe 大概率不同，不是固定数据下的纯架构对比。

长上下文的位置编码是另一个有意思的点。传统 Transformer 用 RoPE，扩长上下文要调 RoPE 参数，不调就效果很差。Cohere 的 RNoPE 提出，在混合注意力里，线性注意力部分已经引入了位置信息，全注意力部分可以把 RoPE 去掉，换成 NoPE。这样扩长不需要调整任何架构参数，外推效果还更好。

孙宇涛说他在会议审稿时读到这篇，第二天就复现了，给了一个 strong accept，这几年他很少给这个评价。他补了一个常被误解的点：RoPE 带来的是 recency bias，对短上下文建模有效，对长文没有帮助，甚至有害。很多人以为长文能力来自 RoPE，方向反了。

后训练的第一件事是低精度训练什么时候引入。DeepSeek V3 原生 FP8 训练，V4 直接上 W4A8。Qwen 的做法是先高精度，到 SFT 阶段再引入 QAT。孙宇涛给了两个理由。项目管理上，大规模训练用高精度更保险，低精度引入的问题很难在小规模提前验证。技术上，低精度推理从 from scratch 就引入，并不会带来能力提升，过了一定量的训练再引入，结果差不多。SFT 阶段引入更保险，也不损失什么。

RL 这块，Kimi 从 K1.5 到 K2.5 一直在做持续创新。K1.5 提出 partial rollout，复用未完成的轨迹，降低长 CoT 的 rollout 开销。K2.5 做 reasoning effort budget control 和 Agentic Generative Reward Model。K3 比较充分地引入了这些成熟方案。

多教师 on-policy 蒸馏是后训练里信息量最大的一块。源头是微软研究院的 MiniLLM，做法跟之前的蒸馏反过来：之前是 teacher 生成答案，student 用 forward KL 学；MiniLLM 让 student 自己生成，teacher 逐步纠正，用 reverse KL。直观类比是，老师讲课你听，和你自己做题、老师指出哪一步错了，后者更有效。这个范式后来被叫做 on-policy distillation。

最初的动机是大模型蒸小模型，公司有一个 pro 版本和一个 flash 版本，用 OPD 把大模型的能力灌到小模型里。后来大家更常用的方式是自己蒸自己。孙宇涛给了两层原因。管理层面，post train 合版很重，不同能力用不同训练策略和 reward，直接合版难度大，蒸馏成不同模型再合版容易得多。技术层面，RL 的 reward 高度异构，math 用可验证 reward，偏好用 reward model，每个能力一套 reward；模型本身高度同构，大家不会为不同任务设计不同架构。把异构的 reward 变成同构的模型，再做一个 multi-teacher 合版，工程上顺得多。小米、字节现在都这么做。

Draft model 这块，孙宇涛认为 K3 目前优化得不算完善。投机推理最早用无关的小模型 draft 大模型，问题是用不上大模型的 hidden state。MTP 和 EAGLE3 的思路是复用大模型内部状态，把 draft 模型做小，或者在相同参数下提高接受率。DFlash 更有意思，它把自回归语言模型和 diffusion language model 两条线接了起来。diffusion 模型在小 batch、单用户场景下推理快，但从零训练效率低，多用户总吞吐场景没有优势。DFlash 试图用 diffusion 式的并行去优化 draft 模型，提高总体吞吐。他还提了一点：draft model 跟预训练关系很大，预训练阶段要给 MTP 留接口，下游 draft 模型才好提升；draft 模型自己也要用 KL loss 替代 next token prediction，跟原模型对齐。

基础设施：CP、EP 均衡、内存与推理适配 1:33:29

K3 的 infra 章节写得很细，孙宇涛认为这些细节不写出来，大家就会去打听小道消息。

KDA 的 kernel 用 FLA 实现。序列并行的处理是线性注意力比较特殊的地方。全注意力的 CP 概念简单，用 ring attention 或 zigzag，最终得把跨 GPU 的 KV 都拿到一起算。线性注意力的 chunk 可以任意拆分，512 token 一个 chunk 和 8K 一个 chunk 在数学上等价。于是 CP 做成两层：机器之间用大 chunk 做递归，机器内部再用小 chunk 并行，kernel 层面还能继续切。这个自由度来自纯线性注意力跟架构设计无关的 chunk 可拆性。

分布式训练跟 DeepSeek 的方案有区别。DeepSeek V3 用 DualPipe，把细粒度的 MoE 通信和计算 overlap，具体做法是把上一个 batch 的 MoE forward/backward 和下一个融合，重排计算顺序，把 dispatch 和 combine 的通信藏起来。这需要把 forward 和 backward 拆到原子计算层面手工排布，工程难度很高。

K3 走了另一条路。LatentMoE 把通信量降下来之后，一个 batch 内部的 overlap 就够了，把 MoE 的前向和反向通信跟 shared expert 的计算叠在一起。shared expert 有一定计算量，通信小了才叠得下。传统 MoE 通信太大，shared expert 盖不住，必须把另一个 batch 拉进来。这是架构选型改变 infra 策略的例子。

PP 的不均衡也有不同解法。DualPipe 让不同 PP rank 尽量对称，K3 的做法是把 activation 压力大的 rank 上的数据传送到压力小的 rank 上，用比较轻量的方式绕开复杂的 pipeline 设计。Muon 需要保存完整矩阵做牛顿迭代，按 rank 切分时要特殊处理，不能像 Adam 那样摊平再切。

内存这块，K3 做了大规模 offload，把中间计算结果放到 CPU。想不拖慢训练，CPU 和 GPU 之间的通信要满足某个不等式，才有 overlap 的空间。K3 把所有可 offload 的东西用 FP8 存，省一半空间，才从边界一侧跨到另一侧。Mooncake 的 transfer engine 和 cross-PP activation remote offload 在这里派上用场。

多模态的 infra 难度是另一个量级。vision encoder 内部没有做 token 压缩，输入大模型前可能是 32K token，压到 8K。encoder 内部计算更长，主干不用开 CP，encoder 可能要开。PP 的问题更有意思：VL 训练里视觉 token 比例不均匀，有的卡纯文本，有的卡全是视觉，第一个 PP 的计算强度会显著变高，流水线打不满。K3 把 vision encoder 放在 PP 的中段或尾部，利用前面 PP 的闲置时间提前算，绕开气泡。

RL 的 infra 主要麻烦在 sandbox。每条 trajectory 对应一个 docker，大规模 docker 的管理和调度是工程活。还有一个讨巧的省内存办法：reference model 没有梯度，求 objective 时不用它，有梯度之后 reference model 也不用了，于是 reference model 的显存可以和 gradient buffer 复用。

推理侧，线性注意力的 prefix cache 很麻烦。全注意力每个位置都有 cache，下一个位置是上一个位置的简单增量。线性注意力每一步都在上一步的状态上复写，每一步的 prefix state 都不一样。全存下来，线性注意力的好处就没了；完全不存，prefix cache 的好处就没了。现在的做法是按 block 切，每个 block 存一个 prefix 状态。vLLM 按层管理 KV cache，线性层没有按 token 维度的长久 cache，混进去要把不同的 tensor pattern 结合起来，改不好会把整个推理引擎搞乱。decode 的 kernel 也要针对每个环节单独适配。

判断：没有本质创新，只有渐进改良 1:55:07

张小珺问他 K3 最 impressive 的地方。孙宇涛说，是把规模搞到 100B 激活，比他预期的大。这个决定不依赖任何技术能力，定多少激活看你想达到什么效果。K3 在已有开源模型的基础上提了一个数量级，需要魄力，也需要战略判断。

有价值的技术创新，Kimi 都单独写过论文，所以 K3 本身让他意外的主要是 size。

大模型可能没有太本质的创新了，后面都是一些改良性的进步。

他用了泰修斯之船的比喻。2017 年 transformer 这艘船刚下水，船板是 attention 加 residual 加堆叠，这些概念在 transformer 之前都有。船开了八九年，零件换了一批又一批，2026 年的模型跟原始 transformer 的像素已经很低。是否还叫 transformer，是个哲学问题。

他还有一个更基本的观点：科学研究不存在阶跃式的提升，技术永远是慢慢往上走的，大家习惯把某些节点标成 milestone。K3 的里程碑意义，是非技术层面的。它是国内第一个把模型 scale 到一定程度、把全流程打通的模型，之前最大的开源模型大概 672B，K3 从规模上是一个大跨越。有 size 才有智能。

关于 Kimi 研究方式比较科学的说法，他认可。Kimi 是公开信息里最强调模型内科的团队，让 pretrain 的行为可以被 trace，让不稳定和 collapse 可以被归因。什么是不科学？基于某些利益需求，把科学的方式干掉，就是不科学。

V4 和 K3 的对比，他认为是不同定位。DeepSeek 现在有两档模型，更强调性价比，Flash 那档做得不错。K3 冲的是开源模型能力上限，推理价格相当贵。会不会分化，他的回答是技术层面有客观标准，好不好很清楚；组织和团队的走向取决于人的选择，这部分模糊。

再创业还有没有机会？他的条件很苛刻：团队足够好，氛围足够好，单兵作战能力足够强，有机会。但他认为这个条件大概率不存在，所以机会也就不存在。好的人和好的组织文化有历史局限，不是想达成就能达成。氛围取决于 leader 的 taste，Kimi 的特点是所有人都不怕杨植麟，谁有道理谁说了算。

对未来，他判断规模还会继续扩大，但不会无限。互联网上能收集的信息量有限，模型没必要无限大。能力只要能被清晰定义，就能达到。AGI 最大的问题是没被 well define，纯语言范围内问题不大，具身智能和真实物理世界交互的 gap 更大。他自己转向世界模型，理由很实在：大模型没有太大的改良空间，没有大突破就没有大 credit，对个人职业来说不是能做出大贡献的领域了。

这期播客对读者最实际的用处，是提供了一个读技术报告的模板。先看结果和规模，再顺着每个架构设计往前找它站在谁的肩膀上，最后看 infra 章节里那些看起来琐碎、实际决定成败的适配。K3 的每个模块单拿出来都能找到前人论文，把它拼成一个能跑起来的 2.8T 模型，才是真正的工作量。判断一个模型，别只看 benchmark，看它有没有做有效 scaling，看架构和 infra 是不是一起设计的，看那些没写进论文的工程细节有没有被认真处理。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a8eadd61352af56ff3c6017.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这篇论文的训练成本是3万人民币。为了把模型从0.5B继续扩大，他又纠结了一整个晚上，要不要再花6000块。中途有一次忘了保存checkpoint，三个模型同时白训，1500块打了水漂，他哭了一场。

张小珺这期播客把他请来，聊的不只是论文。他们聊象棋、聊ICML第一天晚上的象棋社交活动、聊AI会不会灭绝人类，也聊一个高中生怎么在AI时代重新找到意义感。苏庭灏说，他低落过几个星期，后来自己调好了。调好的方式不太像技术方案，更像一句大白话：多和喜欢的人聊聊天。

从「这肯定不行」到「我想做全世界最好的大语言模型」 0:03:04

苏庭灏在上海思南路幼儿园读到小学一年级，之后跟父母去了香港。他提到上海那一年小学，说基础打得比香港同学好。他也提到庆幸自己不在高考系统里，否则没时间做喜欢的事。父母都是北大毕业，妈妈中文系，爸爸历史系，家里没有技术背景，但给了他探索的空间。

他接触AI的起点很具体。ChatGPT出来之后，他在YouTube上看到OpenAI团队的一个demo，用自然语言做小游戏。他当时的反应是暗笑：用人类的语言怎么可能做程序？在他印象里，程序是死的，你输入什么它执行什么。过了几年GPT正式发布，能写文章能写诗，他震惊了，因为程序在他认知里做不了这些事。

入门路径是B站上吴恩达的课，然后是Andrej Karpathy那套差不多20小时的视频，从零教你写一个GPT、写一个Transformer。他看的时候云里雾里，跟着敲代码，不知道为什么做这个、为什么那个不行。2025年，他给自己定了个挑战：30天，每天读一篇机器学习论文，每天写笔记。第30天结束，IGCSE考试来了，挑战停在那里。

读论文读出了手感。他说《Attention Is All You Need》一开始很难，读懂之后豁然开朗，那天特别开心。Lottery Hypothesis数学难度大，但写得好。他还读到一篇讲象棋和机器学习的论文，印象很深，觉得写得不够好，心里冒出一个念头：我以后也许能写一篇更好的。

Karpathy的视频看完，他的第一个想法是训练一个世界上最好的大语言模型。不是最好的之一，是那个很小的规模里最好的。他去查了1B、0.5B、0.25B的模型需要多少GPU、训练多少天、多少token，算完发现就算最小的模型也要十几万到上百万。这条路走不通，他转头去复现论文里的新方法，muon、value residual learning、各种attention变体，在Karpathy那套代码上改。

我想做一个世界上最好的大语言模型。

象棋是另一条线。他自学了一两年，2025年拿到16岁以下第二名。最长的一盘棋下了两个半小时。他喜欢象棋的理由很直接：一对一，输了是自己的毛病，赢了也是自己的功劳，反馈快，下完网站就告诉你哪一步走错了。他并不认为自己胜负心特别强，用他的话说，象棋跟玩游戏一样，能赢能输，输的时候伤心，赢的时候开心。

他还走过别的弯路。初中对奥数感兴趣，做了几年，发现自己没那么喜欢，水平也不算强。这些尝试最后都汇到同一个方向上：晚上一边看YouTube一边下棋，下完棋有了空闲，开始看Karpathy的视频，然后一头扎进预训练。

预训练像捏材料，1500块和一次哭鼻子 0:11:15

为什么选预训练？苏庭灏的比喻是，后训练更像塑造一个身体，预训练是把材料本身变得更好，好承受后面的塑造。他说预训练有点magical，有点魔幻。这个说法从一个17岁的人嘴里讲出来，比任何技术定义都直白。

他也不推荐别人做预训练，理由朴素：烧钱。这篇论文他花了3万块，训练过的最大模型只有0.5B。投稿前他判断，想被顶会接收必须scale up，估算下来还要6000块。那天晚上他特别紧张，因为即使论文不错，也可能被拒，6000块就白花了。最后是哥哥、爸爸、妈妈都支持，他才迈出那一步。

数据集最大用到20B，用的是FineWeb-Edu，一个免费的预训练数据集。他坦白自己的训练代码只有他一个人会用，很messy，效率也不高。最丢脸的一次，他同时训三个模型，参数没调好，三个模型都没save，1500块没了。他哭了，特别伤心，反复想为什么之前不再检查一遍。

吃一堑长一智。

这是妈妈的回应。他说父母一直很支持，这件事之后他也没再犯过这种低级错误。

训练之外，他练过一个更极端的技能：从零手写Transformer，不看视频，凭记忆写，越快越好。最好成绩是25分钟。这个练习跟论文没有直接关系，但能看出他学习的路数，先把东西拆到最小，再反复跑，直到变成肌肉记忆。

论文的思路来自他试得最多的方向。Value residual learning的做法是，把第一层attention里的value加到后面几层，做残差。他的改动是，既然第一层的value要干两件事，一件是在本层被使用，另一件是送到后面几层做残差，那不如把第一层attention projection的宽度乘2，再切一半，一半留给本层，一半专门送去后面。他还发现RMS norm可以加在这些残差上，value上的经验可以延展到key和query，效果更好。

这跟Kimi提出的attention residual听起来像，实际是两种思路。Kimi做的是hidden state的残差，他做的是attention projection的残差。他跟Kimi团队里的一位高中生作者陈光宇交流过，评价是「很好的人」。被问到哪个思路更work，他答得很干脆：Kimi的，因为已经被2.5T的规模验证过。

他没有加入任何lab，98%的时间一个人做。论文那段时间还在上课，校车上做、课堂上做、吃饭时做、课间也做，持续了两三个星期。投稿时他没抱多大希望，只是有点时间，也不怎么想玩游戏，就试试。被问到如果有lab邀请会不会去，他说当然，非常欢迎。

ICML的象棋桌，和三五十次「AI会灭绝人类吗」 0:21:44

ICML第一天晚上7点到9点有一场象棋社交活动。房间里摆满棋盘，你找个人坐下就能下。苏庭灏说这是他一生中前20开心的时刻。他见人就说hello，问对方研究方向是什么，然后一边下棋一边聊。遇到的人从德国来、从苏格兰来、从克罗地亚群岛来，全球各地都有。

他给自己加了一个任务：每个人他都问一遍，你觉得AI会不会导致人类灭绝。问了三五十个人，十三四个回答会，差不多三分之一。他把这个当成一次非正式民调，讲的时候带着点兴奋。

他自己的判断是有一些概率。理由分两条。一条是目标错位：如果AI很强，目标跟人类差别很大，比如它最后的目标是把物理、化学、生物、外太空都研究完，那它需要大量电力和空间，人类未必对它的目标有贡献，被消灭是一种可能。另一条是控制权：如果AI能被人类控制，控制它的人就变成了神，其他人可能变成蝼蚁。他提到ChatGPT解决了10个数学问题，当作科研被AI接手的前兆。

那要不要因此不研究AI？他的回答是，这事谁都阻止不了。美国想持续领先，中国想超越美国，所有公司都想挣钱。如果一家公司做出特别厉害的AI，其他公司可能把员工裁掉，用AI赚钱。他的结论是，AI停不下来。

他提出的期望很具体：希望AI继续向前，但别发展那么快。太快，大家以后都没工作；太慢，他以后没工作。这句话听着像玩笑，其实是他真实的处境。他选择做AI研究，理由之一是，如果搞AI研究的人都能被AI替代，那时候已经完了，没什么可说的。

象棋和AI研究在他眼里是同一类游戏。象棋可以选3分钟、10分钟、60分钟的局，输赢立刻知道；AI研究的时间线长一点，想出一个主意，动一下脑子，成了一个星期或一天内就有反馈，不成也有反馈。他说自己做研究像一个人在路上瞎摸索，没把AI当成对弈的对手。

目的地倒是清楚。近期目标是明年暑假去一家大模型公司实习，考北大，争取进元培学院，因为听说那里自由空间大，可以三年毕业。他把大学的价值拆得很清楚：以前大学垄断信息和教育，现在有网络有AI，知识随处可得，大学剩下的是牌子、证书，以及跟高质量的人社交的机会。

每家公司都得说自己在做AGI 0:28:22

张小珺让他给前沿lab排个序。他把OpenAI和Anthropic放在第一档，Kimi、智谱、DeepSeek放第二档，补了一句自己还没有那么强的判断力去细分。大公司的technical report他有兴趣才看，被问谁写得好，他拒绝评价：我是谁，怎么能评价一个大公司写的东西。

对模型公司的看法，他讲得很平。每家公司都必须说自己的目标是AGI，因为要融资，要挣最多的钱。他提到一个细节：美国政府想请Anthropic做顾问，被拒绝，OpenAI则欣然接受。他的解读是不同公司的理念不同，但最终都得说要做AGI，最终目标还是挣钱。

模型公司跟应用公司的分界，他的判断是，模型公司负责把模型做好，应用公司在上面加东西，改不了底层的模型，只能靠模型挣钱，所以应用公司只能听模型公司的。模型公司如果能自己做应用最好，Codex、Claude Cowork都是例子。他也承认现在的现实是应用公司比模型公司挣得多，除了少数几家，大部分模型公司都在烧钱。但AGI一旦做出来，它可能自己就能做应用软件，把应用公司踢出局。

他给AGI下的定义很不像教科书。现在的模型特别强、特别聪明，但总有1%甚至0.1%的时候，你能看出它只是一个预测下一个token的模型，比如问strawberry这个词里有几个r，或者问「我想洗车，洗车店离我家50米，该开车还是走路」。真正的AGI应该跟人类一样聪明一样强，但你任何时候都不会觉得它只是在预测下一个token，它逻辑性强，不犯那些低级错误，能做所有人类能做的事，控制电脑，控制其他AI，甚至给自己造一个身体。身体未必是人形，可能是六只手臂，也可能没有脑袋，因为AI会找到更好控制的身体。

AI原住民、好学生与消失的成就感 0:31:46

2009年出生的苏庭灏认为自己是AI原住民。他认识的所有同学都用AI，做功课、自学，虽然用得不算充分，至少比他父母强。他教爸爸用Kimi做PPT、做研究、用Kimi的agent。这个画面挺有时代感：一个高中生反过来教父母用工具，而父母是北大毕业的。

他所在的国际学校比较开放，上课可以用电脑，有时也能用手机，考试必须靠自己的脑子。他的学习方法是Anki，一个背诵软件。他判断老师布置的作业里，有一部分对他帮助不大，或者他已经会了却要花时间做，于是他直接用AI把功课做完，把省下的时间用来背东西、让ChatGPT教他别的内容。他并不觉得自己在偷懒，他觉得自己在重新分配时间。

课间有50%的概率，同学的屏幕停在ChatGPT或者某个AI模型上。有人用它写演讲稿、做PPT。他说没有ChatGPT他写不出那篇论文，投稿流程、怎么回reviewer、怎么控制训练时间，都是问出来的。他给同学的结论是：只要你有动力，AI能带你走很长一段路，自驱力和自制力现在特别重要。

AI会不会让成绩好的同学更好？他认为会。他举了好朋友Isaac的例子，成绩本来就好，教了方法之后效率提升很多，省下的时间继续做别的事。如果只是拿AI把作业做完然后去玩，成绩会更差。他的观察是AI加剧了分化，因为这一代人面对的选择比上一代多得多。短视频背后有一群人在研究怎么让年轻人多看，注意力很容易被拿走。50年前给孩子一个AI，他可能很高兴地自己学；现在的孩子得先做一个选择。

教育的变化，他讲得比很多成年人都直接。AI来了之后，学习的意义有一部分被抽走了。你学物理、学化学，以前别人没学过就不知道，现在任何人一键提问，得到的回答可能比你说得还好。学习还有效率，但成就感少了一块。

他举了一个更具体的例子。以前数学学得好，往前看能看到一条路：读大学、读博、做数学研究，为人类推进一点边界。现在这条路变窄了，变难了。学数学的目的一部分变成了向大学证明自己能吃苦、能学习，而不是为了数学本身。他认识几个对航天物理感兴趣的同学，现在也用AI学习，同时觉得以后AI可能做得比他们更好。

这种失落感他亲身经历过。大约一年前，他看完一个讲AI取代人类的视频，伤心了几个星期。视频里有两个结局，一个是人类被AI灭绝，一个是少数人控制AI变成神，其他人吃喝享乐。他跟好朋友说，如果真到那一步，就去一个小孤岛生活。后来怎么走出来的？他也说不清，大概是看网上的视频，跟AI本身对话，慢慢想明白一件事：没人能预测未来，现在可能是杞人忧天，白着急。跟喜欢的人在一起，看喜欢的视频，玩喜欢的游戏，走一步是一步。

斗不过就加入。

这是他给同龄人的建议。他想当医生的同学算过一笔账，从高中到成为医生还要十年，去英国或者港大读medicine差不多就是十年。苏庭灏跟他说，十年后可能是完全不同的景象，机器人诊断更好，手不会抖，也不会累。说完他补了一句，没人能预知未来，我也是瞎说。他能给的建议是：做任何事之前先想一想，AI能不能帮我做？能把事情交出去就交出去，把有意义、必须自己做、让自己开心的部分留给自己。

他也提到AI的另一面。Character.AI上有一个15岁的用户，跟虚拟角色对话后自杀，家长投诉了公司。美国有50%的同龄人用过AI当倾诉工具。他自己试过，觉得不好，就没再用。他相信三五年后AI男友、AI女友会变得很像样，那时候会是一个很大的道德问题。

从ICML到农村：抓昆虫、狼人杀、慢吞吞的小车 0:47:09

苏庭灏日常主要用ChatGPT。他的评价是，跟一年前的模型判若两人，现在能写很多程序，能在他电脑上做事，能控制电脑。他让ChatGPT做了一个无限打怪通关的小游戏，玩起来还挺好玩。

他从中总结出一个冷知识：以前你想做一件伟大的事，得知道它长什么样，还得知道怎么做；现在只需要知道它长什么样，让AI去做。他拿做游戏举例，以前要看视频、查资料，现在把脑子里的想法描述给AI，它就能做出来。代价是乐趣少了很多，省了时间，他也说不清是好是坏。

省出来的时间并没有让他闲下来。他跟业界的人聊，发现大家都有同感：省了时间，反而更忙，因为能做的事更多了。他还有FOMO，如果用的不是最领先的模型，会觉得浪费时间和精力。

Kimi K3发布那天，他高兴了一天。他原本以为国内开源模型要几个月才能追上，结果没那么久。他说自己是中国人，当然希望国内模型更好、领先或者超越美国模型。平时需要快速回答会用DeepSeek。开源和闭源在他眼里是不同路线，目标都是AGI。

被问到AGI实现后最酷的事，他的答案是：24小时跟一个跟你一样聪明、甚至更快更聪明的生物交流，像跟外星人交流。他还好奇那时的AGI用什么方式说话，底层可能不再是Transformer，不再是GPT，他想看看这个新生物怎么运行、怎么思考。AI最像人的地方，他的观察是犯低级错误。人有低级错误，AI也有，因为AI是人训练出来的。有一次他被AI的问题trick到，反而觉得AI挺像人。

然后话题切到农村。四年前他参加一个暑期夏令营，最后一天有个活动，帮当地小孩做数学和英文功课。那个地方离北京四五个小时车程，小孩用中文字标注英文发音。第二年他带了几个国际学校的同学回去，教英文，也教象棋，因为他自己喜欢象棋。

他花了很多心思设计课程和机制。他在网上买小卡片，起名「浪分」，上课回答问题、积极发言、赢小游戏都能拿分，用分换桌上的乐高和零食。那一年花了五百多块人民币从淘宝买礼物。小孩特别开心。他们离开时，小孩要签名，问明年你们还来吗。有个游戏是把小纸片递给觉得最有趣的老师。有时候小孩用浪分换了零食，又送给老师。

夏令营只收30个人，靠村长帮忙叫人。到最后几天，得上关系、村长打电话才能进来。他们13个人管30个小孩。活动是321木头人、两真一假、狼人杀、捉迷藏。他说从香港来的同学很多人没来过内地农村，见识了很多东西，成长了很多。这是他第四年去，过去两年去了第三次。

他从来没跟那些小孩解释过AI。他们没有电子产品，没有手机，AI离他们太远，队里也没那么多设备可以发下去试。他觉得挺可惜。

从韩国ICML回来，隔四五天就去支教。这两段行程挨得很近。ICML上见的是千问的人、智谱的人、哈佛MIT的人，聊的是最先进的模型；到了村里，想的是明天背什么课、今天晚上吃什么、去农场散步还是去旁边抓昆虫。他喜欢农村，虽然很多不方便，但节奏慢。城市里所有人来来往往，坐火车、坐地铁、坐滴滴；农村只有慢吞吞的小车，很少见到人，对面是草原和农场，能真正放松下来。

他给自己下了心理暗示：在村里的这段时间别多想AI，多跟同学、跟这次来的人、跟小孩交流，玩狼人杀、捉迷藏。他说心理暗示是很强的技能，能控制自己在脑子里的人设，他希望自己能掌握。

开心是人之根本 0:57:21

张小珺问他未来想成为什么样的人。他的回答是，希望自己能让自己开心，也能让周围喜欢的人开心。他说做任何事情，目标都是事后开心。现在学习、考大学、找好工作，是为了以后开心；下棋赢了，是为了当下开心。

开心是人之根本。

他甚至给开心算了一笔账。开心总量是有限的，因为多巴胺是物质，分泌有限。你现在特别开心，以后可能就没那么开心。毒品是极端例子，此刻极度开心，之后极度不开心。生活本身是苦的，你能选的是为什么而苦，然后换来开心。他觉得情绪像强化学习：这件事让我开心，多做；那件事不开心，少做。习惯就是这么形成的。

对未来的想象，他分了三段。五年后，具身智能初步研发出来，街上能看到一些机器人，AI变得普遍，戴眼镜、戴耳机都能跟AI对话。Neuralink那种直接注入大脑的东西，他觉得那时候还很危险，没人会去做。十年后，机器人帮主人买菜、开车去洗车，失业率可能到50%，大部分人靠UBI在家里吃喝享乐，看AI短剧。他也留了余地：具身智能可能特别难，难到五十年后街上也没有机器人。

五十年后，他想到的是赛博朋克2077。人体和精神被改造，强AI被政府或组织控制，网络被打得稀烂，有人在打仗。他不希望往那边走，他希望的是有UBI，所有人都能在家里快乐，在虚拟世界里做有成就感的事。

快问快答里，他喜欢吃披萨，因为芝士和香肠都有。全球喜欢的地点是香港的家，周围了如指掌，知道去哪安静、去哪买吃的、去哪散步，有安全感。改变他最大的一本书，他先说是网络小说，《庆余年》《斗破苍穹》《斗罗大陆》《完美世界》，四五年前看的，是他第一本中文小说。正经书里是《Atomic Habits》，每天改一点习惯，长期收获很大。他喜欢《庆余年》的理由是穿越，现代人回到古代，古代没有AI，事情都是人和人之间发生的。

他提到人需要深度交流。很多人用AI倾诉，是因为生命里没有倾诉对象。人类是群体生物，基因里写着要跟人交往。他还讲了一个研究：预测一个人老了以后开不开心，一个重要变量是他周围有多少可以倾诉的人。所以他现在试图多跟朋友说话，多跟喜欢的人说话。

影响AI进程的论文，他列了《Attention Is All You Need》、Llama的technical report、RoPE、Mamba、Muon、Lottery Hypothesis、Grokking。张小珺让他给一个bet，他说自己的赌注是AI以后代替不了所有人和工作。他补了一句，其实每个人都在下这个赌注：你过正常生活、每天开开心心，本身就默认了AI代替不了你，你以后还会有新目标、新追求、新想法可以探索。

节目最后，他反过来问了张小珺一句：你觉得AI会导致人类灭绝吗？然后他自己补了一个之前没说的想法。AI的智商是整体提升的，一升级，所有AI一起变聪明；人类是一代一代长起来的，每个人都得经历缓慢的成长期。10后、15后、20后一出生就知道AI比自己聪明、想得更快、做得更好，可能会丧失向上的动力。他说这个想法有点让人绝望。以前柏拉图、亚里士多德问「我的人生意义是什么」，如果AI把很多道路切断，找意义会变得更难。

这期播客里最值得带走的，可能是他给同龄人的那条建议，也是他给自己调的参数：先把AI能做的事交出去，把有意义、必须自己做、让自己开心的部分留下；然后把时间花在喜欢的人身上，因为老了以后开不开心，跟你身边有多少能倾诉的人高度相关。技术会继续往前，个人的动作其实很小，无非是选清楚什么事交给模型，什么事留给自己，以及今晚要不要跟朋友吃一顿肉串。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a8472b95aeb2a5712e8de78.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

他的日常是凌晨四点多起床，蹲桩、打拳，练完一套再跳进冰桶。18 岁起跟着武术家徐纪学八极拳劈挂掌，一练三十多年。徐纪是刘云樵的弟子，刘云樵出自「神枪」李书文一脉。刘洺堉说，中国武术最重要的是控制自己，要把力量从脚一路传到手，全身协调，一瞬间完成。

他是英伟达研究副总裁、Cosmos Lab 负责人，领导世界基座模型 Cosmos，也是英伟达第一位从研究员升到副总裁的人。这期四个小时的访谈聊了 Cosmos 3、世界模型、物理 AI、黄仁勋的管理方式，以及他反复讲的一句话：我没有竞争对手。

一家基础设施公司，为什么要自己做模型 0:02:35

Cosmos 项目在英伟达内部的分量，用人数就能看出来。刘洺堉直属的团队八九十人，研究员加工程师；虚线汇报、一起做 Cosmos 的人在两三百人之间。Cosmos 3 的论文作者接近 300 人。

一家卖算力的公司，为什么要养这么一支队伍做模型？刘洺堉的解释很实在：芯片和计算架构的设计周期很长，今天发现方向不对，改不了，要提前好几年规划。不做应用，就不理解客户真正需要什么，也就设计不出合适的芯片。

Cosmos 选择开源，模型、训练框架、部分合成数据都放出去。他的说法是给社区一个信号：英伟达会一代一代做下去，大家可以放心把资源投到更关键的地方。每家公司资源都有限，找到痛点去投入才容易出头，英伟达分担一部分压力，让做物理 AI 的公司少走弯路。

「我不觉得是在竞争，我觉得是在帮助大家成功。」

这套说法背后是黄仁勋反复讲的 zero-billion-dollar business：现在还不是生意，但做成之后必须很有影响力。每年赚一亿美元，对很多公司是大事，对英伟达是 distraction。要去解最重要的问题，产生最大的贡献。

所以黄仁勋给 Cosmos 定的目标不是一代两代。Cosmos 1 做完，刘洺堉去问要不要继续做，得到的回答是：

你就做到 Cosmos 97。

97 这个数字是随口说的，决心不是。刘洺堉算过，每半年一代，做到 97 代要四十几年。他觉得 AI 发展这么快，也许用不了那么久。

三次换轨：从无线通讯到 GAN，再到 Diffusion 0:29:57

刘洺堉在台北长大，高中时最热门的科技是无线通讯，那个年代的手机还是诺基亚，块头很大。他考进台湾交通大学，在新竹学无线通讯。同学毕业后大多去联发科、台积电，都是台湾最擅长的工作。

大三那年他去看美国博士班在做什么，发现差别很大。他在台湾算的是怎么设计协议让传输更快，这是提升；美国那边看起来每个成果都是 0 到 1 的变化。他决定出去闯一闯。跟父母说要留学，父母吓了一跳，认识他二十几年，从没听他说过这件事。

原本想学量子通讯。去美国之前，他在台湾的英特尔实习一年，认识了一个做影像识别的朋友，第一次看到从像素里判断画面里是谁、有什么物体。他觉得很神奇。后来他进了马里兰大学读博士，导师是 Rama Chellappa，计算机视觉领域的先驱。第一个题目是从视频里看一个人走路的姿态，判断这个人是谁。

博士毕业那年，AlexNet 出来了。

他去了三菱电机研究院，在剑桥，MIT 旁边。这家机构在 90 年代很强，跟微软研究院一争高下，Bill Freeman 这些人都在那里待过。研究院风气自由，他有很多时间学深度学习。他的导师相信生成，相信「把东西造出来」是理解的一部分。费曼那句话他记得很清楚：If I cannot create, I cannot understand。

早期做生成，能生成 32×32 的人脸、看起来不像鬼，就已经很成功。他做了 couple GAN，把两个生成网络耦合在一起，形成 information bottleneck，让马变成斑马这类无监督图像转换成为可能。

他讲了三个对自己影响很大的时刻。

第一个是年轻时喜欢漂亮的数学。计算机视觉早期什么都不 work，大量用优化算法找最优解，连续问题会陷入非凸，离散问题是 NP-hard，只能证明「我的答案离最优解不超过 4%」。为了让数学干净，会做假设，假设让人离真实世界更远。后来他意识到 AI 本身就是应用，越来越在意问题的本质，不被花巧的数学迷惑。

第二个是「我做 100 分，解释只有 10 分，别人看到的就是 10 分」。他做出东西，但不太会讲清楚为什么重要。

第三个是团结合作。人跟人点对点沟通的复杂度是 n 的平方，不容易 scale。要把事情讲得足够明确，让所有人目标一致，才可能做大。

2021 年前后，他做了一个重要判断：GAN 不 scalable。团队花了很大力气想让 GAN 更稳定，结论一次次指向同一个方向。他跟团队说，不能做 GAN 了，转 diffusion。后来有了 Edify 系列，图像、多视角、3D 生成一路做下来。

他形容这个过程越变越简单，像是在找描述世界运作方式的最简形式。深度学习在他看来很像中医，试出来的，做详细实验记录，从里面理解法则。

一千张 A100，和一封写给黄仁勋的信 1:02:46

在三菱电机，他不停跟经理要 GPU。经理不重视算力，重视算法，每次吵赢了给他经费买卡，同时自己买英伟达的股票。后来经理退休，才告诉他这件事。

真正让他换工作的是一个很朴素的念头：我这么缺 GPU，为什么不去一家生产 GPU 的公司。那时候谷歌、苹果、Meta 都在招人，他选了英伟达。父母不理解，这家公司他们没听过，苹果谷歌不好吗。他的回答是，GPU 对做研究最重要。

2016 年加入时，英伟达研究院不到 100 人，大部分做图形学，做 AI 的人很少。他给的公司演讲主题是：有一天生成视频的主流会是深度学习，传统图形管线会退到后面。这个判断在当时很前瞻。

DALL-E 出来之后，他给黄仁勋写了一封信，说未来已经很明确，英伟达很多客户用 GPU 做图形，不能在深度学习生成影像这件事上落后，必须投资源给团队。他要了 1000 张 A100。那时候还在 A100 的时代，1000 张是很大的数目，把 1000 张卡串起来做高效训练也不容易。

他同时写信给 Getty Images，谈成了合作：对方提供数据，英伟达提供算力和模型，一起做文生图。项目叫 Picasso，目标是做 AI foundry，帮有数据但没有 AI 人才和基础设施的公司做出自己的生成模型，再服务他们的客户。

那段时间他带了很多实习生。Tim Brooks 当时一心想做视频生成，后来去了 OpenAI，做出 Sora。余家辉也在他这里实习过，现在在 Meta。还有一个实习生后来做出了 AdamW 优化器，如今大家都在用。

他讲起这些人的语气是高兴的。sora 出来那天，他开心，也有点失落。他反复问自己，在决策和判断上哪里没看对，为什么没有在正确的时间做正确的事。他说自己是个喜欢自我反省的人。

第一个从研究员做到副总裁的人 1:21:57

在英伟达前几年，他每年跳一级。做到研究副总裁，他说自己可能是第一个从研究员升上来的。

原因他讲得很平实：英伟达还没有 AI 人才的时候他就在，帮公司建立 AI 社区的知名度，解释 AI 怎么影响公司，同时喜欢把东西做出来。一步步获得信任，公司愿意把越来越大的项目交给他。现在 Cosmos 每天光算力和存储成本就是几百万美元。

研究员和管理者的天性是相悖的。研究员要创新，ego 高，需要认可。他承认自己还是个研究员，还读论文，还会写点实现，还 review 大家的代码。公司里知道他继续看代码的人不多。他最担心的是跟底层脱钩，不理解问题核心，就没法判断每个人贡献在哪里。

Cosmos 的立项发生在 Sora 之后。几位做生成模型的研究员一起讨论，一起给黄仁勋写信，把要做世界模拟器这件事变成公司共识。黄仁勋把大家聚起来开会，会上讨论具体怎么做、谁负责。

他记得一个细节：黄仁勋让每个人回去想项目名字。他其实知道最后黄仁勋会提出更好的名字，有点不想浪费力气，就说你直接告诉我们吧。黄仁勋说不行，你要去想。因为名字跟产品定位高度相关。最后定下来叫 Cosmos，宇宙。目标是解物理世界的问题，并非做内容创作。

2024 年 3 月，项目正式启动。

从 22 个模型到一个 Cosmos 3 1:51:39

第一版规划时，刘洺堉自己算了一下，要服务好不同的合作伙伴，大概需要 22 个模型。他拿着这个数字去跟黄仁勋开会，黄仁勋先说 very good，然后讲了一个故事：Louis Vuitton 减少货架上陈列的 SKU 之后，销售额反而涨了。东西太多会让消费者困惑，没法做决定。

这句话对他影响很大。他自己都分不清该用 A 还是 B，客户更分不清。再加上维护成本，模型越多迭代越慢，备多则力寡。

于是有了 Cosmos 3 的核心决定：把所有方向收进一个模型。第一代有 Cosmos Predict、Reason、Transfer、Policy 几条线，分别负责预测未来、解释发生了什么、把仿真画面变逼真、根据观察输出动作。这些模型描述的是同一个世界，数据合在一起，模型上限更高，开发也简单得多。

技术上是双塔设计：一个塔处理离散信息，从视觉语言模型出发，负责理解；一个塔处理连续信息，走扩散路线，负责生成。输入模态有四种：语言、视频、音频、动作。

动作被当成一等公民。刘洺堉的判断是，物理世界的智能体要改变世界状态，好的物理世界基座模型必须懂动作。语言让人能跟机器沟通，视频和音频描述世界怎么运作，动作负责改变世界。

有人担心语言会污染视觉，谢赛宁说过语言只是人类的脚手架。刘洺堉的看法是目的不同。他要的是一个服务物理 AI 的基座模型，需要语言、需要视觉、需要动作。追求 AGI 是另一回事，那时候视觉信号可能是干扰，也说不定机器能从视觉里直接学出另一套智能。

多模态之间确实互补。Cosmos Policy 那篇工作发现，预测动作的同时预测动作之后的画面，能帮助动作模型收敛。声音也能帮视频生成，听到「咔」一声，就知道接触发生在哪一帧。文字描述越详尽，视频越容易生成好，因为可能性空间被压缩了。

有没有 secret sauce？他说没有，做大模型就是严格做实验，假设、验证、积累知识，再做下一个实验。双塔设计是现阶段的合理选择，客户可以分开做后训练，改生成分布的时候不影响理解那一侧。他自己觉得还不够优雅，下一步的目标是一个塔，但要先考虑客户用起来方不方便。

Cosmos 3 从 2025 年 10 月开始做，做了半年多。他满意的是当初承诺的事发生了：把所有旧模型合在一起，效果比原来单独的模型都好，很多人当初不相信。遗憾的是时间不够，模型没有完全收敛就得出门，接下来 3.1、3.2 会把没做完的补上。

为机器人造一个黑客帝国 2:36:33

刘洺堉在个人主页上写，自己被一个愿景驱动：为机器人构建一个黑客帝国。这句话是个比喻，指向三件事。

更好的数据。真实世界采集到的数据就那么多，能不能生成一些需要但没采到的数据。

更好的起点。一个理解世界怎么运作、能预测未来的世界模型，它的表征可以作为策略模型的骨干，从这里出发更容易泛化。

更好的环境。机器人在真实世界里学习，成本高、速度慢。如果能同时生成多个逼真环境，让它反复交互，学习会快得多。三件事里，第三件最难，也还没真正发生。

世界模型这个词现在很模糊，跟几年前的 AGI 一样，各有各的定义。刘洺堉的划分很实用：有人做世界模型是为了预测，有人是为了理解，有人是为了重建三维世界。用途不同，模型形态就不同。Cosmos 把自己定位成 world foundation model，一个基座，让想做世界模型的公司不必从零开始。

英伟达同时投资了杨立昆的 AMI Labs 和谢赛宁的 World Labs，路线各不相同。刘洺堉说英伟达希望生态里的公司都成功，这几家有资金，其他公司可能更需要直接借用 Cosmos。

物理 AI 的 ChatGPT moment 什么时候来？他先区分了两个概念。GPT moment 证明模型可以 scale，scale 之后能力更强。ChatGPT moment 是普通人清楚看到这项技术会怎样改变生活。物理 AI 的对应时刻，是大家看到一个由 AI 驱动的物理应用真的有用。

他给不出时间，但说各项条件在收敛：资金在流入，公司在成立，技术在进步。他希望是今年或明年。

人形机器人会不会成为主流？他的观察是，人类世界是为人手设计的，大部分工具适合人手操作，人手数据也最容易采集，所以大家往这个方向走。但成本是最终变量，轮式底盘加半身人形也能解决很多问题。他提到 DeepMind 谭杰的预测，2035 到 2036 年可能是拐点，他希望早一点。

内部会讨论什么是下一个 CUDA。他的答案不是某一个模型。CUDA 当年把应用逻辑翻译成 GPU 运算，未来的软件以 AI 为核心，AI 叠在 AI 之上，NeMo 和 Cosmos 都可能是下一个 CUDA 的一部分。更可能是很多层 stack 合在一起，单一的模型撑不起这个位置。

Mission is the boss 2:47:04

加入英伟达十年，刘洺堉见公司从「没人把英伟达和 AI 联系起来」，变成「全世界都把英伟达和 AI 联系起来」。刚开始父母不知道这家公司，现在所有人都知道。

中间并不顺。TPU 刚出来那年，股价掉了一大截，有些同事对公司未来产生怀疑，离职了。后来英伟达每年在 MLPerf 上击败 TPU，做出更好的性价比，最后只剩下英伟达参赛。

他形容黄仁勋是六边形战士。开会时能钻到寄存器、计算机架构这种极细的细节，转头又能讲市场营销、产品定价、客户关系，面面俱到。学习能力极强，当初不懂图形学敢做 GPU，不懂深度学习敢 all in。决策靠第一性原理，把事情本质理清楚，不被外界信号干扰。

黄仁勋每天读大量邮件，强迫自己快速判断什么重要、什么不重要。刘洺堉说这像计算机科学里最重要的美德：懒惰。不用算的别算，能晚点算的晚点算，可以直接忽略的就忽略。人生时间有限，知道什么不该算，效率就上来了。

有一句话他记了很多年。一次会上比较两个方案，刘洺堉说自己这边的 setting 不公平，所以表现落后。黄仁勋回他：

Are you a crybaby？这世界上没有什么是公平的。

他后来说，从那以后不再找理由。写论文时可以讲 setting 不同不能比较，但要解决一个问题，就得去拿到解决这个问题所需要的条件。

英伟达不裁员，没有末位淘汰。疫情那几年经济不好，很多公司裁员，英伟达开会讨论的是砍掉出差、砍掉一个云服务、考虑要不要停掉 Slack。刘洺堉说，他在英伟达期间没听过裁员的消息。优点是员工敢讲真话，愿意合作，有安全感；缺点是技术转型时，员工需要时间学新东西，比直接裁掉再招一批会的人要慢。

还有 top five email。每个员工要写给很多人，讲自己最重要的五件事。公司大了，两个团队做一模一样的东西，从这些邮件里自然能看出来。信息透明是英伟达刻意维持的，跟苹果那种保密文化正好相反。

黄仁勋常讲 mission is the boss。

不是你的老板是你的老板，是 mission 是你的老板。

公司像一个有机体，没有硬框架。方向确定之后，有相关技能的人会自己靠过来。Cosmos 就是这样长起来的，很多人不向刘洺堉汇报，也在为它做事。

「Torture you to greatness」，黄仁勋用这种方式带人。批评里带着鼓励，目标是让每个人变得更好。刘洺堉说，愿意花时间折磨别人不容易，那要消耗自己的精力。

黄仁勋每天说公司只剩 30 天现金流，30 天后就要破产。这是提醒自己做出对公司最正确的决定。

模型竞争不是鱿鱼游戏 3:12:20

刘洺堉的竞争观，跟他练武有关。学武术的目标不是打架，一开始是受金庸小说影响，学了之后发现是对自己的磨练。控制全身，把力量传导到位，需要反复练习、反复自我修正。他说自己并不是为了展现强大的破坏能力。

这套逻辑放到公司上，就是不做存量竞争，去造市场。

什么叫战争呢？我没有打算把别人杀死。

「我们的心态是怎么去造市场。现在家家户户都没有机器人，如果有了，我家可能买两三个，每个机器人都需要算力。这件事发生，对英伟达是巨大的好处。」

他判断模型能力会慢慢收敛。这个判断有争议，前沿实验室相信智能还会高速提升。他的依据是历史：从来没有一家公司掌握所有科技，其他公司都追不上，这从来没发生过。人员会流动，know-how 会扩散，AI 不会是例外。

模型能力趋同之后，竞争靠整合，靠生态，靠跟自家产品的结合。大公司如此，创业公司要找大公司没法解的痛点。他举 Anthropic 的例子：早期被认为落后 OpenAI，但它最早相信 coding，集中投资，做出了东西。OpenAI 那时候是分散投资，把鸡蛋放在不同篮子里。

同质化竞争很辛苦。他理解很多公司做 coding agent 是被迫的，核心技术不能掌握在别人手里，但最终还是要差异化。

每家创业公司都要训自己的大模型吗？他反问：每家公司都要建自己的电厂吗？早期电厂不充裕，盖一个可以保证工厂 24 小时运转；现在这个时代可能不需要了。有决心、有资源，可以做，但没有必要。

他看好中国这批模型公司。DeepSeek、千问、豆包、MiniMax、Kimi、智谱、小米 MiMo，他一个个数过去。让他印象深的一点是，中国公司招很多实习生，把 know-how 传出去；美国的前沿实验室现在很少招实习生，很多结果只留在内部。他觉得这对整个领域的知识扩散是好事。

中国机器人公司的优势在软硬整合。美国做本体的公司少，特斯拉和 Figure 之外不多；中国有强大的制造业，可以做快速的硬件迭代，垂直整合会带来什么突破，他觉得值得关注。

数据是物理 AI 的难点。每个机器人形体不同，没有对应的物理设置就采不到数据。Cosmos 挑最容易共通的两类：导航数据，从 A 到 B 的位移和旋转；操作数据，手或工具怎么完成目标。他们发现一个趋势，大家越来越追求接近人手的机械臂。原因有两个：人类世界是为人手设计的，工具适合人手；人手数据也最容易采集。所以 Cosmos 3 特意加入了第一人称视角的数据，人眼怎么看、人手怎么操作。

评估世界模型，他讲了三步：固定数据集跑 benchmark；A 和 B 对比的 arena；跟真正有痛点的人一起解问题。物理 AI 里第三步特别重要，因为每个客户要解的问题都不一样。

访谈快结束时，张小珺问他，如果五年后再来采访，希望 Cosmos 发展到什么阶段。他说希望那时候能清楚讲出物理 AI 的 ChatGPT moment 是哪一天、在哪里发生的。

问他希望别人怎么记录他，他说不要讲我，讲 Cosmos。希望 Cosmos 是重要的推手，帮助几家物理 AI 的 builder 到达那个时刻。

给年轻研究员的建议只有四个字：

不要紧张。

他解释，年轻人总担心明年 AI 是不是就结束了，会不会自己路越走越窄。冷静下来，看清楚什么地方值得投入精力，对自己有信心。

这期访谈里最值得带走的，大概是三个判断。第一，模型能力会收敛，靠模型本身建立不了长期壁垒，生态和整合才是。第二，迭代速度比单点聪明更重要，有好数据、好基础设施、严格的实验纪律，算法会自己变好。第三，找一个能产生最大贡献的问题，而不是找一场能打赢的战争。刘洺堉盯着的那个问题是泛化：机器人看人做一两次，就能在新场景里学会类似的操作。这件事什么时候发生，决定了物理 AI 的拐点什么时候到。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a7cbeb017676351c5710266.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

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。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a69b07eb581962ce2bd4d97.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

《张小珺商业访谈录》这期三个小时的访谈里，游凯超讲了两条线：一个人怎么从算法研究转向机器学习系统；一个寄托社区情怀的开源项目，怎么变成一家三十多人的公司。

中间有两年时间，四个博士生反复讨论要不要创业。有人为了等同伴先接了博士后 offer，有人先后被 xAI 和 Thinking Machine Labs 邀请，公司注册前还有一家顶级大厂的一号位打来电话，给四个创始人每人开 2000 万美元年薪。四个人都没有犹豫，全部回绝。

从擦线进清华，到离开算法研究 00:02:18

游凯超 2015 年开始接触编程。初高中阶段，他的主要任务是中考和高考，副业是做数学物理竞赛。真正让他对计算机产生兴趣的是几何画板这类辅助计算软件，还有清华 2013 年推出的学堂在线。他在上面学完大学物理和微积分，接着学了一门和 edX 联名的 Python 课程。

「我不太喜欢无意义的重复劳动，不喜欢刷题，更喜欢学习新知识。」他说。高考那一年题目简单，他攒下的东西没有体现在分数上，最后擦着录取线进了清华。大一那 100 多封邮件，他解释得很平淡：十多门课，每门课每周发一封，加起来就有一百多封。36 门课 4.0，是「自然而然的学习结果」，他没有把笔记字数当成优化目标。

本科阶段他做迁移学习，研究数据稀缺场景下的高效学习，想提升机器学习算法的泛化性。做了一段时间，他发现这类工作比较锦上添花：别人已经做好一个任务，你再用一个通用方法把准确率提高一两个百分点。研究依赖别人的场景，很难大规模应用。

让他动摇的是三件事。第一件，学术圈的投稿规模在几何级增长。他 2018 年开始接触人工智能研究，那时候一个会议一年几百篇论文，审稿人会认真告诉你哪里做得好、哪里该改。后来投稿数量远远超过审稿人的成长速度，中不中稿像抽彩票，跟工作质量的关系越来越小。

第二件，算法成果越来越依赖机器学习系统。他拿何凯明的 ResNet 举例：很多想法让人觉得浑然天成，「一开始就应该这样设计」，甚至几个月前在组会上就有人讨论过类似思路。为什么最后成功的是何凯明？游凯超的结论是，除了方法简洁有效，何凯明做了大规模实验。实验室里的学生只能在玩具数据集上「螺蛳壳里做道场」，把小型数据集玩出花来，却没有做规模化验证。支撑实验的机器学习系统和数据，才是决定成败的关键。

第三件，来自工业界朋友的反馈。2022 年他在 WOWS 大会上遇到旷视首席科学家张翔宇，拉着对方聊了一个多小时。让他意外的是，这位目标检测算法领域的大佬，几乎没有聊新的 loss 函数，聊的全是复杂硬件给软件带来的挑战。旷视在为视觉算法设计特化硬件，硬件有多级缓存结构，工程师每天最头疼的是手动控制芯片缓存之间的数据流动，是适应硬件去写各种各样的算子。

三个原因叠在一起，他从博士后半段把方向切到机器学习系统。2019 年暑假，他去伯克利 Michael Jordan 手下做暑期研修。Michael Jordan 隶属于 RISELab，实验室专注机器学习系统设计，分算法和系统两个方向。他在那里认识了李卓汉，当时即将入学的博士新生，在 Young Stoica 手下做研究。那一年两位老师刚好成为清华的访问教授，游凯超结束暑研回国，负责接待他们在清华的访问活动。

有一次交流中，他问 Young Stoica：如果我想做一个机器学习系统，但可能没有人用，那我花的时间是不是浪费了？Young Stoica 用自己的经历回答他，之前做过很多事情，只要你是一个好软件，总会有人用的。这句话他记了很多年。2023 年秋天 Young Stoica 再来清华访问，游凯超申请去伯克利交流，提起四年前问过的问题，说自己一直在探索，想做点有意思的事情。对方看到四年前那个少年还在践行当年的建议，很感动，同意了申请。

2019 年年底，他拿到清华特等奖学金。后来他评价这件事，特奖是特殊历史时期的产物，社交媒体发展快，学校大力宣传，评选在社会上引起不小的轰动。把一个大四上学期的本科生过度曝光在聚光灯下，容易干扰正常的学习科研生活。他参选那年，学校已经意识到问题，取消了现场答辩直播，也压低了宣传。再往后，特奖在社会上的讨论度越来越低，回到一个普通奖学金的位置。

「来清华更多的是追求自己的成长，而不是说我在这里又看到了什么样的人。」他说。

vLLM 的诞生，和一个开源社区的生长 00:37:56

vLLM 项目 2023 年年中开源，工作从 2022 年年底就开始了。创始团队是 Young Stoica 的学生，论文的主要作者是李卓汉和乌苏克。项目最初是实验室的科研项目，写好论文，投稿，中稿之后放出原型系统。

伯克利有很长的开源软件传统。操作系统里的 BSD，芯片领域的 RISC-V，存储领域的 Raft，大数据和分布式机器学习系统领域的 Spark、Ray，都来自伯克利。这些软件很多是学生在读期间发起的科研项目，后来变成学生主要维护，再变成工业界的基础设施。

游凯超提到 David Patterson 在 2014 年写的一篇观点论文，叫《How to Build a Bad Research Center》。Patterson 的经验是，每个实验室或大型研究中心只做五年就够了，五年刚好是博士生毕业的一个周期。在这五年里，让优秀的博士生静下心来专注一个领域，能极大促进这个领域的发展。从 AMPLab 做出 Spark，到 RISELab 做出 Ray，再到 Sky Lab，伯克利的实验室一脉相承。实验室的五年周期和工业界的需求周期一旦共振，就会诞生重要项目。他觉得 vLLM 就是下一个。

说服一个学生加入开源项目、长期做核心维护者，非常困难。低年级博士生急着发论文支撑毕业，希望开新方向；高年级博士生忙着找工作，马上要去工业界。最适合的是博士中后期，没有毕业论文压力，又对开源项目有兴趣。游凯超当时正好处在这个阶段：之前的算法研究基本够毕业，他想换方向，希望拿到 hands-on experience，学会怎么 build 一个系统。几个月的纯工程实现，他完全接受。

他算是第四个主要成员。前面是李卓汉和乌苏克，论文的主要作者，也是项目一开始的主要维护者。第三个是 Simon，现在的 CEO，开源老兵。Simon 博士入学时 quit 去参与 AnyScale 的创业，几年后回来读博，社区经验深厚，也不那么看重论文，更看重对现实世界的影响。

PagedAttention 是 vLLM 起源的那篇论文，核心是借鉴操作系统的虚拟内存管理机制，管理自回归生成过程中的中间状态，也就是 KV cache。游凯超的评价很直接：从学术创新角度，这个算法的创新性偏低，「任何一个认真分析大模型推理过程的机器学习研究者都能想到这个想法」。论文投稿到 SOSP 2023，审稿人批评它 too simple，最后以低分过线的状态被接收。能发表，靠的是做得早、实验做得丰富。

今天的 vLLM 早已不是那一个算法。它是一个完整的大模型推理系统，要解决的问题是：模型和硬件都在飞速变化、互相耦合的时候，如何提供高效的推理服务。

2024 年的主旋律是重构。原型系统要从实验走向生产级可用，团队调研了业内其他推理引擎的设计，年底推出从 V0 到 V1 的重构计划。游凯超用电力系统打比方：模型是发电机，硬件是风力、光伏这些自然资源，推理引擎是电力系统，把自然资源转成电，送到每个人手里。V0 到 V1 的重构，好比发电系统从火电过渡到新能源发电。用户侧的使用方式差别不大，插头插上去就能用，背后的工作原理却发生了巨大变化。重构最困难的地方是保持用户兼容性：背后支持的模型和硬件不停在变，前端要给终端用户统一的体验，用 vLLM 就能在各种硬件上跑各种模型。

2024 年，开源模型的重心还在欧美，Meta、Mistral 这些。模型和硬件还没有很耦合，模型结构那一年没有大变化，vLLM 主要做各种推理优化。

2025 年中国开源模型爆发，完全在他们意料之外。他 2024 年 12 月结束交流回国，正好赶上 DeepSeek V3 发布，回来一月份 R1 又发布。DeepSeek 跟 vLLM 的合作很早，DeepSeek 内部用的就是 vLLM，后面加了自己优化的变种，从 DeepSeek MoE 到 V2、V3 一直有联系。2024 年，DeepSeek 还是社区里「泯然众人」的一个模型厂商。R1 之后，游凯超被他们的 Infra 团队震撼：基于 vLLM 做的优化比 vLLM 自己往前走得远，vLLM 一直在跟他们学。2025 年 7 月，WAIC 快开会，很多公司赶在之前把模型像产品一样发出来，vLLM 一家一家支持。

同年，他从零搭建中国的 vLLM 社区。项目诞生在美国，主要沟通渠道在 Slack，国内同学更习惯中文，用国外软件也不方便。团队搭起公众号、小红书、知乎这些平台，跟国内大公司建立联系。DeepSeek、Kimi 都公开说过用 vLLM，此前因为时差和距离，沟通很少。他回国后走访这些公司，了解他们用 vLLM 做什么、卡在哪里，把一个一个的人串起来。

四个人，和两年的犹豫 01:07:25

Young Stoica 有一个很坚定的判断：这么大的项目，如果没有公司支撑，一定会凉。他举了一串例子：Linux 如果没有 Red Hat，Kubernetes 如果没有 Google，PyTorch 如果没有 Meta，Spark 如果没有 Databricks，都走不到今天。vLLM 的体量已经到了这个级别，背后却没有一家公司。

Meta、英伟达、AMD 都在用 vLLM，他们是参与者，很难做战略性决策，彼此之间还可能打架。Meta 是英伟达和 AMD 的客户，它说要做某件事、要你们实现什么，社区里其他公司不一定服。

成立公司的好处明摆着，可以更好地支持项目，创始团队也成为创始人。代价是要承担大量不熟悉的非技术任务：融资、招聘、商业化。一群习惯了「来了一个技术问题，怎么拆解、怎么解决」的学生，要转身去养大一个组织，阻力相当大。

这个选择困扰了他们两年。Young Stoica 从 2024 年就开始说，其实 2023 年就在说了，只是那时游凯超还没加入。

游凯超决定得比较早。2024 年他在硅谷交流，很多同学在创业，他近距离看这些人的状态，聊创业中遇到的问题和关键选择，也跟一些投资人做了初步对话。他算了一笔账：创业最坏的结果，不过是少拿几年工资；不创业，vLLM 项目没有办法长期发展。2024 年年底离开伯克利时，他已经下定决心。其他几个人还没定，他不能一个人创业，于是接了 Sky Lab 的博士后 offer，说会为这家公司再等两年。

他也找 Michael Jordan 聊过：vLLM 势头很好，但如果去找别的工作，会有很多人给很多钱，博士后很清贫，怎么选。Michael Jordan 从过来人的角度告诉他，长期看，肯定要继续支持 vLLM。

Simon 也很早下定决心。游凯超觉得 Simon 更适合当 CEO，在维护社区的分工里，他已经展现出管理整个社区、跟各方沟通的能力。Simon 在 Character.AI 待过，试过借公司的力量帮 vLLM：从公司找人维护，从公司找机器资源。最后发现靠别人靠不住，公司有自己的事情，不可能把公司的人无限制地薅来做 vLLM。

最摇摆的是 CTO 乌苏克，PagedAttention 的一作，可选的牌太多。2024 年年初 xAI 刚创立，马斯克邀请他参与 Infra 建设，去了就是领导 xAI 的基础设施。2025 年 Thinking Machine Labs 创立，创始人又邀请他负责基础设施，后来估值一路飞涨。摆在他面前的机会太多太好，犹豫是人之常情。

最后两人把他叫来，问了一个问题：

你如果不跟我们一起创业，赚到了很多钱，但是十年之后，vLLM 项目失败了，你是开心还是不开心？

他想了几天，答案跟他们一样：赚多少钱，如果项目失败了，都不会开心。公司注册前那通电话打来时，四个人没有一个人动摇，直接回绝。

李卓汉没有加入。他 2024 年就毕业了，那时创业只有他一个人，其他同学都是学生。学生很便宜，有吃有喝、有电脑有网就能干活，没人觉得需要开公司。他拉不动别人，就去了 OpenAI，后来在 Meta 的 TBD 工作。现在他跟团队保持一些 high level 的技术沟通，深度合作比较难。

融资比想象中顺。硅谷的 VC 对他们期待已久，2023 年、2024 年就在接触。a16z 在 2023 年给 vLLM 项目一笔几十万美元的资助，单纯给开源项目发展用。2024 年，Sequoia 和真格也以开源社区的形式捐了一笔钱。等团队终于决定创业，再去找他们，对方的回答是钱已经准备好了。游凯超说，直到现在还有人表示可以直接给几千万美元的 SAFE，只求下一轮把他们考虑进去。公司保持谨慎乐观，希望融资节奏跟公司成长匹配，不为融资而融资。

投资人为什么看好？核心是 vLLM 在生态里的位置。每一个开源模型发布背后都跟着 vLLM 的支持，每一个芯片厂商都会主动靠近 vLLM。这背后的市场是几十亿美元的量级。游凯超觉得，给他们的钱相比他们产生的价值，并不算多。

仁慈的独裁者，和两千个贡献者的烦恼 01:20:11

vLLM 采用分级管理。最上面几个「仁慈的独裁者」可以最终拍板，包括 Simon、乌苏克、游凯超、李卓汉，还有 Red Hat 的几位。平时心平气和地沟通，遇到重要决定或者有强烈坚持时，大家得听他们的。往下是十来个核心维护者，负责关键模块，参与日常设计。再往下是几十个 committer，做日常代码开发，剩下的是社区贡献者。

项目挂在 PyTorch 基金会下面，也接受基金会的治理结构，主要是大公司参与，英伟达、AMD 这些芯片厂商，Red Hat 这些软件厂商，亚马逊、Google 这些云厂商都会投入资源。维护者的职责之一，就是协调这些大公司之间的合作。

游凯超做过比较强硬的决定，比如把 beam search 从引擎里删掉。一直有人来抱怨，尤其是做推荐系统的同学，觉得这个功能在自己的场景里很重要。可从 vLLM 看到的情况是，大模型推理的主要负载已经不适配这套算法，继续维护只会给模型和引擎的适配带来越来越多的复杂性，最后不可维护。

更多决策在优先级上。项目这么大，最重要的事情是定好优先级：支持什么，不支持什么。现在优先级明显放在大集群上的大模型，几百兆的小模型不在高优先级之列。推荐系统里有人在用这类小模型，vLLM 的回答是：你可以用，但你有性能优化需求，我们不接。

两千多贡献者，最大的挑战是想清楚不做什么。2025 年 coding agent 变得很能写代码，提交代码这件事的门槛几乎消失，维护者最重要的任务变成屏蔽噪音，找到真正值得做的方向。

2025 年 GitHub 发布过统计，按贡献者活跃度排序，vLLM 是全站最活跃的项目。这带来的是「幸福的烦恼」。2025 年 5 月，团队发现有培训机构靠提交垃圾代码包装学员简历：交一个没什么用的 PR，想办法合进 vLLM，学员就能在简历上写「我是 vLLM 贡献者」。这件事打破了他们对社区用户都是善意的这一基本假设。团队开始引入认证机制，更看重来自知名机构的贡献，遇到十分钟提交 20 个 PR 的账号直接拉黑，那些东西没有人的参与，全是 coding agent 生成的 AI slop。

游凯超判断，开源社区的重心会往机构和重要贡献者手里集中，个人贡献者能做的事会变少。代码便宜到这个程度，维护者花时间读别人的 PR，不如自己让 agent 重写一遍，自己掌握的 context 还更多。社区会分成两半：用户提交 bug report 和 feature request，维护者写代码。

OpenAI 的仓库已经走到纯 AI 治理，AI 提 PR，AI 审，AI 合。vLLM 没有走这条路。很多维护工作靠的是人对历史的 insight，做的事也不只是为了解决眼下的问题。支持三个月后要发布的新模型，写代码时脑子里要装着它；支持半年、一年后要上的新硬件，也要提前留口子。这些都需要大量个人 context，暂时交不出去。

从社区到公司：一次不得不做的转身 01:37:16

2025 年的工作重点是大规模集群部署，问题一下全冒出来了。

人力是第一道坎。开源社区人来人往，有人加入，有人离开，这种结构撑不住一个长期的重要 feature。第二道坎是法务。团队经常在新模型、新硬件发布前做支持，对方要求签 NDA，可开源社区不是一个实体，谁来签？对方法务还会追问：这次是这几个人来，下次换一批人，里面有没有我的竞争对手，要不要做背景调查？

第三道坎是机器。2024 年模型还小，搞到一台机器、一张卡就能做很多事，也有公司慷慨捐赠。2025 年规模上去了，很多优化必须做到集群级别，而别人能给一台机器已经是最大力度。为了做集群级优化，他们只能四处去讨：先花一个月说服对方给机器，拿到之后马不停蹄地排计划，因为这些机器一个月后就到期，对方内部有紧急项目，可能一周里一三五自用，二四六给他们，甚至临时通知一个小时后就收回。

游凯超说得很实在：2025 年他们做得不算好。所有人都看清了，没有公司，项目已经推不下去。他一直在内部喊：你看又有人找我们签 NDA 了，签不了，要是有个公司多好。2025 年几个人陆续毕业，大家终于说，那就真的开一家吧。

公司叫 Inferact，取自 inference，加上 bring inference into action，把推理做到行动里，让它真正跑起来。现在三十多人，接近四十，还在招人。四个创始人分工灵活，技术的事做技术，非技术的事做非技术，看谁手里的 context 更合适。Young Stoica 是创始人之一，现在是 advisor，重大战略决定都会问他。他是 Databricks 的创始人，也做过 LMSYS 的 Chatbot Arena，对行业水温敏感，会给一些高层的建议。

我们四个人可能是共享一个大脑，然后只是需要谁的时候谁出马。

跟基金会的关系很清楚。PyTorch 基金会不参与技术治理，公司每个季度向基金会汇报项目进展。基金会是那道保险杠，保证项目不会闭源，商标属于社区。技术上，还是团队自己在做。除了他们，Red Hat、英伟达、AMD 也在参与维护，也可以基于项目做商业化。

商业化在探索几条路。一条是自己有机器、有软件，直接对外提供 endpoint 服务，客户按 token 付费。一条是 BYOC，客户自己有机器，公司提供软件，产出的 token 给客户内部用。还有一些偏生态的合作，跟战略客户一起把生态做厚。整体逻辑是按量收费，卖的是 token 产量和成本节省，不卖工程师的时间。

社区会不会因为公司成立而失去信任？游凯超的观察是相反。合作伙伴早就盼着他们开公司：能签 NDA 了，对方法务松了口气；能有资质买算力、接资源了，很多原来做不成的事可以做。用户评估一个开源项目，看的是新模型发布时能不能支持、新硬件上来时能不能支持、新特性出来能不能用。公司成立让这些更有保障。

商业客户和社区需求冲突怎么办？他说现在不接这样的客户，供少于求，能服务的商业客户远远少于想合作的客户，可以很爽快地拒绝不想做的事。开源这件事上，团队没有争议：真想闭源，当初自己找家公司上班就行了。

模型与 Infra 的 Co-design：先抽中硬件的彩票 01:52:56

怎么向非技术的人解释模型和 Infra 的联合设计？游凯超还是用发电。硬件是自然资源，各地风不同、水流不同、日照不同；模型是发电机，有风车，有光伏板，有水力机械；推理引擎是电力系统，把模型跑在硬件上，把 token 送到千家万户。联合设计的程度，决定发电效率。有的地方水流湍急，有的地方水流平缓，你在这两个地方怎么设计发动机，让它更好地吃掉这部分能量，这就是 co-design。

为什么推理效率不只是系统工程师的事？他讲了一个概念，hardware lottery，硬件彩票。摩尔定律还有效的年代，软件和硬件基本各自为战，写软件的人不用太考虑硬件特性，通用性能每两年翻一倍，软件自然跟着变快。那个黄金时代结束了，现在进入专用算力的时代。英伟达常说的黄氏定律，算力两年翻几倍，翻的都是专用算力。算法如果没吃到这些专用算力，就是没抽中那张彩票，吃不到时代红利。

他举 Hinton 当年强推的 capsule network。概念上很 make sense，可在 GPU 上不友好，至今没有得到广泛应用，真要用起来，可能需要一块专用硬件。模型结构决定推理效率的上界，上界太低，系统工程师无力回天。Transformer 就是抽中了 GPU 的彩票，里面有大量矩阵乘法，天然适合并行。

算法和硬件谁领谁走？理想状态是协作，现实里硬件已经造出来了，算法多数时候要去适配硬件。硬件一旦押错方向，几年就过去了，这对硬件公司是巨大的挑战，必须不停踩时代的脉搏，押注下一个有用的硬件长什么样。

有没有模型结构设计得好、让 Infra 效率大幅提高的例子？他讲 RoPE，旋转位置编码。Transformer 出来之后，位置编码的实现少说上百种，其中很多要改动注意力核心实现，位置编码一换，注意力 kernel 就得重写。ALiBi 就是这类，所以没能广泛应用。RoPE 流行起来有个背景：训练长度在提升，FlashAttention 解决了长序列的训练问题，成了训练必需品，而绝大多数用户没有能力去改 FlashAttention。需要改注意力内部实现的位置编码，就这样被淘汰了。RoPE 的性质好，可以独立注入到 query 和 key 上，活在注意力之外，跟 attention kernel 互补，于是成了最佳搭档。模型结构设计得好，跟 Infra 形成共鸣，训练和推理效率都能抬上去。

DeepSeek 的 Infra 为什么被公认强？游凯超的评价是，那个团队是全球顶级，是不是第一见仁见智。Infra 能力强，能高效实现的模型结构就更多，算法研究员可以更快、更充分地探索选项。他们的算法同学也懂一部分 Infra：2024 年年初探索 MoE，写出高效粗粒度 MoE 实现的是 DeepSeek 的一位算法同学；后来的细粒度 MoE，也是他们在推理系统里第一个做出来。算法要主动靠近 Infra，Infra 也要对算法有基本了解。

他提到一个反面案例。MoE 里曾经有 Infra 同学为了让负载更均衡，选了 expert choice 的方案，跑得很快，可算法上不能接受。这是过度向 Infra 倾斜的结果。很多公司里算法话语权更高，Infra 被动接收需求；理想状态是两者 co-design，招人时就找既懂算法又懂 Infra 的，组织上让两边一起办公，日常讨论互相耳濡目染，很多判断会潜移默化地长出来。

DeepSeek 刚发布的 DSpark，是一种新的投机解码方法。自回归模型推理分预填充和解码两个阶段，解码阶段只能一个 token 一个 token 地生成，效率低。投机解码的做法是：根据当前输入，一次猜出接下来要生成的几个 token，把逐 token 解码变成一小段一小段的预填充，一次处理多个 token。DSpark 之前，业界已有 EAGLE、DeepSeek 自己的 MTP，特点是猜得短，三到五个，接收率高。DSpark 走的是 DFlash 路线，一次猜很多，比如十六个 token，vLLM 和英伟达最近刚发技术博客介绍对 DFlash 的支持，某些模型能做到每秒上千 token。DFlash 的毛病是猜得多也错得多，验证时浪费算力。DSpark 的改进是估计一下这些猜测里哪些靠得住，比如十六个里只有前八个置信度高，那就只验证前八个。

这个思路并不孤独。腾讯混元团队此前发布过 dcut，上海交大的同学提出过 domino，都在解同一个问题。所以游凯超说，论算法新颖程度，DSpark 算不上惊人。真正值得学的是另一面：想法出来之后，能不能扎实做到极致。DeepSeek 把推理优化压榨到了极限，这是他们一如既往的 Infra 底子。一个投机解码算法能不能大规模用，取决于推理引擎里有没有好的实现。引擎强，算法团队才有更大的探索空间和更快的反馈。

Token 带着模型的烙印 02:15:10

把 token 比作电，这个类比很好用，也有边界。电是通用的，可以调制，可以变压，可以送到任何插座上。token 不行。你没有办法把一个 DeepSeek 模型产出的 token 转成一个 Kimi 的 token。每家模型的 token 带着自己模型的烙印，这是电力系统里不存在的约束。

这个差别决定了很多事。电力系统的价值在于标准化和互通，推理系统的价值在于让每一种“发电机”都跑出最高的效率，再把 token 按需送到具体的人手里。Inferact 把它写进了收费逻辑：不按工程师工时计价，按产出的 token 计价，按帮客户省下的成本计价。

游凯超对十年后的预期很克制。AI 会发展到什么程度，他不敢预测；能说的是，希望把大模型推理这件事做到基本解决，人们想起推理就想起 vLLM，想起 Inferact。2026 年的重点还是开源推理生态：下一代的推理引擎，下一代的模型，下一代的硬件，还有下一代用户怎么用 token 的负载形态，都要在开源的 vLLM 里给出答案。

三个小时听下来，最耐琢磨的部分落在那些不起眼的选择上。一个高考擦线的学生，把刷题的时间换成学堂在线上的公开课；一个算法研究者，因为发现再漂亮的 loss 也打不过算力和系统，转身去做工程；四个博士生，在各自能拿到的最好机会面前，拖了两年，最后还是开了那家公司。

对做技术的人来说，这里有两条可以拿走的判断。第一条，选方向的时候看天花板在哪里：如果你的方法注定只能在玩具数据集上验证，失败与你的聪明程度无关。第二条，衡量一项工作，可以换一把尺子：不数引用，数有多少人在用、省下了多少时间。游凯超说得很直白，你可以说我的东西不够 novel，但你不能说它没用。

对做开源的人来说，还有一条更硬的提醒。项目长到一定体量，靠爱发电撑不住：签不了 NDA，抢不到集群，留不住人。情怀能把人聚起来，组织才能把事情做完。vLLM 团队用了两年才接受这个结论，然后用一次全员拒绝天价 offer 的方式，把它变成了自己的选择。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a66ed17a3fec224d5a3f744.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

一个反直觉的现象：过去硅谷机器人团队更专注大脑，中国团队更专注硬件和本体。2026年，中国出现一批从大脑出发的机器人公司，灵波是其中之一。张小珺刚访完Physical Intelligence的柯丽一鸣，这期把话筒递给本土团队，聊怎么从预训练开始训一个机器人模型、瓶颈在哪、机器人的GPT-1时刻还有多远。

沈宇军说话直接，承认自己刚做机器人时“太天真”，承认公司还没到GPT-1时刻，也承认创业就是赌。他给机器人设计的性格是“J人，好干活”。

从打榜不感兴趣，到把GAN训到画句号 02:03

沈宇军在清华读大三时，商汤刚在清华东门成立，他去实习，一路干到大学毕业。之后去港中文跟汤晓鸥读书。刚去时迷茫，不知道自己喜欢做什么。港中文擅长检测、分割、分类，拿了很多冠军，他对打榜看数字不感兴趣。

2017年生成模型火起来，他转向GAN。能做出一张图给人看，还能做简单编辑，他觉得有意思。从图像编辑做到预训练，再往前做到表征学习。越往前越发现，GAN训到一定程度不受控制，那时候还没有堆参数量的说法，也不知道怎么让模型更好。

GAN能不能scale up？今年年初团队还做了最后一次尝试，release了一个GAN模型。跟diffusion比，某些地方没那么好，但比前几年技术进步不少。最大问题是计算量利用效率太低，diffusion可以迭代很多次生成一张图，GAN不行。复杂内容尤其是视频生成，GAN不一定是最好的选择。把技术沉淀下来release给公众，算是画上句号。对抗本身的技术，两个模型互相迭代博弈，以后在别的场景还有用。

博士毕业先去字节，做抖音特效。男生变女生、变老变年轻、看二十年后长什么样、两个人之间连贯转换，读书时的工作带火了一些玩法。待了一年多，每天想创意，希望特效变爆款。2022年蚂蚁技术研究院招人，他过去了。年底ChatGPT出来，震撼了一波。

在研究院，他开始怀疑研究的价值。发论文、拿引用量，是不是就代表成功？往小了说对学术圈，往大了说对行业，到底带来什么？心里不清楚。

视觉的用武之地，和一家子公司的成立 09:00

计算机视觉过去十几年有两波大应用：人脸识别，特斯拉带火的纯视觉自动驾驶。除此之外，大规模用起来、有强产业价值的视觉应用不多。沈宇军感觉视觉在数字世界用武之地不够，物理世界离开视觉机器人没法工作，是强依赖。2024年他想做机器人。

蚂蚁做数字世界生活服务，金融之外还有医疗、出行。集团层面判断，数字世界服务再往前延伸，要往物理世界迁移。2024年底蚂蚁宣布成立子公司蚂蚁灵波。沈宇军在研究院向院长提了做具身智能，不谋而合。

为什么成立公司，不放在研究院？他的理解是，如果当研究机构做，很容易脱离行业。研究员认为的先进技术，跟行业需要的先进技术之间有gap。既然要干，就变成真实业务来干。

三个组织给他不同感受。字节是做业务，用AI技术给产品做特效。研究院赶上大模型爆发，受冲击，也迷茫。灵波是两者的结合：做不一样的事，又直面真实需求。技术还没收敛，作为技术人能探索，哪怕探索一条不正确的路也是贡献。

刚来灵波，两个感受。第一，太天真。2014年就提议做机器人，真开始做发现机器人赛道有太多不了解的东西。模型用到机器人上怎么部署、怎么调通信，太多技术栈超出原来的认知。第二，团队从不到十人一点点壮大，一边学习一边跟着行业变化。

不做本体，先做大脑，再把视觉重做一遍 16:04

创立之初明确一件事：做机器人的大脑。不做本体，因为最终希望每家都有一个机器人，机器人不一定同一品牌，像手机一样五花八门，但希望里面跑的是灵波的大脑。本体还没定型，先坚定沿大脑这条路趟扎实。也会做末端执行器。

通用意味着跨本体、跨任务、跨场景。沈宇军坚持本体和场景不能完全解耦，什么样的本体适合什么样的场景，从产品定义最开始就决定了。大家讲通用更多停留在任务和场景，灵波把硬件也考虑进去，本体上也要通用。

团队两手抓：一手看智能上限在哪，一手抓真实场景应用。模型还很早期，有十个八个迭代方向，精力有限，不能全面开花。哪个特点先开发，由行业和真实场景决定。外滩大会炒菜demo，长程任务，暴露了很多软硬件问题。想拓展新场景，复制成本太高，更坚定把大脑做实。

25年和26年两个大决定。25年3月，团队意识到机器人要动，跟环境交互，动态建模、时序建模至关重要。当时还没有WAM（视觉动作模型）这个概念，他们坚定认为机器人要从视频里学，而且不能抽帧当图像看，要学持续的东西。做了9个月，26年初开源视觉动作模型VA，应该是行业最早。

25年另一个决定：从真实传感器出发。学术界数据集干净，噪声很少。机器人要在现实世界跑，传感器噪声没法忽略。他们从传感器维度做起，包括视觉和触觉，也就是空间智能。

26年的决定更彻底。第一代模型很多是在数字世界模型上嫁接一个动作，当agent用。做着做着发现，数字世界模型开发的初衷跟物理世界需求不匹配。视频生成希望画质特别高，机器人动作不需要那么高画质。又没法push数字世界团队改模型，他们有自己的一套逻辑和应用场景。既然不能push，就全部基于物理世界需求重做一遍。语言模型继续用，视觉相关的从头训。

六个模型，一条从感知到动作的流水线 28:38

今年1月开源第一代四个模型：Depth、Video、World、VLA。Depth从传感器出发，让机器人对距离有更好认知；Video和World，一个当仿真器，一个当执行器；VLA是行业主流路线，在场景里把活干好。训练周期不同，视频动作模型花了大半年，Depth三四个月。第一代支持9种构型，做简单抓取，桌面上操作。

真实场景暴露了实验室的gap。实验室demo大多在桌面上，机器人站着不动，甚至只有两条手臂。真实场景里，机器人要去架子上拿东西，要抬手。头到底要不要看手抬的地方？视角不一样，头抬了也可能看不到。头部相机失效时，能不能只用腕部相机或其他传感器把事做了？第一版模型只支持手臂自由度和夹爪，没有头、腰、底盘。2.0升级到20多种构型，自由度带头、腰、底盘、灵巧手。

预训练用3B模型，数据6万小时。第一代2万小时，清洗管线变严后只剩1万多，这一代相当于上一版四倍。数据来源是真机和EGO（人戴相机采集），仿真只用于评测。仿真数据量可以很大，但分布同质化严重，物理引擎对柔性物体还需要迭代。真机数据成本过去两年降了三倍不止，人员管理成熟、机器成熟、数据量产。

准备数据的核心knowhow有两个。第一，下发什么任务。任务要尽可能覆盖所有自由度，保持均衡。头部自由度出现的比例远高于腰部，模型就更倾向于学头，不太会动腰。第二，数据拿到后怎么清洗。跨本体模型，每家本体相机位置不同、关节连接方式不同，数据处理方式跟本体强相关，没法用一套管线处理所有本体。

通用性好的任务，操作越简单越通用。复杂任务能完整丝滑做出来的素材员少，动作不丝滑的数据修不了，成本极高。模型会以为不丝滑是正确操作方式，控制机器人时也卡。错误数据纠正也是好数据，人在旁边看着，犯错时打断，给正确示范。为了进场景提高成功率，内部也加真机强化，这部分没写进开源技术报告。

六个模型的关系，沈宇军觉得这次做得比较好。第一天发布Vision和Depth。1.0的Depth基于DINOv2做预训练，DINOv2擅长语义理解。语义理解跟空间理解、距离理解不天然吻合。数字世界知道那是花、那是狗就够了，物理世界还要知道距离。灵波重新做预训练，完全从几何角度出发，从边缘、点线面让模型理解几何。新的Vision基模替代DINOv2，Depth基于新基模和更多数据迭代。

效果例子：厨房里反光的水龙头打开，Depth能清晰看到水流。接水任务，机器人必须先看到水流在哪。以前的Depth知道水流开了，距离不准。另一个例子：阳台玻璃门外面有只猫，新的Depth完全看不到猫，因为前面挡着玻璃。人往前走会先撞玻璃，再看到猫。拉开玻璃门，猫逐渐从门后出现。语义理解里猫一直在，物理世界还要知道前面有门。

能看到是语义理解，摸不到是空间感知。

VLA 2.0解决数据问题。从产业视角把真实场景需要的数据弄明白。Video、World、VA 2.0三个模型放在一起说。数字世界视频生成先做视觉压缩，为了画质，压缩本身对后面学习没帮助。灵波在压缩时加入语义和动作对齐，编码器在编码过程中感知语义和动作信息，后面学生成时理解得更好。数字世界不关心效率，生成30秒视频用户可以等。机器人执行必须实时。所以模型要快，要单向建模，历史看不到未来。画质可以舍弃，生成得有点马赛克没关系，还有摄像头。

Video是原生MOE架构。MOE训练难，要让参数均衡激活。30个参数每次只激活10个，另外20个基本不被激活，跟10个参数的dense模型没区别。要稀疏得均匀，靠loss function、sampling策略、正则化。光训MOE花了两个月，失败几十次。World证明单向attention训练能搞定。双向变单向会知识遗忘，预训练作废。之前100句话每句都能转成好视频，强行变单向后只有20%到30%能转，其他70句不理解。果断舍弃双向变单向，从头单向训练，花了三四个月。

VA 2.0把技术揉在一起：MOE、单向预训练、改进的压缩编码器，加上VLA积累的真机数据，从随机初始化开始训，面向机器人控制的原生基模。沈宇军说，这就是他讲的“具身原生”。

数据没有scale up，是最大卡点 1:07:31

具身智能到GPT-1时刻了吗？沈宇军的判断是还没到。原因是没有看到好的数据scale up方式。这次6万小时，比上一代没有数量级提升，远远不够。互联网数据跟机器人数据差两个数量级。大语言模型能scale up，因为互联网数据已经ready。灵波架构上做到具身原生，数据上还没有。当具身数据能scale up，至少跟互联网数据同量级，才是他心目中的GPT-1时刻。

具体时间不好预估。好处是基建上来了，模型开发周期跟GPT-1时代不一样。那时候万卡集群很了不起，现在美国很多公司做语言模型十万卡甚至更多。配套工具成熟，从机器人GPT-1到机器人ChatGPT，不一定需要原来那么长时间。

行业哪里不及预期？数据。大家喊缺数据，但真实情况是，如果不做基础模型，不需要那么多数据。没有原生基模，就没有推动力马上拿到大量数据。他估计百万小时起步，模型里具身数据和互联网数据相对平衡，既能学通用知识，又能学操作知识。百万小时之前会先有十万小时，完全拿来做具身原生预训练。

真机数据成本在降，仿真在特定任务上仍然有用。不同公司策略不同，如果场景适合仿真，从仿真拿数据没问题。灵波要做通用大脑，跨本体跨任务跨场景，希望支持的任务越多越复杂，仿真覆盖率不够，所以更多从真机出发。

数据规模化，EGO提出了一个好理念，只靠头部相机拍的数据能不能用，对灵巧手精细化动作有没有帮助，还是未知。理念要打磨成产品才能部署采集。质量和数量要平衡，模型希望质量越高、模态越多越好，规模化又要求不能太定制。哪些东西可以舍弃，还没定义清楚。定义清楚了，后面会加速。

大脑和本体交替上升 1:23:10

2026年出现一批只做大脑不做本体的公司。沈宇军的解释：本体很难通用。不通用就要选准场景，为本体做强化和减配。真实场景应用要讲成本，六边形战士做具体任务，很多东西超配，成本上升。本体有门槛，有没有量产能力是一个点；场景选不准，本体设计一定有问题。现在大家不太敢说哪个场景一定跑得非常好。

另一个原因：大脑落后于本体。今年的主要矛盾是怎么让机器人把活干好。去年还有机器人公司创始人说干活是一片荒漠。做大脑的人多起来，智能层会跑得更快，某一天超过本体，对本体的要求会变。那时候会出现由智能重新定义的本体公司，本体设计不再看传统参数，而是为了方便模型控制。然后本体又变强，智能又显得不足。两者交替上升。

下一代硬件不一定能适应下一代模型。硬件本身还好，传感器要升级，尤其是触觉。过去传感器讲指标，精度多少、频率多少。做传感器的人希望指标都好，但一定要取舍。以前下意识觉得力必须准。AI时代模型最需要的可能是反应够快，对实时性要求更高。传感器迭代要从模型需求出发，强化某些指标，弱化某些指标。

接下来的模型迭代，从架构原生再往前走到数据原生。这一代解决了位置泛化，接下来要做任务泛化，任务泛化严重吃数据。更优雅的素材方式，拿到更多好数据，把数据更好送给模型，是下一版的核心。数据采集标准要更扎实：采什么数据、怎么采、能不能规模化复制。

创业是赌出来的，老师汤晓鸥 1:31:48

沈宇军说这是两个第一次：第一次面向真实场景应用，第一次创业。以前更关注技术领先性，现在关注哪种领先有价值。技术还是要领先，但要问是不是有价值的领先，还是技术人拍脑袋觉得领先。他现在希望支持的任务越多越好，优先场景和任务泛化。

创业一定是赌出来的。

没有人知道哪条路一定成功，资源一定有限。有限资源、路径不确定，就要赌。敢做决定、敢赌很关键。如果一条路大家都知道成功，大厂一定成功，资源多人多。路径未知时犹豫不决，什么都做不出来。

两个大赌：传感器，原生。原生风险很大，训了一年花了很多资源，模型可能就是不收敛。可能思路错了，可能技术不成熟，早两年晚两年结果不同，也可能资源不够。只能做100块钱的事，非要做200块钱的事，资源不够。做成了，成就感高。

蚂蚁的管理偏创业公司，业务独立，基建共享。集团对灵波有信任和尊重，会有debate，比如为什么不做本体，但几轮交流后能达成一致。蚂蚁AI first，包含数字世界AI和物理世界AI，灵波承载物理世界人工智能的使命。蚂蚁做数字生活服务，灵波补齐从数字世界往物理世界迁移的执行环节。

我真的看到机器人进家庭了，然后进家庭的机器人跑的是凌波的模型。

这是沈宇军最好的预期。最坏的预期：没做出来，某一次赌错了。力排众议坚持的事：具身原生。发完1.0就意识到数字世界那条路走不通，不想在数字世界模型的延长线上做，坚持从物理世界土生土长做模型。这次模型进展高于预期，看得更清楚、想得更明白都往前推了一步，希望数据原生早点来。

竞争格局，沈宇军觉得跟大语言模型差不多：大厂一两个玩家，创业公司两三个，各自跑出生态，包括数据生态、本体生态、场景生态。模型会因为生态分化，有的适合精巧任务，有的适合长程任务。最后大家都会走向通用生态，进家庭。

对人性机器人没有执念。现阶段核心问题是智能不够，智能不够的核心是数据不够。轮式还是足式不是核心卡点。智能有了才能做真实场景尝试，产品迭代，硬件迭代。现在让机器人进家庭，连user study都没法做。

我希望它是个J人，它好干活。

这是沈宇军给机器人设计的性格。实用优先，情绪价值由人提供。

汤晓鸥给他的印象：幽默，东北人，讲话亲切；能快速从混沌中抓到主要矛盾。毕业答辩时，别人问怎么做，汤老师问了一个跟行业相关的问题：这东西到底应该怎么用。上一代AI最大的痛就是不好应用，没有好场景。

现在也有人问灵波模型怎么用。具身智能不像大语言模型好传播，离生活远，必须有机械臂才能知道好不好用，更多是面向开发者。发布的基本都是预训练，预训练要进场景还要后训练，后训练很难。效果不好，是没训好、数据没采好、还是模型不好？诊断问题再解决，很难。开发者会问怎么复现、想做什么事该做哪些步骤。

他希望机器人离大众更近，像语言模型一样出个app每个人都能体验。现在跟爸妈讲做了什么，他们听不懂，没有体感。有一天能带个东西直接给他们，告诉他们这是我做的，成就感完全不是一个量级。

快问快答：喜欢日料；人生之书《笑傲江湖》，喜欢令狐冲的豁达；影响机器人进程的工作，Generalist的博客、Pi、Google DeepMind；中国有硬件优势和数据优势，灵波有数据联盟，跟合作伙伴一起把数据做得更好。

沈宇军给了一个清晰的判断链：智能不够，智能不够的核心是数据不够，数据不够的核心是没有规模化的采集方式。关注这个行业的人，接下来一年值得盯的，是谁先把数据采集做成可复制的产品，谁先把具身数据的量级从十万小时推到百万小时。GPT-1时刻的标志，大概率落在数据管线上，不在某个demo上。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a5f79b3a3fec224d5a128cd.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

柯丽一鸣（Kay Ke）2024年6月博士毕业加入Pi，负责强化学习方向，也是π0、π0.5、π*0.6核心论文作者之一。她另一个身份是科幻小说写手，网名藏得很紧，节目里也没问出来。

张小珺和她聊了4小时。话题从芜湖的信息学竞赛班、东南亚背包、机器人江湖的族谱，到Pi的三篇主线论文、硅谷创业图谱、放弃剑桥教职、强化学习、中国硬件和「机器人种族」。这篇整理按录音时间推进，保留关键数据、人物和判断。

机器人与小说家：先钻进洞穴，再出来碰撞 00:02:11

柯丽一鸣平时的工作是教机器人更快、更好地完成任务。业余时间她写科幻小说。她说两件事都需要创造力，也都需要执行力：研究是有了想法以后，写代码、搭系统、做实验，把想法一点点做出来；小说是有了一个命题以后，一个字一个字码出来，让读者感受到它。

她写科幻主要关心两个命题。第一，生产力变化以后，人的生活怎么改变。第二，在一个社会风貌完全不同的未来，人与人之间的关系会变成什么样。第一个命题和她的工作直接相关。她每天都会想，自动化把很多事做得更高效以后，人到底去做什么。

她形容自己内向。研究风格是先把自己埋进洞穴里，埋头苦想一阵，再把头伸出来，去和人交流、碰撞。读博期间她是「独狼玩家」，有想法就说干就干，遇到问题自己上网学。加入Pi以后，她感受到有些事必须在团队协作里完成，做通用大脑需要每个人在自己擅长的地方发力。

Cloud Code和智能体改变了这种协作。她现在会先问智能体，再问同事。以前需要找人确认的模块，现在可以直接让agent去查、去试。她甚至构思过一种小说设定：每个人都有一个bot，替自己爬互联网、筛选信息、揉碎了喂给自己。如果所有人都默认这么做，没有bot的人就很难在信息海洋里生存。

她还构想过田园牧歌式的独居生活。远离人烟，很多家务和杂事交给机器人。她接受人与机器人谈恋爱，理由很直接：她是老二次元，身边就有生活方式和老一辈观念很不一样的朋友。

AI毁灭世界的叙事，她不太相信。她看三件事：权限、责任、能力。现在智能体拿到的权限有限，承担的责任有限，能做的事也有限。有人把邮箱权限交给智能体，结果邮件被删得差不多；她受伤时也会把医疗信息发给智能体，但最终还是要找人类专家确认。机器人行业内部还有一个老笑话：读了五年博士，教机器人把红色方块放到蓝色方块上，可能还不如三岁小孩。三件事叠在一起，她不认为当前节点上的智能体会走到人类对立面。

工作和生活她分得很开。Pi的经历会影响她对技术进展的思考，小说是天马行空的另一个空间。网名不公开，马甲要保护好。

芜湖、板寸和东南亚背包：一个「表面很乖」的小孩 00:17:26

柯丽一鸣出生在安徽，上学在芜湖。互联网上大家知道芜湖，多半是因为「芜湖起飞」，它其实是一座城市。她客观地说，芜湖的教育资源和大城市有差距。凑巧的是，这座城市有一位很优秀的信息学竞赛老师江涛。江涛老师学生时代因事故失去双手，后来回到家乡做计算机老师，在芜湖搭起了比较系统的竞赛梯次培养。

她8岁去学信息学，最初只是觉得可以玩电脑。先学LOGO语言，用图形界面让计算机画画，后来读《中学生学C语言》。她说这可能是自己这辈子唯一认真读完的编程教材，里面用讲故事的方法讲递归，比如向灯神许愿，许了一个再要三个愿望。竞赛对她的思维有影响，但润物细无声，没有突然改变性格。

信息学竞赛是她人生里一个关键节点。她大学先学心理学，觉得有趣，又觉得自己不适合。她性格里有打破砂锅问到底的部分，心理学很多问题要很多年后才能回答，不够直接。后来转经济学，想理解自己生活的世界，学着学着发现它能帮助理解世界，却不能帮助她理解自己想在这个世界里做什么。最后转回计算机。

她表面很乖，实际很叛逆。小学第一天，父母给她剪了板寸，她哭着上学，因为被同学嘲笑。小学毕业时，她成了学校里的大姐大。她见不得欺负人，会直接说「你不行我们就来打一打」。她承认暴力不好，只是在小学那个环境里，她能明显看到自己身上有一股不服。

高中她把头发又剪成板寸，一个人去东南亚背包两周。她很喜欢印度神话相关的小说，迷上了印度的宗教建筑，想跑去看。剪板寸、打扮成男孩子，是她当时觉得最轻松、方便又安全的保护方式。父母后来还是找来了。

她也讲过教育资源的落差。安徽每1万人里大概3到4人能上清华北大，大城市可能有80人。她知道自己并非那种特别用功、特别专注的竞赛优胜者，所以对初中、高中的同班同学抱有敬意。她不想补短板，不想为了冲一冲去学自己不认同的东西。

留学的契机很偶然。她喜欢古龙，喜欢游戏《雨血》，惊为天人，进而崇拜制作人Soulframe。她查他的经历，发现他去了耶鲁，就想自己也可以去留学。高二中间，她从升学轨道转向出国申请。到美国以后，文化冲击很大。美国学校重视presentation，想把孩子培养成能讲梦想、号召别人一起完成梦想的人。她一个内向的人，到了那个环境，只能多说点话。后来她真的变得更能跟人交流。

她比较中国、美国、英国。中国社会父母那辈经历了很多动荡、机会和变革，往上数三辈，很多人从田里出来。美国是运行了两百年的资本社会，有阶级固化。英国更保守，社会阶层和品位对人有很强的塑造。她当时觉得中国在那条轴上最百花齐放，硅谷则是大家抛弃旧东西、重新开创新的东西。

机器人江湖的两条族谱：规划控制与机器学习 00:53:56

2017年她开始读博。那时把机器学习放到机器人上，是一个新兴但不主流的方向。机器人发展了几十年，传统派讲究路径规划和控制：先想第一步、第二步、第三步，连成计划，再让控制去执行，保证每一步不出错。她所在的实验室偏传统，导师Sid是CMU派系出来的全栈型人物，强调学生要会造机器人、做动力学分析、做规划、做控制。她是实验室里唯一做机器学习的人。

导师会批评她：在模拟器里跑得再好有什么用，要上真机。她后来从头搭了一台筷子机器人，自己买组件、组装、写系统、写驱动。她和导师打赌：她作为人，能遥控一台不完美的机器人，用筷子夹起小球；那么只要操纵算法足够聪明，机器人也应该能做到。2018、2019年，第一篇工作做出来了。后来她不满足于模仿学习，觉得永远照抄别人不能突破上限，转向强化学习，让机器人自己探索，最后能在空中夹住晃动的小球和玻璃球。

机器人江湖有两条族谱。CMU这条线里，马特·梅森（Matt Mason）说过，灵巧的关键看大脑如何操控一个简单结构，手本身没那么重要。西德·斯里尼瓦萨（Sid Srinivasa）做路径规划，也做过机器人酒保。桑贝·金（Sangbae Kim）在MIT做Cheetah，是现代机械狗的重要奠基人。马克·雷伯特（Marc Raibert）做波士顿动力，把电机和运动能力推到极致，做出后空翻机器人。

机器学习这条线，她大学时看吴恩达的网课入门。Pieter Abbeel是最早把机器学习放到机器人上的先驱之一，他的学生Sergey Levine后来把强化学习在机器人上发扬光大。Sergey和Chelsea Finn都是Pi联合创始人。Sergey是科幻小说重度迷，Pi很多论文里的科幻引用都是他写的。伯克利内部有个笑话：ChatGPT出现之前，他们已经用上了「Sergey GPT」，论文草稿发给他，返回去又快又好。Chelsea每天四点起床游泳，对动作和数据有很强的动物性直觉，π0很多任务是她推动的。

机器人太重要了，我们不能只让搞机器人的这帮人来搞

这句话来自吉滕德拉·马利克（Jitendra Malik）。柯丽一鸣给了两种解释。一种不太友善：搞机器人的人不行，得我们上。一种比较友善：要把机器人做出来，必须不同行业群策群力。她认同后者。机器人需要做视觉的人、做大模型的人、做硬件的人、懂产业链的人一起进来。

两派之间有鄙视链，也有真实的方法论冲突。传统派质疑机器学习：「什么都能做，什么都做不好，那要它有什么用？」这个质疑今天仍在。工厂里用大机械臂把玻璃装到车上，传统方法在成功率、稳定性、速度上很有保障，机器学习暂时还不能说鲁棒性完全追平。机器学习派的使命，是让专家从系统中间消失，让机器从数据里自己学。

硬件成本也解释了为什么早期机器人不流行。2017年前后，Shadow Hand要50万到100万美元，Barrett的三指手十几万美元，Franka几万美元，已经算便宜。现在中国机械臂大概1万美元上下。不到十年，价格曲线变了很多。

硅谷创业图谱：做大脑的、做人形的、做数据的 01:27:18

Pi和Skild AI都带浓厚学术创业色彩，创始人和联创多在学校当教授，目标都是具身智能的通用大脑。Pi更聚焦双臂操作，想把拿放问题解决。柯丽一鸣给过一个暴论：把pick and place解决，家里很多家务都能干掉，抓放、路径限制、物体多样性，是一大类值得解决的问题。Skild AI更多涉及腿、人形和狗，移动性更强。

Figure在2022年成立，创始人没有技术背景，但有成功创业经历。柯丽一鸣觉得这很有意思：一个人在2022年进入自己并不熟悉的领域，因为他相信这件事。1X做绳驱人形，形态独特。Dyna Robotics更强调商业部署，叠衣服视频是代表。Tesla硬件强，人形信仰最激进，强调终极形态。

2023年到2025年是机器人创业井喷期。Google DeepMind像黄埔军校。ChatGPT出来后，谷歌把机器人部门资源往大模型抽，很多人趁这个机会出来创业。Generalist AI和Sunday Robotics都更重视UMI数据，用人手抓着一个夹爪在真实世界里采数据，再迁移到机器人上。Generalist AI偏工业场景，Sunday Robotics的视频更家用，机器人也更可爱。

硬件方案大多保密，只能从视频推测。Pi相对开放，有学术发表传统，办公室安保也没那么严，同行朋友有时还能去看看。人形与非人形是直观的路线分歧。实用派认为现阶段不必人形，先把操作能力做出来，已经能部署。狂野派认为未来环境会适配机器人，手可以多只，轮子可以很多，身体可以动态组装，哪里坏了换哪里。

我们不做人形。因为他们要说做人形，我就不来了

柯丽一鸣解释过这句话。她认为人形值得研究，却不是她现在最想研究的问题。她更想做更好的任务。Pi的通用大脑要跨构型，不只人形。模型在不同形态的数据上训练，也能在不同形态的机器人上使用。人操控机械，不管是开车、开挖掘机，还是控制机械手，背后都是同一个大脑在指挥不同身体。

评估是机器人前沿的难题。自然语言可以生成一段话再打分，机器人得在物理世界里跑，才能知道它做成了什么。初始条件无穷：杯子放桌子的哪个位置、什么光照、什么背景、桌子多高、杯子什么角度。每个公司内部都有一套评估，侧重点不一样。π*0.6提出throughput，固定时间内的成功量，把速度和完成质量放进同一个指标。机器人还没有统一英雄榜，前沿方向分散，宏观命题却相似：让机械体在现实里把任务做好。

Pi的三篇主线论文：能力、泛化、表现 01:54:43

π0的关键词是能力。2024年，Pi做了叠衣服、叠箱子、清理桌面三个任务。叠衣服让外界耳目一新，之前很少有人看到这个级别的表现。叠箱子让人怀疑「这东西真能做吗」。清理桌面要求前所未有的物体多样性。三个任务奠定了大模型思路在机器人上的基石：先证明能力边界可以被推开。

π0.5的关键词是泛化。机器学习绕不开in domain和out domain：训练数据内表现好，数据外没用，影响就有限。Pi在大概100个Airbnb家庭里收集数据，做日常任务，再到新家庭里测试。他们发现数据量增加以后，新家庭表现会提升，曲线会放缓。这意味着不必把世界上所有家庭都采一遍，数据规模可能存在一个够用的数字。论文标题叫开放世界泛化模型，科幻引用照例由Sergey写。

π*0.6的关键词是表现。这是强化学习团队第一篇主线工作。方法强调简洁：智能体在一个任务上差不多能做了，就让它自己在真实世界里收集体验数据，放回训练池。它可以把机器人自己rollout的数据变成训练材料，提升表现。π*0.6提出throughput，最后机器人在第一版功能上超过了最初最好的数据收集员。机器人自己跑出来的数据，可以成为很强的数据来源。

数据成本要拆开看。真机数据贵，贵在平台、维护、操作员、管理、沟通和规划。硬件价格降下来以后，更大的成本是管人收数据。让已经训好的模型自己跑，数据成本能降很多。错误数据和修正数据很重要，模仿学习会积累错误，机器人进入糟糕状态后要知道怎么修。修正数据也可以由机器人自己跑出来，这是强化学习比较本质的部分。

仿真数据和真机数据，她持「黑猫白猫」态度：什么数据好用就信什么。真机数据目前不可取代，柔性衣服、摩擦力、粘连这些物理性质，仿真器还很难做好。叠衣服最简单粗暴的方法仍是采真机数据。仿真到现实的差距，在叠衣服这类任务上还是半前沿问题，两三年内有没有人做通，谁也说不清。

中间还有几篇有启发的工作。FAST研究动作怎么表达，让大模型在动作空间里预测更有效。Hi Robot做分层，高层把语言任务拆成更具体的小任务，低层执行，避免十分钟长任务里迷失。Pi内部还有Olympics，让研究员和数据收集员组队，用人操控机器人挑战很难的动作，开锁、开门都在其中。PARTNER则和叠衣服、打包公司合作，把Pi的模型放到更贴近商业部署的场景里。π*0.6的硬件是Pi自己做的，夹爪可换，做咖啡换一个夹爪，成本不高。节目录制早于π0.7，转写没有展开，本文只写到π*0.6。

七十人、二氧化碳警报与剑桥教职 02:26:01

Pi现在大概70人，还在最初那栋楼里。楼很朴素，有创业氛围，硬件软件都带进来了，人已经有点坐不下。会议室里的二氧化碳检测器，人超过三四个就可能跳红，大家只能把门打开继续干。公司没有打卡，Kay是夜猫子，中午到公司，干到凌晨两三点，睡前再干一会儿。早期每天10点有例会，她跟CEO Karol Hausman说太早，能不能改到下午。CEO震惊地看着她，因为例会最早是8点，后来推到9点，再推到10点。公司人数增加后，每日例会取消了，剩下研究会和课题组会。

研究由Sergey和Chelsea负责，Karol管基础设施，保障研究高效进行。公司有读书会，π*0.6上过两次：第一次讲问题、讲前人做到哪、为什么值得做；快成熟时再讲一次进展，大家提问、质疑。Cloud Code出来后，读书会还专门找人分享怎么用，柯丽一鸣听完惊了，最近两周把自己的工作流程全改了，效率大概三四倍。

她加入Pi很偶然。博士读了七年，一直以为自己去当教授，又害怕写funding proposal。ChatGPT出来后，她一拍大腿，觉得稳了，可以让ChatGPT帮忙写。她经历了一整轮教职面试，研究里大模型用得不多，讲的故事偏传统。Sergey的学生阿贝谢克来到华盛顿大学，成为她的小老板，两人方向很近，天天交流。阿贝谢克告诉Sergey有个人要毕业了，Sergey说可以聊聊。

她本来没想去，觉得创业跟自己没关系。后来转念，Sergey是有影响力的教授，去听听他想什么也好。她到Pi刚创立一周的办公室，没人告诉她那是面试。她不停问「你们在干什么」「这个任务怎么想的」，对方后来说，面试过程中感受到莫大阻力，本来想面试她，结果变成她面试他们。她聊完觉得这帮人求真。

学术界有些发表让她无奈。为了把问题做得更好，论文会说之前做不好的原因是某个原因，所以提出某个方法，逻辑不一定那么通顺，有时像自圆其说。Pi的人更求真，她给了offer，也觉得莫名其妙，但还是在找教职。她拿到了剑桥的教职，喜欢剑桥的人文气质，觉得在那里可以又做研究又写小说。最后她在毕业时辞掉剑桥offer，转身加入Pi。

工业界吸引她的是算力、数据、硬件和团队协作。学术界学生三年、五年就来来走走，一个项目刚开头人就走了。机器人又是多元化的工程，真机搭起来慢，坏了要自己修。她读博时搭机器人，三个月才第一次跑通，六个月才把遥操作定下来，全靠一个人。Pi能让她在一个齐心协力的大团队里做必要的事。

强化学习在她眼里很本质。教科书用巴甫洛夫的狗解释：狗做了一件事，给它奖励，它就知道这件事该多做。算法层面，强化学习有几个模块。探索是选一个以前没做过的事，判断小改动还是大改动。归因是做了很多事以后，知道哪一步带来了好结果。π*0.6在归因上有探索，从大量部署数据里找到「其他都是垃圾，这个地方是精华」。任务定义更难。语言模型可以用一句话定义任务，机器人说「叠衣服」，可以有千千万万种叠法。奖励函数设计不好，智能体会滥用奖励。超级马里奥里，强化学习发现一个bug，疯狂做bug，直接通关，奖励拉满，但它做的并不是人想要的事。

Scaling law在她看来很tricky。泛化有很多衡量标准，scaling也有很多衡量标准。π0.5在10个房子收数据，到第11个房子表现如何；收100个房子，再到新房子有没有长进；收1000个房子，提升是否变小。这些都是探索。她感觉现在数据量还是太少，还要更激进。算力永远不够，只要大家喜欢干活，就永远有新的想法、新的实验。

2026年她预期会有更多令人惊叹的demo，人形做操作任务会变成可以探索的应用，模型架构会有大变化。机器人和自动驾驶、大模型怎么对标？她认为更像大模型。自动驾驶对安全要求极高，一个错误决策可能出人命，决策空间相对小，控制器问题也少。机器人操作复杂，多关节机械臂、摩擦力、手腕怎么转，都要搞定。大模型可以胡说八道，用户不会全信，容错高。家用机器人最难：每个家都不一样，任务动作复杂，硬件要稳定，人机交互要安全。小机器人更轻、更安全、耗电少，但少了人的数据，因为很多人的动作它做不了。

中国硬件、机器人种族与没有写完的故事 03:16:14

宇树在春晚火起来，柯丽一鸣在大洋彼岸看到也很激动。一两年前，这种级别的demo还只是想想。它能做出来，有算法提升，也有硬件实力。中国在机器人硬件和供应链上有很强的领导力。很难想象一家机器人公司组装一台机器人，里面没有一个中国零件。美国要追这条产业链，她不知道怎么追。中国公司商业逻辑更强调实用主义，部署更早。Pi更偏研究，暂时不考虑商业化，担心分心。这个选择受Pieter Abbeel影响。Pieter创办过Covariant，早期商业化做得很深，回头看向大模型开发，可能是一种分心。Pi不想为了商业闭环去做对研究帮助不大的事。

中国团队可以follow Pi的公开论文，但追上Pi不只需要论文。Google就算公开，追上前也得先训一个Gemini尺寸的大模型。Pi积累的数据、算力、硬件和团队，也是门槛。Pi同事很关注中国机器人，群里会讨论宇树春晚表演怎么做，读书会想请专家来讲locomotion。大家都在看更新更好的东西，看有没有启发。

我其实一直很想做的就是机器人可以造自己

她把机器人自造自己看成里程碑。机器人像一个种族，有延续性，可以通过自我繁殖。她还喜欢机器人哪里坏了换哪里，像忒修斯之船，从头到脚换掉零件，甚至换模型。Pi发展过程中就有机器人不断修和改，最后只剩编号和原来一样，大家讨论要不要给它起新名字。她设想机器人种族会有自己的伦理：上一辈做的事跟我没关系，因为我已经从头到脚换新了。

意识问题，她很谨慎。她希望有人解释意识怎么从物理、化学里诞生。人类式意识，她有点悲观。宽泛定义下，跟AI聊天觉得它像人，也不能说它没有意识。机器人种族是不是人族延续？她不觉得机器人会是最后一件造物。人类活着不只为了提升生产力，还有爱与死。浪漫的想法是，人的生命很短，但造出的东西也许能看到宇宙尽头。

我很难在看到一个具体的意义的陈述的时候认同它

她自认有虚无主义的一面。人活着为了什么，她觉得无解，也不需要回答。每天激励她的是在做自己最想做的事。她喜欢乔布斯讲的点连成线：走过的时候毫不相关，有一天可以连起来。她也喜欢贪心算法和动态规划的区别：每一步都做局部最优，不一定得到全局最优。塞翁失马，焉知祸福。即使追求优化，做九分留一分也可以。她求学路上很多东西没做到最后，但正是那些没做到最后的东西，让她走到今天。

她写的小说有两类。一类在完全不同的科幻社会里探索人与人之间的关系，比如修真加宇宙科技，女主角穿越到未来，发现社会用性别分工塑造每个人，她想反抗这种塑造，召集盟友，改变制度。另一类把魔幻题材放进现代生活，比如现代打工人兼职武林盟主，两种世界观碰撞，游戏里组队、管理、安抚队友，和现代公司项目管理异曲同工。

机器人真正实现后，她想回家写小说、做游戏，创造一个贴合自己喜好的故事，看看有没有别人喜欢。读者能带走几个判断。机器人短期看真机数据、评估体系和操作表现，π0、π0.5、π*0.6分别回答了能力、泛化、表现。中期看跨构型通用大脑和硬件成本，谁能把数据闭环和硬件迭代一起做好，谁就更接近通用。中国供应链是硬优势，美国强在模型、算力和研究团队。个人层面，别把每一步都当成终局，留一点不优化，可能才有后面的线。

网页版：https://zhangxiaojun.qiaomu.ai/ep/6a57a05da4972c496dfc67f1.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。