內容來源：張小珺（張小珺商業訪談錄）采訪人工智能研究員姚順宇的對話內容整理。

責編| 柒排版| 沐言

第 9632篇深度好文：9475| 25分鐘閱讀

商業思維

筆記君說：

“別把時間浪費在伺候老登身上。”

這句話出自姚順宇之口。他本科清華物理、斯坦福高能物理博士，師從領域內頂尖學者，外界標準全部達標。但他自己卻覺得對這個世界的貢獻“幾乎為零”。

他離開學術界的原因很簡單：高能理論物理已經發展到實驗完全追不上的階段，沒有客觀評價標準，只有“領域內一些老登的主觀判斷”。他說，人這一輩子沒多長，為什么要伺候老登？

于是他去Anthropic待了一年，參與訓練了Claude 3.7，現在又加入Google Gemini。

他說，AI這個行業“不太需要腦子”，最重要的是“靠譜”。個人英雄主義已死，AI是集體主義的事。Scaling Law（擴展定律）只是經驗規律，智能涌現是“不科學的說法”。

這是一位物理學家的AI觀察筆記。它刺破了很多泡沫，也給出了一個殘酷的真相：世界在推著我們前進，AI的進展已經阻止不了了。甚至未來6到12個月，AI就會自己做實驗。

以下為張小珺商業訪談對話姚順宇的精編內容整理版，希望對你有所幫助。

一、從物理到AI：

別把時間浪費在伺候老登身上

我以前是做學物理的，本科在清華，那時做凝態理論，后來去斯坦福做理論高能物理。

離開斯坦福之后去伯克利，短暫待了兩個星期的postdoc（ 博士后 ），就離職了，去了Anthropic。在Anthropic待了一年，去年9月底、10月初加入了Gemini。

本科讀物理最大的幫助是：

第一，想問題要想清楚。

讀書不在于讀的多，而在于讀的深。讀的多，不代表你能發現新東西。但如果你對一件事有和別人不一樣的見解，那才是對社會來說更有價值的事。

另一件事是，別太相信純理論。因為當時能做數值，是因為數值和理論對不上，才仔細研究那個問題。

博士去讀了高能物理，這就回到了說，總愛挑戰很難的事，有時候也會帶來一些不好的結果。我感覺，這個博士對自己學到很多東西、成長很大；但于這個世界，沒有產生什么貢獻。

高能理論這個方向，足夠難，非常非常難。但它不好的在于，不是特別可以驗證，沒有什么客觀評價標準。因為高能理論已經發展到了實驗完全追不上的階段。

一個進步來源，來自于數學的自洽性。

比如你提出一個框架，能和現有的已被驗證的更低能標下的理論相自洽。

當然也有一些不科學的因素，當這個領域完全沒有實驗、沒有客觀標準，肯定不會只有一個自洽框架出現。這時候誰做的好、誰做的不好，就依賴于領域內一些老登的主觀判斷。

我也沒有被誰傷害，只是在那個領域待時間越長，就越覺得這件事蠢， 人這一輩子也沒多長，為什么要把自己的時間浪費在伺候老登身上？

我想做有比較客觀評價標準的事，要做對這個世界能夠產生影響的事。從實際科研產出來說，沒有人會說我博士期間的文章不好，但摸著良心說，對這個世界有多大的影響？我覺得幾乎沒有，幾乎為零。

我自己很不滿意的。但也沒有不滿意到，我會擔心有人說我在混日子。確實也沒在混日子，還是能達到所有外界標準。

達到外界的標準，或者達到一個小的圈子的評價標準，像訓練模型一樣。

一旦有了這么一個小的圈子，你知道他們的評價標準之后，做得好是很容易的。哪怕不認可這個標準，你是可以達到的。但我后來發現我蒙蔽不了自己，騙不了自己。

博士最后兩年就會有這樣的感覺。但那時確實也沒想清楚，如果不做這個該去做什么？當時覺得，量子計算和AI是兩條給小登機會比較多的路。

量子計算的主要瓶頸在實驗上。不是怎么設計算法或者算子，更多是怎么在實驗上實現它。

那個事反而是我不擅長，跟我相關的反而是AI。更多是你有一個想法，可以用一些數值去驗證。這個數值在AI里面，可能就是訓練一個模型。這和做物理很像。

感覺AI這個事，也不太需要腦子。我覺得這個行業最重要的特質就是靠譜，就是做事細，對自己做的事負責任。

二、黑盒、涌現與Scaling Law：

用科學視角看AI

1.這世界上所有東西都是黑盒

這世界上所有東西都是黑盒。哪怕像物理這種。不管是量子力學，還是量子場論，都是描述那個能標下的行為。 本質上這個系統還是一個黑盒，你還是不知道它最微觀的地方是什么樣的動力學。

AI也是一樣，黑盒不黑盒，都是相對的。

我們對語言模型的理解，確實沒到神經科學手術刀那個級別，不是說能理解到，這個行為是由哪一個neuron（ 神經元 ）、哪一個人工神經元的哪一個激發產生的。但在實際能用的語言模型里，都沒達到這樣的理解。

但也不代表完全沒理解。

比如Scaling Law，它就描述了那個尺度下，模型隨著大小和數據量，是怎么在perplexity（ 困惑度 ）這個指標下變得越來越好的。如果Scaling Law不算是理解的一小部分，那是不是我們也說，對這個世界也完全不理解？

它是一種經驗規律。但經驗規律和科學規律之間的界限很模糊。熱力學那些定律，當年被發現的時候也都是經驗規律。后來隨著時間發展，慢慢知道了微觀機制，就變成了科學規律。

Scaling Law目前肯定還是很經驗，但未來當技術變得比較固定，大家越來越多理解它微觀過程的時候，會不會變成科學規律？如果這個定義存在的話，是有可能的。

2.智能涌現這個話本身就不太科學

“智能涌現”這個話本身就不太科學，自然也沒法用科學的話來表達一個不科學的事。智能涌現，對我來說更多是一種主觀的感覺，而不是客觀現象。

很多人說智能涌現的時候，腦子里想的是，以前的語言模型只能做某一個方向的事。但現在模型好像可以做所有的事了。但這個事，對我來說更多是一個技術上的涌現，而不是行為上的涌現。

是我們通過研究，發現了該怎么去做這種大規模的訓練，能夠水平的提升所有能力。這才是更本質的事。

對我來說就是沒定義。唯一質的區別就是，有沒有發生一個技術上的改變，使得我們可以做scale up（擴展），可以水平的提升所有的能力。這對我來說，是一個良好定義的事。

三、Anthropic歲月：

小作坊的輝煌與混沌

1.加入一個十人小團隊

Anthropic有很多做物理出身，尤其是做理論物理出身的人。就我個人視角來看，主要原因還是connection（ 人脈聯系 ）。創始團隊里當時有三四個比較技術的人，其中有兩個現在還在技術一線領導的，都是做物理出身。就這樣一直延續下來。

但到現在這個階段，在我之后，幾乎沒怎么再招完全沒有AI背景的人了。所以是一個時代的產物。

我還找了OpenAI和GDM（ Google DeepMind ）。但Google DeepMind那時候速度太慢了。Anthropic是因為當時聯系了，我的第一任經理，他以前也是做理論物理的。

他當時說：我們在嘗試做這種大規模強化學習，有很多科學問題要去理解。那時候（ 24年8-9月 ），強化學習還沒有像現在這么成熟。

Anthropic當時大體上知道怎么做，但有很多細節需要仔細去研究。他說：有這么一個事，你要不要來面試一下？

大概知道pre-train（ 預訓練 ）、post-train（ 后訓練 ）這個流程，但不太知道具體工業級別的語言模型是怎么訓練的。

當時覺得這是一個不確定的事，是一個好的機會。自己手搓了一下Andrej Karpathy那個著名的nanoGPT項目，就去面試了,很快拿到了offer。

有兩個組的經歷來跟我聊。一個是做模型評測，另外一個是做強化學習。我選擇了強化學習。那時候公司很小，我去的時候我們那個大的團隊才只有10-11個人。

那個大團隊叫Horizon，后來幾乎是強化學習的方方面面都在這個團隊了。我去的那個組是比較偏研究和算法的組。

2.Anthropic的獨特優勢：技術一號位有公信力

我對Anthropic的印象還是挺一致的。進去之后，這家公司的執行力非常強。它是一個比較自上而下的公司。很多事情決定了之后，就會全力去做。員工之間的氛圍也很好，大家都不會藏著掖著。

對于那個bet coding（ 對編程下重注 ），我不知道它完全的來源在哪。

我自己能看到的一個顯然的來源是，前一代模型Claude 3放了之后，X上有很多人在討論說：Claude 3好像寫code比GPT-4強啊。

那個年代，GPT-4是一個領先的模型。能有一件重要的事比GPT-4強，就很厲害了。這是這公司很強的一點，它執行力非常非常強。一旦給它一個信號，讓它覺得是很合理的，那就會鋪上去。它沒有那些大組織那種冗余。

為什么它的編程比GPT-4好？是有原因的，是一個純技術原因。但是，我不能確定一開始是隨機試著的，還是故意選擇的。

你要讓我猜，我肯定會覺得是隨機試著的。最開始可能是自下而上的，但是后來就變成了一個自上而下的事。

自上而下有一個很難的點，就是你做技術的決策人，必須也得是公司的決策人。你技術上得能服眾，另一方面你得能為這個公司負這個責任。

Anthropic有這個條件就是，它的技術上的領導人，其實是公司的cofounder（ 聯合創始人 ）。像Jared Kaplan和Sam McCandlish，他們自己做這個決定，那是人家的公司，他有權利做這個自上而下的事。這很難。

比如說OpenAI就干不了。Ilya在的時候有可能可以，但后來他好像失去了這個做決策的能力，就走了。

我覺得還是需要技術的，或者公司的leader（ 領導 ）有公信力。 對我來說，技術1號位有公信力很重要。這個就得看你的團隊有沒有足夠的互相信任。

Anthropic這點也是在初創公司里很強的，創始團隊沒有一個人離開公司。如果你看他們過去，那是一群真正一起打過仗的人。有很多公司干著干著，連小集體都團結不住了，那你怎么能指望大公司能團結住呢？

大公司和初創公司的打法本來就不一樣。初創公司最重要的是找對賽道，能夠去很快做一些決策，然后很強力推進。大公司的想法可能是，我能在方方面面都有儲備，任何一個事成了我都能跟上。

所以Gemini在Google是一個很傳統的、很自下而上的組織。公司層面可能有一些良好定義的框架來引導你，但很多時候，還是你自己來決定自己做什么。

3.Claude 3.7：把簡單的事做的比誰都干凈

當時就是為了做大尺度的強化學習，用它來提高編程的能力。我們那個組的研究重心就是這個。最終帶來的結果，就是大家一塊訓練了Claude 3.7這個模型。

Claude 3.5有兩個版本，你也可以看出，Anthropic這個公司曾經也是沒啥產品能力的，居然管兩個模型叫一個名字。實際的產品時間線是——3.5、3.5new、3.7。我幾乎沒參與3.5new，但3.5new就已經看到了編程的跡象。

我進去的時候，大家已經看到了這個事兒能做成且重要，但不太清楚怎么去把它做成。我去的時候，是跟大家一起去研究怎么把它做成。從大的角度來說是靠大尺度強化學習，但有很多技術細節需要去研究。

有好多保密協議的內容。雖然我不能公開去談， 但是，把簡單的事兒做的比誰都干凈，是最關鍵的。

有很多花里胡哨的技巧。比如說做強化學習，最簡單的算法就是策略梯度。

但不代表這是唯一的算法，還有別的算法。這些復雜性是必須的嗎？它們可能帶來一些效率上的提升，但也可能帶來一些基礎設施上的困難。

你怎么去權衡這些事？很多的knowhow（ 技術訣竅 ），都在這些細節里，怎么處理這方方面面的細節。

技術的竅門，是一個大家很愿意聽，公司又不讓你說，但實際又沒啥用的事兒。因為很多算法設計非常強的依賴于你的基礎設施。

舉個例子，在強化學習時候，這個采樣，就是給你產生這些軌跡、token（ 詞元 ）的那個機器，和訓練器，這兩個機器可能不一樣。不同公司這個不一樣程度不一樣，算法設計也會不一樣。

有些公司這兩個差異非常大，算法最大的部分可能就是怎么控制這個，怎么讓訓練穩定。但有的公司基礎設施建設特別好，就可以花更多精力在訓練效果上。所以很多這種小的竅門，其實沒什么用。

現代的AI訓練是一個大的系統，要了解這個系統的方方面面，才能有一個全局的認識。什么事是因為什么而變得有用了，而不是說這個事本身有用。

4.Coding為什么重要

對我來說，它重要的原因有二。

一個原因是，coding本身也是做語言模型研究的一部分。

如果你能夠把coding做得很好，可能會讓你的研究效率翻倍提升，形成一個研究上的飛輪 。

另一方面原因，是因為coding是模型使用工具和環境交互的一個很好的抽象。這個抽象的好處在哪？回歸信號清晰，數據充分。很難在別的場景下，找到能同時有這兩個特質的使用工具場景。

對Anthropic的后訓練來說，Claude 3.7是一個分水嶺。

在3.7之前，后訓練都是處于一個比較小規模，可能就是修修補補模型的狀態。也不是不重視，是一開始大家很長時間都沒有搞明白后訓練該怎么擴大規模。

但在那個階段，不管是OpenAI還是Anthropic，還是中國的DeepSeek，都意識到了這個事該怎么去擴大規模。

就是得找到合適的環境，這個環境回饋信號足夠清晰，本身也是一個很強的數據源。在這個上面能讓訓練非常穩定，這事就能做成。

那個時刻，OpenAI做的方式和Anthropic差別挺大的。但大的方向上都是找一些回歸信號非常清楚、非常客觀，數據本身又比較干凈，對模型來說是可學習的，在上面做穩定的強化學習訓練。

5.預訓練和后訓練都沒到平臺期

很長時間OpenAI都是這個想法（ 預訓練快結束了 ）。在3.7那個時代，我也曾經抱過這個想法。但是后來隨著了解越來越深入，我就覺得，還有做的空間的。預訓練是一個很系統的框架，告訴你做什么樣的事是更有效的。

我覺得都沒有到平臺期。

到達平臺期有兩種可能性。一種可能性是技術本身到達了，你明明還有想讓模型要干的事，但這倆技術就死活教不會了。另一種可能性是，你想干的事到平臺期了。

我覺得現在就是后者。就是說，模型是一個非常聰明的小孩，你可以教它很多東西。但我們人類作為老師，現在還不知道下一個東西該教什么。或者說該怎么去合理地教它，用現在的這些范式。

四、個人英雄主義已死：

集體主義才是AI的真相

1.世界在推著我們前進

在可用的語言模型、大尺度的語言模型出現之前，很多事是一個非必然。

比如，如果沒有Google Brain（ 谷歌大腦 ），那可能Transformer（ 筆記俠注：基于自注意力機制的深度學習模型 ）就不會被發現，可能要過很多很多年。

但進入那個階段后，尤其到現在已經反過來，任何一個組織想要停止AI進展，是做不到的。

Anthropic很擔心AI安全，那Anthropic有沒有這個能力阻止AI發展？你停止發展，別人會發展，你的話語權還會變小。現在更多是這種狀態： 世界 在推著我們前進，而不是我們在推著這個世界前進。

Anthropic一直以來的想法是，我要做這個世界上最好的模型，大家不得不聽我的，來推進我的安全政策。但從我個人角度，這個想法非常幼稚。更有可能發生的是，大家都有很好的前沿模型，而你沒有辦法阻止任何事發生。

如果真的想要避免AI帶來一些危機，核武器最終受到控制的方法就是多方控制。大家有很多個有核武器的國家，互相都有毀滅對方的能力。通過這樣一種制衡才穩定住。我覺得要阻止AI干一些不好的事，最終可能需要一種類似的機制來實現。

2.舊時代英雄有點蠢

我感覺來這行業的時候， 個人英雄主義時代已經過去了，所以也沒有什么英雄。有時候甚至覺得舊時代英雄有點蠢。，我覺得和做物理時候還是不一樣。

做物理時候，還是存在著一些真的比我聰明太多的人。比如我讀博的時候那個年輕老板，Douglas Stanford，他就比我聰明太多了。看到他，才覺得自己在那個領域也沒什么用。有他了還要我干嘛呢？

當然你要非要在人工智能找一個英雄，可能Geoffrey Hinton（ 杰佛里·辛頓 ）是吧。就是在大家都覺得這事可有可無或者不那么確定的時候，他一直在這個方向做。那我覺得，這可能是一個英雄級別的人物。

可能也有一些英雄的集體。比如像Transformer，就Noam（ Noam Shazeer）和那些，Ashish（Ashish Vaswani ） 、Niki（Niki Parmar ）他們，那可能是一個英雄集體。

3.AI研究員像球星轉會？這是對人的炒作

我不知道AI研究員價格高是好事還是壞事。對我個人來說，當然很高興，我受益于這個。但實際上來說，我并不知道這是不是一件好事。可能一方面是大家覺得很稀缺吧。

但實際上可能確實也沒那么充足。因為訓練一個人，雖然這事沒那么難，但你訓練一個人是需要一個環境的。你得有那個機會去接觸這件事，你才能學會這件事。

你沒有那個機會，再聰明也沒用。過去能撞到這個機會的人，沒有那么多。所以市場上比較稀缺。但我覺得另一方面也是，對人的炒作有點過分了。再說一次，這是個集體主義的事。

我覺得純做語言模型，已經不是一個藍海了。晚了，末班車已經發車了。我感覺我入行就是那個末班車啊。

該怎么去合理地教它，用現在的這些范式。

五、為什么離開Anthropic，

又為什么選擇Gemini

1.離開：不想在一個地方待著

在我快離開那段時間，Anthropic文化上經歷了一些混沌。從外面來了一些人，跟本來的文化有些沖突。之前更像一個小作坊，大家都是朋友，大家都知道對方在干嘛，公司那時候緊迫感也更強一些。

后來人多了，文化肯定會受到一些沖擊。我不太喜歡在這個領域里面說很多話的人。很多想法，顯然所有人都知道。

難的是怎么把它變成一個一個小的、可實現的步驟，做出來。我不太喜歡那些一天中很多時間花在辦公軟件上，在那講一些大道理，沒啥用。

一個方面是，我不認同Dario的一些觀點。作為一個公司CEO，把這個觀點推到這么極端的地步，是一個非常情緒化的體現。大的方面，公司文化上有些沖擊。我自己也想去學些不一樣的事情。

Anthropic有很多不做的事，比如完全沒有人做多模態生成，你想學沒地兒學。想要學習更多的東西，也是當時離開的一個動力。

2.選擇Gemini：取決于你想要什么

OpenAI也是我當時的一個選項。沒有去的一個主要原因，是對它的文化有比較大擔心的，感覺踏實做事的人沒有Gemini多，更沒有Anthropic的人多。

我有一個很明確的scope范圍，我一定要把我的一個想法送到這個模型里去，那Google是一個很差的地方，因為做這件事情有很復雜的過程。

但如果你想要的是有研究的自由、探索的自由，想從更廣泛的人類學習，這個世界上可能找不到第二個比Gemini更強的地方。還是取決于你自己想要什么。

很多人不管從哪離職，換到另外一家之后，會覺得不開心的主要原因，是因為沒想明白自己想要什么。

我是去年9月底去的，在Gemini 3發布之前。業內的人當時對Gemini都還是印象不錯的。大家的感知，可能在Gemini 2.5這一代產生了變化。2.5是一個明顯你能看出來Google開始上道了。

我去Gemini跟這沒關系。主要還是我知道，Gemini大概是一個什么樣的氛圍。很多Gemini工程師，技術是非常非常非常強的。我是從他們身上學到了非常非常多。

3.OpenAI救了Google一命

從實際的效果來說，是兩件事讓Gemini產生了一個大的轉折。Nano Banana和Gemini 3——兩件事連著。

Nano Banana做到的一件事是，首先市場上很爆款，大量的人去下載了Gemini的APP，然后Gemini 3又緊接著放，把這個部分留下來了。

沒有Gemini打這么一拳，OpenAI的位置很爽。它市占率已經高到，其實模型上干點啥，對它來說可能影響都沒那么大啊。

從某種意義上來說，OpenAI是救了Google一命。大家以前一直擔心聊天機器人會不會完全把搜索取代掉。如果這個事真的發生，Google其實很難受。但好在，OpenAI先把這個事做了，讓Google意識到了這個事很重要。

但OpenAI又沒有把這個事做到極致，沒有把搜索干掉。結果，讓Google自己把聊天機器人也追上來了。那現在難受的就是OpenAI了。

首先，目前的chatbot（ 聊天機器人 ）這種交互方式，不會完全吃掉搜索。它比搜索強的是有很強交互性，可以幫你把復雜信息濃縮。

但搜索里還有一些非常愚蠢的場景，比如我就搜買大米，一搜買就完了。我還非得去問ChatGPT，問哪個好，它還在那轉圈圈。沒有那個必要。所以從事實的使用上來說，它目前的形態并不足以把搜索完全吃掉。

我覺得Google傳統上在產品就是有點慢。 Google特別擅長的一件事是什么？是找到一個極為簡單的產品形態，大家都長一個樣，它就瘋狂給你卷技術，你就卷不過它。

搜索引擎就是這樣的一個事兒。大家都是一個框、一個鍵，但它就是比你搜得快、搜得比你準，你拿它一點辦法也沒有。

我覺得現在誰的位置都不穩固。AI的形態還有很長的路要走，沒有到什么終局之戰這個地方的感覺呢。我覺得聊天機器人和超級應用可能會爭奪一下。

但問題是，你這個形態是不是超級應用？會不會別人哪天出了一個完全不一樣的形態，你的功能變成了那個東西一個子集？人類到現在只通過聊天機器人去跟AI溝通，很蠢。那應該用什么？沒想明白。要想明白我就干了。

4.Google的組織變化

以前組織還是更混亂一些，現在至少預訓練變得非常清楚，誰負責什么事情，每一個節點上誰是負責人。加上Google一直有的比較強的技術背景，做事也比較系統。

所以預訓練在Google，是一個非常非常可控的事。它比以前肯定要更自上而下了，但它比Anthropic來說，還是更自下而上了一些。

大公司有大公司的打法，初創公司有初創公司的打法。現在Google更多的是，像這種比較確定性的事， 比如預訓練，已經是一個比較確定性的范式了。Google就會更像把它做成一個工程項目。

Google的工程管理能力又很強，它就能慢慢把它做好。所以預訓練，就是現在進入到Google的舒適區里了。后訓練當然有更多不確定性。可能后訓練現在來說，還是更自下而上一點。大家可以更廣泛的試。

六、我的研究：

ML Coding與Long Horizon

1.AI研究的下一個場景

我自己主要在做ML coding（ 機器學習編程 ），和一些比較long horizon（ 長時序 ）的事。

ML coding，主要就是想要實現這個完整的AI自己訓練自己的歷程。

大的方向上來說，大家比較有共識該怎么去做。但還是回到細節，細節上有很多要處理。比如怎么樣去選取合適的數據，怎么樣去選取合適的回饋信號，以及它又帶來新的基礎設施的挑戰。

long horizon，想要能夠實現模型能夠——還是那句口號：train with finite, but use as infinite（ 用有限的上下文訓練，但用起來像無限的上下文 ）。

我覺得想要把這個訓練的長度一直變長，可能并不是單個訓練語段的長度一直變長，那不是很現實的方案。但現實的事是，你怎么用有限的context（ 上下文 ），去做更長的工作？

人就是這個樣子，人的context很短很短。你現在問我昨天晚上吃什么，我是一點也想不起來了。

因為它對我現在這個場景來說不關鍵。我選擇把它忘掉。人的context很短，但他能夠選擇性的遺忘，選擇性的去retrieve檢索，把重要的信息再抓回來。

其實這兩件事有點相關、有點互補。都在模型使用工具和環境，以及不同模型、不同人交互的這個大的范疇內。

在這個范疇內，大家過去完成的那個節點，就是智能體編程。這個事橫向就會長出不同的使用場景。做AI研究，就是橫向場景里的另外一個場景。

這個場景，不僅橫向上是一個新場景，在縱向上也讓事情的尺度變得更長。

完成一個代碼的補全，是一個很快的事。但做一個完整的AI研究，那是一個很長的過程。所以說，它像一個T字形，橫向有延展，縱向也有延展。

我個人花更多時間在后訓練的方案上。我覺得后訓練的方案，更符合我自己對這個事的理解。

2.AI本質是簡單的

AI本質是簡單的，它可對可錯。

我對這個陳述的解釋是，它本質上簡單的點在于，它能做實驗。 它和本質上難的東西，比如物理，區別在于，那個東西你沒有能標下的實驗數據，就是理解不了那個能標下的理論。

但AI不被這個所約束，你理解不了沒關系，也可以往前發展。能夠做任何我能想到的實驗，只是可能需要一些時間。沒有什么本質上的困難。

所以AI沒有給人感覺碰壁的原因是，首先很多東西你都能試，其次不是大家已經想空了腦袋、沒有什么想法可以試。更多的是有太多想法，得一個個試，花時間。

未來的6-12個月，AI就會自己做實驗。AI自己提高自己，或者自己來加快自己的發展過程，這件事其實已經在發生。它目前還做不到的是，它能不能從頭到尾把一件AI研究的事做完。

比如它不僅能編程，還能跑實驗，還能看到這個結果。看到這個結果，還能分析這個結果，知道哪兒做的不對，提出新的假設，設計新的代碼，跑新的實驗。這條鏈條目前還沒有完整。但這條鏈條下一步會慢慢變得完整的。

七、沒有老登的束縛：

直接表達是最好的方式

這可能就是，不是AI出身的好處，沒有什么負擔。沒有哪個老登是你的親屬，所以你覺得他傻，他就是傻，就可以直接說他傻。

我覺得我做學生的時候還挺收斂的。但我后來發現收斂沒用，對自己也沒好處，對別人也沒好處。還是更直接，表達自己的想法是最關鍵的。直接表達自己的想法，是一個短期一定會有人恨你，但長期大家會欣賞的事情。

我覺得人年紀大了，不一定會變成老登。

人年紀大了會變成兩種狀態： 一種狀態叫做德高望重，就是他少指手畫腳，還會花自己的力氣去培養年輕人。另一種人就是老登，就自己也不懂，還愛指手畫腳。

做了AI之后就更直接。一是沒有束縛，二是這個領域足夠客觀。

你其實不用太擔心，因為自己的觀點而惹到什么人。只要你的觀點是自洽的，你有一套自己觀點的理論，你不是說隨便噴人。

最終你在這個領域做的怎么樣，是有客觀的評價標準的。我覺得其實大家是會尊重你的。

參考資料：《獨家對話姚順宇：請允許我小瘋一下》，語言即世界language is world。

*文章為作者獨立觀點，不代表筆記俠立場。

好文閱讀推薦：