近期，Anthropic公開呼吁全球暫停AI開發(fā)，原因是“AI正在以驚人速度加速AI自身的開發(fā)進程”。這樣的進程被稱為之Recursive Self-Improvement（遞歸自我改進），即AI系統(tǒng)無需人類干預、能自主設計并改進自身的能力。而這個方向，正是Meta前FAIR研究總監(jiān)田淵棟官宣估值46.5億美元的新實驗室Recursive Superintelligence(RSI)正在押注的賽道：用AI實現(xiàn)AI的自進化。

這家由8位頂級AI研究員聯(lián)合創(chuàng)辦的新AI實驗室成立于2026年初，在經(jīng)過約4個月的隱身開發(fā)后，于5月正式官宣亮相。首輪融資6.5億美元，成為全球最受矚目的新一代AI實驗室之一。

在當前AI競爭愈發(fā)激烈的背景下，RSI究竟想做什么樣的事情？為什么資本會如此看好他們？

在半年前我們跟田淵棟的對談中，他曾經(jīng)提出了有一些非常出圈的結(jié)論，比如說“LLM是悲觀的未來”等等。如今半年過去了，面對日新月異的AI市場的格局，他又是如何看待當前的模型技術的趨勢與瓶頸呢？

在此次的訪談中，對于當前大公司加速“蒸餾”員工、普通人的職業(yè)位置越來越不穩(wěn)定這一現(xiàn)實問題，田淵棟用了一個很形象的比喻：未來如果總想著在大廠之間跳來跳去，可能就像一條不斷跳出魚缸的魚，但水卻在越來越少。最終，你得變成一個“四維生物”，才能活下來。

那么在AI時代，我們該如何找到自己的意義，而不被時代推成一顆螺絲釘？

此次是硅谷101Neolabs特輯的第二期視頻播客。

（本文為視頻改寫，歡迎大家收看以下視頻）

01

從大廠到新實驗室

為什么選擇RSI

陳茜：非常感謝淵棟，歡迎來做客硅谷101。

田淵棟：非常感謝你們又過來，我們可以繼續(xù)下一輪的采訪。

陳茜：距離我們上次聊天已經(jīng)過了半年的時間。當時你剛從Meta出來，你告訴我，已經(jīng)有很多的團隊和公司在與你接洽。現(xiàn)在你正式官宣加入了RSI，能不能先談談，為什么最后選了這家公司？

田淵棟：實際上，在接受上一次采訪時，我基本已經(jīng)做出了決定。確實是一個比較快的決定過程。在10月底到11月初那段時間里，我的手機消息幾乎處于“爆炸”狀態(tài)，很多信息都來不及一一回復。

最后之所以選擇RSI，首先是因為我想體驗下不一樣人生。因為我也是個小說家，我認為體驗人生本身就是非常重要的事情。另外一方面，我判斷大模型行業(yè)正在發(fā)生一種趨勢：團隊會變得更小，速度會更快，組織之間的摩擦會更少。“小而精”的團隊把事情做成，并逐漸演變?yōu)榇筅厔荨Ｔ谶@樣的背景下，繼續(xù)待在大公司里，可能并不再那么合適。事實上，我也親眼見過很多大團隊存在各種各樣的問題。

02

8位聯(lián)合創(chuàng)始人

為什么資本愿意買單

陳茜：我相信當時也不只是RSI這一個初創(chuàng)公司，或者是neolab來找你。Richard Socher也親自來找過你，那你為什么最終選擇了RSI？

田淵棟：主要有兩個原因。第一，RSI是剛剛組建的團隊，因此我當時和Richard、熊蔡明、Tim Shi、Tim Rockt?schel都聊過。我覺得，對于一個剛組建的團隊，機會本身就更大。第二，團隊里面有兩三個人我之前就認識，其中像Tim Rockt?schel還是我在Meta的同事，他之前也一直在做強化學習，所以彼此更熟悉。

當然，其他不少初創(chuàng)團隊也來找過我，但很多時候，他們給出的角色更像是head of AI或head of research，而不是聯(lián)合創(chuàng)始人。既然要創(chuàng)業(yè)，當然還是做co-founder更合適。

陳茜：RSI有8位聯(lián)合創(chuàng)始人，這一點非常少見。你們是怎樣的一個架構(gòu)？

田淵棟：我覺得主要是因為每位聯(lián)合創(chuàng)始人的專業(yè)知識都不同，彼此之間是互補的。每個人都有自己的長處，也能欣賞別人的長處，而且大家都足夠聰明，所以8個人合作起來相對順暢。

陳茜：能不能跟我們介紹一下這8位聯(lián)合創(chuàng)始人分別負責什么？

田淵棟：當然可以。Richard Socher一直更偏CEO的角色。此前他在Meta創(chuàng)立了MetaMind，然后被Salesforce收購了；進入Salesforce后，他擔任了4年首席科學家。之后他又創(chuàng)辦了You.com，如今已經(jīng)實現(xiàn)盈利。這次他再次回到創(chuàng)業(yè)狀態(tài)，成為RSI的CEO。

熊蔡明此前也與Richard一起在MetaMind工作，后來隨著公司被Salesforce收購，一起進入Salesforce。Richard離開后，熊蔡明在Salesforce Research擔任高級副總裁，并在那里工作了十多年。

另外，Tim Rockt?schel也是RSI的重要成員。我和他在Meta就是同事，后來他去了Google DeepMind，負責Project Genie 1、2、3以及agent Open-Endedness相關工作，這些方向與我們現(xiàn)在做的事情非常接近。他在Google的口碑一直很好，因此在我們?nèi)谫Y過程中也起到了很大作用。

Jeff Clune長期專注于agent Open-Endedness方向，過去十年都在這一領域深耕，他最近發(fā)表的The AI Scientist-v2甚至已經(jīng)被Nature收錄，學術影響力很強。

Josh Tobin早年是OpenAI的員工，后來自己創(chuàng)業(yè)，公司又被OpenAI收購，之后他回到OpenAI做agent科學主管，在工程和agent方向都有豐富經(jīng)驗。

Alexey Dosovitskiy則是我很早以前就認識的人，我們當年都做強化學習，后來他去了Google，參與Vision Transformer相關工作，并成為一作；之后又去了一些AI for Science公司，現(xiàn)在也加入了RSI。

還有Tim Shi，他之前是Cresta的CTO，在那家公司工作多年，也把公司做得非常好，如今對“遞歸”這條路線很感興趣，因此辭去原有職位，加入RSI擔任聯(lián)合創(chuàng)始人。

陳茜：這么多頂級研究員和行業(yè)從業(yè)者聚在一起，彼此不會有分歧嗎？如果意見不同怎么辦？

田淵棟：我們整體上還是比較民主的。團隊里會有很多討論，也會有很多思想上的碰撞。最終大家通常會在一些想法和邏輯上達成一致，然后一起推進。目前為止，合作還是比較順利的。大家都是聰明人，和聰明人合作，通常更省心，彼此都希望把事情做好，把盤子做大。

陳茜：這輪融資規(guī)模也非常引人注目，6.5億美元融資，46.5億美元估值，而且是在沒有產(chǎn)品的前提下。為什么資本會愿意買單？

田淵棟：我認為最頂級的資本看重的還是人。AI領域變化太快，很難在一開始就把商業(yè)愿景和產(chǎn)品路徑講得非常清楚。今天說要做的事情，兩個月后就可能因為新的技術進展而變化，這時候團隊能不能快速反應、快速執(zhí)行，就顯得極其重要。所以資本看重的，首先是對人的判斷，包括過去的履歷、能力，以及團隊成員之間的磨合與協(xié)作程度。融資額之所以能到這個規(guī)模，最核心的原因還是投資人認可我們過去的經(jīng)歷，也認可我們對這一愿景的投入。

陳茜：你在其中主要負責什么？上次我們聊的時候，你說下一份工作想做工程和前沿研究結(jié)合的崗位。

田淵棟：其實我當時說那句話的時候，就已經(jīng)知道自己大概會來這里了，但是我不能提前說。現(xiàn)在到了RSI，確實也是工程和前沿研究結(jié)合的工作。我和蔡明過去主要做modeling（建模），比起純研究，我們也會繼續(xù)做建模、后訓練等工作。同時在工程層面，我們也會做一些agentic harness（智能體控制）相關的事情。

03

遞歸自我改進

押注AI自動化科研

陳茜：接下來我們就聊聊RSI。RSI的全稱是Recursive Superintelligence。recursive，它的中文叫遞歸式，是一個非常關鍵的詞。能不能解釋一下，RSI主要想做什么？Recursive self improvement（遞歸自我改進）到底是什么意思？為什么你們認為它很關鍵？

田淵棟：Recursive self improvement（遞歸自我改進）的意思是，用AI去優(yōu)化AI自己的一些環(huán)節(jié)，讓AI變得更強，然后再在新的基礎上繼續(xù)向上迭代。具體來說，我們希望讓AI去做很多現(xiàn)在仍然需要人工完成的事情，比如科學家尋找新的想法、新的邏輯，或者在訓練過程中利用AI做強化、做新的發(fā)現(xiàn)。這些都屬于recursive（遞歸）的一部分。我們的最終愿景，是建立一個系統(tǒng)，把各種計算資源放進去之后，能夠輸出新的知識、新的見解和新的洞察力。RS網(wǎng)站上寫的是maximizing knowledge discovery rate（最大化知識發(fā)現(xiàn)速率），也就是最大化知識發(fā)現(xiàn)速率。通過這種方式，我們希望加快人類社會進步的速度，提高人類發(fā)現(xiàn)和理解新知識的能力。

陳茜：目前我們看到，OpenAI、Anthropic、Google等前沿大模型公司，主流做法還是依賴人類設計模型、收集數(shù)據(jù)、大規(guī)模訓練，再進行人工標注和對齊。你之前提到過，人類在這條路上可能是一個瓶頸。你們押注的是讓AI自動化研發(fā)過程，是這樣嗎？

田淵棟：是的。現(xiàn)在人類或者研究員在做研究、做AI發(fā)現(xiàn)時，絕大部分時間其實都受到自身生理條件的限制。人需要吃飯、睡覺、休息，不可能100%的時間都投入到研究里。所以，如果AI至少能代替一些繁瑣、繁重、重復性的工作，這一定是可行的，也是第一步。第二步則是，AI能不能在這些基礎勞動之上，進一步自動發(fā)現(xiàn)新的洞察和重要信息，從而加速整個AI和人類社會的發(fā)展進程。

陳茜：那AI系統(tǒng)學會的東西，究竟是真正能力上的提升，還是在某個評估指標上的過擬合？

田淵棟：我當然希望最終帶來的是能力上的提升。比如說，AI現(xiàn)在可能只能完成本科生能做的事情，我們希望它未來可以做到碩士生、博士生，甚至研究員層面的工作。至于benchmark（基準測試），它本質(zhì)上只是實現(xiàn)目標的一種手段。刷榜、沖榜這些指標，本身還是比較表層的；真正拆解到具體步驟，每一步都可以對應某些metric（指標）。更重要的是，AI在更高層次上到底能不能完成真正有價值的任務。

陳茜：如果AI系統(tǒng)開始自主設計實驗、自主評估結(jié)果，人類還可以作為一個可靠的評判者嗎？你們怎么去解決evaluating the evaluator，也就是“評估者本身也需要被評估”這個遞歸難題呢？

田淵棟：至少在目前階段，AI還達不到人類的評估標準，所以短期內(nèi)人類依然可以作為評判者，這沒有問題。另一個層面是，等AI強到一定程度后，很多評估標準會變得主觀，而不是絕對客觀。比如讓AI寫代碼，很多時候人類對于代碼結(jié)構(gòu)、模塊劃分、設計方案的理解并不完全一致。這種情況下，所謂“正確答案”本身就未必存在，每個人的判斷都可能有道理。因此，未來的評估可能會從中間的benchmark（基準測試），逐漸轉(zhuǎn)向最終結(jié)果，也就是看人和AI結(jié)合后產(chǎn)出的東西，是否真正有用、是否令人滿意。

04

當AI開始研究AI

可解釋性為什么重要

陳茜：在這樣的情況下，可解釋性這件事情還重要嗎？

你之前也提到過，無論scaling最終成功還是失敗，可解釋性都是必須解決的問題。若模型成功了，我們需要確保超級智能不會作惡；若模型失敗了，我們也需要理解它為什么會在某些地方崩潰。

那在RSI這條路上，當AI可以自己修改代碼或權(quán)重，甚至可以自行設計一系列實驗時，可解釋性會不會變得更加困難？

田淵棟：我認為這件事非常重要，而且比過去更重要。首先，安全性是一個核心問題。我們在發(fā)布Recursive的時候，就非常注重做安全的超級智能。關于安全這部分，一個重要方案就是通過可解釋性來實現(xiàn)。因為如果我們對模型內(nèi)部機制有理解，對它的運行方式有把握，就能大致判斷這個模型未來可能帶來什么樣的威脅和問題，所以這非常關鍵。

另外，可解釋性本身也提供了一個非常好的指標，幫助我們更快找到想要的結(jié)果。以recursive self improvement（遞歸自我改進）為例，它背后意味著大量算力投入。比如訓練一個模型，可能需要幾千塊卡、幾萬塊卡。如果我們對模型本身并不了解，往往只能等訓練結(jié)束之后，再去預測或評估這個模型到底好不好。這樣一來，速度就會很慢。

如果有可解釋性，我們是不是可以把評估前置？如果能在訓練過程中更早判斷模型的方向和表現(xiàn)，就有可能顯著提高運算效率。所以我認為，可解釋性在這個過程中扮演著非常重要的角色。

陳茜：你們的設想，是讓AI系統(tǒng)長期自主運行，去追求研究者定義的目標，同時產(chǎn)生出超出人類預想的新思路。但“超出人類預想”和“失去控制”之間的邊界在哪里？你們準備用什么機制來保證這條線不會被越過？

田淵棟：我覺得關鍵還是可解釋性。如果我們知道模型在探索過程中到底發(fā)現(xiàn)了什么，就可以讓人類去做評估；如果模型內(nèi)部機制本身也能被審查，我們就能據(jù)此判斷它到底是越界了，還是只是發(fā)現(xiàn)了新的東西，并沒有越界。這一點非常重要。我們甚至還可以用另一個模型去驗證這個模型是否可靠，這些方法都是可行的。

所以，在這種越來越困難的問題上，我們希望模型既能找到一些人類做不到的事情，同時又是安全的。既然我們不能親自替模型去發(fā)現(xiàn)新東西，就必須理解模型是怎么想的、怎么推理的，以及它是不是產(chǎn)生了一些過于激進、已經(jīng)超出我們預期的想法。要做到這一點，歸根結(jié)底還是需要可解釋性。

05

人類洞察力 vs. AI自主性

新的科研協(xié)作模式

陳茜：我記得你之前談到過自己用GPT-5的一些感受。當時你也說，模型確實能夠幫你做很多事情，但它仍然缺乏高層次的人類洞察力和專業(yè)知識，因此目前還是需要人類去引導。可RSI的路線和目標，恰恰是希望AI能夠自主提出實驗假設、自主驗證，也就是說，要把原本依賴人類洞察力的過程進一步自動化。你怎么理解這背后的矛盾？還是說，現(xiàn)在技術其實已經(jīng)有了進展，也因此改變了你的想法？

田淵棟：可以這樣理解。正因為現(xiàn)在AI還做不到，所以我們才希望它未來能做到。這就是我們的邏輯。

陳茜：所以你們選擇的是一條更難的路線。

田淵棟：是的。正因為AI現(xiàn)在還做不到，這才意味著未來研究員還有很大的發(fā)揮空間。當然，我們也希望讓AI逐步具備這些能力，這一點非常重要。

但這件事本身并不是一個簡單的“做不到”和“做得到”的二元問題，它不是從0到1的絕對跨越，不像無人車那樣，必須做到百分之百正確，否則就會發(fā)生事故。

所以它其實有很多層次。也許今天AI只能寫代碼，明天它能讀論文，但還理解不了問題的本質(zhì)；后天，它可能已經(jīng)能理解一點點了，但仍然無法處理更復雜的問題。它是一層一層往上走的，所以中間有一條很深的階梯。

這座階梯我們能爬到什么程度，現(xiàn)在還不知道，但至少我們可以往上爬一步。每往上一步，都會帶來大量新的應用場景和新的可能方向。對研究員來說，當然是希望勇攀科學高峰，這本來就是一件很有吸引力的事情。

陳茜：如果說你們的最終目標是10，那么你覺得我們現(xiàn)在大概處在什么階段？

田淵棟：我覺得我們現(xiàn)在大概還在1到2、2到3這個階段。甚至可以說，我們現(xiàn)在可能還是0.5。因為這條階梯本身非常高，而且它到底能有多高，我們現(xiàn)在并不知道。

如果假設人類能力的邊界是10，那么我們現(xiàn)在可能只是在1到2的位置上。可一旦越過人類的邊界，后面也許還有100，只是那部分我們目前還不知道。

陳茜：就是要翻過那座山，才能看見后面的山有多高。

田淵棟：是的。而且到了那個時候，人類能力的邊界會往上走，因為我們會發(fā)現(xiàn)，AI的能力已經(jīng)超過了過去人類的最優(yōu)水平。

比如最近OpenAI就已經(jīng)發(fā)現(xiàn)并證明了一些完全非平凡的定理。對以前的人類來說，這種事情是很難想象的。但現(xiàn)在你會發(fā)現(xiàn)，AI證明定理的新聞越來越頻繁，過去那些原本很難完成的定理，正在被不斷推進、不斷完成。我相信，未來這種情況還會繼續(xù)出現(xiàn)。

06

“語言不是思考本體”

Coconut與新推理路線

陳茜：你在Meta時，一個比較重要的工作方向就是Coconut（連續(xù)思維鏈）。這一方法的核心，是讓AI在連續(xù)的潛在空間中進行推理，也就是Latent reasoning（潛在空間推理）。我很好奇，Coconut（連續(xù)思維鏈）相關的研究在RSI里是否還會繼續(xù)推進？你如何看待當前的Chain of Thought(思維鏈）路線，以及你接下來的研究工作，會不會在這個方向上繼續(xù)往前推演？

田淵棟：我想這條路線應該還是會繼續(xù)做下去，這一點沒有問題。當然，具體細節(jié)上我們畢竟是一家公司，所以很多內(nèi)容不方便講得太細。

但整體來說，如果我們有一套很好的machinery，也就是一套能夠支持自動化研究和自動化理解的系統(tǒng)，那么我們就可以繼續(xù)用這套系統(tǒng)推進研究。這樣一來，我們的研究會更像一個產(chǎn)品：我們可以把系統(tǒng)做得非常厲害，然后拿出很好的結(jié)果；這些結(jié)果既可以發(fā)表，也可以直接展示給大家。至于它是怎么做出來的，我們完全可以把其中的關鍵機制作為一個黑盒，作為公司的核心方法。

陳茜：明白。剛才我們也提到了Latent reasoning（潛在推理）。那你會認為，當前的Chain of Thought（思維鏈）路線是錯的嗎？

田淵棟：我不認為當前的Chain of Thought（思維鏈）路線是錯的。它很實用，大家也都在用，所以肯定不能說它有問題。但我一直覺得，人類在思考問題時，最終還是需要某種非語言的媒介。至少對我來說，真正思考時并不總是依賴語言。很多時候，思考過程里會有圖像成分，也會有一些說不清、道不明的思路；直到我在這個思路中發(fā)現(xiàn)一個問題，把它寫下來，轉(zhuǎn)化成語言。所以，語言更多時候是一種解釋工具，而不是思考本身，更不是訓練的全過程。

如果通過Latent reasoning（潛在推理）來進行思考，那么它在推理過程中的效率是要高于語言思維的。原因就在于，latent token能承載的信息量，往往比語言token更高。它可以同時保存幾種不同的思路，讓這些思路并行存在，最后從中選出一條正確路徑。但如果用語言去思考，就必須把每一條思路都人工寫出來。

陳茜：你覺得現(xiàn)在有哪些公司比較重視這個方向？

田淵棟：我聽說Anthropic的Mythos model采用的是Looped Transformer，不過我也不確定這個消息是否準確，這只是一個可能的路徑。之所以會有這樣的猜測，是因為大家看到Mythos在一些圖搜索問題上的表現(xiàn)，比之前的模型好很多，所以會懷疑它是不是使用了新的架構(gòu)。當然，這種問題你去問Anthropic他們，是不會得到明確回答的。

07

頓悟與泛化

重新理解預訓練

陳茜：你之前其實有跟觀眾分享過AI模型頓悟的研究。能不能再展開講講？另外，最近在這個方向上有沒有研究上的新進展？

田淵棟：新的進展我就不展開說了，因為我們這邊也比較保密，不希望有新的結(jié)果一出來就馬上公開。

不過這項研究我們肯定還是在繼續(xù)做的。實際上，那篇文章發(fā)出來之后，我收到了不少來信，很多人都表示很感興趣，還有人告訴我，他們在此基礎上做了extension（拓展），希望我能幫忙看一看。其實我挺開心的，因為有很多人愿意和我一起討論這個問題。

圖片來源：arxiv.org

我覺得“頓悟”本身是一個非常有意思的問題，它研究的是模型如何從記憶走向泛化的過程。而這個過程本身，某種程度上也許能夠幫助我們揭開整個神經(jīng)網(wǎng)絡訓練機制的一部分秘密。那篇文章的核心邏輯是：在一些較為具體、結(jié)構(gòu)化的數(shù)據(jù)輸入下，我們能夠非常清楚地觀察到模型從記憶轉(zhuǎn)向泛化的過程。這個過程甚至可以用一個相對清晰的數(shù)學形式來描述，比如能量函數(shù)。

在數(shù)據(jù)不足的時候，這個能量函數(shù)的最小值往往對應的是記憶解；但當數(shù)據(jù)量足夠大、達到一定程度之后，這個能量函數(shù)的結(jié)構(gòu)就會突然轉(zhuǎn)向頓悟解，也就是泛化解。這個轉(zhuǎn)變過程，就是我們所說的“頓悟”。而且我們還可以進一步知道，到底需要多少數(shù)據(jù)，才能促成這樣的變化。

所以這其實是一個很有意思的過程。如果我們把它理解清楚了，或許就能更好地理解神經(jīng)網(wǎng)絡的訓練機制，也能更有效地提升訓練效率。

陳茜：這個方向我理解還處在比較早期的階段。那我們現(xiàn)在大概知道需要多少數(shù)據(jù)，才能發(fā)生這種變化？

田淵棟：對，這篇文章整體還是比較偏理論的。按照我們當時的設定，如果總數(shù)據(jù)量是M平方量級，那么大概只需要Ml og M量級的數(shù)據(jù)，就有可能發(fā)生這種轉(zhuǎn)變。也就是說，它可能比線性增長稍微多一些，但和總數(shù)據(jù)量相比，仍然少很多。大致是這樣一個過程。

陳茜：你們的實驗室會從pre-training（預訓練）從頭開始做嗎？

田淵棟：我們都在嘗試。pre-training（預訓練）之所以是一個值得做的方向，是因為它本身的訓練過程相對比較平滑，loss curve（損失曲線）也比較穩(wěn)定，所以其實是一個不錯的方向。

陳茜：所以你們什么都會自己做？

田淵棟：會有一些。至少目前我們還處在探索階段，所以不同方向都會嘗試。

08

商業(yè)化思考

RSI如何規(guī)劃研發(fā)路線

陳茜：在產(chǎn)品和商業(yè)化方面，你們有沒有一些思考？

田淵棟：有，我們現(xiàn)在已經(jīng)有一些比較明確的想法了。首先，我們這個團隊本身就是一個非常務實的團隊，超過一半的人都曾經(jīng)創(chuàng)業(yè)過，也都清楚怎么把事情真正落地，怎么把產(chǎn)品做好，怎么滿足用戶需求。

所以我們內(nèi)部討論的時候，很多話題都很接地氣，關注的也都是很實際的問題：這個東西能不能用，那個東西能不能用，能不能產(chǎn)生商業(yè)價值。與此同時，self improvement（自我改進）這個方向本身也有很多事情可以做，很多東西可以實現(xiàn)。比如說，我們能不能訓練出一個模型，讓大模型推理變得更快，從而提升推理速度和推理效率？這當然是有可能的。再比如，我們找到一種新的訓練方案，這種recipe（訓練方案）是否能夠帶來更好的結(jié)果？這些都可以商業(yè)化。

另外，如果我們能把模型本身、尤其是人類在做研究時的思維方式建模得足夠好，那么它甚至可以被用來完成一些原本只有人類才能做、而且難度很高的研究工作，這同樣是可以商業(yè)化的。整體來看，這個方向目前還是比較開放的，還有很多事情可以做。

陳茜：你們現(xiàn)在一共是8個人，那在你們內(nèi)部，是否已經(jīng)形成了一個比較清晰、并且共識度很高的技術路線圖？

田淵棟：對，我們差不多已經(jīng)有了一些。

陳茜：我之前看到有報告說，你們第一步是要訓練一個具備5萬名博士能力的系統(tǒng)，把AI科研本身自動化，然后計劃在今年年中左右推出一個Level 1的自主訓練系統(tǒng)。那這個Level 1的系統(tǒng)，具體會具備什么能力？能不能展開講講？

田淵棟：這個我就不評論了，因為太細的內(nèi)容我們不方便公開。

陳茜：明白。那在Level 1 之后，后面肯定還會有Level 2、3、4，對吧？大概的迭代速度能不能透露一下？

田淵棟：我們現(xiàn)在的計劃是，在最初的一年到一年半里，把這個系統(tǒng)先扎實做好，深入推進。之后再想辦法讓它真正落地，找到更好的應用場景。大致就是這樣的節(jié)奏。

陳茜：我看到Socher之前在采訪里說，構(gòu)建你們設想中的技術，可能需要好幾年的時間。那在你自己的判斷里，RSI從自動化科研，到真正的遞歸自我改進，再到超越人類能力，這幾個階段大概會在什么時間點實現(xiàn)？我們需要多長時間才能完成這件事？如果要實現(xiàn)這樣的突破，技術上有哪些關鍵的信號？

田淵棟：我覺得這件事還是要幾年的時間。不過現(xiàn)在確實是一個很好的切入點。因為在這個時間點上，大家已經(jīng)開始形成共識：未來的研究、新知識的獲取和發(fā)現(xiàn)，肯定還是讓AI來做。因為人沒有足夠的時間和精力去看那么多文獻，也不具備AI那樣廣博的知識儲備和近乎無限的時間精力。AI則不同，它可以同時并行處理很多任務，所以這件事本來就是一個趨勢，沒什么疑問。

另外，這個時間點好的地方在于，大家現(xiàn)在其實都還不知道具體該怎么做，整個領域仍然處在探索階段。這樣的階段很適合開始一件事：大家都有興奮感，但方法還沒被完全想清楚。這樣的旅程會很長，可能要持續(xù)好幾年，才會慢慢看到結(jié)果，但我認為這件事最終一定會發(fā)生。

從技術上看，這條路線比較好的一點在于，它到每一個層次都具有應用價值，不像有些方向，要么全部做成，要么全部失敗。比如做新材料、核聚變或者超導解決方案，這類方向的賭注很大，往往要么100%成功，要么就沒有結(jié)果。但self improvement（自我改進）不是這樣，它每向前推進一步，都會帶來一些實際價值。所以整體來看，這條路徑是比較平緩、也更有確定性的，這也是我對它比較有信心的原因之一。

陳茜：這點其實很有意思，因為我也想問，為什么你們要把自動化AI科研作為第一步？畢竟相比一些更容易商業(yè)化的方向，比如ToB企業(yè)服務或者消費類產(chǎn)品，它的商業(yè)化難度會更高。那為什么你們會選擇它作為起點，而不是一個更容易產(chǎn)生收入的方向？

田淵棟：因為如果你想做一個更容易產(chǎn)生收入的方向，首先會面臨一個問題：你今天用來賺錢的那項技術，明天或者下個月會不會就被AI取代了？這其實是硅谷，或者說很多投資人非常大的一個顧慮。

當然，今天你可以組建團隊去做某個具體方向，比如語音陪伴、聊天助手，或者把某個垂直場景做得很好。但過去三年已經(jīng)有很多案例證明，為某個特定任務做的模型，未來很可能會被更一般化的大模型取代，或者直接覆蓋掉。

所以在有這種顧慮之后，我覺得更應該把目標放得長遠一點。我們希望押注的是一個范式，也就是“自我進化”這個范式。只要這個范式不變，我們公司的立場就不會變。然后在這個范式之下，再去看有哪些好的應用、有哪些可以商業(yè)化的機會。我覺得這是一個更穩(wěn)妥、也更長期的立足點。

09

為什么是現(xiàn)在

做RSI最好的時機

陳茜：我看到Socher之前在采訪中提到，希望未來能夠?qū)SI的應用范圍擴展到物理學、化學、臨床醫(yī)學、生物學等領域。在你們的愿景里，RSI未來具體會應用于哪些場景？你們最希望服務的用戶群體是誰？

田淵棟：RSI for Science（科學）當然是其中一個重要方向。

如果我們能夠?qū)茖W研究的過程本身建立起模型，理解人類是如何獲取知識、獲取信息的，如何得到新的假設、構(gòu)建新的邏輯，又如何完成驗證，并最終產(chǎn)生有價值、非平凡的研究成果，那么這套能力就不僅僅能夠用于科研，而是能夠應用到很多領域。

像我們剛才說的AI for Science這樣的一些方向，這已經(jīng)是一個非常大的市場。與此同時，如果我們能夠通過這種方式提高研究人員的效率，提高整個研究過程的自動化程度。例如，它可能幫助提升大模型訓練的效率，而這本身就是一種非常重要的商業(yè)化路徑。

陳茜：這個領域的競爭其實也在逐漸變得激烈。我們看到OpenAI、DeepMind都在布局相關方向。尤其是DeepMind，已經(jīng)推出了AlphaFold、AlphaEvolve等項目，本質(zhì)上也都屬于AI for Science或者AI自主科研。

田淵棟：對。

陳茜：剛才提到的AlphaEvolve，已經(jīng)能夠利用大語言模型不斷變異和組合算法。那么它和你們所說的recursive self improvement（遞歸自我改進）之間，有什么根本性的區(qū)別？你們的差異化優(yōu)勢又在哪里？

田淵棟：我覺得首先是大公司和小公司的區(qū)別。

大公司有大公司的押注方式，小公司也有小公司的押注方式。對于擁有數(shù)萬名員工的大公司來說，往往會同時布局很多研究方向，其中某一個項目可能只是眾多方向中的一個。因此，它也未必能夠獲得無限制的資源投入。

而且大公司研究人員的激勵機制、薪酬結(jié)構(gòu)以及目標導向，本身也和創(chuàng)業(yè)公司有所不同。

對于我們來說，公司成立的使命就是做self-Improvement（自我改進）。如果確定了這條路線，那么我們會把所有資源、時間和精力集中在這一件事情上，把它真正做出來。從這個角度來說，小公司是更專注的。

另外，AlphaEvolve本質(zhì)上仍然是在利用AI去優(yōu)化某一個具體對象，例如一段代碼；而我們更希望讓AI去優(yōu)化它自己，這兩者有一些區(qū)別。

陳茜：你剛才提到，現(xiàn)在是一個非常好的時間點來做這件事。為什么去年不是最好的時間點？為什么明年也不是，偏偏是今年？

田淵棟：因為去年這個時候，AI的Coding Agent（編程智能體）其實還沒有真正成熟。當時大家更多是在使用AI輔助編程工具，例如Cursor。那種工作模式本質(zhì)上仍然是人寫代碼，AI負責審核、修改和重構(gòu)。

但從去年年底開始，整個行業(yè)跨過了一個突變點。大家突然發(fā)現(xiàn)，讓AI直接完成任務，而由人來提供高層級的指令和思路，這種模式反而效率更高。這也是為什么今天的AI編程工具會變得如此易用、如此普及。

而在這個變化發(fā)生之后，軟件工程行業(yè)以及大型科技公司都需要時間去適應新的生產(chǎn)力工具。這個適應過程本身，恰恰給了創(chuàng)業(yè)公司機會。

大型公司往往需要一年甚至兩年的時間，去慢慢適應這個變化；而對于一家規(guī)模很小、成員能力很強的創(chuàng)業(yè)公司來說，大家聚在一起，很快就能夠想清楚、找到新的協(xié)作方式。

因此，在這樣一個窗口期里，小公司是有能力追趕大公司的。它意味著巨大的上升空間。但如果再過一年，情況可能就不一樣了。等所有人都已經(jīng)完成適應之后，再進入這個領域創(chuàng)業(yè)，機會窗口可能就已經(jīng)縮小了很多。

10

下一代AI實驗室

SSI、AMI Labs、Ineffable Intelligence

陳茜：你說的這個timing非常對，這也是為什么我們最近看到很多neolab出現(xiàn)，很多核心研究員從大公司出來，同時大量VC的資金開始涌向這些neolab。現(xiàn)在我們來看一下neolab的版圖，能不能跟我們分享一下你是怎么看的？

因為大家其實有很多派別，比如Ilya的SSI、Yann LeCun的AMI Labs、David Silver，還有Thinking Machines Lab。就拿這4家比較典型的公司來說，能不能分享一下你對他們的看法？可以先說Ilya。

田淵棟：Ilya的SSI應該說非常保密，我們現(xiàn)在都不知道他內(nèi)部在做什么，所以也很難評價，希望他接下來會有很大的進展。他們之前的口號是要做Safe Superintelligence（安全的超級人工智能），但現(xiàn)在的進展怎么樣，我們并不清楚。

陳茜：你覺得他是不是也是要做模型？但他可能不會做像GPT、Gemini或Claude那么大規(guī)模的模型，因為他雖然融了很多錢，但可能還不足以支撐他完全做出一個新的模型。

田淵棟：這個不好說。如果發(fā)現(xiàn)了一些新的模型訓練機制，也許能夠極大提高訓練的速度和效率，這是有可能的。因為我一直覺得現(xiàn)在AI的訓練過程還不是很有效率，如果能在這方面有所發(fā)現(xiàn)，那就有很大的上升空間。

陳茜：所以他有可能是在研究一個新的范式。

田淵棟：有可能是這樣，但這也是我的猜測，這些猜測都是基于Ilya去年的一次訪談。

陳茜：對，他出來做了個播客，然后又沒聲音了。

田淵棟：很有意思的是，Ilya去年的那次訪談，跟我們之前和硅谷101一起做的訪談很像，有很多觀點是很接近的。比如做research taste（研究品味），再比如思考為什么模型會generalization（泛化）、memorization（記憶）這些問題其實都涉及到了。

硅谷101視頻節(jié)目：《專訪前FAIR研究總監(jiān)田淵棟：Meta裁員之后，對AI的一些遺憾與思考》，發(fā)表于2025年11月10日

陳茜：我很好奇，你們在跟VC聊的時候，他們對于這種很長期、也不發(fā)產(chǎn)品、純粹做研究、又不確定能不能研究出成果的事情，資金的容忍度有多高？包括你自己跟VC聊的時候，是什么感受？

田淵棟：我覺得VC很多時候還是投人，至少第一筆融資主要還是看這個人是不是靠譜、這個團隊是不是靠譜。之后如果還要繼續(xù)融資，當然希望團隊有進展，有一些讓人印象深刻的東西，才會獲得更多融資。我們團隊內(nèi)部的進展還是比較順利的，應該說好于預期，所以我們還是很有信心的。

陳茜：這一輪融了這么多錢，你覺得runway（可運營時間）會有多久？

田淵棟：其實runway也就一兩年、兩三年的時間，因為大部分資金還是要投入到計算資源上。如果我們有比較充裕的資金，就會有更多的GPU和計算資源，去探索更多的事情，這是我們現(xiàn)在想做的。

陳茜：你怎么看世界模型？你覺得Yann LeCun的AMI Labs能走出來嗎？

田淵棟：Yann畢竟是我以前的老板。他探索的是一個完全不一樣的方向，也是一個之前的人探索程度不足的方向，比如世界模型，尤其是視頻和圖像上的世界模型，以及它怎么跟robotics（機器人）結(jié)合。這是很有意思的問題，可以做一些探討。不過對我來說，我已經(jīng)很多年不做視覺了，現(xiàn)在基本上都在做language（語言），或者做一些symbolic（符號化）和neural（神經(jīng)網(wǎng)絡）的結(jié)合，圖像這邊我可能不太熟悉。

陳茜：有批評說，覺得JEPA這些世界模型還是太早了，可能還要找到一些新的關鍵突破才行，你怎么看？

田淵棟：是有一些這樣的看法。當然我的觀點不一定公正，但我還是有一些看法：我覺得語言跟視覺相比，語言是一個更有信號的東西。視覺模型的問題在于，圖像的像素和像素之間的組合相對是固定的：你今天看到這個杯子，就知道它的形狀，就知道這組像素組合是個杯子。

但對語言來說，語言里的信息流很多時候是可以重新定義的，還可以定義很多新的東西。比如你說到一半，定義了一個新概念，那么以后這個詞就會指向之前對這個新概念的所有定義。所以語言可以無限嵌套，可以自指，可以承載很多新的信息和更深的理解，它的上限可能會比圖像更高一點。這是我的一個觀點，但不一定對，只是一個想法。

陳茜：我看到現(xiàn)在有一些前沿路線想把diffusion（擴散模型）跟LLM組合起來，去做一些Diffusion LLM的東西，你看好那個路線嗎？

田淵棟：我覺得它在速度上肯定會更快。其實我離開Meta的時候也有一篇文章在做這個，就是Sandwiched Policy Gradient（夾層策略梯度），用更快的方式、用強化學習來訓練擴散模型。我的感覺是它在加速、提高decoding（解碼）速度上非常好，但另一方面它現(xiàn)在還沒有達到SOTA（最優(yōu)）水平，還做不到像大語言模型那樣厲害，所以還有一定距離。不過它仍然是一個很好的研究方向。

陳茜：你怎么看David Silver的Ineffable Intelligence？據(jù)我理解，他也專注于強化學習，目標是打造一種能夠通過自身經(jīng)驗自主探索、學習知識的超級學習者。你覺得他們跟你們有什么異同？

田淵棟：據(jù)我所知，David Silver他們可能更希望完全不用大模型，這可能是跟我們的區(qū)別。我們這邊比較實在，如果大模型很厲害，我肯定用大模型，再找到更好的方法去訓練它。而David可能更想純粹用強化學習把這件事做起來。因為David Silver是大家都知道的AlphaGo和AlphaZero的主要發(fā)明人，AlphaZero完全不依賴人類的任何知識，靠“左腳踩右腳”自己迭代上去。他當然希望在新一代大模型這個范式下重現(xiàn)這個故事，我覺得這是他的愿景。

我之前也做過像OpenGo這樣的項目，也類似于AlphaZero的“左腳踩右腳”。但圍棋或者國際象棋畢竟還是一個比較局限的領域，這類領域的評價函數(shù)、勝負評分定義得非常清楚，所以可以做到；而在比較開放式的方向上，其實很難做到這一點，可能需要大量算力，而這些算力現(xiàn)在很難滿足。

11

預訓練 vs. 強化學習

能力提升的兩條路徑

陳茜：我看到行業(yè)里有一種說法：pre-training（預訓練）的上限決定了強化學習的上限，你同意嗎？

田淵棟：我同意。我們也發(fā)現(xiàn)，強化學習后訓練的一大功用，是把原來排在比如第200位的答案提到第1位，通過這種方式讓模型在一些問題上表現(xiàn)更好。但前提是這個問題一開始至少要有一個正確答案，比如讓它嘗試1000次、1萬次，也許大部分答案是錯的，但有一兩個是對的。

有了這個“種子”之后，強化學習就能通過它把水平慢慢提到最高，如果連種子都沒有，強化學習再怎么做也沒用。這就是為什么強化學習能產(chǎn)生效果，是因為在大語言模型已經(jīng)比較成功之后才會出現(xiàn)。如果只做強化學習，它其實沒辦法生成一些比較深的東西。

所以我覺得大語言模型最關鍵的地方還是預訓練。在預訓練之后，模型內(nèi)部各種各樣的表示就涌現(xiàn)出來了，這些表示在一定程度上能夠解釋數(shù)據(jù)中的結(jié)構(gòu)，能夠?qū)W習數(shù)學或數(shù)據(jù)中一些有意思的推理模式。這些推理模式在強化學習中被慢慢放大，最終得到答案。如果前面的推理模式?jīng)]有學好，后面強化學習再做也沒有用。

陳茜：所以光是押注強化學習這一件事情，上限還是有限的。

田淵棟：對，這也是我的觀點，當然也有可能是錯的。

12

數(shù)據(jù)還能怎么往前走

合成數(shù)據(jù)、連續(xù)學習

陳茜：你覺得數(shù)據(jù)還能怎么發(fā)展？因為現(xiàn)在大家的模型其實已經(jīng)窮盡了所有互聯(lián)網(wǎng)數(shù)據(jù)，接下來大家更多看的是synthetic data（合成數(shù)據(jù)）。數(shù)據(jù)還能怎么變得更好？怎么從數(shù)據(jù)上去優(yōu)化模型的結(jié)果？

田淵棟：我覺得數(shù)據(jù)仍然很重要。現(xiàn)在大量的用戶數(shù)據(jù)、人類數(shù)據(jù)都已經(jīng)被用上了，接下來一個問題是：我們能不能制造一些新的數(shù)據(jù)？最近這一波模型的大進展，很多時候是因為我們把推理模型產(chǎn)生的數(shù)據(jù)放回到預訓練或者中訓練的過程中，模型因此變得更強，達到了一種自我進化的初步目的。以后可以想象，如果新的模型更強了，讓它生成很多數(shù)據(jù)，再把這些數(shù)據(jù)放回預訓練或中訓練，模型就會變得更強，這也是一種可能性。當然這個過程本身比較慢，需要花大量計算資源。所以接下來有人就提出了連續(xù)學習（continuous learning），也就是持續(xù)學習，希望新數(shù)據(jù)放進來之后能學得很深，同時不用付出那么多代價，這就是大家提出這個概念的原因。

但我覺得最終的目的還是：現(xiàn)在數(shù)據(jù)是一個非常重要的點，能夠很快讓模型變強。但要讓模型最終變得跟人類一樣強、或達到人類那樣的效率，可能還是要看有沒有好的算法、有沒有好的新范式去訓練模型本身，這可能是最大的問題。當然，如果按現(xiàn)在的范式走，數(shù)據(jù)還是很重要的——范式不變的話，數(shù)據(jù)越多，效果確實越好。

13

大公司 vs. 小公司

Neolab的挑戰(zhàn)與護城河

陳茜：你怎么看Thinking Machines Lab？

田淵棟：我對他們也沒有特別了解。我看他們最近發(fā)了一個human computer interaction（人機交互）的interactive model（交互式模型），效果還不錯：你可以一直跟它說話，不用打斷它，它會一直在傾聽。這種方式可以和模型產(chǎn)生一種持續(xù)交互的效果，而不是turn by turn（一問一答）的交互，這挺有意思的。至于之后它會不會走跟某些公司一樣的路線，我就不清楚了，他們可能更側(cè)重于人和AI如何交互這個方向。

陳茜：剛才我們聊了一些neolab押注的路線。如果從更宏觀的角度看現(xiàn)在neolab的發(fā)展，你覺得neolab的護城河到底在哪里？大家最主要面對的挑戰(zhàn)是什么？

田淵棟：我覺得一個重要的點是：如何在neolab這樣的環(huán)境下產(chǎn)生研究結(jié)果、很快產(chǎn)生進展。因為很多neolab的成員以前都來自大廠或資源豐富的地方，他們習慣了花很多錢，可能會花幾個億甚至十億去做個實驗，但那都是公司付的錢。而對于像我們這樣新成立的、需要融資的小公司來說，一個非常重要的想法是：我們怎么能讓學習過程變得更有效率？我們希望整個迭代過程、整個流程更有意義，同時能發(fā)現(xiàn)新的東西，這是一個很大的挑戰(zhàn)。所以我們是不是還會用傳統(tǒng)的scaling law（縮放定律）來做這件事，其實是需要考慮的。比如有些朋友在大廠、在資源豐富的地方，對他們來說資源可以是無限的、相當充裕的，可以用各種方式找到一個很好的scaling law把事情做成；但對我們來說，可能需要思考成本，用各種巧妙的方法繞開大量計算資源的堆疊，去獲得更好的結(jié)果，這是一個很大的挑戰(zhàn)。

如果一個人只有scaling law這一個思想，可能不太容易成功，還需要在scaling law之外，對問題有更深的理解，才能成功。所以還是要看research taste（研究品味）。

陳茜：你剛才也說小的lab肯定會比大公司跑得更快，而且小公司押注的技術路線可能是大公司目前還沒時間去做的，他們現(xiàn)在可能在卷coding（代碼）、卷frontier model（前沿模型）。你覺得你們押注的路線，跟OpenAI、Google、Anthropic押注的路線，一定是平行發(fā)展的關系嗎？會不會有一天產(chǎn)生競爭？如果會，競爭會發(fā)生在什么地方？

田淵棟：我覺得首先還是平行發(fā)展的關系。我跟大公司很多人聊過，我覺得大公司現(xiàn)在有一個趨同化的趨勢，原因是大公司很多方向和方案都是由CEO或高層來定的，而高層往往追熱點，會覺得“這是別人也在做、而且做得很好的事情，所以是我們想做的”。這種自上而下的結(jié)構(gòu)，導致大公司之間同質(zhì)化比較嚴重，大家做的東西都差不多。比如coding agent（編程智能體）火了之后，大家都做coding agent。

所以就算你在大公司里想做點不一樣的事情，也會被環(huán)境和壓力逼著去做跟大方向相關的東西。最終的結(jié)果是，大公司里的人不是沒有能力做不一樣的東西，而是沒有時間、沒有精力去做。于是小公司為了能很快產(chǎn)生效益和結(jié)果，自然會選擇跟大公司不一樣的方向，所以雙方是平行的。只有等到以后，比如小公司業(yè)務做得很好、這個方向變成大家關注的新方向時，才可能產(chǎn)生競爭。

但這是另一回事，這種事情在歷史上已經(jīng)出現(xiàn)過很多次了。比如Anthropic一開始做代碼、做coding的時候，其實關注的人很少。我還記得前年、去年的時候，大家都在刷math（數(shù)學），把AIME（美國數(shù)學邀請賽）的分數(shù)提得很高，而Anthropic每次發(fā)布時都說我們不刷這個東西，他們的模型放出來時沒有數(shù)學的performance number（表現(xiàn)得分），而是去刷coding（編程）。最后大家發(fā)現(xiàn)，這東西確實能賺錢，是一個很好的商業(yè)模式，于是所有人突然都涌過來了。所以這其實是以后會反復發(fā)生的常態(tài)。這就要求小公司的成員有耐心、有眼光，去做一些大公司現(xiàn)在不做的方向。

陳茜：但怎么能確保大公司看到這個機會之后，不會用更多的資源、幾乎無限的資金把小公司蓋住？

田淵棟：其實也很難說。首先，大公司不會真的有那么高效。比如Google現(xiàn)在也在追趕coding，出了Antigravity。但Google的coding其實還沒做得特別好，還是有一些問題，大公司有大公司的毛病，這都會發(fā)生。而且關鍵在于，等大公司反應過來時，如果小公司真的成功了，它已經(jīng)獲得了很多資金去投入，那時候小公司也有很大的leverage（優(yōu)勢）了。

14

人才爭奪戰(zhàn)

RSI想招什么樣的人

陳茜：你覺得現(xiàn)在你們面臨的挑戰(zhàn)中包不包括招人？現(xiàn)在大家搶人搶得厲害嗎？

田淵棟：我們公司確實還是比較受歡迎的，有很多人愿意投遞簡歷給我們，這也讓我們挺驚訝的。

另外，大公司和小公司招的人是在不同方向上的。比如TBD這樣的大公司花很多錢招人，吸引的人可能跟小公司不一樣：大公司吸引的人可能技術能力很強，但這種能力對大公司有用、本身卻不一定那么新。而對小公司來說，有些人是看重我們的愿景、看重我們這個方向?qū)硎欠駮a(chǎn)生很大的影響。所以兩邊的mindset（心態(tài)）和思路不同，不能說是相互搶人。

陳茜：你們喜歡招什么樣的人？

田淵棟：我的感覺是這樣：首先要經(jīng)驗比較豐富，因為現(xiàn)在AI coding tool（編程工具）非常強了，很多時候經(jīng)驗、品味和方向更重要。另外，我們希望這些人比較hands-on（親力親為），既有經(jīng)驗，又愿意自己把事情做成，這兩點結(jié)合起來比較重要。

陳茜：所以你們不考慮畢業(yè)生。

田淵棟：這個也要case by case（具體問題具體分析）。

陳茜：你覺得現(xiàn)在畢業(yè)生還能找到工作嗎？因為很多junior（初級）的工作，我理解你們都可以讓agent（智能體）去做了。

田淵棟：這也不一定，如果畢業(yè)生本身很厲害、有很好的、業(yè)界知名的、大家都認可的工作，那也是有希望的。

陳茜：你現(xiàn)在跟一些年輕的researcher（研究員）聊的時候，他們更想去大廠，還是更想加入neolab這種小一點的公司？

田淵棟：我這邊有bias（偏差）。跟我聊的很多人會說：“我們能不能來你這兒？”如果想去Meta的話就不會跟我聊了，所以這里有一個self selection（自我篩選）。大廠往往討論的是工資、總包、福利、股票；而小廠更多談論的是愿景、方向、工作內(nèi)容，以及做的事情有不有意思。

陳茜：要做成RSI想做的事情，除了你們這八位很強的聯(lián)合創(chuàng)始人之外，還需要多少人？什么樣的規(guī)模你覺得會比較舒服？

田淵棟：我們現(xiàn)在是25個人左右，之后希望能到40個人左右，大概是這樣的規(guī)模，但也要看市場情況的變化。

陳茜：你覺得現(xiàn)在整個就業(yè)版圖有什么改變？因為我記得上次采訪你說，大家遲早全部都要失業(yè)。半年過去了，你覺得我們現(xiàn)在距離那個場景更近了嗎？

田淵棟：我覺得是更近了。Meta最近又裁了一些人，Amazon年初也裁了一些人，之后還會有其他地方裁人。

陳茜：原因是因為agent（智能體）確實起來了嗎？

田淵棟：對，AI確實把效率提高了。以現(xiàn)在的AI能力，大概相當于以前四級或五級的工程師。一般應屆畢業(yè)生剛進大廠，比如Google和Meta時是level 4，senior（高級）一點是level 5。這兩個層級的工程師，他們做的很多事情其實AI已經(jīng)可以做了，而level 4和5在大廠里又比較多，所以AI agent（智能體）來了之后確實有很多影響，而我覺得以后影響會越來越大。

15

Frontier Lab大亂斗

前沿模型競爭與下一步

陳茜：接下來我們來說一說現(xiàn)在主流的這些Frontier Lab（前沿實驗室），我也特別想聽一下你對他們的觀察。先聊聊Anthropic，你怎么看Andrej Karpathy加入Anthropic這件事？圈內(nèi)人怎么看？

圖片來源：X.com

田淵棟：我覺得這件事說明self improvements（自我改進）、auto research（自動化研究）非常重要，看到這個有意思的進展我們也很開心。之前Andrej Karpathy在推特上直播了自己做auto research（自動化研究）的過程，把圖像和report（報告）都開源了。那段時間很多人對此非常感興趣，也有很多人跟隨這條路線，發(fā)現(xiàn)auto research（自動化研究）可以做很多優(yōu)化，所以他在這方面影響力很大。

Andrej Karpathy也明確說了，他去Anthropic是做預訓練、做auto research（自動化研究）。這讓大家覺得，self improvements（自我改進）、self learning（自我學習）這個方向確實成了主流，大家也承認這個方向是對的，我覺得這很好。

陳茜：Anthropic今年的敘事、增長的趨勢都非常猛，一部分是因為它要上市了，一部分也是因為它的商業(yè)化確實做得非常好、增長非常快。你覺得它的優(yōu)勢能一直延續(xù)下去嗎？因為我們看到OpenAI最新的Codex也追得很快，谷歌也出了Antigravity。你覺得整個coding（編程）這一塊的格局，會延續(xù)現(xiàn)在的排位嗎？還是有機會出現(xiàn)變數(shù)？

田淵棟：我覺得很難講，說實在的，用下來并沒有覺得誰比誰厲害很多。比如Codex 5.5，我用了之后覺得挺好的，Claude Code我也在用，都挺好，但各有各的問題。比如Claude Code有時候會hallucinate（幻覺）：我讓它總結(jié)一個答案，它說了一大堆，我說這里出錯了，它馬上承認“I'm so sorry”，認錯很快，但為什么我沒指出來之前它不主動說呢？所以很多地方問題還不少。不過Codex也并不差，我覺得并沒有比Claude Code差太多。

陳茜：所以只要OpenAI想追，無論是能力還是產(chǎn)品力，是能夠追上去的。

田淵棟：對，我覺得是可以追上去的，只是看它執(zhí)行的速度多快。其實像Google想追也是可以的，他們最近成立了一個strike team（突擊小組），就是要追coding（編程），好像是Sergey親自掛帥。如果一個方向特別火、大家都知道它有商業(yè)價值，那所有人都會去做，慢慢就會產(chǎn)生各種不同的方案。

圖片來源：X.com

而且還有很多開源的，比如DeepSeek V4我也用了，覺得挺好的。當然它有一個問題：一開始你必須讓它預熱一下，比如預熱1萬個token，它才會變聰明一點。一開始有點奇怪，但預熱一段時間之后，它就突然變聰明，可以做很多事。

這些問題應該都是可以解決的。這個市場那么大，肯定會有很多人愿意進來，大家遲早會figure out（弄清楚）怎么把它做好，所以接下來份額怎么分其實很難講。我一直有一個concern（顧慮）：對用戶來說，他們并不需要非常強的模型，而是希望模型夠用就行。超過這個上限之后，用戶其實無所謂，他就用自己覺得用著舒服的模型。所以如果大家都達到這條上限，市場也許就完全看價格了。

陳茜：所以你覺得coding（編程）的先發(fā)優(yōu)勢沒有那么重要，最后可能還是會有一個打價格戰(zhàn)的時期。

田淵棟：可能會有這個問題。當然，一個counter argument（反駁觀點）是：也許我們會看到數(shù)據(jù)飛輪的效應——先發(fā)的人獲得很多數(shù)據(jù)，訓練得更好，這也是一種可能性。但另一方面，也許大部分人寫的代碼都不怎么樣，重要的代碼還是那些大神寫出來的，所以這個飛輪能不能轉(zhuǎn)起來，也不是很清楚。

陳茜：Anthropic的Mythos這個模型，他們自己說太強了所以不敢發(fā)布，真的有這么強嗎？

田淵棟：這個我也不做評論。從數(shù)據(jù)上來說確實很好、很強，當然網(wǎng)上也有很多人說其實不怎么樣、不強，所以現(xiàn)在也不知道，等它發(fā)布之后再說吧。

陳茜：那你覺得Anthropic模型強的原因是什么？除了剛才說的可能用了不一樣的Vision Transformer架構(gòu)，還有可能它把一些數(shù)據(jù)放到pre-training（預訓練）上重新訓練了，主要是這兩點嗎？

田淵棟：后者其實大家都在用，不是某一家獨有的。也就是說訓練時把推理鏈的結(jié)構(gòu)放到預訓練或中訓練里面去，這個大家都在做，我不覺得這是一個很大的創(chuàng)新點。他們有可能是模型，或者訓練優(yōu)化器，或者模型的recipe（訓練方案）上的創(chuàng)新，但都不確定，因為這部分的信息現(xiàn)在很少。

陳茜：所以你覺得接下來如果大家還要繼續(xù)卷SOTA（最優(yōu)水平）模型能力，可能真的要拼模型上的創(chuàng)新了，是嗎？

田淵棟：我覺得應該是的。一方面，你有更多的卡、更多的計算資源，你可以做；但另一方面，再往上純拼scaling law（縮放定律），橫軸是指數(shù)級的，到一定程度大家都受不了，不可能再要10倍的電力、10倍的資源。所以最終一定會撞到一個地方，大家會突然回過頭來看有沒有更好的方式解決問題，這一定會發(fā)生。現(xiàn)在的模式是不可持續(xù)的，這也是為什么現(xiàn)在neolab大家愿意去投資的一個原因。

陳茜：你覺得coding（編程）之后的下一個the next big thing（下一個大方向）是什么？

田淵棟：我覺得是AI research（研究）。我們現(xiàn)在做的，就是能不能讓AI變得更強、能讓AI去做一些research。coding（編程）為什么那么火？主要是因為寫code（代碼）的人，或者說寫code（代碼）的ROI（投資回報率）很高。模型很強，能夠做本來需要高薪才能聘請的人的工作，所以才有收入。大模型的人才也非常貴，可能比寫code（代碼）的人貴很多，所以下一波的趨勢是，如果能把AI research（研究）這件事自動化，當然會有很大的ROI（投資回報率）。

陳茜：你覺得AI research（研究）上的商業(yè)化回報，會跟coding（編程）一樣有這么大的市場嗎？

田淵棟：這要看你最終的AI research（研究）發(fā)現(xiàn)了什么知識。比如你發(fā)現(xiàn)了一個AI for science（科研），發(fā)現(xiàn)了新藥、新材料，或者發(fā)現(xiàn)了訓練模型的新方法，那回報都是天文數(shù)字。當然，這些都是高風險高回報的事情。

陳茜：OpenAI跟Anthropic的比拼，你覺得會是什么樣的結(jié)果？短期和長期都可以說說。

田淵棟：現(xiàn)在很難說。OpenAI之前的問題是方向太多、不夠focus（聚焦），現(xiàn)在開始很focus了，所以很難說兩邊誰更好。不過對用戶來說這是好事——可用的選擇多了，價格也會降下來，所以不是壞事。

陳茜：接下來決定他們勝負的關鍵因素是什么？是誰能找到更新的范式嗎？

田淵棟：我覺得倒不是。因為代碼本身已經(jīng)很賺錢了，接下來的問題是誰能讓用戶愿意去用他們，這可能更重要。

陳茜：所以還是產(chǎn)品方面的競爭？

田淵棟：對，尤其是Anthropic，他們現(xiàn)在主要的in-force revenue（有效收入）很高，一直在往上走。但資本上有一個問題：一旦你開始有收入，市場就希望你有更多模型。

這是一個很有意思的現(xiàn)象。如果是這樣，那他們兩邊都會有這樣的concern（顧慮）：比如Anthropic有收入、說不定馬上要賺錢了，那么對OpenAI來說，“你怎么還沒賺錢？你有很多收入，但成本還很高，怎么辦？”會不會有這個問題？畢竟他們都要上市了。

陳茜：對，要不然就削減你的成本，這就是為什么他們把Sora關了。要不然你就再多掙點錢。

田淵棟：是這樣，一旦進入這個敘事之后，邏輯就跟以前一個research lab（研究實驗室）的邏輯不一樣了。Research lab的邏輯是要證明自己很厲害：我做出個沒人做過的新東西，超級impressive（驚艷）；但一旦掉進資本的邏輯里：要上市、要做資本敘事、要做收入、要做資產(chǎn)負債表——你就回到了商業(yè)模式上，希望公司是有收入、成本又低、能穩(wěn)定賺錢的。所以賽道可能就不一樣了。

陳茜：你們有一天也會遇到這個問題吧？

田淵棟：這個我們還早。

陳茜：我們來說一下谷歌，谷歌這次的I/O發(fā)布似乎不太理想，你覺得谷歌還能追上來嗎？機會在哪里？

田淵棟：這個我就不做評論了。我覺得谷歌還是很厲害的，里面有很多非常厲害、愿意做事情的人，只要領導層重視，一定還是不錯的。你看從Gemini 2、Gemini 2.5的時候，大家一直說它不行了，Gemini 3就很好了。另外，畢竟我們公司也是Google Venture投的。

陳茜：理解。那再來說說Meta，Meta在你離開之后經(jīng)歷了數(shù)次重組，他們之前推了Muse Spark出來，你怎么評價Muse Spark？

田淵棟：首先有利益相關：我還持有不少他們的股票，所以我說出來的話可能不是很客觀。我覺得Meta的Muse Spark還是不錯的，我也用了一下，特別是多模態(tài)方面，它的understanding（理解能力）和一些回答都比較好。當然，總的來說可能還是比Gemini 3要差一點。

陳茜：我看到有評論說，Muse Spark是一個為Meta自身產(chǎn)品場景高度定制的模型，而不是一個非常強大的通用前沿模型。這是不是意味著Meta在AI策略上完全轉(zhuǎn)向了，不再拼最強大的通用模型了？

田淵棟：我倒不覺得是這樣。我覺得它還是一個general（通用）的模型，至少從它內(nèi)部的工作模式來說：他們肯定是先訓練一個更通用的模型，再fine-tune for the specific use case（針對具體應用場景微調(diào)），這是更好的做法，所以我不覺得是轉(zhuǎn)向。

陳茜：所以他們其實還沒有放棄爭奪最強模型這件事。

田淵棟：對，不然Meta就沒必要花那么多錢做這件事了。

陳茜：你覺得他們還有機會嗎？

田淵棟：機會還是有很多的。因為大家都還在往前走，而且大模型一旦有人訓練出來，不出幾個月就會被另一個超過。大模型里沒有永遠的贏家，現(xiàn)在大家都是犬牙交錯地往前走，所以很難說。

陳茜：所以需要的是什么？需要有一個人靈光一現(xiàn)？

田淵棟：那也不是，這還是需要團隊作戰(zhàn)，很多人把事情做好、拼在一起就可以。這一點上我挺同意姚順宇的觀點：大模型，尤其是工業(yè)級別、大廠做的大模型，很多時候是每個人在各自崗位上兢兢業(yè)業(yè)地做完，pipeline（流水線）通了之后跑起來就行。

陳茜：但如果每個大廠都這樣，那它們的差異點在哪里呢？

田淵棟：那就看你做得多細、工作多努力、事情做得多好。一些小的東西，有些人注意到了，有些人沒注意到，注意到的人可能就獲得一些提升，沒注意到的人就沒有。

陳茜：所以你覺得TBD Lab還是有機會的。

田淵棟：我覺得還是有的，但也要看他們內(nèi)部怎么operate（運轉(zhuǎn)）。

16

Meta爭議與就業(yè)沖擊

AI時代的職業(yè)變化

陳茜：Meta最近有點爭議，一方面裁了7800人，另一方面發(fā)生了一件很有爭議的事情：他們要強制“蒸餾”員工，利用員工的工作數(shù)據(jù)去訓練內(nèi)部的AI模型，讓模型通過觀察員工完成任務的過程來學習，據(jù)說它現(xiàn)在的能力已經(jīng)好于外包人員了。我看蠻多人對這件事挺生氣的，你怎么看？

田淵棟：這件事確實說得比較赤裸裸，所以大家都會有意見。如果你知道自己在將來一段時間內(nèi)就會被“蒸餾”，像吸星大法一樣頃刻被煉化，煉化之后就被踢出去，沒有人會開心。這在做法上確實不太顧及員工感受，包括裁員本身的過程中也一直存在這個問題。但不管怎樣，它是個大公司，大家來了就是“愿者上鉤”，公司有這樣的條款，你就得遵守。

陳茜：但蒸餾員工這件事，感覺是個大趨勢了。

田淵棟：我覺得有一個人開始做，大家都會做，所以這沒有什么對錯。公司覺得為了自身利益要把所有數(shù)據(jù)拿到手、把這件事做成，這無可厚非，因為這是雇傭條款之一，你來了就得遵守。

但我覺得以后大家可能會發(fā)現(xiàn)，蒸餾到底有多大用處也是一個問題。可能大部分人會因為有這個條款而不愿意好好工作，不愿意把自己最重要的東西拿出來，甚至故意埋雷、在里面“投毒”，把你的訓練搞壞，這就很難判斷了。所以其實我也不希望員工跟公司有這樣的對立，現(xiàn)在大家都應該往一個方向走。

陳茜：但從非常high level（高層面）的角度看，這還是不可避免的吧，肯定越來越多的東西公司希望AI來做。那以后可能會出現(xiàn)一種情況：公司確實不需要這么多人了。

田淵棟：是的，這是客觀事實。我最近也寫了一篇blog，談vibe coding（氛圍編程）和AI工具的一些體會，確實會覺得用的人會越來越少。今年年初我寫過一篇blog，說以后可能大家都是創(chuàng)業(yè)者、都是co-founder（聯(lián)合創(chuàng)始人），我覺得這是會發(fā)生的，因為大廠不需要那么多人了，所以大家得找到自己的意義。

以前你被教育出來：四年本科、兩年碩士、五年博士，最終的目的是成為一顆螺絲釘、成為某個大機器的一個零件。但現(xiàn)在不一樣了，大機器不再需要你這個零件，你得自己去尋找自己的意義。這可能是另一種新的文藝復興，回到以前古希臘那樣的狀態(tài)：每個人都需要找到自己想做的事情。這個過程比較痛苦，但最終可能不可避免地會發(fā)生。

陳茜：這一天還有多遠，你覺得？

田淵棟：我覺得現(xiàn)在就已經(jīng)在發(fā)生了。之后，能找到自己方向、找到新模式并做得挺開心的人，就會成為新時代的樣本，找不到的人就比較難。難的地方在于，整個過程發(fā)生得很快，可能在將來3到5年內(nèi)，就會有很多人面臨這樣的選擇。你會發(fā)現(xiàn)，你跳到一個大廠，被裁了，跳到另一個大廠，過兩天又被裁了。這就相當于一條魚在水坑里跳，但水在干涸。《三體》里有句話：“有人把水弄干了。”那原本是用來形容四維生物把整個宇宙降維成三維、進行降維打擊的過程。

但同樣的故事可以用來講現(xiàn)在的事情：有些魚把水弄干了，其他的魚就得不停地跳，可水總體上越來越少，你最終只有變成四維生物才能活下來。

陳茜：所以你這條魚要進化成鳥、長出翅膀，才能生存下去。

田淵棟：是的，大趨勢就是這樣。

17

xAI的困境

前沿大模型之爭其實是組織架構(gòu)之爭

陳茜：我們再來聊聊xAI。你覺得xAI發(fā)生了什么？按剛才的思路：我有團隊、有資源、有錢、有人才，應該能做出還不錯的東西，但xAI到底發(fā)生了什么？

田淵棟：我聽說的情況是，這跟當時Llama 4的情況比較像。老板希望事情很快發(fā)生，壓力比較大，于是導致很多問題，最后發(fā)出來的模型可能不達預期。這個我之前也說過很多次：一個組織，如果里面的人沒有能力push back（反駁）上面的要求，那他們就只能通過某種方式去順從上面的壓力。一開始順從是可以的，但時間長了，總有一天上面的人會發(fā)現(xiàn)，這個組織的delivery（交付）跟promise（承諾）不一樣，就會產(chǎn)生問題，產(chǎn)生一次很大的“地震”。Llama 4跟xAI的結(jié)果其實很像很像。

老板會覺得“我不相信你們這些人，得從外面再拉一個人來做這件事”，那么原來組織里的人境遇就會比較慘，就是這樣一個過程。

陳茜：現(xiàn)在聽下來，這種前沿大模型之爭，其實最后變成了一場組織架構(gòu)之爭。

田淵棟：是的，組織架構(gòu)在這次的技術進展中扮演了很大的角色。本質(zhì)上是先進生產(chǎn)力和落后生產(chǎn)關系之間的矛盾。落后的生產(chǎn)關系不可能一下子消失，而且我們現(xiàn)在也不知道什么是先進的生產(chǎn)關系，所以會產(chǎn)生很多矛盾。

陳茜：雖然大家說scaling law（縮放定律）到頭說了很久了，但目前那幾個大的lab還在繼續(xù)卷scaling（擴大規(guī)模），你覺得我們還能卷多久？

田淵棟：還是會卷的，至少大廠里還是會卷，因為有慣性，也有資源，愿意出錢、出力、出人，思維慣性還是“我們要scaling law（縮放定律）”，所以還會卷一陣子。我覺得這一點上小廠是有優(yōu)勢的：小廠人少，而且有些人有自己的belief（信念），拼在一起后會有更新的想法去貫徹下去，所以小廠可能比大廠更有希望。但scaling law（縮放定律）也會繼續(xù)卷，卷到最后大家卷不動了，就會有其他的方式做出來，一定是這樣的。

陳茜：能不能講一講你現(xiàn)在的工作狀態(tài)是什么樣的？公司剛開始，大家充滿干勁，企業(yè)文化大概是什么樣的？

田淵棟：企業(yè)文化相對來說說話比較直，大家都比較direct（直接），愿意很快給feedback（反饋），也比較technical（技術化）。大家都是干活的，愿意坐下來埋頭把事情做好，然后說“這是我的結(jié)果、這是現(xiàn)在的效果，大家有什么經(jīng)驗和建議”。相對比較實在，不會有太花哨的東西，有什么事情可以有話直說，把東西攤在桌上一起討論，大概是這樣。

陳茜：能不能分享一個你最近覺得挺開心的時刻？

田淵棟：其實有不少，但現(xiàn)在暫時不能說，能說的部分是公司的launch（發(fā)布）比較順利，這是很開心的。我們之前準備了一陣子，融資也很順利，這很不錯。發(fā)布之后正面的反饋很多，大家也很支持，這對公司來說是很好的第一步。尤其是外界的反響，還是比較正面的。

陳茜：我覺得剛才采訪中有一句話挺觸動我的，你說當你跳到不同的大廠，會發(fā)現(xiàn)水已經(jīng)沒有了，反正你都找不到工作，那對于你來說，你是怎么去找到你人生的意義的？

田淵棟：其實在GPT-4剛出來的時候，我就寫過一篇blog，說以后大家都是獨一無二的：你能做一件別人做不了、只有你能做、只有你愿意去探索的事情，這是最重要的。然后你在這件事上越走越遠，你獲得的所有數(shù)據(jù)都是新的，都可以分享給別人，那你就相當于一個行走的數(shù)據(jù)源。你把獲得的所有東西分享給大家，你對這個世界就是有價值的，我覺得這是一條路徑。當然，這只是非常個人的體驗，因為每個人其實都不一樣。

陳茜：你現(xiàn)在還有時間寫小說嗎？

田淵棟：前段時間比較忙，但之后我也會考慮一下。

陳茜：最近AI的一些進展、你自己的一些思考，你覺得對寫科幻小說是不是有了新的啟發(fā)？

田淵棟：我有點緊迫感，如果再不寫，我的idea（靈感）就沒了，可能就到了跟不上AI進展的程度。

陳茜：你可以讓AI幫你寫。

田淵棟：AI是可以幫我寫，但AI有自己的“AI味”。怎么把AI味去掉，找到自己想寫的東西并寫好，這是一個問題。

陳茜：感謝淵棟，也期待你們接下來可以宣布的一些新進展，到時候我們再聊一聊。

田淵棟：好的，感謝陳茜。

以上就是我們和田淵棟對談的所有內(nèi)容，我們也會密切關注包括RSI在內(nèi)的各個lab的動向，硅谷核心AI研究員的視頻播客系列還會繼續(xù)。

注：部分圖片來源于網(wǎng)絡

【本期節(jié)目不構(gòu)成任何投資建議】

硅谷101聽友群上線啦！

終于終于終于，大家一直呼吁的硅谷101的社群要上線了！歡迎大家加入。

你能在這里得到什么

線上閉門研討會--群內(nèi)專屬

我們會不定期地直播線上閉門研討會——硅谷101的主理人、主持人、研究員和節(jié)目嘉賓都會參與進來。直播入口只在群內(nèi)私密發(fā)送。我們可能會聊：SpaceX、OpenAI、Anthropic的上市解析，Buyout模式如何成為硅谷的新寵，F(xiàn)DE為什么正在變成科技巨頭最熱門的職位……所有報名鏈接，群里第一時間放出。深度聽懂硅谷。

和同頻的人在一起

按從事或研究的行業(yè)分群，讓你身邊坐的，是真正和你走在同一條路上的人——你拋出來的問題不會石沉大海，別人的一手觀察沒準也能打開思考的新視角。

? 線下相見

硅谷101的各類活動通知都會第一時間在群里同步。我們期待可以通過各種線下活動和大家也有機會在線下碰面。

101er互助

找人、找工作、找合作、找資源——只要是合理的需求，都請滴滴我們，我們幫你拋在群里。希望每一位101er都能在這里得到一點點助力。

?怎么入群

掃碼填表，我們會在7天內(nèi)做簡單審核，通過后會用郵件同步您進群方式。這是我們的申請表，請抽出1分鐘完成申請，我們對生產(chǎn)內(nèi)容的高要求，也是我們對運營這個社群的要求。希望進群的朋友們都能在這有所收獲。群里見！

【視頻播放渠道】

國內(nèi)：B站｜抖音｜小紅書｜視頻號｜微博

虎嗅｜騰訊｜頭條｜36氪｜搜狐視頻｜鈦媒體

海外：YouTube｜TikTok｜X

聯(lián)系我們：video@sv101.net

【創(chuàng)作團隊】

監(jiān)制｜泓君 陳茜

撰稿/采訪 ｜陳茜

剪輯｜Jacob HIROBUMI

運營｜王梓沁 孫澤平 13

平面設計｜施陳