沒有硅谷的百萬(wàn)年薪，DeepSeek 憑什么干翻美國(guó)大廠？

編譯 | 王啟隆

出品丨AI 科技大本營(yíng)（ID：rgznai100）

剛結(jié)束中國(guó)大陸考察的 Linux 基金會(huì)全球 AI 技術(shù)官 Matt White，最近在一檔海外播客里聊了聊他的真實(shí)見聞。

在美國(guó)大眾想象中，制裁之下的中國(guó) AI 實(shí)驗(yàn)室應(yīng)該是一片死寂。但 Matt 密集走訪了 DeepSeek、零一萬(wàn)物、月之暗面（Moonshot）、MiniMax 和阿里通義千問（Qwen）后，發(fā)現(xiàn)事實(shí)完全相反：中國(guó)實(shí)驗(yàn)室的文化黏性很強(qiáng)、人才流動(dòng)相對(duì)較少，而那些畢業(yè)于斯坦福、伯克利、卡內(nèi)基梅隆的華人頂尖研究者，現(xiàn)在也正成群結(jié)隊(duì)地選擇回國(guó)工作，而不是留在美國(guó)大廠。

此外，中國(guó)實(shí)驗(yàn)室倒騰出來的工具，正在反向輸出到美國(guó)本土。因?yàn)?Meta 的 Llama 迭代放緩，通義千問（Qwen）已經(jīng)成為包括美國(guó)企業(yè)在內(nèi)、全球部署和下載最廣泛的開源模型。

Matt 舉了一個(gè)很接地氣的例子：有香港團(tuán)隊(duì)想給產(chǎn)品做粵語(yǔ)語(yǔ)音客服，找美國(guó)某家明星語(yǔ)音 AI 供應(yīng)商，結(jié)果對(duì)方在活動(dòng)中途突然升級(jí)了后臺(tái) API，導(dǎo)致系統(tǒng)直接崩盤，發(fā)消息給創(chuàng)始人也石沉大海。最后他們抱著試試看的心態(tài)在 LinkedIn 上私信了 MiniMax 的創(chuàng)始人，對(duì)方立刻拉了個(gè)微信技術(shù)群，派工程師連夜把問題給解決了。

相反，他給另一家美國(guó)公司發(fā)了同樣的需求，結(jié)果就是消息石沉大海。這種“客戶第一、不計(jì)代價(jià)賺市場(chǎng)”的饑渴，是硅谷那些被過剩需求寵壞了的大廠根本無(wú)法理解的。

面對(duì)國(guó)內(nèi)現(xiàn)在同樣火爆的“單人公司”（OPC）和“開除所有員工、用 12 個(gè) Agent 賺錢”的自嗨論調(diào)，這位開源老兵也潑了冷水。他說，現(xiàn)在的智能體底色依然是“隨機(jī)鸚鵡”，根本沒有真正的人類邏輯。比如有些企業(yè)用大模型做財(cái)務(wù)退款，結(jié)果模型被用戶兩句話越獄，退了一堆不該退的錢。這也是為什么他堅(jiān)持要把防線用傳統(tǒng)代碼寫死，而不能指望模型每次都聽話。以下的他的觀點(diǎn)總結(jié)：

• 西方的出口管制不僅沒卡死中國(guó)，反而把北京逼成了全產(chǎn)業(yè)鏈自研芯片的“卷王”。 此外，中國(guó)算法如今正在被硅谷大廠和開源生態(tài)反過來學(xué)習(xí)和使用。

• DeepSeek 內(nèi)部沒有硅谷那種拉踩和爭(zhēng)奪論文一作的自私，而是一種極其罕見的集體主義。 所有人聚在一起，唯一的目的就是想辦法用最少的資源、在最受限的環(huán)境里把眼前的硬核問題解決掉。

• 大廠未來的大模型都要搬到付費(fèi) API 背后，而開源中輕量模型才是開發(fā)者的天下。

• 隨著中國(guó)開源模型下載量歷史性地超越西方，硅谷巨頭因?yàn)橥顿Y人的盈利壓力，正被迫收縮開源，把萬(wàn)一參數(shù)的模型藏進(jìn) API 里。

• 企業(yè)和極客們想要的是不被隨時(shí)升級(jí)“暗改”的控制權(quán)，這讓高性價(jià)比的開源模型，在全球市場(chǎng)搶下了最大的心智份額。

• 別輕易相信那些“我開除了 500 個(gè)員工、只靠 12 個(gè) Agent 賺錢”的 OPC 創(chuàng)業(yè)故事。 現(xiàn)在的智能體本質(zhì)上還是 pattern matching（模式匹配），它根本不懂微積分，更沒有人類的邏輯。

• 用提示詞（prompt）去管智能體是最不靠譜的，你必須在系統(tǒng)層和網(wǎng)絡(luò)層硬核卡死它的權(quán)限。

領(lǐng)取地址：https://boolan.com/enroll/c1049/event/1152?channel=gzh

“在硅谷，我們其實(shí)根本不知道中國(guó) AI 已經(jīng)走到了哪里”

主持人： Matt，歡迎來到 Fiverr 播客。

Matt： 謝謝，感謝邀請(qǐng)。

主持人： 對(duì)還不了解你的人來說，作為 Linux Foundation 的 AI CTO，你的角色具體是什么？能不能帶我們了解一下你的職責(zé)、你的日常工作，以及你現(xiàn)在主要在做什么？

Matt： 可以。我的很多工作都非常偏社區(qū)導(dǎo)向，核心是確保我們擁有一個(gè)健康的開源 AI 生態(tài)，確保有很多真正優(yōu)秀的項(xiàng)目能夠成長(zhǎng)起來、被更多人看見。比如我們納入基金會(huì)的一些項(xiàng)目：vLLM、PyTorch、DeepSpeed，還有 Ray 等等。

我的一部分工作也非常聚焦教育。我們現(xiàn)在在做一些培訓(xùn)和認(rèn)證，尤其目前圍繞 PyTorch 展開；同時(shí)也在確保開源 AI 在技術(shù)方向上足夠清晰、足夠強(qiáng)。此前我參與過“模型開放性框架”（Model Openness Framework, MOF）的工作，幾年前我們還為此寫過論文；另外還有 OpenMDW 許可證，這在開放模型領(lǐng)域也非常重要。

此外，我也會(huì)更多地走到社區(qū)中去，和大家交流。我們最近剛成立了 Agentic AI Foundation，所以現(xiàn)在我們也在圍繞 Agentic AI 構(gòu)建一個(gè)非常健康的生態(tài)系統(tǒng)。

我的工作，就是做社區(qū)的一個(gè)好 steward（守護(hù)者/管理者），幫助這個(gè)充滿活力的開源 AI 生態(tài)繼續(xù)成長(zhǎng)。這個(gè)生態(tài)包含很多不同的層面：從開放數(shù)據(jù)集、開放模型，到整條技術(shù)棧上的各種開源軟件，都在其中。

在 Linux Foundation，這些內(nèi)容由很多不同的基金會(huì)共同承載。許多工作負(fù)載依賴 Kubernetes、Linux 以及其他基礎(chǔ)設(shè)施，而這些也分別由其他基金會(huì)來推動(dòng)。我的職責(zé)之一，就是確保我們能夠讓更多人平等地獲得工具、平等地獲得教育資源，并持續(xù)推動(dòng)整個(gè)開源 AI 生態(tài)向前運(yùn)轉(zhuǎn)。

主持人： 所以在加入 Linux 之前，你也曾經(jīng)負(fù)責(zé)過 PyTorch 的技術(shù)方向；再往前，你在企業(yè)技術(shù)領(lǐng)域幾乎干了 25 年，對(duì)吧？是在 IBM 嗎？

Matt： 對(duì)。還有電信行業(yè)。

主持人： 那這些經(jīng)歷現(xiàn)在如何幫助你看待這一輪 AI 熱潮？

Matt： 幫助非常大。我職業(yè)生涯的大部分時(shí)間都在產(chǎn)業(yè)界度過。中間有一小段時(shí)間，我在 CableLabs 做研究，之后又回到產(chǎn)業(yè)界，再后來又到一家非營(yíng)利機(jī)構(gòu)工作。

我覺得這讓我能夠同時(shí)理解兩邊的視角：一邊是企業(yè)和行業(yè)在 AI 上的需求、采用方式以及落地應(yīng)用；另一邊是開源基金會(huì)如何培育生態(tài)、擴(kuò)大工具可及性、推動(dòng)開源 AI 文化繁榮。所以某種程度上，這讓我也能夠同時(shí)擁有這兩種觀察視角。

另外一點(diǎn)，從我的角度看也很重要：要理解 AI 研究人員要經(jīng)歷什么、開發(fā)者要經(jīng)歷什么，這樣我們才能真正幫助他們解決問題。

我們等會(huì)兒還會(huì)回到你在 Linux 的工作，不過我很好奇：你剛剛結(jié)束了一趟很長(zhǎng)的中國(guó)大陸之行，幾乎拜訪了所有主要的 AI 實(shí)驗(yàn)室——DeepSeek、Moonshot、智譜，對(duì)吧，還有 Qwen，以及其他團(tuán)隊(duì)。

Matt： 對(duì)。

主持人： 拋開那些大家都知道的事不談，這一趟最讓你驚訝的是什么？

Matt： 我覺得，從這個(gè)角度來說……過去幾年我來過中國(guó)幾次，而這次最讓人驚訝的一點(diǎn)，站在一個(gè)美國(guó)人的角度看，就是：我們其實(shí)并不了解中國(guó)正在發(fā)生什么。我們看到很多優(yōu)秀的工作以開放科學(xué)、開源的形式被發(fā)表、被發(fā)布出來，但總體上，我們并不知道他們?cè)谘芯可弦呀?jīng)推進(jìn)到了哪里。

這次非常開眼界的一點(diǎn)是：當(dāng)我來到中國(guó)、開始和這些實(shí)驗(yàn)室接觸時(shí)，我發(fā)現(xiàn)他們對(duì)自己正在做的工作是非常開放的。他們?cè)敢夥窒碜约赫谕七M(jìn)的各種創(chuàng)新。當(dāng)然，不是說會(huì)把產(chǎn)品路線圖全告訴你，畢竟大家都有各自的商業(yè)定位；但就他們正在做的研究本身而言，是非常開放的。

這趟旅程中最讓人意想不到的一點(diǎn)，是看到他們對(duì)自己所做工作的熱情，以及他們對(duì)發(fā)表成果、把模型推向市場(chǎng)、看它在基準(zhǔn)測(cè)試中尤其是和很多封閉 API 模型相比表現(xiàn)如何，所懷抱的那種興奮感。

這對(duì)我來說非常、非常有意思：他們并沒有藏著掖著，而是非常坦率地展示自己正在做的事情。

主持人： 從這些拜訪和觀察來看，這和美國(guó)同行相比有什么不同？

Matt： 在美國(guó)，人們私下里會(huì)稍微聊一點(diǎn)他們正在做什么，但一般不會(huì)直接邀請(qǐng)你進(jìn)實(shí)驗(yàn)室，然后進(jìn)行這么大范圍、這么深入的分享。

在美國(guó)，實(shí)驗(yàn)室之間的人才流動(dòng)很多，研究人員在不同實(shí)驗(yàn)室之間來回跳動(dòng)，因此很多事情也談不上有什么特別大的秘密，尤其是在灣區(qū)，流動(dòng)性很強(qiáng)。但在中國(guó)，實(shí)驗(yàn)室在地理上分散得更多，對(duì)吧？有的在北京，有的在上海，有的在深圳，也有的在杭州。所以，這里沒有像美國(guó)灣區(qū)那樣高頻的人才流動(dòng)。

我覺得文化上也有些不同。我還想說，中國(guó)實(shí)驗(yàn)室的文化黏性也比較強(qiáng)。比如你在 Moonshot 這樣的公司工作——它的辦公室就是很搖滾、很年輕化的那種風(fēng)格。

主持人： 你是說 Kimi 嗎？

Matt： 對(duì)，就是它。那確實(shí)是一種不一樣的文化。

但還有一點(diǎn)是很多人沒有意識(shí)到的：這些研究人員里，很多人——尤其是創(chuàng)始人——其實(shí)受的是西方教育。比如 UC Berkeley、CMU、Stanford。他們?cè)诿绹?guó)完成教育，然后回到中國(guó)。

而現(xiàn)在越來越明顯的一個(gè)趨勢(shì)是：很多創(chuàng)業(yè)者、很多研究人員，正在回到中國(guó)工作，而不是像過去那樣留在美國(guó)。歷史上，大家更希望留在美國(guó)發(fā)展；但我覺得中國(guó)在鼓勵(lì)創(chuàng)新和創(chuàng)業(yè)文化這件事上做得很好。

當(dāng)然，這里也有自己的“灣區(qū)”，對(duì)吧？這個(gè)領(lǐng)域里也聚集了非常多的人。

主持人： 實(shí)際上，很少有人意識(shí)到這一點(diǎn)。但如果你看世界地圖，會(huì)發(fā)現(xiàn)全球有兩個(gè)巨大的 AI 中心：一個(gè)是美國(guó)灣區(qū)，另一個(gè)其實(shí)離我們這里只差幾分鐘車程——就在深圳。

Matt： 對(duì)。當(dāng)然還有杭州，和北京。

“硅谷迷戀個(gè)人光環(huán)和百萬(wàn)年薪，但 DeepSeek 團(tuán)隊(duì)身上有一種共同體的謙遜”

主持人： 在你和這么多中國(guó)研究人員交流之后，你怎么看待這樣一個(gè)現(xiàn)象：在西方，人們把它叫作“ChatGPT 時(shí)刻”；而在中國(guó)，很多人說是“DeepSeek 時(shí)刻”，甚至“斯普特尼克時(shí)刻”。你怎么看 DeepSeek？它在中國(guó)仍然處于絕對(duì)主導(dǎo)位置嗎？還是說，現(xiàn)在已經(jīng)變得更均衡了？

Matt： 我覺得 DeepSeek 仍然被視作“尖兵”——是最前沿的創(chuàng)新者，是那種“用更少資源做更多事”的代表。他們推出了很多優(yōu)秀的創(chuàng)新，而且這些創(chuàng)新已經(jīng)被許多其他實(shí)驗(yàn)室采用了，包括美國(guó)的一些實(shí)驗(yàn)室。所以我依然認(rèn)為，大家是帶著這樣的視角來看 DeepSeek 的。

中國(guó)的實(shí)驗(yàn)室對(duì) DeepSeek 已經(jīng)做出的事情、以及他們正在做的事情，都懷有很深的敬意。作為一個(gè)有開源背景的人，看著他們把這些成果帶到世界面前，我是非常能欣賞這一點(diǎn)的。

他們的研究論文寫得非常細(xì)致，你可以據(jù)此復(fù)現(xiàn)實(shí)驗(yàn)結(jié)果。這對(duì)于整個(gè) AI 領(lǐng)域的進(jìn)步來說極其重要。我們希望研究公開得足夠充分，這樣別人才能真正去復(fù)現(xiàn)。

但我們也看到一個(gè)趨勢(shì)，而我對(duì)此并不是特別樂觀：研究論文越來越短，逐漸變成了 technical report（技術(shù)報(bào)告）。這些技術(shù)報(bào)告里往往沒有足夠多的信息披露，無(wú)法支持別人去真正復(fù)現(xiàn)研究。而這并不能推動(dòng) AI 進(jìn)步；無(wú)論你對(duì)“我們將如何邁向 AGI”持什么立場(chǎng)，如果大家的研究都關(guān)起來了，那肯定無(wú)法真正推動(dòng)整個(gè)領(lǐng)域向前。

主持人： 就在你在中國(guó)期間，我記得 MIT 和 Hugging Face 發(fā)布了一份新報(bào)告，說中國(guó)開源模型在中國(guó)本土的下載份額，第一次超過了西方模型，對(duì)吧？這說明了什么？我們能不能說，全球開發(fā)者在心智份額上，已經(jīng)開始更偏向中國(guó)開源模型，甚至這種趨勢(shì)正在西方世界蔓延？

Matt： 我覺得我們現(xiàn)在看到的很多中國(guó)模型，一個(gè)很重要的特點(diǎn)是：它們的小模型和中等規(guī)模模型表現(xiàn)更好，而這正在帶動(dòng)下載量增長(zhǎng)。這些模型的性能真的很強(qiáng)。

Llama 系列目前并沒有新的后續(xù)模型推出。所以 Qwen（千問）現(xiàn)在其實(shí)已經(jīng)成了部署最廣的模型，甚至包括美國(guó)企業(yè)里也是這樣。我覺得我們現(xiàn)在看到的是：大量愛好者、研究者和開發(fā)者，都想把這些模型下載下來，在本地通過 Ollama 之類的工具運(yùn)行。

與此同時(shí)，企業(yè)也希望通過成本優(yōu)化獲益，所以相較于調(diào)用 API、按 token 支付更高價(jià)格，使用這些更小或中等規(guī)模的模型顯得更有吸引力。

主持人： 對(duì)，我記得 DeepSeek V4 最新的數(shù)據(jù)，好像在能力相近的情況下，比某些商業(yè) API 模型便宜了 50 倍，這幾乎引發(fā)了整個(gè)中國(guó)大陸的價(jià)格戰(zhàn)。不過很有意思的是，你也見了 MiniMax 的創(chuàng)始人，而他們第一次發(fā)布了一個(gè)閉源模型。他們有沒有解釋背后的邏輯？

Matt： 他們沒有展開細(xì)講，但我覺得這會(huì)成為中國(guó)接下來的一個(gè)趨勢(shì)。過去人們的看法是：只要模型超過一萬(wàn)億參數(shù)，訓(xùn)練成本就高得驚人，你就不得不把它放到 API 背后，因?yàn)樗y部署，同時(shí)也需要商業(yè)化回報(bào)。

美國(guó)那邊經(jīng)歷的是：有一些開源模型，有一些 API，現(xiàn)在整體越來越偏向 API。我確實(shí)覺得，中國(guó)接下來也會(huì)走向類似的模式。我認(rèn)為這些實(shí)驗(yàn)室中，有的今年已經(jīng) IPO 了，有的正在籌備 IPO，他們也面臨著必須證明商業(yè)價(jià)值的壓力。

主持人： 對(duì)，他們必須得證明。

Matt： 訓(xùn)練這些模型是要花錢的，對(duì)吧？他們有投資人，也必須實(shí)現(xiàn)某種回報(bào)。所以我覺得他們會(huì)轉(zhuǎn)向 API。很可能到最后，所有人都會(huì)在某個(gè)階段推出商業(yè) API，用來補(bǔ)貼研究和訓(xùn)練的成本。

主持人： 以我個(gè)人和 MiniMax 創(chuàng)始人接觸的經(jīng)歷來看，我們當(dāng)時(shí)在為活動(dòng)開發(fā)一個(gè)內(nèi)部 AI 方案，是個(gè)語(yǔ)音智能體，但一直找不到適合香港受眾的粵語(yǔ)模型。剛好我認(rèn)識(shí)他，就發(fā)消息問能不能有人幫忙對(duì)接 MiniMax。他立刻建了個(gè)群，把工程師拉進(jìn)來，很快就幫我們解決了。

這和另一家美國(guó)公司的體驗(yàn)形成了鮮明對(duì)比。我們當(dāng)時(shí)在語(yǔ)音 AI 技術(shù)棧里用了美國(guó)一家公司，結(jié)果活動(dòng)進(jìn)行到一半，他們突然改了 API。我們花了很久才搞清楚問題出在哪兒，而且事先沒有任何通知。我后來還在 LinkedIn 上給那位創(chuàng)始人發(fā)了消息，結(jié)果沒有任何回復(fù)，什么都沒有。

我之所以提這個(gè)，是因?yàn)槲腋杏X——至少在我的認(rèn)知里——美國(guó)那邊對(duì)所有語(yǔ)音 AI 相關(guān)業(yè)務(wù)的需求實(shí)在太旺盛了；而另一方面，中國(guó)團(tuán)隊(duì)這種“客戶優(yōu)先”、愿意盡最大努力、以最低成本主動(dòng)幫你解決問題的方式，會(huì)讓我覺得，也許只是我舉的這個(gè)例子有偏差，但那確實(shí)是一次讓我開始重新思考的經(jīng)歷。

Matt： 對(duì)。我覺得有些人和組織會(huì)希望自己對(duì)模型及其生命周期擁有更多控制權(quán)。他們可能不希望模型在后臺(tái)被悄悄升級(jí)。畢竟如果你用的是 API，對(duì)方就可以升級(jí)模型，一個(gè)小版本更新可能就會(huì)把某些東西搞壞，或者改動(dòng) API。

但如果你對(duì)系統(tǒng)有更多控制權(quán)，運(yùn)行的是自己的開放模型，那你就可以自己決定規(guī)則、自己制定升級(jí)路徑。我覺得這對(duì)很多人來說是很有吸引力的。

“Meta 很久不發(fā)新 Llama 了，連不少美國(guó)企業(yè)都在偷偷下載通義千問”

主持人： 我感覺整體上，中國(guó)團(tuán)隊(duì)面對(duì)客戶時(shí)那種態(tài)度，以及某種積極進(jìn)取、甚至可以說“帶著善意的攻擊性”——“為了客戶我們什么都能做，我們一定能搞定”——本身就在幫助他們搶市場(chǎng)。因?yàn)樗麄儾幌衩绹?guó)公司那樣，被過度需求“慣壞”了。

不過回到你的中國(guó)之行。你在博客里還提到，你曾和一些 DeepSeek 的資深員工一起吃午飯，其中有一位很早就加入了公司，甚至可以追溯到他們還在做量化的時(shí)期。通過和他們的交流，你覺得他們?cè)趦?nèi)部是怎么理解和推進(jìn)工作的？有沒有什么不同之處，或者值得我們學(xué)習(xí)的地方？有沒有什么你可以分享的觀察？

Matt： 可以。我覺得最打動(dòng)我的，是 DeepSeek 團(tuán)隊(duì)身上的謙遜。他們非常謙遜。我不覺得他們像某些組織里那樣，把重點(diǎn)放在“個(gè)人要證明自己有多強(qiáng)”“我要做論文一作”這類事情上。

我從 DeepSeek 得到的印象是：他們很有共同體精神。更像是“我們所有人在一起，努力解決真正的問題”。所以從我的體驗(yàn)來看，那間辦公室里的謙遜氛圍，以及人們真心想解決問題、而不是過多在意個(gè)人發(fā)展、六位數(shù)七位數(shù)薪資之類事情的狀態(tài)，都讓我印象很深。

他們更像是在一個(gè)資源受限的環(huán)境里，和同事一起把事情做好、一起解決問題。

主持人： 你的這趟行程還剛好碰上另一件很有意思的事：華盛頓那邊，白宮發(fā)布了一份關(guān)于針對(duì)美國(guó) AI 模型的蒸餾攻擊的備忘錄，對(duì)吧？你在和中國(guó)同行交流時(shí)，有沒有感受到什么反應(yīng)？

Matt： 有。我在整個(gè) AI 生態(tài)里看到的一個(gè)普遍現(xiàn)象是：蒸餾其實(shí)是很多實(shí)驗(yàn)室都會(huì)做的事情，對(duì)吧？有一種視角是：大家都在朝著同一個(gè)目標(biāo)前進(jìn)，朝著某種 AGI 終點(diǎn)前進(jìn)，而每個(gè)人都想利用當(dāng)下最好的東西。

現(xiàn)實(shí)情況是，很多機(jī)構(gòu)的數(shù)據(jù)都受限。他們沒有足夠高質(zhì)量的數(shù)據(jù)來繼續(xù)推進(jìn)和改進(jìn)模型。所以我確實(shí)看到，蒸餾被非常頻繁地使用，而且是被各種不同的組織在使用——無(wú)論中國(guó)還是美國(guó)。它并不是中國(guó)獨(dú)有的現(xiàn)象。

主持人： 我記得你在 Substack 文章里說過，西方有一種敘事是：中國(guó)只是在復(fù)制粘貼西方做過的一切；還有一種敘事是，出口管制減緩了中國(guó)科技和中國(guó) AI 的發(fā)展。你認(rèn)為這兩種說法都不對(duì)。你能具體說說為什么嗎？

Matt： 當(dāng)然。中國(guó)的實(shí)驗(yàn)室是在創(chuàng)新的，對(duì)吧？他們創(chuàng)造了很多非常優(yōu)秀的創(chuàng)新，而這些創(chuàng)新也被用于學(xué)習(xí)、用于實(shí)踐，甚至被應(yīng)用到了美國(guó)的開放模型和 API 產(chǎn)品中。這些創(chuàng)新是跨國(guó)界流動(dòng)的。這本來就是 AI 研究共同推進(jìn)、彼此分享的一部分。我認(rèn)為這對(duì)整個(gè)領(lǐng)域都極其有益。

美國(guó)應(yīng)該這樣做，歐洲、加拿大、中國(guó)也都應(yīng)該這樣做——大家都應(yīng)該產(chǎn)出優(yōu)秀的開放科學(xué)成果。至于出口管制，恐怕并沒有達(dá)到預(yù)期效果。當(dāng)你因?yàn)槟貌坏阶銐蛸Y源而被迫創(chuàng)新時(shí)，你就一定會(huì)創(chuàng)新。我覺得中國(guó)發(fā)生的事情就是：這些實(shí)驗(yàn)室意識(shí)到，好的，我們必須創(chuàng)新，我們必須把手頭的資源榨出更多價(jià)值。

而這件事確實(shí)發(fā)生了。我覺得這很好，因?yàn)檫@些相同的原則、相同的發(fā)現(xiàn)，也可以被我們應(yīng)用到世界各地的 AI 研究中。

硬件受限這件事，同樣也在倒逼中國(guó)、倒逼北京投資自己的芯片能力。于是我們看到這一領(lǐng)域出現(xiàn)了更多發(fā)展，芯片制造領(lǐng)域也涌現(xiàn)出大量新創(chuàng)企業(yè)。中國(guó)在稀土資源方面有獨(dú)特優(yōu)勢(shì)，也有能力構(gòu)建從原材料到生產(chǎn)、制造再到部署的完整垂直鏈條。

主持人： 順著這個(gè)問題繼續(xù)。你還點(diǎn)名提到了四項(xiàng)具體的中國(guó)貢獻(xiàn)，說西方實(shí)驗(yàn)室現(xiàn)在也在建立在這些成果之上：DeepSeek 的 GRPO、Moonshot 在 Muon optimizer 上的工作、字節(jié)跳動(dòng)的 Verl，以及 MiniMax 在 scaling、lighting 和 attention 等技術(shù)方面的貢獻(xiàn)。我想知道，如果完全沒有出口管制，這四項(xiàng)里哪一項(xiàng)可能根本不會(huì)發(fā)生？

Matt： 我?guī)缀跤X得，很難明確地說哪些創(chuàng)新一定是由出口管制直接催生的。我很喜歡拿 Muon optimizer 舉例，因?yàn)樗畛醯墓ぷ髌鋵?shí)并不是起源于中國(guó)，而是起源于美國(guó)。最早有一篇論文發(fā)表了相關(guān)工作，后來又被后續(xù)實(shí)驗(yàn)室不斷接力推進(jìn)。

正是這種迭代式工作，才讓我們能取得今天這樣的進(jìn)展，對(duì)吧？我非常希望看到更多人擁抱這種開放科學(xué)：你創(chuàng)造一個(gè)東西，別人把它改進(jìn)，再有人繼續(xù)在此基礎(chǔ)上優(yōu)化。

我們?cè)?LLM 的演化過程中已經(jīng)看到了這一點(diǎn)。Transformer 架構(gòu)被不斷修改，出現(xiàn)了更多優(yōu)化、不同形式的 attention，以及所有這些幫助我們構(gòu)建更高性能系統(tǒng)的創(chuàng)新。

我覺得這非常重要。而且我們也正在看到同樣的事情發(fā)生在技術(shù)棧更高層。不只是模型和 AI 研究層面，也包括更高層的框架、Agentic framework，以及各種 harness、scaffolding 和其他以開放形式發(fā)布出來的組件。

很明顯，OpenClaw 在中國(guó)非常火，而現(xiàn)在 Hermes Agent 也非常火。我覺得我在這次大會(huì)上幾乎和每個(gè)人聊，他們都在跟我談這個(gè)。開放創(chuàng)新、開源創(chuàng)新，往往最容易吸引關(guān)注，也最能吸引社區(qū)參與，邀請(qǐng)開發(fā)者貢獻(xiàn)。所以我認(rèn)為，研究端的這種并行關(guān)系，在開源軟件開發(fā)一側(cè)也同樣成立。

“手頭只有 200 萬(wàn)美元，千萬(wàn)別想著去開一家 AI 實(shí)驗(yàn)室”

主持人： 對(duì)，OpenClaw 在中國(guó)確實(shí)太夸張了，體量非常大。但我感覺它現(xiàn)在也開始有點(diǎn)……像是到頂了，然后開始平臺(tái)化甚至下滑。現(xiàn)在甚至已經(jīng)出現(xiàn)一整套“怎么把它從你電腦上卸載掉”的服務(wù)了，畢竟大家之前都裝過，對(duì)吧？

不過很有意思的是，你對(duì)開源 AI 模型的立場(chǎng)是什么？假如今天觀眾里有一位創(chuàng)始人，正在做 AI，拿了 200 萬(wàn)美元融資，賬上 runway 還能撐 18 個(gè)月，你會(huì)建議他基于什么去構(gòu)建？Claude？還是別的什么，DeepSeek、Qwen？你怎么看？

Matt：如果你只有 200 萬(wàn)美元，我會(huì)強(qiáng)烈建議他不要自己開一家 AI 實(shí)驗(yàn)室，因?yàn)槟强隙ú粔颉?/strong>

主持人： 不是訓(xùn)練模型呢？我是單指做 AI 應(yīng)用。

Matt： 我覺得，在做產(chǎn)品這件事上，現(xiàn)在仍然有非常多創(chuàng)新機(jī)會(huì)，也非常適合創(chuàng)業(yè)公司。關(guān)鍵是你必須找到自己的 niche（細(xì)分定位）、自己的垂直領(lǐng)域。你是要做金融相關(guān)的東西？還是要做某個(gè)特定行業(yè)？還是你要提供某種通用型專業(yè)服務(wù)？

我不覺得我能給出一個(gè)放之四海而皆準(zhǔn)的答案……當(dāng)然，大家都很喜歡 Claude Code，它是個(gè)非常優(yōu)秀的工具。至于到底是使用本地基礎(chǔ)設(shè)施或自托管基礎(chǔ)設(shè)施上的開放模型，還是使用像 Fireworks、Together 這樣的推理服務(wù)商，或者干脆直接使用付費(fèi) API，我覺得這取決于你作為一個(gè)組織的具體需求。

如果你是一家創(chuàng)業(yè)公司，通常來說，使用開放模型能讓你用更少資源做更多事情，而且可以形成一種很順滑、低摩擦的方式，把 token 成本壓低，從而把更多資金投入到營(yíng)銷、團(tuán)隊(duì)增長(zhǎng)等方面。

但反過來說，如果你用 API，管理上的額外負(fù)擔(dān)會(huì)低很多。所以我覺得這兩條路線都很好，關(guān)鍵還是看你的創(chuàng)業(yè)公司是什么情況、想實(shí)現(xiàn)什么目標(biāo)。

主持人： OpenAI 剛剛停止了他們的模型微調(diào)服務(wù)，所以如果你想做一件特別聚焦、重復(fù)性很強(qiáng)、同時(shí)又非常講成本效率的事，實(shí)際上你現(xiàn)在幾乎只能去微調(diào)開源模型了。

Matt： 對(duì)。我也很希望看到更多經(jīng)過微調(diào)的開放模型被分享出來，并形成一個(gè)很好的生態(tài)。Hugging Face 和 ModelScope 上都有很多這樣的模型，但在一片模型海洋里，搞清楚哪個(gè)最適合自己的應(yīng)用，有時(shí)候也確實(shí)很難。

如果能有一個(gè)值得信賴的微調(diào)模型生態(tài)就很好：你知道模型來源，知道它最初基于什么模型構(gòu)建，也知道它是不是把原本受限許可的模型重新?lián)Q了個(gè)寬松許可再發(fā)布出來……這些信息都非常關(guān)鍵。因?yàn)樵谀銍@某個(gè)微調(diào)模型開展商業(yè)化之前，你必須確認(rèn)它的許可證，和你原先理解的是一致的。

主持人： 我想Meta 的 Llama 就是一個(gè)例子，對(duì)吧？它在應(yīng)用層面的許可其實(shí)是相當(dāng)受限的。從你推動(dòng)的開源框架，尤其是和 AI 模型相關(guān)的那套框架來看，你覺得今天誰(shuí)最接近你們所設(shè)立的“真正開源模型”的標(biāo)準(zhǔn)？是 DeepSeek？Llama？Qwen？Mistral？

Matt： 這個(gè)問題我覺得可以分成兩部分來看。

第一部分是：凡是使用寬松許可證的模型——而且今天它們本質(zhì)上都在使用軟件許可證，所以像 Apache 2.0 或 MIT——這些模型就是最“寬松”的，對(duì)吧？因此，任何 DeepSeek 模型、任何 Mistral 模型，以及來自 AI2 或 MBZUAI 下 LM360 計(jì)劃的那些模型，都屬于你可以“用于任何目的”的模型。無(wú)論是研究，還是拿來做應(yīng)用，還是圍繞它創(chuàng)業(yè)，都是可以的。

而所謂 community license（社區(qū)許可證）則是附帶限制的。它可能會(huì)有使用量觸發(fā)門檻，等等。所以你需要有辨別力。凡是這種社區(qū)許可證，里面防線都會(huì)有某種條件：一旦觸發(fā)，你就得重新談授權(quán)，或者只能非商業(yè)使用，或者只能研究用途等等。所以讀許可證非常重要。把許可證丟給你喜歡的 agent，或者直接扔給 ChatGPT，讓它幫你提煉重點(diǎn)，也很有幫助。

這是第一部分。第二部分是：開源軟件許可證本來是為軟件設(shè)計(jì)的。幾年前，我們?cè)?Linux Foundation 啟動(dòng)了一項(xiàng)工作，想專門為模型設(shè)計(jì)一套許可證。大概三四年前，或許已經(jīng)四年了，我們開始推進(jìn)“模型開放性框架”，想定義：什么算是開放模型？什么又比它更進(jìn)一步，可以稱為開放科學(xué)？

所謂開放科學(xué)，意思是你發(fā)布的不只是模型及其權(quán)重，還要發(fā)布所有數(shù)據(jù)集、所有訓(xùn)練代碼、所有 recipe（訓(xùn)練配方）、各種 benchmark（基準(zhǔn)測(cè)試），以及其他所有幫助你得到最終產(chǎn)品的附屬材料。

我們已經(jīng)看到一些不錯(cuò)的實(shí)踐。AI2 在這類開放科學(xué)路徑上做得很好，他們讓社區(qū)能夠復(fù)現(xiàn)自己的工作。我們所追求的就是這種開放科學(xué)，這對(duì)教育、可復(fù)現(xiàn)性、透明度和研究目的都非常有價(jià)值。

但如果只是從“足夠讓你開展業(yè)務(wù)”或者“滿足較低程度研究需求”的最低可行要求來說，通常只要有模型和權(quán)重就夠了，對(duì)吧？我們把這定義為 open model（開放模型）。

當(dāng)時(shí)——其實(shí)現(xiàn)在也還在廣泛使用——大家有個(gè)詞叫 open weights。雖然這個(gè)詞聽起來好像“開放”，但實(shí)際上它通常被用來指那些帶有限制許可證的模型，也就是有附加條件的模型。而我們所說的 open model，是指使用寬松許可證的模型，也就是你對(duì)它的使用沒有限制。

在實(shí)踐中，開放科學(xué)當(dāng)然很棒，但只要牽涉到商業(yè)利益，大家往往還是會(huì)退回到 open model 的層次。畢竟，不是每個(gè)人都能復(fù)現(xiàn)一個(gè)一萬(wàn)億參數(shù)模型，也不是每個(gè)人都有那個(gè)資源。所以我覺得，至少我們要確保這些使用寬松許可證的開放模型存在，而且整個(gè)社區(qū)都能訪問。這樣大家才能學(xué)會(huì)如何與這項(xiàng)技術(shù)打交道，才能在這項(xiàng)技術(shù)之上繼續(xù)構(gòu)建。我覺得這極其重要。

主持人： 在 Linux Foundation 當(dāng)前的項(xiàng)目里，哪些最受社區(qū)和貢獻(xiàn)者關(guān)注？你覺得現(xiàn)在最熱的是哪些？

Matt： 肯定有很多關(guān)注集中在 Agentic AI Foundation、MCP 上。很多人都在構(gòu)建 MCP server，也在自己的組織里集成 MCP。

Linux Foundation 有一個(gè)很獨(dú)特的優(yōu)勢(shì)，就是我們擁有這些分布在不同技術(shù)棧層級(jí)的基金會(huì)。在應(yīng)用層這一側(cè)，我們有 Agentic AI Foundation 和它推動(dòng)的一系列項(xiàng)目。對(duì)我們來說，這還是非常早期的階段，對(duì)吧？這個(gè)基金會(huì)成立也就五六個(gè)月左右。現(xiàn)在參與其中的成員已經(jīng)快到 200 個(gè)了。所以大家對(duì) Agentic AI 的熱情非常高。

當(dāng)然，也有一些更成熟的項(xiàng)目，比如 Kubernetes。它對(duì)所有 AI 工作負(fù)載以及云工作負(fù)載都絕對(duì)至關(guān)重要。顯然，Linux kernel 也非常重要，而且部署極其廣泛。再往上我們還有 PyTorch Foundation，它旗下有很多處于 AI 基礎(chǔ)設(shè)施層的項(xiàng)目，比如如何構(gòu)建模型、如何訓(xùn)練和微調(diào)模型，以及如何在生產(chǎn)環(huán)境部署模型并提供推理服務(wù)。可以說，這些基金會(huì)都在這條技術(shù)棧中扮演著各自的角色。

主持人： 當(dāng)我告訴我的工程團(tuán)隊(duì)，我今天要見 Linux 的 AI CTO時(shí)，他們第一個(gè)問題就是：AI 會(huì)不會(huì)被引入到 Linux 內(nèi)核層面？你們有沒有這方面的設(shè)想，或者某種計(jì)劃？你覺得 AI 在這里能扮演什么角色？

Matt： 從根本上說，我沒法代表 Linux kernel 開發(fā)那一側(cè)發(fā)言，因?yàn)槲也⒉粎⑴c Linux 內(nèi)核本身的開發(fā)。但我會(huì)說，AI 作為一種工具，已經(jīng)在很多地方被廣泛使用了，對(duì)吧？比如幫助優(yōu)化代碼。

對(duì)我們合作的一些項(xiàng)目來說，現(xiàn)在很多人都在問：如果他們想使用 Claude Code 或其他 agent，要怎么貢獻(xiàn)代碼？很多項(xiàng)目現(xiàn)在都已經(jīng)制定了關(guān)于 agent 是否可以參與貢獻(xiàn)的政策。

我們看到不少項(xiàng)目開始有點(diǎn)PR 的數(shù)量壓垮了。因?yàn)楝F(xiàn)在很多幾乎沒有編程基礎(chǔ)或項(xiàng)目知識(shí)的人，也能提 PR，這多少會(huì)讓維護(hù)者有點(diǎn)應(yīng)接不暇。與此同時(shí)，我們也看到 AI 被用來緩解這個(gè)問題，對(duì)吧？比如審查 PR、做歸并整理。

我覺得我們現(xiàn)在正處于一個(gè)比較“混亂探索”的階段，等大家把這些問題慢慢摸清楚以后，可能會(huì)進(jìn)入一個(gè)更規(guī)范的階段。但可以確定的是，coding agents 現(xiàn)在真的非常普及，尤其是在開源領(lǐng)域。看不同項(xiàng)目的核心維護(hù)者是如何處理這件事、如何面對(duì)不斷涌入的 PR，其實(shí)還挺有意思的。

主持人： 從未來趨勢(shì)來看，如果 AI 最終會(huì)成為主要交互界面，甚至是對(duì)話式 AI，那么我們現(xiàn)在習(xí)慣的操作系統(tǒng)界面——按鈕、設(shè)置、命令行這些東西——還真的有必要存在嗎？如果 AI 已經(jīng)被嵌進(jìn)系統(tǒng)底層，你只需要直接和它說話不就好了？

Matt： 雖然我們現(xiàn)在已經(jīng)具備了 voice-to-voice 這類語(yǔ)音模型能力，但總體上你并沒有看到人們像使用手機(jī)鍵盤那樣頻繁地使用語(yǔ)音，對(duì)吧？QWERTY 鍵盤依然是主流。所以我覺得 UI 仍然有存在空間。

主持人： 可能大家都被 Siri 創(chuàng)傷過。

Matt： 對(duì)，也許吧。但確實(shí)還是有很多人根本不喜歡語(yǔ)音界面。而且如果你身處公共場(chǎng)所，你真的想……

主持人： 也不一定非得是語(yǔ)音，也可以是對(duì)話式。核心問題是：現(xiàn)在出現(xiàn)了一層新的交互層，正在重新定義我們看待軟件的方式。

Matt： 對(duì)。我覺得人們與系統(tǒng)交互的方式，確實(shí)正在隨著 AI 出現(xiàn)轉(zhuǎn)變。但這也和使用者是誰(shuí)有關(guān)，對(duì)吧？消費(fèi)者、工程師、研究者、開發(fā)者，他們不一樣。

顯然，更技術(shù)向的人會(huì)希望獲得更深層的訪問能力。我們已經(jīng)看到越來越多 agent 通過 CLI 運(yùn)行，或者直接集成 API。隨著模型變得更有 agent 能力、更強(qiáng)大，我覺得我們未來可能會(huì)看到一套面向 agent 的接口，以及另一套面向人的接口。但至少目前，我們還是在同時(shí)訓(xùn)練模型去理解程序接口和人類界面。

“AI 永遠(yuǎn)只是個(gè)工具，出了事它連坐牢和承擔(dān)法律責(zé)任的資格都沒有”

主持人： 你剛才提到了 agentic AI、MCP，以及如今對(duì) API 的訪問方式……你也談到過安全問題，尤其是關(guān)注點(diǎn)正從 LLM 本身的安全，轉(zhuǎn)向 agent 的安全。你能不能多講講你是怎么思考這個(gè)問題的？

Matt： 安全顯然對(duì)所有人都重要。對(duì)下游用戶重要，對(duì)消費(fèi)者重要，對(duì)構(gòu)建系統(tǒng)的人也同樣重要。

其中一個(gè)非常關(guān)鍵的點(diǎn)是：模型安全只是一部分。但當(dāng)我們?cè)谀Ｐ椭蠘?gòu)建系統(tǒng)——無(wú)論是 agentic system，還是未來其他形式的系統(tǒng)——就必須把安全性納入其中。我一直鼓勵(lì)“安全優(yōu)先”的工程方式，以及“by design”的安全設(shè)計(jì)，因?yàn)槟惚仨毺崆八伎既藗儠?huì)如何使用你構(gòu)建的技術(shù)，所以我們希望這些技術(shù)從一開始就是以負(fù)責(zé)任的方式被設(shè)計(jì)出來的。

與此同時(shí)，這也給創(chuàng)業(yè)者帶來了很好的機(jī)會(huì)：去創(chuàng)建那些圍繞安全與安保而構(gòu)建的公司，去提供 guardrails（護(hù)欄）和 harness（控制框架），從而約束系統(tǒng)的安全行為。

在 agentic system 中，你從模型那里繼承了很多東西，很大一部分都繼承自模型；但你同時(shí)也在構(gòu)建程序化腳手架。agent 本身是被代碼化的，對(duì)吧？所以在這一層面上施加安全約束，同樣也非常重要。

主持人： 如果你面對(duì)的是 agent swarm 或多智能體系統(tǒng)，安全性該怎么落實(shí)？畢竟和單一模型相比，你對(duì)它的控制其實(shí)沒那么強(qiáng)。

Matt： 對(duì)于多智能體系統(tǒng)來說，安全必須內(nèi)建在 framework（框架）里，對(duì)吧？框架和 harness 的作用，就是把它約束住、裝進(jìn)邊界里。

多智能體系統(tǒng)在架構(gòu)上有很多不同形態(tài)，比如生成子 agent、做多 agent 協(xié)調(diào)等等。對(duì)這類系統(tǒng)來說，安全必須體現(xiàn)在協(xié)議層，也就是說要在 protocol layer 上強(qiáng)制執(zhí)行安全和安保要求，同時(shí)也要落實(shí)在真正運(yùn)行 agent 的框架內(nèi)部。安全必須在每一層都被考慮進(jìn)去。

這和我們?cè)?Web 世界里做的事情是一樣，對(duì)吧？比如操作系統(tǒng)里有一層約束，程序本身里有一層約束，網(wǎng)絡(luò)層和接口層也有約束。

很多時(shí)候，當(dāng)你全力追求創(chuàng)新、不斷試驗(yàn)、站在技術(shù)尖端的時(shí)候，安全和安保往往會(huì)變成最后才想起的事情。但這些問題必須被正視。所以，我們不僅要從網(wǎng)絡(luò)安全、應(yīng)用自身的安全和隱私問題出發(fā)去思考，也要考慮下游影響，比如對(duì)社會(huì)的影響、對(duì)環(huán)境的影響等等。

主持人： 我還想問你一個(gè)關(guān)于 LLM 的問題。大概一年前，你寫過：所謂 reasoning，并不是人類意義上的推理，而是一種“偽推理”；模型其實(shí)并不會(huì)真正推理。現(xiàn)在一年過去了，我們看到這類“推理能力”已經(jīng)顯著增強(qiáng)。你的看法變了嗎？

Matt： 對(duì)我來說，沒變。因?yàn)檫@仍然不是人類意義上的推理，對(duì)吧？當(dāng)我們說 next-token prediction（下一個(gè) token 預(yù)測(cè)）時(shí)，我們是在通過文本、通過人類給出的示例，去模仿人的推理方式。

但我們?nèi)祟惼綍r(shí)并不是以 token 或書面形式來推理的，對(duì)吧？我們是通過大腦來推理。所以我覺得很重要的一點(diǎn)是，要意識(shí)到：LLM 所展現(xiàn)出來的“推理”，并不等同于人類層面的推理能力。但這并不意味著 LLM 的這種推理沒用，對(duì)吧？它不需要和人腦推理完全同構(gòu)，問題在于：它對(duì)應(yīng)用有用嗎？當(dāng)然有。

它總是對(duì)的嗎？不是。那人類總是對(duì)的嗎？也不是。我覺得我們需要從這樣一個(gè)視角來看：把 LLM 或聊天機(jī)器人“人格化”，或者在潛意識(shí)里相信我們正在與一個(gè)活著的人對(duì)話，是有些危險(xiǎn)的。

主持人： 為什么？

Matt： 很多時(shí)候人們會(huì)深陷其中，甚至產(chǎn)生一種被它理解的幻覺，進(jìn)而被引導(dǎo)做出一些極端的行為。我們需要時(shí)刻提醒自己，和我們對(duì)話的，只是一個(gè)被精心調(diào)校過的統(tǒng)計(jì)學(xué)系統(tǒng)。它在進(jìn)行數(shù)據(jù)模式的匹配。有時(shí)，它只是在原封不動(dòng)地把我們自己的執(zhí)念和聲音反射（echo）回來。

主持人： 我想說的是，我非常喜歡你把 LLM 的推理比喻成“鸚鵡”的說法——它可以復(fù)述人的短語(yǔ)，甚至整句話，但并不真正理解自己在說什么。

Matt： 對(duì)。不過我要說明一下，“stochastic parrot（隨機(jī)鸚鵡）”這個(gè)類比并不是我最先提出來的。但確實(shí)，當(dāng)我們訓(xùn)練 LLM 時(shí)，本質(zhì)上就是在做模式匹配，對(duì)吧？而且通過微調(diào)和強(qiáng)化學(xué)習(xí)，我們其實(shí)是在有意地確保 LLM 能夠遵循意圖。

你給它塞進(jìn)去一堆上下文，同時(shí)也表達(dá)你的意圖，理想情況下，它會(huì)返回你所期待的那類結(jié)果。我覺得過去幾年里，我們?cè)跀?shù)據(jù)配比和模型訓(xùn)練方法上確實(shí)做得更好了，這也帶來了明顯更好的結(jié)果。

主持人： 大語(yǔ)言模型的局限性很明顯。你怎么看 Yann LeCun 現(xiàn)在在推進(jìn)的那個(gè)所謂“世界模型”？

Matt： Yann LeCun 有他的 JEPA 架構(gòu)，那是一種不同的理解方式，關(guān)于如何……不一定是順序式訓(xùn)練，而是……

我覺得這很好。對(duì)我來說，我對(duì) world model（世界模型）的興趣更多和機(jī)器人、具身智能有關(guān)。如果你認(rèn)同這樣一種觀點(diǎn)：要實(shí)現(xiàn) AGI、超級(jí)智能，或者無(wú)論你最終追求什么，就必須具備和人類似的全部要素——多感官輸入、對(duì)物理規(guī)律的理解等等——那么世界模型就說得通，對(duì)吧？

當(dāng)然，對(duì)“世界模型”到底是什么，也有不同看法。有人說它是視頻、圖像和文本；也有人說，不，你還得能夠在里面構(gòu)建三維空間。

主持人： 還得能接收實(shí)時(shí)指令。

Matt： 對(duì)。所以世界模型會(huì)有不同的路徑。假如你是做機(jī)器人的，你關(guān)心的是 action（動(dòng)作）。你關(guān)心的是：不僅要感知世界，還要預(yù)測(cè)結(jié)果，對(duì)吧？比如“我的機(jī)器人下一步要怎么抓這個(gè)物體？” 這意味著你觸發(fā)的是行動(dòng)，你關(guān)心實(shí)時(shí)感官輸入，也關(guān)心執(zhí)行器的驅(qū)動(dòng)能力等等。

所以它取決于你的出發(fā)點(diǎn)。“世界模型”在不同語(yǔ)境里意味著不同東西。甚至游戲玩法、游戲生成，或者“選擇你自己的冒險(xiǎn)”那種互動(dòng)電影，也都可能從世界模型中衍生出來。我非常好奇接下來會(huì)怎么發(fā)展。擴(kuò)散模型和 Transformer 目前還是主流架構(gòu)，除非你走的是 JEPA 這條路線。

主持人： 你提到了機(jī)器人。你這次也見了宇樹的創(chuàng)始人，以及中國(guó)其他一些機(jī)器人公司。你還暗示過，這個(gè)行業(yè)正在局部進(jìn)入泡沫期，只是你當(dāng)時(shí)沒有細(xì)說是哪種泡沫。你能不能展開講講你的觀察？

Matt： 對(duì)。全球范圍內(nèi)都有很多機(jī)器人公司，但中國(guó)尤其多。光是做人形機(jī)器人的公司，大概就有 150 家以上。大家都在爭(zhēng)奪一個(gè)目前還很小、但正在增長(zhǎng)的市場(chǎng)。

那些真正能夠解決機(jī)器人核心難題的公司——比如手部靈巧度問題——才會(huì)更有機(jī)會(huì)。自主性問題現(xiàn)在也還沒解決。現(xiàn)在很多機(jī)器人系統(tǒng)其實(shí)仍然是遠(yuǎn)程操控的，或者是高度編排好的、提前寫好程序的。所以 autonomy（自主性）還沒有真正被攻克，而很多人都在做這件事。

我看到的是，中國(guó)機(jī)器人創(chuàng)業(yè)公司在機(jī)械、物理、執(zhí)行器設(shè)計(jì)、以及把所有零部件整合起來這方面非常強(qiáng)。而美國(guó)機(jī)器人公司則更聚焦于“大腦”——也就是背后的 AI，以及支撐機(jī)器人的多模型系統(tǒng)。

確實(shí)有可能出現(xiàn)“太多了”、過度飽和的情況。這在任何行業(yè)里都會(huì)發(fā)生：當(dāng)大家一擁而入的時(shí)候，總會(huì)如此。但中國(guó)機(jī)器人公司這一塊，是北京明確優(yōu)先推動(dòng)的方向，所以他們對(duì)這個(gè)生態(tài)做了很多投資。就像任何市場(chǎng)一樣，最后一定會(huì)有贏家和輸家。接下來幾年，我們大概就會(huì)看到，誰(shuí)會(huì)真正脫穎而出，誰(shuí)又無(wú)法在頂級(jí)競(jìng)爭(zhēng)中繼續(xù)站穩(wěn)。

“‘我們自己能做得更好’這種幻覺，正在讓很多企業(yè)空手而歸”

主持人： 我很想聽聽你對(duì)這個(gè)問題的看法。你在企業(yè)技術(shù)領(lǐng)域干了很多年、很多個(gè)十年，現(xiàn)在又在這個(gè)前沿層面上和很多 AI 公司打交道。從你的觀察來看，企業(yè)在嘗試應(yīng)用 AI 時(shí)，最常犯的錯(cuò)誤是什么？無(wú)論是他們看待 AI 的方式，還是他們?cè)趹?zhàn)略上如何把 AI 引入工作流、尋找可落地的商業(yè)模式或內(nèi)部自動(dòng)化機(jī)會(huì)——你的看法是什么？

Matt： 我不覺得企業(yè)在“采用 AI”這件事上存在問題。我覺得真正的挑戰(zhàn)在于：如何在企業(yè)里“成功部署 AI”。而導(dǎo)致失敗結(jié)果的因素，其實(shí)有很多。

其中一個(gè)，就是那種“我知道我能把這個(gè)做得更好”的心態(tài)。于是企業(yè)不是去買現(xiàn)成方案，而是自己造；但問題在于，你并沒有相應(yīng)的人才儲(chǔ)備。于是你花了很多時(shí)間做實(shí)驗(yàn)，消耗了大量周期和資本，試圖做出某種“新東西”，可實(shí)際上，生態(tài)里可能早就已經(jīng)有了成熟的核心組件。

開源想做的一件事，就是提供這些基礎(chǔ)組件，讓組織可以站在它們之上繼續(xù)搭建，而不是從頭全部重造，對(duì)吧？現(xiàn)在大家都在跑，尤其在 agentic AI 這邊，有時(shí)候你會(huì)覺得“自己搭最有吸引力”，而不是去用一個(gè)已經(jīng)由合作伙伴構(gòu)建好的成熟框架。即便那個(gè)框架不是開源的，對(duì)方也可能提供專業(yè)服務(wù)，并幫助你走正確的路徑。

所以我覺得，企業(yè)應(yīng)該認(rèn)真看待合作伙伴。不要把這當(dāng)成一段必須獨(dú)自完成的旅程。當(dāng)然，會(huì)有很多顧問很樂意拿你的錢給你建議；但我最常看到的還是那種“我們能做得更好”或者“這我們自己也能做”的心態(tài)，最后結(jié)果卻達(dá)不到預(yù)期。

主持人： 你能舉一些具體行業(yè)或用例的例子嗎？哪些場(chǎng)景里你看到這種思路經(jīng)常失敗？

Matt： 可以。不點(diǎn)名任何具體機(jī)構(gòu)，幾年前最典型的就是聊天機(jī)器人，對(duì)吧？“我們?cè)趺丛谧约旱幕A(chǔ)設(shè)施上做一個(gè)更好的聊天機(jī)器人？”“哦，我們有數(shù)據(jù)，那就自己預(yù)訓(xùn)練一個(gè)模型吧。”——這就不是個(gè)好主意，對(duì)吧？

市面上已經(jīng)有很多優(yōu)秀的預(yù)訓(xùn)練模型。你完全可以從這些基礎(chǔ)模型出發(fā)，再自己做微調(diào)。但我們當(dāng)時(shí)看到很多企業(yè)直接去訓(xùn)練模型，而這通常都是個(gè)壞主意。如果你不是一家實(shí)驗(yàn)室，那就不要把重心放在那里。

我知道有很多組織試圖自己預(yù)訓(xùn)練模型，最后都不了了之，燒掉了大量資金，卻幾乎一無(wú)所獲。所以我的建議是：站在現(xiàn)有的積木之上繼續(xù)搭。現(xiàn)在開放生態(tài)里已經(jīng)有很多很棒的東西，我們當(dāng)然希望看到更多。我們希望看到更多真正開放、真正采用寬松許可證的模型。我覺得我們擁有一個(gè)充滿活力的項(xiàng)目生態(tài)非常重要——這些項(xiàng)目不僅幫助“開發(fā) AI”，也幫助“應(yīng)用 AI”。

主持人： 我知道的一個(gè)例子是 Revolut。他們發(fā)布了自己的模型，不過按他們的說法，那不算語(yǔ)言模型，而是更多基于他們內(nèi)部數(shù)字和數(shù)據(jù)訓(xùn)練出來、供內(nèi)部使用的模型。我猜，一方面可能是因?yàn)樗麄儺?dāng)時(shí)從現(xiàn)有項(xiàng)目里可選的不夠多，另一方面，大規(guī)模數(shù)據(jù)和隱私敏感性可能也確實(shí)會(huì)把他們推向這條路。我們拭目以待吧，這畢竟只是第一版，還得看會(huì)不會(huì)有第二版。

除了“我們內(nèi)部做得更好、而不是用現(xiàn)成模型”這一類問題之外，現(xiàn)在企業(yè)在管理層面或業(yè)務(wù)層面，做 AI 時(shí)還有哪些常見錯(cuò)誤？

Matt： 另一個(gè)關(guān)鍵點(diǎn)，是要識(shí)別“低垂果實(shí)”（low-hanging fruit）。當(dāng)你在看可探索的用例時(shí)，不要一開始就伸手去夠最高那層架子上的東西，不要上來就挑最復(fù)雜、風(fēng)險(xiǎn)最高的用例。

你一定要對(duì)用例做風(fēng)險(xiǎn)評(píng)估。要確保你選擇的是那些既可實(shí)現(xiàn)、又能真正帶來優(yōu)化與自動(dòng)化收益的用例。如果它不能，那你做出來的東西就只是一個(gè)“看，我們也能做”的演示品，卻沒有給組織帶來任何實(shí)實(shí)在在的回報(bào)，那這件事顯然就不值得做，對(duì)吧？

你要確保自己是在做那些可以落地的用例，而不是花 6 到 12 個(gè)月造一個(gè)東西，最后卻一無(wú)所獲。當(dāng)然，風(fēng)險(xiǎn)評(píng)估也很重要，因?yàn)楹芏嗳硕紝?duì)這樣一種前景感到興奮——

其實(shí)昨天還聊到一個(gè)話題：你會(huì)愿意讓一個(gè) agent 代你投資多少錢？我覺得隨著時(shí)間推移、隨著它們變得更可靠，人們會(huì)越來越愿意讓它們替自己投資。但現(xiàn)在，大家的態(tài)度還是：“我可不想讓 agent 碰我的錢。”

我們已經(jīng)看到過一些聊天機(jī)器人或客服 agent，本不該退款卻退了款，或者被 jailbreak 之后做出錯(cuò)誤行為。所以，還是要回到安全、安保和隱私這些基本問題上：你必須有非常強(qiáng)的安全姿態(tài)，必須設(shè)置牢靠的 guardrails。因?yàn)槟憧隙ú幌Ｍl(fā)生數(shù)據(jù)外泄，或者個(gè)人信息泄露這類事情。

很多這類系統(tǒng)，必須通過代碼以確定性的方式去構(gòu)建，而不是每次都依賴模型去正確執(zhí)行你的意圖。

主持人： 對(duì)，我剛意識(shí)到，單靠 prompt 里的那些 guardrails 可能并不是最好的做法，對(duì)吧？也許應(yīng)該在用戶和 LLM 之間硬編碼一層“感應(yīng)器”或攔截器，專門處理各種邊緣情況。

Matt： 對(duì)。

主持人： 說到 agentic AI，現(xiàn)實(shí)里你有沒有看到過什么成功案例，是自主 agent 在日常工作中完全替代人類的？

Matt： 我會(huì)說，大家對(duì)“自治”在 agent 里的含義其實(shí)理解并不一致。我見過最極端的一種說法，是把 agent 想象成某種完全主權(quán)化、漂浮在以太中的存在，自己跑出去把事情都做了。

但說到底，你希望 agent 真正做到的，還是它定義上的那件事：代表你工作，幫你達(dá)成某種結(jié)果。

我現(xiàn)在看到能量最集中、關(guān)注最多的，大概有兩個(gè)方向。第一個(gè)是基礎(chǔ)積木。我還是會(huì)回到“積木”這個(gè)概念：有這些開源的基礎(chǔ)組件，你可以在上面繼續(xù)搭，無(wú)論是像 MCP 這樣的協(xié)議，還是某種通用型 harness，或者其他可以用來構(gòu)建 agent 的組件。再比如 skills，把這些東西組合起來，做出真正有用的系統(tǒng)。

我覺得現(xiàn)在很多人都在聚焦這一層：做協(xié)議、做標(biāo)準(zhǔn)、做規(guī)范、做框架，以及各種可復(fù)用的 skill 組件。

第二個(gè)方向是落地應(yīng)用。不過現(xiàn)在這些都還很實(shí)驗(yàn)性。在采用層面，真正最有價(jià)值的，還是那些更簡(jiǎn)單的用例，對(duì)吧？所以你得穿透很多噪音。總有人說自己靠一個(gè)金融 agent 一夜賺了一萬(wàn)億美元，或者“我把團(tuán)隊(duì)都裁掉了，現(xiàn)在我有 50 個(gè) agent”。

主持人： 對(duì)，“我現(xiàn)在沒有員工了，我是 one-person company。我原來有 500 個(gè)員工，全裁了，現(xiàn)在只剩 12 個(gè) agent。”

Matt： 對(duì)，這種話你必須學(xué)會(huì)過濾。你得現(xiàn)實(shí)一點(diǎn)。很多人對(duì)“一個(gè)人開公司，把自己徹底解放出來”這種前景充滿想象，這當(dāng)然很好。AI 讓一些人能做以前做不到的事情，也能自動(dòng)化他們大量日常工作。

但我們普遍并沒有看到一個(gè) agent 獨(dú)立完成整個(gè)工作流。通常是：這個(gè)步驟用一個(gè) agent，那個(gè)步驟用一個(gè) agent，再另一個(gè)步驟用另一個(gè) agent。

比如報(bào)稅。如果你不想自己翻收據(jù)、做匯總，你可以把收據(jù)掃描，或者把 PDF 丟給一個(gè) agent，讓它幫你做表格、算總額、把材料整理好，然后你再去核驗(yàn)，最后提交報(bào)稅。

所以，現(xiàn)實(shí)里有很多細(xì)膩、具體的用例。但有一件事始終重要：你必須驗(yàn)證。尤其如果你在做應(yīng)用，你一定要 benchmark（做基準(zhǔn)評(píng)估）。很多時(shí)候你還得自己設(shè)計(jì) benchmark，因?yàn)槟惚仨毚_認(rèn)它在你的場(chǎng)景下確實(shí)有效。在你把東西上線、或者真正投產(chǎn)之前，確保你有正確的 benchmark，這非常重要。

主持人： 說到企業(yè)內(nèi)部的 AI 采用，對(duì)于不同規(guī)模的公司，最佳策略會(huì)是什么？應(yīng)該從哪里開始？今天如果有人在經(jīng)營(yíng)一家公司，做法會(huì)有很多種，對(duì)吧？有些老板會(huì)說“所有人必須用 AI”；還有的說“誰(shuí)不用 AI 我就不給獎(jiǎng)金”，甚至“誰(shuí)不用我就罰誰(shuí)”。從你的角度看，第一步、第二步、第三步，應(yīng)該怎么走？

Matt： 我覺得有一點(diǎn)非常重要，需要先認(rèn)識(shí)到：你并不一定非要直接和 AI 交互，才能獲得 AI 帶來的收益。AI 正在一點(diǎn)點(diǎn)進(jìn)入你所使用產(chǎn)品的功能之中，對(duì)吧？

所以，無(wú)論你是不是直接使用 GPT 或 Gemini，其實(shí)都不是唯一途徑。像 Adobe 這種策略就很好：把能力集成在幕后，在產(chǎn)品里加入更多生成式功能、更多 agentic功能，用這種方式提升企業(yè)生產(chǎn)力。這是一種很好的路徑。

因?yàn)閷?duì)采用者來說，這是“阻力最小”的方式。你不一定非得直接操作這項(xiàng)技術(shù)。

主持人： 比如在客服層面這樣做。

Matt： 對(duì)，正是如此。所以即使你是企業(yè)，也可以去跟你的供應(yīng)商、產(chǎn)品提供商溝通，說：“我們希望你把這個(gè)功能做進(jìn)去。” 讓他們替你構(gòu)建，這樣你就不必自己去補(bǔ)齊這部分能力了，對(duì)吧？因?yàn)槟惆堰@項(xiàng)功能開發(fā)外包給了你的第三方供應(yīng)商——也就是那些為你提供應(yīng)用軟件的人。

這是最輕量的一種方式，對(duì)吧？尤其是如果你并不是一家 AI-native 的組織，內(nèi)部也沒有足夠熟練的人才。

主持人： 所以就是：去找你的 vendor，讓他們把 AI 驅(qū)動(dòng)的功能做進(jìn)去。

Matt： 對(duì)。尤其如果你是一家 100 人公司、50 人公司，真的沒必要什么都自己造，對(duì)吧？你應(yīng)該更多借助你的 vendor。

如果你是更大的組織，我總是會(huì)說：去找顧問。不要假設(shè)自己第一天就能把所有東西都學(xué)明白。

如果你是硅谷創(chuàng)業(yè)公司，那你大概率會(huì)更傾向自己做。但如果你的業(yè)務(wù)目標(biāo)不是做 AI 本身，也不是做 agentic-first 公司，那你還是應(yīng)該更多利用外面現(xiàn)成的工具。

這也是為什么開源如此重要，對(duì)吧？能夠接觸到這么多工具、這么多組件，用來構(gòu)建你的產(chǎn)品、服務(wù)，或者增強(qiáng)你內(nèi)部系統(tǒng)。

如果我們講的是企業(yè)，要和大量遺留系統(tǒng)、后臺(tái)系統(tǒng)打交道，要利用自己的數(shù)據(jù)，那現(xiàn)在已經(jīng)有很多工具，能把原本屬于經(jīng)典 SQL 世界的數(shù)據(jù)接到語(yǔ)言模型里。

現(xiàn)在市面上真的已經(jīng)有很多很好的產(chǎn)品了。很多當(dāng)然是商業(yè)產(chǎn)品，但關(guān)鍵還是：你必須先明確自己的用例是什么，對(duì)吧？我不會(huì)建議你在還沒明確問題之前，就先去找解決方案。

說到底，還是回到第一性原理：對(duì)你的組織來說，最重要的用例是什么？你能通過自動(dòng)化實(shí)現(xiàn)哪些最大化優(yōu)化？你會(huì)通過哪些方式實(shí)現(xiàn)成本節(jié)省？諸如此類。你必須非常聚焦于自己真正要解決的問題。

主持人： 但如果你讓 vendor 幫你做這些事，那你的競(jìng)爭(zhēng)對(duì)手也都能拿到同樣的能力。那你就沒有優(yōu)勢(shì)了。

Matt： 當(dāng)然。這就要區(qū)分“差異化”和“生產(chǎn)力提升”了。內(nèi)部生產(chǎn)力是一回事。有時(shí)把那個(gè)功能外包給供應(yīng)商并不明智。但在差異化因素上，這才是你應(yīng)該投資的地方，對(duì)吧？如果你要讓自己和競(jìng)爭(zhēng)對(duì)手區(qū)分開來——如果你的唯一優(yōu)勢(shì)只是理賠處理得更快，如果你是在保險(xiǎn)行業(yè)，那算不上真正的護(hù)城河，對(duì)吧？這確實(shí)能讓你跑得更快，提供更好的客戶服務(wù)，但終究還是要找出這些差異化因素，并看看 AI 是否是個(gè)好的解決方案。

AI 并不總是萬(wàn)能藥，對(duì)吧？生成式模型也不見得能搞定所有事情。我記得很清楚，大模型剛出來那會(huì)兒，大家都說：“防欺詐檢測(cè)，我得用大模型。” 根本不用，你手頭明明有非常好用、也更精準(zhǔn)和穩(wěn)定的經(jīng)典機(jī)器學(xué)習(xí)模型，完全能搞定識(shí)別網(wǎng)絡(luò)里的違規(guī)設(shè)備或者欺詐交易，而且準(zhǔn)確度更高。

所以你沒必要僅僅因?yàn)樗钚隆⒆畛保头且岩磺卸寂驳酱竽Ｐ蜕稀?/p>

主持人： 是的。而對(duì)于差異化，你應(yīng)該自己投資去建；而對(duì)于內(nèi)部?jī)?yōu)化，你最好去用現(xiàn)成的供應(yīng)商，我非常贊同。因?yàn)閮?nèi)部?jī)?yōu)化的上限是高度受限的。

Matt： 是的。在那個(gè)領(lǐng)域里，去創(chuàng)新和自己建更合理，或者至少找個(gè)能幫你在那個(gè)空間創(chuàng)新的供應(yīng)商合作。

因?yàn)樗腥私K究都會(huì)做內(nèi)部?jī)?yōu)化，如果你把所有錢都花在這上面，可能并沒有產(chǎn)生真正的差異化優(yōu)勢(shì)。

主持人： 你提到了 AI 原生公司。如果企業(yè)不是 AI 原生公司，可能就不應(yīng)該硬做。但企業(yè)能不能自己做一個(gè) AI 實(shí)驗(yàn)室，或者分拆一個(gè)項(xiàng)目出來？什么是真正的“AI 原生”？

Matt： 如果你是一家已經(jīng)很成熟的公司，想變成 AI-first，大致有兩種路徑。

一種是把 AI 能力嵌入組織內(nèi)部。也就是說，在每個(gè)團(tuán)隊(duì)里都配備一個(gè)非常懂 AI 的人，不管是應(yīng)用開發(fā)層，還是技術(shù)棧更底層。

另一種，是建立一支專門團(tuán)隊(duì)，去和公司各個(gè)部門協(xié)作，幫助他們上手、受訓(xùn)、并在不同程度上應(yīng)用 AI。

因?yàn)槲覀儸F(xiàn)在談的是企業(yè)、創(chuàng)業(yè)公司，以及各種各樣不同的組織。它們對(duì) AI 的需求不同，內(nèi)部構(gòu)建能力的條件也不同。

如果你是創(chuàng)業(yè)公司，那 AI-first 絕對(duì)是正確方向。你想在這個(gè)領(lǐng)域競(jìng)爭(zhēng)，如果你不用 AI，就會(huì)被甩在后面。

但如果你經(jīng)營(yíng)的是物流，比如航運(yùn)物流，那 AI 的應(yīng)用空間很多。也許最合理的做法，是建立一個(gè)小團(tuán)隊(duì)，專門去研究這些用例：我們需要構(gòu)建哪些工具？哪些可以采購(gòu)？哪些能幫助解決特定問題并實(shí)現(xiàn)優(yōu)化？

低垂果實(shí)其實(shí)很多，比如客服聊天機(jī)器人。再往復(fù)雜一點(diǎn)，比如一些創(chuàng)業(yè)公司開始嘗試替代呼叫中心。

主持人： 說到客服。現(xiàn)在有了 MCP 之后，你的 agent，或者像 Claude 這樣的開放式系統(tǒng)，已經(jīng)可以原生地通過 MCP 替你執(zhí)行某些動(dòng)作了。那問題就變成：如果你的 agent 可以直接連到商家的 agent，代替你和對(duì)方溝通，那你還真的需要客服團(tuán)隊(duì)嗎？或者說，未來兩三四年內(nèi)，我們還真的需要網(wǎng)站、需要自己去訂機(jī)票和酒店嗎？如果你只要對(duì)自己選擇的 LLM 提供商說一句“幫我訂張票”就行，那這一切還需要嗎？

Matt： 對(duì)。我覺得每個(gè)人都希望擁有這樣一個(gè)私人 agent：它能代表你行動(dòng)，了解你的偏好，能主動(dòng)替你做決定，理解你的意圖，并且在商業(yè)環(huán)境或其他系統(tǒng)中處理不確定性，以一種負(fù)責(zé)任的方式替你完成事情。

當(dāng)然，human in the loop 依然很重要。假設(shè)我告訴 agent：某款沙發(fā)降到某個(gè)價(jià)格以下時(shí)就替我買。這個(gè)用例很簡(jiǎn)單。但中間可能有一些細(xì)微之處，是人類能識(shí)別出來的：比如價(jià)格趨勢(shì)實(shí)際上還在繼續(xù)往下走，而且我從其他信息源知道它可能還會(huì)再降。那即便它已經(jīng)觸發(fā)了購(gòu)買閾值，我可能還是想再等等。

股票、加密貨幣這些也是一樣。有些事情，可能還是我們?nèi)祟愖约焊m合做判斷。

但如果說到購(gòu)買行為，我還是會(huì)回到那個(gè)問題：你到底愿意把多少信任交給你的 agent？不過我當(dāng)然會(huì)更愿意讓一個(gè) agent 去幫我買票、安排行程、確保一切都安排妥當(dāng)，并且以一種沒有意外、能體現(xiàn)我偏好的方式完成這一切。

所以我覺得，這就是未來幾年我們會(huì)前進(jìn)的方向。我認(rèn)為，我們會(huì)越來越多地看到這一點(diǎn)真正落地。現(xiàn)在已經(jīng)有一些不斷演化中的規(guī)范和標(biāo)準(zhǔn)出現(xiàn)了，它們會(huì)幫助構(gòu)建 agentic interfaces，推動(dòng)這一層標(biāo)準(zhǔn)化。

比如你的在線商店，不再只是一個(gè)給人類用的界面，讓你點(diǎn)來點(diǎn)去選商品；它也可能變成一個(gè)更偏文本驅(qū)動(dòng)、更適合 agent 交互的界面。

我們已經(jīng)看到很多這類趨勢(shì)。同時(shí)，我們也看到很多關(guān)于微支付、支付通道以及 agentic AI 配套系統(tǒng)的創(chuàng)新。

在 Agentic AI Foundation，我們從第一天開始就設(shè)立了七個(gè)不同的工作組，關(guān)注的內(nèi)容從監(jiān)管問題，到安全、隱私、可靠性、可觀測(cè)性——這些都是 agentic AI 必須解決的領(lǐng)域。

在這個(gè)過程中，我們會(huì)逐步看到一系列新標(biāo)準(zhǔn)、新規(guī)范、新方案和新想法涌現(xiàn)出來，由社區(qū)采納，幫助構(gòu)建一個(gè)非常強(qiáng)健的生態(tài)，構(gòu)建網(wǎng)絡(luò)，構(gòu)建這樣一個(gè)空間：讓我們能夠賦予 agent 一定程度的責(zé)任，讓它們真正代表我們?nèi)バ袆?dòng)。

我覺得大家都對(duì)這個(gè)想法非常興奮，尤其是在中國(guó)。比如 OPC（一人公司）那種“自己坐著不動(dòng)，所有 agent 都在外面幫我賺錢”的想象，當(dāng)然誰(shuí)都會(huì)很興奮。

那我們?cè)撛趺醋呦蜻@種經(jīng)濟(jì)形態(tài)，也就是不斷演化的智能體經(jīng)濟(jì)？現(xiàn)在已經(jīng)有一些關(guān)于自主主權(quán)智能體的設(shè)想，也有一些關(guān)于 agent 如何在區(qū)塊鏈上行動(dòng)、如何在傳統(tǒng)商業(yè)體系中行動(dòng)的設(shè)想。這一切都非常令人興奮，也帶來了很多創(chuàng)新機(jī)會(huì)。

我覺得這也是為什么我們會(huì)看到這么多高度聚焦 agent 的創(chuàng)業(yè)公司。誠(chéng)然，“agent”這個(gè)詞在很多場(chǎng)景里可能已經(jīng)被過度使用了，但我認(rèn)為，這里確實(shí)存在一個(gè)讓創(chuàng)新者解決真實(shí)問題的機(jī)會(huì)。

“現(xiàn)在開源社區(qū)里，你幾乎不得不使用 AI 去對(duì)抗 AI 帶來的海量垃圾”

主持人： 很有意思。回到你自己，回到 Linux Foundation。我不確定你現(xiàn)在是否還親自寫代碼，但至少你的工程師團(tuán)隊(duì)——他們可以使用 AI 嗎？可以用到什么程度？你們內(nèi)部是怎么治理這件事的？大家通常會(huì)把 AI 用在什么場(chǎng)景？

Matt： 我們?cè)?Linux Foundation 有很多很多項(xiàng)目。每一個(gè)項(xiàng)目對(duì)“如何使用 AI”都有自己的政策。但我會(huì)說，大多數(shù)項(xiàng)目都在使用 coding agents 來增強(qiáng)開發(fā)能力。

我本身也寫代碼，所以我最常用的工具也是 Claude Code，和很多人一樣。我很認(rèn)可它的實(shí)用性。它生成的代碼我能直接發(fā)版嗎？不能。我還是需要自己把各部分拼起來，跑單元測(cè)試之類的。但它在完成單元測(cè)試、以及生產(chǎn)化一個(gè)系統(tǒng)所需的各個(gè)環(huán)節(jié)方面，已經(jīng)越來越熟練了。

不同項(xiàng)目對(duì) AI 有不同政策。但可以肯定的是，在開源社區(qū)里，AI 的使用已經(jīng)非常廣泛了。很多以前根本不會(huì)寫代碼的人，現(xiàn)在也能通過對(duì)代碼庫(kù)跑一遍 AI，找一個(gè)可修可優(yōu)的點(diǎn)，然后提一個(gè) PR。這讓很多維護(hù)者不得不面對(duì)海量 PR，逐個(gè)查看、整理、篩選。

而在這個(gè)鏈條的另一端，我們又看到很多人開始用 AI 去審查這些 PR、合并修改、驗(yàn)證它們是否真的是可接受的 PR。所以我會(huì)說，現(xiàn)在幾乎所有人都在以某種程度使用 AI，因?yàn)槟銕缀醪坏貌皇褂?AI 去對(duì)抗 AI 帶來的效應(yīng)。這件事挺有意思的。

主持人： 我覺得工程團(tuán)隊(duì)現(xiàn)在確實(shí)有點(diǎn)頭疼：業(yè)務(wù)團(tuán)隊(duì)拿著用 Claude 搞出來的東西跑過來，說“看，我這邊都能跑，為什么你們做不到？” 我感覺某種共識(shí)正在形成：工程團(tuán)隊(duì)和業(yè)務(wù)團(tuán)隊(duì)之間的距離其實(shí)在縮短。因?yàn)闃I(yè)務(wù)團(tuán)隊(duì)現(xiàn)在確實(shí)可以通過 vibe-code 做出 MVP、做出產(chǎn)品原型，對(duì)業(yè)務(wù)邏輯進(jìn)行快速試驗(yàn)、調(diào)整和迭代；而工程團(tuán)隊(duì)則可以從中獲益，因?yàn)樗麄兡苤苯涌吹綐I(yè)務(wù)邏輯被實(shí)現(xiàn)出來，哪怕那段代碼本身未必真的能拿來用。

Matt： 對(duì)。軟件開發(fā)生命周期正在被壓縮。現(xiàn)在從需求走到 POC 更容易了。但能生成代碼，并不意味著代碼就是優(yōu)化過的；也不意味著它是安全的。所以開發(fā)者仍然有很多工作要做。

主持人： 對(duì)，你還得做生產(chǎn)級(jí)擴(kuò)展、安全性、這些所有東西。如果你只是剛開始用 Claude Code，大概率還做不到這些。

最后一個(gè)問題：如果你今天是創(chuàng)始人，手上有 100 萬(wàn)美元，你現(xiàn)在會(huì)投什么？在這個(gè)領(lǐng)域里，你現(xiàn)在最會(huì)專注做什么？

Matt： 這是個(gè)非常開放的問題，因?yàn)槊總€(gè)人都得先想清楚，自己要如何在市場(chǎng)上形成差異化，對(duì)吧？

主持人： 那你覺得機(jī)會(huì)在哪兒？從細(xì)分賽道、行業(yè)或者“低垂果實(shí)”的角度看，你會(huì)怎么看？

Matt： 因?yàn)槲乙恢笔菑拈_源視角看問題，所以我打從心眼里更偏好那些解決實(shí)際問題的通用系統(tǒng)。我非常看好 agents。它們現(xiàn)在還不擅長(zhǎng)處理長(zhǎng)時(shí)程任務(wù)，而且多智能體系統(tǒng)、安全、安保方面還有很多問題需要解決。

我希望看到、但現(xiàn)在還沒看到足夠多的，是那些聚焦于 agentic system 的安全與隱私的公司。市面上當(dāng)然有一些創(chuàng)業(yè)公司在做，但更多是針對(duì)某些特定場(chǎng)景，而不是通用型應(yīng)用。

我看到有一些團(tuán)隊(duì)在金融這類強(qiáng)監(jiān)管行業(yè)里，為特定系統(tǒng)構(gòu)建腳手架和 guardrails。但更一般化的問題是：我們?nèi)绾伟堰@套東西推廣到更通用的場(chǎng)景？我們能不能像在確定性系統(tǒng)里那樣，構(gòu)建通用型的安全與安保系統(tǒng)？我們?cè)撊绾伟堰@件事應(yīng)用到隨機(jī)性空間里？

我很希望看到有人往這個(gè)方向努力，尤其是在提升可靠性方面。在 agentic AI 里，LLM 的失敗模式是會(huì)被繼承下來的，對(duì)吧？幻覺，會(huì)被 agent 繼承。

當(dāng)然，借助 agent，我們可以增加更多確定性層，把 harness 里的上下文收得更緊，讓系統(tǒng)更聚焦。但與此同時(shí)，你不可能僅靠模型解決一切。你必須采取一種“構(gòu)建系統(tǒng)”的方法，對(duì)吧？你要做的是一個(gè)系統(tǒng)，而不是把全部精力都?jí)涸谀Ｐ捅旧砩稀?/p>

我認(rèn)為，這正是我們放大當(dāng)今 LLM 能力的方式：不是單盯著模型，而是在模型周圍構(gòu)建系統(tǒng)。

AI 不該只停留在概念和 Demo，更要真正走進(jìn)業(yè)務(wù)現(xiàn)場(chǎng)。

7 月 17-18 日，2026 奇點(diǎn)智能產(chǎn)品大會(huì)將在北京金隅喜來登酒店舉辦。大會(huì)圍繞 Agent 智能體、企業(yè)級(jí) AI、AI Coding、具身智能、行業(yè)應(yīng)用落地等核心方向，邀請(qǐng)一線產(chǎn)業(yè)實(shí)踐者，共同拆解 AI 產(chǎn)品從想法到落地、從試點(diǎn)到規(guī)模化的關(guān)鍵路徑。

掃碼領(lǐng)取 AI 實(shí)戰(zhàn)落地資料包，搶先了解大會(huì)亮點(diǎn)，與 1000+ 產(chǎn)業(yè)決策者相聚現(xiàn)場(chǎng)，共赴智能奇點(diǎn)。