姚顺宇：AI 没有英雄，只有把简单事做干净的人

在硅谷 AI 圈，“Yao Shunyu”这个名字容易让人混淆。

一个是姚顺雨，计算机背景，长期做 Agent 研究；另一个是姚顺宇，物理出身，从清华物理系到斯坦福理论高能物理，再从物理转向 AI，先后在 Anthropic 和 Google DeepMind 工作，参与过 Claude 3.7、Claude 4.5、Gemini 3 等关键模型相关工作。 这次张小珺对姚顺宇的长访谈，不是典型的天才科学家叙事。

姚顺宇说话很直接，但他对自己的贡献又异常克制。他一边会说，AI 个人英雄主义时代已经过去；另一边又反复强调，自己只是幸运地在一个关键时间进入了关键项目。

一、从物理到 AI：不是逃离学术，而是逃离没有反馈的世界

姚顺宇本科在清华学物理，后来去斯坦福做理论高能物理。按照传统意义上的履历，这是一条非常漂亮的学术路线。

但他对这段经历的评价并不浪漫。

他认为自己在博士阶段确实学到了很多，也成长很多，但如果问那些研究对世界产生了多大影响，他的答案很简洁：几乎没有。

这不是说理论物理不重要，而是他意识到，高能理论发展到某个阶段后，实验追不上理论，很多问题缺少足够客观的验证标准。一个领域如果缺少明确反馈，判断“谁做得好”就可能越来越依赖小圈子的主观评价。

这件事让他不舒服。

他后来给自己的方向重新设了一个标准： 要做有客观评价标准的事； 要做能对世界产生真实影响的事。

AI 对他的吸引力正在这里。

在他看来，AI 很像早期物理：理论和实验并没有完全分家。你有一个想法，可以马上做实验；实验失败了，可以继续改；一个训练结果、一个 benchmark、一个产品反馈，都会让研究者更快接近问题本身。

这也是他后来反复强调的一点：AI 不一定已经被真正理解，但它可以被不断试出来。

二、他怎么看“黑盒”：世界本来就是黑盒

很多人谈大模型，第一反应是“黑盒”。

姚顺宇的观点是：黑盒不是 AI 独有的问题。物理学在很多层面也是对黑盒行为的描述。我们未必知道最底层的微观动力学是什么，但这并不妨碍我们总结规律、做预测、推动工程。

他把 Scaling Law 看成一种经验规律。它未必已经是成熟科学定律，但经验规律和科学规律之间并不是截然分开的。历史上的热力学定律，在早期也是经验性的；后来人们逐渐理解微观机制，它们才变成更坚实的科学框架。

所以对他来说，大模型暂时不可完全解释，并不等于不可研究、不可推进。

相反，真正重要的是： 能不能找到足够稳定的反馈； 能不能设计可验证的实验； 能不能把系统里的细节处理干净。

这也解释了他为什么后来会进入大规模强化学习和 coding 训练方向。

三、加入 Anthropic：在 underdog 之地赌一把

姚顺宇加入 Anthropic 时，公司还没有今天这样的声量。

他进入的是 Horizon 团队，一个围绕大规模强化学习展开工作的团队。按照他的说法，团队当时的核心目标，是用大规模强化学习提升 coding 能力。

这段经历有几个关键词：

第一，coding。

在姚顺宇看来，coding 重要不只是因为程序员市场大，而是因为它是模型“使用工具并与环境交互”的一个好抽象。

代码任务有两个非常适合训练的特点： 反馈清晰； 数据充足。

代码能不能跑，bug 在哪里，结果是否正确，通常比很多开放式语言任务更容易被判断。这使得 coding 成为训练模型长期任务能力、工具使用能力和环境交互能力的理想场景。

第二，强化学习。

他加入 Anthropic 时，工业级语言模型训练对他来说并不是完全熟悉的领域。他知道 pre-train、post-train 的大致流程，但并不真正了解大模型公司内部如何训练前沿模型。于是他重新补课、做作业、自己手搓项目，最后进入了这个方向。

第三，组织速度。

姚顺宇对 Anthropic 的一个重要评价是：执行力非常强。

在他的观察里，Anthropic 是一个偏 top-down 的组织。一旦公司捕捉到某个信号，并判断这件事值得做，就会非常快地集中资源扑上去。Coding 就是这样的 bet。

他认为，这种机制成立有一个关键前提：技术决策人必须真的能服众，同时也要能在公司层面承担责任。换句话说，前沿 AI 公司不是简单地靠“聪明人很多”取胜，而是要靠技术判断、组织决策和执行力形成闭环。

四、Claude 3.7：不是个人英雄故事，而是集体工程

访谈中，主持人多次追问姚顺宇在 Claude 3.7 中做了什么。

他的回答很克制。

他说自己很幸运，在那个时间点加入了一个重要项目，做了一些事情。

这其实是他整场访谈里最重要的底层判断之一：今天的前沿 AI 模型，不再是单个天才的作品，而是巨大的集体工程。

他认为，在 Transformer 这种关键范式出现之前，确实可能存在个人英雄或小团队英雄。因为那时真正关键的是“找到那个技术”。但当范式进入 scale up 阶段后，事情就变了。

模型训练变成了一套复杂系统： 数据要处理； 环境要搭建； 基础设施要稳定； 算法要调； 训练过程要监控； 评估体系要设计； 产品反馈要吸收。

任何一个环节出问题，模型都可能无法达到预期。

所以在这个阶段，重要的不是某个人有没有一个漂亮 idea，而是整个团队能不能围绕同一个目标长期、稳定、细致地工作。

这也是姚顺宇为什么会反复说：AI 个人英雄主义时代已经过去了。

五、“技术 tips”没有想象中重要，系统理解才重要

很多人听这种访谈，最想听的是“内幕”：Anthropic 到底怎么训练 Claude？Gemini 到底用了什么技巧？有没有一个别人不知道的秘密方法？

姚顺宇对这类问题很警惕。

他的意思是，很多所谓技术 tips，看上去很诱人，但脱离具体基础设施和系统环境，其实没什么可迁移性。

同一个算法，在不同公司的训练架构下可能完全不是一回事。采样机器和训练机器是否同步，基础设施能否稳定支撑，数据如何流动，训练过程如何监控，这些都会改变算法选择。

所以他认为，现代 AI 训练是一个大系统。 你不能只问“某个技巧有没有用”。 你要问：这个技巧在什么系统条件下有用？为什么有用？它解决的是哪个瓶颈？它带来的副作用是什么？

这也是他所谓“把简单的事做干净”的含义。

不是追求炫技，而是把每个环节都理解清楚、处理稳定，让整个系统可靠地跑起来。

六、离开 Anthropic：不是否定，而是想学更多东西

姚顺宇后来从 Anthropic 离开，加入 Google DeepMind。

他在访谈里提到，离开的原因有几个层面。

一方面，他对 Anthropic CEO Dario Amodei 的一些涉华表态并不认同；另一方面，公司快速扩张后，文化也发生了变化。更重要的是，他自己想学更多不同的东西。

Anthropic 很专注，尤其适合学习语言模型、Agentic coding、工具使用等方向。但它也有很多不做的事情，比如多模态生成、更底层的大规模工程基础设施等。

而 Gemini 对他的吸引力，在于它有更大的研究自由、更广的技术版图，以及大量非常强的工程师和研究员。

他对这件事的判断是： 如果一个人想要的是明确 scope，想把自己的某个想法快速塞进模型，Google 未必是最好的地方； 但如果一个人想要的是探索自由、研究自由，以及向更广泛的人学习，Gemini 是非常强的地方。

这其实也是一个职业选择问题： 不要只看公司名气； 要先想清楚自己想要什么。

七、在 Gemini：ML coding 与 long horizon

加入 Google DeepMind 后，姚顺宇主要关注两个方向：ML coding 和 long horizon。

ML coding，可以理解为让 AI 更完整地参与 AI 研究流程。

不是只让模型写一段代码，而是让它能完成更长的闭环： 提出方案； 写代码； 跑实验； 看结果； 分析失败； 提出新假设； 再改代码； 继续实验。

姚顺宇认为，这条链条目前还没有完全闭合，但正在变得越来越完整。

Long horizon，则是长程任务能力。

他提出一个很有意思的说法：模型要能够“用有限上下文训练，但使用时像无限上下文”。

人类其实就是这样。人的即时记忆并不长，但人会选择性遗忘，也会在需要时检索重要信息。真正的长任务能力，不一定是把上下文窗口无限拉长，而是让模型学会管理信息：什么该忘，什么该保留，什么时候该检索，什么时候该调用工具。

这件事和 Agent、coding、AI research 都有关。

因为越是复杂任务，越不可能靠一次回答完成。模型必须能跨越更长时间、更复杂环境、更长链条，持续推进同一件事。

八、他怎么看 Google：OpenAI 某种意义上救了 Google

访谈中，姚顺宇对 Google 和 OpenAI 的关系也有很直接的判断。

他认为，OpenAI 某种意义上救了 Google。

原因是，OpenAI 先把聊天机器人做出来，让 Google 真正意识到搜索可能被威胁。但 OpenAI 又没有一口气把搜索彻底吃掉，这给了 Google 时间追赶。

在他看来，chatbot 当前形态不会完全替代搜索。 因为很多搜索需求非常简单，用户只是想快速找到一个结果，不需要长对话，也不需要模型慢慢生成答案。

这并不意味着聊天机器人不重要。它在复杂信息浓缩、追问、交互式任务上非常强。但它未必就是 AI 产品的终局形态。

所以他对“超级 App 争夺战”也持怀疑态度。现在大家争夺的，可能只是 chatbot 这个阶段性形态。如果未来出现新的交互方式，今天所谓超级 App 的很多功能，也许会变成新形态里的一个子集。

不要太早把阶段性形态当终局。

九、他怎么看 AI 安全：不要指望一家公司制定秩序

Anthropic 的创立与 AI 安全关系密切，但姚顺宇对“由一家前沿模型公司推动安全秩序”这件事并不乐观。

他认为，如果一家公司的逻辑是：我先做出世界上最强的模型，然后大家不得不听我的安全主张——这个想法过于天真。

因为现实更可能是： 不止一家机构会拥有强模型； 任何一家停下来，别人也会继续前进； 模型能力发展不是单个组织能阻止的。

他更倾向于认为，AI 安全最终可能需要多方制衡机制，而不是寄希望于某一家公司单方面制定规则。

这也是他整场访谈里很现实主义的一面： AI 发展不是某家公司推动世界前进，而是世界本身在推动所有人前进。

十、真正重要的特质：不是聪明，是靠谱

整场访谈最适合拿来做标题的观点，可能就是这一句：在今天的 AI 行业，真正重要的特质不是天才式聪明，而是靠谱。

姚顺宇认为，很多 AI 工作并不是高不可攀的智力题。真正难的是，你能不能把事情做细，能不能对自己的实验负责，能不能理解 AI 帮你做了什么，而不是把任务一股脑扔给 AI。

他设计过一道面试题：让候选人在 24 小时内从零到一完成一个强化学习项目。

在 AI 时代，这件事本身不再不可完成。AI 可以帮你写代码、搭框架、查资料、补实现。但真正的考点不是代码能不能跑，而是候选人有没有理解 AI 帮他做了什么。

如果一个人只是把任务交给 AI，最后自己讲不清楚系统如何运行、为什么这样设计、问题在哪里，那就说明他并没有真正和 AI 协作。

这其实是一个很重要的判断： 未来的工作能力，不是“会不会自己写所有代码”； 而是“能不能有效使用 AI，同时保持自己的判断力”。

结尾：AI 时代，也许更需要反神话

这场访谈最有价值的地方，不只是姚顺宇讲了 Anthropic、Gemini、Claude、coding 或 long horizon。

更重要的是，他提供了一种反神话的 AI 叙事：前沿 AI 是集体工程，是系统工程，是组织工程。

这可能是今天理解 AI 最重要的视角之一。

过去几年，我们习惯于用“天才”“创始人”“某个关键人物”来讲技术故事。但真正进入模型训练现场之后，你看到的也许不是英雄史诗，而是大量枯燥、细致、稳定、可验证的工作。

AI 时代当然需要想象力。 但它同样需要一种朴素的能力： 把简单的事做干净， 把复杂的系统跑稳定， 把每一个判断放回客观反馈里检验。

在姚顺宇看来，世界已经进入一个无法由单个英雄控制的 AI 时代。

而在这样的时代里，最值得信任的人，未必是最会讲宏大叙事的人。

而是那个真正靠谱的人。

本文根据《张小珺Jùn｜商业访谈录》第140期《对姚顺宇的4小时访谈：请允许我小疯一下！在Anthropic和Gemini训模型、技术预测、英雄主义已过去》及公开文字节选整理。