姚顺宇这期4小时的访谈，非常的丰富，内容很多，也有很多很深刻的洞见和观点值得记录和思考。如果要我给他一些形容词 ，我会写的是：聪明，实在，克制，靠谱，谦逊，"可爱"。这期对话里当然有很多高密度信息：pre-train 还没到头，coding 为什么先爆发，机器人为什么还远没到 GPT 时刻，长视野（long horizon）为什么重要，物理训练又如何塑造了他今天看 AI 的方式。如果要我提炼成一句话，那大概是：今天的 AI，越来越不像一个靠天才灵光一现取胜的行业，而越来越像一个靠系统、组织、反馈和责任心推进的行业。访谈视频(来自张小珺商业访谈录):《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》
PART 01
AI 不是不需要聪明，而是更需要“靠谱”访谈一开头，姚顺宇就抛出了一个很刺激的判断：现在大家都是“冲浪的人”，本质上重要的是“浪”，而不是冲浪的人。接着他又说，AI 这个行业最重要的特质，不是多天才，而是“靠谱、做事细、对自己做的事情负责任”。我觉得这句话之所以刺耳，是因为它刚好反着今天很多人理解 AI 的方式。我们太习惯于追逐“某个天才研究员”“某个神级产品经理”“某家公司出了一个天命之子”，好像一切都要靠英雄叙事来解释。但姚顺宇反复强调的恰恰相反：个人英雄主义的时代，在大模型这件事上，已经过去了。而我觉得，“靠谱”这个词放到今天的人机交互里，还有一个很具体的含义：好的 AI 协作，不是把所有控制权都交给 AI，而是让 AI 帮你更快地产生候选方案、推进任务、补足执行力，但最终你必须知道它替你做了什么。如果一个人只是把任务全盘托管给 AI，自己既不理解过程，也不能解释结果，那这不是高效，而是不靠谱。这点在他给候选人出的那道面试题里体现得特别明显。他并不执着于考察“你代码是不是纯手写的”，反而更看重一件事：你能不能在有限时间里有效利用 AI，把一个项目真正做出来；更重要的是，做完之后，你能不能说清楚模型、数据、算法、资源选择分别为什么这么配，能不能解释 AI 帮你完成了哪些部分。如果你只是把活儿扔给 AI，最后自己对产物没有更深的理解，那在他那里，恰恰会被视作一种危险信号。这跟我自己的感受很一致。今天模型能力整体越来越接近，很多 benchmark 上的一两个点差异，未必是稳定信号，可能只是噪音。真正把差距拉开的，往往不是谁先喊出一句漂亮口号，而是谁能把问题定义清楚，谁能把数据、算力、反馈、eval、工程细节和组织协同真正做扎实。换句话说，AI 发展到今天，拼的越来越不是“谁最会想”，而是“谁最不糊弄”。
为什么 coding 先爆发？因为它是少数“反馈清晰”的 AI 原生场景。coding 之所以爆发，不是偶然，而是因为它太适合被训练了。姚顺宇提到，coding 这个场景有两个巨大优势。第一，它的 reward signal 非常清晰：输入、输出、测试、能否跑通，很多反馈都是良好定义的。第二，coding 数据天然质量高，代码本身就是结构化、可验证、可复用的数据。而好的产品其实很难直接用 AI 训练，因为现实世界里的反馈往往是混沌的，回馈信号不明确。所以今天看 AI 应用，不能只看热度，更要看一个场景是否具备三件事：
他身上的物理气质，不是知识点，而是看待黑盒的方式姚顺宇说，AI 和物理不一样。物理很多时候受制于实验条件，你没有那个能标下的数据，就无法理解那个理论；但 AI 不一样，很多实验你是可以做的，理解不够并不会阻止它继续发展。这也是为什么他会觉得，AI 这个方向“本质上是简单的”。更妙的是他把今天的大模型，类比成热力学早期阶段：人们当时并不真正理解热的微观机制，但这不妨碍热力学定律发挥作用；今天我们也未必真正理解语言模型内部每个矩阵在干什么，但这不妨碍 scaling law 继续有效。这也让我重新理解了“黑盒”这件事。黑盒当然存在，但黑盒不是一个绝望判断。关键不在于你能不能一步到位看穿全部机制，而在于你能不能在某个尺度上建立稳定的经验规律、定义好的实验和可迭代的框架。也就是说，真正成熟的人，不会因为“还没完全懂”就停下，也不会因为“现在能跑通”就自我神化。
夜雨聆风