引言：真正掀起浪潮的，从来不是某个人

2026 年的硅谷，比任何时候都更像一场加速重组中的棋局。

Meta 与 Microsoft 的反垄断拉锯终于落幕，xAI 最终并入 SpaceX，成为新的 “SpaceXAI”。资本、组织、算力、人才，整个行业都在经历重新洗牌。

但真正值得关注的，并不是这些表面的商业动作。

更深层的变化，发生在 AI 技术本身。

曾深度参与 Claude 3.7 开发、后来加入 Google DeepMind 主导 Gemini 3 研发的核心研究员姚顺宇，在一次长谈中说过一句非常有代表性的话：

“现在的 AI 行业，每个人都只是冲浪的人，而 AI 本身才是那道巨浪。”

这句话之所以重要，是因为它揭示了一个现实：

AI 行业正在从“天才驱动”，进入“系统驱动”。

很多人还沉浸在“某位大神灵光一现改变世界”的叙事里，但一线实验室里的真实情况，已经完全不同了。

这场变化，远比模型排行榜的更新更深刻。

一、AI 的“个人英雄主义时代”，已经结束了

过去，AI 世界最迷人的故事，往往来自几个天才研究员。

一个新架构、一篇论文、一个深夜里的灵感突破，就可能改变整个行业。

Transformer 就是最经典的例子。

但在姚顺宇看来，Transformer 很可能已经是 AI 历史上最后一次真正意义上的“英雄时刻”。

今天的大模型研发，更像是一场庞大工业体系之间的战争。

拼的已经不是谁更聪明，而是谁更稳定、谁更系统化、谁更能把复杂工程推进到底。

Anthropic 与 Google DeepMind 的风格差异，其实非常典型。

Anthropic 依然保留着浓厚的创业公司气质：

• 决策快
• 敢押注
• 鼓励高风险实验
• 更像一支“赌徒团队”

而 Google 的路线则完全不同：

• 强调工程体系
• 强调基础设施
• 强调流程稳定性
• 强调大规模协作

前者像特种部队。

后者像工业帝国。

但无论哪一种路径，都指向同一个结论：

AI 行业已经进入“大兵团时代”。

一个模型背后，往往是数千人的协同系统。

真正稀缺的能力，不再是“灵感”，而是：

• 稳定执行
• 持续推进
• 极低失误率
• 长周期协作

姚顺宇提到一句很有意思的话：

“现在这个行业里，最重要的品质是靠谱。”

听起来很朴素。

但这可能恰恰是 AI 行业最残酷的现实。

未来最顶级的人，不一定是最有天赋的人。

而是那个能在超级复杂系统里，长期保持高精度输出的人。

二、今天的 AI，更像 18 世纪的蒸汽机时代

很多人对 AI 最大的困惑是：

“我们根本不知道模型内部到底发生了什么，为什么它还能持续变强？”

姚顺宇用了一个非常精彩的类比：

今天的大模型研发，更像 18 世纪的热力学。

当年的人类其实并不理解热量的微观本质。

没人知道分子运动。

没人知道统计力学。

但这并不妨碍人类先把蒸汽机造出来。

工程实践，先于理论理解。

AI 也是一样。

我们并不真正理解 Transformer 内部每一个权重为何有效。

但我们已经知道：

• 参数扩大有效
• 数据增加有效
• 算力提升有效
• Scaling Law 大体成立

这意味着什么？

意味着 AI 当前其实是一门“唯象科学”。

你不需要彻底理解内部机制，也能持续推动系统进步。

这和现代数学体系完全不同。

它更像早期实验物理：

• 不断试错
• 不断修 Bug
• 不断观察经验规律
• 不断逼近真实答案

姚顺宇甚至提到了物理学中的“重整化群”思想：

一个系统在不同尺度下，看起来规律完全不同，但背后可能存在统一结构。

这其实非常像今天的大模型。

微观层面是混乱的。

宏观层面却呈现出惊人的稳定规律。

这也是为什么很多 AI 研究员越来越像“实验科学家”，而不是传统意义上的算法工程师。

三、Scaling Law 没失效，真正失效的是你的系统

过去一年，“预训练撞墙论”几乎每隔几个月就会出现一次。

但姚顺宇对此并不认同。

他认为，至少未来几年，预训练仍然有明显空间。

很多所谓的“Scaling Law 失效”，其实只是研究团队误判了问题来源。

真正的问题，通常来自三个层面。

1. 假设本身错了

比如：

• 参数与数据比例错误
• 学习率策略错误
• Token 分布错误

这些都会导致实验结果偏离预期。

2. 高质量数据开始稀缺

这其实是行业越来越真实的问题。

互联网数据已经被“吃”得差不多了。

未来竞争的核心之一，很可能会变成：

谁能构建更高质量的数据循环系统。

3. 最常见的问题：Bug

而且往往是极其隐蔽的 Bug。

在万亿参数训练中，一个微小实现错误，就可能导致：

• Loss 不下降
• 推理能力停滞
• 长链能力异常
• 对齐突然失效

很多时候，团队以为自己遇到了“物理极限”。

实际上，只是代码里藏着一个没人发现的问题。

姚顺宇有一句话非常值得玩味：

“当你觉得规律失效时，很多时候只是你还没找到那个 Bug。”

这其实也是今天 AI 工程最难的地方：

系统复杂度已经远超个人认知极限。

四、编程，是目前唯一真正成熟的 AI 原生场景

关于 AI 会先替代谁，行业里争论了很多年。

但真正发生变化最快的，其实是程序员。

姚顺宇透露：

如今他 90% 甚至 99% 的代码，已经由 AI 生成。

这个数字听起来夸张。

但放在今天的顶级实验室，其实已经越来越普遍。

原因很简单。

编程拥有天然适合 AI 的环境：

• 输入结构化
• 输出结构化
• 对错极其明确
• 可以自动验证
• 有海量历史数据

代码能运行，就是对。

代码报错，就是错。

这种明确的反馈机制，是 AI 最喜欢的土壤。

GitHub 数十年的代码积累，本质上给 AI 提供了一个巨大的“逻辑训练场”。

但真正有意思的地方在于：

程序员并没有因此消失。

反而变得更忙了。

因为 AI 大幅降低了“实现成本”。

于是：

• 想法变多了
• 实验速度变快了
• 产品迭代变密集了
• 工作密度暴涨了

过去一周验证一个 Idea。

现在一天能验证几十个。

程序员的核心工作，正在从“写代码”转向：

• 设计系统
• 判断方向
• 理解架构
• 审核逻辑

某种意义上，程序员越来越像“AI 指挥官”。

而产品经理反而没那么容易被替代。

因为“好产品”没有标准答案。

它依赖：

• 人类感知
• 社会关系
• 情绪理解
• 模糊判断
• 群体协作

这些东西，目前仍然很难形成真正闭环。

五、Chatbot 可能是最低效的 AI 交互方式

今天几乎所有 AI 产品，都围绕“聊天框”展开。

但姚顺宇认为：

这可能只是 AI 发展的一个过渡阶段。

甚至可以说，是一种非常低效的形态。

因为：

人与 AI 之间真正高效的协作，不应该靠反复输入 Prompt。

未来 AI 会向两个方向同时扩展，形成一个“T 型结构”。

横向扩张：进入真实世界

AI 不会只存在于聊天窗口。

它会进入：

• 操作系统
• 软件流程
• 企业系统
• 自动化工作流
• 机器人
• 智能设备

AI 会变成“环境的一部分”。

纵向扩张：长期自主任务

这才是真正关键的变化。

未来的 Agent，需要具备：

• 长时间执行能力
• 自主规划能力
• 自我修正能力
• 长链推理能力

比如：

独立完成一项持续数周的机器学习实验。

这已经不是“聊天”。

而是“数字员工”。

而要实现这一点，AI 必须学会一种关键能力：

选择性遗忘

这是很多人忽略的问题。

上下文无限增长，并不等于真正智能。

真正高效的智能，一定会主动丢弃无效信息。

就像人类的大脑一样。

未来最强的 Agent，不是记住所有东西。

而是知道：

• 什么该保留
• 什么该忽略
• 什么最重要

真正的下一代 AI 产品，可能根本不像今天的 Chatbot。

它更像一个：

能自主行动、持续执行、动态修正的智能系统。

结语：AI 正在把“人”重新放回系统里

这场 AI 革命，真正改变的，可能不是技术本身。

而是“人类在系统中的位置”。

过去的软件时代：

工具服务于人。

而现在：

人开始与 AI 协同工作。

甚至，人本身正在成为系统中的一个节点。

姚顺宇特别提到，中国实验室在“多智能体训练（Multi-agent Training）”上的快速推进，非常值得关注。

在算力不占优势的情况下，中国团队正在通过：

• 模型互评
• 模型蒸馏
• 智能协作
• 高效率训练

快速逼近全球第一梯队。

这意味着：

未来 AI 的竞争，未必只是算力竞争。

更可能是：

系统组织能力的竞争。

而更深层的问题是：

如果未来只需要极少数人，就能完成过去整个社会的大部分生产工作，人类最终会在这个系统中扮演什么角色？

也许现在还没人知道答案。

但有一点已经越来越明确：

AI 不再只是工具。

它正在成为“协作者”。

而我们，也已经无法离开这场巨浪。