AI 的下一个战场,不是「更聪明」,而是「更懂你」!红杉资本对谈顶尖研究者:未来每个人都该有一个只属于自己的模型

编者按：本文整理自红杉资本播客《Training Data》对 Engram 两位联合创始人——丹·比德曼（Dan Biderman）和杰西·林（Jessy Lin）的深度对谈。这场对谈里，他们把一个看似玄乎、实则关乎每个人的问题讲透了：当 AI 已经足够聪明，下一步到底该往哪走？

先抛一个反直觉的判断。

今天的 AI，已经聪明得吓人了——它几乎无所不知、会写 Python、能解奥数题。那它的下一个瓶颈，是变得「更聪明」吗？

两位顶尖 AI 研究者的答案是：不是。

「让这些模型变得更有用的瓶颈，已经不是『原始智能』了——而是理解新的、不断变化的『上下文』。」

说人话就是：AI 已经够聪明了，但它不够「懂你」。 它不知道你公司是怎么运转的、不知道你团队的规矩、不知道你这个项目的来龙去脉。而这，恰恰是它最值钱、也最欠缺的能力。

说这话的，是 Engram 的两位创始人。他们正在做一件听起来很科幻的事——让 AI 像人一样，拥有真正的「记忆」，甚至像人一样「做梦」。 这场对谈里，他们抛出的判断一个比一个有意思：

「未来，每个人都会有一个只属于自己的模型。」 它和别人的不一样，和那些通用大模型也不一样。

「我们想造一个像『梦』一样的 AI。」 这听起来像疯话，但背后的科学逻辑，让人脊背发凉。

他们说，把「懂你」这件事训进模型，能让 token 消耗直接降到百分之一。

这篇文章，我把这两位研究者最硬核、也最有想象力的判断，一条条扒给你。

/01/ AI 已经够聪明了，缺的是「懂你」

对谈一开始，主持人就抛出了 Engram 官网上一句很挑衅的话：「我们不用『预训练』或『后训练』的眼光看世界。我们的模型，永远在学习。」这是什么意思？

林给了一个颠覆常识的回答。

「今天的模型，显然知道很多东西，聪明得不可思议。但我们认为，让它们变得更有用的瓶颈，已经不是『原始智能』了——而是理解新的、不断变化的『上下文』。」

什么叫「上下文」？就是那些只属于你、写不进任何教科书的东西：你正在做的一个新任务、你那份工作的特殊背景、你公司内部的运作方式……

这就引出了 Engram 想解决的核心问题。比德曼打了一个特别精妙的比方：

「对一个人来说，记笔记、贴便利贴，是很有价值的，我们永远不该丢掉。但第二天我们回去工作时，我们脑子里总有某种『记忆的痕迹』——一种关于『事情该怎么做』『该往哪看』的新直觉。这两样东西，应该结合起来。」

而现在 AI 的问题在哪？「现在的解决方案，更多是『外部记忆』。」 就是把信息一股脑塞进一个数据库、或者塞进对话框（上下文窗口），用的时候再去翻、去搜。

比德曼说这有两个大问题：「第一，很快，我们每个人每天产生的信息，就会达到千万级 token。光是把它存起来、搜索、重读，就会非常昂贵——而且对模型来说也非常混乱、非常困惑。」

说白了，这两位研究者点破了一个所有人都没太想明白的事：我们一直以为 AI 的尽头是「越来越聪明」，但真正卡住它的，是它记不住、也读不懂「专属于你的那些事」。 一个能解奥数题的 AI，可能连「你们公司开会爱用什么风格」都搞不清——而后者，才是它真正帮到你的关键。

/02/ AI 应该像「老员工」，而不是像「数据库」

那 Engram 到底想怎么解决这个问题？比德曼描述了一个让人眼前一亮的目标。

他们在和 Notion、微软、Harvey（一家 AI 法律公司）这些产品合作——这些地方，都是人们长期、大量工作的空间，沉淀了海量的上下文：写过的文档、和 AI 的对话、给过的反馈……

而 Engram 想做的，是让 AI 真正「理解」这些上下文，而不只是「读一遍」。

比德曼给了一个绝佳的对比：「不是在用的时候临时读一遍文件，而是像一个『在你公司干了好几年的老员工』那样，真正理解它。」

一个老员工懂什么？「哦，这些是公司当前的几个重点项目；这是我们做事的方式；我研究过怎么跑招聘流程……然后，我能干得和公司里任何人一样好。」

这就是「老员工」和「临时工」的区别：临时工每次都要现翻手册（外部记忆、读文件）；而老员工，那些东西已经长在他脑子里了（内化进模型）。

那技术上怎么做到？两位创始人坦诚地讲了——他们用一种叫「适配器微调」（adapter fine-tuning）的方法，把这些「专属知识」，真正训练进模型的「权重」里（你可以理解为，真正写进 AI 的「大脑」，而不是让它拿张小抄）。

而这么做的好处，大到惊人。

/03/ 为什么能省 100 倍的 token？

这是整场对谈里，最有商业冲击力的一个判断。

主持人问：用了你们的方法，前后最大的区别是什么？是不是不用再发送那么多「上下文」给模型了？

比德曼的回答，给出了一个让所有烧 token 的公司都会心动的数字。

他先解释了逻辑：「你不用再去研究、再去重读各种东西，也不用写那些『巨无霸』级别的系统提示词（system prompt）。」 光是这一项，就能带来「两个数量级」的 token 消耗削减。

「不是 50% 那种级别——是能少用 100 倍的 token。」

为什么能差这么多？比德曼点破了关键：「因为很多东西——尤其是和『人、团队、组织、优先级』有关的东西——你根本没法在一份文档里找到，除非你把一切都严格地、事无巨细地记录下来。」

而这些「只可意会」的东西，恰恰是 AI 可以通过训练「隐性地学会」的。

他给了一个震撼的对比：「模型可以在 100 个 token 之内回答的问题，最顶尖的前沿模型，可能要消耗 10 万个 token 才能做到。」

100 个 token vs 10 万个 token。

说白了，这两位研究者揭示了一个反直觉的效率真相：当你把「懂你」这件事，真正训练进 AI 的「大脑」，而不是每次都让它现场读一大堆资料——它不仅答得更好，成本还能降到原来的百分之一。 这就像一个老员工和一个临时工的区别：你不用每次都给老员工讲一遍公司的全部背景，他张口就来；而临时工，你得把整摞手册甩给他，他还不一定看明白。

/04/ 他们想造一个会「做梦」的 AI

如果说前面还是「商业逻辑」，那接下来这一段，就进入了这场对谈最有想象力、也最让人着迷的部分——AI 的「梦」。

比德曼说了一句听起来像疯话的话：「我们想造一个像我们的『梦』一样的 AI。」

他自己都笑了：「这听起来有点像疯子干的事，梦里也没什么逻辑连贯性。」 但他接下来的解释，让这件事变得无比深刻：

「梦里到底发生了什么？我们看见各种东西，我们和自己对话，我们在『实验』——实验我们在这个世界里、在各种社交情境中，能做什么、不能做什么。」

这跟 AI 有什么关系？「所以对我们正在造的东西也一样：我们给模型一段时间，让它从『真实的互动』里抽身出来，去『实验』它的能力——它在一个环境里能做什么？它知道什么？它能多快处理那些极端、罕见的情况？——就像我们晚上做梦时，演练的那些事一样。」

这背后，其实是神经科学的一个深刻洞察：人类睡觉、做梦，不是在「休息」，而是大脑在「重新整理和巩固」白天的记忆。 Engram 想给 AI 的，正是这样一个「睡眠/做梦」的过程——让它在不直接干活的时候，回放、消化、内化白天学到的东西，第二天变得更强。

林补充了一个同样关键的点——这其实是从顶尖 AI 实验室「偷师」来的。她举例：假如 OpenAI 要在一周后赢一场奥数比赛，他们会怎么做？「是去编一本所有数学教材的目录、让人标注该读哪些章节吗？不，他们会去合成训练数据、启动一个训练任务，五六天后看结果。」

「任何训练过模型的人都清楚，有一种『更高级』的方式去整合知识和能力——而它，靠的正是『训练』这种魔法。」 Engram 想做的，就是把这种原本只属于顶尖实验室、用在数学和代码上的「魔法」，带给更多普通人和普通公司。

/05/ 人脑记忆是「有损」的，而这恰恰是智能的精髓

对谈中有一段特别有哲学深度的讨论，关于「记忆」到底是什么。

主持人问了一个尖锐的问题：大模型把海量的「事实」硬背进脑子里（比如「法国首都是巴黎」），这到底是优点还是缺点？有一派观点认为，这是坏事——我们更希望模型抽象地理解「国家」和「首都」这两个概念，而不是死记硬背一堆事实。

林的回答，颠覆了很多人对「记忆」的理解。

她指出，真正缺的不是「记不记」，而是「判断什么值得记」。 她举了个例子：很多学术测试，考的是模型能不能记住「某个非洲国家某座桥的长度」这种事——「但这不是你希望模型为之耗费『脑容量』的东西，也不是我们人类会为之耗费脑容量的东西。」

然后是那句精髓：「如果你看人类的记忆，它是『有损的』（lossy）。因为智能的一部分，恰恰就是『压缩』重要的东西，把它和不重要的东西分开。」

这句话值得每个人品味。我们总以为「记得越多越好」「记得越准越好」，但林指出——人脑会「遗忘」、会「模糊」，这不是缺陷，而是智能的核心功能。 一个把所有细节都完美记住、分不清主次的大脑，反而不智能。真正的智能，是知道什么该牢牢记住，什么该果断忘掉。

比德曼从神经科学的角度补充了这一点，讲得更透：「如果你想存一整个代码库，你用电脑就行了，甚至不需要 AI，它能毫无损耗地存下一切。但人脑，是在『信息容量有限』的约束下进化出来的——它形成的是那种『模糊的表征』，然后这些模糊的东西，反而能被抽象、能形成新的连接、能指导你第二天的行动。」

这两位研究者点破了一个反直觉的真相：计算机的「完美记忆」和人脑的「有损记忆」，是两种完全不同的东西。 计算机能一字不差地存下一切，但那只是「存储」；而人脑会遗忘、会模糊、会抓重点——正是这种「不完美」，才催生了真正的理解、联想和创造。 Engram 想给 AI 的，不是更大的硬盘，而是这种更像人脑的、「会抓重点」的记忆能力。

/06/ 为什么是「每人一个模型」，而不是「一个超级大模型」？

这一段，是 Engram 和当下主流 AI 叙事最根本的分歧。

主持人问了一个尖锐的问题：为什么这件事不该由那些「前沿大模型实验室」来做？你们两个怎么在巨头的夹缝里生存？

林给出了一个清晰的「世界观对立」：「我们的世界观，和前沿实验室不太一样。他们想要的，是一个越来越大、越来越聪明、能搞定各种领域的『单一模型』。而我们想象的，是一个『每个人都有自己的模型』的世界。」

为什么「每人一个模型」更合理？她给了两个让人信服的理由：

第一，很多东西是『私有的』。 「人们想学的很多东西，要么是私密的——永远不会出现在某个后训练数据集里；要么甚至是『冲突的』——我想做这件事的方式，和另一家公司、另一个人想做的方式，是不一样的。」

第二，真实世界是『模糊的』。 传统机器学习靠的是「干净的标注、明确的对错信号」。「但现实世界里发生的很多事，是非常模糊的，你很难说清『什么才算好』。」 而这些模糊的、因人而异的东西，恰恰是通用大模型最难搞定的。

比德曼把这个分歧讲得更直白。他指出，前沿实验室的「头号优先级」（P0）是冲向 AGI——造一个在代码和数学上超强的通用模型，然后用它去自动化整个经济。「那是大部分钱和人才的去向。」 记忆和持续学习，在那些巨头眼里，目前更多还是个「产品功能」。

「但我们认为，它值得拥有自己的、专门的关注。我们认为，这个领域需要发生『突破』。」 他还提到，就在大约一个月前的红杉活动上，DeepMind 的哈萨比斯（Demis）也明确说过：我们需要在这些课题上取得新的突破。

说白了，Engram 押的是一个和巨头完全不同的方向：当所有人都在造「一个无所不能的上帝模型」时，他们相信未来是「千千万万个懂你的小模型」——每个人、每个团队，都有一个真正了解自己、为自己量身定制的 AI。 这不是要和巨头硬碰硬，而是看到了通用大模型照顾不到的那片广阔天地。

写在最后

把 Engram 这场对谈听完，你会发现，两位创始人其实在回答一个我们这个时代最关键、却最少被认真讨论的问题：当 AI 已经足够聪明，接下来到底该往哪走？

主流的答案是「继续变大、变聪明，冲向 AGI」。而 Engram 给出的，是一个被很多人忽略的方向：让 AI 从「无所不知的陌生人」，变成「真正懂你的伙伴」。

这两条路的差别，远比看上去要深刻。前一条路追求的是「通用智能」——一个模型，服务所有人；后一条路追求的是「个性化智能」——千千万万个模型，每一个都只懂一个人或一个团队。

比德曼用了一个神经科学的比喻来收尾：在大脑里，「记忆」和「导航」用的是同一套神经回路——那些标记空间地标的细胞，也负责管理你的情景记忆。在他看来，Engram 想做的，就是成为每个人通往自己数据的那个「神经接口」——不是把你的文件原封不动地存下来，而是存下那个文件在你脑子里形成的「大脑状态」。

在这里，我尤其想把「人脑记忆是有损的，而这恰恰是优点」这个判断单独拎出来。在一个所有人都在追求「更大存储、更强算力、记住更多」的时代，这两位研究者反过来告诉我们：真正的智能，不在于「记住一切」，而在于「知道什么该忘」。 这不只是一个 AI 的技术判断，它几乎是一句人生箴言——我们每个人，不也是在信息爆炸里被淹没，以为「知道得越多越好」，却忘了智慧的本质，恰恰是从海量噪音里，抓住那几件真正重要的事吗？

也许这就是 Engram 这场对谈最珍贵的启示：AI 的未来，可能不在于把它造得越来越像一台「完美的计算机」，而在于把它造得越来越像一个「会抓重点、会遗忘、会做梦」的——人。 而当 AI 真正学会「懂你」的那一天，它带来的改变，可能比「又聪明了 10%」要深远得多。

至于那个「每人一个模型」的未来，一个真正了解你、记得你、为你量身定制的 AI，它到底会不会来，没人能打包票。但有一件事是确定的：当一个东西开始真正「懂你」的时候，你就再也回不去那个「对它来说只是个陌生人」的世界了。