剛聽完小珺這期對姚順宇的訪談，信息密度直接拉滿。

這位從清華物理轉斯坦福高能物理、再從 Anthropic 跳到 Google DeepMind 的研究員，參與過 Claude 3.7 / 4.5 和 Gemini 3 系列開發。

他有一句話非常反常識：

AI 這個行業真的不太需要腦子，最重要的特質是靠譜。

這句話聽起來像凡爾賽，但他后面展開之后，你會發現背后其實是一套非常樸素的判斷：AI 行業已經從個人英雄主義，進入了系統工程時代。真正稀缺的不是聰明，而是把簡單事情做細、做穩、做可靠的能力。

這期把最硬的反常識觀點、行業內幕、模型真實差距，以及普通人能抄的實操，全拆一遍。

兩個姚順宇，以及一個物理半道出家的 AI 研究員

先說背景。

姚順宇本科是清華物理，后來去了斯坦福做理論高能物理和量子信息，短暫做過伯克利 postdoc，之后直接進入 Anthropic，今年 9 月底跳到 Gemini。

有意思的是，AI 圈里還有另一個姚順宇，也就是 OpenAI 系的姚順宇。兩人本科就認識，是好朋友，但路線完全不同。

他自嘲說：自己是半道出家，物理出身；另一個姚順宇是純 CS 科班。

但物理背景給他的最大幫助，不是某個具體工具，而是兩件事：系統性思考，以及刨根問底。

這在 AI 里反而成了稀缺品。

因為現在很多問題表面上是模型問題、訓練問題、工程問題，但底層往往是：你有沒有能力把一個復雜系統拆開，一層一層排查，到底哪里出了問題。

AI 本質上很簡單，不需要那么多“天才腦子”

姚順宇反復強調一個觀點：

AI 現在是簡單的。

這句話非常反常識。因為外界看 AI，總覺得這是最聰明的人才能玩的領域，數學、代碼、推理、強化學習、系統工程，每個詞都嚇人。

但他說，恰恰相反。

以前大家覺得最難的東西，比如寫代碼、數學、推理，反而是 AI 最容易干好的。原因很簡單：這些任務有清晰的 reward signal，也就是反饋信號。

代碼能不能跑，測試能不能過，數學答案對不對，推理有沒有撞上驗證集，這些都相對容易判斷。

反而是人最擅長的東西，比如產品判斷、復雜場景里的直覺、用戶到底想要什么，這些更難訓練。因為沒有一個標準答案，也沒有一個干凈的反饋信號。

所以他真正想說的不是“AI 沒有技術含量”，而是：AI 的核心難點，已經越來越不像傳統意義上的聰明題，而更像系統工程題。

個人英雄主義時代已經過去了。

他用了一個很形象的說法：

沖浪的人不重要，重要的是浪本身。

AI 這波浪在往前走，你沖不沖，它都會拍到岸上。真正重要的是，你能不能站在這波浪上，把自己組織成一個可靠的系統。

靠譜大于天才：硅谷最缺的不是聰明人

這期最值得記住的一句話是：

硅谷最缺的不是聰明人，是靠譜的人。

姚順宇說，AI 行業最重要的特質就是：做事細，對自己做的事負責任。

這點特別樸素，但也特別殘酷。

因為現在很多人會把 AI 當成一種外包能力：任務丟給模型，模型生成一堆東西，然后自己不看、不懂、不驗證，最后出了問題再怪模型。

但他真正看重的是另一種人：你可以用 AI，但你必須真正理解 AI 做了什么。你要知道它哪里可能錯，哪里需要驗證，哪些結論可以信，哪些地方必須自己把關。

他面試時會給候選人一個 24 小時的強化學習小項目。

這個項目不只是考你會不會寫代碼，而是看你怎么用 AI。你是把任務全扔給 AI，然后自己完全不理解；還是能利用 AI 提速，同時真正理解每一步，最后討論時能把問題、方案、取舍講清楚。

很多花里胡哨的技巧，最后都比不過一件事：

把簡單事做干凈。

這可能也是 AI 時代對工程師最殘酷的篩選。AI 會放大你的能力，也會放大你的不靠譜。

模型紙面打平，但真實體驗仍然不同

聊到模型差距，姚順宇的判斷很實在。

到 2026 年，Claude、OpenAI、Gemini 這三家的紙面 benchmark 很多都已經打到 80%+ 附近。很多差距其實主要是 noise，也就是噪聲。

但這不代表模型體驗完全一樣。

他認為真實使用里仍然有明顯差別。

Claude 仍然是 agent、tool use 和 coding 最強。

Codex 最近在純 coding 上追得很快。

Gemini 在純 reasoning 和日常使用上最好。

這些差異不只是能力本身，也和不同公司早期的意愿、產品方向、基礎設施和數據積累有關。比如 Claude 很早就更專注 coding 和 agent 場景，所以在這些方向上形成了更強的產品體感。

但現在真正難的，已經不是盯著 benchmark 多漲一點。

更難的是：

定義問題。

模型越來越強之后，問題不再是“它會不會做”，而是“你到底要它做什么”“怎么驗證它做對了”“怎么把它放進一個可靠系統里”。

OpenClaw / Manus 不是技術革命，而是可能性展示

聊到 OpenClaw 和 Manus 這類項目，姚順宇的判斷也很冷靜。

他說，業內其實沒那么驚訝。很多大模型 lab 內部早就做過類似 demo。

它們真正火的原因，不是展示了一個完全沒人見過的技術奇跡，而是讓更多人第一次意識到：

模型已經可以做 long-horizon 工作了。

也就是把很多模型、工具、上下文、任務步驟拼起來，連續完成一個長任務。

這件事的意義很大，但它不等于殼公司已經徹底脫離模型公司。

Manus 和 OpenClaw 最后都賣給了大模型公司，這說明現階段很多外層應用和 agent 殼，還逃不掉底層模型能力的掌心。

姚順宇判斷，這類公司想活下去大概有兩條路。

第一，逃得足夠快。Cursor 現在賭的就是這條路。

第二，市場足夠小，大公司懶得管。

這聽起來有點殘酷，但也很真實。AI 時代的應用層，如果沒有足夠強的速度、數據、工作流綁定或垂直場景優勢，很容易被模型公司向上吞掉。

預訓練 Scaling Law 遠沒到頭，很多“撞墻”其實是 bug

關于 Scaling Law 是否到頭，姚順宇的觀點很明確：

至少從他的親身感受看，預訓練能力還在持續變強。

過去幾個月，預訓練的能力仍然在往前走。未來 4 個月，他也沒看到明確到頭的跡象。

他特別提醒，很多人喊“到頭了”，其實可能有三種情況。

第一，規律適用范圍真的到頭了。

第二，數據或算力條件不滿足。

第三，也是最常見的：自己有 bug 沒發現。

這點很有意思，也很“物理”。

當實驗結果和預期不一致時，第一反應不應該是宣布世界規律失效，而是系統性排查每一種可能性。數據有沒有問題？訓練管線有沒有問題？評估有沒有問題？算力有沒有問題？實現有沒有 bug？

很多所謂的天花板，可能只是工程 bug 被誤認為自然規律。

這也是他一直強調“靠譜”和“系統性思考”的原因。

Coding 為什么爆得最快？因為它天生適合 AI

這一段特別適合所有程序員看。

姚順宇認為，coding 是 AI 能力爆發最快的方向之一，背后有兩個核心原因。

第一，代碼的 reward signal 極其清晰。輸入是什么，輸出是什么，測試能不能過，類型檢查能不能通過，程序能不能跑，這些都有明確反饋。

第二，GitHub 本身就是天然的高質量數據海洋。大量真實代碼、issue、PR、commit、文檔、測試，全都給模型提供了極好的學習材料。

所以從 Claude 3.5 New，也就是外界說的 3.6 開始，coding 能力一直高速發展。

他自己現在 90%+ 的代碼都由模型生成。人主要負責設計邏輯、review 接口、把關架構。

工作效率可以提升 20 到 50 倍。

但這里也有一個反直覺后果：效率變高以后，大腦反而成了瓶頸，工作時間甚至會變長。

因為你不再是在慢慢寫代碼，而是在持續做判斷、做設計、做 review、做系統把關。AI 把執行速度拉滿之后，人類真正累的是決策密度。

未來最大機會：Long Horizon 和有限 context 實現無限上下文

姚順宇最看好的兩個方向，一個是 ML Coding，一個是 Long Horizon。

ML Coding 的意思是，讓 AI 不只是幫你寫業務代碼，而是完整做研究流程：寫代碼、跑實驗、分析結果、提出新假設，再繼續下一輪實驗。

這相當于把 AI 從 coding assistant 推向 research assistant。

Long Horizon 則是更大的方向：讓模型能夠完成長時序任務。

這里最關鍵的問題是 context。

訓練時模型的 context 是有限的，但使用時要接近 infinite context。也就是說，模型要像人一樣，學會選擇性遺忘、檢索、壓縮和恢復關鍵信息，而不是把所有東西都塞進上下文窗口。

一旦這個能力實現，很多應用都會解鎖。

個人助手會真正變得長期有用，持續交互會變得自然，Agent 也能執行更長周期的任務。

姚順宇判斷，今年技術上一定能做到，現在拼的是哪條路線效率最高。

普通人真正能抄的，不是技巧，而是工作方式

這期聽下來，對普通人最有價值的建議其實很簡單。

如果你想進 AI 行業，不要只想著證明自己多聰明。靠譜比聰明重要。先把簡單事做干凈，把任務理解清楚，把輸出驗證清楚，對自己交付的東西負責。

如果你已經在用 AI 寫代碼，不要只改 spec，也不要把模型當成自動補全機器。你應該多花時間設計接口，建立統一語言，強制測試，做 TDD，讓模型在清晰反饋里工作。

如果你是未來程序員，也不用簡單焦慮“程序員會不會消失”。

姚順宇的判斷是，千分之一甚至萬分之一的人會活得非常好。這些人不一定是最會手寫代碼的人，而是懂大系統、能和 AI 高效協作、懂業務、能做架構判斷的人。

換句話說，未來程序員不是“寫代碼的人”，而是“讓一組 AI 和系統可靠產出的人”。

最大反常識總結

這期最反常識的地方，其實可以總結成三句話。

AI 不是越來越難，而是越來越簡單。

個人英雄主義已經過去，靠譜和系統性思考才是真正的護城河。

預訓練還沒到頭，很多 bug 只是被誤以為是天花板。

以前我們總怕 AI 搶飯碗，但這期聽完，我反而覺得 AI 正在把人從執行者升級成系統設計師。

真正稀缺的，從來不是寫代碼本身，而是知道要造什么、怎么造、怎么驗證、怎么讓整個系統可靠運轉。