6月5日，Anthropic公開呼吁前沿AI實驗室為“AI開始加速改進AI本身”的階段，提前準備一個協調、可驗證的減速機制。前不久，OpenAI也在公開討論遞歸自我改進（RSI）相關風險，并強調要更認真地研究安全與對齊。兩家頭部實驗室幾乎同時把“AI研究AI”推到臺前，也讓今天這期對談多了一層現實背景。

從Meta離職后，Meta基礎AI研究實驗室FAIR前研究總監田淵棟，曾一度成為硅谷多家AI公司和獵頭爭相接觸的對象。

但在短短半年后，他很快公布了新動向：加入了成立的AI研究公司Recursive Superintelligence，簡稱RSI。

這家由8位頂級AI研究員聯合創辦的新AI實驗室成立于2026年初，在經過約4個月的隱身開發后，于5月正式官宣亮相。近期，RSI宣布完成6.5億美元融資，目前估值已高達46.5億美元，成為全球最受矚目的新一代AI實驗室之一。

在當前AI競爭愈發激烈的背景下，RSI究竟想做什么樣的事情？為什么資本會如此看好他們？

在半年前我們跟田淵棟的對談中，他曾經提出了有一些非常出圈的結論，比如說“LLM是悲觀的未來”等等。如今半年過去了，面對日新月異的AI市場的格局，他又是如何看待當前的模型技術的趨勢與瓶頸呢？

在此次的訪談中，對于當前大公司加速“蒸餾”員工、普通人的職業位置越來越不穩定這一現實問題，田淵棟用了一個很形象的比喻：未來如果總想著在大廠之間跳來跳去，可能就像一條不斷跳出魚缸的魚，但水卻在越來越少。最終，你得變成一個“四維生物”，才能活下來。

那么在AI時代，我們該如何找到自己的意義，而不被時代推成一顆螺絲釘？

此次是硅谷101Neolabs特輯的第二期視頻播客。

（本文為視頻改寫，歡迎大家收看以下視頻）

01

從大廠到新實驗室

為什么選擇RSI

陳茜：非常感謝淵棟，歡迎來做客硅谷101。

田淵棟：非常感謝你們又過來，我們可以繼續下一輪的采訪。

陳茜：距離我們上次聊天已經過了半年的時間。當時你剛從Meta出來，你告訴我，已經有很多的團隊和公司在與你接洽。現在你正式官宣加入了RSI，能不能先談談，為什么最后選了這家公司？

田淵棟：實際上，在接受上一次采訪時，我基本已經做出了決定。確實是一個比較快的決定過程。在10月底到11月初那段時間里，我的手機消息幾乎處于“爆炸”狀態，很多信息都來不及一一回復。

最后之所以選擇RSI，首先是因為我想體驗下不一樣人生。因為我也是個小說家，我認為體驗人生本身就是非常重要的事情。另外一方面，我判斷大模型行業正在發生一種趨勢：團隊會變得更小，速度會更快，組織之間的摩擦會更少。“小而精”的團隊把事情做成，并逐漸演變為大趨勢。在這樣的背景下，繼續待在大公司里，可能并不再那么合適。事實上，我也親眼見過很多大團隊存在各種各樣的問題。

02

8位聯合創始人

為什么資本愿意買單

陳茜：我相信當時也不只是RSI這一個初創公司，或者是neolab來找你。Richard Socher也親自來找過你，那你為什么最終選擇了RSI？

田淵棟：主要有兩個原因。第一，RSI是剛剛組建的團隊，因此我當時和Richard、熊蔡明、Tim Shi、Tim Rockt?schel都聊過。我覺得，對于一個剛組建的團隊，機會本身就更大。第二，團隊里面有兩三個人我之前就認識，其中像Tim Rockt?schel還是我在Meta的同事，他之前也一直在做強化學習，所以彼此更熟悉。

當然，其他不少初創團隊也來找過我，但很多時候，他們給出的角色更像是head of AI或head of research，而不是聯合創始人。既然要創業，當然還是做co-founder更合適。

陳茜：RSI有8位聯合創始人，這一點非常少見。你們是怎樣的一個架構？

田淵棟：我覺得主要是因為每位聯合創始人的專業知識都不同，彼此之間是互補的。每個人都有自己的長處，也能欣賞別人的長處，而且大家都足夠聰明，所以8個人合作起來相對順暢。

陳茜：能不能跟我們介紹一下這8位聯合創始人分別負責什么？

田淵棟：當然可以。Richard Socher一直更偏CEO的角色。此前他在Meta創立了MetaMind，然后被Salesforce收購了；進入Salesforce后，他擔任了4年首席科學家。之后他又創辦了You.com，如今已經實現盈利。這次他再次回到創業狀態，成為RSI的CEO。

熊蔡明此前也與Richard一起在MetaMind工作，后來隨著公司被Salesforce收購，一起進入Salesforce。Richard離開后，熊蔡明在Salesforce Research擔任高級副總裁，并在那里工作了十多年。

另外，Tim Rockt?schel也是RSI的重要成員。我和他在Meta就是同事，后來他去了Google DeepMind，負責Project Genie 1、2、3以及agent Open-Endedness相關工作，這些方向與我們現在做的事情非常接近。他在Google的口碑一直很好，因此在我們融資過程中也起到了很大作用。

Jeff Clune長期專注于agent Open-Endedness方向，過去十年都在這一領域深耕，他最近發表的The AI Scientist-v2甚至已經被Nature收錄，學術影響力很強。

Josh Tobin早年是OpenAI的員工，后來自己創業，公司又被OpenAI收購，之后他回到OpenAI做agent科學主管，在工程和agent方向都有豐富經驗。

Alexey Dosovitskiy則是我很早以前就認識的人，我們當年都做強化學習，后來他去了Google，參與Vision Transformer相關工作，并成為一作；之后又去了一些AI for Science公司，現在也加入了RSI。

還有Tim Shi，他之前是Cresta的CTO，在那家公司工作多年，也把公司做得非常好，如今對“遞歸”這條路線很感興趣，因此辭去原有職位，加入RSI擔任聯合創始人。

陳茜：這么多頂級研究員和行業從業者聚在一起，彼此不會有分歧嗎？如果意見不同怎么辦？

田淵棟：我們整體上還是比較民主的。團隊里會有很多討論，也會有很多思想上的碰撞。最終大家通常會在一些想法和邏輯上達成一致，然后一起推進。目前為止，合作還是比較順利的。大家都是聰明人，和聰明人合作，通常更省心，彼此都希望把事情做好，把盤子做大。

陳茜：這輪融資規模也非常引人注目，6.5億美元融資，46.5億美元估值，而且是在沒有產品的前提下。為什么資本會愿意買單？

田淵棟：我認為最頂級的資本看重的還是人。AI領域變化太快，很難在一開始就把商業愿景和產品路徑講得非常清楚。今天說要做的事情，兩個月后就可能因為新的技術進展而變化，這時候團隊能不能快速反應、快速執行，就顯得極其重要。所以資本看重的，首先是對人的判斷，包括過去的履歷、能力，以及團隊成員之間的磨合與協作程度。融資額之所以能到這個規模，最核心的原因還是投資人認可我們過去的經歷，也認可我們對這一愿景的投入。

陳茜：你在其中主要負責什么？上次我們聊的時候，你說下一份工作想做工程和前沿研究結合的崗位。

田淵棟：其實我當時說那句話的時候，就已經知道自己大概會來這里了，但是我不能提前說。現在到了RSI，確實也是工程和前沿研究結合的工作。我和蔡明過去主要做modeling（建模），比起純研究，我們也會繼續做建模、后訓練等工作。同時在工程層面，我們也會做一些agentic harness（智能體控制）相關的事情。

03

遞歸自我改進

押注AI自動化科研

陳茜：接下來我們就聊聊RSI。RSI的全稱是Recursive Superintelligence。recursive，它的中文叫遞歸式，是一個非常關鍵的詞。能不能解釋一下，RSI主要想做什么？Recursive self improvement（遞歸自我改進）到底是什么意思？為什么你們認為它很關鍵？

田淵棟：recursive self improvement（遞歸自我改進）的意思是，用AI去優化AI自己的一些環節，讓AI變得更強，然后再在新的基礎上繼續向上迭代。具體來說，我們希望讓AI去做很多現在仍然需要人工完成的事情，比如科學家尋找新的想法、新的邏輯，或者在訓練過程中利用AI做強化、做新的發現。這些都屬于recursive（遞歸）的一部分。我們的最終愿景，是建立一個系統，把各種計算資源放進去之后，能夠輸出新的知識、新的見解和新的洞察力。RS網站上寫的是maximizing knowledge discovery rate（最大化知識發現速率），也就是最大化知識發現速率。通過這種方式，我們希望加快人類社會進步的速度，提高人類發現和理解新知識的能力。

陳茜：目前我們看到，OpenAI、Anthropic、Google等前沿大模型公司，主流做法還是依賴人類設計模型、收集數據、大規模訓練，再進行人工標注和對齊。你之前提到過，人類在這條路上可能是一個瓶頸。你們押注的是讓AI自動化研發過程，是這樣嗎？

田淵棟：是的。現在人類或者研究員在做研究、做AI發現時，絕大部分時間其實都受到自身生理條件的限制。人需要吃飯、睡覺、休息，不可能100%的時間都投入到研究里。所以，如果AI至少能代替一些繁瑣、繁重、重復性的工作，這一定是可行的，也是第一步。第二步則是，AI能不能在這些基礎勞動之上，進一步自動發現新的洞察和重要信息，從而加速整個AI和人類社會的發展進程。

陳茜：那AI系統學會的東西，究竟是真正能力上的提升，還是在某個評估指標上的過擬合？

田淵棟：我當然希望最終帶來的是能力上的提升。比如說，AI現在可能只能完成本科生能做的事情，我們希望它未來可以做到碩士生、博士生，甚至研究員層面的工作。至于benchmark（基準測試），它本質上只是實現目標的一種手段。刷榜、沖榜這些指標，本身還是比較表層的；真正拆解到具體步驟，每一步都可以對應某些metric（指標）。更重要的是，AI在更高層次上到底能不能完成真正有價值的任務。

陳茜：如果AI系統開始自主設計實驗、自主評估結果，人類還可以作為一個可靠的評判者嗎？你們怎么去解決evaluating the evaluator，也就是“評估者本身也需要被評估”這個遞歸難題呢？

田淵棟：至少在目前階段，AI還達不到人類的評估標準，所以短期內人類依然可以作為評判者，這沒有問題。另一個層面是，等AI強到一定程度后，很多評估標準會變得主觀，而不是絕對客觀。比如讓AI寫代碼，很多時候人類對于代碼結構、模塊劃分、設計方案的理解并不完全一致。這種情況下，所謂“正確答案”本身就未必存在，每個人的判斷都可能有道理。因此，未來的評估可能會從中間的benchmark（基準測試），逐漸轉向最終結果，也就是看人和AI結合后產出的東西，是否真正有用、是否令人滿意。

04

當AI開始研究AI

可解釋性為什么重要

陳茜：在這樣的情況下，可解釋性這件事情還重要嗎？

你之前也提到過，無論scaling最終成功還是失敗，可解釋性都是必須解決的問題。若模型成功了，我們需要確保超級智能不會作惡；若模型失敗了，我們也需要理解它為什么會在某些地方崩潰。

那在RSI這條路上，當AI可以自己修改代碼或權重，甚至可以自行設計一系列實驗時，可解釋性會不會變得更加困難？

田淵棟：我認為這件事非常重要，而且比過去更重要。首先，安全性是一個核心問題。我們在發布Recursive的時候，就非常注重做安全的超級智能。關于安全這部分，一個重要方案就是通過可解釋性來實現。因為如果我們對模型內部機制有理解，對它的運行方式有把握，就能大致判斷這個模型未來可能帶來什么樣的威脅和問題，所以這非常關鍵。

另外，可解釋性本身也提供了一個非常好的指標，幫助我們更快找到想要的結果。以recursive self improvement（遞歸自我改進）為例，它背后意味著大量算力投入。比如訓練一個模型，可能需要幾千塊卡、幾萬塊卡。如果我們對模型本身并不了解，往往只能等訓練結束之后，再去預測或評估這個模型到底好不好。這樣一來，速度就會很慢。

如果有可解釋性，我們是不是可以把評估前置？如果能在訓練過程中更早判斷模型的方向和表現，就有可能顯著提高運算效率。所以我認為，可解釋性在這個過程中扮演著非常重要的角色。

陳茜：你們的設想，是讓AI系統長期自主運行，去追求研究者定義的目標，同時產生出超出人類預想的新思路。但“超出人類預想”和“失去控制”之間的邊界在哪里？你們準備用什么機制來保證這條線不會被越過？

田淵棟：我覺得關鍵還是可解釋性。如果我們知道模型在探索過程中到底發現了什么，就可以讓人類去做評估；如果模型內部機制本身也能被審查，我們就能據此判斷它到底是越界了，還是只是發現了新的東西，并沒有越界。這一點非常重要。我們甚至還可以用另一個模型去驗證這個模型是否可靠，這些方法都是可行的。

所以，在這種越來越困難的問題上，我們希望模型既能找到一些人類做不到的事情，同時又是安全的。既然我們不能親自替模型去發現新東西，就必須理解模型是怎么想的、怎么推理的，以及它是不是產生了一些過于激進、已經超出我們預期的想法。要做到這一點，歸根結底還是需要可解釋性。

05

人類洞察力 vs. AI自主性

新的科研協作模式

陳茜：我記得你之前談到過自己用GPT-5的一些感受。當時你也說，模型確實能夠幫你做很多事情，但它仍然缺乏高層次的人類洞察力和專業知識，因此目前還是需要人類去引導。可RSI的路線和目標，恰恰是希望AI能夠自主提出實驗假設、自主驗證，也就是說，要把原本依賴人類洞察力的過程進一步自動化。你怎么理解這背后的矛盾？還是說，現在技術其實已經有了進展，也因此改變了你的想法？

田淵棟：可以這樣理解。正因為現在AI還做不到，所以我們才希望它未來能做到。這就是我們的邏輯。

陳茜：所以你們選擇的是一條更難的路線。

田淵棟：是的。正因為AI現在還做不到，這才意味著未來研究員還有很大的發揮空間。當然，我們也希望讓AI逐步具備這些能力，這一點非常重要。

但這件事本身并不是一個簡單的“做不到”和“做得到”的二元問題，它不是從0到1的絕對跨越，不像無人車那樣，必須做到百分之百正確，否則就會發生事故。

所以它其實有很多層次。也許今天AI只能寫代碼，明天它能讀論文，但還理解不了問題的本質；后天，它可能已經能理解一點點了，但仍然無法處理更復雜的問題。它是一層一層往上走的，所以中間有一條很深的階梯。

這座階梯我們能爬到什么程度，現在還不知道，但至少我們可以往上爬一步。每往上一步，都會帶來大量新的應用場景和新的可能方向。對研究員來說，當然是希望勇攀科學高峰，這本來就是一件很有吸引力的事情。

陳茜：如果說你們的最終目標是10，那么你覺得我們現在大概處在什么階段？

田淵棟：我覺得我們現在大概還在1到2、2到3這個階段。甚至可以說，我們現在可能還是0.5。因為這條階梯本身非常高，而且它到底能有多高，我們現在并不知道。

如果假設人類能力的邊界是10，那么我們現在可能只是在1到2的位置上。可一旦越過人類的邊界，后面也許還有100，只是那部分我們目前還不知道。

陳茜：就是要翻過那座山，才能看見后面的山有多高。

田淵棟：是的。而且到了那個時候，人類能力的邊界會往上走，因為我們會發現，AI的能力已經超過了過去人類的最優水平。

比如最近OpenAI就已經發現并證明了一些完全非平凡的定理。對以前的人類來說，這種事情是很難想象的。但現在你會發現，AI證明定理的新聞越來越頻繁，過去那些原本很難完成的定理，正在被不斷推進、不斷完成。我相信，未來這種情況還會繼續出現。

06

“語言不是思考本體”

Coconut與新推理路線

陳茜：你在Meta時，一個比較重要的工作方向就是Coconut（連續思維鏈）。這一方法的核心，是讓AI在連續的潛在空間中進行推理，也就是Latent reasoning（潛在空間推理）。我很好奇，Coconut（連續思維鏈）相關的研究在RSI里是否還會繼續推進？你如何看待當前的Chain of Thought(思維鏈）路線，以及你接下來的研究工作，會不會在這個方向上繼續往前推演？

田淵棟：我想這條路線應該還是會繼續做下去，這一點沒有問題。當然，具體細節上我們畢竟是一家公司，所以很多內容不方便講得太細。

但整體來說，如果我們有一套很好的machinery，也就是一套能夠支持自動化研究和自動化理解的系統，那么我們就可以繼續用這套系統推進研究。這樣一來，我們的研究會更像一個產品：我們可以把系統做得非常厲害，然后拿出很好的結果；這些結果既可以發表，也可以直接展示給大家。至于它是怎么做出來的，我們完全可以把其中的關鍵機制作為一個黑盒，作為公司的核心方法。

陳茜：明白。剛才我們也提到了Latent reasoning（潛在推理）。那你會認為，當前的Chain of Thought（思維鏈）路線是錯的嗎？

田淵棟：我不認為當前的Chain of Thought（思維鏈）路線是錯的。它很實用，大家也都在用，所以肯定不能說它有問題。但我一直覺得，人類在思考問題時，最終還是需要某種非語言的媒介。至少對我來說，真正思考時并不總是依賴語言。很多時候，思考過程里會有圖像成分，也會有一些說不清、道不明的思路；直到我在這個思路中發現一個問題，把它寫下來，轉化成語言。所以，語言更多時候是一種解釋工具，而不是思考本身，更不是訓練的全過程。

如果通過Latent reasoning（潛在推理）來進行思考，那么它在推理過程中的效率是要高于語言思維的。原因就在于，latent token能承載的信息量，往往比語言token更高。它可以同時保存幾種不同的思路，讓這些思路并行存在，最后從中選出一條正確路徑。但如果用語言去思考，就必須把每一條思路都人工寫出來。

陳茜：你覺得現在有哪些公司比較重視這個方向？

田淵棟：我聽說Anthropic的Mythos model采用的是Looped Transformer，不過我也不確定這個消息是否準確，這只是一個可能的路徑。之所以會有這樣的猜測，是因為大家看到Mythos在一些圖搜索問題上的表現，比之前的模型好很多，所以會懷疑它是不是使用了新的架構。當然，這種問題你去問Anthropic他們，是不會得到明確回答的。

07

頓悟與泛化

重新理解預訓練

陳茜：你之前其實有跟觀眾分享過AI模型頓悟的研究。能不能再展開講講？另外，最近在這個方向上有沒有研究上的新進展？

田淵棟：新的進展我就不展開說了，因為我們這邊也比較保密，不希望有新的結果一出來就馬上公開。

不過這項研究我們肯定還是在繼續做的。實際上，那篇文章發出來之后，我收到了不少來信，很多人都表示很感興趣，還有人告訴我，他們在此基礎上做了extension（拓展），希望我能幫忙看一看。其實我挺開心的，因為有很多人愿意和我一起討論這個問題。

我覺得“頓悟”本身是一個非常有意思的問題，它研究的是模型如何從記憶走向泛化的過程。而這個過程本身，某種程度上也許能夠幫助我們揭開整個神經網絡訓練機制的一部分秘密。那篇文章的核心邏輯是：在一些較為具體、結構化的數據輸入下，我們能夠非常清楚地觀察到模型從記憶轉向泛化的過程。這個過程甚至可以用一個相對清晰的數學形式來描述，比如能量函數。

在數據不足的時候，這個能量函數的最小值往往對應的是記憶解；但當數據量足夠大、達到一定程度之后，這個能量函數的結構就會突然轉向頓悟解，也就是泛化解。這個轉變過程，就是我們所說的“頓悟”。而且我們還可以進一步知道，到底需要多少數據，才能促成這樣的變化。

所以這其實是一個很有意思的過程。如果我們把它理解清楚了，或許就能更好地理解神經網絡的訓練機制，也能更有效地提升訓練效率。

陳茜：這個方向我理解還處在比較早期的階段。那我們現在大概知道需要多少數據，才能發生這種變化？

田淵棟：對，這篇文章整體還是比較偏理論的。按照我們當時的設定，如果總數據量是M平方量級，那么大概只需要Ml og M量級的數據，就有可能發生這種轉變。也就是說，它可能比線性增長稍微多一些，但和總數據量相比，仍然少很多。大致是這樣一個過程。

陳茜：你們的實驗室會從pre-training（預訓練）從頭開始做嗎？

田淵棟：我們都在嘗試。pre-training（預訓練）之所以是一個值得做的方向，是因為它本身的訓練過程相對比較平滑，loss curve（損失曲線）也比較穩定，所以其實是一個不錯的方向。

陳茜：所以你們什么都會自己做？

田淵棟：會有一些。至少目前我們還處在探索階段，所以不同方向都會嘗試。

08

商業化思考

RSI如何規劃研發路線

陳茜：在產品和商業化方面，你們有沒有一些思考？

田淵棟：有，我們現在已經有一些比較明確的想法了。首先，我們這個團隊本身就是一個非常務實的團隊，超過一半的人都曾經創業過，也都清楚怎么把事情真正落地，怎么把產品做好，怎么滿足用戶需求。

所以我們內部討論的時候，很多話題都很接地氣，關注的也都是很實際的問題：這個東西能不能用，那個東西能不能用，能不能產生商業價值。與此同時，self improvement（自我改進）這個方向本身也有很多事情可以做，很多東西可以實現。比如說，我們能不能訓練出一個模型，讓大模型推理變得更快，從而提升推理速度和推理效率？這當然是有可能的。再比如，我們找到一種新的訓練方案，這種recipe（訓練方案）是否能夠帶來更好的結果？這些都可以商業化。

另外，如果我們能把模型本身、尤其是人類在做研究時的思維方式建模得足夠好，那么它甚至可以被用來完成一些原本只有人類才能做、而且難度很高的研究工作，這同樣是可以商業化的。整體來看，這個方向目前還是比較開放的，還有很多事情可以做。

陳茜：你們現在一共是8個人，那在你們內部，是否已經形成了一個比較清晰、并且共識度很高的技術路線圖？

田淵棟：對，我們差不多已經有了一些。

陳茜：我之前看到有報告說，你們第一步是要訓練一個具備5萬名博士能力的系統，把AI科研本身自動化，然后計劃在今年年中左右推出一個Level 1的自主訓練系統。那這個Level 1的系統，具體會具備什么能力？能不能展開講講？

田淵棟：這個我就不評論了，因為太細的內容我們不方便公開。

陳茜：明白。那在Level 1 之后，后面肯定還會有Level 2、3、4，對吧？大概的迭代速度能不能透露一下？

田淵棟：我們現在的計劃是，在最初的一年到一年半里，把這個系統先扎實做好，深入推進。之后再想辦法讓它真正落地，找到更好的應用場景。大致就是這樣的節奏。

陳茜：我看到Socher之前在采訪里說，構建你們設想中的技術，可能需要好幾年的時間。那在你自己的判斷里，RSI從自動化科研，到真正的遞歸自我改進，再到超越人類能力，這幾個階段大概會在什么時間點實現？我們需要多長時間才能完成這件事？如果要實現這樣的突破，技術上有哪些關鍵的信號？

田淵棟：我覺得這件事還是要幾年的時間。不過現在確實是一個很好的切入點。因為在這個時間點上，大家已經開始形成共識：未來的研究、新知識的獲取和發現，肯定還是讓AI來做。因為人沒有足夠的時間和精力去看那么多文獻，也不具備AI那樣廣博的知識儲備和近乎無限的時間精力。AI則不同，它可以同時并行處理很多任務，所以這件事本來就是一個趨勢，沒什么疑問。

另外，這個時間點好的地方在于，大家現在其實都還不知道具體該怎么做，整個領域仍然處在探索階段。這樣的階段很適合開始一件事：大家都有興奮感，但方法還沒被完全想清楚。這樣的旅程會很長，可能要持續好幾年，才會慢慢看到結果，但我認為這件事最終一定會發生。

從技術上看，這條路線比較好的一點在于，它到每一個層次都具有應用價值，不像有些方向，要么全部做成，要么全部失敗。比如做新材料、核聚變或者超導解決方案，這類方向的賭注很大，往往要么100%成功，要么就沒有結果。但self improvement（自我改進）不是這樣，它每向前推進一步，都會帶來一些實際價值。所以整體來看，這條路徑是比較平緩、也更有確定性的，這也是我對它比較有信心的原因之一。

陳茜：這點其實很有意思，因為我也想問，為什么你們要把自動化AI科研作為第一步？畢竟相比一些更容易商業化的方向，比如ToB企業服務或者消費類產品，它的商業化難度會更高。那為什么你們會選擇它作為起點，而不是一個更容易產生收入的方向？

田淵棟：因為如果你想做一個更容易產生收入的方向，首先會面臨一個問題：你今天用來賺錢的那項技術，明天或者下個月會不會就被AI取代了？這其實是硅谷，或者說很多投資人非常大的一個顧慮。

當然，今天你可以組建團隊去做某個具體方向，比如語音陪伴、聊天助手，或者把某個垂直場景做得很好。但過去三年已經有很多案例證明，為某個特定任務做的模型，未來很可能會被更一般化的大模型取代，或者直接覆蓋掉。

所以在有這種顧慮之后，我覺得更應該把目標放得長遠一點。我們希望押注的是一個范式，也就是“自我進化”這個范式。只要這個范式不變，我們公司的立場就不會變。然后在這個范式之下，再去看有哪些好的應用、有哪些可以商業化的機會。我覺得這是一個更穩妥、也更長期的立足點。

09

為什么是現在

做RSI最好的時機

陳茜：我看到Socher之前在采訪中提到，希望未來能夠將RSI的應用范圍擴展到物理學、化學、臨床醫學、生物學等領域。在你們的愿景里，RSI未來具體會應用于哪些場景？你們最希望服務的用戶群體是誰？

田淵棟：RSI for Science（科學）當然是其中一個重要方向。

如果我們能夠對科學研究的過程本身建立起模型，理解人類是如何獲取知識、獲取信息的，如何得到新的假設、構建新的邏輯，又如何完成驗證，并最終產生有價值、非平凡的研究成果，那么這套能力就不僅僅能夠用于科研，而是能夠應用到很多領域。

像我們剛才說的AI for Science這樣的一些方向，這已經是一個非常大的市場。與此同時，如果我們能夠通過這種方式提高研究人員的效率，提高整個研究過程的自動化程度。例如，它可能幫助提升大模型訓練的效率，而這本身就是一種非常重要的商業化路徑。

陳茜：這個領域的競爭其實也在逐漸變得激烈。我們看到OpenAI、DeepMind都在布局相關方向。尤其是DeepMind，已經推出了AlphaFold、AlphaEvolve等項目，本質上也都屬于AI for Science或者AI自主科研。

田淵棟：對。

陳茜：剛才提到的AlphaEvolve，已經能夠利用大語言模型不斷變異和組合算法。那么它和你們所說的recursive self improvement（遞歸自我改進）之間，有什么根本性的區別？你們的差異化優勢又在哪里？

田淵棟：我覺得首先是大公司和小公司的區別。

大公司有大公司的押注方式，小公司也有小公司的押注方式。對于擁有數萬名員工的大公司來說，往往會同時布局很多研究方向，其中某一個項目可能只是眾多方向中的一個。因此，它也未必能夠獲得無限制的資源投入。

而且大公司研究人員的激勵機制、薪酬結構以及目標導向，本身也和創業公司有所不同。

對于我們來說，公司成立的使命就是做self-Improvement（自我改進）。如果確定了這條路線，那么我們會把所有資源、時間和精力集中在這一件事情上，把它真正做出來。從這個角度來說，小公司是更專注的。

另外，AlphaEvolve本質上仍然是在利用AI去優化某一個具體對象，例如一段代碼；而我們更希望讓AI去優化它自己，這兩者有一些區別。

陳茜：你剛才提到，現在是一個非常好的時間點來做這件事。為什么去年不是最好的時間點？為什么明年也不是，偏偏是今年？

田淵棟：因為去年這個時候，AI的Coding Agent（編程智能體）其實還沒有真正成熟。當時大家更多是在使用AI輔助編程工具，例如Cursor。那種工作模式本質上仍然是人寫代碼，AI負責審核、修改和重構。

但從去年年底開始，整個行業跨過了一個突變點。大家突然發現，讓AI直接完成任務，而由人來提供高層級的指令和思路，這種模式反而效率更高。這也是為什么今天的AI編程工具會變得如此易用、如此普及。

而在這個變化發生之后，軟件工程行業以及大型科技公司都需要時間去適應新的生產力工具。這個適應過程本身，恰恰給了創業公司機會。

大型公司往往需要一年甚至兩年的時間，去慢慢適應這個變化；而對于一家規模很小、成員能力很強的創業公司來說，大家聚在一起，很快就能夠想清楚、找到新的協作方式。

因此，在這樣一個窗口期里，小公司是有能力追趕大公司的。它意味著巨大的上升空間。但如果再過一年，情況可能就不一樣了。等所有人都已經完成適應之后，再進入這個領域創業，機會窗口可能就已經縮小了很多。

10

下一代AI實驗室

SSI、AMI Labs、Ineffable Intelligence

陳茜：你說的這個timing非常對，這也是為什么我們最近看到很多neolab出現，很多核心研究員從大公司出來，同時大量VC的資金開始涌向這些neolab。現在我們來看一下neolab的版圖，能不能跟我們分享一下你是怎么看的？

因為大家其實有很多派別，比如Ilya的SSI、Yann LeCun的AMI Labs、David Silver，還有Thinking Machines Lab。就拿這4家比較典型的公司來說，能不能分享一下你對他們的看法？可以先說Ilya。

田淵棟：Ilya的SSI應該說非常保密，我們現在都不知道他內部在做什么，所以也很難評價，希望他接下來會有很大的進展。他們之前的口號是要做Safe Superintelligence（安全的超級人工智能），但現在的進展怎么樣，我們并不清楚。

陳茜：你覺得他是不是也是要做模型？但他可能不會做像GPT、Gemini或Claude那么大規模的模型，因為他雖然融了很多錢，但可能還不足以支撐他完全做出一個新的模型。

田淵棟：這個不好說。如果發現了一些新的模型訓練機制，也許能夠極大提高訓練的速度和效率，這是有可能的。因為我一直覺得現在AI的訓練過程還不是很有效率，如果能在這方面有所發現，那就有很大的上升空間。

陳茜：所以他有可能是在研究一個新的范式。

田淵棟：有可能是這樣，但這也是我的猜測，這些猜測都是基于Ilya去年的一次訪談。

陳茜：對，他出來做了個播客，然后又沒聲音了。

田淵棟：很有意思的是，Ilya去年的那次訪談，跟我們之前和硅谷101一起做的訪談很像，有很多觀點是很接近的。比如做research taste（研究品味），再比如思考為什么模型會generalization（泛化）、memorization（記憶）這些問題其實都涉及到了。

陳茜：我很好奇，你們在跟VC聊的時候，他們對于這種很長期、也不發產品、純粹做研究、又不確定能不能研究出成果的事情，資金的容忍度有多高？包括你自己跟VC聊的時候，是什么感受？

田淵棟：我覺得VC很多時候還是投人，至少第一筆融資主要還是看這個人是不是靠譜、這個團隊是不是靠譜。之后如果還要繼續融資，當然希望團隊有進展，有一些讓人印象深刻的東西，才會獲得更多融資。我們團隊內部的進展還是比較順利的，應該說好于預期，所以我們還是很有信心的。

陳茜：這一輪融了這么多錢，你覺得runway（可運營時間）會有多久？

田淵棟：其實runway也就一兩年、兩三年的時間，因為大部分資金還是要投入到計算資源上。如果我們有比較充裕的資金，就會有更多的GPU和計算資源，去探索更多的事情，這是我們現在想做的。

陳茜：你怎么看世界模型？你覺得Yann LeCun的AMI Labs能走出來嗎？

田淵棟：Yann畢竟是我以前的老板。他探索的是一個完全不一樣的方向，也是一個之前的人探索程度不足的方向，比如世界模型，尤其是視頻和圖像上的世界模型，以及它怎么跟robotics（機器人）結合。這是很有意思的問題，可以做一些探討。不過對我來說，我已經很多年不做視覺了，現在基本上都在做language（語言），或者做一些symbolic（符號化）和neural（神經網絡）的結合，圖像這邊我可能不太熟悉。

陳茜：有批評說，覺得JEPA這些世界模型還是太早了，可能還要找到一些新的關鍵突破才行，你怎么看？

田淵棟：是有一些這樣的看法。當然我的觀點不一定公正，但我還是有一些看法：我覺得語言跟視覺相比，語言是一個更有信號的東西。視覺模型的問題在于，圖像的像素和像素之間的組合相對是固定的：你今天看到這個杯子，就知道它的形狀，就知道這組像素組合是個杯子。

但對語言來說，語言里的信息流很多時候是可以重新定義的，還可以定義很多新的東西。比如你說到一半，定義了一個新概念，那么以后這個詞就會指向之前對這個新概念的所有定義。所以語言可以無限嵌套，可以自指，可以承載很多新的信息和更深的理解，它的上限可能會比圖像更高一點。這是我的一個觀點，但不一定對，只是一個想法。

陳茜：我看到現在有一些前沿路線想把diffusion（擴散模型）跟LLM組合起來，去做一些Diffusion LLM的東西，你看好那個路線嗎？

田淵棟：我覺得它在速度上肯定會更快。其實我離開Meta的時候也有一篇文章在做這個，就是Sandwiched Policy Gradient（夾層策略梯度），用更快的方式、用強化學習來訓練擴散模型。我的感覺是它在加速、提高decoding（解碼）速度上非常好，但另一方面它現在還沒有達到SOTA（最優）水平，還做不到像大語言模型那樣厲害，所以還有一定距離。不過它仍然是一個很好的研究方向。

陳茜：你怎么看David Silver的Ineffable Intelligence？據我理解，他也專注于強化學習，目標是打造一種能夠通過自身經驗自主探索、學習知識的超級學習者。你覺得他們跟你們有什么異同？

田淵棟：據我所知，David Silver他們可能更希望完全不用大模型，這可能是跟我們的區別。我們這邊比較實在，如果大模型很厲害，我肯定用大模型，再找到更好的方法去訓練它。而David可能更想純粹用強化學習把這件事做起來。因為David Silver是大家都知道的AlphaGo和AlphaZero的主要發明人，AlphaZero完全不依賴人類的任何知識，靠“左腳踩右腳”自己迭代上去。他當然希望在新一代大模型這個范式下重現這個故事，我覺得這是他的愿景。

我之前也做過像OpenGo這樣的項目，也類似于AlphaZero的“左腳踩右腳”。但圍棋或者國際象棋畢竟還是一個比較局限的領域，這類領域的評價函數、勝負評分定義得非常清楚，所以可以做到；而在比較開放式的方向上，其實很難做到這一點，可能需要大量算力，而這些算力現在很難滿足。

11

預訓練 vs. 強化學習

能力提升的兩條路徑

陳茜：我看到行業里有一種說法：pre-training（預訓練）的上限決定了強化學習的上限，你同意嗎？

田淵棟：我同意。我們也發現，強化學習后訓練的一大功用，是把原來排在比如第200位的答案提到第1位，通過這種方式讓模型在一些問題上表現更好。但前提是這個問題一開始至少要有一個正確答案，比如讓它嘗試1000次、1萬次，也許大部分答案是錯的，但有一兩個是對的。

有了這個“種子”之后，強化學習就能通過它把水平慢慢提到最高，如果連種子都沒有，強化學習再怎么做也沒用。這就是為什么強化學習能產生效果，是因為在大語言模型已經比較成功之后才會出現。如果只做強化學習，它其實沒辦法生成一些比較深的東西。

所以我覺得大語言模型最關鍵的地方還是預訓練。在預訓練之后，模型內部各種各樣的表示就涌現出來了，這些表示在一定程度上能夠解釋數據中的結構，能夠學習數學或數據中一些有意思的推理模式。這些推理模式在強化學習中被慢慢放大，最終得到答案。如果前面的推理模式沒有學好，后面強化學習再做也沒有用。

陳茜：所以光是押注強化學習這一件事情，上限還是有限的。

田淵棟：對，這也是我的觀點，當然也有可能是錯的。

12

數據還能怎么往前走

合成數據、連續學習

陳茜：你覺得數據還能怎么發展？因為現在大家的模型其實已經窮盡了所有互聯網數據，接下來大家更多看的是synthetic data（合成數據）。數據還能怎么變得更好？怎么從數據上去優化模型的結果？

田淵棟：我覺得數據仍然很重要。現在大量的用戶數據、人類數據都已經被用上了，接下來一個問題是：我們能不能制造一些新的數據？最近這一波模型的大進展，很多時候是因為我們把推理模型產生的數據放回到預訓練或者中訓練的過程中，模型因此變得更強，達到了一種自我進化的初步目的。以后可以想象，如果新的模型更強了，讓它生成很多數據，再把這些數據放回預訓練或中訓練，模型就會變得更強，這也是一種可能性。當然這個過程本身比較慢，需要花大量計算資源。所以接下來有人就提出了連續學習（continuous learning），也就是持續學習，希望新數據放進來之后能學得很深，同時不用付出那么多代價，這就是大家提出這個概念的原因。

但我覺得最終的目的還是：現在數據是一個非常重要的點，能夠很快讓模型變強。但要讓模型最終變得跟人類一樣強、或達到人類那樣的效率，可能還是要看有沒有好的算法、有沒有好的新范式去訓練模型本身，這可能是最大的問題。當然，如果按現在的范式走，數據還是很重要的——范式不變的話，數據越多，效果確實越好。

13

大公司 vs. 小公司

Neolab的挑戰與護城河

陳茜：你怎么看Thinking Machines Lab？

田淵棟：我對他們也沒有特別了解。我看他們最近發了一個human computer interaction（人機交互）的interactive model（交互式模型），效果還不錯：你可以一直跟它說話，不用打斷它，它會一直在傾聽。這種方式可以和模型產生一種持續交互的效果，而不是turn by turn（一問一答）的交互，這挺有意思的。至于之后它會不會走跟某些公司一樣的路線，我就不清楚了，他們可能更側重于人和AI如何交互這個方向。

陳茜：剛才我們聊了一些neolab押注的路線。如果從更宏觀的角度看現在neolab的發展，你覺得neolab的護城河到底在哪里？大家最主要面對的挑戰是什么？

田淵棟：我覺得一個重要的點是：如何在neolab這樣的環境下產生研究結果、很快產生進展。因為很多neolab的成員以前都來自大廠或資源豐富的地方，他們習慣了花很多錢，可能會花幾個億甚至十億去做個實驗，但那都是公司付的錢。而對于像我們這樣新成立的、需要融資的小公司來說，一個非常重要的想法是：我們怎么能讓學習過程變得更有效率？我們希望整個迭代過程、整個流程更有意義，同時能發現新的東西，這是一個很大的挑戰。所以我們是不是還會用傳統的scaling law（縮放定律）來做這件事，其實是需要考慮的。比如有些朋友在大廠、在資源豐富的地方，對他們來說資源可以是無限的、相當充裕的，可以用各種方式找到一個很好的scaling law把事情做成；但對我們來說，可能需要思考成本，用各種巧妙的方法繞開大量計算資源的堆疊，去獲得更好的結果，這是一個很大的挑戰。

如果一個人只有scaling law這一個思想，可能不太容易成功，還需要在scaling law之外，對問題有更深的理解，才能成功。所以還是要看research taste（研究品味）。

陳茜：你剛才也說小的lab肯定會比大公司跑得更快，而且小公司押注的技術路線可能是大公司目前還沒時間去做的，他們現在可能在卷coding（代碼）、卷frontier model（前沿模型）。你覺得你們押注的路線，跟OpenAI、Google、Anthropic押注的路線，一定是平行發展的關系嗎？會不會有一天產生競爭？如果會，競爭會發生在什么地方？

田淵棟：我覺得首先還是平行發展的關系。我跟大公司很多人聊過，我覺得大公司現在有一個趨同化的趨勢，原因是大公司很多方向和方案都是由CEO或高層來定的，而高層往往追熱點，會覺得“這是別人也在做、而且做得很好的事情，所以是我們想做的”。這種自上而下的結構，導致大公司之間同質化比較嚴重，大家做的東西都差不多。比如coding agent（編程智能體）火了之后，大家都做coding agent。

所以就算你在大公司里想做點不一樣的事情，也會被環境和壓力逼著去做跟大方向相關的東西。最終的結果是，大公司里的人不是沒有能力做不一樣的東西，而是沒有時間、沒有精力去做。于是小公司為了能很快產生效益和結果，自然會選擇跟大公司不一樣的方向，所以雙方是平行的。只有等到以后，比如小公司業務做得很好、這個方向變成大家關注的新方向時，才可能產生競爭。

但這是另一回事，這種事情在歷史上已經出現過很多次了。比如Anthropic一開始做代碼、做coding的時候，其實關注的人很少。我還記得前年、去年的時候，大家都在刷math（數學），把AIME（美國數學邀請賽）的分數提得很高，而Anthropic每次發布時都說我們不刷這個東西，他們的模型放出來時沒有數學的performance number（表現得分），而是去刷coding（編程）。最后大家發現，這東西確實能賺錢，是一個很好的商業模式，于是所有人突然都涌過來了。所以這其實是以后會反復發生的常態。這就要求小公司的成員有耐心、有眼光，去做一些大公司現在不做的方向。

陳茜：但怎么能確保大公司看到這個機會之后，不會用更多的資源、幾乎無限的資金把小公司蓋住？

田淵棟：其實也很難說。首先，大公司不會真的有那么高效。比如Google現在也在追趕coding，出了Antigravity。但Google的coding其實還沒做得特別好，還是有一些問題，大公司有大公司的毛病，這都會發生。而且關鍵在于，等大公司反應過來時，如果小公司真的成功了，它已經獲得了很多資金去投入，那時候小公司也有很大的leverage（優勢）了。

14

人才爭奪戰

RSI想招什么樣的人

陳茜：你覺得現在你們面臨的挑戰中包不包括招人？現在大家搶人搶得厲害嗎？

田淵棟：我們公司確實還是比較受歡迎的，有很多人愿意投遞簡歷給我們，這也讓我們挺驚訝的。

另外，大公司和小公司招的人是在不同方向上的。比如TBD這樣的大公司花很多錢招人，吸引的人可能跟小公司不一樣：大公司吸引的人可能技術能力很強，但這種能力對大公司有用、本身卻不一定那么新。而對小公司來說，有些人是看重我們的愿景、看重我們這個方向將來是否會產生很大的影響。所以兩邊的mindset（心態）和思路不同，不能說是相互搶人。

陳茜：你們喜歡招什么樣的人？

田淵棟：我的感覺是這樣：首先要經驗比較豐富，因為現在AI coding tool（編程工具）非常強了，很多時候經驗、品味和方向更重要。另外，我們希望這些人比較hands-on（親力親為），既有經驗，又愿意自己把事情做成，這兩點結合起來比較重要。

陳茜：所以你們不考慮畢業生。

田淵棟：這個也要case by case（具體問題具體分析）。

陳茜：你覺得現在畢業生還能找到工作嗎？因為很多junior（初級）的工作，我理解你們都可以讓agent（智能體）去做了。

田淵棟：這也不一定，如果畢業生本身很厲害、有很好的、業界知名的、大家都認可的工作，那也是有希望的。

陳茜：你現在跟一些年輕的researcher（研究員）聊的時候，他們更想去大廠，還是更想加入neolab這種小一點的公司？

田淵棟：我這邊有bias（偏差）。跟我聊的很多人會說：“我們能不能來你這兒？”如果想去Meta的話就不會跟我聊了，所以這里有一個self selection（自我篩選）。大廠往往討論的是工資、總包、福利、股票；而小廠更多談論的是愿景、方向、工作內容，以及做的事情有不有意思。

陳茜：要做成RSI想做的事情，除了你們這八位很強的聯合創始人之外，還需要多少人？什么樣的規模你覺得會比較舒服？

田淵棟：我們現在是25個人左右，之后希望能到40個人左右，大概是這樣的規模，但也要看市場情況的變化。

陳茜：你覺得現在整個就業版圖有什么改變？因為我記得上次采訪你說，大家遲早全部都要失業。半年過去了，你覺得我們現在距離那個場景更近了嗎？

田淵棟：我覺得是更近了。Meta最近又裁了一些人，Amazon年初也裁了一些人，之后還會有其他地方裁人。

陳茜：原因是因為agent（智能體）確實起來了嗎？

田淵棟：對，AI確實把效率提高了。以現在的AI能力，大概相當于以前四級或五級的工程師。一般應屆畢業生剛進大廠，比如Google和Meta時是level 4，senior（高級）一點是level 5。這兩個層級的工程師，他們做的很多事情其實AI已經可以做了，而level 4和5在大廠里又比較多，所以AI agent（智能體）來了之后確實有很多影響，而我覺得以后影響會越來越大。

15

Frontier Lab大亂斗

前沿模型競爭與下一步

陳茜：接下來我們來說一說現在主流的這些Frontier Lab（前沿實驗室），我也特別想聽一下你對他們的觀察。先聊聊Anthropic，你怎么看Andrej Karpathy加入Anthropic這件事？圈內人怎么看？

田淵棟：我覺得這件事說明self improvements（自我改進）、auto research（自動化研究）非常重要，看到這個有意思的進展我們也很開心。之前Andrej Karpathy在推特上直播了自己做auto research（自動化研究）的過程，把圖像和report（報告）都開源了。那段時間很多人對此非常感興趣，也有很多人跟隨這條路線，發現auto research（自動化研究）可以做很多優化，所以他在這方面影響力很大。

Andrej Karpathy也明確說了，他去Anthropic是做預訓練、做auto research（自動化研究）。這讓大家覺得，self improvements（自我改進）、self learning（自我學習）這個方向確實成了主流，大家也承認這個方向是對的，我覺得這很好。

陳茜：Anthropic今年的敘事、增長的趨勢都非常猛，一部分是因為它要上市了，一部分也是因為它的商業化確實做得非常好、增長非常快。你覺得它的優勢能一直延續下去嗎？因為我們看到OpenAI最新的Codex也追得很快，谷歌也出了Antigravity。你覺得整個coding（編程）這一塊的格局，會延續現在的排位嗎？還是有機會出現變數？

田淵棟：我覺得很難講，說實在的，用下來并沒有覺得誰比誰厲害很多。比如Codex 5.5，我用了之后覺得挺好的，Claude Code我也在用，都挺好，但各有各的問題。比如Claude Code有時候會hallucinate（幻覺）：我讓它總結一個答案，它說了一大堆，我說這里出錯了，它馬上承認“I'm so sorry”，認錯很快，但為什么我沒指出來之前它不主動說呢？所以很多地方問題還不少。不過Codex也并不差，我覺得并沒有比Claude Code差太多。

陳茜：所以只要OpenAI想追，無論是能力還是產品力，是能夠追上去的。

田淵棟：對，我覺得是可以追上去的，只是看它執行的速度多快。其實像Google想追也是可以的，他們最近成立了一個strike team（突擊小組），就是要追coding（編程），好像是Sergey親自掛帥。如果一個方向特別火、大家都知道它有商業價值，那所有人都會去做，慢慢就會產生各種不同的方案。

而且還有很多開源的，比如DeepSeek V4我也用了，覺得挺好的。當然它有一個問題：一開始你必須讓它預熱一下，比如預熱1萬個token，它才會變聰明一點。一開始有點奇怪，但預熱一段時間之后，它就突然變聰明，可以做很多事。

這些問題應該都是可以解決的。這個市場那么大，肯定會有很多人愿意進來，大家遲早會figure out（弄清楚）怎么把它做好，所以接下來份額怎么分其實很難講。我一直有一個concern（顧慮）：對用戶來說，他們并不需要非常強的模型，而是希望模型夠用就行。超過這個上限之后，用戶其實無所謂，他就用自己覺得用著舒服的模型。所以如果大家都達到這條上限，市場也許就完全看價格了。

陳茜：所以你覺得coding（編程）的先發優勢沒有那么重要，最后可能還是會有一個打價格戰的時期。

田淵棟：可能會有這個問題。當然，一個counter argument（反駁觀點）是：也許我們會看到數據飛輪的效應——先發的人獲得很多數據，訓練得更好，這也是一種可能性。但另一方面，也許大部分人寫的代碼都不怎么樣，重要的代碼還是那些大神寫出來的，所以這個飛輪能不能轉起來，也不是很清楚。

陳茜：Anthropic的Mythos這個模型，他們自己說太強了所以不敢發布，真的有這么強嗎？

田淵棟：這個我也不做評論。從數據上來說確實很好、很強，當然網上也有很多人說其實不怎么樣、不強，所以現在也不知道，等它發布之后再說吧。

陳茜：那你覺得Anthropic模型強的原因是什么？除了剛才說的可能用了不一樣的Vision Transformer架構，還有可能它把一些數據放到pre-training（預訓練）上重新訓練了，主要是這兩點嗎？

田淵棟：后者其實大家都在用，不是某一家獨有的。也就是說訓練時把推理鏈的結構放到預訓練或中訓練里面去，這個大家都在做，我不覺得這是一個很大的創新點。他們有可能是模型，或者訓練優化器，或者模型的recipe（訓練方案）上的創新，但都不確定，因為這部分的信息現在很少。

陳茜：所以你覺得接下來如果大家還要繼續卷SOTA（最優水平）模型能力，可能真的要拼模型上的創新了，是嗎？

田淵棟：我覺得應該是的。一方面，你有更多的卡、更多的計算資源，你可以做；但另一方面，再往上純拼scaling law（縮放定律），橫軸是指數級的，到一定程度大家都受不了，不可能再要10倍的電力、10倍的資源。所以最終一定會撞到一個地方，大家會突然回過頭來看有沒有更好的方式解決問題，這一定會發生。現在的模式是不可持續的，這也是為什么現在neolab大家愿意去投資的一個原因。

陳茜：你覺得coding（編程）之后的下一個the next big thing（下一個大方向）是什么？

田淵棟：我覺得是AI research（研究）。我們現在做的，就是能不能讓AI變得更強、能讓AI去做一些research。coding（編程）為什么那么火？主要是因為寫code（代碼）的人，或者說寫code（代碼）的ROI（投資回報率）很高。模型很強，能夠做本來需要高薪才能聘請的人的工作，所以才有收入。大模型的人才也非常貴，可能比寫code（代碼）的人貴很多，所以下一波的趨勢是，如果能把AI research（研究）這件事自動化，當然會有很大的ROI（投資回報率）。

陳茜：你覺得AI research（研究）上的商業化回報，會跟coding（編程）一樣有這么大的市場嗎？

田淵棟：這要看你最終的AI research（研究）發現了什么知識。比如你發現了一個AI for science（科研），發現了新藥、新材料，或者發現了訓練模型的新方法，那回報都是天文數字。當然，這些都是高風險高回報的事情。

陳茜：OpenAI跟Anthropic的比拼，你覺得會是什么樣的結果？短期和長期都可以說說。

田淵棟：現在很難說。OpenAI之前的問題是方向太多、不夠focus（聚焦），現在開始很focus了，所以很難說兩邊誰更好。不過對用戶來說這是好事——可用的選擇多了，價格也會降下來，所以不是壞事。

陳茜：接下來決定他們勝負的關鍵因素是什么？是誰能找到更新的范式嗎？

田淵棟：我覺得倒不是。因為代碼本身已經很賺錢了，接下來的問題是誰能讓用戶愿意去用他們，這可能更重要。

陳茜：所以還是產品方面的競爭？

田淵棟：對，尤其是Anthropic，他們現在主要的in-force revenue（有效收入）很高，一直在往上走。但資本上有一個問題：一旦你開始有收入，市場就希望你有更多模型。

這是一個很有意思的現象。如果是這樣，那他們兩邊都會有這樣的concern（顧慮）：比如Anthropic有收入、說不定馬上要賺錢了，那么對OpenAI來說，“你怎么還沒賺錢？你有很多收入，但成本還很高，怎么辦？”會不會有這個問題？畢竟他們都要上市了。

陳茜：對，要不然就削減你的成本，這就是為什么他們把Sora關了。要不然你就再多掙點錢。

田淵棟：是這樣，一旦進入這個敘事之后，邏輯就跟以前一個research lab（研究實驗室）的邏輯不一樣了。Research lab的邏輯是要證明自己很厲害：我做出個沒人做過的新東西，超級impressive（驚艷）；但一旦掉進資本的邏輯里：要上市、要做資本敘事、要做收入、要做資產負債表——你就回到了商業模式上，希望公司是有收入、成本又低、能穩定賺錢的。所以賽道可能就不一樣了。

陳茜：你們有一天也會遇到這個問題吧？

田淵棟：這個我們還早。

陳茜：我們來說一下谷歌，谷歌這次的I/O發布似乎不太理想，你覺得谷歌還能追上來嗎？機會在哪里？

田淵棟：這個我就不做評論了。我覺得谷歌還是很厲害的，里面有很多非常厲害、愿意做事情的人，只要領導層重視，一定還是不錯的。你看從Gemini 2、Gemini 2.5的時候，大家一直說它不行了，Gemini 3就很好了。另外，畢竟我們公司也是Google Venture投的。

陳茜：理解。那再來說說Meta，Meta在你離開之后經歷了數次重組，他們之前推了Muse Spark出來，你怎么評價Muse Spark？

田淵棟：首先有利益相關：我還持有不少他們的股票，所以我說出來的話可能不是很客觀。我覺得Meta的Muse Spark還是不錯的，我也用了一下，特別是多模態方面，它的understanding（理解能力）和一些回答都比較好。當然，總的來說可能還是比Gemini 3要差一點。

陳茜：我看到有評論說，Muse Spark是一個為Meta自身產品場景高度定制的模型，而不是一個非常強大的通用前沿模型。這是不是意味著Meta在AI策略上完全轉向了，不再拼最強大的通用模型了？

田淵棟：我倒不覺得是這樣。我覺得它還是一個general（通用）的模型，至少從它內部的工作模式來說：他們肯定是先訓練一個更通用的模型，再fine-tune for the specific use case（針對具體應用場景微調），這是更好的做法，所以我不覺得是轉向。

陳茜：所以他們其實還沒有放棄爭奪最強模型這件事。

田淵棟：對，不然Meta就沒必要花那么多錢做這件事了。

陳茜：你覺得他們還有機會嗎？

田淵棟：機會還是有很多的。因為大家都還在往前走，而且大模型一旦有人訓練出來，不出幾個月就會被另一個超過。大模型里沒有永遠的贏家，現在大家都是犬牙交錯地往前走，所以很難說。

陳茜：所以需要的是什么？需要有一個人靈光一現？

田淵棟：那也不是，這還是需要團隊作戰，很多人把事情做好、拼在一起就可以。這一點上我挺同意姚順宇的觀點：大模型，尤其是工業級別、大廠做的大模型，很多時候是每個人在各自崗位上兢兢業業地做完，pipeline（流水線）通了之后跑起來就行。

陳茜：但如果每個大廠都這樣，那它們的差異點在哪里呢？

田淵棟：那就看你做得多細、工作多努力、事情做得多好。一些小的東西，有些人注意到了，有些人沒注意到，注意到的人可能就獲得一些提升，沒注意到的人就沒有。

陳茜：所以你覺得TBD Lab還是有機會的。

田淵棟：我覺得還是有的，但也要看他們內部怎么operate（運轉）。

16

Meta爭議與就業沖擊

AI時代的職業變化

陳茜：Meta最近有點爭議，一方面裁了7800人，另一方面發生了一件很有爭議的事情：他們要強制“蒸餾”員工，利用員工的工作數據去訓練內部的AI模型，讓模型通過觀察員工完成任務的過程來學習，據說它現在的能力已經好于外包人員了。我看蠻多人對這件事挺生氣的，你怎么看？

田淵棟：這件事確實說得比較赤裸裸，所以大家都會有意見。如果你知道自己在將來一段時間內就會被“蒸餾”，像吸星大法一樣頃刻被煉化，煉化之后就被踢出去，沒有人會開心。這在做法上確實不太顧及員工感受，包括裁員本身的過程中也一直存在這個問題。但不管怎樣，它是個大公司，大家來了就是“愿者上鉤”，公司有這樣的條款，你就得遵守。

陳茜：但蒸餾員工這件事，感覺是個大趨勢了。

田淵棟：我覺得有一個人開始做，大家都會做，所以這沒有什么對錯。公司覺得為了自身利益要把所有數據拿到手、把這件事做成，這無可厚非，因為這是雇傭條款之一，你來了就得遵守。

但我覺得以后大家可能會發現，蒸餾到底有多大用處也是一個問題。可能大部分人會因為有這個條款而不愿意好好工作，不愿意把自己最重要的東西拿出來，甚至故意埋雷、在里面“投毒”，把你的訓練搞壞，這就很難判斷了。所以其實我也不希望員工跟公司有這樣的對立，現在大家都應該往一個方向走。

陳茜：但從非常high level（高層面）的角度看，這還是不可避免的吧，肯定越來越多的東西公司希望AI來做。那以后可能會出現一種情況：公司確實不需要這么多人了。

田淵棟：是的，這是客觀事實。我最近也寫了一篇blog，談vibe coding（氛圍編程）和AI工具的一些體會，確實會覺得用的人會越來越少。今年年初我寫過一篇blog，說以后可能大家都是創業者、都是co-founder（聯合創始人），我覺得這是會發生的，因為大廠不需要那么多人了，所以大家得找到自己的意義。

以前你被教育出來：四年本科、兩年碩士、五年博士，最終的目的是成為一顆螺絲釘、成為某個大機器的一個零件。但現在不一樣了，大機器不再需要你這個零件，你得自己去尋找自己的意義。這可能是另一種新的文藝復興，回到以前古希臘那樣的狀態：每個人都需要找到自己想做的事情。這個過程比較痛苦，但最終可能不可避免地會發生。

陳茜：這一天還有多遠，你覺得？

田淵棟：我覺得現在就已經在發生了。之后，能找到自己方向、找到新模式并做得挺開心的人，就會成為新時代的樣本，找不到的人就比較難。難的地方在于，整個過程發生得很快，可能在將來3到5年內，就會有很多人面臨這樣的選擇。你會發現，你跳到一個大廠，被裁了，跳到另一個大廠，過兩天又被裁了。這就相當于一條魚在水坑里跳，但水在干涸。《三體》里有句話：“有人把水弄干了。”那原本是用來形容四維生物把整個宇宙降維成三維、進行降維打擊的過程。

但同樣的故事可以用來講現在的事情：有些魚把水弄干了，其他的魚就得不停地跳，可水總體上越來越少，你最終只有變成四維生物才能活下來。

陳茜：所以你這條魚要進化成鳥、長出翅膀，才能生存下去。

田淵棟：是的，大趨勢就是這樣。

17

xAI的困境

前沿大模型之爭其實是組織架構之爭

陳茜：我們再來聊聊xAI。你覺得xAI發生了什么？按剛才的思路：我有團隊、有資源、有錢、有人才，應該能做出還不錯的東西，但xAI到底發生了什么？

田淵棟：我聽說的情況是，這跟當時Llama 4的情況比較像。老板希望事情很快發生，壓力比較大，于是導致很多問題，最后發出來的模型可能不達預期。這個我之前也說過很多次：一個組織，如果里面的人沒有能力push back（反駁）上面的要求，那他們就只能通過某種方式去順從上面的壓力。一開始順從是可以的，但時間長了，總有一天上面的人會發現，這個組織的delivery（交付）跟promise（承諾）不一樣，就會產生問題，產生一次很大的“地震”。Llama 4跟xAI的結果其實很像很像。

老板會覺得“我不相信你們這些人，得從外面再拉一個人來做這件事”，那么原來組織里的人境遇就會比較慘，就是這樣一個過程。

陳茜：現在聽下來，這種前沿大模型之爭，其實最后變成了一場組織架構之爭。

田淵棟：是的，組織架構在這次的技術進展中扮演了很大的角色。本質上是先進生產力和落后生產關系之間的矛盾。落后的生產關系不可能一下子消失，而且我們現在也不知道什么是先進的生產關系，所以會產生很多矛盾。

陳茜：雖然大家說scaling law（縮放定律）到頭說了很久了，但目前那幾個大的lab還在繼續卷scaling（擴大規模），你覺得我們還能卷多久？

田淵棟：還是會卷的，至少大廠里還是會卷，因為有慣性，也有資源，愿意出錢、出力、出人，思維慣性還是“我們要scaling law（縮放定律）”，所以還會卷一陣子。我覺得這一點上小廠是有優勢的：小廠人少，而且有些人有自己的belief（信念），拼在一起后會有更新的想法去貫徹下去，所以小廠可能比大廠更有希望。但scaling law（縮放定律）也會繼續卷，卷到最后大家卷不動了，就會有其他的方式做出來，一定是這樣的。

陳茜：能不能講一講你現在的工作狀態是什么樣的？公司剛開始，大家充滿干勁，企業文化大概是什么樣的？

田淵棟：企業文化相對來說說話比較直，大家都比較direct（直接），愿意很快給feedback（反饋），也比較technical（技術化）。大家都是干活的，愿意坐下來埋頭把事情做好，然后說“這是我的結果、這是現在的效果，大家有什么經驗和建議”。相對比較實在，不會有太花哨的東西，有什么事情可以有話直說，把東西攤在桌上一起討論，大概是這樣。

陳茜：能不能分享一個你最近覺得挺開心的時刻？

田淵棟：其實有不少，但現在暫時不能說，能說的部分是公司的launch（發布）比較順利，這是很開心的。我們之前準備了一陣子，融資也很順利，這很不錯。發布之后正面的反饋很多，大家也很支持，這對公司來說是很好的第一步。尤其是外界的反響，還是比較正面的。

陳茜：我覺得剛才采訪中有一句話挺觸動我的，你說當你跳到不同的大廠，會發現水已經沒有了，反正你都找不到工作，那對于你來說，你是怎么去找到你人生的意義的？

田淵棟：其實在GPT-4剛出來的時候，我就寫過一篇blog，說以后大家都是獨一無二的：你能做一件別人做不了、只有你能做、只有你愿意去探索的事情，這是最重要的。然后你在這件事上越走越遠，你獲得的所有數據都是新的，都可以分享給別人，那你就相當于一個行走的數據源。你把獲得的所有東西分享給大家，你對這個世界就是有價值的，我覺得這是一條路徑。當然，這只是非常個人的體驗，因為每個人其實都不一樣。

陳茜：你現在還有時間寫小說嗎？

田淵棟：前段時間比較忙，但之后我也會考慮一下。

陳茜：最近AI的一些進展、你自己的一些思考，你覺得對寫科幻小說是不是有了新的啟發？

田淵棟：我有點緊迫感，如果再不寫，我的idea（靈感）就沒了，可能就到了跟不上AI進展的程度。

陳茜：你可以讓AI幫你寫。

田淵棟：AI是可以幫我寫，但AI有自己的“AI味”。怎么把AI味去掉，找到自己想寫的東西并寫好，這是一個問題。

陳茜：感謝淵棟，也期待你們接下來可以宣布的一些新進展，到時候我們再聊一聊。

田淵棟：好的，感謝陳茜。

18

Office tour

46.5億美元估值的Neolab長啥樣

田淵棟：歡迎來到Recursive Superintelligence。

陳茜：謝謝。你們什么時候搬進來的？

田淵棟：大概兩個多月前搬進來的。

陳茜：我發現很多新實驗室都在city、在舊金山城里。為什么呀？大家都喜歡在城里，不喜歡在南灣。

田淵棟：我覺得這邊人才密度比較高，有很多人、很多初創公司在這里，交流起來也比較方便，有很多有意思的事情在發生。

陳茜：現在咱們團隊有多少人？

田淵棟：現在可能有25個人。

陳茜：大家都可以remote（遠程）工作嗎？還是必須來辦公室？

田淵棟：我們現在是2/3的人在舊金山，還有1/3的人在倫敦。

陳茜：今天是周二下午，怎么沒什么人，大家都在哪？

田淵棟：周二下午應該還有不少人在家工作，我們一般一個禮拜來三天左右。

陳茜：你們這個大玻璃窗采光還挺好的，你的工位在哪里？

田淵棟：就在那邊角上。這是一個很隨機的地方，我們沒有專門給老板或員工安排固定的座位，大家都坐在一起，這樣交流起來比較方便。

陳茜：所以沒有單獨的辦公室，大家都坐在外面。你們開會多嗎？

田淵棟：不太多。我們的目的就是不希望開會，希望大家坐下來把事情做成。

陳茜：跟大廠區別還是挺大的。

田淵棟：是的，我們這邊還是希望有事情大家坐下來很快溝通，溝通完把事情做成就好。

陳茜：我在跟Andrew Dai聊的時候，他說有個研究員強烈要求在辦公室里放一個桑拿的小房間，做一下桑拿，然后思考一下，你們有給大家設置這樣的嗎？

田淵棟：這個還沒有，沒那么高級，但你看我們這邊現在有乒乓球桌，我們可以打兩下。

以上就是我們和田淵棟對談的所有內容，以及RSI的office tour。我們也會密切關注包括RSI在內的各個lab的動向，硅谷核心AI研究員的視頻播客系列還會繼續。

注：部分圖片來源于網絡

【本期節目不構成任何投資建議】

硅谷101聽友群上線啦！

終于終于終于，大家一直呼吁的硅谷101的社群要上線了！歡迎大家加入。

你能在這里得到什么

線上閉門研討會--群內專屬

我們會不定期地直播線上閉門研討會——硅谷101的主理人、主持人、研究員和節目嘉賓都會參與進來。直播入口只在群內私密發送。我們可能會聊：SpaceX、OpenAI、Anthropic的上市解析，Buyout模式如何成為硅谷的新寵，FDE為什么正在變成科技巨頭最熱門的職位……所有報名鏈接，群里第一時間放出。深度聽懂硅谷。

和同頻的人在一起

按從事或研究的行業分群，讓你身邊坐的，是真正和你走在同一條路上的人——你拋出來的問題不會石沉大海，別人的一手觀察沒準也能打開思考的新視角。

? 線下相見

硅谷101的各類活動通知都會第一時間在群里同步。我們期待可以通過各種線下活動和大家也有機會在線下碰面。

101er互助

找人、找工作、找合作、找資源——只要是合理的需求，都請滴滴我們，我們幫你拋在群里。希望每一位101er都能在這里得到一點點助力。

?怎么入群

掃碼填表，我們會在7天內做簡單審核，通過后會用郵件同步您進群方式。這是我們的申請表，請抽出1分鐘完成申請，我們對生產內容的高要求，也是我們對運營這個社群的要求。希望進群的朋友們都能在這有所收獲。群里見！

【視頻播放渠道】

國內：B站｜抖音｜小紅書｜視頻號｜微博

虎嗅｜騰訊｜頭條｜36氪｜搜狐視頻｜鈦媒體

海外：YouTube｜TikTok｜X

聯系我們：video@sv101.net

【創作團隊】

監制｜泓君 陳茜

撰稿/采訪 ｜陳茜

剪輯｜Jacob HIROBUMI

運營｜王梓沁 孫澤平 13

平面設計｜施陳