structure｜1️⃣ 三级笔记、思想框架

《姚顺宇访谈：允许研究者小疯一下》

核心观点/主旨

这篇访谈以姚顺宇从理论物理转向 Anthropic、Google DeepMind 的经历为主线，呈现了一套关于 AI 研究的判断：AI 更像早期物理或热力学，经验规律、实验验证和工程组织暂时比完备理论更重要；研究者应选择有客观评价标准、能产生真实影响的事情；AI 行业已经进入集体主义和工程化阶段，个人英雄叙事不再是关键，真正稀缺的是靠谱、细致、负责，以及能和 AI 形成真实协作的人。

一、访谈对象：两个姚顺宇/雨之间的区分

• 硅谷 AI 圈有两位 Yao Shunyu：姚顺雨长期做 CS，后来从 OpenAI 去腾讯；姚顺宇则是物理半道转 AI，从 Anthropic 去 Google DeepMind。
• 姚顺宇本科在清华读物理，博士在斯坦福做理论高能物理，短暂到伯克利做 postdoc 后离开学术界，加入 Anthropic。
• 他对自己的描述不是“英雄式研究者”，而是一个不断挑战自己不会的事情的人；他更强调自己很幸运，在关键项目出现时加入并做了一些事。
• 他和姚顺雨大学同届、关系熟，但兴趣和路径不同：姚顺雨更关注人和 AI 的交互、产品等问题，姚顺宇从他身上学习到与自己不同的视角。

二、从物理到 AI：选择客观评价和真实影响

2.1 物理训练带来的东西

• 本科物理给他的第一层训练是“想问题要想清楚”：读书不在多，而在读得深；真正有价值的是对一件事形成不同于他人的见解。
• 第二层训练是“不太相信纯理论”：当数值和理论对不上时，才会逼迫研究者仔细理解问题。
• 他认为物理到 AI 的硬技能迁移很少，但做物理的人容易形成系统性、刨根问底和重视验证的性格。

2.2 高能物理的教训

• 博士阶段做高能理论让他成长很多，但他认为对世界几乎没有产生影响。
• 高能理论足够难，但实验跟不上，客观评价标准不足，领域判断会依赖小圈子或资深人物的主观标准。
• 他从中得到的教训是：要做有客观评价标准、能够对世界产生影响的事情。
• 他发现自己可以达到外部标准，却无法欺骗自己认可那个标准；这成为他离开纯理论研究的重要原因。

2.3 AI 为什么成为更合适的方向

• 他曾在量子计算和 AI 之间比较。量子计算的瓶颈更多在实验实现，而不是他熟悉的理论或数值验证。
• AI 对他更像物理：有一个想法，可以用数值方式验证；在 AI 里，这个数值实验可能就是训练一个模型。
• 他把 AI 类比为更早期的物理：理论和实验还没有严格分家，研究者既做实验，也做理论推测。

三、如何理解 AI：黑盒、Scaling Law 和“智能涌现”

3.1 黑盒是相对概念

• 姚顺宇认为所有系统在某个层面都是黑盒。物理理论也只是在特定能标下描述行为，并不意味着知道最微观动力学。
• 语言模型确实没有被理解到神经科学手术刀的粒度，无法在实用大模型里明确解释某个行为由哪个人工神经元激发产生。
• 但这不代表完全没有理解。Scaling Law 描述了模型随规模和数据量变化，在 perplexity 等指标上的规律性变化。

3.2 Scaling Law 是经验规律，也可能通向科学规律

• 他把 Scaling Law 放在经验规律的位置：目前经验性很强，但经验规律和科学规律之间并没有绝对清晰的界线。
• 热力学定律最初也是经验规律，后来随着微观机制被理解，才逐渐被纳入科学规律。
• 因此，Scaling Law 未来是否会被理解为更深层科学规律，取决于人们能否进一步理解其微观过程。

3.3 “智能涌现”不是好的科学表达

• 他认为“智能涌现”这个说法本身不太科学，因为每个人对智能和涌现的定义不同。
• 所谓从只能做翻译、分析到好像能做所有事，更像是一种主观感受，而不是可清晰定义的客观现象。
• 更本质的是“技术上的涌现”：研究者发现了如何进行大规模训练，从而水平提升多种能力。
• 对他来说，真正良好定义的问题是：有没有一个技术改变，使得模型可以 scale up，并水平提升所有能力。

四、Anthropic 经历：小团队、强化学习和执行力

• 姚顺宇进入 Anthropic 的契机来自前同事和物理背景连接。当时 Anthropic 有不少理论物理出身的人，这更多是 connection 的延续，而不是某种必然的人才公式。
• 他加入时对工业级语言模型训练了解不深，只知道 pre-train、post-train 的大致流程；但大规模强化学习的不确定性让他觉得这是一个好机会。
• 他选择了强化学习方向，加入 Horizon 相关团队。这个团队覆盖强化学习的多方面，包括数据、环境、infra、研究和算法。
• 他对 Anthropic 的核心印象是执行力强、top down、员工氛围好，做语言模型相关工作时可以接触训练的方方面面。
• Anthropic 对 coding 的 bet 来自市场和技术信号：Claude 3 发布后，外部发现其代码能力强于 GPT-4，组织很快对这个信号做出反馈。
• 他强调，技术细节不能透露；但从组织层面看，Anthropic 的强处是识别合理信号后迅速铺上资源，没有大组织的冗余。

五、Google / Gemini：技术储备、组织清晰和产品分发

5.1 选择 Gemini 的原因

• 姚顺宇去 Gemini 不是因为看到 Gemini 2.5，而是因为他知道 Gemini 的工程师非常强，自己可以从中学到很多。
• 他当时没有选择 OpenAI，主要原因是对文化有担心；他觉得踏实做事的人在 Gemini 和 Anthropic 中更多。

5.2 Gemini 的转折

• 他把 Gemini 的重要转折归结为两个事件连在一起：Nano Banana 和 Gemini 3。
• Nano Banana 带来大量下载和市场声量，Gemini 3 随后承接并留下用户，使 Gemini 从低市占率位置变成重要玩家。
• 从事后归因看，这两个因素共同促成 Gemini 对 OpenAI 的冲击。

5.3 Google 的组织与技术优势

• 他认为 Google 的技术储备一直足够，变化在于组织逐渐清晰，有更好的框架让大家一起做事。
• OpenAI 先把聊天机器人做出来，让 Google 意识到搜索可能被威胁，但 OpenAI 又没有把 search 彻底吃掉，给了 Google 反击空间。
• Google 传统上擅长极简产品形态下的技术竞争：大家都长得像一个框、一个键，它通过速度、准确度和工程能力胜出。
• 对 Gemini 来说，预训练已经进入 Google 的舒适区：目标清楚、负责人清楚、节点清楚、评估框架清楚，更像一个大工程项目。
• 后训练仍然有更多不确定性，因此更 bottom up，允许更广泛地试。

六、AI 产品形态：chatbot、search 和 super app 的不确定性

• 他认为 chatbot 不会完全吃掉搜索，因为聊天机器人有强交互性，适合浓缩复杂信息和连续追问，但不适合所有简单意图。
• 搜索仍然覆盖大量极简单场景，例如直接搜一个商品、链接或事实，不需要进入聊天对话。
• 他对“聊天机器人就是 super app”这个前提保持怀疑：如果未来出现完全不同的 AI 交互形态，当前 chatbot 功能可能只是新形态的子集。
• 他承认自己也没想明白未来更好的交互形态是什么；如果想明白，就会去做。

七、AI 行业的人才观：个人英雄主义之后，稀缺的是靠谱

7.1 个人英雄主义已经过去

• 姚顺宇不认同当下 AI 行业继续神话个人英雄。他认为现在更像集体主义故事，模型开发依赖组织、环境、工程链条和团队协作。
• 他不否认历史上存在英雄级人物或英雄集体，例如 Geoffrey Hinton、Transformer 团队；但当下模型大厂的工作已不是旧式个人天才叙事。
• 对 neo lab 趋势，他态度谨慎，认为绝大多数都会死，只有少数真正有好的人并能 deliver 新东西的团队可能成立。

7.2 “靠谱”比聪明更重要

• 他直白地说，AI 这件事并不太需要脑子，很多活本科生就能干；最重要的特质是靠谱、做事细、对自己做的事负责任。
• AI 研究员价格高，一部分来自稀缺：训练一个人需要环境，需要接触真实训练过程的机会；不是聪明就能学会。
• 他也认为对人的炒作有些过分，因为模型开发本质上是集体主义的事。

7.3 24 小时强化学习项目作为筛选方法

• 他曾设计过一个面试题：让候选人在 24 小时内从 0 到 1 完成一个强化学习项目，之后进行一小时讨论。
• 这个题在 AI 时代可行，因为 AI 可以帮助完成大量代码和实现；因此考察重点不再是手写代码能力。
• 真正要看的是候选人能否有效利用 AI，以及是否理解 AI 为自己做了什么。
• 如果全盘交给 AI，却没有试图理解，后续讨论会暴露出来；这体现了“是否和 AI 形成协作”，而不是把任务甩给 AI。

八、表达方式：直接、无负担、自洽

• 姚顺宇认为自己不是 AI 出身，反而没有导师、旧友和圈层负担，因此可以更直接表达观点。
• 他反感 vague 和 not even wrong 的说法，因为模糊命题可以在任何范式下事后套用，缺乏明确意义。
• 他把年长者分为两类：德高望重的人少指手画脚，愿意培养年轻人；“老登”则是不懂还爱指手画脚。
• 他认为做 AI 后更直接，一是没有束缚，二是这个领域有足够客观的评价标准。只要观点自洽，不是随意喷人，最终做得怎样有客观标准，大家会尊重。

九、未来重点：ML coding 与 long horizon

• 他认为纯语言模型已经不是蓝海，末班车已经发车，自己入行时接近末班车。
• 未来是否长期留在 Google，他没有给确定答案，只说仍会尝试挑战自己，寻找值得“折磨自己”的事。
• 当前最高优先级是和同事一起把 ML coding 和 long horizon 推进到比较稳定的状态。
• 在他心目中影响 AI 进程的论文包括 sequence to sequence 和 Scaling Law；前者是 feature engineering 时代语言模型的高峰，后者把体系化研究方式引入这个领域。

关键概念/术语

• 客观评价标准：姚顺宇选择研究方向时反复强调的标准，指结果能被比较、验证和评价，而不是主要依赖圈内主观判断。
• 数学自洽性：高能理论在缺乏实验验证时的一种进步依据，但它不足以完全替代客观评价。
• 黑盒：对系统理解程度的相对表述；物理和 AI 都有无法穷尽解释的底层层面。
• Scaling Law：目前仍偏经验的规律，用来描述模型规模、数据量与指标改善之间的关系。
• 智能涌现：姚顺宇认为这个词主观且不够科学；更准确的问题是技术变化是否允许 scale up 并水平提升能力。
• 技术上的涌现：通过大规模训练方法的突破，让多种能力同时变好，而不是某种神秘智能突然出现。
• top down / bottom up：Anthropic 更 top down、Google 的预训练也逐渐工程化和 top down；后训练仍更 bottom up。
• bet coding：Anthropic 在 Claude 3 之后识别并强化的方向，体现组织对市场信号和技术信号的快速响应。
• 集体主义：姚顺宇对当代 AI 模型开发的核心判断，反对把结果归因于单个英雄。
• 靠谱：他认为 AI 行业最重要的人才特质，包括做事细、负责、理解自己和 AI 协作产出的内容。
• long horizon：他当前重要 bet，指更长程任务能力，也是未来模型能力推进的关键方向之一。

concepts｜2️⃣ 关键概念、概念网络

agentic reading｜3️⃣ 费曼 x3