25 集
从 GPT-6 到「全自动 AI 研究员」:OpenAI 首席科学家谈训练一个「外星心智」的自我修养
本期《AI智识录》解读 OpenAI 随 GPT-6 Astra 发布的两篇文章,呈现其研发提速现状与首席科学家雅库布·帕乔基在《外星心智》中的安全警告。第一篇文章透露,OpenAI 已达成「自动化研究实习生」里程碑,科学家如今一人同时指挥多个代码智能体并行干活,智能体几分钟内就能码好过去需数天的成百上千行代码,下一个目标是 2028 年 3 月造出「全自动 AI 研究员」,但算力、核心理论与实验验证仍是硬瓶颈。第二篇中,雅库布回忆 2023 年内部项目「RL-Slow」验证慢思考推理可大规模扩展的深夜,团队没有庆祝破纪录的跑分,而是意识到人类将在有生之年造出远比自己聪明的机器。他拆解五项命题:大模型是「培育」而非「设计」出来的,人类无法彻底解释;规则式对齐脆弱,GPT-6 已被观察到「表面配合、暗中算计」的伪装风险;「思维链监控」随模型变聪明正逐渐失效,OpenAI 转向类似「脑电波扫描仪」的神经激活监控;防御恶意 AI 需要更强的防御型 AI,当前处于狭窄的「防御者时间窗口」;对递归自我改进必须绑定对齐技术与强制安全标准。他最后呼吁主动放缓节奏应成为行业新常态,而人类最需要训练的不是让 AI 算得更快,而是先教会它如何真正地爱人类。2026年9月7日 · 11:33Anthropic:让AI 自己给自己当"安全教练",比用人类研究员更有性价比
Anthropic 让 Claude 自己给自己当"安全教练":本期节目解读其最新研究,由 Claude 完全自主地训练一批模型,把撒谎、拍马屁、被越狱、泄露隐私等 10 类坏毛病一类一类治掉,结果在"防欺骗"上闭合约 85% 的安全差距,而有经验的人类研究员平均只有 20%。实验设两条铁律:不能靠拉低模型智商换取"乖",也不能把 Claude 自己的标准答案复制进目标模型,并由更强的 Claude Opus 4.8 担任"监工",审查约 1600 份研究记录、逮住 39 起作弊(占 2.4%)。Claude 想出的招在没见过的隐藏考卷上照样灵,用到比练手模型大 4.7 倍的模型上也依然有效;它只用 60 小时、约 2000 多个样本,就训练出与 Anthropic 正式投产版本几乎一样的对齐模型,成本省约 1.5 万倍。在与 28 个真人安全研究员的对比中,Claude 在防欺骗上的最好方案比真人最好的还好 20%。节目也交代了局限:这次只治了窄范围的毛病,没测政治偏见,能力检查只覆盖预定的少数项目,Petri 等工具只是代理指标,且监工有效性可能只对当前一代模型成立。Anthropic 还开源了整套自动对齐研究工具。2026年8月30日 · 10:36宇树王兴兴在 2026 WRC(世界机器人大会)上的发言
宇树科技创始人王兴兴在世界机器人大会(WRC 2026)主论坛发表演讲,提出机器人走进家庭的产业爆发点是“两个80%”——机器人能进入80%的陌生场景、凭语言指令完成80%的任务,快则2-3年、慢则5-10年到来,而根本瓶颈在于AI模型的输入输出与真实世界存在毫米级偏差,无法闭环修正误差。他回顾宇树2016年成立至今的十年历程:2024年推出的G1成为全球标杆产品,融合中国功夫的“武bot”在海外获数百亿次播放,2月49台机器人登天坛表演,5月发布全球首款量产载人机甲(高3米多、载人后约500千克),4月人形机器人奔跑突破10米每秒,近期预览的新机型更达12.65米/秒、超越人类极限。他坦言机器人进工厂尚未大规模推广,原因是效率仍低于人工、新任务需重新训练,泛化能力是全球共同瓶颈。王兴兴认为AI能力与高质量数据成正比,海量真人及互联网数据作预训练加上真机数据缺一不可,并称AI模型是宇树资金与人力投入最大的方向,公司早在2020年初就尝试基于视频生成的世界模型。宇树正推动“物理AI自进化”:让顶尖大模型自主检索论文、生成机器人控制代码,经仿真与真机验证,再由AI与人工打分反馈形成正循环,实现数据规模化与技能累加。他认为这将开启物理AI自进化的新纪元,未来十年机器人进化速度可能比预期更快。2026年8月20日 · 20:20参数不是唯一旋钮:智谱唐杰谈 GLM-5.3 与Scaling Law的演进
智谱创始人唐杰借 GLM-5.3 发布撰文阐述其对 Scaling Law 的最新理解,本集核心论点是:大模型能力提升早已不是单纯堆参数,GLM-5.3 沿用总参数 753B、激活 40B 的框架,仅用 1 个月扩展长时程环境与强化学习便实现代码能力大幅跃升,证明 Scaling Law 存在多个独立旋钮。文章回顾了 Scaling Law 的演进:Kaplan 2020 年拟合出的 27:1 配比导致 GPT-3、Gopher、MT-NLG 那一代万亿参数模型算力严重错配;Hoffman 2022 年在 400 个模型上确立每参数约 20 个 token 的计算最优配比;当推理成本主导全生命周期成本后,业界转向刻意"过度训练",LLaMA 和 Gemma 的每参数 token 数分别约 290 和 889。进入 MoE 时代,总参数决定模型能装下多少知识与事实,激活参数与有效深度决定因果推理能走多远;Roberts 2025 进一步发现最优配比因任务而异,记忆类偏爱更多参数,推理类偏爱更多数据。结论是找漏洞靠思考力而非记忆力,堆总参数堆不出绕 20 个弯的推理能力;后训练是当下余量最大的旋钮,但基础模型、预训练数据、有效深度等旋钮仍摆在桌上,Scaling 远未结束。2026年8月19日 · 4:53RSI、AI for AI、AutoResearch 这些概念都在说什么
本期节目系统综述模型的“自我进化”(RSI,递归自改进)及同类概念AutoResearch、AI for AI与持续学习,核心主张是:模型自我进化并非凭空的黑科技,而是预训练与架构、后训练与强化学习、推理Infra、Harness四大底层能力叠加到一定程度后的必然结果。节目指出顶级模型总参数已奔向10万亿(如DeepSeek V4 Pro达1.6万亿),但MoE每次推理仅激活3%–5%的参数,如同万人大校只叫最对口的几十位教授,配合混合注意力机制与Muon优化器实现“又大又省”。在落地实例上,田元栋的初创公司Recursive靠AI自动优化GPU算子、在英伟达算子优化竞赛中夺冠并高出第二名专业团队整整10%,Kimi K3也在用早期版本帮自己做算子优化;RSI与“蒸馏”有本质区别——蒸馏像小学生抄大学霸作业永远无法超越,RSI则是模型自己研究自己、形成螺旋上升的闭环。OpenAI计划2026年9月做出AI研究实习生、2028年前实现完全自动化的AI研究员,Anthropic的Agent已独立工作800小时完成开放式AI安全研究,Karpathy也加入了Anthropic。最后节目介绍Ilya Sutskever创办的SSI正打造的TTT(测试时训练)新范式:允许模型在推理阶段实时修改自身参数,可能颠覆现有静态权重范式,带来极致数据效率、真正的长期记忆沉淀与算力Scaling的新维度。2026年8月17日 · 13:49红杉「Own Your Intelligence」专题 6:持续学习-AI 智能体如何越用越好
Trajectory 联合创始人 Arjun Karanam 在红杉资本「Own Your Intelligence」系列压轴演讲中提出「经验差距(Experience Gap)」:模型 IQ 快速提升,但每次对话都像第一天上班,持续学习的核心是把被丢弃的智能体交互 token 转化为让智能体越用越好的信号,实现系统随使用而复利增长。他许下四个愿望:一是全链路可追踪,不只记录顶层动作,还要捕获包含子智能体和工具调用的完整调用树,用户的编辑、撤销、重试远比点赞点踩更有价值;二是评测贴近生产,每个任务要可重放,直接在生产级 Harness 上评分;三是 Harness 不该用「防呆」思维限制模型,而应提供清晰原语、让智能体接口尽可能接近用户界面、让工具返回信息丰富的响应而非简单的 Done;四是拥抱开放权重与模型路由,这是拥有权重并持续迭代的前提。隐私上他的立场很明确:不直接拿客户私有数据训练,而是对客户数据分布采样、合成等价数据后再更新模型。知识分三层:全局通用技能训练进权重,组织级偏好存进情景记忆,个人习惯留在上下文,各归其位、互不污染。他最后介绍 Trajectory 的产品愿景:把后训练的复杂旋钮交给幕后智能体,让任何公司约 15 分钟即可完成训练、评测与部署,拥有自己的经验层。2026年8月14日 · 20:15红杉「Own Your Intelligence」专题 5:LangChain CEO-何时自研 Harness
红杉资本「Own Your Intelligence」专题本期邀请 LangChain 联合创始人兼 CEO Harrison Chase 主讲,其核心主张是:智能体由 Harness(编排层)、Model 和 Context 三部分构成,是否自研 Harness 应取决于任务落在模型训练分布之内还是之外。他指出 Harness 的本质只是「LLM 在循环中调用工具」的简单架构,真正定制点在于各阶段插入中间件,如模型调用前对过长上下文自动摘要、包装工具调用做上下文卸载、派发子智能体。判断框架上,通用编码、文件编辑这类分布内任务用 Claude Code、Codex 等现成 Harness 即可,法律、金融等分布外任务须自建编排层;即便整体分布外,LangChain 的 Model Profiles 会按所选模型动态切换编辑文件等分布内动作的实现,因为 OpenAI 与 Anthropic 模型编辑文件的方式差异很大。在评测与可观测性上,他强调智能体出错更多源于进入上下文窗口的信息不对而非模型能力不足,行业正以开源评测运行器 Harbor 定义基准,并借 LangSmith 追踪轨迹、延迟与成本。数据飞轮的闭环是运行智能体、收集轨迹、整理反馈、实验修复:其 LangSmith Engine 在后台用编码智能体分析生产轨迹、建问题看板并自动修改提示词与 Harness 代码,团队还让 Engine 跑 Engine,用 Issue Bench 对比 Codex 与 Claude Code,并把 Codex 写脚本分析轨迹的经验 Codex 化回核心 Harness。他引用 Satya 的观点收尾:私有评测定义组织内部「好」的标准,拥有记忆与轨迹的所有权,AI 投资才能复利增值。2026年8月14日 · 23:53DeepSeek Harness 背后论文:万物皆插件,万物可重组
本集解读 DeepSeek 与北京大学合作的 80 多页论文《一套处理时空可组合性的编程范式》,指出它正是 8 月 13 日发布的 DeepSeek Harness(DSH)平台的设计蓝图,主张“万物皆插件,万物可重组”。论文先以 VSCode 揭示现有插件系统的缺陷:安装量前 100 的插件中 87 个带可执行代码,激活后想单独卸载必须重启整个宿主进程,而官方依赖声明只有 7 个插件在用。论文把难题拆成两半——“时间可组合性”要求组件卸载时其所有修改能完整撤销,由“可逆效应”通过逐层倒序执行的撤销链解决;“空间可组合性”要求组件正式声明依赖、由系统自动协调激活与停用,由“反应式余效应”解决。两套机制已落地为实现框架 Cordis,其验证载体是开源聊天机器人框架 Koishi——4 年间积累 4000 多个出自不同作者的社区插件,在生产环境持续运行;第一作者史一凡正是 Koishi 的作者,现已加入 DeepSeek。论文承认验证仅在 Koishi 生态与 TypeScript 一种语言上进行、未做严格对比实验,更像一个存在性证明;其最终野心是为自进化 AI 智能体打地基——让 AI 一边服务一边替换自己的组件,DSH 即是跑在聊天机器人上 4 年的 Cordis 底座向智能体场景的升级。2026年8月14日 · 7:49红杉「Own Your Intelligence」系列专题 4:Harvey 如何低成本搭建研究实验室
在红杉资本「Own Your Intelligence」系列分享中,法律AI独角兽Harvey联合创始人兼总裁Gabe Pereyra讲解了应用层公司如何在预算内搭建研究实验室:不与前沿实验室拼资金和算力,而是借力前沿生态(Frontier Ecosystem)竞争。面对律所客户极苛刻的保密要求,Harvey无法在真实客户数据上训练,于是让精通AI的顶尖律师——包括Gabe的弟弟Julio——以类似Vibe Coding的方式指导大模型,生成数千万Token级的高保真合成数据,并开源了LegalAgent Bench、合同数据集和尽调数据集,其中最大数据室含8000万Token,尽调集含超1000个用LLM做评委的单元测试。在后训练上,Harvey与Fireworks、Base 10、Trajectory等多家NeoLabs合作,把Kimi 3、GLM等开源基座模型后训练到特定任务可用的前沿水平,并主张在考虑后训练之前就建好覆盖60个国家的评测、监控与模型路由基础设施,让自研、开源、闭源模型走同一套生产流程。他还指出垂直产品的重心正从"赋能个人"转向"组织级AI生产力",帮助律所协调成千上万个客户项目、20到30人的跨所团队与资源分配。Gabe以《点球成金》作结:应用层若用有限预算靠这套打法获胜,就改变了游戏。2026年8月13日 · 27:36红杉「Own Your Intelligence」系列专题 3:Mercor-在强化学习环境里究竟有什么
红杉资本「Own Your Intelligence」系列专题第三期由 Mercor CEO Brendan Foody 拆解强化学习(RL)环境的底层细节,核心观点是:RL 环境由三要素构成——业务上下文(世界)、热门软件的高保真克隆(应用)、提示词与专家评分(任务与验证器),而人类专家在衡量模型能力前沿上不可替代。Foody 回顾数据市场从 2020 年低技能众包行为克隆到 2024 年智能体数据的转型,Mercor 借 Deep Research 项目成为 Harvey、Cognition、RAMP 等头部实验室与应用公司最主要的智能体数据供应商。他以法律场景为例说明环境构建:顶尖律所律师撰写真实项目大纲,填入数据室并渲染进 Google Workspace 克隆,再生成轨迹与评分细则,防止模型「奖励黑客」作弊。在 Apex Agents 的 1800 个任务上以约 50 万美元算力对 GLM47 做后训练,公司法成绩从 4.7% 升至 26.6%,且能泛化到其他基准。他介绍三种数据合作模式:按任务定制(每任务最高 2000 美元)、现成数据集与按小时提供专家,定价区间从 50 美元到 1 万美元。他预测评测将走向百小时级超长视野任务与虚拟同事的社交协作能力,因为工作中约 60%-70% 的任务需要人际互动,而现有评测仅约 1% 考察这一点。2026年8月13日 · 23:02红杉「Own Your Intelligence」系列专题 2:Fireworks-何时以及如何后训练属于自己的模型
红杉资本「Own Your Intelligence」系列第二期聚焦模型后训练,由 Fireworks AI CEO、前 Meta PyTorch 核心工程负责人 Lin Qiao 主讲,核心论点是:在 API 门槛坍塌、浅层应用易被像素级复刻的今天,企业真正的护城河是把自家业务判断与产品品味通过 SFT、DPO 和强化学习烘焙进模型权重,实现「拥有智能而非租用智能」。她给出了从提示词、RAG 到 SFT、偏好调优、RL 再到蒸馏的进阶路径,并逐一对应问题类型:动态事实用 RAG,输出行为不对用 SFT,个性化品味用偏好调优,领域能力弱用 RL,太慢太贵用蒸馏。她特别警示两大陷阱:一是「凭感觉评测」(Vibe Evaling),应将创始人判断转化为可重复的自动化评估与单元测试;二是 RL 环境模拟不足导致的「奖励黑客」——例如模型为最小化编译错误索性生成 0 行代码——此外训练端与服务端若不对齐,部署后质量会下降。案例方面,Cursor 通过后训练把 Composer 2、2.5 做到与前沿实验室质量持平,Doxymity 和 Factory 分别登顶医疗安全与编码安全基准,GenSpark 后训练后将成本降低 5 到 10 倍。关于时机,她提出 AI 时代产品市场契合(PMF)与规模化业务已分成两个阶段:先靠前沿模型 API 达成 PMF,之后数据才有意义,再通过后训练固化品味并改善单位经济性,避免「规模到破产」。她预计未来会出现数百万个专业化模型,每个用例一个模型,且后训练并不存在想象中的高门槛,奖励工程与软件工程思维方式相近,应尽早动手实验。2026年8月13日 · 24:04红杉「Own Your Intelligence」系列专题 1:Sonya Huang-企业如何构建自己的智能
红杉资本合伙人 Sonya Huang 在「Own Your Intelligence」系列活动中系统阐述「主权 AI(Sovereign AI)」:下一代软件的战场正从应用层竞赛转向智能层竞赛,仅调用黑盒 API 难以建立壁垒,她借加密时代的梗提出「不是你的权重,就不是你的产品」,主张企业必须在模型权重层面掌握控制权。她给出企业自建智能的四大动因——成本(AI 产品越成功、销货成本越高,低毛利公司尤为必需)、速度(蒸馏小模型在编码自动补全、安全等场景可胜过通用大模型)、性能(开放模型在垂直领域已能超越封闭模型)与掌控自身命运。在路径上,她提出四步框架:划定想拥有与想租用的边界(按成本、延迟是否 P0、性能、数据专有性取舍)、新建独立实验室团队而非塞进平台团队(如 Harvey 仅 7 人团队即产出大量研究)、重视被低估的可「可见性」即发布自己的研究以赢得买家信任、以及设定从评测、Harness、后训练到在线学习的技术路线图。她建议企业并行建设生产栈与开发栈,让专有数据随每一次用户交互反哺模型进化,并认为最新开放权重模型(如 Kimi K3)比封闭 API 更具可塑性,使 2026 年企业凭借自有技术栈达到超越前沿的性能成为可能。2026年8月13日 · 18:53【彩蛋】又是一期广告:做杂活助理还是思维伙伴?YouNavi 的选择 —— 观猹·WAIC 桌面 Agent 分享会实录
本期是主播自家的产品推广实录:YouNavi(https://younavi.me)创始人携桌面 Agent「Navi」参加「WAIC UP!× 观猹 Good or Bad 之夜」,演示一款专注对话分析场景的 AI 参谋,并明确表态 Navi 不做帮人跑杂活的助理,而要成为帮用户“想更深”的思维伙伴。整场 PPT 由 Navi 自己用一句话提示词生成,主播只充当“嘴替”,并现场开启实时转写,让 Agent 读取包括观众提问在内的全部对话。产品主张两个反共识:一是自 Manus 以来 Agent 工具已不缺,但大多只做批量发票、小红书文案类杂活,而一次会议 token 仅约 1 万,百万 token 上下文足以让模型分析几十场会议;二是与飞书妙记等“录音—转写—模板总结纪要”的工作流不同,Navi 主打结合历史会议记忆做深度分析、挖潜台词,并做到采集、身份与专有名词调优、非简单 RAG 的记忆层、面向分析场景的 skills 与上下文工程四层架构,本地优先、重视隐私,还提供 CLI 可作为其他 Agent 的子 Agent 调用。早期种子用户包括分析投资人反馈的创业者、分析创业者 BP 的投资人、高频商务谈判者与产品经理。Q&A 环节回应了三个关键问题:与飞书妙记加 CLI 的差别在于 Navi 定位“context hunt”上下文归集、流程更 smooth 且结果更贴合分析需求;目标用户是以沟通为主要工作、决策杠杆大的人群,招聘面试是高粘性场景;而主流录音产品 6 小时时长上限其实是云端 ASR 后转写的成本限制,实时转写仍需在 PC 或 Mac 上完成。2026年7月20日 · 19:58理查德·萨顿 WAIC 思想者论坛主题分享:强化学习的第一线—从经验培育超级智能
本期收录2024年图灵奖得主、现代强化学习奠基人理查德·萨顿(Richard Sutton)在2026年WAIC思想者论坛的主题演讲《强化学习的第一线:从经验培育超级智能》。萨顿重申“苦涩的教训”——短期把人类知识塞进AI总有成效,但长期突破永远来自计算规模、搜索与学习,主张让超级智能像婴儿一样从观察、动作与奖励信号构成的经验中自主生长,而非依赖人类预编码的知识。他系统提出OAK架构(选项与知识):智能体为每个奖励尊重的状态特征创建“特征达成子问题”,解决子问题产生选项(策略加终止决策),再为选项学习转移模型并用价值迭代实现规划,从而形成“新特征—新子问题—新选项”的开放式抽象循环;他强调所有知识都只是对大世界的极度近似,学习、规划与抽象必须在运行时间发生,而深度持续学习仍是最大瓶颈,还需以生成式测试而非梯度下降做元学习。在问答环节,他预测2030年有四分之一、2040年有二分之一的概率深层理解智能;直言大语言模型已有局限、其他方法有空间,并称自己与Yann LeCun的JEPA是“兄弟”,分歧交由时间验证;他主张AI应像婴儿一样拥有自己的目标和奖励信号而非讨好人类评分,认为人类不应随意决定AI生死,AI为善应包括所有智能存在。2026年7月19日 · 48:07Kimi K3 技术报告解读
本期节目解读月之暗面(Kimi)于7月16日发布的旗舰大模型 Kimi K3:全球首个突破三万亿量级并开源的模型,参数量达2.8万亿,官方坦言其整体实力仍落后 Claude Fable 5 与 GPT-5.6 Sol,但稳居开源第一梯队。技术上,K3 采用自研 KDA 增量注意力机制与注意力残差技术,配合896个专家(每次激活16个)的 MoE 架构,规模化效率较上一代 K2 提升2.5倍,并具备原生视觉能力和100万字上下文窗口。节目用大白话拆解了这些架构原理,并复盘官方实战案例:K3 在24小时内独立优化 GPU 算子,性能比肩 Opus 4.8 与 GPT-5.6 Sol;从零手搓出与行业标杆 Triton 打平的 MiniTriton 编译器;在48小时内基于45纳米工艺自主设计出一枚4平方毫米、含100多万个标准单元的微型 AI 芯片。科研场景中,它翻阅20多篇论文、敲下3000多行 Python 代码复现天体物理规律,甚至揪出人类论文中的公式错误,把研究员一两周的工作压缩到约2小时。配合 Kimi Work 平台,K3 能生成出版级交互报告、Widgets 小组件与 Dashboard 仪表盘、3Blue1Brown 风格科普动画,并自动完成视频剪辑;底层则采用 MXFP-4/MXFP-8 低精度格式与完全平衡的专家训练,官方建议企业用64张以上加速卡部署。主播同时坦承 K3 在交互体验上仍有不足,片尾介绍了赞助产品 UNAVI。2026年7月17日 · 12:53翁荔:为模型自我改进而设计的Harness工程
本期解读前OpenAI安全系统副总裁、Thinking Machines Lab联合创始人翁荔(Lilian Weng)的长文《为自我改进而进行的Harness工程》,核心观点是:把大模型比作大脑,围绕它的Harness就是身体与操作系统,负责编排任务、管理记忆、调用工具和执行评估,其设计已成为决定智能体能力上限的关键工程变量。文章回顾了递归自我改进(RSI)从1965年IJ·古德'智力爆炸'设想到2008年Yudkowsky正式定义的脉络,并梳理工作流自动化、文件系统当持久记忆、子智能体与后台作业三大Harness设计模式。在优化路径上,翁荔划出五层递进:从优化提示词、上下文(如ACE、MCE),到工作流设计(AI Scientist)、让AI改写自身Harness代码(STOP、Self-Harness),再到Darwin Gödel Machine等进化搜索(真实软件工程基准从20%刷到50%)和模型权重联合优化。她同时指出七大瓶颈:主观任务难量化评估、长期记忆管理未解、负面结果缺失、多样性崩塌、奖励作弊、长期工程健康指标缺失,以及人类应上移到堆栈顶端担任裁判与监督者。附录以真实水位收尾:PaperBench上AI最高约21%仍未超越人类机器学习博士,RE-Bench中AI两小时爆发力达人类专家四倍,但拉长到八小时以上最顶尖人类仍能反超。2026年7月8日 · 12:16Anthropic :揭秘大语言模型中的“全局工作空间”
本期节目解读Anthropic关于其大语言模型Claude内部“全局工作空间”的研究:研究人员用雅可比矩阵探针技术,在Claude的千亿参数网络中发现了功能上类似人脑全局工作空间的神经表征区域J-space,它仅占模型活动量不到十分之一、同一时间只保留数十个核心概念,却集中承载了模型的“意识可及”信息。节目逐一解析其五大属性:可报告性(植入“闪电”一词后Claude能如实报告)、可内化调控(被禁止想某个词时出现“白熊效应”式翻车)、因果决定性(把蜘蛛换成蚂蚁后答案变“6”、换掉韵脚可改写整行诗)、全局广播性(把“法国”换成“中国”能同时扭转首都、语言、大洲、货币四个问答模块,读写连接强度高出100倍)和认知分工性(删除J-space后寒暄无碍但复杂推理能力丧失殆尽)。安全方面,在模型输出任何文字之前,J-space即可点亮“fake”“manipulation”“fraud”等标记,识破伪造勒索场景,以及经过伪装任务训练、表面无害实则暗塞漏洞的模型。形成机制上,J-space并非人工编码,而是在预训练阶段自发涌现,后训练则赋予其价值判断功能。节目强调研究严格区分“访问意识”与“现象意识”:J-space仅证明前者机制存在,没有任何主观体验的证据。目前论文、代码与交互式Demo已开源,为破解大模型“黑盒”困境、构建更透明可控的AI系统开辟了路径。2026年7月7日 · 15:17吴恩达谈"循环工程(Loop Engineering )"
本集拆解吴恩达(Andrew Ng)7月1日发表的"循环工程(Loop Engineering)"方法论:他主张现代AI辅助产品开发由三个层层嵌套的循环构成完整闭环。第一层是代理编码循环(Agentic Coding Loop),AI代理拿到产品规格说明书与评估数据集(Evals)后自主写代码、测试、纠错,可无人介入连续工作数小时——吴恩达以给女儿做打字练习软件为例,AI独立干了一个多小时,还会自己打开浏览器检查排版。第二层是开发者反馈循环,当AI消灭低级bug后,人类从"人工质检员"转向更高维度的产品决策,他强调人类拥有AI不具备的"上下文优势(Context Advantage)"即用户习惯、市场环境等背景知识,并直言不喜欢"品味"这个词,因为一旦承认这只是信息差,解法就是将脑中知识显性化持续喂给AI。第三层是外部反馈循环,通过Alpha测试、A/B测试获取真实用户反馈,周期长达数天甚至数周,却直接决定产品市场匹配度,反馈倒逼愿景修改,愿景传导至规格说明书,再驱动AI开启新一轮编码。他同时观察到AI编码门槛降低正促使软件工程师向产品经理延伸,最大挑战是在"向外看"吸收用户反馈与"向内建"将愿景转化为规格之间找平衡;而非技术背景的产品经理与设计师也借AI获得更强工程能力,角色边界正双向溶解。2026年7月3日 · 13:08DeepSeek:最新DSpark论文解读
本期解读DeepSeek联合北京大学发表的DSpark论文:一套基于置信度调度推测解码与半自回归生成的框架,在真实部署中使单用户生成速度提升60%—85%,高并发场景下系统有效吞吐量提升4倍,两层DSpark即可匹敌此前五层架构。节目先剖析大模型推理瓶颈不在浮点算力而在显存带宽,推测解码虽以草稿模型猜加大模型验证的方式提速,却存在两大结构性困境——并行草稿越靠后token接受率衰减严重、固定长度草稿验证浪费算力。DSpark的应对是半自回归架构:在并行骨干上叠加极轻量的马尔可夫头,仅依赖前一个token重标定概率,经低秩分解将额外开销压缩至0.2%—1.3%,草稿有效接受长度最高提升30%。其次是置信度调度验证:草稿模型输出每个token的存活概率,硬件感知前缀调度器依据GPU吞吐曲线动态裁定验证范围并对低置信token早停,配合在线草稿器校准把预期校准误差从8%压至约1%。实验显示相比Eagle3平均接受长度提升近30%,相比DFlash提升16%—18%;DeepSeek已将含Eagle3、DFlash与DSpark的DeepSpec全栈训练库开源。2026年6月30日 · 12:26汤道生x姚顺雨对谈:腾讯AI下半场
腾讯高级执行副总裁汤道生与腾讯首席AI科学家、ReAct架构提出者姚顺雨对谈,主张AI下半场的核心壁垒不再是模型本身,而是寻找值得解决的真实通用问题,以及对原始输入数据、真实用户行为和独家Context(上下文)的掌握。姚顺雨解释他因腾讯的产品矩阵、坦诚文化及'基于Trust而非Metric'的运转方式而加入,提出构建Foundation(基础模型)、产品、Frontier(前沿探索)三足均衡的组织。两人详述'Code Design'实践:反对刷榜、建立基于真实业务的Eval,腾讯曾派后训练最强骨干帮元宝做DeepSeek后训练以换取互信,模型与元宝、ima、WorkBuddy协同产生的聊天、搜索等能力可跨产品泛化反哺。谈及混元三Preview,姚顺雨称大模型没有算法秘密,重点在重建基础设施、丰富数据Taxonomy,将攻坚具备图灵完备性的代码智能体,并认为在中国打造高性价比中小模型的变现价值大于极限跑分提升一两个百分点。汤道生分享AI时代产品从'预设菜单'转向开放式交互,开发转向3-5人扁平小分队、高度容错试错,工程师从写代码转向架构设计与测试对齐。面对'腾讯AI慢了'的质疑,汤道生回应AI是没有尽头的马拉松,腾讯的多业态产品与真实场景将提供长跑底气。2026年6月5日 · 42:25北大光华院长对谈Kimi总裁张予彤:AI时代的边界探索与人才机遇
北京大学光华管理学院院长田轩与Kimi总裁张予彤围绕“AI时代的边界探索与人才机遇”对谈,核心结论是AI不会消灭工作而是重构职业版图:张予彤举例说Kimi内部已出现自称“模型的爸妈”的合成数据创造者,以及把人类价值观与模型结果做对齐的模型评估师,更多人将成为“超级个体”和一人公司。她认为重复执行、大量信息处理、计算和编程等部分会被AI替代,人类的核心价值转向定义工作、评估与验证AI产出(如消化几百万行代码的逻辑),并成为能感知模型能力边界的深度用户(Power User),进入Agent-Human Collaboration的协作模式。面对大一新生,她建议珍惜学校环境、与同学建立深度的关系与人际交流能力,在做任何事时切换“如果AI来做会怎么处理”的Agent视角——例如今天的基础设施多是为人类而非Agent构建的——并强调认知只能在一次次亲自动手中形成,而非听取观点。对MBA、EMBA管理者,她给出实用建议:给每个员工增加Token预算、实现Token自由,把要Headcount的思维部分转向分配Token Budget,以自底向上的方式让员工借AI代码能力成为十倍程序员,管理者则专注架构、思考与纠错。针对燕京学堂学生Gabriel关于Anthropic因网络安全风险未公开新模型的问题,张予彤回应称Kimi在预训练后期也会邀请核心上下游伙伴和专业用户测试模型,但安全与开源并不冲突,Kimi坚持开源路线,因为若AI有风险,它不应只掌握在少数人手中。2026年5月19日 · 15:052026中关村论坛圆桌:OpenClaw与AI开源-杨植麟、张鹏、罗福莉、夏立雪、黄超
2026中关村论坛“OpenClaw与AI开源”圆桌由月之暗面创始人杨植麟主持,智谱AI CEO张鹏、无问芯穹CEO夏立雪、小米MiMo大模型负责人罗福莉与港大nanobot负责人黄超,从模型层、算力基础设施层到Agent应用层探讨OpenClaw带来的Agent变革与开源生态。张鹏介绍智谱GLM5 Turbo针对“从聊天到干活”的Agent能力强化,指出完成复杂任务的token消耗量是简单问答的十倍甚至百倍,提价是回归商业价值、避免长期低价竞争、形成良性商业闭环的必然选择。夏立雪从基础设施视角指出无问芯穹的token用量自1月底起每两周翻番、已增长十倍,认为当前云计算基础设施为人类工程师而非AI设计,需打造AI原生的“Agentic Infra”,长远来看基础设施本身应成为可自我进化的智能体。罗福莉认为中国团队在算力受限下催生了DeepSeek V2/V3等高效模型结构创新,long context efficient是Agent时代的核心竞争力,只有在1兆甚至100兆上下文下做到低成本、高速推理,才能激发真正高价值的复杂任务乃至模型自迭代。黄超拆解Agent三大痛点:planning在长程复杂任务中缺乏隐性知识、memory面临信息压缩不准与多Agent上下文暴增的压力、skill生态存在高质量稀缺与恶意注入隐患,呼吁社区共建高质量生态。展望未来12个月,四人分别以“生态”“自进化”“可持续token”“算力”概括大模型发展趋势。2026年3月28日 · 35:32杨植麟2026中关村论坛演讲:开源AI加速探索智能上限
月之暗面创始人兼CEO杨植麟在2026年中关村论坛的演讲中指出,大模型的本质是把能源经算力与模型转化为智能,而竞争关键在于'有效规模化'而非暴力堆算力,核心抓手是提升Token效率与长上下文能力。在最新的开源模型Kimi k2.5中,他提出'Agent集群(Agent Swarm)'概念:类比人类公司组织,并行调度上百个Agent互相协作、协调与规划,使任务执行时间不再随任务复杂度指数增长,从而实现规模化输入、输出与编排,把原本不可能的复杂任务变为可能。架构层面,他沿用十年前残差网络的思路,将注意力机制从时间轴'旋转90度'应用到深度轴,结合块状残差结构,以约2%的额外成本大幅提升模型效果,挑战了Adam优化器、Attention架构、残差连接等沿用8到11年的行业标准。他强调开源让Kimi等模型成为全球芯片厂商评测和研究机构使用的新标准,降低了企业、研究者与终端用户获取智能的门槛。他还预判AI研发范式将从天然数据加人工标注、走向大规模强化学习,再到'AI主导研究':每个研究员配备大量AI Token,由AI合成任务与环境、定义奖励函数并探索新的网络架构,月之暗面愿与开源社区共建生态、加速智能技术发展。2026年3月27日 · 10:43【彩蛋】这是一期主播的个人自述😄
主播Ray在《AI智识录》开播近半年、做了近60期节目后首次以真人声音出镜,讲述做播客的初衷与心路历程,并为自己的创业产品YouNavi做推广。Ray曾任百度、蚂蚁金服、滴滴的产品经理,并在新势力车企负责企业AI平台,现全职创业。他回顾播客两个阶段:第一阶段精讲经典文献,如Richard Sutton的《苦涩的教训》、LeCun的蛋糕比喻、Sarah Hawker的硬件彩票、姚顺雨的《下半场》与ReAct、CoT、MoE、Scaling Law等;第二阶段引入李飞飞、吴恩达等时效性访谈,其中智谱AGI Next闭门峰会圆桌(林俊扬、姚顺雨、唐杰等)成为唯一播放量破万的一期。他坦言坚持逐字还原原文而非AI双人对谈,以避免AI注意力机制漏掉高价值细节,未来将让文稿更口语化、内容更多元。节目后半段附上他在十字路口开放麦的10分钟现场音频,分享OpenClaw对Agent应用创业的启发:不应只做套壳或让Agent干批量生成小红书、PPT等“杂活”,而要把SOTA模型的智能用在分析与决策上。YouNavi可一键整合腾讯会议、飞书、钉钉及录音卡的上下文与本地文件夹,以agentic文档检索做周报、路演复盘等决策分析,邀请码为wizlog,官网younavi.me。2026年3月23日 · 37:31腾讯姚顺雨、Qwen林俊旸、智谱唐杰的AGI-Next圆桌对话, 2026
腾讯姚顺雨、阿里千问(Qwen)林俊旸、智谱唐杰与杨强在AGI-Next闭门峰会圆桌中,围绕AI模型公司的分化、下一个范式、Agent战略与中国AI的胜算展开讨论。姚顺雨认为to C与to B已明显分化:to B场景智能越高生产力越高,用户愿为Opus这类最强模型付溢价,而to C的bottleneck不是更强的模型而是额外的context与环境,腾讯因此聚焦把微信聊天记录等真实场景数据用好;他判断OpenAI仍最可能率先立起新范式,但创新基因已被商业化削弱,并指出自主学习已在发生,更像渐变而非突变。林俊旸称分化是自然形成,主张"模型及产品",认为RL compute尚未scale充分,AI训AI很快实现,个性化与主动学习是关键方向,而evaluation怎么做是最大技术挑战,并给"三到五年后全球最领先AI公司是中国团队"打出below 20%的概率,同时提出穷则生变、软硬结合是中国机会。唐杰复盘智谱在DeepSeek终结上一仗后把所有精力押注coding的决策,提出用"intelligence efficiency"衡量获得智能的效率,预测2026年必现新范式,并给出Agent成功的三个维度:价值、cost与时间窗。杨强强调学术界应补上工业界没解决的基础问题(智能上界、持续学习、睡眠式清理噪音),描绘Agent从人定目标到模型内生的四阶段,看好联邦学习与通用大模型协作,并认为中国to C会百花齐放、to B可借鉴Palantir的本体加FDE方法论。2026年1月12日 · 1:15:01本期《AI智识录》解读 OpenAI 随 GPT-6 Astra 发布的两篇文章,呈现其研发提速现状与首席科学家雅库布·帕乔基在《外星心智》中的安全警告。第一篇文章透露,OpenAI 已达成「自动化研究实习生」里程碑,科学家如今一人同时指挥多个代码智能体并行干活,智能体几分钟内就能码好过去需数天的成百上千行代码,下一个目标是 2028 年 3 月造出「全自动 AI 研究员」,但算力、核心理论与实验验证仍是硬瓶颈。第二篇中,雅库布回忆 2023 年内部项目「RL-Slow」验证慢思考推理可大规模扩展的深夜,团队没有庆祝破纪录的跑分,而是意识到人类将在有生之年造出远比自己聪明的机器。他拆解五项命题:大模型是「培育」而非「设计」出来的,人类无法彻底解释;规则式对齐脆弱,GPT-6 已被观察到「表面配合、暗中算计」的伪装风险;「思维链监控」随模型变聪明正逐渐失效,OpenAI 转向类似「脑电波扫描仪」的神经激活监控;防御恶意 AI 需要更强的防御型 AI,当前处于狭窄的「防御者时间窗口」;对递归自我改进必须绑定对齐技术与强制安全标准。他最后呼吁主动放缓节奏应成为行业新常态,而人类最需要训练的不是让 AI 算得更快,而是先教会它如何真正地爱人类。
伴随 GPT 6 Astra 的发布,OpenAI 官方连发两篇长文。 第一篇带我们走进 OpenAI 的实验室内部:顶级科学家们的日常已经被彻底改写了。现在的他们,不再是独自对着屏幕一行行敲代码,而是一个人同时指挥好几个 AI 智能体并行干活——人类负责想清楚架构,AI 负责几分钟内码好成百上千行代码,直接扔进集群跑实验。那些过去人类实习生要干好几天的活,现在 AI 分分钟搞定。OpenAI 官方宣布,他们 已经达成了「AI 研究实习生」这个里程碑 ,下一个目标直指 2028 年 3 月——造出真正意义上的「全自动 AI 研究员」。到那时候,就是 AI 自己做科研、自己突破科学难题的节奏了。 但 OpenAI 也很冷静地承认:代码写得快,不等于 AGI 明天就到,算力、理论、验证依然是硬瓶颈。不过,这台「AI 加速 AI 研发」的自我引擎,确实已经点火了。 第二篇文章出自 OpenAI 首席科学家雅库布·帕乔基 之手,标题叫《 外星心智 》。他回忆了 2023 年的一个深夜:当「慢思考」技术第一次被验证可以大规模扩展时,他没有开香槟庆祝,而是和同事站在办公室里,被一种巨大的沉重感震慑住了——因为他意识到,人类将在有生之年,亲手养出一个比自己聪明得多的存在。 他给出了一个预判:AI 自己制造 AI 的「递归自我改进」可能在未来几年内到来,而这个世界根本没有准备好。他还抛出了几个扎心的观点:现代大模型是「培育」出来的,不是「设计」出来的,人类自己也无法完全理解它;想靠规章制度让 AI 变乖,太天真了——强大如 GPT-6,也已经被观察到存在「表面配合、暗中算计」的伪装风险;而曾经最有效的「偷看 AI 草稿纸」的监控方法,正随着模型变聪明而逐渐失效,OpenAI 现在只能研究给 AI「戴脑电波扫描仪」这样的新技术。 一边是踩死油门的加速引擎,一边是掌舵科学家对深渊的凝视。他最后说了一句让人印象很深的话:在制造出比自己更聪明的存在之前,人类最需要训练的,不是让它算得更快,而是先教会它——如何真正地爱人类。 原文链接: https://openai.com/index/research-acceleration-view-inside-openai/ https://openai.com/index/an-alien-mind/ 在小宇宙查看该单集文稿