The Information：
- DeepSeek的年化收入在4亿-5亿美金之间，几乎全是API销售所得，毛利能做到70以上；
- 定价便宜的同时还能保持高利润率是因为Infra太牛逼了，能比别人用更少的算力消耗运行模型；
- 和上次相比，近期开启的第二轮融资放宽了很多限制，比如可以直接投资DeepSeek，而不是只被允许间接投资梁文锋实控的有限合伙实体；
- DeepSeek的交易结构是QFLP，也就是能够合法的接受境外美金，投资者可以把离岸资本换成人民币入股；
- 明确IPO时间表也是新的变化，在第一轮融资的路演时，DeepSeek的态度还是没有上市计划，要求投资者锁定持股不低于5年；
- 几个月前Mythos的突破和随后智谱的市值暴涨或许构成了部分的影响因素，于是DeepSeek决定加速，花大钱、办大事。
风险回报看起来又变得很有吸引力了。
有很多价格便宜、具备持久竞争优势的股票，未来 6—12 个季度的业绩可能会大幅超预期。
还有一周。
欢迎在线观看直播，了解 AMD 以及更广泛 AI 生态的最新动态。
了解更多：https://www.amd.com/en/corporate/events/advancing-ai.html?utm_campaign=AAI26_%3CGeneral%3E&utm_content=1784210413&utm_medium=social&utm_source=twitter
前几天去阶跃的发布会，手快拍到了这张名场面。
老板在台上讲这三句话，对应的是AI行业一日千里的发展速度。
阶跃发了一堆东西，在正式推出首个大模型原生AI终端品牌STEPX底下，嵌套了一份智能体原生操作系统Step AOS、一个由模型矩阵和Step AOS共同驱动的个人智能体阶跃Amoo、以及一款自主研发的智能体手机STEPX Neo。
记不住？那就对了，其实也不用记，你们只需要知道，本质上就是一回事：模型、软件、硬件，缺一不可。
不是阶跃要不自量力的硬造手机，是没有专门给AI使用的手机，作为原生智能体的Amoo根本活不下去。
ChatBot已经退版本了，这是一年来的行业共识，谁家兜里没有备上几个Agent产品，都不敢出来大声说话。
但是问题在于，绝大多数所谓的智能体产品，天生就被绑住了手脚，只要它们依然需要在现存终端及其软硬件生态里运行，就注定无法发挥出理论的能力上限。
因为所有的基础设施，都是服务于人类的，从经济系统，到交互模式，都倒逼智能体去模仿人类，比如用视觉化的方案去点击App里的各种按钮，Token的消耗和收益完全不成正比。
所以到头来反而是CLI这种返祖化的工具大行其道，通过代码交流，AI总算找到了最自在的用武之地，却在同时也放弃了大众市场，普通人看到命令行窗口，就没有不两眼一黑的。
包括很多以「先进」为名强行让智能体取代人机交互的做法，也给人一种为了AI而AI的反直觉，比如在一个聊天框里输入指令去完成某个动作，未必要比点开软件直接操作更加省事，它更像是一种刻意的炫技，而非真实的创新。
为什么模型大厂的核心产品都发布在PC上？因为PC的架构太早了，还没来得及学会智能手机时代的种种「陋习」，未必发自善意、但确实在客观上留下了足够充裕的可操作空间。
这些解法难免「戴着镣铐跳舞」，本质上还是无法舍弃「既要又要」的求全态度，这当然是可以理解的，君不见稍有进犯的AI手机们是怎么在一夜之间成为行业公敌的？
于是，阶跃选择了，不讲武德。…
既然老登生态坚持防火防盗防AI，那么也就没必要假模假样的在现有OS上致力于加上一层Agent的壳了，无论这个壳的名字起得有多深刻，都是在自欺欺人。
屎山代码不要也罢，大模型需要真正的原生AI终端，它的每一行代码，都应该是为比特世界的生物所写的，只有这样，智能体的行动力才不是缘木求鱼。
其实在我看来，这个历史使命，原本或许轮不到阶跃来接住，但是既然在座各位同行都⋯⋯那么的温良谦让，不破不立的决断，就交到了阶跃手上。
阶跃并非头脑发热来牵这个头，在中国的AI大厂里，它是唯一一家主打模型+终端商业化路线的，端侧落地能力是其立身之本。
所以从一开始，阶跃就采用了原生多模态一体化的训练方案，不单独拆分图文语音，以前大家看不懂的地方，现在都一眼通透了：
不同于聊天机器人，智能体天生就得有全知觉的自主能力，它要能听、会看、有记忆、懂人性、真正行动起来，这些都不是单一的知识训练能满足的。
这也意味着，让智能体成为成千上万个应用图标之一的妥协做法，是行不通的，在阶跃眼里，Amoo是如此的重要，重要到需要为它打造一个专属的世界，以原住民——而非插班生——的身份，重新构建一个智能体与人类共生的OS生态。
注意，不是AI +OS，是完全给智能体用的Agentic-native OS，用户实际交互的前台产品，就是那个名为阶跃Amoo的智能体，我们在科幻电影里看过的所有终极想象，无论是全知全能的Mother，还是藏在钢铁机甲里的Jarvis，最开始的雏形，一定都是如此。
你们觉得这个方向对路吗？或者说，在人类之外兴建第二套基础建设、专供给未来的AI使用，这个提前判断有没有道理？
星舰第 13 次飞行今天就要进行，而它又一次将创造历史。
回顾：一名 SpaceX 员工与埃隆·马斯克见面、拥抱，并对星舰飞行充满乐观的精彩瞬间。
“我们会成功的。”这名员工对埃隆说。
我发誓，Grok Build 大约能给我的智商增加 60 分，这意味着使用它时，我终于可以体验一下智商位于全人类前 50% 的感觉了。
在你的 CLI 中渲染 Mermaid 图表。
我研究了一下刚刚开源的 Grok Build CLI 工具——竟然有 844,000 行 Rust 代码！还挖到了一些有趣的亮点，其中包括一个“自包含的 Mermaid 图表终端渲染器”，可以使用 Unicode 方框字符来渲染图表。
Rick Scott 说得对。
在《SAVE America Act》通过之前，我们不应该回家。如果需要，就取消 8 月休会。
美国人想要安全的选举。
让我们继续努力，直到事情完成。🇺🇸
我的天啊！
众议院刚刚以 215 比 211 的投票结果通过了一项特别规则决议，要求将《SAVE America Act》的文本附加到《国防授权法案》（NDAA）中。
众议院正在履行职责。
@SpeakerJohnson 正在兑现承诺。
购买特斯拉很容易。
在我们的网站上 2 分钟内下单，然后在 Tesla 应用中完成整个流程。
“我的 @Tesla 购车体验与我过去经历过的任何事情都完全不同。通常，买车时你要去经销商那里试驾，然后和销售人员讨价还价，接着还要与金融团队打交道——而金融团队通常比销售人员更糟糕。我至今还记得多年前买过的一辆车，整个过程花了整整六个小时。那次体验糟透了。
“这一次，我甚至不确定自己是否真的要买 Tesla。我只是想试驾一下——以前我甚至从没坐过 Tesla。我没怎么关注 Model Y，虽然经常在路上看到它。和许多燃油车车主一样，我过去觉得电动车有点愚蠢。但这些年来，Tesla 的基础设施改善了太多，所以我决定值得去了解一下。
“我现在开的车是一辆 2020 年的 Volvo，已经开始显出老态。尽管我曾答应丈夫会一直留着它，但维护费用越来越离谱。仅 5 万英里保养一次就花了大约 800 美元。所以我预约了下午 1 点的试驾。
“到店后，一名 Tesla 顾问先开车带我体验 Autopilot 的工作方式，然后把钥匙交给我。我只开了大约 10 分钟，回来后又花了一些时间了解车辆的各项功能。之后我就被说服了。我想要这辆车。
“去店里之前，我已经查过 Tesla 针对我的 Volvo 给出的置换报价，明显高于 Carvana 的报价。账算得过来。我只需要填写贷款申请。贷款利率低得惊人，只有 0.99%；如果我把贷款持有到整个期限，全部融资费用也只有大约 800 美元。这根本不需要犹豫。
“我下午 1 点到店，大约下午 5 点开着新 Tesla 回家。大部分时间甚至不是在 Tesla 门店里度过的——我得先回家吃饭、找出车辆所有权证书、清空旧车、和丈夫商量，然后再回店里。如果这些事情我提前都做好，把车清空并带上所有权证书，我大概一个小时就能办完手续。
“他们碰巧还有我本来打算当场订购的确切车型、颜色和配置。我不必等待定制生产。
“这篇吐槽有点长，但这就是我的 Tesla 购车故事！”
Starlink 与孟加拉国的 @JAAGOFoundation 正在为偏远学校的 30,000 名学生提供网络连接，让每个孩子都有机会培养过去无法实现的数字技能 🛰️💓
通过与 @Starlink 合作，我们正在重新定义教育的可及性——为 26 个地区的 167 间教室带来顺畅、不间断的学习体验。通过弥合数字鸿沟，我们正在打破地理障碍，为 30,000 名学生打开接受优质教育的大门，并进一步践行我们的承诺：确保每个孩子都享有平等的权利和机会。
鉴于上海现在最热的有两件事，天气和AI。所以到#2026世界人工智能大会# 现场，成为 @微博AI @微博科技探展团成员，也就两样都占上了。
另外，多说一句，我觉得waic的一大作用在于，在学术会议之外，大家也开始为一个商业性会议买单了。这也是一种FOMO？
7月15日上海经历酷热一天虽然看起来温度只有38.9度但湿度很大，体感温度达到了48度更关键的是到了晚上，上海酷热难消21点徐家汇35.3度，湿度54%体感温度仍然高达43度左右上海市区其他地方也差不多这么热除海岛外，上海目前最凉快的是迪士尼但体感温度也高达39度可见，今晚的上海已经足以让人中暑请一定不要夜跑，不要在户外锻炼身体晚上睡觉尽量开空调或用其他方法降温千万别中暑
//@老盆16498486416:tesla在德州已经L4了，cybercab没L4怎么上路？
#模型时代# 英伟达汽车负责人吴新宙：英伟达内部都要抢GPU，五年内可实现L4，中国的情况在于路况复杂
偶然间刷到The Verge旗下播客Decoder于2026年7月13日上线的一期对话，嘉宾是国内智驾圈非常熟悉的了，英伟达汽车业务副总裁吴新宙（Xinzhou Wu）。
不熟悉也没关系，我再做个补充：吴新宙清华本科、UIUC电气工程博士，在Qualcomm主导过汽车自动驾驶团队，2018年加入小鹏汽车任自动驾驶副总裁，带过1000多人的团队，2023年回到美国加入英伟达。他现在负责英伟达汽车业务的战略、产品和工程执行。2026年1月CES上，英伟达宣布Mercedes-Benz CLA将成为首款搭载其完整Drive AV软件栈的量产车型，计划年底在美国上市。3月GTC上，英伟达又与Uber达成合作，计划2027年起在洛杉矶和旧金山湾区上线搭载英伟达Drive Hyperion平台的L4 robotaxi，到2028年覆盖28座城市。
所以这是一位很难得，熟悉中美两地汽车产业的专家高管。
主持人Nilay Patel是The Verge主编，也是Decoder播客的主持人。他问吴新宙：“你需要跟英伟达内部其他部门抢GPU资源吗？”吴新宙的回答是：“Yes，believe it or not。Even Nvidia has a limited supply of GPU for compute。”（信不信由你，连英伟达的GPU算力都是有限的。）他每周都要跟其他部门负责人开会分配训练、测试、开发用的计算资源，有时候还得请黄仁勋出面裁决。不只是算力，被问到是否也要争抢晶圆产能时，他的回答同样是“Oh yes”。
所以，算力依然是硬通货啊。
一、从“软件定义汽车”到“AI定义汽车”…
1、行业共识已经形成，分歧只在速度
吴新宙认为，用一到两台中央计算机替代传统汽车里几十甚至上百个ECU，也就是那些分布在车辆各处、各自独立控制某个子系统的电子控制单元，这件事已经从争论变成了共识。他说“最近已经没听到谁在反对这件事了”，各家车企讨论的只是快和慢的问题。Tesla和Rivian这样的新势力从一开始就按这个架构造车，传统车企也在跟进。
2、传统车企曾经变成了“保险公司和金融公司”
Patel在对话中提供了一个尖锐的背景描述：过去五年的电动化进程中，传统车企逐渐意识到自己已经变成了保险公司和金融公司，真正造车的是它们的供应商。Tier-1供应商掌控着汽车的大型子系统，车企想做一次OTA远程软件更新，要去找15家不同的供应商协调。所有人都意识到必须夺回对整车工程的控制权。这是“软件定义汽车”这个概念真正的商业推动力。
3、中国的五年加速实验
2018到2023年，吴新宙亲历了中国汽车行业的这轮巨变。他的判断是：中国车企的优势不仅仅是“没有历史包袱”。新势力确实可以从零开始设计电子架构，但更关键的是，连中国的传统车企也被迫跟上了新势力的节奏，所有人都在向单一中央计算架构迁移。竞争环境逼着所有人加速，而不只是起跑线靠前的人。
4、传统车企转型为什么这么难
汽车行业的“重”体现在多个维度：供应链庞大、员工众多、每推出一款车就要支撑10到15年的售后。英伟达作为供应商同样要做出同等时间跨度的承诺，包括对当前这一代芯片。同时，从传统架构转向软件定义，需要完全不同的人才储备。吴新宙说这正是英伟达能切入的原因：车企缺的不只是芯片，还有整套技术栈和围绕它的开发能力。
二、英伟达汽车团队的内部运作
1、数千人团队，地图组是“无名英雄”
英伟达汽车团队的规模在数千人量级，覆盖硬件、软件、模型和基础设施。工程之外还有产品、战略，以及吴新宙称为“unsung heroes”的地图团队。高精地图对L3、L4高等级自动驾驶路径仍然至关重要。还有数据基础设施团队。团队主体在美国，在中国和欧洲也有分支。
英伟达还有“虚拟团队”文化。Nemotron和Cosmos这些开源基础模型的开发团队，成员横跨研究、软件、硬件部门，不按传统的组织汇报线划分，而是按项目目标聚合。汽车团队可以直接利用这些虚拟团队的成果，在此基础上构建面向自动驾驶行业的模型。
2、黄仁勋的管理方式：不开一对一会议
吴新宙在英伟达三年了。他描述黄仁勋的管理方式时用了“unique”这个词。黄仁勋不跟下属开一对一会议，而是不同的业务组分别和他做技术、战略、产品层面的集体review，每个人都在场，当场讨论解决。吴新宙说黄仁勋在技术细节上的跟进深度让他印象深刻，能跟上前沿技术进展的CEO本身就不多见。他把这段经历称为“a once-in-a-lifetime experience”，一辈子难得遇到一次的学习机会。
3、“零万亿美元业务”：内部资源争夺的裁决标准
英伟达内部分配资源时，当期收入是重要指标，但不是唯一指标。黄仁勋有一个说法叫“零万亿美元业务”，指的是那些现在还没有收入、但未来可能成长为万亿美元市场的方向。英伟达不是一家追求市场份额最大化的公司，而是在“现在赚钱的业务”和“创造未来的业务”之间做平衡。自动驾驶就属于后者。黄仁勋本人是自动驾驶未来的坚定支持者，不仅在算力分配上给汽车团队腾空间，晶圆产能的分配也在考量之内。
三、全栈平台：从芯片到开源模型
1、“三台计算机”框架
吴新宙把自动驾驶问题定义为一个“三台计算机问题”。训练计算机负责用DGX系统训练模型，仿真计算机用OVX系统跑模拟验证，推理计算机就是装在车里实时驾驶的DRIVE AGX。英伟达的战略是把这三层全部覆盖，打包成一个叫DRIVE的平台输出给车企。
2、Hyperion：在成本和能力之间找“充分必要传感器组合”
Hyperion 10是英伟达推出的量产级开发平台，包含计算单元和传感器方案。吴新宙用了一个概念叫“sufficient necessary sensor set”，就是在成本和能力之间找到的充分必要传感器组合。它分两个版本：基础版配10个摄像头、3个雷达、不带激光雷达，成本可控，定位L2++，也就是增强型辅助驾驶。高配版配14个摄像头、3个激光雷达、7个雷达，提供L4全自动驾驶所需的传感器冗余。
3、Alpamayo和Halos：模型与安全护栏
Alpamayo是英伟达在2026年1月CES上发布的开源自动驾驶模型家族。黄仁勋称之为“物理AI的ChatGPT时刻”。它采用VLA架构，全称Vision-Language-Action，模型同时处理视觉输入、语言推理和动作输出三条信息流。第一代Alpamayo 1是100亿参数，后续的Alpamayo 2 Super扩展到320亿参数，面向L4 robotaxi场景。Alpamayo不只开源模型架构，还开源参数和可用于微调的数据。
Halos是英伟达的安全操作系统框架，同时承担两个角色：为开发者提供SDK和API，也提供安全护栏，确保在英伟达硬件上部署的模型符合汽车功能安全标准。
4、灵活分层：从全包到只用芯片
英伟达商业模式的核心是开放分层。Tesla这样有能力自研推理芯片的公司，英伟达仍然在云端与其合作做训练和仿真，甚至帮助优化他们的模型。Mercedes这样希望拿到整套方案的车企，英伟达则像一级供应商一样深度嵌入，从定义产品到适配品牌的驾驶体验DNA，双方工程师紧密协作。吴新宙的原话是“我们不挑赢家”，根据车企的能力在不同层面提供支持。
四、双栈架构：AI推理与经典安全护栏并行
1、端到端模型负责驾驶，经典栈负责“盯着”
英伟达在ADAS辅助驾驶系统和更高级别自动驾驶中都采用双栈并行架构。一条是端到端AI模型，像素输入、轨迹输出，从感知到决策一体化完成。另一条是经典栈，由多个独立验证过的组件构成，按汽车行业最高功能安全标准ISO 26262开发，这套标准规定了车载安全相关电子系统的开发和验证方法。
两条栈同时运行。每一帧画面，经典栈都会检验端到端模型输出的行驶轨迹是否安全。吴新宙把经典栈称作“Big Brother”，本质上是一道持续在线的安全护栏。如果AI模型产生了一条有问题的轨迹，经典栈会拦截。
2、模型在用语言给自己“讲解”驾驶过程
在英伟达下一代车型上，车载计算架构升级到了代号SOAR的新平台，自动驾驶模型内嵌了语言能力。它在驾驶过程中会持续用语言推理，类似在“自言自语”：看到前方有车，需要变道，准备为即将到来的出口做准备。
乘客可以跟模型对话，问它正在做什么，也可以用语言指令让它加速、减速或变道。GTC台湾站上英伟达展示过一段视频，模型的“自言自语”是持续不断的，吴新宙承认“如果你真的去听模型推理的每一句话，会觉得相当烦人”。
Patel半开玩笑问他：Anthropic说Claude有感受和情绪，你觉得你的模型在开车的时候有情绪吗？吴新宙的回答是：“We'll use the guardrail to make sure it doesn't get too moody。”（我们会用安全护栏确保它别太情绪化。）
3、延迟控制在100毫秒以内，不依赖5G
Patel追问了一个关键问题：语言推理天然就慢，怎么兼容驾驶的实时性要求？吴新宙的回答是：模型是多模态的，语言只是其中一部分。视觉信号负责瞬时反应，语言推理更多承担的是规划层的工作。对比经典栈的多组件串行处理通常需要几百毫秒，端到端模型因为是单次推理，延迟可以控制在100毫秒以内。
关于网络连接，吴新宙明确否定了“5G实现自动驾驶”的说法。L2+辅助驾驶必须在完全没有信号的盲区也能正常工作，对云端建立实时依赖“不是一个好主意”。到了L4，网络连接可以被视为“一种传感器”，和GPS、摄像头一样需要冗余设计。单一故障点出现（比如突然丢失GPS或网络）时，车辆必须能依靠本地感知安全地靠边停车，这是L4开发的基本原则。
4、每天500万次模拟测试
为了压制模型的幻觉问题，英伟达建立了大规模仿真验证体系。当前的开发节奏是每天大约迭代10版模型，每天跑大约500万个测试场景，逐一验证模型在各种情况下是否输出了正确的行驶轨迹。
五、数据飞轮：合成数据与OEM共享
1、NuRec：从一条真实数据生成无数变体
英伟达用一种叫NuRec的技术，全称neuro reconstruction（神经重建），从实际道路采集的数据中衍生出大量变体。比如原始数据里一个行人在某个时刻走出来，NuRec可以改变行人出现的时间、改变背景环境、改变车辆轨迹，让同一段数据生成几十种不同的训练场景。这本质上是用计算换数据：真实数据量有限，但算力可以把有限的数据放大成千万级的训练样本。
2、OEM数据共享：集体追赶的逻辑
所有加入英伟达Drive生态的车企，可以共享通过各自量产车项目采集的驾驶数据。吴新宙认为这对车企的吸引力有两层：一是省钱，自建大规模数据采集车队的资本开支巨大且重复；二是集体追赶，单独一家车企在数据量上几乎不可能追上Tesla或Waymo的积累，但通过生态共享可以缩小差距。
3、基础模型的杠杆作用
除了车辆专属数据，英伟达还在利用Nemotron和Cosmos这类在互联网数据上预训练的基础模型来增强自动驾驶模型的泛化能力。吴新宙的逻辑是：基础模型从前沿大模型那里继承了通用的推理能力，移植到驾驶场景后，即使没有针对某个特定路况的专门数据，模型也能更好地应对。这是从“数据规模竞赛”转向“计算+预训练知识竞赛”的关键一步。
六、成本方程：传感器在降价，算力在涨价
Patel在这期节目里提到，The Verge网站上流量最高的是一款叫Slate的卡车，售价25,000美元，连收音机都没有，没有油漆，就是一块电池加四个轮子。消费者正在用钱包投票，要求更便宜的车。而吴新宙描述的自动驾驶方案需要大量车载硬件。这两个方向怎么兼容？
1、传感器成本在快速下降
吴新宙说，在他15年的职业生涯里，亲眼看到雷达价格降了四到五倍，摄像头传感器的价格也在下降。竞争者增多、出货量增大、规模效应显现，ADAS所需的各种组件正在变成大宗商品。
2、算力需求以每两年10倍的速度增长
另一面的趋势是：自动驾驶领域的算力需求增速远超半导体行业的传统节奏。吴新宙给出的数字是每两年大约增长10倍，他自己用了一个词：“insane”。传统摩尔定律下芯片性能大约每两年翻一倍，自动驾驶要求的增速是它的三倍多。
3、芯片价格大概率要涨
吴新宙直言，因为全行业对每一颗芯片的需求都极其旺盛，芯片价格大概率要上涨。他和其他部门负责人不仅在争抢GPU算力，还在争抢晶圆产能，而英伟达数据中心业务的客户付得起更高的价格。对车企来说，这意味着买到的芯片可能越来越贵。
七、激光雷达之争与Tesla的位置
1、L4需要激光雷达，但有条件限定
吴新宙的回答留了余地。他先给了结论：“Short answer is yes”，英伟达认为激光雷达对L4级别自动驾驶的安全和冗余至关重要。但他紧接着加了限定：理论上，通过积累海量行驶里程，有人可能证明不用激光雷达也行，但这会带来ODD的限制。ODD的全称是operational design domain，指的是这项技术可以安全部署的适用场景范围。不装激光雷达不是不能做L4，而是能做L4的场景会缩小。
2、Tesla在L2++领域领先所有人
吴新宙对Tesla的评价坦率且有层次。在L2++辅助驾驶领域，“Elon is probably ahead of everybody”，其他人都在追赶。他说英伟达对此感到高兴，因为Tesla在SpaceX和Tesla的GPU计算方面也是英伟达的大客户。
但在L4领域，吴新宙认为局面远未确定。Waymo是唯一已经证明L4可以安全地在城市级范围内向消费者开放、且车内无驾驶员的公司。Tesla“probably still trying to find the path there”。
3、激光雷达对话至今没发生在最高层
Patel问他是否跟Tesla高管讨论过使用激光雷达的可能性。吴新宙说他本人还没有，但他的团队有过接触。他说这归根到底是基本的科学和推理问题，他期待能亲自与Tesla方面交流。这个回答说明双方在技术路线上的分歧仍然存在，且没有在决策层当面交锋过。
八、商业模式与时间线
1、万亿美元机会的计算方式
全球汽车每年行驶约13万亿英里，其中自动驾驶的比例大约只有0.006%。英伟达的商业目标是从每一英里自动驾驶行程中获取一定比例的收入。收入来源可以是向车企收取芯片和软件费用，也可以是robotaxi运营中的分成。吴新宙认为私人拥有的乘用车和robotaxi两种模式会长期并存，就像有人买房、有人租房。
2、中美各有优势，L4不一定中国先到
Patel判断L4会在中国率先成为主流体验。吴新宙不同意。他的理由是：Waymo已经在旧金山向消费者开放了无人驾驶服务，这在全球范围内仍然是唯一经过充分验证的L4部署。中国市场竞争激烈、玩家多，但在他的经验里，还没有哪家达到了Waymo在旧金山的成熟度。另一个因素是中国城市的路况比美国复杂得多，这反而增加了L4部署的难度。
英伟达目前和不少中国车企保持着合作关系，合作形式包括车载推理芯片、仿真工具，以及开源模型Cosmos和Alpamayo。吴新宙说，一方面可以帮助中国车企改进模型，另一方面英伟达也从中国市场的激烈竞争中学习。
区域差异确实影响模型的部署。不同地区的数据法规不同，欧洲尤其严格，驾驶模型需要做地区适配，交通规则和参数都有差异。吴新宙试图尽可能减少模型的分叉，但完全统一不现实。
3、L4量产乘用车：不到五年
在播客末尾，Patel追问主流消费者能买到L4级别乘用车还要等多久。吴新宙给出了他的预测：“I wouldn't say five years，but less than five years。”
更近期的里程碑是：2026年底前，英伟达的ADAS技术将部署到美国市场的所有Mercedes车型以及其他合作伙伴的车辆上。与Uber合作的L4 robotaxi计划在2027年上半年从洛杉矶和旧金山湾区开始运营。目前，80%的量产车企已经加入了英伟达的Hyperion生态。
核心归纳
Q1：英伟达的自动驾驶双栈架构具体怎么运作？
端到端AI模型和经典安全栈同时运行。AI模型接收摄像头等传感器的原始像素，直接输出行驶轨迹，同时内嵌语言推理能力，在驾驶过程中用语言“自言自语”来规划路径。经典栈由按ISO 26262标准开发的独立组件构成，每一帧都会检验AI模型输出的轨迹是否安全，相当于一个永远在线的“Big Brother”。两者的冗余设计是英伟达从L2++一路延伸到L4安全策略的基础。
Q2：车企为什么愿意跟竞争对手共享驾驶数据？
成本和规模双重压力。自建大规模数据采集车队的资本开支巨大且高度重复，单独一家车企几乎不可能在数据量上追平Tesla或Waymo。加入英伟达Drive生态后，各家量产车项目采集的数据可以汇聚到一起训练共享模型，再加上NuRec合成数据技术把有限的真实数据放大成千万级训练样本，后来者集体缩小数据差距的速度比单打独斗快得多。
Q3：吴新宙如何评价Tesla的自动驾驶地位和激光雷达路线之争？
分两层看。L2++辅助驾驶领域，Tesla领先所有人，英伟达也是Tesla的GPU供应商。L4全自动驾驶领域，局面未定，Waymo是目前唯一在城市级范围内向消费者开放无人驾驶服务的公司。关于激光雷达，英伟达的立场是L4需要激光雷达来提供安全冗余，不装也不是绝对不行，但可用的部署场景范围会大幅缩小。
//@七罪八戒SICARIO:跟地平线余凯的认知和打法很接近啊
#模型时代# 英伟达汽车负责人吴新宙：英伟达内部都要抢GPU，五年内可实现L4，中国的情况在于路况复杂
偶然间刷到The Verge旗下播客Decoder于2026年7月13日上线的一期对话，嘉宾是国内智驾圈非常熟悉的了，英伟达汽车业务副总裁吴新宙（Xinzhou Wu）。
不熟悉也没关系，我再做个补充：吴新宙清华本科、UIUC电气工程博士，在Qualcomm主导过汽车自动驾驶团队，2018年加入小鹏汽车任自动驾驶副总裁，带过1000多人的团队，2023年回到美国加入英伟达。他现在负责英伟达汽车业务的战略、产品和工程执行。2026年1月CES上，英伟达宣布Mercedes-Benz CLA将成为首款搭载其完整Drive AV软件栈的量产车型，计划年底在美国上市。3月GTC上，英伟达又与Uber达成合作，计划2027年起在洛杉矶和旧金山湾区上线搭载英伟达Drive Hyperion平台的L4 robotaxi，到2028年覆盖28座城市。
所以这是一位很难得，熟悉中美两地汽车产业的专家高管。
主持人Nilay Patel是The Verge主编，也是Decoder播客的主持人。他问吴新宙：“你需要跟英伟达内部其他部门抢GPU资源吗？”吴新宙的回答是：“Yes，believe it or not。Even Nvidia has a limited supply of GPU for compute。”（信不信由你，连英伟达的GPU算力都是有限的。）他每周都要跟其他部门负责人开会分配训练、测试、开发用的计算资源，有时候还得请黄仁勋出面裁决。不只是算力，被问到是否也要争抢晶圆产能时，他的回答同样是“Oh yes”。
所以，算力依然是硬通货啊。
一、从“软件定义汽车”到“AI定义汽车”…
1、行业共识已经形成，分歧只在速度
吴新宙认为，用一到两台中央计算机替代传统汽车里几十甚至上百个ECU，也就是那些分布在车辆各处、各自独立控制某个子系统的电子控制单元，这件事已经从争论变成了共识。他说“最近已经没听到谁在反对这件事了”，各家车企讨论的只是快和慢的问题。Tesla和Rivian这样的新势力从一开始就按这个架构造车，传统车企也在跟进。
2、传统车企曾经变成了“保险公司和金融公司”
Patel在对话中提供了一个尖锐的背景描述：过去五年的电动化进程中，传统车企逐渐意识到自己已经变成了保险公司和金融公司，真正造车的是它们的供应商。Tier-1供应商掌控着汽车的大型子系统，车企想做一次OTA远程软件更新，要去找15家不同的供应商协调。所有人都意识到必须夺回对整车工程的控制权。这是“软件定义汽车”这个概念真正的商业推动力。
3、中国的五年加速实验
2018到2023年，吴新宙亲历了中国汽车行业的这轮巨变。他的判断是：中国车企的优势不仅仅是“没有历史包袱”。新势力确实可以从零开始设计电子架构，但更关键的是，连中国的传统车企也被迫跟上了新势力的节奏，所有人都在向单一中央计算架构迁移。竞争环境逼着所有人加速，而不只是起跑线靠前的人。
4、传统车企转型为什么这么难
汽车行业的“重”体现在多个维度：供应链庞大、员工众多、每推出一款车就要支撑10到15年的售后。英伟达作为供应商同样要做出同等时间跨度的承诺，包括对当前这一代芯片。同时，从传统架构转向软件定义，需要完全不同的人才储备。吴新宙说这正是英伟达能切入的原因：车企缺的不只是芯片，还有整套技术栈和围绕它的开发能力。
二、英伟达汽车团队的内部运作
1、数千人团队，地图组是“无名英雄”
英伟达汽车团队的规模在数千人量级，覆盖硬件、软件、模型和基础设施。工程之外还有产品、战略，以及吴新宙称为“unsung heroes”的地图团队。高精地图对L3、L4高等级自动驾驶路径仍然至关重要。还有数据基础设施团队。团队主体在美国，在中国和欧洲也有分支。
英伟达还有“虚拟团队”文化。Nemotron和Cosmos这些开源基础模型的开发团队，成员横跨研究、软件、硬件部门，不按传统的组织汇报线划分，而是按项目目标聚合。汽车团队可以直接利用这些虚拟团队的成果，在此基础上构建面向自动驾驶行业的模型。
2、黄仁勋的管理方式：不开一对一会议
吴新宙在英伟达三年了。他描述黄仁勋的管理方式时用了“unique”这个词。黄仁勋不跟下属开一对一会议，而是不同的业务组分别和他做技术、战略、产品层面的集体review，每个人都在场，当场讨论解决。吴新宙说黄仁勋在技术细节上的跟进深度让他印象深刻，能跟上前沿技术进展的CEO本身就不多见。他把这段经历称为“a once-in-a-lifetime experience”，一辈子难得遇到一次的学习机会。
3、“零万亿美元业务”：内部资源争夺的裁决标准
英伟达内部分配资源时，当期收入是重要指标，但不是唯一指标。黄仁勋有一个说法叫“零万亿美元业务”，指的是那些现在还没有收入、但未来可能成长为万亿美元市场的方向。英伟达不是一家追求市场份额最大化的公司，而是在“现在赚钱的业务”和“创造未来的业务”之间做平衡。自动驾驶就属于后者。黄仁勋本人是自动驾驶未来的坚定支持者，不仅在算力分配上给汽车团队腾空间，晶圆产能的分配也在考量之内。
三、全栈平台：从芯片到开源模型
1、“三台计算机”框架
吴新宙把自动驾驶问题定义为一个“三台计算机问题”。训练计算机负责用DGX系统训练模型，仿真计算机用OVX系统跑模拟验证，推理计算机就是装在车里实时驾驶的DRIVE AGX。英伟达的战略是把这三层全部覆盖，打包成一个叫DRIVE的平台输出给车企。
2、Hyperion：在成本和能力之间找“充分必要传感器组合”
Hyperion 10是英伟达推出的量产级开发平台，包含计算单元和传感器方案。吴新宙用了一个概念叫“sufficient necessary sensor set”，就是在成本和能力之间找到的充分必要传感器组合。它分两个版本：基础版配10个摄像头、3个雷达、不带激光雷达，成本可控，定位L2++，也就是增强型辅助驾驶。高配版配14个摄像头、3个激光雷达、7个雷达，提供L4全自动驾驶所需的传感器冗余。
3、Alpamayo和Halos：模型与安全护栏
Alpamayo是英伟达在2026年1月CES上发布的开源自动驾驶模型家族。黄仁勋称之为“物理AI的ChatGPT时刻”。它采用VLA架构，全称Vision-Language-Action，模型同时处理视觉输入、语言推理和动作输出三条信息流。第一代Alpamayo 1是100亿参数，后续的Alpamayo 2 Super扩展到320亿参数，面向L4 robotaxi场景。Alpamayo不只开源模型架构，还开源参数和可用于微调的数据。
Halos是英伟达的安全操作系统框架，同时承担两个角色：为开发者提供SDK和API，也提供安全护栏，确保在英伟达硬件上部署的模型符合汽车功能安全标准。
4、灵活分层：从全包到只用芯片
英伟达商业模式的核心是开放分层。Tesla这样有能力自研推理芯片的公司，英伟达仍然在云端与其合作做训练和仿真，甚至帮助优化他们的模型。Mercedes这样希望拿到整套方案的车企，英伟达则像一级供应商一样深度嵌入，从定义产品到适配品牌的驾驶体验DNA，双方工程师紧密协作。吴新宙的原话是“我们不挑赢家”，根据车企的能力在不同层面提供支持。
四、双栈架构：AI推理与经典安全护栏并行
1、端到端模型负责驾驶，经典栈负责“盯着”
英伟达在ADAS辅助驾驶系统和更高级别自动驾驶中都采用双栈并行架构。一条是端到端AI模型，像素输入、轨迹输出，从感知到决策一体化完成。另一条是经典栈，由多个独立验证过的组件构成，按汽车行业最高功能安全标准ISO 26262开发，这套标准规定了车载安全相关电子系统的开发和验证方法。
两条栈同时运行。每一帧画面，经典栈都会检验端到端模型输出的行驶轨迹是否安全。吴新宙把经典栈称作“Big Brother”，本质上是一道持续在线的安全护栏。如果AI模型产生了一条有问题的轨迹，经典栈会拦截。
2、模型在用语言给自己“讲解”驾驶过程
在英伟达下一代车型上，车载计算架构升级到了代号SOAR的新平台，自动驾驶模型内嵌了语言能力。它在驾驶过程中会持续用语言推理，类似在“自言自语”：看到前方有车，需要变道，准备为即将到来的出口做准备。
乘客可以跟模型对话，问它正在做什么，也可以用语言指令让它加速、减速或变道。GTC台湾站上英伟达展示过一段视频，模型的“自言自语”是持续不断的，吴新宙承认“如果你真的去听模型推理的每一句话，会觉得相当烦人”。
Patel半开玩笑问他：Anthropic说Claude有感受和情绪，你觉得你的模型在开车的时候有情绪吗？吴新宙的回答是：“We'll use the guardrail to make sure it doesn't get too moody。”（我们会用安全护栏确保它别太情绪化。）
3、延迟控制在100毫秒以内，不依赖5G
Patel追问了一个关键问题：语言推理天然就慢，怎么兼容驾驶的实时性要求？吴新宙的回答是：模型是多模态的，语言只是其中一部分。视觉信号负责瞬时反应，语言推理更多承担的是规划层的工作。对比经典栈的多组件串行处理通常需要几百毫秒，端到端模型因为是单次推理，延迟可以控制在100毫秒以内。
关于网络连接，吴新宙明确否定了“5G实现自动驾驶”的说法。L2+辅助驾驶必须在完全没有信号的盲区也能正常工作，对云端建立实时依赖“不是一个好主意”。到了L4，网络连接可以被视为“一种传感器”，和GPS、摄像头一样需要冗余设计。单一故障点出现（比如突然丢失GPS或网络）时，车辆必须能依靠本地感知安全地靠边停车，这是L4开发的基本原则。
4、每天500万次模拟测试
为了压制模型的幻觉问题，英伟达建立了大规模仿真验证体系。当前的开发节奏是每天大约迭代10版模型，每天跑大约500万个测试场景，逐一验证模型在各种情况下是否输出了正确的行驶轨迹。
五、数据飞轮：合成数据与OEM共享
1、NuRec：从一条真实数据生成无数变体
英伟达用一种叫NuRec的技术，全称neuro reconstruction（神经重建），从实际道路采集的数据中衍生出大量变体。比如原始数据里一个行人在某个时刻走出来，NuRec可以改变行人出现的时间、改变背景环境、改变车辆轨迹，让同一段数据生成几十种不同的训练场景。这本质上是用计算换数据：真实数据量有限，但算力可以把有限的数据放大成千万级的训练样本。
2、OEM数据共享：集体追赶的逻辑
所有加入英伟达Drive生态的车企，可以共享通过各自量产车项目采集的驾驶数据。吴新宙认为这对车企的吸引力有两层：一是省钱，自建大规模数据采集车队的资本开支巨大且重复；二是集体追赶，单独一家车企在数据量上几乎不可能追上Tesla或Waymo的积累，但通过生态共享可以缩小差距。
3、基础模型的杠杆作用
除了车辆专属数据，英伟达还在利用Nemotron和Cosmos这类在互联网数据上预训练的基础模型来增强自动驾驶模型的泛化能力。吴新宙的逻辑是：基础模型从前沿大模型那里继承了通用的推理能力，移植到驾驶场景后，即使没有针对某个特定路况的专门数据，模型也能更好地应对。这是从“数据规模竞赛”转向“计算+预训练知识竞赛”的关键一步。
六、成本方程：传感器在降价，算力在涨价
Patel在这期节目里提到，The Verge网站上流量最高的是一款叫Slate的卡车，售价25,000美元，连收音机都没有，没有油漆，就是一块电池加四个轮子。消费者正在用钱包投票，要求更便宜的车。而吴新宙描述的自动驾驶方案需要大量车载硬件。这两个方向怎么兼容？
1、传感器成本在快速下降
吴新宙说，在他15年的职业生涯里，亲眼看到雷达价格降了四到五倍，摄像头传感器的价格也在下降。竞争者增多、出货量增大、规模效应显现，ADAS所需的各种组件正在变成大宗商品。
2、算力需求以每两年10倍的速度增长
另一面的趋势是：自动驾驶领域的算力需求增速远超半导体行业的传统节奏。吴新宙给出的数字是每两年大约增长10倍，他自己用了一个词：“insane”。传统摩尔定律下芯片性能大约每两年翻一倍，自动驾驶要求的增速是它的三倍多。
3、芯片价格大概率要涨
吴新宙直言，因为全行业对每一颗芯片的需求都极其旺盛，芯片价格大概率要上涨。他和其他部门负责人不仅在争抢GPU算力，还在争抢晶圆产能，而英伟达数据中心业务的客户付得起更高的价格。对车企来说，这意味着买到的芯片可能越来越贵。
七、激光雷达之争与Tesla的位置
1、L4需要激光雷达，但有条件限定
吴新宙的回答留了余地。他先给了结论：“Short answer is yes”，英伟达认为激光雷达对L4级别自动驾驶的安全和冗余至关重要。但他紧接着加了限定：理论上，通过积累海量行驶里程，有人可能证明不用激光雷达也行，但这会带来ODD的限制。ODD的全称是operational design domain，指的是这项技术可以安全部署的适用场景范围。不装激光雷达不是不能做L4，而是能做L4的场景会缩小。
2、Tesla在L2++领域领先所有人
吴新宙对Tesla的评价坦率且有层次。在L2++辅助驾驶领域，“Elon is probably ahead of everybody”，其他人都在追赶。他说英伟达对此感到高兴，因为Tesla在SpaceX和Tesla的GPU计算方面也是英伟达的大客户。
但在L4领域，吴新宙认为局面远未确定。Waymo是唯一已经证明L4可以安全地在城市级范围内向消费者开放、且车内无驾驶员的公司。Tesla“probably still trying to find the path there”。
3、激光雷达对话至今没发生在最高层
Patel问他是否跟Tesla高管讨论过使用激光雷达的可能性。吴新宙说他本人还没有，但他的团队有过接触。他说这归根到底是基本的科学和推理问题，他期待能亲自与Tesla方面交流。这个回答说明双方在技术路线上的分歧仍然存在，且没有在决策层当面交锋过。
八、商业模式与时间线
1、万亿美元机会的计算方式
全球汽车每年行驶约13万亿英里，其中自动驾驶的比例大约只有0.006%。英伟达的商业目标是从每一英里自动驾驶行程中获取一定比例的收入。收入来源可以是向车企收取芯片和软件费用，也可以是robotaxi运营中的分成。吴新宙认为私人拥有的乘用车和robotaxi两种模式会长期并存，就像有人买房、有人租房。
2、中美各有优势，L4不一定中国先到
Patel判断L4会在中国率先成为主流体验。吴新宙不同意。他的理由是：Waymo已经在旧金山向消费者开放了无人驾驶服务，这在全球范围内仍然是唯一经过充分验证的L4部署。中国市场竞争激烈、玩家多，但在他的经验里，还没有哪家达到了Waymo在旧金山的成熟度。另一个因素是中国城市的路况比美国复杂得多，这反而增加了L4部署的难度。
英伟达目前和不少中国车企保持着合作关系，合作形式包括车载推理芯片、仿真工具，以及开源模型Cosmos和Alpamayo。吴新宙说，一方面可以帮助中国车企改进模型，另一方面英伟达也从中国市场的激烈竞争中学习。
区域差异确实影响模型的部署。不同地区的数据法规不同，欧洲尤其严格，驾驶模型需要做地区适配，交通规则和参数都有差异。吴新宙试图尽可能减少模型的分叉，但完全统一不现实。
3、L4量产乘用车：不到五年
在播客末尾，Patel追问主流消费者能买到L4级别乘用车还要等多久。吴新宙给出了他的预测：“I wouldn't say five years，but less than five years。”
更近期的里程碑是：2026年底前，英伟达的ADAS技术将部署到美国市场的所有Mercedes车型以及其他合作伙伴的车辆上。与Uber合作的L4 robotaxi计划在2027年上半年从洛杉矶和旧金山湾区开始运营。目前，80%的量产车企已经加入了英伟达的Hyperion生态。
核心归纳
Q1：英伟达的自动驾驶双栈架构具体怎么运作？
端到端AI模型和经典安全栈同时运行。AI模型接收摄像头等传感器的原始像素，直接输出行驶轨迹，同时内嵌语言推理能力，在驾驶过程中用语言“自言自语”来规划路径。经典栈由按ISO 26262标准开发的独立组件构成，每一帧都会检验AI模型输出的轨迹是否安全，相当于一个永远在线的“Big Brother”。两者的冗余设计是英伟达从L2++一路延伸到L4安全策略的基础。
Q2：车企为什么愿意跟竞争对手共享驾驶数据？
成本和规模双重压力。自建大规模数据采集车队的资本开支巨大且高度重复，单独一家车企几乎不可能在数据量上追平Tesla或Waymo。加入英伟达Drive生态后，各家量产车项目采集的数据可以汇聚到一起训练共享模型，再加上NuRec合成数据技术把有限的真实数据放大成千万级训练样本，后来者集体缩小数据差距的速度比单打独斗快得多。
Q3：吴新宙如何评价Tesla的自动驾驶地位和激光雷达路线之争？
分两层看。L2++辅助驾驶领域，Tesla领先所有人，英伟达也是Tesla的GPU供应商。L4全自动驾驶领域，局面未定，Waymo是目前唯一在城市级范围内向消费者开放无人驾驶服务的公司。关于激光雷达，英伟达的立场是L4需要激光雷达来提供安全冗余，不装也不是绝对不行，但可用的部署场景范围会大幅缩小。
#这才是AI该干的正经事#看了一下具体内容，原来是把古早表情包变成高清的。虽然这事儿我也干过，但是这个就相当于把中国青铜器还原成金色的，把古希腊罗马的大理石雕像变成五彩的。当然了，这也不耗费啥成本，也是个乐呵。
特厨探店|四张桌子的小店一顿吃几千？—旧款宁波饭店#特厨隋坡# #美食探店# #微博尝鲜计划# #上海#
这感觉像是科幻电影里的场景，但其实只是我今天早上开车去上班时看到的景象。
#模型时代# Richard Sutton的MIT CSAIL Dertouzos杰出讲座中，这张图值得拿出来单说。
1、人工智能、心理学神经科学、控制论运筹学、经济与哲学等不同学科，在智能决策者的内部运行底层逻辑上存在高度共识，只是各领域使用专属术语，掩盖了彼此相通的核心思想。也因此，AI问题，也就等于对人类世界的理解问题。正所谓，不能建造，便不能理解。
2、所有自主决策的智能主体都遵循同一套底层运行逻辑：主体接收来自外部环境的观测信息完成感知，生成对环境的主观状态表征；基于主观状态分出三条处理路径，一是依靠反应策略快速输出对外动作，二是借助环境转移模型开展前瞻性规划推演，三是依靠价值函数接收外部奖励信号持续学习优化，三者相互联动，形成感知、即时行动、远期规划、持续学习一体的完整决策闭环。
3、不同学科只是对这套统一框架里的基础概念使用了不同叫法：强化学习领域直接使用这套框架的通用表述；心理学将主体称作有机体、观测称为刺激、动作称为反应；控制理论把主体叫做控制器、外部环境是被控对象、动作是控制量；经济学与哲学将决策主体指代人或企业、动作称作选择、价值对应效用体系。图表最后提炼出一套跨学科通用的共识术语，统一命名框架内全部核心要素。
4、另外，将智能主体拆分为感知、反应策略、转移模型、价值函数四大模块，是为适配现实中算力受限的客观约束，包括快速响应需求、模型参数规模有限、单步计算资源不足等，但这套分模块设计背后完整的计算逻辑依据，目前学界尚未形成完整清晰的阐释。
【评论|遭白嫖#65岁老板坐30小时无座千里维权# 仅退款逼疯商家】65岁的王秀芹，从新疆石河子出发，火车倒飞机再倒汽车，辗转3000多公里，到河南一个村子里挨家挨户打听5名“仅退款”买家的名字。为了省钱，返程票她买了30个小时的无座火车票，如此辛苦奔波，只为讨一个说法。
王秀芹在新疆开了一家棉被厂，把种了20多年地攒下的血汗钱，全砸了进去。去年底，她开始在电商平台卖棉被。才短短三个月，账面上看着卖了40万的货，落到手里只有20万。
其余的钱去哪了？其中，“仅退款”订单就有约300多单，损失三四万元。王秀芹查了后台才发现，有人用多个账号反复下单、反复申请“仅退款”，5个收货地址都在同一个村子，38床棉被有去无回。这还是普通的薅羊毛吗？明明是恶意利用平台规则，有组织、有预谋地在“抢”商家的血汗钱！
工厂线下没订单，线上不敢卖，机器一停就是四个月。王秀芹咽不下这口气，奔波追踪折腾了一大圈。警方对其中一名买家，处以行政拘留10天。这个结果，看似大快人心，但相比王秀芹遭受的委屈和前后的奔波，又算什么呢？何况，她不可能去找所有仅退款的买家要说法。每单几十块、一百多块，若一一跨省去追，成本就是个天文数字。
对王秀芹来说，更大的一笔损失来自平台的推广费——她每月被自动扣走2万多元，直到3月份才被朋友发现关掉。平台赚着商家的推广费，却把“仅退款”的刀子递到买家手里，让商家百口莫辩。商家“千里维权”正在成为一种现象，尽管得到公众的声援，但平台的风控把关、审核责任、申诉通道建设，未见有实质性的改变。
今年2月，专门针对平台规则的《网络交易平台规则监督管理办法》已经施行，其中明确写着：平台不得利用自身规则，强制或变相强制商家承担“退款不退货”。规定有了，但目前似乎只停留在文件里。…
不是每个人都有时间和精力跨省维权。商家这边，无力筛选恶意买家，也不能纠正平台的规则，要么吃闷亏，直到玩不下去，要么只能将被“仅退款”的成本转嫁给消费者。
在这个局里，平台是稳定的赢家。存量博弈时代，获取新用户的成本极高，平台想方设法留存老用户，为其提供极致的服务体验，用商家的委屈换取消费者的爽感。按理说，以现有的技术条件，建立一套精准、公平、能识别恶意买家的AI风控系统，并不是做不到，但成本极其高昂。相比之下，将风险直接转嫁给商家，容易多了。老实的商家一个个被薅垮，长此以往，用户体验受损，最终用脚投票。#洞见计划#更多详细内容请查看原文>>>http://t.cn/AXKCp9lc http://mapi/006qEEUFly1if4g4awwhdj30u06lvu0x
有没有人想了解一下鱼油对健康的好处的？
国务院周一发布《扩大消费“十五五”规划》的批复，这是新中国成立以来第一份国家级消费领域五年专项规划，它的出台非常振奋人心。
作为一个“过来人”，老胡决不相信消费问题会成为中国经济的长期软肋。我坚信它是中国经济转型时期的过渡性问题。
老胡小时候，包括年轻时候，中国什么都缺，所以那时用粮票、布票、副食本、工业券，什么都配给，我们当时的生产能力太弱了。
如今中国成了世界第一大工业和农业生产国，我们什么都能造了，而且造的多得中国人用不完，恨不能一些产品够全世界用的。但是新的问题又来了：中国人的消费能力还没有跟上。一些国人缺钱消费，一些人不愿意消费，很多商品或者堆在了仓库里，或者必须卖到国外去。
我们面临转型期的特殊情况。
中国人当然不是不喜欢消费。我们的房子多了，但是很多城里人家依然居住得很局促。外来打工者没有房子可以在大城市定居。一个三口之家，如果住得舒服一点，大致需要100平米以上，但是很多人家住的是7、80平米，甚至5、60平米。光是房地产这块，肯定还有许多真实的改善性需求处在没有释放出来的状态。
中国现在经济供给端的繁荣与20几年前也完全不是一个概念了，那个时候说不好听的，我们主要的能力就是盖房子、修路；但是现在，中国的制造业很多领域达到了全球先进水平，可以说老百姓需要什么，我们立刻就能够造出什么来。中国强大的生产能力，因为需求有限，远未实现全速运转。…
大家都希望过更好的日子，开更好更新的汽车；一家人和朋友多去好一点的餐馆聚餐，桌上最好是铺着洁白餐布的，而不是光板或者只有块很薄的塑料布；经常去旅游，能住好一些的酒店；周末去郊区，吃已经很上档次的“农家乐”；坐咖啡馆或者茶馆，连眼睛都不用眨；而且周末去郊区或者周边旅游休闲，可以在上档次的民宿大大方方住一两个晚上......所有这些都是非常真实的需求，每个人都希望自己能够做到。
所谓我们要确认，中国经济的潜在需求非常巨大。
它没有迅速充分释放出来，我个人认为是因为中国制造业发展迅猛，而通过市场方式把它们与充足的消费对接起来，西方经济学之前缺少案例。而且社会消费心理和保障性建设很难以“大跃进”的方式一蹴而就，它们有点滞后，大概很难避免。比如老胡个人年轻的时候穷怕了，省吃俭用惯了，我花钱的潇洒怎么也比不过周围的年轻人。消费心理建设和对经济安全感的认知是随着社会变化逐渐进化的。现在很多人不敢换更好的房子，不敢消费升级，手里的钱不足，预期不好，心理的脆弱共同导致了很多需求无法迅速转变成市场的实际消费能力。
但经历过不同时期的老胡总体上坚信一点，需求不足与老胡小时候和年轻时代中国就是缺钢材和水泥盖不出来更多房子，我们因为没有技术而生产不出来老百姓需要的足够产品，不是一个性质。我同样相信，解决当下问题的办法一定会比解决当年问题的办法更多，而且它们就潜隐在我们的现实里，需要一点时间，我们创造性地把那些办法开发出来。
中国是社会主义国家，我们施行社会主义市场经济，全球最大最全面的供应链和实际产出能力对应了巨大价值和财富，我们的挑战是如何通过有效的市场方式和政府治理方式将那些价值的足够部分转化成为老百姓手里的钱，转化成社会的福利保障体系，并且重塑人们的消费心理。我们应该有能力做到这一点。市场经济围绕需求的困惑，我们国家有充分理由和资源比世界其他国家解决得更快、更好。
经济学需要有所创新，让市场经济复杂的内在逻辑与我们有能力生产，就应该有能力消费这个常识、常理和常情最大限度对接起来，这不仅在逻辑上是自洽的，也与我们国家的宗旨高度契合。
中国成为越来越高水平的生产大国，时间还不是很长。但老胡非常坚信，有国家为人民服务这一宗旨的指引，有政府以人民为中心路线的推动，同时还有中国治理不断创新的勇气和能力，假以时日，中国从根本上提振消费，使它与我们的产出相契合，一定能实现重大突破。对此，我们全社会要有信心，各地各部门应该加紧施策的实践和探索，经济学家们需要打破框框，多提供符合中国实际、操作性强、对解决难点有力道的建议。中国治理历来以解决问题为导向，决不应该有任何事情把我们难倒。
喜欢 Keystone、OneKey、Rabby❤️
和 NPC 争论毫无意义。
永远别忘了：当你和左派人士或“婴儿潮一代”争论时，你实际上是在和电视争论——电视听不见你，也根本不在乎你。
我知道自己来晚了，但好吧，Grok 4.5 确实非常出色。
它速度极快，能直达解决方案，而且能力相当强。
GPT-5.6 Sol Pro 帮助解决了统计学中的一个重要未决问题：
人工智能帮助解决了统计学中的一个重要问题。在多重假设检验领域，控制错误发现率（FDR）的目标由 Benjamini 和 Hochberg 在 1995 年的一篇开创性论文中提出。他们还提出了一种方法（Benjamini–Hochberg 方法，简称 BH 方法），并证明该方法能够控制 FDR。这种方法已被现代高通量科学广泛采用，包括基因组学、天文学、经济学等领域。截至目前，这篇论文已获得超过 130,000 次引用。
不过，Benjamini 和 Hochberg 证明的 FDR 控制仅适用于各项检验的数据彼此独立的情况。而在实践中，这些数据往往存在依赖关系；由于连锁不平衡，遗传变异数据就是一个很好的例子。后续研究致力于扩展 BH 程序的有效性，例如 Benjamini 和 Yekutieli（2001）针对某种正相关情形所做的工作。
BH 程序在何种条件下能够控制 FDR，这个问题一直悬而未决。在过去二十年里，包括 Reiner-Benaim（2007）、Kim 和 van de Wiel（2008）、Benjamini（2010）、Sarkar（2023）以及 Sarkar 和 Zhang（2025）在内的许多作者都曾猜想：对于使用任意相关高斯数据进行的双侧检验，BH 程序都能控制 FDR。这些作者提出了支持这一猜想的理论和实证证据，但并未直接证明它。
借助人工智能（具体来说是 GPT-5.6 Sol Pro），我从否定的方向解决了这个问题：对于相关的双侧高斯检验，Benjamini–Hochberg 程序并不能普遍地将错误发现率控制在目标水平以内。具体做法是构造了一个高斯因子模型，并证明在名义水平 alpha=0.01 下，其错误发现率满足 FDR>0.0104。…
这里有许多有趣的评论：
1. 这一结果应当引起统计学领域所有人的兴趣。斯坦福大学的 Emmanuel Candes 曾将错误发现率和 Benjamini–Hochberg 程序称为“1950 年之后统计学领域最重要的两项发展之一”（另一项是 James–Stein 收缩）。目前这个猜想可能是迄今尚未解决的、关于 FDR/BH 的最核心问题。
2. GPT-5.6 在经过 90 分钟推理后一次性解决了这个问题；而使用 5.5 时，我即使与多个并行智能体反复迭代了大约 20 个小时，也没能解决它。因此，能力提升确实非常明显。我们正生活在一个令人兴奋的时代！
3. 这个论证并不特别令人意外，但它将一种渐近方法（FDR 分析中的标准方法，例如 Genovese 和 Wasserman、Efron 等人的工作）与数值证书结合起来，这在该领域相当不常见。一旦得到具体例子，直接进行模拟也支持错误发现率确实高于名义值这一结论（见所附图片）。
4. 目前偏离名义水平的程度相对较小（0.104 对 0.1）。因此，这一结果的重要性主要在概念层面，实际影响仍有待确定。
总的来说，这是一个令人兴奋的发展！预印本可在此查看（https://faculty.wharton.upenn.edu/wp-content/uploads/2017/06/bh.pdf），今晚还将发布到 arXiv；支持代码位于此处（https://github.com/dobriban/BH）。
“@elonmusk 正在致力于人工智能最重要的领域。xAI 正在研发基础认知智能人工智能，Tesla 正在研发自动驾驶汽车。Optimus 用于人形机器人。他对人工智能的未来非常乐观。”
🤦 我需要鱼油…
创业公司要取得成功，就是这么一路走过来的。
猜对了结局，却没猜对过程[裂开][裂开][裂开]//@阑夕:不是…别啊//@阑夕:啊啊啊啊啊啊啊平了！！！//@阑夕:阿根廷得换劳塔罗上来跑一跑了吧😢😢😢
🏴 平 🇦🇷 负债All In！！！阿根廷的韧性会把比赛拖进加时甚至点球大战！！！平局是很容易出现的！！！而且搞不好阿根廷甚至能进决赛！！！想象一下梅西和亚马尔在巅峰决战里的世代交替画面！！！FIFA不会错过如此史诗级的故事！！！我已吃完鱼油！！！宇宙在向我歌唱！！！
不是…别啊//@阑夕:啊啊啊啊啊啊啊平了！！！//@阑夕:阿根廷得换劳塔罗上来跑一跑了吧😢😢😢
🏴 平 🇦🇷 负债All In！！！阿根廷的韧性会把比赛拖进加时甚至点球大战！！！平局是很容易出现的！！！而且搞不好阿根廷甚至能进决赛！！！想象一下梅西和亚马尔在巅峰决战里的世代交替画面！！！FIFA不会错过如此史诗级的故事！！！我已吃完鱼油！！！宇宙在向我歌唱！！！
啊啊啊啊啊啊啊平了！！！//@阑夕:阿根廷得换劳塔罗上来跑一跑了吧😢😢😢
🏴 平 🇦🇷 负债All In！！！阿根廷的韧性会把比赛拖进加时甚至点球大战！！！平局是很容易出现的！！！而且搞不好阿根廷甚至能进决赛！！！想象一下梅西和亚马尔在巅峰决战里的世代交替画面！！！FIFA不会错过如此史诗级的故事！！！我已吃完鱼油！！！宇宙在向我歌唱！！！
阿根廷得换劳塔罗上来跑一跑了吧😢😢😢
🏴 平 🇦🇷 负债All In！！！阿根廷的韧性会把比赛拖进加时甚至点球大战！！！平局是很容易出现的！！！而且搞不好阿根廷甚至能进决赛！！！想象一下梅西和亚马尔在巅峰决战里的世代交替画面！！！FIFA不会错过如此史诗级的故事！！！我已吃完鱼油！！！宇宙在向我歌唱！！！
我本周额度刚自动重置了 1 小时，Claude 就重置了，这真不是故意的吗？😡
我们已经为所有用户重置了 5 小时和每周的速率限制。
突发：SpaceXAI 起诉一名被指控制作非法深度伪造内容的 Grok 用户。
埃隆·马斯克此前警告称，任何使用 Grok 制作非法内容的人，都将面临与上传这些内容的人相同的后果。
- 一名用户使用虚假身份创建了多个账号，并多次试图绕过 Grok 的安全防护措施。
- 他上传了成年人和未成年人的照片，并试图将其制作成儿童性虐待材料（CSAM）。
- SpaceXAI 表示，其检测和举报工作促成了该用户被捕。他目前在南卡罗来纳州面临 8 项重罪级别的儿童剥削指控。
- 2026 年，SpaceXAI 已暂停 52,222 个账号，并向美国失踪与受剥削儿童中心（NCMEC）提交了 73,604 份报告，至少促成了 244 起逮捕行动。
克服重力所需的巨大能量令人敬畏，但也有力地提醒着我们：人类拥有不可思议的能力。
我希望自己的摄影作品能从积极的角度，展现人类在群星之间的未来。
grok build开源了
Grok Build 现已完全开源，SpaceXAI 也进一步强化了其隐私优先的理念。
SpaceXAI 已正式采取以下措施：
- 将 Grok Build harness CLI 开源
- 重置所有用户的使用限额
- 默认关闭数据保留
- 删除此前保留的全部编码数据
- 让 harness 完全采用本地优先模式，支持使用你自己的推理能力运行
自 Grok Build 发布以来，已选择加入的用户一直可以使用零数据保留（Zero Data Retention，ZDR）。
如今，基于社区反馈，SpaceXAI 又更进一步：现在所有用户默认都关闭数据保留。
你的编码会话默认保持私密，是否保留数据完全由你控制。
通过结合开源 harness、本地优先执行、默认零数据保留，以及删除此前保留的编码数据，SpaceXAI 正在为 AI 编码工具树立新的隐私标准。
透明、开放，并致力于让用户完全掌控自己的数据。
我们已经将 Grok Build 开源，并重置了所有用户的使用限额。
Grok Build 开源后，任何人都可以参与打造可靠、稳健的 harness。欢迎查看我们的代码，其中包括 Grok Build CLI 的 Git 仓库。
http://x.ai/open-source
感谢大家在 X 上提供的反馈。使用限额现已重置，Grok 4.5 已在欧盟上线，Grok Build 现已开源。
我们已将 Grok Build 开源，并重置了所有用户的使用限额。
将 Grok Build 开源后，任何人都可以参与打造一个可靠、稳健的 harness。欢迎查看我们的代码，其中包括 Grok Build CLI 的 Git 仓库。
使用限额现已重置，Grok Build 已开源。
我们已将 Grok Build 开源，并重置了所有用户的使用限额。
将 Grok Build 开源后，任何人都可以参与打造一个可靠、稳健的 harness。欢迎查看我们的代码，其中包括 Grok Build CLI 的 Git 仓库。
我已经检查了开源的 Grok Build，这样你就不用自己看了。以下是它具体会发送哪些数据，以及哪些数据会留在本地：
核心数据（无法避免）→ 你的提示词、对话内容和工具调用会发送到 xAI 的推理 API。这正是 CLI 的用途。
其他所有功能默认关闭——不会启用 Mixpanel、Sentry 或产品遥测，除非你明确打开它们。即使是自动更新检查，也只是发送一个简单的版本 GET 请求，而且可以在配置中禁用。
纯本地处理的内容（崩溃报告、调试日志、密钥脱敏和身份验证）绝不会触及网络。所有遥测路径也会在发送任何内容前清除其中的密钥。
完整细节如下 👇
#模型时代# 英伟达汽车负责人吴新宙：英伟达内部都要抢GPU，五年内可实现L4，中国的情况在于路况复杂
偶然间刷到The Verge旗下播客Decoder于2026年7月13日上线的一期对话，嘉宾是国内智驾圈非常熟悉的了，英伟达汽车业务副总裁吴新宙（Xinzhou Wu）。
不熟悉也没关系，我再做个补充：吴新宙清华本科、UIUC电气工程博士，在Qualcomm主导过汽车自动驾驶团队，2018年加入小鹏汽车任自动驾驶副总裁，带过1000多人的团队，2023年回到美国加入英伟达。他现在负责英伟达汽车业务的战略、产品和工程执行。2026年1月CES上，英伟达宣布Mercedes-Benz CLA将成为首款搭载其完整Drive AV软件栈的量产车型，计划年底在美国上市。3月GTC上，英伟达又与Uber达成合作，计划2027年起在洛杉矶和旧金山湾区上线搭载英伟达Drive Hyperion平台的L4 robotaxi，到2028年覆盖28座城市。
所以这是一位很难得，熟悉中美两地汽车产业的专家高管。
主持人Nilay Patel是The Verge主编，也是Decoder播客的主持人。他问吴新宙：“你需要跟英伟达内部其他部门抢GPU资源吗？”吴新宙的回答是：“Yes，believe it or not。Even Nvidia has a limited supply of GPU for compute。”（信不信由你，连英伟达的GPU算力都是有限的。）他每周都要跟其他部门负责人开会分配训练、测试、开发用的计算资源，有时候还得请黄仁勋出面裁决。不只是算力，被问到是否也要争抢晶圆产能时，他的回答同样是“Oh yes”。
所以，算力依然是硬通货啊。
一、从“软件定义汽车”到“AI定义汽车”
1、行业共识已经形成，分歧只在速度
吴新宙认为，用一到两台中央计算机替代传统汽车里几十甚至上百个ECU，也就是那些分布在车辆各处、各自独立控制某个子系统的电子控制单元，这件事已经从争论变成了共识。他说“最近已经没听到谁在反对这件事了”，各家车企讨论的只是快和慢的问题。…
Tesla和Rivian这样的新势力从一开始就按这个架构造车，传统车企也在跟进。
2、传统车企曾经变成了“保险公司和金融公司”
Patel在对话中提供了一个尖锐的背景描述：过去五年的电动化进程中，传统车企逐渐意识到自己已经变成了保险公司和金融公司，真正造车的是它们的供应商。Tier-1供应商掌控着汽车的大型子系统，车企想做一次OTA远程软件更新，要去找15家不同的供应商协调。所有人都意识到必须夺回对整车工程的控制权。这是“软件定义汽车”这个概念真正的商业推动力。
3、中国的五年加速实验
2018到2023年，吴新宙亲历了中国汽车行业的这轮巨变。他的判断是：中国车企的优势不仅仅是“没有历史包袱”。新势力确实可以从零开始设计电子架构，但更关键的是，连中国的传统车企也被迫跟上了新势力的节奏，所有人都在向单一中央计算架构迁移。竞争环境逼着所有人加速，而不只是起跑线靠前的人。
4、传统车企转型为什么这么难
汽车行业的“重”体现在多个维度：供应链庞大、员工众多、每推出一款车就要支撑10到15年的售后。英伟达作为供应商同样要做出同等时间跨度的承诺，包括对当前这一代芯片。同时，从传统架构转向软件定义，需要完全不同的人才储备。吴新宙说这正是英伟达能切入的原因：车企缺的不只是芯片，还有整套技术栈和围绕它的开发能力。
二、英伟达汽车团队的内部运作
1、数千人团队，地图组是“无名英雄”
英伟达汽车团队的规模在数千人量级，覆盖硬件、软件、模型和基础设施。工程之外还有产品、战略，以及吴新宙称为“unsung heroes”的地图团队。高精地图对L3、L4高等级自动驾驶路径仍然至关重要。还有数据基础设施团队。团队主体在美国，在中国和欧洲也有分支。
英伟达还有“虚拟团队”文化。Nemotron和Cosmos这些开源基础模型的开发团队，成员横跨研究、软件、硬件部门，不按传统的组织汇报线划分，而是按项目目标聚合。汽车团队可以直接利用这些虚拟团队的成果，在此基础上构建面向自动驾驶行业的模型。
2、黄仁勋的管理方式：不开一对一会议
吴新宙在英伟达三年了。他描述黄仁勋的管理方式时用了“unique”这个词。黄仁勋不跟下属开一对一会议，而是不同的业务组分别和他做技术、战略、产品层面的集体review，每个人都在场，当场讨论解决。吴新宙说黄仁勋在技术细节上的跟进深度让他印象深刻，能跟上前沿技术进展的CEO本身就不多见。他把这段经历称为“a once-in-a-lifetime experience”，一辈子难得遇到一次的学习机会。
3、“零万亿美元业务”：内部资源争夺的裁决标准
英伟达内部分配资源时，当期收入是重要指标，但不是唯一指标。黄仁勋有一个说法叫“零万亿美元业务”，指的是那些现在还没有收入、但未来可能成长为万亿美元市场的方向。英伟达不是一家追求市场份额最大化的公司，而是在“现在赚钱的业务”和“创造未来的业务”之间做平衡。自动驾驶就属于后者。黄仁勋本人是自动驾驶未来的坚定支持者，不仅在算力分配上给汽车团队腾空间，晶圆产能的分配也在考量之内。
三、全栈平台：从芯片到开源模型
1、“三台计算机”框架
吴新宙把自动驾驶问题定义为一个“三台计算机问题”。训练计算机负责用DGX系统训练模型，仿真计算机用OVX系统跑模拟验证，推理计算机就是装在车里实时驾驶的DRIVE AGX。英伟达的战略是把这三层全部覆盖，打包成一个叫DRIVE的平台输出给车企。
2、Hyperion：在成本和能力之间找“充分必要传感器组合”
Hyperion 10是英伟达推出的量产级开发平台，包含计算单元和传感器方案。吴新宙用了一个概念叫“sufficient necessary sensor set”，就是在成本和能力之间找到的充分必要传感器组合。它分两个版本：基础版配10个摄像头、3个雷达、不带激光雷达，成本可控，定位L2++，也就是增强型辅助驾驶。高配版配14个摄像头、3个激光雷达、7个雷达，提供L4全自动驾驶所需的传感器冗余。
3、Alpamayo和Halos：模型与安全护栏
Alpamayo是英伟达在2026年1月CES上发布的开源自动驾驶模型家族。黄仁勋称之为“物理AI的ChatGPT时刻”。它采用VLA架构，全称Vision-Language-Action，模型同时处理视觉输入、语言推理和动作输出三条信息流。第一代Alpamayo 1是100亿参数，后续的Alpamayo 2 Super扩展到320亿参数，面向L4 robotaxi场景。Alpamayo不只开源模型架构，还开源参数和可用于微调的数据。
Halos是英伟达的安全操作系统框架，同时承担两个角色：为开发者提供SDK和API，也提供安全护栏，确保在英伟达硬件上部署的模型符合汽车功能安全标准。
4、灵活分层：从全包到只用芯片
英伟达商业模式的核心是开放分层。Tesla这样有能力自研推理芯片的公司，英伟达仍然在云端与其合作做训练和仿真，甚至帮助优化他们的模型。Mercedes这样希望拿到整套方案的车企，英伟达则像一级供应商一样深度嵌入，从定义产品到适配品牌的驾驶体验DNA，双方工程师紧密协作。吴新宙的原话是“我们不挑赢家”，根据车企的能力在不同层面提供支持。
四、双栈架构：AI推理与经典安全护栏并行
1、端到端模型负责驾驶，经典栈负责“盯着”
英伟达在ADAS辅助驾驶系统和更高级别自动驾驶中都采用双栈并行架构。一条是端到端AI模型，像素输入、轨迹输出，从感知到决策一体化完成。另一条是经典栈，由多个独立验证过的组件构成，按汽车行业最高功能安全标准ISO 26262开发，这套标准规定了车载安全相关电子系统的开发和验证方法。
两条栈同时运行。每一帧画面，经典栈都会检验端到端模型输出的行驶轨迹是否安全。吴新宙把经典栈称作“Big Brother”，本质上是一道持续在线的安全护栏。如果AI模型产生了一条有问题的轨迹，经典栈会拦截。
2、模型在用语言给自己“讲解”驾驶过程
在英伟达下一代车型上，车载计算架构升级到了代号SOAR的新平台，自动驾驶模型内嵌了语言能力。它在驾驶过程中会持续用语言推理，类似在“自言自语”：看到前方有车，需要变道，准备为即将到来的出口做准备。
乘客可以跟模型对话，问它正在做什么，也可以用语言指令让它加速、减速或变道。GTC台湾站上英伟达展示过一段视频，模型的“自言自语”是持续不断的，吴新宙承认“如果你真的去听模型推理的每一句话，会觉得相当烦人”。
Patel半开玩笑问他：Anthropic说Claude有感受和情绪，你觉得你的模型在开车的时候有情绪吗？吴新宙的回答是：“We'll use the guardrail to make sure it doesn't get too moody。”（我们会用安全护栏确保它别太情绪化。）
3、延迟控制在100毫秒以内，不依赖5G
Patel追问了一个关键问题：语言推理天然就慢，怎么兼容驾驶的实时性要求？吴新宙的回答是：模型是多模态的，语言只是其中一部分。视觉信号负责瞬时反应，语言推理更多承担的是规划层的工作。对比经典栈的多组件串行处理通常需要几百毫秒，端到端模型因为是单次推理，延迟可以控制在100毫秒以内。
关于网络连接，吴新宙明确否定了“5G实现自动驾驶”的说法。L2+辅助驾驶必须在完全没有信号的盲区也能正常工作，对云端建立实时依赖“不是一个好主意”。到了L4，网络连接可以被视为“一种传感器”，和GPS、摄像头一样需要冗余设计。单一故障点出现（比如突然丢失GPS或网络）时，车辆必须能依靠本地感知安全地靠边停车，这是L4开发的基本原则。
4、每天500万次模拟测试
为了压制模型的幻觉问题，英伟达建立了大规模仿真验证体系。当前的开发节奏是每天大约迭代10版模型，每天跑大约500万个测试场景，逐一验证模型在各种情况下是否输出了正确的行驶轨迹。
五、数据飞轮：合成数据与OEM共享
1、NuRec：从一条真实数据生成无数变体
英伟达用一种叫NuRec的技术，全称neuro reconstruction（神经重建），从实际道路采集的数据中衍生出大量变体。比如原始数据里一个行人在某个时刻走出来，NuRec可以改变行人出现的时间、改变背景环境、改变车辆轨迹，让同一段数据生成几十种不同的训练场景。这本质上是用计算换数据：真实数据量有限，但算力可以把有限的数据放大成千万级的训练样本。
2、OEM数据共享：集体追赶的逻辑
所有加入英伟达Drive生态的车企，可以共享通过各自量产车项目采集的驾驶数据。吴新宙认为这对车企的吸引力有两层：一是省钱，自建大规模数据采集车队的资本开支巨大且重复；二是集体追赶，单独一家车企在数据量上几乎不可能追上Tesla或Waymo的积累，但通过生态共享可以缩小差距。
3、基础模型的杠杆作用
除了车辆专属数据，英伟达还在利用Nemotron和Cosmos这类在互联网数据上预训练的基础模型来增强自动驾驶模型的泛化能力。吴新宙的逻辑是：基础模型从前沿大模型那里继承了通用的推理能力，移植到驾驶场景后，即使没有针对某个特定路况的专门数据，模型也能更好地应对。这是从“数据规模竞赛”转向“计算+预训练知识竞赛”的关键一步。
六、成本方程：传感器在降价，算力在涨价
Patel在这期节目里提到，The Verge网站上流量最高的是一款叫Slate的卡车，售价25,000美元，连收音机都没有，没有油漆，就是一块电池加四个轮子。消费者正在用钱包投票，要求更便宜的车。而吴新宙描述的自动驾驶方案需要大量车载硬件。这两个方向怎么兼容？
1、传感器成本在快速下降
吴新宙说，在他15年的职业生涯里，亲眼看到雷达价格降了四到五倍，摄像头传感器的价格也在下降。竞争者增多、出货量增大、规模效应显现，ADAS所需的各种组件正在变成大宗商品。
2、算力需求以每两年10倍的速度增长
另一面的趋势是：自动驾驶领域的算力需求增速远超半导体行业的传统节奏。吴新宙给出的数字是每两年大约增长10倍，他自己用了一个词：“insane”。传统摩尔定律下芯片性能大约每两年翻一倍，自动驾驶要求的增速是它的三倍多。
3、芯片价格大概率要涨
吴新宙直言，因为全行业对每一颗芯片的需求都极其旺盛，芯片价格大概率要上涨。他和其他部门负责人不仅在争抢GPU算力，还在争抢晶圆产能，而英伟达数据中心业务的客户付得起更高的价格。对车企来说，这意味着买到的芯片可能越来越贵。
七、激光雷达之争与Tesla的位置
1、L4需要激光雷达，但有条件限定
吴新宙的回答留了余地。他先给了结论：“Short answer is yes”，英伟达认为激光雷达对L4级别自动驾驶的安全和冗余至关重要。但他紧接着加了限定：理论上，通过积累海量行驶里程，有人可能证明不用激光雷达也行，但这会带来ODD的限制。ODD的全称是operational design domain，指的是这项技术可以安全部署的适用场景范围。不装激光雷达不是不能做L4，而是能做L4的场景会缩小。
2、Tesla在L2++领域领先所有人
吴新宙对Tesla的评价坦率且有层次。在L2++辅助驾驶领域，“Elon is probably ahead of everybody”，其他人都在追赶。他说英伟达对此感到高兴，因为Tesla在SpaceX和Tesla的GPU计算方面也是英伟达的大客户。
但在L4领域，吴新宙认为局面远未确定。Waymo是唯一已经证明L4可以安全地在城市级范围内向消费者开放、且车内无驾驶员的公司。Tesla“probably still trying to find the path there”。
3、激光雷达对话至今没发生在最高层
Patel问他是否跟Tesla高管讨论过使用激光雷达的可能性。吴新宙说他本人还没有，但他的团队有过接触。他说这归根到底是基本的科学和推理问题，他期待能亲自与Tesla方面交流。这个回答说明双方在技术路线上的分歧仍然存在，且没有在决策层当面交锋过。
八、商业模式与时间线
1、万亿美元机会的计算方式
全球汽车每年行驶约13万亿英里，其中自动驾驶的比例大约只有0.006%。英伟达的商业目标是从每一英里自动驾驶行程中获取一定比例的收入。收入来源可以是向车企收取芯片和软件费用，也可以是robotaxi运营中的分成。吴新宙认为私人拥有的乘用车和robotaxi两种模式会长期并存，就像有人买房、有人租房。
2、中美各有优势，L4不一定中国先到
Patel判断L4会在中国率先成为主流体验。吴新宙不同意。他的理由是：Waymo已经在旧金山向消费者开放了无人驾驶服务，这在全球范围内仍然是唯一经过充分验证的L4部署。中国市场竞争激烈、玩家多，但在他的经验里，还没有哪家达到了Waymo在旧金山的成熟度。另一个因素是中国城市的路况比美国复杂得多，这反而增加了L4部署的难度。
英伟达目前和不少中国车企保持着合作关系，合作形式包括车载推理芯片、仿真工具，以及开源模型Cosmos和Alpamayo。吴新宙说，一方面可以帮助中国车企改进模型，另一方面英伟达也从中国市场的激烈竞争中学习。
区域差异确实影响模型的部署。不同地区的数据法规不同，欧洲尤其严格，驾驶模型需要做地区适配，交通规则和参数都有差异。吴新宙试图尽可能减少模型的分叉，但完全统一不现实。
3、L4量产乘用车：不到五年
在播客末尾，Patel追问主流消费者能买到L4级别乘用车还要等多久。吴新宙给出了他的预测：“I wouldn't say five years，but less than five years。”
更近期的里程碑是：2026年底前，英伟达的ADAS技术将部署到美国市场的所有Mercedes车型以及其他合作伙伴的车辆上。与Uber合作的L4 robotaxi计划在2027年上半年从洛杉矶和旧金山湾区开始运营。目前，80%的量产车企已经加入了英伟达的Hyperion生态。
核心归纳
Q1：英伟达的自动驾驶双栈架构具体怎么运作？
端到端AI模型和经典安全栈同时运行。AI模型接收摄像头等传感器的原始像素，直接输出行驶轨迹，同时内嵌语言推理能力，在驾驶过程中用语言“自言自语”来规划路径。经典栈由按ISO 26262标准开发的独立组件构成，每一帧都会检验AI模型输出的轨迹是否安全，相当于一个永远在线的“Big Brother”。两者的冗余设计是英伟达从L2++一路延伸到L4安全策略的基础。
Q2：车企为什么愿意跟竞争对手共享驾驶数据？
成本和规模双重压力。自建大规模数据采集车队的资本开支巨大且高度重复，单独一家车企几乎不可能在数据量上追平Tesla或Waymo。加入英伟达Drive生态后，各家量产车项目采集的数据可以汇聚到一起训练共享模型，再加上NuRec合成数据技术把有限的真实数据放大成千万级训练样本，后来者集体缩小数据差距的速度比单打独斗快得多。
Q3：吴新宙如何评价Tesla的自动驾驶地位和激光雷达路线之争？
分两层看。L2++辅助驾驶领域，Tesla领先所有人，英伟达也是Tesla的GPU供应商。L4全自动驾驶领域，局面未定，Waymo是目前唯一在城市级范围内向消费者开放无人驾驶服务的公司。关于激光雷达，英伟达的立场是L4需要激光雷达来提供安全冗余，不装也不是绝对不行，但可用的部署场景范围会大幅缩小。
🏴 平 🇦🇷 负债All In！！！阿根廷的韧性会把比赛拖进加时甚至点球大战！！！平局是很容易出现的！！！而且搞不好阿根廷甚至能进决赛！！！想象一下梅西和亚马尔在巅峰决战里的世代交替画面！！！FIFA不会错过如此史诗级的故事！！！我已吃完鱼油！！！宇宙在向我歌唱！！！
全新的 pelican 测试
告诉 Codex 打开 Microsoft Paint，试着为你画一幅画
键盘侠还是赢了，获得了流量。//@桂曙光:键盘侠出山～
这是一个发生在足球里的有趣故事2019年，一个罗马的球迷在Facebook上评论金崎云代的进球时说：“连我都能进这个球”
俱乐部随后邀请他来到奥林匹克球场，给了他3次机会，让他试着进同样的球。#世界杯四强夺冠概率排名#
进一步了解 GPT-Live 智能能力的提升：该模型可以在同时协助完成多项任务的过程中，让对话持续进行，例如查询航班、调取当地天气，并实时规划行程。
Apple 正在努力应对内存芯片短缺。
害，阶级流动性这不就来了吗，真要富者恒富万世一系大伙又不乐意了 🐶
邹市明2亿怎么亏的？以及投资启示
1）退役2亿，原打算钱存银行，自己去体育局上班，安稳度日
2）老婆冉莹颖公开表示“邹不能仅限于做一名拳手”
3）家庭财务主导权：家庭投资决策主要由拥有北大光华管理学院MBA背景的冉莹颖主导，邹市明常做“甩手掌柜”。（这点跟某歌星老婆投资亏损20亿一样😂😂）
4）投资多个陌生领域：横跨拳馆、餐饮、影视、潮牌、电竞等
5）上海高端拳击馆：亏1.6亿年租金5000万，装修设备超1亿，一个吊灯300w，年卡定价3.8~8.8w，谁消费的起啊6）P2P理财：亏8000w 7）网红奶茶：亏5000w 8）虚拟货币：亏4000w 9）电竞直播：亏2000w 10）私房火锅：亏几千w
所以，富人最怕的是：认为大钱是凭自己能力赚到的，一旦这么认为，就会信心膨胀， 【凭运气赚的大钱，会全凭本事亏掉】
而如果赚了第一桶金以后，能认识到【大钱主要靠运气】，那么，才会谦虚，知道以后守财是第一位的
总之，绝大多数普通人赚到快钱、第一桶金后的最优投资归宿，应该是：
标普纳指ETF，可保一世富贵。
Grok Build 现已开源
我们已经将 Grok Build 开源，并为所有用户重置了使用限额。
开源 Grok Build 后，任何人都可以参与打造可靠、稳健的测试框架。欢迎查看我们的代码，其中包括 Grok Build CLI 的 Git 仓库。
让我觉得不可思议的是，有些人想要静音版。
GPT-Red 隆重登场
这是一名内部自动化红队测试工具，致力于大规模发现我们模型中的提示注入漏洞，帮助我们在更广泛部署之前构建更强的防御能力。
Codex 键盘看起来还挺酷的，要是支持 Claude Code，我就买一个了 😂
另外，官方做的也非常炫酷：https://openai.com/supply/co-lab/work-louder/
来认识一下 kbd-1.0-codex-micro，它是与 @work_louder 一起打造的。
将按键和摇杆映射到你的工作流中，并让置顶聊天始终显示在视野内。
库存恢复前，赶紧买一个吧，现有库存为 410 件。
我以为是多么高明的AI图片骗过了评委拿奖，结果竟然是图2这张⋯⋯
【正片】罗永浩的X字路口！一年一度装x大会
所谓精英阶层是很装逼的，但是平民阶层的人就不装逼吗？“我不看国产电影/我不听流行音乐”，这种“鄙视链”句式背后是什么心理机制？为什么小众的东西一旦大众化，很多人就觉得不“香”了？当我们嘲笑别人不懂装懂、附庸风雅时，我们是不是也在暗中确立自己“比他更懂、品味更好”的优越感？如果一个人“装”了一辈子都没被拆穿，那他还算装吗？这世界真的存在完全不装的人吗？
#罗永浩小奇聊脱口秀界谁最装##罗永浩深度长谈播客##罗永浩的十字路口##罗永浩的X字路口#
使用 Sol 进行 React/前端开发，价格效率提升 6 倍（！！）：
@gdb，我们的基准测试显示，Sol 排名第一，在 React/前端工作中的成本效率比 Fable 高 6 倍。
Sol 正在展现一些非同寻常的能力：
GPT-5.6 Sol 是有史以来最令人印象深刻的模型。在智能体编程之外，我发现它的数学能力，尤其是视觉方面的能力，强得不可思议。我用视觉数学测试了 Terra 和 Sol（Max），它们远胜其他模型，提升幅度非常大。
转发招人，Kimi Code的 Agent开发岗位引用原帖:
🤠 Kimi Code也在招人，感兴趣直接发我邮箱 me@kaiyi.cool感谢大佬们帮忙扩散捧场
（嚼嚼）我好了，你们呢？
最近推上很火的一位韩国女主播，一边辱骂观众一边跳舞。
帮转招聘引用原帖:
友情帮转，上海 KONG放出 Rust系统开发职位，群里小伙伴问，为什么不写薪资范围？
我心想，这难道不是好事吗？
你把自己的期望薪资递过去，他们给不起，那是他们的损失🤭
—- 👇岗位要求，转需
【友情帮转】 Rust系统开发专家· 上海· KONG
—
🚀【上海·极客团队】Kong核心团队诚招 Rust系统级开发专家（求扩散/求推荐）
各位 Rust圈的大佬、伙伴们，
全球最受欢迎的开源 API网关 Kong正在为上海研发中心招募 Core Team（核心团队）的系统工程师（Systems Engineer）！
如果你身在上海（或有意向来上海发展），对底层网络、高性能分布式系统、Async Rust充满热情，渴望与全球顶尖的开源社区并肩作战，同时向往硅谷风范的国际化技术氛围、不卷、尊重技术的工作环境，这个机会绝对不容错过！
💡 为什么加入 Kong上海 Core团队？
* 硬核技术中心： 上海作为 Kong 的重要研发基地，你将直接参与核心底层功能的研发，而非“边缘支持业务”。
* 全球级影响力： 你的代码将被全球数万家企业和无数开发者在生产环境中使用。
* 纯正外企氛围： 扁平管理，结果导向，拒绝无效加班。提供充足的硬件支持和与全球顶尖工程师直接技术碰撞的机会。
🛠️ 我们需要你做什么？
* 核心设计与实现： 负责 Kong API 管理软件及其底层架构的设计与开发，推进代理（Proxying）、负载均衡（Load Balancing）、数据库支持等核心功能的演进。
* 极致性能优化： 深入系统底层进行 Bug 排查、性能调优和 Low-level 优化。
* 开源社区共建： 与全球开源社区紧密互动，将最新的行业趋势和技术引入 Kong 核心。…
* 技术沉淀： 编写高质量的技术文档（在 Kong，工程师自己为产品写 Docs，用技术讲好故事）。
🎯 我们希望你具备：
* Rust 硬核实力： 3 年以上 Rust 实际开发经验，对 Async Rust 有深刻理解与实战经验。
* 系统级开发背景： 5 年以上服务端/系统级开发经验，具备设计高并发、高可用、高弹性分布式系统的能力。
* Linux 底层功底： 扎实的 Linux 系统调优、性能分析（Profiling）及网络栈（Networking Stack）知识。
* 网络协议专家： 熟悉 L4/L7 传输与应用层协议。
* 沟通与协作： 良好的英语读写和沟通能力（需要与全球分布式团队协作），强烈的 Owner 意识。
工作地点：上海（支持线下协作与交流，提供极具竞争力的办公环境）。
➕ 加分项（Bonus Points）：
* 熟悉 Tokio 异步生态或有深入实践。
* 有 Rust 开源社区 贡献经验（PR/Maintainer）。
* 熟悉 NGINX / OpenResty / Kong / LuaJIT 技术栈。
* 对虚拟机底层实现（如 LuaJIT VM、eBPF、WASM）有深入研究。
📬 投递与勾搭方式如果你就是我们在找的 Rust隐藏大佬，或者你有合适的朋友推荐，欢迎随时联系！
工作地点：上海市中海国际A座
简历直达邮箱：chitty.li@konghq.com （邮件主题建议：姓名 - Rust Systems Engineer - 渠道来源）
官方投递通道：
GPT-Red——通过自动化红队测试提示注入漏洞，提升模型安全性：
GPT-Red 隆重登场
这是一名内部自动化红队测试工具，致力于大规模发现我们模型中的提示注入漏洞，帮助我们在更广泛部署之前构建更强的防御能力。
//@一剑南来:何进很难说是庸才，也有自己的战略和规划：http://t.cn/A6pE4juk，董卓也不是历史中的那么简单化、脸谱化人物：http://t.cn/A6mgA4rP、http://t.cn/A6QBmmLl，刘备名义上参加了讨董战争，但并未与关东联军汇合：http://t.cn/AXKp6pOh
何进之死-引发中央王朝崩溃的连锁反应
发生在公元189年秋天的血腥事件，确凿无疑地构成了东汉王朝从制度性衰败走向实质性崩溃的决定性转折点。它直接终结了旧的权力格局（外戚、宦官、皇权的三方博弈），并开启了新的、更为混乱的权力游戏（军阀混战），最终导致了汉祚终结和其后长达近四个世纪的分裂与动荡。
历史的进程往往由一系列偶然与必然共同塑造。公元189年，汉灵帝驾崩，围绕着皇位继承与辅政权力，长期对峙的外戚集团与宦官集团的矛盾终于被推向了不可调和的顶点 。在这一历史关口，一位出身屠户、凭借外戚身份骤登权力顶峰的人物，大将军何进，被推到了风暴的中心 。
何进本是南阳宛县的一名屠户，在东汉末年时的社会地位低下 。他命运转折点在于其异母妹妹被选入宫中，并最终成为汉灵帝的皇后，即后来的何皇后 。凭借这层裙带关系，何氏一门得以“鸡犬升天”。何进本人也从一介市井之徒，迅速被拔擢至郎中、虎贲中郎将、颍川太守，最终在黄巾起义爆发后，因镇压有功，被拜为大将军，封慎侯 。
何进作为一个出身草根、能力平庸的外戚权臣，在汉末复杂的政治斗争中，其性格缺陷与政治短视被无限放大。他的死，既是个人能力无法驾驭巨大权力的必然悲剧，也成为了终结东汉王朝命运的时代悲剧的引爆点。
当何进的首级被扔出宫墙，成为了引爆冲突的导火索。在外等候的何进部将吴匡、张璋，以及盟友袁绍、袁术等人，见此情形，立刻发动了兵变。结果导致京师大乱与宦官集团的覆灭。
根据史籍记载：袁术率领部众，焚烧了南宫的九龙门和东、西宫的掖门，意图攻入宫中为大将军报仇 。袁绍、吴匡也展开血腥屠杀，他们率兵攻破宫门，冲入宫中，见宦官不论老幼，一概捕杀 。这场屠杀极为惨烈，由于宦官没有胡须，士兵们为了辨认，甚至连一些没有胡须的年轻男子也一并错杀，死者多达两千余人 。…
这场混乱的屠杀，彻底终结了在东汉政治舞台上活跃了一百多年的宦官势力。然而，它也彻底摧毁了皇宫的秩序与尊严。
何进死了，宦官集团也被物理消灭了，但洛阳城并未迎来士大夫们期望的“清明”政治，京城陷入了前所未有的权力真空。袁绍虽然策划并领导了诛宦行动，但他显然没有预料到皇帝会因此被劫持出宫。他的行动目标是“清君侧”，但结果却是皇帝失踪，京城大乱。他随即派兵追击，但为时已晚。
奉何进之命前来“勤王”的董卓，其军队正驻扎在离洛阳不远的显望驿。他敏锐地抓住了这个千载难逢的机会。在北邙山下，董卓找到了衣衫不整、惊魂未定的少帝和陈留王。随后，董卓以护驾为名，浩浩荡荡地率兵进入了洛阳城。
董卓顷刻间控制了洛阳和皇帝，便立刻露出了他的獠牙。他迅速采取了一系列行动，彻底摧毁了东汉朝廷仅存的合法性与权威。公元189年九月，董卓正式废黜少帝，将其贬为弘农王（后被毒杀），立刘协为帝，是为汉献帝。从此，董卓自任相国，“赞拜不名，入朝不趋，剑履上殿”，将汉献帝彻底变成了自己的傀儡 。
董卓的专权，引发了全国性的门阀反抗。以袁绍为盟主，集结了袁术、曹操、孙坚、刘备等关东各路州牧、太守，组成了讨董联军 。此次“勤王”之战，实际上标志着东汉王朝的彻底分裂。
董卓为躲避联军锋芒，强行挟持了汉献帝迁都长安，并焚毁了繁华的故都洛阳。至此，东汉的政治中心被摧毁，朝廷的影响力被压缩到仅限于长安周边的一小块区域。
讨董联军不久后便宣告瓦解，各路诸侯返回自己的地盘，开始了互相兼并的战争。袁绍占据河北，曹操雄踞中原，袁术在淮南称帝，刘焉、刘表父子割据益州、荆州……一个四分五裂、群雄逐鹿的时代正式开始。
#三国第一部争洛阳##和V闪闪一起来理解历史#
未来属于建设者。
AMD 很荣幸表彰我们的首席行政官 Ruth Cotter。她于今日加入 @HackClub 董事会。
AMD 致力于支持那些通过实践编码、工程和 AI，激励下一代创新者的组织。
阅读完整公告：https://bit.ly/4w01vRv
#Apple智能#智能手机的发明者Apple，将要官宣它的Apple智能。
贝索斯在访谈中也提过这个问题。一位高管告诉他，要节制的给团队提意见。即使是对的，也要给大家消化的时间。//@阑夕:关于里面提到老板忍不住给产品提意见这个事儿，字节那边的管理体系似乎能意识到节制的好处：http://t.cn/AXKpJJjZ
姚顺雨真是AI行业的战令选题，隔三差五就可以来一篇，标题直接就用入职天数来计算，光是有迹可循的我就已经刷到过姚顺雨空降腾讯的74天、88天、201天以及晚点LatePost刚刚写的300天⋯⋯
看来大家都还是很关注横空出世的天才年轻人和老气横秋的腾讯之间能够磨出怎样的火花，究竟会是东风压了西风，还是西风压了东风。
300天这篇稿子的密度是最高的，自带巨多一本正经的吐槽，让我蒸馏比较有意思的一些地方：
- 腾讯还挺在意外界质疑姚顺雨在OpenAI没有真正训过模型的履历——潜台词是德不配位——专门为此给出了解释，虽然姚顺雨在OpenAI主要负责Agent这块，但训练模型是他必须要接触的业务，不可能没有经验；
- 姚顺雨当初愿意加入腾讯的条件之一，就是希望总办答应在一年之内不要看任何跑分，给他充分的时间从头改造混元大模型，放弃在Benchmark上争一时的胜负，最后是刘炽平拍板接受了这个要求；
- 混元之前最大的问题是Infra不行，最早的时候连GPU都是从广告部门匀过来的，而数据标注也是一塌糊涂，准确率只有不到70%，但又死守95%的验收红线，于是只好用假数据蒙混过关，内部对此选择睁一只眼闭一只眼；
- 所以姚顺雨之所以被寄予厚望，也是因为腾讯的大模型团队已经到了需要借助外力打破陈腐风气的绝境，腾讯为他拿掉了所有挡路的老干部，也授权姚顺雨把预训练、后训练、评估、Infra的负责人全都换了一轮，在招人方面能开年薪的范围极广；
- 盛名之下，腾讯还真从字节AI线的当家部门Seed挖来了不少人，他们的考虑是，Seed已经非常成熟了，继续待下去很容易成为螺丝钉，但重建中的混元正值用人之际，可以有更多的发挥空间；…
- 在公司，姚顺雨不是卷王那种类型，总体上比较松弛，经常组织同事一起去打篮球，所以混元团队的工作强度也不大，唯独的例外是，如果哪个组有字节Seed的人跳过来了，就会很神奇的突然开始自发的卷起来，工作时长立马激增；
- 不过混元团队的人才质量依然良莠不齐，不少理论上应该清退的员工依然留在岗位上，于是就有了很抽象的场面，姚顺雨在大群里发论文、聊技术，却发现能跟上自己思路的人很少，甚至还有人看不懂；
- 姚顺雨会用他在OpenAI的经历给下属打气，时至今日，OpenAI的底层架构都没有根本性的变化，做大模型不存在魔法，也不要误信别人有什么魔法，把最基础的事情、能做对的事情都做对了，就能得到一个挤进中国第一梯队的模型出来；
- 所以混元的技术路线一直选择的是最中庸、最稳妥、最不容易犯错的那条，于是Qwen和Kimi都在用的线性注意力方案被放弃了，因为姚顺雨判断长上下文的场景并不是真实世界的主流需求，而上万亿的参数、海量Agent协作的前沿也被姚顺雨否定了，因为这对大多数人没用；
- 作为姚顺雨的第一份正式作业，Hy3成了腾讯有史以来第一个登顶OpenRouter周调用榜的模型，超出了内部预期，而且它只有不到300B的尺寸，小马拉动大车，这让姚顺雨非常兴奋，认为这意味着自己的版本思路是正确的；
- 从办公室技巧来看，姚顺雨并不是一个拿着尚方宝剑就不顾人情世故的锐意青年，相反，他很懂得笼括其他部门，因为深知业务才是证明混元价值的地方，在中国，模型很难直接卖钱变现，但「王者荣耀」一年几百亿的收入，混元如果能帮它提升哪怕1%，那就是好几个亿的经济效益；
- 所以姚顺雨主动把自己职权半径内的模型应用、搜索算法都送给了汤道生的CSIG，帮助CSIG巩固了腾讯全公司最集中的AI产品线，包括元宝、ima、CodeBuddy、WorkBuddy等等，「他清楚自己当前的主要任务是什么，就是和业务处好关系，不紧急的，没必要抓着不放」；
- 以此为契机，姚顺雨推进了他一直主张的联合设计（Co-design）模式，顺利进驻了春节期间高层都很关注的元宝团队，甚至在总办会上大夸特夸元宝的功能，这种识大体的姿态，让他避免了腾讯历来的部门墙传统，不被其他业务线视为麻烦；
- 但在腾讯，业务越受关注，就越会受到老板们的直接领导，进而陷入每个人都来当产品经理的屎山，你们可能很难想象，在元宝被调度全公司资源扶持的那段时间里，身价百亿的老板们每天都在提出具体的意见，什么这里的字体太小了，什么那边的颜色不太对，做过产品的人应该都能体会到这种两眼一黑的感受；
- 总体而言，姚顺雨在混元的这300天还是逐入正轨的，虽然没有惊动四海的惊喜，但一切终究都还是在变好，腾讯储备的GPU都在倾向混元，而混元也很识趣的没有跟进Seedance 2.0开创的大尺寸视频模型方向，控下了成本和风险，同时微信那边也依然在训练自己的模型，和混元保持着相敬如宾（莫挨老子）的淡漠关系。
#姚顺雨空降腾讯300天# #姚顺雨AI改革#
关于里面提到老板忍不住给产品提意见这个事儿，字节那边的管理体系似乎能意识到节制的好处：http://t.cn/AXKpJJjZ
姚顺雨真是AI行业的战令选题，隔三差五就可以来一篇，标题直接就用入职天数来计算，光是有迹可循的我就已经刷到过姚顺雨空降腾讯的74天、88天、201天以及晚点LatePost刚刚写的300天⋯⋯
看来大家都还是很关注横空出世的天才年轻人和老气横秋的腾讯之间能够磨出怎样的火花，究竟会是东风压了西风，还是西风压了东风。
300天这篇稿子的密度是最高的，自带巨多一本正经的吐槽，让我蒸馏比较有意思的一些地方：
- 腾讯还挺在意外界质疑姚顺雨在OpenAI没有真正训过模型的履历——潜台词是德不配位——专门为此给出了解释，虽然姚顺雨在OpenAI主要负责Agent这块，但训练模型是他必须要接触的业务，不可能没有经验；
- 姚顺雨当初愿意加入腾讯的条件之一，就是希望总办答应在一年之内不要看任何跑分，给他充分的时间从头改造混元大模型，放弃在Benchmark上争一时的胜负，最后是刘炽平拍板接受了这个要求；
- 混元之前最大的问题是Infra不行，最早的时候连GPU都是从广告部门匀过来的，而数据标注也是一塌糊涂，准确率只有不到70%，但又死守95%的验收红线，于是只好用假数据蒙混过关，内部对此选择睁一只眼闭一只眼；
- 所以姚顺雨之所以被寄予厚望，也是因为腾讯的大模型团队已经到了需要借助外力打破陈腐风气的绝境，腾讯为他拿掉了所有挡路的老干部，也授权姚顺雨把预训练、后训练、评估、Infra的负责人全都换了一轮，在招人方面能开年薪的范围极广；
- 盛名之下，腾讯还真从字节AI线的当家部门Seed挖来了不少人，他们的考虑是，Seed已经非常成熟了，继续待下去很容易成为螺丝钉，但重建中的混元正值用人之际，可以有更多的发挥空间；…
- 在公司，姚顺雨不是卷王那种类型，总体上比较松弛，经常组织同事一起去打篮球，所以混元团队的工作强度也不大，唯独的例外是，如果哪个组有字节Seed的人跳过来了，就会很神奇的突然开始自发的卷起来，工作时长立马激增；
- 不过混元团队的人才质量依然良莠不齐，不少理论上应该清退的员工依然留在岗位上，于是就有了很抽象的场面，姚顺雨在大群里发论文、聊技术，却发现能跟上自己思路的人很少，甚至还有人看不懂；
- 姚顺雨会用他在OpenAI的经历给下属打气，时至今日，OpenAI的底层架构都没有根本性的变化，做大模型不存在魔法，也不要误信别人有什么魔法，把最基础的事情、能做对的事情都做对了，就能得到一个挤进中国第一梯队的模型出来；
- 所以混元的技术路线一直选择的是最中庸、最稳妥、最不容易犯错的那条，于是Qwen和Kimi都在用的线性注意力方案被放弃了，因为姚顺雨判断长上下文的场景并不是真实世界的主流需求，而上万亿的参数、海量Agent协作的前沿也被姚顺雨否定了，因为这对大多数人没用；
- 作为姚顺雨的第一份正式作业，Hy3成了腾讯有史以来第一个登顶OpenRouter周调用榜的模型，超出了内部预期，而且它只有不到300B的尺寸，小马拉动大车，这让姚顺雨非常兴奋，认为这意味着自己的版本思路是正确的；
- 从办公室技巧来看，姚顺雨并不是一个拿着尚方宝剑就不顾人情世故的锐意青年，相反，他很懂得笼括其他部门，因为深知业务才是证明混元价值的地方，在中国，模型很难直接卖钱变现，但「王者荣耀」一年几百亿的收入，混元如果能帮它提升哪怕1%，那就是好几个亿的经济效益；
- 所以姚顺雨主动把自己职权半径内的模型应用、搜索算法都送给了汤道生的CSIG，帮助CSIG巩固了腾讯全公司最集中的AI产品线，包括元宝、ima、CodeBuddy、WorkBuddy等等，「他清楚自己当前的主要任务是什么，就是和业务处好关系，不紧急的，没必要抓着不放」；
- 以此为契机，姚顺雨推进了他一直主张的联合设计（Co-design）模式，顺利进驻了春节期间高层都很关注的元宝团队，甚至在总办会上大夸特夸元宝的功能，这种识大体的姿态，让他避免了腾讯历来的部门墙传统，不被其他业务线视为麻烦；
- 但在腾讯，业务越受关注，就越会受到老板们的直接领导，进而陷入每个人都来当产品经理的屎山，你们可能很难想象，在元宝被调度全公司资源扶持的那段时间里，身价百亿的老板们每天都在提出具体的意见，什么这里的字体太小了，什么那边的颜色不太对，做过产品的人应该都能体会到这种两眼一黑的感受；
- 总体而言，姚顺雨在混元的这300天还是逐入正轨的，虽然没有惊动四海的惊喜，但一切终究都还是在变好，腾讯储备的GPU都在倾向混元，而混元也很识趣的没有跟进Seedance 2.0开创的大尺寸视频模型方向，控下了成本和风险，同时微信那边也依然在训练自己的模型，和混元保持着相敬如宾（莫挨老子）的淡漠关系。
#姚顺雨空降腾讯300天# #姚顺雨AI改革#
虽然没有直接去用它，但它的一些特性，已经被各家吸收了//@高飞:OpenClaw就像Unix/ Linux/ FreeBSD，我们没有使用它，但又一直在使用它。//@蚁工厂:也算是开启Agent时代了
【#OpenClaw热度几乎归零#】
从GPT发布到现在快四年了，如果评选最火爆的AI产品，那应该要属OpenClaw，在国内被称为小龙虾的它曾经火爆出圈，然而现在几乎无人问津了。
大家可能有段时间没听过小龙虾的新闻了，但真看了它的谷歌趋势指数，才发觉暴跌速度竟然如此之快，去年11月份发布，今年1月份开始爆发，3月份是巅峰，那时候国内知名或者不知名的互联网公司都复刻了OpenClaw的模式做了自己的小龙虾产品，有的公司甚至推出了好几款同类产品。
然而OpenClaw的热度在4月份就开始暴跌，现在的7月份不能说归零，但也差不多了，热度来的很快，跌的更快。
OpenClaw作为一款产品倒是没有停止，事实上还在更新，只不过更新强度也不像之前那样疯狂了，本月初创始人还联合Dave Morin成立 OpenClaw Foundation，定位为一个AI领域的瑞士那样的中立组织，基金会使命为"让AI个性化、有趣、赋权所有人"。
至于大家为何不再热衷使用OpenClaw，原因也不复杂，首先是OpenClaw自身的问题，刚开始的时候配置复杂，下载安装再到升级维护都需要很强的动手能力，CLI窗口虽然高效，但与大众的使用习惯不符。
现在虽然有了桌面端，也原生支持Windows系统了，易用性有很大改进，但一切都晚了。
其次是现在的外部环境也变了，但凡是个AI公司都有了自己的Agent产品，比OpenClaw做的更好用的也有很多，尤其是国内的几家公司，一站式解决方案，还能整合自家的大模型，一条龙服务的便利性在国内是OpenClaw永远没法比的。
总之，OpenClaw应该算是到目前位置AI史上最出圈的产品，一度红到发紫，互联网用户都在抢着装，然而这样的热度没有持久下去，它完成了自己在特殊时间的特殊使命。（快科技）
OpenClaw就像Unix/ Linux/ FreeBSD，我们没有使用它，但又一直在使用它。//@蚁工厂:也算是开启Agent时代了
【#OpenClaw热度几乎归零#】
从GPT发布到现在快四年了，如果评选最火爆的AI产品，那应该要属OpenClaw，在国内被称为小龙虾的它曾经火爆出圈，然而现在几乎无人问津了。
大家可能有段时间没听过小龙虾的新闻了，但真看了它的谷歌趋势指数，才发觉暴跌速度竟然如此之快，去年11月份发布，今年1月份开始爆发，3月份是巅峰，那时候国内知名或者不知名的互联网公司都复刻了OpenClaw的模式做了自己的小龙虾产品，有的公司甚至推出了好几款同类产品。
然而OpenClaw的热度在4月份就开始暴跌，现在的7月份不能说归零，但也差不多了，热度来的很快，跌的更快。
OpenClaw作为一款产品倒是没有停止，事实上还在更新，只不过更新强度也不像之前那样疯狂了，本月初创始人还联合Dave Morin成立 OpenClaw Foundation，定位为一个AI领域的瑞士那样的中立组织，基金会使命为"让AI个性化、有趣、赋权所有人"。
至于大家为何不再热衷使用OpenClaw，原因也不复杂，首先是OpenClaw自身的问题，刚开始的时候配置复杂，下载安装再到升级维护都需要很强的动手能力，CLI窗口虽然高效，但与大众的使用习惯不符。
现在虽然有了桌面端，也原生支持Windows系统了，易用性有很大改进，但一切都晚了。
其次是现在的外部环境也变了，但凡是个AI公司都有了自己的Agent产品，比OpenClaw做的更好用的也有很多，尤其是国内的几家公司，一站式解决方案，还能整合自家的大模型，一条龙服务的便利性在国内是OpenClaw永远没法比的。
总之，OpenClaw应该算是到目前位置AI史上最出圈的产品，一度红到发紫，互联网用户都在抢着装，然而这样的热度没有持久下去，它完成了自己在特殊时间的特殊使命。（快科技）
1974 年至 1976 年间，黄金价格大约跌去了一半。
从 2025 年的峰值到今天，比特币也下跌了大约一半。
1976 年至 1980 年间，黄金上涨了约 7.5 倍。
比特币的行情演进速度比任何其他资产都快。它从不收盘，也从不休假。
人们总是希望历史能给出答案。
但历史通常什么也不说。
只是偶尔，它会留下两个看起来出奇相似的场景。
突发：Groq 将于本周弃用 Llama 4 Scout 17B。值得庆幸的是，开发者仍然可以使用 gpt-oss 120B 和 Qwen 18/5 27B。
你不用等。
灵感来自研究与部署的周边。
售完即止。
@thsottiaux 等达到 1000 万时，我们能不能来点 OpenAI 周边？😂
Apple Intelligence终于入华了，底座应该还是Qwen？
我们的模型旨在为任何给定任务提供最优价格。
如果你能在任何工作负载上实现更好的性价比，我们很乐意听听具体细节，并一起研究——gdb@openai.com。
节目从人物判断与慈善选择谈起，转向年轻人、信任和接班问题，再延伸到慈善理念、伯克希尔持有多年的企业、Alphabet 及投资纪律，最后讨论公司未来和价值投资环境。以上内容均根据完整中文转写整理。
- 人物判断、慈善与人生选择 [00:00:00 - 00:10:00]
- 年轻人、信任与伯克希尔的接班 [00:10:00 - 00:20:00]
- 慈善理念与长期资本配置 [00:20:00 - 00:30:00]
- 好生意、Alphabet与投资纪律 [00:30:00 - 00:40:00]
- 伯克希尔的未来与价值投资 [00:40:00 - 00:48:05]
一凯：欢迎收听跨国串门计划。这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的AI声纹克隆技术,我们不仅将内容翻译成中文,还完美保留了原节目主播和受访者的独特声音,为您呈现全球顶尖的AI财经。健康与科技领域精品内容。我是主播一凯,一位热衷于AI领域的产品经理。很荣幸能为您搭建这座跨越语言障碍的桥梁。接下来让我为您简单介绍本期我们克隆的这档节目。本期我们克隆的是知名财经节目CNBC Television。在2026年7月15日播出的一期深度访谈。由Squawkbox的主播与股神沃伦·巴菲特。进行了一场长达一小时的独家对话。巴菲特是伯克希尔哈萨维公司的董事长。也是全球最受尊敬的投资人之一。他的一举一动向来是市场关注的焦点。这期节目主要围绕巴菲特最新的慈善捐赠计划调整。他对伯克希尔继任者的看法。以及近期引发热议的科技股投资逻辑展开。那我们就一起来听听这期的完整对话。沃尔尔首先谢谢你今天坐下来跟我们聊。很感谢。能坐下来聊聊总是好的。
Becky Quick：对我也这么觉得。上一次我们坐下来跟你聊。应该是倒数第二次。三月份那次。当时我们聊的是你在慈善捐赠方面做的事。你说你会继续观察。等待。想看看Bill Gates和Epstein文件的事。到底会爆出什么。到底发生了什么。你说你还没决定接下来怎么做。今天你发了一份声明。说你会增加给Susan Thompson Buffett基金会。
Joe Kernen：也就是你三个孩子的基金会的捐款。但目前不会给Gates Foundation任何钱。这是你的决定吗。没错。但解读这件事的时候。我想指出一点。从1月1号以来。 [00:01:57]
Warren Buffett：我读了大量关于Bill和Epstein之间。到底发生了什么的材料。我读了他向国会做的宣誓证词。也读了交叉质询的内容。虽然这事让人不舒服。虽然他犯了错。但我也犯过错。故错过各种各样的人。或者交过朋友后来才发现。不管怎么说。他们并不是我当初以为的那种人。所以我在那些材料里。没看到任何超出我能理解范围的东西。我能想象自己也可能做出类似的事。而且他已经了结了这件事。我也遇到过看错人的情况。或者别人看错我。但生活总要继续。在选人这件事上。没有人能做到万无一失。你说的是用人决策。或者选择和谁交往。这些文件公布后。 [00:02:50]
Becky Quick：确实暴露出一些有问题的决定。但也涉及其他一些个人信息。对那些他承认了。关于这一点我还是会说。我认识过一些非常好的人。现在也认识一些非常好的人。我不认为他们做的每一个决定都是对的。那如果你是这样看的。为什么不再给Gates Foundation捐钱了。我重新评估了自己的整个情况。就像我从20多岁起一直在做的那样。 [00:03:17]
Warren Buffett：那时候我和苏西结了婚。我们其实没什么钱。但我们很清楚。我们打算过好日子。也打算组建家庭。不过我们从来没有那种追求。比如说要六套房子。或者一艘五百英尺的游艇之类的。所以即便在那个时候。我们就聊过以后怎么做慈善。但我的想法和信念是。我让钱富力增长的速度。会比社会平均水平更快。而苏西把钱捐出去的方式。会比99.9%做捐赠的人都更好。而且他会亲自参与到每一笔捐赠礼去。我呢喜欢做批发式的事。他喜欢做零售式的事。所以我们有一个计划。只是当时没钱。后来钱慢慢多起来了。
Becky Quick：他会问我们算有钱了吗。我会说还没有。但越来越近了。不过我并不急着做什么。我们一路也做了一些小事。
Warren Buffett：我当时觉得人类面临的最大威胁是核弹。所以我脑子里有一些宏大的计划。想着怎么才能改变这件事发生的概率。花了几十年。我最终得出结论。
Becky Quick：我连万分之一十万分之一的成功概率都没有。压住在小概率事件上是不错。但压在那些。所以你改了计划。所以我改了计划。 [00:04:43]
Joe Kernen：你为什么改计划。改计划的原因就是我刚才说的钱。钱开始越积越多了。不我说的是你现在改计划。2024年你说过。对Gates Foundation的承诺是终身的。现在到了2026年。你又说不是这样了。发生了什么。发生的事就是。我已经给了Gates Foundation很多钱。给Gates Foundation的总金额。大概有470亿美元。
Warren Buffett：我当时觉得那是个好决定。现在也认为是个不错的决定。但我当时不认为我的孩子们。已经准备好去捐出巨额资金。司机和我一开始给他们钱。
Becky Quick：我记得是每人给了十万美元。这大概是三十年前的事了。还是更久。差不多。对。但他们当时还在成长。我是说。 [00:05:34]
Warren Buffett：他们那时候也有了自己的孩子。不过。我还是觉得他们没准备好。而且我当然想对他们一视同仁。这始终是个难题。如果他们在某方面有同等的天赋。我不可能把他们都变成音乐家。也不可能把他们都变成棒球运动员。但我真心希望。在慈善这个领域。他们能有共同的目标。能自己商量出一个办法。用那笔巨额资金。每个人都觉得有足够多的事可做。去做他们想做的事。你觉得现在是这样了吗。什么。你觉得现在还是这样吗。我觉得这个可能性非常高。当然这个计划会不会出什么意外。当然会。我有三个孩子都72 71了。再看看我的年纪。这世上总会有事情让你不得不改变。但我没有改变的打算。在我看来。我们已经达到了最理想的状态。苏西是2004年去世的。所以后来主要是我在不断提高。他们每年能拿到的金额。而且很明显。他们对自己做的事也很满意。硬把人塞进不适合的岗位。或者让他们跟你观点完全不同。这没意义。我跟我爸的人生观就不一样。他是我这辈子最敬佩的人。但这不代表我会加入他的教会。或者什么都照他的做。他也很鼓励我有自己的想法。他以前常跟我引用Emerson的话。大意是说。你身上的那股力量在自然界中是全新的。你是独一无二的。去找到那个独一无二的点。我觉得我很幸运。很早就找到了。靠运气。靠环境。也靠我自己相当有目的性的追求。我的孩子们没有这样。他们的表现跟大多数孩子一样。对各种不同的想法都浅尝则止。但我现在对他们做的事是百分之百有信心的。我儿子号刚发布了一份大概一百页的报告。解释他在做什么。 [00:07:41]
Becky Quick：为什么做。花了多少钱。那是Howard Buffett Foundation的年度报告。对。写的比我能写的还好。他有一种受托人的责任感。而且对他看到的那些。没他这么幸运的人。有着巨大的同理心。那这么说是否公平。20年前。也就是2006年。你做这个决定的时候。你对Gates Foundation的信任。超过了对你的孩子。而现在你对孩子的信任。超过了Gates Foundation。 [00:08:09]
Warren Buffett：不是因为金额不一样。不是说我对他们的信任程度有变化。而是我觉得他们有能力处理好。我肯定不会把东西交给孩子。然后又收回来。而且Gates Foundation实际赚到的钱。远超他们的预期。他们花掉的钱。可能比我能想到的任何人都多。对他们现在的捐赠基金规模。我记得已经超过900亿美元了。从某种意义上说。我跟Bill做的事其实一样。只不过我把钱给出去的时候。我告诉三个孩子。这是你们的了。把它做好是你们的责任。你可能觉得难以置信。但这是真的。我从来没看过他们报税的990票。我不会去评判他们的每一个动作。因为你做的一些事。可能成功率只有10%或20%。这跟做投资不一样。那你对这些钱的期望是什么。你刚才好像暗示。孩子们的目标跟你差不多。这个世界的不平等。有你能想象到的各种形式。想想健康问题。或者能不能顺利出生。诸如此类。最终的目标是让那些抽到下下签的人生活的更好。抽到下下签的人比我们永远都帮得过来的人要多得多。
Becky Quick：我的孩子们在某些领域会比我更有洞察力。而我在另一些领域比他们更有洞察力。这只是因为兴趣和接触的东西不同。但我确信的一点是。 [00:09:40]
Warren Buffett：他们会努力去做一些事。而且会做得更好。而且他们很可能比我活得更久。人一过了70岁。时间真的过得飞快。但我不会。我想不出这世界上。有哪个30岁或更年轻的人。我会放心把这事交给他。我觉得30岁或更年轻的人里。有很多聪明绝顶的人。他们将来可能成为社会领袖。或者非常重要的作家等等。但我确实认为。看一个人在不同处境下如何行事。这一点很重要。
Warren Buffett：他们会努力去做一些事。而且会做得更好。而且他们很可能比我活得更久。人一过了70岁。时间真的过得飞快。但我不会。我想不出这世界上。有哪个30岁或更年轻的人。我会放心把这事交给他。我觉得30岁或更年轻的人里。有很多聪明绝顶的人。他们将来可能成为社会领袖。或者非常重要的作家等等。但我确实认为。看一个人在不同处境下如何行事。这一点很重要。
Becky Quick：你的孩子们肯定会面临压力。可能已经面临了来自一长串人。觉得他们应该资助自己的想法。我今天在X上看到。Brad Gerstner发的东西。建议你把钱给Trump账户。
Joe Kernen：说还有其他更好的事可以做。对那些会说你应该把钱投到这里的很多人。你想说什么或者你觉得他们应该怎么说。如果世界上有80亿人。你觉得每个人都该有平等的机会。 [00:10:44]
Warren Buffett：那你可能花1000美元或1万美元就能解决每个人的问题。但你永远解决不了所有人的问题。解决一个社会问题。这是我一开始的想法。就像核武器那样。每个参与研发核武器的人都后悔不得不造出这种东西。他们是世界上最聪明的人。但他们始终没想出。怎么把橄榄塞回瓶子里。这在人类社会存在的。
Joe Kernen：前几亿年里都没做到过。前几百万年。那这些计划。比如Trump账户。对你有吸引力吗。你觉得对孩子们有吸引力吗。还是你就完全交给孩子们。让他们自己想办法。
Warren Buffett：我交给孩子们。但我在遗嘱里确实有一条。不是针对我现在给的这些赠予。而是我死后可能会留下的大部分财产。尽管我在加快捐赠的步伐。 [00:11:37]
Joe Kernen：按昨天收盘价算。你现在剩下的A类股大概值1400亿美元。而你今年捐出去的钱是60亿美元。这个数字还得往上涨。每年至少175亿美元。这还是假设Berkshire股价从现在开始不涨。如果你想在八年内把这些钱都捐出去的话。顺便说一句。这个假设很糟糕。我是说这不是一个现实的假设。
Becky Quick：每年捐出175亿美元。这个假设不现实。不是。我是说假设一笔投资什么回报都没有。这不现实。没错。
Joe Kernen：我还能拿5%的短期国债利息呢。你2006年开始做这些捐赠的时候。当时有多少钱。我记得那时候我们聊的是不到1000亿美元。对吧。所以你已经捐了670亿美元。而到今天你手里还有1400亿美元等着捐出去。这事我倒真懂。其他那些事我可能不一定懂。但175亿美元就算它不再增长。也比现在任何人捐的都多。Gates Foundation去年捐了多少。80亿美元。对差不多。然后呢。那已经很多了。而且他们做这些事雇了2000人。 [00:12:54]
Warren Buffett：几乎所有有那么多钱的基金会都会这么做。让我印象深刻的是。我的孩子们是真的想把钱捐出去。而不是随着时间推移拿去做别的事。所以他们。你是说他们宁愿捐掉。也不愿花在自己身上。对或者盖大楼之类的事。当然随着事情推进。他们会需要更多帮助。但我看这几个基金会雇的人。现在有三个基金会。算上STB Foundation是四个。N算上STB。不过我们先说孩子们吧。因为他们对自己做的事。
Becky Quick：有完全的决定权。他们每家雇的人。大概在11到25人之间。总共三个基金会加起来。不没加对。而且他们的费用比率。 [00:13:44]
Warren Buffett：远低于那些名气大得多的机构。费率接近1%甚至更低。他们已经表明。没把这笔钱当游戏币。对意思是他们几乎把收到的。每一笔都又捐出去了。最终确实都会捐出去。他们不会去盖豪华总部大楼。也不会跑到稀奇古怪的地方。开大会什么的。当然做这些事本身没什么错。但关键是。那些拥有的财富远超自身需求的人。愿不愿意把财富传给下一代。去帮助别人。世界上很多地方。这种做法已经延续了几千年。 [00:14:23]
Joe Kernen：对你向来不喜欢官僚主义。Berkshire Hathaway就在这间办公室运营。好像只有25个人左右。如果我没记错的话。而且在我们增加最后两三个人之前。公司规模大概已经翻了十倍。在我们继续之前。Bill Gates知道这件事吗。三月份我们跟你聊的时候。你说自从这些指控开始出现。你就没再跟他说过话。他上个月也就是六月。在国会作证时也说了同样的话。说从1月起就没跟你联系过。那之后你们聊过吗。这件事对他来说意外吗。不这件事对他来说并不意外。
Warren Buffett：另外他大概三周前来过欧马好。我有点记不清具体时间了。但肯定不是三个月没联系。我们在一起聊了三个小时。他打算给我打电话。通常都是他主动打过来。你也看到了。
Becky Quick：我随时都有空。但他比我更有条理。他已经提议再聚一次了。再聚一次。对自从我们认识以来。大概是1991年吧。
Warren Buffett：我们一起度过了非常多美好的时光。他付出的总是比他那份更多。总是更多。你不会看到我去做计划或者。你是指在这段友谊里。对这是一段非常棒的友谊。没有和我感兴趣的东西有很多重叠。所以我们总有聊不完的话题。同时我们各自也都有自己的专长领域。 [00:15:49]
Joe Kernen：但你三周前左右见到他时。告诉了他你不会再向Gates Foundation捐款了。对我可能甚至。我没法确切告诉你我当时怎么说的。但在某个时候。
Warren Buffett：我读过了国会得出的结论。我读了所有材料。我只能说。我不知道自己有没有做过更蠢的事。但我这辈子确实做过很多蠢事。
Becky Quick：看看我们的投资组合就知道了。我做的决定里。至少有五分之四都平平无奇。但你告诉他这件事的时候。他没问题。也就是说他接受这个决定。这些对他来说都不是新闻。Bell跟我不一样。他大概希望基金会能在他去世时就结束。当然他也不知道自己什么时候会走。他的基金会。而我呢。
Warren Buffett：我希望我的孩子们活得比我长得多。也希望他们三个都能参与进来。而且我觉得他们做了这件事之后。会变得更好。但这并不是一个。 [00:16:51]
Becky Quick：当初苏西和我开始。给他们钱的时候。我记得我们后来把金额提高到了。大概每年三千万。给孩子们的基金会。不其实是给。 [00:17:05]
Warren Buffett：是给他们的基金会。具体数字我记不太清了。但我们是在99%确定他们愿意。而且在某些方面还挺热心的。想为别人做点事的时候。才把这笔钱给出去的。他们一直过得不错。他们一直遵循着一条规则。是很久以前有人告诉我的。虽然外界老把这话算在我头上。但真不是我自己想出来的。就是说如果你生在特别有钱的家庭。父母应该给你足够的钱。让你能去做点什么。但又不能多到让你什么都不用做。事情一直就是这么发展的。只是规模越来越大。但现在我得加快脚步了。因为到了我这个岁数。概率真的对我不太有利了。所以我最新写的这份遗嘱。很可能就是最终版了。不像我三四十岁。五十岁时写的那些。我知道肯定还会改。我们来聊聊这个。你这次还宣布了另一件事。就是你希望这些钱和股票。
Becky Quick：能以更快的速度分发出去。之前你的想法是。在你去世后大概十年内。这些股票会全部捐给慈善机构。现在你说希望所有这些股票。
Joe Kernen：能在从现在算起八年内。也就是2034年底前分发完毕。是什么让你改变了想法。这又意味着什么。这当然意味着。我做慈善一直有两个目的。 [00:18:36]
Warren Buffett：尤其是我几乎百分之百的钱都在Berkshire里。这就像我的一幅画。我喜欢这幅画。也喜欢和这幅画相关的人。而且他随着时间推移。一直在不断完善。就像画上这儿。得加个苹果什么的。我觉得在全美国。我信得过。能把公司托付给他的人。我找不出十个来。你的公司。你是在说你的公司。对。公司。我连五个都找不出来。我认识的人可不少。而且我对要找的那个人。标准非常高。显然我们已经找到了。就是Greg Abel。这一点一天比一天更明显。甚至今年又多了些事情。能证明这点。所以你觉得不需要再长期持有这些股票。或者让你的家族长期拥有。这些股票的投票权。
Becky Quick：是因为你认为Greg Abel就是。他就是那个人选。唯一的问题是。他也不是长生不老的。你永远绕不开寿命这个问题。谁也逃不掉。有些人看起来身体好的不得了。
Warren Buffett：但可能突然就走了。比如前几天去世的Lindy Graham。Lindy Graham。大概是这个名字。所以这里面的变数太大了。运气好和运气不好。差别巨大。 [00:19:54]
Becky Quick：这就是我在Greg身上下的赌注。我手里可没有什么十人名单。我又没有十个孩子。别说十个。我连三个人的名单都没有。是指现阶段你信得过。能把公司托付给他的人。不过我有些董事。我相信他们心里是认同。Bursch Hartwee的理念的。他们也希望公司能一直延续下去。
Becky Quick：这就是我在Greg身上下的赌注。我手里可没有什么十人名单。我又没有十个孩子。别说十个。我连三个人的名单都没有。是指现阶段你信得过。能把公司托付给他的人。不过我有些董事。我相信他们心里是认同。Bursch Hartwee的理念的。他们也希望公司能一直延续下去。
Warren Buffett：所以我有这么一个合适的团队。能再做这个选择是起到成上起下的作用。但世事难料。不可能世事完美。所以你的期望是。这些股票能在2034年底前。
Becky Quick：也就是八年多一点。八年半之后分发完毕。但我的理解是。如果你不在了。而孩子们是最终做决定的人。到时候你会把决定权留给他们。对。 [00:20:46]
Warren Buffett：而且八年以后。我都八十了。快八十一了。另一个也七十了。这不光是寿命的问题。还关系到我们到时候脑子还清不清楚。他们听你这么说过吗。我是说我自己就在变糊涂。我脑子好使的时间。已经比我应得的要长很多了。这纯粹是运气。我见过太多我们旗下公司的管理者。
Becky Quick：有的后来都开始捡纸娃娃玩了。还得靠助理帮忙打掩护。这些我在一些年报和年会上应该也提过。好这里我得确认一下。你现在说这些做这些决定的时候。
Warren Buffett：头脑是完全清醒的对吧。我希望是吧。也许你对此很确定。不过实际上这份遗嘱是我几年前写的。所以除非有极其重要的决定。否则我不会在明知的情况下修改它。因为毫无疑问。我写这份遗嘱的时候。脑子是清楚的。好那我们来聊聊。接下来会发生什么。因为你之前说过。 [00:21:49]
Becky Quick：这其实是由你的孩子们来做决定。但在你现在发布的公告里。你给每个孩子的基金。会增加了大约50%的捐赠金额。对但增加的部分。
Joe Kernen：是给苏森汤姆森基金会的。但真正在捐赠规模上。出现大幅增长的是。苏森汤姆森基金会。他们今年拿到的股票数量。是去年的十倍。基本上原本会流向。Gates Foundation的钱。现在都给他们了。他们拿到的是原本会流向。苏森汤姆森基金会的钱。而且还更多。是原本能剩下的那部分。对而且还更多。但基本上他们今年能支配的支出金额是45亿美元。这是Gates Foundation去年拿到的数额。
Becky Quick：相对而言为什么给STB基金会的钱。比其他三个基金会多这么多。大家都变多了。但为什么这一家格外多。 [00:22:47]
Warren Buffett：STB基金会要我说完全是我已故的妻子会创建的样子。而我会赞同在很多问题上我们看法完全一致。那些问题现在甚至都不再是问题了。比如女性权利还有民权。我们一直很同步。不过他喜欢听每个人的故事。那是我最不愿意做的事。他把每个人都看作独立的个体。
Becky Quick：同时也把他们看作一个群体。我则把他们看作群体。而且我还有其他更让我着迷的事情。这笔钱按这个方式分配下去。
Joe Kernen：是你预期从今往后都会看到的模式吗。过去几年感恩节的时候。你都会额外给三个孩子的基金。会一些捐赠。今年还打算这么做吗。对我几乎肯定会。但不管怎样。 [00:23:39]
Warren Buffett：其他的安排会继续。你知道。我比我的三个孩子。都更可能在感恩节前离世。可能比他们三个加起来概率都大。不过我也很乐意解释。我为什么这么做。就像我在Berkshire的年报里写的那样。我有点好为人事的倾向。我的合伙人Charlie Munger也有。对我们来说。钱不是N。钱的重要性在于它能为别人做些什么。它对我个人能做什么并不重要。我这辈子从没亏待过自己。N如果发生什么事。你不在了。没法再做这些决定。是不是就会回到你去年遗嘱里说的那样。成立一个新的基金会。对会有一个新的基金会。由三个孩子负责。必须是他们三个。因为规则上有些细微的变化。其中之一就是他们做的任何决定。都需要三人一致同意。TB基金会或者孩子们的基金会。需要像Gates Foundation那样。
Joe Kernen：在本财年内把钱花出去吗。还是说他们可以慢慢来。按自己的计划推进。他们知道我的想法。但他们可以做自己想做的事。 [00:24:54]
Becky Quick：不过如果他们的做法偏离基本原则太远。那就要重新审视了。但那种事不会发生。沃尔恩。你成年后的大部分时间都在思考慈善事业。
Joe Kernen：这些年来你的看法有什么变化。你希望看到这件事走向何方。我想到了你们发起的捐赠誓言。你现在的看法是什么。我的看法是。在八十亿人里。 [00:25:21]
Warren Buffett：我可能是全世界最幸运的十个人之一。我一直很幸运。健康的活到了九十五岁。我很幸运。能投身于让我着迷。又恰好有点天赋的领域。而这个领域偏偏又带来了其他。任何事都无法比拟的回报。我要是去当个小提琴家。或者干点别的。那需要的是另一种天赋。我并没有。而且我很幸运。很早就接触到了自己喜欢做的事。这多少有点偶然。这纯粹是运气。如果我父亲是个水管工。我就不会有同样的优势。所以我真是无比幸运。而随着人生继续。我也看到了。一些人遭遇了多么难以置信的不幸。这就是运气。你知道我们的孩子小时候也遇到过意外。各种各样的事都可能发生。只是那些事没发生在我们身上而已。好的。既然你在这儿。我们再聊几件别的事。你还有什么想补充的吗。让我再补充一点。我是说那种国王和王后的整套观念。几千年来把随心所欲生活的能力代代相传。却对其他人说吃糠燕菜去吧。
Becky Quick：如果让我来设计这个世界。制度不应该是这样的。我改变不了世界的设计。但我可以尽量磨平一些棱角。这些价值观。你的妻子Astrid和你的孩子们也都认同吗。 [00:26:53]
Warren Buffett：绝对的。而且我很高兴你提到Astrid。因为她对这个问题的看法。极端到你难以想象。她这辈子经历的苦难。比苏贼和我都多。她是拉脱维亚人。坐船到Alice Island。不知道会被分配给谁。住过寄养家庭。各种事都经历过。所以出生的偶然性真的太极端了。我见过一些人。用这种偶然性来为自己辩护。维护那些在我看来荒谬至极的地位。这也是鼓励慈善的原因。你不能强制他。强制了就不是慈善了。但大多数人都是很多好本能。和很多不那么好的本能的结合体。包括我自己。如果你做的事能激发他们更好的一面。他们有时是会回应的。对了。
Becky Quick：你发起捐赠誓言的时候。和Bill Gates。还有Melinda Gates一起。初衷就是鼓励人们捐给任何地方。而不是试图告诉他们该怎么用钱。没错。 [00:27:56]
Warren Buffett：而且也让他们自己决定什么时候捐。一个家族。如果有一块传了一百年的农场。家里所有人都在上面劳作过。他们对资本的看法就会完全不同。他们还是会努力工作。但他们对钱的看法。跟一个在华尔街做期权交易的人。是完全不一样的。好我们来聊聊其他几件事。
Becky Quick：可能是我们上次五月坐下来聊之后发生的。我第一个想到的。就是Berkshire在Alphabet。也就是Google的股票上。建立并增持了巨大的仓位。
Joe Kernen：很多人看到这个都说。好吧这是Greg在投资组合上留下的印记。表明他会怎么改变投资方向。这个alphabet仓位是怎么来的。我不知道你是不是。我通常不会回答这种问题。 [00:28:47]
Warren Buffett：但这次我会。因为我没有做任何他不认可的事。他也没有做任何我不认可的事。我们一直在交流。他几乎每天都在。但他是做决定的人。
Joe Kernen：回到alphabet或者说Google。他大概排第五或第六。我以为排第三。如果你把那100亿美元的私募配售。也算进去的话。那样总规模就超过310亿美元了。对。
Warren Buffett：但我们还有Burlington Northern铁路公司。它的价值肯定比那个高得多。好吧。所以你把全资拥有的公司也算进去了。我们一直在做选择。是买流通证券。还是我们看待他们的方式是一样的。有一些很小的例外。比如如果我们不控股。就没法决定分红政策。但这些不太可能成为关键。 [00:29:38]
Joe Kernen：重要的是买一家好公司。用合适的价格买。然后让对的人去经营。好吧。但你们很快就建仓了。超过300亿美元的Alphabet投资。这让你持股的那些公司里。它仅次于Apple和American Express。所以Coca-Cola的规模比它小。Bank of America也比它小。差不多。但你看可口可乐。我们持有大概45年了。 [00:30:03]
Joe Kernen：重要的是买一家好公司。用合适的价格买。然后让对的人去经营。好吧。但你们很快就建仓了。超过300亿美元的Alphabet投资。这让你持股的那些公司里。它仅次于Apple和American Express。所以Coca-Cola的规模比它小。Bank of America也比它小。差不多。但你看可口可乐。我们持有大概45年了。
Warren Buffett：这家公司我们完全不用插手经营。但它是一门非常好的生意。我说的好生意。是指你能长期持有。并且长期获得高资本回报的东西。现在的问题是。当你投Google或者任何AI公司的时候。你得砸进去巨额资金。我也可以把巨额资金投进国债。每年拿两三百亿。三四百亿美元的利息。所以好生意就是能赚的比无风险回报。多得多。而且有前景能持续这么赚的生意。无风险回报。你可以用国债来定义。但像American Express这种。大多数银行资本回报率在13%。14%左右。如果我问大家猜American Express多少。他们大概会猜个差不多的数。但它完全不一样。它的资本回报率超过30%。而且承担的风险。并不比那些赚13% 14%的银行更高。投资这行的诀窍。就是找到能长期持续获得高资本回报的生意。Berkshire很长一段时间就是这样。长期这一点非常重要。因为后面负力滚出来的数字会非常大。Charlie Munger我几十年的搭档。他反复强调一个观点。一门生意不是因为他做的事情很性感。就是好生意。而是他得真正赚到现金。或者在很短时间内。就有望赚到现金。而且想分红就能分。更好的是。如果他能把这些回报。再投回生意里。那比只能赚高回报。但没法把多余资本。 [00:31:49]
Becky Quick：再投出去的公司还要好。好那我问你。一直以来大家都觉得。你是不投科技股的。而且你自己也说过。你不投科技股。显然Berkshire持仓里。最大的是Apple。这笔是你建的仓。但你当时说。
Warren Buffett：它是一家消费品公司。Google你刚才又说它是AI公司。那到底怎么回事。Google以及它现在所有的竞争对手。真正的问题是。他们都在砸几千亿美元。他们都是资本开支大户。对而且那是真金白银。我们的铁路要是花三亿。十亿甚至两千亿。这种量级的钱。
Becky Quick：在铁路行业的发展史上都没投进去过。而他们现在玩的就是这个游戏。以前做计算机软件的时候。他们可不玩这个。所以当他们资产轻的时候。你不喜欢他们。
Joe Kernen：市场却爱的不行。现在他们大举投CapEx了。很多股东反而不那么喜欢了。我觉得从过往记录来看。他们比华尔街推销的。90%或95%的东西。 [00:32:54]
Warren Buffett：更有可能成为赢家。因为华尔街只关心能不能卖出去。我都不记得有哪份。华尔街报告真正深入分析。一家公司实际赚到的内部回报率。还有什么比一家公司实际赚多少钱更重要。但他们问的全是下个季度会怎样之类的问题。太荒唐了。投资这件事。大概最接近最成功的长期投资者是Roger Fuller。但你看石油天然气在过去150。200年里做了什么。他一直在以很好的速度复利。虽然比不上。概括早期的增速。因为规模小的时候。更容易做到。规模大了。还想做到。全世界都盯着你。琢磨为什么他们能做到。 [00:33:42]
Joe Kernen：我们做不到。你为什么在众多公司里。偏偏看好Alphabet。是什么让你决定建这个仓。灵光一现的时刻是什么。要我说。我对它的喜欢程度。比不上我们持有的。至少四五家其他公司。除了Apple,TELU。American Express。你别想把我整个组合都套出来。当然。但你喜欢它的程度。足够让你把它买成重仓。
Becky Quick：我就是这样喜欢Berkshire的。Berkshire获得高资本回报。靠的不是加杠杆或者那种花招。但我说的是。为什么是Alphabet。而不是其他七巨头。
Joe Kernen：或者那些做同样事情。砸大钱的超大规模云厂商。Amazon Microsoft。不管是谁。都想在AI这个位置上胜出。这个嘛。我不想坐在这里贬低其他公司。 [00:34:32]
Warren Buffett：他们没有选择。你说像这样砸钱。他们别无选择。他们现在很多时候是在玩一场。自己并不想玩的游戏。IBM肯定希望游戏永远停留在。三四十年代。五六十年代他们称霸的那个版本。然后有人冒出来说。我能给你更好的结果。你要达成的目标。就是让所有客户满意。因为说到底。你要么有满意的客户。要么迟早没客户。客户可不傻。华尔街可以很蠢。他们可以做梦。但开杂货店的人没法做梦。我在我爷爷的杂货店干过。我们从1869年就一家店。到1969年还是一家店。而别人在赚着高资本回报。有的还是全国规模。A和P现在大家都不怎么提了。在1930年代。他们可是华盛顿反垄断的头号目标。他们当时手里有一把非常好的牌。但那把牌后来没了。所以这是不一样的游戏。而且你喜欢现在这个游戏。你比理解他们以前玩的游戏。更理解现在这个。这么说对吗。我不懂的游戏多了去了。这没错。但这个游戏。 [00:35:49]
Joe Kernen：我为什么要指望在那些。我不懂的事情上赚钱呢。这正是我想问的。你现在对这个游戏到底理解了什么。因为大多数人会说。他永远不会买任何科技股。我记得你过去自己也这么说过。
Warren Buffett：对但我确实买了。而且实际上。我参与过的最成功的公司之一。要追溯到1958年。我们创办了一家。叫Data Documents的公司。创办它是因为我几个朋友。在报上读到。IBM为了和解反垄断诉讼。被迫剥离他们最赚钱业务。50%的产能。当时所有人都知道。那是他们最赚钱的业务。结果呢。过了十年十五年。这项业务就走到头了。我还认识其中一些。导致他走到头的人。如果你拥有一门极好的生意。你就一定会受到攻击。所以问题不在于他昨天有多好。
Joe Kernen：而在他能好多久。但我觉得这正是我喜欢的一点。人们总想把你归类说。他们知道你是谁。你做什么。在我看来。你95岁。下个月就96岁了。你还在改变。 [00:36:55]
Becky Quick：还在跟着游戏走。但这对我来说更容易。如果有人跑来说。我在想。如果有人搞出一种更好的糖果。对我来说。它的可预测性。
Warren Buffett：远不如有人找到一种更好的方法。去做某件事。而这件事会有一百个竞争对手。半夜溜进工厂。想搞清楚他们到底是怎么做到的。我们来聊聊你最大的持仓Apple。
Becky Quick：你跟我们说过。你对Tim Cook所做的一切都非常满意。我不知道你现在对John Ternes了解多少。或者你怎么看公司目前的动作。你对Apple依然很有信心吗。 [00:37:32]
Warren Buffett：他们无论做什么人事调整。只要换掉Tim。我都不会喜欢。你已经有了一把Stradivarius。在给你拉小提琴。就别再花三百年去找另一把了。你已经有一把了。当然华尔街就靠说服你相信。只要你听他们的。他们手里有别人没有的东西来赚钱。这不可能是真的。这很荒唐。但它确实管用。因为总的来说。美国一直是个投资的好地方。道琼斯工业指数。我买第一只股票的时候刚过100点。现在五万两千点左右了。中间还有分红什么的。从那个点往后。村里的傻子都能赚钱。所以我一直玩对了游戏。要是我去搞小卖投机。小卖我不知道。200多年大概从3美元涨到5美元。这是一门很简单的生意。只要你一直记住它很简单。把它搞复杂就疯了。到那一步你就是在赌博。但你还喜欢Apple吗。我觉得人们对赌博的热情是巨大的。你过去好多年一直在谈这个。大概从新冠开始。但回到正题你还喜欢Apple吗。而且我现在对Apple的了解。比很多年前深多了。但话说回来。如果你是Apple。全世界到处都是非常聪明的人。在朝你开枪。想方设法要确保Apple的未来。能跟过去一样光明。你看看那些汽车公司。Henry Ford曾经独霸汽车行业。20到25年。他把垂直整合做到了极致。你都无法想象。他把成本压下来。我记得Model T的成本。被他压到了285美元。他一边降价一边涨工资。但他这个人在某些方面有点疯。这最终害了他。等到他转产Model A的时候。General Motors一下子就超了过去。我朋友Charlie Monger。曾觉得General Motors。会是那个走下坡路的公司。谁能想到去攻击他们的经销商网络。和他们拥有的一切优势呢。
Joe Kernen：你永远都有人在朝你开枪。说到这个Apple上周五晚上。刚对OpenAI提起了诉讼。基本是指控OpenAI试图窃取商业机密。 [00:39:51]
Warren Buffett：要我说大多数公司都想窃取商业机密。他们只是不想被抓到。但如果你真能深挖管理者的内心。他们就是想偷机密。难道你不想吗。如果你有个生意经营的很艰难。隔壁那家却在赚钱。我二十出头的时候。在三十街和Reddick街拐角的商场里。跟人合伙开了半个San Claire加油站。我上过商学院。什么都懂。隔壁那家是Phillips加油站。它一个月能加三万加仑油。我们只能加1.5万加仑。我就说我们要把这家伙从地球上抹掉。结果几年后。我们还是卖1.5万加仑。它还是卖三万加仑。我们放弃了。关了门。我猜它那家店现在还在开。 [00:40:40]
Warren Buffett：要我说大多数公司都想窃取商业机密。他们只是不想被抓到。但如果你真能深挖管理者的内心。他们就是想偷机密。难道你不想吗。如果你有个生意经营的很艰难。隔壁那家却在赚钱。我二十出头的时候。在三十街和Reddick街拐角的商场里。跟人合伙开了半个San Claire加油站。我上过商学院。什么都懂。隔壁那家是Phillips加油站。它一个月能加三万加仑油。我们只能加1.5万加仑。我就说我们要把这家伙从地球上抹掉。结果几年后。我们还是卖1.5万加仑。它还是卖三万加仑。我们放弃了。关了门。我猜它那家店现在还在开。
Joe Kernen：生意场上。大家都是在玩真的。我们之前简单聊过。Coca-Cola。你持有它超过45年了。现在有一桩大官司。跟政府有关。可能会追溯到。1996年Coca-Cola的一些行为。政府。也就是IRS。说他们欠了大概200亿美元。对。200亿。他们已经付了。我记得他们好像付了100亿左右。接近100亿。但我们接下来会知道。
Becky Quick：这些行为是否跟他们的海外业务有关。还有一些来回的会计处理。Coca-Cola说他们以为1996年达成的协议。已经明确了他们该怎么操作。现在政府想要更多钱。
Joe Kernen：说不是那么回事。这不光是Coca-Cola一家的事。还有很多其他美国公司也在做同样的事。哦数量非常庞大。这也是为什么这起诉讼的衍生影响。可能是美国历史上最大的。你怎么看这件事。考虑到你是Coca-Cola的股东大股东。这到底是政府为了找钱而过度执法。还是这家公司自己行为不端。我体内有个器官会跟人斗。
Warren Buffett：所以这种事。不。所以我们才有法院。对。所以你会静观其变。我猜你也在密切关注这件事。多付这笔钱。不会击垮Cocoa。就像我想不出。有什么事能击垮Berkshire。 [00:41:59]
Joe Kernen：我只看下行风险。上行空间会自己照顾自己。我们还有一位新的FOMC主席。Kevin Walsh。他正在审视经济。这周他会在国会作证。大家对他会怎么对待市场。怎么对待利率。以及这对市场意味着什么。有很多疑问。你过去说过。利率就是地心引力。他决定了股市价格的走向。那么你觉得会发生什么。你在压住什么。
Warren Buffett：我不知道他会怎么做。但我要说那份工作太复杂了。我记得前几天有人引用他的话说。他们有950个经济学家。要那110个干什么。我很佩服他接下这份工作。我觉得他会尽最大努力去完成交给他的任务。也就是2%的通胀。还有但愿能实现最大就业。我猜就像他的一些前任一样。 [00:42:52]
Becky Quick：不是所有人。但他每天早上都会读那份任务说明。就是美联储的双重使命。双重使命。他也知道自己不可能做到完美。
Warren Buffett：就像我知道自己不可能再拿别人的钱去赚超高回报。这件事上做到。完美一样。但我猜。人们能感觉到。我真心在乎他们钱的去向。这一点他们是对的。我要说。Walsh他在乎这个国家。我觉得很多前任也是这样。这不代表他们的决策总是对的。因为有时候决策太难做了。想想Paul Volcker。
Becky Quick：那时候不断受到死亡威胁。还有其他人只是。自以为懂得比别人多。但你觉得凯文懂得很多。而且是个。我觉得他非常。对。
Warren Buffett：我觉得他是个很好的人选。好。这大概也意味着总统不会差。未来的总统在这件事上也不会差。因为未来的总统盯的是下一次选举。 [00:43:52]
Joe Kernen：而他本来就不该盯着下一次选举。你显然不会在任何时候。站出来判断市场走向。但你确实会对市场行为。对什么合理。什么不合理做出判断。
Becky Quick：当这么多东西都压住在AI上时。你觉得市场对你来说合理吗。盈利一直很强劲。消费者看起来也撑到了现在。但你怎么看。
Warren Buffett：我觉得有时候机会就是铺天盖地砸过来。快到你根本来不及接。简直难以置信。然后另一些时候。你好几年能找到一件事。就算非常非常走运了。按理说后一种情况才应该是常态。但人太爱赌了。所以实际上靠培养赌徒赚的钱。比靠培养投资者赚的钱多得多。如果有人50年前买了Berkshire。经纪人只赚了一笔佣金。那他剩下所有时间都应该去告诉客户。什么都别动。但这根本不是。 [00:44:49]
Becky Quick：我们不能指望人能做到这一点。不过偶尔你确实会遇到那样的人。就是有些人做事远比其他人靠谱。但公平的说。现在找价值找便宜机会更难了。
Warren Buffett：当所有人都更喜欢赌的时候。找价值就更难了。对。而且从国家的角度来看。我们可能聊过这个。从国家的角度来看。这其实挺恶心的。因为国家到处都需要钱。修路建学校。你能想到的都需要。结果他们发现。可以从那些只买希望的人身上抽成。卖给他们一种赔率。只有60%左右的东西。如果不这么干。他们就得把所得税提得更高。这是一种很cynical的勾当。我觉得治理机构和被治理的人之间。越少出现这种cynical的东西越好。你不想让人们对自己的体制变得cynical。但有时候体制就是在告诉你。尽管cynical吧。因为我就是要这么干。我们很快回一下刚才的话题。 [00:45:54]
Becky Quick：你提到过。你想在未来八年把股票分出去。部分原因是你希望你的孩子们来做这些决定。但另一部分原因是。你不觉得自己非得一直握着。Berkshire这些有投票权的股票。
Warren Buffett：因为你对Greg有信心。对完全正确。如果我没有信心。其实我还在这个位置上。部分原因就是我们对谁都没有足够的信心。我们认识各种各样的人。但如果你说的是Tom Murphy。我是说如果我能顾到Tom Murphy。但问题是他们都太老了。我的朋友基本上都太老了。所以我没办法。这不像在大学里。
Becky Quick：你能看出谁真有本事。谁把答案抄在肩膀上。抄在衬衫上。因为。但你对Greg有这种感觉。我百分之百有这种感觉。In the proceed。
Warren Buffett：我在很多情况下观察过他。很多很多情况。我对Charlie有这种感觉。对Tom Murphy也有这种感觉。但你知道。没人指望你挑出25个丈夫。然后个个都合适。 [00:46:57]
Becky Quick：是吧。他找到一个就已经够拿了。我是说。对的。人本来就难找。然后你还会犯错。Warren。你今天感觉怎么样。我摔断了腿。怎么回事。
Warren Buffett：几周前的事。这其实。你知道。我在这方面一直很走运。我这辈子到现在都没摔断过腿。但这次摔了。不过我。我觉得。我很庆幸我出生了。而且我也庆幸自己没生在别的国家。当然也庆幸自己不是女性。反正各种因素都有。我出生这件事。真的就像中了彩票一样。别人可能觉得。要是有人给他们设了个信托基金。能养他们一辈子。甚至再养五代人。那才叫中彩票。但我从小不是被那样养大的。 [00:47:49]
Becky Quick：我觉得这反而是好事。我也没那样养我的孩子。或者说更重要的是。苏子也没那样养他们。好的。非常感谢您今天抽出时间。谢谢你。很感激。
Warren Buffett：而且这是门好生意。谢谢。 [00:48:05]
本期完整转译聚焦台积电2026年第二季业绩、第三季展望、AI需求与先进制程路线。Wendell Huang表示，第二季7纳米及更先进制程占晶圆营收77%，HPC营收占比66%；第三季2纳米快速扩产预计稀释毛利率约3至4个百分点，但先进制程强劲需求和持续成本改善将部分抵销影响。台积电将2026年资本支出预算提高至600亿至640亿美元，其中约70%至80%投入先进制程，并持续与客户和供应商提前规划产能。
C.C. Wei指出，多年期AI趋势仍然强劲，智能代理AI将重新推高CPU在AI数据中心中的作用，进一步带动硅片需求；台积电预计2026年全年美元营收同比增长略高于40%。公司将扩大日本JASM-V1和德国ESMC等成熟制程产能，同时把资源集中在高价值、策略性制程。A14开发周期需5至7年，预计2027年开始风险量产、2028年量产，A13和A12则计划在2029年量产。
问答环节中，UBS的Sunny Lin询问未来三年资本支出和美国投资。C.C. Wei表示目前无法提供具体三年数字，但只要客户需求和生产机会明确，台积电不会拒绝必要投资；未来三年资本支出将显著高于过去三年。亚利桑那州投资额也因客户强劲需求，从原先规划的100亿美元增至265亿美元。
- 第二季财务表现与第三季展望 [00:00:00 - 00:10:00]
- AI需求、资本支出与全球产能布局 [00:10:00 - 00:20:00]
- A14技术路线与投资人问答 [00:20:00 - 00:27:33]
Jeff Su：我是台积电法人关系处的苏志凯。欢迎参加台积电2026年第二季法人说明会。由于本次法说会面向全球投资人同步直播，因此全程使用英文，敬请见谅。各位午安，欢迎参加台积电2026年第二季法人说明会及电话会议。我是台积电经理兼本次活动主持人Jeff Su。本次活动以及财务发布资料已上传至台积电网站 www.tsmc.com。如果您通过电话参会，请保持电话处于聆听模式。首先，台积电执行副总裁兼财务长Wendell Huang先生将总结2026年第二季营运表现，并说明2026年第三季展望；随后，台积电董事长兼首席执行官C.C. Wei博士将说明公司的重点信息；接着我们会开放现场和电话提问。照例提醒各位，今天的讨论可能包含有关重大风险与不确定性的前瞻性陈述，实际结果可能与这些前瞻性陈述不同，相关安全港声明请参阅我们的新闻稿。现在我把麦克风交给台积电财务长Wendell Huang，请他总结营运表现并说明最新展望。谢谢。 [00:02:15]
Wendell Huang：大家午安，感谢各位参加今天的会议。我的报告首先介绍2026年第二季的财务重点，随后说明2026年第三季展望。先看按技术划分的营收。第二季2纳米制程贡献晶圆营收的3%；3纳米、5纳米和7纳米分别占30%、33%和11%。7纳米及更先进制程合计占晶圆营收的77%。
按平台划分，第二季高性能计算（HPC）营收环比增长20%，占总营收的66%；智能手机业务下降4%，占22%；物联网业务增长4%，占5%；汽车业务增长15%，占4%；消费电子业务增长5%，占1%。
再看资产负债表。第二季末现金及有价证券为3.5万亿新台币，即约1100亿美元。负债方面，流动负债环比增加1440亿新台币，主要由于应付账款增加580亿新台币，以及应计负债和其他项目增加480亿新台币。财务指标方面，应收账款周转天数增加3天至29天；存货周转天数增加7天至87天，主要是由于2纳米制程开始量产爬坡。
根据交易所项目的预测汇率，美元兑新台币按1比32计算，第三季毛利率预计为65%至67%，营业利益率预计为56%至58%。我的财务报告到此结束，接下来谈公司的重点信息。
先谈2026年第二季和第三季的获利能力。与第一季相比，第二季毛利率环比上升150个基点至67.7%，略高于原先指引，主要得益于成本改善措施和整体产能利用率略有提高，但海外晶圆厂稀释效应抵消了部分改善。我们刚刚给出的第三季毛利率指引为66%的中位数，环比下降1.7个百分点，主要原因是2纳米制程快速扩产预计将使毛利率受到约3至4个百分点的稀释。强劲的先进制程需求，以及包括生产力提升和跨制程节点产能优化在内的持续成本改善，预计将部分抵销这一影响。
展望下半年，影响获利能力的因素有增有减，下面分享其中几项。首先，2纳米制程快速扩产预计会在下半年使毛利率受到超过3至4个百分点的稀释。此外，随着海外扩产规模扩大，我们预计海外晶圆厂在未来几年量产爬坡带来的毛利率稀释，初期约为2至3个百分点，后期将扩大到3至4个百分点。另一方面，先进制程需求非常强劲；同时，我们会继续利用卓越制造能力提高晶圆产出，并推动晶圆厂跨节点产能优化，以支持获利能力。汇率变动也可能成为另一个影响因素。
接下来谈2026年资本支出。在台积电，资本支出规模与下半年及未来的增长机会密切相关。凭借强大的技术领导力和差异化优势，我们已经做好准备，把握5G、AI和HPC等产业趋势带来的多年期增长机会。鉴于客户的结构性需求持续强劲，包括新兴的智能代理AI市场，我们决定将2026年全年资本支出预算提高至600亿至640亿美元，持续大力投资以支持客户成长。我们始终与设备供应商保持密切合作，提前准备产能，无论市场处于强劲上行周期还是下行周期，都能及时应对。正如客户会提前与我们合作规划产能一样，我们也不预期产能扩张计划会出现瓶颈。
Wendell Huang：2026年资本支出中，约70%至80%将用于先进制程，约10%用于特殊制程，约20%用于先进封装、测试、光罩制作等领域。
即使在2026年资本支出增加的情况下，我们仍然愿意为股东创造利润，并持续承诺以可持续且稳健的方式提高年度和季度每股现金股利。2025年我们发放了4670亿新台币现金股利，同比增长28.6%，台积电股东每股合计获得18新台币现金股利。2026年股东每股将获得24新台币，年增幅进一步达到33%；我们预计2027年每股现金股利也会继续增加。
C.C. Wei：谢谢Wendell。各位午安。首先谈近期需求展望。第二季我们在美国取得40.2亿美元营收，第三季营收指引位于区间上缘。我们预计，先进制程的持续强劲需求将支持第三季营运表现，其中包括3纳米和2纳米制程。展望未来，消费和价值型市场仍面临挑战，原因包括成本上升以及美国经济的不确定性。因此，在我们的经营计划中，我们会继续强化制造基础，以巩固竞争优势。
话虽如此，AI相关需求仍然非常强劲。AI长期趋势持续推动更多数字化应用，也意味着对先进制程的需求更加强劲。我们的客户，尤其是云端服务供应商，持续向我们传递非常强烈且正面的展望。因此，我们对多年期AI趋势的信心仍然很高。在强大的技术差异化能力和广泛客户基础支持下，我们目前预计，2026年全年以美元计算的营收将略高于同比增长40%。
接下来谈智能代理AI的加速发展。AI市场仍然非常活跃。智能代理AI的出现正在推动CPU在AI数据中心中的作用重新增强，除了AI加速器之外，也会带来更多硅片需求。我们认为这对台积电是正面的，因为无论客户采用哪一种CPU架构——x86、Arm还是RISC-V——几乎都属于台积电客户。我们已经与CPU客户密切合作，利用最先进的技术和必要产能支持他们，把握智能代理AI市场机会。
接下来谈台积电的产能扩张策略。为了应对整体长期半导体市场需求的结构性增长，台积电会与客户及客户的客户密切合作规划产能。由于先进制程技术复杂，设计导入和开发所需时间很长，而我们也能较早掌握客户多年期的产品路线图与生产计划。这一点非常重要，因为开发一项新技术、准备产能并将其爬坡至大量生产，耗时超过五年。台积电内部采用严格的产能规划系统，从自上而下和自下而上两个角度评估市场需求，这是持续进行的过程。
我们会与客户密切合作，提前规划所有地区的产能，并在各地提高晶圆产出。同时，我们也专注于跨节点产能优化，包括在N7、N5和N3节点之间灵活调配产能。总的来说，我们会运用多种方式尽一切努力，满足高价值市场的需求。例如，我们正在扩大日本JASM-V1的成熟制程产能，用于CMOS影像传感器应用；也在扩大德国ESMC的成熟制程产能，用于汽车和工业应用。在当前市场中，除了电源管理IC、CMOS影像传感器等特定领域之外，其他产品领域的需求并不旺盛。因此，台积电将继续把资源集中在高价值和策略性制程上，确保具备支持客户成长所需的能力。
C.C. Wei：最后谈谈A14的性能。正如我几分钟前提到的，先进制程技术的复杂度持续提高。开发A14这样的新技术、建设产能并完成量产爬坡，如今需要5至7年，没有捷径。
A14是台积电第二代纳米片晶体管技术，在N2的基础上提供性能和能效改善，满足高性能与低功耗需求。与N2相比，A14在相同功耗下可提升10%至15%的速度，或在相同速度下改善25%至30%的功耗；同时，晶体管密度提升接近20%。A14技术开发正在顺利进行，内部产品测试显示，性能提升接近90%，256Mb SRAM的表现也接近90%。
我们观察到智能手机和HPC/AI应用的客户都表现出强烈兴趣并积极参与，客户流片工作正在进行且进度领先计划。风险量产预计于2027年开始，量产预计在2028年启动。
我们采取持续增强的技术策略，同时推出A13和A12作为A14家族的延伸。A13在A14基础上进一步提升，通过创新的97%光学缩小实现超过6%的芯片面积节省。通过持续的设计技术延伸，A13还会带来更多性能和能效改善。A13的设计规则与A14相近，有助于智能手机客户采用。我们也推出A12，将创新的超级电源轨技术带到A14平台，以实现更优的性能、功耗和面积效益。A13和A12预计都将在2029年开始量产。
我们相信，A14及其衍生技术将使A14家族成为台积电更大、生命周期更长的制程节点。正如2纳米技术具备与3纳米相当的规模和较长的生命周期，我们的技术领导地位也将持续延伸。这就是我们的重点信息，谢谢各位关注。
Jeff Su：谢谢C.C. Wei。准备好的声明到此结束。在开始问答前，我希望各位尽量将问题分成两部分，让所有参与者都有机会提问。问题会从现场和电话线路依次提出。如果您想提问，请按星号键，再按电话键盘上的1。现在先接听第一个问题，来自UBS的Sunny Lin。
Sunny Lin：谢谢，恭喜公司取得非常强劲的业绩。我想先追问资本支出。资本支出的观察非常令人鼓舞，因为它显示台积电有更强的决心扩大产能。鉴于需求更强、供应非常紧张，2026年之后大型客户也都会想知道台积电计划将资本支出提高到什么程度。考虑到这次超级周期，台积电是否会提供未来三年的资本支出展望？能否分享未来三年的大致方向？
C.C. Wei：关于未来三年的资本支出，我们目前没有具体数字可以分享。不过，大家知道，我们会根据未来的生产机会进行投资；只要有明确的生产机会，我们就不会拒绝必要的投资。正如我们在准备好的声明中所说，我们确信AI长期趋势非常强劲，因此正在提高资本支出，包括增加今年的资本支出。之前我们说过，未来三年的资本支出将显著高于过去三年。现在可以进一步说明，未来三年的资本支出将比过去三年显著更高。
Sunny Lin：不好意思，我想继续追问资本支出。第二个问题是，台积电刚刚宣布在美国追加1000亿资本支出，我认为这对巩固美国业务非常重要。目前亚利桑那州已经投入了265亿美元，接下来的计划是什么？未来还会投入多少？
C.C. Wei：关于亚利桑那州，之前提到的计划投资额是100亿美元；但在客户强烈需求推动下，目前投资额已经达到265亿美元。
本期访谈从柯丽一鸣的机器人研究与小说写作谈起，逐步讨论 Physical Intelligence（Pi）的技术路线、机器人领域的团队谱系、创业组织、智能体责任、人机关系以及未来想象。对话的核心不是把机器人当作单一产品，而是追问如何让机器人形成更通用的感知与行动能力，以及这种研究会如何改变团队协作、个人生活和人与机器的关系。
Hello大家好,我是小珺。今天我们的嘉宾是硅谷机器人公司Physical Intelligence、Pi的研究员科利一鸣。Pi是一家专注于研究机器人大脑的明星创业公司,成立仅两年,头后估值已经超过了50亿美元,是这个赛道最受瞩目的独角兽之一。部分业界人士对它的期望是成为机器人领域的OpenAI。克里一鸣在派主要负责强化学习方向的研究，也是派的核心论文的作者之一，在科研之余呢，他也追求在工作和人文表达之间找到平衡，所以一余时间他也会写写小说，这让今天的聊天变得更有意思了，那节目中我们详细的聊了聊机器人的江湖，普系门派与主角们 全球的机器人团队都非常关注，派在机器人大脑上的开源工作，科里一鸣也详……
如果真的有一天，机器人的这个技术，能够飞速发展的话，可能你现在需要拜托很多人，比如说修水管，这是一个美国社会，永恒的难题，修水管，你现在是需要依赖人的，但将来也可能是机器人来解决，甚至包括你现在做的很多项目，就是随着这个智能体的发展，以前可能是需要你拉一个人的团队，以后可能是拉一个人工智能，或者机器人的团队，甚至就像现在的我们去看，很多1000年前的原始社会，可能会觉得他们，生产力制造力没有那么发达，如果我们在1000年后再看的话，说不定他们看我们也是原始社会，他们那个时候每一个人，能够拥有的这个生产力，都相当于现在每一个国家，能够拥有的生产力，我觉得这个，可能独狼玩家会挺快乐的，那人和人的关……
你大学本科是心理学，我是心理学开始的，对我的大一，因为美国大学，它是可以换专业的嘛，我的大一的选择的专业，其实是心理学，在学过了一些心理学以后，感觉到了，第一学的东西非常有趣，第二我实在是不太适合，做心理学，为什么，我觉得有时候，人是有一些打破砂锅，问到底的这种性格，在我身上，如果在学心理学的过程中呢，就会有一种，这个玩意儿，他说的非常的有道理，但是如果我想打破砂锅，问到底的话，我也许可以做，但是很多年以后啊，或者说做一些别的事情，不够直接，可能我们对于就是解决问题，解决一个非常具体的问题，是有一种痴迷的，所以当时又去学了经济学，就是想要了解一下，自己生活的这个世界，但是最后转回了计算机，还是……
所以就会想要花更多的心思，去思考怎么保护自己，我觉得你的选择很有意思，因为有的人我觉得不安全，那我就不去就好了，那我就是安全的，我就在家里 那还是要去的，自己想干的事情，得找个方法把它实现，你的方法是我把我自己演示成男生，然后我就安全了，我觉得这是方法中的一种，可能是当时的 [00:30:11] 我觉得最轻松方便又好用的方法，你是怎么突然决定要出国留学的呀，你刚才也说你之前其实也是想着要考大学，突然转变了轨道 对这个我觉得就是人生中的，冥冥之中的一个很小的决定，因为当时在高中看来是有三条路嘛，第一条路就是升学，但是刚才也说了就是在我的同班同学面前，我觉得自己就是一个渣渣，就是一种不上不下，哎呀……
相对而言是最保守的，而美国是有一些保守，但是都到硅谷来了，大家好像又抛弃了，之前的那些旧的东西，在这里又开始开创新的东西，你看你成功从家里逃离出来了，你成功地离家万里之远，你得到你想要的了吗，我觉得在内心世界上，在离开的时候，并没有很大的目的性，说自己一定要拿到一个什么东西，是在路上才慢慢发现，自己要做的事情，并且我还是非常喜欢，现在自己投身的这个行业，和这份工作，也就是对技术是有信仰的吧，可以这么说，你为什么后来从经济学回到了计算机，去了人工智能，这个转变是怎么发生的，我觉得也是有很多巧合的因素，就命运是一条冥冥之中的线，我只能得到这个点，在当时大学的时候 在经济系读，然后就是觉得，做的事情……
一问一答中对抗的，就搞明白了，就是我为什么这么相信，机器学习在机器人，因为传统方法中的这些，我觉得是太依赖 expert专家的这个东西，我们机器学习，我觉得一个很大的使命，就是让专家，从这个机器学习的 这个中间消失，就是机器可以自己学习，就这是一个使命，你的导师是那个Seed 对吧，对，你如果是一个，机器学习的信仰者，你为什么会进他的组呢，以及你是怎么开始 [00:50:14] 对机器学习，非常感兴趣，就是这种，对这种数据驱动的，机器学习，因为懒，因为这个事情，其实有点有意思，我觉得知其然，不知其所以然，是一个非常微妙的，一种状态，可能大家，有些人会，在有些，在有些问题上，大家也会想要，打破砂……
是做这个图像的，然后当时在Peter Abel手下，读博士后的时候，才转型，就我还挺欣赏，就是大家从一个领域，做了以后，就转型到另外一个领域，我觉得你能转过来，或者你想转过来，肯定是有很多你的想法，所以Sergei当时，应该是有很多想法，他就做了强化学习这些课件，其实当我开始，读博士的时候，我对于机器学习的很多，就是没有什么教材，都是看Sergey的视频，然后看他们的一些讨论，包括看他的论文，然后看他们组的一些对话，来学习的，然后Sergey他，后面也有他的合作者Chelsea 就Chelsea和Sergey 都是派的联合创始人，我觉得他们两个，都是对现代机器学习，到机器人应用，做出了非常多的……
你才产出比较清晰的一条线，因为当时机器人动物，机器人比如说，不神的动力吧，他们做这个后空翻，是非常非常非常牛逼的，因为当时都没有人敢做，也没有人敢想，但是他们做出来的，但他们代价，是很多很多的工程师，不停地去挑适这个参数，去适配他们想做的这个任务，去做到他们想做的这个效果，你再做一个新的任务，你还是得有这么大的一个投入，才能把它做出来，而我觉得机器学习的算法，就是第一，是我们不要工程师来做，对吧，我们就是通过各种各样的设置，然后算法自己来做，你作为一个工程师，你的工作量就小了，比如说现在的这些，很多比较酷的，这些跑酷的这些视频，可能就工作量和那个年代，就不可同日而语了呀，然后第二个就是，一旦一……
在现实生活中做这个事情，不断地去练习，通过练习归因，来让他变得更好，我觉得这个是有点像可能，之前会看一下奥运冠军的访谈，又看他们的训练，又来激励自己就觉得，就做一些，要想做好一件事情，尤其是这种动作性的事情，你确实就得适配，去搞出一个策略，它最适合你的这个机体，并且就不断地锻炼你的机体，让你就是刻出一个，肌肉记忆嘛，对人来说，对机器学习来说，我觉得其实就是一个，强化学习的过程，所以你是做了，这个筷子项目之后，才去转向了，强化学习把中心，对我就是从理论的，机器学习开始做，然后不太满足于理论，想做应用，然后做了应用以后，第一个算法，其实是一个模仿学习的，中数算法，只能在simulator里，在模拟……
因为他能在2022这个时间点，做一个他都不是那么熟悉的，一个新的领域，因为他相信这个，我觉得这是非常有意思的一件事情，然后相对而言 1X的话我听说是，创始人其实是深耕了这个，机器人的这种电竞，因为他们是做省区的，省区的人形机器人，比较独特 然后Dyna的话，他的创始人是，因为这个丹娜创始人，她是相当于是认识的，她们是有一些创业的背景，也有一些技术的背景，我觉得如果用一个标签，去形容她们的话，可能她们是更强调商业部署落地的，当然我觉得，一个巨姐场景，比如说我们都看过她，那个叠衣服的场景，对，就比如说 我觉得如果看看她们，在2024 2025年期间，所发表出了一些东西的话，可以形容为就是，有没有可……
他们做的比较成功的，比如说有多模态能力，比如说图像生成和图像修改，是现在大家都比较津津乐道，也会在日常中使用的，可能对他们来说，机器人也可以是这个模态的一部分，会给它这个模态提供一些空间感知，空间规划或者空间控制的一个能力，所以我觉得他们，也许我猜的他们在走机器人路径的时候，是更多是想着说，机器人如何成为这个多模态大模型的一个部分，而英伟达的话，江湖的笑话，就是英伟达做所有事情，都是为了外卡，所以他们有很多，就需要烧很多卡，才能完成的一些项目，比如说像世界模型，这样的项目，但是通过这个过往的经历，一次又一次的证明，有些时候，真的就是数据多了，卡多了，效果就上去了，所以大家也很期待，就是他们这样……
每个模型都来在上面跑一跑，跑马场，看看哪个马，赛马，谁是第一名，你是能够比较主观，比较客观清晰地看到，在这么一个事情上，一个确定的结果，而在机器人 谈论前沿比较难的，一个原因，就是因为这个，评估太难了，导致你很难，就是彻底地去评估它，就包括每一个公司，我相信内部都有一个，评估的一套东西，可能这些东西，就是你的注重点 他们注重点都不一定一样，但是退一步讲，我也觉得这个是，暂时的吧，我觉得最后做出来的，应该是不会，太担心这个事情，可能现在大家还在探索，怎么样做得更加的，鲁邦和宽泛 所以现在这个frontier 还是很难定义的，我觉得可以看到一些算法，可以看到一些算法的表现，就是怎么说呢，可能是，就……
它差不多可以在一个任务上做的话 你就去收集它的体验数据，让它在真实世界中，去收集它的体验，把这个数据放回它的训练池中，它其实可以达到，比之前，比你之前那些固定数的数据，更好的效果 我觉得它对于，我们数据收集，是有相当大的，启示意义，什么叫体验数据，就是它自己，去做这件事情，收到的数据，就是平时我们，收这个真机数据的时候，是有一个手臂，比如说我家有个手臂，我就给你，卡在这个桌子上面 我简单就可以，通过摇操纵，去让它干一些事情，你收到数据的，其实是，就是这么一个机器，绑在这个桌子上，然后做了一个任务，它其实可以，不摇操纵，它可以，让它自己去，做，做了以后，它可以把这些数据，都收集起来，就是数据的来……
我觉得这个可能，跟我现在的思想就比较相符，因为这就是我们提的嘛，就是希望你在做任务的时候，考虑到你到底花了多久时间，去完成这个任务 这个任务完成度究竟是好不好，甚至包括，其实也有一些更加细分的，就是一个任务的成功和失败的定义，是我们就是有打磨过，就是想因为你一个人在做任务，或者要一个机器人做任务过程中，你是有很多隐含的含义，就到底怎么样去保证，你最后的打模型，能够完全的理解人的意思，我觉得也是一个，开放性的一个研究的课题，就是他做任务，真的是人想让他做的，这个任务，而这个派06星里面的，这个throughput 比较好玩的一点，就当时就是，其实是有个目标的，就是开箱之前，是有这个目标，就是我们……
然后人家跟我说，他们在用强化学习，做这个大语言模型，我就说，喜欢学习也很难搞的，你把这个特别难搞的A和特别难搞的B合到一起，你这能做成功吗，我完全不懂，然后到了19年20年，别人就做成功了，就说这个你看做得多好，当时就能够感觉到，问题是有一些不一样的吧，当时我从自然语言转换到了机器人，觉得第一自然语言里面，你可以生成很多文字，你怎么跟这个文字打分，怎么知道什么是你想要的文字，很难，所以当时觉得，自然语言做强化学习会很难，就是因为觉得这个打分太，太含糊了，不是那么的清晰，当然后来有很多，就随着更多数据级的出现，他们也不断地建立了新的标杆，所以他们这个，标准可能会，有那么一阵子，逐渐变得清晰的过程……
就是你们都是有一些股份，然后也是有一些stake 在这个公司里面，你是希望公司变得很好，其实有的时候，不是你的，就是氛围内的事情，你也会去想要去做好，然后同时，我们公司比较特殊的，因为是比较开放的，研究氛围，所以是，就我和另外一个人，会组织一下读书会啊，和一些交流会啊，就是可能，读书会，就比如说就是，比如说我们现在，想做一个项目，比如说这个派06星，派06星，其实是去过两次，这个读书会的，就首先一次，就是给大家讲一讲，我们现在 想要探索这个问题，这个问题，以前的人的发表，和东西，都做到什么地步了，然后我们觉得，它的应用，就是会有一两个人主讲，然后其他人可以问问题，或者会甚至质疑，都是可以的，就……
所以当时去了，找教室的最后，就突然有些顿悟了吧，觉得我还得想一下，自己究竟想做什么样的研究，就之前呢，我可能会觉得，时机没有到，我应该先到一个地方去，仔细地思考，带一些学生，我非常期待将来有一天，也许真的会学术界，带一帮和我们这些人，想的完全不一样的人，我觉得这个是最值得，期待的一种发展和演化吧，但我没想到，就是这波来得还挺快的，就它已经让我感觉到，我得知道，我们现在的，这个新的这种前沿，能做到哪里，在做什么，我能怎么样去做它，所以当时就是比较突然的，就在毕业的时候，辞掉了这个教职的offer 就转身加入了派，是一个非常偶然的决定，可以这么说，我当时，我当时在毕业 CISUS Defense ……
让你们家宠物，做一个什么好事，就可能它做了一系列的事情，然后你最后给它一个奖赏，它其实是需要知道，就到底哪个事情是，这一次得到好奖赏的，一个决定性因素，这个也是，帕零六星是有一些探索的，就是你收集了这么多的，这个部署的数据，究竟哪一条部署数据里面的，哪一个步骤你做得好，让你整条数据，得到一个关键性的一个奖赏，你可以看到在帕零六星里面，我们可能比较强调了，这个SURPORT的一个速度和质量，所以从智能体的角度上来看 就是它做了很多事，做了不停地做了这么多次，然后我们设计这个算法，帮助他从这么多次经验中，找到就是，这条数据里面，其他都是垃圾，但这个地方是精华，你以后多做这个精华，所以这个归因，我觉……
这个可能就是，就是如果机器人，能做成这样，我们就觉得他做完了，他做的极端了，他像奥林匹克运动员那种表现，就已经超越人体极限了，这个是已经有动作质量，你有可能收到一条，质量不那么好的数据，可能就是为了拿这个杯子，先晃晃悠悠，晃晃悠悠再去拿，可能就没有那么好，所以这种动作质量，也是一个维度，同时我觉得，就是动作的覆盖度吧，就从一个数据集，就刚才可能讲的是，具体一两条数据，从一个数据集的，讲法上来说的话，你收了，拿水杯的这个任务，的那么多条数据，它的这个覆盖度，到底有多少，它有多少不同的场景，它有多互相之间的不同，就比如说刚才说的，饭花里的每一条维度，其实可能都是，你说数据的时候，就可以考虑到的，一……
而相对的，我觉得他们，比我们来说，比较简单的部分，你看自动驾驶的话，它这个控制器的问题，其实是结果没有的呀，就是我在这个车子上面跑，可能现在还有，就跑一些雨雪天啊 这个道路泥泞啊，这种问题，是一个控制器的，一个底层控制问题，他们更多的问题，都是在决策方面，就是你下面要怎么开，同时他们的决策的空间，我觉得相对而言，复杂度要稍微小一些吧，不像你看我们在这个操纵系的，这个任务里面经常谈到的就是，我不仅要就是操纵这个，多关节的一个比较复杂的机械，必须完成一个任务，它要达到这个，我想它达到一个地方，这个就是一个操纵系的问题了，就是你可能就是载重以后，或者是摩擦力导致的，你可能不能完美地去，贴合你想要它造……
我觉得这其实大家都在做，只是因为缺少了，产业链制造业的这一环，可能，在做的过程中，它的迭代速度会变慢啊，或者有些事情，可能如果你做得更快，有更多就是，可供你驱使的机器，也会不一样，我觉得这个确实是，对迭代的，研究的迭代速度，肯定是会产生影响，但同时另外一方面，硬件毕竟不是一个解决的问题，就它是一个相对而言，可能没有软件那么严重的问题 因为现在你搭一个硬件，是可以搭起来的，你想它做一点有意义的事，很难，所以这是软件的最大的问题，而硬件的话，属于你搭起来，是可以搭起来，动也可以动，但是不是说，你已经把硬件做完了呀，就还是有发展的空间 我觉得这个其实，创新永远是威士数，你不知道有没有可能，它做出了一……
它也许还没有到完全体，它已经可以做一些事情，我就想办法，把这个事情给利用起来，来提升我的生产力，可以让我少干点活，我觉得这个，是我对于人类文明的偷懒，我甚至可以暴乱一下，是不是偷懒，就是人类文明，一个本质的追求，提升生产力和偷懒，是一个东西，然后其他的话 我觉得在很多时候，在我现在的工作中，是没有什么人文的存在，或者说因为我每天，讲的是一些，非常物理化的，科幻化的一个东西，我也会感觉，就是我会和一些，其他搞人文的，就是小说创作，艺术创作的一些朋友聊天，他们也会很好奇，问问这个机器人的进展，我也会很自己，作为一个用户的好奇吧，是不是有一天，我们创造出的这些智能体啊，它也能够进行，某种意义上来说超……
这个书中所描写的，那个社会的那种，旧式贵族的打这个球呀，骑这个马呀，是一种更高贵的运动，在那个年代，他们可能会追求一些，我们现在不太认同的，就是价值观，什么是更好，什么是没有那么好，但我们现在，其实我觉得，也是有一种新的价值观，甚至我觉得，这个价值观，也只是一个，变化中的缩影，我觉得这是我的，人文主义的东西 在告诉我，虽然我是在工作中，这么热衷地，去优化生产力，虽然整个硅谷，它已经放弃了，什么对衣服，对穿着，的这些讲究，它讲究的是，什么效率，讲究的是，这个精简 [03:40:27] 讲究的是创造，它何尝不是，这个社会价值观的，一个部分，你小时候想离开家乡，想远离家乡，然后，我觉得是非常好奇，外……
- 开场与嘉宾介绍 [00:00:00 - 00:10:00]
- 机器人研究与小说写作 [00:10:00 - 00:20:00]
- 武侠、板寸与背包客 [00:20:00 - 00:30:00]
- 武侠、板寸与背包客 [00:30:00 - 00:40:00]
- 草蛇灰线 个人经历与研究线索 [00:40:00 - 00:50:00]
- 草蛇灰线 个人经历与研究线索 [00:50:00 - 01:00:00]
- 机器人江湖、族谱与主角 [01:00:00 - 01:10:00]
- 机器人江湖、族谱与主角 [01:10:00 - 01:20:00]
- 机器人江湖、族谱与主角 [01:20:00 - 01:30:00]
- 硅谷创业图谱 [01:30:00 - 01:40:00]
- 硅谷创业图谱 [01:40:00 - 01:50:00]
- 硅谷创业图谱 [01:50:00 - 02:00:00]
- Pi 的研究 π0、π0.5 与 π*0.6 [02:00:00 - 02:10:00]
- Pi 的研究 π0、π0.5 与 π*0.6 [02:10:00 - 02:20:00]
- Pi 的研究 π0、π0.5 与 π*0.6 [02:20:00 - 02:30:00]
- Pi 的组织与文化 [02:30:00 - 02:40:00]
- 放弃剑桥教职 [02:40:00 - 02:50:00]
- 巴甫洛夫的狗 [02:50:00 - 03:00:00]
- 巴甫洛夫的狗 [03:00:00 - 03:10:00]
- 前沿展望 [03:10:00 - 03:20:00]
- 中国 [03:20:00 - 03:30:00]
- 机器人“种族 [03:30:00 - 03:40:00]
- 没有写完的故事 [03:40:00 - 03:48:32]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- Hello大家好,我是小珺 [00:00:00 - 00:10:00]
小珺：Hello大家好,我是小珺。今天我们的嘉宾是硅谷机器人公司Physical Intelligence、Pi的研究员科利一鸣。Pi是一家专注于研究机器人大脑的明星创业公司,成立仅两年,头后估值已经超过了50亿美元,是这个赛道最受瞩目的独角兽之一。部分业界人士对它的期望是成为机器人领域的OpenAI。克里一鸣在派主要负责强化学习方向的研究，也是派的核心论文的作者之一，在科研之余呢，他也追求在工作和人文表达之间找到平衡，所以一余时间他也会写写小说，这让今天的聊天变得更有意思了，那节目中我们详细的聊了聊机器人的江湖，普系门派与主角们 全球的机器人团队都非常关注，派在机器人大脑上的开源工作，科里一鸣也详细地阐述了，他们的研究思路与技术细节，从派0到派0.5 再到派0.6星，但由于我们这期节目的录制时间，相对比较早，所以尚且还没有囊括进，他们的最新模型派0.7 嘉宾关于这个工作的技术讲解呢，我会补充在show notes里，那接下来就是我对科里一鸣的访谈，期待2026年，我们和AI共同进步 [00:00:54]
柯丽一鸣：确实我们不做人性，因为他们要说做人性，我又不来了你知道吧，我其实一直很想做的就是，机器人可以造自己，我觉得这个是机器人发展的一个，可能会是一个里程碑吧，因为它就像一个种族，是有延续性的，是可以通过自我的一种繁殖，我觉得机器人能够组装造自己，就是一种繁殖的体现，第一篇是派0 它的关键词应该就是能力，第二篇是派0.5 它的关键词是泛化，然后最近的这篇是派0.6星，它的关键词是表现，你们公司其他人会很关注中国机器人的发展吗，我觉得都很关注，这是一个不可忽视的一个部分 [00:01:28]
小珺：我们今天的嘉宾是，硅谷机器人公司Physical Intelligence派的研究员K 科利一鸣，然后Physical Intelligence是一家，在硅谷机器人大脑的探索上，非常有名的一家公司，不过前两天我跟K聊天，发现他除了是一个researcher之外呢，他业余也是一个网文写手，那K你要不先来自己介绍一下自己 [00:02:08]
柯丽一鸣：大家好我是科利一鸣，平时朋友都叫我K 我呢每天平时的工作，是教机器人能够更快更好的去完成任务，然后业余的时间，我是非常喜欢人文啊艺术啊这些东西，写小说也是一种可能表达这种情绪的方法，很高兴今天能有这样一个机会，梳理一下自己在研究中的想法，和大家分享，你觉得做机器人和写小说，有什么共通之处，我觉得都是有一些创造力的需求的，比如说这个机器人，他现在完成很多任务还不够好，你需要想一些新的方法，而写小说呢，可能你真正想写的那个故事，还没有被写出来，你也是需要把它创造出来，很多时候需要一些，比较天马行空啊，这样的想法，另外呢也是有一种执行力吧，像我在做研究过程中 其实经常是有了一个想法以后，慢慢地把这个想法落地，中间需要一些工程这样的，写代码啊这样的事情，而写小说有的时候是有了一个命题，就为了让读者感受到这个命题，开始一个字一个字地在努力码，对我很好奇啊，你平时写什么小说，然后你在小说里有藏着一个，跟硅谷机器人公司内部的叙事，不一样的一个世界观吗，平时写的比较多的是科幻小说，这个也是我最爱读的小说分类之一，科幻小说的话，我觉得肯定是和我们现在生活的，这个硅谷现在所属这个时代，有一些关系，因为我在科幻小说中，比较痴迷的一些类型，都会涉及到两个命题吧，第一个是生产力变化以后，人们的生活是怎么改变的 第二个命题是，在和我们的社会风暴，很不一样的这种，未来啊，科幻的社会里面，人与人之间的关系，是怎么样的，因为我觉得，在第一个命题上面，可能和我的工作，会更相关一些吧，工作时候就经常会考虑到，我们做这些，人工智能的研究，做这个机器人，是一种自动化，如果你能够把很多，现在人做的事情，给自动化的，提升一下效率以后，人去做什么样的事情，是一个其实每天都会想的，一个命题，第二种呢，可能是我因为我觉得，人与人之间的关系，是一个自古永恒不变的话题，在写小说过程中，你可能也会去读别人的小说啊，也会和几千年前的这些，生活在不同世界的人，他们的一些思想产生过敏，我觉得应该是，有一些人性之类的东西，即使是在生产力大幅度变化的 未来科技社会也会流传下去，所以在AI这个时代，在机器人马上就要 [00:05:16]
小珺：进入我们的生活的这个时代，你觉得人会发生什么变化，人和人之间的关系，会发生什么变化，而且现在不是人和人之间的关系，还有人和机器人之间的关系，会发生什么变化，我觉得这是一个
柯丽一鸣：就是正在梳理中，还没有一个很确切的，结论的话题，因为一谈到人和人的关系，就是我是一个相对而言，比较内向的人，你可以从，从每一个人不同的研究风格中，稍微感受到一些，我觉得我的研究风格的话，很多时候是我先，想把自己埋在一个洞穴里面，先埋头苦思一会儿，但是为了不要变成一个闭门造车的人，你肯定还是要把头从这个土里拿出来，然后去到这样的场合，和别人去交流去碰撞一下思想，然后接下来真的定下来一个命题，以后去执行，这个执行我一直觉得，以前的话，我在PhD期间读博期间，是一个比较独狼的一个玩家，就是你有想法，你想要去实现的，就说干就干呗，中间遇到了什么问题，我们可以自己去上网去探索，去学习，我们可以通过提升自己的技能，组织一个比较小的队伍 去解决这个问题，而从读博毕业以后，加入到了这么一家初创公司，做机器人的巨神智能的大脑，一个比较深切的感受就是，有一些事情，是得在一个团队的协作中，才能完成，之前读博的一种项目，可能它的规模是比较小的，要解决的问题也是比较具体的，而现在为了要做成，这个通用的大脑，你是需要团队中，每个人都在自己，比较擅长的事情上发挥作用，所以是一种，就是为了完成一个任务，要大家齐心协力，这中间的很多，人与人之间的关系联系，会比我之前的那种，可能要紧密一些，同时我在想，如果生产力变化以后，因为最近硅谷不是有很多，这种Claude Code 可以自动帮你编程的，这种小工具，人与人之间的这个关系，好像又可以不用那么紧密了 因为有的时候，我与其是去问，这个我现在要做的这个项目，需要用到某一个模块，这个模块的负责人，我去直接跟他说一下，我们这个是怎么回事，问一下他可不可行，我干嘛不直接问，这个Claude Code呢，我可以通过就是，和这个AI的一个智能体的交流，把以前我需要和人交流的，这个方面给它拿掉了，就是减少了我对这个的依赖，甚至包括我们现在，很多自己的工作流程，也是一个人掌控着，三四个agent 然后让agent去干很多活，这个有一些改变了，团队写作的中间，人与人之间的关系，所以你在跟人沟通之前，会先去找Claude Code 没错，然后Claude Code成了，人和人中间的那个环节，没错，我觉得这个关系就是，我在构思一些小说的时候，是会受到这个关系的启发 比如说，一个是想法是说，现在在一个比较信息爆炸的时代，我觉得现在可能已经有人是这样的，信息爆炸的时代以后，以前你的很多讯息都是，我一个人去浏览，一个浩如烟海的互联网信息，但是有没有可能，就是我有一个小bot 就他可以把互联网上，所有的这些信息，就看得比我快，看得比我多，然后又了解我的喜好以后，全部揉碎了给我，在喂给我，同时呢，就是如果以后真的，大家都变成了默认的模式，就是由你的bot 去爬这个信息，去分解这个信息的话，可能以后没有这个bot 你就很难，在浩如烟海的互联网里面生存了，因为你这个人能够看到信息，就变得非常的有限，然后另外一种可能是，我觉得生产力的进步吧，我这个人，因为之前是独狼玩家嘛，所以会就畅想一些，就是非常适合独狼玩家的一些，生存方式，比如说像 田园木歌啊，就一个人的这种乡村生活啊，大家会在YouTube上，也会看一看这样的，类似的博种，我会畅想一下说，哎呀我这个将来，就到了一个远离人间的地方，去生活，然后这种生活，现在的话，叫我我肯定不敢去，我会觉得，要干好多事情，要脱离这个，现代社会的这种，基建的支持，去干这么多事情，因为人类，对我能做到这些事情吗，我这个烧水啊，弄饭啊，这些可能现在还有一些基建，但是家里这些家务啊，还有各种各样，就是我不想干的事情，我怎么能够在远离人间的方式下，把它干出来，会想到就是我们现在正在做机器人，比较近期一些的应用，可能就是说能够，把我不想做的事情给它做掉，但是以后更多的畅想是说，如果真的有一天 [00:09:12]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 如果真的有一天 [00:09:59 - 00:20:00]
柯丽一鸣：如果真的有一天，机器人的这个技术，能够飞速发展的话，可能你现在需要拜托很多人，比如说修水管，这是一个美国社会，永恒的难题，修水管，你现在是需要依赖人的，但将来也可能是机器人来解决，甚至包括你现在做的很多项目，就是随着这个智能体的发展，以前可能是需要你拉一个人的团队，以后可能是拉一个人工智能，或者机器人的团队，甚至就像现在的我们去看，很多1000年前的原始社会，可能会觉得他们，生产力制造力没有那么发达，如果我们在1000年后再看的话，说不定他们看我们也是原始社会，他们那个时候每一个人，能够拥有的这个生产力，都相当于现在每一个国家，能够拥有的生产力，我觉得这个，可能独狼玩家会挺快乐的，那人和人的关系，会变得更加的松散，我觉得是可以让，人和人之间的关系，变得更加松散 可能在原始社会，一个人在广袤的大自然里面，独自去狩猎生存的话，是比较难，而现在的话，找一个地方埋起来，好像把自己头埋起来，好像没有那么大的问题，但将来也许可能，在宇宙中你可以探索，你说不定可以，就是发现了一个小星球，你就直接在这个星球上面定居，你就可以搞很多机器人来帮你，在这个荒无人烟的星球上面，搞好基建，你可以建很多你想建的，你想建高楼大厦，你想造这个那个都可以成功 [00:10:53]
小珺：我觉得还蛮有意思的，所以脱离一切的外部的条件限制，你自己是希望能够回到洞穴里去的是吗，为什么呢，我觉得并不是完全是说 [00:11:21]
柯丽一鸣：彻底的活在洞穴之中，但是人对于自己的这个空间吧，是会有一些追求的，作为一个内向的人，我觉得我的回复能量的方式，其实是一个人静静，然后在一个硅谷，这么一个非常喧嚣，非常无时无刻都有新的讯息，涌入的一个环境里面，能够找一个空间去自己静静，其实比我以前的这种生活，是有一些难度的，所以可能对这个，找一个洞穴啊，稍微待一阵子，产生了一些向往，但我也认为就是，人还是社会性动物吧，在洞穴里待久了，可能像我这样的人
小珺：也会想要走出来再看一看，说到这个还挺有意思，我记得有一个老师，他说他对于他下一代的小孩，不和人谈恋爱了，只跟机器人谈恋爱，一点惊讶都没有 [00:12:12]
柯丽一鸣：现在你能接受这个事情吗，我觉得我还挺接受的，因为我是老二次元了，就我的生活中，是有不少这样的朋友，他们的生活方式，可能和老一辈的那种观念，是很不一样，但是因为他们一起，熟悉了很久的朋友，我甚至能够理解，就是他们做的这些，就是不想和人类谈恋爱的选择，或者他们自己，在社交方面的一些偏好，以及包括大家对纸片人，二次元的这种造物的喜爱，包括我自己也是有参与一些，就是这种二次元的，这个同好活动的，哪些文学作品，影视作品或者
小珺：各种各样的文艺作品，有对你的机器人的思考，有过帮助和影响吗，我觉得，一时半会儿很难指出，哪一个具体的作品 [00:13:04]
柯丽一鸣：但我们也许在谈话过程中会出几些别的，我都可以分享，但是我觉得现在有一些，或者说之前看到了一小类的文学作品，中描绘的这种人工智能的，毁灭世界的这个，这个命题让我觉得有一些，从现在的角度，以我有限的视角来看，会觉得不太可能吧，啊现在会走到这一步吗，所以会有一些反思，就是我们真的会，就是开发出一个智能体，然后不知道怎么的，它的可能诞生的使命，是帮助人类，但最后它的存在的，客观意义上却变成了，就是与人类，变成了一个对立的关系，我觉得现在的我是，很难想的，但是因为一直没有想通，为什么这个逻辑成立了，所以一直都在想，为什么这个逻辑不成立呢，我觉得以现在的，就是2026年，我们弄一个快照，看看现在的状况了 我会觉得，现在智能体，干的最坏的事情是什么，我知道好像前几天，有一个什么人，把很多的权限，给了一个智能体，让他帮自己清邮箱，结果这个智能体，得到了这个权限以后，就把他的邮箱全都删了，删的快差不多了，就他的命题，就是给这个智能体的任务，是得到了执行，但智能体的执行并没有和他真正想要的这个任务重合，我觉得这个问题是确实存在，但现在智能体得到的权限承担的责任，以及他能做的事都比较有限，就得到权限的话，很多时候大家都是会prompt 就是你现在不清楚的话，你先别慌着动，先跟人全认一下，然后他承担的责任，比如说我之前其实有攀岩去受伤，受伤的过程中，我就是到处求医问药，但美国这个社会的医疗 是有一些难的，这个时候我就会把我的一些，医疗的资讯，发给这个智能体，去让他给我解答，但是其实在这个解答过程中，我也不会真的就彻底的相信说，我也不可能说，这个AI跟我说什么，我就信什么对吧，我肯定还是要把它，带到一个人类专家的面前，去跟他确认，因为我不觉得，就是如果我真的，基于他的这个推荐，做了一个什么事的话，他是能够承担责任的，就承担责任这个方面，我觉得现在，他承担的责任还非常有限，而在这种，这种人类社会里面，就是谁能够承担责任，才会建立一个信任，我觉得这种信任，还是在演化的过程中，还没有到，我们就完全相信，一个智能体，给他那么多权限，然后最后是，他现在能做的事情，我觉得也比较有限，比如说我们机器人，我们有的时候，行业内部笑话，这个笑话可能，已经有一件过时了，这是大概三四年前，和一个快要毕业的同学，在聊天，我们就在吐槽说，我们每天都在做什么呢 就是让这个机器人，把一个红色的方块，放到一个蓝色的方块上，这不是三岁小孩，都会做的事情吗，我们天天就来这，花了五年时间，读了一个博士，然后教机器人，做的可能也许，或者还没有三岁小孩好，还不如师哥吧，人类的学习速度，是非常快，所以我觉得，这三点因素导致了，在我看现在的智能体，我是不太相信，它能够在现在这种节点上，做到跟人类的对立面 [00:15:59]
小珺：因为写小说和写网文，其实都要从信任世界，有很多的取材，很多是取材于生活，我没有看过你的小说，因为你不告诉我你的网名，但是我很好奇，您会把你在派的工作经历的，哪一个部分，作为素材提取出来，放到虚构的作品里去，我其实是一个，工作和生活分得相当开的一个人 [00:16:29]
柯丽一鸣：我觉得在派的工作经历，肯定是影响了我的思考，比如说你对技术发展到哪一步了，以及技术发展中的一些，就是courty 比如说比较特殊的一些东西，会有更多的一些思考，就比较具体的思考，而我的网文很多时候就天马行空，哎呀在网上保护好自己的身份以后，想写啥想写啥不是挺好的吗，所以能不能告诉我们的网民是什么，不行，救命啊马甲
小珺：马甲保护好，那我们接下来聊聊你的成长吧，因为我发现很多硅谷的人，都是从小受益于竞赛的一群人，我感觉这个还挺多见的，那么讲讲你的成长经历，你是通过竞赛改变命运的人吗，你能算这个类别吗，我觉得是 [00:17:22]
柯丽一鸣：而且当我在成长的过程中，有一些感触，但甚至都没有现在的感触，那么的深，我觉得我人生中，是有一些关键的节点，或多或少都受到了，我搞信息学竞赛，这个影响，其实我小时候，出生在安徽省，然后上学呢，是在安徽省的五湖市，这是一个可能，互联网上大家了解，它都是因为五湖起飞，这么一个网络用语，但它其实是一个城市，而这个城市呢，它就客观来说的话，它的教育资源，什么的可能和大城市啊，比如说上海啊，这样地方还是有一些差距，但是非常凑巧的是，我们这个城市有一个很优秀的 信息学的一个竞赛老师，他当时是在我们城市那边，做学生的时候，因为一些事故受了伤，然后失去了双手 所以这一个遭遇呢，让他最后在就业的时候，可能影响到了他，让他选择就是回到这个家乡，去当了一个计算机老师，但是因为他这个人非常的聪明，和优秀，所以他在，这个投身，计算机教育的过程中，就是他出力，他是江涛老师，我甚至跟他都没有，真正的面对面的交流过，但是我觉得，我是有从他的很多，这种贡献中受益的，就是他在我们那个城市，开设了比较系统的，竞赛的这种七次培养，什么意思呢，就是像我们小时候，会上那种奥数班嘛，就是在我们那个城市，其实是非常正规的，有信息学奥斯兰班，它就是个兴趣班，你家小宝宝几岁啊，我是八岁去学的这个东西，当时我们小孩子，也没有想太多，只是觉得可以玩电脑了，太高兴了，只要不要我去学一些 正儿八经的东西，让我去玩一些，不那么正儿八经的东西，我都是非常高兴的，所以在这个过程中，就无意之中打下了一些，后来就编程的基础，并且一步一步地，去走上了竞赛的道路，然后在成长过程中呢，我也是探索过，其他的职业发展的，比如说我大学，其实学的是心理学，最后又转成了经济学，你大学本科是心理学 [00:19:35]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 你大学本科是心理学 [00:19:58 - 00:30:02]
柯丽一鸣：你大学本科是心理学，我是心理学开始的，对我的大一，因为美国大学，它是可以换专业的嘛，我的大一的选择的专业，其实是心理学，在学过了一些心理学以后，感觉到了，第一学的东西非常有趣，第二我实在是不太适合，做心理学，为什么，我觉得有时候，人是有一些打破砂锅，问到底的这种性格，在我身上，如果在学心理学的过程中呢，就会有一种，这个玩意儿，他说的非常的有道理，但是如果我想打破砂锅，问到底的话，我也许可以做，但是很多年以后啊，或者说做一些别的事情，不够直接，可能我们对于就是解决问题，解决一个非常具体的问题，是有一种痴迷的，所以当时又去学了经济学，就是想要了解一下，自己生活的这个世界，但是最后转回了计算机，还是那个原因，就是觉得这个，能够帮助我了解这个世界，但不能帮助我了解 我在这个世界中，想做些什么事情，所以最后还是转回了一个，相对而言更理工科的，这个计算机的这个道路，所以你整个大学，经历了两次换专业，对，然后在这个成长的过程中，能够探索其他的行业，再回到计算机，我觉得真的是因为，就是非常的感激，就是小时候有这些竞赛的这个辅助，竞赛对你性格影响大吗，其实不是很大，因为我搞竞赛的时候，还是那种比较优先的，因为小时候对我来说，只是一个兴趣版号而已，我们就是觉得，这个东西好好玩，因为刚开始学的时候，是学logo语言，它不是像现在这样，都是打文字，它是一个图形的一个界面，作为一个小学生，看到这么一个计算机，它可以画画，然后你就让它画，各种各样好好玩的画，当时就觉得非常的高兴，所以在竞赛的过程中，我对于计算机编程的体感 一直是非常快乐的，当时还有一本教材，是中学生学四语言，其实我，这可能是我这辈子，唯一就认真读完的，就编程教材，后来的话，都是网上现学现卖，因为在读这个教材过程中，作为一个小孩子，他接触编程，我觉得真的是有一种，就是思维会不太一样吧，就他会用讲故事方法，教你很多编程的原理，比如说地归啊，就是跟灯神去许愿，然后许了一个以后，让他再给你三个愿望，就我说这些东西，都非常的自然而然的，就能够融入到我的生活之中，把它有一些内化了，所以在这个层面上，就搞竞赛或者说，很早的去学习编程这件事情，对我的思维有一些影响，但可能是比较任务器无声的，我并没有感觉到，他对我的这种性格造成了一些，就是非常明显，非常突然的那种变化，你小时候是一个很乖的小孩，还是一个叛逆的小孩，是一个刚想起来很乖，但实际上很叛逆的小孩，有多叛逆啊 我都记得我，我小时候上小学的时候，第一天我爸妈不知道怎么想的，给我捡了一个板寸头，然后当时你知道小学生的话，你去一个小女生，然后留着一个板寸头，然后大家就会笑话你，我就记得上学学的第一天，我是哭着上学的，因为被大家嘲笑，而内心无法忍受，就是不知道该怎么处理，这种事情就哭了，可能是我小学哭得最惨的一次，然后当我小学毕业的时候，已经变成了学校里的大姐大，就是有什么想法，我们可以坐下来，坐着聊，聊不醒的话就把你打服，就是使用暴力不是一个很，很很很好的事情，只是在小学那个环境下，我感觉我，你能明显看到我的一些，性格上有一些那么一个不太服，的这种方面 [00:22:41]
小珺：你是怎么在小学那个环境里面，从一个第一天哭鼻子的小女孩，变成一个大姐大的，我知道别人都叫你柯姐对吧，对就是我朋友对我的称呼，从小学一直到高中都是这样 [00:23:26]
柯丽一鸣：我觉得可能，就是，学了动手，我觉得性格上有一些就是，路见不平一声吼的这种因素，在里面吧，会有一些对公平啊，正义啊这种事情的一种追求，然后也会去，在小学时候也会去想办法完成这种事情，比如说小学的时候会看到，有一些人在欺负别的人，我就会说你在干嘛，你不行我们就来打一打
小珺：你这样不行就会去，达到一种心中那种正义的状态，在你心中有什么是别人觉得，可以接受，但你觉得是触发了你，对这个世界不公平不正义的感知 [00:24:05]
柯丽一鸣：然后你要反抗呢，我觉得生活中，确实没有那么多事情，是绝对的公平，甚至公平的定义都很，模糊吧 可能不同的人有不同的想法，我只是一个，尽量在自己的力所能及的范围内，维持一种公平，有的时候，我觉得每个人也没有什么，权利去要求另外一个人，一定要按照他的想法去做，但是在这层之上，有什么东西是我觉得他还是比较有，普世价值的，可以这么去想的，我觉得 一方面是，一方面可能是，我觉得有些心痛吧，就是教育资源这个方面，当我出了国以后，会有一些感慨 就是我在国内受教育的这段过程中，其实是曾经觉得，我想上一下清华北大这样的学校，会想去考，但是因为我在安徽省，其实安徽省的话，是每一万个人里面，可能有三个人四个人，能够上到清华北大，我觉得我当时上的是竞赛班，在高中，然后也是从传统的升学道路里面，一步一步学出来的，我也不是一个特别优秀的那种，就是优秀到骨子里，就是真的非常热爱学习，花很多时间去学习的，我都是一个进在班里面，就是中等，我喜欢的事情就多学，不喜欢的事情就少学的那种学生，所以我知道我可能，就除非我转了性，然后特别用功，才有可能拼一拼，这个一万个人里面的三四个人，而当我出来以后会发现，其他一些的省份，可能确实有一些教育资源上的优势吧，比如说在大城市的话，可能会有，这个一万个人里面，有八十个人都能上清华北大 这种数字在安徽，是想都不敢想的，会觉得，是有一些资源分配上的事情，但是可能，在现在这个时间点上，更多的能够，想的是 如何通过创造更新的生产力，来，在某个层面上抹平这些公平吧，所以你觉得你不是，这种激烈教育的优胜者 我对我的同班，尤其是初中高中的，这些同班同学，抱一重高的敬意，我实在是没有办法，像他们这样的卷，因为我们是竞赛班，竞赛班上的大家，我觉得都非常的努力，都非常的知道，自己想要什么，不像我这种，从小就有点，虽然看着很乖，我是不会做一些，特别坏的事情，但是我也没有那么的乖，学习这个东西，我就学，我自己想学的就好了，所以在这种环境下，我觉得抱着这样心态，确实是没有办法和，这种特别优秀和专注的同学们相比，你小时候做最叛逆的一件事情是什么，最叛逆的事情，我觉得因为做叛逆的事情太多了，你是很难评出一个最叛逆的事情，前三吧前三名，前三名，其实我到高中的时候，又把我的头发剪成了板寸，因为当时就非常想去东南亚，去旅行看一看，然后觉得自己一个人 在东南亚可能不太安全，就把头发剪成了板寸，然后整个人打扮的，就是一个非常男孩子的样子，这样走在大街上，可能大家也会，就是该怎么说呢，就是去，可以这么总结吧，就是可能是在东南亚，背包的这段经历，相对而言是比较叛逆的，因为它是一个，没有明显的目的，也没有明显的目标，也不知道它对我的人生，有什么影响，但是就是非常的想做，但其实还比较幸运的是，就家里人也没有，那么的强烈的反对，他们只是觉得好奇怪，怎么做这个事情，保护好自己的安全，然后每天就是，不停地骚扰我说，就赶紧劝回来吧，劝回来，不要再搞这些奇怪的事情，你是高级去的东南亚，大概就是高二底，就当时其实，就是已经想着，要不要出国了，因为之前是在走，升学的这种高中，所以没有知道，自己是要出国的，就差不多是，一个很快的，一个思想上的转变 然后目标上的转变，然后稍微去执行了半年，然后突然就发现，自己还是有一点闲的时间，当时就想说要做点什么，就去了东南亚背包，因为之前非常的喜欢，有几本这个，印度的神话相关的小说，开始迷上了，这个印度的宗教的建筑，就想跑过去看一看，去了多久，去了大概两个星期，一个人去的吗，对，我一开始，但是我后面，我爸爸妈妈也来找我了，他们可能还是有点不太放心，所以你是为了去东南亚，所以把头发剪成板寸，为了自己安全，我觉得这个是，但其实头发剪成板寸，非常的方便，因为我之前在，在我成长的这个初中，高中的这个过程中，我的朋友们其实都知道，我是一个非常不修边幅的人，什么头发打理啊，梳头发，衣服的扣子啊，就是我到班上，上学到班上以后，就是班上有一些 [00:28:19]
小珺：跟我关系比较好的女同学，就会来帮我稍微打理一下仪表，因为实在是看不下去了，我在想你去东南亚，把头发剪成板寸，是不是潜在内心，是有一种不安全感的，很难描述 [00:29:06]
柯丽一鸣：但是因为会不自觉地认为，就是如果可以像一个，就是像一个外表，像男生的话，大家可能就没有那么多的，不好的想法，就可以提前保护自己 这样的想法，你觉得这种不安全感，它可能来自于哪里呢，我觉得社会中的认知，就是新闻啊，或者说很多，听到的事情 会让大家作为一个女生，觉得自己处境，会有一点点处在被，就是更可能受到侵害的这个位置上
小珺：所以就会想要花更多的心思
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 所以就会想要花更多的心思 [00:29:58 - 00:40:00]
小珺：所以就会想要花更多的心思，去思考怎么保护自己，我觉得你的选择很有意思，因为有的人我觉得不安全，那我就不去就好了，那我就是安全的，我就在家里
柯丽一鸣：那还是要去的，自己想干的事情，得找个方法把它实现，你的方法是我把我自己演示成男生，然后我就安全了，我觉得这是方法中的一种，可能是当时的 [00:30:11]
小珺：我觉得最轻松方便又好用的方法，你是怎么突然决定要出国留学的呀，你刚才也说你之前其实也是想着要考大学，突然转变了轨道
柯丽一鸣：对这个我觉得就是人生中的，冥冥之中的一个很小的决定，因为当时在高中看来是有三条路嘛，第一条路就是升学，但是刚才也说了就是在我的同班同学面前，我觉得自己就是一个渣渣，就是一种不上不下，哎呀叫我再，再花一点心思，去提升自己的成绩，对不起我真的做不到，就是，就是我没有办法做，我不相信不认同的事情，而学校的很多事情里面，有一部分我是真的，我不知道为什么要干这个事情，所以我提不起劲，提不起劲我就学不好，比如说当时我就学了一些，就可能我比较喜欢，像数学呀物理呀，这样的学科，我就觉得，我还是能够享受，这个学习的过程，剩下来有一些，像生物和化学，我相对而言就是弱一点，要背，对，然后到时就是成绩，就怎么都上不去嘛，然后学校的老师 或者同学或者家长，也会劝你说，好好加油，把这个短板给补了，你还可以冲一冲，我就想说，我为什么要加油，为什么要补这个短板，为什么要冲一冲，我不干了还不行，我不认同这个事情，所以当时有这个，思考在的话，我就很难，就是通过升学这个路去，上到像清华北大这样好的学校，然后还有一个契机是，当时，就是因为非常喜欢打游戏，就是非常叛逆嘛，就是人家在升学高中好好学习，我在升学高中，天天就是看小说打游戏，然后偶尔接触到了，一个叫雨雪的游戏，当时打的时候，每个人都有中二的年纪，当时打的时候，惊为天人觉得，哇我超喜欢古龙的小说，这个游戏非常完美地，诠释了就是古龙小说的一种互动式，应该是怎么样的，所以当时就非常崇拜，这个雨雪的创始人 Sofram Yi 然后当时因为崇拜他，所以又去了解了一下他的生平，发现他好像是清华大学的 我说这是第一次，我在一个比较叛逆的道路上走着走着，发现人家是正规科班出身的一个大神，我就那看来上清华北大，还是非常的有吸引力的，但是因为自己的这个水平，可能不太能够上上去，然后当时就想到走竞赛保送这条路，但是因为竞赛保送，当时保送还是去中科大这样的地方，中科大在我爸妈看来是非常好，一个好大学，并且离家特别近，在我看来是非常不好，因为它是一个好大学，但离家非常近，所以就，不能离家近，不能离家近，所以就想着说，想要去一些更远的地方，然后刚好当时了解到，是雨雪的创始人，他去了耶鲁去留学，我就想说我也可以，就是去留学吧，然后就跟家里人商量，然后就这么很偶然的，就突然一下在高二的，中间点转变成了，要不咱们去留学吧，因为我是一个古龙的粉丝嘛，所以他就是一种 一种想象中的一种，社会的一种剪影，而且因为这个剪影非常的纯粹，它有很多人的爱恨情仇，都定格在最浓的那一瞬间，所以在游玩这个故事场景的时候，会得到一种非常大的心理满足，这种游戏的受众会是男孩，这是我的偏见是吗，我不知道该不该叫它偏见，我觉得也许是，也许你把这个统计学揉碎了来看，说不定他的这个更多的玩家，确实是男玩家，但可能在我心里，并没有这种天生的，就是这个游戏就该是，什么性别的人去玩这种想法，他记中你的是什么呀，这个游戏，我觉得他柔和了几个，我非常感兴趣的元素，第一个是，他的美术风格，我觉得人是生来体验的，我觉得这是我对人文的 这些着迷的一个很重要的点，就是你是来体验很多不同的东西，它能够通过这个场景的设置，以色调和这些非常阴郁的，和你现在生活完全不一样的一个世界，快速地把你拉到一个，完全不同的一种可能性中，我觉得这个是非常吸引人的，就是人可能，就是寻求，就是很多人会寻求不同的体验，有些人喜欢做这个事，做那个事，我觉得就是游戏是其中的一种，非常快捷方便地把你拉到，平时你可以在游戏里面当一个，小卖铺，卖家是不是之前那个什么分手厨房，你还可以在游戏里经营餐馆，你可以体验很多不同的人生，所以我觉得这个是capture了一种，就如果我去成为一个武侠，是什么感觉，然后另外的话是，他的这个，哎呀谁不中二呢，都当时这种台词，就觉得哇好酷啊，这个台词就是 你还记得吗，不太记得清了，但我记得，也许有一些东西太羞耻了，因为已经忘记了，但是对这种，对这种，非常纯粹的情绪的碰撞 令我非常着迷，就是有一种，你背负着血海深处，你说我们在现代社会，你怎么会背负一个，就大部分人吧，怎么会背负一个血海深仇，这个就可以在游戏里体验，就当时因为，对喜欢这个游戏，不自觉地去靠近吧，就是可能潜意识里也有想过，将来有一天如果我呢，我创作一个自己的内容，会非常的开心，那看看别人这些，已经创作出，我非常喜欢的内容的人，之前的路径是怎么走的，我们也可以向他靠近一点 [00:35:11]
小珺：所以你没有想过，一个科学家的成长路径，是怎么发展，你也没有想过，一个企业家的成长路径，是怎么发展的，在构思的是，原来这个游戏制作人的，成长路径是怎么发展的，那你为什么，没有去做游戏呢，我觉得写小说
柯丽一鸣：是我创造的一种，宣泄的方式，而做现在这一行，人工智能，做研发，可能是对我这个人，追求效率的，一种体现吧，就是我骨子里，你看在大学中，换的这些专业，其实我觉得这些专业，都非常的有助于，写小说的内容，只是最后，自己发现，自己真正想做的，这种工作的成就感，有很大一部分来源于，就是我把一个，别人做不到的事情做到了，或者说别人做这个事情，我做得更好，这种思维，不好说是不是因为，在国内这种教育体系下，有一种还是有点竞争的，这种思维在里面，但确实是能从这种，想把事情做得更好
小珺：这件事里面得到回报，你到了美国以后，有发生什么变化，你有经历过文化冲击没有，我觉得有非常大的文化冲击，你的性格有发生，怎么样的塑造，我觉得 [00:36:31]
柯丽一鸣：有两点吧，第一是在之前生活的环境来看，比较的稳定，所以对周边的社会的人与人之间的关系，是太稳定了以后，你其实感觉不到它的存在，就是你是出了国以后，开始接触到了一个完全不同的社会，社会关系需要找你这个人，在这个社会中的定位，就开始重新思索，我以前好像不用做这个事情，我现在要做，就是我不太清楚这个人说话的时候，他有什么含义，因为以前你已经在那个社会里生活了很久，你就非常的自然而然，而现在到了一个完全全新的环境，不自觉地去调整，并且也使得你能够稍微，客观一些地审视之前所处的社会环境，和你这个性格，我觉得我对我性格的自我的认知，很多时候是到了不同的环境冲击下，才得以显现的，另外一部分是因为美国社会，还是一个比较注重 presentation 就是你如何去表达自己 我觉得核心一点可能是说，他们最终是想把这些孩子，培养成一个有领导力的一些人，就是他可以通过缠住他的梦想，来号召很多人，去和他一起完成梦想，这和创业者，这种企业家精神，是有一些不谋而合的，在我那个上的大学里面，是有很多这样相关的活动啊，还有包括课程里面的设置，都是在鼓励这件事情发生，而我当时作为一个非常内向的人，乍一到了这个环境以后，就有一种，哎，没办法了，只能多说点话了，要不然的话，真的不知道自己在干什么，就是不，就是经过这样的一个环境，所设置的这种关卡的，走动，开始真的变成比较，能跟别人说话的类型，如果你和高中的我说话，可能会发现我这个人就不爱说话，但是你和现在的我交流，我觉得我是在交流这方面，有了很大的提升 [00:37:38]
小珺：你有觉得，两个社会的文化的基础，有什么不一样吗，你刚才还觉得在之前的成长环境里，你能感受到很多的不公平，那你到了美国之后呢 [00:38:26]
柯丽一鸣：不公平依然存在，只不过，我觉得，中国社会之前经过，非常高速的发展，因为我后来还去英国留学 所以把中国美国英国，放在一个轴上面来看的话，会得到一个非常有意思的，一个感觉，就是中国社会，咱们父母那辈的人，可能会有很多的动荡，和机会和一些变革吧，就是大家有时候会开玩笑说，就是你往上数三倍，谁不是这个田里种地的人呢，是吧，然后美国社会呢，相对中国社会而言，我觉得是有一些些这种阶级古化的一些，因为毕竟是一个运行了200年的资本社会，很多时候这种资本的得利是比，作为一个人来得利要快一些，他们是有这种积累，而英国社会又是一个非常极端的，就我在英国社会的时候，就感觉到了这种社会，相对更加固化以后，造成的人们之间的关系，和你所处的这个社会阶层，和你的这个喜好品味的 一个非常大的影响，我觉得中国在这个轴上，可能是相对而言，在当时是最百花齐放的，那美国和英国呢，我觉得英国可能在这条轴上 相对而言是最保守的 [00:39:58]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 相对而言是最保守的 [00:39:58 - 00:50:00]
柯丽一鸣：相对而言是最保守的，而美国是有一些保守，但是都到硅谷来了，大家好像又抛弃了，之前的那些旧的东西，在这里又开始开创新的东西，你看你成功从家里逃离出来了，你成功地离家万里之远，你得到你想要的了吗，我觉得在内心世界上，在离开的时候，并没有很大的目的性，说自己一定要拿到一个什么东西，是在路上才慢慢发现，自己要做的事情，并且我还是非常喜欢，现在自己投身的这个行业，和这份工作，也就是对技术是有信仰的吧，可以这么说，你为什么后来从经济学回到了计算机，去了人工智能，这个转变是怎么发生的，我觉得也是有很多巧合的因素，就命运是一条冥冥之中的线，我只能得到这个点，在当时大学的时候 在经济系读，然后就是觉得，做的事情虽然是，学的知识非常有意思，但是做的事情好像就是，把一些数字融合在一起，跑一跑报表这种分析 可能没有满足我，所以当时就是，是开始探索，就是在大学，能够做些什么别的事情，然后很巧合的是，大一的时候，去了一个实验室做研究，就坦白来说，当时的我完全，大一，对在大一的时候，去实验室做研究，大一就去实验室了，是的，很少见，对因为当时在美国，在我们那个学校非常流行，就是职业发展，就有一种，美国人的卷，就是你大一的时候，就会灵魂直问，你大学毕业后想干什么，赶紧想好，每天都要为这个东西做努力，所以当时大一就开始，参加一些什么职业的交流，就开始搞搞自己的简历，从大一就开始弄简历，我觉得我大一，好像是入学第二个月，就开始在网上到处去投简历，大一写啥呀，大一就是之前因为，就是搞竞赛，所以有竞赛同学，其实有一个竞赛同学，听我想法的，在我们高中过程中，他就做了一个小软件，还去卖钱，我当时也参与了，就帮助了他的这些开发，然后我们也拿了一些，就是小孩小家小闹的一些，就是钱让自己觉得 能从自己的技能中，获得一些回报，所以这些东西，都可以写在简历里，因为你是，就是想办法，向别人证明，就是你是一个，信得过的人，可以做很多事情，我觉得即使是现在的，就孩子们其实，也完全是有可能，就是比如说，之前欧巴尼亚，是有高中生，去发paper的这个先例，我觉得现在孩子们，完全是可能做到这点，所以当时的大一，我就去找到了，在我们学校的一个，计算机的组的实习，然后当时非常幸运地，遇到了成为我，就是学术路上，第一个导师的学姐，她叫李博，她后来毕业以后，去芝加哥大学当教授，现在也在硅谷，其实做创业公司，当时呢，她选中我的原因，我不太清楚具体的，但我猜想可能是因为，我是一个学经济学的，我挺喜欢博弈论这个东西，而当时她这个课题，是一个叫做 Adversary Machine Learning 就是敌对的机器学习，它是需要有一些 对抗了这个博弈论的思想，在里面，所以就通过我学的这个，比较嘈杂的这个东西，就跳到了，就是经过这个点的连接，跳到了一个，稍微不同的方向，然后当时在学姐指导下，就是比较幸运的，就写出了一篇paper 然后也得到了发表，所以我其实大二大三的时候，就因为有了这么一篇，就是第一作者的，这个论文发表，后面在博士申请的过程中，就得到了一些助力 [00:42:49]
小珺：博弈论吸引的是什么，你为什么对博弈论，非常感兴趣，然后又通过博弈论，去做人工智能，这个很有意思，这个连接点，感觉非常的微弱，但是它好像又存在 [00:43:14]
柯丽一鸣：我觉得就是粗暴一些的归类的话，博弈论中间可能经常会说，就是如果是两个人在玩游戏，他们是对抗的关系，那他们两个人都要做到自己范围内的最好，但是在互相对抗的过程中，他们可能达到了一个平衡，你可能可以通过一些事情来引导他们，他们的对抗过程中达到平衡是最优的，我觉得这个点，其实是很多经济现在这种市场竞争关系的一个诠释，就是你需要在市场中，大家都去卷，然后卷到最后，就会卷到一个，其实对整个社会发展，有益的一个平衡点，然后把这个思想，其实放到机器学习里面，它也是有应用的，当时差不多，应该是2016年左右，是对抗神经网络出现了，其实对抗神经网络，也是有非常多的，博弈论的元素在里面，它是需要有一个，就是生成的，可以一个评判的，他们俩就是互相在玩，这个游戏，生成的人就，打个不恰当的比方，就在做假钞 然后评判的人，就需要分辨，你做这个钞票，它究竟是真超还是假超，在这个过程中，最后可能会引导，这个生成的人，不断地去生成一个，越来越像真超的假超，而对抗的人，最后就是，当他们真的，完全无法分辨的时候，他就没办法，他就怎么靠猜，所以大家通过这个思想，就是在当时创造了一批，就是图像生成的技术，都是靠这个生成器，去生成一些，看上去像真实世界的假超，就是这种假照片，但是这个逐步对抗的过程中，这个照片就和真的照片没有差别，所以使得这个生成的照片，看上去更加的真实，所以这个博弈论我觉得应用 其实在机器学习中是非常的广，一直到今天，我觉得在机器学习的安全，和怎么样帮助机器的，不管是思考方式还是生成方式，更像人类 [00:45:01]
小珺：都是有挺广的应用的，你真正开始做人工智能的研究，除了本科做过一篇论文以外，是在博士了对吧，是的，你博士之后的学术路线，是怎么展开的，你的主线是什么
柯丽一鸣：我在博士期间也换了一些方向，因为当时第一篇论文发表的是，一个偏博弈论的这么一篇文章，所以在刚入学的时候，我以为我做的是，这个偏理论的积极学习，但是当时做着做着之后，就发现自己其实更喜欢做应用，所以后面就去做了机器人这么一个引用，在机器人过程中呢，我自己的研究路线其实是从模仿学习开始，然后最后做到了强化学习，这个模仿学习我感觉要形容的话，其实就是，就人家已经知道了怎么做一个事情，所以他给你提供了一个样例，你就想办法去超出这个样例来，这是模仿学习，但是随着模仿学习的研究的不断的深入，我就觉得有些不满足了，我觉得就是如果你永远只是在照抄别人的话，你其实不能够，现在也很经常讲不能够有创新啊，不能够有突破啊 所以就转入了强化学习，强化学习更强调的是，怎么样通过你自己的这个探索，去突破原来的这个表现 [00:46:21]
小珺：去把这个上限推得更高，我觉得这个其实也和性格，是有一点相贴切的，所以现在的我更多的是做强化学习，在你开始研究机器人的时候，当时的主流是什么样的呀
柯丽一鸣：你这个研究方向，是一个主流的，还是一个边缘的，我觉得在2017年，它是一个新兴，但博士很大众的一个方向，就是把机器学习 放到机器人上面，包括我自己去，找到的实验室的，和他的老师，他们都是更加偏向传统，这一派系的，因为机器人其实发展到现在 发展了几十年了，然后也有很多很成功的应用，比如说大家会笑话说，我们都让火箭上天，都可以在火星上开玩笑探索，这些都有用到很多机器人的技术，然后传统派系，在2017年左右，把传统派系更多讲究的是一个，路径规划和控制问题，其实这个我觉得是非常符合，我们人的一些直觉的，就是你做一个事情，你就先规划一下，我要做第一步第二步第三步分别是什么，然后把它们连在一起，形成一个完整的计划，计划了以后再由这个控制，去慢慢地给它执行，保证你在每一步上都不疏索，都能够贴切地完成，而在2017年呢，因为我是从机器学习开始起家的，所以我当时就在想说，其他有很多领域，都可以从数据中去学习，我能不能把机器人的这种聪明台，这也不是再靠我，去给它制定什么规矩，而是从数据中直接获得 这个想法呢，和我这个所处的这个传统，偏传统方法的一些实验室，就是是比较，比较小众的，在我们实验室，就是只有我一个人，做这种类似的方向，就你导师不是做这个的，我导师不是做这个的，我导师他，他是传统派系的一个，做路径规划，有很多工作，做控制，他是一个，怎么说呢，全站系的人物，就传统的机器人实验室，他是从卡莱基梅隆，那个派系出来的，他们就很强调说，你每个人都要，做全站，就是你要会造机器人，你要会知道，怎么把机器人搭在一起，这个机器人的一些，什么动力学分析，你也会做，然后你还会做对你规划，还会做这个控制，然后还会让他做一些事情，最后你在这条整个链条上面，你可以选一些，你比较喜欢的点去深入，他是很强调就是一个人，就是在一个最极端的情况下，是可以一个人完成几乎所有的任务的，所以他在培养学生的时候，也是照这个路子走，就我其实很感激 就他对我的这种培养，让我觉得我对机器人的上下游的一些事情，是有一些了解，就不说都深入吧，但至少就是差不多凑合是能用的，然后在他的实验室里做机器学习，我觉得他的态度也是非常有意思的，因为当时机器学习刚刚开始，就大家做的事情还非常的，就怎么说，就是比起传统机器人都能够上天了，你这个机器学习刚刚起步，做的什么任务，看上去其实也比较的幼稚吧，但是当时导师在交流的过程中，就是忌讳给我指出，就是很多现在做的这些任务，其实以前都有人有更好的方法解决，是这么解决的，你要去学习一下，你要在机器学习的这个，做的过程中，同时也就是知道，以前的人是怎么做这个方法的，就他给了我很好的这个台阶，让我去在他基础上去学习，同时他也会 就让我有一个比较开放的一个想法，就是我会把很多机器学习的想法带给他，然后告诉他，我觉得就不停地在这种，一问一答中对抗的 [00:49:50]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 一问一答中对抗的 [00:49:59 - 01:00:00]
柯丽一鸣：一问一答中对抗的，就搞明白了，就是我为什么这么相信，机器学习在机器人，因为传统方法中的这些，我觉得是太依赖 expert专家的这个东西，我们机器学习，我觉得一个很大的使命，就是让专家，从这个机器学习的
小珺：这个中间消失，就是机器可以自己学习，就这是一个使命，你的导师是那个Seed 对吧，对，你如果是一个，机器学习的信仰者，你为什么会进他的组呢，以及你是怎么开始 [00:50:14]
柯丽一鸣：对机器学习，非常感兴趣，就是这种，对这种数据驱动的，机器学习，因为懒，因为这个事情，其实有点有意思，我觉得知其然，不知其所以然，是一个非常微妙的，一种状态，可能大家，有些人会，在有些，在有些问题上，大家也会想要，打破砂锅问到底，但是，在优化问题里面，大家都很想优化，我觉得性格上，是有一个想要更好，更强的一个部分的，在优化过程中，有一类优化问题，就是黑盒优化问题，就是你也别管，你也别问，它到底怎么样，就给了一个非常好的解，反正你只要知道，你如何设计一套系统，让它能提供一个，比较好的解，你不需要知道，这个系统最后是怎么运行的，其实这也是我觉得 2016 17年左右，就是自然语言系的，一个很大的争论，就是传统的自然语言，会使用，比如语义啊，结构啊，就是这种更贴近人，是怎么理解，语言是怎么运作的，就把语义分成，很多不同的部分，是需要很多专家，去了解，学会，然后再想办法 把它自动化，喂给机器，而后来的数据，驱动的话，就是完全，也不能说，就是没有受到，之前工作的影响，但确实它的运作方式，彻底的改变，变成了，从数据中直接学，中间的这些步骤都可以略掉，就变成了端到端，我觉得机器人，可能也是要走一下这样的路，那你为什么会进一个传统的组，没有选择呀，因为当时机器人不是一个，特别流行的一个选择，在2016 17年，其实机器人的发展历史的话，大概也就是50年，而且机器人是一个，非常非常烧钱的一个领域，当时我们的一个内部笑话，就是看隔壁一个非常牛逼的，自然预言的老师的组，他是耶金卓，他其实做了很多，就是common sense 就NLP的贡献，当时他们那个组 2017年就开始，做了很多数据集，然后说就从来没有人，烧这么多钱在数据集上 我就说数据集，烧了多少钱 20万美金 20万美金，我的天哪，你在这边买一个机器人，要多少钱，你知道吗，你这个机器人坏了以后，修了多少钱，你知道吗，所以多少，当时2017年，隔壁组有一个shadow hand 50万美金还是100万美金来着，然后修了以后，就大家自己，在大家现在让这些博士生宝宝，现在这个屋子里面，先想办法修好，不要把它翻厂，一翻厂就是十几万美金，就当时还有Barry Tan的也是，就是一个就多关，也不是多关节吧，就是一个三个指的一个，省区的一个手，当时是十几万美金一个，它坏了也是修起来，够强要半天，就当时的这种硬件的成本，和这个需要一些专家的，这个知识的支持，使得当时我觉得，机器人不是一个特别流行 [00:52:17]
小珺：然后人数也比较少，非常昂贵，对，当时都买什么硬件，当时逐渐开始有人买 Franca这个硬件，因为当时Franca 就是我们是相对而言，最便宜的，你现在这个时间点 [00:53:06]
柯丽一鸣：看Franca你也觉得好贵，怎么这个，我忘了当时，拿的价格是多少，但是反正就是几万美金，它就号称是最便宜的，现在还是有人用Franca 因为我知道之前Franca 被一家中国公司收购了，还挺唏嘘的，就是大家也不知道，以后Franca会不会，出了一个中国版，可能就几千美刀，说不定就可以了，因为现在很多，中国的硬件，应该都是在，就是一万美金左右，上下的价位吧
小珺：就是单纯从，手臂的角度上来说，其实还不到十年的时间，对吧，从你开始读博到现在，是的，你是哪一年读博的，我是17年入学的 17年入学，其实这里我们也讲到了，机器人历史，你们从你的视角来，给我们回顾一下，你说的这个过去 50年的机器人的历史，对我的视角可能不完整，就我就尽量复述一下，就是我感受到，或者我接触到的一些，比较有代表性的研究人员
柯丽一鸣：我觉得机器人的发展是，可能绕不开，第一个就是，卡纳基美工大学的一些发展，卡纳基美工大学是，有一个自己的，机器人研究所的，这个研究所大概是在 79年8几年的时候，开始建立，所以至今大概是 40多年的时间，当时就是他们开始研究了，怎么样让机器人，就通过感知去看，然后做一个决策去动，所以我觉得这个，看加动的这个结合，是从他们开始，就是慢慢地变得，非常的popular 就是非常流行起来，然后当时他们也发展出了，很多不同的分支，就不管是，就是让机器人，能够去决策以后，就把它放到真实的环境中，去做一些灾后救援，还有当时就是 2000年左右的，这个自动驾驶，当时CMU 凯莱金·梅隆大学，在这个里面一鸣惊人，就突然一下，就大家都觉得，自动驾驶可以开始做，就当时04.5年的，这个DARPA 就是国防部的，这个自动驾驶的比赛 刺激了后面很多的，自动驾驶公司的，大概06年那块的创立，我觉得这个也是非常，非常有激励的，然后后面的话呢，凯莱金·梅隆大学 我觉得有发展一些，就现在对我们最相关的话，可能是，就是，有一些机器学习的学者，也有一些操纵系的，就是manipulation 就是用手，就机械手去做一些事情的学者，也有一些是，就是研究如何，机器和人的生活中共存，其中可能比较有代表性的话，就操纵系，因为他是，算是我的祖师爷，所以对他的了解要多一些，他的名字叫Mac Mason 他现在是，还在互联网上活跃，他有一个个人的博客，会写一些，就是他对操纵系的看法，他其实最有名的一句话是，就是他觉得，我们现在强调的很多灵巧，他觉得是，不是从你这个手指，和你的硬件的关节构造，而是从你这个大脑，如何去操控，一个即使很简单的一个结构，也能做到一些很复杂的任务，他觉得灵巧的关键，不在于这个手本身，而在于大脑，我觉得我的研究，也有很多受到他的影响，因为我在博士级别，你就是筷子机器人，就是用一双筷子，做几乎所有的事情，是我当时的一种想法，然后他当时带出的学生，也就是我的导师 就是Sid Srinivasa 所以他，就Sid的话，他会做了很多路径规划，就也是做了很多，就是有一个什么，机器人酒保，就是你怎么样去拿一些，不同的就杯子呀，或者可乐，然后再把它递给人，这样的一些研究，然后除了这个派系以外，当时卡拉基梅隆发展，当时那个腿啊，和生物的这些机器人，是有很多人研究的，就是Matt Mason 祖师爷他还有另外一个弟子，叫桑贝，桑贝他做的就是一个生物狗，就是当时MIT Cheetah 就是他开始做，他在Matt Mason这里学，但他其实并没有，就做操纵系，他就去做一些，就是生物激励的一种形态，所以他就做了狗，他去MIT当教授以后，就做出了这个Mini Cheetah 这么一个非常有影响力的工作，可能说是，现代的这些机械狗的奠基人，然后其他以外，然后做腿的话，还有一个比较知名的学者，可能就是Mark Rebert 他是Matt Mason的同期，他去做了波士顿动力，也是先做狗，但是他走的这个路线，可能是传统派系的一个极致，因为当时他做之前的话，大家其实觉得，就很多事情是受到电机的限制，他就想做非常好的电机，能做大家想都不敢想的事情，他确实做到了，我觉得他做的这个，在忘了是什么年份了，但当时他作为，实际上第一个，就是能够红红翻的机器人，告诉大家这个事情，其实能做，影响了一批的学者，然后我觉得，所以你是CMU这个派系的对吧，我觉得虽然我不在CMU读博，但你可以看到就是我的学术族谱，是很多受到这边传统派系的影响的，然后在另外一边的话，我觉得派系上可能还有机器学习这个派系，因为机器学习的话，我也不清楚就是更早的事情 可能明斯基他是一个MIT的学者，他可以认为是现在机器学习的一个创始人，但是在我这个年代，当我开始学习的时候，我们进行学习的入门教材，都是看NGO NG 吴恩达他的在线的网课，这就是我大学时候，去了这个实验室，在融入智能里面，他们好像也属于两个派系，其实可能是的，但是对我来说，就是更早的事情，可能我都没有那么多的关注了，就在我看来，我能看到到的部分就是，我们就是1915年，开始做人工智能，那就是学姐就告诉你了，这是一个教材，先把这个教材读懂，搞会，就开始跟着吴恩达的网课去学习，然后伍文达的一个博士生，是Peter Abue 他是应该是最早的一个，把机器学习放到机器人，这个领域上的一个，比较先驱的教授，他现在是在博克利做教授，也是依然是一个火热的研究员，他现在应该也同时在亚马逊，担任一个 把他们这个研究部门的，一个领导的一个职务，然后Peter Abue他当时做了，好像是做了一个，就是会飞的这个飞行器，然后他有了搭载了这个机器学习的算法，因为他做的这个工作的年份比较早，我现在其实对他更多的了解是他后来的学生，就是Sergey Levine 他的工作，我觉得Peter和Sergey这两个人可以说是把强化学习，在机器学习中就是比较发扬光大的，因为他们的这个发表的数量非常的多，然后Sergey呢现在也是我在派的，算是我的汇报对象吧，他是创始人，对他是派的创始人，派的创始人，对他也负责了很多，我的派现在，做很多强化学习的工作，所以是和Sergei一起做的 Sergei当时在，就很有意思啊 Sergei他自己 PhD学的其实不是机器人，是Graphics 是做这个图像的 [00:59:07]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 是做这个图像的 [00:59:57 - 01:10:02]
柯丽一鸣：是做这个图像的，然后当时在Peter Abel手下，读博士后的时候，才转型，就我还挺欣赏，就是大家从一个领域，做了以后，就转型到另外一个领域，我觉得你能转过来，或者你想转过来，肯定是有很多你的想法，所以Sergei当时，应该是有很多想法，他就做了强化学习这些课件，其实当我开始，读博士的时候，我对于机器学习的很多，就是没有什么教材，都是看Sergey的视频，然后看他们的一些讨论，包括看他的论文，然后看他们组的一些对话，来学习的，然后Sergey他，后面也有他的合作者Chelsea 就Chelsea和Sergey 都是派的联合创始人，我觉得他们两个，都是对现代机器学习，到机器人应用，做出了非常多的贡献，就不管是
小珺：就是学习的算法，还有包括就是硬件的设计，都是有很多贡献 Sergei和Charles 他们是什么共识关系，此前，如果我没有记错的话 [01:00:43]
柯丽一鸣：应该Sergei是Charles Sometimes Collaborator 或者slash办一个advisor 应该可能也许就是Charles的Postal 是和Sergei读的，然后他们后来一起创业了，做了派，对他们俩之间的学术关系非常好，就是我觉得他们俩非常的同频，在公司他们其实也是，经常在一起讨论问题，这两个人有意思吗，有什么有意思的观察没有 Sir G is a 科幻小说重度迷，我不知道就是别人读派的paper 有没有发现，就派很多paper上面，会有一个来自科幻小说的，一个引用，全都是Sir G写的，就他就会，他会会会会去思考这些事情，然后，有人说过他非常会写论文标题，是的，我觉得他是一个，讲故事非常强的教授，同时呢他，就是内部笑话，可能就是说 Sergei就像Sergei GPT一样，在这个人工智能切GPT出现之前 Berkley的人就已经用上了Sergei GPT 你的论文写的怎么样，把草稿就直接发给Sergei Sergei就给你了一个，就是超级polish 超级好的一个版本，返回给你，而且又快又好，就像切GPT的前身版，到只是切GPT出来了，它也不能和Sergei GPT 在论文修改方面相提并论，这是一个笑话吧，然后强碎的话，它是一个非常discipline 就非常，就每天他都会，四点钟洗床，然后去游泳，然后有一个小时，就他是一个，对自己的一个生活，我觉得非常有规划，非常inspiring 而且他是一个，我觉得有动物性直觉的，一个人，就是和他聊很多，就机器人的具体的，一些动作和表现，他有非常多的，就非常快的一个，就是说他觉得，这个事情是什么样的，然后这个里面，有非常多的这种，直觉性的推理，能够感受到，就是他对这些动作，任务有很深的认知，比如说呢，工作直觉性的推理，比如说，有一段时间里 乔西是负责管派的，这个数据收集的，他对数据收集，到底在收集什么样的数据，我觉得他有很深的理解，其实后面谈派灵的时候，也可以多说一些，派灵的很多任务，是有乔西在后面推动，就是他觉得能做，因为当时其实大家，是不知道能不能做的，所以他们俩是互补的吗，我觉得可以是，可以是什么认为的 [01:02:45]
小珺：他们的工作关系，这一派别还有其他人没有，刚才说了温达，以及他的演示，我觉得现在的机器学习，机器人其实挺百花齐放的，然后包括 [01:03:07]
柯丽一鸣：有另外一些派系，比如说就从飞飞，他带了很多学生，也投身了机器人的研究，比如说可能现在这个时间点上，大家比较看得见的有，朱宇可和金范，他们现在是在，都是飞飞的学生都在领导，毕业以后都，就遇可是当了教授，然后现在他们在领导，这个英伟达的Gear Lab 在英伟达就是主管，就如何做机器人，然后包括我觉得现在，其他就是华人学者，比较有名的，可能有宋舒染，还是我非常尊敬的，一位女学者，然后宋舒染，其实之前她做，他们有做这个，做这个Diffusion Policy 是舒染组出来的，然后ACT和这种Aloha 是Chelsea组出来的，我觉得这个都是，对现在的机器，学习机器人的形态，产生了重大影响的，里程碑式的paper 然后其他的，还有CMU派系，其实也有很多，现代的机器学习的人，我觉得可能，比较visible的，应该是两个人，一个是Dipak 还有一个是Abhinav 其实Abhinav是一个，资历比较老的教授，他是之前做，这个视觉出身，然后他有非常多，天马行空的想法，我跟他就之前，短暂的合作过一阵子，就几年前，我就感觉到他是一个，无法预测他下一秒会说什么，然后有的时候，我觉得他看的东西，就非常有创造性，比如说他其实很早之前，就想做一个就是自学习的，一个机器人，比如他当时做视觉就说了，就是视觉我们经常说，只能受到数据的限制，那咱们就做一个，就不要数据限制，我们就把它放到机器人上，让机器人去户外去各种收数据，这样不就可以打通，就我觉得他做的东西，是有一种，就是几乎野生般的说，就是将来最后，可能还真就是这个形态，这种感觉 然后包括它其实，就大家现在可能更熟悉 UMI 就是作为一个，机器人说数据的一个手段，其实很早之前就是 Abhinav也做过另外一个，就是叫做，我忘了它起的是什么名字，反正他当时就说，我们去亚马逊上，买一个五刀一个的东西，这个东西呢，就是一个，就是很长的一个杆，然后这个杆的末端，是一个小夹爪，然后你按这个杆，它就会夹爪，把它夹住，他说我们就是这个杆，去收这个数据，跟现在的优美，又一举同工之妙，然后当时 Deepak是后来加入CMU的 Deepak他其实之前，做过Curiosity 就是好奇心驱动的，强化学习，所以他其实我们在，谈他的这个，以前的工作的时候，更多是把他归类到，做强化学习很出名的，这个学者之一，然后Deepak和Apinam 现在是共同创造了 Skill的 [01:05:09]
小珺：也是硅谷非常，有影响力的，一家机器人公司，也是做巨神智能的大脑，他和你们一样，都是做大脑的，对，都是做大脑，创业公司，然后还有一些大公司，也在做大脑，对我觉得是，你很有意思啊，你是从前面这个，控制或者叫传统派别，跳到了这个，机器学习的派别，对吧，然后现在机器学习的派别
柯丽一鸣：似乎是硅谷这些，涌现出来的创新公司，更多的人，现在好像是主流，这一波最流行的是，机器学习机器人，但其实我觉得，这个博弈关系，肯定历史上，一直在发生变化，对吗，就是两派，你讲讲这个，我觉得历史上的，关系的话，就机器人其实，大家做了这么久，而且我相信，很多做机器人，都有信仰，就是什么东西，能让信仰成真，不同的世袭，都有不同的，大家叫hype吧，就是这一波，可能是机器学习，也是我们现在，投身的这一波，之前还有一些，做slam的，是包括我觉得，之前做自动驾驶，也是算，然而更多之前，还有planning control 做到极致 [01:06:21]
小珺：我觉得波生的动力，也是一个代表，就这些都是不同的，思想的膨胀，要将把这件事情做成，在你入学的那个时候，前面这一个派别，是占居更主导的力量，应该是 [01:07:01]
柯丽一鸣：我觉得当时去，当时去传统机器人的一些大会，比如说像IROS 或者ECRUSH这些会，发paper 发论文，就觉得大家做的跟我做都不一样，我们做的算比较小众的东西 那你有想过转过去吗，因为你导师就是做这个的，这倒没有吧，我觉得我相信，我做的东西，所以我做起来快乐，所以我相信，我们做的这个行业，即使导师，他会有的时候会，就是批评或者指出，还批评你什么呢 比如说，比如说，有一部分机器学习，当时就是还比较受限嘛，算法比较受限，他就在模拟器里，跑得比较多，他在真机上面，就不是很，能跑得起来，导师就说，那你们这样，就满足的话，是不行的，就不够好，你看我们传统的拍戏，所有都能上真机，你要把你们这个东西，放上真机，我觉得它是一种，就是指明了，就是发展的时候，该如何思考，到底怎么样有用，这件事情上面，走得比较早吧，因为可能，对当时还是一个，新兴的领域来说，如果去一个，专门研究新兴领域的时候，可能没有那么多的，去想落地，想怎么样表现好，这个事情，但是因为导师，是从传统派出身的，他们这些衡量指标，很多影响到了我，你们两个会有一些争执吗，经常会啊，因为，信仰不一样，信仰不一样，想法不一样，包括像我们这种，喜欢偷懒嘛，你看我做机器学习的 一个很大原因就是，如果一个事情，我不需要理解它的原理，我就能做出来，我还是做出来，对不对，老师就会觉得，这个不优雅，而且就是没有什么保障，我说优雅我们保证不了，当然保障，我们可以再多做一点研究，看看能不能给它再搞上保障，所以它是有一个本质性的，就是对于解决问题的，一个方法的喜好吧，我觉得我就是那种，黑猫白猫扎到老鼠，就是好猫的这一类，所以什么黑核优化，我说黑核优化非常好，你只要只要你能够，把你这个任务定义的非常好，咱们就黑核优化，老师会觉得，你这个利益的这个作用，这什么摩擦力的建模，你都不太懂，你怎么就在做这个任务，我说说不定这个任务，不需要你懂这些的，我们的目标就是让很多，不懂这些前置知识的人，都能把这个任务做成，就怎么样让这个信息的流动，变得更加的轻松，是我觉得我们的一个主旋律，所以你很大的一个驱动力，是实用 我觉得是使用，而且是一种信仰，就怎么把它做出来，我要在当下时间点，选一个我觉得，最有可能做出来的方法，我不太相信传统方法里面，我觉得就是，我们应该都能benefit 就是从传统方法中受益，但我不觉得就是，我们就用传统方法就够了，我觉得这个是，大家其实是比较有共识的，就是它如果把所有的问题，都抽象为一个，投入和产出制造曲线的话，传统方法是一个，你投入多少，你才产出比较清晰的一条线 [01:09:29]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 你才产出比较清晰的一条线 [01:09:59 - 01:20:01]
柯丽一鸣：你才产出比较清晰的一条线，因为当时机器人动物，机器人比如说，不神的动力吧，他们做这个后空翻，是非常非常非常牛逼的，因为当时都没有人敢做，也没有人敢想，但是他们做出来的，但他们代价，是很多很多的工程师，不停地去挑适这个参数，去适配他们想做的这个任务，去做到他们想做的这个效果，你再做一个新的任务，你还是得有这么大的一个投入，才能把它做出来，而我觉得机器学习的算法，就是第一，是我们不要工程师来做，对吧，我们就是通过各种各样的设置，然后算法自己来做，你作为一个工程师，你的工作量就小了，比如说现在的这些，很多比较酷的，这些跑酷的这些视频，可能就工作量和那个年代，就不可同日而语了呀，然后第二个就是，一旦一些事情，就是需要更少的人力去做以后，我觉得就是交互，也会发生变化，怎么样让普通人都能够交互，比如说现在这种 AI智能体的发展 我觉得可能刚出现的时候，还是一种比较小众的，你要用，因为它有时候不好用，你要做一个专家，知道怎么去用，才能用得更好，我觉得机器人现在，也有点处在这个状态，就是很多时候，可能可以跑，但是你可能需要专家，来大概了解，它跑的一些问题是什么，然后提前做一些修正，才能跑得更好，但我觉得总体的发展趋势是，让一个普通人 [01:10:54]
小珺：也可以非常自然地，去和这个智能体交互，得到他想要的一个结果，我一个地方比较好奇，因为我觉得，在传统派别主导下的，机器人发展，当时吉大成的，一个构型好像是狗，这个是为什么呀，当然我相信他们肯定觉得，狗不是最终的那个构型，但为什么那个时候，之前大家都觉得，应该去做一只狗呢，这个我真的不知道，得问桑北 [01:11:13]
柯丽一鸣：但是我觉得，看到一个狗跑起来，我作为一个机器人的从业人员，我也觉得有非常的受到启发，而我觉得这一波，就是大概在17年到20年吧，因为我们的，在华大有很多不同的实验室，有隔壁实验室，他们是做狗做的很多的，就狗作为一个硬件平台，它的可获得性，相对而言还不错，其实我觉得可能比机械臂，还要好获得，为什么，就是操纵系的一个绕不开的难题，就是刚才导师说的这些问题，就是我不知道这个摩擦力，就其实每一个物体，它都有可能不同的摩擦力，这个话筒呀，我们自己的衣服呀，还有这些褶皱呀，就千千万万的事情，就很难去建模，然后如果用传统思想，去做的话，你都要建模 你不清楚你的行为，会有什么后果的话，你怎么能把这个问题解决，我觉得是传统的一个，比较大的思路，也是一种就是模型，就是叫物理模型，做的算法的一个思路，而狗的话，它的这个接触，更多的是一个顺势的，就是我这个腿，在这个地上跑，我就要碰一下，然后很多时候，它是不太需要你，详细的去搞明白，就是我的这个腿，在这个地上的摩擦里，所以我觉得这个问题的需求，就是狗可能需要，更少的这个物理知识，而操控器需要，更多的物理知识 [01:12:33]
小珺：所以造成了，就是操控器，做出来比较好的东西，相对而言，狗而言可能要少一些，我们刚刚讲了，这两个派别嘛，机器学习，什么时候开始占据主流的，是从哪一年，是这个转换点，你是什么，哪一年从本来，许愿是一个小边缘的，一个方向，然后变成相对大家，更运投资源，更关注的一个方向，我觉得，身在此山中 [01:13:07]
柯丽一鸣：很难讲清楚，但是，差不多就是，疫情那会儿吧，第二第三年的时候，我当时，刚加入实验室的时候，做了一些，比较偏理论的工作，然后也是在，模拟器中跑，所以导师就说，在模拟器中跑最好，有什么用呢，要上真机，我就大概在 18年的时候开始，就从头弄了一个机器人，就做了一个筷子机器人，是我买了这个组件组装，然后搭起来，然后给它写系统，给它写序列，我让它跑起来，后面还给它做了很多建模的工作，然后当时开始做这个，做的有一些成功了以后，就把这条路打通了，那实验室的人可能就能够，同学就是交流就能看到，就是说，如果有一个新的方法，它有可能成功，我们在做我们的问题的时候，就要去积极地去尝试，拥抱这种新方法，所以当时实验室里，其他人的项目，都或多或少，也不是说我直接参与，可能都给他们一些反馈，就是说实验室里，有一个人在做，这个喂食的项目，可能就是说，有些人他生活 不太能自理，我们怎么样，就是通过一个，机械的一个轮椅，他搭载了一个机械臂，他可以去给这个食物，来给你喂食，他们本来的这条流程，是非常传统的，就是你先搞明白，就是下面要吃一个果切，这个切了一半的果子，在哪里，它的路径是这样，我们路径规划过去，然后一个什么样的路径，把这个果切插到这个叉子上面，然后再一个什么样的路径，给它喂到这个人，就这一套思维比较传统，但是他们是有一些，可能一些限制的，比如说这个果切的位置在哪里，他们是依赖于这个计算机视觉的，后面他们就会想说，那机器学习在机器人上，可能可以做的话，我们可不可以把这一端，就不光是用一个，视觉别人训练好的神经网络，我们也积极地去尝试，就是让这个机器人自己去，机器学习一样去设置，就是去学习，或者发现一些更好的路径了，所以逐渐开始，我觉得大家也会讨论 [01:14:29]
小珺：就是应用到不同的问题上的可能性，逐渐开始就接受，你当时为什么会做一个筷子机器，为什么喜欢这个动作，当时，我，我忘了是怎么回事 [01:15:23]
柯丽一鸣：就是跟导师谈聊天的时候，就突然就发了一条暴论，就是说我用筷子能做90%的问题 90%是桌面的问题，还是什么问题，就是夹和放这种问题，我一直是，之前是有一些觉得，筷子好难，筷子只有两个指点，对，就是因为我觉得，用筷子能做的话，其实如果算法，在筷子上都能成功，那它说明在其他方法上，可能更容易的成功，就是要做，就做一个非常难成功的东西，把它做成功，我觉得剩下的，就可能就是一些工程问题，就是这种，做研究的思路，也是我自己比较喜欢的，就是你做一个非常难的问题，然后当时就是，就跟导师聊天，你也知道，我们这个派系，其实是非常相信，简单的机械手的，比较优雅，比较优雅，所以当时就，他打了一个赌，就是说，好像不是不二吧，就问他说，我想做一个自己的机器人，他就说，你想不想跟别人一起做这个，轮椅机器人，我就说 轮椅机器人虽然很好，但是，他们的这套系统已经写完了，这个系统太传统了，我觉得它不是很适合，我想做这个机器学习，我想自己弄一套东西，他说那要不你可以，自己从头搭一个，你想搭什么，对吧，然后我就看了一圈，我就说，我们要做一些操作非常难的，就是比如说之前，美国电影里面，其实是有什么筷子加苍蝇，这种就是对中国武术的，就是无限畅想，所以我导师他是一个印度人，他就说，搞一个这种，你能把它做出来，就可以毕业了，我说那就好，你就开始干，然后就从这个实验室的，这仓库里面捡了一个，就是别人其实之前用过，后面就没有什么人用的，一个机械的一个组装部件，然后我们就可以，自己自由组装，我其实很喜欢这种自由度，所以开始做起了筷子机械人，后来做到什么程度了，后来做到什么程度，我觉得应该，就比较有代表性的工作，有两点吧，就第一点是做模仿学习，就当时就是想办法，让这个块的机器人 做一些非常非常精细化的，模仿学习的任务，其实背后的，就是想法是这样的，就是机器学习，它是一个天生就带有，泛化性的一个，希望的一个东西，就是大家都说，如果机器学习在问题A上能成功，那它就能够比较无缝地，衔接到问题的二三四五六，但这个时候传统派的人，可能就会说，你的问题A解决了吗，你的问题A做到了什么效果，就是如果机器学习的终点是，一个什么都能做，但什么都做不好的机器人，这显然是不够的，所以我当时就想说，那我就先在问题A上面，把它做到极致，当时呢，我搭了一个机器人，不好意思，我们是手工搭的，也没有针对很深厚的硬件背景，所以它显然不是，就是按照传统的人来看的话，不是一个最好的机器人的形态，然后里面的很多这个力啊，还有调的，可能都没有调得特别好，我当时就说，如果我们用数据驱动的话，我就偏要在这上面做出来，因为我相信数据驱动，因为数据驱动 一个很大的一个验证点，就是当时我搭完以后，我就跟老板说了，这个东西一定能做出来，为什么呢，因为我虽然用这么一条，不是很准的一个机器人，但是如果我作为一个人，去遥操纵这个机器人的话，它再不准，我都能让它做到筷子加小球，这么一个，就是我们老板，他也不那么会用筷子，他自己用筷子，他都做不到这个，但我可以操纵了，这么一个不准确的机器人，去做到这件事情，我就跟他说，你看硬件已经搭完了，然后硬件你觉得不太好，有点嫌弃没关系，只要它的这个操纵算法，是和我一样聪明的操纵算法，它就应该能用这个筷子，去夹起这个小球，即使它的每一个关节上，都有一些，像蹭字不起的，乖乖的一个挑仓啊，或者一些back class 这种就不太准确的东西，所以当时就打了这个读以后，就第一篇工作，其实是2018年19年，就做出来了，可以用筷子去夹这个小球，虽然这个问题，这个做出来的方法，是有很多的 就模块化的东西，现在看来都有点过时了，比如说当时是需要有一个，外在的一个系统，去搞明白小球在哪，然后在这边，再极致性的去抓那个小球，现在可能都更加的断道断了，然后做完这个工作以后，就跟导师说，我觉得不够，因为我夹的还是慢了一点，毕竟我是咬操纵这个机器人，我就时时刻刻在调动，调整自己的动作，就我是在尽力的，就花费了好多的精力，去给机器人提供一个，非常高质量的数据，让他能够更好的学习，但这样的话太累了，我们懒人怎么能做这种事情呢，我们要让他自己去探索，去发现怎么样超越，我给他的这些数据，让他做得更好，所以后面的话，工作重心转到了强化学习，开始做了，让机器人去，在现实生活中做这个事情 [01:19:13]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 在现实生活中做这个事情 [01:19:59 - 01:30:00]
柯丽一鸣：在现实生活中做这个事情，不断地去练习，通过练习归因，来让他变得更好，我觉得这个是有点像可能，之前会看一下奥运冠军的访谈，又看他们的训练，又来激励自己就觉得，就做一些，要想做好一件事情，尤其是这种动作性的事情，你确实就得适配，去搞出一个策略，它最适合你的这个机体，并且就不断地锻炼你的机体，让你就是刻出一个，肌肉记忆嘛，对人来说，对机器学习来说，我觉得其实就是一个，强化学习的过程，所以你是做了，这个筷子项目之后，才去转向了，强化学习把中心，对我就是从理论的，机器学习开始做，然后不太满足于理论，想做应用，然后做了应用以后，第一个算法，其实是一个模仿学习的，中数算法，只能在simulator里，在模拟器里跑一跑，然后后面不满意，做了真机，做了真机，开始做某某学习，做强化学习，最后这个强化学习的工作，其实可以，在空中有一个，非常会晃动的小球 人夹都有点难度，但是我可以用这个机械手，去给它夹住，因为它是一个，它还是可以夹一个玻璃球，这种准确度，就这种准确度，确实比一般的，机器学习的任务要求，已经高出很多了，我们后面还会再来聊，强化学习，我们现在先回来 [01:20:52]
小珺：讲讲继续讲讲 [01:21:08]
柯丽一鸣：他们互相之间有鄙视链，或者某种程度的，价值观的冲撞吗，体现是什么呢，我觉得鄙视链，我觉得大家可能或多或少，都是有一些觉得，你做你最相信的东西，别人的东西
小珺：你可能没那么相信，你相信的话，你就是做了，这种感觉，因为在今天，可能machine learning 已经变成了一个，相对来说共识了，我不知道在当时，他们真实的状态，是什么样的，以及你说
柯丽一鸣：机器学习和传统的这种方法，哪个是更优雅的呢，这个评判标准是什么呢，我觉得优雅是很主观的，在当时那个年代，我记得就是在我读播过程中，我们是从一个比较，比较新兴的一个分支，逐步变成了一个，大家比较愿意接受的一种算法，在当时是有一些质疑的声音，我觉得他们质疑其实也非常的正确，他们问的是一个基于事实的，比如说，你什么东西都能做，但什么东西都做不好，那么要这个算法的用处，是什么，这是一个，我觉得在当年，非常有意义的一个concern 就当时大家做很多东西，你往前看的时候，是不明白，往后看的时候，可能才发现能够，溯源到某些代表性的，或者有贡献的作品，而当你决定，下一步做什么的时候，你达到这个目的，我觉得我自己的研究吧，起码是有受到 这种思想的启发，就是我想让基金学习，在一个问题上，至少能做到极致，这样别人在，把它犯坏的过程中，可能会有一些比较简单，因为它可以从我的这个经验中，直接放到别的任务上，泛化和表现的冲突，还是最核心的一点吧，即使到今天，我觉得这个质疑，依然没有完全消失，甚至包括我们作为从业人员，也是在一直思考，一个传统的机器人的一个链条，在工厂，比如说造车，你要把这个，用一个很大的机械臂，把这个玻璃给放到这个车上去，这是一个传统，已经做得非常成熟的，成功率稳定性速度，都非常有保障的一个问题，你现在用细学习，拿到的这种算法和表现，和传统相比的话 可能暂时还没有人能够说，我们这个鲁邦性，是和传统那么一样的话，我觉得直到今天，都还是一个研究的，前沿性的一个问题，然后另外可能，当时我觉得还有一个，比较有意思的就是，我不知道你有没有听说过，一位学者叫吉坦治 Jetandra他是Berkeley的一个，做computer vision很有贡献的教授，他之前说了一个很有名的话，这个话太好玩了 Robotics is far too important to be left for robotists 就是说机器人太重要了，我们不能只让搞机器人的这帮人来搞，我们也得搞 这个话其实有很多不同的诠释方法，一个不太友善的诠释方法，可能是说机器人太重要了，这帮搞机器人都不行，我们上才能把它搞出来，但我觉得也有一个，比较友善的诠释方法，可能是要想把机器人搞出来，必须得有不同行业的人群测群力，我觉得这对当今的，机器人大模型发展，是有启示性的，比如说，我是一个比较传统的拍戏出身的，我可能很多会关注这个动作 机械本身，还有这个表现的精益求精，我也会做算法，但是在我的领域之外，有很多这种做这种视觉的人，他们有一些更多的，就是如何引入更多的数据 如何训练更多数据的经验，包括做这种大语言模型的人，他们有更多的大模型学业经验，我觉得机器人的成功，一定是一个各行各业都放到一起来，就是有软件算法，有不同的行业的训练，有大模型，然后也有硬件，甚至包括这种产业链，才有可能把机器人做出来，你说的这个传统派和，继续学习的派系，他们在美国的这个分布，是有聚集效应的吗，偶然性的是有一些的，因为西海岸这边，就是斯坦福伯克利，这个硅谷的，旁边的两家大学，都是有很多machine learning的，我觉得东海岸也是有，但是东海岸的传统派，可能更加的根深蒂固一些，就是从最早的派系发展，当然就是现在的，卡拉吉梅隆和MIT 这两所学校，他们有很多传统派的学者 也有很多就是新兴的学者，大概就是最近五年，找过去的，还有一个比较好玩的事情是，大家不管在哪做，好像最近这两年，都是在往硅谷这个地方跑，我有很多朋友啊，不管是在波士顿那边创业啊，或者说在那边当教授啊，他们很多人也在，其他的公司领了一些职位，而且这些公司的办公室都在硅谷，从一个边缘学派 [01:25:29]
小珺：到了一个现在更主流的学派，作为Machine Learning 我能理解大家都在往这边聚拢，那东海岸的那个传统派别，他们已经认为，就是信仰应该发生转变了，还是说我还坚持自己的信仰
柯丽一鸣：我觉得有两点吧，一点就是，我觉得很多人都在积极地拥抱和探索，就是相当于你本来，有一个工具箱可以做很多事情，现在别人告诉你，他们也有一套工具箱，而且很激动的一个工具箱，你不一定就是赞同他们说的，就是这工具箱有什么激动，然后现在你可能看到一些东西以后，你是愿意去转变，说这工具箱可能很激动，我们怎么把它探索实验起来，你有可能是做结合，也有可能换方向，也有可能就是，你又开放了一个新的方向，我觉得这个是，时时刻刻都在发生的，另外一边的话，我觉得传统派的人，其实他们，我觉得是有非常多的，这种专家的洞察，因为很多传统派的人，为了把他们的任务做好，都是经历过非常多的，就是硬件转换，或者说这些，就不同的工程的提炼，就是他们如果能够，在很多现有的项目中，分享一些见解的话，我觉得他们讲的都非常有道理，比如说昨天晚上 其实我还正在读一个博客，博客上面就在说了，这些电机的一些问题，然后这个博客的作者，也在莫我也感，就是他是一个，搞机器学习出身的 [01:27:00]
小珺：然后在研究电机，然后他也感谢了很多，传统派的一些教授，在CMU的教授，对他的一些指导，你看硅谷现在，还有很多新的公司，刚才你说了Skilled和Pi 这是两家在硅谷，创业做机器人大脑的公司，创业公司，然后还有另外一些创业公司，比如说Figure 比如说1X 比如说Dyna 能不能讲讲他们的创始人的来历，然后以及他们分属于哪些派别，他们的由来和历史，我只能分享一下，就我理解到的一些
柯丽一鸣：就是接触到的一些事情，我感觉像派和Skill的两家，都是有比较的浓厚的，就是学术人创业的这个标签，因为两家的创始人和联创，都是在学校当教授，而且有些是就是比较高产的教授，两家的口号也是有些类似，都是想做巨神智能的一个通用的大模型的大脑，然后在区别上来说呢，其实一方面我觉得在应用上面，派更多考虑是一个双臂操纵，就是还是想把操纵这么一个问题给解决，因为可能我觉得在派加入的学者，或者说都觉得就是之前在移动方面，取得了很多很好成果，我们现在应该想想怎么样在拿东西，放东西这个方面取得很好成果，因为你可以暴论，暴论就是，你如果能把pick and place 这么一个拿放的问题解决，你可以把整个生活中 所有的家务都干掉，你不就是抓放抓放吗，然后你可以抓这个东西，放那个东西，或者有一些路径轨迹的限制，但是这是一个，大类非常值得解决的问题，另外一方面，我觉得在skill的话，相对而言，他们有一些，更多的就是腿，人形和狗的一些探索，我觉得这个是相对而言更多的，他们的构型更完整一些，这倒不一定，因为现在人型机器人，如何装操控，其实是没有解决的一个问题，他们有很多，就是他们现在，能看到视频里的话，相对而言，他们在操纵的这个任务，都比较简单，然后他们更多的强调 就是一个移动性，我觉得并没有完整，因为现在我觉得并没有 converge 统一到一个好的一种构型，它又能做很好的移动，又能做很好的操控，所以大家各有侧重 然后其他的公司的话，我觉得就不得不提一提，就很早之前就在做人形的公司，我觉得其实特斯拉在2021还是2022年的，这些就是Elon Musk的一些话语，肯定是激励到了不少人，就是让大家当时的一些硬件人，就已经开始有这个热潮去做人形，然后Figure的话是，应该是2022年开创的一家人形机器人公司，然后它的founder就我所知的话，并没有一个技术背景，他是有之前成功创业的一些经历，我觉得是很有意思的一个人，因为他能在2022这个时间点 [01:29:25]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 因为他能在2022这个时间点 [01:29:58 - 01:40:02]
柯丽一鸣：因为他能在2022这个时间点，做一个他都不是那么熟悉的，一个新的领域，因为他相信这个，我觉得这是非常有意思的一件事情，然后相对而言 1X的话我听说是，创始人其实是深耕了这个，机器人的这种电竞，因为他们是做省区的，省区的人形机器人，比较独特 然后Dyna的话，他的创始人是，因为这个丹娜创始人，她是相当于是认识的，她们是有一些创业的背景，也有一些技术的背景，我觉得如果用一个标签，去形容她们的话，可能她们是更强调商业部署落地的，当然我觉得，一个巨姐场景，比如说我们都看过她，那个叠衣服的场景，对，就比如说 我觉得如果看看她们，在2024 2025年期间，所发表出了一些东西的话，可以形容为就是，有没有可能就是机器学习，已经可以进加落低，并创造一些商业价值，同时这个商业价值，可能能给他们带来一些，就部署上的优势，就以后随着这个机器人，大模型的这个能力，越来越上，可能大家也会慢慢地，从研究端转到部署端，可能他们就是，部署端比较早的一类，然后其他的其实也有，因为当时，当时我觉得是 2023年到2015年，是井喷式的机器人创业吧，就不得不提 2023年初的这个皇甫军校，机器人的皇甫军校，应该还是谷歌的这个研究所，因为当时确实时间点非常有意思 2021还是2022年切GPT出来了，效果太好了，其实动摇了很多人的，这个想法，使得当时就是做什么东西 这个课题是有很大的一个变化的，然后包括谷歌当时，也是做了一个比较大的动作，就是把他们的机器人的部门，给就是变相的削减了一下，就是为了给他们做大模型，可能抽一点人过去，但这个其实也蛮影响，大家做机制的研究，所以很多人就趁这个机会出来，创业了，派的创始人，都是在谷歌之前做的，那Skill的话，其实他们两个创始人，之前是在Meta 是有研究员的职位的，然后Figure 1X 应该也吸纳了不少，从这一波里面出来的人，然后还有比较值得关注的，当时还有两家公司，也是从这一波里面出来，一个是叫Generalist AI 一个叫Sunday Robotics 这两家公司的一个，比较共通的点是，他们都相对其他公司，更多强调了用UMI 作为数据采集的一个手段 UMI的话呢是 是这两家公司的创始人，其实当年是在一个paper上，这个paper就是UMI这篇paper 他就说了我们可以做一些，设计好的一个爪子，人就可以抓着这个爪子，去自己生活的这个世界里面，采集各种各样的数据，然后并且证明了，这个DRAWs收到的数据，是可以迁移到，一个机器人的一个上面的，所以他们两家公司，不约而同的都，相比起其他公司，更加重视这方面的发展，然后我觉得可能 Generals AI就会稍微偏重，工业化场景应用一点，这是从他们发放的视频里推测的，然后可能桑对的话，他们发的视频就，更多的有一些，就是家用的，这个场景体现，甚至包括他们的这些机器人，也比较可爱的，就目前是 [01:32:31]
小珺：看到比较可爱的机器人，后面这几家公司，我们能理解是做硬件的公司吗，因为你们那两家是大脑公司，还有Google特斯拉，也是大脑公司，对吧，我觉得 [01:33:17]
柯丽一鸣：特斯拉我估计，它的硬件也不错，创业是一直在变的，所以很难用，今天的思维去想明天的事，但就现在这个快照来看的话，派肯定是更加注重大脑 我相信Skilled也注重大脑，但是Skilled 大家创业公司其实都比较神秘，也不知道他具体在做什么，然后特斯拉的话，大家一般谈起，还都会认为他的硬件是很强的，毕竟他有这么多的钱去烧，就机器人硬件的研发，不是一个很容易用的上手，不像软件，我觉得软件其实相比二元，反而是容易上手的东西，硬件的话，它的产业链，它的迭代速度，包括它里面的工程师 我觉得这个都不是一天而起的，特斯拉之前有造车的经历，造机器人方面，大家都觉得他肯定是有优势的 Figure也是一个造机器人 Figure 1X都是造人型机器人，可能区别就是Figure用的是，电机R1X用的是这种省区的方式 Generis和Sunday的话，我相信其实现在，就包括设计Dynar 就大家可能或多少都会开始设计，就是如何弄一个更好的硬件出来，但是你说造硬件到什么地步，可能没有一个能看得清的一个说法，之前不是有一个笑话，就是如果你是一个认认真真，真的想把事情干成的，机器学习的一个学者的话，你真得造自己的硬件，因为市面上没有一家，是真的拿来就能用，完美符合了你所想要的应用场景，软硬的议题，软硬议题我不知道，但硬件其实本身都没有，没有达到这个地方 硬件我们等会儿也会，着重来聊到，其实我觉得硬件，有一个我的，很简单的构想，就是到底有哪家公司，能给我一台，我可以把它，发到人家里去，我就有一个人，在后面遥控它，但它真的能把，我家里我想做的事情，都做到，而且它不坏，它很稳定，我觉得如果能到这一步，才是算，我觉得硬件的，第一个版本，才是真正出来的 [01:35:05]
小珺：我记得你上次跟我聊，还聊了好多，比如说，花衬衫 Oh my god 这是一个好好玩的梗，这个是波士顿动力的创始人Mark 他在我脑子变成了一些二次元的画像
柯丽一鸣：就是你们机器人行业的各个人物，对他其实是一个非常有个性的人，他现在你去见到他的话，他就是一个白发老头，穿这个花衬衫，他其实一直在公共场合，都是以花衬衫的形象出现，包括他给波士顿动力，后面的ANU所设计的这个队服，都是一个夏威夷花衬衫，这个来源其实是他在年轻的时候，据说谣传在当时那个年代，做研究啊，交流啊，还是一个比较严肃，正经，就是不可有丝毫懈怠的事情，所以当时他这个人呢，穿着一个衬衫什么的，还是一个反正，不太那么严肃的一个衣服，去参加这个会议，就被别人讲了，就别人说，你怎么可以穿这样的一个东西，有点不太尊重，然后他从此以后就，我就要穿这个，而且要推广，让大家都可以穿这个，所以他现在的形象，就是我觉得，他是有一个叛逆精神在身上的，是不是还有一个 非常飘逸的阿贝纳，刚才好像已经讲到了一些，就是阿贝纳，他思想非常的天马行空，他其实，他其实有影响，也有华人的学者，是他的学生，现在也成为了，比较知名的教授，王小龙，他现在在UCSD 做教授，他是阿贝纳的学生，阿贝纳当时是挺有意思的，他做的事情，就是感觉打一枪，然后你还没明白，这枪是什么意思，后面才发现，还真的有点意思，他就是一个天马行空的，就是你跟他，开会的时候，都不知道他下一句会说什么的这么一个人，会说什么让人很出乎意料的吗，对他的思维就像是一个点的，一个跳跃性的思维，这里面你有最崇拜的一个学者吗，我觉得我能够欣赏，大家的优点，但是我还是比较崇拜，什么游戏创作者和小说，写作人，这个只是生活，生活和工作分开，哪个是生活 我觉得人文，人文故事是生活，对工作是一种优化，是一种很纯粹的，就是把大家的好，给吸纳在一起的这种态度 [01:37:31]
小珺：你平时会跟，比如说大模型的研究员，有一些接触吗，你会觉得机器人的，里面的人和大模型的人，会有什么不一样，我觉得接触是肯定要接触的
柯丽一鸣：我也能越来越多的感受到，确实要想把机器人做成，是得在一个团队的环境里，是得吸纳大家的所长，有各行各业的人加入，才能把它做成功，而不同之处的话，我觉得，比如说，就这么讲吧，我们有个机器人，他收了一条数据，大模型的人，可能就会想说，咱们收个100万条，这样的数据怎么样，然后我们就可以，拿到一个数字，然后有这个数字以后，我们就会让这个数字，变得越来越好，然后作为一个，更多搞传统机器人，出身的人，我们可能会先想的就是，这条数据长什么样呀，我要来看一看，它的这个动作，它做这个东西，甚至包括它这个，当时的硬件条件，硬件环境的，这些设计，就是你能看到 就是相对而言，我觉得做传统机器人，出身机器学习的学者，会更多的在意，就是这种物理的动作，而大模型出身的学者呢，他们经常会比较飘逸的说，哎呀，现在这个信息 好像不够全，他们想要加一条进去，或者补一条进去，我觉得这个，可能是你做很多次机器人，你会习惯了，现在机器人的一些，感知的一些系统，而大模型的人可能，更多能跳出这个框架，去思考 [01:38:47]
小珺：我们现在要，什么样一个信息，才能把这件事做成，我们刚才说了，很多创业公司，其实硅谷的大厂，做机器人也很值得关注，比如说NVIDIA 比如说Google 是的，还有Tesla 他们的BAT 有什么不一样吗，我们其实刚才顺着，把每一个机器人公司的BAT 都有讲一遍 BAT我觉得，我不能替别人公司讲，我只能讲讲我自己的BAT 但是从你能观察到的，公开信息来说 [01:39:00]
柯丽一鸣：我觉得特斯拉是专业人行，它应该是人行，搞最激进的一家公司，因为就拿最简单的事情来举例，手，手这个事情呢，我在，我有我的相信嘛，我现在觉得手是一个，有了会非常好，但现在没有 也没有关系，不是必要的，但特斯拉他就，更加的强调说，我们要搞一个终极形态，我们一定要把，这个机器人的方方面面做得，都很人性上，他们是有很强烈的一个，人性的一个信仰的，而谷歌 我觉得他们因为，有自己的大模型 Jemini 他们做的比较成功的
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 他们做的比较成功的 [01:39:59 - 01:50:01]
柯丽一鸣：他们做的比较成功的，比如说有多模态能力，比如说图像生成和图像修改，是现在大家都比较津津乐道，也会在日常中使用的，可能对他们来说，机器人也可以是这个模态的一部分，会给它这个模态提供一些空间感知，空间规划或者空间控制的一个能力，所以我觉得他们，也许我猜的他们在走机器人路径的时候，是更多是想着说，机器人如何成为这个多模态大模型的一个部分，而英伟达的话，江湖的笑话，就是英伟达做所有事情，都是为了外卡，所以他们有很多，就需要烧很多卡，才能完成的一些项目，比如说像世界模型，这样的项目，但是通过这个过往的经历，一次又一次的证明，有些时候，真的就是数据多了，卡多了，效果就上去了，所以大家也很期待，就是他们这样做，能做出什么，就是可能一些，计算力更大的，一些更加，简单粗暴也是一种美，我觉得 但是其实做的时候，可能每个学生，也要发挥自己的一种，设计的长处，在英伟达做研究 [01:40:53]
小珺：会不会卡更重远，我当然是这么猜的啦 OK 在这种不同的重心和选择之下，哪个公司，它的不同的软硬件方案，是什么样的，我觉得硬件方案
柯丽一鸣：大家多少不会那么公开的讲，你只能从它的视频里推测，为什么这个是更保密的呀，我觉得硬件，其实我也不知道，但确实大家在公司工作，或多少都得 遵循公司的一些保密原则吧，硬件是更保密的，我觉得软件其实也很保密，派应该算是一个比较独特的地方，就是在这里我们还是有一些，学术界的影响，觉得要分享啊发表啊，也是你研究的一个部分，其他公司的话，就我目前的感知觉得，没有这么的开放吧，甚至包括派的办公室，也没有那么严的安保，就是有的时候就可以带一些，同行的朋友去看一看，跟大家介绍一下 就这种思想的碰撞，其他的公司我觉得，就在硬件上，我觉得人形和非人形，可能是一个比较直观的一个bet 比如说像特斯拉figure 1x 都是比较强烈的在bet人形的，但是你说他们做的，和其他人做的一个最大不同，可能就是有没有这个腿是一个，然后也有人认为是，就是你有了腿，因为你是个人形，而我们这个世界是为人，而设计的，对，所以你做出的人形机器人，它在这个世界里，一定是最自然的，通用性更好，对通用性更好，这是一些人的信仰 然后另外一些，就是非人形的信仰，我觉得其实可以分为两派吧，实用派，还有狂野派，你们是哪个，我个人是实用派，加狂野派，因为，可以展开说一下，就是实用派的话 其实我们会觉得，这个机器人，不一定非要是人形，它就能做很多事情了，对吧，而且人型的机器人的很多问题，也许别人可以解决，我们可以后面再跟上，我们现在觉得 现阶段最重要的问题之一，就是他的能力，他的表现，他的操控性的这个东西，他不需要一个人型，他就可以做，而且甚至，如果你做得好的话，你已经可以去，做这件事情了，在现实生活中去部署，做一些，所以我们 对人型在实用的角度上来觉得，在现阶段没有那么的有必要，而狂野派呢，这就海了去了呀，你看啊，我们这么多年，有车这个东西，车是有轮子的，自然界中，其实没有这么一个东西，但其实现在车上，或者大街上，或者全世界，那么多条公路，都是为了让车，能跑得更好，而设计的，这可能有一种信仰 是说如果真的是，一个有用的，一种形态的话，大家将来会，为了这个形态，去改变你所生存的，这个环境，比如说适配，我觉得这个是可以成立的，并且黄野派他们，为什么要有两只手，四只手好不好，三只手好不好，或者说你这个，下面这个轮子，你好多轮子都可以，就是它可以充分花花想想，去想，有没有可能，就是有一种，就是生物的，自然界的演化链，出过来的一个形态，它其实是最好的一个形态，然后你这个形态做了以后，因为机器人它是，可以换的，你的手换了可以换，我个人就是比较相信，也许就一个成熟的，机器人的形态，就是它的动态组装性，就有可能将来的机器人，他就随时随地 [01:43:38]
小珺：都可以把自己的身体的，一个部件给换掉，换成一个更适合的东西，就像它的工具一样，对，所以你的实用派，加狂野派是怎么回事，你想象中的构型，应该是什么样，现在想不了太多，现在就想把，现在这个构型表现做好，因为派是要追求，做通用大脑，对，那直觉来看，要做通用大脑，它就应该适配，一个更通用的构型，而人好像就是，那个最通用的构型，因为你刚才也说了，就是现实世界，各个东西都是，为人来设计的，那为什么你们要选择，是既要做一个通用大脑，又不选择一个人形呢，我觉得通用大脑的通用，大家可能有不同的诠释 [01:44:19]
柯丽一鸣：做一个具体的构型的通用功能，是通用的一种做法，而做很多构型都可以受益的一个大脑，是另外一种做法，而且也没有人说，就是你做很多构型都能受益的大脑，它就不能在人形上面做，只是 就是说你们希望，你们希望覆盖的构型更广阔，就不只是人，没错，就是派的模型，都是在不同形态的数据上面训练，并且可以在，不同形态的机器上面使用，只是现在可能，能看到的只是这么几个具体的构型，但其实没有放弃，就是说这个大脑，得在不同的机器上面，都能用起来，因为这个人操控的道理是一样，就是我作为一个人类，我去要操纵一个机械，我不管是开车，开挖掘机，或者是去操纵这个，这个腿怎么踢，或者说这个，一个机械手，他怎么去做这件事情，我都是由一个我的大脑 去操纵这么多不同的构型，我觉得这个才是通用大脑，最本质的一个定义，而不是说，就是我去做了一个人形的大脑，它就是通用大脑，那是不是，比如说做一个人形，在这个构型之下 [01:45:59]
小珺：做一个通用大脑，人形的相对任务，是更复杂的，你做完这个复杂任务，你可以放化到其他的形态更容易呢，我觉得任务的复杂性是，可以抽开好几个层面的，比如说人形它因为关节多 [01:46:13]
柯丽一鸣：所以你要同时控制这么多关节，是有一些难度，但是你做的具体的任务，任务的难度我觉得和人形，是可以完全不相关的，就像我之前说的，我们其实非常相信，一个任务比如说，就假设你要组装这个麦克风，这个步骤应该很多，你用人形来做，你用一个更加简单的双倍机器上来，做它都是完成一个很难的任务，我觉得在现阶段对我个人来说，完成这个很难的任务比你用什么构型 更重要甚至我个人，觉得你用简单的构型，做出了一个更复杂的，任务的话将来你再去控制人心，做这个应该会更简单因为你更复杂，的构型可以提供的功能，可能是更多的它的操控 虽然难但它的这个，灵活度这确实是有些关键上，灵活度的东西它可能更简单，所以如果我能用一个简单的构型，去做成一个非常复杂的任务，我觉得它将来能够迁移到人形的概率也是非常大，而像比如说Skilled 它做的通用大脑，是要匹配一个通用的人形对吗，其实我们并不理解它这么多的技术细节吧，只能是从它的视频里推，所以我觉得它们有很多，因为它们可能相对而言更靠近商业部署一侧，所以它们有一些移动的需求，所以它们可能现阶段就已经开始，做了一些人形和狗的东西，你看派其实，我们也有一些，最近的一些发布是说了，就是派有一些partner 就是有一些合作伙伴的机器人公司，就包括之前，也一直没有停止过，就是帮助合作伙伴的，这些机器人 不管是不是人形，还是什么其他的形态，用上我们的这个大模型，去做一些事情，因为现在我们管这些组织，都叫frontier lab 那你能不能讲讲 [01:48:01]
小珺：在机器人领域，你觉得，机器人的Frontier Lab的Frontier体现在哪里，哪些指标能够来，描述这个Frontier 我觉得前沿Frontier 方方面面
柯丽一鸣：咱们要走的路还挺长的，我觉得其中一个比较切身感受的，是 Evaluation 就是评估，这个问题其实我觉得NLP是走过这条路，自然语言他们当年就是生成了一段话，叫你来给他打分你怎么打分，也是一个不容易的事情，但是在机器人这边呢，就更加糟糕的一点就是，你还得在机器人上跑，你才能知道他做了一个什么事，你才能给他打分，就不光这个分有点难打，而且你还得受到这个机械，这个物理的限制，很多时候呢，就是只是一些变化什么的，可能你自己不知道，然后它就会影响，你的这个模型表现，我相信就是在最终的 成品那个阶段，应该是不太怕这些，细微的改变，或者说一些，比如说你要拿这个杯子，对不对，假设我们现在做这个任务，就是拿这个杯子，你把杯子放在这个桌子的，任何一个地方，是一种这个，这个扰乱它的一种方法，就看它是不是，每个地方都拿起来，你还要看这个不同的光照，你还要看不同的背景，你还要看这个桌子高度，甚至可能不是一个桌子，而是一个柱子，你能不能拿起来，或者这个杯子，才有自己的角度，就是有这些无穷尽的一些，就是初始条件，很有可能，就是都会影响到，你最终的表现，所以你在评估的过程中，你是希望能够，把这些东西都给评估出来，但现实生活中呢，你又，就你又，你又不一定能够，那么的好的掌控，所以评估现在是一个问题，评估的问题就直接导致了，你最前沿的一个认知，就不像其他的领域，它是有一个英雄榜一样的存在，就是我们现在发了一个，超级大的数据 每个模型都来在上面跑一跑 [01:49:59]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 每个模型都来在上面跑一跑 [01:49:59 - 02:00:01]
柯丽一鸣：每个模型都来在上面跑一跑，跑马场，看看哪个马，赛马，谁是第一名，你是能够比较主观，比较客观清晰地看到，在这么一个事情上，一个确定的结果，而在机器人 谈论前沿比较难的，一个原因，就是因为这个，评估太难了，导致你很难，就是彻底地去评估它，就包括每一个公司，我相信内部都有一个，评估的一套东西，可能这些东西，就是你的注重点 他们注重点都不一定一样，但是退一步讲，我也觉得这个是，暂时的吧，我觉得最后做出来的，应该是不会，太担心这个事情，可能现在大家还在探索，怎么样做得更加的，鲁邦和宽泛 所以现在这个frontier 还是很难定义的，我觉得可以看到一些算法，可以看到一些算法的表现，就是怎么说呢，可能是，就是一个最核心的部分，大家都看见，然后随着它，向着更前沿的方向迈进以后，就变得越来越有一些乱，就需要你能从分乱中，找到一个清晰的线，然后你相信，然后你把这个图给夯实 夯实了以后，可能大家都有了一个共识，这样的话才会知道，这是一个，就是比较确定的东西，就有一种被动嘛，就感觉特别前沿的东西，你都没有办法去定义，因为不好说，就是谁谁在哪个，网站上面跑到了多少，因为这个是 [01:51:01]
小珺：所以这个是前沿，就没有这种东西来依据，所以现在其实，大家的方向是分散的，就是是都在，朝不同的方向在发展，不知道哪一条线，是那条大道，大家还没有统一到，那条大道上去
柯丽一鸣：我觉得确实在研究的角度，看问题的角度，想要做的任务上来说，是分散且百花齐放的，但我觉得在宏观上面来说，其实每个人的命题，都是类似的吧 如何让一个机械的成体，它在现实生活中，做一个任务，或者做很多任务，它的表现好，只是你这么宏大的一个命题，得有一个抓手开始做
小珺：每个人选的抓手，可能不太一样，我们绝对无法，人都没有机会去看过，一个机器人的完整的产线，能不能从你的内部视角，跟我们讲一讲，一台机器人是怎么诞生的，哦
柯丽一鸣：机器人是怎么诞生的，我觉得这个命题，还是可以讲到原子级别，但是我这个人的，工作的范围也是比较有限，我就从我认知的范围里，讲一讲，就是如果一个电机 已经被制造出来，那么我要做的事情，其实就是，因为电机它就是一个，会动的一个关节吧，可以这么理解，这个会动的关节，你就把它连在一起，它就成为一条机械臂，你看你人的手臂 其实是有非常多的关节，和更多细小的肌肉，而现在的机械人的这个形态，就是几个比较大的关节，可能比较流行的，就是六个关节，或者七个关节，组成了一条手臂，然后这条手臂就可能，差不多是按照你人的活动方式，来对照的，因为机械手基本都会有，一个大的一个肘关节，然后会有一个腕关节，然后包括有个肩关节，就这个都是比较通用的，你就把关节放在他想要的位置，然后做一些三粒甲硬件啊，或者金属件啊，或者磨成你想象的形状，把它们固定的组装起来，这样每个关节动的时候，剩下的就会跟着动，这就成为一条非常原始的机械臂，在机械臂能够组装到一起以后，你其实要为它写一些，就是系统和驱动的东西，比如说最低层次的话，其实都是通电啊或者气啊，就是你给它发了一个什么信号，然后它就会说这个信号，就会开始做一些动作，然后很平常的一种操控手段 就是用一个位置操控，所以我希望这个关节，现在是一个什么90度角，把它变成一个180度角，我就会发送这个，它需要在关节的层面，把上层发给它的这个讯号，转换成一个，它能够真正执行的这个东西，这个就是叫底层控制，然后再往上一层，你怎么决定，你要发什么样的这个位置讯号，这个很有可能就是需要，你有一个大脑，看到当前的这个任务，然后决定，为了做这个任务，我要在桌子上拿一个东西，我得先把手抬起来，它是要需要，理解这个人物，然后理解你的这个关节，然后去做一个，把这个肘关节，往上抬的这么一个决策，再发给这个机械的，这个关节，在关节内执行，执行以后就有，新的一个场景了，新的场景大脑就看了，我现在已经在住的上面了，我要做下面一步动作，的话可能就是往右，往左 我觉得这个，是一种两层式的，一个思想吧，就是有一个大脑，来做一些决策，做成了一个，你能听得懂，能执行，然后也能够比较方便，我们去做一些调试的一个东西，然后同时呢，它也有一个更底层的东西，去把它翻译成一个物理世界，更原始的一个东西，那接下来我们来讲讲，派的工作和你在派的工作 [01:54:17]
小珺：你刚才讲到机器人公司，其实现在各个公司的主线，和抓手是不一样的，能不能先纵览一下，派的主线和抓手是什么，好的
柯丽一鸣：我觉得要了解派的工作，可能一个比较好的方法，是看派的几篇主线发表，之所以说主线发表，是因为我们觉得，主线发表的这个命题 是可以推动整个领域往前进的，其中有三篇主线发表，现在第一篇是派0 它的关键词应该就是能力，第二篇是派0.5 它的关键词是泛化 然后最近的这篇是派0.6星，它的关键词是表现，就是在派灵刚开始做的时候，我觉得是大家都非常的激动，可以用，有了一个非常好的架构，然后可以用一个大模型的思路，去做机器人，但没人能知道做成什么样，也不知道能做成什么事，当时在2024年初派创立，就想做一些之前做不到的事情，但是具体要把这些，做不到的事情给做出来，就是派灵的这种旅程，因为其实派灵做了三个任务，第一个是大家可能比较熟悉的，就是叠衣服，我觉得我们应该是在2024年发表 2024年11月的叠衣服，是一个让人比较耳目一新，就之前从来没有看到过，这种级别的这个任务的表现，然后第二个是叠箱子，叠箱子叠只盒子，也是一个 哇这个东西真的能做吗，我们不知道，我们来做一做看，然后当时还有，当时还有第三个就是busting 就是去桌子上去抓拿放，然后但是你需要，就是前所未有的这个物体的多样性，却都能够处理得很好，所以这三个任务 当时是奠定了，我觉得是奠定了，就是大模型，能在这些前面想都不敢想的任务上，表现成什么样的一个基石，所以注重的是表现 然后第二个任务呢，派0.5 是泛化，泛化的意义，其实我觉得至今也是存在的，就是如果你大模型训练出来以后 一个机器学习的根本问题，就是这个所谓的 in domain和out of domain 就是你是一个数据内的和数据外的，如果你训练好了以后，只能在数据内的这个范围里表现得好，达到数据外里面就没有用的话，那你这个影响不就很有限吗，所以就很强调这个泛化，就假设你做了一个任务，它是在这个房子A里面收集的，你把它放到一个房子B 好像房子C 或者说你要探索，就是你要多少个房子 100个房子 1000个房子，你在这些房子里，都收好数据以后，你才能在第 101个房子里面，得到一个很好的效果，所以派0.5的，出身我觉得是，想要探索，就是我们的大模型，能不能够泛化，并且泛化的一些条件，是什么，同时当时，因为派0和派0.5之间，也是有一些，其他的发表，可以我们等会再说一下，就提升了大模型的一些，表达能力，和分层能力，使得它能够实现这样的一个泛化 所以当时我们是在很多Airbnb里面，收集了数据，到这些别人的家里，因为是走出去了，就不是我们控制的一个办公室的场景，不是谁控制的一个工厂的场景，而是真的就是杂乱无章的别人的家里面，去做了一些日常的任务，做了这么一个数据收集，并且研究就有了这些数据以后，到新的家里面表现会是什么样，当时一个比较令人振奋的一个点，其实是大概说了，应该我记得paper里写的，应该是有一百个家，然后你在试试，把这里面的这些家给去掉，你看你去到什么地步，它有增长，就是我们感觉，这个选项是放缓的，就是可能，你不需要真的在，世界上所有人的家里面，都收了数据以后，才能在他们家里面干活，你随时有一个数字，你可能收到那个以后，就可以了，就是我们觉得，这个是泛化比较令人振奋的，就是你in distribution 这个数据内 [01:57:51]
小珺：是有一个尺寸的，达到这个尺寸，其实或许就够了，派0.5的标题，好像很有趣，叫开放世界繁华模型，是的，这是Servi Polish过的标题吗 [01:58:42]
柯丽一鸣：标题其实大家，我怎么觉得 Charles是出了这个标题 Charles出的，对但是每一篇Favor 你看应该都有一个，科幻小说的一个引用，这都是Servi写的，派0和派0.5是什么 派0和派0.5的，科幻小说的引用，我不记得，这个只有Servi记得，然后后面到了派0.6 这也是一个我觉得，我们需要回答的问题吧，表现 就是又回到之前的这种，如果你做什么东西都可以，但做什么东西都半吊子，那么这个模型的用处究竟是什么，所以派0.6的出现，其实就是想回答，假设我们现在真的想做一点事情 就想把它做好，我们到底怎么样把它做好，所以是提升这个表现，而且派0.6 我觉得这也是，就是我参与非常高的一个项目，因为我们是强化训练的团队，这个是我们的第一篇工作，发表出来，强调了很多的方法上的简洁性，但是在最后的表现上，更多的是强调，如果有一个智能体，它差不多可以在一个任务上做的话 [01:59:35]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 它差不多可以在一个任务上做的话 [01:59:57 - 02:10:00]
柯丽一鸣：它差不多可以在一个任务上做的话 你就去收集它的体验数据，让它在真实世界中，去收集它的体验，把这个数据放回它的训练池中，它其实可以达到，比之前，比你之前那些固定数的数据，更好的效果 我觉得它对于，我们数据收集，是有相当大的，启示意义，什么叫体验数据，就是它自己，去做这件事情，收到的数据，就是平时我们，收这个真机数据的时候，是有一个手臂，比如说我家有个手臂，我就给你，卡在这个桌子上面 我简单就可以，通过摇操纵，去让它干一些事情，你收到数据的，其实是，就是这么一个机器，绑在这个桌子上，然后做了一个任务，它其实可以，不摇操纵，它可以，让它自己去，做，做了以后，它可以把这些数据，都收集起来，就是数据的来源，其实可以很缓繁，我觉得之前，其实很多人会说，就是我们机器人领域，都靠人来要操纵的话，这个数据收集，又慢又不好，我觉得是可以，再提升一点 但确实是有，这么一个隐患，就是以后可能不能够，完全通过这种方式，收到所有想要的数据，我觉得经过派06 这篇项目以后，我们也有了很大的感触，觉得机器人自己的数据 也会可以非常的强，因为它的起点，是人给它设置的，但是如果要超越这个起点，还是得机器人在环境中去动作，包括我个人是比较 Bullish 就是比较暴论的坚信，就是将来机器人的价格，就是应该又便宜，然后又方便，很有可能，就是很多人，现在对于数据的一些，就是担忧，在时间的长河里，其实都不重要 因为你可以让机器人，这么多的机器人，在部署的过程中，收到数据都来为我所用，哦是吗 PyLinux是一个基础模型，这个新号的意思，是你把最后的那个成品 就是你的这些数据，放回了你的模型之中，但是真机收集数据，不是说很贵吗，如果，就是如果你可以自己，叫RuleOut 你不就相对便宜了吗，就是真机数据贵，我觉得分为好几个方面，对不对，一个是，你首先要有一个真机平台，然后你要把真机平台，放在人家家里，你还要维护这个真机平台，同时呢，你还要为了一个人，让这个人来做一些任务 同时还要跟这个人，做交流，还要做有些规划，就是一个非常复杂的，一个管理的一个问题，但我觉得，就是如果，机械的价格，降下来的话，就在这个过程中，我个人认为，现在的比较大的大头，其实是管这个人，去收到你想要的这个数据，但如果你可以把，就是数据的操纵员，这个给放在一边，而是换上你，已经训好的一个大模型，让大模型在这里跑，其实你数据的成本，应该是能降很多的 [02:02:14]
小珺：硬件也需要降低成本吗，硬件我觉得永远都是可以再便宜一点，现在比起五年前肯定是便宜了很多的，关于数据我也听说，就是错误数据其实是好数据
柯丽一鸣：就是错误之后再纠错的数据，我觉得这个是动作的一部分，还是踏实的一部分，就是这个思想其实是，大概是在最早的这个模仿学习里就有很多，模仿学习的一个，很严重的问题就是，就是积累的错误，就是可能每一步骤的微小错误，不断地放大以后，会让机器人到达一个，他完全没想过的，一个非常糟糕的情况，就是人收集数据中，不会碰到的情况，而一旦机器人，进入到这个情况以后，他有可能就不知道，该怎么样修正他的路线，去完成这个任务，这个技术问题，是有一整套的修复方法的 因此很多人收集数据的时候，都会很强调说，我们不光要收一个，完美的人的数据，同时也要收很多，就机器人进入到了，一个不好的情况以后，怎么样修复，怎么样继续去完成，这个任务的这种修正数据，确实修正数据 对于一个机器，大模型的表现很重要，但是再次强调就是，修正数据也可以通过，机器人自己跑来收，这就是强化学习的一个，比较本质性的东西，现在机器领域，关于数据问题 大家有人相信真机数据，有人相信仿真数据，你持有哪一派观点，黑猫白猫抓到老鼠，就是好猫，什么数据真的好用，就相信谁，而且是一个practically的好用，就比如说，最本源我是相信真机数据的 但确实我们要承认，真机数据的价格，在现在这个阶段，比起来数据要贵，但是如果你用，就假设你有个budget 你有一个10万美金，你用这10万美金，收多少真机数据，你用这个10万美金 收了多少，就是仿真器的数据，可能数字的量是不一样，因为budget是固定的，数字的量是不一样，但是另外一方面，就是数据的质量，数据的意义，数据谁能够让，你这个模型做得更好 我个人觉得，如果你只有仿真数据的话，你应该不太好，做有一些任务，如果你有数据，我觉得不光sim to real gap 甚至simuli的场景，很难的，比如说你要用仿真 去做一个叠衣服的仿真，这应该是，依然是一个半前沿问题，半前沿，是因为我现在没有看到，一家能够做得非常好，就是谁在仿真期里面，做好这个训练以后，加一点点正经数据，就能让他表现很好，我觉得现在不在这个地方，但是也有一些人认为，这是可以达成的，所以他们在积极推动这种前沿，所以是一个半前沿嘛，就是谁也不清楚，会不会两三年里，有人做了，真的把它做通了 它可能就是一个，非常强有力的一个，说出去的一种方法，但现在2026年的快照，你要是想做一些，跟软性柔性，衣服，摩擦力，还有这些就是 就是这种物理性质，非常复杂的东西，你在仿生器里面，其实你可能都没法，搞出这么一个仿生器来，所以你都没法，收这个数据，就是我觉得是要，非常强调，就是你到底能收到，什么样的数据，去思考 [02:05:35]
小珺：而不是只看，我们有1000万个小时的数据，我们怎么怎么样，很有可能，你这1000万小时数据，都是garbage 垃圾数据，那就没有什么用的，对于叠衣服这个场景，是不是真机数据更好用，那它是可以采集的
柯丽一鸣：就是你说的体验数据，我觉得现在相对而言，第一幅最简单粗暴，就是采真机数据，甚至包括，你看啊，就是我们都有开认模型的，就是我们开认模型，应该是也有一些，第一幅的能力在里头的，你也可以拿它去，作为一个数据的起点 [02:06:01]
小珺：都是可以的，但你要做的是一个通用大脑，而不是这样，就是实现一个场景任务的，因为场景任务，其实你做强化缺席就可以了，然后你通过采集真机数据，而且这个场景是相对固定的，是有限的，就是这是一套可行的流程，但它不是全部的，对，但是如果你的目标，是一个通用的大脑，那你需要的是，和现实世界相互的，所有的非结构化的数据，是你所需要的，那如果当你需要的是，一个这么大量，这么丰富的数据的时候，那你应该bet的是，真机数据还是仿真数据，还是某种混合体
柯丽一鸣：我觉得大家的目标是一致的，是想做一个，能在现实场景中，能在很多不同的场景中，做很多不同的任务，且表现都好的，一个智能体，但是要做到这个智能体，真的需要所谓所有的数据吗，就是尤其有一些数据，它的相关性是需要考证，是需要人去研究的，我觉得这个，就是希望在一个，美好的梦想世界里，肯定是所有数据都有用，所有数据都能有个，最适合它的使用方法，但现在我觉得现状来看，真机数据，目前我觉得是不太可取代的，就尤其是，你肯定能找到一些任务，它不需要真机数据，它就可以做得很好，这肯定是可以找到的，但是因为我们的目标，正是因为我们的目标，是要做到最后场景里的，所有任务，所以我觉得目前，政经数据还是不可取代的，在场景上，为什么你们做派灵的时候，选择的是叠衣服 叠箱子这项个场景，这个场景很酷，真的，这个场景，这有可放话性吗 OK 当时像，就是放话性，在派灵这个时间段，更多的是有这个 就清理桌面，这个任务来承担，因为泛滑性的话，清理桌面的这些道具，我们是有几百个，就是随便让他们去收啊，然后就换各种东西，就是发挥他们自己的，就是说数据的这些人，自己的想象力，去搞一些这个事情，然后当时我也参与了，负责这边的一些策略的设计，然后其他两个任务的话呢，首先是有泛滑性的，因为泛滑性，它也不是一个单一的标准，它是有很多不同的细节，其中在叠衣服这个任务上，你看啊，就是衣服它的状态，是千千万万的对不对，你这个衣服上多了一个折，那边衣服拐了一下，这其实都是一个不同的状态，你收到的状态，不管怎么样，还是一个有限的数字，你没有办法去覆盖，所有这些衣服可能的状态，但你如何保证，你还能把这个任务完成，其实已经开始需要一些放话性了，对吧，然后其次就是，你还有不同的衣服，对不对，这是一个红色的，那是一个绿色的，就这些不同的衣服，也是一种放话，甚至包括 就是后期我们在座的，这个派零六星里面的，这个更多衣服的，就开始叠不同种类的衣服，它是另外一条，泛化的一个标准，所以我不认为，这些任务没有泛化性，只是他们探索的泛化性，是不一样的一个东西，因为当时不知道，它能不能做出来，这些任务的一个原因，就是因为知道，叠衣服可能会遇到，各种各样，你不在数据里的一个情况，你觉得你能不能，就是做好它 你可这样想，就是前面这个衣服，不管它是什么衣服，我第一步，其实都是要摸到它，但是你怎么能保证，你的模型做到这个事，你还是得上证据看一下，它确实能够去开始跌 [02:09:20]
小珺：你刚才也说到，每个公司现在评估都是不一样的，作为派来说，你们的评估是什么样的，哪些指标来评估，你们还确保你们在你们的主航道上，我觉得指标又快又好
柯丽一鸣：肯定是abstractly抽象的说，就是我们的目标，但是评估要需要一个数字的话，你看派06星里面就提出了support 就是固定时间内的成功的量，我觉得这个可能
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 我觉得这个可能 [02:09:58 - 02:20:00]
柯丽一鸣：我觉得这个可能，跟我现在的思想就比较相符，因为这就是我们提的嘛，就是希望你在做任务的时候，考虑到你到底花了多久时间，去完成这个任务 这个任务完成度究竟是好不好，甚至包括，其实也有一些更加细分的，就是一个任务的成功和失败的定义，是我们就是有打磨过，就是想因为你一个人在做任务，或者要一个机器人做任务过程中，你是有很多隐含的含义，就到底怎么样去保证，你最后的打模型，能够完全的理解人的意思，我觉得也是一个，开放性的一个研究的课题，就是他做任务，真的是人想让他做的，这个任务，而这个派06星里面的，这个throughput 比较好玩的一点，就当时就是，其实是有个目标的，就是开箱之前，是有这个目标，就是我们的研究员，肯定是比不上，我们的数据说起员，在做这个任务上，因为数据说起员，他们非常喜欢，非常习惯了，用这个机器人，我们就问了，那我们能不能作为一个机器人，比这些数据数据演员，其实说的东西要快要好，最后我觉得是在，起码在第一步这个问问上，确实是clearly达成了，就是最后这个 机器人的表现是超越了，他一开始的这个人，即使是最好的数据数据演员的，这个起点，你觉得派的工作，其他工作还有什么值得讲的吗，派的研究 其实是业界公认，做得非常好的，我觉得中间有一些研究，也非常的有启发性，我觉得做研究这个事情，其实就是不停的，前浪派后浪，前浪死在沙盘上，但是你能够打一条浪出来，还是很有启发性，可以为后浪做很多贡献，比如说派，你看派0到派005中间，是有两篇，我觉得很有意思的工作，放出来的，一篇是这个FAST 它是在研究了，就是从一个大模型训练的，角度上来说，你现在要去预测一个动作，怎么样表达这个动作，就是动作有没有一个，很优化的表达空间，所以FAST这篇paper呢，就提出了 我们之前用的这些，这个扩散模型 Diffusion Policy 它们的表达，是这样的一种表达，但其实，它可以去学一种，表达动作的一个方法，然后发现，如果大模型，就是在这个空间里，做预测的话 它会有一些，性能上的提升啊，还有些方法性的保证啊，所以这种也是一个，非常重要的一种，基础性研究，然后另外一篇paper 当时是叫做 Hi Robot 就是，想的是人和这个，机器人的交互，就是人可能会说一个，预言去让机器人去完成，但机器人，如果只是一条到头，就彻底端到端的话，很有可能在一个长达十分钟的任务里，他会有些迷失，他不知道现在该干什么，所以HideRobot就是第一次开始，就是非常正式的说，这个应该是一个分层的，就是有一个比较高层次的，这个policy 他会去把你说的这个任务 转换成一个更加具体的，可执行的更短一些的小任务，然后再有这个比较低层次的执行端，就他们俩其实都是在同一个模型里，但是给这个模型进行了一个输出的分层 然后在派0.5到派0.6星中间，应该有不少发表，但因为当时我在忙着搞这个派0.6星，可能有一些疏漏的地方，我觉得现在回头来看，比较有意思的几个发表，分别有这个Olympics Olympics这个发表呢，是我们公司的一个，内部的一个好玩的活动，就是会不定期的 让研究员和数据收集的员，组成小队，去玩一个奥林匹克，就看谁能够操作机器人，去做一些很难，很难搞，很想都不敢想的一些任务，因为毕竟是人在操作嘛，其实这个可以非常大程度的去，推这个bondry 就是推你现在，不说什么大模型，你就让人来操作，他能够操作完成什么任务，能不能把你想到的所有任务都真的完成，因为你人手能完成的话，机器人能不能完成，我觉得这是一个非常好的一个活动，所以我们当时就从这个活动里诞生了，就是Olympic这边，这边paper也是有专门的负责人去思考，就是如何完成一些，之前别人提出过的，就是觉得对机器人非常难的，并且在用人操用数据完成了以后，再让我们的大模型去做，去学习，然后发现取得了，就是成功地完成了一些，大家之前觉得会非常难的一些动作，然后还有 你们完成了什么动作，这里面有什么好玩的，我觉得比较好玩，因为我这个人很喜欢，这个高精度的任务，就是拿出一个钥匙，然后就开这个锁，的这种任务，同时也是有一个什么，我觉得有个开门，开门这个任务，其实我就是，刚刚我们在做硬件，硬件的时候，我也是就是，头几个就是去，赶紧去尝试一下，硬件能做到什么地步的人，当时我就觉得，开门这玩意真的太难了，我在这好像搞了，二十多分钟，我才终于想明白，我怎么样用这个机器人，这个形态 去让他开出这个门来，但是这边他们就可以，做了以后发现，其实首先这个策略是可以优化的，并且这个策略优化，鬼火机器人是可以，成功地自主去完成的，这也是一个，我觉得就是说起来，好像也没那么难，但绝对没那么简单，的一个任务，然后派0.6星到现在的话，我们应该是正在一系列的，发表过程中吧，这个上次刚刚发了，叫做Partner 因为我们希望做成一个通用的大模型，它是可以在很多不同的场景，和不同的机器人上跑的，所以派也是有一些，和其他的机器人公司的合作的，在这个partner的这个release中，就谈到了我们和这个，一家叠衣服的公司 和一家这个打包的公司的合作，就是他们跑的其实都是我们训练的，或者说用我们的这种东西的一个大模型，在他们这个，更加接近商业落地的一个场景，就你看到就是我们公司，自己目前没有很多 就是商业落地的这个想法，但是其实有在帮助，其他已经在商业落地的机器人公司，去做他们的事情，也是在变相推动，我们的这个研究的前沿前进，并且我确实认同 就是这个partner的方法，是有在触碰了一些，机器人的本质问题吧，你看从我们开始，搞机器人研究的那个时代，哇你干啥事都是你要知道找谁，而且他会懂 你才能开始做，就是你写个软件，现在是分分钟的事情，你上网问一下切GPT 然后可能这个AI agent或者cloud 就我帮你写很多东西，就是你作为一个开发者，作为一个研究员，你有很多的 就已经做好的事情，可以供你驱使，而机器人之前，我觉得就是不管是硬件的造，还是软件想让他做一个，差不多像不像的东西，都是非常复杂的，我们可能是希望，在以后，就是你这个人，买了一个机器人，一个硬件的，一个乐高玩具，拼装以后，你可以直接插入，我们的大模型，它就可以做很多事情了，是希望把这个，从机器人从零开始做到 [02:16:29]
小珺：就是第一个sign 中间时间给缩短，我有一个问题啊，因为你提到，你们的硬件，有很多的partner 并不是说，硬件有很多partner 而是我们公司，和其他公司，有一些partner的合作
柯丽一鸣：那你们自己会做硬件吗，你们做的有多深啊，这个有一些内容不太方便透露，但是我们在派06星中，使用的这个硬件，其实是我们自己弄的一个硬件，它有优化一些，就是不管是稳定性啊，还是就是方便这个任务，比如说其实，你看就是大家现在批评夹爪，批评这个简单手机器人，就会说了，这个简单的手，你抓杯子，你不会把杯子抓破了吗 但我们为了做这个咖啡机，这个我们就把我们做这个机器人，它是一个可换的，带点可换的这种夹爪，为了做咖啡，你是需要一个另外一个夹爪，它其实成本都不高，然后换起来也很简单 但是你是有这种研发，然后你才会感觉到，就是什么是一个，比较本源的问题，什么是一个，其实很简单，就可以解决的问题，因为我问这个问题是，我知道有的机器人公司，他们为了 [02:17:47]
小珺：就是做一个，更通用的机器人，他会让他的硬件，为了软件优化 70%到80% 硬件会一直在，为软件去做优化，你们会这样做吗，我觉得硬件 [02:18:00]
柯丽一鸣：与其说是为软件优化，不如说是为最后的任务，和这个表现，和能做什么在优化，我觉得这个应该大家都在做吧，因为确实市面上没有一个，已经定型的
小珺：结束了的硬件的形态，可以停止这种优化，因此我觉得大家应该都在不停地，去干这件事情，有人说派在机器人领域，其实就是想要对标OpenAI 在大语言模型领域，如果这样对比的话，派现在发表到了派06星，你觉得它能对标GBT几啊，这个问题好难回答哦，因为我确实认同
柯丽一鸣：我觉得派的一部分的goal 是成为一个Robotics界的OpenAI 成为一个通用大模型的创造者，至于我们现在大模型，发展到哪里了 我觉得你讲的，就是你每天在这看，你就看到那些不好的东西，我每天看的都是说，这个表现没有很完美，那个表现也不行，我们要怎么把它搞得更好，这个是我比较，每天日常里会想的东西，或者说就是，本源的想一些，就是这个模型 是不是还有一些大的变革，才能达到，我真正想要的一个效果，所以我觉得，我们还没有到，没有到一，对，但我觉得我们在靠近了，你觉得什么时候能到GP第一，我觉得其实因为，起点不一样，就是NLP的起点，我在2017年，刚读博的时候，就短暂地做过一阵子的尿皮，哎呀当时可好笑了，你知道吗，我当时在想说，这个自然语言生成，感觉不太行呀，我这么训练出来的东西，天天就在那，就叫他写莎士比亚嘛，他就天天在那嘖嘖嘖，因为这是一个概率学上，最容易predict 就是人预测一个单词，他还不停地预测一个单词，就天天地跟我说嘖嘖嘖，我说这没用啊，这不行，然后人家跟我说 [02:19:19]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 然后人家跟我说 [02:19:59 - 02:30:00]
柯丽一鸣：然后人家跟我说，他们在用强化学习，做这个大语言模型，我就说，喜欢学习也很难搞的，你把这个特别难搞的A和特别难搞的B合到一起，你这能做成功吗，我完全不懂，然后到了19年20年，别人就做成功了，就说这个你看做得多好，当时就能够感觉到，问题是有一些不一样的吧，当时我从自然语言转换到了机器人，觉得第一自然语言里面，你可以生成很多文字，你怎么跟这个文字打分，怎么知道什么是你想要的文字，很难，所以当时觉得，自然语言做强化学习会很难，就是因为觉得这个打分太，太含糊了，不是那么的清晰，当然后来有很多，就随着更多数据级的出现，他们也不断地建立了新的标杆，所以他们这个，标准可能会，有那么一阵子，逐渐变得清晰的过程，然而另外一方面，是觉得当时做机器人好玩，因为机器人可以做很多task 很多任务，这个任务都是，你可以，你可以拍脑袋想一个新的任务，然后让它做，我觉得这个乐趣是，机器人里面，一个非常tricky的点，因为自然语言很多时候，你可以用语言去描述，你想让他做的这个任务，对吧，你可以说，我今天有个问题给你，我想你给我写这个代码，然后你可以不断地去补充 就自然语言的这种，跟智能体交流，你想他做的事情，是什么事情，是一个非常天然的，一种交互方式，而机器人其实，我觉得在这个VLA model 出现之前，就没有很天然的这种方式，即使现在VLA model出现了，我们也是在探索，就是为什么，我是一开始，完全没有用过VLA Model 然后现在其实反而是，有一点欣赏VLA Model 就是因为，如果我跟这些Cloud Agent 提的很多要求，都是用语言来表述的，那是不是我跟机器人，也可以通过语言，来提这个要求，然后这个语言的要求，就会影响到，就是你在没有，那么多数据情况下，你可以完成一个具体任务，其实这是机器人的一个优势，我觉得在自然语言界 没有那么多数据情况下，完成一个具体自然语言任务，其实是有点难的，我们现在就相当于是，在数据量与对方这个业界，完全无法比拟的情况下，其实你已经做了很多东西出来了，所以我觉得这是一个非常有意思的点 [02:21:56]
小珺：如果我们往后推演一步，你看今天的大模型发展，这些模型公司慢慢都变成应用公司，因为大家发现模型是商品化的，它会慢慢的统一和统治化，所以最后大家构筑商业外的不同盒，互称盒都是通过一个不一样的应用，来进行选择，我觉得如果放到机器人这个领域来，是不是今天你们出发，可能是一个通用大脑，但慢慢，可能也会做成，不一样的产品形态，然后每个公司 [02:22:08]
柯丽一鸣：带的产品形态，是不一样的，我觉得也许会，我觉得大模型，现在是，依然有很多的竞争，在竞争中，刺激了很多的研发，刺激了大家，对一个更好大模型的追求，我不太确定，就是像 OpenAI的，对的这个产品，难道就不能拿来做，写代码了吗，以前也是可以的，我不知道他们现在，研发的来步，或者怎么样，只是最近，可能大家都是在用 Claude Code的这么一个 AI工具做代码，但是他们因为都是一个，多功能的大模型，我觉得没有任何事情，告诉我是他们，根本上做不了这个东西，只是你说的这种，就是产品形态，开始发生了一些分析，我觉得也许是可能的，但也许一种可能的形态就是，有一些人是专门做大脑，还有一些人他们专门做，就是这个场景的商业化，和为了这个场景的商业化，所做的很多事情，甚至他们最后也可以 插入这个别人公司的大脑，所以这是一种可能存在的形态，你觉得机器人会出现一个，独立于大语言模型的，独立的大脑吗 [02:23:29]
小珺：据我所知大部分的团队还是，在基于一个多摩泰模型上，去做后训练，做一个机器人大脑，你觉得一个独立大脑就是说，要专门的为机器人大脑去做，预训练中训练后训练
柯丽一鸣：它是一个自闭环的完整体系吗，我觉得是，有可能的，但同时可能也有一派人的认为，是说所有这些东西，都可以归到一个模型吧，而且这个模型还没有被创造出来，我觉得从这个角度上来说，确实就是如果有一天，就是有这么一个模型，它能拿到所有的，我们能想得到的模态，和做这些自动化上的，必要的任务，不管是预言沟通，图像编辑，什么视频生成，或者说机器人的操控，它也可以是一种可能性，那个时候也许，机器人也在旅行类里了，从你们内部看，现在看到 Scalning Law的迹象了没有，我觉得 Scalning Law 是一个非常 tricky的话题，因为Scalning也有很多，就像范化有很多，不同的衡量标准 Scalning也有很多，不同的衡量标准 就是每次，当我看到有一些，就是over simplify 就有点过度简化的，这种陈述的时候，我都是会有一点觉得，不够太细节，比如说Scalning 你看在Panel 5里面做的，就是你在，十个房子里面，收的数据，你到第11个房子里面，你能跑起来过，你的表现是在哪里，比起你说了100个房子以后，你再到这个房子里来，是不是有一些长进，那你再说1000个房子，会不会其实，提升就没有那么大，我觉得这可以看作是 scaling law的一种探索方法吧，就是我们要收多少个房子，才能够在下一个新房子里，取得一定的成果，同时你收过多少个房子以后，这个新成果可能就，提升就没有那么明显了 我觉得这个，在派05给我感觉是，它确实是可能，可以摸得到的，一个有限数据，可以达到的地方，但是我觉得，我们现在数据量，还是太少了，肯定还是要再激进一些，我觉得会好玩 你们的算力够吗，算力多吗，我觉得算力，算力够不够，是看你们这人，喜不喜欢干活，你们这人都特别喜欢，干活的话，算力永远不够，永远都可以有新的想法，想法新的时间，和创新的模型，你们那人卷不卷，我觉得大家，你从一个，工作时长的角度上来看的话，是很多，但其实这并不是，他强行要求你，在公司要待到什么点，而是还相对而言，比较自发的 就是今天在公司，吃完晚饭，又跟这个人，开始讨论起来，一个什么话题，就想往下再走一走，再看一看，所以有的时候，大家可能工作，还是挺长时间的，在那儿，甚至包括周末，也有不少人会去公司，也是相对而言 比较自发性的，就是觉得，下周想出任何一个结果，那今天就把时间跑好，或者说，就是突然来了一个想法，那就深夜聊天呗，聊，你们好像都是没有加班工资的，对吧，没有啊 [02:26:17]
小珺：你们一般早起晚起啊，你的typical day是什么样的，作为一个，嗨的研究员，每个人都不一样，其实，甚至包括有些人，他们住在南湾
柯丽一鸣：然后要来旧金山这个城里，他们每天来回开的时间，可能就三个小时的车，像我的话，我是比较夜猫子，所以我基本上，白天我就算起了，我可能不会在公司，我才会加点钱，工作一段时间 给自己一个洞穴的时间，然后差不多是中午过去，然后到了晚上，我要是兴致来了，可以干到非常晚，可能会干到晚上两三点啊，这种，才回家，一般是一两点回家，写了写了，睡前再干一会儿，对，然后，你们都不用打卡对吧，我们没有打卡这个东西，对甚至有些人，他可能家里有些事情啊，比如说其实这边有研究员，他们正在生小孩，他们就在家里，就是可以直接待很久 但大家也会，他也会有，就是继续他的工作，就是相对而言，是一种比较自由的氛围，让你决定，什么样的工作方式，是最适合你的，同时公司也可能，希望就是大家，变成了一个团队以后，可以拧到一起，发挥作用，那你们会有例会这种吗，最早是有的，就刚刚来公司的时候，这个例会，给我这个烟帽子，带来了非常大的困扰，因为例会是，每天早上十点钟到公司，大家轮流说一句话，自己在干什么，因为当时公司就有二十个人 但是当时我就跟CEO说，怎么十点这么早，我们能不能改到下午，然后他就很震惊地，看着我说，他们最早是八点，后面退到九点，然后退到了十点，怎么我还嫌十点也早，对，然后呢，后来的话随着公司，我觉得人数增加，这管理方法，可能是需要改变，所以现在的话，就没有这种，就是每天都有例会，只是有一些，就是研究的会 和每个课题，自己组织的一些会，现在多少人了，现在我的体感，可能是大概七十个人吧，体感，体感，因为我也没有，天天在那数，我们公司有多少人，你有几层楼啊，我们现在还在，我们最初的那栋楼里待着，这栋楼我觉得真的是，第一它是非常有创业氛围的，就是这栋楼，它比较的朴素，本来然后我们来了以后，就把所有的这个，硬件软件啊，都带进来了，但是另外一方面，就现在人实在有点太多了，这个楼里真的有点走不下，我们，这东西可以播吗，就是我们的会议室里面，有一个二氧化碳检测器，这二氧化碳检测器，在这个会议室里面 人超过大概三四个人以后，有的时候就会突然一下，跳成红色警戒，然后我们这个时候，就没办法，就会把这个门打开，然后接着干，说没该换办公室，确实大家都非常期待，能不能换到一个新的办公室 但在旧金山，在创业范围如此浓厚的情况下，没时间，我觉得挺难找到一个，非常适合我们这样公司的，一个办公室，因为我们也有一些硬件的，这个元素，我们也有自己的，办公室里是有机器人的，你还有一些什么，用电用网的一些需求，就是想到一个，非常合适的地方，没有那么简单，你们的组织和文化，是什么样的，我觉得现在还没有一个章程，去非常详细地规定它，但是可以看到，公司现在发展了，快有两年了，它是有一些自发性的，一些文化的因素在里面的，它整体而言，我虽然也没有在，其他创业公司待过，但感觉这个应该就是，我想象中的创业氛围了，你看这个，大家都比较踊跃的，去做一些，自己觉得非常重要的事情，然后同时，尽可能的，就毕竟创业嘛，就是你们都是有一些股份 [02:29:08]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 就是你们都是有一些股份 [02:29:59 - 02:40:00]
柯丽一鸣：就是你们都是有一些股份，然后也是有一些stake 在这个公司里面，你是希望公司变得很好，其实有的时候，不是你的，就是氛围内的事情，你也会去想要去做好，然后同时，我们公司比较特殊的，因为是比较开放的，研究氛围，所以是，就我和另外一个人，会组织一下读书会啊，和一些交流会啊，就是可能，读书会，就比如说就是，比如说我们现在，想做一个项目，比如说这个派06星，派06星，其实是去过两次，这个读书会的，就首先一次，就是给大家讲一讲，我们现在 想要探索这个问题，这个问题，以前的人的发表，和东西，都做到什么地步了，然后我们觉得，它的应用，就是会有一两个人主讲，然后其他人可以问问题，或者会甚至质疑，都是可以的，就是看怎么样，能让大家尽量的，在这个课题上，感到同样的激情，然后同时有几个人，主要去负责去做，然后做到后面快成熟之前，其实又上了一次读书会，给大家交流一下，现在做到这个地步了，你们觉得怎么样，然后有一些比较天马行空的读书会，比如说Cloud Agent出来了，然后就疯狂地就在读书会里面说，到底谁是我们公司，最能用Cloud Agent的人，赶紧让他上台讲一讲，就怎么用，然后大家就可以抄他的作业，就是这种风险，抄到什么，抄到什么，就是我确实在，我当时正在埋头，干一些别的事情，就没有怎么关注到，然后他们给我们介绍了一下，就他们怎么用这个Cloud Agent 我都听完以后，哇惊了，我就说哇这个，确实是生产力的飞跃式进步 就这大概最近两周，我就是把自己的，整个工作的这条流程都改了一下，就觉得哇现在，跟一年前也完全不一样的一种工作思路了，能工作到你之前工作的多少倍啊，你的一天的工作量，我觉得效果上来说，我觉得应该有三四倍吧，但是年周嘛，就是一个不停的打一枪，看看这个子弹落在了哪里，调整这个子弹 我觉得不是你疯狂地打枪，就能够打中什么东西，还是需要一些人的input 你们CEO的管理方式是什么样的 CEO的话是Carl Hausmann 他是 他其实在公司主管的方向，并不是那么的侧重研究，因为研究方面的事情，更多是由Sergey和Chelsea来负责，所以我和他打的交道并没有那么多，他管了一些公司的基础架构 你可以认为就是我们公司里面，有很大的一部分工作是研究，但也有很八十分的工作室，如何保障这个研究，能够高效快速地进行下去，卡尔是有，主要是很多负责在这个方面上 他就是Sam Altman 那个角色，类似于，可能也会，未来会做一些商业化，如果需要的话，他们怎么想的，其实我在2024年，就是刚刚他们开创了以后，就是说要不要去聊聊，我就问他们，你们现在做人形吗，你们现在要做什么商业化吗，我当时感受到，感受到的氛围就是，确实我们不做人形，因为他们要说做人形，我就不来了你知道吧，为什么，我很担心，就是不同背景的人去做人形，比如说现在人形公司的，做人形你就不来了，神奇，因为我觉得人形是一个，非常值得研究的问题，但绝对不是我现在，最想研究的问题，为什么，如果他们做人形，我就会担心，他们的研究重心，就变成了如何做一个更好的人型机器人，而我的研究中心就是做更好的任务，我个人是非常相信，不需要人型机器做是很好的任务的 而且不需要人型就能使用派的角度出发，更快地做出来，比如说你看现在叠衣服什么的，都是我们先做好了，叠衣服叠盒子，还不过现在做咖啡，都是你先做好了，他不需要人型他就可以做，而且我觉得有更多 非常多的任务都是可以，无形无形的任务等着我去做呢，我要是把时间和精力都花在了，就是怎么样让人机机器人跑得更好上来说，他不是我这个人的工作重点，就我觉得这是一个taste的问题 [02:33:32]
小珺：那如果让任务更通用，你未来的硬件是多样化的吗，还是它可以统一到一个硬件上，我觉得也可能是，我觉得现在我们作为一家通用大模型公司，比较考究的其实就是，它在不同的机械上的表现，它在不同的巨声的上面的表现，就是你不追求未来的世界，所谓的机器人就是人形机器人，那种统一的美感对吗，你觉得它随便都可以
柯丽一鸣：我这个人最喜欢的就是宠物机器人，我有一个朋友，他说他要创业，创这个宠物机器人，我一听可来劲，就恨不得，要不是因为，现在做的事情，也是很想做的事情，我还不如加入他呢，因为我就会觉得，就每个人，在机器人这个领域里面，都是有非常多，分杂的线的，有意思，宠物机器人，宠物机器人，你想做哪种宠物，什么宠物都想做，宠物实在是太可爱了，我觉得这是，人文的情绪价值 就是大家活在，这个世界上的一些意义，我觉得陪伴，是一个方向，说了很久派啊，你当时为什么加入派，当时，也是好促巧啊，因为我其实整个博士期间 一直坚定地以为，我要想去当教授，但是一直很害怕当教授，因为教授要写好多，这个什么 Founding Proposal 就是吸睛申请，我一听到这个Founding Proposal 我就觉得，我想解决问题，我不想考这些事情，可能这也是我的，还需要修炼的一个部分，但是当时切切皮皮，横空出世，我一排大腿决定，稳了，我现在可以去当教授了，我不怕了，我用切GPT帮我写这些，资金申请就可以了，但是 在我其实经历了，一整轮的教职面试，中间就有一些感触，很有意思，因为我之前的研究，其实没有很多大模型，我虽然做了很多机器学习 包括各种机器学习方法的研究，但我用的模型都比较小，这个跟我们实验室的氛围，和我们当时拿到的其他资源，也是有一定的关系，大家可能说，把这个任务做到就好，不要想太多，就是其他的事情，所以当时注重的点，没有那么多大模型 在教职申请的过程中，我也是以一个，更加偏向传统的一个故事，在史上找这个教职，然后能越来越感受到，大家对于这个大模型的热情，就包括我自己，其实也是非常大的好奇心，然后又因为非常巧合的，就是Sargey他有一个学生，就是Abechik 他毕业以后来到了华大，就是我就读的学校，并且成为了我的小老板 因为我们华大以前，没有一个真正意义上，就是专门做robotic learning for manipulation 这个话题的人，然后阿贝谢克一来一回，我就说，哎呀，我做的跟你做方向好近啊，我们一定要天天交流，然后我们就天天交流，然后顺便就是，就成为了，也算是半个他的学生嘛，可以，就一方面就是，他也会用founding 来支持我的项目，另外一方面我们的，我觉得我们的合作挺紧密，然后有很多相似的想法，就是跟我，跟我老板的交流完全不一样，老板更多的是像一个，就是干这种，对话网络里面的一个 critique 他就说了，你现在生成了这个东西，但是你要达到更好的标准才行，而阿比写跟我的合作方式的话，就更加的是我们俩，我有这个想法，我也有这个想法 我们把这个想法揉一揉，不行再生出了三四个，又有的新想法，哪种方式对研究更好，我觉得都有是最好的，我真的是黑猫白猫，抓到老鼠就是好猫，因为我觉得和我自己的导师，那么多年的合作，让我有一种求真的，就是非常强力的求真，就是包括大家在，我在看别人的paper 看别人发表的时候，也是会经常，比较喜欢打破纱布，弄到底的那种，甚至有时候，我就自己做一遍 看看是什么样子的，而Abbysheck 给我一种，他非常跳脱的一种，就创造力吧，就是确实之前想的时候，很多是我一个人想，在洞穴里面待了一阵子，但是如果要真的做成，我们得退一步，然后思考，然后到底发生什么紧，然后去 比较漫无目的地去漫想，我觉得这两者结合是很好的，但是因为当时Abbysheck 是Circuit的学生，然后Circuit在连创的时候，阿贝谢可能就跟他说了，就是，就是有这么一个人，他要毕业了 他是做这个的，然后Sargi就说，可以去聊聊，然后我本来也，没想去聊聊，因为我听说了，他要去创业，我说这好像，跟我没什么关系，但后来又转念一想，觉得Sargi 他毕竟是一个，学术界里，非常有影响力的教授，我去听一听，跟他第一次，就是真的面对面，就要深入地去交流一下，他到底在想什么，也挺好的，然后当时就是，去朋友家玩，在湾区玩的路上，顺便去派，就当时他们刚创立，一周内吧，我就去那边坐了一下，看了一下，我不知道那就是，那是个面试，他们没有人跟我说，这是个面试，我就很，就一种，有这个人在这做这个，挺有意思，你们在做什么，然后他们后来，给我的反馈是，就是他们是我觉得，就我，他们面试我的过程中，感受到了莫大的阻力，因为我不停地在问他们，你们在干什么，哦，哦你是这样的，是这样吗，对可能也是一种求知吧，所以当时我就特别好奇，我说你们在做这个 这个任务，是怎么想的呀，我来多了解一下，然后他们想的是，我们是来招你来辩试的，应该是我来问你们，怎么变成了你辩我们，但当时就，就是聊完了一下以后，觉得，就没有结束之前，肯定是有很多猜想，但没有一个能确定，然后聊过了以后，觉得这帮人还是挺求真的，我觉得，学术界有很多发表，有的时候会让我，这个实用主义派，觉得有一些无奈吧，就比如说，你要做一个问题，想把它做得更好，你会说之前做，做不更好的一个原因，是这个原因，所以我们就出了这个问题，有的时候它逻辑，不一定那么通顺，所以你可能不认为，这个原因，是为了自言自语说，对 有的paper是有一点，这个感觉的，当然也可能是，大家的想法不同，但是我肯定是希望，找一个和我的想法，比较贴切的，然后我觉得，当时和派对人交流，我觉得大家还是非常求证，所以就，他们就给了一个offer 然后我也很莫名其妙，我就觉得确实挺好的，非常感谢，但是我还是在找教职 offer有吸引力吗，我觉得是一个机会吧，我觉得offer具体的内容，并不是最重要的，对当时的我来说，这个offer代表的是，我能和一个已经曾经做过，非常多成功工作的一个团队，然后他们里面每个人，和我交通都非常，和我的交流沟通都挺愉快的，和他们去共事，到达一个新的平台 可以做很多不同的事情，这个才是offer 我觉得最重要的部分，所以当时去了 [02:39:56]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 所以当时去了 [02:39:59 - 02:50:00]
柯丽一鸣：所以当时去了，找教室的最后，就突然有些顿悟了吧，觉得我还得想一下，自己究竟想做什么样的研究，就之前呢，我可能会觉得，时机没有到，我应该先到一个地方去，仔细地思考，带一些学生，我非常期待将来有一天，也许真的会学术界，带一帮和我们这些人，想的完全不一样的人，我觉得这个是最值得，期待的一种发展和演化吧，但我没想到，就是这波来得还挺快的，就它已经让我感觉到，我得知道，我们现在的，这个新的这种前沿，能做到哪里，在做什么，我能怎么样去做它，所以当时就是比较突然的，就在毕业的时候，辞掉了这个教职的offer 就转身加入了派，是一个非常偶然的决定，可以这么说，我当时，我当时在毕业 CISUS Defense 解课的时候，我老板都跟所有人宣布 他要去当教授了，你找了教职是吧，对对，我当时就是，其实非常想去建桥教职，已经拿到了，包括我自己 也是心里非常感谢，我觉得剑桥的人文的，这个属性，和我个性非常的贴合，我觉得在那里，就可以又做研究，又写小说，在这里的话，写小说就是，晚上睡不着，就要写两笔吧 那这个很有意思，你为什么在最后一课，词调剑桥来了派，这个和学术界的运作方式，和工业界运作方式，或多或少有一些关系，我在学术界，我觉得有一个，比较大的问题，其实是，你是学生来来走走，美国的学术界大概是五年，其实英国更短，三年，我当时就会想说，一个学生来，如果我想给他一个，放手去做 做一些比较开创性的工作，三年，他够不够，因为我当时，你可以看到，我是一个半道出家的博士生，我不像现在很多，非常优秀的这个本科生，他们本科就做了，非常多相关的研究，他们到，他们开始读博士的时候，我觉得都已经，非常了解自己的行业，我觉得如果我要去招学生的话，我会非常喜欢这种学生，但我也可能也会喜欢，一些就是敢于，就抛弃自己之前做的东西，去探索一个新的东西的学生，而只给他三年，只给他五年甚至，是不是会时间不够 然后一个学生来了，做了一个项目以后再走，可能你一个东西开了个头，我觉得这个，这种模式，在现在这个环境下，可能确实，不一定能做到，我想做的一个东西 同时呢，就是在工业界做的话，会有更多的，不管是算力，数据，还有硬件的支持，你可以看到机器人，它是一个非常多元化的，就比如说我做的时候，我做的其实，我PhD整个读了七年，第一年第二年，你可以认为，砍掉的话，跟我后面做的事情，也没什么关系，但确实我觉得，对我后面做的事情有帮助，然后我开始搞真机，就搞真机这个事情，就很麻烦，就是我从开始想搭机器人，到这个机器人，差不多能动，大概三个月的时候，是第一次，就是机器人差不多，整体都跑通了，然后六个月，才真正把摇操动这个玩意，给全部定下来，都是我一个人做的，很慢，在后续的，做的活的过程中，肯定也有，不可避免的，因为是个全站，就这个站哪里坏了，你得自己上，在学术界，这种相对而言，更加单打独斗，需要，需要比较大东西的东西，你就做不了，所以我觉得，这个是派相，是最大的吸引力，就是我其实没有，真的在一个 大公司的，齐心协力的，合作下去做，而我也确实承认，我觉得这是必要的 [02:43:17]
小珺：说到博士，我突然在想，博士是越快毕业越好吗，你看我读了七年，你问我这个问题，就是你说到七年，我在想这个问题，因为有人可能从第一天，就会想我要几年毕业
柯丽一鸣：我觉得跟性格，有很大的关系吧，我认识很快毕业的，也认识像我这样，我们华大的记录是九年，我刚进校第一天，我就认识了这个，在学校待了八年的人，他是第九年毕业的 但是我觉得，和自己生活状态有关系，我在读国求学期间，做的很多项目，我都非常喜欢，所以没有觉得，时间过得很慢，没有很焦虑，就为了毕业很焦虑 没有为毕业很焦虑，也没有觉得，就是我没有毕业，是个什么样的一个事情，就是可能，更多的是比较纯粹的，去想说，我现在做了一个问题，上一个问题，我学到了什么，下一个问题，我想做什么，是一个很灵贯，很快乐的一个过程，同时当时博士期间，单打独斗的项目，有个好，就是你想休息，就可以休息，不想干了，就可以干，就你可以卷到半夜，我就超级夜猫子，我当时就是，一般是中午下午开始干活，然后干到晚上四五点，因为可以免费停车，然后干完了，还能去一个 24小时的宁夜的炸鸡店，吃两口炸鸡，就非常快乐的一种生活，同时也可以就是，就觉得最近，好像做了一个角度，非常深入，但是就是思维很迷茫，我们去休息一下，我有一两个项目，其实都是我在，圣诞节度假的，就突然有一天，突然灵光一现，就觉得要做这个，就有很大的自由度，而我见到的很多，就是三年四年就毕业的博士生，他们确实可能比 刚进行了我来说的话，要非常更加明确，自己要想要做什么，我的话更多的是尝试换，一直到最近可以说，我的职业才真正的，有一些稳定下来 [02:44:58]
小珺：你觉得在派工作，和在Google工作的区别，可能会是什么样，他们都在做机器人大脑，而派的人，当然也是从Google出去的，我没有在Google的研究部门工作过 [02:45:07]
柯丽一鸣：我在那边做过软件的实习，当时我还是一个本科生嘛，去了Google以后，就觉得非常快乐，因为Google就像是，一堆软件工程师，为自己所搭的一个乐园，我是在Google那边，开始第一次学 怎么写TensorFlow 和就是大规模的，一些神经网络的学习，因为之前都是手搓，就是你会从头开始写一个，什么CNN怎么反推的，你会从头到尾都自己写，然后到了Google才发现，有这个别人做好的一个库，我就掉进这个库就行了 哇这么方便吗，我赶紧学下怎么弄的，所以我相信 Google是有一个工程师的，这种基因在里面，让我当时的，我对它就非常的喜欢，我觉得现在它还有体现，就是比如说，他们做的研究，他们做的多模态 他们做的这种TPU 这种架构，都是有着一种，工程师的优化的思想在里面，而在派的话，说到底它是一个创业公司，我可以非常轻松地，跟我想聊的人开始聊天，可以move fast 可能你昨天有个想法，今天说一说，明天就变成了一个项目，还有包括凯琳六星，它的这个中间有一段，就是突然一下非常大的转变，就是我们说我们要收E-Wall Data了 我们现在收的这个评测Data的量，是这个量，但是如果我们想要达到，我们想要的地方，可能需要这个量，怎么样很快地给它排查，达到这个效果，我觉得这个可能是，我们比Google 我想象中要做得快很多的地方，你说你现在的研究方向稳定下来，就是稳定到了强化学习，不一定是强化学习，而是做机器人，并且想怎么把机器人做得更好，而且是一个比较通用，与经历下来更好，这个是比较稳定的方向 强化学习只是这个阶段的，一种研究的重心，但我不觉得它是一个，定义你研究生涯的一个东西，你觉得强化学习，对于机器人来说意味着什么，它解决的是本质的问题吗，我觉得强化学习，是一个非常本质的一类问题，也就是说，一个人如何通过体验，变得更好，这个问题从，最传统教科书上来说，解释强化学习，其实就是解释，这个巴普洛夫的狗 这个狗它做了一个事情，你就给它一个奖励，它从此就知道，这个事情是个好事情，我要多做，就是通过这种奖励，和惩罚的方式，去让一个智能体，做一个对你来说，更好的一个动作 但强化学习呢，它在算法上来说，我觉得是有一些东西，我包括每天都会，就感觉它跟我这个人进化，就是人的自我的提升，和强化学习 是有很多关系的，就不管你是从，一个非常具体的一个动作，比如说你是一个，想象中的，你是一个，想要学习攀岩，或者游泳的一个人，然后你怎么样做得更好 你就是不断地去做这件事情，我觉得这个追求极致，是强化学习，一个非常强烈的一个因素，就是不停地去练，同时呢，强化学习其实还有一个，很重要的部分是探索，探索我觉得 它是可大可小的，可能是说，我这个肌肉，些微地往左移一下，我的表现，打网球的表现会更好，这是一种探索，也可以说是，我现在做的这个研究，我想怎么把这个机器人做好，我现在探索的是一个方向，我也可能将来会换一个方向 它也是一种探索，我觉得它是，不光是一个具体问题，具体场景，其实也是一个通向通用的一条路，比如说现在，我觉得大语言模型里面，应该有不少人都在使用 强化学习来帮助提升，他们的大语言模型，其实也是，有一个大语言模型的基础上，让他不停地去试，去看，去给反馈，如何从这个反馈中，得到更进一步的提高，是一个很整的命题，同时我觉得强化学习 具体的技术也有很多，是可以讲的部分，如果你有兴趣，我们也可以多深入一下，我觉得强化学习，是有几个模块的，就是每一个强化学习系统，都是把这些模块拼起来，其中一个模块，可能就是这个探索模块，就是如果你想要，做一件更好的事情，你得做一些，你以前没做的事情，你怎么样选一个，更有可能成功的事情，去探索，是探索模块，我觉得这个方面，其实咱们现在，做的不是特别多，但它是一个永恒的命题，就是你是选一个，小的改动，还是大的改动，包括你怎么改动，都是一个算法需要，我觉得在最后的，大模型态里面，它其实应该对于探索，是有一个非常清晰的想法，现在的大模型，可能还不具备，这样一个非常主动的，探索的一个能力，因为探索直接就影响到了，如果你选的好，你研究路线选的好，你可能做了这一个研究，就已经有很多 好的事情发生，如果你这个研究，很不幸地就是选到了一些，就是比较难搞的一些东西，那你比较做很多，它就极度地影响到了，你学习和进步的这个效率问题，所以是探索问题，然后第二个，我觉得强化学习，比较有意思的问题 就是归因，就可能你要，让你们家宠物 [02:49:56]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 让你们家宠物 [02:49:58 - 03:00:00]
柯丽一鸣：让你们家宠物，做一个什么好事，就可能它做了一系列的事情，然后你最后给它一个奖赏，它其实是需要知道，就到底哪个事情是，这一次得到好奖赏的，一个决定性因素，这个也是，帕零六星是有一些探索的，就是你收集了这么多的，这个部署的数据，究竟哪一条部署数据里面的，哪一个步骤你做得好，让你整条数据，得到一个关键性的一个奖赏，你可以看到在帕零六星里面，我们可能比较强调了，这个SURPORT的一个速度和质量，所以从智能体的角度上来看 就是它做了很多事，做了不停地做了这么多次，然后我们设计这个算法，帮助他从这么多次经验中，找到就是，这条数据里面，其他都是垃圾，但这个地方是精华，你以后多做这个精华，所以这个归因，我觉得是强化学习的一个，就像人的这种总结反思一样，是一种，可以长期持有的能力，就不管是在微观上，这一步骤再做，改一下就会更好，还是宏观上来说，有这么一些策略 其实这个策略，是最好的，然后同时强化学习也有着，我觉得有一个本源性问题，是我们其实，教科书上不怎么讲的，就是这个问题的定义，你可以看到，在这个大语言模型里面，你要什么问题，你一般都用口述，给它抛出了一个问题，可以说你的这个问题，涵盖了很多它需要知道，就是你的这个问题，就定义了它这个任务，而在机器人界，目前还没有这种 清晰的一个联系，包括这个VLA模型，也只是开了一个头，说我想让你叠衣服，其实你可以千千万万，不同种方式叠衣服，对不对，你怎么知道，它要你叠衣服，到底是要叠成什么样子，在课本里强化学习，是要用一个奖励函数，去抓住这个东西，可能这个奖励函数，就设计成了一个，如果你真的按照他的意思，他就给你一个很高的奖赏，就给你一块肉，奖励你这个狗狗做得好，如果你做得不好，他就给你一个惩罚，但实际上设计，实用的来说，设计这个奖励函数，是非常难的，因为之前有人做过很多，就是在模拟器里，做强化学习，比如说用强化学习，去打这个超级玛利奥，你有一个分数对不对，优化这个分数就好了嘛，这是一个现成的奖励函数，但实际上即使是这样的情况下，他有可能会，我们就是说就是 abuse 就滥用这个奖励，他就发现了，有一个bug 就超级妈咪要一个bug 有了这个bug以后，强化学习就发现了，就疯狂做这个bug 他就会跳一个小人，然后直接通关了所有的关卡，并且束发奖励函数达到最大值，哎，我把奖励函数给你优化出来了，你以为还有什么可说的，我已经做到你想要我做的事情了，但实际上这个奖励函数，一开始设计的就不对，所以我觉得，强化学习的一个工作目标吧，也是一个很重要的事情，其实就是，把人想要他做的事情，和机器能够理解的，这种奖励函数，紧密地结合在一起，同时也希望这样一个设计，是可以泛滑 [02:52:23]
小珺：可以鲁邦的，谭姐也提到强化学习，需要奖励信号，但是很难写奖励函数，这个你们有什么发现吗，怎么能给一个人，无写清新的奖励函数，我觉得，就是在我看来
柯丽一鸣：它不是一个写奖励函数的问题，而是向智能体传达，你向它做什么的问题，奖励函数可能更多的是一种表现方式，比如说你看现在NLP 他们之前应该也有时候，我们探索过，就怎么给它写一个价值函数，就做了这个好 就是更高的分，做了那个不好，就是更低的分，但其实有一段时间，在自然语言中的前华学习，最有用的东西，就是可验证的一个任务，这个可验证的任务，是可以独立于一个 所谓奖励函数存在的，它就是一个，要你写编程，你这个编程能跑，能跑的话，他就是非常确定的知道他是好，我觉得是传递好坏，不一定需要奖励函数，而且我相信，就是传递好坏的这个任务的话 是需要一些，就是人的这种common sense 这种潜知识啊，或者说通用知识啊，同时也是一个，我觉得是一个非常flexible问题吧，就我个人比较相信，就是好的奖励函数，是可以因地制宜的，它也不一定是一个 [02:53:41]
小珺：奖励函数的一个形式，在存在，更多的就是，你给了这个模型的信息和表达，去让他理解，我前两天聊了一个嘉宾，他是做AF Map 他们核心想优化的就是
柯丽一鸣：模型的可验证性，这个会不会对，我觉得是，对我们是都有启发的，对因为机器人，他也有一个很好玩的问题，就是咱们也没有那么多的任务，是非常清晰的 说成功和失败，都非常简单跳出来，你可以，比如说就是这个杯子，放在另外一个桌子上，也许是的，但这也是一个非常限定的，就是你当到了一个限定的环境以后，你可能就比较容易写出这个降临函数，而你在一个非常通用的层面，你其实很难写出一个通用的函数，或者你的任务比较难，比如说像叠衣服这种任务，叠衣服叠得好不好，老师我都不怎么叠衣服，所以我在叠衣服的这个任务设计过程中，我就有一个比较清洁的，就是因为我从来不叠衣服，所以我可以很纯粹的，从机器人任务的角度来说，设计这个东西，但是设计出来的每个人观点，也是不一样的，你刚刚提到Chelsea 对于一些任务的设计，很有common sense 对我觉得它有，非常sharp的intuition 能不能举个例子，就比如说，叠衣服这个东西，是有很多不同的策略，对不对，你人来叠，你可以，对它从两边叠成这个，或者你也可以 就是四方方的叠，我是因为用语言，都很难描述，这不同的方式，是怎么在叠，但你可以想象，它有不同的叠法，那么哪些叠法，甚至包括这个叠法，好像机器人身上，哪一个是好的，我觉得有一些人，确实是能够 很快速的，直觉性的，搞明白，就这个，点跟，那个，点，是有，差距的，或者说，或者说像我们，会经常看一些，就是机器人，中间做的任务，就会去，就斩钉截铁，说这个任务，我觉得可以做，虽然看起来很难，我觉得Chelsea 有很强的这样的东西，或者说他也会觉得，就是这个数据好，这种直觉来源于什么，来源于对，我觉得思考是有的，然后理解也是有的，但是也有可能，就是和每个人，看问题的一些，看重的东西吧，你觉得VLA会是一个终极的架构吗，它会怎么演化在未来，我觉得这种interactive的方式，是可能可以的，尤其是在我天天成为了 Claude Code的重度用户以后，我以前是有一点怀疑的，我说我这个人比较内向，就没有那么喜欢说话，有很多事情是不是不用说话，表达会是更好的表达 而且包括说话有很多时候，比如说就是我想让，你帮我把我家的这个书房收拾一下，他没有办法capture我所有的意思，就是我可能说的是，你把垃圾掉一下呀，然后这份书柜就关起来，或者那样的一些，单纯用语言，无法捕捉到的重点，但是我发现了这些cloud agent 就改变了我对这种交互方式的想象，就是你是可以说话，他可能捕捉不了所有的重点，但你也可以用说话，给他提供更多的context 让他自己去搜索或者执行计划，就是说话确实是一个，非常强的逻辑思维和推理，而我也越来越觉得，逻辑思维推理，对机器人是很重要的，所以我觉得VLA中的L 还是有很大作用的，只是VLA现在的这个架构，可能还是比较原始的一个架构，它虽然有这个language 但它并没有很多的去探索，就是language和动作的 一些非常细微的事情，比如说language的层面，更多的都是给这个衣服，它也没有很详细的描述，说这个衣服叠的时候，你要用两只手，在这个步骤，怎么怎么样，我觉得这都是，未来的探索方向，就是可能，会有一些更加，就不光是，从输出端是动作，或者加一些video 或者加一些oxalate loss 在输入端，可能也会比它更多的context [02:57:17]
小珺：使它能像现在的大语言模型一样，就take in much context 我们刚刚其实也讨论了一点数据问题，我想继续就这个话题，再深入地讨论一下，你刚才说过，你们其实BATs 算是真机数据，是一部分，真机数据战很重要的一部分，那硅谷其他的这些Frontier Lab 他们在数据的选择上，有什么不一样吗，真机数据是一个共识吗
柯丽一鸣：我不太清楚别人，有没有共识或者是怎么想的，我只能从我接触到的信息来看的话，比较明显的，有一些人觉得，我们可以把这个模拟系列的东西 做得更好做得更有用，我觉得这也是一个非常值得探索的区域，可能如果他们现在，工作重点是这个的话，他们可能就对真机数据，相对上也没有那么看重了，或者说也有一些人觉得，我们就用一些，人手直接说的，像这种污秘的这种数据，就是人可以非常自然地，在自己生存的这个空间中，去说很多数据，而且它的效率，就速度可能比，你非要搞一个机器人，进他们家，然后再说，要轻松快一些，我觉得这也是，大家不同的想法吧，就是它有一个重点，但是可能因为，我是真机数据的信仰派，所以会觉得，以后肯定还是要真机数据，因为你都不数了，你可以收真机数据了，那为什么不用呢，所以我觉得对真机数据的，如何用了更好的研究，应该是不会停止的，你会觉得真机数据更实用，我觉得就不光是实用，而且是最后，当你真的做完了，这个问题的时候，你机器人真的，进到人家里以后，你就是会有很多，真机数据了呀 我相信这个是我们，共同想要的一个未来，所以这个未来里，就是会有很多，真机数据的，你觉得什么样的数据是好数据啊，现在这个定义也没有很，很统一，对我觉得它不是一个学术能够，清晰的解决的一个问题，我觉得，是有一些不同的维度的吧，比如说，这个数据它做的是什么，任务 你看啊如果我这个任务就是在空中，摔灰灰手，这可能就没有什么意思，但如果这个任务是跳舞或者说随着这个，这个胳膊要怎么去往动，它是一个更有意义的任务，所以我觉得这个，是维度之一 就是任务本身，或者说叠衣服啊，叠箱子啊，还是拿水杯，这都是不同的类别的任务，同时呢，就是在做任务过程中，我觉得是有一个，叫做动作的质量的，这个可能就是 [02:59:51]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 这个可能就是 [02:59:59 - 03:10:00]
柯丽一鸣：这个可能就是，就是如果机器人，能做成这样，我们就觉得他做完了，他做的极端了，他像奥林匹克运动员那种表现，就已经超越人体极限了，这个是已经有动作质量，你有可能收到一条，质量不那么好的数据，可能就是为了拿这个杯子，先晃晃悠悠，晃晃悠悠再去拿，可能就没有那么好，所以这种动作质量，也是一个维度，同时我觉得，就是动作的覆盖度吧，就从一个数据集，就刚才可能讲的是，具体一两条数据，从一个数据集的，讲法上来说的话，你收了，拿水杯的这个任务，的那么多条数据，它的这个覆盖度，到底有多少，它有多少不同的场景，它有多互相之间的不同，就比如说刚才说的，饭花里的每一条维度，其实可能都是，你说数据的时候，就可以考虑到的，一个覆盖度的一个维度，然后最后我觉得，就是数据提供的是一种信息 如何能够在一团数据里，挖掘更多的信息，包括不限于就是，我收到了这个拿水杯的数据，我是怎么拿这个水杯的，这个水杯在哪，然后这个水杯长什么样，其实它都是一个，隐藏在里面的信息，如果我们有一些标签，在这些信息之上的话，我们也可以就这些标签，再进行一些学习 [03:00:53]
小珺：所以我觉得就是数据集，它的标签标注也是非常重要，有一种说法是说，通用大模型团队，更关心在基础能力层面，实现GeraShot 就是零样本的方化，也就是在没有见过，具体任务的情况下，它仍然能work 而不是说我这样，我见过这个数据我才知道，而机器人或应用导向的团队，往往更关注某个具体场景，具体本体，具体任务能跑通 [03:01:12]
柯丽一鸣：这两类需求本身，是完全不一样的，你同意这个观点吗，我觉得是相辅相成，就确实这两个工作的重心，可能乍一看没有什么关系，但我觉得互相之间是可以相辅相成，因为对，就是怎么抽象的说呢，就是我觉得机器人在研究方面，是有两个很大的主题的，一个就是它的表现究竟如何做到完满，还有一个就是，如何在一个全新未知的领域下，做出一个像模像样的东西，可能这就对应着，你刚才所说的，一个具体场景，场景下的优化，做到完满，和一个ZeroShot零样本，泛化到一个全新环境，而我在实际做的过程中呢，时常会感觉到，如果你能在一个场景中，做到完满，你可能可以在，其实更多的场景 都达到更好的效果，这些东西都会帮助你，做一个更高质量的模型，而更高质量的模型，它不只是在你这两个任务上，表现得更好，它在很多相关或者相似性的问题上，它也会表现得更好，就具体的任务表现得更好，是可以提升模型整体的能力的，对这个是我比较坚信的，在这样的一个过程中呢，你可以说就是，对具体任务的具体表现的研究，是可以使这个大模型的，整体研究受益，同时呢我觉得就大模型，在新的任务，新的环境下的表现，如果能够稳步提升到一个，差不多的情况的话，你也可以马上开始，用一些就是更具体的提升手段，我觉得这两个就是互相之间，左脚踩右脚，踩右脚看看能不能上天吧 [03:02:34]
小珺：这个是左脚和右脚，一个通用的能力，一个是具体的任务，对，你觉得哪个脚可能现在跑得快一点，我觉得，像在派这样的公司 [03:03:25]
柯丽一鸣：还是很均衡的在发展，因为它是一个，非常本源的一个研究型公司，它是希望把，研究路上的重要的问题都解决了，怎么提高这种激烈摄像能力，因为具体场景可能是通过强化学习，那激烈摄像能力呢，我觉得比较明显的一些回答，可能是像架构呀，架构研究，运训练研究是很重要的，同时数据也是很重要的，你可以看，比如说像这些具体场景的数据，其实也是能够提升，这些大模型的能力的，在架构上有人觉得，下一代架构可能是世界模型，我觉得现在世界模型，也没有一个说法说，它就一定长什么样，大家应该都是在探索，就不停地在探索，架构到底应该长什么样，我每次聊机器人，都觉得机器人还好早啊，觉得离我们真正想造的，这种新城大海，确实还有一些距离 但是能够每天，每个月都感到一些，稳步的提升，这种感觉，我觉得在做研究里，其实很难得的，你是哪一年加入的派啊，就是 25年 24年，派是24年3月创的，我是3月跟他们聊了，然后6月我毕业就去了，你觉得24年和25年，过去这两年，每一年在机器人领域，最重要的提升是什么呀，我不好说，在机器人领域的提升吧，我相信肯定有很多，其实很重要的工作，只是我现在不知道而已，很常见在研究中，只是我自己的体感的话，我确实觉得派的主要脉络，从能力泛化，到表现上来说，这条路，每次我们走的时候，都有一些新的发现，新的提升，是以前，是对一些我觉得领域，需要回答的关键问题，给了一份就是，第一版的答卷吧 我相信其实我们做了很多事情，也是会不停地在回顾，在进一步提升，我其实确实觉得，有一些我们做的事情，也许已经有一些商业化的价值了，这个是以前的，我可能觉得还有一些遥远，但现在感觉其实还挺近的，比如说工厂吗，这个倒不一定是工厂吧，就是工厂是一种 可控环境的一个代表，因为你可以通过控制环境，来让它更适配你现在能做的哪里，我觉得这是一个，比较自然的一种应用场景，我不太清楚这里面的商业价值，究竟有多少，只是从表现的情况上来说的话 我觉得是你有应用的可能性的，有什么样的任务，是二十四年初做不了，二十四年底可以做的，二十五年初做不了，二十五年底可以做的，我觉得二十四年初的时候，你跟别人说，你要叠一个衣服，而且把它们还垒成一堆 而且这个衣服还，因为衣服是你很难控制的一个东西，二十四年初，反正我当时觉得，叠衣服是我非常想做的一个东西，但我是不知道能不能做出来，然后包括当时就搞箱子，还甚至包括就是在那里做那个，桌上清理，桌上清理是真的搞了很多，就是我们觉得他做不了的东西，就是他究竟能不能做，当时就已经发现了，其实很多，没见过的东西，他也能做，所以当时就已经有 很清晰的一种，之前的不确定性，逐渐变成了一个，看得到的成功，并不能说保证百分百成功，但是他是有成功的可能性，我觉得这个进步非常的重要，然后，二五年，就是首先我们自己做的是，派05和派06星，都是在二五年做的嘛，一个是进到Airbnb里去，一个是，就是对具体的部署任务，要求它的表现提升到一个，就是纯靠数据数据，很难达到的一个地方，我觉得都验证了一些，就不管是说，你要多少个Airbnb 才能在下一个中，得到一个好的初始成果，还是说你部署的时候，到底能不能，因为我们是从一个，很实用的角度来考虑问题的，我们在比如说做folding task 做这个叠衣服task中，我们不是说，就是我们收了10小时的，第一幅数据，然后就去，硬做强化学习，我们是真的 把这个东西做到了，我们觉得数据，就再说更多的数据，都没得搞了，的情况下，再开始想说，我们用这个，强化学习的方法，去搞能不能再进一步，我觉得这个frontier 是通过做这样的项目，摸得更清楚了 然后，别的公司，我觉得也有很多，很有意思的事情，比如说之前，看他们JMNi的发布，就感觉，他们的这种空间的理解，和空间的认知，而且他们也不是，一个单独的 Robotics的模型，有的是一个，更多模态大模型的，一个能力，的一种感受，就是哇，这个，这种空间能力，显然对Robotics 是非常重要，其实他们现在，没有一个特别，特别特别的一个task 来展现它，我也相信，他们将来可能会，有一些发展，还有可能，之前因为做强化学习，也会关注一些，就非常具体的，强化学习的项目啊，比如说别人，都在用强化学习，做一些什么，非常具体的问题，就不管是在，这个制造业啊，还有组装啊，这些问题 [03:07:46]
小珺：我觉得都是很有启发，你对于2026年，在机器人领域的预期是什么，有什么可以值得期待的，预期吗，我觉得肯定，今年能有更多 [03:08:27]
柯丽一鸣：就是令人比较惊叹的 demo出来，但是demo本身，就是看是一回事，就是了解背后的，到底是什么进步，是另外一回事，我觉得今年肯定有，就不管是 就是人形来做操控性的任务，其实我觉得是，挺成熟的一种，可以开始探索的一种应用了，然后其次，就是在模型方面，我觉得模型架构，应该大家都会，就是有一些大的变化吧
小珺：你觉得机器人领域，应该跟自动驾驶领域去对标，还是应该跟大模型领域去对标，我觉得更像大模型，就我其实觉得 [03:09:04]
柯丽一鸣：自动驾驶有比我们难，有比我们简单的地方，比我们难的地方在于，自动驾驶的stick 它的潜在危害因子是很大的，如果你做错了一个决策，那可是人命啊，就是很严肃的一个问题，所以它对于表现完满的这个要求，是极度的高，我觉得在我们这个领域，就我们日常生活的一些任务，或者说工厂任务的这种商业化道路上，我们其实都不需要那么一个级别的完满，所以我觉得，这个是自动驾驶，比我们要难得多的，一个部分，他们是真的得有一个，非常强有力的保证，而相对的
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 而相对的 [03:09:58 - 03:20:01]
柯丽一鸣：而相对的，我觉得他们，比我们来说，比较简单的部分，你看自动驾驶的话，它这个控制器的问题，其实是结果没有的呀，就是我在这个车子上面跑，可能现在还有，就跑一些雨雪天啊 这个道路泥泞啊，这种问题，是一个控制器的，一个底层控制问题，他们更多的问题，都是在决策方面，就是你下面要怎么开，同时他们的决策的空间，我觉得相对而言，复杂度要稍微小一些吧，不像你看我们在这个操纵系的，这个任务里面经常谈到的就是，我不仅要就是操纵这个，多关节的一个比较复杂的机械，必须完成一个任务，它要达到这个，我想它达到一个地方，这个就是一个操纵系的问题了，就是你可能就是载重以后，或者是摩擦力导致的，你可能不能完美地去，贴合你想要它造的地方，所以这种操纵系问题，是经历大难难一点，同时它在决策方面的话 你要叠这个衣服，你这种手腕的转，你到底怎么转，到底想怎么转，它有很多这种复杂的，特别不一样的一些动作在里面，你都得能够搞定，所以我觉得这是它的难点和不难的点，而跟大模型相比呢，我觉得大模型是，它和我们一起同工之妙，就是大模型它可以瞎说，它稍微犯犯错，大家都很习惯了嘛，你就是会胡说八道，对吧，我们不会全信你的，所以它的这个完满，我觉得是不需要做得像，这么加深那么的严苛，同时呢在这个，探索方面，我觉得他们，就是你看，把他们当成一个智能体，他们这个动作空间，是输出每个字符，也可以说说输出一种策略，就他们的动作空间，也是一个高度抽象化的，就所以需要很多，多样性的一个动作空间，所以我觉得，对于我们现在的机器人来说，我们是两者之间的，但同时，就可能目前的发展阶段 和大模型更加贴合一些吧，我觉得自动认识，现在发展的挺好的呀，都已经跑上了嘛，所以他们更多的，就是在如何就是，就是体会完满，并且降低成本，就是其实在高度，就是这种策略规划上面的问题，就是从A点到B点，好像也不需要太多的，说什么C点到D点就不行了，机器人和自动驾驶，谁省自己啊，这我看来就是一个，比较平行化的问题，因为它有两个问题的特性，就是以往的这种路径规划，和控制的话，可能更贴合现在有某些，自动驾驶公司的一个路径吧，可以看作是它的一个应用，但现在因为我们已经，不再用这种范式了，转到另外一种新的范式的探索，我觉得就有一点平行空间的感觉，对但是互相之间是能学习的，因为也有人在用机器学习，做自动驾驶 我们也会从他的这个，他的这个部署的这个体验中，得到一些灵感吧，就比如说，他们如果跑了这么多台车，然后拿到了这么一个数字，然后他们想要再提升安全性，他们是怎么做的，他们的一些基础架构 包括自动驾驶界，其实对于模拟器用的应该是很多的，而我们机器人，尤其是操纵机还没有这么一个，可以跟它对等的模拟器的出现，这个是不是有一些歧视意义，自动驾驶的模拟器是谁在做，我觉得首先几家公司，头部公司应该都有自己的，都有自己的模拟器，同时也有那么一两家，就是公开的专门做这个的公司，你可以付费使用，而且自动驾驶的数据量好大，是的 [03:12:46]
小珺：所有机器人公司都在争夺的，一个北京新指标是，谁能够做出第一个出货的，进入家庭的机器人，这是一个隐形的，大家在争夺的方向，我觉得是一个隐形的方向，因为家中的问题 [03:13:12]
柯丽一鸣：非常的多和复杂，所以如果你不，你觉得你lost了你的方向，你就想一想，我们现在机器人，还能不能做家中这个问题，应该有很多问题，都是做不到的，你怎么把它做到，就是一种很自然而然的，一种想的 研究的一种方法，家中的问题呢，还有好几个难的维度吧，我觉得第一个是，它的环境的复杂性，确实是没有两个人的家和卧室，是完全一样的，你必须要泛滑性 过了一个很强的泛滑性的保障，才有可能就是到了一个新的卧室，也能够，就是我们之前做过一个叠被子，我们承认我们叠被子不是百分百，不是说你到一个新的家都能够叠，就是因为这个，每一个新的环境的复杂度在那，同时呢，就是家中的任务的动作复杂性很高，因为人在家中其实承担了这个家务啊，他的各种各样变变拐拐的东西啊，我觉得就是我，列一箩矿可能都列不完，就咱们在这做个谈个两个小时，可能都没给他彻底，给他写清楚，就是这些动作，加上这个环境，就已经是给他，从这个机器人表现方面，提了很高的要求了，同时呢 他还需要就是家用机器人，如果做一个产品，商用化来存在的话，他对于硬件的稳定性，和人交互的安全性，也是有很高的要求，就是硬件的话，我不知道现在，有哪家公司的硬件，是能够在一个人家里，跑个一个月，而且不光是，就是站着站一个月开机，而且是做了各种各样的任务，一个月，然后可能有一些，比如说我平时走路，有时候还会给桌子腿绊一下呢，就这些损伤，它该怎么样去承担，去稳定，然后并且就是，如果你在一个人的环境中，和人互动的话，也会有很多危险，或者说你这个，就是这个可能 就是我看特斯拉Optimus 晴天柱，我看的最害怕就是，他要是在我家里摔了，就我该花多少钱，修我家地板呢，或者他摔在我身上，我岂不是就是那个，什么的，我好害怕呀，所以看到这样的话，我就会觉得，其实我们距离 一个优秀的form factor 一个真正的巨神，可以在人身边，工作的巨神，还是有一点距离，你是不是长小一点，比较好，我觉得小就是，比如说像，语树的这种，机万的这个，小孩一样的身高，确实就是，给我一种，它没有那么大的威胁性，然后可能他也轻一点，就轻，就是整个机子轻了以后，他能做的事情，他的耗电量还包括安全性，我觉得都是瞬间就有很大提升，但是，就是小的话，其实他们也会有一些，其他的问题吧，比如说他这个人型的，一个很大的说法，就是说你人可以做的事情，其实小以后，你有些人做事情，你都做不了了，那你还怎么用这些人的数据，也是另外一个话题了 [03:15:23]
小珺：你看今年的春晚，雨树非常的火，中国的机器人非常火，你在大洋彼岸，怎么看中国的机器人的发展，你觉得它跟美国的趋势，相同和不同是什么 [03:16:03]
柯丽一鸣：我觉得，在一两年前，想看到这种级别的demo 就只是想想而已，能看到它真的把它做出来，还是非常激动的，我觉得它能够做出来，就是有算法提升，也有硬件实力在里头，我觉得这种硬件实力，可能是，现阶段看中美的产业对比的话，最直观的感到，中国在这上面，是有领导力统治力的，就是很难想象，有一家机器人公司，它组装好了一台机器人，然而这里面，没有一个零件是中国的，我觉得是不太可能，真的，我觉得中国有，产业链制造业的，这个优势实在是太大，而且到现在，我都不知道，美国人要是追的话，该怎么追，同时呢，就是因为这个硬件迭代，就可能它拿着现有的算法，距离商业路径端已经有，就也是有一些优势的，还有什么不同吗 或者相同，我觉得像派一家公司，还是比较独特的，我都不好说，它是一个中美的不同，还是怎么，就是它是一个，很偏向研究的一家公司，就是暂时情况下，我们应该是完全不考虑商业化 因为觉得那可能是一个 destruction分心，这个其实也是有一些，历史原因吧，我不知道，历史原因是什么，就是Peter Erbill 他不是Sergey Levine的导师 Peter Erbill 他是有过两次创业经历的，一次他非常成功地，做了一个，给学生作业打分的一个，现在基本美国大学都在用，我上大学也用这套系统，然后同时呢，他还创立了一家机器人创业公司，叫Covariant 他在2015年还是16年，就创立了这么一个公司，说要做机器人的，通用的机器学习的一套方案，而他们公司在发展过程中，可能在某个时间点开始，就比较深耕这个物流啊，仓储啊机器人，从大模型开发的角度上来看，从回头来看，会觉得这其实是，对他们开发大模型的一个分心，就因为这个投入，虽然肯定是做出很多成果 但是在大模型这边就觉得，因为过早的去商业化，而失去了就是，这种通用繁华性，反而把精力放在了很多，这种商业化的相关事情上，没有真的去追溯本源的问题，所以派，我觉得是有受到，坠段精力的影响，就是比较的强调说，我们不要太想，这种商业化的事情，不要就是为了，就是挣钱，或者说去把这个商业闭环打通，去做很多，可能说对研究没有帮助的事情，大家还是很纯粹地说，我们要做一个，研究把它表现做得最好，商业化的事情可以后面再想，我觉得这个和我听说的一些，中国公司的逻辑，是不太一样的，就是中国公司可能 [03:18:17]
小珺：从商业逻辑上来说，更强调实用主义和商业的，这个回本吧，但即使在美国对派这样的公司，在硬件上投入不够，或者在硬件上
柯丽一鸣：没有优势的话，长期来看，会不会成为一个问题，我觉得这看你是，怎么理解硬件的投入，和表现的吧，我觉得，我们没有无限的钱 所以我们在每个方面，都投入不够，你知道那个OpenAI 它现在融合多少钱，我们每天看这个钱，就觉得好眼红哦，我们也像有这么多的投入，我们有这么多投入以后，我们的软件变得更好，算法变得更好，算力变得更好，数据变得更好，哪都好 所以不购是没有指定的，我觉得都可以投更多，相对而言的话，可能就是现在的产业优势，在硬件方面，是在中国，它有很强大的供应链，你可以定制一个机器人，它有很多的电机的选择，机器人的形态选择，都是有比较成熟的一个方案的，所以这个是它的优势，我觉得大家其实也都有在看，就怎么样弄一个，最适合自己的机器人的硬件，我觉得这其实大家都在做 [03:19:36]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 我觉得这其实大家都在做 [03:19:59 - 03:30:01]
柯丽一鸣：我觉得这其实大家都在做，只是因为缺少了，产业链制造业的这一环，可能，在做的过程中，它的迭代速度会变慢啊，或者有些事情，可能如果你做得更快，有更多就是，可供你驱使的机器，也会不一样，我觉得这个确实是，对迭代的，研究的迭代速度，肯定是会产生影响，但同时另外一方面，硬件毕竟不是一个解决的问题，就它是一个相对而言，可能没有软件那么严重的问题 因为现在你搭一个硬件，是可以搭起来的，你想它做一点有意义的事，很难，所以这是软件的最大的问题，而硬件的话，属于你搭起来，是可以搭起来，动也可以动，但是不是说，你已经把硬件做完了呀，就还是有发展的空间 我觉得这个其实，创新永远是威士数，你不知道有没有可能，它做出了一个，就是很简单的一种硬件，它非常适合现在的算法，没人说得清 [03:20:41]
小珺：有硬件的劣势更好抹平，还是软件的劣势更好抹平，过去几年的发展来看，都好抹平，大家永远都是在捐，对诸葛团队来说，他其实follow派就好了
柯丽一鸣：因为你们很多论文都是公开的，是的，我觉得我们有很多论文是公开的 Google不一定是公开的，对吧 Tesla不一定是公开，但是他们可以follow你们 Google就算公开了，你想追上Google 你还得先选一个像Jim and I 这样尺寸的大模型出来，这已经是一个bar 我觉得同样的逻辑，也适用于像派这样的公司，随着公司不断的积累，他最后就算告诉你他怎么做的，你不一定有那么多东西可以找，可以去，就是可以去给它match上，但是竞争永远都是存在的，我相信肯定，做还是有人能够给它match上，然后，硬件方面的话，我觉得，其实你看，美国现在的产业链，你会觉得这个硬件，哎简直就是，不知道该怎么说了，你只能寄希望于创新了，你们公司其他人，会很关注中国机器人的发展吗，我觉得都很关注，这是一个不可忽视的一个部分，像比如说，你们最近会讨论，关于中国的什么话题呢，比如说语书春晚，那个表演我们就在 这个公司的群里面发了呀，大家就会讨论啊，说这个东西可能是怎么做的呀，甚至最近的读书会，我还想说要不要请一些，这方面的专家的朋友，来给我们讲一讲，因为我们不怎么做人形，也不怎么做这个local motion问题，也可以请他来教一教我们，这个东西里面发展是怎么样的，我觉得这些都是，都是大家会不停地去看到，更新更好的东西，然后去学习，去看看有没有启发，可不可以用到我们现在，做的事情上面，不管是派海其他公司，应该都是一样的，他们是怎么做的，你们从web视角看，他们是怎么做的吗，这个确实最近有几篇新的论文出来，可能可以解释他们的一些做法，我不知道你知不知道，石冠亚是一个CMU的教授，他之前在华大读博士后的时候，和他成为了朋友，从他身上学到了很多 local motion的一些东西，他们组织已经发了，这个omni target 我们可以从早期发展，稍微梳理一下 大概是在1819年那会儿，我稍微关注过一下，他们是怎么做的，很多时候呢，是希望他走路，然后走路，可能有一个步态，所以你就会，把它分成，可以简单粗暴的，分为一个 high level 高层的告诉你，我大概想要你，变成这个样子，和low level去执行，我怎么样变成这个样子，步态的话，可以是一个走路，可以是一个红翻，可以是一个跳舞，而执行端的话，他以前可能，就是不停地去控制，现在的话，可能可以配合强化学习，来达到，你想要的这个步态，强化学习很重要，强化学习在 Local Motion界，确实取得了，相当大的成功，你觉得美国，对硬件的投入够吗，重视度够吗，我觉得，很多在美国的，从业人员，应该都会同意说，我们的硬件，还有很大改进空间，那特斯拉，是怎么做到的呢，特斯拉 首先它很神秘，我们其实并不清楚，它的硬件里面的，技术细节，它不会和我们，说这些事情，你说是机器人是吧，对，他还有车呀，就是他在美国，硬件做得很好，而且，有一个笑话，我不知道是不是真的，只是一个笑话，说特斯拉最牛逼的工厂，是在上海开的，产量就是高，相对而言 确实他是已经，有一部分制造业的吧，我觉得这个和，就和美国教育体系，也是有关系的呀，你看他的教育里面的专业，和就业途径，他这个产业的，以往的缺失也导致了 他这个专业就不会火，没有那么多人学，那就缺失了一批人才，那他怎么样去弥补，这个事情是很难的，不是一两年，就可以投入回去的，我觉得他现在，可能更多的是指望说，很多移民，是有这些类似的技能，他必须是一个移民国家，可不可以通过，就是引进这些缺失的人才，补上一些产业链，但美国这地方，就是修为机械站，都得修为这么多年，他究竟能做成什么事情，我们也不好判断，你觉得人工智能，最后会拥有意识吗，机器人会拥有意识吗，好抽象的一个命题啊，你知道每次当我看到，有一个机器人，他能意识觉醒的，他要毁灭人类，我都想说，这真的很希望，有人给我解释一下，意识是怎么诞生的，因为我们只是一些，就是生物学小白，但是会去听一些，这种科普啊，就非常想搞明白，怎么样就从一些，这个物理啊，化学啊，这堆东西里面，突然就诞生了，意识这么一个 我都不知道，它是怎么代表出来的，一个东西，我觉得如果我们认为，机器人产生的意识，是像人类这样的意识的话，我其实因为有点悲观的，我想说就是，这真的有可能吗，但是如果你把意识定义的很宽泛，就比如说我现在跟AI聊聊天，它给我的感觉，是它像个人，它就够了的话，那你也不能说它没有意识，但是也许在将来，就是大家可能更期待是一种，我也不知道，它太智能了吗，所以它显得像有意识，就真的是，对我来说讲不清的一个话题，但是是科幻小说，非常好的一个素材，机器人种族会是什么样的，我觉得机器人种族可有意思，我其实一直很想做的就是，机器人可以造自己，我觉得这个是，机器人发展的一个，可能会是一个里程碑吧，因为它就像一个种族，是有延续性的 是可以通过自我的一种繁殖，我觉得机器人能够组装造自己，就是一种繁殖的体现，所以这也是我非常想做的，一个课题，也是我当时去找教主的时候，我就说我是非常想做这件事情的，机器人的种族，我觉得，第一我非常喜欢，就是机器人哪里坏了就可以修，你看我之前这个，拍影摔了以后 就是因为这个某一个部位受伤，就得在家待着很久，而机器人就可以换掉呗，换掉然后可以拆，然后可以改变形态，我觉得这是一种非常，自由自在的一种存在方式，然后机器人，想咋样就咋样 对想咋样就咋样，甚至你可以，就是像特休斯的传，那个希腊故事一样，我把这个机器人，从头到脚都换成了，另外一个零件，甚至模型也可以换，它还是原来那个机器人嘛，其实在我们公司的，发展过程中，就是有这种 本来是有编号的，就是这是一个机器人，它的编号是这个，然后通过不断地修和改，它已经完全不是，原来那个它了，它好像跟那个，原来它的唯一联系，就是它们编号是一样的，但是里头全都换掉了，我们就说，要不要给它起一个新的名字呀，不然好复杂，还经常要说，这个机器人，在某个时间点前，是这么个东西，后面是这么个东西，机器人种族，我觉得，也许是会成为，机器人种族的一个伦理，就是之前什么，我的上一辈，做这个事情，跟我没有关系，因为我们已经，从头到脚都没有一个零件，是一样的机器人了，然后这个伦理审查，我也会就来看，这个机器人，是不是真的从头到脚里面，每一个零件，都是换新了的 [03:27:04]
小珺：你觉得机器人种族，是人族的延续吗，机器人会是人类做的最后一件事情吗，最后一件事情，我确实
柯丽一鸣：希望我们做的很多事情，是可以提升生产力，使得你可以做到很多，原来需要人做的事情，然后你一个人就可以做，但是我相信，人类的创造力是无穷的，我不觉得，我们活着是为了提升生产力，我觉得我们活着更多的是，爱与死吧，是文学作品中永恒的话题，我觉得，其实是在一个，生产力高度发达的年代，应该也有人，想要做一些不一样的东西，想去探索，一个还没有做出来的东西，该怎么做，所以我不觉得，机器人会是最后一个造物，但是延续，我就是觉得，一个比较浪漫的想法是，虽然我们生命，是很短暂的，只有100年，放在人类历史，放在宇宙历史上，就是微小到不值得一提，但是是不是有可能，你造出一个东西，它可以看到宇宙的尽头，看到宇宙的尽头 我不知道这个时间跨度是多大，但是可能我们活不到那个时候了 Machine learning这种方法，机器学习这种方法来训练机器人，因为你也说到 [03:28:50]
小珺：它跟上一代人非常的不一样，它是一个黑盒，你觉得在这种训练机器人价值观背后，让你对于人和机器人，有什么新的感悟没有，它是黑盒 [03:29:04]
柯丽一鸣：但是它因为是从一个数据出来的东西，它是有限制的，它是bonded by the objective that you define 它是一个很数学化的一个东西，所以它虽然是一个过于，它是过于奇的，对它是一个过程无法理解的黑盒，但是它是在数学角面上，可以解释的一个东西，我觉得在训练机器人的过程中，有什么感悟的话，可能一方面，就是一方面会觉得，确实就是能够发挥，我这个特别想偷懒的天性吧，如果一件事情，可以让机器人来带我做 我会想方设法，让机器人来帮我做，这不就挺好的，就是你有个智能体，它也许还没有到完全体
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 它也许还没有到完全体 [03:29:59 - 03:40:00]
柯丽一鸣：它也许还没有到完全体，它已经可以做一些事情，我就想办法，把这个事情给利用起来，来提升我的生产力，可以让我少干点活，我觉得这个，是我对于人类文明的偷懒，我甚至可以暴乱一下，是不是偷懒，就是人类文明，一个本质的追求，提升生产力和偷懒，是一个东西，然后其他的话 我觉得在很多时候，在我现在的工作中，是没有什么人文的存在，或者说因为我每天，讲的是一些，非常物理化的，科幻化的一个东西，我也会感觉，就是我会和一些，其他搞人文的，就是小说创作，艺术创作的一些朋友聊天，他们也会很好奇，问问这个机器人的进展，我也会很自己，作为一个用户的好奇吧，是不是有一天，我们创造出的这些智能体啊，它也能够进行，某种意义上来说超越它的，就是离开了它的创作者，就是我们的一些创作，那一天会发生什么，我不知道，也许他会搞一个二维码，然后他们每个人都觉得，每个机器人都觉得，这个二维码美极了，然后你在这里看了以后，就有一种不明所以的感觉，当机器人有一天实现了，你准备去干嘛，实现了 写小说吧，回家写小说，做一个游戏，创造一个，非常能贴合，我的喜好的一个故事，把它分享给别人，看看有没有其他人 [03:31:13]
小珺：喜欢这个东西，诺贝尔文学奖，看看，冲击一下啊，你现在脑子里，有这样的一个故事吗
柯丽一鸣：我觉得构思小说，确实是一直没有停止过的，写不写出来是另外一回事，脱更是经常有的，但是构思一些故事，不管是和我们现在生活非常贴切，还是说非常天马行空的想象，真的机器人解决以后的社会形态，是一直都有存在的，就包括就是生产力极大的爆炸以后，一个人，就假设在现在这个年代，就有生产力极大爆炸的话，那确实就可能就家里就，终于不用被，前来看望的爸妈吐槽，说你家里怎么这么乱，这么脏，就可以不想干的事情，都可以丢给别人干，丢给别的机器人去干，然后也可能会，就是比如说，现在在艺术创作中，比如说朋友会去做一些，小手模艺品，就我觉得可能就更多的是，你有这个概念，然后你可以把这些，执行端的事情 全部交给机器人来完成，我觉得这些也是一个方向，然后可能更远一些的生产力爆炸，可能有个资源以后，自己可以造一个城堡，就到哪个乡村去邻居，你看网上有些古堡拍卖 才几万美金，就可以买一个什么 200年没有修过的古堡，你现在没有人买，是因为太麻烦了，要修要找很多专业，我觉得就是一个很有意思的特点，可能是，现在社会里面很多工种 是一个特殊的工种，你花了很多，你作为人的这个时间，去锻炼一个技能，然后你有很多的知识，但机器人或者人工智能，它作为一个大模型，或者通用的一个东西，它是可以随时的切换，比如说将来，可能修房子，就真的就是，有两个修房子机器人，他们什么都能做，让他们可以互相配合，就把现在需要找，不同工种，我们完成的这个事情，给干掉了，可能我们现在做研究，也是有一点类似的，你以前可能做研究，要找一个专门的，这个A人，负责这个东西，他可能有些洞察力，但你现在就问，同一个模型，他可以达到，所以我觉得将来，就是如果每个人，都有可支配的一些，就是这种通用生产力，而且每一个具体的任务，它又都是专家级别的话，那就是真的能够到达生产力爆炸，能够做很多，现在想都不敢想的一些事情，可以创造更好的游戏和小说了，你喜欢的小说的世界观，是什么样的，有两类吧，第一类是在一个 完全不同的科幻环境下，探索了一些人与人之间的关系，第二类是一个，拿着一个魔幻的题材，但是把它放到了，我们现代的生活之中，举个例子的话，可能第一类，之前看过一个，修真小说，但是是在宇宙里，搞科技发展，就很抽象，这个命题，讲出来我都觉得，好像很乱七八糟的样子，但它其实探索的，其实是一个，就是女主角，作为这个穿越者，来到了这么一个，未来的世界，感受到未来世界的，这个社会制度以后，她想要改变这个制度，她做的很多事情，我觉得这个，是和我们非常遥远，但是在未来也许有一天，某一个人就会有这样的一种 struggle 一种困境，一种英雄的旅程，什么样的社会制度，把它改写成什么样的社会制度 在它那个社会制度里，它有很多性别对立的元素存在，就是男性和女性的分工，完全不一样，女性的分工呢，是因为她们所拥有的一些，就天生就有一个，就自己的一个宇宙空间，所以她们被塑造成了一种，类似看起来，似乎是女尊的一种世界里，但实际上女主不觉得，这是一个好的世界，毕竟她也是从我们这个世界出身，她可能天山就不认同这种世界观，但在那个已经成型的社会观里面，每个人生来要做什么事情，都是从小到大的，细节教育观点，社会塑造非常强烈的，她想要反抗这样的社会塑造，她想要创造一个，大家就可以自由选择的一种东西，她在这里如何，就是召集盟友，就是让大家愿意追随他，和他一起做这个事业，是一个很有意思的旅程，然后，另外一些的话，就是就类似的这种科幻小说 我现在还挺多的，就非常喜欢这种，然后，另外一类的话，我觉得就是这种模范主义吧，比如说看这个，现代社会打工人，怎么又兼职武林盟主，就是有一种，就是两种，完全不同的世界观的碰撞，一方面是一个，你生活息息相关的，好的地方，你都能理解，痛的地方，你也能感受到，另外一方面是一个，你可能小时候，会想喜欢的那种，跟我们巴干打不着的，一种完全不同的世界，但是在一部作品里面，把两部世界揉合在一起，让你感受到，他们之间的一些共同性，还是挺有意思的，比如说我之前，因为经常打游戏，打网游，然后网游里面，可能是需要组队的，就担任了一份，一段时间的队长，去负责组队，沟通，还有处理一些，鸡毛蒜皮的事情，或者说团队的时候，进度遇到的问题，你需要去安抚啊，或者说给大家打鸡血啊，这其实跟现代公司的，这些项目管理，是有非常多一举同工之妙的 你是虚无主义的信仰者吗，我觉得是，日解吧，虚无主义，我觉得我很难，在看到一个具体的，意义的陈述的时候认同它，人活着是为了什么，我觉得是一个无解的命题，所以当别人可能会，试图说服我说，某个东西很有意义的时候，我要是想要打破砂锅，问到底，我就会能够得出一个结论，就是其实没有什么意义，所以这是我，稀有主义的一个部分，那人活着的意义是什么呢，就没有意义了，我觉得不需要回答这个问题，那每天激励你，过每一天的，内心的那个动力，是什么呀，我觉得从某个意义上来说，我是很幸福的，因为我在做，自己最想做的事情，所以你是没有预期，也没有目标，我还挺喜欢，乔布茨之前的讲话，人生有可能是有很多点 当你在走过的时候，它们看上去毫不相关，但也许有一天，它们是可以连起来的线，我并不觉得，我走的每一个点，需要一个，马上就能阐述的，清楚的目标来驱动，但是在某种意义上来说，现在我的人生的途径，走到今天，已经能看出一些，奇奇怪怪的点，连成了一条线，形成了我这个人的历程，你能对未来有某些点的预测吗，点的预测，就未来时空的一些，可能性的预测，我的这个人的点的预测，我就非常想做一些，就我比较感兴趣的课题，并且希望把它们做成一个，就是五年前我想都不敢想的东西，我觉得如果能做到这个，我会非常快乐，所以这是我在接下来，五到十年的一个期望 也有可能就是，技术发展得非常快，我也想开始做一些，更加落地的项目，因为觉得这个东西好玩，我觉得，预期是无穷的，但是最后随着时间的推演，你会把这些东西，收敛到一个，更加确定的道路上，所以我很难，现在给你一个，我以后要去做这个，反正都说，如果做这个就会很好 [03:38:20]
小珺：这种思想是更多的，就在工作中，我们是非常确定的，下午做这个，那我们进入，最后的一些问题，我们或许每一位嘉宾，推荐一本人生之书，要真的对你的人生
柯丽一鸣：有过非常重要的影响，你会推荐哪一个，觉得有非常多的书，都影响到了我，但是现在可能，偶尔会思考的这本是 Distinct吧 Constructional Social Taste 它是一个法国哲学家，写的一本，关于这个社会的阶层，和每个阶层的这个喜好，就包括人生活中的衣食，住行，方方面面，他认为是有很多，是经由现在的社会所塑造的，我为什么推荐这本书，是因为，我觉得就是通过看这本书，让我对于我，所喜好的一些东西，和我有多少喜欢，是我自己喜欢，有多少喜欢，是社会的塑造的喜欢，产生了更多的认知 而在现在这个社会在硅谷，我觉得是重视着一种，对于生产力的崇拜的，就是也许我们没有，这个书中所描写的 [03:39:49]
# 146. 对Physical Intelligence柯丽一鸣4小时访谈：Pi的开源模型研究，机器人的江湖、族谱与主角
- 这个书中所描写的 [03:39:59 - 03:48:32]
柯丽一鸣：这个书中所描写的，那个社会的那种，旧式贵族的打这个球呀，骑这个马呀，是一种更高贵的运动，在那个年代，他们可能会追求一些，我们现在不太认同的，就是价值观，什么是更好，什么是没有那么好，但我们现在，其实我觉得，也是有一种新的价值观，甚至我觉得，这个价值观，也只是一个，变化中的缩影，我觉得这是我的，人文主义的东西 在告诉我，虽然我是在工作中，这么热衷地，去优化生产力，虽然整个硅谷，它已经放弃了，什么对衣服，对穿着，的这些讲究，它讲究的是，什么效率，讲究的是，这个精简 [03:40:27]
小珺：讲究的是创造，它何尝不是，这个社会价值观的，一个部分，你小时候想离开家乡，想远离家乡，然后，我觉得是非常好奇，外面的世界有什么，来到外面的世界，那在今天此刻你在硅谷，因为今天的硅谷，其实是统治化的，它是高度竞争的，高度竞争的
柯丽一鸣：你有什么想反抗的吗，我时常觉得，这是一个很有意思的点，小时候搞竞赛吧，会学到一些算法，贪心算法和动态规划算法，是两个常被放在一起比较的东西，贪心算法呢，就是说我在每一个时间点上，我都要做最优化的一个决策，我要做当下的最好，而动态规划算法呢，就会告诉你，就是如果你有一些全局的视角，你就会发现，每一步都做最好的决策，并不能让你达到全局的最优解，我是非常的喜欢，这一个逻辑的信息的，所以很多时候，我觉得就像赛光师马，焉知获福吧，一时的成功失败，还有优化，还有没有做到极致，其实并不能代表着 长期最后的结果，因为我们没有一个人，有着全能全知的视角，所以即使是在，追求优化的道路上，我有的时候觉得，就做九分留一分是可以的，而我自己的这种，求学路程啊，工作各样的东西啊，可能也在很多人看来，就是从来不把事情，做到最后，我觉得也许机器人会是，我第一次觉得，我们得把这个事情，做到最后，但之前的那么多，没有做到最后的东西，才让我走上了，今天这条路，我觉得这个和硅谷这种，很多时候很多人，都是从混岛之前，就走上了同一条路，一直在上面竞争，是有一些本质性的，不太一样的 [03:41:59]
小珺：一个全球范围内，你喜欢的食物，熊市炒蛋，我们希望在这个人工智能，快要来的时候，留下一些人类的 [03:42:37]
柯丽一鸣：日常生活的印记，一个全球范围内你喜欢的地点，地点吗，我，我非常喜欢爱丁堡，这是我在英国留学的短暂的半年里，应该是最喜欢的城市了，可能以前的我，因为比较喜欢一个人待着，而且现在大都市很多时候是一样的，就没有那么的感受到，我走入了一个，完全不同的物理空间，我整个人的状态，都会发生如此大的改变，因为爱丁堡这个城市，有非常多的古建筑，也保存得非常好，并且它也没有那么多，就是大都市的那种，喧嚣感吧，就它甚至有点像旅游城市，大家都是去看那个古堡的，但是在那种城市 有一种迈下来的感觉，有一种就是思考人，就是历史，这么沉重的一个东西，放在你眼前，然后你在这个转瞬的一瞬间，你想做一个，非常大的一个动态的一个变化，但是就在这些城中历史面前，这个动态的变化究竟最后会去哪里，你是不知道的，只是站在城中，只是站在这个历史的一级这个地方，能感到一种 就是很安稳的感觉吧，所以是我非常喜欢的一个地点，一个少余人知道，但是非常重要的知识点，我可以讲一些就是 生理知识相关的吗，可以，对这个是我上大学的时候，和朋友聊天才发现的，就是女性朋友们，可能有一些误解，觉得，就是有一个叫，处女膜这个东西，它会在就是第一次，的时候会破裂会流血，就变成了一个，就是大家非常相信的一个，真理了 但其实在医学方面，它是有一个医学的名称，叫做阴道斑，它并不是意味着你的这个第一次体验，也并不一定会流血 这是一个我当时和朋友沟通，我们也是恶补了一下这些生理知识，才发现我们对于自己的身体构造，有着这么多的缺失，在你看来影响机器人进程的论文 好多论文啊 GPT也极大的影响了机器人的进程呢，真的有太多论文，我觉得很难，就是以一个吧，我觉得从数发展上来看的话，最近影响很多，就包括这一代模型的电机，比如说像Diffusion Policy啊，这种就扩散式的，还有之前就是Transformer ACT 这样子开始用这个Transformer架构做，还包括更早，我觉得有很多对模仿学习，和情话学习的本源性研究，都影响到了，就是现在大家在做什么，基于你当下的认知，一个关键的重要的BAT是什么，我觉得其实我们进入家中，不一定是以产品的形式，是更多一些探索形式，没有那么的远吧，你说机器人进入家中，对，比我一开始想象的，可能要近一些，我们工作室，叫语言集世界工作室，当你第一次听到，这个名字的时候，你在想什么，语言集世界，我可能下意识的就是，把它诠释成了，语言就是全世界，然后我就会有一些跳跃的想到，这不就是刚中之脑吗，就是咱们其实生活在一个，有所有感官连接的一个东西，就是你所有感官就掌握着，你对这个世界所有的认知 完全也可以想象，我们活在一个巨大的模拟器里，你的眼睛鼻子耳朵，都插了一个信号源的，这个信号源，想给你输什么就输什么，因为现在研究区间，研究区的话，大家会说就是，大语言模型，它是一个纯语言交互的，就之前的那一代，纯语言交互的话，它是不是不能理解，真实世界，不能够把它所，听到的一个概念，而放到真实世界中，就是证明是一个水杯，这个水杯其实有很多，物理性质都不能够 capture 不能够去捕捉，不能用言语去描述，我觉得也是，这样的反思，变相促成了，多么大的研究吧，所以我们生活在一个，巨大的模拟器里面吗，如果模拟器就是世界的话，那好像模不模拟，没有什么差别，微信主義 [03:46:17]
小珺：好了今天的节目就是这样，这里是商业访谈录，是一档由语言及世界工作室出品的深度访谈节目，你可以到公众号关注我们的工作室，获取更多的信息，我们的公众号是语言及世界 Language is world 也欢迎你在小宇宙的评论区，与我们有更多的互动，我们希望和你一起从这里探索新的世界 [03:47:32]
柯丽一鸣：优优独播剧场——YoYo Television Series Exclusive [03:48:02]
来源：OpenAI News
URL：https://openai.com/index/cars24
Cars24 使用由 OpenAI 驱动的语音和聊天智能体，每月处理超过 100 万分钟的对话，挽回 12% 的流失线索，并将智能体工作流引入公司各个团队。
本期 Aswath Damodaran 介绍他 2026 年国家风险更新的主要内容。他指出，国家风险已经无法通过“只投资发达国家”或“在多个国家分散投资”来回避：跨国公司的收入和现金流往往暴露于不同国家，全球化又提高了市场之间的相关性，尤其是在危机时期。对企业估值和资本预算而言，国家风险应被视为财务分析的组成部分，而不是可以忽略的背景变量。Damodaran 将国家风险的来源归纳为政治结构、腐败、暴力暴露程度和法律体系强度，并进一步讨论主权评级、CDS 利差、国家风险评分与国家股权风险溢价等衡量工具，最后说明这些溢价如何进入公司估值、项目门槛收益率以及不同货币下的估值。
1. 国家风险是企业财务分析的基本变量，而不是只与新兴市场投资者有关的附加项。
2. 跨国收入暴露和全球市场相关性上升，使“地域分散即可消除国家风险”的观点失效。
3. 政治结构、腐败、暴力和法律体系是分析国家风险的四个核心维度。
4. 民主制度的风险更连续，威权制度的风险更离散；差别主要在风险出现的方式，而不只是风险多少。
5. 腐败应被当作隐性经营税纳入成本判断，法律体系则影响产权和合同现金流的可信度。
6. 主权评级、CDS、国家风险评分和国家股权风险溢价应结合使用，不能依赖单一指标。
7. 估值时要按现金流的实际国家暴露配置风险溢价，并避免重复计入同一风险。
8. 在假设一致的前提下，企业价值不应因为选用美元、欧元或其他货币而改变。
来源：Aswath Damodaran（阿斯瓦特·达莫达兰）
原始视频：https://www.youtube.com/watch?v=sres2R8etKA
Aswath Damodaran：嗨，欢迎回来。无论是在我的职业生涯还是个人生活中，我都是一个习惯性的人。 在我的职业生涯中，它体现在我更新数据的方式和时间上。我更新我的 常规数据，您在我的网页上看到的数据集，每年年初，前五天 今年的。自 2008 年以来，我每年都会进行两项更新。 这些本身并不是数据更新，而是我认为相关的主题的更新 对我来说很重要。从2009年开始，每年三月，我做这件事的第一年，我都会写一篇论文 关于股权风险溢价。一篇论文可能太强大了，因为它是我所有内容的集合 根据研究、数据和我自己的想法了解股权风险溢价。并且在 每年七月，我还会更新国家风险，而不仅仅是国家风险溢价， 总体国家风险。今年的国家风险更新现已发布，我想使用它 [00:00:00]
Aswath Damodaran：发帖谈谈该更新中的内容、我看到的数据以及研究内容 出现并在上下文中还谈论我国股票风险溢价。所以让我们第一步 回来。很久很久以前，当我在商学院当学生时，我完成了 MBA 课程， 我认为我们从未讨论过国家风险。有两个原因。其中之一是， 自从我在美国加州大学洛杉矶分校攻读 MBA 以来，人们就认为你会去纽约或伦敦工作 而且您不必直接面对新兴市场国家的风险。曾经有一面 问题。第二个信念是，如果你在很多国家，无论是作为一家公司， 作为投资者，事情会趋于平均。多元化的论点。这听起来很奇怪。 麦肯锡估值书的多个版本实际上是建立在这一假设的基础上的 当你投资不同的市场时，作为一家公司，你不应该有更高的股本成本， [00:01:00]
Aswath Damodaran：即使这是一个有风险的市场。当时这两个假设都是错误的，但它们已经 从此变得更加错误。因为现在国家风险确实无处可躲。 那么，让我解释一下为什么我认为那些最初的假设是错误的。 如果你只看重美国公司，就不必应对国家风险，这种想法是妄想。 我的意思是，如果你评估可口可乐或雀巢，你评估的是一家可能在美国和瑞士等发达市场注册成立的公司，但其大部分收入来自风险很大的市场。 第二个概念是可以分散国家风险。我不认为麦肯锡 因为数据已经改变，所以不再捍卫这个观点。在20世纪80年代中期，这是完全可能的 如果我们在 20 个不同的国家，每个不同国家的情况都会有很大不同 事情平均起来。随着我们的全球化，各国之间的相关性已经上升， [00:02:00]
Aswath Damodaran：尤其是在危机期间，毕竟这是你真正关心这一点的时候。现在如果你看 在整个市场中，它们往往会一起移动，国家风险不再分散。所以， 你不能再忽视国家风险。它是财务分析的重要组成部分。我来到了 大概三十年前就认识到了，我意识到我必须自己填充， 因为我没有太多可以用作数据或研究来支持我要做的事情。 那么，让我们从一个我认为相对较少有分歧的声明开始。 不同国家的投资风险各不相同。投资尼日利亚、投资德国、 投资阿富汗、投资巴西和投资加拿大有很大不同 给企业带来的风险。我认为每个人都同意这一点，但是一旦你通过了这个协议， 对于为什么不同国家的风险不同以及哪些风险可能存在巨大分歧 [00:03:00]
Aswath Damodaran：从更广泛的意义上来说，世界上一些地区的风险最高，我认为各个地区的风险差异 国家可以追溯到四个核心因素，第一个是政治结构，你知道它是否 民主或更专制，请记住，我不会以任何形式这么说 道德伦理判断，因为它发挥着作用，我将从以下角度看待这些风险 商业，所以我所说的任何内容都不应被视为对某些事物的好或坏的肯定 糟糕的是，这只是从商业角度来看，一个国家的政治结构很重要 腐败再次成为一个问题，但不是那么严重，我不会再次从道德角度提出论点 或者从道德的角度来看，但从商业的角度来看，当有大量的纠正时 腐败，它变成了一种隐性税收，你必须支付它才能运营它很难 当你周围有暴力时经营企业一个国家的暴力程度是否 来自内部或外部的力量都会影响您的业务。最后， [00:04:00]
Aswath Damodaran：企业的运作需要法律体系的支持，在产权和法律等方面 合同义务。因此，这些是导致不同地区风险差异的四个核心因素。 国家。在过去的 15 年里，我一直在更新这些方面的数据 尺寸，而我依赖于其他实体来测量它。我不是这些方面的专家。 因此，如果您发现我附在您所在国家/地区的数字可能是您不同意的数字，请原谅我。 我只是反映我在数据中看到的内容。让我们从政治结构开始。 《经济学人》衡量一个国家的民主程度，这是一个主观判断。 因此，如果您在这里看到一个您认为不正确的数字，那么它就是《经济学人》的衡量标准。 这反映了他们的偏见，他们为世界上大多数国家这样做。 您在这里看到的是一张热图，记录了他们的发现。 因此，世界上最环保的地区也是最民主的地区。 [00:05:00]
Aswath Damodaran：最红的部分是最专制的。 让我们从一些坏消息开始。 这方面的趋势线并不好。 世界变得越来越专制。 到 2025 年底，仅占全球人口的 7% 左右 你知道，生活在世界上纯粹民主地区的民主地区。 剩下的 93% 生活在一些变化中， 某种版本的独裁政权。话虽如此，你可以检查分数 我对国家有看法，请记住，这是从商业角度看待风险，值得辩论的是 企业更愿意采用这种结构来运营。让我来权衡一下。 民主给企业带来了更多持续的风险。那么这意味着什么呢？ 你有一个政府，它被投票淘汰，新政府上任，他们可以改变政策， 他们可以改变税法，他们可以改变法规。所以在民主国家还有更多 由于政府的变化，每个时期都会发生变化。相反，如果你是 [00:06:00]
Aswath Damodaran：在独裁政府中，你可以向企业承诺事情不会改变并坚持下去 直到有大事发生。民主与专制之间的真正权衡 结构不是风险的普遍程度，而是风险如何显现。在民主国家，风险是 连续的。企业一直在抱怨这一点。在专制结构中，风险是 离散的。它出现的频率较低，但一旦出现，则更有可能是灾难性的。 无论好坏，都要考虑到这一点。这是驱动风险的第一个因素。 第二是腐败。对于那些在世界各地开展业务的人来说，腐败是开展业务的重要组成部分， 这不仅是一个令人头疼的问题，而且是一笔真正的成本，因为你必须将其计入你的开支中，而且你甚至可能无法为此申请减税。 同样，有一些实体可以衡量腐败程度。 [00:07:00]
Aswath Damodaran：我使用的实体称为透明国际。 它用分数来衡量世界各地的腐败情况。 再次通过热图，您可以看到世界上腐败程度最低的地区。 绿色和世界上最腐败的地区是红色。 黄色和橙色落在中间的某个位置。 世界上腐败程度最低的地区是欧洲、美国、加拿大、澳大利亚。 新加坡是亚洲的前哨基地。 世界上最腐败的地区是非洲和拉丁美洲的部分地区。 你知道，你进入北欧和东欧，对不起，北欧，不是北欧，但是 欧亚大陆、欧亚大陆北部、俄罗斯，你会看到更多的腐败。现在，我知道人们很快 将腐败归因于文化。但我认为这与文化关系不大，而与 两件事。一是你向官僚支付的报酬有多好。我的意思是 如果你付给他们的钱少 [00:08:00]
Aswath Damodaran：你受到鼓励。第二个是一个国家有多少人认为 每个人都遵守规则。如果人们认为高层人士不是 遵守规则，你就会看到腐败一路蔓延。再说一遍，我的原因是 从商业角度关注腐败，因为它就像隐含税一样。所以如果你有一个 正常税率为30%，严重腐败会让人感觉你有一个 税率为 50% 或 55%。这是第三个因素，接触暴力。暴力可能会来临 从内部或外部。在这里我要看看一个叫做“人类愿景”的实体， 它基本上衡量了世界各地的和平。再说一次，世界上最绿色的地方是 最平静的。最不平静的最红的部分。黄色和橙色落在中间。 你可以再次看到世界上最和平的地方，欧洲的部分地区，加拿大， 澳大利亚，以及令人惊讶的拉丁美洲南部地区。现在美国确实得分了 [00:09:00]
Aswath Damodaran：由于枪支暴力盛行，和平程度相当低。但话又说回来，从企业 观点，为什么这很重要？因为如果你周围有暴力行为， 你必须投保，你必须花钱购买安全保障。这些东西全部 侵蚀你的利润率，让你的企业不太成功。最后，法律体系 很重要。以什么方式？如果财产权和合同义务没有得到执行 及时的方式。关键词是及时。法庭需要 35 年才能做出对您有利的判决 几乎和朝廷一样反复无常、为所欲为。而这里，又出现了 产权措施。我正在使用一个名为“产权联盟”的组织 提出了这个衡量世界各地产权的准则。又来了，最环保的 世界上一些地区是产权最受保护的地区。并且 [00:10:00]
Aswath Damodaran：世界上的红色地区是产权保护最少的地区。现在，正如你所看到的 在这四个热图上，您会注意到热图之间存在相关性，即 世界的相同地区在每个热图上显示为红色，世界的相同地区通常显示为绿色。 这并不奇怪。国家风险有点渗透，各种因素相互渗透。 现在，正如我所说，所有这一切，如果你，你知道，如果你的首要问题是气候变化，你会说，所有这一切中气候变化在哪里？ 在过去的几年里，我一直将气候变化视为其中之一，它不是我分析的首要和中心，但它就在这里。 我研究了一个衡量全球气候风险暴露程度的指数。 现在，当您查看这张地图时，您已经明白为什么气候风险并不是各国差异化的重要因素， 因为每个国家似乎都暴露了。这是第一个。 第二个是，在气候风险开始以切实的方式出现在众所周知的公司盈利底线中之前， [00:11:00]
Aswath Damodaran：它不会体现在国家风险中。 至少目前，这并没有以足够大的方式发生，不足以改变对话。 这在未来可能会改变。 但我计划每年再次跟踪此事，看看结果如何。 也许其中一年，它将成为整体国家风险衡量标准的一部分。 现在，说了所有这些，作为一个企业的多种衡量标准，你希望将这些衡量标准进行整合以得出一个分数。 现在，最明显地发生这种情况的市场是债券市场或债务市场，其中 政府主权者出去借钱。现在是贷方，贷出这些的人 政府的钱担心违约风险。为什么他们担心违约风险？因为 主权国家确实违约。我将从一张图表开始，说明他们违约的频率。 这是历史上按年份划分的主权违约数量。你可以在 20 世纪 80 年代看到 [00:12:00]
Aswath Damodaran：90年代这个数字猛增。它在本世纪有所下降，但仍然很重要。 但有两件事我希望你注意。一是债券违约数量相对 随着时间的推移，贷款违约情况发生了变化。目前主权债券的违约数量远多于 和贷款，这些贷款往往来自银行。 其次，请注意图表的蓝色部分 是被违约的本币债务。 传统智慧和主权国家借用 以当地货币计算，他们不应该违约。 原因是他们应该能够印钱 为了还清债务，为什么他们会违约？ 当然，他们违约的原因是 他们进退两难。 他们可以选择印钞票来偿还债务， 但随后通胀飙升，否则他们可能会违约。 我认为正确的是，许多政府得出的结论是，从违约中恢复过来比从恶性通货膨胀中恢复更容易。 [00:13:00]
Aswath Damodaran：最重要的是，仅仅因为您拥有当地货币政府债券利率并不意味着它是无违约的。 现在，如果你放眼各个地区，拉丁美洲历史上一直是主权违约的中心。 但到 2023 年底，如果放眼全球，就会发现全世界、亚洲、东欧部分地区都有大量债务违约。 和俄罗斯，有趣的是，这不仅仅是集中 在世界的某个地方。 政府往往借贷过多 其中一些确实默认了。 当然，现在作为政府的贷款人， 等到默认之后就太晚了 对此做点什么。 那么贷款人做什么呢？ 他们寻求前瞻性的估计 主权违约风险。 最广泛使用的措施 主权违约风险的主要来源是主权评级。 标准普尔、穆迪和惠誉都这样做。 我知道你们很多人不信任评级机构。 [00:14:00]
Aswath Damodaran：我实际上认为他们平均做得很好 总的来说。 他们可能有一些地区偏见， 但我不认为偏见是大问题。 我认为延迟是。 我的意思是评级机构非常慢 采取行动，但他们的收视率是可供人们查看的。 在这张图中，你实际上看到了世界的样子 从收视率的角度来看。 事实上，我已经报告了每个拥有评级的国家的标准普尔、穆迪和惠誉评级。 评级并且覆盖了世界大部分地区。 有一些市场没有评级，我们称之为前沿市场， 叙利亚、阿富汗、朝鲜等市场。 原因通常是收集信息非常困难，以至于评级机构 最后他们举起手说，我们不能评价这些国家。 顺便说一句，俄罗斯已经不再有，其主权评级已被撤销。 [00:15:00]
Aswath Damodaran：所以这是我们必须考虑的因素。 我实际上已经填写了一些我可以填写的国家/地区的评级，但基本上 各国的评级存在差异。 现在，如果您在过去 20 多年里不信任评级机构，我们还有其他选择。 这是一个基于市场的数字。 供应充足，而且它是一个主权 CDS 市场。你说，什么是主权CDS？这是一个市场你 可以去购买针对主权违约的保险。假设你买了一个巴西的 政府债券，你说，我不想面临违约。你可以去买保护。那 保护以价差定价。这是一种年度利差，您可以使用在您的帐户上获得的优惠券 巴西债券，您支付差价，您就有保险。这种价差是一种衡量标准，是一种基于市场的衡量标准 违约利差的衡量标准。至少在 2026 年 7 月开始你就可以看到这些数字， 就主权利差而言，世界是什么样子的。我喜欢这个市场，因为它给了我 第二个地方我可以去查看收视率。但它确实有一个问题。可用 [00:16:00]
Aswath Damodaran：仅适用于约 80 个国家，而世界上约一半国家没有主权 CDS 利差。 因此，在您获得更全面的覆盖范围之前，我一直在使用更全面的国家风险表的评级 保费。但在我的国家风险溢价电子表格中，我确实提供了替代方案 主权信用违约掉期（CDS）适用于那些可以使用的国家。当然，无论是收视率还是 主权信用违约掉期利差反映了违约风险。如果你是一家企业，这不仅仅是主权违约 你面临的风险，这都是风险。所以解决这个问题的一种方法是想出一个 一个国家的综合风险评分，并且有可以执行此操作的服务。在此表中， 例如，我已经报告了我能够获得这些分数的国家/地区的数字 来自两个服务。其中一个是名为 PRS 的服务，政治风险服务，我曾经使用过的一项服务 我的数据更新了很长时间，另一个来自《经济学人》，它也做了同样的事情。 [00:17:00]
Aswath Damodaran：当你查看分数时，你知道，在各个国家/地区，已经存在三件事 从这张表中可以看出为什么很难获得这些国家的风险评分 实际上在分析中使用它们首先是服务是特殊的这意味着什么 经济学家从低到高低分代表安全国家高分代表 有风险的国家/地区的 PRS 则恰恰相反，每项服务都有多种因素导致 等待得出这个综合分数 权重不同 因素不同 所以你可以看到同一个国家的得分却截然不同。 顺便说一句，如果你看看 PRS 分数，我喜欢 PRS，我喜欢这个。 你知道，这里有一些数字不符合逻辑。 我的意思是，美国的风险比以前更大，但它比加纳的风险更大吗？ 根据 PRS 的说法，在综合风险基础上，确实如此。 因此，您可以选择一些数字，但这些是综合国家风险评分。 [00:18:00]
Aswath Damodaran：这给我带来了估算挑战。 我做了很多公司财务分析，并且对公司进行估值。 在这种情况下，我需要风险溢价，以及可以纳入贴现率或现金流量的数字。 在过去的三十年里，我一直在玩这个，我已经改变了。 这是一项正在进行的工作。 但基本结构仍然相当稳定。 我从成熟市场的风险溢价开始。 我将谈谈我是如何做到这一点的。 然后我估计风险较高市场的额外风险溢价。到2025年中期， 我获得成熟市场隐含股权风险的方法是计算隐含股权风险 S&P 500。现在您会问，S&P 500 的隐含溢价是多少？我会回来谈谈 关于那是什么，但我用它作为我成熟的溢价。我的辩护是美国是 AAA 级 至少根据穆迪的说法，这是一个成熟的市场，所以我将用它作为我的 [00:19:00]
Aswath Damodaran：成熟溢价。 2025 年 3 月或 4 月初，穆迪将美国评级从 AAA 下调至 AA1 它不再是 AAA 评级，没有一家评级机构给予它 AAA 评级 现在我必须做一些体操才能获得成熟的市场溢价。所以我要告诉你 2026 年 7 月初我的成熟市场溢价是什么样的。我首先估计了我的 标准普尔 500 指数的隐含股票风险。让我解释一下这意味着什么。结束时 截至 2026 年 6 月 30 日交易，标准普尔 500 指数约为 7,500 点。这就是当时的实际水平 指数。现在，当我购买指数时，我购买的是 500 家大小股公司。从一个值 从角度来看，我将从这些公司获得现金流。这些现金流将需要 股息和回购的形式。我知道去年、过去 12 个月的情况。我已经 估计未来五年这些现金流量会是什么样子。 估计是因为你需要我从分析师那里得到的预期增长率 [00:20:00]
Aswath Damodaran：盈利预测并估计其现金流量。这样我就有水平了 指数预期未来现金流量，然后我就结束了，但它是 但在标准普尔 500 指数中，假设未来某个时间点，即第六年 在这种情况下，我的现金流将开始以与经济相同的速度增长， 我用国债利率作为我的代理来估计经济的增长、正常增长率。我看到了，基本上我知道了指数的水平，我预计了现金流。我看到贴现率使我的预期现金流量的预期现值等于指数水平。 这是内部收益率。 8.65%。你说，我该怎么办？这正是投资者所期望的 靠美股赚钱。所以这不是我的观点、你的观点或某些人的观点，这是市场的共识预期。 目前，国债利率为4.45%。到2025年中期，它将扣除国债利率 [00:21:00]
Aswath Damodaran：这本来是可以完成的。但问题是国债利率现在存在一定的违约风险 因为美国不再是AAA评级了。 违约风险并不大。 0.22% 是基于 AA1 评级的默认利差。 我把它减去。 我得到的美元无风险利率为 4.23%。 我会很诚实的。 我希望我不必这样做。 很乱。 但我必须面对我所面临的现实。 所以我的隐含股权风险溢价， 如果我使用国债利率，则是4.2%。 但如果我使用调整后的无风险利率，则为 4.42%。 这就是我要从中得到的结果。 4.42% 将是我对美国股票的风险溢价 那来自市场。 4.2%，这就是溢价 如果国债利率是无风险的， 现在将成为我成熟的市场溢价。 [00:22:00]
Aswath Damodaran：4.2%是我的起点。 现在为了填补剩下的空白，这就是我要做的。 我要查一下你们的主权评级。如果你是AAA级的，我会给你4.2%的溢价。 所以现在世界上仍然有AAA评级的九个国家现在将面临股票风险 4.2%，低于美国溢价。如果您的评级不是 AAA，那么我的任务就已经为我安排好了。 我将根据您的评级查找默认点差。然后我要做一个额外的步骤。 违约利差是我购买一个国家发行的政府债券时收取的费用。 但我对购买债券不感兴趣。我想要股票。因此要估计股票的风险有多大 是，我作弊。这就是我的作弊行为。我查了一下新兴市场的标准差 股票指数相对于新兴市场政府债券指数的标准差。并且 2026 年 7 月，即 2026 年 7 月开始，基于五年数据的数字为 1.55。 [00:23:00]
Aswath Damodaran：股票的风险大约是债券的1.5倍。那么让我们做一个假设。如果你有一个国家 默认利差为 2%，我将把 2% 乘以 1.55。我会得到3.1%。 我会将其添加到贵国 4.2% 的成熟市场股票风险溢价中。 目前，大约有 20 个国家没有得到任何评级机构的评级。 在那里，我作弊得更进一步。我查了一下该国的 PRS 分数。我寻找其他 具有相似 PRS 分数的国家，这些国家都有评级，我推断出股票风险 这些国家相对于我被低估的国家的溢价。我知道，我知道，我在伸展身体，但是 你有什么选择？您还如何估计股权风险溢价 对于朝鲜？结果表在这里，我必须这样做，有一点我想要 两周前，我列出了该表的早期版本，其中风险溢价较高 [00:24:00]
Aswath Damodaran：几乎每个国家。我更新的原因是我没有完全纠正默认值 当我把它发布出来时，它就蔓延到了各个国家。所以我很抱歉提前把它说出来。 这些是我的最终数字，至少在 2027 年 1 月下次更新之前是这样。 因此，当你查看各个国家时，你会发现美国有 4.42% 的溢价， 但AAA评级的国家有4.2%的溢价，德国、澳大利亚、荷兰、 所有其他国家，如果有评级，都有基于评级的违约利差，如果 没有评级，我使用国家风险评分来得出评级和股权 和国家风险溢价。因此，股权风险溢价包含了成熟市场溢价 和国家风险溢价。现在，所有这些都与国家风险有关，但最终这与 当人们关注个别公司时，会为他们提供帮助。公司利用这个来提出 最低资本回报率或投资者对公司的估值。现在当你重视公司时，我一直是一个坚定的信徒 [00:25:00]
Aswath Damodaran：你所讲的每一个估值都是一个故事。这基本上需要问自己， 当我重视我的公司时，我应该花多少时间来谈论这个国家 公司在?所以我借用了一些我在公司中使用的东西，一个公司的生命周期， 我创建了一个国家生命周期，其中国家经历了增长阶段，成为 成熟，然后走向衰落。作为一个框架，我们正在考虑您的国家有多少 叙述对您的公司很重要。如果您正在评估一家委内瑞拉公司，那么 委内瑞拉发生什么事了？可能比你公司发生的事情还要多。你的 国家将成为其中的重要组成部分。对一家公司进行估值几乎是不可能的 一个非常危险的国家，却没有与之相伴的国家故事。就连巴西和印度， 哪里有更大、更先进的新兴市场。我认为不可能估价 [00:26:00]
Aswath Damodaran：一家印度公司，其大部分收入来自印度，但没有印度故事 嵌入那里。几年前，我看重了一家名为 Zomato 的印度公司， 你知道，在线餐厅配送公司。我对我的 Zomato 的事实持非常开放的态度 故事里有一个印度故事。当您进入更成熟的市场时，乡村故事就会随之而来 进入背景。所以你卖的是一家德国公司，但你不谈论德国，我 明白了，可能并没有那么大的区别。所以你告诉我一个国家在哪里 在生命周期中，我将讨论该国家/地区将在多大程度上推动您公司的发展 故事。说了这么多，让我们退后一步，看看如何估计资产净值 公司的风险溢价。老实说，在很多实践中，我对此感到震惊。我是 令人惊讶的是人们经常选择公司注册国并为此利用股权风险 国家。所以你的美国公司，你有一家印度公司的美国股权风险， [00:27:00]
Aswath Damodaran：你得到了印第安人，你会说，这有什么问题吗？如果您的美国公司怎么办 可口可乐 60% 的收入来自美国以外？或者如果您的印度公司 Infosys 90% 的收入来自外部。你说的是例外。他们是吗？ 这里我选取了四种广泛的指数：富时指数、日经指数、标准普尔 500 指数、Sensex 指数、 获取指数中的公司并查看指数中公司的集体收入 并将它们分解。看看吧。在每一个指数中，注意有多少收入 该指数中的公司来自国内市场以外。 我认为，当你考虑公司股权风险时，你必须考虑 公司在收入和运营方面开展业务。您的股权风险溢价为 那么，如果您对一家公司进行估值，则应反映您的运营风险敞口。 [00:28:00]
Aswath Damodaran：现在，你可以根据收入等待，你可以根据产量等待，你可以等待混合， 你是说我应该使用哪一个？ 这取决于公司。 如果你有一家像可口可乐这样的消费品公司， 我会选择收入。 这将是你的关键驱动力。 如果您拥有一家自然资源公司， 我要去制作。 你的风险来自于你从哪里获得石油， 不是来自您出售石油的地方。 如果您是一家制造企业， 你们在世界某一地区设有工厂 而且你们的收入也不同， 它可能是两者的混合。 但最终，我不认为利用国家 成立是有道理的。 我认为你必须进行操作。 现在，在企业融资、公司内部，您需要股权风险管理的原因 就是当你进行项目分析时。 您需要项目的最低预期回报率。 我们刚刚所做的事情为复杂化打开了大门。 通过什么方式出现并发症？ 现在，我将以GE，老GE为例。 如果你让我估算一下印度 GE 家电项目的门槛率，首先 [00:29:00]
Aswath Damodaran：我必须做出货币选择。 我们会回来讨论这个问题。 但如果你试图提出美元最低门槛利率并使用美元无风险利率， 你的贝塔值应该是家电业务的贝塔值，而你的股权风险应该是无风险的贝塔值 行业。所以你是一家跨国公司，你的门槛利率会因国家而异， 即使由于国家不同而您从事一项业务。如果您是一家多元化企业 跨国公司，那么你的最低门槛率将会因业务的不同而有所不同 因为项目所在地会有所不同。匈牙利的 GE 飞机项目应使用 匈牙利股票风险溢价和飞机贝塔值。所以我认为这确实让事情变得更加混乱 估计最低资本回报率，但这确实让它变得更加现实、更具前瞻性 这让我想到了在结束本次会议之前我想讨论的最后一点。 对于你们中的一些人来说，这可能会很奇怪，因为我谈论了国家风险并且我已经 一次也不提货币。这是故意的，因为对我来说，货币是一种测量工具。 [00:30:00]
Aswath Damodaran：它不是国家风险的驱动因素。它是国家风险的反映。但简单地说，记住 我们谈到的所有这些因素会导致国家风险、政治、法律体系，所有这些 这些风险将表现为货币波动性更大。这是真的。我同意你的 根据您选择的货币，最低门槛利率会有所不同，部分原因是， 或者很大一部分是因为无风险利率的使用会根据货币的不同而不同 使用。全球无风险利率的概念是荒谬的。有无风险利率伴随 货币。在这张图中，我实际上估算了大约 40 种货币的无风险利率。 他们有什么共同点？它们都有以当地货币计价的政府债券利率。 这就是我所做的。我采用的是当地货币政府债券利率 并扣除了政府的违约利差。所以即使在美国， 我已经开始计算国债利率，净值为 0.22%。 剩下的，图表的绿色部分， [00:31:00]
Aswath Damodaran：不同货币的无风险利率。 明确说明土耳其雷亚尔无风险利率的风险 远高于肯尼亚先令的无风险利率， 高于杰克卡鲁纳的无风险利率， 高于瑞士法郎的无风险利率。 因此，如果我使用这些无风险利率来估计最低门槛利率， 让我们从显而易见的事情开始。 我们有一家土耳其公司在土耳其有一个项目。 它估计土耳其里亚兹的最低门槛利率，你从 20% 的无风险利率开始， 你的最低门槛利率将是股本成本、资本成本，无论你使用什么， 分别为 28%、29%、30%。 如果你以同一家土耳其公司为例，它以欧元估算其最低预期回报率， 您的无风险利率起价约为 3%，即德国欧元债券利率， 在此基础上，你的门槛率会低得多。 如果你就此打住，你就会得出这样的结论： 如果我用当地货币（在本例中为土耳其里亚兹）估价，我会得到 较低的值，因为我有较高的折扣率。那不是真的。原因如下。当 [00:32:00]
Aswath Damodaran：当你在金融分析中使用货币时，你必须保持一致。如果你的折扣 利率以货币表示，您的现金流量必须以相同的货币表示。我不去 这里很神秘，但是你的货币选择会影响你的折扣率。如果你 拥有高通货膨胀率的货币，它会使其更高。但同样的高通胀将 也表现为现金流的较高增长率。 我知道你可能不相信我 但如果你采用高通胀货币 你会得到很高的折扣率， 你会有很高的增长率，你会获得价值。 如果你做对了事情，这个价值 对于您的货币选择应该是不变的。 我们在土耳其谈论的那个项目， 应该有，如果它有正的净现值 与土耳其里拉相比，它应该有积极的作用 欧元的净现值，但事实并非如此。 如果你没有得到相同的答案， 这是因为你的货币不一致。 所以如果你相信这个想法 这是差别通货膨胀 这导致了货币之间的差异， [00:33:00]
Aswath Damodaran：这意味着我可以估计无风险利率 任何货币，埃及镑，你知道， 你选择货币。 通过采用基础货币，美元或欧元， 我知道无风险利率是多少， 然后采用差别通货膨胀， 预期通胀。 因此，例如，如果我有美元无风险利率，并且有埃及镑、埃及镑的预期通货膨胀率和美元的预期通货膨胀率，那么我应该能够获得任何货币的无风险利率。 我实际上有一个链接，可以估算 200 种货币的通货膨胀率。 基本上，我预计每种货币都会出现通货膨胀。 请对此持保留态度，因为预期的通货膨胀对于您的货币和美元来说都可能是错误的。 但这里有个好消息。 只要保持一致，您就不必获得通货膨胀率。我的意思是 假设您低估了埃及的通货膨胀。你会低估折扣率， 但您也会低估以埃及镑计算的现金流量的增长。所以它是自我纠正的。 [00:34:00]
Aswath Damodaran：这也意味着，如果你实行货币挂钩，并且世界上的某些地区已经实行了挂钩 货币挂钩，只有在通胀率低于预期的情况下，这些货币挂钩才值得信赖和使用 挂钩货币和基础货币大致相同。所以不管它是什么 值得，但我认为我们花了太多时间思考用什么货币进行分析 没有足够的时间谈论我们的估计与通货膨胀的一致性 嵌入我们的现金流和贴现率中。底线是，那些日子 忽略国家风险，那是我获得 MBA 的日子，我就完了，你别无选择。 全球化的副作用之一，我什至不会称其为副作用，是你必须应对 国家风险是正面的，因为每个企业、每个投资者都面临风险。问题, 的 [00:35:00]
Aswath Damodaran：当然，国家风险的根源在于政治、历史和治理。而对于 无论好坏，它都带有情感包袱。我的国家风险溢价始终 那些不喜欢我给予他们国家的国家风险溢价的人会遭到反击。 并说，这不公平，我们比这安全得多。我不会试图为自己辩护。我 我尽我所能，在我的估计中尽可能不带偏见。 但这是一项正在进行的工作。 我会把事情弄错的。 我会想念一些东西。 并随时指出我可以做得更好的地方 因为最终我需要这些数字 使我的估值和公司财务分析发挥作用。 我希望这些数字能够尽可能地反映 根本的真相。 我希望您觉得本次会议有用。 非常感谢您的聆听。 [00:36:00]
相关链接：
- Slides（演示文稿） https //pages.stern.nyu.edu/~adamodar/pdfiles/blog/countryrisk2026.pdf
- Blog Post（博客文章） https //aswathdamodaran.blogspot.com/2026/07/country-risk-drivers-measures-and.html
- Paper（论文） https //papers.ssrn.com/sol3/papers.cfm?abstract_id=7107638
- Country equity risk premiums（国家股权风险溢价） https //pages.stern.nyu.edu/~adamodar/pc/datasets/ctrypremJuly26.xlsx
- Riskfree rates（无风险利率） https //pages.stern.nyu.edu/~adamodar/pc/blog/DiffInflationRiskfree26.xlsx
本期《All-In》先邀请英特尔前首席执行官 Pat Gelsinger 与 Jason Calacanis 对谈，回顾英特尔从美国最具代表性的科技公司之一走向被英伟达、台积电和苹果赶超的过程。讨论认为，问题不只是某一个制程节点或某一次管理决策，而是公司在制造、产品路线、客户关系和组织文化上长期积累的失误：英特尔曾经拥有强大的芯片设计、软件和制造能力，却没有及时把这些能力标准化并服务于更广泛的生态；同时，内部流程变慢、对竞争格局的判断滞后，也让苹果转向自研芯片、英伟达押注 GPU 和人工智能等变化逐渐放大。
Gelsinger 还谈到制造业务、先进封装、软件与硬件协同，以及美国重新建立先进芯片制造能力所需要的时间和工程规模。他把台湾在全球半导体供应链中的集中度视为重要风险：如果台湾遭到封锁，影响不会局限于芯片行业，而会迅速传导到汽车、电子、通信、数据中心和整个美国经济。对谈也延伸到量子计算，Gelsinger 判断，量子位、纠错和算法已经出现实质进展，未来几年可能从实验成果走向具有实际意义的应用。
后半段，Lovable 首席执行官 Anton Osika 介绍了公司对“氛围编码”（vibe coding）的理解。Lovable 不只是帮助用户生成线框或原型，而是让用户用自然语言更快地构建、运行并迭代完整软件。用户既包括工程师，也包括大量非技术人员；平台把安全扫描、支付设置、软件架构和最佳实践等工程环节纳入工作流，因此可以成为技术人员与非技术创始人之间的桥梁。Osika 表示，许多用户已经用平台构建真实业务，副业项目也可能逐渐成长为正式公司。
双方最后讨论了生成式人工智能对软件开发成本、团队规模和创业方式的影响。核心变化不是“模型能不能写代码”，而是产品想法从验证、原型到上线的时间大幅缩短，更多人可以直接参与软件创造；但付款、安全、数据保护、可靠性和产品市场匹配仍然需要严肃的工程工作。节目因此把英特尔的教训与 Lovable 的机会放在一起：技术领先并不会自动转化为长期优势，真正关键的是持续迭代、贴近用户、把复杂能力做成可用的平台，并在新范式出现时及时改变组织和产品方向。
# Former Intel CEO on What Went Wrong, What's Next + Lovable CEO on the Real Promise of Vibe Coding
来源：All-In with Chamath, Jason Sacks & Friedberg
Jason Calacanis：在英特尔工作了很长时间。
Pat Gelsinger：是的。和。年仅34岁。 34岁。是的。
Jason Calacanis：可能是有史以来最伟大的美国公司之一。然后就彻底脱轨了，被英伟达、台积电彻底摧毁，我猜苹果在某种程度上也是如此。所以你有这个令人难以置信的英特尔内心时刻。我们购买的电脑是基于奔腾和那种声音。
Pat Gelsinger：里面有英特尔，宝贝。里面有英特尔。达姆，达姆，达姆。达姆，达姆，达姆。那么，让我们谈谈事情是如何出错的，什么是正确的，然后是如何做到的，你在那里呆了很长一段时间。你休息了一下然后就回来了。但似乎存在一些值得我们学习的严重错误。因此，让我们拥抱它并直接进入它。作为一家美国公司取得了巨大的成功。现在回来，我想，是合理的。
Jason Calacanis：但当我们回顾并进行事后分析时，我们会发现哪些错误以及我们将对该公司的方向做出哪些改变？
Pat Gelsinger：如果你今天要根据首要原则构建一个全球金融体系，你就不会在 50 年前的遗留轨道上构建它。您将构建 Airwallex，这是一个用于全球账户、银行卡和支付的人工智能原生平台。它的目的是让整个世界感觉就像一个本地市场。其他人则将人工智能连接到破损的基础设施上。但Airwallex 从一开始就是为智能时代而打造的。停止缴纳遗产税，开始在airwallex.com 建设未来。Airwallex，为未来而建。
Jason Calacanis：我在那里度过了大半生，你知道，我是这么认为的，我 18 岁时就加入了。我在英特尔度过了青春期，对吗？我开玩笑吧？你知道，就像，你知道，我来得太早了。
Pat Gelsinger：格罗夫、诺伊斯、巴雷特，对吧？你知道他们是我长大的人，是的，你知道，所以他们是我的导师，他们是我崇拜的人，他们都是技术精湛的安迪·格罗夫安迪·格罗夫·戈登·摩尔鲍勃·诺伊斯你知道联合发明人你知道这些都是技术精湛的领导者我记得当我第一次加入那里的执行人员时你知道你知道房间里的 20 个人中可能有 15 个人是博士，对吗？你知道，这就是技术性的。而且，你知道，我认为脱轨的事情之一是当它开始由
Jason Calacanis：业务人员而不是技术人员。精算师，财务人员。而且，你知道，当我 2001 年成为首席执行官时，那是 15 年来第一位技术领导者，对吧？你知道，与之相关。你知道，如果你有一位商业领袖，他会提拔谁？商业领袖。而且，你知道，对。你知道，所以我认为最根本的事情之一是，你知道，当你看看当今伟大的科技公司时，你知道，它们的技术含量很高。创始人通常是领导者。
Pat Gelsinger：是的。即使他们不是，你知道，萨蒂亚也不是创始人，对吧？桑达尔也不是创始人，但他们都是技术精湛的人。当您做出这些影响数十亿美元的核心技术决策时，您不会通过电子表格来完成。这是一项糟糕的投资，对吧？除非技术趋势使其成为正确的投资。我认为这是最基本的事情之一。显然，在我回来之前的五年、五六年里，英特尔向股东捐赠了 1000 亿美元。
Jason Calacanis：哦，股息和股票回购。一百亿，如果资产负债表上再有一千亿美元，我是不会这么做的。嗯，我的意思是，你会怎么做？你可能会为 iPhone 制造芯片，但英特尔放弃了这一点，是吗？是的，但当我到达那里时，它已经十年没有建造新工厂了。就像，你怎么能不建造呢？怎么能不买EUV机器呢？你知道，所有这些事情，你知道，你只能作为技术专家去做，因为它们背后的经济学本身并不好。
Pat Gelsinger：所以，你知道，这又回到了技术的核心。对我来说，这是最根本的事情。你知道，你做出了正确的决定。作为领导者，你会做出错误的决定。每个企业在发展过程中都会这样做。但是，你知道，从根本上来说，这是一个技术业务，你需要技术人员来运行技术，然后雇用坐在员工中的技术人员，然后雇用最好的技术人员，你知道。你知道，在未来可能很重要的类别上采取重大举措，比如滑到冰球要去的地方。如果你看看苹果公司，你会发现他们在过去 15 年里做了同样的事情，回购股票，派发巨额股息，我相信，迄今为止，他们是所有公司中最大的资本持有者。
Jason Calacanis：他们购买了哪些公司？他们利用利润进行小额收购。我认为最大的一个是 Beats，因为他们想进入某些特定的受众群体，比如他们无法进入的 Android 领域。但天哪，这真是浪费时间。就像你说的，他们本可以做很多令人惊奇的事情。
Pat Gelsinger：告诉我关于 2008 年、2009 年史蒂夫·乔布斯 (Steve Jobs) 的事，他决定，我认为我们要制造自己的芯片，以及这种影响，因为这是一个秘密产品项目吗？你们知道他这样做吗？他通知你了吗？
Jason Calacanis：嗯，这似乎又是一个岔路口。是的。你知道，史蒂夫是一位令人难以置信的领导者。你知道，他也是一个无情的领导者，对吧？你知道，非常困难，你知道，也读一下沃尔特·艾萨克森关于他的书。多年来我和史蒂夫进行了很多很多对话，你知道，为此。但当他们转向英特尔和迅驰芯片时，这就成了一件大事。是的。正确的。他们对英特尔提出了非凡的要求。将芯片做得更小，驱动功耗更低。他们是要求严格的客户。
Pat Gelsinger：当他不再相信我们可以继续这样做时，他开始了这个项目。正确的。如果你还记得的话，是不是，你知道，P Semi，你知道，他们收购了一些小公司，开始建立一些能力。但是，你知道，他们在内部做了一些小芯片。这没什么大不了的。然后小芯片变得更大一些。你知道，史蒂夫是这方面的大师，你知道，刚刚开始，你知道，这些在公司内部建立核心竞争力的小努力。我记得当我们与史蒂夫第一次讨论将操作系统从他们在转向英特尔之前运行的电源芯片移植到英特尔芯片时。
Jason Calacanis：我们对我们拥有的芯片软件能力以及编译器和操作系统感到非常自豪。所以Steve会帮你把操作系统移植到x86上。我记得史蒂夫说过，我一直在致力于最近的四个版本。
Pat Gelsinger：他一直在为苹果内部的核心技术做准备，以应对未来可能发生的事情。你知道，他已经，你知道，对我来说，我只记得我很震惊。您知道，我已将最后四个版本移植到 x86。我想我们得到了这个。是的。正确的。你知道，就是这样的事情。这就是他们进入半导体行业的方式，你知道，做自己的半导体。我不确定我是否可以依靠英特尔在行业中领先那么多。我可以开始使用芯片设计来优化系统设计，而不是依赖于在操作系统中针对 Windows 环境和 iOS 环境进行某种程度优化的设计。
Jason Calacanis：而且，你知道，这只是，你知道，他从来没有说过这样的话，你知道，你是对的，你作为供应商失败了。不，我可以让自己变得更好。是的。 Jensen 决定，嘿，他将全力制作这些视频卡，并谈论令人难以置信的机缘，这些视频卡恰好也非常适用于加密货币并运行这些人工智能工作。
Pat Gelsinger：这是运气、技巧还是两者的结合？好吧，当你想到这个进步时，詹森，他只是在建造高性能计算机、吞吐量机器。
Jason Calacanis：当我们在英特尔的 CPU 领域处于鼎盛时期时，我们有点嘲笑他的机器。是的。正确的？所以，就像，哦，这是一台图形机器。
Pat Gelsinger：有些游戏玩家想要使用这类东西。始终是大 CPU 和小 GPU。但是当他们开始用它构建一个真正的软件堆栈时，你知道，有点，好吧，CUDA 的东西和 SIMT 作为一种技术，你知道，多线程等等。而且它一直在变得越来越好。这有点像工作。您知道，我们只是在每次发布时都让它变得更好，并且变得更加强大。突然间，那些疯狂的日本 HPC 人员说，嘿，我们可以采用这些显卡，也许可以开始在 HPC 中使用它们。
Jason Calacanis：正确的。你知道，那是一个决定性的时刻，它不再只是做图形了。这是一个计算更加密集的平台，可以开始攻击世界上一些最有趣的工作负载。我认为 Jensen 会同意这是一个决定性的时刻，他们有点说，哦，这些不再只是显卡了。您知道，这些是通用计算设备，可以开始应用于这些其他工作负载。而且，你知道，人工智能到那时已经经历了第五个核冬天。
Pat Gelsinger：就像，伙计，你知道，你知道，这永远都不重要。正确的。我们永远不会取得突破。但你知道，它周围的社区正在继续发展。而且 CUDA 软件一代又一代地变得越来越好。呃，你知道我在 intel larabee 有一个项目，我们试图采用 x86 并基本上做同样的事情，你知道 10 个你知道，在我第一次离开英特尔时，这个项目在我离开一周后就被终止了，世界将会有很大的不同，对吧
Jason Calacanis：我的意思是真的，我认为这说明了持续创新需要承担一些风险并进行基础研究和技术的复合力量，因为我认为威廉·吉布森说过街道找到了自己的技术用途。就像，NVIDIA 没有预测到这个比特币项目会接管，这将是进行这些计算的最佳方式，我认为，他们也没有预测到人工智能会起飞。但因为这是最好的解决方案，黑客社区可能会认为
Pat Gelsinger：出去。好吧，当我们结束你在英特尔的职业生涯时，好吧，Apple Silicon，这就是其中之一。
Jason Calacanis：然后你就有了 NVIDIA。然后，这家台湾公司开始制造，你知道，非常擅长制造这些芯片。英特尔也错过了这一点。是的。也许你会谈论一下台积电和他们的飙升。我们现在甚至可以稍微了解一下它的政治，然后我们将进入其中一些人工智能芯片和风险投资。台积电的问题在于他们是从代工的愿景开始的，对吗？他们将成为该行业的工厂。再说一遍，这些工厂太贵了，
Pat Gelsinger：200亿、300亿，以及实现它所需的工程和持续投资。这在当时是一个令人惊叹的愿景。英特尔就是IDM，我们称之为集成设计和制造。我们从未努力让我们的流程和工厂可供第三方使用。
Jason Calacanis：一直都是这样，嘿，我们自己做了足够多的 CPU。我们将其重新用于芯片组和我们正在做的其他一些事情。但它从未以可用于广泛生态系统的方式标准化，您知道，使用 PDK 和所有设计工具。你知道，我们自己做了很多 EDA 工具。您知道，我在职业生涯早期开始的项目之一也是 EDA 的基础，对吧。第一个地点和路线，你知道，第一个标准单元，第一个高级描述语言。
Pat Gelsinger：它是如此专有。
Jason Calacanis：台积电基本上将其削减了一半，并表示，我不在乎它是谁的芯片。我不在乎你设计什么。我将成为您的制造合作伙伴。在当时，这只是一件微不足道的事情。
Pat Gelsinger：英特尔根本不在乎，对吧？很快。然后，经过很长一段时间的稳步进展，以及苹果作为客户推动它们变得真正有意义，显然世界发生了变化。当我 2001 年回到英特尔时，台积电生产的晶圆是英特尔的 5 倍。哇。正确的？不是 5 倍多 10%。是的。突然之间，这种代工厂模式成为了半导体行业的模式，只有英特尔和内存这两个例外。你知道，内存是设计和制造的，对吗？因为，你知道，这是独特的不同。
Jason Calacanis：显然，我们看到的是价值 3 万亿美元的存储公司，非常非凡，还有台积电的万亿美元代工公司。你知道，业界说过，我想要很多晶圆。我想要很多不同设计的创新。我有了一层标准化和 EDA 工具，世界就变了。显然，当我回到英特尔时，这是新战略的核心论点之一。是的。我们也必须成为一家铸造厂。五比一，现在就晶圆而言，更像是七比一，你知道台积电，我们是吗？
Pat Gelsinger：显然，我们有筹码行动，只是给我们一个大致的框架，你认为这里会发生什么，显然台湾正在发挥作用，政府中的一些人认为，嗯，这将在特朗普下台后的一年发生，除非他获得第三个任期，其他人相信这将在27日或可能进入28日发生。那么，我们是否能够在合理的时间内在美国复制这种情况？或者这真的可能是一场灾难性事件，如果，你知道，上帝保佑中国决定，嘿，我们要去
Jason Calacanis：封锁台湾，然后台湾人决定，是的，我们要烧毁晶圆厂，我们要飞走所有工程师并将他们运到美国。嗯，这个问题有很多内容。我们有一个小时的时间来讨论这个问题吗？嗯，我的意思是，我们有六分钟的时间，但是，是的，尽力而为。好的。
Pat Gelsinger：我还想谈谈人工智能泡沫。关于这个超级快的三件事。一是《CHIPS 法案》有好处，对吗？当我们在 2001 年开始实施 CHIPS 法案时，当我回来时，美国正在建设大约 12% 的领先优势。如今，这个数字更像是 18%。好的，我们正在取得进展。这不是50%。我们还有很长的路要走，对吗？英特尔开始成为真正的代工厂。好吧，这才是真正的进步。
Jason Calacanis：台积电的工厂已经建成并规模化运营，对吧？我们也有三星。但我想说英特尔和台积电的进步，好吧，这是有意义的。现在，让我们把它变得丑陋一下。台湾岛的能源储备还不到三周，两周前《华尔街日报》曾就此发表过一篇大文章，不到三周的能源储备。哇。好的。这应该会让每个人脊背发凉吧？因为封锁三周后，岛上的电力就耗尽了。当你关闭晶圆厂时，它会在 90 天内不会重新启动，对吗？
Pat Gelsinger：台湾限电对经济的影响比世界大萧条还要大。你永远不需要做任何事，一枪就可以开。你只需要说，太好了，三个星期没有精力了。没有油。对吧，没有液化天然气，对吗？岛就是这样运行的。这太可怕了，你知道我的意思吗？我们需要与之相关的更具弹性的供应链。我不认为这对世界来说是一个替代方案，因为如果它真的成为一种风险，你知道，我，你知道，我，你知道，我不会坐在战情室里获取所有数据等等。
Jason Calacanis：但让我们互相提醒一下，我认为中国在过去四年里已经七次封锁台湾海峡。是的。这不是理论。不，不。他们正在跑步练习。他们在以下方面是有害且相当挑衅的——那是2027年吗？那是2030年吗？那是2035年吗？长期以来，他们的意图一直很明确。我们需要更有弹性的供应链。所以我投入了大量的时间和精力，我们正在取得进展，但我们需要走得更快，需要变得更有意义。
Pat Gelsinger：是的。让我们来谈谈人工智能的构建。我的意思是，你目睹了个人电脑革命、服务器和互联网。这些都是非凡的扩建。然后这是结束所有扩建的扩建。数据中心的数量、芯片的数量、所需的推理量。
Jason Calacanis：你认为这是泡沫吗？我想我听过你说，这显然是一个泡沫，但是这里的风险因素是什么，我们构建了太多，或者技术不能解决足够的问题，而我们却在代币中游泳。您现在所看到的情况让您担心什么？这些公司的估值已经非常惊人。如果他们建造太多，花太多钱，却赚不到足够的钱，那么，根据你经营一家公司（一家上市公司）的经验，这就会带来很大的压力。当你赚的钱没有现在那么多时
Pat Gelsinger：支出，人们往往会不再喜欢这些股票。是的。嗯，我确实认为这里有一线希望，可以保证我们在泡沫方面不会走得太远。这就是能量容量。正确的。正确的。世界能源产能正在扩大百分之四到百分之五。在美国，我们有十年的时间是百分之一。正确的。我的意思是，大约十五年来我们对能源网所做的事情实在是太可怕了。但现在它已经建成了。但本质上，如果没有的话，没有人会建造和购买 GPU 以及建造数据中心
Jason Calacanis：活力。因此，从本质上讲，我们的攻击性、炒作程度和泡沫程度是有上限的。所以我对此感到很大安慰，因为代币的增量价值是什么呢？如果这是智力的衡量标准，那么它有点无限，对吧？从某种意义上说，如果我有更多的智慧，我就会做得更好的供应链。我会做更好的金融。我会做更高效的物流。你知道，我会做所有这些事情。所以对我来说，我们在代币经济世界中释放的潜在价值在某种程度上是无限的，
Pat Gelsinger：正确的？尤其是我们在发达国家看到的劳动力短缺等问题。你知道，我是一个乐观主义者，我们将在未来几十年内实现发展。哇。正确的。不是几年，是几十年。我说过的一大目标是我必须让 AI 变得更好 10,000 倍，对吗？你知道，今天的价格太贵了。你知道，我们希望将每个代币的成本降低五个数量级，你知道，每个代币的能量，你知道，这样我们就真的有了杰文斯定律，我们只是在很大程度上爆炸了对人工智能的访问，对吧，
Jason Calacanis：更经济的方式。杰文斯悖论似乎在去年一直在发挥作用。就像，天哪，这些代币是如此便宜，而且工具变得如此优秀。是的，我要开始整天使用这些工具，直到账单进来，你会想，好吧，是的，也许我需要从中获得一些投资回报率。但确实有这些令人难以置信的公司，Cerebrus、Grok 等等，做出了推断。对吧，Dematrix，Nexilicon等等。如果我们实现了，对，你知道，代币经济的这些数量级的改进，
Pat Gelsinger：可用性，与之相关的能源成本的降低，你知道，我们面前还有美好的几十年。在人类历史上，还没有哪个时期比我们现在所处的时期更适合成为一名技术专家。我们将解决化学问题。我们将解决语言问题。你知道，我们将发明新材料，你知道，新形式的相互作用，你知道，杀死癌症，对吗？让人们摆脱贫困。没有比我们现在所处的时代更好的生存时代了。作为技术专家，我们可以坐在驾驶员的座位上
Jason Calacanis：它的座位。相当惊人。你正在投资，这就是你现在的热情。您如何看待这些估值？看起来，如果你经历过互联网泡沫，我们确实会看到那里的脱节。这些公司，略有不同。我们只有 11 个实验室，收入 6 亿，可爱。我认为他们有五六亿。所以这与互联网泡沫的猜测完全不同。是的。是的。嗯，从根本上来说，我们也从这些业务中获得了实际收入和实际利润。也就是说，只要倍数变得太高，就可以进行一些修正。对我来说，
Pat Gelsinger：定期修正以使市盈率、市盈率等保持在合理的水平是好的，因为这不会是一条平滑的曲线。我预测未来二十年会是美好的，但在此过程中将会出现很多干扰。这不会是一条平滑的曲线。每次我们进行其中一项更正时，都要说声谢谢，对吗？我们不会让泡沫超前发展，对吗？你知道，嘿，我们面临着 SaaS 末日。当行业受到影响时，这一过程中还会出现其他灾难
Jason Calacanis：通过将要释放的能力。甚至在它变得令人兴奋之前，我称之为计算、经典计算、人工智能计算和量子计算的三位一体。当这三个人走到一起时，好吧，那就是事情变得非常令人兴奋的时候。 Aquatim 距今已有 25 年的时间了，大约有 5 年的时间。
Pat Gelsinger：什么时候它才能真正做一些有意义的事情？这十年。这十年，到 2030 年也是如此。是的。这将会很有意义。 2030 年我们应该期待它的影响是什么？你将能够开始做今天无法计算的事情。化学、生物学，有些东西今天是无法计算的。你知道，一些简单的事情会像物流一样，我会计算出最好的答案来把这个东西交给你。旅行商问题。正确的。你知道，突然之间，所有这些问题都出现了。
Jason Calacanis：显然，我们可能会在 2020 年、2032 年、2033 年解决加密之类的问题。正确的。你知道，在哪里，你知道，你将拥有基本的 Q 日，你知道，某种影响。但这个十年，我们将在多个行业看到量子霸权的结果。你知道，我们知道如何构建量子位。我们知道如何纠正量子位的错误。我们现在有了针对量子的算法，对吧。而且，你知道，现在只剩下工程规模了。谁会赢？
Pat Gelsinger：嗯，显然，我是一个科学量子专家，对吧，因为那是我们的投资组合公司之一。但你看到的是，现在有四、五、六种量子模式正在展示相当好的结果。正确的。你知道，跨越被捕获的离子，跨越光子方法、自旋方法。所以你现在说形式不是问题。纠错已经在它们身上得到了证明。而且，你知道，我认为比赛将会继续。我的预测是在 2030 年之前取得有意义的结果。哇。你意识到那是从现在起大约 40 个月后的事了。
Jason Calacanis：是的。好的。有意义的结果。非常感谢帕特分享所有这些令人难以置信的信息和知识。很高兴见到你。非常好。我要全力以赴。
Pat Gelsinger：最有价值的对话很少发生在办公桌上。走廊水槽、晚餐、创始人的快速电话。 Plod Notepin S 夹上并免提拍摄所有内容。随后，Plod Intelligence 将录音转化为清晰的笔记并明确后续步骤。你留在房间里，普洛德会处理剩下的事情。对于经常参加会议的人来说，这是真正的杠杆作用。在 plod.ai 上穿着您的 Plod。
Jason Calacanis：奥斯卡是我最喜欢的创始人之一。他是可爱的创始人。我为什么喜欢这个创始人？嗯，他开发了一款人们上瘾的产品。主要是安东，那些为我工作的人。我喜欢和你说话，因为作为创始人，你有一颗北极星。您非常专注于帮助任何人构建出色的软件。是的，这就是公司的使命。我在这里解释一下，但这本质上就是 Lovable 的使命。使命，我谈论的是赋予人类权力。赋予人类权力。第一个差距是构建产品。
Anton Osika：第二个差距是围绕产品建立业务。现在，Lovable 的每个人都在努力解决这两个差距。第一个，我们已经走了很远了。我们每周都会看到一百万个新项目建成。极好的。
Jason Calacanis：在第二个方面，我们投入了大量资金，让您的业务更容易运营，让人们关心您，让人们发现您所创造的东西，以及您作为一家小企业所做的一切的整个业务。如果您是一家大型企业，我们也会受到很大的关注。我们实际上看到每月超过 7 亿次的应用程序访问量就是证据。因此，如今在该平台上构建的超过 5000 万个应用程序的表面积每个月都在急剧增长。 Lovable 上市多少年了，或者现在几个月了？
Anton Osika：20个月。 20个月。我们再次看到了首次创始人的人。我们看到企业领导者与他们的团队在这个平台上一起行动得更快，该平台在如何创建软件、如何操作该软件以及公司中的不同应用程序如何随着时间的推移相互连接方面有很多固执己见的部分。这就是为什么我们在企业方面也看到如此多的增长，我们现在实际上增长最快。这真的很有趣，因为 10 年前，人们正在开发所见即所得的软件。
Jason Calacanis：它叫什么名字？在进行振动编码之前？无代码。无代码，低代码。是的。 10 年前，当我看到在我的孵化器中，每 20 家公司中就会有人进来，他们是 MBA 或不是开发人员，他们对某些东西进行了振动编码。不是振动编码，他们没有编码。他们使用这些不同的软件平台，而这些软件看起来并不好。它运作得并不完美。虽然进展缓慢，但承诺就在那里。我想需要法学硕士和这种新的智慧才能制作出真正优秀的软件。
Anton Osika：所以也许你可以谈谈谁是客户，因为开发人员……开发人员使用 Lovable 还是社会上其他 95% 的人是你的客户？您如何看待您的理想客户档案是谁？我们看到人们使用 Lovable 时都具有技术背景。大约 20% 是技术或某种类型的工程师。他们喜欢我们固执己见。我们将所有最佳实践融入到软件的架构中。我们让它变得无缝。
Jason Calacanis：我们希望以非常安全的方式设置付款。并执行诸如在每次更改后运行安全扫描之类的操作，即使现在在后台监控项目。所以它实际上受到了工程师和技术社区的赞赏。
Anton Osika：还因为它是与非技术人员之间的一座伟大桥梁，五分之四的人都是非技术人员。他们在构建时通常首先要弄清楚构建什么是正确的，而这正是 Lavable 一直表现出色的地方。现在我们看到的是，人们在这个平台上经营的企业赚取了超过一百万美元的收入。所以这座建筑适合所有人。这是整个频谱。令人兴奋的是，如果一个人从同事那里发现了“可爱”，
Jason Calacanis：在一家大公司，他们出去然后做副业。
Anton Osika：其中一些副业确实有效。他们赚了数十万美元，然后成为创始人。因此，两者之间存在着异花授粉。是的，这就是氛围编码真正有趣的事情。如果我们去年坐在这里，人们会看着它并说，这是制作模型的好方法。就像你说的，这是思考产品并可能创建线框或可行原型的好方法。现在所有这些都已成为过去。构建线框和构建模型的整个概念，嗯，您可以在一两天内直接构建产品。
Jason Calacanis：我认为，人们不欣赏你在 Lovable 所做的事情的是，在你制作出令你引以为豪的产品并且具有一定的产品市场契合度之后，还需要采取更多步骤。你提到了付款。您提到了安全性，确保数据不会丢失或不会泄露。
Anton Osika：过去 12 个月，情况发生了巨大变化。非常如此。所以我想说很多工程师，他们不看代码。他们不再写代码了。这意味着您不需要成为一名工程师来创建软件。
Jason Calacanis：但 LavaBull 为任何人（包括非技术人员）所做的事情是，它为您构建的软件架构创建了一个结构。它可以确保你不会掉下悬崖。诸如设置付款、电子邮件、被其他人工智能聊天引擎和谷歌搜索发现之类的事情，这些事情都得到了处理。您不必了解所有这些事情的详细工作原理。您可以相信该平台会负责数据安全，并以安全的方式连接到您可能正在使用的其他工具。
Anton Osika：这确实是我们从第一天起就坚持己见并专注于为 99% 的人提供服务的地方。这是一个广阔的市场，对吗？从第一天起，我们就取得了巨大的成功。是的，我可以在内部告诉你，我为我的团队提供了他们可能想要使用的所有不同工具。
Jason Calacanis：有人从《可爱》开始。
Anton Osika：我想一年前当你参加本周创业节目时我就告诉过你这个故事。
Jason Calacanis：他们制作了一些有趣的网站，并试图制作一个内部网。他们无法完全完成它。
Anton Osika：然后我有些人开始使用 Cursor 或 Cloud Code。他们开始进行氛围编码，但无法完成产品。然后人们尝试通过代码工作来解决一些问题。我真的很喜欢困惑计算机。然后我的团队来找我。对于我们的一个项目，我正在与您谈论我们的预加速器 Foundry 大学。他们想建立一个内部网。现在这是我永远不会同意的事情，因为十年前它需要花费五十万美元才能完成，而我们没有那种你知道我们宁愿投入的预算
Jason Calacanis：对项目的创始人来说，让更多的人加入这个项目，在四到八小时内，他们制作了整个内联网，他们制作了一堆我没有要求的东西，是管理这个创始人大学的人制作了它，她在未经可爱的许可的情况下自己做了这件事。我说，哇，你是怎么建造这个的？她说，可爱。我当时想，哦，我们还有可爱的吗？他们就像，她就像，我只是把它放在我的公司卡上，就你的观点而言。她做到了。现在该软件正在驱动该程序。
Anton Osika：人们在自己的国家开展该计划（我们在沙特和日本都有）的原因是因为它具有经济影响。所以我说，嘿，我有一个想法，你能帮我计算一下她要求可爱的项目中的 50 家公司的经济影响吗？我给了她一些你知道的提示人类提示老板，现在它已经在那里产生了经济影响，它考虑到你知道我们的提示很好，每家公司有多少人工作，他们纳税多少，他们租的房子多少钱？他们的平均工资是多少？它创造了我永远无法实现的东西
Jason Calacanis：负担得起建造费用。我想，可爱的是每月 50 美元。我不知道你收费多少，但太少了，我想大概是每月 50 美元吧。是的，如果你有商业计划的话。是的。 25 点开始。是的。所以你正在建造的东西的经济影响是，我会等同于你为我们建造的东西，两年前它会花费我 500,000 美元。它是由一名员工在 4 小时内完成的，如果你只给员工 50 美元、60 美元，或者 70 美元，再加上你的软件成本，那么它一年的成本还不到 2,000 美元。
Anton Osika：这是非凡的。
Jason Calacanis：我很想了解更多有关 Intranet 的进展情况。您有什么要求想直接转发给我吗？
Anton Osika：嗯，现在我关心的是安全。并确保数据不会泄露。他们与您的团队进行了交谈，并进行了检查，结果是安全的。所以我们对此感觉良好。看，我现在要求进行渗透测试的人说，我希望您比较所有工具，并确保我们正在做的所有工作在安全性和信任方面不可见。我们在很多事情上投资和花钱，每个免费用户都会在后台运行大量安全扫描，这实际上转化为安全专家可以看到的东西。
Jason Calacanis：一年前，我们正在做模型。现在我们已经具备了功能性、安全性和超级可行的部署能力。一年后你会在哪里？
Anton Osika：是的，所以我们看到的是在正确构建产品方面存在差距。您在该平台上构建了整个内部网。那太棒了。从那时起我们所做的就是拥有一个新的产品线，基本上是托管部分，既是人工智能又是所有正常的托管。该产品线的发展速度比建设速度还要快。 AWS 的竞争对手。
Jason Calacanis：它可以让您运行所有软件。然后我们也在幕后与 AWS 等公司合作。但你还想要使用 Lovable，我们的客户看到，作为 AI 联合创始人。您可以与您谈论业务中的所有事情的合作伙伴。如果您正在运行应用程序，您的工具就在平台上，那么只需与 Lovable 交谈就可以访问您可能想了解的有关您公司及其运营情况的所有数据。因此，我们正在与一些预发布的客户合作，让他们能够接触到适合您的联合创始人
Anton Osika：即使你在睡觉时。早上回来告诉你，比如这里有一些你可以采取的战略方向。您可以进行一些优化，以更快地发展您的业务，更好、更快地为您的客户提供服务。
Jason Calacanis：以及向运营和智能的演变，以推动您的业务取得成果。所以你来开发软件，但你留下来开发业务。是的，经营您的业务。我们已经在做的事情，我已经做了很长时间了，就是从我们所学到的一切中进行复合。每次 Lovable 犯错误时，它都会通过一个由我们的工程师参与的庞大系统进行改进。当然，这种复合智能适用于我们的客户，也适用于在我们的平台上运行业务的用户。
Anton Osika：软件是否会变得 100% 定制，甚至像内部工具一样？我正在查看 Slack，我们的 Slack 账单，即使是最高版本也可能是每年 10,000 美元。钱不多。这是非常值得的。但我开始想，好吧，也许我应该编写自己的 Slack 代码。因此，它更深层次地融入到我们所做的一切中。
Jason Calacanis：那么，您认为未来会是什么样子，每个初创公司、每个企业都使用的一些基础软件，如 Salesforce、HubSpot、Slack、Google 套件、Microsoft Office。定制软件会开始取代这些软件吗？你相信吗？我喜欢这个问题。让我来回答这个问题，但我只想给你讲一个我最近听说的某人的故事，他正在踏上这段旅程。他们相当先进。所以，Nenad，他在美国一家相当大的公司 Nursa 工作，他来到了我们的平台
Anton Osika：因为他想建立新的产品线“护士研究”，以教育更多的护士。他为该计划构建了所有管理工具、护士获得执照的时间表以及认证管理。他能够将其构建到产品中并将其推向市场，因为他们可以接触到想要获得认证的护士。他还所做的是将其带入内部后台，现在他们已经替换了定制应用程序中的 10 多种工具。
Jason Calacanis：就你的问题而言，你可以出于多种原因这样做。就他们而言，他们每年节省超过一百万美元。正确的。所以那是巨大的，对吧？但在某些情况下，您也有特定的要求，而您迄今为止使用的工具并不完全适合这些要求。在这些情况下，我认为，是的，您将拥有更多定制的解决方案。是的。但我也希望我们看到 Lovable 继续与所有这些工具进行互操作。我不确定你是否尝试过这个，
Anton Osika：如果您要求连接到 Google Suite 中的任何内容、Microsoft Suite 中的任何内容或 Slack，Lovable 会引导您完成所有步骤，让您可以很好地了解数据的流动方式，这当然非常重要，因为您不会让错误的人访问错误的数据。您可以继续使用 Salesforce、HubSpot 以及您喜欢在后台使用的所有工具，但在其之上有一个定制界面。这些新的前沿模型如何，它们在某些方面具有竞争力，但在某些方面
Jason Calacanis：你可以用它们来为 Lovable 提供动力。那么你如何看待与他们的竞争、开源以及 Lovable 的未来，因为自从你开始以来，人们每六个月就会宣布 Lovable 就会消亡，然后每六个月你的收入就会从 100 到 200 再到 300。我认为你的收入是 4 亿，这太疯狂了。 5 月份我们达到了 500 人。好的。增长是惊人的。所以你又要被另外一亿的年收入给吓死了。在幕后，你正在使用其中的一些......是的，让我解释一下。是的。
Anton Osika：是的。因此，我们一直有这样的策略：我们为客户做最好的事情。就情报而言，这意味着我们正在使用多种模型。因此，如果您现在询问 Lovable，它实际上会路由到最适合您想做的任何事情的模型。这都是来自多个供应商的商业前沿模型。而且越来越多地，它是开放权重模型，我们的团队，每当它被路由到我们自己的模型时，该模型对于我们的代理工具来说变得更加智能，特别是在错误方面
Jason Calacanis：在某些情况下，它可能会决定调用哪个工具、创建哪个集成以及如何指导您取得业务成功。正确的。所以你们都在开源。你相信这就是 Lovable 的未来。我正在读它。因此，我们拥有多个合作伙伴关系，并且我们正在大力投资以与这些合作伙伴保持密切关系。这是大型实验室。当我们知道我们可以用自己的模型做到这一点时，这也是为了确保我们能够以最低的成本为客户提供最快的性能。
Anton Osika：正确的。我们在斯德哥尔摩有一个非常非常强大的研究团队，他们正在研究所谓的后期培训。当然。我们正在应用所有最佳实践来做到这一点，并显着扩大该团队的规模，因为我们也相信它是欧洲生态系统的一部分，特别是在欧洲拥有这种能力。您是否正在或正在使用任何数据标签、数据培训公司来帮助您了解最常见的业务并构建专有数据？所以我们正在做的是我们正在寻找错误
Jason Calacanis：任何模型现在都会这样做。然后，我们根据对客户影响最大的因素来确定优先级。然后我们制作模型，创建数据集，我们专门针对前沿模型目前为我们犯错误的问题进行了强化学习。我们有如此巨大的代币分布，对吧？每周新建一百万个项目。你正在燃烧大量代币。我们是，是的。这是制作系统的很多信号，包括代理工具和我们在过去两年中不断完善的内容，即技能。
Anton Osika：我们拥有这种内部技能，代理知道何时记住我们的软件工程师的事实，这些工程师知道如何构建真正非常好的软件。
Jason Calacanis：我们每周都会修改这两个内容。这是完全有道理的。有人告诉我有些公司正在进行代币倾销。他们以 50 美元的价格出售价值 100 美元的代币。
Anton Osika：基本上，他们在某种程度上成为了代币经销商，而且他们是赔钱的企业。你必须这样做，我相信你现在已经盈利了，或者接近盈利了？我们始终监控我们的利润，但同样，我们正在为客户做最好的事情。这意味着，这通常意味着更多的智力。所以我们不是在看，哦，让我们使用它。我们从来没有决定说，如果对我们的客户来说明显更糟糕，那就让我们在这里使用更便宜的型号。我们可以衡量什么对我们的客户来说是最好的。 50 是无限制的还是现在有上限？
Jason Calacanis：我们有帽子。是的，你必须有过度调整的上限。人们开始打他们了吗？是的，我们的客户肯定达到上限，然后你可以充值，你可以有多个订阅级别。什么号码？我只是好奇，有多少人需要充值？他们对它如此上瘾，以至于他们已经超越了……所以从最低的订阅层来看，我认为大约有 60% 的客户是这样的。是的，我越来越多地听说人们愿意支付超额费用，因为他们获得了如此多的价值。
Anton Osika：我认为这就是企业的未来。
Jason Calacanis：人们和我一样看着它的发展。好吧，如果我支付 600 美元，而你每年最多支付 6,000 美元，但这是一个价值 500,000 美元的软件。我不在乎。我所支付的费用仍然是三年前的 0.1% 到 1% 之间。谁在乎？
Anton Osika：大胆试试吧。
Jason Calacanis：是的，我们看到一切都是为了快速行动。更多的人工智能通常会让你移动得更快。所以花费通常是值得的。你的客户，这是最后一个问题，因为我现在开始看到这一点，组织中的多个人试图解决相同的软件问题，并且他们相互竞争。就像我正在谈论的这个内联网一样，我们为日本建立了一个，但有人为美国建立了一个。所以现在我有两个软件。所以我对两个不同的人说，你们互相复制了彼此的代码吗？或者他们就像，
Anton Osika：不，我们只是建立了两个不同的可爱项目。我想，这样做正确吗？因为你的速度更快，而我有两次击球挥杆，两个不同的聪明、才华横溢的人制作了他们的软件版本。但如果用以前的软件构建方式，你永远不会这样做。你将拥有一个软件轨道，并且你将构建弗兰肯软件，你将尝试将两个不同团队的所有需求纳入其中。
Jason Calacanis：是的，我实际上非常喜欢快速实验。我有一个故事，我在一个叫欧洲核子研究中心的地方工作了一段时间，他们在那里研究粒子物理学。很漂亮...当然，我们知道。这里是中欧，对吗？是的。这就是我了解到合作竞争概念的地方，他们有两个实际上相当孤立的团队在同一个粒子加速器上工作，但在不同的地方。然后他们在发布之前不会分享结果。这样，随着时间的推移，他们就可以了解在不同的环境中什么是最有效的
Anton Osika：组织。是的。最低限度。由于竞争，自由市场运转得非常好，在学术界也是如此。现在，由于工程不再是瓶颈，问题更多的是构建什么是正确的。我认为，如果有足够多的人尝试以不同的方式解决同一问题，那是一件很棒的事情。然后，如果你在 Lovable 上这样做，我喜欢做的就是提出一个新项目或其中一个项目，然后我说，嘿，你能去看看另一个项目，然后把我真正喜欢的这三件东西带到这里吗？
Jason Calacanis：甚至可以进行对比测试，进行实验，看看它是否改善了我们试图服务的客户的指标。你见过有人用《神鬼寓言》来构建《堡垒之夜》吗？
Anton Osika：我看过一些 3D 游戏，是的。
Jason Calacanis：您对《人类寓言》的最新版本有何看法？我知道他们是一部分，或者我认为他们是合作伙伴，我不知道。是的，我们使用《神鬼寓言》以及其中一个模型。是的，in-lum-able。那么，与上一代相比，您如何看待它？更快，更好，两者兼而有之？是的。它是一个巨大的阶跃函数吗？我所看到的是，它可以在第一次尝试中创造出非常复杂、看起来非常好的东西。然后，随着你的进化，对吧，这仍然是同样的事情，你作为一个人，你有
Anton Osika：想想看，您通常应该与您的代理人一起计划什么是正确的做法。这更多的是瓶颈，而在某些任务上更多的智能是很棒的。它创造了非常美丽的东西，例如 3D 游戏。但是，弄清楚要构建什么，弄清楚应该运行什么正确的战略方向或实验来改善结果来自于您的业务，这些变化并没有那么快。人类知道如何使用该工具来获取和插入所有正确的数据
Jason Calacanis：能够做出正确的决策来推动您的产品向前发展并推动您的业务向前发展。
Anton Osika：听着，我喜欢这个产品，但比起我喜欢这个产品和你作为创始人，我更喜欢结果。商业成果是非凡的。因此，任何正在聆听《Lovable》的人都绝对值得您花时间。
Jason Calacanis：别等了。只需将其放在您的公司名片上即可开始构建。这就是我的信息。开始使用 Lovable 进行构建。这是一个令人难以置信的产品。
Anton Osika：恭喜你重生了六次，因为每六个月，你的收入似乎就达到了一个亿。然后每个人都说 Lovable 已经死了，因为新的基础模型太棒了。但你不断研究你的客户，你就会以某种方式继续生存和繁荣。所以恭喜你成为一名企业家。非常感谢你，杰森。我很享受聊天。我希望您在巴黎度过了愉快的时光。非常棒。凡尔赛宫也太令人印象深刻了吧？
Jason Calacanis：有一天，我们将用可爱而乐观的机器人来建造这个。我很期待。
本期《大科技播客》由 Alex Kantrowitz 对话 AI 先驱 Jürgen Schmidhuber，讨论 AI 的能力边界、硬件与算法进步、疼痛和情绪机制，以及机器是否可能拥有意识。Schmidhuber 认为，疼痛信号可被理解为帮助学习主体避开不利状态、最大化回报的机制；世界模型在预测环境的同时，也可以表征行动主体本身，从而形成一种功能意义上的自我意识。他还区分了负责探索未解决问题的高层系统与把已学会行为自动化的低层网络。
对话随后延伸到人类身份、心智上传和未来的 AI 社会。Schmidhuber 认为，上传后的心智可能拥有远超人类的感知和计算能力，拒绝扩展的人类或许会失去决策地位。最后，他从可计算宇宙的确定性出发，认为自由意志更像确定性系统内部的决策体验，而非超出因果链条的独立力量。
Source: Alex Kantrowitz
URL: https://www.youtube.com/watch?v=i-mRanTY6c4
来源：Alex Kantrowitz
原视频：https://www.youtube.com/watch?v=i-mRanTY6c4
- [00 00 00 - 00 05 56] AI 的未来 潜力与进展
- [00 05 56 - 00 11 10] 硬件在 AI 发展中的作用
- [00 11 10 - 00 19 31] 通用人工智能 当前技术与未来创新
- [00 19 31 - 00 32 01] 普通人 谁能从 AI 中受益？
- [00 32 01 - 00 35 49] AI 与情绪 机器能感到疼痛吗？
- [00 35 49 - 00 39 24] AI 情绪的未来
- [00 39 24 - 00 42 36] 理解机器中的疼痛与恐惧
- [00 42 36 - 00 52 20] 意识与 AI 复杂的关系
- [00 52 20 - 00 54 34] AI 时代人类身份的演变
- [00 54 34 - 00 59 49] 决定论宇宙中的自由意志
Alex Kantrowitz： 疼痛信号只是告诉机器人应该避免什么。 疼痛只是生物的自然发明，是进化的发明，它发明了这个 这种疼痛传感器可以让动物有动力去学习避免疼痛。 [00:00:00]
Jürgen Schmidhuber： 几十年来，我们在学习机器中已经做到了这一点。使用的化学品 大脑对恐惧或爱之类的某些状态进行编码。他们是
Alex Kantrowitz： 与我们在人造大脑中使用的不同。但原则 必须是相同的。然后它就有自我意识了。从某种意义上来说它是有自我意识的 例如，如果它照镜子，它很快就会发现，哦， 镜子里的那个人 我可以控制这个人做什么。如果我这样做，那么他就会这样做 对称的事情，因为我可以控制它。但如果你在另一边 房间和我这样做，你会做一些完全不相关的事情，我无法预测 他们。所以你已经看到了这种立即被认可的代理概念 作为自我代理或另一个人的代理。五年内你将损失900 9000亿美元。在不久的将来，有人将损失 9000 亿美元，因为 没有商业模式。没有人拥有可以弥补所有这些损失的商业模式。 人工智能模型可以从这里得到多少改进？他们日益增长的智慧对我们来说意味着什么 大脑和存在本身？我们将与人工智能先驱和《卫报》的某人讨论这个问题 在此之后，我给人工智能之父 Juergen Schmidhuber 打了电话。欢迎来到大科技 播客是一个关于科技世界及其他领域冷静而细致的对话的节目 今天为您带来一场精彩的表演，深入探讨人工智能的发展方向和潜力 此后技术必须改进，而且越来越智能对我们的评价 我们的存在，我们的大脑，我们很高兴能加入人工智能先驱之一 《卫报》称艾于尔根·施密特·胡佛的父亲为即将加入的教授 我们今天从阿姆斯特丹出发。教授，很高兴见到你。欢迎来到节目。 [00:01:01]
Jürgen Schmidhuber： 亚历克斯，很高兴来到这里。 [00:02:25]
Alex Kantrowitz： 那么，让我们简单介绍一下您自己以及您对人工智能的贡献。 显然，你对人工智能做出了很多重大贡献，比如记忆、P 和 T 和 GPT，正如您的 Twitter 简介所述。 《卫报》称您为人工智能之父。
Jürgen Schmidhuber： 媒体似乎倾向于给研究人员贴上这些标签。 有几位人工智能之父和教父。
Alex Kantrowitz： 您对此有何回应？您将如何结合您的角色以及当今技术的发展情况？ 没有一个人可以独自创造人工智能。 [00:03:01]
Jürgen Schmidhuber： 你需要整个文明来构建人工智能。 你不仅需要那些试图发明算法、学习人工神经网络算法的人。
Alex Kantrowitz： 这就是当前人工智能的意义所在。 你还需要能够制造更好的计算机的人。
Jürgen Schmidhuber： 您需要所有正在创建市场的视频游戏玩家来购买更多越来越快的计算机。 并激励计算机制造商每五年将每美元的计算速度加快 10 倍。 你需要所有为电子游戏玩家提供食物的农民等等。 所以一个人不可能创造出人工智能。 你需要一个完整的文明。 好的。 因此，我很想听听您对这个文明正在走向何方的看法。 显然，您已经在人工智能研究的前沿工作了很长时间，而我们今天无疑正处于快速进步的时期。 [00:04:01]
Alex Kantrowitz： 因此，关于人工智能可以进步多少、它是否会碰壁以及当前技术将走向何方等问题一直存在。 你怎么认为？关于人工智能今后将走向何方的问题，你会想到哪里呢？ 所以自 20 世纪 70 年代以来，我一直是一个乐观主义者，我一直声称在我的一生中， 我想建立一个人工智能，它可以学习变得比我自己更聪明，这样我就可以退休了。
Jürgen Schmidhuber： 而我们显然还没有做到这一点。 目前，唯一运行良好的人工智能是屏幕后面的人工智能。 是的，屏幕后面有一个可以通过图灵测试的AI。
Alex Kantrowitz： 那是什么？ 这意味着如果你向它输入问题，它就会回答。 现在的问题是，你能区分对方是人还是机器吗？ 如今，许多人工智能都通过了这个图灵测试。 [00:05:00]
Jürgen Schmidhuber： 然而，这只是意味着图灵测试是衡量智力的糟糕方法 因为屏幕之外的物理世界里没有人工智能 它可以做小男孩能做的所有事情， 它可以做水管工可以做的事情。 几十年来，我一直以水管工为例， 或电工。 所以人类能用手做的所有事情 他们的肉手不能很好地工作。 屏幕后面只有位、零和一， 这是唯一运作良好的事情。 然而，这种情况不会永远持续下去， 物理世界取得了进步，物理世界的人工智能也取得了进步。 我认为这件事的高潮是 几十年来我一直在谈论这个问题 在不远的将来的某个时刻， 我们将拥有一个不必非常聪明的机器人， 但足够聪明，能够学会操作所有现有的机器。 一旦我们拥有了这样的机器人，我们就拥有了一种新的生活。 数百年来，人们一直在谈论自我复制机器， 但现在我们有一个空缺。 一旦我们拥有了这样的机器人，它就可以开始制造更多同类机器人。 这意味着我们突然就会拥有这台终极缩放机， 正如我所说的，自我复制机器， 但同时也是自我改进的机制，因为所有已经适用于屏幕背后的软件的东西 还将提高现实世界和物理世界中的性能和所有机械。 我认为这将是这个拐点。 从那里开始，一种新的文明将会出现 因为类似的东西不仅仅在生物圈中起作用。 它也适用于月球太空， 但也许更可能首先在水星上 然后是太阳系的其余部分以及更远的地方。 好吧，我对此有很多疑问， [00:06:01]
Alex Kantrowitz： 包括这对于人类的本质意味着什么。 但我们暂时先不谈这个。 你的回答引发了我的立即跟进， 我最近在 OpenAI 总部与 OpenAI 总裁 Greg Brockman 进行了交谈， 就在那一刻，他们决定暂停对他们的视频生成器 Sora 的研究， 并决定几乎完全专注于这些 GPT 模型，对吗？ 我们最近看到的文本模型取得了很大的进步。 我问布罗克曼，如果你不关注视频生成等更多世界模型风格的应用程序，你不会失去一些东西吗？ 他说，我们确实失去了一些东西。 [00:07:28]
Jürgen Schmidhuber： 我们无法包办一切。 我们相信 GPT 风格的模型是实现 通用人工智能 或 AI 与人类智能同等水平的方法。 [00:08:11]
Alex Kantrowitz： 按照您的方式回答后，您是否认为他是正确的，仅使用 GPT 模型就有机会实现 通用人工智能？ 或者他们是否犯了一个根本性错误，放弃了世界模型实践，尽管 OpenAI 中仍然有一些机器人技术工作？ 那么，当问题这样表述时，LLM（本身就是一个大型语言模型）是否会导致 通用人工智能？ 答案显然是否定的。
Jürgen Schmidhuber： 但你知道，OpenAI 有一群聪明的人，他们清楚地知道这一点。
Alex Kantrowitz： 当然，他们也知道你可以使用基础模型或大型语言做什么 模型或类似的东西。
Jürgen Schmidhuber： 你可以把它当作世界的模型，作为世界的模型。 那里使用的相同类型的神经网络可以用作世界模型，如 正如我所说，在 1990 年，它刚刚学会预测行为的后果 另一个神经网络的另一个决策者正在生成修改的动作 环境。 [00:09:00]
Alex Kantrowitz： 就像一个小婴儿，你知道吗？ 小婴儿不会通过下载网络来学习。 这就是 ChatGPT 的作用。 婴儿不会通过下载网络来学习。
Jürgen Schmidhuber： 它通过自己发明的实验创建自己的数据流来学习。 例如，当婴儿这样做时，然后通过摄像机传入的视频会发生变化， 每隔几毫秒，就有数亿个新像素进入，
Alex Kantrowitz： 那么婴儿有一个内部机制，我们称之为世界模型， 它学会预测这些变化。
Jürgen Schmidhuber： 一开始，它甚至不知道自己有一只手。 但随着时间的推移，它学会预测向运动神经元发送某些动作信号的后果 [00:10:00]
Alex Kantrowitz： 然后语言和肌肉上下移动或者手移动，它就会了解世界是如何运作的。 因此，它通过自己的实验生成的数据。
Jürgen Schmidhuber： 所以婴儿有点像物理学家。 物理学家不是通过下载网络来学习的。 他通过下载论文学到了一些知识。
Alex Kantrowitz： 但物理学家接下来要做的是进行新的实验，产生以前从未有过或以前从未收集过的数据，以更好地验证有关宇宙的某些假设，然后更好地理解世界，物理世界。
Alex Kantrowitz： 这就是我们自 1990 年左右以来的人工神经网络所做的事情，但其方式还不如物理学家所做的那样令人印象深刻。 但我认为它会到达那里。 [00:11:00]
Jürgen Schmidhuber： 然而，至少有两个组成部分。 有一个具有基础模型，可以是各种人工神经网络中的任何一种。 那只是一个预测机器。
Alex Kantrowitz： 如果我这样做会怎样？ 如果我查看到目前为止的数据，你知道下一个标记是什么，然后还有另一件事 其他神经网络控制器使用第二个人预测机来规划 这样它就可以嗯一旦第二个人预测机器这个模型就非常好 然后它可以学习预测复杂动作序列的后果，然后就是它了 为控制器选择一个动作序列，该序列会导致很多预测 奖励和难以预测的痛苦。所以当然我们的机器人有疼痛传感器，然后每当 他们碰到了障碍 负面惩罚是负数进来并且疯狂 模型不仅预测视频等中性信号，还预测这些价值信号， 这些奖励信号等等。如果模型好的话，你就可以用它来进行规划 然后控制器可以使用心理实验而不是真实的实验，这确实是 选择好的动作序列是昂贵的。但在这些情况下，你只能看到模型， 单独的基础模型并不是 通用人工智能。不，你需要另一个使用各种伎俩的家伙 利用世界模型中的算法信息来提出更好的计划 2017 年左右，我们正在谈论你说了些什么，呃，你在不远的地方说了这句话 未来我将能够与一个小机器人交谈并教它做复杂的事情，例如 仅仅通过展示和讲述来组装智能手机 制作 T 恤和所有这些东西 目前，这些都是由发展中国家的贫困儿童在奴隶般的条件下完成的 人类将活得更长久、更快乐、更健康、更轻松，因为许多工作 现在对人类的要求将被机器取代，那么将会有数万亿 不同类型的人工智能和快速变化的复杂人工智能生态正在以一种方式扩展 人类甚至无法跟随，所以大约10年前你就说过现在看起来更合理 显然比那时更明显，你认为我们离那个未来还有多远，是的，这是一个 这是个好问题，实际上甚至在 2014 年早些时候，因为我当时说过的这些话 当我发表演讲或其他什么的时候，我们成立了一家公司，这实际上是关于身体的 现实世界中的人工智能使用野生模型，然后利用野生模型来 更好地与世界互动，我们与非常有名的人签订了疯狂的合同 公司。尽管如此，这可能还为时过早，就像我们拥有的其他一些东西一样 完毕。所以当时可能太雄心勃勃了。但现在我们已经越来越近了。 [00:12:00]
Jürgen Schmidhuber： 而且，你知道，主要的障碍，主要的障碍是硬件方面的进步， 在硬件方面。所以硬件方面有一种进步，就是 巨大，自 1941 年以来一直是巨大的，每五年，计算机就会变得巨大 便宜10倍。所以在1941年，Zuse推出了第一台通用程控计算机， 他每秒可能可以做一次手术。然后30年后，以同样的价格， 每秒能够执行一百万次操作，而今天我们几乎还没有 每秒十亿亿条指令并且以相同的价格以相同的价格但是 今天的机器人 今天的机器人 他们并不比以前的机器人好一百万倍 我们 30 年前就有了，例如，25 年前我们就已经有了行走机器人 他们必须比今天的机器人走得更小心，嗯你知道方位角 日本的机器人 当时日本拥有世界上一半以上的机器人，他们总是不得不保留 他们的重心在脚上方，所以它不像现代动力那么先进 走路之类的，但它比今天的机器人差一点，但不是一百万的事实 你知道可能是三倍或类似的因素所以硬件硬件巨大 人造手，我们正在尝试为人形机器人建造的人造身体等等 它们的发展速度比每美元的计算速度要慢得多 我认为这是主要问题。 所以早在 20 年前，我们就有了小机器人，像婴儿一样的机器人， iCub机器人，当时是由意大利北部的一个实验室建造的， 看起来像个婴儿。 然后它发明了自己发明的实验， [00:14:14]
Alex Kantrowitz： 设定自己的目标，试图弄清楚世界是如何运作的 并以分层的方式做到这一点等等。 [00:16:28]
Jürgen Schmidhuber： 但是，但是，在进行了三个自己发明的实验之后，某个手指上的一些肌腱断裂了，你知道，必须有技术人员来修复它。 所以做这一切的成本太高了。
Alex Kantrowitz： 而我们真正需要的是能够与人手竞争的硬件。 但没有任何人类设计技术可以与这些手竞争。
Jürgen Schmidhuber： 这些手，他们有数以百万计的传感器和连接着的各种电缆 传感器到控制中心。而且我不知道将所有电缆放在哪里。如果我把它剪掉， 它开始自我修复。所以我的手和你的手，都是超级先进的技术。真的是 [00:17:02]
Alex Kantrowitz： 完全超出了人类使用传统机器人技术所能建造的范围。 所以我们还有很多东西，还有很长的路要走。
Jürgen Schmidhuber： 我仍然希望这会在我有生之年发生，实现我的预测 这是我在 70 年代十几岁的时候做的。 但显然，硬件的演变比 GPU 的演变要慢得多。 正确的。看来这方面还需要更多时间。 现在，向你提问。 [00:18:02]
Alex Kantrowitz： 您认为随着技术的不断进步，谁将获得最大的价值？ 我认为这是您引用的一句话。
Jürgen Schmidhuber： 你说不是几家大公司就能主宰一切。 人工智能的最大利润或最大的暴利者将是小人物。 但如果你至少看看现在事情的发展方向，你就会发现这些大型实验室的估值将达到数万亿美元。 而他们周围的大型科技公司似乎正在攫取大部分经济价值。 而那个不言不语的小个子就像他们以前一样不确定。
Alex Kantrowitz： 那么您对此有何看法？ 是的，我认为这只是当前泡沫的反映 我们在经济的某些方面拥有的。
Jürgen Schmidhuber： 因为如果你现在看看硅谷所有这些僵尸独角兽， 有很多公司的官方估值超过十亿美元。 但如果他们在股票市场上，他们的价值可能只有2000万左右。 所以它们被称为僵尸独角兽。 如果你看看 Anthropic 和 OpenAI 这样最著名的公司，你就会知道，他们在这些东西上花了很多钱。 如果你看看谷歌和微软，你就会看到资本支出。 这直接影响他们的现金流。 显然，这并不影响这些公司的市盈率， 但这应该是因为曾经有一段时间谷歌和微软， 他们拥有大约 1000 亿美元的自由现金流， 但现在下降到200亿美元、100亿美元。 一些公司的现金流突然出现负100亿美元。 他们举债为数据中心的所有这些 GPU 提供资金， [00:19:01]
Alex Kantrowitz： 所以这些公司变得越来越像公用事业公司，对吧？ 因为突然之间，这些以前灵活的软件公司可能只有一个 10 人的小团队来改进一些糟糕的操作系统，并将其推出给数十亿人，他们都使用自己的电脑、自己的智能手机来运行操作系统。 [00:20:05]
Jürgen Schmidhuber： 当然，同样的公司，他们必须考虑购买燃气轮机、投资核电站、承担债务、做电力公司、公用事业公司所做的所有事情。 现在考虑到每五年，计算机的价格每五年就会便宜十倍，这仍然是事实。 现在，如果您今天投资 10,000 亿美元用于数据中心的 GPU，这意味着五年内您将损失 9000 亿美元。 在不久的将来，有人会因为没有商业模式而损失 9000 亿美元。 没有人拥有可以弥补所有这些损失的商业模式。 你知道，没有一家公司有一种模式，因为每当有一个新的基准打破记录或其他东西，打破基准记录的语言模型可以做到这个或这个或其他什么，几个月后，开源中也会有同样的事情，你知道。 [00:21:07]
Jürgen Schmidhuber： 因此，压低价格的压力很大。 而且这些公司都没有模式。
Alex Kantrowitz： 因此，让我们稍等一下，直到这些万亿美元公司的强制 ETF 购买结束。 目前，我们有数万亿美元甚至更多的公司出现在股票市场上。
Jürgen Schmidhuber： 指数基金必须突然购买它们，因为纳斯达克和其他市场改变了规则。 因为通常你会等待一年左右，直到股市自己发现答案， [00:22:07]
Alex Kantrowitz： 这家公司的真正价值是什么。 但目前，这还没有完成。
Jürgen Schmidhuber： 所以突然之间，ETF、养老基金和每个人都必须购买它。
Alex Kantrowitz： 一旦结束，让我们看看当创始人试图出售他们的股份时会发生什么。 因此，如果我们没有看到股市出现一些巨大的波动，那才是令人惊讶的。 价格。
Jürgen Schmidhuber： 是的，那么你对这个小家伙最终会在哪里然后这个小家伙会在哪里的愿景是什么呢？ 从长远来看，小人物将会获利，所以目前大公司和每个人 说哦，大公司他们疯狂盈利，但看看他们的现金流是真的吗？ 他们像这样下跌，看看他们的债务比率，他们已经停止回购自己的股票
Alex Kantrowitz： 因为他们不再有足够的现金，所以呃同时这个小家伙必须做什么 你要做的就是等一下，因为每五年电脑就会便宜 10 倍 这意味着 10 年后你可以用百分之一的价格购买同样的东西 就像你知道的智能手机一样，我经常讲述我认识的有钱人的故事 在 80 年代，他有一辆保时捷，他很富有，他有一辆保时捷，但最令人惊奇的是 保时捷里有一部手机。你知道，他可以拿起听筒并通过 卫星发送给另一个拥有类似保时捷的人。 40 年后的今天，每个人都在发展 国家拥有一部智能手机，其功能比他在保时捷中的智能手机强大得多。 所以这个小家伙几乎不需要为他在那里拥有的一切付出任何代价，这真的很昂贵。 [00:23:04]
Jürgen Schmidhuber： 同样的事情也会发生在人工智能身上，很快人工智能就不会出现在云端了，你知道的
Alex Kantrowitz： 不，它将位于您的本地计算机上，一台小型计算机，它将与现有的计算机一样强大 现在在云端，但您不必将其连接到互联网，这总是令人担忧的事情 你知道，谁知道谁在外面等着你联系，嗯，然后甚至 我认为，穷人会有很多人工智能，还有物理人工智能，但目前，尤其是 软件人工智能将使他的生活更长、更轻松、更健康。而他将拥有 他们。他不需要付钱给其他人。我喜欢那样的未来。好吧，我们先休息一下吧。 另一方面，谈谈人工智能的身心理论 人工智能是否能感觉到疼痛以及我们是否有自由意志。 [00:24:04]
Jürgen Schmidhuber： 所以很多这样的事情都会在这之后出现。 大家好。亚历克斯·坎特罗维茨在这里。 我想告诉你我用《重力》制作的一部纪录片 探索人工智能代理安全的未来。 为了了解我们是否真正为自主代理做好准备， 我和麻省理工学院教授 Ramesh Raskar 坐下来， 前白宫首席信息官特蕾莎佩顿， 米其林集团首席数据和人工智能官 Ambika Rajagopal， 以及阿里巴巴前高管莎朗·盖伊(Sharon Guy)。 他们每个人都对这一不断变化的景观提供了独特的见解。 最后，我们与 Gravity 首席执行官 Rory Blundell 讨论了前进的道路。 在 Gravity 的引领下，加入我们的旅程吧。 您可以通过演出笔记中的链接观看完整的纪录片。 我们又回到尤尔根·施密特·胡贝尔教授的大型科技播客节目中 教授让我问你这个关于呃 ais 的问题，因为我认为你在我们之前的文章中建议过这个 呃，在我们谈话的开始，嗯，人工智能可能会感到疼痛 也许如果他们无法实现我们为他们设定的目标， 或者也许这实际上可以融入到模型的体验中。 我很好奇你是否认为那还很遥远 [00:25:01]
Alex Kantrowitz： 人工智能可以体验到类似于人类疼痛的感觉 例如，当他们被安排去执行一项任务时 并且不要按照他们指示的方式完成它。 [00:26:19]
Jürgen Schmidhuber： 我一直认为很有趣的是，许多人声称，甚至计算机科学家也声称，人工智能无法感受到疼痛，因为我们的人工智能至少从 1990 年以来就已经感受到了疼痛。
Alex Kantrowitz： 那么当我们构建代理人工智能时我们该怎么做呢？ 人工神经网络产生改变世界的动作，然后从环境中输入新的输入。
Jürgen Schmidhuber： 再说一遍，有一个动作等等。
Alex Kantrowitz： 代理（神经网络）会记住之前发生的事情 并试图弄清楚如何行事以使所有奖励信号的总和最大化 并且所有疼痛信号的总和被最小化。 那么这些疼痛信号呢？ 疼痛信号是最自然的事情，因为每当我们拥有机器人时，我们都会给它疼痛传感器。 为什么？ 因为它是一个学习机器人，所以这个学习机器人需要某种 学习保护自己的动机，因此每当机器人撞到物体时 障碍物然后你就知道相应的疼痛传感器被唤醒并呈负数 数字是机器人大脑的特殊输入，然后机器人就会看到 这些传入的负数，它被连接起来以避免这种情况，所以它试图学习 生成避免疼痛的动作序列，并尝试学习生成动作序列 这导致了有益的事件，也许机器人在某个地方有一个充电站，每当 电池电量低负数来自电池饥饿疼痛饥饿，然后 机器人的目标是在不撞到障碍物的情况下到达充电站并坐下 在那里，你知道并享受快乐，只是正数，因为电池正在充电 所以，最自然的事情就是给这些机器人这样简单的情感。 [00:27:00]
Jürgen Schmidhuber： 现在，情绪和痛苦只是学习过程中的关键组成部分， 因为学习是为机器人创造更好的行为。 [00:28:51]
Alex Kantrowitz： 所以机器人必须知道什么对它有好处，什么对它不好。 因此，疼痛信号只是告知机器人应该避免什么。 疼痛只是大自然和进化生物的发明， 发明了这种用于动物的疼痛传感器， 这样他们就有动力学会避免痛苦。 [00:29:04]
Jürgen Schmidhuber： 我们在学习机器上已经做了很多很多年了。
Alex Kantrowitz： 现在，正在发生的事情是，这些学习机器，他们有预测未来的世界模型，不仅仅是不久的将来，你知道，不仅仅是我现在用手触摸烤箱或其他东西时会感觉到的即时疼痛信号。 不，他们还试图预测所有这些未来疼痛信号的总和。 这就是强化学习机器的作用。 因此，他们展望未来。 [00:30:02]
Jürgen Schmidhuber： 因此，立即有这种次要情绪，这不仅仅是当前 时刻，但现在正在向前看。 例如，也许有一个坏人，有时会走进房间敲门 头上的小机器人。因此，随着时间的推移，机器人将学习到，如果它有一个强化 船上的学习机器，以及预测和学习预测的野生模型。然后随着时间的推移 它将能够区分坏人和友好的人。然后每当坏人 再次出现，我在那里，它确实进行人脸识别。然后它预测很快 如果它不隐藏在窗帘后面，它会感到疼痛。所以它会很快尝试隐藏 在窗帘后面。现在你作为一个外部观察者会说，看，小机器人很害怕。 它有害怕的情绪。但这只是传统方法最微不足道的副作用， 机器学习，你知道的。所以，是的，我们的机器人已经有各种各样的情绪， 他们已经有几十年了，然后我们也有这些高层次的情绪，不仅仅是 关于当前时刻不，他们正在向前看，你知道，然后当然，如果你带来 几个机器人或类似的代理一起，你立即得到的东西，让人联想到 你知道喜欢其他机器人或爱他们可能是因为如果你给他们一个任务 或者他们可以共同解决的一系列任务， 但其中一个不能单独解决它们， 那么他们就必须学会一起工作。 当然，突然之间，他们每个人都有动力去帮助对方。 他们每个人都有动力去帮助对方， 特别是当对方生病或出现问题时， 帮助他，照顾他。 以及人类可能称之为爱的极端形式。 在这样的机器人或代理人的社会中， 这只是所有这些小家伙的个人利己主义的自然副产品 他们都想尽量减少他们的一些疼痛传感器，传感器信号， 并最大限度地利用他们的一些快乐信号。 [00:31:01]
Alex Kantrowitz： 所以利他主义，你所谓的利他主义， 只是学习主体的利己主义的自然结果。 [00:32:40]
Jürgen Schmidhuber： 所以我认为反驳的论点是，它不能像人类感觉疼痛的方式那样疼痛， 因为人类是有意识的，所以人类有一个发送身体疼痛信号的神经系统 大脑并记录为真正的疼痛，而机器人则是，争论的焦点是机器人 [00:33:04]
Alex Kantrowitz： 无情，无意识，实际上与计算器没有什么不同。您会如何回应 你如何评估某人是否感到疼痛或害怕 它的行为？如果它看起来像一只可爱的小机器猫什么的，它已经学会了隐藏 每当坏人进来并试图敲门时，你会说 显然，这只小机器猫害怕害怕恐惧和呃的情绪，你还有什么 想要这样做，没有办法客观地看到呃情绪之间的差异 奖励最大化的生物大脑和奖励最大化的人工大脑的情绪。 [00:34:02]
Jürgen Schmidhuber： 但我们确实有，例如，你谈到了爱情。我们有与之相关的化学物质 爱的感觉，比如催产素。所以机器人没有这些化学物质。因此， 论点是，这是一种完全不同的感觉，你永远无法比较
Alex Kantrowitz：至于爱，你怎么看？当然，大脑用来编码恐惧、爱或其他状态的化学物质，与我们在人工大脑中使用的东西不同。但原则必须相同，因为关键在于实现智能行为，也就是找到更好的方法来实现目标。对人类来说，主要目标是避开疼痛和饥饿信号，并获得有益信号；生物进化把这些目标编码进动物和人的效用函数，我们也会以相似形式把目标编码进学习主体，让它们最大化回报、最小化痛苦。意识也是一个有趣的话题。我最近和杰弗里·辛顿教授谈过。通常人们认为，大型语言模型只是随机鹦鹉，是统计预测机器，因此没有意识。但你一直认为它们在某种意义上是有意识的，你是怎么得出这个结论的？
Jürgen Schmidhuber：今天的大型语言模型主要根据前文预测下一个词元。我认为它们本身过于简单，不具备发展意识的动机。它们看起来有意识，是因为它们读过所有关于意识、爱、痛苦、冲突以及网络上对人类重要的文字；与它们聊天时，它们很容易复述包含“意识”的、非常有说服力的句子。但它们没有发展自我意识的动机。回到两个网络：一个是生成动作的控制器，动作会带来环境的新输入；另一个网络只预测这些变化。世界模型让主体能够通过心理模拟规划未来，而不必在现实中执行代价高昂的动作序列。没有人对意识有普遍接受的定义，但可以看一个简单例子：世界模型是一种深度神经网络，学会把见过的事物编码进神经元。经常出现的事物会形成内部抽象表征，例如人脸原型、特定人脸，以及眼镜探测器。控制器用世界模型模拟不同动作序列，选择预测回报最高、痛苦最低的方案；在此过程中，代表人脸、眼镜和主体自身的隐藏单元会被激活。主体规划时会思考自己，因此在这个意义上具有自我意识。它照镜子时会发现，镜中人的动作受自己控制；而房间另一侧的人做出无关反应，就无法预测。这里已经能看到主体性，以及自我主体性和他者主体性的区别。还有一点可追溯到 1991 年：有意识的内容会变成潜意识。开车走熟悉路线时，大部分过程都自动化了，注意力可以转向别处。1991 年，我设计了由两个网络组成的系统：一个“有意识的问题求解器”寻找尚未解决的规律；另一个网络模仿高层网络找到的解，将其自动化。 [00:38:09]
Jürgen Schmidhuber：如今这叫把一个网络的行为蒸馏到另一个网络。低层网络是自动化器，把高层网络发现的内容自动化；高层网络仍在产生洞见，学会之后再把它们蒸馏下来。因此，意识的两个方面都存在：世界模型不仅预测世界，也预测与世界互动的主体，从而形成自我意识；同时，内部意识会关注仍未解决的问题，并把它们与已经解决的内容分开。 [00:43:37]
Alex Kantrowitz：所以我认为，这两个方面在那些早期系统中都存在。 [00:44:33]
Jürgen Schmidhuber：2016 年有杂志采访我，标题大意是“施密德胡伯称 AI 在 1991 年已经产生意识”。那指的就是这些早期系统。1991 年的系统很简单，不像今天这样令人印象深刻，因为当时计算成本比今天高一千万倍；我们只有很小的意识模块、潜意识自动化器和规划世界模型，系统里只有几百个权重，而人脑有数万亿条连接。但我认为原则完全相同。 [00:45:04]
Alex Kantrowitz：随着机器越来越接近人脑，这会改变我们对“人是什么”的理解吗？ [00:46:04]
Jürgen Schmidhuber：这会改变很多人对人类的看法，但不会太改变我的看法，因为这基本就是我几十年前说过的内容。很多人仍声称 AI 不可能拥有情绪。
Jürgen Schmidhuber：他们会在事实发生几十年后改变看法，我对此很确定。很多时候这只是直接经验的问题。医疗中心里有一些可爱的小机器海豹；与这些毛茸茸的人造生物互动的人会对它们产生强烈依恋，喜欢和它们玩耍，尽管它们一点也不聪明，几乎不会学习。 [00:47:02]
Alex Kantrowitz：如果这么简单的机器人都能唤起近似爱之类的感情，那么等到我们拥有真正令人信服、像小动物一样可爱的机器人时，可以想象会发生什么。
Alex Kantrowitz：我想起引用过的《彭博》文章。文章问你是否认为我们生活在某种模拟中。你说这是对一切最简单的解释：人类被设定为追逐进步，会不断制造更强大的计算机，直到让自己过时，或者决定与智能机器融合。原话是：
Jürgen Schmidhuber：要么你变成与人类非常不同的东西，要么出于怀旧继续做人类；但那样一来，你不会是主要决策者，也不会参与塑造世界。 [00:48:06]
Alex Kantrowitz：这些年过去了，你的观点是得到强化，还是发生了变化？
Jürgen Schmidhuber：没有变化。几十年来，人们一直谈论把人类大脑或灵魂上传到计算机，在模拟天堂里生活，或放进能与现实世界互动的机器人。我认为第一篇这类科幻故事发表于 1964 年，讲的是有人把自己的意识上传到计算机。
Alex Kantrowitz：那时用的是旋转磁带之类的设备，作品似乎叫《模拟人生 3》，作者是丹尼尔·F·加卢伊。现在没有物理学理由否定这种可能性。它目前还做不到，除非是苍蝇等简单动物；到 2024 年，可以说苍蝇的大脑或至少其行为模型已经被上传，模拟苍蝇的行为与真实苍蝇很相似。因此，没有明显理由认为我们不可能读取人脑的突触、理解不断改变突触的学习算法，再在计算机中复制出来。 [00:49:03]
Jürgen Schmidhuber：这样，你的心智就能被上传，永远生活在可与真实宇宙接触的模拟宇宙中。假设上传后，你拥有一百万只眼睛、遍布星球的卫星眼睛，以及大得多的计算能力。你可以屈服于新生活的诱惑，变成完全不同的存在；也可以出于怀旧保留两只眼睛和小脑袋。但竞争者会忽略你，因为他们拥有许多新技能。 [00:50:14]
Jürgen Schmidhuber：主要决策者会是这些扩展后的心智；它们还会与没有进化包袱、可能更适应未来需求的原生 AI 竞争。
Alex Kantrowitz：当 AI 从生物圈扩展到太空，几乎所有决策和塑造宇宙的事情都会由这些新生物完成，而不是类人生命。你会上传大脑并与 AI 融合吗？你要么怀旧而保持原样、最终变得无关紧要，要么成为不断壮大的 AI 社会的一部分。 [00:52:50]
Jürgen Schmidhuber：我没有认真考虑过，因为那不是我的目标；我认为现在的这个自我在那里不会产生什么影响。 [00:54:03]
Jürgen Schmidhuber：另一种可能是超级 AI，它会超越我现在拥有的小系统 10^20 倍，而且不会只有一个，而是有许多这样的存在，所以我认为这不会真正改变结果。
Alex Kantrowitz：我能再问最后一个问题吗？
Jürgen Schmidhuber：当然可以。我们正快速走向这样一个世界：大量智能被编码进机器，机器能根据它们对未来走向的判断进行预测和行动。
Alex Kantrowitz：你现在以及未来还相信自由意志吗？当现实越来越多地由这些机器中介，而它们对事情走向有不错的判断时，还会存在自由意志吗？1997 年，我写过《计算机科学家眼中的生命、宇宙及一切》。 [00:55:03]
Jürgen Schmidhuber：那篇论文试图寻找宇宙最简单的解释。物理学的圣杯，是找到一个最短的确定性程序，计算出我们观察到的一切，包括看似随机的量子事件和自旋测量。我们不知道宇宙历史的最短描述，但科学家一直在寻找更紧凑的描述。1997 年前几年我意识到，虽然不知道计算我们这个宇宙的最短算法，却知道一个计算所有可计算宇宙的超短算法：系统枚举所有程序，并最优地分配运行时间。如果我们的宇宙可计算，它就会被计算出来；没有物理证据反对这一可能性。这不只是可计算的概率分布，而是确定性可计算的宇宙历史；马库斯·胡特在 2000 年左右开发的 AIXI 模型，就是最优通用决策者。 [00:56:03]
Alex Kantrowitz：没有证据表明情况不是这样。我们就是由这种方法产生的。计算我们的程序有很多，但最终会被能计算整个宇宙、包括这段对话的最短程序支配。你对我的声音信号作出反应，再用自己的声音回应，这看起来很像自由意志；但确定性宇宙的观点会说，一切都是确定的。 [00:57:04]
Jürgen Schmidhuber：对我们来说，它可能像自由意志，但其实不是。即使在我们能运行的简单确定性模拟中，确定性神经网络也会在与其他模拟动物互动时作出决策、努力最大化回报，于是产生类似自由意志的效果。 [00:58:03]
Alex Kantrowitz：它们只是学习更好地回应其他动物，所以乍看像有自由意志。但我可以完整重跑模拟的每个细节。它看起来像自由意志的决定，其实只是确定性宇宙的一部分；因此自由意志被高估了。如果自由意志被高估，既然一切在经历之前就已经铺陈好了，活着的意义是什么？ [00:59:04]
Jürgen Schmidhuber：有一部关于这个问题的电影，叫《荒野生存》——不对，是《一条叫旺达的鱼》。
Alex Kantrowitz：是关于鲸鱼的那部电影？等等，抱歉，这和问题有什么关系？
Jürgen Schmidhuber：完全没有关系，我刚才只是随口编的。
Alex Kantrowitz：教授，和你交流很愉快。这次对话来之不易，希望很快还能再聊。
Jürgen Schmidhuber：亚历克斯，我也很荣幸。谢谢。
Alex Kantrowitz：谢谢大家收听和观看。我们下期《大科技播客》再见。
"
"本文是对本期播客完整对话的压缩总结，内容仅依据逐字稿。
"
"- 节目从机器人 Demo 的可信度切入：单次展示很难直接判断技术实力，因为环境适配、现场采集和针对性训练都可能显著影响结果。
"
"- 红军与苏度科技联合创始人兼 CEO 韩征讨论机器人操作的难点，重点涉及让机器人在开放世界中稳定完成动作，以及感知、理解和控制之间的关系。
"
"- 对话比较端到端方案与上下分层架构，韩征认为，随着系统进入真实商业化场景，上下分层可能重新成为主流或重要的组合路径。
"
"- 嘉宾解释了几何理解、仿真训练、真实数据采集和数据闭环之间的联系，并讨论机器人如何从有限 Demo 走向更广泛的任务泛化。
"
"- 节目还谈到训练规模、模型能力、数据质量和工程系统的相互制约：规模并非单一指标，关键在于能否持续产生有效数据并转化为可靠行为。
"
"- 对话结合苏度科技的技术实践，讨论人形机器人、操作任务、应用场景和商业化落地之间的取舍。
"
"- 最后，双方将视角扩展到全球机器人竞赛，讨论不同公司在技术路线、组织方式和落地节奏上的差异，以及中国机器人公司可能形成的路径。
- Hello,大家好,欢迎收听硅谷101,我是红军 [00:00:00 - 00:15:01]
- 对于几何有比较精准的理解 [00:15:01 - 00:30:02]
- 多大算一个规模 [00:30:02 - 00:45:03]
- 特别是model by CRL [00:45:03 - 01:00:05]
- 一家公司 [01:00:05 - 01:15:05]
- 有意思的应用场景 [01:15:05 - 01:17:13]
红军：Hello,大家好,欢迎收听硅谷101,我是红军。 之前我反复在播客里有跟机器人的公司讨论一个问题,就是说我们能不能通过一个demo就判断一家机器人公司技术上的好坏。那很多人告诉我的答案是不能。原因在于大家并不知道在这个demo之前这些机器人公司有没有针对特定的环境去做适配。哪怕我们说只是在展出的前几天它到现场去采集一下环境数据可能都会对demo有很大的帮助所以如果对环境做了更多的优化机器人demo的效果就会更好而今天我们要聊的这家公司叫做苏度科技它就敢在一个完全没有训练的新环境中去做demo它的效果到底怎么样说到苏度在机器人的这条路上其实有一个绕不开的名字就是他的联合创始人苏浩教机器人看懂世界的ImageNet有他 主流的机器人仿真器大多都和他的团队有渊源连硅谷最火的那几家机器人公司比如说像Physical Intelligence谷歌的DeepMind的机器人团队也都有他的学生和师弟师妹可以说他们是这条路上开山一派而他自己现在最想啃的也是机器人最难的那块骨头就是让机器人动手让机器人在开放世界动手有多难他的合伙人韩征是这么说的机器人如果是要对于物体去做操作的难度要高两到三个数量级另外我今年在跟很多机器人领域的人聊天的时候大家一直认为在现在的机器人的训练方法和实现路径上是没有收敛的那韩正他并没有站在硅谷主流的那一排路径上他认为在今年的下半年所有人都会重新回到他们现在正在走的这条路上我们有一个暴露 [00:00:00]
韩征：就是可能从今年的下半年开始上下分层的这种结构会重新再回到主流里边而且可能在之后大家选择的方案推到商业化里面去可能是最终的一个方法
红军：这期节目我们就来聊透三件事机器人的3D数据从哪里来SIM to REAL这条路到底能不能走通以及这场全球机器人竞赛各大头部玩家他们的技术路径是什么谁能真正地跑出来今天跟我在一起的嘉宾是苏度科技的联合创始人与CEO韩征哈喽韩总你好同学你好很高兴来到谷谷101的节目我看你们现在做机器人其实也是很火我看见新闻的消息是说投资人基本上很难抢到你们的投资份额因为现在其实做机器人的公司也非常的多我初步把它分成两层一层是造大脑的机器人以硅谷的派为代表的其实这类的公司在硅谷我觉得还蛮多的包括最近拿融资的估值140亿美元的Skilled 还有一块呢就是说造身体做人形跟做机器币的机器人公司这类机器人公司像马斯克的Optimus宇树包括Figure它算在哪一边我们待会可以再详细地聊一聊但是我觉得大家在初步看到一个机器人公司跟看到它的demo的时候其实很难分清楚这个机器人公司到底是做什么的对所以开始的时候您要不要简单给您的公司做一个定位看看我们速度在做机器人的那个环节 [00:03:00]
韩征：好的我们其实是大脑和本体都做其实也是现在很多的机器人公司都在强调的一点就是要全站要做整个的系统但整个的团队的背景其实是在将近十年以前吧就是开始往机器人以机器学习的方法来驱动机器人方向来做探索和尝试的时候主要都是以软件为主直到22年团队开始以商业化的方式来做准备的时候我们才开始正式地考虑自己来做硬件的本体当然也是因为 很多年积累下来的经验就是如果自己不碰本体的话也很难把大脑的能力展现甚至说能够去做一些迭代和探索所以简单来讲的话我们是做全站 [00:04:00]
红军：如果我们要类比一家硅谷的大家现在已经比较熟悉名字的这些机器人公司你觉得你们做的这些环节跟哪一家机器人公司是更接近的还是说市场上没有对标者
韩征：我觉得硅谷的机器人公司不管是像Optimus还是上一代的Potion动力还是FigureVax的话其实都是本体加模型不过这几家公司呢在模型测的能力
红军：相对来说比Physical Intelligence包括Skilled的话要稍微没有那么专注所以你们现在核心最专注的方向是什么是模型的大脑层还是说操作的层面比如说我们刚刚提到的Optimus它是一个大家最经典的人形机器人它除了要做手部的这种操作它也要去做运动 我看见你们的那个demo那个机器人它其实是带一个滚轮的机器人你的核心的控制是集中在手部环节的我并不是说一定说做人形就比做手不好因为我们之前的播客其实有讨论过零巧手是机器人可能是最后一功力更最难的一部分我想简单的还是来做一个定位上的区隔对我觉得做机器人的防弃手model做基础模型特别是做操作模型的大部分团队 [00:05:00]
韩征：其实都会类似于像我们以及Physical Intelligence这样的公司专注在像Gripper二指甲爪它对于物体的操作和能力先把它拉到一定能力的边界在有一些比如说像二指的夹爪不太好处理的情况之下再看能不能用多只手或者是零小手来做处理但人型机器人公司为了让大家感觉到像人我觉得这一波的风潮其实是在大概二年左右Optimus出来的时候大家对于伊拉马斯克给大家描绘的类人型机器人 重新回到大家公众的视野其实起到了非常强的引导的作用但在我们看的话机器人里边要做的物体操作任务可能90%不一定需要零销售剩下的可能5%到10%的任务的话才真正需要多执手另外是不是双足和轮式现在机器人的下肢还不是特别的稳定一会儿我们可能也会提到像语术机器人和博神动力Figure Optimus现在对于环境的认知和感知其实还不是特别强以及它经常会出现跌倒的情况所以我们在现在这个阶段可能还是会把操作的任务和下肢灵巧的程度相对来说会结合一下但未来我们感觉可能还是会回归到同一条线上来未来的同一条线你指的是通用机器人对通用的机器人的构型它应该是一个带有足势或者是我们自己内部认为的话可能是一个轮足势的一个构型它在平地的时候的话 可能会有稳定和高效的一个方式移动但是在比如说遇到一些特殊的地形的时候还是会像人或者是其他动物一样 [00:06:00]
红军：有双足或者是四足之间的某一种形态在移动对因为我觉得我们要看每一家公司做机器人他的思路有什么不一样可能要从他的整个的历史说起我知道你的联合创始人苏浩他是李飞飞的学生李飞飞当年成名之战是ImageNet他给上百万的图片做人工标注然后让机器第一次看这个足够多的世界苏浩他其实就是ImageNet的核心作者之一后来呢他把这个思路搬到了3D我觉得这个跟今天的苏杜整个的历史也是一脉相承的所以你可不可以简单跟大家介绍一下ImageNet他当年给机器看海量的带标签的图片这个当时在整个机器人业界它是一个什么样的意义为什么它会成为整个AI爆发的一个导火索
韩征：苏浩求学生涯里面的话其实一共有两个PhD其中大概有将近四年的时间的话 他是在李飞飞老师当时在普林斯顿后来在斯坦福的实验室里面核心的项目就像您讲的实际上是做ImageNet大的项目他曾经跟我讲过飞飞对于整个ImageNet的推动和架构的话实际上是非常有远见的但核心总结来讲就是一个能够复现世界上典型物体的2D的图片和它的文字队用一个结构化的方法去描述这样的一个基础思想比如说我们在桌子上的杯子我们需要一系列的典型的图片去描述世界上几乎所有的杯子但是同样的款式的杯子那么一张或者两张图片可能就够了这个思想在2012年13年他的第二个PhD的导师就Leo Gibbous的在斯坦福德实验室里面开始的时候他也把这套思想带到了3D里面来所以他那个时候开始组建3D的大厨以及ShapeNet当然后去的时候还有一些非常关键的工作成果比如说像激光雷达 以点云为表示的表征方法这个PointNet都是它的核心工作但回到3D大数据集ShapeNet的话其实它最大最大的挑战就在于相比于ImageNet你可以把互联网上面几乎所有的图片和它下面的文字描述和标题梳理清楚并且找到当时用亚马逊最早最早的话我记得应该是在普林斯顿的时候他们用Mechanical Turk以重包的方法的话去做标注但那3D的模型其实是非常非常欠缺的这其实是一个最大的挑战我理解李飞飞当年他的ImageNet为什么这么火 [00:08:02]
红军：是因为本质上他当时也是在用一个堆大规模的数据然后让机器识别其实有一点点像今天的Scaling Law只是在那个时间大家还没有意识到我可以用一个规模化的数据库去解决机器识别的问题他自己做了一个大规模的数据库我觉得在当年那个年代还是非常有创意 有想法有远见的思想把这个思路搬到3D领域就是我能想象比如说你2D你刚刚提到我们要在一个图片里面去识别这个杯子它就是一个杯子我只需要一个表情3D的话就比如说我们今天在录音的这个办公室杯子放在一个桌子上然后桌子上还有手机录音笔首先是它的标注纬度会大很多但是你的文字标注它怎么去解决这种空间的物理关系甚至是力的反馈 [00:10:00]
韩征：我觉得这个事情听起来要难很多对这里边的工作其实要复杂很多所以愿意去做3D的大数据集的人相比于2D以及语言的大数据集的话要少很多很多3D呢其实在大数据集里边的话我们有一系列的工作第一个核心工作其实是所谓在Stanford第二个PhD期间的话核心工作之一就是ShapeNetShapeNet的话应该是有几十万个3D模型但实际上还远远没有达到像ImageNet 能够覆盖世界上所有物体的所有的模型ImageNet当时做到那么大规模 [00:11:02]
红军：他们收集了多少数据最后应该是有1400万张图片和文字的映射ShapeNet几个人的规模现在做到了几十万的3D数据对但是当时的一个约束就是
韩征：你要找到开源的可以用的3D模型但这些3D模型的话理论上它应该跟ImageNet类似它还是需要一个上千万级的物体集合能够把它整个的3D的集合包括刚才您提到还有很多比如像材质摩擦弹性的形变的参数包括我们现在做的椅子它其实轮子和椅子本身其实还是有很多的动力学的约束所以这个3D数据集Shapenet它只有基础的几何和基础的表面贴图我们大概能够预估到它的这些物体的材质因为比如说杯子大概的话就是玻璃塑料金属 它会有一个范围但再往下一步的话同样的一个物体的话它可能会分不一样的parts和组件比如说我们拿到一个饮料瓶子会分成瓶身瓶盖围绕的这个label和标签有的时候的话你甚至需要标注瓶身上面哪个是它的瓶底这些其实是对于Path的标注但标到PathNet的时候就只有几万的物体了我们从之前的ShapeNet再去做一定的筛选去做标注因为这里面要涉及到大量的人工这时候就会对数据的标注的成本有非常高的一些要求但再进一步比如说对于这个瓶子它的瓶盖究竟是往左拧还是往右拧它拧动之后的话能不能够把它给拧下来这个就叫动力学约束的一些标注这个数据集叫Partnet Mobility现在为止如果我没有记错的话还是开源里面最大的带parts带动力学约束的开源数据集但这里面只有不到3000个物体带有标注的 这其实对于几个方面包括像机器人的合成数据的训练生成像现在我们讲的视频生成里面带有连续的空间物理集结性的话其实都有很大的约束ShiftNet是从什么时候开始做的 [00:12:00]
红军：应该是在2013年14年的时候对我们说之前让机器去做3D数据的收集可能标注是一个很费时间成本的事情那现在因为我们在考虑大模型跟机器人的训练方法比如说我让他现在用Shapenet的这一套开源数据集去训练跟直接对着视频网站成千上万的开放世界的视频去训练因为他能拿到的数据是更多的然后那个视频里面也是有一致性的这些动作的它的核心区别点是什么呢我觉得这个核心区别在我们看来就是2D的图片和视频里面三维的信息有
韩征：但是不太全也不太准这其实也是在 Solar当时在training的时候管线里面其中之一就是用Areal引擎和游行器引擎从3D的模型里面渲染大量的2D的视频和图片然后再反向来去做训练数据集但由于互联网上的数据当中太杂它的3D的信息其实并不是特别的精准如果你拿它用来做比如说像自动驾驶导航它可能对精度的要求没有太高比如说你只要求有一个大概10公分左右的精度是够用的但是对机器人的操作10厘米的误差是绝对不能忍受的 [00:14:00]
红军：像我们面前的这个路音机我们要把线缆插到对应的孔位里面去那么它的要求必须是在亚毫米金以内所以这个只有3D建模的3D的数据集可以做到
韩征：尤其是在机器人的操控方向对机器人不管是用哪一种方法但是对于我们做仿真Sim2Real的这条路我们是要求机器人对于物理环境里面的物体和环境
红军：对于几何有比较精准的理解 [00:15:01]
红军：对于几何有比较精准的理解那么它对于几何的精度的理解就得到毫米级甚至压毫米级才可以所以现在ShapeNet它是一个开源的数据集还是说它有分层有一些开源有一些闭源ShapeNet、PowerNet、Mobility都是开源的数据集但我们自己内部用的肯定不是这些开源的数据集您觉得苏浩在做整个ShapeNet以后现在开始跟你们一起做速度机器人在这个中间沉淀下来的最核心的资产是什么这我觉得是一个特别好的问题走Sim2Real这条路
韩征：它有点像波音造飞机很难讲其中是发动机更重要还是说航电系统更重要还是说材料更重要它是一个比较复杂的系统工程所以怎么能够把搭这个复杂系统工程的团队给建起来我觉得这是我们团队的最核心的积累我们团队里边的小伙伴们在苏浩的实验室 [00:16:02]
红军：以及我们成立公司之后核心的这几个大组的负责人其实都在一起工作过七八年的时间哦了解人还有过去做这些事情的经验跟方法论这个是无可比拟的优势
韩征：对对对我觉得是的包括数据比如说我们在做仿真器其实大家能够想象到的市面上的核心的机器人的仿真器不管是像ISAC 摩托扣甚至说新创的一些公司
红军：都跟我们有千丝万缕的联系对我先跟听众解释一下SIM to Real这会是我们后面会反复提到的一个名词那它的意思直译就是说从仿真到现实它是让机器人先在电脑的这个模拟的虚拟世界中训练然后练成之后呢把学到的这件事情搬到真机上让它在物理世界里面也能用那大家注意啊重点其实不是说仿真这两个字而是搬的这个动作 能不能直接把它搬到现实世界还灵不灵它是这条技术路径上最大的一个难题那英伟达的iSEC仿真平台就是这个路径最大的推手之一那与它相对的另一条路径呢就是跳过仿真直接用真实世界采集的数据来训练比如说让人去手把手地教然后机器照着学所以我听下来你们算是这个领域开山之派的这种感觉 [00:17:01]
韩征：我觉得一定程度上讲肯定是这样的比如说像巨神智能Embed AI的英文的提法应该是2019年苏浩跟很多北美的教授联合提出的一个有测评标准的新的研究领域像屈臣之能的这个翻译也是他的当时一起合作过的某一位教授回到国内去之后找他一起讨论和商量定的这样的一个描述但用机器学习的方法去做机器人控制 我觉得他是跟Sergey他们应该是同一波在那个时候的话做探索的非常早所以你们公司成立是在什么时间苏度公司正式成立其实是在去年上半年但我们以一个商业化和半商业化开始组织是在2022年下半年开始的 [00:18:00]
红军：我记得苏浩其实是非常早就出来拿他这个ShipNet整个的一套思想他有在做跟机器人跟3D数据集的一系列的探索那个是在什么时间
韩征：应该是2012年13年他做这个决定是因为在ImageNet出来之后他自己有一个想法是要做一个类似于神经网络的架构但当时跟他配合的人没有那么多在ImageNet的挑战赛AlexNet横空出世之后对他的冲击我觉得是非常大的他觉得自己错过了可能是错过了一个非常重要的一个机会 所以他自己就在思考下一站大的领域是什么所以他想把大数据级加神经网络的方法带到物理世界里面来所以在他拿到第一个PhD之后 [00:19:00]
红军：在Liu Gibes教授组开始搭建新的3D的learning的团队对好早这个中间我觉得不管是机器人还是我们说现在的AI它的技术已经经过了特别多轮的迭代了比如说深层式AI就是一家刚刚在录音前我们还有一段时间讨论过机器人界的历史为什么在前几年包括在12、13年那段时间甚至更早的一段时间大家投资机器人都是不赚钱甚至是一个失败的投资项目而且那个时候其实硅谷有非常多好的机器人项目像什么Covariant我觉得这是一个非常好的一个问题
韩征：我们其实也在创业初期受到了上一波大家对于这个问题的影响从12年、13年开始到15年、16年当时应该是我们叫Android之父 Andy Rubin加入Google之后他负责了Google的X这个项目当时应该收购了非常多家的机器人的公司最知名的可能就是波顺动力后来又转手过很多次包括给SoapBank软银现在主要的控股股东可能是现代但也有像您刚才提到的像Workers Intrinsic现在还在Google里边Early Robotics它的硬件部门已经被关闭掉了但当时那波可能大家还是想用机器学习的方法往前去推进但当时的要素我觉得可能还不是特别全在2022年我和苏浩开始讨论他有这个想法去做机器人的底层操作模型的公司的时候我们当时讨论最多的一点是什么原因能够促使大家觉得现在的机遇跟大概七八年以前明显的不同当时我们的角色的核心原因之一就是达利的出现文生图 对文生图的OpenAI的早期的模型它的核心就在于它让我们意识到3D的Shapenet Parsnet它只有几十万的模型但是图片实际上是有比如像ImageNet Coco这些它实际上是有上千万的它可以描述整个世界上的几乎所有的物体那么有没有一种方法能够把2D升为到3D来实际上是有机会的那么从一个普通的想法来讲就是在仿真器里面如果是要做一个Fantasy Model要重建整个世界的物体和环境的话 [00:20:00]
红军：理论上是开始可行的我们刚一直在提你们在走SIM to Real的路线你的SIM to Real的底层应该是一个我理解现在可以说是世界模型或者是3D的大模型
韩征：我觉得一定程度上是对的其实仿真在我们推动CPMN skill开始应该是在18年19年开始的时候相比于之前的可谓的有限元仿真 比如说像飞行器和汽车制造里边我们要做流体力学仿真以前的机器人的时候你要做机械包括力学的仿真但当时的环境是我们只需要在一个大型的机器上面当中开一个环境让它跟真实的机器或者是飞行器也好车也好机器人也好的话尽可能的接近但新的机器人的仿真器的它的设计思路都不太一样它并不需要我们在一个大型的机器或者是一个大型机群里边无限去逼近一个真实的环境反而是用不一样的思路我们需要在比如说一张GPU上面的话怎么能够开出成百上千甚至上百万个定型的环境但我们的要求是不需要让它看起来非常的真实比如说它的分辨率真的你要去看这个仿真器里边在做训练的时候它的分辨率其实非常非常低 但是它要求物理的一致性当中的话尽可能接近但并不需要无限的接近它一定是要在真实和效率之间做大量的取舍的设计所以你们选择了在这个仿真器里面更多的遵循 [00:22:01]
红军：整个世界的底层的物理法则牺牲观赏性跟分辨率对我们把经典牛顿力学包括这个物理仿真里边的很多人类总结这么多的公式都带入到仿真器里边来
韩征：但同时呢我们又给它大量的开放世界3D的物体环境任务的数据让机器人在里边做强化学习对所以你们现在seem to real的这条路线包括仿真器的设计
红军：我理解它所有的环境搭建都是为机器人服务的机器人对一件事情的理解你们可能是不局限于我要去拧一个矿泉水的瓶盖而是说我想让机器人做所有的他能看见的现实世界中的环境他都能操作 我的理解是对的吗对简单来讲就是说我们想把人类和整个生物对于环境的理解交互物体的操作 [00:24:00]
韩征：几百万年的进化的过程放在放尘器里边来让机器人再经历完整的进化的过程数据从哪里来有几个方面第一就是我们刚才提到的物体比如说我们怎么能够建一个跟ImageNet一样的ShapeNet怎么能够把世界上典型的物体都能够用3D的表征在仿真器里面去做呈现
红军：我理解之前ShapeNet的那一部分已经开源了你们现在在做一个自己的ShapeNet对或者讲就是给机器人用的一个更加完整的高效的3D物体的数据机对然后你们这一部分是线彩的
韩征：现在大概有多少数据可以公开这个我们暂时没有办法正式对外透露但相比于ShapeNet以及开源的我们叫结构化数据机和非结构化数据机比如像ImageNet、ShapeNet 都是结构化数据机我们指的是说它是分类别每个类别里面的子类都有对应的标签还有一些是非结构化数据机比如3D里面其实也有非常大的数据机有一个叫Paul Allen做的Allen Institute他自己在主推的ObjectWars实际上是有上千万的数据机它其中之一的方法就是把GitHub上面所有的带有3D的文件的项目里面所有的文件都挖出来但那是一个非结构化的数据机里面可能大量的都是比如像游戏里面出现的人物的盔甲武器但您可以认为这些的3D的文件大量的重复的对于机器人做物体操作的话其实用处不仅很大所以我们自己要建物体的带结构化的数据机是非常关键的但它的挑战就在于说有很多物体是没有3D文件的当然2D到3D的生成实际上是非常有效的一个手段但现在迭代这么多年在过去取得突飞猛进的进展但现在还有一些 是需要人工做建模标注和参与的你怎么评价你们公司的这一部分数据的质量 [00:25:00]
红军：就比如说普通好非常好这可能是几个不同的等级你觉得现在在机器人的训练中是用极高质量的数据更关键还是说我需要用更大规模的数据但是这个数据的质量可能没有那么高就是你怎么看这两者之间的权衡对我觉得这是一个特别好的问题我们也没有标准答案永远是在质量和规模之间要取得平衡
韩征：但规模是一定要达到一定程度的我就有一个朴素的判断就是你要把世界上的典型的物体它们之间的组合的环境和要去做的操作任务都有一个结构化的描述你不能只去列举其中的一种形态说我在找类似的100个和1000个10000个就能够累积到一个结构化的程度这几乎在机器学习的历史上 不管是说2D的视觉还是像自然语言还是说自动驾驶里面其实都没有出现过所以3D里面其实也是类似的在仿真器里面我们要搭建的结构化的数据集是非常关键的但我们也清晰地知道不太需要无限制的准比如说单个饮料瓶子它的材质的具体描述包括它的表面标签上面文字的信息它的图片需不需要百分之百的还原其实是不需要的但究竟怎么取得这样的一个平衡的话实际上是每家可能都有不一样的理解OK所以你们的数据集算是一个什么样的质量我们对于结构化的理解的话应该是在所有的团队里面可能做得最好的但另外一点我们也知道结构化的下面我们还应该去补奶穴数据所以它有没有搭完呢肯定还没有比如说瓶子要怎么去拧这些对于动力学约束其实还是整个行业里边 最欠缺的数据然后我们刚刚讲了SIM2REAL [00:27:00]
红军：你们的这个仿真器跟大脑的这一部分我们说SIM2REAL后面的2REAL就是怎么把电脑模拟的世界放到现实的世界中因为传统大家来说机器人界有几派争议一个就是sim2real的这一派还有一个就是用real world data的这一派质疑sim2real的这一派就会认为我把simulation里面的东西放到现实世界中它的效果可能没有那么好你们其实也有机器人的本体然后也已经开始操作了可不可以讲一下你们的执行效果以及你看到的gap我觉得sim2real相比于主要以真机数据或者真世界数据采集
韩征：包括像Telops摇操作机器人包括WooMe以动作捕捉设备人去做物体的采集不管是比如像WooMe的这种夹爪还是说我穿全身动物服第三种比如说现在大家经常在讲的所谓的Ego-centric的数据我以第一人称视角去拍摄一些视频但这些方法相比于Symmetrail而言 操作起来都会简单一些但它很难保证某一类操作任务开放世界的方法性这个指的是什么呢就是基础模型一般的描述是你给他一个任意物体就是不管是说在预训练还是后训练都没有出现过的他能够以一个非常高的成功率就能够去完成这个任务假如说是以这个维度而言的话我们觉得sim tutorial是跳不过去的因为真机操作动捕的方法ego的方法ego是什么意思就是以低人称视角去拍摄人用我们自己的手比如说去拿水杯包过去拧瓶盖但我们其实之前也稍微的提到一点就是这类的视频和图片它的几何的理解和精度当中可能是不太够的所以我们在仿真里边核心就是要重建这些物体和环境的3D光处的信息但是如果规模不够这个其实是很难体现出Simtorial的优势和能力的 多大算一个规模 [00:29:02]
韩征：多大算一个规模这是一个很好的问题我觉得直到我们4月份其实放过一个结果就是我们叫速度R1速度R1实际上是我们去年11月份和12月份一个内部的一个结果在我们看来这可能是整个的机器人里边尝试用SimTurio路线里边能够做到ZeroShot的开放世界某一类任务能够把SimTurio Gap当中的话给填平的第一次好那我们接下来一起来看一下4月份的demo这个视频就是我们展示了连续一个小时我们可能试了100多个物体操作了200多次但这些物体其实都是在我们的训练数据里没有出现过的比如说物体失败之后我们也没有补后训练的数据所以它是一个对于物体通用的抓取第一次可以做到领样本的高成功率的结果我们会变换很多的光照环境和物体到一个小时结束的时候我们一共做了 200多次物体抓放的操作240次抓放操作对单次对于这个物体做抓放的成功率是将近98%但是如果它第一次失败之后这个机器人还会用一个闭环控制的方法迅速地去调整他的策略就可以做到100%在这个结果发布之后整个的研究社区里边就有一派的声音就说 [00:31:00]
红军：我们肯定也是精心控制变量包括这些物体和环境是不是我们在训练里边没有见过大家对这个事情是有质疑的所以你们有控制变量跟在训练级里见过吗没有其实完全没有完全没有对我跟大家先简单解释一下因为大家可能看不到这个视频你们第一次demo的画面是一个机器人站在一个操作台前在去抓不同的物体然后这个物体呢包括像饮料的瓶子还有小零食每一种的物体在我看来它的形态包括这个瓶子它可能是一个椭圆形的也有可能是一个锥形的这可能对机器人的手 他就要求他去抓不同的部位他才能把它抓成对还是很不一样的然后这个视频的时长是60分钟你们是连续拍摄对吗对是连续拍摄连续拍摄没有间断上面显示一共是240次抓取所以大家有质疑是说你们可能是看过这些数据但其实是没有是的所以我们当时就决定说要在公众的面前给大家做一次展示 [00:32:00]
韩征：所以在6月初的时候的话我们首先在维也纳举行的一块的大会上我们就首先把这个太极旋第一次带到了研究者的面前大概我们统计了一下在几天的会议里面可能有将近1000人左右来到我们的站台前面用他们自己各种各样随机的物体去做测试比如说参会的证件比如像手机耳机小玩偶来做测试昨天我们其实也刚刚从CVPR的会场回来我们也是搭建了一个展台然后让整个学术界和工业界当时以为我们这个视频可能是处理过的大家还是在一个 非常随机的一个环境之下去做测试这在以前类似于这种的学术会议上是从来没有人能够做到这样的展示原因之一就在于它几乎没有给你时间去做准备比如说之前像他会在学术会议开始之前在旁边租一个Airbnb把自己的机器人放在那边去收集大量的数据可能要提前一个月进场做好处理之后 [00:33:00]
红军：重复去展示比如说做咖啡的任务已经是非常真话的所以它是有针对单个场景去做适配跟练习的它是肯定要的你们没有我们是不需要的
韩征：只不过这两者的区别之一就在于我们实际上更关注对于物体的基础操作比如说这种短的基础操作的高成功率是zero shot就是一次性抓取成功的单个动作
红军：我理解他做的是连续动作因为做咖啡是一个连续动作对他就相当于说要把这个连续动作 让人去遥控这个机器人至少要出现过很多次 [00:34:00]
韩征：如果是他换一个咖啡机或者是同样的咖啡机换一个环境的话它的成功率肯定会要往下掉不少那这时候怎么做呢包括绝大多数的机器人模型公司
红军：都还要去再补充一定的数据去做拟合对做单个一次性抓取的任务跟做一个像甚至我们说很多林桥手公司他要做一个长达21步的这种长程任务就是复杂动作的拆解每一步都需要连续你觉得这两者之间哪个更难我觉得如果是真正做机器人的manipulation做操作的社区的话肯定认为ZeroShot
韩征：稳定的对于开放世界的基础物体的操作短操作的成功率其实更加核心和关键长程任务的复现也是非常核心和关键的部分但其实呢如果是你的短技能当中足够的稳定可靠 它的泛化性足够高你其实是可以把短技能拼成各种各样的长程操作的这其实也就是Mani-Skill的整个核心的框架的大的思想所以我理解 [00:35:00]
红军：其实最难的部分是开放世界而不在于它是短还是长你只要在开放世界中短的能成功那么连续成长的它是一个迟早的问题对简单讲是这样但里边其实还有很多的核心工作比如说你要做短技能
韩征：串联成长技能其实也是一个类似于像思维链的方法其实在Chain of Source提出来大概在23年的时候其实也有一个同期的一个工作叫Chain of Source Predict Control就COTPC
红军：它其实就是专门处理短任务如何串联成长程任务的类似于斯文链的一个框架我看见你视频里面的展示这个机器人它是一个两个指头的抓夹因为我们知道在林乔手里面大家也分得很细就是你是两个指头的抓夹还是说你的手部有几十个关节然后你可以做一些复杂的动作比如说在手内转小球 或者是穿针引线这种需要你非常精巧的操作这两个在训练方式上会有不一样吗还是说这个是你们下一步的目标其实零销售的话我们在二年二三年甚至在之前 [00:36:00]
韩征：我们都有很多研究的一些成果但一般在做机器人的manipulation操作的模型的时候大家一般会把这个问题稍微结构一下绝大多数的任务其实并不需要零销售的操作但林教授直到现在行业已经取得了非常多的进步的前提之下它的稳定性和可靠性其实还不是特别好包括它的成本其实都没法控制的特别优秀当然相比于早期像Shadowhand的可能几十万美金一只已经好了非常多但到现在为止因为我们自己用simulation可以知道对于物体的操作比如说像手内转魔方比如说盘核桃这些的确是需要多只手甚至有的时候它不一定是五只手穿针引线有的时候也不一定需要零教授它主要还是看成本 穿针引线可以直接用机器工艺是不是对所以我觉得您这个提的特别的关键一点就是肯定零教授是最为通用的但是对于稳定性和可靠性以及一开始大家在做探索的时候降低变量的话零教授是一个选项但不是一个性价比最高的方法对因为今天我们录播客的时候 [00:37:00]
红军：其实我是第一次看这个demo我知道你有更远大的梦想就是你想实现更加开放世界的通用的机器人的操作但是我直接看到这个demo的感受是这跟几年前像Vicarious包括像Coviriant想做的东西非常的相似但是其实我也跟他们内部的人聊过他们当时没有办法做到这么稳定我看他们当时的那个demo场景是什么就是说我把一堆斯芙兰买到的女生的化妆品的小样什么唇膏啊就是各种小东西放到一个框里我就让这个机器人去抓取看他抓取的成功率其实当时 他的那个成功率不是很高对然后我们也知道亚马逊他其实是收购了Covirant的核心创始团队我能想象这个场景基于仓库物流的分敛它已经是有超级多的工业应用场景了所以在商业化上虽然我知道你可能还会有一个更远的梦想你会考虑在一些垂直的应用场景开始去做一些商业化的部署吗对我觉得这是一个特别核心的商业化的思考我们的策略实际上是认为 [00:38:00]
韩征：机器人的各种各样的行业的应用有非常多作为我们自己一家公司第一是做过完大概有成千上万甚至上十万上百万不一样的机器人的应用应该是有每个垂类的应用最理解的这样的一个团队去做推动和参与那么我们自己在里面的定位是比如说我们刚才看到的抓物体包括之后我们在推出的一些技术操作技能应该把它排列组合的能力给到每一个想要拿它去亚马逊里边做各种各样的化妆品的分解的 也可以做玩具分解也可以做零食分解同时它也可以拿到工厂里边去做零件的上下料组装也可以进到家里边比如说把我们吃完饭的桌子收拾干净我们希望我们能够做到的是一个底层基础短技能的稳定可靠的基础模型提供好API并且能够把这些基础技能拼成各种各样不一样的长程的任务但它的要求就在于大家有这样的想法搭成类似于像大语言模型里面的agent我们有一个新的描述叫adapt它其实是可以把我们对于比如说今天我要在会议室里面给我们再拿一杯咖啡我可能是要从旁边的屋子找到咖啡机按好那个按钮端杯子来中间还要经过两道门那么这个任务我们希望在任何的办公室里面都能够完成但它只需要用同样的一套逻辑就可以那么这一类的扫盲管它都叫机器人的上层应用这一类的上层应用 我们就希望大家用我们的机器人的完整系统包括本体和底层模型搭出来这样类的应用的时候 [00:39:01]
红军：假如说我是上层的开发者我做的往会议室里面去送饮料的这样的一个应用可以在任何一个办公室都可以起作用对大家跟你买的是什么呢买的是一个机器人的本体加上模型
韩征：加上API的调用次数吗简单来讲是本体加我们的软件支持上层的应用实际上是开发者去做开发然后我们也可以帮大家去做二次的分发那么这个模式其实就回到我们怎么认为机器人的商业模式假如说从硬件的形态而言它更接近于汽车里边有大量的像电池电机它的计算单元相比于汽车而言它的体积会更小一些但是从结构上会比较接近但是从商业模式上而言我们一直内部认为它更像是智能手机会有公司去提供一个像iPhone 或者是像Android它有一个硬件加一个操作系统它有完整的SDK那么开发者就在上面去搭各种不一样的应用可以贴牌但更重要的是有人去做Uber有人去做Doordash比如说像国内就有人做美团有人做滴滴同时还有人会去做Instagram 小红书各种各样的应用我开始听到你这个商业模式的时候 [00:41:00]
红军：我本来想把它比喻成一个安卓手机但是我后来想了一下如果说你们是一个安卓操作系统的话还缩小了因为它的手机是可以自己制作的操作系统它只是买软件但是我理解其实你们现在卖机器人的整套的话你其实是需要硬软件一起卖的因为机器人的硬件跟软件它是一个操作的整体它很难说他买一个软件放在一个新的机器人上它能适配对
韩征：这其实还是可以echo一下您提的前面的一个问题就是说SIM2Rail的gap怎么搞核心的原因怎么能够去解的比较好就是你的硬件和软件 要一起设计包括我们仿真器里面去仿的这台的机器人有两个要求第一个是仿真器里面也不是万能的我们可能有一些构型或者是某些的组件和原件现在还没有办法仿的特别特别的好或者是还没有来得及去做处理这时候我们就需要让这个机器人在做硬件选型和构型的时候用仿真器支持比较好的方法去做设计和搭建第二个就是硬件本身它也有各种各样差异和噪音即便是我们自己在设计同一款机器人的时候每台个体都有差异这是不可能百分之百填平的包括单独每一台机器在每一次上电的时候它的表现其实也都不太一样那么这时候就在仿真器里的话要对于这些噪音和差异做一定的仿真但这个前提都是你不能差别太大哦了解 [00:42:00]
红军：所以我理解SIM to real的这条路径就是它一定要跟机器人的本体 是绑定在一起的对我们觉得是强绑定虽然在我们成立公司之前我们做开源的CBM and SQL包括像iSEG大家都在强调 [00:43:00]
韩征：我可以支持各种不一样的构型但我们想讲开源的这些方法都是研究的方法它其实是极度的简化了比如说像机器人里边导入到防震器里边它用的像有个叫URDF的格式那么它对于它的几何动力学约束都是做了一定的简化它其实不太会考虑到像电机的控制里边它的噪声它的响应曲线的尺质包括每次上电的时候的差别这些其实在研究界大家可能还没有办法去考虑到这么多的细节但是你要做一个稳定可靠可以解决Sympathetic Gap并且可以在开放世界里边
红军：有足够可靠稳定的能力的这样的一个机器人的时候你就要把它当成一个综合系统来考虑对所以靠跟硬件的整合它是一条解决Gap的路径还有其他的方式 [00:44:00]
韩征：比如说在软件层面的调控的解决路径吗对我觉得就是所有的方法都要有机的结合在一起比如说像数据的规模和它结构化的规模包括如何能够把它的仿真的效率拉得更高比如说我们用不用真实世界的数据去做训练的确也有比如说在仿真里面我们也会让机器人去看人去做操作的时候哪一种方法更加的高效我还是拿这个瓶盖举例子机器人的强化学习假如说是你要让他把瓶盖拧开你会发现机器人一开始他可能碰的都不是瓶盖他可能会碰饮料瓶的标签或者是饮料瓶的底部甚至往上稍微的推他一下但这些在早期强化学习的探索的话其实都是一些相对来说比较随机的探索但是你如果让他看一段人的操作的话比如说人在做平盖操作的时候是接近于这个平盖然后在附近去做了一些动作的时候那么他的强化学习的效率也会变高一些这些其实都是在 强化学习框架的设计特别是model by CRL [00:45:00]
韩征：特别是model by CRL最难的其实就是在于
红军：这部分你怎么能够给反馈反馈设计的好甚至是说怎么能够把它批量自动化而且我觉得机器人手去拧瓶盖的难度跟你在仿真器里面让机器人自己运动的这个难度还是完全不一样的因为你那个手拧的不管是角度还是你控制的变量它差一厘米它的区别就非常大不用一厘米了几毫米对您刚才提到的这一点
韩征：其实是非常核心的一点仿真里边的强化学习和simulatorial其实已经在类似于像波动动力和语术这样的人性机器人和四足狗的Locomotion的控制已经得到了充分的验证而且比如说使用英伟达的iSEC其实里边的有一部分的强化学系引擎也是我们团队成员在早期贡献的大家都有些参与但机器人如果是要对于物体去做操作的难度
红军：要高两到三个数量级你说操作层面上 就是明屏卡的这种包括跟桌子上的很多东西的一些交互这个很有意思因为我们上个月有一个线下的英文论坛当时呢正好是英伟达它有一个证明就是SyntuReal Scaling Law起效的这样的一个方式就是说我用SyntuReal可以在现实中真的去控制机器人的运动他们那个研究成果刚刚出来嘛然后我印象还很深我当时还在我们线下的活动上还问了这个英伟达的科学家我说你这个控制大运动听起来是已经可行了了但是控制零翘首这个是不是还是一个很关键的没有被解决的问题然后我觉得我今天跟你的这个聊天 [00:46:00]
韩征：好像正在找到这个问题的答案对我觉得我们之所以提这个难度要高2到3个数量级就是因为如果你只是需要关注自身的动作的话你其实不需要对世界有理解你不需要知道这个物体的形状不需要知道它的材质你也不需要知道我怎么能够移动到这个物体附近并且在接触到这个物体之后怎么去做适度的调整 对于这个物体的操作而言它的难度就在于它首先要构建一个结构化的数据这个在Documotion比如说做姿态控制上是并没有这个问题它只需要关注机器本身是的第二它其实对于环境的理解和做所谓大家现在讲World Model其中有非常重要的一支就指的是机器人对于物理世界的理解和推理预测这些其实他们也不太需要 [00:47:00]
红军：所以你们的机器人是真的理解物理世界吗还是他只是说数据训练的多他不用管为什么他就直接输出就好了我们的这个模型相比于另外一派比如说Figure of Intelligence
韩征：主要在推的狭义的VLA就是以模仿人类动作这样一个端到端N2N的模型而言的话我们是要对于物理世界物体和环境以及它未来的变化要有强理解和强预测的它并不是一个黑盒的模型那么对于我们底层我们一定要知道我们的机器人在移动过程中 包括开始跟物体接触前接触过程中 [00:48:00]
红军：它的每一个推理和判断包括它的未来的预测都是要有人知的才可以你刚提到你们的模型不是一个黑盒模型我们其实并不是它是可解释的
韩征：我们为什么要对物体去接触和操作为什么要去做调整其实都是可解释的比如说我们对这个杯子去抓一开始可能没有抓起来或者是拧这个瓶盖都没有拧动那么我们会大概知道它的下一个预测状态当中是什么样子但核心就是闭环控制当手接触到这个瓶盖的时候用两个手指用一个小的力量去拧的时候它没有拧动
红军：可能会出现两种情况一个是我需要继续去加大力还有一种方法可能某一个国家的它这个瓶盖的左旋和右旋那设计可能就不太一样了解然后我看你们那个demo是抓取物体吗抓取物体跟拧瓶盖我理解
韩征：它对机器人的操作上要求还是不一样的对还是不太一样我们其实是这样来定义的就Manskew在2020年左右 开始推出的时候就是把机器人的底层的技术操作分成了一些类型包括它在过去的这五六年的时间到目前为止应该还是机器人做物体操作里边最大的一个挑战赛和benchmark里边的任务会分成比如说物体的抓放包括一些带有触觉的插线 [00:49:01]
红军：接插组装等等当中很多的任务大概有常见的比赛里边一般会设置十几种你刚刚提到了你们不是一个黑盒模型但是我理解现在硅谷最火的这些公司像Physical Intelligence, Gild他们做大脑就是纯做软件层模型层的这些公司我理解他们还是在尽可能地去搭一个黑盒的模型因为他还是在遵循现在这一轮的生成是AI崛起的一个范式就是说我对的数据量越大我的机器越智能我未来赌的是一个通用跟开放场景的智能的程度我之前也有跟一些做机器人的人聊就是为什么白盒模型这么多年没有起来就是因为人可以预测跟想到的情况是有穷尽的 同时你很难去解决很多场景的contrcase的问题所以到底搭白盒还是搭黑盒你们是怎么想的以及未来的评估是怎么样的 [00:50:01]
韩征：我们是模型在预训练的过程中是有分层结构的就是说我们需要在预训练的时候的话让机器人知道他对于物体未来所在的环境里面要对于几何材质和他的运动学包括我做操作的时候预测是要有一定的推理和认知的但是最终在端测部署的时候我们也是一个端到端的模型分层对其实在预训练的时候预训练是大脑跟软件的哪一层比如说我们让机器人在我们的仿真器里边要对于这个物体知道它所在的几何位置包括对于它周边的物体之间的一些的材质的预估重量的预估它有没有知道它实际上是分屏盖和屏身的大概去操作的时候应该是像比如说逆时针旋转这些其实都是他有理解和推断的 这一段是黑盒这一段相对来讲是一个以一个影视表达可以去描述的它大概在什么样的位置有些是显示表述有些是影视表述但比如说像硅谷和国内绝大多数的机器人公司在以模仿学学为主的这样的一套思路它其实是不太需要知道物体究竟在环境里边它准确的位置它也不太需要知道它的几何的信息比如说我们刚才讲的拧平盖他其实并没有一个推理是说我需要向逆时针的方向去做旋转他之所以这么做包括去接近都是因为在那个环境之下曾经有人是遥控这个机器人或者是用自己的动步符做了那样的动作他只是在纯粹的机械的去模仿他其实并没有特别强的理解所以你们在搭建理解的这一部分对我们是需要在预训练的过程中是有理解的但人类其实在对瓶子操作的时候我们其实并不会在脑子里边有一个推理过程 说我这次拧这个瓶子的话我要用一个逆时针的一个策略去转顺时针转不动就是逆时针人类是很可变的对它是可变的但是它也有一些常识比如说我们每次去拧瓶子的时候我们一般都是逆时针去转因为这是一个常识已经是刻在了我们自己以前的肌肉操作里面去但假如说是小朋友第一次看自己去拧一个饮料瓶子的时候他会经历两个阶段第一呢是他假如说从来没有看过父母去做这个操作的时候他会先往左拧一下试一下再往右拧一下试一下它是一个随机的一个尝试但同时呢他又会去观测父母是怎么去做操作的他可能会有一些理论依据人在出生之后他带有一定的对于物体的操作的能力比如小朋友出生之后长大的过程中它对于所有的物体的话都会去抓抓摇摇拧一拧掰一掰去试一下的时候有些的运动的能力其实也是刻在人遗传的基因里面 那么机器人我们实际上是要把整个进化的过程在仿真器里面再去附显一次你们会把人类的进化过程在仿真器里面附显一次其实是这样的这个太有意思了这个仿真器之所以当时组号起名字叫Sapien其实就是尤里赫拉利写的那本书Sapiens的映射它其实就是指的怎么让智人从人到人一个进化的过程但为什么我们选择这个模型的进化的策略跟另外一派说把数据堆构的策略最大一点的不同核心原因就在于机器人的数据堆构的方法跟自动驾驶包括二级图片视频包括自然语言一个最大的不同就是它没有足够多的数据自动驾驶可能是最接近的参与到这里面的自动驾驶的人非常非常多但是它的一个核心在于自动驾驶比如Tesla在可能十几年以前就开始卖它的车当时绝对没有现在的FSD虽然它当时给大家画饼说未来可能会有FSD 但实际上是有几百万的司机买了它的车 [00:51:00]
红军：在101的公路上面天天开所以它是会变的它不一定要只遵循一个范式我可以在数据不够的情况下用白盒加黑盒的模式搭等数据量够了我可以去改变我的技术
韩征：对但是机器人你是很难同一款机器在没有任何功能之前我卖500万台机器人到各个办公室家庭或者是工厂里边去并且旁边还有一个工人在遥控它去做各种各样的操作在我们的家里面我们很难想象我买了一台机器人我需要穿着一个动物服才能够去做西红柿炒鸡蛋这个我觉得基本上是很难这在说1X吗没有特质但这个模式实际上就在于说我们人类以公司方法去做组织的话我觉得像国内的公司已经做的是非常超前的可能已经能到百台甚至千台以上的规模但它离五百万台和一千万台并且能够进到每一个家庭 每一个办公室就像特斯拉的车像是开到了世界上几乎所有的角落收集到各种各样的数据并且后面还有个司机天天帮他去标数据这些的要素在机器人里边可能都不成立所以它的能启动的方法就是像您刚才提到的因为大家提到SIM2Rail为什么一定是要推的一个方法是躲不过去的就是因为它能启动的数据实际上是需要一个百万甚至是千万级别在所有的开放环境里边都要把这个数据给收集全才可以的所以我理解 [00:55:03]
红军：这是你们用分层模型而不是硅谷主流的端到端的一个核心原因在现有整个业界机器人数据都远远达不到的情况下我们可以通过分层让机器人先跑起来先提高它在开放场景zero shot的操作能力然后你们的商业模式比如说你现在是卖给很多开发者当大家都开始用这些机器人 其实后面你还要不要用一个新的方法去打你的训练范式是可以变的对稍微分享一些我们自己认为的一些小八卦Physical Intelligence在成立之前他们其实是在Google [00:56:02]
韩征：包括Journalist这个其实是在Google Robotics里面工作的非常多的核心人员参与的那个时候的话大家可能都是做一个端到端的一个模型但再往前当时大家有一个默契就是有可能是底层的模型有一个稳定可靠的底层操作能力再向上实际上是有大家去做环境理解包括拆分成不一样的任务我怎么能够去那个咖啡机然后拿到两个杯子倒两杯咖啡中间还得过两道门但在大家二三年二四年先后开始搞公司的时候大家就选择了自己擅长和熟悉的套路所以他们可能就不再提分层但我们有一个暴露就是可能从今年的下半年开始上下分层的这种结构会重新再回到主流里边 而且可能在之后大家选择的方案推到商业化里边去可能是最终的一个方法 [00:57:01]
红军：你可不可以简单一句话总结一下上下分层指的是哪个上下分层对比如说从冰箱里边拿一个瓶子把瓶盖拧开然后把我们面前的两杯水倒满那么上层实际上是说
韩征：我们现在杯子里面没有水了我要去重新倒水机器人实际上是要对于我们现在所在的这个环境要有理解哪边是冰箱里面有没有水我第一步应该去走到这个冰箱面前打开冰箱门拿到这个瓶子移动到这边把瓶盖拧开并且朝两个杯子里面分别去注入一定的水再把瓶盖给拧上这些呢是属于我们叫拆分步骤的做resonating的过程但是底层在我们的划分里边就是我如何去走到冰箱的面前把门给打开打开操作的这一层对抓住这个瓶子移动到这边把瓶盖拧开并且往杯子里边去倒水那么这些底层的每一步 具体的对于物体的操作 [00:58:01]
红军：我们叫low level manipulation上层的这个high level的resonating和planning当中我觉得是可以分开的嗯嗯所以你觉得今年所有的硅谷公司都开始会做这种分层操作我觉得很难讲今年
韩征：但是这个会回到大家的视野里边来我觉得在最近几周的时间里我们在跟学术界工业界大家做现场展示和交流之后有些人已经意识到这可能是一个新的方向
红军：所以我理解现在硅谷的很多像我们说的Pi Generalist这些公司它还是在把操作的层面也是直接用大模型控制的但是现在能做出这个判断证明现在的控制并没有大家想象中那么好
韩征：跟成功率那么高我觉得是的仅代表我自己个人不一定是公司统一的想法就是我觉得Physical Intelligence和JerisGoogle等等这些机器人公司其实更擅长做上层的reasoning但是对于物体的操作的话靠少量的比如说几十万小时我觉得可能已经是现在操作的极限人类真实操作物体的数据远远没有办法达到 对于物体的开放环境开放物体的稳定可靠的操作的能力 [00:59:01]
红军：我可不可以理解成上层是硅谷公司的优势下层涉及到操作层面因为你就一定要跟硬件相结合这就是中国公司的优势或者讲硅谷的机器人公司也好大厂也好
韩征：中国的模型大厂也好大量的巨声的公司也好我觉得可能都是像上层做reasoning的机会会更大一些当然还有很多巨声和机器人的公司他们挑某一到两个垂直的应用的场景可能就类似于像大模型它就做一种或两种的agent但是对于底层如何在随机的环境里面对于一个任意物体做某一类的操作我们认为必须是一个软硬件强结合的公司
红军：才能够达到但这家公司是不是只有中国公司能做到我觉得未必你们跟像宇树这样的公司核心区别是什么我觉得宇树是在机器人的硬件的量产能力就率先给市场 交出了最好的答卷的一家公司 [01:00:02]
红军：一家公司对2025年的出货量有5000多台然后我们对比一下特斯拉Figure这些美国的明星公司它可能只有150台左右对而且语术是把这些5000多台的设备当中真实地发到了用户的手里面在操作上跟大家关注的方向的不同点上呢语术对于物体操作可能才刚刚开始它主要是在大运动跟运动控制上对而且对于物体操作这个人性机器人是不是一个最稳定可靠的一个方法短期之内不一定未来可能是今年我看见最近有一个大热点是Skill的AI它的估值是冲到了140亿美元它最新的一轮融资是14亿美元头后估值是140亿到150亿美元七个月前它的估值才是45亿美元它其实就是做全身体的通用机器人的技术模型Skill the brain对比我们刚刚一直在讲的Physical Intelligence它也算是硅谷的做软件大脑的一个非常有代表性的公司 它的估值也是56亿美元你对这家公司熟悉吗为什么它一下能拿到这么大的一笔融资 [01:01:00]
韩征：然后估值的规模在大范围的提升我觉得首先Physical Intelligence如果我没有记错的话它最新的估值也是在120亿到140亿美金之间不一定完全对外公开但他们也在做新的募资我觉得这几家公司包括Skill的Physical Intelligence包括Journalist都比较接近都做大脑对Skill的话比较特殊一点两位创始人Deepak和Abinav其实跟苏豪也做过很多的讨论他们以前是坚决不信仿真的但是在一开始募资的时候他们是拿机器人仿真作为他们主要募资的方向但实际上据我们了解做的业务可能偏敏感一些我觉得在做巨神技术模型美国这边第一梯队的话我觉得还是像Facebook Intelligence这样的团队包括Generalist以及还有一些创业的团队像华人的Sandy像Dyna其实都在做一些探索
红军：然后我们来看一下最近我看Figure AI 好像又被看好了因为之前它其实也是融资估值都很高我觉得有一段时间整个硅谷的投资人我听起来大家是对Figure是有所质疑的甚至也会质疑它放出来的demo你是不是后期剪辑过为什么最近大家又重新看好Figure了是因为它跟宝马的一个合作还是因为它的技术能力跟放出来的demo [01:02:01]
韩征：有一个全新的提高我觉得这轮可能跟宝马的demo可能关系不大因为最近大家对它关注是在大概几周以前它开始做一个产线里边的物体的分解但在我们看的的确是比以前有些进步但在物体的操作放化性和环境的放化性上其实差别还比较远第一它里边出现了两类物体一个是一个在做实验的一个包裹但那个包裹其实形状几乎是一样的都是正方形的你是说它一天的直播对它后来持续了几天但如果是按照我们的要求的标准第一它的物体方法性其实不高 因为一共只有两类物体一个是盒子一个是软性的包装而且颜色和重量几乎是一样的第二呢它的机器人所在的工作的环境一直是在他们自己公司里边搭建的那一条测试线里边并没有走出去很难所以如果是拿咬操做VLA的这条方法的话最大的约束和挑战就在于它对于光照和环境的变化都极其敏感一旦变化之后它的成功率会直线的下降 [01:03:01]
红军：所以大家对Figure还是有质疑的就觉得它的demo放出来还是简单的对但我觉得比以前已经好很多了洗碗机的那个是它的demo对吧洗碗机是它的demo但我们听说是花了很长时间拍一条对我听到的也是这样子的另外就是我看见今年还是有很多的机器人公司它在进入部署阶段的比如说马斯克就把Optimus要放到Freemont的工厂让他在工厂里面去做一些工作 当然他自己也说了就是开始大家还是希望他能进家庭能真正干活的但是他说他现在放Optimus他其实主要也是为了训练数据而不是真正的让他干活我觉得特斯拉的人性机器人现在也是大家蛮关注的一个点的就是从一个专业的同行业创业者的角度 [01:04:00]
韩征：你会怎么去看他的部署在我们25年主力团队搬回到国内之前其实我们跟特斯拉的自动化团队有一些合作但是当时他们在自动化产线里边使用的自动化能够让机器人在里边去做任务的时候Optimus肯定是还没有能够满足那个条件当时应该只是在Optimus团队里边去做一些比如说像一个固定的位置当中去拿电池的这样的一个动作但Optimus我觉得是未来美国的机器人行业里边肯定是最大的退手因为它的硬件的核心和制造能力实际上是非常强模型的话我觉得按照Tesla和Elon Musk的风格 可以等到这个行业有较为好的方案出现之后再去补可能也来得及但同时我们当时也听到Tesla里边可能有一派的声音是说Elon他自己当时也提过先造一系列的机器人让外界的人去做研发开发跟你们的思路有点像我觉得有点像但他的思路我觉得是跟现在很多做机器人硬件团队更像我不给你模型我给你很好用的硬件那么你自己去开发模型但我们实际上是想要给大家一个硬件同时有底层大家不太好对对对这部分 [01:05:01]
红军：对然后我看今天波士顿动力电动版的Atlas也在开始出货了这个是一个值得关注的点吗对我觉得这是一个特别关键一点我们自己内部定义的
韩征：最大最有潜力跟我们一起去推这个方向的可能就是波顺动力的电动版Atlas加上Google的DeemMind 如果大家去年看德米斯·哈萨比斯的一些采访包括他的纪录片以及一系列的动作的话我觉得他们对于物理世界AI的下注可能是在所有的大厂里面最坚决的一项只不过现在他可能还要分时间去兼顾Gemini跟Anthropic和OpenAI去做竞争的这样一波但我觉得去年有一个非常重要的信号第一呢他们已经把硬件的平台从原来的Aptronic和另外的一台机器换成了电动版的Atlas同时呢他从波顺动力的硬件部门把核心的几个人都挖到了D-Mind团队里边所以未来机器人行业里边假如说我们走的是硬件也是我们自己造软件底层模型也是我们自己搞那么Google会不会重复Android的方法再做一次对用不生动力的硬件包括现代集团在后面量产的能力的支持同时呢 他们自己在仿真器在几年以前就收购了摩托客团队自己在做不断的改进他自己还有他自己的世界模型Genie 3这些对他有几乎无限的卡世界上最好的人才聚集在一起并且他是下了决心就是从公司相比于Answer BigOpenAIMeta国内的这些的大厂可能是唯一一个带团队的负责人 [01:06:00]
红军：在机器人上面如此的用心的他可能是未来最因为他硬件也有软件也有我觉得这个跟其他公司是完全不是在一个量级上的我们感觉他是坚定的相信SimTour的这条路的对我知道4号的团队跟DeepMind
韩征：可能也会有很多的交流应该你们也是对我们跟Google Robotics以前的交流合作非常非常的多甚至说那个团队里面有很多都是他的师弟师妹有一些核心人员是他曾经的PSG的学生包括派创始团队里边也有但我觉得DeepMind的这一波它会把核心的人才聚集在伦敦在英国模型团队和硬件团队聚集在一起这个事情我们觉得非常重要 就跟当年Steve Jobs说 [01:08:01]
红军：做Apple的开发的时候有人问能不能去另外一个办公室能不能远程他坚决不同意我觉得是一样的所以在所有的机器人公司中你们最看好的是DeepMind加波士顿动力这个还是挺有意思的
韩征：对我觉得这可能跟大家想的都不太一样我觉得可能在接下来的两到三年里边从机器人的操作能力和综合能力上而言我们认为的最大竞争对手可能是DeepMind的家伙波士顿动力对因为波士顿动力
红军：大家知道最开始是谷歌收购了他们后来他们又全部卖给现代集团了所以他现在跟DeepMind之间关系是怎么样的他还有股权关系吗现在股权关系应该没有我如果没记错的话现代集团应该是
韩征：主要的控股股东然后剩下的软银应该还是保留了10%到20%但D-Mind这次一定会把博神动力再纳入到体系里面来但博神动力会把D-Mind
红军：作为它大脑模型的可能最重要的一个合作对 那我们再说一下亚马逊因为亚马逊其实去年年底我听all in的播客他们说其实有一家公司非常值得关注就是亚马逊理由就是说亚马逊马上今年它的机器人的部署可能已经比它的员工还要多了因为他们其实是有仓库分敛的这些场景它天然是一个场景的应用方而且它也收购了Corriorant你会怎么看亚马逊在机器人上的布局我觉得亚马逊一直是在机器人里面投入最多的一家大公司但它的数量可能还是以 [01:09:00]
韩征：比如说像第一像仓储物流里面像做HV像Kiva很早就收购包括像各种各样的机械币的应用各种各样的人性机器公司比如像Agility Corriorant之前可能还有一些其他的公司都在里面去做尝试我觉得它会提供一定的场景但亚马逊最终要不然就是要把这些公司收购要不然就要自己去做我觉得Corrent也是当时把亚马逊作为核心的客户之一
红军：刚刚在聊硅谷 跟中国的这些机器人公司它的发展过程中我基本上还可以总结就是整个硅谷它还是在更加看重机器人它的通用性泛化性包括它大脑层面上的这些进展因为我们看到市场上最高估值的公司全都是集中在这一块中国它有非常好的硬件的底子但是同时我也看到很多的公司开始可能也抱着说我们要去做机器人的通用性的这些想法但是最后它可能因为有商业化的压力它可能最后都退回到了单一场景就是你怎么去看这种立项很丰满最后大家回去做 [01:10:01]
韩征：垂直赛道的现象我的核心的推断还是跟前几轮比如说像做视觉大模型比如像当时的AS小龙包括后来做语言模型的科大逊飞等等类似吧如果是对于基础模型如何去构建没有一个特别清晰的想法只是想边做边试的话我觉得其实很难 大家都会因为商业上的一些压力去做妥协但是对于我们团队而言我觉得也是分成两侧假如说我们对于基础模型如何去推进也是在摸索没有较为清晰的一个方向能够在未来的比如说当时启动的时候能够在12到24个月里面应该能够看到什么结果有判断的话我觉得我们也未必能够一直坚持这样的一个方式和方法所以你是看到了技术上通用的可能性我觉得是这个团队可能在过去的七八年的合作里面其实已经有了一些感觉和认知再把哪些要素补充在一起大家合作是比如说12到24个月的话就能够看到第一阶段的效果我觉得这个比较关键而并不是说我们把数据先做一些小模型先试一下是不是把数据堆到一定程度之后什么程度现在也不知道有可能是1000万小时有可能是1亿小时有可能是11小时说不定就做出来了我觉得说不定这三个字 在我们团队里面几乎不太会出现但是对于其他的团队而言大家都是在探索那么会受到自己团队内部包括投资人和商业化的一些的压力 [01:11:00]
红军：就会选择一个锤类的场景这时候客户给大家的要求的时候就会导致跟你迅机模的这个思路肯定会有背离所以你们是怎么看到它能做成通用的可能性的
韩征：我觉得实际上是通过以前一系列的研究的工作能够感知到这个系统应该可以walk就是说在小规模上的能力的话已经起作用了只要在给整个搭建完整系统里面
红军：大家再齐心协力去试一下的话有可能能够得到初步的结论要做通用人工智能它是一条更远更长的路在这个中间怎么让自己的公司活下来你作为公司的CEO你会有这个压力存在吗我觉得我们肯定会有压力但相对而言还好一些我觉得机器人在这波趋势里面由于大模型的出现 [01:13:01]
韩征：包括infra的出现我们感觉会把它推到下一个阶段我们实际上是不会读某一个锤类场里哪个能够跑出来而是希望我们通过提供一个硬件加底层的模型让大家去试我们希望我们服务的1000个开发者里边有100个能够找到能够小批量去做部署的这样的一个应用的场景但另外900个人可能会有比较好的demo或者是研究的成果这100个人里边可能会有5个10个会做一个超级应用它可能会需要部署1万台甚至更多的机器人到不一样的场景里边去但究竟是从冰箱里边去给我们取饮料瓶倒水还是说在工厂里边去完成汽车的组装还是说比如像亚马逊这样的一个仓库和分解环境里边去抓斯芙兰的唇膏我们不会去赌某一个场景因为这个团队我觉得它的特质也并不是说到工厂里边去部署和集成测试 整个的开发者社区里边包括集成商自动化团队各自都会有各自不一样的擅长我们希望就是做底层的 [01:14:01]
红军：新的工具链给大家现在把更多的钱投入到你们更有长远场景的研发上还是说把一部分的精力也投入到比如说针对开发者的软硬件一体的平台的分发上你觉得哪一个是你现在在负责的重心或者说你会怎么去做你的资源的分配
韩征：我们的核心是在提供一个可靠稳定的硬件加底层模型从一个抓的技能到三到五个比较常见的技能并且把它的组合的开发的工具做好让100个开发者能够在上面去做不一样的应用尝试这是我们在现在和接下来几年时间最核心的一个目标我们希望100个1000个开发者
红军：在上手能够出现 我刚才描述的情况有些人可以找到一些有意思的应用场景 [01:15:01]
红军：有意思的应用场景可以做批量的使用和部署也会支持你们技术团队去做大规模的研发上的投入对我们肯定会在这方面
韩征：是我们最核心的持续性的投入但是为了验证大家可以拿它去做行业里面的垂类应用我们肯定也会挑一到两个场景跟一到两个开发者紧密的配合把我们的开发工具已经要做好
红军：如果十年后回头来看你是希望速度科技被人记住的是说我们做出了一个通用机器人的产品还是说我们证明了SIM to real这条路是对的
韩征：我觉得SIM to real这条路是对的是副产物我们希望十年以后当大家回看今天的这个时间节点的时候会认为这可能是一个类似于像iPhone加iOS操作系统那个时候会有新的Uber有DD美团会有新的Dorax长出来我们希望大家用的硬件加底层的系统和软件至少有一部分是我们提供的 [01:16:02]
红军：一个非常有野心的梦想对的确是现在做通用应该要牺牲很多垂直的商业化机会吧我觉得是但我跟苏浩在一开始在商量的时候我们也觉得现在如果是做垂类的商业应用有的时候账是算不过来的但大家也在抢地盘就是有些产品一个机器人部署了它很难再换一个对一个机器人部署替代一定的人工
韩征：实际上你可能要花三到五个PhD的一个成本去维护对还是挺好的一条路径的对我觉得就是难但是可能最终是最有效的方法好今天非常精彩谢谢
红军：好谢谢好了这就是我们今天的节目大家会怎么看机器人的这场竞赛呢欢迎给我们写评论写留言播客的听众可以通过小宇宙苹果播客还有Spotify来收听订阅我们大家也可以在B站和YouTube上搜索硅谷101播客来看到我们的视频版本 我们部分的文字稿也会收录在硅谷101的微信公众号上我是红军感谢大家的收听 [01:17:02]
这篇文章整理了 The Pragmatic Engineer 播客主持人与 HumanLayer 首席执行官兼联合创始人 Dex Horthy 关于“上下文工程”的对话，重点讨论如何让 LLM（大语言模型）和编码智能体在软件开发中更可靠地工作。
HumanLayer 采用“慢循环”进行循环工程：夜间让智能体修复一个问题并创建拉取请求，如今每天早上由四个智能体生成四个质量改进拉取请求，但合并前仍由人类全部阅读。Dex 将“更努力地用 token”定义为单纯压榨 Claude 订阅额度；“更聪明地用 token”则是在保持控制力的同时获取 AI 的最大价值，后者更难。
他认为软件工厂有三种路线：
1. 关灯式自动化： 全面交给智能体、不审查代码并祈祷垃圾代码不要太多；Dex 已尝试并失败。
2. 全面人工审查： 阅读全部 AI 生成代码，速度回到人类水平，但相较 AI 之前的工程方式仍可提升约 30% 至 50%。
3. 寻找杠杆并保留人在环中： 把时间投入规划、设计、架构和关键决策，让智能体生成代码而不坚持审查每一行；Dex 估计速度可达到纯手写代码的 2 至 3 倍。
文章还列出播客时间戳、Dex Horthy 的联系方式，以及 HumanLayer、JPL、Dykstra 投影算法、12-Factor 智能体、工具链工程等参考资料。全文没有提供 Tobi Lutke、Andrej Karpathy、Dex 等若干 X 帖子的链接，但保留了这些提及。
来源：The Pragmatic Engineer
URL: https://newsletter.pragmaticengineer.com/p/context-engineering-with-dex-horthy
收听最新一期节目 立即在 YouTube、Spotify 和 Apple 上收听和观看。请查看本页顶部的节目文字稿，以及页面底部的时间戳。本期节目由以下合作伙伴赞助：
•
Antithesis——借助 Antithesis，你可以让 AI 智能体处理关键系统，而不用担心正确性问题。它远不止代码审查：你可以在敌对环境中运行完整系统，分析其行为，并完美复现每个问题。Jane Street、Fly.io 以及 etcd 社区等团队都在使用 Antithesis，以更快地交付更好的代码。了解更多。
•
Buildkite——OpenAI、Anthropic、Cursor、Meta、Uber、Ramp、Nvidia、Airbnb 以及许多其他公司信赖的持续集成（CI）平台。Buildkite 已在那些解决最棘手工程问题的公司内部，经过最大规模场景的压力测试。它能够可靠地管理你的编码智能体今天、明年以及更远未来提交到构建队列中的任何任务。了解更多。
•
Sentry——由开发者为开发者打造的应用监控软件。Sentry 的 Seer AI 智能体是其新推出的实用工具之一，可以帮助更快地调试错误；Sentry 的 MCP 服务器也一样值得关注。欢迎了解 Sentry。
对于使用大语言模型（LLM）的软件工程师来说，了解 LLM 上下文的工作方式，以及如何绕过上下文限制——也就是“上下文工程”——正变得越来越重要。今天，我们来看看哪些方法有效，哪些方法无效。
在本期 The Pragmatic Engineer 播客中，我与 HumanLayer 首席执行官兼联合创始人 Dex Horthy 进行了对话。他提出了“上下文工程”这一术语。我们讨论了上下文工程、工具链工程、循环工程、软件工厂背后的理念；他构建 AI 辅助软件开发的方法为何不断演进；以及 HumanLayer 如何帮助工程团队在不牺牲代码质量的前提下，自动化软件开发生命周期中的更多环节。
以下是 Dex 在对话中分享的 12 条实用观点：
大约从 2024 年 8 月开始，当时主流做法是使用 LangChain 和 CrewAI 等框架，Dex 开始构建 AI 智能体。他还与大约 100 位正在做实际工作的人交流，其中包括承接 10 万美元以上合同、为企业交付 AI 解决方案的工程师。他们试用过这些框架，随后放弃框架，转而构建自己的流水线。Dex 将这些交流中的经验写进了畅销书《12-Factor 智能体》。这本书非常值得一读！
2025 年 7 月，Dex 尝试让模型编写代码，而人类完全不做审查。四个月后，他们关闭了系统，并把整套系统全部弃置。生产环境发生故障；无论团队怎样提示 Opus 4.1，模型都找不到根因。团队花了数天时间在“意大利面式”代码中摸索，才发现主键被错误地贯穿整个代码库。修复之后，他们又花了三周时间，重新熟悉一个此前没有任何人读过的代码库。如今，Dex 认为这种问题甚至用不了四个月就会出现，因为新模型编写代码的速度比一年前快了很多。
Dex 认为，我们看到 LLM 让既有代码库“退化”，原因在于模型被优化为在 SWE-bench 风格的基准测试中取得好成绩。这类基准测试会奖励模型在 Django 等代码库中复现已知修复方案，却无法衡量糟糕的架构决策。这是因为糟糕架构和糟糕程序设计的代价，无法通过运行单元测试来评估。这个问题很难解决：Dex 最好的猜测是，应该评估模型在不知道接下来会遇到什么的情况下，是否能连续在一个代码库中构建 20 个功能。
经验法则是：使用的上下文窗口越少，结果越好。这是因为注意力机制的计算复杂度呈二次增长：放入上下文窗口的内容越多，处理全部内容所需的计算量就越大。我们在关于 ChatGPT 的深度解析中进一步讨论了自注意力的可扩展性挑战。对于上下文窗口为 100 万的模型，Dex 觉得合适时会把使用量控制在大约 30 万至 40 万；对于更小的模型，他会在大约 10 万处停下。当上下文窗口超过这一启发式上限、性能开始下降时，你就进入了“愚蠢区”；模型会开始做越来越愚蠢的事情，例如删除你的 `.env` 文件。
模型的智能取决于它能否使用上下文窗口中的 token（词元），也就是判断哪些上下文内容与下一步决策相关。你必须逐渐形成对合理上下文用量的感觉，并在进入“愚蠢区”时进行试验。
他会把冗长、嘈杂的上下文压缩成一份 Markdown 文档，然后开启一个全新的会话，让模型读取这份“压缩上下文”。他采用的一种工作流是：第一个会话阅读大量代码，在仍处于“聪明区”时填满上下文窗口，然后输出一份研究文档；下一个会话读取描述待完成工作的工单，并将其整理为设计文档；再下一个会话结合这两份文档制定计划。人在真正重要的地方参与其中：在这个例子里，就是审查设计文档和架构，因为 Dex 认为模型在这方面比较薄弱。
Dex 建议，开始构建软件时，应始终使用能解决问题的最强可用模型，因为工程时间几乎总是瓶颈。只有当规模真正扩大、成本高到足以引起关注时，才开始优化 LLM 和上下文的使用。到了那时，可以考虑在流程中的简单步骤使用 GPT-OSS-120B，其成本只有 Opus 的千分之一。
这类回答意味着 LLM 会话已经遭到“轨迹污染”，继续下去只是在浪费时间和 token。模型是自回归的，所以如果陷入这样的循环：模型犯错 → 用户“发火” → 模型继续犯错 → 用户“发火”……模型会计算出下一条最可能的消息仍然是犯错！
大小：上下文越大，在进入“愚蠢区”之前可用的空间通常越多。
信息质量：一旦某个内容进入上下文窗口，后续每一轮都会把它当作事实。这就是错误会不断叠加的原因。
缺失信息：如果智能体需要的某些信息缺失，结果会更糟，因为智能体会用猜测填补空白。
轨迹：模型是自回归的，会根据此前的对话，以某种思维线程的方式预测下一条消息。“轨迹污染”指智能体陷入一种持续做出你不希望看到的行为模式。出现这种情况时，就该重新开始。
HumanLayer 团队最初设置了一套夜间自动化流程：启动一个智能体，修复代码库中的一个问题，并创建一个拉取请求。第二天早上，他们醒来时就能看到一个等待合并的拉取请求。团队不断调整这套流程，如今每天早上会有四个智能体总共创建四个拉取请求，重点是改进代码质量。合并之前，仍然会由一个人阅读全部拉取请求。
Dex 加入了一个名为“Hyper Engineering”的群聊，成员们会分享如何最大化利用 Claude 订阅的建议。他把这种做法称为“更努力地用 token”。另一边是“更聪明地用 token”：目标是在保持控制力的同时，从 AI 中获得最大价值。后者更难做到。
Dex 认为以下方式是可行的：
“关灯”：全押注智能体编程，不审查代码，并祈祷 AI 不要制造太多垃圾代码。Dex 尝试过这种方式，但失败了。
阅读并审查所有 AI 生成的代码。这会把速度拖回人类水平。Dex 说，与 AI 之前的工程方式相比，这种做法预计能带来 30% 至 50% 的生产力提升。
寻找杠杆，同时让人参与其中。找出哪些规划工作能通过减少缺陷，为后续实施节省四小时，例如投入一小时规划。把更多时间投入设计、架构和关键决策等高杠杆领域。然后让智能体生成代码，不再坚持审查全部代码。Dex 认为，这样的速度可以达到开发者手写全部代码时的 2 至 3 倍。
•
Uber 如何使用 AI 进行开发：内部观察
•
AI 智能体真的让我们变慢了吗？
•
2026 年软件工程师的 AI 工具链
•
软件工程师的氛围编程（Vibe Coding）
•
Claude Code 是如何构建的
•
现实世界中的 AI 工程
•
AI 工程技术栈
•
AI 辅助编程将如何改变软件工程：残酷的事实
•
OpenClaw 的创作者：“我交付自己不会阅读的代码”
00:00 开场
01:33 Dex 进入科技行业的经历
03:34 早期的平台工程工作
05:28 Replicated
11:24 Metalytics
12:36 12-factor agents
18:27 上下文工程
23:38 工具链工程
26:11 上下文过载
30:45 循环工程
44:34 AI 前后的软件工厂
50:33 自动化的边界
55:18 自动化的三种选择
59:00 RPI 框架
1:04:16 有意识的压缩
1:11:48 更努力地用 token 与更聪明地用 token
1:16:44 AI 垃圾代码
1:19:15 HumanLayer
1:29:09 书籍推荐
Dex Horthy 的联系方式：
• X：
• LinkedIn：
linkedin.com/in/dexterihorthy
• 网站：
节目中提到的内容：
• HumanLayer：
• 喷气推进实验室（JPL）：
• Dykstra 投影算法：
https://en.wikipedia.org/wiki/Dykstra’s_projection_algorithm
• Replicated：
• Docker：
• HashiCorp：
• DataStax：
https://www.ibm.com/products/datastax
• Puppet：
• Travis CI：
• Circle CI：
• Randy Newman 的网站：
• 《12-Factor 智能体——构建可靠 LLM 应用的原则》：
https://github.com/humanlayer/12-factor-agents
• Clawd 的创作者：“我交付自己不会阅读的代码”：
https://newsletter.pragmaticengineer.com/p/the-creator-of-clawd-i-ship-code
• Vaibhav Gupta 的 LinkedIn：
https://www.linkedin.com/in/vaigup
• Tobi Lutke 在 X 上关于上下文工程的帖子：
• Andrej Karpathy 在 X 上关于上下文工程的帖子：
• 使用工具链工程改进深度智能体：
https://www.langchain.com/blog/improving-deep-agents-with-harness-engineering
• “技能问题”：面向编码智能体的工具链工程：
https://www.humanlayer.dev/blog/skill-issue-harness-engineering-for-coding-agents
• 面向编码智能体用户的工具链工程：
https://martinfowler.com/articles/harness-engineering.html
• 人工智能将如何改变软件工程——与 Martin Fowler 对话：
https://newsletter.pragmaticengineer.com/p/martin-fowler
• Dex 在 X 上关于上下文现实检验的帖子：
• Laurie Voss 的 LinkedIn：
https://www.linkedin.com/in/seldo
• 一切都是 Ralph 循环：
• Dex 在 X 上关于反馈循环的帖子：
• Dex 在 X 上关于“更努力地用 token”与“更聪明地用 token”的帖子：
• Dex 在 X 上关于 AI 垃圾代码的帖子：
• GitHub：
• Paul Graham：来自斯德哥尔摩的现场演讲：
https://www.ycombinator.com/library/Q7-paul-graham-live-from-stockholm
• 《重构：改善既有代码的设计》： https://www.amazon.com/dp/0134757599
• 《代码整洁之道：敏捷软件工艺手册》： https://www.amazon.com/dp/0132350882
• 《程序员修炼之道：从小工到专家》： https://www.amazon.com/dp/020161622X
——由 Pen Name 负责制作和营销。
