软件先容

银河直接bbin使用指南

第一步：导入文件

翻开软件，，，，，点击"?添加 银河直接bbin"按钮，，，，，从电脑中选择《银河直接bbin》文件，，，，，或直接将其拖拽至软件界面中。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。

第三步：最先下载

确认无误后，，，，，点击"最先下载/处理"按钮。。期待进度条读取完毕，，，，，即可在设定的文件夹中审查下载好的正版文件。。

46.5亿估值的RSI新旅途、AI自进化、职场“蒸馏”与今世生涯规则：再访田渊栋｜Neolabs特辑，，，，，银河直接bbin

6月5日，，，，，Anthropic果真呼吁前沿AI实验室为“AI最先加速刷新AI自己”的阶段，，，，，提前准备一个协调、可验证的减速机制。。前不久，，，，，OpenAI也在果真讨论递归自我刷新（RSI）相关风险，，，，，并强调要更认真地研究清静与对齐。。两家头部实验室险些同时把“AI研究AI”推到台前，，，，，也让今天这期对谈多了一层现实配景。。

从Meta去职后，，，，，Meta基础AI研究实验室FAIR前研究总监田渊栋，，，，，曾一度成为硅谷多家AI公司和猎头争相接触的工具。。

但在短短半年后，，，，，他很快宣布了新动向：加入了建设的AI研究公司Recursive Superintelligence，，，，，简称RSI。。

这家由8位顶级AI研究员联合开办的新AI实验室建设于2026年头，，，，，在经由约4个月的隐身开发后，，，，，于5月正式官宣亮相。。近期，，，，，RSI宣布完成6.5亿美元融资，，，，，现在估值已高达46.5亿美元，，，，，成为全球最受瞩目的新一代AI实验室之一。。

在目今AI竞争愈发强烈的配景下，，，，，RSI事实想做什么样的事情？？？？？为什么资源会云云看好他们？？？？？

在半年前我们跟田渊栋的对谈中，，，，，他一经提出了有一些很是出圈的结论，，，，，好比说“LLM是气馁的未来”等等。。现在半年已往了，，，，，面临日新月异的AI市场的名堂，，，，，他又是怎样看待目今的模子手艺的趋势与瓶颈呢？？？？？

在此次的访谈中，，，，，关于目今至公司加速“蒸馏”员工、通俗人的职业位置越来越不稳固这一现实问题，，，，，田渊栋用了一个很形象的比喻：未来若是总想着在大厂之间跳来跳去，，，，，可能就像一条一直跳出鱼缸的鱼，，，，，但水却在越来越少。。最终，，，，，你得酿成一个“四维生物”，，，，，才华活下来。。

那么在AI时代，，，，，我们该怎样找到自己的意义，，，，，而不被时代推成一颗螺丝钉？？？？？

此次是硅谷101Neolabs特辑的第二期视频播客。。

（本文为视频改写，，，，，接待各人收看以下视频）

从大厂到新实验室

为什么选择RSI

陈茜：很是谢谢渊栋，，，，，接待来做客硅谷101。。

田渊栋：很是谢谢你们又过来，，，，，我们可以继续下一轮的采访。。

陈茜：距离我们上次谈天已经由了半年的时间。。其时你刚从Meta出来，，，，，你告诉我，，，，，已经有许多的团队和公司在与你联系。。现在你正式官宣加入了RSI，，，，，能不可先谈谈，，，，，为什么最后选了这家公司？？？？？

田渊栋：现实上，，，，，在接受上一次采访时，，，，，我基本已经做出了决议。。确实是一个较量快的决议历程。。在10月尾到11月初那段时间里，，，，，我的手机新闻险些处于“爆炸”状态，，，，，许多信息都来缺乏逐一回复。。

最后之以是选择RSI，，，，，首先是由于我想体验下纷歧样人生。。由于我也是个小说家，，，，，我以为体验人生自己就是很是主要的事情。。另外一方面，，，，，我判断大模子行业正在爆发一种趋势：团队会变得更小，，，，，速率会更快，，，，，组织之间的摩擦会更少。。“小而精”的团队把事情做成，，，，，并逐渐演变为大趋势。。在这样的配景下，，，，，继续待在至公司里，，，，，可能并不再那么合适。。事实上，，，，，我也亲眼见过许多大团队保存种种各样的问题。。

8位联合首创人

为什么资源愿意买单

陈茜：我相信其时也不但是RSI这一个首创公司，，，，，或者是neolab来找你。。Richard Socher也亲自来找过你，，，，，那你为什么最终选择了RSI？？？？？

田渊栋：主要有两个原因。。第一，，，，，RSI是刚刚组建的团队，，，，，因此我其时和Richard、熊蔡明、Tim Shi、Tim Rockt?schel都聊过。。我以为，，，，，关于一个刚组建的团队，，，，，时机自己就更大。。第二，，，，，团队内里有两三个人我之前就熟悉，，，，，其中像Tim Rockt?schel照旧我在Meta的同事，，，，，他之前也一直在做强化学习，，，，，以是相互更熟悉。。

虽然，，，，，其他不少首创团队也来找过我，，，，，但许多时间，，，，，他们给出的角色更像是head of AI或head of research，，，，，而不是联合首创人。。既然要创业，，，，，虽然照旧做co-founder更合适。。

陈茜：RSI有8位联合首创人，，，，，这一点很是少见。。你们是怎样的一个架构？？？？？

田渊栋：我以为主要是由于每位联合首创人的专业知识都差别，，，，，相互之间是互补的。。每个人都有自己的优点，，，，，也能浏览别人的优点，，，，，并且各人都足够智慧，，，，，以是8个人相助起来相对顺畅。。

陈茜：能不可跟我们先容一下这8位联合首创人划分认真什么？？？？？

田渊栋：虽然可以。。Richard Socher一直更偏CEO的角色。。此前他在Meta建设了MetaMind，，，，，然后被Salesforce收购了；；；进入Salesforce后，，，，，他担当了4年首席科学家。。之后他又开办了You.com，，，，，现在已经实现盈利。。这次他再次回到创业状态，，，，，成为RSI的CEO。。

熊蔡明此前也与Richard一起在MetaMind事情，，，，，厥后随着公司被Salesforce收购，，，，，一起进入Salesforce。。Richard脱离后，，，，，熊蔡明在Salesforce Research担当高级副总裁，，，，，并在那里事情了十多年。。

另外，，，，，Tim Rockt?schel也是RSI的主要成员。。我和他在Meta就是同事，，，，，厥后他去了Google DeepMind，，，，，认真Project Genie 1、2、3以及agent Open-Endedness相关事情，，，，，这些偏向与我们现在做的事情很是靠近。。他在Google的口碑一直很好，，，，，因此在我们融资历程中也起到了很着述用。。

Jeff Clune恒久专注于agent Open-Endedness偏向，，，，，已往十年都在这一领域深耕，，，，，他最近揭晓的The AI Scientist-v2甚至已经被Nature收录，，，，，学术影响力很强。。

Josh Tobin早年是OpenAI的员工，，，，，厥后自己创业，，，，，公司又被OpenAI收购，，，，，之后他回到OpenAI做agent科学主管，，，，，在工程和agent偏向都有富厚履历。。

Alexey Dosovitskiy则是我很早以前就熟悉的人，，，，，我们昔时都做强化学习，，，，，厥后他去了Google，，，，，加入Vision Transformer相关事情，，，，，并成为一作；；；之后又去了一些AI for Science公司，，，，，现在也加入了RSI。。

尚有Tim Shi，，，，，他之前是Cresta的CTO，，，，，在那家公司事情多年，，，，，也把公司做得很是好，，，，，现在对“递归”这条蹊径很感兴趣，，，，，因此辞去原有职位，，，，，加入RSI担当联合首创人。。

陈茜：这么多顶级研究员和行业从业者聚在一起，，，，，相互不会有分歧吗？？？？？若是意见差别怎么办？？？？？

田渊栋：我们整体上照旧较量民主的。。团队里会有许多讨论，，，，，也会有许多头脑上的碰撞。。最终各人通常唬；嵩谝恍┫敕ê吐呒细婵⒁恢，，，，，然后一起推进。。现在为止，，，，，相助照旧较量顺遂的。。各人都是智慧人，，，，，和智慧人相助，，，，，通常更省心，，，，，相互都希望把事情做好，，，，，把盘子做大。。

陈茜：这轮融资规模也很是引人注目，，，，，6.5亿美元融资，，，，，46.5亿美元估值，，，，，并且是在没有产品的条件下。。为什么资源会愿意买单？？？？？

田渊栋：我以为最顶级的资源看重的照旧人。。AI领域转变太快，，，，，很难在一最先就把商业愿景和产品路径讲得很是清晰。。今天说要做的事情，，，，，两个月后就可能由于新的手艺希望而转变，，，，，这时间团队能不可快速反映、快速执行，，，，，就显得极其主要。。以是资源看重的，，，，，首先是对人的判断，，，，，包括已往的履历、能力，，，，，以及团队成员之间的磨合与协作水平。。融资额之以是能到这个规模，，，，，最焦点的原因照旧投资人认可我们已往的履历，，，，，也认可我们对这一愿景的投入。。

陈茜：你在其中主要认真什么？？？？？上次我们聊的时间，，，，，你说下一份事情想做工程和前沿研究连系的岗位。。

田渊栋：着实我其时说那句话的时间，，，，，就已经知道自己或许会来这里了，，，，，可是我不可提前说。。现在到了RSI，，，，，确实也是工程和前沿研究连系的事情。。我和蔡明已往主要做modeling（建模），，，，，比起纯研究，，，，，我们也会继续做建模、后训练等事情。。同时在工程层面，，，，，我们也会做一些agentic harness（智能体控制）相关的事情。。

递归自我刷新

押注AI自动化科研

陈茜：接下来我们就聊聊RSI。。RSI的全称是Recursive Superintelligence。。recursive，，，，，它的中文叫递归式，，，，，是一个很是要害的词。。能不可诠释一下，，，，，RSI主要想做什么？？？？？Recursive self improvement（递归自我刷新）究竟是什么意思？？？？？为什么你们以为它很要害？？？？？

田渊栋：recursive self improvement（递归自我刷新）的意思是，，，，，用AI去优化AI自己的一些环节，，，，，让AI变得更强，，，，，然后再在新的基础上继续向上迭代。。详细来说，，，，，我们希望让AI去做许多现在仍然需要人工完成的事情，，，，，好比科学家寻找新的想法、新的逻辑，，，，，或者在训练历程中使用AI做强化、做新的发明。。这些都属于recursive（递归）的一部分。。凯时AG最终愿景，，，，，是建设一个系统，，，，，把种种盘算资源放进去之后，，，，，能够输出新的知识、新的看法和新的洞察力。。RS网站上写的是maximizing knowledge discovery rate（最大化知识发明速率），，，，，也就是最大化知识发明速率。。通过这种方式，，，，，我们希望加速人类社会前进的速率，，，，，提高人类发明和明确新知识的能力。。

陈茜：现在我们看到，，，，，OpenAI、Anthropic、Google等前沿大模子公司，，，，，主流做法照旧依赖人类设计模子、网络数据、大规模训练，，，，，再举行人工标注和对齐。。你之条件到过，，，，，人类在这条路上可能是一个瓶颈。。你们押注的是让AI自动化研发历程，，，，，是这样吗？？？？？

田渊栋：是的。。现在人类或者研究员在做研究、做AI发明时，，，，，绝大部分时间着实都受到自身心理条件的限制。。人需要用饭、睡觉、休息，，，，，不可能100%的时间都投入到研究里。。以是，，，，，若是AI至少能取代一些繁琐、繁重、重复性的事情，，，，，这一定是可行的，，，，，也是第一步。。第二步则是，，，，，AI能不可在这些基础劳动之上，，，，，进一步自动发明新的洞察和主要信息，，，，，从而加速整个AI和人类社会的生长历程。。

陈茜：那AI系统学会的工具，，，，，事实是真正能力上的提升，，，，，照旧在某个评估指标上的过拟合？？？？？

田渊栋：我虽然希望最终带来的是能力上的提升。。好比说，，，，，AI现在可能只能完本钱科生能做的事情，，，，，我们希望它未来可以做到硕士生、博士生，，，，，甚至研究员层面的事情。。至于benchmark（基准测试），，，，，它实质上只是实现目的的一种手段。。刷榜、冲榜这些指标，，，，，自己照旧较量表层的；；；真正拆解到详细方法，，，，，每一步都可以对应某些metric（指标）。。更主要的是，，，，，AI在更高条理上究竟能不可完成真正有价值的使命。。

陈茜：若是AI系统最先自主设计实验、自主评估效果，，，，，人类还可以作为一个可靠的评判者吗？？？？？你们怎么去解决evaluating the evaluator，，，，，也就是“评估者自己也需要被评估”这个递归难题呢？？？？？

田渊栋：至少在现在阶段，，，，，AI还达不到人类的评估标准，，，，，以是短期内人类依然可以作为评判者，，，，，这没有问题。。另一个层面是，，，，，等AI强到一定水平后，，，，，许多评估标准会变得主观，，，，，而不是绝对客观。。好比让AI写代码，，，，，许多时间人类关于代码结构、？？？？？榛帧⑸杓品桨傅拿魅凡⒉煌耆恢。。这种情形下，，，，，所谓“准确谜底”自己就未必保存，，，，，每个人的判断都可能有原理。。因此，，，，，未来的评估可能会从中心的benchmark（基准测试），，，，，逐渐转向最终效果，，，，，也就是看人和AI连系后产出的工具，，，，，是否真正有用、是否令人知足。。

当AI最先研究AI

可诠释性为什么主要

陈茜：在这样的情形下，，，，，可诠释性这件事情还主要吗？？？？？

你之前也提到过，，，，，无论scaling最终乐成照旧失败，，，，，可诠释性都是必需解决的问题。。若模子乐成了，，，，，我们需要确保超等智能不会作恶；；；若模子失败了，，，，，我们也需要明确它为什么会在某些地方瓦解。。

那在RSI这条路上，，，，，当AI可以自己修改代码或权重，，，，，甚至可以自行设计一系列实验时，，，，，可诠释性会不会变得越发难题？？？？？

田渊栋：我以为这件事很是主要，，，，，并且比已往更主要。。首先，，，，，清静性是一个焦点问题。。我们在宣布Recursive的时间，，，，，就很是注重做清静的超等智能。。关于清静这部分，，，，，一个主要方案就是通过可诠释性来实现。。由于若是我们对模子内部机制有明确，，，，，对它的运行方式有掌握，，，，，就能大致判断这个模子未来可能带来什么样的威胁和问题，，，，，以是这很是要害。。

另外，，，，，可诠释性自己也提供了一个很是好的指标，，，，，资助我们更快找到想要的效果。。以recursive self improvement（递归自我刷新）为例，，，，，它背后意味着大宗算力投入。。好比训练一个模子，，，，，可能需要几千块卡、几万块卡。。若是我们对模子自己并不相识，，，，，往往只能等训练竣事之后，，，，，再去展望或评估这个模子究竟好欠好。。这样一来，，，，，速率就会很慢。。

若是有可诠释性，，，，，我们是不是可以把评估前置？？？？？若是能在训练历程中更早判断模子的偏向和体现，，，，，就有可能显著提高运算效率。。以是我以为，，，，，可诠释性在这个历程中饰演着很是主要的角色。。

陈茜：你们的设想，，，，，是让AI系统恒久自主运行，，，，，去追求研究者界说的目的，，，，，同时爆发出凌驾人类预想的新思绪。。但“凌驾人类预想”和“失去控制”之间的界线在那里？？？？？你们准备用什么机制来包管这条线不会被越过？？？？？

田渊栋：我以为要害照旧可诠释性。。若是我们知道模子在探索历程中究竟发明了什么，，，，，就可以让人类去做评估；；；若是模子内部机制自己也能被审查，，，，，我们就能据此判断它究竟是越界了，，，，，照旧只是发明了新的工具，，，，，并没有越界。。这一点很是主要。。我们甚至还可以用另一个模子去验证这个模子是否可靠，，，，，这些要领都是可行的。。

以是，，，，，在这种越来越难题的问题上，，，，，我们希望模子既能找到一些人类做不到的事情，，，，，同时又是清静的。。既然我们不可亲自替模子去发明新工具，，，，，就必需明确模子是怎么想的、怎么推理的，，，，，以及它是不是爆发了一些过于激进、已经凌驾我们预期的想法。。要做到这一点，，，，，归根结底照旧需要可诠释性。。

人类洞察力 vs. AI自主性

新的科研协作模式

陈茜：我记得你之前谈到过自己用GPT-5的一些感受。。其时你也说，，，，，模子确实能够帮你做许多事情，，，，，但它仍然缺乏高条理的人类洞察力和专业知识，，，，，因此现在照旧需要人类去指导。？？？？？蒖SI的蹊径和目的，，，，，恰恰是希望AI能够自主提出实验假设、自主验证，，，，，也就是说，，，，，要把原本依赖人类洞察力的历程进一步自动化。。你怎么明确这背后的矛盾？？？？？照旧说，，，，，现在手艺着实已经有了希望，，，，，也因此改变了你的想法？？？？？

田渊栋：可以这样明确。。正由于现在AI还做不到，，，，，以是我们才希望它未来能做到。。这就是凯时AG逻辑。。

陈茜：以是你们选择的是一条更难的蹊径。。

田渊栋：是的。。正由于AI现在还做不到，，，，，这才意味着未来研究员尚有很大的施展空间。。虽然，，，，，我们也希望让AI逐步具备这些能力，，，，，这一点很是主要。。

但这件事自己并不是一个简朴的“做不到”和“做获得”的二元问题，，，，，它不是从0到1的绝对跨越，，，，，不像无人车那样，，，，，必需做到百分之百准确，，，，，否则就会爆发事故。。

以是它着实有许多条理。。也许今天AI只能写代码，，，，，明天它能读论文，，，，，但还明确不了问题的实质；；；后天，，，，，它可能已经能明确一点点了，，，，，但仍然无法处理更重大的问题。。它是一层一层往上走的，，，，，以是中心有一条很深的蹊径。。

这座蹊径我们能爬到什么水平，，，，，现在还不知道，，，，，但至少我们可以往上爬一步。。每往上一步，，，，，都会带来大宗新的应用场景和新的可能偏向。。对研究员来说，，，，，虽然是希望勇攀科学岑岭，，，，，这原来就是一件很有吸引力的事情。。

陈茜：若是说你们的最终目的是10，，，，，那么你以为我们现在或许处在什么阶段？？？？？

田渊栋：我以为我们现在或许还在1到2、2到3这个阶段。。甚至可以说，，，，，我们现在可能照旧0.5。。由于这条蹊径自己很是高，，，，，并且它究竟能有多高，，，，，我们现在并不知道。。

若是假设人类能力的界线是10，，，，，那么我们现在可能只是在1到2的位置上。？？？？？梢坏┰焦死嗟慕缦，，，，，后面也许尚有100，，，，，只是那部分我们现在还不知道。。

陈茜：就是要翻过那座山，，，，，才华望见后面的山有多高。。

田渊栋：是的。。并且到了谁人时间，，，，，人类能力的界线会往上走，，，，，由于我们会发明，，，，，AI的能力已经凌驾了已往人类的最优水平。。

好比最近OpenAI就已经发明并证实晰一些完全非通俗的定理。。对以前的人类来说，，，，，这种事情是很难想象的。。但现在你会发明，，，，，AI证实定理的新闻越来越频仍，，，，，已往那些原本很难完成的定理，，，，，正在被一直推进、一直完成。。我相信，，，，，未来这种情形还会继续泛起。。

“语言不是思索本体”

Coconut与新推理蹊径

陈茜：你在Meta时，，，，，一个较量主要的事情偏向就是Coconut（一连头脑链）。。这一要领的焦点，，，，，是让AI在一连的潜在空间中举行推理，，，，，也就是Latent reasoning（潜在空间推理）。。我很好奇，，，，，Coconut（一连头脑链）相关的研究在RSI里是否还会继续推进？？？？？你怎样看待目今的Chain of Thought(头脑链）蹊径，，，，，以及你接下来的研究事情，，，，，会不会在这个偏向上继续往前推演？？？？？

田渊栋：我想这条蹊径应该照旧会继续做下去，，，，，这一点没有问题。。虽然，，，，，详细细节上我们事实是一家公司，，，，，以是许多内容不利便讲得太细。。

但整体来说，，，，，若是我们有一套很好的machinery，，，，，也就是一套能够支持自动化研究和自动化明确的系统，，，，，那么我们就可以继续用这套系统推进研究。。这样一来，，，，，凯时AG研究会更像一个产品：我们可以把系统做得很是厉害，，，，，然后拿出很好的效果；；；这些效果既可以揭晓，，，，，也可以直接展示给各人。。至于它是怎么做出来的，，，，，我们完全可以把其中的要害机制作为一个黑盒，，，，，作为公司的焦点要领。。

陈茜：明确。。适才我们也提到了Latent reasoning（潜在推理）。。那你会以为，，，，，目今的Chain of Thought（头脑链）蹊径是错的吗？？？？？

田渊栋：我不以为目今的Chain of Thought（头脑链）蹊径是错的。。它很适用，，，，，各人也都在用，，，，，以是肯定不可说它有问题。。但我一直以为，，，，，人类在思索问题时，，，，，最终照旧需要某种非语言的前言。。至少对我来说，，，，，真正思索时并不总是依赖语言。。许多时间，，，，，思索历程里会有图像因素，，，，，也会有一些说不清、道不明的思绪；；；直到我在这个思绪中发明一个问题，，，，，把它写下来，，，，，转化针言言。。以是，，，，，语言更多时间是一种诠释工具，，，，，而不是思索自己，，，，，更不是训练的全历程。。

若是通过Latent reasoning（潜在推理）来举行思索，，，，，那么它在推理历程中的效率是要高于语言头脑的。。原因就在于，，，，，latent token能承载的信息量，，，，，往往比语言token更高。。它可以同时生涯几种差别的思绪，，，，，让这些思绪并行保存，，，，，最后从中选出一条准确路径。。但若是用语言去思索，，，，，就必需把每一条思绪都人工写出来。。

陈茜：你以为现在有哪些公司较量重视这个偏向？？？？？

田渊栋：我听说Anthropic的Mythos model接纳的是Looped Transformer，，，，，不过我也不确定这个新闻是否准确，，，，，这只是一个可能的路径。。之以是会有这样的推测，，，，，是由于各人看到Mythos在一些图搜索问题上的体现，，，，，比之前的模子好许多，，，，，以是会嫌疑它是不是使用了新的架构。。虽然，，，，，这种问题你去问Anthropic他们，，，，，是不会获得明确回覆的。。

顿悟与泛化

重新明确预训练

陈茜：你之前着实有跟观众分享过AI模子顿悟的研究。。能不可再睁开讲讲？？？？？另外，，，，，最近在这个偏向上有没有研究上的新希望？？？？？

田渊栋：新的希望我就不睁开说了，，，，，由于我们这边也较量保密，，，，，不希望有新的效果一出来就马上果真。。

不过这项研究我们肯定照旧在继续做的。。现实上，，，，，那篇文章发出来之后，，，，，我收到了不少来信，，，，，许多人都体现很感兴趣，，，，，尚有人告诉我，，，，，他们在此基础上做了extension（拓展），，，，，希望我能资助看一看。。着实我挺开心的，，，，，由于有许多人愿意和我一起讨论这个问题。。

我以为“顿悟”自己是一个很是有意思的问题，，，，，它研究的是模子怎样从影象走向泛化的历程。。而这个历程自己，，，，，某种水平上也许能够资助我们揭开整个神经网络训练机制的一部分神秘。。那篇文章的焦点逻辑是：在一些较为详细、结构化的数据输入下，，，，，我们能够很是清晰地视察到模子从影象转向泛化的历程。。这个历程甚至可以用一个相对清晰的数学形式来形貌，，，，，好比能量函数。。

在数据缺乏的时间，，，，，这个能量函数的最小值往往对应的是影象解；；；但当数据量足够大、抵达一定水平之后，，，，，这个能量函数的结构就会突然转向顿悟解，，，，，也就是泛化解。。这个转变历程，，，，，就是我们所说的“顿悟”。。并且我们还可以进一步知道，，，，，究竟需要几大都据，，，，，才华促成这样的转变。。

以是这着实是一个很有意思的历程。。若是我们把它明确清晰了，，，，，或许就能更好地明确神经网络的训练机制，，，，，也能更有用地提升训练效率。。

陈茜：这个偏向我明确还处在较量早期的阶段。。那我们现在或许知道需要几大都据，，，，，才华爆发这种转变？？？？？

田渊栋：对，，，，，这篇文章整体照旧较量偏理论的。。凭证我们其时的设定，，，，，若是总数据量是M平方量级，，，，，那么或许只需要Ml og M量级的数据，，，，，就有可能爆发这种转变。。也就是说，，，，，它可能比线性增添稍微多一些，，，，，但和总数据量相比，，，，，仍然少许多。。大致是这样一个历程。。

陈茜：你们的实验室会从pre-training（预训练）重新最先做吗？？？？？

田渊栋：我们都在实验。。pre-training（预训练）之以是是一个值得做的偏向，，，，，是由于它自己的训练历程相对较量平滑，，，，，loss curve（损失曲线）也较量稳固，，，，，以是着实是一个不错的偏向。。

陈茜：以是你们什么都会自己做？？？？？

田渊栋：会有一些。。至少现在我们还处在探索阶段，，，，，以是差别偏向都会实验。。

商业化思索

RSI怎样妄想研发蹊径

陈茜：在产品和商业化方面，，，，，你们有没有一些思索？？？？？

田渊栋：有，，，，，我们现在已经有一些较量明确的想法了。。首先，，，，，我们这个团队自己就是一个很是务实的团队，，，，，凌驾一半的人都一经创业过，，，，，也都清晰怎么把事情真正落地，，，，，怎么把产品做好，，，，，怎么知足用户需求。。

以是我们内部讨论的时间，，，，，许多话题都很接地气，，，，，关注的也都是很现实的问题：这个工具能不可用，，，，，谁人工具能不可用，，，，，能不可爆发商业价值。。与此同时，，，，，self improvement（自我刷新）这个偏向自己也有许多事情可以做，，，，，许多工具可以实现。。好比说，，，，，我们能不可训练出一个模子，，，，，让大模子推理变得更快，，，，，从而提升推理速率和推理效率？？？？？这虽然是有可能的。。再好比，，，，，我们找到一种新的训练方案，，，，，这种recipe（训练方案）是否能够带来更好的效果？？？？？这些都可以商业化。。

另外，，，，，若是我们能把模子自己、尤其是人类在做研究时的头脑方式建模得足够好，，，，，那么它甚至可以被用来完成一些原本只有人类才华做、并且难度很高的研究事情，，，，，这同样是可以商业化的。。整体来看，，，，，这个偏向现在照旧较量开放的，，，，，尚有许多事情可以做。。

陈茜：你们现在一共是8个人，，，，，那在你们内部，，，，，是否已经形成了一个较量清晰、并且共识度很高的手艺蹊径图？？？？？

田渊栋：对，，，，，我们差未几已经有了一些。。

陈茜：我之前看到有报告说，，，，，你们第一步是要训练一个具备5万名博士能力的系统，，，，，把AI科研自己自动化，，，，，然后妄想在今年年中左右推出一个Level 1的自主训练系统。。那这个Level 1的系统，，，，，详细会具备什么能力？？？？？能不可睁开讲讲？？？？？

田渊栋：这个我就不谈论了，，，，，由于太细的内容我们不利便果真。。

陈茜：明确。。那在Level 1 之后，，，，，后面肯定还会有Level 2、3、4，，，，，对吧？？？？？或许的迭代速率能不可透露一下？？？？？

田渊栋：我们现在的妄想是，，，，，在最初的一年到一年半里，，，，，把这个系统先扎实做好，，，，，深入推进。。之后再想步伐让它真正落地，，，，，找到更好的应用场景。。大致就是这样的节奏。。

陈茜：我看到Socher之前在采访里说，，，，，构建你们设想中的手艺，，，，，可能需要好几年的时间。。那在你自己的判断里，，，，，RSI从自动化科研，，，，，到真正的递归自我刷新，，，，，再到逾越人类能力，，，，，这几个阶段或许会在什么时间点实现？？？？？我们需要多长时间才华完成这件事？？？？？若是要实现这样的突破，，，，，手艺上有哪些要害的信号？？？？？

田渊栋：我以为这件事照旧要几年的时间。。不过现在确实是一个很好的切入点。。由于在这个时间点上，，，，，各人已经最先形成共识：未来的研究、新知识的获取和发明，，，，，肯定照旧让AI来做。。由于人没有足够的时间和精神去看那么多文献，，，，，也不具备AI那样渊博的知识储备和近乎无限的时间精神。。AI则差别，，，，，它可以同时并行处理许多使命，，，，，以是这件事原来就是一个趋势，，，，，没什么疑问。。

另外，，，，，这个时间点好的地方在于，，，，，各人现在着实都还不知道详细该怎么做，，，，，整个领域仍然处在探索阶段。。这样的阶段很适合最先一件事：各人都有兴奋感，，，，，但要领还没被完全想清晰。。这样的旅程会很长，，，，，可能要一连好几年，，，，，才会逐步看到效果，，，，，但我以为这件事最终一定会爆发。。

从手艺上看，，，，，这条蹊径较量好的一点在于，，，，，它到每一个条理都具有应用价值，，，，，不像有些偏向，，，，，要么所有做成，，，，，要么所有失败。。好比做新质料、核聚变或者超导解决方案，，，，，这类偏向的赌注很大，，，，，往往要么100%乐成，，，，，要么就没有用果。。但self improvement（自我刷新）不是这样，，，，，它每向前推进一步，，，，，都会带来一些现实价值。。以是整体来看，，，，，这条路径是较量平缓、也更有确定性的，，，，，这也是我对它较量有信心的原因之一。。

陈茜：这点着实很有意思，，，，，由于我也想问，，，，，为什么你们要把自动化AI科研作为第一步？？？？？事实相比一些更容易商业化的偏向，，，，，好比ToB企业服务或者消耗类产品，，，，，它的商业化难度会更高。。那为什么你们会选择它作为起点，，，，，而不是一个更容易爆发收入的偏向？？？？？

田渊栋：由于若是你想做一个更容易爆发收入的偏向，，，，，首先碰面临一个问题：你今天用来赚钱的那项手艺，，，，，明天或者下个月会不会就被AI取代了？？？？？这着实是硅谷，，，，，或者说许多投资人很是大的一个记挂。。

虽然，，，，，今天你可以组建团队去做某个详细偏向，，，，，好比语音陪同、谈天助手，，，，，或者把某个笔直场景做得很好。。但已往三年已经有许多案例证实，，，，，为某个特定使命做的模子，，，，，未来很可能会被更一般化的大模子取代，，，，，或者直接笼罩掉。。

以是在有这种记挂之后，，，，，我以为更应该把目的放得久远一点。。我们希望押注的是一个范式，，，，，也就是“自我进化”这个范式。。只要这个范式稳固，，，，，我们公司的态度就不会变。。然后在这个范式之下，，，，，再去看有哪些好的应用、有哪些可以商业化的时机。。我以为这是一个更稳妥、也更恒久的驻足点。。

为什么是现在

做RSI最好的时机

陈茜：我看到Socher之前在采访中提到，，，，，希望未来能够将RSI的应用规模扩展到物理学、化学、临床医学、生物学等领域。。在你们的愿景里，，，，，RSI未来详细会应用于哪些场景？？？？？你们最希望服务的用户群体是谁？？？？？

田渊栋：RSI for Science（科学）虽然是其中一个主要偏向。。

若是我们能够对科学研究的历程自己建设起模子，，，，，明确人类是怎样获取知识、获守信息的，，，，，怎样获得新的假设、构建新的逻辑，，，，，又怎样完成验证，，，，，并最终爆发有价值、非通俗的研究效果，，，，，那么这套能力就不但仅能够用于科研，，，，，而是能够应用到许多领域。。

像我们适才说的AI for Science这样的一些偏向，，，，，这已经是一个很是大的市场。。与此同时，，，，，若是我们能够通过这种方式提高研究职员的效率，，，，，提高整个研究历程的自动化水平。。例如，，，，，它可能资助提升大模子训练的效率，，，，，而这自己就是一种很是主要的商业化路径。。

陈茜：这个领域的竞争着实也在逐渐变得强烈。。我们看到OpenAI、DeepMind都在结构相关偏向。。尤其是DeepMind，，，，，已经推出了AlphaFold、AlphaEvolve等项目，，，，，实质上也都属于AI for Science或者AI自主科研。。

田渊栋：对。。

陈茜：适才提到的AlphaEvolve，，，，，已经能够使用大语言模子一直变异和组合算法。。那么它和你们所说的recursive self improvement（递归自我刷新）之间，，，，，有什么根天性的区别？？？？？你们的差别化优势又在那里？？？？？

田渊栋：我以为首先是至公司和小公司的区别。。

至公司有至公司的押注方式，，，，，小公司也有小公司的押注方式。。关于拥有数万名员工的至公司来说，，，，，往往会同时结构许多研究偏向，，，，，其中某一个项目可能只是众多偏向中的一个。。因此，，，，，它也未必能够获得无限制的资源投入。。

并且至公司研究职员的激励机制、薪酬结构以及目的导向，，，，，自己也和创业公司有所差别。。

关于我们来说，，，，，公司建设的使命就是做self-Improvement（自我刷新）。。若是确定了这条蹊径，，，，，那么我们会把所有资源、时间和精神集中在这一件事情上，，，，，把它真正做出来。。从这个角度来说，，，，，小公司是更专注的。。

另外，，，，，AlphaEvolve实质上仍然是在使用AI去优化某一个详细工具，，，，，例如一段代码；；；而我们更希望让AI去优化它自己，，，，，这两者有一些区别。。

陈茜：你适才提到，，，，，现在是一个很是好的时间点来做这件事。。为什么去年不是最好的时间点？？？？？为什么明年也不是，，，，，偏偏是今年？？？？？

田渊栋：由于去年这个时间，，，，，AI的Coding Agent（编程智能体）着实还没有真正成熟。。其时各人更多是在使用AI辅助编程工具，，，，，例如Cursor。。那种事情模式实质上仍然是人写代码，，，，，AI认真审核、修改和重构。。

但从去年年底最先，，，，，整个行业跨过了一个突变点。。各人突然发明，，，，，让AI直接完成使命，，，，，而由人来提供高层级的指令和思绪，，，，，这种模式反而效率更高。。这也是为什么今天的AI编程工具会变得云云易用、云云普及。。

而在这个转变爆发之后，，，，，软件工程行业以及大型科技公司都需要时间去顺应新的生产力工具。。这个顺应历程自己，，，，，恰恰给了创业公司时机。。

大型公司往往需要一年甚至两年的时间，，，，，去逐步顺应这个转变；；；而关于一家规模很小、成员能力很强的创业公司来说，，，，，各人聚在一起，，，，，很快就能够想清晰、找到新的协作方式。。

因此，，，，，在这样一个窗口期里，，，，，小公司是有能力追赶至公司的。。它意味着重大的上升空间。。但若是再过一年，，，，，情形可能就纷歧样了。。等所有人都已经完成顺应之后，，，，，再进入这个领域创业，，，，，时机窗口可能就已经缩小了许多。。

下一代AI实验室

SSI、AMI Labs、Ineffable Intelligence

陈茜：你说的这个timing很是对，，，，，这也是为什么我们最近看到许多neolab泛起，，，，，许多焦点研究员从至公司出来，，，，，同时大宗VC的资金最先涌向这些neolab。。现在我们来看一下neolab的国界，，，，，能不可跟我们分享一下你是怎么看的？？？？？

由于各人着实有许多派别，，，，，好比Ilya的SSI、Yann LeCun的AMI Labs、David Silver，，，，，尚有Thinking Machines Lab。。就拿这4家较量典范的公司来说，，，，，能不可分享一下你对他们的看法？？？？？可以先说Ilya。。

田渊栋：Ilya的SSI应该说很是保密，，，，，我们现在都不知道他内部在做什么，，，，，以是也很难评价，，，，，希望他接下来会有很大的希望。。他们之前的口号是要做Safe Superintelligence（清静的超等人工智能），，，，，但现在的希望怎么样，，，，，我们并不清晰。。

陈茜：你以为他是不是也是要做模子？？？？？但他可能不会做像GPT、Gemini或Claude那么大规模的模子，，，，，由于他虽然融了许多钱，，，，，但可能还缺乏以支持他完全做出一个新的模子。。

田渊栋：这个欠好说。。若是发明了一些新的模子训练机制，，，，，也许能够极大提高训练的速率和效率，，，，，这是有可能的。。由于我一直以为现在AI的训练历程还不是很有用率，，，，，若是能在这方面有所发明，，，，，那就有很大的上升空间。。

陈茜：以是他有可能是在研究一个新的范式。。

田渊栋：有可能是这样，，，，，但这也是我的推测，，，，，这些推测都是基于Ilya去年的一次访谈。。

陈茜：对，，，，，他出来做了个播客，，，，，然后又没声音了。。

田渊栋：很有意思的是，，，，，Ilya去年的那次访谈，，，，，跟我们之前和硅谷101一起做的访谈很像，，，，，有许多看法是很靠近的。。好比做research taste（研究品味），，，，，再好比思索为什么模子会generalization（泛化）、memorization（影象）这些问题着实都涉及到了。。

陈茜：我很好奇，，，，，你们在跟VC聊的时间，，，，，他们关于这种很恒久、也不发产品、纯粹做研究、又不确定能不可研究出效果的事情，，，，，资金的容忍度有多高？？？？？包括你自己跟VC聊的时间，，，，，是什么感受？？？？？

田渊栋：我以为VC许多时间照旧投人，，，，，至少第一笔融资主要照旧看这个人是不是靠谱、这个团队是不是靠谱。。之后若是还要继续融资，，，，，虽然希望团队有希望，，，，，有一些让人印象深刻的工具，，，，，才会获得更多融资。。我们团队内部的希望照旧较量顺遂的，，，，，应该说好于预期，，，，，以是我们照旧很有信心的。。

陈茜：这一轮融了这么多钱，，，，，你以为runway（可运营时间）会有多久？？？？？

田渊栋：着实runway也就一两年、两三年的时间，，，，，由于大部分资金照旧要投入到盘算资源上。。若是我们有较量丰裕的资金，，，，，就会有更多的GPU和盘算资源，，，，，去探索更多的事情，，，，，这是我们现在想做的。。

陈茜：你怎么看天下模子？？？？？你以为Yann LeCun的AMI Labs能走出来吗？？？？？

田渊栋：Yann事实是我以前的老板。。他探索的是一个完全纷歧样的偏向，，，，，也是一个之前的人探索水平缺乏的偏向，，，，，好比天下模子，，，，，尤其是视频和图像上的天下模子，，，，，以及它怎么跟robotics（机械人）连系。。这是很有意思的问题，，，，，可以做一些探讨。。不过对我来说，，，，，我已经许多年不做视觉了，，，，，现在基本上都在做language（语言），，，，，或者做一些symbolic（符号化）和neural（神经网络）的连系，，，，，图像这边我可能不太熟悉。。

陈茜：有品评说，，，，，以为JEPA这些天下模子照旧太早了，，，，，可能还要找到一些新的要害突破才行，，，，，你怎么看？？？？？

田渊栋：是有一些这样的看法。。虽然我的看法纷歧定公正，，，，，但我照旧有一些看法：我以为语言跟视觉相比，，，，，语言是一个更有信号的工具。。视觉模子的问题在于，，，，，图像的像素和像素之间的组合相对是牢靠的：你今天看到这个杯子，，，，，就知道它的形状，，，，，就知道这组像素组合是个杯子。。

但对语言来说，，，，，语言里的信息流许多时间是可以重新界说的，，，，，还可以界说许多新的工具。。好比你说到一半，，，，，界说了一个新看法，，，，，那么以后这个词就会指向之前对这个新看法的所有界说。。以是语言可以无限嵌套，，，，，可以自指，，，，，可以承载许多新的信息和更深的明确，，，，，它的上限可能会比图像更高一点。。这是我的一个看法，，，，，但纷歧定对，，，，，只是一个想法。。

陈茜：我看到现在有一些前沿蹊径想把diffusion（扩散模子）跟LLM组合起来，，，，，去做一些Diffusion LLM的工具，，，，，你看好谁人蹊径吗？？？？？

田渊栋：我以为它在速率上肯定会更快。。着实我脱离Meta的时间也有一篇文章在做这个，，，，，就是Sandwiched Policy Gradient（夹层战略梯度），，，，，用更快的方式、用强化学习来训练扩散模子。。我的感受是它在加速、提高decoding（解码）速率上很是好，，，，，但另一方面它现在还没有抵达SOTA（最优）水平，，，，，还做不到像大语言模子那样厉害，，，，，以是尚有一定距离。。不过它仍然是一个很好的研究偏向。。

陈茜：你怎么看David Silver的Ineffable Intelligence？？？？？据我明确，，，，，他也专注于强化学习，，，，，目的是打造一种能够通过自身履历自主探索、学习知识的超等学习者。。你以为他们跟你们有什么异同？？？？？

田渊栋：据我所知，，，，，David Silver他们可能更希望完全不必大模子，，，，，这可能是跟凯时AG区别。。我们这边较量着实，，，，，若是大模子很厉害，，，，，我肯定用大模子，，，，，再找到更好的要领去逊。。而David可能更想纯粹用强化学习把这件事做起来。。由于David Silver是各人都知道的AlphaGo和AlphaZero的主要发明人，，，，，AlphaZero完全不依赖人类的任何知识，，，，，靠“左脚踩右脚”自己迭代上去。。他虽然希望在新一代大模子这个范式下重现这个故事，，，，，我以为这是他的愿景。。

我之前也做过像OpenGo这样的项目，，，，，也类似于AlphaZero的“左脚踩右脚”。。但围棋或者国际象棋事实照旧一个较量局限的领域，，，，，这类领域的评价函数、输赢评分界说得很是清晰，，，，，以是可以做到；；；而在较量开放式的偏向上，，，，，着实很难做到这一点，，，，，可能需要大宗算力，，，，，而这些算力现在很难知足。。

预训练 vs. 强化学习

能力提升的两条路径

陈茜：我看到行业里有一种说法：pre-training（预训练）的上限决议了强化学习的上限，，，，，你赞成吗？？？？？

田渊栋：我赞成。。我们也发明，，，，，强化学习后训练的一大功用，，，，，是把原来排在好比第200位的谜底提到第1位，，，，，通过这种方式让模子在一些问题上体现更好。。但条件是这个问题一最先至少要有一个准确谜底，，，，，好比让它实验1000次、1万次，，，，，也许大部分谜底是错的，，，，，但有一两个是对的。。

有了这个“种子”之后，，，，，强化学习就能通过它把水平逐步提到最高，，，，，若是连种子都没有，，，，，强化学习再怎么做也没用。。这就是为什么强化学习能爆发效果，，，，，是由于在大语言模子已经较量乐成之后才会泛起。。若是只做强化学习，，，，，它着实没步伐天生一些较量深的工具。。

以是我以为大语言模子最要害的地方照旧预训练。。在预训练之后，，，，，模子内部种种各样的体现就涌现出来了，，，，，这些体现在一定水平上能够诠释数据中的结构，，，，，能够学习数学或数据中一些有意思的推理模式。。这些推理模式在强化学习中被逐步放大，，，，，最终获得谜底。。若是前面的推理模式没有学好，，，，，后面强化学习再做也没有用。。

陈茜：以是光是押注强化学习这一件事情，，，，，上限照旧有限的。。

田渊栋：对，，，，，这也是我的看法，，，，，虽然也有可能是错的。。

数据还能怎么往前走

合成数据、一连学习

陈茜：你以为数据还能怎么生长？？？？？由于现在各人的模子着实已经穷尽了所有互联网数据，，，，，接下来各人更多看的是synthetic data（合成数据）。。数据还能怎么变得更好？？？？？怎么从数据上去优化模子的效果？？？？？

田渊栋：我以为数据仍然很主要。。现在大宗的用户数据、人类数据都已经被用上了，，，，，接下来一个问题是：我们能不可制造一些新的数据？？？？？最近这一波模子的大希望，，，，，许多时间是由于我们把推理模子爆发的数据放回到预训练或者中训练的历程中，，，，，模子因此变得更强，，，，，抵达了一种自我进化的起源目的。。以后可以想象，，，，，若是新的模子更强了，，，，，让它天生许大都据，，，，，再把这些数据放回预训练或中训练，，，，，模子就会变得更强，，，，，这也是一种可能性。。虽然这个历程自己较量慢，，，，，需要花大宗盘算资源。。以是接下来有人就提出了一连学习（continuous learning），，，，，也就是一连学习，，，，，希望新数据放进来之后能学得很深，，，，，同时不必支付那么多价钱，，，，，这就是各人提出这个看法的原因。。

但我以为最终的目的照旧：现在数据是一个很是主要的点，，，，，能够很快让模子变强。。但要让模子最终变得跟人类一样强、或抵达人类那样的效率，，，，，可能照旧要看有没有好的算法、有没有好的新范式去训练模子自己，，，，，这可能是最大的问题。。虽然，，，，，若是按现在的范式走，，，，，数据照旧很主要的——范式稳固的话，，，，，数据越多，，，，，效果确实越好。。

至公司 vs. 小公司

Neolab的挑战与护城河

陈茜：你怎么看Thinking Machines Lab？？？？？

田渊栋：我对他们也没有特殊相识。。我看他们最近发了一个human computer interaction（人机交互）的interactive model（交互式模子），，，，，效果还不错：你可以一直跟它语言，，，，，不必打断它，，，，，它会一直在谛听。。这种方式可以和模子爆发一种一连交互的效果，，，，，而不是turn by turn（一问一答）的交互，，，，，这挺有意思的。。至于之后它会不会走跟某些公司一样的蹊径，，，，，我就不清晰了，，，，，他们可能更着重于人和AI怎样交互这个偏向。。

陈茜：适才我们聊了一些neolab押注的蹊径。。若是从更宏观的角度看现在neolab的生长，，，，，你以为neolab的护城河究竟在那里？？？？？各人最主要面临的挑战是什么？？？？？

田渊栋：我以为一个主要的点是：怎样在neolab这样的情形下爆发研究效果、很快爆发希望。。由于许多neolab的成员以前都来自尊厂或资源富厚的地方，，，，，他们习惯了花许多钱，，，，，可能会花几个亿甚至十亿去做个实验，，，，，但那都是公司付的钱。。而关于像我们这样新建设的、需要融资的小公司来说，，，，，一个很是主要的想法是：我们怎么能让学习历程变得更有用率？？？？？我们希望整个迭代历程、整个流程更有意义，，，，，同时能发明新的工具，，，，，这是一个很大的挑战。。以是我们是不是还会用古板的scaling law（缩放定律）来做这件事，，，，，着实是需要思量的。。好比有些朋侪在大厂、在资源富厚的地方，，，，，对他们来说资源可以是无限的、相当丰裕的，，，，，可以用种种方式找到一个很好的scaling law把事情做成；；；但对我们来说，，，，，可能需要思索本钱，，，，，用种种巧妙的要领绕开大宗盘算资源的堆叠，，，，，去获得更好的效果，，，，，这是一个很大的挑战。。

若是一个人只有scaling law这一个头脑，，，，，可能不太容易乐成，，，，，还需要在scaling law之外，，，，，对问题有更深的明确，，，，，才华乐成。。以是照旧要看research taste（研究品味）。。

陈茜：你适才也说小的lab肯定会比至公司跑得更快，，，，，并且小公司押注的手艺蹊径可能是至公司现在还没时间去做的，，，，，他们现在可能在卷coding（代码）、卷frontier model（前沿模子）。。你以为你们押注的蹊径，，，，，跟OpenAI、Google、Anthropic押注的蹊径，，，，，一定是平行生长的关系吗？？？？？会不会有一天爆发竞争？？？？？若是会，，，，，竞争会爆发在什么地方？？？？？

田渊栋：我以为首先照旧平行生长的关系。。我跟至公司许多人聊过，，，，，我以为至公司现在有一个趋同化的趋势，，，，，原因是至公司许多偏向和方案都是由CEO或高层来定的，，，，，而高层往往追热门，，，，，会以为“这是别人也在做、并且做得很好的事情，，，，，以是是我们想做的”。。这种自上而下的结构，，，，，导致至公司之间同质化较量严重，，，，，各人做的工具都差未几。。好比coding agent（编程智能体）火了之后，，，，，各人都做coding agent。。

以是就算你在至公司里想做点纷歧样的事情，，，，，也会被情形和压力逼着去做跟大偏向相关的工具。。最终的效果是，，，，，至公司里的人不是没有能力做纷歧样的工具，，，，，而是没有时间、没有精神去做。。于是小公司为了能很快爆发效益和效果，，，，，自然会选择跟至公司纷歧样的偏向，，，，，以是双方是平行的。。只有比及以后，，，，，好比小公司营业做得很好、这个偏向酿成各人关注的新偏向时，，，，，才可能爆发竞争。。

但这是另一回事，，，，，这种事情在历史上已经泛起过许多次了。。好比Anthropic一最先做代码、做coding的时间，，，，，着实关注的人很少。。我还记得前年、去年的时间，，，，，各人都在刷math（数学），，，，，把AIME（美国数学约请赛）的分数提得很高，，，，，而Anthropic每次宣布时都说我们不刷这个工具，，，，，他们的模子放出来时没有数学的performance number（体现得分），，，，，而是去刷coding（编程）。。最后各人发明，，，，，这工具确实能赚钱，，，，，是一个很好的商业模式，，，，，于是所有人突然都涌过来了。。以是这着实是以后会重复爆发的常态。。这就要求小公司的成员有耐心、有眼光，，，，，去做一些至公司现在不做的偏向。。

陈茜：但怎么能确保至公司看到这个时机之后，，，，，不会用更多的资源、险些无限的资金把小公司盖。？？？？？

田渊栋：着实也很难说。。首先，，，，，至公司不会真的有那么高效。。好比Google现在也在追赶coding，，，，，出了Antigravity。。但Google的coding着实还没做得特殊好，，，，，照旧有一些问题，，，，，至公司有至公司的误差，，，，，这都会爆发。。并且要害在于，，，，，等至公司反映过来时，，，，，若是小公司真的乐成了，，，，，它已经获得了许多资金去投入，，，，，那时间小公司也有很大的leverage（优势）了。。

人才争取战

RSI想招什么样的人

陈茜：你以为现在你们面临的挑战中包不包括招人？？？？？现在各人抢人抢得厉害吗？？？？？

田渊栋：我们公司确实照旧较量受接待的，，，，，有许多人愿意投递简历给我们，，，，，这也让我们挺惊讶的。。

另外，，，，，至公司和小公司招的人是在差别偏向上的。。好比TBD这样的至公司花许多钱招人，，，，，吸引的人可能跟小公司纷歧样：至公司吸引的人可能手艺能力很强，，，，，但这种能力对至公司有用、自己却纷歧定那么新。。而对小公司来说，，，，，有些人是看重凯时AG愿景、看重我们这个偏向未来是否会爆发很大的影响。。以是双方的mindset（心态）和思绪差别，，，，，不可说是相互抢人。。

陈茜：你们喜欢招什么样的人？？？？？

田渊栋：我的感受是这样：首先要履历较量富厚，，，，，由于现在AI coding tool（编程工具）很是强了，，，，，许多时间履历、品味和偏向更主要。。另外，，，，，我们希望这些人较量hands-on（亲力亲为），，，，，既有履历，，，，，又愿意自己把事情做成，，，，，这两点连系起来较量主要。。

陈茜：以是你们不思量结业生。。

田渊栋：这个也要case by case（详细问题详细剖析）。。

陈茜：你以为现在结业生还能找到事情吗？？？？？由于许多junior（初级）的事情，，，，，我明确你们都可以让agent（智能体）去做了。。

田渊栋：这也纷歧定，，，，，若是结业生自己很厉害、有很好的、业界着名的、各人都认可的事情，，，，，那也是有希望的。。

陈茜：你现在跟一些年轻的researcher（研究员）聊的时间，，，，，他们更想去大厂，，，，，照旧更想加入neolab这种小一点的公司？？？？？

田渊栋：我这边有bias（误差）。。跟我聊的许多人会说：“我们能不可来你这儿？？？？？”若是想去Meta的话就不会跟我聊了，，，，，以是这里有一个self selection（自我筛。。。。大厂往往讨论的是人为、总包、福利、股票；；；而小厂更多谈论的是愿景、偏向、事情内容，，，，，以及做的事情有不有意思。。

陈茜：要做成RSI想做的事情，，，，，除了你们这八位很强的联合首创人之外，，，，，还需要几多人？？？？？什么样的规模你以为会较量惬意？？？？？

田渊栋：我们现在是25个人左右，，，，，之后希望能到40个人左右，，，，，或许是这样的规模，，，，，但也要看市场情形的转变。。

陈茜：你以为现在整个就业国界有什么改变？？？？？由于我记得上次采访你说，，，，，各人早晚所有都要失业。。半年已往了，，，，，你以为我们现在距离谁人场景更近了吗？？？？？

田渊栋：我以为是更近了。。Meta最近又裁了一些人，，，，，Amazon年头也裁了一些人，，，，，之后还会有其他地方裁人。。

陈茜：原因是由于agent（智能体）确实起来了吗？？？？？

田渊栋：对，，，，，AI确实把效率提高了。。以现在的AI能力，，，，，或许相当于以前四级或五级的工程师。。一般应届结业生刚进大厂，，，，，好比Google和Meta时是level 4，，，，，senior（高级）一点是level 5。。这两个层级的工程师，，，，，他们做的许多事情着实AI已经可以做了，，，，，而level 4和5在大厂里又较量多，，，，，以是AI agent（智能体）来了之后确实有许多影响，，，，，而我以为以后影响会越来越大。。

Frontier Lab大乱斗

前沿模子竞争与下一步

陈茜：接下来我们来说一说现在主流的这些Frontier Lab（前沿实验室），，，，，我也特殊想听一下你对他们的视察。。先聊聊Anthropic，，，，，你怎么看Andrej Karpathy加入Anthropic这件事？？？？？圈内人怎么看？？？？？

田渊栋：我以为这件事说明self improvements（自我刷新）、auto research（自动化研究）很是主要，，，，，看到这个有意思的希望我们也很开心。。之前Andrej Karpathy在推特上直播了自己做auto research（自动化研究）的历程，，，，，把图像和report（报告）都开源了。。那段时间许多人对此很是感兴趣，，，，，也有许多人追随这条蹊径，，，，，发明auto research（自动化研究）可以做许多优化，，，，，以是他在这方面影响力很大。。

Andrej Karpathy也明确说了，，，，，他去Anthropic是做预训练、做auto research（自动化研究）。。这让各人以为，，，，，self improvements（自我刷新）、self learning（自我学习）这个偏向确实成了主流，，，，，各人也认可这个偏向是对的，，，，，我以为这很好。。

陈茜：Anthropic今年的叙事、增添的趋势都很是猛，，，，，一部分是由于它要上市了，，，，，一部分也是由于它的商业化确实做得很是好、增添非？？？？？。。你以为它的优势能一直延续下去吗？？？？？由于我们看到OpenAI最新的Codex也追得很快，，，，，谷歌也出了Antigravity。。你以为整个coding（编程）这一块的名堂，，，，，会延续现在的排位吗？？？？？照旧有时机泛起变数？？？？？

田渊栋：我以为很难讲，，，，，说着实的，，，，，用下来并没有以为谁比谁厉害许多。。好比Codex 5.5，，，，，我用了之后以为挺好的，，，，，Claude Code我也在用，，，，，都挺好，，，，，但各有各的问题。。好比Claude Code有时间会hallucinate（幻觉）：我让它总结一个谜底，，，，，它说了一大堆，，，，，我说这里蜕化了，，，，，它马上认可“I'm so sorry”，，，，，认错很快，，，，，但为什么我没指出来之前它不自动说呢？？？？？以是许多地方问题还不少。。不过Codex也并不差，，，，，我以为并没有比Claude Code差太多。。

陈茜：以是只要OpenAI想追，，，，，无论是能力照旧产品力，，，，，是能够追上去的。。

田渊栋：对，，，，，我以为是可以追上去的，，，，，只是看它执行的速率多快。。着实像Google想追也是可以的，，，，，他们最近建设了一个strike team（突击小组），，，，，就是要追coding（编程），，，，，似乎是Sergey亲自挂帅。。若是一个偏向特殊火、各人都知道它有商业价值，，，，，那所有人都会去做，，，，，逐步就会爆发州差别的方案。。

并且尚有许多开源的，，，，，好比DeepSeek V4我也用了，，，，，以为挺好的。。虽然它有一个问题：一最先你必需让它预热一下，，，，，好比预热1万个token，，，，，它才会变智慧一点。。一最先有点希奇，，，，，但预热一段时间之后，，，，，它就突然变智慧，，，，，可以做许多事。。

这些问题应该都是可以解决的。。这个市场那么大，，，，，肯定会有许多人愿意进来，，，，，各人早晚会figure out（弄清晰）怎么把它做好，，，，，以是接下来份额怎么分着实很难讲。。我一直有一个concern（记挂）：对用户来说，，，，，他们并不需要很是强的模子，，，，，而是希望模子够用就行。。凌驾这个上限之后，，，，，用户着实无所谓，，，，，他就用自己以为用着惬意的模子。。以是若是各人都抵达这条上限，，，，，市场也许就完全看价钱了。。

陈茜：以是你以为coding（编程）的先发优势没有那么主要，，，，，最后可能照旧会有一个打价钱战的时期。。

田渊栋：可能会有这个问题。。虽然，，，，，一个counter argument（反驳看法）是：也许我们会看到数据飞轮的效应——先发的人获得许大都据，，，，，训练得更好，，，，，这也是一种可能性。。但另一方面，，，，，也许大部分人写的代码都不怎么样，，，，，主要的代码照旧那些大神写出来的，，，，，以是这个飞轮能不可转起来，，，，，也不是很清晰。。

陈茜：Anthropic的Mythos这个模子，，，，，他们自己说太强了以是不敢宣布，，，，，真的有这么强吗？？？？？

田渊栋：这个我也不做谈论。。从数据上来说确实很好、很强，，，，，虽然网上也有许多人说着实不怎么样、不强，，，，，以是现在也不知道，，，，，等它宣布之后再说吧。。

陈茜：那你以为Anthropic模子强的原因是什么？？？？？除了适才说的可能用了纷歧样的Vision Transformer架构，，，，，尚有可能它把一些数据放到pre-training（预训练）上重新训练了，，，，，主要是这两点吗？？？？？

田渊栋：后者着实各人都在用，，，，，不是某一家独吞的。。也就是说训练时把推理链的结构放到预训练或中训练内里去，，，，，这个各人都在做，，，，，我不以为这是一个很大的立异点。。他们有可能是模子，，，，，或者训练优化器，，，，，或者模子的recipe（训练方案）上的立异，，，，，但都不确定，，，，，由于这部分的信息现在很少。。

陈茜：以是你以为接下来若是各人还要继续卷SOTA（最优水平）模子能力，，，，，可能真的要拼模子上的立异了，，，，，是吗？？？？？

田渊栋：我以为应该是的。。一方面，，，，，你有更多的卡、更多的盘算资源，，，，，你可以做；；；但另一方面，，，，，再往上纯拼scaling law（缩放定律），，，，，横轴是指数级的，，，，，到一定水平各人都受不了，，，，，不可能再要10倍的电力、10倍的资源。。以是最终一定会撞到一个地方，，，，，各人会突然回过头来看有没有更好的方式解决问题，，，，，这一定会爆发。。现在的模式是不可一连的，，，，，这也是为什么现在neolab各人愿意去投资的一个原因。。

陈茜：你以为coding（编程）之后的下一个the next big thing（下一个大偏向）是什么？？？？？

田渊栋：我以为是AI research（研究）。。我们现在做的，，，，，就是能不可让AI变得更强、能让AI去做一些research。。coding（编程）为什么那么火？？？？？主要是由于写code（代码）的人，，，，，或者说写code（代码）的ROI（投资回报率）很高。。模子很强，，，，，能够做原来需要高薪才华约请的人的事情，，，，，以是才有收入。。大模子的人才也很是贵，，，，，可能比写code（代码）的人贵许多，，，，，以是下一波的趋势是，，，，，若是能把AI research（研究）这件事自动化，，，，，虽然会有很大的ROI（投资回报率）。。

陈茜：你以为AI research（研究）上的商业化回报，，，，，会跟coding（编程）一样有这么大的市场吗？？？？？

田渊栋：这要看你最终的AI research（研究）发明了什么知识。。好比你发明了一个AI for science（科研），，，，，发明了新药、新质料，，，，，或者发明了训练模子的新要领，，，，，那回报都是天文数字。。虽然，，，，，这些都是高风险高回报的事情。。

陈茜：OpenAI跟Anthropic的比拼，，，，，你以为会是什么样的效果？？？？？短期和恒久都可以说说。。

田渊栋：现在很难说。。OpenAI之前的问题是偏向太多、不敷focus（聚焦），，，，，现在最先很focus了，，，，，以是很难说双方谁更好。。不过对用户来说这是好事——可用的选择多了，，，，，价钱也会降下来，，，，，以是不是坏事。。

陈茜：接下来决议他们输赢的要害因素是什么？？？？？是谁能找到更新的范式吗？？？？？

田渊栋：我以为倒不是。。由于代码自己已经很赚钱了，，，，，接下来的问题是谁能让用户愿意去用他们，，，，，这可能更主要。。

陈茜：以是照旧产品方面的竞争？？？？？

田渊栋：对，，，，，尤其是Anthropic，，，，，他们现在主要的in-force revenue（有用收入）很高，，，，，一直在往上走。。但资源上有一个问题：一旦你最先有收入，，，，，市场就希望你有更多模子。。

这是一个很有意思的征象。。若是是这样，，，，，那他们双方都会有这样的concern（记挂）：好比Anthropic有收入、说未必马上要赚钱了，，，，，那么对OpenAI来说，，，，，“你怎么还没赚钱？？？？？你有许多收入，，，，，但本钱还很高，，，，，怎么办？？？？？”会不会有这个问题？？？？？事实他们都要上市了。。

陈茜：对，，，，，要否则就削减你的本钱，，，，，这就是为什么他们把Sora关了。。要否则你就再多挣点钱。。

田渊栋：是这样，，，，，一旦进入这个叙事之后，，，，，逻辑就跟以前一个research lab（研究实验室）的逻辑纷歧样了。。Research lab的逻辑是要证实自己很厉害：我做出个没人做过的新工具，，，，，超等impressive（惊艳）；；；但一旦掉进资源的逻辑里：要上市、要做资源叙事、要做收入、要做资产欠债表——你就回到了商业模式上，，，，，希望公司是有收入、本钱又低、能稳固赚钱的。。以是赛道可能就纷歧样了。。

陈茜：你们有一天也会遇到这个问题吧？？？？？

田渊栋：这个我们还早。。

陈茜：我们来说一下谷歌，，，，，谷歌这次的I/O宣布似乎不太理想，，，，，你以为谷歌还能追上来吗？？？？？时机在那里？？？？？

田渊栋：这个我就不做谈论了。。我以为谷歌照旧很厉害的，，，，，内里有许多很是厉害、愿意做事情的人，，，，，只要向导层重视，，，，，一定照旧不错的。。你看从Gemini 2、Gemini 2.5的时间，，，，，各人一直说它不可了，，，，，Gemini 3就很好了。。另外，，，，，事实我们公司也是Google Venture投的。。

陈茜：明确。。那再来说说Meta，，，，，Meta在你脱离之后履历了数次重组，，，，，他们之前推了Muse Spark出来，，，，，你怎么评价Muse Spark？？？？？

田渊栋：首先有利益相关：我还持有不少他们的股票，，，，，以是我说出来的话可能不是很客观。。我以为Meta的Muse Spark照旧不错的，，，，，我也用了一下，，，，，特殊是多模态方面，，，，，它的understanding（明确能力）和一些回覆都较量好。。虽然，，，，，总的来说可能照旧比Gemini 3要差一点。。

陈茜：我看到有谈论说，，，，，Muse Spark是一个为Meta自身产品场景高度定制的模子，，，，，而不是一个很是强盛的通用前沿模子。。这是不是意味着Meta在AI战略上完全转向了，，，，，不再拼最强盛的通用模子了？？？？？

田渊栋：我倒不以为是这样。。我以为它照旧一个general（通用）的模子，，，，，至少从它内部的事情模式来说：他们肯定是先训练一个更通用的模子，，，，，再fine-tune for the specific use case（针对详细应用场景微调），，，，，这是更好的做法，，，，，以是我不以为是转向。。

陈茜：以是他们着实还没有放弃争取最强模子这件事。。

田渊栋：对，，，，，否则Meta就没须要花那么多钱做这件事了。。

陈茜：你以为他们尚有时机吗？？？？？

田渊栋：时机照旧有许多的。。由于各人都还在往前走，，，，，并且大模子一旦有人训练出来，，，，，不出几个月就会被另一个凌驾。。大模子里没有永远的赢家，，，，，现在各人都是犬牙交织地往前走，，，，，以是很难说。。

陈茜：以是需要的是什么？？？？？需要有一个人灵光一现？？？？？

田渊栋：那也不是，，，，，这照旧需要团队作战，，，，，许多人把事情做好、拼在一起就可以。。这一点上我挺赞成姚顺宇的看法：大模子，，，，，尤其是工业级别、大厂做的大模子，，，，，许多时间是每个人在各自岗位上兢兢业业地做完，，，，，pipeline（流水线）通了之后跑起来就行。。

陈茜：但若是每个大厂都这样，，，，，那它们的差别点在那里呢？？？？？

田渊栋：那就看你做得多细、事情多起劲、事情做得多好。。一些小的工具，，，，，有些人注重到了，，，，，有些人没注重到，，，，，注重到的人可能就获得一些提升，，，，，没注重到的人就没有。。

陈茜：以是你以为TBD Lab照旧有时机的。。

田渊栋：我以为照旧有的，，，，，但也要看他们内部怎么operate（运转）。。

Meta争议与就业攻击

AI时代的职业转变

陈茜：Meta最近有点争议，，，，，一方面裁了7800人，，，，，另一方面爆发了一件很有争议的事情：他们要强制“蒸馏”员工，，，，，使用员工的事情数据去训练内部的AI模子，，，，，让模子通过视察员工完成使命的历程来学习，，，，，听说它现在的能力已经好于外包职员了。。我看蛮多人对这件事挺生气的，，，，，你怎么看？？？？？

田渊栋：这件事确实说得较量赤裸裸，，，，，以是各人都会有意见。。若是你知道自己在未来一段时间内就会被“蒸馏”，，，，，像吸星大法一样霎时被炼化，，，，，炼化之后就被踢出去，，，，，没有人会开心。。这在做法上确实不太顾及员工感受，，，，，包括裁人自己的历程中也一直保存这个问题。。但不管怎样，，，，，它是个至公司，，，，，各人来了就是“愿者中计”，，，，，公司有这样的条款，，，，，你就得遵守。。

陈茜：但蒸馏员工这件事，，，，，感受是个大趋势了。。

田渊栋：我以为有一个人最先做，，，，，各人都会做，，，，，以是这没有什么对错。。公司以为为了自身利益要把所有数据拿到手、把这件事做成，，，，，这无可厚非，，，，，由于这是雇佣条款之一，，，，，你来了就得遵守。。

但我以为以后各人可能会发明，，，，，蒸馏究竟有多大用处也是一个问题。？？？？？赡艽蟛糠秩嘶嵊捎谟姓飧鎏蹩疃豢弦夂煤檬虑，，，，，不肯意把自己最主要的工具拿出来，，，，，甚至居心埋雷、在内里“投毒”，，，，，把你的训练搞坏，，，，，这就很难判断了。。以是着实我也不希望员工跟公司有这样的对立，，，，，现在各人都应该往一个偏向走。。

陈茜：但从很是high level（高层面）的角度看，，，，，这照旧不可阻止的吧，，，，，肯定越来越多的工具公司希望AI来做。。那以后可能会泛起一种情形：公司确实不需要这么多人了。。

田渊栋：是的，，，，，这是客观事实。。我最近也写了一篇blog，，，，，谈vibe coding（气氛编程）和AI工具的一些体会，，，，，确实会以为用的人会越来越少。。今年年头我写过一篇blog，，，，，说以后可能各人都是创业者、都是co-founder（联合首创人），，，，，我以为这是会爆发的，，，，，由于大厂不需要那么多人了，，，，，以是各人得找到自己的意义。。

以前你被教育出来：四年本科、两年硕士、五年博士，，，，，最终的目的是成为一颗螺丝钉、成为某个大机械的一个零件。。但现在纷歧样了，，，，，大机械不再需要你这个零件，，，，，你得自己去寻找自己的意义。。这可能是另一种新的文艺再起，，，，，回到以前古希腊那样的状态：每个人都需要找到自己想做的事情。。这个历程较量痛苦，，，，，但最终可能不可阻止地会爆发。。

陈茜：这一天尚有多远，，，，，你以为？？？？？

田渊栋：我以为现在就已经在爆发了。。之后，，，，，能找到自己偏向、找到新模式并做得挺开心的人，，，，，就会成为新时代的样本，，，，，找不到的人就较量难。。难的地方在于，，，，，整个历程爆发得很快，，，，，可能在未来3到5年内，，，，，就会有许多人面临这样的选择。。你会发明，，，，，你跳到一个大厂，，，，，被裁了，，，，，跳到另一个大厂，，，，，过两天又被裁了。。这就相当于一条鱼在水坑里跳，，，，，但水在干枯。。《三体》里有句话：“有人把水弄干了。。”那原本是用来形容四维生物把整个宇宙降维成三维、举行降维攻击的历程。。

但同样的故事可以用来讲现在的事情：有些鱼把水弄干了，，，，，其他的鱼就得一直地跳，，，，，可水总体上越来越少，，，，，你最终只有酿成四维生物才华活下来。。

陈茜：以是你这条鱼要进化成鸟、长出同党，，，，，才华生涯下去。。

田渊栋：是的，，，，，大趋势就是这样。。

xAI的逆境

前沿大模子之争着实是组织架构之争

陈茜：我们再来聊聊xAI。。你以为xAI爆发了什么？？？？？按适才的思绪：我有团队、有资源、有钱、有人才，，，，，应该能做出还不错的工具，，，，，但xAI究竟爆发了什么？？？？？

田渊栋：我听说的情形是，，，，，这跟其时Llama 4的情形较量像。。老板希望事情很快爆发，，，，，压力较量大，，，，，于是导致许多问题，，，，，最后发出来的模子可能不达预期。。这个我之前也说过许多次：一个组织，，，，，若是内里的人没有能力push back（反驳）上面的要求，，，，，那他们就只能通过某种方式去驯服上面的压力。。一最先驯服是可以的，，，，，但时间长了，，，，，总有一天上面的人会发明，，，，，这个组织的delivery（交付）跟promise（允许）纷歧样，，，，，就会爆发问题，，，，，爆发一次很大的“地动”。。Llama 4跟xAI的效果着实很像很像。。

老板会以为“我不相信你们这些人，，，，，得从外面再拉一个人来做这件事”，，，，，那么原来组织里的人境遇就会较量惨，，，，，就是这样一个历程。。

陈茜：现在听下来，，，，，这种前沿大模子之争，，，，，着实最后酿成了一场组织架构之争。。

田渊栋：是的，，，，，组织架构在这次的手艺希望中饰演了很大的角色。。实质上是先进生产力和落伍生产关系之间的矛盾。。落伍的生产关系不可能一下子消逝，，，，，并且我们现在也不知道什么是先进的生产关系，，，，，以是会爆发许多矛盾。。

陈茜：虽然各人说scaling law（缩放定律）到头说了良久了，，，，，但现在那几个大的lab还在继续卷scaling（扩大规模），，，，，你以为我们还能卷多久？？？？？

田渊栋：照旧会卷的，，，，，至少大厂里照旧会卷，，，，，由于有惯性，，，，，也有资源，，，，，愿意出钱、着力、出人，，，，，头脑惯性照旧“我们要scaling law（缩放定律）”，，，，，以是还会卷一阵子。。我以为这一点上小厂是有优势的：小厂人少，，，，，并且有些人有自己的belief（信心），，，，，拼在一起后会有更新的想法去贯彻下去，，，，，以是小厂可能比大厂更有希望。。但scaling law（缩放定律）也会继续卷，，，，，卷到最后各人卷不动了，，，，，就会有其他的方式做出来，，，，，一定是这样的。。

陈茜：能不可讲一讲你现在的事情状态是什么样的？？？？？公司刚最先，，，，，各人充满劲头，，，，，企业文化或许是什么样的？？？？？

田渊栋：企业文化相对来说语言较量直，，，，，各人都较量direct（直接），，，，，愿意很快给feedback（反。。，，，，，也较量technical（手艺化）。。各人都是干活的，，，，，愿意坐下来笃志把事情做好，，，，，然后说“这是我的效果、这是现在的效果，，，，，各人有什么履历和建议”。。相对较量着实，，，，，不会有太花哨的工具，，，，，有什么事情可以有话直说，，，，，把工具摊在桌上一起讨论，，，，，或许是这样。。

陈茜：能不可分享一个你最近以为挺开心的时刻？？？？？

田渊栋：着实有不少，，，，，但现在暂时不可说，，，，，能说的部分是公司的launch（宣布）较量顺遂，，，，，这是很开心的。。我们之前准备了一阵子，，，，，融资也很顺遂，，，，，这很不错。。宣布之后正面的反馈许多，，，，，各人也很支持，，，，，这对公司来说是很好的第一步。。尤其是外界的回声，，，，，照旧较量正面的。。

陈茜：我以为适才采访中有一句话挺触动我的，，，，，你说当你跳赴任别的大厂，，，，，会发明水已经没有了，，，，，横竖你都找不到事情，，，，，那关于你来说，，，，，你是怎么去找到你人生的意义的？？？？？

田渊栋：着实在GPT-4刚出来的时间，，，，，我就写过一篇blog，，，，，说以后各人都是唯一无二的：你能做一件别人做不了、只有你能做、只有你愿意去探索的事情，，，，，这是最主要的。。然后你在这件事上越走越远，，，，，你获得的所有数据都是新的，，，，，都可以分享给别人，，，，，那你就相当于一个行走的数据源。。你把获得的所有工具分享给各人，，，，，你对这个天下就是有价值的，，，，，我以为这是一条路径。。虽然，，，，，这只是很是个人的体验，，，，，由于每个人着实都纷歧样。。

陈茜：你现在尚有时间写小说吗？？？？？

田渊栋：前段时间较量忙，，，，，但之后我也会思量一下。。

陈茜：最近AI的一些希望、你自己的一些思索，，，，，你以为对写科幻小说是不是有了新的启发？？？？？

田渊栋：我有点紧迫感，，，，，若是再不写，，，，，我的idea（灵感）就没了，，，，，可能就到了跟不上AI希望的水平。。

陈茜：你可以让AI帮你写。。

田渊栋：AI是可以帮我写，，，，，但AI有自己的“AI味”。。怎么把AI味去掉，，，，，找到自己想写的工具并写好，，，，，这是一个问题。。

陈茜：谢谢渊栋，，，，，也期待你们接下来可以宣布的一些新希望，，，，，到时间我们再聊一聊。。

田渊栋：好的，，，，，谢谢陈茜。。

Office tour

46.5亿美元估值的Neolab长啥样

田渊栋：接待来到Recursive Superintelligence。。

陈茜：谢谢。。你们什么时间搬进来的？？？？？

田渊栋：或许两个多月前搬进来的。。

陈茜：我发明许多新实验室都在city、在旧金山城里。。为什么呀？？？？？各人都喜畛刳城里，，，，，不喜畛刳南湾。。

田渊栋：我以为这边人才密度较量高，，，，，有许多人、许多首创公司在这里，，，，，交流起来也较量利便，，，，，有许多有意思的事情在爆发。。

陈茜：现在咱们团队有几多人？？？？？

田渊栋：现在可能有25个人。。

陈茜：各人都可以remote（远程）事情吗？？？？？照旧必需来办公室？？？？？

田渊栋：我们现在是2/3的人在旧金山，，，，，尚有1/3的人在伦敦。。

陈茜：今天是周二下昼，，，，，怎么没什么人，，，，，各人都在哪？？？？？

田渊栋：周二下昼应该尚有不少人在家事情，，，，，我们一般一个星期来三天左右。。

陈茜：你们这个大玻璃窗采光还挺好的，，，，，你的工位在那里？？？？？

田渊栋：就在那里角上。。这是一个很随机的地方，，，，，我们没有专门给老板或员工安排牢靠的座位，，，，，各人都坐在一起，，，，，这样交流起来较量利便。。

陈茜：以是没有单独的办公室，，，，，各人都坐在外面。。你们开会多吗？？？？？

田渊栋：不太多。。凯时AG目的就是不希望开会，，，，，希望各人坐下来把事情做成。。

陈茜：跟大厂区别照旧挺大的。。

田渊栋：是的，，，，，我们这边照旧希望有事情各人坐下来很快相同，，，，，相同完把事情做成绩好。。

陈茜：我在跟Andrew Dai聊的时间，，，，，他说有个研究员强烈要求在办公室里放一个桑拿的小房间，，，，，做一下桑拿，，，，，然后思索一下，，，，，你们有给各人设置这样的吗？？？？？

田渊栋：这个还没有，，，，，没那么高级，，，，，但你看我们这边现在有乒乓球桌，，，，，我们可以打两下。。

以上就是我们和田渊栋对谈的所有内容，，，，，以及RSI的office tour。。我们也会亲近关注包括RSI在内的各个lab的动向，，，，，硅谷焦点AI研究员的视频播客系列还会继续。。

注：部分图片泉源于网络

【本期节目不组成任何投资建议】

硅谷101听友群上线啦！

终于终于终于，，，，，各人一直呼吁的硅谷101的社群要上线了！接待各人加入。。

你能在这里获得什么

线上闭门钻研会--群内专属

我们会未必期地直播线上闭门钻研会——硅谷101的主理人、主持人、研究员和节目嘉宾都会加入进来。。直播入口只在群内私密发送。。我们可能会聊：SpaceX、OpenAI、Anthropic的上市剖析，，，，，Buyout模式怎样成为硅谷的新宠，，，，，FDE为什么正在酿成科技巨头最热门的职位……所有报名链接，，，，，群里第一时间放出。。深度听懂硅谷。。

和同频的人在一起

按从事或研究的行业分群，，，，，让你身边坐的，，，，，是真正和你走在统一条路上的人——你抛出来的问题不会石沉大海，，，，，别人的一手视察没准也能翻开思索的新视角。。

? 线下相见

硅谷101的种种活动通知都会第一时间在群里同步。。我们期待可以通过种种线下活动和各人也有时机在线下碰面。。

101er相助

找人、找事情、找相助、找资源——只要是合理的需求，，，，，都请滴滴我们，，，，，我们帮你抛在群里。。希望每一位101er都能在这里获得一点点助力。。

?怎么入群

扫码填表，，，，，我们会在7天内做简朴审核，，，，，通事后会用邮件同步您进群方式。。这是凯时AG申请表，，，，，请抽出1分钟完成申请，，，，，我们对生产内容的高要求，，，，，也是我们对运营这个社群的要求。。希望进群的朋侪们都能在这有所收获。。群里见！

【视频播放渠道】

海内：B站｜抖音｜小红书｜视频号｜微博

虎嗅｜腾讯｜头条｜36氪｜搜狐视频｜钛媒体

外洋：YouTube｜TikTok｜X

联系凯时AG：video@sv101.net

【创作团队】

监制｜泓君 陈茜

撰稿/采访 ｜陈茜

剪辑｜Jacob HIROBUMI

运营｜王梓沁 孙泽平 13

平面设计｜施陈