2025 年 10 月，Meta 宣布裁減 AI 部門約 600 名員工，這場(chǎng)劇烈的人事震蕩，將田淵棟推向了公眾視野的中心。作為 Meta FAIR（Facebook AI Research，F(xiàn)acebook 人工智能研究院）的研究科學(xué)家總監(jiān)，田淵棟在這家公司工作了超過(guò)十年，主導(dǎo)了從圍棋 AI Dark Forest/OpenGo，表示學(xué)習(xí)（Representation Learning），打開(kāi)模型黑箱，到大模型長(zhǎng)文本快速高效推理，還有連續(xù)思維鏈（Coconut，Chain of Continuous Thought）等一系列前沿研究。

他離職的消息傳出后，OpenAI、英偉達(dá)、xAI 等公司紛紛在社交媒體評(píng)論區(qū)公開(kāi)搶人，場(chǎng)面頗為壯觀。

兩個(gè)月過(guò)去，當(dāng)硅谷的喧囂逐漸平息，我們?cè)谀昴┡c田淵棟進(jìn)行了一次長(zhǎng)談。彼時(shí)他已卸下管理者的身份，正處于一個(gè)“比較好的時(shí)間段”——用他自己的話說(shuō)，可以做一些探索。

在年末的這次對(duì)話中，我們請(qǐng)他一起回顧這一年。他談到了為什么 Scaling Law“肯定有效果，只是不那么有趣”；為什么他相信一定存在某條隱藏的路線，“可以讓現(xiàn)在的智能以一千倍的效率來(lái)達(dá)成”；為什么當(dāng)前的 Transformer 框架可能不是最終的解，“必須有一個(gè)完全不一樣的跳躍”。他也坦言，關(guān)于 AI 能否達(dá)到人類學(xué)習(xí)效率這個(gè)問(wèn)題，今年的研究讓他“更清楚地看到了差距”。更近，還談不上。

他認(rèn)為未來(lái)研究者最需要的是 taste，“本質(zhì)上是指方向的能力，用強(qiáng)化學(xué)習(xí)的話說(shuō)，就是那個(gè)值函數(shù)”。談到未來(lái)個(gè)體的工作方式，他說(shuō)：“以后一定會(huì)出現(xiàn)一人 CEO 的情況，我自己是公司的 CEO，下面有一堆 AI 幫我把事情干了。”

以下是我們的對(duì)話實(shí)錄。

十年最大的收獲，是形成獨(dú)立的 research taste

DeepTech：你在 Meta 工作了十年，現(xiàn)在回頭看，最大的收獲是什么？離開(kāi)之后有什么新的感受？

田淵棟：十年里面應(yīng)該說(shuō)發(fā)生了很多事情，僅僅一兩句話很難概括。總的來(lái)說(shuō)，這十年最大的收獲還是讓自己通過(guò)努力獲得了獨(dú)立和獨(dú)特的研究品味（research taste），能夠從初心出發(fā)立項(xiàng)，逐步追逐自己想要做的長(zhǎng)期研究。

當(dāng)然，最近一兩年的最大收獲是積累了很多大模型研發(fā)的實(shí)戰(zhàn)經(jīng)驗(yàn)，包括參與 Llama 項(xiàng)目，對(duì)推理模型的具體問(wèn)題有了更深的理解。

雖然最后 Llama 4 由于種種原因沒(méi)有太成功，但我們還是在強(qiáng)化學(xué)習(xí)訓(xùn)練的核心問(wèn)題上有一些探索，比如說(shuō)訓(xùn)練穩(wěn)定性、訓(xùn)推互動(dòng)、模型架構(gòu)設(shè)計(jì)，和預(yù)訓(xùn)練/中期訓(xùn)練的互動(dòng)，長(zhǎng)思維鏈的算法，數(shù)據(jù)生成的方式，后訓(xùn)練框架的設(shè)計(jì)等等。這個(gè)經(jīng)驗(yàn)本身是很重要的，對(duì)我的研究思路也帶來(lái)了很大的改變。

離開(kāi)之后，很多偏管理的事務(wù)消失了，我能更集中地做自己真正想做的事情，親手推進(jìn)一些工作。而且我現(xiàn)在想做的一些方向，并不完全依賴大規(guī)模資源，因此這是一個(gè)相對(duì)合適的階段，可以開(kāi)展探索。

今年做了什么：圍繞泛化與訓(xùn)練效率的幾條關(guān)鍵線索

DeepTech：你每年都會(huì)在知乎上寫(xiě)年終總結(jié)，今年也快到尾聲了。能不能先帶大家回顧一下你今年的主要研究工作？它們之間有什么聯(lián)系？

田淵棟：今年應(yīng)該也會(huì)寫(xiě)。距離 12 月 31 號(hào)還有幾天，而且有大語(yǔ)言模型幫忙，寫(xiě)作效率會(huì)比以前高一些。

今年大部分時(shí)間都在 Llama 那邊幫忙，研究工作如果要找一個(gè)主線的話，大概是：如何找到更有效率的訓(xùn)練方法，找到更好的方式打開(kāi)模型的黑箱，知道泛化能力的來(lái)源。我覺(jué)得這些是比較有意思的方向。

值得一提的是幾篇文章。比如我自己做的關(guān)于 Grokking（頓悟現(xiàn)象）的分析，探討神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的時(shí)候如何達(dá)到泛化的效果，數(shù)據(jù)的多寡是否能得出頓悟和泛化的深層次數(shù)學(xué)規(guī)律。

還有一篇叫“The Path Not Taken”，分析了強(qiáng)化學(xué)習(xí)和監(jiān)督學(xué)習(xí)微調(diào)之間有什么區(qū)別，為什么會(huì)導(dǎo)致最終效果的不同。之前已經(jīng)有文章指出，如果你用 on-policy data（即由模型自己生成的數(shù)據(jù)）去訓(xùn)練模型，模型會(huì)較少產(chǎn)生災(zāi)難性遺忘或者過(guò)擬合的問(wèn)題。但如果你用外來(lái)的數(shù)據(jù)強(qiáng)制讓模型學(xué)習(xí)，它就會(huì)產(chǎn)生一些奇怪的現(xiàn)象。

圖丨相關(guān)論文（來(lái)源：arXiv）

后來(lái)我們進(jìn)一步發(fā)現(xiàn)，二者對(duì)內(nèi)部權(quán)重的改動(dòng)方式并不相同。強(qiáng)化學(xué)習(xí)改變權(quán)重時(shí)，不會(huì)去觸動(dòng)那些最大的特征向量的方向，只在比較小的特征方向上進(jìn)行改變，這樣其實(shí)沒(méi)有影響模型的筋骨，只是做了一些微調(diào)。但如果你直接在模型上做微調(diào)，且數(shù)據(jù)并非模型自生成，就有可能改變它的筋骨，導(dǎo)致一些本質(zhì)行為的變化。

還有像 Deep Confidence 那篇論文，研究怎么樣通過(guò)置信度來(lái)提高效率。這篇更偏工程和實(shí)用化一點(diǎn)，也許我并不用打開(kāi)黑箱子，只要觀察第一層某些 token 之間的置信度變化，就能大致判斷當(dāng)前推理過(guò)程是否存在問(wèn)題；先剔除那些不太好的推理軌跡，保留更自信的推理過(guò)程，最終效果往往會(huì)更好。

通過(guò)這些工作，我們可以更好地了解模型在推理和學(xué)習(xí)過(guò)程中，什么樣的權(quán)重變化是本質(zhì)的變化，什么樣的方式能夠讓模型變得更強(qiáng)。我覺(jué)得這應(yīng)該是以后比較重要的一個(gè)方向。

DeepTech：我們還注意到，你今年在研究實(shí)踐上做了一個(gè)新的嘗試，就是用 AI 輔助研究？

田淵棟：對(duì)，這篇關(guān)于 Grokking 的文章，其實(shí)是通過(guò)我自己和 GPT 相互腦暴之后做出來(lái)的，跟之前的做法完全不一樣。效率比以前高很多，也許以前四五個(gè)月做一篇文章，花很多時(shí)間。現(xiàn)在可能只需要幾個(gè)禮拜，就能做一篇比較好的、至少對(duì)業(yè)界的難題有一些洞察（insights）的文章出來(lái)。

像八月之前我們都還在 Llama 團(tuán)隊(duì)，沒(méi)有太多時(shí)間去做研究，回到 FAIR 之后，我本來(lái)以為重新開(kāi)始研究工作需要花些時(shí)間，想不到換這種方式之后，很快就有突破了，這點(diǎn)讓我很有觸動(dòng)。

所以我覺(jué)得整個(gè)研究的范式和學(xué)習(xí)的范式，都可能會(huì)發(fā)生很大的變化。2026 年會(huì)有很大的區(qū)別。

DeepTech：我注意到你今年的很多工作都在探討一個(gè)主題：模型思考和推理的效率。比如 Deep Confidence 通過(guò)自信度篩選提高推理效率，GSM－∞ 探索長(zhǎng)文本推理的復(fù)雜度，Grokking 揭示如何用更少的樣本實(shí)現(xiàn)泛化。這條主線最終想解決的問(wèn)題是什么？

田淵棟：最終目標(biāo)當(dāng)然是希望找到更好的算法來(lái)訓(xùn)練模型，或更好地優(yōu)化模型推理過(guò)程。我們希望達(dá)到人的那種能力：數(shù)據(jù)很少，但模型能力依然能變強(qiáng)。

但是我覺(jué)得從長(zhǎng)期上來(lái)說(shuō)，這條路可能需要一個(gè)完全不一樣的算法。現(xiàn)在 Transformer 框架可能不是最終的解，我傾向于認(rèn)為必須出現(xiàn)一次完全不一樣的跳躍，從當(dāng)前的算法跳入到另一套完全不同的算法。

過(guò)去大家已經(jīng)在現(xiàn)有算法架構(gòu)上已經(jīng)做了非常多改進(jìn)，但是如果你要再往下走得更深，有可能要對(duì)這個(gè)問(wèn)題的本質(zhì)進(jìn)行一個(gè)比較好的理解。像我這篇關(guān)于頓悟的文章，對(duì)“模型如何學(xué)到更好的表示”給出了一種比較新的想法，算是一個(gè)新的突破，后面應(yīng)該也會(huì)繼續(xù)深入。

DeepTech：我也覺(jué)得目前這些思路，包括 test-time scaling（推理時(shí)擴(kuò)展）之類的，似乎是有上限的。真正重要的就是像你在 grokking 所研究的，在訓(xùn)練過(guò)程中找到合適的內(nèi)部表示。

田淵棟：是的，我覺(jué)得 TTS 還是有上限的，最終還是要靠更好的表示來(lái)達(dá)到泛化目的。試想預(yù)訓(xùn)練的數(shù)據(jù)里面全是枚舉法，做 RL 使勁刷 token 能頓悟出數(shù)學(xué)歸納法嗎？我覺(jué)得以現(xiàn)在大模型的能力，這個(gè)不太可能。

這也解釋了為什么像伽羅華（群論的奠基人）這樣的人是天才，他能在幾乎沒(méi)有多少樣本的情況下發(fā)現(xiàn)新的抽象和思維方式。這種跨時(shí)代的“科學(xué)發(fā)現(xiàn)”，現(xiàn)在的大模型還是做不到的。以后如果有一個(gè)更好的方式學(xué)到這些表示，對(duì)后訓(xùn)練會(huì)有很大的幫助。

Scaling 還能繼續(xù)，但解決不了學(xué)習(xí)效率

DeepTech：你在去年的年終總結(jié)中提到，等到 Scaling Law 到了極限，理解內(nèi)在機(jī)制才會(huì)變得關(guān)鍵。最近伊利亞（Ilya Sutskever）也在說(shuō)我們從 Scaling 時(shí)代到了研究時(shí)代。從你今年的研究來(lái)看，我們現(xiàn)在靠近 Scaling 的真正極限了嗎？什么信號(hào)才會(huì)告訴我們這條路到頭了？

田淵棟：我在兩月前的硅谷 101 訪談里面也提到了比較相似的觀點(diǎn)，比如說(shuō)人腦的數(shù)據(jù)效率很高，模型泛化能力從哪里來(lái)，研究品味（research taste）很重要等等。Scaling Laws 應(yīng)該說(shuō)現(xiàn)在還沒(méi)有完全到極限。因?yàn)檫€是有很多辦法可以提高效果，你看 Gemini 3 出來(lái)之后，還是有很多辦法可以讓模型變得比原來(lái)更強(qiáng)很多。

只是說(shuō)現(xiàn)在的問(wèn)題是，這個(gè) Scaling 最終能不能達(dá)到人這樣的效率，也就是人能在小樣本下迅速學(xué)會(huì)新東西的能力。

大廠當(dāng)然可以繼續(xù)堆樣本、堆訓(xùn)練，把模型越做越大。我聽(tīng)說(shuō) Gemini 3 模型就非常大。通過(guò)這種方式，總能不斷塞入更多知識(shí)，讓模型越來(lái)越強(qiáng)。

但是另外一方面，我們也必須面對(duì)這個(gè)現(xiàn)實(shí)：人的頭腦功耗非常低，吃的東西也是有上限的，但是人不管怎么樣，在某些方面還是要遠(yuǎn)遠(yuǎn)超過(guò) AI 現(xiàn)在的能力。所以作為科學(xué)家或者做基礎(chǔ)研究的人，你還是要去思考這種問(wèn)題：到底是為什么？也許存在一條隱藏的路線，可以讓現(xiàn)在的智能以一千倍的效率來(lái)達(dá)成。

如果我們?cè)倮^續(xù)卷這個(gè) Scaling，肯定是有效果的，只是說(shuō)對(duì)于像我這樣的人來(lái)說(shuō)，可能會(huì)覺(jué)得這不是特別有趣，還是想要做些別的。所以就是總要有人去探索不一樣的路線，而不是所有人都扎堆在同一方向。畢竟智能的終級(jí)答案還沒(méi)有揭曉。

DeepTech：你在去年的年終總結(jié)里給 AGI（Artificial General Intelligence，通用人工智能）下的定義是看 AI 能否達(dá)到人類的學(xué)習(xí)效率，尤其是從小樣本中頓悟的能力。從你今年的研究來(lái)看，我們離這個(gè)定義的 AGI 是更近了，還是差距更清楚了？

田淵棟：應(yīng)該說(shuō)是更清楚看到差距了。更近應(yīng)該還談不上，因?yàn)楫吘鼓瞧?Grokking 的文章并沒(méi)有完全給出一個(gè)更好的算法，只是用來(lái)做分析。我們可以分析出來(lái)它內(nèi)部的學(xué)習(xí)過(guò)程是什么樣子，明白了為什么，之后才能想辦法做改進(jìn)。

這篇文章跟以前很多對(duì) Grokking 的分析文章相比，應(yīng)該說(shuō)是開(kāi)了一個(gè)新的思路，而且這個(gè)新思路現(xiàn)在看起來(lái)是越來(lái)越像是對(duì)的了。本來(lái)這篇文章是要假設(shè)訓(xùn)練中存在正則化才可能出現(xiàn)特征涌現(xiàn)，這個(gè)和實(shí)驗(yàn)不太符合；但后來(lái)在評(píng)審的壓力下我又有了新的發(fā)現(xiàn)，同樣的框架，可以證明沒(méi)正則化也會(huì)出現(xiàn)特征涌現(xiàn)。總體而言，我認(rèn)為這是一個(gè)較大的突破。

至少對(duì)于這個(gè)領(lǐng)域來(lái)說(shuō)，有很多人在做 feature learning（特征學(xué)習(xí)），那么這些特征是通過(guò)什么過(guò)程學(xué)出來(lái)的？我們這篇文章可能會(huì)給大家?guī)?lái)一些有意思的、新的思路。

DeepTech：明年會(huì)繼續(xù)在這個(gè)研究的基礎(chǔ)上做進(jìn)一步探索嗎？

田淵棟：應(yīng)該會(huì)的，在最近的一次訪談中我談到過(guò)一些可能的思路：核心還是 feature learning，也就是如何超越線性化視角（例如 NTK），理解特征如何從數(shù)據(jù)中被抓取出來(lái)并進(jìn)入網(wǎng)絡(luò)權(quán)重。一旦 feature learning 這一層被解開(kāi)，我們就有機(jī)會(huì)做 reverse engineering，更清楚地看見(jiàn)模型究竟如何學(xué)習(xí)、如何預(yù)測(cè)。

再往下一步，我認(rèn)為應(yīng)當(dāng)回到對(duì)稱性。群的本質(zhì)正是對(duì)稱性。數(shù)據(jù)構(gòu)成的流形應(yīng)當(dāng)存在某種全局結(jié)構(gòu)，這才是泛化性的基礎(chǔ)；如果輸入具有群結(jié)構(gòu)，在其之上就會(huì)產(chǎn)生更緊致的表示，從而超越單純的記憶能力，獲得泛化的結(jié)果。

不過(guò)更具體的細(xì)節(jié)我暫不便展開(kāi)，因?yàn)槲疫@邊接下來(lái)會(huì)有比較大的變化。

DeepTech：好的，期待你之后的研究成果。你之前提到目前的 AI 研究需要“從煉金術(shù)到化學(xué)的轉(zhuǎn)變”。你認(rèn)為這個(gè)轉(zhuǎn)變會(huì)是漸進(jìn)的，還是需要一個(gè)“頓悟”的時(shí)刻？需要基礎(chǔ)范式的改變嗎？

田淵棟：我覺(jué)得還是需要范式的改變?？赡芪覀冏罱K的算法不是跟現(xiàn)在一樣的，肯定會(huì)出現(xiàn)完全不一樣的算法體系。

如果我們觀察人類大腦，會(huì)發(fā)現(xiàn)它是在一套極其嚴(yán)苛的硬件約束下，實(shí)現(xiàn)了一套極高效率的邏輯。

在生物學(xué)上存在各種各樣的約束，比如說(shuō)人是不能做梯度傳遞的，人神經(jīng)元之間的傳導(dǎo)速度非常慢，是毫秒級(jí)而不是納秒級(jí)，而且人腦不可能以很高的帶寬把大量數(shù)據(jù)從一端傳到另一端，這些都是人腦的很大局限。

所以我們現(xiàn)在看到的 AI 系統(tǒng)，是大量人類精心設(shè)計(jì)出來(lái)的體系，在某些能力上遠(yuǎn)超人腦本身。但是為什么人作為一個(gè)整體能夠做出很好的預(yù)測(cè)，能夠有這樣的認(rèn)知能力？我覺(jué)得有可能是整個(gè)算法是不一樣的。

至于新算法的轉(zhuǎn)變是不是漸進(jìn)的，我覺(jué)得可以參考?xì)v史。一開(kāi)始有一些人在嘗試，后來(lái)發(fā)現(xiàn)有效果了，嘗試的人就越來(lái)越多，最終變成下一個(gè)時(shí)代的主流。

DeepTech：那除了學(xué)習(xí)人類本身的思考方式之外，會(huì)不會(huì)讓 AI 更強(qiáng)大的方法，反而可能與人腦思維模式完全不同？

田淵棟：這個(gè)是有可能的。但是我一直有一個(gè)信念：對(duì)于人也好，機(jī)器也好，或者其他生物也好，某種底層的數(shù)學(xué)原理都應(yīng)該是比較接近的。因?yàn)閿?shù)據(jù)在那兒，大家都看到一樣的數(shù)據(jù)，通過(guò)某種比較有趣的數(shù)學(xué)變換，最終達(dá)到相似的表示，同時(shí)對(duì)問(wèn)題有相似的理解。

已經(jīng)有一些研究把人腦神經(jīng)元放電表示與大模型的表示進(jìn)行對(duì)比，發(fā)現(xiàn)兩者相關(guān)性較強(qiáng)。雖然算法不同，但表示可能相近。這也解釋了為什么今天的 AI 和人類還蠻相似的，比如都會(huì)舉一反三，都會(huì)有幻覺(jué)，都會(huì)犯錯(cuò)誤，不像以前科幻小說(shuō)里描述的 AI 非常精確、沒(méi)有情感?，F(xiàn)在的 AI 更像是個(gè)“文科生”。

也許就是兩條不同的道路可能得到相似的內(nèi)部表示。但人腦得到這個(gè)表示的效率遠(yuǎn)遠(yuǎn)高于現(xiàn)在 AI 的效率，這是為什么 AI 現(xiàn)在還是需要很多很多樣本去把這個(gè)表示學(xué)出來(lái)。如果我們能夠找到更好的對(duì)于這個(gè)表示的學(xué)習(xí)過(guò)程，也許就能得到更高效的新算法。

DeepTech：今年你有沒(méi)有看到一些在新的方向上比較有意思的探索？

田淵棟：最近有一些，比如 sparse/linear attention（稀疏/線性注意力）怎么做，如何對(duì)自注意力機(jī)制做更多變體；還有進(jìn)一步加速推理的一些手段，我們也做了一些（例如 DeepConf 和 ThreadsWeaver）。

另一個(gè)方向是隱空間推理。現(xiàn)在已有很多人在探索這條路。我們?nèi)ツ昴甑子幸黄恼陆?Coconut（連續(xù)思維鏈），做完之后整個(gè)組被拉去做 Llama，沒(méi)有時(shí)間做后續(xù)。但明顯能看見(jiàn)整個(gè) community 都非常有熱情，大家想要在上面做各種各樣的工作，特別在后訓(xùn)練和強(qiáng)化學(xué)習(xí)上也有些比較有意思的結(jié)果。

我覺(jué)得以后推理過(guò)程本身可能真的是在連續(xù)隱空間中進(jìn)行的，連續(xù)的內(nèi)部表示其實(shí)很重要——思考未必用語(yǔ)言 token 表達(dá)，有些思考并不以語(yǔ)言形式呈現(xiàn)，而是通過(guò)某種抽象的高維向量來(lái)表示思考過(guò)程，這有時(shí)候會(huì)變得更有效率。

我們有一篇文章證明，隱空間推理的效率其實(shí)比顯式的 token 效率要高，并分析了兩者差異。隱空間推理的推理鏈長(zhǎng)度可以顯著短于顯式空間，可能呈平方關(guān)系。而且可以看出來(lái)為什么能做到這一點(diǎn)，很多時(shí)候所謂思維鏈并不是推理的過(guò)程本身，往往是人類在得到了答案之后，再用答案反推出一個(gè)看起來(lái)合理的解釋。真正的推理可能是在這個(gè)思維鏈產(chǎn)生之前發(fā)生的。

圖丨相關(guān)論文（來(lái)源：arXiv）

在這篇文章中這一點(diǎn)被體現(xiàn)得很清楚：搜索時(shí)我可以保留所有可能的路徑，但當(dāng)某條路徑達(dá)到目的地后，才回過(guò)頭去找那條“應(yīng)該思考”的路徑。這比顯式把所有路徑都寫(xiě)出來(lái)更高效。所以如果繼續(xù)深挖，我相信會(huì)出現(xiàn)更高效的推理方式。

變革性答案會(huì)出現(xiàn)在哪里

DeepTech：那么，可能帶來(lái)變革性研究的突破會(huì)出現(xiàn)在哪里？最近 IBM 總裁克里希納說(shuō)，現(xiàn)有研究路徑可能很難達(dá)到 AGI，而變革性答案可能來(lái)自學(xué)術(shù)界而非產(chǎn)業(yè)界，你怎么看？

田淵棟：這有可能，但學(xué)術(shù)界也有學(xué)術(shù)界的問(wèn)題。我傾向把答案看得更廣，它可能來(lái)自一些不被看好、或者不被看好卻堅(jiān)持下去的方向。這些方向可能來(lái)自學(xué)術(shù)界，也可能來(lái)自小公司或小實(shí)驗(yàn)室。

因?yàn)榇蟮膶?shí)驗(yàn)室有些時(shí)候研究方向太過(guò)于集中了，大家都在追趕。所有的時(shí)間和精力都花在怎么樣讓最終的數(shù)字從 5% 變成 10%，或者 10% 變成 20%。其實(shí)很難去想到一個(gè)全新的瘋狂想法。

長(zhǎng)期追趕，會(huì)使人更難提出全新的、甚至“瘋狂”的想法。相反，如果有時(shí)間去思考新路徑，這些地方可能產(chǎn)生新范式，而新范式也可能與 AGI 結(jié)合起來(lái)。

所以這個(gè)地方不一定是在學(xué)術(shù)界，可能在別的地方，完全看最聰明的頭腦和最前沿的資本怎么樣結(jié)合起來(lái)。

DeepTech：包括 Meta 最近的一系列變革，比如 FAIR 的一些基礎(chǔ)研究人員轉(zhuǎn)入新的超智能實(shí)驗(yàn)室，還有其他一些巨頭的變動(dòng)。這種變化是不是意味著大廠的實(shí)驗(yàn)室將來(lái)會(huì)更注重商業(yè)化方向，更基礎(chǔ)的理論性研究將來(lái)會(huì)是什么樣的存在？

田淵棟：應(yīng)該這樣說(shuō)，每個(gè)巨頭現(xiàn)在都處于一個(gè)比較焦慮的狀態(tài)。因?yàn)榇蠹叶疾幌Ｍ谶@場(chǎng)比賽中落后，落后可能會(huì)意味著全面的落后。如果真的 AGI 來(lái)了，它可能在很快的時(shí)間內(nèi)學(xué)會(huì)所有的東西。第一個(gè)造出來(lái)的系統(tǒng)會(huì)越跑越快，就是所謂的 recursive self-improvement（遞歸自我改進(jìn)），不斷自我迭代，最終的模型變得非常強(qiáng)，理想上超過(guò)人類的能力，達(dá)到所謂超人工智能（Superintelligence，或者簡(jiǎn)寫(xiě)為 ASI）。

如果大家知道模型能力在超過(guò)某個(gè)臨界點(diǎn)是指數(shù)增長(zhǎng)的話，那么一旦你的指數(shù)增長(zhǎng)比別人快一點(diǎn)點(diǎn)，以后就會(huì)越來(lái)越快、越來(lái)越多，最終會(huì)把整個(gè)市場(chǎng)全部吃掉。這個(gè)是之前一個(gè)未來(lái)學(xué)家科茲威爾講的“嚇尿指數(shù)”（St-Your-Pants Index），也是大家的一個(gè)焦慮的點(diǎn)。

因?yàn)檫@種焦慮，巨頭很難投入大量時(shí)間做基礎(chǔ)研究：他們可能會(huì)覺(jué)得這就是我們現(xiàn)在的目的，如果不做這個(gè)我們就完蛋了，所以會(huì)花很多時(shí)間和精力去做這個(gè)。

當(dāng)然你可以說(shuō)這個(gè)事情不太可能發(fā)生，但一旦發(fā)生了，那就是 0 和 1 的區(qū)別，要不就登上 ASI 的快車，要不就成為無(wú)關(guān)人士。和將來(lái)的無(wú)窮大相比，現(xiàn)在手上的幾百億美金，其實(shí)和街邊的乞丐也沒(méi)什么區(qū)別了。大模型最近的飛速發(fā)展，也是會(huì)給人這樣的印象——之前的知識(shí)或者積累什么的，好像都沒(méi)什么用了。

這個(gè)可能是大家深層次的焦慮所在。應(yīng)該說(shuō)不僅 Meta，其他公司最近也頻繁有一些變化。大廠高管的職業(yè)穩(wěn)定性也不像以前那么穩(wěn)定。過(guò)去相對(duì)穩(wěn)定，很多事可以做很多年；現(xiàn)在如果做不出來(lái)，就會(huì)發(fā)生進(jìn)一步調(diào)整。至少投資方或 CEO 會(huì)更緊張，于是出現(xiàn)這些變化。

那么基礎(chǔ)性、理論性的研究，要怎么做呢？大公司還有很多組，每個(gè)組都有自己的一些小生態(tài)。在那么大的一個(gè)生態(tài)位里面，總是存在一些角落是可以做一些基礎(chǔ)性研究的。

但是這些生態(tài)在時(shí)間空間上不夠連續(xù)，可能這兩個(gè)月可以做，明年那兩個(gè)月就不行；今天這個(gè)組可以做，明天那個(gè)組就不行。因?yàn)樽儎?dòng)很大，就會(huì)出現(xiàn)這種問(wèn)題。如何解決，我們也沒(méi)有答案，因?yàn)檫@確實(shí)是很新的局面。

研究方式正在重寫(xiě)

DeepTech：關(guān)于 AI 輔助研究，這也是一個(gè)非常新的變化。AI 給你最大的價(jià)值是什么？有沒(méi)有被 AI 啟發(fā)過(guò)的時(shí)刻？

田淵棟：AI 現(xiàn)在其實(shí)更像一個(gè)博士生，或者說(shuō)是一個(gè)博聞強(qiáng)記、知道很多東西的人，但是很多時(shí)候它抓不住重點(diǎn)，思路和想法都沒(méi)有那么銳利。

什么叫他的思維非常銳利？就是說(shuō)他能一針見(jiàn)血地發(fā)現(xiàn)問(wèn)題在哪里，話也不多。我們說(shuō)“He is very sharp”，或者有個(gè)形容詞是“人狠話不多”?？戳艘幌轮?，“這句話不對(duì)”，或者“這地方有問(wèn)題，你快點(diǎn)把它解決”，沒(méi)有空話套話。這樣的能力，現(xiàn)在 AI 是沒(méi)有的?，F(xiàn)在 AI 是倒過(guò)來(lái)的，就是那種話特別多但是沒(méi)有一句話是重點(diǎn)，這個(gè)時(shí)候會(huì)非常煩惱。

但即便如此，它仍然非常有價(jià)值。第一，它很博學(xué)，能給出大量想法。大多數(shù)想法可能不對(duì)，但偶爾會(huì)有一兩個(gè)讓人覺(jué)得“有點(diǎn)意思”，值得繼續(xù)深挖。這時(shí)人充當(dāng) verifier（驗(yàn)證者），或教練、法官，把有價(jià)值的部分抓出來(lái)并判斷方向，這一點(diǎn)非常重要。AI 提供候選想法，人負(fù)責(zé)篩選與判斷，最終找到好方向。

所以我也有很多時(shí)候是被 AI 啟發(fā)的，覺(jué)得某些角度很有意思，可能挖下去能體現(xiàn)出更好的東西，從而發(fā)現(xiàn)新方向。

另外當(dāng)然是 AI 可以幫你做很多臟活累活，有些代碼你不用寫(xiě)。如果你用過(guò) Claude Code 或者 Codex，你會(huì)發(fā)現(xiàn)現(xiàn)在編程的方式已經(jīng)完全不一樣了。

最早大模型出來(lái)之后，它輔助編程的方式是加速，變成 Copilot，我先寫(xiě)一段 comments，述接下來(lái)要做什么，再讓它生成代碼，這個(gè)還沒(méi)那么快，是第一代 AI 輔助編程。

第二代 AI 輔助編程變成了類似于 agent 這種類型，我告訴它怎么改文件，讓它自動(dòng)修改?，F(xiàn)在基本進(jìn)入第三代：給它一個(gè)很大的代碼庫(kù)，甚至我也未必完全理解代碼庫(kù)細(xì)節(jié)，只要提出需求，比如重構(gòu)、加功能、找 bug，它就能協(xié)助完成。

所以人慢慢從寫(xiě)代碼的人變成項(xiàng)目經(jīng)理，變成教授那樣的角色。通過(guò)這個(gè)方式，我就不要再參與具體執(zhí)行，可以把精力集中在這個(gè)問(wèn)題怎么樣去建模，怎么樣往正確的方向去走，以及做指導(dǎo)和判斷。很多臟活累活 AI 可以自己做了，這是最大的價(jià)值。人的洞察力越強(qiáng)，AI 對(duì)人的幫助就越大。

綜合下來(lái)，跟一年前的我相比，加上這個(gè) GPT-5 的話，我效率可能提高了四到五倍的樣子。而且還有很大空間，還有很多地方可以讓它繼續(xù)把事情做得更好。

DeepTech：現(xiàn)在 AI 就像一個(gè)非常勤懇的博士生，一天不知疲倦地干活，可以幫你發(fā)現(xiàn)一些以前人們可能發(fā)現(xiàn)過(guò)但沒(méi)有注意到的方向，然后給你提出來(lái)。你識(shí)別到了之后，又可以在這些方向上進(jìn)一步去挖掘。

田淵棟：對(duì)，這是 AI 現(xiàn)在最大的助力。而且這個(gè)事情，如果一個(gè)人越聰明，或者說(shuō)越有見(jiàn)地，或者對(duì)這個(gè)業(yè)內(nèi)有經(jīng)驗(yàn)的話，他加 AI 的效率提升是高于一個(gè)新手加 AI 的提升。所以這其實(shí)是一個(gè)強(qiáng)者越強(qiáng)的模式，是一個(gè)很不一樣的趨勢(shì)。反過(guò)來(lái)，新手加 AI 可能會(huì)把事情搞砸，因?yàn)橐恍┛赡艹鲥e(cuò)的代碼被不加甄別地放進(jìn)去了。

DeepTech：你認(rèn)為一個(gè)人加頂尖 AI 這種工作模式，未來(lái)有可能達(dá)到一個(gè)小型研究團(tuán)隊(duì)的產(chǎn)出效率嗎？

田淵棟：我覺(jué)得是有可能的，甚至還會(huì)超過(guò)。因?yàn)槿伺c人協(xié)作需要時(shí)間，比如周末晚上我不可能發(fā)消息要求你立刻做事，就算發(fā)了，你也未必馬上做，可能兩天后才完成。

但 AI 永遠(yuǎn)在線，你給它一個(gè) idea，它立刻開(kāi)始做。這個(gè)過(guò)程應(yīng)該說(shuō)是遠(yuǎn)遠(yuǎn)高于以前老師帶學(xué)生這樣的過(guò)程。只要老師清楚自己要做什么，這種效率往往高于傳統(tǒng)“老師帶學(xué)生”的方式。

DeepTech：如果這樣的話，會(huì)對(duì)未來(lái)做研究的組織形態(tài)意味著什么樣的影響？

田淵棟：其實(shí)現(xiàn)在已經(jīng)有發(fā)生變化了。今年我已經(jīng)知道不少學(xué)術(shù)界的老師已經(jīng)出走學(xué)術(shù)界，要么創(chuàng)業(yè)，要么加入大廠的一些團(tuán)隊(duì)，做一些 hands-on 的工作，參與大模型研發(fā)。這種從學(xué)術(shù)界到工業(yè)界的遷移非常突然，而且在加速。

之后會(huì)發(fā)生什么，沒(méi)人能確定。而且確實(shí)有不少博士生可能已經(jīng)提前畢業(yè)或者很早畢業(yè)，比如以前博士需要五六年，但現(xiàn)在有時(shí)兩三年就畢業(yè)，因?yàn)椴划厴I(yè)機(jī)會(huì)就會(huì)錯(cuò)過(guò)。為什么？因?yàn)閷?duì)他們來(lái)說(shuō)，一個(gè)博士畢業(yè)的文憑和一個(gè)大廠的機(jī)會(huì)相比，權(quán)衡在變化：過(guò)去可能傾向先讀完再找工作，現(xiàn)在天平開(kāi)始傾斜。由此，很多老師未必能招到學(xué)生，也會(huì)帶來(lái)一系列連鎖變化。

DeepTech：在這種研究模式下，你認(rèn)為未來(lái)的研究者最需要的核心能力是什么？是想象力，執(zhí)行力，還是我們現(xiàn)在經(jīng)常提到的研究品味（research taste）？

田淵棟：我覺(jué)得 taste 是很重要的，因?yàn)?taste 本質(zhì)上來(lái)說(shuō)是一個(gè)指方向的能力，你認(rèn)為這個(gè)方向有道理，就會(huì)堅(jiān)持并往下走。用強(qiáng)化學(xué)習(xí)的角度來(lái)說(shuō)，taste 就是那個(gè)在當(dāng)前路徑還不完整不清晰時(shí)的值函數(shù)（value function）。

值函數(shù)能告訴你在這個(gè)研究還沒(méi)有開(kāi)展之前，或者剛剛開(kāi)展的時(shí)候，哪條路不能走、哪條路可以走，這就是研究品味的關(guān)鍵作用。如果沒(méi)有 taste，那么能探索的方向太多，但很多方向到不了你想要的結(jié)果，會(huì)浪費(fèi)大量時(shí)間；有 taste，值函數(shù)就能引導(dǎo)你走向更可能正確的道路。

除此之外，執(zhí)行力與恒心也很重要?，F(xiàn)在大家都有大模型，但很多人只是嘗鮮，用一用覺(jué)得不錯(cuò)，就放下了。真正能做成事的人，往往能夠長(zhǎng)期使用工具，在同一件事上持續(xù)深挖，把它做到足夠好。

以前的武俠小說(shuō)，大家都在搶一本武功秘籍，或者大家去找阿拉丁神燈許愿望。但是現(xiàn)在是倒過(guò)來(lái)的邏輯：武功秘籍到處都有，人手一本，或者人手不止一本，很便宜就可以看到，賣家還天天愁你不用，每天使勁推銷。但很多人沒(méi)有時(shí)間和精力去學(xué)；就算看了，也鉆不進(jìn)去，也就學(xué)不會(huì)。

在這種情況下，更重要的是專注與恒心：愿意長(zhǎng)期投入；同時(shí)具備行動(dòng)力，愿意去看、去做，而不是每天刷手機(jī)。再加上一點(diǎn)運(yùn)氣與探索，最終才能做出與他人不同的東西。

總之，想象力、研究品味、恒心與行動(dòng)力，這些能力都需要具備，才更可能成功。

DeepTech：你也會(huì)寫(xiě)小說(shuō)，前段時(shí)間剛看了你的小說(shuō)《幽夜星火》。這個(gè)小說(shuō)是有用 AI 在輔助創(chuàng)作嗎？

田淵棟：這個(gè)沒(méi)有，這是之前寫(xiě)的?！队囊剐腔稹肥恰镀茣灾姟返暮罄m(xù)，還沒(méi)寫(xiě)完，我現(xiàn)在不是很滿意，之后可能會(huì)做較大修改，修改后再出版會(huì)更好。當(dāng)然，當(dāng)時(shí)的寫(xiě)作方式和現(xiàn)在也不一樣了?，F(xiàn)在有很多 AI 工具可用，可以建立工作流，提高寫(xiě)小說(shuō)的效率，這也是現(xiàn)在在做的事情。

DeepTech：你在《破曉之鐘》的序言里寫(xiě)了一句話：小說(shuō)和做研究都是去找出一條新的路徑來(lái)。反過(guò)來(lái)看，小說(shuō)創(chuàng)作對(duì)于你做 AI 研究有什么反哺嗎？

田淵棟：我覺(jué)得目前看起來(lái)還是更像是一個(gè)思維的放松，跟做研究本身不一樣的一個(gè)思維方式，能去探索一些不一樣的東西，去想、去思考，這個(gè)會(huì)很有趣。對(duì)換腦筋、同時(shí)保證思維的活躍性挺有幫助的。有些時(shí)候會(huì)想到一些奇怪的事情，這些事情不是特別清楚，但是如果換換腦子再回來(lái)會(huì)有很多想法。

DeepTech：明年小說(shuō)創(chuàng)作上會(huì)有什么計(jì)劃嗎？

田淵棟：看時(shí)間吧，我可能還是會(huì)比較忙。但應(yīng)該會(huì)找一些時(shí)間寫(xiě)一寫(xiě)，因?yàn)檫@也是一種放松與調(diào)劑。希望把第二部寫(xiě)完，給大家一些有意思的內(nèi)容。其實(shí)第二部很多高潮橋段早就想好了，只是需要在新的環(huán)境里把它們真正寫(xiě)出來(lái)。

DeepTech：你前面提到的一句話我覺(jué)得非常有感觸。就是 AI 行業(yè)變化非?？?，模型的迭代、公司的戰(zhàn)略調(diào)整之類的。作為剛剛經(jīng)歷過(guò)這種調(diào)整或動(dòng)蕩的研究者，你覺(jué)得在這種不確定的環(huán)境當(dāng)中如何保持自己的方向感或者掌控感？

田淵棟：首先是要有自己的信念，就是 research belief，這個(gè)很重要。更具體說(shuō)，就是 taste?，F(xiàn)在每天有無(wú)數(shù)文章發(fā)布，隨便刷 arXiv 都是新論文。如果一直追趕，就會(huì)產(chǎn)生強(qiáng)烈不確定感，仿佛今天不看完就會(huì)落后于時(shí)代。

這不是一個(gè)正確的思維方式。因?yàn)槿绻@么做，那會(huì)非常累，而且也永遠(yuǎn)處于追趕地位。更好的辦法是我有一個(gè)想法，我一定要把它做出來(lái)，或者相信這個(gè)想法很重要，認(rèn)為它能通向正確的路徑。有這樣一個(gè)信念之后，再去找相應(yīng)的文章。這樣一方面有更多時(shí)間思考，另一方面也更容易做出與別人不同的東西。

DeepTech：我看你之前的訪談下面有評(píng)論說(shuō)“優(yōu)秀的人是先有世界觀，然后才有方法論”，這和你剛才說(shuō)的很契合。

田淵棟：對(duì)，是這樣子。世界觀是一個(gè)提綱挈領(lǐng)的關(guān)系，這個(gè)提綱告訴我這個(gè)人我要做什么，然后再去尋找方法。因?yàn)槿绻獙W(xué)會(huì)所有東西再去做，那是不可能的，永遠(yuǎn)學(xué)不完。有提綱之后再去搜索的話，效率永遠(yuǎn)高于你把所有的知識(shí)都學(xué)完的，因?yàn)槟銜?huì)知道什么細(xì)節(jié)是關(guān)鍵的，什么則無(wú)關(guān)緊要。

DeepTech：你個(gè)人是怎么判斷什么研究或者什么方向值得長(zhǎng)期投入的呢？

田淵棟：這有三樣不同的東西。首先是你內(nèi)心喜歡什么，這是內(nèi)在的動(dòng)力。比如說(shuō)你做這件事情很開(kāi)心，也不必先考慮它對(duì)這個(gè)世界有什么價(jià)值，這是一個(gè)很重要的要求。

其次是你的能力能做到什么程度，有些人能力強(qiáng)，隨隨便便就把一件別人覺(jué)得困難的研究問(wèn)題解決了，自己也不會(huì)覺(jué)得特別辛苦。第三是看對(duì)外的經(jīng)濟(jì)和社會(huì)價(jià)值，做出來(lái)的東西是不是為大眾所稱道。

這三樣?xùn)|西必須得占一樣，然后才能保證這個(gè)事情能往前推進(jìn)。只是不同的人權(quán)重不一樣——有些人說(shuō)我特別想要外界對(duì)我的承認(rèn)，或者工資很高，這個(gè)也是可以的，那他就會(huì)做那些待遇很豐厚的工作。還有一些人說(shuō)我并不指望外面給我很多工資，但是我做這件事情讓我覺(jué)得很開(kāi)心，也一樣成立。最終還是要看每個(gè)人在這幾根軸上的權(quán)重有多少，用它來(lái)去衡量自己想做什么工作。

我當(dāng)然會(huì)建議所有人在這三根線上都試一試，看哪些工作是你最喜歡、最有內(nèi)心滿足感但是不賺錢的，哪些工作是你能賺到更多錢但是內(nèi)心不滿足的，還有什么工作是你能力很強(qiáng)但是你不愿意做的。這些東西都可以組合，最終你發(fā)現(xiàn)有一些交集，有一些東西既能讓你賺到足夠的錢，又能夠讓你有內(nèi)心滿足感，那么這些方向可能是你將來(lái)的職業(yè)。

DeepTech：這也可能是一個(gè)比較理想的狀態(tài)。

田淵棟：是，但是要不停地去嘗試。最怕的是不嘗試，天天抱怨不喜歡現(xiàn)在的工作，卻不去試別的可能性，也不去尋找真正讓自己開(kāi)心的方向。長(zhǎng)期陷在抱怨里，對(duì)個(gè)人并不好。

DeepTech：是的，也許可以先賺夠錢再去嘗試更喜歡的方向；或者先做滿足的事，再努力賺錢。

田淵棟：對(duì)，都是有可能的。而且不同階段的權(quán)衡不一樣。剛畢業(yè)時(shí)更需要經(jīng)濟(jì)基礎(chǔ)，那當(dāng)然可以先去賺錢；如果經(jīng)濟(jì)壓力不大，時(shí)間就會(huì)變得更重要。人的一生時(shí)間有限，用這段時(shí)間做出最有意思的東西很重要。不同階段心態(tài)不同，最終判斷也會(huì)不同。

DeepTech：那如果你現(xiàn)在可以完全自由地選擇一個(gè)研究方向，不受任何資源或者發(fā)表壓力的話，你最想攻克的問(wèn)題是什么？

田淵棟：自然而然就是我之前做的那些，關(guān)于神經(jīng)網(wǎng)絡(luò)如何有好的表示，如何進(jìn)行頓悟，怎么樣能夠獲得泛化能力，怎么樣讓它變得更強(qiáng)，怎么樣讓它變得有跟人一樣的效率，這些都是我想要做的問(wèn)題。應(yīng)該說(shuō)我的研究方向一直以來(lái)都比較特立獨(dú)行，當(dāng)然與此同時(shí)也注重與整個(gè)人工智能大方向的結(jié)合，這樣至少還能跟上，而不是被時(shí)代淘汰。

2026 我們可以期待什么

DeepTech：最后做一個(gè)總結(jié)和展望。2025 年對(duì)你來(lái)說(shuō)也是一個(gè)比較重要的節(jié)點(diǎn)，如果給今年做一個(gè)小結(jié)，你最大的收獲是什么？

田淵棟：收獲還是不小的。一個(gè)是參與了 Llama 項(xiàng)目，會(huì)有很多經(jīng)驗(yàn)，對(duì)大模型的研發(fā)和具體問(wèn)題有更深的理解。至少對(duì)于我們來(lái)說(shuō)有這樣 hands-on 的 experience，雖然只有幾個(gè)月，但改變了我對(duì)于很多問(wèn)題的一些想法和思路，這是很重要的。而且對(duì)我的人生也會(huì)帶來(lái)很大的改變。在離職之后，基本上我所有時(shí)間都在自己動(dòng)手，應(yīng)該說(shuō)也有更多 hands-on 的經(jīng)驗(yàn)了。

另外就是怎么樣用 AI 和人的相互交互，如何讓 AI 幫助研究變得更快、更高效，并幫助我們找到更好的方向。今年我找到了更有效的方法，讓 AI 更好、更快地提高研究速度與效率。

在這種變化下，我們的研究方式會(huì)和過(guò)去非常不同。我們正處于一個(gè)特殊的節(jié)點(diǎn)上，繼續(xù)往后走，世界，至少學(xué)術(shù)世界，可能會(huì)與過(guò)去完全不同。這是很大的變化。當(dāng)然，研究本身也有不少進(jìn)展，比如隱空間推理被更多人使用；對(duì)頓悟的理解更深入；對(duì)強(qiáng)化學(xué)習(xí)、對(duì) fine-tuning 的理解也更深入一些。

當(dāng)然之后我的年終總結(jié)會(huì)講得更詳細(xì)一點(diǎn)。

DeepTech：在你看來(lái)，明年 AI 領(lǐng)域最值得期待的進(jìn)展會(huì)是什么？

田淵棟：我同意最近大家的一些新看法。因?yàn)橹辽僭趦扇昵?，AI 仍偏實(shí)驗(yàn)室階段，這兩年大家更多在“刷榜”，推理模型很強(qiáng)，很多問(wèn)題被解決，包括 IMO（國(guó)際數(shù)學(xué)奧林匹克）、ICPC（國(guó)際大學(xué)生程序設(shè)計(jì)競(jìng)賽）這類數(shù)學(xué)與編程競(jìng)賽也能解決。

2026 年的話，我覺(jué)得可能大家不再滿足于刷榜了，因?yàn)榇蠹叶紩?huì)刷。之前也有看到一條有意思的推特說(shuō)“只要是有榜就能上去”。這句話雖然說(shuō)是夸張的，但我覺(jué)得它是對(duì)的。只要有榜，總有辦法可以刷上去，我也從各種途徑知道各種刷榜的技巧。但是問(wèn)題就在于：第一，沒(méi)有榜你怎么刷？第二，AI 能否落地，能否給大家?guī)?lái)實(shí)際結(jié)果？

大家花了那么多錢，多少個(gè) billion 的錢去做 AI，AI 確實(shí)給大家提供很多幫助。但經(jīng)濟(jì)上這些投入能得到多少回報(bào)，會(huì)影響整個(gè)投資環(huán)境與投資人心態(tài)。所謂回報(bào)，核心就是：能不能通過(guò) AI 得到真實(shí)的 business value（商業(yè)價(jià)值），這會(huì)成為下一階段更主流的方向。

比如 OpenAI 發(fā)布 GPT-5.2 時(shí)，你看 Sam Altman 會(huì)強(qiáng)調(diào)“能帶來(lái)什么價(jià)值”，而不再?gòu)?qiáng)調(diào)刷榜到什么程度，因?yàn)榇蠹叶贾滥芩⑸先ィP(guān)鍵是能否產(chǎn)生實(shí)際價(jià)值。

再比如說(shuō) AI 幫你做 PPT，最近 Nano Banana 非?；?，為什么？是因?yàn)樗芸斓貛湍阕?PPT。這個(gè)完全改變了辦公室的流程。類似地，能否用 AI 做 Excel 表格、做各種報(bào)表文檔，這些都會(huì)成為重點(diǎn)。

（來(lái)源：田淵棟）

所以 2026 年有很多的變化可能會(huì)跟我們?nèi)粘Ｉ钕⑾⑾嚓P(guān)。包括學(xué)術(shù)，AI 參與學(xué)術(shù)工作后，它能否比以前做得更好？如果我們通過(guò) AI 能夠極大地提高 scientific discovery（科學(xué)發(fā)現(xiàn)）的速度，那它就非常有價(jià)值。應(yīng)該說(shuō)明年或后年，可能是 AI 如何證明自己價(jià)值的關(guān)鍵階段。

DeepTech：非常期待明年能看到一些突破的進(jìn)展。很多人甚至說(shuō) 26 年、27 年是 AGI 的元年，我覺(jué)得這個(gè)可能還是稍微有點(diǎn)遠(yuǎn)，但一些大的突破應(yīng)該還是可以看到的。

田淵棟：我覺(jué)得是這樣子的。這個(gè)是比較有趣的一個(gè)狀態(tài)，我們既作為研究員，又作為一個(gè)觀察者，看能否見(jiàn)證一些有意思的事情。AGI 可能還需要一點(diǎn)時(shí)間，還需要一些突破，我覺(jué)得按照現(xiàn)在的方案堆數(shù)據(jù)還是不行的。

另外再?gòu)膶?xiě)小說(shuō)這件事來(lái)說(shuō)，AI 寫(xiě)小說(shuō)的風(fēng)格跟以前也是完全不一樣的。以前可能容易寫(xiě)出一些無(wú)聊套路，比如“最終王子公主幸福地生活在一起了”，沒(méi)什么意思。

但是現(xiàn)在 AI 已經(jīng)學(xué)到更多有意思的套路，或者有意思的思路，能夠讓小說(shuō)本身變得非常有趣。未來(lái)也許會(huì)出現(xiàn) AI 在創(chuàng)作與文學(xué)上的突破，關(guān)鍵看大家怎么用，但我認(rèn)為應(yīng)該會(huì)發(fā)生。

DeepTech：我前段時(shí)間用 Gemini 3 和 Claude 4.5，我覺(jué)得它們的文筆已經(jīng)非常出色了。

田淵棟：對(duì)，大概是這樣子。這是一個(gè)非常大的變化，而且很多時(shí)候看文筆已經(jīng)出色了，文筆不再是壁壘。那么有壁壘的地方就是你的創(chuàng)意和你的思路，你的想法到底是什么。

我現(xiàn)在的感受是：AI 在寫(xiě)局部段落時(shí)已經(jīng)非常好，但對(duì)整個(gè)故事走向或結(jié)局的把控還是差一點(diǎn)。比如像 Gemini3 能寫(xiě)出那么多有意思的小點(diǎn)子，然后發(fā)現(xiàn)最后的結(jié)局居然比較平凡沒(méi)有張力，就會(huì)失望。相比之下，頂級(jí)的小說(shuō)家在這方面其實(shí)還是比較厲害的，所以應(yīng)該說(shuō)人在這方面還有不少優(yōu)勢(shì)的。

DeepTech：未來(lái)可能我們更多要扮演的角色更像是一個(gè) CEO，去把控底下的各種 AI 做事的方向。

田淵棟：是，以后一定會(huì)出現(xiàn)一人 CEO 的情況。就是我自己是公司的 CEO，然后我下面有一堆 AI 幫我把事情干了。

運(yùn)營(yíng)/排版：何晨龍