7.6
深览指数
科技Bestblogs·张小珺··AI 生成
149. 亲历中美 neo labs 资本狂潮，和清华刘子鸣聊：AI for AI、机制可解释性和 Max Tegmark
对话清华助理教授刘子鸣，他认为当前大模型领域最缺的不是算力，而是对模型内部机制的理解。他提出「AI 物理学」路线，主张通过结构化理解模型机制来训练一个能预测模型训练结果的「原模型」，以实现 AI 自动研究（AFAI）。这与田渊栋等人主张的让 AI 通过大量试错做科研的「勤奋」路线形成鲜明对比。适合对 AI 前沿技术路线、创业融资逻辑感兴趣的读者。原文 ↗
核心观点
- ▍后 LLM 时代，模型架构设计将成为核心突破点，而非单纯堆算力或数据。
- ▍实现 AI for AI 的关键路径是「AI 物理学」，即通过机制可解释性结构化理解模型，而非依赖 Agent 进行海量试错。
- 01刘子鸣认为大语言模型成功更多源于自然语言的馈赠，而非 Transformer 架构的独特性，这反「苦涩的教训」(Bitter Lesson)。
- 02他认为当前大模型范式在视觉等模态缺乏抽象能力，模型设计的科学化是下一个突破口。
- 03刘子鸣将自身路线与田渊栋等人的「勤奋」路线区分开，他追求的是让 AI 通过训练「原模型」实现「顿悟」，而非进行无数次实验试错。
- 04他用「太疯狂了」形容 2026 年中美一级市场对世界模型和 AFAI 等 neo labs 的追捧，资本决策速度极快。
- 05大量顶尖人才出走大厂创立 neo labs，源于对科研自主权的追求，以及押注可能取代 Transformer 的新范式。
- 06实现 AFAI 的第一步是创造一套像「OPHIS」一样的结构化科研语言，将研究过程标准化。
反方 / 局限
- — 「AI 物理学」路线高度依赖对模型内部机制的理论突破，其可行性在当前阶段尚未被充分验证，可能面临理论与工程实践的巨大鸿沟。
4 分钟 · 4 卡片 · 9 资料
读原文 →