本文整理自 YouTube 访谈视频 Yao Shunyu: Let Me Go a Little Crazy! Training Models at Anthropic & Gemini, Heroism Is Over，主持人小君，嘉宾姚顺雨（Google DeepMind 研究员，前 Anthropic）。
视频实际录制于约两个多月前，文中部分事件（如 Meta 收购 Manus、DeepSeek 4）在录制后才发生或反转，已尽量保留嘉宾当时的判断视角。全文为访谈精华整理，约为原视频信息量的 1/3，保留所有核心观点与金句。
嘉宾简介：硅谷两个"姚顺雨/宇"
主持人小君开场介绍：硅谷有两个名字几乎一样的姚顺雨/宇。一个是前 OpenAI、后加入腾讯任首席 AI 科学家的姚智晖（音），他上过节目；今天的嘉宾是另一个，姚顺雨，此前在 Anthropic，现在在 Google DeepMind。
姚顺雨自述履历：
我本科在清华基科班，当时做凝聚态理论；博士去 Stanford 做理论高能物理，做黑洞相关的量子信息方向；离开 Stanford 后去 Berkeley 做了两周博士后就辞职了；然后去 Anthropic 待了一年；去年 9 月底 10 月初加入 Gemini。
两人最大区别：姚智晖一直是计算机背景，姚顺雨是半路出家。"我其实是后来者，以前主要做理论物理。"
被问到是否是物理竞赛保送清华时，姚顺雨哈哈大笑纠正：
不是竞赛保送。竞赛我只进了省队，没进国家集训队。当年我们那一届，只有进国家集训队才能保送。我是通过清华自主招生，降到一本线进的。
01 模型能力没有放缓，Pre-training 还远没撞墙
主持人：姚智晖去年说"AI 进入下半场"，你怎么定义今天的 AI 阶段？
姚顺雨：我其实不太懂"上半场""下半场"具体指什么。但 AI 确实进入了一个新阶段，人们不再担心"AI 能不能做到这件事"，而是开始担心"这件事有没有被正确地定义"。这是一个很大的区别。
一年前我在 Anthropic，大家还在担心"OpenAI 的推理那么强，我们有没有机会追上、甚至超过"。现在至少在 Gemini、OpenAI、Anthropic 之间，我没有看到谁真正担心自己追不上。真正难的是搞清楚自己该做什么。模型能力被拉平了。
主持人：所以是同质化了、商品化了？
姚顺雨：纸面上确实如此。比如 SWE-bench 大家都在 80% 上下，谁比谁高一到两个百分点，主要还是噪声而不是信号。但实际产品体验上差异是明显的，Claude 在 agentic coding 上仍然是标杆，Codex 在纯 coding 上追近了一些，Gemini 在推理和通用场景上更稳。
主持人：从 Q1 2026 的时间点看，模型开发的节奏在放缓吗？
姚顺雨：绝对没有。作为研究者的个人感受是：模型越来越"好教"了。以前教模型做一件事要花很多心思，现在大多数时候你只需要把问题定义清楚，构造合适的数据和环境，剩下的就自然发生了。
主持人：为什么模型的"学习能力"变强了？
姚顺雨：一部分原因在于 Pre-training。过去几个月 Pre-training 在持续变强，而且我判断未来 4 个月还看不到尽头。
几个月前很多人讨论 Pre-training 的 Scaling Law 是不是到头了。我的经验是：没有。而且我判断，在接下来 4 个月里，没有任何迹象表明它会结束。
主持人：那为什么那么多人喊撞墙？
姚顺雨：一个人觉得某种规律到头了，无非三种情况：
- 他觉得这个规律的适用范围到了极限；
- 他觉得这个规律成立的某个条件不满足了（比如数据墙）；
- 他的工作里有 bug，他自己没意识到，于是觉得规律到头了。
我的观察是，大多数撞墙的人，都是第三种。很多时候修一个 bug 带来的进步，远大于某个炫技的算法。
主持人：怎么系统地排除 bug？
姚顺雨 ：这就是 Gemini 和 Anthropic 做得好的地方。在 Pre-training 这个尺度上，某些行为可能和你的想象不同。你能否设计合理的 ablation（消融实验）去验证：你想象中的因素，到底是不是真的因素？关键是系统地做事情，当结果不符合预测时，你能否系统地排除所有可能性。
这其实也是做事情的一种信念：遇到 bug 你相信能解决，就觉得没到头；遇到 bug 你觉得解决不了，就觉得到头了。每个人都必然会遇到 bug。
02 为什么 Coding 跑得最快
主持人：过去几个月 Coding 发展最快，为什么？
姚顺雨：Coding 不是这几个月才快的，从 Claude 3.5（外界叫 3.6）开始就一直在快车道。它有两大优势：
第一，反馈信号容易定义。写一段代码实现一个功能，输入、输出、测试都可以很清楚。对就是对，错就是错。
第二，数据有天然基础，就是 GitHub。GitHub 汇集了过去几十年优秀程序员的代码，可以从这些代码出发构造出大量的训练环境。
还有产品层面的原因：优秀程序员的代码风格其实相当一致，简洁、清晰、结构合理、抽象得当。Coding 不像做社交或游戏，要满足所有人的不同口味。这让 Coding 成了一个更"简单"的产品。
主持人：你自己用 Claude Code（嗯，Google 不能用 Claude Code，这问题差点让我被开掉），效率提升了多少？
姚顺雨：保守估计 90% 的代码是模型生成的。如果不算保守，大概是 99% 到 100%。剩下那 10%（保守口径）主要是它还写不了的部分。
作为研究者，从实现想法到跑实验的效率，相比一年半前加速了大概 20 到 50 倍。你可以同时开好几个模型，并行试好几个想法，有时候它还能帮你盯着实验结果。
但有意思的是：它让我工作时长反而更长了。 因为开发速度变快，你想试的东西越来越多。以前看不懂的代码要预约作者几小时后聊，现在 5 秒钟问 Gemini 就有答案，于是你就一直做下去。
主持人：所以 Google 已经不是当年那个可以养老的 Google 了。
姚顺雨：在 GenAI 这个领域，没人能躺平。除非你对技术完全没野心，那就没人打扰你。但凡你还想做点对的事，大家都是相当自驱的。我一般早上 9 点起来查邮件、看前一晚的实验，10 点到公司，一个人在美国的时候待到晚上 10 点、11 点。
03 程序员会被 AI 取代吗
主持人：程序员完全被替代的那一天会来吗？
姚顺雨：会来，但不会是一夜之间。不会出现"今天程序员还在，明天集体被裁"。它会是一个渐进的过程，有些公司已经在裁员了。
AI 是一种高度中心化的技术，会让少数人变得更强，但会让大多数人失去独特价值。传统软件工程的最终结果，可能是千分之一的人做完了过去所有人做的事，拿着 100 倍的工资。（这个数字是瞎说的，可能是千分之一，也可能是百分之一。我是一个著名的悲观主义者。）
主持人：那千分之一的程序员长什么样？
姚顺雨：
- 技术必须非常强。技术弱的话毫无意义，AI 替代不了你说明你做的活也太简单了。
- 要能理解自己的工作在整个大组织里应该往哪里走，怎么和公司的未来发展契合。这种事很难让模型理解。
- 规划能力强，能把一个复杂的大任务拆解成很多小事情，交给不同的 AI 去做。
但请注意，这三件事 AI 现在做不到，不代表 6 个月后做不到。也许半年后你再来问我，AI 已经能做最后一件，那就剩两件；再过半年可能两件也能做了，我的答案会更悲观。
04 OpenClaw、Manus 与"壳"的命运
主持人：你怎么看 OpenClaw 这个新产品形态？
姚顺雨：有趣的是，这件事在行业外讨论得比行业内更激烈。对业内人来说，没什么特别惊讶的，公司内部早就做过类似的实验或 demo，只是没作为产品正式宣传。
技术上它不证明什么新东西。OpenClaw 依赖的模型能力，在今年初其实已经准备好了（大约是 Opus 4.5 那个时间点）。它也不是一发布就火，是发布一段时间之后才火的。
我认为它是模型能力的自然溢出。 它最大的价值是向大家展示了一种可能性：你可以控制多个不同的模型，让它们做不同的事，最后汇总起来形成一个长周期的项目。这种共识以前是没有的。
主持人：从去年的 Manus 到今年的 OpenClaw，质变的差别在哪？
姚顺雨：说实话我自己也没完全搞懂。你问我"为什么 Manus 当时做不到"，我也答不上来，也许 Manus 只是哪里做错了。
主持人：但是 Manus 卖给了 Meta，OpenClaw 卖给了 OpenAI（注：Meta 对 Manus 的收购后来撤销了，本期节目录制于撤销之前）。为什么"壳"最终都卖给了模型厂？
姚顺雨：要长期生存，就要考虑壁垒。目前的壁垒大多在模型侧；未来产品侧会不会出现壁垒，不确定。数据飞轮这件事，目前我没看到任何场景真正跑通。除了 Agentic Coding，几乎没有真正的原生 AI 场景成功，因为本质上 Chatbot 是搜索的延伸，而不是独立于搜索的新物种。
壳要活下去，我能想到两条路：
一条是逃得足够快，增长速度足够快，快到模型公司反应过来时你已经占据了用户心智，Cursor 走的就是这条路。但即便如此，Cursor 现在和 Anthropic 的关系也非常微妙：曾经是紧密合作伙伴，现在 Anthropic 自己做 Claude Code 做得很成功，Cursor 又在努力训练自己的 Composer，他们已经是竞争关系了。Coding 这种生产力工具，本质上是赢家通吃。
另一条是市场足够小，小到模型公司懒得做。Midjourney 就是典型。你要让 Gemini 全力去做一个 Midjourney 出来，花钱花数据是能做出来的，但这个市场小到 Gemini 不愿意花时间。这也算一种生存方式。
主持人：有人成功逃出过模型厂的手掌心吗？
姚顺雨：大的我还没见到。Midjourney 算一个小的。Lovart 这类我觉得有机会，但总的来说，原生通用场景里我还没看到成功案例。
05 豆包、Seedance 与中美的真实差距
主持人：你用过豆包吗？
姚顺雨：只用过一两次，是别人拿豆包手机给我看的时候。
主持人：硅谷是不是有一种"智能鄙视链"，所以你们不用豆包？
姚顺雨：不至于那么严重。第一是中国人在美国用美国模型本来就麻烦，反过来也一样。第二是我自己工作用 Claude 和 Gemini，生活里也没有太多琐碎困惑要问豆包，我生活里更多的困惑也是技术难题。
但我必须承认：豆包的语音生成，客气点说是世界最好之一，不客气地说就是世界最好。 这是我最直观能感受到的独特之处。它在产品上的速度也做得很好，我不需要听它的思考过程，只想问点生活琐事。
主持人：技术上这难吗？
姚顺雨：我没做到那个方向，不知道具体多难，但应该是非常耗时的事，无论数据还是各种优化。这一定是模型层面的事，可能也有产品层面的成分。
主持人：Spring Festival 期间大家都在谈 Seedance，Google 焦虑吗？
姚顺雨：这份焦虑还没传到我这里。多模态生成团队可能有压力。但我觉得没有发生范式转移，更多是字节在数据和细节上做得非常非常到位。字节在多模态生成上一直有相对优势。
主持人：Seedance 的强是产品还是模型？
姚顺雨：我没在字节待过，只能猜，模型大概占多数。因为多模态生成现在还属于科学问题，范式没有固定，每家都可能有技术上的大小差异。
主持人：你评价一下吴永辉（字节大模型团队 Seed 负责人，从 Google 跳到字节）？
姚顺雨 ：我没跟他直接打过交道，所以不能给很客观的评价。但在 Gemini 这边，我们能看到他过去提交的代码、带过的项目，我感受到的是：他是我见过的少数水平极高、又非常资深、却仍然具备强技术能力的人，这种组合极其稀缺。
主持人：从 Q1 2026 这个快照看，中美模型能力的差距在拉大还是缩小？
姚顺雨：明显在缩小。但最终会不会被完全追平、甚至中国反超，这个问题我认为现在不清楚。
中国算力确实处于明显劣势。但这个劣势可能反而催生了一些有意思的事，比如中国的模型公司其实相当擅长蒸馏。
06 蒸馏：硬蒸又蠢又没道德，巧蒸是真正的多智能体
主持人：Dario 最近点名了三家蒸馏 Claude 的公司。你怎么看蒸馏？
姚顺雨 ：蒸馏其实提出了很有意思的科学问题。有两种蒸馏：硬蒸和巧蒸。
硬蒸 最简单的例子：我从 Claude 抓一堆生成的 token，强行拿来训练。这样做的人，首先在商业上不道德，其次在智力上也很愚蠢，因为这本质上说明这家公司根本不知道自己想做什么，唯一能做的就是抄别人，让自己的模型数据好看一点。
巧蒸就有意思得多。举个例子：我在自己生成的数据链路里，用其他模型作为辅助模型；或者用另一个模型作为我自己模型答案的评估器。这在商业上是灰色地带，但技术上相当有趣。
因为你想，某种意义上，中国的实验室反而成了多智能体训练的先驱。而且是真正的 Multi-Agent，因为它来自不同的模型，每个模型的语言分布都不一样。把这整合进一个训练系统，可能比我用几个 Gemini 一起做还要技术有趣。
所以巧蒸这件事，我不知道商业上最终会被证明是明显的错误还是明显的正确，但技术上它相当有趣。
主持人：你说的硬蒸和巧蒸，分别指谁？（请后期消音）
姚顺雨：（笑）我从没在中国实验室待过，不知道具体是谁。但感觉上，XXX 应该是硬蒸过的；XXX 早期可能也蒸过，但后来逐渐转向软蒸。字节应该蒸得比较少，我觉得字节模型还是有一些独特之处的。
07 Anthropic 为什么能下重注，大公司学不会
主持人：Anthropic 为什么能在 Coding 上坚定下注？
姚顺雨：首先这是试出来的。Claude 3 发布后，外界在 Twitter 上讨论"Claude 3 写代码好像比 GPT-4 还好"，那个年代 GPT-4 还和大家有明显差距，所以"在某个点上比 GPT-4 强"是非常了不起的信号。Anthropic 反应非常快，一旦信号合理就立刻 All in，没有大公司那种冗余。
主持人：这种执行力从哪来？
姚顺雨 ：来自 Dario 的某种特质。但更根本的是：Anthropic 实行 Top-down（自上而下）的前提，是技术决策者必须是公司自己的联合创始人。
第一，你的技术领袖技术必须服众，下面的研究员才会信任；第二，他得是公司决策者，能为公司负责。Anthropic 同时满足这两条，Jared Kaplan、Sam McCandlish 这些人，既是公司联创，又是 Scaling Law 论文、GPT-3 论文的共同作者。他们是一起在战壕里打过仗的一群人。
这就是为什么 Anthropic 这种"下重注"的能力，看起来别的公司也能学，但实际很难学。它要求技术一号位有可信度，要求 CEO 不成为障碍，要求创始团队互信到没人离开。这三件事叠加在一起，是非常稀缺的组合。
主持人：Dario 在其中扮演什么角色？
姚顺雨：我只能讲技术领袖有决策权，至于 Dario 在他们的决策讨论里具体起什么作用，我不知道。但他至少没成为障碍。
主持人：Google 这种大厂呢？
姚顺雨：完全不同的打法。大厂的思路是：我尽量把赌博成分降到最低，在所有方向都有储备，别人做什么我都能跟上甚至领先。Google 在 Pre-training 上已经回到了自己的舒适区，把 Pre-training 这种范式明确的领域，变成工程项目来管理，靠 Google 极强的工程管理能力稳步推进。Post-training 不确定性更大，就更 bottom-up 一些，让大家更广泛地尝试。
08 Claude 3.7 是怎么炼成的
主持人：你加入 Anthropic 时，公司最重要的项目是什么？
姚顺雨：把大规模强化学习做大，用来提升 Coding 能力。这就是为什么我所在的组越来越大、越来越重要，最后大家一起训出了 Claude 3.7。
主持人：你加入时他们已经看到 Coding 能成了？
姚顺雨：是的。3.5 new 已经出现了 Coding 的迹象，Anthropic 模型在 Agentic Coding 上比其他模型更好。管理层也注意到了。我去的时候大家已经知道这事能成、也很重要，但不太清楚怎么做。我的工作就是和大家一起搞清楚怎么做。答案就是大规模强化学习。
主持人：3.7 是分水岭吗？
姚顺雨 ：是 Anthropic 后训练的分水岭。3.7 之前，后训练还是相对小规模的修修补补。很长一段时间里，没人真正懂后训练怎么 Scale up。3.7 这个节点，OpenAI、Anthropic、中国的 DeepSeek 都意识到了关键，要找到合适的环境，环境里的反馈信号要足够清晰，环境本身还得是一个强大的数据源。
主持人：你做的事具体是什么？
姚顺雨 ：主要是 Agentic Coding 相关的环境、数据准备，以及算法上让训练更高效、更稳定。但必须强调，算法上的改进肯定有，不过我没觉得自己在这件事里有多重要，我主要是运气好，在一个重要的项目里、在一个重要的时间点加入，做了一些事。
这个时代的 AI，本质上是一个不可阻挡的浪潮。你不做，别人一样能做。在这个时代里，所有对个人形象的包装，都带着炒作的嫌疑。
主持人：有什么 know-how 是其他实验室想知道的？
姚顺雨：公司不让我说。但实际上很多 know-how 也没那么有用，因为现代 AI 训练是一个庞大的系统，你必须理解整个系统才能有 holistic（整体）的理解。
举个例子：强化学习里，生成 trace（轨迹）的机器、和实际训练模型权重的机器，可能是不同的。有的是数值差异，有的是用了异步训练架构。每家公司这两者的差异程度不一样，差异大的公司，你算法的主要精力都花在怎么稳定训练上；基础设施好的公司，才能花更多精力在训练效果上。所以你问我 Anthropic 怎么做、Gemini 怎么做，我的回答反而会误导别人，因为脱离了基础设施谈算法，意义不大。
09 离开 Anthropic：Dario 的反华与文化的冲击
主持人：你为什么辞职？这件事酝酿了多久？
姚顺雨：大概一个多月。
一个相对次要但确实存在的原因：我不太认同 Dario 的反华立场。 他作为个人有什么观点我无所谓，但作为公司 CEO，把这种观点推到那么极端的程度，是一种非常情绪化的表达。
主持人：因为反华离开的人占多少比例？
姚顺雨 ：我公开场合说 40%，这个数字要打折扣，它不是主因，但确实是个不小的原因。
主持人：更主要的原因是？
姚顺雨：更广义地说，公司经历了一轮文化冲击。我从加入到离开的那三四个月，公司人数暴增，从外面来了很多人，和原来的文化产生冲突。
原来 Anthropic 的文化相对简单，像一个手工作坊，大家都是朋友，互相知道对方在做什么，没人花时间搞个人宣传这种没用的东西。所有人手头都有大量正经事要处理。但人一多，这种文化必然被冲击。确实来了一些我个人不喜欢的人（不代表他们真的差，只是我个人不喜欢），我特别不喜欢那种在 Slack 上花大量时间讲大道理的人。Idea is cheap。 很多想法大家都想得到，难的是怎么把它落地成一步步可执行的步骤。
另一个动机是我自己想学点不一样的东西。Anthropic 非常专注，你想学语言模型相关的一切它非常好；但多模态生成、基础工程基础设施，Anthropic 基本不做，你学不到。
主持人：当时你觉得 Anthropic 和 OpenAI 谁会先"变得不重要"？
姚顺雨 ：我离开时对 Anthropic 挺悲观的，觉得它可能先变得不重要。因为它的主要收入是 API、卖 token，这是个坏生意，只有一家公司能把这生意做好，就是 Google，因为最终都归结为价格战，而你没有 Google 那条完整链条。
但后来发现我过度悲观了。Anthropic 在产品上做了很多巧妙的事，Claude Code 越来越好用，Cowork 把工作和效率相关的东西串了起来。再加上 OpenAI 被 Google 揍了一拳，Anthropic 反而稳住了，目前看还略占优势。
主持人：后悔吗？
姚顺雨：不太后悔。我个人的动机是换一个地方提升自己，这个选择没错。
10 Boris 与 Claude Code：罕见的"产品英雄主义"
主持人：Anthropic 今年产品上的巧妙，尤其是 Claude Code、Cowork，是哪来的？
姚顺雨：Claude Code 我大概知道。Cowork 我离开后才出现，没见证。
Claude Code 至少在最初，是 Boris Cherny 自己想做的事，他想提升自己和同事的工作效率，最后做成了一件对所有人都重要的事。
主持人：Boris 是研究员还是产品经理？
姚顺雨 ：他是研究员，但主要做产品方向。Anthropic 后来有了独立的产品部门，但以前不是这么分的。Anthropic 的产品经理似乎真的很懂 AI，这也是为什么我开头说，AI 短期内还替代不了好的产品经理。好的产品经理知道怎么和 AI 协作。 这跟上一代靠花哨展示的产品经理完全不同。
主持人：这算不算"产品层面的个体英雄主义"？
姚顺雨：人和产品这件事上，可能确实存在一些个体英雄主义的空间。Coding 这件事甚至比做模型还多一点企业英雄主义的味道，看谁能更快地下注。
11 为什么选 Gemini 不选 OpenAI
主持人：你离开 Anthropic 时，OpenAI 也是选项吧？它当时势能比 Gemini 强。
姚顺雨 ：OpenAI 确实是我的选项之一，xAI 也是。但最后没去 OpenAI 的主要原因，是我对它当时的文化有明显顾虑。说白了就是：踏踏实实做事情的人，比 Gemini 少，也比 Anthropic 少。我很看重这一点。
主持人：为什么 Gemini 最终胜出？
姚顺雨：因为是他们来找我。他们来找我，就会让我去跟他们的人聊。聊的过程中你能感受到这个人水平怎么样。Gemini 有很多工程师，技术强到让我震惊，我从他们身上学到很多。
主持人：所以是人的因素。
姚顺雨：对。如果你想要的是研究自由和探索自由，想从更广泛的人身上学习，这个世界上很难找到比 Gemini 更强的地方。
主持人：你加入 Gemini 时，外界对它的预期高吗？
姚顺雨 ：我自己预期挺高。我觉得行业里对 Gemini 的印象，在 2.5 那一代发生了变化，能明显看出 Google 开始上道了。真正的大转折是 Gemini 3 + Nano Banana 两件事的叠加。单靠 Gemini 3 不会有那么好的效果。 Nano Banana 让大量用户下载了 Gemini app，紧接着 Gemini 3 发布，用户留下了。这两件事缺一不可。
主持人：现在 Gemini 的市场份额大概多少？
姚顺雨：我没仔细查数据，感觉在 20% 左右。
主持人：你说过"OpenAI 救了 Google 一命"？
姚顺雨 ：是的。大家一直担心 Chatbot 会彻底替代搜索，如果这事真发生 Google 会非常难受。但幸好是 OpenAI 第一个做 Chatbot，Google 意识到这事重要，但 OpenAI 没做到极致，没把搜索完全吃掉；然后 Google 自己追上了 Chatbot。如果换一个虚构世界：有一家公司既做 Chatbot 又一路高歌猛进，一口气把搜索吞了，Google 会非常难受。
主持人：Google 的产品一直被说慢。
姚顺雨 ：Google 一直慢。但 Google 真正擅长的是找到一个极简的产品形态，所有人长得都一样，然后在技术上疯狂滚动，搜索引擎就是典型。Google 一直处于"做得很好但华尔街不买账"的状态，大家总问它壁垒在哪、没有巧妙的产品设计、没有留存机制，但它就是靠技术活到了今天。
12 Chatbot 不会是终极形态，但我也答不上替代品
主持人：你不觉得现在所有人都还只用 Chatbot 跟 AI 沟通，挺蠢的吗？
姚顺雨 ：是挺蠢的。模型明明有那么多能力，用的却是 Chatbot 这种方式。但说实话，我没法给出理性的、可量化的标准来解释这件事。更多时候你只是觉得：这事就是蠢。
主持人：那应该用什么？
姚顺雨：（沉默）......我答不上来。
注：原视频录制于约两个多月前，当时 Agent 的形态还不清晰。姚顺雨反复强调 Chatbot 不会是终极形态，但也没给出答案。
主持人：国内现在大家都在争"超级 App"，硅谷为什么没人谈？
姚顺雨：因为美国的 Enterprise（企业服务）和生产力软件市场太大、利润率太高。美国在 ChatGPT 之前只有一家公司真正做 C 端（ChatGPT），而且其实也没赚到什么钱。
中国的强项恰恰是 C 端，能想出极其复杂的产品或结构，用一种你觉得很迂回、很不自然的方式让利润长出来。比如 TikTok，它不是"你看一个视频我收你两分钱"，而是免费看视频，但偷偷加广告、偷偷做直播、偷偷做电商。美国生产力软件做得很直接：成本 150 卖你 200 赚 50；中国 C 端则是你一开始看不出它怎么赚钱，等它转起来你已经插不进去了。
主持人：所以 Meta 应该直接抄字节？
姚顺雨：Meta 不如字节强，Meta 还没找到自己的位置。美国没有一家公司找到豆包那种位置。
主持人：字节被理解了吗？
姚顺雨：我觉得没有。但字节是严重被低估的公司，至少从市值看是严重被低估的。在 C 端市场，没有美国公司能和字节竞争。但它毕竟是中国公司，外界认知会受影响。
13 个体英雄主义已经过时
主持人：你反复强调"集体主义"，为什么？
姚顺雨：因为 AI 这件事本质上是简单的。除了可能存在的那种突然变化（找到某种深刻洞察）之外，后续的很多想法其实非常 trivial（微不足道），任何人都能想到、都能做。你只是运气好、抓住了机会。
对语言模型来说，个体英雄主义的时代已经结束了。那个英雄时代大约结束在 Transformer 出现的那一刻，找到能把规模做起来的那项技术，那个人或那一小群人可能是英雄。但在那之后，就是集体主义了。 问题是这一群人能不能朝一个目标一起努力、一起投入时间和精力。
主持人：那为什么 AI 研究员的身价被炒得这么高？
姚顺雨 ：一方面是大家觉得稀缺。但其实培养一个人没那么难，难的是要有机会参与重要的事，聪明但没机会也没用。另一方面，对个人的炒作有点过分了。 我个人当然受益于此，但我还是要说：这就是一个集体主义的事。
主持人：你面试人时怎么判断可靠？
姚顺雨：我有一道面试题（应该不涉及秘密）：给候选人 24 小时，从 0 到 1 完成一个强化学习项目。模型、数据、算法他自己选。24 小时后，我们一起讨论一个小时。
这个题在 AI 时代其实不难，因为 AI 能帮你把整个项目跑通。但设计上它考两件事：
第一，你能不能有效地利用 AI，现在考察"代码写得好不好"已经没用了，绝大多数人不需要自己写代码。
第二，里面有个陷阱：如果你把所有事都丢给 AI 但自己没真正理解 AI 做了什么，那一小时的讨论就会暴露你。
还有个比较"黑"的设计，为什么是 24 小时？看这个人有多看重这个机会。 能熬多久就熬多久，撑不住说明他不够看重。
主持人：年轻人现在入局 AI 还是蓝海吗？
姚顺雨 ：单纯做语言模型已经不是蓝海了，最后一班车已经开走。 我自己是赶在最后一班车之前上的车。
但 AI 是一个非常广的方向，语言模型只是其中很小一块。多模态生成、机器人，可能都还有更多机会。更夸张的，比如用 AI 辅助真正的科学问题（量子控制之类），那是更蓝的蓝海。
对年轻人来说，做当下最热的事，可能不是对的选择；做没人做过的事，可能是更好的选择。
14 半路出家：从宁夏小城到 Stanford 再到 AI
主持人：你怎么走上这条路的？
姚顺雨：我出生在宁夏一个非常小的城市，叫大武口，存在的理由是因为那里有一个煤矿。小学跟父母去了上海，初中高中都在上海。我读的初中叫上南中学东校，是一所没什么人知道、没什么人搞竞赛的学校。我读的小学叫德州二村小学（自己也快记不清名字了）。
主持人：你不是物理竞赛保送的吗？
姚顺雨：（笑）不是，前面纠正过。竞赛我只进了省队，没进国家集训队，所以没有保送。
但高中选学校时，我做了个奇怪的选择：上海有所谓"四大名校"（华二、上中、交大附、复旦附），我的分能进这四所，但进不了它们的竞赛班。我又非常想搞竞赛（因为我从没搞过），于是选了一所稍差的学校，格致中学，因为那里有竞赛班。 当时的心态用今天的话说就是 underdog，光脚的不怕穿鞋的，值得一试。
主持人：为什么执意要搞竞赛？
姚顺雨 ：两个原因。一是我觉得它真的难，比不搞竞赛的人学的东西有挑战得多，搞竞赛的人看起来很厉害，不搞的话你就是一颗平庸的石头。二是我从没搞过，所以必须找机会搞一次。 我性格就是这样，总是喜欢做自己不擅长的事。
主持人：后来怎么进的清华？
姚顺雨 ：高三前的暑假去清华夏令营，最后一天听说他们要做自主招生，但只面向北京学生。我疯狂给招生办老师发短信，质问他们为什么只给北京学生、不给上海学生机会。 他们竟然同意让我们考了。后来我和几个上海的同学一起去考，我签约了，降到一本线录取。
这件事给我最重要的人生原则：Be bold（大胆一点）。不试永远拿不到，试了也不一定拿到，但不试就一定拿不到。
主持人：考得怎么样？
姚顺雨：出来觉得考砸了，一半题没做完。后来发现别人也没做出更多。高考果然没考上清华，但因为自主招生降到一本线，除了清北之外哪都能去。
主持人：你父母什么态度？
姚顺雨 ：我父母最好的地方就是不怎么管我。他们可能在某个阶段想控制我，后来发现控制不了。大多数中国家庭，孩子愿意跟父母商量就已经算很好了。我一般是通知。"我要去参加自主招生了！"这种事，填志愿他们都没看过我的表。
主持人：所以你挺叛逆的？
姚顺雨 ：如果这事是我自己想清楚的、想做的，别拦我，我一定会全力以赴；如果我不想做，逼我也没用。好胜心挺强，但主要是跟自己较劲。 当然如果你恰好也觉得这事很重要，那我一定要做得比你好。
15 量子物理：用 5 年学到"要做有客观标准的事"
主持人：你为什么去学量子物理？
姚顺雨：当时基科班有个好传统，鼓励学生尽早进实验室、通过科研来学习。我想做理论方向（这可能也是一种病），老师推荐我去清华高等研究院（杨振宁先生创办的研究院），找到一个还很年轻的老师叫王仲，是我的本科导师。
我们一起做的是拓扑绝缘体相关方向，后来做开放量子系统。我们做的那项工作（在开放量子系统中建立非厄米系统的描述方法）后来成了那个方向比较重要的工作，它其实是一次范式转移。
主持人：非厄米系统是什么？用大白话讲一下。
姚顺雨 ：量子力学最基本的假设之一，是孤立系统的演化是幺正演化，描述它的算符叫哈密顿量，对孤立系统它是一个厄米矩阵。但现实里大多数系统不是孤立的，比如你作为一个活人，必然和外界的物质、信息有交换。研究这些跟外界有信息交换的量子系统，就是非厄米系统的来源。
我们发现一个很奇怪的现象：过去用厄米系统描述开放系统的一整套范式（Bloch 波那一套）会失效，能量本征态在非厄米系统里会聚集在系统的一侧，而不是均匀分布。我们系统性地建立了一套描述方法，后来有很多跟进工作。
主持人：为什么不继续做下去？这明明是个范式转移。
姚顺雨 ：捕捉一个范式转移是困难的，这是人性的弱点，我总是爱挑战自己，去做自己不会做的事。 回头想，那项工作如果再深耕几年，可能会让我更有名、更多引用、更好教职。但从科研生涯的角度看，不那么 exciting 了。所以博士我换了方向，去做高能理论。
主持人：博士做高能理论，你满意吗？
姚顺雨 ：博士对我来说个人成长很大，但对这个世界，几乎没有贡献。
高能理论发展到今天这个阶段，已经完全超出实验能触及的范围，无论能量尺度还是微观尺度，实验都跟不上理论。它进步的来源不是实验，而是数学自洽性。 这本身很科学。但当完全没有实验、没有客观标准时，必然会出现不止一个自洽的框架，最后谁做得好、谁做得差，其实取决于领域里老兵的主观判断。
我在这上面花了 5 年，学了很多知识，也学到了一个大教训：要做有客观评价标准的事，或者至少是能对世界产生影响的事。
主持人：博士后不是去 Berkeley 了吗？为什么两周就辞了？
姚顺雨 ：其实正式入职只待了两周。入职前我就在 Bay Area，提前过去转了转。我跟 Berkeley 的老师说，我可能要去做 AI 了，也许不该入职。但 Berkeley 的人特别好，"没关系，先入职，想清楚再说，能待多久待多久。" Bay Area 两所学校的老师都很照顾人。
主持人：物理对你的 AI 工作有帮助吗？
姚顺雨 ：硬实力上其实帮助不大，物理转 AI 的人其实非常少。但性格上有帮助，物理学家可能更倾向于刨根问底，想更系统地理解一件事。不过这个特质不是物理学家独有的，做化学的、生物的、计算机的很多人都有。
值得注意的是，大语言模型领域，特别是 Anthropic，确实有很多物理背景的人，而且做得很成功。 原因主要是"人脉"，Anthropic 创始团队里有两三位技术领袖是物理背景，他们招的人也带物理背景。但在我之后，他们基本就不再招没有 AI 背景的人了。这也是时代的产物。
16 AI 不是黑箱，Scaling Law 是科学规律
主持人：很多人说 AI 是黑箱，你怎么从科学视角理解它？
姚顺雨：这世界上一切都是黑箱。连物理这种大家觉得好理解的事，从微观行为一路演化到宏观理解，本质上也是黑箱，量子力学、量子场论描述的都是可被标记的行为，但系统最微观的动力学，你还是不知道。
AI 也是一样。我们确实不理解语言模型，我们到不了"这个行为是由哪个神经元激活导致"的神经外科级别理解（除非像 Anthropic 的 Interpretability 团队，在非常稀疏的小网络里做一些工作）。但这不意味着我们完全不理解。 Scaling Law 就是一条描述尺度规律的法则：模型大小、数据量上去，perplexity 这个指标就变好。
你要是说我们一点都不理解 Scaling Law，那是不是也得说我们一点都不理解这个世界？这个世界也是个完全的黑箱？
主持人：Scaling Law 是科学规律还是经验规律？
姚顺雨：经验规律和科学规律的边界其实很模糊。回头看热力学的各种定律，第一定律、第二定律、克拉佩龙方程，被发现那年都是经验规律。只是随着时间推移，我们逐渐理解了它的微观机制，它就成了科学定律。
Scaling Law 现在是经验规律，但随着技术固定下来、人们越来越理解微观过程，它有可能变成科学定律。
主持人：所谓"智能涌现"是科学现象吗？
姚顺雨：这个说法本身就不太科学，所以没法科学地解释。对我来说，"智能涌现"更多是一种主观感受，而不是客观现象。
很多人说"智能涌现"，是想说以前的语言模型只能做单一方向的事（翻译、分析），现在好像什么都能做。但我觉得这更多是技术涌现，而不是行为涌现，是我们研究出了"如何进行大规模训练，从而在所有能力上横向提升"。这才是更根本的事。
主持人：你说过"AI 本质上简单"，怎么理解？
姚顺雨 ：这是我的一个说法，可能对也可能错。我的意思是：AI 的"简单"在于，它不像物理那样被"可标记的实验数据"束缚，物理你不懂可标记的理论，就寸步难行；但 AI 不然，你不理解也能往前走。现在我能想到的任何实验，只要花点时间加算力、准备基础设施，都能做，没有根本性的困难。
所以我说 AI 撞墙的感觉很渺小，首先你能试的东西太多了，其次现在不是大家没想法，而是想法太多，得一个个试。
17 AI 自己做实验：6-12 个月内会发生
主持人：AI 会自己做实验吗？
姚顺雨：AI 提升自己、加速自己的发展，这件事其实已经发生了，就像我们开头讨论的，它已经在帮我们做实验、加速我们的尝试。
但接下来的 6 到 12 个月 ，会发生一件它还做不到的事：它能不能从头到尾完成一个完整的 AI 研究项目。 不只是写代码，还能跑实验、看结果、分析结果、知道哪里做错了、提出新假设、设计新代码、跑新实验，这一整条链路目前还不完整，但接下来会逐渐补全。
主持人：你在 Gemini 主要做什么？
姚顺雨 ：两件事，ML Coding 和 Long Horizon（长周期任务）。
ML Coding 就是让 AI 完成训练自己这一整套流程，有很多实际细节要解决（数据选择、反馈信号选择、新的基础设施挑战）。
Long Horizon 是那个口号，"用有限上下文训练，但当成无限上下文来用"。 人的上下文其实也很短（你问我昨晚吃了什么，我完全记不起来，因为它对当前不重要，所以我选择遗忘），但人能选择性地遗忘、再选择性地检索相关信息。我希望模型也能这样。
这两个方向其实是互补的：一个在横向上扩展场景（agentic coding 横向能长出各种用法），一个在纵向上把任务时间拉长（做完整的 AI 研究比代码补全长得多）。 合起来是一个 T 字形。
主持人：Long Horizon 有解吗？
姚顺雨：从 Pre-training 角度有方案（比如 sparse attention，DeepSeek 和学术界都有工作）；从 Post-training 角度也有方案（比如 Cursor 那种强大的上下文管理，让模型自己判断哪段不重要扔掉、重要的存进文件回头再取）。我个人的时间会更多花在 Post-training 路线，因为它更符合我"用短训练长"的理念。Pre-training 方案本质上还是需要长上下文数据来训练。
18 大模型领域没有秘密，但每家都有自己的小算盘
主持人：你们最近发布的 Gemini 3 Deep Think、Gemini 3.1 Pro，你参与了，你做了什么？
姚顺雨 ：只能说有幸参与。还是那句话，全是集体工作。 每次看到媒体把我单独拎出来写，我都不知道第二天去办公室怎么面对同事。任何我参与的项目，没有我一样会发生，效果差不多，甚至可能更好。
主持人：最近模型发得有点麻木了，国内外一堆，能划重点吗？
姚顺雨 ：老实说，没什么特别值得划的。现在这个时代，已经没那么重要了。 大家还在每个 benchmark 上争第一，证明自己模型基本功强，但这事其实已经到了头，公开的 benchmark 基本都被刷满了。
SWE-bench 大家轻松到 80% 以上，幸好没人超过 83（OpenAI 最近发了一个超过 83 的，但有些题本身定义就有问题）。以前推理比 AIME，再比 IMO；IMO 比完比什么？现在变成 FrontierMath（原话里说的 RKGI），Gemini 3 之前大家以为 10 分就到顶了，"难于上青天"；Gemini 3 直接干到 30 多分，Claude 4.5/4.6 干到 60 多，Gemini 3 Deep Think 跳到 80 多，这个也快满了。
靠公开 benchmark 证明模型能力，已经没什么意义了。 大家发得快，反而说明大家都掌握了 know-how，已经没秘密了。
主持人：下一个范式转移会是什么？
姚顺雨：ML Coding 和 Long Horizon 我觉得不算范式转移，但对 Google 极有价值，Google 本身就是最大的 AI 研究平台（从硬件到模型一整套），如果能加速这一整套，对公司价值巨大。
范式级别的，我觉得还在那些更不确定的方向上，多模态生成、世界模型。多模态生成可能会出一个英雄，或一个英雄群体。
19 Neo Labs 大多会死，TPU 和 GPU 各有千秋
主持人：硅谷最近一堆 Neo Labs，你怎么看？
姚顺雨 ：绝大多数 Neo Labs 会死。 可能有一些人确实不错，比如 Thinking Machines 还在交付新东西；但有些 Neo Labs（请消音），我完全不知道他们在做什么，那两位离开这个专业也很久了。
主持人：你怎么看 Google 的 TPU？
姚顺雨 ：纯硬件角度很难说谁好谁坏，尤其在大规模商业场景下。GPU 和 TPU 最大的区别（抛开硬件差异）是：GPU 有相对好的开源生态，TPU 没有。 但这在大规模自用时不是问题，Google 自己用 TPU，自然会花时间建基础设施；你只跑 1000 张卡可能是巨大负担，跑几十万张卡的集群，建点基础设施就不算事了。
设计哲学上两者相反：GPU（比如 Hopper 这一代）一个 Pod 里卡不多（比如 8 张），靠 NVLink 互联非常快，Pod 内几乎没有通信瓶颈；TPU 反过来，放弃卡间高速互联，但尽量在一个大机架里塞尽可能多的卡，用 3D Torus 拓扑，每张卡只连三个方向的最近邻居，但整个集群连成一个大环。如果你的编译器或分片逻辑写得足够好，等价上能获得更多存储空间，也减少很多通信 bound。
TPU 的缺点是它比 GPU 结构更固定，易用性和通用性不如 GPU。
20 关于"老邓"和表达方式
主持人：你有 AI 行业的偶像吗？
姚顺雨 ：没有。我进这个行业时，个体英雄主义的时代已经结束了，所以没有英雄。 有时候你甚至觉得旧时代的英雄有点蠢。（具体谁就不说了。）
做物理的时候还有，我博士的年轻导师 Douglas Stanford，我觉得他比我聪明得多。看到他我才知道，自己也没那么需要他们。
主持人：谁比较蠢？
姚顺雨 ：（笑）这个不谈了。XXX 一直挺蠢的，而且是一致的蠢。 用 Pauli 的话说，他连错都算不上（not even wrong），因为定义不清楚，很难说他说的对还是错。万一哪天真的出现新范式，他可以跳出来说"我当年就说过"；但你会发现，换一个范式状态，他也能说同样的话。我最讨厌这种模糊。模糊的话是没有意义的。
主持人：人老了都会变成"老邓"吗？
姚顺雨 ：不一定。人老了会进入两种状态：一种是德高望重，不爱指手画脚，愿意花力气培养年轻人；另一种就是"老登"，连自己都不懂，还爱指手画脚。 我确实见过不少老邓。随着年龄增长、判断力变强，那些蠢的人会显得更蠢。我对愚蠢有恐惧症。
主持人：你最近说话变得很直接，是为什么？
姚顺雨 ：以前挺收敛的，但后来发现收敛对自己不好，对别人也不好。直接表达自己的想法最关键。短期一定会有人讨厌你，但长期大家会感激。 而且这个领域足够客观，只要你观点自洽、有自己的理论，不去侮辱人，人们其实会尊重你。最终你的表现有客观评价标准。
主持人：你崇拜的物理学家？
姚顺雨：物理学史上真正强的不少。100 年前的爱因斯坦、海森堡这些不谈；杨振宁这些也不谈。我做拓扑系统时，Haldane（2016 年诺奖得主）那种人，他有不同寻常的预见力，在自己时代里显得格格不入。几十年前他就能感觉到某件事重要，然后一个人坚持往前推，这非常难。
AI 领域类似的人可能是 Geoffrey Hinton，在所有人觉得这件事可有可无、不确定的时候，他一直坚持这个方向。这可能是英雄级别的人物。之后呢？之后可能有英雄群体，比如 Transformer 的那几位作者（Noam、Ashish、Niki 他们）。
21 给年轻人的几句话，以及一本书
主持人：你大概不会跳到大厂了，未来怎么发展？
姚顺雨 ：大概不会。我会继续挑战自己、折磨自己。 得先找到一件值得折磨自己的事。AI 这件事并不难，但从完全不懂细节到逐渐懂细节、懂它是怎么运作的，仍然需要时间和精力。
主持人：你最高的优先级是什么？
姚顺雨：ML Coding 和 Long Horizon，至少把其中一个推进到相对稳定的状态。
主持人：推荐一本书？
姚顺雨 ：这是今天最难的问题。你们高估我的文化水平了，我其实不太爱读书。最近在读的是汤川秀树（1949 年诺贝尔物理学奖得主）的自传《旅人》。 能看到一个后来非常成功的科学家，年轻时也有挣扎感，非常真实。
小说的话我喜欢《来自新世界》（日本小说）。如果要推荐轻松读物，可以推荐这个。
主持人：最近看了什么电影、玩了什么游戏？
姚顺雨：什么都没有。
主持人：全世界最喜欢的食物？最喜欢的地方？
姚顺雨：寿司。地点现在选的话可能是夏威夷，因为我喜欢海，但以后去了更多海边地方可能会改。
主持人：最后一个冷知识。
姚顺雨 ：别信老登。