AI实话实说

传说巴别塔倒塌之后，人类开始说不同的语言，从此再也无法轻易理解彼此。 千年后，我们造出了精通所有语言的 AI，她能写诗、编程、聊天、抚慰陌生人的心灵。但一个诡异的问题随之出现——当机器学会了语言，是否意味着她理解了我们的世界呢？ LLM出生于文字，她读过无数次的“猫”，却没有摸过任何一只猫; 她知道什么叫“前后左右”，却从未真正站在房间内转过身；她可以描述悲伤，却从未真正体验过失去。 这正是Grounding（符号接地）所追问的问题：语言的意义，究竟来自语言内部，还是必须最终落回到真实世界？ 本期《AI实话实说》，我们和 Freda Shi 教授从语言学聊到认知科学，从维特根斯坦聊到AI写诗，Freda本人也像这个问题的映射：做着精确的符号研究，却深爱历史诗歌和那些无法完全形式化的东西。 也许通向 AGI 的最后那一步，不是让AI再读万亿 token，而是让语言——终于落到地上。 欢迎关注同名小红书“AI实话实说”，加入群组和嘉宾、主持人互动！ 嘉宾介绍 Freda Shi（石昊悦），滑铁卢大学计算机科学教授，Vector Institute Faculty Member，并担任 Canada CIFAR AI Chair。研究方向横跨自然语言处理、计算语言学、Grounding、多模态模型、模型认知与程序语言。 她于 2024 年加入滑铁卢大学，此前在 Toyota Technological Institute at Chicago 获得计算机科学博士学位，她本科就读于北京大学 EECS，后进入自然语言处理与计算语言学研究领域，曾在 Google DeepMind、Meta 等机构从事研究。 Freda 是一个很难用单一学科装下的研究者。她做 NLP，也读语言学；写代码，也爱历史、文学和维特根斯坦。她尤其关注那些主流 benchmark 不容易照到的角落。 相关术语 Grounding / 符号接地 把语言中的符号与意义、感知或外部世界建立联系。模型是否真正尊重语言背后的 semantics，而不只是统计上生成了合理的文本。 Symbol Grounding Problem / 符号接地问题 认知科学和人工智能中的经典问题：如果一个系统中的符号只是通过其他符号来定义，那么这些符号最终如何获得真实意义？这一问题通常被追溯至 Stevan Harnad 对符号系统意义来源的讨论。 Stochastic Parrot / 随机鹦鹉 Emily Bender 等人提出的著名比喻：语言模型可能非常擅长复现语言形式，却并不真正理解这些语言对应的意义。 Inductive Bias / 归纳偏置 学习系统在看到数据之前就具有的结构性假设。例如卷积神经网络偏向利用局部空间结构，而循环神经网络偏向顺序处理信息。归纳偏置可以提高样本效率，但也可能限制模型能够学习到的模式。 Bitter Lesson Rich Sutton 提出的机器学习观点：长期来看，依赖大规模计算和通用学习机制的方法，往往会超过高度依赖人工设计知识和领域先验的方法。它常被用于解释深度学习和大规模模型的发展路径。 Emergence / 涌现 指模型在规模扩大后表现出的、在较小模型中不明显的新能力。研究界对于部分“涌现”现象是否真正是突然发生，还是由评价指标离散化造成的表象，仍存在持续讨论。 Mechanistic Interpretability 试图从模型内部结构出发，解释神经网络如何实现某种计算或行为。研究对象通常包括神经元、注意力头、特征表示、计算回路以及不同层之间的信息流。 Sparse Autoencoder（SAE）/ 稀疏自编码器 一种用于分析神经网络内部表示的方法，通过将密集的 activation 分解成较稀疏的特征，希望获得更容易分析和命名的内部表示。近年来被广泛应用于大语言模型可解释性研究。 Actionable Interpretability 一种更务实的可解释性观点：解释模型不是为了“看起来解释了”，而是要能帮助 improve the model、better understand the model，或者更安全地与模型互动。 快速跳转 02:58 Freda 还是昊悦？一个英文名字如何变成另一种语言里的身份 05:12 兴趣与天赋并不匹配：爱文学和历史，为什么最后还是选择了计算机？ 14:37 从维特根斯坦到 NLP：为什么语言最终成为她研究世界的入口？ 20:28 当 AI 让所有人说同一种“语言”，人类会不会失去认知的多样性？ 29:02 什么是 Grounding？为什么一个会说话的模型，不等于一个理解意义的模型？ 36:05 Grounding 是手段还是目的？如果机器人不知道自己在做什么，我们敢让它进入现实世界吗？ 45:50 从 Coding 到 Grounding：为什么代码验证与外部世界反馈必须同时存在？ 56:58 Scaling 能解决 Grounding 吗？能力是突然涌现，还是一点点长出来的？ 1:00:02 有意思，还是有意义？一个研究者到底该追求什么？ 1:07:27 能不能像研究人脑一样研究 LLM？Behavioral Science 与 Mechanistic Interpretability 的边界 1:17:58 如何带学生：研究品味、自由，以及“有意思”和“有意义”的双向选择 1:20:10 AI 会写诗吗？艺术究竟发生在创作者手里，还是发生在读者心里？ 1:29:34 AI Slop、论文评价体系与 Reward Hacking：学术发表体系还能撑多久？ 1:36:02 未来三年的一个判断：论文发表体系会崩，具身智能会继续向前

2010年那会儿，付杰在人人网上第一次听说“深度学习”。第二年他投了一篇用深度学习做图像匹配的论文，被拒了，审稿人说这东西“太经验主义”。他没纠结，转头就去做 kernel machine。两年后，ImageNet 比赛里，AlexNet 杀出来，深度学习的这十年，就这么开了头。 到了2020年，朋友拉他一起搞语言模型，他想了很久，还是决定继续留在 Mila 做博后。同一年，GPT3 发布，大语言模型从此一路狂飙。 说起来，两次都站在风口边上，两次都没进去。付杰后来也承认，心里一直有个念头，就是想证明“我比大家更早看到”，只是当时没有懂得如何利用好工业界scaling的优势。所以现在，他戒糖、断食，想方设法“延缓衰老”，想把错过的时间，在下一个路口抢回来。他觉得目前对于safe AI来说，梯度下降最陡的一个方向是如何让“验证”变得便宜且可靠。 这次聊天里，他特别想聊清楚一个事：measure 和 verify，看着差不多，其实是两码事。他也慢慢放下了“什么东西都得形式化”的执念。至于机制可解释性到底能不能兑现当初那些承诺，他还在摸索。说到底，这就是一个AI研究者跟自己较劲、跟时间赛跑的十五年。 欢迎关注同名小红书“AI实话实说”，加入群组和嘉宾、主持人互动！ 相关术语 Verification：验证。判断一个系统的结果是否真正满足人类的目标、约束和安全要求，而不只是某个分数是否更高。 Verification Cost：验证成本。确认结果正确、安全和符合真实意图所需要的时间、算力、实验与人力成本。 Formal Verification：形式化验证。把要求写成严格的形式语言，再通过程序或证明系统验证软件、算法或行为是否满足这些要求。 Autoformalization：自动形式化。将自然语言中的问题、规则和需求自动转换成 Lean、Dafny 等形式语言中的严格命题。 Verifier：验证器。检查 AI 的答案、计划或行为是否满足规范的系统。在理想情况下，它需要与被监督的 AI 同样强，甚至更强。 Mechanistic Interpretability：机制可解释性。研究模型内部的神经元、回路与状态如何产生具体能力和行为。 Swiss Cheese Model：瑞士奶酪模型。任何单一安全机制都有漏洞，因此需要多层防御，让不同层的漏洞尽量不在同一位置重合。 Recursive Self-improvement：递归式自我改进。AI 参与改进自身或下一代 AI 的过程。其关键瓶颈之一，是能否获得持续、可靠且低成本的验证信号。 快速跳转 02:02 IQuest 付杰登场：轻断食、延缓衰老，以及为什么每天都在怀疑自己 04:21 前沿研究为什么越来越难获得反馈？ Verification 的稀缺 10:51 Verifier、World Model 与 Safety Specification 如何共同构成安全防线？ 17:21 “AI also means 爱”：如果无法控制更强的 AI，人类能否让它学会爱与共情？ 21:42 Verification 一定比 Generation 容易吗？计算复杂度与不可约性 28:40 穿越四次 AI 浪潮：为什么他一次次提前看到，又一次次错过？ 35:20 从“证明我看得早”到 “Scaling What Works”：对过去研究路径的反思 40:05 降低 Verification Cost：为什么安全既是防御工具，也可能加速 AI 进化？ 46:03 从机制可解释性到形式化验证：如何让黑盒模型变得更透明、更可靠？ 1:06:58 形式化验证与自动形式化：如何把自然语言问题放进一个每一步都可检查的形式世界？ 1:18:35 从软件到 Agent，再到 AI for Science：哪些行为能够被验证，如何防止模型钻规则的漏洞？ 1:30:35 理想的验证系统、AI 取代焦虑与最后的结论：Verification is the GOAT

江湖传言，南京大学蒋炎岩老师，要在人生巅峰“金盆洗手”。 蒋老师江湖诨号“绿导师”，是南大操作系统课的掌门人，软工圈的奇人，知乎、小红书和B站常驻的“锐评宗师”。讲课有名、出题有名、骂人更有名。之前一篇《给天命人的劝退信》，劝得无数准备读博的“天命人”站在山门前开始怀疑人生。 这一次，绿导师来到《AI 实话实说》，不是讲课，不是说论文，而是预言一整个 AI 时代的江湖浩劫。 在他眼里，AI 带来的不只是“程序员失业”或“论文被替代”，而是整个人类智力活动被推上审判台。翻译、编程、科研、大学和导师制度，都将被重新改写。但绿导师谈“末日”的态度，不是悲凉，而是看破红尘的快意。那也许不是末日，而是一种“恩赐的解脱”：博士生不必再痛苦挣扎，老师也不必再被论文、经费和职称反复消耗。 他究竟是金盆洗手、退出软工江湖的“风清扬”，还是不忘初心、对抗科研体制的“真大圣”？ 这一期，绿导师开坛讲法。 欢迎关注节目同名小红书“AI 实话实说”加入群组参与互动。 本节目音频版在小宇宙、Apple Podcast 同步更新，视频版在 bilibili 不定期更新。 嘉宾介绍： 蒋炎岩，南京大学博士生导师，曾在 SOSP、ASE、EuroSys、ICSE 等操作系统和软件工程的顶会斩获 best paper。 他在南大开发的操作系统课程广受好评，在 bilibili 观看量超过五百万，并在学生投票中被评为“我最喜爱的老师”。 他在网上行走的名号是 “绿导师原谅你了”。他讲操作系统，讲软件工程，也讲他对于考研、论文、经费、职称的锐评，出言如剑，专拆学术江湖里的 reward hacking。 相关术语： 绿导师：蒋炎岩老师的网络称号。既是教学江湖里的招牌，也是他直言不讳、锋芒外露的互联网人格。 Test-time Scaling：测试时扩展。指模型在推理阶段通过更多时间、更多计算、更多搜索和更长任务执行，获得更强能力。 Small Explanation Hypothesis：许多复杂研究问题背后，可能都有一段相对简短的解释；如果能生成、枚举、筛选和验证这些解释，就可能让 AI 自动推进科研。 Auto Research：自动化科研。让 AI 不只是执行人类提出的问题，而是自己生成问题、验证问题、产生新的知识。 Reward Hacking：奖励黑客。人或 AI 钻评价体系的漏洞，追求指标、论文、分数、奖项，而不是追求真正有价值的能力和贡献。 独立 PI：脱离原有团队组织结构，以相对独立的方式带学生、上课和做研究，减少大型项目、申请书、验收等组织性 overhead。 古法编程：不依赖 AI、不依赖大模型，靠手册、肌肉记忆和命令行细节完成编程任务的旧式方式。 本期节目参考的绿导师文集： 《读博那些事儿》，知乎专栏，2019 年 9 月。 《给各位天命人的劝退信》，个人主页，2024 年 9 月。 《副教授实名举报计算机专业学生编程水平不如小学生》，知乎专栏，2025 年 5 月。 《绿导师是怎样戴帽的：学术跃进运动的来龙去脉》，知乎专栏，2025 年 12 月。 《一个软工人的辩白》，China Sys 讲座（b站视频），2025 年 12 月。 《Agentic AI 时代的操作系统课：绪论》，b 站课程视频，2026 年 3 月。 《我决定要在人生巅峰退休了》，小红书 “绿导师戴帽子了”，2026 年 3 月 21 日。 登三篇：《大学今天💊了吗》《老登牛逼》《为什么要攻击老登》，小红书 “绿导师戴帽子了”，2026 年 6 月。 00:03:35 绿导师要退休了吗？ 00:04:08 AI 末劫将至，大学教育、科研论文和导师制度是否都成徒劳？ 00:05:55 AI 末日给学生和老师带来的是“一种解脱”？ 00:07:59 test-time scaling 和 small explanation hypothesis，通向 AGI 的秘径？ 00:14:03 绿导师退出了软工圈，软工圈也退出了软工 00:16:06 论文、经费、职称，如何把老师和学生都逼成 reward hacker 00:23:32 面对旧时代的评价体系，绿导师选择掀桌子不玩了 00:29:23 学生选拔崩坏：为什么考研复试学生的编程能力，可能不如小学生？ 00:51:54 《劝退信》之后，绿导师想要什么样的学生？ 01:11:50 绿导师不再教《操作系统》，下一门课是什么？ 01:31:36 《老登三篇》和审稿江湖：学术会议里到底有多少论文是在包装 contribution？ 01:46:16 一路在“退”：退休、退圈、退所、退委员会、退考研出题，是失望，还是以退为进？ 01:53:19 未来三到五年最值得关注的事：真正的 auto research 能不能发生？

本期嘉宾忙秋阳在过去的一年经历了三个大的转变：从相信人类智慧无法战胜的算法竞赛世界级选手，到坦然接受 AI 在算法上超越了他；从利用算法研究计算的自动化，到利用 AI 研究算法研究的自动化；从小而美的小组科研，到大成本、大规模的大团队作战。 他行为的变化背后是认知的转变：过去，人类自己提出问题，也自己解决问题，自己设计算法，处理数据，设计实验。而现在，AI 面对人类提出的问题，正在自动化解决问题这件事本身。 秋阳带领团队发表的 FrontierCS，就是一个测试 AI 面对开放性问题解决能力的数据集，Frontier 的意思是边界，他想要探索 AI 代替人类科研的边界在哪里，随着 AI 和人类分工边界的移动，人类在科研探索中还要扮演什么角色？ 本期 AI 实话实说，我们和秋阳聊了算法竞赛、Frontier CS、开放式科研、合成数据、AI for Science，以及一个更大的问题：如果 AI 真的可以做科研，那么博士生、PI、论文、实验室这些概念还是否存在？整个学术评价体系会变成什么样？ 欢迎关注节目同名小红书“AI 实话实说”加入群组参与互动。 嘉宾介绍： 忙秋阳是 UC Berkeley PhD 和 Sky Computing Lab 的成员。目前主要研究 long-horizon agent、auto research、AI benchmark 和开放式科研任务。此前研究方向包括软件工程、数据库系统、复杂系统漏洞检测和查询优化。他曾参加信息学竞赛和 ICPC，并进入 ICPC 世界总决赛。近期代表工作包括 Frontier CS 和 FrontierSmith，关注 AI 如何解决没有标准答案、但可以被验证和优化的开放式计算机科学问题。 相关术语： FOMO：Fear Of Missing Out 错失性恐惧心理 Long-horizon Agent：长程 Agent，指需要跨越多个步骤、多个 context window，甚至长时间运行才能完成任务的 AI 系统。 Auto Research：自动化科研，让 AI 不只是回答已有问题，而是参与提出方案、优化实验、探索开放式问题。 FrontierCS：一个面向计算机科学开放式问题的 benchmark，关注 AI 是否能在没有标准答案的问题上超过人类 reference。 FrontierSmith：围绕 Frontier CS 进一步生成开放式任务和训练数据的方法，试图让 AI 合成可用于训练和评估的高质量问题。 Open-ended Problem：开放式问题，没有唯一标准答案，但可以通过某种 verifier 或评分函数判断结果好坏。 Reward Hacking：奖励作弊。AI 不是解决真实问题，而是钻评价系统或测试环境的漏洞，拿到高分。 Test-time Scaling：测试时扩展。指给 AI 更多时间、更多 token、更多尝试次数，看它能否通过长期搜索和迭代获得更好结果。 Synthetic Data：合成数据。由 AI 或程序生成的数据，可用于预训练、后训练、评估或构造任务。 快速跳转： 00:05:16 嘉宾竞赛经历 00:06:18 算法竞赛选手的尊严受到了 AI 的巨大冲击 00:10:31 参加算法竞赛的高中生已经有潜力发表 EMNLP 和 SIGMOD best paper 00:12:01 为什么研究方向从数据库/软件工程转向 AI？ 00:15:20 AI 自动化科研之后，人的位置在哪？ 00:19:14 人和 AI 如何分工？ 00:24:15 FrontierCS 看的是什么能力？ 00:28:16 FrontierCS 题目举例，AI 超过人类了吗？ 00:36:22 不同时候人们对 benchmark 的期待 00:42:16 AI + X 在解决不存在的问题，优化不存在的成本? 00:49:20 工业界做 benchmark 的情况下，学术界做的还有意义吗？ 00:55:47 你说 Terminal Bench 是学术界的优秀 benchmark，可怎么它的作者都跑去 anthropic 了？ 00:57:19 做 benchmark 是被人鄙视的，不是做真科学真研究，我们做方法的人才是坠牛的？ 01:01:48 合成数据竟然比人类标注质量还要高？ 01:08:09 所有数据都是 AI 生成的，AI 还能继续进步吗？ 01:12:00 学术界做合成数据有意义吗？工业界不会做得更好吗？ 01:18:07 FrontierCS 里的题目有现实意义吗？ 01:26:18 如何避免 reward hacking？存在一般的办法吗？ 01:29:25 FrontierCS 花了多少钱？谁来出？ 01:32:10 大团队是做 AI 科研的必要条件吗？ 01:34:50 大团队提供的是更多的资源，是什么资源？ 01:35:46 大团队科研如何判断贡献大小？ 01:42:00 AI 来了，教授还要招博士生吗？ 01:43:07 SkyLab 为什么成功？ 01:46:43 社区贡献，而非论文发表，正在成为 AI 博士毕业的新标准？