AI智识录 - 节目列表

2026年6月12日，在智源大会上，中国工程院院士、阿里云创始人王坚与智源研究院理事长黄铁军以"总有人比时代早十年"为主题展开深度对谈，以下为精华观点提炼。 关于"超前预见"的本质，王坚给出了极具颠覆性的回答：比时代早十年，关键并不在于"先想到"，而在于"敢讲出来、敢做下去、敢在看不到希望时多走一步"。他以心理学背景的独特视角，提出思考AI必须跳出"人工智能"这四个字设下的框架，回归到动物智能、人类智能、机器智能的三分法中去——"狗的鼻子比人灵敏得多，但我们从不觉得受威胁"，因此他坚定不相信AI会替代人类。 黄铁军回顾了智源研究院的"火箭时刻"：2018年成立，2020年集上百人之力攻关大模型，在当时是不亚于"火箭发射"的决策。王坚补充道，今天训练一轮大模型的成本（电费加算力）已与一枚火箭造价相当——"结果不好，就相当于炸了一枚火箭"，这意味着AI研究已进入一个与过去学术科研截然不同的高风险时代。 关于中国AI的全球叙事，王坚提出了"同一片大海"论：六七年前他担心中国看到的是"游泳池"而美国看到的是"大海"——远看都是蓝的，走近才知不是同一片天地。而今天，"至少中国和美国看到的是同一片大海了"，基础研究是全世界的，差距只是技术性的远近问题。 对年轻研究者，两位嘉宾都传达了强烈的乐观信号。王坚引用航空史类比——飞机飞起来30多年后，MIT才成立航空系。今天AI所处的阶段，甚至远未到成立真正意义"人工智能系"的时候，正处"混沌期"。他半开玩笑地断言："不提出自己的智能问题，就是你的过错。" AI推动科学革命的范式转变是对话的重要亮点。王坚指出，AI正从"把科学论文当文本去读"进阶到"理解真正意义上的科学数据"。AlphaFold没有收集新数据，靠的是重新理解沉淀数据——正如当年伽利略也从未亲自收集数据。他的核心判断是："所有科学数据都会因AI的出现被重新理解一遍。" 面对AI的"解释性危机"和风险问题，两位嘉宾高度一致。王坚提醒，"幻觉（hallucination）"这个词本来就是形容人的，人类的幻觉可能比AI更严重。黄铁军认为"控制"和"确保"这些词并不现实，关键在共存——他比喻人机关系如同父母与孩子："会有冲突，但不可分离。"王坚则补充，人类首先是大自然的孩子，不能太傲慢，并提出了一个极具现实感的命题：当token成本降到像一张纸一支笔一样不值钱时，人类才算真正被解放出来。这个朴素的终局判断，或许比任何宏大叙事都更接近AI普惠的本质。

近期，谷歌云 AI 总监 Addy Osmani 提出"循环工程"（Loop Engineering）概念，引发AI圈的广泛关注。 传统的提示词工程要求用户精雕细琢指令来驱动 AI，而循环工程的核心主张是：人类不再直接编写提示词，转而设计一套能够自我运转的循环系统。系统自动分解任务、隔离工作环境、调用外部工具，并由独立的校验智能体交叉验证结果，形成"目标设定—自动执行—自我纠偏"的闭环。OpenClaw 作者 Peter Steinberger 与 Anthropic Claude Code的 Boris Cherny 等业界核心人物均已公开表示，自身工作重心已从写提示词转向设计循环流程。 从结构上看，循环工程由五大组件支撑：自动化负责定时触发与任务分拣；工作树确保并行作业互不干扰；技能沉淀可复用的知识与经验；插件与连接器赋予 AI 操作真实世界工具的能力；子智能体则实现"制造者—校验者"的角色分离。此外，外部化记忆机制贯穿始终，解决大模型上下文遗忘的固有问题。 然而 Osmani 也明确指出三大不可让渡的风险：最终验证责任始终归于人类；高速自动化将导致"理解债务"累积，使人逐渐丧失对系统底层的认知；更危险的是"认知缴械"——用户若长期被动接受输出，可能彻底放弃独立判断。 循环工程真正改变的是人与 AI 协作的杠杆支点：它放大了产出效率，却对使用者的工程素养与认知警觉提出了更高要求。这不是让工作变简单，而是让工作变深刻。

刚刚进行的腾讯云AI产业应用大会上，腾讯高级执行副总裁（CSIG CEO）汤道生与姚顺雨（腾讯首席AI科学家、ReAct架构提出者）进行了一场深度对谈。核心探讨了腾讯在AI时代的破局思路、大模型演进方向以及产品组织的变革： 1. 重新定义“AI下半场”的核心壁垒 姚顺雨指出，大模型现在已成为通用的“万能锤子”，所以核心矛盾不再是单纯找寻技术方法，而是寻找值得解决的真实通用问题。随着模型能力普适化，企业未来的竞争壁垒将不再是模型本身，而是对原始输入数据、真实用户行为以及独家上下文（Context）的掌握。 2. 推崇“模型与产品协同”与务实评测 腾讯反对盲目迎合行业的“刷榜”风气，主张建立基于真实业务场景和反馈的评测体系。通过内部“元宝”、ima等产品矩阵的协同作战，让做预训练的最强骨干下沉去帮产品做后训练，建立模型与应用的双向互信，利用矩阵优势实现数据的泛化与反哺。 3. 关注代码智能体与高性价比中小模型 腾讯下一代模型（Hy3 Preview）的演进并不迷信大模型的算法“秘密”，而是聚焦重构基础设施和评测体系。重点将攻坚具备图灵完备性的代码智能体（Agent）。此外，腾讯认为在中国市场，打造鲁棒性强的高性价比中小模型，其商业变现价值远大于耗费巨大成本只为提升一两个百分点的极限跑分性能。 4. 产品形态与组织的重构 技术变革同样要求组织升级。产品从“预设菜单”转变为“开放式交互”后，开发团队也需要向“极其扁平（3-5人小分队）”和“高度容错”转型。工程师的精力将被AI从敲代码中解放，转而聚焦架构设计与测试对齐。 最后，面对外界对“腾讯AI慢了”的质疑，汤道生回应称，AI是一场没有尽头的马拉松，腾讯丰富的产品业态和真实场景，将在长跑中提供巨大的底气。对话同期官方也发布了“腾讯效率智能体工具集”，旨在将大模型更深地融入进微信、企微等真实工作流。

如果你最近关注 AI 圈，一定会频繁听到“世界模型（World Model）”这个词。从颠覆认知的视频生成，到具备复杂推理的大语言模型，再到在实验室里做各种家务的具身智能机器人，几乎所有前沿项目都在宣称自己在构建“世界模型”。 然而，当一个概念包揽了所有最酷的标签时，它也就开始失去本意。把一个画面超逼真但经常放火烧水、公然违背物理常识的视频生成模型，与一个严谨计算力学分布的仿真物理引擎混为一谈，只会模糊掉技术本来的边界和演进路径。世界模型究竟该如何定义？它又将走向何方？ 在行业最需要厘清迷雾的时刻，World Labs 联合创始人李飞飞老师在 X上发布了一篇重磅长文。她回归到最经典的强化学习交互循环，为我们带来了清晰、具洞察性的解构路线。 在李飞飞的宏大视野中，世界模型是由追求视觉保真度的“渲染器”、驱动决策和行动的“规划器”，以及严格遵循物理法则的“模拟器”共同构成的三维支柱。而通往“空间智能（Spatial Intelligence）”的漫长征途，正是这三者打破壁垒、走向终极融合的过程。 原文连接：https://x.com/drfeifei/status/2062247238143996275

打造出公认最强模型 Claude 的明星公司 Anthropic，它的总裁兼联合创始人 Daniela Amodei，压根不是什么技术极客，而是一个地地道道的英文文学专业毕业生。 她毕业于英文文学专业，曾在国会山、政治竞选和早期 Stripe 工作，2018 年加入 OpenAI。2020 年 12 月，她与哥哥 Dario 及另外五位联合创始人共七人离开 OpenAI，并于 2021 年创立 Anthropic。在这个由算法和算力主导的世界里，她凭什么成为千亿估值AI巨头的核心掌舵人？在错综复杂的AI商业化进程中，如何同理他人、如何在混沌中跨界协同、如何建立组织内外部的信任，这些曾经被轻视的特质，正在被赋予前所未有的高溢价。今天这期节目，我们就借着 Daniela 的故事，好好聊聊‘通才’的绝地反击，看看在这场硬核的技术狂飙中，软技能到底是如何被重新定价的。 在这场斯坦福商学院的访谈里，Daniela 毫无保留地分享了她从文科生到千亿估值 AI 巨头掌舵人的非凡旅程。 首先，作为一名“通才”（Generalist），她用亲身经历说明，好奇心、跨界学习以及理解自身“比较优势”，才是智能时代最核心的竞争力。 接着，她澄清了 Anthropic 的核心标签——“AI 安全”的本质。这绝非空洞的公关辞令，而是对技术外部性承担起“彻底的责任”。在商业收益与技术安全的拉扯间，他们甚至做出了“因安全考量主动搁置最强模型发布”的艰难决定。 更启发人的是，面对 AI 替代人类的焦虑，Daniela 指出，AI 将极大地重塑工作形态。在这个过程中，人类独有的“社会性特质”——如医生抚慰患者的沟通技巧、管理者的同理心等“软技能”，非但不会贬值，反而会被重新赋予极高溢价。最后，她还结合日常生活，分享了自己如何把 Claude 当作管理教练与育儿助手的超实用经验，并警示我们要防止被 AI 剥夺了主动思考的能力。 访谈原视频：https://www.youtube.com/watch?v=FDjrDeIZAk4

本集播客由YouNavi （负责调研内容和输出文稿）和Listenhub （负责语音生成）制作。 陈德里（Deli Chen）， DeepSeek 的资深 AI 研究员。近日，他利用自己构建的 DeliAutoResearch 智能体skill，在极低个人精力消耗下，主导并自动生成了一篇长达 46 页的重磅学术综述论文。在这场耗时 6 天、历经 108 轮 AI 自主交互、消耗近 65 万 Token 的智力工程中，陈德里本人仅贡献了约 1% 的宏观把脉与纠偏，其余 99% 的文献验证、LaTeX 编写和画图改错全部由 AI 独立搞定。 作为 DeepSeek-V4-Pro 等前沿模型的深度研究者，陈德里用这场“自己写自己”向世界直观地宣告：AI 已经正式跨越“副驾驶”阶段，成为能与人类科研人员并肩作战、甚至独立交付复杂智力成果的真正“同事”。 这篇内容也是一篇非常好的关于自动化研究 Agents 的发展历程综述。 原文： https://x.com/victor207755822/status/2059269472297623843?s=20 https://victorchen96.github.io/auto_research_survey.pdf

英伟达（NVIDIA）具身智能研究负责人 Jim Fan 在红杉资本 2026 AI Ascent 峰会上的精彩演说，深度拆解了具身智能的“终局之战”。 演讲宣告了机器人领域正迎来复制大模型成功路径的“伟大的平行”时代。 在模型策略上，传统“头重脚轻”的 VLA（视觉-语言-动作）正让位于世界行动模型（WAM）。以 Dream Zero 为代表的新范式通过预测“下一个物理世界状态”，使物理规律和运动规划在像素演进中自然涌现，实现零样本泛化。 在数据策略上，高成本、低效的实机遥操作（Teleop）正走向落幕，取而代之的是由人类第一人称第一视角视频预训练（EgoScale）与穿戴式外骨骼（DexUMI）驱动的无感数据飞轮，并首次证实了灵巧控制具有完美的“神经网络标度律”。 最后，通过 DreamDojo 神经模拟器，机器人结合强化学习实现了“算力即环境、即数据”的后训练范式。 Jim Fan 预测，机器人将在 2040 年前彻底摸透科技树，通过物理图灵测试并实现自我演化。我们这一代人生逢其时，必将解决机器人这一终极命题。 原视频：https://www.youtube.com/watch?v=3Y8aq_ofEVs&t=1s

今天应一位朋友邀请去他团队分享了一下我们过去一年多0-1创业研发一个AI Native的产品（younavi.me）和试图将研发流程和组织也AI Native化的旅程和各种坑。分享给大家。

在5月20日举办的中国 AIGC 产业峰会上，硅谷早期风投 Fusion Fund 创始合伙人张璐分享了硅谷 AI 创新的最新风向。她指出，AI 行业正迎来三大底层转变：模型上从小语言模型垂直应用向物理 AI 和世界模型演进；算力上从一次性“训练”向持续在线的“推理”倾斜；数据上则从追求规模转向对“高质量数据策展”的看重。 张璐重点剖析了五个极具潜力的前沿投资方向： 1. AI 基础设施：通信互联能耗远超计算能耗，光互联/光交换机等降本技术成为创新热点。 2. 物理 AI：利用“人工皮肤”等柔性电子传感器收集真实世界的高精度触觉数据，突破当前的数据瓶颈。 3. 边缘计算：1B 参数以下的小模型能在边缘端实现高水平部署，赋能高监管与隐私敏感行业。 4. AI + 医疗：巨头纷纷入局，垂直领域小模型与全无人机器人实验室正在重塑个性化诊疗和生命科学研发。 5. 太空科技与微纳机器人：太空加油站及用于血管血栓清除、靶向给药的微纳米机器人正步入商业化初始阶段。 最后，她强调财富 500 强企业的 AI 预算正大幅激增，产业的大规模快速整合与真实反馈将成为 AI 持续迭代的核心动力。

在5月20日举行的中国AIGC产业峰会上，香港大学助理教授、NanoBot作者黄超发表了题为《从简单助手到强生产力AI Agent系统的范式变革》的精彩演讲。黄超教授结合其团队在开源领域的深厚积累，深入剖析了 Agent 从“效率工具”走向“真实生产力”的演进路径，并分享了多项突破性的工程实践。 以下是本次分享的核心内容深度总结： 一、 从 NanoBot 的爆火看通用 Agent 的“化繁为简” 黄超教授团队在今年开源了通用 Agent 项目 NanoBot。针对当时主流项目（如 OpenClaw）代码量庞大、黑盒繁多的痛点，团队主张“轻量化与简单化”。他们认为，Agent 本质上是一个极其简单优雅的 ReAct（Reasoning-Action-Feedback） 闭环，其底层就是一个 While 循环。 * 社区成绩：NanoBot 在开源后迎来了爆发式增长，连续百天日更，下载量超 20 万次。被 DeepSeek 官方推荐为全球 15 个推荐通用 Agent 之一。 二、 走向“AI打工人”面临的四大硬核挑战 黄超教授指出，目前的 Agent 虽能完成简单的 Coding 或 Deep Research，但要真正转化为行业生产力，必须跨越以下四个核心痛点： 1. 长程任务（Long-horizon tasks）的脆弱性：长程任务的难点不在于步数多，而在于场景丰富和工具调用的多样性。任意一步犯错都会导致全局崩溃，亟需更精细的 Harness（运行框架）支持。 2. 自进化（Self-evolving）与 Token 成本控制：目前的工程探索往往只触及 Agent 的能力上限，却忽略了高昂的算力成本。Agent 必须学会在真实任务中“吃一堑长一智”，通过自进化大幅压缩 Token 开销。 3. 割裂的沙箱（Sandbox）环境：目前的沙箱技术在每次循环时重新创建，导致任务间严重割裂。Agent 真正需要的是一个包含完整文件系统、历史数据和持续交互能力的“全功能计算机环境”。 4. 人机协同的上下文对齐难题（Human-Agent Alignment）：人天生是“懒惰”的，很难写出极其精细的指令文档。如何在有限的交互和简短的上下文输入中，精准捕捉用户的真实意图，是目前极大的鸿沟。 三、 破局路径：CLI交互、OpenSkill 与集群化协同 针对上述挑战，黄超教授展示了港大团队给出的前沿解法： * CLI-anything（命令行交互）：团队认为，GUI（图形界面）因为时延高、多模态开销大、精准度低，并非 Agent 进行计算机交互（Computer Use）的终局。未来应当是“人操作 GUI，Agent 操作 CLI”。他们推出的 CLI-anything 及 CLI Hub 允许软件直接向 Agent 暴露命令行接口，极大地降低了专业软件（如 3D 建模、科学计算）的使用门槛。 * OpenSkill 技能管理：团队开发了 OpenSkill，通过类似 Wiki 的精准检索机制对高质量 Skill 进行分类和动态匹配。在 44 个行业、220 个任务的测试中，该方案在提升任务完成度的同时，显著降低了 Token 消耗。 * 多 Agent 集群（Swarm）的科研实践：团队尝试使用 8 个 Agent 调用 8 张 H100 显卡，在 23 小时内自主训练大模型，使其性能提升了 6%。这相当于一个博士生三周的工作量，验证了 Agent 集群在科研试错场景下的巨大杠杆效应。

2026年5月12日，由北京大学光华管理学院主办的“AI时代的边界探索与人才机遇”主题对话在光华管理学院2号楼102报告厅举行。 Kimi总裁张予彤与光华管理学院院长田轩围绕智能时代的商学教育变革、人才能力重塑、组织与管理创新等议题展开深度对话。 主要内容： 1. 职业版图的重构：从“执行者”到“模型抚养者” * 新兴职业涌现：AI 不仅仅是替代，更在创造如“合成数据创造者”（模型的爸妈）和“人工智能评估师”（价值观对齐）等岗位。 * 组织形态变化：生产力的大幅提升将催生大量“超级个体”和“一人公司”。生产组织方式从依赖大团队转向个人全栈能力的发挥。 2. 核心竞争力的演进：从“完成任务”到“定义与验证” * 技能重心偏移：重复性执行、基础编程和海量信息处理将被 AI 替代。人类的核心价值将转向： * 定义工作（Defining）：决定要做什么，以及为什么做。 * 评估与验证（Verifying）：AI 产出极其廉价，但消化、逻辑校验和质量把控将成为人类的主要工作负担和价值所在。 * 驾驭能力（Harnessing）：成为 AI 的“深度用户（Power User）”，感知能力的边界，进入“人机协作（Agent-Human Collaboration）”模式。 3. 给不同人群的行动建议 对于在校学生： * 深耕人类连接：利用学校环境建立深度的社交关系与共情能力，这是 AI 难以模拟的宝贵资产。 * 切换 Agent 视角：在做任何事时，思考“如果 AI 来做会怎么处理”，理解为人构建的基础设施与为 Agent 构建的基础设施之间的差异。 * 亲自上手（Hands-on）：认知是在不断的实践动手，而非听取观点中形成的。 对于管理者（MBA/EMBA）： * 推行“Token 自由”：将“增加招聘名额（Headcount）”的思维部分转变为“分配 Token 预算（Token Budget）”，降低组织内部对 AI 的对抗心理。 * 自底向上的推动：通过充足的资源支持，鼓励员工探索 AI 如何增强自身生产力，将执行层转变为“十倍效能者”，而管理者则专注于架构与纠错。

Anthropic Claude Code 工程和产品团队负责人 Fiona Fung 在内部分享会上深刻剖析了 AI 时代团队管理的范式转变。她指出,当 AI 让编码不再是瓶颈时,传统的团队规范正在悄然失效,一个从"工程带宽昂贵"到"构建廉价、争论昂贵"的新时代已经到来。 瓶颈的转移是核心主题。过去,编码吞吐量是最昂贵的资源,所有流程都围绕此设计。如今,编码速度大幅提升,新的瓶颈转移到了验证、审查、跨职能协作和维护成本上。这导致许多传统流程——如详尽的预先计划、严格的代码所有权、繁琐的设计文档——开始"悄然失效"。 团队规范的重写成为必然。Claude Code 团队在多个维度进行了调整:代码审查深度依赖 AI,但法律审查、安全敏感代码和产品品味仍需人类专家;技术辩论从"白板讨论"转向"代码为王",直接生成多个 PR 进行对比;计划方式从六个月路线图转向"即时计划",用原型替代冗长的产品评审;团队构成更看重"有产品感觉的创造性构建者"和"深厚的系统专业知识",而非原始吞吐量。 组织架构的创新尤为大胆。Fiona 坚持让每位经理都先从工程师做起,深度参与"狗粮文化"(dogfooding),保持组织尽可能扁平以提升敏捷性。她明确许可团队废除旧流程,鼓励"Claude 化"一切可以自动化的工作。 效果验证显示,新员工上手时间大幅缩短,PR 周期时间显著降低,Claude 辅助提交成为默认模式。但 Fiona 也坦诚分享了仍在探索的问题:跨平台团队架构、全自动审查的边界、角色模糊后的生产力平衡。 她的核心建议是:持续审视最"嘈杂"的工作流程,质问其存在的必要性,在成长型思维中拥抱变革——因为"过去对你有用的东西,现在可能不再适用了"。 原视频：https://www.youtube.com/watch?v=igO8iyca2_g