过去10年，中国新能源汽车产业从无到有，经历蓬勃发展。大家最熟悉的可能是理想、小鹏、蔚来这些整车品牌，但另一面这场变革背后的产业链企业也在变化。 《商业访谈录》的108集对余凯和本集对禾赛联合创始人和CEO李一帆的3小时访谈，关注的都是汽车产业链上的隐形选手。 这集也是李一帆对他们做激光雷达11年硬核科技创业的一部口述史。 随着中国科技创新从互联网的模式创新，走向硬核科技的前沿创新，中国也许还会出现更多的技术型创业者。禾赛的故事也许能提供一个参考样本。 （本次访谈录制于2025年4月） 00:02:00 开始的快问快答 00:02:33 股价过山车 00:03:40 激光雷达99.5%的降本 00:12:05 家庭和成长 00:32:13 罕见的3人平分股份 00:43:35 融资的伎俩 00:49:02 第一笔2000万大单 00:55:45 想说完蛋了… 01:10:06 余凯比多我一个0 01:20:47 定价心思 01:38:15 开始倒戈 01:58:07 进入汽车大本营 02:38:34 新钱和老钱 03:02:16 最后的快问快答 【从蒸汽机到无人驾驶】系列 《对李想的3小时访谈（播客版）：宅男、AI、家庭、游戏和天梯》 《和何小鹏聊，FSD、“在血海游泳”、乱世中的英雄与狗熊》 《对话奔驰全球CEO康林松：转型期CEO和转型之中的139岁奔驰》 《余凯口述30年史：世界不止刀光剑影，是一部人来人往的江湖故事》 《和楼天城聊聊Robotaxi和ACRush：“L2做得越厉害，离L4越远”》

我们又来读论文啦！！！ 今天我们要读的论文是最近几个星期内最值得品读的几篇技术报告，分别是：Kimi K2、ChatGPT Agent、Qwen3-Coder的技术报告，以及Manus的一篇技术博文。他们的相关性是，这几篇内容都和Agent有关系。 今天的嘉宾是俄亥俄州立大学（The Ohio State University）的在读博士郑博元，他的研究方向是Language Agent，他会带我们一起读上述技术报告和博文。 这是《商业访谈录》的“技术之美”系列，期待和你一起读论文，领略科技平权，感受技术之美——做你的赛博组会：） 00:02:00 给Agent下定义和分类 00:14:50 Kimi K2、ChatGPT Agent、Qwen3-Coder、Manus的技术路线对比 00:28:29 Agent Training 的关键环节：合成数据、强化学习、安全 00:30:57 第一篇技术报告：Kimi K2: Open Agentic Intelligence github.com 00:43:50 第二篇技术报告和访谈：Introducing ChatGPT agent: bridging research and action openai.com 红杉访谈OpenAI：OpenAI Just Released ChatGPT Agent, Its Most Powerful Agent Yet www.sequoiacap.com 01:53:38 第三篇技术报告：Qwen3-Coder: Agentic Coding in the World qwenlm.github.io 01:59:04 第四篇技术博文：AI代理的上下文工程：构建Manus的经验教训（作者：Yichao 'Peak' Ji） manus.im 02:06:06 展望：也许会有一个新的范式 02:15:20 我感觉Agent是“我拓展的大脑”，我背后有一个“军团”（Family of Agents） 02:16:41 不同Bot的语言风格：DeepSeek嘴臭，元宝舔狗 智能体定义 Agent是一种能够与环境进行交互（interaction）的智能系统。 它具备两个基本能力： 感知能力（Perception） 能够观察环境的状态，包括获取外部信息、读取反馈信号、解析上下文等。 行动能力（Action） 能够在环境中执行动作，例如调用工具、生成输出、控制界面、修改变量等。 简言之，Agent = 感知 + 行动 在一个循环中不断执行“观察 → 决策 → 行动”的流程，以达成任务目标。 Agent 的定义与分类 1. Coding Agent（代码智能体） 代表产品：Cursor、Windsurf 特点：代码生成与编辑能力强，用户体验优秀 应用场景：代码补全、代码重构、多人协作编程 2. Search Agent（搜索型智能体） 特点：结合搜索引擎，自动完成信息检索和汇总 应用场景：市场调研、报告生成、竞争对手分析等 潜力：在企业级场景中有很强的应用价值 3. Tool-Use Agent（工具使用型智能体） 特点：能够调用多种外部工具完成复杂任务 应用重点：是目前 Agent 研究和落地的主要方向 举例：ReAct（推理 + 行动）类 Agent，通过 tool calling 执行任务 4. Computer Use Agent（电脑操作型智能体） 代表产品：OpenAI Operator、Claude 的 Computer Use 特点：模拟人类使用电脑，完成跨应用的复杂操作 应用场景：执行流程自动化、远程助理、办公代理 Agent 的技术路线对比 1. In-Context Learning（上下文学习） 特点：依赖强大的预训练模型，通过提示构造实现任务规划与执行 优势：无需微调，灵活性高 局限：泛化能力弱，rollout 长度有限，容易失控 2. End-to-End Training（端到端训练） 特点：将 Agent 的全部行为编码进模型权重 优势：推理稳定，可控性强 局限：训练成本高，环境构建复杂 Agent Training 的关键环节 1. Data Synthesis（数据合成） 方法：生成大量高质量的 trajectory（行动轨迹） 用途：训练 Agent 在任务中如何决策、调用工具、管理 memory（记忆） 2. Reinforcement Learning（强化学习） 条件：需要定义清晰的 task（任务）与 verifiable reward（可验证奖励） 挑战：任务难度与环境反馈设计直接影响 Agent 的行为质量 3. Safety（安全性）问题 风险：Agent 具备自主决策能力，容易误用工具、走偏轨迹 对策：加入 sandbox（沙盒）限制、行为约束机制、Human-in-the-loop（人类监控） 展望：也许会有一个新的范式 生成数据的核心会从 input-output 式的数据标注，转向构建 environment（环境）以及对应的 task-reward（任务-奖励）。比如 Scale AI 提出的 rubrics as reward（用评分标准作为奖励机制） Agent 能不能实现自我提升（self-improve）？一方面，Agent 在和环境交互的过程中会不断获得新数据；那它能不能自己找到或构造 verifiable reward（可验证的奖励）？交互中积累的 experience（经验），能不能被更有效地利用起来？

今天又是一集机器人专场。嘉宾是光轮智能创始人兼CEO谢晨，他曾在英伟达、Cruise及蔚来汽车担任自动驾驶仿真负责人。我们的话题非常具体，即:仿真与合成数据。 今天的具身智能尚且没有找到scaling law的有效配方，其中，数据是一个关键卡点。我们106集的嘉宾银河通用创始人王鹤就提到，真实数据在他们的训练数据比重仅仅1%，合成数据挑起大梁。 今天这集节目，我与谢晨聊了聊仿真与合成数据的实操细节。 02:00 开始的快问快答 02:48 高频词汇解析：Sim2Real（从仿真到现实）、Sim2Real的gap、合成数据 04:31 从Cruise到英伟达到蔚来，怎么做合成数据和仿真？ 14:11 制作合成数据的具体流程？合成数据与真实数据的配比？ 16:17 在合成数据上，智能驾驶和具身智能的区别（智能驾驶是视觉的游戏，具身智能的物理交互最关键） 32:41 物理的Real2Sim（真实到仿真）工作流是怎样的？怎么评估成功的仿真？关键技术节点？ 46:18 Physical Intelligence（π）对仿真与合成数据的两难态度 48:55 辣评Meta 300亿美金收购Scale AI和极其aggressive的Alexandr Wang 53:57 合成数据目前面临的瓶颈 55:25 全球具身智能产业链Mapping： 硬件公司（宇树） 基座模型公司（π、Skild、英伟达和DeepMind） 在垂域落地的软硬结合公司（Figure，特斯拉Optimas、The Bot Company） 以仿真为中心做端到端落地的公司（光轮） （“特斯拉Optimas的管理文化和π完全不一样”） 01:09:22 美国存在具身模型层的创业机会，中国在我看来字节、小米、理想更适合做“大脑” 01:15:33 老黄在内部说：NV is a simulation company 01:21:25 终局的模型应该是是跨宇宙、跨世界、跨本体（提升跨宇宙的能力，本质是提升泛化性） 01:23:28 具身智能的产业还在GPT-1阶段，还没找到scaling law的配方 01:28:21 我创业刚开始，从具身的本科开始学起 01:37:37 最后的快问快答 【机器人专场】 逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA” 和王鹤聊，具身智能的学术边缘史和资本轰炸后的人为乱象

今天的嘉宾是地平线创始人兼CEO余凯博士。 在过去49年人生中，他一路闯关过德美学术圈、中国互联网圈、创投圈、资本圈、汽车圈。在每个圈子和江湖，都从籍籍无名的无名小卒开始升级打怪。到最后，在每个圈子，他混得都不错。 一位与他打过交道的前企业高层评价，余凯是科学家里非常具有社会智慧的一位。 余凯毕业于南京大学和慕尼黑大学，毕业后，先后就职西门子、NEC研究院，于2012年回国加入百度，又于2015年离职创立地平线。 很巧的是，2025年正好是地平线创立10年。今年上半年，我与余凯博士聊了两次，这集节目是他的一部口述史。 随着大语言模型浪潮爆发，更多人工智能科学家从高校系统涌入创业轨道。余凯的创业观，也许能给大家一些启示——创业不仅是技术和商业，也不仅仅有刀光剑影，更是一部人来人往的江湖故事。 就像电视剧《少帅》张作霖的台词：“江湖不是打打杀杀，江湖是人情世故。” 2025年，我们和AI共同进步！ 03:06 初入学术江湖 一开始在学术圈籍籍无名，算命先生说我24岁前“籍籍无名，劳而无功” 发表过100篇论文，我很陶醉，夜深人静都会翻我以前的paper自我欣赏 结识Geoffrey Hinton、Yann LeCun、吴恩达的故事 我这边的对面坐了一个人特别的沉默，没人搭理他，一个人在那吃闷饭——这个人叫Richard Sutton，前段时间拿了图灵奖 31:18 再入互联网江湖 我应该是旅美人工智能华人学者第一个回国的 我立刻就跟Geoffrey Hinton写信，他回信：Kai，挺好的，但你介不介意我也问一下其他公司？ 我当时拿到的授权是，最高出到2400万美金，2400美金以后，每一次出价就要跟国内商量 我为了小概率能赢，抢先第一个出价，1200万美金 “哎呀，你看Geoffrey Hinton开会好像不太出现啊，他在干嘛…？” 我就问他：唉，Andrew（吴恩达）你在干嘛？各方面怎么样？开始试探他 吴恩达一下子震惊到了！说：你小子把我忽悠到百度，你自己跑掉，太不够意思了吧？ 51:19 又入创业江湖 我做了3个投资：买了英伟达，买了特斯拉，全身心把我投到地平线 这个哥们跟我讲：兄弟，你知道吗？我现在在我家的地位，就靠你那句话！ 地平线刚创立那一天我看了一下，英伟达才是一个107亿美金公司，现在是3万亿！ 吴恩达在Google lead谷歌大脑，有一个frustration（沮丧）是什么？不能买GPU！ 共识要么是错的，要么是没价值的 你的商业的secret是什么？有什么东西你看见了别人没有看见？这个世界是不是有Bug？这个世界是不是有通向未来的窄门，而大部分人没有关注到？ 01:11:21 也入资本江湖 我们一页BP没写，就融了第一轮，我觉得：哎呀，Life is so easy！ 结果第二轮就发现，见了50-60家机构，没一个下单。特别tough……没人理解…… 我说的简直是口干舌燥……地老天荒……昏天黑地……也没人动心 我定了一个铁律：我跟投资人第一次见面，绝不能在他办公室，一定要在我办公室 我继续装！我说：我真的没时间，我就是一个专注的、情商低的科学家，正在倒腾我自己的事情，懒得理你 我们创造了C轮业界传奇的12小轮，一把拿了16亿美金——这也是一个反共识——中间没有加1分钱估值 哇，地平线竟然有102家股东投资机构，我都不知道我怎么磕出来的 01:21:39 转战汽车江湖 科学家创业通常有这个问题：360度扫射 曾鸣那堂课上完以后，我们班好多同学回去都去砍方向、裁团队 有天晚上睡觉，我梦中突然一惊：我靠，这样不对啊！ 和长安：故意输球，你们要优雅地、不露声色地、故意地输啊 和李想：李想在2019年初，我们俩爬山他讲：你应该聚焦汽车方向 和何小鹏：我现在还没有磕下小鹏————有的时候你要强攻，有的时候你要迂回 和王传福：我们逮着机会窗口，相当于这个门开一个小缝，咱们就呲溜一声冲进去 02:09:48 我不是江湖人 领导者我的role model是刘邦 电影这些角色，你知道我最喜欢谁吗？《飘》里的白瑞德 我的名字姓余，公司的名字地平线——余地，余地，做人做事永远要留有余地 智能驾驶：主机厂未来不会自研，它是一个标准化的功能 3年完成100%hands-off，5年完成100%eyes-off，10年完成100%minds-off 死门是什么？ 机器人的CUDA 下一代芯片创新 02:35:23 最后的快问快答 这个世界我认为是写好了程序，每个人都是按照剧本来演 02:39:26 补充花絮 传授技巧：如果你决心离职，不要说公司任何不好 闫俊杰的发型像我（玩笑） 我和吴恩达在美国serious讨论过创业 我为了调一个校招生喝茅台，不像李想手起刀落 微信头像为什么关公？ 【从蒸汽机到无人驾驶】系列 《对李想的3小时访谈（播客版）：宅男、AI、家庭、游戏和天梯》 《和何小鹏聊，FSD、“在血海游泳”、乱世中的英雄与狗熊》 《对话奔驰全球CEO康林松：转型期CEO和转型之中的139岁奔驰》 《和楼天城聊聊Robotaxi和ACRush：“L2做得越厉害，离L4越远”》 本集文字版：《对话余凯：世界不止刀光剑影，是一部人来人往的江湖故事》

这集没有宏大叙事，相当随性。嘉宾是清流资本创始合伙人、百度前技术VP梦秋。 关注《商业访谈录》比较久的朋友可能知道，梦秋基本每年都会来返场一次，和我们一起catch-up当下的创投水温以及她自己的生活。在狼性文化蓬勃的中国投资人圈里，梦秋一直是很佛系也很道家的存在。 这一集更是松弛，她直言工作挺无聊，所以在聊了正经话题以后，我们也聊了聊读书、旅行、观影和女生的碎碎念。 （本次节目录制在4月底） 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 02:00 2025年资本寒冬过去了吗？没… 04:00 DeepSeek的出现，让AI应用创业变得活跃了吗？没… 10:45 现阶段各种Bot的体验：神婆？舔狗？尤其点评微信、元宝和小红书 25:28 探讨一下，微信里怎么做Agent？通用Agent成立吗？ 31:25 垂直Agent的创业机会和创业者 35:52 现在的组织倾向于小组织，这可能利好年轻创业者 37:42 为啥组织更小，融资额却更高了？ 38:18 除了Agent，还在看的是具身智能（仿真器很重要） 43:57 可穿戴设备 54:54 大模型公司 58:31 这两年工作很boring，我的旅行之路 01:03:55 我的读书之路 01:12:34 聊影视行业（梦秋是中影独董）、《好东西》和女性主义 梦秋此前的节目： 《1. 和投资人梦秋聊聊加州、投资寒潮和林黛玉》 《21. 投资人视角下的大模型和市场真实水温｜和梦秋聊ChatGPT》 《65. 风险投资的钥匙失灵了吗？和梦秋聊：蛰伏、更少人的游戏和啮齿动物》 【更多信息】 联络我们：微博@张小珺-Benita 更多信息欢迎关注公众号：张小珺

今天继续《商业访谈录》的机器人专场，嘉宾是北京大学助理教授、银河通用创始人兼CTO王鹤。 王鹤毕业于清华和斯坦福大学。他给我们从“具身智能”的学术缘起开始聊起，这是一个学术流派从一个学科中萌芽到边缘再到主流渗透的全过程。 而随着ChatGPT诞生，“具身智能”这个小众概念，在过去2年成了新的资本宠儿——但一时间，也带来了新的乱象。 我们探讨了一些具身智能产业界关键问题： 1/具身智能起源于计算机视觉的学术流派，视觉、语言、智能的关系是什么？为什么VLM（视觉语言模型）的表现显著弱于LLM（大语言模型）？ 2/具身智能的最大困境之一是数据采集，合成数据是正解吗？具体应该怎么做？ 3/如果大模型提倡的是“智能即产品”，那么具身智能呢？王鹤的回答是“生产力即产品”。 去年底，英伟达创始人黄仁勋来华访问。答谢宴上，王鹤不仅和黄仁勋同桌，而且就在做黄仁勋旁边（挨着坐）。在节目最后，我们也聊了聊这个有趣的插曲——他提到，那晚黄仁勋吃了不少水煮肉片。 2025，我们和AI共同进步！ 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 03:00 开始的自问自答 05:58 语言不是智能的本质，而是“一次跃变” “具身智能”和“机器人”是不同学术流派 “具身智能”起源于“计算机视觉”的研究流派 视觉有智能吗？纯视觉智能的可解释性差，是端到端的 语言不是智能的本质，不能说没有语言就没有智能 智能的本质是什么？“一种视情况对环境做出反应的能力” 语言是人类能产生这么高智能的“一次跃变” 视觉的本质是一种非常强的sensor（传感器） 25:08 具身智能的学术边缘史 具身智能最早兴起的task（任务）是，导航 加入视觉模态，强调Perception–Action Loop（感知-动作循环），成为具身智能研究流派能立起来的核心叙事 标志性事件：“具身智能是计算机视觉未来的三颗北极星之一”（李飞飞） 我和Skild创始人Deepak Pathak在Facebook人工智能实验室FAIR打过交道 41:15 我的学术之路 2016年，博士第一个项目：从人类视频里学多步的人与物体交互过程的生成（动画领域） 在Stanford博士第一年，在不喜欢的方向非常挣扎，后来换组、换方向 Stanford是高度自由的市场：你可以随时踢你老板，你老板可以随时踢你 第一篇论文憋了很久，很绝望 完全从视频中学习，学习世界模型，还没成为当下能推进具身智能的技术 我的第二个项目：位姿估计和合成数据相关 2020年李开复曾在湾区丽思卡尔顿组织brunch，观点分歧 回国坚定以家庭机器人为目标推进research，根本没有allies（盟军） 01:25:08 具身智能的软件和硬件是螺旋上升的问题 ChatGPT火了以后，很多人开始找我创业，我说创不了 所有工业机械臂在去年的全球总产值才1000亿RMB，和理想一家车企产值相当 如果采取不成熟的激进的硬件方案，对智能会是一种拖累 在这个硬件基础上，我们的方案是，做相对专用的智能和越来越通用的智能 VLM为什么显著弱于LLM？互联网视觉数据/所有人眼观测的覆盖〈〈〈互联网文字数据/人类所有说的话的覆盖（VLM数据不够，VLA的Action数据是最近两年才开始收集的） 01:44:34 我们要避免陷入以下泥潭 这一代具身智能公司相比此前机器人公司，差异在哪？ 在我看来，具身智能公司如果陷入以下两个泥潭，天花板会很有限： 1、“长期漂浮”的公司；2、“算不过来账”的公司，边际成本不降 我们要做一个应用场景内的泛化（现在选择的是货架场景） 在我看来，机器人领域的头部效应很重 01:55:17 具身智能是，“生产力即产品” 雇人摇操采真实数据的成本到底有多高？一笔经济账 真实数据在我们训练数据的比重是1%，合成数据管线挑起大梁 行业内的tricky现象：把没有功能的机器人卖给别人（这是一种商业模式） 关于合成数据和Sim-to-Real（仿真到现实迁移）的常见误区 有出货量后的数据回流和数据飞轮 如果大模型是“智能即产品”，那么具身智能就是“生产力即产品” 02:13:51 资本轰炸后的人为乱象 谁在创造生产力，谁在讲故事，这是最乱的——这个源自美国 对Figure的估值400亿美元的两种逻辑 有的人胆子很大，不告诉别人我是摇操，但实际摇操 呼吁：真实展示！不要摇操！ 5年内我们一定要有万台以上的应用，如果做不到这个，我们这个领域就被证伪了！ 不要去搞一些砸我们行业招牌的事情！这些模式是很可怕的，是在砸这个行业的饭碗 通用机器人的到来不要想得那么快 02:25:25 一个插曲 去年黄仁勋访华为什么和黄仁勋同桌且在旁边？聊了什么？ 黄仁勋能吃辣，吃了很多水煮肉片 02:28:26 最后的快问快答 【机器人专场】 逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA” 【更多信息】 联络我们：微博@张小珺-Benita 更多信息欢迎关注公众号：张小珺

《商业访谈录》访谈过很多中国新能源车企的CEO和高层，今天的嘉宾来自一家德国百年车企，他是奔驰中国自动驾驶与车联网研发负责人王忻。 我们聊了聊中国汽车产业20年变革的历程，以及一家德国车企的转型与秘密故事。 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 产业大转型 01:25 20年前，就连波导手机也做过汽车 07:54 我曾在汽车Tier 1德尔福18年，3年前加入奔驰，背后是产业大转折 09:30 过去20年全球汽车产业的几个技术周期（2004年以前，2004-2014年，2014-2020年，2020年至今） 11:31 现在转变成数据驱动的时代，Tier 1黑盒交付的时代不再 话语权 27:40 中国团队和德国总部的话语权是争夺过来的吗？ 28:27 奔驰中国研发团队组织架构、沟通机制和battle 34:08 德国企业的battle文化和美国企业是不同的 41:23 为中国设计生产的功能要反向输出全球的时候，需要哪些流程？ 新技术 43:21 智能化是不可逆的趋势，但不能激进 46:50 车车通讯在L3实现以后需要重新定义 51:54 科技和豪华的关系：如果智能平权，豪华的标准变了吗 01:01:49 去年从规则算法切换到端到端的过程挺煎熬的 01:04:40 激光雷达是一个很好的冗余 01:05:35 CLA和豆包合作大语言模型 139岁车企 01:09:36 以人为本 01:11:08 安全的步骤 01:13:08 世界上第一位汽车驾驶员是奔驰创始人的太太 01:15:00 在百年企业工作是什么体验——荣耀是什么？负担是什么？ 01:17:48 百年一遇的大转型、大变革 01:33:22 奔驰CEO康林松会发脾气吗？ 相关单集： 对话奔驰全球CEO康林松：转型期CEO和转型之中的139岁奔驰 【更多信息】 联络我们：微博@张小珺-Benita 更多信息欢迎关注公众号：张小珺

今天这集，《商业访谈录》第一次迎来一位co-host，是大家熟悉的李广密。 广密邀请了大模型公司阶跃星辰的首席科学家张祥雨，来聊聊，多模态的前世今生和未来技术的前沿走向。 张祥雨在这集节目详细阐述了：他参与的多模态的10年历史，对多模态的全新思考，以及所预见的下一个“GPT-4时刻”。 他提到一个细节：在训练过程中他曾经发现一件百思不得其解的现象——模型的通用对话能力、情商和知识量都是随着模型变大变得更强，但模型的推理能力（尤其是数学）表现却是先上升后平缓，再扩大反而是下降——这点在业界还未引发广泛讨论。关于这个怪现象，他也给出了自己的解答。 下面是广密和祥雨的聊天。 2025，我们和AI共同进步！ 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 多模态研究的10年史：迷茫和转机 02:00 张祥雨的学术经历和个人研究主线 12:25 CV（计算机视觉）向NLP（自然语言处理）的学习历史 17:14 2022年我开始对单纯靠视觉学出“CV领域的GPT时刻”比较悲观 18:22 纯视觉这个domain有什么问题？GPT这样的生成模型你可以同时拥有生成、理解和人类对齐，而静态图像这三者是割裂的 24:23 我停止了对静态图像表征的研究，构思新的研究主题：短期内利用视觉和语言的对齐关系 29:10 经过尝试还是没做到图像的理解、生成和对齐一体化，我得到一个越来越强的生成模型，和一个越来越强的理解模型，没有起到叠加效果——为什么如此难以融合？ 38:45 做了大半年十分迷茫，但在此刻出现了转机 训练大模型发现的怪事、蛛丝马迹与办法 41:11 训练过程中发现了一件百思不得其解的怪事：模型的通用对话能力、情商、知识量确实模型越大越强，但模型的推理能力（尤其是数学）表现是先上升后平缓，再扩大反而是下降 43:10 一些蛛丝马迹：更大的模型做数学题倾向于跳步，不老实 44:33 经过分析，这是next token prediction的本质缺陷 45:42 更大的压缩率未必对应更高的计算精度，我们来做一个思想实验 47:27 生成模型的“特征坍缩现象” 50:48 解决方案就是引入RL（强化学习） 53:28 o1的核心是思维链的pattern——“做思考模型，pattern is all you need” 01:01:52 当模型走到某一步，摆在面前有两个分支——走左边？还是走右边？——一个token之内到底能不能解决？（critical decision）——不能，所以引入反思pattern 01:10:16 o1范式的本质是一种Meta-CoT ，是CoT的CoT 对多模态研究的新思考和新进展 01:10:57 研究完o1，返回研究为什么视觉生成可控性这么差，就有了眉目 01:15:13 简单把生成和理解做到一起，难度非常大，缺失了重要一环CoT 01:15:54 去年中开启新的project：视觉理解（视觉空间的Long CoT） 01:19:06 尝试了半年，结果给大家透露一下吧！ 01:21:30 o系列不仅泛化了domain，更吸引人的是泛化了pattern 01:22:16 博弈类问题是难以泛化的领域，有很多无效思考和低级错误 01:24:07 o1激发的反思pattern，在预训练语料中都有分布了 01:31:31 关于预训练加多模态数据有两种说法：影响了text智商？还是增强了scaling law？ 01:36:43 往后两条腿走：扩充预训练语料和扩展动作空间 01:45:42 多模态的“GPT-4时刻”还有多久 预见下一个“GPT-4时刻” 01:46:56 long context和多模型协作 02:07:09 架构不重要，架构是服务算法和系统的（为什么我说Linear Transformer不本质） 02:08:30 下一个“GPT-4时刻”？模型的在线学习/自主学习 02:21:22 澄清一些有关Agent的观点 02:25:00 人虽然没有生成器官，但人有世界模型 02:26:34 我们的智能水平还在为视觉挣扎，机器人领域在抢跑 【更多信息】 联络我们：微博@张小珺-Benita 更多信息欢迎关注公众号：张小珺

今天的嘉宾是明超平（小明/Leon），一名AI应用创业者。 2024年的AI叙事还是大模型，《商业访谈录》访谈了杨植麟、王小川、李开复等大模型公司创始人；稍一转眼，2025年的AI叙事已然变成应用公司和Agent——新的主角登场了。 这集节目和往期《对Manus创始人肖弘的3小时访谈：世界不是线性外推，做博弈中的重要变量》一样，也是来自一线“AI应用爆发”、“Agent爆发”的前沿声音。 在中国创投圈，明超平是一位创业伊始就受到资本相对共识的创业者。他出生于95年，曾先后在OnePlus、ByteDance、Moonshot做产品。这是他第一次做CEO，发的第一个产品叫YouWare。 他和我们此前的两位嘉宾有一些渊源：一个是杨植麟，2023年他和杨植麟深谈了10个小时，从白天到黑夜，聊完决定加入Moonshot；另一个是肖宏，有时候我会听到创投业人士将小明与小红对比来聊，说他们都属于“Hands-on型、产品型创业者”。 是不是这样呢？今天的3小时访谈希望能呈现小明的真实状态，是不是大家说了算。 不过，虽然老被关联，小红与小明至今没见过。 期待2025，我们和AI共同进步：） 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 03:16 开始的快问快答 那些散漫的叛逆的挫败的少年成长 04:36 童年和少年片段 06:52 我在武大打辩论，尤其擅长四辩 13:00 辩论让我学会的最重要的：“永远具有第三方视角，辩论不是说服你的对手”，“1秒钟把自己变成傻子”（by张小龙） 14:40 大学后两年基本睡在实验室里，沉浸式打“智能汽车竞赛”，拿了国奖 19:43 哎，好惨，惨痛的经历——我是输掉比赛最多的队员，也是拿最佳辩手最多的队员 23:06 那是学长的退役比赛，我到今天还很愧疚 产品经理之路的前三站：OnePlus、ByteDance、Moonshot 26:37 产品经理之路第一站：OnePlus导师带我们去坐地铁、逛商场 30:18 “体验不是数据”：续航数据和续航体验不划等号，95-100%和0-5%电量是用户对体验最敏感焦虑的时候 33:58 产品经理之路第二站：刚去字节极不适应，觉得自己很菜 37:42 字节产品方法论劣势是什么？“它会磨灭掉很多灵光一现的创意” 39:35 “数据是‘开车的后视镜’，但它不能指引你前进” 41:03 字节没有乔布斯，字节没有张小龙，但字节有一鸣啊——有一些很小很小的创业团队，一鸣都聊过了 42:08 怎么看字节过去这些年出来了许多创业者，但无人大成？ 43:28 23年和杨植麟聊了10个小时，聊音乐、艺术、爱好、产品、过去的经历，实在是到晚上8点我们要去吃pizza，我说“要不给我讲讲技术吧” 50:14 海外产品Noisee的走红与骤停 01:03:03 字节能成为字节，契合了时代几个重要变量（移动设备普及、带宽速度、推荐引擎） 跳下大船创业啦！ 01:05:05 立马就遇到the bitter lesson（苦涩的教训） 01:11:59 想雕花的本能，情不自禁给它更多脚手架，你会和这个时代的最大变量背道而驰 01:12:45 突然意识到，这个东西不对劲——产品没上线就停掉了 01:13:18 失眠的顿悟：AI时代关键指标之一是“token消耗速度”，要追求“per token valuation” 01:16:33 “壳”被低估了，应该叫“容器”和“环境”（环境是人的反应器） 01:17:52 只给用户一个Chatbot输入框，是蛮不负责任的 01:21:18 今天Coding发展和当年Camera类似，早期聊相机说的是“拿着单反的人”，巨大变化是出现了新的人群——“手机摄影师” 01:23:50 早期趋势变量是出现新的人群，增速快，今天的新人群是“Vibe Coder（氛围编程师）” 01:25:23 今天Anthropic是不是承担索尼的角色？其他创业公司把时间花在Camera/基座模型上，还是花在——随着Camera迭代出现了Snapchat、Instagram、TikTok、TikTok Live 今天的Agent就像大猩猩刚拿起一根烧火棍 01:37:12 Agent未来可能的两种生态：类比新加坡vs美国 01:40:44 Page rank变成Agent rank 01:42:07 如果你把所有to C公司都变成to B公司，会受到大家的反抗 01:44:02 Agent的网络效应 01:46:02 我们也想成为OS Agent呀！——路径不告诉你：） 01:46:30 我对团队说：“咱们99.9%是要死掉的” 01:46:57 今天的Agent像一个大猩猩拿起石头开始砸东西 01:47:58 “永远相信Model会变好，永远相信Model和你无关” 01:49:50 基础模型在造更聪明的人，应用公司在通过环境/经验适用我们的生产需求 01:53:54 我设想的OS Agent：它是活的 01:58:26 Agent接下来会像人类社会出现部落，遇到信任问题，需要身份证、密码锁 02:03:33 过去2年对AI技术和产品的观察（以更高效的方式消耗token、压榨智能） 第一次做CEO 02:14:50 给你的员工提供情绪价值 02:19:53 90后founders更自信、更洒脱、更叛逆 02:21:17 融资风生水起，我却感觉如履薄冰 02:23:35 有意识地对抗Ego 02:33:45 棋手和对弈的人 02:36:57 最后的快问快答 相关单集： 和杨植麟聊大模型创业这一年：人类理想的增量、有概率的非共识和Sora 和王小川聊再创业这一年：回应朱啸虎与中国AGI第三种可能 和李开复聊聊：如果美国形成AGI霸权，我们应该怎么办？ 对Manus创始人肖弘的3小时访谈：世界不是线性外推，做博弈中的重要变量 【更多信息】 联络我们：微博@张小珺-Benita，小红书@张小珺 更多信息欢迎关注公众号：张小珺

2025年3月底，奔驰汽车全球CEO康林松先生（Ola Källenius）来华9天，期间我对他做了一次访谈。 奔驰是世界上第一个发明了燃油车的公司，现在正处于奔驰139年历史上最重大变革时期，可以说康林松是主导这场关键变革的“一名转型期CEO”。 他1969年出生于瑞典，1993年加入了奔驰，绝大多数职业生涯都在奔驰；6年前，他在2019年担任了奔驰全球CEO。值得一提的是，他是奔驰历史上第一位在上任时非德裔的CEO。 我和康林松先生聊了聊他上任6年的重要战略决策（包括豪华车战略、电动化战略）、中国市场的成与败、科技平权与豪华车是否有悖论，以及在他领导之下的这场奔驰有史以来最重大的关键变革。 我想给大家呈现的是一个，转折之中的139岁巨人。 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） * 04:12 第一部分：谈中国市场 * 过去6年，你对中国市场最重要的观点是什么？ * 你们在中国的市场份额过去3年一直下降，什么原因导致的? * 这是否意味你们在中国的电动车之战中，输了？ * 你们更强调豪华车战略，而不是电动化转型，是这样吗？ * 你喜欢中国汽车里的彩电、冰箱、大沙发吗？ * 你们在中国市场的成败会决定全球转型的成败吗? * 计划采用哪些创新策略来扭转在中国市场的局面? * 18:24 第二部分：谈AI和新技术 * 外界说特斯拉在电动车上比你们领先10年，你如何回应? * 但如果你们无法控制所有技术，你们能控制自己的豪华车吗？ * 随着汽车行业转向电动化和智能驾驶，奔驰没有完全引领这些新技术，奔驰还能主导豪华吗？ * 你们正在测试固态电池，能否分享更多进展？ * 人工智能将如何改变全球汽车行业的游戏规则？ * 中国DeepSeek正在全球范围内崛起，你会考虑合作吗？ * 随着“技术民主化”，技术不再是超级排他性，消费者还需要豪华车吗？ * 如果必须在豪华和科技之间选择，你会选择哪一个？ * 如果卡尔本茨先生还在世，你觉得他会选哪一个？ * 40:17 第三部分：谈转型期CEO和转型之中的奔驰 * 拥有139年历史的奔驰巨头，如今正处于其历史上前所未有的转折点上？ * 回到2019年5月22日，你接任首席执行官的那一天，那天都发生了什么？ * 作为变革时期掌舵者，请说出你至今面临过的最大困境 * 特斯拉和中国车企仍然是创始人驱动，而德国汽车制造商经历了几代职业经理人，这是否会让德国汽车制造商更加保守？ * 你有没有感觉过，这位139岁的巨人转型缓慢？ * 当你做出每一个重大决定时，有没有觉得本茨先生在关注着你？这会让你有很大压力吗？ * 如果能问卡尔本茨先生一个问题，你想问什么？

2021年，Sam Altman以个人名义向美国核聚变初创公司Helion Energy注资3.75亿美金，这是他迄今最大的一笔个人下注。Helion豪言称，将在2028年前建成全球首座50兆瓦聚变电厂。 马斯克持不同看法。他曾说：“我们的头顶一直就有一个取之不尽、用之不竭的核聚变反应堆——太阳”。他相信太阳能才是人类能源问题的根本路径。 不过，在许多人眼中，可控核聚变仍然是“能源界的圣杯”。 随着今天我们向AGI迈进，能源将是文明演进的最大瓶颈——毕竟，AGI或许不惧怕人类，但一定害怕断电。 这集节目，我邀请了中国可控核聚变创业公司、能量奇点创始人杨钊来聊聊。相比AI，可控核聚变是一条更漫长、更人迹罕至的创业之路。 它几乎是面对人类有史以来最复杂的物理难题之一，站在科技与人类文明的边界上，做技术摸索。 节目中，杨钊帮我们做了一次关于可控核聚变的前沿技术科普；作为中国可控核聚变事业的参与者，他也相对清晰地计算出了，人类驯服可控核聚变还需要多少资金要消耗？还有多少路程要走？我们也聊了聊，在更远处的未来，当能源成为无限，我们的世界、我们的文明又将怎样？ 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 03:00 开始的快问快答 高频专业名词解释 04:10 核聚变、核裂变、可控核聚变、托卡马克、高温超导托卡马克，全世界只有3台全低温超导装置 13:22 多国联合推出的“国际热核聚变实验堆计划”（ITER）， 一个超大型托卡马克装置，已投入资金250亿欧元，建设周期30年 14:47 高温超导材料和低温超导材料都是低温（高温超导在的能量增益的条件下，可以将装置体积缩小两个数量级，也意味建造成本大约缩小两个数量级） 19:17 一个关键指标：Q值/能量增益由三乘积（等离子体的密度×温度×约束时间）决定，Q值全球最高刚过1，目前追求Q>10 可控核聚变的历史 21:55 从爱因斯坦质能方程E=MC²开始说起，非常小质量损失会产生巨大能量 27:09 从氢弹到惯性约束到磁约束，不同磁场形状对应不同磁约束分叉技术路线 27:50 上个世纪60年代，苏联想到用甜甜圈一样的磁场位形托卡马克路线 28:50 全世界大概有100台以上托卡马克装置 29:11 从用铜做托卡马克的时代过渡到用超导做托卡马克 30:17 2024年，我们建成全世界第一台全高温超导托卡马克（“洪荒70”装置） 核聚变创业这4年 34:01 2021年想法：也许高温超导显著缩小装置体积，将成本两个数量级降低 39:43 想清楚以后搭团队，最开始4个人 41:05 杨钊的个人背景：斯坦福博士方向是比较底层的物理，量子引力、弦论、量子引力和量子信息的交叉，离这个世界比较远的基础物理 46:36 人类科学的“明珠”和“有生之年”系列 51:05 从博士毕业到核聚变创业之间？在金沙江创投美国做EIR（驻场准创业者）、第一段人工智能和音乐教育结合的创业 55:36 2021年初，针对核聚变科研院所和供应商的市场调研 “洪荒70”、“洪荒170”和经天磁体 59:37 “洪荒70”是怎么建造的？做一台全高温超导托卡马克需要几步？ 01:07:33 每个环节都在不断出问题，你越接近实物状态，你的问题越大、问题越多，改动修补成本越高 01:15:43 “洪荒70”的意义 01:18:49 通往第一个可控核聚变商品的“三步走” 01:21:10 经天磁体（大孔径磁体）和“洪荒170”的意义 01:35:18 点评世界上3台全低温超导装置（中国合肥的EAST、韩国的KSTAR、日本的JT-60SA） 01:38:40 “洪荒380”，按照完整能长时间运行的示范电站的要求做 人类驯服可控核聚变还有多少路程？ 01:41:40 Sam Altman迄今为止最大的一笔个人投资是Helion Energy：“磁场位形是直线性的，不像我们是甜甜圈” 01:45:06 核聚变和AI的关系是什么？ 01:52:13 中美核聚变市场格局的分割与差异 01:54:10 我们和CFS（Commonwealth Fusion Systems，美国麻省理工学院分拆出来的联邦核聚变系统公司）技术路线是相似的 01:56:40 真正聚变商业化的原料需要用氘氘去发电，而不是氘氚 02:03:16 当能源无限，世界会怎么样？ 02:04:57 聊聊自我与组织、登山与跌落 02:30:57 最后的快问快答 位于上海临港的能量奇点现场及装置图： （上图：公司外） （上图：厂房内） （上图：“洪荒70”建设中） （上图：“洪荒70”等离子体） （上图：“洪荒70”建成时刻） （上图：“经天磁体”） （上图：“经天磁体”的测试系统，“经天磁体”躺在大罐子里） 【更多信息】 联络我们：微博@张小珺-Benita 更多信息欢迎关注公众号：张小珺

今天的嘉宾是清华大学交叉信息研究院助理教授、星动纪元创始人陈建宇。他的研究和创业方向都是人形机器人。 大语言模型浪潮爆发后，学界和工业界看见了机器人从专用走向通用的可能迹象，机器人革命随之而来。其中，本轮革命最重要的是，对机器人底层架构，也就是机器人“大脑”的探索。 但通用机器人还在科学研究阶段，处于产业发展早期。这集节目，陈老师将带领大家，概览式阅读机器人基座模型和当下最前沿的架构VLA架构（Vision-Language-Action Model，视觉语言动作模型）的经典论文。 希望我们的节目能直观地帮助更多人靠近科学前线，感受技术之美，并且能直观感知当前技术拐点。 还是那句话：期待2025，我们和AI共同进步！ （因为因为，陈老师真的分享了很多很多的动图和视频，本集结合视频服用效果更佳噢！可以前往：含投屏的视频版本。嘿嘿！预祝你学得开心！学得顺利啦！） 我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：） 02:30 陈建宇的研究和创业方向 04:11 讲解开始前，先提问几个小问题 17:36 当下最大变量：从专用模型到通用模型（robot foundation model）的可能性 21:12 大模型浪潮爆发后，机器人领域经历了两个阶段：从利用基础模型进行机器人研究（leveraging foundation models in robotics）到为机器人预训练基础模型（pretraining foundation models for robotics） 第一阶段：利用基础模型进行机器人研究（leveraging foundation models in robotics） 21:59 机器人传统三板块：Planning+Perception+Actuation（规划+感知+执行）——第一步，用LLM（Large Language Model，大语言模型）替代Planning 23:54 由Google Robotics团队提出的具身智能开创性论文Say Can《Do As I Can, Not As I Say: Grounding Language in Robotic Affordances》 （中文名：我能做到，而不是我说到：将语言与机器人的可供性相结合） 27:03 第二步，用VLM（Vision-Language Models，视觉语言模型）替代Perception 27:52 来自Google的论文《Inner Monologue: Embodied Reasoning through Planning with Language Models》 （中文名：内心独白：通过语言模型规划进行具身推理） 29:51 由清华和上海姚期智研究院提出的《DoReMi: Grounding Language Model by Detecting and Recovering from Plan-Execution Misalignment》 （中文名：DoReMi：通过检测和恢复规划-执行不一致来落地语言模型） 32:47 第三步，想把Actuation进一步自动化，用Code LM（专门用于代码相关任务的大型语言模型）来替代Actuation 32:24 由李飞飞团队提出的《VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models》 （中文名：VoxPoser：使用语言模型进行机器人操作的可组合3D价值地图） 第二阶段：为机器人预训练基础模型（pretraining foundation models for robotics） 38:36 VLA端到端模型（Vision-Language-Action Model，视觉语言动作模型）——“人是很智能的VLA Agent” 39:53 关于VLA的经典论文及分类： 40:17 Aloha论文《Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware》 （中文名：学习用低成本硬件进行精细双手操作） 47:36 Mobile Aloha论文《Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation》 （中文名：移动ALOHA：使用低成本全身远程操作学习双手移动操作） 50:15 论文《A Generalist Agent》介绍了一个名为Gato的通用型人工智能代理 （中文名：通用型代理） 52:45 RT-1论文《RT-1: Robotics Transformer for Real-World Control at Scale》 （中文名：RT-1：机器人Transformer用于大规模现实世界控制） 59:02 Octo论文《Octo: An Open-Source Generalist Robot Policy》 （中文名：Octo：一个开源的通用机器人策略） 01:02:20 CrossFormer论文《Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation》 （中文名：扩展跨具身学习：操控、导航、运动和飞行的统一策略） 01:06:58 字节跳动AI Lab的两个工作GR-1和GR-2： 《Unleashing Large-Scale Video Generative Pre-Training For Visual Robot Manipulation》（为视觉机器人操控释放大规模视频生成预训练模型） 《A Generative Video-Language-Action Model with Web-Scale Knowledge for Robot Manipulation》（用于机器人操作的网络规模知识生成视频-语言-动作模型》） 01:15:02 Palm-E论文《PaLM-E: An Embodied Multimodal Language Model》 （中文名：PaLM-E：具身多模态语言模型） 01:20:02 当前VLA最有名的开山工作：Google推出的RT-2论文《RT-2：Vision-Language-Action Models Transfer Web Knowledge to Robotic Control》 （中文名：RT-2：视觉-语言-动作模型将网络知识迁移到机器人控制中） 01:26:05 RT-X论文《Open X-Embodiment: Robotic Learning Datasets and RT-X Models》 （中文名：开放X具身：机器人学习数据集与RT-X模型） 01:31:16 《OpenVLA: An Open-Source Vision-Language-Action Model》（约等于开源版RT-2） （中文名：OpenVLA：一个开源的视觉-语言-动作模型） 01:32:56 陈建宇课题组《HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers》 （中文名：HiRT：利用分层机器人Transformer增强机器人控制） 01:38:40 Figure AI Helix，没发论文，但是今年Figure最新架构 01:39:28 Pi0论文《π₀: A Vision-Language-Action Flow Model for General Robot Control》 （中文名：π₀：一个视觉-语言-动作的流模型用于通用机器人控制） 01:41:36 英伟达最近发布的GROOT N1模型《GR00T N1: An Open Foundation Model for Generalist Humanoid Robots》 （中文名：GR00T N1：通用人形机器人的开放基础模型） 01:42:32 《Diffusion Policy: Visuomotor Policy Learning via Action Diffusion》 （中文名：扩散策略：通过动作扩散进行视觉运动策略学习） 01:47:39 清华发布的《RDT-1B: A Diffusion Foundation Model for Bimanual Manipulation》 （中文名：RDT-1B：双手操作机器人的扩散基础模型） 01:51:04 《Prediction with Action: Visual Policy Learning via Joint Denoising Process》（动作预测：通过联合去噪过程进行视觉策略学习） 和续作《Video Prediction Policy: A Generalist Robot Policy with Predictive Visual Representations》（视频预测策略：一个预测视觉表征的通才机器人策略） 02:03:06 两个未来方向：《UP-VLA: A Unified Understanding and Prediction Model for Embodied Agent》（UP-VLA：具身智能体的统一理解与预测模型） 《Improving Vision-Language-Action Model with Online Reinforcement Learning》（通过在线强化学习改进视觉-语言-动作模型） 02:09:22 最后的提问 【技术之美】系列： 逐句讲解DeepSeek-R1、Kimi K1.5、OpenAI o1技术报告——“最优美的算法最干净” 逐篇讲解DeepSeek关键9篇论文及创新点——“勇敢者的游戏” 逐篇讲解DeepSeek、Kimi、MiniMax注意力机制新论文——“硬件上的暴力美学” 【更多信息】 联络我们：微博@张小珺-Benita，小红书@张小珺 更多信息欢迎关注公众号：张小珺