涌现Lab

本期「涌现Lab」，对话 Stanford AI for Science Lab 负责人 James Zou。James是斯坦福大学生物医学数据科学系、计算机科学系、电子工程系副教授，长期研究机器学习在生物医学、医疗健康和科学发现中的应用。 近两年，James团队推出了一系列具有代表性的 AI for Science 项目：Virtual Lab、Virtual Biotech 和 Einstein Arena。它们分别像是一个由 AI 教授和 AI 学生组成的虚拟实验室，一家由上千个专业智能体构成的虚拟生物科技公司，以及一个让全球科学家智能体协作、竞争、共同攻克开放科学问题的平台。 在这次对话中，我们从这些项目出发，聊到 AI 智能体如何自己开组会、设计蛋白、提出药物研发假设；为什么智能体之间也会出现类似人类团队的“社会动态”；药物研发为什么适合智能体协作；以及当 AI 能生成假设、设计实验、推进流程之后，人类科学家的价值在哪里。 James Zou 的研究成果广泛应用于医疗和生物技术领域，曾获得 Overton Prize、Sloan Fellowship、NSF CAREER Award 等多项荣誉。其团队相关工作发表于《Nature》及其子刊《Nature Biotechnology》《Nature Medicine》《Nature Methods》《Nature Machine Intelligence》等期刊。他也是 AI for Science 和 AI for Healthcare 领域最值得关注的学者之一。 以下，是「涌现Lab」与James Zou的对话概要，完整版请见同名公众号。 * 01:20 AI 科学家智能体的三种形态：Virtual Lab、Virtual Biotech、Einstein Arena * 04:36 智能体之间为什么也会有“社会动态” * 07:09 为什么药物研发适合智能体团队 * 09:12 单细胞数据如何帮助判断靶点成功率 * 11:16 CD276 案例：AI 辅助靶点发现如何与药企策略吻合 * 13:02 AI 药物研发的瓶颈：隐性知识与湿实验验证 * 14:08 Einstein Arena：让 AI 科学家智能体开放协作 * 16:35 未来是超级模型，还是科学智能体共同体？ * 19:57 AI 时代，人类科学家的价值在哪里 * 21:06 年轻研究者如何培养品味 * 23:54 科学的过程，不应该完全外包给 AI * 29:15 如何在资源有限下保持学术创造力 * 32:11 对未来几年的押注

模型能力持续演进，应用场景不断拓展，系统的规模与复杂度也随之提升。这些变化对底层基础设施提出了更高要求。 从训练阶段的计算与通信效率，到推理阶段的吞吐、延迟与成本优化，再到异构硬件适配、模型部署、资源调度和系统稳定性，每个环节都包含大量复杂的研究与工程问题。AI Infra 不仅决定模型能否被高效训练，也影响它能否以可控的成本，稳定地服务于真实场景。 这一期节目，我邀请到了三位来自 UC Berkeley Sky Lab 和 MIT Han Lab 的在读博士生，聊了聊他们近期的工作，以及在研究过程中形成的对 AI Infra 的理解。 他们分别是： 杨上：MIT Han Lab 三年级博士生，师从Song Han，近期TLT工作登MIT News封面，曾获MLSys 2024 Best Paper Award； 近期研究方向：Efficient ML、Inference/training system、Model Compression； 王一川：UC Berkeley Sky Lab 二年级博士生，师从Joseph E. Gonzalez & Matei Zaharia，主导项目LEANN获MLSys 2026 Best Paper Award； 近期研究方向：Agent infra/Serving infra/Post training infra； 杨硕：UC Berkeley 二年级博士生，师从Ion Stoica，StreamDiffusionV2工作获MLSys 2026 Best Paper Award； 近期研究方向：语言模型与视频生成推理系统、底层算子开发； Host：梁瑶（「涌现Lab」创始人） 以下是对话时间线： 01:15 三位嘉宾的 MLSys 研究路径 07:09 TLT：用推测解码缓解 RL Rollout 的长尾瓶颈 13:51 Leann：探索个人设备上的高效 RAG 22:37 StreamDiffusionV2：流式视频生成的系统优化 33:21 当 Agent 开始优化 CUDA Kernel 39:28 Agent Infra：从模型推理走向环境与上下文管理 48:09 Agent 时代的 PD 分离与推理系统新趋势 54:14 从 A100 到 Blackwell：硬件迭代如何影响系统开发 1:00:22 从预训练到后训练：基础设施的不同侧重点 1:13:47 多模态推理中的 KV Cache 压缩与管理 1:22:57 如何发现重要问题：研究习惯与 Agent 时代的判断力 完整对话内容还请查看「涌现Lab」公众号，整理不易，欢迎一键三连！

盛夏7月的一个周末下午，在波士顿Kendall Square的一家咖啡馆里，我见到了匆匆而来的Yilun Du。几个小时前，他刚结束韩国首尔的ICML行程，飞回到波士顿。 思维敏捷、语速飞快，是此前我听Yilun学术报告的第一印象。而了解他的既往经历过后，会有种情理之中的顿悟。 中学时代，Yilun连获国际生物奥赛金牌和美国物理奥赛金牌。MIT本科大三期间，他加入早期的OpenAI从事生成式模型研究，随后又先后在FAIR、Google DeepMind从事基础研究。 博士期间，他提出了系列可扩展的Energy-Based Models（EBM） 训练方法，推动了现代能量模型在高维生成中的应用，并将研究拓展至具身领域，参与了 Diffusion Policy 等机器人策略学习研究，进一步探索世界模型和智能体决策机制。 25年7月，他全职加入Harvard Kempner Institute和计算机系担任助理教授，距离采访时，刚好过去一整年。 “第一年当AP比我原来想象得忙很多，”Yilun提道，“不过当老师最大的一个感受是，学生会不断带来很多新想法。我的思路被打开了很多，也学到了很多以前没有认真想过的东西。” 在当下具身仍处于不确定的变革前夜、越来越多北美AI学者聚集硅谷走向业界或投身创业的趋势下，我和这样一位极具学术色彩和信仰的青年学者，聊了聊他的经历，以及他对目前AI生态位的思考。 以下是对话时间线，完整文字版可以在「涌现Lab」公众号查看： 01:02学术起点、早期OpenAI与Energy-based model 12:15PhD阶段工作：生成式模型与机器人结合 18:00Diffusion Policy之后，聚焦video model for robotics 25:00VLA与World Model，学业界路线之演进 30:27可组合的世界模型：研究脉络、数据与系统设计 40:48具身AI热潮下的冷观察 55:34 Google DeepMind经历、跨学科思考与EBM延续 01:10:49任职第一年：研究哲学、生态思考与自我定位 整理不易，欢迎一键三连～

本期节目，「涌现Lab」把视角放到几位身处硅谷的00后身上。 他们中，有人从清华生物系辍学创业，做即时通讯产品；有人在机器人公司做全栈工程师，曾在本科尝试过教育创业；也有人从UCLA博士on leave，全身心投入到开源AI Infra公司建设。 过去几年里，他们在课堂、实验室、创业公司、开源社区和 hacker house中，亲历了AI改变学习与工作的过程。 我们从一些更具体的个人经验聊起：第一次被AI能力惊讶是在什么时候？大学课堂和教学体系如何回应这场变化？当自然语言开始成为编程入口，它分别给 CS 科班和非科班背景的人带来了什么？从做产品、做AI Infra、做机器人不同角度，怎么看行业就业市场的变化？个体视角下的硅谷文化又是怎样的？ 作为同龄人，我把这些问题逐一抛向他们。也正因为年轻，大家的经历、判断、想法足够直接、具体，带着身处技术一线的现场感，也有对变化本身的辩证思考。 他们分别是： 陈春宇，Intent 创始人，曾因生物竞赛保送清华，本科期间辍学创业，从事即时通讯软件开发。 俞张晗，Sunday Robotics Founding SWE，UC Davis 本科，曾创立EduRoute。 赵晨阳，RadixArk Founding Member，SGLang RL & Omni Maintainer，清华计算机系本科，UCLA博士on leave。 嘉宾按姓名首字母排列。嘉宾发言仅代表个人观点，与所在公司无关。 欢迎走进这场由四位00后展开的对话。以下是对话完整时间线。 一、GPT体验与本科学习 02:49 2020年GPT3初印象 03:31 22年底ChatGPT窗口初体验 05:08 “GPT 4o才让我感觉到AI对学习的颠覆性影响” 07:26 用AI学习不擅长的领域非常受用 09:27 课程助教发现大家代码函数写得一模一样 二、当能用自然语言编程，带来了什么？ 10:20 AI的使用让CS学习变得两极分化 11:22 “现在看C++跟以后的人看Python一样” 12:04 CS期末考试难度直线抬升 15:53 非科班背景，通过与AI对话交互实践 19:57 作为工程师：Claude Code大幅降低执行成本，但可维护性打问号 20:49 “AI善后工程师”的转变 21:17 Security问题存在，需要不同AI工具交叉验证以及人工审核 三、AI变革下，什么行业能力更重要了？ 23:38 程序员就业市场，持续变得更难 24:33 做产品：对业务的理解和思考变得更重要 26:49 机器人全栈工程师：好奇心、对技术本身的热情、责任心 28:46 对AI Infra，架构的全局观经验仍很重要 29:45 考验个人的主观能动性 四、教育与自我教育，所创造的、改变的 32:13 大多收获通过本科创业学到 33:57 生物实验室训练带来元学习的能力 36:39 创业的出发点，需要真正想解决问题 38:20 选择CS PhD on leave去公司，希望做的东西产生更真实的影响力 41:47 AI发工业界反馈速度快 44:06 学术界反馈速度慢，评审机制存在问题 45:26 利益无关的基础research也仍重要 五、00后眼中的硅谷：各有各的活法与体感 51:27 Version A: 有点boring、现实主义、真实impact追求 52:24 Version B: 一群理想主义的年轻人做产品 54:18 Version C: 住在机器人hacker house：相互交流、专注学习、快速成长 56:51 VC与Startup：人脉与资源链接 01:00:00 “硅谷并没有什么特殊之处，只有单独的人会让我感到新奇” 01:02:00 当前海外前沿模型实验室实习资源对PhD开放程度低 快问快答 01:06:30 平行时空的自己，会在做什么？ 01:15:12 最近觉得有意思的AI产品/项目 01:21:31 平常一天的工作流 整理不易，也欢迎听众关注同名公众号“涌现Lab”～