最近收听了张小珺采访AI科学家谢赛宁的播客，这场长达7小时、从下午持续到凌晨的深度对谈，引发了我许多思考，特此记录与分享。
张小珺是谁？她是中国科技商业领域最具辨识度的深度访谈者之一，财经作者，播客《张小珺Jùn｜商业访谈录》的主理人。她的访谈对象几乎覆盖了中国科技圈的核心人物——从旷视印奇到星海图高继扬，她擅长用长时间、高密度的对话，把那些通常藏在PPT和新闻稿背后的真实想法“逼”出来。
她说过一句话： “如果我的访谈能陪你走一段孤独的未知的路，也许有一天可以离目的地更近一点，我就很温暖。”
这场没有预设剧本的马拉松式对话，或许为我们揭开了当前人工智能浪潮下最值得深思的一层帷幕。
对面坐着的人叫谢赛宁。
这个名字你可能不熟悉，但如果你体验过Sora，或者看过任何AI生成的视频，那么你正在接触的技术底层——Diffusion Transformers（DiT）——正是他参与奠基的。他的论文被引用近10万次，曾与何恺明合作开创了ResNeXt、MoCo等里程碑式的工作。就在这场访谈前不久，他与图灵奖得主杨立昆（Yann LeCun）共同创立了AMI Labs，在没有任何产品的情况下完成了10.3亿美元的种子轮融资，投前估值35亿美元——创下欧洲有史以来最大的种子轮纪录。
而这次播客，是他第一次接受公开深度访谈。
从下午2点开始，他们聊了整整7个小时，谈话覆盖了世界模型、硅谷的现状、两次拒绝OpenAI联创Ilya的邀请、与杨立昆和李飞飞的故事、研究品味与《金刚经》，以及那个科幻迷都懂的终极答案——42。
这不是一篇技术论文的解读，而是一位顶级AI科学家的思想全景图。
一、“普通的一个”——谢赛宁是谁？
在AI圈，谢赛宁是一个非常特别的存在。
他并非那种自幼便天赋异禀、注定改变世界的天才。他自嘲是“the normal one”——普通的一个。
1990年出生，上海交通大学ACM班毕业。大学期间，他的关键词不是“刻苦钻研”，而是——打游戏。
用他自己的话说，在交大ACM班那个人才济济的地方，他就是“混日子”的那一个。
但人生的轨迹，往往不是线性的。
“最糟糕的研究是，你一开始定义了一个问题，说这是我的想法，最终发表的论文其想法却与开始时天差地别。”
这是谢赛宁后来从何恺明那里学到的研究哲学，但某种程度上，也是他自己人生的写照。他的每一步选择，都充满了看似随机的转向：
- 放弃了微软亚洲研究院的实习机会，全凭兴趣。
- 博士申请截止前几天才被导师“捞起” ，差点错过加州大学圣地亚哥分校。
- 在Meta的FAIR实验室待了4年，之后又去了Google DeepMind。
- 现在，他是纽约大学的教授。
如果画一条他的人生轨迹线，你会发现它不是一根直线，而是一个充满“随机梯度下降”的优化过程——不断探索、试错、修正，最终收敛到一个令人惊叹的位置。
而这种“非线性”，恰恰是他认为好的研究应该有的样子。
二、与何恺明的友谊：顶级研究是怎样诞生的？
谈到谢赛宁的学术生涯，绕不开一个名字——何恺明。
何恺明是ResNet的提出者，深度学习领域引用量最高的研究者之一。如果说深度学习有一个“名人堂”，他一定是其中最耀眼的成员之一。
谢赛宁与何恺明在Meta FAIR期间建立了深厚的合作关系，共同完成了ResNeXt等影响深远的工作。但让谢赛宁印象最深的，不是这些最终成果，而是过程。
他回忆说，真正的顶级研究，并非你坐下来想出一个绝妙的点子，然后线性地执行到底。现实恰恰相反：
你需要花大量时间做看似无用的事——复现基线、尝试各种改动、在无数失败中寻找微弱的信号。真正的创新点子，往往在探索后期才突然涌现。
ResNeXt就是这样诞生的。在漫长的探索期之后，从无到有，仅用了一个月。
这让他总结出一条反直觉的研究方法论：
如果一个研究项目从头到尾想法都没变过，那它大概率是一篇无聊的论文。
这种观点放在今天的学术界，堪称一记重锤。太多研究者（尤其是博士生）被教导要“效率优先”，在最短时间内发表论文。但谢赛宁认为，评价一个研究者，应该看长期积分而非单点估计。一篇“签名式工作”的价值，远超十篇平庸论文之和。
这就像一个比喻：好的研究就像好的投资——你不需要每次都赢，但你需要确保赢的那几次，赢得足够大。
三、两次拒绝Ilya：为什么说No比说Yes更难？
整场访谈中最令人惊讶的故事之一，是谢赛宁两次拒绝了Ilya Sutskever的邀请。
Ilya Sutskever——OpenAI的联合创始人、首席科学家，被公认为当今世界最重要的AI研究者之一。能被Ilya亲自邀请，对绝大多数研究者而言，是梦寐以求的机会。
但谢赛宁说了两次No。
第一次是2018年。 Ilya邀请他加入OpenAI。谢赛宁选择了Meta FAIR——因为当时的FAIR更像一个纯粹的研究圣地，而OpenAI的方向与他的研究理念存在根本分歧。
第二次是2024年。 Ilya离开OpenAI后创立了新公司SSI（Safe Superintelligence Inc.），再次向谢赛宁发出邀请。谢赛宁再次婉拒。
“Ilya给我打电话，我什么也没说，我只是拒绝了。”
为什么？
核心原因只有一个：路线之争。
谢赛宁坚定地认为，以大语言模型（LLM）为核心的路线，并非通向真正通用智能（AGI）的正途。他看重的是多模态与视觉优先——让AI像人类一样，通过观察和理解物理世界来获得智能，而不是仅仅通过阅读互联网上的文字。
而Ilya的路径，无论是在OpenAI还是后来的SSI，都更偏向于在语言模型的基础上深化。
这不是个人恩怨，而是信仰之争。
在一个“唯恐错过”的时代，说No需要的不是勇气，而是清醒。
四、“语言是毒药”——硅谷被催眠了？
如果说整场访谈有一个最震撼的观点，那一定是这句：
“Language is actually a poison. 语言实际上是一种毒药。”
什么意思？谢赛宁的逻辑链条是这样的：
第一步：人类智能的根基不是语言，而是视觉。
他引用了一个经典的科学事实：人类大脑皮层70%的区域在处理视觉信号。不只是人类——整个动物界的智能爆发，都始于5亿年前的寒武纪大爆发，而那次大爆发的核心驱动力就是——眼睛的诞生。
换句话说，在语言出现之前的几亿年里，生物已经通过视觉建立了对物理世界的深刻理解：重力、碰撞、因果、空间……这些“常识”不需要语言来表达，但它们是智能的真正基石。
第二步：语言是一个有损压缩的通信协议。
语言是什么？本质上，它是人类为了沟通而发明的工具。为了高效传递信息，语言不得不丢弃大量关于物理世界的细节。你可以用语言描述“一个苹果从树上掉下来”，但你无法通过这句话真正体验重力——那种加速度、空气的阻力、落地时的震动。
所以谢赛宁说：
“如果AI只学习语言数据，就像一个人只读书却从不睁眼看世界——它获得的是二手的、被过滤过的知识，而非对现实的直接理解。”
第三步：大语言模型让整个行业上瘾了。
这就是他所说的“毒药”的深层含义。ChatGPT的巨大成功，让整个硅谷都陷入了一种“LLM催眠状态”——所有的资源、人才、注意力，全部涌向了大语言模型。
“Silicon Valley is very LLM-pilled. 硅谷已经深陷于LLM，完全被它催眠了。”
他用了一个更激烈的比喻：
“如果语言是拐杖，而你一直拄着它走路，你的腿部肌肉永远也锻炼不出来。如果语言是鸦片，你持续服用，终将被毁掉。”
这种观点在当下的AI圈近乎“异端”。当所有人都在讨论GPT-5、Claude、Gemini时，谢赛宁站出来说：这条路，可能走不到终点。
这需要极大的学术自信，也需要敢于对抗主流潮流的勇气。
五、世界模型：不是预测下一个词，而是预测下一个世界
说完了“什么是错的”，那么谢赛宁认为“什么是对的”？
答案是：世界模型（World Model）。
但首先要澄清一个普遍的误解：世界模型 ≠ Sora。
很多人听到“世界模型”，第一反应是OpenAI的视频生成模型Sora——它不是号称“世界模拟器”吗？
谢赛宁明确区分了两者：
|
语言模型 |
视频生成模型（如Sora） |
世界模型 |
| 预测什么 |
下一个token（词） |
下一帧像素 |
下一个状态（在抽象空间中） |
| 核心能力 |
语言理解与生成 |
视觉内容生成 |
理解、预测、规划 |
| 关键区别 |
操作离散符号 |
操作原始像素 |
操作抽象表征 |
世界模型的关键词是：抽象与预测。
想象一下你在走路。你的大脑不需要“渲染”出前方每一个像素的图像，然后才决定下一步怎么走。你的大脑做的是：
- 把眼前的场景抽象为一个内部表征（前面有台阶、右边有人、地面有水）
- 基于你的行动意图，预测下一步会发生什么（如果我往右走，会撞到人）
- 基于预测结果，进行规划（所以我应该往左走）
这就是世界模型的工作方式。它不是在像素层面做生成，而是在一个更高、更抽象的“表征空间”里做预测和规划。
谢赛宁和杨立昆推崇的核心架构是JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）——其核心思想正是：在抽象的表征空间中进行预测，而不是在原始数据层面进行重建。
为什么这很重要？
因为只有在抽象空间中的预测，才能支持真正的规划（Planning）。而规划——根据当前状态和目标，搜索最优的行动序列——才是通向真正智能的关键。
你让ChatGPT写一首诗，它会给你一个很好的结果。但你让它规划“如何从北京到上海，中间要经过南京办一件事，而且预算只有500块”——它的“思考”本质上是在做文字接龙，而不是真正的搜索与规划。
这就是语言模型（依靠思维链推理）和世界模型（依靠模型预测控制进行规划）的根本区别。
六、AMI Labs：25个人，10亿美金，零产品
理念讲完，谢赛宁并非空谈。2024年底，图灵奖得主杨立昆离开Meta，与谢赛宁等人在巴黎创立了AMI Labs（Advanced Machine Intelligence Labs）。
这家公司的基本数据令人瞠目：
- 团队人数：仅25人
- 产品：零
- 种子轮融资：10.3亿美元
- 投前估值：35亿美元
- 投资方：英伟达、贝索斯家族投资机构、淡马锡等顶级资本
25个人，没有任何产品，就拿到了10亿美金。
这背后是什么？
一方面是FOMO（害怕错过）情绪的集中爆发。正如一些行业观察者所分析的：那些错过了OpenAI早期投资机会的资本，不想再错过第二个潜在巨头。即使投错的概率很大，也要在这些“有顶级团队、有颠覆性理念但尚无成果”的方向下重注。
另一方面，是杨立昆+谢赛宁这个组合的顶级号召力。杨立昆是AI领域“三巨头”之一，图灵奖得主；谢赛宁是计算机视觉领域最高产、最有影响力的年轻研究者之一。两人联手探索一条与主流背道而驰的路径，本身就是一个极具吸引力的故事。
谢赛宁在访谈中还提到了一个有趣的细节：他当初选择去Google兼职的一个重要原因是——
“我去谷歌做这份工作，是因为我想看看谷歌的人在做什么，这样我就知道在学术界不该做什么。”
这不是凡尔赛，这是一种战略性的差异化思维。在所有科技巨头都在大语言模型上疯狂堆砌资源的时代，作为学术研究者或初创公司，在同一条赛道上正面竞争无异于以卵击石。
所以，找到巨头们不做或做不好的事，然后全力做好它——这才是明智的策略。
AMI Labs的使命正是：不做大语言模型，专注世界模型。
他们的目标是打造一个能够真正理解现实世界、具备长期记忆和规划能力的智能系统，潜在应用方向包括AI眼镜、机器人等需要与物理世界深度交互的场景。
当然，这也是一场巨大的赌注。正如访谈中提到的，这个方向可能需要5到10年才能看到实质性成果。在这个追求“快速迭代与变现”的时代，这种时间尺度本身就是一种反叛。
七、杨立昆往事与李飞飞之问
访谈中，谢赛宁还聊到了与几位AI大牛的交往故事。
杨立昆：一场关于“表征的世界”的共鸣
谢赛宁回忆，他与杨立昆的深层连接，始于对“表征学习”的共同执着。他认为，从他早期的深度监督网络到近期的DiT、RAE，所有研究的核心主线只有一条——如何学习更好的表征。而杨立昆长期倡导的JEPA架构，本质也是关于“如何在表征空间中进行预测”。两人在这个“表征的世界”里找到了高度共鸣，这也是AMI Labs诞生的思想基石。
李飞飞：为什么中文世界出不了OpenAI？
访谈中还提到了另一位华人AI巨星——李飞飞。谢赛宁与李飞飞曾讨论一个尖锐但重要的问题：为什么中文世界出不了OpenAI？ 这个问题背后涉及学术体制、创业环境、文化心态等多重复杂因素，虽未在访谈中展开，但其本身已足够令每一位中国AI从业者深思。
八、Research Taste与《金刚经》
访谈进行到后半段，话题愈发深入——他们开始聊研究品味（Research Taste）和《金刚经》。
这是整场对话中最出人意料的环节之一。一位顶尖AI科学家，在探讨技术前沿时，引用了一部佛教经典。
谢赛宁认为，做研究最重要的能力或许不是纯粹的技术实力，而是品味——即知道什么问题值得深究，什么方向值得长期投入。这种品味无法通过标准课程习得，它来自于大量的阅读、思考、与聪明人的交流，更来自于对“无用之事”的包容与探索。
而《金刚经》中“应无所住而生其心”的思想，与他对研究的理解暗合——不执着于某一个具体的想法或方向，保持开放心态，让真正的洞察在自由的探索中自然涌现。
这种思想在如今追逐排行榜、抢发论文的AI研究界堪称一股清流。谢赛宁的观点是：
真正改变世界的研究，需要耐心、品味和不功利的探索精神。
九、“我们需要下载人类”——数据瓶颈的终极挑战
当被问到世界模型需要什么样的数据时，谢赛宁给出了一个令人震撼的回答：
“We need to download humanity. 我们需要下载人类。”
这不是修辞，而是一个严肃的技术判断。他指出了一个惊人的对比：一个四个月大的婴儿，仅仅通过眼睛接收的视觉信息量，就已经超过了当前最顶级LLM（如GPT-4）的全部训练数据。
想想这意味着什么。GPT-4训练用了互联网上几乎所有的优质文本，达数万亿token。但一个婴儿在4个月内通过视觉接收的信息量就超过了这个数字。
这说明：文本数据只是人类知识冰山的一角。
互联网上的文字，本质是人类经验的一个极度压缩的投影。真正的“知识”——关于物理世界的常识、人类行为与情感的理解、时空直觉——绝大部分从未被写成文字。
因此，要构建真正理解世界的AI，我们需要的数据不是“下载互联网”，而是“下载人类”——囊括人类的视觉体验、身体感知、社交互动等全方位数据。
这就引出了一个巨大的技术、伦理与法律挑战：这样的数据从何而来？如何收集？如何处理隐私与版权问题？
谢赛宁坦言，这是世界模型路线面临的最大瓶颈之一，但也正因如此，它才是一个真正值得解决的、根本性问题。
十、“42”——终极答案与未竟之问
访谈的尾声，落在了“42”上。
如果你读过《银河系漫游指南》，你一定知道这个梗：一台超级计算机用750万年计算出了“生命、宇宙以及一切的终极答案”——答案是42。但问题是：没有人知道那个终极问题是什么。
谢赛宁用这个经典的科幻意象来收束整场对话：
“42是终极问题的答案，但我们可能都没机会问清终极问题本身。”
这已不仅仅是关于AI技术的思考，更是关于人类存在的哲学叩问。
我们创造AI，终极目的究竟是什么？是为了让工具更高效，还是为了探索智能的本质、意识的起源，以及“理解”二字的真正含义？
谢赛宁选择了一条少有人走的路。当世界都在优化“下一个token预测”时，他和杨立昆在追问一个更底层的问题：机器如何才能真正理解这个世界？
这条路更长、更艰难、也更不确定。但如果他们是对的——哪怕只是部分正确——那将意味着AI发展史上一次深刻的范式转移。
后记
回顾这场7小时的对话，最打动我的或许不是那些惊人的观点或数字，而是一种稀缺的态度。
在一个被FOMO驱动的行业里，谢赛宁展现了一种罕见的定力。
- 当所有人涌向LLM时，他说“语言是毒药”。
- 当OpenAI联创亲自邀约时，他两次说“No”。
- 当行业追求快速变现时，他规划“5到10年”。
- 当众人比拼评测分数时，他强调“品味比技术更重要”。
他并非为了标新立异而唱反调，每一个观点都建立在扎实的研究积累与深刻的独立思考之上。
当然，他可能是错的。世界模型的路线可能最终被证明行不通，LLM或许能演化出真正的理解，AMI Labs也可能耗尽巨资却无产品问世。
但科学的进步，从来都需要有人敢于在“共识之外”下注。
正如谢赛宁自己所言：“如果一个研究从始到终想法都没变过，那它大概率是无聊的。”
真正精彩的故事，总是充满了意想不到的转折。
而关于智能的故事，显然还远未到终章。这场发生在开发者广场的广泛讨论，也远未结束。
发表于 1 小时前
|
查看: 3|
回复: 0
