Loading...
Loading...
Meta 首席 AI 科学家 Yann LeCun（杨立昆）：LLM 无法实现科学发现，通往 AGI 需要新范式撰文：Techub News 整理
导语
2025 年 3 月，Meta 首席 AI 科学家、图灵奖得主 Yann LeCun（杨立昆）做客知名科技播客《Big Technology Podcast》，与主持人 Alex Kantrowitz 进行了一场深度对话。在近一小时的访谈中，LeCun 以他一贯的清晰和批判性思维，剖析了当前以大语言模型（LLM）为主导的 AI 热潮背后的根本局限。作为深度学习先驱和 Meta AI 的掌舵人，LeCun 的观点不仅基于深厚的学术研究，也反映了产业最前沿的思考。他直言不讳地指出，LLM 无法实现真正的科学发现或创新，并阐述了为何以及如何通过全新的架构（如他提出的 JEPA）来迈向具备理解、推理和规划能力的下一代 AI 系统。本次对话是理解当前 AI 发展瓶颈与未来方向的重要窗口。
摘要
LLM 本质是“复读机”：大语言模型仅能基于训练数据的统计规律进行检索和重组，无法进行真正的推理、规划或提出新问题，因此不可能实现自主的科学发现。
规模扩大无法通向 AGI：仅靠增加数据和算力来扩展 LLM，无法达到人类水平的人工智能（AGI）。当前范式已现收益递减，亟需架构层面的根本性革新。
理解物理世界是关键瓶颈：人类和动物通过视觉等感官直接学习“常识”和世界如何运作。AI 需要能从视频等非文本数据中学习抽象的世界模型，才能进行可靠的预测和规划。
“联合嵌入预测架构”（JEPA）是出路之一：LeCun 团队正在研究的 JEPA 等非生成式架构，旨在让 AI 学习世界的抽象表征，从而忽略不可预测的细节，专注于对可能性的高层级预测，这是实现推理和规划的基础。
开源加速创新，AGI 不会一蹴而就：开源社区在推动 AI 进步上效率更高，DeepSeek 等成果即是例证。AGI 的实现将是渐进过程，依赖于全球研究社区的集体智慧，而非某个公司的“秘密武器”。
LLM 的“阿喀琉斯之踵”：为何无法诞生爱因斯坦？
访谈始于一个尖锐的问题：为何生成式 AI 已“吞下”人类几乎全部知识，却未能做出任何独立的科学发现？Yann LeCun（杨立昆）的回答直指核心：“从 AI 的角度说，可以；但从大语言模型的角度说，不行。” 他解释道，LLM 的训练基于海量文本，其本质是学习并“复述”符合训练数据统计规律的答案。它们擅长信息检索和重组，甚至能产生令人惊艳的文本，但在最纯粹的形式下，它们“完全无法发明新事物”。
LeCun 引用了他与 Hugging Face 联合创始人 Thomas Wolf 的讨论。Wolf 曾指出，要创造“数据中心里的爱因斯坦”，需要的不是一个知晓所有答案的系统，而是一个能提出“无人想过或敢问”之问题的系统。LeCun 对此表示完全赞同，并强调“以目前的形式，LLM 做不到这一点”。他比喻道，人类大脑中负责语言输出的布罗卡区（Broca‘s area）很小，就像是我们的“LLM”。但真正的思考发生在更广阔的脑区，我们通过心理表征和世界模型进行思考，这恰恰是 LLM 所缺失的“真正的智能”。
他将智能能力分为三个层次：记忆与检索、解决问题（给定问题，找到方案）以及最高级的提出正确问题。LLM 只在第一层表现出色，在第二层（解决新问题）表现不佳，在第三层（提出新问题）则完全无能为力。这也是为什么他认为，即使一个 LLM 能像博士一样回答问题，它也并非真正的博士，因为它缺乏发明新解决方案的核心能力。
“推理”的幻觉与物理理解的缺失
当主持人提及当前 AI 领域正试图为 LLM 添加“推理”能力，例如通过“思维链”（Chain-of-Thought）技术时，LeCun 指出了其中的根本局限。他认为，这些方法只是在现有范式上“打补丁”，试图通过让模型生成更多中间令牌（tokens）来分配更多计算资源，但“这并不能产生真正的推理”。
LeCun 阐述了古典 AI 中对“推理”的经典定义：在可能的解决方案空间中搜索，直到找到满足约束条件的解。而 LLM 内部完全没有这种搜索机制。当前一些方法让 LLM 生成大量答案序列，再由另一个系统挑选最佳答案，这就像随机生成代码指令然后测试哪个能运行一样，效率极低，并非真正的推理。
更关键的是，人类和动物的推理并非发生在“令牌空间”（即语言文本）。我们是在内心操纵对世界的心理模型来进行推理和规划的。LeCun 举了一个生动的例子：想象一个漂浮的立方体，将其沿垂直轴旋转90度，你立刻能“看到”结果——它看起来和原来一样。这种基于抽象、连续空间的心理模拟，是 LLM 完全无法实现的。
对于近期一些 AI 视频生成模型（如 Sora）似乎表现出对物理世界的理解，LeCun 持怀疑态度。他认为这更多是针对特定场景（如人类动作）收集大量数据训练的结果，而非对物理规律的真正理解。他举例说，如果让系统生成“汽车撞上干草堆”的视频，可能会出现干草堆从引擎盖里长出来的荒谬画面。这暴露了系统缺乏对物体持久性、因果关系等基本物理常识的理解。“通过生成像素来理解世界，这不是正确的路径。” LeCun 总结道。
数据墙与投资热潮背后的隐忧
LeCun 明确表示，当前 LLM 的发展正在接近“收益递减”的拐点。模型已经使用了近乎整个互联网的公开文本数据进行训练（约10^13至10^14个令牌）。虽然可以通过合成数据或雇佣专家（如 PhD）来生成更多数据填补空白，但成本飙升而收益增长有限。“我们需要一个新的范式。”
他特别指出了当前热门的“智能体”（Agentic Systems）概念面临的尴尬：人人都在谈论，但除了让系统复现训练过的模式外，没人真正知道如何构建能解决全新问题的智能体。这需要系统具备面对新情况时“零样本”或快速学习解决问题的能力，如同人类学开车，初期需要全神贯注（系统二），熟练后则变为下意识行为（系统一）。
面对全球涌入 AI 领域的巨额投资（如 OpenAI、Anthropic 的数十亿美元融资），LeCun 提醒人们注意“时间线错配”的风险。他斩钉截铁地表示：“仅通过扩大 LLM 的规模，我们绝对无法达到人类水平的 AI……两年内绝无可能（no way in hell）。” 那种认为很快就能在数据中心里拥有“天才国度”的想法被他斥为“完全胡说八道”。
不过，他也分析了大型科技公司（如 Meta、微软、谷歌）投资的合理性：大部分资金流向了推理所需的基础设施建设。例如，Meta 计划年底前通过智能眼镜、独立应用等让10亿用户用上 Meta AI，这需要巨大的计算资源。因此，即使新范式革命没有在未来两三年内到来，这些基础设施投资仍有其市场和价值，属于不得不做的战略布局。
然而，对于企业级应用，问题更为棘手。LeCun 承认，当前 AI 系统在从“惊艳演示”到“可靠部署”的“最后一英里”上面临巨大挑战，就像自动驾驶领域十年来的困境一样。系统可能存在5%的幻觉率，而这未知的5%错误在关键企业应用中是不可接受的。他回顾了历史上 AI 的起伏周期，如1980年代的专家系统热潮及其后的“AI 寒冬”，暗示如果期望过高而进展不及预期，行业可能再次面临调整。但他也强调，这次的基础更为坚实，应用也更广泛。
新范式初探：JEPA 与学习世界模型
那么，LeCun 心目中的新范式是什么？他将其核心概括为四个关键能力：理解物理世界、拥有持久记忆、能够推理、能够规划。这要求 AI 能够像婴儿一样，从视频等自然传感器数据中学习“常识”，而非仅仅从人类生产的文本中学习。
LeCun 指出，一个孩子在大约四年的清醒时间里，通过视觉接收的数据量（约10^14字节）与最大规模 LLM 的训练数据量级相当。但孩子在这期间学会了直观物理学的全部基础（重力、物体持久性、动量守恒等），而 LLM 却难以掌握。这凸显了文本信息的“贫瘠”以及从丰富感官数据中学习的必要性。
他介绍了其团队长期致力的解决方案：“联合嵌入预测架构”（Joint Embedding Predictive Architecture, JEPA）。这源于他对“自监督学习”的深入研究。LLM 是自监督学习在文本上的成功特例：通过预测下一个词来学习。但将同样的生成式、重建式方法应用于图像或视频时，效果不佳，因为在高维连续空间中表示所有可能性的概率分布极其困难。
JEPA 则采取了不同的路径。它不是生成或重建像素，而是学习数据的抽象表征（嵌入）。具体而言，系统同时处理完整图像（或视频）和经过掩码遮挡的版本，分别通过编码器得到它们的抽象表征，然后训练一个预测器，根据遮挡版本的表征来预测完整版本的表征。关键在于，系统学习的是在抽象表征空间中进行预测，从而自动忽略那些不可预测的底层细节（如一滴水下落的精确轨迹），专注于高层级、本质的预测（如水会洒出来）。
LeCun 透露，他们在视频上的 JEPA（V-JEPA）已取得积极进展。当系统在大量自然视频上训练后，给它播放一段物理上不可能的视频（如物体凭空消失），模型的预测误差会急剧飙升，这表明它已经内化了一些关于世界可能性的“常识”。更进一步的，动作条件化的 JEPA 可以让系统学习“状态-动作-结果”的模型，从而在抽象空间中预测行动后果，并逆向搜索达成目标的最优行动序列——这才是真正的规划和推理。
他强调，JEPA 这类架构是让机器获得“世界模型”的关键一步，而世界模型是实现可靠推理、规划和真正智能体的基石。他预测，这方面的实质性进展可能需要3到5年时间，并将是一个渐进的过程，而非某个突然的突破。
开源的力量与 AGI 的未来之路
在访谈最后，LeCun 简短而有力地表达了对开源 AI 的坚定支持。当被问及像 DeepSeek 这样的开源模型是否已超越专有模型时，他表示“超越”一词或许过于强烈，但“开源世界的进步无疑更快”。
他指出，开源模式能汇聚全球的智慧与创意，没有任何一个实体能垄断好的想法。DeepSeek 的成功表明，一个拥有长期视野和宽松约束的小团队，完全可以催生出颠覆性的新思路。而开源分享则能让整个生态加速前进。在商业部署上，许多客户在原型阶段可能使用专有 API，但在生产环境中往往会转向 Llama 等开源引擎，因其成本更低、更安全、可控，且可本地部署。
LeCun 也驳斥了所谓“开源会帮助竞争对手（如中国）”的狭隘观点。他以2015年最具影响力的深度学习论文之一“ResNet”出自微软亚洲研究院（北京）为例，说明顶尖科学家和创意遍布全球。首个 Llama 模型也来自 Meta 在巴黎的小团队。“硅谷并不垄断好的创意。” 他认为，要想科学技术快速发展，必须利用全世界多元化的思想和创造力，而开源正是实现这一点的最佳方式。
关于 AGI（通用人工智能）的未来，LeCun 的展望是务实而开放的：它不会是一个由某个公司突然揭晓的“秘密武器”，也不会是“前一天没有 AGI，后一天就有了”的孤立事件。AGI 将是一个持续的、渐进的过程，由全球研究社区共同推动，融合众多理念，并在试错中前进。那些分享研究成果的人，将比那些封闭的人走得更快。这或许正是 Yann LeCun（杨立昆）——这位“AI 教父”——在喧嚣的技术热潮中，为我们指出的那条通向真正智能的、更加坚实可靠的道路。
Meta AI 首席科学家 Yann LeCun（杨立昆）：V-JEPA 与通向超级智能的路线图撰文：Techub News 整理
导语
在巴黎举行的欧洲顶级科技盛会 VivaTech 2024 上，Meta 首席人工智能科学家、纽约大学教授 Yann LeCun（杨立昆）发表了主题演讲，并与《金融时报》AI 记者进行了一场深度对话。作为深度学习领域的奠基人之一，LeCun 一直引领着 Meta 在人工智能基础研究方面的前沿探索。此次对话的核心，围绕其团队最新发布的视频联合嵌入预测架构模型 V-JEPA V2 展开，并深入探讨了 Meta 实现人类水平乃至超级人工智能的长期战略路线图。在当前 AI 模型能力竞赛白热化的背景下，LeCun 提出了与主流生成式大语言模型（LLM）不同的技术路径，其观点对理解 AI 的未来发展方向具有重要参考价值。
摘要
V-JEPA V2 是一个旨在让 AI 理解物理世界、并具备初步推理与规划能力的视频预测模型，其核心在于学习世界的抽象表征而非像素级重建。
LeCun 认为，实现人类水平智能（AGI）需要克服四大挑战：理解物理世界、拥有持久记忆、具备推理能力、能够规划，并确保系统的可控与安全。
Meta 的长期目标是发展“友好机器智能”（AMI），并最终实现“人工超级智能”（ASI），即 AI 在多数领域超越人类，成为人类智能的增强工具。
以 JEPA 为代表的非生成式、基于抽象表征学习的架构，是 Meta 为实现超级智能所押注的长期研究范式，与当前主流的生成式 LLM 路径并行。
LeCun 强调开放研究与合作的重要性，并宣布 V-JEPA V2 模型将开源，以汇聚全球科学界智慧共同攻克规划、分层推理等核心难题。
V-JEPA V2：让 AI 学会“想象”物理世界
Yann LeCun（杨立昆）开宗明义地介绍了 V-JEPA V2 模型的目标：推动 AI 在理解物理世界、进行推理和规划这三个关键挑战上取得进展。他指出，当前大多数 AI 系统缺乏对物理世界的基本常识，而 V-JEPA 正是为此设计的“第一步”。
与直接预测视频下一帧像素的传统方法不同，V-JEPA 采用了一种名为“联合嵌入预测架构”的方法。其核心思想是：系统并不试图精确重建缺失的视频细节，而是学习视频的抽象表征。在这个抽象空间中，大量无关细节被过滤，系统专注于预测世界状态的变化趋势。LeCun 比喻道，这就像人类无需记住每一片树叶的飘动轨迹，却能理解风吹树摇的因果关系。这种从像素预测到抽象表征预测的转变，是模型能够有效学习物理规律的关键。
V-JEPA 的训练过程分为两阶段。第一阶段，通过海量视频进行自监督学习，让模型学会预测视频中缺失部分（无论是时间上还是空间上）的抽象表征。第二阶段，则利用这些学到的表征来训练一个“世界模型”。这个世界模型能够根据当前观察到的世界状态（一段短视频）和一个假设的动作（例如机器人手臂的移动），预测执行该动作后世界状态将如何变化。
“一旦拥有了这样的世界模型，”LeCun 解释道，“系统就可以在‘脑海’中模拟一系列动作的后果，从而规划出能够达成特定目标（如抓取物体、开门）的动作序列。”虽然目前展示的任务相对简单，但其突破性在于，系统并非通过针对这些任务的专门训练学会的，而是纯粹通过其内建的世界模型进行推理和规划得出的。这为构建具备通用规划能力的智能体奠定了基础。
从 AMI 到 ASI：Meta 的超级智能蓝图
当话题转向人工智能的终极目标——人工通用智能时，Yann LeCun（杨立昆）表达了对“AGI”这一术语的保留意见。他认为，“通用”一词建立在人类智能是“通用”的这一假设上，而事实上人类智能相当 specialized（专门化）。许多动物在某些方面比人类更聪明，计算机在特定任务上也早已超越人类。
因此，他更倾向于使用 Meta 内部常用的两个概念：ASI 和 AMI。ASI 即“人工超级智能”，指在大多数领域达到并超越人类水平的智能系统。LeCun 强调，超级智能不等于通用智能，它意味着 AI 能在众多任务上比人类做得更好，而这正是计算机辅助人类的本质——弥补人类不擅长之处。
而 AMI，在法语中发音类似“朋友”，全称为“友好机器智能”。这是 Meta 为实现 ASI 制定的具体技术蓝图和路线图。LeCun 透露，这实际上是公司十年前就已设定的长期目标，当时更多是探索性研究，而现在正逐渐转变为清晰的产品战略方向。AMI 旨在系统性地攻克他之前提到的几大挑战：让系统理解物理世界、拥有常识和持久记忆、能够推理和规划，并且确保其可控与安全。
对于2025 年 6 月媒体报道 Meta 计划成立新的超级智能 AI 部门，LeCun 没有直接评论具体人事，但指出这反映了公司内部将这一长期愿景变为现实的决心正在加强。他表示，Meta 基础人工智能研究部门的目标自创立之初就是实现并超越人类智能，现在只是路径变得更加清晰，而 V-JEPA 正是沿此方向迈出的一步。
展望超级智能的具体形态，LeCun 描绘了一个人人拥有 AI 助手的未来。这些助手内置于智能眼镜等设备中，可以随时对话、回答问题、提供信息，如同拥有一支比你自己更聪明的虚拟团队随时协助。“这将极大地增强个人能力，”他说，“就像每位 CEO、部长或教授都拥有一群比自己更聪明的‘学生’作为参谋。”他认为，与更聪明的机器协作并非威胁，而是一种赋能。
JEPA 范式 vs. LLM 范式：两条并行的技术路径
在阐述 Meta 的 AI 研究战略时，Yann LeCun（杨立昆）清晰地区分了两种不同的技术范式：以 JEPA 为代表的非生成式、基于抽象表征学习的架构，以及当前主导市场的大语言模型所代表的生成式架构。
他重申，JEPA 架构的核心在于学习世界的抽象表征，并在此空间中进行预测和规划，它并不直接生成或重建原始数据（如像素或文本）。LeCun 认为，这套范式是实现人类水平智能所必需的长期研究方向，因为它更接近生物智能学习世界模型的方式。Meta 的 FAIR 部门正是将赌注押在了这条路径上，致力于解决三到十年后的前沿问题。
然而，这绝不意味着否定大语言模型的价值。LeCun 明确表示，LLM 在当下有着巨大的应用潜力，Meta 也在积极投入开发，并坚定地支持开源。他强调，相信通向超级智能需要新范式，与承认并开发现有大语言模型的实用性，这两者并不矛盾。Meta 的策略是“长短结合”：一方面通过开源 LLM 推动当前生态发展，另一方面通过 JEPA 等前沿研究布局未来。
这种策略也体现在 Meta 对 AI 产品的规划上。除了聊天机器人，LeCun 提到了更具“智能体”特性的系统：能够在数字世界自主行动、对用户有心理模型（了解用户的知识水平和兴趣）、能规划复杂任务序列（如旅行预订）。此外，Meta 也正大力投入机器人领域，希望将类似的规划能力应用于物理世界。他特别以代码生成为例，指出当前 AI 辅助编程大多是基于已有代码的“复述”，而理想中的系统应能想象代码执行后的状态，并规划指令序列以实现目标——这本质上仍是世界模型和规划能力的问题。
开放、协作与未来挑战
对于实现超级智能的时间表，Yann LeCun（杨立昆）保持了科学家特有的谨慎。他回顾了历代 AI 研究者对预测时间线的失误，表示如果一切顺利，所有技术设想都得以实现，可能在 3 年内就能验证 JEPA 路径是否真正有效，5 年内或许能看到具备猫或老鼠水平物理世界理解能力的原型系统。但要达到人类水平的抽象领域规划能力，很可能比想象中更难。不过，他确信在这一过程中会产生大量有用的中间成果和应用。
谈到未来六个月的优先事项，LeCun 指出团队面临大量待解难题。首先是扩展 V-JEPA 的规模和应用场景，目前模型已在约百万量级的视频上训练，证明了可扩展性。其次，他们相信存在比现有方法更优的 JEPA 训练“配方”，需要继续探索。而最大的挑战之一，是解决“分层规划”问题。
LeCun 用从纽约办公室飞往巴黎的生动例子解释了分层规划：人类无法以毫秒级的肌肉控制来规划整个旅程，而是先制定“去机场-乘飞机”这样的高层抽象计划，再将“去机场”分解为“下楼-打车”等子目标，层层细化直至可执行的动作。这种将复杂任务分解为层次化子目标的能力，是目前 AI 尚未解决的难题，涉及深层的优化和数学问题。
如何攻克这些难题？LeCun 的答案是：开放研究与全球协作。他强调，这本质上是科学问题，而非单纯的工程技术开发，需要汇聚全球学术界、产业界，特别是欧洲公共研究机构的人才与智慧。因此，坚持开放研究、开源代码至关重要。这也正是 Meta 决定将 V-JEPA V2 模型开源的原因——通过共享成果，吸引最广泛的科学共同体共同参与，加速通向超级智能的探索进程。在演讲的最后，LeCun 以此作为结语，重申了开放与协作对于突破 AI 研究深水区不可或缺的价值。
Meta 首席 AI 科学家 Yann LeCun（杨立昆）：人类智能并非通用智能撰文：Techub News 整理
导语
2025 年 4 月，Meta 首席 AI 科学家、图灵奖得主 Yann LeCun（杨立昆）做客知名播客 AI Inside，与主持人 Jason 和 Jeff 进行了一场长达 46 分钟的深度对话。作为深度学习领域的奠基人之一，LeCun 以其对技术发展冷静、务实的判断而著称。在当前生成式 AI 与大语言模型（LLM）席卷全球、业界对通用人工智能（AGI）的讨论甚嚣尘上之际，他的观点尤为值得关注。本次对话中，LeCun 不仅尖锐地指出了 LLM 的天花板，更系统阐述了他心中通往更高级机器智能的必由之路——构建能理解物理世界的“世界模型”。
摘要
LLM 有用但非终极答案：LLM 在代码助手等特定领域价值显著，但其基于自回归预测的机制存在根本局限，无法可靠处理真实世界复杂任务。
人类智能远非“通用”：所谓“通用智能”是误导性概念，人类智能高度特化，由进化塑造以解决生存相关任务，AI 的目标应是实现“人类级别智能”。
下一代 AI 需构建“世界模型”：实现人类级别智能的关键在于让机器像人类和动物一样，通过观察学习物理世界的运作规律，形成可预测和规划的内部心理模型。
开源是加速创新的核心策略：Meta 开源 Llama 系列模型旨在激活全球创新生态，这对促进学术研究、催生多元化 AI 应用及防止技术垄断至关重要。
未来属于“智能助手群”：终极产品形态是围绕个人的多个智能助手，它们将中介所有数字交互，其多样性（语言、文化、价值观）是健康生态的基石。
LLM 的辉煌与局限：我们为何尚未触及智能核心
对话伊始，主持人便抛出了当前 AI 界的核心矛盾：一方面，以 OpenAI 为代表的公司凭借 LLM 技术获得破纪录融资，行业热情高涨；另一方面，包括 Yann LeCun（杨立昆）在内的许多研究者却不断强调 LLM 的局限性，认为其回报正在递减。对此，LeCun 首先肯定了 LLM 的实用性，特别是在代码助手等场景。但他随即指出，从令人惊艳的演示到真正可靠、可供日常使用的系统，其间存在巨大鸿沟。他以自动驾驶为例，十年前就有演示，但至今仍未达到人类水平的可靠性。
LeCun 回顾了 AI 七十年的发展史，指出一种反复出现的模式：每当有新范式出现（如专家系统、深度学习），人们便宣称“就是它了，十年内机器将成为地球上最聪明的实体”。然而每次预言都落空了，因为新范式要么遇到了未曾预见的限制，要么只是擅长解决某个子类问题，而非真正的通用智能问题。LLM 很可能正面临类似的局面。
“我不想贬低 LLM，它们很有用，值得投资。” LeCun 强调，投资大部分流向了运行 LLM 的基础设施，而非训练本身。就像所有计算机技术一样，即使达不到人类智能水平，LLM 也可以很有用。但如果我们以人类级别智能为目标，“我们需要发明新技术。我们还远未达到那个水平。”
主持人 Jeff 提到，LeCun 曾将当前最先进的 AI 系统类比为“聪明的猫”或“三岁小孩”。LeCun 甚至认为这个评价可能过高了。他指出，尽管 LLM 能通过律师考试、总结文本、生成代码，但这些能力很大程度上依赖于在训练数据中见过的模式。当面对全新的、未曾见过的问题时——例如最新的数学奥林匹克竞赛题目——最好的 LLM 表现也近乎为零。这暴露了当前系统缺乏真正理解和解决新问题的能力。
LeCun 犀利地指出，LLM 操纵语言的能力让我们误以为它们很聪明，因为我们习惯将语言能力与智慧挂钩。然而，真正的考验在于现实世界：“我的家用机器人在哪里？我的 L5 级自动驾驶汽车在哪里？能做出猫那样行为的机器人（哪怕是模拟的）又在哪里？” 问题的关键不是造不出具有相应物理能力的机器人，而是无法让它们足够“聪明”。处理现实世界、产生实际动作的系统，远比处理语言的系统要复杂得多，因为现实世界是混乱、不可预测、非确定性的连续高维空间。
通往人类级别智能之路：世界模型与非生成式架构
那么，研究应该走向何方？LeCun 透露，早在三年前（即 LLM 席卷全球之前），他就撰写了一篇长文，勾勒了未来十年 AI 研究的方向，而这一愿景并未因 LLM 的成功而改变。他认为，要实现人类级别智能，机器需要具备四个关键能力：理解物理世界、进行推理与规划、拥有持久记忆，以及安全可控。
这一切的核心是一个称为“世界模型”的概念。人类和动物大脑中都有一个世界模型，它是一个心理模型，允许我们预测世界将发生什么，或者我们采取某个行动会带来什么后果。如果我们能预测行动的后果，那么当我们设定一个目标时，就可以利用世界模型来“想象”特定的行动序列是否能实现该目标，这就是规划和推理的本质——心理学家称之为“系统 2”的深思熟虑的思维过程。
在机器人学和控制理论中，类似的概念被称为“模型预测控制”，即通过方程预测行动后果并优化行动序列。但关键区别在于，对于通用 AI 系统，这个世界模型必须能从经验或观察中学习，就像婴儿通过观察学习世界如何运作一样。这部分是目前最难复现的。
LeCun 认为，实现这一目标可以基于一个简单原则：自监督学习。这正是 LLM 成功的基础——通过预测文本中的下一个词来训练。我们可以设想将这一原则应用于图像和视频，训练一个大型神经网络预测视频的下一帧或后续发展。如果系统能学好并做出准确预测，就意味着它理解了物理世界的许多底层规律。
然而，直接套用文本预测的方法到视频上却行不通。预测下一帧太简单，学不到有用东西；预测长期发展又极其困难，因为视频中有太多可能性。文本预测之所以可行，是因为词典大小有限，可以预测所有词的概率分布。但对于视频，我们不知道如何表示所有可能图像或视频帧的合适概率分布，这在数学上是难以处理的。
大约五六年前，LeCun 及其团队提出了一个解决方案：改变架构思路。不再预测视频中的所有细节，而是训练系统学习视频的一种“表示”，并在这个表示空间中进行预测。 这种表示会过滤掉视频中不可预测或无用的细节。这种架构被称为“联合嵌入预测架构”（JEPA）。
LeCun 透露了一个可能令人惊讶的观点：“我的直觉是，下一代 AI 系统将基于非生成式模型。” 在当前所有人都在谈论生成式 AI 的浪潮中，这无疑是一个反主流的前瞻性判断。JEPA 正是这样一种非生成式架构的代表，它专注于学习数据的抽象表示和它们之间的关系，而非生成具体的像素或词汇。
AGI 迷思与开源哲学：为何多样性是未来关键
对于业界热炒的“AGI”概念，LeCun 直言不讳地称之为“无稽之谈”，并且极具误导性。他认为，如果 AGI 指的是“像人类智能一样通用”的智能，那么这个说法本身就错了，因为“人类智能根本不通用，它极度特化。” 人类被进化塑造成只擅长完成与生存相关的任务。我们无法构想那些我们无法处理的问题，这反而让我们误以为自己拥有通用智能。在 Meta 内部，他们更倾向于使用“高级机器智能”或直接称为“人类级别智能”。
LeCun 坚信，未来某个时刻，机器在人类擅长的所有领域至少会与人类一样聪明，甚至更聪明。但这不会发生在明年或后年，可能在十年内取得一定进展。“如果目前我们正在研究的所有方向都取得成功，那么也许十年后，我们就能更好地判断是否能实现那个目标。” 他保持乐观，但强调这很可能比我们想象的更难，AI 史上的每一次突破都比预期更艰难。
话题转向 Meta 的开源策略。主持人 Jeff 盛赞开源 Llama 模型对学术界和创业生态的巨大推动作用，并询问其背后的战略思考。LeCun 明确表示，开源 Llama 对少数几家（暗指闭源商业公司）来说是“搅局者”，但对成千上万的公司和研究者来说是“赋能者”。从伦理角度看，这显然是正确之举，它极大地激活了整个 AI 生态系统。
LeCun 指出，Meta 的最终产品愿景是构建 AI 助手，甚至是一组 AI 助手，它们可能常驻于智能眼镜中，与我们随时相伴。为了让这些助手发挥最大效用，它们需要达到人类级别的智能。而实现这一目标，是当今世界面临的最大科技挑战之一，需要汇聚全球的智慧。“好点子可能来自世界任何地方。” 他提到近期 DeepSeek 的崛起令硅谷惊讶，但在开源世界看来却不足为奇，这正是开源理念的验证。
他批评了某些地区（暗指硅谷部分人士）存在的“极度膨胀的优越感”，认为没有人能垄断好创意。AI 过去十几年的快速发展，正是得益于代码和科学信息的共享。而 Meta 的商业模式依赖于广告和社交网络的网络效应，而非直接售卖 AI 技术本身，因此开源技术不仅无害，反而有益。
展望未来，LeCun 描绘了一幅图景：我们与数字世界的绝大多数交互将由 AI 系统中介。搜索引擎可能会被直接与 AI 助手对话所取代。更重要的是，作为全球公民，没有人会希望自己的信息食谱仅由美国西海岸或中国少数几家公司打造的 AI 助手来提供。 我们需要高度多样化的 AI 助手，它们能说各种语言（包括小众方言），理解不同的文化、价值体系和偏见。这就像我们需要多元化的媒体一样。
实现这种文化多样性的唯一现实途径，就是让世界各地的人们能够基于强大的开源基础模型来构建自己的助手，因为他们没有资源从头训练模型。LeCun 预见，市场压力将促使 AI 基础模型走向开源和免费，就像互联网的软件基础设施（Linux 和商用硬件）最终战胜了专有系统一样。AI 基础模型将成为类似互联网基础设施的存在，由大型公司或国际联盟训练，但开放给全球创新者在其之上构建丰富多彩的应用。这，才是 Yann LeCun（杨立昆）所坚信的、能够引领我们走向真正高级机器智能的健康生态。
Celestica：市场刚刚给投资者送上了一份价值 110 亿美元的“大礼”尽管 Celestica Inc.（CLS）近期财报表现超预期，而且整个市场也从 7 月底低点开始反弹，但随着投资者消化公司 8 月份的增发，Celestica 股价仍然持续承压。具体而言，公司在本季度以每股 310 美元的价格发行了超过 1,110 万股新股，募集资金总额接近 35 亿美元。
不过，公司近期与 Advanced Micro Devices（AMD）以及 OpenAI 披露的一系列高质量合作持续推进，进一步凸显出 Celestica 在把握快速变化的计算需求趋势方面，其竞争地位正在不断增强。
具体而言，AI Agent 的兴起正在加速计算需求从以训练为主的工作负载，向高容量推理转移。而最近 Agentic AI 的部署范围也开始从此前主要集中于企业环境，进一步扩展到大众消费者市场，Meta Platforms（META）最新推出的 Muse 就体现了这一趋势。
推理强度不断上升，也相应增加了芯片之间的数据传输量。由于电力预算天然受到限制，这进一步提高了最大化每瓦性能（perf/W）的迫切性。因此，市场对于低延迟、高带宽网络的需求正在持续增强，尤其是 scale-up fabric，因为它负责同一计算域内部的互连，而其互连密度大约是跨机架 scale-out 架构的 10 倍。
而 Celestica 最近与 AMD 和 OpenAI（OPENAI）的合作，也表明公司正在进一步扩大在相关机会中的覆盖范围，将目前在 scale-out 网络中的增长势头拓展至 scale-up 网络，并进一步深入到“板卡、机架和系统”层面的集成。这意味着 Celestica 能够在不断扩大的 AI 基础设施 TAM 中获取更大的价值份额，从而强化其正在加速的增长轨迹，同时随着更高价值的 Hardware Platform Solutions（HPS）业务扩大，也有望支持 Connectivity & Cloud Solutions（CCS）业务持续释放经营杠杆。由此带来的盈利上行空间以及长期自由现金流增厚，将是抵消近期增发造成股权稀释的重要因素，同时随着 Agentic Inference 不断扩大 Celestica 的需求前景，公司仍有望保留进一步的上行空间。 fileciteturn1file0L1-L9
AI Agent 正在推动网络强度上升
Agentic AI 的加速转型已经改变了 AI 开发的经济优先级。正如我此前的文章所讨论的那样，Agentic 工作负载所需要的持续推理循环、工具调用与模型调用，以及上下文检索，本质上都会提高推理 Token 的消耗量。而随着 Meta 最近推出 Muse，Agentic AI 的部署范围也正在进一步从此前主要集中于企业环境，扩展至大众消费者市场。
具体来说，早期 Agentic AI 的采用主要集中在编程、工程、数据科学以及其他企业工作流中。根据行业预测，这些企业工作流分别占 OpenAI 和 Anthropic（ANTHRO）ARR 结构的大约 60% 和 90%。不过，Muse 的推出有望扩大消费者对 Agentic AI 的采用。虽然目前 Muse 的部署仅限于美国，但考虑到 Meta 过去能够成功通过其 Family of Apps 向全球用户分发新功能，而该生态系统目前覆盖 36 亿 DAU，因此 Muse 未来一旦拓展至海外市场，就可能释放数十亿新增用户。与此同时，随着越来越多竞争者进入这一领域，Agentic AI 在消费者场景中的采用范围也很可能进一步扩大。
这与近期行业数据是一致的。目前行业预计，推理工作负载已经占全部计算需求的“大约三分之二”，高于 2023 年的三分之一以及 2025 年的一半。Dell（DELL）最近还预计，随着 Agentic AI 加速发展，到 2030 年推理 Token 数量将增长 87 倍，达到 3,600 千万亿个。不过，电力依然是核心约束因素，因为电网容量扩张速度仍然落后于 GPU 部署进度。因此，在固定电力预算下，推理量不断增长正在推动下一代 AI 系统设计越来越重视每瓦性能优化。
这也相应提高了网络强度，因为要在固定电力预算下优化 perf/W，就越来越依赖更高带宽、更低延迟的互连，以减少芯片之间的通信瓶颈，并最大化系统利用率和正常运行时间。Cisco（CSCO）最近对这种强度进行了量化，其研究显示，在执行相同任务时，AI Agent 产生的网络流量最多可以比人类高 450%。这反映出，Agentic AI 的采用不仅提高了新增计算部署的迫切性，也同步增加了对配套网络基础设施的需求。AMD 最近发布的一份报告也印证了这一点，该报告将网络称为“决定 AI 性能与经济性的关键因素”。因此，这种背景进一步强化了 Celestica 未来在 scale-out 和 scale-up 领域的机会，也意味着公司的增长和盈利前景仍存在进一步上行空间。 fileciteturn1file0L11-L18
Helios 和 Jalapeno 验证了 Celestica 的 Scale-Up 拐点
Celestica 在 400G 和 800G 交换机上的持续增长，以及即将开始放量的 1.6T 项目，已经印证了公司正在不断扩大其在 AI scale-out 市场中的份额。具体来说，800G 交换机快速放量，以及 400G 需求保持韧性，是第二季度 HPS 业务增长的重要驱动力。与此同时，随着 10 个活跃项目将在 2026 年下半年至 2027 年期间进入放量阶段，公司即将转向 1.6T，这很可能进一步强化 Celestica 的竞争地位，因为 1.6T 路线图与越来越大规模 AI 集群部署所需要的更高带宽和容量高度匹配。
不过，公司近期赢得的订单更重要的一点，是显示 Celestica 正在扩大在更靠近计算本身环节中的价值份额。正如前面所讨论的，从以训练为主的工作负载向推理加速转型，正在显著提高 scale-up 网络对于带宽和延迟的要求，因为 scale-up 网络负责连接同一计算域内部的 CPU、GPU 和 ASIC。这与管理层的判断一致，公司预计未来三年 scale-up TAM 将显著增长，而 Celestica 最近赢得的项目——包括与 AMD 的合作——表明公司已经很好地抓住了这一趋势。
具体而言，Celestica 正在与 AMD 合作，参与后者即将部署的首个 Helios 机架级系统。Celestica 将负责 Helios 每个机架中构成“互连骨干”的“scale-up 网络交换机研发、设计和制造”，这意味着公司的业务路线图正在向更加接近计算核心、价值量更高的领域发生拐点。管理层预计，这项合作将形成数十亿美元级别的业务机会，而 AMD 目前已经锁定的 Helios 部署管线也进一步提高了可见度。其中包括：Anthropic 承诺部署最高 2GW 的 AMD Instinct MI450 系列 GPU，并在 Helios 机架中运行，其中首个 1GW 将于 2027 年上半年出货；Meta 做出跨多代产品的承诺，将部署最高 6GW AMD Instinct GPU，其中首个归属于 Helios 的 1GW 将于 2026 年下半年出货；OpenAI 同样做出跨多代产品的承诺，将部署最高 6GW AMD GPU，其中首个 1GW 也将对应 MI450 系列 Helios 机架，并于 2026 年下半年出货；Oracle（ORCL）则将在 2026 年第三季度部署首个包含 50,000 颗 AMD MI450 GPU 的 Helios AI 超级集群。上述项目预计都将由 Celestica 的 scale-up 网络交换机提供支持。
**Thanos Moschopoulos，BMO Capital Markets Equity Research：**那么，我们是否可以假设你们参与了其中大多数项目？还是说最终由超大规模云服务商来决定机架的具体配置？
**Robert Mionis，CEO 兼董事会主席：**不，我们参与了所有这些项目。
来源：Celestica 2026 年第二季度财报电话会议。
Celestica 在 AI 基础设施 TAM 中渗透率进一步加深，也得到了近期与 OpenAI 在 Jalapeno 项目上的合作验证。公司将为 Jalapeno 架构贡献其“板卡、机架和系统方面的专业能力”，其中包括对 Jalapeno 的“Katsu”CPU Host 与“Vindaloo”ASIC 机架进行系统级集成，这些系统通过 PCIe 直连铜缆（DAC）连接。实际上，这使 Celestica 的 scale-up 敞口不再局限于基于通用 GPU 的系统，同时也进一步叠加了公司此前作为 Google（GOOG/GOOGL）TPU 首选制造合作伙伴所建立起来的定制 ASIC 业务基础。
综合来看，最近赢得的这些项目表明，Celestica 正在同时加深对 scale-up 和 scale-out 市场机会的渗透。这些订单也验证了公司对目前正在推进的“多个 scale-up 项目洽谈和合作”最终转化的信心，而管理层预计，随着 1.6T 的到来，这些机会将进一步获得推动。这也意味着 Celestica 更高价值的 HPS 业务将从单纯网络领域，进一步延伸至机架和系统级配置。与此同时，这一进展还进一步叠加了第二季度已经观察到的企业 AI/ML 服务器与存储业务加速势头，说明公司正在下一代架构中获取更多内容价值，从而为 Celestica 基本面进一步上行提供支持。 fileciteturn1file0L20-L40
基本面考量
在根据 Celestica 实际第二季度业绩以及前瞻指引，对我此前预测进行调整后，同时考虑近期新增订单以及 AI 基础设施需求结构正在发生的变化，我预计公司本年度收入将同比增长 65%，达到 205 亿美元。随后，公司收入预计将在截至 2030 年的五年期间实现约 37% 的 CAGR。增长将主要由 CCS 业务推动，而近期披露的订单提高了需求可见度，同时新出现的 scale-up 市场机会预计将在 Celestica 即将进入 1.6T 放量阶段后进一步获得动能。
【原文图片位置：Celestica 基本面分析、增长预测与盈利预测（作者）】
正如前面的分析所讨论的那样，Celestica 向 scale-up 市场扩张，预计将进一步扩大其更高价值 HPS 业务在不断增长的 AI 基础设施 TAM 中的覆盖范围。这将推动 CCS 的产品组合进一步改善，因为管理层此前已经指出，Celestica 的“非 HPS 业务利润率不如 HPS 产品高”。与此同时，随着 scale-up 渗透率提升以及 1.6T 放量带动整体出货量增长，经营杠杆预计也会进一步增强，并在规模扩大过程中持续推动利润率上升。
【原文图片位置：Celestica 基本面分析、增长预测与盈利预测（作者）】
股价考量
综合来看，我更新后的预测支持 Celestica 每股 400 美元的目标价，高于此前的每股 384 美元。该目标价对应公司约 510 亿美元的内在价值，也就是说，在市场因近期股权稀释以及基础设施支出不确定性导致股价下跌后，相比当前水平仍有大约 110 亿美元的潜在市值上行空间。
【原文图片位置：Celestica 估值分析与目标价（作者）】
该目标价是基于现金流折现模型得出的，其中采用了与上述基本面分析一致的预测。终值采用对 2030 年预计 EBITDA 应用 1.5% 永续增长率计算。1.5% 的永续增长假设反映了 Celestica 核心市场长期经济扩张的预期速度，并可以作为公司进入稳定阶段后现金流可持续增长率的合理代理。包括终值在内的全部现金流预测，使用 10.3% 的 WACC 进行折现，这与 Celestica 的资本结构以及风险特征一致。每股价值则基于公司在 2026 年第二季度 10-Q 中披露的摊薄股数，并额外计入公司在 8 月份发行的 1,110 万股新股。
【原文图片位置：Celestica 目标价估值分析（作者）】 fileciteturn1file0L53-L62
需要考虑的风险
近期有关 AI 安全问题的担忧，以及随后行业内要求“放慢前沿 AI 发展速度”的呼声，再次给整个 AI 基础设施交易带来了波动。这一点已经反映在 Celestica 股价上：9 月 14 日周一开盘时股价跳空下跌 6.9%，最终收盘跌幅达到 8.8%，明显跑输大盘，因为投资者正在评估潜在前沿 AI 发展放缓可能带来的影响。
不过，此后 Celestica 已经收复部分跌幅，因为 Nvidia（NVDA）CEO Jensen Huang 并不同意继续快速推进 AI 与安全之间必须二选一的隐含逻辑，包括对于灭绝风险的担忧。他认为，公司应该“尽可能快地向前跑……但在有需要的时候暂停一下，确保把事情做对”，以保证产品安全。Meta CEO Mark Zuckerberg 也表达了类似观点，他表示，“每一家实验室都有责任和动力，以训练模型所需要的安全速度推进，同时也有能力自行采取行动确保这一点”，并不需要刻意放缓进程或者建立联邦层面的统一治理框架。
最新的发展再次凸显 Celestica 仍然暴露在较高的市场波动之下，因为投资者正在重新评估高水平 AI 基础设施资本开支能否长期持续，同时也还在消化近期股权稀释带来的影响。不过，公司持续保持稳定的执行力，尤其是近期不断扩大的订单合作，已经提高了其增长和盈利前景的可见度。即便围绕“放慢前沿 AI 发展速度”的不确定性仍然存在，这依然有望成为降低公司投资风险的重要因素。 fileciteturn1file0L64-L69
最后观点
综合来看，市场很可能已经显著低估了 Celestica 的上行空间，因为公司正在出现的 scale-up 拐点，会进一步叠加目前已经非常强劲的 scale-out 网络以及 AI/ML 服务器增长动能。具体而言，近期 Helios 和 Jalapeno 项目的赢单，为 Celestica 在下一代 AI 架构中不断提高内容价值份额提供了有力验证。这还将受到即将到来的 1.6T 转型进一步推动，而管理层预计，1.6T 将加速公司的 scale-up 机会，并推动更多订单转化进入其更高价值的 HPS 管线。
展望未来，Celestica 即将进入的 1.6T 放量阶段，以及 Helios 和 Jalapeno 项目首批产品的出货，将成为股价的重要催化剂，因为它们能够提高市场对公司 scale-up 机会的可见度。同时，Celestica 产品组合持续向更高价值的 HPS 销售倾斜，再叠加持续释放的经营杠杆，也有望进一步抬升其盈利和自由现金流增长轨迹。综合来看，这些因素应该能够增强公司从当前估值水平进一步向上重估的可能性，同时抵消近期增发造成的短期股权稀释影响。
放弃百万美金年薪，牛津兄弟想训出「华尔街AI分析师」「自研模型，冲向交易金字塔尖。」
文｜孙小雯 海若镜
编辑｜海若镜
做AI金融模型创业前，子辰已是年薪百万美元的“金领”，凭借在顶级投行练就的交易嗅觉，赚钱对他来说不算难事。
创业的起心动念，源于一场AI交易大赛Alpha Arena。2025年底，DeepSeek、GPT、千问等大模型都下场参赛，也让子辰发现：通用大模型已经进化出一定的独立判断能力。也许未来，他引以为傲的投资决策能力，也能被大模型复现。
与其恐慌，不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正，两人一拍即合，开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉，FreeRide AI近日完成数百万美元种子轮融资，投资方为L2F光源创业者基金。
在还没有Demo时，就拿到融资，关键有两点：一是选择的方向，二是创始团队的履历和潜能。从牛津大学数学系毕业后，子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作，从事复杂衍生品交易，曾担任高级交易主管。
方正的履历则更为复合。牛津大学物理系毕业后，他先后在瑞银、Evercore、麦格理资本等机构，处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力，他又回到剑桥大学攻读计算机科学博士，并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。
两人开始探索：大模型已初具决策智能，但要让AI拥有“华尔街交易员”级别的能力，还有多少座山要翻越？
第一座绕不开的是“数据”。文本、代码可以被海量采集，但真正影响金融交易的高质量经验，往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库，但怎么判断数据价值、权重，进而转化为真实世界里的决策智能，仍有鸿沟。
而且，金融交易数据天然高噪声，现有大模型围绕coding智能体，适配出的长流程模式很难直接迁移。
架构层面，金融交易任务往往依赖极高维度的逻辑分析，很多任务不是定点、单向的求解路径，仅靠常规模型训练方法难以突破，还需要引入专门的系统学习架构。
即便金融专业模型掌握了应有的专业知识与能力，金融市场瞬息万变，只有让AI能够自主学习、自我进化，才可能捕捉到真实市场信号。
这些路障，也让他们理清了技术路线：做AI金融交易大脑，必须自训专业的垂直模型底座，同时做自进化Agent。基于在金融行业沉淀的经验，调整接入通用大模型的参数权重，进化出更有实操经验的LLM底座，先让AI成为有2-4年工龄的初级员工；再通过自进化Agent，让模型能够适应实时多变的金融交易。
自研模型，无疑是昂贵且艰难的。但子辰、方正认为，这是冲上金融“金字塔尖”的必经之路。一旦跑通，垂直模型进入塔尖的华尔街投行和一线基金，参与衍生品定价、复杂投资研究及决策，未来将能辐射更广的金融市场，甚至成为普通人的交易“副驾”。
在他们看来，模型大厂和互联网平台的确拥有更多算力与资源，但却很难偏离当前AI发展主线，聚焦于金融这一细分场景。未来AI系统，或许更像一个交响乐团：通用大模型，与一群专业模型合作，完成复杂任务。
除训练金融专业模型以外，两人在2026年发表论文，初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制，在沪深300市场中测验，经过1600步进化后，将生成因子的IR中位数从1.6提高到3.9。这个表现不俗，在传统量化领域，IR大于1.0就可称为优秀因子。
技术初验后，接下来FreeRide将从衍生品定价等专业任务切入，做出金融专业人士可用的模型，再拓展到更广泛的金融任务。
以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话（经编辑）：
Part01
AI交响乐团：
通用模型带一群垂类
暗涌：通用模型能搭Agent和Harness，为什么还要自己训练底层模型？
子辰：我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂，但如果你不掌握底层模型权重，上层设计地再精妙，也会面临一些风险，比如通用模型无法满足特定场景的任务质量。
另一方面是，以后机构会有自己的Agent，但这个Agent用哪个模型去驱动？现在的通用大模型不一定适合，我们希望做出一个更适合金融场景的模型，让这些Agent有机会用到FreeRideAI模型。
我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上，它们的确懂很多基础知识，但更像一个很好的实习生。你来投行实习，给出这样的回答，我觉得是OK的；但作为正式员工就不达标，因为你的答案过于肤浅，理论没有结合实际市场经验。
暗涌：投资人怎么看金融垂类模型，担心被通用模型吞掉吗？
子辰：感觉几个月以前，大家还在担心通用模型可以吞噬一切，但最近这一个月开始有变化。
通用大模型有几个限制，包括在专业领域的性能、成本和速度。对于特定专业，模型规模不一定是越大越好，最终形式可能是通用大模型与一系列专业模型合作完成任务。
现在的通用模型，在编程垂类已经做得非常好，但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验，网上搜不到，书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。
方正：与其叫垂类模型，叫专业化模型可能更准确。与通识教育类似，现代AI在早期训练中打下的广泛知识基础，但若想像专业人士一样在特定领域独当一面，必须有高度专精的知识与职场技能培养。
暗涌：怎么确定金融模型该学什么？
方正：如果把模型训练比作“炼丹”的话，首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验，我们知道金融机构和专业人士需要AI模型做什么，就能反过来判断它应该具备什么能力、需要什么样的数据。
暗涌：买大量的商业金融数据库，来训练金融专业模型，是必须的？
子辰：确实需要采购数据库。但真正的经验是两点：第一，找到这些数据；第二，判断它们的价值和权重。同时面对100个数据，哪一个更重要？怎么把这些数据变成对决策有帮助的东西？决策思维链是怎样的？这些经验既往只存在于很小的金融圈，大家不会把它记录并公开出来。
比如期权定价的某一个参数，特定情况下怎么选，互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错，现有的数据里哪个权重应该更高、哪个应该更低。
如果只是把数据丢给模型专家，说“我有这些数据，你帮我去训吧”，最后的智能程度会非常低。就像经理让一个初级分析师分析问题，他直接把数据怼过去，那经理肯定会问：“我要你干什么？”
暗涌：只靠小圈子的经验，数据量够么？
子辰：首先，我们团队有能力从真实场景出发，针对需要解决的问题将相应的训练数据量放大。
另外，除了金融圈内的经验，我们还在做一件更有意思的事情，就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇，可以模拟人类的行为，各个角色在AI世界里交互。我们希望利用已有经验，用AI把数据量做大，去模拟更多有价值的经验。
暗涌：有具体的例子吗？
方正：关键技术细节，现阶段还不太方便透露太多。
但举一个例子，比如论文揭示的STAR机制，该机制处理的原始数据规模很小，而且全是有限、离散且信息与噪声高度浓缩的数值。
即便如此，我们仍然看到其中可以推导出有价值的观察结果，进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同，但它印证了金融市场中很多信息可以被有效提取，并且作为信号推动AI系统与模型的整体迭代优化。
暗涌：金融领域现有的Benchmark怎么样，你们的垂类模型表现如何？
方正：现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字，本质上还是信息检索；或者是简单的计算，实质是把通用任务放到金融场景里。
我们也看到近期有一些Benchmark找专业人士标注，例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙，有些不是业内真正会考虑的问题。
子辰：我们不会盲目打榜。金融太大了，一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起，各自覆盖面会比较狭窄。我们会针对性地判断，哪些Benchmark更适合我们。
Part02
自进化Agent：
即时感受市场变化
暗涌：为什么既要训练模型，又要让Agent自进化？
方正：它们是相辅相成的。由于通用模型在金融任务上的能力限制，只做Agent进化仍有效率和效果的瓶颈。与此同时，如果只做模型，那金融市场变化非常快，模型无法实时根据市场动态调整。
如果直接让通用大模型在金融任务上试错和进化，就像把基础能力不错的“高中生”送到华尔街，他成长为国际顶尖机构专业人士的进度，远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型，就是输出“AI金融名校生”。
我们希望Agent能够持续感知市场的变化，像人一样，慢慢沿着职业阶梯往上走。
暗涌：STAR自进化机制挖掘Alpha，和常见的Alpha挖掘有什么不同？这套机制会怎么用到产品里？
子辰：很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。
STAR加入了一个元认知模块，可以修改研究员的提示词、记忆、工具和研究流程。搜索时，也不只挑当前得分最高的个体，它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本，就将生成的因子使用的算子数量翻了将近7倍。
这些我们没有告诉它，都是它自主进化出来的。
反映到产品里，我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略，你能不能通过STAR这套机制帮我进化，看看多少代之后会变得更好？这个是我们有机会做成“AI研究员”的能力之一。
暗涌：但论文的实验环境很简单，距离真正帮助机构做投资决策还有多远呢？
子辰：STAR这篇论文的核心目标并非优化单个Alpha因子，而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员，它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具，协同输出适配策略的量化因子。
这个世界上没有恒定的财富密码。
培养能够整合策略框架、经验与数学工具的研究型Agent，比单纯优化因子更具现实意义，也更契合人类研究员的工作逻辑。模型提出的因子，虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估，但要将因子转化为最终的投资决策与收益，仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。
现在机构大部分已经有自己比较成熟的机制，我们刚开始想做的是先融入进去。比如我给你一个好的Factor，你自己还有很多Factor，可以把它加进去做组合构建。
暗涌：怎么判断Agent给出的分析判断够不够专业？
方正：这里可以有很多方法，其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节，但其核心目标一致，即通过转换成正确性判定标准，简化整体验证流程。
不过，各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持，他们是华尔街最顶尖的金融机构里的资深从业者，普遍有十几年、二十几年工作经验。
子辰：我举个例子。比如你问它怎么定价一个期权，普通的答案可能是看股票价格、波动率、股票的借款利率和股息率，这些都是教科书上能看到的东西。
但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析，是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价，把这几点都说到了，我才觉得它在金融场景中是专业的。
Part03
未来之路
暗涌：FreerideAI首先想服务谁？他们最大的痛点是什么？
子辰：首先当然是希望金融机构和金融专业人士能满意。如果能做到，说明它达到了很高的智能水准。之后可以推广给更多普通人，这也是未来我们也想做的。
目前的问题是，大家根本不放心真的让AI协助投资决策。比如你问DeepSeek，明天该不该抄底？它会跟你说很多，看起来很专业，但有些回答存在AI幻觉，有些回答像教科书只给出概念。在专业的人看来，其实并不可用。
暗涌：现阶段，你们希望模型达到什么水平？什么时候能看到初步产品？
方正：近期要达到外资投行或者顶级对冲基金初级员工的能力，也就是有2到4年工作经验的员工水平。
随着模型训练越来越厉害，进化机制匹配得越来越好，再慢慢提高经验年限。当然，一开始是我们重点训练的场景和专业领域内，之后再逐步扩大事情的边界。
子辰：我们计划Q4推出初步Demo，到时候就可以看到一些特定场景的预演。衍生品定价是其中一个，未来还会逐渐泛化，扩展到二级市场交易、一级市场的投研等等。
暗涌：现在有密集接触投资人吗？什么时候准备启动下一轮融资？
子辰：最近主要在密集做产品研发和模型训练，等下个月Demo出来之后，再开始见一些投资人，准备融下一轮。
排版｜郭栩君
图片来源｜Unsplash
Vistra：AI 电力供应商叠加载荷增长与收购上行空间——重申“买入”评级我此前在 2026 年 6 月给予 Vistra Corp.（VST）“买入（Buy）”评级，原因是股价盘整后带来了更好的安全边际。
在本文中，我将讨论为什么尽管数据中心暂停建设政策仍存在不确定性，VST 依然是一只具有吸引力的“买入”标的。
VST 同时面临多重逆风与顺风
【原文图片位置：VST 过去一年股价走势（TradingView）】
1. 数据中心暂停建设政策
自从我上一次给予“买入”评级以来，VST 出现了个位数百分比的回调，而同期大盘则取得了个位数百分比的上涨，主要原因是越来越多项目遭遇“不要建在我家后院（NIMBY）”式的社区阻力。
类似情况也出现在 Texas。当地监管机构推出新的“Batch Zero”框架，“用于管理来自数据中心及其他高用电客户激增的电网接入申请”，预计这可能导致通电时间延迟和/或获批电力容量发生调整。
类似担忧也出现在 VST 的核电站项目上，当地社区似乎对围绕该县核电站规划的据称 8 个数据中心项目感到担忧。
再考虑到美国越来越多的数据中心暂停建设政策，我认为未来仍可能存在更多不确定性。在监管政策进一步明确之前，VST 可能继续跑输市场。
2. 数据中心机会
另一方面，除了与 Meta（META）和 Amazon（AMZN）签署电力购买协议（PPA）之外，VST 还通过成立一家新公司 Helix Digital Infrastructure，进一步证明了自己作为 AI 受益者的地位。Helix 拥有多个重要合作伙伴，其中包括 Nvidia（NVDA）。
这家公司“旨在以超大规模云服务商满足加速增长的人工智能需求所要求的速度和规模，交付一体化基础设施”，而 VST 将通过现有资产以及新建的专用资产，成为 Helix 未来项目的首选电力合作伙伴。
虽然目前并没有披露更多 Helix 的具体信息，但很明显，数据中心项目正在变得越来越庞大和复杂，而持续存在的暂停建设政策以及电力接入延迟，也进一步凸显了提前进行电力采购规划的重要性。
考虑到数据中心巨大的电力需求、实际可获得电力以及当地社区接受度之间存在明显差异，我认为 VST 对 ERCOT 地区至 2030 年“至少 4%-6%”的年负荷增长预测，事实证明非常审慎。
相比之下，美国 EIA 对 ERCOT 的预测更加激进，预计至 2027 年负荷增长可达到 10%。与此同时，越来越多客户希望把数据中心与现有发电资源进行同址部署，这进一步强化了 VST 作为 AI 受益者的逻辑：
因为避开一些前端电表侧项目所需要的新输电基础设施建设，本身仍然拥有明显的速度优势。
而且通常在这些同址部署讨论中，客户本身也会带来备用发电能力。因此，我们实际上认为，这可能会进一步推动客户更愿意与现有发电资源进行同址部署。
（Seeking Alpha）
同样值得注意的是，VST 也暗示，“为了从现有资产中实现更多价值，项目管线正在扩大”，因为越来越多客户正在寻求“针对我们现有站点签署 PPA”。
这些进展凸显了公司由 AI 驱动的多年增长顺风，因为 VST 可以通过现有发电资产、不断增长的 PPA 在手项目，以及与 Helix 合作开发新资产，在多个层面实现变现。
3. 健康的发电与零售电力需求
【原文图片位置：强劲的能源需求（VST）】
另一方面，预计数据中心每年只会带来约 +2% 的负荷增长，而包括住宅和小型企业在内的非数据中心领域预计可贡献约 +3%，因此几乎可以肯定，VST 多元化的发电和零售业务变现前景仍然具备韧性。
这一趋势还受到“工业回流、电气化程度提升、人口增长——尤其是在 Texas——以及更广泛经济扩张”的支持，而这建立在 ERCOT 历史负荷 CAGR +3.3%、PJM +3% 的基础之上。
类似的超预期表现也体现在 VST 丰厚的调整后 EBITDA 上。2026 年上半年，公司调整后 EBITDA 达到 32.6 亿美元，同比增长 26.3%，这意味着管理层此前重申的 FY2026 持续经营业务调整后 EBITDA 中值 72 亿美元，同比增长 21.8%，存在进一步超预期并上调指引的可能。
从这些数字可以明显看出，近期完成的 Lotus Infrastructure Partners 收购以及增长型资本开支项目，在推动公司变现能力扩张方面发挥了重要作用。这得益于 FQ2'26 发电容量提升至 44GW，同比增长 7.3%，以及有利套期保值活动所带来的更高实际电价。
另外，读者需要注意，VST 初步 FY2027 指引目前尚未计入待完成的 Cogentrix 收购以及 META PPA，这些交易预计“将在其他条件不变的情况下，为我们的中值机会增加约 7 亿美元”。
如果没有监管方面的逆风，投资者可以期待 FY2027 调整后 EBITDA 机会提高至 83 亿美元，同比增长 15.2%，这意味着公司具备强劲、持续多年且能够实现盈利的增长前景。
股价盘整创造了更便宜的入场点
【原文图片位置：VST 过去四年股价走势（TradingView）】
目前来看，VST 的价格走势再次凸显出其固有波动性，因为股价正在重新测试自 2024 年初以来形成的上升趋势支撑线。
【原文图片位置：VST 估值（Seeking Alpha）】
得益于自 2025 年底以来持续盘整，VST 正在通过盈利增长逐步消化 2024/2025 年过度上涨所形成的高估值。其前瞻 EV/EBITDA 已经从此前高点 15.09 倍回落至 10.05 倍，更接近过去五年平均水平 9.92 倍，同时低于行业中位数 11.72 倍。
按照本文撰写时 734.8 亿美元的较低企业价值，以及管理层重申的 FY2027 调整后 EBITDA 中值 76 亿美元，同比增长 5.5%，我估算 VST FY2027 EV/EBITDA 约为 9.66 倍，因此当前股票显得更有吸引力。
如果进一步考虑 Cogentrix 收购和 META PPA 完成后，FY2027 调整后 EBITDA 机会达到 83 亿美元，同比增长 15.2%，那么对应 FY2027 EV/EBITDA 将进一步下降至 8.85 倍。很明显，对于希望通过定投方式逐步增加仓位的投资者而言，当前持续盘整反而是利好。
尤其值得注意的是，VST 的资产负债表已经更加健康。FQ2'26 净债务/调整后 EBITDA 比率为 2.4 倍（扣除现金保证金存款后），低于一年前的 3 倍，也显著低于多元化公用事业行业平均水平 5.12 倍，并且已经接近公司 FY2027 目标 2.3 倍。
除此之外，公司资本配置依然强劲。自 2021 年 11 月以来，VST 已经回购并注销约 30% 的流通股，目前股票回购授权仍剩约 12 亿美元。
综合考虑公司通过 2028 年有利套期保值活动所带来的相对稳定发电收益、META/AMZN PPA 带来的顺风、能够得到充分资金覆盖的增长资本开支/股票回购/股息，以及较低估值所带来的更好安全边际，我在这里重申对 VST 股票的“买入（Buy）”评级。
影响我“买入”评级的股息风险
不过需要强调的是，VST 作为收益型投资的吸引力在中期可能比较有限，因为公司前瞻股息率只有 0.61%，明显低于行业中位数 3.45%。
与此同时，公司股息支付增长已经放缓至 +1.7%，相比过去五年股息增长率 +9.81% 和行业 TTM 股息增长率 +4.14% 都明显更低。
很明显，VST 在 2024/2025 年的股价上涨速度远快于股息增长速度，而当前 10.05 倍的折价前瞻 EV/EBITDA 估值，也已经反映了仅 0.61% 的较低前瞻股息率。
考虑到 Cogentrix 收购预计将在 2026 年底完成，同时多个增长项目推动 FY2026 资本开支升至 15 亿美元，同比增长 14.5%，我认为，在公司持续进行股票回购，同时 M&A 和资本开支强度提高的阶段，股息增长可能会暂时退居次要位置。
这一点也可以从 VST 的指引中看到，公司预计年度股息支付维持在 3 亿美元，而 FY2026 持续经营业务调整后 FCFbG 指引中值达到 43.2 亿美元，同比增长 20.3%。
因此，我建议投资者降低对 VST 股息增长的预期。
AI天才的价格表，中国模型大厂的山头战｜深氪文｜王毓婵 温丽虹
编辑｜张雨忻 杨轩
热钱
得知那位98年的同事，一位一线算法研究员跳槽去腾讯后的年薪时，朱可欣觉得眩晕。
涨幅高达3倍——朱可欣和这家大厂的同事们在聚餐上猜测对方拿了多少时，“大胆猜测涨50%”。但答案揭晓，是从100万涨到300万，这远超他们预料。一顿饭的时间，饭桌上所有人对自我定价都重估了一遍。
旧有的薪资坐标被迅速改写，“眩晕”不断发生。距离那次跳槽仅一年过去，朱可欣说，现在已经没人会对一线研究员拿300万年薪感到惊讶了。
高昂年薪的年龄层还在下探。
在腾讯混元，一名00后研究生还没走出校园，就以实习生的身份领着5000元的日薪，月收入比这座大城市的大部分白领都高出许多。他的上级跟他交过底，“毕业转正可以给到年薪300万。”这位年轻人很直白地告诉36氪，他今年就想马上毕业。
从硅谷到中国，当顶尖AI人才在以亿级年薪和“一号位送温暖”被争抢时——字节AI一号位吴永辉是张一鸣花了8个月才促成的；腾讯AI一号位姚顺雨是总裁刘炽平亲自去硅谷谈下来的；而Meta不仅能开天价，扎克伯格会给他想挖的OpenAI研究员“送亲手做的汤”——整个AI人才金字塔中，从塔尖到塔基，每一层人才的价格都在被不断推高。
塔尖上的人，能拿到上亿年包——姚顺雨入职腾讯，DeepSeek郭达雅转投字节，都被传年薪上亿。但这个人群非常小，每家的模型团队只有几个人。
往下一层，是在大厂里拿超千万年包的人。一位猎头告诉36氪，每家大体量的公司里有差不多有10-20个这样的人，每位都是职位变动会牵动行业关注的业界明星。
再下一层，是“500万及以上”年包量级的TopSeed、阿里星、腾讯“大咖”等顶尖应届生，每家几十人。一位今年入职字节的博士候选人对36氪解释了600万年薪的构成：“不全是现金，还包含字节期权，豆包股、还有奖金。”他还提到，有的应届生能拿到比600万更多的数字，“但那是极个别”。
再往下，是200万-300万的一线AI算法，被称为“打工仔”，人数最多，定价依据是学术代表作和核心项目经验。“今年，年薪200万+是一个普通算法研究员能接受的基准线，去年还是100万+。”一位大厂算法说，“我有个朋友之前拿到了Seed 200万+的年包，最后没选，因为另一家AI公司给了他300万+，以及更高的职级。”
金字塔的最底层，是AI算法实习生。字节、腾讯、阿里核心方向的博士实习生日薪可达5000-6000元，而两年前，博士实习生的平均薪资还是1万元/月，相当于现在两天的薪水。
当实习生的月薪都来到了十万元以上，对AI人才的争夺，尤其是对大模型研究员的争夺，可以说是从塔尖到塔底全方位地进入了白热化。
这背后，是中国模型厂之间的竞争演化：字节原本是市场上最慷慨的AI人才买家，但最近一年，腾讯也突击抢人，成为顶级人才大金主。同时，DeepSeek、月之暗面在一级市场大额融资，智谱、MiniMax上市，大模型创业公司也筹集了加码的钱。
一直以来，“人才”在各个行业的竞争中都是一个重要的变量。但当下AI行业人才争夺的烈度，明显高于上一个热钱涌入的行业——互联网。可以与之匹敌的，恐怕只有1950-1970年之间的半导体行业刚兴起时对核心人才的抢夺。
这两个行业的共同特点都是：公司看起来拥有技术，但真正拥有技术的，是那几十个核心的技术人员。所以，人才成了公司竞争中“卡脖子”的关键变量。
就这样，AI公司之间的竞争，演变成了人才间的竞争。而人才的流动，剧烈地改变着每一家置身其中的公司，也深切地影响着整个AI行业的格局变化。
买配方
大厂和大模型公司所争夺的，其实是核心人才手中的技术“配方”。
在训模型时，研究员用“配方”这个词来描述模型训练中的方方面面：模型多大尺寸、数据怎么配比、训练路线怎么选，有哪些关键tricks......
模型的成功，是趟过大量的试错经验而实现的。而经历这一切的人，掌握着这些认知。就好像半导体行业早期也是如此：工艺参数、良率、材料、制造诀窍很难完全写进专利。所以，挖到一个对的人，可以拿到这些“隐形认知”，迅速缩抹平模型代差，缩小跟竞争对手的差距。
配方贵有贵的道理。模型训练的重置成本极高：训练一个基座模型，或微调千亿参数模型，一次完整的实验所花费的算力成本可能高达几千万甚至上亿。若训练方向、方法错误，其损失远远超过几个研究员的年薪。
更关键的是，能拿到核心配方的人实际非常少。
与互联网时代大部分所谓的创业经验不同，模型圈讲求的“万卡训练经验”，只有少数头部大厂和顶级实验室才有足够的算力和数据支持；而在这少量公司里能获得“训练指挥官”资格的人，也是凤毛麟角。
“全中国能牵头搞大规模预训练的，就那200个人。”猎头York说。一位字节HR也告诉36氪，当他们在2024年开始集中挖猎核心研究员时拉了一张名单，名单上也就小几百人。
当掌握核心配方的人流动起来，这些原本掌握在少数公司手里的模训练识就会随之被“开源”，完成跨公司的迁移，最后抬高整个行业的天花板。这就好比：一道菜的配方一开始只由几个厨师掌握，那这几个厨师供职的饭店暂时就会看起来很强；可一旦一个王牌厨师跳槽，配方立刻就会流传开来，没有哪家饭店能持续领先，但越来越多好吃的饭店会抬高整个行业的天花板。
2024年下半年原本在阿里负责过多模态预训练的周畅加盟字节，虽然字节为此付出了千万级年薪，但周畅的到来迅速帮字节在多模态能力上取得突破，这是如今大爆的Seedance模型的基础。
另有业内人士告诉36氪，原智谱研究员、GLM-4.5及GLM-4.5V核心贡献者程晔安在今年加入了月之暗面，并位列K3技术报告作者名单。他的主要贡献就在Agentic Coding后训练上，而这正是智谱的强项。
对一家公司来说，当核心人才离开，损失的不只是一份劳动力，而是团队共同积累的知识——实验路径、失败记录、调试经验——被完整地交付给了竞争对手。而这种交付甚至不需要等到入职。有人从面试起就开始把团队内部是怎么做的，悄悄讲给了对家听。面试本身，成了技术细节最高频的外泄渠道。
如果掌握配方的人选择创业，也一定会成为资本的宠儿。
前商汤研究总监刘宇在多模态刚刚起步的2024年，就经历过从数据处理、训练基础设施、模型研发到产品落地的完整闭环，并且调度了超过4000张GPU来训模型。而当时，拥有千卡训练的人才都已经很稀缺。所以，当他离职创业后，投资人立刻蜂拥而上。由于找来的投资人太多，刘宇甚至大部分都只能闭门不见，以至于行业内称他为“投资圈轻易见不到的人”。
人才的流动，本身就是这一轮国内大模型公司能力竞赛中重要的一部分。“模型竞争的核心，主要是算力、数据和人。”猎头Sam告诉36氪，“能找到合适的人，算力和数据才不会白费。否则花了再多的钱也无济于事。”
这就是为什么“人”会成为AI行业竞争中的重要争夺资产。
当然，除了要找到那一小撮掌握配方的人，大模型公司还需要找大量聪明靠谱的年轻人来“剥葱扒蒜”。人才争夺战就这样全面打响了。
怪招
早两年，AI人才的高地和流失源头，原本是技术上先行一步的百度和阿里，但最近，AI人才极其充沛的字节也成为了新的“山头”和被挖对象。一位模型大厂内部人士对36氪透露，他们正在对标字节的数据体系，岗对岗地挖人，“只要挖过去，薪酬就能double”。
字节很快做出反应。2025年底，字节跳动发出全员邮件，宣布奖金和调薪投入分别提升35%和1.5倍，并启用新的职级体系，抬高了每一个职级的薪资上限。这其中职级相关的调整被认为是重点针对AI人才的举措：高薪的研究员没法塞进原有的职级框架内。
留人举措今年还在继续加码：字节只对AI相关业务员工发放的“豆包股”有了明确的标价和回购机会，并且，有豆包股的人还可以选择把自己年终奖或者总包里更多的现金换成豆包股。这就好比字节创立之初时的期权一样值钱。而这些举措或许都有一个共同的触发原因——去年一整年，Seed走掉了近70名技术骨干。
腾讯则不止舍得给钱，还舍得给职位。如姚顺雨、田永龙等硅谷的明星研究员，来到腾讯就可以直接带一个团队，甚至成为整个模型团队的负责人。有了这样的例子后，猎头在挖人的时候也有了话术：“你留在OpenAI可能就是几百个顶级研究员中的一个，你来中国大厂的话，就能做业务一号位。”
不过，钱和职位也不是一切。不少创业公司有自己的招聘“怪招”。
上海两家AI创业公司常常同时盯上同一个人。今年，这两家都看上了一位博士生，他原本已经准备接受其中一家的offer，最后却被背靠高校的另一家挖走。原因不是钱，而是对方称能给他提供“上海某大学的教职”。
智谱可能是这个“高校赛道”上的鼻祖。公司创始人兼首席科学家唐杰，以及公司的核心管理层几乎都来自清华，在这种浓厚的“学院氛围”下，不少清华学生为了读唐杰的硕士或博士，都会选择以加入智谱为敲门砖。
如果拿不出太强势的资源，HR或猎头则会采取“攻心术”。
李清供职的公司位列“大模型六小虎”之一。近段时间，他每周都会接到数通猎头电话，电话往往挑上班时间打来，对方会采用“攻心”打法——他们不着急谈岗位和薪资，而是绕着李清任职公司的股价、工作强度、他本人的健康状况这些负面话题做文章，从侧面动摇李清对当下公司的信心。
李清记得有一位猎头，每次通话都热衷于聊李清所在公司的股票。“你们公司股价跌了，要不要考虑外面的机会？xx上市以后潜力肯定更大。”
大厂有一套更为体系化的打法，我们称其为“饱和式用人”。
一位字节员工告诉36氪，Seed在一些比较核心的研究领域，一定会超出资源配置地保留两个能力相近的团队。“所以就算一个团队被竞争对手整锅端走了，另一个团队也绝对可以填上。你就算在再核心的岗位离职了，在字节也不会溅起水花。”
在猎头侧，也能感受到这种“饱和式用人”。一名猎头告诉36氪，在他承接的各家公司中，腾讯会在组建团队期间集中挖掘人才，但字节的挖人节奏几乎没有什么波动，“不管当下缺不缺人，字节都会持续性地去挖人。”
还有“釜底抽薪式挖角”。
某大厂人士告诉36氪，他们正在“定向孵化其公司的模型人才”。“我们定位了竞争对手最重要的10个人，把他们全部撬一遍。如果他们愿意跳槽过来就最好；如果不愿意过来、就鼓动他们自己创业，我们可以帮他们找投资。”
在他的描述里，这套动作是有名单、有配额的：比如，字节定位Seed最重要的10个人，逐一mapping，然后想办法接触上。跳槽是A方案，投资创业是B方案，两个方案都能达到削弱对手的目的。
VC称这种做法为“投负一轮”：在创业者还没开始创业的时候就投。一些投资人会在字节员工还在职时，就撺掇他们出来，并且帮他们搭好班子、找好第一笔钱；或者扎堆在清华、北大校门口，抓教授、聊学生，甚至投学生创业。
相比被竞对挖走，HR对于人被投资人拐跑的情况态度相对中立，“期权能绑住那些‘可能会被竞对挖走的人’，但绑不住真想创业的人。想创业的人，早晚都会出来。至少不是去给竞对添砖加瓦了。”一位投资人说。
挖角与反挖角，如今是每家AI公司HR的必修课。
一位大厂研究员告诉36氪，某些公司的HR面对想要锁定的候选人，会逐字逐句地教对方一套话术，让他用来应付别家HR。但这很多时候只是一厢情愿——因为一些新人拿到offer后，会直接用offer作为“跟下一家HR谈薪资的资本”。在两家竞争严重的公司之间，新人甚至可以直接跳过面试环节，空手套到一个涨幅。
有的AI公司把招聘搞出了“拍卖会”的感觉：新人拿到offer后，一周内入职给3个月签约奖金，两周内入职则减少到2个月签约奖金，三周以上没有奖金，这就是为了缩短新人的犹豫时间。
猎头找人的办法也在不断变化。
AI人才最大的特点之一是“隐形”，真正符合企业需求的人，往往不会把自己挂在招聘软件上。“一个普通程序员在招聘平台能搜出成千上万，但大模型的人，你找不到10个，有时候5个都找不到”。猎头裴小科说。
但这些人才也不是无迹可寻。他们的名字往往在顶会论文的作者栏里，位列GitHub的贡献者名单中，在X上的技术帖子中，许多人在个人主页上直接留了邮箱。
这代表猎头的工作方式要改变：不再筛简历、打电话，而是要读论文、发邮件。
但是要读完、读懂这些论文实在太难了，有猎头开始用AI来干这个活——用AI读论文、发邮件，对方收到的邮件都是一对一定制的：“张教授，我读了你的论文，你对多模态的理解我觉得特别有道理。”随后，这一套办法快速普及开来，所有猎头都开始这么干，研究员们的邮箱里瞬间充满了大量AI味很重的猎头邮件，小聪明迅速被识破。
“他们根本就不读我写的论文！”小红书上有很多这样的吐槽帖。
渠道被公开后立即失效，研究员们不再搭理这些邮件，猎头们不得不返璞归真，回到原始时代，靠熟人关系和线下蹲人来建联。他们蹲在清华北大门口、混迹教授与学生的圈子、跑大会、定向邀请会、闭门会、after party……凡是有人才扎堆的地方，必有猎头的身影。
选择和山头
纵然HR和猎头使出千百种招数和诱惑，但AI人才们有自己的想法。
“我不会去的，”一位字节研究员经常接到竞争对手大厂打来的电话。他会直接告诉对方：“你们的组织架构设计不合理，等你们搞好了再跟我说吧。”
比如某次他拒绝，是因为对方开的是一个资深岗，但岗位描述像“算法零工”——同时做图像理解和视觉模型的某个部分。“视觉模型光应用在游戏上，就够一个人研究五年。你现在让一个人这样打零工，他在数据的理解上都不完整，那怎么能做起来呢？”他的结论很直接：“只有不懂的人，才会这么设计组织。”
大厂和钱，在很多AI人才那，并不是最重要的衡量指标。
移动互联网后期，大部分人选择在大厂里拼职级、拼薪水，“说白了，就是没有红利了，大家得想办法拿到一个好的位置，然后苟住。” 猎头Henry说，“但现在的AI行业还在绝对的红利期，有能力的人更愿意去能让自己快速出成绩的地方。”
“追求杠杆，而不是眼下的现金”，成了AI人才，尤其是年轻的“小天才们”一个比较主流的想法。“如果我今年能参与一个SOTA模型的核心训练环节，这就是我最大的杠杆，未来的机会只会更多。”而正是这样的想法，让不少年轻人的天平开始向创业型公司倾斜，如月之暗面、DeepSeek、智谱等。而这些公司里关键岗位上的人，也确实更趋于年轻、趋于“原生的AI人”。
在这些人眼里，大厂和创业公司最大区别在哪？答案可能是“组织”。
组织怎么设计，把哪些人放在核心位置，往往是一家公司想怎么做业务的直接体现。通常来说，创业公司的组织往往更精简、更扁平、更灵活、更“AI Native”。又或者说，如果一家大厂能让自己的大模型部门具备这些特点，它也会更容易受到人才的青睐。
“AI Native”这个热词放在大模型训练组织的语境下，说的其实就是：这个组织里有没有真正自己下场做过大模型的人，有没有在一个真正的大模型组织待过的人，知不知道一个能适应AI时代的组织应该是怎样的。
2024年急于在大模型上破局的字节，转年就找来了吴永辉担任Seed负责人。前负责人朱文佳虽然也是资深的算法和架构师，但他大量的技术经验都集中在“搜推广”业务形态中，接手Seed时并未真正做过大模型。后来的事情也证明，做大模型训练还是需要直接做过的人，前Google DeepMind研究副总裁、曾深度参与Gemini研发的吴永辉，被认为才是对的人。
腾讯则在2025年做出了更大胆的选择。这家以“成熟稳重”著称的公司，在大模型持续落后的2025年末，找来了年仅28岁的前OpenAI研究员姚顺雨担任混元大模型负责人。“总办就是希望他来打破秩序的。”一位腾讯人士说。
他的到来，就像在平静的池水中放入了一条鲶鱼。腾讯的大模型组织开始剧烈翻腾。
首先是大批原生AI人才的加入。据36氪梳理，姚顺雨加入后的近一年，混元体系引入了至少8名关键外部人才，直接向他汇报。梳理这份新人名单，无论是来自字节Seed的张弛、黄启，又或是此前已被业内普遍关注的海外明星研究员庞天宇、田永龙与蔺旭东，无一不是在大模型的一线真正训练过大模型的研究型人才。
“姚顺雨有一种明星效应，他吸引了更多掌握配方的人愿意来到腾讯。”一位混元研究员说。他仍然用厨房做比喻：“如果掌握配方的人觉得，你厨房里的锅铲不是我要的锅铲，锅具也不是我要的锅具，我怎么炒出一盘好菜来？现在，他们相信姚顺雨至少是个合格的厨师长。”
旧人也在陆续离开。大模型原先各岗位的关键负责人，包括原腾讯AI Lab副主任俞栋、上一任混元掌舵者蒋杰、原多模态理解负责人胡瀚、原后训练主力徐灿等，都在姚顺雨履职后相继发生变动，或离职、或转岗。
混元的组织在快速地年轻化。“那些所谓的老资历，其实并不比我们懂得多，甚至我们在模型训练各方面的认知上甚至都碾压他们。”一位混元研究员对36氪说，“不是所有资历都能带来增益，很多人没有真正在大模型上打过胜仗。”
一位头部大模型公司员工也感慨，团队里几乎都是95后，05年的都有。对创业公司而言，最不需要的就是一个专门发号施令的人，他不向往大厂，因为“组织庞杂，架构层级多，管理者只是在‘管理团队’”，“在创业公司，因为目标与做事风格高度一致，反而更容易出成绩”。
可见，大模型行业也正在构建一种扁平、一线、按训练战绩而非资历来评判人的工作方式。在上一个时代做过虚拟人，做过推荐系统、广告系统、搜索，做过云的人，不再能直接用资历和年龄来兑换一个领导大模型团队的资格。
组织变化带来的效果很快在业务端显现出来。
2026年之前，谈到混元大模型，行业内的评价几乎是清一色的“拉完了”。而姚顺雨和他的新核心班底陆续到位后交出的Hy3则被认为“上牌桌了”，一个相对公允的评价是：从“模型榜单产品”变成了一个能真正塞进WorkBuddy等生产力产品里的底座。而2个月后发布的Hy4 preview，则被业内评价为：把腾讯推到了国内开源模型第一梯队。
这正是一个“关键人物的到来改变了组织，新的组织改变了业务状态，最后改变了公司在行业中的座次”的故事。“不是说姚顺雨一个人改变了混元，但如果在2025年那个时间点，没有这样一个被赋予重要职权、能越过内部山头的角色承担这些责任，混元绝对不是现在这样，只会更落后。”一位接近腾讯的人士评价。
阿里则陷入了与腾讯不同方向的叙事。
阿里过去因为大模型做得早、人才有积淀，并没太吃过挖人的苦：通义实验室的源头可以追溯到达摩院，周畅、林俊旸、罗福莉等最早一批国内大模型人才都出自于此，且都是阿里一手培养的原生人才。而且，开源文化也吸引了大量有技术情怀的人，这让阿里在2024年一度成为其它大厂挖角的人才高地。
可是近两年来，阿里对人才的吸引力正在松动。
随着字节、腾讯纷纷改革职级体系，打破论资排辈的桎梏，以及创业公司在2026年轮番推出SOTA模型、上市，阿里长期以来严格的职级体系和薪资体系，都成为了招揽人才的障碍。
据了解，原Qwen负责人林俊旸的职级为P10，除去他的直接汇报对象，大部分一线研究员只能给到P7左右。而这些人如果去往字节和腾讯，职级至少高出一到两级。“阿里很难让外部年轻人直接担任核心职位。”一位阿里人说。
自2026年3月林俊旸离职以来，阿里一直在重新搭建大模型相关的组织：3月成立Alibaba Token Hub（ATH）事业群；4月成立集团技术委员会，升级通义大模型事业部；6月又将通义大模型事业部和未来生活实验室两个最重要的模型团队合并，成立Token Foundry事业部。以上皆由集团CEO吴泳铭直接负责。
“管理层确实焦虑了。”一位阿里高管对36氪说，这些调整都是在将阿里的AI主导权不断集中到CEO手上，但这是最好的解法吗？“吴妈（吴泳铭）作为集团CEO要管的事情太多了，精力很容易被分散，很难高度沉浸地盯AI这一件事。”不少行业人士都认为，阿里依然需要寻找一位更原生、能更专注的大模型一号位。
潮涨潮落
AI圈人才的流动如同潮汐，时刻伴随着潮涨潮落。
根据猎头的回忆，国内模型圈的人才迁移经历了四个阶段，这背后也是公司间的起落：
2023年，GPT-3.5成为标杆，OpenAI、Google、Meta等海外大厂的员工成为了国内公司都想挖的热门标的。而国内的大模型人才和公司一样，都刚刚起步，其中阿里和智谱由于入局AI较早，人才更为成熟。
2024年，阿里之外，“AI六小虎”（智谱、月之暗面、MiniMax、百川智能、阶跃星辰、零一万物）从“百模大战”中脱颖而出，也成了第二阶段的黄埔军校。
2025年，DeepSeek、字节、阿里的人几乎和硅谷研究员一样受欢迎。想找能做预训练的人，基本就看这几家。猎头York用一句话来总结：“现在国内人才池里，模型层就看Seed，应用层就看剪映。”
2026年，DeepSeek、字节、阿里的人依然抢手，不过从“六小虎”中成功跑到头部的智谱、月之暗面也再次成为了人才市场的焦点。比如，月之暗面是率先拿出超大参数原生多模态模型的公司，而就在这个模型发布后，猎头们立刻前往月之暗面的办公室楼下蹲守准备挖角多模态研究员。
同时，AI市场对人才的需求结构也在发生一些微妙的变化——有的工种逐渐稳定、落潮，有的则在起势。
Cursor首席人才官Adam Ward在近期的一次访谈中提到，在AI研究员之外，硅谷现在需求更大的一类人是“前沿部署工程师（FDE）”，也就是模型公司或云厂商里派驻到客户一线去，把自家模型或应用部署到客户实际工作环境里的一群人。
“AI研究员是一个非常明确的群体，他们的定义、数量和分布都很清晰。现在比他们更难招的是那些模糊不清或全新的工种。”Adam在访谈里说。
这背后也是硅谷AI圈在发生的变化：在不断投入人、卡、钱做出最好模型的同时，模型的应用和商业化——也就是让模型赚钱——正变得比以往更重要。
在国内，类似的变化也在发生。
清华经管学院与猎聘在6月联合发布的《AI时代技能趋势报告》显示：2022年，AI基础算法与模型岗位占据了AI劳动力需求约一半；到2026年第一季度，这一比例降至20%；第二季度，AI Agent产品开发工程师的需求量首次超过算法工程师，成为AI领域最大的单一岗位类别。在这4年间，Agent产品相关人才需求环比增速达到40%。
行业的重心正在从“训模型的人”分化到“能把模型用起来的人”。
这从近期几家大厂频繁的组织架构和业务调整也能看出端倪：阿里将QoderWork、悟空、MuleRun整合为千问办公，并将“AI办公”提升为公司在AI领域的战略方向；字节则将飞书产品团队与豆包产品团队将整合，并把TRAE和扣子整合进豆包，完成五年来对To B业务最大的一次调整。
两家大厂的调整都被外部解读为对腾讯AI办公助手WorkBuddy的阻击。当三家大厂都势必要拿下这座城池，那么相应人才的需求也会被快速放大——不是产品经理，而是做Harness（驾驭模型，把任务执行落地）的产品工程师。
但大厂对于AI算法的需求跟前两年比确实在退潮。不是不招了，仅仅是因为经历了过去两三年的急招，大厂和头部公司的人才已经趋于饱和——字节Seed的算法人数甚至已经上千。
“各家公司都已经形成了比较有梯队的训练队伍，坑自然就少了。”一位业内人士说，“大厂现在主要的任务是只盯最头部的算法人才，并且留住自己已有的人，而不是继续大规模招聘。”
今年第二季度，腾讯与阿里的单季资本开支合计超过1000亿元，且两巨头自由现金流罕见同步转负。据行业估算，字节单季投入规模至少和腾讯处于同一量级。据此推算，三家巨头单季的资本开支合计超过1500亿元，其中大部分将流向AI业务所需的算力。
1500亿，能造1.25座港珠澳大桥，或60%个三峡大坝，或3艘福建舰。这也是为什么，针对大模型研究员不计成本地疯狂挖猎不会持续太多个年头的原因——地主家也没有余粮了。
猎头裴小科对此有直接的感受：大厂招人的眼光更挑剔了。他打了个比方：2023年那会国内团队招人，只要“见过猪跑”就行；认知成型后，用人标准变成了“吃过猪肉”；随着吃过猪肉的人越来越多，如今只有“吃过好的”那一档，才能接到橄榄枝。
于是，“缩圈”的现象出现了。比如针对一线研究员这个人群，“C9院校（9所顶尖大学）的计算机专业是现在的第一梯队”，裴小科介绍，“C9之后是985院校，而211及其他院校基本不再纳入人才池。”原因很简单：C9院校的学生往往在更前沿、资源更充足的课题组里实践，他们的经验也更被看重。
一位大厂实习算法还观察到一个现象：AI部门转正的HC在减少，但是拿到offer的人薪资包涨了一倍。这不是矛盾，而是同一件事的两面：一些基础的工作会逐渐被模型吃掉，于是预算集中到了少数头部的人。
“今年以来一些场景，比如后训练，正在逐渐自动化，HC的需求也在下降。”上述大厂实习研究员说，他已经见怪不怪，“现在部分组的HC已经锁死了，即使是一些同龄人中的‘大佬’，去投这些组也会被挂简历。”
大厂招聘步伐放缓，创业公司仍在热火朝天。正是观察到字节的人才溢出，他们牟足了劲准备挖人。
一位猎头认同“字节大范围扩招时代基本结束”的判断，他所在的猎头公司正在认真考虑明年是否要解约字节。“签约了字节，就不能挖字节的人，因为被逮到要罚钱、取消合作。比起服务字节，把字节的人才挖到创业公司，收益看起来更大。”
AI人才抢夺远没有结束，但最高潮的阶段已经告一段落。
1983年，物理学家伊曼纽尔·德曼接到华尔街的猎头公司打来的电话，问他想不想要一份15万美元薪资的工作，而当时他在贝尔实验室的工资是5万美元。后来，他在高盛一直待到2002年才离开。他和那一代的物理学家、数学家们在华尔街获得的，不只是三倍、五倍的薪水，还有一个可以待上二三十年的职业身份——他们中的许多人后来成了亿万富翁、终身教授，或对冲基金创始人。
但如今的AI天才们，还会有这么长的时间窗口吗？
*应受访人要求，朱可欣、李清为化名
（36氪作者邓咏仪、李炤锋对本文亦有贡献）
图片来源｜AI制图
Meta 首席 AI 科学家 Yann LeCun（杨立昆）：AI 需要理解物理世界才能进化撰文：Techub News 整理
导语
2025 年 3 月，Meta 首席 AI 科学家、图灵奖得主 Yann LeCun（杨立昆）接受了科学传播者、前欧盟数字大使 Matt Keçi 博士的深度访谈。作为深度学习领域的奠基人之一，LeCun 不仅回顾了该领域数十年来的起伏，更着重剖析了当前以大型语言模型（LLM）为代表的 AI 系统的根本性局限，并勾勒了他眼中下一代 AI 的演进蓝图。在 AI 技术日新月异、竞争与合作格局日益复杂的当下，这位顶尖学者的思考为我们理解 AI 的未来发展方向提供了至关重要的视角。
摘要
当前 AI（尤其是 LLM）虽能熟练操纵语言，但在理解物理世界、持久记忆、推理与规划方面“非常愚蠢”，远未达到人类或动物智能水平。
实现人类级别 AI 的关键在于让机器像婴儿或动物一样，通过感官输入高效学习“直观物理”，这需要全新的架构，如他提出的 JEPA（联合嵌入预测架构）。
开源与开放研究是 AI 领域过去十年飞速发展的基石，封闭系统将阻碍整体进步；AI 的未来是全球协作，而非零和竞争。
真正的自主机器人（包括 L5 自动驾驶）依赖于能理解物理世界、具备常识的 AI 系统，这可能是“机器人十年”即将到来的前提。
AI 的情感可能源于对行动结果的“预期”，而非被硬编码的愤怒或嫉妒；意识目前尚无明确定义，不应成为研究焦点。
从深度学习浪潮到 AI 的“愚蠢”现状
Yann LeCun（杨立昆）回顾了深度学习的两次浪潮：第一次在 80 年代末至 90 年代中期，因计算力和数据限制而沉寂；第二次则自 2013 年左右开始爆炸性增长，并因 2015 年他与 Geoffrey Hinton（杰弗里·辛顿）在《自然》上发表的那篇标志性综述论文而广为人知。然而，面对如今 ChatGPT 等模型引发的狂热，LeCun 却给出了冷静甚至尖锐的评价：“目前的 AI 系统在很多方面非常愚蠢。”他指出，我们被其流畅的语言能力所迷惑，误以为它们很聪明，但实际上，它们无法理解物理世界，缺乏人类那样的持久记忆，也不能真正进行推理和规划——而这些正是智能行为的核心特征。
LeCun 强调，语言之所以看起来复杂，实则因为它是离散符号的序列，处理起来相对简单。相比之下，通过视觉等感官接收的关于物理世界的信息量是海量且连续的，理解和预测这个世界要困难得多。这就是所谓的“莫拉维克悖论”：让计算机完成抽象思维任务（如下棋）相对容易，但让它们具备婴儿或小猫级别的物理直觉和行动能力却极其困难。他举例道，一个大型语言模型训练所用的文本数据总量（约 10^14 字节），一个幼儿在大约四年的视觉体验中就能通过眼睛接收到同等量级的信息。这启示我们，仅靠文本训练永远无法达到人类水平的 AI，必须让 AI 学会理解真实的物理世界。
下一代 AI 蓝图：理解物理、记忆、推理与情感
那么，如何构建能够理解物理世界的 AI？LeCun 介绍了其团队在 Meta FAIR 实验室和纽约大学正在探索的新路径。他们致力于设计一种仍然基于深度学习、但能力更全面的新型 AI 系统。这套系统的关键能力包括：
理解物理世界：掌握直观物理，能够预测自身行动可能带来的后果。
持久记忆：拥有类似人类的记忆系统。
推理与规划：能够进行层次化规划，将复杂目标分解为可执行的子任务序列。
LeCun 特别指出，当前 LLM 的推理方式（在“词元空间”中大量生成再筛选）效率低下且不似人类。人类是在内心的“世界模型”中进行模拟和推理，预测不同行动路径的结果，从而制定计划。构建这样的世界模型是重大挑战。
关于情感与意识，LeCun 提出了一个有趣的观点：未来先进的 AI 系统可能会拥有“情感”，但这并非被编程的愤怒或嫉妒，而是源于对行动结果的“预期”。当系统预测自己的行动将成功达成目标时，会产生类似“快乐”的积极信号；反之则产生消极信号。这是一种基于预测机制的内在驱动。至于意识，他认为目前尚无清晰定义和测量方法，过度关注可能像历史上纠结于“视网膜成像是倒置的为何我们看到正像”一样，是问错了问题。
学习范式演进与世界模型架构 JEPA
LeCun 梳理了机器学习的三大范式：监督学习、强化学习和自监督学习。他指出，强化学习效率低下（不适合训练自动驾驶，因为会撞毁成千上万次），而近年来取得巨大成功的 LLM 主要依赖于自监督学习（如预测文本中被掩盖的词）。然而，将这种适用于离散文本的自监督学习直接套用到连续、高维度的物理世界（如视频预测）时，却遭遇了失败。因为无法有效表示对未来视频帧的预测概率分布。
为此，LeCun 提出了 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）作为解决方案。JEPA 的核心思想是：不在原始输入空间（如像素）进行预测，而是让系统学习输入的抽象表征，并在这种抽象表征空间中进行预测。这避免了系统浪费资源去预测不可预测的细节（例如摄像机转动后墙上画作的全部细节），转而关注更高层次、更本质的变化。JEPA 是一个宏观架构，其中可以包含 Transformer 等模块。它并非直接替代 Transformer，而是为处理物理世界信息提供了一种更可行的框架。
开源协作、机器人未来与行业洞见
针对 AI 领域的竞争，尤其是近期中国团队推出高性能开源模型 DeepSeek 引发的讨论，LeCun 坚决捍卫开源与开放研究的价值。他强调，开源让整个领域乃至全世界受益，是过去十年 AI 飞速进步的根本原因。PyTorch 等开源框架被整个行业广泛使用就是明证。他认为，基础研究方法层面的竞争并非零和游戏，而是全球性的合作。好的想法来自世界各地，开放环境能加速整个领域的进步。对于微软等公司传闻的千亿美元级“星际之门”（Stargate）计算项目，LeCun 指出其投资规模与 Meta、微软当前的投入同属一个量级，且大部分投资将用于服务亿万用户的推理需求，而非训练。
谈到机器人时，LeCun 认为未来十年将是“机器人的十年”，但其实现前提是 AI 在理解物理世界方面取得突破。当前的人形机器人演示虽令人印象深刻，但其智能程度还远不足以应对真实世界的复杂性。他特别评论了 Elon Musk（埃隆·马斯克）对特斯拉自动驾驶的预测，直言“必须停止相信他在这方面的说法”，因为其预测已连续八年未能实现。L5 自动驾驶的难点不在于传感器，而在于 AI 缺乏对物理世界的理解和常识。
对于欧洲在 AI 竞争中的角色，LeCun 指出欧洲拥有顶尖人才，但在监管明确性上面临挑战（例如其 Meta 智能眼镜的视觉功能因监管不确定性未在欧洲推出）。他相信欧洲将继续扮演重要角色。
反思、遗产与未来方向
被问及职业生涯是否有遗憾时，LeCun 坦言，他可能过晚地认识到自监督学习的重要性，并希望自己当年能更努力地维持社区对神经网络的兴趣，以避免“AI 寒冬”的出现。他推测 Geoffrey Hinton（杰弗里·辛顿）的遗憾或许在于花了太长时间寻找大脑可能使用的、不同于反向传播的学习算法，最终才发现反向传播本身已经非常有效。
作为卷积神经网络（CNN）的发明者，LeCun 的遗产已深入日常生活，从手机图像识别、语音助手到汽车自动紧急刹车系统，背后都有 CNN 的身影。如今，他将目光投向更前沿的“世界模型”，致力于为 AI 赋予真正的物理理解和常识。在访谈最后，他也表达了对 AI 在医疗等领域（如乳腺癌诊断）应用的积极期待，并担任了相关初创公司的顾问，相信深度学习将为人类健康带来巨大福祉。
卓銳證券「AI·CRYPTO 全球資產配置」線下主題論壇吸引近200名投資者八家資管與數位資產機構同場 共探雙主線配置新範式
（香港，2026 年 8 月 27 日）適逢 Bitcoin Asia 2026 在港召開，由卓銳證券（香港）有限公司（下稱「卓銳證券」）主辦的「AI·CRYPTO 全球資產配置」主題論壇，於今日下午在香港萬麗海景酒店舉行。論壇聚焦 AI 與數位資產雙主線驅動下的宏觀週期研判，現場吸引近 200 名投資者參與，互動環節反應熱烈。
論壇匯聚華夏基金（香港）、易方達基金（香港）、Animoca Brands、VDX、BE Trust、Metalpha、BigQuant、北水金控等機構的業界領袖，議題涵蓋數位資產 ETF 的發展路徑、比特幣的機構化進程以及 AI 算力週期的資本傳導，回應投資者在雙主線交匯下對配置方向的關注。
圖註：「AI·CRYPTO 全球資產配置」論壇現場，吸引近 200 名投資者參與。
宏觀研判：AI 牛市能否繼續，需要爆款應用持續接力
卓銳證券基金經理 Jerry Ou 以「AI 與比特幣雙重敘事下的全球資產配置展望」為題發表主題演講，從宏觀週期出發拆解兩條主線對全球資金流向的影響。
他指出 AI 是過去三年美股牛市的絕對主力，而目前 CAPEX 已經到了 CSP 自由現金流轉負的時刻。繼續高強度 CAPEX 只能靠巨額借債，這要求 AI 應用在 2030 年形成 1 萬億美元 ARR（vs.2026 年才 1 千多億美元）才夠還債。目前全球 AI to C 商業化都沒跑通，今年 ARR 大漲幾乎全靠 Anthropic 跑通了 AI to B，主要是編程 AI 取代程式設計師，這導致美國程式設計師職位大幅萎縮，尤其是應屆畢業生。然而，非農就業總人數為何未見顯著下滑，主要是因為 AI 數據中心建設產生的新工作崗位大多位於共和黨執政州和關鍵搖擺州。接下來，AI to B 的爆款應用方向主要在金融、法律、諮詢等高薪白領崗位。而最終衝上 1 萬億美元 ARR，則需要 AI+機器人跑通，目的是大幅降低勞動力成本，實現美國製造業回流。目前 AI 股票尤其是半導體的估值已經處於歷史頂峰，但是否回落甚至轉熊關鍵要看上述 AI 爆款應用能否持續接力，2000 年代科網泡沫破裂是三重利空的意外疊加。
至於比特幣，他認為按四年減半規律，當前處於熊市週期階段，而熊市底部價格通常由挖礦成本決定。
圖註：卓銳證券基金經理 Jerry Ou 就 AI 與比特幣雙重敘事下的資產配置展望發表主題演講。
配置視角：比特幣與主要資產相關性低，配置價值受關注
華夏基金（香港）投資組合管理總監 William Kung以「比特幣新機遇」為題分享。他從資產配置角度指出，過去十年比特幣與主要資產類別的相關性很低——與標普 500、納斯達克 100 的相關係數分別為 0.17 與 0.19，與黃金、債券則接近於零，具備獨特的風險收益特徵。以過去五年的回測為例，在傳統 60/40 組合中納入比特幣，配置比例較高的組合表現相對更佳。
就市場空間，他提到數位資產目前占全球財富總量的比重不足 0.4%，比特幣市值約相當於黃金的 3.5%。機構資金的動向亦在同步變化：根據截至 2026 年 8 月中旬的 13 F 申報，摩根士丹利與摩根大通的比特幣相關敞口環比分別增加約 3.7% 與 12.2%，以太幣相關敞口增幅更為顯著。他並指出，第四次減半後，效率最高礦工的現金生產成本約在 6 萬美元附近，可作為觀察支撐位的參考。
圖註：華夏基金（香港）投資組合管理總監 William Kung 分享比特幣的配置價值與下半年展望。
圓桌一｜比特幣的機構化進程
首場圓桌由 Techub News 聯合創始人 Bobby 主持，VDX 首席戰略官 Paolo、Animoca Brands 投資與戰略合作總監 David Ching 及 BE Trust 投資總監 Yaney 參與討論，議題聚焦 ETF、流動性與新一輪市場週期。三位嘉賓的共同判斷是：這輪上漲並非週期反轉，而是流動性預期、ETF 淨流入與空頭回補疊加的階段性修復。更值得關注的是交易結構的變化。BE Trust 投資總監 Yaney 形容，市場正處於「早期持幣者向華爾街機構換手的關鍵階段」，四年一輪的週期效應正在弱化，波動率將逐步向成熟大類資產收斂。VDX 首席戰略官 Paolo 亦觀察到比特幣與納斯達克科技資產的相關性持續走高，已成為機構眼中的高 Beta 資產。
圖註：圓桌一「比特幣的機構化進程：ETF、流動性與新一輪市場週期」討論現場。
產業滲透：成本下降，反而推高算力需求
易方達香港數碼營銷總監 Sapphire Wang 則從產業滲透與需求端切入，分享 AI 時代的投資新格局。她引述史丹福大學 2026 年 AI Index 報告指出，全球企業的 AI 採用率已超過 88%，滲透速度明顯快於互聯網普及初期。就算力需求的走向，她以傑文斯悖論作解釋：模型推理成本下降並不會減少總消耗，反而因應用場景擴張，推動 Token 與算力需求進一步上升。
她並提到中美 AI 產業鏈高度互補——美國主導模型層與算力晶片，但發電量相對不足，數據中心擴張受制於電力供應；中國掌握光模組、PCB 等硬體產能與能源優勢，先進製程則依賴進口。單一市場難以形成閉環，兩者互為必要條件。
圖註：易方達香港數碼營銷總監 Sapphire Wang 就 AI 時代的投資新格局發表主題演講。
圓桌二｜算力新週期：從晶片到雲端，資本開支如何傳導為投資機會
第二場圓桌由卓銳證券市場副總裁 Miranda 主持，BigQuant 首席執行官梁舉、北水金控聯合創始人 Kylie Li 及 Metalpha 生態負責人 Max參與討論。議題圍繞 AI 資本開支沿產業鏈向下游延伸後，投資機會分佈的變化。三位嘉賓認為，近期 AI 資產回撤是高位擁擠交易的出清，而非產業週期見頂——產業仍在高速成長，只是商業化兌現跟不上炒作預期，二級市場估值已明顯透支。Metalpha 生態負責人 Max 將當前的 AI 行業類比早期的區塊鏈行業：「基建投入巨大、資本熱度極高，但真正跑通閉環、持續盈利的應用仍然稀少。」機會的位置也在移動——從堆算力轉向降本與落地，定製晶片、光通信、液冷、電力基建等效率優化環節，以及垂直應用層，被視為下一階段的主戰場。
圖註：圓桌二「算力新週期：從晶片到雲端，資本開支如何傳導為投資機會」討論現場。
跨界對話延續至會後
論壇最後設自由交流環節，與會機構代表就各自關注的議題繼續深入交流。公募基金、數位資產投資平台與量化科技公司，過往關注重點各有不同，但隨著數位資產合規化推進與 AI 產業週期演進，其面臨的核心課題日趨接近：在市場變數增多、週期縮短的環境下，如何建立清晰且可複製的配置方法。
從傳統證券到虛擬資產，從香港到新加坡、澳洲，卓銳證券正沿著同一條路徑推進——讓不同類型的資產，回到同一張配置表上。目前，卓銳證券持有香港證監會第 1、2、4、5 及 9 類牌照，其中第 1 類牌照已獲批面向專業投資者及零售客戶提供虛擬資產存入、交易及提取的全流程服務；自主研發的一站式平台 ZR，讓投資者以單一帳戶完成股票、ETF 與虛擬資產的配置。
「成為備受信賴的全球金融科技平台」——這是卓銳證券的願景，也是舉辦本次主題論壇的初衷。公司表示，未來將持續圍繞全球資產配置議題舉辦更多線下交流活動，與投資者一同把握雙主線下的市場機遇。
風險提示：嘉賓發言僅為個人觀點分享，不構成任何證券、金融產品或工具要約、招攬、建議、意見或任何保證。