来源：小军访谈 ·「对姚顺宇的4小时访谈：请允许我小疯一下！在Anthropic和Gemini训模型、技术预测、英雄主义已过去」 主持：小军 嘉宾：姚顺宇（Shunyu Yao），Google DeepMind研究员。本科清华物理系（凝聚态理论），斯坦福理论高能物理博士（量子信息与黑洞方向），伯克利短暂博后后加入Anthropic，参与Claude 3.7大规模强化学习与coding训练，去年九月底加入Google DeepMind，参与Gemini 3 Deep Think、Gemini 3.1 Pro等模型。注意：硅谷另有一位同名姚舜宇（前OpenAI、现腾讯首席AI科学家），两人履历有overlap但方向不同——另一位一直是计算机背景，本篇嘉宾是从理论物理半道转入AI。
本文整理自小军对姚顺宇的4小时访谈。他从宁夏小城到上海、清华、斯坦福，从量子物理到高能理论，再到Anthropic和Google DeepMind训练模型，完整讲述了一线研究员视角下AI的真实节奏。以下按主题组织，每个主题包含「新的变化」和「姚顺宇观点与解释」两个维度，力求让未观看视频的读者快速理解核心内容与得出观点的原因。
一、AI进入"下半场"：从"能不能做到"到"该做什么"
新的变化
一年前（2025年初），业界最焦虑的是"OpenAI的reasoning这么强，我们能不能追上"。姚顺宇观察到，到2026年初，OpenAI、Anthropic、Google三家已经没有谁真正担心自己追不上——焦虑的对象从"能力差距"转向了"想明白要做什么"。这是一个根本性的心态转变：模型能力被拉平、同质化、商品化，纸面benchmark上各家都在80%附近徘徊，高低一两个百分点主要是噪声而非信号。
姚顺宇观点与解释
姚顺宇：他并不太认同"上半场/下半场"这种划分，但承认现在确实进入了一个新阶段——大家不再担心"AI能不能做到"，而是担心"这件事是不是被良好地定义了"。
从用户体验上，三家模型仍能感受到区别：通用工具使用类agent表现最好；纯coding方面CodeX（他口误为"CoilX"）最近追上来缩小了gap；Anthropic在纯reasoning和日常使用上仍较好，coding和agent上则处于接近状态。这种分化过去主要源于"意愿"——各家选择优先发展哪个方向（Anthropic重coding，OpenAI曾重reasoning），但现在意愿和能力两方面都有，因为当纸面都差不多、内部测试也差别不大时，更难的是"如何定义你想要的行为"。
他举了一个"想象不到"的例子：退回一两三年前，从网上取预训练数据训模型，模型写代码会写得很好，当时大家不知道为什么。后来发现原因是网上自然的code数据质量本身就比普通网页高——这种"意外因素"在今天模型差异中仍大量存在，只是很难当场解释清楚。
背景：SWE-bench是衡量模型解决真实软件工程问题的benchmark；AIME是美国数学邀请赛，常被用来测数学推理；AGI benchmark（如ARC-AGI）测抽象推理。姚顺宇认为这些公众benchmark"都打码了"——SWE-bench大家都到80多，幸亏没人超过83（OpenAI后来说超过83的题有不良含义），AIME、ARC-AGI也被DeepSeek等打到了80多，单纯刷这些"第一名"已经没太大意义。
二、OpenCloud与Manus：模型能力的自然溢出
新的变化
2025年初火的是Manus（后被Meta收购），2026年初火的是OpenCloud（后被OpenAI收购）。姚顺宇认为从Manus到OpenCloud的"质变"他自己其实没看明白——他不理解"为什么Manus做不了OpenCloud能做的事"，可能只是Manus没做。这类产品形态的技术能力并非今年才准备充足，去年OpenAI发布4.5时（其工具使用能力比o1和Gemini都强）就已经可以展示。
姚顺宇观点与解释
姚顺宇：OpenCloud"技术上并不能说明什么"，它依赖的模型能力去年就具备了。它的真正意义不是技术突破，而是"让大家意识到这件事可以做"——你可以控制多个不同的模型做很长很复杂的工作。它发布后并没有立即火，过一段时间才火起来，说明这是一个"共识的建立"而非能力的跨越。
关于为什么Manus和OpenCloud都"卖了"（卖给大厂）：他认为长久生存需要考虑壁垒，目前壁垒主要在模型侧。至于Google为什么"谁也不收"——他纠正说Google其实买了Windsurf。他个人不太理解Meta买Manus的意义，猜测最大用处是获得了一批在亚洲（新加坡）的产品团队锚点，因为中国AI人才储备丰富，“本质上人才比美国更好”。
一个反直觉的观察：Manus和OpenCloud都诞生于大厂之外的团队，而不是硅谷的研究员。姚顺宇的解释是——大公司一旦变大，负担也变大。个人可以随便发开源项目（“代码垃圾又如何，你帮我一起写”），但大公司不行：产品不能一上线就让用户冒电脑被搞崩的风险，要确认法律风险、不损坏品牌、还要投入固定资源去serve。大公司的流程包袱让小团队反而能在新产品形态上领先。
三、预训练远未到头：撞墙多半是有bug
新的变化
过去几个月，关于"预训练scaling已经到头"的讨论一度盛行。姚顺宇给出了截然相反的一线判断：预训练在过去几个月"还是越来越强了"，且未来四个月也看不到到头迹象。这与他入职Anthropic初期曾抱有的"预训练party over"想法形成对照——随着了解深入，他发现"还有很大做的空间"。
姚顺宇观点与解释
姚顺宇：他认为一个人觉得一个规律"到头"，无非三种情况：一是觉得规律适用范围到头了（scaling本质无法无穷延展）；二是觉得某个条件不能满足了（比如数据撞墙）；三是工作里有bug没发现。他的观感是"绝大多数撞到墙的人是因为第三种——有bug"。
bug有很多种：可能是scaling时科学假设没做对（比如每个大小的模型选什么token horizon、期待的训练数据量、数据从哪选）；也可能是纯粹的工程bug——“修好一个bug带来的进展远大于一些很神奇的技巧”。
遇到bug时是"信念问题"：你觉得不能解决就说"到头了"，觉得肯定能解决就"还没到头"。但更重要的是"做事系统"——当一个尺度上的行为和预期不一样时，能否系统性排除各种可能性。他强调这是Anthropic团队做得好的地方：能设计合理的ablation实验，测出想象中的因素是不是真因素。
驱动力方面：数据和算力是强关联的（算力上去需要更多数据，数据上去需要更多算力），在"比较清晰的框架"里是主要驱动力。算法的作用是"相变"式的——在完全没搞清楚怎么做时算法最关键（如Transformer的发现），之后算法提升变成平滑的效率改进。多模态生成属于"算法上没太想清楚"的科学问题，还没到能scale up的点。
预训练和后训练作为两个范式都没有达到平台期。但他指出一个更微妙的现象：现在到达的"平台期"不是技术本身到了（模型还学得会），而是"你想干的事儿到平台期了"——已知chatbot可以教、coding可以教，但"不知道下一个该教什么"。模型像一个非常聪明的小孩，人类作为老师还不知道下一个该教什么，或该怎么用现有范式去教。
背景：scaling law（他口误为"斯金诺/Scalenet"）描述模型随大小和数据在指标上如何变好。他将其类比为热力学定律——当年也是经验规律，后来才理解微观机制变成科学规律。
四、Claude 3.7：后训练如何scale up的分水岭
新的变化
姚顺宇入职Anthropic时（2024年九月底），公司约七八百人，他所在的Horizon大组只有十来人，主要做大规模强化学习。他赶上了Claude 3.7——一个他称为"后训练分水岭"的模型。在3.7之前，后训练处于小规模、修补状态；3.7之后，后训练开始能scale up。他澄清了Anthropic混乱的版本命名：外界Claude 3.5其实有两个版本（六月和十月），后来外界把后一个叫3.6，Anthropic跟随这个习惯，再新的就叫3.7——“曹伟（Anthropic）曾经没啥产品能力，居然管两个模型叫一个名字”。
姚顺宇观点与解释
姚顺宇：3.7是怎么做出来的？关键不是某个神奇算法，而是"找到合适的环境"——这个环境的回归（reward）信号足够清晰、本身是强数据源，在上面做训练非常稳定，就能做成。这一点OpenAI、Anthropic、DeepSeek都意识到了，大方向一致（找回归信号清楚、客观、数据干净、可学习的环境做稳定RL），但具体算法和数据使用方式差别很大——事实证明每家方向不一样，但都能做成。
他特别强调"把简单事儿做的比谁都干净"比花里胡哨的技巧重要。强化学习有很多算法（最简单的GRPO只是抛了一个点子），还有复杂搜索算法，但复杂性是否必须？它可能带来效率提升，却带来infrastructure困难，如何trade-off才是研究要理解的。很多能耗都在处理这些细节。
coding为什么重要？他给出两个原因：一是Anthropic一直讲的——coding本身是做语言模型研究的一部分，做好coding能让研究效率翻倍，形成研究飞轮；二是coding是"模型使用工具和环境交互"的很好抽象——回归信号清晰、数据充分，很难在别的场景同时找到这两个特质。在coding上做的研究，对更通用的工具使用和环境交互能力有借鉴意义。
关于技术tips：他认为"大家很愿意听、公司又不让说、但实际没啥用"。因为现代AI算法设计强依赖infrastructure——比如强化学习时产生token的机器（sampler）和实际训练改变权重的机器（trainer）可能不一样（数值差异或异步架构），不同公司这个差异程度不同，算法设计就不同。“现代AI训练是一个大系统，要了解方方面面才能有全局认识——什么事是因为什么而变得有用了，而不是这个事本身有用。”
背景：当时OpenAI的保密项目代号"草莓（Strawberry）"，大家只知道会带来后训练强化学习的新范式。姚顺宇说，OpenAI当时的目标不是coding，而是"预训练作为第一范式金矿快挖完了，开启第二个金矿（后训练RL）让scaling继续"。他在3.7时代也曾认同"预训练party over"，后来改变看法。
五、离开Anthropic：反华、文化冲击与想学新东西
新的变化
姚顺宇在Anthropic待了一年，离开时公司已接近两千人（翻倍多）。他选择离开去Google，是一个"反行动"——多数研究员嫌Google给的scope不够而想跳去Anthropic/OpenAI这样的小组织，他却反向而行。原因有三：不认同Dario（Anthropic CEO）把某个观点推到极端的情绪化表现（约占40%，非主因）；公司变大后文化受冲击；以及想学Anthropic不做的事（多模态生成、底层工程基础设施）。
姚顺宇观点与解释
姚顺宇：离职酝酿了一个多月。关于Anthropic的文化变化——他进去时是"小作坊"，大家都是朋友、都知道对方在干嘛、没人做个人宣传、紧迫感强；后来人多了，外面来的人和原有文化冲突，出现一些"在Slack上花很多时间讲大道理"的人。他不喜欢这类人，因为"idea cheap（想法是便宜的），难的是怎么实现、怎么变成可执行的步骤"。
离开Anthropic时他对公司其实"挺悲观"——主要收入靠卖token的API是"差生意"（只有对Google是好生意，因为最终要打价格战，没有完整链条没优势）。但后来证明他"过度悲观了"：Anthropic在产品上有很多巧思，Claude Code越来越好用，各种工作效率相关的事汇聚起来。他原本觉得Anthropic会比OpenAI先"变得没那么重要"，结果OpenAI先被Google揍了一拳，Anthropic自己上道了。
为什么去Google而不是OpenAI或xAI？他当时也有OpenAI选项，但转折点是对OpenAI文化的担心——“做事的人没有Google多”。Google吸引他的是研究自由、探索自由、能从更广泛的人那里学习。他强调：很多人离职后不开心是因为"没想明白自己想要什么"——如果想要明确的scope和产品impact，Google是差地方；如果想要研究自由和横向学习，Google可能是世界上最强的地方。
背景：他提到的"大润反华"指Anthropic CEO Dario Amodei的某种立场表达。“曹伟"是他对Anthropic的戏称。
六、Google的翻身：组织变清晰、OpenAI救了Google一命
新的变化
姚顺宇加入Google DeepMind后参与了Gemini 3 Deep Think、Gemini 3.1 Pro。从内部视角，他指出Google翻身的关键是两件事连着发生：NotebookLM（他口误为"纳豆保纳/Gulana”）把量打起来，Gemini 3紧接着把人留住。如果只有Gemini 3而没有NotebookLM打流量，市占率不到10%时模型好坏传播太慢。他估计Gemini现在可能占约20%市场。
姚顺宇观点与解释
姚顺宇：Google翻身的技术原因是组织变清晰了——尤其预训练变得"非常非常清楚"，谁负责什么、每个节点谁是负责人都很清楚（以前更混乱）。加上Google一直有的强技术背景和系统做事方式，预训练在Google是"非常可控的事"——你能知道下一代不会差，甚至知道会有多好。
一个反直觉的判断：“OpenAI救了Google一命”。如果OpenAI不仅做了ChatGPT还一路高歌猛进把搜索彻底吃掉，Google会很难受；但OpenAI先做了聊天机器人让Google意识到重要性，又没做到极致（没完全干掉搜索），给了Google追赶的时间。现在聊天机器人没完全吃掉搜索，是因为有些场景（比如"买大米"）用搜索比问ChatGPT转圈圈再给链接更直接。
Google的文化是"更bottom up"（比以前更自上而下，但仍比Anthropic更自下而上），擅长的是"找到一个极简单的产品形态，疯狂卷技术"——搜索引擎就是典型。Google在产品上有点慢，但"通过技术能力溢出产品能力"。他预测"现在谁的位置都不稳固"，AI形态还有很长的路要走，没到"中局之战"。
关于Google的技术一号位：他说"英雄背后都有一个人——Koray"（DeepMind CTO，现也任Google CTO），很多大决定最终由Koray拍板；Dimitri（Hassabis）更多管偏science的事（如Isomorphic Labs药物）。TPU方面，他认为大规模商用时GPU和TPU没有绝对优劣，但设计理念不同：GPU（如Hopper）是8卡两两高速互联、卡间无瓶颈；TPU抛弃卡间两两互联，用三维torus把尽量多的卡连成大集群，逻辑写得好可获得更大等效存储、减少通信瓶颈。
背景：NotebookLM是Google的AI笔记产品，曾因"音频播报"功能爆火。Koray Kavukcuoglu是Google DeepMind CTO。Dimitri Hassabis是DeepMind CEO。
七、AI本质简单、不可阻挡：六到十二个月内AI自己做实验
新的变化
姚顺宇抛出一个尖锐判断：“AI这个事儿本来也不太需要脑子”，最重要的特质是"靠谱、做事细、对自己做的事负责任"。他认为"AI本质是简单"的——不是因为结论，而是因为它能做实验，不像物理那样没有实验数据就理解不了理论。更激进的预测是：未来六到十二个月，AI就会开始自己做实验——从头到尾完成一项AI研究（写代码、跑实验、看结果、分析、提出新假设、设计新代码）。
姚顺宇观点与解释
姚顺宇：AI本质简单的点在于"它能做实验"。物理在某个能标下没有实验数据就理解不了理论，但AI不被此束缚——理解不了没关系，也可以往前发展，而且现在能做任何能想到的实验，只是需要时间把算力或基础设施准备好，“没有什么本质上的困难”。所以AI没有给人"碰壁"的感觉：首先什么都能试，其次不是没想法可试了，而是"有太多想法得一个个试"。
AI不可阻挡——“任何一个组织想要停止AI进展是做不到的”。Anthropic很担心AI安全，但它没有能力阻止AI发展（你停止别人会发展，你的话语权还会变小）。“现在是世界在推着我们前进，而不是我们在推着世界前进。”
他对Anthropic"做最好的模型才有话语权推进安全政策"的逻辑评价为"非常幼稚"——更可能发生的是大家都有很好的前沿模型，没有任何一家能阻止事情发生。他类比核武器：核武器最终受控靠的是multi-party control（多国互相毁灭能力的制衡），AI可能也需要类似机制，而不是指望一家公司制定法律。
Anthropic的可解释性团队进展：在一些比较简单、稀疏的网络里能做有趣研究（看输入的内在表示、反转后输出什么），但实际使用的语言模型远没到"神经科学手术刀"级别的理解。
背景：Anthropic创立时的重要动因是AI安全，但现在"做AI安全的公司为什么做前沿模型"成了自然问题。
八、个人英雄主义已过去：每个个体都是冲浪的人
新的变化
姚顺宇反复强调"个人英雄主义时代已经过去了"，甚至觉得"旧时代英雄有点蠢"。这与当下AI研究员被炒到"跟球星转会一样"的高价形成反差。他认为AI是集体主义的事——“每个个体都是冲浪的人，本质上是浪，而不是冲浪的人。浪是AI，它会往前走，不管你冲不冲，都会拍到岸上。”
姚顺宇观点与解释
姚顺宇：英雄主义时代对应的是"技术还没到scale up那个点之前"——那时找到关键技术的人或小团队是英雄（如Transformer、GPT范式被发现）。但进入可用大模型阶段后，从模型侧看更多是集体主义——“这个集体能不能一起工作、为一个目标一起花时间精力，才是最重要的，而不是每个个体提供了什么”。
他认为AI方向"本质上是简单"的，除了跳变时有深刻洞见，之后的很多想法"非常愚蠢，谁都能想谁都能干，只是运气好抓住了机会"。包括coding能力的发现也有随机性，“没有Anthropic做coding也会有别人做，是必然的事”。
关于研究员高价：他个人受益于此，但不确定是不是好事。一方面确实稀缺（训练一个人需要环境，过去撞到机会的人不多）；另一方面"对人的炒作有点过分，非常喜欢神话个体"。
他的面试题设计也反映这一理念：给候选人24小时从零到一完成一个强化学习项目（选模型、数据、算法，训出来），结束后一小时讨论。AI时代这不再难（AI能帮你全操作），但有两个考察点：一是能否有效利用AI（不再考代码写得好不好）；二是陷阱——如果全权扔给AI却不深度理解，一小时讨论会露馅。24小时设计也是为了看"这个人有多看重这个机会"（能不能熬夜撑住）。
对年轻人入行的建议：纯做语言模型"已经不是蓝海，末班车已经发车了"（他自己入行就是末班车）。但AI很大，多模态生成、机器人、用AI解决科学问题（如量子调控）都是更蓝海的方向。“做现在最热火的事并不是正确选择，做现在没人做到的事可能更好。”
九、Anthropic的执行力：技术leader有公信力才能make bet
新的变化
姚顺宇对比了Anthropic、OpenAI、Google的组织差异。Anthropic能实行"top down"机制、快速make bet，他认为这在其他公司很难（OpenAI搞不了，Google是另一套打法）。关键不是CEO有公信力，而是"技术leader有公信力"——且CEO没有成为阻力，这需要co-founding team有足够互相信任。
姚顺宇观点与解释
姚顺宇：Anthropic能top down的原因是技术决策人（如Jared Kaplan、Sam等）同时也是公司co-founder（公司口方），技术上能服众、又能为公司决定负责。Darrell（Dario）作为CEO起到什么作用他说不清，但"技术leader有决定权"是关键。
Anthropic的co-founding team没有一个人离开公司——“那是一群真正一起打过仗的人”，源自OpenAI，在关键论文（Scaling law、GPT-3）上都是合著者。“互相之间的信任是关键，很多公司干着干着连小集体都团结不住了，怎么能指望大公司团结住？"（暗指OpenAI）。
Startup和大公司打法不同：Startup重要的是make bet（能快速决策、强力推进），Anthropic的top down在这方面比OpenAI有优势。大公司（Google）则是另一套——尽量减少赌的成分，方方面面都有储备，任何事成了都能跟上，自己做成还能领先。Google是传统bottom up组织，公司有良好框架引导你做公司需要的事，但本质还是自己决定做什么。
什么组织能激发创新？过去观点是bottom up是创新的必要条件（自由才能创新），但完全bottom up也不行（乱）。需要一个人或小集体融合两者，而"组织运行好不好看起来是组织问题，归根结底是技术leader的问题”——最好的状态往往是最不稳定的，容易往不好方向塌缩，需要leader控制。好的leader需要两个特质：有救火能力（真遇困难能下场带人解决，而非只嘴上说）；能理解别人（哪怕不是自己做的事，能理解为什么重要、容得下别人）。
背景：Jared Kaplan是Scaling law论文的关键作者，Anthropic co-founder。GPT-3论文作者包括Tom Brown、Ben、Brian、Jared Kaplan、Sam等。Anthropic创始团队多来自OpenAI。
十、Long Horizon与Agent Coding：Google接下来的两个方向
新的变化
在Google DeepMind，姚顺宇主要做两件事：Agent Coding和Long Horizon。前者是让AI完整地自己做AI研究（写代码、跑实验、分析、提假设、设计新实验的完整链条）；后者是用有限context训练、但使用时能做非常长甚至接近无限context的事。他认为这两件事"未来几个月内能看到曙光"，对Google特别有价值（Google是AI算力大户且全栈，从硬件到模型）。
姚顺宇观点与解释
姚顺宇：Long Horizon的核心哲学是"用短context训练，但能做长context的事"——类比人：人的context很短（昨晚吃什么可能想不起来），但能选择性遗忘、再retrieve跟当前场景相关的信息。他更花时间在后训练方案上（而非预训练的sparse attention），因为后训练方案更符合"用短的训练长的"哲学——预训练方案本质上还是需要长context训练数据。
两种方案都有人在研究：预训练角度有sparse attention（如DeepSeek的一些工作）；后训练角度有context management（如Cursor让模型选择扔掉不重要片段、把重要的存文件再取回）。他用短context训练长context"一定可以，但不清楚哪个方案最有效"。
Gemini长文本做得好，他透露"有一些让我很惊讶的技巧"，预训练那边的技巧尤其让他惊讶（但他不能多说）。Agent Coding和Long Horizon是互补的——像T字形，Agent Coding是横向新场景（从coding补全延展到完整AI研究），Long Horizon是纵向尺度变长。
Continual Learning和Long Horizon他认为没有本质区别——Context里的KV cache也是一种权重，两者都是为了做更长时间跨度的事。世界模型则"一万个世界模型，定义不清晰，每个人说的都不一样"——他和Google做的世界模型更多是end-to-end训练，不仅生成视频还能生成可交互的场景（给定动作，下一状态是当前状态加动作的函数）。
背景：sparse attention是减少注意力计算量的技术；KV cache是注意力机制中缓存的键值对；Continual Learning指模型持续学习更新权重的能力。
十一、从物理到AI：理论物理的教训是"要做有客观评价标准的事"
新的变化
姚顺宇的成长轨迹是一条不断"挑战自己不会的事"的线：宁夏小城出生，上海长大，主动放弃上海四校普通班选了格致中学竞赛班（“underdog，光脚的不怕穿鞋的”）；清华物理系做凝聚态理论（非厄米系统，范式级工作），博士却换到几乎不相关的高能理论（量子信息、黑洞），博士期间"从结果说比较落寞"；然后又从理论物理跳到AI。
姚顺宇观点与解释
姚顺宇：他本科做非厄米系统（开放量子系统）时，发现周期边界条件和开放边界条件结果对不上，进而发现描述厄米系统的布洛赫波范式在非厄米系统里是错的——能量本征态会聚集到体系一边。他系统建立了一套描述方法，这是范式级的工作。但他"很难抓住一次范式的变化"——做完最重要的工作后就换方向，“总爱挑战自己不会的事”，“爱折磨自己”。
博士选高能理论"于这个世界来说没有产生什么贡献"。高能理论发展到实验完全追不上的阶段，进步依赖数学自洽性，“当没有实验、没有客观标准时，谁做得好坏依赖于领域内老登的主观判断”。他花了五年学到一个大教训：“要做实验，要做有客观评价标准的事，要做对这个世界能产生影响的事。“这直接导向了他后来转AI——AI能做实验、有客观评价标准。
物理对AI的"硬实力帮助几乎没有”（工具性技能转化很少），但性格上有影响——做物理人更想刨根问底、做事系统。他不觉得这是物理人独特的，计算机人、化学人、生物人也有。AI像"18世纪的热力学”——那时理论和实验不分家，不理解热的微观理论但不妨碍有经验定律和发展。Anthropic招很多物理人，主要原因不是"物理人擅长AI"，而是"connection"——创始团队有物理出身的人，一直延续下来，但"在我之后几乎没再招完全没有AI背景的人了，是一个时代的产物"。
关于"智能涌现"：“这话不太科学，智能涌现更多是主观感觉而非客观现象。“他认为是"技术上的涌现"而非"行为上的涌现”——通过研究发现怎么做大规模训练，能水平提升所有能力，这才是本质。
背景：非厄米系统研究开放量子系统（与外界有交换）的行为；布洛赫波是固体物理中描述本征态的基本范式；高能理论研究弦论、量子引力等，实验难以验证。
十二、厌蠢症与别信老登：一个没有AI导师包袱的直言者
新的变化
姚顺宇说话异常直接，自陈"我在这个行业没有什么导师，没有什么旧友，我喷谁就喷谁”——这是不做AI出身的好处，没有哪个老的是亲属，觉得他傻就可以直接说。他区分了两种年老状态：“德高望重”（少指手画脚、花力气培养年轻人）和"老登"（自己不懂还指手画脚），“人老了不一定会变成老登”。
姚顺宇观点与解释
姚顺宇：他做学生时还比较收敛，后来发现"收敛没用，对自己没好处对别人也没好处，直接表达想法最关键——短期一定有人恨，但长期大家会欣赏"。做AI后更直接，一是没有束缚，二是这个领域足够客观——“只要你的观点自洽，有一套自己的理解，大家会尊重，因为最终在这个领域做得怎么样有客观评价标准”。
他对某些模糊的AI预测者很不屑（暗指某位常被提及的人物）：用泡利的话说是"not even wrong（脑体分弱）"——没有良好定义，“一个事儿模糊就是没有意义的”。如果范式一种状态他能说一样的话，那就是模糊。“如果他有正确定义我可以解释，但他没有正确定义，我没法解释为什么没有——因为他真的没有。”
推荐书方面，他自认"文化水平比较低"，没什么人生之书。最近读的是汤川秀树的自传——能看到一个后来很成功的科学家年轻时的挣扎感，很真实。闲书推荐日本小说《来自新世界》。影响AI进程的论文：Seq2Seq（语言模型安静时代的高峰）、Scaling law（把体系化研究方式引进领域的第一篇）。关键benchmark：“Language，Language”——他听了"语言及世界"工作室的名字觉得"有点正常得太平庸了"，但十年前意识到语言是承载智能的重要载体是不一样的事。
最高优先级是把Agent Coding和Long Horizon推进到稳定状态；AI做物理"已经有很多人在做，多一个不多少一个不少，不如让别人先干"。未来"应该不会在Google很久，还会尝试挑战自己、折磨自己，但要找到值得折磨自己的事"。不会再跳去另一个大公司。
背景：泡利（Pauli）是著名物理学家，“not even wrong"是他批评理论缺乏可证伪性的名言。汤川秀树是日本首位诺贝尔物理学奖得主。《来自新世界》是贵志祐介的科幻小说。
结语：这场4小时访谈最珍贵的，不是某个具体的技术预测，而是一位身处AI最前线、又带着物理学家式审视的年轻人，对整个行业冷静的祛魅。模型能力被拉平后，焦虑从"追不上"变成了"不知道做什么”；预训练和后训练都没有到头，但到头的可能是"人类作为老师不知道下一个该教什么"；AI本质简单却不可阻挡，个人英雄主义已经过去，“每个人都是冲浪的人，本质上是浪而不是冲浪的人”。对于想入行的年轻人，他的建议朴素而清醒：纯语言模型的末班车已发车，去做现在没人做到的事。而对所有把AI神话化的叙事，他给出的最直接回应是——“别相信老登”。