先说结论

刘洺堉（英伟达研究副总裁、Cosmos Lab负责人）是一位在英伟达内部走了十年的研究者——从早期用GAN做图像生成的先驱，到如今掌管二三百人团队、日均消耗数百万美元算力的世界模型掌舵人。这次4小时的访谈覆盖了三条值得关注的线索：

第一，Cosmos 3的世界模型策略：它不是"又一个视频生成模型"，而是面向Physical AI（具身智能）的"世界基础模型"（World Foundation Model）。英伟达把它当作基础设施来建——就像CUDA之于计算——开源模型、开源训练框架、公开论文细节，目的是让整个机器人/自动驾驶生态不必从零开始造轮子。刘洺堉的核心判断是：“模型竞争不应该是一场零和游戏，世界上有太多需要被解的问题。”

第二，模型终将收敛的产业判断：他认为AI历史上从未出现"一家公司永远领先所有人"的局面，模型能力最终会趋同，真正决定胜负的是与生态系统的整合——产品、数据反馈、分发渠道，而非模型本身。这直接解释了英伟达为什么不做Coding Agent去和OpenAI竞争，而是专注做Physical AI的基础模型。

第三，从"击败对手"到"帮助所有人"的研究者蜕变：刘洺堉把这种心态称为"Low Ego"——不是自信或自卑的问题，而是"我有能力做出Number One的模型，但我选择做出对世界贡献最大的事情"。这种心态的转变，部分来自他从纯研究者到大型组织管理者的成长，部分来自黄仁勋二十年来的言传身教。

从GAN先驱到世界模型掌舵人：一条被"算力"牵引的轨迹

要理解Cosmos为什么长成今天的样子，需要回到刘洺堉在英伟达的起点。

2016年，他在三菱电机研究院（MERL）工作时，因为做GAN（生成对抗网络）研究急需GPU，每次都要跟经理争经费买卡。同事买NVIDIA股票，他最终决定直接加入生产GPU的公司——“我这么缺GPU，这么想要GPU，那为什么不去一个生产GPU的公司？“他的父亲当时不理解，因为英伟达那时远不如苹果、谷歌有名。但这个决策的逻辑很简单：GPU是最重要的工具，去工具最多的地方。

加入英伟达后，他做了一件在当时并不主流的事：推动用深度学习取代传统计算机图形管线来做影像生成。在他的job talk里，他描绘了一个愿景——“有一天可以把小说放进深度学习模型，直接产出电影”。他自嘲当时的野心不够大、决心不够足：OpenAI发布DALL·E后，他才意识到"在算力最多的地方"这件事的条件其实早已成熟，只是他没有勇敢地迈出那一步。

他的早期标志性工作GauGAN（以法国画家高更命名，也被称做"马良神笔”）是一个语义分割图转风景画的工具——用户涂几个颜色，每个颜色代表一种语义，就能生成逼真山水画。这项工作让英伟达在AI生成领域的形象从"只做GPU的公司"转变为"也能做出优秀AI模型的公司”。GauGAN在2019年GTC大会上虽然没有进入黄仁勋的正式演讲（因为产品太多排不下），却成了当年最受媒体关注的工作。

此后他带领团队经历了从GAN到Diffusion的关键转向。当余佳辉（后在Meta）和Jeremy Bernstein（Muon优化器的发明者）等实习生在他团队中尝试让GAN scale up但反复失败后，团队得出了一个明确结论：“GAN不scalable”，于是全面转向Diffusion。这一判断被后来的行业走势完全验证。

Cosmos的立项发生在2024年Sora发布之后。刘洺堉描述了内部的过程：一群做生成式媒体的资深研究者联名给黄仁勋写信，认为"必须投入更多资源做物理世界模型"。黄仁勋看到Sora后立即认同了这个方向，召集会议确定分工，并亲自将项目命名为"Cosmos"。黄仁勋让刘洺堉和Sanja Fidler共同带领这个effort。

Cosmos 3：不是"又一个视频生成模型"，而是Physical AI的基础设施

关于Cosmos的定位，访谈中最关键的一段澄清是：Cosmos不把自己叫"世界模型"，而是"世界基础模型"（World Foundation Model）。区别在于，英伟达不打算做终端应用——不做机器人解决方案，不做自动驾驶解决方案——而是提供底座，让整个生态的开发者都能在此基础上构建自己的世界模型。

为什么要做Physical AI而不是Coding Agent？

刘洺堉给出了三个理由。首先，他的背景是计算机视觉（CV），不是大语言模型；英伟达已有强大的NeMo团队做语言模型，他没有太多增量贡献。其次，Physical AI是刚需——人口老龄化带来的自动驾驶需求、劳动力短缺带来的机器人需求、家庭琐事带来的服务机器人需求。第三，黄仁勋的要求是"build big influential business"（做大而有影响力的生意）——“你不能满足于每年赚一亿，那对英伟达来说只是一个分心（distraction）。”

从22个模型到1个模型：Cosmos 3的架构进化

Cosmos 1到2的阶段，团队逐步理解了客户需求——有的需要预测未来（prediction），有的需要理解因果关系（reasoning），有的需要仿真环境（transfer），有的需要解析物理变化（parsing）。最初刘洺堉在内部会议上跟黄仁勋汇报说预计需要22个不同模型。黄仁勋的回应影响了他：用LV（路易威登）做类比——当LV减少货架上的商品种类后，销量反而提升了，因为消费者不再被选择困难困扰。

这个类比加上工程现实——每个模型都要持续维护和支持，“兵多则力寡”（资源分散导致每个都做不好）——促使团队在Cosmos 3中做出根本性改变：将所有功能统一进单一模型。

背后的逻辑有两层。第一，所有功能描述的都是同一个物理世界——prediction、reasoning、transfer、parsing都在建模同一种现实，只是观察角度不同。第二，基础模型（Foundation Model）的核心价值就是"纳百川"——吸收多种数据类型后，模型上限更高。

Cosmos 3因此成为业内首个将**语言、视频、音频和动作（Action）**同时统一进单一模型的工作。采用双塔架构（Mixture Transformer）：一塔处理离散信号（语言理解），一塔处理连续信号（视频生成）。刘洺堉解释，物理世界的AI会"take action"来改变世界状态，因此Action必须是"一等公民"（first-class citizen），就像语言模型把语言当作一等公民一样。

关于多模态是否会"互相污染"——主持人提到杨植麟的观点变化：从"担心视觉影响语言智商"变为"担心语言对视觉的污染"——刘洺堉的回应很务实：他追求的不是AGI，而是服务Physical AI的基础模型。语言让人能跟机器人沟通，视频让它理解世界如何运作，动作让它能改变世界。不同模态各有用途，通过实验设计和数据比例调整，它们可以互补而非互斥。实验已证实：预测视频能帮助动作模型的收敛，声音信息能帮助判断接触时间点，文字的详尽描述能帮助视频生成质量。

开源的决心：从DeepSeek学到的教训

刘洺堉多次提到DeepSeek对整个AI行业的影响——“它把Meta和xAI这些做开源的公司逼到了极致”。Cosmos 3选择了一条彻底透明的路线：开源模型、开源训练框架、公开论文中的关键细节。他说：“这几年我们看到Foundation Model很多都走向闭源，即使写paper也不愿意讲出关键环节。我们决定走不一样的道路。”

他不担心别人复现一模一样的东西。英伟达的目标不是"比别人好"，而是"帮助整个Physical AI生态成功"。如果你基于他们的开源工作做出了更好的开源模型，“那也是帮助了整个生态，是一件好事。”

黄仁勋的"Cosmos 97"

做完Cosmos 1后，刘洺堉问黄仁勋是否继续做下去。黄仁勋的回答是：“你就做到Cosmos 97。“刘洺堉说数字可能是随口说的，但决心是真的——它传达了一个明确的信号：这是一个需要长期投入的马拉松项目，不是做完一代就收手。

目前Cosmos的算力投入已在"万级GPU"规模，团队约200-300人（论文署名近290人），每日运算成本达数百万美元。

“模型终将收敛”：一个反共识的产业判断

访谈中最具争议性的观点，是刘洺堉对模型竞争终局的判断。

他认为模型能力终将趋同，竞争将转向生态整合。 理由是：“一家公司掌握所有科技、其他公司完全追不上的情况，在具体的历史例子上从来没有发生过。我不觉得AI会是例外。“人员会流动，知识会扩散，人才在A公司得不到肯定就会跳到B公司。

这个判断直接影响了英伟达的策略选择：既然模型本身终将同质化，那么纯粹靠模型能力建立壁垒是不可靠的。更可靠的方式是与自己的生态系统深度整合——这也是为什么英伟达不跟OpenAI、Anthropic在Coding Agent领域正面竞争。黄仁勋的逻辑是"造市场"而非"存量竞争”：Physical AI如果成功，家家户户都有机器人，每个机器人都需要算力，整个世界的算力需求会大幅增长——这对NVIDIA天然有利。

刘洺堉用黄仁勋常说的"Zero Billion Business"概念解释这个逻辑：现在不是一门生意（Zero），但未来成功后会变成十亿级别的市场。如果现在已经有人在做了，就不值得做。这与《创新者的窘境》中的逻辑一致——大公司无法justify去解那些"看起来不够大"的问题，恰恰是创业公司的机会窗口。

不过他也承认，当前的"同质化竞争”（各家都在做Coding Agent）让从业者很辛苦。但他认为这只是阶段性现象——“你最终还是要差异化。没有差异化，就没法做出差别性的产品。”

“你不需要击败你的对手”：Low Ego背后的组织哲学

刘洺堉反复强调自己"没有竞争对手”。当主持人追问这到底是Low Ego还是一种隐藏策略时，他说这是一种自信（confidence）——不是要击败谁，而是要做出好东西来帮助整个生态。

这种心态并非与生俱来。他坦言，作为一个研究员，毕业的方式就是让论文在顶级会议上被接受、在benchmark上击败所有竞争者。“研究员都是high ego的，文人相轻自古皆然。“但成为大型组织的管理者后，他的重心从"我比你强"转向"我做出了什么可以帮助大家的东西”。

这个转变的来源之一是管理二三百人团队的现实。他面临的核心矛盾是：既要让所有人目标一致，又要让每个人都能自主做决定。如果只有少数决策者能做决定，进展会很缓慢；如果大家都能做决定但目标不一致，就会产生赛马和内耗。他的解法是：不断把愿景讲清楚（“就像篮球运动员罚球前想象球空心入网”），让信息透明化，提供容错空间——“当一个人害怕决定错误的时候，他是不会做决定的。”

来源之二是黄仁勋的影响。他转述了黄仁勋令他印象深刻的一句话。有一次他在会上解释说竞品使用了"不公平的setting"导致他们表现不如预期，黄仁勋的回应是：“Nothing is fair."（没有什么是公平的）——你在写论文时可以讲setting不一样所以不能比较，但你的目标如果是解决一个问题，就不存在公平不公平，只有做得到做不到。“这句话让我更加严格要求自己——找理由是没有用的。”

黄仁勋的管理原则：从近距离观察者的视角

刘洺堉在英伟达十年，近距离观察黄仁勋的运作方式，他总结了几条关键的管理原则：

第一性原理（First Principles）决策。 黄仁勋不懂计算机图形学时就敢做GPU，不懂深度学习时就敢押注AI。他的决策不依赖外部信号，而是从事情的本质出发判断什么最合理。刘洺堉说，认识黄仁勋之前，他自己的决策都偏短期；看到黄仁勋如何做长期决策并坚持，“影响是惊人的”。

信息透明化与Top 5法则。 黄仁勋要求每个员工定期讲自己最重要的五件事。这个机制让公司的大小信号都能被看见——两个团队在做一模一样的事情，一讲就暴露了。刘洺堉说英伟达是一个"相对透明的组织”，与苹果形成对比。

Mission is the boss。 英伟达的组织像有机体而非固定框架。当公司决定走向某个方向时，不同团队会自动align。不是你的直属上司是你的boss，而是Mission是你的boss。任何人都可以来支持任何团队的工作。

不裁员、不末位淘汰。 刘洺堉在英伟达十年，“没有听到任何裁员的消息”。疫情期间，公司选择削减差旅和工具开支（取消Slack、取消冗余云服务），而不是裁员。他认为这种文化让员工敢讲真话、愿意合作——在一个有末位淘汰恐惧的地方，人们不会把最好的一面展现出来。缺点是当技术转型时，员工重新学习需要时间，比"layoff再hire新人"慢。

“Trust you to greatness”。 黄仁勋不给赛马式的内部竞争——“你去take这个mission，我们就相信你，但给你很高的标准，让你不断接受pain and suffering。“刘洺堉认为这不是惩罚，而是"花精力去督促别人进步，自己心里要承受很大负担”。

“三十天现金流"的危机意识。 黄仁勋至今仍每天说"公司只剩三十天的现金流”。这不是吓唬人，而是强迫自己持续做出对公司最正确的决定。

研究者的成长：从追求数学之美到追求工程落地

访谈的后半段回到了刘洺堉个人的研究历程，其中三个"关键时刻"值得记录。

第一个时刻：从追求数学之美到追求问题本质。 博士早期，他喜欢漂亮的数学——在传统计算机视觉"什么都不work"的年代，优化理论是核心工具。但为了数学的干净而做假设，会让自己离现实越来越远。他后来意识到：“AI本身就是应用，智力就是拿来被应用的。”

第二个时刻：从"做出来就行"到"让所有人理解它的重要性”。 他自评早期做研究是"做一百分，但解释只有四十分，所以别人看到只有四十分”。管理大型团队后，他理解到"人跟人的沟通是一个高复杂度的问题”——N个人的点对点沟通是O(n²)复杂度，不scalable。做出东西后，让大家都能理解为什么它重要，跟做出东西本身一样关键。

第三个时刻：学会在公司中获取资源。 他从三菱电机研究院的兴衰中学到了一课：Blue sky research（纯好奇心驱动的研究）和公司兴趣之间的对齐至关重要。当公司进入收缩期时，不理解公司战略的研究者最先被淘汰。“Deep learning非常花钱，你更加要能解释为什么这对公司是重要的投资。”

这段经历也解释了为什么他后来坚持"研究直接变产品"——GauGAN从论文变成了在线工具让用户试用，Maxine（AI增强视频会议）变成了产品。他认为"AI单独存在并没办法改变一切"——当模型能力趋同时，与生态系统的整合（Google的Doc+Search+Mail整套平台）才是真正的壁垒。

关于中国AI的观察与对未来的预测

刘洺堉每年回中国两三次，关注Physical AI的发展。他观察到的趋势是：越来越多的中国公司在灵巧手等关键技术上做出突破，速度非常快。

关于中国的模型公司，他评价为"very impressive"，特别提到了DeepSeek、通义千问（Qwen）、豆包、MiniMax、阶跃星辰、智谱等。他认为中国公司的一个独特价值是"承担了很多suffering"——在硅谷Foundation Lab越来越走向闭源和"know-how不外传"时，中国的开源生态在帮助知识的扩散（knowledge diffusion）。

关于Physical AI的ChatGPT时刻，他认为可能在"今年或明年"到来，但很难精确预测。他定义的ChatGPT时刻是"大家看到一个以AI为主的Physical应用，清楚看到它真的有用"。他个人最期待看到的突破是：“给机器人示范一两次操作，它就能快速学会”——也就是泛化能力的突破。

关于人形机器人，他认为人形机器人有优势（可以利用大量人类数据），但复杂度高。最终全人形可能是最优解（因为人类环境就是为全人形设计的），但关键变量是运算成本。中国做机器人本体的公司远多于美国（美国只有Tesla和Figure等少数），中国强大的制造业让硬件迭代和软硬件整合具有结构性优势。

写在最后：二十年研究者的一句话

访谈结尾，主持人问刘洺堉希望在AI历史上被如何记录。他选择不谈自己，而是谈Cosmos：“希望Cosmos可能是一个重要的推手，帮助这些重要的Physical AI达到那个ChatGPT moment。”

这句回答本身就是他整个"Low Ego"哲学的注脚。不是要成为最聪明的人、不是要拿最多的论文、不是要击败最多的对手——而是做出一个东西，让整个行业因为它走得更快。

黄仁勋对刘洺堉的评价是"GSD"（Getting Shit Done）。在四个小时的对话中，你看到的不只是一个会做模型的研究者，而是一个在"算力最多的地方"待了十年、学会了如何让二三百人朝同一个方向走、并真心相信"不需要击败所有对手"的工程领导者。

注：本文基于播客转写稿撰写。转写稿中部分人名、术语存在ASR识别误差，已根据上下文尽可能校正：刘明玉→刘洺堉、娟婶/捐赠/卷成→黄仁勋（Jensen）、英文fellow→Ian Goodfellow、三零电机→三菱电机（MERL）、Tim Books→Tim Brooks、Tero Kavas→Tero Karras、Bill Dale→Bill Dally、尼摩创→NeMo、飞机狗AI/Fisher AI→Physical AI、贝塔data→better data等。部分推断以"他认为/节目引用"标注归属，未经独立查证。