智源大会·嘉宾观点整理（260612）
以下内容根据参会笔记整理。每一条已做语言梳理，但不做外部扩展或额外解读。文末按主题提炼了跨嘉宾的关键洞见与关联共识。
王坚
- 想问题不要太机会主义。信息远不如执行——把事做了才有用。
- 你想做一件事的时候，别人怎么感受并不重要。你必须先相信和坚持自己要做的事，这样自然会有人支持你。如果非要等到有人支持才肯做，那就不会有人支持你。
- 2050 创业演讲的核心不是让台下的人相信你，而是让你自己更相信你要做的事。
- 模型训练就像造火箭：没用，就是炸了。
- 飞机飞起来三十多年后，大学才成立航空系。AI 现在还处在混沌期。
- 年轻人不提出自己的东西，就是过错。
- 不要把代码当成文本。AI 已经迈出了一大步，它真正区分了语言和代码。进入其他领域，或许也需要区分”文本”与”科学表述/表征”的差别。
- 碰巧，今天的 AI 有机会去理解科学数据。就像它改变了编程领域一样，它也可能改变那些它能理解的科学和学科。AI 对科学发展的影响是非常长远的。
- 现在所有的测试都是测某种具体能力。应该想办法去测”AI 与人协作之后的工程能力”——这才是对人真正有优化意义的评测。
- 任何新技术出现，人类最初都是恐惧的，但最终都会驾驭它。AI 不亚于人类学会用火。
- 图灵说过：一个人加一支笔、一张纸，就是一个通用 Agent。
- 现在 token 太贵了。未来如果把 token 变得像一张纸一支笔一样便宜，人类还将进一步进化。
黄铁军
- 科技的不确定性永远存在。你必须自己下决心，该做决定的时候就做决定。
- 对未来的思考要一以贯之。对智能的追求，本质上就是数据飞轮与结构优化的演进提升。
罗福莉
- 目前最关注的是模型自改进。
- Fable5 做的 scaling 很科学：它对模型规模和算力投入的预测都很充分。但它仍然是 scaling 的中间产物。
- 人的探索欲和好奇心是最重要的。保持探索欲和好奇心，极致地去使用 AI 和最新的大模型。在这个过程中培养独特的判断力和审美——也就是研究的 taste。这可能是这个时代年轻人最好的成长路径。
朱军
- 目前最关注世界模型。
- 世界模型的 scale-up 路径还很长，认可 Seedance 的 scale 做法。世界模型的 scale-up 目前还是早期，未来可期。
- 对 Fable5 的性能表示认可，甚至身边的教授也觉得可以从中获得启发。
- 关于 RSI（自进化）：跟顶尖研究员的差距，主要体现在研究 taste 不如人，以及提前终止无用实验的判断力不如人。但这个 gap 正在缩小。模型自己调调参数、做点实验已经没有问题了。
- 给年轻人的建议：大潮变革时期，打好根基是不变的做法。大家都在焦虑，每个人都在学。要积极去学、积极拥抱变化。
刘知远
- 目前最关注模型的智能密度。
- 数据闭环的反馈是 A 站强劲发展的动力——它能从全世界收集反馈。A 站成功的关键在于找到了代码这个非常垂直的方向。其他行业同样可以复刻这种数据闭环的飞轮增长方式——A 站只在代码领域做到了，但其他领域完全有这个可能。
- 当前的节点非常关键。这场智能革命已经可以类比工业革命。“用 AI 制造 AI”一定会发生，这是 AI 发展到高级阶段的标志，就像工业革命中”用机器制造机器”一样。速度值得我们关注。
- RSI 的最外层是人。recursive 的最外层是人的驱动来判断，而不是 AI 的空转。人的主体性是制造 AI 最核心的驱动。RSI 是必然会发生的事。
- 建议：要敢为人先。大的创新总是反共识的，一定要敢在所有人都还没看到的时候去做，敢做出跟别人不一样的选择。其次，一定要坚持下来。取得一定成绩之后，不能做既得利益者，要继续自我否定、继续探索、做新的尝试。
安波
- 目前关注 Agent harness。
- 智能体还在起步阶段，还是应该落在垂直领域解决具体问题。编排、context engineering、记忆、动态编排与并行通信等是现在的关键问题。
- 完全封闭地搞数据飞轮是不可能的，非常需要外界反馈——RSI 也不例外，也需要外部飞轮的反馈。
- 建议：要去做最重要的事，不要做无意义的事。选对赛道。学位已经没那么重要了，在前沿实验室做科研比读博强得多。选择正确的方向，更有野心。现在需要找一个志同道合的 group，不要自己单干。
李大海
- 把大模型当成发动机，大模型的优化要与”整车”协同。要针对不同场景做持续刻画，做整车优化。
- 现在依然需要处理上下文和记忆。认为仅仅通过 harness 是不够的，最好还是加上模型侧的能力。
- 必须把模型优化和商业优化分开。
- 共识：数据闭环飞轮。
- 即使是 LLM，在长上下文任务上依然有很大的 scale 空间，依然道阻且长。行业里常常用阶段性的认知做出叙事，但这些叙事的保质期很短，要时常刷新认知。
- 相对于人脑的低功耗、长任务认知能力，目前的 LLM 依然不足。
王仲远
- Scaling 没有失效。互联网数据用完了，但其他领域的数据正在源源不断地产生。数据飞轮依然在转。
- 结合后训练、推理和 Agent 系统能力，整个 scaling 的曲线依然在向上走。
- 我们依然在各个领域有非常多的 scaling 需要去探究。
王鹤
- 构建一个成熟的 world simulator 并不是构建强大具身智能的先决条件。就像人不需要把整个世界的知识都理解了才能运动。
陈龙
- AI 原生组织，就是人只做 AI 做不了的事。这样组织规模才能真正放大。如果人还去做 AI 也能做的事，那就不是 AI 原生。
- AI 超级个体，闭环能力优先，要有结构性思维的通才。不要只当专家——专家被干掉的风险在变大。
- 关于企业形态：这个时代对个体来说既好也不好。企业会前所未有的大——企业的大小由需求决定，今天的企业借助互联网可以满足海量需求，因此垄断性质的大企业是未来的形态。同时，一个人创业正在平民化，小的超级个体企业也会非常繁荣。但当小企业扩张到中小规模时，再向上增长可能很难。两极分化会越来越明显。
跨嘉宾关键洞见与关联共识
1. Scaling 没有结束，只是形态在迁移
多位嘉宾从不同角度共同确认了一个判断：scaling 没有失效。王仲远明确指出互联网数据用完但其他数据源正在产生，飞轮仍在转动。朱军从世界模型的角度说 scale-up 路径还很长、还在早期。李大海同样认为 LLM 在长上下文等任务上仍有很大的 scale 空间。罗福莉对 Fable5 的评价是”很科学的 scaling，但仍是中间产物”——这暗示 scaling 本身还没走到尽头。
关联：王坚提出的”AI 能理解科学数据”——如果 AI 开始理解科学数据而不只是文本，那么 scaling 的数据来源就从互联网文本扩展到了整个科学领域。这与王仲远的”其他数据源源不断产生”形成了互补。
2. 数据闭环飞轮是最大共识
数据闭环/飞轮是出现频率最高的共同语言。黄铁军直接说”对智能的追求就是数据飞轮与结构优化的演进提升”。刘知远详细分析了 A 站如何通过数据闭环飞轮在代码领域成功，并认为其他行业可以复刻。李大海也确认”共识就是数据闭环飞轮”。王仲远说飞轮仍在转。
但存在张力：安波提醒，完全封闭的数据飞轮是不可能的，即使是 RSI 也需要外部反馈——这点与刘知远”RSI 最外层是人”的判断高度一致。两人从不同方向共同指向：飞轮不能完全自闭，人的反馈和外部信号不可替代。
3. 人的主体性是 AI 自进化的边界
关于 RSI（自进化），刘知远说得最明确：最外层是人，人的主体性是制造 AI 最核心的驱动，不是 AI 空转。朱军从实证角度补充：当前 AI 与顶尖研究员在 taste 判断和提前终止实验这两件事上有差距，但 gap 正在缩小。安波的”需要外部反馈”从另一个角度支持了同一结论。
综合来看，三位嘉宾形成了一个环：刘知远给出原则（人的主体性是最外层），朱军给出当前状态（gap 在缩但还在），安波给出必要条件（不能封闭，需要外部飞轮）。
4. 从”测能力”到”测协作”
王坚提出了一个值得注意的方向转变：现在的测试都在测某个具体能力，但更应该测”AI 与人协作之后的工程能力”。这跟安波关注的 Agent harness、李大海的”上下文+记忆+模型侧能力”以及王仲远提到的”Agent 系统能力”形成了呼应。测量标准正在从模型单项能力转向人机协作的系统产出。
5. 年轻人的路径：探索欲、taste 与反共识
给年轻人的建议中，几条线索交汇在一起。罗福莉强调”探索欲与好奇心 + 极致使用 AI → 培养 taste”。刘知远说”要敢为人先、反共识、取得成绩后继续自我否定”。安波说”选对赛道、不要单干、前沿 lab 比读博强”。朱军说”大潮变革时打好根基、积极拥抱”。
共同指向的是：这个时代要求的不只是技术积累，而是一套复合能力——判断力（taste）、勇气（反共识）、协作（找到 group）、好奇心（持续探索）和根基（基础要扎实）。
6. 企业的两极分化与个体的结构性选择
陈龙关于企业形态的判断——大企业垄断化、小超级个体繁荣化、中间层困难——为前面所有嘉宾关于”成长路径选择”的讨论提供了一个结构性背景。如果企业形态确实在走向两极分化，那么安波说的”选对赛道”、罗福莉说的”培养 taste”、刘知远说的”敢为人先”，就不仅是个人建议，而是在两极结构中找到位置的生存策略。