← 返回张小珺主页
一、微软亚洲研究院：中国AI的起点
1998年底，张亚勤回国加入微软中国研究院（后来的微软亚洲研究院）。当时中国人工智能处于"冬眠期"——大家做的研究与AI高度相关，但没有一个人把它叫做"人工智能"。
1998年的研究分工
- 李开复：语音识别和语音合成
- 张亚勤：视频压缩
- 龙江：多媒体
- 沈向阳：视觉和图形学
- 黄教授：NLP / 自然语言处理
"这些东西你看现在其实最后都汇聚成为人工智能。"
张亚勤
当时我们也想自己回来。微软正好要成立一个研究院在中国，就回来了。最重要的第一步是要招到一流的人才。前面成立的两年三年，我们80%时间在找人。
研究院的三个目标
- 第一：成为世界一流的计算机方面的研究院
- 第二：制定长远目标，做对微软、产业、学术界有大影响的研究
- 第三：培养出一流的科研人才
图灵奖得主 Roger Reddy（张亚勤引述）
当你们不问这个问题的时候，不讲这个问题的时候，你变一流了。
"一流"的判断标准
张亚勤引用了两位图灵奖得主的类似表述：Roger Reddy说"当你不再问这个问题时就一流了"；Jim Gray说"当你通过图灵测试的时候你就知道了"。张亚勤将其类比到ChatGPT："我用了半个小时我就觉得这个ChatGPT通过图灵测试了。"——无需量化，直觉即判断。
二、从AIR到AGI路线图
张亚勤现任清华大学智能产业研究院（AIR）院长。与微软亚研院不同，AIR的战略优先级有了明确调整。
微软亚洲研究院（1998）
- 第一目标：做科研
- 为一家公司服务
- 不以培养人才为主要目标
- 研究方向："找到什么样的人做什么事"
清华AIR（现在）
- 第一目标：培养人才（顶级架构师和CTO）
- 面向整个产业，不是面向一家公司
- 第二：做科研；第三：影响产业
- 研究方向：主动选择三个垂直方向
AIR的三个垂直方向
3
AI + Life Science（生物智能）
核心框架
张亚勤的AGI三层架构
张亚勤提出，新一代人工智能 = 信息智能 + 物理智能 + 生物智能。这个框架他"讲了10年"，在达沃斯和各种会议上反复阐述。三者相互关联但属于不同领域，按难度递进、时间递进排列。
关于基础大模型的定位
为什么学校不做最大的基础模型
- 基础大模型本质上是平台操作系统，是横向的
- 需要大量算力、大量数据、大量场景——"上万个GPU，需要砸钱"
- 创新主要不是0到1的创新，更多是1到100甚至100到N的工程创新
- 这是公司做的事，美国也是公司做的
- AIR与企业合作来参与，但用他们的资源
人才是最核心的资产
张亚勤强调AIR博士生"绝对是世界一流水平的，绝对不会比MIT、斯坦福这些学校的差"。中国通过25-30年的发展，已经有很多世界级的科研成果和人才。但他也坦言顶级人才相对于美国仍然缺少——"像美国的大公司，微软也好、Google也好，有大量的有国际思维的、大系统架构能力的领军人物。国内有但比较少。"
三、信息智能：五年内达到人类水平
张亚勤对信息智能给出了一个明确的时间判断：5年之内，信息智能可以通过图灵测试，达到AGI水平。
张亚勤
信息智能就是一个人特别聪明，读万卷书特聪明一个人。智商很高，什么都懂，比一般人都懂，包括每个领域。我觉得五年之内就能达到了。
信息智能能做什么
- 文字方面：ChatGPT出来后"基本达到了"
- 推理 + 多模态：后续加上，正在快速发展
- 图片和视频生成：和人生成的一样
- 会超过数学家、物理学家；在智商方面会达到人类水平
信息智能的局限
读书 vs 游泳的类比
"你读再多书怎么游泳，你还是不会游。你还要再游泳的时候才会游。"信息智能是"大脑的智商"——相当于一个极其聪明的人，读万卷书，什么都懂。但他并不能直接在物理世界执行任务。
对商业生态的影响
张亚勤
人工智能本身并没有改变商业的实质。你原来做什么还是做什么。它就是把生产力大幅度的提高。它会有一些新的商业模式，但是商业的本质并没有改变。
一个值得注意的判断
张亚勤认为信息智能不会从根本上颠覆商业格局——"整体来讲，还是现在的巨头就是现在的巨头"。这与很多AI从业者"颠覆一切"的叙事形成鲜明对比。他的逻辑是：信息智能提高效率，但商业本质（解决人的需求、创造价值）不变。真正的范式转换需要等到物理智能和生物智能的突破。
四、物理智能：自动驾驶先行
物理智能的第一个落地场景，张亚勤认为是自动驾驶。他提出了一个关键区分：自动驾驶是close problem，而机器人是open problem。
自动驾驶（Close Problem）
- 只做"开车"这一件事
- 不需要会写诗、唱歌、懂生物
- 相对可控的场所
- 是一个"垂直领域的机器人"
- 能力已经达到
通用机器人（Open Problem）
- 要有常识、理解人的行为
- 要处理复杂多变的环境
- 场景极其碎片化
- 需要更长时间（~10年）
- 仍处于科研探索阶段
自动驾驶商业模式：三种企业
| # | 类型 | 代表 | 角色 |
|---|
| 1 | 服务运营方 | 滴滴、Robotaxi服务商 | 提供出行服务 |
| 2 | 整车制造方 | 特斯拉、小鹏等车企 | 做车，不一定做运营 |
| 3 | 核心部件方 | NVIDIA、地平线 | 做芯片和核心技术 |
L2+ vs L4路线之争
张亚勤的判断
- 特斯拉的L2+可以上升到L4，但"还需要测试、需要技术可能新的一些"
- 目前FSD还不能做Robotaxi——"它设计是有人的，有人还是可以接管的"
- Robotaxi"永远不能接管"——里面连方向盘都没有
- 百度Apollo/萝卜快跑和Waymo走的最前面，已经证明了技术可行性
- 张亚勤刚从旧金山回来，体验Waymo"特别好，开的比人更丝滑"
张亚勤
过去比如说两年之前，我觉得还看不到。你知道会发生，像我是一直有信心的，但是你告诉我什么时候发生，能不能发生，什么时候发生我也不知道。现在我觉得很清楚了。
五、大模型如何加速自动驾驶
张亚勤详细拆解了大模型对自动驾驶的三个核心加速作用，对应自动驾驶过去十年的三个大挑战。
| 挑战 | 过去的困境 | 大模型的解法 |
|---|
| 数据不足 | 测试数据量不够，很多场景覆盖不到 | 生成式AI：从真实数据生成大量仿真数据，加速模拟 |
| Corner Case | 很多安全场景碰不到，泛化能力差 | 大模型本身具有常识和泛化能力，可以推理陌生场景 |
| 模型碎片化 | 地图一个模型、视觉一个模型、语言一个模型——拼凑+规则 | 端到端：所有模型放在一块，一个输入一个输出，统一transformer处理 |
技术范式
从碎片化到端到端
张亚勤将上一代深度学习和当前大模型的本质区别概括为：过去对不同输入有不同算法、不同输出，再去融合——convolutional code、RNN，各种各样拼在一起。现在不管什么输入，都是同样的transformer、同样的token-based处理。这不仅是算法升级，是整个范式的统一。
张亚勤
马斯克那个端到端模型，其实是一个很重要的、让大家看到曙光的、很重要的产品。它从BEV用到端到端。我们也在做，但是它很快就用到了。
大模型 = 导火索
张亚勤明确指出，自动驾驶不是新事——已经做了十年。但大模型出来后成为"导火索"，把三个核心挑战"一下就缓解了很多"。这解释了为什么2024-2025年具身智能突然火爆——不是领域本身有新突破，而是大模型这个外部技术跃迁改变了整个生态。
六、机器人三种形态：家庭、工业、社会
张亚勤提出了一个独特的机器人分类体系，将机器人按应用场景分为三大类。
为什么家庭机器人最难
家庭场景的复杂性
- 任务极其碎片化：做早饭 vs 扫地 vs 洗衣服——每个都不一样
- 要考虑人的安全、家里的习惯
- 需要人形——老人与人形机器人沟通更自然
- "做早饭的机器人和扫地的机器人不是一回事"
工业机器人的相对简单
工业机器人在固定场景、确定目标中工作，完全不需要人形——"反正能把事做就行了"。但张亚勤强调，希望后台技术是通用的——前端不同，后面70%-80%的模型是一样的。
社会机器人的形态要求
张亚勤
比如社会机器人，来个警察。这警察如果太小你看了也不舒服，太大也不舒服。如果人形，你感觉是人在和你的交流。
机器人的"分身"设想
张亚勤提出了一个大胆的构想：未来每个人都有一个机器人分身——"他可以去帮你做好多事，是你的一个分身。"但这个分身是"从属于你的，听你话的"，本质上是一个极其聪明的助理，"甚至比你都厉害，但是听你的话"。十年之内，机器人可能比人都多。
七、为什么需要人形机器人
张亚勤给出了两个核心理由来解释为什么人形机器人是重要方向。
理由一：交互自然性
- 人与人形机器人沟通更自然
- 老人与人形交流，比与电脑或机器更舒适
- 外形做得像人时，交互越来越自然
- 可以跟它谈心，也可以让它帮忙做事
- 避免恐怖谷效应（社会机器人的体型问题）
理由二：基础设施适配
- 我们现在的社会基础设施都是给人做的
- 爬楼梯、按按钮——按照人的方式设计
- 人形机器人可以直接利用现有基础设施
- 这是一种"社会进化"——与同类共处
- 不同场景可以灵活使用
人形 vs 非人形的辩证
并非所有场景都需要人形
- 工业机器人完全不需要人形——"反正能把事做就行了"
- 家庭场景也可以是狗、猫——"盲人以后一个机器狗带着我走就行了"
- "机器可以是机器anything"
- 但通用人形机器人是最难的那个部分，也是最有价值的
张亚勤
人形机器人是一种社会进化。你看到的和一个同类。我一直讲，十年之内我们可能机器人比人都多。
八、大模型给机器人装上"大脑"
张亚勤认为大模型对机器人的最大意义在于：过去机器人最缺的就是"大脑"，而大模型恰恰提供了这个能力。
过去机器人的核心困难
"听得懂字，不知道什么意思"
- 机器人听得懂你的字，但不知道后面什么意思
- 没有常识、没有理解力、不太会推理
- 每个场景都是专用的——扫地一套系统、做饭完全无关、洗衣服又是另一套
- 用规则来做：每个地方都要设一个新的算法
大模型带来的变化
张亚勤
有了这个之后，你就等于通过大模型——大模型像大脑似的——你可以指挥前面那个机器了。所以这是一个大的跳跃。
常识推理的具体案例
- 你说"帮我把脏衣服拿下来，送到干洗店洗好，帮我拿回去"——过去这太难了，现在相对比较容易
- 机器人给你拿茶，茶是热的，会说"要小心"——常识从大模型中来
- "我想吃点东西"——如果了解你爱吃香蕉，就在房间里找到香蕉给你拿来
- "不吃羊肉"——点餐时就不给你点羊肉
- 现在一看就学会了，放什么都可以开——不需要每个地方都教
架构模型
三层架构：大模型 + 垂直模型 + 边缘模型
张亚勤描述了一个类似操作系统的三层架构：
- 底层：云端的基础大模型（类似操作系统）——后台70%-80%通用
- 中层：面向具体领域的垂直模型（自动驾驶/机器人/医疗等）
- 顶层：设备上的边缘模型（车上/机器人本体上）
"以后你可以叫App，你也可以叫Agent，反正就要完成一件事。"
机器人 vs 自动驾驶的难度差异
张亚勤指出一个微妙的区别：机器人整体"要稍微更复杂一些，学的东西更多"，但自动驾驶需要更精益——"机器人做早餐速度慢点快点没关系，但你开车在多少毫秒犯错就不行了"。后台技术一样：感知(Vision) + 理解(Language) + 行动(Action)，这个VLA模型是通用的。
九、RSR：从真实到仿真再到真实
张亚勤介绍了他们自己提出的RSR（Real-to-Simulation-to-Real）方法论，解决机器人领域最棘手的Sim-to-Real问题。
RSR 循环：Real → Simulation → Real
R (Real)：从真实场景出发
从真实的物理场景获取数据，进行分析和理解。
S (Simulation)：进入数字仿真空间
将真实数据转化为数字世界的数据，使用AI生成工具（Stable Diffusion、Gaussian Splatting等）生成大量仿真数据，弥补数据不足。
R (Real)：回到真实世界
将仿真空间学到的策略和能力直接用于真实世界——因为仿真与真实已经连通，不再有Sim-to-Real的鸿沟。
过去强化学习的问题
- 传统方法：在模拟环境中用强化学习训练智能体，学习策略
- 然后把策略迁移到真实实体
- 结果："经常不work"——Sim-to-Real gap太大
- RSR的核心：把真实世界和数字世界连在一块，而不是分开训练再迁移
张亚勤
这个你可以叫世界模型。你可以讲构建了一个世界模型。我把它叫RSR——Real to Sim to back to Real。
十、生物智能：脑机接口与人体拓展
张亚勤认为生物智能是三层智能中最远的一个，但20年之内可以实现——"可以可以，我认为20年之内可以实现"。
生物智能的范畴
- 脑机接口（如马斯克的Neuralink）——植入式或非植入式
- 医疗应用：手术机器人、新药研发
- 将AI与生物体/生命体连接
- 张亚勤更看好非植入的方式——用更敏感的传感器和新型接口
大脑拓展的两个维度
第一阶段：治病
- 盲人：刺激视觉神经元
- 耳聋：刺激听觉神经元
- 残疾人：修复中枢神经连通
- 老年痴呆（Alzheimer）
- 儿童多动症、自闭症
第二阶段：增强
- 记忆基本上无限——不用再记忆了
- 让正常人变得更聪明
- 拓展人类的智能上限
- 但涉及伦理问题
- 硅世界与碳世界的共存
张亚勤
我们的大脑就被完全拓展。记忆基本上是无限的，存储都不用记了。它会让我们真的变得特别更聪明。
碳基生命与硅基生命的融合
可以延长碳基生命
- 硅基本身可以很长——基本上无限
- 它可以帮助我们延长碳基生命——器官可以换掉，大脑可以更健康
- 癌症、老年疾病——"可能以后都会治好"
- 但不是硅基替代碳基，而是碳基仍然掌控，硅基作为延伸
十一、硅碳融合：新物种的诞生
在访谈最哲学性的部分，张亚勤提出了一个大胆的判断：人类正在进化为一个新物种。
张亚勤
我认为未来就是一个新的物种。这个新的物种控制还是我们的人类，只是这个物种就变得十分的智能和十分能力很大。
物种进化的时间尺度
三万年前：石器时代
山顶洞人，有工具、有火，但非常原始。
农业社会：两三千年
"两三千年没什么变化，人类的整个生活方式没有太大的变化。"
过去300年：工业革命
"最大变化是过去的三百年"——有了能源，有了体力延伸。
现在：智力的指数级拓展
人类进化不再是达尔文式的自然进化，而是非线性、指数性进化。
30-100年后：新物种
"也许三十年，我们看今天的人类，这些东西都是很简单的。但那个时候就是新的物种，比现在的聪明太多了。"
核心判断
硅碳结合的新物种
张亚勤的新物种概念有几个关键特征：
- 是硅和碳结合的——"可能不是只是碳，因为你靠碳基我觉得很难实现"
- 仍然由人类控制——"不是新物种控制我们人类"
- 是人类的延伸，而非替代——就像今天的我们是三万年前猿人的延伸
- 进化速度从三万年压缩到三十到一百年
Vitalik Buterin的共鸣
张小珺引述了以太坊创始人Vitalik Buterin的观点：未来生物和硅基技术会合并，因为这是人类唯一可以参与super intelligence的方式。否则就是一个单独的计算机比我们都聪明，主宰世界。张亚勤认同这个方向——"三种智能的融合，硅基和碳基会融合"——但坚持"有意识的还是我们的碳基"。
十二、意识之谜：AI能否产生自我意识
在访谈中一个尖锐的问题上——AI能否产生意识——张亚勤给出了明确的否定判断。
张亚勤
我不认为我们的人工智能目前可以产生意识。我不相信会有一个新的，它会自己产生什么意识、自我意识、新的灵魂。
不相信的理由
两个核心论点
- 我们不懂意识：人类自己怎么产生意识，"我们都不知道"——这是个信仰问题
- 费曼原则：引用Richard Feynman的话——"我们不能创造我们不懂的东西"（What I cannot create, I do not understand）
- 再多的算力、再多的数据，本身和意识并不相同，也没有关系
张亚勤的立场：增强而非创造
可以做到的
- 硅基和碳基生命连在一块
- 让人更聪明、更健康、寿命更长
- 人的大脑被AI拓展
- 信息智能、物理智能达到或超过人类水平
不能/不会做到的
- AI自主产生意识
- AI产生自我意识或灵魂
- 新物种脱离人类控制
- 纯硅基生命独立存在并统治
一个深层的哲学张力
张亚勤的立场包含一个微妙的张力：他一方面承认AI会在智商层面超过人类（"超过数学家、物理学家"），另一方面否认纯AI可以产生意识。这意味着在他的框架里，"智能"和"意识"是两个完全不同的东西——你可以造出比人聪明得多的系统，但它依然没有"觉知"。这与当前很多AI研究者的观点（智能到一定程度必然涌现意识）形成根本分歧。
十三、十年后的社会图景
张亚勤对十年后和三十年后的社会给出了具体的预测。
十年后的变化
三十年后的图景
马车时代的类比
- 看到有人开车就像现在看纽约的马车——新鲜事
- 人开车需要特殊批准，像拍照制
- 买车的钱花在买机器人上——"因为你不用买车"
- 电梯曾经有人操作，现在没有——"有人"反而变成高端服务
- 手工制品成为稀缺的奢侈——人类驾驶也会如此
张亚勤
三十年之后，真的，你看到一个人开车就像现在看马车一样，挺新鲜的。然后以后可能人开车需要拿特殊批准。
机器人进入家庭的具体场景
- 安保安全——看窗户有没有关、有没有被别人闯入
- 照顾老人和家务
- 陪伴——伴侣、管家
- "像今天的冰箱一样，像电视一样"——家庭标配
十四、寿命革命与社会结构变迁
张亚勤对人类寿命给出了一个乐观但有边界的判断：寿命会大幅增加，但不会永生。
寿命延长的机制
碳基 + 硅基协同
- 器官可以换掉
- 大脑可以更健康
- 癌症、老年疾病——"可能以后都会治好"
- 不管是身体的疾病还是大脑的疾病
- 硅基（计算/AI）帮助延长碳基生命
社会结构的连锁反应
| 维度 | 现在 | 未来 |
|---|
| 工作时间 | 每周5天 | 可能每周1天 |
| 欧洲已经 | — | 一些地方已经4天 |
| 寿命中位数 | ~40岁 | 可能80岁 |
| 人口 | 发达国家已在减少 | 新生人口变少，但总量不一定减少 |
| 出生率 | 自然降低中 | 进一步降低 |
| 失业 | — | "不是有些人工作7天别人失业"——生产力整体大幅提高 |
张亚勤
以后80岁的人可能还是青年人、壮年人。这都会变的。而且以后年老人可能身体也会很好，这些疾病慢慢就会被治愈。
推荐阅读
十五、教育变革：AI Professor的时代
张亚勤对教育的未来给出了具体的构想：每堂课应该有一个人类教授 + 一个AI Professor。
张亚勤
每堂课有一个教授，人的教授，还有一个AI Professor。这个AI Professor可能懂得比教授多多。学生也可以跟他教过，也可以问他问题。
教育变革的核心转变
传统教育（过去）
- 背诵和记忆
- 刷题
- 老师单向传授
- 学生-老师 二元关系
AI时代教育（未来）
- 问问题的能力最重要
- 批判式学习、debate
- 用自己新的观点不断学习
- 学生-老师-AI 三元关系
问题质量决定答案质量
张亚勤观察到ChatGPT的一个关键特征：它给你的回答和你问的问题水平有很大关联。"你要问得特别好，它会给你特别深的一些答案。"这意味着在AI时代，提出好问题的能力比获取知识更重要——而这恰恰是传统教育最忽视的能力。
十六、启示与延伸思考
1. 信息-物理-生物三层智能框架的解释力
张亚勤"讲了10年"的三层框架——信息智能(5年) → 物理智能(10年) → 生物智能(20年)——提供了一个清晰的AGI路线图。其核心洞察在于：这三种智能不是同质的递进，而是质的不同。信息智能是"读万卷书"，物理智能是"行万里路"，生物智能是"改造自身"。当前大多数AI讨论集中在信息智能层面，而真正改变人类社会结构的将是后两者。
2. "商业本质不变"的冷静判断
在AI狂热氛围中，张亚勤说"人工智能本身并没有改变商业的实质"——你原来做什么还是做什么，只是生产力提高了。这与大量"颠覆一切"的叙事形成对比。这可能是一个学术型大佬和产业创业者（如何小鹏）的根本视角差异：张亚勤从技术能力的角度看到的是"更高效"，而创业者看到的是"重构"。
3. 自动驾驶是Close Problem，机器人是Open Problem
这个区分具有重要的方法论意义。"开车的人不需要会写诗，不需要有很高的智商"——自动驾驶只需做好一件事。但通用机器人需要常识、理解、多场景适应——是无边界的。这解释了为什么自动驾驶能先落地，也预示了通用人形机器人的时间线会长得多（张亚勤说8-10年，与何小鹏的判断类似）。
4. RSR方法论解决了Sim-to-Real的核心矛盾
传统机器人训练的痛点是"在仿真环境学得很好，到真实世界不work"。张亚勤提出的RSR（Real-Sim-Real）把真实世界和仿真世界连在一起而不是分开——用真实数据构建仿真环境，在仿真中用生成AI大量扩展数据，然后直接回到真实世界。这个思路与何小鹏在EP.143中批评的"缝合怪"形成有趣的呼应——都在说同一个问题：不能把碎片化的东西拼在一起，必须端到端。
5. 意识 vs 智能：一个被忽视的根本区分
张亚勤明确否认AI能产生意识，引用费曼的"我们不能创造我们不懂的东西"。这不是简单的保守——他同时相信AI会在智商上超过人类。这个"超级聪明但无意识"的立场，如果成立，意味着人类永远保有一个AI无法获得的属性，这为硅碳融合而非硅碳替代提供了哲学基础。但这也是争议最大的判断——很多人认为意识是涌现的。
6. 新物种的"延伸"叙事
张亚勤对人类未来的描述既不是乌托邦也不是反乌托邦，而是一个进化叙事：从三万年前的猿人到今天的我们，是同一个物种的延伸；从今天到30-100年后，又是一次延伸。新物种是硅碳融合的、极其智能的，但仍然由人类控制。这个叙事回避了"AI取代人类"的恐惧，也回避了"永生"的幻想——它给出的是一个"更好但仍然有限"的未来。
7. 教育的根本变革在于"问问题"
张亚勤指出ChatGPT的回答质量高度依赖问题质量——"问得特别好，给你特别深的答案"。这意味着未来教育的核心不再是传授知识（AI比任何老师都知道得多），而是培养提问和批判性思维的能力。"AI Professor"的构想不是用AI替代老师，而是在课堂中引入第三个角色，让学习变成学生-老师-AI的三方互动。这是教育范式从"答案导向"到"问题导向"的根本转变。
8. "80%时间在找人"的恒久启示
无论是1998年的微软亚研院还是今天的清华AIR，张亚勤反复强调的第一优先级都是人才。"前面两三年80%时间在找人"——这个比例本身就是一个震撼的数字。他认为中国过去25-30年最大的成就就是培养了世界级的科研人才和成果。有了人才之后"别的也都有"。这与很多公司把算力、数据、模型放在第一位形成鲜明对比。
关键数据汇总
| 判断 | 具体内容 |
|---|
| 信息智能达到AGI | 5年之内 |
| 物理智能（人形机器人）成熟 | ~10年 |
| 生物智能实现 | ~20年之内 |
| 自动驾驶 | 能力已达到，技术可行性已证明 |
| 人形机器人创业 | 可能8-10年之后才能做成 |
| 后台模型通用率 | 70%-80%后台通用，前端场景化 |
| 人类寿命 | 100岁成常态，部分人150岁 |
| 工作时间 | 可能每周1天 |
| 新物种出现 | 30-100年后，硅碳融合 |
| 机器人数量 | 10年内可能比人都多 |
| 微软亚研院建院 | 1998年，80%时间找人 |
| 人类进化速度 | 从自然进化转为指数性进化 |
| FSD状态 | 目前不能做Robotaxi，45分钟接管一次 |
| Waymo/百度 | 走得最前，已证明技术可行 |
| 家庭机器人 | 三类中最难的 |
| 三层架构 | 云端大模型 + 垂直模型 + 边缘模型 |
| AI意识 | 不认为AI可以产生意识 |
延伸阅读
- EP.143 何小鹏第二次访谈 — 物理AI的赌注、缝合怪理论、人形机器人Iron
- EP.121 DeepMind谭捷 — 机器人、跨本体、世界模型的学术视角
- EP.98 逐篇讲解机器人基座模型和VLA — 物理AI的技术基础
- EP.106 和王鹤聊具身智能 — 学术界对"机器人泡沫"的看法
- EP.82 和Vitalik Buterin聊 — LLM的权力、技术哲学观（本集引用）
- 推荐书目：《Outlive》、《In Search of Memory》