---
author: Best Partners TV
date: '2026-05-14'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=10XochqIoMI
speaker: Best Partners TV
tags:
  - ai-research
  - scaling-law
  - reinforcement-learning
  - collective-collaboration
  - tech-paradigm
title: 浪潮下的冲浪者：前Anthropic研究员姚顺宇的AI激进洞察
summary: 本访谈深度剖析了前Anthropic、现Google DeepMind研究科学家姚顺宇的核心观点。他批判了AI行业的过度‘造神’与‘英雄主义’，强调当前AI研发已进入集体协作时代，且并不需要过高的智商，更看重靠谱与负责。此外，他详细解读了黑盒、Scaling Law、强化学习范式及从物理学视角对AI发展的深刻认知，并分享了其职业选择与技术探索路径。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people:
  - 姚顺宇
companies_orgs:
  - Anthropic
  - Google DeepMind
  - OpenAI
products_models:
  - Claude 3.7
  - Gemini 3
media_books: []
status: evergreen
---
### 破除造神：AI已进入集体协作时代

姚顺宇在访谈中开篇即提出了一个犀利的观点：**AI个人英雄主义时代已经彻底过去**。在他看来，所谓的旧时代英雄带有某种程度的愚蠢色彩。他将当前的AI行业本质描述为“浪推人走”，研究者不再是创造浪潮的人，而是顺应趋势的冲浪者。

他强调，Transformer架构被发现之前，核心技术的突破或许依赖个人或小团队，但当技术范式确立后，模型研发彻底回归到**团队协作**的逻辑，个人贡献在宏大叙事中微乎其微。他坦言自己在Claude 3.7、Gemini 3等重量级模型研发中，并未发挥决定性作用，只是幸运地处于核心团队，完成了本职工作。

他批判了当下行业对研究员的“过度造神”，指出AI研究本身其实并不神秘，甚至略显琐碎和基础。除了技术突破瞬间需要的少量洞见外，大量研发工作任何人都能完成。行业最紧缺的不是高智商天才，而是**靠谱、细致、对工作极度负责**的执行者，因为将基础工作做到极致，远比所谓的天才想法更具实效。

### 技术审视：黑盒、规模化与范式

姚顺宇从科学研究的角度对AI热门概念进行了祛魅。

针对“**黑盒**（Black Box: 无法完全理解其内部精细运作机制的系统）”，他指出世界本身即黑盒，物理理论亦是在特定能级下描述系统行为，而非洞悉一切微观动力学。大模型确实达不到神经科学级别的定位精度，但我们并非一无所知，**缩放定律**（Scaling Law: 描述模型性能随模型规模、数据量和算力增加而规律性提升的经验公式）即是证明。他推测，Scaling Law正如18世纪的热力学定律一样，未来可能从经验规律演变为科学规律。

针对“**智能涌现**（Emergent Ability: 模型在特定规模下突然表现出从未见过的复杂能力）”，他持有批判态度，认为该说法缺乏科学定义，实质上是**模型从单一能力到全场景能力的全面升级**，是大规模训练技术成熟后的必然结果，并非某种神秘的“智能突然出现”。

### Anthropic的自上而下与执行力

姚顺宇详细阐述了Anthropic的组织优势。他认为其核心竞争优势在于完美的**自上而下**（Top-down）管理模式。在Anthropic，技术核心决策人同时也是公司的联合创始人，既拥有技术权威又能为公司战略负责，这种模式使得Anthropic能够快速押注代码能力等核心方向，并迅速落地，规避了大型科技公司常见的冗余流程。

在谈及**强化学习**（Reinforcement Learning: 通过与环境交互并获得反馈来优化行为策略的学习范式）时，他总结出极简诀窍：**把最简单的事情做到极致干净**。选择策略梯度（Policy Gradient）这类最可靠的路径，权衡效率与稳定性，比盲目追求复杂算法更具价值。

### 职业抉择：寻求多元边界

谈及从物理学转行AI及从Anthropic跳槽Google DeepMind的经历，姚顺宇坦言：物理研究塑造了他**系统性思考、刨根问底**的性格，这是转行最核心的助力。

离开Anthropic的原因包括：不认同CEO的部分立场、公司扩张导致组织文化变质以及希望从专注于语言模型转向更加多元的技术领域。他最终选择Google DeepMind，是因为其拥有极致的研究自由和全球顶尖的技术储备。目前，他的研究重心在于**ML coding**（让AI实现从写代码到优化模型的自主训练）以及**长时序任务**（Long Horizon: 处理需要极长上下文依赖的复杂任务，模仿人类选择性遗忘与检索的认知模式）。

对于年轻人入行，他给出了清醒的判断：纯语言模型赛道已过蓝海，末班车已发。他个人的信条则是始终**挑战自己不太会的事**，寻找值得投入的新方向。