---
author: INDIGO 数字镜像
date: '2026-05-19'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=Rtf0K8djMRI
speaker: INDIGO 数字镜像
tags:
  - ai-amplification
  - one-person-company
  - transformer-architecture
  - quantitative-trading
  - physical-ai
title: AI 让你更像你：从 Transformer 到一人公司的智能坍塌与极端放大
summary: 本期访谈对话早期 Transformer 研究者 Bill (孙青云)。深入探讨了 AI 作为个人能力‘极端放大器’的本质，分析了量化投资向‘主观 AI 交易员’转型的技术路径，并预言了组织向‘一人公司’坍塌的引力趋势。访谈还涉及物理 AI、月球数据中心以及智能时代人类‘信任权’与‘活人感’的稀缺价值。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people: []
companies_orgs:
  - Google Brain
  - Millennium
  - OpenAI
  - Anthropic
  - Tesla
  - SpaceX
products_models:
  - Transformer
  - GPT-3.5
  - FSD
  - Optimus
media_books:
  - Attention is All You Need
status: evergreen
---
### 缘起：从 Google Brain 与 Transformer 说起

**Indigo**: 欢迎回到 **Indigo Talk**。这一期我邀请了一个新的嘉宾。我们大约一个月前录过一次播客，两周前在旧金山也见过面。他的名字叫 **Bill**。要不 Bill 你自己先来介绍一下，你现在在做什么？

**Bill**: 大家好，我叫 Bill，中文名叫**孙青云**。我以前算是一个根正苗红的 **AI Researcher**。在过去的七八年里，我也一直在做投资跟交易。我最早是北大数学本科，做一些 **Deep Learning** 中的数学研究。之后在斯坦福 All in 了深度学习的研究。我算是最早研究 **Model Architecture** 原理的那批人。

**Bill**: 在 2016 年的时候，我当时在 **Google Brain**，算最早参与发现 **Transformer** 的一批研究员。我也是世界上第一个把 Transformer 架构应用在 **Wikipedia 问答任务**上的。这应该是 Transformer 出现后做 Work 的第二个 Task，第一个是英语翻译法语，第二个就是问答。

**Bill**: 2016 年夏天大家的 Intern Project，一个是发现了 **Self-Attention**，也就是后来的那篇名作 **《Attention is All You Need》**；另一个就是我做的，证明了同一个架构可以 **Generalize** 到多个不同的任务。当时我的 **Insight** 就是：你可以用同一个用来做机器翻译的模型，一行代码不改直接做 **Question Answering**。这可能也是后来解锁出 **GPT-1** 等模型的一些核心洞见。

### 转型：当量化投资遇到大模型

**Bill**: 过去这些年我一直在理解怎么用 AI 来做投资跟交易。最早是“古典”机器学习时代，比如训练一个大的神经网络来预测未来的 **Return**。我在 **Millennium**（千禧年基金）管理过一个 10 亿美金规模的股票策略。Millennium 是美国最大的多 PM 平台对冲基金。

**Indigo**: Millennium 是那个著名的对冲基金名字吗？

**Bill**: 对。我当时的两个导师，一个是**文艺复兴科技**（Renaissance Technologies）的合伙人，另一个是 **BlackRock**（贝莱德）AI Lab 的创始人。虽然大家都是做数学，但很多成功都在于把数学和数据科学应用在交易投资领域。

**Bill**: 2022 年底我看到 **GPT-3.5** 的时候，非常震惊。我当时花了三年时间从零开始 Build 了一个 20 人的团队。我发现我和这些研究员的日常交流很多就在 **Slack** 上：我发一段 Instruction，让他们研究某个数据集、试 5 个方法、给我一份报告。看到 GPT-3.5 后，我觉得按照这个进步速度，这 20 个人我都不需要了，他们都可以换成 AI。

**Indigo**: 现在已经换掉了吗？

**Bill**: 我的 Slack 现在 literally 就是我 @ 一个 Agent 说：“我有这个 Idea，你给我回测一下”，然后它就全部做完了。这个 **AI Agent** 会自己找历史数据、做统计检验、跑回归、做事件研究，最后给一份能够质检的报告。2023 年我有了深刻的反省：量化对冲基金（Quant Hedge Fund）这个业务以后会被高度 **Commoditized**（商品化）。每个人都有类似的物理模型，很快市场就会回到均衡状态，大家都吃不到肉。

### 愿景：造一个 AI 版的巴菲特与索罗斯

**Bill**: 那创业做什么？我觉得要造一个现在 AI 还理解不了、但能走向真正 **AGI** 的道路。那就是造一个 **AI 版的巴菲特、索罗斯或 Druckenmiller**。这些顶级的主观投资人可以做 **High Conviction Trade**（高确信度交易），押注在一个伟大的 Idea 上赚 5 到 10 倍，而不是像 Quant 那样每天几千只股票来回搓。

**Bill**: 真正的顶级投资者需要深刻理解 **Geopolitical World** 是怎么运行的，公司组织是如何构架的。这几乎是整个人类社会复杂组织体的映射。这种信息很多不在互联网或 Bloomberg 上，而是在咖啡馆的访谈和会议中，也就是 **Offline Data**。把这些碎片拼在一起喂给 AI，这件事情的学术价值和让 AI 研究 AI 一样，是 AI 研究过程中的阶梯。

**Indigo**: 你说的很对。像巴菲特或索罗斯，他们在“知”上面的认知和胆识很重要。这是一个金融量化工具的悖论：虽然大家都有工具，但没有一个真正的 **AI 投资人**。因为目前的 AI 缺乏直觉，且处理的是不可验证的问题。

**Bill**: 我觉得品位和宏大目标不是完全不可验证，而是验证周期太长，无法直接作为 **RL Signal**。所以我们要找 **Proxy**：顶级的人类是如何决策的。你需要造一些 **Opinionated**（有主见的）、个性化的 AI，它可能跑分不好，但在特定场景里想得非常像索罗斯，具有那种宏观问题的偏执。

### 放大器：AI 时代的“十倍工程师”与“一人公司”

**Indigo**: 现在的自回归架构似乎让 AI 的回答趋向于**均值回归**，我看不到意外和惊喜。这可能让大量“工具人”被替代，而人的特质、反骨和创意会被放大。

**Bill**: 现在的 **Pre-train**（预训练）本质上像古代的文科教育，就是死记硬背。而 **RL**（强化学习）就是刷题。**Anthropic** 现在就在刷真实世界的“真题”：怎么写前端、怎么写后端的。

**Bill**: 但它刷完真题后还是一个“上班人”。它有极强的 **Agency** 吗？不一定。这时候几类人会变得特别强：一类是痴迷于行业的顶级专家，从 **10X Engineer** 变成 100 倍甚至 1000 倍。比如 **Andrej Karpathy**，他不再需要像在 Tesla Autopilot 那样带大团队，一个人加 AI 就能放大他的所有想法。

**Bill**: 另一类是 **Multitasking** 极强的老板，他可以开着 Slack 指挥 50 个 AI 干活，把自己的线程开得很高。还有一类是门外汉，AI 让他瞬间懂了原本完全不懂的维度，比如一个人搞定从设计、前端到 UX 的全流程。

### 组织坍塌：为什么未来不再需要大规模团队

**Indigo**: 这就涉及到一个核心问题：什么样的组织能适应这个时代？现在流行说“**一人公司**”（One-Person Company）。组织的存在是为了传达信息，当 AI 承担了信息中介和决策路由的功能，组织就会塌缩。

**Bill**: 一人公司显然是趋势。像 **Elad Gil** 这样的个人 VC，或者华尔街那些决策全靠老板一人的 Fund，本质上早就是一人公司了。以前需要大规模组织是因为“行”的难度，现在很多任务被 AI **Automate** 了，公司就向内塌缩。

**Bill**: 搭建一个能脱离地心引力的组织，门槛变得极高。大家不组队也能干成很多事，那么让一群牛人为了同一个 **Mission** 蹲在一起，这需要极强的化学效应。未来的公司可能会呈现 **U 型坍塌**：一端是拥有巨大算力、顶级人才、解决核能或太空等复杂问题的巨型 **Lab**；另一端是海量的、解决垂直问题的一人公司。中部的软件公司会被抛售得面目全非。

### 物理 AI：从比特世界到原子世界的跨越

**Indigo**: 在纯数字世界里，前沿模型公司几乎会覆盖所有任务。改变“原子世界”结构的事情，比如 Elon Musk 干的那些，才是真的难且伟大的。你对 **Physical AI** 怎么看？

**Bill**: 现在的物理 AI 和机器人还没跨越它的 **GPT-3 Moment**。大家还没看到一条可以不断加钱就 Scaling 通往牛 X 地方的明确路径。现在做机器人创业的体感，很像 2015 年做自动驾驶，感觉 So Close，但可能还需要十年。

**Bill**: 核心瓶颈在于**数据**。YouTube 是人类互联网积攒的遗产，但物理世界中 Interactive 的动作数据没有现成的。我们需要一个 **Learning Efficiency** 更接近人类婴儿的系统，只看几条数据就能学会抓取杯子。我估计未来一两年会有大的 **Breakthrough**。

**Bill**: 真正的 **Physical AI** 打透的标志是：硅基生物可以自我制造。比如把工厂型 AI 发射到外星系，占领星球、开建工厂、制造其他机器人。目前看，中国作为民用制造的闭环，和 Elon Musk 旗下的公司群，是最有潜力实现这一点的。甚至未来可能在月球上建立利用太阳能的数据中心，这在技术推演上是可行的。

### 终局：人类的信任权、共情力与新社交形态

**Indigo**: 如果一切都实现了，人类该干什么？

**Bill**: 这就像你生下来就有一个 **Billion Dollar** 资产要继承，你会干什么？你可以玩马术、下围棋，虽然机器做得更好，但人活着、快乐地过完一生本身就是意义。我们很快会忘掉那个“坐在电脑前办公”的时代。

**Bill**: 但有一点机器无法取代，那就是 **Trust**（信任）。钱本质上是稀缺资源，钱的分配（Allocation）本质上是人对另一个人的 **Delegate**。你不会直接信任机器，因为机器是同构的、可以无限复制的。信任来自于那种有温度的 **Touch**。

**Indigo**: 没错。在这个时代，人的连接性和纽带性反而更重要。即使通过 AI 增强，背后也必须有一个人。未来的软件可能是“日抛型”的，生产成本极低。那么竞争的就是 **Attention**（注意力）。

**Bill**: 所以像 **GitHub** 这样人机混合的社交网络权重被放大了。程序员的喜好决定了什么东西能火、能被下一代机器学到。未来的网络效应可能不再是微信那种，而是 **GitHub** 或 **Hugging Face** 这种 AI 时代的基础设施。

**Indigo**: 这一期聊得很有深度。感谢 Bill 的分享，我们下次再约！

**Bill**: 感谢 Indigo。