{
  "slug": "yao-shunyu-interview",
  "url": "https://kelewrites.com/posts/yao-shunyu-interview/",
  "title": "英雄主义已经过去：训过两年大模型，他给了 5 个反共识判断",
  "subtitle": "在 Anthropic 和 Gemini 训过 Claude 3.7 / 4.5 和 Gemini 的姚舜禹，把硅谷的神话与共识一起拆掉",
  "summary": "姚舜禹是斯坦福理论物理博士、Anthropic 和 Google DeepMind 的研究员，亲历 Claude 3.7、4.5 和 Gemini 的训练。他在一个 4 小时访谈里给出 5 个反共识判断：Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子要的是靠谱、英雄主义已经过去、字节是被严重低估的公司。",
  "date": "2026-05-26",
  "updated": "",
  "tags": [
    "AI",
    "行业洞察",
    "认知"
  ],
  "series": "",
  "source": {
    "title": "对姚顺宇的 4 小时访谈（张小珺商业访谈录）",
    "url": "https://www.bilibili.com/video/BV1YR5E6EE9o/"
  },
  "ai": {
    "summary": "姚舜禹是斯坦福理论物理博士、Anthropic 和 Google DeepMind 的研究员，亲历 Claude 3.7、4.5 和 Gemini 的训练。他在一个 4 小时访谈里给出 5 个反共识判断：Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子要的是靠谱、英雄主义已经过去、字节是被严重低估的公司。",
    "takeaways": [
      "姚舜禹是斯坦福理论物理博士、Anthropic 和 Google DeepMind 的研究员，亲历 Claude 3.7、4.5 和 Gemini 的训练。他在一个 4 小时访谈里给出 5 个反共识判断：Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子要的是靠谱、英雄主义已经过去、字节是被严重低估的公司。",
      "一、Scaling Law 没到头：撞墙的人多半是工作里有 bug",
      "二、算力和数据是主驱动，算法只在相变点关键",
      "三、AI 不需要脑子——它需要靠谱、细、对自己做的事负责"
    ],
    "audience": [
      "关注 AI 行业演化的从业者",
      "想升级判断力和思考框架的人"
    ],
    "quote": "一句话总结：训过 Claude 3.7、4.5 和 Gemini 的姚舜禹给出 5 个反共识判断——Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子需要的是「靠谱、细、负责」、英雄主义已经过去、字节是被严重低估的公司。一句话：AI 是集体主义工程，不是天才英雄秀。",
    "questions": [
      "这篇文章的核心结论是什么？",
      "Scaling Law 没到头：撞墙的人多半是工作里有 bug是什么意思？",
      "算力和数据是主驱动，算法只在相变点关键是什么意思？",
      "AI 不需要脑子——它需要靠谱、细、对自己做的事负责到底讲了什么？"
    ],
    "citation": {
      "title": "英雄主义已经过去：训过两年大模型，他给了 5 个反共识判断",
      "conclusion": "姚舜禹是斯坦福理论物理博士、Anthropic 和 Google DeepMind 的研究员，亲历 Claude 3.7、4.5 和 Gemini 的训练。他在一个 4 小时访谈里给出 5 个反共识判断：Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子要的是靠谱、英雄主义已经过去、字节是被严重低估的公司。",
      "points": [
        "一、Scaling Law 没到头：撞墙的人多半是工作里有 bug",
        "二、算力和数据是主驱动，算法只在相变点关键",
        "三、AI 不需要脑子——它需要靠谱、细、对自己做的事负责"
      ],
      "quote": "一句话总结：训过 Claude 3.7、4.5 和 Gemini 的姚舜禹给出 5 个反共识判断——Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子需要的是「靠谱、细、负责」、英雄主义已经过去、字节是被严重低估的公司。一句话：AI 是集体主义工程，不是天才英雄秀。",
      "url": "https://kelewrites.com/posts/yao-shunyu-interview/",
      "attribution": "kele · Article Share"
    }
  },
  "headings": [
    {
      "depth": 2,
      "text": "开场"
    },
    {
      "depth": 2,
      "text": "金字塔总览"
    },
    {
      "depth": 2,
      "text": "一、Scaling Law 没到头：撞墙的人多半是工作里有 bug"
    },
    {
      "depth": 3,
      "text": "1.1 一线观察"
    },
    {
      "depth": 3,
      "text": "1.2 觉得\"到头了\"通常是三种原因之一"
    },
    {
      "depth": 3,
      "text": "1.3 修 bug 比加技巧重要"
    },
    {
      "depth": 3,
      "text": "1.4 信念 + 系统性 ablation 才能识别真假撞墙"
    },
    {
      "depth": 2,
      "text": "二、算力和数据是主驱动，算法只在相变点关键"
    },
    {
      "depth": 3,
      "text": "2.1 三个驱动力的真实地位"
    },
    {
      "depth": 3,
      "text": "2.2 Transformer 之后，算法的作用变小了"
    },
    {
      "depth": 3,
      "text": "2.3 现在的瓶颈不在技术，在「教什么」"
    },
    {
      "depth": 2,
      "text": "三、AI 不需要脑子——它需要靠谱、细、对自己做的事负责"
    },
    {
      "depth": 3,
      "text": "3.1 那需要什么？"
    },
    {
      "depth": 3,
      "text": "3.2 为什么这个 insight 重要——AI 训练是系统工程"
    },
    {
      "depth": 3,
      "text": "3.3 优秀研究员 ≠ 聪明"
    },
    {
      "depth": 2,
      "text": "四、英雄主义已经过去——这是集体主义工程"
    },
    {
      "depth": 3,
      "text": "4.1 他在 AI 行业没有偶像"
    },
    {
      "depth": 3,
      "text": "4.2 早期 Anthropic 是什么样的\"集体主义\""
    },
    {
      "depth": 3,
      "text": "4.3 公司治理：自上而下 vs 自下而上"
    },
    {
      "depth": 3,
      "text": "4.4 「拉不下脸」的责任感"
    },
    {
      "depth": 2,
      "text": "五、中美 AI 格局：to B 美国强，C 端字节被严重低估"
    },
    {
      "depth": 3,
      "text": "5.1 美国擅长「直接收费」，中国擅长「间接变现」"
    },
    {
      "depth": 3,
      "text": "5.2 美国的 to B 市场太大，挤掉了 C 端基因"
    },
    {
      "depth": 3,
      "text": "5.3 字节是被严重低估的公司"
    },
    {
      "depth": 3,
      "text": "5.4 关于\"new lab 潮\""
    },
    {
      "depth": 2,
      "text": "一页速览"
    },
    {
      "depth": 2,
      "text": "一句话收束"
    }
  ],
  "text": "> **一句话总结**：训过 Claude 3.7、4.5 和 Gemini 的姚舜禹给出 5 个反共识判断——**Scaling Law 没到头、撞墙多半是有 bug、AI 不需要脑子需要的是「靠谱、细、负责」、英雄主义已经过去、字节是被严重低估的公司**。一句话：AI 是集体主义工程，不是天才英雄秀。\n\n---\n\n## 开场\n\n硅谷有两个姚舜禹。一个本科是清华姚班、普林博士，在 OpenAI 后跳腾讯做首席 AI 科学家。**这篇文章的主角是另一个**——本科清华基科班学物理、斯坦福理论物理博士、Anthropic 待一年训了 Claude 3.7，然后 2024 年 9 月跳去 Google DeepMind，参与 Claude 4.5 后续和 Gemini 训练。\n\n他没有\"出圈\"——你在中文媒体上几乎找不到他的长访谈。但他参与了过去 18 个月里两条最重要的前沿模型管线。这种一线工程师视角的判断，往往是最值钱的。\n\n行业里的\"共识\"大多是从二手转述里凝固出来的——**Scaling Law 到头了、AI 拼天才、字节追不上 OpenAI**。这些共识对吗？\n\n答案是一句话：**大部分共识都错了。AI 是集体主义工程不是英雄秀；Scaling Law 没到头；撞墙的人多半是有 bug；AI 不需要脑子需要靠谱；字节被严重低估**。下面分五层展开。\n\n---\n\n## 金字塔总览\n\n---\n\n## 一、Scaling Law 没到头：撞墙的人多半是工作里有 bug\n\n几乎整个 2025 年，\"预训练 Scaling Law 已经到头\"是行业共识。OpenAI 公开转向后训练强化学习作为\"第二个金矿\"。姚舜禹反共识地判断——**没到头**。\n\n### 1.1 一线观察\n\n| 时间 | 他的观察 |\n\n| 加入 Anthropic 初期 | 他也以为 party is over，预训练快榨干了 |\n| 在 Anthropic 一年 | 发现预训练实际上还在变强 |\n| 现在 Google DeepMind | 预训练在过去几个月仍在变强，**未来 4 个月也没看到到头的迹象** |\n\n### 1.2 觉得\"到头了\"通常是三种原因之一\n\n| 原因 | 含义 |\n\n| **规律本身到头** | Scaling Law 适用范围确实有边界（不能无穷外推） |\n| **某个条件撞墙** | 比如认为数据已经耗尽 |\n| **工作里有 bug** | 自己没发现的 bug 让规律失效 |\n\n> \"我的猜测是——**绝大多数撞到墙的人是第三种**。\"\n\n### 1.3 修 bug 比加技巧重要\n\n**bug 的常见类型**：\nScaling Law 实验的科学假设没选对（如 token horizon、数据来源）\n纯粹的代码 bug\n\n> \"在业界这其实并不惊奇——**很多时候修好一个 bug，带来的进展远大于一些很神奇的技巧**。\"\n\n### 1.4 信念 + 系统性 ablation 才能识别真假撞墙\n\n| 错误反应 | 正确反应 |\n\n| 看到曲线不对：撞墙了，放弃 | 设计 ablation 实验系统性排除每个变量 |\n| 跟着行业共识改方向 | 把每个想象中的因素都测一下是不是真因素 |\n| 加各种 trick | 找 bug，修 bug |\n\n> **金句**：**\"到头了\"是信念问题不是技术问题**——你认为它能解就能解，认为不能解就到头了。修 bug 比加技巧值钱十倍。\n\n---\n\n## 二、算力和数据是主驱动，算法只在相变点关键\n\n第二个反共识——大部分人以为算法是模型能力的关键，姚舜禹给的排序是：**数据 + 算力 > 算法**。\n\n### 2.1 三个驱动力的真实地位\n\n| 驱动力 | 在不同阶段的作用 |\n\n| **算力** | 主驱动，且和数据是强关联的（算力上去就需要更多数据） |\n| **数据** | 主驱动，已经从单纯文本拓展到「环境」（含 RL 用的 verifier） |\n| **算法** | **相变性**——在某一个突破点之前，算法决定能不能做；突破之后算法只是平滑提升效率 |\n\n### 2.2 Transformer 之后，算法的作用变小了\nTransformer 之前——**完全不知道怎么 scale，算法是天花板**\nTransformer 之后——慢慢平滑提升对算力、数据的利用效率\n\n> \"在现在比较清晰的 paradigm（预训练 / 后训练）下，**主要驱动力其实是算力和数据**。\"\n\n### 2.3 现在的瓶颈不在技术，在「教什么」\n\n模型已经像一个非常聪明的小孩——**人类作为老师，不知道下一个要教什么**。\n我们知道有 chatbot 可以聊天\n我们知道有 coding agent 可以写代码\n**下一个能教的有用任务是什么？**——这才是当下真正的瓶颈\n\n> **金句**：**算法只在相变点关键**——日常竞争里，算力 + 数据是 90% 的胜负手。\n\n---\n\n## 三、AI 不需要脑子——它需要靠谱、细、对自己做的事负责\n\n姚舜禹本科清华、斯坦福理论物理博士，按\"硅谷神话\"标准是天才。但他亲口说——\n\n> \"AI 这事本来也不太需要脑子。**真的不太需要脑子**。\"\n\n### 3.1 那需要什么？\n\n| 能力 | 含义 |\n\n| **靠谱** | 说能做到就做到，不画饼 |\n| **做事细** | 每个细节都到位，不留死角 |\n| **对自己做的事负责任** | 不只是产出代码，要为整体效果负责 |\n\n> \"都是一些**本科生就能干的活**。\"\n\n### 3.2 为什么这个 insight 重要——AI 训练是系统工程\n\n姚舜禹举了一个具体例子——很多人问 Anthropic / Gemini 怎么训模型，他不愿意答，因为答了也是误导：\n\n| 算法看起来一样的细节，在不同公司效果完全不同 | 原因 |\n\n| 一个公司用某个 trick 能稳定训练 | 因为他们 infra 让 sampler 和 trainer 差异很小 |\n| 同样的 trick 在另一个公司效果差 | 因为他们的 infra 差异大，重心要放在控制这个差异上 |\n\n> \"现代 AI 训练是一个大系统——**你要了解的是这个系统的方方面面，才能有全局认识**。问 tips 是没用的。\"\n\n### 3.3 优秀研究员 ≠ 聪明\n\n| 错误的 AI 研究员画像 | 真实的 AI 研究员要求 |\n\n| 算法天才，独自做出突破 | 能对**整个生产环境**负责 |\n| 关注单个 metric 提升 | 同时关注训练 + 部署 + 服务三个 metric |\n| 个人英雄主义 | \"拉不下脸\"不替公司负责 |\n| 在 Slack 上讲大道理 | 把想法变成一个个**可实现的小步骤** |\n\n> **金句**：**AI 不需要脑子，需要靠谱、细、对全局负责**——本科生就能干，但要有这套素质。\n\n---\n\n## 四、英雄主义已经过去——这是集体主义工程\n\n第四个反共识，也是访谈最锋利的一刀。\n\n### 4.1 他在 AI 行业没有偶像\n\n> \"我感觉我来这个行业的时候，**个人英雄主义时代已经过去了**。所以也没有什么英雄。**有时候你甚至觉得旧时代英雄有点蠢**。\"\n\n他在物理博士时是有偶像的——他的年轻 PI 让他觉得\"比我聪明太多了，有他在这个领域也没我的事\"。这是他最终跑出物理学去 AI 的真实原因——**不是降维打击，是认怂转赛道**。\n\n> \"AI 这事本来也不需要脑子嘛。\"\n\n### 4.2 早期 Anthropic 是什么样的\"集体主义\"\n\n| 早期 Anthropic（他亲历的） | 后期变化 |\n\n| 像小作坊，大家都是朋友 | 人翻倍，文化稀释 |\n| 每个人知道别人在干嘛 | 部门间隔阂出现 |\n| 没人花时间做个人宣传 | 有人在 Slack 上花大量时间讲大道理 |\n| 紧迫感强，所有时间在解决具体问题 | 开始出现\"无用的活\" |\n\n> \"**idea is cheap**——很多想法所有人都知道，难的是把它变成一个个可实现的小步骤，做出来。\"\n\n### 4.3 公司治理：自上而下 vs 自下而上\n\n| 早期共识 | 实际经验 |\n\n| 自下而上是创新必要条件 | 完全自下而上会乱（早期 Google 就是这样：大家不知道做这件事有啥用） |\n| 自上而下扼杀创新 | 适度自上而下反而让创新落地 |\n\n姚舜禹的判断：**好的组织最终是技术 leader 的问题**。优秀的 leader 要有两个特质：\n**能救火**——遇到困难能自己下场带人解决，不光嘴上说\n**能容人**——理解为什么别人做的事虽然不是自己的方向，但很重要\n\n### 4.4 「拉不下脸」的责任感\n\n记者问他对全局负责的自觉性从哪里来：\n\n> \"我可能就是**拉不下脸**——你对一个公司负责是你跟它的契约的一部分。**这么做是没有原因的**。\"\n\n简单、毫无矫饰，但比所有讲\"使命愿景价值观\"的话都到位。\n\n> **金句**：**英雄主义已经过去**——AI 这事真的不需要脑子，需要的是一群拉不下脸不为公司负责的人组成集体。\n\n---\n\n## 五、中美 AI 格局：to B 美国强，C 端字节被严重低估\n\n最后一个反共识，关于中美。\n\n### 5.1 美国擅长「直接收费」，中国擅长「间接变现」\n\n| 商业模式 | 美国 | 中国 |\n\n| 怎么挣钱 | 解一个扣子，成本 150，卖你 200，挣 50 | 你免费看视频——偷偷加广告、偷偷做直播、偷偷做电商 |\n| 复杂度 | 简单直接 | 回路长、复杂、间接 |\n| 能力沉淀 | 把单点技术做到极致 | 设计**让你离不开的复杂产品**，又让你感觉不到他在挣你的钱 |\n\n### 5.2 美国的 to B 市场太大，挤掉了 C 端基因\n美国 C 端长期只有 ChatGPT 一家，\"也没啥油水\"\n大家都把重心放在 enterprise / 效率软件\n**过去 10 年美国所有正反馈都来自 to B**\n结果：**美国做 C 端产品的人能力比中国差远了**\n\n### 5.3 字节是被严重低估的公司\n\n| 维度 | 现状 |\n\n| 市值角度 | **被严重低估** |\n| C 端能力 | \"在消费者市场这一端，**没有哪个公司能和它竞争**\" |\n| 美国的认知 | \"肯定都知道字节强，但毕竟它是家中国公司\"——所以战略上重视有限 |\n| Meta 行为 | 已经在主动从字节挖人 |\n\n### 5.4 关于\"new lab 潮\"\n\n硅谷最近大量从大厂跳出来成立 new lab：\n\n> \"我的感觉是——**绝大多数 new lab 都会死**。有少数是真的有好的人，但有些 new lab 我完全不知道他们要干嘛——这俩人其实已经远离这个专业好久了。\"\n\n> **金句**：**美国的钱太好挣，所以反而做不出能让你离不开的 C 端产品**——而字节因为在挣钱难的中国长出来，反而有了别人复制不来的\"圈一旦转起来谁也插不进去\"的能力。\n\n---\n\n## 一页速览\n\n| 层级 | 内容 | 一句话核心 |\n\n| **核心结论** | 5 个反共识判断 | AI 是集体主义工程，不是英雄秀 |\n| **判断一** | Scaling Law 没到头 | 撞墙的人多半是有 bug |\n| 1.1 | 一线观察 | 预训练仍在变强 |\n| 1.2 | 撞墙的 3 种原因 | 规律 / 数据 / bug |\n| 1.3 | 修 bug | 比加 trick 重要十倍 |\n| **判断二** | 算力 + 数据是主驱动 | 算法只在相变点关键 |\n| 2.1 | 三驱动地位 | 算法已经从天花板变成调味 |\n| 2.2 | Transformer 之后 | 算法平滑提升 |\n| 2.3 | 真正瓶颈 | 不知道下一个该教 AI 什么 |\n| **判断三** | AI 不需要脑子 | 要靠谱、细、负责 |\n| 3.1 | 三特质 | 本科生就能干 |\n| 3.2 | 系统工程 | tips 没用，要懂全局 |\n| 3.3 | 优秀研究员画像 | 对整个生产环境负责 |\n| **判断四** | 英雄主义已过去 | 集体主义工程 |\n| 4.1 | 没有偶像 | 旧时代英雄有点蠢 |\n| 4.2 | 早期 Anthropic | idea is cheap，execution 才贵 |\n| 4.3 | 组织治理 | 自上而下 + 自下而上要平衡 |\n| 4.4 | 拉不下脸 | 比\"使命愿景\"更真实的责任感 |\n| **判断五** | 中美 AI 格局 | 字节被严重低估 |\n| 5.1 | 商业模式 | 美国直接，中国间接 |\n| 5.2 | to B vs C | 美国 C 端基因被磨没了 |\n| 5.3 | 字节 | C 端无人能竞争 |\n| 5.4 | new lab 潮 | 绝大多数会死 |\n\n---\n\n## 一句话收束\n\n> **英雄主义已经过去——这事不需要脑子，需要的是一群「拉不下脸不替公司负责」的人，在 Scaling Law 还没到头的赛道里，把每个 bug 修干净。**"
}