刘子鸣（Ziming Liu）¶

清华大学人工智能学院助理教授、上海期智研究院 PI，同时在一家做 AI for AI 的创业公司担任首席科学家（⚠️ 公司名在转录稿中被转成两种写法，本库不下断言）。KAN（Kolmogorov-Arnold Networks）一作。

履历：北大物理学院本科 → MIT 博士（导师 Max Tegmark）→ Stanford 博后 6 个月（神经科学 + AI，老板 Andreas Tolias）→ 2026 年 3 月回国，4 月底入职清华，5 月底开始融资。
研究谱系：2017 年（大二）被 GAN 领进 AI；2017–2022 做 AI for physics（高能物理唯象）；2022 年底 ChatGPT 后随 Max Tegmark 整组转 机制可解释性；2024 年提出 KAN；此后转向 physics of AI 与 AI for AI。
武汉人；自述思维极度偏视觉（"我脑子里有个图像，我没办法把它倒出来，我就会很难受……但是我美术又不行"）；引 Freeman Dyson 的鸟人/蛙人之分自认与 Max Tegmark 都是"非常典型的鸟人"。

立场与关注点¶

核心主张：AI for physics of AI for AI¶

他自称这是"挺非主流"的路线，并要求把它显式说清楚：绝大多数人想的是"直接用 AI 提升 AI"，他说 stop——中间还有一步，要先做 physics of AI；但人做太慢，所以要用 AI 来做 physics of AI。

支撑论证是关于数据的：AI for X 能成功的前提是 X 有大量数据，而 AI research 没有大量结构化好的高质量数据，且"结构化"本身就需要 physics of AI。

"设计模型本身应该是一门科学"¶

这是理解他全部工作的钥匙。KAN 对他而言是一个例子而非成果——"人通过拍脑袋能设计出一个新架构"；他想的不是把 KAN 应用到各场景，而是"怎么复现'我能提出新架构'这件事"。由此：

"Transformer 拍脑袋拍出来的、GAN 拍脑袋拍出来的、ResNet 拍脑袋拍出来的，这个就非常的不 scalable。我们不应该 scale compute 或者 data，我们应该 scale AI 模型的设计。"

元模型（meta-model）：预测 next curve¶

定义：输入一个模型（外加数据集、优化器），输出这个模型的训练曲线。张小珺的并列很到位——世界模型预测下一个 state，语言模型预测 next token，元模型预测 next curve。
⚠️ 来源是一段 60 天的人体实验：2026 年初起他每天随机拉数据集与模型来训练，跑实验前先要求自己预测训练曲线；一开始"连趋势都预测不对"，四五十天后开始变准，甚至跨模态（language → vision）也能预测准。他把拐点称作 "我突然 grok 了"，并明确说不清机制——"可能是一种视觉的 reasoning，可能还有一些潜空间的 reasoning，但我也说不清楚"。
动机："如果我能预测清楚接下来会发生什么，那相当于我脑子里有一个关于 AI 的世界模型"——这正是物理学的定义（不做实验、靠计算就能预测）。
下一步是"把自己的脑子外化"：人一天最多做一两个实验（人的 bandwidth），"如果我日复一日把自己当元模型训练，可能要训练 1000 年，但我活不了那么久"。
用途是事前排序：100 个架构不知选哪个，元模型前传 100 次做预测，"非常便宜"；最终仍要真做实验，但筛选想法这一步被加速。
⚠️ 算力形态与大模型公司不同：需要不少算力，但不需要大集群、不需要卡间高速 communication，因为跑的是大量小模型；关键指标是多样性而非规模——"要让元模型见过很多人看起来非常奇怪的架构"，以跳出 Transformer 这个 local minimum。
终极目标："下一个 Transformer 不是人拍脑袋发现的，而是元模型预测出来的。"

天文学三阶段：AI 在 1.5 阶段，也可能只有 0.5¶

第谷（数据）→ 开普勒（经验公式）→ 牛顿（理论）。他把 Scaling Law 定位为"开普勒定律地位"，称 AI 现在处于 1.5 阶段，"远远没有到 AI 的牛顿"。

⚠️ 更悲观的版本更值得记：可能只有 0.5——因为第谷好歹把望远镜对着整片星空，而"我们过早地收敛到 Transformer 这类架构上，似乎已经失去了探索其他架构的 motivation"，像第谷只盯着一片星区。"可能连大数据的时代都没到"，因为"我们这个数据是只针对 Transformer 有效的"。

Transformer 中了硬件彩票；语言模型是"反 Bitter Lesson"的¶

明确呼应谢赛宁的观点：大语言模型成功的点在于语言，不在于模型——语言是人类演化百万年的馈赠，"你做什么样的模型，只要能把这些馈赠吃下去，那它就是个好模型"。他的祛魅表述很干净：

"它牛不是因为它叫 Transformer，是因为它能在上下文上高效传播信息；ResNet 牛不是因为它叫 ResNet，是因为它在深度方向上高效传播梯度。"

推论：语言已经是被压缩得很好的模态，所以那里架构设计不精巧；视觉等模态没被压缩好，所以后 LM 时代模型设计会更重要。而 AI 至今不会做抽象——"如果说它能做抽象，最多是因为数据本身已经被抽象好了"。

对整个行业的一条批评：没人回答 trick "什么时候" work¶

由 physics of AI 的第三个方向（平行宇宙 = 控制实验 = 扫相图）引出：

"我们现在之所以很混乱，是因为所有的人都在说'我的这个 trick work'，但是没有人回答'我的这个 trick 在什么时候 work'、我的系统在什么相里面它才 work。"

接到 no free lunch theorem 上：physics of AI 的任务就是理清每个 trick、每个架构的适用条件——"这个才是一种做科学的态度，而不是说你做出来一个东西就在那里去卖'我们这个东西好'，全然忽视掉了它好是有适用条件的。"

⚠️ 对 Anthropic 机制可解释性：来自同路线研究者的内部批评¶

他们组 2022 年底–2023 年初做过大量同类工作，自己发现"这样的故事有的时候没那么 robust——换一个随机数种子，故事就完全不对了"，且"解释得过于微观：好处是具体，坏处是不一定鲁棒"。
对 sparse autoencoder / transcoder 路线："我个人觉得是有一些 wishful thinking 在里面的。"
⚠️ 但他同时表达尊重且理由具体："我们做机制可解释性也是同样的 approach，所以我们知道这个东西里面有什么样的水分。"
⚠️ 态度最近发生了反转：此前觉得它和 AI 的物理学一样"是好目标但太难了、要几百年"；放到 AI for AI 框架下重新估值——"之所以需要几百年，是因为我们没办法自动化；一旦能自动化，进展可以很快"。他把机制可解释性称作 Biology of AI，与 physics of AI 并列。

symbolic vs connectionist：agent 就是往回拉的那一点¶

短期需要结构、长期不需要（Bitter Lesson）；他给的"短期"尺度是"可能 100 年以内"。
⚠️ 一条很好的重新解读："Agent 某种意义上就是把连接主义又往符号主义往回拉了一点。所谓的 harness 就是说你不能太自由了，我要给你一些约束。"
他自称因为"太多符号主义的 hater"而改用自造词 "结构主义"；判断是两者在历史上不断摇摆，"这一波连接主义非常厉害，或许下一波又该往符号主义回摆一点"。

research 的结构化：OPHIS 与"祛魅判据"¶

⚠️ 判据："一旦一个东西可以被结构化、标准化、规模化，大家就会对它祛魅。我们现在还没对 research 祛魅，说明它还没有被结构化。" 凡还在用"品位/直觉"称呼的，就是还没被结构化的。
research 与 coding 的两点差异：coding 高度结构化且有 GitHub 这样的高质量结构化数据，research 两条都不满足。
OPHIS 方法论：O = observation、P = problem、H = hypothesis、I = intervention、S = speed up。有了这套结构就"相当于创造了一门研究的语言"，然后可以像训 LLM 一样训 research language model。
⚠️ 一条学术文化观察："我感觉在很长的一段时间里面，大家把展现思维链当作一种耻辱"——"你要显示你很厉害，就要让别人觉得不可捉摸，直接把公式写下来说'这是我梦到的'"。他写 paper 平铺直叙并写入思维链，说是受 Max Tegmark 影响。
对"研究品位"的祛魅："研究品位、研究直觉其实是一个遮羞布"——我们聪明到能提出想法，但没聪明到能说出自己是怎么提出的。他认为思维链一定能或多或少说出来，"你如果说不出来，说明你还没有拷问得太深"。
⚠️ 明确不做 paper agent："我博士期间就是个 paper machine，也知道这些 paper 真正有价值的可能就那么几个点。研究的第一性原理是拓展自己的知识图谱，paper 只是副产物。"

产品形态：vibe training¶

短期 training copilot，长期 training autopilot：用户只说需求（含预算约束——"我这里只有 100 块钱"），系统端到端设计、训练、部署模型并交付。
比 Cursor / Claude Code 更闭环——"我不告诉你要用 Transformer，我不告诉你怎么训练，我只告诉你我的需求"。
愿景："我们不是自己做一家 OpenAI，它是能够孵化各行各业、各个垂直领域的 OpenAI。"
⚠️ 他坦承需求侧想不清楚："好吧我实话实说，我也没有想太清楚……但当技术便宜到一定程度的时候，有些需求它自然会涌现。"
生态判断：做成即"相当于是平权了"，但瓶颈仍是钱；physics of AI 理清后训练成本会下来，"因为我们现在不是最优的一个 recipe"。

可证伪的路标¶

在一个垂直领域提出一个新架构，涨点不是 1% 而是 10%。他用何恺明作类比："大家为什么会用 ResNet？有人说很优美，但不要忘了当时何恺明在 ImageNet 上比第二名高 10%。你要么用拳头把敌人打赢；打不赢，才需要口舌去说服别人。"

同时限定：AI for AI 是 AGI 的必要不充分条件，还缺抽象能力（而抽象是持续学习的前提）；但达到"垂直领域提出好架构"不需要解决持续学习。

neo lab：既不是 lab 也不是公司¶

"6 到 12 个月按 lab / research institute 的方式运转；一旦 grok 了、一旦顿悟了，就应该按公司的方式运转。"

⚠️ 一处自我修正值得记："如果你一年前问我，我可能觉得需要做三到五年的 R&D"——是意识到元模型的可行性之后才决定快速推进。

关于 2026 年 neo labs 潮¶

成因两条：① 人才选择——顶尖人才"不太希望去大厂里当大头兵"；② 当前范式有明显打击不到的痛点（他点名 auto research 与 world model），那些地方早期需要大量 research，"不是堆资源堆工程就能做成的"。
融资体感："太疯狂了"；一级市场处于非常 FOMO 的状态，"大家相互打探消息，投项目动作非常快，close 也非常快"。
⚠️ 一条具体的机制观察："种子轮加轮、加加轮、加加加轮，可以无限地加下去"——上一轮没进来的投资人就为他开一轮，形成连续融资状态。
⚠️ 词汇的元观察："现在所有 neo labs 都是——他形容他在做什么事情，创业者和投资人脑子里就不是一个事。之所以用这些 cliché words，是因为投资人得听懂。"

⚠️ 为什么回国：人才密度判断¶

"我在 MIT 其实也带过二三十个本科生，我的体感是其实平均水平是远不如清北的本科生。"

推论链：要做 auto research 需要高人才密度、需要"很多小天才"，所以加入清华，"顺便也能从北大那里薅点学生过来，相当于能聚集不是全国而是全世界最聪明的学生"。

从"不与工业界同流合污"到创业¶

2024 年在 MIT，同学们觉得"湾区那些人搞的 agent 都是在骗钱"；直到 2025 年 5 月拿到清华 offer，"我的 mindset 还是：我不要跟你们工业界那些人同流合污"。自评"那个时候太 naive 了……还没有脱下孔乙己的长衫"。
⚠️ "MIT 的信仰"："用 5 年时间就能写出 AI 的物理学，有了它就会发现现在投入这么多资源完全是在浪费，因为可以从第一性原理推导出最优架构。"——"所以我为什么那个时候特别看不上工业界，因为我觉得你们就是有钱。"
转折机制（Stanford 6 个月，"像开智了一样"）："你特别相信你的 peer，尤其是跟你风格很像的 peer。当你看到和你风格很像的 peer 做出一些你之前觉得很危险、你觉得你做不到的事情时，你就会想：是不是我不够激进？是不是我太在舒适区里面了？"
⚠️ 博后老板 Andreas Tolias 邀他加入其 neo lab，他拒绝了——"这个想法得是我原创的"；他随即自我审视："这可能也是学术圈的人会有一种控制欲……或许过段时间我会发现这也是一种执念。"

呼应与分歧¶

与姚顺宇：同为北大物理转 AI，姚高他一级，是他"一直以来的一个偶像"（对方本科发过两篇 PRL）；他自述"比不过姚顺宇"是转向 AI 的触发之一。本库由此有了这条谱系的两个样本。
与田渊栋 / Recursive 路线的直接分歧：他把 coding agent 路线概括为"更勤奋的 AI for AI"，自己做的是"更聪明的 AI for AI"，称两者正交互补；但对 memory 驱动提出了机制性批评——"你不理解背后为什么学习率会失败，之前的经验也不一定是对的"（经验驱动 vs 机制驱动）。⚠️ 他也坦承危机感："如果他们的路线最后变得和我比较相似，那就一定是田渊栋做的。"
与中美 AI 对照：贡献了两条一手对照——投资人耐心（美方 neo lab 被告知"三年内不用考虑商业化" vs 张小珺"国内投资人恨不得你当天就能盈利"）与本科生人才密度（MIT vs 清北）。
与 ai-lab-culture：MIT 保守 / 湾区激进的一手对照，以及"peer 触发转向"这一具体机制。

已收录访谈¶

日期	视频	主题
2026-07-31	AI for AI：元模型、physics of AI 与中美 neo labs 资本狂潮（张小珺 149）	AI for AI、元模型、physics of AI、机制可解释性、neo lab、中美对照