跳转至

对英伟达研究副总裁刘洺堉的 4 小时访谈：Cosmos 3、世界模型、武术、黄仁勋（张小珺，2026-08-13，第 150 期）

关于来源的两点说明： 1. 该期在张小珺频道同时发布了中文原版（Cj_kb9nlAlE，第 150 期）与英文配音版（zawGTDLtWFY）。中文原版无可用字幕，本库按 CLAUDE.md 的既定做法从配音版取 zh-Hans 人工字幕，内容为中文原声的逐字稿。中文原版已记入 sources/skipped.txt（同一期，避免重复摄取）。 2. 字幕无说话人标签。本页的问答归属按内容判断：提问、复述本库熟悉的其它嘉宾观点（杨植麟、谢赛宁、谭捷）的一方是张小珺，其余为刘洺堉。开场 [00:00:11]–[00:01:11] 是张小珺的独白式导语。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： SPEAKER_01 = 刘洺堉（嘉宾，87.5%）、SPEAKER_00 = 张小珺（主持，12.5%）。 依据：SPEAKER_00 在 [00:00:11] 开场自报"哈喽 大家好 我是小珺 今天我在上海 谈话对象是英伟达的研究副总裁刘洺堉"。

概要

这是本库第一份来自 NVIDIA 研究体系内部、且是 Cosmos 负责人本人的长篇一手叙述。此前 NVIDIA 只以 Jensen Huang 在 Lex 那期 的 CEO 视角、以及各路嘉宾口中的"卖铲子的一方"出现。刘洺堉带来的是中间层视角：一个在英伟达十年、从 GAN 时代做到世界模型的研究者，如何在一家基础设施公司里争取算力、如何被 Jensen 管理、以及 Cosmos 3 具体是怎么做出来的。

本期最该被单独引用的六条：

  1. ⚠️ 他明确不接受"智能会指数增长、一家公司会遥遥领先"的叙事（[01:17:45]）："历史上从来没有这样发生过——一家公司掌握所有的科技，其他公司都没有办法去追上。我不觉得 AI 会是一个例外。" 他给的机制是人员流动会让 knowhow 自然扩散，并称"这本身就不是一个稳定的社会状态"。这是本库第一条来自算力供给方内部研究负责人的、正面否定 winner-take-all 的表述。
  2. ⚠️ "模型能力会收敛，靠模型自己不会是区分"（[01:13:45]、[03:18:10]）：他说自己"运气比较好，早期就认为模型会收敛"，因此一直坚持模型必须与公司生态结合。终局判断是软件类比——"现在能活下来的软件公司都有自己的区分方式，我觉得没有理由模型会是不一样"。
  3. ⚠️ Cosmos 3 把 reason / predict / transfer / policy 四个模型合成一个，理由有两条："这些讯号都是描述同一个世界"、"foundation model 的核心概念就是纳百川"（[01:53:27]–[01:56:29]）。促成决策的是 Jensen 的一个类比：他原本算出需要 22 个模型，Jensen 讲了 LV 减少陈列商品数反而销售提升的故事（[01:54:27]）。
  4. ⚠️ 他把 action 列为 first class citizen，作为物理世界模型与数字世界模型的分界（[02:00:35]–[02:01:37]）："大模型思路基本上有两个，一个让 language 当 first class citizen，另一种让 video 当 first class citizen……我们认为一个好的物理世界的 Foundation model，也要把 Action 当成 first class citizen。"
  5. ⚠️ 他对"Physical AI 的 ChatGPT moment"给了可证伪的判据（[03:23:16]）：人示范一两次，机器人就地学会——"如果我看到这样的一个产品，我就觉得说 Physical AI 的 ChatGPT moment 来了"。他把核心问题归到泛化，且说时间"也许今年，也许明年，我不知道，但我觉得它必然会发生"（[02:37:03]）。
  6. NVIDIA 组织文化的四条一手观察（[02:50:27]–[03:00:49]）：不裁员（疫情期砍差旅和 Slack 而非砍人）、无末位淘汰、不赛马、mission is the boss + top-5 email。他还给出了不裁员的代价：技术换代时员工转型比直接换人慢。

核心观点

一、履历与三个转折时刻

  • 十年前的求职报告就是今天的方向（[00:05:16]）：2016 年加入英伟达时的 job talk 主题是——"有一天最主要生成视频的运算将会是 deep learning，不会是传统的 computer graphics。" 他在 [03:12:06] 回看这件事："这事情真的发生了。"
  • 加入英伟达的理由极其朴素（[01:03:33]、[02:47:20]）：在三菱电机研究院时反复跟 manager 吵着要买 GPU，"我这么缺 GPU、这么想要 GPU，为什么我不加入一个生产 GPU 的公司"。⚠️ 他补了个细节：那位 manager 每次被他吵赢批了 GPU 预算，同时就去买英伟达的股票，退休后才告诉他。同期他还有一个投资公司的 offer，"不管我去哪里、对方给我多少钱，我都给你四倍"，他拒绝了（[02:49:25]）。
  • 他自述的三个关键转变（[00:43:07]–[00:46:13]）：① 从追求漂亮数学转向贴近问题本质——早期 CV 做优化要证 bound，为了让数学干净就加假设，"假设也让你离现实比较远"；② 从"做出来"转向"让别人懂你做了什么"——"我自己做了 100 分，但是我的解释只有 10 分，所以别人看到只有 10 分"；③ 从个人产出转向团结合作——他用复杂度类比：N 个人点对点沟通是 N²，"N² 在那个复杂度来讲是一个不好的复杂度"，所以必须把事情讲到所有人都懂、目标一致。
  • ⚠️ 两次"决心不够"的自省，是全篇的暗线：DALL·E 出来时（[00:10:24]）他意识到"我的野心不够大，我不够勇敢，没有这个决心去把这东西做出来"，因为他一直以为 text-to-image 缺数据和算力，"其实是有的，就是因为没有去做，所以做不出来"（[00:52:18]）；Sora 出来时（[00:15:33]）他再次觉得决心不够——而 Sora 的作者 Tim Brooks 正是他带过的实习生（[00:14:33]）。这两次都直接导致他给 Jensen 写信要资源：第一次要到 1000 张 A100（[00:13:29]），第二次促成了 Cosmos 立项。
  • 在英伟达要算力的方法论（[01:08:42]–[01:09:43]）："你要懂公司要解的问题是什么……让这些不懂 AI 的 leader 理解到这东西对公司重要。" 他说研究员本质上 very high ego，"文人相轻，自古皆然"，但公司的本质是为股东获利。
  • ⚠️ 他从三菱电机学到的那一课，是本页最有制度性意味的一条（[01:10:44]–[01:12:44]）：三菱电机研究院 90 年代能与微软研究院一争高下，后来公司开始怀疑 blue sky research 的价值，大批著名学者陆续被裁。他的结论不是"研究该自由"，而是"blue sky research 跟公司的兴趣也是可以 align 的"，且他明确指出这个周期普遍存在——"不管是 Google 不管是 Meta，都是有这样一个过程"，上行期给自由度，下沉期就收缩。

二、技术路线：GAN → diffusion → 单一世界模型

  • 为什么放弃 GAN（[00:56:25]–[00:59:29]）：他一直担心 GAN 不 scalable，专门找实习生做 scale GAN 的课题——余家辉（现 Meta）试过给每个 GPU 放一个权重不同的 Discriminator，Jeremy Bernstein（后来 Muon optimizer 的发明者）试过从算法上稳定训练。"这两个最后方向最后都没有成功"，但两人各自做出了重要工作。2021 年他跟团队宣布不做 GAN 了，转向 diffusion——理由就一句："不 scalable 的东西最后做不远。"
  • ⚠️ 他把这条上升为个人判据（[00:55:24]）：deep learning 时代的教训是不要 handcraft feature，"所以就常跟自己讲，你在做选择的时候，要找更加 scalable 的"——即 bitter lesson。
  • 一个 2016–2017 年的旧预测（[00:53:21]）：他当年就跟朋友说第一个产生突破的 AI 领域会是 language，理由是"影像的讯号太多杂讯……text 已经很纯净，比较接近 symbol"。但他自己喜欢视觉信号，所以留在了视觉生成这一侧。
  • Cosmos 3 的双塔设计（[02:08:41]–[02:09:42]）：一塔处理离散（understanding，源自 Cosmos Reason 的 vision-language model），一塔处理连续（generation）。⚠️ 他给的首要理由不是性能而是客户可用性——两塔可以把梯度影响切开：客户想只用自己领域的 video-action pair 做 post-training 时，不会把 understanding 那侧的能力冲掉。他坦承"它相对起来还是不够 elegant"，并直接预告下一步目标是回到单塔，但"我们要考虑到这些使用者是不是容易用上它"。
  • 模态之间是互补的，有实验依据（[02:04:39]–[02:06:41]）：在 Cosmos Policy 的工作里发现同时预测 action 与 action 之后的 observation 会帮助 action 训练；声音帮助视频生成（"当你知道'咔'一声碰到的点，你就知道接触的时间是那个点"）；文字描述越详尽越容易生成好视频。
  • ⚠️ 他被追问"secret sauce 是什么"时的回答（[02:07:41]）："其实做大模型没有什么 secret sauce。做严格的实验、假设实验、看到结果、累积知识，再做下个实验……我不觉得有什么不可告人的秘密。" 与之配套的是他的另一个比喻——"deep learning 就很像中医一样，就是试出来的"（[02:16:48]、[03:19:10]），关键在于做详细的实验记录、控制变数。
  • ⚠️ 迭代速度 > 算法，且明确受 DeepSeek 影响（[01:51:26]、[03:30:28]）：做 Cosmos 时他强调迭代要快，"我那时候深受 DeepSeek 的影响，因为 DeepSeek 是很惊人的公司，它可以一年内迭代三次"。他的排序是："如果一个问题可以用 data 解，你就用 data 解就好，不用开发算法，因为 data 简单多了"，而支撑快速迭代的是强大的 infrastructure。

三、世界模型：定义、定位与 Cosmos 3

  • 他拒绝给世界模型下统一定义（[01:44:20]–[01:48:22]）："我是个很讲究实用性的人……因为用途不同，所以你 model 这个世界的方式不一样。" 用途至少四类：预测、理解（解释工厂产线为什么卡住）、三维重建、以及作为 policy 的基座。他把这场定义之争类比成 AGI："我认为去定义 World Model，很可能会走向同样的道路。我觉得这不是很重要的一件事情。"
  • Cosmos 的自我定位是 world foundation model（[01:48:22]）："我们希望我们是一个更底层的东西……不是每一个想从事 Physical AI 的公司，都有足够多的资源去做自己要的世界模型。"
  • 黑客帝国愿景的三个落点（[01:37:16]–[01:40:18]）：给 Physical AI 提供 ① 更好的数据（生成真实世界采集不到的数据）、② 更好的起始点（世界模型的 representation 可以衍生出 policy）、③ 更好的环境（同时产生多个可交互的真实环境）。⚠️ 他自己指出第三个最难、且"还没发生"（[03:25:20]），短期真正管用的是前两个。
  • 为什么选 Physical AI 而不是内容创作（[01:43:19]–[01:44:20]）：Cosmos 这个名字是 Jensen 定的，而名字反映定位——"我们目标就不是产生 content，不是为了要做创作，是为了要解物理世界的问题"；另一层理由是 NVIDIA 走 developer market，"我们自己不会经营一个社群网站，也不会去经营一个创作工具，这有点太 to C 了"。刚需侧的论证是老龄化、劳动力短缺与危险作业（[00:26:42]）。
  • Cosmos 3 的合并决策（[01:53:27]–[01:56:29]）：从"我预计需要 22 个模型"到单一模型，两条理由——同一个世界 + foundation model 纳百川，加上执行成本（"只要每个模型出来，我们就要维护、要解决问题……备多则力寡"）。3 从 2025-10 开始做，做了半年多（[01:56:29]）。
  • 数据侧的关键选择：ego-centric（[02:24:56]–[02:25:56]）：因为服务的每个机器人都不一样，只能找最通用的东西。navigation 数据相对好做（都是空间位移），manipulation 复杂；而行业正在收敛到接近人手的机械手，论点是"人类的世界是建出来给人类用的"、且采集数据的是人。所以 Cosmos 3 特地加入了第一人称视角 + 人手操作物件的数据。
  • ⚠️ 他对"Cosmos 3 创新不多、只是工程验证"这一评价的正面回应（[01:57:32]–[01:58:33]）：主持人转述一位中国世界模型创业者读了一周论文后的评价。他没有反驳工程性的定性，而是重新定义了标准——"Mixture Transformer 之前也有人提出，Policy Model 之前也有人提出，我们是第一个把这个 Mixture Transformer scale 到这么大的模型，把 audio video action 都合在一起"；随后是本页最该被引用的一句："所有的这些大语言模型都是 Transformer 架构，你可以讲大家都没有创新，但是它的那些细节会让某些模型比另外一些模型好很多……我越来越不重视这些东西是不是一个革命性的原创。对我来讲，它有用、产生 impact、解掉大家想解掉的问题，是它的重点。"
  • 满意与遗憾（[02:26:58]–[02:28:00]）：满意的是"把过去的所有模型合在一起，还会做得比全部之前的模型都要好——那时候很多人不相信"；遗憾的是时间限制下模型没有完全收敛就必须推出。
  • 评测方法（[02:22:53]–[02:23:54]）：三步——benchmark / arena style A-B / 跟着真正有痛点的 expert 去解问题。⚠️ 他强调在 Physical AI 里第三种特别重要，因为"每个 Coding Agent 大家都在解 Coding 的问题，但 Physical AI 每个要解的问题又不太一样"。
  • 算力规模（[02:19:51]）：不便讲具体卡数，但"我们希望我们已经在万级了"。
  • Cosmos vs Nemotron 的架构分叉（[02:30:01]）：Nemotron 走 hybrid 架构（部分层是 Mamba style，接近 RNN），理由是 agent 要产大量 token、推理成本敏感；Cosmos 走比较传统的 Transformer，再走到 Mamba Transformer 并把 action 加进去。两队紧密合作（Cosmos 3 论文有不少作者来自 Nemotron）。

四、开源立场与生态观

  • 为什么开源（[00:22:41]、[01:58:33]–[01:59:35]）：他的表述是"这世界上如果每个想有抱负、有理想的人，都有这个工具，可以做出他们想做的事情，这世界会是一个更好的世界"；操作上不只开源模型，还开源训练框架和部分合成数据——⚠️ 并且明确对照了当下："我们这几年看到的现象就是这些 Frontier Lab 很多都走向闭源，即使写 paper 也不愿意讲出那些关键的环节。我们决定走不一样的道路。" 他补了一句："我不担心别人可以做出一模一样的东西。"
  • 与 DeepSeek 的关系（[01:59:35]）：不算直接因果，但称 DeepSeek "第一个把 MoE 开源的公司"、"它的用心把这个逼到极致"，影响深远，"从这影响的角度来看，我觉得是相通的"。
  • 对"你们是不是竞争对手"的连续回避与解释（[01:49:24]–[01:51:26]、[02:42:17]–[02:43:17]）：NVIDIA 同时投资了 Yann LeCun 的 AMI Labs 与 Fei-Fei Li 的 World Labs，他的定位是 enabler——"凡在我们的 GPU 的 ecosystem 上建立的公司，我们希望帮助他们成功"。⚠️ 他对同行的喊话很直接："如果说你用我们做出比我们更好的模型，这模型也是开源的……所以你就比我们好，我们也觉得这是一件好事。" 面对"英伟达又想来卖我卡了"的反诘，他的回答是"对，那你需要做运算嘛"（[02:43:17]）。
  • ⚠️ low ego 是自信而非姿态（[03:02:50]）：被直接追问"这真的 low ego 还是一种隐藏"时——"我觉得是一种 confidence，是一种自信……我对我自己做的东西要求很高，但我的目标并不是击败对手。" 他把这归因于 Jensen 的影响，并给了研究员为什么天然 high ego 的解释：论文要被接收就得 state-of-the-art，而 state-of-the-art 代表你要击败所有的人。他现在的表述是："具备做 number one 模型的能力，但是做出对这个世界贡献最大的事情。"（[03:11:04]）

五、模型竞赛与产业判断

  • ⚠️ 对 exponential growth 叙事的正面否定（[01:17:45]）：见"概要"第 1 条。他的理由链是：人会流动 → knowhow 会扩散 → 一家独大不是稳定态。
  • 能力趋同之后大家竞争什么（[01:18:45]）：大公司比生态整合（他举 Gemini 与 Google Doc/Search 的一整套平台）；创业公司比"走大公司不能走的问题"——他引《创新者的窘境》，并给出 NVIDIA 自己的门槛："对 Nvidia 来讲，任何生意只要是小于一个 billion 就没有兴趣去做。"
  • ⚠️ 对创业者的具体劝告（[01:19:47]）："你如果现在开一家公司，要跟 OpenAI 和 Anthropic 做一样的事情，很危险……你要去解一些痛点，是他们没办法去解的——不是他们不想解，是他们没办法去解，他们不能 justify 为什么要去解这件事情。" 他用 Anthropic 当正例：早期被认为落后 OpenAI，但它是最早相信 Coding 的，OpenAI 在做分散式投资时 Anthropic 做集中式投资。
  • 对当下 Coding Agent 同质化的判断（[01:20:47]）："同质化竞争是很辛苦的一件事情。我觉得他们做这件事情可能是被迫的，因为这本身是一个重要的 technology，任何人都不希望自己核心科技是被掌握在别人的手里。但我不觉得这个是他们计划的全部。"
  • 他对 OpenAI 关掉 Sora 产品线的解读（[00:19:40]–[00:20:40]）：不是因为 Sora 不好，而是Anthropic 在 Coding Agent 上产生的经济效益构成了巨大竞争压力——他给的机制是 token 量："跟 ChatGPT 聊天可能一分钟就生成完了，Coding Agent 可以工作 24 小时、48 小时，这个 token 量非常的大。" 落点是孙子兵法"备多则力寡"（这句在全篇出现三次，是他的核心思维工具）。
  • 是不是每家公司都要训自己的大模型（[03:31:31]）："如果是 commodity，你需要建自己的电厂吗？" 早期电厂不充裕时自建可以保证 24 小时运行，现在不需要了——"就是看合不合经济效用"。
  • 模型公司上市的影响（[03:17:09]）："2026 年会是巨变的一年"，会产生很多富翁、旧金山房价在快速飙涨；他认为这是对早期相信 deep learning 的人远见与决心的认同，"完全值得"，但"100 年前强盛的公司跟现在强盛的公司是完全不一样"。
  • ⚠️ 不必神话模型公司（[03:19:10]）："我把它当成中医啊，就是一个 black box，这么多人不同尝试，最后就是一套学问……关键是你要拿它干什么。"
  • 落后两三年的新公司还有机会吗（[03:20:11]）：有——"我是觉得会有一段时间大家会觉得算力不够，我觉得算力慢慢就会起来"。他点名 Kimi 与 MiMo 都算比较晚出来的。

六、Physical AI 的时间表与形态

  • ChatGPT moment 的定义与判据（[02:37:03]、[03:23:16]）：他先把 GPT moment（东西可以 scale）与 ChatGPT moment（大家清楚看到这对生活会产生什么变化）区分开，再给出物理侧的判据——人示范一两次，机器人就地学会。他明确说那个时刻的应用当时可能还不赚钱（"ChatGPT 刚出来的时候是赔钱的"），但趋势会被看见。
  • 人形机器人（[02:38:03]–[02:39:09]）：优势是能利用大量人的数据；但越像人复杂度越高，很多人在做轮式底盘 + 人形上半身。他的判断是人形终究是关键，但"多像人形"大家都在试，"最终可能就是全人形是最适合各式各样的操作，因为人类的环境就是设计给全人形的"，⚠️ 但关键还是营运成本、经济效益最高，"这就超乎我的专长，我其实不知道"。
  • ⚠️ 对谭捷"2035–2036 是人形机器人拐点"预测的回应（[02:39:09]）："哦，是吗？我希望早一点，但我不确定。" ——本库把这条作为同一预测在不同从业者处的回声记录。
  • 泛化是核心问题（[03:24:18]）：在 Physical AI 里的具体形式是"怎样从有限的讯号里面，学到需要的操作，应用在一个没有看过的场景里面"，即 observation-action pair 的泛化。
  • sim-to-real gap 也是泛化问题（[03:25:20]）：短期管用的是 better data 与 better starting point——"你拿一个懂这个世界的 physics 去预测 physics……也不能说真的懂 physics，但抓到那个模式"，其 prior 更适合泛化。
  • 市场规模（[02:22:53] 前后、[03:33:31]）：他不便代表公司估值，但机制上给了一条——"现在家家户户都没有机器人，但如果有机器人的话，我家可能会买两三个。那每个机器人都需要算力，等于整个世界对算力的需求会大幅的成长。"

七、NVIDIA 的组织与 Jensen（本页最独家的一节）

  • 不裁员，且给出了代价（[02:50:27]–[02:53:37]）：疫情时经济不好、很多公司裁员，NVIDIA 的会议上决定砍的是 travel，并讨论是不是可以不用 Slack（"反正我们有 email"）、两三个 cloud 是不是可以取消一个。他在英伟达期间没听到任何裁员消息，也没有末位淘汰。⚠️ 优点：员工敢讲真话、愿意合作，"当没有所谓的末位淘汰的时候，大家也不会真的这么担心被淘汰而强出头；在一个全部都强出头的地方，反而不容易促成团结合作"。⚠️ 缺点他自己说了：技术换代时员工需要时间学新东西，"如果你直接 lay off 再 hire 新的一批人，你可能可以直接 hire 到一些已经会这些东西的人，所以这些经由转型做起来是会比较慢一点"。
  • 不赛马 + torture you to greatness（[02:55:42]、[03:07:56]）："你去 take 这个 mission，我们就相信你，但我们一起是给你很高的 bar"；Jensen 的原话是 torture everybody to greatness。他对这件事的评价很具体："你愿意花时间去 torture 别人，这是件不容易的事情……你自己心里也要产生很大的负担。"
  • mission is the boss + top-5 email（[02:59:48]–[03:00:49]）：top-5 email（每人写自己最重要的五件事）让公司各处的微小讯号扩散出去，"可以看到很多两个团队在做一模一样的东西"；mission is the boss 让公司像有机体而非固定框架——"当公司要走向这个方向的时候，各种不同组织的团队但有相对的技能，就会自动 align……Cosmos 就是这样子一个案例"。⚠️ 他点名苹果可能是反例（追求资讯透明 vs 不透明）。
  • Jensen 的决策法则（[01:28:59]–[01:31:05]）：first principle + prioritization。他的推想是 Jensen 靠每天强迫自己读大量 email、快速判断什么重要什么不重要来练这个能力，"看清楚之后接下来都是执行，而很多人执行的时候会把自己的个人情感放在里面"。他还引了一条计算机科学的隐喻："Computer Science 最重要的一件事情就是懒惰——不用算的东西不要算，可以晚点算的东西晚点算，可以直接 ignore 就全部 ignore。"
  • ⚠️ "每天都觉得公司只剩下 30 天的现金流"（[00:02:12]、[02:51:31]）：这句被剪进片头，他确认 Jensen 每次开会都这样提醒自己，目的是"要求自己做出对公司最正确的决定"。
  • zero-billion-dollar business（[00:28:45]、[03:33:31]–[03:34:31]）："你可以是不赚钱，但当这个生意成功的时候，必须是很 influential 的，是很巨大的。" 他把这条与"造市场，而不是在存量竞争"连起来——"CUDA 就是造市场，造出了现在的 AI 的市场。我们想的是怎么造出下一个大的市场。" ⚠️ 关于风险他的表述是反的："你不这么做……你做这件事情很 risky，你不做这件事情更加 risky"——不做就渐渐变 commodity。
  • ⚠️ Cosmos 97（[00:01:11]、[01:36:15]–[01:37:16]、[02:29:00]）：做完 Cosmos 1 时问 Jensen 要不要继续，Jensen 说"你就做到 Cosmos 97"。刘洺堉的解读不是字面数字（"他是随口说说的"）而是决心与 commitment；他自己算了一下："你看我们如果每半年一代的话，还要四十几年"，但补了句"也许不需要到四十几年"。
  • ⚠️ 他最记得的一句 Jensen 的批评（[03:08:58]）：他在会上说竞品用的 setting 不公平，所以自家表现不如预期。Jensen 回："Are you a quiet baby？这世界上没有什么是公平的。" 他的领会是——写论文可以说 setting 不同不能比，但你的目标如果是解决问题，就该去创造解决问题所需的条件，"没有这条件，你就想办法拿到"。"我后来就不再找理由了。"
  • 对 Jensen 的整体形容（[03:06:55]）："我们叫他六边形战士"——会上能深到 register 级的计算机架构细节，同时能教大家怎么做 marketing、怎么定价、怎么处理客户关系。
  • 他自己的作息与团队运作（[02:34:01]–[02:35:01]、[02:58:43]）：4–5 点起床（运动、武术、ice plunge），10 点左右睡；一周开十次以上会；管 200–300 人的核心矛盾被他讲成一个组织架构命题——"你希望所有人目标一致，但你又希望所有人可以自主做决定。" 只有他能决定 data 比例和架构的话"这个模型就不会成功，因为我的知识有限、我的时间有限"；反过来目标不一致就会发散甚至赛马。方法是资讯透明 + 提供容错空间（"当一个人害怕他决定错误的时候，他是不会做决定的"），以及先把成品的样子讲给所有 leader 听——"就像你在罚球之前，你都会想象这个球空心落网。"
  • ⚠️ 对"OpenAI 自下而上 / Anthropic 自上而下"的回应（[02:36:01]）："我们是都有……天下分久必合，合久必分，物极必反。"
  • 他保留研究员身份的方式（[01:25:57]）："我可能是少数还继续在看 code 的 VP"，会 review 代码、读论文、challenge 每个人的 idea——理由不是要亲自实现，而是"我如果不做这些东西的话，我自己会不理解痛点在哪里"。

八、对中国与中美对照的看法

  • 对中国模型的评价（[03:14:07]）："非常的 impressive"，逐一点名 DeepSeek、千问、豆包、MiniMax、Kimi、MiMo、混元、智谱。
  • ⚠️ 他给出的一条中美结构性差异，本库此前没有（[03:14:07]–[03:15:09]）：美国的 Frontier Lab 现在很少招实习生，很多 knowhow 和科研结果只留在自己内部实验室；中国这些公司招收很多实习生，帮助把 knowhow 传递出去。 他把这称作知识的 diffusion，并明确定性为"对人类整个知识扩增……是一件好事"。这与他自己的方法论一致——他反复讲 "研究的茂盛程度应该是根据 idea 多快从一个人的脑袋流到另外一个人脑袋去"（[00:01:11]、[01:01:31]），并说自己走业界这条路，idea 的多样性靠实习生补（[01:01:31]）。
  • 对"硅谷已经被 LLM 催眠了"（谢赛宁语）的回应（[03:15:09]–[03:16:09]）：不认可"催眠"这个说法。理由是①最领先的公司确实是从 LLM 出发的，而且"我现在已经不知道没有 Coding Agent 我要怎么过下去"；②"你很难想象一个人、就这么聪明的人，一辈子就只做 LLM"，当一个东西被充分理解，大家自然会找新的突破。⚠️ 他留了半句保留："我知道领域里面有些人是把学术变成信仰"。
  • 中美机器人产业对比（[03:22:13]）：美国做本体的公司很少——就 Tesla 和 Figure AI；中国"好多家公司在做这个本体"。他的分析是做本体能控制模型与软硬体整合，操作空间更大，而中国强大的制造业构成优势条件，"可以让这些公司做一些在美国不容易做到的事情"。⚠️ 被追问美国是不是不够重视硬件时他很谨慎："可能是错的，也很难说……如果说这种软硬体整合是一个机器人的一个趋势，那没有硬件当然是处于被动状态。"
  • 他每年来中国 2–3 次（[00:03:13]），目的是理解 Physical AI 开发者的痛点；这次的观察是灵巧手方向进展非常快。

九、其它值得单记的

  • 武术与自我锻炼（[01:33:09]–[01:35:10]）：18 岁起练中国功夫（师承徐纪，其师刘云樵，再上溯李书文一系的八极拳、劈挂掌），起点是金庸小说。⚠️ 他自己给出了与研究方法的连接：打拳要把力量从脚一路协调到手，"你要经由不断的练习、不断的自我修改"——"这个跟我喜欢一直自我检讨、一直追求，都有很深的原影响"；并强调"我学武术的目标不是为了打架"。另有 ice plunge 的习惯。
  • ⚠️ 对"机器人觉醒"的回答（[02:41:14]）：他先说黑客帝国只是为了帮大家具象化。对 take over 的担忧，他的回答分两层——①"这个社会是人去建立的，这些科技是人在背后操作，我觉得只要大家是有共识，这件事情不会发生"；②更哲学的一层："pain 跟 suffering 是一种驱动人去进步的一个重要的关键。我不是很确定这些 silicon 做成的 intelligence 是不是有同样的 pain 跟 suffering，我心里是存疑的。" 他同时承认需要做相应的 guardrail。本库标注：这是一条直觉性表述，没有给出论证或证据。
  • 给年轻研究员的建议（[03:28:22]）："不要紧张"——针对的正是"会不会明年 AI 就结束了、AI 自训练了"这种焦虑。"冷静下来，看清楚什么地方是值得你投入精力，不要被这些大家的宣传，觉得好像自己路越走越窄。" 他认为现在进 Physical AI 是好时机。
  • 他希望被历史怎么记（[03:26:20]）："不要讲我吧，我觉得就是讲 Cosmos 吧"——希望 Cosmos 是帮助几家重要 Physical AI builder 达到 ChatGPT moment 的推手。

与本库其它观点的关系

  • 与 Jensen Huang 在 Lex 那期 的关系是"同一套世界观的两个层级"：Jensen 讲 install base、四条 scaling laws、token 工厂；刘洺堉讲的是同一套逻辑在研究组织内部怎么落地——怎么要到 GPU、怎么被 prioritization 训练、mission is the boss 怎么让 Cosmos 这种跨组项目自动聚人。⚠️ 但有一处值得并列的张力：Jensen 的"智能只随算力 scale"与刘洺堉的"模型能力会收敛、靠模型自己不会是区分"并不完全同调——前者讲能力上限，后者讲竞争格局，本库不裁决二者是否冲突，但认为读者应同时看到。
  • ⚠️ 与本库所有"winner-take-all / 指数起飞"叙事的直接对立：他的"历史上从来没有一家公司掌握所有科技"（[01:17:45]）与 Ryan Greenblatt 的 RSI 论证 是同一时期两条正相反的判断，且证据类型不同——一边是能力外推，一边是人员流动导致 knowhow 扩散的社会学论证。这条与 Garry Tan 的"20 年 white pill" 属于同一阵营的不同理由（Garry 的瓶颈是组织带宽，刘的瓶颈是知识不可垄断）。
  • 与 沈宇军 / 蚂蚁灵波的"具身原生"：沈宇军主张具身不在数字世界的延长线上；刘洺堉的"action 必须是 first class citizen"是同一主张的架构版本，且他给了具体做法（三塔合一 + ego-centric 数据）。这两条应互相引用。
  • 与 Fei-Fei Li / World Labs 的空间智能：他直接谈到 NVIDIA 同时投资 World Labs 与 AMI，且定位为基座提供方而非竞争方（[01:49:24]）。本库此前收录的世界模型讨论都来自"做世界模型的公司"，这是第一次从"给做世界模型的公司提供 foundation"的位置发言。
  • 与 柯丽一鸣 / Physical Intelligence 和 何小鹏：三者拼出"模型层 / 机器人公司 / 整机量产"三个位置对 Physical AI 时间表的看法。刘洺堉的独特处在于他拒绝对形态与时间下注（"我也不需要做选择，我就是聆听他们的声音"）。
  • 与 游凯超 / vLLM、Simon Mo 的开源线：刘洺堉给的是芯片厂商侧的开源动机——不是理念也不是社区可持续性，而是生态成功即自己成功。这补上了本库开源条线上缺的一个位置。
  • 与 张小珺此前访谈中的杨植麟与谢赛宁观点 的三方对照（[02:01:37]–[02:04:39]，本页最有价值的一次交叉）：主持人把两条对立摆到桌上——杨植麟担心加入 Vision 会拉低语言模型智商（"傻的多模态"），谢赛宁担心语言对视觉的污染（"语言才是人类的脚手架，并不本质"）。刘洺堉的回答是拒绝在这条轴上站队，改问目的："我的目标不是去追求 AGI……当你定义的 AGI 就是纯粹要去了解人类的本质、或者去做 Coding 的时候，可能这些视觉信号会影响到你，那是必然的。" 他甚至部分同意谢赛宁的哲学版本——"遥远的古代是没有任何语言的……也许你就从视觉讯号里面直接去学世界怎么运作，得到一个 intelligence，然后发展出另外一个文明。那你从角度看，也许语言讯号是一种干扰。" 但因为他要的是能与人沟通、能改变世界状态的物理 AI 基座，所以三种模态都要。本库认为这是目前对"多模态是否互相污染"这一争论最清晰的一次拆解：它把一个技术争论还原成了目标函数之争。

⚠️ 本页应标注的限度

  • 数字与内部故事全部为自述，无外部验证：1000 张 A100、200–300 人团队、每天几百万美元算力成本、"万级"卡、Cosmos 3 论文 290 多位作者、"3 从 10 月开始做半年多"。
  • 人名与专名按中文字幕照录，其中可交叉验证的（Tim Brooks、余家辉、Jeremy Bernstein、Tero Karras、Rama Chellappa、Bill Dally、谢赛宁、杨植麟、谭捷）本库照记但未逐一核实拼写；Dwight（他现在的汇报对象、英伟达第一位软件工程师）、Greg Estelle（GauGAN 命名者）、Oncel Tuzel未核实。
  • 该期是中文原声、英文配音版的 zh-Hans 人工字幕。人工字幕质量明显好于本库多数自动字幕，但仍存在少量重复句（如 [02:02:37] 同一问题被记录两遍）与断句问题，本页引用时按语义整理，不改动 sources/ 中的原文。
  • 锚点密度约 60–68 秒一个，本页所有 [HH:MM:SS] 均为转录稿中真实存在的行首锚点，标注的是约一分钟的文本块，不代表秒级精度。