新一轮资本狂潮：中国Neo Labs的崛起

2026年，中国也涌现出一批新型实验室（Neo Labs），其特征与此前欧美兴起的浪潮高度相似：研究背景扎实、团队年轻化、多为首次创业，且在尚无产品阶段即可获得数亿美元估值的早期融资。这些实验室的诞生者，多为高校教师或顶尖高校（如清华、北大）的博士生，他们正迅速成为一级市场的追逐对象。当前资本涌入最活跃的两个方向是世界模型（World Models）与Auto Research（即AI for AI）——即用AI技术反哺AI自身的研发流程，形成闭环迭代。

这一现象背后，是资本对前沿科学工程化落地效率的极致追求。访谈中，刘子鸣用“太疯狂了”形容当前的融资节奏：一级市场已进入高度制度化、标准化的状态，项目方与投资方彼此打探消息，投资决策周期被压缩至极短，动作极快、容错极低。

“但但反正不管是 AI for Science 还是世界模型，还是这个 AI for AI，我觉得都是一个就一级市场是一个非常 formal 的一个状态。确实就是说大家都在这个相互打探消息，然后大家都投项目的动作就就都非常的快。”

“我用‘太疯狂了’来形容这股新的资本潮。”

从物理到AI：一场方法论的迁徙

刘子鸣的学术轨迹颇具代表性：本科就读于北京大学物理学院，后赴MIT攻读博士，师从著名物理学家、AI伦理与机制可解释性先驱Max Tegmark。他坦言，最初被物理吸引，是因其“智力上的挑战性与内在美感”；但随着学习深入，逐渐感受到高能物理领域“盛宴已过”——留给年轻人的开放性问题日益稀少。与此同时，2017年生成对抗网络（GAN）的爆发点燃了他的兴趣：GAN在数学上并不晦涩，却能产出极具表现力的结果，这种“低门槛进入、高上限产出”的特性，与他当时被理论与实验双重打击的困境形成鲜明对比。

他早期的研究聚焦于AI for Physics，尤其在高能现象学（high energy phenomenology）领域——这一方向本身即为理论与实验之间的“桥梁型研究”，强调建模与数据的协同。但2022年ChatGPT的出现成为关键转折点：物理领域缺乏同等“sexy”的突破性工具，促使他转向Physics for AI / Physics of AI——即用物理学的方法论反向解构与设计AI系统，例如通过守恒律、对称性、相变等思想理解大模型行为。

“所以我就把这个AI跟物理的这个角色给它换了一个位置。就是不再是这个 AI for physics，而是 physics for AI，更具体的就是 physics of AI，这个 AI 的物理学，就是我要用这种物理学的这种方法论，用物理学的这种思想去帮助我们更好的去理解 AI 和设计 AI。”

机制可解释性：一场被‘鸟人’推动的范式革命

2022年底，Max Tegmark在组内果断提出转向机制可解释性（Mechanistic Interpretability）——即试图从神经网络内部的计算机制层面，还原其决策逻辑，而非仅依赖黑盒评估。这一方向后来被唐杰等学者列为国家重大科研方向，并成为Anthropic等公司的核心研发路径。

刘子鸣的博士工作与此高度相关：他独立开发的看的网络（KAN, Kolmogorov–Arnold Networks），正是对1989年Tomasz Porzel所引Komogorov–Arnold定理的工程化突破。该定理曾因“最坏情况不可实现”被弃置，但刘子鸣以物理学者的实用主义乐观主义切入：“All models are wrong, but some are useful”——只要在典型场景中有效，即具价值。他两周内完成原型，一周内完成可视化（彼时仍需手写代码），最终打动Max：“this is awesome”。这一过程也折射出其学术风格：跨领域迁移能力极强、重视直觉与结构相似性、偏好高维抽象建模。

他与Max均被归为Freeman Dyson所言的“鸟人”——能俯瞰多领域、捕捉结构性类比，并将方法跨域搬运；而不同于Max的ENTP外向特质，刘子鸣更倾向INTJ/TP，但坦言“研究与生活本就不在掌控之中”，逐渐接纳不确定性，反而更贴近“鸟人”的本质：在混沌中寻找可复用的秩序。

“By the way，看其实是我自己的一个 side project，就是一开始 Max 还不同意我做这个项目。但是后面我大概做了两周，做出了一点初步的成果，然后他说哦，这个东西还有点意思，那你就接着去干吧。”

可视化说服Max：从视觉直觉到机制可解释性

刘子鸣回忆起早期在MIT与Max Tegmark合作的经历时提到，他花了整整一周时间，一行一行手搓代码完成了一个神经网络内部结构的可视化工具——彼时（2022年前后）“coding agent”尚未成熟，效率远不如今天。但正是这周的投入，带来了关键突破：Max作为典型的“视觉动物”，一旦看到结构图，便立刻被说服。他惊叹道：“哇，这个东西太有趣了，我们居然能够看到这个网络它的脑子里面到底在想什么，而不仅仅是说它最后端到端它的这个预测是什么。” 这一经历强化了刘子鸣的核心信念：机制的可解释性必须建立在可视觉化的基础之上，否则人类难以建立信任与直觉。

“Max是一个超级的视觉动物，其实我也是，就是我一定要看到一个东西，我才会相信它。”

“我一定要看到一个东西，我才会相信它。我如果不看到一个东西，我就总觉得很难受，就是我脑子里有个图像，我没办法把它倒出来，我就会很难受。”

神经-符号统一的执念：从量子类比到数学回响

刘子鸣坦言，自己长期受物理训练影响，对AI与物理学在哲学层面的巨大鸿沟深感不安：AI以连接主义（神经）为根基，而物理以符号主义为骨架。这种割裂促使他早在2021年便开始思考——能否构造一个兼具神经网络与符号系统双重属性的模型？他将这一构想类比为量子物理中的波粒二象性：一个实体，两种表征。

基于此，他推导出一个数学表达式；数日后才得知，该公式竟与1957年Kolmogorov与Arnold提出的KAM定理（Kolmogorov–Arnold representation theorem） 高度一致——该定理证明了此类表征具备万能逼近能力，为他的直觉提供了坚实的理论背书。这一“后知后觉”的发现，不仅验证了其科学直觉的正确性，也标志着他将执念从哲学思辨推进至可计算、可验证的科学路径。

“我写出来的这个方程其实就是一九五七年科莫戈罗夫和Arnold写出来的那个方程。”

“我是从另一个角度……从神经网络和符号公式玻璃二向性的这样的一个角度，我写出来这个公式。”

AI for AI：从经验试错到‘设计的科学’

在CAN模型成功后，刘子鸣并未止步于应用拓展，而是转向更深层的问题：如何系统化、可复现地设计新架构？ 他批评当前AI模型（如Transformer、ResNet）多为“拍脑袋”产物，缺乏科学指导，导致发展路径不可扩展、高度依赖试错与算力。他由此提出“physics of AI”（AI的物理学）构想——将模型设计本身升华为一门可量化、可预测、可自动化的新科学。

这一理念进一步催生了他参与创办的项目A F A I（AI for AI，但定义更广）：其目标不仅是用AI写论文或优化pipeline，而是将顶尖AI研究员的思维模式“蒸馏”为可复现、可扩展的自动化设计系统，甚至超越人类当前能力。他强调，真正的AI for AI必须闭环：从神经（AI）→ 符号（理论建模）→ 神经（新模型生成），而非在神经内部循环。

“设计模型本身应该是一门科学，它不应该是像我们现在这样，transformer拍脑袋拍出来的……这个就非常的不 scalable。”

“我是想用自动化的方式去做AI的物理学，就是用AI来辅助我们更快的去理解AI本身，然后这个事情最后又能够闭环到不仅仅是理解，而是去提升AI。”

AI物理学的幻灭与再出发

当前AI研究仍处于极早期阶段，远未达到“AI的牛顿时代”，甚至可能连“伽利略时代”都尚未真正抵达。我们依赖的scaling law等经验规律，其地位类似于开普勒定律——描述现象却未触及本质。当前最大的问题在于：研究者过度聚焦于Transformer架构，过早收敛，丧失了探索其他模型架构的动机，仿佛伽利略只盯着一片星空而忽视了整片宇宙。因此，我们目前的数据和实验，其实仅对极少数模型有效，还远未进入“大数据时代”。

刘子鸣坦言，自己早年在MIT时深信“AI物理学”可期——即通过第一性原理推导出最优模型架构，仅靠几个聪明头脑，五年内即可完成理论构建。这种信念源于MIT学术文化中对理性推导与第一性原理的信仰：我们不是在试错中摸索，而是在理论指导下设计。但随着实践深入，他逐渐意识到：若仅靠传统科研路径（如“招一百个学生慢慢推”），AI物理学的实现周期可能远超个人生命周期，不可扩展。因此，他选择创业，以期“scale insight”——将学术界的深度理解与工业界的工程能力结合，让理论洞察真正驱动模型演进。

我们现在可能连伽利略时代都还没到，可能连大数据的时代都没到。

我现在意识到，如果还是靠我们古法科研……最多我说我招一百个学生，但是我仍然觉得这个不是特别 scalable 的一个方向。

从孔乙己长衫到创业实践者

刘子鸣坦言，自己早年在MIT时心态是典型的“脱不下孔乙己的长衫”——坚信学术界高于工业界，甚至认为湾区AI创业是“骗钱”。他原计划留在学界，做出有影响力的工作，拒绝与工业界“同流合污”。但仅在斯坦福待了六个月，他的认知便被彻底刷新。身边朋友（如高文浩）迅速转向创业，让他开始反思：是否自己过于保守？是否困在舒适区？

更关键的是，他亲历了导师Andreas Toulis——一位纯粹科学家——从学术研究转向创业的过程。Toulis组建New Lab，聚焦neuroscience for AI，目标是用生物神经机制约束人工模型。尽管投资人承诺“三年不考虑商业化”，但现实是：实验周期不可压缩（如养猴子、采数据），唯有通过公司机制才能保障长期投入。这一转变让刘子鸣意识到：学术理想与工程现实并非对立，而是可协同演进。

他让你受到刺激的是什么呢？就是在你们吃饭的过程中，我觉得主要还是就是你特别相信你的 peer……当你看到和你风格很像的 peer，他做出一些你之前觉得很危险、你之前觉得你做不到的事情的时候，你就会去想，是不是我不够激进，是不是我太在舒适区里面了？

为什么？嗯。这我觉得我们的路线也不太一样……它的 DNA 得是你的这个方案，是的，得是这个原生的想法。

Neo Labs 涌现的本质：范式跃迁前夜的人才分流

2024年起，中美两地密集涌现“Neo Labs”，其背后本质是顶尖人才对范式选择的集体再校准。当前AI面临的核心瓶颈是：缺乏抽象能力——无论架构如何迭代（Transformer、VLA、世界模型），模型仍难以自主构建高阶抽象。因此，下一代突破未必是“另一个Transformer”，而更可能是新范式（如AI for Research、Neuroscience-inspired AI）。

刘子鸣指出，AI for Coding的成功，自然引出“AI for Research”的下一阶段。但研究与编码有本质差异：研究非结构化、低数据密度、强依赖直觉与品味，无法简单复用现有范式。正因如此，大量人才不愿在大厂做“大头兵”，转而选择自主创业，探索“下一个transformer”——哪怕它不叫transformer。Neo Labs的兴起，实则是AI进入“范式收敛前夜”的标志：旧路径红利渐尽，新路径尚未清晰，而最敏锐的头脑正试图在混沌中定义方向。

对于一些方向是还是需要一些 research，它并不是完全已经路径清晰的事情。

我的路线也不太一样……它的 DNA 得是你的这个方案，是的，得是这个原生的想法。

从AI for Coding到AI for Research：结构化科研的必要性

当前AI在编程领域的成功（如Coding Agent）建立在两个关键前提之上：高度结构化的任务与高质量、大规模的数据集（如GitHub）。相比之下，科研本身尚未被结构化、标准化或规模化——我们仍频繁使用“研究直觉”“研究品味”等模糊表述，恰恰说明科研过程仍处于一种非结构化的混沌状态。

要实现真正的AI for Research，第一步必须是将科研流程结构化。作者提出了一套名为 OPHIS 的框架（Observation–Problem–Hypothesis–Intervention–Speed up），主张每篇研究都应按此闭环逻辑组织：从现象观测出发，识别系统问题，提出假设，设计干预实验，并评估对训练效果的提升。这套方法论并非要求研究者线性执行，而是为非线性但可追溯的思维链提供统一表达语言。

“所有的research paper都应该按照这种结构去对它进行结构化。”

“一旦我们有了这个research的语言之后，我们就可以像训大语言模型一样，我们训一个research language的一个language model。”

当科研语言被形式化，我们便能训练一个Research Language Model，从而实现研究能力的自动化与规模化——这正是AI for AI的核心愿景：训练一个能自主做研究的AI研究员。

Neo Labs兴起的底层逻辑：突破主流范式的瓶颈

Neo Labs的爆发，本质上是对当前主流AI研发范式痛点的回应：一方面，研究者不愿做“大头兵”；另一方面，现有范式在若干关键方向上存在结构性盲区，例如Auto Research（AI for AI）与World Model（面向机器人的情境建模）。

作者指出，当前Coding Agent路线虽具“勤奋性”，却缺乏“聪明性”——它依赖海量试错，而AI for AI追求的是更高层次的智能推理能力：例如，用三次假设替代一百次无效迭代。这并非否定工程能力，而是强调从“行动力优先”转向“理解力优先”。

“我们是两个正交的方向，in the end最终我们会在某一个地方去对两个approach进行一个整合。”

与此同时，资本正快速涌入AI for Science（含AI for AI与World Model）赛道。一级市场呈现高度“正式化”特征：投资人彼此打探、项目融资节奏极快（种子轮→多轮叠加→无限续轮），形成一种“融资连续体”策略。作者三月回国、五月即启动融资，深切感受到这场资本狂潮的强度与效率。

元模型的诞生：一场人体实验引发的认知跃迁

作者的“元模型”构想源于一场持续60天的自我实验：每天随机选取模型与数据集进行训练，并在实验前预测训练曲线形态。初期预测准确率极低，但约40–50天后，其预测能力显著提升——不仅能预测语言任务，甚至能预测视觉任务的结果。

这一“人体 grok”现象让他确信：元模型（Meta Model）是存在的——其输入为模型架构、数据集、优化器等参数，输出为训练曲线。更关键的是，这种能力并非来自显式知识，而是一种难以言传的直觉性推理（可能涉及视觉化思维与潜意识模式识别）。

“因为我每天最多就做一个实验……但一个模型，它其实一个batch你就可以见到几千组东西。”

于是，他萌生了将自身认知外化为可扩展、可复现的元模型的动机：人类受限于带宽与生理极限，而AI可并行处理海量实验数据。哪怕元模型需更多样本才能达到同等“grok”效果，其计算成本也远低于人类数千年积累的试错成本。元模型，正是AI for AI的一条核心技术路径——它不是替代研究者，而是将研究者的直觉转化为可编程、可训练的智能体。

元模型：AI for AI 的核心路径

在与刘子鸣的对话中，元模型（Meta-Model）被定位为 AI for AI 的一条关键路径。其核心理念是将人类研究者的认知过程外化——即把“自己的脑子”从生物体中剥离，构建一个能持续观察实验、预测结果、不需睡眠或情绪干预的数字副本。刘子鸣提到，在他本人的自我实验中，约40–50次实验后即可观察到“grok”（即模型对任务的深层理解）迹象；而对抽象能力稍弱的元模型而言，可能需要400–500次，但计算资源的额外消耗在可接受范围内。

元模型的直接应用价值在于加速研究迭代：当面对上百个候选模型架构时，传统方式需逐一训练测试，成本极高；而元模型可通过一次前向推理，快速预测各架构的训练曲线（即“next curve”），从而实现事前排序与 promising idea 筛选。尽管最终仍需真实实验验证，但该机制显著压缩了无效尝试的试错空间。

“我想把自己给外化，我想把自己的脑子给外化。”

“元模型是 AI for AI 的一个技术路径。一旦你有了元模型，它可以做很多事情。”

从结构化数据到世界模型：短期务实路径

当前阶段，元模型项目尚未直接训练端到端的终极模型，而是聚焦于结构化科研过程。刘子鸣指出，现有AI论文中仅有约1%具备清晰的推理链（如朱泽元团队的“physics of arms”工作），而绝大多数论文仅呈现最终公式与结论，刻意隐藏了研究过程中的试错、直觉跳跃与决策逻辑——这种“思维链”的缺失，恰恰是构建AI for AI系统的关键瓶颈。

为此，团队正开发一套科研思维链采集系统，用于记录会议讨论、实验决策与反思总结。初步设想是：每位成员每日生成约10条高质量思维链记录，20人团队两个月即可积累万级样本。这些数据将用于训练一个个人化子模型（submodel），如“子明model”，它能模拟特定研究者的决策逻辑，在其缺席时提供同等水平的反馈。

值得注意的是，刘子鸣援引Rich Sutton的“苦涩教训”（Bitter Lesson）强调：短期需引入结构化先验（如明确的推理链建模），而长期目标仍是端到端的元模型。他将此路径类比为：短期是World Model（强结构、可解释），长期是VLA（Vision-Language-Action，端到端泛化）。尽管路径看似与主流趋势相反，但他认为核心在于构建AI物理学的知识库，而非产出论文本身。

“在生物上面有一个对应，叫做 Nothing in biology makes sense except in light of evolution。”

AI物理学：超越论文的知识积累

刘子鸣将项目终极目标定义为发现下一个模型架构——例如，让元模型预测出超越Transformer的新型结构，而非依赖人类直觉或偶然灵感。为此，他提出“AI物理学”的三重分析框架：

  • 空间维度：深入模型内部神经元与表征机制，进行“解剖式”分析；
  • 时间维度：追踪模型从初始化到收敛的演化路径，理解其动态学习过程；
  • 平行宇宙维度：通过多组不同初始化、超参或架构的实验并行，观察微小扰动如何导致结果分化，从而提炼普适规律。

他强调，论文只是知识溢出的副产品；第一性原理是拓展个体知识图谱，而写作仅是因认知容量有限而进行的外部dump。相比之下，系统性积累AI物理学insight（如架构设计的因果规律、训练动态的普适约束）才是核心目标。这也解释了为何其团队不追求“paper agent”，而是致力于构建一个能持续生成可复用洞见的AI研究基础设施。

“第一性原理就是研究的第一性原理是拓展自己的知识图谱。paper 只不过是说，当我的知识图谱足够大的时候，我溢出了……我就想把它给dump出来。”

进化视角与控制实验：AI研究的科学方法论

正如生物学中“Nothing makes sense except in light of evolution”所强调的，不从演化角度理解生物系统，就无法真正理解其运作逻辑——这与当前AI研究中普遍存在的“黑盒”困境高度相似。刘子鸣指出，AI系统本身也是黑盒，但若引入演化或历史视角（如训练路径、初始化差异），我们便能获得某种可理解性。他进一步将“平行宇宙”作为控制实验的隐喻：两个仅在超参数等条件上略有差异的训练实验，彼此即构成对方的‘平行宇宙’。这一思想直接呼应朱泽源在《Physics of ROM》中提出的相图（phase diagram）方法论——即通过系统性扫描不同参数空间，识别出AI模型行为的相变边界（phase boundaries）。在物理学中，H₂O在不同温度与压强下呈现固、液、气等不同相；而在AI中，同一架构在不同训练动力学或数据分布下，也可能展现出截然不同的性能与行为模式。

“我们很多时候会有一些 no how，就是说什么 trick 它 work，什么 trick 不 work。其实很多时候是针对这个项而言的，就是只有当你的实验是在这个项里面的时候，它才是 work 的。”

“Physics of AI 的任务就是去理清楚每一个 trick，每个架构它的适用条件是什么。这其实才是一种做科学的态度，而不是说你做出来一个东西，你就在那里去卖。”

AI for AI 的真实含义：AI赋能AI物理学的闭环

当前对“AI for AI”的普遍理解是直接用大模型加速实验或调参，但刘子鸣提出一种更深层的定义：AI for AI 的真正含义应是 AI for Physics of AI。他指出，AI for X 成功的前提是 X 领域已有大量结构化数据（如自然语言语料），但 AI research 本身尚缺乏高质量、结构化的元数据——我们虽知道如何建模、训练，却不清楚训练曲线、架构选择与最终性能之间的映射规律。Physics of AI 的目标正是构建这种映射关系，而其瓶颈在于人类科研速度太慢。因此，他主张用 AI 来加速 Physics of AI 的探索，形成“人设计 Physics of AI → AI 自动化 Physics of AI → AI 自主提出新架构”的闭环。这一路径也解释了为何他既坚持连接主义，又强调符号主义的必要性：在 AI research 尚未被充分结构化前，人类先验知识与符号约束是防止探索陷入随机试错的关键。

“我有一点矛盾啊。你一方面在做 physics of AI，我理解它是试图理解 AI 的原理，让它理论化……另一方面，你要做的是 AI for AI，这两个是怎么联系起来的？”

“所以我的 AI for AI 的全称应该是 AI for physics of AI。For AI，有了 AI 的物理学，它能帮助 AI。”

机制可解释性的再定位：从Anthropic到Auto Research

刘子鸣对当前主流的“机制可解释性”（mechanistic interpretability）持审慎态度。他承认自己曾深度参与相关研究（如神经元级分析），但也发现其脆弱性：解释性故事常依赖特定随机种子，换一个初始化即失效；此外，过度微观的解释（如定位“脏话神经元”）虽具叙事吸引力，却未必具备泛化能力。他将 Anthropic 的工作类比为“AI 的生物学”——正如生物学发展数百年仍难完全解析生命机制，机制可解释性短期内也难以规模化。然而，在 AI for Physics of AI 的新框架下，他重新看到其潜力：一旦 Auto Research 系统能系统性生成、验证、归因大量实验数据，机制可解释性将从“人工考古”变为“自动化建模”。他特别提到，像 Sparse Autoencoder、Transcoder 等技术虽被质疑存在“wishful thinking”，但其目标——将高维、混叠表征解耦为稀疏原子概念——若结合自动化实验流程，或将成为可验证的知识模块。

“现在还没有 Auto Research 系统……但有了这个 auto research 系统之后，我觉得这些之前看起来非常莫名其妙、非常遥远的这样的一些北极星的东西，其实是有可能能在三到五年之内达到的。”

AI for AI 与 AGI 的路径分歧

在讨论 AI for AI（AI驱动AI研发）时，核心分歧在于：它是否必须包含持续学习能力？刘子鸣认为，若仅追求在某一垂直领域提出高效架构（如GPT-3级别的模型），未必需要持续学习；但若目标是通向AGI（通用人工智能），则持续学习能力是必要条件。他指出，当前大模型的演进路径——从Chatbot到Coding Agent，再到AI for AI——本质上是模型公司延长线上的自然延伸。而Neo Labs的差异化在于：从Physics of AI出发，不仅比学术界更早切入该方向，而且比模型公司更激进地相信——AI本身可以加速对Physics of AI的理解。这种路线虽被主流视为高风险，却正是Neo Labs的机会所在：小团队+快速迭代+天才工程师组合，能在大厂尚未认可时就持续推进。正如他所说：

‘我们相信这条路线，而且我们其实有很多小天才在我们的这个组里和在公司里面。我能把这些问题去做一些拆解，然后拆解完了之后是这些，就是小天才能够很好的去把它们给进行完成。’

‘我们是有自己的一个非常快速的一个迭代的一个东西，我们在迭代，但是我们的这个东西可能一直到做出我们的GPT三之前，可能大厂都觉得我们是在胡闹。’

Training Autopilot：人人可训模型的愿景

Neo Labs的终极产品构想是 Training Autopilot，短期版本为 Training Copilot——即一个端到端系统：用户只需描述需求，系统即可自动完成模型设计→训练→部署→交付全流程。这类似于Cursor或Cloud Code对编程的民主化，但对象从“代码”升级为“模型”。刘子鸣强调，当前模型训练门槛极高，导致只有专业团队能操作；而一旦系统足够高效且低成本（例如百元级投入即可完成训练），普通用户也能为个性化场景定制模型：比如训练陪伴型机械狗，使其理解主人情绪并给出语言安慰。这背后隐含的愿景是：模型不再垄断于巨头手中，而是像笔记本电脑一样普及。他类比道：

‘当模型人人可用的时候，我们用它来干啥？对，不仅人人可用，人人可训。’

‘你这个是电脑从……到了一个每个人人手可用的笔记本。对呀，对呀，嗯，这个倒是一个挺有意思的方向的。’

研究直觉的可训练性与机制可解释性

关于研究中的“顿悟”能否被模型复现，刘子鸣持明确立场：所有顿悟背后都有可语言化的思维链，所谓“直觉”或“品味”往往是因无法清晰追溯推理过程而产生的遮羞布。他坦言自己曾相信研究直觉，但后来通过刻意训练——追问“我是如何提出这个想法的”，并尝试将其语言化——逐渐祛魅。他指出，Max Tegmark等视觉型思考者常依赖脑内图像，但受限于表达能力，最终只能通过“做出实物”来沟通。因此，思维链的显式建模（如要求模型输出推理过程）是通往机制可解释性的关键路径。他补充道：

‘我其实一直在有意的训练自己，就是我不仅是要提出好的想法。我还要去追问我是怎么提出好的想法的，然后在这个过程中，其实是尝试把我的想法语言化。’

‘善战者无赫赫之功……最牛逼的人，他提想法对他来说就跟呼吸一样简单，他能够把别人觉得哇这个太神奇了，他是怎么想到的，他能把这些事情系统变成他的系统。’

思维外化与沟通方式

在表达复杂想法时，作者坦言自己常有“把脑中图像画出来”的冲动，但受限于美术能力，最终选择通过亲手构建实物原型来实现沟通——这成为他最核心的表达路径。他认为，思维链本质上是可以被语言部分还原的，尽管当前尚无法直接读取脑电波信号；若未来脑科学取得突破，实现非侵入式或高精度脑电监测，或许可绕过语言直接解码思想。但现阶段，深度自省仍是挖掘思维路径的唯一可靠方式：只要追问足够深入，总能梳理出可被表达的逻辑链条。即便脑电波技术未来成熟，它也未必能完全替代语言表达的价值，但至少能提供补充性洞见。

“你如果说不出来，说明你还没有拷问的太深。你只要拷问的足够深，你总能说出点什么。”

“这个是我沟通的方式：我真的把这个东西做出来，把这个东西展现在你的眼前。”

New Lab 的节奏与机制张力

对比中美资本环境，作者指出：国内投资人追求即时回报，常追问“当天能否盈利”“六个月 roadmap 如何安排”，而海外资本更容忍长期探索，如其博后实验室曾获“三年不盈利”的承诺。他强调，New Lab 的本质既非传统实验室也非公司，而是一种动态演化的混合体：前期需以6–12个月的纯研究周期（按研究所模式运行）完成技术探索与方向验证；一旦实现“Grok”（顿悟），即转向公司化运作。这一节奏并非理想化设定，而是基于对元模型可行性路径的渐进确认——早期他预估需3–5年研发，后随认知深化，将窗口压缩至一年内启动产品化。

“New lab 的本质，你觉得应该是 lab 还是公司？它之所以我们起了一个新的名字给它，就是因为它既不是 lab 也不是公司。”

“前 OpenAI 时代和后 OpenAI 时代的感受。”

叙事、赛道与创业实感

当前 AI 创业面临术语混乱的困境：无论是“AI for Science”“AI for AI”还是“Auto Research”，各方（创业者、投资人、研究者）对同一概念的理解常不一致，被迫使用陈词滥调以换取资本理解。作者认为，Auto Research 是当前最贴近其路线的标签，但更需创造新词（如自创的“Physics of AI”）来精准定义范式革新。他判断：大语言模型已趋收敛，而世界模型与 Auto Research 仍处极早期——前者需全新架构以捕捉物理世界 latent space，后者则亟需构建结构化 research 数据集。创业数月，他感受到节奏骤然加快：从专注研究转向多线程协调（技术、融资、战略远见），并意识到叙事与技术同等重要（《人类简史》深刻影响其认知）。最终，他坚持6–12个月研究期不可跳过，待原型落地后，再引入商业化联创扩大影响——研究驱动的创新，终需回归现实世界的验证。

“We'll explore the new world from here.”