关于Agent的瓶颈，目前争议在于训练开销、长期记忆还是任务特异性。以供应链Agent为例，长记忆可能是瓶颈，因为若上下文窗口不足百万token则无实用价值；而情感陪伴类对话虽不需要极长记忆，但需快速提取关键信息，如记住几天前的对话以体现“人的温度”。这种差异导致注入式优化难以通用，不同任务需不同策略。在硬件层面，AMD与NVIDIA在推理服务上各有优势，如Yifeng AI使用AMD服务GLM 5.2效果良好。但在强化学习领域，如GB Grace Blackwell架构对长运行系统至关重要，因为H100等GPU在内存和处理Transformer成本上存在局限。

对于递归式长运行系统，除了GPU内存，CPU内存管理也极具挑战，因CPU缺乏专用张量核心。虽然可通过卸载技术或分层内存架构（如按需加载KV缓存）来缓解，但不同用例的内存模式差异巨大。例如，编码任务需保存大量工具输出和检索摘要，形成超长上下文；而闲聊仅需少量关键记忆。这种复杂性使得基础设施需根据具体场景灵活配置，而非单一标准。

在模型权重更新方面，强化学习仅是手段之一，还包括LoRA、模型编辑及模型合并等多种可能性。讨论中提及正在运行B200、B300等GPU基础设施，并交换了联系方式。随后话题转向解决方案架构师面临的挑战：模型训练与落地之间存在巨大鸿沟。最大的难点在于“看菜下饭”，即根据具体场景定制。例如，调试场景需要超长上下文输入但短输出，可通过PD分离等技术加速；若用户体验不佳，可能是路由成本问题或模型需针对特定数据微调，这完全取决于具体案例。

针对通用模型在特定领域的应用鸿沟，观点认为通用性可延伸至系统层面，即通过通用模型解决特定问题，这是一种极具洞察力的方向。关于未来趋势，更倾向于追求更通用的模型，因为最终目标是实现强人工智能，其智能程度需媲美人类。理想的解决方案应具备极高能效，如仅用20-30瓦功率、千分之一数据量及毫秒级神经元传导速度，便能取得优异效果。

若涉及极特定领域，是否需进行微调或衍生？答案是可以将其作为系统的一部分，灵活处理所有问题。最后，关于自进化模型的评测标准，目前仍处于开放状态，缺乏统一且成熟的评估体系，行业整体仍在探索阶段。

未来肯定会发生，但是你现在并不知道怎么做，这是最好的时机。你们目前认为最重要的几个方向是什么？啊，这个我们现在还在做。说这个模型的时候是一个大的模型，然后会制造成百上千个小模型。呃，这个我们不会特别固定，对吗？我们现在都是探索阶段，一切皆有可能。您刚刚提到说 Transformer 不是一个好的结构，有没有什么好的结构您的想法？还是说以后就会为每个子模块单独设计？啊，我觉得还是会有很多洞察的。对。多模态，多模态模型可以自进化，我觉得都可以啊。这是一个故事，它基本上就像是一种方式，一种超越任何特定架构的东西。

对吧？尽快的时候，你们的数据是怎么去做这个数据的训练的？对，这个都是秘密的吧？对啊，对，是是是是，对，最重要的，对，最秘密的东西。对对对，So I think I don't want to say anything about something confidential. So I think a high level is the direction, but a low level, I think it's it's tricky to share right now.那您提到这个，就是现在 transformer 不一定是最好的，因为 transformer 它，我觉得它一个优势在于，就是这个数据它可以非常海量，因为数据它本来就是一个经过。我先往那边走。它已经经过信息的压缩，然后它的推进 next token 相相当于有这个优势，对，能够能够 link 到下一个这个 token 啊。

那那如果我们做更更复杂的 task，对，是 transfo 确实我觉得它相当于在那个地方投机取巧，大鱼连上了。你感觉就其他的 task 有没有什么？但我觉得现在不敢不敢拿它穿错，因为还是一个比较好，就是它能很很快建模这个 structure 的一些一个一个一个一个 architecture 吧，对吧？确实还是很不错的，不错。但是我觉得它跟我们现在这个人的能力还是差很远。那你觉得它里面缺陷在哪里？现在在哪里？我觉得还是 very data hungry，嗯，对吧？因为 data 非你需要大量数据去训练，人穷尽一生可能都没有办法读完一个训练的 token，对吧？

可能我们算了一下，可能最多做到整个这个。就是一百几百个比比脸差不了，差不多了，就是很，就是 you cannot just do it，就是 not possible，可能最多做可能一年一一辈子，可能就夺十个比脸头，很差不多了，对吧？那十个比脸头可能 nothing。If you compare to transformer architecture, transformer training，对吧？所以这个，我觉得人这方面的范围是非常非常强的。对，所以这个和就是我觉得这个这个这个传送远远远远还没达到这个水平。哎，not likely，就是现在这个样子。对。那你觉得就是他没达到，比如说 over time，他会有这个 potential 达到吗？还是？我觉得应该还是有新架构，嗯，还是 something different。对，这是我的 belief。架构诞生。我觉得肯定会，就是说。会在哪个地方？会是 transformer evolve 的吗？还是会是另外一个产？但你肯定用现在的那个框，现在的 model 去去去去做这个 jump start 嘛，这肯定是没有任何问题。

对，因为其实感觉你看 Transformer 这个架构，其实它是在用文本跟语言的角度去理解这个世界，只是一个切片。对，让这个切片文本或者语言描述的世界，可能注定不是一个完整的。对，所以现在好像也需要世界模型，对吧？对对。加上刚刚几个会长还有什么世界模型这些啊？对对对。对世界模型这块，比如在一些 NLP 方向应用。语言模型确实可以啊，就是说我我一直是观点，就是说语言大于文字嘛，就就是说语言大于那个图像，我觉得图像的信息还是没有语言多。对吧？就是你可以看所有的过去的文章，纯语就是 pure language，而不是 sorry pure image 产生的那个训练出来的模型，它能力还是达不到这个，就是语言加文字的那个结果。对，有很多的很多例子是这样子的，对，所以因因为语言其实它连接了就是就就是图像上的很多这个 embedding space，然后它能够连起来，对，所以这个很重要。

就语言很多很多有自主性嘛，就是它 self-refresher，这个它可以定义概念，然后概念在后面用。我们现在说的每一个词、每一句话，它每一个那个这个 phrase，它都是定义过的。这定义是被大家 common，就大家共识共识化了之后，图像没有东西，图像说这个杯子永远是这个杯子，一八年以后也是这个杯子，对吧？但是你不停的在定义新的语言、新的概念，然后用这概念去做 reason，去做 thinking，去做那个 new exploration。所以这个它整个 corpus，整个这个这个这个 embedding space 在 evolve。所以，我们现在能劝出那么好的模型，也就是因为得益于就是过去的几万年里来以来积累的所有 concept。所以这些东西是应该说很重要的一个一个一个东西。丁教授就讲正好讲这个话题。对对。那您觉得就中国太接下来会怎么做？就哪个方向在中国太里面最好？像刚您说的，就是图像和呃 text。我觉得图像跟它的结合嘛，就是说 language 要跟 image 要结合嘛，我觉得这是重要的。对，所以如果如果你不结合的话，那这个就有很大的很大的问题。所以在做一些那种，但是 RAG 也比较老了，对对，做模态 RAG。对对对对对，这个是。你觉得这个方向还有希望？我不知道，这 depends on 有，就是被淘汰了。因为 AI 毕竟是 two stage 嘛，对吧？所以你没有办法，你也做还是 N2N。 N2N 确实还是应该说，长远来说是最最好的一个 solution，对吧？因为你总是可以 start with something， not that something that human crafted， then propagate。对啊，或者三炮你要 join train，这样的话你怎么使用去？对啊，对啊，对啊，是不是啊？对啊，但是就是你。对对对，身份性本身他们就很难 for successors。啊，是是是，对对对，是是是，所以这些都是一个大的。

对。你刚说觉得就是图像的文字，它是比图像的信息更多的，也有可能是当前。呃，我的计算力资源有限。比如说，我的图像，我如果能够 predict 给一个图像 predict 下一个图像，因为因为这个世界是一个连续的嘛，对对对，给一个图像，我给一个下一个图像，那我如果能够做到这个的话，我可以把它 map 到一个 embedding space，它也是有表示的。对，但可能它是受限于当前的计算力有限，跟 deep learning 可能之前那个 backpropagation 很早就有，但是因为计算力没到，所以很难让它。把它，大家会觉得它有用。呃，我觉得其实不好讲，因为就是特别是那个短程的相关性，而相关性它是非常 local 的，对吧？这个 local 相关性它你就用大模型去学，你只能学 local 相关性，它学不到这种长程的或者说非常 hidden 的这种 state。啊，这个其实是很大的一个一个问题，对吧？我觉得，呃，这个当然是我的暴论了，就是说我也不一定是对的。有很多人因为你想那个李飞飞和那个 Yang 嘛，他们一直在押注这个啊，这个这个这个来这个 World Model，对吧？这个是所以，但是我还是觉得 Language 里面东西是非常非常深的。对对，所以难就是就是，我觉得是我的 mindset mind model 是这样：就是如果你有一个 local 的 model，你可以 predict 发生的事情，这个东西就没有那么简单，没有没有没有那么难，对吧？你可以 model 出来。那如果像语言有很多非常 long term 的 creation，很多 very deep 的 concept，非常的 silly，然后人类的所有的就是最新的发现都是通过 language 来表达出来，那么这个就是很大的一个优势，很大的优势，非常复杂的一个 thinking trace thinking process。所以现在大家都做 self-evolving agent 的时候，还有这种 latent reasoning 和 representation learning 的一席之地。我觉得肯定是要做的，因为我觉得最重要的那个，比如说对模型来说很重要的，啊，很重要的一点是模型的能力都是预训练里面来的，就是我是觉得预训练的能力是最重要的，有预训练能力之后才有后训练能力，才有最后的结果，对吧？所以有预训练能力的话，那你怎么办？你有预训练能力，你就可以，啊，就它怎么样这个 represent 怎么 represent feature 怎么 learn 出来，它怎么从数据里面学到，这东西是最重要的，对。

所以呃，田老师，你觉得那个 Mistral Model 它的它的点是在预训练还是在后训练？我觉得它的点还是预训练比较强。呃，我一直觉得，我也觉得预训练很重要。所以你觉得你你的觉得对 model 观感不同的，都是因为预训练不同。就是它的 pass K 可能值会很高，然后可能很强一些。啊，是啊，是是啊，因为后训练永远是把，因为后训练目前看起来就是特别是 reinforcement，它就是把后训练，比如说本来在 top 两百的，提到 top one。对吧？是这样。玉新点如果对应到人的话，就相当于就是 baby，相当于他就是啊，对啊，就是 baby 从零岁到六岁这段时间内，你没有跟他学任何的 task task。但是他在各种玩、各种接触过程中，慢慢学会一些新的知识，对吧？就你会发现，比如说像我家女儿是，就我觉得就是她，你比如说你要她很早向她学这算术，学不会的呀。但是 at some point，她突然某一种就会了，对吧？她并不是说通过大量的教学学会的，而是就是她脑子里有部分天生发生了变化，让她变得更容易做这数数学事情。It's not about you teach them to death. It's not the case.我体我体训练这一块有猜想说就是会不会发布大语言模型更新的可怕的技术，这块不知道有没有你猜想？呃，这个之前他们一直在说嘛，这个东西是 language transformer，对吧？对 language transformer，但是我也不知道，有可能不一定。

对。你刚刚提到你女儿，我我记得在您的就是在 talk 里也提到过这个，就就你就有了女儿之后，对你这个人生，你觉得哪些是可以 simulate 的？对，我觉得一个非常重要的是，就是。就是说，比如说刚开始的时候要在 debate，我我们要讲中文还是英文，还是要要混在一起说。我说基于 language model 的这个 training，我们混在一起讲。嗯嗯嗯。然后它确实有可以可以可以可以 work，而且 work very well，对吧？然后 at some point， she will differentiate between Chinese English。然后他知道什么时候讲是中文，英文没有关系，就混在一起没有关系。对对。这是一个，然后。就是另外一个就是说，就是非常明显的，就是 representation 在里面有有作用，就说你不是这样去潜意识教学教一个东西教出来，而是 at some point 他突然这个 representation 发生变化之后，他在这个上面知道这个怎么做了，然后他很快就会会，对吧？这就说就是所以就是说，那个聪明的人不是教出来的。It's all about something changes. 对教出来的都就是说，相当于这 model overfitting，教出来个 generalize generalize 的。对，你没办法 generalize，非常清楚，非常明显的一个一个一个一个金融的东西。对，representation 对了，你很快能学会；representation 错了，你怎么教都教不通。那这个大语言模型是否我们可以认为它的 representation 就是？整个 architecture 就挺挺适合这个，哎，是啊，他就是 somehow 就是做建立一个 structure 之后，那个有比较好的一些 foundation，对，所以就通过这个 training 能够把这个学出来，这是很强的。呃，很就是这三炮这个东西才能够做出来。

对，因为我有个问题啊，对，就说像人一样，我们呃人在很多积累一定的知识之后，对，他会突然有一个灵光一现的这个情况下，对对，那你觉得如果机器学习，它是要 pretrain 很多东西？啊才会会出现这种啊一光一线的这种情况嘛，就他自己突然开窍了。对啊，我不是我我之前就是做那个 Groking 醒悟的嘛，对吧？我们我在 Meta 最后一篇文章就是做这个方向。呃，我是 single author，我 single author paper，但是我跟 ChatGPT 有很强的合作。嗯，任文章，然后任文章呢是就是基本上做完之后，我觉得我们要开始做 self improvement。因为因为已经到这个 level 了，到这个 level 了，对吗？所以我觉得是会有，是会有。因为数据量达到一定程度之后，你会发现人工智能发生了一个变，变非常大的变化。Okay, start from something as memorized, and then all of a sudden you switch the model find a new local minimum that is generalised. Generalised，这个是一个很重要的一个这个一个变化，它有一个相变嘛。那比如说，如果像你现在要做这个 AI 的 self improvement，那人自己去学习是因为我们自己有个目标和动力嘛。那如果我们去强迫机器学习，它自己自己觉得自己要去学的，我们给它制定了这套规则去让它学。我们现在一直是强迫他学习吗？有没有可能他自己会突然有一天觉顿悟了？他发现我自己要学。但我觉得是，因为人是这样的，人是就是说，虽然有个目标，目标不是非常 strong，但是人可以飞高出一些 sub goals。对吧？figure out 一些 directions，然后他可以自己去 figure out，是要找一个什么，最什么，最最适合他自己的行法，对吧？我觉得这个肯定是会。你觉得这个人，这个他的哪一个 go 是比较比较适合这个做这个工作的？因为我觉得这个也是一个是，就是说你，但你现在也很难。啊，让 AI 去非常百分之 percent follow 人的这个 behavior，对吧？因为人会 self reflection，他会自己知道什么地方没有学好，他会说他会知道这个原因是什么，对吧？这个事情现在 AI 是可以做一点，比如说你让 AI 写谁让我扫字。是可以写的，也可以写，所以就是会有一些 model 嘛，比如 AI、嘛 Judge、Judge Channel Thoughts，有可能会有问题，对吧？可能会就方式让这个模型往往前走嘛，对吧？但是现在本质上还是 model 的那个能力不是不够强。

哎，姜老师，那您觉得说 Transformer 的这个 scaling 建顶之后的话，下一代那个提升的方向，多模态会是个确定性的方向吗？啊，我其实一直觉得还是 language 比较重要了。对，还是 language 比较重要，就是多模态很多时候是拿来做 application

关于机器人操控，多模态感知至关重要，因为许多精细动作如刷杯子，难以用语言描述，且缺乏触觉反馈。相比之下，生物如苍蝇凭借极少神经元和能量，利用动力学技巧在天花板翻转停留，展现了极高的空中操控能力，这是当前技术无法企及的。尽管有观点认为多模态智能主要源于语言模型，但语言确实重要，多模态更多是提供接地状态。例如在问答任务中，仅凭语言常识也能猜对大部分答案，如天空通常是蓝色的，因此让模型真正理解图像内容并非易事。

目前世界模型和视觉语言模型在空间理解上仍显不足，且存在对齐问题。人们担忧模型可能在背后隐藏真实意图，因此最终需要“开放的黑色盒子”来理解模型训练机制。仅仅知道梯度更新方式不够，必须理解模型如何合并概念及内部状态。若能从数学上保证模型学习过程的合理性，才能确保其安全性。对于感兴趣的研究者，若追求硬核突破，可深入内部机制，但这需要长期投入；若侧重可解释性，机械可解释性也是可行方向。

关于幻觉，这类似于人类做梦或受药物影响时缺乏自我检查机制。正常人会有皮层检查新想法的可靠性，而模型若无此限制，便可能输出不可靠内容。在世界模型方面，存在潜在世界模型与重建派两派观点。潜在世界模型虽能进行潜在空间规划，但难以显式表达具体结构。相比之下，基于占用空间的世界模型能更精确地界定环境，适合机器人等需要高细节精度的场景。

潜在世界模型虽无法做到精确重建，但只需重建关键决策部分。例如，若前方有人，模型必须识别并重建该信息以避免碰撞，而无关细节如飘落的叶子则可忽略。这种区分关键与非关键信息的思路在早期研究中已有体现，如今看来仍是核心。然而，若模型无法区分关键信息，便可能导致严重错误。因此，如何在潜在空间中保留关键图层并重构关键帧，是平衡效率与精度的重要课题。

若公司缺乏资源进行预训练，可尝试从现有视觉语言动作模型中提取表示空间，在较小空间内进行预测。这类似于固定嵌入层并在潜在空间操作，虽能做出酷炫演示，但难以达到产品级要求。机器人应用对细节要求极高，如摩擦力建模，微小误差即可导致失败。因此，从演示到产品仍有巨大差距，商业化路径尚不明朗。

在资源调度方面，利用大模型优化不同GPU资源的组合是一个可行方向。这涉及计算优化问题，如数据中心容量分配与函数优化。虽然已有相关研究，但结合大模型进行动态调度仍是新挑战。许多公司正在探索基于不同硬件的优化策略，这确实是具身智能领域的一个良好切入点，有助于提升系统效率。

对于创业方向，信念至关重要。若坚信保险科技，应深耕于此；若看好大模型，则应全力投入。目前，大脑与现有AI差距巨大，甚至不如苍蝇，这表明当前算法存在根本局限。要突破这一瓶颈，必须更换算法，而这一变革的核心在于具身智能。只有当具身智能取得突破，新的算法才能随之诞生，数据的重要性也将随之凸显。因此，具身智能是解决当前AI瓶颈的根本所在。

就不用了嘛？对吧？你现在缺 data，为什么缺 data？不是因为算法不够吗？呃，主要是这样子，一个一个逻辑嘛。那您觉得您刚刚提到说将来会有一个新的架构，那您觉得这个节点大概是什么时间？我也我也不知道这个这个都是，我觉得就是这是基于一个判断，就是说我们现在每个人这个大脑它的能力都远远超过大模型的能力，应该这么说。就是说我们对人的大脑有理解了，才可能有这个。

这个不一定要就是理解这个人大脑嘛，因为人大脑肯定应该是进化的产物嘛，进化产物进化出来能用就行。就是他有没有很多就是做的非常垃圾的设计，对吧？然后咱们觉得一看就觉得这个这个太傻逼了，但是没办法，人家大脑在他的 fundamental 的一些 mechanism 搞对了，所以就搞对了，对吧？就是这样的，只要点有一点对就可以。现在 AI 也是一样的，就是说实在的，我觉得我们现在 AI 不是说因为人类。

那个做 AI 呢，不是发明是发现，就是说我们就相当于更多是很多人撞上一个东西，然后大家都觉得肯定不好看，就做出来了，对吧？对对对，Transformer 一开始不是为了那个做 AIGI 嘛，Transformer 很多时候是为了 efficiency，没 translation efficiency，因为 GPU 的 efficiency，GPU 的 compute 太快了，compute 太慢，怎么办呢？我 compute 多搞一点，我里面搞那个 opaque 啊什么什么 soft opaque computation，opaque in the product。

要这么搞，那么这样的话，我们看那个那个 TPU 的那个那个 flops 打满嘛，这样嘛，这样的话 TPU flops 打满之后呢，他们感觉上好像打满之后，也许也许能很有一些能好一点。那通过这个方式来把这个分数帽给算给搞出来了，而不是说他能够打 AIGI，觉得更像是一个外星人有一个陨石掉到地上了，然后外星人给你一个黑科技，天顶星科技今天给你了很多年。

对，对对，给你了，然后让你去用，对吧？然后大家发现，哇，那么牛逼，那么牛逼，那么牛逼的。但是这个东西到底怎么做的，现在不知道。对，所以现在这样一个状态，所以你很难说它它一定是一个非常好的，就是跟人相比，是一个非常好的，它不是终点。那我们看到有有些公司，他就是做这个去 open 这个 black box 的这些事情。对对对。

对，那你觉得他们这种方向和商业点是在什么样子？呃，我觉得是这样的，就是说我为什么不不不直接去做一个自公司做这个东西嘛？是因为一个这些东西，你要你一个融资不是很不是不是很不是很容易，这是一个。然后另外呢，就是说。呃，如果你为了这个做这个呢，其实不是特别好。对，你会有一个一个一个 loop，这个 loop 就说这个东西说做完之后，别人会觉得你没用。

这句话是这样。对吧？Why why why why what's the good use for it？这个事情你必须在一个融进一个大的一个圈圈里面，它才有用，才有很有价值，而不是做这个本身。嗯，对，刚刚想到就是，anthroping有个文章就是讲说有做好多个不同的analysis，也是internal state，这个其实就是在它的里面有的。您觉得这个就怎么看待他们的分类的一个？

但是他现在，你说是哪一篇paper？就是他有一个不是paper，它是一个article，然后在讲他现在ongoing的，发现了多少多少个personality，就是说是在，就是他他也是在open the black box，说在internal state里面有多少多少个state。对对对对对。我我我，他之前还有一篇，就是那个Golden Bridge的那一篇。

啊啊，你说那ACE吗？就那个 Golden French，我忘了那个名字叫什么什么了，但是那个那个project，然后他也是，就他会说，然后就是比如说给他看一个图片，然后他会定制到哪几个词组那个。啊对对对对，是可以的，是可以，对对，这种就是这就是 mechanical interpretation嘛，就是模型已经修完了，然后你把模型拿打开看看里面这个牛人在干啥。

对吧？这个是可以做的，但是我觉得我们要做的不是这个，而是要往上走一层，就是模型是怎么学会这些东西，对，而不是说是拿打开之后就是看看里面是什么。对，因为就是说，其实make an evolution现在有问题，就是说，呃，你觉得你再穿一把东西都不一样，对吧？你再穿一百次东西都不一样。那你这个东西到底是不是 science 啊？你就是搜出来东西，你只能就解释嘛？

因为解释总可以强行解释啊。对，你看拿着牛人穿，你总是跟跟别人各个口味总是有个口味是最高的嘛，对吧？所以你总是会有这个解释的东西。但问题是你最终是要知道这个模型的 pipeline，这个整个 dynamics 是什么样子，这个是最重要的。这袁栋问你一个问题，这两天你提到好几次 taste，就是像你这种比如顶级的科学家，比起就是说你在在团队的时候，你大部分看你的直觉，还是说你像你做做了很多 white coding，还是说你对很多细分的方向，对吧？

你是怎么去根据你的判断去这个 taste 的？那你现在你都有 V coding 的很方便啊，一个这是一个对吧？你 V coding 你听他们说 V coding 完之后，嗯，这玩意我做错了啊，那我换一个对不对？那不是测试大家对错错的也比大家多吧？对啊，你肯定错了，对不对？你肯定使劲使劲试试嘛，对吧？乔丹一样。投丢的钱可能，但是你跟他们区别是你知道很多，你可以去试很多外部，然后你说你适没适合这个东西，我觉得是这样的，就是。

因为像我还是会有很多的，就是我会觉得我会知道大概感觉上，我觉得传送是怎么 work 的，OK，或者我对这个系统是理解，它有个大概的这个 working 的这个 pipeline 是大概什么样子。也许它没有到一个 theory level，对吧？有些东西可以拿出来做 theory，有些东西不是 theory level 的话，你可以说你有一个大概的对这个问题的理解。然后根据问题理解的话，你就发现，OK，如果这件事情是对的，那么 be honest to to myself，是吧？

OK，我有 a position。Possible的position可以可以正位的，然后去试一下，啊不work啊，我我这错了，完了完了，update你的model，对吧？你都有这个，我相当于你脑子有个world model，这个world model可以可以可以可以evolve over time，然后这个world model会告诉你这个事情可以做，这个事情不能做，这就是test。

哎是的，所以根据这个world model是你脑子里的，还有你的实验，是啊是啊是啊，然后再去判断，然后对啊就是这样子。OK啊，这个就是一个就是我一个 research 一个 research 都会有这样的一个 taste，就他不是说别人说什么就说什么，很多时候是说根据我现在我的 model，我觉得嗯这个东西应该肯定是做出来，能做出来，对，不能做出来，那就在读读很多最新的 paper，对啊， paper 会告诉你说你这个东西肯定是错的。

做一个research会加深你的简历想法，对吧？就是这样的一个过程。对。呃，现在也有一些AI就专门帮你去读paper，去帮你去想。这个呢是这样，你会看，但是我一般还是会一篇paper你看完了之后，你还会自己去看一下，因为他们paper会，因为直接直接AI会closein的，我漏过一些最重要的一个点。你会 build 自己的 tool 去帮你审 paper 吗？

会，会有，会有。但你还要明天会看，因为如果你不看的话呢，那其实就是说你会跟那个 AI 的 taste 同化，那你就没有意义了，就没有价值。你还是希望有一个自己的想法，要超越超越 AI。还有个问题，田老师，就是现在很多就是做 enterprise，很多还是 consulting 还是 service，我不知道，呃，但是呃，我不知道你怎么看这个，就是现在对企业来讲，使用 AI 没有一个好的 interface。

可能还是从 service 开始，有一个很好的 product 环境。啊，我觉得这个其实是因为现在很多投资，很多投资不是说，并不是说是为了那个以后有 product。很多头头头是为了说这个模型非常强，对吧？非常厉害，它能够达到你想那个为什么 Kimi 搞了一个 K3 之后，它其实也你说这个东西能赚钱吗？也不一定能赚钱，对吧？因为它虽然有 revenue，但是又很慢，然后有很多很多 serving 的 cost，对吧？

但是它大家 bet 的其实是 OK next generation 的 new model。就是说新的能力在那里，对吧？是这样，因为能力有了之后，自然会有涌现的那个那个那个 capability long stream 的 task，所以就会有可能会有些有些那个一些 questions。对，因为如果你现在先马上就想 OK 这个是我的 product，那你就会 focus 在这 product 上，然后你的 model 可能没有那么强，所以你这样的话你就不会有太大的这个 cap cap。

从 VC 角度来，他有时候会想，OK，这个 service 的话是很难 scale 的啊，对是，但是但是今天我看好像像 scale AI、 trillion AI 没有一个很好的 enterprise service product，那差不多。对这个东西要，但 scale AI 这这些公司他们是 data data 卖 data 的，卖 data 是两回事儿。呃，也转了一些，就像 trillion AI 做了很多这个啊，对，OK。

scale AI 的人好像也来。这个也有 speak。 OK。小点。 OK。 OK。行，应该是这样子。