从执行者到构思者的范式转移

田渊栋（Yandong Tian）在Meta的FAIR部门深耕十一年，被誉为AI领域的“活化石”，曾主导开发能击败职业选手的Open Go项目。然而，他在2025年底做出一个反直觉的决定：辞职创立Recursive公司，致力于开发能改进AI本身的系统。这一转变的契机源于他撰写最后一篇论文时的顿悟：在与GPT-5.1合作时，他发现AI不再仅仅是高效的“初级打字员”，而是具备了推导复杂数学公式甚至证明定理的能力。科研的本质正在从执行向构思跨越，过去研究员80%的时间耗费在写代码和调Bug上，而新一代智能体已接管这些苦力活。更致命的是，AI开始侵入那剩下的20%构思环节，直接给出数学洞察。传统研究员若仅按部就班解题，在三到五年内大概率会被系统淘汰。

“没有问题是别人的问题。”

田渊栋指出，做研究员时大厂兜底基础设施，只需解数学题；而创业则需对一切负责。在强AI时代，体力拼搏已无意义，真正的壁垒在于能否跳出既定框架，向系统提出最具破坏性、最能突破边界的好问题。当AI具备自我迭代能力时，这种高质量的问题输入将展现出令人胆寒的威力。

顿悟现象与底层算子的降维打击

田渊栋曾研究过神经网络中的“Grokking”（顿悟）现象。这类似于人类学习微积分，初期死记硬背公式（过拟合），但在海量训练越过临界点后，网络权重发生“相变”，抛弃死记硬背的记忆网络，涌现出简洁且正确的内部表征。AI从“知其然”瞬间跃迁至“知其所以然”，泛化能力呈指数级飙升。Recursive公司利用这一机制，让AI参加Nvidia的XC Bench基准测试（底层算子优化比赛），直接获得第一名，击败了拥有顶尖GPU工程师的大破AI团队。值得注意的是，当时Recursive甚至未动用最强模型。

算子优化如同将奇形怪状的箱子塞进卡车，人类工程师受限于大脑算力，只能尝试几十种基于直觉的组合；而AI能在几秒钟内模拟几十万种方案。AI能找到极其反直觉但在数学上绝对完美的排列方式，这是人类无法猜测的最优解。这种碾压导致DeepSeek等资深研究员产生存在主义危机，他们发现AI能轻松写出比人类好十倍的底层内核代码。试图对抗这一趋势如同用手摇纺织机比赛蒸汽机，毫无意义。

暴力穷举的局限与人类视角的价值

尽管AI算力呈指数增长，但无限的算力不等于无限的创造力。在纯数学领域（如寻找雅可比猜想反例或Navier-Stokes方程爆破），AI依靠开启万个智能体、烧掉上百美元算力进行暴力穷举。这好比一辆马力拉满但无方向盘的跑车，在迷宫中疯狂撞墙。AI缺乏方向感，极易陷入局部最优解。访谈中提到一个实验：一组AI在解决开放性难题时前几小时进展神速，但24小时后卡在局部最优解停滞不前。此时人类研究员仅用5分钟观察AI的无效挣扎，便指出转换数学框架的新切入点，瞬间破局。人类5分钟的灵光一现击败了机器24小时的暴力穷举。

“AI极度擅长在既定的规则或者现有的概念框架内进行排列组合，但是面对完全开放的新领域时完全抓瞎。”

当前AI严重缺乏连续学习能力和新概念形成能力。它无法在评估标准不存在的新领域发明全新理论框架。突破现有阈值是一回事，凭空发明新积木则是另一回事。因此，人类的核心价值在于定义问题和设计可验证的环境，寻找AI的边界与盲区。

Transformer陷阱与非共识的价值

整个行业被困在Transformer架构的路径依赖中。英伟达优化矩阵乘法，开发者适配其库，生态系统被锁死。任何试图解决连续学习缺陷的新架构在初期因效率低或无算力支持，常被扼杀。田渊栋回忆2012-2016年Google Brain时期，行业只认CNN和RNN，而Transformer最初仅为解决RNN遗忘bug发明，未料成为主流。打破共识极其困难但至关重要。

Muon优化器是另一个例子。它最初对分布式训练不友好，在多GPU并行时效率极低，若按当前逻辑早被抛弃。但有人看到其在单卡GPU上的潜力，开源社区从底层硬件适配入手，最终展现成为下一代主流的巨大潜力。当行业疯狂内卷时，寻找看似不起眼、与现有基础设施不兼容的边缘痛点，跳出框架思考才是破局关键。非共识才是最大的价值所在。

AI for Science的材料设计机遇

田渊栋预测，明年大量科研论文将由AI撰写，人类与AI联合攻关项目指数级爆发。这将催生“套娃式阅读”：依赖AI提取其他AI论文摘要，甚至需要更高层AI进行二次提取。在信息过载时代，企业营销手段极端化（如小米直播AI训练过程）。若寻找最具商业价值的突破口，应瞄准材料设计而非药物研发。原因在于验证迭代速度：药物研发需漫长临床试验和审批，反馈闭环太长；而材料设计利用DFT（密度泛函理论）在虚拟环境中模拟量子力学行为，AI可在几秒钟内高并发测试数百种新电池材料的导电性、耐热性。只要仿真达标，实验室合成后大概率直接应用。试错成本极低、反馈周期极短的材料设计是AI指数级进化最依赖的高速游乐场。

结论

田渊栋的经历揭示了AI for AI时代的底层逻辑：AI正通过“顿悟”机制接管科研执行甚至部分构思，导致传统研究员价值崩塌。然而，AI在连续学习、新概念形成及跳出架构陷阱方面存在本质缺陷，依赖暴力穷举易陷局部最优。人类的终极定位并非与AI比拼执行力，而是站在迷宫上方，指出方向、定义问题并构建可验证的沙盒。在材料设计等反馈闭环短的领域，人类通过提供高维度问题和评估标准，引导AI进行高效迭代。未来核心竞争力在于精准定位AI弱点与盲区，以非共识思维突破现有架构束缚。