语言模型（LLM）引领了过去4年的AI狂奔，相信它会带领我们抵达AGI终点的人们，掌控了前所未有的金钱、资源、人才、算力甚至能源，在产业界一切都已经“收敛”。

但越是这样的时刻，对不少经历过AI研究起伏的科学家来说，它越可疑。

越是看起来“共识”明确的时候，描述这个剧烈演变的时刻越是困难，也越是重要。

在刚刚过去的中关村论坛间隙，硅星人合伙人王兆洋与前 Meta 高级研究科学家、参与了Llama系列多模态核心研发的刘淼，以及字节跳动美国研究院创始成员，前 Google 研究院科学家靳潇杰一起聊了聊今天他们眼中我们所处的时代。

两人去年纷纷选择从硅谷回国，目前分别在清华和北交大任教。作为拥有横跨中美以及产业界与学术界经验的学者，以及在LLM的强势叙事之外寻找着新方向，做了非常多有价值且充满启发的研究的学者，他们分享了自己的职业生涯和研究思路，给今天的AI发展提供了很多不同的声音。

希望这些声音会帮助更多人找到自己在今天的那个benchmark。

【本期嘉宾】

刘淼：清华大学人工智能学院助理教授，前 Meta GenAI 高级研究科学家， Llama3/Llama4 多模态核心研发成员；

靳潇杰：北京交通大学计算机学院教授、博导，字节跳动美国研究院创始成员及技术负责人，前 Google 研究院、Snap 研究院研究员

王兆洋：硅星人合伙人

【时间线】

05:43 AI 行业完全进入一个正反馈阶段，而这其实从来不是AI研究领域的常态

06:38 今天整个 AI 在技术方面过于聚焦了，这是令人不安的乌云

13:37 起起伏伏的 AI：2022年“入行”的刘淼，和2017年拿到 Image Net 最后一届冠军的靳潇杰

16:11 语言，是我们需要的全部吗——VideoWord 的诞生

27:02 Ego4D 与 MEOW 实验室：从用户驱动到任务驱动

27:40 CLIP：一个被忽视的但非常关键的工作

32:10 当 LLM 统治一切技术路线：在工业界你没有"动摇"的权限

43:58 50 年之后，我能非常确信 AI 一定是一个主动的个人化的智能

45:07 学术界的 GPU 危机：资源受限是诅咒还是倒逼创新？

54:09 的研究院，能不能做出真正的研究？

01:01:35 人不是为了有什么价值而存在的

01:07:10 当看到一个小女孩因为 AI "姐姐"要下线而哭

01:08:53 在训练 Llama 时发现，修改后训练数据可以轻易决定模型的偏见和世界观

01:12:15 未来方向：世界模型，AI的情感，人与机器人的交互

【延伸阅读】

本期对话中涉及的关键论文与资料：

Transformer 与注意力机制

CLIP：图文对齐的奠基工作

Radford et al. (2021)，Learning Transferable Visual Models From Natural Language Supervisionarxiv.org

Ego4D：第一视角视频大规模数据集

Grauman et al. (2022)，Ego4D: Around the World in 3,000 Hours of Egocentric Video（刘淼为共同作者）arxiv.org

VideoWorld：不依赖语言的视觉世界模型

Ren et al. (2025)，VideoWorld: Exploring Knowledge Learning from Unlabeled Videos（靳潇杰为通讯作者，CVPR 2025）arxiv.org
VideoWorld 2（2026，靳潇杰团队最新续作）arxiv.org

ImageNet 竞赛：深度学习时代的起点

Russakovsky et al. (2015)，ImageNet Large Scale Visual Recognition Challenge（ILSVRC，靳潇杰 2017 届冠军）arxiv.org

MEOW LAB（Modeling Egocentric Omniscient Worlds）