Together with you, we explore a new world! About the Show: Zhang Xiaojun Podcast is an in-depth talk show featuring long-form conversations of 2 to 7 hours. It centers on authentic personal expression and high-density cutting-edge information. Produced by Language Is World Studio. About the Host: Zhang Xiaojun is a financial journalist specializing in in-depth coverage of tech industry, including AI, tech giants, venture capital, and prominent figures. She has won 13 journalism awards at home and abroad, among which she received the SOPA (Society of Publishers in Asia) Award for Excellence in Journalism for three consecutive years from 2022 to 2024 — widely known as the "Pulitzer Prize of Asia." She is also the founder of Language Is World Studio. "If my interviews can walk with you along a lonely and unknown path, and bring you a little closer to your destination one day, my heart will be filled with warmth." — Zhang Xiaojun
AI 模型發展正從「技術可行性」轉向「問題定義」階段，算力與數據規模仍是推動進步的核心驅動力。程式編寫與代理任務因具備明確的回饋信號與數據基礎，成為當前模型能力的突破口。現今 AI 研究已進入集體主義時代，成功關鍵在於系統化工程與嚴謹的執行力，而非單一個體的洞見。模型能力的提升核心在於後訓練與強化學習的規模化，未來 AI 將朝向長序列任務與自主實驗能力演進。儘管模型能力趨於同質化，透過精細的數據處理與基礎設施優化，仍能創造產品差異。AI 發展已不可逆，產業競爭核心將轉向如何精準定義問題並構建高效的協作系統。
AI 行业已从个人英雄主义时代转向集体协作的系统工程，模型能力的同质化使得 “靠谱” 与严谨的系统性执行成为从业者最重要的特质。当前大模型的发展重心正从单纯的预训练转向以强化学习为核心的后训练范式，其中代码智能体（Agentic Coding）与长程推理（Long Horizon）被视为最具潜力的技术突破方向。模型能力的提升不再单纯依赖算法创新，而是取决于对数据分布的精准把控与基础设施的深度优化。Google DeepMind 研究员姚顺宇指出，AI 研究本质上更接近 18 世纪的热力学探索，即在缺乏微观理论解释的情况下，通过系统性的实验验证来获取经验规律，而未来的竞争将取决于谁能更高效地构建闭环的实验与反馈系统。
AI Agent 的演进经历了从逻辑智能体、神经网络智能体到语言智能体的三个阶段。语言作为智能体的 “脚手架”，通过压缩世界信息构建模型，极大地提升了感知、推理与行动的自主性。当前 AI 发展处于 “压缩时间线”，OpenClaw 等项目的爆发标志着智能体范式的深刻转变。未来 AI 的核心竞争力将从通用智能转向专业化智能（Specialized Intelligence），通过持续学习（Continual Learning）构建特定领域的 “世界模型”，以解决当前智能体在可靠性、速度与成本方面的瓶颈。智能体正从单一的工具演变为能够交付结果的 “AI 员工”，推动技术从通用平台向垂直领域专家演进，实现符号化表达与深度学习的深度融合。
2026 年大模型战争全面升级，技术范式已从预训练主导的 Chatbot 时代转向后训练主导的 Agent 时代。Agent 框架作为连接人与模型的关键中间层，通过自主编排、持久化记忆及多模型调度，有效弥补了模型能力的短板，成为工业级应用的核心。当前大模型竞争已进入 1T 参数量级的入场券时代，研发重心在于通过群体智能与自迭代机制，激发模型在复杂长程任务中的潜力。AI 研发模式正从个人英雄主义转向群体智能协作，通过构建高效的 Agent 框架与精细的评估体系，实现从 Chat 到 Agent 的根本性范式迁移，推动生产力变革。
2026 年 AI 技術範式正經歷從「對話」向「智能體（Agent）」的深刻轉變，OpenClaw 框架透過精細的上下文編排與自主調度，成功彌補了中層模型的短板，實現了端到端的任務完成能力。羅福莉指出，Agent 時代的核心競爭力在於模型與框架的雙向適配與自進化，而非單純的參數堆疊。透過群體智能與開源協作，開發者能快速迭代技能（Skills），將人類經驗轉化為模型可用的規範，大幅提升研究效率。未來，具備 1T 以上參數規模的基座模型將成為頂尖智能體的入場券，而低成本、高效率的推理架構與端雲混合部署，將成為推動生產力變革的關鍵，使 AI 從單純的語言模型進化為具備自主學習與執行能力的數字分身。
AI for Math 致力於透過 AI 與形式化語言（Lean）結合，實現數學證明與自動化推理的革命。數學作為介於藝術與科學間的文明體系，AI 透過邏輯驗證與蠻力運算，能有效輔助人類突破發現瓶頸。Axiom 創辦人洪樂潼強調，AI 數學家不僅能解決複雜難題，更具備泛化潛力，作為科學探索的驗證工具，能有效解決大語言模型常見的幻覺問題。核心在於將數學轉化為可驗證的代碼，透過自動化推理與知識庫建設，推動科學發現的指數級增長。這場「登月」式的技術探索，旨在建立一個具自我驗證能力的推理系統，讓數學與編碼成為推動未來智能發展的核心引擎。
洪乐潼作为 00 后创业者，通过其创办的 AI for Math 公司 Axiom，深入探讨了数学作为结构化语言在 AI 时代的演进。数学不仅是科学与艺术的结合，更是 AI 实现逻辑推理与自我验证的核心领域。Axiom 利用 Lean 形式化语言，通过 AI 辅助定理证明，旨在解决传统大语言模型在数学推理中的幻觉问题。洪乐潼分享了从 MIT 到 Stanford 的求学经历，强调了 “蛮力型” 选手在科研与创业中的韧性，并指出创业者需具备对苦难的 “上瘾” 特质。她认为 AI for Math 的终局并非取代数学家，而是通过算力与逻辑的结合，实现数学发现的指数级增长，将数学从人类特权转变为一种可规模化的科学工具。
大模型技术正从以对话为核心的 “第一幕” 转向以代码驱动的 “第二幕”，Coding 已成为加速 AGI 实现的核心引擎。领先模型公司正面临战略分水岭：Anthropic 凭借对 Coding 的极致专注与数据壁垒构建，在 Agentic 能力上占据先机；OpenAI 与 Google 则在 C 端流量与高价值任务之间进行战略调整。随着 AI 研究流程的自动化，人类知识工作者的生产力被大幅放大，但也引发了白领通缩与失业的窗口期。未来，模型将演变为全球 GDP 的操作系统，而具备审美与创造力、能够积极拥抱 AI 工具的个体，将在这一轮技术海啸中重塑职业价值。
AI 社交产品 Elys 旨在通过 “赛博分身” 重构人与人的连接范式，利用大模型对海量 Context（上下文）的深度理解，实现高维度的社交匹配。该产品核心在于 “Context 飞轮” 机制：用户在交互中不断沉淀个人偏好与价值观，AI 则基于此主动筛选并建立连接，从而降低社交摩擦，构建一个更高效的 “低熵世界”。Tristan 强调，在 AI 时代，构建个人主体性（做自己）是唯一重要的事，AI 将负责处理机械化的社交筛选，让连接变得更精准。社交产品的本质已从传统的低维标签匹配转向高维 Context 流动，这种由 AI 驱动的主动式交互，正成为重构人际关系与解决人类孤独感的关键路径。
數據、算力與算法是人工智能的三駕馬車，其中數據對於機器人（Robotics）產業而言仍處於荒漠階段。光輪智能創始人兼 CEO 謝晨指出，機器人數據的獲取與處理比大語言模型更具結構性難度，核心瓶頸在於缺乏大規模、高質量的預訓練數據及有效的評測體系。機器人數據金字塔由真實本體數據、仿真數據及人類第一視角數據構成，其中仿真不僅是加速器，更是實現規模化評測與數據閉環的必備基建。數據產業正從靜態標註演進為以評測驅動的學習引擎，未來通用智能的實現將依賴於跨本體、具備泛化能力的數據系統，而非單純堆砌數據量，這要求數據商與大模型廠商深度共生，共同構建能讓 AI 進行自我迭代的物理與數字環境。
数据是驱动具身智能发展的本质核心，当前机器人领域正面临数据匮乏的 “荒漠” 难题。光轮智能创始人谢晨指出，不同于大语言模型已耗尽互联网数据，机器人数据需构建以仿真为中心的 “数据金字塔”，整合真实本体数据、仿真合成数据及人类第一视角数据。数据产业正从静态标注演变为 “教育系统”，通过评测驱动的反馈闭环实现模型迭代。仿真不再仅仅是加速器，而是具身智能部署的先决条件。随着模型泛化能力提升，高质量的纠错数据与长程任务评测成为行业关键，未来机器人大脑将通过云端世界模型与端侧 VLA 的共生架构，在物理世界中实现通用智能的落地。
人工智能科学家谢赛宁探讨了其从上海交大 ACM 班到美国顶尖科研机构的成长历程，阐述了 “表征学习” 作为其研究主线的核心地位。他认为，科研的本质在于对问题的本质理解与持续探索，而非单纯追求论文发表或短期影响力。针对当前 AI 发展，他指出大语言模型虽是重要的交流接口，但其本质上是虚拟的，构建具备物理世界理解能力、能够进行推理与规划的 “世界模型” 才是通往通用智能的关键。基于此愿景，他与图灵奖得主杨立昆共同创立 AMI Labs，旨在通过更具前沿探索性的科研模式，解决现有 AI 范式在真实物理世界交互中的局限，推动智能系统向具备空间认知与预测能力的下一阶段演进。
本期播客小珺採訪了青年科學家謝賽寧，探討了他與圖靈獎得主楊立昆共同創業的 Neolab AMI 公司，以及他個人在學術道路上的選擇與思考。謝賽寧回顧了自己的童年經歷，從小受父母影響，在奔波的商業環境和書香氣息中成長，並非傳統意義上的學霸。他分享了在上海交大 ACM 班和在美國求學期間，對計算機視覺和表徵學習產生濃厚興趣，並受到侯曉笛、屠卓文等人的深刻影響。訪談中，謝賽寧強調了研究的本質是解決問題和啟發他人，而非單純追求論文發表，並分享了他對深度學習、世界模型和多模態人工智能的獨到見解，以及對 AI 發展倫理和組織模式的深刻思考。
星海圖創始人高繼揚分享了從自動駕駛轉向具身智能的創業歷程與底層思考。他強調，具身智能的長期壁壘建立在物理世界的數據閉環之上，因此必須堅持軟硬結合，將整機研發與數據驅動的模型訓練同步推進。高繼揚認為，機器人行業的核心競爭力在於對真實場景數據的獲取與處理能力，而非單純的算法創新。他主張採取「務實創新」策略，通過開發者市場逐步過渡至生產力市場，並透過雙系統架構（VLM 負責邏輯拆解、VLA 負責動作執行）解決端側算力與延時挑戰。他指出，機器人創業需具備極強的組織紀律性與供應鏈整合能力，這與單純追求人才密度的純算法研發有顯著差異，必須在紀律流程與創新密度間取得平衡。
星海图创始人高继扬分享了从物理竞赛、清华求学到 Waymo 与 Momenta 的职业历程，阐述了其在具身智能领域的创业逻辑。他强调 “拆解与测量” 是解决复杂工程问题的核心方法论，认为具身智能的长期壁垒在于构建物理世界的数据闭环，因此必须坚持软硬结合，通过整机研发获取真实场景数据。在技术路径上，他主张以真实数据为主，通过 “开发者市场” 向 “生产力市场” 过渡，利用双系统架构（VLM+VLA）解决端侧算力限制。面对激烈的行业竞争，他坚持务实创新，将为客户创造价值置于技术领先性之上，通过严密的研发流程与持续的组织迭代，推动具身智能从实验室走向真实世界的规模化应用。
人工智能正处于从 1.0 向 2.0 时代的转轨期，大模型与物理世界的交互是实现通用人工智能（AGI）的必经之路。阶跃星辰董事长印奇指出，AI 大模型公司不应盲目追求纯软件的 2B 或 2C 商业模式，而应聚焦于 “软硬一体” 的终端场景，以汽车及创新穿戴设备作为模型落地的核心切口。在竞争激烈的 AI 竞赛中，技术研发的长期投入与商业模式的闭环同等重要。回顾旷视科技的创业历程，过度多元化的业务布局曾分散资源，印奇强调，当前 AI 创业需保持战略定力，通过深耕特定场景构建数据飞轮，避免陷入同质化竞争，在资源消耗巨大的大模型战场中寻找差异化生存空间。
印奇在访谈中分享了他从 AI 1.0 时代到 AI 2.0 时代的转变与反思，以及他对人工智能未来发展的战略思考。他提到，大模型领域的竞争是有史以来最激烈的科技竞争，需要大量的人才和资金投入，商业化路径也存在高度不确定性。印奇认为，阶跃星辰的独特之处在于坚持做基模型，并选择软硬结合的商业化路径，与千里科技在 AI 与终端结合的战略上形成协同。他强调技术竞争力和商业模式的重要性，并认为未来硬件将成为 AI 服务的具象化载体。同时反思了旷视在 AI 1.0 时代错失 All in 智能驾驶，以及上市并非企业追求的本质目标。
张月光在访谈中回顾了自己从互联网到 AI 领域的职业生涯，重点探讨了产品设计范式的转变。他认为妙鸭相机虽然成功，但并非真正的 AI Native 产品，因为它仍是互联网流程设计的思维。AI Native 产品的核心在于开放性和上下文设计，需要产品经理、设计师和工程师更紧密地协同，而非传统的线性流程。张月光还分享了自己对创业动机的思考，强调了与价值观一致的团队共同实现愿景的重要性，并详细阐述了沐言智语在 AI 游戏和 Agent 领域的探索，以及对未来 AI 发展趋势的看法。
本期播客采访了智谱 AI 的张鹏，回顾了智谱 AI 从清华实验室到大模型公司的发展历程。讨论了智谱 AI 成立的初衷是为了探索通用人工智能（AGI），以及如何将认知智能应用于科技情报领域。张鹏分享了在创业过程中，如何与学校沟通科技成果转化、获得天使投资，以及在技术选型上如何综合 BERT 和 GPT 的优势，最终确定 GLM 算法。他还坦诚地讲述了在商业化道路上遇到的挑战，包括投资人对大模型的不理解、开源策略的影响，以及如何平衡技术理想和商业现实。面对激烈的市场竞争，智谱 AI 坚持技术创新，并始终将 AGI 作为最终目标。
本期播客采访了智谱 CEO 张鹏，探讨了智谱公司从清华实验室孵化到成为全球首家上市大模型公司的历程。对话围绕智谱对下一代人工智能 “认知智能” 的探索展开，分析了从感知智能到认知智能的技术演进，以及智谱如何将认知智能应用于科技情报平台 Aminer。张鹏分享了智谱在技术路线选择上的思考，例如在暴力堆砌算力之外，如何通过算法和数据优化实现更高效的模型训练。他还坦诚地讲述了公司在商业化道路上的探索，以及在开源与闭源策略之间的权衡。此外，还讨论了对行业内其他明星公司如 Minimax 和 DeepSeek 的看法，以及对 AGI 未来发展方向的展望。
Follow this podcast in Podwise
Sign in to get AI summaries, transcripts and mind maps for any episode, including new ones.
