写在前面的话：
看到这篇文章，深受启发，故转载到这里与大家分享。
每个人都应该对未来充满好奇，对AI进行长远思考，才会在这样的技术洪流中不被抛弃！借用作者常用的一句话激励每一个人：“求道之人、不问寒暑“。
--------------------以下来自田渊栋的知乎------------------------
关于被裁在2025年1月底被要求加入Llama4救火的时候，作为一直以来做强化学习的人，我事先画了一个2x2的回报矩阵（reward matrix），计算了一下以下四种可能（虽然在那时，因为来自上面的巨大压力，不同意是几乎不可能的）：
当时想的是我们去帮忙的话，即便最后项目未能成功，也至少尽力而为，问心无愧。不过遗憾的是，最后发生的是没在计算之内的第五种可能，这也让我对这社会的复杂性有了更为深刻的认识。
尽管如此，在这几个月的努力过程中，我们还是在强化学习训练的核心问题上有一些探索，比如说训练稳定性，训推互动，模型架构设计，和预训练/中期训练的互动，长思维链的算法，数据生成的方式，后训练框架的设计等等。这个经验本身是很重要的，对我的研究思路也带来了不小的转变。
另外其实我也想过在公司十年多了，总有一天要离开，总不见得老死在公司里吧，但总是因为各种经济上和家庭上的原因还是要待下去。最近一两年的说话和做事方式，都是抱着一种“公司快把我开了吧”的心态，反而越来越放开。2023年年末我休第一个长假的时候，其实几乎差点要走了，但最后没签字还是选择待在公司继续，所以说真要做出离开的决定也不容易。现在Meta帮我做了也挺好。
这次波折和今年一年的起起落落，也为接下来的小说创作提供了非常多的新素材。所谓“仕途不幸诗家幸，赋到沧桑句便工”，生活太平淡，人生就不一定有乐趣了。还记得2021年年头上的时候，因为在年末工作总结里面写了几句关于”为啥paper都没中“的反思，喜提Meet Most，有一种突然不及格的懵逼感。但想了想与其到处抱怨世道不公，不如就在大家面前装成自己刚刚升职吧，结果半年后果然升了职，而那篇21年头上无人问津的，在21年7月份中了ICML Best paper honorable mention，成为一篇表征学习中还比较有名的文章。
10月22号之后的一段时间，基本上我的各种通信方式都处于挤爆的状态，每天无数的消息和邮件，还有各种远程会议或者见面的邀请，实在是忙不过来了。一直到几周之后才渐渐恢复正常。这两个月非常感谢大家的关心和热情。如果那时有什么消息我没有及时回复，请见谅。
虽然最后有不少offer，大家能想到的知名公司也都联系过我，但最后还是决定乘自己还年轻，去当一家新初创公司的联合创始人，细节暂时不公开，先安静地忙活一阵吧。
一些研究的方向2025年的主要方向，一个是大模型推理，另一个是打开模型的黑箱。
自从2024年末我们的连续隐空间推理（coconut，COLM’25）工作公开之后，25年在这个研究方向上掀起了一股热潮。大家探索如何在强化学习和预训练中使用这个想法，如何提高它的训练和计算的效率，等等。虽然我们组随后就被拉去llama干活，没能再继续花很大力气往下挖，但这个让我觉得非常欣慰。尽管如此，我们还是在上半年发了一篇理论分析（Reasoning by Superposition，NeurIPS‘25）的文章，展示连续隐空间推理有优势的地方究竟在哪里，获得了不少关注。
另外是如何提高大模型的推理效率。我们的Token Assorted（ICLR’25）的工作，先通过VQVAE学出隐空间的离散token，再将所得的离散token和text token混在一起进行后训练，减少了推理代价的同时提高了性能。我们的DeepConf通过检测每个生成token的自信程度，来决定某条推理路径是否要被提前终止，这样推理所用的token减少了很多，但在majority vote的场景下性能反而更好。ThreadWeaver则是通过制造并行推理的思维链，并在其上做后训练，来加快推理速度。另外我们也在dLLM上用RL训练推理模型（Sandwiched Policy Gradient），也有在小模型上学习推理的尝试（MobileLLM-R1）。
在可解释性方面，Grokking（顿悟）这个方向我大概两年前就在关注了。
因为之前我做表征学习（representation learning）的分析，虽然能分析出学习的动力学过程，看到模型出现表征塌缩的原因，但究竟学出什么样的表征，它们和输入数据的结构有什么关系，能达到什么样的泛化能力，还是个谜团，而通过分析Grokking这个特征涌现的现象，从记忆到泛化的突变过程，正好能解开这个谜团。一开始确实非常难做没有头绪，2024年先做了一篇COGS（NeurIPS‘25，见求道之人，不问寒暑（十）），但只能在特例上进行分析，我不是很满意。在一年多的迷茫之后，在和GPT5大量互动之后，最近的这篇Provable Scaling Laws的文章应该说有比较大的突破，能分析出之前的线性结构（NTK）看不到的东西，并把特征涌现的训练动力学大概讲清楚了。虽然说分析的样例还是比较特殊，但至少打开了一扇新的窗口。详细解释请看田渊栋 的想法。
年末的这篇我很喜欢，对于RL和的行为为何会如此不一致，在权重的层面给出了一个初步的答案。SFT造成过拟合和灾难性遗忘（catastrophic forgetting），其表层原因是训练数据不够on-policy，而深层原因是权重的主分量直接被外来数据大幅修改，导致“根基”不稳，模型效果大降。而RL则因为用on-policy的数据进行训练，权重的主分量不变，改变的只是次要分量，反而能避免灾难性遗忘的问题，而改变的权重其分布也会较为稀疏（特别在bf16的量化下）。
关于可解释性的信念很多人觉得可解释性，或者“AI如何工作得那么好”这个问题不重要，但我却觉得很重要。试想之后的两种场景：
场景一：
如果我们仅仅通过Scaling就达到了AGI乃至ASI，全体人类的劳动价值都降为零，AI作为一个巨大的黑盒子帮我们解决了所有问题，那如何让AI作为一个超级智能，一直行善，不欺骗不以隐秘的方式作恶，就是当务之急，要解决这个问题就要做可解释性。
场景二：
如果Scaling这条路最终失效，人类在指数增长的资源需求面前败下阵来，必须得要寻求其它的方案，那我们就不得不去思考“模型为什么有效，什么东西会让它失效”，在这样的思考链条之下，我们就必须回归研究，可解释性就是目所能及的另一条路了。
在这两种情况下，最终都需要可解释性来救场。就算最终AI是个全知全能全善的神，以人类好奇和探索的天性，必然还是会去研究AI为什么能做得好。毕竟“黑盒”就意味着猜疑链的诞生，在大模型技术爆炸，开始达到甚至超过人类平均水平的今天，《三体》中“黑暗森林”的规则，也许会以另一种方式呈现出来。
目前打开训练好模型的黑箱，去找到电路（circuit），还是处于比较初步的阶段。可解释性真正的难点，在于从第一性原理，即从模型架构、梯度下降及数据本身的固有结构出发，解释为什么模型会收敛出这些解耦、稀疏、低秩、模块化、可组合的特征与回路，为什么会有大量不同的解释，这些涌现出来的结构和模型训练的哪些超参数相关，如何相关，等等。等到我们能从梯度下降的方程里，直接推导出大模型特征涌现的必然性，可解释性才算真正从生物式的证据收集走向物理式的原理推导，最终反过来指导实践，为下一代人工智能的模型设计开辟道路。对比四百年前的物理学，我们现在有很多AI版的第谷（收集数据），一些AI版的开普勒（提出假说），但还没有AI版的牛顿（发现原理）。
未来会是什么样子抛开前公司里每三个月一次的组织架构重组不谈，2025年一年的变化本身已经很大。25年年初的DeepSeek-R1的发布，现在想来几乎已经算是上个世纪的事情了。带思维链的推理模型的巨大成功，让强化学习（RL）又回到了AI的主流视野之中，也带动了AI4Coding及AI Agent的发展，而后两者让大模型有了大规模落地，大幅度提高生产力的切实可能。
以前做项目，招人是很重要的一环，但现在脑中的第一个问题是“还需不需要人？”几个Codex进程一开，给它们下各种指令，它们就可以24小时不间断干活，速度远超任何人类，而且随便PUA永远听话毫无怨言。和AI工作，我最担心的是工作量有没有给够，有没有用完每天的剩余token数目。这也是为什么各家都在试验让AI Agent做几个小时连续不断的工作，看AI的能力上界在哪里。因为人的注意力永远是最昂贵的，人要休息，要度假，要允许有走神、睡觉和做其它事情的时间。减少人的介入，让AI自己找到答案，干几个小时活之后再回来看看最好。
这每个月交给的20块钱，一定要榨干它的价值啊。
我突然意识到，就因为这区区20块钱，我已经成为了“每个毛孔里都滴着血”的肮脏资本家。我能这么想，全世界最聪明和最富有的头脑，也一定会这么想。
所以请大家丢掉幻想，准备战斗吧。
在帮忙赶工Llama4期间，我经常在加州时区晚上12点接到东部时区的组员消息，在伦敦的朋友们更是永不下线，熬夜折腾到凌晨四五点是寻常事，但大模型越来越强，辛勤劳动最终达到的结果，是看到大模型达到甚至超越我们日常作事的水准。
这应该说是一种陷入囚徒困境之后的无奈。
人类社会的“费米能级”如果以后以AI为中心，那还需要人么？如果考虑劳动力的投入-回报模型，传统思维会告诉你，工作经验积累越多，人的能力越强，回报也越大，是个单调上升的曲线。这就是为什么大厂有职级，职级随年限晋升，越老越香。但现在的情况已经不同了。职级已经没有意义，过去的经验也没有意义，人的价值从按照“本人产出的劳动数量及质量”来评估，变成了是否能提高AI的能力，人加AI要大于AI本身的产出，这样才行。
这样就让投入-回报曲线从一个单调递增曲线变成了一个先是全零，再在一定阈值之后增长的曲线（也即是soft-thresholding的曲线）。一开始人的能力是比不过AI的，而AI的供给只会越来越便宜，所以在很长一段成长期内，人本身是没有价值的。只有在人的能力强到一定程度之后，能够做到辅助AI变强，才开始变得有价值起来。
并且，在跨越阈值之后，厉害人对AI的加成，会高于普通人很多很多，因为普通人只会对AI的一两条具体产出花时间修修补补，而厉害的人在看了一些AI存在的问题之后，能提出较为系统性和普遍性的解决方案，结合手上的各类资源（GPU和数据等），可以进一步让AI变得更强，而这种效应随着AI的广泛部署，会被几何级数地放大。“一骑当千”这种小说笔法，将很快变成现实。
在这样一个非常两级分化的投入-回报模型之下，如果把人+所有个人能获取的AI当成一个智能体，整体来看，它的能力分布会和电子能级在材料里的分布很像：低于或达到某个水准线的智能体遍地都是，求着客户给它活干，以证明自己还是有用的；而高于这个水准线的智能体则指数级地变少，获取和使用它非常花钱，还常常排不到。
这个水准线，就是AI洪水的高度，就是人类社会的“费米能级”。低于费米能级的职业，可能在一夜之间就被颠覆掉，就像一场洪水或者地震一样，前一天还是岁月静好，后一天整个行业被端掉了。
随着时间变化，这条水准线还会一直往上走。其进展的速度，和它能获取到的，比它更强的数据量成正比。如果大模型的训练过程没有特别大的进展，那和自动驾驶无人车一样，越往上走，有用的数据是越来越少的，进展也会越慢，最顶尖的那部分人，还能在很长时间内保有自己的护城河。如果训练过程有突破，比如说找到新的合成数据手段，乃至新的训练算法，那就不好说了。
当然以上的判断是假设有无限的GPU和能源的供给，并没有考虑到各种资源短缺的情况。能源短缺，芯片产能短缺，内存短缺，整个地球能否满足人类日益疯狂增长的AI需求还是个未知数，这方面深究下去，或许可以做一篇论文出来。
遍地神灯时代的独立和主动思考那么，接下来会怎么样呢？未来的世界，或许不再是传统故事里描绘的那样——人们为了争夺稀缺的武功秘籍，或是千辛万苦寻找唯一的阿拉丁神灯、集齐七颗龙珠而展开冒险。相反，这将是一个“遍地神灯”的时代。每一个AI智能体都像是一个神灯，它们能力超群，渴望着实现别人的愿望，以此来证明自己的价值。
在这种环境下，真正稀缺的不再是实现愿望的能力，而是“愿望”本身，以及将愿望化为现实的那份坚持。
然而，在这个AI能力极其充沛的时代，巨大的便利往往伴随着巨大的陷阱。大模型提供了极其廉价的思考结果，在当前信息交互尚不充分的市场中，这些结果甚至可以直接用来交差并获取经济价值（例如那些一眼就能看出的“AI味”文案）。这种唾手可得的便利，会让许多人逐渐失去思考的动力，久而久之丧失原创能力，思想被生成式内容和推荐系统所绑架和同化。这就是新时代对“懒人”的定义：不再是因为体力上的懒惰，而是精神上没有空闲去思考，没有能力去构思独特的东西。
最终，变成一具空壳，连许愿的能力都失去了。
那我们该如何保持独立思考？如何不被AI同化？战术上来说，我们需要学会不停地审视AI的答案，挑它的毛病，并找到它无法解决的新问题。未来的新价值将来源于三个方面：
新的数据发现； 对问题全新的深入理解； 新的路径，包括可行的创新方案及其结果。
利用信息不对称来套利只是暂时的。随着模型越来越强，社会对AI的认知越来越清晰，这种机会将迅速消失。如果仅仅满足于完成上级交代的任务，陷入“应付完就行”的状态，那么在AI泛滥的今天，这种职位极易被取代。
就拿AI Coding来说，用多了，我会觉得它虽然可以很快弄出一个可以跑的代码库满足需求，但随着代码越来越长，屎山也越来越高，它贡献的代码也就越来越不如人意，还是需要人来做大的设计规划。如何调教它让它更快达成自己的长远目的，这个会成为人类独有价值的一部分。如果只是盲目地命令它做这个做那个，而不自己去思考如何做才能和它配合做得更好，那就会和大部分人一样停留在应用层面，而无法理解得更深入，就更不用说独一无二了。
战略上来说，无论主动还是被动，每个人都将面临从“员工”角色向“老板”或“创始人”角色的转变。这种转变的核心在于“目标感”。
如果心中有一个坚定的目标，并愿意动用一切手段（包括将大模型作为核心工具）去达成它，那么主动思考就是自然而然的结果。目标越远大，触发的主动思考就越多，激发的潜力就越大。
因此，如果将来的孩子立志要去土卫六开演唱会，或者想在黑洞边缘探险，千万不要打压这样看似荒诞的志向。因为这份宏大的愿望，或许正是他们一辈子充满前进动力，主动思考的根本源泉，也是让他们始终屹立于“费米能级”之上的关键。
