关键演讲与访谈精读

阅读须知：三层材料不能混用

张小珺《商业访谈录》133 期于 2026 年 3 月发布。原型研究档案使用了三层材料：节目方文字版、官方视频页面、视频的 AI 英译字幕回译。三层证据强度不同 ^{[1] [2]}。

1. 节目方文字版：有说话人标签与 01–09 分节，但文首说明经过节选和文本优化。可核短句，不等于逐字音频。
2. 官方视频页面：可确认节目存在；本次未人工核对精确时长与页面章节结构，页面中的 AI 英译字幕不作逐字证据。
3. AI 英译字幕回译：经历两次转换，只能帮助定位主题，不支持逐字引语。

一场访谈的完整话题弧线

节目方文字版按 01–09 分节，依次谈 AMI、世界模型、语言与视觉、数据、机器人、AGI 及研究经历等主题；它经过节选与文本优化，不能据此还原完整视频结构 ^[1]。

原型上一轮只保留三条短引，丢失了这场访谈最重要的结构：技术主张并非孤立“暴论”，而是从他的研究经历、表征学习史和科研方法论逐步推出。下面按主题恢复。

普通人、选择与研究环境

访谈强调合作者与问题选择对职业路径的重要性，并回顾在 UCSD 跟随屠卓文、在多家研究机构实习、进入 FAIR 与何恺明等人合作的经历。文字版没有出现“重要的是跟谁一起做什么，而不是在哪里”这句逐字文本，因此这里只作主题转述 ^[1]。原型还收录了家庭、薪资和未公开求职细节；这些内容不保留。

与何恺明合作后形成的科研方法论

访谈把何恺明描述为重要的非正式导师，并总结了一套研究工作法：先大量复现与探索，寻找能给方向的实验信号；把失败实验当成“梯度”；重视论文、代码和可视化的沟通品质；职业影响更接近由少数 signature work 决定的最大值，而非论文数量的平均值 ^[2]。

CVPR 2025 workshop 页面只能确认谢赛宁是参与者；Research: The Infinite Game 题目及“一辈子只需成功一次”的中文句子仍待补原始议程或视频时间点，因此均不作为事实或原话 ^[3]。

表征学习史与 DiT 的意外结果

访谈把博士论文、ResNeXt、MoCo、MAE、DiT 串成“表征学习”的连续问题。DiT 的原始动机据称不是打造新扩散骨干，而是比较判别式与生成式表征；使用 ViT 替代 U-Net 后，团队发现架构更简洁、可扩展，才形成独立工作。论文能够核实最终方法与实验，访谈则只解释研究过程，两者不能混为同一证据 ^{[2] [4]}。

Sora 技术说明引用 DiT，确认了 diffusion transformer 的架构影响；但实现未公开，谢赛宁也不在 Sora 团队。2026 年产品关闭不改变这一历史影响，只提醒读者将架构谱系与产品商业存续分开 ^[5]。

三条反 LLM 判断

LLM 与 Bitter Lesson

节目方文字版中，谢赛宁认为语言是人类文明高度加工过的结构，因此仅在语言上扩展并不等于直接从世界学习 ^[1]。

我完全不觉得 LLM 是一个 Bitter Lesson 的成功展示——某种程度上，LLM 是反 Bitter Lesson 的。

Scaling Law 与“免费不等于无标签”

他进一步区分原始世界与人类上传互联网的符号世界：文本虽然没有传统人工标注，却是人类完成选择、压缩和表述后的产物。由此他怀疑语言模型的 scaling 曲线混入了知识存储与人类预处理的收益 ^[1]。

语言模型的 Scaling Law 里面是有“水分”的。

这一论证可被更严格地改写为实验问题：固定训练 FLOPs，分离检索、组合推理与物理预测任务，比较纯文本和加入感知流后的曲线斜率。原型把“只刻画 Y-space”写成结论；本迁移保留其问题意识，但不把该二分写成已证明事实。

语言是捷径，也可能污染视觉

节目方文字版第 06 节可以直接核对两段短引：

语言其实是一个“毒药”，或者说是一剂“鸦片”，你加多了语言总是会觉得更幸福的，它有用，但它是一个 shortcut（捷径）。

我非常担心语言对于视觉的“污染”。这种污染已经在发生了。

上下文并不是“语言毫无价值”，而是语言过于有效，容易让模型和研究者绕开困难的视觉表征学习。该主张与 MMVP 的视觉失败诊断方向一致，但 MMVP 并不能证明语言监督总体有害 ^{[1] [6]}。

世界模型：动作是条件，下一状态是目标

主持人把目标说成 next action 时，谢赛宁明确纠正：动作是条件，世界模型预测下一状态。

是基于 your action, predict next state。

这个定义主动把世界模型放回 Craik、Dyna 与 Model Predictive Control 的旧谱系，而非宣称概念全新。新的赌注在于：能否用大规模视觉与行为数据学习足以支持预测和规划的状态表示 ^[1]。

反向 OpenAI 与数据闭环

访谈把互联网时代的单向流程概括为“下载互联网—训练模型—推向市场”，把世界模型路线改成与真实产业伙伴共同定义问题、采集感知与行动数据、创造价值、再让新数据回流模型。原型称之为“反向 OpenAI”，并用银行卡网络联盟作类比 ^[1]。

节目方文字版可逐字定位“download human”和“不做机器人”两句；前者强调下一阶段数据来自连续现实经验，后者说明 AMI 希望聚焦预训练与“机器人大脑”，通过伙伴进入真实闭环 ^[1]。

以前是 download internet 的时代，现在是 download human 的时代。

我最想做到的事情是通过“不做机器人”的方式去解决机器人问题。

AGI、AMI 与“松鼠智能”

访谈反对把 AGI 当成单一清晰终点，强调人类、小孩和动物轻松完成、机器仍做不到的感知行动能力，并更偏好 Advanced Machine Intelligence 这一名称 ^[1]。

我觉得 AGI 是一个完完全全的伪命题。

AMI 的官方使命列出理解世界、持久记忆、推理规划、可控安全四组能力；“反事实与因果”来自访谈扩展，不能写成官网逐字第五项 ^[7]。

公开演讲提供的长期锚点

个人主页列出的公开报告覆盖可扩展视觉表征、视觉架构与多模态未来；CVPR 2025 workshop 页面另能确认谢赛宁参与了面向青年研究者的社区讨论 ^{[8] [3]}。

这些页面只能支撑页面明确列出的场合与参与信息；没有议程或逐字稿时，不用它们补出演讲题目或中文金句。