• 榜单数据10-19 11:33
  • 论文数据10-16 13:30
  • 周报10-18 20:50

金句与引语索引

阅读约 3 分钟AI 生成已核查 · 已审核审核人 负责人

专题章节

已核实原话

本专题把节目方文字版中可逐字定位的八个短片段标为 verified。除语言捷径、视觉污染和世界模型定义外,本轮还核实了 Bitter Lesson、Scaling Law、AGI、download human 与“不做机器人”五条 [1]。

语言作为捷径

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)。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16第 06 节,“语言是‘鸦片’,我非常担心语言对视觉的污染”一手采访本人原话已核实原话

语言对视觉的影响

我非常担心语言对于视觉的“污染”。这种污染已经在发生了。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16第 06 节,“语言是‘鸦片’,我非常担心语言对视觉的污染”一手采访本人原话已核实原话

世界模型预测目标

是基于 your action, predict next state。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16“语言模型是 predict next token,世界模型是 predict next state”问答段一手采访本人原话已核实原话

LLM 与 Bitter Lesson

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。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16“LLM 是反 Bitter Lesson 的”段一手采访本人原话已核实原话

Scaling Law

语言模型的 Scaling Law 里面是有“水分”的。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16“语言模型的 Scaling Law 是因为……”段一手采访本人原话已核实原话

AGI

我觉得 AGI 是一个完完全全的伪命题。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16第 01 节,“正向的 OpenAI”段一手采访本人原话已核实原话

现实经验数据

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

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16“biggest bet/download human”段一手采访本人原话已核实原话

机器人路线

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。

谢赛宁独家对话谢赛宁:逃出硅谷!(在新窗口打开)2026-03-16第 06 节,Robotics 与预训练段一手采访本人原话已核实原话

转述

论文的摘要与正文可以支持研究主张,但论文是多人合著,不能把中文概括包装成谢赛宁个人逐字发言。因此 DiT、MMVP、REPA、RAE 等内容均在正文中以转述呈现 [2] [3] [4] [5]。

主题转述要旨证据边界
DiT用 Transformer 替代潜扩散常见 U-Net,并以 Gflops 研究扩展表现多人论文摘要,不是谢个人发言 [2]
视觉 grounding多模态模型仍有系统性基础视觉缺陷MMVP 论文主张,不等于语言路线整体失败 [3]
REPA大规模扩散训练的重要瓶颈之一是内部表征学习论文结论依赖具体模型与实验 [4]
RAE预训练表征编码器可以构成生成 latent 的基础论文建议是强候选,不是行业默认事实 [5]

待核查

以下两条仍没有可核的原稿或逐字定位,因此保留为 unverified,不进入原话卡片:

  • Research is an infinite game——一辈子只需成功一次。
  • 重要的是跟谁一起做什么,而不是在哪里。

CVPR 2025 workshop 页面只确认谢赛宁参与,未确认前一条的演讲题目;节目方文字版支持重视合作者的主题,但没有后一条的逐字文本。两条都不能作为原话或正文论据 [6] [1]。

归属消歧:“鸦片”不是 Malik 的同一句话

谢赛宁文字版批评的是语言对视觉学习的 shortcut;Jitendra Malik 的名句批评对象是 supervision。两者共享“鸦片”修辞,不是同一句话,也没有证据表明谢在引用 Malik。另有同档播客第 120 期标题使用“Language 是毒药”,受访者并非谢赛宁;判断归属必须看期号、说话人和上下文 [1]。

证伪区

本批没有达到“广泛流传且已证伪”的条目,因此 debunked 为 0。待核句不能因为未核实就自动降成“已证伪”;只有找到相反原文、当事人否认或确认错配归属,才进入证伪区。

参考来源

  1. [1]独家对话谢赛宁:逃出硅谷!(在新窗口打开)语言即世界 language is world(张小珺工作室) · 2026-03-16 · 第 01–09 节;求学经历段;“LLM 是反 Bitter Lesson 的”段;“语言模型 Scaling Law”段;“biggest bet/download human”段;第 06 节;世界模型问答段 · 访问于 2026-10-17一手采访 · 本人原话↩
  2. [2]Scalable Diffusion Models with Transformers(在新窗口打开)arXiv · 2022-12-19 · 摘要;第 3–4 节;式(5) · 访问于 2026-10-17官方 · 部分原话↩
  3. [3]Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs(在新窗口打开)arXiv · 2024-01-11 · 摘要;第 2–4 节 · 访问于 2026-10-17官方 · 部分原话↩
  4. [4]Representation Alignment for Generation — Training Diffusion Transformers Is Easier Than You Think(在新窗口打开)arXiv · 2024-10-09 · 摘要;第 3.3 节;式(8)(9) · 访问于 2026-10-17官方 · 部分原话↩
  5. [5]Diffusion Transformers with Representation Autoencoders(在新窗口打开)arXiv · 2025-10-13 · 摘要;第 3–7 节 · 访问于 2026-10-17官方 · 部分原话↩
  6. [6]CVPR 2025 Workshop — How to Stand Out in the Crowd?(在新窗口打开)CVPR · 2025-06-11 · Workshop 摘要;参与者名单中的 Saining · 访问于 2026-10-18官方 · 本人原话↩