Why·Liam·Blog

新年已经过去一周了。

说实话，一切都没有什么变化。
工作照常推进，生活照常消耗，情绪也并没有因为「新年」这两个字突然焕然一新。

但时间还是很诚实地走掉了一周。

我也像往年一样，想着要不要做个总结，许一个新的愿望，或者干脆立几个新的 flag。
但这些念头大多只是出现了一下，又很快被日常吞没了，并没有真正开始。

想象一下，一家拥有全球最顶尖实验室、最庞大计算资源的公司，竟然在某个领域「远远落后了」。这不是科幻小说的情节，而是 Google 在过去两年的真实处境。DeepMind CTO 兼 Google 首席 AI 架构师 Koray Kavukcuoglu 在一次访谈中坦率地承认了这一点：「当 Gemini 项目开始时，我们离最先进水平还很远。」这句话不仅让人震惊，也为我们揭示了一条重要的启示：即使是最强大的组织，也可能需要从零开始重新学习。

Gemini 的故事并不仅仅是一个技术突破的叙事。它更像是一面镜子，映射出任何企业或个人在面对变革时都会遇到的挣扎与成长。而这种蜕变的核心，藏在那些不起眼的细节里——从训练方式到产品设计，从团队协作到文化重塑。以下，我们将通过这次访谈中的关键洞察，解码 Google 如何实现逆风翻盘，并从中找到适用于每个人的成长密码。

Koray 的话直击要害：真正的转折点不是某项新技术的诞生，而是 Google 接受了自己的不足。「我们必须重新学会创新、工程化和协作。」对于一家习惯了领跑的公司来说，这无异于一场自我革命。但正是这种谦逊的态度，让 DeepMind 打破了过去的惯性，找到了新的方向。

这是否让你想起自己的经历？无论是职业发展还是个人兴趣，我们都曾面临类似的困境：明明已经努力了很久，却发现自己仍停滞不前。这时，与其纠结于「我曾经多么优秀」，不如勇敢承认「我现在需要改变」。只有迈出这一步，才能开启真正的转型。

如果你最近使用过 Gemini 3，可能会惊讶于它的流畅性和实用性。在中国用户群体中，甚至有人形容它「像 Windows XP 一样稳定好使」。然而，这种变化并非因为模型突然变得更聪明了，而是因为 Google 终于意识到，一个「聪明」的模型如果不能解决实际问题，那它就毫无意义。

想象一下，一个既能在数学难题中展现出天才思维，又可能被简单的提示骗得团团转的「智能体」。这不是科幻小说中的角色，而是 2025 年的语言模型（LLMs）的真实写照。它们不再是单纯的工具，而更像是一种「幽灵智慧」——一种完全不同于人类、却又与我们深度交织的新型存在。

过去一年，LLMs 的发展不仅令人惊叹，还带来了许多颠覆性的变化。让我们一起来看看，这场技术浪潮中，哪些趋势正在重新定义人工智能的边界。

2025 年，LLM 训练的技术栈迎来了一个重要的新阶段——基于可验证奖励的强化学习（RLVR）。在此之前，LLM 的训练主要依赖于两个步骤：预训练和监督微调（SFT），以及通过人类反馈进行强化学习（RLHF）。然而，这些方法有一个共同的限制：它们依赖于人为标注的数据，难以深入优化复杂的推理能力。

RLVR 的出现改变了这一切。通过在自动化环境中设置明确、不可操控的奖励机制（例如数学或代码问题），LLMs 学会了生成类似于人类「推理」的策略。它们开始将问题分解为多个中间步骤，并尝试多种解法来回推导结果。这种能力在过去的技术框架下几乎是不可能实现的。

新的一年开始了，恢复写 newsletter，已经整整一年了。

这一年里，很多时候我更像是在给自己写信。在忙碌与琐碎之间，强迫自己停下来，把看到的、想到的、困惑的事情重新整理一遍。也正是在这个过程中，我开始注意到许多过去从未认真对待的信息与线索，它们原本会被快速划过，却因为写作而被留下来、被理解。

慢慢地我意识到，newsletter 对我而言并不只是输出观点，而是一种与自己对话的方式；不是为了给出结论，而是为了让思考真正发生。那些被写下来的内容，也逐渐构成了我理解世界的一部分。

如果这些文字，恰好也能在某个时刻陪你停一停、想一想，甚至留下些什么值得反复回看的东西，那它们就有了超出我个人记录之外的意义。

在 2025 年的尾声，我们有幸邀请到了真格基金管理合伙人戴雨森，一同对过去一年的 AI 发展和创投状况进行了回顾，并展望了 2026 年的趋势。戴雨森提出了一个关键词——「The Year of R」，其中 R 代表回报（Return）与研究（Research）。某种意义上，2026 年将是一个现实与回调之年。

戴雨森认为，人类历史上每次技术革命都带来了泡沫，AI 也不例外。然而，当前市场还未到达泡沫的最顶端。他指出，虽然像英伟达这样的公司在短期内估值看似不高，但长期来看，泡沫的形成需要更多的时间和更高的资产价格。因此，对于明年，他预测可能会出现一次较大的回调，但这并不意味着泡沫会立即破裂。

戴雨森表示，2025 年 AI 商业化的进展得到了较多兑现。例如，ChatGPT 的收入增长迅速，按 topic 模型的 API 调用量也大幅上升。新一代像 Manner J Spark 这样的 agents 应用也朝着一亿美元的 ARR 迈进。这些技术进步推动了产品落地，进而实现了商业化。他特别提到了推理能力、编程能力和计算机使用能力的提升，是推动这一进程的关键因素。

戴雨森强调，创业者的核心特质是执行力和韧劲。他认为，创业是一个高压过程，需要面对许多挑战，因此创始人的内生动力和激情尤为重要。同时，他也提到，团队的战斗力和灵活性也是成功的关键。对于投资人来说，他们关注的是创始人是否具备这些特质，以及能否吸引并留住优秀的人才。

戴雨森指出，AI 时代最大的特点是智能变得廉价。在这种情况下，主观能动性和品味（taste）变得尤为重要。AI 可以提供多个解决方案，但选择哪一个方案则取决于人的判断。此外，他还提到，AI 训练中非常讲究寻找 OOD（out of distribution）的数据，这意味着独特性和创新性将成为未来竞争的关键。

逐渐圣诞节也变成了中国人的节日，点开朋友圈发现很多人都会穿上圣诞节红红的衣服，家里种上圣诞树，挂上喜庆的装扮，会给小朋友送礼物。

圣诞节在中国逐渐脱离了宗教色彩，演变成一个纯粹的「消费仪式」和「情感载体」。它不像春节那样承载着厚重的历史文化包袱，反而成为年轻人表达个性、营造仪式感的轻松选择。

“创业精神的核心不是吃苦，而是冒险、乐观与容忍不确定性”

创业是一场赌博，你可以输，但不能永远不下注。而真正的竞争力来自创新——它是企业存在的意义。没有创新，我们只会陷入同质化竞争，成为赛道上的追赶者，依赖运气和对手犯错才能翻身。

“所有模型都是错的，但有些模型是有用的” —— 乔治·博克斯

如果有人告诉你，大语言模型的核心机制早在 1960 年代就已被一位数学家提出，你会感到惊讶吗？这位数学家就是雷·所罗门诺夫（Ray Solomonoff），他的归纳推理理论如今被揭示为 GPT 等模型背后的数学依据。他是人工智能领域的「先知」，却鲜为人知。

想象一只猴子在打字机上随意敲击键盘。法国数学家博雷尔曾提出，理论上，这只猴子可能会写出《哈姆雷特》。但问题来了：如果我们看到一段序列，比如「3, 5, 7」，如何预测下一个数字是「9」还是「11」？这就是所罗门诺夫试图解决的问题——通过已知数据建立模型，从而预测未知。

💡 所罗门诺夫归纳法：最简洁的模型往往是最好的。例如，「打印奇数」的程序比「打印素数」的程序更短，因此更有可能成立。

这种思想不仅奠定了归纳推理的基础，也预示了今天大语言模型的核心逻辑。

“个人计算机是人类思维的自行车” —— 史蒂夫·乔布斯

你是否疑惑过，为什么在同样的技术浪潮中，有些公司能定义时代，而有些巨头却在坐拥金山时悄然陨落？

1995 年，这段曾被认为「永久遗失」的访谈，记录了乔布斯重返苹果前最犀利的思考。这些洞察在三十年后的今天，依然像针一样扎在每个创业者的痛点上。

为什么强如施乐（Xerox）会错失个人电脑时代？乔布斯提出了一个至今仍令大企业警醒的观点：流程依赖症。

最近一直在思考 AI 对人类学习效率的真正影响。在这个过程中，我一遍又一遍地推翻自己的设想，逐渐意识到一个深刻的问题：AI 在知识沉淀和关联方面，似乎并没有发挥我们期望的作用。

我们拥有了前所未有的信息获取能力，却依然在如何高效学习这个根本问题上困惑不解。AI 能帮我们快速找到答案，但答案背后的知识体系构建，依然需要人类自己去完成。这让我想起一个悖论：工具越是强大，我们越容易迷失在工具本身，而忘记了使用工具的初衷。

或许，真正的学习革命不在于 AI 能为我们做什么，而在于我们如何利用 AI 重新定义「学习」这个概念本身。

人类 1969 年就登上了月球，但直到 1991 年，带轮子的拉杆箱才真正普及。这正是当下 AI 行业的真实写照：我们拥有了「登月」般的顶尖算力，却还在等待一个像「拉杆箱」那样符合直觉、真正解决痛点的产品形态。

筛选「高信噪比」知识，本质上是一场 「注意力保卫战」。

在信息论中，信噪比（SNR, Signal-to-Noise Ratio）指有用信号功率与噪声功率的比值。应用到知识管理中：

• 信号 (Signal)： 对构建世界观有用、可复用、经得起时间考验的洞察。
• 噪音 (Noise)： 情绪化的宣泄、重复的资讯、很快过期的快餐信息。

要从海量信息中提取高信噪比知识，可以遵循以下五个核心过滤器：

这是最硬核的过滤器。纳西姆·塔勒布在《反脆弱》中提出：对于不会自然消亡的事物（如书籍、技术、思想），它存在的时间越长，它在未来能存在的时间就越长。