去了一趟中國AI實驗室，Linux基金會CTO感嘆：西方那兩套偏見全破產(chǎn)了

沒有硅谷的百萬年薪，DeepSeek 憑什么干翻美國大廠？

編譯 | 王啟隆

出品丨AI 科技大本營（ID：rgznai100）

剛結(jié)束中國大陸考察的 Linux 基金會全球 AI 技術(shù)官 Matt White，最近在一檔海外播客里聊了聊他的真實見聞。

在美國大眾想象中，制裁之下的中國 AI 實驗室應(yīng)該是一片死寂。但 Matt 密集走訪了 DeepSeek、零一萬物、月之暗面（Moonshot）、MiniMax 和阿里通義千問（Qwen）后，發(fā)現(xiàn)事實完全相反：中國實驗室的文化黏性很強、人才流動相對較少，而那些畢業(yè)于斯坦福、伯克利、卡內(nèi)基梅隆的華人頂尖研究者，現(xiàn)在也正成群結(jié)隊地選擇回國工作，而不是留在美國大廠。

此外，中國實驗室倒騰出來的工具，正在反向輸出到美國本土。因為 Meta 的 Llama 迭代放緩，通義千問（Qwen）已經(jīng)成為包括美國企業(yè)在內(nèi)、全球部署和下載最廣泛的開源模型。

Matt 舉了一個很接地氣的例子：有香港團隊想給產(chǎn)品做粵語語音客服，找美國某家明星語音 AI 供應(yīng)商，結(jié)果對方在活動中途突然升級了后臺 API，導(dǎo)致系統(tǒng)直接崩盤，發(fā)消息給創(chuàng)始人也石沉大海。最后他們抱著試試看的心態(tài)在 LinkedIn 上私信了 MiniMax 的創(chuàng)始人，對方立刻拉了個微信技術(shù)群，派工程師連夜把問題給解決了。

相反，他給另一家美國公司發(fā)了同樣的需求，結(jié)果就是消息石沉大海。這種“客戶第一、不計代價賺市場”的饑渴，是硅谷那些被過剩需求寵壞了的大廠根本無法理解的。

面對國內(nèi)現(xiàn)在同樣火爆的“單人公司”（OPC）和“開除所有員工、用 12 個 Agent 賺錢”的自嗨論調(diào)，這位開源老兵也潑了冷水。他說，現(xiàn)在的智能體底色依然是“隨機鸚鵡”，根本沒有真正的人類邏輯。比如有些企業(yè)用大模型做財務(wù)退款，結(jié)果模型被用戶兩句話越獄，退了一堆不該退的錢。這也是為什么他堅持要把防線用傳統(tǒng)代碼寫死，而不能指望模型每次都聽話。以下的他的觀點總結(jié)：

• 西方的出口管制不僅沒卡死中國，反而把北京逼成了全產(chǎn)業(yè)鏈自研芯片的“卷王”。此外，中國算法如今正在被硅谷大廠和開源生態(tài)反過來學(xué)習(xí)和使用。

• DeepSeek 內(nèi)部沒有硅谷那種拉踩和爭奪論文一作的自私，而是一種極其罕見的集體主義。所有人聚在一起，唯一的目的就是想辦法用最少的資源、在最受限的環(huán)境里把眼前的硬核問題解決掉。

• 大廠未來的大模型都要搬到付費 API 背后，而開源中輕量模型才是開發(fā)者的天下。

• 隨著中國開源模型下載量歷史性地超越西方，硅谷巨頭因為投資人的盈利壓力，正被迫收縮開源，把萬一參數(shù)的模型藏進 API 里。

• 企業(yè)和極客們想要的是不被隨時升級“暗改”的控制權(quán)，這讓高性價比的開源模型，在全球市場搶下了最大的心智份額。

• 別輕易相信那些“我開除了 500 個員工、只靠 12 個 Agent 賺錢”的 OPC 創(chuàng)業(yè)故事。現(xiàn)在的智能體本質(zhì)上還是 pattern matching（模式匹配），它根本不懂微積分，更沒有人類的邏輯。

• 用提示詞（prompt）去管智能體是最不靠譜的，你必須在系統(tǒng)層和網(wǎng)絡(luò)層硬核卡死它的權(quán)限。

“在硅谷，我們其實根本不知道中國 AI 已經(jīng)走到了哪里”

主持人：Matt，歡迎來到 Fiverr 播客。

Matt：謝謝，感謝邀請。

主持人：對還不了解你的人來說，作為 Linux Foundation 的 AI CTO，你的角色具體是什么？能不能帶我們了解一下你的職責、你的日常工作，以及你現(xiàn)在主要在做什么？

Matt：可以。我的很多工作都非常偏社區(qū)導(dǎo)向，核心是確保我們擁有一個健康的開源 AI 生態(tài)，確保有很多真正優(yōu)秀的項目能夠成長起來、被更多人看見。比如我們納入基金會的一些項目：vLLM、PyTorch、DeepSpeed，還有 Ray 等等。

我的一部分工作也非常聚焦教育。我們現(xiàn)在在做一些培訓(xùn)和認證，尤其目前圍繞 PyTorch 展開；同時也在確保開源 AI 在技術(shù)方向上足夠清晰、足夠強。此前我參與過“模型開放性框架”（Model Openness Framework, MOF）的工作，幾年前我們還為此寫過論文；另外還有 OpenMDW 許可證，這在開放模型領(lǐng)域也非常重要。

此外，我也會更多地走到社區(qū)中去，和大家交流。我們最近剛成立了 Agentic AI Foundation，所以現(xiàn)在我們也在圍繞 Agentic AI 構(gòu)建一個非常健康的生態(tài)系統(tǒng)。

我的工作，就是做社區(qū)的一個好 steward（守護者/管理者），幫助這個充滿活力的開源 AI 生態(tài)繼續(xù)成長。這個生態(tài)包含很多不同的層面：從開放數(shù)據(jù)集、開放模型，到整條技術(shù)棧上的各種開源軟件，都在其中。

在 Linux Foundation，這些內(nèi)容由很多不同的基金會共同承載。許多工作負載依賴 Kubernetes、Linux 以及其他基礎(chǔ)設(shè)施，而這些也分別由其他基金會來推動。我的職責之一，就是確保我們能夠讓更多人平等地獲得工具、平等地獲得教育資源，并持續(xù)推動整個開源 AI 生態(tài)向前運轉(zhuǎn)。

主持人：所以在加入 Linux 之前，你也曾經(jīng)負責過 PyTorch 的技術(shù)方向；再往前，你在企業(yè)技術(shù)領(lǐng)域幾乎干了 25 年，對吧？是在 IBM 嗎？

Matt：對。還有電信行業(yè)。

主持人：那這些經(jīng)歷現(xiàn)在如何幫助你看待這一輪 AI 熱潮？

Matt：幫助非常大。我職業(yè)生涯的大部分時間都在產(chǎn)業(yè)界度過。中間有一小段時間，我在 CableLabs 做研究，之后又回到產(chǎn)業(yè)界，再后來又到一家非營利機構(gòu)工作。

我覺得這讓我能夠同時理解兩邊的視角：一邊是企業(yè)和行業(yè)在 AI 上的需求、采用方式以及落地應(yīng)用；另一邊是開源基金會如何培育生態(tài)、擴大工具可及性、推動開源 AI 文化繁榮。所以某種程度上，這讓我也能夠同時擁有這兩種觀察視角。

另外一點，從我的角度看也很重要：要理解 AI 研究人員要經(jīng)歷什么、開發(fā)者要經(jīng)歷什么，這樣我們才能真正幫助他們解決問題。

我們等會兒還會回到你在 Linux 的工作，不過我很好奇：你剛剛結(jié)束了一趟很長的中國大陸之行，幾乎拜訪了所有主要的 AI 實驗室——DeepSeek、Moonshot、智譜，對吧，還有 Qwen，以及其他團隊。

Matt：對。

主持人：拋開那些大家都知道的事不談，這一趟最讓你驚訝的是什么？

Matt：我覺得，從這個角度來說……過去幾年我來過中國幾次，而這次最讓人驚訝的一點，站在一個美國人的角度看，就是：我們其實并不了解中國正在發(fā)生什么。我們看到很多優(yōu)秀的工作以開放科學(xué)、開源的形式被發(fā)表、被發(fā)布出來，但總體上，我們并不知道他們在研究上已經(jīng)推進到了哪里。

這次非常開眼界的一點是：當我來到中國、開始和這些實驗室接觸時，我發(fā)現(xiàn)他們對自己正在做的工作是非常開放的。他們愿意分享自己正在推進的各種創(chuàng)新。當然，不是說會把產(chǎn)品路線圖全告訴你，畢竟大家都有各自的商業(yè)定位；但就他們正在做的研究本身而言，是非常開放的。

這趟旅程中最讓人意想不到的一點，是看到他們對自己所做工作的熱情，以及他們對發(fā)表成果、把模型推向市場、看它在基準測試中尤其是和很多封閉 API 模型相比表現(xiàn)如何，所懷抱的那種興奮感。

這對我來說非常、非常有意思：他們并沒有藏著掖著，而是非常坦率地展示自己正在做的事情。

主持人：從這些拜訪和觀察來看，這和美國同行相比有什么不同？

Matt：在美國，人們私下里會稍微聊一點他們正在做什么，但一般不會直接邀請你進實驗室，然后進行這么大范圍、這么深入的分享。

在美國，實驗室之間的人才流動很多，研究人員在不同實驗室之間來回跳動，因此很多事情也談不上有什么特別大的秘密，尤其是在灣區(qū)，流動性很強。但在中國，實驗室在地理上分散得更多，對吧？有的在北京，有的在上海，有的在深圳，也有的在杭州。所以，這里沒有像美國灣區(qū)那樣高頻的人才流動。

我覺得文化上也有些不同。我還想說，中國實驗室的文化黏性也比較強。比如你在 Moonshot 這樣的公司工作——它的辦公室就是很搖滾、很年輕化的那種風(fēng)格。

主持人：你是說 Kimi 嗎？

Matt：對，就是它。那確實是一種不一樣的文化。

但還有一點是很多人沒有意識到的：這些研究人員里，很多人——尤其是創(chuàng)始人——其實受的是西方教育。比如 UC Berkeley、CMU、Stanford。他們在美國完成教育，然后回到中國。

而現(xiàn)在越來越明顯的一個趨勢是：很多創(chuàng)業(yè)者、很多研究人員，正在回到中國工作，而不是像過去那樣留在美國。歷史上，大家更希望留在美國發(fā)展；但我覺得中國在鼓勵創(chuàng)新和創(chuàng)業(yè)文化這件事上做得很好。

當然，這里也有自己的“灣區(qū)”，對吧？這個領(lǐng)域里也聚集了非常多的人。

主持人：實際上，很少有人意識到這一點。但如果你看世界地圖，會發(fā)現(xiàn)全球有兩個巨大的 AI 中心：一個是美國灣區(qū)，另一個其實離我們這里只差幾分鐘車程——就在深圳。

Matt：對。當然還有杭州，和北京。

“硅谷迷戀個人光環(huán)和百萬年薪，但 DeepSeek 團隊身上有一種共同體的謙遜”

主持人：在你和這么多中國研究人員交流之后，你怎么看待這樣一個現(xiàn)象：在西方，人們把它叫作“ChatGPT 時刻”；而在中國，很多人說是“DeepSeek 時刻”，甚至“斯普特尼克時刻”。你怎么看 DeepSeek？它在中國仍然處于絕對主導(dǎo)位置嗎？還是說，現(xiàn)在已經(jīng)變得更均衡了？

Matt：我覺得 DeepSeek 仍然被視作“尖兵”——是最前沿的創(chuàng)新者，是那種“用更少資源做更多事”的代表。他們推出了很多優(yōu)秀的創(chuàng)新，而且這些創(chuàng)新已經(jīng)被許多其他實驗室采用了，包括美國的一些實驗室。所以我依然認為，大家是帶著這樣的視角來看 DeepSeek 的。

中國的實驗室對 DeepSeek 已經(jīng)做出的事情、以及他們正在做的事情，都懷有很深的敬意。作為一個有開源背景的人，看著他們把這些成果帶到世界面前，我是非常能欣賞這一點的。

他們的研究論文寫得非常細致，你可以據(jù)此復(fù)現(xiàn)實驗結(jié)果。這對于整個 AI 領(lǐng)域的進步來說極其重要。我們希望研究公開得足夠充分，這樣別人才能真正去復(fù)現(xiàn)。

但我們也看到一個趨勢，而我對此并不是特別樂觀：研究論文越來越短，逐漸變成了 technical report（技術(shù)報告）。這些技術(shù)報告里往往沒有足夠多的信息披露，無法支持別人去真正復(fù)現(xiàn)研究。而這并不能推動 AI 進步；無論你對“我們將如何邁向 AGI”持什么立場，如果大家的研究都關(guān)起來了，那肯定無法真正推動整個領(lǐng)域向前。

主持人：就在你在中國期間，我記得 MIT 和 Hugging Face 發(fā)布了一份新報告，說中國開源模型在中國本土的下載份額，第一次超過了西方模型，對吧？這說明了什么？我們能不能說，全球開發(fā)者在心智份額上，已經(jīng)開始更偏向中國開源模型，甚至這種趨勢正在西方世界蔓延？

Matt：我覺得我們現(xiàn)在看到的很多中國模型，一個很重要的特點是：它們的小模型和中等規(guī)模模型表現(xiàn)更好，而這正在帶動下載量增長。這些模型的性能真的很強。

Llama 系列目前并沒有新的后續(xù)模型推出。所以Qwen（千問）現(xiàn)在其實已經(jīng)成了部署最廣的模型，甚至包括美國企業(yè)里也是這樣。我覺得我們現(xiàn)在看到的是：大量愛好者、研究者和開發(fā)者，都想把這些模型下載下來，在本地通過 Ollama 之類的工具運行。

與此同時，企業(yè)也希望通過成本優(yōu)化獲益，所以相較于調(diào)用 API、按 token 支付更高價格，使用這些更小或中等規(guī)模的模型顯得更有吸引力。

主持人：對，我記得 DeepSeek V4 最新的數(shù)據(jù)，好像在能力相近的情況下，比某些商業(yè) API 模型便宜了 50 倍，這幾乎引發(fā)了整個中國大陸的價格戰(zhàn)。不過很有意思的是，你也見了 MiniMax 的創(chuàng)始人，而他們第一次發(fā)布了一個閉源模型。他們有沒有解釋背后的邏輯？

Matt：他們沒有展開細講，但我覺得這會成為中國接下來的一個趨勢。過去人們的看法是：只要模型超過一萬億參數(shù)，訓(xùn)練成本就高得驚人，你就不得不把它放到 API 背后，因為它更難部署，同時也需要商業(yè)化回報。

美國那邊經(jīng)歷的是：有一些開源模型，有一些 API，現(xiàn)在整體越來越偏向 API。我確實覺得，中國接下來也會走向類似的模式。我認為這些實驗室中，有的今年已經(jīng) IPO 了，有的正在籌備 IPO，他們也面臨著必須證明商業(yè)價值的壓力。

主持人：對，他們必須得證明。

Matt：訓(xùn)練這些模型是要花錢的，對吧？他們有投資人，也必須實現(xiàn)某種回報。所以我覺得他們會轉(zhuǎn)向 API。很可能到最后，所有人都會在某個階段推出商業(yè) API，用來補貼研究和訓(xùn)練的成本。

主持人：以我個人和 MiniMax 創(chuàng)始人接觸的經(jīng)歷來看，我們當時在為活動開發(fā)一個內(nèi)部 AI 方案，是個語音智能體，但一直找不到適合香港受眾的粵語模型。剛好我認識他，就發(fā)消息問能不能有人幫忙對接 MiniMax。他立刻建了個群，把工程師拉進來，很快就幫我們解決了。

這和另一家美國公司的體驗形成了鮮明對比。我們當時在語音 AI 技術(shù)棧里用了美國一家公司，結(jié)果活動進行到一半，他們突然改了 API。我們花了很久才搞清楚問題出在哪兒，而且事先沒有任何通知。我后來還在 LinkedIn 上給那位創(chuàng)始人發(fā)了消息，結(jié)果沒有任何回復(fù)，什么都沒有。

我之所以提這個，是因為我感覺——至少在我的認知里——美國那邊對所有語音 AI 相關(guān)業(yè)務(wù)的需求實在太旺盛了；而另一方面，中國團隊這種“客戶優(yōu)先”、愿意盡最大努力、以最低成本主動幫你解決問題的方式，會讓我覺得，也許只是我舉的這個例子有偏差，但那確實是一次讓我開始重新思考的經(jīng)歷。

Matt：對。我覺得有些人和組織會希望自己對模型及其生命周期擁有更多控制權(quán)。他們可能不希望模型在后臺被悄悄升級。畢竟如果你用的是 API，對方就可以升級模型，一個小版本更新可能就會把某些東西搞壞，或者改動 API。

但如果你對系統(tǒng)有更多控制權(quán)，運行的是自己的開放模型，那你就可以自己決定規(guī)則、自己制定升級路徑。我覺得這對很多人來說是很有吸引力的。

“Meta 很久不發(fā)新 Llama 了，連不少美國企業(yè)都在偷偷下載通義千問”

主持人：我感覺整體上，中國團隊面對客戶時那種態(tài)度，以及某種積極進取、甚至可以說“帶著善意的攻擊性”——“為了客戶我們什么都能做，我們一定能搞定”——本身就在幫助他們搶市場。因為他們不像美國公司那樣，被過度需求“慣壞”了。

不過回到你的中國之行。你在博客里還提到，你曾和一些 DeepSeek 的資深員工一起吃午飯，其中有一位很早就加入了公司，甚至可以追溯到他們還在做量化的時期。通過和他們的交流，你覺得他們在內(nèi)部是怎么理解和推進工作的？有沒有什么不同之處，或者值得我們學(xué)習(xí)的地方？有沒有什么你可以分享的觀察？

Matt：可以。我覺得最打動我的，是 DeepSeek 團隊身上的謙遜。他們非常謙遜。我不覺得他們像某些組織里那樣，把重點放在“個人要證明自己有多強”“我要做論文一作”這類事情上。

我從 DeepSeek 得到的印象是：他們很有共同體精神。更像是“我們所有人在一起，努力解決真正的問題”。所以從我的體驗來看，那間辦公室里的謙遜氛圍，以及人們真心想解決問題、而不是過多在意個人發(fā)展、六位數(shù)七位數(shù)薪資之類事情的狀態(tài)，都讓我印象很深。

他們更像是在一個資源受限的環(huán)境里，和同事一起把事情做好、一起解決問題。

主持人：你的這趟行程還剛好碰上另一件很有意思的事：華盛頓那邊，白宮發(fā)布了一份關(guān)于針對美國 AI 模型的蒸餾攻擊的備忘錄，對吧？你在和中國同行交流時，有沒有感受到什么反應(yīng)？

Matt：有。我在整個 AI 生態(tài)里看到的一個普遍現(xiàn)象是：蒸餾其實是很多實驗室都會做的事情，對吧？有一種視角是：大家都在朝著同一個目標前進，朝著某種 AGI 終點前進，而每個人都想利用當下最好的東西。

現(xiàn)實情況是，很多機構(gòu)的數(shù)據(jù)都受限。他們沒有足夠高質(zhì)量的數(shù)據(jù)來繼續(xù)推進和改進模型。所以我確實看到，蒸餾被非常頻繁地使用，而且是被各種不同的組織在使用——無論中國還是美國。它并不是中國獨有的現(xiàn)象。

主持人：我記得你在 Substack 文章里說過，西方有一種敘事是：中國只是在復(fù)制粘貼西方做過的一切；還有一種敘事是，出口管制減緩了中國科技和中國 AI 的發(fā)展。你認為這兩種說法都不對。你能具體說說為什么嗎？

Matt：當然。中國的實驗室是在創(chuàng)新的，對吧？他們創(chuàng)造了很多非常優(yōu)秀的創(chuàng)新，而這些創(chuàng)新也被用于學(xué)習(xí)、用于實踐，甚至被應(yīng)用到了美國的開放模型和 API 產(chǎn)品中。這些創(chuàng)新是跨國界流動的。這本來就是 AI 研究共同推進、彼此分享的一部分。我認為這對整個領(lǐng)域都極其有益。

美國應(yīng)該這樣做，歐洲、加拿大、中國也都應(yīng)該這樣做——大家都應(yīng)該產(chǎn)出優(yōu)秀的開放科學(xué)成果。至于出口管制，恐怕并沒有達到預(yù)期效果。當你因為拿不到足夠資源而被迫創(chuàng)新時，你就一定會創(chuàng)新。我覺得中國發(fā)生的事情就是：這些實驗室意識到，好的，我們必須創(chuàng)新，我們必須把手頭的資源榨出更多價值。

而這件事確實發(fā)生了。我覺得這很好，因為這些相同的原則、相同的發(fā)現(xiàn)，也可以被我們應(yīng)用到世界各地的 AI 研究中。

硬件受限這件事，同樣也在倒逼中國、倒逼北京投資自己的芯片能力。于是我們看到這一領(lǐng)域出現(xiàn)了更多發(fā)展，芯片制造領(lǐng)域也涌現(xiàn)出大量新創(chuàng)企業(yè)。中國在稀土資源方面有獨特優(yōu)勢，也有能力構(gòu)建從原材料到生產(chǎn)、制造再到部署的完整垂直鏈條。

主持人：順著這個問題繼續(xù)。你還點名提到了四項具體的中國貢獻，說西方實驗室現(xiàn)在也在建立在這些成果之上：DeepSeek 的 GRPO、Moonshot 在 Muon optimizer 上的工作、字節(jié)跳動的 Verl，以及 MiniMax 在 scaling、lighting 和 attention 等技術(shù)方面的貢獻。我想知道，如果完全沒有出口管制，這四項里哪一項可能根本不會發(fā)生？

Matt：我?guī)缀跤X得，很難明確地說哪些創(chuàng)新一定是由出口管制直接催生的。我很喜歡拿 Muon optimizer 舉例，因為它最初的工作其實并不是起源于中國，而是起源于美國。最早有一篇論文發(fā)表了相關(guān)工作，后來又被后續(xù)實驗室不斷接力推進。

正是這種迭代式工作，才讓我們能取得今天這樣的進展，對吧？我非常希望看到更多人擁抱這種開放科學(xué)：你創(chuàng)造一個東西，別人把它改進，再有人繼續(xù)在此基礎(chǔ)上優(yōu)化。

我們在 LLM 的演化過程中已經(jīng)看到了這一點。Transformer 架構(gòu)被不斷修改，出現(xiàn)了更多優(yōu)化、不同形式的 attention，以及所有這些幫助我們構(gòu)建更高性能系統(tǒng)的創(chuàng)新。

我覺得這非常重要。而且我們也正在看到同樣的事情發(fā)生在技術(shù)棧更高層。不只是模型和 AI 研究層面，也包括更高層的框架、Agentic framework，以及各種 harness、scaffolding 和其他以開放形式發(fā)布出來的組件。

很明顯，OpenClaw 在中國非常火，而現(xiàn)在 Hermes Agent 也非常火。我覺得我在這次大會上幾乎和每個人聊，他們都在跟我談這個。開放創(chuàng)新、開源創(chuàng)新，往往最容易吸引關(guān)注，也最能吸引社區(qū)參與，邀請開發(fā)者貢獻。所以我認為，研究端的這種并行關(guān)系，在開源軟件開發(fā)一側(cè)也同樣成立。

“手頭只有 200 萬美元，千萬別想著去開一家 AI 實驗室”

主持人： 對，OpenClaw 在中國確實太夸張了，體量非常大。但我感覺它現(xiàn)在也開始有點……像是到頂了，然后開始平臺化甚至下滑。現(xiàn)在甚至已經(jīng)出現(xiàn)一整套“怎么把它從你電腦上卸載掉”的服務(wù)了，畢竟大家之前都裝過，對吧？

不過很有意思的是，你對開源 AI 模型的立場是什么？假如今天觀眾里有一位創(chuàng)始人，正在做 AI，拿了 200 萬美元融資，賬上 runway 還能撐 18 個月，你會建議他基于什么去構(gòu)建？Claude？還是別的什么，DeepSeek、Qwen？你怎么看？

Matt：如果你只有 200 萬美元，我會強烈建議他不要自己開一家 AI 實驗室，因為那肯定不夠……

主持人：不是訓(xùn)練模型呢？我是單指做 AI 應(yīng)用。

Matt：我覺得，在做產(chǎn)品這件事上，現(xiàn)在仍然有非常多創(chuàng)新機會，也非常適合創(chuàng)業(yè)公司。關(guān)鍵是你必須找到自己的 niche（細分定位）、自己的垂直領(lǐng)域。你是要做金融相關(guān)的東西？還是要做某個特定行業(yè)？還是你要提供某種通用型專業(yè)服務(wù)？

我不覺得我能給出一個放之四海而皆準的答案……當然，大家都很喜歡 Claude Code，它是個非常優(yōu)秀的工具。至于到底是使用本地基礎(chǔ)設(shè)施或自托管基礎(chǔ)設(shè)施上的開放模型，還是使用像 Fireworks、Together 這樣的推理服務(wù)商，或者干脆直接使用付費 API，我覺得這取決于你作為一個組織的具體需求。

如果你是一家創(chuàng)業(yè)公司，通常來說，使用開放模型能讓你用更少資源做更多事情，而且可以形成一種很順滑、低摩擦的方式，把 token 成本壓低，從而把更多資金投入到營銷、團隊增長等方面。

但反過來說，如果你用 API，管理上的額外負擔會低很多。所以我覺得這兩條路線都很好，關(guān)鍵還是看你的創(chuàng)業(yè)公司是什么情況、想實現(xiàn)什么目標。

主持人：OpenAI 剛剛停止了他們的模型微調(diào)服務(wù)，所以如果你想做一件特別聚焦、重復(fù)性很強、同時又非常講成本效率的事，實際上你現(xiàn)在幾乎只能去微調(diào)開源模型了。

Matt：對。我也很希望看到更多經(jīng)過微調(diào)的開放模型被分享出來，并形成一個很好的生態(tài)。Hugging Face 和 ModelScope 上都有很多這樣的模型，但在一片模型海洋里，搞清楚哪個最適合自己的應(yīng)用，有時候也確實很難。

如果能有一個值得信賴的微調(diào)模型生態(tài)就很好：你知道模型來源，知道它最初基于什么模型構(gòu)建，也知道它是不是把原本受限許可的模型重新?lián)Q了個寬松許可再發(fā)布出來……這些信息都非常關(guān)鍵。因為在你圍繞某個微調(diào)模型開展商業(yè)化之前，你必須確認它的許可證，和你原先理解的是一致的。

主持人：我想Meta 的 Llama 就是一個例子，對吧？它在應(yīng)用層面的許可其實是相當受限的。從你推動的開源框架，尤其是和 AI 模型相關(guān)的那套框架來看，你覺得今天誰最接近你們所設(shè)立的“真正開源模型”的標準？是 DeepSeek？Llama？Qwen？Mistral？

Matt：這個問題我覺得可以分成兩部分來看。

第一部分是：凡是使用寬松許可證的模型——而且今天它們本質(zhì)上都在使用軟件許可證，所以像 Apache 2.0 或 MIT——這些模型就是最“寬松”的，對吧？因此，任何 DeepSeek 模型、任何 Mistral 模型，以及來自 AI2 或 MBZUAI 下 LM360 計劃的那些模型，都屬于你可以“用于任何目的”的模型。無論是研究，還是拿來做應(yīng)用，還是圍繞它創(chuàng)業(yè)，都是可以的。

而所謂 community license（社區(qū)許可證）則是附帶限制的。它可能會有使用量觸發(fā)門檻，等等。所以你需要有辨別力。凡是這種社區(qū)許可證，里面防線都會有某種條件：一旦觸發(fā)，你就得重新談授權(quán)，或者只能非商業(yè)使用，或者只能研究用途等等。所以讀許可證非常重要。把許可證丟給你喜歡的 agent，或者直接扔給 ChatGPT，讓它幫你提煉重點，也很有幫助。

這是第一部分。第二部分是：開源軟件許可證本來是為軟件設(shè)計的。幾年前，我們在 Linux Foundation 啟動了一項工作，想專門為模型設(shè)計一套許可證。大概三四年前，或許已經(jīng)四年了，我們開始推進“模型開放性框架”，想定義：什么算是開放模型？什么又比它更進一步，可以稱為開放科學(xué)？

所謂開放科學(xué)，意思是你發(fā)布的不只是模型及其權(quán)重，還要發(fā)布所有數(shù)據(jù)集、所有訓(xùn)練代碼、所有 recipe（訓(xùn)練配方）、各種 benchmark（基準測試），以及其他所有幫助你得到最終產(chǎn)品的附屬材料。

我們已經(jīng)看到一些不錯的實踐。AI2 在這類開放科學(xué)路徑上做得很好，他們讓社區(qū)能夠復(fù)現(xiàn)自己的工作。我們所追求的就是這種開放科學(xué)，這對教育、可復(fù)現(xiàn)性、透明度和研究目的都非常有價值。

但如果只是從“足夠讓你開展業(yè)務(wù)”或者“滿足較低程度研究需求”的最低可行要求來說，通常只要有模型和權(quán)重就夠了，對吧？我們把這定義為 open model（開放模型）。

當時——其實現(xiàn)在也還在廣泛使用——大家有個詞叫 open weights。雖然這個詞聽起來好像“開放”，但實際上它通常被用來指那些帶有限制許可證的模型，也就是有附加條件的模型。而我們所說的 open model，是指使用寬松許可證的模型，也就是你對它的使用沒有限制。

在實踐中，開放科學(xué)當然很棒，但只要牽涉到商業(yè)利益，大家往往還是會退回到 open model 的層次。畢竟，不是每個人都能復(fù)現(xiàn)一個一萬億參數(shù)模型，也不是每個人都有那個資源。所以我覺得，至少我們要確保這些使用寬松許可證的開放模型存在，而且整個社區(qū)都能訪問。這樣大家才能學(xué)會如何與這項技術(shù)打交道，才能在這項技術(shù)之上繼續(xù)構(gòu)建。我覺得這極其重要。

主持人：在 Linux Foundation 當前的項目里，哪些最受社區(qū)和貢獻者關(guān)注？你覺得現(xiàn)在最熱的是哪些？

Matt：肯定有很多關(guān)注集中在 Agentic AI Foundation、MCP 上。很多人都在構(gòu)建 MCP server，也在自己的組織里集成 MCP。

Linux Foundation 有一個很獨特的優(yōu)勢，就是我們擁有這些分布在不同技術(shù)棧層級的基金會。在應(yīng)用層這一側(cè)，我們有 Agentic AI Foundation 和它推動的一系列項目。對我們來說，這還是非常早期的階段，對吧？這個基金會成立也就五六個月左右。現(xiàn)在參與其中的成員已經(jīng)快到 200 個了。所以大家對 Agentic AI 的熱情非常高。

當然，也有一些更成熟的項目，比如 Kubernetes。它對所有 AI 工作負載以及云工作負載都絕對至關(guān)重要。顯然，Linux kernel 也非常重要，而且部署極其廣泛。再往上我們還有 PyTorch Foundation，它旗下有很多處于 AI 基礎(chǔ)設(shè)施層的項目，比如如何構(gòu)建模型、如何訓(xùn)練和微調(diào)模型，以及如何在生產(chǎn)環(huán)境部署模型并提供推理服務(wù)。可以說，這些基金會都在這條技術(shù)棧中扮演著各自的角色。

主持人：當我告訴我的工程團隊，我今天要見 Linux 的 AI CTO時，他們第一個問題就是：AI 會不會被引入到 Linux 內(nèi)核層面？你們有沒有這方面的設(shè)想，或者某種計劃？你覺得 AI 在這里能扮演什么角色？

Matt：從根本上說，我沒法代表 Linux kernel 開發(fā)那一側(cè)發(fā)言，因為我并不參與 Linux 內(nèi)核本身的開發(fā)。但我會說，AI 作為一種工具，已經(jīng)在很多地方被廣泛使用了，對吧？比如幫助優(yōu)化代碼。

對我們合作的一些項目來說，現(xiàn)在很多人都在問：如果他們想使用 Claude Code 或其他 agent，要怎么貢獻代碼？很多項目現(xiàn)在都已經(jīng)制定了關(guān)于 agent 是否可以參與貢獻的政策。

我們看到不少項目開始有點PR 的數(shù)量壓垮了。因為現(xiàn)在很多幾乎沒有編程基礎(chǔ)或項目知識的人，也能提 PR，這多少會讓維護者有點應(yīng)接不暇。與此同時，我們也看到 AI 被用來緩解這個問題，對吧？比如審查 PR、做歸并整理。

我覺得我們現(xiàn)在正處于一個比較“混亂探索”的階段，等大家把這些問題慢慢摸清楚以后，可能會進入一個更規(guī)范的階段。但可以確定的是，coding agents 現(xiàn)在真的非常普及，尤其是在開源領(lǐng)域。看不同項目的核心維護者是如何處理這件事、如何面對不斷涌入的 PR，其實還挺有意思的。

主持人：從未來趨勢來看，如果 AI 最終會成為主要交互界面，甚至是對話式 AI，那么我們現(xiàn)在習(xí)慣的操作系統(tǒng)界面——按鈕、設(shè)置、命令行這些東西——還真的有必要存在嗎？如果 AI 已經(jīng)被嵌進系統(tǒng)底層，你只需要直接和它說話不就好了？

Matt：雖然我們現(xiàn)在已經(jīng)具備了 voice-to-voice 這類語音模型能力，但總體上你并沒有看到人們像使用手機鍵盤那樣頻繁地使用語音，對吧？QWERTY 鍵盤依然是主流。所以我覺得 UI 仍然有存在空間。

主持人：可能大家都被 Siri 創(chuàng)傷過。

Matt：對，也許吧。但確實還是有很多人根本不喜歡語音界面。而且如果你身處公共場所，你真的想……

主持人：也不一定非得是語音，也可以是對話式。核心問題是：現(xiàn)在出現(xiàn)了一層新的交互層，正在重新定義我們看待軟件的方式。

Matt：對。我覺得人們與系統(tǒng)交互的方式，確實正在隨著 AI 出現(xiàn)轉(zhuǎn)變。但這也和使用者是誰有關(guān)，對吧？消費者、工程師、研究者、開發(fā)者，他們不一樣。

顯然，更技術(shù)向的人會希望獲得更深層的訪問能力。我們已經(jīng)看到越來越多 agent 通過 CLI 運行，或者直接集成 API。隨著模型變得更有 agent 能力、更強大，我覺得我們未來可能會看到一套面向 agent 的接口，以及另一套面向人的接口。但至少目前，我們還是在同時訓(xùn)練模型去理解程序接口和人類界面。

“AI 永遠只是個工具，出了事它連坐牢和承擔法律責任的資格都沒有”

主持人：你剛才提到了 agentic AI、MCP，以及如今對 API 的訪問方式……你也談到過安全問題，尤其是關(guān)注點正從 LLM 本身的安全，轉(zhuǎn)向 agent 的安全。你能不能多講講你是怎么思考這個問題的？

Matt：安全顯然對所有人都重要。對下游用戶重要，對消費者重要，對構(gòu)建系統(tǒng)的人也同樣重要。

其中一個非常關(guān)鍵的點是：模型安全只是一部分。但當我們在模型之上構(gòu)建系統(tǒng)——無論是 agentic system，還是未來其他形式的系統(tǒng)——就必須把安全性納入其中。我一直鼓勵“安全優(yōu)先”的工程方式，以及“by design”的安全設(shè)計，因為你必須提前思考人們會如何使用你構(gòu)建的技術(shù)，所以我們希望這些技術(shù)從一開始就是以負責任的方式被設(shè)計出來的。

與此同時，這也給創(chuàng)業(yè)者帶來了很好的機會：去創(chuàng)建那些圍繞安全與安保而構(gòu)建的公司，去提供 guardrails（護欄）和 harness（控制框架），從而約束系統(tǒng)的安全行為。

在 agentic system 中，你從模型那里繼承了很多東西，很大一部分都繼承自模型；但你同時也在構(gòu)建程序化腳手架。agent 本身是被代碼化的，對吧？所以在這一層面上施加安全約束，同樣也非常重要。

主持人：如果你面對的是 agent swarm 或多智能體系統(tǒng)，安全性該怎么落實？畢竟和單一模型相比，你對它的控制其實沒那么強。

Matt：對于多智能體系統(tǒng)來說，安全必須內(nèi)建在 framework（框架）里，對吧？框架和 harness 的作用，就是把它約束住、裝進邊界里。

多智能體系統(tǒng)在架構(gòu)上有很多不同形態(tài)，比如生成子 agent、做多 agent 協(xié)調(diào)等等。對這類系統(tǒng)來說，安全必須體現(xiàn)在協(xié)議層，也就是說要在 protocol layer 上強制執(zhí)行安全和安保要求，同時也要落實在真正運行 agent 的框架內(nèi)部。安全必須在每一層都被考慮進去。

這和我們在 Web 世界里做的事情是一樣，對吧？比如操作系統(tǒng)里有一層約束，程序本身里有一層約束，網(wǎng)絡(luò)層和接口層也有約束。

很多時候，當你全力追求創(chuàng)新、不斷試驗、站在技術(shù)尖端的時候，安全和安保往往會變成最后才想起的事情。但這些問題必須被正視。所以，我們不僅要從網(wǎng)絡(luò)安全、應(yīng)用自身的安全和隱私問題出發(fā)去思考，也要考慮下游影響，比如對社會的影響、對環(huán)境的影響等等。

主持人：我還想問你一個關(guān)于 LLM 的問題。大概一年前，你寫過：所謂 reasoning，并不是人類意義上的推理，而是一種“偽推理”；模型其實并不會真正推理。現(xiàn)在一年過去了，我們看到這類“推理能力”已經(jīng)顯著增強。你的看法變了嗎？

Matt：對我來說，沒變。因為這仍然不是人類意義上的推理，對吧？當我們說 next-token prediction（下一個 token 預(yù)測）時，我們是在通過文本、通過人類給出的示例，去模仿人的推理方式。

但我們?nèi)祟惼綍r并不是以 token 或書面形式來推理的，對吧？我們是通過大腦來推理。所以我覺得很重要的一點是，要意識到：LLM 所展現(xiàn)出來的“推理”，并不等同于人類層面的推理能力。但這并不意味著 LLM 的這種推理沒用，對吧？它不需要和人腦推理完全同構(gòu)，問題在于：它對應(yīng)用有用嗎？當然有。

它總是對的嗎？不是。那人類總是對的嗎？也不是。我覺得我們需要從這樣一個視角來看：把 LLM 或聊天機器人“人格化”，或者在潛意識里相信我們正在與一個活著的人對話，是有些危險的。

主持人：為什么？

Matt：很多時候人們會深陷其中，甚至產(chǎn)生一種被它理解的幻覺，進而被引導(dǎo)做出一些極端的行為。我們需要時刻提醒自己，和我們對話的，只是一個被精心調(diào)校過的統(tǒng)計學(xué)系統(tǒng)。它在進行數(shù)據(jù)模式的匹配。有時，它只是在原封不動地把我們自己的執(zhí)念和聲音反射（echo）回來。

主持人：我想說的是，我非常喜歡你把 LLM 的推理比喻成“鸚鵡”的說法——它可以復(fù)述人的短語，甚至整句話，但并不真正理解自己在說什么。

Matt：對。不過我要說明一下，“stochastic parrot（隨機鸚鵡）”這個類比并不是我最先提出來的。但確實，當我們訓(xùn)練 LLM 時，本質(zhì)上就是在做模式匹配，對吧？而且通過微調(diào)和強化學(xué)習(xí)，我們其實是在有意地確保 LLM 能夠遵循意圖。

你給它塞進去一堆上下文，同時也表達你的意圖，理想情況下，它會返回你所期待的那類結(jié)果。我覺得過去幾年里，我們在數(shù)據(jù)配比和模型訓(xùn)練方法上確實做得更好了，這也帶來了明顯更好的結(jié)果。

主持人：大語言模型的局限性很明顯。你怎么看 Yann LeCun 現(xiàn)在在推進的那個所謂“世界模型”？

Matt：Yann LeCun 有他的 JEPA 架構(gòu)，那是一種不同的理解方式，關(guān)于如何……不一定是順序式訓(xùn)練，而是……

我覺得這很好。對我來說，我對 world model（世界模型）的興趣更多和機器人、具身智能有關(guān)。如果你認同這樣一種觀點：要實現(xiàn) AGI、超級智能，或者無論你最終追求什么，就必須具備和人類似的全部要素——多感官輸入、對物理規(guī)律的理解等等——那么世界模型就說得通，對吧？

當然，對“世界模型”到底是什么，也有不同看法。有人說它是視頻、圖像和文本；也有人說，不，你還得能夠在里面構(gòu)建三維空間。

主持人：還得能接收實時指令。

Matt：對。所以世界模型會有不同的路徑。假如你是做機器人的，你關(guān)心的是 action（動作）。你關(guān)心的是：不僅要感知世界，還要預(yù)測結(jié)果，對吧？比如“我的機器人下一步要怎么抓這個物體？” 這意味著你觸發(fā)的是行動，你關(guān)心實時感官輸入，也關(guān)心執(zhí)行器的驅(qū)動能力等等。

所以它取決于你的出發(fā)點。“世界模型”在不同語境里意味著不同東西。甚至游戲玩法、游戲生成，或者“選擇你自己的冒險”那種互動電影，也都可能從世界模型中衍生出來。我非常好奇接下來會怎么發(fā)展。擴散模型和 Transformer 目前還是主流架構(gòu)，除非你走的是 JEPA 這條路線。

主持人：你提到了機器人。你這次也見了宇樹的創(chuàng)始人，以及中國其他一些機器人公司。你還暗示過，這個行業(yè)正在局部進入泡沫期，只是你當時沒有細說是哪種泡沫。你能不能展開講講你的觀察？

Matt：對。全球范圍內(nèi)都有很多機器人公司，但中國尤其多。光是做人形機器人的公司，大概就有 150 家以上。大家都在爭奪一個目前還很小、但正在增長的市場。

那些真正能夠解決機器人核心難題的公司——比如手部靈巧度問題——才會更有機會。自主性問題現(xiàn)在也還沒解決。現(xiàn)在很多機器人系統(tǒng)其實仍然是遠程操控的，或者是高度編排好的、提前寫好程序的。所以 autonomy（自主性）還沒有真正被攻克，而很多人都在做這件事。

我看到的是，中國機器人創(chuàng)業(yè)公司在機械、物理、執(zhí)行器設(shè)計、以及把所有零部件整合起來這方面非常強。而美國機器人公司則更聚焦于“大腦”——也就是背后的 AI，以及支撐機器人的多模型系統(tǒng)。

確實有可能出現(xiàn)“太多了”、過度飽和的情況。這在任何行業(yè)里都會發(fā)生：當大家一擁而入的時候，總會如此。但中國機器人公司這一塊，是北京明確優(yōu)先推動的方向，所以他們對這個生態(tài)做了很多投資。就像任何市場一樣，最后一定會有贏家和輸家。接下來幾年，我們大概就會看到，誰會真正脫穎而出，誰又無法在頂級競爭中繼續(xù)站穩(wěn)。

“‘我們自己能做得更好’這種幻覺，正在讓很多企業(yè)空手而歸”

主持人：我很想聽聽你對這個問題的看法。你在企業(yè)技術(shù)領(lǐng)域干了很多年、很多個十年，現(xiàn)在又在這個前沿層面上和很多 AI 公司打交道。從你的觀察來看，企業(yè)在嘗試應(yīng)用 AI 時，最常犯的錯誤是什么？無論是他們看待 AI 的方式，還是他們在戰(zhàn)略上如何把 AI 引入工作流、尋找可落地的商業(yè)模式或內(nèi)部自動化機會——你的看法是什么？

Matt：我不覺得企業(yè)在“采用 AI”這件事上存在問題。我覺得真正的挑戰(zhàn)在于：如何在企業(yè)里“成功部署 AI”。而導(dǎo)致失敗結(jié)果的因素，其實有很多。

其中一個，就是那種“我知道我能把這個做得更好”的心態(tài)。于是企業(yè)不是去買現(xiàn)成方案，而是自己造；但問題在于，你并沒有相應(yīng)的人才儲備。于是你花了很多時間做實驗，消耗了大量周期和資本，試圖做出某種“新東西”，可實際上，生態(tài)里可能早就已經(jīng)有了成熟的核心組件。

開源想做的一件事，就是提供這些基礎(chǔ)組件，讓組織可以站在它們之上繼續(xù)搭建，而不是從頭全部重造，對吧？現(xiàn)在大家都在跑，尤其在 agentic AI 這邊，有時候你會覺得“自己搭最有吸引力”，而不是去用一個已經(jīng)由合作伙伴構(gòu)建好的成熟框架。即便那個框架不是開源的，對方也可能提供專業(yè)服務(wù)，并幫助你走正確的路徑。

所以我覺得，企業(yè)應(yīng)該認真看待合作伙伴。不要把這當成一段必須獨自完成的旅程。當然，會有很多顧問很樂意拿你的錢給你建議；但我最常看到的還是那種“我們能做得更好”或者“這我們自己也能做”的心態(tài)，最后結(jié)果卻達不到預(yù)期。

主持人：你能舉一些具體行業(yè)或用例的例子嗎？哪些場景里你看到這種思路經(jīng)常失敗？

Matt：可以。不點名任何具體機構(gòu)，幾年前最典型的就是聊天機器人，對吧？“我們怎么在自己的基礎(chǔ)設(shè)施上做一個更好的聊天機器人？”“哦，我們有數(shù)據(jù)，那就自己預(yù)訓(xùn)練一個模型吧。”——這就不是個好主意，對吧？

市面上已經(jīng)有很多優(yōu)秀的預(yù)訓(xùn)練模型。你完全可以從這些基礎(chǔ)模型出發(fā)，再自己做微調(diào)。但我們當時看到很多企業(yè)直接去訓(xùn)練模型，而這通常都是個壞主意。如果你不是一家實驗室，那就不要把重心放在那里。

我知道有很多組織試圖自己預(yù)訓(xùn)練模型，最后都不了了之，燒掉了大量資金，卻幾乎一無所獲。所以我的建議是：站在現(xiàn)有的積木之上繼續(xù)搭。現(xiàn)在開放生態(tài)里已經(jīng)有很多很棒的東西，我們當然希望看到更多。我們希望看到更多真正開放、真正采用寬松許可證的模型。我覺得我們擁有一個充滿活力的項目生態(tài)非常重要——這些項目不僅幫助“開發(fā) AI”，也幫助“應(yīng)用 AI”。

主持人：我知道的一個例子是 Revolut。他們發(fā)布了自己的模型，不過按他們的說法，那不算語言模型，而是更多基于他們內(nèi)部數(shù)字和數(shù)據(jù)訓(xùn)練出來、供內(nèi)部使用的模型。我猜，一方面可能是因為他們當時從現(xiàn)有項目里可選的不夠多，另一方面，大規(guī)模數(shù)據(jù)和隱私敏感性可能也確實會把他們推向這條路。我們拭目以待吧，這畢竟只是第一版，還得看會不會有第二版。

除了“我們內(nèi)部做得更好、而不是用現(xiàn)成模型”這一類問題之外，現(xiàn)在企業(yè)在管理層面或業(yè)務(wù)層面，做 AI 時還有哪些常見錯誤？

Matt：另一個關(guān)鍵點，是要識別“低垂果實”（low-hanging fruit）。當你在看可探索的用例時，不要一開始就伸手去夠最高那層架子上的東西，不要上來就挑最復(fù)雜、風(fēng)險最高的用例。

你一定要對用例做風(fēng)險評估。要確保你選擇的是那些既可實現(xiàn)、又能真正帶來優(yōu)化與自動化收益的用例。如果它不能，那你做出來的東西就只是一個“看，我們也能做”的演示品，卻沒有給組織帶來任何實實在在的回報，那這件事顯然就不值得做，對吧？

你要確保自己是在做那些可以落地的用例，而不是花 6 到 12 個月造一個東西，最后卻一無所獲。當然，風(fēng)險評估也很重要，因為很多人都對這樣一種前景感到興奮——

其實昨天還聊到一個話題：你會愿意讓一個 agent 代你投資多少錢？我覺得隨著時間推移、隨著它們變得更可靠，人們會越來越愿意讓它們替自己投資。但現(xiàn)在，大家的態(tài)度還是：“我可不想讓 agent 碰我的錢。”

我們已經(jīng)看到過一些聊天機器人或客服 agent，本不該退款卻退了款，或者被 jailbreak 之后做出錯誤行為。所以，還是要回到安全、安保和隱私這些基本問題上：你必須有非常強的安全姿態(tài)，必須設(shè)置牢靠的 guardrails。因為你肯定不希望發(fā)生數(shù)據(jù)外泄，或者個人信息泄露這類事情。

很多這類系統(tǒng)，必須通過代碼以確定性的方式去構(gòu)建，而不是每次都依賴模型去正確執(zhí)行你的意圖。

主持人：對，我剛意識到，單靠 prompt 里的那些 guardrails 可能并不是最好的做法，對吧？也許應(yīng)該在用戶和 LLM 之間硬編碼一層“感應(yīng)器”或攔截器，專門處理各種邊緣情況。

Matt：對。

主持人：說到 agentic AI，現(xiàn)實里你有沒有看到過什么成功案例，是自主 agent 在日常工作中完全替代人類的？

Matt：我會說，大家對“自治”在 agent 里的含義其實理解并不一致。我見過最極端的一種說法，是把 agent 想象成某種完全主權(quán)化、漂浮在以太中的存在，自己跑出去把事情都做了。

但說到底，你希望 agent 真正做到的，還是它定義上的那件事：代表你工作，幫你達成某種結(jié)果。

我現(xiàn)在看到能量最集中、關(guān)注最多的，大概有兩個方向。第一個是基礎(chǔ)積木。我還是會回到“積木”這個概念：有這些開源的基礎(chǔ)組件，你可以在上面繼續(xù)搭，無論是像 MCP 這樣的協(xié)議，還是某種通用型 harness，或者其他可以用來構(gòu)建 agent 的組件。再比如 skills，把這些東西組合起來，做出真正有用的系統(tǒng)。

我覺得現(xiàn)在很多人都在聚焦這一層：做協(xié)議、做標準、做規(guī)范、做框架，以及各種可復(fù)用的 skill 組件。

第二個方向是落地應(yīng)用。不過現(xiàn)在這些都還很實驗性。在采用層面，真正最有價值的，還是那些更簡單的用例，對吧？所以你得穿透很多噪音。總有人說自己靠一個金融 agent 一夜賺了一萬億美元，或者“我把團隊都裁掉了，現(xiàn)在我有 50 個 agent”。

主持人：對，“我現(xiàn)在沒有員工了，我是 one-person company。我原來有 500 個員工，全裁了，現(xiàn)在只剩 12 個 agent。”

Matt：對，這種話你必須學(xué)會過濾。你得現(xiàn)實一點。很多人對“一個人開公司，把自己徹底解放出來”這種前景充滿想象，這當然很好。AI 讓一些人能做以前做不到的事情，也能自動化他們大量日常工作。

但我們普遍并沒有看到一個 agent 獨立完成整個工作流。通常是：這個步驟用一個 agent，那個步驟用一個 agent，再另一個步驟用另一個 agent。

比如報稅。如果你不想自己翻收據(jù)、做匯總，你可以把收據(jù)掃描，或者把 PDF 丟給一個 agent，讓它幫你做表格、算總額、把材料整理好，然后你再去核驗，最后提交報稅。

所以，現(xiàn)實里有很多細膩、具體的用例。但有一件事始終重要：你必須驗證。尤其如果你在做應(yīng)用，你一定要 benchmark（做基準評估）。很多時候你還得自己設(shè)計 benchmark，因為你必須確認它在你的場景下確實有效。在你把東西上線、或者真正投產(chǎn)之前，確保你有正確的 benchmark，這非常重要。

主持人：說到企業(yè)內(nèi)部的 AI 采用，對于不同規(guī)模的公司，最佳策略會是什么？應(yīng)該從哪里開始？今天如果有人在經(jīng)營一家公司，做法會有很多種，對吧？有些老板會說“所有人必須用 AI”；還有的說“誰不用 AI 我就不給獎金”，甚至“誰不用我就罰誰”。從你的角度看，第一步、第二步、第三步，應(yīng)該怎么走？

Matt：我覺得有一點非常重要，需要先認識到：你并不一定非要直接和 AI 交互，才能獲得 AI 帶來的收益。AI 正在一點點進入你所使用產(chǎn)品的功能之中，對吧？

所以，無論你是不是直接使用 GPT 或 Gemini，其實都不是唯一途徑。像 Adobe 這種策略就很好：把能力集成在幕后，在產(chǎn)品里加入更多生成式功能、更多 agentic功能，用這種方式提升企業(yè)生產(chǎn)力。這是一種很好的路徑。

因為對采用者來說，這是“阻力最小”的方式。你不一定非得直接操作這項技術(shù)。

主持人：比如在客服層面這樣做。

Matt：對，正是如此。所以即使你是企業(yè)，也可以去跟你的供應(yīng)商、產(chǎn)品提供商溝通，說：“我們希望你把這個功能做進去。” 讓他們替你構(gòu)建，這樣你就不必自己去補齊這部分能力了，對吧？因為你把這項功能開發(fā)外包給了你的第三方供應(yīng)商——也就是那些為你提供應(yīng)用軟件的人。

這是最輕量的一種方式，對吧？尤其是如果你并不是一家 AI-native 的組織，內(nèi)部也沒有足夠熟練的人才。

主持人：所以就是：去找你的 vendor，讓他們把 AI 驅(qū)動的功能做進去。

Matt：對。尤其如果你是一家 100 人公司、50 人公司，真的沒必要什么都自己造，對吧？你應(yīng)該更多借助你的 vendor。

如果你是更大的組織，我總是會說：去找顧問。不要假設(shè)自己第一天就能把所有東西都學(xué)明白。

如果你是硅谷創(chuàng)業(yè)公司，那你大概率會更傾向自己做。但如果你的業(yè)務(wù)目標不是做 AI 本身，也不是做 agentic-first 公司，那你還是應(yīng)該更多利用外面現(xiàn)成的工具。

這也是為什么開源如此重要，對吧？能夠接觸到這么多工具、這么多組件，用來構(gòu)建你的產(chǎn)品、服務(wù)，或者增強你內(nèi)部系統(tǒng)。

如果我們講的是企業(yè)，要和大量遺留系統(tǒng)、后臺系統(tǒng)打交道，要利用自己的數(shù)據(jù)，那現(xiàn)在已經(jīng)有很多工具，能把原本屬于經(jīng)典 SQL 世界的數(shù)據(jù)接到語言模型里。

現(xiàn)在市面上真的已經(jīng)有很多很好的產(chǎn)品了。很多當然是商業(yè)產(chǎn)品，但關(guān)鍵還是：你必須先明確自己的用例是什么，對吧？我不會建議你在還沒明確問題之前，就先去找解決方案。

說到底，還是回到第一性原理：對你的組織來說，最重要的用例是什么？你能通過自動化實現(xiàn)哪些最大化優(yōu)化？你會通過哪些方式實現(xiàn)成本節(jié)省？諸如此類。你必須非常聚焦于自己真正要解決的問題。

主持人：但如果你讓 vendor 幫你做這些事，那你的競爭對手也都能拿到同樣的能力。那你就沒有優(yōu)勢了。

Matt：當然。這就要區(qū)分“差異化”和“生產(chǎn)力提升”了。內(nèi)部生產(chǎn)力是一回事。有時把那個功能外包給供應(yīng)商并不明智。但在差異化因素上，這才是你應(yīng)該投資的地方，對吧？如果你要讓自己和競爭對手區(qū)分開來——如果你的唯一優(yōu)勢只是理賠處理得更快，如果你是在保險行業(yè)，那算不上真正的護城河，對吧？這確實能讓你跑得更快，提供更好的客戶服務(wù)，但終究還是要找出這些差異化因素，并看看 AI 是否是個好的解決方案。

AI 并不總是萬能藥，對吧？生成式模型也不見得能搞定所有事情。我記得很清楚，大模型剛出來那會兒，大家都說：“防欺詐檢測，我得用大模型。” 根本不用，你手頭明明有非常好用、也更精準和穩(wěn)定的經(jīng)典機器學(xué)習(xí)模型，完全能搞定識別網(wǎng)絡(luò)里的違規(guī)設(shè)備或者欺詐交易，而且準確度更高。

所以你沒必要僅僅因為它最新、最潮，就非要把一切都挪到大模型上。

主持人：是的。而對于差異化，你應(yīng)該自己投資去建；而對于內(nèi)部優(yōu)化，你最好去用現(xiàn)成的供應(yīng)商，我非常贊同。因為內(nèi)部優(yōu)化的上限是高度受限的。

Matt：是的。在那個領(lǐng)域里，去創(chuàng)新和自己建更合理，或者至少找個能幫你在那個空間創(chuàng)新的供應(yīng)商合作。

因為所有人終究都會做內(nèi)部優(yōu)化，如果你把所有錢都花在這上面，可能并沒有產(chǎn)生真正的差異化優(yōu)勢。

主持人：你提到了 AI 原生公司。如果企業(yè)不是 AI 原生公司，可能就不應(yīng)該硬做。但企業(yè)能不能自己做一個 AI 實驗室，或者分拆一個項目出來？什么是真正的“AI 原生”？

Matt：如果你是一家已經(jīng)很成熟的公司，想變成 AI-first，大致有兩種路徑。

一種是把 AI 能力嵌入組織內(nèi)部。也就是說，在每個團隊里都配備一個非常懂 AI 的人，不管是應(yīng)用開發(fā)層，還是技術(shù)棧更底層。

另一種，是建立一支專門團隊，去和公司各個部門協(xié)作，幫助他們上手、受訓(xùn)、并在不同程度上應(yīng)用 AI。

因為我們現(xiàn)在談的是企業(yè)、創(chuàng)業(yè)公司，以及各種各樣不同的組織。它們對 AI 的需求不同，內(nèi)部構(gòu)建能力的條件也不同。

如果你是創(chuàng)業(yè)公司，那 AI-first 絕對是正確方向。你想在這個領(lǐng)域競爭，如果你不用 AI，就會被甩在后面。

但如果你經(jīng)營的是物流，比如航運物流，那 AI 的應(yīng)用空間很多。也許最合理的做法，是建立一個小團隊，專門去研究這些用例：我們需要構(gòu)建哪些工具？哪些可以采購？哪些能幫助解決特定問題并實現(xiàn)優(yōu)化？

低垂果實其實很多，比如客服聊天機器人。再往復(fù)雜一點，比如一些創(chuàng)業(yè)公司開始嘗試替代呼叫中心。

主持人：說到客服。現(xiàn)在有了 MCP 之后，你的 agent，或者像 Claude 這樣的開放式系統(tǒng)，已經(jīng)可以原生地通過 MCP 替你執(zhí)行某些動作了。那問題就變成：如果你的 agent 可以直接連到商家的 agent，代替你和對方溝通，那你還真的需要客服團隊嗎？或者說，未來兩三四年內(nèi)，我們還真的需要網(wǎng)站、需要自己去訂機票和酒店嗎？如果你只要對自己選擇的 LLM 提供商說一句“幫我訂張票”就行，那這一切還需要嗎？

Matt：對。我覺得每個人都希望擁有這樣一個私人 agent：它能代表你行動，了解你的偏好，能主動替你做決定，理解你的意圖，并且在商業(yè)環(huán)境或其他系統(tǒng)中處理不確定性，以一種負責任的方式替你完成事情。

當然，human in the loop 依然很重要。假設(shè)我告訴 agent：某款沙發(fā)降到某個價格以下時就替我買。這個用例很簡單。但中間可能有一些細微之處，是人類能識別出來的：比如價格趨勢實際上還在繼續(xù)往下走，而且我從其他信息源知道它可能還會再降。那即便它已經(jīng)觸發(fā)了購買閾值，我可能還是想再等等。

股票、加密貨幣這些也是一樣。有些事情，可能還是我們?nèi)祟愖约焊m合做判斷。

但如果說到購買行為，我還是會回到那個問題：你到底愿意把多少信任交給你的 agent？不過我當然會更愿意讓一個 agent 去幫我買票、安排行程、確保一切都安排妥當，并且以一種沒有意外、能體現(xiàn)我偏好的方式完成這一切。

所以我覺得，這就是未來幾年我們會前進的方向。我認為，我們會越來越多地看到這一點真正落地。現(xiàn)在已經(jīng)有一些不斷演化中的規(guī)范和標準出現(xiàn)了，它們會幫助構(gòu)建 agentic interfaces，推動這一層標準化。

比如你的在線商店，不再只是一個給人類用的界面，讓你點來點去選商品；它也可能變成一個更偏文本驅(qū)動、更適合 agent 交互的界面。

我們已經(jīng)看到很多這類趨勢。同時，我們也看到很多關(guān)于微支付、支付通道以及 agentic AI 配套系統(tǒng)的創(chuàng)新。

在 Agentic AI Foundation，我們從第一天開始就設(shè)立了七個不同的工作組，關(guān)注的內(nèi)容從監(jiān)管問題，到安全、隱私、可靠性、可觀測性——這些都是 agentic AI 必須解決的領(lǐng)域。

在這個過程中，我們會逐步看到一系列新標準、新規(guī)范、新方案和新想法涌現(xiàn)出來，由社區(qū)采納，幫助構(gòu)建一個非常強健的生態(tài)，構(gòu)建網(wǎng)絡(luò)，構(gòu)建這樣一個空間：讓我們能夠賦予 agent 一定程度的責任，讓它們真正代表我們?nèi)バ袆印?/p>

我覺得大家都對這個想法非常興奮，尤其是在中國。比如 OPC（一人公司）那種“自己坐著不動，所有 agent 都在外面幫我賺錢”的想象，當然誰都會很興奮。

那我們該怎么走向這種經(jīng)濟形態(tài)，也就是不斷演化的智能體經(jīng)濟？現(xiàn)在已經(jīng)有一些關(guān)于自主主權(quán)智能體的設(shè)想，也有一些關(guān)于 agent 如何在區(qū)塊鏈上行動、如何在傳統(tǒng)商業(yè)體系中行動的設(shè)想。這一切都非常令人興奮，也帶來了很多創(chuàng)新機會。

我覺得這也是為什么我們會看到這么多高度聚焦 agent 的創(chuàng)業(yè)公司。誠然，“agent”這個詞在很多場景里可能已經(jīng)被過度使用了，但我認為，這里確實存在一個讓創(chuàng)新者解決真實問題的機會。

“現(xiàn)在開源社區(qū)里，你幾乎不得不使用 AI 去對抗 AI 帶來的海量垃圾”

主持人：很有意思。回到你自己，回到 Linux Foundation。我不確定你現(xiàn)在是否還親自寫代碼，但至少你的工程師團隊——他們可以使用 AI 嗎？可以用到什么程度？你們內(nèi)部是怎么治理這件事的？大家通常會把 AI 用在什么場景？

Matt：我們在 Linux Foundation 有很多很多項目。每一個項目對“如何使用 AI”都有自己的政策。但我會說，大多數(shù)項目都在使用 coding agents 來增強開發(fā)能力。

我本身也寫代碼，所以我最常用的工具也是 Claude Code，和很多人一樣。我很認可它的實用性。它生成的代碼我能直接發(fā)版嗎？不能。我還是需要自己把各部分拼起來，跑單元測試之類的。但它在完成單元測試、以及生產(chǎn)化一個系統(tǒng)所需的各個環(huán)節(jié)方面，已經(jīng)越來越熟練了。

不同項目對 AI 有不同政策。但可以肯定的是，在開源社區(qū)里，AI 的使用已經(jīng)非常廣泛了。很多以前根本不會寫代碼的人，現(xiàn)在也能通過對代碼庫跑一遍 AI，找一個可修可優(yōu)的點，然后提一個 PR。這讓很多維護者不得不面對海量 PR，逐個查看、整理、篩選。

而在這個鏈條的另一端，我們又看到很多人開始用 AI 去審查這些 PR、合并修改、驗證它們是否真的是可接受的 PR。所以我會說，現(xiàn)在幾乎所有人都在以某種程度使用 AI，因為你幾乎不得不使用 AI 去對抗 AI 帶來的效應(yīng)。這件事挺有意思的。

主持人：我覺得工程團隊現(xiàn)在確實有點頭疼：業(yè)務(wù)團隊拿著用 Claude 搞出來的東西跑過來，說“看，我這邊都能跑，為什么你們做不到？” 我感覺某種共識正在形成：工程團隊和業(yè)務(wù)團隊之間的距離其實在縮短。因為業(yè)務(wù)團隊現(xiàn)在確實可以通過 vibe-code 做出 MVP、做出產(chǎn)品原型，對業(yè)務(wù)邏輯進行快速試驗、調(diào)整和迭代；而工程團隊則可以從中獲益，因為他們能直接看到業(yè)務(wù)邏輯被實現(xiàn)出來，哪怕那段代碼本身未必真的能拿來用。

Matt：對。軟件開發(fā)生命周期正在被壓縮。現(xiàn)在從需求走到 POC 更容易了。但能生成代碼，并不意味著代碼就是優(yōu)化過的；也不意味著它是安全的。所以開發(fā)者仍然有很多工作要做。

主持人：對，你還得做生產(chǎn)級擴展、安全性、這些所有東西。如果你只是剛開始用 Claude Code，大概率還做不到這些。

最后一個問題：如果你今天是創(chuàng)始人，手上有 100 萬美元，你現(xiàn)在會投什么？在這個領(lǐng)域里，你現(xiàn)在最會專注做什么？

Matt：這是個非常開放的問題，因為每個人都得先想清楚，自己要如何在市場上形成差異化，對吧？

主持人：那你覺得機會在哪兒？從細分賽道、行業(yè)或者“低垂果實”的角度看，你會怎么看？

Matt：因為我一直是從開源視角看問題，所以我打從心眼里更偏好那些解決實際問題的通用系統(tǒng)。我非常看好 agents。它們現(xiàn)在還不擅長處理長時程任務(wù)，而且多智能體系統(tǒng)、安全、安保方面還有很多問題需要解決。

我希望看到、但現(xiàn)在還沒看到足夠多的，是那些聚焦于 agentic system 的安全與隱私的公司。市面上當然有一些創(chuàng)業(yè)公司在做，但更多是針對某些特定場景，而不是通用型應(yīng)用。

我看到有一些團隊在金融這類強監(jiān)管行業(yè)里，為特定系統(tǒng)構(gòu)建腳手架和 guardrails。但更一般化的問題是：我們?nèi)绾伟堰@套東西推廣到更通用的場景？我們能不能像在確定性系統(tǒng)里那樣，構(gòu)建通用型的安全與安保系統(tǒng)？我們該如何把這件事應(yīng)用到隨機性空間里？

我很希望看到有人往這個方向努力，尤其是在提升可靠性方面。在 agentic AI 里，LLM 的失敗模式是會被繼承下來的，對吧？幻覺，會被 agent 繼承。

當然，借助 agent，我們可以增加更多確定性層，把 harness 里的上下文收得更緊，讓系統(tǒng)更聚焦。但與此同時，你不可能僅靠模型解決一切。你必須采取一種“構(gòu)建系統(tǒng)”的方法，對吧？你要做的是一個系統(tǒng)，而不是把全部精力都壓在模型本身上。

我認為，這正是我們放大當今 LLM 能力的方式：不是單盯著模型，而是在模型周圍構(gòu)建系統(tǒng)。

7 月 17-18 日，2026 奇點智能產(chǎn)品大會將在北京金隅喜來登酒店舉辦，圍繞 Agent 智能體、企業(yè)級 AI、AI 原生組織、具身智能、軟件生產(chǎn)力、多模態(tài)產(chǎn)品、人機協(xié)同與行業(yè)應(yīng)用落地等核心議題，邀請 40+ 一線產(chǎn)業(yè)實踐者，共同拆解 AI 產(chǎn)品從 0 到 1、從 Demo 到規(guī)模化應(yīng)用的真實路徑。