AGI 野生博士

港科 AI 博士生｜野蛮生长家
国内一线基座训练大模型
研究智能，理解人
分享个人成长、认知思考

[AGI 野生博士 @geminitfwang]

@LIUTONGft 就学不到孙学 练不了薄肌了（😭）

[AGI 野生博士 @geminitfwang]

现在学东西，条件好得有点离谱。

B 站有人手把手教编程
论文看不懂可以问 AI
想做个产品，连代码都有人帮你写。

按理说，我们应该越来越厉害，也越来越容易赚到钱。

但很多时候，增长最快的是收藏夹。

这个我自己也得警惕。做研究、做产品，太容易把看懂了一个方法，当成自己又往前走了一步。

真动手才发现：数据不对，实验跑不通，做出来的东西也没人用。教程里几分钟带过的地方，能卡自己一个星期。

知识便宜了，做成一件事依然很费劲。

当然，收入还跟机会、资源、运气有关，没赚到钱不等于不努力。

只是对我来说，下一步可能不需要再收藏一篇干货了。

先把手上那个半成品做完，拿出去给人用用。

[AGI 野生博士 @geminitfwang]

@JessicaJes9790 Best paper更多是道。实在没有 也可以看看自己方向相关的oral/ spotlight，学习下术。如果连 oral/ spotlight 也没有，那赶紧换个方向吧

[AGI 野生博士 @geminitfwang]

最近越来越强烈地感觉到：

AI 在让执行力贬值，也在让 Taste 变贵。

这个变化对我自己其实挺明显。

以前做 research，一个 idea 从想到真正做出来，中间隔着非常长的链条：

读 paper、写 code、搭 environment、跑 experiment、debug、画图、写 paper。

做产品也是。

一个想法很好，但不会前端、不会设计、没有工程资源，大概率就停在想法。

所以过去很长一段时间，我非常相信 execution。

能做出来，本身就是能力。

但现在这个前提正在快速消失。

⸻

最近我经常有一种很奇怪的体验：

早上想到一个 idea。

和 AI 聊一会儿，下午 prototype 已经能跑了。

以前一个 research idea，我可能会因为实现成本太高，认真想三天：

这个问题到底值不值得做？

现在反而危险了。

因为实现成本太低，第一反应变成：

先做了再说。

AI 让 execution friction 越来越小，同时也拿走了一个以前很重要的过滤器：

成本。

以前垃圾 idea 会死在执行成本上。

现在垃圾 idea 也可以被执行得非常漂亮。

⸻

这也是为什么我最近看很多 AI 产品，会有一种很强的感觉：

完成度都很高。

Landing page 很漂亮。

Demo 很丝滑。

文案很完整。

甚至 GitHub repo、docs、宣传视频一晚上都能配齐。

但看完还是不知道：

所以呢？

Research 也开始出现类似的问题。

实验更多了，baseline 更全了，图更漂亮了，paper 写得也越来越完整。

但真正的问题仍然是：

Why this problem?

以前我们经常把这种能力叫 vision、insight、product sense。

最近我越来越喜欢一个更简单的词：

Taste。

⸻

我理解的 Taste 不是审美。

而是面对 100 个都能做的东西时，

你知道哪 3 个值得做；

面对 10 个都 work 的 solution 时，

你知道哪个是 ugly hack，哪个可能成为 paradigm；

甚至一个东西已经做了两个月，

你依然有勇气说：

这个东西不值得继续做。

这其实比 execution 难很多。

因为 AI 可以帮你 generate 100 个 candidates。

但最后那个：

Which one should exist?

越来越需要你自己回答。

⸻

这也是我这几年从 research 做到 product 后，一个挺大的认知变化。

以前我会天然尊重：

把很难的东西做出来的人。

现在我越来越尊重另一类人：

知道什么东西根本不应该做的人。

因为当 AI 把 execution capability 放大 10 倍、100 倍以后，

一个错误的方向，也会被你以 100 倍的速度执行。

AI 不只是在放大能力。

它也在放大错误。

所以未来人与人的差距，可能不会简单地变成：

谁更会用 AI。

而是：

当所有人都有一个几乎无限执行力的团队之后，

你到底让它做什么？

以前 execution 是 bottleneck。

现在 bottleneck 正在慢慢往前移动。

从：

Can you build it?

变成：

Should you build it?

我越来越觉得，后一个问题可能才是 AI 时代真正昂贵的能力。

[AGI 野生博士 @geminitfwang]

@Huarin_Ou 中文yyds

[AGI 野生博士 @geminitfwang]

我现在有点在意一件事：

用完 AI，我自己有没有变厉害一点？

同样是让模型改代码，一种用法是把报错贴进去，修好了，关掉。另一种是顺手问一句：我原来哪里理解错了？

都把问题解决了。但几个月下来，人可能很不一样。

做研究也是。AI 可以帮我找出方法的漏洞，但如果我只让它改好，下次想 idea，我可能还会绕回同一个坑。

当然，没必要每件小事都搞成学习任务。很多活儿我也只想赶紧做完。

但自己真正在意、想长期做的事情，还是值得多问一句。

我希望下一次再遇到类似问题，自己能先看出来。

与AI一起野蛮生长

[AGI 野生博士 @geminitfwang]

@t1meLess_agi 模型即将内化人的taste，哪怕是researcher

[AGI 野生博士 @geminitfwang]

读 AI 博士，现在选题有个很难受的地方。

你得判断：这个问题，究竟值得研究，还是等下一代模型就行了？

正常做一篇论文，读文献、想方法、跑实验、投稿，几个月很容易过去。

期间模型一更新，你花了很多力气解决的问题，可能换个底座就解决了。

实验没有白做，能力也确实长了。但论文里那个最重要的 motivation，突然有点站不住。

这让我对选题的看法变了。

我会更想做那些模型越强，反而越有必要研究的问题。比如它开始自己做实验了，我们怎么知道它真的发现了新东西？它能连续工作几天了，人又该在什么时候介入？

这些问题现在未必最好做。

但我希望下一代模型发布的时候，自己的第一反应是终于可以继续往前了。

而不是又得换题了。

[AGI 野生博士 @geminitfwang]

@ZengwuY 静待花开

[AGI 野生博士 @geminitfwang]

@ikun666 这是顶级认知

[AGI 野生博士 @geminitfwang]

读博 应该科研还是应该赚钱？

[AGI 野生博士 @geminitfwang]

有个说法，我现在越来越不敢轻易相信：

AI 负责执行，人负责判断。

听起来很舒服。尤其对我们这种做研究、又想做产品的人，好像总算找到了一个不会被替代的位置。

但仔细想想，判断或者 taste也在模型的训练范围里啊。

比较两个方案、挑代码的问题、评价一个设计、判断实验值不值得继续，凭什么这些能力会永远停在人类这边？

以前我们说 AI 没有创造力。后来开始说它没有推理能力。再后来，退到品味和判断力。

如果每一代模型出来，我们都得重新找一个它暂时不会的东西，作为人的价值，我觉得挺被动的。

我还是会认真练自己的判断力。

只是理由可能得换一下：有些决定会改变我的生活，后果最后落在我身上。我得参与，也得知道自己为什么这么选。

哪怕有一天，AI 的建议真的比我准。

[AGI 野生博士 @geminitfwang]

@AlanShao111 快被遍历搜索完了，我想不出一个艾伦的长处

[AGI 野生博士 @geminitfwang]

X 谜语人
AGI 吹哨者
CloseAI 掌门
兼 奥特曼

[Sam Altman @sama]

the main thing i was excited about launching this week will be next week instead, but imo worth the wait!

[AGI 野生博士 @geminitfwang]

@sunyuchentron 做这个视频得 500 万

[AGI 野生博士 @geminitfwang]

@LIUTONGft 开始恋爱即责任，“我怕太负责任的人”

[AGI 野生博士 @geminitfwang]

语言是人类对世界理解的压缩

是智能的最佳表征之一

语言即世界

[AGI 野生博士 @geminitfwang]

@JessicaJes9790 一是清晰的知道什么是好，多看 best paper，少看水 A。二是在实践中学习，不要让 codex 代理所有的思考和执行

[AGI 野生博士 @geminitfwang]

@xiaofapro 如何被记住

[AGI 野生博士 @geminitfwang]

大模型把人类写过的东西读完，就到头了吗？

昨天 Periodic Labs 公布了 Neon：拿开源模型，用自家实验室数据继续训练，在内部材料分析评测上超过了 GPT-6 Astra。

单项内部评测，当然不能说全面超越。但做 RL 的我，更在意它吃进去的是什么。

论文里有的，别人也能爬。
实验里刚发生的，互联网上还没有。

大模型正在有机会学到人类还没来得及写成教材的东西。

所以我越来越怀疑：人类知识的总量，还能当多久 AI 的天花板？

[AGI 野生博士 @geminitfwang]

@maoshen 猫神又红又正