过去，我们用奥赛寻找最聪明的年轻人；近几年，前沿模型公司却用奥赛测试聪明的 AI。 就在9月8日，OpenAI宣布，一个由约一万个AI智能体协同工作的系统，用88小时给出了千禧年数学难题——纳维—斯托克斯存在性与光滑性问题的证明。 科技加速向前，不断突破智能上限，如果说“解出最难的题”不再是人类独有的能力，我们该如何理解学习的价值，又该如何审视当下的教育？曾凭借解题能力脱颖而出保送顶尖院校的本科生，有哪些新思考，又在如何重新认识自己的优势、选择未来的方向？ 这期节目，我邀请了三位来自MIT和清华姚班的“05后”。他们也是过往节目中年龄最小的一组嘉宾。三位都曾在数学、物理、信息学等奥林匹克学科竞赛中获得国家金牌或者国际金牌的成绩，如今正在 AI 科研、创新创业的一线。 三位嘉宾分别是： 王衔邦：MIT 大二在读，曾获 IMO 金牌，正在参与何恺明团队的 AI 研究； 陆伊炀：清华姚班大三在读，曾获 CPhO 金牌，正在参与何恺明团队的 AI 研究； 冯政玮：清华姚班大三在读，曾获 NOI 金牌，正在探索创新创业。 我们的对话，从三位嘉宾的竞赛之路聊起，延伸到AI的发展、大学教育的变化，以及他们自身在科研、创新创业的真实感受。 以下是对话时间线： 01:19｜嘉宾介绍 一、金牌之路：竞赛究竟训练了什么 06:18｜竞赛生的训练日常 08:47｜能力训练：发散思考、多任务切换、长时间专注 12:12｜从优秀到顶尖，差距来自哪里？ 二、当 AI 比金牌选手更会解题 17:24｜看着 AI 超过自己：从意外到接受 21:57｜AI 的解题思路像人吗？ 29:07｜从坚持手写代码到拥抱 Agent 31:59｜“每个人都是 PI，都是管理者” 三、AI 浪潮中的大学教育 34:59｜大学教育应该教什么？ 37:12｜教育的过渡期 41:32｜竞赛作为人才筛选机制还有效吗？ 四、在何恺明组做科研 43:23｜论文越来越多，好研究也变多了吗？ 47:22｜恺明组的科研日常 49:31｜重视消融实验 五、同龄人的迷茫，与创业热潮中的判断 53:37｜“这是一个好时代，但我的机会在哪里？” 59:56｜硅谷见闻：研究者的迷茫、创业者的自信与大厂的竞争 01:03:48｜学会“跳车”：曾经擅长的事情，不必成为执着的方向 01:05:14｜学术追求之外，如何权衡机会成本？ 01:10:02｜有一种创业叫“to VC” 六、未来的打算与眼前的生活 01:15:04｜当计划赶不上变化 01:20:13｜过程与结果，觉得哪个更重要？ 01:23:39｜技术之外，人与人之间的链接

本期「涌现Lab」，对话 Stanford AI for Science Lab 负责人 James Zou。James是斯坦福大学生物医学数据科学系、计算机科学系、电子工程系副教授，长期研究机器学习在生物医学、医疗健康和科学发现中的应用。 近两年，James团队推出了一系列具有代表性的 AI for Science 项目：Virtual Lab、Virtual Biotech 和 Einstein Arena。它们分别像是一个由 AI 教授和 AI 学生组成的虚拟实验室，一家由上千个专业智能体构成的虚拟生物科技公司，以及一个让全球科学家智能体协作、竞争、共同攻克开放科学问题的平台。 在这次对话中，我们从这些项目出发，聊到 AI 智能体如何自己开组会、设计蛋白、提出药物研发假设；为什么智能体之间也会出现类似人类团队的“社会动态”；药物研发为什么适合智能体协作；以及当 AI 能生成假设、设计实验、推进流程之后，人类科学家的价值在哪里。 James Zou 的研究成果广泛应用于医疗和生物技术领域，曾获得 Overton Prize、Sloan Fellowship、NSF CAREER Award 等多项荣誉。其团队相关工作发表于《Nature》及其子刊《Nature Biotechnology》《Nature Medicine》《Nature Methods》《Nature Machine Intelligence》等期刊。他也是 AI for Science 和 AI for Healthcare 领域最值得关注的学者之一。 以下，是「涌现Lab」与James Zou的对话概要，完整版请见同名公众号。 * 01:20 AI 科学家智能体的三种形态：Virtual Lab、Virtual Biotech、Einstein Arena * 04:36 智能体之间为什么也会有“社会动态” * 07:09 为什么药物研发适合智能体团队 * 09:12 单细胞数据如何帮助判断靶点成功率 * 11:16 CD276 案例：AI 辅助靶点发现如何与药企策略吻合 * 13:02 AI 药物研发的瓶颈：隐性知识与湿实验验证 * 14:08 Einstein Arena：让 AI 科学家智能体开放协作 * 16:35 未来是超级模型，还是科学智能体共同体？ * 19:57 AI 时代，人类科学家的价值在哪里 * 21:06 年轻研究者如何培养品味 * 23:54 科学的过程，不应该完全外包给 AI * 29:15 如何在资源有限下保持学术创造力 * 32:11 对未来几年的押注

模型能力持续演进，应用场景不断拓展，系统的规模与复杂度也随之提升。这些变化对底层基础设施提出了更高要求。 从训练阶段的计算与通信效率，到推理阶段的吞吐、延迟与成本优化，再到异构硬件适配、模型部署、资源调度和系统稳定性，每个环节都包含大量复杂的研究与工程问题。AI Infra 不仅决定模型能否被高效训练，也影响它能否以可控的成本，稳定地服务于真实场景。 这一期节目，我邀请到了三位来自 UC Berkeley Sky Lab 和 MIT Han Lab 的在读博士生，聊了聊他们近期的工作，以及在研究过程中形成的对 AI Infra 的理解。 他们分别是： 杨上：MIT Han Lab 三年级博士生，师从Song Han，近期TLT工作登MIT News封面，曾获MLSys 2024 Best Paper Award； 近期研究方向：Efficient ML、Inference/training system、Model Compression； 王一川：UC Berkeley Sky Lab 二年级博士生，师从Joseph E. Gonzalez & Matei Zaharia，主导项目LEANN获MLSys 2026 Best Paper Award； 近期研究方向：Agent infra/Serving infra/Post training infra； 杨硕：UC Berkeley 二年级博士生，师从Ion Stoica，StreamDiffusionV2工作获MLSys 2026 Best Paper Award； 近期研究方向：语言模型与视频生成推理系统、底层算子开发； Host：梁瑶（「涌现Lab」创始人） 以下是对话时间线： 01:15 三位嘉宾的 MLSys 研究路径 07:09 TLT：用推测解码缓解 RL Rollout 的长尾瓶颈 13:51 Leann：探索个人设备上的高效 RAG 22:37 StreamDiffusionV2：流式视频生成的系统优化 33:21 当 Agent 开始优化 CUDA Kernel 39:28 Agent Infra：从模型推理走向环境与上下文管理 48:09 Agent 时代的 PD 分离与推理系统新趋势 54:14 从 A100 到 Blackwell：硬件迭代如何影响系统开发 1:00:22 从预训练到后训练：基础设施的不同侧重点 1:13:47 多模态推理中的 KV Cache 压缩与管理 1:22:57 如何发现重要问题：研究习惯与 Agent 时代的判断力 完整对话内容还请查看「涌现Lab」公众号，整理不易，欢迎一键三连！

盛夏7月的一个周末下午，在波士顿Kendall Square的一家咖啡馆里，我见到了匆匆而来的Yilun Du。几个小时前，他刚结束韩国首尔的ICML行程，飞回到波士顿。 思维敏捷、语速飞快，是此前我听Yilun学术报告的第一印象。而了解他的既往经历过后，会有种情理之中的顿悟。 中学时代，Yilun连获国际生物奥赛金牌和美国物理奥赛金牌。MIT本科大三期间，他加入早期的OpenAI从事生成式模型研究，随后又先后在FAIR、Google DeepMind从事基础研究。 博士期间，他提出了系列可扩展的Energy-Based Models（EBM） 训练方法，推动了现代能量模型在高维生成中的应用，并将研究拓展至具身领域，参与了 Diffusion Policy 等机器人策略学习研究，进一步探索世界模型和智能体决策机制。 25年7月，他全职加入Harvard Kempner Institute和计算机系担任助理教授，距离采访时，刚好过去一整年。 “第一年当AP比我原来想象得忙很多，”Yilun提道，“不过当老师最大的一个感受是，学生会不断带来很多新想法。我的思路被打开了很多，也学到了很多以前没有认真想过的东西。” 在当下具身仍处于不确定的变革前夜、越来越多北美AI学者聚集硅谷走向业界或投身创业的趋势下，我和这样一位极具学术色彩和信仰的青年学者，聊了聊他的经历，以及他对目前AI生态位的思考。 以下是对话时间线，完整文字版可以在「涌现Lab」公众号查看： 01:02学术起点、早期OpenAI与Energy-based model 12:15PhD阶段工作：生成式模型与机器人结合 18:00Diffusion Policy之后，聚焦video model for robotics 25:00VLA与World Model，学业界路线之演进 30:27可组合的世界模型：研究脉络、数据与系统设计 40:48具身AI热潮下的冷观察 55:34 Google DeepMind经历、跨学科思考与EBM延续 01:10:49任职第一年：研究哲学、生态思考与自我定位 整理不易，欢迎一键三连～

本期节目，「涌现Lab」把视角放到几位身处硅谷的00后身上。 他们中，有人从清华生物系辍学创业，做即时通讯产品；有人在机器人公司做全栈工程师，曾在本科尝试过教育创业；也有人从UCLA博士on leave，全身心投入到开源AI Infra公司建设。 过去几年里，他们在课堂、实验室、创业公司、开源社区和 hacker house中，亲历了AI改变学习与工作的过程。 我们从一些更具体的个人经验聊起：第一次被AI能力惊讶是在什么时候？大学课堂和教学体系如何回应这场变化？当自然语言开始成为编程入口，它分别给 CS 科班和非科班背景的人带来了什么？从做产品、做AI Infra、做机器人不同角度，怎么看行业就业市场的变化？个体视角下的硅谷文化又是怎样的？ 作为同龄人，我把这些问题逐一抛向他们。也正因为年轻，大家的经历、判断、想法足够直接、具体，带着身处技术一线的现场感，也有对变化本身的辩证思考。 他们分别是： 陈春宇，Intent 创始人，曾因生物竞赛保送清华，本科期间辍学创业，从事即时通讯软件开发。 俞张晗，Sunday Robotics Founding SWE，UC Davis 本科，曾创立EduRoute。 赵晨阳，RadixArk Founding Member，SGLang RL & Omni Maintainer，清华计算机系本科，UCLA博士on leave。 嘉宾按姓名首字母排列。嘉宾发言仅代表个人观点，与所在公司无关。 欢迎走进这场由四位00后展开的对话。以下是对话完整时间线。 一、GPT体验与本科学习 02:49 2020年GPT3初印象 03:31 22年底ChatGPT窗口初体验 05:08 “GPT 4o才让我感觉到AI对学习的颠覆性影响” 07:26 用AI学习不擅长的领域非常受用 09:27 课程助教发现大家代码函数写得一模一样 二、当能用自然语言编程，带来了什么？ 10:20 AI的使用让CS学习变得两极分化 11:22 “现在看C++跟以后的人看Python一样” 12:04 CS期末考试难度直线抬升 15:53 非科班背景，通过与AI对话交互实践 19:57 作为工程师：Claude Code大幅降低执行成本，但可维护性打问号 20:49 “AI善后工程师”的转变 21:17 Security问题存在，需要不同AI工具交叉验证以及人工审核 三、AI变革下，什么行业能力更重要了？ 23:38 程序员就业市场，持续变得更难 24:33 做产品：对业务的理解和思考变得更重要 26:49 机器人全栈工程师：好奇心、对技术本身的热情、责任心 28:46 对AI Infra，架构的全局观经验仍很重要 29:45 考验个人的主观能动性 四、教育与自我教育，所创造的、改变的 32:13 大多收获通过本科创业学到 33:57 生物实验室训练带来元学习的能力 36:39 创业的出发点，需要真正想解决问题 38:20 选择CS PhD on leave去公司，希望做的东西产生更真实的影响力 41:47 AI发工业界反馈速度快 44:06 学术界反馈速度慢，评审机制存在问题 45:26 利益无关的基础research也仍重要 五、00后眼中的硅谷：各有各的活法与体感 51:27 Version A: 有点boring、现实主义、真实impact追求 52:24 Version B: 一群理想主义的年轻人做产品 54:18 Version C: 住在机器人hacker house：相互交流、专注学习、快速成长 56:51 VC与Startup：人脉与资源链接 01:00:00 “硅谷并没有什么特殊之处，只有单独的人会让我感到新奇” 01:02:00 当前海外前沿模型实验室实习资源对PhD开放程度低 快问快答 01:06:30 平行时空的自己，会在做什么？ 01:15:12 最近觉得有意思的AI产品/项目 01:21:31 平常一天的工作流 整理不易，也欢迎听众关注同名公众号“涌现Lab”～

本期「涌现Lab」的嘉宾是UC San Diego助理教授、2026年斯隆研究奖得主张昊。 在大模型开源系统与生态中，vLLM、DistServe、Chatbot Arena、Vicuna等多个具有代表性的项目，都有张昊的参与或主导推动。 他的研究与实践长期围绕模型推理加速、系统架构设计以及多模态生成优化展开，始终聚焦提升模型在真实工作流中的效率与稳定性。 这次对谈，完整呈现了一位青年MLSys学者的来时轨迹和心路历程，以及他对AI Infra的最新观察。 同时，也带来了知名开源项目背后的第一手故事:) 对谈时间线如下： 上半：来时路-MSRA/CMU/SkyLab 1. 早期回溯：“the Era of Research” 03:02 从Robotics到Computer Vision 05:46 12～2014: MSRA实习时光 2. 赴CMU读博，从CV转向MLSys 09:13 Parameter Server、Petuum与System转向 3. Sky Lab博后2年：开源项目的“涌现” 17:25 初试：Alpa系统与OPT模型 20:15 vLLM缘起与insider's story 24:36 大模型评测项目Chatbot Arena 4. Advisor：Eric Xing与Ion Stoica 29:05 Eric Xing：教会我“aim higher” 30:12 Ion Stoica:“start with sth. small” 下半 ：开源infra、Hao AI Lab与未来远征 5. UCSD新程：Hao AI Lab 33:13 Phd期间初创经历铺垫soft skills 6. 定位：50% ML、50% System 36:54 做System与Infra，从问题出发 38:12 多模态转向：FastVideo、Dreamverse 7. 开源infra社区与商业化 44:12 关键人物/团队发挥重要作用 46:03 当下初创趋势：自然而然的选择 8. 关于AI Infra本身 49:04 训练与推理，本质在解优化问题 52:06 DistServe与PD分离 52:21硬件异构化与Attention-FFN分离 54:45 Agent Infra：context length或带来新前景 9. “Always stay relevant” 57:52 信息过载时代、效率飞轮与Vibe Coding 01:04:54关注方向：Video Gen/World Model与架构相关 01:06:24 欣赏特质：发现新问题与动手实践能力

本期「涌现Lab」AI4S特辑，邀请到了来自Merck、Isomorphic Labs、Atombeat的三位青年从业者共同交流与分享。 他们分别是： 昊特：Cheminformatics Scientist，聚焦利用AI加速分子从设计到制造的整体过程；博士毕业于耶鲁大学化学系，研究方向为Cheminformatics。 林宸：Research Scientist，研究聚焦Co-folding models；博士毕业于牛津大学计算机与信息科学系，研究方向为机器学习，曾于剑桥大学计算化学系组访问。 Tim：CADD Scientist，以物理引擎为主做药物设计；博士毕业于耶鲁大学化学系，涉猎计算机辅助药物设计、催化机理研究等。 （*本次对话仅代表嘉宾个人观点，与其所就职公司无关。） 三位嘉宾均于2025年博士毕业，求学期间亲历AI4S的快速发展，毕业后进入业界从事药物开发相关工作。对话中，我们围绕AI4S的一些核心基础问题展开讨论，也回顾了各自在求学、研究与职业选择方面的关键思考。 以下是对话的完整时间线： 一、 AI for Science核心问题 03:49 跨学科交叉与AI的连接作用 09:24 AI4S应用广泛：既为科学家服务；也直接面对解决产业问题 10:35 生成式语境下的两条核心技术路径与延展：Transformer与Diffusion Models 14:30 几何深度学习对数据的三层理解：Sequence、Graph及3D空间嵌入 20:54 化学反应需降维处理，AI在其中寻找规律 二、AI与科研流程&模式 22:33 从辅助到驱动：加速全流程，但仍需甄别判断 27:00 市面模型选择取决于任务本身 30:01 AI是否真的能带来科研重大发现？ 32:43 对AI边界的认知取决于个人信仰 35:22 AI强在Interpolation，但在Extrapolation仍有实现难度 42:07 AlphaTensor文章：纯计算/模拟类研究代表 44:28 AI做实验、AI主导，化学合成是显著例子 47:18 AI应用前后的经典药物设计流程变化 三、现有核心痛点讨论 50:20 需要花大量时间排除错误idea，现已有趋势研究AI本身置信度 52:05 三大痛点总结：可信度与可解释性；局部数据兼容性；数据处理本身 55:09 从模拟角度，AI仍局限在已有知识的联系内 58:34 数据质量有多方面考虑，目前市面已有模型缺失诸多分子特征 案例拆解：“MOSAIC”工作分析 文章地址：https://www.nature.com/articles/s41586-026-10131-4 01:01:49 “MOSAIC”：AI辅助化学合成的集体智慧 01:03:03 针对任意给定的化学反应，提供多专家解决方案 01:04:49 对模型进行可信度测试，并对照实验成功率 01:06:10 实验验证模型在已知数据边界上稍外推能产生新突破 四、AI4S能力需求及业界现状 01:10:09 AI重视SOTA，但化学领域些细节比分数尤为重要 01:12:43 LLM和领域深耕多年专家的能力仍有本质区别 01:14:42 需从其他领域专家吸取到垂类领域难点、痛点 01:17:30 Big Pharma&Biotech职业选择 01:23:00 Big Pharma管线丰富，涵盖DMTA全流程 01:25:02 Biotech类型多元，业务更为专注 01:28:49 PhD阶段能力培养：沟通、合作、工程能力 01:35:38 如何看科研中的“马太效应”？选大组还是小组？ 本期对话文字稿已同步在GZH更新，欢迎关注订阅～

「涌现Lab」“AI For Science”2026特辑的首期嘉宾，是普林斯顿大学电子与计算机工程系、计算机系、生物工程研究院教授王梦迪。 “14岁考入清华大学，24岁从MIT博士毕业，29岁获得普林斯顿终身教职”，王梦迪的早期学术经历在媒体和业内广为流传。 相比履历本身，更值得关注的，是她对科学研究的求索历程。自学生时代起，她的研究便始终围绕一个核心问题展开：如何推进理论研究，并助力其在真实工程系统中发挥作用。 近年来，王梦迪带领团队持续深耕强化学习、Agent、AI for Science等方向，并持续推动不同学科的交叉合作。2024年夏天，她与普林斯顿计算机系教授Ryan Adams发起Princeton AI for Accelerated Invention中心，致力于利用AI推动生物医学、物理等科学领域的创新发现与工程应用。 「涌现Lab」就团队近期工作、AI for Science核心思考、AI发展趋势及年轻同学发展等话题，与王梦迪教授展开了一次对话交流。 以下是对话完整音频时间线，enjoy！ 01:04 强化学习/agent向的团队工作 01:40 AI for Science应用探索 04:22 AI Co-Scientist：利用智能体能力做科学优化 07:46 学科融合与技术演进都有各自规律 11:18 AI能力增强其实是在闭更大的环 13:12 LabOS-借助轻量级方式帮助科学家 16:27 科研工作者要积极拥抱AI工具 19:14 AI for Science就是Science 20:30 年轻同学应该思考更长远的问题 22:19 噪声环境下保持self- awareness 24:10 不必过度关注评价标准与体系 29:44 当下不少本科生已有丰富科研经历 31:17 架构、数据收集、整合、算法等层面提升空间仍大 34:00 AI已变成整个社会层面的系统工程 35:44 未来团队工作方向

本期「涌现Lab」的嘉宾是OpenAGI Foundation创始人秦增益。 2020年从清华大学电子工程系本科毕业后，秦增益前往MIT读博深造。博士期间，秦增益作为核心贡献者先后打造出OpenVoice（Github中星标超3.5万，位列Github总榜开源项目前0.03%）、MeloTTS（获得超1900万次下载）等语音开源项目，并联合创立去中心化AI平台公司Myshell.ai。 2025年初，秦增益洞察到Computer Use领域的巨大发展空间后，开始着手搭建Computer Use Agent及配套的开放系统。当年博士毕业后，他全身心投入到Open AGI Foundation的创业中。 回望来时路，秦增益说，“创业是意料之中的选择。” 以下是本次对话音频时间线完整呈现，enjoy！ （一）本博经历 01:17 清华本科期间深受创业氛围影响 03:00 MIT博士期间专注做开源项目 05:38 JetMoE-8B: 大模型预训练经历 9:02 联创Myshell.ai，参与搭建完整生态 （二）OpenAGI Foundation创业 11:05 Computer Use是大模型新的涌现能力 15:10 Lux的三种不同执行模式：Actor/Tasker/Thinker 19:03 大量采集Computer Use数据 20:31 现阶段专注模型开发与商业化扩展 25:38 Computer Use模型只是形态的第一步 28:37 Researcher and Entrepreneur 33:46 电脑操作的the Fourth Age - 自主操作思考 35:12 Agent走向通用过程中，长链路思考与planning能力非常重要 （三）创业Motivation 37:44 “看见令人非常兴奋的事情，就去做，这是我的直觉” 41:46 做学术论文对发掘问题和解决问题仍是非常好的锻炼 44:46 AI已产生许多实际价值，bubble有支撑 47:22 “遵循自己的直觉”

本期「涌现Lab」的嘉宾是Ventus AI联合创始人、CEO钱正浩。 经历Facebook（现Meta）、Covariant（被Amazon收购）的十年历练后，2024年，钱正浩创立Ventus AI，致力于为医疗、物流、货运等传统行业的管理流程系统做agent向的升级赋能。 一年多的时间，Ventus AI已获a16z、Samsung NEXT、WndrCo等知名投资机构的早期支持。 “Real innovation isn’t always loud. Sometimes it’s quiet, gritty, and happening where you least expect it.”他曾在社媒如是写道。创新不止于前沿Lab，也在日常的“拐角”。 本期对话中，我们围绕传统行业Agent创业路径、初创公司节奏把握、创业心态等方面展开深度交流。 以下是对谈的完整时间线。 一、早期经历与创业契机 01:28 早期Facebook扩张期经历体验 03:10 加入初创公司Covirant，第一次行业转变 05:38 带着物流行业经验，决定开启创业 07:50 医疗物流等传统行业RPA自动化程度较低 10:02 选择computer use模式，让AI像人一样操作界面 二、初创节奏把握 12:57 传统行业进入高度依赖客户资源，靠case和connection滚动传播 15:20 AI在传统行业最大的落地挑战是tribal knowledge 19:06 积极把握前瞻性早期客户，初期产品相对定制化 22:30 推动AI和一线运营人员合作，克服“elephant in the room”困境 25:26 初创应避免做模型workaround工作，应深入具体行业 31:37 从day0做初创CEO，最多的learning是sell 36:17 行业中型客户（emergent players/年收入千万级）居多，moves fast 三、创业心态分享 42:09 AI对各行业的渗透前景广阔，需时间打磨 43:46 和Applied Intuition CEO交流深受启发 45:54 创业各有各的“玩法”，也是了解自己的过程 51:33 创业对学习能力要求高，需从混乱中把握规律 52:48 AI无法带来connection，需要时间积累 59:53 PhD学位是敲门砖，更重要的是认识论和方法论 如正在找工作的年轻朋友对Ventus AI感兴趣，欢迎邮件联系Peter@ventus.ai。

95后的朱邦华身上有着多重标签：“华盛顿大学助理教授”、“Nvidia Principal Research Scientist”、“前Nexusflow联创”。 在与他的对话中，我们更鲜活地感受到，标签之外他个人持续迭代的能量。 我们的对谈从他的学术路径开始，聊到Agent创业和工程化的感悟，最后到技术发展的底层思考。 采访：梁瑶 储闻达 以下是对谈的时间线。Enjoy！ （*对谈内容仅代表受访者个人观点，与其所供职公司无关） 一、学术轨迹 02:07从计算生物学转向机器学习和强化学习 05:14和Open-AI Co-Founder的交流启发研究方向 05:43从理论研究到对模型进行RL微调 08:07Pre-GPT3前的Google实习，了解到前沿项目 二、联创经历与工程化理解 09:21联合创立Nexusflow，聚焦企业级智能体 11:06Starling-7B和Athene Series模型关键创新 14:02数据领域人机协作关系紧密 16:32初创公司最大的优势是move fast 18:04学界整体资源较少，但不太需要关注外界expectation 18:50前沿lab对年轻人吸引力大 19:48硅谷tech公司裁员潮也与企业文化相关 三、技术底层思考 24:08llm时代千卡万卡互联，system本身已经变成了一种science 28:20始终上手做实验，keep updated 33:38模型训练本身需要很多直觉，算力堆人才 36:56model intelligence遇到瓶颈，agentic systems给模型提供更强的工具调用能力 40:40垂类agent公司一旦深入市场具有不可替代性优势 42:13通用agent依赖底层模型性能 47:44开源生态值得鼓励，减少research资源浪费 49:42行业青睐想法超前、执行力强的年轻人