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