首爾 ICML 四天：模型喫掉一切的速度，快過所有人找身位的速度丨五源孟醒

剛過去不久的 ICML 大會，可能是最近幾年最熱鬧、也最 “迷茫” 的一次 AI 頂會。

ICML 的全稱是國際機器學習大會，從 1980 年辦到今天，和 NeurIPS、ICLR 並稱 AI 界的三大頂會。全世界 AI 研究的最新進展，大多要先在這三個會上露面，接受同行的審視。

今年的會議辦在韓國首爾，全球 AI 的關鍵玩家， 難得湊得這麼齊 。不用像去美國那樣有簽證的麻煩，中國 AI 界這次來了大半，主要的大模型團隊幾乎都有人在場。今年 OpenAI 第一次設了獨立展臺，Google DeepMind 一家就來了上百人，歐洲的 Mistral 也派了人。

每年的 ICML，年輕 researcher 扎堆，向來是各大廠搶人的重要場合。英偉達、亞馬遜、Meta，國內的阿里、快手、字節、騰訊，照例都設了 HR 專場；連 Jane Street、Citadel 這些量化機構，也專程來搶同一批人。

最戲劇性的交鋒發生在 OpenAI 與 Anthropic 之間。OpenAI 不僅安排了很多分享，還請來歌手金請夏表演。我在 X 上刷到，有受邀嘉賓因爲想看 K-Pop，放棄了 Anthropic 的晚宴邀請，去了 OpenAI 的活動。

Anthropic 的研究員對此回應：“我們邀請他們參加招聘晚宴，那是一種特權。如果他們因爲 K-Pop 而選擇了 OpenAI 的活動，那他們對 AGI 就不夠認真，可能也不適合我們的文化。”

我們也和被投企業 Aureka 一起，組了一場 AI4S 的 after party，請來了韓國女團 Kiss of Life。這個女團我真的沒聽過，我只能感受到 4 個團員，都 1 對 1 的有 BlackPink 的影子。神奇的是到場的 Anthropic researcher 和教授，不少都能叫得出這個女團的名字甚至作品。

最終這場 party，成爲了 ICML 第一天全城最火的 party，報名人數竟然超過了兩千人，這個數字幾乎抵得上過去一屆 ICML 的總參會人數，可見這次大會的火爆程度。

今年也是歷史上最大的一屆 ICML：投稿 23918 篇，比去年的 12107 篇幾乎翻倍，最終錄用 6352 篇。

但喧囂背後，我發現還有一層底色：迷茫。AI 行業的 “強者恆強”，在今天已經到了誇張的地步。這幾天我見的很多朋友，都提到了 “飽的飽死，餓的餓死”。

最頭部的模型公司，估值漲到了令人瞠目結舌的位置，大有 “喫掉一切” 的趨勢；而大多數人，都處在 “餓死” 的那一邊。

大家都想着別掉隊，拼命追趕，但也沒找到特別好的辦法。初心是星辰大海，可擺在眼前的選擇是：要不要先搞數據，先做那些馬上能換到錢的東西？很多人都卡在這道坎上，非常 struggle。

在 ICML 的這幾天裏，每一段超過半小時的對話，都會繞到同一個問題：面對越來越強大的模型，我的身位是什麼？

創業者在問，researcher 在問。說實話，我自己也在問：你在第幾條賽道上，領先誰半個身位，又落後誰一個身位？

前幾天剛到首爾，我就問起幾位老朋友的近況，幾位做 AI 應用方向的創業者，都不約而同的表達了一個類似的理論：

他們說我知道我的命運，最後會是被模型公司喫掉，只是不知道什麼時候。那我現在瘋狂創新、做產品、積累用戶 context，其實可以理解爲一個 long horizon 的數據公司。等模型公司喫過來的那一天來了，我就從產品公司轉型成數據公司，把手裏的東西一賣，“這可能就是我的宿命”。

還有一些朋友，他們是非常有影響力的開源社區核心貢獻者。三四個月前我們見面時，個個熱血沸騰，摩拳擦掌準備創業。

但這次得到的回答是，他們都回大廠了。一位朋友說，做着做着發現故事講不通了，“面對大模型的宿命感太強了”。

熱血變涼，前後不過一個季度。當然這一個季度，確實也是模型公司不斷擴展邊界的時候。

我其實也挺感慨的，在模型越來越強大的今天，很多看似不錯的東西，結果證明都不行。大家從最初想顛覆模型公司，慢慢轉成了接受這樣的宿命。

數據生意，確實是眼下少數確定有商業模式的方向，因爲全行業都在爲一件事發愁：訓練和評估成本，漲到了離譜的地步。

字節內部有一個測模型自進化能力的 benchmark，如今完整跑一次要 1000 小時上下，花費 50-100 萬美金。這意味着兩件事：能拉開差距的題目已經這麼難，說明模型的起點有多高；測得起的玩家，一隻手數得過來。

同樣的事也發生在模型訓練上。今天模型進化的主流方法是強化學習（RL）：讓模型做題，做完給一個分數（reward），做對了鼓勵，做錯了懲罰，循環往復。早期的題目短，答案明確，比如寫一段代碼，跑一下就知道對不對，訓練飛快。

但隨着模型越來越強，題目也必須跟着變長、變難、變開放。長到什麼程度？就像下兩個小時的棋，終局才告訴你贏沒贏，中間幾百步哪一步下錯了，沒人知道。OpenAI 的首席研究官 Mark Chen 在 ICML 分享，一年前他們還僱人給模型出題，現在 “如果 PhD 說模型錯了，往往是 PhD 錯了”。

這種長題目需要一個訓練環境來跑，好的環境必須滿足三個條件：題目答案是確定的，打分即時回來，試錯成本低。

放眼全行業，最優質的兩個 “練功房”，一是芯片 EDA 設計（讓 AI 設計電路，性能一跑就出結果），和 kernel 算子優化（讓 AI 優化底層計算指令，速度一測便知）。大家做模型自進化，上來都喜歡拿這兩個場景練手。

但出了這兩個 “練功房”，造環境就成了苦活。

在我們首爾辦的五源信號站活動上，有朋友分享了一個更實驗性的思路：讓 AI 自己跟自己對練（self-play），來製造訓練環境。比如找一個現成的軟件項目，讓一個 AI 往裏面注入錯誤代碼（出題者），另一個 AI 來修（解題者），再來一個 AI 當裁判打分。修得快就提升問題的難度，修不出來的失敗記錄，也留着做訓練數據。

今年 ICML 上也有一篇不錯的論文講這個，思路和 AlphaZero 一脈相承：自己跟自己下棋，把出題的成本壓下來。

這讓我想起做自動駕駛那些年。在接管率是 5 公里一次的時候，一輛車一天就能攢出 20 個問題，修都修不過來；到了 1 萬公里一次接管，一百輛車跑一整天，才碰上一個問題；再往上，要想測出一個新問題，需要上萬輛車，這個測試車隊規模比運營車隊還大，成本就貴得離譜了。

所以自動駕駛做到某一步，比如比人類司機平均水平要好，迭代就不能主要依賴在測試環境中做了，就要在大幾個數量級的運營環境中，去收集反饋了。

但 AI 不一樣，如今這件事還像個無底洞，模型永遠可以更強，永遠有人願意再花一百萬美金測一次。

數據、環境、評測，這條 “賣鏟子” 的生意鏈，就是這樣被需求頂起來的。但這些只能成爲創業公司的退路，很難是歸宿。

以前做數據，很主要的能力是做人力外包，看的是運營普通人做高質量標註的能力。今天做數據賣給模型公司的 researcher，有點像一級市場裏的 FA。

很多 FA 也是投資人出身，做投資未必最頂尖，但他非常清楚投資人想要什麼，甚至能引導投資人的偏好和 FOMO 情緒，提前把 “貨” 備好等着接 FOMO。

很多數據公司的負責人，本人往往就是很有品味的 researcher，他能預判下一代模型缺什麼能力，先造出讓現有模型刷不好的 benchmark，再把補課的數據賣給他們。

等所有模型都刷上來，這批 “貨” 就過期了，一切從頭再來，永遠活在 day one。做數據，短週期談積累，長週期談品味。

模型取代這些環節的速度還在加快。Mark Chen 的同事 Noam Brown 給創業者的提醒更直接：要搭 harness 可以，別投入太多，三個月後多半就過時了。

護城河蒸發的速度，正快過挖掘的速度。

一位國內的朋友這趟來首爾，想找機會聊一聊 OpenAI 或 Anthropic 的人，探討幾個預訓練的問題。

雖然大家都在說中文，但每當聊到任何具體的地方，對面就不出意料的笑着打起了哈哈。

這是一場只有兩個選手的比賽。一位大廠朋友的判斷很直接，他認爲 AGI 不能只掌握在美國公司手裏。

而放眼全球，中美之外沒有第三個有資格的玩家，“無論是算力、電力還是資金，這都是超級大國的競賽。”

人才，被一堵隱形牆擋在兩邊。

這屆首爾 ICML，北美前沿實驗室來的華人面孔其實不多，一位研究員替缺席的同事解釋：很多在 OpenAI、Anthropic 工作的中國研究員，還沒拿到綠卡，由於簽證問題，如果出一次境，可能就回不去了：“他們可以合法地待在 ‘屋子’ 裏，但沒有鑰匙。如果你出去了，門就自動關了，你可能就回不來了。”

美國那邊，錢的閘門正在打開。OpenAI、Anthropic 一旦上市，融資額可能是幾百億甚至上千億美元，這些錢可以直接換成算力。

對於國內來說，一直以更低的成本和算力規模奮力追趕，雖然保持着落後半年的身位，但追趕的窗口明確存在。

不過令人焦慮的是，一位朋友掰着指頭給我數，海外前沿實驗室這幾年的卡量（GPU）：從 1 萬張、5 萬張，到 25 萬張、100 萬張，差不多是一年翻五倍的速度。

到今年年底，頭部實驗室的算力，預計到 5-6 百萬張等效 H100（新一代卡，一張頂過去幾張，實際卡數沒這麼多，但換算成算力是這個量級）。

往後就算保守，只按每年翻兩倍算，2 年後就是 2000 萬張等效 H100。

國內要維持和海外 “只差十倍” 的水平，十倍已經是一個挺大的差距，但至少還在同一個賽道上，還能用效率和工程創新彌補一部分。要想匹配競爭速度，倒推下來，今年年底就需要有 100 萬張，而這個數字並不容易。

更緊張的是，今天看起來還很接近的遊戲，明後年這個追趕的窗口，也許正在關上。今天花 3-6 個月就能追上，因爲前沿還沒快到完全追不上。

但差距一旦拉大到一定程度，追趕所需的時間會急劇膨脹：今天中美算力差距大約 10 倍，如果兩邊保持各自現在的增速，兩年後可能又是另一個數量級的差距，那時再想追，就不是以月計，而是以年計了。

但美國也有自己的短板：電。雖然 GPU 產能在加大，但實際部署能力跟不上產能，堵點就在電力（以及和電力相關的政策）跟不上。

卡在市場上依然緊俏，但買到卡，不等於馬上能開機，當下美國電網只夠部署其中一半到三分之二，剩下的要排隊等電。微軟 CEO 納德拉去年 11 月就公開承認：“我手裏有一堆芯片躺在庫存裏，插不上電。”

在這場競賽的兩頭，缺口正好相反。

我還聽到一個更激進的說法：到某個時點，中國將可以拿電力優勢補算力劣勢，也就是說如果有足夠多的卡（哪怕落後一代），但中國的電力是富餘的，可以全部跑滿，把多餘的電變成額外的 token 輸出；而美國即便有更多更新的卡，也會被電力卡住，不能全部部署。

不管缺卡還是缺電，有一樣東西所有人都缺。OpenAI 的 Mark Chen 被問到存儲，他確認 HBM 是供應鏈的關鍵瓶頸，還說 Sam 早在五六年前就看到了，提前鎖了合作，SK 海力士和三星正在拼命擴產。

而他說的那兩家公司，就在這座城市裏。

在中國這樣供應鏈門類非常齊全的國家生活久了，可能很難想象一個國家的命運，正在被兩家公司重新定價。

JP Morgan 算了一筆賬：未來三年，SK 海力士和三星的預期淨利潤，是韓國全部政府債務的 1.4 倍，也就是說這兩家公司的預期利潤，就能完全覆蓋全部政府債務還有餘。即便只看這兩家公司三年預計繳的稅，也已覆蓋政府債務的四成，接近韓國全部外匯儲備的八成。

一個行業，兩家公司，三年的盈利，就把一個發達經濟體的主權債務，整個裝了進去，這本身就足夠震撼。

存儲芯片這個行業，四十年來一直被同一個劇本支配：漲兩年，崩一次。繁榮期賺到的每一分錢，都會變成新產線，等新產能落地，需求的峯值往往已經過去，價格就又應聲跳水。

過去三十年，這樣的循環大約四年一輪，每一輪都淘汰一批玩家：九十年代，全球做 DRAM 的公司還有二十多家；好幾輪週期下來，牌桌上只剩三個名字：三星、SK 海力士、美光。

而在這一輪存儲行業 “超級週期” 中，有一個最核心的問題懸在所有廠商和投資人頭上：週期還在不在？

看多的人認爲：這次不一樣！因爲 AI，這個曾經的週期性行業，正在變成一個結構性增長的行業，它就不再是個週期了。

這個邏輯，是支持存儲行業近 1 年暴漲的核心，三星、SK 海力士、美光、閃迪這些公司的估值框架，從 “週期股” 切換到 “成長股”，哪怕是利潤不增長，股價也能翻幾倍，PE 從個位數切換到雙位數。

SemiAnalysis 把這輪短缺定義爲 “四十年一遇”。而擴產本身的時間尺度，就決定了短缺不會很快結束：建一座新的晶圓廠需要三年，HBM 比普通 DRAM 多佔兩倍產能，擴產反而在加劇短缺。

一位 SemiAnalysis 的存儲分析師還告訴我，即便算上在建產能，2027 年的短缺反而會比今年更嚴重，“更缺兩倍”。因爲明年大量 AI 新芯片上線，原本給手機和筆記本的內存產能會被大規模抽走。業內的判斷是：27 年是最緊張的一年，28 年纔可能緩解。

韓國是這場短缺的最大贏家。HBM 的主要產能握在 SK 海力士和三星手裏。即便最近韓國股市動盪，但它依然是今年全球表現最好的股市，而這輪漲幅的大半，就是這兩家抬起來的。

股市的亢奮滲透到了生活的每一個角落。在首爾，我有一次約人，約在了金融中心汝矣島。

週六中午，整個汝矣島現代百貨的奢侈品店，從 LV、Chanel 到 Bulgari，進店都要排隊一個小時以上。

我從朋友口中，也聽到了很多神奇現象：SK 海力士的員工，在相親時都不敢說自己在海力士工作，如果發現對方不拜金，纔敢說真話。確實，SK 海力士在 2025 年的人均年終獎高達 9 萬美元，創歷史紀錄，而 2026 年利潤比 2025 年還高，獎金只會更多。

韓國幾乎全民都在炒股。散戶今年在股市上的淨買入，接近 83% 流向了三星或 SK 海力士。不少老人兌現人壽保單、動用退休儲蓄買芯片股。韓國社會里有一種 FOMO 情緒，也許你什麼都沒做錯，工資照發，存款還在，只因爲沒買這兩支股票，結果身邊人全富了，你就成了窮人。這種 FOMO 情緒產生於上一輪房價瘋漲，如今在 AI 行情裏又重新出現。

贏了的人在狂歡，但狂歡背後社會在撕裂。

芯片之外的韓國其實很難，石化、鋼鐵、電池、汽車零部件，被需求疲軟和中國競爭兩頭夾擊。

經濟學家管這叫 K 型分化：一條腿飛上天，一條腿往下墜。韓國人均月薪不到 3000 美元，芯片部門一個人的獎金，頂普通人十年工資。有政府官員提議，拿 AI 受益企業的稅收，來發 “國民紅利”，把一部分超額利潤分給其他勞動者，“這是維護整個體系穩定的必要成本”。帖子後來刪了，但話題留下了。

可即便是 K 型分化飛上天的那部分，最近也在劇烈顛簸。ICML 結束後的週一早上， 一份券商報告預測 SK 海力士二季度營業利潤同比暴增 556% 。這是一個驚人的數字，放在任何行業都是。

但股價當天跌了超過 10%。原因很簡單：市場原本的預期比這個數字還要高，對於存儲行業，利潤具體漲了多少已經沒人在乎，只問有沒有超過預期。

Morgan Stanley 提醒，這已是 ChatGPT 問世以來，存儲股的第三次大回調，前兩次都沒打斷週期。隨着行業轉向三到五年的長約結構，券商們開始重新思考估值框架：從 “這個季度價格又漲了多少”，換成 “這樣的利潤率能扛幾年”。短期的暴漲暴跌，可能只是長週期裏的噪聲。我也有朋友今年重倉了芯片股，這周的暴跌沒嚇倒他：“週期還沒有結束。”

這輪 AI 變革肯定遠沒有結束，但這場超級週期裏，走着三個時鐘：模型按月迭代，資本按季重估，晶圓廠按年建設，最終市場會被走得最慢的那隻時鐘校準。

今年 ICML 的 2 篇 best paper，都給了 diffusion 方向。

一篇 MIT 的 Fan Chen 做得偏理論，講 diffusion 的採樣率提升（速度變快）的方法論，這篇我沒太讀懂。另一篇出自清華黃高團隊，標題裏的重點是 The Flexibility Trap（靈活性陷阱）。

Diffusion LLM 是一類和主流大模型路線不同的生成方法。主流模型從左往右一個字一個字寫，diffusion LLM 可以打亂順序，哪裏有把握先寫哪裏，聽上去自由度更高。

這篇論文用實驗證明：在數學和代碼這類需要嚴格推理的任務上，diffusion 引以爲傲的那份自由，反而是個坑。

推理需要在關鍵節點做選擇，自由的模型，傾向於繞開最難的選擇、先填簡單的部分，等回頭再補時，發現已經沒有選擇餘地了。

當然在工業界，diffusion LLM 並不主流。ICML 畢竟是學術頂會，喜歡有思辨性的想法。但學術上的巧思，和商業上的可用，是兩回事。

在五源信號站活動上，我們正好聊到了一個老話題：Richard  Sutton 的 Bitter Lesson，這是 AI 領域一條被反覆驗證的規律。

簡單說就是，長期來看，最有效的方法永遠是最通用、最粗暴的那一個：通過更大規模的 search + learning 的方法，打敗一切靠人類知識 hardcode 進去的方法。行業有時候會簡單粗暴地簡化成 scaling vs 雕花技巧。那些針對具體問題的精巧技巧，短期管用，一旦 scaling 重啓，就會被扔掉。

五源信號站 Happy Hour ICML 2026，大家交流的熱情太濃了，首爾的餐廳晚上關門太早了

但我那天在想的，是這條教訓的另一面：如果 scaling 真的一路暢通，Bitter Lesson 爲什麼還需要被反覆提起？因爲 scaling 每隔一陣就會撞牆。

Scaling 不是一種完整的解決方案，而是一種複利機制。它會淘汰不能複利的人工技巧，卻永遠依賴新的算法創新，來重新定義什麼東西可以複利。

AI 的歷史不是 scaling 戰勝 insight，而是 insight 不斷創造新的 scaling regime，再被 scaling 放大和商品化。

The Bitter Lesson is that human insight does not scale.

The Bitter Lesson of that lesson is that scaling does not invent itself.

每次撞牆，正是那些 “沒用的” insight 和技巧，把我們從死衚衕裏救出來。等 scaling 找到突破口重新跑起來，這些救命的東西又被拋棄，直到下一次撞牆，週而復始。

Diffusion LLM 獲獎，可能正處在這個循環的某一個節點上：學術界在打磨它，工業界暫時不需要它，但沒人知道下一次 scaling 撞牆的時候，會不會正好需要它。

當然，這是方法論層面的老問題。但這屆大會，還有一個更現實的新問題讓我不安：學術界證明 “有效” 的成果，放到工業界的尺度上，往往不再成立。

以前，學術界在 7B 這種 “小” 模型上做實驗，看到一個 idea 有效果，哪怕只是初步的苗頭，就夠發一篇論文了。工業界也買賬：你在小模型上看到了信號，我願意花更大的代價，試試能不能放大。

但現在不行了，學術界已經咬着牙，把驗證規模推到了 20B、30B，訓練一次花掉小一千萬人民幣。

可工業界的門檻已經擴張到了 100B，並且把你在 100B 以下看到的效果不當回事，因爲太多 idea 在小模型上管用，放大了就失效。

一位核心算法工程師說得很乾脆：你做 research，和你真的在工業級上操盤過上千張卡，是完全不一樣的。

1000 個 idea 在 7B 模型上能跑通，但擴大到 100B，可能只剩十個。這個淘汰率，對投資是致命的。我們看過很多項目，嚴格說是在投資一篇論文，idea 很漂亮，但還沒到能長成商業的程度。

所以在 ICML 結束的那晚，我從 COEX 會場走回酒店的路上，認真懷疑了一下自己：這些年，我是不是犯過一類錯誤，過度喜歡一件事的新奇，喜歡它的巧。

但做投資的人，得時刻提醒自己：別活成一個審稿人。審稿人評價 paper，看的是它新不新、好不好、能不能被很多人引用；投資人要判斷的是另一件事：這個東西在真實世界裏能不能長大，能不能變成商業。

這兩套標準，在今天正漸行漸遠。會場裏遍地是好 idea，但真正能收斂成一門生意的很少。

全球已經進入 AI 工業大邁進的階段，而 “小清新” 創新的窗口，可能也會被暫時關上。

這一屆 ICML 用了一個雷霆手段，來維護審稿紀律。

組委會在投稿論文的 PDF 裏，埋了人類看不見的提示詞，充當誘餌。審稿人如果偷懶，把論文直接丟給 AI 寫審稿意見，AI 就會把那段暗語，原樣帶進評語裏。

ICML 的處罰很重。這些審稿人，很大一部分本來就是投稿論文的作者。一旦你作爲評委，被抓到用 AI 寫評語，那你自己投的那篇論文，也會跟着被拒。最終，506 名審稿人被識別出違規，其中 398 人同時也是投稿作者，他們的 497 篇論文被當場拒稿，約佔全部投稿量的 2%。

當然這也引起了一些審稿人的抗議，憑什麼要求他們花大量時間精力，免費寫那麼多認真的評語？

這起爭議也揭示了，在 AI 論文數量大爆炸的今天，這套運轉了幾十年的同行評審系統，完全過載了。

在 ICML 會場裏泡了幾天，突然覺得這個會本身，很像一個巨大的 Transformer。每篇論文是一個 token，每個人也是一個 token，兩萬多個 token 擠在同一個 context 裏，互相爭奪 attention。

今年投稿數量幾乎翻倍，明年大概率還會繼續增長。模型可以不斷擴展 context window，人類的 attention budget 卻基本是固定的。再這樣下去，ICML 最先遇到的可能不是算力瓶頸，而是人類版的 KV cache overflow。

對作者來說，規則在某種程度上也變了：以前把研究做好就行，現在還得學會吸引注意力，要想辦法把別人的 attention 誘導到自己身上。

過載的症狀隨處可見。一位常年參會的 researcher 說，今年他連門票都沒搶到；獵頭和 HR 在走廊裏掃樓，他收到的私信大多來自對沖基金。

在論文數量大爆炸的時代，今天大家怎麼找值得看的論文？大多數 researcher 都回歸了最原始的方法：先識別厲害的人，直接看他們寫的東西，而不是盯着 arXiv（全球最大的學術論文網站）。

今天的學術體系，每一個環節都是爲人的能力而量身定製的。研究的主體是人，人靠讀論文吸收前人經驗，因爲人需要用文字來總結知識的結晶；試錯過程保密，最後只把走通的那條路寫成論文公開；評價交給同行評審。

但如果把這個過程 AI 化，AI 不需要讀論文，論文只是給人看的界面，AI 要的是界面背後的一切：思維鏈、試錯軌跡、失敗路徑、原始數據、能直接跑起來的實驗環境。

研究的基本單元，會從一篇論文，變成一個可運行的文件夾。

未來分享學術知識的方式也會變。今天你在 arXiv 上看中一篇論文，得自己搭環境、從頭復現實驗。

但爲什麼不直接設計成 vibe coding 社區那樣（比如 arXiv、GitHub 和 Hugging Face 的合體）：科研在上面發生，實驗在上面跑，評價也在上面完成。

今天如果你想把 A 論文的方法，和 B 論文的方法結合在一起，得靠人去讀懂兩篇，再手動設計縫合。AI 時代應該是模塊化拼插，前提是所有研究成果都留好接口，可組合、可排列。

評審也需要變化。今天的人類審稿人，只能跑一套標準：要麼看學術價值，要麼看工業價值，兩者很難兼顧。

換成 AI 做評審，權重可以隨便配，你想要學術新穎性，就給新穎性加權；想要工業可用性，就給可用性加權。兩套價值第一次有可能在同一個體系裏合流。

論文產量註定還會繼續爆炸，評價也必須跟着變：從人讀、人評，變成可運行的自動化測試，像跑 benchmark 一樣。

這可能是我在首爾這幾天裏，想得最清楚的一個瞬間。“顛覆 arXiv” 這件事太有意義了，如果你讀到這裏也有同感，歡迎聯繫我，一起來做。

回程的航班上，我翻了翻這幾天的筆記。

四天，幾十場對話，聊的內容跨度很大，算力、論文、股價、簽證問題……表面上每一段都是在講不同的故事，但底層都是在回答同一個問題：在這場越來越快、越來越貴、越來越擁擠的競賽裏，什麼纔是屬於自己的身位？

連 ICML 的議程，都在映射這種迷茫。有一場普林斯頓大學教授 Narayanan 的演講，叫 “What will be left for us to work on?（留給我們的工作還剩什麼？）”。一位 AI 領域非常有影響力的學者，站在全球 AI 頂會上，問的也是這個問題。

當然，我也沒有找到答案。

但我記住了一個高中生。這幾天，見的幾乎全是大廠研究員、拿了幾億融資的創業者、管着千卡集羣的工程師。但在一個叫 RLxF 的 workshop 裏，我看到一個高中生站上了講臺，他來自加州聖何塞的 Lynbrook High School，即將升高三。

獨立作者，背後沒有團隊、沒有機構，一個人寫了一篇論文投進來，拿到了 oral，也就是被選中上臺做正式演講，這在學術會議裏是挺高的認可，絕大多數論文只能貼在牆上展示。

他研究的是給農民做農作物推薦。以前的推薦系統只管哪種作物長得好，他往系統里加了一個變量：農民會不會真的採納。買不買得起種子、會不會用新工具，都算進推薦裏。

在這個動不動上千張卡、百萬美金跑 benchmark 的行業裏，一個高中生拿着一臺電腦，研究的是農民如何用上一個 AI 推薦系統，全場都在找身位，他可能是唯一不需要找的人，他把一件想做的事做完了。

這大概是這幾天我最受觸動的時刻：這個行業正在同時把天花板抬到史無前例的高度，也把地板降到史無前例的低。

焦慮和興奮，取決於你看的是哪一頭。