DeepMind

166: 许华哲再次具身创业：不想错过最大的西瓜

2026年5月25日 · 2:25:40

许华哲（前星海图联创、首席科学家）在26年3月创办破壳机器人，本期与主播程曼祺详述再次创业的动机与判断：他认为具身智能的核心是把通用智能做出来，家庭机器人会快速到来，18到24个月内会有机器人真正走进家庭干活；他想象的不只是渗透，而是最终造一个像人一样通用的人形机器人。他反对行业里先做量产落地、数据闭环和跳舞表演的路径，直言具身智能不是Robotics、不是自动驾驶、也不是史前深度学习，而应像大模型一样用统一模型做预训练和规模化后训练，强化学习被低估；他在清华交叉信息研究院的课题组做过七种任务都练到高成功率的强化学习工作。华哲想定义家庭机器人这个新品类，以苹果和小米为榜样，目标做有品牌效应的2C公司，产品从轮式双臂的通用人形切入；他认为AI总会有锯齿状的低级错误，所以产品要明确不做什么，比如不做直接接触人体的服务。他也分享了再次创业的状态——找回曾经想创业的自己，办公室会像家一样，期望到28年初有人真用破壳机器人在家做事；有投资人告诉他“不要小瞧投资人的梦想”，他说自己会选更难的事，还说这是“时代在召唤”。他还警告中国从业者，卖数据和无脑量产会错过最大的西瓜，并相信最好的东西最终会出现在中国。

140: 深势科技张林峰、孙伟杰：AI for Science，从开始到现在

2025年11月10日 · 2:06:32

本期《晚点聊》对话深势科技创始人张林峰与孙伟杰，回顾两人在北大元培相识，张林峰赴普林斯顿研究，用AI加速薛定谔方程、密度泛函与分子动力学等第一性原理计算，并共同创办深势科技的起点，称这是物理黄金时代与AI黄金时代的相遇。他们开发的Deep Potential将分子动力学模拟从2亿核时压缩到笔记本半小时，提速6个数量级以上，成为AI for Science奠基性工作，后在普林斯顿200多块P100上完成GPU加速并开源DeePMD-kit；2018年鄂维南等提出AI for Science后，二人回国创业，定位“微尺度达索系统”，先切入药物计算设计平台Hermite，再拓展到能源电池平台Piloteye。早期他们靠20万科研经费起步，以颠覆性大赛1200万奖金作为第一桶金，并在疫情中完成首轮融资；同时建立DeepModeling开源社区，从大二大三实习生带起，自建教学体系培养交叉人才，并坦言曾有机会搬到海外，但最终坚持“源自中国、引领世界”的初心。他们复盘了平台与做药管线之间的取舍，最终选择通用科研平台，推出Uni系列大模型、玻尔科研空间站和科研Agent SciMaster，覆盖“读算做”三要素，并自建AI ready的科学语料库。针对未来，他们认为技术路线已从机器学习数理建模、预训练、大语言模型走到科研Agent，下一步是AI科学家，认为这将加速实现颠覆式电池、电动飞机等人类终极愿景，预计明年可见AI独立发现超越普通科学家认知的成果，10年后所有诺贝尔奖都可能与AI相关。

80: OpenAI o1 来了！与硅流袁进辉聊 o1 新范式和开发者生态

2024年9月16日 · 1:40:20

本期《晚点聊》邀请硅基流动创始人袁进辉解读OpenAI o1：o1以强化学习、思维链与test-time compute的组合，突破了大语言模型在逻辑推理上的瓶颈，数学、编程和科学任务能力大幅提升。袁进辉认为这三项技术单独看都不是新idea，OpenAI把Alpha家族验证过的强化学习方法搬到大语言模型上，胜在组合，并验证了从train scaling law到inference scaling law的新范式；训练端用合成数据、推理端多次调用模型都会增加算力需求，但国内基础模型训练收缩，GPU短期有冗余、租金下降。从API定价看，o1每百万token约数十到上百美元，是4o的数倍到十倍，目前还不支持函数调用、流式传输，推理时间也长，但这些都可优化；而推理能力的提升让Agent范式更有望跑通。袁进辉还以硅基流动的一线数据反驳“AI应用降温”：大量小微企业和个人开发者正基于开源模型做应用，只是不在传统VC视野里，他称已有应用每天调用数亿至十亿token、每周活跃数十万；海外调用最多的是Meta的Llama，国内是阿里通义千问和幻方DeepSeek，千问胜在版本齐全，DeepSeek编程能力突出。他也不认为o1会改变大模型公司持续收敛的趋势，因为技术扩散和边际收益递减的逻辑未变。

71: “如果相信只靠 Scaling Laws 就能实现 AGI，你该改行了”，与香港大学马毅聊智能

2024年6月11日 · 1:53:00

本期《晚点聊 LateTalk》的嘉宾是香港大学计算机系主任、数据科学研究院院长马毅，他与主持人程曼祺的对话围绕“智能”展开，尖锐质疑当下主流的大模型路线。马毅的核心观点是：只靠 Scaling Laws（更多数据、更大算力、更大参数）无法实现 AGI，因为深度学习网络本质上都在做“压缩”——从图像、声音、语言等高维信号中寻找低维结构和规律；GPT 表现出的数学推理仍是记忆和统计，如同“高分低能”的填鸭式学生，学不到因果与逻辑。他区分了知识与智能：知识是存量，智能是增量，智能的本质是能纠正已有知识的不足并增加新知识。为此他提出“简约与自洽”原则，并用白盒模型（ReduNet、CRATE）从数学上解释神经网络每一层在做什么，称其已接近甚至超越经验设计的网络，能显著降低算力与试错成本。他还批评 AI 威胁论“要么无知要么别有目的”，主张政府应监管技术应用而非技术本身，并透露已创立公司“益生”推动白盒技术产业化；同时梳理了从控制论到深度学习的历史，强调闭环、自主学习和 AI 通识教育的重要性。