PyTorch

161: 原力灵机唐文斌：中国最早的 AI 创业者和他的具身新旅程

2026年4月23日 · 2:09:50

本期节目对话原力灵机联合创始人兼CEO唐文斌，他回顾了自己从信息奥赛教练到创办中国最早AI公司旷视的历程，并阐明新公司原力灵机的核心选择：不做人形机器人，而是用模块化组合适应场景；且直接参与VLM预训练，在预训练阶段就加入机器人数据，以避免常见VLA方案中VLM能力下降的问题。他总结了旷视AI to B的三个教训——价值可量化、不占客户成本过高、避免项目陷阱，并以优衣库上海大仓项目为例，讲述团队曾在五轮竞标后承诺过高、效率只达目标40%，最终推倒代码延期半年才救回项目。关于具身落地，他提出当前真问题是模型泛化能力，今年目标是将RoboChallenge多任务generalist成功率从30%大幅提升，同时选择容错、节拍宽松、可长时间作业的场景，计划2026年在单场景实现1000台机器人持续运转以启动数据飞轮。他还解释了为何开源Dexbotic训练框架和RoboChallenge评测，认为行业基础设施决定迭代速度，并判断具身行业会先分散再集中，最终存活的个位数公司多数将是中国公司。面对可能的低谷，他建议备足弹药并专注在真正相信的事情上，称旷视过去因开太多方向而分散了精力。同时他强调具身公司要警惕成为做项目的小老头公司。

154: 从千问变动到「AI 英雄传」|与 DINQ 高岱恒聊传奇 AI 研究员们

2026年3月11日 · 1:46:41

阿里千问人事变动后，DINQ平台上千问相关候选人的搜索量翻了3倍，Meta的Executive Search也在搜寻千问团队。前达摩院成员、DINQ创始人高岱恒从这一事件切入，认为千问凭借完整模型家族已成为开源事实标准，其下载量超过Mistral及国内其他开源模型之和；魔搭社区如同AI时代的GitHub，对阿里的战略意义远超直接收入。他还分享了自己因开源换脸项目DeepFaceLab进入达摩院的经历，强调“当你有作品，没人再问学校”；他讲述的AI研究者故事包括GPT-1作者Alec Radford曾被顶会拒稿、RAG作者曾旅居越南，这些创新往往来自边缘地带或非常规背景。在他看来，最顶尖的研究者如同文艺复兴时期的大师，追求代表作和影响力，需要抗挫折能力与平常心，而不是公司内的职级晋升。节目还提到DINQ的诞生源于一个受追捧的Roast功能，用户输入学术和代码链接即可获得对自身经历的辣评，吸引了斯坦福、MIT的教授和顶尖研究员使用。最后他讨论AI人才市场的结构性变化：Meta等公司开出千万美元年薪，让研究者产生“干几年退休”的心态；未来智力劳动可能外包化、任务化，人与具体任务的匹配将取代人与公司的绑定，而DINQ通过聚合研究者的GitHub、论文和社交媒体信息，让有创造力的人能被更高效地发现。

112: 与千寻高阳聊具身：一个像机器人的人，怎么做像人的机器人

2025年4月29日 · 1:22:09

高阳（千寻智能联合创始人、清华叉院助理教授）直言具身智能必走端到端 VLA，并给出时间表：明年6月达L2，再一年半到两年达L3。他认为行业已从500个研究话题收敛到100个，这正是他选择创业的时刻——科学家能做的探索变少，工程化落地成为重心；千寻的配置是产业老炮韩峰涛加年轻科学家。他定义的L2是单场景多任务，为此机器人未必人形，但需双臂加轮式底盘，双足并不难；叠衣服是当前“智商测试”，难在理解乱态与泛化，而Figure 02展示了快慢系统的工程优势。数据方面，他提出具身Scaling Law，称做到GPT-3.5级需约100亿条有效互联网视频、1亿条遥操数据和数千万强化学习数据，而仿真数据因多样性有限不适用。他还解释为何要同时做大模型和本体——只做大脑缺乏跨具身肌肉记忆，只做本体则价值集中在大脑端；中国优势在于“修机器人快”，行业将在跑出L2/L3后收敛，当前瓶颈在AI而非硬件；商业化上现在应把技术做到GPT-4程度，L1场景已有人愿付十几万，L2会带来几何级数增长。个人层面，他回顾2016年与许华哲做端到端自动驾驶、伯克利归国经历，称自己从不熬夜、每天骑车31-33分钟，以COT式链条思考应对科研与创业。

58: 光年之外联创再出发，与袁进辉聊 AI Infra 到底做什么？| AI 大爆炸

2024年1月24日 · 1:09:23

袁进辉，硅基流动（SiliconFlow）创始人、前一流科技创始人和光年之外联创，在《晚点聊》本期阐述了AI基础软件在中国商业化为何艰难，以及他为何二次创业押注大模型推理。他从清华学术理想破灭后在微软做出被快手使用的LightLDA，2016年创立OneFlow预判大模型将出现，技术获PyTorch跟进但商业化失败，2023年加入光年之外，被美团收购后再次创业。SiliconFlow专做推理部署，因为训练客户少且集中，推理客户更多更分散，且优化空间比训练大十余倍；团队进光年40人出来35人，现超40人，自研框架Crossing已快于vLLM和TensorRT-LLM，他称OpenAI一天生成一两万亿token，远超训练总量。商业化上他主张全球化，海外需求是国内的几十倍，国内则要绑定算力等客户必付项，希望这次能证明“好技术能赚到钱”。他判断大模型本身壁垒不高，真正的长期壁垒是工程能力；2024年国内模型有望达到GPT-4水平、应用爆发，但超级应用大概率不来自现有大模型公司，芯片也会从一家独大走向分散。他曾听到邻桌评价OneFlow“技术挺好……还不是被收购没赚钱”，希望这次创业能成为更好的范例。