拒絕OpenAI的謝賽寧：語言是AI的“鴉片” LLM走偏了

謝賽寧，90后華人科學家，剛剛和圖靈獎得主楊立昆一起創立了AMI Labs，拿到了10.3億美元的種子輪融資。他接受了《商業訪談錄》張小珺的訪談，全長7個多小時。

為什么要逃離硅谷？

這個問題的答案，藏在一個更大的分歧里——到底什么才是真正的智能？

現在的硅谷，所有人都在卷LLM。卷參數量，卷token數，卷benchmark排名。這場軍備競賽里，研究者失去了定義問題的能力。你不再問"什么是對的"，只能問"怎么在榜單上拿第一"。

謝賽寧覺得這條路走偏了。「硅谷已經被LLM催眠了，完全被它催眠了。」

他打了個比方：語言模型是預測下一個字符，世界模型是預測下一個狀態。聽起來只是換了個詞？不是的。這是兩種完全不同的智能觀。

AMI Labs從第一天起，就在全球設了四個辦公室：巴黎、紐約、蒙特利爾、新加坡。唯獨沒有硅谷。

謝賽寧說：「被催眠的人總有醒來的一刻。那時候我們完全不排除去硅谷設立公司。」但現在，他們要做的是「反向的OpenAI」。

什么是「反向的OpenAI」？

「正向的OpenAI」很簡單：從互聯網下載數據，訓練GPT模型，推向市場。

「反向的OpenAI」要難得多：數據沒辦法直接從互聯網下載，沒有捷徑可走。

謝賽寧說了一個很有意思的故事。1958年，美國銀行（BOA）推出了Visa信用卡，賺得盆滿缽滿。它還藏著掖著，別人問就說是賠錢生意。直到財務上藏不住了，其他銀行才發現被主導了市場。

怎么辦？他們把所有地方銀行組織起來，變成一個聯盟，一起推出了萬事達卡（Mastercard）。這就是為什么萬事達卡能跟Visa分庭抗禮。

AMI Labs也想做類似的事。他們要打造的是一個「草根聯盟」，讓那些有真實世界數據、有具體問題要解決的公司，一起共建世界模型。

「世界需要世界模型，世界模型需要世界。」

硅谷的氧氣被抽走了

為什么要創業？謝賽寧說，在學校里有很大的困境。缺算力是一方面。但更重要的是，他覺得自己可能會陷入「中等paper陷阱」，有點像「中等收入陷阱」。你會發一些不錯的論文，但由于資源限制，沒辦法真的把idea變成新的突破。

那為什么不加入現有的大廠或實驗室？「這件事就會壓榨你的research的空間，會抽走這個環境給你充分自由去做研究的氧氣。」

他在Google DeepMind時，整個GenAI部門只有他一個人腳踩兩只船，在公司兼職，還在學校做研究。大家對學術界、對純粹探索性的研究是有點抵觸的。

核心模型訓練的部門，必須在高度競爭的賽道上卷到最前面。這是他們唯一的目標。這是一場「軍備競賽」。在這樣的有限游戲下，在這樣強競爭的環境下，每個公司都似乎失去了定義問題的能力。

謝賽寧的選擇是：逃出來。「我們來一起創造一個更好的、更對研究員友好的組織。」

在LLM之外，有一個隱形的世界

2025年秋天，謝賽寧的一個導師問他：你去問問Yann LeCun，他好像最近在Meta待得不是很順心。

謝賽寧的第一直覺是：這怎么可能？Yann至少在那個時候，他還是一個AI教父，也是一個純粹的研究者，怎么可能拉他一起創業呢？

結果，對話之后的第二周周一，謝賽寧跟Yann剛好有一個一對一會議。還沒等他說什么，Yann就說：「賽寧，你先不要告訴別人，但我已經決定了。我現在想要做的事情，我覺得應該在外面做，我想要去創業開一個公司。」

謝賽寧問他，你想做什么事情，背后的商業模式是什么？發現：哇，這跟我想象的事情完全一致啊。

「在我們想做的這件事兒上，在現在世界上任何一個國家的公司，都做不了。包括在灣區也做不了。」

Yann跟他說的核心意思是：世界模型是真實世界需要的智能。

在硅谷之外，在LLM敘事之外，有一個隱形的世界。這個世界里有很多人，大家想要解決這個物理世界里的很多問題。他們可能是一個農場，可能是一家醫院，但他們拿著LLM不能直接解決這些問題。

LLM能解決一部分問題，但有很多涉及真實世界的物理理解的問題，LLM是解決不了的。大家都很焦慮，害怕AI的浪潮要來了，我是不是連上牌桌的機會都沒有？

「這一部分隱形的世界，在硅谷的敘事邏輯下不可見，但是是一個很大的市場。」

語言是「鴉片」

謝賽寧有個很尖銳的觀點：語言是「毒藥」，或者說是一劑「鴉片」。

語言怎么就成毒藥了？我們不都是靠語言思考的嗎？

他的邏輯是這樣的：語言是人類幾千年文明演化的產物，是高度壓縮的抽象知識結構。當你用語言描述世界時，你已經做了大量的簡化和取舍。

比如「杯子掉在地上碎了」。這句話里，你只在乎結果和狀態，不在乎它怎么碎的、背后的物理定律、每一幀的運動軌跡。

「語言是交流工具，不是思考工具，更不是決策工具。」

所以LLM雖然能寫代碼、拿奧賽金牌，但它缺少對物理世界的理解。它不知道為什么蘋果會掉下來，不知道機器人轉身時可能會撞到人。這些看似簡單的常識，恰恰是LLM最大的盲區。

Kimi創始人楊植麟曾說，他不希望訓出一個「傻的多模態」，希望訓出一個「聰明的多模態」。謝賽寧的回應很直接：「如果不加入視覺，你一定會很傻。」

「我非常擔心語言對于視覺的污染。這種污染已經在發生了。」

楊立昆的說法是，現在大家只是拄著「語言模型」這根拐杖走路。你能走，但跑不起來，也沒法參加奧運會，因為你「視覺表征」這條腿還不夠好。

謝賽寧說：「語言其實是一個毒藥，或者說是一劑鴉片，你加多了語言總是會覺得更幸福的，它有用，但它是一個捷徑。」「如果你一直吸鴉片就廢了；如果你一直拄著拐杖，你就沒辦法訓練大腿的肌肉。」

世界模型要做什么？

謝賽寧想做的，是一個能理解物理世界的「大腦」。這個大腦不需要記住維基百科所有條目，不需要解薛定諤方程。它需要的是通過理解能力去過濾和組織信息。就像人一樣。

人的感官輸入帶寬可能達到10億bits/秒，但說話、做事的帶寬只有10到100bits/秒。大腦把高帶寬信息轉化成低帶寬的行為模式，這就是世界模型本身。

世界模型（World Model）的定義其實很簡單：你現在有一個系統或者一個環境，你有一個狀態。你有一個干預或動作，在當前時刻你對這個系統施加一個動作。你現在希望能夠學到一個預測函數，使得它能夠基于你的動作和當前的狀態，去預測下一個時刻的狀態。

這是最基礎的通用世界模型的定義。這個定義本身無比直接，甚至有點平庸，因為它不是一個新概念。其實1943年，有一個心理學家Kenneth Craik，他第一次提出了這個概念。他說人在腦子里有這樣一個世界模型，這個世界模型能夠告訴我們，當我們去做某一個動作的時候，接下來會發生什么樣的后果。

AMI Labs的技術路線也很清晰：第一步，從互聯網視頻數據開始訓練；第二步，走進真實世界「淘金」，獲取那些YouTube上不會有的數據；第三步，通過全球合作伙伴，形成數據閉環。

兩次拒絕Ilya

2018年，謝賽寧面試過OpenAI。在小黑屋里關了五六個小時做題，拿到了offer，但他拒絕了。

Ilya Sutskever給他打電話，非常生氣：「你為什么不討論一下就把offer拒了？是我們給的錢不夠嗎？」謝賽寧什么都沒說，就是不去。

因為何愷明、Ross Girshick在Meta的FAIR，那里才是計算機視覺的圣地。他們不是那種很資深的大學教授，而是最頂尖的中青年研究員。他們在那里，做的就是最頂尖的CV（計算機視覺）研究，對謝賽寧來說沒什么好選的。

2024年7月，Ilya的SSI剛成立，又給他發郵件。這次謝賽寧問了一個問題:「你對多模態怎么看？」Ilya說，這件事已經解決得很不錯了。所以謝賽寧又拒絕了。

「因為他們在底層就有分歧——到底是以LLM還是視覺為主要路線。」

LLM是反Bitter Lesson的

在AI圈，有個著名的理念叫「Bitter Lesson」（苦澀的教訓），是強化學習之父Richard Sutton提出的。核心意思是：人類自以為聰明的領域知識，經常被「更簡單、更通用、依賴大規模計算的算法」超越。

但謝賽寧有個觀點：LLM完全不夠Bitter Lesson，某種程度上，LLM是反Bitter Lesson的。

為什么？因為Bitter Lesson說的是，你應該盡可能減少人類知識，把人類的傲慢、「聰明才智」以及這些精巧的結構盡可能減少，盡可能多用搜索和學習的方式去找尋答案。而語言就是這樣一種人類極其聰明的產物，它有精巧的設計。

「語言模型其實不是一個自監督學習過程，它是一個強監督學習的過程。」謝賽寧解釋說。

「語言太特例了，它是人類幾千年文明演化、處理了世界一切后，以標記化方式存儲下來的知識。這些知識的上傳本身就是一個監督信號構建的過程。」

所以，語言模型始終停留在Y空間（監督信息空間）。所有的機器學習都是X到Y的映射，Y通常是監督信息。語言模型其實只在刻畫Y空間，這不足以代表世界全部，很多東西無法通過語言刻畫。

謝賽寧還有一個觀點：語言模型的Scaling Law里面是有「水分」的。因為它并不需要真正通過理解世界的方式去回答問題。

世界模型會有非常不一樣的Scaling Law。它的模型不需要記住世界里的所有細微細節，它不需要通過解薛定諤方程的方式去判斷蘋果是不是落下來，它不需要人類最高級的智商。它需要通過理解能力去過濾和組織信息。

這跟人越來越像。

視覺vs語言：誰在污染誰？

ChatGPT誕生之前，CV（計算機視覺）在AI中占據很核心的位置。

但這幾年LLM興起，CV似乎退到一個邊緣位置。

這個過程中，以謝賽寧為代表的CV背景的研究者，會感到沮喪嗎？

"我完全不沮喪。我要感謝LLM。沒有LLM，Vision也沒辦法拓展到現在這種真正的多模態智能的大的范疇。"

視覺的發展史可以畫兩根軸：

在最早期階段，CV要處理的是最單一、具體、簡單的任務。

比如MNIST的數字識別，到后面像CIFAR這種32×32像素上的十分類問題。

再到后面ImageNet出現，變成了224×224的分類問題。

再往后有了目標檢測和圖像分割這種更結構化的認知過程。

這根軸繼續往前推演，就到了多模態學習模型的興起。

因為多模態的介入，我們可以很容易放棄固化的任務設計，語言作為一個很好的界面，可以幫你解決很多問題。

這里面有兩個問題：

第一，語言介入帶給我們巨大好處，讓我們可以自由定義問題并得到答案。

第二，風險在于，對語言的依賴變多了，導致很多多模態任務其實跟視覺沒關系，純粹是語言問題。

從這個角度看，Vision好像變得邊緣化。

但謝賽寧覺得這是巨大機會。

雖然現在通過語言的統計信息能完成一些決策，但等到真的有一天，我們需要去處理真實世界里的真實任務去構建某種真實的智能，現在這種不夠完美的視覺表征就會是重大的缺陷。

謝賽寧定義的"真實"是說要跟真實的世界發生交互。

LLM解決的問題大部分在數字空間發生。

LLM當然是革命性的，但這跟從視覺視角出發要解決的問題完全不在同一個市場。

我們要處理的是連續空間、高維度、帶噪聲的領域。

這些信號很難被標記化，它們脫離了虛擬空間。

這涉及到什么樣的任務呢？

比如工業過程控制，涉及到所有的傳感器建模信號。

你有很多傳感器感知世界，需要統一的算法去建模這個環境。

使得你在執行動作或者干預時，能預測系統接下來的變化。

這是LLM很難做到的。

謝賽寧說："我最想做到的事情是通過'不做機器人'的方式去解決機器人問題。"

機器人進展太快了，春晚上的宇樹機器人，令人瞠目結舌。

但另一方面，還是要有人專注在預訓練的部分，即所謂的"機器人大腦"到底是什么？

這個大腦包含了視覺系統。

在控制和硬件部分，大家可以各自努力。

真機驗證和迭代作為評估方式自然很重要，但謝賽寧不需要過早介入硬件，軟件層面和大腦構建上有根本性的研究問題沒有解決。

下載人類的時代

那么，這樣的世界模型怎么做訓練？

大語言模型能夠訓練是因為，海量的互聯網文本就在那里，這是人類文明的現成數據。

世界模型的訓練，從哪里下手？

謝賽寧說："這是一個最大的賭注—— 以前是下載互聯網的時代，現在是下載人類的時代。 "

"我們要把人類下載下來。"

一個4歲小孩看過的視頻，量級比所有訓練語言大模型的token還要大。

視頻是全村的希望。

世界模型的出口很多，短期內有兩個。

一個是AI眼鏡。

一個真的個人智能助理需要一個世界模型。

它得是一個永遠在線的設備。

就像現在Whoop、Oura類似的可穿戴設備一樣，一直在監控你的體征。

它會進行一個智能決策告訴你是不是壓力過大。

其實這些設備還蠻世界模型的，雖然目前它們獲取的信息太少，只有我們的心率、血氧等。

如果眼鏡能always on（一直開著），看到我們所能看到的一切，它能指導運動員的動作，或者給養老院的老人提供智能健康建議，這是現有基于LLM的多模態做不到的。

另一個出口當然是機器人。

機器人面臨的問題是本質上還是"大腦"不夠。

機器人是一個很好的下游應用，任何上游的演進它都能從中受益。

比如LLM出來了就有VLA（視覺-語言-動作模型）。

視頻生成模型出來了就有了所謂的WAM（世界-動作模型），但已有的預訓練范式，都沒辦法真正解決問題。

謝賽寧說："我不是很喜歡世界模型這個詞。聽起來有點Hype（炒作）。"

"但我還蠻同意一位教授說的：他喜歡World Model是因為，它告訴大家我做的是world（世界）模型，而不是word（單詞）模型。"

世界模型是所有人會抵達的終點。

自大的人類

訪談中，謝賽寧提到了一個觀點：AGI是個偽命題。

這也是他很認同楊立昆的一個觀點。

楊立昆之前跟DeepMind創始人Demis有過一個辯論，討論到底什么是通用智能，到底存不存在這件事。

楊立昆的邏輯很數學：

人有200萬根視覺神經纖維，可以用來建模函數。

雖然理論上所有可能的視覺函數是2^2^200這么大，但人能夠真正去處理、能夠看到的東西趨近于零。

我們受到意識和神經帶寬的限制，看不到世界上發生的一切。

所以人的智能是一個非常特定化的智能，人只能認知到自己能看到的東西。

謝賽寧推薦了一本書：《我們足以聰明到知道動物有多聰明嗎？》

"我覺得我們應該放棄人類的自大，"他說，"智能演進是一個連續的過程，人不是獨一無二的。"

人會使用工具，動物也會。

甚至我們引以為傲的自我意識，比如鏡子實驗，很多動物也能意識到鏡子里的是自己。

還有更加聰明的動物，比如黑猩猩，德瓦爾寫過一本書叫《黑猩猩的政治》，講四只黑猩猩如何進行權力博弈，很像《紙牌屋》，有拉幫結伙、有權謀上位。

這些動物也有心智理論，它們有自己的世界模型。

比如一個實驗：

實驗人員當著黑猩猩的面在兩個盒子里分別放了香蕉和蘋果，扣上盒子。

把黑猩猩拉出去很長時間再帶回來，如果它看到實驗人員正在吃香蕉，它會徑直去打開裝蘋果的盒子，理都不理原先裝有香蕉的盒子。

這說明它有某種心智推理能力。

雖然語言是人類獨一無二的，但不代表其他動物不會交流。

鯨魚也有自己的語言。

"打造出一只松鼠的智能，才是真正難的問題，" 謝賽寧引用Richard Sutton的話說。

"一旦你能讓它在真實世界活下去，有自己的目標、有內在獎勵、知道饑餓、有情感和社群活動，那么寫代碼、上月球這些事都是再容易不過的。"

如果拋下人類的自大，打造松鼠的智能其實是一個更難的問題。

在談論AGI或超人工智能之前，能不能先有一個足夠可靠、足夠通用的機器人？

一個12歲的孩子能承擔幾乎所有家務，但現在沒有任何機器人能做到。

這件事需要"預訓練的下半場"。（?? quote 姚順雨的下半場說法）

現在的機器人創業公司沒有精力做"大腦"的預訓練，他們資源都投入到了硬件的規模定律上。

即買更多機器人、去部署它們，產生具體的商業價值。

我們是"草根聯盟"

張小珺提到，有個中國投資人曾經說過：所有"含著金湯匙"出身的創業都沒有成功的，幾乎沒有。

但謝賽寧不覺得他們含著"金湯匙"。

"Yann不是草根，但他現在在整個AI的行業，包括在投資人面前，很多時候是一半支持、一半反對的。"

"他不是眾星捧月的那種英雄。"

"他是一個堅守自己、在永遠嘗試做下一件事情，但這件事情還沒有完全做成的這么一個人。"

"我覺得這導致我們不是含著'金湯匙'。我們是一個不被看好者。我們其實是在某種行業的壓迫下生存的這樣一個公司。"

雖然融資有10.3億美元，但比起LLM現在撬動的資源來看，差太遠了。

"我非常享受這種不被看好者的身份，尤其作為一個創業者，"謝賽寧說。

很多投資人的反饋是：在硅谷里面大部分人不相信他們，在世界其他地方大部分人相信他們。

"但沒關系，你們可以不相信我們，那我們就走著瞧。這條路我現在已經all-in了，你跟不跟？"

關于世界模型，其實現在的定義沒有收斂。

謝賽寧定義的世界模型和李飛飛團隊（World Labs）定義的世界模型，差異是什么？

謝賽寧說，現在世界模型不好定義，是因為它不是一個技術路線，它是一個目的。

不管你在做LLM還是視頻擴散模型，所有人都在通往世界模型的道路上。

在他們看來大家并沒有直接競爭關系。

對于視頻擴散模型的公司，像Sora、字節的模型、Genie、Runway、Luma，他們這些生成派更聚焦在構建一個世界模型的模擬器上，所謂的World Simulator。

他們的目標是渲染出足夠好看的視頻，追求生成的一致性。

李飛飛老師那邊在World Labs里，更在意強3D的表征，是"空間的代碼"，是交流、協作和創造的界面。

通過一個非常具象化的、顯式的3D的形式，這樣才能夠在空間里面去掌握空間智能，并且保證100%不會出錯。

AMI Labs想要做的事情更像是，要去打造這樣一個預測大腦，核心還是怎么樣去提升智能本身。

命運的答案是42

訪談接近尾聲時，張小珺問了一個問題："此時此刻，你感覺命運正在把你往哪推？"

謝賽寧想了想："命運在推我嗎？好像也沒有。好像沒有被命運推著走的感覺。只是在下一次需要做選擇的時候，希望上天保佑吧。"

"這個世界是一個巨大的世界模型嗎？"

"這個世界當然是一個巨大世界模型。"

"那我們能預測命運嗎？"

"我覺得不能。"

"為什么？"

"因為我們資源不夠。你需要用地球這么大的一個計算機，或者說你要有整個宇宙作為你的計算機，才能告訴你一個關于生命、關于宇宙、關于任何事情的答案。"

"這個答案最后可能是42。"

一個"普通人"

張小珺發現謝賽寧很喜歡說一句話："You are not the chosen one, you are just the normal one."（你不是被選中的人，你只是個普通人）

這句話來自他支持了二十多年的球隊——利物浦。

他最喜歡的教練Jürgen Klopp，曾經這樣回應穆里尼奧的"I am the special one（我是那個特別的人）"：

"I'm not the special one, I'm the normal one."（我不是那個特別的人，我是那個普通的人。）

謝賽寧很喜歡這種態度。

克洛普本人非常朋克，很有搖滾氣質。

但他經常說，自己在團隊里的定位更像是一塊電池——通過熱情和能量，給其他人發電。

"我也很希望自己能成為這樣的人。不管是在學校，還是在創業公司里，我都希望自己能夠成為團隊里的那塊電池。"

"Yann就是這樣一個巨大的電池。他也深深地感召了我。"

"但我也希望，能夠通過我自己，把這份電力繼續傳遞下去。"

張小珺問："你最近一次感到沮喪是為什么？"

"我天天都感到沮喪。這個已經變成一個常態了。"

"這也是研究者的宿命——大家底色都挺悲涼的。"

研究的求索過程，本身就是在一個暗無天日的地方摸索。

當你看不見光亮的時候，你總是會感到迷茫和沮喪。

大家真正感到快樂的時候，無非就是你真的把東西做出來的時候。

但這一部分時光其實非常短暫，可能只有5%或10%。

何愷明好像也說過類似的話。

長此以往，大家的心理狀態挺堪憂。

不過現在這個時代，和原來不太一樣了。

現在會有更多討論。

這也是這一波AI帶來的一個好處：至少大家不覺得自己是在一個幽閉的空間里獨自探索。

Yann本身就很樂觀，非常非常樂觀。

可能因為他經歷過悲涼，然后成功了吧。

他經歷過AI的寒冬，然后最后可以告訴所有人：他是對的，你們是錯的。

Yann經常說：這件事情跟過去深度學習、神經網絡發生的事情一模一樣。

總有一小群人，能夠清晰地看見這個世界發展的脈絡，看見科技的進程。

但他們只是一小撮人，大部分人其實是看不見的。

因為大部分人都在忙著做其他的事情。

比如在深度學習之前，很多人可能就是在做傳統機器學習。

現在也一樣。

Yann有足夠的信心。

他會覺得：我能看到的事情是重要的事情，我能看到的路線是一條清晰的路線。

在這件事上，謝賽寧還蠻相信他的。

65歲的青春期少年

在很多人眼中，楊立昆都是一名斗士。

在謝賽寧眼中的楊立昆是一個怎樣的人？

"他真的是一個'斜杠青年'，或者挺文藝的一個人。按一個朋友的說法，Yann是一個16歲青春期一直延續到65歲的這樣一個人。"

他經常就很驕傲地跟大家說他有四大愛好：

第一個愛好是造模型飛機。

第二個愛好是拍天文攝影。

第三個興趣是搞電子樂和爵士樂。他的網頁是寶藏，他會講說在紐約有哪些Jazz Club比較好。

他還有一個愛好是帆船。

"我們要做世界模型，我希望大船的舵手是一個有格局、熱愛生活的人。"

謝賽寧講了一個小故事。

他們3月有另外一篇論文叫《Solaris》。

這是一個科幻小說，后來被塔可夫斯基改編成一個電影。

他們之所以取這個名字，是因為在做一個多角色視覺生成的模型。

電影講的事情是說，有一片海洋可以讀取人的潛意識里的記憶，最后把一些東西具象化生成出來。

有一天跟Yann說，我們這個論文叫這個名字怎么樣？謝賽寧想看他知不知道這個電影。

Yann說："你知道這是一個電影的名字嗎？"

謝賽寧說："對，我就是因為這個取得名字。"

Yann問："你看的是哪一部？是1972年的一部，還是2002年的一部？是塔可夫斯基拍的還是索德伯格拍的？"

謝賽寧說："OK，我覺得我不光研究上服你，在電影上好像你也比我懂得多。"

"這對我個人來說蠻重要的一種人格魅力的體現。"

從Yann第一次告訴他要創業，謝賽寧糾結了多久？

"我沒有糾結很久，Yann說話有點像施法，像哈利波特一樣給你施一些咒語——他說完一些話，你就不會想其他的了。"

真實的生活

張小珺問：在過去一兩年，你對生活在的這個真實世界的模型有哪些新的思考？

"我覺得，這件事情一定要超出研究的局限。一定要熱愛生活，到真實的生活里面去，要了解到這個真實世界發生的事情。不要在一個大的泡沫里面過完自己的一生。"

"我會很擔心在現在這個時代，大家的思維方式或者關注的東西，可能會有某種同質化。但總之，如果一個東西已經變成一個巨大的共識，這件事情總會有更大的泡沫破滅的風險。"

"但我說的泡沫可能也不是經濟上的泡沫，更像是在一個封閉的環境里，大家的這種——回音壁。"

謝賽寧其實也不是想吐槽灣區。

灣區挺好的。

他現在在紐約，非常懷念灣區的生活，總想回去，尤其在冬天下雪之后。

但是他覺得紐約很不一樣。

他每天上班，首先不用開車了，已經從一個鎧甲脫離出來，進入到真實的生活，開始步行。

從家到學校辦公室，有一個公園叫華盛頓廣場公園，里面形形色色的人都有：

有彈鋼琴的藝人，有跳舞的，有推著嬰兒車的媽媽們，有下象棋的老大爺，有坐在臺階上什么也不做發呆的年輕人，也有拿著電腦學習的NYU的學生。

每天最解壓的時光，就是這大概五到十分鐘的路程。

"我發現這個世界比我們想象的要大得多。"

他說，"不是所有人都關心什么叫AI。他們有自己的生活。"

這個世界很大。

但另一方面，也許AI在未來某一天會影響到他們的生活。

人生之書

張小珺問，每一位嘉賓都會給觀眾推薦一本"人生之書"，希望它真的影響過你，改變過你。你的會是什么？

謝賽寧推薦兩本書。

一本書叫《哥德爾，埃舍爾和巴赫一集異璧之大成》

里面講了很多關于哲學、數理邏輯，還有這三個人——哥德爾、巴赫、艾舍爾。

一個數理學家、一個作曲家、一個畫家，他們之間到底有哪些哲學的共同點？

"我們本科的時候，是老師推薦，大家組團學習。當初大家看不懂，但是到后面，越來越覺得這件事有點道理。"

還有一本書，也是本科看的，叫《禪與摩托車維修藝術》。

這本書是一個內心求索的過程。

"有些書、電影會把你裝滿，有些書、電影會把你掏空。我看完這本書的感覺是，它有點把我掏空。讓我感覺到了一些，這個世界到底什么重要？什么不重要？"

張小珺問："對于你來說，什么重要？什么不重要？"

"人與人之間真誠的交流是重要的，也許其他都不重要。"

"但在某一個時間點上，你要問我這個問題，我會說創業很重要，我會說研究很重要。但歸根結底，我還是相信人與人之間的交流，這件事很重要。"

張小珺說："聽起來研究是你交流的一種媒介。"

"對，我覺得是。而且研究本身也是一個更深的連接。"

這在他們融資過程中還幫到了他們。

有一個投資人很愿意投他們，他的原因是，他認識一個很強的創業者，也是一個研究員。

他說："你們一定要投賽寧，我們不管以什么樣的方式都要幫到他。"

但謝賽寧跟這個人只在開會時見過一次，他是Stable Diffusion主要作者之一，創立了黑森林實驗室。

這種信任關系是建立在學術工作之上。

這種信任關系甚至有時候會遠超真正的私人關系。

大家通過一篇作品了解你，這件事情會傳承下去，甚至可以走得很遠。

這個世界很大。

而AMI Labs要做的，是讓AI真正理解這個世界。

不是通過語言的抽象，而是通過物理世界的真實。

這條路會很難走。

但至少，他們選擇了自己相信的方向。