看tairan和翁家翌视频博客有感

一个月前就注意到tairan和翁家翌大佬的视频博客了，当时简单刷了刷一些切片，今天抽空把整个播客听完了，写一篇观后感吧。

听完这个播客的一个感触是，有一些观点和我之前写的一些文章观点有契合的地方，比如都有鼓励探索，环境会影响一个人的心智模型从而影响命运等。不同的是，jiayi完全认为整个世界就是宿命论的，他认为未来的一切都是确定的。不过我认为人是可以通过主观能动性认识到环境造就的自己的心智模型的缺陷并通过刻意训练改正的。

jiayi大佬是非常厉害的creator和engeneer.大佬的童年就是厉害，NOI竞赛出身，从清华到CMU，但我觉得最重要的是他的选择非常正确。他能有这么大的成就，正确的选择才是影响最大的因素。我个人觉得他能拔高上限也有不少运气的因素。从播客中的内容来看，其实他是做rl infra的，对rl能在LLM中发挥这么重要的作用，当时的他是不知道的。当时疫情管控最严格的时候，他仍然去到美国CMU读硕士，然后去到当时只有不到300人的OPENAI，这个选择在现在来看太正确了，直接踩着风口起飞。

给我们的启示其实就是，选择非常非常重要，而正确的选择，我们不能报以“赌”的心态去做，应该尽量去对未来的发展有深刻的洞见，做出正确的选择，做正确的事。

如果目标是工业界，我觉得jiayi说的非常好，就是教一个engeneer做一个researcher比教一个researcher做engeneer要容易得多，读一个master+一些其他的积累完全可以博到和PhD一个门槛的机会；如果目标是学术界，对于现在很火的方向，我认为要谨慎读PhD。因为5年之后这个当今很火的方向，吃汤喝肉的人在今天就已经占住了位置了。读PhD核心是导师要是大牛，要和导师做好connection，而且最好这个方向应该是你认为5年后才会开始火爆的方向。比如不少人就赌world model。至于world model会不会真的几年后成为真正的香饽饽，其实还是有待商榷的。

从这个角度看，如果想进入工业界，读PhD的风险还是不小的。所以如果要进工业界，jiayi的master+其他优秀条件（比如github star）这套路线去博得PhD的门槛或者比普通PhD还高的门槛是一条风险比较小的路线。而且工程能力确实是no.1，做一个engeneer的下限和基本功是非常高的，今天的AI本质是一门实验科学，idea在今天变得便宜，验证却需要强大的工程能力。

另一个非常赞同的点是，jiayi一直很讨厌公用的评价体系，并一直给自己建立一套私有的评价体系。我认为这是非常非常正确的。GPA等公用的评价体系会因为作为一个评价指标被当成了目标，就变质了。而jiayi的比赛+paper+github star我认为是更好的评价体系。我认为这里的比赛，应该只局限在像算法比赛这样的硬实力比赛，而不是一些PPT大赛或者语言建模比赛。我认为一个人成就有多大，第一是选择，第二是connection,第三就是建立正确的评价体系。作为一个大三的学生，我是非常感同身受的，并且其实大家都是这么过来的，连清华佬都不例外。jiayi的GPA只要能达到他的够用，就不愿意再给任何时间的做法和我的做法是一样的，所有人都要做好平衡。

另外就是，所有的这些长辈们，不止一个人两个人，都说开源，开源，开源的重要性。做输出，做开源，一定是性价比最高的事情之一。

jiayi其实在播客里暗讽了一些research圈的乱象，他作为一个engeneer,对research其实是不感冒的。因为对于实用主义的人来说，9成的paper都是没什么用的，当今学术圈的环境大家也都清楚，他说学术圈未来会被重构，我没有什么真实的研究生经历，其实还是不太清楚这是否真实的。不过我和jiayi一样都是creator，都是实用主义者，追求效率，追求impact。但我已经不止一次听到一些长辈说，研究的方向很重要，还是选择，选择，选择啊。如果做一个水很深，很成熟的领域，对着一些数据集overfit,真是太难受了。好的research taste能让路走的更通顺。

其实AI圈就那么多大的方向，infra,算法，数据。但是需要我们很警觉的一件事就是，技术人需要对技术去祛魅。openai之所以需要sam,需要CEO，是能管理组织的人，管理context的人，是能发现需求的人。比技术重要的多的，是能发现需求的嗅觉。作为creator,我想product,open-source project,github star这些东西才是我真正想要的。

做系统也比做算法更舒服，LLM带来的变化是，做算法反而可能是最先被取代的了，做系统反而没那么容易。因为瓶颈不在算法，而在系统的迭代速度上。vibe coding的出现也是加剧了这个现象，做系统的代码还在llm的training dataset的out of distribution的范围里，但idea可能都可以通过批量生成来做来验证了。不过我们需要top 10%的研究，从这个角度看，我觉得学术圈更适合天赋异禀的超级理论天才去做，大多数人的归宿其实都应该是工业界。现在的问题就是太多不适合学术圈的人进了学术圈，导致了一些乱象，此处不宜多说了。

而且所谓大家都在鼓吹的ai agent,本质是传统的SE外挂了一个“史上最强大的、基于概率的、支持自然语言”的超级正则表达式。本质是给传统SE加了一个，可以从动态的模糊的自然语言中提取出期望的结构化信息的能力。今天的AI Agent，难的根本就不是这几年的新概念，还都是传统SE中的问题。AI Agent之间的差距，也是SE老生常谈的一些问题的差距。MCP不过是提供了各种专用的超级“正则表达式”和与其配套的具体能力，Agent Skills本质就是管理这个超级正则表达式的一种方法，解决什么时候该用什么具体的“正则表达式”。

领悟了这点，就会有两种情绪。一个是对技术的祛魅，一个是对技术的敬畏。祛魅是，其实也不过如此，敬畏是，但这已经足够伟大足够厉害了。从这个角度看，传统SE的一些素养，方法才是关键。

我觉得jiayi的认知值得我们每个人学习，敢于跳脱出常规的评价体系，不在意他人的眼光，忽视鄙视链给人带来的影响是非常重要的。鄙视链这个东西，如果真的在意就达到了那些鄙视他人的人的目的了。事实是，我们都需要对技术祛魅。不管是理论科学，还是实践科学，技术是平等的。搞大模型训练的，和搞上下文工程的，搞算法的，和搞系统的，每个领域都是一门高深的科学，做到顶端都能吃香喝肉。

技术也从来不是什么互联网公司的护城河。技术从来就不是！技术从来就不是什么护城河！互联网公司的护城河只有生态，数据，流量，没有别的了！作为技术人的同时，清醒认识到技术根本不算什么，也没必要存在鄙视链，才是从纯搞技术走向做产品做创造者的根本。以上。