Bojie Li (李博杰)

Podcast 原始内容：六叉路口的播客《研发岗位本身就要拥抱 AI，然后用剩下的时间疯狂做实验——对话华为第一批天才少年李博杰》

以下内容约 3.5 万字，为笔者根据播客内容利用 AI 整理。感谢猎手 Leslie 的精彩访谈和后期，2 个小时的时间一口气讲了个痛快，没有一段是重录的。也感谢 AI 能让我用一个下午整理完三万字的内容，并且用之前写的其他资料做了补充。

核心观点总结：

• 《她》和《黑镜》等科幻电影涉及 AI 的场景已经实现或接近实现，把科幻变成现实肯定会有巨大的价值。
• 模型能力处于快速上升期，小规模 AI 公司要跟基础模型公司做朋友，不要做在模型上雕花、套壳的事情。
• “20% 项目” 的创业成功率较高，根据日常工作和生活的需求先利用业余时间做兴趣项目，如果有泛化需求再扩展成商业项目，成功率较高。
• AI 应用的很多性能问题并不是模型问题，而要用基于第一性原理的系统优化解决。
• AI 行业大量工作未被发表或没有被开源，存在巨大的信息差。
• 现代社会信息差巨大，AI 跟用户交流多了，可以知道每个人的知识边界，推荐的效率会高很多，有助于抹平信息差。
• OpenAI o1 的强推理能力对模型在严肃场景下应用的可靠性很重要。
• 大多数用户的日常生活需求现在能力最强的模型已经基本够用，重点是降低成本；AGI 可能很昂贵，主要用于解决人类科学中最重要的问题。
• 有限的能源和芯片制造能力是 AGI 面临的重大挑战。
• 创业公司招人需要扎实的计算机基础知识、强学习能力、强自驱力。
• AI 辅助编程可以大幅提升程序员的工作效率，节约出来的时间可以用于探索 “20% 项目”，或者更好的工作生活平衡。
• AI 提升效率后，会带来更多的需求，使更多的需求变成现实，甚至独立开发者就可以完成之前一个团队的开发工作。
• 一个人的职业生涯是由一系列项目组成，重要的是每个项目都有影响力。不同的项目适合不同的方式，包括创业公司、小而美公司、社区、学术项目等。

全文：

Q: 最近一年来你觉得最想分享的一个产品？

A: 之前我提过一个说法，AI 一天，人间一年。过去一年有太多 exciting 的产品。如果一定要我选出一个的话，我会选 OpenAI o1，简单来说就是让 AI 学会了思考。这个思考最显著的体现就是数学和编程。我们不要把数学和编程理解的狭义了，其实这是当前大模型在商业场景下应用最大的挑战。

数学这块，目前大多数的大模型算数总是算不准确，比如 3.8 和 3.11 的大小都分不清，那么准确率就不高，在严肃的场景下不敢用，比如让他定个机票，让他帮我算账，万一弄错了怎么办。现在的模型计算准确了，很多严肃的场景就可以用了。

编程也并不是程序员才能用上的。我们观察到现在 AI 应用有一个重要的趋势，生成的内容不仅仅是文字，而是一个图文并茂的多模态内容，甚至是一个可以跟用户交互的小游戏、小程序，比如 Claude Artifacts，OpenAI Canvas，Google NotebookLM 生成 podcast，Perplexity 生成的图文并貌的 wiki。这些内容其实都是大模型生成的一段代码，然后动态渲染出来的。这种图文并茂的多模态内容就非常考验大模型的编程能力。

开始创业之前，老婆就给我买了《小米创业思考》，但我一直没看。最近几天才有空读了读，感觉收获很大。这类书我之前不太喜欢看，觉得这些经历都是经过加工和美化的，其中的一些忠告也未必听得进去。但有了亲身创业经历之后，再来看大佬的书，就感觉人家说的很有道理。

《小米创业思考》一书最精华的是第六章 “互联网七字诀”，即 专注、极致、口碑、快。

MIUI 的开发思路充分体现了 “专注、极致、口碑、快” 互联网七字诀：

• 专注：刚开始只做四个功能（电话、短信、通讯录和桌面），极度克制。
• 极致：百变锁屏、百变主题，能够模拟任何手机，对体验极致追求。
• 口碑：公司全员在论坛上跟用户沟通，跟用户交朋友。在 XDA 论坛上大受欢迎，在国外火了，最早的国际化从 MIUI 开始。
• 快：每周迭代，采用互联网开发模式。

专注

专注是互联网七字诀中最重要的一条，也是适用于所有公司和产品的。

公司需要专注

雷军分享了他首次创业失败的经历。雷军技术很强，大二就修完了四年的学分，大三写的杀毒软件《免疫 90》卖了 100 万，在 90 年代这是很大的一笔钱了。于是，大四他就跟两位技术大神李儒雄和王全国（这两位现在也非常成功）一起创办了三色公司，但这次创业很快就以失败告终。

（本文首发于知乎回答《2024 诺贝尔物理学奖授予人工神经网络机器学习，为什么会颁给 AI 领域？》）

一些人开玩笑说今年的诺贝尔物理学奖，好多搞物理的都没听说过获奖的这两个人……

人工神经网络与统计物理的关联不是偶然的

7 月初本科毕业 10 年回科大返校的时候，跟几位搞数学和物理的同学聊起了 AI，我吃惊的发现如今 AI 的很多基础概念是源自统计物理，比如 diffusion（扩散模型）和 emergence（涌现）。

@SIY.Z 也给我讲了很多 AI 经典算法背后的统计物理基础，比如此次获奖两人的重要成果 RBM（受限玻尔兹曼机）。

这种关联并不是偶然的，因为统计物理研究的是大量粒子组成系统的行为，而人工神经网络也是大量神经元组成的系统。从人工神经网络的早期发展历程，能够清楚地发现这种关联：

Hopfield 网络

1982 年，Hopfield 在研究人类记忆的原理，希望创造一个数学模型，用于解释和模拟神经网络如何存储和重建信息，尤其是在大脑中神经元是如何通过相互连接形成记忆的。

具体来说，这项研究的目的就是要构造一个支持 “语义模糊匹配” 的 CAM（Content-Addressable Memory，内容寻址内存），在存储阶段把需要存储的多条数据放进去，而在重建阶段，放入一个部分丢失或被修改的数据，需要找到与之最匹配的原始数据。

Hopfield 网络利用了物质特性中的原子自旋，这种特性使每个原子可以被看作一个小磁铁。这就是为什么 Hopfield 网络以及后续演进出来的人工神经网络这么像统计物理里面的 Ising 模型。Ising 模型就是用来解释为什么物质具有铁磁性的。

9 月 20-21 日受邀参加 2024 云栖大会，花了接近两天的时间把三个展馆都逛了一遍，几乎每个感兴趣的展位都做了交流。

• 一号馆：基础模型的突破与挑战
• 二号馆：算力与云原生，支撑 AI 的核心架构
• 三号馆：应用落地，AI 赋能千行百业

我之前的研究方向是二号馆的计算基础架构和云原生，现在主要做 AI 应用，对一号馆和三号馆的内容也很熟悉，所以聊了两天下来，真的有把云栖大会玩通关的感觉。

会后我对着录音机讲了两个多小时，然后让 AI 整理出了这篇近 3 万字的文章。9 月 22 日没能整理完，平时工作又忙，国庆节期间就抽了点时间跟 AI 一起修改，加上录音总共花了大约 9 个小时。以往没有 AI 的时候简直不敢想象 9 小时能写出 3 万字。

全文提纲：

• 一号馆（基础模型）：AI 的第一推动力

  • 视频生成：从单一生成到多样化场景的突破
    • 从单一文本生成视频到多模态输入生成
    • 动作参考生成：从静态图像到动态视频
    • 基于口型同步与视频生成的数字人技术
  • 语音识别与合成
    • 语音识别技术
    • 语音合成技术
    • 音乐合成技术
    • 未来方向：多模态端到端模型
  • Agent 技术
  • 推理技术：百倍成本下降背后的技术推动力

• 三号馆（应用）：AI 从 Demo 走向千行百业

  • AI 生成设计：生成式 AI 的新范式
    • PPT 生成（通义千问）
    • 图文并茂的聊天助手（Kimi 的 Mermaid 图）
    • 用图片形式展示生成内容（汉语新解）
    • 设计稿生成（Motiff）
    • 应用原型生成（Anthropic Claude）
  • 智能消费电子：期望高，进展慢
  • AI 辅助运营：从热点信息推送到粉丝互动
  • AI 在教育中的颠覆性应用：从个性化到场景化学习

• 二号馆（计算基础设施）：AI 的算力基础

  • CXL 架构：云端资源的高效整合
  • 云端计算与高密度服务器：算力集群的优化
  • 云原生与 Serverless
  • 机密计算：AI 时代的数据安全与信任转移

• 结语：基础模型、算力与应用的两个 Bitter Lesson

  • 云栖大会的三个展馆体现两个 Bitter Lesson
  • 第一课：基础模型是 AI 应用的关键
  • 第二课：算力是基础模型的关键

为啥美国互联网公司不需要 996，人均产出还更高？

很多人只是简单归结于社会文化 “内卷”、八小时工作制执行力度不足，但我觉得这些并不是主要原因。很多做出海业务的公司，海外团队不实施 996，甚至不用打卡，但国内团队仍然要 996。这是为什么呢？

作为一个对国内和美国公司都有一定了解的程序员，我认为主要是以下几个原因：

1. 美国公司的客户单价较高
2. 美国客户对人工服务时限要求较低
3. 美国公司基层程序员的代码质量较高
4. 美国公司的管理成本较低
5. 美国公司更善于使用工具和 SaaS 服务
6. 美国公司目标和边界更清晰
7. 美国公司也有少数 007 大神在负重前行

美国公司的客户单价较高

一个各方面能力接近的人，投入相同的工作时间，在美国公司创造的收入和利润大概率是比中国公司高的。原因就在客户单价上。

从 IDE 和 Vim 切换到 Cursor

我之前开发比较大的项目一般是用 JetBrains 系列 IDE（PyCharm、CLion），开发比较小的项目一般就用 vim 了。开发比较大的项目最烦的就是写胶水代码，大部分时间都不是在思考功能的设计或者算法，而是花在胶水代码上了。

Cursor 是一个类似 GitHub co-pilot 的 AI 辅助编程 IDE，界面跟 VS Code 比较类似。2023 年 Cursor 刚开源发布不久，我就开始试用了，但当时由于基础模型能力不足，并不是特别好用。今年 5 月 GPT-4o 发布后，我重新开始用 Cursor，发现比在 ChatGPT 里面问代码问题更方便，首先不用来回切换窗口，其次 Cursor 有上下文，问的效率更高。

最近三个月，有了代码能力更强的 Claude 3.5 Sonnet，我已经完全从 PyCharm 和 Vim 切换到 Cursor，因为 Cursor 的开发效率比有 AI 补全功能的 PyCharm 高多了，整体开发效率提升了一倍，最近三个月 GitHub 也轻松保持全绿。

Cursor 可以帮助快速入门新语言和框架

Cursor 的用途不仅是提升开发效率，还能帮我们快速熟悉新的编程语言、框架和技术栈。例如用 Go 写后端，用 React 写前端，用 Solidity 写智能合约，我之前都不会，但有了 AI 辅助编程，这些都不难。如果我上学的时候就有今天这么强的 AI，可以多学会很多编程技术。

OpenAI o1 的传言从去年的 Q* 开始，今年的 Strawberry 又拱了一波火，除了 o1 这个名字没有人猜到以外，里面的内容其实已经被猜的七七八八了，主要就是用强化学习方法让大模型学会更高效的思维链（Chain-of-Thought）思考方式，大幅提升模型的推理能力。

OpenAI 官方的测试数据就不在这里重复了。我体验下来总体效果很好，牛皮没有吹破。

• 2024 年高考数学试卷可以做到 120 多分（满分 150），只用 10 分钟就完成了答题。
• 小学奥数题基本全能做对，列方程的标准解法和适合小学生的 “妙解” 都能想到。
• 之前让大模型困扰的一些问题，比如 3.8 和 3.11 哪个大，Pi 和 3.1416 哪个大，strawberry 里面有几个 r，都可以做对。
• 编程方面，可以独立完成一个 demo 项目的开发，目测比目前代码能力最强的 Claude 3.5 Sonnet 代码能力更强。
• OpenAI o1 System Card 里面有个例子，在做一道 CTF 题的时候，那道 CTF 题远程验证环境的容器坏了，o1-preview 就找到了比赛平台的漏洞，启动了一个新的容器把 flag 直接给读出来了。虽然 OpenAI 的原意是提醒 AI 的安全风险，但这也体现了 o1 主动与环境交互解决问题的能力。

有人说，OpenAI 搞出了这么强的模型，跟其他公司的差距又拉大了，小公司没有存在的必要了。我认为情况恰恰相反。对没有能力自己训练基础模型的 AI 公司和学术界、AI Infra 公司、AI Agent 公司来说，这都是一个乐观的消息。

我给老婆做的七夕礼物：一个 AI 生成的视频，由 25 个 AI 生成的 5 秒视频和一首 AI 生成的音乐构成。这些视频大多数是用我们的静态照片加上动作的文字描述生成的，其中一些是鬼畜动作；一些是用其他风景照贴上我们的照片生成的。

视频生成成本大约 10 美金。虽然效果比不上 Sora，也有很多明显的物理规律错误，但比去年的 Stable Video Diffusion 等开源模型好多了，跟参考图的人物一致性也比较好了。

（视频 02:02，44 MB）

Web3 最大的两个优势是通证经济（tokenomics）和信任（trust）。通证经济解决的是利益分配的问题。这篇文章主要讲信任问题。

传统 Web2 的信任本质上是对人的信任。我敢把数据放在苹果和谷歌，是因为我相信苹果和谷歌不会出售我的数据。我敢在脉脉上匿名吐槽公司，是因为我相信脉脉不会把我的身份信息泄露。但显而易见的是，在利益面前，人并不是那么可信的。

Web3 能够如何更好地解决信任问题？我认为，Web3 的信任有三大来源：密码学信任（Cryptographic Trust）、去中心化信任（Decentralized Trust）和经济学信任（Economic Trust）。

密码学信任的本质是信任数学，去中心化信任的本质是信任大多数人不会串通起来作恶，经济学信任的本质是信任大多数人不会做亏本的买卖。因此，这三种信任是可靠性递减的。

那为什么不只用密码学信任呢？因为很多问题是单靠密码学信任无法解决的。这三种信任虽然可靠性递减，应用范围却是递增的。

接下来，我们就逐一介绍这三种信任。

密码学信任

• 如何既不透露我是谁，又能证明我的身份？例如，脉脉需要验证我是某家公司的成员，但我又不希望把我的确切身份告诉脉脉，这可能吗？
• 有随机性的在线游戏如何保证公平性？例如，一个德州扑克的游戏平台如何证明自己的发牌是绝对公平的，没有庄家在悄悄看牌？