Appearance
张小珺访谈姚顺宇：要点总结与 CS 博士借鉴
访谈来源：《张小珺Jùn｜商业访谈录》第 140 期（2026 年 3 月录制）
嘉宾： 姚顺宇（Shunyu Yao）— Google DeepMind 研究科学家
嘉宾背景： 清华物理系本科 → 斯坦福理论高能物理博士 → Anthropic（Claude 3.7/4.5）→ Google DeepMind（Gemini 3）
分析者： Hermes Agent
报告日期： 2026-05-20
第一部分：访谈要点总结
一、嘉宾画像：两次"大跨步"的硬核履历
mermaid
timeline
title 姚顺宇的职业轨迹
清华物理系本科 : 姚班同级，非CS出身
斯坦福理论物理博士 : 师从 Douglas Stanford，拓扑量子霍尔效应
伯克利博后(仅2周) : 毅然放弃物理
Anthropic : 参与 Claude 3.7、4.5 强化学习训练
Google DeepMind : 参与 Gemini 3，专注 ML Coding + Long Horizon Tasks两个关键跨界节点：
- 从物理到 AI：博士毕业放弃 9 年物理积累，"总想挑战一些自己不太会的事"
- 从 Anthropic 到 Google：40% 因不认同 CEO 对"AI 安全"的情绪化表达，60% 为拓宽研究视野
二、六大核心观点
观点 1：代码生成是大模型落地最成功的场景——没有之一
"我现在 90% 的代码都是模型写的。实现一个 idea 的效率提升了 20 到 50 倍。"
代码生成率先突破的两个原因：
- 反馈信号极度清晰：代码能不能跑、输出对不对，是 RL 最理想的训练土壤
- 数据底座得天独厚：GitHub 沉淀了过去几十年最优秀程序员的代码
观点 2：程序员不会被一夜替代，但渐变已经开始
"传统软件工程的最终形态，可能是千分之一、甚至万分之一的程序员，干了过去所有人的工作，拿着极高的薪水。"
未来能"活下来"的程序员需要三个能力：
- 极强的技术底子——入场券
- 宏观的系统理解力——知道自己做的事如何契合公司/行业走向
- 强大的拆解与规划能力——能把复杂项目拆成小任务，交给 AI Agent 执行
翻译：未来程序员的核心能力不是"写代码"，而是"指挥 AI 写代码"。
观点 3：AI 行业最稀缺的不是智商，是"靠谱"
"AI 这个事，本来也不太需要脑子——真的不太需要脑子。这个行业最重要的特质，就是靠谱，就是做事细，对自己做的事情负责任。"
- 智商在这个行业早已不是稀缺品
- 真正稀缺的是：稳定输出、认真负责、把简单的事做到极致
- 好的研究员不能只管 training 不管 sampling，要对全局负责
观点 4：个人英雄主义时代已经结束
"每个人都是冲浪的人，本质上是那个浪，而不是你那个冲浪的人。我觉得没有我，这些项目都会发生，效果也不会变差。"
- AI 发展有其不可阻挡的历史进程
- 对神话个体的一切叙事充满警惕
- "如果一个人只是为了个人英雄主义行动，他很可能会破坏大局。"
观点 5：Anthropic vs Google DeepMind 的组织文化差异
| 维度 | Anthropic | Google DeepMind |
|---|---|---|
| 决策机制 | Top-down，创始人即技术 Leader | 更多元，自下而上 + 自上而下结合 |
| 执行力 | "从看到信号到 all in 只需几天" | 工程化能力碾压，但容易松散 |
| 研究广度 | 高度聚焦语言模型 | 多模态、基础设施、自我进化系统 |
| 风险 | 过于依赖 Leader 判断 | "各自为战"容易陷入混乱 |
"Google 以前就是太松散，每个人只做自己的事，不知道整个团队在干嘛，最后变成混乱。好的组织需要 tech leader 把团队稳定在最优点——最优状态往往是最脆弱的。"
观点 6：语言模型"最后一班火车已经开走了"
"2025 年之后进场的人，不太会有在小团队里做出改变行业事情的机会。"
但是——AI 不止语言模型。蓝海在：
- 多模态生成
- 机器人
- 用 AI 做科学研究
"别追最热的东西，做没人做过的事。"
三、中美 AI 差异：一段锋利的观察
| 维度 | 美国 | 中国 |
|---|---|---|
| 商业模式 | B2B 企业软件，逻辑直接 | 消费端产品，逻辑"绕" |
| 核心逻辑 | "帮你省成本，我自己赚钱" | "免费给你用，用流量变现" |
| 优势 | 能把技术往极致做 | 一旦飞轮转起来，你拦不住 |
| 劣势 | 做不好消费品 | 核心技术创新弱于美国 |
"当一个东西不赚钱的时候你不会拼命想办法怎么赚钱，但当一个东西开始赚钱，它会进入一个你拦不住的飞轮。"
四、姚顺宇的"暗黑"面试题
他招人时设了一道 24 小时 RL 项目题：
- 测意愿：愿不愿意为机会熬一整夜？"不能熬夜的人大概率不那么在乎这个机会。"
- 测 AI 协作力：必须用 AI 辅助完成。不是测"会不会写代码"，而是测"会不会用 AI"。
- 测理解深度：如果让 AI 做了一切但不理解 AI 做了什么，在 1 小时讨论中会暴露。
核心：你和 AI 是合作关系，还是你成了 AI 的下属？
第二部分：对即将攻读 CS 博士的借鉴意义
借鉴 1：选方向——别上"已经开走的火车"
姚顺宇的判断：纯语言模型在 2025 年后机会窗口已关闭。这对即将开始 CS 博士的同学意味着什么？
| ❌ 不要追 | ✅ 考虑的方向 |
|---|---|
| 通用语言模型预训练 | 多模态生成与理解 |
| 纯文本对话优化 | AI + 科学研究（AI4Science） |
| 已有巨量资源的 Scaling | 机器人学习与具身智能 |
| "别人做什么我跟着做" | "没人做过的事"——找到你的蓝海 |
关键启发：博士 5-6 年的研究周期，方向选择比努力更重要。选一个 2026 年还在早期、到 2031 年刚好爆发的方向。
借鉴 2：技能培养——"靠谱"才是护城河
"把简单的事做得比谁都干净。"
CS 博士通常面临的诱惑：追 SOTA、卷论文数量、炫技。
姚顺宇提醒你的优先级：
智商/天赋 → 不稀缺，AI 时代人人可获取
技术细节 → 入场券，必须但不充分
"靠谱" → 真正的稀缺品
├── 稳定输出，不受情绪波动影响
├── 对每个实验的结果负责（不只是成功的结果）
├── 把实验流程做到可复现、可审计
└── 理解整个系统，不只看自己那一小块行动建议：
- 博士期间培养"靠谱"的每一个实验习惯
- 不要只管 training 不管 evaluation
- 代码、实验日志、数据分析都做到"干净"
借鉴 3：AI 使用——把它变成你的"20-50 倍加速器"
姚顺宇的亲身经历：AI 让他的开发效率提升了 20-50 倍。
对 CS 博士而言：
- 文献调研：让 AI 帮你读论文、总结、做对比分析
- 代码实现：让 AI 写第一版代码，你负责审查和优化
- 实验设计：让 AI 帮你枚举可能的实验方案和预期结果
- 论文写作：让 AI 帮你润色、检查逻辑漏洞
但核心原则：你是"指挥"，AI 是"下属"。如果你不理解 AI 做了什么，你就成了 AI 的下属。
借鉴 4：导师选择——别找"老登"
姚顺宇说得很直白：
"没有哪个老登是你的亲属，所以你觉得他傻，他就是傻，就可以直接说他傻。"
对选导师的启发：
- 不要盲从权威：名气大的导师不一定适合你
- 看导师的年轻度与开放度：是否接受新方法（如 AI 辅助研究）？
- 看导师对学生的责任感：是"放养"还是真正指导？
- 看实验室文化：是集体协作还是各自为战？
姚顺宇的判断："最稳定的状态往往是最脆弱的。"——如果一个实验室看起来"岁月静好"，可能是缺乏竞争力的信号。
借鉴 5：心态——冲浪，别造浪
"本质上是那个浪，而不是你那个冲浪的人。"
对博士生的心理建设：
| ❌ 错误心态 | ✅ 正确心态 |
|---|---|
| "我要做改变世界的发现" | "我要在正确的浪潮里做好自己的工作" |
| "我必须比所有人都聪明" | "我只需要比大多数人更靠谱" |
| "论文数量决定一切" | "对领域的真正贡献决定一切" |
| "一个人干大事" | "好的研究是 team sport" |
| "抓住最热的方向" | "找到还没热但会热的方向" |
借鉴 6：职业选择——学术界 vs 工业界的真实差异
从姚顺宇的经历中可以看到两个世界的不同：
| 维度 | 学术界 | 工业界（顶级 AI Lab） |
|---|---|---|
| 责任范围 | 为自己的项目负责 | 为整个公司/产品负责 |
| 评价标准 | 论文、引用、同行评议 | 产品影响、商业价值 |
| 研究自由度 | 高（但受 grant 限制） | 中（受产品方向限制） |
| 资源 | 有限算力 | 近乎无限的工程和算力 |
| 协作模式 | 小团队或 solo | 大规模 engineering team |
姚顺宇的选择逻辑：在物理博士后发现自己在那个领域"没什么用" → 果断转行 → 选工业界而非学术界。他的判断标准很朴素：在哪里能产生最大的实际影响。
总结：一份给 CS 博士新生的"姚顺宇式"行动清单
□ 方向选择：找"还没热但会热"的蓝海，别上已开走的火车
□ 技能修炼：把"靠谱"放在智商之前，每个实验做到可复现
□ AI 协作：让 AI 做你的 20x 加速器，但你必须理解 AI 做了什么
□ 导师选择：不盲从权威，找真正对你负责的导师
□ 心态调整：你是冲浪者，不是造浪者。稳定 > 惊艳
□ 职业规划：问自己"在哪里能产生最大的实际影响"信息来源：
张小珺商业访谈录 #140