E247｜对话盛颖：xAI，Infra的浪漫，SGLang，开源，平权与“甄嬛传”

摘要

• 推理赛道是一个没有输家的游戏——盛颖的格局判断：inference provider 层出不穷，“但没有任何一个因为 competition 的存在而消减下去，所有人都是同步增长”。 主持人盘点行情：疑似 vLLM 核心团队商业化成立 Inferact（音），融资 1.5 亿美元、估值 8 亿；Vast（音）融 3 亿美元、估值 50 亿；Fireworks 估值 40 亿；Together 寻求 10 亿新融资。他点出两大趋势：AI 开始要"盈利和兑现"，市场 effort 从 training 转向 inference；同时 AI native 公司碰到 prompt engineering 的局限，要用自有 data 做 customization——一些 established 的 AI 公司正向 RL 扩张。
• RadixArk（ASR 多处讹作 Red Shark 等）今年五月官宣 Axial 领投的一亿美元种子轮，英伟达投资部门、AMD、英特尔 CEO 陈立武、OpenAI 联创 John Schulman 等罕见集体下注。 底层资产 SGLang"从来没有靠市场推广和销售推广过"，已跑在全球数十万张 GPU 上，每天为谷歌、微软、英伟达、xAI 生成数万亿 token。
• 公司的命脉不在这个开源 inference 项目：SGLang 全开源、归属疑似 LMSYS 的社区而非公司，“没有 private fork，我们并没有想通过这个地方制造 difference 去获取利益”。 RadixArk 的最终使命是"下一代 AI"——不一定是模型，“不是一个现在世界上已经存在的东西”，inference 只是起点和前提条件；Baseten、Fireworks 既是用户也可能视其为对手，他选择"希望这些都是我们的盟友"。
• 罕见的 xAI 内部视角：早期 xAI"个个都是人才、完全没有任何 politics"，与联创集体出走的公众叙事"像在说两个不同的公司"。 他的诊断可迁移到所有高速扩张的 AI 公司——xAI 没有过好"从靠人运转到靠体制运转"的过渡期，“如果你不 pay attention，它就会 broken”。他本人为让撑不住的开源社区继续发展，在 one-year cliff 前两个月离开，放弃第一年 vesting。
• Day-zero 兼容的经济学：重要性由市场心态决定（“你发布了产品我第一天就去抢购”），DeepSeek V4 架构创新大到"大部分 code 基本上是重写"，并首次支持 RL 的 DeepSeek 大模型。 对 latent space 推理（Meta 的疑似 Coconut 等）会否颠覆引擎，他不慌：“世界在变、结构在变本来就是写推理引擎的一环——真正的难点从来都还是回归人、团队本身。”
• 差异化在审美：“infra 不是一个 support 角色，infra 本身在我眼中就是产品”，RadixArk 把大厂优先级反转——training job 可以 pause、“刷分也不着急刷”，urgency 只属于 systematic 地解决深层问题。 Taste 的定义：“我的系统不仅能跑，我知道它是怎么跑起来的——是 well-designed 的形态，还是豆腐渣工程。”
• 贯穿全场的价值观主线是平权：被 CSDN 和网上题库"教会"所以开源如空气；性别不平等的标本——“我的每一场赢都要被解释”，解法唯一是让 top 0.001% 到 1% 真正拥有权利；AI 终局观——闭源可以存在但不能 centralized，“让所有人都拥有制造属于你自己的 AI 的等能力，但你制造出来的 AI 属于你自己”。

精读

1. 开场画像：一亿美元种子轮背后，是一个从没做过推广的开源项目

• 泓君的开场事实链：RadixArk 今年五月官宣 Axial 领投的一亿美元种子轮，英伟达投资部门、AMD、英特尔 CEO 陈立武、OpenAI 联创 John Schulman 均是投资人。底层是开源推理引擎 SGLang——“一个从来没有靠市场推广和销售推广过的项目”，今天跑在全球数十万张 GPU 上，每天为谷歌、微软、英伟达、xAI 生成数万亿 token。
• 时间线：SGLang 起于 2023 年盛颖斯坦福博士最后阶段，与疑似 LMSYS 社区研究者共同做出，“博士生涯的收官之作”；之后他加入 xAI 为 Grok 搭推理系统，再与朱邦华把开源项目变成公司。节目录制于 2026 年六月初，公司刚搬新办公室、四十多人——“扩张比我预期的快，scope 增长也比想象的快，各个地方都需要人。”

2. 从江西到纽约：两次舒适圈击破

• 本科毕业时他已接下港中文 PhD offer、君子协议已过，第二天却收到哥大"很普通的 master offer"。他选择交违约金毁约：“那个时候的学术中心还是在美国，我想出去看看。” 父亲在电话里一分钟拍板：“好，你去。”
• 纽约的 culture shock 反而是解放：“没有人在乎我穿什么、想什么、做什么”——从被限制状态到完全自由状态，“不需要被辖制，也不需要辖制别人”。

3. 普林斯顿的虚无：想成为数学家的时刻

• 读研本无意做研究，一门计算复杂性课加一群做理论的博士生朋友把他带了进去。真正击中他的是一次普林斯顿 workshop：“与世无争……大家所在乎的东西、你平时挣扎沉浮的东西都非常没有意义”，“什么都不重要是重要的——只有真实是重要的”。
• 数学的吸引在确定性带来的心流：“大脑被完全调动起来的时候，进入一种生理性愉悦。” 当时的志向很绝对：“我觉得我就要成为一个数学家，我只想做数学。”
• 附带一个东西海岸文化观察：在东海岸"我希望被世人遗忘"；到了西海岸"你会感觉到更多关于成功与否的 noise，我又开始觉得我想参与世界的推动，我又觉得我不想跟世界无关了"。

4. 斯坦福选导师四轮不顺，被动进入形式化验证

• 斯坦福 rotation 前几轮"没有遇到能让我进入心流状态的问题，也没有跟哪个老师双向都觉得 exciting"，直到第四轮遇到 Clark Barrett，被动进入形式化验证——“因为我要读这个 PhD，所以才需要不停做研究、产出论文，其实是比较被动的状态”。
• 他的科普：把人写的代码拆解映射到一阶逻辑，用 spec（前驱条件、invariants、后置条件）描述程序应满足什么，再从数学角度证明代码是否真的符合这套逻辑；他的研究集中在 SMT solver 本身的优化——efficiency、正确性，以及"你定义什么样的语义空间可以去表达一份代码所做的事情"。

5. 高产简历的真相：干瘪、空窗与推翻重写

• “真实的过程比简历上的内容要干瘪很多、boring 很多。” 2020 年 IJCAR 最佳论文（Politeness 一篇）拿得"完全没有想到"——“我当时是一个完全小白的状态，导师给了我一个问题，我去解决它而已。被别人 congrats 的时候才得知拿了奖。”
• 随后疫情，“接近一年的时间在一个 depression 的状态里"没有做任何事。导师 Clark 只关心他的精神状态，让他上课、做 TA，“卡尔从来没有断过我的经费”——他回国休养半年，一年后才走出来。
• 走出来后的 sequence paper：二十多页证明来回改四五次、两次几乎全部推翻重写——“从一开始的地方发现有个基点错了，后面所有的后续推理全部是错的”。Clark 说那段证明是"他过去一年的 highlight”，best paper 提名"很接近，最后没被选上"。“如果说我在形式化的工作，这篇 paper 是我最愉悦的一段时间。”

6. 离开形式化：太贵、太少、离世界太远

• 形式化给他的馈赠是视角：“程序语言我打了二十年交道，但从来没有从数学的角度看待过它。” 语言存在根本 trade-off——接近数学的更容易被验证，接近硬件的更灵活高效，“很难有一个支点让一个语言离数学和硬件都很近”。
• 离开的判断很冷：“能够在现实中 practically 被应用的场景太少了，验证一个程序太贵了，能验证的又很少，不能产生足够大的影响。我想离世界更近一点。”
• 转 AI 又是近一年空窗：“外人看来那个作品是我过去一年的成果，实际上是最后三个月的成果，前九个月我都在完全不知道自己在干什么的状态里。” 他自嘲三年发三篇形式化 paper，“每篇真正推动只花三个月，每年都有九个月不知道在做什么”。

7. 《甄嬛传》与 ADHD：一把使用自己的钥匙

• master 阶段做理论"看上去很闲"——每天想四小时、大量打游戏，“灵感你只能等它来”。那道难题最终解在看《甄嬛传》的中段：“之前看的那篇 paper 突然 echo 出来，突然意识到这个地方是突破点——那个是真的有一个 phase transition，一瞬间的事情。暂停，谢谢暂停。”
• 理解 ADHD 让他与自己和解：“它不是一个疾病，它是一个特点……像是我找到了怎么使用我自己的一把钥匙。我不应该逆着天性去做事情，应该顺着天性去做事情。” focus 两极化：心流时"听不见别人叫我的名字，不记得时间，错过很多个 meeting"；反之"哪怕这事情很重要，我也不能 focus"。
• “我是个必须 intense 的人，从小就是这样。” 疫情 depression 正因为"我没有办法在一个 slow down 的环境里保持 mental healthness"。竞技的意义不在胜负：“我不是真的很在乎输赢，游戏可以输、比赛也可以输——但我在乎那个 intense 的感觉。”

8. 天分的定义：没人当回事的时候你还想做

• 信息学奥赛全国银牌、纽约区域赛冠军，他全部往下折：“那个区域赛是三个人组队，有非常强的队友把我带飞了。” 天分与努力之争他"赞成天分"，但定义独特：“当外界不把研究当回事、不觉得研究是件伟大的事情的时候，你还想做它，那就是你的天分。”
• 发 paper、做 research、当科学家是三件事情：“发 paper 是有套路的……你掌握了这个体系的规律，就可以一直发很多 paper”；做 research"跟打工人是一样的，是一个非常平凡的职业"；真正的科学家是"如果不是他，这个事情会晚很长时间发生"的人——“这批人非常非常少，绝大多数教授可能都不是”。
• 被问 Hinton、LeCun、Bengio 是否属于第三类：“应该是吧，不过我没跟他们直接接触过……我非常在乎一手信息、在乎 truth seeking，我不想评价我没接触过的人。”

9. 谷歌 2022 实习：被大模型 shock 的转折点

• 为转 AI 找了 AI for Code 实习（谷歌内部孵化项目，那个暑假激进到"招了跟全职等量的 intern，疯狂尝试不同方向"）。作为从 program analysis 过来的人，他看到的是交叉学科幻想的反面：传统工具"非常的无力，其实什么忙都帮不上"，反而"大模型已经把传统领域里的技术都完全覆盖了"。
• 那是 ChatGPT 之前、谷歌刚出 PaLM、内部有疑似 LaMDA（一位工程师声称其有意识）的时刻：“我发现原来根本就不需要什么显式的 reasoning，我是被 shock 到的那个人。它让我非常坚定地进入这个新 topic，就要做大模型。”
• 选 infra 不是规划而是筛选结果：“我也尝试了算法上的事情，但没有太成功，infra 成功了——我的爆发都在 infra 这一侧。infra 跟我的思维习惯更接近，它是确定性的、基于数学和代码，这两件事情我都很熟悉。”

10. SGLang 的起点与 vLLM 的关系

• SGLang 是 PhD 最后两年 LLM inference 系列工作的"集大成一体的作品"，定位从第一天就清晰：“从做完之初就希望它是 production ready、可以被大规模使用的推理引擎。”
• 与疑似 vLLM 的历史比外界想象的纠缠：“疑似 vLLM 当时的 idea 跟我们在思考的另一个 idea 是类似的——在我的视角里我是被 merge 进了这个项目。” 疑似 vLLM 推成开源后的维护期他没太参与，继续做 S-LoRA、fairness 等研究。
• 两个引擎的差异只在时间切片上存在：“如果不把时间维度放进去，它们是会类似的，有好东西一定会相互学习、会 copy。” 疑似 vLLM 更早进军 scale up——千卡、万卡级别的 serving production；SGLang 在社区覆盖、long-tail 模型支持上更早，“现在两方又都在互相学习来补齐短板”。

11. 疑似 Ion Stoica：lifetime mentor 与价值观的分野

• Databricks 联创、伯克利教授疑似 Ion Stoica（ASR 讹作"Young Stoyka"等）是他 visiting 时的导师、“lifetime 的 mentor”。他的观察：“他做很多事情、同时开很多公司，但骨子里自我认同感最高的还是教授和学生这个身份。他很在乎 making impact，也把这个精神传递给了他的学生。”
• 他刻意划出自己的坐标：“我在乎的是 impact，不是 making。如果有人愿意帮我把事情推动，that’s great。但我慢慢学会的是，我真正想做的事情没有人会代劳——只有自己能够长时间为那一件事情奋斗，然后让它发生。”

12. 为什么去 xAI：只有它同时给 support 和 freedom

• Databricks 五个月推广 SGLang 未果：“成熟的公司做每件事情都需要充分的理由，我作为 new grad researcher 没有太大的 power，我自己也不够成熟——怎么在成熟企业里 drive 一个比较大的 effort，我还不会。”
• 2024 年 10 月加入 xAI 的逻辑：丈夫连敏已在 xAI，公司正到了要做 production inference 的节点，两人可共建整个 inference stack。“他可以给我两样东西，一个叫 support，一个叫 freedom。我有一些其他机会，有些只给 support，有些只给 freedom——当时应该只有 xAI 真正两个都给。”
• 具体工作是 engine 组：对接 product serving 的 deployment 与 configuration，支持 research team 的 evaluation，“跑 RL rollout 用的也是我们的 inference engine”——团队小反而"能看到所有 layer 和 component 之间是怎么合作的，它作为一个整体是怎么发生的"。

13. 早期 xAI：没有 politics 的黄金时代

• “xAI 是我回忆最美好的一段时光……个个都是人才，互相 support、friendly、humble。” 那是他经历的第一个"完全没有任何 people game、没有任何 politics"的公司（他加入时不到百人）：“我只要思考怎么做事情，身边人也在思考怎么做事情——有摩擦，但是不影响团结的摩擦。”
• Elon 塑造的无边界文化他点名喜欢：“他有他的问题，但在 xAI 里任何事情我都可以 touch 到，不会被限制在一个很小的 scope 里。没有特别多 people management，都是 technical，非常重工程师文化。”
• intense 的健身论：“就像你健身，你一定要感觉到痛了，才开始长肌肉。在那里待一年，可能是外面好几年才能拿到的成长。”
• 他的版本学：V0.0（他未在场）“Elon 对大家都非常 nice，像一个 family”；V1.0 开始有生长痛，“但大家还是共同克服难关，我没有感觉到军心动摇，做到了一段战友情”。

14. xAI 联创出走潮的诊断：靠人到靠体制的阵痛没有抚平

• 陈倩的对照：他描述的 xAI 与"前段时间 co-founder 全部离开、either 被 fire 或自己辞职"的公众叙事"就好像在说两个不同的公司"。他的解释直接：“xAI 没有过好那个从很小、很团结的 startup，变成需要靠体制来运转而不是靠人来运转的大公司的过渡期，这个阵痛没有被很好地抚平，所以产生了这些巨大的变化。”
• 对未来留了口子：“Elon 还在，这是最重要的，又被 SpaceX 收了、马上要上市。有一天它可能会找到一个新的 solution——但从人员上来看，可能就是 another company 了。”
• 给自己公司的 lesson：“人少的时候可以通过文化、通过人的管理实现运转，但 scale 上去之后，文化就很脆弱了，人也很脆弱了……最后是靠体系去支撑的。这个过程要非常 intentionally 地 thinking，它不是自然发生的——如果你不 pay attention，它就会 broken。”

15. 网友组成的社区，与不能再拖的出走

• SGLang 核心开发者"都是网上认识的，我们都是网友"——共同工作两年没见过面、开了很多次会从不开摄像头：“大家有一个默契，我只要看到你的代码，我就知道你是谁，我也只想看到这个部分。”
• 2025 年需求涌来，靠"晚上熬夜、周末工作、放假过来写代码"的模式撑不住了：“强撑了几个月之后发现没有办法 deliver，都是 borderline 低空飞过甚至没有成功 deliver——team 的 bandwidth 已经不能再 stretch 了。” 到七月"我的焦虑到了没有办法再拖的状态，再不把这个中空的空白填上，我们就快要让外界失望了"。
• 代价具体到数字：入职 xAI 十个月、离 one-year cliff 差两个月 vesting——“两个月都不能待，因为等不了了。我已经到了觉得我不配再继续待下去的心理状态，它不是我能控制的。”
• 顺带的金钱观：“有必须性，没有重要性。它对我的意义是——如果有天我融不到钱，我自己还有钱，这是它给我的底气。”

16. Two Sigma 插曲：最 organized 的公司

• 哥大与斯坦福之间的半年 gap 在对冲基金 Two Sigma：去的理由是好奇金融、“喜欢跟聪明人说话”——外加一句现场名场面：“我有一任前男友是学金融的，这个剪掉。““我一定会发出来的。”
• 工作过的公司排名：第一 xAI，第二 Two Sigma。“我在的时候是它最好的时候，我每次在都是真的最好的时候”——当时的 Two Sigma 做开源项目、拥抱 AI 和 big data，“所有人都只是在做事情，非常 open”。
• 后见之明式的观察：“我当时不觉得它 organized，后来去了其他公司才发现原来其他地方这么乱。Two Sigma 不是大公司，但它的 infra 是我见过最稳定的——业务模式稳定、巨变不多，大家可以一直做大量 maintenance。” 但金融不是归宿：“天天在那玩钱没啥意思，我一开始就知道那不是我的 priority。”

17. RadixArk 在做什么：基座模型也是 infra

• 他的结构性思考是做一个 foundation 工具箱：按不同使用场景、data 形式、产品与 serving 目标（“模型解决简单问题但要很快，或解决难问题但可以慢”），“源源不断地产生适应你不同目标的最好的模型”。这个 foundation 不止推理、训练、post-training——“基座模型也是 infra”，还包括 codebase、toolbox、sandbox、environment 和中间 checkpoint。
• 当下 focus 在 inference 和 RL，因为它们是生产 pipeline 的末端：post-training/RL 是 fan-out 点——“不是一个模型解决所有问题，多个企业都想要自己的模型”，最适合做"给所有人 share 技术"的 infrastructure；inference 则是贴近用户的最末端。
• 同时做两者难吗？“还好，它俩非常相关。RL 里很大一部分挑战来自 rollout 的 engine——它就是 inference engine，再加一些 weight transfer 的胶水性工作和 scheduling 算法。系统层面它们有非常非常大的 overlap。"（RL 框架名为 MILES。）

18. RadixAttention 与被遗忘的 agent 初心

• 核心技术的通俗版：请求之间存在公共前缀时，无需重算对应的 KV cache——用 radix 树对前缀关系做 indexing，与 KV memory pool 做 mapping 后复用。对"用户每次问全新问题怎么办"的质疑，他的回答：“只要进入多轮对话，后面的对话都要复用前面的 history，前缀复用大量存在于几乎所有场景里。”
• 被后端挑战掩盖的初心：两三年前的 SGLang paper 就是以 agent 为入口设计的，front-end 是一个 language——“人与 AI 之间交互的 interface”。“发展到今天，大量开发精力移到了 backend runtime 的优化，但有一天我们会 revisit 这个部分——最终它还是应该是一个 language 的形式。”

19. Day zero 兼容：市场决定重要性

• 为什么 day-zero 重要？“是市场觉得它很重要，我们做事情还是很 practical……它满足的就是’你发布了产品我第一天就去抢购’的心态”——这个愿望从 user 传导到 inference provider，再传导到他们，再传到模型厂商。
• DeepSeek V4 的支持"花了特别大的精力”：架构创新多、与既有模型差异太大，“很多算子层实现要重写，大部分 code 基本上是重写的”，且 feature set 做得非常全，第一次支持了 RL 的 DeepSeek 大模型。反过来：“如果架构完全不变，甚至都不用适配；只做很小的更新的话几乎不用适配。”
• 对 latent space 推理（Meta 的疑似 Coconut、字节的 Kola DLM 等，均照原音）会否颠覆引擎：“如果成熟的话确实很多事情会变，但世界在变、结构在变，本来就是写推理引擎的一环——这不是真正的变革本身。尤其现在 AI 写代码这么快，技术上总是能做的。真正的难点从来都还是回归人、团队本身。”

20. Inference 赛道：一个没有输家的游戏

• 他的反常识观察：inference provider 从 Fireworks、Together 起已存在多年，新公司每年层出不穷，“但你会发现这个游戏里面没有输家——没有任何一个因为 competition 的存在而消减下去，所有人都是同步增长”。
• 陈倩补的行情单：疑似 vLLM 核心团队年初商业化成立 Inferact（音），融资 1.5 亿美元、估值 8 亿美元；Vast（音）最近完成 3 亿美元融资、估值 50 亿；Fireworks 估值 40 亿；Together 在寻求 10 亿美元新融资；AWS、Google 等云厂商同时在做托管推理。
• 他的两大趋势判断：“AI 变得更有用之后，开始需要让它盈利和兑现，市场的 effort 从 training 转向 inference”；同时 AI native 公司感受到用 existing 模型做 prompt engineering 的局限，需要用自己的 data 做 customization——“你会看到一些 established 的 AI 公司在往 RL 那边扩张”。

21. “我们不在这个赛道”：命脉在下一代 AI

• Baseten、Fireworks 既是用户也可能把他们当对手，他拒绝这个框架：“我们不把他们当竞争对手，希望这些都是我们的盟友。” 理由落在结构上：SGLang 全开源、归属疑似 LMSYS 的社区而非公司所有物，“没有 private fork，我们并没有想通过这个地方制造 difference 去获取利益——公司的命脉不在这里”。
• 真正的目标只肯给轮廓：“RadixArk 的最终使命是要做下一代 AI……也不一定是模型，我们将来想做的事情不是一个现在世界上已经存在的东西。inference 是前提条件、是起点，不是长远核心。” 陈倩追问能否透露：“不能。”
• 客户光谱从下到上：data center/neocloud/hyperscaler（“帮他们 sell GPU”）、infra provider（现在是 user 关系、希望变成客户）、要 train/serve 自己模型的 AI 公司、以及想用 AI 助力原有业务的传统大公司。

22. Infra 的浪漫：infra 本身是产品

• 对联创邦华"infra 的 taste 与 pre-training researcher 不同"的说法，他不轻易确认：“我其实不确定是不是真的不一样，本质可能是相通的。” 他给 taste 的定义：“你关注的不仅仅是 end goal，还有 end goal 的组成——我的系统不仅能跑，我知道它是怎么跑起来的：是 well-designed 的形态跑起来的，还是豆腐渣工程跑起来的。”
• 全场最个人化的命题：infra 人长期被 underestimated，被迫 support 其他 component、打 hacky 的 patch，“都在一个被拉扯的状态里”。“以我跟 infra 之间的这个浪漫的关系，infra 不是一个 support 角色，infra 本身在我眼中就是产品。没有人会说’我希望 infra 击中人性’，但从我的视角，infra 也是击中人性的——它的深远影响是从底层开始往上传递的。”
• RadixArk 把大厂的顺序反过来：“我们不是让 infra team 一直 support training job 跑得 on track。training job 被卡住时，focus 是把问题 systematic 地解决，而不是打一个 patch 让它必须跑。job 是可以 pause 的，我们刷分也不着急刷——benchmark 分数不是 source of urgency。” 文化关键词：“focus and humble，精益求精——RadixArk 的人都是对自己的作品特别挑剔的人。”

23. 开源像空气：被互联网教会的人

• 他先纠正提问里的"执着”：“我不是对开源执着，它是自然发生的。” 江西的"朴素教育"里没有编程资源，学习全部来自 CSDN 帖子和 online judge 题库、来自至今不知道是谁的人：“我是被互联网上不知道在世界哪里的人教会的……sharing open 的文化对我来说像空气一样。你做了一件事情不分享出来，那才觉得奇怪。”
• 开源社区的双向变化：好的是"人对开源的欣赏、资本对开源的认可都在上升”；坏的是"追捧中开始掺杂不纯粹的东西——开源里混进了一些功利主义者，使得本来不是功利主义的人分不清哪些成分是纯粹的。他们影响的不仅仅是他们自己。"

24. 开闭源终局：闭源可以存在，但不能 centralized

• 立场是双非：“我确实不觉得 AI 应该完全展现在所有人面前，它确实有 risk，我不否认；我也不站在 AI 应该完全被握在一小批人手上那一侧。AI 应该均等地被握在不同的人的手中。” 实现路径就是公司要做的事：“提供能创造最好闭源模型的 tool chain——让所有人都拥有制造属于你自己的 AI 的等能力，但你制造出来的 AI 属于你自己。”
• 对"大家都停止 AI 研究"的呼吁（主持人引某大佬，ASR 作"Andre Big"）：“这件事很难发生，它是违背人性的。如果有一个强力的上帝下来安排每个人做什么，事情是可以发生的——我不认为’大家都停、一家领先’是极度差的世界结局，但世界不可能停在那里，一定会有人起义。”
• 远期推演分两段：可见的未来里"AI 还没有强到真的完全控制和威胁掉人类"，它取代的是人的功能性，带来"比以往的工业革命更加工业革命"的社会与权力结构动荡，但可理解；若 AI 真能 dominate 人类，“我们是阻止不了的，我觉得那天就会来”——出路不是呼吁停止，而是"发明另一条路径，使得你允许 AI 继续前进，而人类还不会输"，前提是"先让所有人类平等共处、团结一致，然后才能再寻找人类与 AI 共存的 solution"。

25. LMSYS 与平权：托举没有背景的人

• 疑似 LMSYS 是他与连敏成立的 non-profit，分量给得极重：“如果 RadixArk 有一天不是走到底的话，疑似 LMSYS 是那个我终生会做的事业。” 使命：孵化优秀人才的项目，“即便他们没有充分的背景、没有后台、没有 branding”，让 credits 分到做事情的人身上、“保护未 establish 的真实开发者对项目的掌控权”。
• 动机来自亲历落差：“同样是我做的一件事情，高昂时期做的非常容易被关注、被记住甚至被夸大；低谷时期做的有些也不错，但很难被看见。这个 difference 没有必要存在，而且破坏社会公平竞争结构。”
• 他承认自己也是身份红利的获益者：“有些 paper 我觉得也就一般，但因为是我发的、是斯坦福伯克利发的，大家就觉得它是标准。当我是获益者的时候，我终于有力量把这个事情往外推动一点。"（LM Arena 本是疑似 LMSYS 时期的 fun project，“意外得到挺多关注”，后交给韦林等人做成商业级规模。）

26. 性别不平等：每一场赢都要被解释

• 他的标本级例子：“如果我是男生，大家就会说我是天才；如果我是女生，就会说她很努力、很听话、运气好。” 竞赛年年成绩顶尖，“但我的每一场赢都要被解释——‘他对手最近状态不好’‘这个题她压中了、以前做过’（其实我并没有做过）。正常情况下一个人赢是不需要被解释的：他厉害呀。” 甚至"一旦有一个 establish 的男性合作方，别人就会觉得这个 idea 会不会不是他的”。
• 杀伤力在量级而非单例：“每一个例子单拎出来都非常小，但它是每天、每分每秒在发生的平凡小事——把那一件小事的冲击乘上一亿倍，才是对那个人生的真实冲击”，且"你根本没办法跳出这个框架，一旦跳出，别人就会觉得你小气、格局小"。
• 解法只有一个：“通过 education 是达不到任何目标的。你要让所谓的弱势群体——在这个例子里是女性——真正拥有权利：人类真正 top 0.001%、0.01%、0.1%、1% 里面全部平权，这个事情才会被改变。” 过去十年"肯定有好一点点，社会在向前，但价值观是波动的状态"。
• 传递机制的方法论值得单独记：“哪怕你培养更多学生成为老师都不够，你要培养的是’想要去培养把学生培养成老师的老师’——把 recursive 的链条建起来才有用。它非常慢，但它不是会回退的改变：你往前推了，它就是往前推了。” 一位姓名不清的人曾问他"你觉得你改变得了吗"，他的回答：“我不能改变。但如果我能改变百分之一，我愿意用我的一生去改变这百分之一。”

27. 从没听说过 term sheet 的融资，与 authority-responsibility 的第一课

• 融资起点是零：“我不知道什么叫 term sheet、什么叫估值、什么叫 seed 轮，pitch deck 这个词我都没听说过——有人问我’你们有没有拿 term sheet’，啥是 term sheet？” 过程"挺曲折的，具体我就不讲"，但打完交道后"我对投资人有更多的 respect……Sand Hill 有一套游戏规则，但归根结底都是人性，你把东西做好、追求一个真的东西"。呼应他的发 paper 论：“所有 common 的事情都是有套路的。”
• 为什么三大半导体公司罕见集体投资？他拒绝代言：“我也很想问投资人这个问题，我不替他们回答。” 自己的 sell 版本：“我们是这个赛道里一个跑出速度的玩家，可以 enable 更多 AI 公司、或想进入 AI 的公司制造 AI 的能力。” 第一轮"因为有开源的基础在，肯定是人和事一起看的"。
• 管理第一课来自 xAI 的 Tony 和国栋，两人分别对他说过同一句话：“你的 authority 和 responsibility 要 match。” 在 xAI"我不能决定事情，我就负不了责"；现在"我必须做决定，做好了是 team 的功劳，做坏了所有责任全部在我头上"。他坦承正处在"从我一个人能看清所有事情、到看不清"的阶段：“我还没有找到答案，我现在看到的都是挑战。”

28. 结尾：书本没有骗我

• 他主动加的一段：本来差点推掉采访，看到团队准备的 doc 被打动——“很多投我的投资人都没有这样看过我的经历。我后来发现，一个人只要能把职业里该做的事情做完，其实就已经非常稀有——很多事情在定义里该发生的其实不会发生。”
• 三段波折的终点论：PhD 找导师不顺→“教科书般完美的导师”；开源项目被打击→“这么有能量、这么团结的团队”；融资曲折→“教科书般完美的投资人”。“书本里写的都是美好，现实总是复杂很多——但书本也没有骗我们。好的人都存在，只是你要有耐心，让那些不是理想状态的沙粒自己剥落掉。你要相信到你身边没有这样的人，你还相信，有一天那个跟你一样相信的人会跟你相遇。”
• 对"世界是草台班子"能否自洽：“我其实很 emotional，很微小的事情会对我造成非常大的情绪影响，但我能把情绪影响跟价值观构建分离开——我仍然会坚信那个我没看见但我相信的东西。” 正反馈循环拉长了他的等待半径：“第一次我等了几个月被验证，下一次等了几年，再下次等了十年——我就知道它总是能被验证，下次我可以等二十年。”
• 最后的边界感：“就算我整个人生都很割裂，我也不想妥协。唯一重点是你是不是按照自己的想法去认知和行动，还是被别人牵着走。只要你不觉得自己在妥协，哪怕你真的错了，就错了吧，也没关系。”

Verification Notes

• 原音对 LMSYS、vLLM、Ion Stoica、LaMDA、Coconut 的名称均存在不同程度的听辨不确定，已按要求软化或保留“疑似”。