116: 当AI研究者写科幻，与Meta田渊栋聊他的智能想象：我们终会“所思即所得”

摘要

• 《破晓之中》最具产业含义的“预言”，是算力竞争会从单颗 GPU 性能转向互联、通信带宽与信息压缩。 田渊栋在 2020 年把承载意识的“灵界立方”影射为 NVIDIA GPU：立方高速互联便涌现超级智能，银河联盟则用带宽限制加以封锁。现实随后出现 NVLink、NVL72、CloudMatrix 384，以及 DeepSeek V3 在 H800 上采用 FP8 降低通信压力；他原以为这是十年甚至五十年后的科幻，结果“两年之后科幻照进现实”。

• 虚拟世界与星际文明不是二选一，人类更可能数字化生存，同时让计算载体继续探索宇宙。 肉体脆弱、寿命有限，送宇航员远航还要负担饮食和生理需求；意识进入虚拟世界后，载体却可以飞往比邻星乃至更远处。田渊栋判断，人类进入虚拟世界“不可避免”，但好奇心不会因此消失，最终形态可能是“一方面进入虚拟世界，一方面继续在星际里流浪”。

• 当技术达到“所思即所得”，最重要的稀缺资源可能不再是生产能力，而是独一无二的新思想。 银河联盟能瞬间具现工厂、飞船和任何物品，真正担心的是自身走在错误路径上；偏远文明若提出更优解，也能借其技术立即变成替代力量。因此联盟既要像保护区一样保存地球的思想差异，又要把这种探索置于控制之下——它不希望自己的想法污染这块地方，也不允许它强大到反噬体系。

• AI 对就业的冲击可能依次经历替代与空虚、争夺独特性、再到职业多样化爆发三个阶段。 短期内，人会发现赖以生存的工作被 AI 取代，或无论怎样努力都做不过 AI；中期被迫在“求新搞怪”的赛道竞争注意力；长期才可能退出“教育—技能—工作—工资—养育下一代”的循环，把真正热爱的写作、绘画或歌唱变成生活本身。田渊栋对终局乐观，但强调“中间有什么波折就很难讲”，且未来两三年 AI 向各行业工作流的下沉仍会持续。

• 当前大模型能辅助科研，却尚未跨过顶级研究者依靠少量证据发现本质规律的门槛。 Deep Search 查资料已经不错，但仍是“外行看起来很内行，内行看起来就很外行”；模型可能需要 1,000 或 10,000 个样本，优秀研究者却能从一两个异常联想到真正的细小因素。田渊栋不认为单靠更多预训练数据即可补齐差距，对五至十年内取代研究员“没有那么乐观”，更谨慎的估计是训练范式突破或许还需十至二十年。

• 生成式 AI 正把技术组织推向少而精、管理者也保持 hands-on、核心人员由多个 AI 放大的结构。 田渊栋从 2021 年强调 leader 不应埋头细节，转到 2024 年重新要求自己看代码、写代码，因为纯管理层会失去技术敏感性，而“一个人加上很多 AI”可能强过一个小团队。节目提到的 OpenAI、Hugging Face 和 DeepSeek 案例都指向同一趋势：能迅速判断 o1 Preview 等前沿变化、同时亲自落地的 leader，会让组织转向和执行显著加快。

• AI 已进入小说生产链，但最有价值的创意、结构与转折仍由人提供。 DeepSeek 适合开脑洞却容易逻辑失控，Claude 3.5 更能感知配角关系，Gemini 2.0 擅长细节描写，4o 相对平淡；共同问题是长文本遗忘、套路化和“王子公主幸福结局”。田渊栋用 Cursor 编写自己的协作工具，由人写大纲和关键段落、模型补空白；他的判断是，程序性写作会被标准化，而“从来没有被探索过”的个人经验将成为 AI 最需要的新鲜知识。

精读

1. 连载压力把一部多年构思的业余小说逼成了成稿

• 田渊栋从 2005 至 2006 年接触网络小说并尝试创作，《破晓之中》则积累了多年片段和构思；他后来承认，如果没有公开连载的压力，“这本小说永远不会完稿”。

• 2020 年疫情期间，他在知乎宣布连载，用每天必须交出一章的外部承诺推进写作；高强度阶段持续约三至四个月，作品于 2021 年连载完成，而且全部由人手写，早于 ChatGPT 热潮。

• 电子工业出版社在 2022 至 2023 年间主动联系，作品于 2024 年 6 月正式出版；录制时豆瓣评分 7.9，微信读书为 75%，已明显超出他对一项业余爱好的预期。

2. AI 时代需要自己的科幻，而不是复刻旧式机器人想象

• 田渊栋的出发点是，每种生产力都有对应的幻想：蒸汽时代想象远行，电气或机械时代出现潜艇、金属桶登月，智能时代也应产生由 AI 机制驱动的故事。

• 20 世纪五六十年代的 AI 科幻常把机器写成计算精确、缺乏感情的刻板角色，或预设“机器人永远超越不了人类”；ChatGPT 出现后回看，这些假设已经显得偏颇。

• 《破晓之中》把少年时期“弱者逆风翻盘”的愿望，与中年人“不甘躺平、还想做有趣事情”的冲动杂糅起来；外星入侵虽是老框架，攻防方式却必须属于新的 AI 时代。

3. 外星人最有效的武器不是炮火，而是一座无痛苦的虚拟天堂

• 银河联盟没有直接摧毁地球，而是提供“灵界”：人在其中衣食无忧、不再衰老，残疾和身体缺陷也能消失，触觉等感官仍然足够真实。

• 与此同时，外星文明改变太阳和地球的能源条件，地表生存条件恶化；拒绝进入灵界的人只能在地下苟延残喘，诱惑因此带有无法回避的强制性。

• 人类由此分成接受安稳虚拟生活与坚持自主发展的两派。战争也不再只是飞船对轰，而是围绕意识载体、算法、通信和价值观展开。

• 主角群被设定为博士生和科研人员，组会、师兄带师弟、导师争资源及学术政治都进入情节；这是田渊栋把十多年前博士生活延迟转化为科幻材料的方式。

4. “灵界立方”提前写下了 GPU 集群的核心矛盾

• 每个灵界立方承载一个人的意识，田渊栋写作时有意让它影射 NVIDIA GPU：单个立方能力有限，但大量立方经高速互联后，可以共同计算并涌现超级智能。

• 银河联盟设置的防线不是禁止计算，而是严格限制立方之间的通信带宽；人类的破解方向则是压缩传输，让较少带宽尽可能携带原有信息，“不用损失信息本身”。

• 令田渊栋意外的是，他在 2020 至 2021 年只把大集群训练当作科幻点子，并未预见它会如此快地产生强大模型。“科幻小说还是早点写，不然点子可能就过时了，因为别人把它实践了。”

5. 芯片互联与低精度通信让小说里的攻防进入现实

• 田渊栋把现实中的关键约束概括为：GPU 间连接速度决定集群训练速度和可达到的智能程度。NVIDIA 的 NVLink、连接 72 颗芯片的 NVL72，以及华为连接 384 颗芯片的 CloudMatrix 384，都把优化重心推向系统级互联。

• 节目收束部分把 DeepSeek V3 作为对应案例：在 H100 的带宽减配版 H800 上采用 FP8，降低传输数据的精度和通信量，并调动部分原本负责计算的 stream processor 处理通信，以系统设计绕过硬件限制。

• 曼祺的补充是，华为超节点也试图用更大规模互联弥补单芯片性能差距；这使“单卡—互联—压缩—集群智能”的链条成为小说与现实最直接的对应。

6. 人类不会在虚拟世界和星际探索之间永久二选一

• 田渊栋认为，把肉体送入深空既耗能又脆弱：宇航员需要完整的饮食起居支持，身体约百年后仍会腐朽。意识数字化因此可能是“唯一真的走出太阳系的方案”。

• 小说结尾让所有人进入虚拟世界，同时把承载他们的计算载体送往比邻星；太阳系虽在大战中毁灭，人类仍能以另一种物质形态继续远航。

• 他的核心修正是，虚拟化消除的是肉体限制，不必消除求知欲。“我们可以带着虚拟世界继续去星际里流浪”，好奇心和计算载体可以一起穿越星海。

7. 灵界 1.0 证明无限满足会切断文明与现实的联系

• 灵界 1.0 让金钱、海景房和任何欲望都唾手可得，结果是人进入半年后便几乎忘记地球；母星及支撑虚拟世界的物质基础变成“遥不可及的梦”。

• 小说设计了一次是否加入银河联盟的投票。田渊栋判断，灵界居民更可能赞成投降，因为舒适生活已由联盟保障，他们没有维护地球独立性的切身动力。

• 这暴露了虚拟丰裕的治理难题：若回报与现实后果完全脱钩，人为何继续创造、维护物质基础或承担风险？“人的进取动力到底在哪里”，成为续作的核心问题之一。

8. 灵界 1.5 重建了价格，却还没有解决意义危机

• 故事末尾退回灵界 1.5：房屋和物品不再免费赠送，虚拟世界重新出现经济系统、房价和努力的回报，希望借稀缺性恢复行动动力。

• 田渊栋并不把它视为答案；这个版本“不稳定”，续作《幽夜星火》还要追问什么经济制度能长期运行，并让居民继续释放创造力。

• 三流画家的章节承担了另一层实验：苏燕加速灵界时间，让居民在较短现实时间内经历漫长生活，亲自感到无限舒适背后的空虚和残酷，最终与现实世界的抵抗者重新形成共识。

9. 人类以为自己逃脱，恰恰可能是控制设计的一部分

• 曼祺追问结尾是否像“梦中梦”：人类以为已经摆脱银河联盟，其实仍处于更深层虚拟空间。田渊栋确认，人类“还是会受银河联盟控制”，但并非像虚拟世界那样受到完整、完全的控制。

• 这个悬念将在续作展开。联盟需要人类相信自己独立、仍在探索未知，才可能产生不同思想；这种探索同时仍处在联盟的控制之下。

10. 高级文明争夺的不是能源，而是更优的思想路径

• 银河联盟千里迢迢来到银河系偏远角落，若只是争抢地球资源并不合逻辑；表层的能源叙事背后，真正目标是吸纳散落各处的新智慧。

• 这个文明已经拥有“所思即所得”：想到工厂，工厂立刻建成；想到飞船，飞船随即出现。物质生产没有障碍后，它唯一无法确认的是，自己是否走在文明发展的最优路径上。

• 田渊栋用修路作比：道路能让偏远村庄输出物资，也会让外敌更快打进来。银河联盟的技术同样会把外来思想瞬间具现化，而那个新体系可能反过来替代联盟。

• 地球于是既像思想保护区，也像潜在威胁：联盟不希望自己的想法污染它，以免差异被同化；又不能让保护区无限成长，必须在保留原创性和维持控制之间不断平衡。

11. “所思即所得”只是四百年自动化趋势的终点

• 田渊栋判断这种能力“迟早会发生”，但不预测具体年份。过去四百年的科技史不断把困难链条压进看不见的基础设施，让稀缺能力最终像水和空气一样容易取得。

• 水龙头把取水、沉淀、杀菌和煮沸隐藏起来；手机芯片比早期晶体管快数百万倍，而 ENIAC 当年还用于弹道计算，手机如今却被日常用来玩游戏和浏览网页。平民化本身就是技术进步的主要形态。

• 软件正在重复这条路径：过去做网页或业务系统需要老板、十人团队、任务分解、开发、测试和上线，AI agent 则开始把整条链压缩成自动流程，让普通人直接从想法抵达可运行代码。

• 因此他看到的不是突然降临的魔法，而是中间步骤持续缩短：技术困难逐个被克服、封装，最终让“思路和想法直接作用于现实世界”。

12. 宇宙熵增是终极风险，却不是眼下智能的约束

• 回应“宇宙最终失去规律后智能如何存在”，田渊栋区分全局熵增与局部负熵：太阳向地球输入高度有序的能量，光合作用等复杂过程因此仍能发生。

• 更遥远的文明或可在黑洞附近通过投入物质获取能量，延续极长时间；未知物理也可能修正今天认定的趋势。但他强调，这涉及很遥远的宇宙时间尺度，不是当前“所思即所得”文明首先面对的问题。

13. 对智能上限的信心始于一个仅耗二三十瓦的人脑

• 2005 至 2008 年在上海交通大学读硕士时，田渊栋进入张立清老师的脑科学、脑机接口实验室，也戴过脑电帽充当受试者；“为什么人脑那么神奇”成为他转向 AI 的早期动力。

• 他强调人脑功率只有约 20 至 30 瓦，人与人交流每秒可能只有十个 bit，一辈子能接触到的文本数据对机器学习也只是很小的量，却能形成这样聪明的东西。

• 这并不意味着必须模仿大脑；他更愿意从数学和第一性原理寻找清晰机制。但低功耗、低带宽的人脑已经证明，“现在的 AI 还远远没有到上限，我们现在用的算法还是非常笨的”。

14. 人机融合不会靠一道命令完成，而会靠竞争优势逐步扩散

• 智能手机已经让人类“一只脚踩进了虚拟世界”：设备 24 小时不离身，信息、讨论和情绪不断从数字系统进入人的认知，人与机器的边界早已不再清楚。

• 田渊栋给出的扩散机制很朴素：如果某个 app、芯片或电子元件能让成绩提高 20%，不用的人就会落后，竞争压力自然会推动所有人采用。

• 小说用恶劣的现实环境迫使全体立即迁移；现实没有同等外压，因此更可能经历缓慢融合。

15. AI 冲击工作的路径可能分成空虚、内卷与解放三段

• 短期冲击是空虚感增加：人会发现赖以生存的工作被 AI 取代，或无论怎样努力都做不过 AI，于是失去把事情做好的动力。“突然之间获得很多东西”，也可能带来同样强烈的空虚。

• 中期竞争会转向“求新搞怪”：旧赛道失效后，每个人都试图制造独一无二的形象、观点和体验来争夺注意力；没有相应天赋的人却也被迫进入，过程可能相当痛苦。

• 长期则可能放弃“上学—技能—工作—工资—养家”的惯性。许多今天只能业余绘画、写小说或唱歌的人，可能不再需要以写代码换取住房和生活成本，职业多样性可能迎来爆发。

• 田渊栋因此对长期结果乐观，认为人最终或许比原来更快乐；但他没有把转型浪漫化：“中间有什么波折就很难讲。”

16. AI 下沉到具体工作流仍会经历时滞

• 写文案的人已经开始感到变化：ChatGPT 可能直接写得更好，也可以先出初稿再由人润色，原有生产流程由此被重新切分。

• 田渊栋预计未来两至三年仍会出现大变化。研究者天天阅读论文，容易只看到模型前沿；模型能力真正下沉到每个行业的细分工作流存在时滞，却会更深地改变社会运作。

17. AI 已能做科研助理，却还不会像专家一样抓住关键异常

• 查文献、收集资料等相对简单的科研操作，Deep Search 已经“还不错”；但提出有深度的观点、发现隐藏联系仍有明显距离，呈现出“外行看起来很内行，内行看起来就很外行”的反差。

• 田渊栋把核心差距归因于样本效率：大模型学一件事可能要 1,000 或 10,000 个样本，顶级研究者看到一两个例子，就能联想到一个很小但真正起作用的因素。

• 研究者的优势并非拥有更多通用信息，而是理解会随经验持续加深，并且理解的速度暂时超过大语言模型的学习速度；因此当前 AI 适合扩大研究能力，还不能替代这种判断。

18. 取代顶级研究员需要训练范式变化，而不只是继续依赖当前数据训练

• 田渊栋认为，当前预训练本质上仍依赖数据训练，和人的真正思考、理解、发现东西的状态不同；要跨过这道门槛，可能需要训练算法本身改进，而不只是继续沿用当前方法。

• 多位数乘法是他的检验：小学生知道竖式规则，足够细心就能处理任意位数；模型可以做三位、四位乘法，到了 12 位乘 12 位却开始出错，说明它更多在拼接经验模式，而非掌握规则本身。

• 他对五至十年内跨过这道门槛“没有那么乐观”，猜测也许要十年或二十年；但围棋国手也曾相信 AI 不行，因此他保留了自己可能低估进展的余地。

19. 2008 年的机器学习既不热门，也不被物理建模派信任

• 田渊栋读博时，机器学习常被理解成线性拟合、最小二乘或在人工特征上的统计工具；师兄直接劝他别做，认为“这东西没有效果，肯定不行”，应选择更接地气的方向。

• 他的博士导师坚持基于物理的图像分析，认为物理公式要么对、要么错，自己的世界里“没有概率”；黑盒机器学习因而不符合导师对可靠知识的理解。

• 导师仍允许他独自探索偏机器学习的路线，并补足他的表达短板：田渊栋负责技术突破，导师训练他的演讲和交流，这种互补反而成为理想的博士培养组合。

20. 内在兴趣先撑过冷启动，成果与认可再形成飞轮

• 田渊栋把自己概括为“内心驱动”：想通问题、做出东西本身就足够开心，外界奖励不是开始研究的前提；这份兴趣帮助他度过领域前途未卜的博士阶段。

• 他过去非常内向，还有口吃，上台会卡住；当讨论真正喜欢的研究时，自信逐步显现，博士训练最终同时改变了技术能力和公开表达。

• OpenGo 围棋项目让理解与实践互相验证：模型真的达到很高棋力，证明机器学习不仅在理论上可行，而且效果一定程度上可以被自己预测。

• 顶会、奖项和同行认可仍然重要，但作用是确认“至少别人也觉得有道理”；内在驱动与外部反馈相互加强后，才形成让研究越做越好的飞轮。

21. 冒险研究与应用研究不是高下之分，而是动力结构不同

• 小说同时保留了两类研究者：一类押注可能失败的颠覆性方向，另一类用有限资源改善通风系统等具体问题。田渊栋坚持“两类人都是需要的”，应用贡献并不比大突破低级。

• 偏应用的人往往在意他人评价，希望让周围人过得更好；偏冒险者更多由内在判断驱动，想完成别人做不出的东西，不那么依赖即时认可。

• 大师兄角色的悲剧来自驱动力与能力错配：资质普通，却执意做震动世界的成果，长期得不到反馈后容易走向郁闷、极端和过度冒险。

• 他用 OpenAI 作组织类比：既需要伊利亚式的方向判断，也需要大量研究员完成数据与基础设施。没有后者，最雄心勃勃的研究路线也无法真正运行。

22. 极端危机不会消灭研究分工，却会把所有分工拉向共同目标

• 若地球真的面临灭亡，冒险派和应用派可能统一为“拯救地球”：有人赌博寻找突破，有人扎实完成简单但关键的工作，任何微弱迹象都可能改变整个研究方向。

• 罗教授承担的正是统筹角色。他表面官样、甚至像学阀，实际任务是判断总方向、分配有限资源，把不同长处的人放在适当位置，最终达到“无为而治，大家一起把事情做成”。

• 好 leader 既要有技术高度，也要感知人际裂痕并及时修复。田渊栋在 FAIR 时拥有较大研究自由，转入 Meta GenAI 后环境不同，但找出别人看不见且团队愿意投入的方向仍是核心职责。

23. 技术 leader 要经历从埋头做事到看全局，再回到 hands-on

• 田渊栋用“看山是山、看山不是山、再看山是山”描述自己的转变：第一阶段是 individual contributor，把手中任务做到最好；第二阶段则必须站高一层，理解团队战略和长期方向。

• 2021 年他强调“首要任务不是埋头苦干”，因为从贡献者成为经理，需要总结弯路、选择方向，而不是陷在每个技术细节里。

• 但纯管理会逐渐失去技术把握，只剩报告、文档和向上交代。生成式 AI 加快变化后，这种模式受到挑战，于是他在 2024 年重新强调 hands-on，增加看代码乃至亲自写代码的时间。

• 新趋势是团队“越来越少而精”：一个核心人员加上多个 AI，战斗力可能强过一个小团队；技术深度与决策速度因此比层层沟通和人事管理更重要。

24. 前沿敏感性正在成为组织执行速度的放大器

• 田渊栋观察到，OpenAI、Hugging Face 等高产出团队的 leader 往往仍会写代码、懂实现，交流可以直接落到技术问题，避免“一个干活，八个围观”。

• 他听说 DeepSeek 创始人梁文锋若不被团队拦着也会写代码；o1 Preview 出现后，梁文锋对推理方向迅速产生反应。前沿判断直接缩短了组织转向、集中资源和执行的时间。

• 技术敏感性不是追逐名词，而是具体理解推理模型能做什么、局限在哪里、当前范式还有多少能力可被“榨取”；重写训练问题或 reformulate 整个体系更深刻，却也更难执行。

• 他提到自己合作过的技术高手有三类能力：几分钟内抓住本质矛盾的 critical thinking，把不同论文和方向连接起来的广度，以及立即指出某方案为何无法实现的工程细节。真正的研究者还必须有“不人云亦云”的独特判断。

25. AI 能填充小说，却仍难决定小说真正应该走向哪里

• 田渊栋认为，next-token 预测天然偏向模仿既有数据，模型因此不擅长“出新”；故事写长后容易遗忘设定，人物互动也常收敛到“王子和公主幸福生活”或“地球重新和平”的安全结尾。

• 模型各有偏科：DeepSeek 脑洞大但逻辑弱，适合发散而不适合成文；Claude 3.5 会分析主角与配角关系；Gemini 2.0 描写细、给定大纲可写情节，2.5 尚未试；4o 则相对平淡。2023 年用于写小说的 GPT-3.5 水平更低。

• 他的工作流是人先确定想法、结构、大纲与关键转折，再让模型逐段填充；真正想保留的段落完全自己写，只允许轻度润色，空白或来不及写的部分才交给 AI，以免打断心流。

• 他还用每月 20 美元订阅的 Cursor 编写粗糙工具：文档中同时放入人写段落、待填空白和提示，程序自动调用 Gemini 等模型补齐。AI 先帮助造写作软件，软件再调 AI 写小说，已是他当前的“最优解”。

26. AI 越普及，人类越需要生产数据库里没有的新鲜知识

• 田渊栋预计，公文、函件、法律条文等程序性写作更容易被标准模式取代；未来较难替代的，是个人从独特经历中形成、过去“从来没有被探索过”的见解。

• 他甚至设想，有人会为成为首位登陆火星并分享全新经验而出发。新知识既是人类探索星海的动力，也可能成为成熟 AI 系统最想获得的稀缺信号。

• 小说的人类遗产信息写道：“我们知道四种基本力及一百一十八种由不同原子构成的元素，目前模式识别方式为多层非线性神经网络。我们存在过，进步过，抗争过。”他把深度学习列入其中，是因为机器已能从原始照片自行形成“云”等概念，而非先由人写好特征，只让模型估计定量关系。

• 若增加文化遗产，他首先选择《三体》，因为读完后会觉得“世界后面还有一层更深的真实”；其次提到《基地》系列，却没有强行补出第三本。刘慈欣《不能共存的节日》提出虚拟世界与宇宙探索的二选一，而《破晓之中》的回答仍是：人类会找到中间状态，“好奇心还会继续留存下去”。