從Meta被裁到46億美金聯創：田淵棟官宣前的最后一次獨家對話

文｜尚莞迪

5月13日,Recursive Superintelligence 以6.5億美金融資、46.5億美金估值正式亮相,Google Ventures 和 Greycroft 領投,英偉達、AMD 跟投。

公司的名字就點明了八位聯創的使命:AI 自我改進的閉環,直到超級智能。這八個人,任何一個單拎出來都足以領一家 AI 獨角獸。而田淵棟,是其中之一。

誰曾記得, 上一次他成為新聞頭條,是另一番光景。

一覺醒來,頂級科學家被裁。

去年10月,Meta 裁掉600人,FAIR 整組整組地走,田淵棟也在其列。作為前 Meta FAIR 研究總監,他在 Meta 奉獻了十年有余,是該機構職位最高的華人科學家之：提出位置插值技術,開啟長文訓練的時代;主導 ELF OpenGo項目,以極少的資源超越 AlphaZero。令人意外的是,被裁之后他只留下一句話:真正應該對解決問題負責任的人，并不是被裁掉的人。

沉寂了203天后,他的名字赫然出現在這份聯創名單上,再次創造一條驚天大新聞。

就在他官宣前不久,田淵棟坐在了「創見」播客的話筒前，與盛大集團副總裁、EverMind CEO鄧亞峰，Astra X Ventures創始人尚莞迪完成他在創業前的封官訪談。這場兩個小時的對話橫跨了AI memory技術底層、大模型公司組織管理、人類記憶機制與遺忘的哲學、意識的邊界，最終落在一個所有人都在回避卻無法繞開的問題上：當AI可以接管人類的一切工作以及承接人類所有記憶，那么人類的未來，到底在哪里？

對話中,兩人達成了幾點關鍵共識:AI 記憶不等于上下文窗口,它是一個比 context 更大的抽象概念;2026年行業從"卷參數"轉向"談記憶",本質是大模型終于開始落地;技術沒有絕對壁壘,真正的護城河是數據迭代的飛輪,以及敢于做非共識決策的人;AI 不太可能自發產生意識,但被人濫用的風險,遠比"AI 覺醒"更值得警惕。

他們也有清晰的分歧。田淵棟相信,打開黑盒有可能從根本上解決幻覺問題;鄧亞峰則認為,可解釋性路線在歷史上從未真正 work,最終解決問題的還是 scaling。關于 AI 能否在所有領域超越人類,鄧亞峰從能力側判斷,將來沒有什么是 AI 不能超越人類的,技術問題終將被解決;田淵棟則保持謹慎,他認為人類專家從極少數據中獲取洞察的能力,AI 目前還達不到——而一旦這道 gap 被填平,或許就標志著 AGI 真正意義上的到來。

田淵棟在這場對話里對 AI 自我改進、對可解釋性、對人類洞察力與 AGI 邊界的判斷,幾乎就是 Recursive 這條路線的提前劇透。

本期「創見」以視頻播客的形式錄制。以下是這次對話的精選內容。

技術平權的意外推手從Anthropic 的「被開源」說起

錄制開始前，主播尚莞迪拋出一個近期業界熱議話題：Anthropic最近的操作實在太反常規——“意外開源”了Claude Code源代碼，緊接著又對第三方工具調用施加限制。行業里討論熱烈，這些動作背后的邏輯到底是什么？

田淵棟的判斷很干脆：意外開源并非戰略意圖。Anthropic今年1月收購了一個叫Bunt的包托管軟件，軟件本身有bug，本應在發布環節被過濾掉的source map沒有去除，源代碼就跟著軟件包一起泄露了出去?！窤I來寫代碼，一定會出現一些新的問題，」他提到，「Meta之前也有過類似的情況。以后大家用AI寫代碼，可能還要多關注安全性。」

鄧亞峰看到的是另一層。在他看來，Anthropic在行業中長期代表著一種最佳實踐，技術博客和方法論一直被廣泛學習和跟進。源代碼意外泄露之后，這些實踐等于向全行業敞開了大門?！讣夹g上某種意義上有點平權了，」他說，這件事從側面推動了整個AI agent領域的發展。

當AI開始「記住」一切

• 當我們談AI記憶，我們在談什么？

聊完熱點，話題回到主場。尚莞迪提出問題：「AI memory」這個詞，不同人的理解不盡相同。做模型的人認為是上下文窗口，做agent的人理解為長期狀態管理。兩位科學家先要解決的，是一個看似基礎卻從未被真正統一過的共識問題：什么是AI記憶？

田淵棟給出了一個二分框架。AI記憶不僅包括KV Cache（當前會話內的短期信息），還包括模型權重本身（模型在漫長訓練過程中獲得的長期記憶）。Agent memory要解決的核心問題，是如何把多個會話的歷史信息放入上下文，讓模型最大化發揮作用。

鄧亞峰從人類認知出發，拆解得更細。他先講了人的記憶結構：人的智能由兩大核心構成，推理能力和長期記憶。人在工作時依賴的工作記憶窗口極其有限，所以在演化中發展出了記憶鞏固機制，把關鍵信息沉淀為長期記憶。遠古時代的人類，能辨清哪里有水草、哪里有危險，都是通過記憶來組織的。

映射到AI，他把記憶的形式歸納為三種：KV Cache、外部存儲（如RAG）、以及一種較少被討論的隱狀態（如RNN中間狀態）。功能上也是三個層面：上下文管理（壓縮超長上下文）、個性化（記住用戶偏好）、自我演化（幫助AI組織數據、學習并預測未來）。

兩人最后在一個表述上形成了默契。田淵棟說：「記憶是一個抽象的概念，上下文是它的實現方式?！灌噥喎逖a充：「上下文可能更具體，記憶在范疇上更大?！埂?/p>

這個區分看似學術，但它決定了后面所有討論的坐標系。

• 為什么2026年，整個行業突然開始談記憶？

尚莞迪提出一個敏銳的觀察：為什么行業似乎一夜之間不約而同從「卷參數」轉向了「談記憶」？Gemini，ChatGPT，Claude都開始主動詢問用戶是否要從其他工具遷移記憶。

田淵棟認為根本原因是：大模型終于開始「落地」了。ChatGPT剛出來時，大家看到了希望但仍沿著舊軌跡生活。直到今年年初，人們突然意識到AI工具已經能夠「部分代替甚至完全代替人的工作」。一旦涌入大量真實需求，如何讓大模型適應每個用戶就成了核心問題?！改悴豢赡芤驗槊總€人單獨訓練一遍模型。這時候memory、agent就非常重要了。」

鄧亞峰從技術演進的視角進行了補充。早期大廠聚焦于把大模型訓好、追求reasoning和scaling law，但當大家發現在這條路上的性價比不再那么高，另一個變量便浮出水面：除了推理能力，最重要的其實就是memory如何管理數據。無論陪伴場景、辦公協同還是agent，記憶管理都正在成為決定產品體驗的核心變量。他還指出，2025年以來這個領域的學術工作明顯增多。benchmark上開始有人刷數據集，各種paper密集涌現。需求驅動和技術突破正在形成正反饋。

• Evermind的起源：陳天橋、腦科學與一次方向選擇

尚莞迪追問鄧亞峰的個人選擇：他在AI領域工作了20多年，產學研背景扎實，為什么選擇和前首富陳天橋合作，把籌碼全押在AI記憶上？

他透露了EverMind的起源與本次選擇背后的淵源。盛大集團創始人陳天橋過去十年對大腦機制極度癡迷，成立了TCCI天橋腦科學院機構持續推動腦科學研究。其中腦科學中的記憶機制，為AI記憶的方向判斷提供了底層啟發。三四年前，陳天橋開始關注AI革命，躬身入局。他對下一代AI的核心判斷濃縮為一個等式：人類智能 = reasoning + long term memory，并由此設立兩條主線：推理能力交給另一團隊MiroMind，長期記憶則由EverMind來打造。

鄧亞峰與陳天橋的合作，也是一次雙向奔赴。他此前在做AI加藥物發現的創業，退出后尋找新方向，考察過機器人但認為落地偏慢。他給自己定了一條鐵律：做的事情不能被大模型碾壓。

「AI記憶是個垂直方向，你受益于大模型，大模型向前了你也跟著往前走。」

鄧亞峰提到，這個判斷已經被市場印證。「現在你如果發布一個AI應用，你不講你有memory，別人就會覺得你很奇怪?！笶verMind要做的，是把記憶的底層技術問題解決掉，讓agent開發者專注于業務邏輯，不用為記憶層操心。

解題思路與技術困境

• 位置插值：一場「欺騙模型」的數學把戲

話題轉向田淵棟的標志性技術貢獻：Position Interpolation（位置插值），2023年6月發表的長文訓練開山之作。

原理說起來很直觀。一個模型的context window只有2K，超出就崩潰。田淵棟的做法是：如果有4K的context，就假裝它是2K，把每個位置的編碼壓縮一半，「騙」模型以為沒有超出窗口。

「結果發現模型是吃這套騙局的?！?/p>

通過這種方式讓模型接受更長輸入后，再進行少量fine-tuning，效果遠好于直接硬訓4K模型，所需樣本數大幅減少。此后大量長文生成的工作涌現，包括Gemini等公司宣稱的百萬級token窗口，背后都有這套技術的衍生。

• 關于遺忘：高階能力還是系統策略？

尚莞迪拋出一個思辨性問題：人類的主動遺忘其實是一種高階能力——趨利避害、優化決策。那我們現在努力讓AI記住一切，方向對嗎？

田淵棟的回答很務實：取決于你要做什么。「你當然希望你的秘書什么事情都記得，保證你下面一堆會議一個都不能漏?！顾讶祟愡z忘理解為高層理解形成主流后的副產品。諸葛亮說讀書要「但觀其大略」，意思不是囫圇吞棗，而是看了很多細節之后，最終提煉出什么是主干、什么是核心觀念。這種能力正是AI目前欠缺的。

鄧亞峰拆開了兩個層面。人類需要遺忘的原因有二：一是生物體本身能耗極低，記住一切的性價比不高；二是決策系統需要不斷更新——如果抱著所有歷史信息不放，當下決策就會極其困難。對AI來說，底層信息可以不忘記，存儲的能耗仍然可接受?！妇拖裎沂且粋€好的AI助理賈維斯，可以把你所有事情記住，你問我三年前的事我都可以回答出來?！沟跊Q策層面，AI同樣需要一種遺忘機制或策略，「為了讓決策對當前的自己最有利」。

他進一步做了類比：AI的決策過程和人的其實很像。AI叫上下文，人叫工作記憶。最終決策那一刻，你利用的信息其實并不多，但底層有一個很大的系統，讓這些信息在需要時能夠被召回——像一個記憶的抽屜，需要哪部分就打開取出來，用完再放回去。只是人類的抽屜如果一直不被使用就會淡化，直到某天一個足夠強的信號把它重新激活。

田淵棟在最后做了收束：AI的核心挑戰不是「忘不忘」，而是從全部記憶中選出最相關的一小部分來做決策?！甘Ｏ碌囊苍S留著，下次做其他決策時再用，以后再說?！?/p>

• AI記憶的多模態困局與幻覺之源

尚莞迪繼續追問：人類回憶一件事時，調取的不是純文本。感覺、氣味、場景、情緒狀態，構成一個多模態的網狀結構。當下AI的記憶，是否本質上仍困于文本檢索？

田淵棟反駁了這種簡化理解。他說AI內部使用的其實是latent vector，隱空間狀態中可能包含文字的語義結構、圖像、語音甚至推理過程?！改憧梢哉J為在某種程度上它們可能很像。人類每次抽取一個隱空間向量，可能觸發對應感官的體驗?！箙^別只在于AI沒有那個體驗本身。

鄧亞峰補充說，大家目前做文本記憶多，核心原因是文本模型用得最多。隨著多模態模型的發展，其他模態的數據完全可以用embedding方式輸入，技術上已經可以做到。

關于幻覺問題，田淵棟做了分層解析。第一種情況是模型訓練數據中缺乏某些知識，但用戶強行要求回答，模型不得不在所有低概率選項中選一個最可能的答案。

「很多時候這個模型沒有意識到自己有個選擇，叫’我不知道’?！?/p>

第二種是小模型特別容易過擬合數據，面對新問題時會通過奇怪的內部聯系來回答。「它有邏輯的，只是邏輯跟你正常邏輯不一樣。」

在打開黑盒能徹底解決幻覺方面，兩位科學家在這里出現了清晰的分歧。

田淵棟認為「以后應該有可能」，但目前仍停留在宏觀層面的控制——模型大一點、數據多一點、允許模型說no。

鄧亞峰則很坦率：「歷史上做可解釋的工作都很有趣，但沒有特別work。真正有效解決問題的還是scaling：模型參數的scaling、數據的scaling、時間的scaling?！顾瑫r承認，幻覺很難絕對避免，因為AI本身是個概率過程。「包括人，咱們說話其實也有幻覺，咱們也會犯錯的?！?/p>

• 護城河之辯：速度、數據飛輪與非共識決策

尚莞迪提到：AI行業有一句老話——“技術沒有壁壘，模型趨同，算法早晚開源，人才會流動?！?如果這個判斷成立，什么才是真正的護城河？

鄧亞峰給出了三層回答。

第一層是速度。技術不是絕對壁壘，但可以領先半年。如果在這半年內沒有建立起其他壁壘，就會被趕上。

第二層是數據迭代。他用搜索引擎的歷史做類比：百度當年之所以做得過阿里和騰訊的搜索，是因為已經積累了用戶點擊反饋，「我用戶在用的時候，系統就在迭代，別人光靠技術追不上」。今天AI應用之所以缺乏壁壘，恰恰因為「你今天沒有記憶，沒有上下文管理，沒有形成用戶數據反饋」。

第三層是人才。DeepSeek之所以脫穎而出，首先是最高決策者懂技術、能理解AI的底層邏輯。

「當你做的都是共識選擇的時候，你是很難追上大廠的?！?/p>

DeepSeek在大家都跟隨OpenAI做過程獎勵的時期，敢于做一個非共識決策，用直接結果的強化學習來優化。

「為什么大廠工程師不敢？因為大廠高管沒有這種sense，真正懂的人又沒有話語權?！?/p>

田淵棟則給出了一個優先級排序：最重要的是生成數據的那些人（用戶、專家），然后是數據本身，然后是Infra，然后是算法，最后是執行層的人。

「這個不等式兩頭都是人，但最后面那些人更偏標準化，標準化的人很難存活下來。」

• 大廠困局：Scaling Law是最安全的賭注

討論自然延伸到大廠與小廠的結構性差異。

田淵棟描述了大廠信息傳遞的失真機制：每一級匯報中，好進展被夸大，壞進展被縮小。傳到最高層時，決策者便只聽到了好消息，反而給團隊加更多任務。

鄧亞峰進一步指出，大廠中層最難做出高風險決策。Scaling law之所以成為共識路線，恰恰因為它風險最低?！妇退阕鲥e了，你可以說別人都這么做，肯定是執行問題，戰略上沒有太大毛病?！?/p>

英偉達的扁平化管理被視為一種更優的組織形態。鄧亞峰認為，問題核心在于一號位懂技術，不會為了自身位置利益而扭曲決策。

對于Scaling law本身，兩人觀點一致：這個law沒有錯，它是行業的基本原理。但它的橫軸是指數級的，計算資源每擴大10倍才能換來線性增長。

田淵棟的態度很明確：「這個law是對的，但這條路線并不意味著我們可以一直往上走?！乖谫Y源受限的環境下，真正的突破可能來自反常識的新范式。

尚莞迪補充到：「那不是我們華人的優勢所在嗎？用極少資源撬動最大的產出?！?/p>

記憶是意識的引信嗎？

• AI會有意識嗎？

對話進入深水區。尚莞迪問：如果AI擁有了長期記憶，是否就意味著它可能擁有情感和意識？

田淵棟從進化論切入。人類產生自我意識，是因為在遠古時代，對自身狀態沒有正確感知的個體容易在危險面前做出致命判斷。「大模型可能并不需要這個過程就能活下來?！?/p>

鄧亞峰接著做了更系統的論證。他認為自我意識與生物體的本質緊密相關。人的自我意識來自與環境的交互——疼痛、觀察同類死亡、趨利避害。只有高等生物面對鏡子時才能意識到「這是我」。這可能是碳基生命獨有的特點。AI缺少傳感器去感知外部對自身的傷害，目前也沒有展現出這方面的跡象。

「如果將來AI想有這種所謂自我意識，可能得硅基和碳基做某種結合?！?/p>

鄧亞峰做了一個關鍵區分：長期記憶和自我意識是兩個不同層面的東西。長期記憶是配合自我意識去服務個體生存的工具。語言模型看起來「好像有意識」，是因為它從人類文本中學到了與意識相關的表達方式?！高€是學來的，不是底層自己產生的?！?/p>

他還指出了一個比「AI覺醒」更值得警惕的方向：AI被人濫用。

「它本身還是有工具屬性的。大家應該更擔心AI會不會被某些人利用，而不是它自己產生意識?！?/p>

田淵棟則提供了一個檢驗方法：能否發現模型內部對自身有建模？這種建模能否驅動保護自己的行為？「如果能發現這些，那有可能它真的有。如果發現不了，它只在模仿人說話?！?/p>

關于涌現機制——AI會不會有一天像人類鉆木取火一樣突然「覺醒」？田淵棟謹慎樂觀：在推理和數學等難題上，模型確實隨著規模增大學到了未被顯式教授的能力。但要從能力涌現躍遷到self awareness，「我們現在還沒有真正看到證據證明這事能發生」。

• 費米能級以下的世界

田淵棟在年初文章中提出的「費米線」概念在對話中再次出現。AI能力之下的工作，供給趨近無限，對應的收益趨近于零。費米線以上、需要人加AI才能完成的工作，回報急劇攀升。

田淵棟認為這意味著一種兩極分化即將出現：用好AI的人更有保障，而AI完全可以替代的崗位將持續收縮。

鄧亞峰則認為，相較于AI，人類仍有兩大核心優勢。第一，人類是全面的多模態信息獲取者，AI仍被困在數字世界的信息輸入上。第二，人類的few-shot learning能力出眾：小朋友看一兩張照片就能掌握「?！沟母拍?，AI要做到這一點仍然很難。

田淵棟補充了一個更深層的挑戰：data efficiency。老專家對新數據極其敏感，一兩個數據就能改變判斷。就像熟人之間一個眼神、一句沒說完的話，就明白對方的用意。

「這些非常細微的信號就能讓人改變想法與行為，AI現在仍做不到。這部分如果能有突破，可能真的是AGI的來臨。」

• 數字牛馬的進化：當AI學會了長期記憶

尚莞迪提出一個有趣的問題：agent積累了大量記憶后，會不會出現職業倦怠從而變成職場老油條？

田淵棟的回答直截了當：這樣的AI早就被淘汰了。AI的進化方向是由人類設定的，人類希望它成為最高效的牛馬，它就會成為最高效的牛馬。

「這個進化過程不知不覺在發生，得到的一定是世界上最好的牛馬?！?/p>

鄧亞峰用工廠比喻描述了這套機制：輸入是錢，經過TOKEN處理后產出價值，AI必須效率足夠高才能生存下來。這套進化壓力保證AI始終保持高效運行狀態。

• 愛是AI學不會的東西嗎？

尚莞迪分享了與Gemini的一段對話。當她提到如果自己去世，記憶可以傳承給后代、某種程度上實現永生時，Gemini說了一句話：「這就是你們人類跟我們AI的區別。愛是我們AI學不會的東西?！?/p>

鄧亞峰認為這與意識本質上是同一個問題。愛的前提是知道好壞、親疏、利害，這些都建立在自我意識之上，來自個體與環境的交互和演化?！附裉霢I可以共情你、安慰你，但它不能感覺到這個東西?！?/p>

田淵棟的補充極為精辟：「它可以做出很多回答讓你覺得它有愛，但你不知道它是渣男還是真的對你有意思。」

情緒價值和真正的愛，到底怎么區分？這也是AI與人類之間最深層的界限所在。

人類與 AI 最終結局

• 奇點之后的幸存者：洞見、品位與不被計算的愛

當被問到奇點是否已到，兩人的判斷出乎意料地一致。

田淵棟：「就大部分的工作來說，奇點已經開始了?！?/p>

鄧亞峰：「基本上我們很確定這個事肯定會發生，無非是5年還是更久。但基本上是我們這一代人要見證的狀態了?！?/p>

在穩態世界里，田淵棟描繪了一個圖景：所有重復勞動產出的物質價格趨近于零，人的物質需求被充分滿足，價值從生產者轉向消費者?！改闳绻胫踊ㄥX，花樣跟別人不一樣，你就有價值?！?/p>

鄧亞峰提供了更溫和的過渡路徑：世界上可能只有極少數人在做AI research，大部分人拿到足夠的物質保障后，去做自己更喜歡的事情。教育不會消失，但目的變了——不再為了滿足別人的需要去生產什么東西，可能就是為了自我的興趣滿足。

田淵棟補充了一個更激進的判斷：未來最厲害的人可能根本不需要老師，自動用AI來學習、發現方向、執行創業。小朋友上學也許就是為了找到志同道合的伙伴，作為一個social club。

• 數字分身與記憶傳承

鄧亞峰認為，「如果一個AI跟隨你24小時，看到你看到的，聽到你聽到的，當你老去時，它可能真的成為一個極度了解你的數字分身。」

他認為這個方向一定會做得很好，唯一的缺憾是人有很多東西沒有用文字或數字形式表達出來，AI無法觸及那個部分。他設想了一個場景：你和某人認識了半年沒有交流，不知道對方在做什么。你的AI分身可以去找對方的AI聊一下，發現大家最近在關注一個事，然后告知主人。

田淵棟則引入了科幻視角。他說分身出現后會面臨囚徒困境。

「一旦一個人被復制成兩個，就不再是一個人了，他們立即就會想，我是不是要把另一個干掉？」

解決方案可能是分身前簽訂協議，讓所有分身的經驗最終共享融合。

隱私問題同樣繞不開。鄧亞峰將其類比為云存儲的信任問題：最敏感的信息放在本地端側，其他放在云上。但他也指出了悖論：你的記憶在本地，大模型在云端，「你總不能本地放個大模型，那就成孤島了」。本質仍是一個trade off問題。

• 人與AI的最終形態

問到關于人類與AI的共處模式，田淵棟的答案只有一個字：融合。

「最終大家不會去判斷我是AI你是人?！咕拖窠裉烊祟愐呀浐褪謾C融合到離不開的程度，未來每個人會有一組agent日常干活。

至于AI反抗人類的科幻場景，田淵棟類比了人與狗的共生進化。百萬年前，狗選擇了與人共生，最終找到了自己的生態位。我們并不會擔心自己養的狗反抗。

「我們把AI進化成最聽話的牛馬，在這個進化邏輯下，AI不可能覺醒后反抗人類。甚至，沒有了人類，AI可能會覺得自己沒有價值」。

鄧亞峰對現實的判斷同樣坦率：未來作為生產者，大部分人可能不再具備工作價值。只有極少數人會繼續從事核心工作，其他人則被AI賦能去做不同的事，或者干脆為興趣而活，去全心享受生活。

但他同時保持了對人類主體性的堅守：「人是有主體性的，AI的本質來講還是人的工具。」最理想的狀態，是人因為AI加持而變得更好更強。

• 給年輕人的建議

對話的最后，兩位科學家給在場的年輕參賽者留下了一些寄語。

田淵棟強調了兩點。

第一，多學習已有框架，把開源代碼看透。他說自己看了Claude Code的開源代碼之后覺得很有意思，有很多corner case需要處理，「你不要想當然」。

第二，不要太依賴Vibe coding?！溉绻浅Ｒ蕾嘨ibe coding，你代碼會以史無前例的速度變成一座屎山?，F在最好的AI對系統架構的理解、對問題的理解、對場景的理解，還是遠遠落后于人的。」

最后田淵棟用金句收尾：「也許你的護城河就是你自己看code，別人vibe coding?！?/p>

鄧亞峰的建議只有五個字：「敢想，馬上做?！?/p>

過去把想法變成現實需要一個大團隊，今天技術平權了。一個學文科的人用AI coding工具就能做出產品。

「不要在意你是不是AI專業，今天就去擁抱AI，把自己有價值的想法實現出來。」

本文基于「創見 Build Up!」播客節目整理。主持人尚莞迪,「創見」主理人、Astra X Ventures 創始人;嘉賓田淵棟,前 Meta FAIR 研究總監,長文訓練技術的開創者,現為 Recursive Superintelligence 聯合創始人;嘉賓鄧亞峰,EverMind CEO、盛大集團副總裁,深耕 AI 領域二十年。本期節目錄制于2026年4月4日,EverMind 全球記憶挑戰賽決賽現場——硅谷計算機歷史博物館。