谢赛宁七小时访谈深读：表征、世界模型与 AMI Labs 的“反向 OpenAI”

核心判断：他争夺的不是视觉份额，而是智能系统的地基权

把谢赛宁的观点简化成“视觉派反对 LLM 派”是不准确的。他承认语言模型是革命性工具、知识与沟通接口，也认为视觉、多模态和世界模型的发展离不开 LLM。真正的分歧是：未来智能系统内部最重要的状态，应该主要由语言 token 承载，还是由对连续、高维、可干预世界的层次化表征承载？

谢赛宁的押注是：未来语言仍在，但会从“承包所有认知脏活”退回沟通和解码接口；真正的 foundation 是模块化、层次化、能够预测与规划的表征系统。这是研究路线，不是已被证明的产业结论。

6:44:38 完整内容地图

The Normal One：偶然背后有稳定的决策函数

谢赛宁把自己的路径反复称作“玄学”：不是顶尖竞赛生，交大 ACM 班成绩约十几名；没有直接进入微软亚研院视觉组，主动联系新加坡国立大学；博士申请末期才被屠卓文“捞起”，导师从 UCLA 转去当时声望不如今天的 UCSD，他仍选择跟随。表面无序，底层却相当稳定：优先做自己真正想理解的问题，优先与想合作的人共事，把学校名次、论文数量和短期财务回报降权。

侯晓迪与《交大学生生存手册》提供了早期反优绩主义框架；NUS 实习让他在 AlexNet/ImageNet 时刻真正进入视觉研究。童年旅行、父亲的书房和早期 BBS/博客则被他用来解释开放性与表达欲。

DSN 与 HED：表征从一开始就是主线

在屠卓文指导下，Deeply-Supervised Nets 给深层网络的中间层增加监督出口，缓解早期网络训练的梯度问题；HED 把类似思想用于像素级边缘检测，并让不同层级的特征对应不同尺度的边缘。谢赛宁从中获得的不是一个固定架构，而是“网络中间层本身具有结构和信息”的认知。

HED 获 ICCV Marr Prize honorable mention；DSN 当年曾因公式排版遗漏平方项被拒，后在 AISTATS 发表并获得 Test of Time Award。它们支撑了他对学术随机性的长期判断：一次拒稿、一次奖项都不是工作的完整价值函数。

这里也埋下后来 REPA/RAE 的伏笔——对中间表征施加目标、把内部状态与外部强表征对齐，并不是 2025 年突然出现的想法，而是十余年主线重新组合。

五次实习与三类关键合作者

NEC、Adobe、FAIR、Google Research 和 DeepMind 五段实习刻意覆盖不同问题；部分没有论文，却让他比较研究文化和组织。DeepMind 的探索小组—项目执行切换，后来成为他思考 AMI 的一个组织样本。

何恺明：把探索变成可读的梯度

ResNeXt、MoCo、MAE 和 FAIR 的共同经历让谢赛宁总结出一套研究流程：先建立强 baseline；探索期不坐着想妙招，而是阅读、复现、写代码、做控制实验；每次实验前写下预测；正结果、负结果和意外结果都要提供方向；允许在最后阶段 pivot。实验表格不是行政记录，而是最大化信息量的界面。

李飞飞：定义问题比填榜更重要

他把 ImageNet 的深层价值理解为定义了共同问题与评价面，而不只是收集数据；Thinking in Space、Cambrian-S 等合作延续了“什么能力值得测”的 agenda-setting 思路。

Yann LeCun：长期坚持一套可工程化架构

他欣赏 LeCun 不因热点改变公开判断，同时强调 LeCun 愿意基于事实被说服。JEPA 对他不再是一个自监督算法，而是包含世界理解、预测、记忆、规划与动作的认知架构。

研究方法：好 idea 不是想出来的，是撞出来的

访谈中最可操作的部分，是他对研究周期的描述：先有 general direction，给 1–2 个月真实探索；用强 baseline 和控制实验寻找信号；逐步形成属于自己的 idea；再用 2–3 个月扩展，最后写作。若论文最终想法与起点完全相同，往往意味着问题太线性、没有获得意外信息。

这不是鼓励盲目试错。恰恰相反，每个实验都应有预测、对照和解释；最坏状态不是结果下降，而是结果不变、没有信息。一个掉 10 点的实验可能比涨 0.2 点更有价值，因为它暴露了强方向。

无限游戏与“max 而非 average”

谢赛宁把研究者与棋手/运动员区分：有限游戏的一步错误可能输掉比赛；研究者更像发明家，许多普通或失败工作不会毁掉职业，少数代表作却会非线性地改变领域。他把职业优化目标称为工作的 max，而不是平均值。

这能鼓励大问题和长期探索，却也有明显盲区：复现、数据治理、工具维护、负结果和基础设施通常很难成为“max”，但正是它们让突破可验证、可积累。作为个人研究策略，“max”有效；作为机构唯一奖励函数，会造成公共品短缺和明星化。

他批评工业实验室设定 agenda 后，学术界用少量资源追随同一 benchmark，把本应定义问题的无限游戏带入产品竞争的有限游戏。这一批评也解释了他为何在 Google 兼职时刻意寻找“不与工业界重复”的学术空间。

Research Taste：《金刚经》、写作与可证伪性

何恺明送他的《金刚经》被用来解释“穿过相看实质”：不要沉迷论文接收、名望、复杂公式和热点标签，要问工作背后的结构是什么。谢赛宁把 taste 扩展到写作、图表、页面、视频和命名，因为论文是帮助别人进入推理过程的沟通界面。

他又把论文类比电影：好的故事不是从 A 无冲突走到 B，而是在关键选择中改变理解；最个人化的经历可以产生最独特的研究视角。这个观点解释了 ConvNeXt、DiT 和 Cambrian 为什么都强调“重新问什么重要”。

但 taste 也可能变成权威不可见的偏好。尤其进入创业公司后，少数创始人的审美掌握资源，必须配套预测记录、失败条件、退出标准和年轻研究者的异议渠道，才能避免“穿过表象”成为免于反证的口号。

从 ResNeXt 到 RAE：论文不是清单，而是一张图

语言是强监督，视觉是连续世界：哪里成立，哪里过度

谢赛宁提出一个有启发性的视角：语言不是“无标签原始数据”，而是人类几千年选择、压缩和上传的知识，因而 LLM 预训练带有强监督性质。它天然保存人类关心的事实与表达，却丢掉杯子如何破碎、身体如何平衡、物体如何接触等大量连续动力学。

他把 vision 定义为一种 perspective：处理连续、高维、有噪信号；形成层次化抽象；并行处理多个对象与变化；把画出来的狗、卡通狗和真实狗共享到相近概念。语言进入多模态扩大任务接口，也可能让模型依赖语言先验，绕过真实视觉 grounding。

“语言是鸦片/拐杖”的修辞过重。更精确的问题是优化捷径：若 benchmark 可凭语言相关性得分，训练就缺少学习高带宽感知的激励。解决方式是设计必须追踪状态、空间、因果和反事实的任务，而不是简单减少语言。

世界模型的严格内核：状态、动作、后果

谢赛宁给出的最小定义是：给定环境状态 S_t 和动作/干预 a_t，学习转移 F(S_t, a_t) → S_{t+1}，再用预测支持规划和决策。他追溯 Kenneth Craik 的 internal model、Model Predictive Control 与 Sutton 的 Dyna，说明“用内部模型预演动作后果”远早于今天的 world model 热词。

关键在 state：它不是逐像素复制世界，而是对当前任务足够的最小描述。飞机设计不模拟每个分子，而使用流体层级的状态；智能系统也需要逐层过滤感官冗余，保留能影响决策的信息。表征学习因此与世界模型直接连接。

世界模型是目的，不是算法标签

视频生成公司更接近 world simulator，强调长时一致、可控渲染；显式 3D 路线提供可编辑空间资产；AMI 想做 predictive brain。三者可以共享目标，但不能因为都使用“世界模型”就认为技术和证据等价。

状态充分性是核心可证伪点

压缩表征必须在新任务、长时规划和反事实干预下仍保留足够信息。漂亮视频、线性探针或少量下游微调都不足以证明通用 state；真正强的测试是任务变化后，模型能否不重建全部细节仍做出正确预测和行动。

预测不自动等于安全

谢赛宁认为 LLM 主要靠后训练学习“什么能说、什么不能说”，而世界模型可以在推理时预测动作后果，因而更可控。例如机器人拿刀时，系统能预演转身会伤人，从而避免动作。

这一步推论缺少四个必要条件：世界模型预测必须准确；必须知道哪些后果不可接受；必须覆盖长尾与不确定性；规划器不能利用模型漏洞。能预测“会发生什么”不等于知道“应该做什么”，更不等于在分布外正确预测。世界模型可能提高安全工具箱，却不是安全的自动证明。

从下载互联网到下载人类：数据问题也是治理问题

语言模型受益于互联网把人类知识上传为文本；世界模型需要连续经验。谢赛宁设想先用 YouTube 等互联网视频，再走向 always-on 可穿戴设备、机器人和工业传感器，把高带宽观察压缩成低带宽决策。他称这是“download human”。

这个表述直指技术瓶颈，也暴露治理风险。第一视角视频会拍到旁观者、家庭、工作场所、医疗和儿童；平台服务条款与版权限制使抓取并非中性；工业传感器涉及商业机密和安全。隐私、同意、所有权与收益分配不是研究完成后的合规附件，而会决定哪些世界能被模型看到。

他认为潜在出口是 always-on AI 眼镜与机器人：前者把连续生活状态变成主动建议，后者检验模型能否在真实世界持续行动。两者都要求长期记忆、能耗、隐私和错误恢复，而不仅是更长 token 序列。

AMI Labs：“反向 OpenAI”到底反在哪里

访谈将 OpenAI 式路线概括为：从互联网下载数据，训练通用 Transformer，再把智能推向 To C/To B 市场。所谓“反向 OpenAI”，则是从世界各地拥有问题和数据的农场、医院、制造、航空与机器人伙伴出发，共建垂直世界模型，先创造价值和新数据，再反哺通用 foundation。

这同时包含三种主张：技术上，多模态工业信号可共享一个预训练底座；商业上，伙伴愿意贡献数据并采用模型；治理上，多方能形成类似 Mastercard 联盟的利益结构。三者不会自动互相成立。数据异构、权限、分布漂移、收益分配和责任归属，可能比单一平台训练更难。

正式融资与访谈录制时口径

节目录制时，谢赛宁用“目标约十亿美元”“约 25 人”“约 30 亿欧元投前”等未完成口径。2026 年 3 月正式宣布后，公开报道确认种子轮为 8.9 亿欧元/10.3 亿美元，估值口径约 30 亿欧元；正式团队名单确认谢赛宁为 CSO、Yann LeCun 任董事长，并设巴黎、纽约、蒙特利尔、新加坡布局。公开资料还显示正式宣布时约十余人、计划扩至 30–50 人，与录制时的预期团队数并非同一统计时点。

研究自由的百分比不重要，晋级机制才重要

谢赛宁把 AMI 定位在开放研究实验室与封闭 neo-lab 之间：约 60–70% 目标导向执行，20–30% 自由前沿研究；偏好使命驱动、尚未成为 superstar 的年轻研究者，希望保留署名和成长通道。他把自己和 LeCun 描述为团队“电池”，为他人提供能量。

这套价值观值得肯定，但真正检验不在口号，而在制度：

• 探索项目由谁发起，预算多长，什么证据能晋级？
• 商业截止期与负结果冲突时，谁有权继续或终止？
• 论文、代码、产品和模型的贡献如何署名？
• 年轻研究者能否反对创始人的 taste，而不损失资源与晋升？
• 跨四地办公室的数据与研究如何共享，如何避免协调成本吞噬自由？

“普通人”是一种反英雄领导叙事，也是一种强创始人品牌。只有决策权、署名和资源真的下沉，它才不只是更柔和的英雄叙事。

AGI、松鼠智能与人类中心主义

谢赛宁与 LeCun 认为“general intelligence”可能是伪命题：任何生物都受感觉器官、身体、能耗与生态位限制。动物会使用工具、形成社会关系、记忆藏食者和推理他者视角，人类语言不是智能唯一形式。他引用 Rich Sutton 的观点：造出能在真实世界生存、有目标、内在奖励和社群行为的“松鼠智能”，可能比写代码或拿竞赛金牌更触及智能本质。

这揭示 Moravec 悖论式的不均衡：符号任务和闭环适应是不同能力结构，不应放在一条难度轴上。却也不能从“不存在绝对通用”直接推出 AGI 没有工程意义；若 AGI 只是广泛任务迁移和自主学习的目标，它仍可操作。争议更多是定义，而非一个可由数学一次消解的事实问题。

访谈中的四组张力

我的进一步 Insight

1. “找梯度”是整期真正的世界模型

研究者通过实验预测误差更新方向；智能体通过环境预测误差更新表征；创业公司通过客户反馈更新产品。三层都反对从静态计划直达终点。

2. State 的充分性比模型大小更关键

世界模型真正的 scaling 不是吞多少视频，而是压缩后还能支持多少新任务、反事实和长时规划。若每换任务都要重训，所谓通用表征尚未成立。

3. 反共识也可能成为新共识剧场

“硅谷被 LLM 催眠”很有传播力，但站在主流反面不自动正确。AMI 应提前公开哪些实验会让自己放弃或修改路线，才能证明其科学性来自证据而非身份。

4. 反向 OpenAI 的关键资产是契约

模型和数据之外，多伙伴联盟最稀缺的是使用权、反馈权、收益权和退出权的可扩展契约。没有治理层，分布式世界只会变成互不兼容的数据孤岛。

5. `max` 研究文化需要公共品补丁

突破导向应配套稳定基础设施、负结果归档、复现预算和贡献署名；否则所有人追求代表作，没人维护让代表作可信的脚手架。

6. 世界模型路线的第一性风险不是模型失败，而是世界不可被合法下载

连续生活和工业数据越接近真实价值，越涉及隐私、权力和商业秘密。治理可行性将直接塑造技术可达边界。

未来两年怎样判断这场押注

• 表征：在任务变化、长时遮挡、反事实干预和跨传感器场景中，是否比 token/像素基线保留更多决策相关信息。
• 预测：不只生成视觉合理结果，而是校准动作后果、失败概率和不确定性。
• 规划：在真实或高可信环境中降低样本、计算与人工恢复成本，而非只在封闭 benchmark 提分。
• 安全：证明世界模型加约束相较纯后训练/反应策略降低尾部风险，并报告模型错误导致的规划失败。
• AMI 组织：论文/代码开放承诺、年轻研究者署名、探索项目晋级和跨地协作是否兑现。
• 商业联盟：首批工业伙伴能否提供可合法使用的数据，垂直价值能否反哺 foundation，而非变成咨询项目。