上半场
发明方法与模型，围绕 benchmark 迭代，任务常被当作固定容器。
核心判断：所谓“下半场”不是 RL 赢了，而是任务终于成为研究对象
姚顺宇把 AI 的历史压缩成一个方法论转折：过去大家发明模型和训练方法，再用越来越难的考试/游戏证明它们有效；如今一套语言—推理—行动的通用配方开始迁移到软件工程、搜索、写作、电脑操作等不同任务，单纯刷榜的边际信息量下降。真正稀缺的变成了定义任务、建造环境、写清 reward、测量现实效用。
下半场
寻找值得做的现实任务，设计环境和评价，让模型能力转成持续效用。
被忽略的变量
人和组织的上下文、长期记忆、内在奖励、交互形式与责任边界。
本文的中心推论“更通用的方法”不会让任务变得不重要，反而把任务规格推到最前面。武器越通用，选择向哪里开枪、怎样知道击中了、谁承担误伤，就越决定系统价值。
2:31:32 内容地图：从研究选择到社会网络
| 时间 | 主题 | 关键问题 |
|---|---|---|
| 00:00–00:04 | 个人经历、反叛与进入 Agent | 为什么非共识方向可能比追逐共识更早出现突破？ |
| 00:04–00:21 | WebShop、ReAct、任务环境与研究范式 | 模型如何从选择答案转向生成行动？ |
| 00:21–00:42 | 代码 affordance、数字世界、泛化与 The Second Half | 真正的瓶颈是推理能力，还是 context/任务定义？ |
| 00:42–00:59 | 可靠性/创造性、深度/广度、pass@k、创业接口 | 不同任务为何需要相反的评价函数？ |
| 00:59–01:10 | 长期记忆、内在奖励、人和 Agent 的关系 | 人类的 context、好奇心和生活经验能否被系统化？ |
| 01:10–01:34 | Crypto、OpenAI 历史、开源、Scaling 与 Super App | 中心化、去中心化和新交互方式如何共存？ |
| 01:34–02:05 | 生态、记忆壁垒、Pre-training/RL 与 CEO 资本配置 | 模型、环境、用户上下文和平台谁构成壁垒？ |
| 02:05–02:31 | 安全、意识、研究组织、方法—任务匹配与动机 | 怎样选择一个足够大胆且可证明的任务？ |
一、研究主线：从“用 GPT”到“给 Agent 一个世界”
姚顺宇从 Computer Vision 转向 Language Agent，不是因为语言模型在某个 benchmark 上更漂亮，而是因为语言提供了跨任务的通用表示。他很早就意识到，BERT 擅长从句子中选择一个标签，Agent 却需要自由生成下一步动作；文字游戏的动作空间不再是上下左右，而是“去某个房间、用某个钥匙、改变环境状态”。
WebShop 是一次关键转折：与其在一个小游戏里把 RL 刷通，不如把互联网作为更丰富的环境。之后的 ReAct 把 reasoning 与 acting 交替起来，InterCode/SWE-agent 把代码执行结果回传给模型，SWE-bench 把 GitHub Issue、代码库和测试变成更接近现实的任务。它们共同证明：任务环境不是 benchmark 的外壳，而是学习发生的地方。
Task
目标
目标
Observation
环境观察
环境观察
Reasoning
推理
推理
Action
行动
行动
Feedback
结果
结果
State
下一轮上下文
下一轮上下文
这条链也解释了他为什么偏爱“简单而通用的方法”：复杂架构往往把任务绑死在一个领域；一个足够简洁的 Agent 方案，如果能在真实数字环境中迁移，价值比在单一任务上多加一个百分点更大。
二、泛化不是“见过所有东西”，而是把思考技能带到新环境
访谈中的泛化争论很锋利：如果预训练已经包含了世界的大量知识，RL 只是把潜在能力激发出来，这算泛化吗？姚顺宇的回答是，真正的证据不在“模型学会了上网和写代码”，而在于它能否把一个环境中学到的思考方法迁移到另一个环境。
这不是一个可以靠一句口号解决的哲学问题。需要区分至少三层：
知识迁移
模型把先验事实带到新任务，减少冷启动成本。
策略迁移
模型把“如何分解、试验、检查、恢复”的方法带到新环境。
规格迁移
模型理解新环境的目标、限制和成功定义，而不是只复用旧答案。
现阶段最有希望的是前两层，第三层仍高度依赖人类提供 context。一个能写出很强代码的模型，未必知道某个公司的隐性审批规则；一个能做数学题的模型，未必能在多方协作中知道什么叫“完成”。
三、代码是数字世界的自然 affordance
姚顺宇在 2022 年就困惑：既然代码是数字 Agent 最自然的 affordance，为什么没有更多人做 Coding Agent？他的回答不是“程序员更重要”，而是代码是机器定义的对象，其他网页、小说、界面大多是为人设计的。把执行结果反馈给模型，Coding 就从一次性任务变成多轮环境。
从代码到整个数字世界并不需要把所有软件都改成 API。现实更可能是 meet in the middle：Agent 既使用 Code/API，也使用截图、前端和 GUI；软件为 Agent 暴露更稳定接口，模型则学习在不完美的路上行驶。Coding 是主线能力，但不是所有行动都应被强行代码化。
Insight：代码的价值是“可验证的中介层”它不是因为比自然语言更聪明，而是因为它把意图压成可执行对象，又把环境反馈压回可学习轨迹。只要某个领域能找到类似中介层，就有机会复制 Coding 的训练速度。
四、任务评价必须分开可靠性、创造性、深度与广度
姚顺宇反对把所有 Agent 任务压成一个总分。客服要 100 次都不出错，写一个难代码或数学猜想则可能试 100 次、只要有一次特别好；前者要稳定，后者要搜索。再加上任务深度（几秒、三小时、三天）和广度（一个 bug、一个 repo、一个组织），同一个模型的“能力”会呈现完全不同的形状。
| 任务维度 | 典型目标 | 不应只看 | 更好的指标方向 |
|---|---|---|---|
| 可靠性 | 客服、支付、合规、重复流程 | 一次成功率或 pass@1 | 全程成功、尾部错误、不可逆损失、人工接管率。 |
| 创造性 | 难代码、数学、剧本、研究假设 | 每次都正确 | pass@k、候选质量、搜索成本和人类筛选价值。 |
| 深度 | 长周期研究、长期维护、组织项目 | 短任务 benchmark | 状态恢复、记忆保真、目标漂移、跨阶段完成率。 |
| 广度 | 跨软件、跨团队、跨组织的任务 | 单一环境分数 | 环境迁移、权限适配、上下文获取与责任追踪。 |
这也是《The Second Half》的核心：更难的考试仍然可能只是把旧游戏做大。真实世界之所以难，不是因为答案更长，而是因为它没有一个预先写好的标准 reward，任务之间有先后、依赖和人类交互。
五、创业机会：模型能力溢出，交互方式才是新入口
对创业公司的建议很反直觉：真正值得担心的不是模型能力溢出，而是没有溢出能力。若基模足够强，创业公司可以把它放进一种模型厂商尚未占据的交互方式。Cursor 的价值不在于“另一个聊天框”，而在于让人以 Copilot 方式与代码协作。
旧界面 + 新模型
容易被平台复制；若只是把通用能力包装成同类助手，差异会迅速消失。
新界面 + 能力溢出
把模型尚未被产品化的能力变成新的工作环境，可能形成短期窗口。
超级 App 是双刃剑：它有分发和数据优势，却会让研究和组织围绕既有交互方式重构，形成路径依赖。未来可能出现多种“强”——朋友型 Agent、研究型 Agent、公司内网 Agent、分布式交易 Agent，它们不能用单一 leaderboard 排序。模型可共享，但上下文、环境和交互方式未必共享。
六、数据飞轮的前提是 reward 与应用真正对齐
姚顺宇对“有用户就有数据飞轮”保持怀疑。Chatbot 的偏好数据可能无法直接改善核心能力；只有当产品能自己训练或调整模型，并通过交互得到清晰 reward，数据才会成为闭环。Midjourney 被举作较清楚的案例：用户偏好直接决定产品成功，偏好信号和商业目标一致。
Coding 的思考过程、Canvas/Artifacts 的操作轨迹也可能形成更有价值的数据，但必须区分“用户做了很多操作”和“这些操作使任务更好”。数据飞轮的最小条件是：
可观测任务
知道用户真正要完成什么。
可信反馈
能分开成功、失败和偶然满意。
可训练模型
产品有能力把反馈写回策略或模型。
价值对齐
模型变好会让用户和公司都受益。
七、长期记忆不是把窗口做长，而是把 context 变成资产
访谈把模型能力与经济价值之间的鸿沟归因到 context：模型可能比大多数人更会考试和推理，但它没有进入公司七天后积累的那种隐性知识——老板的习惯、真实组织图、软件的使用方式、什么事情需要谁批准。大量 context 分布在人的脑海、文档、工具和环境里，不能靠一次 prompt 全部交给模型。
姚顺宇借冯·诺依曼的 memory hierarchy 做了一个重要扩展：环境是最外层的记忆。工作区、Google Doc、代码库、聊天、权限和现实反馈都在保存状态。Long Context 只是实现 Long-Term Memory 的一种方法；“Hay in a Haystack”式检索是必要条件，却不是足够条件。真正的长期 Agent 还要能在跨任务、跨日、跨成员变化后恢复目标和责任。
一个可操作的记忆基准让 Agent 进入一个新团队，给它一周真实任务，再测它能否解释隐性规则、避免过去的错误、在工具更换后恢复工作，并指出哪些结论来自自己的经历、哪些来自文档。这个测试比单纯增加 context length 更接近 utility。
八、内在奖励：从“完成任务”走向“知道为什么继续”
长期创新者、科学家和艺术家在没有即时外部奖励时仍能工作，依靠好奇心、掌控感、安全感或价值观。姚顺宇认为，Agent 若要处理长期研究和开放式创造，不能只等待最终答案；它需要在文字世界里形成某种 intrinsic reward。这比物理世界的探索奖励更难，因为文字世界的“新颖、重要、真实、值得继续”很难写成规则。
这并不意味着要给模型一颗神秘的意识模块。更务实的路线是把内在奖励拆成可审计信号：信息增益、假设覆盖、错误减少、状态可解释、用户价值和长期目标一致性。这样既保留探索，又避免把“模型觉得有趣”直接当作价值。
九、中心化与多样性可以同时增加
姚顺宇不接受“未来只有一个超级模型”与“完全去中心化”之间的二选一。资源、算力和平台可能越来越集中，但产业、应用形态和从网络边缘进入中心的机会也可能更多。一个人拥有自己的 Agent，Agent 再与其他人的 Agent 交换信息，可能形成新的多中心网络。
模型厂商天然会把资源集中到 Super App；创业者和用户则会寻找不同的环境、个性和交互。这里的真正壁垒可能不是模型参数，而是长期记忆、用户上下文、独特任务和生态关系。中心化平台越强，替代接口和可迁移记忆越重要。
分配问题不能用“人人都有 Agent”解决如果平台持有模型、上下文、身份和交易入口，人人拥有 Agent 也可能只是人人租用同一套基础设施。民主化要问的是谁能训练、谁能迁移记忆、谁能获得收益、谁承担错误，而不只是有没有访问按钮。
十、Pre-training、RL 与 CEO 的选择：技术是价值函数的结果
姚顺宇没有给出单一技术路线。封闭、垂直、有大量数据和清晰 reward 的环境，可以主要依赖 RL；开放、跨环境、需要快速适应的任务，更需要预训练先验和在线学习。Pre-training 与 RL 不是互相淘汰，而是按应用的 value/cost 关系重新组合。
对大型公司的建议也很具体：CEO 首先要学习到能识别真实价值，否则会被技术团队的叙事牵着走；其次要利用已有场景、用户上下文和环境优势，不一定复制模型厂商。微信之类的平台的护城河不是“有很多用户”这一句，而是它保存了大量关系、意图和日常上下文；真正的颠覆可能来自完全不同的交互方式。
进一步推演：这场旧访谈留下的八条 Insight
- “下半场”首先是评估制度的迁移。 RL 能泛化只是起点；当旧 benchmark 被通用配方工业化，任务设计、环境和现实效用成为新的研究基础设施。
- Utility gap 更像上下文缺失，而不是智力不足。 普通人靠进入环境获得隐性知识；Agent 的产品机会是捕获、验证和治理这种上下文。
- 可靠性与创造性需要相反的搜索策略。 客服追求全程不出错，研究追求候选空间和一次突破；用同一总分会把一类任务误优化。
- 交互方式是创业公司的短期护城河。 模型溢出能力只有进入新界面、工作区或社会关系，才会形成新产品；旧界面容易被 Super App 吸收。
- 数据飞轮的核心不是数据量，而是 reward 对齐。 没有清晰反馈，更多使用只会生产更多噪声和行为记录。
- 环境是记忆层，也是价值层。 外部工具、文档、组织和网络保存了模型没有的上下文；谁控制环境，谁就可能控制长期效用。
- 中心化与多样性是两个坐标轴。 资源集中可以提高效率，交互和组织多样性仍可能增长；政策不应只用“是否垄断”一个指标。
- 伟大方法往往来自 method–task fit。 先有想法再寻找任务很难，先在一个高价值环境中找到足够强的 initial signal，才能让通用方法被看见。
如何证伪这套判断
- 若在真实长期工作中，模型不需要额外 context 就能稳定超过熟悉环境的人，utility gap 的主要解释就不是上下文。
- 若单一 benchmark 与真实业务价值长期高度相关，“重新思考评估”的紧迫性会被高估。
- 若通用 ChatGPT 界面能吸收所有新交互而不牺牲体验，创业公司的 interface moat 会变薄。
- 若用户使用数据不能改善模型或产品，数据飞轮只是叙事。
- 若现实社会最终形成单一中心、没有可持续的多元 Agent 网络，关于中心化与多样性并存的预测需要修正。
证据边界与资料索引
本笔记以 Zhang Xiaojun Podcast #115 姚顺宇访谈的完整逐句转录为主材料，连续覆盖 16 个章节，并与姚顺宇公开文章和论文/项目资料对读。由于本期逐句材料没有可靠的说话人分离，正文只按时间组织内容，不把每句话强行归给某一位说话者。访谈中的 OpenAI 内部历史、产品判断、未来预测、意识与安全观点均按嘉宾口径或推演处理。
- Zhang Xiaojun Podcast #115 视频；小宇宙节目页：节目原始入口与章节大纲。
- Shunyu Yao：The Second Half：文章原文，记录“从方法/模型转向任务/评估”的主张。
- WebShop、ReAct、SWE-agent：语言 Agent、真实环境与代码执行闭环。
- Mind2Web：真实网站、跨域任务和通用 Web Agent 评价。
- Mind2Web 2：长程 Agentic Search、任务级 rubric 与现实效用评估的后续例子。
- Web Agents with World Models：把环境动力学与行动选择联系起来的研究。
- 系列中的另一篇姚顺宇深读：后续访谈对预训练、长程 Agent 和任务规格的延伸。
证据顺序：姚顺宇本人文章/论文项目与节目原始入口 → 访谈口述 → 本文推演。本文提供结构化分析，不复刻整期逐字稿。