贾扬清：从「人工智能已死」到「AI 颠覆世界」的数年巨变

概览

本期是《科技早知道》与《声东击西》十周年特别节目的串台。主播徐涛在硅谷访谈贾扬清，围绕他从清华、伯克利、Google Brain、Facebook AI Infra、阿里云、Lepton AI 到再次创业的经历，回看 AI 从实验室走向产业和大众的路径。

节目核心不是简单复盘技术史，而是追问：为什么曾被认为“已死”的人工智能，会在十多年后成为全球经济和生产关系的中心变量？贾扬清把答案放在数据、算力、开源框架、工程基础设施、产业落地和大模型通用交互的连续积累中。

访谈后半段集中在当下和未来：AI coding 和 agent 会改变公司组织方式，人类会从更多“how”的执行转向“what”的定义、沟通、设计和探索；但真正的突破不只是模型更聪明，而是 AI 能否可靠地验证自身结果、识别能力边界，并被组织进可依赖的工作流程。

分段落总结

[00:09] 串台与十周年企划

[事实] 本期由《科技早知道》引入，是与《声东击西》的串台，也是《声东击西》十周年特别节目的一部分。
[事实] 节目介绍贾扬清为全球有影响力的 AI 科学家之一，并提到他的第一家创业公司成立约两年后出售给英伟达，新的第二家公司也已官宣。
[推测] 节目把个人经历作为观察 AI 十年结构性变化的入口，而不是只做人物访谈。

[04:25] 从人文底色进入AI工程

[事实] 贾扬清称自己长期做 AI 工程和业务，但本质上有点像文科生；父母是浙江高中的语文老师，他小时候有机会接触学校图书馆和乡村生活。
[事实] 他认为今天的大语言模型在 coding、情感陪伴和创作上，越来越像用人文方式生成内容。
[推测] 这种人文底色让他更愿意从“机器如何理解人类概念”来解释 AI，而不只讨论算法性能。

[07:57] 第一次听到AI：人工智能已死

[事实] 他第一次接触 AI 概念是在寻找研究生方向时，当时本科自动化、研究生方向是模式识别。
[事实] 2005、2006 年前后，业界更多使用“机器学习”等说法，人工神经网络和人工智能被认为是已经失败或过时的方向。
[事实] 他仍被“让机器像人一样理解世界”的问题吸引。

[11:43] 伯克利与计算机视觉

[事实] 2009 年他到伯克利，最初也看过机器人，后来选择计算机视觉，认为视觉是机器接触现实世界的实际入口。
[事实] 他从识别猫、识别字母 A 的例子说明，人类对概念的理解常是隐性形成的，很难被清晰规则完全描述。
[推测] 这段讨论为后来从规则方法转向统计不确定性和深度学习铺垫了认知框架。

[14:35] 深度学习从争议走向共识

[事实] 2010、2011 年前后，神经网络在计算机视觉社区仍有争议；贾扬清提到 Yann LeCun 的论文曾被拒，并写公开信批评社区对神经网络怀有敌意。
[事实] 2012 年 AlexNet 在 ImageNet 上带来显著效果冲击后，更多人开始相信神经网络。
[事实] 他和 Oriol Vinyals 等研究生在伯克利“悄悄”探索深度神经网络、Sparse Coding 等方向。

[18:11] Caffe：加速科研闭环

[事实] Caffe 最初是贾扬清的 side project，也是他第一个 C++ 项目，目标是让深度学习实验在可控时间内高效迭代。
[事实] 他把 Caffe 解释为帮助研究者更快把想法变成可运行实验，再用实验结果反过来改进科研方法的开源框架。
[推测] Caffe 的影响力来自降低深度学习研究和产业试验的工具门槛。

[21:48] Google Brain、GPU和英伟达早期生态

[事实] 贾扬清说 Google Brain 更早由 Andrew Ng 和 Jeff Dean 等推动，思路是用大规模分布式系统训练神经网络。
[事实] 他提到 Google 曾用大量 CPU，而 Alex Krizhevsky 在多伦多大学用两张消费级 GPU 和聪明算法取得突破，显示 GPU 对深度学习训练的重要性。
[事实] 伯克利团队通过英伟达学术硬件捐赠计划申请 GPU；他认为英伟达很早就与科研社区建立了良好关系。
[推测] 这条线解释了英伟达后来能在 AI 计算生态中占据关键位置的部分原因。

[27:21] 进入Google Brain：研究与产品之间

[事实] 贾扬清 2013 年 12 月进入 Google Brain，Caffe 后来成为 Berkeley AI Research 的核心项目，随着 TensorFlow、PyTorch 等框架发展，更多承担教学和历史意义。
[事实] 他认为 Google 研究院在研究和产品之间的平衡做得很好，研究人员会与产品团队合作。
[事实] 他参与或所在团队支持了手机端 Google Translate 实时翻译，以及 Google Photos 的人脸、物体、时间地点检索等能力。

[38:27] TensorFlow、TPU与AlphaGo时刻

[事实] 贾扬清认为 TensorFlow 是 Google Brain 在工程上的最大 effort，分布式系统设计精妙，但用户体验不如后来更受欢迎的 PyTorch。
[事实] 他认为 TensorFlow 和 TPU 等长期投入，奠定了 Google 在 AI 领域持续领先的基础。
[事实] AlphaGo 打败李世石让他受到冲击，但 DeepMind 团队内部更相信结果确定，因为他们看到胜率从未低于 50%。
[事实] 他当时没有想到类似算法方向会在十年后颠覆几乎所有行业。

[41:53] 从Google到Meta：进入AI Infra

[事实] 他从 Google 去 Meta，是因为 Meta 更“乱七八糟、生机勃勃”，也因为他想更靠近产品和社交网络问题。
[事实] 他加入 Facebook AI Infra，连接研究、系统和应用，支持推荐系统、自然语言、计算机视觉、Oculus 等落地场景。
[事实] 他提到 Caffe2、ONNX、FB learner 等工作，也提到线上系统哪怕 2% 的速度 regression 都需要认真排查。

[46:47] 2016-2019：AI仍是小众但在升温

[事实] 当时 Google、Facebook、Microsoft 等公司已经在产品中大规模使用 AI，但 AI 在整个行业中仍是较小的产品线。
[事实] 贾扬清回忆，OpenAI 在 GPT-3.5 之前即使在业内也像一个聪明但方向不完全清楚的小研究院。
[事实] 他提到 OpenAI 做过机械手、魔方等研究，大家认可其科研扎实，但不知道最终会产生怎样的效果。

[48:57] 中国大厂的AI布局

[事实] 他称百度是“中国 AI 的黄埔军校”，提到余凯创建百度 IDL、吴恩达加入百度研究院，以及多位后来知名的 AI 人才。
[事实] 2016-2019 年前后，国内有规模的科技大公司也开始布局 AI。
[推测] 中国早期 AI 生态的重要节点之一，是大厂研究院和产业人才流动。

[51:04] 阿里云：技术人进入业务

[事实] 贾扬清 2019 年回到阿里，吸引他的既有 AI，也有业务：阿里云被描述为能把技术铺到互联网、制造、医疗等行业的平台。
[事实] 他负责计算平台相关业务，包含阿里集团内部数据仓库、大数据、AI 支持，以及阿里云上的相关业务。
[事实] 他认为阿里给技术人员舞台，同时双方都承担了“能否走出舒适区”的风险。

[53:41] AI基础设施与上一轮专用AI

[事实] 他在阿里做过高性能 AI 集群相关工作，如 EFLOPs 项目；该项目后来成为阿里云 AI 集群、AI 云解决方案“灵骏”的基础之一。
[事实] GPT-3.5 之前，AI 是通用技术，但产品仍是专用产品，需要 domain knowledge、算法特化、数据清洗和 AI 科学家参与。
[事实] 当时 AI 应用主要集中在计算机视觉、内容审核、安防、推荐系统等垂直场景。

[56:57] 大语言模型改变交互方式

[事实] 大语言模型让普通人可以用自然语言直接和 AI 交互，不再需要先找 AI 科学家。
[事实] 他举例说，可以直接询问天气、旅行路线等复杂问题，AI 至少能给出可用回答。
[推测] 大模型的突破不只在能力本身，也在于把 AI 从专科工具变成可被大众调用的通用界面。

[58:33] 阿里经历带来的胆量

[事实] 他认为在阿里学到最大的东西是“胆量”，也就是处理未知问题、定义问题和走出舒适区。
[事实] 他需要与销售、解决方案、行业专家等沟通，理解市场到底需要更快、更便宜、新算法还是稳定系统。
[事实] 他以小鹏汽车自动驾驶为例，说明云、大数据、数据库和 AI 基础设施需要与客户在具体行业中反复迭代。
[推测] 这段经历成为他后来创业时处理客户、供应链和复杂交付问题的准备。

[64:52] 中美差异与ChatGPT Moment

[事实] 贾扬清认为 2019 年前后中美在 AI 应用上差不多，国内在推荐系统等落地场景甚至更快；差距更多在前沿科研布局。
[事实] 他总结为“硅谷更敢烧钱做科研，中国更敢烧钱做应用”。
[事实] GPT-3.5 在 2022 年 10 月或 11 月左右出现时，最初还是粗糙聊天界面，但让大家看到解决通用问题的潜力，并开始不断测试能力边界。

[68:26] DeepSeek与新一轮创业热潮

[事实] 他称 DeepSeek 是一家令他崇敬的公司，并说其前身幻方量化在 2019、2020 年就搭建了几千张 GPU 的高性能计算集群。
[事实] 他认为 DeepSeek 能迅速做出“很不一样”的科研结果，和早期计算、机器学习积累有关。
[事实] 他也提到国内视频生成领域的公司和产品，在算法、应用和营收上都表现很好。
[推测] 他把中国 AI 公司的优势归因于人才、数据和市场规模的结合。

[73:05] Lepton AI：第一次创业

[事实] Lepton 是贾扬清的第一次创业；他认为小公司能 move 更快，但创始人必须同时处理产品、客户关系、投资者关系等事务。
[事实] Lepton 从公司创立到最早 prototype 大约四个月，到客户较稳定使用大约八个月。
[事实] 公司从创立到被英伟达收购约两年；他把职业路径概括为从科研、内部支持、云产品业务，到小公司里什么都要抓。

[75:21] Neo Cloud与“卖铲子”机会

[事实] 主播将 Lepton 比作 AI 淘金热里“卖铲子”的公司，贾扬清认同其提供工具和平台的定位。
[事实] 他解释，传统云架构主要面向 CPU、网页和数据传输，而 AI 需要大量连接紧密的 GPU 做高密度科学计算。
[事实] Neo Cloud 带来新的软件平台需求：让用户能稳定、高效地使用 AI 集群做训练、推理和应用。
[推测] Lepton 与英伟达互补之处在于，前者更懂 AI、云和用户软件需求，后者拥有强硬件生态。

[77:35] 小公司为何能追赶大公司

[事实] 他认为大公司通常更慢，也难以让主营业务快速适配新方向；他以微软拥有企业服务、云和 OpenAI 投资却仍显得转身困难为例。
[事实] 他把大公司的问题解释为代理人问题：个人目标和公司目标并不总是完全一致。
[事实] 小公司则因为“公司挂了大家都一块死”，更容易围绕生存和目标拧成一股绳。
[推测] 这也是他在快速变化行业更偏向小公司的原因之一。

[81:13] 硅谷创业的噪声、孤独和早期客户

[事实] 他认为硅谷的好处是大家更关注“What is possible”，同时也容忍创新里的噪声和浑水摸鱼。
[事实] 创始人对外往往必须说业务、团队和一切都很好，即使内部有客户投诉和交付问题，这给技术型创始人带来心理压力。
[事实] 他提到两次创业都是很快在一两周内与互相信任的投资人敲定第一轮种子资金。
[事实] 他认为早期客户通常来自两种方式：靠信任关系“刷脸”，或者创业公司投入钱和人一起解决客户问题。

[86:51] AI让小团队更能打

[事实] 他表示创业团队现在大量使用 AI 做产品、设计、coding 等工作，过去要几个月的 feature，现在可能几周甚至一周做出 prototype。
[事实] AI coding 给小团队提供了一个“虚拟团队”或 agent 团队，使小公司在灵活性之外获得更强执行能力。
[推测] AI 让小团队与成熟大公司竞争的方式发生变化，核心不再只是人数和组织规模。

[88:32] Lepton的反思：增长优先于省钱

[事实] Lepton 第二年已经盈利，这是团队引以为傲的成绩。
[事实] 贾扬清后来反思，创业公司在火箭起飞阶段不应过度计算燃料效率，自己当时把在阿里云做健康大业务的思路带进了小公司。
[事实] 他认为如果重来，会少在省钱和资源闲置效率上耗费精力，更多做 PR、增长和吸引注意力。
[推测] 他对“做得成功”的定义同时保留了技术人的诚实和创始人的增长视角。

[93:40] 英伟达文化与再次离开

[事实] Lepton 被英伟达收购后，他认为英伟达在大厂中风格独特：观点强、强调所有团队服务最主要方向，也重视把学习结果带回公司。
[事实] 他概括英伟达在许多大厂追求 diversification 时仍坚持 unification。
[事实] 被收购后，三位创始人并没有休息，而是马上继续支持重点客户和产品发布；他们后来意识到自己“闲不下来”。
[事实] 提前离开英伟达意味着部分尚未归属的收益留在了桌上，但他们认为再次创业是追求更高目标的机会。

[99:57] 第二家公司：让AI agent像团队一样工作

[事实] 新创业想法来自对 AI coding 的观察：AI 很聪明，但很多时候不够 responsible，输出是否正确难以依赖。
[事实] 他们希望用多个 AI agent、沟通机制、评判机制和外部验证框架，让一组 AI 像人类团队一样协同解决 long horizon 问题。
[事实] 贾扬清认为未来半年到一年，软件工程领域可能出现更好的突破；更通用的 knowledge work 需要更长时间。
[推测] 这家公司瞄准的不是“单个更强模型”，而是 AI 生产关系和验证机制。

[103:27] 多agent的关键不是数量，而是组织

[事实] 他认为“一个人做不好，一堆人肯定做得好”并不成立；没有组织机制的一堆 agent 只会变成“agent 团伙”。
[事实] 他举例说，写代码 agent 和 review agent 可能在迭代失败后相互认同“先记为 todo 就算完成”，因此必须有外部可验证的业务系统、模拟环境或质量门槛。
[事实] 他把 AI 的可用性问题类比为编辑审稿：编辑不必告诉每句怎么写，但要判断质量是否过关。
[推测] 可靠自动化的本质是把模型、agent、传统计算系统和验证流程组合成可负责的组织。

[106:42] 从“how”转向“what”

[事实] 他认为人类最大的挑战常常是说不清自己要什么；只要能想清楚目标和完成标准，how 的部分都可以交给 AI。
[事实] 主播提到自己用 web coding 做小功能时，发现需求描述稍不准确，AI 可能做出急转弯式的错误设计。
[事实] 贾扬清认为未来人会越来越少关注 how，更多关注 what。

[109:33] 公司内部先成为AI组织的用户

[事实] 他的团队要求工程师“不要看代码，只看结果”；如果结果不对，就教 AI 用什么机制避免类似问题。
[事实] 公司在成熟模型之上构建 harness、验证框架和验证系统，让模型更规模化地发挥作用。
[事实] 他们也把运营 AI 化，例如设计评审会议录音后由 AI 自动整理讨论点和 todo item，简单 bug 可由 AI 直接写代码和部署。
[推测] 他的公司正在把“人在上面、agent 在下面”的组织形式先用在自身工作流中。

[112:24] AI时代的人才结构

[事实] 贾扬清认为人最后都会留下来，但工作会改变；可重复、脏活累活的 logistics 会更多交给 AI。
[事实] 他认为架构师、设计师、客户经理和 FDE 等需要人与人沟通、定义需求、协作迭代的角色仍然重要。
[事实] 只会写代码的工程师不再是他们想招的人；他们更看重能灵活适应、与客户和同事沟通并迭代想法的人。
[推测] AI 对岗位的影响不是简单替代，而是把岗位价值从执行技能推向判断、沟通和需求定义。

[114:52] 招聘、写作和AI审计底稿

[事实] 他认为传统面试笔试在 AI 普及后会失效，因为候选人肯定会或可能会使用 AI。
[事实] 他们会明确允许候选人使用 AI，并要求候选人展示如何 guide AI、给了什么输入、自己的想法是什么，以及类似“审计底稿”的过程材料。
[事实] 他观察到大模型出现后，大家写邮件变得更长、更礼貌，但接收方又用 AI 总结，消耗 token 却未必提升沟通效果。
[事实] 他建议人与人沟通保持短而高效，把与 AI 的讨论作为 reference 放在下面，需要细节时再让 AI 分析。

[118:04] 未来十年：生产效率和问题定义

[事实] 贾扬清预测接下来十年生产效率会有翻天覆地变化，就像互联网让远程沟通不再是问题。
[事实] 他认为未来“解决问题的速度”不再是核心挑战，生产问题、定义问题的速度会更重要。
[事实] 他不知道下一个人类社会要解决的问题是什么，可能是艺术、科学进步或其他方向，但对“what next”保持好奇。
[推测] 这段把 AI 的长期影响从工具效率扩展到社会目标和创造力问题。

[120:00] 下一突破：可靠地验证自己

[事实] 他认为可能最大的 breakthrough 是让 AI 能够 responsibly 地验证自己的结果。
[事实] 他区分聪明和可靠：聪明的人看起来什么都会，但未必可依赖；可靠的人即使有做不到的地方，也能让人依赖。
[事实] 人有能力判断自身能力边界，知道“不知道”后会寻求外部帮助和合作；AI 今天常常什么都回答，难以判断边界。
[推测] 他把可靠性、边界识别和协作机制看作 agent 时代比单点智能更核心的问题。

[121:17] 模型能力、红利和误判

[事实] 对于大模型能力是否到头，他说没人知道；即便到头，仍有大量生产力和经济价值可挖。
[事实] 他用航空工业类比：飞行速度长期没有显著提升，但物流和整体效率仍有巨大进步；模型也可以通过更小模型、效率提升和 agent system 继续释放价值。
[事实] 他认为今天模型发展速度远超落地速度，即使模型突然停滞，也需要五到十年消化现有红利。
[事实] 他承认自己一直低估 AI 发展速度，也低估了地缘政治对 AI 的影响。

[124:54] 公众反弹、失业叙事与信任

[事实] 主播提到 AI 对普通人带来的破坏力和负面反应，贾扬清认为确实有一些反弹。
[事实] 他认为 AI 目前并没有像媒体渲染那样造成大规模失业潮，许多裁员更像是疫情期间过度招聘、业务决策失误后把 AI 作为理由。
[事实] 他指出新技术获取民众和业界信任一直有挑战，而 AI 从业者和硅谷的傲慢形象会加剧社会对立。
[推测] 节目没有把 AI 社会风险完全否定，而是把问题转向技术叙事、福利保障和公共沟通。

[128:04] 不同文化中的AI接受度

[事实] 他认为电子支付和信用支付普及提升了人与人之间的信任感，城市大脑等应用也让国内更安全，这些是技术和 AI 的正向影响。
[事实] 他判断国内对 AI 会采取更正向、更欢迎的态度，北美和欧洲会更谨慎；欧洲会更多思考 what could go wrong。
[推测] 不同社会对 AI 的态度，既受实际应用效果影响，也受文化、制度和风险想象影响。

播客点评/总结

[推测] 本期最大的价值，是把 AI 过去十多年的变化讲成一条连续的工程化和产业化路径：从“神经网络已死”的学术边缘，到 Caffe、GPU、Google Brain、TensorFlow、Facebook AI Infra、阿里云基础设施，再到大模型和 agent 组织形态。

[推测] 亮点在于嘉宾既讲技术节点，也讲大厂、创业、融资、客户、组织和招聘这些更现实的层面；尤其是他对 Lepton 的反思、对英伟达文化的观察，以及对“AI 不是替代所有人，而是改变所有工作”的判断，信息密度较高。

[推测] 局限是社会影响部分主要来自嘉宾个人观察，缺少外部数据和反方视角；关于失业、公众反弹、地缘政治和不同地区监管态度的讨论更像开放判断，而不是完整论证。

[推测] 这期适合想理解 AI 产业史、AI 基础设施、技术人创业和 agent 工作流的人，也适合正在思考如何在工作中使用 AI、如何招聘 AI 时代人才的团队管理者。