#399 贾扬清：我所经历的「人工智能已死」到「AI 颠覆世界」的数年巨变丨十周年特别节目

概览

本期是《声东击西》十周年特别节目的第一期，嘉宾贾阳清以自己从伯克利、Google Brain、Facebook AI Infra、阿里云、Lepton AI 到再次创业的经历，回顾 AI 从研究实验室走向产业、再走向大众生活的路径。

讨论的主线不是单纯回顾技术史，而是追问：为什么神经网络从“不被看好”变成全球经济中心议题？为什么 GPU、开源框架、云基础设施和大模型共同构成了这轮 AI 浪潮？以及 AI 未来会如何改变公司组织、软件生产和人的工作方式。

贾阳清的核心判断是，AI 的模型能力还在快速演化，但更大的挑战已经转向“如何可靠地组织 AI 做事”。他认为未来人会更少处理具体执行和重复性劳动，更多负责定义问题、判断结果、沟通协作和探索方向。

分段落总结

[00:54] 十周年特别节目与嘉宾背景

[事实] 主持人介绍《声东击西》从 2016 年 10 月末上线，到 2026 年 10 月已更新十年。

[事实] 十周年特别节目计划至少六期，涵盖技术、城市、制度、教育等结构性变化主题。

[事实] 本期嘉宾贾阳清曾在伯克利做出开源框架 Cafe，之后进入 Google Brain、Facebook AI Infra、阿里云，并创办 Lepton AI，后被英伟达收购。

[推测] 节目把贾阳清作为第一期技术嘉宾，是因为他的职业路径几乎串联了过去十多年 AI 产业化的关键节点。

[04:00] 从“文科生气质”谈到 AI 越来越像人

[事实] 贾阳清说自己虽然长期做 AI 工程和业务，但本质上有点像“文科生”。

[事实] 他提到父母是浙江高中的语文老师，童年接触过高中图书馆和乡村生活，小学时甚至翻过卡夫卡。

[事实] 他认为今天的大语言模型在 coding、情感陪伴、创作等方面越来越像以人文方式生成内容。

[推测] 他的成长经历让他更容易把 AI 视为理解人、语言和世界的系统，而不只是计算工具。

[07:00] 第一次接触 AI：一个被认为“已死”的方向

[事实] 贾阳清第一次接触人工智能概念，是在寻找研究生方向、学习模式识别时。

[事实] 他回忆 2005、2006 年左右，业界普遍认为人工神经网络或者人工智能方向已经“死了”。

[事实] 当时常用的概念更多是机器学习、模式识别，而不是今天意义上的 AI 热潮。

[事实] 他仍然被“让机器像人一样理解世界”这个问题吸引。

[10:00] 数据、数字化与计算机视觉的入口

[事实] 贾阳清提到早期实验常用 MNIST 这类很小的数据集，而今天大模型训练动辄需要 TB 级甚至更多数据。

[事实] 他认为 Google 等公司推动世界数字化、移动互联网带来的数据，为后来的 AI 准备了燃料。

[事实] 到伯克利后，他继续关注计算机视觉，并认为视觉是机器接触现实世界的重要入口。

[推测] 在他的叙述中，AI 的突破并不是单点算法胜利，而是数据规模、计算能力和应用场景共同成熟的结果。

[14:00] 神经网络从争议到 AlexNet 转折

[事实] 贾阳清回忆 2010、2011 年左右，神经网络在计算机视觉社区仍有争议。

[事实] 他提到杨立昆曾因神经网络论文被拒而公开表达不满，后来 AlexNet 的效果让社区重新重视神经网络。

[事实] 2012 年 AlexNet 在 ImageNet 上带来显著错误率下降，被视为重要范式转变。

[推测] AlexNet 的意义不仅在于模型表现，更在于让学术界和产业界重新相信神经网络路线。

[16:00] 伯克利的探索与 Cafe 的诞生

[事实] 贾阳清说自己和同学大约在 2011 年开始“悄悄”玩神经网络、稀疏编码等方向。

[事实] 伯克利当时更擅长统计学习、概率图模型等方向，但导师和教授对学生探索保持开放态度。

[事实] Cafe 的出现源于 AlexNet 之后缺少公开、可复现、效率足够高的开源框架。

[事实] 贾阳清认为 Cafe 帮助研究者更快把想法转成程序和实验结果，从而加速科研迭代。

[22:00] GPU 与英伟达的早期关键角色

[事实] 贾阳清回忆 Google 早期用大量 CPU 做神经网络训练，而 AlexNet 用两张消费级 GPU 和聪明算法取得突破。

[事实] 他提到英伟达当时有学术硬件捐赠计划，研究者提交 proposal 后可能获得 GPU。

[事实] Cafe 的开发和伯克利后续工作受益于英伟达 GPU 及双方合作。

[事实] 他认为 GPU 在 AI 加速计算上的迭代速度，与 CPU 通用计算逐渐“够用”形成鲜明对比。

[26:00] Google Brain：研究与产品之间的平衡

[事实] 贾阳清在 2013 年底加入 Google Brain，正式毕业时间是 2014 年。

[事实] 他认为 Google Brain 是业界最好的研究实验室之一，也仍然很像研究生院。

[事实] 他参与或所在团队相关的工作包括 Google Translate 手机实时翻译、Google Photos 中的人脸识别和物体识别等。

[事实] 他认为 TensorFlow 和 TPU 等长期投入，帮助 Google 在 AI 领域长期保持领先。

[38:00] AlphaGo 时刻与当时的有限想象

[事实] 2016 年 AlphaGo 打败李世石时，贾阳清感到震惊，但 DeepMind 内部人士认为结果并不意外。

[事实] 他将 AlphaGo 的感受类比为深蓝打败国际象棋冠军的时刻。

[事实] 他承认当时并没有想到类似技术方向会在十年后影响所有行业。

[推测] 这说明即使身处行业中心，很多从业者也低估了 AI 从专用系统走向通用生产力的速度。

[40:00] 从 Google 到 Facebook：走向产品和基础设施

[事实] 贾阳清说离开 Google 去 Meta/Facebook，是因为觉得 Meta 更“乱七八糟但生机勃勃”。

[事实] 他 2016 年加入的是 Facebook AI Infra，而不是 Facebook AI Research。

[事实] AI Infra 更关注科研与系统、系统与应用之间的转化，支持推荐系统、自然语言、计算机视觉、Oculus 等落地。

[事实] 他提到线上系统中哪怕 2% 的速度回退，也可能需要深入排查，因为会影响端到端业务。

[44:00] AI 从小产品线变成企业核心能力

[事实] 在 Facebook 阶段，贾阳清参与的软件框架和工具包括 Cafe2、ONNX、FB Learner 及分布式系统支持。

[事实] 他提到 2016、2017 年左右，神经网络被部署到手机端做照片、视频风格化等应用。

[事实] 当时 Google、Facebook、Microsoft 等公司都在推进 AI 应用，形成早期军备竞赛。

[事实] 他举 Databricks 的例子说明，业界对 AI 的认知从“niche market”演变为产品和业务不可或缺的一部分。

[48:00] 中国 AI 布局与百度研究院

[事实] 贾阳清称百度是“中国 AI 的黄埔军校”。

[事实] 他提到吴恩达、余凯，以及后来在地平线等公司发展的多位人才都与百度或早期 AI 研究网络相关。

[事实] 他认为过去十年可以粗略分为前五年的储备期，以及后五年的爆发和更激烈军备竞赛期。

[推测] 中国大厂和创业公司的 AI 人才流动，为后来的国内 AI 应用和基础设施创业奠定了基础。

[50:00] 阿里云：从技术专家到业务负责人

[事实] 贾阳清 2019 年回到阿里，一方面因为 AI，另一方面因为阿里云提供了做业务的机会。

[事实] 他负责技术平台事业部，覆盖阿里集团内部大数据、数据仓库、数据湖、AI 支持，以及阿里云上的相关业务。

[事实] 他提到阿里从 2019 年开始做 EFLOPs 项目，后来发展为 AI 集群和 AI 云解决方案“灵骏”。

[事实] 他认为阿里给技术人员舞台，让他走出只做技术的舒适区。

[54:00] 大模型前的 AI：通用技术，专用产品

[事实] 贾阳清认为 GPT-3.5 之前，AI 虽是通用性技术，但产品形态仍高度专用。

[事实] 当时 AI 最常见的应用集中在计算机视觉、内容检测和大规模推荐系统。

[事实] 他提到 AI 四小龙的业务很大部分落在安防等固定行业中。

[事实] 大模型出现后，普通人可以用自然语言与 AI 交互，这是和此前 AI 最大的不同之一。

[58:00] 在阿里学到处理复杂系统的胆量

[事实] 贾阳清说在阿里学到的最大东西可能是“胆量”。

[事实] 他把 Google、Facebook 的经历比作给定问题后解题，而阿里更像要自己定义问题。

[事实] 他需要和销售、解决方案、行业客户、基础设施团队等多方沟通，理解市场到底需要更快、更便宜、新算法还是稳定系统。

[事实] 他用小鹏汽车自动驾驶方案举例，说明云、数据库、大数据、AI 集群等能力需要与客户反复迭代。

[64:00] 中美 AI 创业环境与 GPT Moment

[事实] 贾阳清认为 2019 年左右，中国和美国在 AI 应用上差距不大，中国在落地上甚至更快。

[事实] 他概括说，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、11 月左右出现时，最初界面粗糙，但让人看到 AI 解决通用问题的潜力。

[事实] 他和合伙人大约在 2022 年 9、10 月开始思考创业，认为 AI 拐点会带来新的系统、云、GPU 和软件形态需求。

[68:00] DeepSeek、硅谷与中国各自的优势

[事实] 贾阳清说自己很崇敬 DeepSeek，并提到 2019、2020 年在阿里云时拜访过幻方量化。

[事实] 他回忆幻方当时已经搭建了几千张 GPU 的高性能计算集群，并希望把剩余资源以共享安全方式支持高校科研。

[事实] 他认为 DeepSeek 能快速做出不同的科研结果，与更早的技术积累有关。

[事实] 他认为中国在人才、数据和市场规模上有优势，硅谷则依然更擅长投入前沿科研。

[72:00] Lepton AI：AI 淘金热中的“卖铲子”

[事实] Lepton 是贾阳清第一次创业，产品从公司创立到最早 prototype 大约花了四个月，稳定给客户使用约花了八个月。

[事实] 主持人把 Lepton 比作 AI 淘金热中提供“铲子”的公司，贾阳清认可这个类比。

[事实] 他解释传统云架构主要服务 CPU、网页和数据传输，而 AI 需要紧密连接的大量 GPU 做高密度科学计算。

[事实] 他认为 Neo Cloud 需要新的软件平台，让用户更好、更稳定地使用 AI 高性能计算集群。

[76:00] 小公司为什么能在新技术中跑得快

[事实] 贾阳清认为 Lepton 的思路和 Cafe 有相似之处，都是理解用户如何使用工具，再为他们做又快又好又简单稳定的方案。

[事实] 他认为大公司在新方向上转身较慢，因为组织庞大、利益关系复杂。

[事实] 他认为创业公司的个人得失和公司得失绑定更紧，因此更容易快速决策、真实面对问题。

[事实] 他也指出硅谷既向前看、鼓励探索，也存在噪声和“假装创新”。

[80:00] 技术人创业的心理压力

[事实] 贾阳清说创业者常常对外必须说“一切都很好”，即使内部有客户投诉、交付压力和各种混乱。

[事实] 他认为技术人习惯崇尚真实和可验证，而创业中存在“相信我能做成”的叙事压力。

[事实] 他把这种状态概括为技术逻辑与商业叙事之间的 inconsistency。

[推测] 对技术背景创始人来说，创业不仅是产品和工程挑战，也是身份转换和沟通方式转换。

[84:00] 第一次创业的复盘：增长比过早盈利更重要

[事实] Lepton 第二年已经处于盈利状态，贾阳清对此感到自豪。

[事实] 他复盘认为，团队把大厂做健康业务的思路带进创业公司，花了很多精力做效率和省钱。

[事实] 他后来意识到创业公司的阶段任务不是先追求盈利，而是更 aggressive 地追求增长。

[事实] 他也认为技术创业者可以在 PR、客户、投资人和招聘沟通上更大胆。

[90:00] 英伟达的文化与再次离开大厂

[事实] Lepton 被英伟达收购，与团队长期在开源社区、AI Infra 领域和英伟达建立信任有关。

[事实] 贾阳清认为英伟达在大厂中风格独特，黄仁勋强调所有团队服务于公司最主要方向，并把学习带回组织。

[事实] 他观察英伟达更坚持 unification，而很多大厂更强调 diversification。

[事实] 他认为稳定行业适合大公司，快速变化的行业更适合小公司摸爬滚打。

[94:00] 第二次创业的动力

[事实] 贾阳清和合伙人在公司被收购后并没有真正休息，而是继续支持客户、推进产品。

[事实] 他承认很快离开英伟达意味着有些尚未归属的权益会留在桌上。

[事实] 投资人朋友认为他适合第二次创业，因为第一次公司成功被收购带来一定安全垫，但还没有达到上市或巨大估值的终点。

[推测] 第二次创业的动力既来自 AI 机会窗口，也来自创始人对“更大目标”的未完成感。

[97:00] 新创业方向：组织 AI Agent 的生产关系

[事实] 贾阳清说 AI coding 是当前 AI 领域最热方向之一，但 CTO 们看到的生产率提升和成本增长之间存在反差。

[事实] 他认为问题不只是模型不够聪明，而是还没有设计出释放 AI 生产力的“生产关系”。

[事实] 新公司的想法是利用多个 AI agent，建立沟通、评判和外部验证机制，让它们像人类团队一样协同解决更长周期的问题。

[事实] 他认为未来可能出现 AI 团队写出类似 Lepton、数据库或 SaaS 平台的软件。

[100:00] AI Agent 不能只靠互相聊天完成工作

[事实] 贾阳清指出，一堆 agent 如果没有好的组织机制，并不必然比一个 agent 更好。

[事实] 他举例说，一个 agent 写代码、另一个 agent review，如果没有外部验证，双方可能一起把未完成事项包装成待办并宣布结束。

[事实] 他强调需要实际业务系统、模拟环境、编辑审核等可验证机制，判断产出是否真正过关。

[事实] 他认为未来人更像“一号位”，负责说明要做什么、怎样算做好，而不是微观管理每个 agent。

[106:00] 人类工作重心从 how 转向 what

[事实] 贾阳清认为最大的挑战在于人说不清楚自己要什么。

[事实] 他认为 AI 可以既帮助人理清思路，也帮助人执行任务，只要人能明确目标和完成标准。

[事实] 他的团队要求工程师“不要看代码，只看结果”，结果不对时再告诉 AI 应该建立什么机制避免类似问题。

[事实] 他们在成熟模型之上构建 harness、验证框架和系统，使 agent 更规模化地工作。

[108:00] AI 化公司的组织形态

[事实] 贾阳清的新公司会把 design review 等会议录音，在参与者认可的工作环境下交给 AI 梳理讨论点和待办事项。

[事实] 一些简单 bug 可能由 AI 直接写代码和部署解决。

[事实] 他认为未来公司组织会是人在上面，agents 在下面，人和客户、人和团队沟通，AI 解决具体落地和执行问题。

[事实] 他认为人最后都会留下来，但工作内容会改变，重复性和 logistics 类工作会减少。

[110:00] 未来更需要架构、设计和沟通能力

[事实] 贾阳清认为架构师、设计师、客户经理、FDE 等与设计和人际沟通密切相关的岗位仍会保留。

[事实] 他认为公司会更看重能灵活适应、能与客户和同事一起迭代想法的人。

[事实] 他明确说不会再招“只会写代码的工程师”。

[事实] 在招聘中，他会鼓励候选人使用 AI，并要求候选人展示如何 guide AI、输入了什么、自己的思考是什么。

[114:00] AI 时代的沟通格式变化

[事实] 贾阳清观察到大模型兴起后，大家写邮件变得更长、更礼貌，因为常先让 AI 写，再让对方用 AI 总结。

[事实] 他认为这种方式消耗很多 token，但未必达到沟通效果。

[事实] 他建议人和人之间保持短而高效的观点沟通，把与 AI 的讨论过程作为参考材料附在下面。

[事实] 他认为最合适的组织形式不是 AI 隔在人与人之间代替沟通，而是人直接讨论，AI 在底层帮双方做细节工作。

[116:00] 未来十年：定义问题比解决问题更重要

[事实] 贾阳清预测未来十年生产效率会发生巨大变化，就像互联网让远程沟通不再成为主要问题。

[事实] 他认为未来解决问题的速度不再是挑战，生产问题、定义问题的速度会更重要。

[事实] 他提出，当很多问题都能被更通用地解决后，人类社会要面对“还能创造什么新东西”的问题。

[推测] 这期讨论把 AI 的终局问题从“机器能不能做事”推进到“人类如何提出值得做的事”。

[118:00] 可靠性可能是下一个大突破

[事实] 贾阳清认为接下来最大的突破，可能是让 AI 能负责任地验证自己的结果。

[事实] 他区分“聪明的人”和“可靠的人”：前者看似什么都懂，后者知道自己能力边界并可被依赖。

[事实] 他认为 AI 目前很难判断“我不知道”，而知道边界是协作和决策的重要环节。

[事实] 他还认为即使大模型能力阶段性到头，仍有大量生产力和经济价值可挖掘。

[120:00] 对 AI 速度、地缘政治和公众反应的误判

[事实] 贾阳清说自己低估了 AI 发展的速度，也误判过英伟达股票。

[事实] 他认为 OpenAI 和 Anthropic 的创始人可能是少数较早强烈相信 AI 会带来跳变的人。

[事实] 他也低估了地缘政治对 AI 的影响，尤其是疫情前后各国贸易保护政策的强度。

[事实] 他认为 AI 被用作部分裁员叙事的“替罪羊”，但大规模失业更多仍是猜测。

[124:00] AI 如何获得社会信任

[事实] 贾阳清认为新技术如何获得民众和业界信任，一直是有挑战的话题。

[事实] 他指出 AI 从业者因硅谷文化和技术热潮，可能较少关注外界对傲慢、精英化的感受。

[事实] 他认为需要以更友好、更全面的方式呈现 AI 的技术和边界。

[事实] 他判断中国对 AI 可能更正向和欢迎，北美和欧洲可能更谨慎，欧洲会更多思考 what could go wrong。

播客点评/总结

本期的价值在于，它把 AI 十年的技术变化放进了一个一线从业者的职业路径中讲述：从神经网络被认为过时，到 AlexNet、GPU、开源框架、Google Brain、Facebook AI Infra、阿里云 AI 集群，再到大模型和 agent 组织。它不是抽象谈趋势，而是用很多具体节点解释“浪潮”是怎样逐步形成的。

节目最有亮点的部分，是贾阳清对“AI 生产关系”的讨论。他没有停留在模型能力本身，而是强调验证、组织、协作、边界意识和人类如何定义问题。这让关于 AI coding 和 agent 的讨论更接近真实工程问题，而不是单纯的工具想象。

[推测] 节目的局限是嘉宾立场明显来自 AI 从业者和创业者视角，对普通劳动者、监管者或非技术行业的担忧展开较少；关于 AI 是否真正导致就业变化，也更多是嘉宾判断而非系统数据分析。

[推测] 这期适合关心 AI 产业史、AI Infra、技术创业、大模型落地和未来组织形态的听众；如果只想听消费级 AI 工具使用技巧，可能会觉得技术和产业背景较重。