本文整理自小宇宙播客《#658.Kimi杨植麟的博导预测 AI Agent的未来：为什么真正的护城河是数据、工程和基础设施》，通过 Ai好记 转录整理，以下为精炼整理后的内容。

这期对谈将近 92 分钟，我用 Ai好记 转成文字后，它的精华速览把整场对话提炼成了几个核心板块。其中有一句话让我停下来反复看了好几遍：“大语言模型终将商品化，AI Agent 真正的护城河不是架构，而是数据、工程和基础设施”。就是这句话，让我决定把整期内容整理成文。

说这话的人是 Ruslan Salakhutdinov——卡内基梅隆大学教授，也是 AI 教父 Hinton 的学生、杨植麟的博导。这个判断来自小宇宙播客《跨过串门计划》#658 期的一场对谈。他还聊到中国开源模型——学生杨植麟创立的 Kimi，正被 Sora 等公司拿去做后训练。这篇转写提炼了对谈里的硬核判断。

---

大语言模型的护城河：不是架构，是数据、工程和基础设施

Ruslan 在 Meta 超级智能实验室待过两年，又主导过苹果的自动驾驶感知项目，几乎看遍前沿实验室内部。他的观察很直接：所有前沿实验室的架构高度相似，基本都是 Transformer 加一些细微差别。每当有新模型发布，总有人说，是不是搞出了新架构、AGI 是不是已经搞定，他直言这绝对不是真的——架构还是一样的，一切都归结于数据、数据质量、工程和基础设施。

坦率地讲，这挺残酷。拼到最后，护城河拼的不是灵感，而是能不能把海量数据喂进模型，把训练基础设施做到位。

---

两年内实现 AGI？看看自动驾驶从 80% 到 99% 的教训

怎么理解这种冷静？Ruslan 用自动驾驶打了个比方。2015、2016 年自动驾驶刚起步，感知系统一两年就从零做到 80%——能检测出车、行人、道路。但接下来就撞上边角案例：谷歌的车在高速上遇到飞舞的塑料袋，猛踩刹车；春天树叶长出来，感知系统把灌木丛当成障碍物，直接停住。

他坦言，从 80% 到 99% 每一步都艰难，做到 99.9% 依然不够——Uber 出过一次事故，整个运营就停了。所以真正在实验室工作的人，他认识很多，基本都不认为两年内能实现 AGI。炒作归炒作，工程归工程。

---

中国开源模型的崛起：Sora 都在用 Kimi 做后训练

这段对谈里最让开发者兴奋的部分，是关于开源模型的。Ruslan 说，他现在所有学生做研究都在用 Qwen、Kimi、DeepSeek——因为开源、成本可控、能看到完整推理轨迹。他甚至提到，连 Sora 这样的明星公司都在用 Kimi 做后训练：基础模型足够好，拿来直接后训练，那就是自己的模型。

他毫不掩饰对杨植麟的欣赏，说杨植麟是他带过的学生里最顶尖的之一；中国有很强的人才，现在也有资源，完全能和美国竞争。他坦言美国缺少好的开源模型策略，Llama 3 之后，好用的开源模型几乎断档了。

---

AI Agent 之后是预测系统：Sulis Labs 为什么说回测永远有信息泄露

Ruslan 离开 Meta 后创办了 Sulis Labs，做的是校准概率的未来事件预测系统。他讲了个内部例子：系统预测他一位学生 Timnar 能否在 2026 年 12 月前毕业，给出 13% 的概率。

追问推理过程才发现，系统检索到 CMU 新规——开题到答辩之间至少要隔 12 个月，而 Timnar 还没开题。系统还自动生成决策点：如果他拿到豁免，毕业概率会升到 80%。这就是预测系统的价值——给的不只是概率，而是一串决策点。

但这个领域最大的难点，是回测永远有信息泄露。他举例说，团队预测体育比赛，限制只用 2025 年 7 月前的数据，结果完美命中，后来才发现有人改了维基百科的时间戳，把结果写进了「过去」。所以唯一可靠的验证方式只有前瞻测试——把预测发出去，等着看它对不对。也正因如此，他相信 AI 最终会取代麦肯锡、BCG 这类机构——它们的本质工作就是预测，而 AI 能处理的信息量远超十个分析师。

---

计算机使用 Agent：grounding 是瓶颈，成功率还差得远

谈到 AI Agent 落地，Ruslan 说现在的瓶颈是 grounding——模型不知道该点哪里、怎么操作界面。即便前沿模型，目前的成绩也只有 60% 到 65% 的成功率，而让人放心委派任务，需要 99.9% 以上。

他提到编程类 Agent 进展最快，因为这是可验证领域：单元测试就是天然的奖励信号，用强化学习就能闭环。他自己就在用 Claude Code 修报错、装环境，以前要花几天的排查，现在直接丢给它就好。

---

机器人为什么慢：没有互联网规模的数据

Ruslan 对机器人的判断相当冷静：目前唯一被证明有用的消费机器人是 Roomba。操作能力（manipulation）远未成熟——机器人能后空翻、能跳舞，但让它装洗碗机、做布线，还差得远。原因很直接：没有通用的硬件标准，造一百万个机器人做数据采集成本太高，也根本没有互联网规模的数据。相比之下，大语言模型的数据都在网上，是现成的。

---

软件工程的未来：懂模型又懂编程的人才吃香

关于软件工程师会不会被取代，Ruslan 的观点很务实：以前要 10 个程序员，现在 5 个就够，但既懂机器学习、统计，又擅长编程的人会一直抢手。他说自己孩子上高中就在用 AI 工具搭网站，会用好 AI 工具的人，前进速度远快于不用的人——他看到博士生的工作流在过去一年彻底变了，写代码从三天变成一小时。

结语

如果把这场对谈浓缩成一句话：未来两年是 AI Agent 的时代，之后会转向决策与预测系统，而机器人需要最长时间。说到底，护城河不在炫技，而在谁能把数据喂进去、把工程跑起来。