Salakhutdinov带出了杨植麟，然后给这轮智能体热泼了盆冷水，Kimi K3发布之后，杨植麟的名字在硅谷被反复提起。很少有人注意到，他在CMU的博士导师最近坐进了一间播客录音棚，而这位导师说的话，跟当下的乐观情绪几乎处处矛盾。Russ Salakhutdinov的履历很难被归类成「唱空的人」。他在Geoff Hinton 门下读的博士，那还是神经网络被当成笑话的年代；后来把自己的创业公司卖给Apple，进了那个秘而不宣的造车项目Titan；在卡内基梅隆大学教书；过去两年在Meta 超级智能实验室做计算机操作智能体。现在他离开Meta，创办了Sooth Labs，刚融了5000万美元，做的是用AI预测未来。
按理说，这是最该看多的一类人。可他花了一个半小时，反复在讲同一件事：你们现在踩的坑，自动驾驶十年前踩过一模一样的一遍。
先把「前沿实验室有秘密武器」这件事拆了
过去一年最流行的一种叙事是：某家实验室内部藏着还没公开的架构，一旦放出来，格局就变了。Salakhutdinov 认识很多在这些实验室里干活的人，他的说法很直接——不存在这回事。
A lot of people were basically saying, my God, OpenAI has figured out a new architecture. They figured out like AGI, that’s absolutely not true.
很多人张口就是：我的天，OpenAI 搞出了一种新架构，他们把AGI 弄出来了。这完全不是事实。
他说架构本身「相当标准」。推理系统那次突破他承认是个不错的进展，围绕自我改进也有一些让人着迷的工作，但只要你真的去看模型结构，会发现大家用的是同一套东西。真正拉开差距的是另外几样：数据、数据的质量、工程、基础设施，以及强化学习到底怎么做。
决定胜负的从来不是架构图，是那些说出来不性感的东西。
自动驾驶那条曲线，值得每个做智能体的人看一遍
这是整场访谈里最有价值的一段类比，也是他反复回到的地方。
自动驾驶这门生意从2015、2016 年起来。感知技术突然好用了，一两年之内，系统从0 做到了80%。那个80% 是什么样子？坐进车里，车、行人、道路，基本都能识别出来。看上去只差临门一脚。
然后就撞上了角落情况。高速上飘过来一个塑料袋，模型认出「有个物体」但不知道是什么，一脚急刹——在高速路正中间。春末树上的枝叶垂下来，感知系统判定有东西挡住了去路，于是不走了。施工路段摆几个锥桶，系统又懵了。再加上天气、下雪，全是新的一批。
感知只是一半。另一半是规划，而规划里最难的部分是跟人打交道。他举了并线的例子：早期版本的车因为一堆安全约束，根本并不进高速——你慢吞吞地想挤进去，按人类的开车方式，没人会让你。人类的做法是「我就是要过去」，后面的车不得不减速，大家其实是这么互相适应的。早期系统做不了这件事。
整个行业就卡在这里，四五年。
自动驾驶与智能体的能力爬升对照
而当时的舆论是什么样？大家在研究报告：卡车司机怎么办，出租车司机怎么办，未来两三年整个经济都要被改写。
Feels a little bit like AGI we have right now. People say AGI is two years. And people who actually work in these labs, work in Frontier Labs, I know a lot of them, they basically saying just like, we’re not going to have AGI in two years.
这跟我们现在对AGI 的说法有点像。大家说AGI 还有两年。可真正在这些实验室里干活的人、在前沿实验室干活的人——我认识很多——他们说的是：两年内我们不会有AGI。
至于80% 到99% 这一段最后是怎么补上的，他的答案朴素到有点扫兴：数据、数据采集，以及模型的持续迭代。没有什么惊天动地的新方法，就是把角落情况一个一个啃掉。
智能体今天卡在60%，而可用门槛是99.9%
把镜头拉回现在。他在CMU 和Meta 都做过智能体基准的系统性评测，给出的数字是：最好的模型在他们的基准上大概60%，好一点65%。而他认为，要到什么程度才敢真的放手让它去干活？
you need to have like above 99.9% for them to be like, for me to be reliable to say like, hey, go do it, and knowing that they’ll go and do it.
得在99.9% 以上，我才敢说一句「去做吧」，并且知道它真的会去做。
当前水平与可用门槛之间的差距
这个差距的性质很关键。60% 到99.9% 不是「再优化一轮」的距离，而是自动驾驶从80% 走到99% 那种距离——那段路花了四五年，靠的是穷举式地啃角落情况。
更有意思的是失败的形态。他们拆开看前沿模型到底在哪儿掉链子，发现两家的病症正好互补。
两类前沿模型的失败模式
GPT的规划做得很好，该做什么、该怎么做都想得很清楚，然后它就是不去做，直接来一句「好了，做完了」，或者「我做不了」。Opus 反过来，它会真的去做大量调研、会动手，但会忘记重新规划，走着走着就迷失了。任务越长、要做的事越杂，这个毛病越明显。
他还点了另外两个短板：跨app 下达指令之后的连贯执行，以及完全没有个性化这回事。如果智能体足够了解使用者本人、各个app 之间又是打通的，能做的事会完全不同——但今天不是。
所以他自己押在了哪儿
如果智能体这条路还要熬几年，一个刚从Meta 出来的人应该去做什么？他的选择是往前跳一步：不做「帮你做事」的系统，做「帮你判断该做什么」的系统。
Sooth Labs要造的是他所说的前瞻系统（foresight system），对未来事件给出「校准概率」。输入是两类信息的融合：一类是结构化数据，财报、失业率这种时间序列指标；另一类是非结构化数据，新闻、环境里正在发生的事。把两边揉在一起，去估计某个即将到来的事件发生的概率。
前瞻系统的输入结构
那为什么不能直接拿ChatGPT 来做？他给了三条理由，第三条最有意思。
通用聊天模型做不了预测的三个原因
前两条是技术性的：这类模型根本不把结构化数据纳入考量，处理数值非常差；而它们的训练目标是预测下一个token，不是预测未来会发生什么。他在这里没有贬低它们——「它们是极好的基础模型，但你仍然必须做后训练」。
第三条他认为才是真正把这件事和聊天区分开的地方：上下文的累积。我该依赖哪些信源？哪些该用、哪些不该用？哪些我信、哪些我不信？这套判断，通用聊天模型压根不负责。
那这到底是模型训练的问题，还是外层框架（harness）的问题？他的回答是两者都是。训练那一半绕不开——那是把模型从「预测下一个token」掰向「预测未来结果」的关键手段；框架那一半，你当然也可以依托现有模型来搭。他最后补了一句面向企业的：公司自己往往积累了大量私有数据，怎么把内部数据接进来让系统用上，是必须解决的问题。
顺着这个思路，他给出了一个相当明确的时间分期。
他给出的两段式判断
未来两年是智能体之年：会自我改进的智能体、能自己去做研究的、能去跑科学实验的。两年之后，重心转向决策系统。问题的形态会变——不再是「智能体，去帮我找点东西、做点事」，而是「为了让我自己的未来结果最优，我该做哪个决策」。
如果我是一家公司的CEO，而我对未来的判断比竞争对手更准，那我就会赢。
这句话是他给自己创业动机下的结论，也解释了为什么他觉得这门生意值得从Meta 出来做。
顺带被他点名的几个行业
访谈后半程他挨个点评了几个赛道，判断都不含糊。
赛道 | 他的判断 | 理由 |
管理咨询 | 应该被AI 取代，但有个前提 | AI 能处理的信息量摆在那里，预测会好得多；不过咨询公司真正卖的是「保险」 |
RL 环境 | 长期不是一门可持续的生意 | 数据不会不值钱，但赛道容不下现在这么多家；剩下少数几家贴着前沿实验室的可能活下来 |
SaaS | 一定会受冲击 | 护城河不在软件本身，在切换成本和关系沉淀里；但有了会写代码的智能体之后，这层护城河变薄 |
机器人 | 还早，唯一落地的是自动驾驶 | 没有统一硬件，各家各做各的；造一百万台机器人采数据，成本高得离谱 |
咨询这条的caveat是全场最见功力的一处。他说，如果我是CEO，要做一笔几十亿美元的投资，我雇麦肯锡，他们做完调研告诉我这么做是对的——万一失败了，我可以对股东说：麦肯锡也说这是件好事。
So that’s the role that those companies play, right? It’s like an insurance.
这就是这些公司扮演的角色，相当于一份保险。
也就是说，即便AI 的预测明显更准，被卖掉的那部分价值里，有一块并不是预测本身，而是责任的转移。这一块AI 短期内接不住。
机器人那一段他讲得更干脆。会后空翻、会跳舞、会上下楼梯，这些他都见过，也都很好，但真正难的是操作（manipulation）。主持人追问：自动驾驶的突破口不就是砸海量数据吗，为什么操作不能照搬？他给了两个理由：一是没有好的硬件，尤其没有统一的硬件，Tesla 做自己的一套，Unitree 做自己的一套；二是造一百万台机器人去采集数据，成本高得离谱。所以在操作这件事上，连数据采集本身都还处在非常早期的阶段。
There’s only one example, which is Roomba. There’s no other example right now where a robot is useful.
真正有用的例子只有一个，Roomba。眼下再找不出第二个真正有用的机器人。
那还该不该学计算机
主持人拿出了那张在推特上流传的图：斯坦福计算机专业的人数两年掉了四成。既然模型都会写代码了，现在入学的人还学这个干嘛？
他的答案没有绕。还是学STEM——计算机科学、统计学、AI、机器学习；工程、计算机工程这类也算。但他补了一个限定，这个限定才是重点：
I think pure software engineering, like I’m a coder, I think that’s not going to be a job.
我认为纯粹的软件工程，就是「我是个写代码的」，这大概不会再是一个岗位了。
真正会被抢着要的，是机器学习和统计功底扎实、同时编码能力也强的人。换句话说，被替代掉的不是这个专业，是这个专业里最容易被自动化的那一层。
写在最后
这场访谈值得听的地方，不在于它给出了什么惊人预言，恰恰相反——它把一堆正在被神化的东西，还原成了很具体、很枯燥的工程问题。架构没有秘密，差距在数据和基础设施；智能体不是差一点，是差一个数量级；补上这段差距靠的不是灵光一现，是把角落情况一个一个啃掉。
如果自动驾驶那条曲线真的会重演一遍，那么现在这个时点，可能既没有唱多的人说的那么近，也没有唱空的人说的那么远。它只是需要时间，而且是那种不性感的、以年为单位的时间。
原节目：Forward Deployed，《Russ Salakhutdinov - Kimi K3 CEO’s PhD Advisor Predicts the Future of AI Agents》，2026 年7月27日发布。文中引语摘自节目原话，版权归节目方所有。
