量子位

引用量超过10万次，清华姚班校友，ConvNeXt、ImageBind、《无归一化的Transformer》……这些论文的作者——
普林斯顿大学助理教授刘壮，在学术圈是一个颇为特殊的存在——他的每一篇论文几乎都在质疑某个“理所当然”的假设。架构真的重要吗？数据集真的足够多样吗？归一化层是必需的吗？大语言模型有世界模型吗？AI智能体能替代博士生吗？在《信息瓶颈》的最新播客中，刘壮和主持人Ravid Shwartz-Ziv、Allen Roush展开了长达一个多小时的对谈，解答了这些问题。刘壮给出了几个核心判断（太长不看版）： 1、架构选什么，没你想的重要。只要把残差连接、自注意力、归一化层、线性层这四大基础做对，不管用ConvNet还是Transformer，最终都会落在同一条性能曲线上。过去十年真正推动AI进步的，是更大程度上是数据规模和计算规模，而不只是架构创新。 2、数据集远没有我们以为的多样。他和何恺明做了一个实验：训练神经网络来判断一张图片来自哪个数据集。结果在三个号称“多样化”的亿级数据集上，准确率高达80% 以上—— 说明这些数据集在模型眼里仍然泾渭分明，距离“无偏的全球分布”还差得远。 3、大语言模型有世界模型，但只在语言空间里。 LLM在高层次事件推理上表现出色，但视觉空间的精细世界模型我们还没有—— 根本原因是视觉数据的信息密度太高，现有算力还处理不了。而且对于超过一半的工作场景（尤其是数字化的白领工作），根本不需要视觉世界模型。 4、记忆才是当前最大的瓶颈，不是能力。现有模型的推理能力已经足够强，真正缺的是稳定的长期记忆。我们需要那么多智能体协作，恰恰是因为一个智能体记不住所有事情。 5、自主科研还没到位，AI替代不了研究生。他亲自测试过让Claude Code在一两天内独立完成一个研究项目。结论是：低层次任务还行，但提出有意思的问题、设计实验、保持方向感——这些还做不到。整个访谈有一条隐藏的主线：我们在AI领域里奉为圭臬的很多东西，其实是历史偶然。而真正决定成败的，往往是那些更朴素、更无聊的因素——数据、规模、记忆。以下是量子位梳理的刘壮最新访谈，为便于理解，有部分删减和润色，并在必要的地方添加了编者注，各位enjoy~

行业密探

先别聊什么参数、benchmark了，来看个狠活—— 米版“macOS Sequoia”桌面系统（doge）。【图1】开机动画、用户登录、窗口管理、Dock栏缩放、Spotlight搜索、明暗显示风格、Launchpad启动台，全都有。还自带54个原生应用，打开计算器能算账，打开日历能看日子，打开地图能查地址，打开备忘录能写东西，Grapher还能画3D函数图……拖一拖转一转，挺像那么回事。【图2】甚至！还有个能真实冲浪的Safari浏览器，好你个“Aqqle”（狗头.jpg）。【图3】关键这个系统是AI 4个小时全程无中断、无人类接管，就这么一直肝出来的。没错，用的就是主打长程任务、模糊指令遵循，跻身国产Agent第一梯队的小米MiMo‑V2.5 Pro。【图4】小米最新发布的MiMo‑V2.5系列，包含Pro旗舰Agent、全模态基座、TTS语音合成、ASR语音识别四大模型，综合实力对标国际顶尖水准。【图5】就在今天凌晨，MiMo-V2.5系列模型（包含base版）已经正式官宣开源，权重全量开放。 4个月，从入场到进入开源第一梯队，小米这位“超速”选手，咱得扒一扒。

行业密探