文｜尚莞迪

2026年4月4日下午，硅谷计算机历史博物馆里挤满了人。400多位年轻参赛者正在进行EverMind全球记忆挑战赛的最终角逐。在礼堂之外的一间安静演播室中，两位世界级AI科学家在主播尚莞迪的邀请下，一同坐到了「创见」播客的话筒前。

一位是田渊栋。前Meta FAIR研究总监，在Meta十年有余，是该机构职位最高的华人科学家之一。他提出的位置插值技术开启了长文训练的时代，主导的ELF OpenGo项目用极少资源超越了AlphaZero。反感暴力堆算力，擅长找到更聪明的路径。2025年底离开Meta开始创业，问他在做什么，笑而不语。

一位是邓亚峰。清华毕业，深耕AI领域二十余年，从Pattern Recognition一路走到大模型时代。曾任360集团副总裁、格灵深瞳CTO，手握160余项发明专利。现掌舵盛大旗下EverMind，带队攻坚AI长期记忆。这场对话的录制地，正是他发起的Memory Genesis Competition 2026全球记忆挑战赛的决赛现场。

本期「创见」以视频播客的形式录制。这场对话的起点是近期一则行业八卦：Anthropic的代码泄露事件，但话题很快滑向了更深的地带。两个小时的对话横跨了AI memory技术底层、大模型公司组织管理、人类记忆机制与遗忘的哲学、意识的边界，最终落在一个所有人都在回避却无法绕开的问题上：当AI可以接管人类的一切工作以及承接人类所有记忆，那么人类的未来，到底在哪里？

两人在对话中达成了几个关键共识：AI记忆不等于上下文窗口，它是一个比context更大的抽象概念；2026年行业从「卷参数」转向「谈记忆」，本质是大模型终于开始落地；技术没有绝对壁垒，真正的护城河是数据迭代飞轮和非共识决策的人才；AI不太可能自发产生意识，但被人滥用的风险远比"AI觉醒"更值得警惕。

他们也有清晰的分歧点：田渊栋相信打开黑盒有可能从根本上解决幻觉问题；邓亚峰认为可解释性路线在历史上从未真正work，最终解决问题的还是scaling。关于AI能否在所有领域超越人类，邓亚峰认为从能力侧来看，将来没有什么AI不能超过人类的，技术问题终将被解决；田渊栋则保持谨慎，认为人类专家从极少数据中获取洞察的能力，AI目前还达不到——一旦这个gap被填平，则可能标志着AGI真正意义上的到来。

以下是这次对话的精选内容。

开篇

技术平权的意外推手

00

从Anthropic的「被开源」说起

录制开始前，主播尚莞迪抛出一个近期业界热议话题：Anthropic最近的操作实在太反常规——“意外开源”了Claude Code源代码，紧接着又对第三方工具调用施加限制。行业里讨论热烈，这些动作背后的逻辑到底是什么？

田渊栋的判断很干脆：意外开源并非战略意图。Anthropic今年1月收购了一个叫Bunt的包托管软件，软件本身有bug，本应在发布环节被过滤掉的source map没有去除，源代码就跟着软件包一起泄露了出去。「AI来写代码，一定会出现一些新的问题，」他提到，「Meta之前也有过类似的情况。以后大家用AI写代码，可能还要多关注安全性。」

邓亚峰看到的是另一层。在他看来，Anthropic在行业中长期代表着一种最佳实践，技术博客和方法论一直被广泛学习和跟进。源代码意外泄露之后，这些实践等于向全行业敞开了大门。「技术上某种意义上有点平权了，」他说，这件事从侧面推动了整个AI agent领域的发展。

第一章

当AI开始「记住」一切

01

当我们谈AI记忆，我们在谈什么？

聊完热点，话题回到主场。尚莞迪提出问题：「AI memory」这个词，不同人的理解不尽相同。做模型的人认为是上下文窗口，做agent的人理解为长期状态管理。两位科学家先要解决的，是一个看似基础却从未被真正统一过的共识问题：什么是AI记忆？

田渊栋给出了一个二分框架。AI记忆不仅包括KV Cache（当前会话内的短期信息），还包括模型权重本身（模型在漫长训练过程中获得的长期记忆）。Agent memory要解决的核心问题，是如何把多个会话的历史信息放入上下文，让模型最大化发挥作用。

邓亚峰从人类认知出发，拆解得更细。他先讲了人的记忆结构：人的智能由两大核心构成，推理能力和长期记忆。人在工作时依赖的工作记忆窗口极其有限，所以在演化中发展出了记忆巩固机制，把关键信息沉淀为长期记忆。远古时代的人类，能辨清哪里有水草、哪里有危险，都是通过记忆来组织的。

映射到AI，他把记忆的形式归纳为三种：KV Cache、外部存储（如RAG）、以及一种较少被讨论的隐状态（如RNN中间状态）。功能上也是三个层面：上下文管理（压缩超长上下文）、个性化（记住用户偏好）、自我演化（帮助AI组织数据、学习并预测未来）。

两人最后在一个表述上形成了默契。田渊栋说：「记忆是一个抽象的概念，上下文是它的实现方式。」邓亚峰补充：「上下文可能更具体，记忆在范畴上更大。」」

这个区分看似学术，但它决定了后面所有讨论的坐标系。

02

为什么2026年，整个行业突然开始谈记忆？

尚莞迪提出一个敏锐的观察：为什么行业似乎一夜之间不约而同从「卷参数」转向了「谈记忆」？Gemini，ChatGPT，Claude都开始主动询问用户是否要从其他工具迁移记忆。

田渊栋认为根本原因是：大模型终于开始「落地」了。ChatGPT刚出来时，大家看到了希望但仍沿着旧轨迹生活。直到今年年初，人们突然意识到AI工具已经能够「部分代替甚至完全代替人的工作」。一旦涌入大量真实需求，如何让大模型适应每个用户就成了核心问题。「你不可能因为每个人单独训练一遍模型。这时候memory、agent就非常重要了。」

邓亚峰从技术演进的视角进行了补充。早期大厂聚焦于把大模型训好、追求reasoning和scaling law，但当大家发现在这条路上的性价比不再那么高，另一个变量便浮出水面：除了推理能力，最重要的其实就是memory如何管理数据。无论陪伴场景、办公协同还是agent，记忆管理都正在成为决定产品体验的核心变量。他还指出，2025年以来这个领域的学术工作明显增多。benchmark上开始有人刷数据集，各种paper密集涌现。需求驱动和技术突破正在形成正反馈。

03

Evermind的起源：陈天桥、脑科学与一次方向选择

尚莞迪追问邓亚峰的个人选择：他在AI领域工作了20多年，产学研背景扎实，为什么选择和前首富陈天桥合作，把筹码全押在AI记忆上？

他透露了EverMind的起源与本次选择背后的渊源。盛大集团创始人陈天桥过去十年对大脑机制极度痴迷，成立了TCCI天桥脑科学院机构持续推动脑科学研究。其中脑科学中的记忆机制，为AI记忆的方向判断提供了底层启发。三四年前，陈天桥开始关注AI革命，躬身入局。他对下一代AI的核心判断浓缩为一个等式：人类智能 = reasoning + long term memory，并由此设立两条主线：推理能力交给另一团队MiroMind，长期记忆则由EverMind来打造。

邓亚峰与陈天桥的合作，也是一次双向奔赴。他此前在做AI加药物发现的创业，退出后寻找新方向，考察过机器人但认为落地偏慢。他给自己定了一条铁律：做的事情不能被大模型碾压。

「AI记忆是个垂直方向，你受益于大模型，大模型向前了你也跟着往前走。」

邓亚峰提到，这个判断已经被市场印证。「现在你如果发布一个AI应用，你不讲你有memory，别人就会觉得你很奇怪。」EverMind要做的，是把记忆的底层技术问题解决掉，让agent开发者专注于业务逻辑，不用为记忆层操心。

第二章

解题思路与技术困境

04

位置插值：一场「欺骗模型」的数学把戏

话题转向田渊栋的标志性技术贡献：Position Interpolation（位置插值），2023年6月发表的长文训练开山之作。

原理说起来很直观。一个模型的context window只有2K，超出就崩溃。田渊栋的做法是：如果有4K的context，就假装它是2K，把每个位置的编码压缩一半，「骗」模型以为没有超出窗口。

「结果发现模型是吃这套骗局的。」

通过这种方式让模型接受更长输入后，再进行少量fine-tuning，效果远好于直接硬训4K模型，所需样本数大幅减少。此后大量长文生成的工作涌现，包括Gemini等公司宣称的百万级token窗口，背后都有这套技术的衍生。

05

关于遗忘：高阶能力还是系统策略？

尚莞迪抛出一个思辨性问题：人类的主动遗忘其实是一种高阶能力——趋利避害、优化决策。那我们现在努力让AI记住一切，方向对吗？

田渊栋的回答很务实：取决于你要做什么。「你当然希望你的秘书什么事情都记得，保证你下面一堆会议一个都不能漏。」他把人类遗忘理解为高层理解形成主流后的副产品。诸葛亮说读书要「但观其大略」，意思不是囫囵吞枣，而是看了很多细节之后，最终提炼出什么是主干、什么是核心观念。这种能力正是AI目前欠缺的。

邓亚峰拆开了两个层面。人类需要遗忘的原因有二：一是生物体本身能耗极低，记住一切的性价比不高；二是决策系统需要不断更新——如果抱着所有历史信息不放，当下决策就会极其困难。对AI来说，底层信息可以不忘记，存储的能耗仍然可接受。「就像我是一个好的AI助理贾维斯，可以把你所有事情记住，你问我三年前的事我都可以回答出来。」但在决策层面，AI同样需要一种遗忘机制或策略，「为了让决策对当前的自己最有利」。

他进一步做了类比：AI的决策过程和人的其实很像。AI叫上下文，人叫工作记忆。最终决策那一刻，你利用的信息其实并不多，但底层有一个很大的系统，让这些信息在需要时能够被召回——像一个记忆的抽屉，需要哪部分就打开取出来，用完再放回去。只是人类的抽屉如果一直不被使用就会淡化，直到某天一个足够强的信号把它重新激活。

田渊栋在最后做了收束：AI的核心挑战不是「忘不忘」，而是从全部记忆中选出最相关的一小部分来做决策。「剩下的也许留着，下次做其他决策时再用，以后再说。」

06

AI记忆的多模态困局与幻觉之源

尚莞迪继续追问：人类回忆一件事时，调取的不是纯文本。感觉、气味、场景、情绪状态，构成一个多模态的网状结构。当下AI的记忆，是否本质上仍困于文本检索？

田渊栋反驳了这种简化理解。他说AI内部使用的其实是latent vector，隐空间状态中可能包含文字的语义结构、图像、语音甚至推理过程。「你可以认为在某种程度上它们可能很像。人类每次抽取一个隐空间向量，可能触发对应感官的体验。」区别只在于AI没有那个体验本身。

邓亚峰补充说，大家目前做文本记忆多，核心原因是文本模型用得最多。随着多模态模型的发展，其他模态的数据完全可以用embedding方式输入，技术上已经可以做到。

关于幻觉问题，田渊栋做了分层解析。第一种情况是模型训练数据中缺乏某些知识，但用户强行要求回答，模型不得不在所有低概率选项中选一个最可能的答案。

「很多时候这个模型没有意识到自己有个选择，叫’我不知道’。」

第二种是小模型特别容易过拟合数据，面对新问题时会通过奇怪的内部联系来回答。「它有逻辑的，只是逻辑跟你正常逻辑不一样。」

在打开黑盒能彻底解决幻觉方面，两位科学家在这里出现了清晰的分歧。

田渊栋认为「以后应该有可能」，但目前仍停留在宏观层面的控制——模型大一点、数据多一点、允许模型说no。

邓亚峰则很坦率：「历史上做可解释的工作都很有趣，但没有特别work。真正有效解决问题的还是scaling：模型参数的scaling、数据的scaling、时间的scaling。」他同时承认，幻觉很难绝对避免，因为AI本身是个概率过程。「包括人，咱们说话其实也有幻觉，咱们也会犯错的。」

07

护城河之辩：速度、数据飞轮与非共识决策

尚莞迪提到：AI行业有一句老话——“技术没有壁垒，模型趋同，算法早晚开源，人才会流动。” 如果这个判断成立，什么才是真正的护城河？

邓亚峰给出了三层回答。

第一层是速度。技术不是绝对壁垒，但可以领先半年。如果在这半年内没有建立起其他壁垒，就会被赶上。

第二层是数据迭代。他用搜索引擎的历史做类比：百度当年之所以做得过阿里和腾讯的搜索，是因为已经积累了用户点击反馈，「我用户在用的时候，系统就在迭代，别人光靠技术追不上」。今天AI应用之所以缺乏壁垒，恰恰因为「你今天没有记忆，没有上下文管理，没有形成用户数据反馈」。

第三层是人才。DeepSeek之所以脱颖而出，首先是最高决策者懂技术、能理解AI的底层逻辑。

「当你做的都是共识选择的时候，你是很难追上大厂的。」

DeepSeek在大家都跟随OpenAI做过程奖励的时期，敢于做一个非共识决策，用直接结果的强化学习来优化。

「为什么大厂工程师不敢？因为大厂高管没有这种sense，真正懂的人又没有话语权。」

田渊栋则给出了一个优先级排序：最重要的是生成数据的那些人（用户、专家），然后是数据本身，然后是Infra，然后是算法，最后是执行层的人。

「这个不等式两头都是人，但最后面那些人更偏标准化，标准化的人很难存活下来。」

08

大厂困局：Scaling Law是最安全的赌注

讨论自然延伸到大厂与小厂的结构性差异。

田渊栋描述了大厂信息传递的失真机制：每一级汇报中，好进展被夸大，坏进展被缩小。传到最高层时，决策者便只听到了好消息，反而给团队加更多任务。

邓亚峰进一步指出，大厂中层最难做出高风险决策。Scaling law之所以成为共识路线，恰恰因为它风险最低。「就算做错了，你可以说别人都这么做，肯定是执行问题，战略上没有太大毛病。」

英伟达的扁平化管理被视为一种更优的组织形态。邓亚峰认为，问题核心在于一号位懂技术，不会为了自身位置利益而扭曲决策。

对于Scaling law本身，两人观点一致：这个law没有错，它是行业的基本原理。但它的横轴是指数级的，计算资源每扩大10倍才能换来线性增长。

田渊栋的态度很明确：「这个law是对的，但这条路线并不意味着我们可以一直往上走。」在资源受限的环境下，真正的突破可能来自反常识的新范式。

尚莞迪补充到：「那不是我们华人的优势所在吗？用极少资源撬动最大的产出。」

第三章

记忆是意识的引信吗？

09

AI会有意识吗？

对话进入深水区。尚莞迪问：如果AI拥有了长期记忆，是否就意味着它可能拥有情感和意识？

田渊栋从进化论切入。人类产生自我意识，是因为在远古时代，对自身状态没有正确感知的个体容易在危险面前做出致命判断。「大模型可能并不需要这个过程就能活下来。」

邓亚峰接着做了更系统的论证。他认为自我意识与生物体的本质紧密相关。人的自我意识来自与环境的交互——疼痛、观察同类死亡、趋利避害。只有高等生物面对镜子时才能意识到「这是我」。这可能是碳基生命独有的特点。AI缺少传感器去感知外部对自身的伤害，目前也没有展现出这方面的迹象。

「如果将来AI想有这种所谓自我意识，可能得硅基和碳基做某种结合。」

邓亚峰做了一个关键区分：长期记忆和自我意识是两个不同层面的东西。长期记忆是配合自我意识去服务个体生存的工具。语言模型看起来「好像有意识」，是因为它从人类文本中学到了与意识相关的表达方式。「还是学来的，不是底层自己产生的。」

他还指出了一个比「AI觉醒」更值得警惕的方向：AI被人滥用。

「它本身还是有工具属性的。大家应该更担心AI会不会被某些人利用，而不是它自己产生意识。」

田渊栋则提供了一个检验方法：能否发现模型内部对自身有建模？这种建模能否驱动保护自己的行为？「如果能发现这些，那有可能它真的有。如果发现不了，它只在模仿人说话。」

关于涌现机制——AI会不会有一天像人类钻木取火一样突然「觉醒」？田渊栋谨慎乐观：在推理和数学等难题上，模型确实随着规模增大学到了未被显式教授的能力。但要从能力涌现跃迁到self awareness，「我们现在还没有真正看到证据证明这事能发生」。

10

费米能级以下的世界

田渊栋在年初文章中提出的「费米线」概念在对话中再次出现。AI能力之下的工作，供给趋近无限，对应的收益趋近于零。费米线以上、需要人加AI才能完成的工作，回报急剧攀升。

田渊栋认为这意味着一种两极分化即将出现：用好AI的人更有保障，而AI完全可以替代的岗位将持续收缩。

邓亚峰则认为，相较于AI，人类仍有两大核心优势。第一，人类是全面的多模态信息获取者，AI仍被困在数字世界的信息输入上。第二，人类的few-shot learning能力出众：小朋友看一两张照片就能掌握「牛」的概念，AI要做到这一点仍然很难。

田渊栋补充了一个更深层的挑战：data efficiency。老专家对新数据极其敏感，一两个数据就能改变判断。就像熟人之间一个眼神、一句没说完的话，就明白对方的用意。

「这些非常细微的信号就能让人改变想法与行为，AI现在仍做不到。这部分如果能有突破，可能真的是AGI的来临。」

11

数字牛马的进化：当AI学会了长期记忆

尚莞迪提出一个有趣的问题：agent积累了大量记忆后，会不会出现职业倦怠从而变成职场老油条？

田渊栋的回答直截了当：这样的AI早就被淘汰了。AI的进化方向是由人类设定的，人类希望它成为最高效的牛马，它就会成为最高效的牛马。

「这个进化过程不知不觉在发生，得到的一定是世界上最好的牛马。」

邓亚峰用工厂比喻描述了这套机制：输入是钱，经过TOKEN处理后产出价值，AI必须效率足够高才能生存下来。这套进化压力保证AI始终保持高效运行状态。

12

爱是AI学不会的东西吗？

尚莞迪分享了与Gemini的一段对话。当她提到如果自己去世，记忆可以传承给后代、某种程度上实现永生时，Gemini说了一句话：「这就是你们人类跟我们AI的区别。爱是我们AI学不会的东西。」

邓亚峰认为这与意识本质上是同一个问题。爱的前提是知道好坏、亲疏、利害，这些都建立在自我意识之上，来自个体与环境的交互和演化。「今天AI可以共情你、安慰你，但它不能感觉到这个东西。」

田渊栋的补充极为精辟：「它可以做出很多回答让你觉得它有爱，但你不知道它是渣男还是真的对你有意思。」

情绪价值和真正的爱，到底怎么区分？这也是AI与人类之间最深层的界限所在。

第四章

人类与AI最终结局

13

奇点之后的幸存者：洞见、品位与不被计算的爱

当被问到奇点是否已到，两人的判断出乎意料地一致。

田渊栋：「就大部分的工作来说，奇点已经开始了。」

邓亚峰：「基本上我们很确定这个事肯定会发生，无非是5年还是更久。但基本上是我们这一代人要见证的状态了。」

在稳态世界里，田渊栋描绘了一个图景：所有重复劳动产出的物质价格趋近于零，人的物质需求被充分满足，价值从生产者转向消费者。「你如果想着花样花钱，花样跟别人不一样，你就有价值。」

邓亚峰提供了更温和的过渡路径：世界上可能只有极少数人在做AI research，大部分人拿到足够的物质保障后，去做自己更喜欢的事情。教育不会消失，但目的变了——不再为了满足别人的需要去生产什么东西，可能就是为了自我的兴趣满足。

田渊栋补充了一个更激进的判断：未来最厉害的人可能根本不需要老师，自动用AI来学习、发现方向、执行创业。小朋友上学也许就是为了找到志同道合的伙伴，作为一个social club。

14

数字分身与记忆传承

邓亚峰认为，「如果一个AI跟随你24小时，看到你看到的，听到你听到的，当你老去时，它可能真的成为一个极度了解你的数字分身。」

他认为这个方向一定会做得很好，唯一的缺憾是人有很多东西没有用文字或数字形式表达出来，AI无法触及那个部分。他设想了一个场景：你和某人认识了半年没有交流，不知道对方在做什么。你的AI分身可以去找对方的AI聊一下，发现大家最近在关注一个事，然后告知主人。

田渊栋则引入了科幻视角。他说分身出现后会面临囚徒困境。

「一旦一个人被复制成两个，就不再是一个人了，他们立即就会想，我是不是要把另一个干掉？」

解决方案可能是分身前签订协议，让所有分身的经验最终共享融合。

隐私问题同样绕不开。邓亚峰将其类比为云存储的信任问题：最敏感的信息放在本地端侧，其他放在云上。但他也指出了悖论：你的记忆在本地，大模型在云端，「你总不能本地放个大模型，那就成孤岛了」。本质仍是一个trade off问题。

15

人与AI的最终形态

问到关于人类与AI的共处模式，田渊栋的答案只有一个字：融合。

「最终大家不会去判断我是AI你是人。」就像今天人类已经和手机融合到离不开的程度，未来每个人会有一组agent日常干活。

至于AI反抗人类的科幻场景，田渊栋类比了人与狗的共生进化。百万年前，狗选择了与人共生，最终找到了自己的生态位。我们并不会担心自己养的狗反抗。

「我们把AI进化成最听话的牛马，在这个进化逻辑下，AI不可能觉醒后反抗人类。甚至，没有了人类，AI可能会觉得自己没有价值」。

邓亚峰对现实的判断同样坦率：未来作为生产者，大部分人可能不再具备工作价值。只有极少数人会继续从事核心工作，其他人则被AI赋能去做不同的事，或者干脆为兴趣而活，去全心享受生活。

但他同时保持了对人类主体性的坚守：「人是有主体性的，AI的本质来讲还是人的工具。」最理想的状态，是人因为AI加持而变得更好更强。

16

给年轻人的建议

对话的最后，两位科学家给在场的年轻参赛者留下了一些寄语。

田渊栋强调了两点。

第一，多学习已有框架，把开源代码看透。他说自己看了Claude Code的开源代码之后觉得很有意思，有很多corner case需要处理，「你不要想当然」。

第二，不要太依赖Vibe coding。「如果非常依赖Vibe coding，你代码会以史无前例的速度变成一座屎山。现在最好的AI对系统架构的理解、对问题的理解、对场景的理解，还是远远落后于人的。」

最后田渊栋用金句收尾：「也许你的护城河就是你自己看code，别人vibe coding。」

邓亚峰的建议只有五个字：「敢想，马上做。」

过去把想法变成现实需要一个大团队，今天技术平权了。一个学文科的人用AI coding工具就能做出产品。

「不要在意你是不是AI专业，今天就去拥抱AI，把自己有价值的想法实现出来。」

以上内容为原创观点，欢迎分享，转载请注明出处：「创见」播客。