开场：中美neo labs资本潮与嘉宾介绍

主持人介绍本期主题，邀请清华助理教授刘子鸣，他刚从MIT回国，参与创建元环智能。刘子鸣用“太疯狂了”形容资本潮，并简要介绍自己的学术背景。

从物理到AI：一场“盛宴已过”的逃离

刘子鸣讲述自己从北大物理转向AI的经历，因物理“盛宴已过”而投身GAN网络，并逐渐将全部时间投入AI。

MIT博士申请与Max Tegmark的“鸟人”风格

刘子鸣回忆申请MIT博士时，Max Tegmark因他的研究方向和个人网站而招他，并介绍Max作为“鸟人”的思维特点。

KAN网络的诞生：从执念到说服导师

刘子鸣讲述KAN网络源于连接主义与符号主义统一的执念，尽管导师Max起初反对，但他用两周做出原型、一周做出可视化，最终说服导师。

KAN之后：从架构设计到AI的物理学

刘子鸣认为KAN是一个例子，证明人可以“拍脑袋”设计新架构，由此转向physics of AI，并思考如何将顶尖研究者的“脑回路”蒸馏到模型中。

模型架构与硬件适配：transformer的“彩票”

讨论transformer的成功部分源于硬件适配，刘子鸣同意谢赛宁的观点，认为语言本身是压缩好的模态，而视觉等模态需要更好的抽象能力。

为什么需要符号主义：从第谷到牛顿的压缩

刘子鸣解释符号主义是极致压缩的体现，用天文学三阶段类比AI发展，认为当前AI仍处于“第谷时代”甚至更早。

从MIT到斯坦福：创业想法的萌芽

刘子鸣对比MIT与斯坦福的文化差异，讲述在斯坦福目睹朋友和老板创业后，开始考虑创业，并意识到“古法科研”太慢。

决定创业：原生想法与控制欲

刘子鸣解释为何不加入他人公司而选择独立创业，强调技术路线必须是自己原生的想法，并分享导师创业的原因。

neo labs涌现的成因：人才选择与范式痛点

刘子鸣分析neo labs涌现的本质是顶尖人才不愿当“大头兵”，且当前范式存在明显痛点，如AI for AI和世界模型。

融资体感：一级市场的“疯狂”状态

刘子鸣描述融资过程“太疯狂”，投资人相互打探消息、动作极快，并解释连续融资策略。

与田渊栋RSI的路线差异：勤奋vs聪明

刘子鸣对比自己与田渊栋RSI的路线，认为对方偏coding agent的“勤奋”，自己偏“聪明”，两者正交。

原模型的诞生：把自己当成模型训练60天

刘子鸣讲述自己年初闭关60天，每天预测实验结果，四五十天后“顿悟”，从而相信原模型可行。

原模型的技术路径与训练数据

刘子鸣解释原模型的输入是模型，输出是训练曲线，训练数据需要大量小模型，强调多样性而非规模。

结构化研究：OPHIS框架与数据采集

刘子鸣提出OPHIS框架，强调将研究过程结构化，并正在构建采集系统，预计两个月采集一万条数据。

physics of AI的三个方向：空间、时间、平行宇宙

刘子鸣用解剖、进化、控制实验类比，解释physics of AI的三个研究方向。

可解释性的局限与AI for AI的闭环

刘子鸣对Anthropic的机制可解释性持保留态度，认为其不稳健，并阐述AI for AI需要先做physics of AI。

符号主义与连接主义的摇摆

刘子鸣认为AI发展在符号与连接之间摇摆，agent已体现回归符号的趋势，并强调短期需要符号约束。

AI for AI的关键节点：垂直领域的新架构

刘子鸣认为AI for AI的标志是能在垂直领域提出碾压现有架构的新架构，并得到认可。

竞争优势与产品愿景：training autopilot

刘子鸣认为自己的优势是“better different thing”，产品愿景是training autopilot，让用户端到端训练私有模型。

人人可训模型的未来图景

刘子鸣类比电脑从巨型机到个人笔记本，认为未来模型将“人人可训”，并孵化垂直领域的OpenAI。

国内AI for AI团队梳理与思维链的拷问

刘子鸣梳理国内AI for AI团队（孙天祥、陈永超、RSI等），并讨论“研究直觉”是否可语言化。

创业节奏与商业模式：六到十二个月的探索期

刘子鸣对比国内外投资人耐心差异，强调new lab需要六到十二个月的研究探索期，再产品化。

AI发展时期判断与创业感受

刘子鸣认为大语言模型已收敛，但世界模型和AI for AI仍早期，并分享创业几个月“节奏非常快”的感受。

快问快答与节目收尾

刘子鸣回答喜欢热干面、有江河的地方，推荐《人类简史》，认为AI for AI的关键是physics of AI方式。主持人总结并致谢。