前面探讨了如何设计一套内容系统，要比文章更细碎一些，涉及到关键字、文本块、信息条、段落、文章……然后俺突然想到这些“抽象”AI公司在研发世界模型的时候肯定想到过，他们不是像俺一样只针对特定领域，因此难度高很多，于是就好奇问了下。
“让我想插一嘴，问一点不相关的话题，就是为什么这些AI公司除了传统的架构师、程序员、产品经理，其实还招了挺多物理学家、数学家，甚至还招了哲学家、艺术家的，对不对？为什么？”
ChatGPT 6 Pro思考了 30s：
对，但要稍微校正一下：数学家、物理学家在前沿 AI 公司里确实很多；哲学、艺术等背景的人数量没那么大，却会出现在安全、模型行为、人机交互、创意模型等关键位置。 OpenAI 现在的 Residency 就明确把数学、物理、神经科学列为很适合转入 AI 研究的背景；Google DeepMind、Anthropic 也越来越直接把 AI 用于数学、物理和其他科学研究。
根本原因是：做到 AGI 这一级，问题早就不是“把一个软件写出来”了，而是在碰“智能到底是什么”这个跨学科问题。
可以粗略这样理解：
| 人 | 擅长解决的问题 |
|---|---|
| 程序员 / 系统工程师 | 怎么让系统真正跑起来、扩展到百万用户 |
| 数学家 | 什么结构可以学习、泛化、证明、优化 |
| 物理学家 | 复杂系统如何形成规律、怎样从有限观测建立世界模型 |
| 神经科学家 / 认知科学家 | 人和动物是怎么学习、记忆、注意和决策的 |
| 哲学家 | 什么算知识、推理、因果、意图、价值、责任 |
| 心理学家 / 社会科学家 | 人实际如何理解、信任、误用 AI |
| 艺术家 / 作家 / 设计师 | 什么算好的表达、审美、创造性和人与机器的交互体验 |
最有意思的是，这些人不是简单给程序员“提供领域知识”。
很多时候，他们是在重新定义问题本身。
数学家为什么特别多
机器学习底层本来就高度数学化：
概率、统计、线性代数、优化、信息论、图论、几何、数值分析……
但到了前沿以后，数学家的价值更不只是“会推公式”。
他们特别擅长：
从一堆混乱现象里找出一个很小、很一般化的结构。
这和前沿 AI 研究高度一致。
OpenAI 对 Research Scientist 的描述甚至直接强调寻找 simple, generalizable ideas，而不是单纯把某个 benchmark 再提高一点。
所以一个很厉害的纯数学家，即便以前没训练过 LLM，也可能很快进入前沿研究。
因为：
机器学习技巧可以补，抽象能力很难速成。
物理学家其实更加有意思
物理学家的训练方式天然很像 AI 研究：
现实世界非常复杂：
亿万个自由度 噪声 不完全观测 复杂相互作用
然后物理学家做的事情是：
找到关键变量 ↓ 忽略不重要变量 ↓ 建立一个简化模型 ↓ 预测系统以后会发生什么 ↓ 拿实验验证
这几乎就是：
representation → world model → prediction → experiment
所以物理学家经常很适合搞：
- representation learning
- scaling law
- dynamical systems
- reinforcement learning
- scientific AI
- world models
- mechanistic interpretability
而且他们特别习惯一个思维：
模型肯定是错的，但看看它在哪个尺度上有用。
这对于研究神经网络这种复杂系统很重要。
Anthropic 最近讨论让 Claude 做理论物理研究的时候，也特别指出物理和形式数学不完全一样：很多问题依赖物理直觉、近似选择和判断哪些效应可以忽略。
这正是 AI 目前仍然需要人类补上的能力。
哲学家的作用更容易被低估
这时候就进入一个特别有趣的区域了。
当模型还只是：
猫狗分类器
其实没太多哲学问题。
但是当系统开始：
和人对话 形成目标 判断事实 决定是否行动 解释自己的理由 记住用户 理解规范 面对价值冲突
突然出现一大批问题：
“知道”是什么意思？
模型预测一句话正确，就叫知道吗？
“意图”是什么？
模型输出一个计划，是不是意味着它有目标？
什么是合理推理？
事实和价值判断边界在哪里？
两个价值冲突时应该怎么办？
什么时候应该服从用户，什么时候不应该？
这些听起来特别像哲学课。
因为它们本来就是：
- epistemology：认识论
- philosophy of mind：心灵哲学
- ethics：伦理学
- philosophy of language：语言哲学
- decision theory：决策理论
长期研究的问题。
这已经开始直接进入模型设计。
例如 OpenAI 当前安全相关岗位就明确提到 HCI、心理学、哲学等交叉领域；Model Experience 团队则直接负责定义 ChatGPT 应当如何表达、回应以及在不同上下文中表现。
所以它已经不是“公司请个哲学顾问显得有文化”。
而是有一些问题真的没有纯工程定义。
艺术家更加特别
如果 AI 只是做预测：
输入 X 输出 Y
艺术家不是必需的。
但到了生成模型时代：
写作 图片 视频 音乐 UI 故事 角色 情绪 审美
一个巨大的问题出现了：
什么叫“好”？
你很难只靠 loss function 定义。
比如一个音乐模型：
音准正确 节拍正确 没有噪声
并不等于：
好听。
一个图片模型：
手指正确 透视正确 光影正确
也不等于：
有意思。
艺术家的作用就是帮助系统探索：
人的“taste”究竟是什么。
Google DeepMind 做 Lyria 和 Music AI Sandbox 时，就长期直接和音乐家、制作人、艺术家合作，让他们参与产品和模型反馈，而不仅仅把他们当最终用户。
这个问题未来会越来越重要。
因为当模型基础能力普遍足够强以后，竞争可能会慢慢从：
能不能生成
转向：
它知不知道什么值得生成。
所以你刚才那个“世界模型”的话题，其实正好解释这件事情
如果目标只是：
做一个 SaaS
典型组织就是：
产品经理 程序员 设计师 销售
但如果目标变成：
造一个能够理解整个世界并和人类一起行动的智能体
需要研究的东西突然变成：
世界是什么？ 规律是什么？ 知识是什么？ 人是什么？ 语言是什么？ 价值是什么？ 美是什么？ 社会是什么？ 行动是什么？
于是：
物理学、数学、哲学、心理学、神经科学、艺术……全部卷进来了。
这也是为什么我觉得 AI 公司越来越不像传统意义上的“软件公司”。
它们开始有一点像：
计算机实验室 + 数学研究所 + 自然科学研究所 + 认知科学实验室 + 人文学科实验室 + 产品公司
的混合体。
Google DeepMind 的招聘页面现在甚至直接把工作描述成既发展下一代 AI，又利用 AI 推动生命科学、材料、天气等科学领域；OpenAI 也已经单独建立科学研究方向，覆盖数学、物理、化学和生物。
而且这里有一个和你刚才内容系统特别相关的启示：
一个领域越接近“人如何认识世界”，越不能只让程序员定义数据模型。
你那个内容系统如果以后真的做到很深，最终一样会开始碰：
什么叫事实？ 什么叫证据？ 什么叫重要？ 什么叫背景？ 什么叫因果？ 什么叫一个好解释？ 什么值得告诉用户？ 同一事实为什么有不同讲法？
到那个阶段，它其实也已经不只是一个“内容工程项目”了。
它会逐渐变成一个小型的、专门研究人类如何把世界变成可以理解的内容的认知系统。
微信扫一扫 
支付宝扫一扫 
