對談 Video Rebirth 劉威：這個世界為什么還需要一個新的視頻模型

不和巨頭比拼 “大力出奇跡”。

文丨高洪浩

劉威幾乎完整經(jīng)歷了中國大廠 AI Lab 從興起、擴張到收縮的周期。

2016 年，騰訊成立 AI Lab。劉威從美國 IBM 沃森研究中心加入，負(fù)責(zé)計算機視覺方向。他與來自百度的張潼、來自微軟的俞棟，被外界并稱為騰訊 AI Lab 的 “三劍客”。

那是中國企業(yè)對 AI 最有想象力的幾年。AlphaGo 贏了李世石，如同在科技行業(yè)投下一顆原子彈。大廠 AI 研究院一個接一個成立，它們不設(shè) KPI、沒有束縛，鼓勵研究員投入長期研究。很快，騰訊做出了全球第二的圍棋 AI “絕藝”，DeepMind 創(chuàng)始人杰米斯·哈薩比斯慕名來到騰訊交流。

但好日子沒有持續(xù)太久。2020 年左右，AI 行業(yè)進(jìn)入低谷，中國互聯(lián)網(wǎng)公司開始降本增效，這些 AI 研究院隨之收縮，甚至關(guān)閉。兩年后，ChatGPT 發(fā)布，大廠重新回到 AI 牌桌，主角卻已換了一波：字節(jié)另起爐灶組建 Seed，阿里在 M6 等早期大模型的積累上推出通義千問。

這些新成立的 AI 組織再也看不到過去的影子。激烈的競爭讓它們變得更封閉，更結(jié)果導(dǎo)向。無論 Seed 還是 OpenAI，都背著很重的 KPI，也不再鼓勵研究員自由發(fā)表論文。劉威經(jīng)歷了騰訊混元從零到一的過程，也是在那段經(jīng)歷里，他看到了大公司做前沿科學(xué)的局限。

2024 年底，劉威離開騰訊創(chuàng)業(yè)，成立 Video Rebirth，做視頻生成模型。這家公司已完成一輪 8000 萬美元融資，投資方包括啟明創(chuàng)投、AMD Ventures、現(xiàn)代汽車集團和 Granite Asia；目前正在新一輪融資。

2026 年 5 月，Video Rebirth 的視頻生成引擎 BACH 上線，同月進(jìn)入 Artificial Analysis Video Arena 盲測榜單，排名全球第 6，是榜單上排名最高的創(chuàng)業(yè)公司模型。

視頻生成已經(jīng)是條巨頭環(huán)伺的賽道。2026 年 2 月，Seedance 2.0 橫空出世，被認(rèn)為 kill the game（結(jié)束了競爭）；Google Veo、快手可靈也在步步緊逼。但劉威說，這反而讓他更安心了。

“Seedance 2.0 證實了我的技術(shù)路線——視頻模型應(yīng)該有自己的 scaling law?！?劉威說，這是他在創(chuàng)業(yè)時認(rèn)定的方向。Seedance 2.0 是一個 200B 參數(shù)級別的模型，遠(yuǎn)大于市面上的任何一個視頻生成模型

但他不是要和巨頭比拼大力出奇跡。Seedance 的思路是先把模型做得足夠大，再不斷往里喂數(shù)據(jù)，有 “賭一把” 的意思。劉威想走的是另一條路，通過創(chuàng)新模型架構(gòu)和訓(xùn)練算法，爭取用不到 Seedance 十分之一的資源，做出一樣的效果。

“市場還有窗口期?！?劉威說。“我們跟很多海外客戶交流，他們知道 Veo、Seedance、Kling，但這幾家都還不能完全滿足他們的精準(zhǔn)需求，更不用說價格高昂的問題”。

剛成立的時候，Video Rebirth 做過一款實驗性的圖生視頻模型，取名 Avenger（復(fù)仇者）。這個名字來自劉威喜歡的美國隊長。在《美國隊長 3：內(nèi)戰(zhàn)》里，美國隊長反對超級英雄歸某個政府管理，認(rèn)為他們不應(yīng)該只屬于某個機構(gòu)。

劉威也這樣看待 AI 的 super power（AI 超級力量）的，“它不應(yīng)該只被少數(shù)公司掌握，而應(yīng)該屬于全人類。”

與巨頭競爭丨想用 Seedance 十分之一的成本做出 SOTA 模型

晚點：2026 年初，字節(jié)跳動的視頻生成模型 Seedance 2.0 出來以后直接全球領(lǐng)先了，甚至連字節(jié)自己也說它 Kill the game（結(jié)束競爭）。你當(dāng)時看到后有沒有后悔創(chuàng)業(yè)？

劉威：我一直認(rèn)為谷歌會引領(lǐng)架構(gòu)創(chuàng)新，因為視頻生成的 DiT 架構(gòu)已經(jīng)有點老了，谷歌自己也說 Gemini-Omini 系列是他們的秘密武器，沒想到字節(jié)先做出來了，確實超出了很多人的預(yù)期。

但我其實一點都不慌，因為它反而證實了我們的路走對了，模型就是應(yīng)該越做越大。

晚點：Seedance 2.0 最超出你預(yù)期的地方在哪里？

劉威：大一統(tǒng)。文生視頻、單圖生視頻、雙圖生視頻、多參考圖生視頻、視頻編輯，甚至多參考圖加參考視頻生視頻，這些原本分散的任務(wù)它都用一個模型統(tǒng)一了。

它為什么能做到，因為模型架構(gòu)足夠大，能裝的世界知識足夠多，這樣才有可能把這么多任務(wù)都塞進(jìn)同一個模型里執(zhí)行多任務(wù)訓(xùn)練，生視頻效果也就更好。

晚點：你說你們的路線和 Seedance 類似，即把模型越做越大。但作為創(chuàng)業(yè)公司，你們哪里來的資源去和巨頭拼 scaling law 的邊界？

劉威：所以我們在用更聰明的配方，想用 Seedance 不到十分之一的資源做得跟它差不多的生視頻能力。暴力堆數(shù)據(jù)、算力不是每次都能成功。你看 GPT-6，從去年說到今年，訓(xùn)練反復(fù)不順，到現(xiàn)在還沒真正訓(xùn)練出來。

另外是極度聚焦。我從創(chuàng)業(yè)第一天開始就決定，不做圖像生成、不做語言模型，只做視頻原生的視頻生成模型，用 scaling law 逐步升級為視頻原生的世界模型。

晚點：更聰明的配方具體指的是什么？

劉威：很多人把 Transformer 架構(gòu)當(dāng)成黑盒，堆數(shù)據(jù)、堆算力，然后按下訓(xùn)練按鈕，幾個月后看結(jié)果，不太去理解里面到底發(fā)生了什么。但我們希望在這個黑盒里做更精巧的設(shè)計，對模型架構(gòu)和訓(xùn)練算法都做改造。

我們 1.0 版本的模型做了一些實驗，比如用的是自研的并行 DiT-DDiT 架構(gòu)，指令遵循更強；物理原生的注意力機制，用更符合物理直覺的方式建模視頻里的時空動態(tài)；最后是把后訓(xùn)練和推理階段的采樣過程統(tǒng)一起來，這樣長序列視頻的推理速度也更快。

2.0 版本開始，我們的模型就不再是純 DiT 架構(gòu)了。具體來說，Transformer 和 attention（注意力機制）這些東西還會保留，真正要動的是 DiT 里的 D，也就是 Diffusion（擴散范式）。我們第二代模型要做的，是提出新的擴散過程學(xué)習(xí)范式。

晚點：你認(rèn)為 Diffusion 現(xiàn)在的問題在哪里？

劉威：低效，過于通用、不夠自適應(yīng)?，F(xiàn)在的擴散模型，本質(zhì)上是用同一套模型參數(shù)，對同一個噪聲塊反復(fù)去噪幾十次。比如生成一張 512×512 的圖，先從一個同尺寸噪聲塊開始，丟進(jìn) DiT 去噪，一次不夠再來，可能要去噪 50 次，最后得到圖像。

問題是，整個過程中模型參數(shù)是一樣的，但每一步去噪的難度并不一樣，為什么要用同一套參數(shù)？而且不同內(nèi)容的圖像，比如動物、人像、場景，去噪方式也都一樣，這也不太合理。

晚點：你追求的大，和字節(jié)追求的大，區(qū)別是什么？

劉威：我們和字節(jié)都想做商業(yè)落地，這一點是共通的。真正的區(qū)別在于取舍。Seedance 做的是 “大而全”，盡可能覆蓋更多題材、更多風(fēng)格，讓模型甚么都懂、甚么都能生成，這是它的強項。

我們選擇的是 “精準(zhǔn)”，把資源集中在我們最看重的能力上：強一致性和對物理規(guī)律的強遵循。為了學(xué)好這兩件事，我們不需要把所有 IP、所有網(wǎng)紅視頻、教學(xué)視頻都學(xué)進(jìn)來。我覺得模型的大小能剛好裝下目標(biāo)能力就行。

我們第二代模型總參數(shù)量會比第一代大很多，激活參數(shù)量也許和 Seedance 2.0 差不多，但總參數(shù)量肯定會比它小。

晚點：那是 Seedance 的優(yōu)勢而不是短板，理論上它可以覆蓋掉一切小模型？

劉威：理論上行，但我剛才講的優(yōu)勢還是效率。獲得同等能力的情況下，我們不需要投入那么多數(shù)據(jù)，也不需要那么大的模型。模型訓(xùn)練推理更高效，最后的推理成本就會更低，定價也可以比它便宜很多。

晚點：聽起來有點像 DeepSeek 的路線？

劉威： 有相似的地方。視頻生成能力迭代很快，但訓(xùn)練和推理成本都不低，價格還偏高。真正的降價可能就是要用更聰明的架構(gòu)把成本結(jié)構(gòu)性地降下來。

另外，市場還有窗口期。我們調(diào)研發(fā)現(xiàn)，海外客戶知道主流的幾家視頻生成產(chǎn)品在高標(biāo)準(zhǔn)的專業(yè)場景里還不夠用。比如汽車廣告，客戶花上百萬找人做，AI 效果達(dá)不到要求，只能回到成本更高的實拍。這中間的空間是我們想填的。

晚點：但據(jù)我們了解了，Seedance 的推理成本并不高，目前的毛利率甚至可以做到 80% 左右，理論上它其實有很大的降價空間去參與競爭。

劉威：成本這件事，不能只看單次推理的價格，還要看模型能不能高效地服務(wù)大規(guī)模用戶。

一個普遍的規(guī)律是：模型尺寸越大，實時服務(wù)和分發(fā)的壓力就越大，高并發(fā)下就越容易出現(xiàn)延遲或排隊。所以我認(rèn)為，只有控制好模型的規(guī)模，再優(yōu)化好推理效率，才能在保證效果的同時，真正支撐起大規(guī)模、低延遲的商業(yè)化服務(wù)。

晚點：其實何愷明很早就說過，模型要大。但視頻模型，或者說 CV 領(lǐng)域的 scaling law，為什么比大語言模型晚這么多？

劉威： 我認(rèn)為核心是連續(xù)信號的問題。語言模型可以一直訓(xùn)練到誤差足夠低、模型充分收斂，再拿去發(fā)布，絕大多數(shù)語言模型都是這樣出廠的。

視頻模型不是。視頻是連續(xù)信號，誤差累積得非常劇烈，也更難控制。DiT 到現(xiàn)在也沒有真正訓(xùn)到充分收斂，大家往往訓(xùn)得差不多、效果能看了就停，實際誤差還很大。所以我覺得，現(xiàn)在的視頻模型都沒有被訓(xùn)得足夠深入。

晚點：你覺得視頻模型還可以更大嗎？

劉威：只要硬件還在發(fā)展，模型就還有繼續(xù)變大的空間。語言模型的問題是，預(yù)訓(xùn)練階段可用的真實文本 token 已經(jīng)達(dá)到了上限。模型繼續(xù)變大，真實 token 從哪里來？當(dāng)然，也有人會用合成 token，但那是另一回事。

視頻生成不一樣。模型在預(yù)訓(xùn)練階段可用的真實視頻 token 還遠(yuǎn)遠(yuǎn)沒有用夠。真實的物理世界本身就是動態(tài)變化的，里面有大量可以學(xué)習(xí)的動態(tài)信息。所以如果視頻生成的 scaling law 存在，真實的 video token 是取之不竭的，scaling law 可以繼續(xù)跑下去而不會撞墻。

做世界模型丨與李飛飛和 LeCun 的路線都不同

晚點：你說你下一步也要做世界模型，但現(xiàn)在這個詞似乎正在被濫用。我們應(yīng)該如何區(qū)分，哪些是真的世界模型，哪些是偽世界模型？

劉威：我覺得現(xiàn)在對世界模型最大的誤解，是把它當(dāng)成更逼真的視頻生成，或者干脆等同于 3D 重建。這兩個都不是本質(zhì)。

還有一個很多人分得很開、但我認(rèn)為其實是一回事的東西：渲染器（renderer）和模擬器（simulator）。有人說渲染器負(fù)責(zé)輸出你看到的畫面，模擬器負(fù)責(zé)輸出底層的物理狀態(tài)，是兩類模型。但在我看來，如果一個模型真的理解了物理規(guī)律，它既能輸出你看得見的畫面，也能輸出底層的狀態(tài)，狀態(tài)可以是抽象的，也可以是具體的。

說到底 , 我一直用一句話來概括這件事:文本形態(tài)的世界知識 , 都可以被壓縮;而視頻形態(tài)的世界物理知識 , 都可以被模擬。

晚點：我觀察到，很多上一輪項目推進(jìn)不順的創(chuàng)業(yè)公司，都開始轉(zhuǎn)向講世界模型的故事。你怎么定義真正的世界模型？

劉威：讓 AI 擁有一個 “內(nèi)在世界”，能在 “腦子” 里模擬、能預(yù)判接下來會發(fā)生什么、還能主動去試探不同的行動會帶來什么后果。這是從 “感知” 到 “認(rèn)知” 的躍遷，不是畫質(zhì)的軍備競賽。

舉個例子，過去訓(xùn)練機器人，要先用 3D 或物理引擎搭仿真環(huán)境。我們現(xiàn)在要做的是，把這個環(huán)境換成 AI，讓它變成一個可以實時生成、實時變化的智能體。你給智能體文本、照片或者視頻，它就能生成類似場景；室內(nèi)、室外、光照、天氣也能隨時切換。這樣訓(xùn)練出來的智能體，就不再只適應(yīng)一個固定環(huán)境，它擁有了通用的、實時的、可交互的模擬能力。

其實可以這樣理解兩條路的終局:大語言模型的終局 , 是 coding agent——一個能理解用戶意圖、寫出并執(zhí)行代碼的智能體;而世界模型的終局 , 是 simulation agent——一個能理解物理世界、預(yù)判后果、并在其中規(guī)劃未來行動的仿真智能體。

晚點：你的實現(xiàn)路徑與李飛飛、LeCun（楊立昆）提出的路線，區(qū)別是什么？

劉威：先說李飛飛老師，她認(rèn)為世界可以被還原成一個 3D 空間，所以她要先構(gòu)建出一個三維世界，再讓模型在這個世界里生成和模擬。但 3D 能覆蓋的物理其實是有限的，它只擅長表達(dá)結(jié)構(gòu)性的、剛體的物理世界，也就是物體有相對穩(wěn)定的 XYZ 坐標(biāo)，可以旋轉(zhuǎn)、平移、縮放。

真實世界里還有很多更復(fù)雜的物理現(xiàn)象，比如形變、碰撞、摩擦、流體、空氣動力學(xué)等，這些并不容易用傳統(tǒng)的 3D 坐標(biāo)系完整表達(dá)。

我們認(rèn)為，還是應(yīng)該以視頻模型為基礎(chǔ)訓(xùn)練世界模型。

晚點：但視頻只是現(xiàn)實世界在某個視角里的二維投影，甚至沒有 XYZ 這種明確的深度、坐標(biāo)和物體結(jié)構(gòu)信息，還可能包含多個隱含的坐標(biāo)系。

劉威：所以我們的思路不是先把世界還原成 XYZ 這種顯式坐標(biāo)，而是讓模型直接從大量真實視頻中學(xué)習(xí)物理世界運行的規(guī)律。視頻本身就包含重力、光照、遮擋、碰撞、運動連續(xù)性等信息，這些不一定需要人類逐一進(jìn)行細(xì)粒度的標(biāo)注。

現(xiàn)在已有不少研究表明，DiT 這類視頻生成架構(gòu)能夠從視頻數(shù)據(jù)中學(xué)到一部分物理關(guān)系，比如手推一下物體，物體會跟著動；光線變化時，陰影也會跟著變化。

我們在訓(xùn)練模型時也能觀察到類似現(xiàn)象，模型對運動連續(xù)性、物體之間的相互作用、光影變化等物理元素，已經(jīng)有比較明顯的表達(dá)能力。

晚點：你們的模型是如何學(xué)習(xí) “人與物理世界交互” 的？

劉威：我們的訓(xùn)練數(shù)據(jù)絕大多數(shù)是真實視頻。很多團隊喜歡合成數(shù)據(jù)，因為 “干凈”，但真實世界是臟的，有各種預(yù)料不到的光影、噪聲、邊角情況。合成數(shù)據(jù)喂多了，模型在實驗室表現(xiàn)很好，一到真實場景就崩了。

物理規(guī)律也不是把重力、碰撞公式硬編碼進(jìn)去。模型看海量真實視頻，自己把規(guī)律內(nèi)化到權(quán)重里，看多了東西下落，就 “學(xué)會” 了重力。這是隱式學(xué)習(xí)，更接近人的直覺，而不是游戲引擎那樣，把規(guī)則寫死。

我們的世界模型內(nèi)部是兩個模塊在配合。一個叫 World Predictor（世界預(yù)測器），自回歸架構(gòu)，負(fù)責(zé)推理、記憶和交互，根據(jù)當(dāng)前狀態(tài)和用戶的動作，預(yù)測未來狀態(tài)的表征。另一個叫 World Simulator（世界模擬器），擴散架構(gòu)，把這個表征還原成實時、可交互的視頻流。

晚點：這和 LeCun 講的，從視頻中學(xué)習(xí)世界的表征有什么不一樣嗎？

劉威：區(qū)別在于讓模型學(xué)什么。我們的路線，是讓模型直接學(xué)習(xí)視頻本身。視頻本質(zhì)上是一幀一幀的像素，模型要學(xué)的是，這些像素怎么隨時間變化，下一幀會怎么出現(xiàn)，物體會怎么運動，光影會怎么變化。也就是說，我們希望模型通過生成和預(yù)測視頻，直接學(xué)到世界運行的規(guī)律。

LeCun 不讓模型直接預(yù)測像素，而是先用 encoder（編碼器）把視頻編碼成一種抽象表征，再讓模型在這個表征空間里預(yù)測缺失或未來的抽象信息。比如模型看到一個球落下，不一定要重建每一個像素，而是要學(xué)到 “球在下落”“它受重力影響”“它接下來可能會碰到地面” 這類更本質(zhì)的抽象表示。然后，再用這個表示去理解和預(yù)測物理世界。

晚點：這個路線最大的問題是什么？

劉威：容易出現(xiàn) “表征塌陷”。簡單來說就是模型偷懶了。你本來希望它看到不同的視頻，學(xué)到不同的理解。比如一個視頻是球下落，另一個視頻是人在走路，第三個視頻是水在流動，模型應(yīng)該學(xué)出不同的內(nèi)部抽象表征。但如果訓(xùn)練目標(biāo)設(shè)計得不夠好，可能會出現(xiàn)，模型不管看到什么視頻，都給出差不多的內(nèi)部抽象表征。

晚點：我知道他們也在用比如各種正則化的方法和訓(xùn)練技巧，防止模型把所有東西都學(xué)成一個沒有意義的表征。

劉威：我認(rèn)為如果加入有記憶機制的自回歸學(xué)習(xí)方式，這個 “表征塌陷” 問題會小很多。

我們的顯式世界模型路線雖然看起來是在建模像素，但它的訓(xùn)練目標(biāo)涵蓋了記憶、推理、交互、模擬，更加全面地建模物理世界，也更難讓模型偷懶。

晚點：聽起來和 DeepMind 做的 Genie 更接近？

劉威：從公開信息看，它和我們的方向應(yīng)該有相似之處。區(qū)別在于，Genie 現(xiàn)在是一幀一幀地預(yù)測，而我認(rèn)為，未來一定會發(fā)展到直接預(yù)測未來好幾幀甚至好幾秒。我相信 Genie 的未來版本也會這樣走的。

因為如果只看一幀，模型很難理解動作是怎么連續(xù)發(fā)生的。就像看電影，如果每次只看一張截圖，就很難判斷前后發(fā)生了什么。但跨度太大也不行，預(yù)測太遠(yuǎn)，誤差會迅速累積，細(xì)節(jié)也容易丟掉。所以關(guān)鍵是找到一個合適的預(yù)測顆粒度，既能看到連續(xù)變化，又不會把未來想得太粗。

晚點：這和人腦去思考和想象的區(qū)別是什么？現(xiàn)在還有很多人會把世界模型套成大腦和小腦。

劉威：這一點上我贊成 LeCun。Hinton 可能會拿人腦神經(jīng)元數(shù)量和 GPT-4 的人工神經(jīng)元數(shù)量做類比，覺得 GPT-4 很強已經(jīng)達(dá)到了人腦的智力水平，但 LeCun 不同意這種比較。

我也認(rèn)為，我們其實并不真正了解人腦的完整構(gòu)造和工作流程，因為它太復(fù)雜了。退一步說，就算我們完全了解人腦，也沒有必要讓 AI 系統(tǒng)去模擬人腦的工作。

晚點：這條路徑目前還有哪些地方是你沒有完全思考清楚的？

劉威：比如怎么控制誤差累積，怎么提升實時性，怎么讓模型更精準(zhǔn)地理解用戶指令并做出反應(yīng)；如果它要和其他智能體協(xié)作，怎么幫助對方更高效地進(jìn)行強化學(xué)習(xí)，這些都是問題。

如果說短板，本質(zhì)上是預(yù)測和模擬之間怎么銜接起來。自回歸模塊強在預(yù)測和因果推理，但它不能只給一個很粗的未來判斷。它也要知道物體怎么動、遮擋怎么變、光影怎么變，否則預(yù)測出來的未來狀態(tài)太粗，后面的擴散模塊也很難補。

擴散模塊正好相反，它強在生成和模擬畫面，但模擬也不是簡單 “畫圖”，它要保持人物身份、物體位置、動作連續(xù)和物理關(guān)系不亂，這里面也需要一定的推理能力，否則畫面可能很好看，但前后不連貫，因果關(guān)系也不對。

晚點：你剛剛說，世界模型最合理的落地場景是工業(yè)？

劉威：目前最現(xiàn)實的落地場景，是所有涉及第一視角的物理場景。比如第一人稱游戲，絕大多數(shù)具身智能場景，自動駕駛也是第一視角。再往外看，工業(yè)制造機器人、醫(yī)療手術(shù)機器人、水下勘探、外太空探索，只要涉及在物理世界里操作，都需要一個可訓(xùn)練、可試錯的模擬環(huán)境。

你不可能把機器人直接丟到一個全新的真實環(huán)境里，讓它從零開始學(xué)。更現(xiàn)實的做法，是先模擬出一個環(huán)境，讓機器人尤其是物理智能體，在這個環(huán)境里訓(xùn)練。

晚點：聽你講感覺現(xiàn)在距離世界模型的落地很近，但很多人還是覺得這是很遙遠(yuǎn)的事情。

劉威：在我看來就是爆發(fā)前夜。

晚點：但如果我們看 Genie3 在年初發(fā)的 demo，仍然非常粗糙。

劉威：放心，他們肯定沒有睡大覺，每天都在鉚足勁研發(fā)。

中國企業(yè)研究院往事丨super power 應(yīng)該屬于全人類

晚點：中國的科技公司從來沒有建立 Lab 的傳統(tǒng)，為什么你在 2016 年愿意離開 IBM 加入中國公司組建的 AI Lab？

劉威： 我一開始確實認(rèn)為中國的 Lab 很難做出來，尤其是民企辦的。那個時候大多數(shù)公司建立 Lab 都是為很具體的業(yè)務(wù)服務(wù)的，像滴滴大數(shù)據(jù) Lab 主要是為了做商業(yè)大數(shù)據(jù)分析，研究路徑規(guī)劃、動態(tài)調(diào)價等等。

后來有一天，騰訊的姚星（時任騰訊副總裁、AI Lab 負(fù)責(zé)人）在凌晨突然找到我，說騰訊想完全對標(biāo) DeepMind，建一個 AI Lab，聊完以后不到一個月我就決定加入了。我想看看中國有沒有可能做出一個真正意義上的 AI Lab。

晚點：騰訊為什么想做一個中國版 DeepMind？

劉威：主要是姚星看到 AlphaGo 之后，意識到這可能是 AI 的原子彈時刻。他沒有把 AlphaGo 簡單看成大數(shù)據(jù)或傳統(tǒng)機器學(xué)習(xí)的產(chǎn)物，而是認(rèn)為它代表了現(xiàn)代 AI 的關(guān)鍵特征，數(shù)據(jù)驅(qū)動和深度強化學(xué)習(xí)。

晚點：DeepMind 后來被 Google 收購了，你認(rèn)為 Google 看到了什么騰訊沒看到的東西？

劉威：Google 更篤定 AI 就是下一顆原子彈。站在當(dāng)時那個時間點看，即便是在美國，多數(shù)人對 AI 的理解還是基于 IBM 的深藍(lán)，它能戰(zhàn)勝人類本質(zhì)上還是通過存貯大量棋譜，再在當(dāng)前局面下通過基于規(guī)則的搜索找到最可能獲勝的策略。Google 看重 DeepMind，是因為它能通過數(shù)據(jù)驅(qū)動而非規(guī)則驅(qū)動和深度強化學(xué)習(xí)，把下棋這項技能真正學(xué)會。到 AlphaZero，它甚至可以通過自我對弈不斷進(jìn)化。

所以 Google 愿意不惜代價，把有潛力造原子彈的人和組織都收入麾下，包括收購 Geoffrey Hinton 的公司。

晚點：為什么你認(rèn)為騰訊有機會把中國的 DeepMind 做成？

劉威：我當(dāng)時對騰訊的文化做過比較深入的了解，它很包容。很長一段時間里，AI Lab 沒有明確 KPI，也沒有人因為短期沒有產(chǎn)出就被淘汰。另外我覺得騰訊有做這件事的基因，尤其是游戲基因，所以它來做這件事，是有基礎(chǔ)的。

事實也是如此。我們按照自己的思路很快把騰訊的絕藝機器人做到了世界第二，僅次于 AlphaGo，也是整個東半球第一個獨立自主做出基于深度強化學(xué)習(xí)棋類智能的公司。

晚點：但騰訊從來不是一個技術(shù)引領(lǐng)型公司，比如大家想到以前的百度和現(xiàn)在的字節(jié)，會很明顯意識到它們在某些方面的技術(shù)很強？

劉威：我不是很認(rèn)同。微信、《王者榮耀》背后的技術(shù)，其實都非常領(lǐng)先。比如即時通訊里的弱網(wǎng)通信、消息同步、海量并發(fā)；多人實時游戲里的低延遲同步、多人 vs 多人對戰(zhàn)、全球服務(wù)器調(diào)度，這些不是誰都能做出來的，甚至我敢說騰訊在這些領(lǐng)域是世界第一的。

晚點：你們?yōu)槭裁慈∶?“絕藝”？

劉威：來自杜牧詩：絕藝如君天下少，閑人似我世間無。這首詩寫的是杜牧送別圍棋國手王逢的故事。

晚點： 按你的說法，騰訊在 2017 年已經(jīng)跟上了 DeepMind 的腳步，為什么后來沒有繼續(xù)跟著往下一步走？

劉威： 那幾年，全球的 AI 前沿主要還是由幾家美國機構(gòu)在定義，大家都在密切跟蹤最前沿的進(jìn)展、快速驗證哪些方向能走通——這在當(dāng)時是行業(yè)共識的做法。

晚點：就是沒有想過像 OpenAI 一樣，押注 decoder-only Transformer，然后沿著 scaling law 持續(xù)把模型做大？

劉威：那時候 GPT-1、GPT-2 鮮有人問津，整個中國很少有公司去 follow GPT 的技術(shù)。即使 GPT-3 出來之后，大家也沒有馬上轉(zhuǎn)過去。比如百度的文心系列，以及阿里早期的一些模型，更多還是 encoder（編碼器）或 encoder-decoder（編碼器-解碼器）架構(gòu)，并不是 decoder-only（僅解碼器）架構(gòu)。

真正全面轉(zhuǎn)向 GPT 式 decoder-only 架構(gòu)，應(yīng)該是在 2023 年大模型浪潮起來之后。那時候一線科技巨頭基本都在同一時間換模型架構(gòu)，大家重新站到了同一個起點上。

晚點：2020 年以后，尤其是大模型浪潮之前，中國大廠里偏純研究型的 AI Lab 就普遍開始收縮，或者被并入大模型和業(yè)務(wù)團隊。為什么從興盛到衰落的周期會這么短？

劉威：因為 AI 技術(shù)迭代太快。Lab 的組織形式可能已經(jīng)跟不上 AI 大模型技術(shù)的激進(jìn)發(fā)展了。

晚點：美國的經(jīng)驗是什么？

劉威：美國一直比較尊重科學(xué)家，產(chǎn)學(xué)研鏈條更成熟。教授創(chuàng)業(yè)、科學(xué)家進(jìn)入工業(yè)界，在美國都很常見。高校反而受限更多，所以美國很多人會認(rèn)為，工業(yè)界實驗室比高?；驀鵂I實驗室運作起來更高效。NASA 把很多項目外包給 SpaceX，在美國也沒人覺得奇怪。

我建議中國應(yīng)該向斯坦福和硅谷的合作范式學(xué)習(xí)，那里不是簡單區(qū)分學(xué)術(shù)界和工業(yè)界，也不是把人固定成企業(yè)家或科學(xué)家，很多有能力的人都在斯坦福和硅谷之間流動。LeCun 可以是科學(xué)家，也可以是企業(yè)家；李飛飛也是一樣。

晚點： 有大廠高管跟我說，中國企業(yè)的 AI Lab 過去做不起來，是因為中國企業(yè)和硅谷公司比還是太窮了。你怎么看？

劉威： 總體看，未來中國純研究型的 AI Lab 可能更多會出現(xiàn)在國營或半官方機構(gòu)里，比如北京的智源研究院、中關(guān)村人工智能研究院、上海人工智能實驗室，這類機構(gòu)會越來越多。中國互聯(lián)網(wǎng)公司的 AI Lab 大多已經(jīng)并入大模型團隊。

晚點： 對企業(yè)來說，養(yǎng)一個研究院的作用究竟是什么？

劉威：Transformer 不就是 Google Research 發(fā)明的嗎？它對硅谷某一家公司來說，未必是一項獲取短期收益的技術(shù)，但對整個人類社會的影響非常大。

騰訊當(dāng)年有位高管說過，騰訊的科學(xué)家是全公司的財富，不隸屬于某個具體部門。我也覺得，中國科學(xué)家是全中國的財富，不應(yīng)該只服務(wù)某幾個企業(yè)?，F(xiàn)在官方建立這些實驗室，我理解也是這個目的，服務(wù)的不是某個企業(yè)利益，而是整個國家的基礎(chǔ)技術(shù)設(shè)施。

晚點：但現(xiàn)在趨勢確實變了。OpenAI 之后，硅谷公司對論文發(fā)表的審核明顯更嚴(yán)，甚至不讓發(fā)表了。LeCun 離開 Meta，很大程度上也有這個原因。

劉威：是的 , 這種趨勢我也注意到了。也正因為這樣 , 我更相信創(chuàng)業(yè)公司的價值，AI 這種 Super Power, 不應(yīng)該只掌握在少數(shù)幾家公司手里 , 而應(yīng)該普惠人類大眾。這件事需要勇氣 , 而我們愿意做。

題圖來源：Video Rebirth 劉威