刘威：让 AI 拥有一个 “内在世界”，能在 “脑子” 里模拟、能预判接下来会发生什么、还能主动去试探不同的行动会带来什么后果。这是从 “感知” 到 “认知” 的跃迁，不是画质的军备竞赛。
举个例子，过去训练机器人，要先用 3D 或物理引擎搭仿真环境。我们现在要做的是，把这个环境换成 AI，让它变成一个可以实时生成、实时变化的智能体。你给智能体文本、照片或者视频，它就能生成类似场景；室内、室外、光照、天气也能随时切换。这样训练出来的智能体，就不再只适应一个固定环境，它拥有了通用的、实时的、可交互的模拟能力。
后来有一天，腾讯的姚星（时任腾讯副总裁、AI Lab 负责人）在凌晨突然找到我，说腾讯想完全对标 DeepMind，建一个 AI Lab，聊完以后不到一个月我就决定加入了。我想看看中国有没有可能做出一个真正意义上的 AI Lab。
晚点：腾讯为什么想做一个中国版 DeepMind？
刘威：主要是姚星看到 AlphaGo 之后，意识到这可能是 AI 的原子弹时刻。他没有把 AlphaGo 简单看成大数据或传统机器学习的产物，而是认为它代表了现代 AI 的关键特征，数据驱动和深度强化学习。
晚点：DeepMind 后来被 Google 收购了，你认为 Google 看到了什么腾讯没看到的东西？
刘威：Google 更笃定 AI 就是下一颗原子弹。站在当时那个时间点看，即便是在美国，多数人对 AI 的理解还是基于 IBM 的深蓝，它能战胜人类本质上还是通过存贮大量棋谱，再在当前局面下通过基于规则的搜索找到最可能获胜的策略。Google 看重 DeepMind，是因为它能通过数据驱动而非规则驱动和深度强化学习，把下棋这项技能真正学会。到 AlphaZero，它甚至可以通过自我对弈不断进化。
所以 Google 愿意不惜代价，把有潜力造原子弹的人和组织都收入麾下，包括收购 Geoffrey Hinton 的公司。
刘威几乎完整经历了中国大厂 AI Lab 从兴起、扩张到收缩的周期。
2016 年，腾讯成立 AI Lab。刘威从美国 IBM 沃森研究中心加入，负责计算机视觉方向。他与来自百度的张潼、来自微软的俞栋，被外界并称为腾讯 AI Lab 的 “三剑客”。
那是中国企业对 AI 最有想象力的几年。AlphaGo 赢了李世石，如同在科技行业投下一颗原子弹。大厂 AI 研究院一个接一个成立，它们不设 KPI、没有束缚，鼓励研究员投入长期研究。很快，腾讯做出了全球第二的围棋 AI “绝艺”，DeepMind 创始人杰米斯·哈萨比斯慕名来到腾讯交流。
但好日子没有持续太久。2020 年左右，AI 行业进入低谷，中国互联网公司开始降本增效，这些 AI 研究院随之收缩，甚至关闭。两年后，ChatGPT 发布，大厂重新回到 AI 牌桌，主角却已换了一波：字节另起炉灶组建 Seed，阿里在 M6 等早期大模型的积累上推出通义千问。
这些新成立的 AI 组织再也看不到过去的影子。激烈的竞争让它们变得更封闭，更结果导向。无论 Seed 还是 OpenAI，都背着很重的 KPI，也不再鼓励研究员自由发表论文。刘威经历了腾讯混元从零到一的过程，也是在那段经历里，他看到了大公司做前沿科学的局限。
2024 年底，刘威离开腾讯创业，成立 Video Rebirth，做视频生成模型。这家公司已完成一轮 8000 万美元融资，投资方包括启明创投、AMD Ventures、现代汽车集团和 Granite Asia；目前正在新一轮融资。
2026 年 5 月，Video Rebirth 的视频生成引擎 BACH 上线，同月进入 Artificial Analysis Video Arena 盲测榜单，排名全球第 6，是榜单上排名最高的创业公司模型。
视频生成已经是条巨头环伺的赛道。2026 年 2 月，Seedance 2.0 横空出世，被认为 kill the game（结束了竞争）；Google Veo、快手可灵也在步步紧逼。但刘威说，这反而让他更安心了。
“Seedance 2.0 证实了我的技术路线——视频模型应该有自己的 scaling law。” 刘威说，这是他在创业时认定的方向。Seedance 2.0 是一个 200B 参数级别的模型，远大于市面上的任何一个视频生成模型
但他不是要和巨头比拼大力出奇迹。Seedance 的思路是先把模型做得足够大，再不断往里喂数据，有 “赌一把” 的意思。刘威想走的是另一条路，通过创新模型架构和训练算法，争取用不到 Seedance 十分之一的资源，做出一样的效果。
“市场还有窗口期。” 刘威说。“我们跟很多海外客户交流，他们知道 Veo、Seedance、Kling，但这几家都还不能完全满足他们的精准需求，更不用说价格高昂的问题”。
刚成立的时候，Video Rebirth 做过一款实验性的图生视频模型，取名 Avenger（复仇者）。这个名字来自刘威喜欢的美国队长。在《美国队长 3：内战》里，美国队长反对超级英雄归某个政府管理，认为他们不应该只属于某个机构。
刘威也这样看待 AI 的 super power（AI 超级力量）的，“它不应该只被少数公司掌握，而应该属于全人类。”
与巨头竞争丨想用 Seedance 十分之一的成本做出 SOTA 模型
晚点：2026 年初，字节跳动的视频生成模型 Seedance 2.0 出来以后直接全球领先了，甚至连字节自己也说它 Kill the game（结束竞争）。你当时看到后有没有后悔创业？
刘威：我一直认为谷歌会引领架构创新，因为视频生成的 DiT 架构已经有点老了，谷歌自己也说 Gemini-Omini 系列是他们的秘密武器，没想到字节先做出来了，确实超出了很多人的预期。
但我其实一点都不慌，因为它反而证实了我们的路走对了，模型就是应该越做越大。
晚点：Seedance 2.0 最超出你预期的地方在哪里？
刘威：大一统。文生视频、单图生视频、双图生视频、多参考图生视频、视频编辑，甚至多参考图加参考视频生视频，这些原本分散的任务它都用一个模型统一了。
它为什么能做到，因为模型架构足够大，能装的世界知识足够多，这样才有可能把这么多任务都塞进同一个模型里执行多任务训练，生视频效果也就更好。
晚点：你说你们的路线和 Seedance 类似，即把模型越做越大。但作为创业公司，你们哪里来的资源去和巨头拼 scaling law 的边界？
刘威：所以我们在用更聪明的配方，想用 Seedance 不到十分之一的资源做得跟它差不多的生视频能力。暴力堆数据、算力不是每次都能成功。你看 GPT-6，从去年说到今年，训练反复不顺，到现在还没真正训练出来。
另外是极度聚焦。我从创业第一天开始就决定，不做图像生成、不做语言模型，只做视频原生的视频生成模型，用 scaling law 逐步升级为视频原生的世界模型。
晚点：更聪明的配方具体指的是什么？
刘威：很多人把 Transformer 架构当成黑盒，堆数据、堆算力，然后按下训练按钮，几个月后看结果，不太去理解里面到底发生了什么。但我们希望在这个黑盒里做更精巧的设计，对模型架构和训练算法都做改造。
我们 1.0 版本的模型做了一些实验，比如用的是自研的并行 DiT-DDiT 架构，指令遵循更强；物理原生的注意力机制，用更符合物理直觉的方式建模视频里的时空动态；最后是把后训练和推理阶段的采样过程统一起来，这样长序列视频的推理速度也更快。
2.0 版本开始，我们的模型就不再是纯 DiT 架构了。具体来说，Transformer 和 attention（注意力机制）这些东西还会保留，真正要动的是 DiT 里的 D，也就是 Diffusion（扩散范式）。我们第二代模型要做的，是提出新的扩散过程学习范式。
晚点：你认为 Diffusion 现在的问题在哪里？
刘威：低效，过于通用、不够自适应。现在的扩散模型，本质上是用同一套模型参数，对同一个噪声块反复去噪几十次。比如生成一张 512×512 的图，先从一个同尺寸噪声块开始，丢进 DiT 去噪，一次不够再来，可能要去噪 50 次，最后得到图像。
问题是，整个过程中模型参数是一样的，但每一步去噪的难度并不一样，为什么要用同一套参数？而且不同内容的图像，比如动物、人像、场景，去噪方式也都一样，这也不太合理。
晚点：你追求的大，和字节追求的大，区别是什么？
刘威：我们和字节都想做商业落地，这一点是共通的。真正的区别在于取舍。Seedance 做的是 “大而全”，尽可能覆盖更多题材、更多风格，让模型甚么都懂、甚么都能生成，这是它的强项。
我们选择的是 “精准”，把资源集中在我们最看重的能力上：强一致性和对物理规律的强遵循。为了学好这两件事，我们不需要把所有 IP、所有网红视频、教学视频都学进来。我觉得模型的大小能刚好装下目标能力就行。
我们第二代模型总参数量会比第一代大很多，激活参数量也许和 Seedance 2.0 差不多，但总参数量肯定会比它小。
晚点：那是 Seedance 的优势而不是短板，理论上它可以覆盖掉一切小模型？
刘威：理论上行，但我刚才讲的优势还是效率。获得同等能力的情况下，我们不需要投入那么多数据，也不需要那么大的模型。模型训练推理更高效，最后的推理成本就会更低，定价也可以比它便宜很多。
晚点：听起来有点像 DeepSeek 的路线？
刘威： 有相似的地方。视频生成能力迭代很快，但训练和推理成本都不低，价格还偏高。真正的降价可能就是要用更聪明的架构把成本结构性地降下来。
另外，市场还有窗口期。我们调研发现，海外客户知道主流的几家视频生成产品在高标准的专业场景里还不够用。比如汽车广告，客户花上百万找人做，AI 效果达不到要求，只能回到成本更高的实拍。这中间的空间是我们想填的。
晚点：但据我们了解了，Seedance 的推理成本并不高，目前的毛利率甚至可以做到 80% 左右，理论上它其实有很大的降价空间去参与竞争。
刘威：成本这件事，不能只看单次推理的价格，还要看模型能不能高效地服务大规模用户。
一个普遍的规律是：模型尺寸越大，实时服务和分发的压力就越大，高并发下就越容易出现延迟或排队。所以我认为，只有控制好模型的规模，再优化好推理效率，才能在保证效果的同时，真正支撑起大规模、低延迟的商业化服务。
晚点：其实何恺明很早就说过，模型要大。但视频模型，或者说 CV 领域的 scaling law，为什么比大语言模型晚这么多？
刘威： 我认为核心是连续信号的问题。语言模型可以一直训练到误差足够低、模型充分收敛，再拿去发布，绝大多数语言模型都是这样出厂的。
视频模型不是。视频是连续信号，误差累积得非常剧烈，也更难控制。DiT 到现在也没有真正训到充分收敛，大家往往训得差不多、效果能看了就停，实际误差还很大。所以我觉得，现在的视频模型都没有被训得足够深入。
晚点：你觉得视频模型还可以更大吗？
刘威：只要硬件还在发展，模型就还有继续变大的空间。语言模型的问题是，预训练阶段可用的真实文本 token 已经达到了上限。模型继续变大，真实 token 从哪里来？当然，也有人会用合成 token，但那是另一回事。
视频生成不一样。模型在预训练阶段可用的真实视频 token 还远远没有用够。真实的物理世界本身就是动态变化的，里面有大量可以学习的动态信息。所以如果视频生成的 scaling law 存在，真实的 video token 是取之不竭的，scaling law 可以继续跑下去而不会撞墙。
做世界模型丨与李飞飞和 LeCun 的路线都不同
晚点：你说你下一步也要做世界模型，但现在这个词似乎正在被滥用。我们应该如何区分，哪些是真的世界模型，哪些是伪世界模型？
刘威：我觉得现在对世界模型最大的误解，是把它当成更逼真的视频生成，或者干脆等同于 3D 重建。这两个都不是本质。
还有一个很多人分得很开、但我认为其实是一回事的东西：渲染器（renderer）和模拟器（simulator）。有人说渲染器负责输出你看到的画面，模拟器负责输出底层的物理状态，是两类模型。但在我看来，如果一个模型真的理解了物理规律，它既能输出你看得见的画面，也能输出底层的状态，状态可以是抽象的，也可以是具体的。
说到底 , 我一直用一句话来概括这件事:文本形态的世界知识 , 都可以被压缩;而视频形态的世界物理知识 , 都可以被模拟。
晚点：我观察到，很多上一轮项目推进不顺的创业公司，都开始转向讲世界模型的故事。你怎么定义真正的世界模型？
刘威：让 AI 拥有一个 “内在世界”，能在 “脑子” 里模拟、能预判接下来会发生什么、还能主动去试探不同的行动会带来什么后果。这是从 “感知” 到 “认知” 的跃迁，不是画质的军备竞赛。
举个例子，过去训练机器人，要先用 3D 或物理引擎搭仿真环境。我们现在要做的是，把这个环境换成 AI，让它变成一个可以实时生成、实时变化的智能体。你给智能体文本、照片或者视频，它就能生成类似场景；室内、室外、光照、天气也能随时切换。这样训练出来的智能体，就不再只适应一个固定环境，它拥有了通用的、实时的、可交互的模拟能力。
其实可以这样理解两条路的终局:大语言模型的终局 , 是 coding agent——一个能理解用户意图、写出并执行代码的智能体;而世界模型的终局 , 是 simulation agent——一个能理解物理世界、预判后果、并在其中规划未来行动的仿真智能体。
晚点：你的实现路径与李飞飞、LeCun（杨立昆）提出的路线，区别是什么？
刘威：先说李飞飞老师，她认为世界可以被还原成一个 3D 空间，所以她要先构建出一个三维世界，再让模型在这个世界里生成和模拟。但 3D 能覆盖的物理其实是有限的，它只擅长表达结构性的、刚体的物理世界，也就是物体有相对稳定的 XYZ 坐标，可以旋转、平移、缩放。
真实世界里还有很多更复杂的物理现象，比如形变、碰撞、摩擦、流体、空气动力学等，这些并不容易用传统的 3D 坐标系完整表达。
我们认为，还是应该以视频模型为基础训练世界模型。
晚点：但视频只是现实世界在某个视角里的二维投影，甚至没有 XYZ 这种明确的深度、坐标和物体结构信息，还可能包含多个隐含的坐标系。
刘威：所以我们的思路不是先把世界还原成 XYZ 这种显式坐标，而是让模型直接从大量真实视频中学习物理世界运行的规律。视频本身就包含重力、光照、遮挡、碰撞、运动连续性等信息，这些不一定需要人类逐一进行细粒度的标注。
现在已有不少研究表明，DiT 这类视频生成架构能够从视频数据中学到一部分物理关系，比如手推一下物体，物体会跟着动；光线变化时，阴影也会跟着变化。
我们在训练模型时也能观察到类似现象，模型对运动连续性、物体之间的相互作用、光影变化等物理元素，已经有比较明显的表达能力。
晚点：你们的模型是如何学习 “人与物理世界交互” 的？
刘威：我们的训练数据绝大多数是真实视频。很多团队喜欢合成数据，因为 “干净”，但真实世界是脏的，有各种预料不到的光影、噪声、边角情况。合成数据喂多了，模型在实验室表现很好，一到真实场景就崩了。
物理规律也不是把重力、碰撞公式硬编码进去。模型看海量真实视频，自己把规律内化到权重里，看多了东西下落，就 “学会” 了重力。这是隐式学习，更接近人的直觉，而不是游戏引擎那样，把规则写死。
我们的世界模型内部是两个模块在配合。一个叫 World Predictor（世界预测器），自回归架构，负责推理、记忆和交互，根据当前状态和用户的动作，预测未来状态的表征。另一个叫 World Simulator（世界模拟器），扩散架构，把这个表征还原成实时、可交互的视频流。
晚点：这和 LeCun 讲的，从视频中学习世界的表征有什么不一样吗？
刘威：区别在于让模型学什么。我们的路线，是让模型直接学习视频本身。视频本质上是一帧一帧的像素，模型要学的是，这些像素怎么随时间变化，下一帧会怎么出现，物体会怎么运动，光影会怎么变化。也就是说，我们希望模型通过生成和预测视频，直接学到世界运行的规律。
LeCun 不让模型直接预测像素，而是先用 encoder（编码器）把视频编码成一种抽象表征，再让模型在这个表征空间里预测缺失或未来的抽象信息。比如模型看到一个球落下，不一定要重建每一个像素，而是要学到 “球在下落”“它受重力影响”“它接下来可能会碰到地面” 这类更本质的抽象表示。然后，再用这个表示去理解和预测物理世界。
晚点：这个路线最大的问题是什么？
刘威：容易出现 “表征塌陷”。简单来说就是模型偷懒了。你本来希望它看到不同的视频，学到不同的理解。比如一个视频是球下落，另一个视频是人在走路，第三个视频是水在流动，模型应该学出不同的内部抽象表征。但如果训练目标设计得不够好，可能会出现，模型不管看到什么视频，都给出差不多的内部抽象表征。
晚点：我知道他们也在用比如各种正则化的方法和训练技巧，防止模型把所有东西都学成一个没有意义的表征。
刘威：我认为如果加入有记忆机制的自回归学习方式，这个 “表征塌陷” 问题会小很多。
我们的显式世界模型路线虽然看起来是在建模像素，但它的训练目标涵盖了记忆、推理、交互、模拟，更加全面地建模物理世界，也更难让模型偷懒。
晚点：听起来和 DeepMind 做的 Genie 更接近？
刘威：从公开信息看，它和我们的方向应该有相似之处。区别在于，Genie 现在是一帧一帧地预测，而我认为，未来一定会发展到直接预测未来好几帧甚至好几秒。我相信 Genie 的未来版本也会这样走的。
因为如果只看一帧，模型很难理解动作是怎么连续发生的。就像看电影，如果每次只看一张截图，就很难判断前后发生了什么。但跨度太大也不行，预测太远，误差会迅速累积，细节也容易丢掉。所以关键是找到一个合适的预测颗粒度，既能看到连续变化，又不会把未来想得太粗。
晚点：这和人脑去思考和想象的区别是什么？现在还有很多人会把世界模型套成大脑和小脑。
刘威：这一点上我赞成 LeCun。Hinton 可能会拿人脑神经元数量和 GPT-4 的人工神经元数量做类比，觉得 GPT-4 很强已经达到了人脑的智力水平，但 LeCun 不同意这种比较。
我也认为，我们其实并不真正了解人脑的完整构造和工作流程，因为它太复杂了。退一步说，就算我们完全了解人脑，也没有必要让 AI 系统去模拟人脑的工作。
晚点：这条路径目前还有哪些地方是你没有完全思考清楚的？
刘威：比如怎么控制误差累积，怎么提升实时性，怎么让模型更精准地理解用户指令并做出反应；如果它要和其他智能体协作，怎么帮助对方更高效地进行强化学习，这些都是问题。
如果说短板，本质上是预测和模拟之间怎么衔接起来。自回归模块强在预测和因果推理，但它不能只给一个很粗的未来判断。它也要知道物体怎么动、遮挡怎么变、光影怎么变，否则预测出来的未来状态太粗，后面的扩散模块也很难补。
扩散模块正好相反，它强在生成和模拟画面，但模拟也不是简单 “画图”，它要保持人物身份、物体位置、动作连续和物理关系不乱，这里面也需要一定的推理能力，否则画面可能很好看，但前后不连贯，因果关系也不对。
晚点：你刚刚说，世界模型最合理的落地场景是工业？
刘威：目前最现实的落地场景，是所有涉及第一视角的物理场景。比如第一人称游戏，绝大多数具身智能场景，自动驾驶也是第一视角。再往外看，工业制造机器人、医疗手术机器人、水下勘探、外太空探索，只要涉及在物理世界里操作，都需要一个可训练、可试错的模拟环境。
你不可能把机器人直接丢到一个全新的真实环境里，让它从零开始学。更现实的做法，是先模拟出一个环境，让机器人尤其是物理智能体，在这个环境里训练。
晚点：听你讲感觉现在距离世界模型的落地很近，但很多人还是觉得这是很遥远的事情。
刘威：在我看来就是爆发前夜。
晚点：但如果我们看 Genie3 在年初发的 demo，仍然非常粗糙。
刘威：放心，他们肯定没有睡大觉，每天都在铆足劲研发。
中国企业研究院往事丨super power 应该属于全人类
晚点：中国的科技公司从来没有建立 Lab 的传统，为什么你在 2016 年愿意离开 IBM 加入中国公司组建的 AI Lab？
刘威： 我一开始确实认为中国的 Lab 很难做出来，尤其是民企办的。那个时候大多数公司建立 Lab 都是为很具体的业务服务的，像滴滴大数据 Lab 主要是为了做商业大数据分析，研究路径规划、动态调价等等。
后来有一天，腾讯的姚星（时任腾讯副总裁、AI Lab 负责人）在凌晨突然找到我，说腾讯想完全对标 DeepMind，建一个 AI Lab，聊完以后不到一个月我就决定加入了。我想看看中国有没有可能做出一个真正意义上的 AI Lab。
晚点：腾讯为什么想做一个中国版 DeepMind？
刘威：主要是姚星看到 AlphaGo 之后，意识到这可能是 AI 的原子弹时刻。他没有把 AlphaGo 简单看成大数据或传统机器学习的产物，而是认为它代表了现代 AI 的关键特征，数据驱动和深度强化学习。
晚点：DeepMind 后来被 Google 收购了，你认为 Google 看到了什么腾讯没看到的东西？
刘威：Google 更笃定 AI 就是下一颗原子弹。站在当时那个时间点看，即便是在美国，多数人对 AI 的理解还是基于 IBM 的深蓝，它能战胜人类本质上还是通过存贮大量棋谱，再在当前局面下通过基于规则的搜索找到最可能获胜的策略。Google 看重 DeepMind，是因为它能通过数据驱动而非规则驱动和深度强化学习，把下棋这项技能真正学会。到 AlphaZero，它甚至可以通过自我对弈不断进化。
所以 Google 愿意不惜代价，把有潜力造原子弹的人和组织都收入麾下，包括收购 Geoffrey Hinton 的公司。
晚点：为什么你认为腾讯有机会把中国的 DeepMind 做成？
刘威：我当时对腾讯的文化做过比较深入的了解，它很包容。很长一段时间里，AI Lab 没有明确 KPI，也没有人因为短期没有产出就被淘汰。另外我觉得腾讯有做这件事的基因，尤其是游戏基因，所以它来做这件事，是有基础的。
事实也是如此。我们按照自己的思路很快把腾讯的绝艺机器人做到了世界第二，仅次于 AlphaGo，也是整个东半球第一个独立自主做出基于深度强化学习棋类智能的公司。
晚点：但腾讯从来不是一个技术引领型公司，比如大家想到以前的百度和现在的字节，会很明显意识到它们在某些方面的技术很强？
刘威：我不是很认同。微信、《王者荣耀》背后的技术，其实都非常领先。比如即时通讯里的弱网通信、消息同步、海量并发；多人实时游戏里的低延迟同步、多人 vs 多人对战、全球服务器调度，这些不是谁都能做出来的，甚至我敢说腾讯在这些领域是世界第一的。
晚点：你们为什么取名 “绝艺”？
刘威：来自杜牧诗：绝艺如君天下少，闲人似我世间无。这首诗写的是杜牧送别围棋国手王逢的故事。
晚点： 按你的说法，腾讯在 2017 年已经跟上了 DeepMind 的脚步，为什么后来没有继续跟着往下一步走？
刘威： 那几年，全球的 AI 前沿主要还是由几家美国机构在定义，大家都在密切跟踪最前沿的进展、快速验证哪些方向能走通——这在当时是行业共识的做法。
晚点：就是没有想过像 OpenAI 一样，押注 decoder-only Transformer，然后沿着 scaling law 持续把模型做大？
刘威：那时候 GPT-1、GPT-2 鲜有人问津，整个中国很少有公司去 follow GPT 的技术。即使 GPT-3 出来之后，大家也没有马上转过去。比如百度的文心系列，以及阿里早期的一些模型，更多还是 encoder（编码器）或 encoder-decoder（编码器-解码器）架构，并不是 decoder-only（仅解码器）架构。
真正全面转向 GPT 式 decoder-only 架构，应该是在 2023 年大模型浪潮起来之后。那时候一线科技巨头基本都在同一时间换模型架构，大家重新站到了同一个起点上。
晚点：2020 年以后，尤其是大模型浪潮之前，中国大厂里偏纯研究型的 AI Lab 就普遍开始收缩，或者被并入大模型和业务团队。为什么从兴盛到衰落的周期会这么短？
刘威：因为 AI 技术迭代太快。Lab 的组织形式可能已经跟不上 AI 大模型技术的激进发展了。
晚点：美国的经验是什么？
刘威：美国一直比较尊重科学家，产学研链条更成熟。教授创业、科学家进入工业界，在美国都很常见。高校反而受限更多，所以美国很多人会认为，工业界实验室比高校或国营实验室运作起来更高效。NASA 把很多项目外包给 SpaceX，在美国也没人觉得奇怪。
我建议中国应该向斯坦福和硅谷的合作范式学习，那里不是简单区分学术界和工业界，也不是把人固定成企业家或科学家，很多有能力的人都在斯坦福和硅谷之间流动。LeCun 可以是科学家，也可以是企业家；李飞飞也是一样。
晚点： 有大厂高管跟我说，中国企业的 AI Lab 过去做不起来，是因为中国企业和硅谷公司比还是太穷了。你怎么看？
刘威： 总体看，未来中国纯研究型的 AI Lab 可能更多会出现在国营或半官方机构里，比如北京的智源研究院、中关村人工智能研究院、上海人工智能实验室，这类机构会越来越多。中国互联网公司的 AI Lab 大多已经并入大模型团队。
晚点： 对企业来说，养一个研究院的作用究竟是什么？
刘威：Transformer 不就是 Google Research 发明的吗？它对硅谷某一家公司来说，未必是一项获取短期收益的技术，但对整个人类社会的影响非常大。
腾讯当年有位高管说过，腾讯的科学家是全公司的财富，不隶属于某个具体部门。我也觉得，中国科学家是全中国的财富，不应该只服务某几个企业。现在官方建立这些实验室，我理解也是这个目的，服务的不是某个企业利益，而是整个国家的基础技术设施。
晚点：但现在趋势确实变了。OpenAI 之后，硅谷公司对论文发表的审核明显更严，甚至不让发表了。LeCun 离开 Meta，很大程度上也有这个原因。
刘威：是的 , 这种趋势我也注意到了。也正因为这样 , 我更相信创业公司的价值，AI 这种 Super Power, 不应该只掌握在少数几家公司手里 , 而应该普惠人类大众。这件事需要勇气 , 而我们愿意做。
题图来源：Video Rebirth 刘威