亲历中美 New Labs 资本狂潮：对话清华刘子鸣

一、从物理到 AI："盛宴已过"

刘子鸣的学术旅程始于北京大学物理学院。和许多做物理的人一样，他最初是被物理学"在智力上非常 challenging"的特质所吸引。但慢慢地，他开始感受到一种失落。

"很多做物理的人都会有这样一个经历……慢慢的就感觉 the party is over，盛宴已过。留给年轻人的那些问题其实没有那么多了。" — 刘子鸣引用了高能物理界常说的一句话

2017 年大二时，他偶然接触到了 GAN（生成对抗网络）。"哇，这个东西特别中我的兴奋点。而且它好像在数学上也没有那么难，做的东西就非常的 fancy。"当时的刘子鸣正处于被理论物理和实验物理"双重毒打"的阶段——理论上比不过姚顺雨这样的天才，实验上进了实验室"只会把事情变得更加的混乱"。

GAN 为他打开了一扇新的大门。本科期间，他发表了三篇 AI for Physics 的论文。申请 MIT 博士时，他在研究计划里写道"接下来要做 AI for Physics"——只有 Max Tegmark 看到了这份材料，说"我要招这个人"。

二、KAN 网络：两周颠覆三十年的判断

从 2021 年起，刘子鸣一直在思考一个问题：如何构建一个网络，它既是一个神经网络，同时又是一个符号公式？他将此类比为量子物理中的"波粒二象性"——一个粒子既是粒子又是波。

他从这个直觉出发推导出一个方程，事后才意识到这正是 1957 年 Kolmogorov 和 Arnold 提出的公式。而且这两位苏联数学家已经证明了这种表征可以表示任意函数——这为他的模型提供了理论背书。

但当他把想法告诉导师 Max Tegmark 时，Max 并不买账。他甩出一篇 1989 年 Tomaso Poggio 的论文——这篇论文论证了 Kolmogorov-Arnold 定理在最坏情况下无法变成真正的算法。

刘子鸣的回应体现了一种典型的物理学家思维：

"你数学上告诉我这个东西最坏情况不 work。但是物理上我们关心的东西都是有很漂亮结构的……我们人能生活在这个宇宙里面，我们这个宇宙就不是最坏的宇宙。我们就一定是一个还不错的宇宙，我们才能够演化出生命出来。" — 刘子鸣解释他为什么暂时忽视了数学上的"不可能证明"

他花了两周做出了可训练的原型，又花了一周做可视化。作为一个"超级视觉动物"，Max 在看到网络结构图后终于被说服了——"Wow, this is awesome. 我们居然能够看到这个网络它的脑子里面到底在想什么。"

三、鸟人与蛙人：两种科学家人格

刘子鸣引用了物理学家 Freeman Dyson 对科学家的经典分类：鸟人（Bird）和蛙人（Frog）。鸟人每个领域都懂一点，能看到不同领域之间的结构性相似，擅长将一个领域的方法搬运到另一个领域。蛙人则把一个领域做得非常精细、非常深刻。

"我跟 Max 都是非常典型的鸟人。好处是能鸟瞰整片领域。Max 跟你聊一个小时，可能会涉及到五到十个 topic。"Max Tegmark 本人就是典型的鸟人——经济学本科出身，后来转向物理，2012 年就开始推广 AI for Physics，22 年底又成为最早推广机制可解释性的人。

这种"鸟人"特质解释了刘子鸣的研究路径看起来东做一下西做一下——从 AI for Physics 到机制可解释性，再到 Physics of AI 再到 AI for AI。实际上有一条清晰的主线：连接神经与符号这两个世界。

四、Physics of AI：用物理学理解 AI 的三维度

2022 年底 ChatGPT 出现后，Max Tegmark 对学生说："怎么着都要换方向，从今天开始做机制可解释性。因为大语言模型太危险了，要保证它的安全，我们就需要理解它内部到底是怎么工作的。"

刘子鸣将 Physics of AI 拆解为三个维度：

维度一：空间上更细——解剖 AI 的大脑

不只是关注模型端到端的行为，也关注它内部某些神经元的表征特性。但这也有局限——Anthropic 找到的"说脏话的 neuron"，关掉它模型就不会说脏话，但换一个随机数种子，这个发现可能就完全不对了。这些解释"过于微观，不一定 robust"。

维度二：时间上更细——AI 的演化史

刘子鸣引用了生物学中的名言："Nothing in biology makes sense except in light of evolution."如果不从进化的角度来理解生物，生物中就没有东西可以理解。AI 也是如此——不只关心模型收敛后的最终性能，更关心训练过程中的相变：什么时候 grok？什么时候陷入局部最优？

维度三：平行宇宙——控制实验与相图

这里的"平行宇宙"实际上就是控制实验。同一个物质在不同温度和压强下有不同相态，AI 模型在不同超参数下同样有不同相态。Physics of AI 的任务就是理清每一个 trick、每一个架构的适用条件——"这比单纯喊'我的 trick work'更有科学态度"。

五、AI for AI 的独特路线：AI for Physics of AI for AI

这是本期访谈最核心、也最反直觉的观点。当前主流的 AI for AI 路线——如田渊栋的 Recursive——走的是"Coding Agent 做 AI Research"的路径：AI 不断做实验、记录结果、迭代改进。刘子鸣称之为"更勤奋的 AI for AI"。

但他的路线截然不同：

"我的 AI for AI 的全称应该是 AI for Physics of AI for AI。绝大多数人想的是直接用 AI 去提升 AI。但我说 stop——这中间其实还有一步。人是做 Physics of AI 太慢了，古法科研做 Physics of AI 太慢了。所以我需要用 AI 来帮助我们做 Physics of AI。" — 刘子鸣解释他的非主流路线

这个逻辑的核心在于数据。AI for X 能成功的前提是 X 有大量数据。但 AI for AI Research 的问题恰恰在于：AI research 没有大量高质量的结构化数据。而结构化本身就需要 Physics of AI 的知识。这是一个鸡生蛋蛋生鸡的问题——刘子鸣认为必须先从符号主义这边入手，用人的先验知识去结构化研究过程。

他将自己的路线与田渊栋的对比："田渊栋做的是更勤奋的 AI for AI，超强行动力，不停迭代。我们想做的是更聪明的 AI for AI——提三次想法就有一次 work，而不是提一百次只有一次 work。两个方向是正交的，最终会在某个地方整合。"

六、元模型：60 天把自己当模型训练

2026 年初，刘子鸣做了一个独特的"人体实验"。他每天随机拉一个数据集、随机拉一个模型进行训练，在实验前预测训练曲线会长什么样子。他持续做了 60 天，每天都做。

一开始他的预测能力"非常差"，连趋势都预测不对。但训练到 40-50 天后，他开始变准了——甚至在语言实验上获得的经验，也能迁移到视觉实验的预测中。

"我在做实验之前我就能够部分的去预测这个实验的结果是什么。就是因为这样的一个在自我身上的这个人体实验，让我相信存在元模型这个东西。" — 刘子鸣讲述 60 天自我训练的顿悟时刻

元模型（Meta-Model）的核心定义是：输入是模型架构（加上数据集和优化器），输出是这条训练曲线。这相当于"关于模型的世界模型"。一旦有了元模型，你有一百个架构想法不需要全部训练——元模型前传一百次，帮你预筛选出最有希望的前几个。

训练元模型需要大量数据，但和训练大语言模型不同：元模型需要的是多样性——训练各种奇怪的、非主流的架构，让元模型见多识广。也许正是这些奇怪架构，能帮我们跳出 Transformer 的局部最优。

终极目标呢？"下一个 Transformer 不是人拍脑袋发现的，而是元模型预测出来的。"

七、OPHIS：结构化研究的语言

刘子鸣认为，Auto Research 之所以还没有成功，关键不是架构或路线，而是研究数据没有被结构化地保留下来。可能只有 1% 的 AI 论文结构化做得不错——绝大多数论文不包含清晰的研究思维链。

"在很长的一段时间里面，大家把展现思维链当做一种耻辱。你要显示你很厉害，你就要让别人觉得不可捉摸——'这是我梦到的，不是我推出来的'。这样别人觉得你最牛。" — 刘子鸣批评学界隐藏思维链的文化

他提出了 OPHIS 框架，将任何研究过程拆解为五个环节：Observation（观察现象）、Problem（识别问题）、Hypothesis（提出假设）、Intervention（执行干预）、Speed up（加速迭代）。他认为所有 research paper 都应该按这种结构进行组织，相当于"创造一门研究的语言"。

刘子鸣的团队正在构建一个研究数据采集系统，强制研究者在做下一个实验前写一段话评价之前干了什么、得出什么结论。预计 20 个学生加员工每人每天 10 条，一天能采集 200 条，两个月一万条——"就差不多开始够用了"。

八、对研究直觉的祛魅

刘子鸣对"研究直觉"和"研究品味"这些神秘化的概念进行了祛魅：

"研究品味、研究直觉其实是一个遮羞布——因为我们聪明到可以提出一个想法，但没有聪明到可以用语言说出来我是怎么提出这个想法的。所以我们把顿悟这个事情给它说成是所谓的品味、所谓的直觉、所谓的灵光一现。" — 刘子鸣的祛魅论述

他认为每一个顿悟时刻都是有思维链的。"如果没有的话，就是你问自己问得不够深。"他一直在刻意训练自己——不仅要提出好的想法，还要追问"我是怎么提出这个想法的"。

作为视觉思维者，这个过程对他来说特别困难。他的思维模式偏视觉——脑子里有一个图像，但很难用自然语言说出来。"美术又不行，所以这个就很尴尬……我只能通过真的把这个东西做出来，展现在你的眼前，这个是我沟通的方式。"

他引用了"善战者无赫赫之功"——最顶级的人提想法像呼吸一样简单，他把别人觉得不可能想到的东西内化成了自己的系统。

九、2026 年的 New Lab 资本狂潮

2026 年 3 月，刘子鸣从美国回到中国。4 月底入职清华，5 月底开始参与融资。他的亲历感受只有三个字：

"我是三月份回的国，四月底入职的清华。五月底开始参与融资。这个过程，我的体感是太疯狂了。" — 刘子鸣描述 2026 年国内 New Lab 融资环境

他观察到一级市场处于极度 FOMO 的状态。大家相互打探消息、投项目的动作非常快。融资节奏更是独特——"种子轮加轮再加轮，可以无限的加下去。上一轮的投资人没进来，那我就开一轮。开了之后下一轮的投资人又没进来，就相当于是一个连续的融资状态。"

不过中美投资人的期待截然不同。刘子鸣在 Stanford 博士后期间的导师 Andreas Tolias 创业时，投资人跟他说"三年之内你们不用考虑商业化，安心做 R&D"。回到国内，"国内投资人恨不得你现在当天就能盈利"。

为什么 2026 年 New Labs 在中美同时涌现？刘子鸣认为这是人才选择的结构性变化："顶尖人才的选择无外乎就几个——要么在学界，要么去大厂当大头兵，要么自己出来单干。现在的人才不太希望去大厂当大头兵……下一个范式，下一个 Transformer，会用我的路线。"

最热门的两个方向是世界模型和 Auto Research。"AI for Coding 已经非常成功了。那下一个范式自然而然的就是 AI for Research。但是 Research 和 Coding 有很大的不同——Coding 是高度结构化的、有大量 GitHub 数据的。Research 不是一个被结构化很好的数据结构。"

十、从学术到创业：脱下孔乙己的长衫

在 MIT 时，刘子鸣和同学们都瞧不起工业界。"24 年，我的同学都觉得湾区那些人搞的 agent 都是在骗钱。"MIT 的信仰是——"用五年的时间就能写出 AI 的物理学。有了 AI 的物理学之后，我们会发现现在我们投入这么多资源完全就是在浪费。因为我们可以从第一性原理去推导出最优的架构是什么样子的。"

但到 Stanford 做博士后后，一切都变了。仅两周，好友高文浩就宣布创业。"当你看到和你风格很像的 peer 做出你之前觉得危险、做不到的事情，你就会想：是不是我不够激进？是不是我太在舒适区里面了？"

他用一个生动的比喻来描述这个转变：

"那个时候就太 naive 了，太理想化了。用比较流行的话说就是还没有脱下这个孔乙己的长衫。" — 刘子鸣自嘲在 MIT 时的心态

如今他给自己的定位是："我比工业界的人更理性，比学术界的人更疯狂——所以处在中间。"他的创业规划是：六到十二个月侧重 R&D，做 demo 和产品雏形；十二个月后开始产品化和商业化。"六到十二个月的 research and development 对于一个 new lab 来说是非常重要的，不能过早地去投入到一个其实不是那么好的方向，只是为了短期能够去做商业化。"

十一、终极愿景：Vibe Training，人人可训模型

如果用一个词来概括刘子鸣的终极愿景，那就是 Vibe Training。

"现在还是 Vibe Coding 嘛，未来会是 Vibe Training——你把你的需求说清楚，它就能够给你端到端的去设计、训练、部署这个模型。" — 刘子鸣描述 Training Autopilot 的愿景

在这个愿景里，用户不需要知道技术细节。他只需要说："我有一百块钱，你要在这个预算内尽可能地给我 deliver 一个好的模型。"系统就会端到端地完成设计、训练、部署，然后交付。

这背后的逻辑是模型平权——模型不再垄断在少数巨头手中。"我们不是自己做一家 OpenAI。我们是要孵化各行各业、各个垂直领域的 OpenAI。"就像当年无法想象每个家庭都需要一台电脑一样，当技术成本降到足够低时，需求会自然涌现。

刘子鸣认为 Physics of AI 是让训练成本下降的关键——"我们现在不是最优的 recipe，很有可能还有很大的优化空间。"

十二、回到"我都要"

访谈的最后，主持人问刘子鸣：如果只能选一个——做 Professor 还是做 Tech Entrepreneur？

他的回答干脆而坦率："我都要。就是我现在的状态。如果非要选一个……做做看。"

他选择回国的关键原因是人才——"Auto Research 这件事情需要比较多、高质量、高智商、高人才密度的人。我在 MIT 带过二三十个本科生，体感是平均水平远不如清北的本科生。我要带小天才的，而我们这个事情是需要小天才加入的。"

现在他在期智研究院带十几个学生，他认为"都是非常非常顶级的学生"。从北大"薅"一些，从清华招一些，"相当于能聚集我觉得不是全国，而是全世界最聪明的学生"。