一、从梁文锋的投资者交流会谈起
之前一直有朋友问我，应该怎么学习人工智能，所谓的Harness、Context、Loop这些概念从哪里来的。
恰好前段时间，梁圣与投资人的会谈会议录音被泄露出来，我们这些野路子的人也得以一窥真实的发展现状，所以不管是从炒股的角度来说（？），还是从自学的角度来说，学习这些名人理解AI的思路，和他们“管理”资源的方式，对我来说是自学中最节省时间且效率最高的方法了。
我之前经常看Anthropic创始人Dario的播客和访谈，以及诸多哲学家和程序员（原谅我记不清那么多字母）对AI的访谈，每个人对AI的看法都是不同的，但是放在一起，总能从大势中窥见一些趋势。
梁圣的会议录音尤为珍贵，珍贵的点一个是他本身根本没想公开（甚至因此暂缓了融资），所以会议上的很多发言是非常真诚且不做作的，甚至具体的说DeepSeek现在拥有卡的数量。
我们现在大概是两万张 H 等效算力，这其中大部分是刚到，最近一两个月刚到，可能还有很多机器还没有来。我们总的算力去年比较少，今年我们在非常激进地扩充这个算力。我们现在大概是两万张H 等效，接下来几个月我们还会有大批量的机器买过来，基本上都是英伟达。
抛去英伟达对大陆禁售的事不管，梁圣在整个会议中，非常关键的强调了两点，这两点是我认为非常重要的地方。
二、持续学习：AGI 的下一道瓶颈
- DeepSeek的重心，或者说目前AI研究的重心是在机器学习上，当AI解决了学习的问题，AGI的时代很快就会到来，无数人想象中的那个技术”奇点“正是机器解决学习问题的时候
AI的发展是有迹可循的。早些年的AI就像是一个大型知识语库的图书馆。通过transform架构对你输入的指令进行余弦配对。
这是一种非常基础的，不具有任何“智能”属性的图书馆。24年通过“思维链”和rag技术，大模型逐渐克服了生成质量和幻觉问题，再到今年的agent和诸多的mcp。
可以看出，大语言模型从原先的图书馆，已经发展成一个非常强大的，具有看似“智能属性”并且在某些垂直领域无可替代的工具。
但这里有个根本问题，大语言模型始终很难解决“记忆”的问题。
人类的记忆分为两种，一种是长期记忆，通过学习习得的知识和技能，这些知识和技能都会沉淀在某个角落，关键时刻进行调用，这非常像agent使用的tools命令。
另一种记忆是短期记忆，通过短时间的培训和学习，能够迅速的掌握某个事情或某个技能。这里就有一个问题，这里的短时间，是多短？一小时？一周？还是一个月？
对目前的AI来说，你交代完整的上下文，给出具体的指令、划定任务的边界、指明使用的工具、规划好审核的角度，它能做的比人类还要完美。
但这里的前提是，你能够给出具体的指令。
事实上，人类世界很多事情和技能是没办法给出完整的上下文，也没办法给出具体的指令。
这里实际上就涉及到了语言的概念问题，语言本身就是局限的，思维没办法用五千个常用字描述，否则苏格拉底也不会花一下午的时间同少年们讨论什么是“正义”。
面对无法用概念和语言描述的问题，人类可以通过持续的学习，或无目的性学习，习得这项技能。
举例来说，你给AI一串提示词：
Claude，在我睡着后帮我创建一个年利润一个亿的初创公司，再把初创公司卖给谷歌，卖完之后把钱打到我的账户里。我的账户是：XXXXXXXXX
AI完全不明白应该怎么做，甚至可能直接会安慰你。
而你招一个员工，你可以让他花几个月时间熟悉公司的环境，熟悉公司的工作，几个月之后，可能就会成为你的创业伙伴，他可以听懂你的话，他也熟悉你的语言风格。
通过持续学习，人得以把不具体的目标具体化，把无法概念化的东西概念化，即使你根本不熟悉这项工作，即使这项工作根本没办法用概念描述。
你没办法交代所有的上下文，所以AI会反复的陷入调用工具，再次调用工具，再再再次调用工具，它根本不知道什么时候该停止call tools。
站在Agent元年，我们能看到下一个瓶颈的地方，就是持续学习问题。
梁圣这里也提到了国内模型和国外模型差异的本质，由于缺乏卡和缺算力，国内只能跑得动30b左右的模型，而美国那边已经进化到了800b。
换句话说，本质上DeepSeek和Claude的差距，就是规模量级的差距，就是力大砖飞。
但是很显然，目前AI的增长速度，已经几乎到了瓶颈的地步，一直堆算力，带来性能的提示是递减的。
不管是梁圣也好，Dario也好，乃至于Altman，从这个意义上来说，大家都是在同一起跑线上，都在面对这个根本性的问题：
AI究竟要如何解决持续学习的问题？
解决了持续学习的问题，它就能够做人类所能做的所有事情了。
AI可以自己开发自己的版本，然后再自己研究AI发展问题，然后开发自己的下一个版本，开发更前沿的人工智能模型，甚至走回暴力预算的AI发展路线也并不是梦（目前的AI发展路线是以概率论为核心，而十几年前的阿尔法狗走的是全量预算的路线）
当这个奇点达到了之后，这才是具身智能喷涌的时刻。
三、不必追逐所有前沿：研究需要“闲暇”
我觉得梁圣有一点说的非常正确。在AI时代，不一定要一直追前沿。
可能你认为的前沿，在技术的发展面前就是废墟。
现在所谓的多模态模型、世界模型，乃至具身智能等等，确实有必要发展，但这些模型都共享着同一个局限——持续学习的问题。
可能今天世界模型所遇到的困难，或者说具身智能所遇到的数据量不足的问题，在持续学习这个问题解决之后，就都不是问题。
今天砸重金研究开发的sora模型，可能在未来就是几块钱就能解决。
在一个idea和engineering都很便宜的AI时代，对leader的要求也变得非常苛刻，你不仅要懂engineering，也要懂research，更要学会marketing，还要组织好你的people，运营好business。
所以梁圣能够在这里非常轻松写意的说，他认为他们团队不卷，也没有必要加班，因为研究需要闲暇，AI的涌现和AI奇点的到来，也不是通过卷就能卷出来的。
方向、路线图远比一切无所谓的竞争重要。
四、“克制”：DeepSeek 的组织哲学
DeepSeek 的另一个关键词，是克制。
这个词首先让我想到柏拉图所说的“节制”：它不是简单地压抑欲望，而是一种有秩序的自我统治。它关心的并非一个人拥有多少欲望，而是欲望、情感与理性之间的权力关系是否恰当。
但细读这份交流记录后，我觉得梁文锋所说的“克制”还不只是道德意义上的节制。它同时是一种组织原则和长期战略。
他反复强调，DeepSeek 不是按照商业利益最大化的方式运行。所谓愿景也不是挂在墙上的标语，而是公司如何定价、是否开源、选择做什么，以及主动放弃什么。
愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运行。
在梁文锋的判断里，AI 的利益空间足够大，任何公司都不可能独占。越是试图把所有利益收入囊中，越容易遭遇竞争者、社会与历史的共同阻力。
因此，克制并不意味着放弃商业利益，而是主动限制自己要占有的份额，让公司只获取足以生存和继续研究的合理利润。
你需要有一套机制来确保你自己能够获得的利益是有限的，那么你才有可能做成。需要克制，我觉得是需要克制。
这套思路首先体现在开源上。开源既是愿景的要求，也是一种有意识的让利：把模型能力交给更多开发者，同时用工程效率与合理定价维持商业闭环。
它也体现在定价上。梁文锋把“买入一批设备后大约十个月收回设备成本”视为合理收益，并明确承认，如果以利润最大化为目标，价格原本可以定得更高。
所以，“十个月回本”并不意味着 DeepSeek 不赚钱。恰恰相反，它仍然是一笔可观的收益。区别在于，收益是否成为压倒一切的目标。
交流中有一句话说得很直白：
对我来讲，克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。
这种舍弃还包括不急于把用户流量变成超级 App，不试图成为下一个字节或腾讯，也不向所有上下游环节扩张。
我希望只做一块。AI 这个事情很大，并不需要我什么都做……我只要吃我最擅长的那一块，或者我们认为最核心的那一块。
这里的重点不是清高，而是聚焦。前面的商业机会可能是“芝麻”，AGI 才是后面的“西瓜”。克制使团队可以放弃大量并非核心的事务，把算力、注意力与组织能力集中到最重要的问题上。
从这个角度看，开源、低价、少加班、不给研究者塞满“正事”，以及不追逐所有产品机会，其实是一套相互咬合的组织逻辑：
通过限制短期占有，换取组织凝聚力、社会合作与更高的 AGI 成功概率。
这也是我真正欣赏这套思路的地方。它并没有否认利益，而是尝试为利益安排一个恰当的位置，让愿景而非欲望成为组织秩序的最高原则。
五、我所理解的计算政治学
实际上这段时间我也一直在参加计算政治学相关的论坛和会议，人在年轻的时候总会做一些庞大的不着边际的梦，不管你是什么虾兵蟹将，也想做着为AI4S出一把力的春秋大梦。
但是与DeepSeek那边清醒、克制的思路相比，国内计算政治学领域还处在探索阶段，甚至对什么是计算政治学都没能形成共识。
实际上我在23,24年就已经关注到了计算政治学，或者说信息政治学，技术政治学。
当时我还对量化方法呈现出某种偏见。（当时自己也确实不会量化的方法）认为其只是旧瓶装新酒的花样和把戏，可能也确实是因为看了太多的低质量的量化文章，所以先入为主的打上了标签。
但站在AI奇点爆发之前，如果要我来谈一谈什么是计算政治学，我可能会这样下定义：
- 计算政治学的研究对象是传统政治学研究不到的，或难以研究的、不借用计算或大语言模型就无法研究的，它极大的扩展了政治的研究对象，使得政治的概念得到了广延，也在更多的事物与政治之间建立了相关关系。
- 计算政治学的研究方法呈现出明显的“科学化”特征，打破了传统政治学研究中的不可复现、主观化、难论证难比较，推动了社会科学的“科学化”。
- 计算政治学应当是技术政治学的下的一个分支，侧重于研究方法的科学和研究对象的广延。
六、技术政治学的学科坐标
如果要我画个图的话，为这个研究领域找个坐标的话，技术政治学应当与技术哲学、技术社会学（STS）相靠近，技术政治学下设计算政治学、技术政治哲学和生命政治学。
我记得我在好几年前，就已经看到了技术政治学的相关研究，甚至国外好像还有一本专著。
温纳在1977年就出版了《自主的技术》，但是在国内却没有掀起太大的浪潮，甚至最先兴起的也是计算政治学。
当然，在我这里我也是比较好理解，而且能够自洽的。
近十年来，政治学领域的“公管化”或者说“马克思化”非常严重，我在本科阶段的时候一度认为政治学基本上已经丧失了学科自主性，政治学作为一门学科所具有的批判性和解释性已经基本变成“批判国外，阐释国内”，以至于我当时非常想跨专业去社会学和哲学，但是计划赶不上变化，我还是老老实实考了政治学的研究生。
但总之，每每看到顶刊刊发大量的这种公管和马克思的研究，我都非常痛心，有时候公管以及马克思的朋友和我吐槽，为什么你们学政治学的经常跑我们这里发文章，把学院名字一盖，谁能分辨出你是政治学的学者。
所以当国内兴起计算政治学的浪潮的时候，我是非常欣喜的，我自诩今天和八十年代引进理论的“学术之窗”是相似的，通过引进（也不一定是引进，本身国内做方法就非常出色，并且国内AI研究也非常前沿）新的研究方法和新的研究视野，政治学领域正在迎来一场前所未有的“科学化”。
我觉得这是非常重要的一件事，之前实习的时候和生物学的老师聊天，他们问我是怎么写论文的，我说基本就是立观点、文献综述，或者找案例研究，做描述等等。
他们总是反驳我，那你如何确保你的研究是真实的，你如何服务论证，如何面对同行的质疑。如果A说A是对的，B说B是对的，那你们之间如何比较研究的前沿与否？
这个时候我好像有点失声。
一方面，我确实没办法比较顶刊上不同论点之间的差距，甚至我连鉴别研究的能力都有些丧失。
我能看到的是整体政治学学界修辞能力和遣词造句的能力与日俱增，但我已经无力去分辨什么是好的研究，什么是口号式研究。
所以当计算政治学兴起的时候，我是双手赞成，虽然量化的方法固然有其弊端，但是和不可言说不可评论的研究相比，我还是非常喜欢这种至少从方法上来说可以评论的文章。
前段时间耿同学打假多个医学和生物学的大佬，但是当这股打假风蔓延到社会科学领域，打假很难有实锤，只能从“抄袭”上下功夫。
很显然，造假之风绝不仅仅只在科学领域蔓延，社会科学领域也一定有大佬造假，但是社科本身的特殊性质使得打假几乎无从下手。
而这股科学化的浪潮，总算能给公管化和马克思化踩个刹车。
七、从“科学化”到“有趣的问题”
计算政治学的未来会是什么呢？
我们目前已经看到了非常多元化的研究方法，比如机器学习、硅基样本、bert文本分析、向量网络分析等等；也有了非常多元的研究对象，比如音视频分析、各种各样奇奇怪怪的指数如五角大楼披萨指数、官员的颜值指数。
我没办法确定这样的问题是“真问题”，但至少这可能会是一个“有趣的问题”。
我已经很久都没有在政治学领域看到“有趣”的问题了，这一点难能可贵。
因为我总觉得，吸引一个人修习政治学，一定是有趣的政治现象，而能否将这些有趣的政治现象引导到严肃的政治问题，进而批判政治实践，这就是我们的职责所在了。
2026年7月27日 吉林大学北苑四学生公寓
写下你的想法