编者导语
“我做了几年，我就老实了。”刘子鸣这样解释自己为什么接受了一次“妥协”。
读博时，他想给 AI 写出一套类似牛顿力学的方程，物理学最吸引他的地方，是动手之前就能对结果有所预期，而 AI 研究还经常依赖反复试验。几年后，他接受了另一种可能：有些规律未必能很快写成公式，但可以先让模型从实验中学会预测。
这个转向，也来自他给自己做的一场前后共六十余天的“实验”，每天面对新的任务场景，对应一套算法与架构，尝试预测算法表现的结果（比如损失曲线）。他发现自己的判断一开始是完全天马行空的，但这个“实验”进行到三十多天的时候，开始有了非常强的可预测性。不过此时刘子鸣却停下来思考：如果靠一个人的生物大脑持续积累，来形成对算法表现的直觉判断，需要的时间太长了，如何把这套学习过程交给模型，让模型学会自主判别，不同的算法与架构对应不同任务场景是否是最优解，并自主迭代。
创办元环智能后，他想做的也正是这个“实验”背后思考与发现的自然延续：造一个能够自主设计模型的“元模型”。
如今，这一设想已经开始在实际实验中得到验证。在时间序列研究中，元模型设计的新架构在一项 48 步含噪记忆任务中，将误差从传统 LSTM 的 4.62×10⁻³ 降低至 2.44×10⁻⁵，误差约为原来的 1/189；在 OpenTS 基准测试中，团队还取得了 58 项 SOTA（当前最优）结果。
在世界模型方向，面对预测未来物体碰撞的任务，元模型设计的架构在二维（2D）任务上的平衡准确率（Balanced Accuracy）达到 98.10%，高于 V-JEPA 对照的 71.91%；在三维（3D）拓展任务中，这一指标达到 78.40%，对照结果为 60.80%。
这些进展意味着，元模型已经不再停留于设计构想，而是能够提出新的算法并匹配新的模型架构，并通过实际训练验证其效果。当然，目前的成果仍主要来自特定实验任务，距离在更多领域稳定复现、形成成熟产品，还需要时间。刘子鸣表示，早期投资人非常尊重元环的研发节奏，但也同时要求团队做出别人看得见的进展。至于研究者自己的位置，他愿意把解决问题的具体任务交出去，但有一件事必须保留：“我问问题的权利。”
受访嘉宾：
刘子鸣，物理学出身的 AI 研究者，在全国第一的北京大学物理系学习物理，后在麻省理工学院攻读物理博士并转向物理学与 AI 的交叉领域。读博期间，他原创提出了一度被视为 Tansformer 挑战者的全新一代神经网络架构：KAN，试图从数据中提取更精简的符号结构并提升模型可解释性。
创办元环智能后，他把关注点进一步放到模型研发本身，希望通过“元模型”学习实验中的规律，让设计模型的过程能够更加科学并可规模化。我们看到，早年物理学训练中的直觉、拆解与抽象，也延续到他的研究和创业中。
*完整访谈的视频版、音频版将同步发布于视频号、小宇宙、小红书、B站等平台
未来启点： 您说，元模型是一次妥协的结果，妥协之前，您原本想做什么？
刘子鸣： 妥协之前，我的信仰是——我要做当代的牛顿，读博期间，很多研究背后的动机，都是想把 AI 背后那套极简的“牛顿力学”写出来。
现在的 AI，从科学的角度看还处在非常早期，我们有点像在炼丹，误打误撞炼出了 Transformer，却并不知道怎么炼出别的东西。研发模型这么低效，我觉得一个原因就是背后的科学还没完全搞清楚。
物理学最强大的地方，是它能做预测，做一件事之前，就能八九不离十地知道结果会是什么样。我原来想找到这样一套极简方程，但做了几年就老实了，这不是几年之内能完成的事情。
那我就妥协：或许这本教科书不一定是符号写成的。能不能训练一个模型，让它内部有这种隐含的知识？这些知识未必能被写成公式，但如果我们得到了这个模型，对于预测算法与架构的有效性来说就足够了，这就是我说的元模型。
未来启点： 这意味着您放下了寻找明确规律的理想吗？
刘子鸣： 我会说自己是一个务实的理想主义者，我接受符号化这件事可能没有那么容易很快实现。甚至在这个世界有一部分东西，我们没有办法把它彻底符号化，但神经网络这样的工具，可以帮助我们把这些东西隐含地学进去。
所以未来的技术路线还是实事求是，哪条路线更有前景，就走哪条，早期我们会平行探索。
未来启点： 如果跟家人解释，您会怎么说元环智能在做什么？
刘子鸣： 我会说，是一个“造机器人的机器人”，或者是一个“造豆包的豆包”。家人不一定理解模型是什么，但大家知道机器人，也知道豆包这样的产品。
当然，我们不做机器人本体，这个比方强调的是自己造自己、自我迭代的想法，用这样的方式就比较容易解释。
未来启点： 它和“元学习”是一回事吗？
刘子鸣： 虽然都用了 Meta 这个词，但很不一样。元学习是 learning to learn，我这里说的是需要两层优化的元学习路线，这会让训练很不稳定，我觉得这也是它没有成为现在主流范式的一个原因。
元模型用的是监督学习，一个大家已经测试过很多、训练起来很稳定的范式。我不觉得用了监督学习就不够新，我们是在用一个成熟、稳健的方法，解决一个新的问题，这也是我相信它能够很快做成的原因。
未来启点： 您想让模型学到的研究直觉，具体是什么？
刘子鸣： 顶尖研究员在做实验之前，脑子里会有一个预期，他把预期和真实结果比较，就能得到一个误差信号，再根据这个误差去调节自己的判断。我觉得人脑里也有这样一个元模型，我自己做研究也是这么工作的。
人的预期不一定像我们希望元模型做到的那样精细，但它确实存在。我觉得这种研究直觉不是用自然语言推导三天三夜得到的，它就是灵光一现，这也是我们想探索一条不同于语言模型的路线的原因。
六十天后，为什么停止训练自己
未来启点： 您给自己做了六十天实验，每天面对新的实验场景、尝试预测结果，是什么让您一直做下去？
刘子鸣： 我觉得这件事有意思，每天会碰到一个崭新的问题、一个新的实验场景，我有这种内在的好奇心。
反倒是顿悟之后，我停下来了，我发现，随机拿来一个实验，脑子里的元模型已经能够预测得还不错，之前可能完全没办法预测。但这只是一个很小的顿悟，后面一定还有别的顿悟，如果一直靠我对自己做实验，时间就太长了。
更大的启发是，训练元模型这件事，还是应该真的去训练一个模型。我要想的是，怎么把用好奇心探索的过程，把这套方法外化出来，显式地交给大模型智能体，或者隐式地交给元模型，这样才能比我一个人做得更大。
未来启点： 您是先有了元模型的想法，再用自己做验证的吗？
刘子鸣： 顺序其实反过来，在做这个实验之前，我都没有明确提出“元模型”这个词，当时纯粹是出于好奇，还觉得 AI 研究应该靠人来做。
做了五六十天，我发现通过数据驱动的方式，自己能学到一些东西，在这个实验里，我更像是模型本身，我的脑子就是那个元模型。接下来想做的事情，就是让这种洞见能够扩大规模，我们有一句口号，叫“厚其洞见，驭其算力”（Scale Insight, not just Compute），不只是扩大计算的规模，也要扩大洞见的规模。
未来启点： 您说“模型是数据的镜子”，这句话是什么意思？
刘子鸣： 我觉得AI领域过去太关注模型了，现在大家慢慢意识到数据也很重要。但对我来说，数据才是我们真正想了解的东西，真实世界就是数据，模型是我们努力去理解它、对它建模的一种方式。
这包括物理里的模型，也包括 AI 里的模型，当一个模型表现变好了，我兴奋的地方是，在我看来，它更接近数据本身的结构了。
比如一个能够捕捉局部结构的模块，加进去之后表现变好，我就会觉得，这说明数据里有这样的局部结构。我关心的不只是效率提升了多少，也关心我们是不是因此更接近了数据背后的规律，这个过程本身会让我觉得愉悦。
未来启点： 元模型要预测模型训练的结果，您为什么相信这件事可以做成？
刘子鸣： 我觉得关键是你能获得多少信息，以及你预测的系统是不是完备的。
我们要研究的是AI训练系统，它本身是一个封闭的系统，理论上可以获得所有的信息。现实世界里，还有我们观测不到、尚未发现的东西。AI训练系统是人造出来的，我认为这里不存在同样意义上那些看不见的东西。这是我相信元模型能造出来的原因。
另外，人再聪明，一辈子能看过的实验数据也是有限的，元模型可以看远比一个人一生看过的更多的数据，这是数据侧的优势。模型侧，我们现在用的是KAN架构，它擅长做拆解，再做组合，我相信随着技术进一步发展，它能够达到人的水平，甚至超过人。
未来启点： 这些数据从哪里来？最后要拿什么标准检验元模型？
刘子鸣： 我们现在的数据是自己训练得到的，比如做语言模型预训练的演示，用的文本数据是 OpenWebText 这样的开源数据，模型架构则是我们自己合成的。
所以这里说的数据有两层：一层是通常意义上拿来训练模型的数据，另一层是模型架构本身，它也包含在我们广义的数据里。
最终的验收标准，就是比最顶尖的人类研究员都要好。顶尖研究员有直觉，也不是每次尝试都成功。我们想把做研究这件事标准化，让它能够被放到机器里、扩大规模，同时做得比人更好，人类研究员不是我们设想中的上限。
KAN适合什么，不适合什么
未来启点： 关于 KAN 的构想从 2021 年就有，为什么直到 2024 年才做出来？
刘子鸣： 2021 年我就开始研究了，但当时个人的技术积累和时机都不太成熟。2024 年重新捡起来，是因为我们想用物理信息神经网络，研究 Navier-Stokes 方程的爆破解问题。
我们希望有一个网络，既能给数值解，也能给符号解，这样才有机会严格验证它是否满足相应的条件，也就是训练时像一个神经网络，训练完之后又能符号化。沿着这个需求，我们做出了 KAN，最后没有解决最初的那个问题，却把这个模型设计出来了。
我很多科研想法一开始都不成功，但会留在脑子的后台，随着认知和知识积累提高，隔一段时间再把问题调出来，想想现在有没有条件做了。
从 2021 年到 2024 年，看起来没有一直在做 KAN，其实中间反复想过，一旦意识到时机成熟，从开始动手到做出来，大约就一个月。我出来创业也一样，是觉得元模型的技术路线基本看清楚了，就毫不犹豫决定做了。
未来启点： 从导师的质疑，到发表后外界不同的评价，您怎么处理这些声音？
刘子鸣： 这是两波质疑，文章出来之前，导师 Max Tegmark 就质疑过这个路线，还拿了一篇 1989 年的文章给我看。
我后来用 KAN 做了一个他关心的符号回归问题，又做了一个训练过程的视频，他看到这个结果之后，就支持我做了。我们两个都比较依赖视觉，看到一个漂亮、直观的过程，就会觉得这件事有意思。
工作出来以后，有人把它捧成深度学习的下一个时代，也有人很不看好。第一次做出这么受关注的工作，年轻的我当时肯定会受影响。
现在我觉得，更重要的是自己搞清楚技术的边界，任何技术都有其边界。
未来启点： 您现在怎么看 KAN 的边界？
刘子鸣： 我觉得挺清晰的，它是一个高度结构化的东西，可以从数据中学习，把里面的符号结构提取出来。两个特别适合的场景，一个是关心可解释性，一个是关心符号化，尤其是追求高精度的科学计算。
但如果目标是语言大模型的效率，逻辑就不一样了。我把自然语言比作一块“压缩饼干”，它已经被人脑压缩过一遍，要吃下它，需要一个很大的胃，这和模型结构本身是否精巧无关。
有人试过把 Transformer 里的 MLP 换成 KAN，结果在参数量一样的情况下，表现也差不多。
而科学计算中的一些数据，可能很大、冗余很多，背后却有一个很紧凑的符号公式，把这个公式提取出来，就把数据压缩了。KAN 特别擅长的是这类任务。
未来启点： 您希望元模型最终造出一个更通用的大模型，还是给每个领域造自己的模型？
刘子鸣： 我觉得我们又会回到专用模型的阶段。过去每个场景都要设计自己的模型，靠各行各业的人类研究员来做，这件事很难 scale up。后来基座模型出来，大家兴奋，是因为好像只要造一个模型，就能解决很多问题。
但我们逐渐发现，它擅长的还是数字世界、已经被符号化的世界，物理世界里还有很多问题没有解决。
元环设想的下一个阶段，是有一个通用的“造模型的模型”，让它为各行各业造出专用模型，这样就不用每个行业再配一批研究员，从头设计一遍。就像有了一张元素周期表，能用它通过排列组合设计出很多分子原子、万事万物。
不同数据的结构不一样，对应的模型也会不一样，我不相信一个架构能在所有任务上的表现都比其他架构好。现在大家太相信大模型范式能够直接迁移到别的领域，技术路线过于同质化，需要有人探索不同的可能。
未来启点： 对世界模型和 AI for Science 来说，眼下更缺数据，还是更缺新的架构？
刘子鸣： 要分领域看，我相信世界模型可能已经有足够的互联网数据，最多再需要一些高质量的具身数据来微调和对齐。但我们可能还没找到最好的架构，所以看起来数据不够用。
至少对世界模型和 AI for Science，我觉得新架构非常重要，找到了好的架构，就不需要那么大量的数据。
语言模型这边，我的看法不一样，自然语言已经是那块压缩饼干了，你需要足够大的模型把它吃进去。这个方向的架构创新，我个人认为没有那么多空间。
未来启点： 元模型还是一项早期研究，为什么选择办公司来做？
刘子鸣： 我把我们定义为 New Lab，一种以技术探索为核心的早期组织，在这个阶段，做研究和做公司是同一件事——技术路线跑通之后，就应该按公司的方式运营。
出来做公司，一个好处是会认识更优秀的人才，知道技术应用真实的有价值的场景是什么，这跟在学校里想象出来的场景不一样，会逼着你接触真实世界。
另一个原因很现实，学校的经费支撑不了我们做这些事情，算力、人才，都需要投入。我们的定位是做一个聪明、高效的模型，没有大语言模型那么烧钱，但它还是需要钱。
未来启点： 真实需求会把公司往商业化推，您为什么又担心走得太早？
刘子鸣： 商业化肯定需要，应用场景也需要，要拿到验证，再回流回来迭代模型，才能形成一个持续的闭环。但在技术早期过分追求商业化，会变成研究外包公司。
至少技术得先做到六十分，再进入更具体的场景。现在如果只有十分，你只能靠堆人去替别人做研究，那就偏离我们的初心了。
物理训练给我的一个习惯，是对真实需求做抽象，我接触很多需求，会去找它们背后共同的核心。先把大部分核心研发工作做成能够规模化的能力，再服务不同场景；最后一些具体工作，可能还是需要人来完成。不能每来一个需求，就重新从头做一遍。
未来启点： 您希望投资人有耐心，那团队如何让别人知道这份等待值得？
刘子鸣： 首先我要把愿景讲得更清楚，它不能只在我脑子里，我要让投资人、合伙人乃至其他所有伙伴都能理解，为什么我觉得未来会是这样，到达那里需要什么节奏。
另一方面，我们自己也要“沿途下蛋”，这些产出未必马上是可规模商业化的产品，但要让大家知道我们在做什么，看到一些可以感知、让人兴奋的东西从而持续相信我们、支持我们。
一方面需要外界的耐心，另一方面我们也要有 solid 的持续产出，需要理解的是研发和商业化的节奏，并不是说不需要商业化。
未来启点： 如果预测会失败，客户凭什么愿意继续尝试？
刘子鸣： 首先我们会自己做演示，内部可以失败很多次，最后要交付一个真正让大家眼前一亮的东西。客户看到最后交付的结果，才能知道它的价值。
过程中要尽量减少客户的成本，比如东西跑通之后再付钱，或者到了某个约定的阶段再付钱。这是交付和验收需要考虑的事情，元环商业模式的设计是灵活的，但归根结底会取决于元模型的交付能力边界，我们不急于敲定一个所谓最优模式。
未来启点： 大公司有更多算力和人才，小团队的机会在哪里？
刘子鸣： 初创公司更容易去押一个非共识的方向。大公司有惯性，你需要说服更上层的人从而拿到资源去做。自己出来独立创业，技术方向和路线由你牵引并不与团队一起商量，自由度比较大，看准的方向可以更快 all in。
资源上，我也不觉得只比较总量就能说明问题，大公司的资源多，业务也分散。我们可以聚焦在一条很小、以前没有太多人探索的路径上，在这条路上，我们投入的密度其实比大公司要高。
我认为，现在基于语言模型做自动研究的路线，能很快做出一些小东西，但模型本身还不够聪明，往后会更快碰到天花板。我们选择的路线，极短期看起来更慢，中长期会更快。
未来启点： 从研究者变成创业者，管理团队有什么比较大的变化吗？
刘子鸣： 目前还比较顺利，我在 MIT 时，管理过组里二十多个顶尖智力水平的本科生，有点像“大管家”。二十人左右的规模，已经有过实践经验，管得也还不错。
元环现在也是二三十人的团队，早期又以研究为主，还在我相对熟悉的范围里。但管公司和管实验室肯定不完全一样，往后还会遇到挑战，我也在学习。不过，有点小自豪的是：我的创业搭档经常说我的自进化能力，常常超出他的预期。
未来，管理一个有商业化经营目标的团队所必要的知识、技能，我会慢慢补齐，不擅长的部分，就找合适的合伙人来补，比如商业化层面。
未来启点： 您很看重研究直觉，招人时怎么判断一个人有没有这种能力？
刘子鸣： 一两次面试很难判断，我更看重的是，他对我们做的事情是不是真的有热情。
我会用“鸟人”和“蛙人”来理解不同类型的研究者，蛙人愿意把一个领域钻得特别深，鸟人能看到很多领域之间的联系。我是一个特别典型的鸟人，经常跳出眼前的问题，到更高一层看它的结构，很多直觉就从这里来。
我们团队大概两种人各占一半，鸟人可以一起讨论更大的图景，但一落到细节，可能就觉得没那么有意思了。蛙人的乐趣，恰好来自把这些细节搞通。两种人需要互补。
未来启点： 对一个仍在探索技术路线的团队，您最希望成员具备什么样的特质？
刘子鸣： 想象力。初创阶段，我们还在一起讨论，到底要造出一台什么样的机器，我希望候选人能理解元环智能想做的事情，愿意一起想象它会把模型的未来、智能社会的未来推向哪里。
这不光是垂直技术做得深，也需要能跳出来，一个人即使在大公司工作很久，也可能仍然有热情，想做一些不一样的事情，交流中能感受到。
现在组织很扁平，主要是研究员和工程师，对研究员，我要求想象力更高一些。工程师则高效地把它稳定交付出来。
未来启点： 你们自己怎么用 AI？已经在用元模型造出来的模型了吗？
刘子鸣： 还没有到那一步。现有 AI 工具用得挺多，全员 native，主要会用来获取灵感、处理基础工作。
很有意思的一点是，它能记住很多我已经忘掉的东西，有时它把一个新问题和我以前的想法联系起来，我读了觉得很有道理，自己却早就忘了。有时它又反复提一个我已经不感兴趣的东西，我就觉得它怎么还在讲这个。
带学生也有类似的感受，一个学生记得你很早以前说过的话，又能准确用在新的情境里，你会觉得他学到了精髓。AI 现在的问题是，它会记得，但有时情境用错了，就很生硬，所以它给出的联系，我还需要做筛选和判断。
未来启点： 物理学今天如何影响您？
刘子鸣： 技术层面的影响已经没有那么大了，更多是一种思维方式，脑子里先有一个图像，先跑一遍，想清楚起点和终点是什么，大概知道结果，再去计算。
这里面有两个过程。先拆解，看本质，把问题展开成一个丰富的组合空间，这是一个增加可能性的过程，然后再抓大放小，找到重点，缩小要搜索的范围。
元模型背后的想法也是这样，先让它看到很多架构，包括人从来没见过的架构，再让它显式或者隐式地学到，在这么高维的组合空间里，哪些部分最有效、最值得找。
未来启点： 技术变化很快，您会不会被新鲜事物不断吸引，偏离原来的方向？
刘子鸣： 会被吸引一瞬间，但我会很快问自己，这个东西跟我正在做的事情到底有没有关系。
这个时代新鲜事物太多，噪音也太多了。如果无关，我就要把它当成噪音，把耳朵捂上，我不会让自己被它带走。
未来启点： 如果 AI 真的越来越会做研究，人类研究者还要做什么？
刘子鸣： 研究里头等重要的是问对问题，其次才是解决它，但现在我们把很多精力花在解决上，可能只花百分之一的时间判断问题值不值得问，再花百分之九十九的时间解决一个未必值得解决的问题。
我觉得未来，我们会把时间用于判断到底什么样的问题值得问，剩下的工作交给 AI。现在大模型还不擅长的一件事，就是抓大放小，做压缩、做抽象，怎么把一个还说不清楚的问题，变成能够清楚表达的问题，仍然很重要。
未来启点： 到了那一天，您愿意放弃研究者的身份吗？
刘子鸣： 如果研究者只是解决问题，我愿意放弃。但我想保留问问题的权利，这是最有意思的地方。
也许名词的定义会变，人的好奇心不会变，这个是我想保留的。至于那些不能实际推进技术能力边界的工作内容，被定义为研究者的大部分乃至全部工作，我甘愿放弃这样的身份。
尾声
如果能把一首歌放进寄往 2042 年的金唱片，刘子鸣想选一首还没有写出来的歌：元环智能之歌。
团队还在构思它的样子。他希望多年后听到这首歌的人，会觉得“这是一个梦想开始的地方”。至于送给走在创新路上的人什么话，他选了那句熟悉的“Stay hungry, Stay foolish”，再用自己的话解释：一直保有摄取新知识的好奇心，也别觉得表现出无知有多么丢脸。
访谈中还有一道更轻松的题：如果送他一个拥有同样记忆和思维能力的机器人，他接受吗？他的回答很直接：“我接受，因为我想休息，我想每天能睡到八个小时。”
眼下他能睡七个小时，觉得也还行。“睡觉是我最后的底线。”把工作交给模型，把模型研发的工作最终也能交给模型，让模型自主进化！对他而言也包含了这一个具体的愿望。
— 推荐阅读 —
对话中科院院士丁洪：量子计算，还在等待自己的“晶体管时刻”｜What’s Next
对话原力引擎吴泰霖：在最难的物理世界里，让AI理解、设计、仿真与控制｜What's Next 海聚英才联合访谈
