Episode Details

📝 本期播客简介

本期我们克隆了：知名播客 Unsupervised Learning: With Jacob Effron xAI Co-Founder: Igor Babuschkin Unpacks the Future of Model Development

原内容更新时间：2026-07-31

本期嘉宾是xAI联合创始人、River AI创始人Igor Babuschkin，主持人是Redpoint投资人Jacob Effron。Igor的职业生涯几乎横跨了所有顶级AI实验室：在DeepMind主导星际争霸和AlphaCode项目，在OpenAI推理团队早期加入、参与了o1模型诞生前的研究，随后联合创办xAI，在约120天内建成Colossus数据中心，并推动Grok系列模型达到前沿水平。

这期节目里，Igor首次深度分享了离开xAI后创办River AI的完整思考，以及他在企业AI、个人AI和本地硬件上的三个核心押注。他还坦诚聊到了与Elon Musk共事的真实体验、对Cursor收购的看法、为什么他认为闭源模型厂商作为生意正陷入困境，以及他对AI对齐、开源模型和人类未来的深刻反思。如果你关心AI行业的走向、模型训练的瓶颈，或者想了解顶级AI研究者如何看待这个时代的变革，这期节目会给你大量一手判断。

👨‍⚕️ 本期嘉宾

Igor Babuschkin，River AI创始人兼CEO，xAI联合创始人。他的职业生涯横跨DeepMind、OpenAI和xAI三大顶级AI实验室：在DeepMind主导了星际争霸AI项目和AlphaCode项目，在OpenAI参与了推理方向的早期研究，随后联合创办xAI并主导了Colossus数据中心的建设。2025年离开xAI后创办River AI，专注于企业AI、个人AI和本地硬件三个方向。他是一位兼具研究深度和工程能力的AI领域领军人物，对模型训练、强化学习和AI对齐有极深的理解。

⏱️ 时间戳

00:00 开场 & 播客简介

嘉宾登场与背景介绍

01:10 主持人Jacob Effron介绍Igor的传奇经历

02:18 Igor接受邀请，对话正式开始

从科幻小说到AI愿景

02:56 Igor谈为何写科幻小说：编程Agent的爆发

04:17 现代版《魔法师的学徒》：AI失控的隐喻

05:11 个人AI是Agent的下一个迭代方向

AI的下一步：从可验证到不可验证

05:57 科学发现是AI的下一个明确方向

07:16 数据瓶颈：物理世界实验的挑战

08:09 超级AI与日常AI的分化

River AI的三个赌注

09:26 创办River AI的动机：分发AI的控制权

11:20 三个项目：企业API、个人AI、本地硬件

11:36 第一个赌注：River API强化学习服务

12:12 第二个赌注：个人AI与个性化对齐

13:10 第三个赌注：本地硬件与推理算力

本地AI的隐私与控制

14:47 控制权是本地AI的核心动机

15:02 本地设备的低延迟优势

15:23 个人AI的隐私问题与数据安全

模型个性化与端到端训练

15:57 个人模型的持续学习与定制

16:24 端到端训练的重要性

17:08 以个体幸福感为奖励函数

企业AI与开源模型的未来

19:19 企业定制模型的成本与速度考量

19:50 专有模型与开源模型的竞争格局

20:36 开源模型变强带来的趋势变化

21:42 专有模型厂商的困境：两头受压

开源模型与地缘政治

27:48 中国开源模型的优势与风险

28:13 开源模型降低门槛的价值

29:03 对模型后门风险的评估

29:37 美国需要最好的开源模型

从DeepMind到OpenAI的旅程

30:38 回顾AI进展的惊人时刻

30:55 从物理学家到AI研究者的转变

32:04 星际争霸项目的技术挑战

33:04 AlphaCode：编程是下一个大方向

33:49 加入OpenAI推理团队

OpenAI与DeepMind的比较

34:50 两家实验室的文化差异

35:11 OpenAI的优势：人才密度与共识

35:42 对AI权力集中的担忧

xAI的创立与Colossus

37:11 与Elon Musk的相遇与共鸣

37:49 xAI的创立与人才聚集

38:26 Colossus数据中心：120天的奇迹

39:10 质疑传统数据中心建设方式

与Elon共事的体验

40:10 Elon对工程师的尊重

40:46 深入工程细节的领导风格

41:08 高能量与团队动力

Cursor收购与编程模型

41:25 Cursor收购是极其聪明的一步

41:52 真实世界编程数据的价值

42:24 强化学习环境的重要性

模型训练的瓶颈与突破

43:08 最大瓶颈：长时域与不可验证奖励

43:39 编程赛道的陷阱与长时域领域

44:04 Agent rollout时间对训练的限制

不可验证领域的进展

44:37 LLM裁判方法的兴起

44:50 模型自身判断力的可靠性

45:18 配方已存在，等待大规模实验

AI的变革时刻与未来

45:41 编程Agent的变革超出预期

46:22 阶跃变化时刻的不可预测性

人类