Kevin Scott：“長期記憶”是AI創業最被忽視的機會

矽谷創業社區 South Park Commons 的一場對話中，微軟 CTO Kevin Scott 聊職業拐點、與 OpenAI 合作、AI 時代更值錢的問題為什麼總被忽視。整場對話 56 分鐘，話題從創業試錯，一路聊到開源與閉源。

AI 創業最怕的，不是技術落後，而是把“噪音”當訊號。

看起來像積極訊號，但對你做的東西沒有價值，而且沒有關係的資訊。 媒體熱度、投資人興趣、技術熱詞，這些訊號容易獲取、容易量化，但可能正在把你引向錯誤的方向。

第一， Kevin 如何學會識別正確的訊號。

第二，今天的創業者面對什麼樣的環境。

第四， 如何識別被忽視的真實訊號。

第一節｜放棄有趣的技術，選擇值得做的事

Kevin Scott 原本想當一名大學教授。博士期間他研究動態二進制翻譯，技術含量極高，但他後來放棄了。

原因很簡單：這事除了我，幾乎沒人在意。

他說：我花了大量時間研究這些最佳化方法，能提升系統幾個百分點性能。寫論文、被引用、繼續寫論文……然後呢？

在學術界，這就是標準路線。但在真實世界裡，這些百分比的提升沒有任何意義。Kevin 第一次意識到：學術界的評價標準，和真實世界的價值判斷，根本不是一回事。

學術界看重論文數量、引用次數、同行認可，這套機制清晰、容易量化。但真實世界在意的是：有多少人因此受益？產生了多大價值？

這兩套標準不一致，甚至是衝突的。

於是他從學術界出來，進入Google。他做的第一個項目，是廣告稽核流程的自動化。這事聽起來一點也不酷。Kevin說：其實就是做一套自動過濾規則，判斷廣告文案能不能用驚嘆號、有沒有成人內容。

但這個問題值錢。每天 5000 萬美元的廣告被卡住，人工稽核處理不過來。就這麼點改動，最終每年幫 Google 省了近 10 億美元。

從那時起，他確定了一條職業準則。做每一件事，第一眼先看它有沒有可能產生真正的影響，其次才是技術有多有趣。

他說，人生是從放棄最複雜的技術，轉向最有價值的工作開始的。

這是他第一次識別出正確的“訊號”。

第二節｜容易獲取的反饋，往往是噪音

Kevin 20 年前做的那次選擇很簡單：學術界 vs 商業世界，二選一。

今天的 AI 創業者面對的環境要複雜得多。

現在做創業比過去任何時候都便宜。但也正因為便宜，試錯的人多了，噪音也就多了。

看起來像是正反饋，但和產品價值無關的資訊。

媒體熱搜、點贊數、風投的興趣，這些都可能是噪音。很多創業者依賴的這些訊號，恰恰也是最容易把你帶偏。

因為這些訊號背後有自己的利益機制。

媒體需要流量，選擇有話題性的故事。

投資人看重多元的項目組合，對熱門賽道表現出興趣。

技術社區追逐最新的模型、最大的參數量。

但這些和有人願意為你的產品買單是兩回事。

更麻煩的是，這些噪音還特別容易獲得。

你發一條帖子，幾百個贊；寫一篇文章，上了熱榜；見幾個投資人，都說感興趣。你開始覺得方向是對的。但這可能只是說明：你踩中了一個熱門話題，成了轉發素材，而不是解決了真正的問題。

很多創業者開始往熱門概念上靠：“我們是AI+教育”、“AI時代的瀏覽器”、“GPT時代的新筆記工具”……

這些說法新穎、容易講，但不等於有人真正需要。

Kevin 給了一個判斷方法：要分清楚兩件事。

一件事是你希望它發生；另一件事，是它不管有沒有你都會發生。真正適合創業的，是後者。

第三節｜當所有人卷模型，OpenAI在做什麼

ChatGPT 上線時，用的是老模型。業內很多人都見過，Kevin 說，包括他自己在內，沒人想到它會成為爆款。

因為所有人在追一個訊號，OpenAI 在追另一個訊號。

2022 年底，每個實驗室都在追逐容易量化的數字：更大的參數量、更高的benchmark、更先進的架構。但這些是噪音。

ChatGPT 的改動極小：一套老模型，加上 RLHF，加上一個輸入框。技術上沒有任何突破。但它讓普通人第一次可以直接和 AI 對話，不需要任何技術門檻。

“它不是我們見過最強的模型，但第一次讓 AI 直接進入了使用者生活。”

在他看來，這類機會有三個特徵：

因為看起來太普通、太基礎、沒熱度而被忽略。

這些機會不會出現在熱詞榜上，也講不出宏大的故事，但可能打開兆美元市場。

關鍵是：如何識別這樣的機會？

第四節｜識別真實訊號的三個標準

為此，Kevin 給出了三個判斷標準。

他說：現在不是 AI 不夠強，而是很多人不知道怎麼把它用好。

這意味著什麼？意味著機會不在能力端，而在使用端。

他舉了長期記憶的例子。現在大模型能對話，但記不住歷史。使用者每次都要重新交代背景，AI 像個永遠喝斷片的“實習生”。

技術上能解決嗎？完全可以。只需要做資料管道、內容壓縮、歷史記錄。

為什麼？因為這不會上論文，也拿不到媒體關注。。

Kevin 說：很多人不願意做這件事，是因為它看起來像修修補補，不像創造。但這恰恰是真實訊號。因為使用者真的需要，技術能力已經夠了，只是沒人認真做。

如果媒體在報導、投資人在追逐、大公司在佈局，這很可能是噪音。

這就像 Kevin 20 年前的選擇：他做的是所有人覺得不夠酷的事，但恰恰解決了真實問題。今天同樣如此。已經有太多資源在追逐那些熱門賽道，你作為創業者很難勝出。

真正的機會往往在被忽視的地方：大公司覺得太瑣碎、媒體覺得不吸引眼球、投資人覺得不夠宏大。

正因為被忽視，競爭反而更小。

Kevin說，做工具的成本已經非常低了。現在真正缺的，是願意動手的人。

讓 AI 記住使用者歷史。搭個簡單的上下文快取，看使用者是否真的需要。

用現有工具搭建一個端到端流程。把 AI 對話、自動化工具、文件系統連起來，做一次完整閉環，看能不能真正替代人工。

不寫 PPT，直接做互動原型。從產品體驗出發，而不是從概念包裝出發。

現在是 AI 創業最好的時候，因為你可以不靠預測未來，只靠動手做個小實驗，就能找到好的方向。

你是追逐容易講的故事，還是解決真正的問題？

Kevin Scott 說，他不追求快樂，只想做有意義的事。

因為有意義的事，自帶清晰的訊號。

20 年前，Kevin 只需要選擇：學術界還是商業世界。今天的創業者面對更複雜的環境：媒體熱度、投資人興趣、技術熱詞，那些是噪音？那些是訊號？

Kevin 的方法是：不要靠判斷去猜，要靠行動去驗證。

做工具的成本從未如此低，但噪音也從未如此多。

找對訊號，比找對方向更重要。  (AI深度研究員)

Google DeepMind 的機器人團隊強調，他們做的不是預先編好動作、只會後空翻表演的機器人，而是面向現實世界的 開放式通用機器人。這類機器人需要能夠 理解人類自然語言指令，並且可以 靈活組合執行幾乎不限種類的任務，而不是只會重複固定指令碼。

來源：AI工業（採用 AI 工具整理）

相比四年前，實驗室形態也發生了明顯變化：依託 更加魯棒的視覺主幹網路（visual backbone），模型對光照、背景、雜亂環境的敏感度大幅下降，視覺泛化問題被解決了很大一部分，不再需要用隱私屏去“淨化”場景。

最近幾年的核心進展，是把機器人系統 直接建構在大模型之上。團隊使用大規模 視覺–語言模型（VLM）作為通用世界知識的底座，在此基礎上疊加控制能力，建構出視覺–語言–動作模型（VLA/VALA）。在這樣的模型中，機器人在世界中的 物理動作也被視為一種序列 token，與視覺 token 和語言 token 放在同一序列中建模。這使得模型能夠在統一框架下處理“看到了什麼、理解成什麼、接下來該做什麼動作”，從而在 新場景、新物體、新指令上表現出更強的動作泛化（action generalization）能力。

在任務層面，系統已經從早期只會做“拿起、放下、拉開拉鏈”等短視野任務，邁向可以完成“行李打包、垃圾整理”等 長視野任務。通過在 VLA 上方加入一個 Agent 層，系統可以把很多短動作 編排成完整的長鏈條行為。例如“幫使用者打包去倫敦的行李”時，Agent 會先 查詢當地天氣，再 推理需要準備那些物品，然後呼叫 VLA 驅動機器人執行具體收納，形成 “上層推理規劃 + 底層物理執行” 的分層架構。

在Gemini 1.5中，團隊又加入了 “思考（thinking）元件”：模型在執行動作之前，會 先顯式輸出自己對即將執行動作的“想法”和推理過程，然後才真正下發動作指令。本質上，這是把語言模型中的 鏈式思考（Chain-of-Thought）機制遷移到機器人控制上。實驗結果顯示，顯式輸出“思考過程”可以顯著提升機器人在新任務上的泛化能力和成功率，同時也大幅提升了系統的 可解釋性。

代表性案例：Aloha 午餐盒、桌面操作與衣物分揀

在具體實驗中，團隊用 Aloha 機器人演示了一個高難度的 “午餐盒打包”長視野任務。

機器人幾乎 完全依賴視覺伺服（visual servoing），以 毫米級精度抓住自封袋的一小段邊緣，把面包準確塞進狹窄空間，在出錯時根據視覺反饋不斷調整和重試。支撐這些端到端策略的資料主要來自遠端操作（tele-operation），研究人員以第一人稱視角“軀體化”地操控機器人完成任務。

機器人則從這些 人類演示資料 中學習“什麼算做對”，最終得到真正端到端的視覺–動作控制策略。

他們還展示了結合 語言控制與通用桌面操作 的場景：桌面上有不同顏色的積木和托盤，上面疊加了Gemini 語言互動層，使用者可以直接說出指令，機器人一邊執行一邊用語言反饋自己的動作。

更關鍵的是，場景中加入了 完全未見過的新物體（例如剛買來的梨形小容器、減壓球），系統依然可以理解諸如“打開綠色梨形容器，把粉色軟團放進去，再蓋上”的複雜指令，展現出對 新物體、新組合的開放式泛化能力。

在另一個衣物分揀的人形機器人示例中，模型在每個時間步同時輸出 “思考文字 + 接下來要做的動作”，將 思考與行動統一在一個端到端閉環模型中，既提升了表現，也增強了 可偵錯性和可解釋性。

技術路線已成型，瓶頸轉向物理互動資料

團隊整體的判斷是：儘管當前機器人仍然 偏慢、動作有些笨拙，成功率也並非完美，但與幾年前相比，已經出現了“質變級”的進步。現在的系統能夠 理解語義、形成有上下文的場景理解，並對複雜的物理任務進行分解與推理。他們認為目前的很多成果，已經是在搭建 未來通用家用機器人的基礎模組，而不是將來會被完全推翻的臨時方案。在這種情況下，真正的核心瓶頸，已經從“模型結構設計”轉移到了“資料匱乏”：機器人要學會通用操作能力，需要海量的 真實世界物理互動資料，而這類資料的規模遠遠比不上網際網路的文字和圖像。

未來一個重要方向，是充分利用人類在網際網路上發佈的 大量手工操作視訊，從這些人類示範中大規模學習，從而緩解實體機器人採集資料成本高、速度慢的問題。總體來看，通用機器人操作仍然是一個高度非結構化、開放式的難題，但在團隊看來，如果能跨過“物理互動資料”的門檻，當前這些“幫忙疊衣服、打包午餐”的演示，很可能就是一場真正“機器人革命”的前夜。 (AI工業)

建構 “政策 - 商業 - 科研” 三位一體閉環體系：以 “立法 - 研發 - 測試 - 落地 - 監管” 全周期推進，商務部簡化許可審批、NASA 提供技術驗證、科技巨頭主導商業化，形成全球獨有的規模化部署模式。

突破太空極端環境適配技術瓶頸：抗輻射晶片（輝達 H100 輻射加固）、相變散熱等技術保障硬體在軌穩定，SpaceX 星艦全復用發射將部署成本降至 200 萬美元 / 噸，重塑太空算力性價比標竿。

開創 “天感天算” 資料處理新範式：星載 AI 處理使資料傳輸量減少 90%，應急響應從小時級縮至秒級，破解傳統 “天感地算” 頻寬瓶頸，滿足災害預警、戰場偵察等即時需求。

打造天地一體化混合雲算力網路：太空算力與地面雲動態調度，星間雷射鏈路實現 100Gbps 高速傳輸，2030 年將支撐全球 30% AI 推理任務，重構全球算力供給格局。

形成 “軍事 - 商業 - 地月” 三級應用生態：2030 年軍事場景算力覆蓋率超 50%，2027 年推出按分鐘計費的太空公共雲，月球資料中心落地支撐地月經濟圈，實現多場景價值變現。

技術外溢催生跨行業革命：星間雷射鏈路助力 6G 無縫覆蓋，高效熱控技術推動地面資料中心 PUE 降至 1.05 以下，帶動通訊、AI、能源等領域兆級增量，2030 年為美 GDP 新增超 5000 億美元。

主導全球太空算力規則制定：從硬體介面到安全規範形成全套標準，通過 “商業太空對話” 聯動澳、加、德、日等盟友，憑藉 “規則 + 技術 + 市場” 三重優勢掌控全球科技競爭話語權。

開創可持續太空經濟新模式：通過規模化降本（星艦發射）與算力服務變現，推動商業航天從 “項目制” 轉向 “平台服務制”，2035 年在軌資料中心市場規模將達 390 億美元。

以挑剔著稱的蘋果公司，業界傳認可了三星的一款DRAM產品，將佔三星出貨量的60-70%。 三星半導體的旗艦產品通常被稱為LPDDR（雙倍資料速率），這是一種通用DRAM。 韓國經濟日報報導，三星以一款「『無名英雄』產品，橫掃蘋果供應鏈」，已獲得LPDDR5X的最大量訂單，該晶片用於最新的iPhone 17，三星也因此成為「領先供應商」。

業內人士估計，三星將大幅提升其市場佔額，預計將佔iPhone 17出貨量的60%至70%。 先前，三星電子和SK海力士在iPhone機型上的供應量一直被認為相近。 iPhone採用三家記憶體公司、SK海力士和美光LPDDR記憶體。

據信，蘋果決定增加從三星的採購量，是因為它認為三星對於確保其每年生產的2.3億部iPhone所需的LPDDR記憶體供應至關重要。

尤其是在SK海力士和美光近期將產能集中於高頻寬記憶體（HBM）的情況下，蘋果現在能夠儘可能地從三星獲得供應，而三星在通用DRAM市場佔據了相當大的佔額。 蘋果也向三星訂購了大量用於明年9月發佈的iPhone 18的記憶體。

美媒wccftech則報導指出，蘋果雖然是市值上兆美元的巨頭，但也無法倖免於DRAM短缺的影響。 由於其與三星和SK海力士的長期合作協議預計將於明年初到期，該公司必須迅速採取行動以避免價格上漲。

最新報導指出，蘋果已與三星達成合作，並在此過程中使三星成為其最大的DRAM供應商，三星提供的DRAM將佔其總出貨量的60%至70%，這些DRAM不僅用於現有的iPhone 17系列，還將用於明年的iPhone 18系列。

iPhone 18系列將於明年第3季發佈，據傳將配備六通道LPDDR5X儲存器 以提升頻寬和AI效能。 在這種情況下，三星似乎是唯一能夠同時滿足其最重要客戶需求，並保證供貨量和質量的廠商。 該報告還指出，蘋果對DRAM的「規格」極為嚴格。

此外，A19、A19 Pro以及明年的A20和A20 Pro等晶片組都無法承受瞬時電壓尖峰。 三星的12GB LPDDR5X 晶片厚度僅0.65毫米，是移動裝置中最薄的元件之一。 憑藉上述優勢，其熱阻提升了21.2%，功耗降低25%，蘋果毫不猶豫地選擇了三星作為替代供應商。  (大話晶片)

RexAA的最新長文及歷史文章，讓您掌握相關股市行情消息，協助您做投資決策。全球科技產業觀察者