楊植麟的「無限雪山」：Kimi 創辦人談 RL 轉向、Agent 泛化與 AI 時代的組織哲學

本文為閱讀月之暗面（Moonshot AI）創辦人兼 CEO 楊植麟長篇訪談的摘要整理。

這段訪談像是在記錄一支大模型團隊「沿著一座未知雪山持續攀登」的兩年：一方面，模型能力以近乎加速的速度演進；另一方面，每解決一批問題，就會展開更難、更抽象的新問題。

訪談背景：一年後再對話，雪山仍在，但路更清楚了

這次訪談是張小珺再次對話 Kimi（「月之暗面 / Moonshot AI」）創辦人兼 CEO 楊植麟。一年前（2024）的報導標題是〈向延綿而未知的雪山前進〉；一年後來到 2025 年 7 月，楊植麟的第一個感受是：「好像過了很久」——因為「AI 一天，人間一年」，AI 的一年在人間究竟折合多少時間已難以衡量。

他說，雪山的感覺仍然相似：仍在往山頂走，仍會看見大量未知。但不同的是：又解鎖了新場景，對「中間這條路」更清楚了。

他用模型能力的跨越做對比：兩年前模型連「寫一篇文章」都寫不明白；而現在模型不僅能寫好文章，還能連續工作幾個小時，完成複雜的端到端工程任務（例如處理程式碼、調試、修 bug、讓專案跑起來）。這些在兩年前很難想像。

「問題不可避免，但問題可以解決」：無限雪山的世界觀

楊植麟引用並反覆提到一本書 《The Beginning of Infinity》（無限的開始）。他說書裡有兩句話「要刻在石頭上」：

  • 問題是不可避免的
  • 問題是可以解決的

他用啟蒙運動前後的人類社會作比喻： 啟蒙運動之前，社會更像靜態系統，人們用「雷公打雷」「神不高興所以下雪」這類解釋來描述現象，真正做科學研究和知識創造的人很少；啟蒙運動之後，社會變成動態系統：新知識被創造 → 解決一個問題 → 產生新的問題。新問題的出現不是壞事，而是因為知識邊界在擴張。

他把 AI 研發也視為同一種動態：例如強化學習（RL）讓一些問題得到答案，但又帶來評估、衡量、驗證等新難題。於是整個攀登過程像「每解決一題，就再上升幾百公尺」。

他甚至提出一個更激進也更浪漫的想像：雪山可能沒有盡頭。而他希望它沒有盡頭，因為那才符合「無限的開始」：永遠有新問題、永遠能解、永遠能再往上爬。

更關鍵的是：到某個階段，「不一定是自己在爬」，而是開始用 AI 來爬山。他提到團隊已用 K2 模型做許多模型訓練、資料處理、分析甚至部分訓練相關工作——以前要人工寫程式、或不會寫程式的人做不了的事，現在可以讓模型來做。AI 成為放大器（lever / amplifier），讓攀登速度提升。

AGI 不像登月：不是「到那一刻就達成」，而是方向

張小珺追問：過去人們把「中點」固化為 AGI，今天中點還是 AGI 嗎？

楊植麟的回答是：AGI 更像方向，不像某一級台階。 登月是「腳踩到月球那一刻」就能宣告成功；但 AGI 很難存在某個明確時刻，讓你喊口號說「此時此刻之前是 pre-AGI，之後是 AGI」。因為：

  1. 技術能力是連續提升的：很多領域模型已可能比 99% 的人做得好（例如某些數學題、程式競賽題在提升速度下很快會被充分解決）。
  2. 影響社會的周期更長：即便技術突破，社會結構吸收這種新技術（像蒸汽機帶來的工作重組與新職業）可能需要幾十到幾百年。這種「社會消化期」也可視為 AGI 敘事的一部分。

他眼中的「過去一年大模型最重要變化」：推理、Agent 與 test-time scaling

楊植麟回顧過去一年（全球範圍）最重要的幾件事時，提出三個核心趨勢。

強思考推理模型：以 OpenAI o1 為代表

他認為 o1 類「強思考 + RL」代表一種重要範式：讓模型在解題時做大量嘗試與反思。

他把「反思」拆成兩種能力：

  • 提出新猜想：解題過程中不停生成候選解法
  • 自我驗證：判斷猜想對不對（即便不是顯式訓練一個 verifier，也可能在推理過程中隱式發生）

透過「猜想—驗證—再猜想—再驗證」的循環，模型等於嘗試很多次，將原本的 pass@k（多次抽樣才有機會對）逼近 pass@1（一次就對）。他也說這像科研與解題：不是線性流水帳，而是自由探索、反覆推翻與逼近。

同時他提到串行（serial）與並行（parallel）採樣策略：可以並行抽多個解，也可以串行地逐步修正；一些研究甚至指出串行上限可能更高，這與他們實驗觀察相關。

他用一個鮮明比喻形容這類推理模式： 「想像一個魚缸，然後你把一個腦子放在裡面。」 也就是「缸中之腦」：模型在不與外界交互的情境下，靠純內部思考就把題解出來。

多輪 Agent 強化學習：從「缸中之腦」走向「與世界交互」

另一條同樣重要的路，是更 agentic 的模型：它在解題時會與外界多輪互動，例如：

  • 呼叫搜尋
  • 使用瀏覽器
  • 寫一段程式、跑測試、讀回輸出
  • 不斷根據環境回饋更新下一步行動

也就是：下一步行為取決於外界回饋帶來的新狀態。這使模型不再是封閉腦，而是「在世界裡做事」。

兩條路共同指向：test-time scaling

他把上述兩類（強思考推理、以及多輪 Agent）統一到一個更底層的概念：test-time scaling——在推理/測試時，把 token 與步數規模化。

  • 推理模型：每一輪用更多「思考 token」
  • Agent：用更多「輪次」與更多「工具操作 token」

代價是完成時間變長，但換來的是能做更複雜、端到端的工作。他舉例：模型可以花幾個小時自主完成一個大型工程任務——把 repo clone 下來、翻譯成另一種語言、調試測試、修完所有 bug、跑通系統——過程中不需要人工介入。

「一方產品」趨勢：腳手架逆向工程 vs 垂直整合正向訓練

楊植麟觀察到另一個趨勢：越來越多模型公司開始做一方（first-party）產品，也就是「模型原廠自己做 Agent 產品」。

他對比了兩種路線：

非原廠產品：腳手架 + 逆向工程模型分佈

過去很多產品基於基礎模型，外加工具、提示詞、context engineering、workflow 等「腳手架」來搭產品。這本質上像在做逆向工程：猜「怎樣用工具、怎樣寫 system prompt、怎樣做 context」能更接近模型訓練分佈，使效果更好。

原廠一方產品：工具/環境先設計好，再在該環境端到端訓練模型

如果模型公司自己做產品，邏輯就不同：可以先把工具與環境設計好，直接在這個環境裡端到端訓練模型，使模型「天生適配」這套工具與產品形態。上限可能更高，因為工具設計與模型訓練互相迭代：模型哪裡不行，就改工具；工具改了，又回到訓練端到端提升。

張小珺提到像 Claude Code、ChatGPT Agent 這類就是一方產品趨勢。楊植麟也補充：Moonshot 現階段投入仍以「模型主線」為主，但一方產品的趨勢很大，未來兩者邊界如何劃分仍在演化。

L1 到 L5：不是嚴格線性，而是能力互相回饋

談到某些體系把能力分成 L1（聊天）到 L5（更高階能力，例如創新者、組織者），張小珺問：為何 Chatbot/Reasoner 之後才是 Agent？又為何後面是 Innovation 與 Organization？

楊植麟的核心觀點是：它們不是嚴格線性的依賴鏈。

  • Agent 的上限確實受推理能力影響：要做最複雜的 agent 任務，終究要很強 reasoning。
  • 但研發順序上，不一定非得先把狹義推理（例如長鏈思考）做到極致才能做 agent；也可能先把 agent 做好，再補推理。 他以 Claude 路線做例：某些模型推理分數未必最高，但 agent 表現可能很強，代表它們押注在不同 test-time scaling 維度（多輪交互 vs 純內部思考）。

接著他解釋「Innovation」的關鍵：模型什麼時候能參與模型研發本身——例如希望 K2 參與 K3 的研發。要做到提出想法、設計實驗、分析結果、迭代方案、甚至優化 infra 性能，模型需要強 agentic 能力。

而「Organization」更像 multi-agent 系統：一個 agent 拆成多個 agent 分工（寫測試、寫文件、設計架構等），串並行運作再合併。挑戰在於 multi-agent 如何端到端訓練、以及不要過度過擬合某幾種 agent 類型以保持泛化。

他也明確否定「organization 是封頂」：推理的上限在哪、agent 的上限在哪，今天都不好說；更像永遠可提升的刻度。

Moonshot 24→25 的關鍵決策：從 SFT 轉向 RL、從對話轉向 Agent

張小珺請他復盤 2024 到 2025 這一年 Moonshot 的關鍵決策。楊植麟指出兩個最重要的方向性轉變：

  1. 研發重心從「預訓練 + SFT」轉向「預訓練 + 強化學習（RL）」 這不只是方法換了，還涉及人才儲備、研發流程、基建改造。
  2. 產品與能力路線從「對話」轉向「Agent」 這會深刻影響日常工作方式與訓練策略。

K1.5 與 K2：一個驗證 RL 路線，一個追求更好的 Base Model 與泛化 Agent

談到產品節點，張小珺問 K1.5 與 K2 對 Kimi 的意義。

K1.5：強化學習技術驗證與基建積累

楊植麟說 K1.5 更像 RL 路線的驗證：他們較早投入 RL，並得到一些關鍵結論與 know-how，包括發現：

  • 不一定需要太多 process reward
  • 不一定需要 value function
  • 某些訓練設計可能有副作用
  • 反而可以用更端到端的 reward 把訓練做得很好

過程中他們也積累了 RL 基建與算法 know-how。

K2：追求「非常好的 base model」與更好的 agentic 能力

K2 的目標包含兩條主線：

1) 更好的 Base Model：面對「資料牆」，追求 token efficiency

他指出預訓練的瓶頸在於高品質資料增長緩慢；多模態資料未必能提升「文本智商」。高品質 token 近似常數，因此他們的策略是：讓每一份 token 產生更大價值（token efficiency）。

他特別區分：

  • compute / training efficiency（訓得更快）：有價值，但不提高智能上限，只是更快完成同樣訓練
  • token efficiency（學得更有效）：在 token 受限時能抬高效果上限

為提高 token efficiency，他提到幾個具體做法：

  • 新型優化器 Muon：相對於十年來主流 Adam，Muon 能更好利用參數結構（不是把矩陣每個元素當獨立量），因此學習效率更好。 他舉早期實驗直覺：在 compute optimal 情況下可達到近似 2 倍提升——「學一份數據 ≈ 別人（用 Adam）學兩份」；如果你有 30T 高品質 token，等價於 60T 的學習效果。

  • 對高品質資料做改寫（rephrase）：因為高品質資料在總量中占比更少，如果同一份資料反覆學容易過擬合、泛化不佳，所以希望用改寫帶來分布上的變化以提升泛化。

2) 更好的 Agentic 能力：最大的挑戰是泛化

楊植麟指出 agent 訓練最大的痛點之一是：泛化。目前很多 RL 訓練與評測都偏「單點」：

  • 訓練任務是單點（例如只訓練某個 benchmark）
  • 評價指標也是單點（例如分數提升）

但「分數上去」不等於「泛化更好」。他們嘗試避免模型過擬合到某些工具、環境、任務。尤其在 Agent 訓練裡，泛化比對話模型更難。

他認為 評估（evaluation）仍是瓶頸，也是阻礙 agent 泛化的重要原因：agent benchmark 不多，而且很多分數並不全面反映真實能力。

什麼是 Agent：多輪 + 工具；泛化決定天花板

楊植麟給出一個相當工程化的 agent 定義：核心特徵是兩個——

  • 多輪（multi-turn）：能做很多步，這也是一種 test-time scaling
  • 工具（tools）：連接模型與外部世界
    • 搜尋把模型接上互聯網
    • 代碼把模型接上數字世界的自動化能力

他預期未來工具呈長尾分布：若泛化做得好，模型不只會用常見工具，也能用個性化工具（公司內部資料庫、私人文檔接口、定制 API）完成業務操作。 因此他認為：agent 最缺的是對「沒見過的工具」的泛化能力。若泛化足夠強，很多垂直 agent 不一定需要「重新造一個模型」，而是「給通用 agent 接上不同工具」就能垂直化。

他也補充一個重要澄清：agent 的目的不是「模擬人」，而是追求通用（general purpose）。人類也很通用，但相似只是結果，不是設計目的。他用比喻說：飛機不是為了像鳥，而是為了交通。

長上下文與多模態：要更長、更聰明，且不能互相傷害

張小珺問 long context / long-term memory 是否重要。 楊植麟說非常重要，因為許多任務 128k/256k context 不夠，可能需要百萬級甚至更長；但同時「腦子要好用」——長不等於聰明，且高智商下做超長上下文本身就是巨大訓練挑戰。

他指出這裡存在天然衝突：

  • 要高壓縮率（往往需要更大模型、更好學習）
  • 又要更長上下文

不同架構會有權衡：有些架構長上下文更好，但短上下文可能下降。

多模態也一樣： 他說「多模態只要不損傷文本智商就已經很好」，但更理想的是：多模態要能借用同一個腦子，在多模態模式下也能激發文本智商，而不是「另開一套腦」。他甚至用 MoE 打比方：不希望某些 experts 專門做多模態而導致「多模態很傻」，他們想要的是「聰明的多模態」。

開源與閉源：Base model 仍偏原廠改進，下游 specialized agent 可能從開源爆發

張小珺提到：楊植麟去年說「開源會落後於閉源」，因為開源貢獻無法直接改進 base model（缺少算力驗證、資本與人才聚集），領先者通常不開源；但今年他們開源了。

楊植麟直說：因為還沒有做到完全領先。 他也更細緻區分「改進 base model」與「下游 post-training / agentic specialization」：

  • base model 要變更好，往往仍需原廠端到端訓練與巨大算力與閉環工程；
  • 但開源模型能讓下游公司在定制工具集合下訓練 specialized agent（例如法律 agent），在特定場景做到非常強。這更像賦能生態，而不是直接反哺 base model。

為何 AI 產品還沒形成數據飛輪：算力 scaling 太強、回饋噪聲太大

張小珺問：為什麼 AI 產品沒有像推薦系統那樣形成數據飛輪？

楊植麟給兩個原因：

  1. 算力 scaling 太強 pre-training 能 scale，RL 也能 scale，而且 RL 的 scaling 效率可能更高（on-policy + 探索），所以單純 scale compute/flops 帶來的提升巨大，顯得其他增益很小。

  2. 外界 feedback 噪聲高，模型對噪聲敏感 數據飛輪依賴外界環境的回饋信號，但大模型對噪聲更敏感；要做飛輪需要降低噪聲，而這可能需要創造新的交互方式。

因此在他看來，當下更確定、更有效的路仍是：scale flops 與提升學習效率（token efficiency）。

「模型即產品」：訓練階段就把模型、工具、context 搭好

談到 AI 時代產品與系統，楊植麟延續他一貫觀點：**模型級產品（model-native product）**仍成立。

他解釋：做 agent 產品時，你必須把模型、工具、context 結合起來；但訓練模型時其實也必須把這一整套搭好才能訓。於是：

  • 模型訓練完，產品也基本完成了 上層交互仍有價值，但更像最後一層「天花板」的打磨；真正的性能與適配是在訓練中完成。

CEO、組織與「用 RL 管理團隊」：SFT 與 RL 的平衡

在組織管理上，楊植麟提出一個很有辨識度的類比：科研/創新很像強化學習。

他談到「經驗主義」的局限：經驗不會自動產生新知，新知常來自「提出猜想→設計驗證」。這與訓練神經網路時觀測大量內部指標但仍需猜測因果、再做實驗驗證很相似。

他進一步把這套思路映射到管理：

  • 用 SFT 管理：像是手把手告訴同事「應該怎麼做」，風險是失去主觀能動性與創造力
  • 用 RL 管理：給目標/獎勵，讓團隊自己探索，風險是reward hacking（大家把指標刷漂亮，但不代表真正變好）

因此 CEO 的一個重要課題，是掌握 RL 與 SFT 的平衡：

  • 以 RL 為主，保留探索與創新
  • 以少量 SFT 作為「鮮豔的約束」，防止飛太遠或遺忘 但手要管住：SFT 太多，創造力就被抹平。

情緒、心態與「時間的朋友」：避免情緒化決策

張小珺多次追問他的情緒狀態、是否低落、是否害怕掉下去。楊植麟的表述相對克制：

  • 他承認人一定會有高點低點，也一定會恐懼；
  • 但他強調避免情緒化決策，把注意力放在「當下這一步能做什麼」；
  • 他反覆提「做時間的朋友」：很多複雜性是人為加上去的，真正的核心是喜歡這件事、想把它做好。

AI 的意義與風險：文明放大器、可能的杠杆

在訪談尾聲，楊植麟給出他做 AI 的根本動機：AI 很重要。

他引用張小珺先前問 Kimi 得到的回答：「AI 是人類文明的放大器。」他認同這點，並給出理由：下一次突破知識邊界，可能要靠 AI 這個巨大杠杆。因為人在前沿學科要花二三十年才能站到最前沿，而 AI 可能一夜之間就能學會，從而把人類推到下一輪突破。他甚至稱 AI 可能成為一種 meta science。

至於 AI 是否可能摧毀文明，他的立場是：

  • 風險不能說不存在；
  • 但可以做很多事（更安全的對齊、更好的社會機制）；
  • 不能因風險就放棄，否則等於放棄文明上限。

快問快答

  • 喜歡的食物：拉麵
  • 推薦必讀書：《The Beginning of Infinity》
  • 最重要的 AI 論文：Backpropagation、Transformer、GPT-3、ResNet、Adam
  • 基於當下認知最關鍵的 bet：泛化的 Agent，用更高層的 Innovation（L4）去解 Agent（L3）的問題

核心脈絡整理

楊植麟在這次對話裡反覆回到同一個世界觀：AI 研發是一座可能無盡的雪山；每解決一個問題就會長出新問題，而真正的突破常常來自讓 AI 更像杠杆——不只更聰明，還能更通用地與世界交互、在更可靠的評估下泛化，甚至參與下一代模型的自我迭代。