本期访谈嘉宾贾扬青回顾了深度学习从没落到大模型时代的技术和行业变迁，并探讨如何将 AI 转化为真实的生产力。他指出深度学习的突破得益于算力与算法的协同迭代，强调大模型已改变产品开发节奏，同时提出通过重构生产关系使 AI 成为可组织和验证的团队来提高生产力。他分享了个人从技术研发到创业的经验，讨论了产业间的优劣势对比，以及AI在生产率与成本之间的矛盾。他认为尽管未来工作结构会受影响，但大规模失业的预测为时过早。 #### 内容简介 本期访谈请到贾扬青（Caffe 发起者、曾任职 Google Brain、Meta、阿里云并创办被英伟达收购的公司），回顾从“神经网络被认为已死”到大模型时代的演进，并探讨把 AI 变为真实生产力的工程、组织与商业问题。核心观点包括：深度学习复兴依赖软硬件协同（Caffe、NVIDIA 硬件捐赠与算法改进共同推动视觉突破）；大厂与创业各有优势——大厂擅长长期工程化与分布式能力，创业公司在速度与决策上更灵活；大模型（以 GPT‑3.5 为例）把自然语言交互变成通用工具，极大压缩产品验证与落地周期；要真正实现生产力提升，不仅需要强模型，还需重构“生产关系”，把多个 AI agent 以可验证、可组织的方式组合，并设计能力边界与外部验证机制；组织和岗位会变化，但短期内并非全面消失，长期仍需架构师、设计师与沟通能力强的人才。关键事实包括贾扬青的职业与产品案例、创业节奏与并购路径、中国与硅谷在科研与落地上的各自优势，以及产出与成本不匹配的现实（例如 AI 成本快速增长但产出提升有限）。 #### 社区观点 有人称赞访谈提供了宝贵的工程化细节和亲历史，尤其是早期 Caffe 与 GPU 捐赠对行业的推动；也有观点强调软硬件协同至关重要，单靠模型架构无法复制 2012 年那种突破；部分听众对“组织层面半年到一年会出现突破”持怀疑态度，认为大规模落地需要更长的制度与流程调整；不少人共识是把 AI 变为生产力不是模型单打独斗，而是需要验证、编排与业务嵌入的端到端工程；有人警示成本与 ROI 的矛盾，担心短期内算力成本让许多项目难以持续；还有评论关注中国在应用与规模化落地上的优势，对比硅谷在基础研究投入上的领先，认为两者互为补充；若干技术人员强调“模型要知道自己不知道”的能力与 agent 组合的可验证性是下一阶段核心工程挑战。 #### 内容导读 这期内容适合希望把 AI 从研究转为工程与产品落地的听众：首先把历史脉络看清楚——从 Caffe、GPU 捐赠到大模型爆发，算力与算法并进是关键；其次理解两条路径的权衡——大厂擅长工程化与长期系统投入，创业在速度与决策上占优；核心结论是，模型能力虽重要，但转化为生产力更依赖于组织化的“生产关系”：把多个 agent 以可验证、可编排的方式融入业务流程、建立外部验证与能力边界，才能保证稳定产出；最后关注现实问题：部署成本、ROI、人才结构变化与落地节奏。听这期时重点抓住具体案例（原型时间、并购路径、成本与产出数据）与嘉宾对工程化细节的叙述，这会帮助你把高层话语转换为可执行的落地策略。