大卫翁在波士顿一场闭门学术会议上认识了查晟——亚马逊AGI基础研究团队负责人，深度参与过Amazon从第一代到现在Foundation大模型的所有训练。让他印象深刻的不是查晟的技术履历，而是查晟私下说的一句话：两年后，他作为团队负责人的这份工作，可能就不存在了。

这期播客的大半篇幅，查晟在谈一件听起来纯粹是技术选择的事：Meta今年4月发布的旗舰模型Muse Spark第一次没有开放权重，标志着Llama系列的开放路线让位给闭源——但DeepSeek、Qwen这些中国团队却还在坚持把模型开源出去。查晟给出的解释是结构性的——开源模型天生缺一个叫"数据飞轮"的东西。这个解释本身没什么争议，但它引出的判断值得深挖：如果开源真的是因为拿不到数据飞轮才被迫选择的，那"开源精神""技术普惠"这些说法，可能从来都不是重点。

以下是我们的拆解和判断。

"数据飞轮"是什么，它凭什么算护城河

查晟讲得很直白：闭源模型一旦交到用户手上，用户产生的所有交互数据都会回流到模型公司自己手里，公司可以拿这些数据继续训练、迭代、优化。ChatGPT就是典型——OpenAI能拿到海量C端用户的真实需求和使用记录，直接喂给下一代模型。这个回路查晟称之为data flywheel，数据飞轮：用得越多，模型越准；模型越准，用的人越多。

开源模型的问题是这条链路从一开始就断了。你把权重放出去，用户拿着模型在自己的应用层搭建自己的产品，产生的数据留在用户自己的系统里，没有办法直接推回给开源那一方。查晟的原话是："你开源模型一旦放出去了之后，用户就拿着这个模型在自己的应用那一层去建立自己的数据飞轮，他从内部开始是没有办法把数据直接的推到上游去的。"

这是一张可以画出来的商业结构图：**闭源公司靠飞轮把用户越用越准的模型，变成一条自我加强的护城河；开源团队交出模型的那一刻，这条护城河的钥匙也一起交出去了。**Anthropic就是这套逻辑跑得很典型的案例：用得越多，跑得越快，越快就吸引更多用户来用。

开源不是慈善，但也别急着说这是"主动选择"

如果只讲到这里，容易得出一个偷懒的结论：开源团队没有能力做数据飞轮，只能靠"开放"讲故事。这个判断需要先接住它很强的反面证据，再往下走。

开源确实是一种主动的商业武器。查晟自己也承认了这一点：坚持开源能换来的是生态位——"建立一套ecosystem，让大家都会去依赖你的模型"；也能换来学术界的免费协作——"你把模型放出来，那么研究者就可以用这个模型去做相应的研究……可以从学术界得到很多基于你的模型的免费的一些collaboration"。美国大学里做后训练研究，很多用的就是Qwen——因为架构更简单，容易上手。这算得上是拿开放换来了整个学术界替你打工。

放到更大的坐标系里看，这套逻辑并不新鲜。Meta当年力推Llama开源，讲的也是同一个故事：要把Llama做成行业的"新标准"，尽可能扩大采用率才是目的，模型本身早晚会商品化，真正值钱的是应用层——是Meta AI、是塞进Instagram和WhatsApp里的那些产品。换句话说，开源阵营从来不缺一套自洽的商业叙事：护城河不在模型权重里，在用户关系和产品生态里。

**但这套叙事有一个问题：讲这套故事的人，自己先改口了。**Meta在Llama系列上讲了三年"生态位比模型权重更值钱"，等真的手里有了能跟GPT-5、Gemini掰手腕的Muse Spark，第一件事就是关上权重的门——只留API，不留下载。如果生态位叙事真的是比数据飞轮更优的选择，一旦有了闭源的能力就该继续开放才对；Meta的选择说明，开源在它自己的商业账本里，从来是"打不过闭源时候的替代打法"，一旦打得过，立刻换回护城河更硬的那条路。DeepSeek和Qwen愿意扛着高成本、放弃估值溢价的可能性，去换一个不确定能不能兑现的生态位——这是没有更好选项时的次优解，不是从容布局的主动出击。商品化叙事和次优解叙事讲的是同一件事的两种措辞，区别只在于谁在讲这个故事，以及讲的人手里有没有闭源的选项。

模型塌缩不是宿命，但认知负债是真的

查晟顺带拆掉了一个被过度渲染的恐慌。2024年Nature上那篇讲"模型塌缩"（Model Collapse）的论文——AI生成的内容拿去训练AI，模型性能会退化——听起来像是悬在整个行业头上的定时炸弹。查晟的回应很冷静：核心是数据质量问题，不是无解的诅咒。低质量、低信息含量的生成内容不经过滤直接喂回模型，才会塌缩；顶尖实验室早就在用quality filter把这部分筛掉，或者让AI把重要信息paraphrase成不同表达方式，增加语言多样性但不损失信息量。"并不是所有AI生成的数据都会导致模型collapse"——这句话算是一次辟谣：恐慌被夸大了，工程手段已经在收拾这个问题。

但查晟没有替另一个概念开脱——认知负债（Cognitive Debt）。MIT Media Lab的研究显示，长期用ChatGPT写作的人，前额叶和颞顶区的α、β脑波活动会下降，而这两个区域正对应注意力、工作记忆、语言处理能力。查晟给的类比很扎心：小学生口算能力被计算器废掉了，"用尽废退，我觉得这是人的大脑的一个特性"。这里的分野很清楚：工程能解决的是模型的问题，解决不了的是人自己主动把判断力外包出去之后，判断力本身会萎缩这件事。

查晟自己的坦白：两年后，我的岗位就不存在了

这期节目里最锋利的一段，是查晟讲自己。他说得比大卫翁转述得更直接："两年以后我的工作就不存在了。"

他把自己作为团队负责人的工作逐条拆开：读论文、追踪外部技术趋势——现在AI已经能帮他筛选每天arXiv上哪些论文值得看，并给出深度评估；做团队规划——目标拆解、依赖关系梳理、执行顺序安排，只要给够上下文，AI已经能做得很细；沟通协调——会议记录自动生成摘要、自动同步进AI agent，"甚至他在做communication的时候，他会比我更有耐心，写的语气更温和"。查晟的结论是："这个流程、这个方法本身其实也比较容易表达成文本嘛……只要能表达成文本，AI都可以做。"

一个亲手训练AGI基础模型的人，正在用自己的双手把自己的岗位职责，一条一条蒸馏进他正在训练的那个模型里。这是他自己完成的自我论证，比任何旁观者的悲观预测都更有说服力——因为他清楚地知道每一步是怎么发生的。

这一段和前面的数据飞轮悖论，是同一个逻辑的两个层面。开源团队没有数据飞轮，所以只能靠算法创新去赌一个不确定的生态位；查晟没有"不被AI取代"的护城河，所以只能靠"去学更多领域的第一性原理、培养跨领域的taste"去赌一个同样不确定的下一步。两者都在说：当结构性优势不在你手里的时候，你能做的所有事情，本质上都是次优解，只是次优解讲出来的时候，听起来都很像是主动选择。

笔者个人观察：谁的"品味"正在被定价

查晟讲的taste（品味）——人给AI指方向、判断什么是更好的能力——不是一个抽象概念。这两年里能观察到的一个具体现象是：AI公司开始明码标价地为"品味"买单。头部实验室给"高质量对话标注员""AI训练师"开出的薪水，已经明显高于普通的数据标注岗位，招聘要求也从"能听懂指令"变成"有审美判断力、能识别细微的语言分寸"。这其实是查晟那句话的商业翻版："以后对于人的taste的需求会越来越少，但存在的需求可能只针对于每一个领域最顶尖的这些人"——顶尖的品味被定价成稀缺资源，普通水平的品味正在被这些被定价的品味训练出来的模型直接替代。

查晟自己团队做企业定制大模型时的一个细节，把这个门槛暴露得更彻底：企业给的数据太窄、太专业化，如果只在这些数据上训练，模型会失去处理其他任务的能力，所以他们的标准做法是"在客户专属数据里混入通用数据集，防止模型遗忘常识"。这件事本身说明，即便是本该更容易拥有"专属数据飞轮"的企业定制场景，也没有办法脱离对通用数据的依赖——数据飞轮的门槛，比想象中更高。

还有一个小小的讽刺可以补一句：越来越多没有能力从零训练大模型的国家，正在拿开源模型做二次训练、嵌入本国价值观——法国的"主权AI"、中东和OpenAI的合作，走的都是这条路。没有数据飞轮的开源模型，因为"够开放、可魔改"，反而成了这场地缘价值观竞赛里很现成的原料。结构性劣势，被地缘政治接住，变成了一张意外拿到的入场券。

声入商业说

我们不搬运查晟讲的技术细节，我们帮你判断这些细节背后的商业逻辑：开源不是理想主义，是没有数据飞轮时唯一能打的牌；而这张牌打出去之后，连查晟自己的岗位，都要靠同一套"没有别的选项"的逻辑去应对。你觉得，当结构性优势不在自己手里的时候，"用算法创新换生态位"和"用通识教育换下一份工作"，本质上是不是同一种赌博？欢迎在评论区聊聊你的判断。

点击阅读原文，收听完整对谈——起朱楼宴宾客《我们还能给算法当多久的品味老师？》。