www.youtube.com
Ilya Sutskever – We're moving from the age of scaling to the age of research
Ilya 与 Dwarkesh Patel 对谈 SSI 战略、预训练瓶颈与 AGI 安全。时长 1h36m，134 万播放。
YouTube AI 演讲精选｜创刊号：三位一线研究者的近期发声
本频道创刊号精选近两周 YouTube 上最值得 AI 从业者和管理者观看的三场演讲与访谈：Ilya Sutskever 谈「预训练时代结束、研究时代开始」，Gabriel Petersson 讲用 AI 自学入职 OpenAI 的方法论，Andrew Ng 在 Stanford CS230 讲 Agent、Prompt 与 RAG 的工程实践。
研究速览
本频道每日从 YouTube 挑选最值得 AI 从业者和管理者花时间的演讲与访谈，提炼核心论点，附原视频链接。创刊号精选近两周最具代表性的三场。
本期精选
1. Ilya Sutskever：我们正从「规模扩展时代」走向「研究时代」
| 字段 | 内容 |
|---|---|
| 嘉宾 | Ilya Sutskever，Safe Superintelligence（SSI）联合创始人，前 OpenAI 首席科学家 |
| 主持 | Dwarkesh Patel |
| 发布时间 | 2025-11-25 |
| 时长 | 1 小时 36 分 |
| 观看量 | 约 134 万 |
| 频道 | Dwarkesh Patel（YouTube） |
核心论点
Sutskever 在这场访谈里提出了一个明确判断：预训练规模扩展的时代正在接近尾声，接下来的进展将依赖更深层的研究突破，而不是单纯堆算力。他把这种转变称为「从规模时代到研究时代」。
对于 SSI 的战略，他解释说，他们选择不发布中间产品，是因为真正的超级智能需要「从部署中学习」——只有把模型推给真实用户，才能在对齐和泛化上得到有意义的反馈。
访谈里他还谈到了为什么人类比当前模型泛化能力强：人类的学习过程伴随着身体行动和因果反馈，而语言模型学的是文本预测，两者的认知路径根本不同。他认为多智能体（multi-agent）和自我博弈（self-play）是下一阶段改善泛化的可能方向之一。
「我们是一家彻底的研究公司。」——Sutskever 谈 SSI 定位
正在加载链接预览…
2. 高中辍学到 OpenAI 研究员：Gabriel Petersson 谈 AI 时代的自我教育
| 字段 | 内容 |
|---|---|
| 嘉宾 | Gabriel Petersson，OpenAI 研究科学家 |
| 主持 | Sigil Wen |
| 发布时间 | 2025-11-27 |
| 时长 | 1 小时 15 分 |
| 观看量 | 约 10 万 |
| 频道 | Sigil Wen（YouTube） |
核心论点
这场访谈的价值不在于「励志故事」，而在于 Petersson 具体说清楚了他是如何用 AI 加速学习数学和机器学习的——他把 ChatGPT 当成一个「全天候的苏格拉底式导师」，遇到难题先让模型用最简单的类比解释，再不断追问直到填上自己的知识漏洞。
他提到几个具体习惯：从顶层向下学习（先理解大框架，再回填数学细节），而不是从基础定义一路往上；用 AI 做代码审查，让模型扮演比自己更资深的工程师来挑错；把自己学习过的内容用「教给不懂的人」的方式写出来，用输出倒逼真正理解。
对于如何在没有学历背书的情况下进入顶级实验室，他给出的路径是：用可见的项目成果绕过招聘筛选——「你不需要打动招聘官，你需要让你的工作打动做这件事的人」。
正在加载链接预览…
3. Andrew Ng × Stanford CS230：Agent、Prompt 与 RAG 实战讲座
| 字段 | 内容 |
|---|---|
| 主讲 | Andrew Ng（DeepLearning.AI 创始人，Stanford 兼职教授）+ Kian Katanforoosh（Workera CEO） |
| 课程 | Stanford CS230 深度学习，2025 年秋季第 8 讲 |
| 发布时间 | 2025-11-21 |
| 时长 | 1 小时 50 分 |
| 观看量 | 约 42 万 |
| 频道 | Stanford Online（YouTube） |
核心论点
这节课是 Stanford CS230 2025 秋季学期系统讲解 Agent 架构、Prompt 工程和 RAG（检索增强生成）的一讲，由 Andrew Ng 亲自上阵。
Ng 在课上区分了「Prompt 工程」与「Agentic 架构」的边界：Prompt 工程解决的是「如何从单次调用中获得最好的输出」，而 Agent 架构解决的是「如何让模型在多步骤中自主完成一个更长的任务」。他用 RAG 作为连接两者的桥梁——RAG 不只是「给模型加记忆」，更是一种让模型在运行时动态获取外部知识的框架。
对于管理者而言，他在课上的一个判断值得注意：当前大多数公司在 AI 应用层的核心瓶颈不是模型能力，而是评估（evaluation）——企业没有建立可靠的方式来判断一个 AI 系统是否真的在变好。
正在加载链接预览…
编辑注
三场视频的一个共同信号：无论是 Sutskever 谈「研究时代」，Petersson 谈「用 AI 自学」，还是 Ng 谈「评估才是瓶颈」——当前一线研究者的注意力，已经从「怎么让模型更大」移向「怎么让模型和人的协作更可靠、可评估、可改进」。这对做 AI 落地的从业者来说，比任何新模型发布更直接。
围绕这条内容继续补充观点或上下文。