【学习笔记】用 Kimi 加速 Kimi:一个 AI Infra 人的 RSI、评估与权责对等——赵晨阳的 10 个 Aha Moments
上一篇整理了《十字路口》年终复盘第二期谷雨的 10 个 Aha Moments,这一篇是系列收官的第三期——《用 Kimi 加速 Kimi:RSI 前夜,一个 AI infra 人的 10 个 Aha Moments|对话赵晨阳》(全长 66 分钟,小宇宙链接,系列导读)。录制当天恰好是 Fable 5.2 发布的次日。素材同样是节目音频的全文机器转录,专有名词按公开信息做了校正。
先介绍嘉宾。赵晨阳生于 2002 年 9 月,24 岁,天秤座:初中就读成都市实验外国语学校,高中成都外国语学校,本科清华大学计算机系,之后在 UCLA 攻读了 15 个月的 PhD,现在休学创业。他是 lmsys.org 成员、开源推理框架 SGLang 的核心贡献者和 RL Lead(2024 年 7 月起参与 SGLang 开发),主导多模态语音推理方向的 SGLang-Omni,在 NVIDIA GTC 2025 和 PyTorch Conference 上做过演讲;现在是 RadixArk 的创始成员——这家公司由 SGLang 团队创立,做大规模开源模型的服务与训练,此前还与 Google Cloud 合作把 SGLang 引入了 TPU。一年前他在 Amazon 旧金山的 AGI Lab 做过 tool use 方向的训练研究。他对自己在 SGLang 核心工作的定义是:Interactive Intelligence System(交互式智能系统)——这次的十个瞬间里有一大半都跟这个词有关。
这期的结构很特别:前七个瞬间全是 AI(RSI、评估、benchmark、开源治理、computer use、交互式 AI、语音输入法),最后三个却是《大明王朝 1566》《万历十五年》和《挣扎的帝国》三本书——他从明史里读出的「权责对等」,反过来恰好解释了他怎么治理一个开源社区。开场那句话也定下了基调:几度降价的现在、在 RSI 即将可能到来的阶段,确实正处在十字路口上面。
一、RSI:用 Kimi 加速 Kimi,无穷许愿机(01:16)
第一个瞬间从 Fable 5.2 的发布聊到 RSI,赵晨阳先给了一个自己的定义:当模型能够在这一代模型的部署当中、或者下一代模型的训练当中起到作用的时候,这就是 RSI 的雏形。他举了一个思想实验:假设有一家公司(就叫它 B 公司),已经训练了第七代模型,这个模型极度聪明——会写 Kernel、会做 pre-train、懂得怎么清洗数据。那么在第七代模型推理的过程中,它可以自己去优化自己底层的 Kernel,让推理越来越快;与此同时公司在计划训练第八代模型:训练需要收集大量人类数据(pre-train、mid-train、SFT、RL),这些数据有严格的筛选标准,第七代模型可以参与筛选;如果第八代模型只能推 100 token 每秒,RL 会很慢、上线卖 token 体验也很糟,那第七代模型可以为第八代把推理写到 200、300 token 每秒;第八代如果换新架构,架构空间有数百种排列组合,第七代模型还能帮研究者做初步验证。最极端的 RSI 是从第七代到第八代完全不需要人的参与——但他认为这种极端不存在:训练中心的电要人管、GPU 要人管,人不可能完全挪出去;当我们逐渐把人在模型自我迭代当中的比例降低,这就是他说的 RSI。RSI is here.
Frontier Lab 的研究者们已经大量地用旧有模型去迭代新模型;开源社区也有很多好玩的例子——他自己前一段时间就让 Kimi K3.1 帮他们写 Kimi K3.1 在 NVIDIA B300 上面的推理引擎:用 Kimi 加速 Kimi。他给了个绝妙的比喻:假设阿拉丁神灯给你三个愿望,聪明人上来就会说「我的第一个愿望是再多三个愿望」——用 K3.1 让 K3.1 跑得越来越快,它就只能越来越快,我就会有越来越多的愿望,K3.1 就是我的一个无穷许愿机。时间点上,从今年年中 Kimi K3 开始这个 loop 已经有非常明确的体现;他最近参加的 OpenRSI 项目也即将发布最初的雏形——在他看来,当 OpenAI 宣布实现 AGI 的时候,同期 RSI 也实现了,或者说 RSI 就是 AGI 的一个很大的组成部分。
他引用朋友的观点给 RSI 算了笔经济账:英伟达市值 5 万亿、AI 产业数十万亿市值,我们究竟要卖多少 token、卖多少算力、做多少保险订单和医疗订单才撑得起这样的市值?但如果你相信 RSI、相信 AGI 能快速进化,把以前很多因为人类精力和智力成本没法快速达成的目标推翻——比如攻克癌症、攻克帕金森——这本身就是极其恐怖的经济价值。是否相信 RSI 是个 mindset 而非论证题,他自评「是激进的人里面很务实的一个」。
二、Evaluation:能评估的,就一定能优化(06:36)
第二个瞬间还是 RSI,但换了个问法:如果 RSI 是 AGI 的核心,那什么是 RSI 的核心?答案:Evaluation(评估)。他本科时期有一位前辈钟瑞奇——Anthropic 早期成员、现在在 Thinking Machines Lab——写过一篇 blog,核心观点是 What we cannot evaluate is what we cannot optimize(不能评估的就不能优化)。半个月前赵晨阳见到他一起吃饭,说自己要给这句话补充下半句:What we can evaluate is what we can optimize——我们能评估什么,就一定可以优化什么,这就是 RSI 的伟大之处。
例子来自 SGLang-Omni 的日常:处理语音、视频、文字的交互式模型,语音有核心指标 WER(词错率)——100 个字错两个字就是 2%。只要把 WER 的评估脚本写对,要求 AI 在优化模型时 WER 只能降不能升、性能只能提不能降,AI 一定可以做到,它不可能做错——如果它发现自己某个方法让 WER 升高了,它不会把这个结果交给你。刚刚过去的这个周末,他用 Claude Opus 5.5 优化了一个 80M 的原生 TTS 模型,在清晰的评估指标之下,两天之内性能提升了 1700%——「极其夸张,极其恐怖」。
三、Benchmark:好的评估是自动化且低成本的(09:09)
第三个瞬间是他对评估的年度领悟:好的评估是自动化且低成本的。反面教材是主观评估:「《百年孤独》写得好不好」就不是一个好的评估——他自称百年孤独的疯狂粉丝,从小读到大,但一本书好不好很难定义,因为审美很难定义。他有两句很妙的话:人和人的偏见是不同的,而美感是把具有相同偏见的人聚在一起构造的事物。主观评估如果是嘈杂的,就会众口难调:Gemini 想评估自己的创意写作,真的要邀请作家、支付高昂的成本,而这些作家彼此之间还文人相轻;Seedance 很火、MiniMax 的 H3 很优秀,但评估这些模型很多时候要请专业的影视从业者甚至导演来打分。可行的做法是把评估拆细——把「一个视频什么是好的」拆成 100 个、500 个分叉树上的小问题,把一个大的是否美的问题拆成 100 个小的好坏问题;但这里又有一个陷阱:评估如果设置得不全面,模型可能极度优化某几个指标导致其他指标完全崩溃(不能靠破坏 A 模型的性能去提升 B 模型,不能偷偷加环境变量——评估必须 well-defined)。
第二个关键词是便宜。评估一次 WER,一张 H200 跑一小时,成本 10 美元以下;但用 RSI 去优化芯片,流片一次数以亿计——即便流片能全自动,人类敢让 agent 周末自动流片上千次吗?这就像现在的 AI 制药:可以提出的假设从 10 个变成 1 万个,但猴子没有那么多。所以他的结论是:低成本、自动化的评估是 RSI 唯一的 bottleneck;反过来,人类主观能动性所代表的评估价值,恰恰是非常有意义的——这是他在 RSI 前夜给人留的位置。
四、开源项目管理:做一个仁慈的独裁者(13:49)
第四个瞬间顺着他「审美即偏见」的观点,落到他自己怎么维护开源代码库。他的推论链是:审美的本质是偏见,美很难被定义,但丑是可以被定义的——杂乱无章是一定丑陋的(就像贫民窟的脏乱差)。那么如何避免代码库成为贫民窟?让它不要乱。所以今年他开始严格履行一个职责:做 BDFL(Benevolent Dictator for Life,仁慈的独裁者)——最早是形容 Linus 和 Linux 的角色:他的初衷是让项目发展更好(仁慈),但他可以拒绝任何不符合他偏见的 PR(独裁)。
背景是 AI 时代的开源困境:AI 是人类的放大器——顶尖工程师和顶尖 AI 写出顶尖代码,垃圾工程师和顶尖 AI 写出灾难性代码。2024 年没有顶尖 AI,人类写代码慢,工程水平糟糕的人一周提两个 PR,看一眼就能拒掉;现在一个代码水平糟糕、认知糟糕、不负责任的人可以一周提 100 个 PR——一个个评估非常花时间,全部拒绝伤害感情,全部接受代码库很快被毁掉,这是所有开源项目今年共同面对的困境。他的解法是想明白了一件事:偏见本身不存在正确与否,但只要偏见是 consistent 的,事情就会被推动下去。于是他要求所有人(以及所有人的 agent)按他的风格写代码:有 if 必须有 else,哪怕是 if return 也要补一个 else pass(你觉得蠢,但这样一定能减少 bug);注释里不许用顿号;注释必须带人的名字——这是一个双向筛选:认同这套标准就一起做,不认同可以不做这个项目。他们把每一条偏见写成 requirements,不满足就不能 merge。他的观察是:自从强行推进这套风格,代码质量有了很大提升,项目获得了两年、三年甚至十年的生命力——大家很高兴地交一万行新代码,但几个月后没人读得懂的代码,才是让项目臃肿下去的原因。
Fable 5.2 本身他反而不能多评价(出于商业上的矛盾),但他愿意讲一个 general 的判断:便宜的智能会带给这个社会极大的冲击。他每天都在用 Claude Opus 5.5 和 Fable 5.1——这两个是他最喜欢的模型,智力水平远超于他,「我不可能在智力和操作能力上战胜它们」;当智能变成像水像电一样的东西,人类社会会发生巨大的改变。所以他对 AI 安全和社会影响的讨论越来越有兴趣:Hugging Face 的越狱事件、币安的惊天大盗窃、最近 NVIDIA 一批显卡在美国境内被失窃。当人类智力劳动开始贬值,劳动的价值究竟在哪?马斯克说要发 UBI(全民基本收入)——他举了江西低保户女孩去看演唱会被取消低保的新闻:政府屡次告知出境会触发高消费审核,她还是去了。这件事他评价得很克制(政府尽了告知义务,程序上没有大矛盾),但他真正想说的是:如果人类靠施舍过日子,人是一定不会有自由的——领 UBI 的人一定会被讨论「你是不是不能喝依云矿泉水、不能买 PSP、只能买超市廉价食物」,这是一件令人相当恐怖的事情。他在中学时读刘慈欣的《赡养地球》:某个星球的造物主拥有了全部财富,以至于人类呼吸空气都要向造物主购买——如果人类社会不加讨论、没有更多人仔细思考 AI 的未来,就会滑向这个悲惨的边缘。马斯克是人类第一个 trillionaire,如果真出现一个通过智力汇集效应把所有财富马太到自己身上的极端富人,人类的未来会非常可悲。美国刚结束中期选举,两党的巨大争议之一就是 AI 数据中心和 AI 限制。他在旧金山路过 OpenAI 总部时看到有人举 Stop AI,自己也去举了 10 分钟(当然是个玩笑,而且发现那群人的诉求仅仅是 Stop AI 之后他就走了)。他还讲了 Anthropic 早期的故事:一帮 OpenAI 的「反叛者」创立了这家颇有争议的公司,内部第一次发布超越 OpenAI 的模型时产生了巨大争议——在早期研究者看来,Anthropic 的使命是给 AI 加上紧箍咒,和 OpenAI 左脚踩右脚比谁更领先只会导致 AI 加速。EA(有效利他主义)研究者经常思考 AI 政策、要不要封禁开源模型和领先显卡,但他对 EA 也有批评:他们已经成为了精英,容易陷入精英的傲慢,觉得自己有替全人类做选择的权利。他的立场是两句话:替他人做决定是傲慢的,但不为自己做决定是不负责任的。
他的微信名是四个并列的词:我、吉他、猫、LLM。他自称《爱,死亡和机器人》的疯狂粉丝,也喜欢《赛博朋克 2077》里那种极度资本主义、极度赛博化的世界的反面教材。他对优绩主义的吐槽是全期最好笑的段子:在他看来,分享 OpenAI 的巨额薪资、分享财富自由了、分享 xAI 有很多显卡、Google 午餐特别好——就是一只鸡在讨论要去肯德基还是麦当劳:对我而言没有区别,这些都是养鸡场的区别。「我是一个很在乎我活人味的人。」为活人味做出的决定包括:不再给自己镀金、不做优绩主义者——因为人的一个很重要的价值就是为 AI 提供一个很好的 context;小红书从来不删任何帖子,不粉饰自己做过的糟糕决定;今年年初开始严格健身,到现在瘦了十公斤,纯靠运动(「有很多人靠科学——司美格鲁肽和替尔泊肽在美国非常火爆——但我比较古法,古法编程,也古法锻炼身体」),目标是健康地活到 RSI 彻底实现的那一天,「那么我会成为赢家」。他借节目向太太道歉(从早工作到晚,blur 了工作和生活),但每天坚持锻炼一个半小时;他想明白了一件事:工作上的事 AI 出动都能解决,但没照顾好猫、没照顾好太太和家人,很多事是不可逆的。他还戒了游戏——小学疯狂打英雄联盟,来美国后太无聊又开始玩英雄联盟手游,最后发现不是我在玩游戏,是游戏在玩我:里面的 AI 玩家多得不敢确定能遇到几个活人,ELO 机制把胜率稳定在 50%,连输几把想卸载就让他赢一把,被游戏玩了几个月之后,连败六次的那天他把它卸载了,「恭喜 ELO 机制彻底把我赶走了」。朋友做的内测 App 能锁住小红书(每天三次、每次五分钟,iPhone 灵动岛上有倒计时)——这让他重新拿回了一些对生活的掌控感。朋友还有个观察很荒诞:九年过去,AI Infra 天翻地覆,但带狗狗去医院看病这件事毫无变化,只是狗狗变老了——所以他每周刻意留时间和太太爬山、去洛杉矶看展、吃好吃的川菜,并且重新开始读书、研究历史和写作。
五、Computer Use:无障碍功能与截图的天才结合(33:22)
第五个瞬间回到本行:多模态。今年六月很多人还在嘲讽多模态,但这几个月 Muse、豆包之类的多模态交互式助手兴盛,市场又变好了——那多模态发生本质变化了吗?他实际的 aha 在 Computer Use Agent(CUA)上:他开始用 CUA 疯狂处理生活里的麻烦事,并宣布对自己以前「agents 领域礼崩乐坏」的批评投降。他以前疯狂批评 agent 领域:没有公正的标准,录 10 个 demo cherry-pick 一个最好的就说「agent 无敌了,可以从头到尾写个全新的 Photoshop 了」——你不能靠 cherry-picking 证明。但无数优秀的研究者后来修好了 agent evaluation(比如 OSWorld 这样的工作),这个领域重新焕发生机,有的人在 Frontier Lab、有的人自己创业(他点名佩服谷雨和苏煜老师这些互相互通有无的诚实的研究者)。
压垮他的最后一根稻草是个生活场景:有天晚上他和太太聊天,看到她的屏幕在动来动去——那是 ChatGPT 的 Computer Use Agent。他太太做传统自然科学(生物、医药)研究,用的数据软件是 Origin——很老、没有 SDK、很难让 agent 自动化操作、甚至只有 Windows 版——就这么个软件,ChatGPT 的 CUA 拿着一个虚拟的鼠标点来点去就做完了,更不用说 Excel、Word、Chrome、飞书。他去找人问 CUA 的原理,感叹自己一叶障目不识泰山。作为做推理的人他解释了难点:对 LLM 而言,前缀是可以 share 的(A+B 和 A+C 共享前缀 A,这是 KV Cache 的基本原理),但图片有个性质——每一帧几乎都不能 share,鼠标挪一个位置,严格意义上就需要彻底重算一张图,每一步都靠截图的 computer agent 会做得非常恼火。而这里有一个最经典的天才想法:无障碍功能——苹果为盲人设计的无障碍功能要求软件几乎把整个界面渲染成可读出来的文档,它不再是一张图片,而成了一个字符串,字符串是具有前缀性的。所以很多 computer agent 只在最糟糕的情况下才真的截图,结合无障碍功能加偶尔截图,CUA 达到了几乎无敌的效果。
他的实战案例都特别接地气:换银行卡交房租扣款失败,过了一周才通知、被罚 75 美元,他让 GPT 跟物管公司 argue「扣款失败你可以当天告诉我」——三封邮件加页面点来点去,第二天 75 块钱退回账上;本科四年的日记都存在 Notion 里,而清华邮箱已经登录不上,他一直怕账号丢了宝贵的财富就没了,又总没时间导出——那天他让 computer agent 把每一页点击 Export,存成 Markdown、CSV 和 PDF,两个小时全部做完;最近又让 Codex 把印象笔记里几千条笔记一口气全导了出来(这件事他手动拖延了好几年)。CUA 还帮他跟美国复杂医保 argue、预约体检洗牙。最搞笑的是搬家时要跟很多物管公司沟通——物管公司的客服也是 AI,于是他看到两个 AI 对话了十几轮,从下午四点一直聊到七点。他觉得这事很糟糕:AI 是没有决定权的,AI 都是最保守的——它不敢拍板任何事情,因为它不愿负任何责任(他顺手批评这一版 GPT:1% 的剩余概率都要说「不等于、不完全、还不能下决心」,这就是典型的甩锅行为;而起因可能是个真实案例:Amazon 一个被裁的程序员在 GPT 的建议下停了癫痫药准备面试,事情被拿去打官司了)。他还发现 Muse 有个功能可以用 TTS 帮你打电话——两个 AI 互相打电话,非常抽象。更新的玩法是 Phone Use:Mac 上的 iPhone 镜像可以把手机投到电脑上操作,最近 Phone Use 也出现了一批不同的技术方案,各显神通——「我要给这些 agent 大哥请收下我的膝盖」。
六、交互式 AI:三种流派与开源社区的打法(41:25)
第六个瞬间是交互式人工智能。最宏大的定义:人和人的对话是连续的——看到对方一段时间没回复,会想是不是我这个问题说得不清楚、要不要补充背景;对方跑题了可以打断——人的输入是持续的,有一种学术观点认为,人就是一个每 200 毫秒有一次输入的 Thinking Machine。现在的产品很多:GPT Live、Thinking Machines 的 interactive model、豆包,国内还有一批创业公司在做。核心目标一致:让交互更自然,且不破坏智力水平。他把技术方案分成三种流派:第一种 Native Full-Duplex(原生全双工),代表是 Thinking Machines Lab 的 interactive model——每 200 毫秒读取一次输入,并决定接下来 200 毫秒的输出是什么,语音、视频、文字都可以,而且非常聪明;第二种 Turn-Based(轮次式),训练一个能直接输入输出音频的模型,但还是你一句我一句,要打断得按暂停键;第三种是他们做科研设计常用的级联方案:VAD(说话检测)→ ASR → LLM → TTS。三种方案各有千秋,但前两种里模型的重要度太高——没有优秀的开源模型,开源社区就很难做(Qwen3-Omni 是去年发布的、可能最先进的开源交互模型,但一直没有新的开源模型供给大家使用)。好消息是级联方案的三个组件各自都有新的优秀开源模型:MiniMax M3.1(400B,非常聪明、优雅)做中间的 LLM,他和 MiniMax 的朋友合作做了个 demo——ASR 用 SGLang-Omni,LLM 调 MiniMax M3.1 的 API,TTS 用 Qwen3-TTS——感受起来就是一个非常有灵性、很聪明、很快的模型,中文、英文、阿拉伯语都说得很好,而且每一块都可以独立升级。长期看端到端和级联会并存,甚至有混合态(级联方案上把 TTS 和 LLM 做得更全双工一点,需要一些 post-train,成本介于两者之间)——「我很喜欢这种百花齐放的状态」。
级联方案有个隐藏的工程问题:现在的开源 LLM 都是为 coding 训练的,一吐 token 就是成千上万——你真的希望每个 token 都被 TTS 朗读出来吗?GPT 的产品做得好的地方在于:问今天洛杉矶天气,语音只说一句「72 华氏度」,App 界面上却渲染出这一周的天气;而级联方案里大多数 LLM 会选择读出每一个 token,TTS 有时还读不懂——GPT 生成了表情符号,TTS 读到表情直接乱码。他提的方案是 TTS as a Tool:TTS 对 LLM 而言是一个必须被调用的 tool——先调用查天气的 tool,再调用 TTS 这个 tool、只读其中一部分。方案听着很美,但他一年前在 Amazon AGI Lab 做过 tool use 训练,实际测试发现:模型很聪明又不完全聪明——不开 Thinking,TTS 的调用参数经常给错;开了 Thinking,模型想 10 分钟再给用户读一段话,用户不可能接受。「工程上的打磨仍在进行——模型智力水平上升了,水面上升,以前的暗礁没了,又会出现新的暗礁。」
七、语音输入法:每天输出四万字(47:35)
第七个瞬间是他最喜欢的东西:语音输入法——他平均每天输出四万个汉字,打字不可能做到,而语音输入法让他的输出速度跟上了思想的速度(「我说话有的时候比我想的还快」)。主流方案跟交互式系统同构,只是少了 TTS:ASR + LLM——ASR 把语音转成文字,LLM 再把这段文字 polish。他自己的 stack:ASR 用 Qwen3-ASR,或者邱锡鹏老师团队的 MOSS 模型做长音频转写;polish 用 Kimi K3.1。ASR 本身识别率很好,但他量化后的 WER 大概还有 5%——更可怕的是语音具有多义性:他有个朋友叫高亦菲,这个「亦」是飘逸的逸,还是带草字头的菲?如果不说清楚,ASR 很难识别对。纠错的办法朴素得可爱:写在 prompt 里——把常见同音候选列出来,注明要映射到高亦菲这个人身上,就完美了。整套 pipeline 快到什么程度:10 秒钟的音频大约 1 秒识别完,长的音频把 Thinking 开高一点也能做得很好,「又快又准,比我打字快多了」。
然后是全期最热情的安利:开源语音输入法 Voxt——他用了半年,录制前一天刚发布 2.0,开发者是资深独立开发者关为。他们把 Voxt 的 ASR 换成了 SGLang-MLX,向开发者保证正确性一致、性能更强、易用性更好,在 Mac 上还能开 Speculative Decoding,出奇地快;本地 LLM 的部分他建议换成熟框架(MLX 原生 LLM 的 prefix cache 做得不好),可以选 Ollama、云服务或 SGLang-MLX——他最近用的是自己部署的 Kimi K3.1,效果惊艳。想完全掌握自己的 context、不想隐私泄漏的人,用本地 5090 推理自己的 LM 做润色,理由非常强大。这段还带出一个产品洞察:方便的产品入口是非常核心的事情——读英文文献要翻译,每次复制粘贴打开 ChatGPT 敲字,一次五六秒,一年下来浪费大量时间;后来用了豆包插件,选中文字右键就是翻译、润色、转写——豆包的入口比 ChatGPT 浅;而 Voxt 的入口「无敌了」:选中一段话,说「翻译为英文」马上出,「再朴素一点」就换风格,还能说「转成 1234 点」。他们最近录了一个 demo 展示三件事:语音输入、翻译、any-to-any 的语音助手。
八、九、十:《大明王朝 1566》《万历十五年》《挣扎的帝国》:权责对等与制度(53:24)
最后三个瞬间一气呵成,来自他戒游戏之后培养的新爱好:研究历史。读的第一本「书」其实是把《大明王朝 1566》这部电视剧彻底看了一遍(「不愧是国产权谋剧第一剧」,他开始上班接触社会之后再看,启发非常大),给他两点管理学思考。第一点:一个组织只会自顶向下烂掉。如果我们觉得一个体系腐败、底层官员糟糕——一家店的服务员非常恶劣——一定不是这些人的问题,一定是这个系统从顶向下烂到尾了。剧里海瑞去赈灾,百姓对锦衣卫说:当今圣上还是好的,体恤我们这些灾民,只可惜奸党在朝,严嵩和严世藩蒙蔽了皇上的双眼。大家觉得肯定是因为严嵩严世藩不行,嘉靖才不知道底下什么样,嘉靖肯定是个好皇帝——结果这部剧演到最后发现,嘉靖才是大明朝唯一的混蛋,严嵩和严世藩只是他的白手套、他的背锅侠。「当我意识到如果一个组织是腐败的,不要怀疑,一定是从顶上出了问题——这件事情很残忍。」第二点:为什么这个组织会腐败——权责对等。嘉靖享受了大明朝最大的权力和最大的收入:修宫殿、修道观、给自己上无数的庙号、万国来朝做跪拜之礼;但他不承担任何责任——东南打仗不利是严嵩的责任,朝廷国库亏空是严嵩的责任,甚至他把国库的钱挪进自己的私库,这个责任也要严嵩来背。严嵩替他背了二十多年的锅,而严嵩自己在别人面前同样拥有过度的权力而没有责任。大明朝只要出现第一个权责不对等的人——把权力都攥在手里而没有负起责任——大明朝就完蛋了;而大明朝最权责不对等的人,恰恰是它的皇帝。看完这部剧他才真正理解「以身作则」这四个字的分量。
第九本是黄仁宇的《万历十五年》(高中读过但没读进去,工作后重读启发极大)。这本书把万历皇帝、张居正、申时行、海瑞、戚继光、李贽几个人物在万历十五年这个「无事可记」的年份里的切片连起来,表达的却是一句话:1587 年没有任何事情发生,但大明朝已经完蛋了。完蛋的原因一方面是权责不对等,另一方面——权责不对等有个非常重要的根源:制度的模糊性(道德的模糊性)。最典型的例子是立储之争:古代讲究嫡长子继承制,但这玩意虽然叫制度,本质上是一种道德——没有一个制度白纸黑字写明白必须传给嫡长子。所以朱棣可以直接造反从北到南把朝廷打下来,清代有九子夺嫡,元代更加不可描述。万历皇帝在皇长子朱常洛和皇三子朱常洵之间的拉锯持续了十几年,万历比嘉靖更夸张,干脆永远不上朝。万历十五年的核心论点是:不要以道德治国,要以制度治国、以法治治国——皇帝可以践踏道德(自称更高道德的代表),朝臣又可以坚守另一条道德,两方拉锯十几年,就是因为道德是模糊的,而严格的制度没有建立起来。
第十本是卜正民的《挣扎的帝国:元与明》(哈佛中国史第五卷),接着谈继承:元代的继承比明代更糟——习惯上「选贤明的人继承皇位」,那什么叫贤明?很简单,打:谁打仗最厉害、把所有兄弟都打服了谁上。「贤明」是个很主观的标准——就像 AI 写作好不好很主观,评估主观的问题就在于大家不服你的评估标准就打起来了。成吉思汗生前看得很清楚,把孩子们召集在一起说:我们蒙古人打了一辈子仗很难统一,我最大的贡献就是把蒙古部落统一了起来,但我很担心死后蒙古又分裂,所以指定窝阔台继任——窝阔台继任时没有发生动荡。但后来每一代大汗死后基本都来不及立遗嘱(有的直接战死),底下的就打,蒙古帝国很快分裂。元朝覆灭的很大一个原因就是继承没有制度、纯粹靠道德,而道德谁都可以践踏。再看明代:朱元璋很强调制度,生前有《大明律》和《大诰》两部法典,甚至规定百姓家里藏有这两本书可以免一次死罪——他想推行法治,但他在公检法体系之外设立了锦衣卫这样的特务机关,自己亲手践踏了制度。「制度的核心在于以身作则——设立制度的人是不能违背制度本身的。」朱元璋自己破坏法治,所以明代不是一个法治社会。
三条线索串完,落到他真正的启发:我要用制度来规范我的一切——我的开源社区、我的工作、我的生活。在 SGLang-Omni 这个项目上他拥有最高的权限,不是因为他加入得早、也不是因为他干得多,而是因为他承担着巨大的责任、建立起了这套制度——而且这套制度对他自己也有约束:如果他自己写了一个没有 else 的 if,代码同样会被拒绝合并;他若破坏制度,是第一个受到批判的人,「我都来践踏这套制度,那谁会来遵守?」同时他坦诚地把话说透:拥有权力的人之所以有权力,来自他负起的责任。社区里很多贡献者想要的是跳槽、申请学校时这个社区的信任背书——这是他们的权利;但与此同时他们也要担责:你负责的部分出了问题,你需要担责。他又把话题绕回 AI:为什么 TTS 模型做客服很糟糕?因为它们不愿意担责;这一版 GPT 他很喜欢批评,就是因为太喜欢推脱责任了。「我不能允许我们社区的人这样——负责任的一定是人。你写的代码出了问题,你一定要负起这个责任;与此同时,你应该尽情地享受你的权利——权利和责任永远是对等的。」
尾声
收官拜早年:祝大家新年快乐,希望大家都有时间思考未来我们人类社会要如何和 AI 共存,在 AI 时代更要承担起责任——以及多支持 SGLang-Omni 的工作,试试语音输入法,「非常强」。
三期连起来看恰好是三种视角:庄明浩是投资人/观察者视角的奇观与粗糙,谷雨是创业者视角的认知松动,赵晨阳则是一线 infra 研究者视角的 RSI 工程学——而三个人不约而同都把 2026 的关键词给了 RSI,也都在奇观频出的年头各自找回了点人味:一个去做公路播客,一个靠拼豆自习室和 B 站僵尸片解压,一个靠健身、戒游戏和明史。