顶级 AI 人才离职后都在押什么？8 家新创公司暴露大模型下一步

01. 八组顶级 AI 人才离职创业，到底在押什么

过去两年，Ilya Sutskever、David Silver、Mira Murati、李飞飞等顶级 AI 人才，陆续离开大厂创业。他们为什么选择在这个时候离开？在他们看来，AI 大模型下一步到底会往哪里发展？答案可能就藏在他们创办的公司里。看清这些公司在研究什么、产品做到了哪一步，就能看出这批最懂 AI 的人，正在把未来押在哪些方向上。接下来，我们一家一家看。

02. SSI

第一家是 SSI。创始人 Ilya Sutskever，是 OpenAI 联合创始人和前首席科学家，也是大模型训练的重要推动者。SSI 的目标非常单一，只研究安全超级智能，不做聊天产品，也没有公开 API 或可复核论文。它押的是安全监督：模型能力增长时，监督能力也必须一起增长。Weak-to-Strong 的研究已经证明这条路有原型，但换到新分布后仍可能失效，所以问题远没有解决。

03. Ineffable Intelligence

第二家是 David Silver 创办的 Ineffable Intelligence。他是 AlphaGo 核心人物，也是强化学习路线的代表研究者。这家公司想让模型少依赖人类写好的答案，更多从环境反馈和自身经验里学习。AlphaZero、MuZero 和 DreamerV3 已经证明，试错可以产生训练集里没有的新策略。David Silver 押的，就是把这种经验学习从游戏和控制任务推向更通用的智能。

04. Thinking Machines

第三家是 Mira Murati 创办的 Thinking Machines。她是 OpenAI 前首席技术官，长期负责模型、产品和部署之间的衔接。这家公司已经推出 Tinker 训练 API 和 Inkling 开放权重模型，让开发者可以继续微调、强化学习和部署。它没有离开大模型路线，而是把重点放在预训练之后：基础模型不是成品，还要被用户、企业和具体任务持续塑形。

05. World Labs

第四家是李飞飞，也就是 Fei-Fei Li 创办的 World Labs。她是斯坦福教授，也是 ImageNet 和计算机视觉研究的重要推动者。World Labs 做的是空间智能，Marble 可以生成可探索、可编辑的三维世界，World API 再把能力开放给游戏、设计和仿真应用。它押的是让 AI 理解空间、状态和动作后果。V-JEPA 2 等研究也在把视频预测和机器人规划接起来，不过能生成三维世界，还不等于能可靠预测真实物理。

06. Physical Intelligence

第五家是 Physical Intelligence，由 Karol Hausman 等机器人研究者创办。他们的目标不是卖一台特定机器人，而是训练能够跨硬件、跨任务迁移的通用机器人策略。π0 系列把语言、视觉和动作放进同一个模型，后续版本继续测试陌生环境和长任务。它押的是，大模型的下一种输入输出不只是文字，而是现实动作。真正的难点，是机器人数据昂贵，失败还会带来设备和安全成本。

07. Ndea

第六家是 François Chollet 创办的 Ndea。他是 Keras 创始人，也是 ARC-AGI 评测的推动者，长期质疑“会背很多答案就等于智能”。Ndea 想把神经网络和程序合成结合起来：模型负责提出方向，搜索负责组合和验证。AlphaGeometry 曾用类似的神经加符号路线，解决三十道奥数几何题中的二十五道。François Chollet 押的是，生成之外，智能还需要可验证的程序搜索。

08. Periodic Labs

第七家是 Periodic Labs，创始人包括来自 OpenAI 的 Liam Fedus，以及做材料与机器学习研究的 Ekin Doğuş Çubuk。他们想把 AI Scientist 真正接进自动化实验室，让模型提出实验、控制设备，再把成功和失败都变成新数据。学术界的 A-Lab 已经连续运行十七天，合成五十七个目标中的三十六个。Periodic Labs 押的是，下一批高价值数据不在网页上，而在实验设备里。

09. Sakana AI

第八家是 Sakana AI，由 Transformer 论文作者 Llion Jones、生成模型研究者 David Ha 和 Ren Ito 创办。它的 AI Scientist 会自动写代码、跑实验，Darwin Gödel Machine 还允许编码智能体修改自己的工具和流程。论文报告里，受控任务子集的成绩从百分之二十提高到百分之五十。它押的是让 AI 改进完成任务的方法，但目前仍是软件环境里的自我改进原型，不是可以无限升级的通用智能。

10. 学术界的四种技术原型

这些方向并不只是创业故事，学术界已经出现对应原型。Weak-to-Strong 在测试更强模型如何被监督。DreamerV3 和 AlphaGeometry，分别验证经验试错与程序搜索。V-JEPA 2 把视频预测接到机器人规划。A-Lab 和 Darwin Gödel Machine，则展示了自动实验与软件自我改进闭环。创业公司的真正任务，是把这些受控结果扩展成能迁移、能复现的系统。

11. 八家公司，四条路线

参考资料与延伸阅读

本文事实来源与 8 家代表企业一览

SSI (Safe Superintelligence Inc.)
- 创始人：Ilya Sutskever（前 OpenAI 联合创始人兼首席科学家）、Daniel Gross、Daniel Levy
- 核心路线：安全超级智能与对齐监督 · 官网：ssi.inc
- 支撑研究：Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision (Burns et al., OpenAI 2023)
Ineffable Intelligence
- 创始人：David Silver（DeepMind 强化学习前沿带头人，AlphaGo/AlphaZero/MuZero 主导者）
- 核心路线：环境交互试错与自主策略演进 · 支撑架构：MuZero & DreamerV3 (Hafner et al., 2023)
Thinking Machines
- 创始人：Mira Murati（前 OpenAI 首席技术官）
- 核心产品：Tinker 模型训练 API 与 Inkling 系列开放权重密集优化模型 · 官网：thinkingmachines.ai
World Labs
- 创始人：李飞飞 (Fei-Fei Li)（斯坦福大学教授，ImageNet 发起人）
- 核心技术：Marble 三维空间生成与 World API 物理世界仿真 · 官网：worldlabs.ai
- 支撑研究：V-JEPA: Video Joint-Embedding Predictive Architecture (LeCun / Meta 2024)
Physical Intelligence (π)
- 创始人：Karol Hausman、Sergey Levine 等机器人学者
- 核心成果：π0 (pi0) 通用机器人动作策略大模型 · 官网：physicalintelligence.company
Ndea
- 创始人：François Chollet（Keras 创造者，ARC-AGI 评测发起人）
- 核心路线：神经符号结合与程序合成 (Neural-Symbolic Program Synthesis) · 基准：ARC Prize
- 支撑研究：Solving olympiad geometry without human demonstrations (AlphaGeometry, Trinh et al., Nature 2024)
Periodic Labs
- 创始人：Liam Fedus（前 OpenAI 后训练负责人）与 Ekin Doğuş Çubuk
- 核心愿景：AI Scientist 驱动的物理化学自动化实验室
- 支撑研究：An autonomous laboratory for the accelerated synthesis of novel materials (A-Lab, Merchant et al., Nature 2023)
Sakana AI
- 创始人：David Ha、Llion Jones（Transformer 奠基论文作者之一）、Ren Ito
- 核心成果：The AI Scientist 自动化科研与 Darwin Gödel Machine 流程自修改系统 · 官网：sakana.ai
- 支撑研究：The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al., 2024)