LEX FRIDMAN PODCAST #490 · 2026.01.31

AI 的下一步，
不只看模型變大

模型能力仍在推進；但真正決定下一階段的，是算力、資料、工具、評測，以及人願意把多少工作交給 agent。

來源：Lex Fridman 與 Sebastian Raschka、Nathan Lambert 的對談。這是受訪者與主持人的觀點整理；對未來能力、時間表與市場影響的判斷仍有不確定性。

PART 1 · SCALE

Scaling law 沒有消失，問題是「接下來擴什麼」

對談的共同起點不是「模型已經夠大」，而是把 scaling 拆成更多可控的變數：預訓練資料、推理時算力、後訓練、合成資料與評測。參數增加仍能帶來能力，但不再是唯一可用的旋鈕。

這也改變了外界看模型競賽的方式。單看 benchmark 排名，容易忽略一個系統是否可靠地使用工具、能否在長任務中維持目標，或只是剛好答中一組題庫。

能力不只是一條「模型尺寸」曲線

預訓練：資料品質、覆蓋與算力

↓

後訓練與推理：讓模型把時間花在更難的推導

↓

評測與部署：確認它在真實工作裡是否仍然可靠

對談重點不是宣布單一公式，而是提醒：每一層都可能成為下一個瓶頸。

PART 2 · CODING

兩位研究者談到 coding agent 的進展時，把焦點放在工作流而非炫技 demo：模型可以生成、搜尋、修改與測試；人類的工作則更像定義問題、拆解邊界、檢查結果與承擔後果。

這不表示工程師會被一鍵取代。程式碼進入產品後，仍要面對安全、權限、資料、維運與可回復性。真正有價值的能力，是讓 agent 在一個能驗證、能回退的系統裡工作。

PART 3 · AGENTS

長任務需要模型記住目標、找工具、處理失敗、再回來檢查。這讓 agent 的挑戰從單輪回答轉成系統設計：哪些動作可自動執行？哪些需要確認？紀錄如何保存？錯誤能否停止與復原？

對談也保留了界線。能在受控環境完成任務，不等於可以直接取得付款、部署或帳號權限。把 agent 導入工作，應先從低風險、可審核的流程開始，而不是把「自主」當成產品承諾。

PART 4 · COMPUTE & COMPETITION

模型能力背後有實體限制：GPU、記憶體、網路、資料中心、能源與人才。當更多推理在部署端持續發生，成本與供給不再是背景條件，而是產品策略的一部分。

談到中國時，來賓沒有把競爭簡化成一張榜單。開放權重、工程效率、供應限制與研究社群都會影響速度；任何「誰已經領先」的敘事，都必須說清楚採用什麼衡量尺度。

「AI 的進步不只發生在模型裡；它也發生在模型能否被測試、被使用、被信任的整套系統裡。」

這是依據對談主題的中文歸納，不是逐字引述。

原始節目保留模型、程式、算力與 AGI 的完整討論。本文是互動式閱讀整理，不取代原始內容。