杨植麟
Kimi (Moonshot AI) 创始人，大模型领域的技术领袖与创业者。
核心技术洞见与哲学
- 无限雪山与 AGI 的方向：他借用《无限的开始》 (The Beginning of Infinity) 中的观点，认为“问题是不可避免的，但问题是可以解决的”。大模型研发犹如攀登一座无尽的雪山，AGI 不是一个特定的时间节点或终点，而是一个持续进化的探索方向。
- 大模型能力阶梯的非线性：
- L2 推理 (Reasoning) 与 L3 智能体 (Agent)：二者不一定是必然的先后线性关系。即使 Reasoning 较弱，也可通过多轮交互完成部分 Agent 任务（如 Claude 路线）；但要做到最顶级的 Agent，必须有最顶级的 Reasoning 能力。
- L4 创新者 (Innovator)：其关键标志是模型的自我迭代（模型能深度参与到下一代模型的研发中，例如使用 Kimi K2 参与 K3 的研发、写实验代码、跑实验并分析结果）。这要求模型具备极强的 Agentic 能力。
- L5 组织者 (Organization)：对应的是 Multi-agent（多智能体）系统。将一个 Agent fork 出多个不同分工的子 Agent（有人写代码、有人写测试、有人写文档），并行、串行协作后进行合并。
- 管理团队的强化学习 (RL) 隐喻：管理团队如同管理大模型。SFT（监督微调，自上而下指令）是很好的先验，但给太多会扼杀团队的创造力；RL（强化学习，只给目标与奖惩）能激发能动性与创新，但指标定得不好容易引发“指标劫持 (Reward Hacking)”，导致团队过度去刷单点指标（Overfitting）而非实现核心价值。因此必须建立更多的观测指标并平衡 SFT 与 RL。
科研方法：Simple and Effective
杨植麟将研究方法概括为三条互相校验的原则：
- 简单是优点，不是修辞：应追求 “simple and effective”，而非把复杂作为创新信号；能长期沉淀的技术往往有更少的任意部件。
- 研究议程先于单篇论文：从长期、高层问题出发拆解阶段性任务，让每一步既可验证又服务于同一主线。
- 从边缘异常找问题：不只在既有 benchmark 上加模块，也要关注当前范式解释不好的现象；这与 learning-methods 的第一性原理学习和 agentic-systems 的闭环迭代相通。
Source: 2026-07-24-xiaohongshu-xhslink-cn-o-5JgsVMJk7mi-850f6a55f3（来源未公开）
Source: 2026-06-22-youtube-youtu-be-91fmhAnECVc-si-YJi23juyT-M2MZqu（来源未公开）
Kimi K3：2.8 万亿参数与新底层架构
2026 年 7 月，Kimi 团队发布 Kimi K3，采用 2.8 万亿参数的全新底层架构。
Source: 2026-07-19-xiaohongshu-xhslink-com-o-ALDbAe80Tmv（来源未公开）
研究方法论转变：从”发表新点子”到”可复现的 Scaling Ladder”
Kimi 团队在架构研究（如线性注意力 K-Linear、残差连接优化）上的洞见：十年前的研究范式是发表新想法，但缺乏实验严谨性，很难得出扎实的实验结论。如今团队拥有足够算力构建”scaling ladder”（在不同规模上训练模型、跑一整套 benchmark），使得下结论变得更加可信和可靠——这也是团队能在”注意力机制”这类看似古老的技术上持续做出新进展的原因。团队判断未来几年会在架构与优化层面继续出现更多改进，并致力于与整个开源社区一起把智能水平推向新高度。
Source: 2026-07-19-xiaohongshu-xhslink-com-o-1PJ57mDw4AO（来源未公开）
创业中的谨慎乐观与杠杆问题
创业常态是融资、招聘、研发与业务问题同时出现。杨植麟的操作性原则是：保持谨慎乐观，先区分可改变与不可改变的问题，再把资源集中投向少数对结果影响最大的变量。它与 five-step-method 的删减与优先级精神一致，也避免把焦虑误当作行动清单。
Source: 2026-07-26-xiaohongshu-xhslink-cn-o-2A1xBxw4FTQ-6969ada6cb（来源未公开）
长上下文 Agent 的架构判断
杨植麟将模型进步归为两条相互耦合的曲线：在相同数据下更低损失的 token-efficiency，以及随上下文位置增长仍能保持低损失的长程建模能力。后者直接决定 Agent 能否维持工作记忆、完成长链工具调用和复杂任务。
在这一判断下，优化器、注意力机制和工程实现不是彼此独立的“技巧”：任何架构改进都必须同时证明短程与长程能力、训练稳定性和端到端效率。模型的价值选择也会在 Agent 输出中被放大，因此模型设计同时是技术与产品判断。
Source: 2026-07-27-xiaohongshu-xhslink-cn-o-AAmnSs8zuLt-632372b834（来源未公开）