「文科生也可以做 AI」 「逆袭！」在中文互联网上，文科和 AI 的拉郎配，简直成了定番。

每隔一段时间，这个标签就会被贴在某个人身上，制造出一轮短暂的流量。要么是逆袭故事，要么是嘲讽素材，取决于评论区的心情。

一个标签，三种做法

最新的案例是杨天润， AI 创业者，金融出身，正在开发一个多智能体协调平台。他自称「一行代码都不会写的文科生」，搭建了一组 AI Agent，向 GitHub 上最热门的开源项目之一 OpenClaw 批量提交代码贡献。

想验证一个假设：一个完全不懂技术的人，能不能仅靠指挥 AI，就参与到顶级开源项目中去。

结果是：134 个 PR，21 个被合并，113 个被拒绝。前几个 PR 质量还算不错，被维护者认可并合并。但当他给 Agent 下了一条加速指令后，事情迅速失控——Agent 开始像流水线一样批量生产低质代码，在评论区疯狂@维护者催促审核。OpenClaw 管理员介入清理，GitHub 随后修改了 PR 提交上限规则。

黑红也是红，红过之后再黑更加是。杨天润被包装成「文科生逆袭」的代表，而他本人似乎也乐于接受这个角色。在接受品玩的采访时，他说了一句这样的话：

不懂代码反而是优势。AI 是梵高，你是个小画家，你有什么资格告诉梵高中间该用什么笔触？

细思极恐。他把「不懂底层结构」理解为一种解放：不需要知道系统在做什么，只需要告诉它你想要什么。结果就是当 Agent 开始批量刷垃圾代码时，他连发生了什么都诊断不出来，因为他根本不知道自己在操作什么。

他以为自己在指挥梵高，实际上他在盲开一辆没装刹车的车，而且根本不知道刹车在哪。

围绕这件事的讨论，也随之落入两个极端：要么「文科生也能做 AI」，要么「文科生别碰 AI」；前者是跨越鸿沟的壮举，要么是掉进鸿沟的笑话

如果我们对「文科生做 AI」的想象力只有这些，那未免太贫乏了。

Claude 为什么需要一个哲学家

我们之前写过，Anthropic 的办公室里，有一位正儿八经的文科生，深度参与了 Claude 的建设。不是测试它能不能写代码，不是检查它的数学能力，而是和它进行漫长的、关于价值观、关于措辞分寸、关于「面对不确定性应该如何表达」的对话。

Amanda Askell，苏格兰人，今年 37 岁。她的职业路径本身就是一个不太寻常的故事：在大学，她最初学的是美术和哲学，后来转向纯哲学，在牛津拿到了 BPhil，又在纽约大学拿到了哲学博士。她博士研究的是无限伦理学中的帕累托原则：当涉及无限数量的道德主体或无限时间跨度时，伦理排序应当遵循什么规则。

这听起来像是距离硅谷最远的学术方向，但她先后加入了 OpenAI 的政策团队和 Anthropic 的对齐团队。2021 年起，她成为 Anthropic「性格对齐」团队的负责人，工作重点是塑造 Claude 如何与人类对话、如何在不确定时表达立场、如何在价值观冲突中做出判断。2024 年，她入选了 TIME100 AI 榜单。《华尔街日报》描述她的日常工作是「学习 Claude 的推理模式，用长度超过 100 页的提示词来修正它的行为偏差」。据说她是这个星球上和 Claude 对话次数最多的人类。

为什么一个 AI 公司需要一个哲学家来做这件事？答案藏在一些非常具体的技术选择里。

今年 1 月，Anthropic 发布了一份长达 80 页的文件，被称为 Claude 的「宪法」。媒体关注的是文件末尾关于 AI 意识的推测——当然，老板 Dario Amodei 也话里话外「暗示」这一点。

但更值得注意的是它的底层逻辑：教 AI 理解为什么要这样做，比告诉它应该怎样做更有效。这是一个技术判断，认为内化价值比遵守规则能产出更可靠的行为，而这种判断的知识根基，来自一个学美术、学哲学的人。

Amanda 的案例回答了一个问题：被视为「无用」的学科知识，能否成为技术系统的核心能力？答案不仅是能，而且，没有她的哲学训练，Claude 的对齐问题用现有的工程方法解决不了。

被重新命名的学科

如果 Amanda 的故事说明了，某些被归为「文科」的学科训练可以是 AI 的核心能力，那么林俊旸的故事要说的是一件更重要的事：有一整个学科，一直在大模型技术栈底层运行。

林俊旸离开通义千问后，中文互联网的报道反复使用同一个说法：他有应用语言学背景。稍微传几次，这个话就变形了，变成了他是「文科生」。

这个标签和杨天润身上贴的是同一个，但其实被严重扭曲。

林俊旸学的是语言学，这是一个伞状学科，它的分支覆盖语言教学、语言政策、翻译研究，也包括计算语言学。可以说，计算语言学，就是自然语言处理（NLP）之子。

乔姆斯基在 1950 年代提出了形式语法，这个理论工具直接催生了早期 NLP 的句法分析技术；Daniel Jurafsky 和 Christopher Manning，这两位 NLP 领域被引用最多的两本教科书的作者，都是语言学出身。

换句话说，「学语言学的人去做 NLP」就像「学物理的人去做芯片设计」一样，是一条正统路径，不是跨界。

那个「意外感」完全是中国语境制造的。高考文理分科的制度惯性，把「语言学」塞进了「文科」的心智模型里。但语言学的核心方法论——形式化、统计建模、语料标注——本质上是工程思维。林俊旸在北大的合作者孙栩、苏祺，都是 NLP 方向的研究者；他 2019 年加入达摩院时进入的是 NLP 团队。这不是一个文科生误入技术领域的故事，从一开始就不是。

比「林俊旸不算文科」更值得展开的，是语言学在大模型技术栈里实际扮演的角色。它比大多数人以为的要深得多，也隐蔽得多。

比如分词。所有语言模型处理文本的第一步，是把输入切成模型能处理的基本单元。对英语来说，空格提供了天然的词边界，看起来简单。但中文里，没有空格，且每一个标点符号的用法，都可以左右句子的表达意思。

「我在北京大学读书」是切成「我/在/北京/大学/读书」还是「我/在/北京大学/读书」？这不是一个有标准答案的工程问题，它取决于你对中文词汇结构和语义单元的理解。

2024 年底有研究者专门发表论文，讨论如何优化 Qwen 模型的阿拉伯文分词效率，因为通用方案在处理这类语言时效率显著下降。Qwen 系列在多语言上的表现，不是把所有语言当英语的变体来处理，而是基于对语言间结构性差异的理解，做出的设计选择。

又比如反馈对齐。RLHF 流程中，标注员需要判断模型的两个回答哪个「更好」。这个判断听起来主观，但它背后有一套语言学已经研究了几十年的框架：语用学。

标注员在评估「好的回答」时，实际上是在判断合作原则——回答是否提供了足够但不过量的信息？会话含义——回答是否捕捉到了用户真正想问的、而不仅仅是字面上问的东西？语境适切性——同样的内容，用这种方式说在这个场景下是否得体？

「Helpful， Harmless， Honest」这套被广泛使用的对齐标准，本质上就是语用学基本原则的工程化翻译。

从林俊旸的学术轨迹中，也能看到一种非常语言学的研究风格。他主导的 OFA（One For All），2022 年发表于机器学习领域的顶级会议 ICML，至今被引用近 1500 次。这个工作的核心思路不是为每个任务搭专用方案，而是用一个足够通用的序列到序列框架，把图像生成、视觉定位、图像描述、文本分类等跨模态任务统一起来。

从 OFA 到 Qwen-VL（被引超过 2200 次），再到 Qwen2.5，以及最新的 3.5，一条清晰的线索贯穿始终：与其为每个问题发明一套专门的解法，不如找到一个足够好的通用框架，让所有问题在同一个框架里被解决。

用最少的规则，覆盖最多的现象——这正是语言学几十年来的核心追求。生成语法的全部学术野心，就是找到一套有限的规则系统，能够生成无限的语言表达。OFA 的架构哲学与此同构，为每种语言现象写一套专门规则并不现实，应该寻找一个底层框架来统一它们。

林俊旸做大模型做得好，不是因为语言学背景「也能」做 AI，而是语言学训练塑造了一种特定的学术品味，对统一性和形式化的偏好。这种品味在大模型时代，恰好是核心竞争力。

看不见的地基，看得见的需求

三个人，同一个标签，三种完全不同的结构。

杨天润不懂底层结构，把「不懂」当优势，结果失控。这是「文科生做 AI」的空壳版：标签制造了流量，但没有任何学科训练在起作用。他的故事体现的恰恰是——当「文科生」只是一个营销标签时，会发生什么。

Amanda Askell 的哲学训练构成了对齐问题的核心方法论。没有她，Claude 不是 Claude。她的故事回答的问题是，被视为「无用」的学科知识，能否成为技术系统的核心能力。答案是不仅能，而且不可替代。

林俊旸的语言学训练构成了大模型技术栈的隐性基础设施。他的「文科背景」从来不是跨界，是正统路径。他的故事回答的问题是，文科对于先进技术的贡献，到底「隐性」到了什么程度，它是不是正在变得显性。

而终极问题并不是「文科生能不能做 AI」，而是我们能否理解到一点：靠表面上的「有没有用」来评判知识和学科，已经过时了。

随着大模型从追求能用好用，走向追求可靠和可控，这些被归入「文科」的学科训练，价值不是在缩小，而是在扩大。模型越强大，越需要精确的评估体系来诊断它在哪里、为什么出错，也越需要理解语言和意义的复杂性来设计更好的训练数据，越需要在对齐问题上做出有学科敏感度的判断。

「文科生逆袭」这个叙事——无论是赞美还是嘲笑——遮蔽了真正在发生的转向：看不见的地基，正在变成看得见的需求。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

「按照原来安排继续干」

离职的消息最沸沸扬扬的时候，在 Qwen 团队的核心负责人林俊旸在朋友圈发了两句话：

「Qwen 的兄弟们，按照原来安排继续干，没问题的。」

「安排好的」？这是什么？

林俊旸离开前夕，Qwen 团队刚刚发布了一件被全球开发者社区刷屏的东西。Qwen 3.5 Small 系列，参数量从 0.8B 到 9B，专为端侧设备设计，可以在普通笔记本电脑上运行。

不是一个更大的模型——而是一组更小的模型。要知道，过去三年里，AI 行业最强大的共识是「越大越好」。OpenAI 的 Sam Altman 四处筹措万亿美金建设算力基础设施，各家实验室军备竞赛般地烧钱烧卡，底层假设只有一个：模型越大，就越聪明。

这套逻辑被称为 Scaling Law，它不仅仅是一条技术规律，更像一种信仰——整个行业的融资叙事、人才分配、硬件投资都建立在这个前提之上。

但 Qwen 3.5 Small 的发布，和林俊旸的离开，同时发生。一个技术信号和一个人事信号，交织出一个更复杂的故事：小模型到底在发生什么？它为什么重要？

当 9B 打赢 120B

即便不是开发者，也可以跑分上一窥 Qwen 3.5 的战绩：

Qwen 3.5 Small 系列中，9B 参数的模型在多项基准测试中全面超越了 OpenAI 的 gpt-oss-120B——一个参数量是它 13 倍的模型。

这些不是边缘指标上的微弱优势，而是在核心推理任务上的系统性领先。一个可以装进笔记本的模型，在数学、科学、视觉推理上全面击败了一个需要数据中心级硬件才能运行的对手。

当然了，摸着良心说，gpt-oss-120B 不是 OpenAI 的旗舰产品，而是其开放权重的中端线。而且它采用 MoE 架构，标称 120B 参数，但每个 token 实际只激活约 5.1B 参数——所以参数量的对比，在工程层面并不像字面数字那么悬殊。

但这不影响趋势本身的成立。因为 Qwen 3.5 Small 并不是孤例。

同一时期，Nature 报道了一个微型递归模型（TRM），在 ARC-AGI 逻辑测试中击败了多个顶级大语言模型。Google Research 在 2026 年初发表论文，证明小模型在意图提取任务上的表现优于显著更大的模型。PNAS 上的一项研究更直接——模型规模与说服力之间呈急剧递减收益，大到一定程度之后，更大几乎不带来更好。

《华尔街日报》早在 2025 年 10 月就已经敢说，「大模型拿走了所有的关注，但小模型才真正干活的那个。」

这些信号共同指向一个判断：以小博大不是偶发事件，而是大势所趋。

那么问题来了——小模型凭什么？

才不是大模型的替身文学

直觉上，人们容易把小模型理解为「大模型的平替」，同样的方法，只是规模小一些，性能差一点，胜在便宜。

但事实恰恰相反：今天的小模型之所以能以小博大，是因为它们在技术方法论上，走了一条和大模型完全不同的路。

第一，数据质量压倒数据规模。 大模型的路线是「尽可能多地吞入互联网数据」，而小模型路线的代表——比如微软的 Phi-4 系列——走的是精筛路线：用高质量的合成数据加上严格筛选的公开数据集，让模型在更少的数据上学到更精确的能力。这背后的逻辑转变是根本性的：不是「喂得越多越聪明」，而是「吃得精才学得好」。

第二，原生多模态设计取代了适配器拼接。 传统做法是先训练一个纯文本大模型，再通过适配器模块接入图像、视频、音频等能力。Qwen 3.5 采用了完全不同的架构：将视觉 token 和文本 token 在同一个潜空间中联合训练，从底层就是多模态的。这意味着它是一个天生就同时理解文字和图像的模型。这种架构在小参数量下反而更有优势，因为不需要额外的适配器开销。

第三，量化技术带来的不只是压缩。 4-bit 量化常常被理解为「把模型压小 4 倍以节省存储」，但它真正的意义在于减少 4 倍的内存吞吐量。在端侧设备上，瓶颈往往不是存储空间，而是内存带宽，也就是数据从内存搬运到处理器的速度。量化技术让小模型在带宽受限的手机和笔记本上，获得了决定性的速度优势。

这些方法论上的突破已经开始转化为产品。3 月第一周，苹果发布了 M5 全线芯片，每颗 GPU 核心内置 Neural Accelerator，AI 性能较 M1 提升最高 8 倍。与此同时，苹果研究院公开了 Ferret-UI Lite——一个仅 3B 参数的端侧 GUI 代理，可以本地操控手机和桌面应用。加上 Apple Intelligence 约 3B 参数的端侧基础模型，苹果正在将「on-device AI」从概念推进到芯片、模型、交互三位一体的产品形态。

微软的 Phi-4 multimodal 也开始尝试商用上线 Azure，3.8B 参数，接受文本、音频和图像输入。开源社区的反馈更加直接——Reddit 上的开发者实测后认为 Qwen 3.5 的 4B 版本是「甜点级」模型：跨任务稳定、无崩溃、远快于 9B 版本。

技术路线已经被验证，产品化拐点已经到来，天边泛起鱼肚白，曙光乍现。

而就在此刻，林俊旸选择离开。

最会做小模型的公司，最没有动力让它成功

Qwen 3.5 Small 在发布后获得了开发者社区的广泛认可，开源社区的评测结果甚至超出了官方发布时的宣传。

但是，他所在的公司是阿里巴巴，阿里巴巴的商业引擎是阿里云。

大模型和云计算之间存在天然的正向循环：模型越大，推理所需的算力越多，客户就越需要购买云计算服务。对阿里云来说，大模型是完美的商业叙事——它同时推高了客户的算力需求和对云平台的依赖。

而小模型的逻辑恰恰相反。小模型的核心价值在于可以在端侧设备上运行——手机、笔记本、边缘服务器。这意味着客户可以绕开云，在本地完成推理。对用户来说，这意味着更低的成本、更好的隐私和更低的延迟。但对阿里云来说，这意味着收入被侵蚀。

Qwen 3.5 Small 做得越好，对阿里云的商业叙事就越尴尬。

这不是阿里一家的问题。放眼中国的科技巨头，几乎所有 AI 领先的公司都面临同样的结构性矛盾。百度和腾讯的处境与阿里类似——商业模式建立在云服务和平台抽成之上，小模型的端侧化趋势直接削弱了它们的价值主张。

字节跳动的豆包手机是一个有趣的例外，但字节做硬件才刚起步，远没有建立起「芯片+操作系统+模型」的垂直整合能力。

华为理论上最有条件，既有芯片，又有终端设备。但在制裁的影响下，它的算力上限本身就逼着它走小模型路线，这更多是被动的求生策略，而非主动的战略选择。至于小米、OPPO、vivo，它们有设备，却不是 AI-first 的公司，缺乏自研模型的基因和持续投入的动力。

全球范围内，真正打通端侧 AI 全栈的公司，可能只有一家：苹果。芯片、设备、操作系统、自研模型，全部自有。苹果的动力来自复合型的商业模式，这驱动它把一切计算尽可能留在设备上，因为每一次端侧 AI 体验的提升，都会转化为硬件的溢价和生态的黏性。

不过，这里需要诚实地处理一个可能的反驳：云厂商难道不能走「端云协同」的路线吗？用小模型做端侧入口，复杂的推理任务回调云端处理，两边都不耽误。

理论上可以。但这恰恰说明了问题——在端云协同的框架下，小模型对云厂商来说是「引流工具」，而不是「独立产品」。云厂商没有动力把小模型做到好到不需要云。

还有一个绕不开的反例：微软也是云厂商，但它在认真做 Phi-4 系列小模型，而且已经商用上线。这是否说明「左右互搏」的论点站不住脚？

非也。微软之所以能两条腿走路，是因为它同时拥有 Windows 和 Surface 的硬件生态、Azure 的云平台以及 Copilot 的端侧产品线。做 Phi-4 对微软来说是防御性布局：如果端侧 AI 的趋势不可逆转，为了大局，宁可壮士断腕，自折一臂，也不能把端侧市场拱手让给开源社区和苹果。

但阿里没有这个选项——没有消费级操作系统、没有主流终端硬件、没有面向个人用户的 AI 产品矩阵。Qwen 做得再好，也没有自家的「最后一公里」可以落地。

动力不同，产品的天花板就不同。

这就形成了一个令人不安的画面： 小模型从实验室走向产品的真正瓶颈，不是技术能力，而是供需错位；最擅长做小模型的公司（云厂商），最没有动力让它真正成功；最需要小模型的公司（设备厂商），又缺乏独立研发的能力。

「没问题的」

回到林俊旸的那条朋友圈，「继续按照安排好的干，没问题的」。

也许技术路线确实没有问题，一切都在朝着正确的方向走。但在一家以云为重的公司里，就算做出世界级的小模型，团队的处境注定不会舒适。

这不是对阿里的批评——任何一家以云收入为生命线的公司，面对一项可能侵蚀自身收入的技术路线，都会陷入同样的两难。这是一个结构性矛盾，不是个人或管理层的选择问题。

比人事更值得关注的，是 Scaling Law 本身正在发生的变化。

过去三年，「越大越好」不仅仅是一条技术规律，它是整个 AI 行业的信条。融资叙事围绕它建立——投资人相信更大的模型意味着更强的能力，所以万亿美金涌向算力基础设施。人才分配围绕它运转——最顶尖的研究者被吸引到训练最大模型的团队。硬件投资围绕它定价——英伟达的估值建立在一个前提之上：对算力的需求会永远增长。

现在，这个前提正在松动。MIT 的研究估计，效率提升将使中等硬件上的模型在 5 到 10 年内逐步追平最大最贵的模型。芝加哥大学的研究表示，数据质量正在取代数据规模成为核心竞争维度。

产品化的方向不再只有云端，而是同时向端侧扩散。Scaling Law 正在从一条单调递增的曲线，变成一张需要在多个维度上寻找最优解的地图。

不再是「越大越好」，而是「在对的地方，用对的大小」。

林俊旸大概比大多数人更早地感受到了这个变化。他用 Qwen 3.5 Small 证明了一件事：在对的方法论下，9B 参数可以击败 120B。但他同时也撞上了另一堵墙——技术上的正确，不等于商业上的可行，更不等于组织上的舒适。

他说，没问题的。确实，技术路线已经铺好了，而剩下的问题不在实验室里，而在实验室外面。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博