AI · Forecasting · Research · Routing · Mechanism

毕业去向才是机制，而非论文标题

2026 BAIR Graduate Showcase 是一张路由表：决定哪些机制能到达生产的是下一站目的地那一行，而非论文标题。三分之一的毕业生仍在寻找路由。

作者 Everythink Studio team2026年7月2日2 分钟阅读

毕业去向才是机制，而非论文标题

2026 BAIR Graduate Showcase 列出了 31 位 Berkeley 博士，在每个名字旁边，有一行比论文标题更重要的内容：他们下一步去哪里。从机制角度读，这一行是一张路由表。把论文变成已部署系统的机制是路由——Physical Intelligence、OpenAI、Anthropic、Waymo、一条 UCLA 教职线、一家初创公司，或"正在寻找"——而不是摘要。一篇论文只有在落地到一个能够实施并测量它的组织时，才成为生产能力。

这是对 2026 BAIR Graduate Showcase（Berkeley Artificial Intelligence Research Lab，2026 年 7 月）的诚实解读。这场展示是一次庆祝，理应如此。但对于任何从研究中构建系统的人来说，它也是一张地图，标明哪些机制能从实验台活到部署，哪些仍在等待一个目的地址。

"what's next"这一行是路由字段

展示中的每个条目都带有相同的两个字段：一段研究简介（源地址）和一行"what's next"（目的地址）。这些简介涵盖机器人、大语言模型、AI 安全、生成式建模、AI for science 以及人机交互。目的地才是承载一切的信号。

大约三分之一的毕业生——31 人中至少 10 位——把下一行列为"Looking for"。他们是未路由的数据包。他们的研究存在，已经通过答辩，却仍在等待一个能实施该机制、为其装上仪表、并测量它所声称的属性在负载下是否真正成立的组织。另外三分之二已被路由：到 Physical Intelligence（Baifeng Shi、Kevin Black）、OpenAI（Hanlin Zhu）、Anthropic（Lisa Dunlap）、Thinking Machines Lab（Long "Tony" Lian）、xAI（Xiuyu Li）、Waymo（Yiheng Li）、Mistral AI（Josh Kang）、Google DeepMind（Niklas Lauffer）、Luma AI（Yichen Xie）、Toyota Woven 的自动驾驶团队（Maulik Bhatt）、Hudson River Trading's AI Labs（Yigit Efe Erginbas）、Baseten（Michael Psenka），以及 Yumi Health 的联合创立（Nathan Lichtlé）。少数人走上教职或博士后路线——UCLA（J.D. Zamfirescu-Pereira）、University of Chicago（Haozhi Qi）、Princeton CITP（Eve Fleisig）、Stanford（Kunhe Yang、Zhe Fu）。

[UNIQUE INSIGHT] 路由字段才是预测器。一篇关于灵巧操作的论文被路由到 Physical Intelligence，就有一条通向在真实硬件上被测量的属性的清晰路径。一篇同主题但没有目的地的论文拥有同样的想法，却没有测量回路。路由才是闭合回路的东西。这就是 the-space-is-the-router 框架把这场展示读作拓扑而非转录的原因：毕业生加入的网络决定了他的哪些机制会被实施和测量。

为什么是目的地而非标题预测部署

论文标题告诉你研究了什么。目的地告诉你那项研究内的机制是否会被拿去与现实对抗。两者之间的差距，正是把研究转化为能力的全部问题。

以机器人集群为例。Baifeng Shi 构建通用视觉与机器人模型，被路由到 Physical Intelligence。Kevin Black 研究大规模机器人学习——模仿、强化、生成式建模、实时控制——也被路由到 Physical Intelligence。Haozhi Qi 研究灵巧操作与机器人学习，被路由到 Amazon 和一条 University of Chicago 教职线。Qiyang Li 研究如何利用先验数据用强化学习优化 action-chunking 策略，正在寻找机器人与 LLM 的强化学习博士后或研究员职位。前三位拥有能把机制放到硬件上并测量的目的地。第四位拥有同类机制，却仍在寻找回路。

同样的模式在安全集群中重复。Niklas Lauffer 研究 AI 安全与强化学习在多智能体及 LM agent 场景中的应用，被路由到 Google DeepMind。Sampada Deglurkar 研究自主系统的安全保证——不确定性量化、不确定性下的决策、概率保证——正在寻找研究员或研究工程师职位。两人都研究安全机制。一个落地到能在规模上实施并测量对抗性学习的组织；另一个在等待地址。

这不是对毕业生的评判。这是关于机制完整性的陈述。我们自己 21 篇论文系列中的 Theorem 3 指出，一个属性恰好在其机制被实施并测量时才被保证。论文提出机制。目的地才是实施并测量它的东西。没有目的地，该属性就停留在假设状态——在纸面上正确，在世界上未被保证。

四条路由，以及每条测量什么

把目的字段读作四条不同的路由路径，每条带有不同的测量面。

路由 1——前沿实验室（Physical Intelligence、OpenAI、Anthropic、xAI、Thinking Machines Lab、Mistral）

这些组织在前沿规模的算力和真实用户流量下运行机制。Hanlin Zhu 关于 LLM 推理的工作被路由到 OpenAI，在前沿实验室所产生的负载和对抗条件下被锻炼。Lisa Dunlap 关于生成式模型审计的工作被路由到 Anthropic，落在一个其业务取决于审计是否诚实的实验室里。测量面是规模加上对抗暴露。

路由 2——应用自主（Waymo、Toyota Woven、Luma AI、Hudson River Trading）

这些组织在一个不原谅的物理或市场环境中运行机制。Yiheng Li 的视觉世界建模被路由到 Waymo，遇到的是以无碰撞英里数而非基准精度来衡量的安全案例。Yigit Efe Erginbas 关于大规模市场在线学习与可解释性的工作被路由到 Hudson River Trading's AI Labs，遇到的是每天结算的盈亏表。测量面是坚硬的外部地面真值。

路由 3——教职与博士后（UCLA、UChicago、Princeton、Stanford）

这些路由把机制保持在测量回路中，但回路是学术性的：同行评审、学生、纵向研究。J.D. Zamfirescu-Pereira 关于人机协同设计及语言界面边界的工作被路由到 UCLA 助理教授职位，获得一个长视野和自己的研究生队列。Eve Fleisig 关于让 LLM 对广泛真实用户可靠且公平工作的研究被路由到 Princeton CITP 博士后，在群体层面的公平性问题上持续运行评估回路。测量面更慢、更深、对捷径更不容忍。

路由 4——创立与"正在寻找"

Nathan Lichtlé 联合创立 Yumi Health。Jiachen Lian 正在寻找 AI 人才加入一家初创公司。还有十位正在寻找职位。这条路由是机制要么找到客户主权的测量回路，要么找不到的地方。一家初创公司拥有最干净的测量面——收入、留存，以及一个可以离开的客户——也拥有永远无法触及它的最高风险。"正在寻找"这条路由是未路由的数据包：机制是真实的，地址是开放的。

每个集群承载的机制，以及它路由到哪里

[ORIGINAL DATA] 按机制家族把 31 段简介聚类，路由的不对称性就变得可见。机器人与具身智能集群是最大、路由最完整的：几乎每位机器人毕业生都有一个具名目的地，因为机器人机制需要硬件才能被测量，而拥有硬件的工业实验室雇佣了他们。LLM 与推理集群同样路由良好，通往前沿实验室。AI 安全集群分裂——一个到 DeepMind，一个"正在寻找"——因为安全机制更难在单一商业实体内被仪表化。AI for science 集群（Junhao Xiong 研究蛋白质生成式建模，Nikita Mehandru 从电子健康记录研究临床推理）几乎全是"正在寻找"，因为临床或生物机制的测量回路存在于医院或湿实验室内，而那里不像前沿实验室那样招聘。

模式是一致的：一个机制的测量面越接近前沿实验室现有的仪表，它路由得越完整。测量面越远（诊所、湿实验室、多智能体经济），越多毕业生停留在未路由状态。论文并没有变弱。目的地变得更难找到。

这对任何从展示中招聘的人意味着什么

如果你正从一场 graduate showcase 中招聘，请把目的字段读作采购信号，而非声望排名。一个其机制与你已拥有的测量面相匹配的毕业生，是你能做出的最高杠杆招聘——你正在提供完成他机制的回路。一个你无法为其仪表化的机制的毕业生，无论论文多强，都是一份你将难以评估的招聘。

这正是我们应用到自身工程的逻辑。HAI Engine 自 2016 年起在生产中运行（Production ✅），不是因为想法新颖，而是因为引擎拥有一个持续的测量回路——真实网络、真实社区、真实房间、真实预测。Sisters 提出未来，Oracle 将它们融合成一个校准过的集成（Production ✅），因为校准是针对会结算的结果来测量的。World Monitor（Production ✅）通过 Postgres 缓存和按 tile 的广播信道路由实时地理信号，因为测量面是真实的客户端视口，而非演示。那些 Partial ⚠️ 的模块——Matchmaking、Marketplace、Calendar——之所以是部分，正是因为它们的测量回路仍在闭合中。那些 Roadmap 🔵 的模块——Wallet & Token、Super App、Community Credit——之所以是路线图，是因为测量回路（并且对 token 机制而言，还有 Howey 审查）尚不存在。我们不会通过断言来升级一个状态。路由决定状态。

[PERSONAL EXPERIENCE] 引擎自 2016 年起在生产中运行，而一项能力是否交付的最可靠预测器从来不是设计的优雅——而是是否存在一个能测量它的目的地。交付了的能力有路由。留在白板上的能力有论文却没有地址。

The space is the router

在 Everythink 中，the space is the router：一个网络包含社区，一个社区包含房间，network→community→room 拓扑在任何东西响应之前就先路由。BAIR 的展示是同样的形状，只是尺度不同。研究是请求。目的地是路由。组织是响应的房间。

这就是为什么一场 graduate showcase，从机制角度读，比论文摘要更有用。摘要告诉你声称了什么。目的地告诉你那个声称是否会被测量。而 Theorem 3 在这一点上不饶人：一个属性恰好在其机制被实施并测量时才被保证。一个没有目的地的机制是一个没有保证的属性——不是因为它错了，而是因为世界尚未被允许去确认它。

关键要点

2026 BAIR Graduate Showcase 是一张路由表："what's next"这一行，而非论文标题，预测哪些机制能到达生产。
大约三分之一的 31 位毕业生"正在寻找"——未路由的数据包，其机制真实却未被测量。
机器人与 LLM 集群路由最完整，因为前沿实验室拥有测量面；AI for science 与安全集群路由最少，因为它们的测量面存在于诊所、湿实验室和多智能体经济中。
Theorem 3 成立：一个属性恰好在其机制被实施并测量时才被保证。目的地才是实施并测量的东西。
从展示中招聘是采购，而非声望：把机制与你已拥有的测量面相匹配。

常见问题

BAIR Graduate Showcase 是什么？ 它是 Berkeley Artificial Intelligence Research Lab 的年度帖子，列出当年的博士毕业生，每人配有一段研究简介和一行"what's next"。2026 年的展示列出 31 位毕业生。

为什么目的地比论文标题更重要？ 论文提出机制。目的地——前沿实验室、应用自主公司、教职线、初创公司——才是实施并测量该机制的东西。没有目的地，论文所声称的属性就停留在假设。

展示中的"looking for"是什么意思？ 它意味着毕业生的下一职位尚未确定。从机制角度读，它是一个未路由的数据包：研究存在，完成它的测量回路尚无地址。

这与 Everythink 有何关联？ 我们的拓扑——network→community→room——在任何东西响应之前先路由，而我们的能力状态（Production ✅ / Partial ⚠️ / Roadmap 🔵）由是否存在测量回路来设定，而非凭意愿。展示是同一逻辑在职业层面的体现：路由决定哪些机制被测量。

招聘经理应该这样读展示吗？ 是的。把目的字段读作采购信号。一个其机制与你已拥有测量面相匹配的毕业生是最高杠杆的招聘，因为你提供了完成他工作的回路。

如果你正在构建一个以路由为产品的网络，同样的原则适用：拓扑决定哪些机制被测量。Create your network，并拥有这条路由。