文 | 版面之外，作者｜画画
过去一年，AI 行业最不缺的，不是模型，是天才。
几乎每隔一段时间，就会出现一个新的名字，被称为天才少年、天才科学家、下一代领军者。
姚顺雨、杨植麟、林俊旸、罗福莉……你很难不注意到这种密度。
天才，似乎正在批量出现。哪怕是远在大洋彼岸的李飞飞，也没逃过被反复强化为 "AI 教母 "
但这件事，越来越不对劲。
如果到处都是天才，那天才这个词本身，就失去了意义，它应该是稀缺的、不可复制的、甚至难以命名的。
更奇怪的是，这些被称为天才的人，往往自己并不这么认为。
他们在采访里说的，是另一套话。
" 运气好，踩在了节点上。"
" 做了很久，才有了一些成绩。"
" 当时不知道这条路对不对。"
一边，是外界不断放大的光环。另一边，是本人反复收缩的自我叙述。
这种错位，才是真正值得追问的地方。
于是问题开始浮现。如果他们不是天才，那为什么这个时代，需要这么多天才？
更深的问题是：天才对谁有用？
1、天才，一种被工业化生产的标签
天才这个词，正在变成一个效率极高的传播工具。
在一个高度复杂的行业里，大多数人其实很难理解大模型到底是什么、技术突破意味着什么、不同公司的路径差异在哪里。
但如果你换一种说法，这是一个天才做出来的。
理解成本瞬间降低。
于是：
这些不是偶然形成的。它们服务于同一个目的，用最短的话，建立最高的期待。
天才，成为一种信息压缩机制。它把复杂的技术、漫长的路径、残酷的竞争，压缩成一个简单的答案：因为 ta 是天才。
这是一种懒惰的理解方式。但懒惰是有市场的。因为大多数人并不真的想理解大模型，他们只是想知道，这件事值不值得相信。
当一切都可以被归因为 " 天才 " 的时候，我们就不再需要理解过程，也不再需要理解结构。
我们只需要记住结果。而 " 天才 "，给了他们这个答案。
但问题在于，当一切都可以用天才来解释的时候，我们就失去了理解这个时代的能力。这是一个硬币的双面。
2、他们真的不是 " 天才 "
天才这个词，听起来像赞美。
但落到一个具体的人身上，往往是一种过度简化，甚至是一种消解。
它把一个漫长、反复、甚至充满失败的成长过程，压缩成一个瞬间：
仿佛这个人，从一开始就注定成功。
但现实，恰恰相反。
如果把镜头拉近，看清楚这些被贴上标签的人。你会发现，所谓天才，往往只是叙事的结果，而不是原因。
真正的故事，藏在他们各自的路径里。
姚顺雨回国的时候，国内大模型基础设施还处于爬坡阶段，应用层几乎没有任何成熟路径。尤其是腾讯，更是处于大模型的下游段位，没有人知道这家公司会怎么设计大模型路径。
这种转变，意味着放弃已经积累的学术体系优势，重新进入一个陌生的坐标系。那不是一个天才顺势而为的时刻，那是一个需要在信息不完整、结果不确定的情况下，判断 " 哪里更有价值 " 的时刻。
杨植麟的故事，更容易被误读为突然成功。如果把他的路径拆开，你会发现它异常线性：学术研究 →深入大模型 / 语言模型方向 →进入产业 →最终走向创业。
这条路径几乎没有偏离。但线性，不等于说就很容易。
他选择创业的那个节点，技术路径仍不确定、商业模式尚未清晰、竞争对手极其强大（包括大厂与全球顶尖公司）。
他需要在没有商业验证的情况下说服投资人，要在没有产品雏形的情况下招募愿意承担风险的团队，要在竞争格局尚未清晰时决定技术路线。这些决策，没有一个是天才一眼看穿就能解决的。
当大模型真正爆发之后，这种下注开始显现价值。
于是，外界把故事讲反了。原本是高风险选择，被解释为高瞻远瞩。原本是长期积累， 被简化为天赋异禀。
从 DeepSeek 到小米，罗福莉的路径，可能是这批人里最容易被标签化的。
她几乎具备所有媒体和大众喜欢的元素：年轻、技术背景、女性、快速进入头部 AI 团队。
这几个标签叠加在一起，形成了一种特别强烈的天才滤镜。
但真实的路径，远没有这么顺滑。
从以技术为核心的 AI 团队，到进入更大规模的平台型公司。她面对的是两套完全不同的组织语言。技术团队追求模型效果，产品团队追求用户体验。这两种语言，在同一张会议桌上经常互不相通。
这不是天才的光环能跨越的，这是每一个从研究走向落地的人，都必须真实经历的摩擦。
在这个过程中，她要面对的，不是天才的光环，而是，不同组织的节奏差异、技术与产品之间的冲突、从研究到落地的复杂转化。
这些东西，几乎不会出现在天才叙事里。但它们，才是真实的难度所在。
如果把这三个人放在一起，会发现一个共性，他们的成功，不依赖某一个瞬间，而依赖三件更慢的事：从技术走向系统、在不确定中做选择、长期专注一个方向。
这些东西，很难讲清，也很难复制。
于是，人们选择了一个更方便的词来定义。不是因为它准确，而是因为它够快。
几乎所有被贴标签的人，都会否认这个词。因为他们比任何人都清楚，自己经历过多少失败，做过多少重复劳动，在多少关键节点，其实并不确定是否成功。
天才，对外是解释。但对内，是失真。
它掩盖了过程，也削弱了努力的意义。甚至在某种程度上，它会让成功变得不可复制。
这是 " 天才叙事 " 最隐蔽的伤害。它不只是简化了成功者的故事，它还在悄悄告诉那些正在努力的人，你没有天赋，就不必再试了。
实际上，只有成功来自路径、选择和积累，这样的故事，才具有真正的普世价值。
3、他们为什么成功？不是天赋，是结构
如果我们把天才这个标签拿掉，就必须回答一个更难的问题：他们到底为什么能成功？
答案，其实更复杂，也更现实。
第一，他们赶上了时代。
以李飞飞为例。她不是突然成为 "AI 教母 "。而是，很早进入 AI 领域，在计算机视觉方向长期深耕，参与构建关键基础设施（如数据集体系）。
2009 年，当她和团队开始构建 ImageNet 的时候，这个项目被很多人认为是 " 浪费时间 "：手工标注数百万张图片，意义在哪里？
三年后，AlexNet 用这个数据集训练出了当时最强的图像识别模型，深度学习的时代就此开启。
她不是预言家。她只是在一个没人确定有价值的方向上，坚持做了别人不愿意做的事。
她的成功，本质上是站在一个尚未被证明的方向上，坚持了足够久。
其次，他们做了极致单一的选择。
无论是姚顺雨、杨植麟，还是罗福莉，都属于一类人：
原生 AI 人才。
他们没有频繁切换赛道，而是，长期在一个领域深挖，在同一个问题上不断迭代，把时间变成了壁垒。
在一个鼓励多元尝试、快速转型的时代，反而是一种逆流而行的选择。周围的人可能换了三个方向，他们还在原地。
不是因为没有机会，而是因为他们相信，在这里再往深处走一步，会看到别人看不到的东西。
这在短期看，是慢。但放在长期看，是不可替代。
最后，他们踩中了风口，但不是偶然。
从 GPT 到今天的 AI Agent、大模型应用爆发，这是一个巨大的结构性机会。
但机会不会自动分配。只有那些提前在场、能够理解技术、有能力转化的人，才能真正接住它。
" 风口 " 这个词，容易让人产生一种错觉，只要站在那里，就会被吹起来。
但现实是，当风真正来的时候，那个位置早就人满为患了。
真正的问题不是风口在哪里，而是你有没有在风口出现之前，就已经站在那里。
所以，他们不是被风口抬起来的，而是站在风口该出现的地方。
把这三件事放在一起，你会发现它们有一个共性：都很难讲清楚，也很难复制。
于是，人们选择了一个更方便的词。不是因为它准确，而是因为它够快。
4、天才，是一种止痛药
到这里，一个更深的问题出现了：为什么这个时代，如此需要天才？
因为技术太复杂了。
大模型，是一个极其复杂的系统工程。绝大多数人无法理解模型训练、推理优化、系统架构。
于是，天才成为一种解释捷径。
也因为这个故事里需要英雄。每一个时代，都需要 " 人 " 的故事。
工业时代有企业家，互联网时代有产品经理。
而 AI 时代，需要的是，能代表技术的人。
于是，天才被制造出来。
更因为不确定性太高了。当未来不清晰时，人们会本能地寻找确定性。
天才，就是一种确定性的投射。如果他们是天才，那这件事是可信的。这三种需求叠加在一起，形成了一个稳定的供需结构。
一边，是大众对简单答案的渴望，另一边，是媒体、平台、行业对可传播符号的需求。
天才，就是在这个结构里被源源不断生产出来的产品。
它不是赞美，它是止痛药。它让复杂变得可以接受，让不确定变得可以相信，让一个大多数人看不懂的时代，变得好像有人在掌控。
5、这不是关于天才，是关于时代
所以，当我们说，大模型领域并没有天才，不是否认这些人的能力。而是试图说明一件更重要的事：
我们正在用一种过于简单的方式，理解一个极其复杂的时代。
他们不是天才。他们只是，更早进入这个领域的人，做了更难选择的人，承受了更长不确定性的人
但这个时代，仍然会不断制造 " 天才 "。
因为它需要，更简单的故事、更清晰的符号、更容易传播的解释。
就像今天，我们会说黄仁勋在定义未来算力，马斯克在讲述人类的长期愿景，他们不断描述未来，甚至给出巨大的预期。
但本质上，这些都不是预言。
而是一种更深层的行为，在不确定的时代里，尝试解释未来。
而 " 天才 "，只是这种解释里，最简单的一种。
也许我们可以换一种方式来看这些人。
他们不是天才。他们只是，更早进入一条路，更久地走下去，在大多数人离开的时候，没有离开。
然后，在一个时间点上，被看见了。
被看见的那一刻，被叫做天才。但在那之前的所有时间里，他们只是一个还没有被证明的人。
天才，不过是我们给那些坚持者，贴上的一个懒惰的标签。
【版面之外】的话：
当我们说大模型领域没有天才，不是在否认这些人的能力。
恰恰相反，是在试图把他们从一种过度简化的叙事中解放出来。
让他们重新变回有路径的人、有选择的人、有长期积累的人。
只有这样，他们的成功才能被理解，而不只是被仰望。
也只有这样，这个时代，才算真正被看见了。
