姚舜宇：預訓練尚未觸頂，AI 研究本質簡單，個人英雄主義時代已終結
前 Anthropic 與 Google DeepMind 研究員談 Claude 3.7、4.5 與 Gemini 3 的訓練歷程 — 訪談時間：2026 年 3 月
姚舜宇走進訪談現場時，戴著一副隨光線變色的琥珀色眼鏡。在矽谷 AI 圈，有兩位「姚舜宇」，皆畢業於清華大學同屆。一位於 2025 年從 OpenAI 跳槽至騰訊；另一位即是今日的受訪者，同年從 Anthropic 轉投 Google DeepMind。過去兩年，他參與了 Claude 3.7、4.5 及 Gemini 3 等關鍵模型的開發。他的職涯軌跡，折射出 AI 研究如何從個人天才時代，演變為集體執行力的時代。
最具爭議的觀點：預訓練進展並未放緩
作為站在 2026 年第一季的前線研究員，姚舜宇的觀點與當前主流論調大相逕庭。當被問及模型進步是否正在放緩時，他直截了當地回答：「我認為完全沒有。我的經驗是進步並未停止，且未來四個月內，我也沒看到任何觸頂的跡象。」
這一觀點頗具爭議。幾個月前，許多人還在討論「縮放定律」（Scaling Law）是否已達極限。姚舜宇的態度明確：並沒有。「我的猜測是，當有人認為某種模式達到極限時，通常是這兩種情況之一。一是他們覺得該模式的適用範圍已到盡頭；二是他們認為其中一個條件無法再滿足，例如數據撞牆。但其實還有第三種可能——他們的工作中存在某個自己尚未察覺的 Bug。」
根據姚舜宇的觀察，絕大多數撞牆的人都是因為第三個原因。「例如在研究 Scaling Laws 時，某些科學假設不夠精確，或是單純有 Bug。我認為這在業界並不稀奇。很多時候，修復一個 Bug 所帶來的進步，遠大於某些花俏的技巧。」
姚舜宇透露，預訓練在過去幾個月中實際上變得更強了。「模型預訓練在過去幾個月確實增強了。我的感覺是，未來四個月內我也看不到任何終結的跡象。」當被問及為何外界認為已達極限時，他表示：「顯然我不知道為什麼人們會這麼想，因為我個人並不覺得它已經觸頂。」
驅動進展的關鍵：數據、算力與演算法
關於模型能力的驅動因素，姚舜宇認為三者皆有貢獻，但數據與算力高度相關。「當算力提升，你會自然吸引更多數據；當數據增加，你自然需要更多算力。」至於演算法，他主張演算法進步往往存在「相位轉移」——在完全摸不著頭緒的階段，演算法至關重要；但一旦發現最重要的演算法洞見，後續的改進就會變得平緩。
「例如從語言模型預訓練的角度來看，那個演算法飛躍是 Transformer 的開發。但在 Transformer 被發現之後，後續大多是漸進且平滑的改進。」他解釋道。在預訓練和後訓練等架構相對清晰的領域，主要驅動力確實是算力和數據。但在多模態生成等其他方向，這仍是一個尚未完全破解的科學問題。
姚舜宇反對 AI 正觸及根本極限的說法。「我覺得 AI 不會給人一種正在撞牆的感覺，首先是因為你可以嘗試的事情太多了。其次，並非每個人都技窮了。更多時候是因為點子太多，需要逐一驗證。」他預測，在未來 6 到 12 個月內，AI 將開始自主進行實驗——不僅是撰寫程式碼並運行實驗，還包括分析結果、提出新假設、設計新程式碼，並在一個完整的迴圈中執行新實驗。
Anthropic 如何押注程式碼開發
姚舜宇於 2024 年 9 月加入 Anthropic，當時公司正準備進行最重要的轉型。目標很明確：將大規模強化學習應用於程式設計。「我認為我加入時，大家肯定已經看出這件事可行且重要，但還不知道具體該怎麼做。我進去後，就是和大家一起研究如何實現。」
這項押注的起源可追溯至 Claude 3。該模型發布後，Twitter 上許多人討論 Claude 3 寫程式碼的能力似乎優於 GPT-4。「因此，能在一項重要任務上超越 GPT-4，這非常令人印象深刻，」姚舜宇回憶道。這是 Anthropic 非常重視的市場反饋。
但為什麼偏偏是程式設計？姚舜宇指出兩大優勢。「第一個優勢是它的獎勵訊號（Reward Signal），也就是反饋訊號非常明確。軟體工程任務通常是：我需要寫程式碼來實現某個功能。這非常容易測試，輸入與輸出相符，就代表實現成功。」第二個優勢是數據：GitHub 匯集了數十年來優秀程式設計師的高品質程式碼，為構建環境提供了極佳的基礎。
最終的產物 Claude 3.7，成為 Anthropic 後訓練（Post-training）的分水嶺。「在 3.7 之前，後訓練處於規模較小、更像是在打補丁的狀態，」姚舜宇解釋道。當時沒人真正搞清楚後訓練該如何擴展。但在那段時期，無論是 OpenAI、Anthropic 還是中國的 DeepSeek，都意識到如何擴展：「你必須找到一個反饋訊號足夠清晰、且環境本身就是強大數據來源的地方。在此基礎上，你可以讓訓練變得非常穩定。然後它就能運作了。」
從 3.7 到 4.5 的開發涉及更大規模的預訓練與後訓練，不過姚舜宇指出，在範式上並沒有發生重大改變。關鍵在於大規模的系統性執行。
Anthropic 獨特的組織優勢
是什麼讓 Anthropic 能如此果斷地執行程式設計策略？姚舜宇歸功於公司不尋常的組織結構。「Anthropic 作為一家公司，能夠執行這種相對自上而下的機制，是非常獨特的。」關鍵在於，做出技術決策的人必須同時是公司的決策者。「你必須在技術上令人信服，才能說服底下的研究員執行這件事。另一方面，你必須是公司的決策者，必須能為公司負責。」
Anthropic 的優勢在於：技術領導者 Jared Kaplan 和 Sam McCandlish 都是公司共同創辦人。「他們自己做決定，這是他們的公司。所以他們有權力進行這種自上而下的決策。」姚舜宇將其與 OpenAI 對比：「Ilya 在的時候或許有可能。但後來，我不知道出於什麼原因，他似乎失去了決策能力。然後他就離開了。」
姚舜宇加入時，公司總人數約七、八百人。他的第一印象是執行力極強，且結構相對自上而下。「這是一家相對自上而下的公司。所以很多事情一旦決定，就是全力以赴。」員工之間的氛圍極佳——每個人都認識，沒有資訊隱瞞。
公司的共同創辦團隊保持完整，姚舜宇認為這至關重要。「沒有一個人離開公司。看看他們的過去，這是一群真正一起打過仗的人。他們都來自 OpenAI。」許多人是 Scaling Law 和 GPT-3 等關鍵論文的共同作者。「他們是曾並肩作戰的人。我認為互信依然是關鍵。」
程式設計為何崛起，下一步是什麼
自 Claude 3.5（或部分人稱之為更新版的 3.6）發布以來，程式設計場景發展迅速。據姚舜宇保守估計，他今天撰寫的程式碼中，90% 是由模型生成的。「如果不保守一點，可能是 99% 或 100%。剩下的 10% 是它寫不出來，或者我沒讓它寫的部分。」
寫不出來的部分越來越少。大約一年半前，只有 Claude 能真正撰寫軟體工程程式碼，且當時模型還有許多瑕疵。「有時它寫程式碼只關注單一檔案，不會太注意多個檔案間的關係。如果類別定義埋得很深，模型可能找不到。現在我認為這種情況越來越少了。」
效率提升極為顯著。與一年前甚至一年半前相比，運行實驗和實現想法的效率可能提升了 20 到 50 倍。「這非常瘋狂。你可以同時開啟多個視窗，同時測試多個想法。有時模型甚至能幫你監控實驗、監控結果之類的。」
但這並沒有縮短工時，反而讓工時變長了。「因為開發速度加快，你嘗試得越多，就越想嘗試。有越來越多想法需要驗證。」姚舜宇通常早上 10 點到辦公室，獨自在美國時會待到晚上 10 點或 11 點。「在生成式 AI 領域，沒人能混日子。」
展望未來，姚舜宇認為卓越的程式設計能力將不僅僅取決於技術強度。「未來的優秀程式設計師，首先技術上肯定要非常強。因為如果你技術弱，AI 就沒有理由不能取代你。但技術強可能不是唯一條件，它可能是充分條件，而非必要條件。」重點在於理解你的工作如何融入大型組織、將複雜事物拆解為小任務交給 AI 的規劃能力，以及最重要的一點：隨著 AI 能力演進而調整的能力。
從物理到 AI：拒絕個人英雄主義
姚舜宇進入 AI 的路徑並不傳統。他在清華大學本科攻讀凝聚態物理，專注於非厄米系統（non-Hermitian systems）和開放量子力學。儘管在拓撲現象研究上有所成就，他仍轉向史丹佛大學攻讀高能物理博士。
「這是人性弱點。我總喜歡挑戰自己不擅長的事物，」他解釋道。回首過去，他認為博士期間雖然個人學到很多，但「對這個世界沒有產生任何貢獻」。高能物理理論發展到實驗完全跟不上的地步，進展取決於數學上的自洽性，而非實驗驗證，「當這個領域完全缺乏實驗和客觀標準時，絕對不會只有一個自洽的框架出現。這時候誰做得好、誰做得不好，其實取決於領域內一些老前輩的主觀判斷。」
這種體悟促使他尋求具備「相對客觀評價標準」或「能對世界產生影響」的工作。在量子計算與 AI 之間，他選擇了 AI，因為量子計算的主要瓶頸在於實驗實現，而非演算法設計。「AI 更像是你有個想法，然後用數據來驗證。AI 中的數值層面可能就是訓練模型之類的。這其實跟做物理很像。」
他在 AI 中發現了本質：「我認為 AI 作為一個領域，本質上很簡單。」與物理學不同，AI 不受限於「如果不理解理論就無法推進」的限制。「AI 不受此約束。即使你不理解它，它依然可以前進。而且現在的事實是，任何我能想到的實驗我都能做。可能只是需要時間擴展算力或準備基礎設施，但沒有根本性的困難。」
這種簡單性有深遠影響。「我認為在這個時代，最重要的特質是可靠、注重細節，並為自己的工作負責。這些是最重要的。」當被問及 AI 是否需要「腦子」時，姚舜宇直言：「不需要太多腦子。真的不需要太多腦子。」
這種世界觀塑造了他最具爭議的立場：「我認為語言模型的個人英雄主義時代可能已經過去了。」他將那個時代定格在 Transformer 時刻。「技術被發現後，很長一段時間內，模型領域更多是集體主義——這個團隊能否合作、能否為了共同目標投入時間與精力，這才是最重要的。」
當被問及他在 Claude 3.7 或 Gemini 3 等模型中的個人貢獻時，姚舜宇總是避而不談。「我認為我個人的貢獻，對於任何模型，我的說法始終是我覺得自己並不重要。我認為更重要的是，我很幸運有機會在那個時間點加入重要專案，並做了一些事情。」他補充道：「我認為現在每個人都是衝浪者。本質上是浪潮，而不是你這名衝浪者。是 AI 這件事本身就是浪潮。無論你是否衝浪，它都會前進。」
Google 的回歸：從混亂到工程卓越
姚舜宇於 2025 年 9 月離開 Anthropic 加入 Google DeepMind，吸引他的並非 Gemini 2.5 的公開成功，而是人才以及學習不同事物的機會。「我並不完全認同 Dario 的反中立場，」他提到這是因素之一，約佔決策的 40%。但更重要的是，他想做 Anthropic 沒做過的事——多模態生成、底層工程基礎設施，並向更廣泛的人類群體學習。
他在 Google 發現了一個正在走出混亂的組織。據同事描述，早期預訓練「非常混亂」。但當姚舜宇抵達時，情況已改變。「組織現在更清晰了。一旦組織清晰，特別是預訓練現在變得非常、非常清晰。就是誰負責什麼，每個節點的負責人是誰，這些都很明確。」
這種清晰度，結合 Google 強大的技術背景與系統化方法，使預訓練成為「一件非常、非常可控、可預測的事情。你知道下一代模型不會太差。」Google 的強項在於找到一種極其簡單的產品形式，讓每個人看起來都一樣，然後在技術上進行無情的競爭。「這正是 Google 所擅長的。因為搜尋引擎就是這樣。每個人都有同樣的搜尋框、一個按鈕，但它就是搜尋得比你快、比你準。你對此無能為力。」
這種組織模型與 Anthropic 有本質區別。Anthropic 是為押注特定方向的新創公司進行自上而下的管理，而 Google 運作更偏向自下而上，並在每個領域都有儲備。「大公司會說，像預訓練這種相對確定的範式，也許 Google 會將其轉化為工程專案。Google 的工程管理能力非常強。」
兩件事促成了 Gemini 的市場突破：Nano Banana 和 Gemini 3 的接連發布。「如果只有 Gemini 3，結果可能不會這麼好。因為當你的市佔率不到 10% 時，模型好一點或壞一點，傳播速度都太慢。但 Nano Banana 做到了，它在市場上瘋傳，成為巨大的熱門。然後大量用戶下載了 Gemini App。接著 Gemini 3 隨後發布，留住了這些用戶。」
姚舜宇認為這是 Google 利用了 OpenAI 的戰略失誤。「OpenAI 救了 Google 一命，」他主張。「大家過去擔心聊天機器人會完全取代搜尋。如果真的發生，Google 會陷入困境。但幸運的是 OpenAI 先做了這件事，讓 Google 意識到這很重要，但它沒有把這件事做絕，沒有完全殺死搜尋。可能只是吃掉了一些市佔率。結果讓 Google 自己也追上了聊天機器人。現在陷入困境的是他們。」
長文本與後訓練的技術現實
關於 Gemini 的長文本能力，姚舜宇給出了一個發人深省的評論：「有一些技巧。」追問之下，他承認與預訓練相關的「有一些技巧確實讓我感到驚訝」，儘管他無法透露細節。他闡述的原則是，要做好長文本，需要預訓練和後訓練兩種方法。
展望未來，姚舜宇正致力於兩個主要方向：ML Coding 和長視界（Long Horizon）。ML Coding 旨在實現 AI 自主訓練的完整過程，即 AI 能從頭到尾完成整個研究專案——不僅是寫程式碼和運行，還包括觀察結果、分析錯誤、提出新假設、設計新程式碼並運行新實驗。「這個鏈條尚未完整。但我認為這可能是下一個逐漸趨於完整的環節。」
長視界工作則追求他的座右銘：「以有限上下文訓練，以無限上下文使用。」解決方案不是讓單次訓練片段更長，而是教導模型像人類一樣選擇性地遺忘和檢索資訊。「人類的上下文其實非常、非常短。如果你現在問我昨晚吃了什麼，我完全記不得，因為這對我當前的場景不重要。所以我選擇遺忘它。」正在探索的方法包括稀疏注意力（Sparse Attention）等預訓練解決方案，以及涉及上下文管理的後訓練解決方案。
關於預訓練與後訓練的區別，姚舜宇提供了公眾討論中常被忽略的細節。「從純技術角度看，很難說 SFT（監督微調）和 RL（強化學習）有本質區別。預訓練和 SFT 本質上差別不大——你只是將獲得的數據作為真值（Ground Truth），將其視為專家輸出，然後對齊該分佈。強化學習可能是一個更廣的層面，原始輸出不是給定的專家，而是我自己產生的結果，其中有好有壞。」
對他而言，最大的區別在於數據。「對於預訓練數據，更重要的是分佈良好——分佈需要足夠廣，或與你想覆蓋的範圍對齊。但數據品質不需要極高。但後訓練則相反。就分佈而言，它可能窄得多，但對於已有的數據，品質要求非常高。」
為什麼封裝層（Wrappers）無法逃離模型公司
對於 AI 產品和封裝層的問題，姚舜宇一貫直率。Manus 和 OpenClaw 都選擇賣給模型公司（分別是 Meta 和 OpenAI，儘管 Meta 對 Manus 的收購後來被撤銷）。「我認為封裝層要在當前環境下生存，有兩種途徑。一是跑得夠快——即我的成長速度夠快，在模型公司趕上之前，我已經搶佔了顯著的用戶心智。」
Cursor 正試圖走這條路，但即便如此，他們也感受到了強烈的危機壓力。「它與 Anthropic 的關係現在進入了一個非常微妙的階段。他們過去是親密、無縫的合作夥伴。Anthropic 提供模型，Cursor 提供產品。後來 Anthropic 自己開發了 Claude Code。Claude Code 變得非常成功。現在 Cursor 試圖開發自己的模型。所以他們已經處於相當競爭的關係。」
根本問題在於「談到程式設計，其核心本質是服務專業用戶的專業需求。這是一個生產力工具。生產力工具的常見場景是贏家通吃。」另一種生存路徑是規模夠小，讓模型公司懶得理會——Midjourney 可能是一個例子，儘管姚舜宇指出該市場「太小了，以至於即使 Gemini 可以嘗試複製 Midjourney 的功能，Gemini 可能也不想花太多時間在那上面。」
對於 OpenAI 收購 OpenClaw，姚舜宇推測：「我認為對他們來說，最大的好處是——撇開花了多少錢不談——獲得了一個在亞洲非常強大的產品團隊。顯然中國有很多天才的 AI 人才。儘管目前在純技術層面上，中國 AI 還沒完全趕上美國。但在產品方面，我認為中國的人才本質上比美國更好。」
蒸餾辯論與中國實驗室
姚舜宇在討論中國模型公司時提出了一個有用的區別：「硬蒸餾」與「軟蒸餾」。硬蒸餾是「拿一堆 Claude 生成的 Token 強行訓練。如果做這種事，我認為首先從商業角度看不太道德。且在智識上，這相當愚蠢，因為這樣做的公司本質上證明了一件事：他們甚至不知道自己想做什麼。他們唯一能做的就是複製別人。」
軟蒸餾則涉及更聰明的方法，例如將其他模型作為助手來生成自己的訓練數據管道，或作為自己模型生成答案的評估器。「這在商業上其實有點灰色地帶。但從技術角度看，相當有趣。因為如果你思考一下，在某種意義上，中國實驗室可能已經成為多代理（Multi-agent）訓練的先驅。」
他拒絕在紀錄中點名特定公司，但暗示這種模式在業界很明顯。在他看來，字節跳動的獨特之處在於：「豆包肯定不如 Gemini 或 Claude 聰明，但豆包的語音生成極好。而且我發現對於生活問題，我只想問豆包，因為它太快了。」
為什麼美國公司不優化這種產品功能？「在美國，我認為人們更專注於如何提高工作效率。事實是，如果你問這些日常話題，你會發現 Gemini 從一代到一代做得越來越好。但目前這些美國公司都還處於努力推動智慧上限的階段。字節跳動當然也在推動上限，但我認為它可能在用戶優化方面也做得非常好。」
什麼樣的人是好的 AI 研究員
姚舜宇發展出一套反映其 AI 研究哲學的招聘方法。他給候選人 24 小時，利用任何資源從零開始完成一個強化學習專案。「這件事在 AI 時代並不難。沒有 AI 這是不可能的，沒人能在 24 小時內做到。但有了 AI，這其實很容易，因為 AI 可以幫你完成所有事。」
這項測試評估兩件事。「在這個時代，評估一個人是否會寫好程式碼其實沒用，因為大多數人不再需要自己寫程式碼。更重要的是他們能否有效利用 AI。」但這有個陷阱：「如果你讓 AI 做所有事，卻不去嘗試理解 AI 為你做了什麼，你在那一小時的討論中就會露餡。」
設計中還有姚舜宇所謂的「一些黑暗的聰明才智」。「為什麼設計成 24 小時，是為了看這個人有多重視這個機會。他們能熬夜嗎？如果願意熬夜，就能撐過這 24 小時。如果撐不過去，就代表他們可能沒那麼重視這個機會。」
對姚舜宇而言，AI 研究最重要的特質是可靠、注重細節，並為自己的工作負責。「我認為在這個時代，最重要的特質是可靠、注重細節，並為自己的工作負責。這些是最重要的。」他補充說，現代 AI 訓練是一個大型系統，需要整體理解。「你實際上需要理解這個系統的所有面向，才能對『為什麼某樣東西有用』有整體的理解，而不是說這個東西本身有用。」
這需要違背人性。「每個人的本性可能是讓自己的東西表現得更好。但對於一家公司或組織，最有益的是讓整個公司的系統變得非常穩固。這對你個人其實最好，因為一旦系統穩固，你就能利用這個系統產生更多輸出。但壞處是，這個系統會讓你的個人英雄主義不再閃耀。但你可以放心，別人的個人英雄主義也不會閃耀。」
未來的格局
審視當前領域狀態，姚舜宇認為模型在能力層面上正日益商品化。「從實際用戶體驗來看，你可以感覺到這三家公司模型的差異。但難點在於過去你也能在紙面上看到這種差異。現在，在紙面上，每個人其實都很接近。當你看紙面數據時，比如 SWE-bench，你會發現最好的模型可能只比不太好的模型好 1% 或 2%，但其實每個人都在 80% 左右。」
競爭已從原始能力轉向產品執行力和市場定位。「現在感覺僅僅依靠達到這些公開認可的模型能力已經沒什麼意義了。發布速度快也顯示出這個問題對每個人來說都變簡單了。每個人現在都知道訣竅了。沒有秘密了。」
關於 OpenAI 的地位，姚舜宇給出了審慎的評估。「我認為中國和美國的趨勢已經分道揚鑣。中國真正強大的是消費端。它可以想出非常、非常複雜的產品功能或結構。但這對生產力軟體行不通。生產力軟體非常直觀。」他認為 OpenAI 的優勢在於產品執行力，儘管隨著 Google 的追趕，這一點也正受到挑戰。
對於未來，姚舜宇認為沒有人的地位是穩固的。「我不認為現在有誰的地位是穩固的。AI 的形式還有很長的路要走。我們還沒到任何終局。」他對中國那種將公司爭奪超級 App 視為零和博弈的情緒感到困惑。「這種形式是超級 App 形式嗎？如果有一天別人推出了完全不同的形式，你的功能變成了那東西的子集怎麼辦？這完全有可能，對吧？」
下一個範式級別的變化可能來自仍處於早期探索的領域。「ML Coding 和長視界」很有價值，但還算不上範式轉移。「範式級別的可能仍然是那些更不確定的事物，比如多模態生成。我認為可能會出現一個英雄或一群英雄。」但他對「世界模型」這種模糊概念不以為然，那裡「一萬個人有一萬種世界模型」，定義仍然不清。
對於考慮 AI 研究的年輕人，他的建議很嚴厲。「我認為單純從事語言模型研究已不再是藍海。我認為太晚了——最後一班列車已經開走了。」他認為自己很幸運趕上了那班車。「還有很多其他事情。比如我們剛提到的多模態生成，那裡可能還有很多機會。機器人技術可能機會更多。更極端的，還有是否能利用 AI 協助解決真實的科學問題。」
工作哲學
在整個對話中，姚舜宇不斷回到與 AI 天才崇拜相悖的主題。他在業界沒有導師，沒有需要維護的老朋友，這讓他可以「想批評誰就批評誰」。他公開蔑視那些在 Slack 上「談論宏大原則」而非從事實際工作的研究員。他認為「點子很廉價」，執行力就是一切。
他個人的軌跡反映了這種哲學。從選擇格致中學的競賽班而非上海四大名校（「我覺得這個競賽班，用今天的話說，是挑戰者。我覺得光腳的不怕穿鞋的。值得一試」），到傳簡訊給清華招生辦要求上海學生平等對待，再到從成功的凝聚態研究轉向高能物理，因為他「總喜歡挑戰自己不擅長的事物」，姚舜宇始終選擇了更艱難、更不顯眼的路徑。
但他同時也從失望中學習。他的高能物理博士學位讓他學到了客觀評價標準的價值。「我認為經驗定律與科學定律之間的區別相當模糊，」他反思道，但在 AI 領域「你可以進行實驗。你不理解它也沒關係。它依然可以前進。」
至於自己的未來，姚舜宇一貫地不確定。「我認為可能不會，」當被問及是否會長期留在 Google 時他回答。「我仍然會嘗試挑戰自己。需要折磨自己。但我可能需要找到值得折磨自己的東西。」明確的是，個人成就對他而言，不如成為運作良好的系統的一部分重要。「我認為在這個時代，最重要的特質是可靠、注重細節，並為自己的工作負責。這些是最重要的。」
這是一種符合當下時刻的哲學。隨著 AI 研究從由個人天才驅動的領域，轉變為需要大規模協作、系統嚴謹性和集體執行的領域，像姚舜宇這樣的研究員代表了一種新原型。他們不是英雄，而是能力極強的運營者，他們明白在 AI 時代，浪潮比衝浪者重要，系統比明星重要，可靠性比天才重要。這標誌著進步還是損失，取決於你的視角，但姚舜宇對自己的觀點很明確：個人英雄主義時代已經終結，且這是一件好事。