Y Combinator 创始人 Paul Graham 近日在 X 发文谈到，如果自己重新回到 17 岁，最值得投入时间的事会是学习如何从零打造 LLM，并利用手上能取得的任何硬件，尽可能训练出能力最强的模型。
根据文中统计，这则贴文发布后很快在科技圈引发讨论，截至统计时已累计约 41.8 万次浏览。
Graham：17 岁时不会先创业
在主文发布约 6 分钟后，Graham 又补充说明，「注意，我不会做的事情是尝试创办一家新创公司。」如果只有 17 岁，他会先建立未来创业所需的知识基础。
他认为，在真正深入理解 LLM 之后自然长出来的创业点子，会比拿着自己 17 岁时已有的知识，硬想出一家可以成立的公司更好。这个说法也延续了他一贯的观点：好的创业题目通常来自对某个领域足够深入的理解，而不是先决定「我要创业」，再回头寻找问题。
在 AI 时代，Graham 给年轻人的建议也不是先学怎么调用 API、包装 ChatGPT，或快速做出一款 AI App，而是往模型底层走。
为什么还要从零训练模型
面对留言区有人质疑，既然现在已经有成熟模型，「为什么要重新发明轮子，而不是把轮子做得更好？」Graham 用一句话回应：「为了学习轮子是怎么被制造出来的。」
这也点出了从零训练 LLM 与直接使用现成模型之间的差异。对于一名 17 岁的学习者来说，自己做出的模型几乎不可能在能力或成本上击败 OpenAI、Anthropic、Google 等公司的前沿模型。
不过，目标并不是与 GPT、Claude 或 Gemini 竞争，而是在实作过程中理解数据、模型架构、训练、微调以及算力限制，怎样共同决定模型能力。即使最终做出的模型本身没有商业价值，过程中积累的知识，仍可能成为未来寻找创业问题的基础。
19 岁开发者追问该不该 All-in LLM
当有网友指出，「真正有趣的问题是要训练它做什么」时，Graham 表示，如果自己只有 17 岁，可能会训练模型去做一些「无关紧要的事情」，例如玩电脑游戏，但即便如此，自己还是能从过程中学到很多。
另一名 19 岁网友 @prathamkode 分享，自己已经从零训练过一个 1 亿参数语言模型，并进一步进行新版 SFT（监督式微调）实验，希望在相同模型规模下取得更好的结果。
这名网友询问 Graham，如果是 19 岁，究竟应该 All-in LLM，还是同时继续制作各种不同的小型项目。Graham 回答：「我可能会试着打造一个能用来解决某个特定问题的 LLM。」
Yann LeCun也加入讨论
这场讨论随后也吸引图灵奖得主 Yann LeCun 参与。与 Graham 主张深入理解 LLM 不同，长期质疑单纯扩大 LLM 是否足以走向人类等级智能的 LeCun，把问题带向另一个方向。
LeCun 写道：「我会试着弄清楚，为什么 LLM 可以帮我写文章，却不能帮我整理卧室。」他说，接下来自己会在大学与研究所学习所有可能有助于解决这个问题的领域，并尝试找出一套超越 LLM 的方法与架构，让机器能像人类与动物一样，高效率且快速地学会执行物理世界中的任务。
LeCun 最后补充，这不只是他 17 岁时会做的事，「最后这件事，也是我如果 30、40、50 或 66 岁时会做的事。」
