中文互联网里有一个很容易混淆的名字：Shunyu Yao。它可能对应“姚顺雨”，也可能对应“姚顺宇”。两个人都与人工智能研究有关，名字读音相同，公开履历又经常被二次转述，于是论文、公司、观点和访谈很容易被拼到同一个人身上。
这篇文章真正想讨论的，不是制造“同名天才”的传奇，而是借这次混淆看清两条不同的研究路径，以及我们应当怎样核验技术人物的公开信息。
姚顺雨：让模型从回答走向行动
姚顺雨最广为人知的工作集中在大语言模型的推理与智能体方向。ReAct 把推理过程与外部行动交织起来，Tree of Thoughts 探索多条候选思路的搜索，SWE-bench 则把代码智能体放进真实软件仓库任务中评估。这些工作的共同点，是不再只看模型能否生成一段漂亮文字，而是看它能否在环境中完成可验证的任务。
这条路径把 AI 研究从“给定问题、追求分数”推向更难的产品世界：问题如何定义，工具如何接入，失败怎样检测，评估能否代表真实价值。公开资料显示，他后来进入产业团队继续推进相关方向；具体任职与汇报关系会变化，应以本人和机构的当前页面为准。
姚顺宇：跨学科背景进入大模型研究
另一位同名研究者姚顺宇具有物理与计算交叉背景，并出现在 Google DeepMind 的公开研究贡献名单中。跨学科训练带来的价值，不是“物理学家天然更懂 AI”，而是另一套提问方式：强调可实验、可证伪，警惕把经验现象过早包装成不可挑战的定律。
由于同名与译名问题，网络文章经常把他的学校、公司、论文和观点与姚顺雨互换。没有本人主页、论文作者页或机构材料的支持，不应把采访中的尖锐句子、离职原因和具体产品贡献写成确定事实。
共同的问题：如何验证系统真的进步
一个方向关注智能体、任务定义和评估，另一个方向强调实验与基础模型能力。表面上，一个更接近产品，一个更接近研究；底层却都绕不开同一件事：AI 的进步必须能够被可靠实验和真实任务证明。
榜单可以帮助比较，但榜单也会被过度优化。演示可以展示能力，但演示通常跳过权限、成本、重试和长期运行。研究者真正困难的工作，是设计不容易被投机的评估，并让结论在不同环境中重复出现。
同名事件给内容写作的提醒
- 先确认身份：中文名、英文名、机构和时间必须同时对应；
- 区分本人观点与媒体概括：没有原始上下文，不把金句写成逐字引语；
- 区分参与和主导：出现在贡献名单中，不自动等于负责整个产品；
- 给易变信息加时间边界：任职、星数和团队结构都可能变化；
- 允许不知道：无法由稳定公开材料确认的细节，宁可保留不确定性。
技术人物的价值不需要靠传奇包装。把身份、贡献和证据对应清楚，本身就是对研究工作的尊重。
“一个名字，两个天才”最有意思的地方，不是巧合，而是两条路径都在提醒我们：AI 进入深水区之后，新的概念固然重要，更重要的是定义问题、设计实验，并让结果经得起核验。