月之暗面发布K3模型 标志中国开源AI跨入全球SOTA门槛

月之暗面发布K3模型 标志中国开源AI跨入全球SOTA门槛 中国新一代大模型突破并非偶然崛起，而是上一代AI创业所积淀的人才、基础设施与工程经验在大模型时代的重新汇合与技术范式迭代。 节目回顾了从“AI 四小龙”时代到当前以月之暗面、DeepSeek、智谱等为代表的大模型浪潮，揭示了中国 AI 人才与技术信仰的十年演变。作为月之暗面 A1 轮领投的关键推动者，Kiwi 分享了当年“寻找杨植麟”及王兴拍板投资背后的内幕，并解析了 2024 年投流争议、算力困境与 DeepSeek R1 带来的范式转移。她认为 K3 标志着中国开源模型首次触及全球 SOTA 门槛，而大模型的未来壁垒不在于简单出售 API，而在于打造能持续生产智慧数据的交互环境与普惠应用。 月之暗面发布的 K3 模型在多项基准测试中逼近甚至超越全球顶尖 SOTA 闭源模型，标志着中国开源模型首次依靠技术硬实力直接摸到了全球最前沿的 SOTA 门槛。 (0:00) 智谱、月之暗面、MiniMax、DeepSeek 等新一代大模型领军企业并非凭空出现，其背后凝结着上一代 CV“AI 四小龙”等创业周期所积淀的人才、技术理想与基础设施工程经验。 (0:00) 在 2023 年寻找 AGI 创业团队时，杨植麟凭借在 Google 实习期间对 Transformer-XL/XLNet 的研发以及在智源、华为盘古项目的深度积累，成为对 Scaling 和 Decoder-only 路线拥有极高技术信仰的领军人物。 (3:18) 美团龙珠领投月之暗面 A1 轮时，月之暗面团队年轻且未证明过商业成功，但王兴抱着支持理想主义探索的心态拍板了这次投资。 (13:47) 2024 年月之暗面通过 Kimi 投流虽然引发商业化与偏离 AGI 的争议，但实则是为了获得丰富多样的真实场景数据以滋养 RL 训练，并在极度缺乏算力与资金的本土竞争环境中谋求生存。 (18:09)

前美团龙珠投资人、Ailoha! 创始人 Kiwi 回顾中国两代 AI 创业历程指出，月之暗面 K3 模型标志着中国开源大模型首次凭借硬核实力摸到全球 SOTA 门槛；这一突破既源自上一代计算机视觉产业在经历泛化困境与定制外包挫折后保留下来的极客人才传承，也得益于大模型研发正从存量数据的资源堆砌战，转向由强化学习、测试时计算与团队技术品味驱动的新范式。 开源攻坚SOTA与技术范式转移 (0:00) 2026年春节前夕，月之暗面发布的 K3 模型在基准测试中逼近甚至部分超越硅谷顶尖闭源模型（综合表现超越 Claude 4.8 系列），打破了外界将中国开源模型定性为“廉价平替”的定势思维。Kiwi 认为，这一跨越得益于大模型技术范式的底层跃迁：2025年 OpenAI o1 与 DeepSeek R1 推动行业从单纯依赖预训练与微调的存量数据 Scaling，转向强化学习（RL）与测试时计算（Test-time Compute）。 押注杨植麟：早期冷门与现实突围 (3:18) 2022年底 ChatGPT 展现出强泛化性后，投资团队锁定了在 Transformer-XL、XLNet、智源 GLM 及华为盘古项目中持续积累的杨植麟。2023年中期月之暗面开启 A1 轮融资时，团队年轻且估值显著低于同行，甚至遭遇前轮 VC 退出，美团创始人王兴本着对理想主义的包容拍板领投。2024年 Kimi 虽因长上下文能力爆发，却面临无万卡集群的算力紧缺与大厂免费价格战；团队初期通过投流获取真实任务数据以滋养 RL 训练，直到 R1 重塑资本认知后，才得以摆脱 DAU 考核全面回归 AGI 研发。 走出外包泥潭与两代AI人才传承 以“AI四小龙”为代表的 AI 1.0 时代因模型泛化能力不足而陷入商业困局。以2017年安防落地为例，因地域天气与摄像头角度变动就必须重新标注训练，迫使顶尖科研人才沦为边际成本递增的“高级外包”；2019年创新工场尝试训练中文 GPT-2 也因未吃透 Scaling Law 与清洗工程而受挫。经历商业洗牌后，虽有 80% 的从业者因路径依赖选择观望，但仍有 10% 到 20% 的极客重返赛场，将微软亚洲研究院以来的探索信仰注入月之暗面、智谱等团队；DeepSeek 则依托量化基金背景，直接吸纳 ACM 与 NOI 顶尖竞赛极客，走出另一条年轻化创新路径。 单纯卖模型的局限与大厂生态分化 Kiwi 强调，单纯依靠 API 或 SDK 出售模型能力（MaaS）终将如同云计算般被无差别商品化，技术领先带来的超额利润窗口期极为短暂。真正的壁垒在于构建如 Claude Code 般具备实时反馈机制与脚手架的交互闭环，源源不断生产新智能。在大厂竞局中，字节跳动依托 Seedance 2.0 与 AI 短剧跑通了模型生产、消费与分发的全链路；阿里扮演着底层算力与资本的基建支持者；腾讯则依仗微信生态，在未来 AI 产品落地土壤中保有巨大潜力。 破除使用门槛：AI普惠与人际沟通 (67:31) 针对现有大模型产品的交互割裂，Kiwi 于 2023 年底离开美团开启创业。她指出，当下只有精通复杂 Prompt 和 Agent Loop 的技术专家才是“一等公民”，普通用户面对空白输入框往往无所适从或产出不可维护的代码。下一代产品的核心在于智能普惠，她目前正开发一款面向人际互动的 AI 工具，试图将人际交流重塑为双方共建场域与重构意图的过程，消除背景差异导致的沟通损耗。 尽管中国大模型通过 K3 等成果验证了摸高全球 SOTA 的技术攻坚力，但初创企业仍需直面算力受限、商业变现易向重交付形态退化、以及大厂全链路生态包围的现实挑战。如何在商品化陷阱来临前打通人机交互的数据飞轮，并让前沿技术真正普惠至普通人，仍是中国 AI 团队在后 SOTA 时代的共同课题。

[13:47] 王兴: 我确实认为创业公司能够去做超级模型和超级应用的概率很低，但我愿意支持一把。 [29:52] 追求“不一定有用”的探索欲 [38:57] 叶奇意Kiwi: 它传承的一个核心叫做对技术的信仰，对于好奇心，不计结果地去探索，而不是功利主义地去探索。 [42:38] 在未知世界里齐头并进的小伙伴 [49:10] 叶奇意Kiwi: 我让它回一封很简单的邮件，它给我连续出三个逗号，这个时间点我们就说实话是有一点失落的。 [56:29] 卖模型能力不是一门好生意 [62:28] 中国的Palantir [64:08] 做 AGI 与 证明自己能做 AGI [67:31] 叶奇意Kiwi: 二等公民 [68:40] 叶奇意Kiwi: 智能普惠

[0:00] 月之暗面Kimi的K3可以说 [0:02] 是去年春节“DeepSeek时刻”之后 [0:04] 再次震惊硅谷的中国开源大模型 [0:07] 在一些的基准测试上 [0:08] K3接近甚至超越了一些硅谷最领先的SOTA闭源模型 [0:12] 这被称为：“Kimi Moment” [0:13] 今年的“Kimi Moment” 跟去年的DeepSeek Moment [0:17] 震撼是不一样的 [0:18] 我觉得中国模型第一次不是在拼性价比 [0:20] 而是说我们可以去摸那个SOTA模型 [0:23] 而且还是开源的 [0:24] 是 而且还是开源的 [0:25] 今天我们想聊的 不只是月之暗面 [0:27] 过去十年 中国AI经历了两代“四小龙” [0:30] 上一代是以计算机视觉为代表的商汤、旷视、依图和云从 [0:35] 这一代则是智谱、月之暗面、MiniMax和DeepSeek [0:38] 有意思的是 这两代公司是有传承的 [0:41] 从人才到资本 [0:43] 从实验室、工程经验 [0:44] 甚至上一轮创业留下的创伤 [0:46] 都是在影响今天的大模型竞争 [0:49] 我们经历过一波理想主义的破灭 [0:51] 最激情澎湃的职业生涯的时间已经奉献给AI过一次了 [0:55] 留到了这一轮的AI里面 [0:56] 有10%吗 [0:57] 即使23年没有流入 [0:58] 可能也逐渐流入进来了 [1:00] 一位我们中东的LP [1:02] 就过来对开复老师说 [1:04] 我们现在发现我们有几百台V100没人用 [1:06] 你们要不要用 [1:07] 19年我们就尝试做了一件事情 叫做中文版的GPT-2 [1:09] 为什么兴哥（王兴）还有你们要押注杨植麟 [1:12] 兴哥他在赶去开下一个会之前 [1:14] 他丢下了一句话叫做 [1:16] 我确实认为创业公司能够去做超级模型和超级应用的概率很低 [1:20] 但我愿意支持一把 [1:22] 我们今天的嘉宾Kiwi是经历了过去十年 [1:25] 中国两代的AI浪潮更替的见证者和投资人 [1:27] 她也是在美团主导了对月之暗面的A1轮领投 [1:31] 今天 我们请她带我们重新走一遍中国大模型的创业史 [1:35] 以下就是我和Kiwi的采访 [1:38] 哈喽 Kiwi你好 欢迎做客《硅谷101》 [1:41] 谢谢 哈喽 [1:42] 要不要跟我们的观众介绍一下你自己 [1:44] 好的 大家好 我叫Kiwi [1:45] 我是在AI行业打杂了10年的一个打杂工 [1:48] 如果一句话来概括我自己的话 [1:51] 我就觉得我应该是一个持续地保持着偏见 [1:55] 持续地犯错、持续地打脸 [1:57] 但仍然要坚持保持偏见的一个 [1:59] AI行业的普通探索人 [2:02] 太谦虚了 [2:03] 跟你的采访我非常期待 [2:05] 是因为我觉得你是从上一轮 [2:07] 就是所谓中国的“AI四小龙” 对 [2:10] 然后到这一轮AI的“四小龙”或者是“六小龙” [2:13] 大家有很多的名字 [2:14] 你是完整地见证了整个周期的一个人 [2:17] 有大概10年的时间 是不是 [2:19] 所以今天也非常期待 [2:21] 你可以跟我们多聊一聊中间发生的事情 [2:23] 背后的人 还有资本的走向 [2:25] 好的 但我得强调一下 [2:28] 其实我并不是真正的一个 [2:30] 非常非常懂AI和懂模型的人 [2:32] 我只是运气特别好 [2:34] 就是永远都夹在一堆学霸当中 对 [2:37] 然后我在旁边可能看着优秀的这些人 [2:39] 如何在探索和创造未来 [2:41] 我觉得你的名字跟Kimi很配 [2:43] 因为我昨天刚刚意识到 [2:45] 我在写这个采访提纲的时候Kiwi嘛 [2:47] 你这个W反过来就是Kimi了 [2:50] 就是可能缘分吧 巧合 [2:52] 因为你知道硅谷很多的模型公司 [2:54] 它们都喜欢用水果的名字 [2:56] 去命名一些模型产品 [2:58] 或者是它们在前测的时候 [3:00] 会有一些假名字会跑出来 [3:03] 下一次它们说不定 [3:04] 可以考虑用Kiwi这个名字 [3:05] 了解 其实我是因为中文名叫奇意啦 [3:08] 以前我在海外的时候经常会被问 [3:10] 是不是新西兰来的 [3:13] 对 是不是新西兰来的 [3:14] 我说我是中国来的 [3:17] 那我们先从你投资 [3:19] Moonshot（月之暗面）的故事开始 [3:20] 好不好 [3:21] 因为确实是 [3:22] 我觉得K3最近吸引了非常多大家的关注 [3:25] 你当时是在美团 [3:27] 我在美团龙珠 [3:28] 对 应该你是在A1轮 [3:30] Moonshot（月之暗面） [3:31] A1轮的时候投进去的 [3:32] 能不能跟我们讲一下当时的故事 [3:34] 我觉得可能这个故事要从2022年开始讲起 [3:37] 就ChatGPT发布之后 [3:38] 我们自己体验了ChatGPT了大概一周之后 [3:41] 我们发现这件事情不一样 [3:42] 就我们原来以为GPT [3:44] 这个decoder only（仅解码器）的路线 [3:46] 只是一个NLP（自然语言处理） [3:47] 生成式任务的细分分支 [3:48] 但是我们在跟ChatGPT交流了很久之后 [3:51] 我们发现 [3:52] 原来这个东西好像 [3:53] 似乎是一个能够通过图灵测试的这么一个 [3:57] 所谓AGI的一个萌芽的东西 [3:59] 当时就开始 [4:01] 努力地跟身边的小伙伴在交流说 [4:03] 你怎么看这件事情 [4:05] 所以我们后来在接下来两三个月的时间 [4:08] 我就聊了所有我们上一代 [4:10] 不管是我的researcher（研究员） [4:11] 和engineer（工程师）的好朋友 [4:12] 还是后来又出现了很多在NLP领域 [4:15] 和在其他的RL（强化学习）这些AI领域 [4:18] 非常优秀的这些研究者 [4:20] 在交流之后我们觉得这东西是个大事情 [4:23] 它有泛化性 跟我们上一代的AI不一样 [4:25] 所以那个时候我们就在追踪 [4:27] 到底中国要来去做这件事情 [4:30] 应该是什么样的团队去做 [4:32] 说实话 我们会觉得 [4:33] 我们需要一个新的盘面出来 [4:35] 就是上一代的 [4:36] 如果你有历史包袱的一些公司 [4:38] 它很难放开手脚去做一件 [4:41] 你当下似乎都不知道 [4:43] 预期回报是什么的一件事情 [4:45] 但是唯一一个锚点是什么 [4:47] 就是人才永远都是锚点 [4:49] 就是你要相信AGI [4:51] 你要相信这件事情他能做出来的这些人 [4:54] 他一定会聚集在一起 [4:57] 所以当时我们做法就是 [4:58] 我们去追到底谁相信AGI [5:01] 并且我们认为他对技术的信仰 [5:03] 对于AGI的这个兴奋的程度是足够的 [5:07] 在这个点上面我们再逐渐地去排 [5:09] 到底国内有哪些人是对这事情感兴趣的 [5:13] 当时在名单上面 [5:14] 其实rank（排名）特别特别前面的 [5:16] 就是有Kimi 就是杨植麟 [5:18] 当时为什么会追到植麟 [5:19] 其实我跟植麟原本不认识 [5:21] 因为我是上一代 [5:22] Computer Vision（计算机视觉）的 [5:23] 行业的那些朋友会比较多 [5:25] 但是可能植麟他们在NLP这边 [5:27] 我跟他们认识的会比较少 [5:29] 但是 你去看过去在ChatGPT发布之前 [5:33] 在中国有哪些在追求Transformer [5:36] 这个架构下的规模化的这个模型 [5:39] 你会发现植麟一直参与在这里面 [5:42] 比如他2019年当时在Google实习的时候 [5:44] 就发了Transformer-XL和XLNet [5:47] 从这个取名上就可以看到他很想规模化 [5:51] 后来我们看了 [5:52] 比如说在国内智源的时候 [5:54] 就智源研究院 [5:55] 当时有CPM、GLM的模型里面 [5:57] 其实你会发现 [5:59] 清华的唐杰老师、植麟 [6:01] 包括刘知远老师 [6:02] 他们都有在尝试着去做 [6:05] decode only（仅解码器）路线的 [6:06] 这个scale（规模化） [6:06] 同时又在隔了一年之后发现 [6:08] 华为发的那个盘古1.0 [6:10] 怎么植麟他们那个团队还在里面 [6:12] 你就会发现 [6:14] 这个人好像一直都在追求这件事情 [6:16] 即使在ChatGPT发布之前 [6:18] 所以当时我们就非常非常想去跟他交流 [6:20] 但实话说 我们追了大概四个月的时间 [6:24] 一直都没有聊上他 [6:25] 到后来的时候是已经到了A1轮 [6:27] 其实他第一轮已经关闭了之后 [6:29] 我们才成功地加上植麟的微信 [6:32] 最后在交流之后决定了投资这个事情 对 [6:35] 我听说加他微信也不是一件容易的事 是不是 [6:39] 我觉得这个一部分的原因 [6:40] 是因为我自己的能力不够 [6:42] 因为我说实话 [6:43] 我真的是一个行业的无名之辈 [6:45] 因为我那时候是刚刚从AI的产业界 [6:47] 跳到了这个投资界 [6:49] 所以我没有出手过任何项目 [6:50] 所以我觉得在这个场景下面 [6:53] 加微信他不通过是一件非常合理的事情 [6:56] 对 但是当时我应该是去 [7:00] 他之前的AI公司去拜访了3次 [7:02] 我去见了他的其他几位联创 [7:03] 包括后来我其实还跟Tim（周昕宇） [7:05] 因为Tim是老旷视的人 [7:06] 可能（前一代AI）“四小龙”的人 [7:07] 我们交流会多一点 [7:08] Tim就跟我说 [7:09] 他要去跟Kimi一起去创业了 [7:12] 也去交流了很多 [7:13] 所以我们知道我身边有好多的优秀的 [7:16] 非常相信这一波LLM（大语言模型） [7:19] 和AGI的小伙伴 [7:20] 他们自然而然地汇集到了一起 [7:22] 所以当时我有一些好朋友 [7:25] 已经加入了当时Moonshot [7:27] 当时就说你们现在需要一些什么东西 [7:29] 他们跟我说我们现在非常需要人 [7:31] 因为原本这个团最早的那个架子 [7:33] 其实算法研究者偏多一些 [7:35] 但是大模型这件事情其实你会知道 [7:37] 下面的系统工程、infra（基础设施）这些都很重要 [7:39] 那我就从上一代的四小龙里面去找 [7:42] 之前我特别优秀的那些前同事小伙伴们 [7:46] 因为说实话 [7:47] 这个未来我们再展开 [7:48] 就上一代四小龙经历过一个非常长的周期 [7:51] 大家有激情澎湃的时候 [7:53] 也有下来就是行业到冰点的时候 [7:55] 所以那些小伙伴其实散落在各个地方 [7:57] 有的还留在“四小龙” [7:59] 有的去了一些大厂 [8:00] 有的去了量化公司 [8:02] 那我们就一个个帮他们去找说 [8:04] 你们对这一波大模型感不感兴趣 [8:06] 我说实话 [8:07] 80%的小伙伴其实会拒绝 [8:10] 为什么 是因为你经历过一波周期 [8:11] 我们经历过一波理想主义的破灭 [8:14] 所以这个时候他把自己人生 [8:16] 比如20多岁刚毕业 [8:17] 到30岁这个时候最宝贵的 [8:20] 也不能说最宝贵吧 [8:21] 就是说最激情澎湃的职业生涯时间 [8:24] 已经奉献给AI过一次了 [8:25] 但是从1.0的时代来说 [8:27] 他们没有得到一个 [8:28] 从世俗意义上特别好的一个回报 [8:30] 比如说成就出了 [8:31] 像互联网公司一样特别伟大的公司 [8:34] 所以这个时候很多人已经 [8:36] 会有失败的路径依赖 [8:38] 我可能暂时就先不探索了 [8:40] 或者说暂时我就先观望一下 [8:42] 但是会有那么一小撮 [8:43] 比如说10%到20%的那些人 [8:45] 他完全不计我会获得什么 [8:48] 他只是在思考的是 [8:50] 好 这个事情足够让我兴奋 [8:52] 这个事情足够地有影响力 [8:55] 我很想去参与到这个事情的探索当中来 [8:57] 他们就会被说动 [8:59] 我就把这么 [9:00] 就是一拨小伙伴其实有劝到Moonshot [9:03] 因为即使是AI行业 [9:05] 我觉得大家之前探索的方向不一样 [9:07] 也不一定互相认识 [9:08] 这个时候其实又介绍了一些 [9:09] 我觉得非常优秀的工程师过去 [9:12] 这些工程师在模型训练的过程中 [9:15] 展现的价值和能力 [9:17] 之后他们就跟Kimi（杨植麟）去 [9:20] 就是帮我说了说话 [9:22] 说我们加入的时候跟Kiwi也聊 [9:24] Kiwi对这个团队非常感兴趣 [9:26] 所以最后是有一天我在高铁站 [9:29] 我当时从上海要去杭州高铁站 [9:31] 突然宇韬也好 [9:33] 他们有另外几位朋友也好 说 [9:35] Kimi同意要见你们了 [9:37] 然后帮我们拉了群 加了微信 [9:38] 我们下一周就飞到了北京去见Kimi [9:41] 对 就有一段波折 [9:43] 对 跟大家说一下 [9:45] 其实Kimi是杨植麟的英文名字 [9:47] 英文名 对 [9:48] 对 跟他那个模型是重名的 [9:50] 是的 [9:52] 所以见Kimi不是见模型 是见杨植麟 [9:54] 对 见植麟 对 [9:55] 但是他后来把名字改了 是不是 [9:57] 对 因为你内部不希望语义有歧义嘛 [10:00] 可能就把叫植麟 现在叫KK [10:02] KK [10:02] 对 [10:04] 好 所以你见到杨植麟的第一面是什么时候 [10:08] 应该是5月份了吧 [10:10] 4月底 5月初的时候应该是 [10:11] 2023年的 [10:12] 2023年的 [10:13] 5月份 [10:13] 对 [10:13] 第一面印象怎么样 [10:15] 第一面印象就是一个很朴实的研究者 [10:20] 就是我觉得好多很优秀的研究者 [10:23] 就是很朴实、很简单 [10:25] 他就是单纯地对于一件事情 [10:27] 解决一个问题 非常地纯粹 [10:31] 我认识的很多 [10:32] 不管是在Mootshot也好 在DeepSeek [10:35] 或其他的大模型 [10:36] 包括智谱之类的大模型公司 [10:38] 就是有一拨真正的非常热爱这个行业的人 [10:43] 他就是很纯粹 [10:44] 我觉得也没有很神话这件事情 [10:46] 因为我印象特别深是 [10:48] 2023年10月份他们第一波Kimi Chat [10:51] 和它第一个模型发出来的时候 [10:53] 我觉得就是国内当时 其实我觉得是 [10:55] 因为它long context（长上下文）做得特别好 [10:57] alignment（对齐）也做得特别好 [10:58] 其实我觉得是当时效果特别好的模型 [11:00] 我自己用了之后我觉得很兴奋 [11:02] 我就问Kimi的小伙伴 [11:03] 我说你们为什么能做到这么好 [11:04] 他说 我们也没有做什么 [11:06] 我们就只是踏踏实实地把所有该做的事情 [11:09] 踏踏实实给做了 [11:10] 所以我觉得 [11:11] 我当时见到植麟第一面的时候 [11:15] 我就是觉得 就是很纯粹地在谈论技术 [11:18] 我们就向他请教 [11:19] 他理解的大模型AGI是怎么回事 [11:21] 植麟当时就跟我们讲 他当时的 [11:24] 就在2023年的时候 [11:25] 他定的目标其实总结起来是LTV [11:28] 他当时说 [11:29] LTV是什么呢 [11:30] L就是long context [11:31] T就是truthfulness 就是可靠性 [11:34] V是多模态 就video这个 [11:37] 他觉得这几个方向 [11:38] 其实很有可能是接下来 [11:40] 要去做AGI比较重要 [11:41] 比如说long context（长上下文）这个重要性 [11:43] 我就不赘述了 [11:44] Truthfulness（可靠性）也不赘述 [11:45] 当时有幻觉问题 [11:47] V的那个点是认为他觉得 [11:48] 文本模态如果最后也被穷尽了之后 [11:51] 其实它需要更多的数据 [11:52] 去补充这个智能的skill（技能） 对 [11:54] data skill（数据技能）去补充智能 [11:56] 所以其实我觉得当时就是 [11:57] 很纯粹地在向他去学习 [12:00] 他对于AGI和大模型的看法 对 [12:02] 你刚才说的LTV我觉得这个特别有意思 [12:05] 因为你知道在广告行业LTV是什么意思吗 [12:07] 是什么意思 [12:08] Lifetime Value [12:09] 就是你衡量一个顾客他终身对你的价值 [12:13] 我知道了 [12:14] 对 所以它是一个特别商业化的词 [12:16] 但是在植麟的口中 [12:18] LTV是一个特别AGI的词 我觉得 [12:20] 但是这两个词是一个缩写 [12:21] 我觉得还蛮有意思的 [12:22] 是 可能是一个很有意思的巧合 对 [12:25] 对 非常有意思 [12:26] 但是那个时候你觉得植麟终于加你们 [12:29] 见你们的时候 [12:30] 是因为他open（开放）了 [12:32] 要跟你们谈谈融资的事吗 [12:34] 我觉得他其实之前也不是不open（开放） [12:36] 单纯的是因为 [12:37] 整个资本市场其实是一个 [12:39] 信噪比特别特别低的市场 我觉得 [12:41] 所以只是说可能作为我这个人 [12:45] 它的这个标签相对来说 [12:47] 可能一开始看标签的时候 [12:49] 确实看起来也不知道 [12:50] 是noise（噪声）还是signal（信号） [12:52] 对 所以我们可能就是付出一点真诚 [12:56] 付出一点努力 [12:56] 然后他看到了真诚 [12:58] 所以来跟我们聊 [13:00] 只是一个我觉得触达的过程 [13:02] 他们应该也没有说 [13:03] 在那个时间点才开放了说要去谈融资 对 [13:07] 对 所以他就听到了说 [13:08] 有这样的一个投资人 [13:09] Kiwi一直在锲而不舍地想跟他聊聊 [13:14] 同时她又推了很多的同事到公司里面 [13:16] 然后大家对她的评价都还不错 [13:18] 对 我觉得可能是那些小伙伴 [13:19] 一个信任建立的关系 [13:21] 对 我觉得是人与人之间建立的这个事情 [13:23] 因为本身我的标签不足以说明任何的事情 [13:25] 就我这个人是个很普通的人 [13:27] 但是可能小伙伴们之间 [13:29] 因为他们建立了信任关系 [13:30] 他们的一些背书可能让当时 [13:34] 我们得到了这么一个小小的机会 对 [13:36] 所以加了三次微信 [13:38] 我不记得我加了几次微信 [13:40] 可能每周我都试图加一次微信 [13:43] 对 可能是在众多 [13:44] 微信申请好友当中的这么一个 对 [13:47] 来聊聊你们投进去的这件事情 [13:49] 当时是A1轮 [13:50] A1轮 对 [13:52] 对 当时 [13:54] 从哪个角度聊 [13:57] 你们当时美团是领投了A1轮 [13:59] 对 领投了A1轮 [14:00] 我觉得有几个角度 [14:01] 首先就是为什么是你们领投 [14:04] 对 我觉得这个事情可以说一说 [14:06] 就我实话说 [14:07] 在我们领投的那个阶段 [14:09] 已经是在2023年的五六月份了 [14:11] 其实市场上同期的一些大模型公司 [14:14] 其实已经把前一到三轮 [14:16] 可能都已经融得差不多了 [14:18] 其实Moonshot当时的估值 [14:20] 应该是同市场比较低的 [14:23] 比如说像零一万物、像百川 [14:26] 我记得当时都已经估值过 [14:28] 基本上投前就接近10亿美金了 [14:30] 有一些更早的 [14:31] 比如说更早成立的 [14:32] 并且更早的已经train（训练）过 [14:33] 仅解码器模型的一些厂商 [14:35] 比如说MiniMax、智谱 [14:37] 其实当时的估值也应该要过15亿美金了 [14:40] 可能（月之暗面）这个团队 [14:41] 是相对比较年轻 [14:42] 或者说之前并没有去做出过 [14:45] 特别特别大的一些公司 [14:47] 所以当时可能市场上给他们的关注度 [14:49] 相较其他的一些公司来说就会相对低一些 [14:52] 所以我觉得也是我们运气比较好 [14:55] 在相对来说关注度不太那么高的情况下 [14:58] 得到了一些领投的机会 [15:00] 其实我知道说 [15:02] 他们A1的时候 [15:02] 其实是他们之前的那一轮 [15:05] 有一个VC（风险投资机构）是退出了 [15:07] 你们其实是 [15:09] 后来顶上了这样的一个领投 是吗 [15:12] 这件事情可以说吗 [15:13] 我其实不太知道细节 对 [15:15] 但是确实可能在他们2023年上半年的时候 [15:20] 因为团队很年轻 非常fresh（新） [15:22] 所以他们的融资大概率没有一些 [15:24] 更加成功的成熟的企业家 [15:27] 就是已经证明过自己的企业家那么顺利 [15:29] 对 所以我觉得我们的运气挺好的 [15:35] 那在内部 在投委会上面去推 [15:37] 这个deal（项目）的时候顺利吗 [15:39] 我说实话 [15:40] 当时从某些角度来说很顺利 [15:43] 我们其实内部的决策 [15:45] 其实一轮的IC（投资决策委员会）讨论之后 [15:47] 其实拍板得是很快的 [15:49] 但是从某一些角度 [15:50] 我们的讨论非常非常激烈 [15:52] 就这个事情 [15:52] 我觉得不只是美团龙珠内部的讨论 [15:55] 我觉得是当时整个市场的 [15:57] 大家都会对AI这件事情 [15:58] 会有很强的一个问号 [16:01] 我这边相信 [16:01] 一个有泛化能力的AI模型 [16:03] 这边一定会有一个超级应用 [16:06] 但我也不知道这个超级应用长什么样 [16:07] 但我相信这里会有超级应用 [16:09] 再接下来回来的点就是谁可以去做出这个 [16:12] 超级模型加超级应用 [16:14] 当时我觉得这个是讨论到最后一个阶段 [16:17] 我觉得争议最大的一个点 [16:18] 但我记得讨论到最后一个阶段的时候 [16:21] 当时兴哥他丢下一句话 [16:23] 当然我不知道现在可能是大家要叫王兴了 [16:25] 不叫兴哥 [16:26] 就王兴他丢下一句话是说 [16:28] 因为确实这个事情大家知道 [16:30] CapEx（资本开支）投入太大 [16:31] 如果你相信的是缩放定律的话 [16:32] 这件事情你都不知道投入是个无底洞 [16:34] 那么对于创业公司来说 [16:36] 这完全是一个脱离了传统一级市场 [16:38] 可以去承载的游戏 [16:40] 当时其实我们内部在想 [16:41] 会不会这就变成了大厂的机会了 [16:43] 是不是字节会把所有的可能性给吃掉 [16:46] 这个事情说实话我们没有形成共识 [16:48] 也没有形成答案 [16:49] 但我印象中 [16:50] 兴哥他在赶去开下一个会之前 [16:52] 他丢下了一句话叫做 [16:54] “我确实认为创业公司能够去做 [16:55] 超级模型和超级应用的概率很低 [16:57] 但我愿意支持一把” [17:00] 对 [17:00] 可能是兴哥这一句话 [17:01] 然后把我们后面又敲 [17:04] 就是往后敲了 就是要推 对 [17:06] 所以你要说我们那个时候说 [17:09] 某一家公司是不是一定会成 [17:11] 我们也不知道 我们真的不知道 [17:13] 但是我们愿意相信 [17:14] 理想主义这件事情它很有可能能探索 [17:17] 有可能性 对 [17:19] 你们觉得在这么多的模型里面 [17:22] 其实当时也不只是Moonshot [17:25] 当时MiniMax、智谱 [17:27] 这些公司其实都在起来 对 [17:30] 为什么兴哥还有你们要押注杨植麟 [17:33] 所以回过来就是 [17:35] 在（美团龙珠）当时可能我们会去找一些 [17:37] 他真的可能比较纯粹地想去追求AGI [17:42] 纯粹地想去做scaling（缩放）的公司 [17:43] 有些公司如果说它的目标里面 [17:45] 可能会包括我要去做收入 [17:47] 我要去做ToB [17:48] 做DAU（日活用户） [17:49] 在这些的目标干扰下 [17:50] Somehow（某种程度上）有一些阶段 [17:51] 它会跟做模型的绝对能力 [17:53] 或做AGI这件事情是align（一致）的 [17:55] 但是有一些情况下 [17:57] 有可能它的目标会微妙的 [17:59] 就是它不一致 [18:00] 其实当时我们去 [18:02] 但我觉得这也没有判断 [18:04] 只是刚好我认识的那些 [18:05] 比较纯粹的小伙伴在Kimi 对 [18:08] 对 其实我们看到美团领投之后 [18:13] Kimi其实在2024年 [18:15] 是经过了不那么顺的一年 对不对 [18:19] 2024年其实我们看到就它开始有一些投流 对吧 [18:22] 我们看得到 [18:24] 对它的舆论也是挺两极化的 [18:28] 就是它投流我为什么有体感呢 [18:30] 就是因为我们上传视频在B站 [18:32] 很多时候 [18:33] 因为我们做的是AI（方向的）内容 [18:34] 就会看到很多的时候 [18:36] 是横幅或者广告位 [18:37] 其实都是Kimi的广告 对 [18:39] 那段时间它是很在意收入这件事情的 [18:44] 或者是他们团队内部有一股力量 [18:46] 要去主攻收入这件事情的 [18:49] 投资人的一个视角 [18:50] 你会觉得这跟它最开始承诺你们的AGI [18:53] 是有点背道而驰的吗 那段时间 [18:56] 我觉得这其实是一个探索的过程 [19:00] 我觉得首先Kimi它在2024年年初的时候 [19:03] 我印象中 [19:04] 其实当时应该是有一位 [19:05] KOC（关键意见消费者） [19:05] 他去二级市场路演的时候 [19:07] 给二级市场的研究员展现了 [19:09] Kimi的（long context）长上下文 [19:10] 去读研报这个能力 [19:11] 然后一下子把一些非AI界的人可以意识到 [19:14] Kimi的模型做得非常不错 [19:16] 它的DAU有一波非常大的增长 [19:18] 你在DAU增长过程当中你会发现 [19:21] 涌进来了更多不一样的用户 [19:23] 不一样的用户会带来什么 [19:24] 不一样的任务 [19:25] 这些不一样的任务 [19:27] 在整个模型的RL的这个训练当中 [19:29] 也许会进一步地给模型补充更多的数据 [19:32] 更多的任务 [19:33] 让模型进一步去发展 [19:34] 另外我觉得有一件事情是 [19:36] 我得提示一下 [19:37] 我觉得Kimi是一个挺不容易的团 [19:39] 或者对于每一个没有任何的 [19:43] 大厂级供血能力的创业公司来说 [19:46] 做AGI、追求AGI都不是件容易的事情 [19:48] 因为AGI就是很烧钱 这是个客观事实 [19:51] 而你要烧钱 [19:53] 你得说服那些有资源的人把钱给你 [19:56] 怎么去说服一些行业外的人要把资源给你 [19:59] 而且还有一个点是2024年其实我说实话 [20:02] 中国大量的初创公司都是缺算力的 [20:05] 非常非常缺算力 [20:06] 所以这也是我觉得 [20:07] 中国的AGI公司或者大模型公司 [20:09] 特别不容易的一个点 [20:10] 就是我们的资源非常非常匮乏 [20:13] 但是你也会看出来 [20:14] 因为资源匮乏 [20:15] 不管是DeepSeek也好、Kimi也好 [20:18] 甚至智谱也好 [20:19] 他们都会做非常非常多各种的优化 [20:22] 反倒是有的时候会拿出一些 [20:25] 可能北美那些资源非常充裕的厂商 [20:28] 他们在整体的性能上面可能不一定能够 [20:32] 就是当时他们会重点去优化的一些点 [20:35] 对 没错 [20:36] 我觉得中国的模型公司 [20:38] 可能更不容易的一点就是 [20:39] 因为ToC端大模型的产品竞争太激烈了 [20:44] 非常非常激烈 [20:45] 而且大家是没有收费的 [20:47] 特别是比如说豆包 还有千问这些出来了 [20:50] 因为后面是大厂在支撑 [20:51] 对 [20:52] Kimi如果它要走ToC这条路线的话 [20:54] 它直接竞争的就是字节 [20:56] 字节 [20:56] 阿里 [20:57] 而且还有一直悬在上面 [20:58] 虽然它没有动作的微信 [21:01] 但微信应该今年会有动作了 [21:03] 那段时间应该压力很大吧 [21:04] 对 压力很大 [21:05] 因为它甚至都不能 [21:07] 像ChatGPT一样去收20美金 [21:10] 因为你不是SOTA模型 [21:11] 确实中国当时还没有做到SOTA（业界最优）模型 [21:14] 所以你推理也是成本 训练也是成本 [21:17] 所有的成本压力下来 [21:18] 其实从当时2023年 [21:20] 所有模型厂商的融资来说 [21:21] 去做AGI是远远不够的 [21:23] 所以事实上就是所有的创业公司 [21:26] 它当时必须需要去balance（平衡）的 [21:28] trade off（取舍）的东西是 [21:29] 我只是单纯地去追求AGI [21:32] 和我要去向这些资源侧去证明 [21:35] 我有去追求AGI的能力 要去做的努力 [21:39] 有时候它就是不一致的 对 [21:41] 所以在这个点上 [21:42] 我觉得其实大家都很不容易 [21:45] 每一家公司都很不容易 [21:46] 那就是投流的那股趋势吧 [21:50] 在Kimi什么时候是一个转折点呢 [21:52] 2025年的年初 [21:53] 就R1出来了之后我觉得确实是一个 [21:56] DeepSeek是吗 [21:57] 对 DeepSeek R1出来之后 [21:58] 确实是一个比较大的转折点 [22:00] 本质上你看Kimi的第一波DAU的暴涨 [22:04] 不是来自于投流 [22:05] 其实是来自于它当时的 [22:06] 第一版模型加产品 [22:08] 它的long context(长上下文)也好 [22:09] 它的alignment（对齐）做得好 [22:10] 所以用户感受到了 [22:11] 对 [22:12] 所以他就过来了 [22:12] 就是产品本身够硬 [22:13] 对 模型本身够硬 产品本身够硬 [22:16] 包括R1当时所有的思维链 [22:19] 其实像OpenAI并没有把它开放出来 [22:22] R1第一次向整个技术界和普通的用户 [22:26] 去展现了模型是怎么思考的过程 [22:29] 所以把大家给吸引过来 [22:30] 这个开源精神我觉得非常不容易 对 [22:33] 所以我觉得渐渐的 [22:35] 其实这是个市场教育的过程 [22:36] 它不是在教育大模型公司 [22:38] 而是在教育可能资源的持有方 [22:40] 他们离AI会更远一些 [22:42] 其实这个事情在这个阶段它的本质就是 [22:45] 你把模型踏踏实实给做好 [22:47] 把产品踏踏实实给做好 [22:48] 所以在R1之后 [22:50] 它教育的我觉得其实不是模型厂商 [22:52] 而是教育的是资源方 [22:53] 就是不要再给模型厂商这么多 [22:56] 当前你要回答怎么赚钱 [22:58] 怎么拿DAU的这个压力了 [23:00] 你就相信AGI这件事情 [23:03] 我觉得这是R1给整个资本市场 [23:07] 带来的一个教育 [23:08] 所以我觉得那个时候其实模型厂商 [23:10] 想去追求AGI公司的厂商 [23:12] 他的目标会更加收敛了 对 [23:14] 美团在2024年Moonshot那轮融资没有跟 [23:17] 原因是什么 [23:22] 2024年没有跟 对 [23:25] 那时候我们也在观察 [23:26] 因为整体2024年的时候 [23:28] 其实大家的GPU资源都非常匮乏 [23:31] 我实话说 就我们的算力资源 [23:32] 是非常非常匮乏的 在国内 [23:34] 你想在北美的 [23:36] frontier model（前沿模型）厂商 [23:37] 在2023年年底 [23:38] 2024年的时候都已经有 [23:40] 几万卡的单一集群了 [23:42] 但是在国内其实万卡的单一集群 [23:45] 其实当时DeepSeek是有的 千问是有的 [23:48] 可能字节是有的 [23:49] 其实有万卡集群的公司就不多 [23:52] 你再有梦想 你还是需要资源的 [23:54] 所以在2024年整体我们的算力还是没有 [23:57] 完全基础设施给建好 [23:59] 这个事情可能是当时我们也在犹豫的点 [24:01] 现在是不是Kimi对于算力还是有一点缺的 [24:05] 你看最近他们不是限制了新的客户 [24:08] 只要是AGI公司都缺算力 [24:10] OpenAI也是缺的 [24:12] 对 都是缺的 对 [24:13] 就这事情也是有一次我们问另外一家 [24:16] 特别头部的模型厂商说 你们缺算力吗 [24:20] 他们说 就是 [24:23] 就不展开说 [24:24] 算力永远都可以被用满 [24:25] 你给他多少 他永远都能用多少 [24:28] 对 [24:29] 那到了2025年的时候 [24:32] 你觉得2025年跟2024年来说 [24:34] 公司有什么特别大的一些进展吗 [24:37] 我觉得2025年整体上来说 [24:40] 因为我觉得o1之后大家开始 [24:44] 因为2024年整体上来说 [24:45] 整个模型行业大家都在scale的是一些 [24:48] 存量的已经被记录下来的数据会比较多 [24:52] 比如说你在pre-train（预训练）阶段 [24:54] SFT（监督微调）的这些数据 [24:55] 到2025年就是o1出来之后 [24:57] 大家开始在强化这个路线 [24:59] 也就是说你先预定义好问题 [25:02] 预定义好（reward）奖励 [25:04] 在某一些奖励之下去scaling [25:06] test-time（测试时计算扩展） [25:08] 然后得到了下一波智能进步 [25:10] 所以我觉得2025年的scaling [25:12] 让我特别兴奋的一个点是在于 [25:14] 其实存量的被记录的数据范式 [25:18] 已经开始迁移到了 [25:20] 你可以去通过你自己的审美去拉动模型 [25:24] 往前走的这个阶段了 [25:25] 所以这个时候其实 [25:28] 不管是模型厂商也好 [25:30] 如果是纯存量数据的话 [25:32] 它变成了一个资源之争 [25:34] 因为你纯在搏scaling的效率和你的质量 [25:40] o1之后其实当你发现你可以去通过 [25:43] 你自己对于任务的审美 [25:45] 去拉动这个模型往前走了之后 [25:48] 这时候taste（品味）的这个价值会更加显现 [25:51] 所以我觉得那个时候对于很多 [25:53] 相对资源可能不一定这么充足的厂商 [25:57] 和一些应用层公司来说 [25:58] 我觉得这里涌现出了一波新的机会 [26:01] 所以我觉得2025年是挺兴奋的一个阶段 [26:03] 就大家重新又回到了研究这件事情上面 [26:06] 对 是的 [26:07] 我们在定义什么是好的任务 [26:09] 什么是好的问题 [26:10] 这个问题应该怎么样去被评价 [26:13] 就是怎么样去 taste（品味）变得更加 [26:16] 因为taste这件事情就是很多元化的 [26:17] 它今天是一个 [26:19] 在每一个当下去提出问题的时候 [26:22] 它并没有绝对标准答案的事情 [26:26] 这个时候其实它会相对来说更加的多元化 [26:31] 我觉得这是一个非常有意思的阶段 [26:33] 对 但是K2出来的时候 [26:35] 我看市场也就还好 [26:38] 没有到今天的这么 [26:41] 给市场带来这种“哇哦”瞬间的时候 [26:43] 对 那个时候团队是一个什么样的气氛 [26:45] 我觉得K2已经很兴奋了 [26:48] 对 因为K2当时已经到了一个 [26:50] 我觉得模型又跨过了一个非常 [26:53] 就是中国模型又进入到了一个新阶段 对 [26:56] 它那个时候是应该说是第一个 [26:57] 强调agentic model（智能体模型）的时候 对吧 [27:00] 对 其实我觉得 [27:02] Claude 3.7开始 [27:03] 就已经是比较强调agentic的了 [27:06] 只是K2让我们的中国模型 [27:08] 尤其是当时性价比也很高 [27:10] 跟frontier model（前沿模型） [27:11] 只相差可能小半代 [27:13] 或几个月的这么一个差距 [27:15] 我觉得K2当时其实就已经让大家觉得 [27:18] 非常地兴奋了 对 [27:19] 步入到2026年 今年年初的时候 [27:23] 对 [27:23] 我们看OpenClaw出来了 [27:25] 就是整个小龙虾 [27:27] 龙虾热在国内 [27:28] 其实也是让开源模型有一波的热潮 [27:31] 包括Kimi它其实在OpenRouter上面 [27:33] 对 [27:33] 它API的调用量 [27:34] 也是有一波小的增长 [27:36] 是的 [27:37] 对 我觉得这事情是 [27:39] 原本其实整个 [27:40] 我觉得在过去从2023年到2024年的时候 [27:45] 大家其实只关注在 [27:46] frontier model（前沿模型）上面 [27:47] 因为说实话 [27:49] frontier model（前沿模型）的水平 [27:50] 也还在逐步提升的过程当中 [27:52] 你会发现越好的模型 [27:54] 越能帮我们更好地去解决问题 [27:56] 但是龙虾出来之后它有个很现实的问题 [27:59] 是龙虾很烧token 它很贵 [28:02] 而且大部分我们养虾的同学们 [28:06] 其实我们会发现 [28:06] 我们的任务其实并没有那么的深 [28:09] 就有时候它不需要那么 [28:11] 好像说你要解决什么最难的科学问题 [28:14] 在这样情况下面大家确实会关注性价比 [28:17] 我觉得在K2.5的情况下 [28:20] 它确实是在当时特别特别好的一个选择 [28:23] 对 当时其实不只是K2.5 [28:24] 我觉得国内好多的一些模型 [28:28] 其实都是性价比特别高的 [28:29] 当时智谱也有一波 [28:30] 对 智谱也有 对 [28:32] 但我觉得其实最近已经不再是性价比了 [28:35] 我觉得K3其实让我挺兴奋的一个点 [28:39] 就是在于 [28:41] 在之前开源的那一波 [28:43] 中国的开源模型被外界一直会认为是平替 [28:47] XX平替 [28:47] 因为它的性价比确实高 [28:48] 它推理的这个优化做得特别好 对 [28:51] 但是其实K3的发布是 [28:53] 你想 K3的训练过程 [28:54] 就因为其实你想 [28:55] K3它已经超过了Opus系列的基本上 [28:58] 当然今天已经发了Opus 5 [29:00] 但是至少在它（K3）发布的时候 [29:02] 它已经超越了4.8系列的所有模型 [29:05] 其实真正的我觉得跟K3比 [29:08] 或者说我们自己体感可能比K3 [29:09] 还要稍微再效果好一点的模型 [29:12] 其实都是像Fable之类的 [29:14] 其实都是最近才发布的 [29:16] 所以其实在K3的训练过程当中 [29:19] 等于说它超越了当时所有的SOTA模型了 [29:22] 对 所以这个点就是 [29:24] 我觉得中国模型第一次是在 [29:27] 我们不是在拼性价比 [29:29] 而是说我们可以去摸那个SOTA模型 [29:31] 这件事情我觉得 [29:33] 对我自己的鼓舞是挺大的 对 [29:36] 而且还是开源的 [29:37] 是 而且还是开源的 对 [29:38] 所以今年的“Kimi Moment” [29:41] 跟去年的DeepSeek Moment [29:43] 我感觉对硅谷来说 同样是震撼的 [29:45] 震撼是不一样的 [29:46] 是 [29:47] 今年的震撼我感觉更有紧迫感 [29:51] 对 [29:51] 我觉得月之暗面很有意思的一个点 [29:56] 我在北京的时候刚去参观了他们的办公室 [29:59] 就觉得这个公司很酷 [30:01] 因为一进去就是一个白色的钢琴 [30:03] 然后上面放着Pink Floyd的一个唱片 [30:07] 每个会议室都是摇滚乐队 [30:08] 一个rock band（摇滚乐队）的名字 [30:10] 几个主创他们在清华的时候 [30:12] 都自己创立过一个rock band（摇滚乐队） [30:15] 这件事情跟AI有任何的联系吗 [30:18] 我觉得somehow（某种程度上） [30:20] 在底层有一件事情叫做 [30:21] 如果这是一家真的追求AGI的公司 [30:25] 它一定是因为真的对这件事情 [30:28] 他觉得这个事情很兴奋、感兴趣 [30:30] 或者说我觉得可能追求 [30:33] 不一定“有用”这件事情 [30:35] 可能是追求AGI的一个 [30:37] 可以去映射的点 [30:39] 让我想一下怎么去解释这件事情 [30:42] 不一定有用 [30:43] 就是当下不一定它能做出来一个产品 [30:46] 我知道它能做出什么 [30:48] 甚至都不是产品 [30:49] 我举例来说 其实当时我们在孵化 [30:52] 因为GPT-2、GPT-3孵化公司的时候 [30:55] 我们先想的事情是它能解决什么问题 [30:58] 然后我们才想去做模型 [31:00] 但是 [31:00] Product-market fit（产品市场匹配） [31:01] 对 你的scaling [31:02] 你的scaling本身 [31:03] 你不知道它会涌现出什么能力 [31:05] 所以我觉得好奇心、探索欲 [31:08] 和强化学习式的环境 [31:11] 但我觉得这其实不只是Kimi的 [31:12] 我觉得我从 [31:13] 因为我自己也是上一代“AI四小龙”过来的 [31:16] 我觉得虽然上一代“AI四小龙”没有 [31:19] 我们因为当时那个技术本身的制约问题 [31:23] 我们没有去发展出一些 [31:25] 可能像现在我们对它期待这么大 [31:29] 就是空间这么大的一些公司 [31:30] 但实际上它的氛围是非常相似的 [31:33] 其实一直以来我觉得非常优秀的 [31:35] 这几代中国的AI公司他们一直给中国的 [31:39] 最聪明的、最有好奇心的、最有理想的 [31:42] 这些年轻人们塑造了一个非常宽松的环境 [31:46] 可能有一些创始人们 [31:47] 他并不一定是在给的是 [31:49] 我们要做A、要做B、要做C [31:51] 而是他给的是一个非常泛的指导是说 [31:55] 这个事情也许我们值得去探索一下 [31:58] 一群极度优秀、极度有探索精神的人 [32:00] 在一个好的环境里面 [32:02] 他一定会去碰撞出东西的 [32:03] 我觉得这个事情可能在我看来 [32:06] 其实在上一代的 [32:08] 比如说像我们依图 [32:09] 像当时的旷视、商汤 [32:10] 在这一波的DeepSeek、Kimi、智谱 [32:14] 我都能感受到 [32:15] 只要你把一群优秀的年轻人 [32:18] 放在好的环境里面 [32:19] 他们就能碰撞出东西 [32:21] 所以这波AI公司核心的是 [32:23] 为他们去创造好的环境和相对我觉得 [32:26] 不断地调整这个reward（奖励） [32:27] 就让大家有一些好的奖励反馈的体系 对 [32:30] 我们刚才已经聊了蛮多 [32:31] 就是上一代的中国“AI四小龙”了 [32:34] 我们来系统地讲一讲 好不好 [32:37] 上一代我们其实是指 [32:39] 以计算机视觉为代表的 [32:41] 商汤、旷视、依图还有云从 [32:45] 当时你是 [32:47] 我是2016年加入其中的一家公司叫依图 [32:50] 对 做computer vision（计算机视觉） [32:52] 其实AI1.0时代 [32:53] 也不只是computer vision（计算机视觉） [32:54] 当时也有一些做 [32:55] 做machine learning（机器学习） [32:56] 比如第四范式 [32:57] 有做自动驾驶 [32:58] 有做NLP的公司也会出现 [33:01] 但整体上来说 [33:02] 我觉得上一代AI的那个1.0公司 [33:05] 我们遇到的一个集体性的困境就是 [33:08] 模型的泛化程度是不够的 [33:10] 我举例来说 [33:12] 当时在我们“四小龙”一个非常核心的场景 [33:14] 就是人脸识别在安防这个场景的应用 [33:17] 我们一开始 [33:18] 比如说我们2017年开始去卖到 [33:20] 各个不同省市公安机关的时候 [33:23] 我们就会发现 [33:25] 可能东北的省市 [33:26] 它的风雨雪雾天气会比较多 [33:29] 我们就要从数据侧开始重新地标注 [33:31] 重新地训练模型 [33:33] 过了一个省 [33:34] 可能它的地域比较宽 [33:36] 所以它的一个摄像头要覆盖的 [33:37] 这个空间要更广了之后 [33:39] 它的高度就会不一样 [33:41] 那个摄像头架的高度和角度不一样了之后 [33:43] 我们又得重新训练模型 [33:45] 所以其实 [33:46] 当时我们非常大的一个困境在于说 [33:50] AI本身是对这个社会是有很强影响的 [33:52] 我觉得其实很多的治安环境会提升非常多 [33:56] 但问题是因为模型的泛化能力不够 [33:59] 就导致了我们整个scale [34:02] AI渗透的这个过程 [34:03] 其实会需要投入大量的生产侧服务 [34:08] 而这群服务是由一群 [34:10] 全中国最聪明的理科毕业生 [34:14] 他们很贵 来去提供的 [34:16] 那就会导致了 [34:17] 其实它看起来像一个很ToB的服务型生意 [34:20] 这个商业模式的本质非常像个ToB的生意 [34:23] 或者说很像一个高级外包 [34:25] 但是其实我们又找了一群非常非常贵的 [34:29] 或者说非常非常优秀的人去做 [34:31] 从这个生意模式上来说 [34:33] 它会变得不太性感 对 [34:35] 这个市场最后不够大 [34:37] 不够像今天AGI那么有想象力 [34:40] 对 因为还是那个点 [34:42] 当时我们的模型不够足有泛化力 [34:45] 所以我们每次去scale我们的下游应用 [34:47] 都必须去增加相应的研发投入 [34:51] 它不像互联网公司 [34:52] 它其实在研发一个标准性的 [34:54] 或者是它统一的系统 [34:56] 所以你越scale你的用户量了之后 [34:58] 你的边际成本是逐渐下降 [34:59] 甚至趋近于零的 [35:00] 当时我们并没有去形成这样商业 [35:02] 我们非常像个服务型的公司 [35:04] 就是我们的业务体量越大 [35:06] 我们的成本侧就会越高 [35:08] 并且管理的复杂度会越来越大 [35:10] 所以这件事情跟当下大模型的这些公司 [35:13] 它的商业模式上底层其实有些区别 [35:17] 你当时在依图做什么 [35:18] 我当时做产品经理 [35:19] 这也很有意思 [35:20] 我是2016年的年底加入依图的 [35:23] 我加入了依图之后第二天 [35:25] 就是我们的晨曦 就是co-founder（联创） [35:28] 把同一周加入的三个小伙伴 [35:30] 叫到一个小黑屋里面说 [35:32] 从今天开始依图的产品团队成立了 [35:34] 就给了我们一人一条产品线 [35:37] 告诉我们对接的研究者和工程是谁 [35:39] 就不管我们了 [35:40] 这么放养的吗 [35:41] 对 就是纯RL的方式 对 [35:45] 我印象特别深的是 [35:46] 我当时头一年的时候 [35:48] 确实我觉得很痛苦、很难受 [35:50] 为什么 就是因为没有人告诉你 [35:52] 标准答案是什么 [35:53] 没有人告诉你正确的做法是什么 [35:55] 但是你会踩坑 [35:57] 你会发现你会不停地犯错 [35:58] 但是somehow（某种程度上） [35:59] 我后来在两年之后 [36:00] 我再去回顾我那一段经历 [36:02] 真的 我觉得特别感谢的就是这一波AI公司 [36:06] 它真的非常相信年轻人 [36:08] 你说上一波还是这一波 [36:10] 我觉得两波都是 [36:12] 这些优秀的AI公司 [36:13] 它底层的一个点是在于 [36:15] 我不用先验教你怎么做事情 [36:18] 但是我会给你空间去探索 [36:20] 然后你会得到反馈 你会自我迭代 [36:23] 虽然这个迭代的过程可能不比 [36:24] 比如说 当时我就特别羡慕 [36:26] 大厂的应届毕业生 [36:28] 他进去之后就知道流程是什么 [36:30] 规范是什么 [36:31] 他把所有可以去规避的风险 [36:32] 先用流程和方法论给规避掉了 [36:35] 而我们进去了之后 [36:36] 没有人告诉我应该做什么 [36:37] 我们就是 当时我们的产品经理是做什么 [36:40] 就是所有研究员和工程师不做的事情 [36:42] 都是产品经理做的 [36:44] 我们也不知道正确做法是什么 [36:46] 就是我们踩一个坑 然后我们知道 [36:48] 也许这个地方 [36:49] 我们要例行地的 [36:49] 以后都要去做一个检查点 [36:51] 我们要去增加这里的评审 [36:53] 我们要去对齐这件事情 [36:54] 但是每一件事情都是通过踩坑来学习的 [36:57] 但事实上你就会发现 [36:59] 等到我离开了依图之后 [37:02] 我会发现这个烙印对我特别特别深 [37:04] 就是你通过强化而得到的这种能力 [37:07] 它是有泛化性的 [37:09] 因为你并不是因为别人教你做了这件事情 [37:11] 你才去做 [37:11] 因为当你被告知你要这么做 [37:13] 有时候你并不一定会思考为什么要这么做 [37:16] 但是我们每一步去增加的流程也好 [37:18] 我们去形成的组织形式也好 [37:20] 其实都是因为我们发现 [37:22] 这个问题的解决和探索需要这样的流程 [37:26] 所以这是我们自己讨论和琢磨出来的 [37:29] 我觉得这件事情是挺有意思的 [37:32] 而且还有一个点是在于 [37:34] 可能我们上一波AI的时候 [37:36] 你想我们是2016年的时候 [37:38] 依图有了第一波的所谓的产品经理 [37:40] 但其实它是2012年就成立了的 [37:42] 当时2012年成立的 [37:44] 从2011年开始到2014年 [37:46] 就商汤、旷视、依图这些陆续成立 [37:48] 大家都是看到了 [37:49] 比如说像ImageNet、AlexNet这些 [37:51] 在有一些非常大的突破了之后 [37:53] 我们觉得也许这件事情可以从 [37:56] AI计算机视觉这件事情 [37:58] 可以从学术界去影响我们真实的生活了 [38:01] 进入工业界了 [38:02] 但说实话没有人有正确答案 [38:05] 它就是一个“研究问题” [38:06] 就是我们都不知道有没有答案 [38:09] 所以那个时候其实 [38:11] 确实也给我们的探索空间会 [38:13] 甚至我觉得有可能比这个时间点还要更高 [38:17] 因为老板们也不知道 [38:19] 创始人们也不知道正确答案是什么 [38:21] 我们就努力地去寻找 [38:23] 所以那个时间点是一个特别好玩的过程 [38:26] 这个还挺有意思的 [38:27] 也就是说在上一代中国AI的时候 [38:30] 大家就已经开始非常勇敢地用新人了 [38:32] 包括就是刚毕业不久的大学生 [38:34] 甚至没有毕业 [38:36] 当时我记得好多的 [38:37] 我们有好多的辍学生 [38:40] 我们当时有一点鼓励辍学 [38:43] 然后各种dropout（辍学） [38:44] 还有一些可能高中 [38:46] 当时也有一些高中就过来实习的人 [38:48] 有一些大学就来实习的人 [38:49] 这很先进 在中国市场 [38:51] 对 就是聪明的孩子进来了之后 [38:54] 你就探索就好了 [38:56] 之前你说上一代的“AI四小龙” [38:59] 其实很多人是传承到了 [39:01] 或者是迁徙到了现在的“AI四小龙” [39:05] 或者是“六小虎”的公司当中 [39:07] 你看到这样一个人才流动是吗 [39:09] 对 [39:10] 但是你又说中间其实很多人 [39:12] 他们可能上一波被伤心了、踩坑了 [39:16] 可能不愿意继续进入AI的创新 [39:19] 或者是 [39:20] 创造AI的这条艰难的路径上面来了 [39:24] 这两股人他们是怎么去选择的 [39:27] 我觉得其实一直以来传承的 [39:28] 不只是这一代“四小龙” [39:29] 你如果从上一波的“AI四小龙”来看的话 [39:32] 它的再往上的传承者 [39:34] 可能像有百度的美研院 [39:36] MSRA（微软亚洲研究院） [39:37] 这些更早一波的在中国的AI机构 [39:40] 对 lab（实验室） [39:41] 我觉得它传承的一个核心叫做 [39:44] 对技术的信仰 [39:46] 对于好奇心 [39:48] 不计结果地去探索 [39:50] 而不是功利主义地去探索 [39:52] 我觉得这件事情是他们传承下来的东西 [39:56] 人才图谱 因为就是一代人去培养一代人 [39:58] 比如说我印象特别深是我在读本科的时候 [40:01] 当时我不是我们GPA最好或学习最好的人 [40:06] 但是我们身边一些 [40:08] CS（计算机）系的一些学习 [40:10] 或者说能力最强的人 [40:11] 打ACM（国际大学生程序设计竞赛）的人 [40:12] 他们就很喜欢去MSRA实习 [40:14] 包括我们当时我印象 [40:15] 依图的联创 [40:16] 像晨曦 [40:17] 他当年也是很短暂在MSRA实习过 [40:20] 后来被王坚老师带去做阿里云 [40:22] 其实MSRA和百度的当时的AI研究院 [40:25] 其实都培养了非常多的中国的上一代的 [40:28] 一些AI 1.0时代的founder（创始人）们 [40:31] 这波创始人们又培养了 [40:33] AI 2.0时代的 [40:34] 非常多的一些创始人们 [40:35] 包括像比如说像Kimi那边 [40:37] 为什么当时我说我跟植麟这边 [40:40] 可以通过朋友去介绍 [40:42] 是因为我跟旷视的一些 [40:44] 包括依图的小伙伴们 [40:46] 可能我们本来就是有认识 [40:48] 那么其实像他的联创里面 [40:49] 也有旷视这边过来的 [40:51] 像MiniMax 它有商汤 [40:52] 有依图的非常多的一些 [40:54] founding member（创始成员）里面 [40:55] 有上一代的这些人 [40:56] 这一代的模型厂商的 [40:57] 一些创始人们 [40:58] 很多其实也是在上一代的“四小龙”实习过 [41:00] 包括其实后来 [41:02] 当时我们可能不认识 [41:03] 再后来 比如说我再去跟智谱的 [41:05] 很多的一些研究员 [41:07] 或者DeepSeek的一些研究员 [41:08] 或者工程师的小伙伴 [41:09] 交流的时候发现 [41:10] 我们曾经原来有一段共同回忆 [41:12] 虽然我们没有碰到 [41:13] 但是我们在那个时代 [41:14] 我们也去探索过类似的事情 [41:16] 有共同的记忆 [41:16] 对 有共同的记忆 时代记忆 [41:19] 这个圈子大家的关系是什么样子的 [41:22] 因为我感觉大家可能都是 [41:24] 比如说清华系 [41:25] 或者是复旦 或者是浙大 [41:28] 其实很多都是同门师兄 [41:30] 或者是老师、学生这样的一个关系过来 [41:34] 感觉大家关系都还挺紧密的 [41:36] 包括我们看到月之暗面它成立的时候 [41:39] 杨植麟他选择co-founder [41:41] 联合创始人的时候 [41:42] 也是选了他很多清华时候的一些同门对吧 [41:45] 其实我觉得他可能也不是有意为之地 [41:48] 设计出来的圈子 [41:49] 而是刚好 本质上一群理想主义的人 [41:52] 你要想碰在一起去做一个 [41:54] 可能不一定有一个非常明确的预期目标的 [41:56] 一件事情 [41:57] 一定是因为 [41:58] 你们平常在碰撞和交流的过程当中 [42:01] 你们刚好chemistry（化学反应）合了 [42:04] 你们觉得可以一起探索这个事情 [42:07] 他一定是受到你环境的影响的 [42:09] 刚好可能一群优秀小伙伴 [42:11] 比如说在交大ACM班 [42:12] 在清华或者CS系或者姚班 [42:15] 包括今天你像其实这一波 [42:17] 尤其这一波大模型 [42:18] 有很多其实在海外的一些同学 [42:22] 大家somehow就是 [42:24] 对技术有理想的这波人 [42:27] 他们可能会在一些环境是比较相似的 [42:30] 可能会有一些这样的同学 [42:33] 或者一起打ACM的也有可能 [42:36] 其实你刚才也讲了 说传承 [42:38] 最近我看到一个特别有意思的片段 [42:41] 我来的时候还在看那个视频 [42:42] 智谱的唐杰老师 [42:44] 他在一个视频里面 [42:45] 他应该是介绍杨植麟出 [42:47] 出来做一个presentation（演讲） [42:49] 对 [42:50] 唐老师是植麟本科的导师 对 应该是 [42:54] 但是现在比如说智谱跟月之暗面 [42:58] 它们其实慢慢地会长成竞争对手 [43:01] 它们肯定会长成竞争对手 [43:03] 因为比如说Kimi K3出来的时候 [43:06] 智谱的股价就大跌 [43:08] 你觉得唐老师他们会介意这些事情吗 [43:11] 他们在圈内的关系是什么样子的 [43:14] 首先我觉得不是竞争对手 [43:16] 我觉得是一起去探索 [43:18] 那些未知世界的齐头并进的小伙伴 [43:21] 首先这个市场非常大 [43:23] 本质上这波大模型在这个阶段 [43:25] 即使我们还没有说产品的这件事情 [43:28] 但即使我们只说模型本身 [43:30] 我们卖模型能力这件事情上 [43:31] 它就是个未来人类社会的智力能力的基建 [43:35] 这个大基建不可能是一家独吃的 [43:38] 所以我觉得本质上 [43:40] 大家共同面对的事情是 [43:42] 整个非AI圈 [43:44] 或者对AI不那么接近的这些人 [43:46] 他对于AI这件事情的质疑 [43:48] 所以事实上就是我们要去探索AGI [43:51] 其实大家都是肩并肩的小伙伴 [43:53] 那时候ChatGPT还没有成立的时候 [43:55] 唐老师其实就和 包括植麟 [43:58] 其实他们 当时GLM他们也参与 [44:01] 包括像清华的 [44:02] 还有像刘知远老师他们那边 [44:05] 其实他们也会有CPM的团队 [44:08] 大模型是一件非常值得做的事情 [44:10] 但大模型确实需要非常多的资源 [44:12] 当时他们做了这个智源研究院 [44:13] 去支持一波实验室 [44:15] 给各类资源上去自由地做探索 [44:17] 所以像智源研究院 [44:18] 其实就train（训练）出了国内 [44:20] 我觉得第一波的千亿model参数的模型 [44:23] 当时有GLM、CPM 有非常多的一些模型 [44:25] 包括其还有其他方向 [44:27] 所以我觉得在那个时间点 [44:28] 其实就在ChatGPT之前 [44:30] 就给了非常多的一波年轻的小伙伴 [44:34] 去能够在自由 [44:36] 当时还算比较充裕的资源上 [44:38] 去自由探索的一个机会 [44:39] 为ChatGPT发布了之后 [44:41] 大家赶紧开始去做真正比较工业化的 [44:45] 大模型的规模 [44:46] 其实我觉得是奠定了非常好的一些基础的 [44:49] 我还有一个问题 [44:50] 就是当年上一代的AI 1.0的“四小龙”里面 [44:54] 当时的年轻人 [44:55] 到现在可能也是中登了 [44:58] 中登了 是的 [45:00] 他们在这轮里面扮演着一个什么样的角色 [45:04] 因为他们肯定是更有经验的 对不对 [45:06] 我觉得都是非常骨干的角色 [45:08] 其实很多人他可能并不一定在 [45:10] 公开场域里面有很多的姓名 [45:12] 或者有很多的露面 [45:14] 但事实上其实他们在坚持地推动事情发生 [45:19] 而且因为其实他们很多人经历过周期 [45:22] 他们反而很容易去摒弃掉一些 [45:25] 可能短期reward反馈的一些噪音 [45:28] 我觉得这件事情还是可能他们没有被看见 [45:30] 被公开市场看见 [45:31] 但其实他们在推动非常重要的这个因素 [45:36] 那一批人里面有多少人 [45:38] 如果你有一个非常粗略的百分比的话 [45:41] 留到了这一轮的AI里面 有10%吗 [45:45] 我觉得看什么样的范围 [45:47] 就是我身边的朋友里面有10%以上 [45:51] 可能在现在已经流入进来 [45:53] 即使2023年没有流入 [45:54] 可能也逐渐流入进来了 [45:57] 那很好 但是他们都不是领导者 [46:02] 他们其实是领导者 [46:03] 他们可能不一定是创始人 [46:05] 但是他可能也在领导很多事情 [46:08] 就是下面执行的领导者 [46:09] 但是可能不是说像植麟或者是唐老师 [46:13] 站出来当这个 [46:13] 站出来的这个face（门面） 对 [46:17] 我们再说一下DeepSeek [46:18] 它确实是一个黑马 [46:20] 就是Come out of nowhere 突然出来一个 [46:23] 我们当时在2023年上半年的时候 [46:25] 我说实话 [46:25] 我其实没有覆盖到DeepSeek [46:27] 我都不知道这个团队也在做这个事情 [46:29] 估计没有人能预测到 [46:31] 对 因为他可能他当时招的 [46:33] 因为我的大部分的认知来源 [46:35] 其实都来自于我上一代AI的1.0的 [46:37] 那些朋友们 我们在交流他们去哪 [46:40] DeepSeek可能到2023年下半年的时候 [46:42] 我才逐渐意识到 [46:43] 是因为他们招的人更加年轻 我发现 [46:46] 可能因为我们上一代“四小龙” [46:48] 其实有很多的中坚力量 [46:49] 就去了这些像Moonshot、智谱这样的公司 [46:52] 但是其实DeepSeek那边的那些小伙伴们 [46:56] 可能会更加年轻一些 [46:58] 所以我是在更多去深入地 [47:00] 在新认识了很多这一批新一代的 [47:03] 研究员和工程师之后 [47:04] 我才逐步地接触到了DeepSeek的小伙伴 [47:08] 所以其实当时我们跟梁总交流的时候 [47:11] 梁总的招人策略就是当年搞竞赛 [47:16] 搞ACM的最聪明的人 [47:18] 就是只要招最聪明的人就可以了 [47:20] 所以他可能就是当时更没有历史的包袱 [47:22] 没有要一些经验 [47:23] 就直接拿一些非常优秀的年轻人 [47:26] 就招进去了 [47:27] 所以其实我接触DeepSeek要更晚一些 [47:29] 招最聪明的人 [47:31] 大家都喜欢招最聪明的人 [47:33] 那他这个比如说跟杨植麟他想要招的人 [47:36] 什么区别呢 [47:37] 我觉得其实区别不大 只是刚好 [47:40] 我觉得这个事情大家的标准是差不多的 [47:43] 只是因为你的原始的几个创始人 [47:45] 他的背景不一样 [47:47] 就会导致他触达那些人的效率不一样 [47:49] 不同人群的效率不一样 [47:51] 刚好原本比如说DeepSeek [47:52] 它原本是之前幻方是一家量化公司 [47:56] 它可能本身量化公司在招的人 [47:58] 就是每一年 [48:00] 因为量化确实是一个 [48:01] 我觉得其实很多搞ACM、搞NOI的人 [48:04] 特别爱去的地方 [48:05] 就是性价比特别高 [48:07] 所以他本身刚好他去接触的 [48:09] 这帮最年轻的应届的NOI和ACM的人 [48:13] 他是有他的惯性在的 [48:15] 所以DeepSeek在招人的时候 [48:17] 其实在这一波人的分布上面 [48:19] 他确实会比较偏多 [48:20] 那么可能确实在有一些 [48:23] 比如说上一代“四小龙”背景的人里面 [48:25] 比如说像MiniMax也好 像Kimi也好 [48:29] 它们事实上就是因为 [48:30] 它们有上一代“四小龙”的背景 [48:32] 那么这些联合创始人们 [48:33] 他们触达到的人群上面 [48:35] 就会在上一代的人才供给上分布就会偏多 [48:40] 那比如说像唐老师他是脱胎于 [48:43] 像智谱是脱胎于清华的实验室的团队 [48:47] 那么他们在清华那几届的应届生当中 [48:50] 他们的触角也会比较多 [48:52] 所以我觉得其实有时候 [48:53] 不一定是他审美上 [48:54] 真的有很大的人才的差异 [48:56] 但是刚好是因为 [48:57] 那几位最早的联合创始人们 [48:59] 他们本身的身份和本身所处的环境不一样 [49:03] 他触达人才的方式和效率会不一样 [49:05] 所以导致distribution上面 [49:07] 会有一些不同的分布 [49:09] 那我们再来聊一下 [49:10] 你从依图出来了之后 [49:12] 是去了开复老师那 是吗 [49:13] 对 我去了创新工场的AI工程院 [49:16] 可能大家不一定知道 [49:17] 创新工场虽然是家VC [49:18] 但是我们有一个当时鼎盛时期 [49:21] 达到200多人的AI工程院 对 [49:24] 那个时候是20 [49:26] 我去的时候是2018年的时候 [49:29] 但AI工程院成立得更早 [49:31] 其实差不多也就是我加入依图的前后 [49:34] 大概2016、2017年的时候就成立了的 对 [49:38] 这个成立的点 其实我后来也去 [49:40] 因为当时AI工程院的院长叫咏刚老师 [49:42] 叫王咏刚 他也是我当时的leader [49:44] 对 咏刚老师其实也上过我们节目 [49:46] 是吗 对 [49:48] 当时我就问咏刚老师 [49:50] 为什么创新工场会去成立AI工程院 [49:52] 其实我想说就是 [49:54] 开复老师、汪华他们 [49:55] 其实也是中国VC里面最早一波 [49:58] 去真的非常高投入 [50:00] 去押注AI的这个基金 [50:02] 当时在AI 1.0时代 [50:03] 包括“四小龙” 像旷视、像第四范式 [50:07] 像自动驾驶、像地平线机器人 [50:10] 其实AI 1.0时代的大部分细分赛道 [50:13] 几乎工场全都下注了 [50:15] 所以其实整个工场本身对于AI这件事情 [50:19] 是最早的一批 [50:20] 我觉得非常高投入的一个基金 [50:22] 但是其实在整个过程当中 [50:24] 我们也确实发现了AI 1.0范式的一些问题 [50:27] 就是至少我在“四小龙”看到的问题 [50:29] 和当时他们投资的时候看到问题是一样的 [50:31] 就是大家都是科学家创业 [50:33] 都没有经历过这种商业社会的一些 [50:36] 我觉得我们的一些训练 [50:37] 我们也没有在商业社会里面探索过 [50:39] 那么最后其实我们就服务了一些 [50:42] 特别传统的“老登企业” [50:44] 也不能说“老登企业” [50:45] 就是一些传统的企业 [50:46] 所以我们最后还是做service（服务） [50:48] 就跟那些做software（软件）的很像 [50:50] SaaS（软件即服务） [50:51] 对 做SaaS很像 [50:52] 关键是SaaS这件事情在中国 [50:54] 它还有很大的阻力 [50:56] 因为我们中国 [50:57] 其实我们的现代化的企业 [50:58] 其实它的进程也就这么二三十年 [51:01] 它并没有完全形成一套非常 [51:03] 我觉得职业经理 [51:05] 或者说我们特别相信 [51:07] 行业在管理学这件事情上有最佳实践 [51:09] 其实我们企业家们也在探索 [51:10] 我们没有标准化的一个最佳实践 [51:13] 所以anyway 就是我觉得AI 1.0时代 [51:15] 其实我们在各种不同的细分赛道 [51:18] 在服务不同类型的下游的客户的时候 [51:21] 我们遇到的问题都是 [51:22] 我们的商业化这件事情的 [51:23] Scaling（扩展）上面 [51:24] 非常像传统软件服务的这些商业模式 [51:28] 就导致了其实当时从到我们AI 1.0 [51:32] 发展到了中后期的时候 [51:34] 确实这件事情是非常painful的 [51:36] 就是非常痛的 [51:37] 我们没有找到一个很像互联网一样的 [51:40] 好的一些商业模式的路径 [51:42] 所以当时我们成立AI工程院的 [51:44] 一个背景就是说 [51:45] 既然都是做ToB 我们既然都做AI [51:48] 能不能用一种更加高效率的方式 [51:50] 去帮他去做产品和商业化和项目的规模 [51:54] 所以我们其实在这个背景之下 [51:55] 成立了AI工程院 [51:56] 所以当时我进入AI工程院 [51:59] 我其实也没有一个明确的工种 [52:01] 我发现我每个阶段 [52:02] 其实这个工种都不是很明确 [52:03] 因为你的职位都是最新的 [52:06] 对 当时好像给我的定义叫做 [52:09] “前沿领域探索负责人” [52:12] 那我核心去做一些什么事情呢 [52:14] 我们会定期地去追每一个 [52:17] AI细分的这些领域 [52:19] 它会不会有一些在学术界的新的突破 [52:21] 比如说当时我们经历过 [52:22] 像GAN（生成对抗网络） [52:23] 我们还经过什么联邦学习 包括GPT [52:26] 有了突破之后 我们去看 [52:28] 这件事情如果我们对于真实的 [52:30] 这些人的生产和生活场景当中 [52:32] 有没有一些场景 [52:33] 可以把这些学术领域的算法的突破 [52:36] 给应用进来 [52:37] 所以我们要做0到1的 [52:38] 一些产品化的示范的探索 [52:40] 这个探索如果被证明成立的话 [52:42] 我们去思考说这个市场大概规模会多大 [52:45] 我们有机会去孵化一些新的这些AI公司 [52:48] 所以创新工场AI工程院 [52:50] 当时孵化出来的第一家公司叫创新奇智 [52:52] 它后来其实也在A股上市了 [52:55] 我离开工厂的之后 [52:58] 孵化的最后一家公司 [52:59] 其实就是澜舟科技 [53:01] 当时就是因为我们看到了 [53:02] GPT-2和GPT-3相继发布了之后 [53:06] 孵化的公司 [53:08] 但我们一直都在AI工程院 [53:10] 确实一直在探索AI到底怎么样去渗透到 [53:13] 人类的真实生活和生产当中去 [53:16] 你们什么时候意识到 [53:19] Scaling law（规模化法则） [53:19] 这件事情在硅谷开始发生了 [53:22] 我很惭愧地说 [53:24] 我是在ChatGPT之后 [53:27] 但是事实上 [53:29] 2019年我们就尝试做了一件事情 [53:30] 叫做中文版的GPT-2 [53:33] 对 在创新工场AI工程院里面 [53:35] 当时我们就先去看了GPT-2的论文 [53:37] 然后发现需要data 需要卡 需要人 [53:39] 需要懂NLP的人 [53:41] 当时也很有意思就是 [53:43] 开复老师是一个广结善缘的一位 [53:46] 我觉得大家的好老师 [53:49] 所以当时有很多的开复老师的朋友们 [53:51] 他们有时候比如说 [53:52] 职业生涯或者有些在领域的探索里面 [53:56] 需要遇到转折期的时候 [53:59] 都会停歇在我们创新工场AI工程院 [54:02] 当时腾讯AI Lab的张潼老师 [54:05] 和他的几位刚好做NLP的领域的 [54:08] 研究员researcher们 [54:09] 他们从腾讯AI Lab离职了之后 [54:11] 先短暂地在我们创新工场AI工程院 [54:13] 去探索了 [54:14] 我们就会有很多刚好做NLP领域的 [54:16] 这些研究员们 [54:18] 同时也是一个到了大概夏天的时候 [54:21] 我们得到了一个 [54:21] 特别兴奋的有意思的消息是 [54:24] 好像是有一位 [54:25] 因为我不记得了具体是谁 [54:27] 有一位我们中东的LP（有限合伙人） [54:29] 他们在盘点他们的机房还是仓库的时候 [54:31] 发现有几百台V100 没有人用 [54:34] 好像已经尘封了 [54:35] 可能半年还是几个月的时间 [54:38] 刚好创新工场 [54:39] 这件事情在今天是不可能出现的 [54:41] 对 我也不知道他们是为什么 [54:43] 当时为什么买 [54:44] 但是somehow他们就告诉我们了 [54:45] 因为我们创新工场可能一直以来 [54:47] 当时有个非常强的对外的一个标签就是AI [54:51] 我估计他可能看了 [54:52] 他们投的这么多基金里面 [54:54] 觉得创新工场确实是 [54:55] 可能AI跟这个GPU是有关系的 [54:58] 然后就过来问开复老师说 [55:01] 我们现在发现我们有几百台V100没人用 [55:03] 你们要不要用 [55:04] 我们说我们要用 [55:06] 对 然后我们就有卡了 [55:08] 有卡了 有人了之后 [55:09] Data其实中国不缺 [55:10] 我们就开始训练 [55:11] 我们训练了两个月之后 [55:13] 我们就尝试 [55:14] 我当时把我们模型训练出来了之后 [55:16] 我就开始试 [55:17] 我就发现非常糟糕 [55:19] 我让它回一封很简单的邮件 [55:22] 它给我连续出三个逗号 [55:24] 这个时间点我们就 [55:26] 说实话是有一点失落的 [55:28] 我们当时的复盘是我们觉得 [55:30] 中文的数据质量本身 [55:33] 就没有英文语料那么高 [55:34] 但是其实我们到2020年 [55:36] 因为我们后来又尝试去孵化了 [55:38] 其实我们2020年的复盘 [55:39] 其实当时我们也没有 [55:41] 我觉得至少我自己没有把那个问题 [55:43] 给归因到 [55:44] 是因为当时我们核心的一些主力 [55:46] 其实是一些研究员们 [55:47] 但说实话 [55:48] 把当时其实你的算法本身的探索 [55:52] 其实论文上已经有了 [55:53] 它非常重要的一个点就是data [55:56] 我觉得这个事情 [55:57] 我到今天其实我们已经不用说 [55:58] 在当时我觉得我自己没有意识到 [56:00] 就是它的本质是你要把data [56:02] 非常非常踏踏实实地给清洗和处理干净 [56:06] 但是我们确实没有那么多的人力 [56:08] 去很好地把这个数据工程好好地去做 [56:11] 就导致了其实我们的那个数据 [56:13] 确实清洗得不太好 [56:14] 然后训练出来的这个模型 [56:16] 其实它效果就会比较一般 [56:19] 当时还是那个点 [56:20] 就是我们归因也没有好好做 [56:21] 一开始立项的时候 [56:23] 其实也没有把scaling law（规模化法则） [56:25] 这个事情给学明白 [56:26] 我们都没有看到那篇文章 [56:29] 所以其实到2020年的时候 [56:31] 我们尝试着再去孵化澜舟科技的时候 [56:33] 其实当时我们就有意识地在搭配很多的 [56:37] 从工业界过来的 [56:38] 有非常多的 [56:38] 一些做dirty work（脏活累活） [56:39] 有做工程经验的人再去配合周明老师 [56:42] 周老师是在MSRA特别respectful [56:45] 特别受人尊敬的一个副院长 [56:47] 他一直30年都在做NLP的研究 [56:49] 配给他 去孵化了 [56:51] 就2020年那一次 [56:52] 我们就带了更多的一些工程的人 [56:54] 我们更加注重数据了 [56:56] 但那个时候其实我们遇到的一个问题 [56:59] 就还是我刚才复盘过的一个问题 [57:00] 就是我自己对于scaling law（规模化法则） [57:03] 这件事情的认知是没有到位的 [57:06] 就导致了我们还是把它往一个 [57:08] 上一代AI四小龙的一个标准范式去找 [57:10] 我们找一个ToB的垂直场景 [57:12] 去卖模型能力 [57:14] 但anyway AI 1.0我觉得回过来 [57:17] 就是当时我自己在1.0的后期阶段 [57:20] 我有一个非常强的失败路径依赖 [57:23] 就是卖模型能力真不是一个好生意 [57:28] 但是现在是一个必须要做的生意 [57:31] 模型即服务 [57:33] 但我可能这一点我不确定 [57:35] 这可能是个非共识 [57:36] 因为我说我是一个充满偏见的人 [57:39] 我还是有一个暴论叫做 [57:40] 我觉得卖模型能力不是一个好生意 [57:43] 即使今天我觉得像Claude Code也好 [57:45] 它其实证明了它的收入可以涨得非常快 [57:48] 但我觉得Claude Code是个好产品 [57:49] 因为它在编程场景领域 [57:51] 它当下其实它不只是模型能力 [57:53] Claude Code其实是模型能力上面的 [57:55] 一层封装 [57:56] 就是它给在coding的生产环境里面 [57:59] 其实是给程序员及时地反馈的一个环境的 [58:02] 就它配了很多 [58:03] 它有harness的脚手架 [58:04] 是有很多的工具 [58:06] 同时程序员他每一个任务 [58:07] 他当下去给的AI的一些指令 [58:10] 他当下其实会给出反馈的 [58:11] 我到底要不要用这个方案 [58:13] 我这个往后走了之后 [58:14] 我需不需要debug（调试） [58:16] 这里面其实是特别特别好的一个 [58:18] 有reward（反馈）的一个环境 [58:19] 它的信号其实是非常优质的 [58:21] 所以在我看来 [58:22] 其实最终模型能力本身 [58:27] 不管叫API也好 [58:28] 还是当年什么SDK也好 [58:30] 它都是会commoditize（商品化）的 [58:32] 这是我相信的一件事情 [58:34] 那我不是说商品化不是一个好生意 [58:36] 像今天云计算 [58:37] 其实大家几家云厂商也是一个不错的生意 [58:41] 但我觉得整体上来说 [58:43] 这不是一个可以得到非常高的 [58:45] 超额利润的一个生意 [58:46] 我觉得 但是它确实是一个 [58:49] 在下一个阶段我们人类的智能开始发生 [58:52] 是我们人类社会智能的大基建 [58:55] 这是个圈地运动 [58:56] 所以你得先把这个基建给做了 [58:58] 圈地运动给圈了 [59:00] 你才有可能在上面 [59:01] 去再封装一些更好的环境 [59:03] 更好的一些有反馈 [59:04] 有context（上下文） [59:05] 有reward（奖励）的这些environment（环境） [59:07] 去探索更进一步的task（任务） [59:09] 就在我看来 可能大模型的 [59:11] 这也是我的暴论 [59:13] 这接下来全都是暴论 [59:14] 这是我个人的偏见 [59:15] 我们非常喜欢暴论 [59:17] 在我看来其实 [59:19] 今天市场上有一个非常强烈的观点 [59:22] 叫“Model is all.”（模型即一切） [59:23] 我是相信模型会逐渐把一些 [59:26] 共识型的in-distribution（分布内）的东西 [59:28] 逐步地吃进去 [59:29] 包括harness的这一层都会吃进去 [59:31] 但是我也相信 [59:33] 人类的智能是不可能被穷尽的 [59:35] 就是人类社会对这个世界的智能探索 [59:38] 它永远是源源不断会产生的 [59:40] 所以回过来就是 [59:41] 我觉得这一波AGI接下来 [59:43] 当然我不知道它长什么样 [59:45] 但它真正会去长出的所谓的super（超级）应用 [59:48] super app也好 或者是super应用也好 [59:50] 它其实是一个会在人类与AI的互动当中 [59:54] 源源不断持续地产生新的智能的环境 [59:57] 这才是AGI的未来 [59:59] 而不是单纯地卖模型能力本身 [60:01] 我觉得如果我们的AGI的整个产品形态 [60:04] 就是停在了 [60:05] 卖模型能力本身这件事情上的话 [60:08] 那我觉得这件事情 [60:09] 就不是我们当时2022年年底 [60:11] 2023年年初那么激动人心的事情了 对 [60:15] 因为我相信人类智能本身 [60:16] 是不可以被穷尽的 [60:17] 我觉得前几年在VC界有一个共识 [60:22] 也不叫共识 [60:23] 就是一个assumption（假设） [60:25] 就是“winner takes all”（赢家通吃） [60:26] 就是只要你做出来了最强的模型 [60:29] 你永远都保持在第一的话 [60:31] 其实你是能收到最多的钱、最多的利润了 [60:35] 但现在看起来 这件事情不是这样的 [60:37] 因为谁也不能保证说 [60:39] 你永远都是第一的模型 [60:40] 而且感觉第一的模型跟第二名、第三名 [60:43] 感觉差距也没有那么大 [60:45] 是这样 我觉得这个是分阶段来看 [60:48] 我觉得这一波的大模型 [60:50] 如果单纯从卖API或者卖模型能力 [60:52] 这个生意上来说 [60:53] 其实跟上一代的“四小龙” [60:55] 本质上没有太大区别 [60:56] 就是在一个模型的高速发展期的时候 [61:00] 就是你还没有形成这个模型能力 [61:02] 相对稳态的时候 [61:04] 就是SOTA模型掌握定价权 [61:06] 你就会有超额利润 [61:07] 而你的所有的追赶者是得不到超额利润的 [61:09] 你只能贴近成本 甚至亏着成本去卖 [61:12] 这个事情是个事实 [61:13] 但是事实上从我们上一代的 [61:16] 我觉得AI [61:16] 当时我们的“AI四小龙”的一个经验上来说 [61:20] 永远保持技术领先 [61:22] 在我看来是不可能的 [61:25] 技术领先性只能给你这个公司 [61:27] 带来一个时间窗口 [61:28] 这个时间窗口是说人无你有 [61:31] 但是这个时间点一个非常重要的事情是 [61:34] 能不能去利用人无你有的这个时间窗口 [61:36] 去建立一个业务或者产品本身的壁垒 [61:39] 比如说我自己对于这一代的AGI的产品的 [61:42] 一个期待就是说 [61:43] 在人无你有的时候 [61:45] 确实人家没有这个模型能力 [61:46] 今天只有你有 [61:47] 你能不能构建出一个 [61:49] 能够持续去生产出新的智慧数据 [61:52] 能够持续在人和这个产品的交互当中 [61:54] 去生产出新的智能 [61:56] 让模型进一步去迭代的环境 [61:57] 如果这个环境建立成功了 [62:00] 事实上因为一开始就是人无你有 [62:02] 所以更多的智能它发生在你的环境里面 [62:05] 那这个环境就会不停地飞轮往上走 [62:07] 大家是赶不上你的 [62:08] 但是如果说这个环境没有被造出来的话 [62:11] 其实时间窗口过了 [62:14] 你就是commoditized（商品化）的 [62:15] 所有的模型能力会被拉平 [62:17] 所以 回过来就是说 [62:19] 我们在聊sota模型是不是有定价权 有超额利润 [62:23] 在模型发展的高速发展期的时候 [62:25] 确实是这样子的 [62:27] 我要问一个不太友善的问题 [62:29] 在创新工场 [62:31] 你们很早就接触到了非常多前沿的信息 [62:34] 然后也有卡了 [62:35] 开复老师后来做零一万物的时候 [62:38] 你觉得为什么没有做起来 [62:39] 对不起 开复老师 [62:41] 我只是单纯很好奇 [62:43] 我觉得首先零一万物 [62:44] 今天还在非常优秀的发展中 [62:48] 比如说其实零一万物最近在做非常多的 [62:50] FDE（前向部署工程师）项目 我知道 [62:51] 我觉得他们最近想要做 [62:53] 中国的Palantir [62:54] 对 我觉得这件事情其实 [62:57] FDE不是一件很好做的事情 [62:58] 因为FDE不是一个纯靠技术去解决的事情 [63:01] FDE非常核心的点是 [63:03] 你要让一些非AI领域的人 [63:06] 愿意接受AI的介入 [63:08] 你要在这个里面的具体的不同岗位的人 [63:10] 因为说实话 [63:11] 我们刚才其实讨论到 [63:12] AI是一个非常中心化的技术 [63:15] 它意味着所有的人 [63:16] 天然对它的直觉反应其实是恐惧 [63:19] Knowledge worker（知识工作者） [63:20] 对它的直觉反应是恐惧 [63:21] 他会担心我跟AI协作的过程当中 [63:23] AI就把我蒸馏了 [63:25] 然后我今天教会了AI做这个事情 [63:27] 未来我的工作就不保了 [63:30] 所以其实 [63:30] FDE的这个落地 [63:32] 它是一个把商务 把你的组织的理解 [63:36] 对于人的交互的理解 [63:37] 加上对技术的理解 对产品的理解 [63:39] 统一在一起去做的事情 [63:41] 所以我觉得其实零一今天其实还是在 [63:44] 我觉得开复老师非常适合去做 [63:46] FDE这件事情的 [63:47] 他一直在布道 [63:48] 我说实话 他已经在AI布道这件事上 [63:50] 坚持了很久很久了 [63:52] 所以我觉得其实零一一直在做 [63:55] 非常非常有价值 [63:56] 并且现在也还在很努力地在耕耘当中 对 [64:00] 那之前就是做大模型的时候 [64:03] 就大家比拼大模型能力这一件事情的时候 [64:05] 你觉得零一它缺的是什么 [64:07] 首先我想说还是那个点 [64:10] 开复老师也好 汪华老师也好 [64:12] 包括零一也好 [64:13] 他们真的是非常非常早地下注AI [64:17] 并且一直在努力地践行这个时间点 [64:19] 但是确实我觉得可能 [64:22] 新事情要找一些没有负担的人去做 [64:25] 因为说实话 [64:26] 我觉得人才他在环境当中 [64:29] 人才在不同的环境当中 [64:31] 即使是同一个人 [64:32] 他的表现形式是不一样的 [64:33] 就是一个人 比如说我当下在现在的状态 [64:35] 是因为我在一个播客的访谈当中 [64:38] 和我如果今天在一个 [64:40] 非常私人的一个晚餐当中 [64:42] 我的表现就会不一样 [64:44] 所以其实我们把同样一群人才 [64:46] 放在不同的环境当中 他不一样 [64:49] 其实在我看来 [64:50] 适合做大模型的环境是什么样的 [64:52] 就是大家不会认为做AGI这件事情 [64:55] 和我要去证明自己可以去做AGI这件事情 [65:00] 它的difference（差别）会很大 [65:03] 它就会需要 [65:04] 其实可能它的整体的管理层 [65:07] 相对会比较一线 [65:09] 只要管理层不太一线的话 [65:10] 这件事情我会 [65:12] 就我个人的观点上面 [65:13] 它有可能会导致它的整个反馈 [65:17] 它可能会有一些漂移 [65:18] 我最后还有两个问题 [65:20] 就是中国的大厂们 [65:22] 其实在这一轮AI当中 [65:23] 也是扮演着非常重要的一个角色 [65:26] 一个是字节 一个是阿里 [65:28] 我觉得下个还有微信 还有腾讯 [65:29] 还有腾讯 对 当然了 [65:31] 然后你觉得这三个公司 [65:34] 它们其实扮演的作用跟 [65:35] 比如说像月之暗面、智谱 [65:38] 它们这种就是从零开始生长出来 [65:40] 全新的AI native（AI原生）的模型公司 [65:43] 有什么区别呢 [65:44] 我觉得还挺不一样的 [65:45] 我举例来说 [65:46] 其实字节非常surprising（令人惊喜） [65:49] 我觉得今年Seedance 2.0 [65:51] 再加上AI短剧 [65:52] 再加上原本的抖音的 [65:54] 或者说他们AI短剧的整个平台 [65:56] 内容孵化平台 [65:57] 它其实打出了一个非常漂亮的范式叫做 [66:01] 模型的生产、消费、分发这件事情 [66:03] 如何在AGI的迭代当中去闭环 [66:05] 这件事情 甚至我觉得它比 [66:08] 它甚至比Claude Code的有些闭环 [66:10] 做得还要更往前一步 [66:14] 更加advance（前进）一步 [66:15] 所以我觉得像字节 [66:16] 其实它们本身是一个 [66:18] 我觉得在上一代移动互联网里面 [66:20] 积累出了非常强的生态型打法的一个公司 [66:24] 所以它们把自己的生态型的认知 [66:27] 战略认知和结合这一波它们对AGI的这个 [66:29] 我觉得也是不计成本地投入在一起 [66:31] 其实也是有很多有意思的玩法出现 [66:36] 千问也是个非常优秀的团队 [66:38] 同时阿里本身是 [66:40] 我觉得这一波所有的这些 [66:43] 国内的大模型公司 [66:44] 其实都几乎都被阿里投了 [66:47] 大家都得到了阿里的非常多的 [66:48] 一些卡的资源 [66:50] 所以阿里其实现在我觉得很像是一个 [66:52] 就是圈地运动的支持者 [66:54] 它真的在给大家搭基建 [66:55] 我觉得这一点 [66:56] 也是对中国的整个大模型生态都非常重要 [66:59] 然后腾讯 [67:01] 最近可能大家看到它的模型上的进展 [67:03] 最近可能它们有一些新发布的东西 [67:07] 好像暂时没有进入第一梯队 [67:08] 但是一直以来我觉得 [67:10] 还是我强调那个点 [67:11] 我觉得其实对于一个好的大模型产品来说 [67:14] 环境非常重要 [67:15] 他们有微信 [67:16] 微信真的拥有了 [67:18] 我觉得目前我看到的整个人类社会里面 [67:21] 非常非常 可能是最好的环境之一 [67:24] 就是我觉得腾讯永远都是一个 [67:27] 在接下来大模型产品当中 [67:28] 不可小觑的一个力量 对 [67:31] 我看今年美团又领投了 [67:33] 最新的一轮Moonshot的融资 [67:37] 看起来兴哥对Kimi还是满意的 [67:41] 上一轮没有投 但是这一轮又领投了 [67:43] 这个我就不知道细节了 [67:44] 因为我已经专心地在 [67:46] 搭建我们的“套壳产品”了 对 [67:48] 你自己是什么时候从美团出来的 [67:51] 你是开始要自己创业了 是吗 [67:53] 对 我去年年底从美团出来的 [67:55] 我自己是觉得 [67:57] 这一代的wrapper（包装器）们 [67:58] 就是我们的套壳产品们 [67:59] 其实有个很重要事情 [68:00] 就是怎么把这个智能普惠给普通人 [68:04] 因为这件事情我还有一个很深的感受是 [68:06] 我在这过去的从2022年年底用ChatGPT [68:09] 一直到今天 [68:10] 我都觉得我是AI世界的二等公民 [68:13] 因为我觉得我不像 [68:13] 怎么定义二等公民、一等公民 [68:15] 我觉得我身边那些特别强的 [68:18] 写提示词的人 [68:18] 能去构建agent loop（智能体循环）的人 [68:20] 能去用好AI的人 他们都是一等公民 [68:22] 用好小龙虾的人 [68:23] 用好小龙虾他就是一等公民 [68:24] 但是我就觉得 [68:26] 我在那个开放式的输入框里面 [68:28] 我就觉得我不够聪明 [68:31] 就是我们用问同样的问题 [68:33] 也许一个有工程经验的人 [68:34] 他就可以把一个开发任务做得更加扎实 [68:37] 而我就算让AI帮我vibe出来了一个产品 [68:40] 它也是屎山代码 [68:41] 对 它是不可维护的 [68:43] 所以我觉得 [68:45] 我持续地觉得我是AI产品的二等公民 [68:47] 到今天为止我都是这么觉得 [68:49] 那我觉得一个产品如果让人觉得 [68:51] 一直让有一波用户觉得他是二等公民 [68:53] 它大概率不是一个好产品 [68:55] 或者说它不是一个 [68:56] 对于消费者来说特别好的产品 [68:58] 所以我一直是觉得 [68:59] 其实下一个阶段怎么样把智能这件事情 [69:02] 更加普惠地让所有人 [69:04] 更加平等地享受到这件事情 [69:06] 是很重要的 [69:07] 所以我们觉得其实今天下一波 [69:10] 我自己觉得 [69:10] 其实很多的一些下一波的套壳产品 [69:14] 我们其实有非常多可以去做的事情 对 [69:18] 特别好 [69:18] 现在方便披露你们要做什么东西吗 [69:21] 还是我们再等等 [69:22] 我们可以稍微说一下 [69:24] 我们在做一款 [69:25] for human interaction（面向人际互动）的 [69:27] 一个小工具 目前是 [69:29] 怎么样服务好人与人之间交流这件事情 [69:32] 可能是我们当下 [69:33] 其实我们想去给每一个人去用的 [69:36] 因为其实每一个人他接触的生活 [69:38] 他对于人的认知就是不一样的 [69:40] 所以我们觉得人与人交流 [69:42] 它不是一个单纯的我编码 [69:43] 我把编码后的信号发给你 [69:45] 你解码的过程 [69:46] 而是一个我们共同地制造了一个场域 [69:50] 我们怎么样去重建意图的一个过程 [69:52] 所以其实我们可能接下来 [69:53] 会在这个事情上 [69:54] 去做一个小小的套壳工具给大家去用 [69:56] 非常期待你们的产品发布 [69:58] 好的 那谢谢Kiwi [69:59] 谢谢 [70:00] 以上就是我们与Kiwi的视频播客内容 [70:03] 希望大家喜欢我们这期节目 [70:05] 我们也会进一步关注全球最前沿的AI进展 [70:07] 你们的留言、点赞和转发 [70:09] 支持我们硅谷101做好深度科技和商业内容的最佳动力 [70:12] 我是陈茜 那我们就下期视频再见啦