Meshy AI创始人胡渊鸣谈创业重塑：每三个月“杀死过去自己”以技术营销攻占海外三维生成市场

Meshy AI创始人胡渊鸣谈创业重塑：每三个月“杀死过去的自己”，攻占海外3D生成市场 通过反思从太极图形到Meshy的生死转型，胡渊鸣揭示了硬核技术人才在AI时代从纯学术逻辑向数据驱动商业模式跃迁的进化哲学。 本期访谈围绕世界是否为模拟器的物理学猜想展开，回顾了胡渊鸣从清华姚班到MIT攻读博士期间，在可微物理仿真和开源并行计算框架“太极”上取得的极致技术突破。随后，他重点讲述了从学术思维向商业思维重塑的创业历程，包括太极商业化受挫后All-in转向3D生成AI平台Meshy、实现营收十倍增长的生死转型。最后，他深入剖析了CEO在战略、招聘及艰难决策中的管理蜕变，并分享了在AGI时代如何通过沉浸式体验丰富有限生命的人文思考。 为突破物理仿真在算力与内存上的极限，胡渊鸣在 MIT 独立全栈开发并行计算框架“太极（Taichi）”，通过编译器层面的极致量化在单卡 RTX 3090 上实现了 10 亿粒子的仿真极限。 (39:59) 针对机器人领域的 Sim-to-Real 鸿沟，胡渊鸣认为未来的模拟器需走向数据驱动，将三维物理世界的“归纳偏置”（Inductive Bias）与神经网络学习能力恰到好处地融合。 (59:59) 在经历太极早期商业化的坎坷后，胡渊鸣果断带领团队“自己开除自己”，全面转型打造 3D 生成式 AI 平台 Meshy，现已拥有超 400 万用户并实现年营收十倍以上的爆发式增长。 (99:59) 谈及 CEO 的心智进化，胡渊鸣强调管理者必须摆脱“希望被所有人喜欢”的执念，敢于做出艰难决策并尊重事实，保持每三到六个月推翻过去自我的勇气。 (119:59)

胡渊铭回顾了从清华姚班、MIT 图形学博士到创立太极图形与 Meshy 的历程，阐明物理模拟需与数据驱动 AI 结合以弥合现实鸿沟，并系统复盘了从技术学者转型为商业 CEO 的认知迭代与管理哲学。 物理模拟与 AI 的边界与可微融合 (59:59) 传统物理引擎在面对复杂边界条件与接触摩擦建模时存在显著的 Sim-to-Real Gap。胡渊铭指出，未来模拟器不应消耗 ExaFLOPs 算力重新学习牛顿第二定律，而应将几何透视（如仅需约 50 FLOPs 的相机投影）与空间持久性作为“归纳偏置”（Inductive Bias）硬编码注入系统，同时把难以精准建模的弹塑性形变与复杂阻力交由神经网络进行数据驱动拟合，构建端到端可微的混合模拟器（Hybrid Simulator）。 针对合成数据（Synthetic Data）在具身智能中的作用，胡渊铭认同伯克利学者 Sergey Levine 的观点，认为人类规则编写的合成数据只能用于增强模型，无法凭空训练出机器人的基础通用模型。在渲染层面，他预测光线追踪等纯传统算法未来将逐步被神经图形学（Neural Graphics）所替代，通过稀疏采样与大模型补全实现实时生成。 从太极到 Meshy：开源与商业化转型 (54:59) 博士期间，胡渊铭开发的太极（Taichi）通过底层编译器极致量化技术，在单张 24GB 显存的 RTX 3090 上实现了 10 亿粒子的物理模拟。然而在早期商业化探索中，团队曾因切入定制外包和难以规模化的软件业务而陷入停滞。胡渊铭对开源的认知也历经反复：从学术时期的纯粹热情，到初创期的变现困惑，最终将其重新确立为建立技术信任、进行顶级技术营销并吸引全球顶尖人才的战略杠杆。 2022 年底，胡渊铭基于第一性原理做出业务转型：既然用户持续在 Sketchfab 等平台为 3D 模型付费，利用生成式 AI 趋近于零的边际成本提供资产便具备巨大的商业价值。Meshy 主打订阅制与 API，月营收复合增长率约 20%，累计用户超 400 万，月访问量达 250 万，在海外发达市场占据超 55% 份额。胡渊铭援引英特尔从 DRAM 决绝转型 CPU 的历史，强调初创企业管理者必须具备每 3 至 6 个月“把自己开除一次”的自我颠覆决心。 管理者蜕变：走出讨好文化与自主出题 (124:59) 胡渊铭提出了“阶段一”与“阶段二”的成长模型：阶段一处理确定性命题（解决 How），依赖执行效率；阶段二则面临高度不确定性（解决 Why），需要管理者自主定义愿景并承担组织后果。许多优秀的个人贡献者在晋升后，常因回避冲突或试图让所有人满意而导致管理失效。他认为管理者走向成熟的标志是敢于做出艰难决策，包括辞退不合格人员、砍掉受欢迎的项目以及在冲突的需求中做取舍。 在团队搭建与组织文化上，胡渊铭结合黄仁勋的标准，将人才画像总结为聪明（Brain/Smart）、有自驱野心（Guts/Hungry）、谦逊坦诚（Heart/Humble）、表达精准（Clarity）以及具备共同品味（Taste）。在公司内部，他坚守“尊重事实”的底线，通过双盲测试杜绝模型评测的主观膨胀，并直言创业中“天道酬勤是谎言”，99% 的尝试可能毫无结果，但唯有直面现实、快速复盘才能找到起效的 1%。 赛道选择与 AGI 时代的沉浸体验 (129:59) 针对商业赛道的选择，胡渊铭强调优质生意必须满足“市场大、非共识、有竞争壁垒”三个前提。他以国内人形机器人龙头宇树科技十多亿元的年营收仅为潮流玩具公司泡泡玛特的十分之一为例，指出赛道属性对商业回报具有决定性的降维影响，因此个人更倾向于探索兼具大众消费规模与娱乐属性的“AI for Fun”。 展望通用人工智能（AGI）的未来，胡渊铭预测随着自动化取代常规工作，人类将走向无需劳作即可生存的社会形态。受限于物理实体与现实资源的不可复制性，生成式 AI 的终极人文价值在于为大众提供低成本、高逼真的沉浸式体验，帮助人们突破现实羁绊，在有限的生命跨度内体验多元的生活可能。 胡渊铭以 50 年职业周期为基准，提出每 5 年专注一件大事、容忍 50% 创新失败率的人生算法，认为一生能做成 5 件大事即属圆满。目前他将太极与 Meshy 视作各自走完“0.5”，未来计划推动太极 2.0 成为结合大模型与物理仿真的底层基建，同时带领 Meshy 走向 IPO。他认为应对创业不可逆风险的核心，在于始终保持直面失败并果断行动的勇气。

[29:59] 胡渊明: 很多时候你去面试一个人……当你发现它说的话你完全听不懂的时候，十有八九并不是你有问题，并不是你的认识水平太差，而是它没有把这个事情讲清楚。 [59:59] 胡渊明: Simulator 里面需要有更多的 AI，AI 里面也需要更多的 3D Inductive Bias。要找到一个恰到好处的平衡点，不要越俎代庖，不要低估模型的学习能力，但是与此同时，也不要去真的就把所有的事情交给 Learning。 [64:59] 胡渊明: 如果说我们自己的世界就是模拟出来的话，一个模拟器里面的另外一个模拟器，它是不会比它的母体模拟器更强的。 [64:59] 胡渊明: 因为我们做 Robotics，我们里面流传一句话叫 Control is dead。你会觉得现在 Simulation is also kind of dead？在细分领域肯定还是有很多进展，但是在整个的 Fundamental 的大的 Breakthrough 上面，至少我没有听说太多。 [79:59] 胡渊明: 挺无奈的吧，我们作为一个物种，也许运行在别人的一个模拟器里面，我们居然还妄想造一个自己的模拟器能够模拟我们自己。我觉得能现在看到一些 GPT-4 这样的 Model 能出来，能够 Mimic 一些人类大脑的运作场景，已经是一个奇迹了。 [79:59] 胡渊明: 我们每个人难道就不是在生存在一个柏拉图的洞穴里面吗？我们每个人看到的东西可能比 LLM 还要少呢。 [89:59] 胡渊明: 既然大家为 3D 模型付费，如果我们能以接近零的成本生成 3D 模型，Then we are rich。 [89:59] 胡渊明: 老黄的思考就是这个世界需要更多 Compute。如果我有一个东西能给你更多 Compute，并且它是 Programmable 的，那就会有人来试它到底能解决什么问题……直到过了十年才发现，原来 Generative AI 可以改变整个人类的生活的方式。 [99:59] 胡渊明: 相当于我就是自己把自己开除。其实我在做公司的过程中，每三到六个月就要把自己开除一次……You have to reinvent yourself every three to six months。你如果想在创业这种很 Intense 环境当中活下来的话，最好就是你觉得三个月之前自己是傻逼。你如果不觉得三个月之前自己是傻逼的话，说明你这三个月没有成长。 [99:59] 胡渊明: 搞 Graphics 的人都有很大的特点在于非常硬核，学啥啥都会。你如果每天玩的是欧拉拉格朗日方程，今天让你学个 Diffusion，那太容易了。 [119:59] 胡渊明: 一个 CEO 有多大的格局，他就能做多大的事情。 [119:59] 胡渊明: 如果你工作的目标是让所有人都喜欢你自己的话，那你最终会被所有人讨厌 [119:59] 胡渊明: 把事情做成功，赢。 [139:59] 胡渊明: 你大多数尝试没有什么用，但你必须做出这个努力，因为你不知道你的 100 分努力里面，哪 1 分是有用的。 [159:59] 胡渊明: 让有限的时间通过生成式 AI 技术，使每个人的生命都能无限丰富，这就是世界所需要的最终极的技术之一。 [169:59] 胡渊明: 希望所有看到这个播客的人，都能具备勇气。

[0:00] 用自己的编程语言去实现自己的程序然后发现还比酷大好用的时候我觉得那时候因为很牛逼坏了确实开源是不挣钱的但是你有一个好的开源项目它能够帮助你吸引到最好的人才如果你自己把自己关在办公室把门关着每天做自己的事情短时间之内你当然能产出更多但是五年以后你一定不知道我该做什么所有的 data都是synthetic data或者大部分的 data是synthetic data一定不会work不一定需要我们人类自以为对这个物理世界的那么多的认知他可以自己发现自己的流众利率或者说我在当CEO之前我是个英特尔其实我在做公司的过程中每三到六个月就要把自己开除一次你坐在CEO的位置上你就要为整个公司的利益去负责而不是让自己被所有人都喜欢和平连带没有什么比创业更能锻炼一个人了以下内容是我和Mesh AI CEO胡彦铭的对话胡彦铭从小编写物理仿证程序和游戏开发本科就读于清华摇班后付MIT共读博士他是世界上最优秀的计算机图行学专家之一2021年胡元明博士毕业后创业成立太极图行历经18个月的商业化探索后转型推出3D生成式AI平台MeshMesh现服务用户超400万年营修增长超10倍本次对话涵盖胡元明对科技和世界本质的思考博士期间的自我颠覆创业的生死转型以及每三个月杀死过去自己的智慧和勇气的进化哲学这里是WINOW TV Podcast现在请与我一起进入胡元明的世界胡元明你好你好泰然你身上有很多亮眼的标签比如说清华要办MIT99行冰雪奇缘包括从太极徒行到Mesh AI的CEO我相信你已经对这种标签早就去魅了并且我知道这样的标签完全不能展示真实的你所以我很好奇我现在我们开场的第一个问题我想问你胡言明是谁你会如何认知定义和介绍你自己最简单回答就是我是我自己I am myself我是一个被自己的兴趣和使命感驱动着去做事的这样一个人好像也就是这么简单的一个定义了所以你的兴趣我看到你的经历是在你很小的时候就开始写代码你从小就有对代码对编程甚至那个时候就有对图形学的兴趣了吗我从小就是在玩游戏当中长大你看我现在近视度数应该也能猜到我玩多少电子游戏在很小的时候对图形学的兴趣可能在我知道这个东西叫图形学之前应该就产生了因为那个时候最小的时候玩可能看亲戚朋友玩仙前奇侠传还有那个时候红色警戒还有最早的时候可能帝国时代二当然那个时候没有高清重制版了那个时候都是很早的版本在那个时候就觉得能在计算机里面用加减乘除去创建出来一个世界是非常有意思的一个事那个时候你几岁很小吧可能在上小学之前幼儿园的时候因为我父母是从事计算机方面的教学工作他们在大学里面做老师所以我很小的时候就接触到计算机这个东西我印象中很早的时候我就问过父母一些非常奇怪的问题有一个问题我到现在还没有想清楚答案到底是什么和你今天想问的这些事情我觉得有很大的关系我记得在很小的时候家里住在学校宿舍然后楼下有一棵树可能是桃树还是什么然后每到春天的时候这个桃树就会开花我当时就在思考一个问题当我在睡觉的时候当我不再观测桃树的时候这个桃树到底是自己在默默的生长还是在偷懒保持原样直到我看到它的一瞬间它突然长成了它应该呈现了一个样子然后那个时候我就开始想这个世界到底是如何去运行的后来我就发现我其实作为在这个世界中的一员我没有办法去区分这两个事情因为假设这个桃树在我没有观测它的时候它其实是保持静止在我看到它的时候它突然变成快静到现在这个样子那意味着这个世界背后要做很多的计算对不对那也就意味着如果我只是我很快在这个世界里面去观察很多东西这个世界应该会变慢我应该能观测到它会变慢后来我想我观测不到因为我自己也是被这个世界所模拟的所以你作为一个在这个世界里面被模拟的一员你其实没有办法区分这个世界到底是如何被呃被计算或者被模拟,所以那个时候是很小的时候了当时我在想,哦那这个世界我们其实可以构建一套系统去呃simulate,去模拟这个世界里面发生的所有事情然而在 [4:59] 这个系统当中被模拟的所有的课题他其实没有办法意识到自己是在一个被模拟的世界当中然后当开始真正写代码去尝试真正的模拟一个世界的时候那个可能是上小学以后了你上小学之后就开始自己写模拟的代码对 很早的时候那个时候最早是用Visual BasicVB6.0我记得当时是一个6兆的安装包从什么天空软件源或者是什么地方搞下来然后就开始去写一些最基本的物理仿真的代码所以你其实小学正常的课程是不会教什么牛顿定律的对我当时自己发现了一个事情叫做如果我按键盘上面的上下左右只让物体朝前移动的话都会非常不真实所以我得给它定义一个我用上下左右操作应该是这个物体它的移动的增量后来我才知道这个叫做流顿第二定律所以其实在这个里面其实能让你知道很多非常有意思的事情也可以锻炼很多的逻辑思维能力所以你当时写的就小学写的那个simulator里面可以simulate什么样的东西那个是一个最早当然有很宏大的愿景了就是说我是不是能写一个游戏这游戏里面呢你可以把所有的组件通过排列组合得到一些非常神奇的能够实现各种功能的机器当时其实有一个游戏叫做Crazy Machines叫疯狂机器还是什么的大概就是你有一个网球在这然后你希望这个网球经过你的一系列操作通过杠杆滑轮台阶电风扇面包机最后能够砸到屏幕上一只猫我当时玩这个游戏觉得非常有意思然后这个里面其实是最早的一些物理仿真方面的一些原理就在驱动这个游戏所以我自己对这个事一直就特别感兴趣所以我最早写的游戏我印象中就是一个宇宙飞船然后你可以操作上下左右键让它能够在这个空间里面移动然后可以发子弹后来我还尝试去给它加了一些引擎你可以customize这个飞船你可以给它加两个推进器然后你可以去升级其中一些组件或者什么但是后来好像因为电脑好像是硬盘化的反正代码也丢了然后后来我有段时间我的信息就变成去用RPG Maker XP去做RPG游戏OK那个是一个2D的游戏引擎后来就接触到Ruby然后就去学着写Ruby然后这些都发生在你小学的时候对这个是很早的时候当时其实除了玩游戏做游戏就是我最感兴趣的事情你刚刚谈到你小时候就有一个想法你在想这个世界是怎么运转的这个世界在你没有观测的时候是怎么进行计算现在应该接近十多年过去了你还是觉得我们我们现在生活的世界是一个simulator吗我觉得在作为被simulator的一个课题你在这里面可能没有办法知道这个答案也许我们整个世界就是被一个更高级的文明他闲着无聊然后他去写了一个程序来模拟我们这个世界就像现在大家造这个supercomputer最终可能变成一million个h100100万个h100然后去simulate artificial intelligence在这过程当中你如果是只是被transformer被attention model的这样的一个object你可能很难意识到自己是在这样的一个容器里面那对我们来说我觉得很有可能我们是一个被模拟的一个世界你可以看到一些痕迹对吧比如说为什么会有planck常数它会不会就是模拟系统的浮点数误差它最多的精度就是能表达到这个样子所以在我们观察看来就是一个普朗克常数为什么会有这个speed of light的限制为什么光一个物体只能和未来的光追里面的这些东西能去interact可能就是它没有办法afford世界上所有两个粒子中间去interact所以我干脆给你限制一个light speed然后宇宙为什么会大爆炸那就是它设置着一个数据条件而已然后比我们更高级的物种或者文明他做这个事情的动机就是想看看我如果给这个simulation一个initial condition然后给他一个最基本的physical law物理定律那这个世界能演化成什么样子会不会演化出像人类这样的物种甚至这个物种自己又会去搞自己的新的simulation然后通过这样的simulation满足自己的好奇心 [9:59] 或者说通过这样simulation去train robotics或者说通过这样的simulation去创造一个和自己一样聪明的一个生物或者文明你刚刚说的好像现在都在发生有可能对但是这个没有办法说它是真的还是假的因为你在这个系统当中所以你可能没有办法突破你自己也是被模拟的这样的一个极限所以你小学写了玩游戏自己写游戏然后呢出高中你是不是出高中在做什么是在写更好的游戏了吗初高中其实很多时间是被计算机竞赛给占用其实很多时候就去做算法题参加这个NOI这样的比赛在这过程中其实锻炼了很多这种competitive programming的这样的能力其实就是给你有限的时间在你很大压力之下你得把代码写出来写对这我觉得到现在还是让我很受益的一个事情那么在初中的时候然后可能写的更多的我记得当时写了一个弹簧置点系统这样的一个东西你可以去构建一个soft body当时有一个游戏也很火叫做world of Goose就是你有很多的球然后可以把它连起来搭成一个建筑物有点像以前我们我不知道你们玩过一堆磁铁和一堆钢珠磁地棒你可以把它搭起来搭很高当时在计算机里面它表现出来就是一个mass spring system然后一堆球然后一些弹簧我应该还有一些相关的视频然后到了好像是到了高中的时候当然很多时间还是在上课和搞精彩当中度过了但是后来我也不记得是高级的反正当时就在研究OK我是不是可以去simulate一些rigibody然后我觉得东米诺骨牌是很好玩的事情然后我就想在电脑里面去搞东米诺骨牌因为我在现实世界中好像堆了一个东西没有场地然后一表心碰一下就全部完蛋了我就在电脑里面做可能更有意思所以当时就去在计算机里面去做这种rigid body simulation钢体的一些动力学然后在这个过程中我就发现其实大家对于很多的事情的建模是非常不准确的就比如说两个钢体之间的creation或者他们的摩擦friction这些的model很多都是一些近似model但是我还是对这事情很感兴趣然后后来就是到上大学以后就开始研究流体然后到PhD的时候还是在做deformable object然后这种弹速性体elastoplastic object和一些气体的仿真所以你刚刚说你在高中的时候做多米诺骨牌的时候你就意识到哪怕是rigibody的contact or friction也不太准确对所以在高中之后你就到了清华当时是摇班应该还是比较早期的摇班应该也有十年了吧我应该不算是最早的学生现在回忆起来你觉得那段那四年你还有什么我觉得收获非常大昨天我们还同学聚会我有个朋友过生日然后在湾区这边大家一起去他的生日聚会上到现在我们的关系都非常好我们已经毕业了快10年了17年毕业的到今年应该是8年每年还有聚会我觉得在这个过程中可能收获的最多的就是一帮非常厉害的同学这些同学里面有人是平时好像也不怎么学但是每次考试都能考100分然后有人是以前竞赛可以轻轻松松拿到ACM World Final的金牌大概在那边就意识到一个事情叫做这个世界上有很多厉害的人我觉得这个光是这样的一个事就足以justify就是足以说明这个四年是非常非常有价值的四年了所以其实在摇班之前你应该都是特别突出的然后突然到了摇班你意识到还有这么多厉害的人其实不是其实在大概初中的时候搞竞赛的时候那个时候就在和江苏江苏省的这个省队里面其实认识了很多厉害的人所以我觉得其实更早的知道一些厉害的人对一个人的成长是有很大的帮助的嗯他会让你知道哦原来这个天外有天人外有人嗯原来自己也没有自己想的那么厉害原来自己还有很多可以提升的地方所以我觉得在搞竞赛和摇班包括后来到mit在这过程中嗯能够不断的去遇到 [14:59] 你会发现还有人这么厉害在这过程中其实对我自己的成长也是有很大的帮助的正向的是成长那么有没有某个瞬间让你觉得非常挫败有很多这样的瞬间这个太多了我记得在清华的时候印象最深刻的就是我们上的第一门课叫做计算机应用数学然后当时第一次考试考完考完试考得挺难的因为其实好像我印象中的课和一般的学院的课不太一样一般你到清华你会先学微积分先行代数概率论这些东西然后我印象中立门课好像是直接就assume你会的这些东西然后直接开始给你讲然后最离谱的是我记得老师就说这个知识点我上课没来得及讲所以我就把它出成了考试题目希望你们在考试的时候能够掌握这个知识点Anyway这是很intense的一个环境然后有一次比较挫败的是第一次考试然后考完以后大家都觉得题目好难然后有一个同学说我要挂科了好难好难然后最后发现他考了98.5分我好像在书上看到过对但我和他现在还是很好的他自己也在国内搞robotics方面的一些公司所以我觉得这个是对人的一种怎么说非常的开眼界非常的eye opening最近在本科的时候就开始做科研了并且是图形学的科研对最早的时候当时图形学有一个困境就是其实要在中国去做图形学我觉得好像机会不太多所以我基本上都是自己在宿舍里面捣鼓所以在那个捣鼓的过程中基本上就是自己看看SIGGRAPH PAPER然后看看这个效果好炫酷我能不能自己实现一下然后实现了很多的SIGGRAPH PAPER然后在这过程中也积累了很多对于像物理仿真像rendering渲染这里面的很多技术很底层的了解然后当然也发现了很多paper他没有把所有的事情都写出来这个其实也让我比较早的意识到科研其实有很多的局限性不能太迷信paper里面说的事情为什么当时你觉得在中国做图形学不太有那样的土壤最优秀的同学都去搞AI了哪怕是13年到17年的那段时间对当时正是神经网络很火的时候我记得12年的时候AlexNet出来了然后到后来就是Resnet然后这个AlphaGo那整个graphics其实不算是最好的方向最优秀的人或者说就是如果说你没有太想清楚自己真正喜欢什么事情很多人其实会去搞AI然后很多人也搞得很不错我有很多同学他们后来就搞出来影响力非常大的工作你当时考虑过去搞AI吗我也去搞了一段时间AI我觉得挺不错的当时我是到了微软亚洲研究院MSRA里边的Steve Lin老师里边去intern了一段时间他们组叫做internet graphics网络图形组然后我去了以后发现所有人都在搞AI我就也只能也就去搞AI最早的时候大概是大三下学期的时候那个时候开始做一篇CVPR paper是关于用神经网络去预测wide balance的一个paper后来发载了CVPR 2017然后后来看到AlphaGo我觉得AlphaGo我觉得RL这个东西很好Reinforcement Learning然后又去想办法用Reinforcement Learning去搞图片的后处理当时Gang也很火然后我就想去试试GAN然后我就把GAN和RL两个东西整到一起最后train了1000多个model才train出来一个勉强可以的model最后我就发现这两个技术好像也没有那么成熟这个就是我对AI的最早的一些印象那个时候我觉得RL还停留在什么A3CPPU那个时候还没有有没有PPU好像还没有那个还是actor critique然后好像加了一个vontage什么的对对对对DDPG那个时候所以各种稳定性的问题也没有解决其实我觉得到今天这个sparse reward的问题都没有解决它还是靠pre-train然后再加上RL去fantune去解决了这个问题但当时其实没有这个认知当时觉得通过RL应该能理论上能够 [19:59] 这些东西给吹好今天也没有解决今天到今天其实都没有我们过去一周捏了一周的reward function所以其实你本科搞AI的研究搞了不少搞过一些吧占你本科研究的百分之多少最后发生论文的全部都是AI的研究graphics一篇都没发出来其实第二篇是AI加graphics所以最后发表在了transaction on graphics也就是cgraph上面不过这个其实没有在我本科的时候做完后来是我到了MIT这个文章才被接收然后发表出去所以你到了MIT之后当时想过自己要做什么吗还是你非常坚定我要做graphics当时就非常坚定想做graphics哪怕当时应该是17年我觉得当时的氛围应该是C-Cell很多人都在做AI你当时非常坚定的你知道我还是会做graphics我觉得这个有一个因素是其实C-SEL没有很多人在做AI我觉得整个MIT和Stanford这种靠近产业中心的学校比起来对于AI的接受程度其实要低很多其实这个和整个Boston地区的创业氛围有很大的关系由于它没有产业的驱动整个Boston这边其实做的更多的还是Bio因为你看Boston的这个初上公司基本上是这个Bio领域的初上公司比较少有AI领域的初上公司对我印象很深刻的是去Boston的时候感觉全是BioTech的公司对对所以这个其实导致MIT在我这是我的理解我觉得这个可能导致了MIT在整个AI的时代跟的没有特别的紧我觉得这是可以是好事也可以是坏事对吧我觉得这个可能得辨证的看所以17年的时候其实大家很多同学还是在搞很传统的很多的东西比如说各种compiler for simulation 3D printing大家会尝试把AI去结合到里面但是我觉得这种fundamental的AI方面的research其实从MIT出来的并不多我觉得在MIT其实很幸运的是我在读完Master以后我其实换到了我后来的两位导师的组里面一位是Fredo Durand还有一位是Bill Freeman然后在他们两位导师的指导下其实他们都比较hands off对我的研究没有加太多的约束所以我可以比较自由的去做我的research在这个过程当中我觉得我是非常enjoy这段时间的但是你跳过了可能第一年你不太enjoy对不对因为我看到你在很多地方都说过第一年差点在MIT当时想退学了对当时差点退学退学的原因是当时我和我的第一年的导师的研究兴趣并不是特别一致然后我就是一方面要去我有自己的research interest我有自己研究兴趣另外一方面我还得去满足他那边可能有一些方定的约束什么的所以我就有很多的时间要干自己不那么enjoy的事情我恰恰又是一个你让我干我enjoy的事情我可以百分之一千的努力但是你让我干我不那么enjoy的事情我可能会很痛苦的这样的一个人其实在这个过程中我大概学会了一个事情就是我只能做自己enjoy的事情如果说一个事情我没有那么enjoyI would rather not do it我宁愿不做它我也不会去开始一段痛苦的这样的一个经历但是你我觉得有一个很强的天赋是你很清楚知道自己enjoy什么其实很多人可能没有这个认知或者说在他早年求学时期你让我做什么我就做什么你在什么时候意识到我喜欢这个我enjoy这个这个在多久多早的时候就在你心中有这样的认知我觉得很小的时候比如说我自己知道自己很喜欢写程序这个就是很早的时候可能是在上小学的时候我就知道我一天不写程序我浑身就难受所以在这个时候我就知道我很喜欢去创造一些东西然后恰好C++ Python又是一个非常灵活的一个building block它就像玩泥巴一样但是泥巴可能没有C++和Python用钱那么顺手能让你去构建出来一些东西我觉得确实相对来说是比较早的知道我到底enjoy做什么事很多人他不知道到了很后来PCD读完了甚至都可能不知道自己喜欢什么你觉得这是你的天资还是运气还是各方面综合的因素我觉得 [24:59] 签字就是运气对不对你就是genetically你抽中了一个比较好的基因所以你恰好在这个时代又需要你这个基因能做的事情所以我觉得可能99%都是运气然后甚至你能努力也是运气的一部分因为你有这个运气所以你知道你喜欢什么所以你可以努力所以我觉得运气是非常重要的一个事情第一年当时有些你和导师的研究兴趣不一致有些funding project的压力后来是什么契机或者说谁的帮助让你走出来当时想退学的状态我觉得一个就是在当时还是发了不少落文的那个时候还算比较productive虽然很痛苦但是比较productive另外一个其实我也和几位学长聊了聊在清华的他们是我在清华学长然后当时正好在相关组里面做postdoc或者是很senior的PhD所以和他们聊了以后就觉得可以在MIT内部也许找其他组换导师后来就换了导师然后觉得日子就其实好过了很多所以其实当时你就和学长来具体有谁 他们告诉你有什么故事主要是家俊和俊彦然后其实在和他们聊一是聊科研到底有什么能做的然后家俊就跟我说你要不试试把你的 simulator搞成definable你可以求 simulator的导数那么那个后来就变成了Chin Quinn和Deep Tai Chi两篇paper其实这两片favor都是很有意思的两片工作是把simulation和robotics能够结合起来然后俊艳跟我说了说做一个有impact research的重要性然后当然我后来自己也figure outOK其实去在MIT其实还是有很多的事情可以做这是一个非常好的平台然后这边有很多优秀的人所以后来觉得再加上当然对世俗来说你从MIT能博士毕业这个本身对来说是一种certification那么在别人对你没有任何了解的情况下你有certification是有用的对吧那最重要的是我觉得我还是认为留在MIT可以去做出很多有意思的工作如果现在你成为给当时开届一年级胡言明PhD的学长你现在会对他当时说什么特别好的问题我觉得还是要打开眼界先多花时间想什么样的工作是重要的工作然后再去执行这个计划这个在你知乎的那篇文章谈了很多我记得当时也quote了爱因斯坦那句话他说我会因为花95%的时间想什么问题然后花55%的时间去解决所以你觉得你当时博士一年级花在想什么问题重要这事的时间不够对 我觉得一方面时间不够另外一方面可能客观上当你去发了足够多的论文灌了足够多的水之前你可能不知道什么样的问题是重要的问题可能都没有这个认知对 你可能发了一篇论文为什么我这个文章我觉得我做这么好我和别人聊起来的时候他们一点也不exciting为什么我的这个文章只有这么小数的几个人关注呢对吧那当你经过足够这些挫败也好反思也好你才可以知道OK原来一个好的方向应该是什么样的需要一些经验你当时没有这个认知去找重要的事情然后你在你的那篇志物文章说里面是每一个MESI奖学金的人你都会问他你做的事情重要吗对我特别好奇你现在最近做的最重要的一件事情是什么为什么他重要特别好的问题这我可能得想一想如果是从公司层面来说最重要的事情就是招聘因为其实你说一个但是可能就从学术界跳到如何创业的问题了一个公司其实最核心的竞争类永远是人才你只要有最好的人才就能做出最好的产品最好的产品就可以有最多的用户最多用户就可以有最多revenue然后revenue又可以被投在R&D上面你又可以去找更好的人才所以我觉得talent acquisition一直是一个CEO最重要的事情之一你现在作为一个CEO最重要的事是recruiting找更好的人没有比这个更重要的事 [29:59] 没有哪怕是公司的战略方向我们要做什么product你觉得都比不上找更好的人进来我觉得这个同等重要吧一个就是思考这个公司road map和strategy还有一个就是recruiting当然我还有一个同等重要的事情就是比较hand zone的去参与到公司的日常事务当中我觉得这三个事情可能是recruiting加40%然后思考未来30%然后去紧密的参与到业务当中30%其实这个问题应该待会儿再问但我迫不及待想问了你现在作为一个CEO你想招最好的人才什么样的特质会让你觉得我好想招他我好想招他来我的公司我觉得这个很多时候是凭感觉判断的但是普遍看下来这样的人都有一些特质我觉得可能总结下来是四点吧第一点叫做hungry一个hungry的人他往往还没有证明自己他特别想成为一个更好的自己他特别想去一个成长快速的地方去开创自己的一番事业那这种对于做出impact的饥渴感是很重要的那么如果说你去找一个已经很功臣名就很well established的人他可能就不会愿意去take the risk去做一些能让自己的职业发展跟上一层楼的事情这个是hungry第二个是humblehumble就是谦虚其实我在招聘的时候很重要的一个事情就是看这个人是不是open他能不能意识到自己OK还有很多事情没有能够做好因为其实一个人最可怕的事情就是他已经无视事实已经不断的去编用这种扭曲的现实来去安慰自己觉得自己做的还不错这种事情你可以在历史上看到很多的灾难发生的原因就是因为没有去直面现实当你直面现实了以后你就会发现我得采取什么行动原来我还有这么多地方没有做好那humble是我很看重的一个点如果说一个人不humble不open那他就算现在这个时间点再厉害他在未来也不会向前进或者用一个术语来说就叫做growth mindset这个人是不是能不断改变自己不断否定自己不断的去成长如果不humble的人是没有办法成长的也听不进别人的意见第三个叫做smart你当然希望和聪明的人在一起所以smart就是他可以很resourceful的想尽一些办法去解决问题比如说我虽然计算资源很有限但是我想到了一个很好的optimizer我现在trainmodel可能是原来两倍的效率我可以用更低的floatingpointprecision去train一个model我可以通过一些hack使得我用更少的资源能办到更多的事情他们是最好的problem solver在创业公司其实很多时候你并不需要好的manager你需要一定程度的management但是你更需要的是每一个individual contributor他都是一个很好的problem solver他能够解决问题第四个我觉得是clarity他的表达应该是清楚的它说的话你应该能听懂很多时候你去面试一个人或者说和一个你觉得水平比你高的人去聊天当你发现它说的话你完全听不懂的时候十有八九并不是你有问题并不是你的认识水平太差而是它没有把这个事情讲清楚我觉得清楚的表达对于一个团队协作对于一个团队的凝聚力还有对于一个人的思维方式都是有很大的帮助的很多时候表达不清楚不是口才不好而是头脑里面就没有想清楚头脑里面想不清楚的人他往往就不会具备这个humble和hungry两个还有smart这三个属性所以总结下来就是hungry,humble,smart和clarity这四点你又没有犯过错误你有没有在人生某个阶段不 hungry 不 humble 不 smart 和没有 clarity非常好的问题我觉得我经常犯这样的错误那么我每时每刻都在想我刚才讲的这个事情是不是能让我的听众能听懂这个事情是我每时每刻都在反省的这个其实又涉及到 clarity 的问题 [34:59] 其实比如说我们在录这个podcast我也得确保我表达的所有观点都清晰的传达到了泰然你这边还有你所有的听众里边在以前的时候我觉得clarity是我很早克服的一个问题当然我觉得clarity有很多不同的表现一个最常见的表现就是这个人会说很多在和其他人相处的过程中他会想办法把Dominion这种对话而不去听其他人在讲什么然后他说了很多但是其中可能只有10%的内容是对方能够接受的我在很多的新管理者身上能看到这样的问题我自己刚成为管理者的时候也会有这样的问题直到我后来发现说不重要听最重要这个其实是比说很多重要的多的一个事情Clarity方面Hungary方面躺平Hungary的反面我觉得就是躺平我有没有躺平过可能一直也没有躺平过一直我觉得还是比较努力的一个人所以当然这个底层是运气因为我可能能身体状况支撑我能一直很hard work所以这个hungry其实底层是运气然后humble那我觉得我每时每刻都在被社会毒打总是发现我还有这么厉害的人那我觉得每次当我觉得自己还可以的时候去看看做的最好的人是做了什么样的就发现哦那原来还是有很多提升的空间那我觉得Humble这个错误我应该是一直在犯的但是我知道自己有这个问题所以我就能correct myself纠正我自己smartsmart这个我觉得怎么犯一个smart的错误呢我觉得smart这上面可能犯的最大错误就是be smart about the solution但是忽略了being smart about strategy就是你花太多时间去想这个号的问题但是没有花太多时间去想why就像你刚刚说PST第一年的时候对包括其实做公司也是一样这个公司其实也做了四年左右的时间了其实和很多创业公司一样我们最早也经历过了几次转型其实每次转型都不是说我们不够hardwork而是说我们没有去figure out why的问题做了不对的东西我觉得这个部分我们等会会着重讲然后我想再回到你在那篇文章讲的如果你重读PhD你会做出的四个改变和坚持的东西一是你说你当时可能不会选择去NVIDIA写太极而是会接受凯明的offer去Fair可能会做AI的研究当时可能对你来说去NVIDIA写太极是一个更舒适区里面的东西为什么突然一下你就觉得当时那个选择有没有犯刚刚的四个错误之一导致你去了NVIDIA还有去菲尔首先我觉得NVIDIA也是很不错的公司去那边也是不错选择吧但是我觉得如果说在更早的时候能去参与到AI更exciting的一些frontier那会对我帮助更大一些当时是几几年的夏天当时好像是20年的暑假那个时候是COVID对吧20年的暑假然后第二个点你谈到的是你说你还是会work hard还是会去做太极但是不会把太极那么局限在physical simulation上对我觉得当然这个可能是一个可能会变但是其实as of the day你今天去看太极在simulation其实是一个相对来说比较小众的使用场景当然随着embodied AI这些巨神智能的技术不断在朝前演进那么能用上simulation的地方应该会变得越来越多所以在未来可能会不一样而且我觉得太极的使命可能也只是才完成了一半后面我还想去和大家一起做太极2.0有很多很exciting的事情可以基于太极的这个框架下去做但这有一个顺序的问题对吧其实如果说更早的把太极去朝着像优化Transformer这样的架构这样的方式去做的话那可能现在太极是Treton的这个位置它的使用的场景会更多一些 [39:59] 也许它的impact就会比现在大很多太急我们等会着重讲然后第三点你说你还是会以一年PhD为目标对即使这个目标根本不可能完成但是你觉得这样可以让你尽快开始下一个更有意思的事对我觉得设立高目标一定是很重要的我还是会以一年毕业作为目标然后我觉得永远都是一个求上而得中求中得下求下而不得的这样的一个过程所以其实尽早毕业你觉得会是一个PCT很好的目标吗因为其实很多人也说你不要急你慢慢做对对对我觉得不同人有不同的选择OK对我来说其实我觉得关键还是看你在读博士的时候你在这个位置上面是不是最适合你做你内心想做这个事情的一个一个环境如果说你现在的环境就是我就是想去在学术界继续去做我也能接受学校里面可能没有这些计算资源我也能接受我做出来的工作他距离用户可能有一些距离但他在学术界影响力可能会很大如果你想要了这个事情那当然那多在PhD多花一些时间其实也挺好的但是在我当时的时候读博士读到后面的时候我已经不知道再读博士的话应该去做些什么那当然可能当时也没有去看到太前沿的像AI这方面的一些东西所以其实坦率说也比较迷茫不知道再读博士的话还能做些什么这是你博士第几年的时候你就意识到好像没什么可做了大概是在第三年就是快毕业的时候不过当时其实Paper也有足够多的影响力了所以当时两位老板也就让我提前毕业了这也引升到第四点你说你如果重读PhD会花更多的时间和不同领域的人厉害的人去交流而不是天天把自己关在宿舍写太急是我觉得这个事情是我自己从小到大都没有做的很好的一个事情因为自己性格实在是太内向了跟别人交流就会觉得很累所以就很倾向于跟坐在电脑前面和NVCC和LVM打交道所以确实对外的沟通就少了很多我记得Rich Hamming就讲到一个点如果你自己把自己关在办公室把门关着每天做自己的事情那短时间之内你当然能产出更多但是五年以后你一定不知道我该做什么所以他的一个argument就是说你在办公室里面你应该把门开着去多去听一听其他人在做什么让其他人能够更容易的去找到你告诉你说原来这还有一个这么严重的一个问题他们解决不了但是我的技术可以去帮他解决这个问题我觉得这是一个很好的一个一个mine set包括其实像现在做创业公司其实很多时候多和一些客户去聊一聊然后听一听他们的反馈也是对整个团队都是很有帮助的一个事情但是因为我自己内向性格所以我得逼着自己去做这个事我觉得你已经很外向了我是一个和别人聊天我要消耗很多能量的人所以最后就变成用鞋代码来恢复这样的能量刚刚你提到Rich Heiming我觉得我很高兴我可以用他来引这个影子来引出我们下一个chapter这个chapter我想和你聊太极graphics和physical simulation所以第一个问题是一个Rich Heiming style的问题什么是computer graphics这个计算机图形学领域最重要的问题是什么哇这个是一个很好的问题但是我想不同的人应该有不同的答案那我的答案就是Computer Graphics就是用加减乘除创造一个虚拟的世界因为不管是CPU还是GPU它都只能做加减乘除开放三角函数但是你却要用这些东西最基本的Building Blocks去创建出来一个栩栩如生的也许像Cyberpunk 20202077或者是这个务师三这样的游戏画面出来我觉得是非常非常吸引人的一个事当然他现在整个computer graphics是个行业他有一些产业上面商业上的一些困难所以他可能不像AI或者像data这么的火热 [44:59] 但是依然有很多热爱他的人在继续做这方面的一些创业一些事情但我觉得整个computer graphics发展是非常有益包括现在其实AI用的硬件也是基于graphics最早的时候演变出来的对吧所以这个里面其实graphics还是为很多的学科铺平的道路的那graphics领域最重要的问题是什么看不同的时代吧在最早的时候graphics其实很局限在就是可视化和真实感渲染这是最早的时候可能是21世纪之前的这段时间也许95年之前到了95年以后大家发现可以用graphics去做一些物理仿真我觉得最早的论文可能是像Rome Fertical的一辈人他们去做的一些烟雾模拟这些simulation方面的工作那篇paper好像叫visual simulation of smoke大概是9596年的时候然后到了那个时候大家就发现OKOK这个流体好像也可以做然后大概开启了到今天为止还在进行的各种simulation方面的一些话题这个的重要的目标就是在计算机中还原真实世界的物理效果当然graphics它有一个特点就是它可能更面向的是视觉特效这个行业然后随着这方面技术的溢出估有一些也被用在robotics方面每一个技术它可能一开始的初心都是做一个事然后后来发生做着好像其他问题也可以解决这个是一个技术的一个diffusion的一个过程simulation是做这个事情当然还有一些其他的学科其他的branches of computer graphics比如说计算摄影学computational photography你玩很多相机你应该知道整个成像后处理这里面有很多的学问如何去做比如说Super Delusion提高照片的分辨率但这里面其实很多的由于它使用的是像卷积神经网络这样的技术很多时候大家也会把它和CVComputer Vision给放在一起所以Vision和Graphics一直是不分家的两个学科了我们了解了什么是Graphics我想知道什么是太极为什么要做太极太极在解决graphics里面什么重要的问题最早的时候太极主要的应用场景就是simulation就是希望用一套好的基础设施使得仿真能够被推到一个特别大的scale那我整个phd最终实现的一个目标就是我可以在一块GPU上面去run11个粒子的仿真你做了1 billion particles using Tai Chi这个在太极之前是完全不可能在太极之前对完全不可能为什么不可能呢因为你要去实现这个事情你想11个粒子1 billion particles然后我记得当时是在一块3090GPU另一个GPU是24GB的显存VRAM那24GB的VRAM也就是说你每一个particle占的那层空间不能超过24个byte只有这样你乘上10的九次方你才能塞在一块显存上面那为了实现这个事情我在编译器里面做了很多事情当时我记得16位的福点数我都舍不得用是用的是一个particle它的xyzx是用我想把它压到一个32位的整数里面所以好像是x用了11位y用了11位z只能给它10位这样11加11加10正好是32但是你如果没有一个compiler你如果是自己去写这个东西的话写的是非常非常痛苦的所以当时就做了一个工作叫做quanttachi可以把太极里面data structure全部都去quantization变成一个low bit这样的一个数据结构这样才能使得一块GPU上能fit11个例子所以其实你可以看到太极要解决什么问题太极是解决一个infrastructure上面的问题使得我们的simulation通过这样的一个infrastructure能够更容易开发运行速度更快更省内存然后这个和周围的生态环境变得更加友好而且还变成Differenceful还是可谓的这样才在很多robotics场景里面就可以去使用为什么前几十年graphics的community没有这样的努力有其实在很早的时候我其实觉得cooler就是这样的一个努力 [49:59] 那么Cuda其实是在C++上面它沿用了C++的语法使得每一个C or C++ programmer每一个C或者C++程序员都可以去编写GPU程序编写并行的程序那么用尽可能接近C或者C++的语法实现了这个事情但是随着时间发展大家发现好像C++逐渐的很多位置已经被更高级的语言更容易开发的语言像Python这样的语言去取代了甚至出现了很多方法在Python里面去写高性能的程序最典型的一个case就是Pytorch其实Pytorch它就是一个相当于abuse了Python的很多语法让你在Python里面可以实现高性能计算的这样的一个框架太极其实也是一样的那在Python这样的高级语言没有成熟之前在LVM这样的compiler infrastructure没有成熟之前在NPM material point method这样的simulation approach成熟之前在GPU program也没有成熟之前你去做这样的一个事情其实是很难make a splash的没有办法去造成impact没有办法有很大的影响力我觉得当时可能是一个比较好的时机对我来说我自己也喜欢捣鼓这些东西当然你可能还需要一个比较出身流流不怕虎觉得自己能造一个编辑器的年轻人开始做这个事情这个勇气其实也很重要所以当时你在MIT写太极相当于是自己solo做这个project那是什么样的体验很爽很爽就是可以我找到了一个点这个点就是我可以做我自己喜欢的事情还可以发paper还可以开源它还可以让很多人用这个玩意还可以把自己搬到关在一个小房间里面不用和任何人打交道还可以让我的导师觉得你干得很不错然后还可以用他用我自己造的轮子造轮子然后这个我觉得就是从底层开始的造轮子是我自己很喜欢的一个事情所以基本上做太极这个事情就让我从汇编像ptx一路写写写写到知乎文章去宣传这个工作把整个full stack都做了一遍我觉得对我自己的能力是很大的一个锻炼其实现在回过头来看我在当时相当于做了一个产品经理就是分析用户需求一个simulation的人他到底需要什么样的infrastructure因为我自己就是用户所以我可以变成一个很好的program manager在这过程中我学习了很多产品经理应该具备的一些能力然后我也扮演了一个scientist的一个角色就是去了解最新的技术能如何convert成一个好产品被大家能够去使用我也做了一个很好的工程师的角色包括给了GitHub Project去setup像CICD像整个软件的架构像很多C++层面的性能优化包括多线程的并行的编译编译的cache整个中间表示的设计这些其实是工程师做的事情然后还做了一个CEO该做的事情就是如何把这三个角色做的成果整合起来让更多人能用上所以相当于某一种叠加态或者是一个雌雄同体的一种状态也好就自己闭环把这个事情做出来了我能想象这是一个听起来非常浪漫的个人英雄主义的PhD的故事特别是在波士顿因为可能下三四个月还是在COVID期间四五个月下雪你在自己房间里面外面飘着额毛大雪然后你在里面既当工程师又当前面青又当科学家这个过程中你现在回看那几年有没有什么瞬间你觉得特别感动或者说有没有瞬间你觉得太极会改变世界首先我觉得我不需要那种时间来驱动我自己继续去做这个事当然可能有几个时间我觉得特别有意思的比如说当我第一次把用自己的编程语言去实现自己的程序然后发现还比库大好用的时候我觉得那时候因为很牛逼坏了对吧那你就是你看老黄找这么多人去造这样一个program language居然还没有一个PHC论做出来的东西但只是在某个细分领域好用了那个时候我觉得是很有意思的一个事还有一个瞬间是我给太极去加上AutoDiff的时间我大概花了三四天时间把太极的程序从只有Forward变成能够Backward记得我当时在Adobe时期就在Sanho Sage里面 [54:59] 然后呢我实现了第一个N2NDifferenceable的一个softbody simulator一个NPM simulator把我当时用Cuda写的那个Chin Queen的那个code变成加上一个AutoDif两行代码就把它变成一个Differenceable的一个code这个时间我觉得特别有意思我也觉得只有自己造了一个编译器才能做到这个事情就刚刚谈到一个关键词因为太极其实是一个开源项目对我特别想好奇你现在对开源的看法是什么因为太极是个很好的开源的physical simulation的编程语言然后其实现在也有像Lama这样的开源的LM他们好像都有一个共性就是不挣钱我现在特好奇你现在觉得对开源的看法是什么创业公司应不应该做开源我对这个问题的看法有过几次反复就是不断在反思自己之前对这个问题的judgment是不是正确的那当然最早的时候当然是开源大法好啊那时候是在mit的时候当时很多graphics paper都是没有开源的没有代码附加在上面的那我当时做的一个事情就是我的所有paper的所有实验结果都可以通过一个命令行全部复显出来你如果去看当时太极的代码你会发现他的所有的实验结果都有一个command line然后你去运行这个command line就可以把这个结果端到端的给他浮现出来那这个是我当时在做博士的时候当时觉得开源是非常棒的一个事情后来博士毕业以后做公司最早时候就觉得OK成熟的开源项目其实有的也可以做得很大像这个DataBricks他们其实就是从一个开源项目开始做然后现在其实是没有上市的最大的独角数之一了那么做公司的最开始的时候就是想继续去做太极也做了文档也做了很丰富的社区然后也有越来越多的人来用但是后来其实商业化上遇到了一些挑战当时一段时间我觉得OK是不是商业公司开源在商业公司还是九四一生的一个事情因为你都把你最好的东西给人家了你怎么去赚钱呢这是很现实的问题所以其实有一段时间太极的研发我们投入就比较小了然后当时其实那段时间我们也有很多经历就在做Meshi这个新的项目所以太极利博同学就调过来做Meshi然后随着时间又到今天因为今天其实Meshi的商业化做的已经相当不错了我们有不错的营收然后我自己也有一些额外经历来思考重新思考开源这个问题确实开源是不挣钱的但是你有一个好的开源项目它能够帮助你吸引到最好的人才和最好的客户相当于它变成了一个marketing的手段大家可能做技术的同学会对marketing这个词非常的抵触但是其实在很多行业里面研发和marketing是同等重要的事情就比如说游戏行业假设一个游戏我花一亿人民币去研发我花一亿人民币做市场是很正常的事情大家可能觉得我做一个产品OK 投入个一个亿我顶多花100万做marketing差不多了对吧 你可能会觉得OK 难道市场渠道还能比研发本身花更多的钱吗很多时候不是的很多时候市场和渠道它就是要花很多钱所以你如果能通过研发的形式去做市场和渠道That's great而且我作为技术出身的创始人我又不擅长去做那种传统意义上的营销我还不如做一个好的产品做这种技术上的营销通过我把代码给你的方式来建立信任来让你知道我所以其实开源在一个出厂公司当中我觉得有它的位置但是这个得非常strategic对非常strategic你得想到一个好的商业化的方式和它互补这样你整个事情才能够闭环的做下去要不然很快大家就会问你OK我们为什么要有一个部门在做开源也会影响你整个公司的竞争力但是你用的好的话它是能增强整个公司竞争力的当然我觉得最根本的事情对我来说我还是很热爱开源很多时候一个人为什么创业就是希望能有一帮人一起去做一个理想当中的事情既然开源在我这个founders的理想当中他一定是会被以各种各样的形式你是甩不掉的直到你可能又会走到开源这条路上 [59:59] 太极两个标签一个是开源另外一个就是他当时最大的application是physical simulation对我很好奇就是如果我们想让physical simulation对于robotics这个领域更有用还有什么需要做的事情哪些方向是最高的priority特别好的问题我觉得现在的simulator可能某种意义上需要变得更加data driven和Neural的这种神经网络的这种方式去结合这不意味着流动第二定律不准流动第二定律是准的相对论也是准的但是很多Boundary Condition可能是不准的很多的像Hooks摩擦定律它的这个模型可能是不准的因为世界上有太多种不同的摩擦了那光耗表面和光耗表面它的摩擦机制和你把一块玻璃放在一个湿漏漏的表面上的摩擦机制是完全不一样的这些建模全部都是不准的所以这些simulation和reality之间的gap就需要用data driven的方式去给它close上另外一方面呢虽然现在大家都讲究end to end但是你还是能看到在这个里面有很多的大家会给这些end to end neural network去加入很多的所谓的inductive bias最经典的一个例子就是最近的大家用了比较多的这个transformer里面的roperotary positional embedding它是一个通过辅述去实现的一种相对的positional embedding那你如果说我抛弃这些inductive bias我连transformer都不要我直接是全部都是MLP从头到尾全是dense connection是不是可以呢你如果有足够的compute足够的data可能是可以的但是事实上你没有所以你就只能通过一些从现实的三维世界中一些物理视野中得到的inductive bias去inject into your learning system我觉得这个其实是physical simulation和neural networks或者AI能够结合的一个特别好的地方simulator里面需要有更多的AIAI里面也需要更多的3D Intacted Bias要找到一个恰到好处的平衡点不要越阻带袍不要低估模型的学习能力但是与此同时也不要去真的就把所有的事情交给learning很多的一些底层的一些insight是非常有助于这个系统去学的我们如果想把现阶段的基础有段第二定律的rule-based simulator变成learnable的你觉得哪个部分应该train用什么样的data我们先说一个使用场景我觉得这样可能更举例可能会更好一些对吧比如说你如果是做video generation你可能需要一个camera model如果说你能有办法把世界里面的这些所有的这些object不是用pixel去表示而是用一种3D的representation去表示然后你把camera projection这个事情给它hardcode住你是不是就能省掉很多的参数去学习camera projection实际上camera projection这个事情在traditional graphics里面就是一个50flops之类能做到的事情但是你用AI去做你可能要加上一个billion的参数对不对所以inducted bias在这个里面是非常有效的或者说现在大家做video model里面很经常遇到的一个问题就是我camera转360度回来我看到就是一个完全不一样的一个世界那你是不是对这个世界有一些基本的用particle也好用voxel也好的一些3D modeling至少你可以把physical persistency的问题给解决掉那如果让你去看待现在市面上我们能用的simulator从IzacMujokoDrakePiBulletGenesis所有这些simulator他们都有那些问题在你看来我觉得共同的问题就是simitor real gap因为这些simulation它当然有一定的预测性但是实际上我想每一个用simulator的做robotics的人应该都知道你要把这些参数都调队你要把这些然后让这些solver发挥到最好的状态其实是相当难的一件事情明白可能在未来的simulator里面它当然会有流顿第二定律没有意义说我用一个transformer去重新把流顿第二定律选一遍我用etflops去predict它下一帧的位置本来可以一幅度设计 [64:59] 就做完做好的一个事情你用ETFLOP去做那当然不make sense但是你也考虑到整个物理世界的复杂性你也没有办法说直接去用这种不管是刘顿定律也好还是欧拉拉杠日方程也好还是Navi Stocks这些东西去model他们其实都是近似这个时候你可能需要很多的learnable的一些系统去帮助你去capture这些真空环境下work的物理定律在现实有空气阻力物体表面不是钢体或者说边界条件和你想的完全不完全一样你也没有办法去measure边界条件的情况下这样的系统该如何去尽可能真实的对你的training有帮助我觉得这个是一个很有意思的physical simulator和neural deep learning要结合的地方其实太极如果朝这个方向发展的话有很多事情可以去做你如果要做这个事那你就必须要有一个underlying的一个infrastructure使得它可以非常高性能的继续像npm一样去解它的elastoplasticity与此同时呢它的整个材料可能能够比如说它的stress strain curve那这样的stress strain curve是不是可以做到data driven那你就需要高性能的神经网络的这些单元塞在这些simulator里面去我们从流伦定律包括你现在谈到要data driven我特好奇是physical simulation物理模拟的极限是什么我们到底能够从多大程度上模拟这个世界如果我们真的可以完美的模拟这个世界是不是我们就可以从里面比如说造出AGI就我这个极限到底在哪我们什么时候知道这事是可做的值得做的我觉得是很好的问题我觉得一个很伤心的事实是当然这是我的一个猜想如果说我们自己的世界就是模拟出来的话一个模拟器里面的另外一个模拟器它是不会比它的母体模拟器更强的所以我们永远也不会所以我觉得也许你在我们的世界里面去造一个模拟器模拟整个世界使得这个模拟器运行速度能比现实的时间更快这个有可能是unlikely除非你去只做一个small skill的一个模拟这也就意味着说我预测股市可能是很难的因为股市它涉及到整个世界的所有的人都参与到这个事情当中但是你做一个风动的模拟这个是可以做的那它的极限会在什么地方说实话其实现在的simulation它的发展应该说遇到一个瓶颈就是以前大家可能会发现这个finite elementfinite volume或者material point method或者这个MassBring System它总是还有一些新的Discretization Scheme或者说一些加速的方式能够被不断的提出来但其实最近几年应该这方面的进展已经相对来说好像没有以前那么多了所以我其实觉得纯粹的数值的仿真当然它现在应用场景也很大了像Simon或者像Fluent这样的软件它其实也在很多的场景被用的非常多我其实感觉这方面的技术有点到一个瓶颈如果要再往前面做的话看起来最promising的方向就是我把一些AI的东西给整到里面去把里面的比如说elastoplasticity这些就是弹速性形变这些东西是不是可以用data driven的方式去做因为这本来的模型你也知道你如果看过他的那些建模的方式的话你也会发现那就是很粗糙的一个模型没有理由data driven方式做不过他们所以因为我们做Ovalix我们里面我们流传一句话叫control is dead你会觉得现在simulation is also kind of dead在细分领域肯定还是有很多进展但是在整个的fundamental的大的brickthrough上面至少我没有听说太多 [69:59] 我看到你写你从MIT毕业的时候你觉得当时graphics这个领域也陷入瓶颈了你觉得不知道留在学术间能干吗五天后再看你觉得你当时的判断证据吗我觉得差不多差不多就是那个时候大家搞rendering的时候已经其实我觉得在20年前很多rendering的事情就已经变成一些已有技术排列组合了比如说我记得当时有一个算法叫做AMC MC PPM自适应马尔科夫列蒙德卡罗统一路径采样或顶点连接与合并你如果把它翻译成中文的话他就是把这个MCMC和这个Unified Test Sampling和Adaptivity给整到了一起当然还是不错的有意思的工作了但是其实有这样的工作出来那就说明其实后面的进展已经不会特别多了我觉得这是一个有意思的规律就是你当你发现一个问题它越来越干净越来越被well defined的时候就说明这个问题没什么可以做的当它形成了特别系统的benchmark当它已经变成了我把这个问题解法搞得越来越复杂的时候那就说明在这个里面开疆拖土的机会已经比较少了你刚刚谈到所有的simulator你觉得都有simitorial的问题对你相信simitorial吗我相信我相信我觉得虽然有这些问题在但是Simulation依然有它很大的很大的意义就不要说现在整个CAE领域用各种Simulator造飞机造火箭什么这就是很大的用场景并不是说他们已经不用Simulator都在用AI了我觉得这个是没有发生但是在Robotics这个场景当中它最头疼的事情是其实你让一个robot去操作桌上的蔬菜或者盘子其实是比飞机上天更难的一个事情对不对因为飞机上天说实话天上无非就是空气顶多有点云或者什么的但是当你要去更细致的去manipulate你桌上的东西的时候这其实很非常非常难而且这个中间很多边界条件的不一致就会导致一些simulation在现实当中非常非常难去落地肯定还要做各种adaptation而且它还不像RLHF一样我有一个pre-trained的一个model如果说我们有一个pre-trained model然后如果我可以用simulation去pretrain这个model那当然很好但是你用simulationpretrain出来的model它只在你simulationsimulator能给你提供这些case上面去worksimulator的数据并不能算是真正的高质量数据前段时间Segay Levine from Berkeley他写了一个blog叫做Spork of AGIAGI的汤匙大致的主旨就是他觉得用simulation反而是我们人类给FoundationRobotics Foundation Model的一个限制他其实在那篇blog里面表达了某种程度上对Simulation的抵触他觉得我们要做出下一代的Foundation Robotics Model就得用Real Word Data我们不应该去搞Synthetic Data不要去搞Simulation你会怎么评价这样的观点?我觉得有道理啊,有道理,有道理,因为Synthetic data 永远只能用来Enhanced 一个 model它不能Build a model from scratchfrom the bottom up因为你要去train一个foundation model的话用synthetic data所有data都是synthetic data或者大部分data是synthetic data一定不会work因为这些所谓synthetic data意味着你能够synthesize它一旦能够synthesize的data一定follow某些rules这些rules一定是人为的去思考出来的你先不说这些rules有多少coverage的问题了他可能现实世界中一亿种情况,你Ruth只能cover1万条更不要说这些Ruth可能还和实际的Physical Law还有一些距离Given这样的论断,你还会觉得一个general的robotic simulation成立吗?这个概念,我们能造出一个robotic simulation帮助我们从里面把给你 [74:59] 起义做饭这种事做了吗我觉得是如果说你把simulation和VLM等等foundation model有很好的结合的话是成立的你觉得是有机会我觉得是有机会的当然你得到的一个东西它可能既不是一个simulator也不是一个neural network它会是什么它会是一个嵌入了neural network的一个3D inductive bias它是一种 inductive bias让你的neural network更容易学习但是它又和EU的neural network足够不一样它里面可能会有各种神奇的operator比如说我在在三维空间里面去采样多少个点它可以是N2NDefensible的那我觉得如果是这样的话其实你就可以去把simulator的里面最擅长的像我从空中抛一个球它轨迹是个抛物线和data driven的方法对于各种复杂边界条件下的这种很强的adaptivity给很好的结合起来刚刚你讲了很多这种限制就可能现在的simulator都存在着各种限制如果胡言明今天要重新做一个simulator他会怎么做会跳出什么旧的范式我觉得可能我会用learning为主去驱动它而不是用牛顿定律为主去驱动它因为做了很多这些基于Navis Docs基于欧拉拉格朗日方程基于牛顿力学定律也好做了这些simulator以后我会发现其实这些physical law都是approximation牛顿定律也许不是但是其他的很多他们本身也许不是approximation不是一个近似但是他所描述的环境他的bounded condition都是近似所以从这个角度来说我会希望只保留更底层的一些元素而把这些physical law全部搞成data driven包括deformable的所有那些对更底层的元素包括我桌上有一个杯子下一秒它不会消失包括两个物体没有办法occupy同一个位置这些要保留这些要保留包括我可能有一个camera这camera的透镜是一个perspective projection这样我可以从现实世界中去学习这些物体到底是如何去操作是如何去变化这样我就可以直接从视频来学习而不需要去通过很复杂的sensor去capture每一个物体的位置它的旋转它的交通量这些东西来学习Render还要保留吗Retracing还要保留吗我觉得在足够长的时间以后retracing会被neuron graphics替代其实你已经看到这个趋势对吧现在其实像有了这个dlss这样的技术以后可能首先你一个4k的屏幕你可能渲染只有1k它只渲染1%或者1%的pixels然后它每个pixel它的光线可能只打一个sample然后你是通过针尖或者它的周围的sample通过data driven的方式去把它渲染出来那有足够长的时间以后你完全可以假设我就是把这个空间的整个体速的表达为一个神经网络它通过3D transformer这类的方式实时的把这个东西给渲染出来而不用retracing我们为什么还要用太极做rendering做physical simulation我们为什么不用sora或者应该这么说解决视频生成和解决3D可以化等候吗一定程度上是可以的因为就像我刚才说的太极它在未来的发展当然我们最近在规划太极2.0怎么做它是一个infrastructure supportinggraphics and AI它两边都要去支持你真的需要一个造的越来越精密的simulation吗比如说三接有限源接触越来越高这个积分scheme越来越复杂方式越来越难解我觉得可能这不是一个最好的方向最好的方向应该是活救证了这些边界条件这些physical law [79:59] 或者这些Gallar King整出来的一些Weak Form这些东西它不是一个最好的描述物理世界的方式因为物理世界足够复杂你要用Data Driven的方式去描述这些Particle如何去运动所以其实五年前你的99行写冰雪奇缘现在可能给Soro的Prompt只用写20个单词你会觉得这样的新的Video Model是隔了老Graphics人的命吗有的场景是的但是我觉得graphics在做的很多事情其实促成了sora的难生随着最后的演变我觉得以后肯定是learning为主但是simulator会以某种形式通过inductive bias也好通过synthetic data也好然后它变成了learnable module的一部分刚刚我们反复谈有几个概念一个叫真实的世界一个是我们现在肉眼能够观测到的世界第三个是我们用各种各样的物理模型建模出来的世界你觉得这三者之间的宏构有多大非常有意思我不知道真实世界是什么样的我们能观测到的世界其实就回到我们最早聊的这个问题当我在睡觉的时候楼下的那棵桃树它真的是在生长吗还是在我能观测到它的一瞬间它瞬间长成了它应该变成的一个样子但是我们每个人又只能观测到自己能观测到这个观测到的东西这是世界上极小的一部分所以每个人的认知都是有巨大的局限性的我觉得这个两个中间就是真实世界和我们能观测到世界中间就是一个非常大的一个gap那我们能观测到的世界和物理模拟能够仿真道的世界中间又是差了十万八千里只不过这个gap和之前那个gap形成的原因不一样对吧之前那个gap是因为每个人只能观察到自己能观察到的内容那第二个gap形成的原因是我们没有足够的compute我们没有足够的data去model这个现实世界是是什么样的有些经典的应用场景其实可以比如说我造一个飞机我吹风动的结果和用CFD算出来的结果肯定是有很强的关联性的是不是你可以把风动扔了也不能扔了你飞机起飞时间肯定还是要吹风动你不能说我CFD就结束了所以我觉得挺无奈的吧我们作为一个物种也许运行在别人的一个模拟器里面我们居然还妄想造一个自己的模拟器能够模拟我们自己我觉得能现在看到一些GPT4这样的model能出来能够mimic一些人类大脑的运作场景已经是一个奇迹了正好聊到GPT4我想问你你觉得像GBT这样的LOM它是不是生活在某种柏拉图所说的洞穴里面是因为它的Loss Function就是它的Train Data它所做的所有的事情一切的事情就是minimize这个Loss Function只不过我们每个人难道就不是在生存在一个柏拉图的洞穴里面吗我们每个人看到的东西可能比LM还要少呢只不过有的时候LM会犯一些常识性的错误所以你经常笑他但是我们真的就比LM强吗我觉得不一定吧那你觉得从那样海量的文字和视频数据集中可以诞生AGI吗AGI的诞生需要Physics吗需要牛顿定律和Lagelang这方程特别好的问题我觉得可能不是特别需要刘顿定律和拉格老师方程但它可能需要to use比如说它可能需要有自己的计算机比如说AGI它可以写出final element这样的code帮它去分析一块橡皮掉到地上谈起来是什么样为什么一根意大利面掉在桌上一定会碎成三段他这些都可以通过final element或者一些各种方法通过to use去解决为什么他自己通过这种next token prediction的方式解决不了是因为next token prediction的方式 [84:59] 它本质上是有局限的对吧它不管这个token是多轻多重多大的信息量它一定是要花费两倍的parameter count除以sparcity MOE的compute那现在在做的AGI尝试就是我把这个skill越来越大越大越大越大越大然后这样使得每一个token它的compute和evolved到的权重会越来越多但是很多的token它其实就是没有办法通过即使你的compute已经很多了你是没有办法有些token它就是比其他token需要更多的compute这些compute不能发生在LM现在这个范式里面而是要让LM去manipulate一个工具所以你说的工具其实是物理世界的工具可能是computing的工具他得有一个自己的电脑然后让他可以在命令行里面掉他的python然后让他在命令行里面写自己的东西对而你觉得其实这个过程不一定需要我们人类自以为对这个无理世界的那么多的认知他可以自己发现自己的论定率啊而这样的AGI可以从我们现在已有的text data, video data, image data里面但是我觉得可以好我的下一个chapter是Meshi但是在聊Meshi之前最后一个问题你会想做Robotics吗我觉得有可能会但是我自己不知道我能给robotics奉献什么so far我觉得你可以贡献很多我觉得robotics是一个impact非常大的一个事情可能唯一一个我没有开始做robotics原因是我自己的今天我对他的兴趣程度没有那么高然后我相信我只有做自己喜欢的事情我才能做好如果哪一天我觉得Robotics这事很有意思那有可能我们会去朝这方向去做什么样的事会让你觉得Robotics很有意思会让你改变对他的兴趣就是我我现在就是不知道所以我说我现在还没有特别感兴趣所以这个责任在我们身上对争取早日把我拉到Robotix坑里面去连明就是现在MESH商业化做得非常成功5000万美金家的融资250万用户生成了超过2000万个3D模型我很好奇你从在MIT自己在情势里写太极到出来做startup哪一刻你意识到我要自己出来做startup有过犹豫或者当时是一样什么样的感受决定要做startup特别好的问题我自己还是有一个属性是我还是挺喜欢尝试一些新东西的那这些新东西就包括以前做graphics坐着坐着就去做编译器了然后做编译器坐着坐着就坐着去做Differentiable Programming Model就有了当时DipTagy这样的工作然后在做PhD的时候我其实也看了很多像中国的和外国的企业家他们做事情的一些采访比如说Elon Musk比如说雷军比如说王船福造车啊这些内容我觉得都非常非常有意思大概是在快毕业的时候其实也有几个选项吧要么就是去学校当老师要么就是干脆就做个公司其实当时主要的一个问题还是因为学术的眼界也没有那么开阔也没发现还有GNI这么好的东西可以去做所以基本上就是在不知道在毕业的时候就不知道该做什么所以当时就想OK我能不能去把博士在做的事情去做成一个商业化的产品那就有了最早太极徒刑这个公司后来我们改名改成了Mesh因为客户在海外多一些所以当时你是完全没有考虑过另外一条路就是去大厂工作的你当时就是要么教训那我们已经受不了为什么我知道在大厂工作肯定会轻松一些但是我就是受不了我有一个老板你必须要当老板我觉得当老板没有关系就是我受不了有人告诉我该做什么但你PHT期间也有导师但是他比较放养所以你对我PHS先生导师就是每周我会把我需要他帮忙的事情全部整理在一个文档上开会的时候和他把这文档过一遍然后可能每周和他相处很短时间也许半个小时然后又遇上covid可能时间就更短了所以但是他给我的帮助他 [89:59] 给我的帮助是非常大的不管是在遇到挫折的时候鼓励我还是在一些方向上面或者说介绍厉害的人给我认识这些事情的帮助非常大但是具体的技术上面它是不会告诉我该做什么的现在MESH最大的客户是什么样的公司现在META是我们最大的客户就在很厉害之前我一直以为最大的客户应该是游戏公司不是最大客户现在因为你如果弄客单价来说其实大厂它里面可能有些API的需求这个其实比游戏公司要更大一些你和很多游戏公司接触过游戏工作室他们很需要你们生成的3D asset我看到你写到说现在3A游戏制作的成本50%都在3D asset上面那么你和他们打交道这么多你觉得现在游戏行业那些公司的工作室他们最大的痛点是什么整个游戏行业这两年都是在收缩的状态他们虽然是一个很大的将近3000亿美金的一个市场但是其实最近你也看到这个行业有不少的裁员然后大家都在忙着降本增效忙着涨价忙着把以前老游戏做个重制版再放出来其实整个游戏行业现在是比较struggle的为什么有很多原因就包括像TikTok这样的短视频的social media的平台从用户那边把原来大家玩游戏的时间给抢走了很多人他宁可去刷短视频也不喜欢游戏然后这是一个原因还有一个是整个行业的其实新的玩法像PUBG这样的吃鸡这样的新的玩法也很长时间没有新的玩法出来了商业模式上面就是Free to Play可能是大家最近发现的一个好的商业模式但是也没有新的商业模式出来了整个的制作成本却越来越高你看像GTA它都是十年的制作周期要花好多好的人去做这样的一个这样的东西然后成本价格又不能定太高你看你一个游戏你在这边看场电影我估计三四十美元对吧能共理玩两小时三个小时吧但是一个游戏有的可能是20小时的游戏时间但是它也只能卖到三四十美元对所以这个是一个定价方面的一个挑战大家也在看GTA最新版本会怎么定价如果它能往高的定其他人可能也敢往高的定于是同时可能还有像一些三亿大作像巫师卖的很便宜的价格所以整个行业的价格也有挑战有很多原因导致游戏行业现在是一个下行的周期所以他们非常想降本增效所以他们需要MESH这样的东西其实你真正走上这条路是因为游戏你是最开始对游戏感兴趣慢慢开始你现在还有不是和游戏关系不大我自己很喜欢玩游戏我也很喜欢做游戏我自己也做过一些游戏但是做MESH的契机和游戏呢游戏不是主要的原因做MESH是因为一些第一性原理的思考是大概2022年下半年的时候看到XGPT可以生成Language看到stable diffusion可以生成图片看到大家会去sketchfab这样的3D模型网站买模型而且市场上还没有一个产品能够生成3D models我们就做了我们的想法是既然大家为3D模型付费如果我们能以接近零的成本生成3D模型then we are rich我们就有钱了现在有钱了还算吧还可以我们现在营收还是每个月20%的增长然后那很快了每个月20%过去12个月涨了十几倍然后希望很快能实现我们的小目标我上周也付费了因为为了准备这个采访你应该告诉我你的邮箱我给你直接开一个免费的大会员所以现在你们保持了每月20%的增长我从一个外人看来因为我就是上网站我试了一下你们的那些text to texture那些东西Mesh真正的商业模式是什么这个生意是怎么样的它是一个好生意吗主要是来自于订阅和API这两个主要的方式和OPI一模一样基本上是但是我们其实是一个用户社区非常活跃的产品所以我们consumer这边其实用户量非常大我们每个月都有250万的网站访问量然后现在已经有400万的用户了这个量级和其他的3DSS的公司是多大的差异你们领先多少我们大概是第2名和第3名的访问量加起来是我们的访问量 [94:59] 那你应该市场战额超过50%在美国发达市场是的在美国大概55%然后这块我们其实是我们的主要的营收来源订阅对主要是订阅那其实还有比如说2B的那种API对2B的API然后还有一些是Studio他会去买一些Studio account游戏的Studio游戏的Studio坦率来说现在AI生成3D模型你还没有真正能够达到C6生成以后觉得哇我好满意这样的状态他们往往还是要去修复的再去修一修或者是再去后期处理这个是我昨晚式的我给他的prompt是生成一个好的humanoid asset然后要有dexter's handdexter's hand这个要求很高给你的一个结果对吧对对dataset里面不一定有这样的数据但我感觉他确实还生成了一个hand但他这个hand不会有articulation我们后面以后也许会去做articulation方面的一些事情那我更要付费了我现在最需要articulation object现在很多像我们合作伙伴不只是articulated object他们还会用Mesh去生成一个茶杯碗桌子椅子什么的用于他们的训练当中3D AI生成这个事做穿了有多大这个market我觉得做就是这个业务本身做到一个能上市的规模是可以的但是我其实对这个并不是特别满意因为我觉得我们的目标应该是做出来一个像英伟达这样的一个公司所以其实我们核心的一个事情是如何把我们在多模择AI方面的积累去做比现在的3D更大的事情这个其实是我一直在想的事当然现在我还没有一些我们有一些初步的尝试然后我想当然Meshi本身也在很快的增长对于我来说我只要是在它从指数增长到线性增长再放缓增长我就要在这个时间点发生之前我去想清楚这个事情是什么就可以了你觉得3D生成它会有消费级的市场吗Definitely其实很多用户用Mesh生成出来的模型就是打印出来打印出来以后其实consumer的market可能比game studio的market要更大因为在美国你知道这些3D printer它是每年20%的出货量的cager就是每年增长20%然后他们很多人买过打印机以后并没有模型所以其实打印也是一个很重要的一个市场但其实这个事我有我可以举个生动的例子就是我们家三代人其实现在我这一辈和我父母那一辈都在用LOM然后我愿意付费他们用的是免费的然后但是我觉得我没有办法说服他们用Mesh对 definitely这个其实是整个3D是一个相对小众的一个市场比如说我在Wiki上面给你发一个OBJ文件你是打不开的对我给你发GLB大多数人都不知道什么是GLB文件那么所以它的市场规模是恰好能够让一个创业公司在里面生根的一个市场规模如果你做这些事情市场规模太大比如说B6 model这个挑战很大在于你卷不过大厂如果你做的这个市场规模很小你又仰不破这个公司所以作为一个sutup来说找一个中等规模的这样一个市场就可以避免和据搜的竞争也可以让你自己有很快的发展你刚说你的终极目标是做成像英伟达这样的公司MESH怎么样能从现在比现在变得100倍1000倍大我这个一步步做老黄在做Cuda之前也没想到有一天能市值四万亿对吧我觉得做企业这个事情就是不断的挑战自己改变颠覆自己的认知不断的去问你的客户还有什么需求去解决这些问题然后再加上一些第一性原理的思考老黄的思考就是这个世界需要更多compute如果我有一个东西能给你更多compute并且它是programmable的那就会有人来试他到底能解决什么问题也许一开始只是一个化学系的教授去试了试做化学反应的模拟但指不定哪一天就有一个叫Alex Kudrybski的人去用他做了神经网络然后再过了十年才发现原来这个Genitive AI可以改变整个人类的生活的方式你现在有什么第一性的思考对于Mesh的方式我觉得这是很好的问题我觉得本质上我们Mesh在做的事情就是用multimodel AI去给大家带来乐趣这个乐趣是游戏里面的乐趣是3D打印的乐趣但是再往后面走可以是其他形式乐趣甚至不一定是3D模型所以我觉得 [99:59] 如果说我们能解决multi model AI for fun或者说更general一些AI for fun这个事情那我们可以做一个非常大的事我就可以说服我父母来用你就可以让你的父母来去AI for fun这个事情是所有人都会很感兴趣的一个事情并且所有人都是他的用户这里有个很好的例子我昨天上传了一张我和我女朋友的合照生成了一个asset然后我发给我女朋友的第一顺点她说太丑了但是我相信如果你可以把它做得很好看的话她会愿意3D答应她对这个其实是我们在做的一个方向因为合照的使用场景其实还不是我们现在最主要的使用场景一般来说我们更多的就是在游戏里面去或者一个单体的一个怪物或者主角什么的把它打印出来对于人类的复原现在还是没有做的特别好的一个事情把这个做出来之后所有人都会想对所有人都是MESH的用户对好但其实现在MESH每个月20%的增长非常成功一年涨了12倍差不多在这之前其实太极的商业化不是那么顺利我其实很想我刚刚听了你PSD的Ipand Down我更想听你作为一个CEO的Ipand Down经历了什么我觉得现在基本上能够坦然面对这个事情了吧因为在低谷的时候确实你会觉得自己咋这么傻逼呢做啥也做不成现在你好歹把一个事情生意做到的Program Market Fit而且有快速增长而且也是这个行业里面现在从市场占有力来说用规模上面来说第一名的产品所以我会觉得对自己的以前的事情可能能更坦诚的面对以前的遇到这些问题基本上就是最早的前24个月18个月到24个月大概是一年半到两年的时间我们都在摸索到底应该做一个什么样的产品然后也没有任何的商业化上一直没有任何起色这些你没想清楚之前你就一定决定要做startup了对所以当时不管怎么样我先把startup做起来对我觉得这个是我和其他人不太一样的一个事情就是我非常bias for action一个事情我想做我立马就去做晚上不睡觉我也去做然后我经常要做一个事情的时候我就晚上想着这个事可能巴子还没一片就是这个有点像一路马斯造火箭他还没火箭发动机还没造好他就想着在火星上面我们吃什么我觉得这个是我的一个特点很多人会觉得你是不是想太远了或者说还没八字没一篇怎么想到这些事情但是我会以中为始的去思考为了实现这个目标我现在应该去做什么然后像太极像MESHE这些其实都是用这种方式倒推过来去规划的当时你没想清楚的时候前18到24个月当时太极在做什么当时太极就是支持更多的硬件支持AMD GPU甚至我们还有一个JavaScript的backend可以让太极运行在你的网页里面做各种各样有意思的事情但是也试了一些商业化的方式最后发现要做商业化只能做外包外包是指接项目然后我们把别人要开发一个simulator我们把它开发开发完了有交付给他这是一个毛利润非常低的一个工作而且在中国这样的事情中国的2B基本上是做不起来的所以后来就干脆转型在这过程中我意识到了一点就是我这样性格的founder只能去做标准化的面向consumer的产品为什么和性格有关这个事因为我很讨厌和大客户打交道所以你就宁愿做API做subscription对不想和他们谈外包的各种事情或者至少以这个开始吧那未来当然也是可以做那有生意做那当然会愿意做的但是在最早的时候我觉得你去figure out这个paradomarketfit已经是这么困难的一个事情了那就不要给自己加戏去让自己做不擅长的事了你现在回看当时太极前两年不太顺利你现在已经可以坦然面对了当时你犯了什么错就是你会觉得自己重做一遍会不会再重蹈覆辙其实从现在来想回想前两年在太极做的事情也不是完全没有收获只是商业方面不太可持续而已我觉得可能对于一个startup来说最重要的事情就是找到一个成熟的一个monetization或者说造学的一个模式使得你 [104:59] 能够自负盈亏的运转下去这里面的最大的原则就是你的你做的技术或者产品必须能够商业化如果一个技术没有办法商业化的话你就没有办法用商业化得到的revenue去养活未来的技术的研究这个技术本身就会变成一场烟花秀放完烟花秀就没有了但是你会希望把技术的研发变成一个飞轮市场对变成一个fly well就是你做了好的技术得到好的产品好的产品有好的revenue好的revenue能吸引好的人好的人来做好的技术这样不断不断转下去这样才能把公司做得越来越大但是要figure out这么一个pattern是挺难的事情而且特别是你在很多时候是有不确定的我想在21年的那个时候大家有几个term大家可能现在都不提了比如说什么元宇宙比如说open source比如说infrastructure这几个词其实在当时是非常火热的词在那个时候你就会放弃自己对于一些事情的思考你会去听从这个社会它的潮流到底在讲什么然后想办法或者不由自主的你就会想我做的这事是不是能在这个里面有些用处那这个其实是很难避免的一个事情吧但是当你有更多商业经验以后一些基础的坑你可能就不会再去踩了所以从太极到MESH的这个pivot我想借用你文章里面你当时谈到应该是英特尔DRAM的那个businessGordon Moore对这个对话应该就发生在旁边在那个Intel的office里边你可以再给我们讲一遍这个故事吗对啊那就是大概1970年的时候美国整个半导体行业那个时候主要是造这个DRAM遇到很大的挑战因为日本那边他们日本的工程师又勤奋服务态度又好然后加班加点几家公司联合起来一起做基本上Intel那边的Dram就卖不出去了完全打不过日本的产品当时是Gordon Moore就是提出摩尔定律的一个人和Intel的另外一个创始人应该是Andy GroveAndy GroveAndy Grove他写了一本书只有偏制狂才能生存还有高产出管理这几本书都是很不错的书Andy Grove就他们俩人就在办公室里面去聊我们怎么办这公司就快做不下去了因为我们的DRAM已经完全打不过日本人了然后Andy Grove就说我们再这样下去董事会一定会把我们开除的因为你知道在美国董事会的权利是很大他们可以换CEO的Andy Groove就说OK如果再这样下去董事会一定会把我们开除那为什么我们不自己把自己开除走出这个房间再走回来然后我们在想如果是我们支持这家公司的新的CEO我们会做什么他们得出一个结论如果这公司再请一个新的CEO会去做CPU这就是他们的故事这是他们的故事后来他们就花了三年时间从DRAM转进去做CPU非常非常痛苦但是这也造就了Intel后面几十年的辉煌从太极到Messie是胡言明自己把自己开除的一个过程吗对 我觉得是你当时的思维过程是怎么样很痛苦吗我觉得有一些吧因为相当于当时有这个怎么还是很想证明自己说一个程序员能够做出来成功商业化的产品就这么认输了吗毕竟太极做了很长时间就这么不做了吗然后但是当时我发现一个问题就是如果我继续做太极的话我基本上看不到这个事情商业化的未来至少我不能把它当做一个公司主营业务去做那么相当于我就是自己把自己开除其实我在做公司的过程中每三到六个月就要把自己开除一次每三到六个月我就要变成一个全新的自己You have to reinvent yourself every three to six months你如果想在创业这种很intense环境当中活下来的话最好就是你觉得三个月之前自己是傻逼这是最好的你如果不觉得三个月之前自己是傻逼的话说明你这三个月没有成长这个和在学校不一样在学校是因为大家被学校保护的很好也不会说破产了或者说被导师开除了或者说有生存的压力或者什么 [109:59] 在学校是一个很开放的没有生存压力的环境但是创业公司完全不一样我基本上已经把自己从一个学术界的mindset变成了一个商业的mindset或者说我取了两者中间的我认为比较好的能让公司有更强竞争力的部分整合在一起当时你和整个台阶团队说我们不做这个了我们去做Mesh我们做3DS这个business大家支持你吗有一些阻力也有一些人觉得对这事没兴趣就离开了公司但是坚持做的人现在都觉得这是一个非常正确的决定当然不少做菜籍的同学还留在了公司最近我们在讨论怎么去做菜籍2.0我们觉得还是有不少事情可以去做的这个活种还留着在当时其实大家对于3D的其实我们开始做3D也是因为太极因为最早的时候大家用太极实现了高线Splatin然后也有同学用太极实现NERF然后我们就想原来太极还能做这个事是不是我们可以把这个东西朝着生成资产的方向去推一推最早生成那些资产可抽象了然后后来慢慢就在某些场景下就能做的相对来说比较好然后在当时肯定是有不少阻力而且我们当时还有另外一个项目我们后来把另外一个项目也砍了就all in来做MESH但是其实MESH这个东西和你之前在太极上构建的技术壁垒没有很相关一个特别厉害写太极的人不一定是能够摆3DSI generate特别好Text to texture这些相当于你们是start from scratch了对我们是完全是一个不懂太多AI的团队整个团队没有人穿过大模型我们就是一帮graphics的人你知道搞graphics的人都有很大的特点在于非常硬核学啥啥都会因为你如果每天玩的是欧拉拉各样的方程今天让你学个diffusion那太容易了你整天玩的是mcmc那今天解个sde这都是相通的所以其实很多搞graphics同学现在搞AI也非常如意得水我认识很多这样的同学graphics的人都是很应和学东西都很快所以大家很快就开始能够去做这里面的很多事情当时你要做Mesh的时候你的底层逻辑你不会担心说我的团队不适合我们没有搞过这种Text to imageText to 3D asset你会担心这种事你会担心自己的team不够competitive吗我没有任何这个担心因为当时没有人在做这个事情当时是没有人当时我们就是第一个上线的可以公开访问的产品生成的非常差极差以至于我找用户反弹的时候都说你千万不要跟别人说Messie是胡言明做的但当时我记得你说8小时你就上线8小时上线1000个用户现在400万用户直到做到大概Messie一Messie二的时候我才好意思说这是我做的事情做失败了就当没做过没关系的当时你是怎么认定这个事市场大能存在然后因为当时如果没有人做的话你是很难预估这个market有多大的那你怎么狠下这个心因为你应该还有其他不做MESH应该还有其他的pivot的方向为什么是MESH?坦率来说在当时MESH就是最好的pivot的方向了因为我去做LM或者去做2D diffusionText to image这些东西或者Text to video我不见得做多过其他人我自己的能力曲线性就导致其实MESH在当时就是我最好的一个方向这也是整个团队能力的优势所在所以你当时很清楚的认知到你和团队的能力圈的边界对build一个这个世界需要的东西和build自己想要的东西当时你觉得这个事是这个世界需要的东西对你有多笃定我非常笃定因为之前的产品虽然做失败了但是我们聊了大量的用户他们都说我不会为你软件付费的但是你如果能把里面的模型都卖给我我会为它付费我们今天又谈了另外一个就是你把人的3D asset做出来我就可以convince我的父母他们来付费所以很多时候和你的用户去聊一聊就能得到新的解决问题的思路所以你问我Mesh的市场空间范围有多大我觉得它对我们这样的一个适应能力很强的一个公司来说是无限大因为你总是可以去解决新的问题总是可以去通过聚集一帮聪明的人去解决市场有需求的问题做出有精神力的产品在一个新的市场当中分一杯根你在23年有个访谈说AI深圳三里模型的技术方面当时Message解决了10%然后你说你也许25年可以解决90% [114:59] 现在25年到了你觉得你解决了百分之多少很好问题也许50%50%对因为你越解决也觉得发现上线并不是100%所以我觉得现在可能解决当时想象的90%但是后来发现上线是200%剩下的50%是solvable的吗可预见的未来剩下的50%我觉得是solvable的我觉得在这过程中我学到最大的一个事情就是不要低估技术前进的速度我们在最早做Message的时候用的技术是非常破的很老的技术但是后来不断的迭代不断的迭代现在能解决的问题已经比原来大很多很多最早的时候只能用来做恐怖游戏为什么只能做恐怖游戏呢因为我们生成的所有的模型都有四张脸为什么都有四张脸呢因为我们贴图是把模型生成以后前后左右各生成一张贴图贴到这个模型上面所以你就会看到这个角色的头部前面一张脸侧面一张脸后面一张脸一共四张脸只有恐怖游戏能用这样的资产但现在我们已经看到像一些DoubleA的CD甚至一些TripleACD用Mesh去做一些原型所以随着技术不断迭代的话它这个空间是非常非常大的而且我觉得我们即使到今天我们可能也只解救了市场上面5%的细分的场景还有很大的空间是在后面从现在比较成功的商业化的Mansi到当时太极的不太顺利的比较压抑的那段过程你当时那段时间是怎么挺过来的因为你从那么光鲜亮丽的标签到做太极的商业化大家觉得好像进展不太顺利你当时怎么调节自己你会感受到那种压力和挫白吗当然有但是其实坦率来说当时太极商业化不顺利的时候我也没有觉得有特别大的压力或者是什么的我觉得现在的压力可能比之前的压力也就差不多但是可能对于自己对于商业的性侵会更强一些在做太极的时候可能连要不要商业化这个事情都没有想清楚真的当时你没奔着挣钱去最早的时候其实没有奔着挣钱去如果奔着挣钱去我可能会用另外一种方式我们当然也做了一些其他产品去尝试去商业化但是那个产品后来也不成功所以其实Message是我们第三个产品在当时的很多压力来源可能主要还是来自于我完全不知道怎么去一个公司如何运行因为我在做CEO之前我只读了一个PhD我没有在任何地方工作过或者说我在当CEO之前我是个英特尔我最professional的经历就是在NVIDIA在Adobe在Microsoft当过英特尔这个就是我职场当CEO之前职场认知所以我最早的时候可能做公司都不是说怎么把CEO做好都是说一个正常的公司应该是什么样我都不知道然后我就慢慢学然后今天还算是一个勉勉强强及格的CEO所以在这过程中其实最早的struggle很多时候是在这你不知道怎么run一个公司对我不知道怎么run一个公司然后我们融资也很顺利也没有下一个月就会死掉发不出工资的一种压力所以其实这个事情delay了我去面对一些残酷事实的一些时间当时的你知道自己不知道吗还是当时的你其实犯了humble的错误你当时的你自以为自己知道怎么run一个公司我觉得你说的是对的确实当时是犯了这个错误就是不知道一个公司应该怎么去run然后也不知道自己对于很多事情其实是不知道的所以确实是犯了一个humble的错误但是我有个好处我发现我做错我立马承认自己是傻逼立马改不过我后来我最近又聊了一些funders我也释然了因为我发现有一些比我大20岁的一些funders他们从大厂高管出来去做公司好像做的还没有我们好呢所以我觉得好像这个事情并不是我特有的并不是因为我之前我当CEO之前只当过intern所以我有这个挑战这个是普遍大家都会存在的一个挑战一个好的CEO是可以被培养的吗我觉得可以我觉得一个好的CEO最大的特点就是要能够快速的学习要提高自己的认知所以我虽然犯了很多错误但是我相对来说一个优势是我改变自己改变的很快你刚刚谈了有很多大厂出来的CEO也当的一般我看很多理想的演讲他甚至连高中高中读完就出了你遇到这样的时候你就会想OK为啥理想高中都没读完他做公司做的比我们好 [119:59] 对这个也是你那篇文章谈到的对啊为什么为什么那就说明PhD不重要那么就是这个事吗我觉得就是读一个PhD对你做一些事情肯定是有帮助的但你是不是一定要一个PhD才能把事情做好其实不一定有很多的事情是一个PhD他在这个过程中学到了比如说HumboWork HardPresentation Skills能把东西讲清楚对吧然后能够知道一些前沿的技术但是有很多东西是一个PhD他接触不到的比如说市场比如说用户比如说产品的量产这些他都是接触不到的你就比如说理想他是一个非常好的企业家他也非常直率可能看到一些不爽的事情就会破口大骂他也经历过以前做泡泡网的时候一天之内所有人全部离职他经历过很多事情所以他在这个过程中他就是以一种非常humble的态度然后学习他甚至找了一个CEO来去自己汇报给了一个CEO自己负责产品你可以看到这个格局是最重要的事情一个CEO有多大的格局他就能做多大的事情So far你觉得你是一个好的CEO吗我觉得看跟谁比吧你如果说Meshit增长很快你跟什么Lovable跟Cursor比根本算不算快但你和传统SaaS这种Triple Triple Double Double三倍三倍两倍两倍两倍那样的比那算是很快的是不是我是一个好的CEO导致这一点我觉得我还可以做得更好我不觉得说我甚至有的时候我觉得自己是很差的CEO哪方面你觉得你现在还可以进步我觉得很多的点比如说如何更好delegate我的工作如何去更好地管理自己的时间比如说在一些事情上更加沙发果断比如说学得更快一点比如说花更多的时间对外而不是对内比如说看更多的书更长时间去反思那比如说思考公司愿景描绘蓝图比如说招聘我觉得这些事情都有非常非常多要提升的地方那你创业以来作为CEO有没有哪一刻你从12可能是48个月以前的傻低的12次访到现在你觉得哪一刻是你认知崩塌学到最多的东西曾经最艰辛的东西后来被自己否定曾经最艰辛的东西被自己否定那这个有很多次我来想想最大的一次是什么我觉得可能最大的一次就是我在以前非常希望所有人都喜欢自己我会希望变成一个所有人聊起来都觉得哇 月明是个很nice的人月明是个很慷慨的人月明是一个很好的朋友但是我后来经历了很多事情我会发现如果你工作的目标是让所有人都喜欢你自己的话那你最终会被所有人讨厌所以我不再追求所有人都来喜欢我而是我会去追求让重要的人喜欢你就行了不重要的人骂你或者觉得你怎么样只要你觉得自己做的事情是正确的事情就行总会有人骂你的那么我觉得还有一点可能是从一个管理者的视角去看整个团队一个好的leader是不是大家都喜欢的leader不一定一个好的leader可能是大家都服气的leader但是不一定是大家都喜欢的leader但是他还是愿意跟着你干为什么因为他在这能收获成长他在这能够做出自己想做的事情至于是不是所有人都喜欢你我觉得如果一旦把这事情作为你决策的第一优先级很多时候就会导致错误的决策那你现在不在意别人喜欢你作为第一优先级你的第一优先级是什么把事情做成功赢我的第一优先级是把事情做成功 [124:59] 我意识到你要做出一个有要做出一个不错的东西那一定会有人给你是负面的评价你的意思是这个过程中不可避免的你要为了进度你要为了这个事的deliverable对你要去make tough decision就会有人讨厌你什么叫tough decision比如说我们要砍掉一个大家都很喜欢的项目比如说你可能要请走一个对团队没有贡献的同事但是大家都很喜欢他他是个好人比如说你在做产品的时候有用户群体A和B你做了A喜欢的B就要骂你你做了B喜欢的A就要骂你都做A和B都做公司完蛋都骂你所以我觉得这个是每一个人要跨过去的一个坎叫做变成成年人学校里的学生可能会非常受不了别人怎么能批评我呢但是你一旦跨过去以后就会发现原来这个世界是很广阔的有人骂我就骂我呗而这一课是你当CEO之后才学到了对因为在学校里面大家都是很nice的文化其实在MIT大家也都是你好我好大家好然后会回避很多冲突而现在你不会去回避只要是项目的成功需要有冲突就有冲突因为只有这样才是对整个团体所有人负责的如果你回避这些冲突那你是做了一个自私的人因为本质上你是希望自己被一小个群体喜欢但是你没有为所有人的利益负责你坐在CEO的位置上你就要为整个公司的利益去负责而不是让自己被所有人都喜欢我被所有人都喜欢是我自己的事是私事公司论成功是公司的事是大家的事是公事私事排在公司后面后来我发现基本上所有的管理者我下面就两层我也经常提拔一些人去做管理者很多的管理者他刚做上管理者的时候他都会有这个问题太nice了对为什么会有这个问题因为他们在做IC的时候做individual contributor个人贡献者不管理团队的时候自己是非常强的IC所以他们的manager根本是不需要去push他们的不需要对他们有不nice的行为但是当他们被提拔到管理岗位上面以后他就会认为自己以前作为IC被对待的方式就是他自己现在要对待他的团队的方式但是这个问题就来了那你现在带的这些人以前是你的同级之所以你被提上去是因为你的自取力你的解决问题能力比他们强所以你要给他们提出更高的标准但是很多的新任管理师他不能提出更高的标准他希望自己被自己的团队所喜欢那你做出改变了你怎么强迫你手下的manager也做出和你一样的改变给他们讲以前的学类史给他们讲为什么公司今天有这个问题就是因为我半年前优优寡断想让所有人都喜欢我想让我的朋友觉得我是一个完美无缺的人导致了公司今天这个问题刚刚你讲的那些沙发果断我觉得这种特质我在伊隆身上看到很多那他太极端了他这个是你今天干的不行下个小时你就离开公司了我觉得我们还是一个比较宽容的能允许大家犯错的一个地方但是我觉得Elon有很多的好的点他是一个很不错的在很多地方上面是很不错的榜样我听过一句理想对Elon的评价他说他评价一个CEO是不是好而不是看他多圆滑多能够处事多能够打高好政商关系而是看一个CEO在真正的危难时刻能不能一眼就看到本质他说你可以看Elon搞出那么多大家不喜欢的新闻发表那么多的大家不喜欢的言论但是他在每一个特斯拉SpaceX重要的时刻他总能一眼看到本质他觉得这就是CEO唯一要做的事对一个好的CEO只有一个任务就是带领公司赢其他都不重要哪怕很多人讨厌你如果那是必要的话那Elon就很多人讨厌Elon吗太多人了那Jinson HuangJinson的所有direct report都觉得他非常hard to work with那影响他被评为最受欢迎的CEO吗不影响为什么呢因为大部分NVIDIA人也不会report给他所以他们每天不用经受Jinson Huang的折磨但是Jinson把整个工作得很好所有人都是受益的 [129:59] 刚刚你谈到一个你刚刚说你是不是一个好的CEO看和谁比然后你提到了一些例子是像Cursor那样的公司你会不会觉得Cursor的生意太好了其实你们的effort和他一样你们也很hardworking他们也很hardworking但他们挣的钱比Mesh多太多太多了对所以作为ECO最重要的事情是选择一个好的赛道如果你选了一个好的赛道当然是有运气的因素对不对你做成了那场面能赚钱那你是想要一个运气很好能赌对的一个CEO还是很Hallworking但是赌的也就一般的CEO大部分人可能会想想要运气很好能赌对的CEO对吧但是我只能说Cursor他现在的发展快也是一时的如果说他这次发展快是因为当时选中了赛道如果是运气你凭运气得来的东西迟早要凭实力给还回去那他下一个阶段比如他现在200 million的AR了他下一个阶段是不是能做得更大更大更大那这个还要他的CEO不断地去接受新的挑战那对于我们来说我们现在这个阶段做的这些算是一个不错的事情不像Cursor这个全世界只有一个Cursor全世界只有CursorLovable少数几个J&A时代的公司能很快地做到100米以上的AR你不在其中那也OK你有一个好的基础你在排桌上你下一次抓到一个好的机会你也可以去做我觉得也没有什么可惜的把手上的事情做好什么样的生意是一个好的生意它有什么样的特质Cursor这样的生意是在你看看很好的声音吗我觉得首先市场要大市场大然后非共识这个其实就很难了你要在大家不相信这边有市场的时候看到这边有一个市场其实Mesh算是现在所有3D AI玩家里面做的最早的我们在当时非共识的时候就开始做3D模型这个事情大家都觉得这个是很小的市场但是我们做的能做的现在其实已经算是一个中等规模的生成式AI的公司了市场大非共识而且你自己在其中要有竞争优势如果没有竞争优势的话其实很多人就会其他人很容易的就可以把你的市场给拿走特别是资源更多的大厂这三个priority分别是什么市场大非公时和优势我觉得市场大是值不得不值得做的问题然后非公时是还有没有你的机会的问题timing的问题timing非常重要如果一旦一个事情一旦变成公时你再去做这个就基本上没有你的机会了除非你有别人十倍的资源所以你看一般是大厂在去后发的时候他砸资源他能赶上然后还有一个你自己是不是对这事真的感兴趣这个也是要考虑的喜欢不喜欢的问题这个是想不想做的问题我觉得一定要在想做想不想做和能不能做中间还有考虑到时机的因素选择一个事情去做因为这个世界上努力人太多了最后能赢的人一定是最努力的一个人什么决定你努力不努力你自己身体状况肯定是但这个是属于运气你的基因你的成长环境决定了你这个人一天能工作16个小时还是工作12个小时还是8个小时你在人生哪个阶段对吧你有家庭还是说我现在就是想躺平which is fine那躺平就躺平那也没有关系但是你得恰好在那个你自己愿意拼搏的那个时间段恰好遇到一个机会这个就是时间timing 运气的因素有了这些事情以后我觉得那基本上你如果说在自己想奋斗的一个时间那就决定了你具备创业的这个前提条件了对吧那你创业身体得好并且你家庭也比较平稳对吧你不能说我还有父母要照顾我有小孩要带那我还出来创业那就很难平衡至少你不能做高强度的创业你可以做个低强度的创业你如果做AI行业的创业的话那你就是做好期生24小时工作的这个岗位了这个准备了对吧你就一直得是一个待命的状态有了这个事情以后我觉得要在想做和市场大中间找一个焦点想做和市场大里面找一个焦点对而自己擅不擅长这个事重要吗可以学 [134:59] 他还是次要的我觉得所以我其实这个问题我想了很久我没有很好的答案就是我们做选择一个事要不要去创业要不要做这个startup我应不应该忘记自己擅长什么我觉得你如果要做得很好那不应该忘记自己擅长什么我也在思考这个问题就比如说太急我还要不要再接着做呢我最近一直在想这个事最近觉得好像还可以接着做因为好像LM里面还有很大的场景太极可以去做这个事情做好了它其实对社会也有比较多价值对公司来说我们也可以用太极作为我们MESHE的技术设施如果说一个擅长不擅长我觉得你不用特别擅长我举个例子就比如说你看现在最成功的CEO他们有多少是技术天才出身的他们大多数都是有很强的技术背景对吧比如说Jinson Huang他是学EE的然后你如果看中国像雷军他之前是中关村劳模写代码出身他的代码水平真的就是顶级的吗我觉得不一定我觉得你比较擅长就可以了你如果完全不擅长比如说我以前学的专业我的人脉我的经验和我在做事完全不搭杂这个成功率其实是很低的比如说你看马云马云他好像不是技术出生但他这种英语他英语很好或者说你看Elon Musk他以前是很小就开始编程写游戏他很小就是技术背景你想到最好的CEO全部都是有一定的技术背景出生我觉得我的技术能力其实比他们要有点溢出了我不需要这么多的技术背景所以我要补充商业上面的一些知识对吧但是我觉得是必要的是要有一定相关的积累的但是你不需要成为这个星球上最擅长这个事的人才把它变成一个business对我换一个说法说你是这个星球上最擅长这个事情的人也没有意义因为你作为CEO有太多的事情必须是CEO这个职位去做比如说大客户比如说融资比如说招聘那么你比如说那你就算最擅长写Cuda写PTX又能如何呢能帮助你融资招聘吗一定程度上也许可以但是你最后不会有时间去做这个事你最擅长力也发挥不出来如果今天2025年你现在胡言明只有你自己你抛掉之前说的融资公司你今天创意你会做什么特别好的问题我还是会探索生成社AI在consumer这个场景里面有哪些可以做的大的事情他可能都不一定和3D或者和MultiModel相关了对AI for funAI for fun我问这个问题的原因是前段时间我听了Manus的CEO肖红的一个podcast我意识到一个点就是做agent这个business这个business非常非常好每个人都需要一个帮你管理所有email calendar的这样一个但问题就是感觉没有人有互成河但是同时我又看到你的文字你说选择一个好的创业方向一个好的business这是最重要的因为不同方向的回报存在太多差异了Andrake Papadhi也说过他说一个十倍收益的时候往往只有两倍难对啊就是这样的我再补充一点context就是最近我们一直在聊的一个比较是语树可能是现在中国最成功的机器人制造商人生机器人领域它的营收十多亿人民币十多亿人民币是什么概念呢是泡泡马特的十分之一但是语树现在好不容易做到了行业的龙头做得那么好大家全世界买它的机器人但是泡泡马的钱这个生意更好这个是今天对吧对这个是今天但是未来不一定是这样不一定这个就像我刚才说的那Lovable Concert他很快砰一下子100个米200米的AR了那是不是说我们现在做这个业务没有他们那么多就不好我觉得其实也不是就是 [139:59] 你在一直在排桌上你有的好的团队你有一个一直能够做一个新的事情的机会你有一个稳不正常的一个业务那其实你永远是有一个去做出像NVIDIA像这样的公司的这种机会在的只要你有这个基因基因其实也很重要一个公司到底是技术基因还是一个市场基因还是渠道基因这个其实也非常非常的不一样NASY的基因是什么我们是一个技术基因的公司你觉得这个基因对你现在作为Business是好事还是坏事有什么基因你觉得需要补充呢我觉得是好事我觉得我们需要更多的技术在整个团队里面因为其实我觉得我们的产品设计市场渠道这些都是做的相当不错的然后他们恰恰又是我不擅长的部分所以现在来看这个公司其实能力上面是相当完备的你刚谈到了一个基因我觉得我理解基因就是整个公司的文化你觉得MESH你想要坚持留下的有什么样的规则是碰都不能碰的那有什么样的东西有什么样的文化是你做了四五年你觉得你放弃和改掉的基因我觉得可能最重要的基因是物实或者说直面现实其实很多的错误你会看到它为什么会发生很大的原因就是你没有客观的去看待这个现实这个在我们公司一直是所有的文化里面的基石Respect facts尊重事实比如说这事你做的好好就是好不好就是不好尽可能客观去看待它而不是把不好说成好好说成不好或者说对外传播一些没有数据之身的信息来夸大自己有多好我觉得这个其实是我们的文化里面不会去做的事情犯过这样的错吗不尊重事实在曼西里面有其实和model evaluation有关系比如说有的时候你是无意会犯这个错误因为比如说你这东西生生的好不好你没有一观的一个方式去evaluate所以最后就会变成tree model的同学都觉得自己这个model好得不得了但实际上你必须要有一套系统的evaluation的方式去评估它做得好还是不好这其实是必须要尽可能的客观因为每个人都会有自我保护这种自我保护就会让每个人觉得自己做的工作还不错但是你如果找一个另外一个人左右随机present这是一个Meshit的新版本这是一个老版本问他哪一个版本好他不知道哪个新哪个旧的很多时候有的时间你会做出去你发现原来旧版本好我们折腾了这么多没啥意义但是你如果说相信了一些害人的古话比如说一分耕耘一分收获我觉得这个完全是骗人的比如说天道酬情我觉得这个就是骗人的如果相信了我已经这么努力了我一定会有回报这个完全就是没有逻辑的事情世界上绝大多数努力没有任何回报的你做的事情越大风险越大往往就是你付出了99分的努力一分回报也没有但是你的心里又会自我保护说我这么努力了怎么就没有回报呢那多多少少进步了一点吧只要你有这样的想法那你就没有在客观的面对实施创业最大的残酷事实就是在于你大多数努力没有任何用但是你必须做出这个努力因为你不知道你的100分努力里面哪一分就是有用的你必须因此去试剩下的99分但是你也必须尊重这个事实这个事实叫做我的大多数尝试没有什么用在Mesh这个chapter我还有一个问题是关于这个时代的因为或者我应该这么说可能3D生成这个business一直都存在20年前你做出来肯定也有人买10年前做出来也有人买但今天这个时代不同的是深圳是AI我们有了LM这样的东西在这个时代做Mesh这个生意有什么机遇和挑战你会怎么定位自己你担不担心哪天哪个新的技术出来就把你给颠覆了对特别好的问题我觉得机遇其实很多当然不管是技术上面的逐渐很多技术走向成熟像Diffusion RF DIT或者MOE这样的技术其实能让你做出这样的模型变成可能 [144:59] 然后另外一方面呢其实你在这个过程中有很多上下游的产业逐渐变成熟比如说text image像blackforce lab他们就做得很好比如说in language generation这块其实chatgbt cloud就做得很好video这边有gemini的google的view3也做得相当好那么在这个里面其实有很多的事情你就不需要自己去build你就去找一个供应商把API接进来其实就可以了那这个肯定是一个很大的机遇最大挑战就是由于这个时代它的节奏是非常快的所以你必须非常努力的去构建更新你的产品才能在这里面保持一个比较好的位置这我想在所有的AI公司都是一样的你现在工作墙都怎么样我工作墙都挺大的我觉得不太适合在这个节目里面说要不然大家可能不敢创业了PhD的时候累还是现在累那当然现在累PGD时候那可爽了PGD时候是我换了导师以后是我最开心的时候因为我只要把自己照顾好就行了但是现在你作为CEO你的责任是非常重大的整个公司要赢大家得有饭吃然后投资人会期待公司的发展快客户希望你尽早deliver你的新的产品然后公司变大了以后还有很多我不那么擅长处理的事情我现在必须学着处理所以我觉得坦率说是挺累的一个状态但是我每天起来都会觉得这一天good enough我还可以元气满满的再去迎接新的挑战而且在这过程中每过一两个月我都会觉得自己好像又进步了一些我觉得在这过程中其实完善了自己性格上的很多的缺陷或者认知上很多的盲点我有句话有句话我觉得很有意思叫做和平连带没有什么比创业更能锻炼一个人了杰森说过他再来一次不会创立NVIDIA了你呢我觉得这是凡尔赛我觉得你有一个四万亿美金的公司你说什么都可以你说什么都是对的你就是爸爸我还是会选择再来再做这个公司因为我觉得在这个过程中虽然很suffer虽然每天都觉得这个怎么这么痛苦世界毁灭但是总是觉得在这个过程中能学到很多我觉得我变成了更好的自己我能够去看到世界里面比我以前在学术界里面那个小食堂里面以外更广阔的视野而且听起来你学到的教训都是当教授和去大厂学不到的东西我觉得是不能在那种被保护的环境当中指望自己能学到太多除非你有一个特别好的mentor你希望五年后十年后的Mesh AI被人们记住的是什么是你的技术是你的产品还是你的文化我觉得应该是一个技术驱动的产品一个公司的文化永远是为赢服务的如果这个公司的文化使得这公司赢不了我们应该放弃这样的文化但这不意味着你要去adopt某一种狼性文化或者大家很讨厌的这些东西而是你是要在找一个少数人认同的一种文化的共性这个文化可以是我们大家很努力的工作大家很负责做事情很追求极致很能take risk接受风险或者拥抱变化这些其实只是过程而已一个好的文化一定能孕育一个好的公司好的人才梯队好的产品但是你作为CEO其实你一定要选择一个能赢的文化如果你选择了一个输的文化那你就不用当CEO了输的文化有什么特质输的文化内耗甩锅不切实际我说这不切实际不是说我们有很高的目标不切实际高的目标我觉得目标依然是可以是高的但是输的文化就有一点是不面对事实我明明做的事情是这样我一定要把它粉饰成是另外一样我觉得这样是或者出了问题我不去复盘不去反思或者说团队不能批评CEO不能再公开指出瞎人的问题大家追求和谐这些我觉得都是会输的现在你的团队经常有人批评你吗我前天刚被人骂了一顿是一对一的当中大概上周的时候坐在这边这个同学把我和另外一个同学三个人把我拉到里边走廊里边说我有事情没有走好 [149:59] 不算是当众吧算是一个一对二或者是什么的什么样的事基础上的是商业上的是团队管理上的是管理上的事情你是非常能接受这样的是我当时听到了我会心头一紧但是我会听他说完然后再想自己是不是真的没做好后来发现确实有没做好的地方我觉得你能招到这样的人有这样的氛围也是很幸运的对有很多人不会这样的他一定是对这个公司有自己很强的ownership然后希望这事能搞成他把自己当CEO一样看来他才会愿意跟你讲这些对我觉得这个是基本功你如果说是一个制造业的公司那你当然可以更强势一些但是我们这不是我们是一个创新驱动的公司你在创新驱动的公司你就要接受CEO他不一定知道所有的事情关于Mesh我还想跟你聊一个话题上目标因为很早去年把李牧给了一个talk应该是回校的他说不同阶段有不同阶段的目标他说学生就是好上学GPA发论文PSD就是KPI发论文打工就是promotion创业他说目标是exitexit是你创业的目标吗我觉得它是一个手段而不是目的吧当然我会以比如说三四年以后我们的IPO这个事情作为我们的目标现在看起来也是可以实现的如果顺利的话那你总得回答那IPO以后呢或者你万一不能IPO呢那你是不是就不做了我觉得当然也有人提出过收购或者一些其他事情但是我们现在还在这还是在继续自己做着那么对我来说做一个大家爱用的产品或者说在这个过程中不断的更深入的了解自己让自己成为一个更好的人也能带领这个团队里面每一个人成为更好的人本身就是做这个公司的非常重要的目的之一至于最终是什么样我觉得是给大家让所有人对得起所有人就可以所有人都有不错财务上的回报职业上能有发展也做了一个我们自豪的产品我觉得make Meshi a great place to work让 MESHE是一个最优秀的人觉得很好的工作地方本身就是做这个公司的目的之一你觉得距离这个目标还有多远我觉得现在已经基本上是现在基本上是这样的状态在公司工作的很多同事有些同事已经三四年了他们会说MESHE是他们工作十几年以来觉得最好的公司为什么因为在这边他们能够快速的成长他们有一个能听他们诉求的leader他们在一个很好的发展的业务当中跟着公司一起在MESH这个事情里面扮演了更重要的角色也了解到最前沿的科技可能以前他在大厂只是写一个shader在这边能够来玩512块GPU大家在这过程中每个人都变成了更好的自己Mesh部分的问题我问完了我想留给你一个时间补充你想聊的关于Mesh的事情或者甚至你想现在要招聘在这个podcast里面说都可以那很好我们一直在招聘AI researchermachine learning engineer然后compiler engineer我们现在主要的招聘还是在Mesh的AI这一部分然后在这块我们有非常generous的package然后我们的实习生也是globalpay最高的薪资是一年一百万人民币或者14万美元我会亲自花时间和实习师一起去做产品做科研然后如果大家还是在读的学生的话欢迎来申请我们的实习师项目当然我们的full time的offer就会比这个更加的慷慨了不管你是喜欢trimodel还是设计性的网络架构还是喜欢搞data还是喜欢做evaluation system还是Performance Optimization这些其实我们这都有很多的岗位欢迎大家报名参加不管你在世界的哪一个角落我们其实是比较globally distributed的一个公司我自己在硅谷但是其实团队也有不少人在世界的其他地方然后太极这个项目我们最近也在复苏这个项目 [154:59] 因为之前这个项目的火种一直留着Mesh里面有地方是用着太极我们也特别想在招聘两到三位做对GPU编译器或者图形学感兴趣的同学来和我一起把太极2.0再朝前面去做一做我觉得有太极现在的用户量的基础其实我们后面在LM领域在AI这个时代还是能让太极做出很大的影响力的一个有意思的数据是你如果看NVIDIA WarpTreton然后Module这些项目的Star的数目都没有太极多太极还是很popular的只不过没有找到一个大的领域去施展所以我觉得2.0的时代太极肯定能做出更大的一些impact全球照片而且你们公司应该非常flexible就是work from home的话以前是很多work from home但是我们逐渐的在要求大家每天至少来四天office我们在中国的office也是周三是work on home的周一周二周四周五是要到office为什么呢因为我们发现见面讨论效率会更高中国的office在哪在北京和上海所以现在是北京上海和硅谷还有深圳还有深圳好,月明我会进入现在的最后一个chapter我叫他勇气与智慧是你写的文章的标题我想先跟你提四个关键词是你在文章里面多次提到了分别就是brain、头脑、guts、淡时、heart、心灵、taste、品味为什么这四个这么重要为什么不是其他的词其实前三个词是来自于老黄的老黄有一次在Stanford演讲学生就问他你在NVIDIA招人的时候的标准是什么他就提到Brain, God and HeartBrain其实很好理解我们都希望最强的Problem Solver能够加入我们的团队Gut就是你得能在信息不完全的时候快速采取行动去推进一个事情能够接受失败的风险能够从失败中学习Hards我们希望你是从内心深处是善良的这并不意味着你要做一个最Nice的人有的时候给团队提出高的标准反而是最大的善意因为你不提出这样的标准团队会失败最后整个团队解散一样的但是底层你不能是一个有害人之心的人你应该是一个有原则然后诚实这样的一个人TasteTaste是我自己家的我觉得要有好的品味我一般招聘手也会问问你玩什么游戏你周末会干什么然后看什么书这个很难用语言描述但是只有秩序相投的人才能长期的一起密切合作你现在周末干什么看什么书最近看小米雷军的书比较多我觉得它是一个非常值得学习的一个创业者他其实我觉得有很多方面我和他也许有点像都是他就说自己是中关村劳模在忙着给微软打的时候同行都在做互联网然后完全错过了互联网最后意识到一个非猪理论就是台风口猪灯的飞起来其实和我讲的这个Y是类似的事情对吧他很勤奋那个时候跟微软一起做微软做Office他做盘古的套件最后没卖出去也让我想到创业早期的时候做商业化失败的产品但他现在是很成功的企业家我觉得他的对于产品品质的追求对于细节的把控对于大方向的把握还有对于自己以前的挫折的复盘都是非常有参考意义的你曾提到其实我们之前聊过你没去fair的事但是我在想在这个点上深挖一下因为你说到explore代于explore it现在回头看你会怎么权衡short term impact和long term vision我觉得这是一直在权衡的事情那我一般的做法就是花20%的时间去想未来的事情 [159:59] 如果是vision它是一个持续的过程你不是说我今天有一个vision这事就结束了因为整个市场会不停的变化你的认知会不停的变化所以可能更好的一个词是visioning你每时每刻都要想着未来到底是会是什么样的五年以后的世界十年以后的世界会是什么样的会是什么样你怎么想我觉得为什么AI for fun这个事情对我来说很有吸引力因为我觉得AGI来了以后所有人都要失去工作然后一个更好的世界就是大家还能开开心心的活着过得开心就好虽然我是很干的一个人但是我从来不批判有些人有些同学或者我面试到的人他愿意选择一个work life balance的生活That's your choice他们愿意选择就这样了对吧我能做的只是告诉你你要来一个AI公司你要想清楚这个行业是前进很快的可能会工作比较辛苦你愿意接受这样你就来你不愿意接受你就不要来那我觉得其实在世界的未来可能也许很快大多数人就不用工作了吧那立行人做什么呢所有人都有条件开着私人飞机去这个世界的各个角落体验一下南极是什么样埃及的金字塔是什么样甚至回到过去看看古巴比伦的社会是什么样吗我觉得不能所以如果说我们能用现在的深城市AI的技术去给大家创造一种immersive的experience让每个人的生活虽然同样过了一生你有了这个技术你就可以过得更加的丰富你可以回到你的过去去做你没有能够当时没有机会做的事情也许回到体验一个不同的人生比如说我去费尔如果我去费尔现在人生会是什么样不一定有现在开心不一定对吧可能就在做cursor让我觉得不是对也有可能对吧那我做cursor真的比我做Mesh更开心了不一定让有限的时间通过深深CII的技术每个人的生命都能无限的丰富如果能实现这个事情我觉得这个ultimately就是世界所需要的最终极的技术之一我想跟你聊一个关键词你提出来的叫阶段一和阶段二对你说学生要不你来介绍这个概念就是很多例子嘛阶段一和阶段二就是基本上阶段一就是在解决号的问题阶段二是在解决y的问题阶段一的时候你有一个明确的目标阶段二的时候你没有明确的目标阶段一的时候你把自己的事情做好就可以阶段二的时候你要去想整个团队做什么事情才行阶段一的时候别人给你出问题阶段二的时候你给自己出问题比如说一些例子从本科生重要的事情就是学书本上的知识到研究生你可能要去找一个好的研究课题然后研究室内部也有阶段一和阶段二你可能最早的时候导师给你一个课题去研究但是到第二阶段你就要自己去找到好的课题因为导师不见得有你的第一线对这个问题的感知不一定知道最重要的问题是什么你只能靠自己比如说你原来是在一个大厂里面是一个individual contributor一个独立贡献者一个IC不带团队你做好上级给你安排的任务就行你现在变成了一个manager你要去给整个组织一个愿景给他们设计目标让整个组织能够运作你要面临巨大的不确定性比如说你以前是公司职员现在出来自己创业以前工作的时候所有的平台所有的确定性都是公司提供给你的但你自己创业以后你瞬间失去了这一切你瞬间所有做的事情都变成你自己要figure out这些repeatability你接下来要做的事情完全是依赖于你自己的探索你自己得到了新的知识这两个阶段如此的不同以至于很多人会在阶段二的时候继续沿用阶段一的思维方式这就会导致阶段一的灾难而且很多的例子是阶段一很成功的人到了阶段二对阶段一越成功往往阶段二就会越suffer为什么呢因为你阶段一的技能和阶段二技能需要的是完全不一样的阶段一可能是服从指挥卷效率不断磨练某个具体的技能但是要阶段二没有人在指挥你了 [164:59] 也无从谈起因为连效率的metric都没有定义无法定义效率你也不会有精力去磨练自己具体的写代码或者说绘画或者说某一种具体的技能所以你会非常非常的不适应如果你没有意识到OK 我现在是二阶段了就跟打boss一样一个血条打完了现在要打现在变形了打第二个血条你还用第一个血条的方式去打它很快就挂了就重来了你犯过这样的错误吗我犯过我觉得在我每时每刻都在不断犯这个错误人生中其实每时每刻都有阶段的变化就像我刚才说的为什么每三到六个月都要成为一个全新的自己你如果不去每三到六个月变成一个新的自己的话你就永远卡在了上一个阶段如果你的公司每个月增长20%的话你想三个月三四个月够你营收翻倍了对那你还在用以前那种方式去处理现在的问题吗不能你怎么判断一个人是不是会成为一个很成功的阶段二的impact maker看这个人能不能承认自己其实是傻逼尊重事实尊重事实错了就认错然后不断的还是在提高自己有一个好的role model即使这个role model离自己很远你的role model是很多Elon Musk我觉得就是然后在学术界的话我的导师Freddo然后在中国的企业界我觉得雷军或者在这边金森黄黄人勋游戏领域的话勾门帽或者说任天堂的另外一个人亨景军平他做了gameboy我觉得他们都在某一个领域做到了最顶尖然后他们的做到最紧尖肯定都是有自己的原因的我觉得如果你去看看他为什么能成功的原因去让自己不断变成一个更好的人哪怕意味着自己过去是一个傻逼That doesn't matter没有关系Starting from now从现在开始你就是一个新的人过去的你和今天的你和明天的你没有任何关系你可以变成一个更好的自己你对阶段一的PhD学生有什么建议阶段二的PhD学生有什么建议阶段一那就是老老实实把paper发出去你如果一篇paper都没有那不要去谈我要去看清楚这个行业什么趋势了阶段一就是卷卷执行我把这个事情好好执行好多发几篇paper得到更多的反馈得到更多knowledge然后当你有个三四篇顶会的paper了以后你要开始想这几篇paper我虽然都是同样的是一篇paper对吧做得怎么样呢多少人来引用我的工作哪些行业受到了改变我这些工作是不是成体系的是不是变成了一个大家公认的最好的工作有多少人adopt比如说Resnet就是一个家号多少人adopt这个家号然后有没有其他领域的人来用我们的工作有没有破圈只有阶段一疯狂的卷你才能得到足够多的信息才能把你带到阶段二但是到阶段二以后执行依然很重要但是要花时间去想外很多时候大家到阶段二还在灌水还在是我现在三篇我今年再发三篇变成六篇然后我不断这样去做都当然可以做但是就像你刚才说的很多十倍影响力的东西只是两倍的难做而已你看到的比较成功的这段二的PhD有那些很好的问题我觉得凯明肯定是当然人家已经是教授了你曾经写到你说不要只做Cgraph里面的小鱼要去整个CNS的池塘里面做大鱼你现在定义的影响力是什么什么是大鱼你怎么判断自己有没有做成大鱼很好的问题我觉得如果太极2.0能够在大宇言模型时代还有很多应用然后它的影响力是太极1.0的50倍以上我觉得就做成一条大宇了那样的太极2.0会长什么样可能所有的Transformer里面都要用到这样的东西或者说我们能够把像刚才讨论的能够把Simulation [169:59] 彻底和神经网络能够结合起来能够做出来一种Hybrid Simulator它既有Simulation又有Data Driven的部分但是你要把这两个东西结合起来必然要有很好的Infrastructure太极能够成为这个Infrastructure在Robotics领域有很多人来用太极当然现在有不少人在用太极去做Robotics很多东西但是我觉得可以更多或者Meshi朝着多摩太生成的领域做着做着能做成AI for fun那我觉得都做成大鱼了你现在怎么理解失败因为我觉得你在文章里面写到你说你不再害怕失败了真的吗我觉得可能很多时候就是失败又能怎么样呢很多时候大家会把失败的后果想得非常严重那失败了我会死吗我会失去做未来的事情的机会吗只要我还活着我觉得我就没有失败而且我觉得就算你做公司做fail我也不会说自杀或者什么的我只要能活着我就一直能做新的东西所以任何的失败只是暂时的失败而已真正的失败可能是做了一两次尝试然后不愿意去再去创新了一招被蛇咬十年怕警生老老实实去做一些很保守的事情我觉得是真正的失败如果说你的目标是创新的话那既然创新大多数创新的都是不make sense你如果是一定能成功的事情那就不要创新了创新可能十个里面的成一个就不错了我经常安慰我们的团队成员说这时间做失败的不要紧你只要是努力做了而且你的insight是对的那失败是很正诚加成万分太容易失败了有一句话其实你说的是你觉得人生要做大事而每件大事往往要做四五年你觉得从这个角度上来说你做好了几件大事迄今为止未来你还想做那些大事我们可以先把数算一算我当时这么说是因为我假设我自己从20岁开始做事20岁大概大学毕业开始做事然后做到70岁退休holy我70岁能退休中间是50年50年的时间你如果说五年做一个事你可以做十个事然后这十个事中间必然有一半是失败的因为你如果十个事全做成了说明你做的事情风险都很小那就不是真正创新真正创新一定会有失败率的所以这十件事情里面可能只能成五件事这五件事情我到目前为止做了多少是吧你是这个问题现在做了多少未来想做什么我觉得我现在做了做了0.5加0.5一个0.5就是太极做到了现在这个阶段那我最近在筹划太极的下一个0.5是什么样的如果把这个事情做好可能要再花四五年的时间那大概就是能做到一个一然后Meshi我觉得现在也做到了0.5就是过了Pronomark Fit然后在现在可能是从一到十从十到一百这样的一个状态那后面还有很多事情可以去做那把Messie搞到上市我觉得是另外一个零件上市之后呢上市之后我就可以再去做我的下一个一了你文章里面提到过解决问题的能力你觉得你人生的意义会不会被你解决问题的能力所限制有没有一些问题是你能力不所及你意识到了你也决定不去解决了那很多呀首先我觉得人生有很多很多意义并不是说你只有过一个非常intense的人生过一个非常累辛苦做事改变世界的人生才有意义你如果你的人生的意义就是我就要把我的父母照顾好我要去培养一个出色的孩子或者说我想做志愿者工作我能照顾好100个孤儿这也是很有意义的事情不是说所有人都必须去像Elon或者Jinson那样才算是一个有意义的人生每个人有自己选择自己人生的这样的自由也没有说有什么高下之分特别是当AI时代来了以后大家都能吃饱穿暖甚至工作都不需要我们做那这样的一种社会里面我觉得需要更多的包容给更多的选择的给每个人更多选择的权利包括现在躺平我觉得躺平又躺平能怎么样呢你能过得好过得开心也很好那么是不是有一些我的人生选择被解决问题的能力局限住 [174:59] 那当然那我现在就不能像Elon那样去做XAI没有那个融资能力对吧没有那个号召力没有那个钱去整这个事那但是我还是乐意去看一看自己人生到底能发展是什么样朝后面也许吧MessieHopefully能做得很好然后上市了然后有更多的资源可以去做一个更大的事情那你一个上市的公司和一个像我们这样的很小规模初上公司能做事情完全就是不一样的然后显然我现在是没有一个管理一百以上个人或者一千个人这样的公司的经验那我要去逐渐学这些经验那如果我不具备这些经验我没有踩过那些坑那我就没有办法管理很大的团队那没有办法管理很大团队那很多事就做不了对吧你理想中的人生节奏是像现在这样高速推进as a CEO还是回到PhD期间单纯写代码的状态是不是你更理想的状态坦率说PhD期间那种状态我会更喜欢但是again我觉得喜欢和对你有益是两把事吧一个人永远过自己喜欢生活那他也许能过得开心但也一定会失去很多机会所以我觉得现在生活也可以我是一个非常耐操然后适应能力很强的人我对生活的品质的要求很低不要饿死就行了如果在不饿死基础上还能够做点自己感兴趣的事我觉得就很好所以钱完全不是你创业的持统力我觉得可能只是5%10%那我要想赚钱我有很多方法可以去搞钱但是搞到钱以后然后去阿斯特特买个房然后就那你还是要解决那我干什么的问题还是做事比较重要你现在还在写代码吗我写每天花多少时间上周可能写了几个小时两三个小时这周可能少一点但这周我帮坐在这边的两个同学修了一个bug通过读他们的代码可能10%的时间去做一下这个事情因为你偶尔还是要sample一下现在的这个问题到底是长什么样这样对你招聘对你的技术的决策是很有帮助的一个CEO如果不写代码我觉得很容易飘就是你觉得这些问题就是容易解决的问题实际上你去每天看看大家解决这些操弹的东西你就会发现还是挺复杂的这里面你会害怕有一天自己不再写了吗我会我会担心因为我就完全双脚不沾地做出的决策都是上层的阴阳无形这些不着料的决策我还是相信一个好的方式一定是hand zone你看雷军JinsonElon他们都非常的hand zone但他们不一定是写代码对他不一定写代码对吧可以设计产品他可以去亲自跟供应商谈他可以去对技术有很深的理解我觉得可能Handsome这个词不好可能是真正理解技术真正理解技术我觉得Lisa SuAMD的CEO就我们隔壁那个楼他就说有一次到MIT演讲因为他是MIT毕业的他就说他比了MBA最大的一个强项就在于他actually understand技术怎么工作他实际上是了解技术如何工作的这个对你很多的商业角色是很有帮助的理解到哪个程度叫actually understand我觉得自己至少一手做过吧比如说你如果是做MESH这个事情自己train过modeltrain过GANtrain过这些CNN什么的你不一定train过diffusion但是你大概知道这个training dynamics这个ADAM optimizer这些参数是alpha beta是怎么回事你写compiler你要立的一compiler团队你至少之前写过汇编写过compiler吧如果不是这样的话其他人为什么要为你工作呢他从你这儿学不到东西假如有一天胡言明不再创业了他会做什么写书 继续把我的games201再搞一个高清重制版当年讲的太 当年我跟你们一样嘛就是在英伟达实习然后我记得当时因为我在因为covid我在bos里面远程实习我记得早上是8点钟开始讲正好国内晚上8点钟 [179:59] 讲到九点钟九点钟讲完我再睡一觉睡到十二点然后上Invidia那边西海岸九点钟开始上班然后基本上周末是没有任何时间休息准备的非常非常仓促就是其实当然当时因为国内没有任何simulation方面的教程所以大家觉得这个还可以但我觉得也只是从零到一吧没有说真的把simulation这个事情里面很多技术细节其实讲的还是不够透彻因为我自己准备的时间也很有限所以我还是想把这个事情再做做好一点想写一本教大家怎么搭simulation怎么做graphics rendering或者就是刚才讲的那种hybrid simulatorsimulation如何和neural network给整合到一起然后最好还是有点robotics方面的应用那我觉得就更好了我们这个podcast其实很多听众是年轻更年轻那一辈的我想知道我也很年轻我是94年的没有比你们大多少对你对现在年轻人如果他们要读博有什么建议争取在这过程中找到自己真正热爱的事情我看了太多人读博只是为了一个学位但是最后也不喜欢这个事弄得非常痛苦但你其实找到热爱的东西不是通过读博找到的对我是在读博之前我就很知道我会很喜欢我读博的时候做了这个事因为我在本科的时候已经实现了几十篇CGraph的论文了所以我知道我只是从复现别人的论文变成我自己做一篇论文而已我会知道我会很喜欢这个事情对于想要创业的年轻人你有什么建议我觉得首先是get ready你得先知道自己是不是ready for这个创业这个ready不是说你想清楚了做什么而是你要去有失败的承受能力这个就包括你的可能父母得身体比较健康的然后你有一个稳定的家庭以至于你可以七十二十四小时想着你这个公司该怎么做然后把这些事情搞好了以后其实可能行动是最重要的take action我觉得这个行动指的是执行还是说真正迈出那一步去创业我觉得真正迈出这一步去创业吧其实很多事情都是可以学的都是可以快速的去试错去学然后发现自己傻逼了然后变成更好的自己所以经验倒没有那么的重要是不是想清楚也没有那么重要只要你能承受失败的后果只要你的心态是失败了就失败了能怎么样了我当时创业的心态就是OK我PhD三年半毕业我就算浪费两年相当于五年半毕业能怎么样能怎么样了我当时就是这样的心态而且我父母我那个时候身体也还不错然后家里面也没有什么我要担忧的所以做了就做了做了就做了十年后的胡远明你会希望是什么样子我还希望能够保持今天的所有的好的品质然后把这些坏的品质全部都留掉你现在知道那些坏的品质是什么吗我知道有什么比如说闲不下来管得太细比如说这个会把自己时间管理没做好会把自己搞得很累比如说这个执行的时间大于思考的时间我觉得这些都是要被改变的我所有的问题已经问完了袁敏你还有什么想留在这个podcast2025年当一个时间教囊给你自己给Meshi给这个领域看你见着你成长的人希望能够在这个podcast留一个记号的话对简短的说希望所有看到这个podcast的人都能具备勇气勇气谢谢袁明我们今天到此为止谢谢谢谢