# 他看到了什么？| 对谈张帆：前智谱COO，元理智能创始人/CEO ——为何笃信 AI 的机会在 ToB？ 十字路口Crossing · 2025-11-16 · 86 min · https://www.xiaoyuzhoufm.com/episode/691952ddcbba038b42bd9077?utm_source=rss ## 逐字稿 Koji 中国的创业者和 VC，说到 To B，都是有一种生理性的恐惧。但今天我们的嘉宾却选择逆流而上。张帆之前是智谱的 COO，最近选择创业，做 To B 企业服务这个赛道。今天很开心请到你来做客十字路口。 张帆 谢谢，谢谢柯姐。 第一个问题想问你，是什么原因让你那么勇敢，敢去做 To B？ 张帆 ### The To B Contrarian Bet 我经常在思考，在今天这个时代，到底什么是反共识。我觉得，今天市场的共识让我们有点担心，而历来我们所有的技术，包括商业模式，都是从一些反共识开始的。所以我总在想，今天的反共识是什么。 今天大家有一个对于创业的共识，就是大家认为 To C 是更大的机会，尤其是对中国创业者。没错，To B 是一个更难的机会，特别是在中国的环境下，像你所说的那样。 但我不倾向于直接得出这样的结论。我觉得这更多来自我们的归纳法，因为在互联网时代，确实很多成功的公司都是 To C，而 To B 的收益并没有比 To C 差很多。 如果我们从演绎法的角度来看，这两个时代是不是有一点不一样？你觉得互联网时代和 AI 时代不一样，或者 SaaS 时代和 AI 时代不一样，还是要看环境和变量？ 张帆 ### AI Breaks To C Moats 在互联网时代，有一个很不一样的点，就是当时线下已经完全构建起来了，但是线上是一个完全的空白。所以那个时候的关键叫作模式创新，大家快速地跑马圈地，在跑马圈地的过程中快速构建自己的竞争壁垒，而线上的竞争壁垒往往跟线下是不同的。 比如说，传统旅行社的供应链，在携程的角度是没办法直接用的，而携程有机会去构建全新的供应链。所以那时有相当长的一段缓冲期和战略纵深，让企业可以快速奔跑。 所以在那个时代，我觉得 To C 是很有机会的。但今天从反共识的角度来讲，我觉得 To C 其实蛮难，是因为今天不但线下是满的，线上也是满的，并没有出现一个新设备。这个时候你会发现，原来在线上有效的一些壁垒，在 AI 时代依然存在。 比如说，我今天可以非常容易做一个非常高级的旅游 Agent，也非常有信心它能提供很好的体验。但是你想想，这是一场不对称的战争。如果 OTA，也就是像携程这样的公司，想追上你的体验，也许只需要花 1 年；但是如果你要追上它的供应链和服务体系，可能要 10 年。 冰山上的大家看到的界面只是一角，而支撑携程今天这个帝国的，可能是冰山下的整个供应链体系和运营体系。其实大多数业务都是如此。所以在这样的背景下，我觉得做 To C 很难建立高效、有效的壁垒。 你的职业生涯里，我们知道你在智谱负责 To B，但在更早之前是不是也做过 To C？ 张帆 ### The First AI Wave Failed 是的，其实我 C 跟 B 都做过。我也简单介绍一下自己的背景。大家都会认为我负责 To B，是一个业务负责人；其实我是技术出身，只是在智谱最近的 2 年，我才开始去做业务，而且其中有一半的精力还是放在产研上。 我是在巴黎十一大读的人工智能，当时还在法国国家科研中心做过一段时间的机器翻译。2010 年回国之后，我赶上了第一波 AGI 的浪潮。当时我先后在搜狗和腾讯负责类 Siri 的产品。 那个时候 Siri 发布之后，全世界也是为之疯狂，对吧？每个厂都在做自己的 Siri，很像今天。 张帆 对。那个时候大家都会觉得 Siri 是一个非常好的交互方式，觉得《Her》是不是会到来，所以我们都在做这件事。 但后来很快就全军覆没了，包括到今天，Siri 也不能说是成功的。 可以讲讲当时的经历吗？ 张帆 其实那次是很不成功的。那个时候的技术并没有今天大模型这种通用性的泛化能力。某种程度上，我们当时也有了一点点泛化能力，但主体做法基本上还是结构化的。 我们会把它进行分类，比如定义几十个类别，每一个类别做单独的模型去识别、解析和调用 API，某种程度上是手动拆解。 我们大概火了 2 年左右，大家发现这条路好像不行。第一，我觉得这个问题比我预想的难，可能没那么快。第二，如果它能发生，那一定是大厂的事情，因为这是各家的必争之地。 所以我当时就想，如果是这样，我们今天是不是有机会把 AI 应用在一些垂直领域？于是我就创业了。 大概在 2014 年，我开始创业。当时我觉得，在大厂做这些努力，自己的掌控力会变弱，所以我更愿意自己去试一把。那个时候也不懂创业，就直接开始干起来了。 ### Travel AI Met Supply Chains 我做的第一个项目其实是 AI 加旅游。我们当时做了一家公司，叫妙计旅行。 我们当时的逻辑很简单，就是用搜索的 AI 技术叠加旅游。早期的时候，去哪儿很流行，我们当时称之为一阶源搜索：你从北京飞巴黎，它帮你在所有供应商里找到最便宜的票。 但从一个技术角色的角度，我会觉得这样的搜索空间太小，能得到的价差也不够大。所以我当时想再把它升一级：我不要以一张票为最优解，我能不能以一个旅游行程为最优解？ 听起来非常合理。 张帆 比如说，今天我要去巴黎 3 天、马德里 3 天、巴塞罗那 3 天，但其实我并不在乎先去哪个、后去哪个，顺序可以随便排列。 顺序的排列就意味着更大的搜索空间，而更大的搜索空间意味着其中的价差和体验会完全不一样。 所以我们当时做了一个非常复杂的、基于搜索逻辑的 AI 加旅游产品。你只要输入自己的需求，我们会帮你连接机票、酒店、租车、包车、景点门票、Day Tour 以及城市内的小交通，帮你串成一个行程。 这是一个自下而上的需求发现。我觉得直到今天，这个需求仍然成立，而且好像还是没有被很好地解决。 是的。 张帆 我觉得当时很大的原因在于，我们有点像刚才讲到的那个问题：我们是作为程序员去创业，所以大家第一反应会觉得，旅游其实是一个产品问题，我们要做一个足够 Fancy 的产品。 但事实是，我们做了 5 年，融了几千万美元，最后并不成功，也交了学费。这个过程让我们开始意识到，旅游本质上是一个供给问题，是一个供应链问题。 因为如果你只给了一个非常高级的信息，却没办法交付，这件事就没有价值。所以这也和我们今天在做的事情有关系，它已经印在我们身上了。 所以上一次创业的失败，还是给今天带来了一些启发。 张帆 是的。我觉得非常重要。它让我们开始从一个纯粹的理想主义技术研究者，变成了一个初步合格的创业者。 我们发现，创业的本质不是只做一个 Fancy 的产品，而是要看能给产业带来什么，以及整体体验是不是能够真的 Deliver。它不只是界面的设计，背后其实是一整套供应链和运营。 这是完全不一样的思考方式。 也有人会建议创业者，一开始就不要选择这么复杂的地方，可以选一些更容易创新的领域。如果从这个角度讲，你怎么看？ 张帆 我觉得创业者要特别注意一件事：创业者特别容易自我强化。 我们当时做这件事的时候，2014 年是一个很好的资本年代，我们很容易做这些事情。虽然我们也许并不是那么专业的创业者，但在当时还是很快拿到了很多钱，而且都是一线基金。 所以当时你就会觉得，好像我有一个正反馈，对吧？如果用今天的话讲，就是一个错误的 Reward Model。融资从来不是一个正确的 Reward Model。 不止如此，旅游行业的人也会过来说：“你很厉害，你这个东西很对，我觉得你一定是对的。”个别早期的天使客户也会说：“我觉得你这个方向太棒了，我就喜欢这样做。” 媒体还会来告诉你：“这是旅游门外的野蛮人。”他们会说什么“公牛冲进了瓷器店”，让你产生一种错觉，好像自己就是选对了。 那你什么时候开始感觉到这件事不对劲？ 张帆 当你把注意力从外部的 Reward Model，转到业务上的 Reward Model，你会看用户留存、用户满意度，以及真正解决问题的完成度。 当你真正转回到业务视角，会发现可能看到的东西是不一样的。我们不应该把做一个高级产品作为目标，而是要把它做成一个可以闭环的生意。 应奇之前也反复在讲，所有不能闭环的商业模式都是泡沫，对吧？感觉他也受过很重的伤。 所以我好奇的是，在妙计之后、智谱之前，我知道还有一段创业经历。那一段的选择是什么？ 张帆 妙计之后，给我留下一个特别深的印象。我们当时还自认为自己是一个一流的技术团队，但坦率讲，我觉得一流技术团队这件事太常见了，并不是我们的核心差异。 我们是一个花了几千万美元、在一个产业里深度磨过的技术团队。我觉得能够把产业和技术结合起来，才是我们的标签和收获。 所以我们后来加入了另外一家公司，叫大搜车。我们加入的时候，它也是非常火的一家公司，估值大概 30 亿美元，融了大约 10 亿美元现金。 当时他们覆盖了整个汽车产业链，17 条业务线，包括新车、二手车、二网、金融、保险、物流、软件、代运营等等。 我是作为集团 CTO 加入的，有一个非常庞大的产业团队来支持 17 条业务线，近千人的产业团队。我们又把 AI 和汽车产业做了很多结合的尝试，包括二手车估价、自动化检测、车商匹配等等。 这进一步强化了我们把 AI 和汽车产业结合的能力，也让我们获得了更多经验。 ### The Data Platform Contrarian Bet 之后，我们又开始想回归创业。我当时又做了一家 AI 加数据的公司，因为我觉得自己又找到了一个反共识。 我们在大搜车的时候，数据中心团队有一个 100 人的团队，做了全链路的技术方案，包括怎么埋点、怎么做大数据调度、数据治理、指标体系、BI 和 CDP，全部是全链路自研。 那是哪一年？ 张帆 大概是 2020 年、2021 年。那是我们在大搜车构建这些东西的时候。后来我们又出来创业，大概是在 2022 年。 2022 年的时候，我找到了一个自己认为特别大的反共识。当时数据行业的共识是，只有大厂有机会使用数据，只有大厂可以做数据中台，因为大家的假设都是大厂有最完备的数据基础。 但我觉得，大厂不见得是最适合做数据中台的战场。大厂天然有一个坏处，就是太异构了。因为它足够大，各个部门都会建立自己的系统，而且这些系统经常连以前的文档都找不到，所以数据的统一性很难实现。 你要做大量针对性的数据治理，而且没办法复用。所以在那个时候，我认为大厂做这件事很难。 但我们看到了什么机会？我们看到中型企业，或者某些垂直领域的小厂，反而是有机会的。 比如电商的信息化程度就非常好，甚至比大厂还好，因为是各个大厂为它做的。你发现，如果它要卖东西，无非就是淘宝、京东、抖店，也可能是有赞、微盟，再加上一些 ERP，比如聚水潭、万店通，还有内容制作平台，比如光云。 你会发现，可能 50 个网站就覆盖了全部电商，而且极其标准、体系化。 所以我们做了一个端到端的解决方案：如果你是一个电商企业，给你 50 个常用网站的链接，你只要输入用户名和密码，我们就可以自动帮你把分散在各个地方的数据集中起来，自动化治理、自动化生成报告，甚至给你一些预测，还可以用自然语言进行查询。 某种程度上，我们帮你做了一个数据中台。 这也是一次 To B 的创业，而且成本极低。 张帆 是的。它的成本可以做到正常大厂的几十分之一，10 万块钱就可以有一个中台。 ### ChatGPT Changed The Bet 这件事我们大概做了 6 个月，完成了天使轮融资，也已经有了几个天使客户。正要准备做 A 轮的时候，ChatGPT 发布了。 我很快关注到了它，因为我本质上是学 NLP 的，对这个非常敏感。我看到这项技术之后的第一反应是：这和以往不一样。这不是渐进式创新，而是颠覆式创新。 当时我在搜狗的老板、原搜狗首席科学家张阔，也是我非常好的朋友。他是唐杰老师的师弟。他来找我，说我们要不要来做这件事。 所以当时我的公司就被智谱并购了。某种程度上，并购是为了要团队。我只花了 1 个小时就做了决定：我不自己干了，加入智谱。 那时不像今天大家看到的智谱，当时智谱一单还没卖，处在非常早期的状态。 所以你和唐杰老师聊了 1 个小时？ 张帆 没有，和唐杰老师连 1 个小时都没聊到。我是自己思考了 1 个小时，就决定这件事要干。 这其实是一个人生的十字路口。也就是说，当时唐杰根本没有对你进行说服工作。 张帆 对。当时看起来还是有两个选择。 一种选择是，我们也预判到这一波 AI 会火。加上我们以前做 AI 的经验，以及这么多年 AI 和产业结合的积累，我们是不是可以在原有基础上继续叠加 AI，变成一个新故事，放大我们的融资。 另一种选择，是不是要加入智谱，完全放弃已经构建好的、简单的 PMF 场景，彻底并入一个未知的场景，去做一件全新的事。 我自己的思考，本质上是觉得趋势非常重要。我也可以稍微讲一下，为什么我觉得趋势特别重要，这也是我的创业经验。 在妙计的时候，我们就是普通的程序员、做算法的工程师，没有其他经验，只有一点产品经验和算法经验，可能也只带着十几二十个人的小团队。 但那个时候，在一个用户都没有的情况下，我们就可以融到 1,000 万美元以上，而且是在 2014 年，很多大厂都给你发 Offer，我们还拒掉了一些大厂的 Offer。 当时看起来一切都很顺利。但到了下一段 AI 加 Data、元理智能的阶段，我们发现融资其实很难。 那时我们赶上了疫情和上海封城。在前一年，融资还特别容易，大家称之为 SARS 元年。很多人来找我们说：“你们要不要出来？我们马上就可以给你投资，按一个很高的估值给你做天使。” 当时我们觉得还不到时间。但我们出来的那一刻，刚好赶上上海封城。你会发现所有基金都感兴趣，但很少出手。 而且我觉得我们自己的准备是极其充分的。我们从一个单纯的程序员，成长为能够管理千人产研团队的人，负责过非常复杂的业务系统，也交过数千万美元的学费。我们把市面上相关的案例全都研究了。 但你会发现，融资并没有想象中顺利。这给我的结论是：人在大事面前，能力根本不重要。 我的能力也许比原来强了 10 倍，团队也比原来强了 10 倍，但如果现在不在那个时间点上，你会发现一切问题都会难 10 倍。 当然，最终我们还是融到了钱，只是比我们预想的要难。 这让我想到《Outliers》这本书。书里讲过一个观点：人出生的年份非常重要。 Bill Gates 和 Steve Jobs 都是 1955 年出生的，为什么是他们做出了最厉害的两家电脑公司？因为在他们的青春期，也就是 1970 年代，正好是电脑崛起的时候。 这一批优秀的年轻人，如果你正处在最活跃、最有创业精神的阶段，就有更大的概率比年龄大 3 岁或者小 3 岁的人抓住这个机会。所以我也非常相信，时间对于创业很重要。 张帆 对。出生的年份是我们没法把握的，但是创业的年份是可以把握的。这就是为什么你能理解，我当时会那么果断地把公司并入智谱，从头开始干。 我在智谱做了 2 年多。ChatGPT 是 2022 年 12 月发布的，我们大概在 2023 年 2 月、3 月加入，所以其实是在智谱非常早期的时候加入的。 你经历了智谱从 0 到今天做得特别好的阶段，而且当时在 COO 的位置上。所以你离职的时候，我觉得很多人应该和我一样感到很 Surprise。 然后你很快又开始了新的创业，这一次创业又感觉是非共识中的非共识：在中国做 To B。我知道蓝驰投了 800 万美元。上次我们一起见到蓝驰的朱毅，他说在你身上看到了一种勇敢。 张帆 ### Leaving Zhipu For The Next Wave 我本质上还是一个风险偏好很高的人。 首先，我认为智谱是一家非常好的公司，发展方向和技术能力都非常强，发展也一切顺利，而且现在也正在 IPO 的过程中。在大多数人眼里，可能会觉得你是不是应该等到上市再做打算。 但之前的经验告诉我，如果在那一刻你觉得这件事是你的使命，是你要去做的事，我觉得就不要等，不要等待。 我本身风险偏好比较高，所以毅然做了这样的决定。 所以你说这算不算勇敢？ 张帆 我觉得很难用勇敢来形容。勇敢的逻辑是，你明明觉得这件事搞不了，还要去搞，明知山有虎，偏向虎山行，这才叫勇敢。 我是觉得这是 AI 的下半场。我希望能够像参与上半场一样，更早地参与下半场。 所以你会有一个特别的 Moment，促使你做这个决定吗？ 张帆 不会有那么顿悟的感觉，它是一个渐进的过程。 我们在智谱的时候，主要负责两件事。一件是做所有的商业化，特别是从早期开始，全面构建商业化体系。与此同时，我还负责构建商业产品，从早期到后面持续做，比如我们的 MaaS 平台，MaaS 平台上所有的功能，以及早期像 Code Geeks 这样的 Coding 产品，都是我在负责。 所以我一直在和一线接触。我觉得这有两个方面：一方面，在模型公司工作，很有意义的一点是，你能第一手感知模型底层能力的进化；另一方面，我们也在大规模地见客户。 我觉得在智谱的 2 年，比我自己创业都要忙得多，因为这就是时代的问题，是时代的选择。 2023 年我们刚去的时候，我基本每天要开 7 个客户会。每天 7 个，根本停不下来。比如每天开一个 1 个多小时的会，打开手机就有 100 多条未读消息，都是各种各样的人找到智谱。 当时只有智谱有模型，所有人都要找过来，你都要去交流。每天晚上要到 12 点才能开完会，12 点开始回消息，回到 1 点，回两三百条，然后再睡觉。 那一段经历让我们感觉到，我们不会比任何人聪明，但我们的选择让我们更早地接触到第一手的模型发展趋势和第一手的用户感知。这是我的一个收益。 在这个过程中，我们也开始思考。模型的发展是这样的：在早期阶段，也就是 2023 年、2024 年，你会发现基座模型是一切，因为当时任何上层构建都完全依赖于基座模型。 我的理解是，那个时候模型的“智商”可能是 60 分、70 分。某种程度上，你已经看到它有人的行为了，但如果真的落到具体事情上，还是很难。 但到了今天，或者说到了今年，我发现模型的智商已经开始到 100 分或者 110 分。所以这个时候，各家模型、整个市场的模型都已经进入了相对成熟的阶段，市场范式发生了变化。 模型之外的东西，可能会变得更重要。 我举一个例子。你看人类社会，在过去 5,000 年到今天，人的脑容量没有变化，基本上还是这么大。我假设人的智商其实也没有本质变化，但今天的人和 5,000 年前的人比起来，生产力可能增长了 1,000 倍，至少如此。 那么，在智能基线没有变化的情况下，是什么让生产力上涨了 3 个数量级以上？我觉得本质上就是几件事：教育、分工、工具和组织协作。就是这几件事，重新构建了整个世界的生产力。 但这件事不会发生在智商只有 60 分的时候，也不会发生在动物身上，因为它没有达到那个临界点。 从我的视角来看，我觉得基座模型今天已经到了这个临界点。但在这个临界点上继续往上提升，我自己能带来的帮助是有限的。所以我反而应该思考，如何为 AI 构建社会形态，为 AI 构建它的分工、教育和协作工具体系。 这很有意思。所以也是这个观点，让你认为自己现在应该开启一次新的创业。 张帆 是的。前两天我看到黄仁勋也讲过类似的话。他认为，人还是要想清楚什么事情是只有你能做的。 如果今天这件事每个人都能做，大家都在做，你不一定要浪费时间去做大家都能做的事。我觉得在这里，People-Mission Fit 变得非常重要。 我确实觉得，如何构建一个标准体系，让模型从基础智能转化为生产力，并且这个杠杆能够撬动 3 个数量级以上，我觉得这件事需要非常强的模型理解能力、产品能力，以及对业务的洞察和理解能力。 我们之前所有的创业经历，几乎都是围绕这个方向。所以某种程度上，我觉得这件事是我一定要干的。 元理智能到现在大概成立多久了？你们现在有没有方便介绍的客户，以及你们为这些客户做了什么服务，帮助他们产生了什么价值？ 张帆 我们大概是在 7 月份注册的公司，到现在也就是 3 个月的时间，一个季度，还不算很久。 客户的选择也比较有意思。首先，我们并不希望把它做成定制化的，但我们又明确知道，不能闭门造车。所以在前期，我们会有几家天使客户跟我们一起共创，让我们用比较全方位的服务方式，帮助我们构建产品，确保它是有效的。 第二，我们会给客户设上限。我们认为到明年 Q2 之前，服务的客户不超过 6 家。 我们不设下限，是因为核心逻辑在于，我们希望共建出一些灯塔客户。我希望这些客户能因为我们的服务，在关键业务指标，甚至财务模型上带来明显变化。 我们试图打造一些从传统公司转化为 AI 时代公司的样板，这是我们的目标。 另外一个有意思的点是，我们选的这 6 家公司都不是同一个行业。如果要确保我们具备泛化和通用能力，就必须面对不同客户，确保它能 Work，这也会推动我们更有效地设计出一个通用框架。 可以具体讲讲这些天使客户的故事吗？他们和你们在配合做什么？ 张帆 ### Business Outcomes Over Features 因为还没有得到对方的同意，我先不讲对方的名字。我讲讲我们做这件事的方法论。 首先，如果用强化学习的逻辑，你怎么定义 Reward，就会得到什么样的模型。同样，我们服务客户时也要定义一个 Reward：我们到底想改变什么？ 我们今天的逻辑在于，一定要以客户的业务结果为导向，而不是以功能为导向。以前我们通常这样交付：“你要一个知识库，我给你一个知识库，并保证它达到某个指标。”这是原来的逻辑。 但在今天这个新的时代，我觉得要探索一些不一样的东西。要看今天整个业务是怎么构成的，业务构成里的关键指标是什么，以及能不能通过 AI 重塑整个业务流程，改变产品结构和成本结构。 具象一点说，我们可能会从咨询开始进入。我觉得业务是第一导向，所以通常会先和客户进行用户访谈，目标是构建出它今天所有的业务链路。 一般会有一位同事和客户企业里 20 到 30 个不同业务部门、不同层级的员工进行访谈，试图勾勒出企业今天的核心业务流。 第二步，我们开始分析它的成本构成。财务模型其实代表了企业经营模型的关键。 以妙计旅行为例，如果站在我们当时服务的旅游场景里，你会发现旅游，特别是定制游，业务链路非常简单，主要有 3 个环节：获客、生产、供应链。 接下来 AI 就要上场了。我们要理解，AI 在刚才的业务流里有哪些改进点。 比如在获客环节，可能存在广告投放、内容生产、和客户沟通；到了生产环节，可能是行程制作、行程修改；到了供应链环节，则是谈判、下单、确认等等。 你会发现，这个时候通常可以在一个企业内识别出 30 到 40 个 AI 改进点。 每个你们都会参与吗？ 张帆 这还没完。这一步是为了画全貌，我总得知道整体状况。 我们会发现，链路里有 30 到 40 个企业 AI 改进点。但关键在于，我们要从中做筛选。我们会画一个象限图，找到业务价值和技术成熟度的最大公约数。 横轴是业务价值，纵轴是技术成熟度。我们要寻找坐标系右上角的点，也就是业务价值大、技术成熟度高的点。 刚才那 30 到 40 个改进点，并不一定今天都能完成，有很多根本没办法完成。 举个简单例子，在旅游过程中，如果希望 AI 能和供应链谈判，谈出一个好价格，今天的技术成熟度还不够高，但业务价值很大。 反过来，有些技术难度很低，比如帮客户做日常提醒，技术成熟度很高，但业务价值不够大。 所以，选择合适的切入点，是企业落地 AI 成功的第一要务。 这之后，我们就进入下一步。专业工程师会进场，开始理解他们现在的日志、服务过程，怎么进行模型训练，怎么搭建 Agent，最终把它完整地变成一个落地过程，并且不断根据结果反馈回来。 从这个逻辑看，这是一套从业务到技术再到实现的完整逻辑，形成一个 PDCA，可以再返回来循环。 这里面还会有连锁反应。如果我今天真的能够把行程生产的时效和成本降低 5 倍，你会发现，整个商业模型不只是成本减少了 5 倍，而是上下游都会发生变化。 所以刚才这样的逻辑，不仅仅是解决一个简单的当前问题，而是对整个业务战略进行了重塑。 你怎么理解这件事的可泛化性？第一步就需要有人去采访企业里 20 到 30 个关键员工，才能完成最初的理解。这件事要怎么泛化，才能让元理智能作为一个 To B 创业公司，服务更多客户，成长为更大的企业？ 张帆 ### Making Business AI Generalizable 如果我们从程序员的角度来看，遇到足够复杂的问题，第一反应就是分治：能不能把它分层、拆解开。 这就是我们的方法。 第一，刚才所说的理解，如果理性拆解，大概分成 3 个大的动作。 第一个动作叫业务理解，某种程度上是偏咨询的部分。我们要理解客户的场景并做选择。这个环节没有最优解，只有客户自己期望的解，以及我们的解。这是离不开线下人与人沟通的事情。 第二件事，一旦业务理解完成，我们要做模型优化，希望把业务场景训练成一个与之相对应的垂类模型。 第三，我们要把垂类模型变成一个垂直 Agent，形成技术栈。 模型这部分，你可以理解为生产数据，通过强化学习也好、SFT 也好，本质都是生产数据、训练模型，让它和业务更加匹配。 Agent 这部分，就是增加 Prompt、RAG、Memory、Workflow 等一系列工程化的东西。 所以站在我们今天的角度，我们会在里面分层。后面两件事，也就是模型学习和模型优化，以及 Agent 优化，本质上我们相信商业强化学习可以把它们变成一个大一统的过程，完全不需要人工就可以完成。这是我们的目标，而且我并不认为这件事很远。 再往上一层，人工那一层能不能被 Agent 解决？我觉得能解决一半。 我们今天之所以做得这么重，是因为要了解这项服务应该怎么标准化，我们自己要建立 SOP，也在拿 Agent 赋能。 比如简单的访谈，访谈谁，能不能由 Agent 制定计划？访谈提纲，能不能由 Agent 根据它的 Know-how 生成？Agent 能不能自动化访谈？我觉得都会有帮助。 但它不能完全替代人，总归需要有人来进行服务。所以如果是这样，我觉得 AI 可以让人的服务门槛和成本下降 5 倍，让这件事变得更容易一点。 下一步，我们希望构建一个生态。会有大量的独立工作者，比如咨询公司的个体合伙人、资深咨询师，或者对某些行业有 Know-how 的人。他们都可以借助我们这样的平台，完成最后一公里的对接。 按照刚才的逻辑拆解，我们就把一个复杂问题变成了体系化结构：做好标准化部分，同时找到合作伙伴，构建一个生态。 这里有两件事。 第一，今天所有场景在 Day One 都是很重的。Salesforce、SAP，哪一家第一天的天使客户不重？包括地平线，我们听过于凯的分享，他早期就是要跑到主机厂，和车厂一个个磨，到底芯片怎么做出来，才有今天的泛化。 如果站在我做妙计时的角度，我可能会觉得可以直接泛化。但我今天很明白，如果不走一遍这样的流程，根本没有泛化的基础。 第二，在今天这个时代创业，不能想着一家公司吃掉 Everything。你必须在新的生态地图里选择自己的生态位，和生态位上的伙伴合作。 你怎么理解你选的这个生态位？ 张帆 我们选择的生态位，就是刚才所描述的：成为一个从咨询到基座模型之间的转换器。 你可以理解为，我希望我们变成一家模型培训机构。基座模型带来的是越来越聪明的人，而我们希望把这个聪明的人变成某个职业的专家，然后进入某个企业去工作。 这就是我们的生态位。 所以这里面有一些事情我们不做：基座模型肯定不做，MaaS 平台肯定不搭，SaaS 肯定不做，咨询定制也肯定不做。 你怎么理解这一次和 SaaS 时代有哪些不同？SaaS 失败带来的生理性恐惧，我觉得在我们这一代人身上还没有消失。 张帆 ### AI Is Labor Not Software 我觉得今天的时代和上一个时代完全不一样。 首先，为什么 SaaS 并不太成功？我们很容易简单归因为“中国企业没有这个习惯”。但抖音很赚钱。企业的目标只有一个，就是价值最大化，这是所有企业的使命。 如果把它再拆解一层，价值最大化等于什么？简单来看，我理解等于流量乘以转化能力。 流量意味着有多少线索进来，转化能力则是从一个线索当中带来多少收益。很多情况下，企业的转化能力是一个常量，甚至行业的转化能力也是一个常量。 所以在这种情况下，如果它要最大化价值，就只能最大化流量。这就是为什么今天大家会投抖音、投广告、投店铺，因为这是今天唯一的增长路径。 这样就可以理解，为什么它们这么赚钱。 再拆解一下，转化能力等于什么？转化能力本身等于人加工具。这样一来，人加 SaaS，对吧？ 所以我们可以推论出第一个有意思的观点：人和 SaaS 是零和博弈。 在上一层的公式里，企业要最大化收益，来自最大化流量，相当于它给整个转化能力设定了一个常量，而且认为已经压缩到了极致。 那么，如果今天要花 100 万买一个 SaaS，理论上为什么要多付这 100 万？ 但这个在美国为什么成立呢？ 张帆 这个会有一点不一样。我先把刚才的逻辑讲完，再说美国为什么会成立。 你会发现，To B 里面经常面临这样的场景：你告诉一个团队：“我花 100 万给你买了一个 SaaS。”这个团队马上就会说：“那是不是可以砍掉 100 万的人？我不用 SaaS。” 这时候，人是必选项，SaaS 不是。于是，原有组织形态天然会成为 SaaS 进入的阻碍。大家也会讲，为什么 SaaS 需要很强的客户成功，也是这个原因。 我为什么认为这次 AI 的逻辑不一样？因为我觉得，这次 AI 所对标的不是工具。 这也是元理智能底层的一个判断和价值观：我们认为 AI 不是工具，AI 是你的同事。 如果 AI 是你的同事，你所要应对的就不是工具，而是转化能力本身。如果是转化能力本身，就意味着你从原来和团队的零和博弈，转化为和老板的正和博弈。 所以我觉得这个故事完全不一样。AI 对标的不是软件市场，AI 对标的是劳动力市场。 回到中国市场，你会发现，虽然大家不太买软件，但中国有一个特别蓬勃发展的市场，叫 BPO，也就是业务流程外包。 大家愿意为结果、为生产力买单，而不愿意为中间的工具买单。所以这是一个大几十倍的市场。 这个我很认可，大家愿意为结果买单。我觉得这放之四海而皆准，不管中国、美国、日本还是欧洲，当你告诉一个企业家“我可以帮你把结果做得更好”，这肯定是大家最愿意掏钱的时候。 但我还是刚才那个问题。你提到员工排斥 SaaS，所以在中国很难让企业买 SaaS。但我觉得这种人性在美国同样存在，为什么在美国、日本、欧洲，SaaS 就能够推得开呢？ 张帆 底层逻辑是共性的，但从另一个维度来看，你有没有发现，中国的 SaaS 生态比过去几年变好了？ 今天如果不给我飞书，我都没办法工作了。但这件事需要一个过程，并不是直接就能带来的转化，可能需要代际差异。 西方的生产信息化过程，比中国早很多。很多人 Day One 出来工作的时候，就已经在使用这些系统。那是他们对话和沟通的方式，没有 CRM，他们就不会干活。 就像我今天没有飞书也不会干活一样。 我们再说回来。刚才你提到，你认为 AI 不是软件，而应该是生产力。你觉得 AI 是你的同事，应该把它视为一个人。 今天有一个特别大的误解，大家总是用旧的坐标系寻找新的地图和方向。我觉得这是不对的。你为什么这么讲？ 张帆 本质上，我觉得大家普遍认为 AI 有问题的地方，第一名肯定是幻觉。 我记得有人讲过，只要机器还有 1% 的幻觉，人就很有价值。我觉得这完全是站在旧坐标系里看新世界，因为这两个世界已经完全不一样了。 你怎么看？ 张帆 机器有 1% 的幻觉就需要人，请问人有幻觉吗？人是有幻觉的，而且人的幻觉可能不止 1%。 这就是为什么我叫它旧坐标系。原来写代码是没有幻觉的，你怎么安排，它就会怎么解决。所以按照原来的坐标系，我们总想控制它，总想让它不要出错，但这样它就没有泛化能力，也没有 AI 所带来的好处。 我的看法是，你要接受 AI 就是有幻觉的，但应该学会怎么驾驭幻觉。人今天也有幻觉，但并不影响人能够高效地产出。 这是两种不一样的思考体系。你要视 AI 为人，而不是视 AI 为代码。 所以这一次创业，你就是视 AI 为人，创造企业员工给企业使用，是这么理解吗？ 张帆 是的。我先说一下我看到的市场问题。 今天市场几乎所有人都极度看好 AI，但你会发现这是一个非常不对称的市场：几乎所有资本、人力和观点，都在投入供给侧。 从半导体、芯片集群到基座模型，我理解这全部都是供给侧。今天大家对需求侧非常忽视，投入也不够。 从供给侧来看，数据增长很快，投入巨大。谁买了很大的集群和算力，资本市场和一级市场就给你正向反馈，这是很好的一方面。 但另一方面，大家对需求侧关注非常不够。 我们以前做模型商业化时，最大的目标就是希望消耗掉更多 Token，这是唯一目标。我们有那么大的供给，都是为了这件事准备的。 但实际当中，这件事比我们预想的难。原来的方法是降价，做更多商务拓展，让客户应用。但我觉得，这个路径并没有解决本质问题。 这有点像：如果我们发明了电力，发明了灯泡，今天拿着电线和一个灯泡跑到一个原始部落，告诉它：“请你多用点电。你看我的灯泡多好，一插上就很亮，请你多用一点，我再给你便宜。” 但你发现，这个部落已经摆满了灯泡，没有增长空间。不是它不想用，而是不知道怎么用，它需要更多电器。 如果我们今天到了这个部落，我会告诉它：“我这里有冰箱、彩电、洗衣机、空调。”这些东西和生活连接起来，每一个都想买。 你不需要再求它多用电，也不需要再降价。你会发现，自然而然的消耗就会变得巨大。 所以我觉得，最大的卡点在于，大家不知道怎么应用和消耗这些智能。 更合理的逻辑，是把注意力放到需求侧：我们是不是能够发明更多开箱即用的电器？ 那这一次你想造的 AI 电器，是什么电器？ 张帆 更多的是如何把基座模型转化为生产力。 过去衡量这件事时，大家特别喜欢谈性价比，做法也很单一，都是想怎么解决成本的分母，没有想过怎么解决价值的分子。 所有推演都会说，当成本再下降 10 倍，消耗量会增加多少。但有没有想过，如果成本不变，业务价值放大 10 倍，是不是也能起到同样的效果？ 今天这方面的投入太少了。本质上，基础智能转化为生产力之间存在一个巨大的 Gap，而我们这一次创业的目标，就是解决这个巨大的 Gap。 这一次打算怎么做？和你在智谱的时候有哪些相同和不同？ 张帆 某种程度上，智谱需要新的生态伙伴把“电器”完成，才能让更多模型 Token 被消耗。 所以今天我们依然处在上下游关系中，只是换了一种方式支持智谱，让大家更多地把模型转化为业务能力。 做这件事需要有两个点。 首先，你得有自己的假设。原来的假设是为知识建模，要做最强的智能。今天做这件事，我首先得有一个自己的假设。我的假设叫“为生产力建模”。 什么是你的生产力？你怎么定义这件事？如果你不定义，就没办法解决。 第二，如何优化这件事？有没有更 General、更通用的手段，让你以 1% 或 0.1% 的成本完成优化？我觉得这就是今天摆在我们面前的两个问题。 一个是怎么定义什么是生产力，第二是怎么不断优化生产力。那你们打算怎么做？ 张帆 先说什么是生产力。 你看一个高中生，他其实没有生产力，但他有智能，就像今天的基座模型。他会算数、识字、推理，有 Common Sense，有常识，但他并不是生产力。 如果要把一个高中生变成生产力，要怎么做？需要给他做分工和定义。比如可以让他上大学，然后进入一家公司，变成医生或者律师。哪怕他去送外卖，也需要有一个身份。 我们需要把基础智能变换为生产力。我觉得这里面有一个特别好的媒介，就是工种。这是我们看到的第一个重要洞察。 从这个逻辑上，第一层建模完成了。第二层来了：怎么让模型学习成为一个工种？ 我们使用的方法叫商业强化学习，这也是我们发明的一个词。 商业强化学习的逻辑，首先它是商业，其次它是强化学习。 每一个工种的目标都不一样，所以很难用一个统一方式解决。我们必须像人学习一样，让数字化工种进入真实的物理世界，得到真实反馈，变成一个以业务目标为导向的强化学习。 为什么是商业强化学习，而不是 General 的强化学习？ 张帆 商业强化学习和 General 强化学习很不一样的一点在于，今天的强化学习有一个非常明确的目标：必须有清晰的反馈。 比如数学题。如果做一道鸡兔同笼，题目首先得有答案，这个答案就是一个非常清晰的 Reward。 所以今天强化学习已经广泛应用在数学题、Coding、GUI 等有明确结果的任务上，而且已经取得了很好的效果，看到非常明确的进步。 但是如何把它和物理世界，特别是商业环境连接起来，其实非常难。这里面有很多我们原来没有想到的问题，比如反馈稀疏。 举个简单的例子，我们今天要训练一个销售，他不像数学题一样有标准答案。销售和一个顾客聊了 1 个小时，说了 100 句话，最后顾客没买。我们能不能给一个负面信号，说这 100 句话全都错了？很难。 所以你会发现，这是一件算法和商业环境强结合的事情，需要构造出合适的环境。 但本质上，人也是这么学习的。人能够在自然、物理的环境里和顾客交流，从一个初级销售变成高级销售。 所以，抽象下来，我们认为生产力环境最优的标准单元是工种；学习和优化的方法叫商业强化学习；让它在自然的物理世界、商业环境里自我进化。 大概 2 周前，A16Z 的 Speedrun 做了新一批项目的路演。这一批项目里，我观察到硅谷有很大一堆创业公司在做 Agent as a Service，换句话说，也可以叫给企业提供数字员工。 但我观察到，大家都会选择一个垂直领域。现在很火的三家四家公司，都在帮消费企业做用户调研，而且融了很多钱。还有更早一点的公司，选择帮企业做客服员工，也有帮企业做销售、做 HR 的。 但听起来，你的选择是要做一个泛化的员工。 张帆 是的。我觉得这也是我们自己的第一性不一样。 先说一下我怎么看 Agent 市场发展的几个方向。Agent 的发展有明显的趋势变化。 最早一代大家做的，叫基于 Workflow 的 Agent。 举个例子，如果我要做一个机票预订 Agent，Workflow 是连续的：先问你从哪里出发，再问到哪里、几个人，然后订票。 这时你会发现，它要求顾客按套路出牌。如果问“你从哪里出发”，顾客说“我想去上海”，它就死机了。它会继续问：“那你从哪里出发？”顾客还是说：“我要去上海。”它又死机了。 它没有泛化能力，而这恰恰是模型本身的能力。 当时也有解法，就是把它连成一张蜘蛛网，让每个节点都能连接，以最小单元做连接。但这会经常出现错误流转，最终变成一个庞大、复杂的规则系统，导致它跑不通。 另一种方式，是让 AI、让模型自己做 Planner。我认为，Workflow 的下一代，就是用 AI 原生的方式做 Agent。 你可以在一个 Prompt 里告诉它：“你是一个机票预订专员，需要知道出发地、目的地和人数，然后完成订票。如果用户没有说，你就要问他。”就这么简单。 所以第一代叫 Workflow，第二代叫 AI 自我 Planner 的 Agent。 但我觉得还有第三代，这就是我们想做的事情。 今天第二代 Agent，包括 Manus 或 Jasper Park 这类公司，已经很好地应用了模型原生能力来实现泛化，这是巨大的贡献和突破。 但你会发现，它们都非常依赖模型本身的规划能力。比如 Claude 怎么做 Planner，是没法干预的，你能干预的只有 Context，而这种干预是有限的。 某种程度上，这太依赖模型本身的能力。依赖模型本身的能力，就意味着面对全世界的任务，都是一种解法。 这就是当前的问题。人会分工，同样是一个医生，在不同医院、不同科室，模型都是不一样的。但今天大家都在使用一个统一模型。 所以我认为会有第三代逻辑：除了 Context 以外，我们要有办法干预模型本身，让模型原生地了解我们这一层面的知识。 这不是信息，而是这一层面的映射：动作该怎么拆解，Planner 该怎么做。 我觉得这件事今天看起来最难，所以大家都没做，本质上是因为不知道怎么做。而我们刚才讲的商业强化学习，我认为是解决这个问题的关键。 有些人会选一个垂直领域，这样会简单一点。但听起来你们选择的是，什么领域的数字员工都做，什么样的 Agent 或分工都做。这个是什么考虑？ 张帆 SaaS 早期做产品时，特别喜欢用一个词，叫“行业最佳实践”。 行业最佳实践的逻辑是，我把行业里面所有的做法都了解了，给你一个最佳实践。但某种程度上，行业最佳实践不是个体最佳实践，而是共性的最佳实践。 没有今日头条的时候，我们使用的媒介是门户网站。编辑帮你选好了，如果想看体育，就看这 20 篇文章。 随着今日头条发布，这件事变了。它希望给每个人自己的个体最佳实践。 回到刚才的逻辑，今天很多垂类 Agent，我认为仍然是在做行业最佳实践。本质上不是因为需求，而是因为妥协：做不起个体最佳实践，所以选择了行业。 但我认为这不是本质。更本质的逻辑是，像管理信息一样，为每家公司找到它自己的个体最佳实践。 比如星巴克、Manner、M Stand，不同的咖啡公司，即使都要用一个数字员工解决同一领域的问题，也应该提供针对企业自身的个体最佳实践，而不是行业最佳实践。 可以结合一个具体案例，讲讲你们最近服务的一位客户吗？ 张帆 首先还是要回到本质问题：我们怎么看待模型本身、模型的底层。 今天有一个很流行的话题，叫模型的不对称性。什么意思呢？有时候模型能做奥数金牌题，但有时候数一个单词，比如 Strawberry 里有几个字母 R，它都会数错。 在大家的逻辑里，这被认为是模型的缺陷，觉得模型变强之后就会解决这个问题。 但我的观点不同：不对称性不是模型的缺陷，而是模型的特性。 所有智能都是不对称的，人也是不对称的。你很难说爱因斯坦、马云和杨振宁谁更聪明，因为他们首先有不一样的目标。 如果对这个问题达成共识，相信模型的智能是不对称的，那我们就要思考如何利用这种不对称。 进一步来说，每个企业构建的环境也是不对称的。刚才提到，同样是咖啡店，Manner、Luckin 或其他品牌，客群都会有细微差别。 所以我很难相信，它们会购买一个统一的 SaaS 服务来解决所有问题，因为那样它们就没有特性了。 我也很难相信，红杉、IDG、蓝驰会购买同一套服务，帮助它们判断要不要投资。环境天然是不对称的，所以智能也是不对称的；在每一个环境里，都会有一个所谓的最优解。 顺着这个逻辑往上看，我不想构建一个我认知里的第一性原理，给所有企业套上去。我觉得这件事不本质。 更本质地说，每一个企业、每一个工种、每一个场景，都有自己的特有环境，而且这个环境是动态的，每时每刻都在变化。 2 年前卖东西的方法，和今天卖东西的方法，可能已经不一样了。 如果相信每一个商业环境都由无数独立的问题和环境构成，就意味着我们需要找到一种通用手段，把一个 General 模型适配到每一个独特环境，找到每一个环境的最优解。 这是两种完全不同的做事方式。 可以具体介绍一下吗？比如今天有一位客户找到你们，想要一个帮助他筛选访谈对象、做初步访前调研的 Agent，你们会提供什么产品或服务流程，最后实现你想达到的效果？ 张帆 如果今天你来找我，说想要一个帮助你筛选访谈对象、做初步访前调研的 Agent，说实话，你很难接受我卖给你的东西，是所有类似服务都在使用的同一个标准产品。你一定有自己的强烈偏好。 这又回到原来的老问题：那我就要定制。这样就变回了软件逻辑，不 General。 但如果按照我们现在的方式，我会和你一起构建你的问题和环境。你会告诉我什么是好、什么是坏，你现在的业务流是什么，以及你如何评估这件事。 构建了这样的环境之后，我们相信机器会有一种通用方式，基于你的环境学习出最优解。 这有点像 AlphaGo。AlphaGo 当时的逻辑，是把人类历史上的 3,000 万个残局训练进模型，当然它下赢了李世石。 但 1 年之后出现的 AlphaGo Zero，没有任何人类先验知识，仅靠自我博弈，用了几天时间就超过了 AlphaGo。 这个本质上说明，人类知识有时也是一种噪音。 我们的目标不是帮你标注 3,000 万个残局，而是和你一起构建围棋的环境和 Reward，然后把它交给机器，让机器自己在虚拟环境里找到最优解。 但这里有一个悖论。如果这样做，针对每个企业都得做一些定制，这件事要怎么规模化？ 张帆 我认为刚才所说的学习过程，并没有定制。 原来的定制，是我理解你的需求，再帮你把它开发成软件。今天的逻辑是，你可以把环境的定义理解为一种 Prompt。你只要把到底要做什么事软性定义清楚，它就能帮你得到最优解。 所以我认为，这才是更 General、更通用地解决问题的方法。 比如今天想训练一个销售，你给我 5,000 条销售日志，我们会利用这些日志，基于你的环境快速构建一个实验场，真实模拟你的环境。 然后把要训练的 Agent 放进这个环境里，它会自己没日没夜地在里面锻炼，不断沟通、反馈和学习。出来的时候，它就已经是一个和你的日志非常 Fit 的销售了。 这就是我们的目标。我觉得这才是通用的办法。 你在智谱的时候，最忙的时候一天要开 7 个客户会。我初步算了一下，两年多你至少接触了 1,000 家中国企业。 你感受到的这些企业目前对 AI 的普遍情绪是什么？ 张帆 ### Enterprise AI Still Fails 我觉得蛮有意思。今天的企业经过了很多轮变化，会有非常极端的不同。 一种极端是焦虑。很多人非常焦虑，觉得 AI 来了，自己的生意可能都不存在了。 还有一些人极度有信心，会说：“我们内部做了一个 Demo，AI 已经跑通了，什么都能搞定。” 如果让我用一个词来形容，我觉得今天的市场有一点混沌，还不成熟。 有意思的地方是，你可以看到冰火两重天。 一方面，从供给侧来看，美股每天都在创新高，所有财报都在快速增长。mega seven，所有和 AI 相关的事情看起来都很好。 各种企业的 ARR 正在快速增长，很多垂类 Agent 公司也好，或者 ChatGPT 也好，它们的日活全都一片大好。 但反过来，冷静观察需求侧，又会看到不同的结果。前两天 MIT 做了一个深度分析报告，他们在 1 月到 6 月采访了大概一两百位核心企业高管，得出了一个和供给侧完全不同的结论：95% 的 POC 都失败了。 这种论调并不少见。它和你观察到的企业落地 AI 的成功率类似吗？ 张帆 过去 2 年多，我们深度服务过的客户，不算只是注册用户，差不多也有 1,000 家以上。 我们自己做过很多内部复盘，可以看到客户行为在逐步变化。但有一个本质问题，也是我们内部经常反思的：我们服务了这么多客户，而且自认为在市场上做得还不错，但如果问有多少客户因为我们的服务变成了一家 AI 导向的公司，或者核心业务指标有了明显提升，我觉得其实非常少。 原因有很多。报告里面也会有很多细节，但我觉得最本质的原因是，过去 2 年间，我们提供给企业的很多 AI 服务，某种程度上提供的是情绪价值，而不是业务价值。 这是由什么原因导致的？是甲方的原因，还是我们的原因？ 张帆 我觉得是多方面的原因。这不叫坏事，而是一个新兴行业逐步成熟的过程。 以前很多老板会演示说：“我有一个知识库就够了。当别人来采访时，我的展厅里有一个会说话的机器就够了。” 但在真实场景中，你会发现 POC 并不等于真正的业务落地。POC 只能代表演示，我们在一两个单点里表现出非常有价值的亮点，就够了。 但如果真正放到业务生产环节，合规、安全、成本、稳定性，每一个都是一票否决的因素，每一个都是一票否决的能力。 你接触了这么多中国企业家，觉得今天大家面临 AI 时有哪些普遍困境？ 张帆 张一鸣以前讲过，企业的竞争就是认知的竞争。严格意义上，除了认知以外，其他要素都可以构建：人可以招，钱可以融，技术可以买，但认知决定了判断和战略。 以前有一个流传很广的小视频，电视台好像在一个会上采访大家对云计算的判断。马云认为云计算是未来，李彦宏觉得这是新瓶装旧酒，马化腾则认为这件事还要经过 10 年、100 年这样的很长周期才能实现。 最后显然是阿里云做得最好。但这真的是因为腾讯技术不够、没有招到人才吗？ 我觉得企业家的认知决定了自己的判断和战略。所以所有企业家都不要想偷懒。今天在 AI 时代，学习如何理解 AI，是特别重要的一件事。 不要把 AI 当成一个技术问题。很多企业家会觉得 AI 是技术问题，但我想说，AI 是业务问题。 我们讨论一个人时，不需要知道这个人的分子结构，也不需要把这个人解剖掉，但要了解人性，知道人的特性，预测人的行为。 对应过来，我们有一个词叫“模型性”，对应的是“人性”。 你不需要知道 Transformer 是怎么运作的，也不需要知道每一个算法怎么写。你需要知道模型有哪些特性，以及怎么利用这些特性。 比如刚才讲到的模型不对称、智能不对称、幻觉。这些概念本质上都不是技术问题，而是在讨论怎么理解模型的特性，从而驾驭它，让它转变到业务当中。 所以每一个企业家都应该当仁不让地，让自己在某种意义上成为公司的 AI 先知。 不可能有别人比你更早了解 AI 和业务的结合，也不可能有供应商、模型厂商比你更早。所以你要比别人更早理解 AI 和你业务的结合，把它当成战略要素中必选的一环。 就像刚才讲的，你要视模型为人，像理解人性一样理解它。 模型有很多特性和我们预想的不一样。比如我们看到一些海外论文，让模型之间进行博弈：让一个模型装成 Seller，也就是销售，再让另一个模型装成顾客，也就是 Buyer，两个人进行博弈。 你会发现结果很不理想。Seller 有一个成本价，Buyer 有一个预算，只要达到条件就成交，没有任何我们真正想模拟的东西。 背后的原因是什么？如果你真正理解模型，就会发现这并不奇怪。 模型的第一个特性叫讨好型人格。它基于 RLHF 的训练，天然倾向于满足对方。 如果你要在里面构建系统，就必须理解这是它的特性。如果你在一个群体里做 Multi-Agent，所有模型的讨好型人格会被叠加，偏差也会进一步放大。 这些东西和技术没有直接关系，但如果不了解模型的能力和特性，就很难做出有效判断。 这还挺有意思。我经常会举一个例子：你可以把基座模型理解为一片大海，非常宽广，也有波动。 但如果你觉得要胜过别人，就想把自己建得比大海更高，通常有两种做法。 一种叫在海面上修一座灯塔，这样才能看得足够高。但你要注意，海平面每半年上涨 100 米，你的灯塔不断修，也不断被淹没，所以完全没有沉淀。 很多公司都证明了这一点。以前早期的 Jasper，10 个月就变成了独角兽公司，但随着 ChatGPT 发布，很快又销声匿迹了。 本质上还是因为没有找到边界。所以我给大家的建议是，不要在海面上修灯塔，而要在海面上修一条船。 船的逻辑是，你和模型解耦。海平面上涨，你的船也跟着上涨，船上还可以继续叠加新的东西。这就是和模型能力解耦。 张帆 大家都知道轮船要比灯塔好，但企业家怎么造轮船，而不是造着造着发现自己造出来的是灯塔？ 我们今天把它放到产业里面看，不应该只是一个二维坐标，而应该变成三维坐标，再衍生出一个维度，叫业务逻辑。 模型再强，也不能解决旅游供应链，不能解决旅游服务，也不能解决医院看病。 所以我给企业家定了一个目标：做业务时要考虑自己的模型含量。 模型含量不是越高越好，也不是越低越好。越高，就越是和模型正面竞争，很快可能被竞争掉；太低，就和这个时代没有关系。 我觉得模型含量最好在 50% 左右，也就是说，一半竞争力来自原有业务，一半竞争力来自模型的放大。两者结合，才是核心壁垒。 我们可以看到早期两个典型案例。 一个是 Jasper。当时它帮别人做广告文案，GPT-3 出来、ChatGPT 还没有发布时，它很快就有了几千万美元的 ARR，绝对是明星公司，业务增长非常快。 但 ChatGPT 发布 6 个月后，它快速陨落，因为模型完全覆盖了它的业务。它没有建立轮船的壁垒，而是建了一座 100 米高的灯塔；ChatGPT 一发布，海平面涨过 100 米，它很快就被竞争掉了。 另一个例子是 Notion。它也很早就在 GPT-3 的时候发布了 Notion AI。但你可以发现，Notion AI 给它带来的价值越来越大。2023 年、2024 年，你可以看它的财报，单人收入相比原来明显上涨。 本质上，它除了模型之外，还有原有的办公软件体系，而 Jasper 没有。 所以今天的逻辑是，每个企业家都要想清楚：在 AI 时代，如果想形成竞争优势，如何构建业务优势和模型放大，这两件事缺一不可。 这里面也有很多误区。比较典型的是，大家会认为数据是一切。 我们见过很多企业来找我们，说：“我有几千万条聊天数据，都拿来给你训练，训练完模型是不是就好了？” 我说，训练完的模型可能就废了。 数据并没有那么有用，也不必把数据看得那么关键。因为这个时代的环境在变化，每时每刻的答案都不一样。 与其构建数据，不如构建生产数据的业务场景。如果有了这样的业务场景，它会源源不断地从自然界中生产数据。 你要把它当成一块田，而不是一批固定的庄稼。 如果企业内部理解了模型的特性和业务方向，就可以去构建业务场景，设计它如何产生数据。设计得好，就会发现这块田会源源不断地把真实世界的变化，变成最新的理解提供给你。 这是每个企业的护城河，也是企业核心的核心。 所以你们今天元理智能想做的，就是帮助企业更好地提升实际生产力。 听起来你们要做的事情比较泛化，没有从一个垂直领域切入。但我有一个疑惑：如果它能够被泛化，最后会不会还是基础大模型或者大厂的机会，而不是创业公司的机会？ 张帆 我觉得不会。大厂肯定是重要的参与方，但这里面有几个原因。 先看产品本身的壁垒。基座模型是一件非常艰难的事，但你会发现，基座模型没壁垒，或者说它某种程度上是一个后发优势的方向。 最早大家会认为 RLHF 会为模型产生数据飞轮，但今天看下来，这件事没有那么关键，也没有那么主流。 为什么说它是后发优势？因为我比你晚做 3 个月模型，成本可能是你的一半：一方面算力变便宜了，另一方面我还可以蒸馏你。 而且它的迭代不像以前。 以前比如百度是有数据飞轮的。假设你搜索“荷塘月色”，里面可能有诗歌、歌曲、小区、餐厅，很多东西。站在技术角度，你根本不知道谁应该排第一，匹配度可能都是 100%。 但百度上线之后，会得到大量原来没有的信息。比如北京人特别喜欢点一个小区，可能北京有一个小区叫荷塘月色；天津人特别喜欢点一个餐厅，可能天津有一家餐厅叫荷塘月色。 这些信息原来没有，所以会形成飞轮：我越滚动，信息越多，效果越好，别人越难追赶。 但这件事没有在大模型里发生。大模型的逻辑是，RLHF 到了一定阶段，其实并不是特别有效。 比如我今天用 ChatGPT，它经常给我 5,000 字的反馈，再给我 2 个选项让我选哪个好，我根本选不出来。 所以从 AI 的角度看，基座模型本身的飞轮没有起来。 但进入 Agent 之后，事情会发生变化。 就好像一个高中生很难变得更好，因为没有标准。但如果说一个医生怎么变成更好的医生，或者一个程序员怎么变成更好的程序员，这件事就是可衡量的。 如果从通用能力进入生产力环节，变成一个数字员工，首先它就带有数据飞轮。 如果越来越多销售在同一个场景里使用，就意味着能从这个场景里收获越来越多的知识，沉淀到模型里。 如果我们能够把市场上常用的工种，比如 50 个工种，每一个都构建出足够强的共性知识，就会让所有企业在驯化自己的模型时效率更高。 从这个角度来看，我觉得它是有壁垒的。 这很像大模型时代应该做的事情。大模型以前，也就是上一轮 AI 小模型时代，并不是通用 AI，每个 AI 都是垂类 AI：有人做车牌识别，有人做人脸识别，每一个都是独立 Agent。 但这些 Agent 的能力构建，不是在泛化能力基础之上的。今天识别一个新版本发票，和识别另一个版本发票，原来的几万条数据可能全部白标了。 所以某种程度上，我觉得今天做垂类，本身并不本质。 我们希望找到一种逻辑，就像原来的 NLP 垂类模型转变为基座大模型一样，找到一种通用方法来解决问题。这也是 AGI 的 General 逻辑。 我不太相信，或者说我认为，也许未来 1、2 年里，我们确实会把一些人类知识复刻到机器里，让大家使用某个行业的最佳实践。 但从第一性角度来看，这件事并不本质。更本质的是，我们必须为学习建模，拥有一套通用的学习手段，让每一个模型都能用统一方法适应到每一个独立任务中。 其实这让我想到你第一次创业时做妙计旅行。当时你是自下而上地找到了一个用户痛点：比如他要去意大利旅行，搜机票时，去罗马、佛罗伦萨还是米兰都可以，但原来的平台只能一个城市一个城市地搜索。 在你这里，用户只要说“我要去意大利”，不管先去哪个城市，都可以交给系统处理。这样就形成了更复杂的搜索环境，因此得到更好的结果。 但刚才听你介绍这一次创业，也就是元理智能，我觉得好像是另一种视角，更偏自上而下。你经常讲第一性原理，讲这个时代有什么技术基础，所以应该做什么事情。 在我看来，这是两种很不一样的创业切入点。你觉得这个变化在你身上是怎么发生的？ 张帆 这是两套不同的思考逻辑。 从一个更成熟的角度来看，我们不应该从表象里寻找特征，因为表象会变化。我们希望从表象中理解什么东西是不变的。 所以今天创业选择时，我们总想从底层找到那些不变的、确定性的方向。 你看黄仁勋，他很早就在没有任何收益的情况下坚持投资 CUDA。当时这消耗了他巨大的资金，而且他要求所有显卡都支持 CUDA。 他的创业很奇怪：当时没有应用场景，只有个别科学家在使用。但他把企业目标定义为并行计算的未来，从底层推测并行计算未来的价值。 所以 CUDA 推出 10 年后，AI 出现，产生了几何式爆发。 他不是通过表象看到一个单点需求，而是通过底层逻辑推演出一定会出现这样的变化。 所以我觉得，在今天表象如此凌乱、复杂的情况下，更需要深入思考，找到趋势的变化。 在过去 2 年里，有什么你曾经相信、现在却不相信的事情吗？ 张帆 我想分享一个相反的例子：原来不相信，现在相信的事情。 比如合成数据，我最开始是不相信的。因为我是传统做 NLP 的，我们原来所谓的合成数据，就是用规则生成一堆数据，然后进行模型训练。 站在原来的逻辑里，这不可思议。假设用 100 条规则生成 1 万条数据，再用它训练模型，那为什么不直接用那 100 条规则？ 听起来这是一个反常识的事情。技术界有一个词叫 Overfitting，也就是过拟合。你太拟合这 100 条规则，因为它背后是一个非常明确的规则。 但后来在今年，或者说去年某个时间点，我突然相信了这件事。我发现自己也是站在旧坐标系里看新问题。 我天然有一个假设：规则应该比数据少。大家通常会想，用 100 条规则生成 1 万条训练语料，就会过拟合。 但为什么一定要是 100 条规则生成 1 万条训练语料？为什么不能反过来，是 1 万条规则生成 100 条训练语料？ 如果是 1 万条规则生成 100 条训练语料，就一定不会过拟合。 这听起来仍然反常识：我有能力标注 1 万条规则，为什么不直接标注 1 万条训练语料？ 关键就在预训练。我们不需要真的自己标注 1 万条数据。如果今天大模型就是那个杠杆，给大模型一个 Prompt，大模型本身有万亿参数，你甚至可以理解为它有万亿条规则。 如果我们增加一个 Prompt，或者训练 100 条数据，就意味着这万亿参数都发生了变化。某种程度上，它把这些变化映射到人类原有智慧上，形成了更大规模的规则变化。 这时，再生成训练语料当然可以用，因为它不会过拟合，相当于把原来的规则叠加起来。 这是我原来没有想到的。 我讲这个故事，是想告诉大家，我们总是自觉或不自觉地陷在原来的认知里。今天在 AI 领域，认知需要快速升级。我们一定要有空杯心态，从更第一性的角度探索不一样的部分。 这也是为什么我们今天做商业强化学习时，会有大量 AI 博弈。 理论上 AI 已经在那里了，为什么还要通过博弈产生新的知识？本质上就是两个博弈体有两套规则，添加了两套不同的 Prompt，或者做了两个微小调整，让两类知识进行博弈，从而产生一些全新的知识。 底层都来自这个第一性原理。 最后一个问题。如果今天给你 300 万美元做天使投资，可以投 3 个人，不管是已经在创业的人，还是你认为如果创业一定会做得很好的人，你能想到哪 3 个名字？ 张帆 如果有 300 万美元，要看目标是什么。如果目标是投出一家 billing company，这个难度太高了，太难。 如果今天我有 300 万美元，而且所有公司都能投，我会分成 3 份。 一份投在大厂，一份投在模型公司，还有一份投在 Thinking Machines Lab 这家公司。 这是一家不太在聚光灯前的公司，虽然融资很高，但我看到他们对商业和 AI 本身都有深度理解和洞察，这非常稀缺。 他们今天所有的研究，都在于如何高效地让机器更好地学习。这正走在我们刚才所说的路径上，而且走得更快。 因为他们比我们更有钱，我们没办法像他们一样激进，但我高度认可这个方向。 今天很开心请到张帆，也祝福你和元理智能在这一次新的创业里一帆风顺。期待你再来十字路口。 张帆 谢谢柯姐。