[BidClub_]
高能量 · · 143 min

Vol.243 什么才是AI时代有价值的个体和公司:与张帆聊他的技术与创业思考

李翔张帆

AI & SoftwareConsumerCompany BuildingTechnical
Podcast ↗
TL;DR
  • 张帆判断,AI时代有价值的公司,要把模型能力与自己的业务闭环结合起来。 他用大约“50%的含模型量”和50%的传统业务描述这种结构,并强调比例只是虚指:前者帮助企业打败同行,后者通过供应链、服务和物理世界的连接,构成基模难以直接进入的护城河。但既有优势也不会自动延续,同行同样能用AI重开战局,“含模量不能太高,也不能太低”。
  • 真正的垂直智能,区别在评价标准独特,而不在行业标签或私有数据。 张帆以Bloomberg GPT为例:投入500多块A100、混合通用与金融知识训练,五项金融指标里仍有四项输给GPT4;如果评价标准是公共的,他判断基模最终会覆盖。企业的机会在于把自己经过验证的“边缘解”沉淀为能力,但独特还不够,“它还得是个正确的边缘解”。
  • 当生产不再稀缺,创造内容的人未必能留住价值,利润可能向分发和模型两端迁移。 按张帆引用的数据,今年上半年出现22万部短剧,成本降低10倍,能够回本的只有1.03%;他还称红果分发和Seedance模型各自约占相应环节80%的份额。他借此提醒,不能继续用过去的制作门槛衡量今天的竞争力:“我创造了价值,不代表我有价值。”
  • AI对商业模式的影响,取决于能力提升能否跨过数量级,而不只是节省一点工时。 张帆用旅游举例:沟通从5小时缩短到3小时属于提效,缩短到3分钟则可能改变客群、获客和服务链路;如果定制游生产成本下降一个数量级,原来5万元的产品才可能下探至5000元、甚至2000元。这些都是他提出的情景推演,突破口是让个性、自由和低成本同时成立。
  • 元理智能押注的是把企业独特业务转成持续学习的数字员工,并让这一过程可以规模化。 张帆希望把通用智能转为企业专属智能的效率提高100倍,交付能独立完成部分任务的Autopilot;公司近一半人员做研究,客户服务与落地人员不到四分之一。他称交付自动化程度已从早期手工推进到约70%,并估计明年Q1有望达到95%,核心主张是从“为知识建模”转向“为学习建模”。
  • 张帆更看好价值直接可见的中国To B市场,同时反对把复杂业务结果简单写成分成合同。 他区分“中国软件不好干”和“中国To B不好干”:广告、人力服务能卖出去,是因为老板容易算清投入与产出;AI若直接承担劳动,也能拿转化率、人效与人工比较。定价上他倾向按能力与消耗量付费,避免供应商想查清利润、客户不愿披露利润的对立。
  • AI是泡沫还是革命,在他的框架里取决于资本开支能否穿过通往业务价值的“堰塞湖”。 张帆说,团队查看标普500、沪深300企业及同行指标,尚未看到普遍而明显的结构性分化,因此没有把未来推演说成已经发生。离开智谱重新创业,是因为他认为通用智能竞争已进入后期,下一处被低估的机会是把AI嵌入真实业务;与此同时,企业专属模型能否以几分之一成本、更快速度完成独特任务,仍是需要兑现的方向。
  • AI缩小的是微观操作差距,放大的可能是判断、选择和验证的差距。 张帆认为,生成图片、制作内容等能力会成为公共下限,人的价值转向定义问题、提出独特假设,并连接真实世界获取反馈。他招聘最看重聪明、好奇和清晰表达,把组织比作集群:节点减少、单个节点要求提高,连接带宽更重要,“AI的思考深度跟你的思考深度是成镜像的”。
Digest · the substance, structured for research

1. 他经历过一轮AGI落空,因此不把技术热潮直接等同于兑现

  • 张帆的起点是南开计算机专业,随后赴法国巴黎十一大学习人工智能。选择法国的理由很朴素:不收学费、能看不同的世界,还能多学一门语言;实验室主要做机器翻译,他认为当时欧洲与中美在数学、算法上的差距,没有今天这么大。
  • 对李翔提出的“教育发达为何没有同样高的人才密度”,他的回答是两者正相关,却不必然对应。谈到DeepMind,他也保留了一个反问:虽然创办于欧洲,但如果没有谷歌这样的美国体系,能否走到今天的强度,他并不知道。
  • 2010年回国加入搜狗后,他做查询意图理解:用户搜“清华大学”,究竟想找地名还是百科,系统要判断并结构化呈现。搜索和推荐是当时的热门方向,NLP研究者关心的核心问题,是机器如何理解人说的话。
  • 2012年前后,Siri让团队重新兴奋,规则方法和Word2Vec带来了奔向AGI的想象;到2013年底、2014年初,方向却开始显露局限。头部需求容易分类,长尾越细,类别越爆炸,甚至出现创业公司靠真人接管服务的情况。

2. 大厂的战略选项,可能是个人职业生涯的全部

  • 从搜狗去腾讯,张帆最初追求的是更大资源:既然认同人机对话和AGI方向,更大的平台似乎更有机会完成它。他记得搜狗的研究氛围很好,王小川技术理想主义很强,同事之间甚至“有点不太像公司”,更像学校。
  • 真正促使他创业的,是个人判断与组织战略的不对称。大厂可以突然认定某件事不重要,快速掉头;那只是几十、上百个尝试之一,对员工却可能是“你职业生涯的全部,和你自己对于方向的押注”。
  • 腾讯相关业务与搜狗整合后,即使仍有不错的岗位,他还是想看看自己做主能做成什么。于是带两三个同事裸辞,在民居租约20平方米、只能放四个工位的办公室;融资、商业模式都不懂,就开始做妙计旅行。

3. 妙计旅行想优化整个行程,而非找到最便宜的一张票

  • 第一次创业的灵感来自他自己的欧洲旅行:一个多月、花约1万元人民币,去了十几个国家,靠火车通票、住在车上和极便宜机票降低成本。他由此觉得,当时旅游搜索离算法意义上的最优解还很远。
  • 去哪儿式搜索是在北京到巴黎的一张票里比较供应商;妙计希望做“二阶的元搜索”。巴黎、马德里、巴塞罗那各住三天,顺序、日期、交通工具都可以变,搜索目标应是整段行程,而不是单个商品。
  • 复杂度是技术团队兴奋的来源:跨城市组合可达数千种,最好与最差价格可能相差几倍;一个地方玩五天、每天五个景点,仅顺序就涉及25的阶乘。他们相信,“人一定算不好,机器一定能算得更好”。

4. 宽松融资让产品很快长大,也降低了商业警惕

  • 妙计很快赶上“大众创业、万众创新”。团队做出一个Demo,输入需求后几分钟生成基于真实搜索的完整行程;还没有客户,就在几个月内融到1000多万美元。媒体称他们是闯入旅游业的“野蛮人”,他承认自己也随之飘了。
  • 张帆记得,投资人很少追问何时赚钱,更多是问钱够不够、进展怎样。当时资金覆盖的方向也比今天分散,很多很不成熟、彼此完全不同的小公司都能获得支持;在他看来,那可能是普通人创业最好的时代。
  • 今天的要求明显不同:投资人更偏好AI、To C、平台和大市场,创业者也必须从第一天想清商业路径、核心假设、优势和链条。他没有把变化简单归为好坏,而是认为双方都成熟了,创业越来越需要经验或某种特殊能力。

5. 数学上的最优行程,无法自动变成用户的购买理由

  • 李翔追问当年的机器究竟能不能算好,张帆回答:“完全可以算好,但有一个结果不等于有一个好生意。”系统可以少走20分钟、省一些机票钱,结果看起来天衣无缝,却不等于用户有能力判断它好在哪里。
  • 他观察旅行社发现,顾客常常只是说“我想去美国玩”,对方给一条线路,再补一句做了20年、某些明星也是自己安排的,顾客就信了。工程师努力把最优解算到小数点最后一位,顾客真正要的却是“心里安稳”。
  • 从数十亿组合中找前100名,是团队的技术目标;用户可能觉得前10万名都不错。旅游通常无法反复对照,同一个地方也许一辈子只去一次,多走10分钟未必能被感知。“从理想世界到真实世界中间有一个巨大的gap。”

6. 供应链和售后,把搜索引擎变成了服务商

  • 妙计最初不想碰供应链,觉得像搜索引擎一样接后端服务商即可;实际却发现接口极脆弱。欧洲铁路可能一秒只能接受两个请求,发100个就崩;每订十张票,还可能有一张最后被告知无票。
  • 完整行程是A、B、C、D串起来的链条,买到C才发现没票,前面的A、B便一起受影响。团队原来把旅行当信息问题,现实却有库存、履约和相互依赖:“物理世界其实是有物理边界的,是有供应链体系的。”
  • 更出乎意料的是,用户眼里妙计就是旅行社。铁路取消了,顾客会来问怎么办;产品经理只好查资料、打电话,六小时后告诉用户坐下一班即可。张帆由此明白,即使免费推荐、让用户分头购买,也躲不开结果责任。

7. 大模型能打通旅游两端,规划中间仍需要“计算器”

  • 对“今天的模型能否让妙计跑通”,张帆先纠正问题:他认为路线本来就能成立,失败更多在团队不成熟。旅游服务包含需求沟通、方案生产、供应链落地,过去的搜索技术只解决中间,两端仍需大量人工。
  • 今天大模型推荐巴黎、马德里和巴塞罗那,往往仍停留在信息层:不知道当天机票是否可买、景点是否开门、酒店何时入住,也未必真的检查过距离。他的类比是,不能把大模型直接当计算器,“旅游的行程规划本质上也是一个计算器”。
  • 李翔的追问是:只要数据接进去,模型不就可以给好建议?张帆反驳,展开日期、城市、交通组合,可能需要上千次查询,模型通常不会这样做,真做还可能被平台封禁;拿到数据后,也仍需按约束完成组合计算。
  • 线下服务的另一价值是兜底:酒店满房能换酒店,司机没来能换司机。穷游、马蜂窝提供攻略,携程承接购买、退改和履约,区别正在是否为结果负责;他认为AI能帮助需求沟通与供应链落地,但方案规划仍需要专门的计算器。

8. 好公司的“含模量”,要足够强又不能吞掉全部业务

  • 旅游经历让张帆对纯AI应用保持警惕。他举Jasper为例:十几个月做到约15亿美元估值、8000万美元ARR,却在ChatGPT上线约六个月后开始裁员;这说明真实收入也不能消除应用被模型升级覆盖的风险。
  • 他的判断很明确:“AI时代的好公司可能并不是一个纯AI公司。”纯智能能力容易落在基模射程内,基模本身又面临商品化趋势;应用若只是套壳或按行业切一块,未必能守住边界。
  • 所以他提出约50%模型能力、50%传统业务的结构,并反复强调数字是虚的。模型部分帮助企业在行业内建立竞争力,传统业务部分保留闭环与物理连接;但老企业也不能只因此欣慰,因为同行会拿同样的AI重新竞争。

9. 脑力扩张带来的,是颗粒度变化和更强的头部集中

  • 张帆把工业化理解为体力近乎无限、脑力仍稀缺的错配。标准化和分工都是在节约脑力:福特T型车多年只有黑色,流水线工人只需记住拧哪颗螺丝;今天平台把酒店压缩成房型、面积、含早等字段,也延续了这套效率逻辑。
  • 如果脑力也能扩张,供给就可能重新个性化,他称之为“颗粒度革命”。今日头条和抖音提供了先例:从所有人看同一份编辑选择,变成每个人得到不同内容;未来英语教师、旅游规划师、健康管理、投资顾问,也可能沿这个方向发展。
  • 另一面是集中度:过去90分服务供给有限,80分、70分还能靠降价生存;若90分服务可以无限供给,“89分跟60分就没区别了”。这是他的逻辑推演,意味着传统稳定格局可能被重新打开,而不是所有参与者一起提高效率。
  • 李翔指出,消费者刷红果、抖音很开心,导演、编剧和电影公司却可能很难受。张帆承认微观上有动荡,但相信会产生新机会;他用今天开滴滴的人多于过去赶马车的人作比,认为人机共生的新机制“一定会发生”。

10. 短剧说明,生产价值不等于占有稀缺价值

  • 谈到脑力、体力都不稀缺后企业靠什么,张帆先承认现实进展还早。团队研究过报告,也查看标普500、沪深300企业财报及同行关键指标,尚未看到AI带来特别明显的区隔;他不愿把推演直接说成普遍事实。
  • 边缘行业却已经出现变化。他引用今年上半年红果出现22万部短剧、只有1.03%回本的数据:一年前AI冲击横店,一年后短剧自身成本又降低10倍,大量供给涌入。“我创造了价值,不代表我有价值”,原因是这种价值不再稀缺。
  • 价值没有消失,而是向两端迁移:按他引用的数据,约80%的分发由红果完成,Seedance模型占模型端约80%的份额。中间制作环节看似产出更多,产业链地位却可能降低;李翔补充,横店转向游客付费拍摄体验,稀缺性也随之改变。
  • 他最担心的是人把模型能力误认为自己的能力:输入几十字Prompt生成游戏、软件,再用旧标准觉得自己很强。“凡是AI能做的事儿,你千万不能把它当成你的竞争力。”工具带来的公共水平,不能直接算成个人独有价值。

11. 可以迁移的是学习能力,而非某个行业的知识切片

  • 李翔追问,离开旅游后,积累的稀缺知识是不是就中断了?张帆区分经验记录与知识:好的Skill应从100个实验抽出共性,还能投射到未来100万个情境;只记住微观操作,在AI时代很快就会过期。
  • 他不相信“某一个固态的知识切片”的长期价值,更看重“学习的加速度”。进入新环境后,能否借已有经验迅速建模、抽象、举一反三,才是可迁移能力;只接触一类问题,也会像模型训练一样过拟合,需要多样性扩大泛化。
  • 去大搜车正是为了这种多样性:妙计最多200多人、不到300人,大搜车则有五六千人、数百至上千人的产研团队和十几条业务线。他从一号位转为CTO,观察新车、二手车、金融、保险、物流等业务,发现底层仍是供需和人性的逻辑。

12. 好CTO的锚点是业务战略,而不是技术排名

  • 对“什么是好CTO”,张帆认为技术最好不是答案。团队足够大后,技术分支太多,不可能处处最强;若一直追求这个目标,角色更像首席架构师。“好的CTO是要从技术视角解决业务战略”,技术是手段,业务生存才是落点。
  • 李翔转述邓康明讲王坚的故事:另一位技术专家解释云计算两小时,听者仍难理解;王坚用一刻钟,就让人理解为什么阿里需要云。这段对照让张帆强调,能否把技术翻译成公司应当做什么,才是管理者的关键能力。
  • 张帆又回忆马云、马化腾、李彦宏谈云计算的不同态度,强调自己讨论的是背后逻辑而非精确话术。若把云当技术问题,“新瓶装旧酒”未必错;若当业务问题,看到新生产方式才重要。今天老板仅想招个CTO解决AI,也可能犯同类错误。
  • 元理没有设置CTO,他解释为当前更需要分布式决策和快速协作。旧时代的带头经验可能带着旧印记,新人也可能提出不同视角;他希望团队独立判断、独立推进,而不是事事回到一个中央权威。

13. 携程的护城河,是用户与供应链互相加强的闭环

  • 李翔问,当年那批旅游创业公司有没有独立杀出来、今天仍活得很好?张帆的直接回答是基本没有,行业仍以携程、飞猪等OTA为主体。“凡是做过旅游的人,没有一个人会怀疑携程的护城河”,这不是技术产品体验单项可以解释的。
  • 第一层闭环来自自由行:用户要自由、掌控和便宜,携程接入全球酒店批发商,增加货源和选择;用户越多,越能接更多供应商、压更低价格,再吸引更多用户。品类和复购增加后,获客成本也能被更充分摊薄。
  • 第二层是让零散资源通过TTS系统进入平台,前提又是用户规模足够大,供应商才愿意录入。叠加筛选标准、广告、品牌和服务后,他认为在“旧地图”上提高一点效率,几乎无法攻破;旅游若有变革,需要换地图。

14. 新地图可能让定制体验与自由行效率同时成立

  • 张帆把携程的边缘解概括为“效率大于体验”,或者效率本身就是体验。它抓住千禧一代对自由、便宜的需求,以高匹配效率替代昂贵且不够自由的传统团;代价是行程组合、讲解与服务的深度没有被同等保留。
  • 他用好导游说明损失:有历史文化理解的导游,能带来完全不同的体验;线上若导游看起来都是一个价,专业投入又容易被低价竞争削弱。高端定制一直存在,只是贵,AI能否把定制变成核心生产方式,是他认为可能的突破口。
  • 对携程优势是否一定延续,张帆没有给确定答案。他说旧技术路径下闭环几乎无懈可击,但AI可能改变用户行为或供给;业内已隐约出现一些“种子选手”,仍很早,他不认为市场永远不变,也未宣布谁会赢。
  • 对中国二手车为何投入近百亿美元,却没出现携程式统治者,他反而明确说没有答案。虽然在行业工作过,也看到大搜车、瓜子等大体量玩家,但仍没听到足够共识的解释:“这个问题其实是个未解之谜。”

15. 元音智能的反共识,是小企业反而更适合数据驱动

  • 在大搜车,张帆见过庞大的自研数据中台:埋点、治理、数仓、指标、BI、CDP都做。十几条业务线却各有系统、语义和历史问题,统一数据本身就极难;这让他怀疑,大企业未必是数据驱动最好的基本单元。
  • 他的反共识是,小电商的数据条件可能更好。淘宝、京东、拼多多和有限几个ERP、CRM、投放平台都有标准结构,来源有限、Schema明确,反而容易集成;既有市场却主要把昂贵的定制中台卖给大客户,项目周期长、毛利低。
  • 2022年创办元音智能时,他们想预建约50个渠道连接器,自动完成集成、治理、指标与报表,再用自然语言查询,也就是后来常说的NL2SQL。目标是小企业一年花10万元,就能掌握数据并做决策,而不是再买一轮驻场外包。

16. 逆风融资让他承认,时代比个人成熟度更有力量

  • 元音团队觉得自己比妙计时成熟得多:做过CEO、做过数千人公司的CTO,团队完整,逻辑和Demo也准备充分;可融资时碰上上海封城,投资人普遍不出手,最后靠熟悉的朋友拿到大几百万元,明显低于预期。
  • 这次反差给他的冲击是,“个人能力的高低在历史大事面前什么都不算”。过去做语音助手、移动互联网创业、产业互联网都顺着趋势,他曾把顺利归因于自己;真正逆风时,才发现能力再提高,也未必抵得过环境变化。
  • 他把转折放在2022年10—11月前后:元音已有天使客户、流程跑通、准备融A轮,却又看到了ChatGPT和加入智谱的机会。一条路是继续包装自己的AI背景融资,另一条路则是完全放弃原项目,进入新的技术中心。
  • 张帆说自己想了约一小时,再与同事聊半小时,就决定把整家公司并入智谱,2023年2月开始共同推进商业化。“任何一个时代来临的时候,你都要到暴风的中央。”项目并不会被智谱继续做,这是一项真实的放弃。

17. 早期商业化首先是校正技术,而不只是证明收入

  • 为什么模型那么早就要商业化?张帆先给出内部理由:技术若不能尽早进入市场,反馈Loop可能从一开始就是错的。他反思,如果妙计前半年就买一家旅行社、或自己经营一家小旅行社,对市场的理解会比长期“憋大招”清楚得多。
  • 外部因素也很现实:OpenAI已有商业路径可学,训练又是极烧钱的方向,需要收入证明来支撑更多融资。他并不把自己定义为典型商业化人才,只是在团队里有相对多的技术管理与经营经历,因而接下了这个职责。
  • 邀请他加入的张阔原本希望他做To C,他却回答“To C我就不来了,To B我就来”,两人因此交换方向。他相信价值落地主要在企业端,但也承认早期国内没有参照,怎样定义新品类、让客户付钱,完全是在混沌里摸索。

18. 公共评价标准下,基模的覆盖能力会不断扩大

  • 李翔觉得,做终端应用、投流获客听起来并不复杂。张帆用模型打分回应:60分容易,70分难10倍,80分再难10倍,90分还要再难10倍;Demo与行业第一是两件事,聚光灯和大厂资源都集中时,小体验缺陷也会改变转化。
  • 他把To C称为基模的舒适区,尤其担心拥有流量的基模公司。李翔提到Kimi曾在增长上被视作标杆,后来又被豆包卷回去;张帆回应,力量太强,不要跟势抗,阶段性逆势未必改变终局。
  • 他给出更底层、也更武断的判断:“所有一切衡量标准公共的东西,我自己认为AI一定会通杀。”Bloomberg GPT是他的主要例子:500多块A100训练几十天,一半通用知识、一半金融知识,五项金融指标却有四项输给GPT4。
  • 私有数据本身也未必构成边界,如果数据仍来自公共分布、好坏标准也相同,基模可用数学、Coding等其他能力举一反三。垂直智能的“垂直”,因此不是金融、法律这样的行业名称,而是评价目标是否真的只在特定范围有效。

19. 边缘解来自价值取舍,不能由一个公共答案同时满足

  • 张帆用乔布斯和马斯克解释独特标准:前者可能从人文与科技、极简出发,后者可能追问物理成本极限、是否好10倍。两者都不是公共共识,也不能要求一个答案同时完全像两个人;企业同样需要自己的判断边界。
  • 旅游里,机票价格、景点开放知识是公共的,高端定制和大众跟团的产品标准却不同。客单价10万元以上的客户可能看重独特文化体验、住所有历史感、节奏悠闲;低价团则更重价格和密度,甚至追求四天走五国。
  • 差异还会延伸到导游、供应链、付款、退款、航班、舱位和时间段。即便都做高端,一家公司偏滑雪主题,另一家不偏,也会形成不同标准;公共模型能提供知识,却不能替企业消除这些取舍。
  • 李翔举海底捞与巴奴,一个把服务当核心,一个强调“毛肚才是”特色。张帆补充,封闭的iOS与开放的安卓、第三空间的星巴克与追求效率的瑞幸,对立面也可以都是好生意;伟大企业往往“信了一个别人不信的东西”。

20. 独特只是起点,边缘解必须经真实反馈证明有效

  • 李翔没有让“边缘解”轻松过关:多数人既难独特,又难恰好匹配用户,这岂不意味着AI时代更难?张帆承认条件苛刻,“边缘解只是条件之一,它还得是个正确的边缘解”;非要做“宫保鸡丁味的咖啡”,独特也卖不掉。
  • 企业家的工作有两段:大胆提出假设,再连接物理世界做实验、拿反馈、持续修正。他用星巴克开100家店作示意:20家失败、50家一般、30家很好,才能进一步理解什么选址、菜单和营销真正支持第三空间。
  • 应对头部集中,也不一定非得发明完全陌生的行业。一个咖啡馆全部摆Hello Kitty,也可能吸引特定人群;张帆借纳瓦尔的说法强调,“你要无限细分你的赛道,直到你成为世界第一”,不够第一就继续细分。

21. 企业采购AI,三年内从买安全感走向买业务指标

  • 第一阶段是2023年前后的焦虑驱动:头部企业担心错过,找模型公司合作或自己组队训练,先买一张入场券。当时榜单上大量不知名中国模型排在前面,OpenAI甚至进不了前两页;在张帆看来,这一轮投入并不够理性。
  • 到2024年年中,客户开始要方案和技术指标,例如客服回答效果提升多少。智谱因此补售前、交付团队,进入企业做落地;模型不再只是情绪价值,但客户主要仍在衡量某个产品或研发指标。
  • 2024年底、2025年起,消费品、咨询、工业等非技术企业进入,开始要求转化率等业务结果,供应商也要补行业理解和轻咨询。到今天,这一波仍在加深:客户想知道AI如何影响整个行业与战略,而非只解决一个单点。

22. 通用工具提高生产下限,老板仍要定义公司的独特性

  • 张帆认可WorkBuddy、豆包、飞书等产品,也举朋友公司用几十字Skill审核合同单据的例子,效果可以很好。但这主要是模型的价值:“它不会成为你的竞争力的上限,它是个下限”,因为竞争对手同样可以用。
  • 他说会议纪要快、表格处理快,很难解释一家公司的核心竞争力。企业若只是各写100个Skill,仍无法分出高下,模型一升级还可能让80%的Skill白写;第三阶段的下半场,问题应转为能否形成AI原生的战略和商业模式。
  • 需求强弱与行业类型未必最相关,反而常取决于老板。有的人自己投入时间学习、形成手感;另一些人花1000万元就期待团队自动用好AI、估值涨10亿元,张帆称之为“许愿式用AI”。战略不会因为投入资金就自然涌现。

23. 智谱的笃定,在于愿意把全部押注放在同一方向

  • 被问智谱的边缘解,张帆先限定:“我不太能替唐老师回答这个话。”但他的感受是唐杰极相信AGI;大厂可以观望,或拿十分之一资源试验,而智谱以及他从外部观察到的Kimi、MiniMax等,是把这件事当唯一方向。
  • “相信”不一定意味着别人没看见,也可能是别人不愿赌上一切。传统创业要求留18个月现金、不够就裁员;这一轮却有创始人主导的公司持续加大投入,美国公司也通过借贷等方式投Capex,承受资本市场质疑。
  • 李翔指出,二级市场投资人常认为有泡沫,一级市场与创业者更容易相信“这次不一样”。张帆回应,稳健经营在常规时代是长板,范式突变时却可能成为短板;他同时承认,这种判断最后也带有“以成败论英雄”的意味。

24. 离开智谱,是为了穿过Capex与业务价值之间的堰塞湖

  • 2025年离开智谱并不轻松:参与很早、共同投入很多,公司看起来也很有上市机会。张帆却认为,通用智能作为时代中央的竞争,已经来到战争后期;如果还想站在中央,就要寻找下一件事。
  • 他的判断是“AI很像电力,而不像互联网”:互联网主要提高连接效率,电力和AI更直接改变生产效率。电梯改变居住密度,空调改变城市生活条件;价值往往不是停在电力本身,而是通过嵌入现实活动不断扩展。
  • 今天Capex越来越大,人们体感AI有用,财报和组织变化却尚未普遍兑现,中间形成“巨大的堰塞湖”。在他看来,AI到底是泡沫还是革命,取决于能否穿过这道屏障;自己十几年做算法产业化的经历,恰好匹配这项任务。

25. 企业中心的智能路线,以效率换取对泛化的克制

  • 李翔追问,模型公司不也在帮企业落地,为什么需要另一家公司?张帆区分两种哲学:基模“以智能为中央”,相信模型足够强就能解决一切,因而把泛化放在第一位;但泛化的代价是成本和效率。
  • 他用“100多B的GPT-3”、几百B、2.8T、5T、10T描述模型规模的上升。让模型写PPT时,它还具备当爱因斯坦的能力,“爱因斯坦没有被激活的部分,其实是我浪费的资源”,企业可能承受不了这种通用配置。
  • 另一条路是以企业、场景为中央:在自己的小范围内追求更好结果,成本只要几分之一,速度快几倍,训练目标不再是Benchmark,而是业务价值。他相信无数垂直智能组合起来,也可能像人类分工一样形成群体智能。
  • 他不认为两条路只能存一条,却觉得前者已经被充分定价,后者还没真正开始。企业也需要自己的主权与安全感,避免被基模封禁、限流、降质或涨价;这与基模公司越来越少提供训练接口的倾向,形成了不同需求。

26. 元理希望为学习建模,把企业经验变成持续适应的能力

  • 张帆对元理边缘解的概括是:每个企业都应有专属智能,专属带来效率,而通用智能转成专属智能的过程,要通过自动化把效率提高100倍。这是公司提出的目标,不是已经完成的普遍结果。
  • 他把两条路线比作AlphaGo与AlphaGo Zero:前者用3000万盘棋训练出击败李世石的模型,类似基模对人类知识建模;元理更相信环境内的探索,“不是为知识建模,我们相信的是为学习建模”,寻找各环境自己的最优解。
  • 企业内部也应分层:投资公司的投资、编辑的写作,是高频、独特、有竞争力的部分,值得沉淀成自己的模型;合同审核、会议纪要、宣传图等若低频且没有独特性,则更适合从市场购买公共智能,不必全部自己做。

27. 企业应保有业务定义,把AI基础能力交给市场

  • 张帆借科斯解释边界:企业之所以在市场中划出一块内部组织,是因为内部交易效率更高;智能也一样。某个区域里,企业只有能定义出高于公共解的能力,才值得自己构建,否则就应该购买。
  • 他把黄仁勋的“五层蛋糕”拆开看,认为能源、芯片、基建、基模这四层应由市场解决。企业最该保留的是应用层里的独特智能与反馈闭环,例如星巴克从开店中学到的选址经验,换给全聚德就未必有效。
  • 落地分三步:先做业务建模,定义棋盘、目标与好坏标准;再把认知和经验训练进模型;最后接业务系统形成智能体。他预计后两步最终会平台化,“你可以理解为它是一个榨汁机,但是水果是你的”。
  • 李翔提出,越重要的职能越可能收回内部,咨询外包是否因此减少?张帆说“对一半”:外部从未完全替企业制定战略,咨询更像大模型,提供公共知识与方法论,放大内部思考;企业自己的偏好、问题和取舍仍不可外包。

28. 数字员工的生产单元,是概率模型加确定性流程

  • 元理期望交付的是能在组织里独立运转的员工。张帆认为,人本来也是概率性的:好的“幻觉”叫创造力,坏的叫失误或骗人;组织用流程限制后者、放大前者,而不是要求每个人的所有动作完全一致。
  • 他举空乘检查舱门的口令和动作作例:确定性流程防止遗忘。AI也类似,模型提供概率性能力,Harness作为配套的软件约束坏输出、组织执行;“人加软件”等同于“AI模型加Harness”,都是生产单元。
  • 因此,他希望AI在某些任务上成为Autopilot,而不只是Copilot。独立承担的任务越多、指标越高,单点生产成本就可能发生结构性变化,再延伸到定价、服务链路、上下游关系,甚至企业究竟做To B还是To C。

29. 从酒店拓展到定制旅游,数量级变化才可能重写市场

  • 李翔要求把交付说得更具体:如果携程是客户,到底买到什么?张帆回答,应先由客户决定替代哪个劳动任务,例如客服、计划调度或供应链,再拆开其中必须由人做的部分与机器能独立完成的部分。
  • 他用谈酒店举例:原来一个人能覆盖100家,借助AI能否覆盖1000家?初步沟通、报价与调价可以逐步分离;若整个平台从覆盖1万家扩大到10万家,价格调整也更频繁,就可能产生新的业务逻辑。
  • 另一条路径是把定制游下放。他猜携程此类产品可能需要每人约5万元才容易承接;如果人工生产成本下降一个数量级以上,价格可能变成5000元、再到2000元,便不只是内部提效,而是向自由行市场扩展。
  • 张帆把分界说得很清楚:五小时变三小时,叫提效;五小时变三分钟,客户群体、获客方式和长期服务可能都改变。元理负责复制客户的商业逻辑,至于偏大众效率还是独特体验,仍由客户自己的地图和标准决定。

30. 按效果分成可能制造对立,能力与消耗更适合定价

  • 对流行的“按效果付费”,张帆并不认同其天然合理。他设想同时服务同行A、B:A老实分一半利润,B实际只分20%却声称也是一半,A很快也会要求少付;供应商想知道利润,客户不想被知道,关系就被搅乱。
  • 他更愿把AI理解为劳动力、电力和能力的出售:买电炒股,赚钱不用分给电力公司,亏钱也不能向它索赔。客户购买能力后,可以直接观察业务表现,像招员工一样,三天发现不合适就停,合适就加大使用。
  • 因而他倾向按能力与消耗量收费,避免把多重因素共同造成的业务结果硬算成供应商分成。他也反思软件公司的三种惯性:不好卖就加功能、加人工、再免费;这些动作并不自动改善客户真实价值,关键仍是服务是否值得付钱。

31. AI应该按业务目标管理,而不是按每个动作验收

  • 很多客户仍把AI公司当软件公司,希望Day One就定义每个细节;但训练结果需要试验和迭代。元理因此选择体量足够大、老板理解AI且愿意花时间的天使客户,先对齐目标,再进入组织,否则旧标准很容易把项目带偏。
  • 张帆区分两种确定性:可以要求客户转化达到人工、甚至超过人工,但不应规定“问了A一定得回B,问了B一定得回C”。前者是目标管理,后者是在排列所有规则,最终会丧失弹性;AI更需要训练、激励和边界。
  • 软件改造常试图把十个步骤各提效20%,结果必须让人学十套新动作。元理更想找出其中两个步骤,100%交给AI,其余八步仍由人做,减少交互与习惯改变。“所有的管理都是通过限制个体效率来提高组织效率的”,他认为AI尤其要理解这一点。

32. Day One有收入,仍不等于一家研究公司可以少融资

  • 张帆用“眩晕”形容2025年的企业家:向上看晴空万里,像要起飞;向下看万丈深渊,不知道会飞还是掉下去。客户往往同时焦虑、有业务需求、又想抓住新机会,并非能简单分成三类。
  • 元理从一开始就有客户与营收,是为了保持外部信号,避免闭门训练、自我坍缩。公司近一半人员做研究,约四分之一做产研,商务与落地不到四分之一;早期从咨询到陪跑全做,是为了验证发动机,不是把重服务当终局。
  • 如果只留服务团队、省着花钱,他认为可以较快做成打平的小生意,但那不是目标。融资主要投入自动化学习、训练和商业世界模型等研究,每天算力与Token消耗很大;客户更像帮助校正方向的天使伙伴,企业环境也被他视作适合RSI探索的场所。
  • 对泡沫破裂,他承认任何公司都无法脱离宏观,却认为直接可衡量的价值更抗风险。他反对“中国To B不行”的笼统判断:广告、BPO都能卖,难的是价值间接的软件;若AI直接承担劳动,转化率与人效就能和人工比较。

33. 同一道企业智能题,现有玩家分别卡在人工、交付和数据

  • 张帆首先提到Palantir:通过本体、FDE和定制化,把通用智能变成企业可用能力。他认可其价值,但认为仍延续软件公司的重人工交付,本体和FDE也早在AI热潮前出现;按他的了解,服务单价从2000万美元起,覆盖空间因此受限。
  • 第二类是客服工种公司,他提到的名称是Sierra、Decagon。它们已有产品和模板,却仍需人员进场做数据标注、沉淀、训练与微调;问题不只是首次交付重,业务每周潜移默化地变,过一段时间又可能需要重做。
  • 第三类是Thinking Machines Lab、Fireworks,以及Databricks等偏训练工具与基础设施的公司。他认为降低强化学习、训模型门槛的逻辑是对的,但企业常常根本没数据,也不知道该训什么:“你给我一个再方便的东西,我训什么呢?”
  • 元理希望补的是业务与技术之间的交叉环节:从业务建模开始,找到生产数据与现实反馈,再接自动训练,把环路变成持续进化的系统。他强调,应从企业的第一性看问题,不能只从一个训练功能是否好用出发。

34. 自动化的目标,是让交付后的系统持续生长

  • 张帆用《人月神话》的思路解释软件:构建系统是在熵减,运营则不断遇到特例、打补丁、增加复杂性。系统做完往往是最完整的一刻,此后逐步腐化;他希望AI相反,每次业务反馈都变成下一次训练,进入生长逻辑。
  • 他的比喻是,“模型它是个活的,它不是个固体,它是个液体”。李翔笑问这难道能解决热力学第二定律,张帆并未声称违反物理规律,而是强调生产与消费可以合一:像看抖音时,既消费视频,也在生产偏好权重。
  • 关于当前交付,张帆坦承早期天使客户几乎100%手工做,到今天自动化约70%;他估计明年Q1“大概”能到95%。剩下的咨询希望交给企业或生态伙伴,能靠AI扩张的靠AI,需要人的部分则通过生态扩张。
  • 李翔的反问值得保留:重交付有没有可能本身就是护城河?张帆明确说有,只是要看护住的城有多大、是否符合目标。元理更愿把自己当基建公司,必须找到能运行Scaling Law的路径,而不是依赖每个交付者的个人经验扩张。

35. 组织要容纳流动,也要承受不断加速的竞争

  • 在张帆看来,重人工组织难逃规模不经济:管理半径扩大,损耗不断增加,直到业务增长抵不过管理成本;优秀成员于是离开大组织单干,在小组织里重新获得效率。他认为这解释了服务型组织常见的裂变与天花板。
  • 对智谱怎样留住他这样的员工,他反而说适当流动是健康的。团队总由同一拨人循环创业,也可能像模型自生数据那样过拟合;稳定会吸引求稳者、让创新者离开,高强度创新又会筛掉求稳者,没有一种安排能让所有人都满意。
  • 今天最让他痛苦的是跑得不够快。妙计时代可以花一年慢慢研究,现在基模不断加能力,分享PPT几乎每周都得改,竞争者又持续进入;他把处境形容为自己向前跑,后面的大水却以前所未有的速度漫上来。
  • 钱、卡、合适的人、激励、市场信息、好想法与判断力,都影响速度,却没有一个万能解法。“你再多的资源你也觉得不够,你再快还可以更快。”在他自己的竞争框架里,不做到第一就难保价值,因此资源必须服务于正确方向上的推进。

36. 人的价值转向定义问题、连接节点和验证假设

  • 招聘时,张帆最看重三件事:聪明、好奇、清晰思考与表达。聪明像算力,好奇让人主动探索,表达则像“光模块”,负责把自己的算力接给其他节点;他把今天的公司比作集群,节点更少,单个节点和连接带宽的要求更高。
  • 李翔质疑,个人再聪明能超过模型吗,聪明是否也被夸大?张帆仍然坚持其重要性:如果人的判断无关紧要,为什么有模型也不能立刻造出同样好的模型、造出光刻机?技术能力的公共供给,并没有取消选择研究方向和组织验证的难度。
  • 他区分微观与宏观差距:过去会不会做图差异很大,现在人人都能生成,操作差距缩小;但问题定义和思考深度会被放大。“AI的思考深度跟你的思考深度是成镜像的”,它“遇强则强,遇弱则弱”,不应继续与它卷微观动作。
  • 最终稀缺性仍在两端:一端是人决定什么是星巴克、什么是瑞幸,在巨大搜索空间里选择值得验证的假设;另一端是真开100家店、取得现实反馈,再回到判断。模型放大的是这个环路,所以“聪明依然非常非常重要”,只是不能停留在小聪明。
Full transcript
李翔

欢迎来到《高能量》,我是李翔。这期请来聊天的朋友是元理智能的创始人张帆。张帆是一位连续创业者,也在大厂做过 CTO,负责过研发,也是国产大模型公司智谱的前 COO。他在 2025 年创办了现在的公司,叫元理智能。

之前我也有幸跟张帆聊过,听他讲对 AI 的认识和了解,觉得挺有收获的。这次也请他过来,分享一下他的职业生涯、研究生涯,以及他对 AI 的思考。要不你也自我介绍一下吧,包括介绍一下元理智能。我查了一下,觉得你起公司名字都挺有意思的,之前上家公司叫元音智能,什么叫元理智能?

张帆

谢谢李翔老师,各位观众大家好。今天简单跟大家做个自我介绍。我其实是一个技术背景的连续创业者。以前在法国读书,学的是人工智能。很多年前赶上了第一波 AGI 浪潮,所以我在搜狗、腾讯先后负责过类 Siri 产品。

1. 创业者的几次转向

那一波我们认为 AGI 能到来,但结果没有到来。到了 2014 年,我就觉得应该出来创业。第一个公司叫妙计旅行,是一家 AI 加旅游的公司,只不过当时的 AI 不是今天的 AI,更偏向于基于搜索逻辑的 AI。我们试图帮用户自动规划复杂线路、找到最优解。

坦率来讲,这不算成功的创业经历,但也做了 5 年,收获很多。以前我们认为最重要的是技术和产品,觉得有一个好产品就会有好的价值。但妙计旅行创业结束的时候,我们慢慢意识到,好的技术一定要跟商业结合。

后来我们到了大搜车,当时它是产业互联网里很头部的一家公司,我去做 CTO,面对非常复杂的汽车流通体系,在那里做了两年多。之后我们出来的时候,突然觉得还是想创业,于是又出来自己创业。当时我们认为 AI 跟大数据有很大的结合空间。以往的大数据全部面向超大型企业,我们在想,有没有可能变得普惠,能够用 AI 来做数据驱动?所以当时又做了一家公司,叫元音智能。

做了半年多,到了 2022 年 10 月,我们看到了 ChatGPT 的发布,觉得非常震撼。再加上一些偶然的机缘巧合,我们认识了智谱的唐杰老师,突然意识到这一波 AI 跟以往的 AI 完全不一样。于是我们很快做了决定,把公司并进智谱,放弃自己的创业,整个团队进入智谱,负责商业化。从 2023 年 2 月开始,我们跟智谱一起经历了中国大模型商业化的整个链路。

直到 2025 年,我们觉得又看到了一些新的机会,还是抑制不住内心想创业,于是出来又做了一家公司,叫元理智能。大概就是这么一个经历。

李翔

那时候你是在法国学人工智能,是吗?

张帆

对,学计算机人工智能。

李翔

那是在 2010 年之前,是吧?

张帆

对,2010 年之前。

李翔

今天大家都会认为,AI 主要发生在美国和中国。那时候为什么会去法国?当时的真实情况大概是什么样?

2. 法国求学与欧洲差距

张帆

那个时候想法比较简单。我在国内读完本科,也是学计算机,在南开,想去海外看看。当时法国一方面不要学费,算是相对便宜的选择;另一方面我也觉得要看看不同的世界,也许多学一门语言也挺有意思。所以当时就是很朴素地去了巴黎十一大。

我进入那所学校的那一年,他们刚得了一个诺贝尔奖,所以他们在数学和计算机算法上的差距,不像今天这么大。我们实验室当时在做机器翻译,在这个方向上做得还不错。那时中美跟欧洲的差距没有今天这么大,我也学到了不少东西。

但是我还是觉得想干点具体的事儿。当时在法国也有机会继续读博士,我觉得太浪费时间,想做点真正有意义的事儿,就回国了。

李翔

今天差距是挺大的。

张帆

今天差距非常大,我觉得非常大。欧洲跟中美比起来距离很远。当然 DeepMind 是在欧洲创办的,如果这么算,它算有一点。但现在它已经属于谷歌了,如果没有谷歌这样美国的体系,不知道还能不能做到今天这么强大。

今天欧洲也开始努力追赶了,比如 Mistral 做得还可以,包括杨立昆现在的创业项目,好像也是在英国。但整体的人才密度和商业成果,我觉得跟中美还是有一点距离。

李翔

但其实他们教育是非常发达的,无论是在英国还是……

张帆

我觉得教育肯定是非常发达的。毕竟是老牌教育,出过这么多数学家、物理学家、化学家,基本功还是很扎实。

李翔

可见教育跟人才密度并不是必然画上等号,是吧?正相关,但不是必然关联。那你回国之后,比如在搜狗,后来在腾讯,当时 AI 的主要方向是什么?你讲的是做类 Siri 的功能,是吗?

3. Siri浪潮与大厂选择

张帆

对。我大概是 2010 年回国的,到了搜狗,这是我的第一份工作。当时的主流还是搜索引擎,推荐系统、搜索系统是最热门的方向。我当时负责的叫查询意图理解,就是用户查一个词的时候,我要判断这个词的意义是什么。比如查“清华大学”,你到底是想查一个地名,还是查一个百科?我们要做分类、判断意图。

大概 2010 年开始做这件事。到了 2012 年,Siri 发布了,所有人都很震撼,觉得突然看到了一个新方向。我们都是学 NLP,也就是自然语言处理,是人工智能的一个分支,研究怎么理解人说话的过程。那时候大家都很兴奋,觉得 Siri 开了一个好头,我们是不是有机会做到这样的东西?

当时我们做了一些基于规则的方法,也开始出现 Word2Vec,也就是用向量来表达语义。大家认为有机会做到 AGI,或者至少朝那个方向迈出重大一步。我在搜狗的时候,大家投了很多资源做这个方向,我们也把它做成了搜狗云助手。后来到了腾讯,其实也是这个方向的延续,所以赶上了那一波热潮。

但到了 2013 年年底、2014 年年初,已经有点证明这个方向不太有效了。当时有些创业公司开始用真人提供服务,大家觉得 AI 还是有一些东西做不到,这个时代就终止了。再加上我从搜狗到了腾讯,腾讯又跟搜狗合并,我的第一个反应是,大厂其实很难发挥自己的判断力。所以我当时想,要不就创业吧。当时什么都不懂,带了两三个同事,很模糊地开始干一件新事儿。

李翔

那时候,大概 2012 年左右,就已经有 AGI 这个概念了吗?

张帆

AGI 的概念历来都有。弱人工智能、强人工智能、通用人工智能,还有图灵测试,这些学术概念很早就有了,只不过今天大家把 AGI 讲得越来越具象化,以前相对模糊。

李翔

像你们开始时试图在搜索引擎里做意图理解,那套东西是可以实现的吗?

张帆

可以实现,但它还是以规则为基础。比如用户提了一个查询,我们要理解他是想查天气、笑话、路线、百科,还是视频。人为地把占比最大的搜索内容分类,把共性的需求尽量展现成结构化的表达。查房产也是这样,如果只是搜索结果的标题加摘要,大家很难看懂,所以百度有阿拉丁,各家搜索引擎都有类似的东西。我们试图把需求结构化,覆盖占比很高的那部分。

但逻辑的问题在于,分类越细,分类数量就会爆炸式增长。你很容易解决头部需求,却很难解决长尾,所以没办法走到真正的 AGI,而且这种方式有天花板。当然我们也不完全靠规则,也有分类器、向量主题聚类等各种方法。但总归还是撞上了萨顿讲的“苦涩的教训”:尽量不要用规则体系解决所有问题,而要用更原子、更通用的方法。那时候受技术所限,规则体系没有突破这一层困难。

李翔

你刚才提到,在大厂做研究会受到一些限制吗?能具体讲一下,怎么跟你的判断产生冲突?

张帆

刚开始工作的时候,我觉得只要努力、看好这个方向,就全力去做。毕业时加入搜狗,环境非常好,王小川总也非常技术理想主义,同事也很好,人才密度很高。那个环境很像学校,甚至不太像公司,所有人都在努力研究。

我中间为什么去了腾讯?是第一次意识到,做这样一件重大的事,需要的资源蛮多。更大的平台可能有更大机会让你完成目标。我非常认同 AGI 和人机对话的方向,作为一个学自然语言处理的人,所以当时去了腾讯,继续努力做这件事。

但是你会发现,大厂在战略判断上可能突然觉得这件事不重要了,可以非常快速地掉头。对大厂来讲,它可能只是几十个、上百个尝试方向中的一个;但对每个人来讲,可能就是职业生涯的全部,是你自己对方向的押注。当时其实有非常好的环境和岗位给我,但我还是想试试,看看自己做主能做成什么样。

所以我就初生牛犊不怕虎,在没有任何经验的情况下,盲目裸辞,租了一个大概 20 平米、只能坐 4 个人的办公室,在一个小民居里,大家闭着眼就开始干。完全不懂融资,也不懂商业模式,只是一帮技术人员在做。这就是第一次创业。

李翔

但你第一次创业的时候,应该是移动互联网非常火的时候吧?

4. 把旅行搜索变成产品

张帆

是的。那个时候我们还蛮顺利、蛮幸运的。我们做搜索,但我觉得如果做一个通用语音助手,肯定不可能跟大厂竞争,这件事需要的资源太多,渠道、数据我们都做不了。所以我们想能不能做一个垂直领域。

我以前在欧洲生活,意识到旅游是一个巨大的痛点。我曾经在欧洲用一个多月,只花了 1 万块人民币,去了十几个国家。买了一张火车通票,20 多天可以随便坐火车;我也不住酒店,就住在车上、住在各个地方,还买到过很多 1 分钱含税的机票。我认为旅游搜索还没有做到极致。

当时市场上比较红的互联网公司,比如去哪儿,很大的逻辑是帮大家买到便宜机票。比如从北京到巴黎,它帮你找到所有供应商,挑出最便宜的那张票。但我觉得从算法工程师角度看,这不是最优解,而且搜索空间太小了,因为各种销售渠道的差价不会很大。

我在想,为什么要以一张票作为搜索目标?能不能以一整个行程为目标?比如我要去巴黎 3 天、马德里 3 天、巴塞罗那 3 天,先去哪个、后去哪个我不在乎,但不同的排列组合、不同的天数,成本和便捷度可能完全不一样。所以我们想做一个二阶的元搜索,把各种排列组合、不同交通工具、不同顺序、不同城市都展开来算。这是一个很朴素的想法,我们就开始创业了。

我们很幸运,赶上“大众创业、万众创新”的时代。刚开始什么都不懂,几个月时间里一个客户都没有,就融了 1000 多万美元。我也没见过那么多钱,就觉得这钱怎么花?有资金支持,媒体也来夸你,说什么“公牛冲进瓷器店”“旅游门外的野蛮人”,给你灌一些名词,我自己也很飘,雇了一堆人开始干。

这既是优势,也是挑战,让我们掉进很多坑里。整个创业一开始非常顺利,过程中也有很多反复,让我们学到了很多东西。

李翔

那时候融资和媒体对移动互联网创新公司的反应,跟你今天创业相比,怎么讲?更顺利、更狂热、更受欢迎一点,还是差不多?

张帆

如果从更大的范围看,我觉得当时的覆盖面比今天广。今天大家只看 AI,不管 To B 还是 To C,投资人都有很强的偏好。很多偏好是移动互联网时代经验的延续:我要投 To C、投平台、投大空间,还有一定要投 AI。今天有一些非常明确的方向。

当时的生态更加多元、分散。很多完全不同的小公司,哪怕不成熟,也很容易拿到钱。那真的是一个蓬勃发展的年代,可能是普通人创业最好的时代。当然也交了很多学费。

李翔

当时感觉更蓬勃一点,是吗?

张帆

当时也没想那么多,只是觉得我们几个程序员想创业。我们做了一个 demo,大家点几下,输入需求,几分钟就出来一个完整行程,背后都是真实搜索引擎查回来的东西。投资人觉得很酷,就开始掏钱。

我们往往在一个客户都没有的时候,就能融到上千万美元,也没有投资人很 push 地问什么时候赚钱,大家会问钱还够用吗、进展怎么样,都很 nice。我觉得那是一个很好的时代,但也是让大家警惕性不那么强的时代。

李翔

今天不一样了。今天投资人会问那些问题,是吧?

张帆

当然。我觉得今天投资人和创业者都更成熟了,所以今天不像原来那么适合大众创新。你可能得有一定经验或者某种特殊能力,才能做好一个项目,我觉得这也正常。

今天创业者会考虑,第一天就要想好商业路径、假设和优势,甚至创业的每一个链条、每一个环节都要想清楚。我觉得这些越来越像必修课了。

李翔

你们当年做妙计旅行的时候,一开始有想过怎么跟携程、去哪儿这样的公司竞争吗?差异化是什么?

张帆

我们的理念和概念想得很好,源于我们的搜索引擎背景。我们觉得当时携程、去哪儿的链路都是卖单品,每个东西卖一个单品,提高了传统线下旅行社的效率和自由度,但也有边界。当你选的东西越来越多,就会超出人的选择能力。

我们数过携程的首页,大概有 50 个栏目。我说,什么样的人自由行能把 50 个栏目都看完?可能需要有人帮你,但人很贵。我们就在想,能不能让 AI 来帮你。

我们觉得,只有选机票、酒店的时候,OTA 是很好的选择。但如果要选机票、酒店、包车、景点门票、day tour、玩乐、游船等复杂的东西,决策能力会指数级上升,所以需要这样的搜索引擎。

当时最朴素的想法是,一个人在携程上花一天做行程规划,不一定有好结果,因为他要反复评估、测算。但我们两分钟就能搞定。每个人都追求更高效率、更低成本,所以我们觉得一定能做得更好。这也埋下了很大的坑。

李翔

你们这种推荐背后的技术是什么?

张帆

其实是搜索引擎技术。搜索引擎展开来讲也蛮复杂。比如我要去巴黎 3 天、马德里 3 天、巴塞罗那 3 天,从北京出发再回北京。排列组合非常庞大。我要从北京飞巴黎、马德里还是巴塞罗那?甚至可能提前一天或后一天走。假如 10 月 1 日想走,是 9 月 30 日晚上走,还是 10 月 1 日走,还是 10 月 2 日凌晨走?会有非常多选择。展开后可能是数千种排列组合,不同组合里最好的和最差的,价格可能差几倍。

我们认为这是一个搜索问题,要展开搜索空间、建索引,把它当成数学题来计算,算出理论上最优的解给用户。城市内更复杂。如果一个地方玩 5 天,每天去 5 个景点,不算酒店,排列组合就是 25 的阶乘,是天文数字。我们觉得人一定算不好,机器一定能算得更好,就以这个心态来算结果。

李翔

那时候机器能算好吗?

5. 工程最优解为何失效

张帆

完全可以算好,但有一个结果不等于有一个好生意。这是一个很大的教训,也奠定了我们今天做很多事都以商业目标、对方视角为导向。

这说来蛮搞笑。我们当时非常有自信,也很好融资,因为你输入几个需求,我们两分钟查几百次,直接给你一个最好的结果,看起来天衣无缝、没有任何问题,确实比别人安排得省 20 分钟路,也能省一点机票钱。

但我们发现那是理想世界。从理想世界到真实世界之间有一个巨大 gap,跟今天模型到真正业务场景一样。我们真正到线下,发现用户没办法决策购买这个最好的行程。我们忽视了用户根本没有能力判断这是不是一个好行程。

我没有站在用户视角想:用户点几下,最后你给他一个方案,他有什么锚点相信这是个好方案?用户判断不了。我发现也没有什么办法能让他判断,因为用户不是像计算机一样思考的。这就是工程师思维跟业务思维的 gap。

我观察了当时旅行社里的普通用户怎么决策。大多数人跑到旅行社,说:“我想去美国玩,你帮我安排一下。”对方拿出一个方案,说:“你就去这个方案。放心吧,我做旅游 20 年了,哪个明星都是我安排的,你听我这条走,绝对没问题。”用户就信了。这是专家推荐。

其实我就是这么想的:在工程师逻辑里,我要精算到小数点后,让你每天少走 10 分钟。但在用户的决策体系里,这根本不是他关心的事。他只要心里安稳就行了。我们想找的是数十亿种排列组合里的前 100 名,但对用户来说,前 10 万名体验都挺好。反正出去旅游,能差哪儿去?多走 10 分钟,他也永远没法比较,一辈子可能只去这一回,怎么知道那一刻少走 10 分钟有什么区别?站在用户角度,完全不是这么想的,这是第一个让我们很惊讶的事。

第二个让我们惊讶的是供应链。我们原来觉得只要搜出结果就好了,没有考虑供应链。我说干供应链太傻了,去哪儿也没有供应链,不都是连到服务商吗?我也连上就好了。但我们完全低估了旅游行业供应链的脆弱性。

那个时代的旅游行业,包括今天,供应链都很脆弱。比如欧洲铁路或者机票,你从来没见过这东西,打请求的时候一秒钟打 100 个,它可能就崩了,根本支撑不了。欧洲铁路可能只能接受一秒钟两个请求。这在搜索引擎里完全不可理解。你订了票,票还可能失效;当时每订 10 张票,可能有一张告诉你没票。

从这样的体验里,你就发现供应链极其脆弱。我们的出发点是建立一整条业务链路,先去 A,再去 B,再去 C,再去 D。如果订到 C 突然买不到了,A 和 B 怎么办?我们忽视了供应链的重要度,只把它当成信息层,但物理世界有物理边界,有供应链体系。

第三个没想到的是,我们认为自己是搜索引擎,但顾客觉得我们是旅行社、是服务商。这超出我的意料。我心想,我又没收你的钱,只是免费帮你排列组合,找最好的行程,让你自己分头去买,甚至还做了自动化工具帮你买。那你为什么要让我负责?

有人打电话说:“我买的这张欧洲铁路票取消了,我该怎么办?”我心想这问我干什么?我不是给你算方案了吗?但人家就是要问,于是我们发动产品经理到处查资料,给欧洲铁路打电话,6 个小时后告诉人家:“你直接坐下一班就行。”

我们突然意识到,这个事情需要服务。从工程师视角的逻辑世界到真实的商业世界,中间有巨大的 gap,那是我们第一次学到这样的经验。

李翔

如果用今天的技术能力、模型能力和旅游供应链成熟度,妙计这条逻辑今天能跑得通吗?

张帆

我觉得妙计从来都能跑得通,没跑通的是我们自己不够成熟,做法不对。今天大家对模型也有很多误解。我们做模型,也做过妙计,可以从这个视角讲一点自己的观点。

大家认为 AI 能做旅游规划,其实是一个误解,不能简单认为它能做旅游规划。比如今天我跟大模型说:“帮我推荐一个巴黎、马德里和巴塞罗那的线路。”它给你的更多还是信息层面的内容,没有连接物理世界。你在任何时候问这个线路,答案可能是随机的。今天能不能买到从北京飞巴黎、巴黎飞马德里、再飞巴塞罗那的票,我不确定,因为 AI 背后没有查供应链。它只是给你一个建议。

明天去的景点是不是关门、离酒店是不是很远、酒店几点能入住,有大量物理世界的信息没有连接起来。这就好比你不太能用大模型当计算器用,最好还是调一个计算器。旅游行程规划本质上也是一个计算器。

当时的逻辑是,旅游服务本质上分为跟顾客沟通需求、生产方案和供应链落地三个环节。我们用搜索技术只解决了方案生产,前面还得靠人交流,后面还得靠人采购。这可能导致我们没法规模化,或者受到物理世界限制。

今天把这两端打通了。我不认为 AI 能单纯替代中间的规划,方案生产环节还是得有一个计算器。但两端今天 AI 能带来巨大帮助。所以如果今天的我们回到 2014 年做妙计,我觉得妙计能活到今天,不论有没有疫情。有了 AI 之后,它能被放大,今天也是更好的时刻。

李翔

你刚才讲的订票、酒店和景点入住问题,我理解模型只要有那些数据,就都能给你很好的建议吗?

张帆

首先,模型今天不是这么做的。如果这么做,它的消耗代价会极高,这些知识也没有放进去。比如我要从北京飞巴黎、巴黎到巴塞罗那、再到马德里,大概有 9 种顺序;算上不同天数,可能有几十种、上百种;转换成携程的查询,可能要上千次。今天模型压根不会这么干,如果这么干,携程就把你封了。

另外,查到这些东西之后,还要按逻辑排列。今天的模型只能帮你做单步订票,没办法做长链路。真正的旅游里,为什么线下服务重要?如果机票没了,或者酒店满房了,它能做兜底服务,马上帮你找第二间酒店;司机没来,也能马上帮你换司机。它跟物理世界连接。

这就是为什么大家会在穷游、马蜂窝看信息,却到携程下单。穷游和马蜂窝有大量写得很好的攻略,但那时候有效不代表今天有效,更多是信息输入,不为结果负责。到了携程,就变成要为结果负责,要担保价格、保证退改,有无数繁琐的服务由它承接。所以纯模型没法把这些连接起来。

李翔

这么听下来,携程这样能连接物理世界的平台,护城河还挺深的。单纯的逻辑世界好像没什么护城河。

6. AI公司的护城河

张帆

非常同意。这也是我们今天做模型的一个重要判断。很多人问我们,到底什么是 AI 时代的好公司?

我们看到太多很强大的公司,在模型一次升级之后瞬间土崩瓦解。比如 2023 年的 Jasper,十几个月就有 15 亿美元估值,收入已经 8000 万美元 ARR,增长很快,也确实有人消费。但 ChatGPT 上线,6 个月之后这家公司就开始裁员,今天已经销声匿迹了。从某种程度上讲,大家不知道模型跟应用的边界在哪里。

我们今天还是很旗帜鲜明地认为,AI 时代的好公司可能不是一个纯 AI 公司。纯 AI 公司很容易在基模的射程范围内,大概率会被基模通杀,除非你自己就是基模。但基模也会面临商品化趋势,这先放一边,总归是巨大的商业机会。

在基模之下做各种套壳或者垂类,很难有结果,都会被基模卷掉。我们的定义是,AI 时代的好公司,含模量不能太高,也不能太低。最好大约 50% 是模型能力,50% 是传统业务。当然这个数字是虚的。如果你有 50% 的模型能力,就意味着你在行业内有极强竞争力,能够打败别人、快速集中;但另有 50% 的传统业务,意味着基模进不到你的体系里。你有自己的闭环,跟物理世界连接,这是你的护城河。未来这样的公司才更有价值。

李翔

我们上次聊,你是不是讲过,如果我是一个现在非 AI 类公司的创始人,听了你的介绍会非常欣慰?你用了一个词,中央解、通用解和边缘解?一个好公司必须有自己的边缘解,是吧?

张帆

是的。它得有自己的假设。今天的好公司都有自己的假设,没有假设的公司其实不存在。用一个公共解不可能做出有价值的企业。每一个企业家、每一个科学家,真正让他伟大的是他的反共识,是他看到了别人没看到的东西。

我觉得今天 AI 不会改变反共识,因为 AI 本质上计算的是 loss 最低的东西,也就是高度共识。所以它放大了共识,某种程度上,反共识在今天可能会变得更加稀缺。这不光是企业家要欣慰的,也是一个真实发生的逻辑。

但也不能光欣慰。这个时代也有很多商业逻辑变化。虽然基模不能攻进你的护城河,但每一个同行都可能利用 AI,把已经稳定的格局变成新的战争,我觉得这也在发生。

而且 AI 时代有一个巨大变化:企业有可能高度集中。我们不评判好坏,从逻辑上看,AI 今天让智力可以被无限供给。原来 90 分的服务不够用,80 分的服务可以降价;80 分不够用,70 分的可以降价。但今天一旦达成 90 分,就可以无限供给,所以 89 分跟 60 分就没区别了。它可能像今日头条、抖音一样,把所有事情都变成一个高度头部、拥有网络效应的市场。所以我觉得也不能欣慰,还是得加油。

李翔

还是有那个 50% 含模量的机会。

张帆

对,也是一个好的机会。

李翔

你一直在做这件事,也提到有些行业和领域原来稳定的格局可能因为大模型、人工智能发生变化。你能举个真实发生变化的例子吗?

张帆

我觉得可能跟大模型没关系,但跟这个原理有关系。比较典型的其实是抖音和今日头条。

最开始农业时代,生产单元是每一个人。这个人的体力和脑力是对称的,8 小时思考就有 8 小时工作。大家都是手工业者,所以百花齐放,有各种独门餐厅、老字号和特色产品,个性化的东西很丰富。

到了工业时代,第一大变化是体力可以被无限供给,有了蒸汽机、电动机,体力的成本无限趋向于零。这个时候发生错配,生产单元变成脑力有限、体力无限。每一个时代的商业模式都是围绕稀缺建立的,所以那个时代大家要围绕脑力稀缺建立体系。

典型结果就是标准化,也就是工业化的核心。标准化的本质,是为了脑力做妥协,尽量不要让脑子想太多,想一份,大家一直生产。从消费端看,福特 T 型车十几年只卖一个款,而且只有黑色,就是为了节省脑力。从生产端看,工业化出现分工和流水线,也是为了节省脑力。你不需要记住怎么造一辆汽车,只要拧螺丝就行了。

所以今天大量商业模式还是通过节约脑力、标准化来提升效率。比如携程,不能让你看到太个性化的酒店信息。老板说“我教大家怎么滑雪”,但在携程体系里展现不出来,你只能看到房型、面积、照片、含不含早,别的给不了。美团、滴滴其实也都是这样。没有什么不好,这个时代就是这样。

到了 AI 时代,最大的变革是脑力也可以无限扩张,脑力成本也无限趋向于零,再次回归对称,脑力跟体力都可以无限扩张。这时候本质上就是反标准化,我们称之为“颗粒度革命”,让所有个体都能享受个性化服务。

我讲这个逻辑是想回答刚才的问题。这是我们推演 AI 时代能做的事。但最先发生这件事的,我觉得是内容领域,也就是今日头条、抖音这个赛道。最早我们看的内容也是标准化的,比如杂志、报纸,没有办法让每个人都看个性化内容。所谓行业最佳实践就是:你看体育新闻,看编辑选的就行了,不用有自己的想法。这是最早的逻辑,大家认为那是最好的状态。

后来你发现不是这样。今天每个人的今日头条推荐都完全不一样,大家还是很在意个人偏好的。因为这个事足够数字化,今日头条又足够强大、算法足够好,它第一次没办法为每个人单独生产一个东西,就必须把生产和消费合一。我看文章的过程,也是在生产文章、分发我的偏好。两者合一之后,今天的抖音、今日头条都是这个逻辑。

这个逻辑将来会应用到更多垂直领域,进入物理世界。我们每个人是不是未来都应该有自己的英语教师、旅游规划师、健康管理员、金融投资顾问?可能会有无限多种信息和物理世界连接的方式,放大每个人的能力。我觉得未来每个行业都有可能发生这样的故事。

李翔

听上去,无论现在还是未来,如果我是单纯的消费者,会非常幸福。作为内容消费者,看红果、抖音很开心,不用花几十块钱去电影院,也能看到刺激多巴胺的内容。但如果我是电影导演、编剧或者电影公司老板,就很悲催了,是吧?

张帆

这个事我觉得有两个逻辑。第一个底层逻辑是,我没有那么悲观。从微观上看确实可能造成一些变化和动荡,但也孕育着新机会。马车出现的时候,所有人都会认为人的价值是什么,汽车是不是替代我们?但今天开滴滴的人比过去开马车的人多多了。我觉得人是会变的。

更底层来讲,我相信进化论。人类社会一定会涌现出一种新的机制和模式,找到人机共生的新模式,这一定会发生,所以我不担心。

更有意思的是,我还专门查过,今天全世界马的数量,跟马车巅峰时期的数量差不多。

李翔

我问的是 AI。

张帆

也有可能 AI 欺骗了我。

李翔

今天人毕竟变多了。

张帆

所以我觉得每个人不用悲观。有句话叫“悲观者永远正确,乐观者永远前行”。你既可以把今天当成一次灾难,也可以把它变成一次新生,找到新的价值和更大的空间。我更倾向于大家乐观地看后者。

李翔

我其实想问,张帆你前面讲公司永远围绕稀缺来建立竞争优势。在模型时代或者 AI 时代,这也是一个很宽泛的判断。具体到一个公司,工业化让体力不再稀缺,AI 时代让脑力也不再稀缺,那在体力、脑力都不稀缺的情况下,未来商业组织、甚至个体的稀缺到底是什么?怎么建立稀缺性?

7. 稀缺价值转向两端

张帆

我觉得这是个很有意思的话题。坦率讲,今天还比较早期,并没有对真正的组织造成很实质的影响。我们专门研究过各种报告,也务实地看了标普 500、沪深 300 的财报,真正号称 AI 有影响的公司,跟同行的关键指标相比,并没有特别明显的区隔变化。所以我不想说已经发生了深刻变化,还没有。

但我们可以从少量边缘行业看到一点变化。比如最近很流行的一条信息:今年上半年红果上一共出现了 22 万部短剧,其中能够回本的只有 1.03%。一年前,也就是 2025 年,AI 冲击了传统横店,横店开机的剧组大量缩小。一年之后,短剧自己产生了 22 万部,成本已经降低 10 倍,回本的只有 1%。

这时候你就发现,创造价值不代表自己有价值。为什么创造了价值却没有价值?因为这个价值不稀缺。这是一个典型例子。今天你觉得自己能说一句话造出一个短剧,其实别人也能,所以它的社会公共水平不能用旧标准衡量。这是最大的问题。

但如果把这个东西扒开看,资源流向哪里了?生产不再稀缺时,价值不会消失,只会转移到两端。一方面移到分发端,我们看到的数据是大约 80% 都是红果分发的,理论上红果赚到了分发的钱。另一方面在下游,Seedance 模型占了 80% 的份额,大家用来买模型的钱也占了 80%。真正赚到价值的是分发和模型,中间那些自认为创造了价值的人,在产业链上的价值其实很低。这就是一个典型的稀缺转移。

以前你能拍一个好作品,平台会求着你。但今天由于生产力指数级上升,价值突然不稀缺了,大量的人涌进来,还有不断升级的模型让成本更低,价值就转移到上下游。我觉得未来各行各业都会发生这件事,只是转移方式不一定一样。

李翔

之前大家可能认为,创意或者剧本、故事情节的编写是稀缺资源,因为它是脑力劳动密集的。现在脑力劳动变得不稀缺,所以价值转移了。最后会变成大家花几百块钱的 token,就能做一套短剧出来?

张帆

横店可能变成让游客过来参与拍摄,然后收几百块体验费。体验是稀缺的,所以大家的模式都在往稀缺上转移。凡是 AI 能做的事,千万不能把它当成你的竞争力。

我觉得这个时代有一个巨大的幻觉。大家总放大 AI 的幻觉,那个暂且不提。我觉得 AI 带来的最大幻觉,是人对自我价值的幻觉。人很容易把 AI 的能力代换到自己身上。我们见过很多人分享自己做的游戏软件,只输入几十个字的 prompt,AI 就把它造出来了,他还用旧标准衡量今天的生产,说“原来我能生产这么牛的东西”,然后愿意分享。他没有意识到,这件事跟他的关系太小了,本质上是 AI 的价值,而不是他的价值。所有 AI 能做的事,我们都千万不能把它当成自己的价值。

李翔

你做了妙计之后,迅速进入另一个行业。我挺好奇,如果是这样,过去在旅游行业积累的稀缺知识不就没有沉淀下去吗?你一直积累下来的东西是哪方面的?在你看来,自己的稀缺性是什么?

8. 经验如何变成可迁移知识

张帆

我自己觉得,第一点跟我们今天做模型一样。你写一个 skill,如果想刷榜,很容易把它写成微观的东西。但这些不太算知识,只能算经验或者记录。好的 skill 是基于 100 个实验找出共性,把共性的东西投射到未来 100 万个逻辑上依然有效,这时候它就变成知识、智慧。

所以说回来,如果我们学的都是微观的东西,在今天 AI 时代淘汰得太快了。做电商、做内容,两年前和今天的环境完全不一样。就像今天训练模型一样,我从来不相信某一个固定知识切片的价值,我相信的是学习的加速度:我如何为学习建模,到了任何环境里都能借由以往经验快速建模、抽象、举一反三,深刻提高学习曲线。我觉得这件事重要,今天训模型也是这个逻辑。

我从旅游行业经历了很多,刚才聊的只是第一个阶段。后来我们做过把软件卖给旅行社,再后来做过 Marketplace,自己建供应链。表象很不一样,但底层全一样,都是供需、人性逻辑。后来我想增加自己的泛化能力。就像今天训练模型,如果总用一类数据训练,它就坍缩、过拟合。所以更好的方式是要有多样性,一个人见过足够多的东西,才能找到共性。

我觉得产业互联网很重要。当时我们看到大搜车这样的公司,在最火爆的时候融了将近 10 亿美元现金,有十几条业务线,包括新车、二手车、二网、金融、保险、物流、软件、代运营等。

李翔

他们是第二大吗?第一是瓜子?

张帆

从体量上来讲算第二大,比瓜子小。倾向略有不同:瓜子倾向于自己把生意都做了,大搜车倾向于在产业底层赋能传统车商、主机厂、品牌、二网、经销商等。模式不完全一样,但在整个二手车赛道里肯定是第一、第二,体量比较大。

我们当时进入之后,给我增加了很多知识。你会看到一个数百人、上千人的产研团队,分散在十几个业务线里。你如何作为 CTO,把自己从一号位变成非一号位,去观测整个组织的发展?妙计最多的时候也就 200 多人,不到 300 人。这次看到了一个五六千人的公司,增加了我的知识多样性,让我对企业看得更加全面,也从中抽象出商业认知,泛化到更大范围、不同领域和不同商业模式里。

李翔

这种知识能迁移吗?做妙计时,你一方面是 CEO、创始人,另一方面是用技术提供旅行解决方案的公司。积累的知识能迁移到大搜车吗?

张帆

我觉得完全可以,因为我有业务背景。当时有人问什么是好的 CTO,我觉得这个问题挺难回答,大多数 CTO 可能回答不好。大家通常认为技术好就是好的 CTO,我觉得这个逻辑不对。技术的范围太广了,团队足够大,你会发现永远不可能自己技术最好。分支太多,每一项都很碎,你不可能都擅长。而且都擅长,你就不是管理者视角了,变成手机架构师了。

我当时思考过这个问题,给的答案是:好的 CTO 不是技术最好,而是要从技术视角解决业务战略问题。本质上落地的锚点是业务战略,技术只是视角和手段。从这个逻辑上讲,跟我在妙计做的事没区别。我还是要做好一个业务,锚点还是从技术视角出发。妙计是一个用技术视角改变世界的公司,包括今天的原理智能也一模一样,都是这个逻辑。

李翔

就是从技术视角解决业务和战略问题。

张帆

对,业务战略决定公司能不能生存。我不能只追求一个酷炫的技术,没有意义。

李翔

这让我想到之前见过邓康明老师,他在阿里巴巴做过 CPO。他说当时马云任命王坚负责阿里云,公司里很多技术同事表示不忿,因为当时还有一位业界技术大牛,大家都认为那个人更能得到技术人的认同。很多人讽刺说王坚忽悠了马云。

邓康明分别跟他们聊,先问那位业界大牛怎么理解云计算、云计算对公司的意义和价值。他讲了 2 个小时,邓康明基本没怎么听懂。后来他再去跟王坚聊,王坚用 15 分钟就让他明白阿里云非常重要,也明白了为什么王坚能成为阿里云的 CEO。

张帆

这我非常认同。我记得央视上还有一个采访,现在应该还能搜到,采访马云、马化腾、李彦宏,问他们怎么看云计算。马云觉得这是未来,要做;李彦宏的表现像是“这不就是新瓶装旧酒吗,还要叫什么云计算”;马化腾可能觉得这个东西好,但要等 50 年、100 年太久了。

抛开具体话术,我觉得李彦宏说得错吗?绝对没错。他的技术一定比马云懂,讲得更细,内部确实就是这么做,他真诚地认为内部做到了。但这反映的是你怎么看一个业务。那时候的云计算,或者今天的 AI,你到底把它当成技术问题,还是业务问题?如果当成技术问题,李彦宏说得没错;如果当成业务问题,马云才是正确答案。

今天很多企业家都在说,我一定要招一个 CTO 帮我解决 AI 问题。我觉得这个理解完全错了。如果把它当成技术问题,你就永远打不过大厂,他们的技术人员都比你强。但如果把它当成业务问题,你就有独特的理解。马云并不是技术专家,但为什么能看到移动互联网这么大的趋势?因为他把它当成业务问题。我觉得今天 AI 这个逻辑依然通用。

李翔

你们公司有 CTO 吗?

张帆

没有。今天跟原来不太一样,很多事情是分布式的,特别是 AI 带来组织模式的变革。我觉得今天还有一个很大的变化:以前经验很重要,带头大哥很重要,但今天似乎变了。带头大哥往往会有旧时代的印记,所以很多新脑瓜可能更重要。

你看很多原来的老资历,比如 Meta 的杨立昆,其实没有搞出好的结果;但今天像 Alex Wang,Scale AI 的老板,你发现他才二十几岁,却有完全不一样的视角。在这个时代,我们不想让大家变成原有的中央集权式组织,而是更分布式,大家独立决策、独立推进、快速协作。

李翔

那一波做旅游的公司,后来有成功杀出来、独立于携程和去哪儿并且活得很好的公司吗?马蜂窝算吗?

张帆

马蜂窝应该不算活得很好吧?

李翔

那它应该是活得最好了。

张帆

旅游行业变化没有那么大。今天大家还是以携程、飞猪为主体的 OTA 体系。当然也有一些传统旅行社,但肯定没有以前活得好。在这种市场环境下,旅行社没有做得那么好。直接来讲,我觉得没有一个杀出移动互联网时代、到今天依然能够很好独立存在的公司,好像没有。

李翔

这很有意思。携程能够经受住这么大的技术变迁,说明它有很深的护城河,是吧?

张帆

当然,我一点都不怀疑。做过旅游的人,没有一个人会怀疑携程的护城河。它的护城河极深,核心逻辑是把供应链和用户体系完全打通了。

传统旅行社靠打包产品分销时,携程找到了一个新的增量用户群体,就是自由行的人。他们要自由、要自我掌控、要便宜。携程建立了一套以工业时代为代表、高匹配效率的闭环:用户来了,我去接酒店批发商,把全世界的酒店批发商都接上,所以货最全;前面做了很好的体验,用户可以选。选完以后形成闭环,用户越多,就能拓展更多批发商,压低价格;价格低了,又带来更多用户。品类越多,复购越多,获客成本摊得越低。

这是第一层。第二层是包括从去哪儿带来的资源。世界上除了完全进入批发商信息化体系的一部分,还有零散的地头蛇资源。携程又造了一套 TTS 系统,让他们填资源,携程来卖。只有用户群足够大,大家才愿意为它填资源。所以它有两层护城河,再加上中间筛选标准、广告投放、品牌、体验等等。今天这个棋盘里,用旧办法永远打不了携程。它已经形成闭环,跟今天你不可能再造一个滴滴或美团一样,网络效应已经非常强。旅游行业要带来变革,一定要出现新地图,而不是在旧地图上卷效率。

李翔

那妙计也是在旧地图上卷效率吗?

张帆

我们想找新地图,但还没找到就死了。我们当时确实不甘心做一个旅行社,还是觉得要做一家科技公司。出发点是好的,但能力不够,所以没做到。

李翔

如果是这样,携程的优势大概率还会延续到模型时代。那可能有另外一家创业公司,像当时你们做妙计一样,基于今天的技术背景去做新公司、找新地图、新解法,当然大概率还是做不出来。你觉得有这种可能吗?

张帆

我觉得会出现新公司,有很多底层变量在变化,我们也隐约看到一些种子选手出现。以前很久没有种子选手,现在有一些了。

在原有技术路径下,携程的闭环几乎无懈可击。无论它遇到什么公关危机、被大家诟病,大家觉得“苦秦久矣”,但依然没有人能动摇它,因为护城河太深太厚。

但 AI 时代可能出现底层范式变化,让原来的护城河和今天的护城河不一样。我觉得要么是用户行为发生变化,要么是供给发生变化。在这个点上我们看到一些潜在可能性,但还比较早期。我不认为市场会永远不变,我觉得会变化。

李翔

用你的说法,携程的边缘解是什么?

张帆

携程的边缘解是效率大于体验,或者效率本身就是体验。站在它的视角看,今天自由行的体验理论上不如原来跟团游。

在 80、90 年代,跟团游的行程设计人员是当时大学生里最好的那部分人。他们去踩点、研究。抛开今天的购物团,在那个时代,出国旅游的行程设计、景点讲解、老导游的体验都极好,但太贵,而且不够自由。携程抓住了千禧一代的风潮,用效率换体验。

严格来讲,今天旅游组合、服务这块没有太多体验。我买机票、买酒店,自己走了,理论上不太算有什么体验。但我觉得按照刚才那套逻辑,这个东西有没有可能回归原点?我们会不会变成每个人既保存效率,又有体验和个性?我觉得也许这是个突破口。

我原来用过好的导游,你会发现他讲解历史文化的体验完全不一样。但今天携程里,所有导游线上都是一个价格,就会劣币驱逐良币,大家不想磨练专业。某种程度上,这是效率带来的反噬。我不是说携程不好,我也是携程忠实用户,觉得携程做得很好。但任何商业模式都有两面性,AI 出现了变革契机。未来旅游有可能高度个性、低成本、极度自由,我相信会有这个可能。

李翔

这些特质放在工业时代肯定是矛盾的,个性化跟效率之间……

张帆

在手工时代就有呀。旅游里历来有一个分支叫高端定制。

李翔

对,很贵,但体验确实很好。借助 AI,能不能把定制变成核心、变成新的生产方式?我觉得有可能。

另外,为什么二手车行业在中国没有像美国那样产生百亿美元的大体量公司?我听他们讲,逻辑至少当时我觉得都成立。

张帆

这个问题其实是个未解之谜。在里面工作过也不知道。这个行业总体投入过近百亿美元,但没有一个真正特别杀出来的结果。虽然大搜车也上市了,瓜子也做得还可以,但依然没有一个完胜、像携程这样统治市场的玩家。大家好像一直没有一个共识的结论,我确实也没有答案。

李翔

我听你开始介绍的时候,你 2022 年做元音智能,那个时候 ChatGPT 还没有出来,是吧?那不是选了一个很尴尬的时间点吗?

9. 从元音到智谱

张帆

倒没有。我们当时没有考虑到 ChatGPT 这个逻辑。我为什么有做元音这样的概念?因为我在大搜车的时候,我们有一个非常庞大的数据中台团队。几乎把内部所有环节都自研了,从埋点、数据基座、治理、数仓,到上层指标体系,再到 BI、CDP,全部自研。当然我觉得首先不应该自研,但那个时代大家做了这样的事。

这给了我一个巨大认知:每次创业都来自一个反共识,相当于一个边缘解。当时的共识是,数据中台是大厂的玩具,只有大厂才有数据,做这个才有意义。所以当时做数据中台的公司都是服务大厂,派几十个人帮你做数据治理、做报表。但我当时有个反共识:大厂可能不是做数据驱动最好的单元。

为什么?你发现大厂的数据高度分散。比如大搜车有十几条业务线,每条业务线都有自己的业务系统。如果每个系统有自己的语义定义,甚至有很多历史问题,数据就非常庞杂。想让集团数据驱动,就得把这些数据完全结构化、标准化地统一起来,才能有效做起来。所以我们看到的大多数数据中台项目都做得不好,烂尾比例很高。纯做数据中台的公司在 2020 到 2023 年有一波热潮,今天好像也大多不在了,没有真正杀出来。

我们的反共识是,小企业的数据条件可能比大企业更好。为什么?数据量不是唯一条件。任何一家电商的数据都高度标准,比如它在淘宝、京东、拼多多的数据,几个 ERP、CRM、投放平台的数据,都高度标准,数据结构也记录下来了,有 schema,所以很容易融合,快速做决策和应用。反而我们认为小企业更适合。

当时海外开始出现一些现代数据技术栈的变革,我们就觉得这是个方向:不要再试图把数据中台以定制方式卖给大型企业,周期太长,变成外包,毛利又低。我在想能不能把它变成全自动化流程,自动化数据集成。只要你是电商,渠道大概就那么 50 个,我把连接器都做好,自动治理,变成统一指标体系。

我们采访过很多专门做电商咨询的人,希望能自动生成报表,直接驱动决策。我们最早做类 Siri,又加了一些逻辑,让它可以用自然语言查询,现在叫 NL2SQL。当时没有大模型,这还是有门槛的,但我们把体系都做出来了。我们希望任何一个小企业一年花 10 万块,就可以完全掌控自己的数据,快速有依据地做决策。

当时给了我人生中第一次创业的巨大冲击。怎么讲呢?妙计的时候我们是完全没经验的程序员,有个不成熟的想法就去干了,很容易就融到很多钱,拿到很多很好的基金 term,最后还拒绝了不少顶级基金。那时候稀里糊涂的。

到了这个时代,我们觉得成熟度变高了。我们自己作为一号位做过很久,有很多经验教训,也在数千人的企业做过 CTO,看到了更大的团队。团队非常完整,逻辑也很清晰,demo 都做出来了。你会发现我们反而拿不到像妙计第一笔融资那么容易。当然有客观原因,我们觉得能力、团队完整度、准备成熟度比原来高 10 倍,但做不到的原因是,我们出来拿钱时刚好上海封城,整个大环境出现巨大变化,所有投资人都不出手。最后还是通过一些朋友和相熟的投资人,拿到一笔明显低于预期的钱,但至少先干起来了,给了大几百万,先跑着看。

很快到了 2022 年 10 月、11 月,我们跑出天使客户,demo 做完,流程基本跑通,准备融 A 轮。这个时候突然出现智谱这件事。我想说明的是,这次给了我巨大影响:我发现个人能力高低在历史大事面前什么都不算,太渺小了。不要觉得自己的能力有多牛,你无非是在这个时代基础上,压对时代才有对应机会。我原来都蛮顺,都是顺着时代走,包括做 Siri、创业、做产业互联网。唯独这一次逆着时代走,发现自己的能力太渺小。

到了 2022 年底,知道智谱这样的机会,聊完之后我自己想了一个小时。我们有两条路:一条是把公司并给智谱,相当于我放弃创业,把要融 A 轮的公司清掉。智谱也不会继续做原来的项目,是全新的,相当于完全放弃以前的东西。另一条是说我们也有 AI 背景,大家都在讲大模型,包装一下,多融点钱。

但我回到刚才的教训:任何时代来临,你都要到暴风的中央。所以我决定还是进入暴风的中央。我跟公司同事聊了半个小时,决定整个公司并进智谱。当时也不太了解是什么路线,但我们就进去干了。这给了我很好的教训和经验:要永远站在时代中央。这也决定为什么我们今天出来,依然认为自己在试图走进新时代。

李翔

时代的中央,是吗?

张帆

对。

李翔

包括你做元音的那套逻辑,今天听上去也是成立的,可能帮助公司做好自动化数据集成。但还是尽量做大事。很多人跟我们说,你还想做妙计吗?投资人也找我们说妙计逻辑都通。我觉得今天也通,今天好吗?

张帆

对。我们从智谱出来之后,大环境里大家不太相信 To B,更愿意相信 To C。但我觉得那是从以往归纳法来看,我更相信 To B,这两个基线不一样,先不展开。

当时很多人来问我们,聊到原来妙计怎么样。他们说“你做这个多好”。但我觉得一个经验教训是,要做时代中央的事,第二要做时代中央最大的那件事。所以我们还是坚定地做眼前这件事。

李翔

确实对投资人来说,旅游本身也是足够大的市场,又叠加了新技术。海外也出现了一些公司做得没那么好,但业务规模很大。

你当时在智谱的时候,负责一块非常重要的工作是商业化。为什么模型公司那么早期就需要考虑商业化?

张帆

我觉得有内因和外因。首先,我并不是典型的商业化人才。我是技术背景,顶多算技术管理业务,做过一些商业化经验,没有那么丰富。

但到了智谱之后,我以往的经验教训告诉我,任何技术如果不能第一时间完成商业化,就很难得到正向反馈,你的 loop 可能就是错的。如果妙计前半年我就收购一家旅行社,或者自己做个小旅行社,我觉得我对市场的了解会远远清楚得多,而不是当时憋大招。

外因是 OpenAI 有商业化路径,我们照着学;还有投资人的压力。毕竟这是一个巨大烧钱的方向,你要融更多钱做训练,就不得不有一些商业化证明。结合各种原因,我算是团队里相对有商业化经验的人,就开始干商业化了。

李翔

你们开始聊的时候,大家对你的期待是希望你来智谱内部做商业化,还是也做其他事情?

张帆

很有意思。当时首席战略官张阔是我原来在搜狗的老板,也是原来搜狗的首席科学家,我们私交很好。他也是唐老师的师弟,所以他找我问要不要加入做这件事。我们当时一起做语音助手,配合很好,我就加入了。

他第一次找我聊的时候,说这件事绝对有巨大空间,问我要不要来做 To C。我想了一下说,To C 我就不来了,To B 我就来。他说 To C 不是很大吗?ChatGPT 不就是 To C 吗?我有一套自己的逻辑,觉得真正价值落地是在 To B 上。他说好,那你就做 To B。

当时对话很简单,本来他想让我做 To C、他做 To B,聊了一下变成我做 To B、他做 To C,大家换了方向。一开始也不是很了解,没有参照系。在国内如何快速卖钱,商业逻辑一片混沌,没法像 OpenAI 那样在海外卖钱。

李翔

To C 就是做一个 Chatbot,是吗?

张帆

智谱清言。当时也有一段时间做得还不错。但这件事终归还是大厂力量太强了。

李翔

听上去 To C 并不是很难的样子,是吧?

张帆

为什么说 To C 不难?你做一个终端应用,通过投流或者其他方式就可以做。模型做 60 分很简单,70 分难 10 倍,80 分再难 10 倍,90 分再难 10 倍。越到后面越难。如果今天不想当行业第一,只做一个可用的应用,这事很简单。但如果全世界聚光灯都在这儿,所有大厂都全力以赴,任何一点体验瑕疵都会影响转化和效果。

做好 To B、To C 都一样,做到顶尖都很难,做个 demo 都很容易。

李翔

To C 要做到行业第一,个人判断也很重要,当然力量也很重要。有一度 Kimi 做得还不错,增长很强,大家把它视为标杆。但从第一性视角看,它也没改变终局,最终还是被豆包卷回来了。力量太强大,不要跟势抗。个人能力虽然某个阶段能带来一点逆势战场,但本质上改变不了战局。

10. 基模吞噬通用应用

张帆

我到今天都相信,C 一定是基模公司的射程,而且是有流量的基模公司的射程。大多数人觉得这里有机会,我认为一点机会都没有,因为我太了解模型本身的第一性,知道它能够通杀什么方向。第三方很难做出来。

李翔

你的意思是,模型本身的第一性决定了只要是 To C 应用,基本上……

张帆

倒也不是说 To C 应用,To C 肯定是它的舒适区。你看今天遇到很多问题都是基模一旦更新,就把旧产业崩塌了。比如大家原来一直有人做陪伴,从 2023 年开始很多波,最早做 Character.AI,试图做情感陪伴,最后发现这个东西又回到基模来做了,因为它本来就不是独立的事儿。

再到后来有人做 computer use,最后发现又被基模吞掉了,不太需要了。包括现在还有很多人在做各种动画模型,你发现今天 ops5.5 又把它吃掉了。它后面越吃越多,你很难预测下一个是什么,所以你得找到第一性。

我自己认为,所有一切衡量标准公共的东西,AI 一定会通杀。你看这两天还有一个新闻,Astra 可以在没有任何显眼的情况下控制具身智能来操作东西。这个我一点都不惊讶,因为我觉得这件事压根不会存在所谓“小脑”的概念,基模一定会通杀所有智能,本质上是一体的,很难分开。

从这个角度延展,做金融类 AI 行不行?BloombergGPT 已经告诉你,私有数据根本没意义。法律、广告投放等一个个垂类,我觉得早晚都会被基模吞掉。这是我比较武断的判断。我从第一天就认为,Cursor 或者 Windsurf 这样的 coding 公司没有生存空间。现在基本上一家独立存活的都没有,要么被收了,要么被拆了。我觉得这就是第一性,不会有什么变化。

李翔

怎么定义衡量标准是公共的呢?

张帆

这个逻辑有点像刚才讲的公共解和边缘解。大家觉得模型分为通用智能和垂直智能,但对通用和垂直的概念经常有误解,分不清。大家会问,垂直领域是不是就叫垂直智能?我觉得不是。

比如 Anthropic 的 Cowork 推出来之后,你发现它在很多垂直领域效果非常好。BloombergGPT 在 2023 年 5、6 月开始发布时,很高调地说用了 500 多块 A100、训练了几十天,一半是通用知识,一半是金融知识。结果训出来之后,在一个金融指标的 5 项里,有 4 项输给 GPT-4。

所以如果你的知识不是私有知识,就变得没意义。哪怕是私有的,但如果它是公共分布,也没意义。垂直不是指它属于垂直领域,而是衡量标准是不是垂直的。金融的标准,不管我看、您看还是谁看,大家分析一个公司的逻辑都是公共的,几乎谁看都一样。凭什么只有你会看?这就是公共知识,已经包含在基模原有知识里了。基模由于有其他知识,还能举一反三应用过来,通过 coding 带来更强的推理能力,通过数学带来更强的数字敏感能力,反而让能力更强。基模 size 也更大。所以只要衡量标准一致,一定是基模的结果。

什么东西不是呢?如果有一个东西只在某个领域有效,在其他领域无效,基模就很难表达。比如乔布斯和马斯克,就是两个边缘解。今天做了一个产品去问乔布斯,他会从人文与科技的十字路口、够不够极简的角度看。很多人觉得不重要,他觉得重要。所以这东西在乔布斯的角度有效,其他人角度无效,这就是他的独特。

但你去问马斯克,他会从成本的物理极限、是不是 10 倍好等角度来判断,从第一性原理判断。这也不是共识。所以你不可能同时存在一个既像乔布斯又像马斯克的人,不可能像所有人,只能像一个公共的人。理论上我们必须有一个独特的边界范畴,才有价值。每个企业家、每个企业本质上都有一个独立假设要去验证。

李翔

回到旅游行业,你觉得它的衡量标准是公共的吗?

张帆

不公共。机票和酒店价格是公共的。很多通用知识,比如机票该怎么订、哪个网站订、酒店怎么订,也相对公共。比如巴黎埃菲尔铁塔最好去,卢浮宫最好;其他地方,比如巴黎地下墓穴不适合小孩,这些知识都是公共的。这些东西没价值,基模一定可以搞定。

但如果把它当成一个产品,会有不同客群。比如一些公司做高端定制,客单价 10 万以上。这个场景里对产品的衡量标准跟自由行完全不同。可能要给你独特体验,找当地有文化的人当导游,满足特殊文化需求;酒店不光要住得好,还要有历史、文化感,比如住在凡尔赛的一家华尔道夫里。价格不是最重要的,便利也不一定最重要,可能体验和独特性更重要,行程密度也不重要,要玩得悠闲一点。

如果做跟团游,价格一定极其重要,酒店体验也不重要,都是四星同级,景点密度很重要,四天五国得走一遍。两个东西的标准完全不一样,不存在一个通用模型生成一个既满足高端定制又满足跟团游的结果,这就是企业的独特判断。

李翔

当然可能延伸到服务标准、供应链选择、付款方式、退款原则、机票航班、舱位、时间段,无数细节都不一样。

我想到巴奴和海底捞。服务可能是海底捞的边缘解,巴奴要跟你抬杠,说服务不是特色,毛肚才是。对吧?

张帆

没错,这是它的边缘解。很多好生意的对立面也是一个好的边缘解。iOS 极度封闭,对面安卓极度开放;封闭带来高体验,开放带来自由。这本身就是矛盾,但都是好东西。星巴克要求体验,你在店里的感受就是第三空间;瑞幸追求效率、高密度,没有地方让你坐,但几分钟送到家,完全不一样。

伟大或者好的企业家都是边缘解,你信了一个别人不信的东西。大家都在做 BERT 的时候,唐老师做 Transformer,当时也不是共识,大家觉得这个方法不对。所以我觉得有时候追求边缘解挺有意思,常规解就更卷了。

李翔

难点是怎么规模化生产边缘解,因为未来可能只有边缘解才有价值。

张帆

它不需要规模化,一个人一辈子有一个边缘解就够了。

李翔

我的意思是,让每个人这一辈子都要有一个边缘解。

张帆

边缘解有程度。比如有人运营自己的小红书账号,也是一个边缘解,只是不太边缘。很多人都在运营小红书,但真正有自己边缘解的账号很少。

李翔

当然,我的意思是边缘解还不够,还要能匹配用户需求、足够细分。

张帆

对。边缘解只是条件之一,还得是正确的边缘解。否则我非做宫保鸡丁味的咖啡,也卖不掉。它得有效。

本质上企业家首先要大胆想象一个边缘解,然后基于这个边缘解连接物理世界,在里面拿到反馈和实验,不断把边缘解修正得更准确。比如星巴克认为第三空间是目标,但它得先开 100 家店试试。100 家里可能 20 家挂了,50 家一般,30 家很好,它就在里面总结什么样的选址、菜单、营销更好。所以它也不断在探索。边缘解得正确。大多数人没有很边缘,更少人能很正确,就更难了。

李翔

按照这个推论,AI 时代大部分公司和大部分人都很难。边缘解本身就很难,还要匹配用户需求。

张帆

有两个前提。一旦一个行业开始卷,第一名可能比原来更有效地通杀,拿走绝大多数资源,因为 90 分的解开始无限供给。但与此同时,所有人要应对这件事,就得开自己的新赛道。你的赛道边缘解不一定风马牛不相及。你可能就是一家咖啡馆,但摆的都是 Hello Kitty,也可能是一个边缘解,只是不太边缘,可能有一群人喜欢。

纳瓦尔讲的是,你要无限细分赛道,直到成为世界第一。

李翔

没想到还有后半句。

张帆

对,直到第一,不够就继续细分。我觉得这个逻辑是对的,今天更重要。

李翔

那你在智谱的时候,B 端用户对人工智能、大模型的认知和需求状况大概是什么样?

张帆

整个社会的用户可以看到几个阶段的变化。最开始第一波尝鲜的人,很多是焦虑驱动的。他们看到新技术,不想落后,需要先买一张票。早期大多数人要么跟模型厂商合作、买大模型,当时我们跟很多大型公司做了合作;要么自己训大模型、招募团队。

你应该记得 2023 年整个市面上的榜单,中国的小公司模型特别多,榜单指标也很不稳定,经常 OpenAI 都排不进前两页,全是各种没听过的中国公司名字。我觉得那是第一个时代,大家很慌张、很焦虑,担心错过,总要做点事儿。那时候不够理性,但确实有一波投入。

再往后到了 2024 年年中,企业开始理性一点。那时候企业不光是技术部门或者老大找我们买一个模型,而是希望我们给解决方案,能不能在业务上看到一些指标?当时还谈不到业务解决方案,更多是在产品和研发上,比如能不能提高客服回答指标。我们第一次发现,用户不只需要模型提供安全感,情绪价值已经不满足了,开始想要更务实的价值。我们开始建售前和交付团队,真的进企业里帮他们落地。

到了 2024 年年底、2025 年,企业要求又变了,进场的公司也变了。最开始是大厂、头部有钱的厂;中间一波是技术能力强的中厂;这一波很多跟技术没关系的厂都进来了,各种传统消费品、咨询公司、工业生产公司也来了。他们不只满足于技术指标,而是要业务指标:能不能把转化率提高一点?

所以我们发现光有 AI 能力不够,开始建设解决方案团队。要有人能解决业务落地、了解行业,甚至有轻咨询逻辑。

顺到今天还是这一波浪潮,变得越来越深。这些企业不满足于一个模型解决单点,而是希望知道 AI 能给整个行业、整个战略带来什么。企业的成熟度是持续提升的过程,只发生了 3 年,速度非常快。

李翔

你刚才讲的第三个阶段,尤其偏传统行业的公司、消费品公司,他们已经要求 AI 帮他们解决业务指标提升的问题,是吗?事实上做得到吗?

张帆

当然可以,只是没有那么多,或者没有大家想象中那么多。这两天有个朋友的公司跟我讲他们怎么用 AI。我发现今天企业很多人在用 WorkBuddy,让每个人做点东西。如果单点看,效果挺好。比如他们原来很多合同单据审核,现在交给 AI,只写了几十字的 skill,就达到很好的效果。这件事已经发生了,但价值既不是它的,也不是我的,是模型的价值。它不会成为你的竞争力上限,是个下限,人人都可以这么干。

我经常跟大家开玩笑说:“这公司已经是 AI 公司了,我们在用豆包、WorkBuddy、飞书。”我想说的是,这些都是很好的产品,但你不能说自己是一家 AI 带来明显帮助的公司。你见过哪家公司的竞争力是因为会议纪要写得快、表格处理得快?这不是核心能力,是下限,就像高级 Word 一样,必须用才能保证生产力。真正的价值是你在上面有什么独特的东西。

我觉得今天已经到了第三阶段的下半场,很多企业开始想在这个时代自己的独特性是什么,怎么得到跟别人不一样的竞争力。不是我做了 100 个 skill,别人也做了 100 个,竞争对手也做了 100 个,而且模型一升级,80% 的 skill 都白写了。现在大家开始思考能不能来一些战略性转移,重新定义这个时代,像很多移动互联网原生公司、互联网原生公司一样,今天有没有 AI 原生的商业模式?很多企业已经有这样的意识。

李翔

哪类公司最有焦虑、最有这个需求?

张帆

我觉得跟公司类型关系不大,跟老板个人关系很大。如果老板自己思考很深,我见过两类老板。一类是真的花很多时间学习,自己去做,价值很大。他会得到认知,像马云一样,本身不一定很懂技术,但能把这个东西理解得很透,自己要有手感。

另一类老板会说:“我们公司这些人不靠谱。我给他们投了 1000 万,怎么就用不好 AI?”我经常跟老板说,这叫许愿式用 AI。我给你翻译一下你的逻辑:我都花了 1000 万,为什么你们不自动用好,让我变成 AI 公司、估值涨 10 个亿?这本身就不对等。跟老板个人风格很有关系。

李翔

老板都以为 AI 会涌现出来。如果没有涌现出来,可能是钱花得不够多。

张帆

你说得非常对。很多老板都觉得 AI 是涌现出来的。如果把 AI 当成技术,确实智能会涌现出来;但放到企业内部,你发现这些东西从来不是涌现出来的。哪个顶级战略、顶级公司的模式是靠大锅饭涌现出来的?从来没有。涌现带有随机性,而大厂里每个人的随机性都不一样,好的 idea 和坏的 idea 会互相抵消,最后就变成一些共识废话,所有边缘解都出不来。

李翔

相比于国内其他做模型的公司,比如阿里这样的大厂,也有 DeepSeek、Kimi 这样的公司,智谱的边缘解是什么?

张帆

我觉得智谱的边缘解是很笃定 AGI。因为我不太能替唐老师回答,但我能感受到唐老师极其相信 AGI。这就是边缘解,大厂不一定都相信,有的大厂会观望,有的会拿十分之一资源尝试、保留投入。但智谱,包括外界看到的 MiniMax、Kimi,都从来没有保留这件事,都是 all in。这就是边缘解。

李翔

当然也有其他公司有所保留,不敢 all in。站在传统创业公司角度,all in 是错的。要有章法,永远留 18 个月现金,发现不够就裁员、控制在 18 个月现金。

张帆

但今天 AI 时代大家都不这么干。不说国内公司,包括美国大厂都在借贷投 capex,股市也在炒 capex。我觉得这些创始人在的公司,能够足够笃定地压住未来,这就是相信的力量。

边缘解不是别人没看见,只是别人不够相信、不够愿意赌上一切去相信。很多创业公司的战略一直在变,包括做模型的公司,但你发现智谱、Kimi、MiniMax、DeepSeek 这些公司都没变,就是要做 AGI,因为这才是原生 AI 时代的公司。

李翔

确实是创始人在的公司投入很多资本建基础设施。我又想起前几天跟人讲,我们观察二级市场投资人和大佬,基本上会有共识说“这一定有泡沫”。但很多一级市场的人和创业公司会认为“不一样,这次不一样”。

张帆

这就是反共识,你从什么角度看。今天打正规仗、在常规体系里,原有公司很有优势;但当底层范式发生变革,原来的长板就变成短板。经营稳健在常规时代是长板,在 AI 突变时代就变成短板。当然这也是以成败论英雄。但我想说,这个时代真正出现的英雄,肯定有一些别人不能理解的笃定。所以我觉得这就是 AI 时代大厂没有竞争力的原因。

李翔

你前面提到 2025 年离开智谱、自己出来重新创业,用的话是“要始终站在时代风暴中央”。怎么描述这件事?

11. 让垂直智能进入企业

张帆

离开智谱本身也是很艰难的决定。毕竟这个公司是你很早参与、花了很多时间、大家一起成长起来的。当时看起来上市概率也很大。

但以往的经验让我突然意识到,通用智能作为时代中央这件事,我觉得已经到了战争后期。我总想,如果要总站在时代中央,下一个是什么?我隐约觉得下一个一定是把通用 AI 应用到物理世界、真实世界。

这跟刚才的逻辑也很像。在我的底层逻辑里,AI 更像电力,不像互联网。互联网解决连接效率,电力解决生产效率,AI 本质上解决的就是生产效率。

如果解决生产效率,你会发现电力有一个巨大特点:它本质上是通过嵌入物理世界来发挥价值的。电力本身体量很大,但跟整个工业化比起来,比如发明电梯以后,人类居住从平面变成立体,单位面积密度变了,于是出现大卖场、交通、房地产。空调的发明让南方城市有更舒适的方式,南方城市崛起,产生新的价值。电力是通过嵌入物理世界带来巨大收益。我觉得今天 AI 不能永远停留在逻辑世界,应该进入物理世界。

我觉得我们应该做这件事,一个逻辑是过去十几年我们一直在做从算法到 AI 的产业化,这是我们的主题。再加上经历智谱,我们亲身经历了整个大模型一线怎么进入物理世界,突然意识到这件事被低估了。

今天从 capex 到业务价值,中间有一个巨大的堰塞湖。这也是大家认为有泡沫的原因。一方面 capex 越来越大,大家都觉得有用;但真正的商业价值,标普 500、沪深 300 这些企业里有多少因为 AI 带来本质结构性变化?各种访谈又觉得比例很低。这个堰塞湖造成了今天的对立。

AI 到底是泡沫还是革命,取决于能不能穿越这个屏障、堰塞湖,让它真正到业务价值。所以我认为这是今天被低估的方向,我们有使命做这件事。我们的背景和历史都匹配这件事,不能等,因为永远不知道等下去还有没有这样的机会,所以我们就出来干了。

李翔

但模型公司本身不也做这样的工作吗?包括你之前在智谱说服 B 端客户,不也是把通用 AI 应用到物理世界吗?

张帆

这个逻辑稍微不一样。市场上有两种哲学。一种叫以智能为中央,你发现今天基模的发展完全都是以智能为中央。那肯定,做这个的公司就是这样。它的逻辑是,只要模型足够强,一切问题都可以解决,所以大家极度笃定 AGI,在这条路上无所保留地冲。

但要知道,通往 AGI 是以泛化为第一性,这东西有代价,代价是成本和效率。我今天让 AI 帮我写一篇 PPT 的同时,这个 AI 还能当爱因斯坦。爱因斯坦没被激活的部分,其实是我浪费的资源。所以今天模型 size 从 100 多 B 的 GPT-3,到几百 B、2.8T、5T、10T,成本极限越来越高,企业已经开始受不了了。

我觉得这条路径固然有一条方向能通往 AGI,但还有另外一条路径:如果不以智能为中央,能不能以场景或者企业为中央?如果以企业为中央,主题就是企业如何在自己的范畴内追寻自己的 AGI,让自己在小范围内得到比基模更好、成本几分之一、速度快几倍的结果,并且训练目标不再是 benchmark,而是企业自己的业务价值。

每个企业都有这样的垂直模型,结合在一起,是不是另一种 AGI?这是我们相信的点,因为我觉得这更务实。两条路可能都对。我们觉得在当前时代,如何提高效率、让每个企业连接物理世界、把物理世界的信息反馈回来,产生无数个性模型,最后组成群体智能通往 AGI。就像今天的人类社会,没有一个人懂 everything,人从出生上学就是分化的,每个人都变成垂直智能,这些垂直智能结合在一起又变成群体智能。这是另外一种哲学。

在基模这条哲学里,不希望企业做任何训练。你看原来的 OpenAI、智谱都有训练接口,现在都没了,大家都不做这些接口。因为我好不容易花那么多钱训了一个基模,一个月就失效,我还让你训练?站在基模公司的角度,这是不合理、不理性的选择。

但站在企业角度,今天又流行企业主权 AI。企业面临被基模公司封禁、限流、降制、涨价,怎么保证安全感?我们能不能以企业为中央再构建一套体系?我觉得世界上这两条体系都需要、都重要,就像安卓和 iOS 都重要。只是基模那件事已经被充分定价了,这件事还没开始,也许我们该提前做。

李翔

今天所有人都在讲要提高人才密度。但你看智谱的人才密度肯定很高,但那些人看到了新的机会,也会去做其他事情。一个组织到底怎么才能留住高质量人才?比如智谱要做什么,才能让你留在智谱做这件事?

张帆

我觉得 OpenAI 也留不住 Anthropic 的创始人,这很正常。一个健康的企业,我反而认为有一定流动性。你见过很多创业公司,创了一轮、两轮、三轮还是同一拨人,从老板到核心骨干都是同一拨,往往成功率不高。当然有拼多多这样的例外。

从大多数规模来看,我觉得今天这个时代需要多样性。就像模型一样,总用自己产生的数据训练,很容易 overfit。所以需要多样性,刺激不同思考和维度,让探索空间更大。我反而觉得一个公司不流动不一定最好。合理流动,没有恶性流动,有新鲜血液补充、也有旧的血液出去做新的事,对生态和公司都不一定是坏事。

你问用什么办法让所有人不流动,我觉得不太可能。这就跟边缘解一样,做任何动作,总有一部分人很爽、一部分人不爽。公司稳定、大家不加班,愿意追求平稳的人可能不走,但追求创新、突破的人可能想走。要是天天卷,可能愿意创新的人留下,追求平稳的人就走。所以很难平衡。走也不是坏事。

李翔

你看 Google 也走了很多人。听 All-In 播客说这个事很好理解:一方面谷歌 CEO 说模型上没有那么激进投入,优秀研究员和科学家会觉得自己在公司的重要程度下降,这是推力;另一方面,走出公司右转 500 米,有个风险投资人说你出来马上投你几亿美元,这是拉力。

张帆

当然。我也不追求完全静态,这不是谁对谁错,本质上也是一种毕业。

李翔

让你描述的话,原理智能的边缘解是什么?

张帆

原理智能的边缘解,我认为是垂直智能。我们相信每个企业应该有自己的专属智能。由于专属,它能得到极高效率。我们希望用自动化手段把通用智能变成垂直智能,效率提高 100 倍,让 AI 快速进入每家公司,这是我们的目标。

换个说法,基模相对于以前的 CV、NLP,它的边缘解逻辑是相信通用、相信泛化、相信一个模型可以解决 everything。它是对全世界的知识建模,用一个模型解决所有人类知识。

我们的想法不是为知识建模,而是为学习建模。给我一个环境,我就应该在那个环境内找到最优解。世界上应该充满无数环境和无数环境内的最优解,这些最优解组合起来又变成整体的群体智能。这是我们笃定的。

或者举个例子,原来的基模像 AlphaGo,相信通过 3000 万盘棋训练出打败李世石的模型。今天我们把全人类的知识都训练进去,试图训练出一个打败全人类的模型。我们更像 AlphaGo Zero,相信垂直能带来更大价值。这可能是我们的边缘解。

李翔

所以你和原理要做的工作,就是帮助每个场景把通用智能的能力转化成最优解的垂直智能,可以这么理解吗?

张帆

可以这么理解。今天基模是极其聪明的模型,代表智能上限。但到了任何垂直领域,有大量智能被浪费了。从通用角度它是好的,但对企业来讲有两层:一层是高频、独特、有竞争力的东西,最好用垂直智能解决,因为它足够独特。比如投资公司做投资、编辑写文章,这些一定是高频和独特的,是它的边缘解,应该把边缘解沉淀为模型能力。

下面还有一系列东西,比如合同审核、会议纪要、宣传图生成等。这些对你是低频的、没有独特性的,更应该从市场获取,应该是通用的。所以我们觉得企业上面这一层今天被低估了。

李翔

基于现在已有的通用大模型,形成的智能生态大概会是什么样子?能力很强的通用模型肯定是其中一种,其他还会出现什么新的玩家?

张帆

我们还是把它抽象到底层。社会是以人和企业为单元创造价值,构成整个社会价值。AI 本质上是一种劳动力增强或替代,要在原有体系里替代或增强。

在这个大逻辑里,每个企业里都有两层。公共解大家一定会用公共的,独特部分应该构建自己的能力,有差异化。这个理论很像科斯的企业理论:为什么会出现企业?为什么要在无形的手能掌控的空间里画出一块有形的手?因为在有形手里效率更高、交易成本更低。企业会不断扩张,直到交易成本的边界,就不再扩张了。

今天把它应用在 AI 逻辑里也适用。智能也一样,基模给了一个足够广袤的空间,把智能做到足够好的匹配。如果企业想在上面构造,就必须在某个区域内,对这个区域的智能定义高于通用解;如果没有高于,就不该做,应该买。

我们之前把黄仁勋的五层蛋糕画了一下,发现底层能源、芯片、基建、基模,一定靠市场解决,企业不用自己做,下面四层都是市场解决。在应用这一层,就是自己的垂直智能,以及跟物理世界的连接环路。比如星巴克选址,通过开无数家店、得到无数反馈,自己得来的经验,只在星巴克有效,给全聚德可能就没用了。在这种情况下,它需要构造一个效率好于市场解的环节,这就是价值。

未来企业会把底层公共逻辑交给通用智能、基模、WorkBuddy、豆包工作。上层每家企业跟别人最不一样、最独特的东西,就是它的垂直智能。我觉得未来是这样的生态。

李翔

这部分垂直智能,是公司里原来的信息部、信息化部,或者 CTO 负责的部门来解决吗?还是也要借助外部力量?

张帆

从能力上也分层。企业做垂直智能大概分三个阶段。第一阶段叫业务建模,老板得有自己的假设和定义,要定义这个棋盘是什么样的。比如星巴克“我就是第三空间”,这是老板的定义。定义完之后,还得有一些评估,比如什么算好、什么算坏,用户留存高算好,但频次低也不算坏,他有自己的价值评估。这就是业务建模。

有了建模之后,我们会把每个建模单元进行 AI 化模型训练,把他自己的认知和经验训练进去,成为自己的独特模型。第三步再把模型变成智能体,连接各种业务系统。

理论上在企业内部,后两者是成本最高、最难的事,我认为最终会平台化,买应用就好了。你可以理解为它是一个榨汁机,但水果是你的,榨汁是它来做。再往上的业务定义,大多数企业应该自己具备这种能力。如果早期不具备,也可以找咨询公司帮忙定义,反正这也是传统业态,有人来帮他定义。

本质上我的逻辑是,企业最大的价值一定是它独特的部分。独特部分里关于 AI 的基建,未来一定会市场化,是公共能力;上层自己的独特定义是稀缺的,一定得自己搞定。企业回到本质,老板负责定义业务模型,剩下的无非是员工执行。

李翔

我之前听过一个理论,行业和公司越重视某个职能,它越容易成为内部部门或者核心高管负责。觉得没那么重要时,就会外包。咨询公司为什么一度很盛行、拿到很多大公司客户?因为工业化时代很多大公司没有觉得战略制定对公司生死攸关,会借助外脑。后来战略越来越重要,就越来越觉得这件事应该由 CEO 牵头,不能寄希望于外部顾问。

张帆

我觉得对一半吧,不同想法。其实并不是大家不重视这件事。我觉得有两个层面。

第一个层面,从来没有一个战略是完全由外部制定的。外部制定只不过是内部思考的放大。很多咨询公司不懂你的业务,但懂方法论。你可以把咨询公司理解成今天的大模型:问题是你提的,它把你的问题结合历史上观察到的理论,帮你呈现出来,你看到之后再修正。

某种程度上,一个靠个体偏好,一个靠公共知识。咨询公司提供的是公共知识。一个企业重视自己的眼界,还是限制在自己的范围内?咨询公司能帮它带来外部更多的公共知识,我觉得这是另外一种价值。

李翔

原理现在交付给客户的可见产品是一个 agent 吗?

张帆

Agent 这个概念很泛。本质上,我们期望交付的是一个能在你组织里独立运转的员工。我们不认为 AI 是一个工具。我们的底层逻辑是,智能体跟人是同样的生产力单元。

人怎么生产价值?人加上工具、软件、流程,产生价值。人是概率性动物,工具、软件其实是确定性流程,所以最好的生产组合单元是概率性动物加确定性流程。

目的是什么?概率性动物不稳定,会产生幻觉。但幻觉里有好的和坏的:好的叫创造力,坏的叫骗人、失误。一个组织里要很多人合作,或者一个人持续工作,所以需要确定性流程限制坏幻觉、放大好幻觉。

比如飞机上的空姐每次起飞前都要对着机舱门说“门已关闭,左滑右滑,左看右看,无问题”,这是流程来避免遗忘。人就是概率性加确定性,放大好的、限制坏的。AI 一模一样。模型是概率性的,也会有幻觉。对应的方法叫 harness,模型的软件,用确定性限制坏幻觉、提高好幻觉。

所以人加软件等同于 AI 模型加 harness,智能体和人其实都是一个标准生产单元。从我们的逻辑里,我们不认为 AI 是一个工具,不希望 AI 做 copilot,更希望它能在某些任务上直接做成 autopilot。

如果能做成 autopilot,对企业是非常清晰的价值衡量:让人做更有价值的事,把能自动化的事交给 AI。这个范围越来越大、指标越来越高,就会在单点带来生产成本的结构性变化,进一步延展和影响商业模式变革。有可能挤压上下游,有可能从 To B 变 To C,有可能定价模式变了、服务用户的链路变了。我们通过单点生产力加强,改变整个企业业务战略,这是我们的目标。

李翔

我不知道携程算不算你的目标客户。

张帆

理论上所有企业都可以是目标客户,但现实中每个企业阶段、思考、对自己能力的认知不一样,不见得都是我们的客户。我认为他们都需要 AI 变革。

李翔

如果我是携程,来跟你聊,买到的是一个什么样的产品、交付或服务?

张帆

当前逻辑很清楚,我们希望做 AI 时代的基础设施。携程要定义自己要替代什么劳动任务。刚才说它是劳动力增强和替代。比如携程里可能觉得客服要被替代,计划调度要被替代,或者供应链要被替代。比如原来一个供应链的人可能能谈 100 家酒店,现在借助 AI 能不能谈 1000 家?

前提是拆解他原来谈酒店要做的几件事,比如初步沟通、价格调整等。哪些事一定是人干的,就留给人;哪些是机器可以独立完成的,就交给机器。这样可以让某种能力极大提升,带来业务变革。

比如原来只能覆盖 1 万家酒店,现在 AI 能覆盖 10 万家,价格变化更频繁,可能就变成新的业务逻辑。这既可以是内部效率提升,也可以是外部,因为你也可以跟对方谈判。我们提供的是劳动力对标。微观看是一个 API,宏观看是微信里的一个员工,或者电话那头的一个员工。你对面的人分不出来它是 AI 还是人,但它能很好完成人类标准的任务,这是我们的目标。

李翔

那携程过去没法解决的个性化、自由化和体验好的部分呢?效率方面他们已经做得很好了。

张帆

也不一定。携程有自己的高端定制游平台。

李翔

最近没了解,但我猜客单价可能得几万块钱。一趟旅行一个人如果没有 5 万块,可能也很难接。

张帆

这就是原来的逻辑。如果今天借助 AI,我们能让人工生产成本下降一个数量级以上,从 5 万块变成 5000 块,甚至进一步变成 2000 块,这就是商业模式变革。市场会扩大很多倍,可能从定制游切到自由行,而自由行的很多业务可以降维定制。

你说携程有自己的调性,当然,在生产过程中已经植入了它自己的调性和判别边界。它可能觉得我要提供大众产品、效率最高;另一个公司可能觉得我要提供独特产品、独一无二,逻辑跟携程不同。但这不影响我们服务。地图和商业建模由它定义,我们只是把它实现出来,变成能够不断复制其商业逻辑、高稳定、高产出的低成本数字员工。

李翔

我听上去更像是用人工智能帮你提升效率、节约成本切入。比如在众生的话,可能涉及拓展一些新的模式。

张帆

我觉得当然是这样的逻辑。任何时代的原生公司,都是从一些单点切入,量变逐步提升到某种质变,就带来性质变化。要跟传统物理世界结合,总要找到锚点。所以今天最好的锚点,是在原有业务链路里找到卡点,看看能不能用 AI 规模化解决。

如果只是让沟通成本从 5 个小时变成 3 个小时,那叫提效。但如果从 5 个小时变成 3 分钟,就不再是提效,因为获客流量、客户群体、商业模式都会变化,甚至服务链路都会变化。可能从只能靠高价投放获客,变成所有老客户都能长期服务。所以当能力强到一定程度,就不再是简单降本增效,而是跃迁为战略重塑、商业模式重新定义。

李翔

这样的产品和服务怎么定价?是按节省成本的百分比,还是怎么样?

张帆

我知道今天市场流行一个概念叫按效果付费。但我觉得从第一性来看,它不见得合理。特别是 To B 业务,我们不能跟自己的用户站在对立面。

举个例子,如果我今天给 A 客户服务,说你赚了钱分我一半,我给你干;B 客户我也服务,他们又是同一个行业。A 客户赚了钱后比较老实,分了一半给我;B 客户不老实,说其实没赚那么多,只分 20%。A 客户看到之后会觉得 B 客户凭什么付这些?那我也不付。所以你就变成永远想知道对方赚了多少钱,对方永远不想让你知道,这会把生意搅乱。我觉得这个路径不通。

更通的路径是,AI 更像劳动力售卖和电力售卖。比如买了电力,用电炒股票赚了钱,也不用给电力公司分成;赔钱也不用找电力公司要钱。今天 AI 就是劳动力和能力的输出,像 token 一样。输出给你之后,你快速看到业务反馈。如果觉得这个人招错了,招了 3 天不行,就把这个人开掉;如果觉得没招错,这个人很好,就加大投入。

所以我觉得今天更多是根据能力和消耗量付费,而不是构造复杂的业务结果付费。影响链路太多,很难这么做。

李翔

客户也认同吗?

张帆

当然,另外那条路就压根走不通。以前做软件有几大幻觉。第一,软件不好卖就加功能,功能不够再加几个;第二,加人工服务,功能不够就派人上门;第三,免费,搞不定就免费给你。这三种对企业真正落地从来没有真正帮助。

好的企业服务公司,包括 Salesforce、SAP,从来都是按服务和价值直接付费,没有那些逻辑。

李翔

你们提供这样的服务,会反映在公司的组织和人才结构上吗?会不会跟其他所谓的 AI 技术公司不一样?

张帆

挺不一样。我们更多把自己当成技术公司。公司大概将近一半的人做研究,有一个研究团队。我们希望从底层技术上研究,比如如何让 AI 自动化学习、如何构造商业世界模型、如何学出不同业务里的权重等等。有很多业务分支都是我们在做,这一块是整个业务的发动机。

上层面向企业,早期确实有一些天使客户,我们提供全链路服务,从咨询到整个业务,甚至陪跑。但本质上我们不希望变成一家重交付公司。我们更多是用这种方式防止闭门造车,真正找到那些确保东西在真实场景里可行的办法。

公司结构大概一半的人在做研究,四分之一做产研,真正做客户商务和落地服务的不到四分之一。

李翔

你们已有客户提的需求,有什么让你觉得意外的地方吗?

张帆

有很多意外,其实也不叫意外。今天大多数企业找 AI 公司合作,潜意识里还会把你当成软件公司,按旧标准衡量。比如 AI 怎么训练,有些结果第一天没办法说得非常清晰,只能去试,在过程中不断迭代、研究。但软件公司的逻辑不是这样,第一天就要把每个细节定义清楚。

企业里原有的管理 IT 同事会提这样的要求。早期天使客户我们还是有一定选择,希望选体量足够大、老板对 AI 足够有认知、愿意花时间,而且我们跟老板做过充分交流的客户。在这种情况下才能回到正轨。这是做任何服务都会遇到的事,大家总会用旧角度看新事物,这个过程不可避免要做更多传导、帮他们做战略设计,确保大家在主赛道上。

李翔

上次其实也讲过,软件思维跟 AI 思维很不一样。

张帆

非常不同。软件思维总觉得 AI 是人的工具。比如做一个软件让你效率高一点,帮你做会议纪要,都是以人为主体的视角。

但从 AI 视角看,就像刚才讲的底层逻辑,你要把 AI 当人,不要把 AI 当工具。如果把 AI 当工具,会发现它非常不合格。站在原有角度,软件衡量要求每次执行结果稳定。如果不稳定,大家就说怎么有幻觉。这是错配。你招一个人,从来不会觉得这个人怎么有幻觉,为什么两次写的东西不一样?所以锚点不一样。

在我们的认知里,AI 要更多当成一个人、一个员工来训练、管理、激励,而不是当成确定性软件来衡量、监控。对人需要激励、目标导向、边界限制;对软件只要代码写清楚。今天 AI 也一样,harness 本质上就是帮你构造这些东西。

李翔

其他就是说,开始的时候不要要求确定性那么高,是吗?

张帆

不要在微观动作上要求确定性高,但可以在业务目标上要求确定性高。比如要求它对客户的转化达到人的水平,或者超出人的水平,这个确定性可以要求。但不能要求用户问 A 就一定回 B、问 B 就一定回 C,这叫软件思维,试图排列组合所有规则,这样很难有弹性。这两个逻辑完全不一样。

李翔

你们已有客户里有多少是焦虑驱动,多少是业务需求驱动,多少是对 AI 能带来的变化有很大想象空间而来找你们?

张帆

很难三选一,今天是混合状态,既焦虑又有业务需求。有人问我怎么看这个时代,用一个词形容 2025 年。我想了半天,只能用一个词叫“眩晕”。

我说今天每个企业家都像站在悬崖边上。往天上看,晴空万里,觉得马上可以起飞;往下看又是万丈深渊,不知道能飞还是会掉下去,所以充满眩晕。今天企业家基本都是这个状态,既怕守不住地盘,又怕错过当老大的机会。

李翔

像你们这样的公司,从第一天就有客户和营收吗?

张帆

可以这么理解。

李翔

像你们这样的公司,开始就有客户和营收,对融资的需求就没有那么高?

张帆

当然也还是很高。如果只想把它当成一个小生意,我觉得没问题。模型训练也是一样,如果没有外部信号,很容易自己坍缩。所以我们希望一开始就跟外部有直接联系,至少 Day One 就知道外界信号是什么。

但就像模型公司 Day One 也有营收,要看它的消耗。按我们刚才讲的结构,如果公司里只留四分之一的人做服务,也许卯足劲、省着钱,能快速变成打平的生意。但这样的生意没有意义。

我们今天有大量的钱花在底层业务研究上,怎么让 AI 自动化训练,这很难。今天大家都在讲 RSI,我觉得企业是更适合 RSI 的环境,因为有环境信号。我们有大量研究成本,比如每天消耗算力、消耗 token,这都是巨大成本。所以融资目标还是投在研究上,做放大器。今天的客户不是我们的目标,他们只是天使伙伴,帮我们及早校正方向。

李翔

如果真的像很多人危言耸听讲的那样,AI 泡沫破灭,会影响你们整个计划和进展吗?

张帆

没有人能脱离宏观独立存在,肯定会有影响。但另一方面,我们 Day One 走的就是足够扎实的路。不论泡沫破不破,每个客户都力图带来直接价值。如果直接价值可衡量,我觉得容错性就很高。

今天我还有一个反共识观点:很多人说中国做 To B 很难、中国 To B 不行,这些话我相信你也听过。但我有一点不同意见,我觉得中国 To B 没有那么难。百度卖广告、字节卖广告不也卖得挺好吗?BPO 公司卖人头也卖得挺好。并不是中国 To B 不好干,而是中国软件不好干。如果软件不好干,就不要怪 To B,要想软件自己的问题在哪儿。

软件最大的问题是业务价值太隐性、太间接。我很难说换了 CRM 或 ERP,业务进展能有什么变化,很难看到。但字节为什么可以卖广告?因为每花 10 块钱买广告,可能赚 15 块,这是简单算账。中国老板更务实,希望看到明确业务结果。

说回来,AI 不应该是软件逻辑,而应该是 AI 原生逻辑。如果是 AI 原生逻辑,它就不是软件服务体系,而是更像劳动力服务体系。今天买了一个广告,到底带来多少转化,如何让客户更满意,这件事由 AI 直接体现出来,所以会非常显性,跟以往完全不一样。

这也是为什么我反复强调不能用软件思维。如果用软件思维,To B 就很难干。不能跟老板说“我给你上个模型,好不好用再说,反正我给你私有化了”。我觉得这套逻辑大家已经不认了。今天的逻辑是,接过来的客户怎么直接帮你转化?转化之后跟人做对比,你的人效、转化指标提升,这对他就是一笔非常明确的账。某种程度上,AI 泡沫发生系统性风险时,我觉得抗风险能力也更好。

李翔

软件理论上不也应该可衡量吗?

张帆

很难衡量。你说我买 ERP、CRM 怎么衡量?它是内部隐性提效,有两个难点。第一,这东西不显性,非常间接地看到业务结果,而且口碑往往不好。这不怪软件,是因为它本身要改变人性,让人改变习惯、适应软件,这是最难的。

做业务的人也不想写 CRM、写拜访记录;产品经理不想写 PRD,改 bug、开发直接改就好了,写什么记录?大家忽视了一点,所有管理都是通过限制个体效率来提高组织效率,这一点在 AI 时代尤其重要。

软件天然就很难做。以前的软件逻辑是,企业做一件事有 10 个步骤,一个人来干,我们就给这 10 个步骤做一套软件,每一步提效 20%,我们认为整体提效 20%。这个逻辑最难,因为你要让一个人学 10 个步骤,改变人的习惯远远难过一切。

今天我们的逻辑变成,不这么干了。这 10 个步骤里能不能找出 2 个步骤,100% 用 AI 替代,另外 8 个还由人做?这 2 个步骤就不需要跟人交互了。这就是软件思维和 AI 思维的区别。

李翔

有跟你们在解同样题的公司吗?

张帆

很多,只是解题思路不一样,目标很一致。海外有几家公司我觉得很优秀。比如 Palantir 是一种逻辑,它希望帮助企业做定制化、做本体、做 FDE,把通用智能变成垂直智能。

第二类可能是半产品、半交付的公司,比如 Sierra、Decagon,专门做某些工种的客服,有半软件、有人做落地、做交付。

还有一类偏技术底层,比如 Thinking Machines Lab,原来 OpenAI 的 CTO 出来做的;Fireworks、Databricks 也在从工具、基建层帮大家提高训练模型的效率。

但这几类看起来都不够 AI 原生和大一统。Palantir 的问题是高度依赖人工服务,本质上还是偏软件交付逻辑。它现在最流行的本体、FDE,其实不是 AI 以后提出来的,都是 10 年前就有的,是原有逻辑的延续。当然它做得很好,但据我们了解,它的服务单价从 2000 万美元起,所以空间很小。

第二类 Sierra、Decagon 这类公司,依然重交付,要有人进入场景,做大量人工数据标注、沉淀、训练、微调。算半个 Palantir,虽然有一些模板和工具,还是重交付。还有一个不原生的地方是,你做的那一刻一定是当前知识的沉淀,但每个礼拜都会变,潜移默化地变。它没办法,只能某个阶段重做一遍,代价又很高。

第三类逻辑我觉得很对,比如 Thinking Machines Lab 做强化学习平台,让大家降低强化学习门槛;Fireworks 也一样。但最大问题是用户根本没数据训练,也不知道训练什么。你给我一个再方便的东西,我训什么?我不知道。

所以我觉得从企业第一性看,而不是功能第一性看,这是业务和技术的交叉学科。我们一定要从业务视角看这件事。我们是交叉学科,要帮助企业从业务建模,到找到生产数据的闭环、物理世界反馈,再构建如何自动化训练模型,并且把这个环路变成活的、可以持续进化的。

这又说回软件跟 AI 的逻辑。软件逻辑里最核心的是腐化逻辑。50 年前软件行业的《人月神话》就讲过,系统构建是熵减,系统运营是熵增。也就是说今天做一套 ERP、CRM、SOP,是基于原来所有观测建模,把东西熵减地做出来。但这一刻就是巅峰。从此之后会出现各种特例、新品类、原来没考虑到的因素,你就要打补丁,补丁越打越多,开始腐烂。

今天 AI 完全不一样,模型是活的,不是固体,是液体。它做好的那一刻恰恰是最差的一刻,从此之后运营过程中每增加一个知识就是一次训练,是生长逻辑。两种逻辑完全不一样。

李翔

难道 AI 还能解决热力学第二定律吗?

张帆

不是,它当然会生长。它用这个思路,本质上就是这个逻辑。过去生产和消费是分开的,我先生产好,再去消费。今天变成自指性,我这一个动作既是生产又是消费。典型的就是今日头条、抖音:我看视频的过程是在消费它,也是在生产我的权重。

李翔

你们交付重吗?

张帆

我们现在重,但逐步变轻。重是因为希望了解全链路,所以最早期天使客户几乎 100% 手搓。但到今天,自动化程度已经做到 70%,明年 Q1 我觉得能做到 95% 自动化。咨询这件事,要么交给企业自己,要么交给生态伙伴,更多社会化解决。

我们的第一性是怎么 scale,也就是 scaling law。一方面,AI 层面能 scale 的就 scale;AI 层面 scale 不了、需要人的,就只能通过生态 scale,两个维度来做。

李翔

你刚才举的业界其他例子,包括 Palantir,有没有可能重交付才是一种护城河?

张帆

可能,当然有可能。但我觉得那是不是目标罢了,取决于每家企业的第一性。重交付从来都是护城河,只不过它护的城,你认不认为有价值、有多大规模。

今天那种贴身上门帮你定行程、帮你出去玩的,也有护城河,但城很小。站在我们的角度,我不把自己当成软件公司,也不把自己当成服务公司,更觉得我们是一家基建公司。如果我们是 AI 时代的模型公司,就必须找到能够运行 scaling law 的逻辑,否则就不是一家 AI 公司。

而且 Palantir 这类公司依赖人的个性沉淀知识,永远躲不过规模不经济。规模不经济的逻辑是管理半径越大,管理损耗越大。当业务规模的增长抵消不了管理损耗的上升,就到天花板。这时候企业第一反应是什么?裂变。原来 top 的人出去单干,从大组织变小组织,效率又高了。所以这是个宿命。

李翔

从你创业到现在,是不是非常完整地验证了创业之初的假设?过程中也推翻了一些之前的假设吗?

张帆

我觉得因为之前的假设足够第一性、足够底层,所以并没有推翻。我们没有太多上层假设。我的假设很清晰:每个企业都有自己的地图,地图里有自己的最优解,载体是 AI 和劳动力替代。其实就是这几件事,没有被推翻。

但过程中肯定有各种问题。今天我们选择天使客户,一定是老板全力推动的。任何变革在内部都有很大阻力,人的阻力远远超过技术阻力。所以只有一号位才可能推动 AI 变革。创业周期跟刚才讲的 Founder 敢于大笔投入,跟职业经理人完全不一样。职业经理人这么干,早被董事会干掉了,但 Founder 的董事会拿他没办法。

李翔

对你作为公司创始人而言,现在还会有什么痛苦的地方吗?

张帆

当然,觉得跑得还不够快。今天的世界跟以往不一样,你在前面跑,后面大水漫过来的速度远远超过以往。这就是世界中央的坏处。

以前做妙计,可以一年慢慢研究都没关系,因为没人做一样的事,背景相似的人也不多,你可以有章法、有节奏地慢慢做。现在 AI 一方面是基模不停地卷,一会儿上一个新能力,你就要适配。我们跟企业家做分享,PPT 几乎每周都要改,因为总有新东西,甚至很多能推翻以前的东西。

另一方面,因为在世界中央,会出现各种新的公司也在做同样的事。回归 AI 的特性,你不做第一名就没有价值。今天的痛苦在于,能不能跑得够快,能不能在合理使用资源的情况下跑到第一。因为这个时代不是第一就没有价值。

李翔

如果不够快,是什么资源限制?解决什么问题可以解决这个“快”的问题?

张帆

我觉得没有办法根本解决,只能近似解决。最简单来说,有没有足够多的钱、足够多的卡;再上一层,我有没有招到最合适的人,这些人有没有最合适的激励;再上面,我对市场信息收集和反应够不够快,有没有足够多的好想法、足够强的判断力找到最正确的想法。这些都是阻碍。但这些是常态,没有一个王道解决方案。资源再多也会觉得不够,再快也能更快。

李翔

是是。

张帆

我招员工的时候,很多员工会共同问一个问题:“这个时代你们公司觉得什么样的人是想要的?”这个问题很难回答,我想了半天,没办法给很精确的答案,就给一个底层的。

这个时代经验开始变得无用,勤奋有时候都不是那么有用,各种原有评估体系都在改变。如果问我这个时代最重要的是什么,我觉得第一要聪明,这是算力;聪明之后,第二要好奇,真的发自内心地想求知、解决、探索,而不是靠公司逼着你;第三要有极清晰的思考和表达逻辑,不论内化还是外化。

这就像光模块,光有自己的算力还不够,怎么跟其他芯片连接?本质上今天的公司是一个集群,只不过节点比以前少了,对每个节点的要求变高了。以前瓶颈是单节点产量,现在瓶颈是多节点之间的验证和通量。带宽变成今天新的瓶颈。

我觉得人的学习、企业家的思考、组织构建,底层跟模型都是相通的。

李翔

你也讲聪明。有时候我在想,在 AI 时代聪明是不是也被夸大了?一个人再聪明,能聪明过模型、聪明过 AI 吗?

张帆

我觉得聪明依然非常重要。为什么 Anthropic 或 OpenAI 能做出最好的模型?如果聪明不重要,为什么中国公司用模型聪明不过模型,不能用模型造出一样的?为什么我们不能马上造出光刻机?人的价值依然很大。

大家之前讨论 AI 到底把人的差距缩小还是放大,我觉得两种观点都有。从微观层面,人的差距变小了。比如今天做一张图,原来会做和不会做差距很大,现在会不会都可以做。从这个角度,微观动作上的差距变小了。

但从宏观判断上差距放大了。我发现 AI 的思考深度跟你的思考深度是镜像的,你思考越深,AI 就越强,遇强则强、遇弱则弱。你跟它聊傻问题,它就回答得很傻;你很强,它就很强。所以我觉得人的价值没有缩小,只是放大了。只不过不要跟它卷微观,在宏观上判断研究什么方向、如何调度、如何验证、如何设计,变得更重要。

李翔

其实 AI 就是个巨聪明的人,会向下兼容你,是吧?

张帆

对,无论你多聪明或多傻,它都可以兼容你。以前生产力稀缺,所以我们愿意给咨询公司、外包公司付钱,因为他们派人来,能干出什么我也不管,反正我要求优先用你的资源就要付钱。但今天这东西不稀缺了,生产力可以无限供给。就像红果短剧,生产的东西已经没用了。所有稀缺就会往两端迁移。

一端是人的定义:人到底怎么定义出什么是星巴克、什么是瑞幸,这是人的定义、企业家的定义。因为世界搜索空间太大,不可能把所有咖啡馆的可能性都干一遍,只能选择什么。这个时候人的价值被放大。

另外一端是物理世界。人有了假设之后,需要跟物理世界连接,真正开 100 家店,得到 100 家店的反馈,再回到判断里。这个环路是最大价值。所以聪明依然非常重要,只不过不是小聪明,可能需要一点智慧。

李翔

如果聪明涵盖选择,那选择本身会放大不同人的差距吗?

张帆

会非常大。原来一个人可能是 1 分和 10 分,差 9 分;现在都乘以 10,随便变成 10 分和 100 分,差 90 分。

李翔

同样聪明,我选择成为原理的客户和不选择成为原理的客户,可能有很大差距。

张帆

我们觉得终归都是原理的客户,只是先后而已。

李翔

好的,开玩笑。

张帆

对,我觉得我们努力吧。

李翔

好吧,那今天就这样。谢谢张帆。