程曼祺 Manqi Cheng
上周初开始，市场陆续出现了有关零一万物新调整的传闻，关键词包括放弃预训练、资金链紧张、被阿里收购。在传闻出现的第二天，我们在零一万物办公地中关村鼎好大厦采访了李开复，他解释了实际发生的变化。
零一万物已经和阿里云成立了产业大模型联合实验室，零一万物的大部分预训练和 AI infra 团队会加入这个实验室，成为阿里的员工。而零一万物接下来会聚焦做更快、更便宜、更小、更能支持普惠应用的模型，同时自己做应用。
在李开复的描述里，超大模型和更快、更便宜的模型之间的关系类似于老师和学生：超大模型可以通过标注结果和生成更多合成数据的方式，帮助更小的模型提升性能。
去年 5 月，我们也访谈过一次李开复，当时的话题是从中国最年长的 AI 大模型创业者开始的。2023 年创立零一万物时，李开复已经 62 岁。前几年，他才刚从一场大病中康复。和他的行业地位以及人生阶段相似的人，更多会选择支持一个公司，而李开复这一次是自己当 CEO，自己跳入了这场大模型的混战。
关于零一的新选择，有人认为是务实的调整，有人认为是收缩，乃至认输，也有人给出复杂的评价。比如，一位创始人在朋友圈分享我们访谈李开复的文章时说：“颠覆性技术、超大型基建和高效商业化很难兼得，创业往往是从最开始什么都想做，坍缩到专注商业化，这是一种悲哀的正确。”
不管如何，在最新变动出现之后，李开复快速向外界说明事实、阐释想法的姿态，展现了一个 CEO 的责任。当公司出现调整，CEO 是那个需要对内、对外说明情况的人。
这次我又问了去年问过李开复的一个问题：在功成名就时再来创业，会不会有心理包袱？他的回答还是和上次相似。
1983 年，李开复开始在卡耐基梅隆大学攻读计算机博士学位。当时他在研究计划里写道：“人工智能是人类了解自身的最后一步。我希望投身这门新的、有前景的科学。”
李开复认为，这是他等了 40 多年终于等到的 AI 时代。如果自己没有试一把，才会是一个终身遗憾。
我们访谈李开复的两篇文字报道，也贴在了 Show Notes 的相关链接部分，感兴趣的听友可以阅读。
程曼祺 Manqi Cheng
你这几天会感觉特别累吗？因为这几天有很多关于你们的传闻出来，可能它是不准确的，会让你感到疲惫吗？
李开复
不是疲惫吧，就是让我觉得需要机会澄清，所以感谢你这个采访的机会。
程曼祺 Manqi Cheng
您可以自己来描述一下，最近发生了什么变化？外界把它传闻成被大厂收编或者被阿里收购，甚至是裁员，还有资金紧张，实际上到底发生了什么？
1. The Commercial Pivot
李开复
我们认为，一个商业公司需要一个非常快、便宜的模型，在上面打造可以赚钱的应用，来证明这个公司的商业化。
如果说在技术推进上，我们需要继续推进这个模型，依然可以去做一个 V2，可是我们会用商业的眼光来看它值不值得。我们也可以依靠一个超大的模型，作为老师模型来帮助提升它。
所以，我们就和阿里成立了联合实验室，能够依赖大厂训练的更大的模型，把我们较小的模型的能力有所提升。
程曼祺 Manqi Cheng
总结来说，就是你们和阿里合作，由阿里来做 teacher model 的部分，也就是这个可以用作训练老师的超大模型；你们则是在这个 teacher model 的训练之下，去做更快、更便宜的模型。
李开复
对。
程曼祺 Manqi Cheng
接下来，阿里会接收你们的预训练团队和 AI infra 团队，这个准确吗？
李开复
我们成立了这个联合实验室，确实是把零一万物中做超大集群、具备能力、才华和梦想的人，以及一些做超大模型、有梦想、有追寻、有能力的人，放到这个联合实验室里。
他们觉得，在这个联合实验室里跟阿里一起做超大模型，会更符合他们的追寻。这个联合实验室的员工是阿里的员工，所以确实有一些零一万物的人员入职阿里。
程曼祺 Manqi Cheng
这是否意味着零一万物要放弃预训练，还是说这不是一个准确的概念？
2. The Teacher Student Strategy
李开复
我觉得，以后的预训练会有一个分叉。
一个是做超大模型的预训练，这是一个非常厉害、可能接近 AGI 的追寻，但是会很贵。这个方向我们是放弃了，其实我们很早就放弃了；但是现在可以更放心地放弃，因为有合作伙伴可以跟我们一起做。
程曼祺 Manqi Cheng
如果暂时不做超大模型预训练，这一部分放弃了，那没有放弃的事情是什么？你们接下来的重点工作，我理解是基于阿里的超大模型做一些微调，然后重点做应用吗？
李开复
不是。我们的模型还是需要预训练，只是它是一个非常快速的预训练，而且可能也不会经常做，这样我们才能控制成本。
我会衡量：我一年做 1 次预训练够不够？需要 2 次吗？它带来的价值提升值得去做吗？如果不值得，我就用上一次的模型。
我们现在有一个 Yi-Lightning V2 的版本。你可以这么想：我们像一所大学，不断培养学生；阿里像一所师范学院，在培养老师。等它的老师超级厉害了，我们的学生也很厉害了，超级厉害的老师教出的超级学生，就是可以进入职场的一批人。
其实，阿里的通义系列里也有不同尺寸的模型。不光是阿里，大家做模型时，都会有不同尺寸的版本，也会针对你说的更快、更便宜的方向去做。
程曼祺 Manqi Cheng
如果你们已经和阿里有非常深度的合作，这个方向你们还要自己做的必要性是什么？
李开复
之前其实我也谈过，一个公司要不要做预训练，我当时的答案跟今天的答案是一样的：当预训练出来的模型已经不如一个开源模型时，这个公司就应该停止预训练。
我们现在的 Yi-Lightning，在当前成本和可控性的条件下，考虑到成本和表现，还不能被开源模型代替。但是，如果有一天它能被代替，每一个公司都不应该执着于为了做预训练而预训练。
所以，当开源模型超过你们自己的闭源模型时，从合理的角度来说，不做预训练这件事就会发生。只是今天还没有发生，还没到那个时候。
我们现在专注于用非常好的模型，依然可以打造很好的应用。我们会很务实地看这件事情，用最好的模型做最好的事情。
我们公司的存在，不是因为要给 Yi-Lightning 找应用，而是要给应用找最好的模型。最好的定义可以是够小、够快、够便宜、够厉害等等。只要有一天它不是最好的了，我们就会做一个务实的决策。
程曼祺 Manqi Cheng
之前您说过，零一万物的一个优势就是自己做 AI infra，做推理引擎，所以能够主动、大幅降低训练和推理的成本。新的方向调整之后，这件事不会变，是吗？可以讲讲接下来在这方面的想法吗？
3. The Infrastructure Reset
李开复
我们现在有一个较小的训练团队，也有一个较小的 infra 团队。因为我们的模型变动不会那么大，所以 infra 的变动也不会那么大。
我们之前的 infra 团队可能有更大的梦想，就是做 scaling law，做到万台级、万张卡，甚至更大。今天既然不做了，他们就应该去一个能够实现这种能力的地方。
程曼祺 Manqi Cheng
在现在和阿里合作这个选项之外，你们曾经还考虑过什么其他选项？
李开复
没有。
程曼祺 Manqi Cheng
包括和大厂谈，也只和阿里这一家谈，是吗？
李开复
我觉得阿里愿意跟我们成立这样一个联合实验室，让我们有这样的双赢机会，我们很开心。
程曼祺 Manqi Cheng
这件事是阿里先提的，还是你们双方刚好谈到了一起？
李开复
它是我们的投资人，所以我们经常沟通。太多细节不太合适讲。
程曼祺 Manqi Cheng
我之前也了解到，你们还有一个计划，考虑把一些业务 spin off 出去，让它独立融资，这个也在推进中吗？
李开复
这都是商业上的考量。如果你能把一个业务分拆出去，让它的员工更有动力，而我们又不失去对它的控制，那就是一个双赢。
这种机会我们任何一家公司都应该 open。不过现在我们还没有分拆，所以不用讨论太多。
程曼祺 Manqi Cheng
您觉得被收购会是一个选项吗？曾经考虑过这个吗？
李开复
我们没有去寻求被收购，我觉得这不是我们想做的事情。我们认为自己有独特的价值。
但是，任何一个创业公司都要考虑投资人的利益。我在创新工场也投了很多公司，毕竟创业公司是为投资人服务的。如果收购是最好的一个结局，每一个创业公司都有责任去考虑这个选项。
程曼祺 Manqi Cheng
其实 5 月我们聊的那一次，您说过零一万物如果要做，就想做成一个万亿美元的公司，整个设计是想成为 AGI 时代的微软。现在这个调整，我理解是一个非常务实的调整。调整之后，是不是意味着当时的设想其实比较难实现了？
4. The Dream Still Stands
李开复
我觉得每一个人都要有梦想，万一实现了呢？
我们依然有很多梦想，只能说我们现在可能从应用起步，走这样的一个方向。微软的第一个产品也是一个 BASIC 编译器，也是一个应用，最终它还是走出了一个万亿美元市值的公司。
大家其实都有 AGI 的梦想。每一个创业者都应该有成为一家非常有价值的公司的梦想。至于它需要多少时间完成，第一步应该是哪一步，更重要的可能不是仰望星空。谁都可以仰望星空，而是要脚踏实地。
程曼祺 Manqi Cheng
那您觉得这个梦想现在算是破灭了吗？
李开复
当然没有，但是我不会去想它。
当时我觉得，最有价值的公司是做出一个 AI 时代的微软。今天还没有谁做出了 AI 时代的微软，每家公司都有机会。我们不会认为自己没有机会，但是我们走的道路和 5 月相比有了一些调整。
程曼祺 Manqi Cheng
我了解到，在中国的大模型公司里，除了零一万物之外，也有其他公司在考虑类似的调整。您觉得这会是中国大模型创业的一个节点吗？
李开复
我不想评估别的公司，但我觉得每个大模型创业公司都必须考虑几件事情。
第一，在 scaling law 变慢的时候，我们该怎么处理？第二，只有大厂能做巨大模型时，我们要采取什么措施和回应？第三，在商业化困难的时候，我们怎么样找到一条成长之路，接受这个灵魂拷问？第四，当一家公司能拿到一个不错的财务报表、实现收入时，我们怎么拥有一个可解释的成本，不要让这点好不容易成长起来的收入，变成成本小数点后面的一个数字？
我觉得，这 4 个问题是全世界规模较小的大模型公司都需要考虑的。
程曼祺 Manqi Cheng
接下来我们可以完整聊一下这个过程：哪些行业的变化，以及您对这些变化和新形势的思考，让你们做出了现在的调整。
首先就是 scaling law。我记得上次我们去年 5 月谈的时候，你们做出了一个真的是往超大模型走的 Yi-Large。它不是最大的模型，但是一个相对大尺寸的模型，表现很好，世界排名也很高，但是这个模型并不快，也并不便宜。
5. Scaling Law Meets Reality
李开复
一个模型真的要落地，还要更便宜、更快。所以当时我们面临一个选择：是要相信 scaling law，花更多 GPU、更多数据，烧出更大的模型；还是要做一家更务实的商业公司，做一件可以落地、可以赚钱的事情？
当时还有几个考量。模型要变现，需要应用；应用要落地，需要好的用户体验；好的用户体验需要速度，而且不能收费过高，无论是 To C 还是 To B。
所以面临这样的抉择，我们也觉得，一家创业公司去跟大厂比谁烧出更大的模型，最终不会成功。
程曼祺 Manqi Cheng
这个抉择是在去年 5 月就发生了吗？还是到后面某个时间，又有一件更具体的事情，让您非常严肃地思考这个问题？
李开复
我觉得就是 5 月的抉择。当时我们发布的时候，你可能记得我们还谈了一个叫 Yi-XL 的模型，后来就放弃了，大概在 5 月、6 月决定放弃。
MoE 模型我们其实一直在做，在 Yi-Large 的时候就已经在做了。之后应该是 MoE 出了一些比较振奋人心的结果，所以我们把方向转到了 MoE 模型。
它达到的高峰，就是我们在 10 月推出了 Yi-Lightning。这也符合我们每 6 个月要有一次更新、带来一些惊喜的节奏。
Yi-Lightning 和 Yi-Large 是完全不同架构的模型。它基于混合专家，非常高效，表现比 Yi-Large 上了一个台阶，当时也达到了全球第 6 名。Yi-Large 当时可能跌到接近第 20 名，大概是第 15 到第 20 名左右。
同时，Yi-Lightning 的速度比 Yi-Large 快好几倍，价格也是 GPT-4o 的 1/30。虽然它的表现只比当时最新的 GPT-4 略逊一筹，但其实已经超过了 5 月时的 GPT-4。
所以，我觉得这是一个超出大家预期、非常好的模型，也代表我们走出了一步：我们重新定义了方向，不是要烧出世界上最大、最贵、表现第一名的模型，而是要做一个足够便宜、足够快的模型。
因为我们认为，2025 年是应用爆发年。应用爆发需要能够实现普惠的应用，也需要很快的速度来满足用户体验。这就是我们的方向。在这个前提下，还能做到最好的表现，同时又那么小、那么快，我们还是超出了自己的期待。
谈到 scaling law，最近可能又有两个新的认知。
第一个认知是，scaling law 已经明显进入了 diminishing return。不是说再用更多算力和数据就做不出进步了，还是可以进步，但是它的进步已经不符合投资回报。
比如，一张卡增加到 10 张卡，可能可以得到相当于 9.5 张卡的价值；但是 10 万张卡增加到 100 万张卡，也许只能达到相当于 13 万张卡的价值。
程曼祺 Manqi Cheng
您觉得这是行业共识吗？
李开复
现在已经是行业共识。
程曼祺 Manqi Cheng
把 scaling law 更多地放到推理时间，这不算是对这件事的一个拓展吗？
李开复
那是另一个 scaling law。我讲的是 training time 的 scaling law，我们先讲这一部分。一会儿我可以讲 inference time scaling law，或者 test-time scaling law。
Training time scaling law，说到底就是谁还能烧出更大的模型。只有那些真心想做 AGI，想做出世界最大、最棒、最厉害模型的公司，才会继续做，而且成本代价会非常高，绝对不是一家初创公司可以做的事情。
我们其实已经有这样的预判，但这是否代表超大模型就彻底没用了？其实也不是。超大模型还有一个非常重要的用处，就是可以用来做老师模型。
放到市场上的，一定是 Yi-Lightning 这样的模型，或者其他品牌的较小模型，比如 Qwen、DeepSeek，或者 GPT-4o mini。它们会成为主流，因为能力已经足够了。可能不是最顶尖，但已经够用了。
但是它们依然可以受惠于有一个老师来教它们。老师怎么教？老师可以标注数据，或者生产 synthetic data，也就是合成数据。
合成数据有什么价值？一个是可以标注结果，让你的后训练得到大幅提升；第二个是可以合成更适合你训练的数据。
当然，如果只是替代真实数据，合成数据不会比真实数据更好。但如果合成数据的目标是：现在有一个像 Yi-Lightning 这样的模型，它会在 20T 数据上饱和，那我怎么生成 20T 更好的数据，让它再上一个台阶？这就是合成数据的价值。
所以，以后的主流会是用超大的老师模型训练一个学生模型，而学生模型要够快、够小、够便宜。
这个趋势不是我发明的。我们可以看到，Anthropic 有 Opus 和 Sonnet。Opus 后来就不给用户用了，为什么？因为它就是用来做老师模型的。
我们很信任这位朋友跟我们说的，Opus 训练得挺好的，但是它太大、太慢，卖也卖不到多少。最后还卖给竞品，让竞品用它做老师模型，何必呢？还不如留着训练 Sonnet，然后卖 Sonnet。
Opus 就算发出来，也没有意义；再不然就是卖不好。卖得好，也是卖给那些蒸馏它的公司去用。
同样的，GPT-4.5、GPT-5.0，最后可能会被称为 GPT-4.5，这件事还没有最后定论，但是它已经做出来了。在内部测试中，大家也觉得它确实更好，但不值得它带来的延迟和成本。
它会不会卖，我并不知道，但它绝对会扮演这样的功能：把所有 GPT 小模型重新提升一遍，用老师提升学生的能力，然后用学生做普及性的工作。
有了这两个认知之后，我们就比较容易做出第二部分的决定。我们大概在去年第三、第四季度，也就是 9 月、10 月的时候，觉得我们的模型绝对不能再大了。闪电模型就是正确的尺寸，是一个甜点，也许有些情况下还可以再小一点。
但是它还没有充分发挥能力，因为它需要一个老师。谁来做我们的老师？那就是大厂。
因此，我们和阿里有了这样的合作。我们自己做不起老师模型，所以你要说是抱大腿也行。但就像你做一个很棒的手机应用，不会去重做一个安卓系统；你做一个很棒的 PC 应用，也不会重新去做一个 Windows。这些东西就是靠大厂的，以后超大模型的能力也肯定是靠大厂。
国内现在看得到、比较确定的大厂应该是阿里和字节，也许以后还会有一两家入局。作为一家初创公司，我们应该勇敢地做这样的抉择，因为它符合趋势，也会给我们带来优势。我们可以轻装上阵。
6. Fast Inference Wins
你刚才提到的 inference time，这件事我们确实也在分析和研究。大家对这种慢思考的能力可能成为下一个阶段的突破，感到比较振奋。
我觉得，我们有一个非常快的推理模型是有很大优势的。因为如果你需要慢思考、长思考，每一个思考单元变快了，整个思考过程就会变快。
假设平常我们的速度是 GPT-4o 的 5 倍。一边生成 token 的速度可能比它快一些，但之后我们已经超过人阅读的速度了；另一边可能大约匹配人的阅读速度。所以，虽然我们快 5 倍，但对用户来说没有太大 benefit。
可是，如果两边都用了慢思考，都变慢 10 倍，那对方的速度就会变成很多应用无法忍受的程度，而我们这边仍然可以接受。
所以，在 test-time scaling law 的时代，使用一个非常快的推理模型，其实更符合趋势。何况，用一个非常快的 inference engine，也就是推理引擎，可以做更多实验，摸索出更多这方面的方向。
我觉得这也是我们选择走快、走便宜这条路径的另一个理由。我们认为这是正确的。
程曼祺 Manqi Cheng
第二个逻辑是什么？
7. Commercial Pressure Accelerates
李开复
第二个逻辑是，在大模型时代，一切都加快了。
如果回头看 AI 1.0 时代，技术就是深度学习，应用可能从视觉切入，慢慢进入其他领域，一个个发展。公司的发展可能是看谁的人最厉害、谁的论文最多、谁的比赛成绩更高，然后慢慢进入商业里程碑：谁能拿下一个大单，谁能多拿几个单子，谁能实现商业扩张。
最终的灵魂拷问是：你能不能做到，即使不考虑自己是一家 AI 公司，仍然拥有一份可以上市的财务报表？因为最终这才是一个重要的里程碑，让投资人有退出的机会，也让公司作为上市公司获得更多信誉继续往前走。
它不是终点，但它是一个重要的里程碑。
我觉得现在一切都加快了。在 AI 2.0 时代，技术迭代的速度加快了。我们从相信 scaling law 到怀疑 scaling law，只花了 1 年时间。过去不是这样的，摩尔定律支撑了多久？
所以技术发展的速度飞快，也代表这个领域需要快速、动态地调整。
不只是技术变快了，我们的灵魂拷问也变快了。那些要烧 scaling law 的创业公司，会烧得更多、烧得更快，我们这个行业的拷问也会更快到来。
如果你 1 年烧 4 亿到 5 亿美元，就算融了十几亿美元，这个拷问也很快会到来。
所以，我觉得我们更应该做一个符合商业逻辑、对投资人负责、确保自己能够活下来、能够创造价值的模式，更快面对最后的灵魂拷问：你到底能不能把技术转换成商业价值？
你要让投资人看到，你可以有收入、增加收入，让亏损收窄，最终单点形成盈利，再多点形成盈利。这样的过程必须加快。
程曼祺 Manqi Cheng
在商汤、旷视的时代，似乎有 6 到 8 年的时间。
李开复
对。它们成立的时候，大众或者说创投层面对 AI 还没有那么热。2016 年的时候，AI 才变得特别火。旷视是 2011 年成立的，商汤大概是 2013 年成立的，前面有一段时间可以说是比较低调地发展。
程曼祺 Manqi Cheng
扣除前面那段时间，也是 4 到 5 年之后，大家才开始看它们的财务报表。
李开复
对。四小龙也好，其他 AI 公司也好，后来都面临了这个拷问。
我觉得现在加速了，从 4、5 年可能变成 2、3 年就要回答这个考题。
要回答这个考题，我们可以把它拆成几个问题。第一个，你到底懂不懂商业运作？第二个，你到底能实现多少收入？第三个，你能实现多少成长？第四个，你能不能控制成本？
我觉得六小虎在技术上各自都有优势，都可以说做得很不错。但从商业运营来说，我不去评价别人，只从我的角度来说，有几个重要的判断标准。
第一个，不打打不赢的仗。如果一个行业还没有达到 PMF 的验证，或者虽然达到了一定程度，但还需要教育市场，或者有一个很强的巨头垄断、碾压，这个仗就不能打。
第二个，不能大量投入却看不到回报。比如 To C 的应用，你去投放，可能可以让用户量增加；但是你停止投放，用户也不增加了。这样你的用户增量可能都是买来的，或者虽然有一定自增长，但需要不断大量输血才能维持行业定位。
如果这样的应用和场景还没有看到收入的可能，对一家创业公司来说就非常危险。尤其是我们的边际成本其实很高：用户增长也好，获得一个免费用户之后他的使用也好，只要他经常使用你，就要烧 GPU。所以，这个逻辑也需要反复自问。
做 To B 也有非常危险的一件事情。如果我们做的是比较边缘化的东西，创造的价值不大，客户付的钱不多，我们也很难把它做好。做得不好，用户不会满意，我们也赚不到钱，就变成一个恶性循环。
一个 To B 领域，如果做的都是边边角角的事情，花很多钱去竞价，可能连销售成本都无法摊回，更不要考虑 GPU 成本和其他成本了。
所以，做 To B 就要找能够创造核心价值的订单。一种是能够创造比较大的核心价值，帮助客户赚钱，而不是只帮客户省钱。
另一种是强强联合：对方有特别强、特别深、特别窄的领域，特别适合大模型，而且愿意拥抱这个东西，同时还要有一个非常有远见的 CEO，敢做这个巨大的决定。这种订单肯定不多。
还有第三种可以做的情况：第一个客户可能没有赚钱，但是它是可复制、可复用的。你做这个行业，再做 5 个、10 个、20 个、100 个用户时，能够复用 60%、70%、80%的内容。第一个客户可能没有赚钱，之后就可以赚钱。
这是我们认为非常重要的商业逻辑，所以我们整个 To B 的做法都是按照这个逻辑。
最后一点，我们可以看到，To B、To C 在国内国外都不容易做。
国内 To C 看起来很难有收入，而且是巨头垄断的领域。国内 To B 大部分是不能赚钱的项目制订单，而且不一定容易复制。国外 To B，我们根本不会做。
这看起来就是一个很难解的局。在这么难解的前提下，还有一个问题：如果你还要烧最大的模型，使用 5,000 张卡、10,000 张卡、12,000 张卡，每年带来 1 亿、2 亿、3 亿美元的成本，怎么把它分摊到业务收入上？
如果灵魂拷问要提前到来，市场会问：你今年花了多少钱，赚了多少钱？给我一个答案。
首先，你要讲一个大的收入故事已经不容易了。如果还要说我的亏损是收入的 5 倍、10 倍、20 倍，那这个故事基本不会被人接受，灵魂拷问就会失败。
我在朋友圈里说的商业模式和商业化淘汰赛，就是这么一回事。所以，作为一家 AI 创业公司，我们必须进入这样一个状态：把花在 GPU 上的钱当成 business expense 来花。
也就是说，我要不要雇这个人？要不要买这台电脑？要不要批准去国外出差？要不要买 GPU？这些是一样的考量。
如果我决定做这件事情，要花多少钱？一年要花几次？我可以从中得到多少回报？这些问题都要能够回答。
你去问任何一家公司的 CFO、CEO 或采购部门，他都可以明确告诉你，买 PC 或不买 PC 对公司的影响是什么：不买 PC 可以省钱，但是生产力会下降。
程曼祺 Manqi Cheng
这还是创业公司的逻辑吗？听起来大家只有对成熟公司才会这么考量。
李开复
不需要面临灵魂拷问的创业公司，在初创期不用考虑这些。我们去年也没有考虑。但是现在，因为灵魂拷问来得更快了，基本上有 3 件事情同时发生：
第一，scaling law 在变慢；第二，只有大公司能做 scaling；第三，行业的灵魂拷问时刻到了。
程曼祺 Manqi Cheng
您觉得，如果长板够长，能帮助创业公司推迟这个拷问到来的时间吗？比如模型做得特别惊艳，或者产品增长数据特别好。
李开复
当然可以。产品增长数据本身就变成了一个商业逻辑。如果你的产品在增长，哪怕还没有收入，投资人也会有耐心，或者愿意投资你，这是正常的商业逻辑。
如果长板特别长，我觉得也可以。但是现在我们明显看到了所谓的中国打法：把推理成本和训练成本降下来，这是好几家公司的优势。
但这个优势不代表你可以不面对灵魂拷问。你的长板到底长在哪里？只是说我们变快了，但快怎么转换成钱，还是要回答。
训练一个模型要花多少钱？我们训练 Yi-Lightning 花了 300 万美元，DeepSeek 说它花了 600 万美元，都已经是行业里非常低的数字。
但是，如果真的用商业逻辑来看，好，预训练是 300 万美元，之后还花了什么？之前花了多少科研成本？假设加起来是 1,000 万美元。
这个模型的寿命是多久？现在一般模型的寿命也就 6 个月。那 6 个月花了公司 1,000 万美元，你能在多长时间内赚回这 1,000 万美元？或者赚回足够多的钱，让你看到不断迭代模型能够带来结果？
而且你要对比的是：如果不用 Yi-Lightning，用 Yi-Large 能不能得到同样的收入？真的不可以吗？
就像你家里买一辆车，买这辆车给你带来的方便，不只是没车和有车的差别，而是你上一辆车已经在了，它还能开。那你是多开半年，还是现在就要换新车？这对家庭经济是否值得，就要做一个考量。
程曼祺 Manqi Cheng
零一有没有一种选择：把自己的长板拉得特别长，比如模型或者增长数据做得特别好，如果先不考虑收入和盈利？
李开复
对，这是一个平衡的选项。
我们认为，现在我和管理团队对做收入是有信心的，做增长我们会去尝试，模型也有很长的长板。坦诚地说，中国今天还没有一个公司做出来过。
程曼祺 Manqi Cheng
您觉得最近非常火的 DeepSeek 也不算吗？
李开复
DeepSeek 做得非常好，它的优势和我们很类似，推理能力会变强一些，但推理成本也会变大一些。
如果挑两个美国很强的模型来比，一个可能性价比更高，一个可能绝对 performance 更高。DeepSeek 做得非常好，我们非常尊重它。但如果真的要说长板特别长，可能还要继续观察。
程曼祺 Manqi Cheng
经过这一次调整，我理解零一万物接下来的一个重点是商业化。我看您昨天也发朋友圈提到，2024 年你们有超过 1 亿元的实际收入，2025 年还会翻倍。可以讲一下商业化的进展和接下来的计划吗？
8. Revenue Becomes The Proof
李开复
就像我在朋友圈里发的，我们是 2023 年成立的。在 2023 年成立的四小虎里面，我们应该是第一家做到 1 亿元收入的。还有两家成立得更早，就是 MiniMax 和智谱。
1 亿元收入不代表什么，离上市还远得很。但是作为第一个运营年，2024 年有 1 亿元收入，其实是一件挺自豪、也挺独特的事情。
这表示我们在刚才讲的几个商业逻辑上已经有了落地。我们的海外 To C 产品基本已经打平，接下来有机会实现盈利。
国内的几个落地场景，比如我们努力攻克的游戏、能源、汽车、金融等领域，也都有一些斩获，大部分都有 1,000 万元以上的订单。
所以，在 2024 年这样的市场环境里，我们确实创造了真实的客户价值。你去打单，能够打出 1,000 万元级别的订单，而且这些基本都是软件订单，这说明我们确实创造了价值。
下一阶段，我们会继续放大这些领域。我们还有几个非常认可的领域，也发现自己不一定适合亲自去做，所以会在一些垂直领域和其他公司共创。
共创的一种模式是成立合资公司。对方提供行业 know-how，以及一些可以分享的数据；如果对方控股，基本数据都可以放进来。我们提供技术，不需要出钱，以技术入股，做出更好的行业解决方案。
我觉得，整个行业很大的一个挑战，就是客户和技术提供商没有形成共创双赢的局面，而是客户给你压价，你就随便做做，最后客户又不满意，这反而形成了一个负面循环。
但如果我们强强联合，把对方的行业 know-how 和数据，跟我们的技术放在一起，这个合资公司做大了，两边都有钱赚；做得不好，两边都有亏损。这样更能够创造价值。
当然，我不是说所有模式都要这么做。但是我们这边有一些优势：我们有投资经验，有行业人脉，也有从上到下打通的一些人脉和机会。我们还可以利用创新工场已经投资的很多公司，做这一类共创。
所以，我觉得我们有把握在 2025 年实现数倍增长，从 1 亿元做到数亿元收入。
站稳这一点之后，再回头看：如果我们能够把 GPU 训练压缩到一个可以合理分摊的 business expense，这家公司的财务报表，就可以让一个科技行业、但不在大模型领域的人一看就明白：收入增长了这么多倍，花的钱也控制在了一定水平。
也就是说，假如一年只需要训练 1 次模型，最多 2 次，每次只需要花一定的钱，再有一个大 teacher model 来训练它，让它的模型不会掉队，甚至还能保持在第一梯队，同时能够支撑很好的应用，那么这笔账就算得过来。
这是综合考虑商业逻辑、scaling law，以及我们已经得到的初步商业化验证后做出的判断。
这个判断在去年 5 月开始萌芽，在第三季度开始看到可能需要走这样一条道路，之后我们和阿里的讨论也达成了这样的强强联合，大概从 1 个月前开始执行。
这不是大家认为的，突然因为某个结果而发生的被动调整，而是一切都经过了策划。转变的一部分原因是行业变了，一部分原因是认知变了，还有一部分原因是我们不断通过实践学到了新的东西。
创业的成功，很大程度来自于你有没有勇气和认知，在看到变化的时候做出调整。这个调整是过去几个月逐步完成的。
程曼祺 Manqi Cheng
除了这一次调整之外，之前有一段时间大家对零一万物讨论比较多的问题，还有你们团队的变化。2024 年我们能看到一些中高层离开，包括黄文浩、潘兴这些人。您觉得实际上零一万物团队发生了什么？
9. The Talent War
李开复
我觉得整个大模型领域里，确实有不少人改变了赛道，也有一些大厂突然愿意用天价去挖人。这些事情我们都可以看到，每个大模型公司可能都有这样的例子。
我只能说，我们创业初期的核心团队基本都还在。我是靠这些人不断去寻找优秀的人。每个人离职可能都有不同的理由：有些人想追求训练超大模型、实现 AGI 的梦想，有些人可能禁不住诱惑。
程曼祺 Manqi Cheng
我听说黄宏浩是张一鸣亲自来挖的。
李开复
这个我不知道，我可以不评价吗？
程曼祺 Manqi Cheng
我觉得在这种情况下，创业公司可能挺难留人的。一个大厂如果非常强力地去挖人，财务回报是一部分，但有些人就是想去训练 AGI、训练超大的模型，而零一万物现在没有办法提供这样的环境。
您觉得，在现在这个形势下，刚才您说的把模型做得巨大的方向，是不是已经不是创业公司的机会了？这终究还是巨头的战争？
10. The Startup Window Remains
李开复
毕竟 OpenAI 也是一家创业公司，Anthropic 也是一家创业公司，所以我们不能武断地说一定不能做。
可能更多还是回到你刚才说的：一家创业公司如果真的能打出一个超长的长板，当然可以做这件事情。但是，这个超长的长板是非常非常困难的。
程曼祺 Manqi Cheng
那在中国可以有这个判断吗？巨大的模型只是巨头之间的战争？
李开复
我不会认为中国不可能出现一个天才，发明出什么特别的长板，但难度很大。
程曼祺 Manqi Cheng
您觉得中国大模型创业公司全军覆没的概率有多大？不会出现没有创业公司跑出来的情形，是吗？
李开复
不会有这种概率。每家公司都很聪明，也有很多资金，都会找到自己的方向。
但是我觉得，找到方向以后，它一定不会再是一家大模型公司。就像今天你不会说字节只是一个移动互联网公司，也不会说滴滴只是一个移动互联网公司，而是它会在某个行业成为一个巨头。
如果没有成为巨头，也可能成为一家可盈利、可上市的公司，当然也有可能做得不好。但如果做得不好，不是说大模型公司就一定能成功或者一定不能成功。
我还是坚持我的预测：3 年以后，不会有公司被认为是大模型公司，除非它真的成为了一个 OpenAI。
程曼祺 Manqi Cheng
我说的全军覆没，可能不是指这些公司消失或者破产，而是指它们没有成为大家期待的、下一代非常大的公司。也就是没有任何一家创业公司做到这一点。
李开复
我不认为会发生。但这是一个很长周期的预测，没办法精准地给出答案。
程曼祺 Manqi Cheng
如果我们设想一种极端情况，市场最后只剩大公司，会是什么情形？比如，这一轮技术成果绝大部分都被现在已经在场的科技巨头获得，会是什么样？
李开复
我觉得这就代表 AI-first 应用没有想象中那么颠覆，所以我不认为它会发生。
因为 AI-first 的代表，是每个应用都会被颠覆，而每个被颠覆的应用，都是一个创业公司上市的机会。
如果每个应用都只是微调，那确实可能是大厂赢了。如果只是一个抖音升级版、百度升级版、淘宝升级版，没有创造出 AI-first 应用；从 To C 的角度看，或者从 To B 的角度看，大家仍然只是在做办公工具、数据库等等。
如果这些类别都没有因为 AI 被彻底颠覆，巨头就会继续成功。但如果它们被颠覆，就会有很大的改变。
比如从 PC 时代到移动互联网时代，搜索没有怎么被颠覆，所以百度依然是比较强的公司。但是出行、视频、支付、本地生活，确实被移动互联网颠覆了。Mobile-first 的应用取代了传统的 PC 应用或者网站。
只要 AI 应用是在颠覆过去，巨头就会有包袱，因为它没有办法抛掉过去取得的成功，就会有机会被新来者取代。
如果所有应用都没有被颠覆，也就是说，假设我们用手机时仍然都在使用 H5 版本，那我们很可能还在使用 PC 时代的那些网站，新的移动互联网巨头就不会崛起。
但移动互联网已经让我们看到，mobile-first 带来了新的可能：它知道你的地理位置，能够随身携带，重新定义应用的价值。
只要这件事在 AI 上成立，就会有非常多成功的创业公司。所以我坚持认为，这最终会以较高概率发生。
当然，动作比较快、比较强势、能够自然延伸的大厂，肯定也会获得成功。就像从 PC 到移动互联网时代，有些公司延续了成功，有些则被颠覆。
程曼祺 Manqi Cheng
我觉得 AI 比移动互联网更像一种颠覆式技术。移动互联网相比互联网，您刚才说它增加了移动和定位这些特性，那 AI-first 应用的新特性可能是什么？您已经看到哪些迹象？
李开复
首先，它可以用更自然的语言进行沟通；其次，它可以延伸出通用的推理和理解能力；第三，没有大模型，整个应用就不存在。
比如，我只是给 Office 加上一个 Copilot，这不是颠覆性的，不是 AI-first。
但如果从一个人写作、AI 来帮忙，变成由 AI 负责主要写作、我来调整，这就是颠覆式的。
再比如搜索，可能不再是我输入几个关键词、看到一堆网站，而是我问一个问题，就得到一个结果。
或者在社交领域，我看到的不只是人生成的内容，还有 AI 生成的内容；我交的朋友不只是人，可能还有一些 AI；没有 AI 的社交圈，我反而会不习惯。这就是 AI-first。
程曼祺 Manqi Cheng
您觉得现在总体来说，中国大模型创业到了什么阶段？
李开复
我还是很自豪中国大模型的发展。
你想，我们有芯片限制，估值低于类似的美国公司，融资额也更少。在这样的情况下，我们发挥了中国的优势。
我之前在演讲和写作里说过，发明新技术可能美国比中国厉害，但把技术有效执行出来，是中国的强项。
我还说过两句话，我觉得要等 2025 年来验证。第一，中国公司比美国公司更会找到商业模式，也会赚更多钱。第二，中国的应用会比美国做得好很多。
这两件事情以前还没有机会验证，因为大家都在比较谁的模型做得更好。
现在的结论是，美国做得还是更好一些，中国落后大约 6 个月；但中国做得更便宜、更小。考虑到我们的限制，这样的结果我觉得是一张 90 分的成绩单。
下一个问题就是，谁能够做出商业化？第三个问题是，谁能做出最棒的应用？
第一个问题上，中国处于劣势，但仍然拿到了 90 分，美国就算是 98 分。第二和第三个问题，中国有一定优势。中国的移动互联网时代也好，AI 1.0 时代也好，都已经验证了中国在这两方面有很大机会。
所以我之前也说过，今年 AI 应用会爆发，在美国和中国都会发生。中国创业者可以做国内和国外的应用，做 To C 和 To B。
虽然环境有一些挑战，但前提条件是模型已经够好、够便宜、够快。寻找 PMF 是中国创业者擅长的事情，是从移动互联网时代留下来的好习惯和方法论。商业化方面，从今天许多成功的移动互联网公司也可以看到这一点。
所以我觉得，现在是一个比较适合中国公司站在 90 分的基础上，继续去摸高、做适合中国创业公司的事情的阶段。
程曼祺 Manqi Cheng
我们上一次聊的时候，其实也讨论过一个话题。以您的地位、成就和人生阶段来看，您不一定要自己创业，很多和您处境相似的人会选择支持一家公司，而您选择自己来当零一万物的 CEO，主动跳入了这场混战。回头看，您会后悔这个选择吗？
李开复
不会。
11. Why He Still Chose AI
我之所以决定做这件事情，一个原因是它特别适合我的背景，包括技术、产品、投融资和商业运作。我觉得自己有一些独特的背景，也认识一些人，他们会是非常好的搭档，所以我们应该来做这样一件事情。
每个创业过程中都会有跌宕起伏和调整。如果一个 CEO 碰到一点挑战就开始后悔，那这样的人没有资格做 CEO。
程曼祺 Manqi Cheng
功成名就的时候再做一家新公司，有时会不会觉得，如果没有成功，反而会在之前已经很光鲜的履历上添一个不好的标记？您会有这种包袱吗？
李开复
我没有。
我反而觉得，在这样一个我等了 40 多年、终于等到的 AI 时代，如果我没有出来做自己擅长的事情、去试一把，这会成为终身的遗憾。
程曼祺 Manqi Cheng
您之前在创新工场投资过很多公司，也深度孵化过科技创业公司。自己创业这两年，您的复盘和学习是什么？或者说，您觉得最重要的成长是什么？
李开复
我觉得，一家创业公司能否成功，要坚持那些必须坚持的事情，但也要看到已经发生的事情，快速做出调整。
同时，还要能够对未来做出比较清晰的预测，根据这个预测，更勇敢、更大胆地做一些调整，让公司能够继续良性发展。
我希望大家能看到，我们今天做的这些事情，是看到了趋势之后主动做出的调整。
程曼祺 Manqi Cheng
在您的预测里，2025 年在 AI 大模型领域，确定性比较高的事情可能是什么？
李开复
我觉得第一个确定性是，会有大量应用爆发，而且很多会来自中国的创业公司和大厂。
第二个，我最确定的是，会有更多 surprise 给我。因为我们看到这个领域的变化真的是超级快。很多过去被认为是真理的事情，很快就被推翻；过去很多认为不可能的事情，都变成了可能。
所以，我们要抱着非常期待的心，准备看到这些神奇事情的发生。
第三个，我认为我们会挖掘到很多非共识的 To B 细分行业的真实需求：必须有大模型才能创造巨大价值，必须有大模型才能不只是帮它省一点钱，还能帮它赚钱，并且有潜力颠覆这个行业。
但这个行业一定不是金融，也可能不是保险，因为这些行业都太大了。它会出现在非常垂直的应用里。
去和传统行业的龙头大公司、细分领域的头部公司合作，这些公司未必很大，但它们的营业额可能因为大模型翻倍，人效也可能翻倍。我觉得，寻找这一类 PMF，是下一个阶段 To B 的 PMF。
程曼祺 Manqi Cheng
您刚才展望 2025 年的应用时，也提到了 agent 这个方向。之前我们向您征集“什么是好的 AI”这个问题的看法时，您说过，工作是工业革命留下的魔咒，特别期待将来出现一个 super agent，把人类从重复、繁冗的劳动中解放出来。
如果您自己有了一个 super agent，有更多时间去做别的事情，您会做什么？
李开复
人其实就是一个不断寻找机器不能做的事情的过程。
这些事情可能包括一些超级有突破性、前所未有的创意；可能是一些综合性的结合，以及不是靠数据就能够推演出来的预测；也可能是一些有温度的事情，比如人与人之间的信任、接触、感情和温度。
也有可能是一些由 AI 帮人创造出来的机会，比如 AI 帮我们寻找新的工作机会，就像汽车创造了司机这个工作。
程曼祺 Manqi Cheng
说了这么多，您还是没说自己到底想做什么。如果时间被解放了，您想做什么？
李开复
如果我的时间被解放了，我会继续做我热爱的工作。只要这项工作不是 AI 能够取代的，我就会继续做它。
然后，我会把更多时间花在和我爱的人在一起。因为人与人之间的温度、感情和关系，真的是 AI 不能取代的。
程曼祺 Manqi Cheng
如果可以送一句话给其他大模型创业者，您想说什么？
李开复
我记得王慧文说过一句话：“每一位都是勇士，我们应该彼此鼓励。”
第二句是，再过 3 年，就没有“大模型公司”这个说法了。你要成为一家海外 To C 应用公司，还是国内最大的 To B 公司，还是继续做中国最优秀的大模型公司，这些都是选项。
就像今天我们可能已经不会太多地说谁是个移动互联网公司。美团、字节已经成为各自领域的巨头。
所以，我祝福每一家大模型公司都能走出自己的路。当它把“大模型公司”这几个字摘掉的那一天，也就意味着它找到了成功之路。
程曼祺 Manqi Cheng
最后一个问题，问一个轻松点的。2025 年的新年愿望是什么？
李开复
两个女儿职场顺利、情场顺利，还有希望零一万物能够证明，我们做出的这些抉择为人类创造了价值，而且是正确的决定。
程曼祺 Manqi Cheng
好，谢谢。