114: 秘塔闵可锐2：“我不是演员”

欢迎收听晚点聊，我是曼琪。今天我们一次发了两期节目，嘉宾都是蜜塔创始人明可瑞。一百一十三期是我和可瑞在二零二三年年初的一次访谈，有意思的是那次大模型热潮初期的漫谈中有不少印证的预言。本。本期是二零二五年四月底，蜜塔发布新产品“今天学点啥”之后，我和晚点科技组的作者雨桐一起对明可瑞的访谈。我们从“今天学点啥”这个新产品切入，聊了蜜塔探索新产品的思路、组织方式和明可瑞对 AI 应用发展的思考。蜜塔持续推出了一些有口碑和用户的 AI 产品，包括蜜塔搜索等等。不过与之形成反差的是，在二零二三年大模型热潮之后，蜜塔并没有加速扩张和融资，仅在二零二四年新融了一亿多人民币，整个公司的估值也是低的保守。可瑞是一个直言坦诚甚至有些我行我素的创始人，我问他为什么不融更多钱，他说他当不了一个演员，他也。他也不知道为什么一些在他看来很拙劣的故事，不少投资人会掰硬，这超出了他的能力范围。就干不了这活嘛。他说最初看到 DeepSeek 的人才组织方式就觉得这非常对，我问他为什么密塔不是这么组织的，他说因为我们没钱。一方面，K瑞的一些观点似乎有些悲观，他会说我们摸着石头过河，大厂摸着我们过河，任何有潜力主要依靠大模型能力达到一千万 DAU 的软件应用，大模型厂商和大公司一定会自己做。另一方面，他依然在持续经营密塔这家已经成立了七年的小 AI 公司。拒。拒绝了去年的一些收购机会，下面我们正式进入本期节目，听一听这家小公司的生存之道吧。

程曼祺 Manqi Cheng

今天很高兴邀请秘塔的创始人闵可锐来做客《晚点聊》。可锐是一位 AI 老人，秘塔也是在这一轮 AI 热潮之前就已经存在的公司，成立于 2018 年上半年。一路上，秘塔也做过很多 AI 产品，每个产品都扎实地获得了用户，包括付费用户。

上周，秘塔刚发布了一个 AI 新产品，叫“今天学点啥”，4 月 24 日也上线了 App 版。简单来说，这是一个帮助大家学习的产品，我们之后会展开聊。

我之前和可锐沟通这期播客的时候，按习惯会发一个提纲。当时你就问我：“怎么还是开卷考试？”所以我这次就没发，这次是闭卷考试。

对，今天是曼琪，也就是我们科技组的作者，和我一起聊。所以今天我觉得，很多问题肯定都是可锐的第一反应。可锐，你可以先和我们的听友简单打个招呼。

好的，我是一个 AI 老人，在过去十多年里其实一直在创业，也都和 AI 相关。最近秘塔成立已经是第 7 年了，可能有些朋友已经用过秘塔的部分产品，从早期的秘塔写作猫，到后来做的秘塔 AI 搜索，再到最近发布的“今天学点啥”，其实都是希望通过 AI 赋能，帮助大家从获取信息到更好地进行学习，做一类效率工具产品。

1. 新产品只有七十分

程曼祺 Manqi Cheng

我们可以先从你们上周发布的新产品“今天学点啥”开始聊。发布之后有各种反馈，也有一些自来水，包括我周围就有不少人自发推荐。

对，我也和你交流过。

程曼祺 Manqi Cheng

我看到一个比较大的自来水，是《黑神话：悟空》的制作人冯骥。

是的，他发了一篇挺长的微博，也是我们预期之外的一次自来水。

程曼祺 Manqi Cheng

你和他并不直接认识？

我完全不认识。所以他发了以后，甚至也没什么朋友转给我。我想这两个圈子的差异其实还挺大的。

程曼祺 Manqi Cheng

那我是第一个转给你的吗？

那天晚上可能在你转给我之前不久，我们有一个运营同事从一个粉丝群里看到了，才转给我们。我们当时也觉得挺意外的。

他评价说：“这是他迄今为止用过的用户界面最好的 AI 工具，而且让他第一次清晰看到了 AI 改变教育的可行性。”实际上，你自己给目前这个版本的“今天学点啥”打多少分？你觉得哪些地方实现了你们的想法，哪些地方还需要改进？

我觉得这一定程度上还是有点过誉了。对于我们而言，目前推出的这个版本最多可能是一个 70 分的产品。尤其从界面上来讲，我们觉得还有大量可以优化和打磨的空间。

但是，整体上我们把它作为一个完整产品呈现出来的概念，以及它最后呈现出来的、去给人讲课的内容和感觉，可能做到了让我们自己觉得还不错。它可能是第一个能把这样一个端到端的效果串起来的产品，所以可能会超出大家对这类产品的一般预期。

我觉得界面还有巨大的提升和打磨空间。

那这 30 分除了界面有提升空间，还扣在哪儿了？

有非常多的细节都可以提升，包括生成文稿的质量、生成的幻灯片的美观程度，以及整个产品从功能丰富度来讲，都还有提升空间。

2. 家长需求改变方向

我们刚刚收到的一个反馈是，有很多想给孩子辅导作业的妈妈想用我们的产品来辅导，但发现还不太行。

怎么个不行？

它其实逻辑是这样的：我们现在的产品更像是，当你找到一个和自己关心的内容比较相关的素材以后，我们会把它转化成更友好的形式，用你喜欢的风格把内容讲出来。

但是讲题的逻辑很不一样。比如说，我给你一张试卷，我希望你像一个老师一样，首先告诉我这些题的答案是什么，然后用友好的形式把重点、难点和知识点勾勒出来，最后让孩子真正掌握这些知识点。

这其实超出了我们最早定义这个产品时的预设范围，但我们发现它非常有用，因为已经收到不止一个家长的反馈，希望用它来做这件事。

程曼祺 Manqi Cheng

所以你们最开始设计的时候，更多还是给成年人用的？

没错，更多是持续学习、终身学习的感觉。

程曼祺 Manqi Cheng

但很多人想给小孩子用。我发现这其实也是一个很直接的痛点，因为很多父母现在没有能力，也没有时间辅导孩子。他们确实需要一些软件或者 AI，在辅助层面帮助解决这件事。

对，挺有意思的。而且当我们看到这个需求以后，这几天已经在准备升级了。

这么快就能做到？

是的。所以节目播出的时候，对这个商业机会感兴趣的听众可能已经晚了，我们已经在路上了。

程曼祺 Manqi Cheng

所以这个事情的卡点是在产品设计上，而不是模型能力上？

很大程度上是我们当时没有意识到这个需求。产品放出去以后，我们才意识到有非常直接的需求。

程曼祺 Manqi Cheng

我的意思是，如果它卡在模型能力上，可能就不能这么快优化；但如果更多是产品设计思路上的问题，优化产品就可以解决，对吗？

我们理解，尤其对于 K12 这个级别而言，很大程度上现在模型的能力是能够覆盖的。它不是已经超出了现有模型能力的上限，而是需要用一个很好的体验把整个流程串起来。

程曼祺 Manqi Cheng

那你们什么时候会上线？

我估计快的话下周。

程曼祺 Manqi Cheng

像猿辅导这样的教育大厂，也可能会做这个场景，对吗？

我理解他们很多已经在做了，但是怎么收钱呢？我看到现在一个典型的收费方式是做硬件，比如学习机、学练机，用几千块钱的硬件承载其中一部分功能。

但他们没有单独做成一个纯软件产品，提供这样的服务，再通过软件收费。这在一定程度上会限制能够使用这项服务的人。

而且学习机从硬件角度来讲，很难匹配现在最好的手机和 PC 的运算能力，所以它能够提供的动效、画面质感，恰恰可能会差一些。这也是我们说的，把它做得更平权、更免费的一种方式。

程曼祺 Manqi Cheng

我觉得你们有机会做出很好的体验。比如我想了解一份试卷里的知识点，我拍张照片或者直接上传，然后让你生成一小时的课程，从头讲到尾，而且老师的水准基本在线。

它可能超过绝大多数老师。我们不说超过 99% 的老师，但超过 80% 的老师，很有可能是大概率事件。所以这是一个我们觉得很实用的场景。

你觉得“今天学点啥”继续发展下去，会变成怎样的形态？会变成教育方向的产品，还是内容平台？毕竟你们的课件也可以分享。

站在现在这个时间节点，去说它未来 3 个月到 6 个月以后是什么形态，可能都稍微有点早。

就像我们说的，我们可以从发布后的第 1 天、第 2 天看到一些反馈，然后做产品侧的调整。我们也在看整个市场对它的接受程度，以及它可能出现的应用场景，再不断调整下一步的优化方向。

3. 创业方向靠直觉收束

接下来也可以讲讲，你们是怎么具体聚焦到这个方向的，包括在做产品调整时的策略。

我前段时间和一个投资人，也就是你们的投资人聊，他有一个总结挺有意思：现在市场上最缺的是好的创业方向，其次是好的 AI 产品经理，最不缺的可能是技术人员。

你们是怎么想到做“今天学点啥”这个方向的？中间有没有讨论过其他方向？它是怎么收束到这个点上的？

我觉得很多人对于我做产品有一些误解。很多人对我们的预期是，我们是一家产品导向的公司，所以有一个强大的产品团队。

实际上，我们 80% 以上的产品策略决策，都是我拍脑袋做的。

程曼祺 Manqi Cheng

包括刚才说的，给家长用户做优化？

对。其实这个决定也很快，因为如果下周就上线，说明你们更早就做了这个决策。

程曼祺 Manqi Cheng

但在这之前，你们会做市场调研吗？你怎么判断这是一个很大的需求？一两个人的反馈可能并不能说明什么。

实际情况就是，我觉得它是一个大需求。一两个人的反馈确实说明不了什么，但是我会听到很多重复性的反馈。

在我的逻辑链路里，如果我觉得这是一个不重要、或者不太成立的事情，我也不会去做。但有时候哪怕只是零星地拿到一些需求，如果我能够非常自洽地推导出它的重要性，我就会很快做决策。

有时候它甚至未必形成特别严格的数据、体系或流程。在大厂里，产品经理想发现一个问题，可能要证明整个事情，提供调研数据，开评审会，再拉上技术讨论可行性。技术评审完以后，还要讨论排期，最后做开发和发布。

程曼祺 Manqi Cheng

你还挺懂大厂。

多多少少知道整个流程。但有时候我会试图把这个事情压缩在 10 分钟的考虑周期里，直接决定它应该做，而且优先级应该很高。

你可以讲讲之前的过程吗？包括最近的新产品、之前的秘塔搜索，以及更早的秘塔写作猫，都是这么快做决策的吗？在这个过程中，你的直觉来自哪里？

我觉得这几个产品大概率都还是用户导向的产品。如果是专业属性或者 B 端属性非常强的产品，你需要对这个特定群体有深入了解，而且很多时候，对这类群体的了解也不能通过简单采访获得。

比如你去问一个 B 端用户某件事需不需要，得到的往往都是“需要”。大家的沟通其实很无效。

包括我们自己做产品，我觉得这也许不是一个好习惯：我最近两年真正向外求的沟通越来越少。但我会看很多反馈，只是正式地去做采访、调研的时间非常少，剩下的就是自己脑补。

那你可以以“今天学点啥”和秘塔搜索为例，讲讲你大概是怎样思考、怎样向内求的吗？

4. 搜索最终通向学习

“今天学点啥”很典型。过去一年多，我们一直在做搜索。我们发现，搜索，尤其是新一代 AI，让大家获取信息变得更容易了。通过一个简单的提问，或者几个关键词的组合，它可能就能形成一段相对完整的信息和内容。

但现在 AI 搜索提供的回复，往往是一篇 300 到 800 字的小作文。如果你的提问比较精确，比如是事实核查类的问题，这个长度其实是够的。

但大家在很多时候寻找信息，并不是希望得到这么精确的答案。对于偏模糊、甚至是比较大的主题类问题，我们在做 AI 搜索时就意识到，可能需要把原文、PDF，或者和提问相关的优质材料，以原文的形式推荐给用户，方便用户学习其中的内容。

有些材料的上下文可能有 100 页，而这 100 页很可能是你未来很好的学习材料。

所以一方面，我们认为 AI 搜索做了一定的信息抽取和压缩，它对一类问题特别适用，但不是对所有问题都适用。

过去两年大家经常提到一类 AI 总结产品，我们也觉得它的应用场景其实比较有限。

你说的 AI 总结产品，指的是哪些？

ChatGPT 推出后大概一年左右，市面上可能出现了超过 100 个利用 ChatGPT 做总结的产品，包括音频总结、视频总结、播客总结、微信公众号文章总结。也有很多产品把总结作为一个功能，比如小宇宙最近也加了播客要点总结。

但我们觉得，这类产品的信息损失可能非常大。不同的人对同样内容的关注点是不一样的，而真正有价值的深度信息，可能不是总结出来的。

所以我们恰恰觉得，这件事可能要倒过来做。第一步是帮助用户找到有价值的原始材料，但消化原始材料对绝大多数人来说都很困难。

我把一本名著、一本好书丢给你，说这是一本 800 页的书，你自己去看。很多人读《百年孤独》的时候会觉得里面的名字太多了，每次读到第 50 页，已经搞不清楚出现过哪些人物。

大多数材料，包括论文，首先预设你可能已经掌握了一些知识，而且行文符合学术规范。可对于很多读者来说，这恰恰是不太友好的形式。

所以有没有办法让这件事变得更容易？不光帮你找到东西，还能让你真正更好地吸收内容？

程曼祺 Manqi Cheng

你是几月份开始想这件事的？

应该差不多从去年年底开始。那时我观察到这个需求，觉得应该倒过来做，不是做总结，而是把它连接到更多知识，并用一种比较好的形式，让更多人了解这些深度知识。

而且这可能也不是某一天突然灵光一现。在此之前，我们之所以做秘塔文库、学术等产品，也是因为我们认为原始内容素材本身有很高的价值。

我觉得你们现在的交互确实挺好。我来之前，把你和曼琪 2023 年聊的那一期节目作为一个很长的上下文，放到“今天学点啥”里面去学习。你可以讲讲里面有哪些让人惊喜的体验吗？

可以。

一个体验是，你上次和曼琪聊了很多 Transformer 架构，提到 decoder、encoder 这些区别。聊到 Transformer 的时候，它会自动弹出一个架构图。

是。

比如 RNN 的结构，它也会讲；encoder 和 decoder 是什么，它也会介绍。而这些并不是你们当时聊到的内容。这个是你们提前准备好的，还是即时生成的？

即时生成的。你基本不可能提前预定哪些内容能够生成。

它是一个非常好的形式。我们当时聊到了 Transformer 和 BERT 的一些区别，但口语表达里没有完整解释，也没有结构化展示。可在你们的产品里，它会生成 Transformer 和 BERT 架构的图示区别。

对，它有时会给你补充一些辅助材料。图片是我们认为很好的辅助理解形式。

另外，有时候所谓的专家，或者一个行业里最厉害的人，恰恰不适合讲课，因为他离普通人太远了。他可能觉得这些知识大家都应该理解，但实际上，绝大多数人对他习以为常的信息都感到陌生。

所以我们在“今天学点啥”的讲稿里，会更多使用比喻、类比等方式。它不只是告诉你 LSTM 和 Transformer，而是会补充一些注解。

比如 Transformer 相比 LSTM 的一个很大优势是，LSTM 需要一步一步处理，后一步的信息依赖于前一步，所以执行速度比较慢；而 Transformer 可以更好地并行。这样的背景信息，会显著降低读者或听众的理解门槛。

5. 通用 Agent 仍然太早

之前我们聊到你们快要发布新产品时，我的第一反应是问：是不是一个 agent？你说不算。为什么你们没有先去做 agent？

从去年到今年，大家讨论了很多 agent 方向的产品。我觉得这是一个很奇怪的事情：你难道不应该去做市场上有价值、但大家还没有做的事情吗？为什么要去做一个大家都在做的事情？

程曼祺 Manqi Cheng

搜索之前也有很多人做。那你怎么判断价值？

我们的理解是，我们做 AI 搜索的时候，国内确实没什么人在做。我们大概在去年 12 月底立项，那时搜索还不会被认为是一个主赛道，也不算主流应用。

我换一个问法。我不是说你们现在为什么没有做 agent，因为你现在发布的产品肯定是之前就开始做的，而且你也说过去年就有这个想法。

我是想问，你们去年为什么没有考虑做 agent？因为从去年年底开始，已经有很多人在讨论这个方向，包括 YC 投了很多 agent 公司。

我们判断一个方向值不值得做时，agent 没有给我一个特别好的直觉，我没有立刻想到哪个方向会特别好。

我觉得，哪怕在 2025 年上半年这个时间节点，一个偏通用性质的 agent，仍然面临很大的大模型能力挑战。

你怎么定义 agent？

就是大家通常理解的 agent：它能够自行调用工具、拆解步骤、处理任务，并且交付结果。它可以完成一个任务，这个任务可能是写入类的，也可能是对外执行某些事情。

比如做一个网页。你们在秘塔搜索里也有能做网页的功能。

是。类似的概念出现得非常早。2023 年上半年，也就是两年以前，大家已经可以看到对 agent 的想象：它可以帮你做任何事情。

这种产品需求肯定是一个非常理想化的存在，所以有这样的想法并不稀奇。但它什么时候能够达到让绝大多数人觉得“它真的能工作”的阶段，我觉得这才是实际难度。因为二三年的那个产品Auto G P T吧，我自己去试用了十五分钟，我当时的一个结论就是这个现在不会work的。虽然那个时候已经很火了，我觉得也是什么一周时间在GitHub上有几万个star，几万个点赞的数量，但是就是我自己体感来讲的话，我使用十分钟，我就会觉得这事儿不work。

Manus 你用过吗？

没有直接用过，只是看过 demo，测试过一些 demo。

和两年前相比，它肯定已经明显更能工作了。

对。

你没有特别迫切地想找一个邀请码，自己试用一下吗？

没有太迫切。因为我多少会对这条路线有一个预测：哪些事情它能做到，哪些事情它擅长，我大概有判断。

之所以最近半年生成好的 PPT、生成好的网页开始流行，是因为 Claude 的大模型能力在最近半年能够把这件事做得比较好了。

所以有时候我看到很多 agent 的宣传，拿出一些精美的结果，说“你看我能交付这么好的结果”，我会想，这到底是谁的功劳？答案不是“很可能是 Claude 的功劳”，而是我确切知道，这是 Claude 的贡献，让它现在能够生成看上去不错的结果。

那“今天学点啥”的功劳是谁的？

这里面相当一部分也是借用了现在最好的模型，比如代码能力、HTML 生成能力。当然，整个核心模型我们是拿过来自己训练的。

这可能和一部分人的理解不一致。现在很多 agent 直接调用第三方，尤其是海外的大模型；但我们是在国内以合规、合法的方式进行调用。后面还有一部分我们会展开讲。

回到你刚才说的，你觉得在 2025 年上半年，目前模型能力要做出真正能工作的 agent 产品，仍然有很多挑战。具体有哪些挑战？

我认为和 2023 年的情况其实一样。2023 年很多 agent 的工具调用、规划能力可能只有 20 分、30 分。你从 100 个任务里找到 3 个能够工作的任务，拿出来做 demo 展示。

到 2025 年，100 个任务里可能有 30 个能工作，而且工作得还不错。但问题在于，大家对这件事的预期究竟有多高。

如果你的预期是，我给你 100 个任务，你至少要有 95 个能够成功执行，而且达到或超出我的预期，那现在可能还没有跨过这条线。

所以你觉得通用 agent 还没有跨过这条线，是因为通用 agent 涉及很多发散任务，而用户预期它都能完成得比较好吗？

是。它很难被定义清楚的一个问题是，你的预期到底有多通用。

比如有人举过一个例子：你告诉它，“我现在有一台电脑，我想挣 1 亿美元，你给我一个方案。”你预期它真的能 work 吗？

就是把它当成阿拉丁神灯。

没错。所以什么是一个它应该能够执行的合理任务，什么是纯粹许愿式的任务，我觉得这之间存在一个问题。

在你的逻辑里，比较垂直、面向特定人群的 agent，可能就是在 100 个任务里，把其中 20 个、30 个做好。这类方向还是很有机会，对吗？

这一定程度上涉及两个方向的竞争。

如果你做的是单点任务，比如 20 个任务里有 2 个和法律相关，帮用户审合同，这个任务有单点价值。那你就会面临有公司专门出来优化这个方向：我放弃所有通用任务，只在这个单点上把它做好。这当然有相应的价值。

另一个方向是，通用这件事本质上是现在 AGI 基础模型公司在追求的事情。

所以模型和应用之间的边界会非常模糊。

是的。

6. 法律 AI 必须交付结果

程曼祺 Manqi Cheng

秘塔最开始的第一款产品是法律翻译，面向 B 端和专业人群。你们在法律业务上，或者针对律师这个人群，有没有计划做更智能的 AI 工具，帮助他们完成更多事情？

我们考虑过。过去几年里，我们不断考虑过这个问题。

我现在得出的一个悲观结论是，如果你在中国做辅助律师的产品，基本没有机会。投入和产出是不对等的。

程曼祺 Manqi Cheng

明势是你们的天使投资人，对吗？他们最近投了一家公司，叫爱律。

我知道，但我没有实际了解。

程曼祺 Manqi Cheng

他们的逻辑和你刚才说的第二个逻辑有点像：不是辅助律师提升效率，而是直接交付结果。

对。尤其是在中国的 B 端场景里，唯一成立的方式可能是纯粹意义上的替代。不要做一些“辅助你提升效率”的事情，而是帮你拿到业务结果，这才有价值。

程曼祺 Manqi Cheng

但这对你们来说就太重了，走得太远了？

是。去年年底，我们严肃考虑过这件事。

在一些中高频的法律场景里，我们能不能端到端把事情完全做完？当时我们找了业内一两家律所聊过。你可能听过“网约所”这个词，就是以互联网接单为核心的律所。

这件事会变成一个非常像流量生意的事情：我通过抖音、快手等渠道投放，获得大量案源。我们看到很多案件，也相信其中有一部分能够自动化。我们觉得，投入合理的研发资源，应该可以把它做到自动化，最后直接交付结果。

理论上，它的效率可能比传统律师高 100 倍。我们觉得这个机会是存在的。

程曼祺 Manqi Cheng

那你们严肃考虑过，但最终到目前为止还没有这么做，原因是什么？

我们聊过的那家律所，有一个很大的特长，就是擅长做前端获客。这本质上是一个非常销售导向的事情。我们目前还没有信心说自己能做好。

一旦找第三方合作，我们理解很大程度上会卡在合作配合上，很容易互相不理解对方到底想要什么。

程曼祺 Manqi Cheng

看上去这件事要成立，可能真的得自己做一家律所。

明势投的爱律，我理解它本身就是一家律所。它接的是银行要账一类的诉讼，创始人有金融背景，所以某种意义上解决了你说的前端问题。

而且它把方向聚焦到非常具体的范围，所以我甚至觉得，它不一定需要最好的技术，也有机会把这件事做好。

对。我们当时想的是，技术层面可能会更通用一些，因为他们接的案子的复杂性和多样性会更多。

7. 收入决定产品取舍

你们现在选择做什么应用、不做什么应用，完整的思考逻辑是什么？

我觉得这个问题比较复杂。尤其最近两年，整个 AI 领域存在高度不确定性。

更直接地说，但凡你做出一个东西，就等着 3 个月以内市场上出现各种同款。

其实你刚才已经回答了一部分。我问的是你们做什么产品方向，你刚才提到了收入，所以首先有一个条件：你觉得这个东西要能获得收入，才会去做。

在国内市场，无非就是追求两个东西：用户或者收入。两个至少要奔着一个去，两个都拿到当然最好。

程曼祺 Manqi Cheng

你觉得秘塔要追求收入，优先级高于用户数和增长？

一定程度上，收入的基本逻辑是，你首先得有能力存活下来，独立成为一家能够存活的公司。

过去 7 年里，有很多曾经名噪一时的公司，要么已经不存在了，要么已经收缩到非常小的状态。

程曼祺 Manqi Cheng

你 7 年前创业时就是这么想的吗？还是中间发生了什么事情，让你变成现在这样？

你没发现我们一直挺保守的吗？

程曼祺 Manqi Cheng

对，你们一直很保守。我们也聊过很多次，我知道你一直是这种想法。

你 2018 年创业时，其实是在上一个 AI 热潮的尾巴上。那时候还没有完全进入低谷。那时有一种创业方式，是融很多钱、讲一个很大的故事，把规模做大。

但你们一直不是这条路线。你一直很看重收入、真实用户和现金流，是什么原因让你有这样的想法？

因为我哪怕讲真话，别人都不相信，更不要说编一个连我自己都不相信的故事。

程曼祺 Manqi Cheng

所以你开始创业时，就已经认清自己做不到融很多钱的创业路线，也不想做这件事？

一定程度上，首先它超出了我的能力边界，我很难做到。另一方面，我有时也不理解一些看似很拙劣的故事，为什么很多人会 buy in。

我也把握不住这个边界：什么样的故事能让很多人相信，明明有问题，大家却还能广泛接受。

我会想，如果我是投资人，可能会质疑这个故事的哪些地方。反过来，当我讲这个故事时，如果有人问我这些问题，我可能回答不上来，就会觉得这是一个很大的问题。

我讲的时候会有心理障碍，觉得这件事不能这么天马行空地编。

程曼祺 Manqi Cheng

2023 年是新一轮 AI 热潮。热潮来了以后，你们的节奏好像也没有改变，之后披露的融资也只有一次。

对我们来讲已经很快了。我们前 6 年也就两轮融资，其中一轮还是刚开始创业时。

程曼祺 Manqi Cheng

你不认为这是一个需要改变的事情吗？最近两年行业发展非常快，媒体和投资人对很多事情的判断，可能每 2 到 3 个月就会反转，甚至 180 度调转。

这反而让我觉得融资很困难。哪怕你愿意成为一个很好的演员，两个月以前你讲了一个所有人都认可的故事，但尽调还没做完，大家的心态已经 180 度转变了。

所以即便你愿意这么做，操作难度也非常高。我干不了这个活。

程曼祺 Manqi Cheng

回到产品做什么、不做什么的选择上，有收入和现金流是其中一个原则。还有其他原则吗？

还是想做用户认可、喜欢，并且相对有长期价值的事情。

很多产品很容易火两周。有些产品创意很好，有爆款传播属性，过去 7、8 年里，差不多每年都会出现一个。

但如果你花 3 到 6 个月投入研发，只为了火 2 周，哪怕在全球范围内成为爆款，你怎么把它接住？

所以我们做很多产品时，更倾向于这件事不必以 go viral 的方式特别火，但最好能提供持续价值。

比如把搜索做好，是一个相对有长期价值的事情；把“今天学点啥”做成能够把内容讲好、降低教学门槛的产品，我们认为也可能具有长期价值。

程曼祺 Manqi Cheng

其实 go viral 和长期价值并不矛盾。

有些产品是确定性地没有长期价值。比如在抖音上做一个滤镜，你知道它一周内可能火遍全球，但不可能让大家用同一个滤镜一年，每天还在同一个滤镜下互相传视频。

程曼祺 Manqi Cheng

那就不断产生新的滤镜。

但即使不断产生滤镜，也很难维持持续热度。就像以前的小咖秀，它有一种形式，比如扮演电视剧角色、对口型等等。我觉得那是一种流行。

有些 AI 产品可以契合流行，但你要接受，流行不可能一直流行。它一定会快速达到波峰，然后快速掉下来。

程曼祺 Manqi Cheng

我原来以为，你可能是不想花精力去做病毒式传播。

首先，要达到那个传播级别，从产品研发角度也需要很多投入。

程曼祺 Manqi Cheng

我的意思是，你会不会觉得这会让你分心，在长期价值和病毒式传播之间做选择？

是的。而且很多时候，那种级别的传播是无法预测的。

程曼祺 Manqi Cheng

它有很多综合因素。

没错，很多因素是你掌控不了的。DeepSeek 是一个很好的模型，这件事是你可以控制的；但它最终变成现在这个知名度，是你很难提前判断的。

所以你们每次发布新功能、新产品，基本也不找人来造势，对吗？

一方面，账上的钱和头部公司相比相对有限。有时我们觉得自己已经很努力了，也会投一些预算。

但我们大概知道，像元宝这样的巨头，一天能砸多少钱。他们可能一天就把你一年的预算全部砸进去，所以没法跟他们比。

他们一天能砸多少钱？

几千万吧。而且我还不清楚，内部渠道给你微信里做一个九宫格，这算不算钱？如果算钱，那很难计算。其他公司愿意花多少钱，让我在那儿占一个格子，这可能根本不能用钱来算。

这种资源你们肯定不具备。

程曼祺 Manqi Cheng

你刚才也说到，外界对你们有一个误解，认为你们是一家产品导向的公司，可能有一个强大的产品团队，不停想产品该怎么做。

8. 应用驱动优先于模型

2023 年 3 月，我们这一轮 AI 热潮刚开始时聊过一次。我当时问你，秘塔的重心到底是模型还是应用。你很明确地说会以应用驱动，因为如果没有应用侧重，就会变成好像什么都懂，但什么都只做到一个不太可用的状态。

是，现在国内某几家大模型公司就遇到了这个典型问题：不断发布模型，但你会发现模型永远比最头部的几家显著差一点。

你面临的是一个非常平的世界。比如我发布一个写代码的模型，大家就是拿它和 Claude 3.7 比，没有人会说我只关心国内代码生成能力排行榜。你要用，就会用最好的模型。

我这几天在看我们当时聊的内容，觉得你当时的描述还挺前瞻的，预言了很多事情。

我觉得还有很多比这更前瞻的事。比如我们 2018 年刚成立时就在用 Transformer，当时没有人认可，也没有人理解。

我们对很多事情的理解，比同时期的人更早，甚至比之后一两年的人也更早。但恰恰因为这样，有时大家更难沟通。

跟谁更难沟通？投资人吗？

整体上，大家的判断都不是这样。举个例子，我会认为 DeepSeek 的人才策略不就应该这样吗？

但包括现在很多大厂在模仿和学习，是因为他们看到了成功案例，看到了最后的结果，再倒过来复盘原因，然后学习。

我看到这种策略时，会觉得这不本来就应该这样吗？但别人往往要等看到结果之后才理解。

但秘塔也不是这么组织的。你们不是研发密度很高的公司吗？

我会告诉你这是为什么：因为我没钱。如果我有钱，我也会这么干。这是一个非常实际的问题。

他可能一个人的研发成本，就相当于我们十个人，甚至不止十个人。我可以评论这件事，但很难直接跳进去做。

你们是比较明确的应用驱动。我本来想问，你怎么看 DeepSeek 这种非常侧重研发的策略？它虽然也做产品，但产品实际上没有太多优化，甚至没有特别照顾用户能不能顺利用上，还是会宕机。

我觉得是个人品味。我觉得梁文锋的品味挺好。

如果你是一个聪明人，也知道和你竞争的是绝顶聪明的人，你没有太多可以 leverage 的地方。你不可能一心三用，同时兼顾 8 个产品、两条研发线，还把每一条都做到碾压竞争对手。

看到一个大机会，旁支也有一些机会，但从自己的兴趣和品味出发，压住其中一个，把所有资源放在上面，把事情做到最好，牺牲产品，这个策略对于绝大多数公司都非常难。

因为你要说，这些人我不要了，这些用户我不 care。

程曼祺 Manqi Cheng

那你觉得 DeepSeek 长期怎么产生商业价值？还是这件事不在它考虑范围内？

它为什么一定要产生商业价值？如果你是一个足够有钱的人，有两个选择。你可以希望在这件事上赚更多钱，也可以选择把它当成消费。

比如我为什么要买一辆豪车？我在那边赚了钱，可以在这边消费。

程曼祺 Manqi Cheng

你觉得 DeepSeek 或者幻方的钱，够它一直这样消费、一直为 AGI 买单吗？

我觉得在现在这个时间节点，整个局势又发生了很大变化。它已经成为中美博弈中的一个重要角色。

所以现在它要拿钱，有其他渠道可以拿，而且不需要承诺收益性质的回报，也一定能拿到钱，甚至能拿到比其他公司多很多的钱。

但它做这件事时，很难先去计算收益。就先别算了，当成买了一个大玩具。

程曼祺 Manqi Cheng

字节、阿里、腾讯也都足够有钱，但好像没有任何人把这件事当作消费来看待。

这就是问题。它们的人才总数可能不比 DeepSeek 少，投入的钱一定远超它，卡的总数也超过它，最后为什么不是它们把这件事打通、做出来？

程曼祺 Manqi Cheng

你觉得我们现在能非常客观地评价，阿里自己的模型和 DeepSeek 的模型孰优孰劣，或者评价它们整体的模型研发能力吗？阿里有通义系列，规模也很庞大。

我觉得阿里在这件事上，从全民级传播来看有点吃亏。

严格来说，你说它和 DeepSeek 之间存在巨大鸿沟，我认为其实没有。我相信在 R1 出来之前，阿里内部肯定已经有团队在通过强化学习、生产更好的数据，做推理相关的研究。这些事情肯定都发生过，不是看到 DeepSeek 后才跟进。

但有时可能缺乏一个契机，把这件事引爆。如果一个是 A 级，一个是 A- 级，我觉得不会是特别大的差距。

程曼祺 Manqi Cheng

那字节不在这个范围里吗？

以它花的钱来讲，我觉得肯定不是 A 级。

程曼祺 Manqi Cheng

如果先不考虑它花的钱呢？你们的结构也是大模型和小模型结合，会用到别人的大模型。比如豆包模型，你觉得它的能力怎么样？

首先，这件事一直处于动态变化中。6 个月以前我测它，可能觉得不太行，但很难说它 3 个月内不会有显著提升。

另外，我觉得这几家公司确实面临一个很大的挑战：一方面在卖自己的 API 和模型，另一方面又想吃掉所有应用，还希望所有应用来接自己的模型。这在逻辑上本来就不对。

程曼祺 Manqi Cheng

为什么？这难道不是对的吗？

但凡是一个应用侧的大玩家，都会对此有顾虑。我建立的很多能力依赖于你，结果你过几天推出一个同样的产品，这对我来说是巨大的挑战。

程曼祺 Manqi Cheng

所以元宝不可能接阿里的模型或者字节的模型？

我觉得不可能接字节的。阿里的一个显著好处是有很多模型开源，你还可以说这是自主可控的：我把开源模型拿来学习，再进一步调优。

Llama 4 发布之后，我看你发了一个朋友圈，说：“一流的资源、二流的团队，干不过二流资源、一流的团队。”字节肯定有一流的资源，你觉得它的团队现在算一流吗？

这个问题你还能不剪掉？

他的人倒是挺强的。

我觉得它汇聚了一些比较强的人，这是一个问题；怎么发挥这些人的价值，是另外一个问题。

我当时觉得字节很大的问题是，很多强人能不能被很好地发挥出来，这很大程度上取决于一号位。一号位会有非常强的带领作用，因为核心资源的调配和这件事有关。

字节团队整体的人才密度没有问题，但它的组织也有一个问题：如果不拿具有相应背景或履历的人，你很难压住这个场子。

你很难说，一个进字节 3 年的博士就是最好的人，然后让他作为核心来分配资源，决定字节大模型下一步怎么走。

程曼祺 Manqi Cheng

你觉得张一鸣不能成为梁文锋那种角色，原因是什么？梁文锋是计算机出身，但可能也没有非常系统地做过 AI 研究。他作为公司一号位，直接下场去带团队。

你对搞量化的人有什么理解？

程曼祺 Manqi Cheng

我的理解可能比较浅。我主要看了我们《晚点》自己写的那篇文章，因为采访了很多做量化的人。

我知道量化从业者里有很多是信息与计算科学出身，也有很多是计算机背景。我就是计算机背景，所以对这个群体比较了解，大概知道他们擅长什么，以及他们看重哪些技术。

做量化的一帮工程师，是对硬件压榨最极致的一群人。对他们来说，0.1 毫秒可能就意味着 1000 万美元，这件事可以直接换算成钱。

绝大多数互联网公司的工程师，对这些事情并不敏感。你甚至可以出一道面试题：我现在有一个磁盘文件，读取这个文件需要多少毫秒？即使是很好的学校毕业的学生，大多数也缺乏这个概念。

你其实不知道要读多长时间。再比如，写一个简单的 for 循环，一秒钟大概能执行多少次，数量级能不能答对？哪怕是计算机专业的毕业生，很多人也答不对。

但量化的人对这些事情非常清楚。所以你可以看到，DeepSeek 很多论文里的工程化创新做得非常细，这和他们原有人员的能力、素质和属性有关。

梁文锋可能不是大家理解的、拥有很长时间 AI 研究经历的那类人，但他在工程实践和优化上很有经验，可能是最极致的一类人。

这不是你在互联网公司工作 10 年，就一定会接触，或者一定会尝试优化的方向。

程曼祺 Manqi Cheng

他们团队后面应该又补充了一些算法能力很强的人，形成了一个组合，包括数学上很强的人。

我们回到你们做应用这件事。你们最开始很明确是应用驱动的，具体做什么应用，我觉得秘塔这 7 年其实有一个从更专用到更通用的转变。

最开始的法律翻译，是直接卖给律所的垂直 B 端产品；到秘塔写作猫，面向写作人群，但已经更泛；后来到搜索，覆盖的人群更广；现在“今天学点啥”也是一个比较泛的 C 端产品。

我的观察对吗？为什么会有这样的转变？是什么原因导致的？

坦白讲，一个很大的问题是，中国的专业市场很多时候还是偏 B 端或者偏专业人群，规模太小，付费意愿也可能有限。

这可能不只是我们遇到的问题。放眼整个中国，过去 7 年投 SaaS 的公司，有哪家算活得很好呢？这是整个行业都遇到的挑战。

程曼祺 Manqi Cheng

你们也受到了一些外部冲击。

我之前和一伟师兄聊，他提到你们以前服务过很多欧美比较顶尖的律所，因为做法律翻译，他们很多需求都和商业、投资有关。后来因为中美关系变化，律所自身的业务也需要调整。

过去几年，律所业务本身就面临很大挑战，整体下滑了很多。

程曼祺 Manqi Cheng

所以你们后来开始做更泛 C 端的产品，和最开始的垂直产品遇到瓶颈有关？

坦白讲，是的。

换句话说，如果这是一个平行世界，我们在美国做很多面向专业人士的产品，也许会沿着那条路径继续走。因为你会发现，美国有些服务律师和律所的 B 端产品，有机会做到 1 亿美元年收入。

最近海外有几家公司完成融资，比如 Harvey，它们可以融到几亿美元，年经常性收入也能做到 1 亿美元级别。

对我来说，灵活性在于，我既能服务非常专业的 B 端人群，深入理解他们的需求，也能做 C 端产品。我甚至觉得自己也可以做基础模型，只是没有人相信。

程曼祺 Manqi Cheng

你自己最想做什么？不考虑钱。

做长期有价值的事。产品算，基础模型也算。

程曼祺 Manqi Cheng

这是一个妥协的回答吗？

不一定。对有些人来说，他们会奋不顾身地选择其中一个。但对我来说，这几件事本来就没有特别强的偏好，不是说我一定非做哪个不可。

它们都是有价值的事情，只要做得深入，我觉得都值得。

程曼祺 Manqi Cheng

你在 2023 年初说自己能做基础模型，一定不会有人相信吗？

可能还有一个问题。当时我们其实没有明说这件事。

我发现，如果我不说自己能做基础模型，只说我们有几十张卡把模型训练出来，大家都已经不相信了。还没有开始吹牛，大家就不相信事实，更不要说对未来的预测。

当时我们说用 20 张卡训练 100 亿规模参数的模型，很多人说这不对，这个数字和他们听到的对不上。

程曼祺 Manqi Cheng

你会羡慕杨植麟那样能融到很多钱，然后自己训练那些模型吗？

你会发现，这件事比较尴尬。去年这个时候和今年这个时候，整个市场已经又发生了 180 度变化。

不考虑 DeepSeek 这件事，单就我的观察来说，拿到超出正常范围的资源，本身也是一件很有压力的事情。我没有那么心大，不会觉得钱越多越好，你们随便投，我都照单全收。

这可能是不同人的特性和能力。有的人有一种能力，比如孙正义，他可以募到很多钱、讲很大的故事，但他其实也承受了很大压力。

程曼祺 Manqi Cheng

但他能扛住。

对。我觉得对他来说，这个压力可能相对比较小。

我记得非常清楚，我们团队有一个清华博士，股票跌 10% 他就真的睡不着，必须把股票卖掉、清仓，才能睡得着。

不同人对压力的感受，和学识、教育没有太大关系。我就是扛不住。

同样，如果股票跌 10% 都扛不住，那你想，手上拿着 1 亿元，外界还对你有各种未来的期待，你能不能扛住？不是所有人都有这样的心态。

程曼祺 Manqi Cheng

你刚才提到，最开始在中国做了一段时间面向企业的 SaaS 服务后，发现获得可观收入很难。你们没有想过出海吗？

我们现在正在考虑。我们觉得“今天学点啥”是一个很适合出海的形态。

程曼祺 Manqi Cheng

搜索不是吗？为什么？

因为即使在美国这样付费习惯比较好的地方，Perplexity 也没有收到太多钱。当然这只是一个事实。

我的基础判断是，搜索对绝大多数人来说，仍然是一个免费性质的服务，尤其是通用搜索。

去年也有人问我们出海，但我当时认为，这件事很难做到一出海就马上产生非常大的收入。

程曼祺 Manqi Cheng

回到前面讨论的产品标准和原则：你希望产品有收入、有用户，但有时两个指标的权重不一样。

如果希望它成为一个月经常性收入 100 万美元的产品，可能不需要那么多用户。只要产品粘性和交付能力不错，欧美用户有付费习惯，可能几万订阅用户就能达到这个水平。

收入和用户，哪个对你们的优先级更高？

对我们今年来说，希望把权重更多地调向收入。去年不是这样。

程曼祺 Manqi Cheng

去年受什么影响？

包括前面说的，很多投资人愿意下注，一定程度上是希望你跑出一个 C 端、高用户基数的产品。

程曼祺 Manqi Cheng

那你们算做到了吗？

以我们的投入来看，秘塔搜索算是做得合格。去年 3、4、5 月，增速非常快，达到 500%、600%。

程曼祺 Manqi Cheng

那是刚开始，基数小，所以增速快。

我们现在差不多快到 100 万日活了。

程曼祺 Manqi Cheng

100 万日活已经挺好了，很多大厂产品也差不多是这个规模。

你今年想把重点调到收入上，会对应产品和应用策略上的哪些变化？

比如可能要做海外。刚才已经提到，这是一个很重要的方向。

有时产品不需要变，环境变了，不等式就可能从不成立变成成立。

程曼祺 Manqi Cheng

做海外的话，你们会把人也迁到海外吗？

暂时没有这个打算。

程曼祺 Manqi Cheng

为什么？你们当时做法律业务时，为什么没有想过出海做翻译？翻译也可以出海。

这是我们当时的局限性。我们没有观察到海外法律市场应该从什么方向切入，也没有看到怎样快速把这件事做起来。

程曼祺 Manqi Cheng

今年希望把重点更多放到收入上，和什么变化有关？

到去年年底，我们大概看清楚了今年市场会发生的变化：我们的对手可能不是市值 100 亿到几百亿元的公司，而是市值 1000 亿、甚至 1 万亿元以上的公司。

程曼祺 Manqi Cheng

你当时从什么迹象看出来的？

各种看到的、听到的迹象。公开信息可能在春节以后更明显，但这显然不是春节时才拍脑袋决定的。

到去年年底，我觉得腾讯元宝在 2025 年大概率会在牌桌上堆 50 亿元。阿里也会在牌桌上，可能不低于 50 亿元；字节显然也会堆不低于 50 亿元。

阿里去年下半年把通义调整到智能信息事业群，我觉得这是比较明显地要在 AI to C 上发力。于是问题变成，如果前三家公司先锁定了 1000 万以上的日活，我们到底是要解决 100 万到 200 万日活，还是先解决别的事情？

市场看你很简单粗暴。如果你能跑到前两名、前三名，我可能会这样判断你。但当这些资源如此雄厚的玩家进场后，你基本已经知道前三名是谁。

现在的意外反而是 DeepSeek 也冲进了这个榜单，而且到目前为止还是第一。这是这三家公司都没有考虑到的变量。

所以我不会假装说，巨头可能不会这么做。以我们对这件事的悲观理解，你得相信最坏的事情一定会发生。

程曼祺 Manqi Cheng

你真的是一个很谨慎的人。你会不会有时觉得自己太保守，错失了一些机会？

我错失的可能是我没有能力拿到的机会，所以它也不算错失。

程曼祺 Manqi Cheng

你真的很自洽。你能力有限，所以即便想做，也没有办法讲一个故事，拿 50 亿元放在账上。

那说明这件事不是我擅长做的，我也不能这么做。

程曼祺 Manqi Cheng

秘塔一直是一家有口碑、有讨论度的公司，但 2023 年之后居然只融了 1 亿元人民币，比上不足、比下有余。

这是因为你融不到更多钱，还是你有意控制了融资节奏？当时没有投资人想投更多钱吗？

在那个节点，我们拿到更多钱应该没有问题。但对我们的判断来说，多一些钱，难道就要和头部公司去 PK 同一个模型吗？这是不可能的。

如果你以偏应用的形式跑这个市场，恰恰不需要那么多钱。

程曼祺 Manqi Cheng

偏应用也可以融很多钱。比如 Manus 最近宣布融了 7500 万美元，估值已经到 5 亿美元。做应用，有更多钱不好吗？

去年我记得你们特别火的时候，还有一个不知道是真的还是假的传闻，说 BAT 都来你们家堵门，非要给你们钱，最后你们拿了蚂蚁的钱。

确实有人来聊，不管是投资，还是花一笔钱把我们收掉，都有。反正就是有人对我们感兴趣。

程曼祺 Manqi Cheng

收你们需要多少钱？

不需要多少钱。花一笔钱把你收掉，可能还不如投几家大模型公司需要的钱多。

程曼祺 Manqi Cheng

回到刚才的问题，做应用，有更多钱不好吗？

这是我的局限性。我会觉得，如果是一个相对正向的 C 端产品，有机会通过用户和收入等指标完成 bootstrap，未必需要先投入一大笔钱作为杠杆。

程曼祺 Manqi Cheng

你也说到现在的环境很不确定，多一些储备也许能帮你抵挡不确定性。

这可能不是我操作这件事的逻辑。

比如账上有 5 亿元，本来应该花 1 亿元。因为账上有 5 亿元，所以前 4 亿元可以放心大胆地花，等花到最后 1 亿元时再战略收缩，抵挡不确定性。

这可能不是我们希望的操作方式。

程曼祺 Manqi Cheng

你也可以先储备着，还是按照原来的节奏花钱。你是觉得代价可能是公司需要稀释更多股份，或者有更多投资人进来，他们会对公司的发展方向提出更多要求，而你不喜欢这样？

如果各家投资人都进来，确实会有这个问题。大家对公司的预期可能很不一样。

哪怕现在我们的投资人还不算多，也会出现不同偏好：有人觉得你应该更激进地做 C 端，有人觉得你应该把 B 端做得更好，C 端可以收一收。

如果投资人团队很庞大，很难说大家对这件事有完全统一的想法。

程曼祺 Manqi Cheng

你刚才也提到，去年有人提出收购你们。你拒绝收购的原因是什么？

我觉得太早了。

程曼祺 Manqi Cheng

你们已经成立 7、8 年了，还早吗？

我觉得这个逻辑是，恰恰因为我们在比较长的时间里，包括去年以及现在，都不是一家估值特别高的公司，所以只要我们做得还不错，总归是一个收购标的，不用太着急。

程曼祺 Manqi Cheng

这个逻辑就是，你还没到别人买不起你的时候。

我觉得最坏情况是这样的：你认不认可秘塔现在积累的用户基础、搜索数据、架构和工程能力存在一定价值？

我们认为，如果把它当废铁卖，就把这辆车当废铁报废卖掉，偿还所有投资人的钱之后还能有一点盈余，这件事应该做得到。

程曼祺 Manqi Cheng

这是一个非常悲观的算法。

但是当你拿了 7000 万美元以后，这件事可能就未必这么好解决了。

程曼祺 Manqi Cheng

我在想你的思考方式，这算是给自己留后路吗？

一方面算是给自己留一些基本后路。另一方面，我对未来市场的判断没有特别直观的感觉，不能像有些人那样觉得这件事一定非常乐观。

事实证明，这件事也不能太乐观。去年很多小巨头觉得终局差不多了，可能就在几家公司里决出胜负，但后来你会发现也不是这样。

我找不到一个让我非常笃定、非常乐观的理由。那就退回来想，我需要保证团队、公司和基础价值是能够被证明、能够看见的。

同时，收入确实要做到一定规模。哪怕按 10 倍 PS 来算，它也值这么多钱。这是一个相对基本、能够守住的估值底线。

程曼祺 Manqi Cheng

那你对秘塔上限的期待是什么？你觉得秘塔最好的情况下能成为一家什么样的公司？

这个问题的答案是，不知道。

程曼祺 Manqi Cheng

我说的上限不是估值，而是你心里希望这个公司以后变成什么样。对你来说，什么叫有成就感，什么叫创业成功？

它要么成为一家拥有非常好的、非常广泛的基础产品和用户的公司；要么就是在市场上被证明，某一类技术具有极强的壁垒。

比如大家判断大疆的技术，你会发现，哪怕一个土豪拿几亿美元来抄，也很难把它做出来。大家有一个共识，这不是你有钱就能够直接做出来的东西。

程曼祺 Manqi Cheng

秘塔的愿景是什么？你们会把它总结成一个愿景吗？

坦白讲，不会。

有一类创业者会花很多时间想公司的使命、愿景、价值观，想我希望成为谁、怎么达到，以及应该建立什么样的组织。

我们更想的是，在每个阶段，下一阶段能不能比现在做得更好。但它的终点到底在哪里，我觉得很难简单概括。

程曼祺 Manqi Cheng

你从什么时候开始成为这样的人？比较谨慎，甚至有些保守。

但另一方面，你也不一定是很保守的人。你读博时退学，这听起来就不是最保守的人会做的事。你第一次创业后被蚂蚁收购，待的时间也很短，可能还没等到 vesting 结束就出来了，放弃了大部分股份。

创业本身就不是最保守的人会做的事，而且你还做了这么久。你身上这种两面性挺有意思。

对于一个最保守的人，他在判断产品方向时，可能应该更多地找人调研，找一堆数据让自己安心。但你在需要快速判断时，也不会把事情拖着。

你怎么总结这种看似双面的特质，它们共同的根源是什么？

我没有仔细想过。

对于创业公司，中国有非常大的创业公司基数，真正被关注到的可能只是少数。基数最大的群体，还是比我更务实、更踏实地经营一家奶茶店，算清楚每一分钱的成本，然后扩张、开店、做未来布局的人。

媒体容易关注、容易传播、容易引起话题的群体，本身就是极小的一撮人。他们确实有一些特性，可能在预测上最激进，最愿意、也最有能力讲大故事。

如果你讲大故事，而且能够实现，屡次讲、屡次被认为是大故事、又屡次实现，那你确实很厉害，马斯克就是这样。

但如果你讲了一次大故事，阶段性获得超额收益，后来发现不能兑现，或者我并不想成为这样的存在，那就是另一回事了。

程曼祺 Manqi Cheng

你刚才这句话让我想到，我前段时间和印奇聊，他说 AI 1.0 带给他的一个感受是：所有不能闭环的辉煌都是阶段性的。可能他对此更有感触。

9. 模型重划应用边界

回到你们现在做模型、做应用的过程。现在大家讨论很多大模型本身和应用的关系与边界。大模型越来越普及之后，有冲击你们以前的一些产品吗？

比如 ChatGPT 上下文变长以后，也可以做秘塔写作猫的一些检查、事实核查和校对工作。国内还有很多免费产品，对你们有什么冲击？

说完全没有影响肯定不现实。秘塔写作猫以前有两个比较大的功能，一个是 AI 写作，另一个是辅助检查。

现在很多订阅用户使用辅助检查的功能更多一些，而 AI 写作已经成为几乎所有大模型免费标准产品里的一个功能。

前两年这个时间窗口对我们不太友好，但它很短。因为写作猫 AI 写作功能是在 2022 年 10 月左右发布的，差不多两周后 ChatGPT 就发布了，11 月底正式上线。

如果我们有更长的时间周期，可能在各方面的资源储备上都会更多一些。

程曼祺 Manqi Cheng

写作猫的付费率下降了吗？

这个我得回去查数据。相对比较平稳，但它的周期性比较强。每年峰值月份的使用量会更多，整体呈现出不均匀的状态。

程曼祺 Manqi Cheng

写作猫峰值月份是什么时候？

学生使用的时候，考试、写毕业论文，大家疯狂写字的时候，差异会比较大。

程曼祺 Manqi Cheng

写作猫就是模型和应用边界变化的一种现象。你自己会怎么给模型能力的演进和应用优化划线？哪些能力会随着模型提升，应用优化的空间就比较小？

这是一个很难用一两句话概括的事情。

大家可能会有一些原则，比如新模型发布后，对你来说到底是能争取到更多用户，还是更少用户。简单答案可能是这样。

但对不同类型的产品，它短期受什么影响、长期受什么影响，还是要 case by case 地看。

程曼祺 Manqi Cheng

我想问的不是它对具体产品的影响，而是哪些能力属于聚焦模型的头部公司一定会做的主航道？

但凡看上去较为通用的能力，都是主航道能力。我们可以简单划一条线：如果一件事有机会成为一个 1000 万日活的应用，我觉得进入这个边界以后，模型公司都会有兴趣。

程曼祺 Manqi Cheng

那岂不是所有不自己做模型、只做应用、又想做到 1000 万日活的公司都很难存在？

除非你有别的壁垒。比如你不是以用户基数见长，但后面有一条很长的销售或服务链条。你的核心价值必须在别的地方，而不是获取最多用户，或者提供轻量级线上交付服务。

如果你既是大用户基数、线上交付，又严重依赖基础模型能力，那你为什么认为模型公司不会做？它当然会做。

程曼祺 Manqi Cheng

这个预测对 AI 应用创业公司来说挺悲观的。

这是一个客观预测，不是悲观预测。我觉得它会发生。

程曼祺 Manqi Cheng

你觉得 Manus 这样的产品属于这个主航道吗？

我觉得他们团队非常擅长调整，身段很灵活，没有什么包袱，也不是偶像派出身。

程曼祺 Manqi Cheng

谁是比较有包袱的偶像派？

去年头部的几家公司，基本都是带着大厂、明星光环出现的创业者。你想，他们如果要做一个大调整或大改变，可能谁都可以来问你几句：“你怎么样了？是不是又不行了？是不是又放弃信仰了？”

但 Manus 团队没有这个包袱。

程曼祺 Manqi Cheng

2023 年我们聊到 Jasper 时，你提到它对秘塔写作猫有一些启发。当时你觉得 Jasper 一个很重要的贡献，是找到了“机器贵，但人更贵”的切入点，他们很快做到 1 美元级别的订阅。

这可能也是一个业务会受大模型能力影响的例子。2024 年下半年，Jasper 估值下调，也裁员了。

我觉得很有意思。Jasper 在 2025 年的今天没有大家想象得那么差。

如果我没记错，它应该是一家年经常性收入达到 1 亿美元级别的公司。作为一家不是特别大规模的公司，这是 99.99% 的创业公司都无法企及的成绩。

但我们很清楚地看到，Jasper 可能在一年时间里，从一家被追捧的公司，变成一家所有人都会踩两脚的公司。

程曼祺 Manqi Cheng

大家会说，你看它是不是被干掉了。

事实上人家还没有被干掉。从数据来看，一家成立 3 年的公司做到 1 亿美元 ARR，是不是一家好公司？这是一个很有意思的现象。

这就是我说的，市场经常在 3 个月内从一个极端走到另一个极端，最后所有极端判断可能都是错的。

程曼祺 Manqi Cheng

所以你们有时没法出来讲东西，是因为太高调容易被反噬？

而且即便你说的是正确的事情，也未必有意义。你无法纠正绝大多数人对绝大多数事情的理解。

程曼祺 Manqi Cheng

现在 AI 领域有哪些比较常见的误解？

前一段时间，一个非常常见的误解是 DeepSeek 很便宜，好像大家听到的都是 500 万美元。

它最后一次训练的 GPU hours 成本是 557 万美元，但这不代表它没有研发投入。有人问我，这是不是证明没钱也能做好大模型。

我说，DeepSeek 在整个中国范围内，可能算是最有钱、人才储备最丰富的一类公司。它没有超出这个事情的基本规律。

它不是真的只花 500 万美元就做成了这样，可能还要加两个零。全国范围内，有多少人真正投入过 5 亿美元在大模型训练上？你也找不出几家。

程曼祺 Manqi Cheng

关于你们自己的误解呢？关于秘塔的。

可能有人觉得，我们是不是接了这个模型，或者接了那个模型。很长一段时间，大家的预期都是，我们是一家纯粹接了某一个模型的公司。

实际上，除了这次接入 DeepSeek 之外，我们所有模型都是自己训练的。

程曼祺 Manqi Cheng

你们之前发布过百亿参数的模型，也是自己训练的。

对。我们没有把它作为 API 的形式开放出来，这是当时的另一个判断：卖 API 这件事不太 work。

哪怕对第一名来说可能 work，对后面的人也极其不友好。

程曼祺 Manqi Cheng

这个判断大概是什么时候形成的？

我们一直都有这个判断。

我们本来想讨论一下你们的技术架构。你们最近描述过自己的模型结构吗？是大模型加小模型？

这只是一个非常概括性的描述。

大模型部分可能调用 DeepSeek 和 R1，负责深度推理；自研的秘塔 LLM，专注信息搜索、资料整合和快速响应。这个组合的实质是什么？

它应该不是我们一般理解的，在一个模型上做工程优化，对吗？

一旦涉及工程细节，就不太容易说清楚。

包括这段描述，也是我们刻意简化、让大家快速形成概念的一种方式。实际背后可能不是两个模型，也不是 3 个模型，可能不止 4 个模型，更像一个系统工程架构。

这个架构也会根据不同时间、不同状态不断变化。有没有新的模型，有没有更好的能力，有没有新的开源模型，都会影响我们对架构的调整。

我们觉得这件事的本质，不是信仰模型应该是什么样，然后一条道走到黑，把所有资源都按照这个方向做，而是根据能拿到的最新一手资源和信息，不断调整。

那可以讲讲你的整体思路吗？在做应用的同时做模型，你做模型的思路是什么？我理解肯定和那些直接做模型的公司不一样。

更多是服务自己的用户。

服务自己的用户时，我们可以接受它是一个更偏科的模型，没必要追求六边形战士，在语文、数学等所有方向都接近最好。

当你愿意牺牲掉一些东西，也许就能换来更快的速度、更低的成本。如果能换来 10 倍的速度或成本差异，可能在一类应用的竞争中就是非常实质的变化。

程曼祺 Manqi Cheng

下一代大模型自己升级、优化之后，会不会把这个差异抹平？

那你就应该在下一代模型的周期里，最快找到最值得做的事情，并把它做到最好。

程曼祺 Manqi Cheng

你觉得下一代模型周期里最值得做的事是什么？

要看下一代模型的哪方面能力有显著提升。

程曼祺 Manqi Cheng

你说的下一代，是 GPT-5 这种吗？

没有这么严格的定义。就是公认的、在当前这一代模型上有实质性提升的版本。

程曼祺 Manqi Cheng

你觉得 o1 相比 GPT 系列算吗？

我觉得算。它虽然偏科，但我觉得是一个实质性的提升和突破。

程曼祺 Manqi Cheng

从 2023 年到现在，模型层面有哪些真正重要的进展？

前段时间好像 DeepMind 有一位一线模型负责人讲过，他们内部认为过去两年模型能力的提升相对是线性的，只是外界的感知是阶梯式的。

模型可能积累到一个节点，发布一个新版本，外界就看到原来做不好的事情现在能做好了。对他们来说，可能不是某一个特定技术带来了巨大的提升，而是同时做了 100 件事情的优化。

o1 带来的提升也是这条线上的提升，只是它让特定一类问题的斜率变得比原来更陡。

比如生成的数据可以反哺预训练数据，进一步提升基础模型快思考、推理的能力。

程曼祺 Manqi Cheng

你说的特定问题，指的是数学、逻辑或者复杂程度较高的问题？

对，就是相对比较好验证的一类问题。

Claude 3.5 至少在很多人看来不是推理模型，它没有像 o1、R1 那样明显地展示思维链。但 DeepSeek V3 的新版升级提到，它在数学和推理能力上的提升，来自把推理生成的数据再放回训练。

严格来说，它也不叫推理模型，但它已经具备了一部分推理模型的能力。

程曼祺 Manqi Cheng

从技术上怎么理解这件事？你不一定要用 o1 或 R1 那样的方式，先有一个预训练模型，再通过强化学习提升数学逻辑推理能力；你也可以提升推理能力和编程能力。

Anthropic 其实也讲过，这两个东西不应该严格分开看。

大家何必在技术上划分一个这么明确的信仰，形成这么严格的路线之争？最后很可能是最好的模型集各家之所长，得到一个最好的结果。

程曼祺 Manqi Cheng

你觉得 o1 和 R1 真的在做推理吗？我之前问过马毅老师，他认为这不是真的推理。

这个问题很难直接回答，因为我们对推理的定义是什么？可能要回到定义本身，严格验证它是否符合大家公认的推理定义。

程曼祺 Manqi Cheng

我想知道你自己的想法。

就像你问，R1 是不是有智能？我觉得它有智能的形式，这是我比较确定的。它表现出了智能。

至于其他的，就取决于你如何定义智能的本质，这件事不太好说。

程曼祺 Manqi Cheng

我会觉得，很多人也没有智能。你告诉他分 3 步做一件事，把 3 步都写下来，他还是会做错。那你说这个人没有智能吗？

他可能只是学习能力比较差。所以你是倾向于用最后的结果和表现来判断，或者说那个结果更重要，也更容易验证。

如果不靠结果验证，那是不是会很违心？明明什么都不会，却说我认为它有智能。

程曼祺 Manqi Cheng

马毅老师会说，至少现在没有证据证明模型有智能。他还提到一个反例：推理模型可能训练过奥数题，所以能把奥数题做得很好，但给它小学、初中的简单数学题，它反而做不好。

如果一个人真的理解了数学逻辑或原理，不太可能不会做小学题，却会做奥赛题。

这可能有一些例子。当然，这也许只是一个段子。

比如以前有人考了一道小学数学题，数学家算出了答案。有人问他：“你也知道这个技巧吗？把这一项换一下、消掉，就能快速得出答案。”他说：“我不知道，我是心算。”或者他直接求了一个积分，把问题算出来了。

这体现的是两条不同的路径。有时候，数学家可能真的不会那种看起来很巧妙、很好玩的解法。

比如鸡兔同笼，他可能会列二元一次方程，但不会像小学时学的那样，把鸡的一只脚收起来，再怎么样去算。

程曼祺 Manqi Cheng

我小学时也学过这个方法。

所以你现在问一个数学家，鸡兔同笼不列 x、y 方程，他不一定会解。他可能只是忘了，或者不一定会写。

我觉得，怎么定义智能本来就是一个很复杂的问题，现在可能都还不是一个 well-defined 的问题。

程曼祺 Manqi Cheng

沿着现在这个方向往前走，模型持续提升的状态还能维持多久？

去年秋天，整个行业还在讨论 scaling law 撞墙。后来 o1 出来，大家的焦虑有所缓解，最近已经不太讨论了。

我更好奇的是，对于绝大多数非从业者、普通用户和公众来说，他们怎么感知模型所谓的智能提升？

我觉得大量的人其实很难感知。

程曼祺 Manqi Cheng

我自己就有点感知不到。

你从什么时候开始感知不到的？

程曼祺 Manqi Cheng

GPT-4 之后，我就有点 get 不到了。

GPT-4 之后？多模态除外？

程曼祺 Manqi Cheng

多模态是很直接的视觉、听觉体验。

GPT-4o 最近让很多人感觉模型变得更便利。

程曼祺 Manqi Cheng

但在文字上，尤其是 DeepSeek 加入思维能力之后，我觉得它确实挺有“花活”，但没有特别明显地感到智能提升。

它可能只是文字生成得很好，辞藻很丰富。正如你说的，在某一个方向专门训练，也可以得到类似效果。

所以普通人的感知大概是这样。

我觉得有时大家好像接受了模型能力确实提升这个事实，但回想起来，你到底是怎么判断的，其实并不容易。

你可能只是听说它有提升，使用时有一些渐进性的感受。比如刚才说“今天学点啥”的设计，你希望把复杂文本结构化展示出来，有图片、表格等。

你直接和 ChatGPT 聊，它有时也会给你这样的反馈。你提一个模糊问题，或者前面已经有几轮语境，它会主动理解你的意图，给你列出表格、画图示。

比如我最近在问 GPU 进展，前面问了 Google TPU Pod v4，后面又问 NVIDIA 的一些事情，它会主动理解我的意思。

它确实比几个月前更强一些。

这种感知还是偏直觉。确实有些模型的提升能够被直接感知，比如数学题，同一个题目可以比较两代模型的差异。

但对绝大多数人的绝大多数任务，我觉得大家说它好或者不好，都很武断。

每次新版本发布，网上有人测 o3 和 o1 哪个更强，我不知道大家测试是想证明什么。是想证明我还比它强吗？

我看到很多人的测试反馈是，o3 和 o1 根本比较不出来大小。测试更像是试图找到模型的破绽，通过一个问题证明它不行，而不是把它当成一个能够很好配合、可以找到擅长领域并加以利用的工具。

回到刚才的问题，快速提升能持续多久，可能确实取决于我们怎么衡量提升，以及提升对用户意味着什么。

对于有监督学习，只要你能很好地衡量某些任务是否提升，就可以设计方法，不管从数据还是算法上，把提升进一步做得更好。

但它可能不是面向真实用户场景，而是我想把某个 benchmark 刷高。只要有方法，总能刷高。

程曼祺 Manqi Cheng

如果 benchmark 恰好符合很多人的使用需求，它可能在下一个版本里带来显著提升；但也可能 benchmark 和普通人的使用脱节。

最近姚舜宇写了一篇文章，提到模型下半场可能更重要的是找到合适的评判标准，让模型真正提升在真实世界中完成任务的能力。

这可能也是他们现在核心要解决的问题。OpenAI 可能也在考虑。

程曼祺 Manqi Cheng

回到更技术的问题。现在大家通过强化学习提升模型能力、做推理模型，前提还是有一个比较好的预训练模型作为基础。

我觉得很多人低估了预训练对于做好推理模型的重要性。

比如 R1 的论文里用到了 GRPO 算法。这个算法有一个很简单的逻辑：在基础模型上随机生成 64 次、128 次，找到其中可能有一次能把题做对，然后从这些路径里优选出好的路径。

对于一个非常难的问题，如果当前基础模型在 128 次、甚至 1 万次尝试里都找不到任何可用解，这个方法就不 work。

它要求给出的 128 个选项里至少有一个好的选项，模型不能错得太离谱，至少多试几次还能找到正确答案。

强化学习可以帮助你更快地找到答案。原来可能要猜 100 次，现在可能两次以内，甚至第一次就能拿到最好的答案。

但这不代表它能凭空创造后面所有的东西。

程曼祺 Manqi Cheng

正因为预训练这么重要，最近 Grok 3 用了 20 万张卡训练，但带来的提升好像没有那么多。Llama 4 的问题可能更大。

我觉得 Grok 3 和 Llama 4 是两件截然不同的事。

Grok 3 算是一个成功的模型。它证明了一群不错的顶尖工程师，配合最好的硬件，可以在相对短的时间里追上一线模型的能力。

考虑到它实际投入的时间，你会发现这非常难得。

程曼祺 Manqi Cheng

这几个月里，他们应该也发现了很多可以进一步优化的地方。也就是说，下一代应该有很多改进点。

我相信他们一定会发现。可能有 3 个，也可能有几十个可以继续优化的地方，使下一代比现在更好。

它恰恰证明了一件事：大力还是会出奇迹。

在 Grok 3 出来之前，如果有人给你半年或一年时间，让你快速组建团队，做到 GPT-4o 甚至更高的推理能力，我觉得这件事是不确定的。

但它证明了，好的人成配最顶尖的资源，确实可以做到。

你的视角很好。不是把 Grok 3 和之前已经积累了 5 年的模型比较提升了多少，而是它能在相对短的时间里做到第一线水平。

从目前新模型更新的情况看，基座模型通过更大的规模、更多算力训练，收益是在递减吗？

我可能不是最有资格直接回答这个问题的人，但从逻辑上讲，大家现在遇到的可能不是算力问题，而是没有数据。

也许我还有 10 倍、100 倍的人类高质量数据，仍然可以把这条线线性外推，让 loss function 继续下降、能力继续提升。现在并不是能力提升遇到了障碍。

障碍在于，我需要的算力、数据，甚至算法都先不考虑，数据这一侧可能已经遇到瓶颈。我不能再把高质量数据扩展 10 倍、100 倍。

那增加更多多模态数据能缓解吗？因为很多多模态数据可能还没有被使用、采集。

首先，这已经不符合原有 scaling law 对数据的定义了。

原来更多是以文本 token 为基础建立 scaling law。它不是证明了这件事，只是观察到这件事，是根据数据拟合出来的结果。

它不是证明地球是圆的，而是说我从宇宙中采集了 800 张照片，看起来都是圆的，所以猜测它大概是圆的。

现在说 scaling law 撞墙，是因为原来的初始条件不满足了。你可能找不到再扩展 10 倍的高质量数据，继续外推。

程曼祺 Manqi Cheng

所以听起来，去年秋天大家讨论的 scaling law 撞墙问题，还是没有被解决。

这本身是一个非常简化的思路。相当于算法和其他因素都不变，在静态情况下纯堆算力、纯堆数据。

但在这个过程中，算法侧改进、数据更聪明的使用方式，以及把后续强化学习数据加回去，都是在不断调整公式，而不是简单外推。

如果是简单外推，Llama 4 就应该做成。代码有了，数据有了，GPU 也配齐了，跑下一个版本，半年以后不就应该显著变好吗？

恰恰是因为大家没有严格意义上做简单外推。

程曼祺 Manqi Cheng

那你觉得在其他方向改进，还能把这个趋势延续多久？比如高质量数据越来越少，在算法、训练效率之外，还能从哪些方向改进？

这也是非常难回答的问题。

比如回到 20 年、25 年前看芯片发展。芯片从 1960 年代、1970 年代开始发展，到 2000 年时已经经历了很多迭代。光刻机不断改进，芯片制程不断缩小。

在 2000 年时，你很难预测光刻技术最终能做到多好，芯片能做到几纳米。它总是在看起来要卡住时，又出现新的技术突破。

比如把光刻机泡在水里，使用浸润式光刻；或者通过光学反射，把精度提升到原来的两倍。每一次提升都很艰难，可能需要花几年时间在实验室里试错，逐步解锁下一个状态。

没有哪一次是简单线性外推的结果。

我没有严格查证，但我相信 1990 年、2000 年时肯定有人说，光刻这条路、CPU 制程这条路要撞墙，摩尔定律要撞墙。

所以这件事很大程度上取决于，一帮在这个领域投入最多精力的顶尖聪明人，能不能找到进一步迂回的路径。

程曼祺 Manqi Cheng

这些大的技术判断，现在对你创业本身重要吗？

其实没那么重要。我只是顺带判断一下。

程曼祺 Manqi Cheng

实际技术上的哪些变化，和你做秘塔这件事特别直接相关？

相对直接的，是上一代模型到下一代模型，解锁了哪些能力。

有些能力原来基本不 work，但现在能够很好地 work，而且适合用户需求，这就会直接产生连接。

程曼祺 Manqi Cheng

最近 6 个月被新解锁的能力有哪些？

比如代码能力的显著提升，尤其是生成 HTML、生成网站。

从 Claude 3.5 到 3.7，大家特别惊讶的一点是：你只用一句话，就能让它生成一个网站，而且它还有不错的审美。

你没有描述具体的美学特征，只是让它给你一个网站，最后生成的结果却还不错。

你们 3 月在秘塔搜索里上线的互动网页功能，就是基于模型新解锁的能力做的？

是。除此之外，我觉得大家最近讨论的 AI agent 也属于这个范围。

上一代模型可能只有几个百分点的成功率，现在可能提升到了几十个百分点。在更长的规划能力、自我纠错能力上，也有显著提升。

程曼祺 Manqi Cheng

你过去有没有比较重要的技术误判？

你之前和我分享过一个例子，也许不算误判：你最开始创业，到 2020 年夏天 GPT-3 出来时，已经看到了它的能力，但你当时更关注成本，以及如何把当时主流的 BERT 模型用于实际场景。

GPT-3 一出来就是 1750 亿参数的模型，你觉得它太大，可能没有地方可以直接使用。

你们 2018 年就在做 Transformer，但最开始做的是 BERT 的 Transformer，后来可能才转向 GPT。这个在你看来算不算误判？

这是一个很有意思的例子。

2020 年，OpenAI 做了一个 1750 亿参数的 dense 模型。到了 2025 年，大家已经认为 DeepSeek 是很庞大的推理模型，但它实际激活的参数大概是 300 亿。

如果优化到极致，它的实际算力开销可能是 2020 年 GPT-3 的五分之一。

所以你可以想象，GPT-3 当年的算力消耗，确实像是一个在实验室里看起来无法应用的产物。

但 Sam Altman 可能有能力通过这件事拿到足够资源，推进后面的发展，把事情逐渐完成。我觉得这超出了普通创业者的能力。

普通创业者可能会考虑，拿着这个模型怎么做商业变现；但当时即使把成本削减一个数量级，能做的应用仍然非常有限。

他的逻辑是，我在这个基础上可能获得新的资源。我不跟你讲当下的成本和产出，而是讲 3 年、5 年以后，讲 scaling，讲未来 AGI 会被解决。

我觉得大家确实被他说服了。但如果当时他只讲成本、产出，以及这个模型现在能挣多少钱，即使把成本缩小一个数量级，应用空间仍然很有限。

程曼祺 Manqi Cheng

你回头看，当时的想法算误判吗？还是在当时条件下，一个合理判断？

我觉得那是一个极其合理的判断。

甚至到了 2025 年，在 GPU 已经迭代了几代的基础上，我们现在做的应用，也不可能用这种规模的算力对外提供服务。对成本来说，这仍然难以接受。

我没有预料到的是，OpenAI 持续讲了一个完整的故事，讲的是终局：这是 AGI，你们难道不值得投这点钱吗？未来我会成为这样的存在。

程曼祺 Manqi Cheng

除了这个，还有没有其他技术判断上的不准确，导致你们在结构上做了某些选择？

我们长期面临的一个问题是，在做搜索等业务时，我们优化单次查询成本的力度，可能比很多大厂激进得多。

好处是成本可以控制在相对可控的程度。坏处是用户不会在意你做了多少优化。

虽然你是 90 分，人家是 95 分，但你用的资源可能是人家的十分之一、百分之一。从外部视角看，这件事没那么关键。

所以我们在应用侧使用模型技术时会更保守。那些账算不过来的事情，我们可能选择先不用。

程曼祺 Manqi Cheng

前段时间张涛去硅谷做活动，我看到有人穿了一件 T 恤，上面写着 Manus 上线 14 天内就花掉了 144 万美元的 Claude token。

这就是一个典型案例，它还是要承受这方面的压力。

程曼祺 Manqi Cheng

你们现在付费用户产生的收入，能覆盖推理成本吗？

现在比较难。秘塔搜索基本没有做付费，也没有广告，所以无法收费。虽然有一些 B 端合作，但距离直接覆盖这部分成本还有差距。

程曼祺 Manqi Cheng

你同意你的高中师兄王小川说的那句话吗？AI 大模型应用创业应该远离大厂的阴影。

在国内巨头业务已经如此广泛的情况下，真的避得开吗？比如秘塔搜索，你们做得更早，但现在已经和大厂在同一个方向上。你们怎么和它们竞争？

能避开并找到一个足够大的利基市场，当然是好的。但问题是怎么避开。

包括我们现在推出的新产品，也是这个问题的延伸。我们得摸着石头过河，大厂可以摸着我们过河。

程曼祺 Manqi Cheng

推出一个新产品，我就在想，大家模仿产品已经很快了。

如果你作为一个对这件事有预期的小创业团队，更应该想的是：当大厂开始模仿你的上一个产品时，你的下一个产品在哪里。

程曼祺 Manqi Cheng

有这么多下一个吗？

这就像刚才说的光刻机。你很难想到 10 年以后怎么做，但下一个产品也许就是你应该考虑的事情。

10. 创始人就是核心引擎

程曼祺 Manqi Cheng

所以怎么做快就变得很关键。你们现在是什么样的组织？大概多少人？

差不多 60 号人。

程曼祺 Manqi Cheng

和去年相比，接近 2023 年初的时候，你们差不多也是 40 多人，所以其实没有扩张特别多。

是。

程曼祺 Manqi Cheng

AI 热潮之后，从市场薪资、人才竞争，到大厂可能来挖你们的人，你们受到什么冲击？

实际体感是，AI 变成更热门的领域之后，招聘变得更困难了。

我们想要的是好的人，而所有最顶尖的厂商都想要这些人，所以一定程度上变得更难。

程曼祺 Manqi Cheng

这两年招到的研发人才都是怎么招到的？他们为什么愿意来？

因为他们有一点 AGI 信仰，但不多。

程曼祺 Manqi Cheng

这是写在招聘信息里的吗？

对。换句话说，我们招的可能不是直接和 DeepSeek、字节竞争的那类人。

你想要的那类人实际上非常难找。我理解不光是我们觉得难，对所有人都难，因为那个“pool”越来越小，越来越精准。

程曼祺 Manqi Cheng

你们 60 多人的团队，在能招到的阵容下，怎么配合，怎么做到足够灵活？

这其实就是问题。现在相对灵活，是因为我比较灵活。

很多产品决策是我自己做的，不需要在形式上说服很多人，再推进这件事，所以看起来比较灵活。

程曼祺 Manqi Cheng

如果产品团队的同事有一个很好的 idea，他需要说服你吗？这是困难，还是他们都不敢跟你说？

我当然希望听到好的 idea，但这件事很难发生。

程曼祺 Manqi Cheng

你觉得他们的 idea 不够好？

市面上绝大多数人的绝大多数 idea 都不够好。

如果好的 idea 出现得那么密集，大厂就不需要看我们做什么了。它们有资源、有人、有机器，大家分别去做各个方向就好了。

程曼祺 Manqi Cheng

以“今天学点啥”为例，如果最开始的大想法是你感觉到这是一个需求方向，那么把它完善到现在这个程度，团队能和你协作做什么？他们负责哪些部分，你负责哪些部分？

我可能会把它拆成 100 个小份，告诉大家，你领两份，你领 3 份。

程曼祺 Manqi Cheng

所以你就是 agent 里负责规划的模型，其他人负责执行。

目前更多是这样的状态。

程曼祺 Manqi Cheng

这种状态应该也有让你累的一面，因为基本都是你在推动别人，没有什么事情是在推动你。

确实很难达到理想状态：一群各方面都很聪明、擅长领域不同的人相互碰撞，产生更好的结果。

你输出比较多，甚至疯狂输出。但一直输出其实挺累的。

理想状况从未出现过。

而且我对这件事的观察是，你的下一个好想法，往往藏在上一个执行的细节里。只有一个大规划时，你不知道下一个事情在哪里；必须很深入地看到所有细节，才可能意识到下一步应该解决什么。

程曼祺 Manqi Cheng

所以把大想法拆成 100 份任务，对你来说还是必要的？

这是让我看到下一个事情的方法之一。

另一种理想情况是，我把它拆成 10 份，10 个人再把它拆成 200 份。在这 200 份里，大家讨论出来的部分 idea 和中间结果，可能比我想象的更好。

程曼祺 Manqi Cheng

你有没有想过怎么改善这个状态，让它更接近理想状态？

我们非常欢迎有好的想法、有能力，而且 ego 不太大的工程师、产品和业务同事加入。

但坦白讲，就像刚才说的，这件事挺难。

ego 和能力匹配就可以了，也不需要 ego 一定不大吧？

问题就是，很多时候你遇到的人是不匹配的。如果能力和 ego 不匹配，那我宁可他 ego 低一点，想法少一点，但执行力还不错。

你说的最理想的那种人，在市场上很难找到，可遇不可求。

也许是。

我后来反过来想过这件事。去年我们在市场上有了一定知名度，也有不止一个团队愿意拿出足够高的价格，以大比例换股、合并或者其他形式，推进后面的业务。

这其实意味着谁都不好做。你可以拿出 3 亿元、5 亿元，但不一定找得到合适的人来操盘。

程曼祺 Manqi Cheng

你花很多时间真正和候选人聊过吗？你在招聘上花多少时间？

我们遇到的问题是，很可能我们看中一个人，觉得还不错，然后小龙问就再加一点价，然后你还跟他加吗？你加得过他吗？

我们甚至遇到过有一个从某小虎出来的实习生，以他的学历背景，本来进不去那家公司。我们给他发了运营 offer，他回去加了一笔钱，又被招回去了。

所以这件事肯定没那么容易。

程曼祺 Manqi Cheng

你觉得这不是花很多时间见候选人、聊人就能本质解决的。

一定程度上，从业内实际经验来看，有一类人才相对比较好找，比如老师、教授。

因为在从市场上直接招人之前，他们已经和学生长期相处，建立了基本信任，也能了解学生的能力边界，而且这些人才的基本素质通常有保障。

你和一个人相处两年，多多少少会对他的能力和边界有比较清晰的认识。

但在市场上，对方也不了解你。你和他聊两小时，他和别人聊两小时，最后变成：为什么你画的饼比别人的更好吃？

那大家最后还是比钱。

程曼祺 Manqi Cheng

你怎么分配自己的精力？你在什么事情上花的时间最多？

还是产品和研发。

程曼祺 Manqi Cheng

如果再拆一下，产品和研发哪个花的时间多？

和阶段有关。现在我们看到重点是解决产品问题，我就会更多投入产品；如果重点是解决研发问题，研发同事搞不定，我就会更多帮忙解决。

程曼祺 Manqi Cheng

产品和研发两个团队都是你自己在带。

是啊，还有别的选择吗？

程曼祺 Manqi Cheng

你有没有想过找一个产品负责人，甚至产品合伙人级别的人？

欢迎大家推荐，也欢迎自荐。

程曼祺 Manqi Cheng

你以前动过这个心思吗？

我觉得一个巨大的挑战是，我很难以自己的画像去找产品经理。

我不得不成为一个产品经理，而这件事的优势在于，现在尤其面临 AI 产品时，其中存在大量技术判断。

好的 AI 产品经理很稀缺，因为他需要懂技术。但懂技术也分层次。

你能招到一个非常懂技术的人吗？他本来可能应该去做基础模型，现在却来给你做产品，这件事太难了。

我觉得这就是区别。

哪怕市场上最好的大模型，在某件事上可能不 work，我也会想为什么不 work，能不能把它变得 work，而不是简单把调研结果当成事实，接受“Gemini 不 work、Claude 不 work、OpenAI 不 work，所以这件事现在做不了”。

程曼祺 Manqi Cheng

你们现在自己训练模型，你还会在一线参与很多吗？

我会参与模型训练过程。

程曼祺 Manqi Cheng

所以你持续有实际手感。

不知道这是好事还是坏事。

程曼祺 Manqi Cheng

可能不好的地方是什么？它要求你真的会，但你本来就会。还是说这对你来说也需要持续学习？

肯定需要持续学习。

如果持续学习对你来说是一种负担，那就千万不要用这种方式管理团队。但如果你本来对这件事有兴趣，也许就能 work。

程曼祺 Manqi Cheng

从个人兴趣来说，你做什么事情时最沉浸、最有心流？现在主要工作中，哪一部分是这样的？

我现在的角色比较综合，所以心态上不能沉浸在某一个事情里，把所有时间精力都花在上面。

成就感可能来自于把拼图拼起来。比如 3 个月以前，我花了半个小时在脑子里构建出现在发布的这个产品大概应该是什么样，然后在未来 3 个月里逐步实现出来。

程曼祺 Manqi Cheng

你说的半个小时是比喻，还是实际就是半个小时？

部分是实际的，但可能不记得那么具体。中间做的过程中，还会额外增加几个拼图，进一步丰富它。

比如现在看到家长辅导孩子做题的需求，我们就把这块拼图加进来。

程曼祺 Manqi Cheng

你想这个过程时，习惯在脑子里想，不做笔记吗？

不做笔记。

程曼祺 Manqi Cheng

那你会管细节到什么程度？比如“今天学点啥”里课后的互动问题设计几个，这种颗粒度你也会管吗？

这个可能就是我花一分钟直接拍板，不会专门管理。

左边翻书、右边生成大纲的界面，是我直接画草图。

程曼祺 Manqi Cheng

所以你管得其实挺细。

产品确实是这样。如果你很深入地做产品，很多细节在逐步实现的过程中都需要考虑。

比较理想的状态是，和你配合的同事基本水准在线，彼此熟悉度更高，往下细拆的工作可以由他们承担。

但这往往需要时间，需要大家积累经验、逐步磨合。你很难预期，快速花一笔钱招一个人，一个月以内就能接手 50% 的工作。

程曼祺 Manqi Cheng

你这种在团队里疯狂输出的状态持续了多久？

基本上一直这样。不同的是，前两三年，我们更多是自己定义一个产品，选择一个觉得打磨得比较 ready 的时间，然后向市场发布。

大概 2018 年到 2021 年，那是一个相对更正常、更舒服的节奏。

程曼祺 Manqi Cheng

那时候 AI 比较冷。

对。所以你不太会遇到产品打磨到一半，市场突然出现一个类似产品的情况。

现在更多是以我们自己为主，认为产品到了差不多可以 release 的状态就发布。那时节奏更舒服，现在肯定加快了，有直接体感。

程曼祺 Manqi Cheng

比如你的工作时间，比刚开始创业的 3 年延长了多少？

心态不太一样。

一定程度上，前 3 年加入秘塔的同事会发现，我当时讲解的耐心和现在不太一样。

程曼祺 Manqi Cheng

耐心逐渐消失的老板。

以前我可以讲得更细，铺垫更多，最后再得出结论。现在可能直接讲结果，差不多就快速细化、推进，因为面对的是更动态的市场。

程曼祺 Manqi Cheng

你觉得这种激烈、动态的竞争会持续多久？

可能没有大家想象得那么长。

比如全球范围内一个月发布 20 个模型，这种周期不太可能持续输出两三年。

程曼祺 Manqi Cheng

什么时候出现什么信号，你会觉得某个产品已经站稳，秘塔可以进入更稳定、更以自己为主的节奏？

比如一个领域已经有相对不错的产品，哪怕增幅不是特别陡峭，但用户量和收入持续上升，而且收入和支出节奏能够匹配。

同时，产品还在不断积累、不断垒高。到这个程度，可能就比较稳定。

程曼祺 Manqi Cheng

如果拆开来看，只看法律翻译和秘塔写作猫，它们的投入、支出和收益已经达到你说的状态了吗？

这两个产品可以认为已经打平，但增长性不够。

程曼祺 Manqi Cheng

相对理想的情况，肯定是前两年还能继续翻倍，第三年至少还有几十个百分点的增长。这样大家可能会更安心。

公司整体什么时候盈利，会是你的目标吗？

在 2023 年、GPT 时代之前，公司整体是能够 break even 的。

ChatGPT 出现以后，搅动了整个行业。

程曼祺 Manqi Cheng

在新的条件下，什么时候盈利会成为你的目标？

如果希望立即往盈利方向做，我觉得可以很快达到。但随之而来的是，你要牺牲一些东西。

对秘塔或者对我的心态来说，一个比较好的地方是，这件事还相对可控。有些团队可能没法控制。

程曼祺 Manqi Cheng

对有些团队来说，这可能是暂时无法回答的问题。支出比收入多一个数量级，没法解释。

那你现在对节奏怎么想？

做东西还是得快，该快速拿出来的东西就要快速拿出来。

至于收入或盈利，要动态判断。对不同产品，我们会有一些预判。如果不符合预判，就去看之前判断中的哪一部分不成立，再优化那个方向。

程曼祺 Manqi Cheng

过去两年，从 ChatGPT 出现到现在，哪些事情你做得太多，哪些做得太少？

从绝对时间来说，我们在产品和研发上投入的时间肯定很多。也许我在细节上投入的时间有点过多。

程曼祺 Manqi Cheng

什么事情做得太少？

有些事客观上花的时间没有那么多，但即使现在倒过来反思，我也没有信心说花更多时间就会变得更好。

程曼祺 Manqi Cheng

比如融资？

对。

程曼祺 Manqi Cheng

去年你应该拒绝了一些投资人的见面邀请。

很多。

程曼祺 Manqi Cheng

因为当时很多人想要加他的联系方式，然后找我要，然后我就给了微信说不通过。

我应该没有不通过，我只是没有通过。

程曼祺 Manqi Cheng

他说的不通过就是这个意思，就是有人来家里提了申请，然后你没有通过嘛。

我觉得这是一个非常尴尬的问题。

现在一级市场的公司也好、投资方也好，效率都有严重问题。我不可能见 100 个人。

程曼祺 Manqi Cheng

你可以开发一个 agent，帮你和他们聊天。

但这件事不只是把信息告诉他们。它非常需要见面，需要建立体感，需要“闻闻气味”。

程曼祺 Manqi Cheng

这个确实是 AI 不太好替代的东西。

如果我把那几个月全部用来见投资人，也许融资额和估值可以谈得更好，但这件事真的值得吗？我不确定。

程曼祺 Manqi Cheng

现在回望两年以前，哪个策略会让你或者公司显著变得比现在更好？

从 2023 年初到现在，你自己最大的成长是什么？

也许是我变得更会了。

过去几年，包括秘塔成立以来，无论工程技术还是产品，我比较确定的是，我在所有方面都变得更会了。

程曼祺 Manqi Cheng

更会了，是什么意思？

就是我不得不收拾的事情，以及收拾的精准程度、判断程度，还有对所有细节的把握，都比原来更好了。

这可能也是一种新的创业思路。AI 出现之后，可以把一个个人能力很强的人的能力进一步放大。

对。公司里有一个核心输出驱动力，或者说 engine。个人本来就可以用很多 AI 工具放大能力，团队再帮你完成一部分事情。

程曼祺 Manqi Cheng

你自己会用很多 AI 工具吗？比如 Claude Code 之类的编程工具，你应该会用。

我现在很少自己写需要 commit 的代码，但会做一些实验。

程曼祺 Manqi Cheng

所以你还要兼职设计师、运营，从前端到后端都要做。秘塔的 UI 你也参与设计？

包括“今天学点啥”的很多 UI，都是我画的初版，或者设计的基本款。

我甚至在想，如果我是一个个人，不带一家公司，很可能有机会对外提供一门课程：带有基本编程经验、但不是纯小白的人，经过 2 到 3 个月训练后，能够进入一线大厂的大模型团队。

程曼祺 Manqi Cheng

其实你可以做，这不就是一个产品吗？

对。如果我没有现在手上的事情，当然可以做。但这是完全不同的两个方向，时间不够。

这不能成为秘塔的新产品，因为受众可能太窄。

对，受众太窄。

但你大概知道它应该具备哪些技能，而现在市场上拥有这些技能的人非常稀缺。也许经过两三个月培养，就能进入一个年薪百万的岗位。

程曼祺 Manqi Cheng

现在 AK 不就在做这个事情吗？Capacity。

没错。我觉得这是一个很奇怪的市场。

通常为了拿到一个好的待遇和薪酬，你需要多年积累，付出持续投入，才能够到门槛。但现在存在一个巨大的信息差，市场上确实也没有那么多真正不错的人。

你可以把它做成付费课程，放在“今天学点啥”里。

可以成为“今天学点啥”的内容。

程曼祺 Manqi Cheng

转成“李一舟式”的秘塔课程。

但这件事很难大规模做。一旦大规模做，可能会产生对抗效应。

我们很难接受一个人只是经过短期培训就进入这个行业。所以他虽然能面进去，不代表他真的比工作了 3 年的人强。

程曼祺 Manqi Cheng

但他可能确实比很多工作了 3 年的人更会。

完全有可能。

程曼祺 Manqi Cheng

你今年比较大的目标是什么？公司相关和公司无关的都可以说。

把现在手上的事情做好、做快一点。

尽量让不只是我自己变得更会，也让团队里的年轻同事更会一些。希望有不错的人愿意加入，一起把这件事做得更好。

程曼祺 Manqi Cheng

融资不在今年的 list 里？

顺其自然。好，那谢谢可瑞今天做客晚点聊，就是他整个分享都是非常务实和坦诚的。那中间有一些问题，可能他会非常坦诚的说这个暂时还没有答案。蜜塔也是一个非常务实和扎实的公司，我觉得对所有用户来说，大家最期待的一件事情就是你们继续有好的产品，然后大家可以用起来。我们努力。好，那各位今天拜拜，拜拜。本期的联点呈现分享两个与之前节目的呼应，一是关于 agent 的机会，幺零六期与真格戴雨森的访谈，幺幺零期与明势下令的访谈，还有一百一十一期与 agent 早期创业团队 poke 点 ai 朱哲清的访谈，我们都在讨论 AI agent 的趋势与实践。在 agent 的火热中，蜜塔的新产品并不是一个 agent 方向的探索，Minkery 说他觉得在二零二五年上半年模型能力要支持相对通用的 agent 依然会有一些瓶颈，而在之前的节目里戴雨森和下令。都强调了推理、编码、工具使用能力的提升会解锁 agent 的机会。其中下令对通用 agent 的创业机会有一些疑虑，因为这可能也是大模型公司和大公司的必争之地。这和明可瑞的一些想法相似，可瑞的表达是任何主要依靠大模型能力有潜力达到一千万 DAU 的偏纯软的应用，可能都是 OpenAI、Google、字节、阿里等大公司和头部模型公司会自己做的方向。二是关于创业公司和大公司之间的竞争，在九十三期节目《大模型生存战》中，我们讨论了二零二四年日益明显的大模型创业公司所面临的大厂的压力。而明可瑞其实在二零二三年年初就有一个判断，当时热火朝天参与大模型竞赛的一批中国公司可能速生速死，具体可以见一百一十三期节目。本期中他也更明确的表达了一个研发大模型的跳出竞争本身的视角，那就是对 DeepSeek 这样有资源、有品味的组织来说，其实也可以把追求。AGI 当做一个有高价值的消费，而不是投资行为。它的目的或者说短期目的并不是算一个投资回报。一个不以商业回报为目的，但也不是研究院和科研机构的新型组织会持续存在吗？还是它未来可能像 OpenAI 那样发生商业化的转向？AI 行业仍在快速变化，隔一段时间后我们可以再来回顾今天的思考。本期节目就到这里，感谢收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果 Podcast 等渠道关注“晚点聊 Let's Talk”，也欢迎关注我们的公众号“晚点 Late Post”。下期再见。