Ronghui
上一期我们盘点了 Sora 发布以来视频模型的进展，今天我们来和 AI 视频工具 Vozo 的创始人周昌胤聊一聊他非常具体的创业故事和个人经历。Vozo 被形容为用 AI 一键魔改短视频的工具，可以为视频重新配音、做视频翻译和重剪。它上线的时候连续 3 天登上 Product Hunt 榜首，也在 6 个月做到 100 万美元 ARR。
据我们所知，Vozo 的发展经历也有一些很有意思的关键节点，以及昌胤在这个过程中的思考。今天我们就请昌胤来跟我们具体聊一聊这些故事。昌胤，先跟大家打个招呼吧，然后也介绍一下自己和 Vozo。
周昌胤
谢谢荣慧。我是周昌胤，大家可以叫我昌胤。我是 Vozo AI 的创始人兼 CEO。
大家好，Koji 你好，Hello。
昌胤可以详细跟我们介绍一下 Vozo 具体是做什么的吗？这些功能又是怎么样一步一步被开发出来的？AI 视频工具还挺多的，为什么选了具体的这个方向？
周昌胤
1. Vozo Finds Its Mission
其实 Vozo 在我们公司内部花了很长的时间才难产出生。我们最早在 2021 年从美国回到国内，然后开始决定做一件我们内部叫作“视频表达自由”的事情。我们觉得这是一件非常值得做的事情。
从 2021 年开始，我们做了几款产品，有成功的，也有不太成功的。然后从 2022 年开始，我们做了很多生成式 AI 的研发探索，相当于一边从用户需求出发，另一边从研发出发，最后在 2023 年左右找到了一个研发和需求碰撞的点。
从 2023 年开始，我们在内部做一些孵化，也杀掉了几个想法。到 2024 年，我们自己觉得比较满意的时候，就把 Vozo 推了出来。
Vozo 的定位其实经过了几次不同的转变，但总体来说，我们希望帮助普通人，而不是那些视频制作专业的剪辑师。普通人的范围可能比较广，比如老师、产品经理、市场经理。虽然他们有时候会做视频，但视频制作能力比较弱，或者需要外包。
我们希望让所有普通人都可以用视频去做表达。这其实是一件非常大的事情。我们最开始做的生成式 AI 模型非常激进，就像现在大家看到的很多生成式视觉大模型一样。但在 2023 年底的时候，我们做了一次转型，希望切到一个非常真实的场景，帮助用户解决问题。
所以在 2024 年 4 月、7 月上线的时候，我们第一次把产品的功能定义成 Video Rewrite。我们在一定程度上把难度降低了一点，不是凭空生成一个视频，而是说你已经有一个视频，但是想改变它的故事。
这里面有好几种场景。一种是别人已经做了非常 viral 的视频，比如电影里的桥段已经非常好了，你可以用相同的桥段去讲你的故事，可以讲品牌故事，也可以表达自己的观点。
还有一种是你做了一个视频，比如做的是 Thanksgiving 的推广，然后你可以很轻易地把它改成 Christmas 的推广。所以当时我们把它定义成 Video Rewrite。
它对整个视频剪辑的改变还是挺大的。以前剪辑就是要去剪切，然后做音频和视频的处理，但 Voice Rewrite 基本上只需要通过一个简单的 prompt，比如“请把这个视频变成西班牙语”，或者“请让这个视频变得更 exciting、更有趣”，它就会帮你把视频改掉。
这是 Vozo 第一个上线的功能。过去半年又经过了很多演化，到了现在，Vozo 的形态和功能已经更广一些。
2. Translate Builds on Rewrite
我觉得 Vozo 其实有几个点可以跟大家聊一下。Vozo 刚上线的时候，是 7 月 20 日第一次参加 Product Hunt。中间我们迭代了好几次，到了 11 月，产品又发生了一次很大的转变，我们上线了一个新功能，叫 Vozo Translate。
大家可以把 Translate 理解成 Rewrite 的一个 extension。我们发现大量用户使用 Rewrite，其实都是在做 Translate，所以我们在内部迭代了很久，找了很多使用 Translate 的用户，让他们试用、访谈，然后逐渐把 Translate 的功能打磨出来。
我们内部对 Translate 非常满意，绝大多数用户的续费率也非常高。虽然从 2024 年 7 月开始，我们觉得自己下手比较晚，但一直迭代到 2025 年 1 月、2 月左右，我觉得产品形态已经走对了。这就是我们现在 Vozo 的产品状态。
Koji
其实 Vozo 一开始刷屏的时候，我第一次看到它是在我们自己的一个会员群里。有一个 TikTok 的产品经理把它推荐给大家，他推荐的东西品质一直都很高，他发出来的我都会看。
当时印象很深的是，有好几个短视频同时是 Vozo 生成出来的，都是把电影里的经典画面改成了搞笑桥段。画面没有变，但是主角讲的事情、口型和语气全变了。
比如我记得有小李子《华尔街之狼》里的经典片段。他还是一本正经地、像《华尔街之狼》一样慷慨激昂地表达，但讲的是一些鸡毛蒜皮的事情。这种剧烈的冲突，加上熟悉的场景，确实非常有意思。
还有小李子、《泰坦尼克号》、哈利·波特。你能想到的各种经典画面，都被大家玩得很魔性。这就是最开始出圈的第一波 Vozo，也就是所谓的“魔改”。
到了 11 月，Vozo 又一次打榜，而且那一次 Product Hunt 应该还成了月榜第一。那次应该就是开始做翻译了，更加“严肃正经”——加引号——把各种语言换成其他语言。因为效果足够好，所以得到了非常多的好评。
除了这两个我印象比较深的主要功能和破圈时间点之外，昌胤有没有什么补充，帮助大家更好地了解 Vozo 是一款什么样的产品？
周昌胤
现在 Translate 是 Vozo 用户使用最多的功能。刚才 Koji 提到，Translate 是 11 月上线的。11 月之后到现在这 3 个月，我们又演变出了另外两个产品。
一个是 Lip Sync。这 3 个功能都是慢慢延续出来的：我们先做 Rewrite，发现大部分用户用它来做 Translate，于是就把 Translate 做得更深入，这花了我们很长时间。
做完 Translate 之后，我们又发现有些人其实并不想翻译，只是想使用我们的口型功能，所以我们又把 Lip Sync 做了进一步深化。现在 Lip Sync 也是我们一个比较重要的功能。
Lip Sync 之后，有些用户又说：“我不想 Lip Sync 我的视频，我要 Lip Sync 我的照片。”这件事情很有趣。我们一开始其实不想做，因为市面上已经有一些 Photo Lip Sync 的功能，为什么还要我们来做？
但我们去试用了各种各样的 Photo Lip Sync 工具，理解了用户为什么对它们的结果不满意，然后重新做了一遍 Photo Lip Sync。Photo Lip Sync 大概在 1 月上线，用户增长挺快的，可能我们的效果确实还不错。
这是我们后面加的两个新功能。到 3 月份，可以简单预告一下，我们会发布一个更大的东西，现在还不能说。
Ronghui
这个更大的东西，会像一开始的 Rewrite 一样，从视觉上给大家带来震撼，还是像 Translate 或 Lip Sync 一样，在功能上做得比竞争对手更好？这个方向可以讲一讲吗？
周昌胤
都有。它不像 Rewrite，因为 Rewrite 是一个此前从来没有过的东西。我们做了 Rewrite，但它现在依然是一个有需求的功能，只是我们做得不太一样，会更好用一些。
Koji
你会不会觉得，如果 Vozo 一开始推出的就是 Translate 或 Lip Sync，反而有可能推不起来？因为一开始选了一个大家没见过的东西，它带有猎奇感，通过这种短视频破圈，让 Vozo 走进很多人的视野。
之后，你们再把自己的技术实力加上去，去解决别人没有解决得那么好的问题：别人做到 80 分，你们做到 90 分。有没有这么一个过程？
如果尝到了这个甜头，后面还会不会留一些产品或营销精力，去做最开始 Rewrite 那种事情？像今天的 Pika，其实也在反复做这件事，每个月都会推出几个特效。
周昌胤
我觉得这个路径真的非常重要。第一个功能推什么，大家对你的 first impression 是什么，毕竟在现在 generative AI 的时代，我觉得创新其实是最主要的推广手段。
你肯定不能让别人觉得你是个“Me too”，对吧？而且对内部团队也很难交代。对于一个创新团队来说，你很难一直靠做 Me too，因为团队会没有士气。
当然，如果你的团队不是创新团队，那无所谓。你本来就是 Me too 团队，就这么做。但我觉得，Me too 团队在现在的 Gen AI 时代是不可能成功的，这是我的 bias。
如果是一个创新团队，你肯定要不断地有新的创新东西往外推。但这跟前面讲的又有一定的悖论：我们既要抓需求，又要有创新点。所以刚才说的路径就很重要。
你要先有一个创新品牌出去，然后从 Rewrite 再切回到 Translate，并且把 Translate 做得比普通的 Translate 更好。Translate 又是一个非常真实的需求市场，围绕它把功能做细，再从 Translate 慢慢拓展。
我觉得这是一个对技术演变和市场拓展都比较好的路径。可能不是每个商业都存在这样的路径，但对于 AI video 来说，我觉得比较幸运的是，存在这么一个不断拓圈的路径。
当然，也有些公司可能不这么做，可能憋一个大招，什么路径都不讲，然后直接爆火，这种情况也存在。但我们走的是一条我觉得适合 AI video、从用户需求出发的路径。这就是我们现在在做的事情。
Koji
这一批各种各样的 AI video 公司，从 Pika 到 Luma，从 HeyGen 到 Viggle、Opus Clip，有没有哪个公司或哪些公司是你自己特别喜欢、特别欣赏的？可以分享一下背后的原因吗？可能有一些你看到、但大家还没有看到的点，也可能有一些你认同、但大家不认同的点。
周昌胤
我比较喜欢海螺 Hailuo。我觉得他们非常专注于做自己想做的事情。无论从闫总的角度来说，他觉得要替代 camera，这件事从很早就一直在做。我觉得从 2021 年开始，他就一直在做这件事，中间踩了很多坑，然后慢慢做出来。
无论他搬去美国这件事应该怎么说，但我觉得从产品以及技术推进这一块，他们做得挺好。
其他很多公司我可能了解得少一点。比如 D-ID，是另外一个朋友做 image 相关的，我觉得他们的产品也做得非常好。所以我可能比较喜欢那些把产品做得特别好的公司，我觉得 D-ID 和海螺都不错。
Koji
我知道 Vozo 一直没有花营销预算，只是做了两次 Product Hunt 的打榜，就做到了今天 100 万美元的年收入。你会认为 Product Hunt 打榜对你们带来的帮助有多大？一般大、非常大，还是巨大？
周昌胤
3. Product Hunt Enables Cold Start
我觉得还挺大的，可以从两方面看。第一，我非常喜欢 Product Hunt。其实我在 2015 年的时候就做过第一次 Product Hunt，那时候的氛围跟现在不太一样，但我觉得它核心的价值是，当你去做 Product Hunt 打榜的时候，真的会去想你是什么样的产品，怎么样用一句话把它说清楚。
我觉得这对产品的打磨是最有用的。我认为 Product Hunt 最大的价值就在这里。
它给我们的另一个价值，是帮助我们比较简单地完成了冷启动。虽然带进来的流量没有特别大，对我们来说大概 1,000 个左右，后面经过一些发酵，也大概是 1,000 个左右，但这已经足够我们做产品和 PMF 的迭代了。
相当于通过一次、两次 Product Hunt，我们就完成了冷启动。我觉得这件事非常有价值。
现在其实在 Product Hunt 上打榜有非常多技巧，也有很多运营秘籍。我自己在各种群里也看到，天天有人在拉票。
你会认为打榜成功——比如冲到日榜第一——这里面有多少是运营的成分，有多少是产品本身要做得好？这个占比是什么？
周昌胤
这就是我刚才说的，跟 2015 年有非常大的差别。现在 Product Hunt 打到第一，我觉得跟产品关系没有那么大。如果你懂运营，也愿意去推，基本都可以把它推上去。可能 Top 1 难一点，但推到 Top 3 应该没有问题。
但我觉得，把排名排到第一、第二或第三，并不意味着产品成功了。产品成不成功，取决于这个产品最后有没有帮助你实现 PMF。
所以我一点也不意外，有很多团队可能打榜到了第一或第二，但最后产品没有形成。回过头来，打榜成功与否是运营的事情；只是产品打榜成功之后能不能带来真正的商业价值，那是产品的问题。
Ronghui
除了 Product Hunt，你们在其他地方做过这种露出吗？
周昌胤
我们几乎没有做过。中间有一些机会要做，但我们相对比较克制。Product Hunt 刚带来流量，我们觉得应该珍惜这段时间，用半年的时间去聚焦。
另外一个原因是，刚开始流量进来之后，我们收到了很多用户反馈。在这些反馈没有解决之前，再进一步推广的意义并不是非常大。
这些反馈其实非常多。我们中间做对了几件事情，其中一个是很早就开了 Intercom。熟悉的人知道，Intercom 现在可以直接让用户在网页上跟你聊天。我们几个主要的人一直在上面跟用户聊，了解用户到底想要什么、什么不需要、哪些地方不满意，然后一直迭代。
大概每个星期可能发布一版、两版，不停地迭代。所以在那个时间点，我们没有太在意推广。
但这也不一定对，只是我们采取的做法。有些团队可能更早做推广，增长会更快一点。但我的观点是，推广早一个月、晚一个月，其实没有那么重要，PMF 走对更重要。
什么时刻会让你觉得 PMF 找到了？
周昌胤
4. Vozo Measures Product Market Fit
我觉得是一种感觉。如果要定量的话，我们会在意两个值：用户的续费率，以及最后的绝对值，也就是我们的 ARR 是多少。
我们当时比较粗暴，我给自己定了一个目标，先达到 100 万美元 ARR 再说。比较幸运的是，没有通过推广，也刚好达到了。我觉得这可能有运气，但跟当初的判断差不多。
另外一个就是续费率。我觉得合理的情况是，比如进来 100 个付费用户，如果他们对产品满意，我应该有 80 个人会留下。当然这是我自己的判断，因为我知道有 20 个人可能会因为自身业务原因不再使用。
当续费率达到这个水平，我会觉得产品算是合格。把这两方面加在一起，就变成了我们内部的目标。
有清晰目标的好处是，做事情会比较有劲。每个阶段有一个或两个目标，我们就不要一边做这件事，一边又说有 5 个渠道要去推广，尽量把这些事情分开。
刚才你提到，2024 年 7 月才正式上线 Vozo 的第一个版本 Rewrite，把一个已有的视频传上去，然后去魔改它，确实是一炮而红。你也提到入场比较晚，我比较想知道，在这个时候才做，是因为那时候技术才成熟，还是有别的原因？
周昌胤
5. Research Bows to Product
我觉得都有，但别的原因更多，主要是我们自己的原因。后来我们内部也做过一些复盘。我们做 AI video 这个赛道其实非常早，2021 年成立的时候就在做这个东西，虽然 2021 年可能更传统一些，做的是 CV。
到了 2022 年，我们开始做一些更深的东西。那时候其实我们非常早，可能比一般公司更早预见到生成式 AI。所以当时我们做了一件早期公司非常少见的事情：我们和外面一位很著名的、我以前的老师一起成立了一个联合实验室，投入很大去做基础性研究和前沿研究。
那时候我们几乎没有营收，所以这是很夸张的一件事。研发到 2023 年初的时候，生成式视频模型开始出现。那时候大概每 2、3 个星期，我们就迭代一个模型，特别 exciting。
但当时其实走错了一点路。我们同时在做两件事情：一件是原来的产品，在做推广和营收；另一边是在做很基础的研发，觉得研发可能是未来很好的机会点。
当时有一个很好的 thesis：我们从两边出发，一边非常接地气地做应用，另一边非常高大上地做研究，希望中间某一天能够汇合。但现在回头看，从初创公司的角度来说，我觉得这是一个比较错误的想法。
我们到了 2023 年，出现了一种状态：我们想做一个产品，但这个产品的 feature 并不能被我们的基础模型支持。基础模型的研究按照自己的方式往前推进，推的是大模型。基础模型出来的效果很有趣、非常 exciting，但那些东西不能产品化，有各种各样的抽卡和奇怪的问题。
所以 2023 年这一年，我们一边很激进地做研究，一边很激进地抓应用，但两边就是无法重叠，没有形成合力，反而互相觉得遗憾：你帮不上我，我也帮不上你。
研发的人很纠结，觉得“我出了一个模型，你为什么不能把它产品化？”产品的人也会说：“我要这个东西，为什么你的模型没给我？”最后，做应用、做需求的这一边胜出了。
到了 2023 年 10 月，我们把自己的模型发了一篇 PR，但这个 PR 的意味是，我们不再继续往下推了。虽然 PR 上面没有这么说，但相当于我们做了一个 announcement，发布了一个叫 HiveNet 的多模态模型。
从那以后，我们研发团队所有的研发立项都会从产品出发。产品这边必须先 prove 这件事，研发才会去做。虽然理论上我们保留了 20% 的精力，让 researcher 去做他们想做的事情，但从 2023 年 10 月之后，所有研发立项都会从产品出发。
但这样的 researcher 会因此离职吗？他们会不会觉得，这里已经不再是一开始想来的、做研究的地方了？
周昌胤
其实不会。经过前面一年多的经历，对大部分 researcher 来说，他们希望自己的研究能够进入产品，因为他们看到公司的另一个产品用户量非常大，但自己的东西一直进不了那条产品线。
这也可能跟 researcher 本身有关。我们比较幸运，跟我们一起做的几位 researcher 都非常在意自己的研发成果能被很多人使用。
所以现在每一次 Vozo 的用户量增长，用户反馈变得很好时，那些 researcher 就非常开心。我觉得这就变成了一个比较有趣的循环。
昌胤，现在方便问一问 Vozo 融资到什么程度了吗？团队有怎样的规模？研究和产品分别占多少？
周昌胤
6. Vozo Runs a Profitable Company
我们现在是在 A 轮之前，主要投资方是信行资本和红杉种子，一共大概融到后面加上一些个人投资者，合计大约 600 万到 700 万美元。
我们的资金效率可能还算比较高，因为中间迭代过很多产品。2021 年到 2025 年，4 年只有 600 万美元，资金效率确实很高。
我们从 2022 年、2023 年开始，之前有一些产品还挺成功，也会有营收，所以相对比较健康。整个团队现在的现金流是正的，压力不会那么大。
这一点是我们后来才意识到的，但一旦 break even 之后，对整个团队的心态有非常好的帮助。
我们现在团队规模还挺大，有 40 多个人。研发可能占 70% 多，所以是一个非常 heavy 的 research 团队。
Koji
40 多个人，然后 100 万美元 ARR，这怎么能 break even？是因为有其他产品还在持续贡献 revenue 吗？
周昌胤
Vozo 不是我们现在营收的主要产品，虽然它是我花最多精力去做的事情。我们之前有两个 app，在国内叫“说得提词器”，在海外叫 Blink。
这两个产品也是围绕着帮助创作者更容易地表达视频，只是背后的技术更多是传统的 CV、NLP 技术。那边大概有 600 万美元 ARR，所以基本上那个产品就可以保证我们现在现金流 break even。
因此，Vozo 现在赚到的 ARR 基本都是我们的利润。
我觉得还挺有意思。你们现在是一个应用工厂的模式吗？
周昌胤
这是个好问题。我们开始的时候其实没想好。最开始做的时候，我们说是围绕“视频表达自由”这件事情，抓住用户需求，于是做了那款 app。
后来我们觉得，这个 app 的能力非常受限，因为它是用传统 CV 方法来做的，所以我们又去做生成式 AI。中间很长一段时间，我们是两个产品并行，这也是团队非常痛苦的点。
但慢慢经过一段时间，我们现在找到了很好的方法把它们融合在一起。再过一小段时间，你会发现这两个产品其实会变成同一个产品，feature 会互相共享，最终服务所有 content creator，以及各个公司的 marketing manager、e-commerce 从业者。反正他们都是用视频去讲述自己的 video story。
Ronghui
找到了什么方法，可以让这两个产品很好地结合起来？
周昌胤
这两个产品之间的用户重叠大概在 20% 到 30% 左右。定位其实是这样的：app 这边偏 C 端，用户包括 KOL、KOC 以及少量 SMB。
Vozo 这边主要是 enterprise 里的 marketing department，以及少量 SMB。所以在 SMB 这边，两个产品有比较多的重叠。
合并之后，两个产品会互相导流，功能也会互相叠加、共享，最终变成同一个会员系统。你如果买了我们的 Vozo，也可以同时享用 app 里的功能；如果你买了 app，再加上一些点数，也可以使用 Vozo 的功能。
所以两边的用户会打通。我们其实还蛮期待这个结果。最后产品的名字都会叫 Vozo，因为整个团队更喜欢 Vozo 这个名字。
Koji
为什么叫 Vozo 这个名字？
周昌胤
这个名字是 GPT 帮我们起的，这件事很有意思，也让我非常 impressed。我们想找一个非常短的词，跟 video 和 voice 有关，因为我们做的东西其实都是 talking video，里面都会有人说话、有人展示。
我们还有一个愿望：将来每个人都会有自己的一个“Zoom”。你每天会讲很多故事，就像写 blog 一样，你会有很多视频去讲自己的想法和情绪，然后会有自己的一个 domain、一个 Zoom。于是我们把它叫作 Vozo。
这只是我们的一个想法，但最主要还是因为大家都喜欢这个发音。它很短，从 Vozo 到 AI 一共只有 6 个字母，朗朗上口，所以我们取了这个名字。
Ronghui
其实做 Vozo 的时候，Sora 已经发布了。Vozo 和 Sora 的发布之间有什么关系吗？包括这一年，整个视频模型领域发生了非常多的变化。
我们上一期正好和 Luma 的产品经理聊了 20 个问题，带大家复盘从 Sora 到今天，正好一年的时间里，整个视频模型领域发生的种种事情。这里面的事情，有哪些跟 Vozo 有直接关系，哪些有间接关系？可以请你分享一下吗？
周昌胤
7. Vozo Avoids the Model Race
Sora 跟我们的关系会小一点。我们在 2023 年 10 月做了一个新闻发布，把之前做的视觉模型发了出来。我们的视觉模型，我印象中是在 Runway V2 之前发布的，所以是在 Runway 第一代之后。
但通过做那个项目，我大概明确了一件事：因为亲自做过一次，所以知道视觉大模型做视频生成的瓶颈在哪里，也能估计大约什么时候会被突破。
比如可控性、一致性，以及算力成本。生成一帧要花多少钱，大概多长时间能降到普通 content creator 可以接受的程度？比如生成一个 1 分钟的视频，不能收用户 200 美元、300 美元。这些都是需要做出的判断。
也是基于这个判断，我决定不再继续推视觉大模型。当然还有别的因素，因为要做这件事需要非常多钱，而我肯定不是一个很擅长融资的人，所以觉得自己应该做不了这件事。
于是我转而去做更像 AI-enhanced 或 AI-assisted 的视频创作，而不是直接输入文本生成视频。我觉得在比较短的一两年里，视觉大模型很难有大的突破。
第二个判断是，这种突破不会成为壁垒。后来也验证了这一点。Sora 刚出来的时候，大家都觉得非常厉害，比其他东西甩出好几条街。但那时候我们就预期，再过 3 到 5 个月，Google 的模型可能就会出来，因为所有人都会推进这件事。
最后也如期发生了。你看中国现在也有很多公司可以做视觉大模型。所以我个人的判断是，这种通用的模型，无论是大语言模型、音频模型，还是视觉多模态模型，只要它是通用的，将来都不会成为壁垒，因为还会有开源以及各种各样的方式去做。
所以我们的创业会尽量远离通用模型。我们自己做的所有模型，都是因为应用有特殊性。比如我们做翻译，翻译过程中对语气保持有不一样的要求，所以会针对翻译去做声音克隆、语音和 Lip Sync 的模型。
我们是围绕真正的需求，在这个点上迭代自己的模型。外面的基座模型，只要能用，我们都会尽量使用。
我觉得你们应该做了非常多技术上的调整和突破，来满足用户体验。从一开始的提词器，到现在翻译里的语气等等，但我感觉用户可能不太感知得到，甚至行业也没有特别感知到背后的努力。
周昌胤
8. Translation Is an Optimization Problem
客户真正使用之后是能感受到的。比如我们现在做翻译，大家如果试一下就会发现，翻译有很多难的地方。
举个例子，如果把中文翻译成德语，两边的长度差别特别大。德语是我现在了解下来最繁琐的语言。中文可能讲了 5 秒钟，德语可能要讲 15 秒钟。
在同一个视频里面，在图像没有大幅改变的情况下，两边就会不同步。比如这边 5 秒钟讲完了，嘴巴是应该粘住，还是不粘住？你不能让嘴巴闭上 15 秒钟，这个问题怎么解决？
有很多解决方法。翻译的时候，要尽量在市场上找到一个长度比较匹配的翻译，同时又要跟原来的语气、语调比较接近，还要配合口型，变成一个合理的结果。这其实变成了一个优化问题。
不同语言还有不同的语言特色。比如拍一个 1 分钟或者 15 秒钟的短视频，讲了一个品牌故事。品牌可能是一个单词，如果你不知道它是品牌，就会把它翻译掉，结果可能就翻译错了。
如果让人来翻译，你可以告诉他：“这是我的品牌，不要翻错。我的品牌是一个 happy 的品牌，不要把它翻译成悲伤的。”但如果让机器翻译，机器一般不知道它是品牌，就会直接把它翻译掉，因为它没有上下文。
所以你得有一个合理的方式告诉翻译系统如何调整，这会让刚才的问题变得更复杂。口型也是一样，不同语言的口型不同。
口型之外，还要考虑情感。一般的声音克隆，比如 Koji 或 Ronghui 讲 1 分钟，我把你们 1 分钟的音色学过来就可以了。但翻译不一样，翻译希望每一句话的情感都被复刻。
比如这句话是平静的，下一句话是激动的，最好能够一句对应一句地复刻情感。但翻译又不能一句对应一句地翻，否则翻译质量会变差，因为缺少上下文。
所以既要经过上下文，又要有对仗关系，还要能够 copy 原来的情感。这也是为什么以前很多机器翻译，在一般行业眼里都是不行的。
只要你稍微在意一点 quality，就会雇一个团队，一分钟花 50 美元、100 美元帮你翻译。但如果这些技术都能解决好，我觉得它其实会超过一般的人类翻译。当然，非常专业的专家还是会翻得更好一点。
但我觉得再过 1、2 年，机器翻译可能会比人类专家翻译得更好一点。比如你是一个电商，要翻译自己的推广视频，基本上输入一个视频，出来一个视频，就可以保持语气、语调和情感。
我们最近还做了一些短句翻译，这也非常 challenge，因为短句的表情太夸张了。有时候会非常激动地拍桌子，你怎么样尽量保持这种情绪和情调？这里面会有很多 challenge。
所以我们在慢慢解决更难的问题。最开始是一些简单的 presentation，现在慢慢可以做一些短句翻译。
刚才提到的每一个问题我都觉得很有意思，而且解决之后应该都有很大的价值，很多人都需要。你们在解决这些问题的时候，是用工程上的方式，还是用什么样的方式？可以讲到什么程度？
周昌胤
都会有研发手段，比如模型提升；也会有技术手段，也就是工程手段；还会有产品手段。
一般我们优先使用产品手段。比如弹窗告诉用户“你这里要点一下”，如果这样就能解决，其实是最好的。
其次是技术上的优化。刚才说到，既要拉长、对齐，又要尽量保持句子长度不变，这其实是一个优化问题。你可以写一个算法，然后做一些优化，这偏工程。
还有一些问题，比如语气复刻，怎样能够非常快地做到一句对应一句地复刻，就会需要模型迭代。所以这 3 层都会有。
当你发现一个问题时，到底应该用哪一层去解决？哪些是当前的 workaround，哪些是将来一定要做的东西？刚才说到的语气，就是一个很好的例子。
最开始我们会给用户一些 interaction，比如告诉用户“你可以把这一块加强一点”，让用户自己控制。但这其实非常难，特别是翻译，很多人连第二种语言都听不懂。
于是就会用模型直接帮他做。这个方向会慢慢变得更自动化。
刚才还提到一个很有趣的问题：比如把中文翻译成阿拉伯语，作为用户来说，你也不知道它翻得对不对，这件事怎么办？
如果你找人翻译，付了钱、签了合同，他翻错了，你可以去找他。但作为 SaaS 来说，用户不能因为翻译错误去找我，那怎么办？
所以我们会做一些很有趣的 feature。我们有一个 feature 叫 Back Translation，就是翻译过去之后，你可以说“请你再翻回来”，然后把它翻回来对照一下。如果跟原来的意思差不多，那基本上就说明翻译是对的。
这个很有意思。先翻成阿拉伯语，再把阿拉伯语翻成中文，如果中文意思是对的，就说明翻译是对的。这有点像以前《快乐大本营》里的游戏：一个人蒙着眼睛给另一个人讲，然后再往前传递。
周昌胤
否则这个问题很难解。你怎么说服用户，特别是用户如果发布的是很重要的 marketing 视频，他很难直接点这个 button，因为他不知道你翻得对不对。
刚才提到了 Sora。视觉模型对 Vozo 的影响其实不太大，但过去这一年，大家一说到 AI 视频，都会觉得是视觉模型在突飞猛进。各种新闻都和它有关，各种炸场的产品也都和它有关。
过去一年，有哪些技术突破让 Vozo 从不可能变成可能，或者从原来只能做到 60 分，做到 80 分、90 分？过去一年有哪些技术研究上的突破，达到了刚才说的这种程度？
周昌胤
9. The Application Layer Wins
其实都相关。比如 Sora 的 DiT 架构是什么样，包括跟我们直接相关的声音复刻、嘴型生成。
如果对这个领域比较熟悉，大家都知道，比较早的时候，大概 4、5 年前，是另一套口型生成技术方案，可能用 GAN 或者其他方案去做生成。但那时候清晰度很低，真实度也比较差。
这一波革命之后，我们会用 Transformer 去做口型生成。最近又开始有新的演变，比如他提到的“高斯破剑”（可能是 Gaussian Splatting），可以生成得更快，质量也会更好。
我们虽然不会去做非常底层的、推出一个全新的基础模型，但会在这些技术之上做应用。比如我们的口型生成，现在翻译之后也可以改变口型。我们现在的 Lip Sync，应该是行业里做得最好的一批。
这背后也受益于我们有很多数据，以及我们对最新技术的跟进。我们也会使用一些视频生成模型。
比如在我们最新发布的一个 feature 里，可以让一幅图片动起来，同时让它说话。这其实是视觉大模型做生成，只是我们的模型应用方式不太一样。
让一张照片动起来，有很多公司都在做。怎样让它更快，动起来的时候又能和说话保持和谐，这也是视频生成整个行业不断推进时，我们需要解决的问题。
我们尽量踩在技术前沿上，跟着行业的势头一起走，把原来不能解决的用户问题解决掉。
所以回到刚才的问题，快速的一句话 Voice Clone、非常真实的口型和面部，以及整幅画面的生成，其实都是过去 1 年半到 2 年才逐渐发生的事情，其中有一些可能是过去半年才发生的。
你怎么看另外一个观点？现在视觉模型确实在突飞猛进。我们录播课的前两天，Google 刚发布了 Veo 2，大家对它的评价也非常高。
所以有一个观点认为，模型的进化，最后有可能会吞没掉一些过去在功能上雕花的部分。你怎么看这样的未来？
周昌胤
我觉得一定会。模型是一辆大车。所以对于做产品的人来说，你得离它远一点。
我们内部有一个准则：如果它是一个标准模型，就不要去碰它。我们要做的是离应用很近、具有差异化的东西。我觉得这些不一样的东西其实非常稳固。
如果回头看看 Midjourney，你会发现它整个大的生成框架可能大差不差，但从商业上来说，很多人已经习惯了 Midjourney。Midjourney 在技术上有很多细的 tuning，而这些 tuning 会带来非常大的差别。
视频这边也是一样。也许将来会有一个类似 DeepSeek 一样、更好用的视觉模型，但当你把它 apply 到自己的应用里，差别是巨大的。
过去无论是 Google Glass，还是我之前的其他创业，包括 Midjourney 的创始人 David，他上一家创业也是这样。同样的技术，在这个时代就可以做得比别人好很多。
我觉得这就是应用侧技术人员该做的事情。不需要太担心某一个模型把所有事情都做掉，也不需要担心没有任何边角的技术空间。我觉得那是不可能的。
有没有什么事情，是你在过去看到技术突破带来的新产品机会，但因为你们太忙了，或者方向不在那里，所以没有去做的？这也可以给其他正在创业、选择方向的朋友一些指导和启发。
周昌胤
这个不敢说，因为真的要去做调研才知道。但我个人会对一些东西感兴趣。
因为我之前做过“谷歌引进”，我觉得“谷歌引进”加上一个 low-latency 的 LLM，会是很有意思的一件事情，有很大的想象空间。但这可能又回到了我之前的错误，也可能只是因为我对这个东西非常 exciting。
真正要做，还是要做商业分析。但从技术上来说，原来我们做“谷歌引进”时想做的很多事情，当时做不了，现在都可以做了。
其中有一件 Google Glass 让我非常遗憾的事情，也是可能是 Google Brain 当时想做的事情：让 Google Glass 让你更聪明。
它的说法是，比如 Ronghui 问我一个问题，我其实回答不上来，但它可以很快告诉我答案，快到我以为是自己想出来的。对于像我这样的人，我是愿意付钱买它的。
你前面提到成立了一个实验室，这对于初创公司来说还是相对少见的。可以讲讲当时想做什么，以及这个实验室对这件事有什么帮助吗？
因为我知道你之前是从 Google X 出来的。成立这个实验室，有没有受到你在 Google X 的经历影响？或者你可以先介绍一下当时在 Google X 的经历。
周昌胤
10. Research Leads to Grounded AI
我虽然最近在国内，但我的职业经历可能在美国更多一些。2011 年，在哥伦比亚大学博士毕业之前，我当时在考虑是做 professor，还是做一些别的事情。
刚好那时候，Stanford 的一位 professor 说要去 Google X 成立一个新的组，于是他邀请了我。他从 Stanford 过去，采用的是类似 take leave 的方式；我则从哥大休学。后来我们还有另外一位 professor，3 个人一起在 Google X 成立了一个新的组。
回头看，那个组其实是为了满足 Sergey Brin——Google 的创始人之一——很多探索性的需求。我们最后发展到大概 12 个人。
我们 12 个人里，大概拿过 4 次格莱美奖，基本把整个行业里最厉害的计算机视觉和摄影领域的人都找了过来，所以做了很多很有趣的事情。
其中有一些影响比较大。“谷歌引进”最核心的成像和视频处理算法，整个技术栈都是我们提供的。这套技术栈现在也基本在所有安卓手机上，安卓手机里的 image processing、vision processing，都是我们当时提供的技术栈。
所以这段经历对我的影响确实会比较大。
后来我开始创业。第一次创业是在美国，做的是非常前沿的 immersive video，应该是当时做最高清视频渲染和生成的创业公司。
第二次创业就是现在这家公司，反差非常大。这也是我得到的一个 lesson：一定要做用户明确想要、而且非要不可的功能。
这种反差让我非常难受。我做出的第一个功能，自己会觉得“好 low”，虽然大家都想要。
这是一方面的个人情绪，需要有一个地方去发泄。但另一方面，我会觉得，像这种非常接地气的功能，虽然用户需要，却没有办法直接达成我们所说的“视频表达自由”这个更大的目标。
你用传统的方式往前推，其实到不了那个点，但可以 make money。
所以我觉得，还是存在研究需求，需要解决一些非常核心的问题。比如有些人的形象很差，音色不好，说话不流畅，无论怎么剪辑都没有用。给他再好的提词器，把脚本全部写好，他也拍不出来。
这些问题需要被解决，所以我们就去做 research。这个决定有一点任性，但也很幸运。并不是我们自己完成了突破，而是整个行业在 2022 年、2023 年突然出现了很多突破，我们的实验室借助这些突破做了这件事情。
所以这可能是一个 risky but lucky 的选择。
Koji
这其实就是乔布斯说的，你在某一条时间线上，会发现前面的点都可以连起来。
我刚才听你说到这里，突然想起来，我认识你的时候就是在你第一段创业的时候，对吧？
周昌胤
对。
我还记得我们是在 San Jose Convention Center，对吧？
周昌胤
对，是的。
你可以再说说，当时在 Google X 那样的环境，听起来应该是一个没有预算限制、只求探索的环境，是非常理想的科研环境吧？
周昌胤
我觉得可能很难想象还有比那时候更好的环境。
举个例子，当时我同时管理一个 Image Lab。如果我要采购东西，1 万美元以下可以直接买，所以是非常奢侈的。
我们招聘的时候，第一个阶段会把 Google 其他组的 A+ 人才都招过来。Larry Page 负责正式的业务，Sergey Brin 负责 Google X，去做一些奇奇怪怪的事情。
有一天 Larry 就生气了，说不能再从 Google 其他部门挖人。于是我们开始从 Google 外面挖人，基本上会找我们认为在目标方向上最厉害的人。
这个过程非常奢侈。但这也是后来我离开的一个原因。进入这种状态之后，基本都在做 research。
后来我带了一个项目，有六七个人跟我一起做。这个项目在 Google I/O 上做了 demo，demo 完之后，大家觉得“哇，好酷”，然后就没有然后了，只能挂在墙上做展览，让大家觉得“这个好厉害”。
我觉得这跟我读博士的时候也没有什么差别。我觉得这样做有点浪费，所以当自由走到极端之后，我发现它没有办法产品化，也没有办法真正产生影响。这是我离开的主要原因。
Ronghui
你刚刚说从 Google 内部招 A+，Google 的 A+ 指的是什么？
周昌胤
就是其他组里能力最强、业绩最好的人。比如我们看中了 Google Earth，也就是 Google 地图那个组，觉得他们组有一个人业绩特别好、也很聪明，我们就会把他招过来。
他们一般都会愿意来到我们组。基本上我们就是在 Google 内部自己调人。
这对业务部门其实不是很好，因为他们是赚钱的，而你们是花钱的。
我前两天听 Marc Andreessen 最新的一期播客，他盛赞开源的意义。其中他提到，正是因为开源，学界才有能力去做以前只有大公司才能做的事情，因为以前成本太高。
我觉得，把厉害的人放到能够产生影响的地方是比较重要的，而不是某个大厂或机构把很多厉害的人聚集在一起，但最后不产生效果。我觉得那其实是比较浪费的。
你当时是抱着一种想让自己的研究落地、变成现实的想法出来的吗？可以说说你的第一段创业经历主要做什么吗？因为我记得当时是做 VR，对吧？
周昌胤
这很有趣。虽然我是抱着那个想法出来的，但现在回头看，我第一段创业经历其实仍然非常 research-driven。
我当时觉得自己已经很努力地去抓用户需求了，也以为自己抓到的是用户需求，但回头看其实并不是。第一段创业里，我更多的角色是 CTO，所以更在意技术是不是行业最领先。
那时候做的事情其实也比较危险。我们希望让两个人无论在什么地方，都可以随时随地互相见面，就是 teleportation 这个概念。
所以我们做了很多视频压缩，以及如何进行高清、实时渲染。你从大的逻辑来说，会觉得这个需求非常大：任何两个人都可以在空间上连接。
但如果从商业上仔细分析，你会发现这个商业场景其实并不成立。有很多原因会导致商业模式不成立。
所以，不是说你有一个 idea，这个 idea 从逻辑上说得通，而且市场很大，就可以去做这件事。
Koji
Apple Vision Pro 推出之前，也有类似的 FaceTime 演示。当时 demo 展示出来，确实非常震撼，我们应该都试过，体验也很好。但好像试过之后，大家的 app 就纷纷吃灰了，也没有人真的用它来打电话。
当时你也提到，这不是一个真实需求。背后的原因是什么？你当时有思考过吗？
周昌胤
你说 Vision Pro，对吧？它刚上线的时候，我其实就不是非常看好，但我知道它的体验会非常好。
我第一段创业公司中间有一个员工，后来去了 Vision Pro 团队做相关的事情，因为他还是放不下对 VR 的兴趣。
一个商业项目能成立，其实需要很多条件。比如 form factor 怎么样，普通人能不能接受，有没有其他替代方案。另一方面，你还要形成生态，里面要有很多 app，要有很多内容生产者，最后形成一个产业链。
这些都必须走得通。
我第一次创业之后，有一个非常保守的商业选择：我要做整个产业链里缺的最后一环。有时候你会觉得一件事情很漂亮，应该能做成，但它需要 5 个环节。然后你说我先做第一环，希望别人把另外 4 环做出来，这其实是非常难的。
Vision Pro 也是一样。无论是 form factor、价格，还是用户有没有一个 must-have 的理由，它都缺了很多东西。
但它有非常吸引人的地方，体验非常好，也很酷炫，你可以想象很多美好的东西。但这些美好的东西没法形成完整的商业链条。
也许 Apple 有足够的资金可以一直烧，但即使像 Apple 这么大的体量，也很难把这么大的链条串起来。对于创业公司来说，肯定要尽量躲得远远的。
11. Vozo Grounds Its Founder
Ronghui
Vozo 刚发布第一版就算是非常成功。这个成功背后也有用户喜欢、想用、爱用、愿意传播的因素。
这算是非常好地实现了你从 researcher 到寻找用户需求、满足用户需求的转变。你觉得自己在做 Vozo 的时候，做对了哪些事情，带来了这个结果？
周昌胤
我觉得第一个是比较有耐心。像做 research 的人，有时候会特别 exciting：想到一个想法，觉得“哇，这个想法好厉害”，如果不把它做出来，就会很难受。
但 Vozo 是难产的。我们不停地有一个想法，然后被杀掉，再有一个想法，再被杀掉。
Vozo 最初的想法，是我自己用 GPT 帮我写了一个功能。我想做一件事，可以在电脑 terminal 上完成一些视频剪辑。
当时我觉得这个想法很好，大概是在 2024 年 3 月。我先真正用它去剪视频、改视频，然后发现事情并不是我想象的那样。
第一个问题是，虽然工具可以帮我改任何东西，但我竟然不知道该怎么改。我会问 GPT：“我要怎么改？”GPT 改完之后，我再一条一条地调整。
我说，这不是很麻烦吗？于是我就把 GPT 接进来。我只要跟它说“请把它改得更温柔一点”，它就可以帮我改完。
相当于从 2024 年 3 月开始，我自己写了一个小程序，边用边玩边迭代，觉得要加这个、要加那个。一直到 7 月份，才做出一个我觉得“好像还行、好像可以玩起来”的东西，然后把它上线。
中间我们也做了很多 study。study 的好处是，我们之前有其他产品，也有很多社群，所以我对普通 creator 大概是什么水平、会遇到什么问题，比较了解。
虽然我们之前的视频视觉模型已经积累了很久，但真正去推这个产品时，还是经过了很长时间。我觉得花时间找到产品之后再推，还是值得的，总比做出来之后才发现自己做错了好。
你当时在 terminal 里剪视频，是因为在寻找用户需求、寻找产品 idea，所以才去做的，还是因为你自己正好有这个需求？
周昌胤
我那时候是想了一个 idea：我希望有一种方式，可以像编辑文字一样编辑视频。
这个想法我连图都画好了，但我觉得只在脑子里想、把图画出来还不算实现，所以我想把它真正做出来。最快的方式，就是在 terminal 上实现。
于是我写了一个没有 GUI 界面的软件，但可以用 command line 实现所有我想做的编辑。
第一个视频做出来之后，团队觉得“这可以改成这样吗？”但那个视频花了我很长时间，一点一点地抠。这是我的第一个版本。
后来我就想，怎么样可以把这个过程从 3 个小时缩短到 10 分钟？因为我觉得，普通人如果需要超过 10 分钟，可能就不会做了。
于是我慢慢演变这个 prototype。到了一定程度，我觉得好像有点意思，团队才会进来一起做这个产品。
你说到第一段创业经历结束，后来回国再创业。当时是什么事情发生，或者有什么感触，让你产生了“我一定要做用户特别接地气、一定会用的东西”这样的想法？
周昌胤
我觉得有一个背景。之前做 VR 项目的时候，我们服务过很多特别大的客户，包括 AT&T、Verizon，也包括中国移动、中宣部等大型用户。
但一个很强的体会是，每次产品迭代之后，我们都要催着他们去用。因为他们其实没有那么强的意愿，我们要去说服他们：“有个新功能，你去试试看。”过一段时间还要问：“你有什么反馈？”
但很多时候他们根本没有用，只是付了钱，把东西放在那里。这也是前一家公司后来没有做得特别大的原因。
那时候感觉还没那么明显。2020 年，我有时候会回到国内，2021 年在国内待的时间比较多。刚好那时候是疫情，我在杭州哪里也去不了，于是把杭州大概十几家 MCN 的 CEO 都聊了一遍。
这就形成了一个非常强烈的对比。每次跟这些人聊，他们都会讲很多需求：“我要这样做视频，我现在有这个问题。”这边有很多东西想要，只是我暂时还提供不了。
另一边，我做了很多东西，却要去求着他们使用。我觉得那种精神状态非常痛苦。
后来我觉得，做商业应该是这样：我要做很多人想要的东西，做完之后他们立刻就可以用。这才是一个好的商业体验。
然后你们做了什么？
周昌胤
我们最开始做的是直播机，这件事很有趣。那时候有很多 MCN 想做直播大楼，里面有几百个直播间。
但他们发现，这件事很难做。直播间很复杂，特别是高级直播，肯定要多个机位，可能还要有导播。每个人戴着耳麦说：“一号机位露面，二号机位拉远。”非常复杂。
所以我们当时给他们做了一个直播机，大概这么大、一个人头大小。只要有一个人拿着 iPad，大量的镜头切换就会自动完成。它会理解现场：你手上动的时候，就切到你的手上；你展示一个货品时，就切到货品。
这还是做 research 的人的本能反应，希望用 AI 替换掉人。那是我们的第一个产品，但它其实还不够接地气，也有很多商业问题。
这个项目做了半年之后，我们把它 kill 掉了，然后开始做后来一直延续到现在的、相对成功的产品，主要功能是提词器。
大家可能都知道提词器。对大多数人，包括我在内，提词是最大的难题。只要超过 1 分钟，甚至超过 30 秒，我可能就记不住。记不住的话，拍视频时眼神就会转过去看，片子可能就废了。
所以我们做了一个很简单的 AI 提词器。它会悬浮在手机上方、靠近相机的位置。你一边说话，它一边滚动，有点像唱卡拉 OK。
唱卡拉 OK 是你跟着字幕走，而 AI 提词器是字幕跟着你的声音走：你停下来，它也停；你讲得快，它就滚得快一点。
对不太专业的人来说，它很好地解决了这个问题。这个产品还给了我很多意外。我一开始只是想，他们需要这个东西，那我就做给他们，也不知道能不能赚钱。
但做成 app 之后，发现他们真的愿意付费，而且付费率还挺高。这就很有意思。于是我们围绕这个功能，慢慢把 app 做得越来越大，加入更多功能，付费率也越来越高。
这个产品在 2022 年上线，到现在累计大概有 800 万用户。我们还有私域群，因为很多达人需要教育，所以会进到群里。现在群里大概有将近 10 万人。
这时候你会发现，国内市场真的非常大，接地气的需求有非常多的人需要。这就是我们 2021 年之后，先做直播机，然后转向短视频制作，围绕提词器慢慢把这个 app 做出来的过程。
这个 app 现在也是我们营收的主要来源。
当时做一个提词器 app，听起来你过去 10 年的研究心得好像都没有办法发展、发挥了。当时是什么心情？会不会觉得自己和过去的积累割裂了？
周昌印
会，而且会很强。比如我有时候跟以前的老师、同学聊天，一般不会跟他们说自己在做什么，因为这不是什么特别 sexy、特别高大上的东西。
但说回来，一个 AI 提词器要做得好其实非常不容易。录制时，房间里可能噪音很强，讲话的人口音可能很重，画面可能乱跳。
真正要把它做得好用，有很多非常 dirty work 的东西，也有一些性能很差的问题。我觉得并不容易，但它确实不是一件高大上的事情。
所以它就像刚才提到的，逼迫我后来去做实验室。否则就会觉得，自己到底在干嘛？
但现在回头再看，如果回到那个时候，你还会做实验室吗？还是觉得不会再那么看不上提词器，可能会花更多时间去做类似提词器的产品？也许今天创业的结果，或者所处的阶段，会更靠前、更好？
周昌印
我觉得都有可能。那个决定确实是比较冲动的。
当然，因为我是跟以前的一位导师一起做的，他是一位美籍外籍院士。我们之前聊的时候，从逻辑上来说，一方面我们一线知道很多视频创作的问题；另一方面，有很多 researcher 有很强的 research 能力，但不知道真实的问题在哪里。
所以从这个大逻辑来说，做一个深度研究实验室，提供课题、确定研究方向，是一个成立的结论。
只是这件事也许不应该在我同时创业的时候做。当时也没想那么多，反正就做了。
如果回头再想，我觉得 50% 的概率会做，50% 的概率不会做。我没有那么笃定，再来一次可能还会做一次实验室。
按照时间线，就是从 Google X，到第一段 VR 创业，再到杭州做直播机，然后是提词器、Research Lab，最后是 Vozo。Vozo 会跟提词器 app 合并。
周昌印
提词器其实在原来的 app 里已经变成一个功能了，因为它只是这个 app 最开始的切入点。
但回到刚才的问题，我觉得回到那个时候，大概率还是会做这个 lab。如果不做 lab，我一定会做别的比较 crazy 的事情。
否则，如果我只是做纯粹接地气、能够 make money 的事情，我可能不会接受这个结果。
此刻呢？今天可以接受了吗？
周昌印
我觉得至少 Vozo 让我觉得有一点 proud，觉得这个东西是我做出来的，我可以跟自己交代。
如果只剩下提词器，我觉得我没法跟自己交代。
你做提词器的时候，我觉得它对你的要求其实很高。根据你的职业经历，你需要改变过去的工作习惯。
作为一个有光环的海归回来之后，你要接触一群可能从来没有接触过的人。以前你可能不知道该怎么跟他们打交道。
我想问的是，在这个时候，你有没有做过一些对自己影响比较大的反思，或者其他比较大的调整，让自己去做一些以前从来没做过的事情，克服这种陌生和恐惧？
周昌印
我的性格比较有意思。因为这件事我没做过，所以做的时候我反而还挺 exciting 的。
有时候去一些直播基地，跟以前从来没聊过的人聊天，会让我非常 surprise。
最开始做的时候，有一个用户抱怨提词器不好用。我们问他，是不是环境噪音比较大，画面看起来比较差，灯光比较暗。
他非常确定地说，房间里很安静，灯光也非常好。我们觉得很奇怪，以为是出了 bug，于是去了他们拍摄的地方。
结果发现他的灯光就是非常暗，旁边车来车往，特别吵。但我觉得他不是在说谎，他真的就是这么认为的。
他觉得环境很亮，但我们说的“亮”不是他理解的“亮”；我们觉得安静，也不是他理解的“安静”。我觉得这件事很有意思。
我去过很多直播基地，也跟每个 MCN 的 CEO 聊过。他们跟我们完全是不同的人，我觉得很好玩。
但好玩是一方面，有时候晚上静下来也会想：“我做的到底是什么事情？”于是又会产生疑问。
所以我知道有些人可能很难接受，但我还好。我觉得导师让我觉得 exciting 的部分，是我接触到了以前完全不同的人。
不 exciting 的部分是，我会觉得自己做的东西好像别人也能做，或者我可能只是比别人好一点点，别人也能做。
这其实是一个很大的心理挑战。因为以前做 research、做 scientist，通常会有一个想法：我要做别人做不出来的东西。
从经济理性的角度来说，这也是一个问题。当我做一个可能 1 万个人都能做的东西时，我没有独特的竞争力。我应该做别人不能做的事情，这样才有持续的差异化，才能越做越轻松。
对于从技术出发的人来说，这个坎一般很难过去。总觉得如果做的东西没有技术领先优势，就不能做。
有时候我们不能叫自己精英，但如果是精英创业，我觉得这确实是很难突破的一件事。你总觉得要做点不一样的事情，但从商业角度来说，其实不是这样。
这可能是很多研究背景、技术背景的创业者都会遇到的问题：怎么样从商业角度看这个问题，而不是从技术突破的角度看？
周昌印
我觉得有几个 points，但可能没有特别系统化。
第一个，我觉得需要是一个好的产品经理，得抛弃自己的 wishful thinking。比如我第一段经历就更像是 wishful thinking。
我觉得如果做成一套可以远程传输、让人随时见面的系统，就会有人使用它；然后有人给它做相机、做设备，大家会付费。这里面有很多逻辑上正确的 wishful thinking，但其实并不会发生。
它会不会发生，其实你问一下就知道了。这是第一个需要克服的事情。
第二个还是 knowledge。很多人可能并不知道，对于整个市场来说，真正需要创新的人群占比是多少。
如果你真的去做调研，会非常 surprise。你特别在意的那些创新点，对用户来说可能只有 1% 的人在意。
我觉得这是 knowledge 的缺失。一个是态度上需要深刻调整，一个是要更了解市场，可能还要想办法去掉自己的 ego。
我觉得这可能需要一个系统性的理论，但我现在还没有。我觉得也许 Koji 你可以想办法总结一下，这对很多创业者会很有帮助。
你刚才说到去掉自己的 ego，这一点是我觉得最难的。现在回头看，当时有没有做什么事情来去掉自己的 ego？
周昌印
其实都是被动的教训。你不会觉得自己错了，但错过几次之后，就知道了。
有没有某个时刻，或者某些经历，让你觉得自己发生了很大的改变？有没有要求自己去做一些以前不会做的事情？
周昌印
我不知道是不是你问的这个问题让我想到，行为上确实会有一些变化。
我以前会认为自己想的东西都是对的，无论大小，都会试着去说服别人。
现在慢慢会发现，比如在团队里，我仍然会参与很多产品和技术。有时候我提出一个技术方案，方案可能会被团队里的年轻同事否掉。
现在我已经很习惯了。他们否掉就否掉，虽然他们不一定是对的，但只要这件事不是非常 critical，我就让它过去。
这算是一种改变。我以前不是这样，过去会觉得自己最聪明，铁头认为自己一定是对的，而且会觉得这件事很重要。
比如我的方案可以让性能从 99% 变成 98.9%，我会觉得这是不能接受的事情。
是不是曾经这样的放手，也让你得到了一些正反馈？
周昌印
我觉得是。放手之后，自己的时间会多很多，也没有必要纠结。
比如从概率上说，用我的方案可能是 70 分，用他的方案可能只有 65 分，其实没有关系。因为那是他的方案，所以他执行得会更好，最后结果可能反而比我的方案更好。
所以没有必要纠结这些东西。只有极少数事情真的非常 critical，我应该想得很清楚，然后一定要这么做、说服所有人。
这种事情应该收缩到非常少，甚至极少数。
你在这个时候，对创业这件事有什么新的理解？
周昌印
我今天看着第二部分那些问题，想了一下，有一个跟这个有关的心路历程。
我最开始创业的时候，是 2015 年从 Google 离职，开始做第一家公司。那时我很懵懂，做 CTO，负责解决技术问题。创业对我来说是一个模模糊糊的东西，反正一头扎进去做就完了。
后来慢慢觉得，创业的事情好多，每天这个、那个，特别忙。第二次创业做 CEO 的时候，很多事情也会自己去做。
但其实我的精力非常分散，公司的一些重要决定，我觉得都没有做对，可能是因为投入的精力不够。
慢慢我发现，真正重要的事情其实没几件。现在更多的纠结是，到底哪件事最重要。
比如现在有 3 件事情看起来都重要，但我心底里知道，其中肯定没有那么重要，可能只有 2 件是重要的。于是我会花很多时间去想，到底哪一件更重要。
也许更厉害的创业者，可以一眼就知道这件事更重要，那件事不需要做。我不知道接下来 3、5 年会怎么演变，但我觉得聚焦、知道什么事情更重要，可能是一些特别厉害的创业者和普通人的差别。
好奇问一下，当时公司融资的时候，找了线性和红杉，应该聊了一大圈。你是用直播机这个 idea 去融资的吗？
周昌印
对，是直播机。
你整个研究背景，包括第一段创业也是做 VR，后来跑去做直播机，这确实是一个很大的落差。
当时你是看到了直播机怎样的远大商业前景，才愿意下定决心真的去做 CEO，承担最大的风险去创业？
周昌印
这里面有两边的想法。
第一，我觉得国内电商以及短视频的需求，是一个非常大的市场，里面一定有机会。有一些技术能力的人，如果商业能力也不错，应该能找到机会。
因为我是温州人，我总觉得自己的商业能力不会太差。我觉得这个地方一定有机会。
直播机是不是那个机会，我不知道。但当时看起来，它有明确的客户，客户也确实想要，至少我们可以卖不少钱。
只是当时没有想明白，直播机这个软硬件项目将来能走多远，会遇到什么坎，没有想得特别清楚。反正就先做了。
中间我们经历过一次融资。有一家很有名的国内美元基金的负责人直接跟我说：“你为什么要做这个事情？你能做别的吗？”
我觉得这是一个挺让人意外的人生转折。做了那么久 research，出来创业，融资时讲这样一个 story，确实会让人怀疑自己是不是听错了，你到底要做什么方向。
你小时候是不是也经常这样，出人意料地做一些决定？
周昌印
对，我比较特别一点，会做很多奇怪的决定。
可以讲一些类似的、让人需要 double confirm 一下“这真的是他做的吗”的事情吗？
周昌印
我本科是管理学院的，先在管理学院学习，毕业后去微软工作。工作了一段时间之后，觉得自己想做 research，于是从微软辞职，去读研究生和博士。
本科是学管理，研究生读计算机，对吧？
周昌印
对。
而且多数人到了那个年龄，想再转 research，其实已经转不了了。
周昌印
我不是很操心这些事情。我的沉没成本可能不是很重要。我觉得接下来该做的事情，就可以去做。
这是不是李诞说的那句话：沉没成本不参与重大决策？
刚才你说到做 Vozo 之前的经历：你自己在做研究，也自己用工具把想法写出来。之前做研究时，可能因为环境优势，对接地气的东西接触得没有那么多。
但到后来，这形成了一个闭环：这恰好是你自己做 research 的习惯，再结合 AI 之后的机会，以及工具的发展，最后在产品上发挥了作用。
周昌印
我觉得最后的重点还是在产品上。产品经理真的蛮难做，我觉得自己是过去这么多年硬生生把自己变成了产品经理。
我觉得产品经理可能是这个时代非常有意思的一个岗位。你要理解技术，也要理解市场，甚至要理解流量怎么来，然后把这些东西很好地绑定在一个产品上。
所以技术的人来做产品，或者市场的人来做产品，都会遇到很多挑战。我走的可能是从 research 到技术，再到产品的路径。
我觉得这条路径还挺好的，也挺有趣。
你的目标是什么？是要做一家什么样的公司，还是要赚钱？核心的心理动力是什么？
周昌印
我觉得初衷可能有两部分。
第一，无论是以前做研究，还是在 Google X，都会对我有影响。做 researcher，就是希望自己的 intelligence 能够非常积极地影响很多人，影响这个世界。这可能是内心比较大的一个想法。
另外一边，更具体地说，我很早在 Google 的时候就一直觉得，用 video 去传递信息是必然发生的事情。因为 video 的信息量最大，bandwidth 也最高，这件事迟早会发生。
我总觉得这件事情一定会发生，希望自己是其中一个主要的促成者。
但 2015 年的时候还太早了，市场没有 ready，技术也没有 ready。到了 2021 年，我发现这件事好像出现了一点机会。
所以这也回答了刚才为什么 2021 年回到国内做这件事。Video storytelling 和我最开始想做的事情，存在一定的关联。
总结来说，还是因为有一件你非常相信、一定会发生的事情。你希望自己能够成为这件事的一部分，并且最好能够成为推动它发生的人。
经历过和最聪明的一群人一起工作，你看到过很多顶尖的人。你会认为顶尖的人和不顶尖的人，最大的区别有哪些？
周昌印
我可能比较幸运，接触过一些 high-profile 的人。
最开始我在微软亚洲研究院，后来有一位也是美国科学院外籍院士的人，他算是我的导师，我们有比较近距离的交流。我会观察他怎么做事情。后来他又把我送到美国微软总部，跟当时美国微软最主要的几个人聊了几遍。
之后我去了哥大，跟了另一位院士。他在计算成像领域可能是最厉害的 professor。后来我又去了 Google，跟 Google Brain，以及另一位 graphics 领域的 fellow 有更多接触。
我觉得他们有一些共性：非常 focus。他想的东西其实很少。
就像我的 PhD 导师，他带的学生也非常少。今年他应该快 70 岁了，但今年还拿了两篇 best paper。
他想问题非常聚焦。他会认为，这个领域里最重要的是哪个问题；在这个问题里，最重要的又是哪一个小问题。然后他就去想这件事。
把最重要的问题解决之后，很多事情自然会串起来。无论是资源还是人，都会自然聚过来，事情也就做成了。
有时候你会觉得他其实挺轻松，因为他只 focus 在一件事上。很多不是 top 的人，可能没有这么奢侈，只做最重要的事情，可能因为生活原因还要做很多其他事情。
但他们只做最重要的那件事，其他事情让别人来做，或者干脆不做。我觉得这是一个很大的差别。
当然，你还需要促成这个变化，也需要很多能力。比如你想聚焦，却可能想不出来应该聚焦在哪。
即使有人给你 100 万美元，让你不用担心其他事情，只做最重要的事情，你可能也想不清楚自己最重要的事情是什么。
这是我觉得最重要的差别之一。可能过段时间我会有别的想法，但这段时间我想得比较多。
人都是很中庸的。你想到 3 件事情，下意识会觉得这 3 件都挺重要。但实际上可能是第一件比第二件重要，第二件比第三件重要。
你可能给它们打分：一个 80 分，一个 60 分，一个 40 分。但如果你这么打分，我觉得你会低估它们之间的差距。
实际情况大概率是一个 90 分，一个 20 分，一个 10 分。人总是会很中庸。
你自己现在有什么区分最重要事情的方法吗？
周昌印
一种方法是想：我不做会怎么样？
很多时候其实不做也不会怎么样。但这里的“怎么样”要用数据来判断，不是说不做觉得不舒服就算有影响。
不做这件事，真的会导致公司营收下降吗？用户真的会流失吗？会流失多少，是 2 个，还是 20%？
大体算一下，很多时候会发现，其实没那么重要。
你自己有什么保持学习的方法？
周昌印
现在主要是跟 GPT 学。我是 ChatGPT 的忠粉，他们可能因此亏了很多钱，因为我每天都在用。
O1 刚出来的时候，我基本上三天两头就会把额度用尽，然后要等到第二天才能继续用。现在就可以一直用。
我觉得它真的已经比人聪明了，跟它学就行了。
另外一个方法，是尽量找每个领域最强的人跟他学。学术领域也一样，找到最厉害的人跟他聊。
比如你要做一件事情，就找这个领域最厉害的人，先跟他聊一聊。我觉得这是比较有效的方式。
这可能跟我以前读管理学院时逃课太多有关。小时候上课都不去，但要先找老师，让老师给我划一下重点。
Ronghui
我们上上期的嘉宾 Justin，之前做游戏公司沐瞳，后来以超过 40 亿美元把公司卖给了字节。我们问他类似的问题，他也说要找最厉害的人学习。
我们问他接下来要向谁学习，他说第二天约了 DeepSeek 的一位合伙人。那个时候 DeepSeek 还没有发布 R1，但我们已经知道 DeepSeek 很厉害。R1 发布之后，就觉得更加出神入化了。
但我的问题是，不是所有人都有这样的能力或条件，想找最 top 的人就能找到。你年轻的时候是用什么方式找到厉害的人，跟他们沟通的？
我们播客应该有很多年轻朋友，可以给他们一些这样的小 tips。
周昌印
我觉得只要去找你身边能找到的最厉害的人，这件事就已经完成了 80%。未必要找到这个领域最强的人。
你会发现，很多人其实并不难找。你去找他，大概率他也愿意跟你聊。
我其实很晚才意识到这一点，已经在读研究生的时候才慢慢意识到。
我原来在复旦读研究生，那时候想做 computation research，但不知道应该去哪里，也不知道怎么出国。
我就到处看，后来看到北京有一个微软亚洲研究院，于是给其中一位 researcher 发了封邮件。他应该算是我后来很重要的一个贵人。
他给我打电话面试，面试完我就去了北京。到了北京之后，他又把我推荐给前面提到的微软亚洲研究院负责人。
后来他又把我推荐到哥大读 PhD，又推荐我去微软。之后我参加学术会议，在会议上做报告。
做报告时很有趣，观众里有一位老人问了我一个问题。我回答完之后才知道，这位老人后来成了我去 Google X 时的老板。他记得我，后来打电话问我要不要跟他一起去。
所以我觉得，只要关注身边能够 reach 到的人，去认识他，就会有机会。其实这个网络很小。
Ronghui
我还听过一个很卷的说法，也是我们一位嘉宾在播客上讲到的：把每一次谈话都当成一次面试。
我们当时觉得被卷到了，好像每句话都压力很大。但仔细想一想，如果你可以放松一点心态去面对每一次沟通，尽量不要太害羞，多表达，确实可能带来一些意想不到的好结果。
周昌印
我觉得这可能是大学或高中就应该培训的 key skill。
我觉得这件事值得聊，是因为我们现在在国内招聘同事时，明显感觉国内同事在这方面的意识比美国同事弱一些。
所以有时候我们会花一些精力，希望其中一些特别有天赋的人能够变得更厉害。
现在 Vozo 之前是在海外 App Store 上线的，那有做中文版的规划吗？
周昌印
这个规划其实已经很久了，中间有一些内部 debate：国内市场要不要支持，什么时候支持。
但事实是，我们之前虽然没有发布中文版，中国用户其实已经挺多了。可能因为中国有很多用户做短剧出海、电商出海，所以中国用户一直在使用。
他们一边用，一边抱怨说希望有中文版。这是一部分用户。还有一部分用户是用了之后不知道怎么付费，因为我们的支付方式不支持支付宝和微信，所以也会有很多抱怨。
我觉得现在差不多是时候了。我们的 PMF 迭代基本完成，已经进入增长阶段，国内市场也应该去支持。
另外，有些公司会说要把中国市场排除在外，但我们团队从来没有这么想。只是要决定中国市场排第几，是先做日本、法国，还是怎样。
我们现在决定，不管怎么样，先把国内市场支持起来。至少让国内用户可以看得明白、可以付费，也可以给我们发 support ticket。
我觉得这比较重要。近期我们可能会对国内市场做一些开放和定制，希望中国用户可以更好地使用我们的产品。
我们也会围绕这件事在国内招聘，一方面是国内的增长和商务岗位，另一方面也一直开放 AI video 相关岗位。无论你是做产品、研发，还是工程开发，都可以随时发消息给我们，我们可以因人设岗。