Koji
嗨，我是 Koji。本周的《十字路口》，我们请到的是 Mizzen AI 的创始人兼 CEO 孙克强，以及他们的天使投资人李一豪。李一豪也是 Quick Stone 的合伙人，也是我们的老朋友。你们好，欢迎来到《十字路口》。
孙克强
你好，Koji。
我们节目有一个传统，还是从自问自答开始。因为一豪之前已经来过了，今天就放过你了，我们先从克强开始。请问克强，你的年龄？
孙克强
30 岁。
毕业院校？
孙克强
硕士毕业于清华大学，博士毕业于香港中文大学 MMLab。
你的 MBTI 和星座是什么？
孙克强
ENTJ，巨蟹座。
用一句话介绍一下现在的公司和产品。
孙克强
Mizzen AI 是一家以人为本的 AI 公司。不管是产品还是公司本身，我们都希望更好地围绕人展开，更多地去理解人，也帮助人更好地理解这个世界。
Mizzen Insight 是我们在这样的背景下打磨出来的第一个用于用户研究的产品。它可以让传统的用户研究速度提升 100 倍，成本下降到 1/10。
现在的团队规模呢？
孙克强
一共只有 8 个人。
一句话介绍一下创业之前在做什么。
孙克强
创业之前还是在创业。当时我是以合伙人的身份，跟 Musical.ly 的创始人 Louis 一起做一家新的创业公司。
在上一次创业之前，我有 5 年在商汤的工作经验，以及在 Meta 半年的工作经验。
我们还是先从你们这一次新的产品方向聊起。AI 用户研究这个赛道，最近不管是在中国还是在美国，感觉都非常受欢迎。可不可以分享一下，你们为什么会选这个方向？
孙克强
1. Why User Research Now
之所以选择从这个赛道切入，我核心思考的是 3 个问题：第一个，这个需求是不是真实的；第二个，这是不是真正足够颠覆性的技术变量；第三个，这是不是一条通往伟大的道路。这 3 个问题最终都指向了这个赛道。
我们知道，全球最大的用户研究公司 Nielsen 成立于 100 多年前，它有这么久的历史了。但很遗憾，我们现在还在用 100 多年前的方式，用一种非常粗糙、非常低效的方式来开展用户研究。
Nielsen 是一个非常劳动密集型的公司吗？
孙克强
是的，里面有非常多的人。一个项目通常需要消耗 60 个人天，以及平均 10 万左右的项目开销，非常慢、非常贵，效率很低。
我们这一次创业其实从 5 月份开始，和一豪兄大规模探索各种各样的想法，里面经常会迸发出一些非常有意思的产品方向。
从一个产品的第一步开始，我们其实就是要来到用户身边去调研。但我们发现，这件事非常漫长。通常我们需要花一整周的时间，去访谈 10 多个人，才能确定这个需求是否真实。这个过程让我们感受到非常累、非常慢。
我们发现 AI 让产品迭代速度大幅加快，但是用户研究的速度远远跟不上研发的速度。现在做东西变快了，但“做什么”这个问题，还是需要用户研究去解决。
孙克强
所以我们想做的，就是帮助大家更好地发现用户需求。
我们也访谈了很多一线做用户研究的人，验证了需求的真实性。技术变量在这里带来了一个新的拐点，是一个颠覆性的改变。
传统用户研究只能串行地进行，但是 AI 有可能以并发的方式，同时访谈所有的 20 到 30 个人。
第三，我们认为这是一个通往伟大的道路，也就是说，这可以做成一家很大的公司，这个 business 是可以 scale 起来的。不仅如此，我们还发现它未来的可能性和想象力是巨大的。
一个产品的闭环是什么样的？它要从用户研究开始，中间开发出产品，最后还要回到用户。如果中间但凡有一个环节是滞后的，最终的产品迭代速度还是很低效。
如果有我们这样一个平台，能够把中间用户研究的速度进一步加快，我们看到的就是产品自动迭代、产品自动升级的可能性。这对我们来说是非常令人激动的。
李一豪
还有一点补充。AI 这一代的模型都在隐式建模，实际上它也有可能超越传统的人类产品经理，从用户的反馈中挖掘出更多信息。
这些信息可能通过隐式对齐的方式，直接反映到产品的交互、体验、性能，甚至价格上。这是我们一起探索的、非常令人兴奋的旅程。
刚才克强介绍了你们为什么做这个产品。那现在产品是什么状态？已经发布了吗？有多少用户？
借我们的十字路口这个平台来。来插播一则硬广，非常荣幸，Mizzen AI 的第一个产品能够在十字路口与大家正式见面。我们来看看有多硬啊，这个广告。我们推出的这个产品叫做 Mizzen Insight，它是一个全链路的 AI 用研平台，从此用户研究不再是漫长昂贵、只有大公司才能做的事情，它将变成一种普惠实时的能力。有了 Mizzen Insight，你可以早上来到公司去提出你的一个问题，午饭之后就能拿到洞察结果。研究的周期从月级缩短到小时级。如果你正在做决策，却对用户怎么想缺乏把握，如果你在犹豫是否要启动一项传统低效的研究，那快来试试 Mizzen Insight，以百倍速度挖掘市场洞察，让你的决策快人一步。哇塞，感觉我们这个背后应该配上那种古典咚咚咚咚咚的一些这个激昂的音乐。OK，上链接，是的，链接在评论区自取。好的好的，好，
好的，我知道克强其实有一位合伙人 Andy，他之前做了十几年的用户体验和用户研究工作。可不可以讲一讲，你们观察到的现在整个用户研究行业，究竟是一个什么样的现状？
孙克强
我们产品的合伙人 Andy 是唐硕咨询的创始员工。唐硕目前是国内最大的用户体验咨询公司，他在那里深耕了多年，后来又有很好的 To B 服务经验，在飞书做多维表格的基础设施。
他带来了很多客户。我们现在和客户共创的过程中，也挖掘出了很多对于这个市场和行业的洞察。
2. The Human Interview Tax
其实存在一个反共识的洞察：我们发现，用人作为主持人来开展用户研究，里面存在一些系统性的问题。
首先是人的认知边界带来的高昂对齐税。由于人的精力有限，在传统项目开展过程中，经常会有多个主持人一起开展访谈。不同主持人之间进行信息同步、信息对齐时，洞察会被稀释，对齐成本也会非常高。
另一个问题是人的疲劳很容易累积，而你的情绪又会影响访谈效果。如果今天 Koji 不是这么精神饱满的状态来进行沟通，我可能也会比较 down 一点。
最后还有一个很重要的问题：即便使用同一个主持人完成了所有访谈，里面还是会有问题，因为主持人会存在认知的边际效益递减现象。
比如接下来我要访谈 20 个人，我在聊第 1 个人的时候，觉得自己挖掘出了非常多这个方向的信息；但是访谈第 2 个人时，信息密度和我对其中的兴趣浓度就会大幅衰减。
除了前面提到的慢和累之外，还存在一个大家不那么容易关注到的问题，就是人类访谈的洞察效率和洞察深度甚至都不够强、不够深。
AI 在这里带来的可能性是，它具有极强的一致性。它可以对所有访谈者都保持像第一次访谈那样的好奇，对每一个可能存在的点进行追问，从所有 30 个人那里挖掘出洞察。
最近不是还有一个很流行的 prompt，就是问 ChatGPT：“根据你对我过去的了解，指出我身上 3 个致命的弱点。”因为它的 memory 功能越来越强，大家发现它确实对人的洞察力非常强。
这个赛道在北美已经有很多玩家了。我们知道融资最多的，比如 Listen Labs，是红杉投资的一家公司。所以我很好奇，在一豪看来，现在这个赛道大概有多大的规模？
李一豪
3. The Fragmented Market Opportunity
我们一直在强调两点。
第一，在 AI 浪潮的第一个阶段，垂直细分领域有非常多的机会，我们在追求一些垂直细分领域的 super intelligence。
第二，人力密集、传统以及半数字化的很多行业，恰恰是 AI 有更多机会的地方，因为它的供需差会更大。
我们看用户调研市场，传统调研市场大概是全球 800 亿到 900 亿美元。这里面包括克强前面提到的 Nielsen 这样非常传统的产业。
新兴一点的 UX tools 市场要小很多，大概是 30 亿到 50 亿美元。
我们第二个关注的问题是，这个广义市场结构已经进入固化，已经进入并购整合。它其实非常像 HR tools，以及之前传统 legal tools 的市场一样，已经出现了早期的寡头垄断，但依然结构性地非常分散。
这其实很符合我们对市场的偏好。这样的市场在新的技术变量进入以后，往往最容易出现新的进入者，以及新的寡头垄断机会。
我们还发现，每个产业本身都有自己的物种特性。用研市场，可能和 HR 市场、很多传统的金融法律市场一样，迭代速度并没有那么快。这反而给了新进入的创业公司更好的机会。
已经深度数字化的行业，包括电商、内容营销，由于本身就是由新一代互联网巨头催生起来的市场，面对巨头的竞争，尤其当你的生态本身都是巨头的玩物，或者由巨头制造的时候，竞争压力会更大。
第三，我们看到调研市场本身和 agency，以及我们当时看到的中国互联网教育市场非常像。这个市场的多样性，以及垂直市场本身的行业专业性，使得在每一个有价值的细分市场里，都会出现销售规模非常可观、经济回报非常好的公司。
基于这几点，我们对这个市场产生了非常好的兴趣。更多的需求，来自于 AI 如何结合洞察和变化，这都是克强、Andy 的团队与客户进行日常互动，在提炼需求的过程中发现的真实需求和 PMF 机会。
看完这个市场，还有一点很重要，就是中国团队的机会在哪里。我觉得这一点很重要。
我们总结下来，中国团队对互联网原生的理解非常强，有极强的用户洞察、用户理解、产品连续迭代和深度运营能力，也更擅长复杂的用户交互，尤其是面对 To B 企业级客户时的交付能力。
这也是克强团队让我们看到的非常好的组合，是我们觉得非常有竞争力的地方。解决这个时代问题的工具，已经完全进入了新的范式，是 AI 原生的。
克强带领的团队，本身对技术的理解非常深刻、非常有洞见，也非常面向未来。团队里又有商业老炮，来自互联网时代最成功的企业级产品和全球化产品，比如飞书，同时也有咨询行业深耕多年的经验。
这样一个融合了行业经验，又以 AI native 为出发点的团队，是我们觉得在这个时代和这个赛道里非常有竞争力的团队。
刚才一豪提到，整个市场规模接近 1,000 亿美元，这在我看来非常 surprising，是一个很大的数字。
李一豪
我们其实发现，很多市场还是有共性的。这个市场挺像美国和欧美主流市场。
美国法律的传统市场大概是 4,000 亿美元，而 legal tech 在里面大概占到 600 亿到 700 亿美元，也就是纯 SaaS 化、上一代云化和 SaaS 化的服务型软件公司，有 600 亿到 700 亿美元的规模。
在中国，最好的对标实际上是 K-12 教育。在双减之前，K-12 教育市场从大概 2,600 亿元涨到了 4,600 亿元，接近 5,000 亿元的市场规模。
这里面长出了几家头部公司，我们的“国产御三家”基本都在 100 亿到 150 亿元的年收入规模。所以你会发现，这些市场本身就像一个物种，有很多类似的特性。
它有巨大的市场，深度服务化和行业特性决定了它天然是分散的；但第一名又在巨大市场的推动下，有足够上市、也足够给投资人带来很好回报的收入和利润空间。
所以，用户研究 800 多亿美元的市场规模，今天也是非常分散的。
孙克强
对，它也非常分散。
李一豪
它的头部玩家年化收入其实也就 20 多亿美元，20 亿到 30 亿美元的收入，已经能够连续并购这个产业里面很多中小型公司和区域型公司了。
所以你会认为，有了 AI 这一波助推之后，头部玩家会变得更大，而且有可能出现一个新生物种？
李一豪
是的。我们觉得，尤其是新市场、新需求和新客户，就像互联网长出了很多互联网原生公司，AI 也会长出很多 AI 原生公司。
这些公司可能天然就使用 AI 原生的用户调研工具，伴随产品迭代和自我生长，甚至走向更极致的 10 人、甚至 1 人超级公司。这样的公司也会催生新的需求。
这个很有意思。
孙克强
传统来说，用户研究是一个非常劳动力密集型的行业。所以里面很多小公司的人员规模，会随着每年业务的增长而增长。到后面就会发现，管理成为公司非常重的一个要素。
可以理解，因为它不但劳动密集，而且是智力劳动密集。这种人比起工人的那种劳动密集，要难管理很多，因为他的工作需要主观能动性、智力劳动和良好的精力状态。
人越多，管理半径越大，就有可能管不好。但是每个客户要求的交付质量是一样的，所以 ROI 是递减的。
4. Research For Everyone
Koji
我觉得这还有一个很大的变化。以前用得上这个市场，也意味着它其实是高通胀循环游戏中的一部分，是很多高毛利、高剩余价值的企业才用得起的一种服务，对吧？
我们看到一些工业产成品，或者一些中低价值的产成品，可能没有足够的毛利来用得上这种服务，也用不上称得上服务的用户调研，甚至用户调研产品。
但在 AI 时代，这件事情之所以变得可能，是因为它如此便宜、如此高效、如此自动化，而且由 AI 驱动。这可能是一个新增市场。我觉得往往做新不做旧，新增市场的新机会，对创业公司来说反而更友好。
过去我在做唐道 CEO 的时候，我们也做用户研究，会一对一和用户访谈。我觉得这是非常重要的事情。
消费品和 App、网站不一样的地方在于，它不能说一锤定音，但你发布一个版本的代价很大。备 1 万件货，如果卖不掉，变成库存不说，你要销毁它也要花钱。
但是软件发上去，哪怕需求有偏差，也可以很快迭代，甚至还可以回撤。可是并不是每个公司都有那么多成本去做用户访谈，因为这里对人的素质要求其实不低，这些人的 hourly pay 是很高的。
过去我自己也作为被试接受过一些访谈，比如戴森、蔚来汽车。但你回忆起来，都是刚才提到的那种有钱的公司，不管利润怎么样，反正是有钱的公司，可能才有成本做这种事情。
孙克强
所以我们平台最大的期望，就是让用户研究不再是大公司、或者大公司的核心项目才拥有的权利。我们希望做的是普惠，或者说用户研究的平权化。
你们现在的客户里，已经开始出现这样的共创案例了吗？之前他们不太可能为了某个项目、某个产品投入研究成本，但是有了你们之后，开始为这件事做研究，并且拿到了一些 feedback？
孙克强
是的，有非常多这样的情况。
我们现在有一个全球最大的消费电子公司。和他们共创的过程中，我们发现他们一开始确实在做一些很重要的研究，但到后来，他们开始做一些非常细小的项目。
比如前几天他们刚刚发起了一个项目，说：“我想了解我的用户愿不愿意使用先用后付费这样的付费模式来购物。”就这么一个点，他们也需要展开一个项目进行研究。
还有一个项目，是他们和另一家公司开始探讨：一个应用里，手写和屏幕打字输入要不要分离，是否适合出现在同一个产品形态里。就这么一个小小的应用，现在也要开始用几十道题这样的问题，去深入进行用户研究。
李一豪
其实 Koji 前面这个问题非常好。这是投资人问创业者时经常问的一个问题，我最近一直在想“认知内核”这件事情。
我们定义的认知内核，是在最小 MVP 的情况下，能不能验证用户最痛的需求。因为这一点如此重要，它会引导团队整个发力的原点、资金和资源的投入，甚至决定你基于这个认知内核需要构建怎样的团队。
所以我们想问问克强，在你贴身服务这些未来真正会为我们支付的客户时，有哪些反共识洞见？我们的认知内核是什么？
孙克强
这里确实有一个反共识的洞察，刚好可以和大家分享。
在 AI 驱动下，产品构建的成本大幅降低，甚至低于分发成本。在这个背景下，传统用户研究的范式也必然会被颠覆。
我们之前理解的用户研究，好像是花几十万元、花整整一个月时间，由研究公司做出一份报告，再配套一次 presentation。
但当我们把用户研究的效率进一步提高之后，用户研究的范式也发生了根本性改变。大家开始希望用户研究能够变成连续、渐进式的。
不像之前要花整整一个月做一个大型研究项目，而是我今天想了解一个小问题，就快速发起一次访谈，发布一个用户研究项目，可能不到晚上就已经收到报告了。每天小步快跑地迭代产品、推进产品升级。
可不可以请克强介绍一下，Mizzen 具体可以帮客户做什么样的用户研究？包括哪些类型？刚才你提到已经有客户在共创，可不可以以一个客户为例，带我们走一遍完整的生命周期？
孙克强
5. Inside A Mizzen Study
当然，这边可以举一个真实的例子。
前段时间，我们和国内最大的现制餐饮品牌合作。他们来到我们平台上要做的事情非常简单。
第一个 agent 是访谈创建 agent。品牌方可以直接把这次共研项目的需求说出来，访谈创建 agent 就会在和他沟通的过程中，在右侧实时梳理访谈大纲。
第二个环节是样本招募。你只要告诉我们用户画像是什么，我们就可以快速在平台上找到符合这个画像的人。
我们还有一个面试环节，会邀请潜在受访者花 5 到 10 分钟，确认身份信息，确保他们符合品牌方的需求。
第三个环节是由 AI 主持人和受访者交流。我们会邀请受访者打开摄像头，AI 主持人直接询问一些信息，了解他们是如何想的，并把他们带回当时的情境中进行探讨和追问。
第四步，我们会用报告 agent，把所有访谈整理成一份结构化的最终报告。里面既包含总结性的结论，也包含每个问题具体的定性、定量分析，所有内容都可以有原文支撑，让客户基于这样的报告开展后续决策和项目推进。
你们有没有观察到一种现象：当受访者发现对面的主持人是 AI 时，会不会变得有点敷衍，或者不像和人交流时那样情绪饱满、时刻集中注意力？你们有没有观察到这样的现象？如果有，做了什么来应对？
孙克强
一开始会有一点，但实际上我们现在通过整个产品设计，已经完全解决了这个问题。
既然是一家 AI 原生公司，我们就要扬长避短，发挥 AI 特有的优势，hack 人类对 AI 的特殊感知。
有 3 个要点。
第一个，我们让受访者感受到，他们做的事情是有价值的，他们是在帮助一个真实的品牌打磨产品。这对受访者来说，能够提升参与感和价值感。
第二，这里面有一个霍桑效应：当人来主持时，你们之间的 chemistry 会影响对方。
举个例子，如果主持人是女性，而受访者是男性，这时候男性会更想展示自己的男性风采。如果对面的主持人是 AI，我们现在感受到的是，受访者反而会放下对人的感受，放下防备以及其中所有的干扰因素，最如实地表达自己就好了。
这挺有意思的。
孙克强
第三，我们在这里还打磨出了一套 benchmark。我们会用一套系统，对受访者的回答进行打分。
评分维度包括内容是不是真实。我们会通过多模态的形式，识别受访者的整个行为。同时，我们还会分辨他说的东西里有没有足够多的细节，有没有自己的主观分析，以及是否进行了具有一致性的探讨。
所以在用户开始回答之前，我们就会把这样的评判标准告诉他，最后得分会和他实际拿到的礼金挂钩。
我们提供的是一些非常客观的指标。在受访者和这套评判规则的博弈中，最好的解就是：你要变得更加真实，更愿意表达，这样就可以拿到更多报酬。
通过这样一整套系统，我们发现，受访者的诉说欲甚至比之前更强。
咱们的受访者都是注册 Mizzen 的用户吗？他们是主动注册，说自己想被 Mizzen 上面的客户访谈吗？
孙克强
我们构建了一个超大的受访者池，里面有几个不同的渠道来源。
一个是底层有大量供应商。目前我们已经和 2 个国内供应商、2 个海外供应商完成对接，合起来大概有千万量级的受访者。
在上一层，我们构建了自己的 agent 能力，通过 agent 进行样本筛选，审核他们的信息是否满足访谈项目的需求。
我们还构建了一个面试 agent，确认受访者的信息真实，并且满足项目的访谈条件。
第二，我们也和国内外头部咨询公司、研究公司达成合作，将他们的专家库开放给我们。
最后，我们也在自建自己的社群。
另外一个思路是访谈 AI，而不是访谈人。因为 AI 其实也可以模拟人，你怎么看这种可能性？
孙克强
我们发现，现阶段还无法使用这样的方式来支撑用户研究，里面有两个核心原因。
第一个是现在的技术还不成熟。当前的大模型对于人类真实的 context 还有巨大的 gap。
人很容易受到环境影响，环境的每一个变化，都会对人的思考、态度和偏好产生巨大影响。现阶段，模型每次训练都固定了它所拥有的上下文，所以很难模拟最前沿、最真实的用户态度和洞察。
通过这种方式，你只能拿到过去的、并且不全面的一些洞察。这是第一个重要原因。
第二个是现在通用智能的能力还不够。你很难通过自己的推理，理解受访者在面对一个产品时可能会有什么样的体验。
第三，我们和大量甲方一线品牌方沟通时也发现，大家对于 AI 模拟出来的受访者，其真实性和有效性都存在很大顾虑。
所以，这就是我们当时否定这个方向的核心原因。
虽然 Mizzen 今天刚上线，但前期其实已经和很多用户共创了。在和这些用户共创的过程中，有没有什么特别的、你们一开始可能自己都没有想到的发现？
孙克强
6. Training The AI Interviewer
有一个非常有意思的发现。
当我们和他们探讨，在传统研究项目里最核心的要点是什么时，大家不约而同地得出结论：最关键的是主持人能够问出什么样的问题。主持人问什么，决定了你能从受访者身上挖掘出多少信息。
那现在的模型做主持人，可以做到什么程度？
孙克强
现在其实还不能把这件事做好。
其中一个核心要点是，我们发现现在的大模型都是很好的回答者，而不是好的提问者。大模型研发公司在做后训练时，不会花太多精力去调优提问能力。
我们可以看到，比如 GPT 的训练，是让用户去选择一个更好的回答，而不是让用户选择怎样提问，才能问到你的心坎里。
另一个区别是，所有这些访谈数据其实都是闭源的。我们很难知道苹果每年做了大量用户研究，但也很难在网上找到它的访谈过程究竟是什么样的。
考虑到大模型并不是好的提问者，包括优秀访谈中的问答往返，也是不公开的数据。
那你们怎么做？
孙克强
一方面，我们已经和几家国内外一线研究公司、咨询公司达成合作。他们会开放那些已经过了保密协议期限的访谈，并且和我们签订独家合作。
过去半年里，我们也设计了一套专门用于训练优秀 AI 主持人的体系。通过这两种方式结合，我们已经开始自研自己的访谈模型。
我们不只是做一个能说话的模型，更重要的是研发一个能够挖到关键点的专业 AI 主持人。
这个可以稍微展开一下吗？具体是在怎么做这件事？
孙克强
我们选择用强化学习来做这件事。训练一个好的访谈员，提升他的提问能力，非常天然地适合用强化学习这个范式。
其中最核心的要素，是构建一个好的 environment 和一个好的 reward model。
在我们的场景下，environment 就是通过收集到的数据，去模拟当时项目的背景以及受访者的回答。当主持人模型在这样的项目背景下提出一个问题，模拟的受访者会进行回答，而这个回答会符合我们从真实受访者数据中获得的信息。
这样的研究之前没有人做过，所以我们需要自研这样一套环境来训练主持人。这是第一个部分。
第二个是做好 role model。我们要在不同维度上，对这些模拟受访者的回答进行打分。
受访者的回答是被主持人“勾”出来的，所以受访者回答质量越高，就意味着主持人的提问能力越好。
李一豪
我觉得这特别像 AI 下半场的新范式。
我们看了几千家 AI 公司，也发现，在每个垂直行业里榨取行业 domain knowledge、压缩智能的最好方式，就是定义这个行业的 environment，以及最有价值的 benchmark。
在用户调研行业里，提出好的问题、成为一个好的主持人，本身就是最关键的 benchmark。
即使 pretrain-based model，甚至 general-purpose 的 post-training model，智力水平会不断提升，但到了具体 domain，它只是我们可以 harness 的最好工具。
其中最优秀的 benchmark，永远来自这个 domain 的专家在实践和边缘数据飞轮中不断形成的东西。这就是我们看到的 AI 时代 AI 原生公司最强大的壁垒，也是我们和克强一轮又一轮探讨前沿实践时，最让我们不断感到兴奋的地方。
之前和克强聊的时候，你提到除了希望做用户访谈、做提问之外，还希望做一个很宏大的概念，叫作“对话及人类偏好图谱”。这个可以展开讲一讲吗？
孙克强
7. The Human Preference Graph
我们发现，人类偏好在传统语境里约等于个性化推荐。
个性化推荐本质上是在用一些非常粗糙的标签给每一个用户打标签，但这个标签是离散的，我们很难通过这种标签立体地塑造一个人。
但我们发现，语言可以做到。我们每天表达这么多、说这么多话，在不同平台上留下痕迹。过去没有一个好的方式，可以把这些信息完整整合起来，因为里面的计算复杂度非常高。
通过这几年的积累和沉淀，我们建立了关于人类偏好图谱的基础设施。通过这套基础设施，我们可以把你说过的所有话整合起来，沉淀出你的偏好图谱，并以最高效的方式检索其中与你最相关的偏好和此前的上下文，从而对你的整个画像进行最立体、最全面的建模。
这是我们沉淀下来的能力。这样的能力作为平台基础设施，可以给客户带来一些新的体验。
一方面，我们可以帮客户找到更精准的人。以前找人主要依靠一些有限的标签，但这些东西太粗糙了。要找到最精准的人，还是要通过立体化的画像，从最全面的维度对一个人进行定位。
所以，我们沉淀下来的用户偏好图谱能力，可以快速帮客户进行整合和定位。
第二，我们可以通过用户偏好图谱，对受访者在平台上的发言进行校验。如果你在上一次访谈中说了一些信息，下一次又把这些全部推翻，我们就会让主持人进行确认，从而确保品牌方在我们这里拿到的是最有效、最高质量的洞察。
第三，我们可以模拟特定受访者的观点。由于所有受访者的信息都沉淀在平台上，我们可以帮助甲方进行用户模拟，开展高效、实时且超低成本的实验性研究。
虽然 Mizzen 可能要等播客发布时才算正式上线，但刚才听起来，你们已经有不少早期用户了。现在已经有付费用户了吗？你们用什么方式向他们收费？
孙克强
是的，我们已经有付费用户了。我们的收费是不收平台费，但按项目收费。
比如访谈 10 个人，每个人收 1,000 元，大概收 1 万元，是这个逻辑吗？
孙克强
对，是的。
刚才我们也提到，用户研究的市场规模足够大。所以不管在北美还是中国，做这个 AI 垂直领域创业的团队都不少。
我想知道，在克强看来，Mizzen 的竞争优势是什么？
孙克强
我们希望用 AI 原生的方式，持续提升产品力。
我们发现，当用户使用一个 AI 平台时，他最在意的是你能够挖掘出什么样的用户洞察。决定产品进步的，其实也是 AI 主持人面对用户提问的能力。
这就是为什么我们坚持自研自己的 AI 主持人模型。
我们是比较罕见的、能够将产品能力和技术能力紧密结合的团队。团队中也有商业老炮，能够在市场上把产品推动起来。
我们的核心团队，就是我们在这个市场上保持领先的最大竞争力。
前面我们聊了很多 Mizzen 这个产品的想法。接下来聊一聊克强你的个人经历。
之前一豪提到你的时候，说你的创业热情非常、非常、非常高，用了 3 个“非常”。你自己的信仰是 YOLO，You Only Live Once。Ben Horowitz 在《创业维艰》里也提到，勇士之道在于时刻将死亡铭记于心。
孙克强
8. The Founder Behind Mizzen
对我来说，我终将死亡。在这之前，我要给这个世界留下些什么。我希望留下的是一个作品。
克强为什么选择在这个时间点出来创业，做这件事情？
孙克强
一方面，我一直在研究 AI 技术，所以不断观察整个技术链条。我发现，AI 技术的发展已经越过了落地的临界点，也看到了平台级的机会。
另一方面，我自己的技能栈，包括技术、产品、增长、运营等，也逐渐开始成熟。所以我觉得，现在是一个合适的时机。
知道克强的背景之后，其实你的研究方向是计算机视觉，但现在这次创业好像并没有特别用到计算机视觉方面的研究基础。你中间经历了什么样的转变和迭代，走到了现在这条路上？
孙克强
如果深度观察我之前这么长时间的研究和创业探索，会发现它们始终围绕着一个核心：如何让 AI 更好地理解人类偏好。
最早是 GPT-3.5 通过 RLHF 让世界认识到，人类偏好是模型的放大器。我在博士期间也做了一个系统性的偏好研究系列 HPS，这是全球第一个系统性挖掘不同人类视觉偏好的模型。
这项工作再次证实了一件事：当模型真正对齐人类偏好时，能力会出现质变。
模型越来越强，但理解人这个能力是永恒的需求。人类偏好是 AI 系统里最稀缺、也最核心的原生信息。
最后我意识到，如果要让 AI 在商业界真正落地，它理解的不只是视觉偏好，更多的是复杂的多模态人类偏好，还需要理解更多的动机与选择原因。
而获得这些人类偏好的手段就是用户研究。因为在这里，我们不仅能用 AI 理解用户，更能帮助企业高效地把真实的人类偏好作为结构化数据沉淀下来，为品牌提供长期价值。
本质上来说，这不是从计算机视觉跳到用户研究，而是我对“人类偏好”这条主线的进一步执着和深化。
你上一段创业是和 Louis，也就是 Musical.ly 的创始人一起做的，还是蛮传奇的。在和他搭档创业的过程中，有什么感受和体会？
孙克强
他曾经和我分享过一个观点：为什么 Musical.ly 会有这么大的成功？他认为，是因为生产力的跃迁。
这个生产力的跃迁，具体来说就是摄像头的普及。乔布斯让每一个人都有了后置摄像头和前置摄像头，这是一个巨大的产能提升。
这样的产能跃迁带来了大家创作方式的改变，并进一步带来了消费方式的改变。
这件事后来也影响了我。实际上，我们这个项目的本质也是用户研究产能的跃迁。未来，用户就像打开摄像头一样，轻轻松松就可以发布一个用户研究项目。
一豪，你是怎么发现克强和他们团队的？在决定投资、决定出手的时候，你做了哪些判断，最后决定扣下扳机？
李一豪
这又是一个浪漫的故事。
我到现在都非常清晰地记得第一次见克强的那个早晨。那是夏天，应该是 5 月到 7 月之间。我们本来安排了 1 个半小时，结果坐下来一直聊了 3 个多小时。
那天下雨，我们从下雨聊到不下雨。这个过程中最大的感受，就是前面提到的他的创业 passion，以及他所表达的人生路径。
他每一次选择，背后都有很多 option，但在这么多 option 里面，他最后选择走的那条路，都验证了这个人追求的是一场无限游戏：不断拓宽自己的边界，用自己的经历、思考和能付出的青春去做一些改变，对一群人产生价值。
这么高利益的追求，可以长时间引导一个人克服很多困难，不断迭代和进化。这一点在短短 3 个小时里面，一次又一次地打动了我。我觉得这是一切的起点。
第二个起点是，我觉得克强是我们见过的、每年 500 个人里极少数对 AI 洞见非常原生的人。
后来我意识到，这是因为他已经做了很多年研究。在商汤的 5 年，以及在 Meta 的经历中，他很早就提出了 benchmark 本身的重要价值。这是一个非常 agent、非常面向未来的定义，而且基于这个定义，我们做了很多探索。
在这之前，我们其实已经有过一次 pivot。最早我们基于 human preference 和视觉，探索过在艺术领域里，能不能把 human preference 的 benchmark 发挥出更大的价值，以及类似 benchmark 平台或 arena 的机会。
但在探索这个机会的过程中，我还在克强身上发现了一个很大的优点：他是真实采样，从真实环境中获得认知，获得有价值的实际认知。
他调研了很多 art gallery，和很多 artist 聊，也和这个行业里的交易者聊，才意识到艺术市场的供需结构究竟是什么样的。
他发现，艺术市场的供给已经不是稀缺阶段了，渠道和资本的分发已经在主导、主宰价值。这和我们现在看到的短剧，以及漫画、小说市场很像。
所以这里也许不是一个技术主导的产品能够突破的地方，他就面临了快速转型。
在这个转型过程中，他又遭受了非常多的打击。这是第三点让我感受非常强烈的地方：他的 resilience，他的 purity，非常强大。
我们遭受过很多投资人的打击，一起复盘、一起感受，也遭受过一些行业人士给出的负向反馈。但这些反馈没有一次真正打倒过克强，只是逼着他去探索：新的机会在哪里？我们的东西到哪里有机会？
一直到定位到用户研究市场以后，他极其快速地展开调研，获取用户真实的认知，这又不断增加了我们投资的意向。
最后一点，我觉得还是“广结善缘”。克强一路走来，身边的人不管是技术合作伙伴、业务伙伴，还是能够把鹏哥这样的创业老炮拉到团队里，我觉得都和他的性格、底层本色有非常大的关系。
我们一方面被克强深深吸引，另一方面也被他的人性，以及作为朋友的很多特质深深打动。我们愿意陪这样的创始人走很久，踩很多坑，做很多次转型，但一直坚持到最后。
这就是我们最后形成非常坚定投资判断的整个历程。
刚才提到愿景，所以想问问克强，Mizzen AI 最终希望成为一家什么样的公司？
孙克强
9. The Mission Beyond Research
短期我肯定希望它成为一个大家都在使用的用户研究平台。
这里最关键的事情，就是我刚才提到的产品构建闭环：一个产品的初始阶段要有好的用户洞察；当产品研发出来之后，也要回到用户当中去。整个过程其实就是和用户 preference 的 alignment。
我们希望成为产品和用户连接的枢纽，成为每个 PM 的钢铁侠盔甲。
人类在里面贡献神来之笔、直觉和洞察，以及极致的审美；AI 则把从用户研究到产品迭代的整个链路全部完成。
所以未来，这个钢铁侠的一部分是 Web coding，另一部分就是 web user research。这两者结合起来，成为钢铁侠有力的双手，让 PM 可以更自由地挥洒创意。
最后一个问题。如果现在给你 300 万美元，你可以去投资 3 个人，你会投哪 3 个？
孙克强
前 2 个我会投给 Quick Stone，就是老股东里的两个人。
一定会投给他们，是因为他们在产品和市场方面都给了我非常多建议，我非常 appreciate。作为一家投资机构，他们的专业性是满分；同时他们也是创业公司，今年才刚刚开始创业。
所以，在创业体验方面，我也和他们有很深的共鸣。我真的非常认同这家创业公司。
另外一个，是我之前在硅谷的一家公司，叫 Krea。他们是一个很早之前就把产品打磨速度做到极致的团队。