116. 吴明辉口述19年史：漫长的沉浮、痛苦急转、企业级Agentic Model、现实世界的数值游戏、IPO

我非常喜欢肖洪。我把她拉到我们公司之后，又把她带到我们家，我们一块儿聊天，深聊了很多次。我一直希望她来做我的 CEO successor，因为她情商很高，不会直接拒绝我。但是她后来告诉我：“辉哥，我不可能做一个 To B 的公司老板，我肯定要做 To C 的。”

哈喽，大家好，欢迎收听《张小珺商业访谈录》，我是小珺，这是一档由语言及世界工作室出品的深度访谈节目，我们希望和你一起从这里探索新世界。今天的嘉宾吴明辉是明略科技的创始人、CEO兼CTO。明略科技于二零二五年八月二十九日获得了境外发行上市的备案通知书，不久后将与香港上市。这是一次上市前的访谈，吴明辉口述了一家To B公司漫长的十九年故事，期间经历了好多次的分分合合、沉浮与急转。你能在这里找到许多我们节目嘉宾的身影，肖洪、李广密、杨植麟。我们也聊一聊面向全新的AI时代，企业服务级AI与Agentic Model的前景。但是在这个故事的最开始，要从他与峰瑞资本创始合伙人李丰的公司合并聊起。二零二五，让我们和AI，共同进步。

先给听众朋友们打个招呼吧。

大家好，我是吴明辉。

先来几个快问快答。公司名字？

明略科技。

公司创立时间？

19 年。

融资过往轮次？我看网上写 27 轮。

这个说起来特别复杂。最开始我创办了秒针，秒针融了很多轮。后来我又在 2013 年、2014 年初创办了明略数据，明略数据自己又融了好多轮。后来秒针又并购了秒针的竞争对手，所以招股书里面写的融资过程，肯定还算了原来被并购对象的融资轮次。

相当于三家公司的融资轮次加到一起了，而且合并以后肯定还融过。所以我估计肯定融了很多次。累计融资金额应该也有十几亿美元。

目前估值？

最近的一次估值应该是 15 亿美元。

目前是盈利还是亏损？

已经盈利了。

你的年龄？

43 岁。

你的 MBTI？

INTJ。

你和我们之前的几位嘉宾都有很多渊源。你是李广密在红杉刚开始投资生涯时的前几个项目，对吧？

对。

另外，你收购了肖洪的第一家创业公司。

是的。

他在节目里也分享过这段经历。我们要不就从这里开始，聊聊你和这两个人的渊源？我记得李广密是不是学数学的？

他不是学数学的，好像是学财经、金融之类的。

1. 广密与肖洪的缘分

其实我是在开始做明略数据的时候才认识广密的，做秒针的时候应该还不认识。明略数据在做的过程中，我们没有单独出去融资。最开始相当于是我在做明略数据的同时，兼着秒针。秒针最开始我是 CTO，还不是 CEO。

明略数据最开始的 CEO，是我找的一个朋友。他以前是 Oracle 的高管。最开始我们还是比较低调的，因为找了一轮天使以后，我们想的是：To B 的公司应该一上来就差不多能养活自己，赚钱做就好了。

但是广密特别厉害。他在红杉研究了美国大数据市场的一些著名企业。当时 Palantir 已经估值不低了，所以他就在找中国哪家公司更像 Palantir。他莫名其妙就找到我们了，我是他主动 source 来的。

我们聊得还挺好。最开始明略数据确实没有想出去融资，所以最后红杉就投进来了。我们就是这么认识广密的。

肖洪的故事也挺有趣。她有一个好朋友是我的大学同学，是 Answer AI 的 founder，不知道你知不知道这家公司。他们在美国做 AI for education，最开始是帮美国的小学生刷数学题。

我有印象，我知道。我还跟她打过电话，叫周丽。

对。周丽是我的大学同学，她介绍我认识了肖洪。当时她应该也是在融资，可能也没有那么好融。周丽把我介绍给肖洪以后，肖洪就来了我家，我跟她聊了一次，就特别喜欢她。她一走，我就跟周丽说，我肯定应该投她。

后来为什么当时特别想投她，甚至最后做了并购的决定？大概是在 2020 年。那时候疫情已经开始了，整个全球范围内的企业级服务市场发生了一个很大的变化。

以前很多在线办公系统大家不怎么用。比如 Zoom，其实很早就有了，但大家用得并不多。疫情逼着大家只能使用这类产品。国内像腾讯会议，我记得 2019 年他们内部可能制定的第二年日活目标是 5 万，结果到了 2020 年 1 月、2 月以后，很快就变成了上千万的水平。

这个过程让大量在线办公系统真正活跃起来，产生了海量数据。而我当时正好在北大读博士。2019 年我回北大，又开始读工程博士。我当时的研究方向叫 conversational intelligence，是自然语言处理里面更小的一个分类，研究人和人对话过程中产生的智能，让 AI 去理解对话，甚至生成对话，后来其实就和 ChatGPT 有关系了。

我当时自己做 To B，甚至 To G 的业务已经很久了，一直想找一种比较好的数据来做 AI，因为没有数据，AI 是做不起来的。正好跟肖洪一聊，发现她的业务下面有一个产品叫微伴，正好是腾讯企业微信上国内 installed base 最大的一个 SCRM，里面会产生大量客户和销售、客户和客服之间的对话数据。

我一看，这跟我的博士研究课题一模一样。我当然特别希望干脆把它并购了，这样我就有一个很好的 installed base，可以在上面做 AI。

而且肖洪在那个时间点可能还没有太多了解 AI。她是一个天才产品经理，从大学就开始创业，一直在做各种 application tools。我当时跟她说：“我不投你算了，我直接收购你。”

不是她提出的收购？

对，是我提出的。

当然，这里面也有竞争。当时有其他投资人想投她，也有人想收她。想收的肯定不是基金，都是类似我们这样的 To B 公司，因为她的软件确实做得太棒了，很多用户都点赞。

但我收购它的主要原因，不是因为它只是一个 application，而是因为在我看来，它有大量 conversational data。我想做 AI，所以我觉得这个方向是可行的，未来的天花板更高。

后来就并购了。她也在我们这儿短暂待了两三年，好像是 2020 年收的。

你是 2019 年认识她，还是 2020 年认识她？

2020 年认识的，2020 年年底收购，差不多。

广密应该是 2015 年左右认识的，肖洪是 2020 年认识的。这两个时间点，你分别是什么状态？

2015 年应该是刚刚创立明略数据，也就是第二家公司。2020 年的时候已经有明略集团了，我们是 2019 年合并的。

集团合并的是哪几家公司？

秒针、秒针的竞争对手 AdMaster，后来还有明略数据，三家公司合到一起了，大概是在 2019 年 3 月。

那 2015 年和 2020 年，你分别是什么状态？

2. 从技术男到 CEO

这两个状态还蛮不一样。2015 年正好是我真正意义上从 CTO 转型做 CEO 的时间点。

之前不是 CEO？

不是。在秒针最开始也不是 CEO，我其实一直是搞技术的。做秒针的时候，第一版商业计划书是做 recommendation system，也不是做广告系统。但后来我发现，做 recommendation system 没有 data。

于是我到处找 data，后来发现互联网上有很多 data，互联网广告也会产生很多 data。正好当时有一个 angel investor 叫祝伟，他作为天使投资人之一投进来了，后来也成了我们的 CEO。

他当时是被另外一个大家应该都熟悉的人拉来的，叫李丰，大家叫他丰叔。他现在是 FreeS Fund 的 founder。他先认识了我，又把几个朋友拉着一起，投了我和李丰合并起来的那家公司。

你和李丰本身就是合并的？

对。相当于李丰有一家公司，本来想做在线教育；我有一家公司，是一个 pure tech 公司，最开始没有自己的产品，给很多互联网公司做外包。

李丰自己没有技术团队，也没有技术合伙人，所以他有一家公司，我有一家公司，后来就合并了。合并以后他说，他负责出去融资。当时我还没毕业，2006 年我硕士二年级，就认识了李丰。

他拉了几个朋友，其中就有祝伟。祝伟是做广告出身的，所以最开始我们的第一版商业计划书本来是做在线教育。

但当时很多投资人并不看好在线教育。那时候互联网没有真正的学习氛围，更多是娱乐氛围。互联网大部分媒体的流量不像今天，支付和各方面产业的很多因素都发展得很好。那个时间点，大家基本上只能在网上看看美女图片之类的，互联网还是偏娱乐的状态，所以投资人不看好在线教育。

李丰以前是新东方的副总裁，他觉得这个方向好像跟教育没什么关系了，所以就离开公司了。离开的时候，我相当于干了半年的 CEO。后来我把其中一个天使投资人祝伟拉了进来，他是广告公司的高管，由他做 CEO，我又回来做 CTO。

整个公司最开始就是这么出来的，经历了很多股权变化。中间有一度罗永浩还是我们的股东，因为李丰那家公司里罗永浩是他的股东。

为什么？

因为李丰的那家教育公司，罗永浩和李笑来都是股东，他们都是新东方的。

新东方还出了徐小平。

对，是的。那是一个很神奇的地方，那个时代的老师都很厉害。

你是怎么认识李丰的？

投资人介绍的。

你不是通过投资人介绍？

不是。我以前连资本市场都不懂。本来就是在校大学生，带着几个师兄弟一起赚钱、干活。

你当时的状态跟戴威很像。

有点像。

我当时给新浪和搜狐做了很多系统。曾经有一个系统，是给新浪教育频道做在线考试系统。那个系统做得还不错，所以新浪教育频道的主编最后跟我关系还不错。他说：“我有一个好朋友在找技术合伙人，你们可以聊一聊。”于是就介绍我认识了李丰。

在那之前，我从来不知道什么叫融资，什么叫资本市场。是李丰给我做的科普。他说，除了赚客户的钱，还有一种方法，是去 VC 那里融资，然后做未来的东西。

那你对李丰当时的印象是什么？为什么刚认识不久，你们就决定一起创业？

当时我确实只是一个纯技术男，对商业、资本市场的理解都不够。李丰比我知道得多很多。

他比我大 9 届，都是北大的。他是 1991 级，我是 2000 级。他正好赶上北大一年军训的那个时间点。

我跟他聊了以后，觉得他首先特别有趣，而且极其聪明，语速极快，逻辑思维很强。以前叫 GRE 之类的考试，他肯定也很厉害，我们能聊得来。

第二，他也很喜欢技术。虽然他不是学技术的，但他很喜欢技术，也觉得我们这个团队挺优秀。我们确实是一帮挺厉害的技术男。

他当时给我讲了很多资本市场和互联网的事情。虽然他还是新东方的副总裁，但我也不知道为什么，他对商业、资本市场和整个互联网那么感兴趣。

他告诉我，李笑来对他们这帮人影响很大。李笑来是那种对商业和投资非常敏感的人。他说，新东方门口的楼，像海龙之类的，好几个楼都被新东方老师买了，因为李笑来天天跟大家讲，新东方老师赚钱多，可以去买楼，也可以再开公司。后来他还做了比特币，所以李笑来对这帮人影响很大。

你们当时两个公司合并，股份怎么算？

最开始他是第一大股东，我是第二大股东。我记得好像他 40%，我 30%。第一轮融资的时候，估值好像是 300 万元人民币，融了 100 万元人民币。

你们是合起来才有了第一轮融资？

对。估值 300 万元人民币，也就是 100 万元可以买我们公司三分之一的股份。

像祝伟这样的天使投资人，有好几个到现在还没有退出。

现在还没有退出？

对。所以我们上市以后，他们应该会赚很多很多倍。

对我来讲，那是我从来没有融过资。我觉得这样也很好。拿着这笔钱，就开始做自己的产品了，因为在这之前我一直给别人做软件开发、做外包。

那为什么后来商业计划书会写 recommendation system？

一个很重要的原因是，我给新浪和搜狐做软件开发的年代，正好经历了整个互联网的 Web 2.0。

Web 2 和 Web 1 最大的区别是，Web 1 是单向广播式的，Web 2 才出现了基于每个人 ID 的双向交互应用，比如博客、Email。Web 2 比 Web 1 多了一个 user ID，使得每个人可以看到不同的内容。Web 1 里所有人看到的新闻都是一样的。

Web 2 增加了巨大的技术复杂性。所有人看同样内容时，用户量很大的话，可以通过一层一层的缓存来承压，因为每个人看的都一样，中间放几个服务器把流量分开就行了。

但当每个人看到的是属于自己的内容时，就不能随便做缓存了。你只能看你的内容。如果我把你随便分到一个服务器，而那个服务器没有你的内容，你就没法用了。

所以那个时间点，我们团队的技术确实很厉害。我带着团队给新浪、搜狐提供这方面的 infrastructure。这个 infrastructure 最早在哪出现？就是 BBS。每个人登录进去，都要看到自己的内容，发自己的内容。

我们有了这样的能力。后来融资时，投资人问我们公司到底有什么技术、做什么。做在线教育的话，我就开始瞎编，说我们能给不同的人推荐不同的教育教材，做所谓的因材施教系统。虽然别人没有买单，但我把这个技术概念在那个时间点稍微归纳了一下。

也因为这个原因，我的硕士论文写的就是 recommendation system。本来研一、研二做的是 CV，做指纹和掌纹识别，但硕士三年级我跟导师说，我要做公司的项目，不做学校的项目了。

学校项目的成果已经很不错了，拿了一些比赛的奖，都是很厉害的奖。但硕士三年级我还是决定做 recommendation system，因为公司要做这个事情。我的导师为什么很喜欢我？因为我融了一百万，其中拿了五十万给了实验室。

投资人愿意吗？

投资人没问题啊，因为今天也一样，DeepSeek也好，每家公司这不都是要去这些最顶尖的实验室去招人嘛。你把这个钱给到实验室，然后我跟我导师说，我说那个我能不能拉几个师弟跟我一块做，我导师说行啊，我说反正论文我们最后都会署北大的名字嘛，所以所以其实我导师特别支持我，而且那个时候百度上市也没多久嘛，我导师说将来有机会再做一个百度上市我们也挺开心。

你为什么是 based on language model？

这个非常有意思。当时还没有 large language model，只有 language model。语言模型在北大其实很早就有了。北大计算机系和中文系之间有一个联合研究所，叫北大资源所。

这个研究所很早做过一个工作，叫 CCD，中文概念词典。概念词典其实就是建立了一个数学上叫二部图的东西：一边是所有的单词 word，另一边是 word sense，也就是每个词的词义。

比如一词多义，一个单词对应好几个词义；同义词、近义词，就是好几个单词对应同一个意思。这其实就是所谓的语言模型：把所有词建构到一个空间、一个代数空间里，去看它们之间的关系。

最早的语言模型，是由人来标注词和词义之间的关系。后来一些重要工作，比如 word2vec，把这个东西颠覆了。今天的 embedding，都是后来发生的。

我毕业之前，北大就有这样的概念词典。上一代 recommendation system 主要基于人的浏览行为相似度来做推荐。最早讲 recommendation system 的公司是亚马逊，它会说，看了这个商品的人还看过什么，然后推荐给类似的人。

但这里有一个问题：一个新来的人只看了一个网页，信息不多，系统不一定能推荐得很准确。还有一个问题，商品和商品之间的相似度是不知道的。

所以我们当时要基于语言模型，是因为我会看两个网页之间的相似度。不是只有“同一个网页”的关系。如果一个人看了 A 网页，另一个人看了 B 网页，但 A 和 B 本身有相似度，我也可以把推荐机制迁移过来。

这就是我的硕士论文。我的第一个 user 是牛博网，因为李丰的原因。你可能听说过，牛博网是罗永浩的网站，他当年也是那家公司的股东。我的第一个产品就放在牛博网上做 recommendation。

你为什么没有做一个像今日头条那样的产品？那比今日头条成立还早好几年。

我第一版商业计划书写的就是这个。在线教育被放弃、李丰离开以后，我的融资商业计划书就是推荐系统。

但当时太早了。后来做很多事情我发现，有时候做得太早，真的是会有很大问题。2007 年出来讲这个故事的时候，iPhone 还没发布。iPhone 1 好像是 2007 年 12 月发布的。

那个时间点只有 PC 互联网。Recommendation system 要做起来，必须是一个公司拥有海量用户，而且用户是注册的。PC 互联网 by default 没有唯一标识 ID，不像移动互联网。

我觉得张一鸣之所以成功，一方面是技术越来越先进，更重要的是他诞生在移动互联网上，把移动互联网和推荐系统结合起来。

你做一个新的 App、一个新网站，没有人愿意注册。除非像 QQ，没有人会愿意注册。在没有人注册的情况下，没有唯一 ID，就没办法持续积累一个人的 historical behavior。积累不了历史行为数据，就没办法做下一步推荐。

我们 2007 年讲这个故事的时候，infra 还没有 ready，所以做不起来。PC 互联网时代有 cookie，可以在 cookie 里设置 ID，持续记录一个人的行为，但 cookie 很不幸，经常被 360 这样的软件清掉，ID 不稳定，做不了这件事。

移动互联网以后才具备条件。但到了移动互联网时代，我们原有业务已经做得非常好了，就有点忘记初心了。

本来我们做广告数据分析，是因为想积累数据，再去做 recommendation system。结果广告数据分析做得很好，开始赚钱，移动互联网又来了。那个时候我可能商业上不够敏感，第一个手机到 iPhone 4 才买。

如果我 2011 年、2012 年开始好好做 recommendation system，我们的优势其实比今日头条更好，因为我有比它更多的数据。但再过两三年就没用了，因为别人太厉害了。

你当时想把推荐系统应用到什么场景？

最开始是信息推荐。但我的商业计划书第一版是三步走：第一阶段做广告数据分析，第二阶段做广告 recommendation，第三阶段才是推荐任何信息。

还是从当时已有业务出发？

对。因为当时已经在广告数据分析上做起来了。

李丰为什么 2007 年就走了？

我觉得最核心的是，他觉得这个事情好像跟教育没什么关系了，他还是想做教育。更重要的是，他希望把自己的最大价值发挥出来。

如果不做教育，他对这家公司能发挥的价值可能就不大了。他作为 CEO，也不是 sales 那种路数的人，所以后来就去做投资了。

他当时觉得自己在公司里做 CEO，contribution 不一定很大，还不如直接去资本市场。其实他走了以后还是公司的股东，当然也让出了一些股份给我后来的合伙人。让出一部分以后，我才变成第一大股东。

我的股份并没有增厚，是他拿了一些股份出来，相当于公司的股权变得更分散了。

所以核心是你们三个人？

对。

你们都是学霸。学霸组合在一起创业，你觉得合适吗？

如果是同一个领域的学霸，可能有风险；如果是不同领域，就没问题。

你看乔布斯搭团队，希望有硬件天才、软件天才，也可能有供应链天才。天才和天才之间是惺惺相惜的，因为你的事情特别牛，我不懂，但你说一句话我信；我的事情你可能也不懂，我说一句话你也信。大家就可以有很好的 chemistry 去合作。

但如果大家都是做软件很厉害，就容易文人相轻。所以互补的团队很重要。

你们是 match 的吗？互补吗？

比较互补。我的东西他肯定不懂，只不过他后来觉得，自己特别懂的方向，对这个公司不一定有价值了。

我们刚才从 2015 年聊到这里，要不倒回去讲讲？你好像一路都是保送。

3. 竞赛训练了乐观主义

对，我基本上是一路保送。我是一个比较偏科的人，数学、物理、化学都很好，语文、英语一般。

后来我在工作过程中越来越觉得，语文和英语确实很重要。但读书的时候，数理化几乎都是满分，其他的我也无所谓。

我第一次参加数学竞赛培训，是小学五年级。当时老师给了我很大的震撼。他说：“同学们，你们之前学习时间都花得比较长，其实没必要。我告诉你们，这一学期的课，你们一个礼拜就能学完。”

我当时觉得挺夸张，但我们真的一个礼拜就学完了，而且都考得很好。后来我才发现，学校课程本来就不应该那么慢地学。

所以初中时我把高中课程也学完了，数理化全学完了。高中我基本不上课，老师把实验室钥匙给我，说你爱到哪里自习就到哪里自习。但我更多时候是骑自行车去市图书馆，每天看各种数学书。我是真的喜欢数学。

那时候计算机也还不错。数学、物理、化学、计算机我都参加竞赛，也都拿了很好的奖。

那你成长路上其实没有什么坎，一直很顺，对吧？

读书期间肯定没有。小时候每天都是老师喜欢的那种学生。

上大学以后也是这样？

上大学以后稍微有一些变化。本来每一科都参加竞赛，我第一优先是想去清华计算机。但数学竞赛先考，考完以后我是山东省第二名，全国大概 21、22 名，差一点进国家集训队。当时国家集训队只招 20 个人，现在招 60 个人，如果现在考，我应该能进。

全国数学竞赛前 60 名，可以随便挑清华或者北大。我本来确实想直接去清华计算机。但北大招生办老师特别狡猾，他跟我们山东省队前三名的学生说：如果你们前三名都来北大，我就给剩下两个同学发 offer。

因为剩下两个同学如果没人帮他们，就去不了这两个学校。不能害了队友，所以我就去了北大。

去了北大以后，不可能去计算机。北大第一系肯定是数学系，所以我去了数学系。

但到了北大数学系，压力其实不小。北大数学系号称北大四大“疯人院”之首。虽然从小到大，我一直是别人眼里的“别人家的孩子”，老师不会做的题我来给大家讲，但到了北大，你就是一个很平庸的人。

我对平庸的要求可能比较高。比如 200 个人，我还是能考到 20 名、30 名，但不是第一名了。我们那一级很夸张，有几个大数学家，号称北大数学黄金一代。我跟他们比，就不是天才型选手。

所以我选择了差异化竞争路线：数学考不过你们，那我开始创业赚钱，开始写代码。写代码我在北大也都是最厉害的。因为有了一些压力，我又选择了一次差异化定位。

你在大学发现自己不一定能考第一、第二名时，对你来说是挫折吗？还是很快就调整了？

既是挫折，也很快调整了。

搞数学竞赛的人，不会特别 struggle 一个马上解决不了的事情。数学竞赛是非常好的训练。其实所有奥林匹克类运动都一样，不光是数学，羽毛球、篮球也一样。只要做奥林匹克类项目，本质上就是把一件事卷到全世界最牛。

这跟今天做 AI 的训练也一样，要卷到最牛。一旦卷到最牛，挑战就极强，而且会天天失败。

就像打比赛，前两天我跟男队总教练王昊聊天，他说运动员其实很难抑郁，因为每天都在打比赛，赢、输、赢、输，不会因为输一局就怎么样。

数学竞赛也一样，有太多难题。日常题对我们这些人来说，没有一道不会做，不得满分都不对。但奥林匹克题不会做很正常。

我记得英国数学奥林匹克的卷子，第一页有一句话，说这个卷子很难，只要有一道题能完整做出来就已经很好了。

所以从小接受了这样的训练以后，难题搞不定很正常，不要 suffer。你已经很优秀了。

从这个角度讲，考不过别人肯定不好，但因为从小天天做难题，你也觉得这很正常。

大家说你乐观，是这个原因吗？

对，我超级乐观。基本上没有什么事情能让我持续困扰。有时一些事会让我有一两秒不舒服，但一两秒之后就过去了，这一页很快就翻过去了。

这是跟竞赛有关系？

我觉得有巨大关系。

你什么时候清晰意识到毕业后会创业？

人生很多选择随机性很大。我创业也不是一开始就 plan 好的。正常情况下，我可能会去大公司工作、拿高薪。

数学竞赛背景的学生，一入学就很容易被培训机构盯上。当时北大盯得最多的是人大附中，以前叫华罗庚数学学校，现在不知道叫什么了。他们每年都会去北大找奥赛保送生做奥数教练。

所以大家一入学，就有这样一份工作可以赚钱。我在那里讲得特别好，我讲课确实还不错。

你口才很好。

对。我觉得这是我的天赋，可能是中学练出来的。老师经常让我讲。我们学校的数学竞赛培训班大概十个人，是全校数学最好的十个人。校长本身学数学，请了一个大学同学给我们当奥数教练。

那个大学老师数学特别牛，但不会讲。所以基本上每次他把题做完，都是我来讲。我从中学就开始锻炼给别人讲复杂的题、讲难题。

简单题我没那么感兴趣。我喜欢把复杂题抽丝剥茧讲得特别细，让所有人都明白，甚至小学生都能明白。这可能是我的天赋，也可能是从小练出来的。

最开始做奥数讲课，后来有一个学生是清华附小的学生，在人大附中上课。他的家长特别喜欢我的课，孩子也挺喜欢。家长说：“吴老师，你干脆这样，我帮你在清华租个教室，你也别跑人大那么远了。”

他就在清华帮我租了教室，把他们学校那个班的学生都招了过来，变成了我自己的班。我真正赚得比较多的第一桶金，就是在这个班上赚的。

当时赚了多少钱？

那时候一个星期讲两次课，一个月光讲课至少能赚两三万元。那是 2001 年，两三万元已经很值钱了。如果当时在四环边上买房，一平方米估计也就 5,000 元。

讲一次课可以买四五平方米。

对，你类比一下今天的通货膨胀就行。当时算比较有钱了。

但我最后真正开始做软件公司，也是非常机缘巧合。因为我家历史上没有商人，也没有经营企业的人。

我的一个中学同学，跟我一起搞计算机竞赛。我从初中二、三年级开始参加计算机竞赛，上大学之前连续参加过 5 届信息学奥赛。

他是我们学校另外一个同学。他编程没有我厉害，但挺能折腾，出去接外包项目赚钱。后来发现有很多 bug 搞不定，就来请教我。我到图书馆找了些书研究，说你把代码交给我吧，我一天就改完。

改完以后他说：“要不咱们合伙吧？”所以我就是非常随机地开始做企业，不是一上来就 plan 好的。

第一个创业后来为什么做的是秒针系统？

4. 推荐系统转向广告

因为做 recommendation system 没有数，没有数据。

我的最初想法是做一个流量数据分析系统加推荐系统，给 publisher，也就是给媒体。但后来发现媒体都不喜欢这个系统。

为什么？一开始我不知道。后来有一个关系很好的朋友用了我的系统，我才知道，大部分媒体在那个时间点对外卖广告没有很好的方法。他们最简单的方法就是吹自己的流量有多大，但真实流量跟对外宣称的流量差很大。

所以他们不希望第三方公司知道真实流量。我发现这是一个商机，就反过来找广告主。

广告主每天花钱买广告，其实一直在被骗。如果我们能帮他们知道真实流量，他们会很高兴，这是刚需。

广告这边也有 recommendation system。要么是帮媒体做新闻内容推荐，后来电商也可以做 recommendation system；要么就是帮广告客户分析，站在广告主端做流量和广告推荐系统。

所以我选择了广告主这一边。后来也证明，这个方向在中国市场虽然 To B 赛道没有做得特别大，但至少是一个能赚钱的生意。

如果做 publisher，最后小 publisher 都没了，大 publisher 肯定自己做，也不会让你知道真实流量。

对，所以这边根本不存在市场。

我们同一期还有人做 recommendation system，但后来公司也慢慢没了。

如果划分创业阶段，从 2006 年到 2010 年，你会分成哪几个阶段？

秒针真正大卖，我觉得是在 2010 年以后。2010 年以后，互联网广告增长很快。第二个，当时遇到了一些外部环境变化，比如整个电视广告格局发生变化，广电总局限制电视广告播放次数，很多外部环境逼着广告费往互联网转。

我们正好已经准备好了很多数据，客户开始大量使用我们的产品。所以 2010 年、2011 年是一个很大的转折点。

但对我个人来讲，一个特别重要的转折点是 2014 年、2015 年。这是我真正从广告迈向 big data 的一步。

做广告不是我的专长。我骨子里还是学数学、学 AI、学计算机的人。广告是因为最开始想做 recommendation system，又恰好认识了原来的合伙人，他是广告公司出身，所以我才把这方面的能力应用到广告行业。

广告行业也不只是一个现成的业务。全世界大的 AI 公司，很多都跟广告有关，因为在线广告有两个特点：第一，它产生海量数据；第二，它有即时反馈。广告投放以后，有点击、后续电商下单等结果。从强化学习角度看，它有清晰的 reward。

所以早期广告这条线走得很顺。到 2014 年、2015 年，我们把业务拓展到了更多赛道。

2011 年移动互联网出来时，你有没有想过，把现有 To B 广告业务变成 To C 广告平台？

如果 2010 年真的想了就好了。

有时候你在一件事情上做得挺好，风生水起，就会沿着这个思路走，压根没想到自己还能做 To C。于是就一直做 To B。

到了 2014 年、2015 年，虽然你从广告行业进入 data 行业，但仍然是从 To B 方向看，一直没有想过做 To C？

至少那段时间没有想过。

后来收购微办以后，如果有小红这样的人在公司，我感觉可能有机会。他上一个公司也是 To B，但首先，他的偶像是张小龙，骨子里非常想做 To C。

他做的 B 端工具，其实是面向小 B 的。我们把 To B 市场分成几类：SMB、SME 和 Enterprise。

SMB 是小红他们做的赛道，跟 C 很像。它的特点是 decision maker 几乎等于 user。

SME 已经不是这样了。公司虽然小，但 user 和 decision maker 不是同一个人。比如员工很喜欢 CRM，也需要用 CRM，但两万元的预算自己做不了主，还需要老板 say yes，这就是 SME。

到了 Enterprise 更复杂，会有 buying group 或 procurement group。公司里多个不同角色共同决策购买一个产品，一单可能就是几百万元。法务要确定合规，IT 要看产品架构图。

我记得小红刚把产品卖给我们，来公司一看就问：“辉哥，咱们做产品怎么样画架构图？”她以前从来没想过这个事情。

学计算机时软件工程都要画架构图，但她的创业过程不需要做这个。到了 Enterprise 赛道，客户会问：你怎么跟我现有 IT system 对接？你的组件放在哪一层？跟我其他 IT 资产怎么对接？你使用的技术框架长期会不会持续使用？

IT、采购、业务、法务等多个部门一起组成了 Enterprise。

所以小红做的方向是面向 SMB，跟 C 很像，相当于做一个 C 端市场。但她入场时，可能已经没有太大的纯 C 产品机会了。

我有一个不负责任的观察：为什么越是学霸的人，越可能创业做 To B？反观做 To C 产品的、产品经理式的 founder，好像不是典型学霸。你有这种感觉吗？

Yes and no。还是要看。比如伊利亚是不是学霸？达里奥是不是学霸？如果是 OpenAI，或者 Anthropic，肯定都是学霸团队。

国内今天，Kimi 其实也有很好的 C 端应用。所以我觉得今天 AI 这个赛道，C 和 B 之间会有很多 overlap。

AI 可能会带来变化？

对。上一波 AI 和今天的 AI 有很大区别。上一波产品要做好，确实需要 consumer insight，需要洞察，必须跟外界有大量互动。

学霸跟外界互动相对少。这个逻辑是：他捕捉真正商业机会的能力、对客户体感的理解，可能都比较差。大部分学霸还是比较 I 的。

所以在上一波产品里，学霸可能有天然缺陷，不一定是一个很好的产品经理，更像一个技术人员。技术人员做 To B 很合适：客户说有个技术问题，你要不要解决？他说肯定可以解决，因为我是解题专家，也能讲题。然后你就自然而然走到 To B 了。

做着做着，客户会表扬你，你就沿着这个路线做下去。

我前段时间聊于凯老师、李一凡，都是这种类型。

但 AI 时代可能有一些区别。AI 时代，确实有一些成功企业是“拿着锤子找钉子”成功的。

这句话在很多场景下是负面的，好像拿着锤子找钉子，就是你先有一个技术，再去找应用，而不是先思考需求。

但很多伟大的技术产品，确实是一开始没想清楚到底要干什么，先做出来再说。ChatGPT 肯定就是这样。我也不觉得梁文锋最开始就想清楚 DeepSeek 应该怎么用。他可能先做，后来大家发现可以这么用、那么用，最后发现它可以泛化。

秒针系统当时为什么能比竞争对手做得好？

最开始是因为我们的 big data 能力比较强。Big data 是一个挺复杂的技术栈，要在海量数据上稳定、安全地计算。

今天因为有大量开源软件，云厂商也把这些软件部署到云上，普通创业者做起来比较简单。但到今天为止，这仍然是一个需要解决的问题。

比如今天做智能体，包括 Manus 这样的智能体，你问它一个问题，它会到处拿数据，然后开始计算。现在数据量可能几百条、几千条。但如果给它 1 亿条数据呢？这就是 big data 要处理的问题。

秒针刚上线第一天，就把 IDC 拉爆了。正常公司都是 C 端企业，上线第一天可能 10 个流量，第二天 100 个，第三天 1,000 个，慢慢增长。

我们上线第一天就在 MSN 上帮客户做广告投放监测。MSN 当时每谈一个新的流量入口，我们后台就要收一次数。第一天就是几千万条数据。

我们的 infra 真的很强，两台服务器就扛住了。但第一天为什么爆？因为机房带宽不够。机房没想到一个小破公司租了两个机位，第一天能产生这么大流量。

后来发现系统崩了，数据收不回来，才发现带宽被限住了。机房把带宽打开以后，负载一下起来了，但我们还是扛得住。

早期别说创业公司，连大互联网公司都没有能力做这种事情。所以那个时间点，我们在国内甚至全球 big data 处理上都是顶级团队。

我们的能力不是因为我学 AI。AI 不学这个，我隔壁实验室是天网实验室，做分布式计算，以前叫网格计算，后来才有云计算这个概念。

天网实验室是国内最牛的实验室之一。百度早期也要解决这类问题，所以挖了很多天网实验室的人过去。

秒针早期成功，是因为每天有几百亿条日志，我们能够准确计算。这个计算量非常大。我们的服务器硬件跟其他互联网公司不一样。

其他互联网公司，比如优酷、土豆，更多是硬盘很大，I/O 能力强，带宽足够。但我们的服务器都是满配 CPU 和 memory，也就是内存。海量数据要放在内存里做大量交叉计算。

Databricks 最早的项目叫 Spark，我们也是它最早的客户之一。今天我们的技术栈跟 Databricks 很像，都是在海量数据上快速计算。

比如广告 anti-fraud，不是简单地来一条流量就加一。一个 IP 地址从一台电脑发来请求，说看了某个客户的广告。我要追溯这个 IP 历史上所有行为，甚至追溯有没有类似 pattern 的其他行为。

每一条日志都要做复杂计算，最后才能判断这条流量是不是机器人刷出来的，所以计算量非常大。

到 2010 年，公司状态是什么样？

2010 年公司还比较健康，刚刚融了 A 轮。在 2010 年以前很 suffer，融不到钱，甚至还要借钱。但那时借得少，借 100 万元就够了。

早期中国资本市场不成熟，没几个基金。我基本上能见到的基金都见了。A 轮应该是 2005 年开始第一轮 VC 入华时，我大概见了三四十家，能见的真的都见了。

那时大部分基金手里的钱很少，很多基金刚刚成立，甚至要到美国审批。所以有几个大基金，我们还要去硅谷的那个三K六，向总部的 partners 汇报。中国团队没有决策权，有决策权的资金也少，大家都极其谨慎。

中间还遇到了 2008 年经济危机。2007 年我出去融资，首先我是 nobody，没人认识我。不像现在，我开一个新公司，无数 VC 会来找我。

当时我就是一个刚毕业的小孩，谁会来投你？你讲数据处理、数据分析、未来推荐系统，没人听得懂。张一鸣早年也被很多人拒绝过，但他至少在酷讯工作过，有经验。我什么经历都没有，完全是一张白纸。

数学好也证明不了你能干这个事情，所以融资非常困难。一直到 2009 年经济危机彻底过去，我们才融到钱。

好在那时不怎么烧钱。去北大招一个毕业生，一个月几千元工资，不会超过 1 万元，不像现在这么夸张。

那你们做项目也是赚钱的？

早期做外包是赚钱的，但后来决定做推荐系统，就不赚钱了。融不到钱时，我们就再做一些项目，偶尔给别人做项目，赚几十万元，养活一下大家。

那你当时没有到过绝境？没有想过公司关了就去工作？

没有想过。我觉得这件事情对我来说几乎不可能。

过去三年我们压力很大，但我确实从来没考虑过关掉公司。我解难题的心态是，我肯定乐观地认为这件事能搞定，不会觉得搞不定就关掉。

当然这也可能是一个 bug。如果真的是个坑，也可能万劫不复。

公司账上钱特别少的时候有吗？

其实账上的钱始终都不是特别多，尤其是相比花销。什么时候账上钱算充足？像我们现在账上钱也没有那么多，但我觉得 OK，因为现在盈利，现金流是正的。

最多的时候账上可能有 20 亿元，但那时每个月可能烧 1 亿元，还在做很多新的事情。那是收购 Mannesson 的时间点。不能只看账上有钱，还是很危险。

2010 年以后市场开始转暖，移动互联网来了，VC 也多了。

移动互联网这个风来的时候，你当时没有反应？

我觉得很后悔，相当后悔。这里面很大原因是我当时做广告行业。如果我在 C 端，肯定不会这样。

广告行业天然有个问题：当时屏幕太小，在客户心目中不适合做广告。这是一个错误想法，但我被客户影响了。

《创新者的窘境》里说，每个人都有自己的价值网络。价值网络不断给你短期 reward，但不一定给你真正的 value。你被价值网络反馈的错误信息影响，就会完全忽视移动互联网。

你什么时候意识到？

我在这件事上特别后知后觉。我的第一个 iPhone 是 iPhone 4，你很难想象我作为科技男，会这么晚买手机。

现在新的 AI 产品我反而都是第一时间用，因为我们自己也做 AI 产品和模型。我通常第一个跳进去用，每天用我们公司的产品，使用量也是 top 几的 user。

但那个时间点不知道为什么，我没怎么去买手机。手机这个东西我天然有点抵触，总觉得看完手机以后视力不太好。我不喜欢手机。

平时大家跟我聊天，如果能用电脑回复，我一定不用手机。现在也是一样。我们最新的模型没有做 MUA，现在 CUA 和 BUA 已经是世界第一了。

CUA 是 Computer Use，BUA 是 Browser Use。我总觉得需要带宽更高的状态。我的笔记本电脑是最大屏的，工位上有很多屏幕。我想同时看到更多信息，手机有点娱乐化，看到的信息太少。

比如看财报，手机那么小怎么看？我的手机上没有抖音，人生累计刷抖音不到 1 分钟。我曾经在某部手机上装过一次，刷了一下，觉得原来抖音是这样，然后就卸载了。

张一鸣出来开始讲推荐系统时，你在想什么？

我们其实跟他是上下游。秒针能见证所有互联网公司蓬勃发展，包括电商、拼多多、京东。客户在这些平台投广告，我们能看到流量起来，有时他们也是我们的客户，会跟我们做数据分析合作。

最开始我没有仔细研究他崛起的过程。等真正开始研究时，这个赛道已经没什么可研究的了，因为他已经 dominate 了。

2014 年公司是什么状态？

5. 从广告迈向大数据

2012 年、2013 年、2014 年这三年，对我个人是一个转型。

最开始我是纯技术男。到 2012 年，我先看到整个 PC 互联网大盘增长速度不快了。我以前每年都会看秒针统计的、去重之后的流量池，也就是中国到底有多少智能设备。

以前数字一直是直线上涨，到 2012 年开始弯了。以前每个月都会看，往上涨时心里很开心，因为监测到的流量更大，smart devices 更多。

2012 年涨得不快。后来其实还在涨，是因为移动互联网，但我当时没有意识到移动互联网会这么强。

我先想的是拓展最早的业务。第一步是广告流量分析，第二步是广告推荐。所以从 2012 年开始，我下场做广告推荐，在公司内部成立了一个新的 BU，服务游戏客户、电商客户。

当时游戏客户主要是手游，投广告投得非常凶，我们帮助他们做效果转化。当时整个秒针是 CTO，但我是这个 BU 的总经理，相当于 CEO。我跟合伙人说，我也想尝试自己做个生意。

做了大概两年，这个业务做起来了，但市场上有客户觉得：秒针一边是裁判员，一边是运动员。运动员还要下场包流量，否则媒体不会把最好的流量给你。一旦包流量，就失去了中立裁判的身份。

后来我跟合伙人商量，他说不如把公司一分为二。他挑走了我孵化的新业务，觉得那个更有前途，我留守剩下的秒针，成为 CEO。这是 2014 年、2015 年的一个转型。

另外一件事，是我 2014 年去中欧上了一个创业课程，李善友教授的创业课程。我在那里学了一些真正意义上的商学院知识，但偏创业、创新，不是常规管理，比如第二曲线、精益创业。

商学院一般是老板上完课，团队遭殃。我回公司以后跟团队说：“你们觉得我们现在是不是挺浪费，不够精益？”然后带大家读书。

读完以后大家说，我们确实不精益，顶多一半人就可以干现在的活。我说那就把这一半人拎出来。于是我优化了一部分人员，同时成立了两个新公司：明略数据和云玑机器人。

云玑机器人最近也拿到了证监会备案，可能过几天也要 IPO。

所以 2014 年、2015 年，相当于一个公司变成三个公司。我们一开始产研非常冗余，招了很多很牛的人，完全不需要这么多人做一件事。我可以同时做三个公司，一下变成三个优秀的公司。

云玑我也是 co-founder。我很喜欢机器人。后来云玑完全独立发展，跟我没太大关系，我只是非执行董事。明略和秒针后来整合了。最开始两家公司没有直接股权关系。

所以你开始做明略数据，相当于第二次创业？

对。它不是上一个公司的自然延伸。最开始也很低调。

我当时没觉得自己能做一个 IT 公司的 CEO。我觉得技术肯定没问题，秒针是整个市场上大数据处理能力最强的企业，放到金融等各个行业，大家都觉得我们很强。

但我不懂面向 IT 市场的 B2B sales，所以拉了一个 Oracle 的合伙人过来。后来很不幸，他被挖走，去了阿里云做副总裁。

2015 年遇到广密时，已经是第二段创业了。

对。

明略数据最开始是怎么想的？那时秒针已经是很稳的盘子了。

很稳。相当于祝伟走了以后，留守的秒针。我当时觉得广告投放业务被他拿走了，只剩广告数据分析，天花板很明显。后来证明我这个想法错了，其实可以延伸很多东西。

明略这边，我开始研究美国市场的 landscape，把各种咨询公司、研究公司的报告挨个看。最开始看到的一个好方向就是 Palantir。

它后来做了大量 To G 业务，我们中间也做过一些，但疫情期间 To G 业务全部关掉或分拆出去了。

我觉得 To G 最大的问题，是它没有真正意义上的 AI 化。明略最开始先做 big data，但到 2016 年、2017 年，我们开始做 AI 知识图谱，也就是 ontology。

Ontology 在不同阶段不太一样。早期是符号主义 AI，相当于人工把规则、词和词之间的关系标清楚。今天不一样了，大量规则标注变成了 AI 生成。

标规则有点像写代码，AI 能写代码，也能标规则，规则本身就是代码。

所以今天的 ontology、知识图谱，和几年前很不一样。几年前主要是人工标注，我们是从 big data 开始做知识图谱和 ontology。

To G 业务的好处是市场空间大、钱多；坏处是反馈非常慢。反馈慢的事情不适合做 AI，没有反馈就没办法持续迭代。所以后来这个业务也不做了，现在由原来的一个师弟拆出去独立经营。

你们为什么经历过这么多整合和拆分？

可能最开始很多事没想清楚。我不是一个想清楚才做事的人，我行动比较快。想的能力有，但我更期待边做边想。

明略数据从 2014 年到 2020 年，发展有哪些节点？

6. 明略进入企业数据

2014 年、2015 年成立之后，我们确实做过一些 To G 业务，但后来进入制造业、金融行业。我们一度在大数据领域发展，到今天在大数据领域肯定是第一大公司，处理各种各样的数据。

这也是为什么今天我们做企业级 AI 有巨大优势。Palantir 已经 4,000 亿美元市值，Databricks 还没上市，估值也有 1,800 亿美元。

如果看 AI 的大应用，一级分类可能是 To C 和 To B。To C 最核心的方向是 chat。美国最牛的是 OpenAI，国内有豆包、Kimi、MiniMax 等。

另一个大赛道是 To B。美国今天 Anthropic 是重要 player。

像我们这种有 20 年甚至更长历史的 To B 公司，优势更大。我们有客户资源、细分领域 data，也理解业务场景。更重要的是，从强化学习角度看，我们拥有那个领域的环境，可以跟环境互动并强化。普通公司没有这个环境，只能自己想象。

微软有巨大优势，Palantir、Databricks 也有优势。Anthropic 很厉害的一点，是以代码作为底层驱动，做 agentic To B。我们走的是 data 驱动的路线。

数据赛道里，老公司有很大优势，因为能接触不同数据。2014 年到 2020 年，我们接触了很多不同数据。

最后促使我把秒针和明略合并，也是这个原因。明略最开始做 To G，后来进入 To B。秒针服务了很多世界 500 强企业，比如宝洁、可口可乐、宝马、奔驰，拥有大量 To B 的线下零售数据。

我越来越依赖数据，最后依赖到 B 端。两边我都是 CEO，就开始 confused：业务到底放哪里？

我觉得 B 端所有数据合在一起的大脑，是一个巨大的、sexy 的 story。放在秒针，秒针市值会涨很多；放在明略，明略也会涨很多。

有一天我想，还是简单一点，把两家公司合起来。2019 年我跟两边股东说，我有一个很好的 idea：未来给每个企业做一个合在一起的大脑，把所有数据合到一起，在上面做 AI。

当时我管理压力很大，两边各有 20 个人向我汇报。我虽然没有马斯克那么忙，但已经很累了。合并后重新调整组织架构，也会轻松很多。所以 2019 年做了合并决定。

为什么明略开始从 To G 切入，而不是 To B？

因为最开始看到了 Palantir，觉得它在 To G 这边做得很大、很好。

第二次创业时，你不会从零开始乱做，会先做战略和市场分析，看看哪块市场大、机会大。

我觉得中国的数据更复杂，不光是政府，每个大公司的数据都很复杂。To B 和 To C 很不一样，To B 要处理复杂性和兼容性。

今天我们做产品也是这样。C 端公司强调 MCP、A2A 这些协议，都是基于 API。但进入企业以后，很多 IT 系统没有 API，年久失修，也没人敢动。原来的 developer 早就没了，谁敢在数据库上封一个 MCP？做任何增删改查，都可能把原来的东西锁住。

人还可以在上面操作，所以我们只能做 Computer Use 或 Browser Use 去操作它。

企业办公也是这样。比如给财务团队做 agent，它不光要操作内部系统，还要操作外部系统，比如国家税务总局的系统，更不可能给你开 MCP。

如果系统没连上，AI 就不好用。最好把所有 tools 都连起来，变成一个驾驶舱，帮你端到端交付结果。

创业先聊完了。2019 年合并公司以后，你去读人工智能博士，是为什么？这两件事有关系吗？

有两个原因。

一个原因是我的首席科学家也是学霸。他说：“明辉，你读完硕士就毕业了，学术方面还需要往前走。毕竟我们是做 AI 的，不从学校接触最新技术，可能会落后。”

我最开始没有这种感觉。2004 年到 2007 年读硕士时，做的是上一代 AI，特征工程比较火。做掌纹识别，先通过小波变换、傅里叶变换提取纹路特征，再放到支持向量机里做分析。

我数学功底比较强，还可以优化卷积核。纯计算机背景的人可能直接应用，最后出一个结果就结束。

后来 AlexNet 刷榜 ImageNet，深度学习、神经网络这条线火了。硕士期间，它只是课本上的一章，不是主流技术。我很感兴趣，因为它解决的是我的专业问题，也就是 CV。

虽然公司没做，但我自己买了深度学习课本，把公式都推了一遍。我看书先看公式，想知道它比之前多了什么，哪些地方跟大学学的不同。

首席科学家吴信东教授是数据挖掘领域华人教授中非常顶尖的人，也是一些顶会、顶级期刊的创办人。他对学术有极高追求。他说我学术底子不错，应该把博士读完。

我后来被他说动了，就回去读博士。

第二个原因，是我看到人工智能皇冠上的明珠是自然语言处理。既然深度学习已经把我的硕士专业 CV 做得很好，逻辑上下一步就应该做 NLP，去做难题。

2019 年我去北大读博士，首先想到的是，能不能顺便把这件事做得更好。

我的经历确实很奇怪。今天我们公司最强的是多模态，但我硕士研一、研二做 CV，研三因为各种原因做 recommendation system，接触 NLP；读博士以后直接做 NLP。

公司有大量自然语言数据。秒针做搜索、reasoning，抓了很多数据；明略覆盖各行各业。比如外卖订单、call center 数据、销售电话录音。

2020 年又来了更大的素材：疫情以后，线上办公里出现大量腾讯文档、腾讯会议、企业微信，也包括今天的飞书、钉钉，一下子产生了大量数据。

我当时想，怎么把深度学习在这里用好。

读博士期间，综述已经做完了。当时 NLP 数据的 SOTA 肯定是 BERT，历史脉络里会讲到 GPT，但 GPT 当时还不是 SOTA。突然 GPT 变成主流，我的很多工作都不用做了。

那时很多 NLP 博士都说自己哭晕在厕所里。

杨植麟也说过，他当时开始做 agent，意识到两个最重要的问题之一，就是要用 GPT，不要用 BERT。

对。我已经开题了才发现这个问题，于是重新开题。

我心态比较好，没有哭在厕所里。我想，我可以在北大多待几年，重新开题。自然语言处理已经被解决了，那我换个一时半会儿 GPT 还解决不了的方向。

我看手头公司里的各种工作，最后选了广告视频数据分析，进入多模态。

第二次开题时，开题委员会还问了我一个问题。开题第二天，Meta 的一篇多模态工作刚发布，明显看出 Meta 要在多模态发力。老师说：“明辉，你要想办法规避大厂的工作。”

所以后来我们做得非常不一样，是完全另外一种模式的 AI 视频理解，叫主观情绪的视频理解。大厂当时没有卷，到今天也没有卷，我们还是这个赛道的 SOTA。

创业公司选择 AI 方向，就跟读博士选课题一样，需要非常谨慎。很可能选了一个方向，半年后发现别人已经做完了，赛道结束了。大厂是开着坦克撵过来的。

这个方向具体是什么？

这是一个很有意思的方向。去年我在 ACM Multimedia 大会上做了一篇工作，是以人类主观视角看视频，感受视频对人的主观情绪影响。

这篇 paper 我自己觉得写得挺得意。我们是一个 team，不是我一个人做的，大部分代码是其他同学写的，但 topic 是我想的。

以前 AI 领域有大量比赛和 benchmark。我的 paper 里有一个很强的结论：凡是涉及主观判断的 benchmark，都是错的。

为什么？哲学层面上，主观和客观的区别是：当所有人判断一个事情的答案都一样，有唯一正确解，这个 ground truth 就是客观的。

比如一段视频里有几个人，是男性还是女性，有没有猫、有没有狗，这些是客观描述。

什么叫主观？主观就是没有标准答案。不同的人看同一篇文章，有人感受到正面，有人感受到负面，有人感受到中性。

我从小最烦的语文题就是：“这篇文章代表了作者什么样的思想感情？”还有“读完这篇文章你有什么感想？”我经常想，这道题应该给我满分，因为我说出来的就是我的想法，凭什么老师判错？

AI 大会上有很多主观类比赛，比如情感分析。一篇文章表达了正面还是负面情绪，读者看到以后是正面还是负面。

以前的比赛很可笑：做 benchmark 的人找 100 篇文章，每篇打一个标签，正面或负面，然后大家开始刷榜。

我说，这个 benchmark 建错了。比如世界上有战争，战争结束后拍一个短视频，A 方和 B 方看到它，情感肯定不同。打赢的一方觉得开心，打输的一方觉得悲伤，不可能有一个标准答案。

正确的 benchmark 应该是：同一篇文章或同一个视频，选择不同 audience profile group。男性是一组，女性是一组；亚洲人是一组，欧洲人是一组，中东人是一组。

不同人群看同一个视频，会有什么不同感受？我们最后建立的模型，就是把不同人群看同一个视频时的感受差异训练进去。

当模型看到一个新的广告视频时，可以告诉你：亚洲男性、30 岁到 40 岁的人看到这个广告会有什么感觉。

这是我们去年的成功工作，对广告行业意义很大。广告从来不是一支广告给所有人看。

今天中国企业出海更需要这个能力。华为、荣耀、小米、蔚小理都要在全世界投广告。中国的 marketer、CMO 做一个产品，就认为中东人也喜欢，这不可能。

通用大语言模型，包括 GPT 的多模态模型，也可以解读，但它做的是客观解读，是 objective description。我们做的是 subjective，而且 benchmark 也是这么建立的。

AI 历史上以前没人讨论这个话题，可能大家都是纯理科男，没有想过为什么要从不同视角看。

但我觉得现在的通用大模型会比较讨好你。

也不是所有大模型都讨好你。GPT 模型会讨好你。

模型一定要分化，因为不同环境会给它不同反馈。GPT 可能强化讨好你，或者发散出有意思的表现。

但 Anthropic 的 Claude 如果有宪章，第一条可能是 follow your instruction，你让它干什么它就干什么。这是以 code 为底层的 agent 模型的核心思路。

不同模型的 reward 不一样。就像当年 Google 和百度的 reward 也不一样。百度希望用户尽可能在网页上停留时间长，Google 希望用户点一次就走。团队都很优秀，但 value 不一样，优化结果也完全不同。

你收肖洪的时候，是不是公司最高点？

如果从市值、账上现金等角度讲，是的。但从能力上讲，肯定不是。经历这三年以后，今天肯定比那时厉害得多。

现在重新选择，你还会收她的公司吗？

会。因为她有我要的数据，团队也非常优秀，是顶级团队。

我非常喜欢肖洪。把她拉到公司以后，我还把她带回家，深聊了很多次。我一直希望她做我的 CEO successor。

你是在找继任者吗？

不是。我只是觉得她是比我还优秀的产品天才。我更多是技术男。

那你可以跟她说，你可以在我这里做 To C 产品，我可以孵化你。

我觉得当时可能有一些事情伤了她。不是感情层面，而是我让她管了太多人。

7. 企业智能体来得太早

我们最高峰时做的产品叫 EIP。夸张到什么程度？我当时想做一个基础模型，那时候 GPT 还没火，我们已经开始做模型了。

你读人工智能博士时启发了她？

对。肖洪的 AI 知识科普，确实是从我这里开始的。她以前不了解 AI，不像我是 AI 科班出身，硕士、博士都学 AI。她是到我们公司以后，才开始了解这个赛道。

我们原来整个产品团队有一个大产品线，叫 EIP。我最开始野心很大，想用 1,000 个人做一个产品。

我当时太上头了。一段时间 To G 业务让我很 suffer，这也是后来关掉 To G 业务的原因。每个公司的数据、每个组织的数据都非常不标准化。

有的地方是美团数据，有的是电话数据，有的是银行数据。不同组织的 purpose 不一样。很多组织最简单的数据工作是做 dashboard，横向、纵向比较分析，这是 BI 公司的事情。

更复杂一点，数据里会有深度业务逻辑。比如投广告，分析数据是为了下一次广告投得更好，最后就变成程序化广告投放，可以理解成广告行业的量化交易。

你在抖音打开一个短视频，下一次刷到什么视频、什么广告，后台系统要看历史数据再推荐出来。不同业务场景使用数据的 purpose 不一样。

以前做这些工作，你会发现数据不统一，业务场景也不统一，产品很难标准化，所以非常 suffer。

疫情开始以后，我看到办公场景太标准了：文档、会议、聊天，这些数据是 AI 的超级养料。

从逻辑上可以推理，如果一个公司的所有数据都存下来，全部训练到 AI 里，这个 AI 肯定比公司里大部分人厉害。

我刚想明白时，给 HR 说先帮我组 100 人团队。一个月后我说需要 1,000 人，很快招了几百人，同时停掉两条有问题的产品线，合成一个 1,000 人团队。

当时团队分成三个子团队：一个做 application，一个做数据 integration，把企业环境里的数据清洗、治理、合到一个平台；一个做 AI 模型。

那时模型基本基于 BERT，每一个 task 单独训练 task-specific 模型。比如有一个模型专门做客服。那时没有 GPT 的逻辑，没有一个基模支撑所有工作，也没有 MOE。

最开始肖洪负责 application 团队。可以做的 application 太多了，CRM 只是其中一个。后来我觉得她特别好，就想让她把整个 application 管起来，甚至一度让她管整个大产品团队。

对她来说，她没有管过这么多人，觉得太讨厌了。我把她伤到了。她是一个很看重细节的人，追求产品细节，但人多以后做不到。人多以后，就变成汇报体系。

你当时也用了华为的 IPD 流程？

对，那是错误的管理逻辑。IPD 非常不适合我们这样的业务和平台管理，做硬件可能还可以。

所以是她和这个事情不 match，还是你觉得当时这个事情本身不对？

核心是当时这个事情不对。

如果用今天的技术词汇看，我当时做的本质上就是企业级智能体，只是那时大家不这么叫，叫“小明助理”。

如果你回头看 2020 年我们公司的产品宣传片，会发现很神奇。2020 年发布的产品概念，就是今天的 ChatGPT 和 Microsoft Copilot。

但这些产品 ready，需要 foundation model ready。按 Sam Altman 对 AGI 五层的假设，需要 L3 的 model。但那个时刻 L1 都没 ready，连聊天式 AI 都不成熟，就开始做各种 bot、copilot、Tool Use，完全不可能。

我最大的问题是技术预判出了问题，预判过于乐观。因为我读博士，本身就带着这个预期，觉得这些问题未来两三年能解决。

确实很快解决了，但不是在我手上解决的，是美国公司解决的。那时智谱的唐杰老师还是我的顾问，也来我们这里讲过课。我们的首席科学家是行业大佬，请了很多专家来做指导。

我们做得太早了。

所以我现在跟团队讲，今天做 agent model 还不错。今天 agent model 也不是 100% ready，尤其在 To B 环境里，但现在是早半步的状态。

L1、L2 的 AI 模型已经比较好，L3 可能 100 分满分只有 30 分。但在细分场景里优化，可以到 90 分，就可以干活。

我当时是 L1 只有 30 分，却在做 L3 的事情，所以挂了。

我还不知道肖弘在明略做的是这个。

对，你可以跟她聊聊。

2022 年是不是你们非常 suffer 的一年？

8. 2022 年现金流危机

非常夸张，是这么多年最夸张的一年。从小到大差不多是最 suffer 的一年。

我人生太顺了，但 2022 年最遗憾的是，2020 年和 2021 年我雄心壮志想做一个非常不一样的产品，而且觉得能做出来。

事后复盘，可能还是钱不够。哪怕再融 5 亿美元，也未必够，因为我做的事情太多：底层 model、各种 task model、application，还有 data infra。

战场开得太宽，管理能力和团队对事情的认知都不够。哪怕再融钱，可能也是死，早死一点也挺好。

2022 年初开始打仗时，我还觉得梦想可以融资实现。一直到春节前后，上海封城以后，所有人都不投项目了，或者只是跟你聊聊天。

我一算，账上的钱肯定不够继续烧，必须大裁员。封城还没结束，大部分收入来自上海，客户又是国际客户，上海封城意味着上海团队开不了发票，一半收入没了，回款没了，但这边还在烧钱，只能裁员。

从 2022 年五六月开始，就进入非常难受的状态。很多投资人天天 diss 我，说我把以前融的钱浪费了，还说他们以前就觉得我做这件事不靠谱。

做 conversational intelligence 时，我有一天突然意识到，Kimi 的杨植麟原来也跟我是一个赛道。他上一个公司循环智能，原来是我们的 competitor。

你说的是他上一个公司？

对，循环智能原来是我们的竞争对手。他也可能被 To B 伤到了，然后从那家公司出来，自己做了新公司。

我肯定不能把股东抛下，但他可以抛掉。我觉得自己还算重情重义，一定要把这件事扛起来。

我心里始终不服：凭什么我不能把这件事做成？

一方面要扛住，保证现金流安全，哪怕 down round，也要跪着把钱融了。

现金流最少的时候是多少？

我们中间有几个月在 1 亿元左右浮动，但我每个月要花 1 亿元，也就是一个月的 runway。这是最夸张的时候。

现在现金流当然没问题了，我们自己造血能力没问题。

这三年，我觉得自己从一个纯理想主义的 founder，变成了一个会经营的 founder。我算账能力一直很强，毕竟学数学，但以前不太费这个心，总觉得有无数的钱可以用。

很多科技公司都是这个状态，特别浪费。

上一个十年，好像融资没有问题，总有大笔钱进来，是什么感觉？不慌吗？

因为那不是自己赚的钱。但经历了这三年以后，你都会慌。

很多创业公司没有我们这么幸运，能够扭亏为盈、未来 IPO。很多公司收入没到我们这种规模，一个软件公司收入两三亿元，上不了市，就会遇到回购，投资人和 founder 之间发生各种冲突。

如果进入这种状态，原来融的估值越高、融的钱越多，最后越惨，甚至可能成为老赖。

没经历过这个过程，大家对资本的敬畏程度都不够，总觉得估值越高越好，尽可能多融钱。经历这一轮，中国创业者都成熟了。

尽可能把估值搞高，不也会稀释股份吗？

估值高反而稀释少。同样融 1,000 万美元，如果估值 10 亿美元，只稀释 1%。只要融资，就会稀释，但估值高，出让的股份更少。

融资有很多目的。最核心当然是缺钱。有些公司没那么缺钱，也会在资本市场做交易，因为有 market 就有 price，市场主要价值就是定价。

定价以后，可以做老股东回购、团队激励，可以拿股票激励。如果没有定价，激励也做不了。

最终目标是上市？

只要走融资路线，肯定是因为中国并购市场不是特别好。未来可能会成为企业级服务并购的 base，我们可以并购别人，并购更多像肖洪这样的公司。

以前中国大部分企业级公司不买公司，但以后可能不一样。有 AI 以后，产品和产品整合不难了。

以前两个产品整合，要把底层全部打通。今天如果两个产品都在你手上，变成 agent、multi-agent 就可以了。产品和产品产生 synergy，比以前容易很多。

所以企业级服务赛道，不管中国还是其他国家，都可能出现并购潮。整合容易了，产品之间容易协同。

以前企业软件很难用。销售回到办公室，还要填 CRM，记录今天跟客户聊了什么。大家都骂系统，说 40% 的时间在填系统。

报销也一样，要在不同系统提交表单。老板却觉得软件很好，因为老板可以看到 dashboard，对公司一目了然，不需要自己填，别人干活，他看结果。

老板的报销单怎么填？也不是自己填，是助理帮他填。比如我开了发票，交给秘书，她就全搞定，所以我没有 suffer。

但未来每个人可能都变成老板。比如我带着录音笔去客户那里开会，在隐私和脱敏允许的情况下，把录音拿回来交给 AI，让它帮我填 CRM。吃饭有发票，拍张照片传上去。

未来软件会非常好用，像你的助理一样，把所有产品连起来。软件不需要自己连，是助理帮你连。像我有很多软件，但我不需要一个一个使用，助理可以把 A 的 output 变成 B 的 input，再变成 C 的 input。

AI 会重构整个软件行业、企业级服务，甚至整个产业互联网。它产生一种新的连接关系，甚至是一种新的生产关系。

2022 年年底，你缓过来一点吗？肖弘那时离开了吗？

那时她还没有完全离开，但已经征询过我的意见，可以做新的事情了。因为我裁员以后，她也没有多少人可以管。

微伴她还会管，但管理也比较轻松。微伴最高峰有三四百人，后来裁到 100 人。

肖洪这个经历太难得了。我像她这么大时没有这么幸运，一上来就经历这么大的振幅。

她很快经历了裁员，也经历了公司现金流紧张。所以她创业第一天，就已经是一个 qualified CEO。我当时创业时显然不是 qualified CEO。

她不只是战略和产品 owner，也会是经营 owner。她在我们公司经历了裁掉一大批手下，把夜莺自己的 P&L 变成平的。

你是让她自己裁？

肯定让她自己裁。那是她的手下，我过去裁也不合适。她招了很多人，而且都很优秀。她比我小 10 岁，吸引了很多年轻的产品和技术同事，但没办法。

你们有过很多深夜对话吗？

挺多的。我刚收购她时，第一次去武汉跟她聊天，就一起散步走了好几个小时。我们有很多共同语言，挺能聊到一起。

她离职时呢？

还好。那个时间点，说实在的，她也不能在这里做更多贡献了。第二，她很想做新的事情，而且新的事情已经起来了。

她第一个新的事情，是基因编辑工具。她为什么叫 Butterfly Effect？她自己也研究复杂系统，对生命科学很感兴趣。她真正创业的第一个工具，就是从我这里出去前，在我这里同时做的一个基因编辑工具。

她走的时候你投她了吗？

没有。

为什么？

这里面有一些潜在 conflict。她其实给过我投资机会，而且是比较低的价格。

我本来很早就可以买，也有一天决定要跟她签 term。但当时我自己公司现金流紧张，没有额外 cash 去投。正好我有另外一家公司的股权可以退出，如果退出了，我就能投她。

但那家公司也因为各种原因没有退出。所以最后我跟她说，等我有钱了再说，后来就没投。

她说以后如果有机会，我上市以后还可以投。

Manus 成功以后，你也觉得它很好？

Manus 发布的第二天，5 亿美元的融资还没融到，我就跟团队说：如果今天我要投，我个人敢按照 10 亿美元估值投。

为什么敢？首先我很喜欢这个产品，我自己也在做 agent。发布前两三个月，我和她没有交流，我做的事她不知道，她做的事我也不知道，但有一定相似性。

她做得比我好。我从 Manus 身上学了很多新思想。发布时我很开心，觉得我们又有很多事情想在一起，只不过她做 To C，我做 To B。

她的产品做得非常棒。我使用时很喜欢。她给了我最高权限，可以无限下任务、并发很多任务。其他人可能用几下就不能用了，很多人连账号都没有。

我用了以后觉得这个产品非常棒，顶级地好。我脑洞比较大、想象力比较丰富，就想到它未来可能有很多方向。

我跟 IR 团队说，现在没钱，如果有钱，哪怕 10 亿美元我都敢投，我个人就敢投。

所以创业公司上市前现金流都很紧？

是。我们中间差点断粮。腾讯救了我们一把，我自己也投了公司 1,000 多万美元。

我没有多少现金资产，有很多股票资产，比如云际。但过去三年我不舍得卖，因为我这个人过于乐观，总觉得它们未来可以涨 10 倍、100 倍。机器人时代还没来，怎么可能现在估值就是高点？

疫情期间我甚至还在想，有哪些公司值得投。我觉得那是低点，不应该卖资产，所以去借钱投自己的公司。

我的历史 reputation 还可以，大家觉得我是借钱能还的人，所以有不少大佬愿意借钱给我。

一度现金流非常紧张。后来哪怕资方、我和腾讯都投了这一轮，公司现金流也不是特别宽裕。我们融了 1 亿美元，但历史裁员补偿金就超过 2 亿元，相当于三分之一的钱先给了离职员工。

还有一部分钱要还银行贷款。过去几年银行不愿意放贷，有银行来跟你说先还上，还完马上续贷，但你还了以后它就不再贷了。

所以真正留在公司的钱并不多，账上现金始终不充裕。

最近 AI 进展还挺顺利，因为我们有一个很牛的多智能体，model 也做得不错。前两天跟内部股东汇报，他们很感慨，说：“明辉，你现在资源这么紧张，还能做出一些事情，说明你是成熟的 CEO 了。”

不是以前那种铺张浪费、完全靠烧钱的 CEO，而是在资源紧张时仍然能做出优秀产品。

9. Deep Miner 进入实战

现在是小团队作战。这个产品跟 EIP 一样，是我现在最重要的产品，叫 Deep Miner，几十个人在做。

几十个人？

第一阶段 20 个人，现在加到 40 个人。

为什么你之前觉得一开始要搞 100 人到 1,000 人团队？这是从哪里习得的？

没有习得，是我的推理。

我有一个 assumption：为什么中国软件公司大部分不赚钱，但也有金山这样的公司？因为在一个软件上投入的资源不够大，没有真正意义上的护城河。

以前代码量本身是一种护城河。产品足够复杂，投入足够多才能做出来，做完以后收的钱又不贵，这种软件最值钱。

中国很多软件产品不复杂，可能 5 个人做一个月，或者复杂一点，5 个人做一年。客户看完以后会想：我自己的人能不能做，为什么要买你的？

今天更是这样，因为大家都可以用 Kotlin 写了。

我当时想，硬件为什么在中国市场好？很大程度上是因为硬件前期需要投资，要做原型设计、开模、找供应链。客户看到 ready 产品时，已经觉得没必要自己干了。

软件不一样，大家看完都觉得自己可以做。所以软件行业需要更 heavy，建立更厚的护城河。

我当时想，如果 1,000 人连续做 3 年一个产品，向每个客户收 100 万元。如果产品一年能给客户产生 1,000 万元价值，按道理客户只能买这个产品。这是当时的 assumption。

现在的 assumption 不一样。AI 时代，代码量肯定不是护城河。真正的护城河是数据，垂直行业的数据。

准确地说，是公开互联网和通用大模型公司拿不到、但可以用来训练垂直行业模型的数据。

你们现在有什么独特数据？

我们在几个赛道都有，同时也会在新赛道独立储备数据。

老赛道比如广告行业，我们有互联网上每天用户打开和点击广告的行为数据，这是中国最大的，遍布所有互联网平台。只要用户在网站上看到广告，很多都是我监测的，我们把数据拿回来了。

还有 data partners，以及我们自己的爬虫，会抓取社交媒体每天发布的短视频、帖子、转评赞信息。

这跟垂直行业模型抓数据不太一样。垂直行业模型可能抓一个快照，在某个时间点一次性抓取，用来 pre-train。

我们抓的是持续变化的数据。比如一个 KOL 每天粉丝变化，就不是一个快照。

天眼查的数据逻辑上来自工商总局。工商局数据在某个时间点看，也是一个快照，只能看到公司今天的股权结构和股东。

但如果每天去抓，就能看到公司历史沿革，看到它跟其他公司的历史纠纷。

数据就是凭证存下来。很多东西如果没存下来，就不叫数据。要一直存、一直存，这个护城河才高。

我们的客户早期会来分析 2012 年奥运会，想看 2008 年奥运会的广告情况。2012 年再去抓，已经没有意义了，不可能抓到当年的数据。

我们还有客户自己的 first-party data。当然这些 data 不属于我们，只是帮客户托管，包括会员数据、客户互动数据。

这些数据首先都是 big data，其次会对客户生意结果产生很大影响。

以门店为例，人、货、场都有数据：销售数据、销售员与客户的对话、POS 水单、SKU、门店 IoT、库存、定价等。

这也是为什么 Databricks 这样的公司很值钱。

去年我去硅谷时，已经有一个认识：DeepSeek O1 出来以后，人类的量化工作不需要人干了，算数、解数学题都不需要人了。

在 o1 发布前，去年 5 月 3 日，我在北大数学系校友会上演讲。前面是柳智宇，后面一位北大数学系本科、MIT 硕士博士的校友，似乎参与了 GPT-o1 内测。

他当时说，内测以后觉得量化工作以后不需要人干了。

基于这个感受，你会知道：我经常讲 y=f(x)。一个人的决策由模型和模型的依据产生。f 是模型，x 是 context，也就是依据。

当 f 足够 smart 时，企业之间、个人之间、国家之间的竞争，最后竞争的不是 f，而是 x。谁的 context 厉害，谁的数据好。

硅谷从去年下半年，尤其 OpenAI 发布以后，很多投资人都觉得，有私有数据的公司，会在 AI 行业产生真正差异化的价值。

公开数据的价值，除非未来只有一家基础模型公司，否则一定会卷成电费。基础模型公司只卖模型、卖 token，最后会非常卷。

只要有两家公司以上，大家就会打价格战。模型公司也可以蒸馏别人的模型，设计 prompt 去问答案，把数据变成训练数据，很快就拥有对方的能力。

所以我们的 AI 策略，不可能去仿基础模型公司。要利用存量数据，以及看得见的垂直行业，第一天进入那个行业，重新建立数据壁垒，把行业做深，在上面训练出结果，持续获得溢价。

怎么使用这些数据？

首先给模型做训练，但不直接卖模型。模型是给自己的 agent 使用的。

你们自己训模型？

对，训小模型、specialized model。

我们这次在两个榜单上表现很好：一个是 Mind2Web，也就是把思考变成网页操作，做 BUA；另一个是 OSWorld，考察 CUA，也就是 Computer Use。

BUA 这个赛道要感谢 Manus。我们之前就看到这个方向，但 Manus 把它做出圈了。

Manus 火了一个星期以后，瑞士团队 Browser Use 融了 1,700 万美元，比 Manus 融得还顺利。那个公司只有两个人，模型也不是自己的，最早可能用 OpenAI，后来换成 Anthropic。

Mind2Web 是把思考变成网页操作。我们现在是小模型第一名，大模型可能也没有超过我们。

OSWorld 考察 Computer Use，不只是网页，而是一台电脑上有很多软件、Office 等。给它一个指令，让它操作电脑。

我们刚拿到 specialized model 第一名，总榜第四名。总榜前面是 OpenAI、Anthropic、字节、通义千问，没有我们这么小的公司。

specialized 榜相当于小尺寸模型。我们用 7B 拿了第一，第二、第三是 Kimi 的模型。我们是 44 分，他们是 34 分，领先很多。

而且我们是 pass@1，只提交了一次。主办方测了一天，快结束时看到分数非常惊讶，问我们是从哪里冒出来的。

我们之前没有刷榜，而是在自己的业务和标注数据上做，因为我们有自己的 benchmark。要用 BUA、CUA，就要操作企业里的存量 IT 资产，所以我们自己建立了复杂的数据集和 benchmark。

整个团队 40 个人，模型二十几个人，application 十几个人。

这个模型会被通用模型覆盖吗？

比较难。语言模型再强，也不一定能 benefit 这件事。电脑操作、网页操作的数据，不是公开互联网能抓到的。

这是差异化路线，需要从零开始积累数据。

什么时候开始做这个项目？

今年年初，比 Manus 发布早一个月。

什么机缘？

因为我们的业务天天处理数据，数据经常突然拿不到，尤其是大厂的数据。

做广告时，客户的投放结果在字节、阿里、Amazon、Google 后台。有时有 API，有时没有 API。没有 API，就只能让广告公司的人肉在后台看数据，再把数据拿回来。

我一直想把这个问题解决，让自己变得主动。

另外，过去两年有一个做 SLG 游戏的朋友。他原来是很牛的团队，后来出来做游戏，能养活自己，但资本市场不好，也融不到钱。

我最开始投他，是想未来在广告 AI 上帮他。投了以后，经常聊游戏和 AI 的结合。

有一天他说，他们的游戏就是一个人进来，建一个岛，建设差不多以后发现外面还有其他岛，大家互相打、互相拆，然后买防御系统和武器。

他们靠这个赚钱，最大的成本是广告费，因为要买流量吸引人进来。

大概 40% 的人是特别有钱、每天充值建岛的人，60% 是陪玩的。陪玩的人围绕着有钱人形成虚拟社区。里面有国王，国王花很多钱、装备很多，也可以封别人为大臣、丞相。

以前陪玩的人也要花广告费。我们聊到一个场景：陪玩的人不花钱，能不能把他们变成 AI？这样就不用花广告费买这些流量了。

这部分人是不花钱的？

基本不花钱，可以变成 NPC。但 NPC 不够聪明，今天 AI 可以做到。

一开始基于聊天能力，AI 已经可以陪大哥聊天，聊得还不错。但很快发现两个问题。

第一个，如果你是大哥，我陪你聊天，一开始聊得很好，但聊着聊着容易露馅。真实世界的人会聊最近的八卦，比如特朗普今天又做了什么。AI 不知道外部世界的信息，也主动抛不出话题。

所以 AI 要更聪明，就要知道外部环境信息，拿外部信息跟你聊。

第二，不能光聊天，还要操作游戏跟你打仗。操作游戏比聊天难多了，这就是 agent planning。

游戏是强化学习训练常用的环境。它的瓶颈是 AI 能不能像人一样聪明地玩游戏。

我以前从来不玩这种游戏，春节期间特意花很多时间测试，还充了很多钱。玩的过程中，我慢慢感受到一个人为什么会进去玩。

我对数字特别敏感，每天在里面算账：房子少了，要不要再盖；要不要采矿；要花钱养兵，各种操作。

春节期间我跟游戏公司聊，他说：“辉哥，你的感受是对的，我们这种游戏就是数值类游戏。”

这句话启发了我。我想，既然 AI 能做这件事，为什么先做游戏？我可以先做自己的业务。

自己的业务不就是每天一堆人在分析数据吗？这些数据就是各种软件上的数据。

现实世界的数值游戏。

对。商场如战场，真实战场不就是陪着一堆企业每天打数值游戏吗？

我以前去清华经管学院参加过 TechMark 课程。当时我们的团队特别强，因为数学好，算数算得明白，最后就打赢别人了，本质上也是数值游戏。

假设能把所有 context 拿来，这就是一个数值游戏，在上面做 agent，针对 model 优化就行。

我整个思路的闭环，是春节期间在滑雪场想明白的。想明白以后，我在缆车上就开始给所有产业团队布置作业。

一边让他们调研最新 CUA、BUA 进展，另一边调研 AI planning 能做到什么水平。任务布置下去以后，我说春节回来第一天就开始研究和立项。

最开始叫 Deep Mining，因为公司英文名是 Mininglamp，Mining 就是 Data Mining，Deep Mining。

Deep 这个词在春节前就火了。春节前公司 Town Hall Meeting，我花了很长时间给大家讲 DeepSeek，说赶快用、赶快研究。结果春节期间它真的火了，不是我预言的，只是它本身可能就有这个可能性。

后来 Deep Mining 的域名被注册了。我跟儿子聊天，他说 Deep Miner 也挺好。他英文不错，在国际学校。我一试 Deep Miner，AI 域名确实 available，就注册了。

所以最后产品名叫 Deep Miner。

你在那个游戏里是什么角色？

我肯定不是大哥级别。大哥花太多钱，我花不起。

如果想统治一方、成为诸侯，大概要花一两百万元，而且一两百万元也不消停，最后还是国家和国家竞争。

它构建了一个平台，让有钱人互相 PK、不断通货膨胀、不断买东西。真实世界也是这样，是一个无限游戏。

它就是一个 agent，操作这个游戏，是 game-use agent，也是 computer-use agent。

Computer Use、Browser Use 很难，因为 action space 太大。围棋的 action space 很简单，就是透明棋盘，361 个格子，虽然已经把人类干掉了，但 action space 还比较小。

真实职场里，电脑上有很多软件，每个软件都复杂，里面也不是 361 个空格，而是很多操作。公司任务更复杂。

就像 Sam Altman 说要做一个 1 万亿美元的公司，你试一下怎么做 AI planning、怎么做 subgoal decomposition，太复杂了。

所以 agent 很难，也意味着今天 agentic model 远远不满足客户需求，这给我们这些公司留下机会。

我不会追求一定做通用 agent，而且我认为通用是不可能的。

从规模效应看，scaling law 到一定程度会遇到瓶颈。《规模》这本书里讲，人为什么生老病死，很重要的原因就是到了一定规模会遇到瓶颈。

血管从主动脉一层层分叉，分到毛细血管。我记得大概能分 26 次。主动脉半径假设是 r，最后可能变成 r 除以 2 的 26 次方，非常细，存在极限。

带宽也是这样。MoE 模型可以有很多专家，但专家能穷尽吗？

今年很多创业公司的机会就是 OCR。OCR 是我们做 CV 的人最经典的任务。深度学习之前，神经网络真正有用的唯一的一个任务就是 OCR。

OCR 很简单：图片里有字，把它识别出来，image 或 picture translate into text。

英文大小写加起来 52 个，再加数字 10 个，就是 62 分类。每一块是哪一个字符，这个任务很简单。以前用很小的模型就能实现，不需要深度网络。

但今天全世界最牛的模型公司，用通用模型做 OCR 反而做得很差。

前两天我去腾讯云做 AI 分享，看到大会议程的图片，上面有很多演讲嘉宾。我把图片分别传到 Deep Miner 和 Manus，让它们调研嘉宾最近半年的主要演讲观点。

两个都失败了。第一步 OCR 就错了。

因为基础大模型做图片生成文字训练时，更多是看图说话，不是真正做 OCR。它感受的是全局，不是逐字识别。逐字识别用很小的模型就能做。

如果把 OCR 也作为 MoE 的一个专家，意味着这样的任务都要单独算一个专家，整个 MoE 可能要有几万个专家。专家越多，前面的路由越复杂，训练也越复杂。

所以通用基础模型把全世界所有人的活都干了，只是基础模型公司 CEO 融资时的一种叙事，不可能这样。通用是相对概念，不是无限通用。

如果规模继续变大，要么变成庞然大物，基础代谢很高，不经济，最终会被淘汰。

我很多年前去过芬兰的 KONE。它是高端电梯厂商，芬兰第一大公司，原来是诺基亚。

电梯的核心技术是什么？电梯轿厢需要缆绳往上拉，缆绳本身很重。楼层高到一定程度，缆绳比轿厢还重，相当于缆绳在拉自己，而不是拉轿厢。

所以楼高到一定程度就必须分电梯，再高就拉不动自己了。这就是 scaling law。规模大到一定程度，基础代谢承受不了。

生命科学领域值得做 AI 的人去学习。我很喜欢达尔文，《物种起源》看过很多遍。训练和学习要多看生命科学，因为神经网络跟神经学很相似，人类智慧演化和 AI 智慧演化，在很多程度上也很像。

如果是企业级垂直 agent，它的交互方式是什么？

文字交互和 GUI 交互都需要。

文字交互像跟自己的助理交流，灵活，移动状态也能用，不必坐在电脑前。但坏处是，企业里 AI 完成任务有风险，未必能得到准确结果。

我们在 data mining 任务上应该是全球最好的 agent。如果数据源正确，仍然可能有约 1% 的幻觉率。To C 产品，比如 Manus、Genspark，可能有 20% 到 30% 甚至更高的幻觉率。有数据时可能十几个百分点，没有数据就是 disaster，纯瞎编，可能 50%。

即便优化得很好，1% 也意味着执行过程最好透明，人类能看到并干预。

一旦要精准干预，纯文字界面就不方便。你可能要打开文件看内容，打开图片看细节，或者在图片上精确划出某个区间。

比如我做广告 creative，有一张照片或一个视频，要把中间那条领带换掉。图片里有三个人，用语言可能描述不清。

所以今天软件的人机交互要思考：人给机器的 input 能不能精确描述意图？很多意图仅靠文字描述不清，尤其是画布上的传统软件。

因此 GUI 和 text，也就是 CUI，一定并存。办公场景下，我不喜欢手机，因为带宽太少，影响生产效率。

金融行业单人 ROI 高。我的很多数学系同学在华尔街、香港做交易员，办公室一定一堆屏幕，因为要大量信息 input，才能比较、做决策。

如果只给我一个小屏幕，就浪费我的智商。我需要更多 input。所以企业级人机交互不可能只有 text、只有 conversational，一定两种都有，而且 I/O 足够大。

我们下一代产品希望服务很多屏幕的用户，让他跟 AI 之间的交互带宽很高，调动人的智商，也调动 AI 的智商，形成更好的协作。

现在这个产品刚上线？

对。

目标客户是谁？

现在主要还是 B 端用户，主要服务广告、零售相关企业。

比如跨境电商。中国消费品全球出海是增量很大的市场。消费品企业要操作很多软件：当地广告投放平台、零售平台、物流、供应链、客服。

以前他们要 hire 很多操盘手。收入规模十亿到几十个亿的企业，可能雇 100 到 200 个操盘手，做大量经营操作，其实都是在电脑上完成。

这 100 到 200 人也只能操作几个主流平台，比如 TikTok、Google。平台有限，产生的 GMV 也有限。

如果想成为真正全球化的公司，丹麦、德国、北海道等市场都可以去卖。北海道的零售厂商也可以数字化，变成 e-commerce，跟中国厂商合作。

未来大部分零售肯定会数字化，即使 offline，供给侧和需求侧也可以自动交互。

AI 有理解各地文化的能力、多语言沟通能力和数值计算能力。如果有一个多智能体帮客户把全盘管起来，客户只负责生产，生产完以后由 AI 帮他销售。

企业里现在是哪类角色跟产品交互？

短期主要还是数据分析相关。

大公司通常有专门的数据分析部门。比如宝洁叫 CMK，Consumer & Market Knowledge，专门做市场调研。

小一点的公司没有专业岗，各部门都要做数据分析。产品团队研究消费者需求、设计下一代产品；供应链研究供应商；marketing 团队研究在哪个平台投广告、怎么买关键词、怎么制作 creative、转化率怎么算。

Social marketing team 要研究哪些 KOL 应该 sponsor，给 KOL 什么 brief，怎么一起 create 内容。

企业方方面面的工作都跟 data 有关。所以第一阶段产品，是给这些部门最好的 data，帮助他们整合各种数据。

它跟 C 端产品很不一样。我们不是 To C，但一些关系好的朋友可以拿到公司内部测试账号。

买家肯定是 B 端用户。这些部门都可以用，既可以连接 internal database，也可以连接 external data。我们的特长是连接数据能力强。

需要从客户公司本身收集数据吗？

可以，前提是客户信任我们。后面会有私有化版本，因为 SaaS 版本客户可能不敢连接高度机密的数据。

AI 会改变 To B 现在的格局吗？

我前面提到一种可能：它的连接能力会更强。

如果看 AI 在企业里、或者 AI 对人类智力活动的分类，大概有几种：创造力、推理能力、交互能力。

创造力是 creativity，推理包括逻辑、数学、写代码。前两种能力，传统软件原来就有。创造力是传统软件以前没有的，但推理能力传统软件一直有，因为传统软件本来就是代码，可靠性更高。

企业不能允许每天计算的数字都有幻觉。

交互能力是传统企业软件没特别在意的。AI 会改变人和机器、人和软件、软件和软件之间的交互，产生新的范式。

Agent 或 Tool Use，本质是一种新的连接能力，会让产业互联网、企业互联网真正形成。以前软件之间连接能力太差，一旦连起来，会发生天翻地覆的变化。

AI 好像没有创造新的人与人连接，但创造了 Agent 和 Agent、Agent 和服务之间的连接。

对。以后工作场合下，人和人的连接可能会减少。

我一直有一个理想，能不能未来干四休三，或者干三休四。生活中大家还是人与人一起，享受大自然；工作场合下，更多跟机器协作。

制造业在蒸汽机和电气革命之前，大家是手工作坊，每个人用自己的工具干活。电气革命以后出现工厂、流水线，所有人围着机器工作，更多跟机器打交道，而不是跟人打交道。

但智力行业，比如审计师、律师、软件公司、咨询公司，之前没有一个固定资产能够高质量复制工作，意味着大部分劳动还是每个人自己干，人与人之间有很多沟通协作。

所以广告公司大到几千人就很难再大，通常变成合伙制。人多以后沟通协作会出现复杂性，大老板也管不了。

从工作性质看，企业里有大量 planning。AI 做 planning 需要 context。组织复杂到一定程度，顶层的人不了解细节，不知道哪个人该干、用哪个 tool，global planning 就做不了。

组织结构其实跟 AI 很像。今天讲 context engineering，也是因为模型的上下文窗口再长，也不可能处理一个任务的所有 context。

如果 10 家同一行业的公司用同一个基础模型，长上下文窗口也一样，它们最后会处于同一水平。竞争一定发生在更高一层，也就是模型 hold 不住的部分。

那部分还是需要任务分解，不是一个模型处理所有任务，而是不同任务交给不同模型、不同团队。

企业会想自己做 multi-agent 吗？

大部分企业目前还没有能力。别说企业主，可能大部分公司的 CTO 对 agent 的理解都很初级。

市场上人人都喊在做 agent，但没几个人真正知道 agent 能干什么、不能干什么。

软件行业开 SaaS 大会，哪家公司不说自己做 agent？但真正有几个知道 agent 的能力边界、瓶颈和价值？

Anthropic 有一篇文章叫《Building Effective Agents》，讲如何创造真正有用、有效率的 agent。它认为市场上很多 agent 其实是 workflow，真正的 planning 还是人做的。

你用工具搭 workflow，人预先定义流程。真正的 agent 应该是 AI 做 planning。Manus 某种程度上就是 AI 帮你 planning，再调用 tools。

但 workflow 确定性强，给它一个任务，它按照流程走。Agent system 是探索型系统，确定性差，同一个任务每次打法可能不同，发散性很强。

企业要平衡：什么工作需要发散，什么工作需要确定。

一个人也是这样。假设五天工作制，每周 40 小时，可以看看哪些是探索类任务，哪些是 routine、应该变成 workflow 的工作。

探索类工作首先要做的，是把 routine 工作自动化。这个事情本身就是探索，也像 programming。写代码是探索过程，反复测试、验证后，代码固定下来，编译并执行，就变成 workflow。

工程师每天就是在这两个事情之间平衡。未来每个企业也一样。把 routine、烦、boring 的工作通过类似 Web coding 的逻辑固化下来，变成 tools。下次探索时，把 tools 作为工具去做 planning。

这是持续迭代的过程。企业真正用好 AI、agent，首先要想清楚哪些事情需要迭代，哪些需要固化，哪些需要在迭代之上继续迭代，进入 L4 的 AGI 状态，也就是 AI 自己优化自己。

我跟 AI 团队说，我们现在还都是 996。但我们已经在大量做让 AI 自己迭代的事情：有自己的 benchmark、自动测评、自动出题。

目标是最后让 AI 自己卷自己，我们稍微休息一下。终极状态应该是 AI 自己卷自己。

企业级 AI 的 roadmap 应该是什么样？

大部分公司先在现有工作上增加 AI 能力，这是过去两三年所有企业都在干的事情。大公司慢一点，小公司可能做得更好。

比如我们公司有 300 个数据分析师，分析各行各业的数据。以前人来分析，现在能不能让 AI 让分析更快、效率更高？这是第一步，效率提高，毛利率提高。

但 AI 能不能比现有的人做得更好，才是真正的 AI 意义。

以前很多人觉得 AI 不可能在各行各业做到最高水平，这是错的。下象棋、围棋，AI 已经把全世界最强人类都超过了。

区别是围棋的 context 是完整的，棋盘透明，所有信息都能看见，很容易强化，reward function 也容易写。

真实商业环境里，强化成本高。投一支广告要花钱，策略的 reward 和真实环境差异很大。

之前有一篇 paper 被 reviewer 扣分，因为用了 GRPO。Reviewer 说这个场景不可能用一个标准 reward，必须建立在线环境，从真实环境获得反馈。

企业员工首先应该用 AI 提高效率，但更重要的是，要结合 AI 能力，把最牛的人提高很多倍，而且这个能力是 scalable 的。企业会彻底脱胎换骨。

如果企业 agent 不只连接内部生产资料和工具，还连接外部工具，就可以重塑上下游。

前段时间我跟智联招聘 CEO 聊，给他看 Deep Miner 的 BUA、CUA 能力，他非常震惊。

以前招聘公司的 agent 只在自己的 database 里工作。求职者搜索工作，招聘者搜索简历，都在智联招聘自己的数据库内。

有了很强的 BUA、CUA，就可以在所有招聘网站上做一个 agent。用户说想找多模态大模型算法工程师，agent 可以先去智联招聘，再去 BOSS 直聘，再去 51job，全部走一遍。

这个 agent 比原来厉害很多，角色也变了，它成为用户最信任的 AI agent，入口变了。

也可能通过豆包、元宝作为入口。

当然可能。所以市场上大家忽略了 BUA、CUA，也包括移动互联网的 MUA。手机厂商还在卷 MUA，让 Siri 在不同 App 里操作。

这是一种新的生产关系，入口变了。

那企业还 AI 化干什么？如果入口变了，它好像什么都没了。

如果你只是提供生产关系、平台关系，就要好好思考战略。不能只考虑生产关系，供给侧也必须有自己很强的能力。

比如滴滴，原来主要提供连接能力，但有一个风险：可能被苹果、小米绕过去。但如果在无人驾驶方面做得特别好，供给侧有独有能力，就绕不开你。

如果什么都没有，只是一个连接网络，而且还不是根节点，就很危险。

这不就是上一波互联网的故事？

对，很危险。

Agent 不是单纯的 AI 技术，而是一种交互技术。Tool Use 是交互，planning 是规划怎么交互。Agent 会在产业格局上，对 To C 和 To B 互联网都产生革命性变化。

以后打开手机，会看到很多 agent？

很有可能。

会像 App 一样多吗？

会有很多 agent。社会需要分工。

入口可以只有一个，但 agent 不应该只有一个。入口本身也可以是 agent。

现在 Manus 是 single agent，我们的 DeepMiner 是 multiple agent。我们现在的模型叫 MOA，Mixture of Agents。MOE 是 Mixture of Experts，我们做的是混合多智能体。

为什么做多智能体？两年前我就看到硅谷很多人讲 agent swarm，也就是智能体蜂群，本质是多智能体、自组织 agent。

Agent 之间的 planning 可以是 supervisor 模式，也可以是其他模式，也可以自组织。

当时有人争论 agent swarm 是浪费社会资源，为什么不把一个事情放在一个地方 planning，而要分几个 agent 分别 planning？除了增加碳足迹，没有价值。

但 DeepMiner 和 Manus 的区别就是，Manus 是 single agent，我们从一开始就是 multiple agent。

首先因为我们公司人多，现在有 1,800 人。很多人因此说我们不是 AI 公司。我也很纠结，可能可以用更少的人，但我跟团队说，所有人都重新换岗。

数据分析师不要再做数据分析师，变成产品经理。以前给一个客户定制数据分析任务，现在是在 DeepMiner 上 build 一个数据库产品，通过类似写代码的逻辑，用自然语言写，写完变成可销售的产品。

大家都换岗了，这就是新一代公司。

为什么人多要 multiple agent？因为我作为公司老大，没有足够智商把所有事情 plan 好。我写 global planner 时，对所有 context 细节了解不够，所以一定要分工。

不同团队各自 plan，建立 benchmark，做端到端优化，再加入整体团队。组织 planning 时，也可以选择民主或集权模式，跟人类组织很像。

另一个问题是，未来社会如何分工？很多特别牛的人正在成为超级个体。

我看过一篇有点危言耸听的文章，但可能没错：未来企业里只有两类人，一类是老板或企业主，另一类是合伙人，而且合伙人不是员工，是 part-time 过来作为某个 function 的专家。

这有点像乙方公司。比如我是奥美广告公司，有一个做 creative 的 agent。我是你的合伙人，可以加入你的项目，但不被你 own，我的能力也可以服务其他人。

未来很多企业人很少，企业主 own 企业自己的 memory、benchmark，负责整体优化，承担最后责任；他 hire 很多 partner。

那篇文章没讲 AI，但我给它的注解是：未来 partners 不是肉身加入，而是 agent 加入。它加入一个企业，其实是被租用了。

为什么叫合伙人？因为合伙制企业里，合伙人按照企业最后经营效率分钱，不是简单拿死工资。合伙人不一定是股东，股东也不一定等于合伙人；他一定是要把公司的最终 performance 作为自己的 responsibility。

比如我是你的广告合伙人，公司卖得好，我赚更多；卖不好，你给我底费就行。

未来学校也可能这样。我那天跟一个大学老师说，每个学生上完一门课，期末考试考他的 agent，而不是考他自己。每个孩子回去训练自己的 agent，最后看谁考得好。

这很有意思。

我觉得肯定会这样。考学生自己有什么意义？学生在学校学习的东西，AI 都已经知道了，还要教他什么？

职场真正需要的是使用 AI 的能力。比如这学期讲生命科学，结束时每个人训练一个 agent，回来考试。这才是面向未来职场的逻辑。

但你问得很好：如果一个人没推过很多数学公式，他能训练出好的 agent 吗？

你喜欢推数学公式，如果没推过，能训出好的 agent 吗？

这就看你怎么用 AI。

陶哲轩是最高产的数学家之一，为什么？因为他是用 AI 最好的数学家之一。但他首先成为了数学家。

对，他先成为数学家。

学生原来学好课程，是为了成为数学家。但未来考的不是他自己，而是他能不能把课程内容交给 AI，让 AI 去参加考试。

这既证明他学习过，也证明他能把自己的能力跟 AI 连接起来。这两个能力非常重要。

现在企业用人也会发生问题。中年人的工作机会可能越来越少，senior 人才反而有真正岗位，因为他会用 AI，最核心是会管理 AI，知道给它什么要求、怎么 evaluate 工作成果。

如果未来企业变成企业主和合伙人，合伙人都是 part-time，为其他人提供服务。每个企业就是 multiple agent，每个人可以用自己的 agent，甚至一个人可以用两三个 agent，交给不同人干活。

DeepMiner 最终不会只有我们自己的 agent，肯定需要上下游合作伙伴的 agent。

肖洪一直有一个观点我觉得很好：要把东西卖贵。她卖贵的方法，是先把成本做高，消耗很多 token。

但消耗很多 token 不一定能卖贵，可能最后还是卖一个 cheap task，成本收不回来。

她为什么要卖贵？

这是我们在 Monica 时代就聊过的话题。Monica 诞生于 GPT-3.5 到 GPT-4 之间，最早 GPT-4 很贵，后来变成一天只能用一两次，跟现在 Manus 免费给一次任务一样。

她的观点是，每一个最新 AI 能力出来时，都会让人眼前一亮。把这个能力介绍给客户，客户会喜欢你，愿意使用你。对你来说，这是获客、留客，ROI 很高。

等这个能力变便宜，所有 agent 都有了，客户就不会对你一见钟情了。

另一方面，token 会越来越便宜。今天很贵，ROI 算不明白，但按照摩尔定律，最后一定能算明白。

她是从时间差角度看：把最贵的 token introduce 给想吸引的客户。

但站在 B2B，尤其中国市场，核心还是你给客户创造了什么价值。价值大才能收很多钱，价值小收不到钱。价值大不一定 token 越多。

要把重要 context 和重要模型能力放进真正场景，才能产生价值。

我们刚才聊到入口改变，一个手机上有很多 agent。它们可能不是以前 App 转换来的。

对。豆包其实不一定是一个 agent。豆包里有很多 character，可以跟不同的人聊天，每个人其实是一个 agent。

现在这些 agent 之间不能协作，协作以后才是真正的 multi-agent。它现在是 agent 的一、二、三，只是多个 agent，没有协作，但最后一定会协作。

前两天我跟一个做心理咨询 AI 的团队交流，是我前同事创办的。他们有很好的资源做心理咨询 agent。

中国儿童里有很多学习困难、抑郁等问题。但产品最大问题是获客。真正有心理疾病的人很多，却没人愿意承认，也没人愿意主动去心理咨询机构。

我跟他说，可以把小朋友心理咨询 agent 做得特别好，然后去跟英语教育 App 合作，也可以跟豆包、Talkie 合作。

小朋友想学英语，不会觉得不好意思。妈妈让他去学英语，过程中有英语老师 agent 跟他聊天，潜移默化就可以解决心理问题。

这不是一个英语老师，而是一个团队在服务他，后面还有心理咨询师。

就像国家运动员，背后有营养师、体能教练、比赛指导、心理教练，这几个人组成 multiple agent team，服务一个运动员。

心理教练很牛，可以加入这个团队，也可以加入其他团队。所以社会就是这样组织的，每个人都可能是专家，是合伙人。

企业级服务最终肯定是 MOA 结构。社会分工不应该是一家公司把所有事情都做完，其他人都被养着。可能是一家公司和其他公司一起协作。

卖贵的逻辑是，agent 有 IP。假设我是产品定价 agent，市场上有特别牛的产品定价大师，他的 agent 就可以很贵。普通 nobody 的 agent 就很 cheap。

超级个体有自己的 IP，加入任何团队都能产生更高价值，而不是简单赚 token 的钱。为什么贵？因为专家脑子里有很多 AI 没有的 context，封装进自己的 agent 后，就值钱。

你会把自己的 agent IP 化吗？

我自己的，最后肯定会。

广告行业特别适合。广告公司有很多 IP，比如华与华。它就是一个 IP，IP 很重要。

我很多年前有一次演讲，讲 data 的价值。数据从哲学层面不能证明任何东西，因为过去不能预测未来。历史发生过什么，不代表未来一定发生。

数据能做两件事。第一，证伪。你有一个假设，数据跑出来发现不对，数据可以证伪。

第二，当数据没有证伪时，给人信心。很多人就会认为数据证明它是对的，然后自我强化、继续工作。

专家的价值，是让 decision maker 有决心做事情。

OpenAI、DeepSeek、Kimi 都告诉我产品应该这样定价，但一个顶级定价专家过来告诉我，我更可能相信定价专家，因为他给了我信任感。

未来 agent 一定要有身份证。持续产生结果、建议，如果有记录，agent 建立 credit system，就可能像人类专家一样有 reputation，采购它的服务时可以溢价。

现在大家讲 A2A 协议，未来 agent 也应该加身份证。

这就是 IP 的价值。麦肯锡、BCG 做决策，广告行业找秒针做第三方说明，因为自己的团队没有 credit，要找外部的人说“秒针说广告投得很好”。同样的数据，盖上一个章，就值很多钱。

管理人和管理 agent 有什么不一样？

区别很大。人有自我意识，个人目标和组织目标有巨大区别。

组织目标也不一定等于老板目标，只是有很大 overlap。我的人生使命是把数学之美传递给身边的人，不等于公司的使命。

公司要做可信智能体，trusted agentic model。我希望在里面建立人机互信的数学模型。

GPT 出来之前，我的人生目标是做一个比我聪明的 AI。后来人类已经把最聪明这件事做完了，我不再卷最聪明的 AI，而是卷最可信的 AI。数据可信非常重要。

老板的个人目标和公司目标都不完全相等，只是交集比较大。幸福的老板，人生使命和公司使命高度相关，家庭使命也可能相关。

《幸福的方法》这门课讲过，幸福跟长期目标、短期目标的关系有关。如果长期目标明确，短期目标不明确或不喜欢，就是忍辱负重；只看短期、不管未来，就是醉生梦死；两者都不清晰，就不知道每天怎么活。

如果长期、短期目标都清晰且有很大相关度，人就会幸福。

员工更不一样。每个人有自己的目标：明年结婚、今年攒钱、买房。来到公司，第一目标是赚到钱，实现个人生活目标。

少数组织，比如 NASA、SpaceX，员工个人目标跟公司目标关系更大，但也只是更大，马斯克也不只有一个目标。

管人最难的是每个人都有自己的目标，能力强，还要竞争，都要证明自己比别人强。

管 AI 相对简单，因为 AI 比较容易被 align。至少今天它没有完整自我意识，你让它干什么，它就干什么，很多能力甚至比人强。

但管人也有意思，因为每个人有生命力。组织目标可能是错的，bottom-up 能力强的公司，个人目标最后可能变成公司的未来。管 AI 的公司可能很难出现这种情况。

我在家教育孩子，对比过他们从小到大的学习过程，跟 AI 的 pre-train、post-train、上岗后训练高度相关。

最大问题是，人有长期个人目标，会根据自己的 context 调整；AI 的 context 都是你给它的，所以控制容易。

组织未来会怎么变？

最后会逐渐演变成多智能体结构，是人机协同的多智能体。

人会减少吗？

我希望人不减少。我经常说，如果我是全国人大代表，愿意提议干四休三或干三休四，人的工作时间减少，多去玩、多消费，企业也能赚钱。

工作时间少了，AI 科技才有进步空间。否则大家都在卷 AI，也没有机会。

人不完全是来做决策的。第一是 take responsibility，负责这件事；第二是制定 benchmark，定义什么是好、什么是对。

决策最后可能还是机器做，但人负责这两件事。

未来机器处理的数据吞吐量太大，人不一定能处理完所有依据。

你会担心现在做这个事情太早吗？

现在还好。第一，我不是做一个纯通用解决方案。我们发布的是 foundation agent，加上一些 specialized agentic model。

为什么叫 foundation agent，不叫 general agent？Manus 想做 general agent，我做 foundation agent。我不直接把它拿出去卖，而是进入不同行业，连接不同 tools、不同 sub-agent，做行业 specific planning 和 Tool Use。

这样 hallucination 和可靠性会增强。

Foundation agent 首先是多智能体框架。现在代码行数没有意义，都是 AI 写的，工程师一天可以写很多万行代码。

我们的模型都很小，7B、8B，未来可能到 32B、70B，因为算力有限。

模型小，就可以在一台电脑上部署，也可以在多台电脑上部署多个，不必在云上运行。

这跟 Manus 有区别，Manus 在云上跑。企业客户不敢把高度 confidential 的数据放到云上，最好私有化部署。

所以我们尽量让 planning、Tool Use 都在一台电脑上，用小模型运行。

每个领域有自己的专业知识，会让这个领域的 planning 变简单。再把人的能力放进去，细分领域的 multiple agent，效果可能比巨头的大模型更好，性价比也更高。

To B agent 和 To C agent 是不同产品吗？

核心是 To B 的信息安全和 memory。

C 端产品的数据到底属于谁，本身就是问题。比如我用 WPS 处理公司文档，知识产权属于我还是公司？现在不好说。

很多人把文档放在自己的电脑、手机上，甚至传到自己的 AI 云端，未来会有很多问题。

组织里的共同知识产权到底属于谁？在 MOA 架构下，公司可能有一个 repo，把共同内容存进去。每个专家也有自己的 memory。

像麦肯锡、BCG，咨询公司完成项目后，离开时要把网盘隔离，数据脱敏，留下模型。但即使把网盘隔离，专家脑子里的知识也会带走。

企业组织未来会受到这个影响。

企业微信也遇到过类似问题。销售有自己的客户关系，企业微信希望销售使用公司的企业微信，但销售转岗后，客户关系就没了。

对销售来说，客户关系是个人资产，所以不愿意用企业微信加客户，而使用个人微信，离开时可以带走。

这是个人利益和组织目标之间的博弈。有段时间我甚至因为做 IT，限制公司 Wi-Fi 不能使用个人微信，逼着销售必须用企业微信。

那段时间，企业微信上的 external contacts 快速增长到几十万。

后来发现特别不方便。我跟太太聊天都没法聊，只能加企业微信。假设聊私密话题，也会被公司存档。虽然我是老板，也觉得很怪。

会被谁看见？

IT 可以看。如果想看，确实能看。好的公司应该有双重甚至三重授权。

我当时想把所有数据都存下来，变成 AI，训练 AI，赋能所有人，就是前面说的 EIP。肖洪也参与了这个事情，她都知道。

后来发现，加联系人很不方便。还有一个尴尬问题：以前微信时代，前同事都容易联系；变成企业微信以后，前同事一离开，原有 network 反而没了。

我离开公司后，最多跟个别人加一下个人微信。因为关系都在企业微信里，一离开公司，像同学录也没了。

个人互联网和企业互联网之间的连接关系还很有问题。人在不同公司换工作，这些都是你的 network，原同事可能是未来上下游合作伙伴，为什么一下没了？

当然，也不是所有人都愿意把工作关系转到微信，可以离开时勾选是否保留联系。但现在这些能力都不完善，使用很麻烦。

刚才说到 2022 年做了很多不人性的事情。那个时候是不是有点疯魔？

是，跟现在不一样。

那时我已经花时间研究工作伦理，读了牛津、剑桥的道德哲学课本。

你下一个博士还要读 AI 伦理？

我肯定会读 AI 伦理相关的博士。

还要读博？

我还想多读几个博士。

去哪儿读？

不一定，可能去其他国家。因为本硕博都在北大，我可能去国外读，顺便拓展海外市场。

现在产品非常标准化，全球都可以卖，尤其是私有化部署，客户敢用，即使是中国公司。我们本来就有很多 global company 客户。

对我来说，持续学习很重要，尤其是 AI。AI 比人还卷。AI tech company 不持续学习很可怕。

今年年初我跟团队说，公司有 1,800 人，工程师大概 800 人。以前真正做 AI 的可能只有 100 人，700 人是普通工程师或大数据工程师。

大数据工程师还好，但普通 application 工程师，AI 真的可以全干。

我给他们讲 Transformer 和各种 AI 算法，提醒他们年底前要变成 AI 工程师。如果变不了，可能就要下岗。

我家小朋友刚上高中。前几年我参加 CES，看到一个很有意思的硬件，是一个飞镖靶盘。靶盘外面有一圈摄像头，扔飞镖以后，旁边记分牌自动显示分数。

我回家跟儿子说，这个产品可以买回来玩。他第一反应是：“爸爸，我给你做一个吧。”

他打开学校作业，学校有一门课叫 Future Tech，教机器学习，也学了一些强化学习。底层算法还不知道，但已经会训练模型。

他拍了很多照片、做标注、训练模型，真的能用。他觉得这个事情很简单。

这其实是我硕士的工作，现在变成一个中学生就能做的事情，对我触动很大。

如果一个团队、一个科技公司还想称为科技公司，而不是传统公司，就必须持续学习、持续迭代。

上一代大数据公司能穿越周期，比如 Palantir、Databricks，是因为持续学习、持续迭代，历史资产变成财富和壁垒。

以前还有 Cloudera、Hortonworks 等很多大数据公司，但都没了。持续学习很重要。我们公司价值观里有持续学习、持续创新。首先要持续学习，才可能持续创新。

明略和飞书、钉钉、企业微信这些通用企业服务竞争，优势是什么？

他们做的是通用企业级产品，离具体业务场景比较远，也不想做交付。

有了规模效应以后，最简单的卖法是卖 infra，卖云，卖连接能力，在产品上再赚钱。

但细分到具体场景，会有大量 domain knowledge，需要咨询、交付、合作伙伴。这些事情大厂不会做。

一旦做这些事，就要 hire 很多基础之外的人，组织资源会朝 infra 层面集中。他们会有快速迭代、优化、反馈，客户数也很多。

细分业务反馈很慢，大型组织里，负责慢反馈事情的人很难晋升，所以组织里不会存在这样的人。

大公司和小公司竞争不一样，大公司和大公司也不一样。腾讯和阿里也不同。组织里最聪明的人，会被卷到反馈迭代最快的事情上，其他领域长期没人做。

最后一公里大厂可能不想做。

不是没价值，而是最后一公里很值得用 AI 做。

美国 Palantir 最后一公里做得很多，养了很多好像叫 FTE 的工程师，也就是放到客户现场、天天陪客户的工程师。中国大厂几乎不可能这么做，美国这块做得很好。

AI 时代，明略能变成什么样的公司？

我希望成为 data 赛道真正的领导者，当然不只是 data。我们现在的 slogan 是“数据驱动的可信生产力”。

以前 data 更多是数据分析和决策辅助，不能直接干活。今天智能体 Tool Use 能力很强，我们在细分赛道卷到世界第一，所以有可能成为干活能力最强的公司。

在一个又一个赛道里，基于 foundation agent，建立行业能力。早期是广告、零售等熟悉的战场，之后会布局工业、金融。

这些战场打开以后，可能恢复到当年的状态，成为很多领域有影响力的、数据驱动的 AI 公司。

数据更多是 domain-specific data。通用数据我暂时不想卷。如果要卷通用领域，我想卷可信。

AI 创造了很多不可信的东西，尤其是互联网内容产业。今天可能 95% 的内容都是 AI 生成的。

春节期间我带孩子测 DeepSeek。我不联网，问它 GRPO 算法，完全错，因为它训练语料里可能没有这个算法。联网搜索以后，它可以总结 GRPO，但我点开引文，发现有些引文是错的。

有一篇 CSDN 引文明显是 AI 生成的，前半段和后半段讲 GRPO 原理互相矛盾。

我不想卷最聪明的模型，大家都在卷。我想卷最老实、最安全、最可信。

一篇文章上下矛盾，AI 能不能识别？企业做竞品分析，不可能有一手真实数据，会有多个第三方情报源，哪个是真的可能不一样。

AI 能不能基于第一性原理、人机互动，识别问题并提醒决策者？这是数据领域的通用 agentic 能力。

我没有看到技术模型公司在意这件事。如果我们要成为数据领域最强 AI 公司，就要把它做到最好，own 自己的 benchmark。

移动时代你反应慢，AI 时代反应快，是因为手机屏太小吗？

我对技术、IT 产品、科技产品一直反应很快，但天然不喜欢手机。我打游戏也是电脑游戏，不玩手机游戏，也不刷抖音。我不知道是不是视力原因，我散光 100 度。

很多 To B 创始人觉得这辈子一定要做一个 To C，你好像没有这种执念。

核心是做一件有价值、有意义的事情，而且一定要做到全世界最牛。做到这一点就行，To B、To C 不重要。

To B 公司也可以被广泛认知。英伟达大部分收入是 To B，但大家都知道。为什么一定要做 To C？

很多 To B 企业家想做 To C，可能是因为想出名，这是人之常情。做一个 App，周围人说我知道，哪怕不赚钱，也会给你正反馈。

To B 公司介绍起来很难。我说“这是明略科技”，要费很大劲解释，介绍半天别人也不知道在做什么。

为什么企业级服务在中国没有美国发展得好？

这是我的观点，不一定对。中国科技人才太多，竞争不只是乙方之间的竞争，而是乙方跟甲方人才之间的竞争。

我做软件，如果甲方自己的人能做，就会跟你博弈，不可能付很多钱。

在美国，硅谷如果能组成一个 team，基本就能融到钱，因为工程师很缺。中国工程师太充足，规模可能是美国的几十倍，还聪明、勤奋，很多都 996。

供给侧太充足，行业结构就不好。供需决定价格，供给太充足，价格就下来了。

AI 会改变吗？中国 To B 企业应该全球化吗？

会改变一些。

普通软件大部分 feature 在界面上能看出来。CRM、HRM、Office，一看就知道是什么，可以抄。

AI 没那么容易抄，需要很牛的人才能做。真正有能力做 AI 的中国公司没有几个，AI 能力供给并不充足。

第二，中国客户结构跟美国不一样。美国腰部客户多，支付能力也强。中国是一群大公司很有钱、支付能力强，比如银行；中型公司少；底层小公司没有支付能力，还可能随时倒闭。

所以 To B 只能做 Enterprise 才能赚钱。大 B 的问题是，很多客户上来就要源代码。

中国行业竞争激烈，你不给，竞争对手就给。软件交源代码以后，客户可以复刻，离职员工也可以拿出去创业，环境很不好。

模型相对好一些，因为是黑盒。客户不会要求你把模型参数交给他。你可以开源参数，但 data 不会给。

至少 AI 行业还没有人敢跟我说把代码交出来，可能他拿过去也看不懂。这是比以前好的一点。

今年要上市，有什么感受？

10. 上市开启新阶段

回看过去 19 年的风风雨雨，这是一个新的里程碑。

过去两三年我们太缺钱了。上市以后，资金链会更加充足，可以在 AI 领域做更多研发投资。

我们很不容易，为什么只能卷小模型？团队能力强，但没卡。疫情前买了 1,000 张卡，里面还有消费级显卡。

我们应该是中国有能力做模型的公司里，资源最少的公司。提交 OSWorld 时，评审很惊讶，怎么突然冒出一个公司。

我们只能卷这么小的尺寸，但也很争气。小尺寸模型，pass@1，第一次提交就 SOTA，对方很震惊。

在线测榜时，如果提交不止一次，会有作弊嫌疑。第一次测可以记录数据，再回去训练。我们一次提交就 SOTA。

我不会卷 foundation model，但脑子里有一个很大的 pipeline。

企业里跟 data 相关的事情很多。OCR 只是一个小任务。我会在若干细分事情上分别做到世界第一，再组合起来。这样 MOA 一定是最强的。

基础模型公司的趋势是所有东西都要牛，但不可能每个 task 都牛。数学可能 DeepSeek 牛，coding 可能 Anthropic 牛，未来通义千问也可能在某些任务牛。

每家公司聪明的人有限，资源有限，注意力会向某个方向倾斜，那个方向就会好。

有的公司号称做一两百个 task，我觉得更扯。开源、闭源模型都有，我可以在某些 sub-agent 上调用闭源在线模型，某些任务自己做后训练；细分赛道做到世界第一，整个木桶的每一块板都最强。

你也有“创新者的窘境”，不一定每个 team、每个 task 都能最好。

我是在自己的场景里做端到端优化。基础模型训练要平衡很多指标，像公司管理、绩效管理一样，既要又要还要。

团队绩效里，A、B、C、D 指标各占 5%，最后考核就没有意义。基模要满足很多独特 task，训练很难。

结合 scaling law 的天花板，理想状态应该是分工，像人类一样。脑子大到一定程度不会再大，最后变成 teamwork。现代人通过团队打败上一代物种。

你的 pipeline 上，接下来分别是什么 task？

现在正在做 Tool Use。

复杂任务做 planning，会分解成一层层子任务，最后像一棵任务树，底部有很多叶子节点。叶子节点的质量，决定整个任务会不会产生幻觉，是最基础的地基。

Tool Use 很关键。比如 data mining，能不能拿到准确数据、找到对的数据源，这是当前正在卷的事情。

下一阶段是，数据拿回来以后，能不能识别其中的问题。数据拿对了，但数据本身可能有问题。

再往后，data mining 的终局是预测。预测做得特别好，世界就都是你的。炒股、投资、电商选品，本质都是 forecast。

中间还有一个重要任务，是人机协同：人和机器如何共同挖出 planning 所需的 context，因为很多 context 在人的脑子里。

我们公司养了几百个数据分析师，这可能给了我们独有优势。一个很小的公司不一定有这个优势。

垂直领域的数据不是公开互联网能拿到的。拿不到公开数据，就做不出真正意义上的环境，也做不出强化环境。

数据工程、data pipeline 需要原来领域的专家。他理解任务分布、用户意图分布，基于脑子里的分布生成数据。

训练数学奥林匹克专家模型，团队里一定要有数学奥赛冠军，否则连 AI 做得对不对都不知道。

我们在 data 领域有得天独厚的条件，因为经营了很多年，有大量领域专家，覆盖行业也很宽。

人机交互在企业服务里是不是比 To C 重要得多？

对。C 端用户不一定期待 AI 各方面都比自己强，也可能没有辨识能力。

达里奥说过，C 端 AI 医学应用，医学博士和硕士对普通用户可能没区别。就像我虽然学习还可以，但把北医硕士和博士叫来，我可能没能力区分。两个人都开处方，我也不知道该听谁的。

B 端不一样。辉瑞、拜耳、强生肯定希望 AI 更好。AI 更聪明，也更好管理，不像高智商人类可能不好管。

如果竞争对手都 hire 硕士，我就必须用博士，否则没有竞争优势。

但细分场景最终成果，不只取决于 AI 聪明程度，还取决于 y=f(x) 里的 x，也就是 context。

如果做 marketing creative，客户最新产品型号是什么，必须知道。昨天刚发布的产品，模型可能不知道。

一个顶级 marketer 能问对问题，从工程师那里拿到真正卖点。这个 context 挖出来以后，跟 AI 联动，才能把人的知识和 AI 能力结合。

这很复杂。上一代 IT 叫知识管理，KM 系统通常做得很烂，没人用，网盘里放一堆过期数据。

《创造知识的企业》的作者是日本人野中郁次郎，他提出了 SECI 模型。

企业知识传承第一阶段是 S，socialization，社会化。师傅和徒弟一起工作、聊天，师傅不一定明确说第一步、第二步、第三步，但徒弟通过观察形成感觉。师傅脑子里的 tacit knowledge，通过 socialization 传给徒弟。

第二阶段是 E，externalization，外显化。师傅觉得应该好好讲，就做内部分享、写 PPT，把第一步、第二步、第三步讲清楚。

但只有 externalization 不够。企业里可能有多个专家，同一件事有不同做法。第三阶段是 C，combination，把不同专家的显性知识连接起来，判断什么情况用 A，什么情况用 B。

最后是 I，internalization，内化。知识被外显化、组合、标准化后，大家学习它，再变成自己脑海里可执行的知识。

SECI 是循环：人的 tacit knowledge 传给另一个人的 tacit knowledge；tacit knowledge 外显成显性知识；显性知识和显性知识连接；最后显性知识又内化成 tacit knowledge。

最难的是 tacit knowledge 怎么变成 AI 可以使用的 memory。

人的脑子里有很多东西，不告诉 AI，它就不知道，而且每天都在迭代。有时跟外部互动产生迭代，有时自己思考也会迭代。

有效方法一定是 DeepMiner、Manus 这种人机互动，最好多轮互动。工作人员的工作都在平台上完成，AI 才能把他的 context 挖出来。

一个人第一轮 prompt 可能没有提供全部信息，但结果不对，就继续追加问题，改到结果正确。这个过程中，AI 就把人脑子里的 tacit knowledge 挖出来了。

顶级专家每天这样工作，会不断产生好的 context。保护好知识产权以后，这些 context 进入 memory，就能帮助专家自动执行原来需要体力的工作，让他思考更多新事情、接触更多 context，甚至进入新赛道。

顶级专家加最聪明的 AI，有机会打败不用 AI 的顶级专家。因为制胜要素不是 f，而是 x。

产品里有没有专门为了获取人的 context 而设计的场景？

就是多轮交互。

DeepMiner 一进去有两个模式：自主模式和协作模式。

Lilian Weng 写过一篇著名博客《LLM Powered Autonomous Agents》，她后来是 Thinking Machines 的 co-founder。她强调，AI 有了 planning 能力，就能自动分解任务、执行、闭环。

但完全 autonomous 没有能力挖人的 context。所以如果我写一篇 paper，会写基于大语言模型的 human-in-the-loop agent，甚至 multi-agent，研究协作 AI 怎么向人提问，把人脑里的问题问出来。

产品里有 autonomous agent，也有 human-in-the-loop。

human-in-the-loop 模式会很烦，跟 Manus 完全不一样。Manus 接到任务，马上做一波就给结果。但这个模式会不停问问题，直到它觉得该问的都问完了才干活。过程中发现不对，还可以继续改。

数据赛道即便优化得很好，仍然有少量幻觉，所以我们把工作流里所有跟数据相关的处理细节都透明化。

Manus 也透明执行过程，但涉及 data 的部分不透明。比如做 deep research，可能中间写 Python 代码，代码里把 chart 的数字编出来，最后画图，产生幻觉。

这种情况可能不可避免，所以所有数据都以 CSV 等形式透明出来，客户可以修改、check、溯源。

核心理念就是通过多轮互动，把人脑里的 context 抽出来。

如果要从我这里获取信息，必须在 context 下才能聊。换一个通用 agent，不一定能聊出来。

对。它本身会带着 context 提问，就像我们做访谈一样。

做 AI 相关访谈，你能提出高质量问题；如果一个财经媒体不懂 AI，提问本身可能就有问题。

提出好问题是非常难的任务，AI 提问题难，人提出好问题也难。AI 现在这方面能力很差，因为没人训练它。

种瓜得瓜，种豆得豆。你想训练它做什么，就要给它相应的数据。

这就是创业公司的机会。在一个细分赛道认真做，如果数据最强，又不是人类通识知识覆盖的领域，就有长期发展空间。

最后几个快问快答。全球范围内你喜欢的食物？

中国的兰州拉面。

全球范围内喜欢的地点？

现在最喜欢希腊。我去过一个小岛，萨摩斯岛，是毕达哥拉斯的老家，我特别喜欢那里。

基于读过的书，推荐两本。

所有做 AI 的同学都应该好好看《物种起源》，达尔文的《物种起源》。

如果再推荐一本，可能其他人不一定喜欢，但我会推荐小朋友读《几何原本》。去感受第一性原理、公理体系的建设，以及严密推理过程。

我们做 AI，未来一定要有这个能力，否则很容易忽悠人、骗人。

一个少有人知道、但必须知道的知识点。

我知道很多少有人知道的知识点，但不一定必须知道。

比如质数是干什么的。很多人从小学习分解质因数、因式分解，但为什么要做？

从哲学上讲，有一个学派叫还原论。把事情切割到最小。数的最小单位，如果用加减法，在整数范围里最小单位是 1；如果用乘除法，最小单位就是质数。

分解质因数，本质上是还原方法，把大数分解成很多原子。分解成原子以后，很多问题会更容易解决，因为很多事情都是化繁为简。

人类生命科学、身体结构，以及宇宙天体运行，都有大量跟质数相关的事情。数学里面最难的领域也是数论，研究质数和整数。

你现在看到的创投机会？

我不能说投我们公司。我认为中国芯片是很好的机会。

中国很多模型公司以后肯定会 rely on 中国芯片。中国开源模型和硬件结合以后，会首先 benefit 中国智能硬件企业。中国制造业又很强，未来各行各业，包括家电在内的硬件 AI 化，是中国非常大的机会，也可以卖到全世界。

基于你当下的认知，最重要的 bet 是什么？

我现在做的就是跟 data 相关的事情。我们一定要把 data 相关的 AI 做到全世界第一。

你听过播客吗？

听过。

哪一期印象比较深？

最近听的是你和 Kimi 杨植麟那期，带视频的那期。我觉得挺好。

Kimi 的 founder 让我很感慨。他原来跟我在同一个赛道做 application，后来纵身一跃去做 foundation model，还做 To C，是很成功的转型。

我自己也坚持做 AI，但仍然做 To B，是两条很不同的路线。

我还有一个愿望，希望为北大的 AI 做点事情。现在中国 AI 赛道好像都被清华系占了，我希望在北大做一些不一样的事情。

它给我的启发是，要持续投入最前沿的 AI 工作。这样工作才有意思。

我们刚才讲的几个人，Kimi、Red、还有广密，全都算纵身一跃做 To C 了吧？当然广密是做投资。

对，我坚守 To B。

你是一个幸福的老板、幸福的 founder 吗？

幸福，happy。显然我非常幸福。我人生至少到目前为止，都挺完美的。

你是一直幸福，还是经过思想转变以后变幸福？

一直都幸福，每天都挺开心，没有什么事情让我持续 suffering。

哪怕 2022 年，我也没有特别难受。因为我始终有一个信念：我肯定能搞定。

就像做数学题一样，这道题可能花的时间长一点，但最终能做出来。我的延迟满足能力很强，到目前为止运气也好，都能搞定。