从 AI 实验室到创办公司：AI 顶尖创业者在做什么 | 对谈 COLLOV AI 公司联创 Casey

00:05只要你在这个赛道上第一个提出这个想法，并且做出来东西，那个时间点效果都不一定要好，你的融资事实上就会相对顺利。智能是来自于大语言模型，生成能力来自于扩散模型。所以现在很多做法其实都是把这两个模型结合起来，用大语言模型控制所谓的空间和背后的想法和reasoning，

00:29就是推理，而由扩散模型去把它实现、可视化出来。这一段创业时间让我学到最大的事情就是，一定要抽象客户和产品的问题，把它抽象到一到两个特别好的科研问题。然后你沿着这两个科研问题变成模型，一代一代迭代，当它迭代到V5以上，你会发现你就一骑绝尘了。

01:37大家好，呃。叫我楷呈或者Casey都行。然后我现在是在做一家公司，我们主要在做的是空间智能，在一些设计领域和一些非常长流程的工作流程的这种简化。然后我们公司大概是经纬领投的，大概总共融了三千万美金。然后我们核心产品大概上线一年不到，呃。

01:55拿到了三百多万美金的这个年度收入，同时我们还有呃年度的，直接让我们的空间智能去给出设计案例，获得了大概八百多万美金的收入。然后这大概是我这一段创业经历，然后在后面我们可以细聊这里面一些有意思的一些事情。然后我之前的话是在教育经历的话，我之前在港中大本科，跟副校长关系比较好，所以在大四的抉择的时候呢，

02:17当时他就推荐说像你这样的比较有奇思妙想的、很奇怪的人呢，应该去伯克利，所以他就给了我一封呃推荐信，把我推荐到了伯克利，说这个学校应该是世界上最左最奇怪的一个学校。然后在伯克利里面确实也遇到了非常多这种极客的人，在这里面呢我主要在做的当时在19年，所有人都不相信的一个东西，

02:35叫做用大型的计算集群去进行深度学习。那现在大家都知道这个东西叫做大模型预训练。后来呢，我做了一段时间模型压缩，就感觉到AI一个不聪明的AI模型压缩呢，它其实是更蠢的一个想法了。所以我还想继续去做这个大模型预训练，所以也是没有选择读博的原因之一。

02:53然后后来我就去业界找机会，找到了一个TikTok在美国的一个人工智能实验室。当时那个团队很小，就20个人，我们做这个事情的大概就10个人不到的团队。大家想做一个说大型的语言模型的预训练，同时呢也想做一些扩散模型的训练。所以当时我就去了那里，然后做了一些早期的尝试。

03:11后来可能大家也用过一些我的作品。就是我出来之前是在大语言模型预训练和扩散模型预训练组。然后比如说大家把人脸变成漫画家，然后把人脸变成什么名人，这几个有一个特效是整个抖音历史上排名前十使用量的，全球加起来可能有上十多亿的用户量的这么一个一个一个特效吧，也是纯粹是扩散模型的。

03:34然后在这段经历里，我这个最有意思的一个点是，当我在训出来第一次一个扩散模型出来的时候，你会明显感觉到这个模型跟之前所有的模型都不一样，它有一种魔法的力量在里面，它能够理解这个空间，能够再把它重新设计。所以这也是我出来的创业的核心原因之一，大概是到这里。

03:53对，

04:42我当时是18、19年申请的嘛，然后呃，这里面的故事，我我其实现在也不知道为什么伯克利最后录了我。他他比较神奇，他这也没有面试我，就直接接了简历就直接过了。然后我我猜测有可能是因为我们副校长呢，因为他也是伯克利的校友，然后他之前是伯克利的那个那个博士毕业，

04:59然后去芯片，然后可能是这个原因。但另外一方面可能我本身经历在本科做了很多事情，然后比如说我会做一些这种重金属乐队啊，会做一些其他的经历。然后伯克利其实这个学校的偏好非常明显，就是他喜欢有奇怪的但是希望改变世界的人。然后但是他不喜欢那种纯粹追求商业或者看上去很精英人设的。

05:21我猜啊，这是我猜的，对。了解。

05:29是的。我觉得这里面讲到一个有意思的事情是，大家也知道有音乐其实生成有很多好玩的公司，呃那个好玩的公司，然后为什么我不做音乐生成？我觉得这个其实在我第一个听到音乐生成的时候，我的感觉我非常跟设计师看到这个说扩散模型出来的效果很共情。

05:45因为我觉得这生成都是什么东西，就一点都不好听，怎么会有人想听？所以我我现在可能更多是想把音乐作为一个纯粹的爱好和艺术创作的过程，但是确实如果你把它作为一个模型训练的时候，有时候你会觉得不那么的让你感到欣赏。事实上很多音乐人并不欣赏Suno。

06:12我觉得其实是这样子，就是当时我在本科也有去一些，比如说咨询公司和纯商业的公司去了解了一下实习。然后当时为什么选择AI是这么一个情况，是我会发现商业的玩法你玩到头，它事实上是一个规则内如何最好的用当前的规则去玩一个游戏，并且玩到最好。

06:33而你作为一个技术，它更多是像你把其中一个小小的规则给它改了。就对于你公司来说，这个规则不再是这样了。就因为商业的规则是你不可能又好又便宜。但是技术是能够break down这件事情，而AI恰恰是具有这个性质的。就是现在其实我们在做的产品本身，就是能把某些设计变得又好又便宜。

06:55所以这确实这也是为什么选择这个方向的原因之一，因为它具有这种规则破坏性的性质在里面。

07:25是的，当时其实我自己个人也算是在另一个项目里在投入吧，就是在做一些高频量化对冲的一些项目，然后同时也在那里面其实得到一些这种本身的回报。然后另一方面其实，呃，这也是一个有意思的文化吧，就在伯克利我接触到的人里面。大部分大家就是说出去秋招啊或者说是春招，大家会问说你招的这个招聘季怎么样。

07:45如果你说你去了谷歌大厂或者去一些大厂，大家会说那看来可能不是很顺利。所以大家很喜欢一些人去说自己说了一个我们从来没听过的公司，那会觉得嗯这个看来这次很有意思，然后就会问你做什么公司，比如有的公司去做什么火箭发射啊对吧。就是SpaceX，然后有的朋友会去什么，当时OpenAI也不是什么当红炸子鸡，大家说我去做大语言模型或者做AGI，

08:06这种东西都是不着谱的东西，大家觉得很喜欢。然后其实当时TikTok在硅谷也是一个小公司，因为它跟Meta和这些Google比起来，那个时间点其实它还没有很出名。然后我去的那个团队也就十几个人，所以当时我觉得哎，这是一个很好玩的创业团队，还是去试试。

09:17我觉得对我最大的有一个帮助肯定是技术本身了，因为从伯克利到这一段我大概做大语言模型预训练加这个训练总共做了可能有六年了，所以这也确实是给我很多的经验的基础，这些坑其实你直接带出来的话是有非常多你可以避坑的地方，你知道训练一个模型有哪些东西不应该走，哪些东西最重要，人力budget的这个开支应该放在哪里。

09:40然后第二个我觉得很有意思的地方还是在当时这种相对就是TikTok比较前沿探索的一些团队里面，你能够在那个产品刚出现的那个时间，这个技术刚出现的时间，你立刻被它像撞击到心灵一样的感觉，你会突然觉得这东西要成了。就大家可能也会问公司融资的关键点的话，其实在我们看来就是时机。

10:01就是只要你在这个赛道上第一个提出这个想法，并且做出来东西，那个时间点效果都不一定要好，你的融资事实上就会相对顺利。事实上我觉得融资是比一个把东西真正做商业化还相对简单一点的问题。这个其实也是刚刚就是在这边，在我觉得对我最大的帮助还是第一时间接触到了扩散模型这件事情。

10:22我在接触到开始做这件事情是在DALL·E 2，就是那个OpenAI的第二代那个文生图模型出来的那个时间点之前，在Stable Diffusion出来大概六七个月之前。那个时间点我我就开始感知到这东西一定会把整个创作行业完全颠覆掉。

10:37了

11:35这个其实当时我因为就是在决定出来的时候也确实有很多公司也去聊，包括大家知道的一些知名的公司。然后呃也其实有些拿到了offer，当时其实我也自己想了很久，就是这个东西就这一次这个浪潮到底应该属于哪个时间。我当然没有预测到这么远，但是我其实想到几个基本的结论，就是从我开始做所谓的scaling law叫扩，

11:58就是那个把模型变大的这个法则的时候，我就感觉到一个问题，这个东西是反商业的。因为从来没有一个商业追求的是我投入十亿刀，它给我百分之十的，然后再投入一亿，它就变成百分之一了，越投它的增益越少。那它越做到后面事实上就会出现一个问题，那这个问题就是所有人都会挤在一个让你用户侧感知效果差距不大的地方了。

12:23所以这个当时我就觉得这东西是反商业的，如果我直接拿它去做一个商业，那我一定会非常struggle。因为有很多比我有钱的人会跟我竞争，而他们又不在乎钱。一切以模型为核心的当时就在我脑中就是pass掉了。那另一方面就是只做应用，这个事情在我脑中也pass掉了，因为只做应用有个最大的问题是在一个技术不成熟的早期做应用的结果大概率是拍死在沙滩上的。

12:49因为你你会发现你做的时候所有东西都不ready，所有东西都不给我准备好。我后来我们想到的是我觉得要去一家公司，这个公司要有一个没有很大竞争者的赛道和行业扎根在那里。其次，它要能做自己的模型。那只要它保持着做模型的能力，这个模型的自我定制能力就会给它生出很强的壁垒。

13:11然后它可以就像一个机器人公司可以先做叠被子的机器人一样，我们可以先做一个小的事情，不断的不断的在只要通用的股价保证通用的情况下，它就可以很稳定的去获得自己的现金流，并且往上长大。这也是我看到的在经济不是那么好的这个过程中长得好的公司都是这么长出来的。

14:19我觉得这里面其实有一个，就是把它稍微把这个问题更细致化的一个分析的话，就是我觉得大语言模型，当然这两者一起做，在现在这个时间点，尤其是现在显卡这个价格下，不会成为一个很容易做的事情。然后但是，扩散模型跟大语言模型是完全不一样的模型特征。

14:37扩散模型在技术特性上是它是一个非常快速学习的人。所以它的训练成本，因为我之前做过的时候，你会发现它训练成本没有想象中的高。如果你摸的数据是对的，方法是对的，你会非常快速就能出一个demo。然后往后迭代其实也是可成本相当可控。

14:52所以我会觉得一个公司拥有自己的扩散模型，是非常好的。这边还要引出另外一个问题，同时扩散模型你也可以投入很多的资金去做一个非常好的基础模型。那这个我觉得另外一个特性就是我们选择了视觉创作这个这个赛道。视觉创作从来没有出现一个大一统的东西，因为视觉创作的需求以及它需要的风格审美都是非常非常非常不一样的。

15:17这意味着这个赛道里面有非常多的可能性，是你自己的底层模型可以定制成一个很好的，针对一个赛道吃下来通吃的这么一个模型。而它很难出现一个像LM通吃的通用智能模型。

15:54对。其实大家看到扩散模型为核心的几个公司，我们知道的那个音频生成其实也都是扩散模型嘛。所以你看Suno、Udio、Pika、Runway，我们和其他所有的公司，你会发现都是产品和模型一体。扩散模型赛道都是产品模型一体，因为这就是由这个模型和这个赛道本身的特性所衍生出来的一个有意思的现象。

16:12而且你会发现你没有广阔的空间，你训扩散模型，你比如说扩散模型很多人训的是文生视频、文生图。那为什么不能是有更多的控制条件的生图？那肯定会做一些控制画笔。那控制画笔之外，还有我们艺术家会提出各种各样的需要的需求，所以这个模型拥有相当大的这个空间去探索。

16:29我觉得很难在短时间内被一家吃完。

17:23我觉得这里面其实这是一个很有意思的讨论啊，就是我觉得现在就是大家也看到硅谷开始讲一个故事叫做空间智能。可能很多人没有理解什么叫空间智能，其实这是一个学术界可能做学术大家会理解到的一个概念。我们知道现在我们所有做的所谓的AGI都只是在语言层面拥有非常强的聪明的智能，但是在图像层面，

17:44也就是在视觉层面，事实上它不具有那么强的智能。它并不直接知道这个东西为什么是这么摆和这个距离是多少，包括它也没办法直接帮你开车。我们也用这些模型去打游戏也没法打。呃所以这里面其实引出来了一个问题，就是说如何实现视觉层面的通用智能。

18:00那这个事情有点像在2014年讲要实现大语言模型一样。它有一个很长的路要走，它可能要再经过十年。所以我们在做的本质上是这个事情，但是我们知道还有很长的路，所以我们可以先赚钱，这是第一个回答。第二个回答，刚刚你你你所提到的其实很有意思，就是智能是来自于大语言模型。

18:22生成能力来自于扩散模型。所以现在很多做法其实都是把这两个模型结合起来。也就是说，用大语言模型控制所谓的空间和背后的想法和reasoning，就是推理。而由扩散模型去把它实现可视化出来。

19:27我觉得可能都有。对我们自己本身因为也有行业的本身的收入，所以收入加模型一起给了我们这样的估值，对。就是这也是我们的策略。

20:05我觉得首先有一个有意思的是，我们可以观察到这次AI里面其实很多研究者华人占比相当之大。所以其实我们也看到很多创业者在不管是湾区还是国内，其实华人占比非常之高。然后这其实是一个好的现象。然后因为上一波AI创业中，呃不是AI创业，上一波创业中其实有很多华人做出来很好的产品，然后也带来了很好的收益。

20:26所以逐渐你会发现这边的投资人对华人的接触或者对你的认知会好很多。所以这其实是一个。然后这两边对比，我觉得可能最大的区别还是在于做的事情和讲的故事的方向。因为国内其实相对来说可能更多看你的收入和业务，讲非常大的技术故事的可能相对来说更难一些，除非团队非常非常强。

20:48硅谷这边可能大家既会买你的业务，同时也会看你的这个技术故事。但是这两个可能说是比例上来说，技术故事可能也会愿意听一听。

21:24是的。这点我觉得确实是一个很明显的区别，对对对。也就是说，呃，在这边你会打打B端的客户的时候，大部分的大厂会对你有信任，然后更容易相信你。比如说我们现在在跟宜家呀、飞利浦这些相对大的客户也都谈得差不多了，然后他们其实对我们就信任就是很足。

21:42也有一些可能比他们还要再大的一些公司，我们也没有多再谈。所以我觉得这点其实是确实是一个生态上的一个，对，一个健康。对，

22:14创业往往是不开心的事情比开心的事情多多几十倍几百倍吧。我可以说一个就是中立，它其实大部分时候让人感觉是不开心，但有时候也是好事情的一个东西。就是在一个很早期技术刚刚开始的时候，你会明显感觉到就像一个在浑水里面在游泳一样，就是什么都看不清楚。

22:32然后你就是摸一条鱼是一条鱼，但你你也不知道这个情况是不是能持续，然后它壁垒这个问题其实很多人都很难回答。这种混沌的状态和这种复杂的状态呢，一方面其实就是因为有这种复杂性和混沌才给了我们创业的机会，因为它如果清晰就没有机会。

22:49但另一方面其实你在里面摸鱼的时候也也非常麻烦。举个非常简单的例子。就是说，大语言模型要不要做Agent，对吧？这个事情其实一直到今天，今天可能相对来说结论比较确定了一点点。但是在一年前，所有人都觉得这东西就是套壳，做了是没有未来。

23:07但是同时你也会看到有Poe这样的公司，有You.com这样的公司，做得也很好。然后你你会看到很多信息，这些信息给你一些，然后我们也会看到有些公司流量很大，赚不到钱。有的公司默默无闻，你根本听不到它，但是它手里抓了特别多的钱。

23:25然后在这种非常非常复杂的情况下，我们当时其实最struggle的一件事情是如何去踩对一些技术的关键的选型和产品的选型。比如说我们到底应该再做一个设计工具，还是应该再做一个做一个设计师，这是完全不一样的选择。那你做一个设计的或者一个实际的workforce或者一个Agent，和你要再做一个工具，实际上是完全的，

23:48技术不技术栈都不一样。这些其实都在浑水里面是没有结论的，所以你会在里面你会活得非常非常的这个，天天你在想到底是怎么回事。对，

24:29对我来说其实最有意思，因为我是从技术背景进入到这个行业里面去。我我会觉得最让我觉得不大一样或者很很惊讶的一个点是，在现在这个产品时代，我事实上觉得产品经理或者技术人员的工作是要被重新定义一下的。在AI这个里面，其实产品和技术和客户是要接得非常非常紧的。

24:52甚至它里面就OpenAI提出一个词，叫做product-led research，由产品来立的科研。因为事实上科研是一个很难做的东西，因为它非常非常不确定。你很难知道说我这个东西一定能做出来，不能做出来，你所有的人只能回答你百分之五十、六十。

25:06那但这是同时呢你的product又依赖在这一个广谱的研究的课题上。有时候你一个研究课题模型训出来，发现什么能力都有了。有时候你训出来发现，哎，它好像只能做一件事情。然后这种不确定性两个之间的贴合比我想象中难非常多。最后你会发现一个在这个时代需要的角色是既懂技术也懂产品，还要懂市场。

25:26你得这三个事情都做，我觉得这个可能就是founder的角色，就是你必须去都接触。虽然做一个很可能最后你会发现大家对在一起设计出来产品并不是最优的。

27:40对，这个其实是一个我觉得我们现在可能解决，我最多打分打解决到七八十分，六十分。然后这个问题其实非常难解决。然后这快速介绍一下我们团队吧。然后我们CEO是斯坦福的那个PhD，然后之前是做AI for Science，就是AI和科研和物理应用物理结合。

27:56比如说他用一些大的那个Transformer去预测一个电子的加速这种空间中的物理问题。所以他也是一个既商务也技术的同学。然后我之前也介绍过，然后我们的那个首席科学家是这个呃图神经网络的发明者之一，然后也是非常非常出名的一个研究者，

28:14大概有三万五千多引用。然后他是纯技术和算法，所以我跟他算法沟通更多。然后但这里面就引出来一个问题，就像刚刚所说的，我们很难找到一个全人。我我或者我们，我之前在一个书上看到一个概念叫做部落人。就部落人的想法就是你会做很多事情，你不是只分化成只做一个职责。

28:35然后我我现在的策略是我认为算法团队是可以找到非常聪明且刚毕业的PhD和博士后。现在我们团队里基本上进来的都是博士后，或者是PhD刚毕业，然后起码有四篇顶会以上的经历。然后这样子的人，我面试的时候会看他的灵活性，我会问他一些产品上的问题。

28:57就是让他去在设计算法的时候考虑这个产品的使用场景。当我会发现他有这样的特性的时候，我会更愿意招他，而如果没有这样的特性的话，我会更不愿意招他。所以这样子的话，可以让一个以研究为核心的，因为我们公司比如说这么多人，可能三分之一二分之一全是技术人员。

29:13所以我会对技术人员去让他们去了解产品。同时，产品了解技术会由我来主导，然后我们会开非常多的这种非常深度的技术讨论会。通过这种方式去让让每个人都push到这种往部落人的方向去发展。

29:34就我觉得就像刚刚说市场上的混沌带来了初创公司的这个啊机会一样，我觉得初创公司最大的机会和自己的优势就是在于混沌。一种混乱的状态，所有的信息都是互相撞起来的，而所有人都愿意去处于这种混混乱的信息对撞的状态，从而产生灵感。所以我们也会支持这种情况，所以我们的整个组织架构基本上就没有什么就是指挥家。

29:58全是装在里面的，对。

30:20对。我们会，就是我觉得这第一个就是选人很重要，因为很难在团队里改变一个人。然后我觉得能改变的只是框架本身，就是你的思考框架能够改变，但是不可能改变这个人的习惯。所以进来的话，我们会给一些思考框架，比如说你思考的时候应该顺着什么样的，比如包括我们研究有自己的研究框架。

30:37了解。

30:59我觉得到使用再往下一点，你比如说他要对一个大概的扩散模型。比如说有几个分支，它是怎么做这些事情，大概知道。再往下就不需要了，就是模型训练的一些细节是不需要，但是到就推理这一层，推理再往上，比如说要会搭ComfyUI，这肯定是标准能力了。

31:27对对对。但这里面我觉得另外一个就是就是之所以刚刚我说是六十分到七十分，因为我觉得其实技术人员了解产品可能相对来说还可以一些，但我觉得产品同学往技术上再深挖是很难的，所以最后其实最终的解决方案是由我和我们的co-founder一起，

31:43然后去主导整个产品的最细节的设计，然后这可能是最终最终的解决方案了，对。

32:14我觉得一个技术早期可能不得不这样。

33:10我觉得如果从决策逻辑本身，肯定是第二种更多。然后第一种的公司，我觉得能做。然后但刚刚我说的我会担心一件事情，就是说在早期上，技术变动很大，你会发现你就是每个月你都会觉得有些技术的底层想法都变了。然后这种情况下你做产品其实还挺困难的。

33:30就是说你你你面对的是一个高度变化的工具，但是在这里面其实有很多产品机会，我们也看到很多产品力很好的公司做出来的。我觉得肯定存在，只是它的成功率到底谁更高，我我没有个定论，但我可我个人会认为，你带上模型去做会更稳，更容易赚到钱，起码这个钱不至于说几个月就消失了。

33:49你可能可以赚个一年半到两年的钱，或者几年的钱。这样子，对。

34:32扩散模型。我觉得视觉很难变成一个少数人的模型，因为它光审美本身就能做出很多很多不一样的这个这个这个不一样的东西，比如说你可以专做动画，专做动漫，把动漫做到非常极致，我也看到有些公司是这么做的，所以这其实是有机会的。然后呃我觉得回到一个基本的问题，为什么我说技术本身很混沌，因为如果我们细化到非常细致的决策点的话，

34:55你会发现就有很多点是没有被回答好的。比如大家现在都在谈代码能力，即将成为下一个killer use case，对吧？大家会觉得很大。那现在回答一个问题，什么时候能够把它做到写一千行代码，写几千行代码，甚至在整个代码库层级的去做，

35:14它能做到这个水平。没有人知道，甚至这个技术路线，我们知道现在有人在做很多技术路线，但是真正能做到那个点，什么时间点不知道。然后现在只能写一百行到两百行，那我们只能基于这一百行两百行的这个去构建，然后我们看到很多好的产品出来了。

35:29那如果突然发现说，哎，它能写一千行了，之前那个两百行的代码的产品还是否有存在的意义，就值得大家去问了。因为有可能它就是个自动化写代码的一个agent了。所以，这个里面其实就是，当我们细节到每一个模型的自自子能力。现在他每一个子能力其实上都没有那么好，他就是有点好，但不好到说真的达到我们想要的那个好。

35:49所以现在问题就出在了，什么时候会达到，到底哪个能力会先达到。然后这些问题会去决定了我们的应用和产品的方向。

37:41是的，这个其实就先说这个差别具体差在哪里，所以导致了我们到底怎么选择这个公司选型，就是这里面其实最难处理的就是刚刚说的科研和产品的问题。因为科研是一个高度不确定性的变动很大的风险的一个东西，然后一般来说，而且科研一般来说它的问题定义非常重要。所以这里面涉及到一个问题是如何从一个产品问题抽象成一个足够大的科研问题。

38:04我举例子。一个科研问题抽象的有两种方案，它会直接导致你这个模型训练到底是否有泛化能力。所以比如举例子，我们有的有家居中有的说我们如何把一个家居摆放到一个屋子里面，和我们不再把它这个问题定义成我们希望把世界上的一切的物件指定的物件去和谐的融入到另外一个场景中，

38:25这两种定问题定义看语言上差别不大，但是在这个实际你训练策略和研究过程中问题都不一样。你要处理科研的就是刚刚要做模型训练的公司，最主要处理的就是一个产品问题抽象成算法问题，并且投入足够多的人力去面对风险，去做这个科研。这个东西你出来一个问题，因为科研本身有风险，然后你抽象的不好。

38:45比如说你这个问题抽象的不足够好，直接被大模型给覆盖掉了，它其实就没有意义了。所以这里面我觉得这个风险衍生出来就是刚刚呃说的，如果我们只做一个产品公司，我们只预测这个模型会进展到哪里，然后我为那个预测的点去做，我觉得这是没有问题的。

39:00我唯一的担心就是它可能会让你变得壁垒不那么高，所以你的唯一的壁垒是通过商业化和规模化。而现在这一波浪潮其实并没有发生技术disruption channel，就是技术分发的这个这个渠道其实没有变化的。也就是说真正核心还是掌握在那几个大的player上。

39:21如果你走的只是纯产品，分发在别人的手段手上的话，其实这里面最后可能还会遇到一些问题。但我其实觉得这里面可以走出很好的产品，所以我不算是完全against，我算是中立态度。

40:10对。这个其实我觉得就是刚刚说的这个研究风险存在的地方。所以研究风险这边刚刚要定义的，我最核心的东西就是你得定义一个你可以预测大概五年内不会有人喷得很严重的一个话题。我觉得空间智能就是属于这个赛道，就是它很早期，然后很多人没有做，但事实上你在一个空间中如何进行摆放、进行这种规划，

40:30其实是很重要的问题。所以我们选择这个赛道。就是我觉得这个赛道如果但凡让你觉得不那么自信的情况下做，它确实是有风险的，而且有相当大的风险。

41:13是的。这也是我们的核心判断。对。这也是为什么我们会做这件事情。对。

41:26对对，COLLOVAI，对。

41:35我觉得这边很简单，就是为什么这些大KA最后会找我们合作？原因很简单，是因为我们提供了一些他在外面完全找不到的能力。第一个能力，呃——我们可以做到把一个家居或某一个物件，或者某一个人物，完全100%或者99%的真真实实地放进去，

41:52它的标准能达到宜家的这种视觉要求标准。这种能力就是我们刚刚说的所谓的视觉记忆的能力。你要能够让一个扩散模型记住一个东西，就像大语言模型能记住一个概念一样的想法。第二个能力呢，就是布置的能力。因为我们知道对于很多严谨设计师——比如说我们现在在解决的一些游戏工作室，然后在解决的一些建筑设计师，

42:13然后呃这个室内设计师，其实都是有很严谨的逻辑的。比如说我是个地中海风格的，我的沙发摆在什么位置，是有很强的确定性的东西，而且它还有尺寸。你不能说一个一米二的房间里摆了很大的东西，那这个事情其实都是我们要解决的。而刚刚我们的空间智能带来这种自动化的摆放，也就是说我们生成一张图背后是有空间的摆布布局在里面的。

42:34我们能够控制任何一个床多大，它就是多大。那这几个能力你会发现，哎，很特殊，别的公司都没有。那他们想买这个产品、想要实现的东西，他只能找我们。那我们就会签订这些单子，然后不断地把它往上sell。

43:04对，我我的理解可能是，就是3D事实上是人类对世界的一种理解的方式，它不一定是这个世界的本质。到我们人眼内其实都是一帧一帧画面嘛。所以我们也是一样的，我们的扩散模型背后有这么个世界的3D理解，但它并不是生成的时候生成3D出来。

43:21我们把3D作为表征，不作为生成的结果，我们生成的是视频或者是图像，叫做3D condition的生成。

44:30嗯，还是需要的。然后我我觉得数据可能没法回答很细，但是我可以回答一个大的问题。就是说现在这一次的训练，我看到很多，有时候大家会陷入上一波AI的一个误区。因为呃上一波AI的逻辑就是你一个专业的任务，我们训一个小模型，然后里面用大概十万，十万已经是很大的数据集去训了。

44:49那这次你可能一般的像我们训练的数据集至少都千万到上亿，然后一般预训练的话都20亿到30亿。当然我这边是虚指的一个条目，没有说哈。这里面其实有一个问题，就是说我们选数据一定要选一个能够扩展的方案，叫做scaling，scalable，

45:03或者叫scalable methodology。就是这其实是Sora这些方案一直在教育我们的事情，就是你一定要选一个能够大量采集数据，且从中得到insights，教给你模型的一个方案。然后刚刚说的标注方案往往只放在后训练的很少的阶段，或者做很精品的数据。

45:19但如果只靠标注数据去训练，它其实就顺着上一代的，不会出来很好的结果的。

46:00对，我觉得这个理解可能更多是刚刚那个数据会有出现一个问题。其实3D其实有一些解决方案，我可能不能直说。但是就是我们也知道Sora训练的时候用了很多，但这里面有个很重要的点是，虽然数据量大，但它同时要多样。就是刚刚说的那个方案的数据是它非常highly specialized，可能大部分的数据都比如说是公寓的，

46:19然后设计都是什么样子的，渲染都是一个风格，那它就不具有这个所谓刚刚说的可扩展的能力，就是泛化智能。

46:47我觉得很简单的一个问题，就是我们人其实都是一个视觉动物。所以在我们进行某些购买行为的时候，都需要视觉的实际的样子，这样子会帮助你，会大大加快你的购买的决策流程。那这里面引出了一个问题是，但是设计都很贵，且很长。比如在美国，你进行某一个室内设计稿，可能需要大概一个月到两个月左右的时间，最低的价格是两千刀到三千刀。

47:17欧美国家其实效率尤其低，然后这也是实际的案例啊。然后那最快可能一两周，这已经是很快很快，你要加急。那为了做这件事情，我们知道你想要买这组家居，你需要这组设计，但你又不可能一天24小时雇一个设计师让你做。所以这边呢很多时候，比如说一些我们接触到的建材厂商，比如说什么地板啊、墙纸啊、柜体啊，呃然后这些东西，

47:39还有那个家具厂商，你到店里去买的时候，对方其实上都要设计稿，然后你就要花人力去帮他做免费设计稿，或者是做一些就帮忙去做一些事情。那我们在做的解决方案很简单，就是把这个设计流程变成30秒。那他就能30秒钟快速看到视觉化可呈现的方式。

47:56然后我们逐渐在里面加上了尺寸感知的能力。也就是说你给一张图，但是我能根据尺寸大致的准确的情况下，给到你一个设计图。并且是实际的家具摆在里面，不是说生成出来的家具。这几个解决方案基本上都还蛮受我们的客户的喜欢。然后我们现在也尝试把它去做成一些直接的聊天就能完成整个过程的，像一个销售人员这样的一个体验。

48:20那它逐渐地就会让客户觉得这个转化率和这个购买的这个决策速度会变快。

48:57嗯。上一代的一般都是AR的解决方案嘛，就是AR或者VR的解决方案，就是在一个屋子里虚拟去摆嘛。然后这里面其实几个基本的问题吧，就是像刚刚说的，你建一个3D的本身的房间是要花时间的，然后否则也不会像现在你任何的设计要花这么多时间。

49:12那如果是AR的方案，就是拍一张图摆在里面，我们也知道它就很不准，然后也很难看，基本上就是不真实。你也不知道摆进去，比如说用一些那种AR量房，然后直接扫进去，你其实也不能看到它真正到你家什么样子。这其实是就是视觉效果本身，因为你既然在做视觉，那视觉效果本身得好。

49:28所以这也是我们刚刚所说的跨代的一个事情。对。

49:36然后也会自动摆放。一样，AR的话你是要自己去在那手机照着自己拖拉这样，我们是自动设计到你家里，按照某种设计师的审美去设计。然后会配上一些小摆件给你。

49:53那这三个都支持。有一个会出3D的这种非常尺寸精准、毫米级精准的设计稿。如果你给房型图啊这些，如果给到尺寸——如果你只是拍你家，肯定给不到毫米级精准，但是你们给到一个尺寸相对精准的设计稿。但是就这个东西其实是，就像说的，我们做的是空间设计，所以就像游戏场景啊，然后我们做的这种电影的CG场景，

50:12其实都是一样的逻辑。因为你本质上也是设立一个空间，一个人在里面某一个平面上走路，然后把这个人融进去，所以都是一样的。

50:30呢？嗯。我觉得其实很简单，就是大家都会在意成本。拍一个沙发，刚刚那个成本在美国，可能就是我们美国如果要把一个实际的东西摆到这个室内，然后在这个室内拍一张图，一般一天要花五六千刀。

50:42啊，那因为我们可能不收，就几刀就可以了。

50:50对，都类似。我觉得其实大家在解决的是一个类似的问题，就是如何更简单，但呈现出相同的视觉效果。

51:05我们有客户很好玩，就是他用我们的那个图片生成和视频生成的能力，去做了一些CG和手办的设计，然后还做了一些那种周边的设计。然后这个我们其实最近也在洽谈一些其他的客户。就你会发现，就同样的设计能力，就像刚刚你背后有个空间，然后里面有一些人物走动啊，去布置一些场景，

51:27然后形成很好看的这种视觉效果，他们会做很多，甚至还有人用我们的产品去做抽象艺术。

51:58是的。你只要是涉及到空间的，不管是室内的、室外的、宇宙的、火星的啊，这边还有另外有意思，就是我们也有朋友是做一些其他就外太空的一些探索的朋友，然后其实也会需要我们去合成外太空的场景图，用来训练他们的行动轨迹。因为这些数据是不存在的，所以用我们来合成是可以的。

52:16因为我们可以合成任何空间的数据。所以我们也出现了，我们也在跟Google DeepMind的一些机器人团队在聊，说我们可以给你生成室内场景的数据、室外场景的数据，让你去训练自己的robot。

52:45很简单，因为传统的3D流程非常非常重。就是我们知道任何一个传统3D游戏制作都是十年跨度，甚至就五年跨度以上的。所以任何用传统3D管道搭出来的视觉效果都很重，所以这不大可能成为一个可扩展的数据收集的范式。了解。对。

53:03所以用扩散模型去进行原来的3D特别重的这个工作流的颠覆，是一个很确定的趋势。对。因为之前的3D实际上也就是我们基于逻辑、逻辑电脑去发明出来的一种画布而已。我们让它去自由地创作世界，但那个画布真的很难很难很难用。

54:03我个人的观点的话，可能3D我会再看一段时间，但我我会相信在行业里做的人会做出很好的工作。但是它有一个在我看来基本的问题，因为我之前一直来说都做相对大规模的训练，所以我觉得数据量一定要达到几十亿以上，就是这个原始数据。因为你还要在这个原始数据去筛选出最高质量的数据，这如果没有达到这个量级，很难出来非常非常通用性好的东西。

54:25所以这个我会等这个事情。然后在现在为止，我们接触到的行业可能对视觉要求比较高的，可能暂时不能直接用上。对。

54:52我觉得可能会有更好的方法，但我确实不是3D的非常的专家。所以，我对，

55:08我觉得明显能感觉到的就是一个技术从不成熟到成熟。因为我们很早，呃，因为我跟OpenAI接触也很早。然后就是你在一开始用GPT-3.5在做很多你曾经设想的产品设想，都完全是做不出来的。然后你不得不放弃那个技术路线或者那个产品设想。

55:24然后你等GPT-4o，再往后说GPT-4o出来的时候，你会突然发现这个东西成本和效果能打平了。有一些比如说你让它去基于视觉的工作，去做一些选择哪个工作流去完成它的任务，你会发现它能做了。所以还是要等科技进步。

55:40对。所以你你你会知道这个技术在增长过程中，有些，对，有些产品想法可能只是想得早了。

56:02觉得我这这一段创业时间让我学到最大的事情，就是一定要去抽象客户和产品的问题，并把它抽象到一到两个特别好的科研问题。然后你沿沿着这两个科研问题变成模型，一代一代迭代，当它迭代到V5以上，你会发现你就一骑绝尘了。所以沿着这个方法路线上去做，可能会更容易做出来好的模型和容易被业界接受的东西。

56:28因为我觉得AI很多需求是就在摆在那儿的，就是它就是要做这件事情，但是它就是效果达不到。那你要定义的就是两三个。你觉得有可能效果能达到的这两三个研究项目中，只要有一个成了，你的产品就能够带来很多的收入了。所以

56:55然后你就沿着这两到三个，你就赌它。那你就是三个差不多是一个初创企业能做的这个大小。然后你三个中只要有一个成了，我觉得就能做出很好的产品了。

58:08啊，我们两边都有一些，然后主要美国这边其实，呃，研究啊技术会更多一点。

58:21嗯。我觉得这边最有意思的一方是，我觉得中国拥有着非常强的商业化和产品的能力。而且尤其在中国市场打给了我们非常多的好的insight，就是一些洞见。然后你会发现中国市场能够卷得出来的产品形态到海外一般都比较能打，除非本地化本身特性不符，那可能是另外一回事儿。

58:41所以我们往往会想在中国去打磨这个商务和产品，然后到海外去卷。然后这样子的话，你就有点像特斯拉在中国跟电车卷出来以后，你会发现它的车的这个迭代就变得快了很多。我觉得这是一个对我们来说非常有帮助的一个事情。然后整个团队的节奏也会很快。

58:57因为你在海外这边创业，尤其是湾区，它的创业节奏其实没有那么紧张，但是在国内就会非常非常紧张。因为市场的竞争，呃，客户的要求都非常紧，然后他就会把整个团队往前推着走，这是一个非常好的一个状态。对。

1:00:13我我这个我其实没有直接的答案啊，但是我感觉就是如果是一个相对来说像我这种对成本很敏感的创业者，就是希望把公司保持很长的runway的这种创业者来说，他肯定会喜欢更低的研发成本。然后如果这个角色本身在就是能以更低的成本去获得的话，一定会有。

1:00:34可能唯一需要在湾区只能在湾区找到的人是那种最最最顶尖的研究者。除此之外，我倒觉得没有那么独特。

1:01:22我们做在做的只有一个基座模型，就是一个带含刚刚说的空间智能的一个DIT Diffusion模型。所以它这个模型训的时候，因为光用一个domain的数据，它最多也就五六亿，是很难去训够它的。所以我们训的时候，其实就是从通用去走了。

1:01:37我们的逻辑就像刚刚说的，一个机器人公司可以先从叠被子开始。我们也是一样，就是先把一个比较能够吃到的行业吃好以后，逐渐地去扩展它的这个行业赛道。但是训模型没有人能够把模型只训成一个行业的模型，只有在后训练阶段可以把它训成一个行业的模型。

1:01:54这是跟上一代非常不一样的。这其实衍生出了刚刚所有的问题，包括为什么它会出现刚刚说我们要对产品问题做抽象。为什么之前比如说我们做互联网产品或者做那些就不会那么强调说抽象这件事，因为你只要把它梳理出来，变成一个框架，一个体系就好。

1:02:10现在的模型训出来都是广谱的需求。就是这一代的技术叫做这种概率性计算范式的技术，跟上一代的这种逻辑性的计算范式的完全是不一样的构建方式。所以它不得不有一个新的产品的方法，也衍生了刚刚说的，不管说招人啊，产品的研发呀，要做抽象呀，

1:02:28还有刚刚说的所有的问题。

1:03:30我我猜测一两年，然后这是一个很好的问题，我也在好奇这个问题。然后如果最好的话，到那个时间点，我们是那个基座模型公司了。所以我觉得这就是我们在拼搏的这个行业升位。我觉得有可能会变成那个情况，因为任何一个模型，就像当年LM，就呃这个自然语言处理也是从小模型逐渐长大的。

1:03:48现在其实你看diffusion模型每一个大小也不是很大，原因它每个计算量很大，所以它没办法扩散得很大。当然大家放大以后也没发现能有那么多的收益，但我觉得主要还是训不起来。然后大家可能不知道特斯拉车上现在在跑的也是一个扩散模型。

1:04:01这也是比较有意思的事情，

1:04:05暂时就我所知是，当然没有公开信息，所以我我不能说一定是哈。一个3B左右的扩散模型，然后做过蒸馏，它是一个，它也不是完全完全完全，它不是说就是直接出来就我们怎么开就是这样的，它应该占比只到50%到60%左右，然后是由模型组成。

1:04:49我们现在所在做的事情就是，如果你的这个你的商业中或者你的产品中有涉及到需要设计一个空间，设计一个场景，并在这个场景中放入一些东西，它的例子可以是任何一个物件，一个人，一个动画，一个什么样的东西，那我们都会帮你设计并把它成形成一个非常好的视觉效果出来。

1:05:12然后它不完全是一个就是你创作用的这种studio的形式，你同时也可以用一个直接调用和跟他聊天的形式去完成你的设计过程。所以你可以理解成它是一个能够帮你进行视觉设计的智能体。

1:05:36然后你自己想拍个想拍个想短小短剧，然后是在一个皇宫里的小短剧，那你也可以，你只要拍你自己人的这个表演，但是可以把人直接融入到这个场景类。所以所有的这些视觉相关的创作其实都是，就空间相关的创作的都是。呃，

1:06:15我觉得可能没有到影视级别，但它不会像AR一样那种很假的、光照完全不一样的。就是我们是过会有扩散模型去过它，所以它是一个相对来融入。虽然没有达到影视级别，但是是能看得到阴影、能看到光照这些东西的一个效果。这个就像我们刚刚说的，你把一个家具摆到家里，其实你要的也是这个效果，你不希望是摆进去就是一个完全假的AR的效果。

1:06:35所以一切关于空间和里面的对象的关系的，其实都我们都可以做。所以你拍短剧啊，拍游戏啊，其实都是一个问题，在我们看来。

1:06:56也可以是你的照片，然后可以是我们生成出来的图片，也可以是我们3D空间，但不需要，就是它不会involve原来所有的3D的工作流程，完全就是纯扩散模型base的一个一个一个东西。整个时间最多在一分钟到两分钟左右。啊，

1:07:26然后我觉得实际合作的金额其实是有大有小的。当然一般来说我们可能海外的单子签的比较大一些。然后我觉得这边就不直接说单的size，我其实现在我们是处于想要听到各行各业的反馈的阶段，所以不管大小都可以来聊。然后我们会希望知道大家所有人的需求，然后从中再做我们更好的抽象。

1:07:44好的好的。

1:07:55对，我可以给个邮箱。好的

1:08:44我觉得共识我觉得没有。就是对于这个非语言的智能如何定义，我觉得大家各自有各自的想法。我们只知道一件事情是它不行，但是我不知道解决它的方案是不是通过空间智能。所以我觉得现在这个时间点是就像当年OpenAI开始创业的时间点，当时他们在做的语言智能，就是现在应该开始做视觉智能的时候了。

1:09:10Maybe类似这种感觉。对对。因为现在视觉确实很早期，很多事情都没有统一，都是小小的模型在一起，就完全是一模一样的效果。

1:09:32我觉得这一波机会或者这一波技术带来的很多改变应该是相当之底层的，它应该甚至是对于我们本身计算的范式的一种改变。我觉得可以想得更远一些，但是这个远不是指当前就做那么这个远远好高骛远的事情，但是有一些事情可能改变的会比我们想象中更大。

1:09:55比如举例子，大家诚实认为的，我们到底还需不需要另外一个软件。如果代码的能力变得非常之强，软件的构建特别之低，世界上就会出现非常非常多的软件。那我们真的应该再用软件这种方式去卖吗？SaaS这种模式还是好的吗？还是我们应该卖的是产生产力本身呢？

1:10:13这其实都是一个很好的问题。然后我觉得它就因为它带来很多底层的、底层的改变，所以我会建议大家可以去尝试抛弃一些曾经的想法，就是互联网带来的一些觉得一定work的商业模式。互联网啊，