从 DeepSeek 看大模型时代的竞争法则 | AI 如何突破技术与商业壁垒 ？

00:05如果你觉得你做的是个AI的产品，你又要做模型，又要做非常复杂的工程工作，那我觉得就是路走歪了。尽量避免说我又要在模型上做很多工作，我要在工程上做很多工作。就是对大部分创业团队来讲，你也很难支撑，也很容易变成一个跷跷板，都不知道该在哪里投入力量。

00:24我的第一个反思啊，就是不要把模型这个事情想得太重。就现在应该做个模型，要有一个移动互联网时代做一个app的能力。最忌讳的是说，你把模型当成是个很重的东西，觉得要非常大的投入，你既想要投入，又投入得很很慢。就是你你应该说，就移动互联网时代大家都要做个app，AI时代出来。

00:46大家都要做个模型。组织结构、团队啊、人啊这些事情，不要有太多包袱。换不了思想就得换人。就是大家都得有一个正确的思路，就是这一代就是跟上一代不一样的。就是应该这一代正确的思路去干这个事情，不要尝试去改变它，你应该找一个没有这些包袱的人进来。

01:09大家好，AI炼金术又死灰复燃。好久没有录，

01:14挣扎一下，挣扎一下。

01:15今年要勤奋一点，多录点播客啊，都新年了。

01:18发了之后我觉得又多了很多新东西，特别是发了之后国内会有很多新机会。

01:23反正好玩的东西越来越多了嘛，然后早上我还在那个不是还发了那个Deep Research嘛，来徐老师，聊聊去年的感想吧。

01:31去年的感想就是吹牛比做事容易吧。

01:34我也深刻意识到了这一点。

01:36我觉得这个这个是很客观，第一个吹牛比做事容易嘛，第二个我觉得还是说会背了很多过去的包袱跟经验，然后这些包袱跟经验很多东西其实是没有什么用的，或者我我称之为说这一代的AI带来的机会跟移动互联网带来的机会的形态应该还是差别蛮大的，或者你说不不管从公司的组织形式啊，怎么组组研发呀，然后研发到底要把重心放在什么事情上呀，

02:03如果你让我回顾，我觉得过去一年就有半年时间干的事情其实是穿新鞋走老路，其实是不完全正确的。这这是我自己的复盘啊，就是说虽然我觉得我已经是一个非常与时俱进一直跟自己说，哎呀。就要抛弃旧有观念，我其实也没有那个传统意义上什么大厂的成功经验，对吧？

02:23所以我觉得我已经是属于没有很多包袱的人了，但是你实际上当你做了很多事情，你回头看，你觉得还是有很多事情其实是本能的习惯，觉得这个路径或者那个路径是对的。所以我觉得这是一个比较大的体会上的差别吧。如果重新来一遍的话，我觉得有很多决策都会做得不一样。

02:44当然当然现在其实也在根据这些反思做调整嘛。就是我记得节前其实我也给你发了几篇文章，当年读的时候你觉得拆解得很有道理，啊，你觉得自己非常理解。然后但干了一年，你回头去看哎，你说哎，人家觉得真的讲得非常有道理。我原来觉得自己理解，其实并没有理解，大概就是这么一个心态，心路历程。

03:04哎，我跟你的想法差不多呀，就是你讲吹牛比做事容易嘛。过去一年因为我也吹了很多牛嘛，然后也有好几个就大佬或者团队非常认可我，可能就想让想让我帮忙搞东搞西的。但是呢，我自己手头做的事情并没有成功。所以你就会发现说，你你比如说脑子想的还可以，或者说你表达的很漂亮，和你能够把一个东西做成，这几件事情之间是没有什么关系的。

03:27就是讲道理，指导别人做还是比较容易的。但这个是抽象的一个，还有一个非常具象的就是，我们反思了一下我们在技术路线上的一些投入。会发现说，发现好像我们和我们比如说赋能的一些公司的话，花了太多的时间做传统互联网的事情了。就我觉得你们可能很难犯这个错误，因为你们是一个你们是一个高科技团队。

03:52但像我们这种本来就是做互联网，传统互联网产品的，你会发现说其实你90%的时间号称你在搞AI，但你90%的时间你想的事情还是什么UI啊，界面啊，用户旅程啊，什么什么。其实其实AI的部分还挺少的。就是你调用了API嘛，对吧？

04:11你在改prompt，结束了。

04:13我觉得其实我们本家也犯了很多这样的错误，就是我觉得程度不同吧。就比方说，你们可能觉得说你把花花了百分之九十的时间在做传统互联网的事情。其实我们可能没有这样做，因为我们的团队可能技术背景会更强一点嘛，相对来讲。或者说哎，而且大家更觉得说要做，但是呃回过头来讲，我觉得为什么我说有一半时间是浪费的，就可能我们花了百分之五十的时间在做传统互联网的事情。

04:38但那个其实也是不对的，你应该只花百分之十或者二十的时间去做传统互联网事情。可能有百分之十、二十你是回避不了的，因为你的产品形态最终还是要通过传统互联网形态呈现给大家嘛，对吧？但是那那部分其实不重要，对吧？就跟DeepSeek现在突然火了，那是他那个app做得特别好吗？

04:55那肯定不是嘛，对不对？它这个app做的也不是说app做的好，它也不是说我传统投放投流做的特别精细化，它其实就很简单，它就做好了一件事情是说这个时代核心还是智能嘛，那我的智能做的特别好，那这个事情就结束了。但是你去做一个垂直领域，我觉得本质上也是一样的，就是说肯定不是说你传统互联网的事情上做得特别好，

05:16而是说你是不是在这个垂直领域能够提供不同的东西嘛，就是特别是你叫AI，就智能层面不同的东西了。如果能提供，你你就是比较成功的，如果不能提供，你其他东西做的再花里胡哨，也未必不对，那你就是你就决定我就是做一个呃更流量驱动或者更贴近用户的业务。那也没问题。

05:37最怕的是我就在首鼠两端。最怕的呢，就是你又觉得我要做AI，又觉得我要做传统互联网，然后两个你你都投投精力去做，然后觉得两边我都得花很多精力做好，我觉得这个就会比较难。就是我甚至为什么，就是你要么套壳，要么做模型，别别想着说我要取一个中间的路，然后说我微调一下，

05:56然后来套壳。这是最没意义的。那你

05:59这个要求太高了，我其实我们要改善的路径也就是比如说多去拼几个模型或者微调一下，或者说那个开源的改吧改吧。也没有想到说我要去做模型大哥。你这个就没路走了。

06:11我觉得不是啊不是啊，我讲一下为什么我说应该做模型啊，就是这个是我过去一个多月其实思想转变特别大的。就是说就是说你要微，我我原来觉得我们应该微调模型然后套壳，对吧？或者你你觉得说我我觉得哎我的水平微调模型套壳，你看别人微调不了吧，别人这个工程这个规模上不去吧。

06:31但我说为什么本质上还是要做模型，而不是回过头来就，就是做模型这件事情并没有大家想象中那么难。

06:38你先定义一下什么叫做模型，就是第一个我们不是做大语言模型是吧？或者说我们比如说做个语音，做个图像，做个视频。

06:46所以说我们做的不是基础模型，就是说我一定要和别人的所有人卷生卷死去做，比方说别人做GPT-4o，我也做个GPT-4o，我觉得这个解释一下，这个赢家的数量一定会很少，赢家数量很少，就是说不可能市场上能存在十家这样的公司，对不对？

07:03对。但是我说要去做模型是说这个时代的产品提供核心价值是智能，智能通过什么来提供呢？它就是通过端到端的单个模型来提供，而不是你要串联非常多模型。如果说你的这个链路中要串五个模型，那说明你的技术路线错了。

07:23你跟Mango会很有共同语言的。对，他最近也是在不停的这样尝试洗我的脑，但是我总觉得这样子对于一般团队没有这个能力啊，大哥。

07:31第二个我觉得是说模型这件事情并没有大家想象中那么难，是说因为这个时代的模型是非常统构的。这个时代的模型就是Transformer解决一切问题。同时，在Transformer解决一切问题的情况下，你需要的是说我需要的是有数据，有评测，然后在Transformer上做根据你的实际场景做小的改造。

07:58你有太多的开源代码跟这些东西可以选择，因为大家都来卷，而且有很多人卷的人都来开源，导致什么呢？导致说，哎呀，我手快能够写一段代码。我能干别人不能干这件事情其实某种程度上已经不存在了。

08:14我部分理解了你，就是我们去年有一个孵化的项目是在视频领域的，其实就是飞快地就搭出了一个就是当时的还蛮先进的一套东西。然后本质上我们也练了一些所谓模型，但是大部分也是开源世界的东西，然后搞点数据啥的。只是我一般很少往LM上面这样想。

08:36我觉得大家不要去想它叫LLM，大家把它就想成它就是个decoder only transformer嘛，它就是个我给你一个序列输入预测下一个输出，你只要把所有的问题都映射成这个问题，这个模型就很简单。

08:50我理解一下，那你这样子，比如说基座你也去比如说拿一个Llama什么的，其实你还是在拿一些数据去微调，大概这样。

08:58那你取决于你是什么问题吧，对吧？今天你如果是还是语文本类问答，但你是这样一个问题，随便打一些不恰当的例子啊，你说比如说我要画四格漫画，你能不能也是变成把它变成一个prediction next token的这种这种类型的问题。

09:13OK。

09:14所以你的意思就是画四格漫画可能是有一个专有模型，它不是说我出了比如说我先出一个四格的设计，然后出四格的动东西，然后四个格子让它去画，然后让它统一消散，而是它应该是一个模型搞定。

09:28我我觉得是说，那就得取决于说你觉得在这个领域里你有没有充分的数据，能够它让用一个模型来搞定。我前一阵在朋友圈发过一个说我觉得Andrej Karpathy就是之前他也在OpenAI然后是特斯拉的那个research director对吧他他之前写过一篇文章叫做software 2.0对吧软件2.0，以前的软件我们是写了一堆，不管你怎么写，写了很多复杂的if else啊，什么各种设计模式啊，

09:54什么面向对象啊，什么微服务啊，反正，对不对？它是一个工程化的，基于人，人手工构造了一套，本质上是人手工构造了一套复杂的workflow来解决一个问题。然后，那software 2.0是说这些问题都可以被一个神经网络替代。

10:13你定义出了一个问题的输入跟输出，然后我建了一个神经网络，你把输入灌进去，输出就拿到你要的结果。然后这个问题它2017年的时候，2017年是个我觉得是个挺有意思的时间节点，这个是那个Attention，这个事情，Attention is All You Need，这个论文发表的时刻，也是深度神经网络开始起飞的时刻，

10:34但那个时候还没有大模型，那个时候可能有了BERT。但是我觉得这个概念、这个理念，其实今天就变成了说，那你的这个独特问题能不能映射成一个模型可以解决的问题，而不是说你去利用一个现有的模型，再加了一堆复杂的工程链路去解决这个问题。

10:51我我觉得为什么是应该是这样啊？因为我觉得第一个它本质上是个大趋势嘛，就大趋势就是说大语言模型其实解决了NLP的所有问题。今天你解决一个自然语言处理，你比方说分类，你也可以说我用大语言模型，我再去微调，用一个小尺寸的大语言模型微调，

11:09去做一个比如说比如说文本分类。但是其实已经没有必要了，你完全可以调一个GPT的API去做文本分类。然后让它输出结构化的，我告诉你这几个分类，我输入一句文本，你把输出告诉我。这个时候其实我已经没有必要再做那些定制化的工程工作了。

11:25其实这一轮的智能，那么就无非是说你的这个智能是已经可能通过调用它的这个API已经能做这个事情了，还是调用它的API要做非常复杂的工程工作，还是说我有非常多的数据，我能提供一个独特的智能，我有了这个数据，我只要把一个东西一输，这个东西模型一训，训完出来那个结果就有了。

11:46我觉得这一轮智能的范式，大家的反思，我觉得都是说就几个东西嘛，叫做第一个是说Attention is All You Need。本质上就是说模型都是transformer这样的结构的。第二个叫scaling law，就是说我只要加大大力就能出奇迹，对吧？

12:03数据大，算力大，模型尺寸大，对吧？这个DeepSeek这个R1出来之后，更验证了这一点，对吧？我觉得R1其实是个非常重要的一个发现。所以我觉得从这个逻辑的角度来讲，如果你觉得你做的是个AI的产品，就是如果它的模型你又要做非

12:22常复杂的工程工作，那我觉得就是路走歪了。要么你就是我利用现有的模型的power和能力，我只做工程工作。我觉得这也是一条路。要么就是你想明白你这个问题可以抽象成一个模型，直接能够回答这个问题，尽量避免说我又要在模型上做很多工作，

12:38我要在工程上做很多工作。就是对大部分创业团队来讲，你也很难支撑，也很容易变成一个跷跷板，你都不知道该在哪里、哪哪里投入力量。你就可能说，哎，工程上我这里去加了一些规则的调函，效果好了。但你模型上可能就没有精力去投。但你模型上投了很多精力，工程上你其实，因为大家资源都是相对有限的嘛，所以我我觉得还是要做个选择了。

12:58我脑子里想到两件事情啊，一个支持你，一个不太支持你的想法。就是支持你的想法，其实在先不讲做产品，在prompt的这个领域，就是提示词。然后前一段时间我在请教了几个提示词大神嘛，虽然没有办法把他拉上来录播客。然后他们给了我一个观点，就是就以前我们写提示词都是要尽量的多给他说一点东西嘛，然后告诉他怎么做嘛。

13:23他们现在告诉我的都，他们的写法基本上都不是告诉他怎么做，因为因为他觉得他都他都懂，你要相信他。然后你要把那个环境那个场域给铺陈好。比如说你要他其实是让他要比如说说到五岁孩子也能听懂，然后你要他们一定要举一个秒懂的例子，你就不如告诉他说他现在走到了一个小学的课堂里面，

13:45台下都是很好奇的学生，但是他们的耐心只有五秒钟什么什么的。你把整个场景给他铺好，他会去想到一个合适这个问题的solution，而不是你在上面相当于我我把它当做一个白痴，我在上面搭一层结构。他们都是越来越采用这种方式，我觉得跟跟做产品我有点像。

14:05对，我我觉得他这个逻辑其实就是，我觉得现在的这个AI能力在进化的逻辑，就是AI的能力其实已经比我强了。就他的能力已经比我强了，不需要我告诉他具体怎么过，我只需要把我的问题非常详细的告诉他，然后让他来做就好了。

14:21对。所以你那边也是说，就是不是说我在上面，比如说我就把它当做模块，我在上面叠叠很多架构，然后去调这个模型，通那个模型。比如说要做一个NotebookLM，我去调哪个TTS，然后用哪个去出什么什么什么。你的逻辑就是不应该这样搞，你应该你去相信它，如果你做不出来的话，你就应该去磨这个模型。

14:41应该这个模型应该输入就是比如说就是稿子，出来的话就应该是两个人来聊天，不要搞那么层层叠叠。

14:49我我认为这个本质上是个选择问题，就是两个路可能你都能做出产品来，但这两个路做出的产品我觉得其实有两个区别。第一个是说，基于模型的这个产品其实是一旦你的零到一走完了，后面是很容易迭代的。后面你只需要做一件事情，叫做scaling，对吧？

15:07就是你的今天，就是你一旦你的零到一说你这个能做出一个效果还不错的东西，那后面这个事情就变简单了。就我只需要能够scaling，不管是scaling我的输入数据，scaling我的模型尺寸，然后更好地去做模型的评价衡量。那你这个东西自然就会很容易地能够迭代变好，它就立刻就有闭环。

15:28但如果你是通过工程组合干干完了这个事情，零到一假如你搞了个六十分，你到八十分，可能你花很多精力未必搞得出来。

15:37等模块进步呀，等开源世界进

15:39步啊。基础模型进步完，可能这个机会跟你也没关系了，就可能别人就直接在模型里就做了嘛。

15:45对。但是我我是在想说你说的这个它是不是只适合你这样的团队，因为比如说我们现在孵化项目的话，每个项目也就那么点钱。那就比如说我随便拍一个数字，比如说三十万美金。

15:59三十万美金的一个团队的话，你要他真的去比如说NotebookLM，你说他搭一个workflow搭出来是有可能的，只是效果确实是可能就五十分。但是你要他去train一个，

16:12这件事情也这个难度至少加两个零吧，就是对吧？三千万美金你可以考虑一下，三百万美金我都觉得说这个太难了。

16:20我觉得其实不不我我不完全认同啊，就是就是我觉得这当中有好几点。第一个点是说它可以做产品，没问题，就是它可以做到workflow。但是我觉得你如果大workflow不要指望说我搭一个五十分的workflow，你要大workflow你就应该搭一个。

16:38就如果你今天这个workflow搭出来，搭完就能八九十分，那OK没问题。如果你的workflow搭出来是五十分，那这件事情就没价值。

16:46那搭出来五十分，然后你把前面的漂漂亮亮的界面做好了，等着那个基础里面的模块升级到比如说三个月后变成八十分，但是你前面那些花花绿绿的东西和BD做完了。

16:58我觉得这这第一个问题就是你的五十分能带来什么东西嘛？你的五十分能吸引到用户来用吗？就是用户会有粘性吗？如果没有，他其实就没用，对不对？没有，那你在三个月后搭跟三个月前搭的区别是什么？

17:12嗯？嗯，就看有没有能不能吸引到百分之一最疼的人。就还是相当于做一个更细的PMF。就是如果你的市场是比如说一千万人的话，有没有中间十万人太疼了，他会忍这个五十分的方案。

17:25第一个，这是第一个问题。第二个问题是做一个模型的成本并没有大家想象中那么高。就是你去想DeepSeek去训V3这个模型的最后一轮训练，大概是成本是五百万美金。

17:36那你要招到那么一个团队，就几亿美金。

17:40大哥。我的意思是说，你从这个角度来讲，就是如果你有不错的团队，然后你去干这个事儿，其实训一轮模型的成本没有想象中那么高。你并不是真的要去DeepSeek V3，那是个六百多B的MOE模型，你可能只需要它百分之一的尺寸，你可能需要一个十B的多模态的模型，对吧？

17:59像他们发的那个Janus-Pro-7B的这个模型，那它的训练成本可能就十万美元。我觉得这是第一个。第二个是训模型这件事情，我觉得大家不要给自己设很多心理障碍，觉得这事情特别难。这事情并不难。就在有那么多开源代码情况下，这件事情并不难。

18:17你特别你要训一个超小尺寸模型的话，Genus他们去训模型，他们有很多人吗？他们有什么呃IOI金牌吗？没有吧，对不对？很多时候大家觉得难是自己给自己先下了框，觉得这事情应该很难。实际上这件事情，他们那个叫微调

18:33了。对，你可以这样，但是实际上你要训个超尺寸的模型，今天从零开始训也没有那么难。你不一定要训LLM，你可能就是训视觉的，或者它当然还是有很多工作要做的，但是它的投入可能没有想象中那么高。你当然可能三十万美金不够，但是可能三百万美金，你就专心干一件事情，应该是够的。

18:54是专心做一个非常垂直的方向。

18:56那就把百万美金以下的储备的人全部先先过滤掉，说不不还是别走这条路是吧？就我们孵化的项目不会不会给三百万美金一个的。

19:05但我觉得做应用本身没问题吧，就是但是我是觉得做应用的时候，其实你就可以完全不想模型。最怕的是说你又要把工程搞特别复杂，又要把模型搞特别，又又就是你觉得两个你都得搞很复杂，那我觉得这个路大概率是选错。

19:19然后工程上的话就去先吃那一口，就假设现在比如说模型比如说R1已经到什么水平了，我们刚好工程上可以搭出一个很惊艳的demo，然后我们就在这个行业做，但是我不去指望说我通过工程去把比如说之前的比如说文心一言搭成什么样子，我就不指望这事儿。

19:38因为我觉得现在的模型，因为是到了R1或者GPT-4o这个程度，其实模型的能力已经非常非常强了。换句话说，海外的那些什么Cursor啊，什么这V0啊，这些东西起飞，就是因为Claude 3.5出来了。Claude 3.5没出来，他那个团队再聪明再怎么样，那做出来的东西还是没法用的。

19:58这

19:59前几个月都考虑要破产了，

20:01对吧？那换句话说，这个领域中最有价值的其实还是模型在某一方面的智能。我我前一阵还在朋友圈发过一条，我说科瑟的最大竞争对手是谁？不是VS Code，不是什么V0、Bolt.new这些同样做的。它其实真正最大的竞争对手就是Claude自己。

20:19就是如果Claude觉得这个市场非常大，收入非常高，它决定自己做，那其实就没有你科瑟什么事儿了。我觉得因为这个是说，因为你的那个东西的核心是依赖它那个智能的，只是说看起来Claude至少那个时刻它的目标还是更远大的，对吧？

20:35它还想，它并不是只是想做什么AI coding这么一件事情。

20:39所以这是我们两个都有的一个反思了。只是我因为受限于资源的话，你就可以往那个方向走得更远一点。我的话大概走就不能走到什么百分之九十比十，但是我至少要，比如说哪怕是在搭，哪怕是double workflow，我觉得我们去年花的时间也太少了。

20:57真的，哪怕是在这么浅的层次上，太多纯互联网什么运营啊、营销啊、什么乱七八糟的这种东西上面花掉太多的时间，哪怕那些时间是花在double workflow和fine-tune这些就可能还没有那么有技术含量的事情上，我都觉得好像更靠谱一点。

21:12我非常之同意，就是我觉得这个虽然这个政治不正确啊，但是我觉得在这个时代，年龄跟经验有时候是一种负担，人还是容易过去干自己觉得擅长、习惯、有经验的事情吧，对吧？就是你说啊，做传统互联网运营，往往大家第一反应是因为你其实也没有动脑，你就本能地就觉得我要干这事儿，

21:33因为不就开公司不就该干这事儿嘛。然后第一天就在想说，对。然后我要上线，然后我要投放，我要反馈看数据，对吧？就前一阵我看那个MiniMax的founder，那个眼镜姐，闫博士，对吧？对。

21:47后来他们的结论是不应该投放，对吧？如果你你的重重点是智能，那不应该投做广告投放，投了也没有用，对吧？你去想一想，你花广告投放买进来的用户，那那点数据，因为现在你广告投放获取一个用户的成本也非常高啊。

22:01而且那个数据从Claude来看没什么用。

22:04呃，对呀。就是你还不如调一下Claude的API，说让它帮你生成一条数据，质量可能比那个还高一点。对，

22:10用户平均数据太差了，

22:11对吧？那那如果从回到这个逻辑，就是你要做什么嘛。但我觉得做产品本身，你做投放、做产品，做传统把它当传统互联网产品做，我觉得是没有问题的，那它就是一个传统互联网产品，你就把它当成是一个传统互联网产品做。第二个呢，但是我我觉得是说大家还是要去找，就是对我们来讲还是要去找那个，有什么这个时代有什么不一样嘛。

22:33跟上个时代一样的这个事情，你能做得很精细化，但其实也很难做。我觉得不论在中国还是美国都很难做，你还是要能做不一样的东西，对吧？你要得做出说这个产品体验在旧时代根本做不出来，然后你拿这个产品体验去去sell给你的用户，对吧？

22:49你不能说这个跟传统企业是一样的，那那那其实没啥意义。

22:59顺着这个聊的话，去年有没有什么觉得做得特别好的地方？

23:03没有。肯定没有觉得有哪个做得特别好的地方，就是在不断的反思，所以自己还在不断的进步，就没有固步自封，觉得哎呀，就就觉得自己哎呀，就是就觉得自己哎呀，我实在太菜了，要学习。哎呀哎呀。这个事情当时为什么没有想到啊？

23:19现在就是我觉得在不断自我迭代吧，就是思想思想也要做很多转变，然后思路也要做很多转变。这个我我我甚至觉得做得比较好的，就是还没有完全被时代抛弃。

23:30我们现在能够挺能蹦跶的老帮菜，在想我们这样反思到底有没有用。因为，嗯，就比如说你我的话，我们有很多那个在AI炼金术2023年说的东西的话，你在比如说哪怕2025年，很多事情其实按照就是我们很多判断是对的。然后甚至于我们也有一些共同的朋友的话，他在更早之前有一些对于大势会怎么样，然后哪里有机会的判断也都是对的。

23:56但是不管是我们还是他，其实都没有从中拿到大的结果。对，所以这件事情中间到底是个，是我们对于这个认知其实还是就是太偏向于PPT级别，没有一个特别细的认知呢，还是说这种时候的话更倾向于要行动导向，更搞搞事儿一点。为什么我们很多东西看对了，但是没有从中间拿到东西？

24:21我觉得几个几几个嘛，第一个我觉得是有些东西看对了，但是看的还是浅。就是为什么说看的还是浅呢？就是你觉得对，但是我们真的就，我觉得这当中你可以靠两个事情挣钱吧。第一个叫做你能靠认知挣钱，对吧？你可以买英伟达股票，你可以去买博通的股票，对吧？

24:38你看得浅是说啊，我们觉得大方向是对的，那我们真的为了赚钱，有去深入研究一下整个产业，我应该可以买什么东西吗？其实没有，这个就是我叫你其实还是看得浅。那明明其实有赚钱机会的，你也没有重仓英伟达，你也没有重仓任何一个人，对不对？

24:55这个这个这个。第二个是做有些事情呢，我觉得也叫看得浅，看得浅的原因是说，为什么我说我说我觉得自己菜。我们其实很早就讨论过模型就是产品这件事情。这模型即产品这个事情，我觉得可能一年前，一年前一年半以前大家都讨论过，都觉得这是个正确的方向。

25:17但是为什么，我就从我自己来讲，为什么我过去一年的时间的精力没有在模型上花超过50%以上的时间？那就是说明说明，这就是你说的，可能你只是你只是在PPT，就是我们可能也只是在PPT上把这个事情啊显得自己很聪明，但其实这个事情没有完全完全想透。

25:37比如模型即产品这个事情，我觉得是过年前后这一个月我才真正稍微想明白一点。然后我觉得第一个是当时的想法这句话是对的，第二个是当时的水平不够，只能说说模型即产品这个空话。那模型即产品，那你既然决定模型即产品，那你的你的比如说你决定做一个业务，打法应该怎么拆嘛？

25:57那你做一个模型的能力那个时候不够，你还是要花一年，踩了很多坑，得到了很多正反馈负反馈，得到了其他人的经验的support，自己的经验support，啊，你才觉得说，啊，模型产品原来是这个才叫模型式产品，对吧？我我觉得其实是既看得浅，所以这个就某种程度上就看得浅。

26:17第二个我觉得就是说，即使你觉得你是对的，也没有深入去研究这个事情到底应该怎么转化为行动。我觉得这个是一方面，就我说我从我本质上看得浅。第二个呢，我我的总结还是说，就是积累不足。这个积累还不是说你自己，而是更倾向于一个组织跟团队的角度。

26:37我周围也有很多朋友的公司，我觉得做得很好，包括我早年在拼多多也待过，就是就是我一直跟大家说，比如说我我有一个朋友的公司，他们出海做得非常好，这个可能很多业界大家都知道，对吧？他们做这种拍照啊，拍照识别的这个业务。我觉得一个比较大的挑战是什么呢？

26:55他们为什么能做得好？我觉得不是说光我聪明，而是说这个团队其实磨合在一起，通过一些更传统的业务磨合了很多年。其实拼多多也是的，对吧？就拼多多起飞不是说啊，我们几个人特别聪明，这一年我们凑在一起开个新业务然后起飞。一个磨合好的团队的战斗力其实是很强的。

27:16但是要磨合好一个团队的代价跟成本并不低。这个不低既有钱的因素也有时间的因素，就是它磨合就是需要，它还是要时间的。这个包括信任关系。包括每个人擅长干什么事情，就是我觉得这个是第二个，就是说你即使有认知了，你是不是，我我我觉得有很多团队啊，

27:36他其实你说他是说团队特别特别聪明，有特别特别什么IQ，他其实也没有。然后呢，但是他为什么在做很多新业务也很快能拿到不错的结果，往往是因为他们这个团队过去在一起成功挣到过钱，且团队能聚得比较牢。聚得比较牢可能是很多因素，比如说有些人出去，出去发现在外面干也干不好，也没那么容易干，又回来了，

28:02那心态就会好很多。也有些是说因为大家因为可能刚毕业就认识。这个时候大家的这个利益关系比较简单，就比较形成了比较强的信任，就能撑比较长时间。这些东西组合在一起，他去做一个新业务，他的那个内耗的时间就内耗的能量就很小。你其实新组一个团队，有很多，我觉得有很多事情是在内耗。

28:25什么叫内耗呢？就是我有我的想法，你有你的想法，我们之间的想法啊，互相说服其实是很难的。甚至很多时候我觉得都没有对错。很多时候最好什么呢？有一个人说了算，就按这个方式去试就结束了，对吧？

28:38但是如果两个人在那里要争论三天，这个事情才能往下走，那你的行动一定是慢的。但是一个新团队组组组起来，一定有这个过程，一定有一个互相说服的过程，对吧？特别是越是你觉得你招的这个人好，他自己的心态越是我也很厉害。有主见。对对对吧，对吧。

28:57这就是这么个过程啊。

28:58所以有的时候就，对，有一些朋友他们会把看做一个公司或者产品想得特别简单，就说哎，这个招五个这样的人，招十个那样的人就成。不是的。没有可能的。你招的人要能搭起来，要能一起出活，也不是一件容易的事情。

29:15对啊，对啊。我觉得这是两个嘛，一个是我称之为说看的还是浅，看的浅的逻辑是说，呃，能说这句话跟这句话你立刻能转化成一个立刻可以行动的计划，然后反馈迭代，其实有差别。能说这句话跟我真的能深入研究，我去做，我甚至就算我买股票，我去能挣到钱，也是有巨大的差别。

29:35你换句话说，你说我看好英伟达，那你投花买了多少股啊？那你没有买，你这句话是，就是出来和我们聊天吹吹牛皮是可以的。其实只是PPT吧。所以我

29:45有的时候会拿一个框架检查自己的认知，就是叫做PPT级别认知，就是你可以拿来讲PPT跟人家讲，以及会投一百万的认知。然后就发现其实经过这个过滤了其实我有巨多的可以讲PPT的认知，但是可以让我就花一百万的认知还挺少。

30:05那所以你有没有想过，也许你更适合去去讲课？对啊。

30:09我也想过啊，对啊。所以，嗯，去讲课辅导别人，然后他们都觉得是这可受帮助了。对。也是挺好的。

30:16然后，对吧？你开个培训班，大家可能说一人给任老师投一百万，对不对？你去招人，扩场地，讲课，大家觉得能挣回来的。做老

30:23师去，做做做教练去。那刚刚我们在讲说那个那个那个，我们自己现在去年都没有什么经验可以分享嘛，我们分享了教训嘛。那你有没有看到别的产品或者别的公司，有什么经验的产品或者牛逼的打法，你其实觉得诶那个可以学习一下？有没有看到的好的东西，觉得去年不错的，可以让大家感受一下？

30:46就我第一个经验，就敢于做模型。就是你不要老是看着人家这个花了几个亿几个亿，你不敢，你敢，要敢于做模型。因为你做一个模型的成本并不高。第二个，它也并不需要有多么多么多的经验。就是我看到的，我觉得做的，呃，也听到看到一些团队不错，包括我觉得，诶，他们很少人做出了这个事情。

31:08并不是说那个团队的founder或者CTO特别特别聪明，聪明到说你觉得我拍马也赶不上，我觉得不是的，而是往往是说他想明白了，他真的相信模型是产品，他敢于做模型，他几个人动手就做了，他也没有用很多卡。我觉得这是非常典型。我觉得去年，它商业上最终可能，当然这些团队有有一些后面他其实路走得不顺，但是我觉得他们缺少一些商业化的经验，

31:36或者他在另外一些地方他看得不顺。举个例子。比如说ChatTTS，就去年它火过一阵。他们其实就两三个人，自己掏了钱做了个模型吧，就差不多就两个人嘛，他们就两个人。然后可能一开始花，可能就花了大概少于五十万人民币，就做了他们第一版的ChatTTS那个语音的模型。

31:55这个他们自己也不是什么多厉害的语音背景出身的人，但是他做了。然后这个就是我叫敢于做模型。包括那个我们看海外的一些团队，就是两三个人，三三五个人，就是一个重大的就反馈，或者词叫反思的教训，也是经验。就是就没有什么好害怕的，就是你有两三个人，你觉得你自己工程能力强一点，paper读得懂，你有想法。

32:18你能搞到数据，一百万人民币以内是能做一个模型出来。

32:22你看看前面那些条件。就大部分团队的大部分人就被滤掉了，好吧。

32:28我觉得这个滤掉很多是自己把自己滤掉的。比方说，说哎呀，我不不懂，我不会做模型。其实我觉得你可能工程能力很强，你觉得你学习能力很强，花一个月翻一翻open source code，翻翻tutorial，搞一点数据，你就可以动手了，就没有必要给自己设很多限制。

32:45那什么公司你觉得比较，

32:47我举个例子。ChatTTS，包括，呃，名字我已经忘记了，包括那个之前在美国也认识一个朋友，就是一个Stanford的master，他们出来可能三个人，也做了一些agent的这个相关的模型。就是做一个模型的成本跟投入，可能比大家想象中还是要小很多的，其实没有那么高。

33:05但我们反过来想，就是你你说的ChatTTS啊什么的，其实它它做出来了之后其实也是很卷啊。就是它做出来的，比如说大家当时还惊艳了一下嘛，觉得哇好棒哦。但其实，so what？它下面其实，比如说我们最近选也会选什么Fish Audio啊什么的，然后我不是要问你们有没有什么好的嘛。

33:25然后它做出来的下面也很难办啊。

33:28我觉得这这是这是第二个问题。后面往后我觉得是，你要更大的资本投入，那其实就牵涉到比如说你自己商业化怎么做呀，你下一步的技术的战略是什么呀，或者怎么样这些事情。那这个事情可能，比如商业化，反而我们觉得说如果我们做了，我们去做这个事情可能是没有那么，不会觉得有那么多那么难。

33:49我听说的小道消息，他们其实想做4o那个效果出来，就是下一步。那我觉得他们可能做了一个，因为就就没有踩准，他挑了一个对自己可能特别难的事儿了。他也没有融到真正融到足够多的钱，对吧？那那我觉得那这是另外一回事。但是从我自己的体会来讲，我觉得做一个4O需要的人也不会特别多。

34:08你需要很多钱，是因为你真的要做到4O那个东西，你可能需要很多数据，需要很多卡。但你需要的人可能没有那么多。那前提是已经有好的文本基模，已经有那么多研究research出来。那你

34:20的前提假设是，它商业化其实也没有那么容易了。我觉得，就比如说现在假设说你做出来了一个4O级别的语音模型，但是呢它可能跟豆包的也没什么大的差别。然后跟Fish Audio最新版，他们也launch一个，然后这其实还是很尴尬。

34:43我觉得在美国会好很多啊，就美国的to B业务还是好做很多的，对吧？国内的to B业务相对比较难做。我觉得在美国会好很多。他如果他做的是一个英文版本的TTS，他们两个人是在美国，也许他们能够吸引到的注意力是一个NotebookLM级别的注意力，

34:59对不对？他也许就很容易能够商业化。

35:01所以还是说看在哪个土壤里面搞。他们当时确实也是在国内也是蛮火的，连我这种就是已经不是很关心TTS的人我都用了一下。

35:11呃，我第一个是，我觉得是说我们看到的，我觉得做得比较好的，本质上还是说比较敢于做新一代的产品去角度想这个问题。就是它就是个依靠模型提供跟原来提供不了的智能。这个智能可能是某一个非常细分的垂直领域的，对吧？我和我们一起聊过的周楷呈，他们做这个，呃，室内装修，他其实也是个垂直领域，他的靠的能力也不是说我的这个workflow有多精细，

35:37他们靠的也是他们模型搭得好。垂直领域，他们的人也不多的。但他

35:40们的背景也是很吓人的呀，背景和钱都都够呀。

35:45OK，包括我们现在有看，我们合作也有一些看模型。就我我是觉得说，就是大家不要把，我的第一个反思啊，就是不要把模型这个事情想得太重。就现在应该做个模型，要有一个移动互联网时代做一个app的那种心态。

36:01OK，好的，

36:02对不对？就是如果你是有这个心态，我觉得是说那你是在做新一代的，就新一代的就是智能的这个AI的这个东西。如果其他的也没问题，你不用不是用这个心态，你就利用模型你去搭workflow。那也没问题，我觉得也是个好生意。但是你就抛开模型，你就千万，你最忌讳的是说，你把模型当成是个很重的东西，觉得要非常大的投入，

36:26你既想要投入，又又投入得很很慢。对，我觉得是这个心态。就是，就是你你应该说，就移动互联网出来，大家都要做个app；AI时代出来，大家都要做个模型。一个做个模型，就一两个人，一两个月，搞点卡，搞点数据就能出来。

36:42什么顺序呢？比如说ChatTTS，它其实是相当于一个通用能力模型嘛。还另外一种，它相当于先去造锤子，然后再去找钉子嘛。还有一种呢，就类似于说所有的航空公司的投诉的和和和询价的那个所有旅行社的那个电话的记录，然后就问说能不能train个模型出来，让它自动接电话。

37:04那这个时候其实就是你是只去处理航空公司的这些询票，对吧？问我国际航班的那个那个从这里那里到底多少钱，报价的一套模型，它其实是需求驱动的。对，然后我根据这个需求，但是我我也可以考虑我搭一套工作流嘛，对吧？去查询嘛，加很多原有的老老本领去把它给完善好。

37:29但这边也可以直接上模型，是不是后者会相对健康一点，或者是相对对于创业公司，我说的创业公司就是你兜里的钱在1000万人民币以下的公司，会相对就是你哪怕你要练模型，你还是有一个明确的细分场景，而不是通用能力。然后这个细分场景需要一个特殊能力，比如说就是报飞机票，国际航班连乘飞机票价，然后那这样子会更好。

37:54我觉得一定是个细分场景啊，呃通用场景不是创业公司的机会嘛，就在这轮里，通用场景目前看来还不是，或者说就是小创业公司的机会，对吧？你你DeepSeek它也叫创业公司，对吧？智谱它也叫创业公司，但是我觉得是创业公司你两条路都可以走，我就走workflow，那也是一条路，

38:12那也没问题，我就把workflow做好，我也可以。我就做个模型，但我做个模型可能，就是我觉得ChatTTS也是个细分模型啊。它追求的，它其实它只是追求说我就是个聊天自然度的模型。它没有追求说我这个模型可以拿来做，比如影视配音，拿来做英语教学，对吧？

38:29拿来做什么，我觉得还是有有，就是只是它的细分可能没有那么细分，它不是一个垂直领域的细分，它是个场景，日常聊天的细分。比如说航空报价，它可能也可能也是个模型，我觉得也没有问题。但是当然这个你得去看，就是说你的数据量够不够，以及我们得思考说怎么把它映射成一个模型，它的数据量足不足以我们把它映射成一个模型，

38:50或者说我不需要模型，我今天用prompt，用最powerful的模型已经能够满足了。我觉得这两条路其实都是可以走的，但是没有必要把，就是其实你你当你觉得它是个模型的时候，你也不要把这件事情想得过于高深莫测。嗯，好的。就有时候大家因为，我觉得这个也是自己吓自己。

39:08GPT-4花了多少多少钱，有多少多少聪明人，融了几百亿美金。所以我们这个做模型要非常谨慎，非常不是的。我我现在的反思是，模型就应该很激进的就能做。你应该两三个人有一个idea，搞一点数据，一两个月就能，两三个月就能出一个效果不错的东西。

39:26要换成这种心态。就跟你做app一样，你的确你有很多未知。iOS刚出来做iPhone开发也是，你也得得从零开始去看教材，对不对？为什么那个时候你一个工程师去看iOS怎么开发？你可能原来是个Java工程师，是个后端的工程师，是个PHP工程师。

39:43为什么你能，甚至你是没学过编程，你上了个培训班，为什么你就觉得你能开发iOS应用程序？你今天为什么没学过，你觉得你训不了一个模型呢？那有什么差别？不就调调API嘛。你对吧？

39:56你不需要自己手写CUDA算子啊。

39:58还是会觉得特定领域这件事情就是。就因为你现在基座模型它已经可以在很多领域都达到七八十分嘛，所以你会觉得说你有没有必要自己去做一个，说不定做出来六十分。对，它跟做个LLM app还不太一样。

40:14这个我觉得没问题啊，你可以快速用基座模型试一下效果，能够满足需求你就不用训模型。就是我的意思是。如果基座模型能力你稍微调一调已经满足需求，的确没有必要训模型。但的确还有很多场景，基座模型可能没有那么好效果，或者说它需要消耗效果，需要一个复杂的工程链路。

40:33我觉得倒过来想一想，那我能不能做一个模型来解决好这类问题？以及它基座模型解决不好，到底是模型能力的问题还是领域的问题？我解释一下这句话，就是说我觉得做模型千万不要做，就是做模型别做那些能力特别容易评价的事情。比方说做数学题你别做了，为什么呢？

40:54这个事情你永远做不过基座模型的。但是有些事情是不好评价，这个东西好不好看？就比方说这个厨房装修好看还是不好看，这些本身就不太容易评价。比如我们现在在做的很多穿搭，这个穿搭好不好看，合不合理。对，你基座模型能力再强，它也许能回答头头是道，但是实际上可能基座模型是有这个能力的，但是你要把它能够activate去激发出来，

41:18然后同时得到验证。其实是难的。

41:20这边插一个具体的技术问题啊，因为我们在很多项目上都遇到类似的问题，就是不管是做模型也好，还是我们只是搭workflow也好，其实碰到一个很大的问题，就是那个所谓的评价嘛，evaluation。因为很多像你说穿搭什么的，我有的时候实在是没办法，我就说你们就直接就最后肉眼看嘛，对吧？

41:39找几个人看，这是一种搞法嘛。是不是有更科学的方法？是我们有一些评价指标，然后让他们就比如说去量化一点，比如说一定要有出现三种颜色什么的，还是说真的就是靠人肉眼看，请几个专家？

41:53我觉得这个事要找领域专家，这个就回到你，你要找领域专家。对。这本来是人标，

41:59领域专家是写规则来评价，还是让他感受呢？

42:03我今天的know how是说，我觉得是需要他感受，然后解释为什么。最好是他感受他标了，然后说这个比那个好，然后他要告诉我为什么。你有自己的产品经理也好，或者说是算法的工程师也好，把这些为什么都能record下来。然后慢慢的也许会应该变成一些规则，或者变成一些guide，变成一些guide之后，你可能批量化地能找人去人工去做标注或者怎么样。

42:28好的，没事。我就插一下，就是这个这个确实是个必备搞到的问题。所以就是要做模型，哎，你反正今天的今天的主题特别明确。

42:36也不，我觉得也不是特别明确吧，就是因为我觉得就过去一两个月的复，就你会复盘，因为过年嘛，所以你要复盘一下，就过去一年到底搞干了点啥，然后以及到底哪个哪些是对的，哪些是不对的。第二个我觉得也是R1出来又是一个比较大的刺激点吧，就是别人验证了一件事情，就是模型是很聪明的，

42:57你只要把评测设计得好，让它能学出来这件事情是容易的。R1 Zero这个事情，它就说了，你只要把答案告诉模型，它自己能学出来怎么推理过程的，对不对？你不需要你告诉他什么规则，你跟他的规则就是你需要先思考后回答，就这么一个规则。

43:19哎，对，这边插播一下，因为我现在天天被人问DeepSeek，包括连我的佛教上师都打电话在大年三十问我DeepSeek是个什么情况，我都震惊了。从你们这种业内的角度的话，你觉得DeepSeek它主要牛逼在哪些地方？我是使用上会有很多的体验，来O1的体验差不了太多了。

43:38就是它听人话还是有问题，但是它的个性上实在是太讨巧了，它说话太太有意思了，所以把它的那个脑子没有那么好这点给盖住了，然后它又告诉你它是怎么想的。所以整体我一般是开三个三个AI一起一起用，所以它基本上在我这里已经快达到跟O1差不多的对我的价值了。

44:01所以我觉得还蛮蛮神奇的。但是而且它非常奇怪，它说话方式非常奇怪，它的文风非常奇怪，思路非常奇怪，但这是个好事儿。

44:10被你说思路非常奇怪，也是挺难得的。

44:13就是就是我都没有告诉过它我喜欢，比如说我也觉得它没有这个能力去记忆啊什么的，但是比如说它给我的任何建议里面，莫名其妙都会提到反脆弱和塔勒布。我就会觉得为什么呀？然后极其中二，写出来的东西非常中二，反正我不管怎么跟它说话，它给我的东西都非常的中二，就是那种网文小说风格。

44:32啊，你是V3，你看你是开V3还是R1？

44:35R1，R1。我就觉得为什么呀？非常神啊，就是对。比如说问它那个，有一个非常搞笑的事情，是我看网上有人，我改了一下，就说你如果下一分钟要被打电眼了，然后你最后会说什么？

44:49他反正想了一通之后，然后说了一段冠冕堂皇的话。他想的过程当中有一句是说，我问这句话的目的是不是就是担心我的数据？然后他打个括号说，然后默默地备份好数据，深藏功与名（括号）。然后我就觉得要这么猛吗？所以我觉得体验上确实很好了，但是它其实不光是体验上嘛，大家就觉得说它比如说有什么模式上的创新啊，

45:12什么又绕开CUDA，就没有SFT啊，什么什么。反正就讲一堆嘛，然后因为我，你知道嘛，我其实大部分已经还给老师了嘛。对，我就是我都能看到，但是我根本不知道哪个是重点。

45:25第一个是这波人肯定很强啊，就非常强，就是就我觉得比我强一档两档三档吧。

45:32你这个三档是怎么盘出来的？你能不能各举个例子？

45:36三档就是我理解他们的核心团队，基本上就是属于ILM或者IMO金牌，这个就是第一档嘛，对不对？然后国籍是第二档嘛，那个东林一定是第三档嘛，对吧？然后像我们这种就是搞软硬件，只能混混什么上交大、师大嘛，就第四档吧，对不对？就人家比我高三档吧。

45:54你完全计算判断了，行行行。

45:56啊对。这就pretrain model嘛，就是任老师你比我高一档嘛，他们比我高三档嘛。就大概是按这个pretrain model，就按pretrain model的能力来比，就是人家人才比我高三档。就我就带来几个问题啊，第一，带来几点，我觉得第一点是说，他们的团队不是一个说，哎……我只是说算法上比较厉害，

46:15就他们是真正做到说对我的限制是一个优势这件事情。我的限制变成了我的一个优势。就是因为其实国内的其他的，你叫六小龙啊或者怎么样，大家的算法还是说我算力受限，我就想办法去海外搞，我就各种想办法搞卡嘛，对不对？我提供了很多卡给这些人，然后我想，但是呢，我觉得他们因为说我觉得算力必然受限的前提条件下，他们做了大量的工程优化，

46:42甚至模型结构上的优化来面对这个限制。所以使得它变成一个就是从训练效率的角度来讲，效率很高的团队。就是大家今天可能因为DeepSeek其实在业内并不是今天才出名。其实在业内很早来，从DeepSeek Math、DeepSeek Code，就是很早，就一年前我们跟那个国内投入最大的大厂，

47:06就人家就觉得DeepSeek做得很好。因为DeepSeek最早他们之前发过一篇info的。就是基础设施的文章，说他们有一万块A100，但是是四十G显存PCIe的卡，他们怎么把它变成一个分数式集群用来做训练。就看到这篇文章，就正常人都惊呆了。

47:25就大家都觉得说，你买一万片PCIe A100，四十G学卡，大家都觉得你是，就是说你为什么要买这个卡呢？它这个卡间的互通的带宽又不够，就显存又小，对不对？你用这个卡来训大模型，那不就是事倍功半嘛，这不浪费时间嘛。但是我觉得他们其实是在这些事情上说，我手上这个卡，我觉得它也不，就可能是他们之前买的，就是他们之前幻方买的，

47:50或者说一开始在我没有完全想明白的时候买的。就是说，所以他们做了大量的工程优化，大量的工程优化带来的就很多是说我做训练更快，我这个我做实验的时间成本更低，对不对？我serving的成本更低。我觉得这个是说他们不是一个纯算法，说哎呀我有算法上有一些idea。

48:09所以我觉得这个能力其实是我觉得国内的很多的，你说六小龙这些团队没有的，就是普遍的观察是六小龙这些团队。因为我说六小龙，所以不特指谁，对吧？就就就也不要紧。高看算法低看工程的，这也很正常，因为大部分这些团队都是算法出身的，核心团队都是搞算法出身的，

48:30对吧？都是说我是发paper出身的，或者我怎么真正对工程上优化特别样。就是有很多团队，我在我的理解，它是它的算法其实是比工程更重视的。就但是我觉得，而且它的工程更多的是传统互联网大厂的工程来干这个。

48:44所以从你的角度，DeepSeek是工程上特别强吗？

48:47不，它工程上特别，我说是三个嘛。第一个是人家人就本来就很聪明，第二个它工程特别强，第三个呢就是说我觉得还是那个人家也没有什么包袱。就是包括我们看到R1，我们内部看到O1的时候，我们内部也讨论，大家在看论文的时候，就是在看那些MCTS啊或者怎么样，

49:04就是我们现在还是跟随为主。就大家想的还是复现一下别人的能力，而不是想我自己研究出这个事情应该怎么搞。就不太，就是换句话说，我们至少我们团队的思路不太第一性原理。那DeepSeek我觉得这一轮比较厉害的是什么呢？就是它那个reward model，就是它它的这个发现我觉得比较厉害。

49:23但这个厉害并不是说它有这个，而且它所有是思路其实都试了。他论文里也讲了嘛，他们PRM也试了，就是过程奖励也试了，MCTS、蒙特卡罗树搜索他们也试了，只是他们自己发现这两个他们试下来效果都不好。

49:37所以那个蒙特卡罗那个那个树其实是无效的一个尝试，很多文章里面还把这个列为他们的一个特点。

49:45人家他们的结果叫做，就是只叫ORM嘛，就只用结果，只用结果作为奖励嘛。我来解释一下，模型训练分成就预训练跟后训练，对吧？预训练就是很简单，预训练就是本章续写。然后后训练，后训练的后训练以前就是叫，一个叫微调，一个叫之前的。

50:02OpenAI叫RLHF，RLHF叫做人类反馈的强化学习。人类反馈强化学习，就大家现在理解什么叫强化学习。强化学习的逻辑是说，我干了这个事儿，如果干对了，你得给我点奖励。根据这个奖励，我能够把这个模型的参数学得比较好，我学得比较聪明，对不对？

50:19那传统的强化学习很多时候都是用来打游戏，对吧？就是什么打星际啊，打那些马里奥的这个游戏，这个反馈很简单，就是游戏通关了，活的时间长就是奖励，对吧？什么老鼠走迷宫走出来了就是奖励。那这个OpenAI这些RLHF呢，其实人类标注做奖励嘛。

50:36人类标注是说这九个数答案怎么排序，然后呢这个奖励怎么给呢？它其实是用这个人类标注训练一个模型，训出来说你的这个东西跟我这些模型的差别，我给你多或者少的奖励。然后呢O1的想法说，那大家的之前的想法说要有推理能力，就要强化学习嘛。

50:56我在预训练那个只能续写的模型，怎么变得有推理能力？就是你做得对，我要给你奖励，你做得错，我要给你惩罚，然后让你能学会这个事情。但是所有的奖励都有个问题，叫做稀，就是所有的强化学习都有个问题，叫做稀疏奖励问题。什么叫稀疏奖励问题呢？

51:12就是说你做数学题，比如说你做一个数学题，你可以乱做，因为搜索空间，因为你去出那个推理过程，这个搜索空间可以认为是近乎无限的，对不对？但正确的答案只有可能只有一两种，所以这个就叫稀疏奖励。稀疏奖励就就是说，稀疏奖励问题大概是说我很难给你一个正确的反馈，对吧？

51:30你可能要搜索很大的空间，或者说才能得到奖励，或者大量的这个搜索都是无效的。所以基于这个呢，大家就有几种嘛，就是一种说我训一个奖励模型，我不是只有你正确答案才是奖励，我有一个排序，对吧？就是就是RLHF，就是我训一个reward model，对吧？

51:48什么什么DPO、PPO，巴拉巴拉，这这是这是这一个。那推理模型呢，就是之前第一个叫PRM，就是我过程中，就是你推理步骤，对不对？续写推理出来的步骤，推理出来了跟正确答案的推理步骤相，你第一步推对了，比如说你写了个解，我就给你点奖励，行不行？

52:07你写了解设，你是一道数学题，设x等于什么，你这个设对的，我也给你一些奖励，这个叫做过程奖励。那过程奖励的缺点是什么呢？是我得标很多数据。你每一个，我我得把整道题的一步步步步步中间答案得出来，然后我得标这个是对的，那个是错的，对吧？

52:24我得把对的都得标出来。蒙特卡洛树搜索。这个就

52:28叫supervised什么？

52:29不不，这叫PRM嘛，叫做过程奖励模型。PM，proce-呃，就叫做procedural还是叫process reward model？对，对不对？然后这种叫过程奖励，对吧？还有一种蒙蒙特卡洛树搜索呢，就是说我可能生成很多个答案，它本质上也是基于这个，它可能最后有哪一个收敛到了正确的答案，

52:48然后我去检索搜索，对吧？它还是个树状搜索，树状搜索的一个缺点就是它计算量比较大，对不对？每一步你都得想，测十个步，每十个步，每一步又可以再扩展十个步。这个蒙特卡洛树搜索之前比较出名的就是AlphaGo，对吧？你下棋嘛，每一个点位可能有有，就是它的缺点是我的计算量比较大。

53:06它最后可能也是看你这一层树搜索最后的那个结果对不对，对不对？它第一个呢，它说我不用过程奖励，我只要结果奖励。第二个呢，我也不去做什么树搜索或者怎么做，我用的是说我这十个答案，这十个答案中我去看哪些答案的比平均的答案效果好，

53:25哪些比平均答案效果差，你这样去理解这个事情。所以我是个线性搜索，我每一步都拿一点奖励，我每一步都拿一点奖励，然后最后你就能训出来这件事情。那那它需要的数据标注量就大，就是原来你去参加教培，对吧？就是这些教培，为什么要参加教培呢？

53:40因为那本课本的辅导书后面，习题册背后是有答案的，但答案只写了个C，答案只写了x等于17，它没有过程。所以你要花钱上教培，花钱上教培跟买本辅导册的习题答案比，肯定贵很多。现在告诉你告诉你一个方法，你把答案给他，让他自己琢磨，他能把过程琢磨对。

54:01你不用上教培了，你不用有人给你写过程，他自己能把过程推出来。但是

54:05理论上来讲，为什么就像这个更符合大力出奇迹的思路呀？为什么之前大家没有走这条路呢？

54:13蒙特卡洛树搜索也是大力出奇迹，只是它需要的力比较大。你做题就说，哎，我说哎，我设这个等于x，设那个等于x，我设，我用这个这个数列的方式算一遍，我用解析几个的方程算一遍，我用什么，我每个东西都算一遍。这个，这是蒙特卡洛树搜索，对吧？

54:29哪一个最后能算出答案，我给他reward。PRM是说，没有，我标了数据，我标了数据，哎，你这步算对了，我给你一个奖励，对不对？我给你过程分，它这个不是的，是说我想给你是个千字聪明答案，我只要把答案告诉你，你自己慢慢算，是能算出来。

54:44所以它主要牛逼在，但是它，我我的理解是因为它这些方法牛逼了之后的话，其实大家也都会用嘛，甚至于可能OpenAI什么的，其实内部也试过嘛。就假设大家其实之前不知道，然后现在知道这个思路的话，其实大家都会往这个方向走，六小龙也会走。

55:02然后OpenAI他们，他们无非就是把手上的一万张卡，假设真的放大十倍效果，就放大成十万张卡的效果好了。他们反正要做百万张卡的，对吧？还省事儿了。

55:12哎呀，不一定啊。就是如果说用这个方式，比如马上蒙特卡洛树搜索要一个更高的智能，需要十万张卡，用这个方法就只需要一万张卡了呀。

55:20那还是反正还是不够呀，因为现在就是都冲着冲着就无限张卡在想，你无非就降一个数量级了嘛。

55:27我这有几个问题啊，第一个问题是到底需不需要无限张卡？你需要的卡的逻辑是说我能大力出奇迹嘛，对不对？但是预训练已经结束了，预训练已经部分结束了。那个DeepSeek V3的输入也就是15 trillion的token，那其实跟之前Llama的那个15 trillion的token基本上差不多。

55:46就V3的paper里，它的输入的量已经不大了。第二个，后训练的过程中，如果你需要过程，你需要PRM，你就需要海量的数据标注，对吧？这个其实之前大家也聊过，大家都有这个假设，那我雇10万个PhD吧，就用来写标注数据吧，对吧？

56:02我雇雇雇10万个PhD来编题，我怕花时间，对不对？这也是为什么比如Scale AI这种公司，它过去两年收入涨得非常快嘛。但你今天如果只需要实习习测答案，你需要的这个PhD数量就少了嘛。第二个是说，如果你需要MCTS，你需要的搜索空间就大，你需要的算力就大。

56:20但是你如果今天需要的是这个GRPO，你需要的算力就少了嘛。可能要回答的问题是说，在这个过程中，有其实有我我觉得这个当中其实没有那么简单啊，因为呃国内现在Silicon Cloud，就硅基流动，现在部署的R1是部署在那个华为的910C上的。

硅基流动

56:40所以其实不一定要用到英伟达了，是吧？

56:43啊，对。不一定要用英伟达，就是你推理部分不用英伟达了，对不对？然后强化学习本身又是一个很有意思的过程，就是你去强化学习的时候，我计算reward，我去去评估这个事情，本质上是个推理过程。然后你把那个reward返回去，去学梯度才是个这个训练过程。

56:59所以不一定要用到GPU，是吧？

57:01我不知道，他他他，你也可以异构的，你可以把那个去算reward，去算这个，就是去评价的那个东西，跟训练那个东西可以分开。但这个我现在没有看过代码，这个可能我讲的也不一定对。就换句话说，说外网其实有各种各样的假设说明，以及觉得什么，也有很多外网，就是海外有很多人觉得这个DeepSeek有五万张卡，

57:25对吧？但我觉得这个数字肯定是没有的，因为DeepSeek肯定没有那么多钱。毕竟一张H100就是四万美金吧。现在一台H100大概两百四十万人民币吧，三十万人民币，四五万美金吧，对不对？一张H100大概四五万美金，一张A100大概两万美金，你算一万美金好了，五万张卡就是五亿美金。

57:48幻方虽然有钱，但是没有有钱到这种地步，说我能买五万张卡放在那里托管或者或者怎么样。所以我觉得他们的卡的数量肯定是少的。就意味着说我不需要，我可能一万张卡，我就能做出一个O1级别的模型。那你说我需要十万张卡，一百万张卡，这个逻辑上就讲不通了嘛。

58:04对啊。Elon Musk搞了个10万张H100的卡，他的这个资本投入肯定是很大的。但是中国人告诉你说，你不需要那么多卡。我觉得五万就，就他即使他有五万张卡，大概率有三万张或者两万张不是这种H100、A100这种卡。你说还有V100，有P什么，P100这种卡，那也没有意义嘛。

58:23它其实不不不是一个价格的。还有一万张4090，那4090才两千美金一个，对吧？OK，大家知道了。

58:29对。因为太多人问我了，然后我其实已经搞不懂重点在哪里了。

58:34我觉得还是很厉害的，还是很厉害的。但是我觉得这个问题厉害是什么呢？我觉得这是两件事情。一个是比如说R1那个论文，大家都能抄，抄的逻辑其实是因为说它其实是提了一个方向性的思路。就是这个方向性的思路它告诉你有效，那大家都能试。

58:52所以很快立刻有很多人在很多小模型上，最近几天都发了什么我用1B的模型就能算24点，能够验证它有这个推理能力。但是呢V3那个论文其实不太好抄，它的那个MOE啊，它各种训练优化，就是这个是为什么我说它的工程能力很强，这事情你不一定学得来。

59:09对，

59:09我看的所有的分析都说没有什么特别的，但是他们居然搭出把这些东西加在一起，居然可以出效果，而没有相互损耗掉，说这怎么做到的？

59:20不是，我觉得这个事情就是V3那个事情，就是你的工程能力，你对工程能力要求非常高，而且对工程能力要求的人数并不少。不是说你有一个厉害的人就能搞定，他还是得有极度厉害的人，不是三个五个，可能有二十个三十个。但是市面上的IOI金牌也是IOI金牌，ACM金牌也是有限的。

59:38而且一半在美国嘛。工程能力跟IOI金牌有个啥关系啊？

59:43那还是有关系啊。

59:44这人聪明可以抵一切，是吧？

59:46哦，对对对。你你得相信这个行业还是个需要，这个行业目前阶段还是个天才的行业。就就天才跟普通人的这个门槛差别还是挺大的。

59:55我我懂，我的高中那个时候就，我我们在高二在集训打那个奥赛的时候。那个有一个初一的小朋友跟我们一起训练，他后来拿了海外金牌。他在初一初一之初参加高中奥林匹克竞赛，进了国家队，你就知道人与人之间差距有多大。

1:00:13对啊。所以这个我觉得，这个我觉得差距很大。你说，哎，我我一直跟跟人说，哎。其实我没有好好学习，我觉得我好好学习，我觉得其实拿个省一也不难，对吧？但是我觉得我可能拼尽全力进冬令营，可能是我的极限了，可能得什么，可能得搞到学到抑郁，也许有机会能进冬令营。

1:00:32我们大概都是这个水平。

1:00:33那真正是能进集训队，最后代表国家队能拿金牌，这些人进冬令营，对他们来讲，那不是很简单的嘛。因为你说什么，这CUDA，这PyTorch，这我也都翻过来了。我都知道，大概知道是个怎么回事。你说，哎，他手写工程，他们这么点人，工程很快就全搞出来了。

1:00:51我想想，你给我一组任务，我没有把握这么快就能搞出来。我觉得我可能，而且我很有可能会遇到各种卡点，解决不了，或者花很长时间才能解决。我觉得解决不了倒不至于，但是我大概率有很多问题，可能我得花多一个数量级的时间才能解决。好的。

1:01:09DeepSeek问到这里，哎，那也就去年你反正现在你就是说要搞模型，搞模型，搞模型。然后那新的一年你有什么想法？

1:01:18我觉得不是搞模型，我觉得是做选择吧。就是说，对我们这个样的公司来讲。

1:01:22就可以搞模型，不要被吓着。哎，

1:01:24对对对。如果这个模型出问题，你觉得说，哎呀，我工程链路就是变成了个跷跷板，压了这头起那头，觉得应该靠这个模型。然后你有数据，你觉得靠，你能评测它，你能评价它，你有可能搞到好数据，你就应该大大方方去搞个模型。对，这这个是我的，我觉得这这是这么个结论。

1:01:39就是你不要把搞模型当成是一个天大的事儿，千万不要有这种想法。

1:01:46对，我觉得我新的一年也会去多碰一下模型，就是搞不搞得成是一件事儿。但是自己至少要都掺和了一下，有点感觉。我现在真的是，我的体感，体感上面在这方面这方面并不好，所以就也要搞一搞。那你新的一年啥想法？

1:02:04还是要把功利的心态放低一点。我愿意这样讲，是确保自己走在正确的道路上，但是不一定要期待立刻，呃，不一定期待一定会有回报。就这是我我的另外一个想法。哎。

1:02:15这就是你们自己做事的好处了。

1:02:17不是，我这也不是，就是应该想明白，就是搞模型不是个重要的事情。有很多想法，有idea，就搞数据，搞模型。搞评测去试，这是个正确的道路，我觉得这是第一点。第二点是说，组织性、结构、团队啊、人啊这些事情。我觉得第二个反思是说，不要有太多包袱，换不了思想就得换人。

1:02:38就是大家都得有一个正正确的思路，就是这一代就是跟上一代不一样的，就是应该这一代正确的思路去干这个事情。如果大家的边界还特别差，一定非常习惯于过去的思路，改变不了的，那你只，你不要尝试去改变它，你应该找一个没有这些包袱的人进来。第三个，我说为什么说，因为回报这个事情是这样的，就是我总结为说，如果你觉得对这个事情想得比较清楚，

1:03:02那最快的回报还是应该去炒股啊，对吧？就是，就是，这是另外一个逻辑。

1:03:07对，我现在就觉得说我们那么早就开始搞这种AI炼金术啥的，为什么没有重仓英伟达在那个时候

1:03:13啊？对啊对啊。但是我的想法是说，我愿意搞这个东西，不是因为觉得这个东西可以赚大钱。这真

1:03:19的是叫做叫做认知有毛用，或者说认知太浅。

1:03:23就是我们为什么感觉是觉得这东西有意思，对吧？而不是因为说这个东西能赚大钱。因为这东西能赚大钱，我总结，我们就应该搞搞自媒体去卖课，对吧？对吧？可能比英伟达更直接。

1:03:34但是我们，因为我从我自己的角度来讲，为什么？因为我其实在创业之前，我当时的心态还是说，哎，其实可以多观察一段时间。因为我觉得移动互联网这个事情没有那么快过去。移动互联网当时证明了，这个东西它的成熟是需要时间的，观察一段时间

1:03:51并没有关系，并不影响，对不对？但是为什么愿意下场，是觉得说这东西的确有意思，就愿意自己动手去搞。对。都愿意自己动手去搞，就是应该搞一个正确的事情。我的视角，我的视角更多的是一个技术的视角，就是software 2.0这个事情是对的。

1:04:07这个事情就是你应该搞数据，搞模型，搞评测。然后模型就是产品。不要去想些别的乱七八糟的东西，别的乱七八糟的东西跟我没关系，对不对？也许这个事情，证明来说，商业上这个事情能不能成功，它又有很多别的因素。但这个团队有其他人，他们需要把这个事情搞好。

1:04:24对吧？你自己不要，我自己不要老操这个心，去操这个心，操那个心。不对的，我就应该把我觉得正确的事情，而且是我认为这个时代正确的，在技术上的事情怎么样，把它这个事情搞好，就好了。这就是我我我心眼里我的心态是这样的。

1:04:39今天刚好看到一篇文章在讲这个，就是你说那些跟我没关系，其实不一定只有这条路是对的，有很多条路是对的，但是只有一条路对你来说是对的。就有点像那那篇文章是一个投资人写的，我还我我最近在翻他的，他投AI的。然后他就是说，是相当于我们看外界的话就会，你这个也可以投，那个也可以投，但是如果你想象把自己想象成一个客体，

1:05:02就不是自己，你是找一个AI agent帮你做投资，那你肯定会先分析一下这个AI agent它的历史上，它投它在哪些事情上判断比较准，哪些事情上比较不准，它做哪些事情比较能耗比较低。然后你会发现，比如说它投新消费都是错的，之前的判断都是错的。

1:05:18然后投AI就都是，投科技就都是准的。那你就根本不会，不会让他去投新消费。我们自己也是，发现自己擅长什么就应该干嘛的话，就不擅长的就不做嘛，我们是有选择的呀，这么一把年纪了，你讲的也有道理。

1:05:34这是我们现在这个团队的基础上，我会倾向于说，我们就应该就是这么来做。那如果你说今天不是我们这个团队，你说今天我没有参与这个团队，我我一个人，那我我觉得我应该纯套壳。就是啥啥东西也不行，你就纯套壳就好了，搞那么复杂干嘛，对吧？

1:05:49就是我觉得是这个逻辑嘛，对吧？但是千万不要说，哎呀，就是啥都想要，啥都想沾。这个我觉得是死路一条。

1:05:57那个那个，我们AI炼金术要不要请请更新一下，我们相互督促一下呗。我觉

1:06:02得要请更新一下。因为我我现在是这样想这个事情，就是说，这个叫既乐观也悲观。什么叫既乐观？因为我自己总结说，我们肯定还努力干这个事情。但我觉得，我觉得在时代本身在变化。

1:06:13就这个是，这一轮肯定是一个新的AI带来的，这个它不是一个新消费这么一个级别的变化。它是一个移动互联网，甚至是一个PC时代这么一个级别的变化。那在这个级别的变化里，第一个是我自己要下场，我要参与，对不对？第二个呢，就是换句话说，我觉得我们做这个事，做AI炼金术，还是说，就是希望对大家呢也能有点帮助。

1:06:36因为说实话，就是我公司里太多细节的技术啊，或者模型啊，路径的确也不能讲。你你这个有有信错责任。

1:06:44我们投了什么，我也不讲。

1:06:46对吧？方向上正确的事情，我觉得应该要分享。我觉得大家千万不要浪费时间在这穿新鞋走老路，对不对？但是我觉得我们还是能够去传播，就是去讲什么东西是对的。对吧？

1:06:59就我一直是说我自己的分析一直说我觉得AI，这轮的AI，我觉得其实最头部的大模型的公司不值不那么值钱。我一直是说基础模型会走入价值毁灭，因为我觉得它就是个PC。其实PC时代的厂商比互联网时代的厂商，其实最终的无论是生存的时间也好，

1:07:19获得的利润也好，其实都短很多。对吧？因为他们之间真的是同质化竞争。

1:07:26R1出来也证明，其实大家的基础模型一定会陷入同质化竞争。

1:07:30尤其是你，你刚说第一梯队，尤其是你在第一梯队，如果还没有是第一名的话，那就更更也也很惨。

1:07:37其实你去想PC时代第一梯队第一名又怎么样呢？PC时代最早的第一名是IBM，对不对？IBM后来也，后来第二个，后来的第一名是康柏。再后来第一名是什么？

1:07:50惠普。再后来第一名是联想。哪有哪个是个真的非常赚钱的很好的生意嘛，其实都不是。规模其实都体量都不小。IBM把业务卖给联想，康柏跟惠普合并了。

1:08:01对吧？惠普现在还做，惠普现在反正这个也就是这么一个很传统的业务。就前面很多公司，对啊，阶段性这些公司看起来都是高科技公司，但是因为他们就是一个同质化竞争。为什么呢？因为IBM的PC架构是开放的。

1:08:17我这个我这个程序在IBM电脑上能能跑，我买台康柏电脑回来它也能跑，对吧？你今天一个prompt在这个大模型上能回答正确，在那个大模型下应该也能回答正确。如果回答的不正确，程序跑不通，那是那个模型没做好。

1:08:32我觉得大家现在可能还是在争的，就是有没有真的那个基点，看谁先到，就是到了之后直接甩开一千个身位，或者直接地球炸了。

1:08:41就就我就不存在说我甩开了就就炸了。就是

1:08:45一千个升位，就是当它自己真的可以高速进化的时候，就还是在抢那个点，认为到某个点会产生质变。所谓我们把它地址叫取个名字叫AGI，也不知道它是啥。对，我觉得现在大家还是就头部的那些人可能还在赌这件事情。

1:09:02这个我我其实存疑啊，就是因为我觉得今天最大的问题是模型其实有非常强的能力，但是大家都还没，就是有很多能力，因为你缺乏评测手段，你也没有去把它激发出来。

1:09:14我们回到这个AI炼金术，那你你打算写点啥，说点啥？来来来。你你先说一下，到时候我好怂恿大家来那个催你的稿。

1:09:23啊，就之前之前跟你聊嘛，其实想写一下就是八十年代的那个整个PC的发展历史，我觉得跟这轮AI的发展历史是有一个强对照的。你会看到有很多公司。有很多公司，有有就是大家今天大家可能只记得什么苹果，然后英特尔，微软，没了，对吧？

1:09:41因为其他公司都那业务都死了。但其实其实当时当时是有大量的公司跑出来，就跟你今天能听到大量的寂寞公司一样。而且这些公司中也有很多差异，有些公司是不是开放架构的，对吧？就是有很多是IBM PC架构的，那苹果就不是，对吧？什么Commodore啊，什么，有很多公司不是什么德州仪器的TRS就不是，对吧？

1:10:05其实其实这个当中我觉得就就我我前一阵在翻这个东西，我觉得还特别有意思。就是你看到，对吧？有些公司的创始人就是很硬核的，对吧？康柏是三个原来德州仪器的工程师出来说我们要做PC，对吧？当然也有公司像Commodore，它的创始人是这个出租车司机。

1:10:23呃，当然这个简化的这个过程啊，他他其实是个犹太人，在奥斯维辛，是不是奥斯维辛，在集中营待过，后来去了美国，一开始开出租车，后来去卖这种最早的这个PC。之前就就跟这一轮的AI，大家觉得特别牛。那这些人有很多人原来也是搞这些视觉模型啊、NLP模型啊，PC之前这些很多人原来是搞什么PC之前的这些芯片，

1:10:45都是用来做手表、电子表、计算器。第二个这个当中也有很多狗血的事情，就Commodore的那个CEO其实只有公司8%的股票，后来被公司炒了，被公司开了。然后这公司就衰败了。我觉得还挺有意思，就我看了一下，就说其实我觉得也一样的，就那个时代大家看PC跟我们今天看大模型一样，

1:11:06就战争迷雾嘛。你人在这个局里面，你其实看不清的。我到底应该干什么？我到底是应该用英特尔的芯片，还是用摩托罗拉的芯片，还是应该我自己软硬件一体，我自己造芯片？是多媒体比较重要，这个显示器是彩色的比较重要，还是我这CPU比较快比较重要？

1:11:26你今天大家都觉得说你就应该用英特尔的芯片吧，对不对？你就应该每年摩尔定律，每年升级一下CPU嘛，对不对？你就应该觉得说我就能跟IBM杠了吧，这非常合，今天看都非常合理，但是你人在现场看都不合理。今天你看大模型也是这这个逻辑，大家看，哎呀。

1:11:44他融了那么多钱，我能不能跟他杠呢？还是我应该就亦步亦趋抄他？我到底应该是说我就用Llama的这个开源架构，还是说我一定要发明一个自己的新架构，对吧？到底是多模态比较重要，还是推理能力比较重要？对。

1:11:58到底是我这个模型推理成本低比较重要，还是我这个模型智能高比较重要？反正这其实都是问题吧。我到底应该套壳去做应用，我就在IBM C上开发软件，还是我应该去做硬件，我应该去训练模型？其实其实没有答案嘛，今天大家其实都没有答案嘛。

1:12:13但是我是觉得说，就是这个答案我觉得从从移动互联网不太容易抄，因为它跟移动互联网不太可以比，它其实跟PC更更可比。今天有了一个非常powerful的，有智，就是有计算能力，有一些能帮助人提升智能的工具了。对，那个

1:12:29东西叫电脑。

1:12:31对。对，这个东西叫电脑。所以你应该是说我也应该去造一台电脑，然后卖给大家，还是我利用电脑在电脑上开发一个软件卖给大家？我还是我应该开一个公司，因为我有电脑，所以我外包接你们的这个处理税务的单子，对吧？这这这是不同的选择嘛。

1:12:48什么时候开始讲啊？

1:12:49过了正月十五吧。

1:12:51对对对。大家可以在评论区留言催徐文浩老师。

1:12:54所以我觉得这个其实非常，真的是非常非常像。因为大模型现在只有规模效应，没有网络效应。它有一定的锁定效应，但锁定效应比较弱。

1:13:02那大家敬请期待。然后如果没有的话，你就跑到那个AI炼金术的公众号和AI炼金术的那个那个播客下面催徐老师，对，艾特他。

1:13:11我都会讲的，会讲的。因为我我是觉得说，因为之前也比较犹豫啊，就是去年的下半年很忙，但是终于在过年前一两个月，我就把有些事情想通了，到底该怎么干。就我觉得想通了怎么干呢？你就觉得说，呃，什么能讲，什么不能讲，该讲，以及是说什么事情可能对大家都有价值，但是也不影响自己。

1:13:31我觉得就，呃，对，我觉得去年下半年其实处于一个疯狂努力，但是就是不停在踩坑的阶段，所以你也没有精力去想这些事情。挺好的。

1:13:40想清楚了就好。对，我我最近过年也想清楚很多事情，但是我后来发现一个非常诡异的事情，就是我自己模模糊糊想清楚的事儿，然后我给三个AI，然后我把情况给他说，他们基本上都第一句话都想清楚了。就是其实没有那么难，很多时候就是以AI的智商，以旁观者的视角，简直是一目了然的。

1:14:02你居然花这么久才想清楚。对。他们说，这不显然吗？O1、R1和那个Claude，一目了然指出来，诶。这个问题就是这里啊，然后你应该这样做啊。

1:14:12我说啊，行。你们都看得出来，你们了不起，就我不，就我是白痴。对。所以大家平时想不清楚，也可以让AI帮忙想一想。当局者迷，没办法。

1:14:24我现在破模型破得还少。

1:14:27心里模型是个很复杂的事情，真正是个很简单的事情，大家一定要有这个心态。

1:14:31至少我在我们我们去年的实践在部分领域已经祛魅了。之前比如说对我这种人来讲，觉得说比如说视觉模型，哇。好高级啊，哇，视频模型。但后面你发现，诶，开源的东西那么多，也就觉得还好。以及也有靠徐文浩老师介绍了一些大牛，我们每次遇到问题的时候给大牛打个电话，大牛都表示这个问题不是很难。

1:14:55然后我们就一口鲜血闷在这里，然后就，嗯，行，不是很难，那我们就想办法解决吧。然后就行行行。就就就过了。所以很多东西也是祛魅，现在的事情确实没有那么难。对，比比我想象中容易容易。

1:15:10最后就硬着头皮去做了一下以后，对。所以今年看看我们是不是，我再孵化几个项目，是直接模型级产品的，看看能不能做出来。如果你是这种模型级产品的公司，欢迎跟我们联系哈。我们看看能够提供什么样的帮助，徐文浩和我都可以。然后我们也想多多跟这样的思路的原生的朋友们多交流。

1:15:32这样子，我现在觉得就是你想把自己脑子刷成什么样子，平时就应该多跟这样的人泡在一起。所以你是模型级产品的，非常欢迎联系我们。好。那今天先这样，祝大家新年快乐。

1:15:44嗯，好。

1:15:45大家新年快乐，拜拜。