中美数据生意为何冰火两重天？从 Scale AI看懂AI商业模式|对话Orbifold AI创始人Enoch

02:21呃，大家好，我叫朱永钉，英文名叫Enoch，然后我在硅谷创业，呃，一家公司叫Orbifold AI。我们公司主要是做多模态的数据curation。这个词我我在中文里面很难找到一个叫

02:39懂。没听过这个词啊，我在中文里面好像总没找到这个词对应是啥，有可能叫数据准备，你说有点像嘛也有点像，你说数据的加工合成，呃，可能也有点。反正最终目的就是相当于是把数据搞好，然后搞成企业训练模型的这个样子，然后把数据给他，either就自己做或者是呃调用API，

03:03总之要把数据要整理成为模型能够直接给消费的这个这个数据。

03:10的。所以我们叫data curation，应该属于数据领域里面一个比较大的一个一个领域了。我们是去年五月一号成立的，然后十月份十月份融完的资。

03:38我不能说我是专业人士吧，我只能说我对他们应该还算比较熟。我自己认为其实Scale AI应该是有三个主要的业务吧。第一个就是标注，大家熟悉的，我认为就是一个人工平台。人工平台其实就是众包很多人去给他的客户去标注各种各样的数据。

03:58比如说像传统的，呃，以前早一些时候的这个自动驾驶，标注红绿灯啊，标注这个人啊，然后到现在可能更加复杂一些，嗯。然后包括做高考题这些，啊一步步把步骤写出来，可能都属于标注这个范围。第二个我觉得可能比较核心的就是做这个fine-tuning的support。

04:19如果我们认为之前这个步骤的数据标注其实更多的是说，呃让AI学会从正确的样本中去学会做正确的事情。那么fine-tuning可能更多的是偏向于说，让你不要乱出结果。它是一个教你从负面的样本中去学习如何不要不要去出一些很明显的错误。

04:41那么我觉得这里面可能比较比较常见就是我们常经常说的reinforcement learning。就human human feedback。human feedback会给你一个奖励的函数，然后human会给你这个奖励分数。

04:54每次你给AI给个答案，我都会给你一个分数。那么这个人给这个奖励分数这个过程其实也是一种标注，也是Scale AI的一个重要的一个事情。你做得不好，我就会罚你分，如果你做得好，我就会奖励你分。其实这个过程中可以让这个模型不断地能够变得越来越好。

05:14然后，呃，在这个fine-tuning这个领域里面，其实还有一件事情，比如说像Scale AI为什么跟Meta会合作。其实早年Meta在训练Llama的时候，它有一些问题，它其实不知道这个答案对不对。他可以把这个问题发给Scale，Scale可能它有，因为它底层有大量这个数据，它会告诉你这个答案是好还是不好。

05:33这个其实是某种程度的这种叫alignment，它有原始的、原生态的数据。它积累大量的数据之后，它就可以做类似这样的一些业务。第三件其实就有点像我们的data curation了，它其实可能更多的是把一些呃多模态的数据，然后把它准备成为AI的这些ready的数据，然后可以提供一些API啊，帮助企业去把它的这个data curation这个流程，

05:59这个这个workflow嵌入到企业的模型训练的workflow里面。我觉得这个业务可能也是现在开始也是越来越是它的一个比较重要的业务。这是我对我的Scale AI的一些了解吧。

06:40对，你总结得比我好。其实本质上其实就是他把企业训练，不管企业还是foundation model的这些公司，他训练模型的整个这个过程中的data这个部分，他就想把它包圆了。就形成一个闭环，相当于是他是个data platform，他可以帮你做任何关于data的事情。

06:59当然，他肯定做得最好的还是人工标注这个是他做得最好，最有名的。而且确实也是他的强项。呃，其他其实他并没有更多的，没有太多的竞争优势。

07:38我觉得有三个主要的因素啊，第一个其实是我觉得是最重要的因素，还是就是你说的就是Alex这个人是比较厉害的。因为我知道Alex做客户服务是做得非常好，客户来了他一定服务得非常好，就是他的响应非常非常之快。而这个在现在的Llama团队，其实马克·扎克伯格他对现在Llama团队的表现是非常不满意的。

08:03在那个买Scale AI之前，其实他有好多的人事变动。其实马克·扎克伯格是想解决AI这个问题，因为我们已经知道AI必然已经是未来几年的一个大趋势。那么，Llama必然想要在这个AI的竞争中要有一席之地。其实现在在美国，我认为大家大家会觉得Llama好像有点落后了。

08:25这个Zach可能自己更加清楚，它相对来说确实是落后，落后于OpenAI，比如说Anthropic，然后Gemini，它最多最多能排到第四。它一定是在这方面是要有一个大的布局的。它之前的几次采，几次那个在收购其实都很成功，包括WhatsApp。

08:44包括Instagram。其实我认为，就是马克·扎克伯格他是有这个魄力，在一些关键的时刻做一些巨大的一些acquisition，把这个情况给扭转扭转过来。而他肯定看了好几家公司，包括传说中的Runway，就是做video generation这个公司，

08:59他也接触过。但他最终采购了Scale AI，我认为number one reason其实就是因为Alex是属于他想要的这种人，他能够把事情落地推推动下去，是执行力非常强的人。能够，而且他有vision，他能够把这个事，知道这个未来要发展成什么样，那这就涉及到第二个点。

09:22第二个点就是他在这个行业里面干的时间是最早的，就是从呃最开始做自动驾驶，五六年前就开始做。其实经历过起起伏伏，包括中间还裁过员。然后他其实整个在这个行业里面，各种各样的事情全部经历过。他做的最早，然后他的平台是最成熟的，他见过的事情也是最多的。

09:43那么他就有这个经验，然后当然还有一些其他原因，比如说第第三点当然也是说这个他是不是掌握了秘密，他当然是掌握了秘密。这数据其实相当于是所有的企业的底库。你你你知道他用什么数据，其实你基本知道他在干啥。所以他肯定是知道他的竞，Llama的竞争对手在干啥，他是肯定知道的。

10:05但是我听说Anthropic其实是没有Scale AI的。Anthropic好像主要用的是Surge AI，就是那个number two。大体好像并没有用Scale AI，他早就布局了。为什么很多用Scale AI的公司纷纷逃离Scale AI呀？

10:18在收购的时候纷纷逃离Scale AI呀？其实就是因为这个原因。就是我用什么数据，我向Scale AI采购什么服务，其实我是知道你在训练什么事情，你今年聚焦在做什么事儿。其实对Scale AI来说，它可以一清二楚。就是为什么对于我们这种类型的公司，我们一般是在网站上从来不会说我客户是谁。

10:39因为这个东西我说太多了。其实很多时候，那我的客户互相，其实他们竞争对手之间可能就互相知道在互相在干什么。那

11:17重要吧。其实Alex这个人，他其实也结合了各种情况，呃，一个平衡后的结果。我认为他是应该把他企业的市值的1%到2%，应该是拿去做一次大的收购。我觉得这是他的计划。我觉得对于一个这么大规模企业，比如说他两万亿市值，他拿两百亿去收购一家企业，是在他的预算范围之内的。

11:41我觉得Zachary一般都会拿个1%到2%去做一个大的收购，在一些关键时刻点他追不上别人的时候，他会做这么一件事情。那么它的价格是摆在那儿的，150亿到200亿这个规模。那这家公司它可以做一个非常大的收入。那么其实你放眼一看，最适合收购的公司可能就是Scale AI，因为它的市值已经足够大了。

12:03然后呢，它能够给Scale现在的投资人带来一定的流动性，然后让Alex可以离开这个公司，然后去大刀阔斧地在那个Meta去干，嗯，最核心的事情，帮助Llama，然后能够在这这个竞争中获胜。同时这个数据是极其重要的。所以我觉得150个亿里面，应该说100个亿是买Scale这个公司，然后有50亿应该是买这个人。

12:38我觉得应该是两者结合在一起的。嗯，那么，数据重要，肯定是，肯定是非常非常重要，所以他才买了这个公司。嗯。那么到底有多重要，我觉得这个事情我觉得毋庸置疑，但是他最后是会怎么去使用，我觉得我觉得从现从桌面上肯定是看不出来的。

12:55桌面上大家都说，哎，Scale AI说我是我还是独立的，我还是独立运营，对吧？然后Meta他也会说，我们的合作关系还是跟以前差不多。对。但是从他的客户大逃亡，其实就基本能够看出来，肯定不是这么回事。Tiger AI也是个很神奇的买卖，因为它只是也是买人的。

13:18然后，然后他留下来的人是平均分配的，然后每个人的股股权是一模一样的。

13:29每个员工对，就是现在留下来的每个员工的股权，没有一个人的股权比任何另外一个人多，就是完全平均分配。

13:57我觉得企业内部的数据其实是几乎反正企业也不会分享出来，所以说数据枯竭其实这个事情是肯定还没有发生。但是数据合成这件事情是不是同时也在做？当然也在做。比如说NVIDIA早前刚刚收购了一家公司叫Cretor，就是做数据合成的。

14:15当然花了很多钱，我忘了是多少钱了。所以这种类型的公司其实已经开始啊，做得非常非常之大了。呃，但是这不矛盾，你说数据本身枯竭没有，它其实肯定是没有枯竭的。包括是公开数据，其实每个人的用法也不一样，所以它它离枯竭还其实还早。

14:35在企业内部的数据开始使用其实还刚刚开始。就企业，你可以设想一下，如果假设你是一个大企业，你有五千个员工。现在想象你自己个人的电脑，你自己个人电脑，你用十年之后，假设你你的电脑一直都很牛逼，你用了十年，你是不是经常清理你的你的你的这个空间？

14:55你可以想象一下，就是如果你的空间也足够大，你是在云上面，你是不是不断往里面塞东西，塞东西？那么对于一个五千人的一个大厂来说，他他的员工也不断在往他的云里面不断的塞东西。然后你你想象一下五千倍的规模，到了十年，有有很多公司可能不止十年二十年。

15:15三十年都有可能。他这么多年以后，他他积累了多少数据，但这数据他都不会删哦。这数据一直都在这里。但是他要开始训练自己的模型的时候，其实你会发现，他这些数据他都想用起来，因为这些数据其实是一个历史的一个快照，它都是有一定的作用的。

15:34只是他训练模型的时候，他需要把这个数据，呃，把它准备好，然后去训练训练他的模型。当然也包括他每天的，每天呃处理的数据，呃最新的数据，可能价值是最大的。他也会对这些数据进行抽取，又通过AI进行提取，然后把它放在一个查询系统里面，比如说一个RAG系统里面。

15:53这也是，呃，他同时需要做的事情。所以数据的枯竭这个肯定是个伪命题，因为数据肯定是枯竭不了。数据一定是生产的，生产的会越来越多。当你的AI能力越来越强的时候，数据的生产也会越来越多。

17:03对，我觉得Vertical AI。嗯，从你这个角度来说，你说，呃，是不是通用的AI能力能不能覆盖Vertical AI的这个能力，我觉得，我觉得这个问题一定是，一定是不一样的。就是通用foundation model，它一定不是个全能，什么领域都非常牛逼。

17:23如果什么领域都是非常牛逼，其实它这个系统会有非常多的幻觉。Vertical AI和两个不同的vertical，它可能对同一件事情的理解是相反的。比如说你是你是银行，还是你是借贷的来访，你对这个钱的理解可能也是不一样的。AI，Vertical AI一定是有它存在的存在的价值的。

17:44通用模型。他一定无法做到对每一个领域都是专家。就是他一定是，他一定有vertical的能力。另外一个第二个，Vertical AI它本质上它它的深度是个无限的往下去钻的。就像我医生他他的技术是精益求精嘛。

18:01那你不论指望一个foundation model，它对于医生这个领域它能够做到精益求精。它的它的目标，它的训练目标就不是不是干这个事儿。那么如果我做做一个AI的医生的话，它的训练目标就是要做最好的医生。它把每，它其实是，它其实也是模仿人类，比如说我就是妇产科医生，而我要做最好的妇产科医生。

18:24那么我就要拿这个专业的数据去训练它，它就不断去挖掘它已有的数据的这个这个积沉淀出来的这个数据的价值，然后去把这个AI能够训练好。每个领域的数据一定是首先是不一样，另外一个它都有它独特的价值，然后一定是在训练这个Vertical AI的时候是最有用的。

19:15对。必须的。这他肯定不是，现在没有一个企业自己训练自己，不会说AI是从从零开始训练的。现在已经几乎肯定是不会有这样的公司，他是他是做这这样的事情。一方面成本太高了，另外一方面其实foundation model，其实很多事情都做得挺好的。

19:34我认为企业大部分时候都在做，我刚才说的两另外一件事情，就是确保你这个AI不会在这个专业领域出错，就是出很明显的这个纰漏。我觉得这个事情是现在企业训练AI的一个很重要的一个一个一个训练的一个目标。我

20:40我之前也是从marketing就知道，我之前也是从国内想，呃，融资，然后我就想说，哎，哎，是不是标注，因为我以前就干这个，我就想说这个事情，哎。在国内要不要搞一下？结果其实大家都不看好嘛，就国内的投资大佬都觉得这个事情好像不那么靠谱。

20:56哎，我到美国来，反正大家觉得这个事情就挺有意思的，大家都觉得这个事情值得做，因为数据是底座，它真的是把什么数据作为三大底座中的一个。但是中国其实不是这样，中国其实觉得是一个现金流不是特别好的一个business。我觉得其实也是跟两边的这个商业模式不一样。

21:14比如说在中国，可能你如果做数据标注，你可能就是个保姆式服务，你要帮企业把什么事情都搞定，最后你的利润可能会非常之薄。但是在美国其实，即便做标注也可以做成平台。做成一个，就是做成一个，呃，SaaS的一个服务的，一个一个公司。

21:36即便是做人工标注，它其实也想做成一个人力平台，就是每个人都可以上去贡献，我可以在上面做自己的事情。但是像Scale AI这样的公司。它其实运营这样的一个平台，它的cost是可以非常之低的。每个人就像Uber一样，就像滴滴一样，你就上去，你注册个账号，你是什么，你有什么样的专业技能，

21:56你就可以开始去做一些事情去赚钱了。它只要把这个平台做好就可以了。而中国可能大部分的做这类事情的公司，可能最多都要做端到端的服务。那这个其实，我其实它的道理就跟中国的SaaS公司为什么远远没有美国的SaaS公司值钱，其实是同一个道理。

23:13好？我觉得你提到的这个Amazon Mechanical Turk是很很好的一个例子。就我觉得Mechanical Turk其实也是属于，呃，众包平台服务。为什么Mechanical Turk其实是做，其实在众包上可能做得可能更加大、更加成熟的感觉啊，

23:32而且是Amazon做的。但是为什么Scale AI胜利了？其实我觉得所有的此类公司早期的服务其实也都是保姆式服务。就是刚才说的Alex，它也是一个能够保姆式服务好每一家企业的一个过程。但是这个在中国它是偏向于说你保姆式服务永远就是保姆式服务了。

23:52但在美国，它可能一家企业它做了一段时间之后，它也可能就会抽象出来一个platform，它的服务就变成那个一个API服务了。但可能未来可能是，啊，双方都可能更加愿意轻量化去做这个事儿。因为因为美国的这个可能人工的咨询费是比较低、比较贵的。

24:12比如说，呃，假设我给了你一个SaaS服务，然后你要我，你要我来给你派一个，呃，软件工程师来帮你去去调试这个服务。我可以收你，在美国我可以很正常的收你两千美金一个小时。但在中国肯定没有人，乙方可以向甲，敢向甲方。

24:35对。这个exactly，这个就是问题嘛。其实就是说白了，双方都提前有个意识，就是，哎，我做着做着，如果这个东西已经成套路了，那么我就变成API服务，或者变成某种程度的一个平台式服务、SaaS服务。然后这样其实慢慢的，它的利润就可能越来越高。

24:54其实Scale AI一直到现在还被人诟病，它的business非常奇怪，好像是个非常customized的服务嘛。所以很多投资人是不相信Scale AI的价值的，原因其实也在这里，就是因为它起家就是做很多的customization。所以以后慢慢的，它当然，它的它的利润率其实可以做到越来越高，但早期它肯定是shave one的。

26:20对。我们以前在阿里时候也用过。我觉得其实Scale AI的产品，我不能说是很好吧，因为我觉得它也不是太面向于to C客户，所以它没有必要把这个东西做得非常非常之好。因为比如说你是它的一个key account，它是有account manager来服务你的，

26:38它是有专人来跟你对接，教你怎么用它这个平台。它没有，它没有，它没有必要把UI做得非常之好。但需要的其实就是要customer success，就是要这个客户他用了你的服务，他真的能够成功把那个模型训练出来，然后然后你的数据质量真的是很高，或者是刚才说的，就是你多做一步。

26:59这个其实在美国其实就叫真正的保姆式服务了，多做一步就告诉你说，哎。其实这个事情其实应该这么搞，呃。他有这个，他有这个经验嘛，而且他可能自己也曾经为别的客户服务过，他就可以给出你一些比较好的建议。我觉得这个就也是它的价值。

27:16当然，我觉得归根到底还是说创业者他本身是不是属于那种，就是，嗯，真的愿意把客户放在第一位。我觉得其实这个是一种很不一样的这种心态。我觉得有这种心态的创业者，他的成功是相对来说是比较有路径可以走的。就是他做的这个事情，可能他这个事情不是一个很好的business，他最后也能把这个做得比较成功。

27:42反之，如果说你不是有这个思路的话。不是有这种mindset，呃。即便你占了一个非常好的赛道，可能也不是你，你可能也不不能做到，做到非常好。

28:09刚才说的Scale AI有三个能力，第一个是做人工标注平台，人工标注；第二个做fine-tuning；第三个是做delegation。可能我们更多的是偏第三个，我们其实相当于是希望把我们的workflow能够，啊，融入到，嗯，

28:25企业的workflow里面。嗯，打个比方说，一个企业想要训练一个，做一个AI AI的一个email email的这个这个客服。美国很多客服是email完成的嘛。他做这个事情的时候，他可能在这个过程中，他需要把他收到的每一封信都要读读一遍，附件也全部要全部要做一次理解。

28:47然后如果，呃，这个邮件里面涉及到某个客户名字啊，然后某一个订单的订单号，一封新的邮件意味着这些订单或者这些客户都有新的状态更新。那么其实AI读完之后，要能够在它的系统里面能够更新一下这些客户和这些订单的状态，收到之后立马就处理。处理完之后，然后你就把它写在一个一个知识库里面。

29:12你可以认为是一个RAG，或者某种程度的一个Search Engine。然后放在里面之后呢，然后你的你的AI真的需要回复一份邮件的时候，它收到一份邮件需要回复的时候，它就可以先去查询这个相关的信息，这样它就确保它得到了最新的最新的这个有效信息，然后去回答这个，

29:31呃，邮件。你可以看出来，其实我们可以把我们的workflow，包括读一份邮件，理解它的附件，理解它的里面的一些链接，做成我们的一个一个一个workflow，有一个API，然后可以让它去调用，然后它就可以把整个这个它的模型。

29:48它的AI，这个这个AI的客服的最终这个产品里面的这个data这个环节，就可以通过我调用我这个API就可以完成。我就可以融入到它的这个workflow里面。这样的一个过程其实就，嗯，是一种。我这首歌来说，我可以做我的AI去帮助企业去把它的数据准备好，

30:11我嵌入到它的这个流程里面，让它能够把它的AI application做出来。这个其实就是我们说的data curation的概念。我们是一个curator，我们相当于是是一个管理服务人员。然后我底层也有一些AI，也有可能有一些其他的一些手段，然后能够让你把这个数据构建好。

30:33但是构建好不好的标准，其实就是你的AI能够跑起来，然后这才是好的标准。但是我们其实是没有人工的标注的团队的。所以我们其实是跟Scale AI一个很大的区别是，我们并没有去做人工标注这个业务。因为这个业务我们觉得其实已经属于在美国，其实已经有很多玩家，大的小的其实都已经挺多的。

31:00嗯。所以我们从一开始可能聚焦的就不是做这个事，我们更多聚焦于做这个多模态的数据的curation，包括视频啊、图片啊、语音啊、PDF这些。

31:41吗？其实现在企业去搞它的AI application都不会搞这么复杂。就你说的这个可能说历史上两百万封邮件全部读一遍，客服这个系统可能相对来说，这是个比较好的例子吧。也比较简单，就是它其实历史上它只要，比如它这个客户是十年前就已经建立的一个客户。

32:00那我是要把历史数据全部读出来，我才能知道这个客户的整个跟这个企业之间的一个连接的timeline，我才知道嘛。所以我的AI相当于处理历史数据的价值在于，我要把它的每一个客户、每一个订单的一个历史信息，我全有一个timeline能够构建出来。

32:20但其实它最核心的可能是最新的数据，就每天进来的每封邮件它都要处理。它底层可能更多的是说基于历史数据，历史的这些邮件。它可能会做一些fine-tuning，然后让它的这个customer service能够讲专业术语，比如说它这个行业的行话，它能讲出来，这是第一种。

32:44第二种是说，它能够对它企业的这个workflow，能够通过这个邮件能够理解出来你需要做什么事情。其实邮件的训练其实能够起到这样一个作用，把它企业的这个做这件事情、做客服的这件事情，比如说查哪个系统，得到某个信息，这种信息通过AI训练，它能够得到某种程度的一种理解。

33:35这个问题其实是这样两个。第一个是说，它的邮件其实是有ERP系统的后面的支持嘛。Communication过程中，它其实是会，比如说内部的沟通中，它可能会说我要去查一下某个东西，或者说它的邮件是压根就是跟这个业务流、这个ERP是打通的。

33:56在邮件里面它是可以学到这个东西的。第二个问题是，有些东西、有些流程它是线下的，确实这个问题是需要对方能够把这些线下的一些东西能够接上。那么这个，所以说ERP系统的自动化，它其实是有些人工的东西的，它没法做到完全的AI化。

34:19你只能说，我某些模块我是能够AI化，但是某些模块我可能还是需要人工去做一些操作。

35:22我认为这种客户可能也比较早的判断，就不是你的low hanging fruit，它确实是比较难做。因为我知道你说的这种情况，有很多连ERP都没接的，它什么都是靠后台自己做。其实我觉得可能客户它也比较小，要AI化其实是相当难的一件事情。

35:40在美国其实这已经有一定的成熟度了，就是有大部分企业它其实有一些很成熟的ERP系统，然后他们背后的数字化做得还可以，也有点也很乱啊，但是它至少有一定的程度的数字化。就是美国用SaaS软件已经用得非常之多了，所以说它在这方面它会有一定的数字化的一个过程。

36:05但是它的系统各种老的系统、新的系统，数据孤岛，那也是普遍存在的。它就是因为难，所以这个问题才值得AI化。所以为什么最近有一家做ERP自动化的一个公司叫Doss，D-O-S-S，刚刚融了多少？一千八百万美金。它就是要做这件事情，就是把美国的ERP系统要自动化。

36:46我觉得早期AI公司的low hanging fruit都是这样的。你完全没有AI的底子，你说是个纯制造业的一个企业，它已经从那连连数字化都没做，它一下子想做AI，我认为你是无从下手。我学啥呢？那你只能用ChatGPT或者用DeepSeek先自己玩玩呗。

37:08就没有办法构建一个AI系统，构建一个agent系统给你，它根本还没有到这一步，所以它属于未来要解决的问题。那现在这一步它可以慢慢地，它可以，但它这种企业如果完全是小白的话，它也可以从小白开始，沉淀这个数据和流程。它可以先采购这一套系统，然后先开始做，让所有的数据先沉淀在这个平台上面。

37:37得可能也跟他们会有点像，但是Glean可能更多偏一些简单的文档啊。我认为Glean是一个文档中心吧，我们可能更多会有很多的视觉数据会比较多一些。

39:16对。这个问题是个好问题，就是我其实跟企业的规模有关系。就是SMB其实是会有AI SaaS公司去服务他们的，我们就服务SaaS公司。因为我们直接去服务所有的SMB，其实是相对来说我觉得还隔一层。这一层就是它最后是要deploy一个model，然后做它或者做它的AI application。

39:37这个其实是对于每个企业来说相对来说还是挺难做的。如果是enterprise，enterprise有个问题是它的系统有可能一方面比较成熟，另一方面可能都是自己做的。那么它面对的其实是完全不用，它自己本身就有AI SaaS的这个功能。

39:56它内部有很强的IT团队或者软件工程师团队。其实你看美国的Fortune 500，基本上每个公司都有很强大的呃，自己的一个技术团队。所以这种公司它大概率不会去自己去做，去找一个AI SaaS公司帮他去做这事儿，他他就自己做了。

40:12所以他自己其实就是那个AI SaaS。然后在这种情况下，如果没有一家AI SaaS的一个公司的话，我们有可能就会直接服务。

40:47我觉得email这个情况是相对比较特殊，因为它里面的敏感信息太多了。我认为这个其实像SMB，它愿不愿意交给AI SaaS公司本身都是个存疑的问题。这个商业模式我觉得，我觉得大家都还在还在做，还在看。那么企业如何把它的数据给SaaS公司，尤其email这种非常敏感的一些信息，呃。

41:13其实这里面每个企业是不一样的，有些公司在美国，有些公司它在这方面它非常之敏感。有些行业比如说保险啊，它数据甚至都没上云，它跟国内一样，它都没上云。像马斯克，马斯克他的他公司的数据也不上云的。其实跟这个企业的文化也有关系，他他如果这个数据，他对这个东西他看得非常重，你是你很难进入这个行业，

41:40就很难进入，或者这这个企业你就很难进入。但是有些公司它可能会相对来说，你只要有比较好的规范，比如说你是SOC2 compliant，他可能他觉得他是可以放心的把一些相对敏感数据可以给你的。在这个情况下，很多事情就可以做了。

41:58所以现在我觉得其实在一个行业，在一个在一个transition的过程中。其实很多时候，嗯，说不清楚这个问题。

43:52我觉得你说的对，呃，就。是那个数据其实是每个企业的一个核心核心的东西嘛。但它的数据乱，但是它也要用起来。另外一个就是说，呃，如果我为他服务，我是不是就把一个模型训练出来。然后我觉得其实在美国大部分可能都不会去干这个事儿吧。

44:13我觉得每个人在签合约的时候都会划好边界，就是我会跟你做这个事儿，甚至你的数据，我我的数据我都保证我不会用你企业内部的数据去做任何事情。如果数据来自于你，呃。啊，如果数据本来就是我帮你去搞的，那可能是另外一件事。那数据本来就是你企业内部的数据，其实我们都合同里面都会签，说我们数据只是在我这经过一下，我是不存的。

44:38所以我我其实完全不会对你的数据做任何事情。甚至说你看OpenAI，它的它也有这种规范。比如说它说，呃，数据，我们企业，我们是企业用户嘛，企业用户其实它数据会存一个月。

44:51嗯。你还得发信，你还得发信给OpenAI说，哎，你一天都不能存哦。他也会同意的。你只要把理由说清楚，因为他的30天只是做audit，就是万一未来出了什么事儿。OpenAI其实它也是有这种data retention，叫data retention的一个policy。

45:09如果你是医疗行业，他他他肯定，你你发信给他，他肯定说，哦，嗯，那那可以，我一天，你的数据我一天都不存。免费的用户，你用OpenAI，可能OpenAI会拿你的数据去训练它的模型。但如果你是付费，像我们这种付费用户，他是不会轻易拿你的数据去做任何事情，他会，他应该，他也不敢去拿你的数据做任何事。

45:29所以其实，呃，企业对企业其实也是一样的。如果数据是你的，并且你是通过，你在通过我这儿，我帮你加工，呃，做做了一个data curation，其实我们完全不会去对你的数据做任何事情。你的数据，你的数据是完全，我是完全不care的。

46:19了。我觉得这是喜闻乐见的，我觉得这是一种生态。我觉得四大模型厂商，我觉得他们都不会care这事，因为他们他们本来就做了MCP，本来就是干这个事的。就是让你们能够把他的模型用起来，他的核心赚钱的地方是，他的模型有人用，调用一次收一次的钱，这这他躺着赚钱不好吗？

46:39其实是帮他构建生态。我说白了，我们在每个云平台，我们每个云平台都抢着给我们钱，为啥呢？相当于是我们是在给他构建生态。我用哪个云平台，相当于是说，呃，以后我我的客户机也都在这个云云上面了。这对他来说不是非常好的一件事情吗？

48:07我觉得我我可以举个例子说，比如说啊，我我现在服务一家客户，假如他是做比如说保险的AI，我就举我就这么个例子啊。他其实在前端他是做比如说做claim processing，就是处理这个claim。他是需要做大量的呃开发工作的。

48:25他这种的AI SaaS公司，他其实是有大量的事情要干的。比如说他要把这个AI解读出来的这些文档，需要给它做一个timeline，做排序，对吧？然后在中间找到一些问题，呃。哪里哪里有问题，哪里没有问题。他要给他是在实际是他是要实际解决客户问题的SaaS公司。

48:46他其实他的核心是要把前面做得非常好，他才有竞争力。数据这一个其实他能够让别人去做，他他认为的脏活累活对我们来说就是好活。我们其实帮他把这个事给做了，他专注于把他的客户服务好。这对于双方来说是一件双赢的事情。我理解

50:35对，我觉得这个事情的前提是说，呃。它的数据全部是自己的。我觉得数据是你自己的，是你独特资产的话，我觉得这个问题不用担心。因为你的数据是你独特的数据嘛，我帮你加工，帮你帮你搞好。但是如果说你数据都是通过其他地方搞来的，或者都是公开数据，那这个时候其实可能会遇到你说这个问题。

51:00嗯。嗯，你你知道训练模型需要哪些数据，另外一家也学的是什么数据。最后如果是同一个底层、同一个供应商，可能大家都得到了类似的数据，然后最后可能训练出来的模型差不多。我觉得这个其实就变成了，其实不是一件一个data creation公司像我们这种公司的问题，

51:18而是问题在于更底层，就是数据的sourcing，就是这个过程，可能就那个供应商是同一个，他给你们都提供了同样的一批数据。其实在这里，但是大部分企业多多少少会有一些独特的数据的。比如说你说你说两个video generation的公司。

51:38他的客户面向的群体稍微有点不一样。比如说有一家是专门面向这个普通的这个文娱类型的，另外一家可能专门针对好莱坞的studio的。他可能两家的数据慢慢的就不一样了，他就开始分开了。他每个的商业模式还是会稍微有点不一样，他慢慢积累出来的数据也会也会很不一样。

51:59其实这种情况我们都见过，看上去好像是一样的公司，但是他们的竞争优势不一样，就在于他慢慢他的数据能力分化了，他他自己积累的数据不一样，然后慢慢的就，嗯，就不一样了。我们给他们处理数据的时候，可能也许方法论是一样的。但是他们是数据是数据集，他们原生的这个数据集是是是完全不一样。

52:47对。其实一开始冷启动可能都是公开去找数据，公开数据集。很难有自己独特的数据集。做多了之后可能慢慢知道，

52:59可能去marketplace采购一些数据集啊，或者huggingface上一些什么数据集，自己慢慢调试出自己的一个，跟炒菜一样。可能每个人，即便是公开数据集，他可能每一家公司，他他的侧重点不一样的时候，他可能会选择一些不同的数据。

53:16因为数据太多了，其实筛选很重要。所以慢慢的可能也会开始开始不一样。

54:05我觉得这个就是一个data sourcing的问题啊，其实其实一个其实跟data creation其实不大一样。data sourcing的话，其实首先你要想清楚自己的商业模式嘛。你如果你想着比如说你的目标是做coaching，那其实你开始你你就已经就要拿这个base model就已经开始把这个应用构建起来，

54:24先跑起来，然后慢慢积累出一些一些数据之后，你你这个数据的飞轮就能转起来嘛。如果说你一上来你想说，哦，我就想要去来买一个这样的数据集，嗯。嗯，那这个数据集其实也是有的。你要找一些传统的做你们这个行业的公司，然后去向他们去买这种数据。

54:47这个就需要你去source这个数据集，专门做data sourcing。也是有公司做这个事。他可以帮你找到对的公司，然后帮你去花钱就去买这个数据。这个买就跟买域名一样嘛。域名你买不到，你你你这个域名被人注册了，你现在想要花大价钱去买，你自己去找这个人这个人去谈嘛，

55:08还是说你找个中间商，这个中间商呢他他他去对接，然后让你去把这个域名给买过来。其实道理还是同一个道理，就是这个数据如果你一开始呃说我不想积累这个数据，我上来就要成为一个SOTA，一上来就是个killer app，我就要一开始就有呃别人积累了10亿年的数据，我一下子要全拿过来。

55:29那这个事情就要花钱去买，否则的话你就是慢慢积累。其实这是两种不同的实现这个事情的路径。

56:09呢？那个数据肯定是有用的嘛，因为其实AI就是鹦鹉学舌嘛，你数据有啥，它就它就能干啥事儿。所以你说你想做这个事儿，你买这个这个直接买这个数据集肯定是有用的。只是你能不能用好，这就是两码事儿。

56:48其实这个问题变成了说你认不认为这些专业的这个coaching的公司里面，比如说有十个coach，他在这个行业里面干了二十年，然后他的经验有没有价值的问题嘛。其实本质上是问这个问题。他的这个经验，因为foundation model肯定是不会去拿他的数据训练，因为这数据是private。

57:08那么他现在现在也积累了二十年的经验，这个doc一个医生，他他有二十年的经验，你认不认可他的价值？你不认可他的价值就没有用，你认同他的经验的价值，那这个数据肯定是有用的，你就去挖掘这个数据的价值。

58:09如果我从端到端做的话，因为我不做端到端，但是我如果端到端做这个事的话，我其实一开始是会设计，设计你的训练数据集。本质上如果是这种类型的模型的话，就是Q&A，Q&A pairs。你就不断的问，你现已经有，已经有很好的数据集了，对不对？

58:26就是你已经有coaching，比如说有两百个小时的coaching的这个这个这个audio，然后你transcribe成为文字，你就使劲的来，比如说用用notebookml类似这样的工具，你就使劲问他，你设计一个一个survey，有点像个问卷，设计一百个问题，每一段你都问他这一百个问题，

58:45问同样一百个问题，然后他答案是什么，然后你答案你让他在原始的这个文档里面去找答案，然后最后设计出比如说设计出一个一万或者十万个Q&A pairs，然后你就塞到什么AWS Bedrock，让他给fine-tune，你就试一下，大概去大概率去试，质量比你想象中要好很多。

59:19你就设计一下，比如说，呃，其实coach问的，这个coach在这个session，呃，开始问的第一个问题是什么？嗯，他会找的第一个问题是啥？嗯。然后你你要是，因为你是懂这个行业的，相当于其实这相当于，这一百个问题设计其实就本质是做feature extraction嘛。

59:38对，你就extract这些feature，嗯。然后你就把这个问题提取出来答案，然后呢这答案就是ground truth嘛。这答案ground truth，然后一百个问题就是然后feed进去训练嘛。

1:00:00为了方便你听懂，你你用人工标注员去做也可以啊。我的意思是说，你你要想节省你的这个pre-training的时间的话，用Notion、Google、或者ChatGPT或者DeepSeek，你就设计一百个同样的问题，对你的每一个不同的coach的不同的session，都都去问这一百个问题，

1:00:21然后得到这个答案，Q&A pairs，然后side by side，然后你就做个训练。

1:00:39一般会比你想象中好，根据我们的经验，因为它这个训练模型其实本质上还是在学你说话嘛。

1:00:51它其实Q&A pairs，你的Q&A pairs其实是你的ground truth，它就学会你你这些问题的答案。其实你发现，所有的所谓的fine-tuning，其实在一个技术模型上做fine-tuning，本质上都在干同一件事情。

1:01:05你不是在Q&A的pairs给他一些instruction，或者就是一些图文对啊什么的。其实你本质上都是在干这个事儿，只是说你怎么把你的Q&A这个这个pairs设计好，这这只是一个起点吧，我觉得这是个starting point。

1:01:26我觉得现在训练一个模型的很多东西都标准化了嘛，核心还是准备好你的你的数据集，包括很多时候你还要做一些对比学习吧。你如果不想做太复杂的post-training，你你可能这个你不仅要准备一个正样本，还要准备一个负样本。比如说这个对这个问题的答案，什么是好答案，什么是不好的答案，你也得跟它说。

1:01:56文字上，文字上就是Q&A，就不断问问题，然后得出结论嘛。

1:02:18对，我觉得coaching，我不是理解这个什么feature比较重要。其实其实你的脑袋里面对于什么比较重要，可能也也挺关键的。的确要比较重点的去训练。因为数据有的时候会，你在做的过程中可能会发现数据可能跟你想的其实不一样，或者里面有很多脏数据，

1:02:38就是是你开始没想到的。然后慢慢的你才你你才会发现，OK，原来这些数据我是要去掉的，它会影响结果。

1:03:13每个vertical，你只要做几个客户之后，你就你就你就能总结出套路来了。每个vertical其实挺不一样的。大概的套路反正就是你上去你先你先看他解决什么问题，然后从解决问题的角度，然后再去看他的他有什么数据，他数据长啥样。

1:03:32嗯，什么重要什么不重要。比如说你就说email email这个，客服，就是想一想其实他客服他其实有好的客服不好的客服。然后你要选哪个，

1:03:43其实是很关键的。你选那种绩效好的客服肯定是最有效的。那种一个邮件来来回回四五十趟问题还没解决，这邮件那种信息量是大，但是但是你不应该选它。你你这个反而是个负样本。这很多时候对于他的这个情况可能就是呃比如说客服类的，你慢慢就总结出来了哦，你我现在知道什么是你们公司的好员工，

1:04:10什么是你们公司的不好的差员工。其实你至少得我得有个baseline。然后这样子我从能我我才能从你这个这里面去再去细分哪些case是好case，哪些case是不好的case，然后再去再做再更深层次做那个数据的加工。

1:04:39我觉得事情本质上是差不多的，我待的两国的可能商业文化不一样，导致可能有些事情在美国的话，它可能更加倾向于是说各司其职，嗯。然后把这个事情大家去做好嘛。某些细分领域也挺卷的，但是整体来说最后你能够慢慢把这个生意能够做成一个比较类似一个SaaS型的一个一个一个产品出来。

1:05:06在美国其实刚才说的套路，其实其实在美国创业公司也是有套路的。一开始我们叫做founder-led growth，通过founder自己去找到PMF，然后去找客户，然后就找到，然后就找到增长点。然后慢慢的呢就变成sales-led growth，找找几个sales，然后可以是比较junior的sales，

1:05:28然后去复刻你的SOP。然后去去去去做这个。最后你永远都不是最后要做成product-led growth，你就最后永远都要有一个好的产品。嗯。所以从founder-led growth到sales-led growth到product-led growth，

1:05:47每一步其实都是都是一个跳跃。所以我觉得美国的，就是从投资人一直到创始人，到客户和呃甲方乙方，互相都其实知道，最终目的大家都在做成product-led growth。这这个是所有人在创投圈里面大家都有共识的一件事情。

1:06:09但我觉得中国是没有共识的。这我觉得在中国是比较难的事情，比较难做这方面生意的一个一个一个地方。我觉得事情本质最后一开始跟其实服务的目的都是一样，都是解决问题。

1:06:24其实一开始我觉得一开始起步大家都一样，但是慢慢到后面其实在国内可能很难有一个清晰的发展路径。你要么就做一个很牛逼的to C的企业，比如说我做成字节，做成阿里，你可以一飞冲天，你做好一个平台，然后然后大家都来用。嗯。但是B2B可能很多时候就变成了一个没有很清晰路径的一件事，一种可能你被倒逼可能都要去做做一直做同一件事情。

1:06:51不断的去做，做可能比较不是特别高效的一种一种方式去做事。

1:07:17我觉得跟跟买呃双方都有，我觉得确实因为没达成共识嘛。你想做成a product-led growth，可是你的客户不认为你应该做成product-led growth。他认为你脱离了他，所以我觉得还是共识的问题。所以说我说美国几乎创投圈几乎全部都是有共识，最后最后你一定要做成product。

1:08:10我觉得比较大一个坑，我觉得首先确定先下定决心。我觉得因为我觉得，很多时候，很多时候这条路因为中美的关系，可能CFIUS法规啊，还有反向CFIUS。其实很多时候会让这条路比以前要艰艰难很多。其实中国人是比较适合创业的，我们有商业文化，我们有我们有卷的文化。

1:08:31其实在美国其实可以做得非常好，而且我们有很好的这种数学功底啊，在AI这个时代其实是非常适合中国人创业。但是因为各种各样的原因嘛，然后其实我们能够出来的人并不多。一是你确实在做这一行，另外一个你确实是看到了这个全球大市场，然后你知道来美国做这个事情的价值所在，

1:08:55然后你能够下定决心过来。因为其实这个相当于是说你如果来美国，你你作为创始人，哎，根据CFIUS其实是你是相当于要开始移民美国的路上了。就是你已经开始走上了这条路。那么这件事情其实变成了你已经，你就未来想要来美国。这个首先是你自己从个人和家庭的角度。

1:09:16要先定位好，这个是不是你要做的事情。嗯，第二个其实你选的是什么行业，比如说你是选to C，其实你还是看到不少成功的例子，人在中国然后市场在美国，我觉得是这个事情还是可以做到的。但是如果你是做to B的话，基本上你你你是真的人人物理上人要在这里。

1:09:37因为客户不大可能去相信一个人在中国的，方的在中国的一个企业能够去很好地服务好他。他对天人是没有这种信任的。我觉得这类坑的话还是还是有一些吧。其他的比如说融资方面，你是选择什么样的呃VC来领投。嗯。

1:09:57可能这些决定了你未来的发展的一些方向，比如说，比如说你是大部分可能是一个技术型的。Founder创业，技术型Founder创业，那么你可能也要注意，综合一下你的VC里面是不是有能够帮你做好本土化的sales，嗯。这些事情，可能这个，嗯，这方面的，这这这方面的support来自VC的support，因为他投了你，

1:10:22他对你的support是百分之百的。那么这种support跟其他support是不一样的。对。然后如果你是本来是做marketing，然后你你你那你此时你你创业的时候，你要找个技术合伙人，或者说你需要有个比较技术功底比较好的VC来支持你。

1:10:41我觉得可能这些VC领头这方面可能要可能要注意。

1:11:24我觉得没有人会去查你有没有绿卡。我觉得谈生意的时候呢，你也不care这个。谈生意，我觉得所有的东西都是一种给人的感觉是什么吧。如果你公司从头到尾客户也都是中国公司，那VC也是中国的VC，那么其实给人的感觉你就是一家中国公司。

1:11:41你如果某种程度上能balance一下，平衡一下，或者你的员工里面有很多本土的这些人，嗯。种族比较多样化一点，那VC里面也多样化一点。这个问题其实不大，因为因为其实大量的美国公司都这样，都是他的那个什么CEO、CTO或者CMO里面总有一个是中国人。

1:12:06国人。所以我觉得，我觉得这个问题可能不大，但是你要有点平衡吧。我觉得这点比较关键，平衡一下就好。

1:13:25我觉得可能最后是一个，最后你应该变成一个数据平台。就是你可以想象一下，就是当年Databricks和Snowflake怎么变成平台的。可能一开始只是提供一个BI BI的服务嘛，因为从应用层，我我认为上一代的business它可能最主要的一个一个一个一个服务是是BI或者是数据分析。

1:13:47那么我们这一代可能都，我们这一代可能都是agent。那么我为AI agent去做好这个数据数据集，慢慢的我给企业的数据，呃开始，企业开始不怎么用BI，BI也用agent来做BI。那么慢慢它就会开始构建这个数据的流，就像传统上做BI的话，会有data warehouse，

1:14:10嗯，这个数仓的分层架构，然后去帮它做ETL，把这个数据准备成为一个BI可以直接拿来用的数据嘛。其实本质上data curation干的是同一件事情，我也是先让你能够用用好你的AI application，我就帮你把数据准备好。

1:14:26但是这个准备过程，这个数据放在哪里呢？你挪来挪去还是比较贵不方便。可能慢慢的，这个数据它就落到了你这里来管理了。所以我认为其实data curation最后的发展方向是一个data platform。

1:14:42它就成了一个把数据管理起来的一个平台，上面所谓的工具盒，所有的data platform一定是有一个toolbox，各种各样的工具都有。那么你沉淀的这个vertical，这个工具工具toolbox其实是给未来你的客户去用的。

1:15:00你现在做的这些customization，其实是打磨你的这个工具盒、工具箱，并且沉淀你的data platform。嗯。这个而且在multi model这个时代，我认为这个数据又比之前那个data warehouse这个时代的机会又要大一百倍，

1:15:15因为数据是越来越视觉化、多模态化。因为你你的AI能处理好更多的东西，我们对AI的期待也是更加多模态嘛。比如说我们会说我们要生成GPT的这个这个图片，我们会给我们会给一个screenshot，然后让AI去给我看看debug一个问题。

1:15:35其实本质上我们对于AI的这个多模态能力是有有期待的。有期待的过程中，我们就会产生更多的多模态数据。那么我们的多模态数据处理能力，data curation能力就会要求越来越高。那么这个过程中其实就会慢慢形成一个产业。那么我们其实就在这个环节里面。

1:15:54就

1:17:25这是我们肯定在做一些事情，我觉得这属于super alignment的范畴吧，就是让AI能够符合你的期望，嗯。传统上比如说god real，就是说道德上AI的道德上要跟人类的道德观是一致的，三观要一致。我们所以我们说我们的AI我们需要super align with人类的这个价值观嘛。

1:17:48其实本质上我不管是GenSpark还是Manus，它们本质上也要做类似的事情，就是，呃，什么叫好什么叫不好，就是就是产出的结果好还是不好。我我aggregate了大量的这个信息之后，我本质上我我比别人好在于我的东西恰好符合我这个用户想要研究的这个这个这个问题。

1:18:13我们给了那个比较好的报告，让他让他可以比较系统地了解这个这个这个课题。嗯。那么好和不好其实是很主观的一件事情。总体来说其实就就是变成了一套一套系统，我们是不是能够align跟跟这个用户自己的想法是是不是能够align在一起。

1:18:34这里面又涉及到了，其实涉及到所谓的价值观和culture，就文化上的一些一些东西。在美国做和在中国做，可能这两个产品可能形态不一样，最后的report结果可能也也是很不一样的。那么这个其实，所谓alignment或者alignment，呃或者某种程度的evaluation吧。

1:18:54其实是在数据层面是可以去做一些事情的。比如说如果说你已经有一个比较好的数据集，这个数据集已经是ground truth了。大家认为这个是大家都觉得好的，这个是大家都觉得不好的。那么其实是可以做某种程度的这个这个对比，然后去去给它的这个系统打分。

1:19:16就是它的系统，它可以它可以以这个为标杆，这个这样的一个数据集为标杆，去做好它的这个产品。当然这个也是我们在某种程度的一种一种尝试，因为因为这个话题太宽了。就是super alignment是一个

1:19:32非常难难难以做到的一件事情。就打个比方说，为什么你要AI去玩剪刀石头布的时候，它出石头的概率会高很多，出石头的概率是70%。

1:19:45在美国叫rock paper scissor嘛。Rock是70%，paper是20%，scissor是10%。

1:19:53就是原因就在于，在英文这个文英文的所有历史文献里面，rock出现的概率是70%，然后paper是20%，scissor是10%。所以它没法做到三分之一三分之一三分之一。原因就是你的数据。你的数据是biased，所以你没法做到这一点嘛。

1:20:11那么supervised learning就是exactly这个问题，你的数据其实不能反映真实人类的价值观，所以这个alignment是很难做的。它的结果你越是这种，呃，出一个报告，越发散，其实越难、越难align。

1:20:35也就是，呃，我最开始说的就是，其实pretrain本质上是从正确的样本中去学做正确的事儿嘛。但你没有告诉它什么是不对的。比如说你你我问你2032年奥运会跳水是秘塔是谁是冠军，AI会正儿八经告诉你说是谁，

1:20:53但是其实是其实是不知道嘛，因为还没还没发生这事儿嘛。但是它会给你一个正儿八经的答案，因为它永远都在学人在回答问题。所以它只是从正确的样本中试图用正确的样本那个学到那个方法来给你一个答案，但它答案对不对，它不知道。它不知道这个时候是应该say no，我不知道。

1:21:13所以说其实其实这种，呃，这种hallucination为什么很难避免，就是就是这个原因，就是需要不断后期做post training。

1:21:34这个就是fine-tuning，它搞一个reward function，让你这个你只要回答“不是我不知道”，我就给你扣分，扣得很惨。但这就是后期调调出来的。你你的奖励模型、奖励函数要设计得比较狠，它才会它才会比较快地知道正确答案，或者你要不断地去调试，

1:21:57后期调试，post training。在这种情况下就就需要花很多时间去做。

1:22:14Orbifold，没有了，没有那个t by the way，Orbifold，

1:22:23其实是，呃，在三维空间里面的一个光滑曲面叫manifold，然后呢，它在高维空间里面的一个generalization叫orbifold，是我最早的一个科研课题。

1:22:37我最早是数学系的，最早我是学学几何的，然后后来学的是，后来学的是计算机视觉。所以后

1:23:35谢谢大家。

1:23:39拜拜，