2026-07-29 20:01

导语：算力匮乏反而逼出工程优化，K3让中国开源模型不再只靠便宜，而是摸到SOTA门槛，让硅谷紧张

Kimi的K3可以说是去年春节“DeepSeek时刻”之后，再次震惊硅谷的中国开源大模型。

在一些基准测试上，K3接近甚至超越了一些硅谷最领先的SOTA闭源模型。进而被称为：“Kimi Moment”。

但这篇文章我们想聊的，不只是月之暗面。

过去十年，中国 AI 经历了两代“四小龙”：上一代是以计算机视觉为代表的商汤、旷视、依图和云从；这一代则是智谱、月之暗面、MiniMax和DeepSeek。有意思的是，这两代公司其实是有传承的：从人才到资本，从实验室到工程经验，甚至是上一轮创业所留下的创伤，都在影响着今天的大模型竞争。

我们的嘉宾Kiwi曾在美团主导了对月之暗面的A1轮领投，更是过去十年中国两代的AI浪潮更替的见证者和投资人。这次的访谈，我们请她回顾了早期投资月之暗面的故事，也和她一起重新走了一遍中国大模型的创业史。

陈茜：哈喽，Kiwi你好，欢迎做客硅谷101，可以先介绍一下你自己吗？

Kiwi：大家好，我叫Kiwi，是一个在AI行业打杂了10年的打杂工。如果用一句话概括我自己，我应该是一个持续保持偏见、持续犯错、持续被打脸，但仍然坚持保持偏见的AI行业普通探索者。

陈茜：太谦虚了。我非常期待这次访谈，是因为从上一轮所谓的中国“AI四小龙”，到这一轮不管是叫“AI四小龙”或者“六小虎”，你是完整见证了整个周期的人，大概有10年的时间。所以非常期待你能跟我们多聊一聊这中间发生的事情、背后的人，还有资本的走向。

Kiwi：好的，但我得强调一下，我并不是一个真正非常懂AI、懂模型的人，我只是运气特别好，永远都夹在一堆学霸当中，在旁边看着这些优秀的人如何探索和创造未来。

陈茜：我觉得你的名字跟Kimi很配。我在写访谈提纲的时候才意识到，Kiwi的“w”反过来就是Kimi了。因为硅谷很多模型公司都喜欢用水果的名字给模型产品命名，或者在内测的时候会有一些代号跑出来，下一次他们说不定可以考虑用Kiwi这个名字。

Kiwi：可能是缘分吧，也是巧合。其实我是因为中文名叫奇意，以前在海外的时候经常被问是不是新西兰来的。

陈茜：我们先从你投资Moonshot（月之暗面）的故事开始，因为K3最近确实吸引了非常多的关注。你当时是在美团龙珠，应该是在Moonshot（月之暗面）A1轮的时候投进去的，能不能跟我们讲一下当时的故事？

Kiwi：这个故事可能要从2022年讲起，也就是ChatGPT发布之后。

我们自己体验了ChatGPT大概一周之后，就发现这件事情不一样。我们原来以为GPT这个decoder only（仅解码器）的路线只是生成式NLP（自然语言处理）任务的一个细分分支，但在跟ChatGPT交流了很久之后我们发现，这个东西似乎是一个能够通过图灵测试的、所谓AGI（通用人工智能）的萌芽。那时我就开始努力地跟身边的朋友交流，问他们怎么看这件事情。

接下来的两三个月，我聊了所有上一代的朋友，不管是研究员还是工程师，也包括后来在NLP（自然语言处理）领域和RL（强化学习）等其他AI领域涌现出来的非常优秀的研究员。交流之后我们觉得这是一件大事情，它有泛化性，跟上一代的AI不一样。所以那个时候我们就在追踪，如果中国要做这件事情，应该是什么样的团队来做？

说实话，我们会觉得需要一个新的盘面出来。上一代那些有历史包袱的公司，很难放开手脚去做一件当下都不知道预期回报是什么的事情。但唯一的锚点永远都是人才，相信AGI、相信这件事情能做出来的这些人，一定会聚集在一起。所以当时我们的做法就是去追，到底谁相信AGI，并且我们认为他对技术的信仰、对AGI的兴奋程度是足够的。

在这个基础上，我们再逐渐去排，国内到底有哪些人对这件事情感兴趣。当时在list（名单）上排在特别前面的就有Kimi，也就是杨植麟。其实我跟他原本不认识，因为我在上一代computer vision（计算机视觉）行业的朋友会比较多，而植麟他们在NLP这边，我跟他们认识得比较少。但你去看ChatGPT发布之前，在中国有哪些人在追求Transformer架构下规模化的模型，就会发现植麟一直参与在里面。比如他2019年在Google实习的时候，就发了Transformer-XL和XLNet，从取名上就能看出他很想规模化。

后来我们又看，比如在国内的智源研究院，当时有CPM、GLM这些模型，你会发现清华的唐杰老师、刘知远老师、植麟等等，他们都在尝试做decoder only（仅解码器）路线的规模化。隔了一年之后，华为发布盘古1.0，植麟他们那个团队还在里面。你就会发现，即使在ChatGPT发布之前，这个人都好像一直都在追求这件事情。所以当时我们非常想跟他交流，但说实话，我们追了大概四个月，一直都没能聊上。到后来已经是A1轮，其实他第一轮已经关闭了之后，我们才成功加上植麟的微信，最后交流之后才决定了这笔投资。

陈茜：我听说加上微信也不是一件容易的事。

Kiwi：我觉得一部分原因是我自己的能力不够。我真的是一个行业里的无名之辈，那时候刚从AI产业界跳到投资界，没有出手过任何项目。所以在那个场景下，加微信不通过是一件非常合理的事情。

但当时我应该是去他之前的AI公司拜访了三次，见了他的其他几位联合创始人。后来我还跟Tim（周昕宇）聊过，因为Tim是老旷视的人，也可以算是前一代“AI四小龙”的人，我们交流会多一点。Tim就跟我说他要去跟Kimi（杨植麟）一起创业了，我们也交流了很多。Kimi其实是杨植麟的英文名字，跟他的模型是重名的。但是后来内部不希望语义有歧义，所以植麟现在叫KK。

我身边有很多优秀的、非常相信这一波LLM（大语言模型）和AGI的朋友，他们自然而然地汇集到了一起。当时我有一些好朋友已经加入了Moonshot，我就问他们：“你们现在需要一些什么？”他们说：“我们现在非常需要人。”因为这个团队最早的框架里算法研究员偏多一些，但大模型这件事情，底层的系统工程、infra（基础设施）也都很重要。

我就从上一代“四小龙”里面去找那些我特别欣赏的前同事。说实话，上一代“四小龙”经历过一个非常长的周期，大家有激情澎湃的时候，也有行业跌到冰点的时候，那些朋友散落在各个地方，有的还留在“四小龙”，有的去了大厂，有的去了量化公司。我们就一个个去找他们，问对这一波大模型感不感兴趣。说实话，80%的人会拒绝。

因为经历过一波周期，经历过一波理想主义的破灭。他们把自己二十多岁刚毕业到三十岁这段最激情澎湃的职业生涯时间，已经奉献给AI一次了。但从1.0的时代来说，他们并没有得到一个世俗意义上特别好的回报，比如做出像互联网公司那样特别伟大的公司。所以那个时候很多人已经有了失败的路径依赖，会觉得我可能暂时先不探索了，或者先观望一下。

但是会有那么一小撮人，比如10%到20%，他们完全不计较自己会获得什么，只是在想，这件事情足够让我兴奋，足够有影响力，我很想参与到这个探索当中来。他们就会被说动，我就把这么一拨人劝到了Moonshot。

后来我又介绍了一些我觉得非常优秀的工程师过去。这些工程师在模型训练过程中展现出了价值和能力，之后他们就去跟Kimi（杨植麟）帮我说了说话，说我们加入的时候跟Kiwi也聊过，Kiwi对这个团队非常感兴趣。

所以最后是有一天，我在高铁站准备从上海去杭州，突然宇韬（月之暗面CTO）他们几位朋友跟我说，Kimi同意见你们了，帮我们拉了群，加了微信。我们下一周就飞到北京去见Kimi。中间确实有一段波折。

陈茜：所以你见到杨植麟的第一面是什么时候？第一印象如何？

Kiwi：应该是2023年4月底5月初的时候第一次见面。第一面的印象就是一个很朴实的研究者。我觉得很多很优秀的研究者都是这样，很朴实、很简单，单纯地对一件事情、对解决一个问题非常纯粹。我认识的很多人，不管是在Moonshot，还是在DeepSeek、智谱这些大模型公司，有一拨真正非常热爱这个行业的人，他就是很纯粹。

我也没有把这件事情神话。我印象特别深的是2023年10月，他们第一波Kimi Chat和第一个模型发出来的时候，因为long context（长上下文）做得特别好，alignment（对齐）也做得特别好，我觉得是当时国内效果特别好的模型。我自己用了之后觉得很兴奋，就问Kimi的朋友，你们为什么能做到这么好？他说我们也没有做什么，我们只是踏踏实实地把所有该做的事情都做了。

所以我见到植麟的第一面，感受就是他很纯粹地在谈论技术。我们向他请教，他理解的大模型和AGI是怎么回事。植麟当时跟我们讲，他在2023年定的目标总结起来是LTV：L是long context（长上下文）；T是truthfulness（真实性），也就是可靠性；V是多模态，也就是video（视频）。他觉得这几个方向很有可能是接下来做AGI比较重要的方向。Long context的重要性我就不赘述了，truthfulness对应的是当时的幻觉问题，而V这个点，是他认为文本模态如果最后也被穷尽了之后，其实需要更多的data skill（数据技能）去补充智能。所以当时我就是很纯粹地在向他学习，学习他对AGI和大模型的看法。

陈茜：你刚才说的LTV我觉得特别有意思。在广告行业，LTV的意思是lifetime value（客户终身价值），衡量一个顾客终身对你的价值，是一个特别商业化的词。但在植麟口中，LTV是一个特别AGI的词。这两个词是同一个缩写，我觉得还蛮有意思的。所以那个时候你觉得植麟终于加你们、见你们，是因为他open（开放）了，要跟你们谈谈融资的事吗？

Kiwi：我觉得他之前也不是不open，单纯是因为整个资本市场是一个信噪比特别特别低的市场。可能像我这样的人，一开始看标签，确实也不知道是noise（噪声）还是signal（信号）。所以我们可能就是付出一点真诚、付出一点努力，然后他看到了这份真诚，才来跟我们聊。这只是一个触达的过程，他们应该也不是在那个时间点才开放说要去谈融资。

陈茜：所以他就听到说，有这样一位投资人Kiwi一直在锲而不舍地想跟他聊聊，同时她又推了很多同事到公司里面，大家对她的评价都还不错。

Kiwi：对，我觉得可能是那些朋友帮忙建立了信任。这本质上是人与人之间建立信任的事情，因为我的标签本身不足以说明任何事情，我是一个很普通的人，但朋友们之间已经建立了信任关系，他们的一些背书让我们得到了这么一个小小的机会。

陈茜：所以一共加了三次微信？

Kiwi：我不记得加了几次微信了，可能每周我都试图加一次，可能就是在众多好友申请当中的一个。

陈茜：来聊聊你们投进去的这件事情。当时美团领投了A1轮，为什么是你们领投？

Kiwi：说实话，在我们领投的那个阶段，已经是2023年五、六月份了，市场上同期的一些大模型公司其实已经把前一到三轮都融得差不多了。Moonshot当时的估值在同期市场上是比较偏低的，比如零一万物、百川，我记得当时投前估值基本上就已经接近10亿美金了。还有一些成立更早、更早训过仅解码器模型的厂商，比如MiniMax、智谱，当时的估值应该也要过15亿美金了。

可能因为月之暗面这个团队相对比较年轻，或者说之前并没有做出过特别大的公司，所以当时市场给他们的关注度相较其他公司会低一些。所以我觉得也是我们运气比较好，在关注度不那么高的情况下，得到了领投的机会。

陈茜：那你们内部，在投委会上推这个项目的时候顺利吗？

Kiwi：说实话，从某些角度来说很顺利，我们内部一轮IC（投资决策委员会）讨论之后，拍板是很快的。但从另一些角度看，我们的讨论非常非常激烈。这个事情我觉得不只是美团龙珠内部的讨论，而是当时整个市场都会对AI打一个很强的问号。

我们这边相信一个有泛化能力的AI模型出来之后，一定会有一个超级应用，虽然我也不知道这个超级应用长什么样，但我相信它会存在。接下来的问题就是，谁可以做出这个超级模型加超级应用？这是讨论到最后一个阶段争议最大的一个点。我记得讨论到最后的时候，兴哥（美团CEO王兴）说这件事情CapEx（资本开支）投入太大，如果你相信缩放定律，这件事情的投入就是个无底洞。

那么对创业公司来说，这完全是一个脱离了传统一级市场承载能力的游戏。当时我们内部在想，会不会这就变成大厂的机会了？是不是字节会把所有的可能性都吃掉？说实话，我们没有形成共识，也没有形成答案。

但我印象中，兴哥在赶去开下一个会之前丢下了一句话：我确实认为创业公司能够做出超级模型和超级应用的概率很低，但我愿意支持一把。可能就是这一句话，把我们后面的决策往前推了一把。所以你要说我们那个时候是不是确定某一家公司一定会成，我们真的不知道，但我们愿意相信理想主义这件事情，它很有可能存在探索的空间。

陈茜：那在这么多模型公司里面，当时也不只是Moonshot，MiniMax、智谱这些公司其实都在起来，为什么王兴和你们要押注杨植麟？

Kiwi：回过来说，在美团龙珠，我们当时会去找那些真的比较纯粹地想追求AGI、纯粹地想做scaling（缩放）的公司。

有一些公司的目标里可能会包括我要做收入、我要做ToB、我要做DAU（日活跃用户），在这些目标的干扰下，有些阶段它会跟做模型的绝对能力、跟做AGI这件事情是align（一致）的，但有些情况下它的目标会微妙地不一致。当然我觉得这也不算是判断，只是刚好我认识的那些比较纯粹的朋友在Kimi。

陈茜：我们看到美团领投之后，Kimi在2024年经历了不那么顺的一年。2024年我们看到它开始有一些投流，对它的舆论也挺两极化的。我为什么对投流有体感呢？因为我们上传视频在B站，我们做的是AI方向的内容，很多时候banner（横幅）或者广告位其实都是Kimi的广告。那段时间它是很在意收入这件事情的，或者说它们团队内部有一股力量要去主攻收入。那从投资人的视角，你会觉得这跟它最开始承诺你们的AGI有点背道而驰吗？

Kiwi：我觉得这其实是一个探索的过程。首先，Kimi在2024年年初的时候，我印象中应该是有一位KOC（关键意见消费者）去二级市场路演，向研究员展示了Kimi的长上下文读研报的能力，一下子让一些非AI界的人意识到，Kimi的模型做得非常不错，于是它的DAU有一波非常大的增长。在DAU增长的过程当中你会发现，涌进来了更多不一样的用户，不一样的用户会带来不一样的任务，这些任务在模型的强化学习训练当中，也许会进一步给模型补充更多的数据。

另外有一件事情我得提示一下，我觉得Kimi是一个挺不容易的团队。或者说，对于每一家没有大厂级供血能力的创业公司来说，追求AGI都不是一件容易的事情。因为AGI就是很烧钱，这是个客观事实。你要烧钱，就得说服那些有资源的人把钱给你，那怎么去说服行业外的人把资源给你？

而且还有一个点，2024年中国大量的初创公司都非常非常缺算力，这也是中国的大模型公司特别不容易的地方，就是我们的资源非常匮乏。但你也会看出来，正是因为资源匮乏，不管是DeepSeek、Kimi还是智谱，它们都会做非常多的各种优化，反倒有的时候会做出一些北美那些资源非常充裕的厂商，在整体性能上不一定会重点去优化的东西。

陈茜：我觉得中国的模型公司可能更不容易的一点是，ToC端大模型的产品竞争太激烈了。而且大家是不收费的，特别是豆包、千问这些出来之后，后面是大厂在支撑。那Kimi如果要走ToC这条路线，他直接竞争的就是字节、阿里，还有一直悬在上面、最近有一点动作的微信。所以，那段时间的压力应该很大吧？

Kiwi：压力很大。而且他甚至都不能像ChatGPT一样去收20美金，因为你不是SOTA（业界最优）模型，中国当时确实还没有做到SOTA模型。所以推理是成本，训练也是成本，所有的成本压力压下来，以2023年所有模型厂商的融资规模来说，要做AGI是远远不够的。

所以事实上，所有创业公司当时必须去平衡的一个取舍是：我单纯地去追求AGI，和我要向资源方证明我有能力、有努力去追求AGI，这两件事有时候就是不一致的。在这个点上，每一家公司都很不容易。

陈茜：那投流的那股趋势，在Kimi什么时候是一个转折点呢？

Kiwi：我觉得2025年年初R1出来之后，确实是一个比较大的转折点。Kimi第一波DAU的暴涨不是来自于投流，而是来自于它当时的第一版模型加产品，它的long context（长上下文）做得好、alignment（对齐）做得好，用户感受到了，所以就过来了。

模型本身够硬，产品本身够硬。包括R1当时，所有的思维链，像OpenAI并没有把它开放出来，而R1第一次向整个技术界和普通用户展现了模型是怎么思考的过程，所以把大家吸引了过来，这个开源精神我觉得非常不容易。

所以我觉得这其实是一个市场教育的过程，它教育的不是大模型公司，而是那些离AI更远一些的资源持有方。这件事情在这个阶段的本质，就是你把模型、产品踏踏实实做好。所以在R1之后，它教育的是资源方，就是不要再给模型厂商那么大的DAU的压力、在当下不必须回答怎么赚钱，而是要相信AGI这件事情。所以那个时候，想追求AGI的模型厂商，他的目标会更加收敛了。

陈茜：美团在2024年Moonshot那轮融资没有跟，原因是什么？

Kiwi：我们也在观察，因为整个2024年大家的GPU资源都非常匮乏，说实话，国内的算力资源是非常非常匮乏的。北美的frontier model（前沿模型）厂商在2023年年底、2024年就已经有几万卡的单一集群了，但在国内，当时有万卡单一集群的并不多，可能就DeepSeek、千问、字节等几家。你再有梦想，还是需要资源的。所以2024年整体上我们的算力基础设施还没有完全建好，这可能是当时我们犹豫的点。

陈茜：现在是不是Kimi对于算力还是有一点缺？你看最近他们限制了新客户。

Kiwi：只要是AGI公司都缺算力，OpenAI也是缺的。有一次我们问另外一家特别头部的模型厂商，说你们缺算力吗？他们说，算力永远都可以被用满，给他多少就能用多少。

陈茜：那到了2025年，你觉得跟2024年相比，公司有什么特别大的进展吗？

Kiwi：2025年整体上来说，我觉得是o1之后大家开始变化。2024年整个模型行业规模化的更多是存量的、已经被记录下来的数据，比如pre-train（预训练）阶段和SFT（监督微调）的那些数据。到了2025年o1出来之后，大家开始在强化学习这个方向上发力，也就是你先预定义好问题，再预定义好reward（奖励），然后在这个奖励之下去做测试时计算扩展（Test-Time Scaling, TTS），从而得到了下一波智能的进步。

所以2025年的这一轮scaling让我特别兴奋的一个点在于，存量的、已被记录的数据的范式，已经开始迁移到你可以通过自己的审美去拉动模型往前走的阶段了。如果是纯存量数据，它就变成了一个资源之争，因为你拼的是scaling的效率和质量。而当你发现可以通过自己对于任务的审美去拉动模型往前走之后，taste（品味）的价值就会更加显现。所以我觉得那个时候，对于很多资源不一定那么充足的厂商和一些应用层公司来说，涌现出了一波新的机会，2025年是一个挺让人兴奋的阶段。

陈茜：就是大家重新又回到了研究这件事情上。

Kiwi：是的。我们在定义什么是好的任务、什么是好的问题、这个问题应该怎么样被评价。taste（品味）这件事情是很多元化的，你在当下提出问题的时候，并不存在一个绝对的标准答案，所以它会相对更加多元，我觉得这是一个非常有意思的阶段。

陈茜：但是K2出来的时候，我看市场反应也就还好，没有到今天这么“哇哦”的时刻。那个时候团队是一个什么样的气氛？

Kiwi：我觉得K2的时候已经很兴奋了。因为K2已经让中国模型又跨过了一道坎，进入到了一个新阶段。

陈茜：它那个时候应该说是第一个强调agentic model（智能体模型）的，对吧？

Kiwi：其实我觉得Claude 3.7开始就已经比较强调agentic了，只是K2让中国模型在跟前沿模型只相差小半代或者几个月的情况下，同时还有很高的性价比。所以K2当时就已经让大家觉得非常兴奋了。

陈茜：步入到2026年年初的时候，我们看到OpenClaw出来了，也就是国内的这波“小龙虾”热，让开源模型有了一波热潮。包括Kimi在OpenRouter上面，它的API调用量也有一波小的增长。

Kiwi：是的。我觉得在过去2023年到2024年，大家其实只关注前沿模型，因为说实话，前沿模型的水平还在逐步提升的过程当中，你会发现越好的模型越能帮我更好地解决问题。

但小龙虾出来之后，有一个很现实的问题是它很烧token，很贵，而且大部分“养虾”的同学会发现，我们的任务其实并没有那么深，有时候并不需要去解决什么最难的科学问题。在这种情况下，大家确实会关注性价比，那我觉得K2.5在当时确实是一个特别好的选择。

当时其实不只是K2.5，国内好多模型的性价比都特别高，智谱也有。但我觉得最近已经不再是性价比的问题了。K3让我挺兴奋的一个点在于，在此之前那一波开源，中国的开源模型一直被外界认为是“平替”，因为它的性价比确实高，推理优化做得特别好。

但K3的发布不一样。你想K3的训练过程，它已经超过了Opus系列，当然今天（访谈时间为2026年7月25日）已经发了Opus 5，但至少在它发布的时候，它已经超越了4.8系列的所有模型。真正跟K3比，或者说我们自己体感上比K3效果还要再好一点的模型，其实都是像Fable这样最近才发布的模型。所以在K3的训练过程当中，等于说它超越了当时所有的SOTA模型。这一次中国模型不是在拼性价比，而是我们可以去摸那个SOTA模型了，这件事情对我自己的鼓舞是挺大的。

陈茜：而且K3还是开源的。所以今年的Kimi Moment跟去年的DeepSeek Moment，我感觉对硅谷来说同样是震撼，但震撼是不一样的。今年的震撼，我感觉更有紧迫感。

陈茜：我觉得月之暗面有一个很有意思的点。我在北京的时候刚去参观了他们的办公室，觉得这个公司很酷，因为一进去就是一架白色的钢琴，上面放着一张Pink Floyd的唱片。每个会议室都是一个rock band（摇滚乐队）的名字，而且几位主创在清华的时候都自己创立过rock band。这件事情跟AI有任何联系吗？

Kiwi：我觉得在底层有一件事情是，如果这是一家真的追求AGI的公司，它一定是因为真的对这件事情感到兴奋、感兴趣。或者说，“追求不一定有用的事情”，可能是追求AGI的一个映射。

陈茜：不一定有用，就是当下不一定能出产品。

Kiwi：甚至都不是产品。举例来说，当时我们因为GPT-2、GPT-3而去孵化公司的时候，我们先想的是它能解决什么问题，然后我们才想去做模型，也就是先想product market fit（产品市场匹配）。但scaling本身，你不知道它会涌现出什么能力，所以我觉得好奇心、探索欲和强化学习式的环境很重要。

这其实不只是Kimi，因为我自己是从上一代“AI四小龙”过来的，虽然上一代“四小龙”受限于技术本身的制约，没有发展出像今天这些被寄予厚望、空间这么大的公司，但它的氛围是非常相似的。一直以来，这几代非常优秀的中国AI公司，都给中国最聪明、最有好奇心、最有理想的年轻人塑造了一个非常宽松的环境。有一些创始人给的并不是“我们要做A、要做B、要做C”，而是一个非常泛化的指导，是说这件事情也许我们值得去探索一下。

一群极度优秀、极度有探索精神的人，在一个好的环境里面，一定会碰撞出东西。这件事情在我看来，在上一代的依图、旷视、商汤，和这一波的DeepSeek、Kimi、智谱身上，我都能感受到。只要你把一群优秀的年轻人放在好的环境里，他们就能碰撞出东西。所以这波AI公司核心要做的，是为他们创造好的环境，并且不断地调整reward，让大家有一套好的反馈体系。

陈茜：我们刚才已经聊了蛮多上一代的中国“AI四小龙”，来系统地讲一讲吧。上一代的中国“AI四小龙”是指以计算机视觉为代表的商汤、旷视、依图还有云从，你当时是在哪里？

Kiwi：我是2016年加入的依图，做计算机视觉。其实AI 1.0时代也不只是计算机视觉，当时也有做机器学习的，比如第四范式，还有做自动驾驶、做NLP的公司。

但整体上来说，上一代AI 1.0的公司遇到了一个集体性的困境，就是模型的泛化程度不够。举例来说，人脸识别在安防场景的应用是我们“四小龙”一个非常核心的场景。2017年我们开始卖到各个不同省市的公安机关的时候就发现，东北的省市风雨雪雾天气比较多，我们就要从data侧开始重新标注、重新训练模型。换一个省，它地域比较宽，一个摄像头要覆盖的空间更广，架设的高度就会不一样，摄像头的高度和角度变了之后，我们又得重新训练模型。

所以当时我们一个非常大的困境在于：AI本身对社会是有很强影响的，很多地方的治安环境会提升非常多。但因为模型的泛化能力不够，导致我们规模化整个AI渗透的过程，需要投入大量的生产侧服务，而这些服务是由一群全中国最聪明、也最贵的理科毕业生来提供的。这就导致它的商业模式本质上非常像一个ToB的服务型生意，或者说很像一个高级外包，但我们又用了一群非常贵、非常优秀的人去做，从生意模式上来说就变得不太性感。

陈茜：就是这个市场最后不够大，不够像今天的AGI那么有想象力。

Kiwi：对，还是那个点，当时我们的模型泛化能力不够，所以每次去scale下游应用，都必须增加相应的研发投入。它不像互联网公司在研发一套标准的、统一的系统，用户量越scale，边际成本逐渐下降甚至趋近于零。当时我们并没有形成这样的商业模式，我们非常像一家服务型公司，业务体量越大，成本侧越高，管理复杂度也越来越大。所以这件事情，跟当下大模型公司的business model（商业模式）在底层是有区别的。

陈茜：你当时在依图做什么？

Kiwi：我当时做产品经理。这也很有意思，我是2016年年底加入依图的，加入之后第二天，我们的co-founder（联合创始人）林晨曦把同一周加入的三个人叫到一个小黑屋里说，从今天开始依图的产品团队成立了，然后给了我们每人一条产品线，告诉我们对接的研究员和工程师是谁，就不管我们了，就是纯RL的方式。

我印象特别深，头一年我觉得非常痛苦、非常难受，因为没有人告诉你标准答案是什么，没有人告诉你正确的做法是什么，你会踩坑、会不停地犯错。但两年之后我再回顾那一段经历，真的特别感谢这一波AI公司，他们真的非常相信年轻人，上一波和这一波都是。这些优秀的AI公司有一个底层的特点，就是我不用先验地教你怎么做事情，但我会给你空间去探索，然后你会得到反馈，你会自我迭代，虽然这个迭代过程可能不那么高效。

当时我特别羡慕大厂的应届毕业生，他进去之后就知道流程是什么、规范是什么，所有可以规避的风险都先用流程和方法论规避掉了。而我们进去之后没有人告诉我们应该做什么。当时我们产品经理做什么呢？所有研究员和工程师不做的事情都是产品经理做的。我们也不知道正确做法是什么，就是踩一个坑，然后知道，也许这个地方我们以后要例行地设一个检查点，要增加这里的评审，要对齐这件事情，每一件事情都是通过踩坑来学习的。

等到我离开依图之后我才发现，这个烙印对我特别特别深。通过强化而得到的这种能力，它是有泛化性的，因为你不是别人教你才去做。当你被告知要这么做的时候，你并不一定会思考为什么要这么做，而我们每一步增加的流程、形成的组织形式，都是因为我们发现这个问题的解决和探索需要这样的流程，是我们自己讨论和琢磨出来的。

而且还有一个点，在我们上一波AI浪潮中，依图是2016年才有第一波所谓的产品经理，但它是2012年就成立的。从2011年到2014年，商汤、旷视、依图这些公司陆续成立，大家都是看到了像ImageNet、AlexNet这些非常大的突破之后，觉得也许计算机视觉这件事情可以从学术界走出来，影响我们真实的生活，进入工业界。

但说实话，没有人有正确答案，它就是一个研究问题，我们都不知道有没有答案。所以那个时候给我们的探索空间，甚至可能比现在这个时间点还要更大，因为创始人们也不知道正确答案是什么，我们就努力地去寻找，那是一个特别好玩的过程。

陈茜：这个还挺有意思的，也就是说在上一代中国AI的时候，大家就已经开始非常勇敢地用新人了，包括刚毕业不久的大学生。

Kiwi：甚至没有毕业，我记得我们当时有好多辍学生，当时是有一点鼓励辍学的，还有一些高中生过来实习。聪明的孩子进来了之后，去探索就好了。

陈茜：之前你说上一代的AI很多人传承或者迁徙到了现在的“AI四小龙”、“六小虎”的公司当中，你看到了这样的人才流动。但你又说中间很多人可能在上一波被伤了心、踩了坑，可能不愿意继续进入AI创新或者创造AGI的艰难路径上来了。这两股人流是怎么去选择的？

Kiwi：我觉得传承的其实不只是这一代。如果从上一波“AI四小龙”来看，它再往上的传承者可能是百度的美研院、MSRA（微软亚洲研究院）这些更早一波在中国的AI机构。我觉得传承的核心叫做对技术的信仰，是出于好奇心、不计结果地去探索，而不是功利主义地去探索。

人才图谱是一代人培养一代人。我印象特别深的是我读本科的时候，我们身边一些CS（计算机科学）系学习或者能力最强的人、打ACM（国际大学生程序设计竞赛）的人，他们就很喜欢去MSRA实习。包括我们依图的联合创始人林晨曦，他当年也很短暂地在MSRA实习过，后来被王坚老师带去做阿里云。

其实MSRA和百度当时的AI研究院，培养了非常多中国上一代AI 1.0时代的创始人，而这波创始人又培养了AI 2.0时代非常多的创始人。比如Kimi那边，我之所以可以通过朋友介绍去认识植麟，是因为我跟旷视、依图的一些朋友本来就认识，而他的联合创始人里也有从旷视过来的。像MiniMax，它的创始成员里有很多商汤、依图的人，也就是上一代的这些人。

再比如说，这一代模型厂商的一些创始人，很多其实也在上一代的“四小龙”实习过。后来我再去跟智谱或者DeepSeek的很多研究员、工程师交流的时候会发现，我们原来有过一段共同的回忆，虽然我们没有碰到过，但在那个时代我们也探索过类似的事情，有共同的时代记忆。

陈茜：这个圈子大家的关系是什么样子的？我感觉大家可能都是清华系、复旦、浙大，很多都是同门师兄，或者老师和学生这样的关系，感觉关系都还挺紧密的。包括我们看到月之暗面成立的时候，杨植麟选择联合创始人，也是选了很多他清华时候的同门。

Kiwi：我觉得这可能不是有意设计出来的圈子，而是刚好。本质上，一群理想主义的人要碰在一起去做一件不一定有明确预期目标的事情，一定是因为你们平常在碰撞和交流的过程当中化学反应刚好合了，觉得可以一起探索这件事情，这一定是受环境影响的。刚好可能一群优秀的人在交大ACM班、在清华的CS系或者姚班。包括今天这一波大模型有很多在海外的同学，其实对技术有理想的这波人，他们所处的环境可能会比较相似，或者一起打过ACM。

陈茜：你刚才也讲了传承。最近我看到一个特别有意思的片段，是智谱的唐杰老师在一个视频里介绍杨植麟出来做演讲，而唐老师是植麟本科的导师。现在比如智谱跟月之暗面，它们其实慢慢会长成竞争对手，比如Kimi K3出来的时候，智谱的股价就大跌。你觉得唐老师他们会介意这些事情吗？他们在圈内的关系是什么样子的？

Kiwi：首先我觉得不是竞争对手，我觉得是一起去探索未知世界的、齐头并进的伙伴。首先这个市场非常非常大，本质上这波大模型在这个阶段，即使我们还不说产品，只说模型本身、只说卖模型能力这件事，它就是未来人类社会智力能力的基建，这个大基建不可能是一家独吃的。

所以我觉得本质上，大家共同面对的事情是整个非AI圈、或者对AI不那么接近的这些人对AI的质疑。但事实上，我们要去探索AGI，大家都是并肩的伙伴。

在ChatGPT还没有出现的时候，唐老师和植麟他们当时也参与了GLM，包括清华的刘知远老师那边也有CPM的团队，大家都认为大模型是一件非常值得做的事情，但大模型确实需要非常多的资源。当时他们做了智源研究院，训出了国内第一波千亿参数规模的模型，当时有GLM、CPM等非常多的模型，还包括其他方向。所以在ChatGPT之前的那个时间点，就已经给了非常多年轻人一个在相对充裕的资源上自由探索的机会，等到ChatGPT发布之后，大家赶紧开始做真正工业化的大模型scale，我觉得这是奠定了非常好的基础的。

陈茜：当年上一代AI 1.0“四小龙”里面的那批年轻人，到现在可能也步入中年了。他们肯定是更有经验的，那他们在这一轮里面扮演着什么样的角色？

Kiwi：我觉得都是非常骨干的角色。其实很多人不一定在公开场域里有很多姓名和露面，但事实上他们在坚持地推动事情发生。而且因为他们经历过周期，他们反而很容易摒弃掉一些短期奖励反馈的噪音。这件事情可能没有被公开市场看见，但他们在推动非常重要的工作。

陈茜：那一批人里面有多少人？如果你有一个非常粗略的百分比的话，留到了这一轮AI里面，有10%吗？

Kiwi：我觉得要看什么样的范围。我身边的朋友里面有10%以上可能已经流入进来了，即使2023年没有流入，可能也逐渐流入进来了。他们可能不一定是创始人，不是像杨植麟那样站出来的门面，但也是领导者，在带领着做很多事情。

陈茜：我们再说一下DeepSeek，它确实是一匹黑马，没有人能预测到它能突然出来。

Kiwi：确实是，突然就出来的一匹黑马。说实话，2023年上半年的时候，我其实没有注意到DeepSeek，我都不知道这个团队也在做这件事情。

因为我的大部分认知来源其实都来自于上一代AI 1.0的那些朋友，我们会交流他们去了哪里。DeepSeek可能到2023年下半年的时候我才逐渐意识到，因为他们招的人更加年轻。上一代“四小龙”其实有很多中坚力量去了像Moonshot、智谱这样的公司，而DeepSeek那边的人可能会更加年轻一些，所以我是在深入认识了很多新一代的研究员和工程师之后，才逐步接触到DeepSeek的人。

当时我们跟梁总交流的时候，他的招人策略就是招当年搞竞赛、搞ACM的最聪明的人，只要招最聪明的人就可以了。所以他当时更没有历史包袱，不要求经验，直接把一些非常优秀的年轻人就招进去了。

陈茜：大家都喜欢招最聪明的人，那他跟杨植麟想要招的人有什么区别呢？

Kiwi：我觉得区别不大，大家的标准是差不多的。只是因为最早那几位创始人的背景不一样，就会导致他触达不同人群的效率不一样。比如DeepSeek，幻方原本是一家量化公司，量化公司每年招的人本来就是那批搞ACM、搞NOI的人特别爱去的方向，因为性价比特别高。所以他接触这批最年轻的应届的NOI和ACM选手是有惯性的，DeepSeek在招人的时候，在这一波人的分布上确实会比较偏多。

而像MiniMax、Kimi，因为他们的联合创始人有上一代“四小龙”的背景，那么他们触达的人群在上一代的人才供给上分布就会偏多。再比如唐老师，智谱是脱胎于清华的实验室团队，那么他们在清华那几届应届生当中的触角也会比较多。所以我觉得有时候不一定是审美上真的有很大的人才差异，而是那几位最早的联合创始人本身的身份和所处的环境不一样，触达人才的方式和效率不一样，导致了分布上的不同。

陈茜：你从依图出来之后，是去了开复老师那儿。

Kiwi：对，我去了创新工场的AI工程院。大家不一定知道，创新工场虽然是一家VC，但我们有一个鼎盛时期达到200多人的AI工程院。

我去的时候是2018年，但AI工程院成立得更早，差不多是我加入依图的前后，大概2016、2017年就成立了。这个成立的缘由我后来也去问过，因为当时AI工程院的院长是王咏刚老师，他也是我当时的leader。

当时我就问咏刚老师，为什么创新工场会去成立AI工程院。我想说的是，开复老师、汪华他们其实也是中国VC里面最早一波真正非常高投入去押注AI的基金。在AI 1.0时代，包括“四小龙”、第四范式，还有做自动驾驶的地平线，AI 1.0时代的大部分细分赛道，创新工场几乎全都下注了。所以整个创新工场本身对AI这件事情，是最早的一批高投入的基金。

但在整个过程当中，我们也确实发现了AI 1.0范式的一些问题。至少我在“四小龙”看到的问题，和当时他们在投资时看到的问题是一样的：大家都是科学家创业，都没有经历过商业社会的训练，也没有在商业社会里探索过。最后我们服务的是一些非常传统的企业，所以我们最后还是在做服务，跟那些做软件、做SaaS（软件即服务）的很像。

关键是SaaS这件事情在中国还有很大的阻力，因为中国现代化企业的进程也就这么二三十年，并没有完全形成一套非常职业化的管理体系。我们特别相信这个行业在管理学上有最佳实践，但其实我们的企业家们也在探索，我们并没有一套标准化的最佳实践。

所以AI 1.0时代，我们在各种不同的细分赛道、服务不同类型的下游客户时，遇到的问题都是商业化的scaling非常像传统软件服务的商业模式。这就导致AI 1.0发展到中后期的时候，这件事情非常痛苦，我们没有找到一个像互联网一样好的商业模式路径。

所以当时我们成立AI工程院的一个背景就是：既然都是做ToB，既然都是做AI，能不能用一种更高效率的方式去帮它做产品、做商业化和项目的scale？当时我进入AI工程院，其实也没有一个明确的工种，我发现我每个阶段的工种都不是很明确。

我当时的定义好像叫做“前沿领域探索负责人”。我们核心做的事情就是，定期去追每一个AI细分领域在学术界会不会有新的突破，比如当时我们经历过GAN（生成对抗网络），经历过联邦学习，包括GPT。有了突破之后，我们就去看，对于真实的人的生产和生活场景，有没有一些场景可以把这些学术领域的算法突破应用进来，所以我们要做0到1的产品化demo（原型）探索。

如果这个探索被证明成立，我们就去思考这个市场大概规模会有多大，我们有机会去孵化一些新的AI公司。所以创新工场AI工程院当时孵化出来的第一家公司叫创新奇智，后来也成功上市了。而我离开工场之后孵化的最后一家公司，就是澜舟科技，是我们看到GPT-2和GPT-3相继发布之后孵化的公司。我们在AI工程院确实一直在探索，AI到底怎么样渗透到人类真实的生活和生产当中去。

陈茜：你们什么时候意识到scaling law（缩放定律）这件事情在硅谷开始发生了？

Kiwi：我很惭愧地说，我是在ChatGPT之后。但事实上，2019年我们就尝试做了一件事情，叫做“中文版的GPT-2”，就在创新工场AI工程院里面。当时我们先去看了GPT-2的论文，发现需要数据、需要卡、需要懂NLP的人。当时也很有意思，开复老师是一个广结善缘的好老师，所以很多开复老师的朋友，在职业生涯或者领域探索遇到转折期的时候，都会在我们创新工场AI工程院停歇一下。

当时腾讯AI Lab的张潼老师和他的几位做NLP领域的研究员从腾讯AI Lab离职之后，先短暂地在我们创新工场AI工程院探索，我们就有了很多刚好做NLP领域的研究员。同时，大概到了夏天的时候，我们得到了一个特别兴奋的消息：有一位我们中东的LP（有限合伙人），他们在盘点机房或者仓库的时候，发现有几百台V100没有人用，好像已经尘封了半年还是几个月。

因为创新工场一直以来有一个非常强的对外标签就是AI，我估计他们看了工场投的项目，觉得创新工场跟GPU是有关系的。所以我也不知道他们当时为什么买，但他们就来跟开复老师说：“我们现在发现有几百台V100没人用，你们要不要用？”我们说我们要用，所以我们就有卡了。

有卡、有人之后，数据在中国其实也不缺，我们就开始训。训了两个月之后我就开始试，结果发现效果非常糟糕。我让它回一封很简单的邮件，它给我连续输出三个逗号，那个时间点说实话我们是有一点失落的。

我们当时的复盘是，觉得中文的数据质量本身就没有英文语料那么高。但其实到2020年，因为我们后来又尝试去孵化，我们那一次的复盘，至少我自己没有把那个问题正确归因。当时我们核心的主力其实是一些研究员，但说实话，算法本身的探索论文上已经有了，这件事情非常重要的一个点是数据，本质上你要把数据非常踏踏实实地清洗和处理干净。我们确实没有那么多人力去把数据工程好好地做，导致数据清洗得不太好，训出来的模型效果就比较一般。而且还是那个点，我们的归因也没有好好做，一开始立项的时候也没有把scaling law（缩放定律）这件事情学明白，我们都没有看到那篇文章。

所以到2020年我们尝试再去孵化澜舟科技的时候，我们就有意识地搭配了很多从工业界过来的、有非常多dirty work（脏活累活）和工程经验的人，去配合周明老师。周老师是在MSRA非常受人尊敬的一位副院长，他30年一直都在做NLP的研究。

2020年那一次我们带了更多做工程的人，也更加注重数据。但那个时候我们遇到的问题还是我刚才复盘过的问题：我自己对scaling law（缩放定律）的认知没有到位，导致我们还是把它往上一代“AI四小龙”的标准范式上去套，去找一个ToB的垂直场景卖模型能力。总之，AI 1.0后期我有一个非常强的失败路径依赖，就是卖模型能力真不是一门好生意。

陈茜：但是现在是一个必须要做的生意，模型即服务。

Kiwi：这一点我不确定，这可能是个非共识，因为我是一个充满偏见的人。我还是有一个暴论，我觉得卖模型能力不是一门好生意。即使今天像Claude Code，它确实证明了收入可以涨得非常快，但我觉得Claude Code是一个好产品。因为它在coding（编程）场景领域，当下其实不只是模型能力，Claude Code是模型能力上面的一层封装，它在编程的生产环境里给程序员提供了一个能够及时反馈的环境，它配了很多harness（脚手架）和工具。同时，程序员每一个任务、每一条当下给AI的指令，都会立刻给出反馈：我到底要不要用这个方案？往后走了之后需不需要debug（调试）？所以这里面其实是一个特别好的、有reward（反馈）的环境，它的信号是非常优质的。

所以在我看来，模型能力本身，不管叫API也好，还是当年的SDK也好，它最终都是会commoditize（商品化）的，这是我相信的一件事情。

我不是说商品化的就不是好生意，你看今天的云计算，几家云厂商也是一门不错的生意。但整体上来说，这不是一个可以得到非常高超额利润的生意。它确实是下一个阶段人类社会智能的大基建，是一场圈地运动，所以你得先把这个基建做了、把地圈了，才有可能在上面再封装出更好的环境，封装出有反馈、有context（上下文）、有reward（反馈）的environment（环境），去探索更进一步的任务。

接下来全都是暴论，是我个人的偏见。在我看来，今天市场上有一个非常强烈的观点叫“Model is all”（模型即一切）。我相信模型会逐渐把一些共识型的、in-distribution（分布内）的东西逐步吃进去，包括harness这一层都会吃进去。但我也相信人类的智能是不可能被穷尽的，人类社会对这个世界的智能探索永远是源源不断产生的。

所以回过来，这一波AGI接下来真正会长出的所谓Super App（超级应用），我不知道它长什么样，但它其实会是一个在人类与AI的互动当中源源不断持续产生新智能的环境，这才是AGI的未来，而不是单纯地卖模型能力本身。如果我们AGI的整个产品形态就停在了卖模型能力本身，那这件事情就不是我们2022年年底、2023年年初觉得那么令人兴奋的事情了，因为我相信人类智能本身是不可以被穷尽的。

陈茜：我觉得前几年在VC界有一个假设，就是“winner takes all”（赢家通吃）。只要你做出了最强的模型，永远保持在第一，你就能收到最多的钱、最多的利润。但现在看起来不是这样的，因为谁也不能保证你永远都是第一的模型，而且感觉第一的模型跟第二名、第三名的差距也没有那么大。

Kiwi：我觉得这个要分阶段来看。这一波大模型如果单纯从卖API或者卖模型能力这门生意来说，跟上一代“四小龙”本质上没有太大区别：在模型的高速发展期，还没有形成相对稳态的时候，是SOTA模型掌握定价权，你就会有超额利润，而所有的追赶者是得不到超额利润的，你只能贴近成本、甚至亏着成本去卖。

但从我们上一代“AI四小龙”的经验上来说，永远保持技术领先，在我看来是不可能的。技术领先性只能给一家公司带来一个时间窗口，这个窗口是“人无你有”，但在这个时间点非常重要的一件事情是，能不能利用“人无你有”的窗口建立起业务或者产品本身的壁垒。

比如我自己对这一代AGI产品的一个期待就是：在人无你有的时候，别人没有这个模型能力，今天只有你有，那你能不能构建出一个可以持续生产新的智慧数据的环境，一个在人和产品的交互当中持续产生新智能、让模型进一步迭代的环境？如果这个环境建立成功了，因为一开始就是人无我有，更多的智能就会发生在你的环境里面，这个飞轮就会不停往上走，大家是赶不上你的。但如果这个环境没有被造出来，时间窗口一过，你就是商品化的，所有模型能力都会被拉平。

陈茜：这个问题可能不太友善，我也是单纯的好奇。在创新工场，你们很早就接触到了非常多前沿的信息，也有卡，那开复老师后来做零一万物的时候，你觉得为什么没有做起来？

Kiwi：首先，我觉得零一万物今天还在非常优秀地发展中，比如零一万物最近在做非常多的FDE（前向部署工程师）项目。

陈茜：我知道，我觉得他们最近想要做中国的Palantir。

Kiwi：是的，我觉得FDE不是一件很好做的事情，因为它不是一件纯靠技术去解决的事情。FDE非常核心的一点是，你要让一些非AI领域的人愿意接受AI的介入。说实话，我们刚才讨论到AI是一个非常中心化的技术，它意味着所有人对它天然的直觉反应其实是恐惧，knowledge worker（知识工作者）对它的直觉反应是恐惧，他会担心我跟AI协作的过程当中AI就把我蒸馏了，我今天教会了AI做这件事情，未来我的工作就不保了。

所以FDE的落地，是要把商务、把对组织的理解、对人的交互的理解，加上对技术的理解、对产品的理解统一在一起去做的事情。我觉得开复老师非常适合做FDE这件事情，他一直在布道，说实话，他在AI布道这件事上已经坚持了很久很久了。所以我觉得零一一直在做非常有价值的事情，现在也还在很努力地耕耘当中。

陈茜：那之前做大模型的时候，在大家比拼大模型能力这件事情上，你觉得零一缺的是什么？

Kiwi：首先我想说，开复老师也好，汪华老师也好，包括零一也好，他们真的非常非常早就下注AI，并且一直在努力践行。但确实，新的事情要找一些没有负担的人去做。而且说实话，人才在不同的环境当中，即使是同一个人，表现形式也是不一样的。比如我在一个播客访谈当中，和在一个非常私人的晚餐当中，我的表现就会不一样。

所以我们把同样一群人才放在不同的环境当中，表现是不一样的。在我看来，适合做大模型的环境是什么样呢？就是大家不会认为“做AGI”和“证明自己可以做AGI”这两件事情的差别很大。这需要整体的管理层相对比较一线，如果管理层不太一线的话，就我个人的观点来说，有可能会导致整个reward发生一些漂移。

陈茜：中国的大厂们其实在这一轮AI当中也扮演着非常重要的角色，一个是字节，一个是阿里，还有腾讯。你觉得这三个公司扮演的作用，跟月之暗面、智谱这种从零开始生长出来的全新的AI native（AI原生）模型公司有什么区别呢？

Kiwi：我觉得还挺不一样的。举例来说，字节非常令人意外。我觉得今年Seedance 2.0再加上AI短剧，再加上原本抖音的内容孵化平台，其实打出了一个非常漂亮的范式，就是模型的生产、消费、分发这件事情，如何在AGI的迭代当中形成闭环。这件事情我觉得甚至比Claude Code的一些闭环做得还要更往前一步、更加先进。

所以我觉得像字节，本身是一家在上一代移动互联网里积累出了非常强的生态型打法的公司，他们把自己的生态型认知、战略认知，结合这一波对AGI不计成本的投入，也是有很多有意思的玩法出现。

阿里这边，千问是一个非常优秀的团队，同时阿里本身，我觉得这一波国内几乎所有的大模型公司都被阿里投了，大家都得到了阿里非常多的卡的资源。所以阿里现在很像是圈地运动的支持者，他真的在给大家做大基建，这一点对中国整个大模型生态都非常重要。

腾讯这边，可能大家看到它最近在模型上的一些新发布，好像暂时还没有进入第一梯队，但我还是强调那个点：对于一个好的大模型产品来说，环境非常非常重要。我觉得微信真的拥有了我目前看到的整个人类社会里最好的环境之一，所以腾讯永远都是接下来大模型产品当中不可小觑的一股力量。

陈茜：我看今年美团又领投了最新的一轮Moonshot融资，看起来兴哥对Kimi还是满意的。上一轮没有投，但这一轮又领投了。

Kiwi：这个我就不知道细节了，因为我已经在专心构建我们的“套壳产品”了。

陈茜：你自己是什么时候从美团出来的？你是要开始自己创业了，是吗？

Kiwi：对，我去年年底从美团出来的。

我自己觉得，这一代的wrapper，也就是我们的“套壳产品”，有一件很重要的事情，就是怎么把智能普惠给普通人。因为我还有一个很深的感受是，从2022年年底开始用ChatGPT一直到今天，我都觉得我是AI世界的“二等公民”。

我身边那些特别强的、会写prompt（提示词）的人，能去构建agent loop（智能体循环）的人，能用好AI的人，能用好小龙虾的人，就是“一等公民”。但是我在那个开放式的输入框里面，就觉得自己不够聪明。同样问一个问题，也许一个有工程经验的人可以把一个开发任务做得更加扎实，而我就算让AI帮我vibe出来一个产品，它也是屎山代码，是不可维护的。

所以我持续地觉得自己是AI产品的“二等公民”，到今天为止我都是这么觉得。但一个产品如果一直让一波用户觉得自己是“二等公民”，它大概率不是一个好产品，或者说对于消费者侧来说不是一个特别好的产品。我认为，下一个阶段，怎么样把智能这件事情更加普惠、让所有人可以更加平等地享受到，是很重要的。所以我自己觉得，下一波的很多“套壳产品”其实有非常多可以去做的事情。

陈茜：现在方便披露你们要做什么东西吗？

Kiwi：可以稍微说一下，我们目前在做一款for human interaction（面向人际互动）的小工具，就是怎么样服务好人与人之间交流这件事情。这是我们当下想给每一个人去用的东西，因为每一个人接触的生活不一样，他对于人的认知也不一样。所以我们觉得，人与人的交流不是一个我把编码后的信号发给你、你再解码的过程，而是我们共同制造了一个场域，在其中重建意图的过程。所以接下来，我们可能会在这件事情上做一个小小的套壳工具给大家用。

陈茜：好呀，非常期待你们的产品发布，谢谢Kiwi。

Kiwi：谢谢。

来源：硅谷101