98: 李开复聊零一部分团队并入阿里：只有大厂能追逐超大模型

上周初开始 ， 市场陆续出现了有关 " 零一万物 " 的新调整的传闻 。 关键词包括 ：" 放弃预训练 "、" 资金链紧张 "、" 被阿里收购 "。在传闻出现的第二天 ， 我们在零一万物办公地中关村鼎好大厦采访了李开复 ，他解释了实际发生的变化 ： 零一万物已经和阿里云成立了 " 产业大模型联合实验室 "， 零一万物的大部分训练和 AI Infra 团队会加入这个实验室 ，

成为阿里的员工 。 而零一自己接下来会聚焦做更快 、 更便宜 、 更小 、 更能支持普惠应用的模型 ， 同时自己做应用 。在李开复的描述里 ， 超大模型和更快 、 更便宜的模型的关系类似于 " 老师和学生 "。

超大模型可以通过标注结果和生成更多合成数据的方式 ， 帮更小的模型提升性能 。 去年 5 月我们也访谈过一次李开复 ， 当时的话题是从 " 中国最年长的 AI 大模型创业者 " 开始的 。在 2023 年创立零一万物时， 李开复已经 62 岁 ， 前几年他才刚从一场大病中康复 。

和他行业地位还有人生阶段相似的人， 更多会选择支持一个公司 。 而李开复这一次是 " 自己当 CEO"， 自己跳入了这场大模型的混战 。

关于零一的新选择 ，有人认为是务实的调整 ，有人认为是 " 收缩乃至认输 "，也有人给出复杂的评价 。

比如一位创始人在朋友圈分享我们访谈李开复的文章时说 ：" 颠覆性技术 、 超大型基建和高效商业化很难兼得 。

创业往往是从最开始什么都想做 ， 坍缩到专注商业化 ， 这是一种悲哀的正确 。" 不管如何 ，在最新变动出现之后， 李开复快速对外界说明事实和阐释想法的姿态 ， 展现了一个 CEO 的责任 。

当公司出现调整 ，CEO 是那个需要对内对外说明情况的人。 这次我又问了去年问过李开复的一个问题 ： 在功成名就时再来创业 ， 会不会有心理包袱 ？

他的回答还是和上次相似 。1983 年， 李开复开始在卡耐基梅隆大学攻读计算机博士学位 。 当时他在研究计划里写 ：" 人工智能是人类了解自身的最后一步 ， 我希望投身这门新的 、 有前景的科学 。"

李开复认为 ， 这是他等了 40 多年终于等到的 AI 时代 ， 如果自己没有试一把 ， 才会是一个终身遗憾 。

我们访谈李开复的两篇文字报道 ， 我也贴在了 shownotes 里的 " 相关链接 " 部分 ， 感兴趣的听友可以阅读 。

本期的主播是曼祺 ， 下面我们就正式进入节目吧 。

你这几天会感觉特别累吗 ？ 因为这几天有很多关于你们的传闻出来 ， 可能它是不准确的 ， 会让你感到疲惫吗 ？

不是疲惫吧 ， 就是让我觉得需要机会澄清 。 所以感谢你这个采访的机会 。

对 ， 我觉得您可以自己来描述一下最近发生的变化 ， 被大家传闻成 " 被大厂收编 " 或者 " 被阿里收购 "， 甚至是 " 裁员 "， 还有 " 资金紧张 "， 实际上到底发生了什么 ？

就是我们认为一个商业公司需要一个非常快而便宜的模型 ，在上面打造可以赚钱的应用 ， 来证明这个公司的商业化 。

那么如果说在技术推展上， 我们需要继续推进这个模型 ， 我们依然可以去做一个 V2， 可是我们会用商业的眼光来看它值不值得 。

我们也可以去依靠一个超大的模型 ， 作为一个老师模型来帮助提升它 。 那么我们就可阿里成立了联合实验室 ， 能够依赖大厂 ， 能够训练得更大的模型 ， 能够把我们较小的模型的能力有所提升 。

所以总结来说就是 ： 你们和阿里合作 ， 阿里来做这个 Teacher Model 的部分 ， 就是这个超大的可以用作训练老师的这个模型 ， 然后你们是在这个 Teacher Model 的训练之下， 你们去做你们觉得更快更便宜的模型 。

对 。

接下来是阿里会接收你们的预训练的团队和 Infra 的团队 ， 这个准确吗 ？

我们成立这个联合实验室 ， 确实是把我们零一万物对做超大机群的 Infra 有能力 、 有才华 、 有梦想的这些人， 还有一些我们做超大模型有梦想 、 有追寻 、 有能力的人 ，他们觉得在这个联合实验室里跟阿里一起来做这个超大模型 ， 会是更符合他们的追寻 。

那这个联合实验室的员工是阿里的员工 ， 所以确实是有一些零一的人员入职了阿里 。

这个是否意味着零一要放弃预训练 ， 还是这不是一个概念 ？

我觉得以后的预训练会有一个分叉 ， 一个是做超大模型的预训练 ， 这个是一个非常厉害 、 能够做可能接近 AGI 的一个追寻 ，但是它会很贵 ， 这个我们是放弃了 。其实我们很早就放弃了 ，但是现在就可以更放心地放弃 ，因为有合作伙伴可以来跟我们做 。

超大模型预训练如果暂时不做了 ， 就是这一部分放弃了 ， 那没有放弃的事情是什么 ？ 你们接下来的重点工作 ， 我理解的话 ，是基于阿里的超大模型 ， 你们做一些精调 ， 然后重点来做应用吗 ？

不是啊 ， 我们的模型还是需要预训练的 ， 只是它是一个很快速的一个预训练 ，而且可能也是不常做 ， 这样我们才能控制它的成本 。

那我会衡量说 ，OK， 我一年做一次预训练够不够了 ， 两次需要吗 ？ 它带来的价值提升值得去做吗 ？

不值得我就用上一次的模型 。 我们现在是有一个 Lightning 的 V2 的版本 ， 只是说你可以这么想 ， 我们是个大学 ，不断地在培养学生 ； 阿里是个师范学院 ， 它在培养老师 。

等它的老师超级牛了 ， 我们的学生也很牛了 ， 超级牛老师教的超级学生 ， 就是可以去进入职场的一批人了 。

因为其实阿里的通义系列里面 ， 它也有不同尺寸的模型 ，不光是阿里 ，其实大家做这个模型的时候 ， 都是会有不同的尺寸的版本的 。

就是它也会有一些尺寸 ， 它是去针对就是您说的更快更便宜的这个方向 。 如果你们已经和阿里有非常深度的合作之后， 这个方向你们还是要自己做的必要性是什么 ？

之前其实我也谈过 ， 就是说一个公司要不要做预训练 。 我的答案 ， 当时的答案跟今天的答案是一样的 ， 就是当预训练出来的已经不如一个开源的时候 ， 那这个公司就要停止预训练了 。

那我们现在的 E-Lightning 是超过 ， 就是在现在的这个成本和我们的控制可控之下的考虑到它的成本和表现 ，是不能被开源代替的 。

但是如果有一天能被代替的 ， 每一个公司都不应该执着说我为了要做预训练而预训练 。

所以就是当开源超过了你们自己的闭源的时候 ， 我从合理的角度来说 ，不做预训练这件事就会发生 ， 只是它今天还没有发生 ， 今天还没到 。

我们今天专注于用我们非常好的模型 ， 然后依然可以打造很好的应用 ， 那我们会很务实地来看这件事情 ， 用最好的模型来做最好的事情 。

我们的公司的存在不是因为要给 E-Lightning 找应用 ，而是我们要给应用找最好的模型 。 那只要这个最好的模型是我们的模型 ， 好的定义可以是够小 、 够快 、 够便宜 、 够厉害等等的 ， 那只要有一天它不是了 ， 那我们就会做一个务实的决策 。

之前您说过零一的一个优势 ， 就是你们自己做 AI Infra， 做这个推理引擎 ， 所以你们能主动地大幅降低训练还有推理的成本 。

那这件事在这个新的方向调整之后是不会变的是吗 ？ 可以讲讲就接下来的这块的想法吗 ？

我们现在有一个较小的训练团队 ，也有一个较小的 Infra 团队 ，而且一定程度我们的模型的变动不会那么大了 ，因此我们的 Infra 的变动也不会那么大了 。

所以我们之前 Infra 团队可能有更大的梦想 ， 就是要做一个 Scaling Law， 万台机 、 万张卡 ， 甚至更大 。 那么今天既然不做了 ， 那他们就应该要去一个能够实现他们的这个能力的地方 。

在现在和阿里合作的这个选项之外， 你们曾经还考虑过什么其他选项 ？

没有 。

没有 ， 包括你们和大厂谈 ，也就是只和阿里这一家谈了是吗 ？

我觉得阿里愿意来跟我们这样成立一个联合实验室 ， 然后让我们有这样的一个双赢的机会 ， 我们很开心 。

这件事其实是阿里先提的是吗 ？ 还是你们双方就是刚好 ——

我算是我们的投资人， 所以经常沟通 。 我觉得太多细节不太合适了 。

因为我之前也了解到你们还有一个计划 ， 你们也考虑把一些业务给 spin off 出去 ， 让它独立地融资 ， 这个也是在推进的是吗 ？

这都是一个商业的考量 。 如果你能把一个业务分拆出去 ， 让它的员工更有动力 ，而我们又不失去对它的控制 ， 那就是一个双赢 。

这种机会我们会 ， 任何一个公司都应该 open 的 。 而且现在我们还没有分拆 ， 我们不用讨论太多 。

你觉得被收购会是一个选项吗 ？ 曾经考虑过这个吗 ？

我们没有去寻求被收购 ， 我觉得这不是我们想做的事情 。 我们认为我们有独特的价值 ，但是我觉得任何一个创业公司 ，因为我也在创新工厂投了很多公司 ， 任何一个创业公司 ， 它都要考虑到投资人的这个 ， 毕竟是为了投资人服务的嘛 。

那如果收购是最好的一个结局 ， 每一个创业公司都有责任去考虑这个选项 。

其实 5 月我们聊的那一次 ， 您有说过零一要做的话 ， 就想做成一个万亿美元的公司 ， 整个设计是想要做成 AGI 时代的微软 。

那现在这个调整 ， 我理解是非常务实的一个调整 。 这个调整之后 ，是不是意味着当时的那个设想其实是比较难实现了 ？

我觉得每一个人都要梦想 ， 万一实现了呢 ？ 我们依然有很多梦想 ， 那只能说我们现在可能是从应用来起步 ， 走这样的一个方向 。

微软它的第一个产品也是一个 basic 的编译器 ，也是个应用 ， 最终它还是走出了一个万亿市值的公司 。 就是说大家其实都有这个 AGI 的梦想 ， 每一个创业者应该都有一个成为非常巨职的公司的一个梦想 。

那它需要多少时间来完成 ， 第一步应该是哪一步 ？ 更重要的可能不是说仰望星空 ， 谁都可以仰望星空 ，而是脚踏实地 。

那您觉得这个梦想现在算是破灭了吗 ？

当然没有了 ，但是我不会去想它 。 当时我觉得最有价值的公司 ，是在做一个 AI 时代的微软出来 。 今天还没有谁做出了 AI 时代的微软 ， 每家公司都还有机会 。

我们不会认为自己没有机会 ，但是我们走的道路跟 5 月是有一些调整 。

其实我了解到 ， 就中国的大模型公司里面 ， 除了零一之外， 有其他的公司也在考虑类似的调整 。 你觉得这会是中国大模型创业的一个节点吗 ？

我不想评估别的公司 ，但我觉得每个大模型创业公司都必须要考虑的几件事情 ， 一个就是在 Scaling Law 变慢的时候 ， 我们该怎么去处理 ； 第二个是只有大厂能做巨大模型的时候 ， 我们是采取什么样的一个措施和回应 ； 然后第三个是在商业化困难的时候 ， 我们怎么样去能找到一个成长之路 ， 然后能接受这个灵魂拷问 ； 第四个是我们在一个公司能拿到一个不错

的财务报表的时候 ， 就是收入的时候 ， 我们怎么去也有一个可解释的成本 ，不要让这个好不容易成长上来的这点收入 ， 就变成了一个我们的成本的小数点之后的数字 。

我觉得这四个问题是每个全世界的大模型公司较小规模的都需要考虑的 。

那接下来我们可以完整聊一下这个过程 ， 哪些行业的变化以及您对这些变化和新形式的思考 ， 让你们有了现在的调整 ？

首先就是 Scaling Law。 我觉得上次我们去年 5 月谈的时候 ， 我们做出了一个真的是往超大模型走的 E-Large， 它不是最大的模型 ，但是它是一个相对大尺寸的模型 。

这个模型做得表现很好 ， 世界打搒排名什么的 ，但是这个模型并不快 ，并不便宜 。 然后一个真的要落地的话 ， 还要更便宜更快 。

所以当时我们面临的这样的一个选择 ， 就是说我们要相信 Scaling Law， 去花更多的 GPU、 更多的数据 ， 烧更大的模型 ， 还是我们要做一个更务实的一个商业公司 ， 可以落地 ， 可以赚钱的一个事情 。

当时还有几个考量 ， 一个就是说模型要变现 ， 需要应用 ， 那应用要落地要有好多用户体验 ， 好的用户体验需要快 ， 然后不能过度收费 ， 无论是 ToC 或者 ToB。

所以面临这样的一个抉择 ， 我们也觉得说一个创业公司去跟大厂比烧谁更大的模型 ， 最终是不会成功的 。

这个抉择是在去年 5 月的时候就发生了吗 ？ 还是到后面什么时间又有一个更具体的事情 ， 让你非常严肃地在思考这个问题 ？

我觉得就是 5 月的抉择 。 当时我们发布的时候 ， 你可能记得我们还谈了一个叫做 E-X-Large 的模型 ， 后来我们就放弃了 ， 就是在五六月吧 ， 决定放弃了 。

那 MoE 模型呢 ， 我们其实一直在做 ，其实在 E-Large 的时候就已经在做 MoE 模型了 。 然后之后应该是说 MoE 出了一些比较让人振奋的结果 ， 所以我们就把这个方向转到了 MoE 的模型 。

它达到的高峰就是我们在 10 月推出了 E-Lightning， 所以这也符合了我们每六个月要有一次更新 ， 然后要带来一些惊喜 。

那么 E-Lightning 呢 ，其实跟 E-Large 是完全不同架构的一个模型 ， 它是基于这个混合专家 ， 然后是非常高效 ， 它的表现比 E-Large 要上了一个台阶 ， 然后也达到了当时的全球第六名。

那 E-Large 已经可能跌到快 20 名了 ， 当时是 50、20 名左右 ，而同时呢 ， 它的速度比 E-Large 要快好几倍 。 它的价钱也是一个 GPT-4o 的 1/30， 虽然它的表现只略逊于当时最新的 GPT-4o，但其实是超过了 5 月的 GPT-4o。

所以我觉得是一个超出大家预期的一个非常好的模型 ，也代表了我们走出一步 ， 就是说我们也重新定义了 ， 我们不是要烧世界上最大 、 最贵 、 表现第一名的模型 ，而是要做一个足够便宜 、 足够快 。

就是因为我们认为 2025 年是应用爆发年， 那应用爆发年需要的是一个能够做普惠的应用 ，而且能够速度很快满足用户的体验 。

所以这是我们的方向 。 那在这个前提之下， 能做到最好的一个表现 ， 然后又那么小那么快 ， 我们还是超过自己的期待 ， 所以这是当时走的一个方向 。

那么谈到 Scaling Law 呢 ， 可能最近又有两个新的认知 ， 第一个认知就是说 Scaling Law 已经明显地进入了一个 diminishing return， 它不是说再用更多的算力跟数据做不出进步了 ，是可以进步的 ，但是它的进步是不符合投资回报的 。

比如说你一张卡加到 10 张卡 ， 可能可以得到 9.5 张卡的价值 ，但是你 10 万张卡加到 100 万张卡 ，也许只能达到 13 万张卡的价值 。

那您觉得这是个行业共识是吗 ？

这个现在是行业共识 。

那就是把这个 Scaling Law 更多地放到推理时间 ， 它不算是对这个事的一个拓展吗 ？

是 ， 它是一个不同的 Scaling Law， 我讲的是 Training time 的 Scaling Law， 我们先讲这个部分 ， 一会我可以讲 Inference time 的 Scaling Law 或者 Test time 的 Scaling Law。

这 Training time Scaling Law 呢 ， 就是说谁还能烧更大的模型 ， 只有那些真的是真心想做 AGI，而且做出一个世界最大 、 最棒 、 最牛的模型的公司 ，而且它的成本代价会非常的高 ， 绝对不是一个初创公司可以做的事情 。

那这件事情我们其实已经有这样的一个预判 ，但是呢 ， 这是不是代表超大模型就彻底没用了 ？ 其实也不是 。

超大模型其实还有一个非常重要的用处 ， 就是它可以用来做老师模型 ，也就是说我们要放到市场的一定是像 E-Lightning 这样的模型 ， 或者你可以说其他的品牌 ， 较小的 Qwen 或者是 DeepSeek 或者是 GPT-4o mini 等等的 ， 这类的模型会是主流 ，因为它们的能力足够了 ， 可能不是最顶尖 ，但是足够了 。

但是呢 ， 它们还是可以受惠于有一个老师来教它 。 那么老师怎么教它 ？ 老师可以标注数据 ， 或者生产 synthetic data， 就是合成数据 。

那合成数据跟生成有什么价值呢 ？ 一个就是说我可以标注一些结果 ， 让你的后训练能够大大地提升 ； 第二个就是说我能合成更适合你去训练的数据 。

那当然合成数据不会比真实数据更好 ， 如果你只是替代它 。 但是如果我们合成数据的目标是说我现在有一个比如说 E-Lightning 这样的模型 ， 它会在比如说 20T 的数据饱和 ， 我怎么能生成一个 20T 的更好的数据 ， 让它能够饱和再上一台阶 。

所以这一类的功能以后的主流就会是超大的老师模型去训练一个学生模型 ，但是学生模型是够快 、 够小 、 够便宜的 。

这个趋势不是我发明的 ， 我们可以看到 Anthropic 它的 Opus 跟 Sonnet，Opus 后来就不给人用了 。 为什么 ？ 因为它就是用来做老师模型了 。

我们 Anthropic 的朋友跟我们说的 ， 它 Opus 训练得挺好的 ，但是它太大 、 太快 、 太慢 ， 慢也卖不到多少 ，而且最后卖给一些竞品去用它做老师模型 ， 何必呢 ？

还不如留着训练 Sonnet， 然后卖 Sonnet。 因为 Opus 它发了没有意义 ， 再不然就卖不好 ， 卖得好也是卖给那些蒸馏它的公司去用的 。

那同样的 GPT-4.5， 这个 5.0 可能最后会被称为 4.5， 这个还没有最后定论 ，但是它已经做出来了 。 但是在内部测试的效果也是觉得它友好 ，但是不值得它带来的延迟和成本 。

它会不会卖我并不知道 ，但是它绝对扮演的功能是去把所有的 GPT 小模型去重新提升一遍 ， 就是用老师来提升学生的能力 ， 然后用学生来做普及的工作 。

那么这两个认知得到了之后， 我们就比较容易做我们的第二个部分的决定 ，也就是说这个认知我们大概是在去年第三 、 第四季度吧 ， 比如说 9 月 、10 月的时候 ， 觉得说一 ， 我们模型绝对不能再大了 ， 闪电模型就是我们的正确的尺寸 ，是个甜点 ，也许甚至有些情况还在做小一点 ，但是它还没有充分发挥它的能力 ，因为它需要一个老师 。

那谁来做我们的老师呢 ？ 那就是大厂了 。 所以因此有这样的一个阿里的合作 ，因为我们自己做不起老师模型嘛 ， 所以你要说是抱大腿也行 ，但是就是说像你做一个很棒的手机应用 ， 你不会说去重做一个安卓嘛 ， 或者你做一个很棒的 PC 应用 ， 你不会重去做一个 Windows 嘛 ， 这些东西是靠大厂的嘛 。

那以后这种超大模型的能力也肯定是靠大厂 。 那国内现在看得到的大厂 ， 比较确定的应该是阿里跟字节 ，也许以后还会有一两家入局 。

那我们作为一个初创公司 ， 应该勇敢地去做这样的一个抉择 ，因为它是符合趋势的 ，也是会给我们带来一些优势的 ，因为我们这样可以轻装上阵 。

所以我讲了这个 Scaling Law， 然后 Teacher Model， 然后你提到的这个 Inference time， 这个事情呢 ， 我们确实大家都在分析和研究 ， 我们也比较振奋这样的一个慢思考的能力 ， 可能是下一个阶段的突破 。

而且我觉得我们有一个非常快的推理 ，是有很大的优势的 ，因为如果你需要慢思考 、 长思考 ， 你每一个思考单元变快了 ， 你整个思考过程就变快了 。

所以如果说平常我们的速度假设是 GPT-4o 的比如说 5 倍 ， 那么一边它出 Token 的数字可能出得比它快一点 ， 然后之后呢 ， 我们已经超过人阅读的速度了 ， 那边的话可能大约匹配人阅读的速度 。

所以虽然我们快 5 倍 ，但是没有什么用户的 benefit，但如果说两边都用了慢思考 ， 都变慢了 10 倍 ， 那它那边就变成对很多应用不可忍受了 ， 我们这边就还是可以接受 。

所以我觉得用一个非常快的推理模型 ，在一个 Test time Scaling Law 的时代 ，其实是更符合的 。 而且何况我们用一个非常快的 Inference 的 engine 推理引擎 ，是可以做更多的实验 ， 摸索出更多这方面的方向 。

所以我觉得这是另外一个理由 ， 我们选择走快 、 走便宜这个路径 ， 我们认为是正确的 。 所以这是可能第一个我想讲的逻辑 。

嗯 。

第二个逻辑呢 ， 就是在大模型时代一切都加快了 。 如果我们回去看 AI 1.0 时代 ， 技术就是深度学习 ， 然后应用可能是从视觉切入别的应用 ， 一个个慢慢来的 ， 然后从公司的发展 ， 可能是从谁的人最牛 、 谁的论文最多 、 谁的比赛成绩更高 ， 然后慢慢地进入了一些商业的里程碑 ， 谁能够拿下一个大单 ， 谁能多拿几个单子 ， 谁能商业地扩张 ，

然后最终的灵魂拷问就是你能不能做一个不考虑你是个 AI 公司 ， 仍然有一个财务报表 ， 它可以上市 。

因为最终这才是一个重要的里程碑 ， 让投资人能够有退出的机会 ， 然后让它能够作为一个上市公司有更多的信誉往前走 。

它并不是一个终点 ，但是一个重要的里程碑 。 那么我觉得一切都加快了 ，在 AI 2.0 的时代 ， 我们的技术迭代的速度加快了 ， 我们从信仰 Scaling Law 到怀疑 Scaling Law 只花了一年的时间 ， 过去不是这样的 ， 摩尔定律支撑了多久 。

所以我们技术的速度是飞快的 ， 这代表这个领域也是需要能够快速地动态调整 。 但是我们不只是这个变快了 ， 我们的灵魂拷问也变快了 。

也就是说我们因为那些要烧 Scaling Law 的创业公司 ， 会烧得更多 、 烧得更快 ， 我们这个行业的拷问也会来得更快 。

所以如果你一年烧四五亿美金 ， 你就算融了十几亿美金 ， 这个拷问很快就会来了 。 所以我觉得我们更应该做一个符合商业逻辑 ， 对投资人负责 ， 让自己能够确保活下来 ， 做一个有价值的商业的这个模式 ， 然后能够更快地面对刚才的最后的灵魂拷问 ， 就是你到底能不能把技术转换成商业价值 ，并且让投资人看到你可以有收入 、 增加

收入 ， 然后让你的亏损收窄 ， 最终单点形成盈利 ， 然后多点形成盈利 。 这样的一个过程是必须加快的 。在商汤旷世的时代 ， 似乎有 6 到 8 年的时间 。

对 ，因为它们成立的时候 ，其实那会儿大众或者说创投层面 AI 还没有那么火 ，16 年的时候 AI 才变得特别火 ，但它们都是旷世是 11 年成立的 ， 商汤大概是 13 年左右吧 。

就前面它有一段时间 ， 你可以说它是比较低调地在发展 。

对 ， 那你扣除那前一段时间也是个 4 到 5 年， 大家才看它的财务报表 。 那四小龙也好 ，其他的 AI 公司也好 ， 后来就都面临了这个拷问 。

那我觉得现在我们就加速了 ， 从四五年可能到两三年就要回答这个考题 。 那么去回答这个考题 ， 我们可以把它拆分成几个题目 。

第一个题目就是你到底懂不懂商业运作 ， 第二个是你到底能实现多少收入 ， 第三是你能实现多少成长 ， 然后第四是你能不能控制成本 。

我觉得六小虎对技术都各自有它的优势吧 ， 都可以讲它做得很不错等等的 。 但是从商业的运营来说 ， 我不去评价别人 ，但从我的角度来说 ，有几个重要的判断标准 。

第一个就是说不打打不赢的仗 。 如果有一个行业 ， 你再不是没有达到 PMF 的验证 ， 再不是你一定程度达到了 ，但是要教育市场 ， 或者是有一个很强的巨头垄断的碾压 ， 这个仗是不能打的 。

这是第一个逻辑 。 第二个逻辑呢 ，是不能去大量地做投入而看不到回报 。 比如在 ToC 的应用 ， 你去投放可能可以让你的用户量增加 ，但是你停止投放了 ， 用户也不增加了 。

所以你的用户增量可能都是买来的 ， 或者它有一定的自我增长 ，但是它是需要不断地大量地输血 ， 才能维持一定的行业定位 。

那如果这样的一个应用跟场景是在一个还没有看到收入的可能的领域 ， 那对一个创业公司也是非常危险 ， 尤其是我们的这个边际成本其实是很高的 。

因为用户增长也好 ， 去得到一个免费用户的它的使用也好 ， 它常使用你就要烧 GPU。 所以这个逻辑呢 ，也是需要去自问的 。

那要做 ToB 的话呢 ，也非常危险的一件事情 ， 就是如果做 ToB， 我们做的是比较边缘化的东西 ， 那创造的价值不大 ， 付的钱不多 ， 我们也很难去把它做好 。

做得不好用户不会满意 ， 我们也赚不到钱 ， 就变成了一个恶性循环 。 可能一个 ToB 的领域 ， 如果你做的都是边边角角的 ， 花了很多钱去竞价 ， 可能连销售成本都没有办法摊回 ， 就不要考虑 GPU 成本等等其他的成本了 。

所以呢 ， 要做 ToB 的话 ， 就要去找那些能够创造核心价值两种 ToB 的单子 。 一种是能够创造比较大的核心的价值 ， 就是帮它赚钱 ，不是只是帮它省钱 。

这是一种 。 还有就是说强强联合 ， 它有一些特别强的深度的狭窄领域的 ， 特别适合大模型的 ， 然后愿意去拥抱这个东西 ，而且是要有一个非常有远见的 CEO，他敢做这个巨大的决定 。

那这种单子肯定不多 。 还有第三种可做的 ， 就是说你做第一个客户可能没有赚钱 ，但是它是一个可复制的 ， 可以重用的 。

那可能你做这个行业 ， 或者再做 5 个 、10 个 、20 个 、100 个用户 ，是能够用到 60%、70%、80%， 你第一个客户用到的 ， 那么第一单也许没赚钱 ， 之后可以赚钱 。

所以这是我们认为非常重要的商业逻辑 。 所以我们整个 ToB 的做法是按照这个逻辑 。 最后一点就是说 ， 我们可以看到 ToB、ToC 国内国外都不容易做 。

国内的 ToC 是看来很难有收入 ，而且巨头垄断的领域 。 国内的 ToB 大部分的案子是不能赚钱的案子 ，是项目制的 ，而且不见得能够很容易复制的 。

然后国外的 ToB 我们根本不会做 。 所以这看起来就是很难去解的一个局 。在这么难解的一个局的前提之下， 还有一个问题是 ， 如果你还要烧巨大的模型 ， 还有 5,000 张卡 、1 万张卡 、12,000 张卡 ， 那它带来的每年的一两三亿美金的成本 ， 怎么去分摊到你的业务收入来 ？

如果说我们的灵魂拷问要提早来到 ， 市场要说你今年花了多少钱 、 赚了多少钱 ， 给我一个答案 。

第一个是你要讲一个大的 ， 我收入很多 ， 已经不容易了 。 然后如果还要说我的亏损是我的收入的 5 倍 、10 倍 、20 倍 ， 那么这个故事就基本不会被人接受 ， 然后灵魂拷问就会失败 。

所谓的商业模式的这个商业化的淘汰赛 ， 我在朋友圈里说的就是这么一回事情 。 所以我们必须进入一个状态 ， 作为一个 AI 创业公司 ， 我们必须要把我们用在 GPU 上面的钱 ， 当做一个 business expense 来花 。

也就是说我要不要雇这个人， 我要不要买这台电脑 ， 要不要去批准去国外出差 ， 要不要买 GPU， 这个是一样的考量 。

就是说我如果决定要做这件事情 ， 我要花多少钱 ， 然后我一年要花几次 ， 然后我可以从它得到多少回报 ， 这个是要能够回答的 。

你去问任何一个公司的 CFO、CEO 或采购部门 ，他可以明确地告诉你说 ， 我买 PC 或不买 PC， 对我公司的影响是这个 。

不买 PC 省了钱 ，但是生产力会下降 。

这还是创业公司的逻辑吗 ？ 这听起来是大家对成熟公司才会这么去考量的 。

对 ， 一个不需要面临灵魂拷问的创业公司 ， 初创期不用考虑这个 ， 我们去年没有考虑这个 。 但是现在因为灵魂拷问的来临变得更快了 ， 就是说基本上有三个事情同时在发生 ， 一个是 Scaling Law 在变慢了 ， 第二个是只有大公司能做 Scaling， 然后第三个行业的灵魂拷问时刻到了 。

您觉得如果长板够长的话 ， 可以帮助创业公司推迟这个拷问到来的时间吗 ？ 比如说我的模型做得特别惊艳 ， 或者我的产品增长数据做得特别好 。

当然可以 ， 当然可以 。 产品增长数据就变成了一个商业逻辑了 。 如果你产品在增长 ， 哪怕你还没有收入 ， 投资人会有耐心 ， 或者会愿意投资你的 。

这是一个正常商业逻辑 。 如果你长板特别长 ， 我觉得也是可以的 。 但是现在的话 ， 我觉得我们明显看到了所谓的中国打法 ， 就是说我们能把推理成本降低 ， 训练成本降低 ， 这是好几个公司的优势 。

但是这个优势不代表你可以不面临灵魂拷问 。 然后你的长板长在什么地方 ， 只是说我们变快 ， 那快怎么转换成钱 ， 还是要回答的 。

那么我们训练一个模型要花多少钱 ？ 我们训练的 E-Lightning 是 300 万美元 ，DeepSeek 说它是 600 万美元 ， 都已经在行业非常低了 。

但是如果你真的要用商业逻辑来看这个问题 ， 好 ， 我们预训练是 300 万 ， 之后还花了什么 ？ 之前花了多少科研 ？

假设加起来是 1,000 万美元 。 好 ， 那这个模型的寿命是多久 ？ 现在一般模型寿命也就 6 个月 。 那么你 6 个月花了公司 1,000 万美元 ， 那你能在多少时间赚回这 1,000 万美元 ， 或者赚回足够的数字 ， 让你看到你不断地迭代模型能带出来结果 。

而且你要对比的是说 ， 如果我不用 E-Lightning， 用 E-Large， 能不能得到同样的收入 ？ 真的不可以吗 ？ 就像你家里买一辆车 ， 你买这辆车给你带来的方便 ，不是说我没车有车的差别 ，而是我上一辆车已经在了 ， 它还能开 ， 那我多开个半年， 还是我要现在就要换新车 ？

那这个对我的家庭的经济值得不值得 ，是要做一个考量的 。

比如说零一它有没有一种选择是我把我的长板 ， 就比如说我刚才说的这两点 ， 模型或者我的增长数据做得特别长 ， 我如果先不考虑收入和盈利的话 。

对 ， 这是一个平衡的选项 。 那我们认为我们现在的我和我的管理团队 ， 做收入我们是有信心的 ， 做增长我们会试 ， 然后做模型有很长的长板 。

坦诚地说 ， 中国今天还没有一个公司做出来过 。

你觉得最近非常火的 DeepSeek 也不算什么 。

DeepSeek 做得非常好 ， 它的优势跟我们很类似 ， 它推理能力会变强一些 ，但是它的推理成本也会变大一些 。

所以比如说挑两个美国很强的模型来比吧 ， 一个可能性价比更高 ， 一个可能绝对的 performance 更高 。 对 ， 我觉得 DeepSeek 做得非常好 ， 我们非常尊重它 。

但是如果真的要说长板特别长的话 ， 那可能还要观察吧 。

那经过这一次调整 ， 我理解零一接下来的一个很大的重点是商业化 。 我看您昨天也发朋友圈提到 ， 你们 2024 年有超过 1 亿元的实际的收入 ，2025 年还会翻倍 。

可以讲一下商业化的进展和接下来的计划吗 ？

就像我朋友圈所发的 ， 我们是 2023 年成立的 ， 应该是 4 家六小虎 ， 还有两家更早嘛 ，Mini Max 跟那个智谱 。2023 年成立的四小虎里面 ， 我们应该是第一家做到 1 亿收入的 。

那么 1 亿收入不代表什么 ， 离上市还远得很 。 但是作为第一个运营年，2024 年有 1 亿收入 ，其实是一个挺自豪而且挺独特的事情 。

它表示我在刚才讲的这几个商业逻辑上， 我们有落地 ， 我们的海外 ToC 的产品基本已经打平了 ， 然后下面是有机会能够得到盈利的 。

我们国内的几个落地的场景 ， 比如说我们努力在攻克的 ， 比如说游戏 、 能源 、 汽车 、 金融 ， 这些领域也是都有一些斩获 ， 大部分都有千万以上的单子 。

所以是真的有创造了在今天这个场景里 ，在 2024 年的场景里 ， 你去打单打不出一个千万级别的单子 ，而且这些是基本都是软件单子 。

所以是真实的有创造给客户的用户价值 。 那下一个阶段我们会再继续地放大这些领域 ， 我们还有几个我们很认可的领域 ， 然后我们也发现我们不见得适合自己去做 。

我们会在一些垂类去跟其他的公司来做共创 。 共创的一个模式就是我们可以成立一个合资公司 ， 对方出行业的 Know-how， 还有也许一些可分享的数据 ， 或者如果它控股的话 ， 基本数据都可以放进来 。

然后我们出技术 ， 所以我们不用出钱 ， 技术入股 ， 能够做出更好的行业解决方案 。 我觉得其实整个行业很大的一个挑战 ， 就是客户跟技术提供商不是一个共创双赢的局面 ，而是说我给你压价 ， 然后你就随便给我做做 ， 然后我就不满意 ， 这反而是一个负面的循环 。

而是说当我们在一起强强联合 ， 把你的行业 Know-how 跟数据和我的技术放在一起 ， 这个合资公司做大了 ， 我们两边都有钱赚 ； 做得不好 ， 我们两边都有亏损 。

这样的话就更能够创造价值 。 当然我也不是说全部的模式都要这么做 ，但是因为我们这边有一些优势 ， 我们有投资的经验 ， 我们有行业的人脉 ， 我有从上到下的打通的一些人脉和机会 ， 然后我们也可以利用创新工厂里头的很多公司来做这一类的共创 。

所以我觉得我们是有把握在 25 年能够有数倍的成长 ， 就是从 1 亿做到数亿这样的一个收入 。 我觉得站稳了这一点 ， 然后再回头去看 ， 如果我们能够把 GPU 的训练压缩到一个它能分摊出来还是合理的 business expense， 那这个公司它的财务报表就会是可以给一个科技行业但是非大模型领域的人一看说 ， 哎 ， 这个收入涨了这么多倍 ， 然后它的花的钱是控

制在了一定的 level。 也就是说它假如说一年只需要烧一次模型 ， 或者最多两次模型 ， 一次只要花多少多少钱 ， 然后有一个大 Teacher Model 来训练它 ， 让它的模型不会掉队 ， 甚至还能在第一梯队 ，而且呢 ， 能够去支撑很好的应用 。

那么这样的账就可以算得下来 。 所以这是整个考虑到商业逻辑 ， 考虑到 Scaling Law， 考虑到我们已经得到的初步的商业化的验证 ， 综合作的一个判断 。

它是在去年 5 月开始萌芽 ， 然后在第三季度开始看到可能需要走这样的一个道路 ， 然后之后跟阿里的讨论也达成了这样的一个强强联合 。

然后大概这一个月开始去做执行 ，而且不是大家认为说突然就因为什么结果什么 ， 这是一个非常被动的事情 ，而是一切都是经过一个策划 ，是有做一些转变 ， 一部分因为行业变了 ， 一部分因为认知变了 ， 一部分因为我们不断地去经过我们的实践学到了新的事情 。

然后创业的成功很大程度来自于你有这个勇气跟有这个认知 ， 看到变化的时候要做调整 。 那这个调整是一个过去几个月的调整 。

除了这一次的调整之外 ，其实之前有段时间大家对零一讨论比较多的问题 ， 还有你们团队的变化 ， 就是 2024 年其实我们能看到一些中高层离开 ， 包括黄文浩 、 潘鑫这些人。

您觉得实际上就是零一团队发生的情况是什么 ？

我觉得整个大模型领域里面确实有不少的人改变赛道 ，也有一些大厂它突然觉得要用天价来挖一些人， 这些事情是我们都可以看到的 。

每个大模型公司可能都有一些这种例子 。 我只能说我们初创的时候 ， 我的简易基本都还在 ， 然后我是靠这些人来去不断地去找很优秀的人。

那么每个人离职可能有不同的理由 ，有些可能是想追求 AGI 训练超大模型的梦想 ，有些可能是禁不住诱惑 。

我听说黄文浩是张一鸣亲自来挖的 。

不知道 。

我可以不评价是吗 ？ 我觉得这种情况可能创业公司挺难留人。 我就说一个大厂如果非常强力地去挖的话 。

我觉得这个财务回报是一部分了 ，但是有些人就是想去训练 AGI 超大的模型 ， 那我们这里就没有办法提供这样的一个环节 。

您觉得是不是在现在这个形势下来判断 ，其实您刚才说的那个就是把模型做得巨大的这个方向 ， 它其实已经不是创业公司的机会了 ， 这终究还是一个巨头的战略 。

毕竟 OpenAI 也是个创业公司 ，Anthropic 也是个创业公司 ， 所以我们不能武断地说就一定不能做 。 可能更多的是回到你刚才说的 ， 是一个创业公司真的能认为它打出一个超长的长板 ， 它绝对是可以做这件事情 ，但是这个超长的长板是非常非常困难的 。

那在中国可以有这个判断吗 ？ 巨大的模型只是巨头之间的战争 。

我觉得我不会去认为中国不可以出一个天才 ，他发明什么特别的长板了 ，但是难度是很大的 。

您觉得中国大模型创业公司全军覆没有多大概率 ？

没有任何的概率 。

不会出现说就是没有创业公司跑出来的这种情形是吗 ？ 您觉得不会 ？

我觉得每个公司都很聪明 ， 都有很多的资金 ， 都会找到自己的方向 ，但是我觉得找到方向以后， 这一定不是个大模型公司 。

就像今天你说字节不会说它只是一个移动互联网公司 ， 或者说滴滴不会只是一个移动互联网公司 ，而是它会在某一个行业做成成为一个巨头 。

如果没有做成巨头 ， 成为一个可盈利 、 可上市的公司 ， 当然也有可能做得不好 ，但是如果说做得不好 ，不是说大模型公司就能成或就不能成 。

我还是坚持我的预测 ， 三年以后没有一个公司会被认为是大模型公司 ， 除非它真的是成为了一个 OpenAI。

对 ， 我说的这个全军覆没可能不是指这些公司消失或者说破产死掉 ， 可能是指它们没有成为被期待的新一代的非常大的这种公司 ， 就没有任何一个创业公司做到这一点 。

我不认为会发生 ，但是这么一个长周期的一个预测 ， 没有办法精准地给一个答案吧 。

如果我们设想一种极端情况 ， 就这个市场只剩大公司的话 ， 会是什么情形啊 ？ 就是可能它最后的这一轮的技术成果 ， 绝大部分都是被现在已经在场的这些科技大巨头获得 ， 这会是什么情形 ？

我觉得这就代表了 AI-first 的应用没有想象的那么颠覆 ， 所以我不认为它会发生 。 因为 AI-first 的代表每个应用都会被颠覆 ， 那你颠覆的每个应用都是一个创业上市公司的机会 。

那如果每个应用都只是微调 ， 那确实大厂可能就赢了 。 如果只是一个抖音升级版 ， 一个百度升级版 ， 一个淘宝升级版 ， 那没有创造出一个 AI-first 的应用 ， 从 ToC 的角度 ， 从 ToB 的角度 ， 大家还是在做办公的工具 、 数据库等等的 。

如果这些每一个种类都没有因为 AI 被彻底颠覆 ， 那巨头就会继续成功 。 但是如果它们被颠覆了 ， 那就会有很大的改变 。

所以比如说我们可以说从 PC 时代到移动互联网时代 ， 搜索没有怎么被颠覆 ， 所以百度依然是比较强的公司 。

但是如果我们看出行或者是视频支付 、 本地生活 ， 它是确实被移动互联网颠覆了 ，因为 Mobile-first app 就取代了传统的 PC app 或者是网站 。

那只要 AI app 是在颠覆过去 ， 那巨头就会有包袱 ，因为它没有办法抛掉它过去得到的成功 ， 然后会有机会被一个新来者取代 。

但是如果是都没有被颠覆 ，也就是说你可以想象 ， 如果我们是用手机的时候 ， 还都是用的 H5 的版本 ， 那真的很可能我们还是在用 PC 时代的那些网站 ， 那这些新的移动互联网巨头就没有起来 。

但是移动我们可以看到了 ， 它是 Mobile-first 带来的 ， 就是我们是知道你的地理位置 ， 然后你随身携带 ， 它会重新定义一个应用的价值 。

这件事只要在 AI 上成立 ， 那就会有非常多成功的创业公司 。 所以我坚持这个是最终会发生的高概率的事件 。

那当然很多大厂动作比较快的 、 比较强势的 ， 然后很自然的延伸的 ， 它们肯定会还是得到成功 。

就像 PC 到 Mobile 时代 ，有些公司延续了它们的成功 ，有些就被颠覆掉了 。 那么我觉得 AI 比 Mobile 更是一个颠覆式的技术 。

因为 Mobile 相比于互联网 ， 就您刚才说它有移动 、 有定位这些特性 ， 那 AI-first 的应用 ， 它的新的特性可能会是什么 ？

您已经看到的迹象是什么 ？

它的特性会是 ， 首先是一个用更自然的语言的方式来做这个沟通 ， 然后可以延伸到它是可以有通用的推理跟理解的能力 ， 然后它是一个没有了大模型 ， 它的整个应用就不存在这样的一个存在 。

所以如果说我只是把 Office 加上一个 Copilot， 它不是颠覆性的 ，不是 AI-first。 但是如果我是已经从一个人写作 AI 来帮帮我 ， 变成了一个 AI 做主要的写作 ， 然后我来调整它 ， 这个就是一个颠覆式 。

或者一个搜索的话 ， 可能不是说我打几个关键词 ， 看到一堆网站 ，而是我问一个问题就看到一个结果 。

或者说我在社交里面 ， 我看到的不只是人生成的内容 ， 还有 AI 生成的内容 。 我交的朋友不只是人， 可能还有一些 AI，而且没有 AI 的一个社交圈我就不习惯了 。

那这就是 AI-first。

您会觉得现在总体来说 ， 中国大模型创业到了一个什么阶段 ？

我还是很自豪中国大模型的发展 ，因为你想我们有着芯片的限制 ， 我们的估值是低于类似的美国公司的 。

对 ，而且融资额要少 。

融资额要少的 。 那我们就是发挥了我之前在我的一些演讲和写作里面说的 ， 就是发明新的技术 ， 可能美国是比中国厉害的 ，但是做好有效的执行是中国的强项 。

另外我还说过两句话 ， 我觉得是等 2025 年来验证的 ， 就是中国的公司比美国更会找到商业模式 ，而且赚更多钱 。

第二个是中国的应用是要比美国做得好很多的 。 那这两件事情之前都还没有机会来验证 ，因为大家都在比谁模型能做得更好 。

现在的结论就是还是美国做得好些 ， 中国落后六个月 ，但是中国做得更便宜 、 更小 。 这样的结果我觉得是一个 90 分的成绩单 ，因为考虑到我们的限制 。

那下一个问题就是谁能够做出商业化 。 第三个问题就是谁能做出最棒的应用 。 那第一个问题 ， 中国是在一个劣势还拿出了一个 90 分的成绩 ， 美国就算是 98 分好了 。

那第二 、 第三个 ， 中国是有一定优势的 ，因为中国的移动互联网时代也好 ，AI 1.0 时代都验证了在第二 、 第三点 ， 中国是很有机会的 。

所以我之前也说过 ， 今年的 AI 应用会爆发 ，在美国 ， 包括在中国 ， 给中国的创业者做国内和国外的应用 ，ToC 和 ToB 的 。

虽然环境我也说了是有一些挑战 ，但是前提的条件就是说现在的模型够好了 、 够便宜了 、 够快了 。

那寻找 PMF 是中国创业者擅长的 ， 从移动互联网留下来的一个好的习惯和方法论 ， 然后能够商业化 。

从今天成功的很多移动互联网公司也可以看到 。 所以我觉得今天是一个还蛮适合中国的公司 ， 站在一个 90 分 ， 然后开始去摸高一些这个适合中国创业公司做的事情 。

然后我们上一次聊的时候 ，其实也讨论过一个话题啊 ， 就是以您的地位和成就以及人生阶段的话 ，其实你不一定要自己创业的 。

很多跟您处境相似的人 ，他们是选择支持一个公司 ，而您是选择自己来当零一万物的 CEO。 你是自己主动地跳入了这个混战 。

就是回头看 ， 你会后悔这个选择吗 ？

不会啊 。 我觉得我之所以决定做这件事情 ， 一个是看到这是特别适合我的背景 ， 就是它包括了技术 、 产品 、 投融资跟商业的运作 。

那我觉得我有一些独特的背景 ，而且我觉得我认识一些人 ，他们跟我会是非常好的搭档 ， 我们应该来做这样的一件事情 。

那每个创业的过程中， 它都会有跌宕起伏和调整 。 如果任何一个 CEO 他碰到了一点挑战 ， 就开始后悔了 。

那这样的一个人是一个没有资格做 CEO 的人。

功成名就的时候再来做一个新的公司 ， 这有的时候你会不会有那种 ， 就如果我没有成功的话 ， 反而是在我之前已经很光鲜的履历上就添了一个不好的标记 ？

你会有这种包袱吗 ？

我没有 。 我觉得反而是说 ， 如果在这样的我等了 40 多年， 终于等到的 AI 时代 ， 我没有出来做我擅长做的事情 ， 然后去试一把 ， 这会成为终身的遗憾 。

您之前在创新工厂就投资过很多公司 ，也深度孵化过科技创业公司 。 那您自己创业这两年， 您的复盘 、 学习或者说您觉得最重要的成长是什么 ？

我觉得一个创业公司它能否成功 ，是要坚持那些必须坚持的事情 ，但是要能够看到一些已经发生的事情来快速地做调整 ， 还有要能够对未来做一个比较清晰的一个预测 ， 然后根据这个预测来去更勇敢地 、 大胆地做一些调整 ， 让公司能够继续地良性地发展 。

我觉得这个是希望大家能看到我们今天所做的这些事情 ，是看到了这个趋势 ， 主动地做了这些调整 。

在您的预测里面 ，2025 年您觉得确定性比较高的事情可能会是什么 ？ 在 AI 大模型领域 。

对 ， 我觉得

会有大量的应用 。 很多会来自中国的创业公司和大厂 。 第二个我最确定的是会有更多的 surprise 给我们 ，因为我们看到它的这个变化真的是超级超级快 。

那很多过去被认为是真理的事情很快就被推翻了 ， 过去很多认为是不可能的事情都变成可能了 。

所以我们要抱着非常期待的心去准备看到这些神奇的事情的发生 。 第三个我认为我们会挖掘到很多非共识的 ToB 的细腻行业的一个真实需求 ，是它必须要有大模型才能创造出巨大的价值 ， 必须要有大模型才能不止帮它省点钱 ， 还帮它赚到钱 。

然后是一个可以潜在颠覆这个行业 ，但这个行业一定不是一个什么金融 ， 可能也不是一个什么保险 ， 这些都太大了 ， 会是在一个非常垂直的应用里面 。

那所以去跟一些传统行业的龙头大公司 ， 还有细分领域的老大 ， 这些公司未必很大 ，但是它们的营业额都可能因为有大模型能够翻倍 ， 或者它的人效能够翻倍 。

我觉得是寻找这一类的 PMF 是下一个阶段的 ，是 ToB 的 PMF。

其实您刚才展望 2025 年的应用的时候 ， 就提了 Agent 的一个方向 。 就之前我们向您搜集就是什么是好的 AI 的看法的时候 ， 您说过您觉得工作是工业革命留下的魔咒 。

您特别期待将来会出现一个 Super Agent， 可以把人类从重复的繁荣的劳动里面给解放出来 。 我想知道 ， 比如说如果你自己有了一个 Super Agent， 你有了更多时间去做别的事 ， 你会做什么呀 ？

对 ， 我觉得人其实就是一个不断地需要去找那些机器不能做的事情 。 那这些事情可能包括了一些超级有突破性的 、 前所未有的创意 ， 可能有一些是综合性的一些这种结合和这个非靠数据能够去推演出预测的一些事情 ，也可能是一些有温度的事情 ， 人与人的信任 、 接触 、 感情温度 ，也有可能是一些 AI 帮人创造出来的机会 ， 就是 AI 帮我们在找工作的机会 ， 就像汽

车创造了司机这样的一个工作 。

那说了这么多 ， 您也没说自己到底想做什么 。 就如果时间被解放了 。

我的时间被解放了 ， 我就会在我热爱的工作 ， 只要这个工作不是被 AI 能取代的 ， 我就会继续做它 。

然后我会把更多的时间花在跟我爱的人在一起 ，因为这样的人与人之间的温度 、 感情跟关系 ， 真的是 AI 不能取代的 。

如果可以送一句话给其他大模型创业者的话 ， 您想说什么 ？

我记得王慧雯说过一句话 ：" 每一位都是勇士 ， 我们应该彼此鼓励 。" 第二句就是 ：" 再过三年就没有大模型公司的一个说法了 。"

你要成为一个 ， 比如说海外 ToC 应用公司 ， 还是国内最大的 ToB 公司 ， 还是一个依然去做中国最优秀的大模型公司 ， 这些都是一个选项 。

就像今天我们可能已经不会太多地说谁是个移动互联网公司 ， 美团 、 字节 ，他们已经都是他们领域的巨头 。

所以我觉得我会祝福每一个大模型公司都能走出自己的路 。 当它把大模型公司摘掉的那一天 ，也就意味它找到了一个成功之路 。

最后一个问题 ， 我想问一个轻松点的 ， 就 2025 年的新年愿望是什么 ？

两个女儿的职场顺利 、 情场顺利 ， 还有零一万物能证明我们做的这些抉择是给人类创造价值 ，而且是正确的决定 。

好 ， 好 ， 谢谢 。

本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。

你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。

你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见

。