# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
我们就是奔着AGI去的，不然这群人聚在一起干嘛?
采访｜苏建勋、周鑫雨
文｜周鑫雨
编辑｜苏建勋
2024年2月，在准备一场分享会的PPT中，前微软全球副总裁、如今的阶跃星辰CEO姜大昕，把他看到的一句评论放进了自我介绍：
“在微软混得风生水起，怎么想不开创业？”
从位于北京丹棱街5号的微软大厦，走到阶跃星辰如今的办公地点，只需要10分钟。但从加入微软到创业，姜大昕用了16年。
形容自己为“极端i人”的姜大昕，16年来极少出现在聚光灯下，但他主导研发的产品，是大众耳熟能详的微软搜索引擎Bing、智能语音助手Cortana、微软云Azure，以及办公全家桶Microsoft 365。
作为微软亚洲互联网工程研究院（STCA）的副院长和首席科学家，姜大昕又是一位极具人才号召力的学者。在数据挖掘和自然语言处理（NLP）领域，他在顶刊发表了近200篇论文，如今与他并肩创业的，还有曾任字节跳动总监的朱亦博，以及出身微软STCA的焦斌星。
这是姜大昕创业后首次接受媒体采访，在和《智能涌现》两个小时的交流中，我们几乎没有按照既定的采访提纲走，在姜大昕身上，感性和理性有着平衡的配比，这让我们的聊天变得尤为有趣。
姜大昕会记得那些对他影响深远的生活碎片。谈及从微软出走创业，他引用了大学好友的一句话“这个世界上每天刮很多风，但这个风刮到你家门口，一辈子就那么一两次”；说到GPT带来的冲击，他形容自己：“感觉整个世界在我身边呼啸而过，留下自己在风中凌乱。”
当然，他也有技术高管对所从事领域的严谨：讲到AGI怎么推动，他立刻展示了自己画的PPT和路线图；提到训练数据的来源，他能脱口而出全球网页的总量，以及中文语料在全球的精确占比。
姜大昕给公司规划的路径，是摸着OpenAI的石头过河，走一条“单模态—多模态—多模理解和生成的统一—世界模型—AGI（通用人工智能）”的路。
他提到，很多OpenAI的信息看似杂乱，实际上就是沿着这条脉络去发展：Sora的发布，是为了迭代多模生成的能力；投资机器人公司Figure，是为了布局具身智能；首席科学家Ilya带队人类对齐项目Q*，则是为补足System 2（大脑的复杂任务规划能力）而准备。
“不能只看OpenAI的形，要看神。”姜大昕对《智能涌现》总结。
相比其他大模型玩家的高调入场，阶跃星辰在过去一年几乎隐形，但事实上，阶跃星辰的入局时间并不晚。
据《智能涌现》了解，阶跃星辰早在2023年年初，就拿下了多家顶级VC的投资；这意味着在资本抢跑的时间点，围绕资金、人才、数据等维度，阶跃星辰的储备不会逊于任何一家底层模型厂商。
在过去喧嚣的一年中，阶跃星辰选择埋头研发产品。
2023年7月，团队正式开始训练模型。两个月后，综合性能超过GPT-3.5的千亿参数大模型Step-1落地；11月，千亿参数的多模态模型Step-1V又告成。在2024年3月23日的全球开发者先锋大会上，阶跃又给出了语言大模型Step-2的预览版——这也是国内初创公司，首次交出的万亿参数模型的答卷。
“同行都在曝光狂奔的状态，你会焦虑吗？”我们把这个疑惑抛给姜大昕。
“不会。我觉得把门关上来奔，可能奔得更畅快一点。”姜大昕说。
大模型创业团队中，最不缺的就是AGI信仰者。王小川通往AGI的途径，是盖一幢不同垂直模型的“模型大厦”；月之暗面的杨植麟，则押注了长文本。
姜大昕对AGI的态度是？他认为，孕育出GPT的Transformer架构，只能到达世界模型，但到不了AGI。
“就像Sora融合了Transformer和Diffusion，AGI一定是不同模型的融合。”遵循Scaling Law（规模定律）堆参数的下一步，姜大昕觉得，模型需要真正融合多模态的生成和理解能力。
两个小时的访谈结束得有些匆忙，姜大昕在接到一个电话后，匆忙和我们告别赶赴下一场会面，离开的时候，我们看到姜大昕办公室门牌上的符号——那是一个他手绘的Logo。后来得知，它的灵感来自阶跃函数（Step Function）——神经网络中最早的激活函数，用折线图表示时，就像往上攀登的一级台阶，这也成了公司的名称和Logo。
访谈开始前，我们问了姜大昕文章开头的问题：“在微软混得风生水起，怎么想不开创业？”
“我们从来没说要做一个小公司，我们就是奔着AGI去的，不然我们这些人聚在一起干嘛呢？”姜大昕告诉我们。
以下是《智能涌现》与阶跃星辰创始人、CEO姜大昕的访谈内容：
《智能涌现》：我们看到资料，阶跃星辰成立的时间是2023年4月，具体是什么时间开始筹备的？
姜大昕：起点大概在2023年春节那会儿，可能会更早一些。
2022年底，我就开始考虑两个选择，一个是留在微软，还有一个是出去创业，但没有最后下决心。到了春节的时候，ChatGPT变得很火，那时你每天都被很多信息包围，我就有点坐不住了。
微软的文化是追求科技进步，但是它是大公司，有既定的发展战略，在一个方向会走得非常远，很难说我个人决定要干什么；我觉得这一轮属于划时代的变革，大概是过年的时候想清楚，应该自己出来创业，就开始找人、找钱，开始注册公司。
以前有一个报道说我离职创业，底下有人评价：“在微软混得风生水起，怎么想不开创业？”我可以用同样的问题问我们核心团队的每一个人：在大公司都混得挺好，为什么要创业呢？
《智能涌现》：微软很多同僚都在这波浪潮出去了，比如Harry（沈向洋）南下去了IDEA研究院，周明成立了澜舟科技，梅涛离开京东成立了HiDream.ai。身边这些人的动态，对你来说会不会也是一种刺激？
姜大昕：会。微软出去创业的人也不少，创业人之间还是有交流的，我多多少少也受他们影响。包括我大学同学也有创业的，他在2022年底和我说的一句话，我觉得挺好玩：“这个世界上每天刮很多风，但这个风刮到你家门口，可能一辈子也就那么一两次。你不用顾虑，风来的时候你就上车，先上车再说，都不用想得很清楚”。
当然我没有他那么极端，但我记住了他的话，“风刮到你家门口，一辈子也就那么一两次”。在那之前有元宇宙、Web 3、区块链，这些东西都很火，微软内部也在做，但就没有那么触动我，让我觉得一定要亲身去做。
《智能涌现》：大模型为什么能让你那么心动？
姜大昕：最初看到ChatGPT的时候，我就随便问了两个问题。第一个问题是“How old are you？（你几岁了？）”，这个问题实际上是一个坑，因为一般Retrieval Based（基于检索）的聊天机器人就会瞎答，一会儿说9岁，一会儿说10岁。有些表现好一些的聊天机器人，事先就内置了一条Rule，用户随便问，回答都是16岁。
但它的回答和以前完全不一样。我记得它说：我是2019年训练完的，今年是公元2022年，所以我3岁。
我不死心，又问了“你明年多大”。这个问题放在以前是能“搞死”所有聊天机器人的，没有一个答得对。这个问题的难点在于要理解明年是“今年+1”，然后再把数字代进去算一遍，这个减法的过程就是推理。它又回答出来了。
《智能涌现》：当你看到ChatGPT的效果，你做的下一件事是什么？
姜大昕：跟它对话当天我是很懵的，就觉得怎么可能？它一定在作弊！
后来我把所有相关的paper都拿出来重新读了一遍，最开始的时候是GPT-3的研究，后来是看InstructGPT（OpenAI基于GPT-3微调后的模型）的论文，最后我再回过头来看Scaling Law，看涌现能力。
把所有的东西拼起来后，我就觉得没有那么神奇，就能想明白ChatGPT为什么能做到1750亿的参数，怎么用Pre-train（预训练）加上这套东西。后来这件事情为什么我要亲自去做？纸上得来终觉浅，觉知此事要躬行。我想我自己也能做，没准还能做得更好。
《智能涌现》：1750亿的参数、Pre-train的方法，在几年前还是非共识性的东西，现在已经变成了所谓的第一性原理。在几年前，OpenAI首席科学家Ilya Sutskever提出这些的时候，很多人觉得他是疯子。
姜大昕：是的，那时候我也和国内一些研究员聊，包括早期和智源研究院的学者们。2020年GPT-3出来的时候，国内已经聊得热火朝天了，我们在微软也是，但聊完之后觉得这东西又大又蠢，还不如BERT好使，我们就耸耸肩膀继续搞BERT去了。
因为我们当时做产品，我们知道GPT-3从研究的角度是个划时代的东西，因为它第一次做到了通用。但是我们觉得这个东西没做好，比如用在搜索上，它比BERT差远了。
《智能涌现》：从决定要创业，到正式注册公司的4个月里，你做了什么？
姜大昕：当时我觉得还缺人。团队的构建我们叫做“铁三角”，就是系统、算法和数据。
我自己可以负责算法，但我们至少缺一个做系统的，一个做数据的。做数据还好，我们搜索引擎团队负责搜索排序相关性的leader，焦斌星，主动找过来跟我讲：搜索做不下去了。他找到我后，我跟他聊了大概两个小时，我发现我们想法一样，就觉得上个时代已经结束了，搜索已经做到头了。
找做系统的人我们花了很大周折。算法搞定了只是一方面，最后还要能把系统搭起来，而且要是一个高性能计算的系统，这个非常重要。
而且当时我们觉得千亿参数肯定不是重点，至少要到万亿，甚至十万亿。参数一旦上去，系统就非常重要。但是我又不是做系统的，我通过好几个人，最后找到了朱亦博。他以前也是微软亚洲研究院的，当时在谷歌。我和他聊，发现他也要做大模型，而且他是真的做过万卡，还不止做过一次。
他问我，万卡实在是没挑战，我都做两次了，你们要干嘛？我说我们要搞AGI。我又说我们是一个创业公司，万卡当然要做，我们的系统和算法能够紧紧绑在一起，来我们这儿你可以天天和算法同学talk。他一听这挺好，后来他就在我们这儿做系统负责人。
《智能涌现》：系统对于大模型的关键之处在哪里？
姜大昕：算力是什么？就是拿到几千几万张卡，顶多组成了一个个机器。当参数达到千亿、万亿量级的时候，有三个东西在权衡，一个是计算，一个是内存，一个是通讯。如果按照先计算、后存储、再通讯出去的流程，那就太慢了。系统就是在三者中间取一个平衡，让三者并行，提高算力的利用率。
另一方面，一万个人指不定还有人头疼脑热，上万台机器运行，有机子坏了很正常。机器坏了之后怎么做到不影响全面？系统能够将任务自动迁移到好的卡上，自动拉齐，然后重新去计算。这个过程人是无感的，这也是一个很强的技术活，你得感觉到它哪里坏了。
《智能涌现》：团队是怎么磨合的？
姜大昕：如果读博也算职业生涯的话，我们几个第一阶段都在做研究，博士毕业后有的在研究院待过一段时间，有的直接进了产品组，在里面做了大概10年。大家既有研究的视角和思维的深度，又有一线做产品的经验，同时还有管理几十人到几百人的团队，管理经验很丰富。
所以他们几个人过来之后，我可能在大方向上会跟他们一起讨论，但具体到执行方面，他们比我懂，不需要我告诉他们该怎么做。反倒是我被信息包围的时候，我还要问他们，你告诉我这个东西到底是怎么回事，该怎么做。
《智能涌现》：现在团队有几人？
姜大昕：150人左右。
《智能涌现》：你怎么看这个规模？
姜大昕：大模型不是人海战术，OpenAI提了个词叫做“人才密度”，说的就是整个公司不用太大，但是人才密度要高，每个人都要A-class，组建一个精英团队。
我也很赞同这个说法，金字塔尖的几个人的高度，决定了整个模型的高度。不是说你有100个人就一定能干掉10个人。如果100个人的高度远不如那10个人，你的模型就是上不去。
《智能涌现》：所以阶跃现在的团队构造是什么样的？
姜大昕：前端+后端，前端就是产品，后端就是模型。
《智能涌现》：在2023年一整年的时间里，很多公司在刚成立的时候就已经高调对外了。阶跃一年之后才正式对外释放一些信息。同行起码都在展现狂奔的状态，你会焦虑吗？
姜大昕：我一点都不焦虑，我们也没停，我们也在狠狠地奔。而且我觉得把门关上来奔，可能奔得更畅快一点，省了很多干扰和关注。
在这段时间我觉得我不需要从外界获取什么，我很清楚我要做什么，我们的路线图很清晰，团队也都ready。我知道路线图是正确的，我就往前走。所以我们的速度其实很快，只是我们没有对外发布。
具体而言，我们从2023年7月1日开始训练千亿参数模型Step-1，8月底训完了，一次就成功。
《智能涌现》：2023年是神奇的一年，前有疫情的放开，大家沉浸在乐观的情绪，但后又有投资行业的下滑，这意味着融资的窗口期很短。所以年初那么多模型公司踊跃露面，也会有钱的诉求和人才的诉求。
姜大昕：大家的焦虑我能理解，而且我特别同意上半年乐观，下半年悲观。
但上半年大家为什么乐观？因为大家经历了和我当时一模一样的阶段，GPT-3.5出来的时候很震惊，后来发现几个月我也做出来了，没那么了不起。但他们没有看到后面还有很长的一条路要走。
往下，越来越多的人做到GPT-3.5，再往下应该怎么做？不知道。然后全世界都在追赶GPT-4，又不知道该怎么追赶，也追不上，就开始慢慢悲观了。这次看到Sora以后，很多人觉得“这个差距是不是越来越大了”，就开始质疑这件事。怎么落地？怎么商业化？大家觉得不知道该往哪走了。
《智能涌现》：你悲观吗？
姜大昕：我们不悲观。我觉得GPT-3.5就是个起点，是个拉力赛的热身。后面需要长期走下去，Scaling Law一直往上走。每走一步、参数量每一个数量级的提升，换来的都不是线性增长。
其实GPT-3.5的资料是很多的，但GPT-3.5之后是个分水岭，这之后所有的信息都封闭了。你看GPT-3.5，OpenAI还是发了paper，如果他们不发paper，我觉得大家还会懵很久。
前几天也有人判断GPT-3.5会是一个分水岭，最后国内有决心、有能力走到万亿的大模型企业不会有很多。
《智能涌现》：阶跃的Step-1对标的是GPT-3.5，训练一次成功的策略是？
姜大昕：我还是那个观点，GPT-3.5不代表什么，它就是个热身，它是个入场券。
GPT-3.5的算力用两三千张A800就可以搞定，数据用公开数据也可以搞得定，算法层面LLaMA这种开源架构已经有了。这些条件，在InstructGPT的paper等材料里都写得很清楚了，你老老实实地复现一遍，基本就能达到。
《智能涌现》：Step的效果怎么样？
姜大昕：那个时候国内已经有一些模型了，我们内部评了一下，在榜单上我们能排前三。但我们选择不发布，因为我们觉得这就是一个起点。
我们后来做了两件事情，一个是开始做多模态，之后2023年11月我们的多模态模型也做完了。另外一个事情是，我们开始积聚能量做万亿参数的大模型，但万亿的准备时间很长。
《智能涌现》：准备万亿参数大模型所积聚的能量指什么？
姜大昕：还是算力、系统、算法和数据。算力差不多要达到等效A800的数万卡集群，而且卡一定要放在一个集群里，因为一旦跨集群，它的通讯就跟不上了。
《智能涌现》：数据呢？来源是什么？
姜大昕：现在大模型的中文语料是非常匮乏的，大家如果用公开语料库，一般用Common Crawl，简称“CC”的数据集。但里面中文语料只占5%，其中90%是垃圾数据，真正能拿来训练的最终只有0.5%。
要解决中文语料不足的问题，第一点，你要有全球视野，用全球互联网上高质量的语料来弥补中文语料的不足。全球互联网大概3亿个网站，质量也参差不齐，只有100万个网站的质量是可以用来训练大模型的。这100万个网站在哪？是谁？这个只有搜索引擎公司知道，我们会根据权威度为每个站点打分，相当于有了一个索引。
第二点，即便是高质量网站，质量也参差不齐，所以最初网页需要清洗、去重，这需要一条流水线，而且这个活非常细，因为不同的网站内容都不一样。这是搜索团队的基本功。
目前国内语料严重不足，但我们团队有做Bing的经验，覆盖的是全球的网站。
《智能涌现》：如果为了做中文语料，搜狗和百度的中文语料会不会更好一些？
姜大昕：大模型对语言不敏感。对它来说，不同语言只是一种编码，现在大模型的翻译做得非常好，不管你用哪种语言喂给它，再让它用中文吐出来，没问题。
《智能涌现》：不少公司都会强调他们在中文语料里的积累非常强，所以这个逻辑站不住？
姜大昕：没有那么大差别，不是说你有90%的中文语料，而我只有30%，你就比我好3倍。他们更好的是诗词这些从英文语料上不能获得的中文语境。
但比语言更重要的是获取高质量语料、知识的途径。现在全世界大多数的知识还是在英语里。
《智能涌现》：那么在算法层面，阶跃采用的是Transformer架构吗？
姜大昕：是。
《智能涌现》：之前智谱AI的CEO张鹏就说，中国如果延续Transformer架构，是永远超不过OpenAI的，毕竟人家有先发的积累。你怎么看这个观点？
姜大昕：长远的看是正确的。甚至我觉得要实现System 2，用的应该不是Transformer。比如我们要实现生成和理解的统一，像Sora的做法就是把扩散模型和Transformer做了融合。
Transformer大概能做到世界模型，但AGI不行，至少它得是一个模型和另外一个模型，或者另外多个模型的和。
《智能涌现》：现在国内所有做大模型的CEO都会被问到一个很俗的问题：“你想成为中国的OpenAI吗？”，所以不免俗地也问你一下。
姜大昕：对。今天OpenAI出一个消息，大家就开始焦虑，明天出一个，大家又看不懂了。我觉得要学OpenAI的神，不要跟着它出一个这个、出一个那个。
我们公司从来没说要做一个小公司，我们就是奔着AGI去的，不然我们这些人聚在一起干嘛呢？
《智能涌现》：最近以朱啸虎为代表的“市场落地派”、以杨植麟为代表的“技术信仰派”产生了一些迥异的观点，包括前段时间我们跟王小川聊了一下，他又提了另外的一个面向，你也都有关注对吗？
姜大昕：我有关注。
《智能涌现》：你有没有印象比较深刻的观点？比如朱啸虎对这件事情就是特别典型的投资人的思维。
姜大昕：我不觉得他们是对立的。一般人都不会绝对地选择我只看现在或者只看未来，多半还是一个长期和短期的结合，而且在不同的时间点可能做的选择也不太一样。
《智能涌现》：它体现了现在大众对于实现AGI这件事情，有的人比较悲观，但有的人又比较乐观。
姜大昕：我觉得都有道理，不一定要贴标签，就说投资人都比较悲观、比较短期，其实有的投资人也是比较长期的。前两天我看到一个比喻挺好：现在的AI发展阶段是半杯水，有些人觉得已经半杯了，未来它也涨不上去；有些人觉得现在只是半杯，终究会达到。就看你相信哪一点。
《智能涌现》：你相信哪个？
姜大昕：我相信水杯肯定会满，AGI是会实现的。
但是在这个过程中，你说我们要去做应用，这也是一定的事情，因为技术和应用一定是要结合的，尤其在大模型时代。
我们觉得有两点：一，由应用来牵引模型。我们做的是通用模型，通用模型说白了就是什么都会做，但什么都做得不精，它强调的是通用性，那就需要和应用结合起来牵引这个模型，让它在特定方面做得更强。
二，做成应用以后就会有数据的回流。对于人工智能、机器学习而言，数据是非常重要的一方面。在追求整个模型做大、做强的过程中去做应用，是必须的。
《智能涌现》：实现AGI的路径是什么？
姜大昕：（他为《智能涌现》展示了一张AGI的路线图）我举个OpenAI的例子。最近OpenAI动作很多，一会儿DALL·E 3，一会儿Sora，一会儿又投一个机器人，一会儿说有个Q*。大家就觉得好像看不清OpenAI背后到底要干什么，他们在下什么棋？是不是有个统一的东西在里面？
实际上我是能看清的。OpenAI是一条主线、两条支线，我们的看法和他们是一致的。最开始的时候叫单模态系统，比如一个语言模型或一个视觉模型。现在到了第二个阶段，特点是多种模态走向融合，比如GPT-4V既能够接收文字、理解文字，也能够理解图片，甚至在理解的基础上还能做推理。
但是这个融合还没有很彻底，因为理解任务和生成任务是分开的。分开造成的后果就是：理解模型理解强，生成弱；生成模型反过来，生成强，理解弱。
AI的下一步，一定是将生成和理解统一在一个模型里。多模态理解和生成统一后，就可以和具身智能结合起来。具身智能是什么？就是把模型作为机器人或者一个设备的大脑，让它去探索这个世界，与世界进行交互。
《智能涌现》：融合的目的是什么？
姜大昕：建设一个世界模型。在具身智能之前，AI只是把人给的数据作为训练语料，但到具身智能，训练数据是通过物理世界和机器人或设备进行交互得到的反馈。数据获取方式不一样了，就能形成世界模型。
再往前走，世界模型如果还能够做复杂任务的规划，能做抽象概念的归纳，这就是我们所说的大脑的System 2。世界模型还只是System 1，加上System 2之后，我们认为就到了AGI。
《智能涌现》：所以在OpenAI的路径里面，AGI不是一个渐进的过程？
姜大昕：它的主线在往前推，但推得也没那么顺利。比如到了理解和生成的统一那儿，它就停下来了，也没有突破。甚至我们认为，Sora可能是它遇阻以后，回过头来做的，然后在这儿迭代几圈以后再往下走。
而且我们认为Sora不是OpenAI的真正目的，这是一个中间状态。OpenAI的主线是最终做到理解和生成的统一。为什么OpenAI会买机器人？它的两条支线，一条是在做具身智能，还有一条就是做System 2，这就是Ilya亲自带团队做超级对齐的原因，所谓的Q*只是System 2的一种做法。
所以OpenAI那条主线在往前走，但也不是走得那么快。但是不妨碍它的支线可以同步走，然后到一起的时候就汇合。
《智能涌现》：这有点像从AGI的结论倒推。
姜大昕：我们这个图不是今天画出来的，公司成立的时候就画了这张图。我们认为，一定是从单模态到多模态，到具身智能，最后到AGI。在上海办公室的墙上，我们也放了这张路线图。
《智能涌现》：这个路线对于今天阶跃的业务进展，它的实际意义是什么？阶跃在循着这个路径在做业务是吗？
姜大昕：我们的模型肯定是顺着这个做。我们在内部讲，学OpenAI，不是学其形，而是学其神。不能光看它今天发一个什么，就跟着做，一定要先看清楚它背后的逻辑是什么，它的线路是什么。
《智能涌现》：就像你刚才说，公司成立的时候就已经有这个路线了吗？
姜大昕：是的。可以看到现在Gemini和Claude全部在多模理解这条线上。我们选择在多模理解上突破，和他们选的路一样。
《智能涌现》：团队达成路线的共识是什么时候？
姜大昕：第一天，很多东西在我们看来都是常识。
《智能涌现》：这条路线通向AGI，是整个行业的共识吗？
姜大昕：其实每个点都有人质疑。Scaling Law也不是百分之百的人相信，尤其是Sora出来之后，因为Sora参数量没那么大，Scale的是数据，不是参数。
但我们非常坚定：多模的理解和生成必将统一，这是通向AGI的必经之路。
《智能涌现》：杨植麟说他也信仰AGI，但他觉得长文本才是通向AGI的必经之路。
姜大昕：不同的人有不同的理解，比如我们就相信这条路，杨植麟他说长文本也很好，我觉得可以百花齐放，AGI毕竟没有人实现，或者说即使是实现，也可以用不同的方式。
我觉得挺好的，不用每个人的想法都高度一致，那反而会出问题。大家是发散的想法，也许最后殊途同归了，那是最好的。
我们还是很开放的心态，我觉得我们团队那些人很强的，但我觉得还是要谦虚，因为AGI这件事情太难了，从不同的角度摸索，就是盲人摸象。
《智能涌现》：团队这么低调，招人都是人传人的方式，在融资上怎么跑赢？怎么说服投资人？
姜大昕：我们的团队去跟顶级的VC谈，把我们的认知写成商业计划书。别人问我们要干什么？我们就说我们要干这些事情。我们为什么能干到这些事情？最后选择投我们的人，应该都算是长期主义的投资人，他也觉得这件事情是个铁人四项，要有最优秀的团队聚在一起，而且大家要有路径、有信心往前走，他们也愿意长期地去投资。
我们很幸运，已经得到一些理念价值观一致的投资人支持。大家都认可技术和产品才是本质，大模型赛道不应变成一个简单融资PK的赛道。
《智能涌现》：公司融资是在2023年三四月份？
姜大昕：对。
《智能涌现》：现在回头看，如果当时再晚三个月去融资，情况会不会很不一样？
姜大昕：我很难再回过去看那个时间点，这个很难假设。
《智能涌现》：现在对于你来说最重要的事情是融资吗？
姜大昕：是技术和产品。
《智能涌现》：阶跃在产品路径上选择的似乎是To C。
姜大昕：这是一个蛮新鲜的尝试性的打法，首先我们有取舍。从大的角度来说，我们目前更多的还是聚焦在模型上。产品我们肯定做，一个是我们需要有产品来牵引我们模型的发展，第二是产品的数据来反哺我们的模型。
至于做什么样的产品？首先，我们不想做传统的定制化模型加上私有化部署这样的逻辑，我们还是想保持这个团队是相对比较精英、人才比较集中的团队，类似于OpenAI这样的团队。所以我们选择不做传统意义上的To B，会比较聚焦在To C上。
现在在To C层面，一个是我们有自己的To C产品，另外一个是我们在行业中还有一些合作伙伴，比如财联社、中国知网、中文在线。为什么有合作伙伴？因为它们也有很多用户，它们也有To C的场景。我用一个词叫“探索”，和我们的合作伙伴一起在探索这件事情。
《智能涌现》：所以阶跃不碰To B？
姜大昕：我们不做传统To B，不做一单单接单的传统定制化和私有化部署。但是我们认为大模型对金融、出版等行业很重要。这些行业的头部企业也有兴趣，说他们有需求，愿意跟你一块去探索大模型究竟怎么落地。
首先我们选择的行业不会很多，每个行业挑上一两家就够了。现在每个行业都是选了一家真正头部的，它们有意愿、数据和实力跟我们合作。
《智能涌现》：这种合作的模式是怎样的？
姜大昕：比如我们和界面财联社成立了JV（合资公司）。共同训练金融行业大模型，来解决金融行业的一些业务或解决财联社本身To C的问题。财联社也有一个App，我们用大模型探索怎么更好地帮它的用户收集财经信息，提供一些投资顾问等等。
我们想要很多的场景，这有点像做一个生态，相当于我们提供基础模型，但是别的企业愿意跟我们合作，各有各的方法，有的可能就是调用我们的模型，有的不光是模型，在数据上也可以分享，我们再训一个行业模型。它们的需求不一样，最后这个生态我觉得也是丰富多彩的。
《智能涌现》：跃问和冒泡鸭AI这两款产品似乎也是走AI角色扮演的路子。
姜大昕：现在To C的产品在国内和美国就三类，一类是ChatGPT这样的，叫效率工具类，一类像Character.ai主打聊天、拟人、情感陪伴，还有一种是AIGC，生个图、生个视频。
我们也比较谦虚，大家都这么做，一定有道理，那我们也做，我们去看用户到底用产品来做什么，他们到底需要我们干什么。
所以我觉得不管做什么To C产品，它和模型之间的关系有个比喻，就是皮囊和灵魂。现在这些聊天类产品，你把brand去掉放在一起，能分得清谁是谁吗？所以我们的产品最终还是要让灵魂变得更有趣。
《智能涌现》：这意味着产品，这个“皮囊”没那么重要？
姜大昕：这是我自己的感觉，现在灵魂还没有呢，大家都差不多。
也许产品经理不同意我的看法（哈哈哈）。我一个朋友非常郑重地警告我，说不要对你的产品经理指手画脚，你不是一个做产品的人，管好技术就OK了。我不是一个typical user（典型的用户），对产品没有资格指手画脚。
当然我还是要试图去理解产品经理的逻辑，如果我不理解，你就拿数字跟我说话。不过我们两款产品还在比较早期的探索阶段，还没有开始做大规模的投放获客。
《智能涌现》：现在谈大模型的商业化会不会很早？
姜大昕：早，商业化得先有产品，现在AI Native（AI原生）的产品要先有模型，所以我们是反过来的，先把精力放在模型上，模型如果很强，在模型的基础上去做产品，在产品的基础上再讨论怎么商业化。
《智能涌现》：大模型要快速商业化是VC的共识吗？
姜大昕：我们股东现在还没这样。
《智能涌现》：那商业化就不是VC的共识？
姜大昕：反正我没看到我们股东天天问我商业化做得怎么样了。
但我们肯定会关注产品，不是说我现在只做模型什么都不看，那不可能，产品应该怎么做，那也很重要，也在探索。为什么会发布产品？我们也是想得到用户的反馈。
《智能涌现》：To B的商业回报是立竿见影的，但是To C的回报似乎更渺茫一些？
姜大昕：To C这个东西有不同的观点。有的人认为互联网时代，包括移动互联网时代有过很多To C的产品，它们的成功路径都可以借鉴，它们的商业模式都可以拿来试一试。也有人说不对，那是互联网时代的，AI时代是一种全新的商业模式。
但我觉得现在这个东西到底是什么，没有人说得清楚。就像GPT，我见到那个Demo之前，前一天你要我预测AGI什么时候出现，我会告诉你要十几年，甚至几十年。但是那天看到那个Demo以后，你再问我，我说也许两年，也许三年。所以我觉得现在这个时代就是这样，AI一天，人间一年。
《智能涌现》：那么这个行业有什么是确定的？
姜大昕：我相信技术带来的两个巨大的变量。一个是人机交互的方式改变了，原来人和机器交互要通过程序员。现在不用，自然语言就可以。甚至将来人机交互不再是一个数字化的交互，变成具身的交互，机器人可以在物理上跟你交互。
第二，内容生成的门槛被极大降低了，不管是文字的生成，还是视频的生成，它的门槛被极大降低了。Sora出来以后，我跟电视台的很多编导谈，他们都非常兴奋，觉得以前我们把脑子里的想法拍出来，成本是非常高的。现在我只要调调Sora，这个东西就出来了，可以释放我多少的创造力。这也是一个巨大的变量。
虽然看不清楚现在具体要做什么，但我相信这两个变量终归会以某种方式释放出来，产生超级应用，这是肯定的。
《智能涌现》：我们再聊聊身份的转变。你在微软16年，现在创业1年。身份从高管转变为一家创业公司的CEO，你有什么感觉？
姜大昕：创业比在微软的进展更快。现在每天都有很多新的内容出来，我在微软不会关注这么多东西。其次我体会到自己做还是很重要的，我再重申前面说的，很多东西你看到了，不代表真的理解了，你还是要自己去做。
比如数据这个例子。2022年一堆人跑出来说数据不够了，Scaling Law不work，没有那么多的数据让它再往上Scale。我们当时听了不以为然，因为还不知道人家在训GPT-4。我们心里想，互联网上亿的网站、万亿的网页，数据怎么就不够用了？
但等到我们做到GPT-4的时候，发现数据真的不够用。但是2023年大家又跑出来说数据的问题已经解决了。因为有两个东西，一个叫做多模态，视频数据是海量的，另一个叫做人造数据。
所以你不自己做，只是听说的话，可能就不理解。
《智能涌现》：自己做会让你感到兴奋。
姜大昕：对，我当时感觉整个世界在我身边呼啸而过，都在往前冲，我在原地很茫然，留下自己在风中凌乱，我不知道我在干什么。
《智能涌现》：现在你和风一起冲了。
姜大昕：现在你至少可以看看风往哪冲，有时候风冲的方向跟我好像还挺一样的，很高兴。
本文来源于36氪，作者周鑫雨
【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。
项目地址：https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file
本地安装：https://www.deepbi.com/
【开源免费】airda(Air Data Agent)是面向数据分析的AI智能体，能够理解数据开发和数据分析需求、根据用户需要让数据可视化。
项目地址：https://github.com/hitsz-ids/airda
【开源免费】MindSearch是一个模仿人类思考方式的AI搜索引擎框架，其性能可与 Perplexity和ChatGPT-Web相媲美。
项目地址：https://github.com/InternLM/MindSearch
在线使用：https://mindsearch.openxlab.org.cn/
【开源免费】Morphic是一个由AI驱动的搜索引擎。该项目开源免费，搜索结果包含文本，图片，视频等各种AI搜索所需要的必备功能。相对于其他开源AI搜索项目，测试搜索结果最好。
项目地址：https://github.com/miurla/morphic/tree/main
在线使用：https://www.morphic.sh/
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。
项目地址：https://github.com/InternLM/xtuner