很长一段时间内，月之暗面都不会推出 Kimi 之外的第二款产品。

因为 AGI 产品的终极形态很确定，像人一样，能为用户解决问题，也能陪伴用户。

「所以娱乐的需求、生产力的需求，可能都没有明确的边界，它们最终都会在一个产品里，只是大家的路径会有不同。」杨植麟说，「我们希望聚焦做一个产品，然后把这个产品做到极致。」

他对产品的定义，对技术路线的选择，对组织形态的思考，都通向着最终的目标。

「你的创业状态是更像在爬山，还是在航海？」

「更像爬山，」杨植麟回答，「我们内部一直在说，要爬楼梯，不只是看风景。」

以下内容来自 AGI Playground 2024 上，极客公园创始人 & 总裁张鹏与月之暗面 Kimi 创始人 & CEO 杨植麟的对话。

01 

复盘 Kimi：

更聚焦，对抗组织的惯性

张鹏：从你创业以来，咱俩去年做过一次直播，到今天又过了大半年的时间，你自己怎么评价 Kimi 的发展，给自己的团队、公司、产品打多少分？

杨植麟：对，确实时间过得很快。我估计有个 60 分。

从我们的视角来看，这个行业整体肯定还是一个马拉松。技术发展可能会相对快一些，但是如果看整体技术的普及，包括整个产品和商业化，我觉得肯定是需要从 10 年到 20 年的维度来看这个事情。

过去一年的时间，我们基本上做的一个事情是去探索早期的 PMF（Product Market Fit），然后在技术上迭代了一些模型的进展，使得这个模型能够更好地服务用户的需求。

但我觉得同时可能也还有很多挑战，这里面最关键的还是，比如 Scaling Law 今天还是非常早期，可能还要去看怎么能够 Scale 到下一代模型、下下代模型，通过这个东西在产品上能够形成更强的 PMF，真正能够在每个人的工作和生活中有更高的渗透。我觉得这个其实还是有非常多的挑战，可能是一个更长期的东西。

张鹏：相对来讲，你是入场比较晚的，但是我们从外界感知到的是你提速很快、现在声势很好。你觉得有什么做得比较成功的东西？能到今天这个客观的效果，你认为哪件事的选择是比较对的？

杨植麟：特别好的问题。我觉得严格意义上来讲，肯定不能说是非常成功或者怎么样，可能有一些小的起步。

这里面我们持续关注的东西，同时现在也在持续优化的东西，还是希望真正从底层出发去解决问题，真正关注第一性原理。就像比如说 Personal Computer 行业的基础假设是摩尔定律，我觉得 AI 行业的基础假设还是规模化定律——Scaling Law。

如果我们从 10 年的视角去看这个问题，我觉得更多还是：怎么能够从技术和模型的效果上持续优化，然后在这个过程中形成更强的 PMF。所以很多动作会从这个出发点开始，去规划到底要做什么东西。我们希望最大的投入，还有时间、精力应该是放在，怎么能够迭代出更好的模型，从而解锁更多的场景，这可能是我们最关注的东西。

当然它可能也意味着聚焦，在技术和产品上可能我们都希望更加聚焦，比如我们现在更多会聚焦面向知识工作者，比如学术科研人群、互联网从业者、内容创作者、金融分析师、法律等人群的生产力场景上，已经成为几千万知识工作者搜索资料、分析文件和创作内容的助手，生产力之外的场景现在暂时不会做特别多，因为你如果什么东西都做了，可能最后也很难做好。

张鹏：这件事也是有 trade-off 的，要做一些取舍。

杨植麟：对，我觉得创业公司还是要有比较明确的重点。比如我们可能就是针对生产力场景去做非常极致的优化，很多时候产品上看起来都是一个框，好像没有发生什么变化，但背后的很多体验其实已经优化了很多，当然现在肯定还有很多很多的空间。

在这个取舍的过程中，很多时候就意味着需要砍掉一些东西，不是所有东西都要做，因为我觉得组织的惯性还是想做越来越多的东西，我们可能就是要去对抗这个地心引力，希望做更少的东西，但是把它做到极致。

包括在技术上也是，AI 空间很大，因为智能本身是一个非常 heterogeneous（异质性），就是非常异构的东西。一个会计师的智能，跟一个画家的智能、跟一个数学家的智能，完全不一样。在这里面，我们也会根据核心用户群体去看，到底什么样的智能可能是现在的重点，它对应的基础能力可能是什么？然后可能更聚焦地去做这个事。

张鹏：如果把一件事儿能做到今天这个效果，可能比较重要的原因是因为你比较聚焦，选择了生产力这个维度。在 trade-off 的过程中，比如现在陪聊的产品方向你肯定也看过，甚至团队有讨论过，你最终选择不做它，背后的逻辑是什么？

杨植麟：对，我们确实讨论过这个问题，最主要可能有几个点，一个是考虑到底我们最后想做的是什么？因为想做的是通用的智能。

最终闲聊的场景和生产力场景，我觉得大概率会结合在同一个产品里面，只是在路径选择上会不一样。我们先做生产力的原因是，生产力对于智商的提升更快，今天如果去做一个类似 Character.ai 这样的产品，绝大部分精力并不是在优化智商，因为优化智商对提升产品留存可能帮助不大。但如果做生产力的话，优化智商之后，你的留存能看到显著的提升。

公司的 mission 跟产品的 roadmap（路线图）之间，应该能够更紧密地结合起来，这是很重要的一个原因。

当然可能也有其他原因，比如说我们也观察了美国市场的不同选择、发展情况，美国市场整体来说比中国市场领先一两年，所以我们可以去看不同公司的发展情况。把生产力做特别好的公司，今天不管是从业务体量，还是从融资和人才吸引力来说，它其实都是更好。

还有一个很重要的原因，我觉得娱乐场景今天的（产品）基线非常高。过去十年移动互联网的发展，诞生了一堆非常好的娱乐体验的产品，但是在生产力这个维度的基础体验或者说价值，还有非常大可以挖掘的空间。即使说今天最好的生产力产品，我觉得它其实还没有非常深入地渗透到真正的工作流程里，而且这是 AI 能带来的巨大新变量，所以这可能是为什么我们会做这样选择的重要原因。

02 

Kimi 的目标是

你的终极伙伴

张鹏：怎么定义 Kimi 这个产品？它在解决什么问题？长期来看，是一个 AI 工作台还是什么？

杨植麟：这个我觉得可能是分短期和长期来看，短期希望在生产力场景能够提供越来越多的智能。大家今天一些最主要的任务，比如更好的信息获取、信息分析、创作等，我们希望它能发挥更大的价值。

最长期最理想的情况，本质上是在讨论 AGI 产品的终极形态或者终极定义是什么样的。其实大家有讨论，我觉得现在可能有两种不同的观点。

一种是，它是世界上另一个我，它拥有你所有的输入，想法基本跟你一样，等于是复刻了一个自己，「另外一个自己」可以在数字世界，甚至物理世界做很多事情。

另外一种定义是，它可能是你的一个伙伴，一个长期、甚至接近终生的伙伴，这个伙伴也能帮你做很多事情，但是它可能会跟你不一样，会给你提出来新的视角，并不是完全复刻你，而是可能有点像。

张鹏：它理解我，而不是复刻我。

杨植麟：非常理解你。我现在觉得可能第二种的概率更大，所以这可能是我们想做的东西。

我觉得它会有几个比较重要的特征。

第一个我觉得它还是先得有用，就是你能做越来越复杂的事情。我觉得今天能做的事情还不够多，这也是为什么我们现在最聚焦的还是去进一步提升模型的能力。

因为只有通过提升模型的能力，才能让它去做更多的事情。

把它类比为一个人的话，其实还缺少非常多的维度。它可能没有记忆，没有办法做长期的规划。在我的想象中，如果这个产品做得好的话，它不是只能完成这种 10 秒、20 秒就能完成的任务，而是说你能够让它定一个季度的 OKR，它可以自己去完成。

然后第二个重要特征，我觉得还是AI和人之间能够建立非常长期的信任和 connection。但这个的前提还是第一步，就是它得足够有用。如果 AI 每天给你 hallucination（幻觉）、给你很多错误的结论，信任也很难建立。我觉得只有在越来越复杂、长窗口的任务里提供真实性和准确性，才能够建立信任。

所以我们会从这些方面去考虑产品。

张鹏：从这个角度来说，我们今天看到的可能只是一个产品的初级形态。这也解释了我们为什么可以看到产品里有不同新的功能，本质上你在努力赢得在用户身边更有用的位置。这种位置未来会是从一部分能干的事逐渐扩展到越来越多，这可能是个路径。

杨植麟：我觉得这里面有一个重要的标志，就是如果有一天你发现在你的工作里 AI 做的事情比你多了，也就是说 AI 占比超过 50% 了，可能会是一个非常重要的 milestone。

可能下一个 milestone 就是机器人的数量超过人类，但那是在物理世界，我觉得数字世界会更早实现。

张鹏 ：所以我很好奇一个问题，从月之暗面 Kimi 的角度去看，今天有一个很成功的产品大家都在用，未来可能也会有新的功能解决用户更具象的问题。你会更倾向于都在 Kimi 这个平台解决，还是会有机会长出其他更专有的 APP？

杨植麟：我们肯定还是会很聚焦地，只做 Kimi 这一个 app。因为有一个很重要的点是，未来的智能产品，它应该满足普世的需求。就像我刚刚说的，娱乐的需求，或者生产力的需求，甚至这两个东西可能也没有特别明确的边界。

我觉得他们应该是在同一个产品里的，只是路径选择上会有区别。这也是我认为通用智能最有意思的地方，它不是只能做一件事。但只是说在路径选择上肯定没有办法在一开始就做所有的事情，一开始还是会有重点的场景、核心的用户群体，然后逐渐去泛化开来。

所以我们还是希望聚焦做一个产品，然后把这个产品做到极致。

张鹏：听起来 Kimi 要能达到你刚才说的终极目标——一个理解用户的伙伴，首先的起点是从先帮用户做好一两件事情，然后逐渐能做越来越多的事情，然后这个伙伴的关系和信任就建立了。这是一个前进的世界观和路线图。

杨植麟：是的。我觉得这中间很重要的一个标志，就是 AI 可以从单个的、具体的任务，发展成能完成一个人要花几周才能做好的任务，也就是全方位的 Super Intelligence。

现在的 AI 其实可以实现一部分的 Super Intelligence，比如阅读长文本。人没有办法一下读完几百万字的文章、直接找到问题的答案，因为很多问题没法通过「查找」得到答案。这是我们一开始踩过的坑，就是找了一堆人标注长文本的数据，认为标注完了人就学会了。但你发现其实人根本标注不了，或者效率非常非常低。

所以今天 AI 有一部分的能力比人更好，我们需要的就是让这个范围逐渐变大。

03 

长文本本质是

「长推理」

张鹏：正好谈到了长文本，这也是 Kimi 一开始让大家印象深刻的一个点，甚至在那个时候月之暗面可能比较非共识的提出来这件事很重要。我们也看到很多的模型支持的文本长度在变长，这件事未来是不是已经逐渐形成共识？另外长文本对于解决你说的那个终极的问题，是不是最重要的路径？

杨植麟：特别好的问题。今天确实有很多人在做长文本，但如果说是完全的共识，其实我也不是非常确定。也有不同的观点，比如说认为短文本的场景下也有很多可以挖掘的东西，可能不一定要非常着急去做长文本。

但我觉得这个也是正常的，因为每一个公司本身都有自己的判断。对我们来说，我们其实比较早认为长文本可能是一个非常关键的东西，这里面有几个方面：

第一方面就是说，如果我们想让 AI 从完成一两分钟的任务变成完成长周期的任务，那必然要在一个很长的 context 里，才有可能真正把 AI 进一步往下推进。

但这是一个必要不充分条件，具备了很长的 context 能力后，可能还需要很强的推理能力，之后你可以有更长的 context……我觉得它有点像螺旋迭代的过程。

可能更准确的说法叫长推理，就是你能够在一个很长的窗口下面去做很好的推理，我觉得这个是最终能产生很大价值的。

张鹏：就是它最终其实是跟用户在做数据的输入、指令的输入和最终交付服务的转换比的计算，转换比越高，带来的价值就越高。

杨植麟：对，这个确实很有意思。比如，即使只看长文本这个技术，它的落地过程也是一个比例逐渐提升的过程。

因为在最早期的时候，就是用长上下文去做一些阅读类任务。阅读类任务肯定是最早落地的，因为它是一个从很多的信息变成很少的信息的过程，相对会容易一些。

比如让 AI 读 10 篇文章，然后形成总结。这个难度肯定小于我只给 AI 一个很简单的指令，但是要一口气做一个月，并且最好还要满足用户的需求。

这确实是个比例的问题，就是输入和输出的比例，它可能是更本质的东西。

张鹏：理解了，你觉得未来长文本的成本会快速下降吗？因为现在真的把 200 万 token 扔进去跑一圈，成本还是蛮高的，而且这又跟长文本应用在哪些场景、能否高价值地解决问题有关，这两个问题其实是绑定在一起的，你怎么看？

杨植麟：我觉得成本的持续下降肯定是个必然趋势。最近我们有一些新技术，一方面是一些工程上的极致优化，比如 context caching（上下文缓存）技术。另一方面，我们在架构上也做了很多优化。这能够让成本在现在的基础上，下降甚至不止一个数量级。

所以如果是 200 万字的窗口、并且能够让大部分人普惠地用起来，我觉得这是一个大概率能在今年实现的目标。

张鹏：今年就可以做到吗？

杨植麟：对，我觉得这是我们的目标。在接下来很长一段时间内，成本会持续降低、而且速度会比 short context（短文本）更快。

今天还有很多东西是没有被挖掘的。比如说，如果考虑一个人处理一个很长的记忆、或长周期的任务，他其实并不需要记住所有东西，对吧？它是一个动态计算的过程，你可以选择哪些东西要记下来、哪些要扔掉，这里面有非常大的优化空间。

而今天 AI 的效率远远高于人类，所以它的优化空间很大，整体成本降低的速度会比短文本更快。

张鹏：那我们站在这个角度去想象一下，这种变量放在应用场景上，大家会怎么用这样的一个能力呢？比如说之前我们把一本书扔进去让它做总结，这是非常直接的，那按照你的推理，接下来还会有哪些用户场景会更可用？

杨植麟：这跟我们刚才说的话题有点相关。它是一个输入输出比例调整的过程，一开始可能就是阅读，阅读是目前最刚需的场景之一。之后它可能会变成，模型能够在很长的窗口内做推理和规划、并且执行多步任务的能力。

比如说你今天想调研某个话题，或者说甚至就是给了 AI 一个明确的目标，那它就可以去执行多步规划、然后调用不同的工具、甚至有中间的思考分析过程。我觉得它会逐渐往这个方向演进。

当然，对于多模态来说也很重要。比如你今天想生成一个长时间的连续视频，背后可能也需要很好的上下文技术。

张鹏：所以我现在理解你为什么说，其实长文本在接下来可能更接近长推理。它本质上不是传统意义上的「我给它多少文本，它处理多少」，而是「它有多长的推理能力、能在多少信息下进行进一步的推理和创造」，这变得更重要。

杨植麟：对，因为如果只有长的文本，但是脑子不够用（推理能力不够），那其实没有太大价值。它肯定是要两个同时都做好。

张鹏：它会从一个产品的 feature 转化为一种产品的后台能力，然后这种能力会产生更强大的 feature，这可能是它的行进路线对吧？

杨植麟：对，而且这其实也是跟用户一起探索的过程。比如说今天我们上下文中的很多场景，其实是 Day One 的时候都没预想到的。

即使是阅读这个事情，我们之前也没想到它可以被用来快速入门一个新领域，甚至在不同的行业里、它可能都有不同的用法。比如有的用户可能会用这个功能去做一些分析，但这些分析如果你不给大家提供上下文，那分析效果可能没那么好。当你给它提供了之后，它的分析可能会更有结构化，更像麦肯锡分析法那样。

所以我觉得这是一个跟用户共创的过程，你会不断发现新的应用场景。

张鹏：对，这就是智能带来的增益价值。

04 

多模态统一才是

通用智能

张鹏：最近业界大家看到的技术变化，比如说我们今天看到的 Sora 和 GPT-4o，你怎么看待 Sora 这种视频生成的能力？会是未来 Kimi 特别看重的能力吗？

杨植麟：这个肯定很重要。因为对于通用智能来说，它肯定是多模态的，你很难想象一个单模态的通用智能。所以我觉得最终不同模态之间，一定会是统一的模型。当然，现在我们可以看到技术的发展，可能有两个不同的维度。

第一个维度是智能的不断上升。比如说我们看到 Sora 和 GPT-4o，它们的智能提升虽然有一些，但没有非常显著。如果让它们去做智商测试或者一些更复杂的任务，它们可能还是做不了。所以这个方向肯定需要持续投入，我认为这是最重要的方向。

另外一个维度是不断扩展模态。比如现在有视频模态、语音模态，未来可能会扩充到感知数据、动作数据、甚至机器人的模态。这背后的价值在于，（模型）能够完成更多的场景、提供更丰富的交互方式，能够帮助产品 cross the chasm（跨越鸿沟），让技术真正变得非常易用、被越来越多的人使用。

这是两个不同的维度，但最终它们会统一起来。

张鹏：像 GPT-4o 这样的多模态能力，一定是所有做模型的公司都在研究的能力。但像 Sora 这样的视频生成技术，它是在智能成长这条线上吗？还是更多的是在给用户交付服务？这条线到底是因为什么而重要？

杨植麟：其实这个问题在纯语言模型的时代就已经被讨论过了。

我记得在 2019 到 2020 年期间，有一个重要的讨论话题就是，语言模型到底应该侧重理解还是生成？一开始有像 BERT 这样的模型，后来有 GPT 系列，可能 GPT 的生成能力更好，但 BERT 在相同算力下的效率永远更高、也就是说单位算力下 Benchmark 的提升更大。

那段时间所有人都关注 BERT，觉得能做理解就行了，工业界大部分的价值都在于理解。但这里面可能忽略了一个很重要的问题，那就是如果你想做非常好的理解，实际上你需要做非常好的生成，这两个问题最终是一个问题。

对于视频来说也是一样。我们今天想做很好的视频生成，一方面是因为视频生成本身有很高的价值，尤其是对于内容创作者和用户来说。但我觉得更重要的还不是这个，更重要的是说如果能把生成的目标函数优化得非常好，它最终一定能把理解做得更好。

我觉得文本已经是个很大的 lesson，过去几年，一开始大家有很多争论，但后来基本上就是共识，就是理解和生成是分不开的。你很难单独训练一个理解的模型，最后这两个可能就是一个模型。

张鹏：最近我们经常看到学术界有一些探讨，觉得 Scaling Law 以及 Transformer 这件事可能通向未来，但有一些学术界大神、科学家们却会说这件事其实他们没有那么大信心，他们认为还要有新的变化。这件事让我们这些外行人还是会有一点疑惑。植麟你作为曾经的年轻学者，到今天的创业者，作为学者的世界观和创业的世界观有所不同，如何和谐地理解这两件事？你会怎么看学界的一些观点和判断？

杨植麟：我觉得是这样，学术界解决的问题是，寻找正确的第一性原理。工业界是基于第一性原理，去做最好的执行。但执行的意思也不是说完全执行，它可能也需要很多创新，在不同的层级上创新。

第一性原理是在最底层去创新，所以学术界的讨论是，现在 Scaling Law 对不对？Next Token Prediction 对不对？这样的问题。我觉得这些问题都很有意义，确实应该被讨论，应该被挑战，应该有新的观点出来，每个人有不同的想法。因为神经网络可能在三四十年前、甚至二三十年前的时候也没有太多人关注，大家觉得这个不是一个好的技术路线。

我觉得这是学术界最大的价值，工业界的价值或者说要做的事情是，在一个技术路线或第一性原理的基础上，去解决里面最重要的问题。比如虽然说 Scaling Law 是第一性原理，但在这个过程中它还有很多问题没有解决，比如怎么去生成数据，怎么做多模态的模型？怎么做数据飞轮？这些问题都需要解决，但他永远不是去发明一个新的第一性原理，他们是在不同的层级上工作、创新。这个是我的理解，学术界可能就需要更多辩论，需要有人提出很多新的挑战、想法。但工业界就是怎么能更快、更好地去解决，在第一性原理的基础上，第二层面的很多大的技术挑战。

但我觉得现在整体的冲突也没有那么大，比如说杨立昆一直在讲的世界模型，现在的大语言模型其实也是世界模型的一个特例。所以我觉得其实没有那么大的冲突。对我们来讲，就是在 Scaling Law 这个框架下面去探索智能的极限。但随着人类科技的发展，总是会有新的技术路线被提出来，但我觉得这个更多应该是纯学术研究的 mission，是不同的层级。

05 

创业公司，

动态反应比长期预测更重要

张鹏：去年咱们聊的时候你提到，大模型时代的创业公司，不光是技术产品创新，可能组织也需要创新，因为确实今天做产品，相比过去系统变量增加了很多，有模型、数据、用户等等这些东西。你觉得这一年，在组织创新上，有什么 grounding 的结果吗？

杨植麟：我觉得这还是一个持续的过程，因为组织它本身需要生长的时间嘛。

其实很多时候我们看到一些美国公司比我们跑得更快，一方面可能在于整体的 AI 能力还是更好，但其实也得益于他们花了非常多的时间去搭建组织，不光是招最好的人，可能形成了一套机制，让这些人都能在这个范式下去创新。因为中国公司很多时候还是起步晚了一点。这里面会有两种不同的公司，一种是原来做别的业务，现在转而做新的业务，那新业务需要的组织方式可能不一样。然后还有另一种，就是从 0 到 1 的，从 0 到 1 可能组织债会少一点，但也需要去探索一个好的方式。所以整体我觉得还是需要一些时间，我们现在可能有一些进展，但是肯定还有非常大的空间。

张鹏：这是一个确定重要的事，但它需要更长的时间去研究。

杨植麟：对，因为我们考虑技术这个事情，本质上还是看技术是怎么产生出来的。它是靠人产生出来，人搭配生产材料。

张鹏：所以人是技术的第一性，或者说人的组织是技术背后的第一性。

杨植麟：对，我觉得是这样。所以我们也会很关注，怎么能够去招聘最好的人才？特别是技术方面的人才。这些都是做好技术的一个基础吧。

张鹏：所以你现在花在招聘上的精力，是不是占比比较多？

杨植麟：对，整体占比也会比较高，因为这个还是我们核心的发展燃料。

张鹏：招什么样的人是你自己花时间最多的？

杨植麟：现在主要关注的还是技术方面的人才。这是跟公司的优先级相关的，对我们来说最重要的还是把技术做好，因为只有技术做好了，才能解锁更多的产品场景，有更好的留存，更好的商业化，所有的基础都是技术做得更好。所以我们今天在这方面，虽然已经有一些还不错的人，但是我们肯定还要持续去增强，持续吸引更多更好的人加入我们。

张鹏：过去这大半年，或者说创业这一年多以来，有什么你觉得自己预料对了的东西，和预料错了的东西？

杨植麟：我觉得整体来说，预测是一个很难的事情。所以更重要的反而是快速调整。因为 AI 的发展很快，很多时候你都很难预测。比如说明年模型能做到什么样？这个问题非常难回答，你可能有一些认知、判断，但最重要的还是根据新的变量做反应，这个新的变量可能来自于市场，可能来自于很多实验之后新的迭代，也可能来自用户反馈。总之根据新的变量，非常快速地去做反应，可能是最重要的。

如果一定要说预测的话，我觉得有几个东西在趋势上可能跟我们一开始想的差不多。比如像上下文长度一直在提升，包括视频生成的能力、能够有分钟级别的视频生成，这个趋势可能跟我们想的差不多。

但是有一些时间点上，判断不一定那么准确，比如像 Sora 的推出比我们想象中更早。但也可能并没有更早，因为它实际要达到 Product Market Fit 可能还需要一段时间。

张鹏：因为我们现在还没用上。

杨植麟：是，因为还没用到。它 somehow 真要达到 PMF 可能还有一定的时间。现在这里面更多的智能提升可能是来自于比如 GPT-4 这一代模型，做了更好的 Post Training，但是像 GPT-5，看起来这个时间表要比原来预测的更晚。所以在时间点上的准确预测，我觉得是很难。

张鹏：我听你的意思就是，不太在意远期的预测，你认为与其做远期预测，不如变成一个更连续、快速、有效的推理，每一个变量出来以后，赶紧下一步动作，而不是更远的那个。

杨植麟：动态快速的反应，这个也是我们作为一个小的创业公司，能做得更好的地方。

张鹏：不是在遥远的地方去下一个大注。

杨植麟：方向上肯定要有一些判断，就是做到长期的确定性，很坚定的往一个目标走，它关系到你的执行能不能做好。但比如几个月级别的维度的计划，我觉得可以允许有一些灵活调整，这样你犯错的概率会更小。

06 

是登山，

还是航海？

张鹏：我最后问一个稍微有一点无厘头的问题，希望用你的直觉先回答，先不要直接 reasoning 这个东西，先用 system one，再用 system two。你觉得你今天的工作，你的创业状态是更像在爬山，还是更像在航海？

杨植麟：可能更像爬山吧。

张鹏：好，那我们再 reasoning 一下，为什么更像在爬山？

杨植麟：我第一反应是爬山，是因为我们之前一直觉得是要爬楼梯，不是看风景。这是我们内部一直在说的事情，所以这是一个第一反应，但我觉得现在用 system two 想一下的话，我觉得，因为我也没有真正航过海，但我想象中的航海，是你在一个海洋上，即使走了几百公里，但你看到的东西基本是一样的。就你的目标还是很明确，但你看到的……

张鹏：进展不明确。

杨植麟：是的，在你没有很好的定位技术的情况下。

张鹏：参照物不明确。

杨植麟：对，不是那么明确能看到不一样的东西。你看到周围的东西没有发生任何变化，那个时候你的孤独感会更强。但登山的话，就是每一步都能感受到自己在提升。你能感受到模型的能力好像确实比几个月前更好了一点，你的留存也比几个月前好像高了一点。你的视野不太一样，你去度量你跟目标之间的距离的时候，会有更好的感受，所以我觉得它是一个进度更明确的东西。

这是一方面。另一方面，我觉得 AI 的发展也是一个渐进式的过程，一步一个台阶。你可能从 10 的 24 次方到 25、26、27。甚至假设大家都是 10 的 25 次方，你的训练效率也可以持续提升，你可以让每一分算力产出的智能更高。就有点像爬山的时候又多迈了几个台阶。所以我觉得整体上会更像登山。

张鹏：非常感谢植麟拿出时间来在 Founder Park 社区里做分享，我们也都期待你继续爬更高的山，然后也看到更丰富的风景。

文章来自于微信公众号“Founder Park”，作者 “Founder Park”