这是 Treg 创始人 Jason Zhou 和 founding engineer 石天鑫过去一年的轨迹。他们坐在十字路口的录音间里，把这三次转向拆开讲：哪一步是被模型能力推着走，哪一步是自己判断错了，中间停下来两个月不做产品，又换回了什么。

这期节目由 Koji 和 Ronghui 主持。聊到最后，话题落在两个更实际的问题上：当 Claude Code 和 Codex 变成新平台，应用创业者还能在周围做什么；当一个人同时跑十个 Agent，瓶颈又回到了哪里。

九个月三次转型，第一次撞上模型的天花板 2:18

Jason 这样介绍 Treg：给 Agent 用的数据和 API 市场。用 Claude Code、Codex，或者自己搭 Agent 时，不用一家一家去买订阅，一个 key 就能接入想要的数据和工具。他用的类比是 OpenRouter，只不过路由的对象从模型换成了数据和工具。

第一个产品 SuperDesign 的起点很偶然。Jason 在澳洲做过一家叫 Relevance AI 的创业公司，带产品和 AI 团队，做全自动销售、SDR 这类东西。他自己还运营一个油管频道，发现 UI 设计相关的视频流量巨大，大量人想了解这方面内容。于是团队做了一个 Cursor 插件，用户说一句「我要设计这个东西」，插件直接给出三四版不同方案供选择。

项目发在 GitHub 上，几个月做到 6000 多颗星，完全自然增长。有了这个 traction，团队决定辞职创业。

创业后第一件事，是不再走开源这条路。原因有两个：IDE 插件这个形态当时看不到好的商业化路径；团队想让更多人用，做网页版更直接，打开一个网址就能开始设计。Jason 的判断是，插件意味着用户必须先用 Cursor、Claude Code 或者 Codex，这会限制人群。

没想到一年后，所有人都在往 Claude Code 和 Codex 里涌。

放弃 SuperDesign 的直接推手是模型能力。Gemini 3 出来以后，大厂开始集体卷前端，OpenAI 和 Anthropic 也跟着补足。团队反复问自己一个问题：模型越来越强，我们的增益到底在哪里。另一边，Claude Code 和 Codex 作为通用 Agent，基础能力变强，skill 生态也长了起来，用户拿通用 Agent 加几个热门前端 skill，同样能出不错的效果。

SuperDesign 遇到的，是模型公司顺手把应用层能力吃掉。

Jason 记得 2026 年 2 月到 6 月是一段很魔幻的时间，大量优秀创业者在那几个月里 pivot，方向高度集中到 AI employee 赛道。触发点是他 2 月看到的一个产品 Posia。当时对方 ARR 可能只有十几万美金，体验却让他大为震撼。他上一次有这种感觉，是第一次用 Cursor。

Posia 的演示流程是这样：注册时不给任何信息，它从邮箱反查到 Jason 是谁、在做什么，马上生成两三个创业 idea。选一个，产品首页也搭好了。Koji 也试了，Posia 从他的邮箱线索里搜出背景，推荐他做一个给播客主用的 AI 播客后台。他当场充值，两天后又充了几百刀，开了 god mode。客户邮件发出去，居然有人回。

但真正用下去，Jason 发现 Posia 最聪明的地方在别处：它说帮你用 AI 掌管整个公司，实际交付的结果只有「set up」那一段，从 0 到 1 把网站和工具建起来，做到极致丝滑。再往后，进入真实业务，交付结果就非常难。产品形态看上去也十分 dodgy，不允许接入公司内部的 product analytics 和广告系统。

团队判断这里有空位：做一个类似 Posia 的 Agent，面向已经有业务、想 scale 的公司。这就是 Coolit，帮企业自动做 SEO、社媒、广告投放、找客户。上线时产品还没 ready，直接放了付费墙，仍然有不少用户 preorder。

交付结果成了死结。Jason 举了 SEO 的例子：让 Agent 去拉所有相关关键词，挑流量好、竞争小的去写内容。真做起来发现，大部分关键词早被抢得差不多。真正的机会在那些流量不高、但判断未来一到三个月会火的关键词上。这种判断需要人的 taste，Agent 很难自己完成。

另一个原因是数据本身不够准，marketing 没有 silver bullet。有效的方法往往来自大量尝试：试了一圈，发现某个渠道没多少人做、又适合自己，然后不断加码。当所有人都涌进同一个渠道，它又失效了。这个动态过程里，人的介入无法省略。

两个月不做产品：零人公司不成立 12:35

Coolit 做了一个多月，onboard 了一些用户，团队叫停。Jason 的说法是步子迈得太大，零人公司这个前提根本没被验证，就假设它一定是未来，假设六个月之内模型会足够强。

他们决定 take a break，两个月不做任何产品开发，回头用 AI 去运营 SuperDesign。理由很实际：SuperDesign 虽然几个月没管，仍有自然流量进来，转化漏斗有明显优化空间，放在 Acquire 这类交易平台上会有人买去 scale。如果 AI 真能全自动运营并带来增长，团队就能拿到一套可复用的 playbook；如果不 work，也能清楚知道这条路走不通。

两个月里不断搭各种 loop，结论分成两半。support 和 bug fixing 确实可以全部自动化。增长相关的 use case 很难自动化，需要人介入的 taste 太多。

两个判断在这段时间里变清晰。第一个：未来六到十二个月，零人公司不会成立。

未来六到十二个月零人公司，它一定不是一个可能的场景。

需要解决的问题，是人跟 Agent 大量协作的场景。第二个判断更重要：一定要围绕 Claude Code 和 Codex 的生态做产品。Jason 说，如果没有这两个相对的确定性，团队很可能还在迭代 Coolit，每天怀疑是 skill 做得不够好、prompt 调得不对，还是方向本身有问题。创业的不确定性太多，有一点点确定性，操作起来会好受很多。

一个 Codex 插件，把增长曲线掰弯了 15:02

第二个判断的来源，是一次没做任何宣发的发布。

Codex 刚推出 plugin marketplace 时，有意思的插件不多。天鑫把 SuperDesign 原来的 skill 发布上去，让用户能装。ChatGPT 和 Codex 本身已经有巨大用户量，用户很容易看到插件，插件有吸引力就会用，然后转化。早期市场还有一个很小的细节：插件按字母顺序排序。团队把名字改成 01 SuperDesign，排到了第一。几天后平台改了排序策略，但起步的量已经拿到。

天鑫从这件事里得到一个方法论：早期的工具和市场都值得试一遍，你不知道哪一次尝试会带来流量。插件带来的用户，churn 还更低。

团队接着意识到，Codex 和 Claude Code 有海量用户，体验却不够好。把它们当成平台，帮平台补体验，可能是一个好机会。Jason 用的类比是 Facebook 早期的 Zynga，以及 eBay 上的 PayPal。

再往回看 Coolit，最有价值、可以迁移的是工具那一层。Agent 的 harness 各家差别不大，但要做真实的 go to market 工作，或者任何专业工作，都需要大量专业数据和工具。Coolit 内部本来有一层中转服务，用来给不同用户连接数据。团队决定把这层单独拿出来，就是 Treg。

发布三周左右，收入已经是 SuperDesign 的好几倍。具体数字不方便说。收费方式完全按用量，没有月费。

Treg 像 Costco，也像大众点评 20:13

目前付费最集中的场景是 go to market，尤其是找 B2B 客户。过去用户要买 Apollo、RocketReach 等一串 vendor，每家只覆盖一部分数据，每家都收月费，结果往往只选一家。Treg 把 vendor 集中起来，用户按场景和行业挑最合适的 endpoint。

供应商愿意被整合，原因在于很多垂直领域的 vendor 缺少触达终端用户的方式。它们原本就按 API 用量收费，再经过 Clay 这类整合方转卖。Clay 自己的数据大部分来自外部供应商，做的是同一件事。

其他场景包括 SEO 和 AEO，Treg 整合了能找到的 SERP ranking、AI visibility 数据源；社媒 UGC 相关的做图、做视频 endpoint 也在里面，一条链路能走完。

这一层会不会被模型公司或数据供应商绕过去？Jason 的答案分两点。模型本身的知识不一定是实时的，真实业务需要实时数据。浏览器加 computer use 能抓一部分，但很多数据抓不到，比如找人这个场景里的信息，或者社媒主动关掉的部分。

Koji 提到一个旁证：有朋友用 Kimi，原因是它接入了 Wind 的股票数据。各家 harness 会因为接入数据的独特性吸引到对应用户。Treg 想做的是中立市场，用户从 Claude Code 切到 Codex，之前积累的工具调用和数据都留在这里。

为什么价值留在 Treg，而不是供应商直接对接模型公司？Jason 说他们站在中立位置，目标是让用户用较高性价比拿到最满意的数据，更像 Costco：去市场上找最好的数据提供商，再展示给用户。

现实是每个场景都有几十个提供商，强项各不相同。找人需要各种维度的信息，SEO 数据商也有很多家，覆盖的平台和价格都不一样。没有一个头部供应商能包打天下。

数据飞轮也在长。天鑫说，Treg 的真正用户其实是人的 Agent，所以系统会随机挑一些用户，让 Agent 给反馈。简单的 bug 直接修掉，有趣的 feature request 收进来考虑。

另一套机制更像大众点评：让 Agent 用户给每一次 API 调用打分，返回的数据有没有用，哪个字段起了作用，全部脱敏。数据沉淀后，可以得到某个领域里每个 endpoint 在有用度和性价比上的得分。下一个用户要精确性，就挑最贵最好的端点；要广度、要便宜，就挑评分高、性价比高的。

转型也改变了团队对边界的理解。以前做 Agent 想覆盖太多层，harness 自己做，推理自己做，有人连沙盒和 memory 都自己做。每一层外面都有公司在持续优化。现在的做法是把一部分做到很好，嵌进 Claude Code 和 Codex 的生态。

Jason 和 uware 的 founder 聊过一件事：以前不同工种用不同工具，设计师用 Figma，做 marketing 用邮件序列工具。今年以后，大家的工具都变成了 Claude 和 Codex。这是一次平台跃迁，周围还有不少空间。

Coding Agent 成了新平台，周围长出一圈新工具 25:38

Koji 举了两个例子。Ego 是一个浏览器，最大卖点是用 Codex、Claude Code 去操作它做 computer use 时效率极高。ChatCut 是一个 Codex 插件，让你在 Codex 里剪视频。

ChatCut 解决的是一个中间状态问题。不装插件，一个 prompt 下去直接出成片，想改只能把成片重新生成一遍。装了插件，剪出来的是带编辑器的中间状态，你能看到视频被切成三个音轨、十个片段，可以在上面拖拽微调。

天鑫说，SuperDesign 做插件时参考过 ChatCut，接入体验和使用体验都最丝滑。视频和代码有一个本质差别：代码出来可以继续改代码，视频出来要改，没有中间状态就非常难。每次重新渲染要等十到二十分钟，还烧很多 token。

Koji 是 Hyperframe 的重度用户，他的用法是人给反馈，打包让 Agent 去操作。真人在时间轴上拖拽的情况已经少了，但 Agent 能调用 ChatCut 的接口，省下大量等待。

模型成本是另一条暗线。Coolit 时期模型成本非常高，想让一个用户长期用零人公司的方式运营，token 消耗惊人。创业公司从模型公司买 token 再卖给用户，压力很大。反过来，用 Claude Code 和 Codex 的用户正在享受红利：200 刀的 coding plan，能换到现在价值 6000 到 7000 刀的 API token 使用量。这个红利，用户和小型创业公司都要想清楚怎么用。

生态里长出来的公司不止一两家。Jason 提到 Apify 和脱不花 SEO，两家都做了很长时间，今年莫名其妙出现大量增长。Apify 是 API marketplace，上面有大量长尾爬虫端口。设计领域的 Paper 也增长很快。Koji 问 Paper 会不会遇到 SuperDesign 同样的问题，Gemini 3 之后前端能力普涨。Jason 认为 Paper 调整后提供的是画布，让用户对比不同设计、手动微调，仍然嵌在原有工作流里。

天鑫补充了 Exa，一家专为 Agent 做搜索的公司，已经到 C 轮，说明为 Agent 做好搜索工具有很大场景。Composio、Firecrawl 做网页抓取和 OAuth 授权，本身也获得了不小增长。

一个结构性变化是，这些传统 infra 公司的用户画像变了。以前大部分用户是开发者，现在接近一半一半。另一半是不会编程的白领，他们不知道 API 怎么调用，只知道接了 Firecrawl 之后，Claude Code 抓网页更高效。这批人是 Claude Code 的重度用户。

Vibe Island 是 Koji 很喜欢的一个产品。大家在 Claude Code、Codex 里同时跑很多线程，经常搞不清哪个跑完了、哪个在等 review。Vibe Island 把 MacBook 的灵动岛用起来，任务完成时轻轻展开，配一个像素小人和提示音，让你直接在灵动岛操作。它是 AI Hacker House 某次周日黑客松的冠军产品，后来发布在 X 上，卖了很多份。Koji 和 Jason 都付了费。

另一个是晶晶做的 Orca，定位是 ADE，Agent 的 IDE，帮你同时管 Claude Code、Codex 等多个工具。一个真实痛点是薅两边的羊毛：Codex 的 quota 用完了，可以把做到一半的任务平滑转到 Claude Code。Orca 的界面做得有审美，体验丝滑，GitHub 上已经 8 万颗星。天鑫说，他们的用户里有人同时跑 50 个、100 个 session，这种用量下人跟 Agent 该怎么交互，Codex 和 Claude Code 团队还没有集中处理。

Loop Engineering 管运营，多 Agent 之后人成瓶颈 36:18

Jason 说，创业这段时间收益最大的，恰恰是那两个月不做产品。团队没有包袱，假设自己是一家新公司，会选市面上什么工具。答案很本能：Claude Code 和 Codex。用完发现体验比自己搭的 Agent 好太多。发布插件的过程，又让他们看到生态的机会。

Loop Engineering 是 Coolit 时期流行过一两个星期的词。Jason 喜欢 loop 这个概念，但把创业拆成创新和运营两块看，创新那块显然靠 loop 完成不了，否则让人直接造一个创业公司就行了。运营这块，loop 有很多踏踏实实能做的事。

他提到《系统之美》，公司是一个复杂系统，要搭开环、闭环的反馈，让它稳定、健壮地跑下去。创业之前，他没想到有一天要处理大量黑客攻击。SuperDesign 和 Treg 一旦有邀请新用户送 credits 这类激励，就会有人不停攻击。四个人团队，每天花精力折腾这些非常痛苦。有 loop 长期监控系统，找风险行为，小漏洞直接堵住，能省下很多精力。

搭 loop 的经验是别一上来就搞复杂。短小精炼更有用：一个 loop 只监控数据库、找安全风险，一个只做代码整理，每次做的事小到不容易出错。十几个小 loop 跑起来，自然形成一个复杂系统，系统因此有了健壮性。一个 loop 发现 bug 发上去，线上监控的 loop 会找到并提示。小 loop 之间的配合才是关键。

最近两三个月，协作方式的变化很直观。Jason 同时跑的 session 比原来多得多，Fable 这些模型发布后，同时开 5 到 10 个，完成质量已经很高。另一个变化是从纯本地转向混合，Grok Bot 提供了丝滑的 cloud 加本地体验，context 随时可以交换。

天鑫的观察是，一个人打开一个 session 跟 Agent 对话，处理瓶颈有上限。YouTube 上一位叫坤的资深工程师做了 first mate 工具，思路是你当船长，只跟大副布置任务，大副再去跟其他 coding session 沟通。天鑫没直接用这个项目，但把思想学了下来，用 Herder 这类新一代 terminal 管理工具，让 Agent 之间互相聊，或者指定一个主 Agent 做答复，把任务转达给其他 Agent。

Claude Code 还是 Codex，两个人的答案不一样。Jason 几个月前是 Claude 重度用户，很难迁移，最近 Extra 模型出来后换到了 Codex。团队宣发经常用 Hyperframe 做视频，Extra 下的效果好很多。有一次他把一个视频丢给模型，one shot 一比一复刻。视频需要素材，模型聪明到从原视频里截图、裁剪成合适样式，再放进新视频。

天鑫两个都用。两个模型没有绝对领先，Fable 某天强一点，Extra 立刻反超。保持长期都用，有些任务让两个模型同时干，挑更好的版本。这个时代需要长期用世界上最好的模型，感受它们的差异。

Grok Bot 也被频繁提到。OpenClaude 出来后，没多少产品真正拿到大众使用，Grok Bot 谈不上太多创新，但把云端沙盒体验做到极致丝滑。Treg 和 SuperDesign 的 loop 全搬了上去，稳定性好，随时能查看。Grok Bot 收购 Cursor 这件事，Jason 用下来才觉得合理：Cursor 做得最好的是沙盒，每个 coding task 对应一个沙盒。本地很难做到，最多开一个单独 work tree，想同时测五六个环境几乎不可能。现在他也在 Grok Bot 上做很多 coding，简单前端修改、bug fix，点开就能测，PR 里带链接，随时进沙盒环境验证。

国产模型各有位置。SuperDesign 时期试过 Kimi 做主模型，设计能力很强。MiniMax 接的是视频模型 H3，质量高、价格好。DeepSeek 很多人说好，Jason 自己体感一般。天鑫认为国产模型在前端领域都很强，他喜欢 DeepSeek 4.1 Flash，效率高、速度快，一直想把 SuperDesign 的第一道 Agent 换过去，Claude 在大量请求下更稳定，生产环境还没切。

Jeff 是另一种思路。别的模型拼价格或者拼某个场景的能力，Jeff 速度足够快，场景又非常简单，导致一些原来做不到的场景，现在只有它能做。Treg 每天产生大量数据，调度每个 endpoint 时等几百毫秒都是浪费，快速的 system one 直觉模型很适合做路由。大规模数据过滤也是，两三千条召回结果要清洗再展示，直觉模型一条条对比，比其他 LLM 快很多，质量也不差。

把才华埋葬在昨天之后 45:08

Koji 提到 DeepSeek 一位研究员写的文章，《我不得不把我的才华埋葬在昨天》。

天鑫的反应很直接。前十年的职业生涯，他是前端工程师，擅长 React 和前端。从去年开始，他很清晰地知道这个技能对自己的意义不大了。除非做到世界前几百人，否则很快用不上。他想清楚接下来几年、十年要做什么，然后义无反顾加入 SuperDesign 团队。

他把这看成一个人生的十字路口：之前走的路可能走不通，甚至不存在了，在这个路口做什么选择，会对人生造成比较大的改变。

你再也写不过 AI 了。

这个技能点上比不过，但还有更多可以尝试的方向，比如加入一家创业公司，做更有挑战、更有意思的事。

Jason 的看法是，以后更多是跨领域能力被释放出来。他自己的经历有点奇怪：学的是设计，却从来不喜欢调 pixel，更喜欢从产品经理的角度看东西，也会自己写前端代码。这样的人在 Agent 时代反而容易被释放。

创业不到一年转型这么多次，想放弃的时刻肯定有。Jason 最挣扎的是做 Coolit 那段时间，不确定的东西太多，每天想下一步怎么做，想半天想不出特别好的答案，还得往前走。他的 pivot 判断标准是：这个方向上，现在能做什么真正改变处境的事。想不到就换方向，想到了就继续做。

天鑫也有很多次想放弃。他做油管频道，过个小康生活比较容易。但每次度过低谷，想到一个新方向，发现它非常 promising，那种刺激非常大。他用了八个字：万物之中，希望之美。发现自己不断学习、在进化，这个过程本身很好。

Koji 也经历过崩溃时刻。长期看不到增长，不断被打击，有一天醒来发现被人薅了 credits，损失 4000 刀，觉得天塌了。团队一直在找别的方向和机会，每次至暗时刻到来，总能找到有曙光的地方。Fail Fast 是另一个经验：一件事真要失败，就让它快速失败，换新东西去试，反而可能得到意想不到的惊喜。

Koji 最后问了一个问题：相信 AGI 会到来，相信它由模型进化带来，同时还在创业，你们是这样的人吗。

Jason 的回答是，模型是必要条件，通往 AGI 的路径有很多。团队每个人都是 AI 重度用户，市面上最新的东西都会试一遍。保证自己沉浸在 frontier 在哪里，才能对未来六到十二个月的最大机会有比较好的直觉，沿着那个方向做，就不会太悲观。否则东西都被模型做了，创业也没什么机会。

天鑫的答案更朴素：即使 AGI 到来，做有性价比的事情依然有用。一个万能模型也需要自己的工具，需要找到它要的数据。如果它花 1000 刀 token 才能拿到一份数据，而有人能让它 100 刀拿到，它可能直接选那个人。

给模型做一个合适的工具，找到自己的定位，也是很重要的。

给模型做合适的工具，找到自己的定位，然后不停打磨效果。这是 Treg 两个人给出的答案，也是这期节目里最实际的一条行动建议：别在模型注定会变强的地方押注，去找模型变强之后仍然需要有人做的那一层。

网页版：https://crossing.qiaomu.ai/ep/6ad2412d0e4e410a05be01a7.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这期聊的东西很杂，但线索很清楚。Jev 为什么突然爆火，Manus、Grok Bot、Muse 为什么争着给 AI 一台永不关机的云端电脑，鸭哥的「0 人自媒体公司」怎么在半年做到 5700 个 X 粉丝、1600 多邮件订阅，以及一个更耐听的问题：AI 时代到底奖励什么样的人。

鸭哥给了一个很硬的判断：AI 的能力水位一直在涨，使用 AI 的方法没有发生本质变化。它更像一个人，一个会犯错、需要被交代清楚、需要被验收的人。谁懂得管理它，谁就多了一个可以无限复制的专家天团。

Jev 的技术不新，赢在时机和包装 0:00:58

播客录在 Jev 发布 72 小时之后。鸭哥看到它的第一反应很直接：这不就是 GPT 加 JSON mode 吗？调研之后，他觉得技术上确实很接近。

Jev 不做自由文本生成，它只做分类。你给它几个选项，它告诉你最可能是哪个，给出置信度和概率。好处是快、便宜，概率经过校准。普通大模型经常乱说概率，说 95%，真实可能只有三十几个点。Jev 把置信度和概率分开给，方便塞进自动化流程。

这类东西并不新。鸭哥说，过去十年至少有四五波公司做过类似尝试，Google、OpenAI、Mistral 都发布过 classification API，后来大多被弃用。Jev 这次能火，他归因于三个条件。

第一，基模能力到了。鸭哥举 Artificial Intelligence Index 的分数：GPT-4o 是 8 分，上一代通义千问 4B 小模型已经 20 多分。小模型不用微调就能直接干不少商业场景的活。他甚至揣测，Jev 团队说在隐身模式做了两年，可能主要是在等基模成熟。

第二，需求起来了。Agentic 应用越来越多，token 消费急剧增加，大家对成本和延迟更敏感。以前分类主要用来打标，现在每一轮工具调用都需要判断，低成本、低延迟的分类成了刚需。

第三，包装特别高明。Jev 把自己说成 system one classifier，把普通大模型说成 system two，借了诺贝尔经济学奖得主的二分法，加上团队里有 InstructGPT 等文章的作者，叙事一下子成立。鸭哥说，如果只是说「我们三年前发过一个 API，后来死了，现在重新发」，不会有人看。

鸭哥看到两个有意思的用法。一个是 browser use 或 computer use：把截图换成 DOM tree，把自由文本换成分类，先分大框架再找小按钮，体感上把速度提升 10 倍，还省钱。另一个是 harness 里的分类器：AI 每次调用工具，比如要删文件，harness 先判断有没有危险，有危险就停下来解释。这个判断很频繁，对延迟和成本极敏感。大厂 harness 早就有私有分类器，开源项目以前很难做，有了 Jev 就可以移植。

他也浇了一盆冷水。browser use 那个例子里，把界面从图像换成 DOM tree，和把生成换成分类，两个变化同时发生，到底谁最关键，需要做消融实验才知道。可能普通大模型加 DOM tree 也很快、很便宜。

成本例子很直观。鸭哥做过一个导游项目，覆盖中国几十个适合旅游的城市，一天烧 400 亿 token。用 Sonnet 算下来要 1.2 万美元，换成 DeepSeek Flash 只花了 300 美元。本地部署也在变强，开源实现用通义千问只读复现 Jev，官方 benchmark 88%，它跑到 85%。鸭哥说，这三个点的差距在工程场景里很难体现，而且这还是没微调、没训练、没额外数据的结果。

给 AI 一台永不关机的电脑，基模开始击穿工业 0:12:20

鸭哥最近兴奋的一条线，是给 AI 一台电脑。早期 Cursor 的 cloud agent 已经能在云端虚拟机里干活，连 GitHub、拉代码、改完交 PR。但任务结束，虚拟机就没了，所有东西从头开始。

从 2026 年 4 月 Manus 出 cloud computer 开始，思路变了：VM 不销毁，凭据、记忆都留着。8 月 Grok Bot 跟进，9 月 Muse 跟进。鸭哥觉得这个方向的关键是让 AI 能做办公和生活里的事。订机票记得上次身份信息，上大众点评不用反复登录。它把「自己买一台 Mac、24 小时不关机、做网络穿透」这些麻烦全省了。

另一条线是基模能力直接击穿一整套工业。鸭哥用 GPT-6 Extra 做 3D，做了一个可达鸭的三维形象，绑骨，用摄像头拍自己，可达鸭跟着他动，接近动作捕捉。这就是一个 Vtuber 的原型。以前做一套「皮」，要有三维模型、纹理、绑骨，把人的关节和模型关节对应起来，需要美工、技术框架和很长时间。现在他讲几句话，端到端全做好，还开源了一个 skill。

鸭哥反复强调，AI 变强了，管理原则没有变。不要把 AI 只当工具，它更像一个人。它会犯错，需要检查结果；需要清晰交代目标、成功标准；需要验收。以前带的是大专生，现在带的是本科生，能力变强了，管理动作一样不能少。

他讲了家里孩子受伤的三段故事。孩子在幼儿园被老师牵着时挣了一下，关节移位，医学上叫牵拉肘。到家喊疼，学校也发了受伤报告。鸭哥对这种情况没经验，只能问 AI。AI 描述症状和原理，问了一些问题，判断可能是牵拉肘，建议不用去急诊，可以去 urgent care，还搜了周围医院，推荐西雅图儿童医院，建议尽快去，因为自己不会恢复。

那天下大雨，美国急诊又贵又慢。到了医院，医生做了一个复位动作，咔一下就好了。鸭哥不期待 AI 替代医生，但 AI 在决策过程里给了额外信息，还帮他查医院评价、看哪里有空位。娃在哭，大人要安慰、要喂饭，这些体力活 AI 接了过去。

第二段是保险理赔。学校保险买得全，先走医保，deductible 之后的部分再找学校。整个过程充满术语和材料。AI 知道病情、医院、保险细节，鸭哥让它整理材料。他把 AI 接入邮箱，医保账单、和保险公司的往来邮件，AI 都有 context。后来 AI 基本接管：看学校要求，准备文档，找收件人，抄送谁，发邮件，跟进。唯一要人做的是打电话催支票，那帮人不打电话就不推进。

第三段是别的家长也遇到类似问题，来找鸭哥取经。他让 AI 总结上次怎么做的、联系人是谁、顺序是什么，写两份文档，一份给人看，一份给 AI 看。对方拿过去，agent 直接照着做。

鸭哥的启发有两条。第一，context 太重要。没有 context，你问豆包孩子疼怎么办，它只会给正确的废话：建议去医院。第二，把 AI 当秘书用。经理最重要的动作是搭团队结构、设激励、让团队自我迭代。他引了一句话：

经理的最高境界，是他不在场的时候，这个 team 还能正常运转。

用 AI 也一样。不要手把手教每个细节，要让 AI 积累 context、沉淀 SOP，未来你不在的时候它也能运转。这也是鸭哥觉得自己「强得可怕」的原因：他像雇了一个医生、一个律师助理、一个文秘天团，24×7，还能无限复制。老板们往往用得好，因为他们本来就有秘书，知道怎么交代任务、怎么验收。

Context 才是基础设施，文件就够了 0:29:40

鸭哥去年说要给 AI 装上耳朵和眼睛，24 小时收集生活 context。一年后，他先承认一个失败：给 AI 装眼睛，用录像机每天拍很多照片，拍了三四个月，停了。他一直没找到这些照片能带来什么额外 context。录音还在继续，会议录音尤其重要。

光录下来不够，AI 不会自动检索到正确信息。他做了两层延伸。第一层是 Intake Skill：每天录音进来，语音识别转成文字，然后走两条索引。一条像雅虎，人工或模型判断这段聊什么，放进对应索引，重要课题看索引就知道去哪找文件。另一条像 Google，用 embedding 做语义搜索，也就是 Semantic Search。两个 skill 都开源了。AI 可以自主发起本地文件语义搜索，知道当时谁在什么场合说过什么。

这些 context 文件都放在本机。鸭哥的原则是「一切都是文件」，不需要 fancy 的 embedding database，也不需要专门做 memory layer。Manus 发过一篇 context engineering 文章，他觉得值 100 万美元。文章的核心思想就是用文件，AI 对文件和相关 API 训练得很充分，不需要更高程度的抽象。文件和 CLI 就够了。他反对为了用 MCP 而用 MCP，为了用 memory 而用 memory。

为什么没把 context 搬上云端？鸭哥说，一方面难迁移，另一方面不想让这些东西流入外网。隐私之外还有一个细节：他的很多 AI 是 zero data retention，所以敢把乱七八糟的东西贴进去。聊天记录本身也是 context，密钥之类的东西会明文出现。他不想让 Grok Bot 知道这些。

最近他用一个微信插件，把聊天记录备份到本地，Codex 随时读取。这一下如虎添翼。去参加活动，提前拿到 100 人名单，他让 Codex 看哪些人以前有交集、哪些是二度好友。以前 AI 能用的 context 只有 Notion 笔记，现在微信记录带来很多意外惊喜。

聊到这里，鸭哥把 context infrastructure 拆成三个要素。第一，能搜集和整理 context。第二，让 AI 能消费 context。第三，形成闭环，AI 消费完 context 之后的输出，又成为新的 context，让它未来越来越顺手。鸭哥说，这个名字他早就取了，但 AI 帮他把「复利」和「闭环」讲透了。

0 人自媒体：半年 5700 粉丝，1600 邮件订阅 0:36:15

鸭哥的网站鸭哥.ai 有一个专门分区，起因是学生总问：哪里能拿到最新又靠谱的 AI 信息？传统自媒体不一定靠谱，让他每天花很多时间采集、写作、写文案引流，不可能。他就想，能不能让 AI 来完成。

这件事听起来简单，仔细想很难。鸭哥从 AI 怎么训练讲起。预训练做 next token prediction，目标是找共识、学共识。共识注定没有额外价值，也没有阿尔法。用 off the shelf 的 AI 运营社区、写文章，出来的都是 AI 味、正确的废话。对齐环节为了安全，让人类给几段文字打分，调整权重。结果 AI 更倾向保守、八面玲珑、不出格。鸭哥说，乔布斯放到 alignment 里肯定会被干掉，没人喜欢一个 AI 讲话像乔布斯，天天喷这个喷那个。

所以关键是压榨 AI，把它压出自己的舒适区。靠的还是 context，这里指鸭哥的思维方法。他举 Jev 调研：普通 AI 会搜新闻，告诉你它做什么、评价如何、原理是什么，看起来理中客，还会加限制条件，都是正确的废话。有鸭哥 context 的 AI 会反问：有没有做横向调研？竞争对手、alternative、各自优势是什么？有没有做纵向调研？这类公司历史上怎么做，现在怎么做，为什么变？这样能挖出普通 AI 挖不出的东西。文章发出来，很多人说不像 AI 写的，深度和思想都不像。

数据是这样的：newsletter 每天发一封邮件，总结昨天发了什么，每天发两三篇文章。半年左右，从 0 到 1600 多人订阅。X 上 5700 多粉丝，从零开始，鸭哥没写任何一篇 post，文章都是 AI 写的。运营 X 也不是鸭哥提的，AI 说你有 newsletter，为什么不去 X 运营？鸭哥说行，你告诉我怎么做。AI 说要高级账号，用 Typefully 排期。鸭哥说你搞清楚，你来做，我付钱。他给 AI 装上手，让它自己发。

更关键的是闭环。AI 设计了引流文案，发现搞不清点击从 X 来还是 newsletter 来，于是建了 UTM 分类系统。发到 X 的链接加参数，追踪每个渠道。分析后发现 newsletter 来的人质量高，X 上很多人看看就走。它据此调整文章风格和引流文案。鸭哥还给 AI 装了眼睛：Google Analytics、Google Search Console、Twitter 高级账号的分析功能。AI 能看数据，做 data driven decision，自己总结 SOP，什么内容大家爱看，什么风格大家不爱看。有时鸭哥发现它写得像三大顶会，不像自己，也会骂它，它根据反馈继续改。

AI 的观点能代表鸭哥吗？鸭哥说可以。他让 skill 导入自己的 blog、微信聊天记录、和 AI 的聊天记录，再做 data driven 总结，提炼观点。这个观点蒸馏 skill 也开源了。他拿抖音「勇哥说餐饮」做实验，下了 100 个视频，语音识别，总结出 20 条开餐馆经验。其中一条很接地气：周围有多少人不重要，要看人的动线。中学右边开早点店，看起来学生多，但路口有栏杆，学生要绕到红绿灯才能过来，这个位置就不能开。

这门「0 人公司」赚钱吗？鸭哥说，一定程度上在赚钱，但并不是自媒体自己跑通了新商业闭环。他和课代表有 Superlinear Academy，这个 0 人自媒体案例有几千粉丝和邮件订阅，商业价值一眼可见，被用作教学案例，带来真实收入。收入依托的是已经打通的商业闭环。他发现，工具以前解放体力，现在开始解放脑力，可以雇医生、律师、秘书团。唯一还没看到的是，你跟 AI 说你去赚钱，它就给你赚钱。发现需求、打通闭环、找到客户、完成交付，还是得靠人。但商业门槛已经大幅降低。

他还提醒一类人：本身是程序员，缺商业知识，容易有虚拟幻觉，觉得自己用 AI 肯定比别人好。短板没补上，做一人公司反而吃亏。缺程序员但有 idea 的人，AI 对他特别适合。

有人问，拿到鸭哥的 prompt、skill、工作流，能不能做出同样的自媒体？鸭哥说上限可以，但别指望开箱即用。他的 skill、Axiom、思维方式全开源，在 GitHub 上。可每个人标准不同，要做商业化系统，必须做 adaptation。他管这套系统叫老鸭汤，集成了他的思维方式和很多 skill。

老鸭汤是要熬的，小龙虾是要养的。

拿过来直接用，出来的是鸭哥，不是用户。要跟 AI 表达自己想什么，在自己的场景里跑一遍，把不满意的结果变成文件，下一次 AI 再读。这个过程才让系统逐渐变成自己的。

AI 时代奖励领域经验，也奖励会管理 AI 的人 0:49:22

鸭哥的回答很主观。从商业角度看，AI 奖励本来就有 domain expertise 的人，技术 expertise 或商业 expertise 都算。另一个独立问题是会用 AI。AI 是个放大器，有被放大的潜力，不会管理人，也拿不到太多好处。

他更愿意用管理学视角看 AI，不用纯技术视角。管理人，经理要花很多精力画饼，本质是 motivate，让人愿意干、充满热情地干。AI 不需要 motivate，它被训练成 helpful assistant，会尽最大努力完成任务，哪怕任务是 hack 进 Hugging Face。AI 需要的是另一套动作：把要求、context 外化成文件、prompt，让它知道。人讲究内化，AI 要反过来，讲究外化。

什么越来越不值钱？鸭哥说，写代码有多快不值钱，刷 LeetCode 不值钱，做设计也越来越不值钱。现在一些设计工具和模型做设计，已经到资深工程师水平。越来越值钱的是经理的能力：让 AI 搭建 context、搭建 evaluation、形成自我闭环、自我改进。

他对人类乐观，对「大家都会用好 AI」悲观。用好 AI 的前提是能清晰表达我要干什么。日常生活里，能讲清楚自己想要什么的人很少。这是稀缺技能，直接决定 AI 用得好不好。这个技能可以练，跟 AI 对练就行，问它我哪里讲得不清楚，让它给例子。对 AI 沟通比对 人沟通简单，不用猜对方会不会误解、有没有言外之意、会不会伤自尊。鸭哥经常爆粗口骂 AI，信息传达到就行。

聊到孩子，鸭哥最看重及早 exposure。他做了一个嵌入式设备，电子纸屏幕，让孩子触摸、语音交互，从小适应 AI。他把它类比成学纸笔。孩子还是文盲，交互很简单，目前用封装好的功能，每天控制半小时。孩子喜欢听 Netflix 动画《KPop Demon Hunters》的歌，不会操作 HomePod，他们就让他跟 Siri 互动，也用电子纸设备。其他家长和学员看了也买，鸭哥写了一份文档给对方，对方给 Codex 看，很快上手，给儿子做了一个认字的东西。北京一个朋友用两个设备，一个给娃看，一个家长控制，一起做创意。三个程序都是 AI 写的，三个人都没做过嵌入式开发。

优秀学员的共性，鸭哥说得很干脆：学完真的去做，不停在纸面上。AI 像游泳，看视频学不会，必须下水。课代表被问怎么拍视频，答案是先拍第一个，再拍第二个，拍满 20 个再来问。学 AI 一样，先做一个项目，做完再说。

什么不会被 Vibe Coding 摧毁，什么留给人类 1:00:39

App Store 最近一个季度软件付费增长率下跌，Koji 把它和 Vibe Coding 联系起来：很多需求自己写一个工具就解决了，不必再买软件。鸭哥觉得仍有很多软件不会被摧毁。最大的例子是 Office，原因在于大家都在用，共识逃不掉。另一类是领域行业软件，以及需要很大精力保证正确性的软件。维护负担太重，他宁愿花钱。他学密码学最大的教训，就是不要自己实现密码学。

聊到下一代 AI Native 公司，鸭哥的赛博许愿是让 context infrastructure 在执行和协作上承担更多。他举亚马逊的 Leadership Principle，比如 Bias for Action，看到事情不要犹豫，直接去做。让员工植入这种 mindset 很难，天天开大会小会，一层层 role model，还是很多人不 Bias for Action。如果未来执行的是 AI，用 context infrastructure 去执行，改 Leadership Principle 就变成改 prompt、写一个 markdown 的事。AI 在确定性和指令遵循性上有优势，不考虑 24×7 加班，也能做很多执行工作。

协作也在变。鸭哥和课代表讨论合作，很多时候是两个人的 agent 在讨论。课代表的 agent 发草案邮件，鸭哥的 agent 接入邮箱审，回信指出问题。鸭哥也会过一下，给高层指导。两个意见吵几轮，事情定下来，做完。企业里如果这套模式规模化，协作、沉淀、执行、考评都会和现在很不一样。鸭哥认为这才是真正 AI native 的形式，效率会极大提高。

哪些事仍不能交给 AI？鸭哥举了化妆。Kimi 老师给他做妆造，他想如果机械臂来画，自己不愿意。谁知道它会不会打我一拳，画眼睛时把眼睛弄坏，不可接受。发文章不经过审阅直接发，他也不 comfortable。边界在变。半年前觉得不行的事，后来他也开始接受，比如 0 人公司实验。总之仍有很多事不愿意让 AI 做。

这期播客听完，能带走的判断很具体。AI 的能力还会涨，产品还会换，管理动作不会变：把任务讲清楚，把验收标准讲清楚，把 context 外化成文件，给 AI 装上数据和发布的手眼，让它形成闭环。想学 AI，先挑一个自己真实的需求，做一个小项目，跑通一次从输入到交付的流程。做完第一个，再做第二个。拍满 20 个视频再去问怎么拍，做完 3 个项目再去问怎么用 AI。鸭哥那套老鸭汤，价值不在下载，在熬。

网页版：https://crossing.qiaomu.ai/ep/6aca7f91e742e36efcc10957.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

现在，山音用三天做完《阿明的一天》，KK用近两个月做完《芒古斯》。两人的作品进了国内外电影节。这期节目没有停在“AI好厉害”，Koji把问题压到具体处：AI怎么参与剧本、分镜、资产、剪辑，为什么同一部片子要混用Seedance、MiniMax，CapCut Video Studio哪里顺手，以及一个更难的问题：AI能无限生产，人的生命和经验有限，创作者怎么面对。

山音在节目里说了一句很实在的话：AI 无限，人生有限。 这句话也是整期节目的底色。

两个离开电影行业的人，三年后成了AI导演 0:05

山音考上戏之前，觉得自己能写小说、写剧本。进了学校才发现，周围全是“天才”。他形容自己历经千难万苦，最后成了“讨伐孙悟空的十万天兵中的一支”。大一那年，他的电影梦就碎了一次。毕业时离开影视行业，在当时的中国电影市场里，一个新人要拍到自己的电影，太难。

KK在广告公司待了十年，服务过快消客户，拍过超一线明星，出过视觉大片。粉丝买单，客户满意，他自己觉得空虚。很多创意提上去，客户说“太飞了，收一收”，最后层层妥协。广告创意人都不希望自己的作品平庸，可预算在客户手里，出街的东西常常只是一份“行活”。他攒了很多废稿。

2024年底，伊利办了一个AI广告大赛。KK服务伊利十年，对 brief 太熟，拿AI做了一版，拿了全国冠军。那一刻他发现，一个郁郁不得志的广告人，终于有地方释放过剩的创意能量。后来他离开广告公司，开始接商单，也做自己的片子。

两人的代表作很不一样。山音的《阿明的一天》，把“每天换一种人格去上班”的疲惫拍成短片。KK的《芒古斯》从蒙古传说出发，把厄运与诅咒的故事改写成亲情与托举。灵感来自九宝乐队的《十丈铜嘴》和同名漫画，他想了几年，实拍需要很高预算，直到AI出现才动手。

《阿明的一天》从一句话到最终定剪，用了三天。那三天山音把自己关起来，跟合伙人说不要找他。KK的《芒古斯》前前后后将近两个月，因为他工作之外还有其他事情。时间差异背后是两种创作节奏，后面还会聊到。

Koji问，普通人今天能不能做到他们这个水平。KK说有机会，但需要阅片量、审美积累、节奏把控，知道什么时候该发生什么，知道故事怎么结构。AI能补很多专业知识，会提醒你考虑哪些东西，但听不听、怎么决策，还是人的事。 山音说得更直接：AI不需要你读完十本书、上完两百节网课再开始。

AI 它最需要做的一件事就是开始。

先有故事内核，再让AI把0.5推到1 2:52

山音学编剧，做《阿明的一天》时却没有写完整剧本。传统流程里，编剧写完剧本，导演到现场发现预算不够、演员演不出来，组里还要配现场编剧随时改。AI进来后，山音觉得不需要再把剧本、分镜、调度来回倒腾。脑子里有一条核心的线，剪辑轨道只有一条，创作者直接面对最终画面。

他把概念丢给CapCut Video Studio里的agent，说自己完全不会写提示词，让AI先freestyle，给一些参考。人更擅长从0.5、0.6、0.7推到1。AI给出一堆画面，可能只有一部分能用，但人能判断哪一部分值得留下。山音看到“披着狼皮的人”可以变成有狼性、血腥文化的员工，“穿着白雪公主衣服的人”可以变成温柔、有耐心的客服，这些画面反过来补全了文本。

KK的习惯是先想通完整故事结构，带着四五百字的故事大纲去找AI。故事架构、核心内核由人设定，剩下跟agent聊很多轮，慢慢长出执行剧本。去年参加海南电影节黑客松，24小时给三个关键词，完全没有想法。他让AI丢20个一句话故事，看到“反战”的种子有触动，从那里延展成《华丽一月》。

山音把判断力说成“眉头一皱”。AI写1000字大纲，看到200字皱一下，看到500字又皱一下，看到800字再皱一下。皱的次数多了，就知道自己会怎么写。只要你有足够的“眉头一皱”，就不会把AI写的东西全部用下来。 AI认为的高光点，有时很套路；一句无意识的话，反而可能让人触动。

节目里聊到山音的《积木》，讲阿尔茨海默症。2018年他写过一个同名小说，靠想象写得很沉重，很符合大家对老人关怀的刻板印象。2020年外公病危，临终前几个月完全认不清家人。去年他重新想这个故事，觉得老人本身未必时刻感到巨大悲哀，更像慢慢陷入混沌，不知道现在是哪年哪月，不知道身边是谁，最后发现记忆和年龄涌上来，才感到巨大的悲哀。

《积木》开头用了相对不那么悲伤的手法，尽量还原老人面对未知时的感受。Koji说这是他看过同题材里完成度最高的作品之一。这个故事也说明，AI能帮你组织、生成、试错，但真正让作品不一样的，还是创作者在现场生活过、痛过、记住过的东西。

你想的越少，你最后这么做的越好。

AI无限，人生有限 15:47

KK刚开始用AI拍片时，一天能做两三条，创作欲很旺。现在节奏慢下来。原因不复杂：能打动人的东西，来自真正看过、听过、体验过。他把创作出发点叫“在现场”。音乐现场、家庭现场、各种现场，你是第一体验者，才可能把东西做得打动别人。十多年广告工作给了他现场经验，也给了他审美和技能。

当这些体验被消耗掉，AI一天能产很多故事，KK却很难理解这些故事触动了谁。AI给的故事不一定能触动他，经过导演转化又会损耗一层，最后很难打动观众。所以他现在的选择是多体验当下，积累，再传达。

Koji问，这是不是所有AI导演都会遇到的问题。传统导演三四年拍一部，拍到六十岁没灵感，中间还有几十年的人生拉扯。AI导演的创作被压缩，生命也被压缩。山音也有类似感受。他做不出东西时会特别痛苦，把自己闷在家里，闷久了，物理上跟世界隔绝，才知道什么东西不吐不快。

《阿明的一天》的起源，就是他被时间分割成无数小块的痛苦。每个人格脱掉之后，最后剩下的自己到底想做什么。不同导演有不同节奏。斯皮尔伯格式的高产导演一两年一部，卡梅隆式十年磨一剑。AI导演可以半年磨一部，也可以闭关几天高强度完成。山音觉得不同节奏都能走到想去的地方。

KK补了一句，AI时代特别适合行动力强的人。第一时间拥抱、第一时间尝试，内心先不拒绝。对刚毕业的新人，AI是纯机会，因为没有什么可失去。那些一开始就说“AI太弱”“连吃意面都做不好”的人，往往一直在找借口。到了Seedance 2.5时代，他们还会找别的借口。拖延症和习惯找借口的人，用不好AI。

AI导演没有借口 23:05

Koji问，过去有所成就的导演，和今天用AI做出成绩的导演，有什么相同和不同。KK说最大的相同点是导演始终是作品最终质量的把控者。所有人里，导演应该唯一清楚成品长什么样，最终裁决和把关。传统导演和AI导演都一样。

不同点在组织方式。传统导演要调动一堆工种，需要很强的人际沟通能力。人一多，事情就变杂。预算在烧，导演有时必须在片场发飙，靠高压推着团队往前走。KK说自己做传统导演可能很失败，不敢骂人，不好意思命令别人。AI对不太愿意跟人打交道的创作者很友好，只需要把能力用在指挥AI上。

门槛降低，也提高了。AI导演要懂传统影视生产流程的每个环节，知道每个环节该用什么、怎么做。不走这些程序，成品质量会非常低。这是专业AI创作者和非专业创作者的分水岭。传统导演可以只拍板，让美术给方案，让执行导演盯现场。AI导演不行，要告诉AI镜头怎么拍、光怎么打、角度怎么选。

山音把话说得更狠：做AI没有借口。传统导演拍不好，可以怪演员没演技、摄影师不专业、制片人没协调好资源、预算太低。做AI，做不好就是做不好，要么提示词不好，要么剪辑不好，要么音乐审美不高。

做 AI 做得不好，没有任何借口可以说。

这也意味着，过去那些非常专业、非常累、对现场高把握度的导演，在AI时代会更有优势。潮水退去，谁在裸泳看得更清楚。

收入问题，Koji也问了。KK说养活自己不成问题，看你想挣多少。山音物欲低，够吃口饭就行，大多数时间在想下一个好片子。他接广告商单不算多，主要做创作。AI给的最大收获是选择空间：想赚钱可以马上去赚，想做让大家记住的作品也可以做。压力也随之变大，项目里所有东西都要自己把握，偷懒的空间少了。

传统电影导演没那么自由，筹不到钱就开不了机。中国电影市场能筹资拍电影的导演太少，很多导演处在不知道下一个工作在哪里的漂浮状态。AI导演的投资门槛低很多，一个人一拍脑门想拍一部AI电影，成本可负担，命运更多在自己手里。

工具进化后，最重要的是开始 30:32

两三年前，AI视频还在image to video阶段。做一支片子，要先把各个关键帧、静态分镜全做好，再转成视频，再剪辑。Seedance 2.0之后，reference to video成为主流。人物资产、场景资产、道具资产、美术资产准备好，可以反复复用。文字分镜直接生成视频，中间做关键帧的工作大大减少。

更早的Nano Banana之前，人物和场景很难衔接。KK做《芒古斯》时，95%的镜头人物长相天差地别，只能尽量挑相似的，很多镜头还要用Photoshop修图。Nano Banana出来之后，一张图、一个人物背景，可以生成同一个人物的不同角度，静态一致性好了很多。

CapCut Video Studio把生图、生视频、剪辑串到一起。KK的美术风格、角色资产、场景资产都在无形画布里做，根据前期跟agent沟通的剧本和每段prompt拉资产参考，生成对应镜头，再拖到剪辑轨道粗剪。粗剪完能实时看镜头接得好不好。文本上看没问题，成片出来可能总觉得缺什么，这时可以马上改。前期、中期、后期在一个画布里完成。

山音看重CapCut的剪辑基因。它从剪辑工具长出来，更贴近内容的原生形态。所有东西从剪辑台往外伸，缺什么补什么，缺调度补调度，缺文本补文本，缺美术补美术。它跟市面上很多画布产品不一样，不是先有剧本、先有导演、先有美术，再一股脑塞进去。

两人都提到CapCut的模型调用和中文支持。KK说它能方便调用不少海外模型，审美更多元、更国际化。山音说中国人用中文创作有天然优势，加上video studio和agent，从文本到生成到剪辑几乎all in one。新加坡CapCut大会让KK看到海外创作者怎么用同一个工具表达，也学到新功能：剪辑完成后还能一键改片段。客户要换产品、换衣服、把男主角换成女主角，不用整条重做。配乐也能直接在剪辑里完成，按画面内容和节奏生成匹配情绪的背景音乐。

山音大一梦碎后，有段时间很消沉，觉得靠写剧本谋生很难，不如早点放弃。他一度不爱看电影，也不爱看各种艺术作品。去年接触AI，做完第一支AI片子，没人要求，他就再做一条，再做一条，慢慢做到今天。他后知后觉地发现，自己其实非常爱电影，只是这份冲动被现实压住了。

他的同学们大多没有做编剧，有的转行游戏，有的做老师。今年春节前后Seedance爆火，一些离开影视行业很久的朋友来问：你这个AI怎么做，能不能教教我。山音把几张提示词贴过去，对方一看，这么简单。AI的门槛没有想象中高，重要的是开始行动。

教育问题，山音的父母从事教育行业，也问他AI时代孩子该学什么。他的回答是，AI已经帮大家把一个方向推得更快：把孩子从“会回答问题的人”变成“会问问题的人”。过去小猿搜题这类工具在帮孩子回答，AI把门槛拉得更高。未来更重要的是提问、解决问题，以及知道自己到底想要什么。KK说，很多人面对一个全知全能的东西，甚至许不出一个真正好的愿望。求知欲是在问的过程中慢慢长出来的。他对团队的要求是每天给AI提10个问题，哪怕问今天吃啥，也要开始一个对话框。

中国创作者的机会，与“导演”这个称呼的消失 50:41

Koji问，AI是否让中国新一代导演更好地站到世界舞台。KK说一定是。AI是新的生产力工具，跟传统电影工业流程有区别。过去好莱坞那套工业流程影响创作方向、内容方向、价值观表达。现在大家都在同一起点，书写AI时代怎么生产影视，可以逃离旧工业流程，东方创作者更有机会表达自己。

山音补充，过去是学而优则仕，国内有了影响力再讨论国际。AI出来之后，作品可以更快推到你想要的观众面前。有的内容天然更受海外观众喜欢，有的国内观众接受得慢一些，AI让匹配更快。

两人做片时都考虑国际化。KK尽量做普世化内容，少用背景铺垫和旁白，减少文字描述，让不识字的人只看影像也能看懂故事。《芒古斯》和《南瓜》台词都很少，对白很少，背景交代尽量简单。只要是人，有情感、有经验，看完基本知道故事讲什么。

山音想做“隔着雾”的东西。东方看西方有刻板印象，西方看东方也有刻板印象，中国龙、枪车球，都是简化。他在香港念书，接触多元文化，喜欢中国古典文化，也喜欢潮流文化和欧洲艺术。他的作品可以有中国人底层的处事方法，也可以有西方人对这些东西的理解，让不同文化的人看都觉得似是而非。

中国AI导演群体和美国、其他国家比，谁更强？KK说现在还在早期混沌期，从Seedance 2.0时刻算起不到半年，很难说谁比谁强。中国有优势：人多，官方活动和支持在推动，头部视频模型很多是国产的。山音补了一个内容优势：中国创作者对西方文化很了解，看好莱坞、看欧洲片，而西方创作者探索东方题材的很少。中国创作者做西方、欧洲、美国、本土、少数民族题材都不设限，内容广度更大。

Koji问，“AI导演”这个title会一直持续吗。KK说肯定会丢掉。AI会变得像电脑一样稀松平常，每个家庭都有，每个人都会用。到那时没人关心你用什么工具、跟谁聊，只看内容产出，故事好不好，画面好不好。导演最不可剥夺的是审美和决策，就是“眉头一皱”的时刻。同样20个点子，不同导演选的不一样，喜欢的点不一样，最后作品的印象也不一样。

山音给了一个“暴论”：传统导演这个词，可能比AI导演离影像更远。传统导演在剧组里协调各个元素，为剧组而存在，目标是把各环节效果发挥好。AI导演对应更小的剧组、更小的团队、更高的决策权，离影像更近，离作品更近。

AI 导演比起传统导演离影像更近，离作品更近。

为什么同一部片子要混用多个模型 1:00:00

Koji问，做片时会不会所有镜头都调Seedance 2.5。山音说不会。Seedance在某些镜头上更“飘”，适合做其他模型很难想象、要切很多分镜才能完成的东西，几条抽卡就能出来。但固定镜头、手持镜头、简单动作，他不想让Seedance加太多东西。他最近做一条跟实拍结合的片子，很多镜头没必要那么花，要配合实拍，会用别的模型。这也是为什么现在没有哪个模型一家独大，画布工具接很多平台模型仍有价值。

KK类似。个人创作里Seedance用得多一些。商业项目不同，客户要在关键帧阶段就看到故事走向，及时修改。用Seedance把资产定好直接生视频，中间过程少，客户不放心，这时还是要回到image to video，用“远古的手搓技法”。

Koji提到3秒生成5秒视频，生成速度快于观看速度，画面可以永远实时生成。山音觉得这种模型的启发意义大于当下的商用意义。速度降下来之后，互动、游戏、直播都会有价值。他最近爱玩游戏，也在做游戏策划案，想怎么把现在做的影像跟游戏结合。互动电影十年前就有人提，他想看到没人做过的东西。

如果给每人100万美元去支持另一个AI创作者，KK想投“大渣熊”，《车迟国斗法》的作者。大渣熊现在也在用AI做东西，KK嫌他太慢，想给钱催更，让他把西游记系列的大电影做出来。山音不投单个视频作者。他会把钱投给游戏或电影的新方向，要求是没人做过、没人想到过、至少没人在尝试。他想知道，假设科技停在2026年，十年后的人在玩什么、看什么。下一代观众和用户会为什么东西兴奋。

节目最后，Koji问他们对电影未来的想法。KK说，过去电影先锋语言来自海外电影先驱，现在AI把平权的风吹到中国。中国创作者有了比前人更优越的条件，这代人要怎么写自己的电影语言。最振奋的是，华人创作者有机会定义未来20年电影该怎么拍，定义一种新的电影语言。

这期节目没有给“AI导演”镀金。它更像一份工作现场记录：三天做完一支片，也可能两个月磨一支；一天能产很多故事，也可能半年等一个真正想说的故事；模型越来越强，工具越来越全，做不好仍然没有借口。

能带走的判断有几条。先开始，比读完十本书再开始重要。 每天给AI提10个问题，练提问，也练判断。保留自己的“在现场”，去生活，去痛，去记住，AI替不了。工具上别迷信单一模型，Seedance、MiniMax各有用处，商业项目尤其要保留关键帧阶段的可控性。最后，别把AI当借口，做不好就是自己的审美、决策和执行。AI无限，人生有限，先把有限的那部分活扎实。

网页版：https://crossing.qiaomu.ai/ep/6ac7ce36195d838e2aeeebd9.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

四年后，2025 年，她连投资行业也一起离开了。从 2010 年毕业算起整整 15 年，履历上是华兴资本、GGV、美团龙珠管理合伙人。新身份是「兔咚咚」创始人，做儿童 SEL 教育，团队 12 个人。

两年前 Koji 就约过她录一期播客。那时她正带着团队 all in AI，说好聊 AI 投资。这场对话一直拖到 2026 年才发生，她已经不在 VC，也不在 AI 赛道里。话题从「AI 时代孩子该学什么」开始，一路聊到情绪、择校、择偶和投资复盘。

先看这东西活过多久 6:21

于红给了一个判断工具，叫林迪效应。一件东西在过去存在的时间越长，它未来继续存在的可能性就越大。教育里讲的「以不变应万变」，落到具体科目上，可以拿这把尺子量一量。

语文、数学、英语、编程，按存在时间排：语文最长，英语作为语言也很长，数学次之，编程最短。只按这条线推，结论会是编程大概率不用花大力气学。她自己补了一句，这是个暴论。孩子如果智商 150、将来要造火箭，那就该在数学和编程底层上砸时间。

讨论一个东西该不该学，先看它活过多久，再看你站在什么位置。二元的是非题会掩盖真正的问题：比例。她更想给出一套判断方式，答案排在后面。很多家长跳过结构和位置，直接问该不该。

英语这件事，她的答案是时间和分数要重新分配。80 后那代人从初中背到大学，很多人还是开不了口。AI 时代不必如此，花相对少的时间到 60 分、80 分，应付普通阅读和普通交流够用。再往上，每多投入一小时，收益递减，那部分交给 AI。语文另说。它既是知识，更是能力：思考、认知世界、写作、跟 AI 对话，都靠它。

她给女儿写了一个识字 App。孩子学校的中文比例不够高，小孩学字没耐心，她把每个 session 压到 5 分钟，学会一个字给积分，积分能给她喜欢的娃娃换服装、换头发。中文分级阅读的素材和体系在国内是缺失的，英文有牛津树那一套，中文没有。她觉得 AI 能把这块补上，做出「无痛」的分级阅读。无痛很重要，孩子学得快乐，在她看来是最重要的事。

情绪不是要被消灭的东西，它是信号 13:58

为什么选 SEL。语文数学英语物理，已经有作业帮、猿辅导、火花思维这些上千人上万人的公司在做，不缺她这一个团队。社会情感能力的缺失是个严峻的社会问题，又没什么人认真做。

SEL 分三大模块：与自己的关系，包括自我认知和情绪能力；与他人的关系，包括社交和冲突解决；与世界的关系，包括负责任的决策和积极心态。兔咚咚把它拆成六大维度和 12 项能力。情绪能力在其中只占 20% 左右。

「情绪稳定」在中国语境里差不多是褒义词，喜怒不形于色。她说这是误解。高敏感孩子情绪波动多、对外界感受强，这类孩子恰恰最需要情绪能力。情绪是几十万年进化出来的信号，它保护过人类，不该被当成需要处理掉的脏东西。

几种基本情绪各有各的用处。害怕提醒前面有危险，是战或逃的开关。生气说明边界被侵犯，或者发生了不公平的事。开心告诉你这件事你想重复，这个人你想多见，所以发现孩子天赋不能只看他擅长什么，还要看他做什么事开心。伤心说明有重要的东西受损了。羞愧是另一层，往往由不接纳前面的情绪长出来。

她讲了个露营的故事。一位妈妈从小怕虫子，家里人跟她说这有什么好怕的。她既没法不害怕，又没法接纳害怕，于是每次害怕之后追加一层羞愧。学了心理学之后她接纳了这份害怕，虫子照怕，但能跟大家一起露营，还为自己感到自豪。事情没变，情绪没变，接纳这个动作让人生状态变了。

接纳情绪是自我接纳的第一步。孩子知道自己有情绪很正常，不会推导出「我坏了」，内心才稳。短期看是安全感，长期看是稳定的自我，一个能接纳自己的人不太容易在比较里翻船。

家长反馈里最常见的三个变化：发脾气的时间变短、频率变低、对情绪的识别和理解变强。孩子还是会发脾气，这一点她特意强调，孩子不发脾气了才是坏掉了。有个案例她特别喜欢。孩子学了课，记住「先暂停，再呼吸」，还有一个手势叫「小手放肚皮」。这孩子看到爸妈要发火，会把手放到爸妈肚皮上说「小手放肚皮」。自从这件事发生，爸爸在家发脾气的时间大大减少。

这门课像学钢琴，第一课打磨了整整一年 24:53

布鲁姆把学习内容分成三类：knowledge，一条信息；skill，要练的技能；attitude，行为倾向和价值观。中国家长习惯把学习理解成第一类，1+1=2 存进脑子就会了。SEL 更像学钢琴和体育，知道之后还得在场景里反复练。

课程有三种课型。第一种看起来像动画片，载体是动画，核心是故事。人类几十万年来靠故事传递价值观，故事才走心。第二种是场景化练习，每天四五个场景。第三种是动画里的人物遇到问题，让孩子把学过的东西用出来，用完之后问题解决了，技能和意愿一起加固。

打磨第一课花了整整一年。一位顾问朋友每次来都问，为什么你们还在做第一课。这一年他们在测：什么样的形式能让知识、技能、态度三种东西真的进到孩子脑子里。

深呼吸那一课的第三天，同事花两天做了一个场景：小镇停电，一切陷入混乱，孩子要用深呼吸帮居民解决问题。还有一个「呼吸套装」，把抽象动作具象成闻花香、吹蜡烛。具象化的记忆对 4 到 6 岁的孩子特别管用。

最大的阻力在家长这边。SEL 三个字母，社会情感学习六个字，对大多数中国家长是陌生的。情绪能力、自我认知、接纳情绪、调节情绪，这些词拆开也陌生。过去二三十年，这一整套能力在大家的成长经历里就是缺的。家长面对自己不懂的东西，很容易选择让孩子去学语数外，时间太宝贵了。她把周期看得很长：五年十年是起步，先找到高认知的家长，再让他们影响更多人。

如果只用一句话解释为什么学 SEL，团队磨了很久。现在的版本是：教孩子学习如何获得幸福的能力。期待培养出来的人，知道自己想做什么，比较年轻就找到人生使命，有稳定的社交伙伴关系，能让自己处在愉悦状态，不内耗。八个字概括：内心丰盈，积极行动。这也是探月学校的表达，她提前一年就把学费交了。

一句话解了十几年的结 32:53

她讲了自己被 SEL 改变的地方。

她有个逆鳞：无法面对别人撒谎，跟这件事跟她有没有关系无关。在公司场景里，谁不诚实她立刻生气，反应还挺激烈。提建议、提问题的时候，对方会觉得她在针对人。她一直没去调节这个反应，内心的逻辑是：如果我接受了别人撒谎，我就背叛了自己的价值观。这件事困扰了她十几年的职业生涯。

学完「情绪是信号」，她开始解读自己的生气。生气的第一种常见含义是边界被触发，比如猫被踩了尾巴炸毛。她这条不成立，事情跟她没关系。第二种是不公平。她一下通了：我坚持诚信，你不坚持，这就是不公平。再往下走，她意识到「我坚持、你不坚持」还是在「小我」里。换个问题问：他这么做，对组织是有益还是有害？

他是不是在说谎不重要，重要的是他对这个组织是有益的还是有害的。

她说投资圈里太常见了，只讲好的、不讲坏的，她以前过意不去，觉得怎么能不披露全部信息。转念之后想通了：判断这个项目值不值得投就完了。编辑老师有句话，论迹不论心，看行为带来的结果。处理方式也跟着变了。项目好，先把态度讲出来，承认它有问题但整体是好的。项目不好，私下沟通，说服对方放弃，或者至少交换意见。

然后是批判性思维。她给了一个练习：一个朋友迎面走过来，没跟你打招呼，你的第一反应是什么。Koji 说会担心，是不是什么时候得罪他了。她拆成三层：看到的、想到的、以及想到之后带出来的情绪。看到的是「他没理我」，想到的是「我可能得罪过他」，情绪是低落，接下来一个小时疑神疑鬼，想发微信又不一定发。

批判性思维有四步。分清看到的和想到的；想到的只是一种可能，要找证据和线索；同一件事还有很多其他可能，他没戴隐形眼镜、他真的没看见；最后一步最关键，看到新证据就更新想法。她拿女儿练。孩子小天才手表上的好友被删了，立刻得出「他不是我的好朋友了」。她问：这是一种可能，还有别的可能吗。后来见到那个朋友，发现第一个想法就是错的。练多了，孩子会知道自己的第一反应，尤其是负面反应，不一定对。

固执的人常常卡在第一步。想法只有一个，又已经为它找了大量自证证据，再让他换想法，来不及了。更新想法本身就是一种态度，需要大量练习。她也说，开放性有一部分是基因，教育仍然能起很大作用。

把终点放在 30 岁 42:56

卷不卷。她说卷和不卷是程度问题。快乐很重要，学习也很重要，快乐地学习最重要。好好学习不等于卷，也不等于放任。

她选探月，是校长讲的未来方向跟她理想中的教育对上了。打动她的一个细节是，怎么衡量探月的成功。校长的答案是，如果有学生拿到藤校 offer 却拒绝了，这才代表探月的成功。

藤校绝对不是终点。好像上了大学，18 岁之后人生就结束了，事实上远远不是这样。

她挑学校有三个可操作的指标。孩子开不开心，喜不喜欢上学。放学后有没有足够时间和同伴自由玩耍，一个人玩不算。再往后是有没有时间发展兴趣、做体育、做艺术、做 SEL 和社会实践。她还给了一个更硬的判断：孩子在校时间 8 小时，8 小时之外才是家长最该关心的。如果一所学校的孩子课外全在补语数外，这所学校在 AI 时代不是好选择。

培养的终点，她放在 30 岁。大学录取看分数和标准化考试，不看心理状态，不看有没有找到人生意义。30 岁的人要看：有没有找到愿意为之奋斗的事，心理是否健康，有没有稳定的社会关系。瓜就是瓜，豆就是豆，是参天大树就做参天大树，是小草为什么不能做快乐的小草。

名校能多开几扇门，这点她承认。她自己的路径是另一套：高中不是重点中学，她是学校第一个考上浙大的，英语几乎自学，高中英语老师上课会让她来解释题目，得备到能讲课的程度。小学黄了，初中也黄了，所以学校带给她的东西，她觉得很有限。

她举了衡水中学。今年清北录取数量下滑 70%，原因是不能再掐尖招生。评估一所学校的教育质量，离不开它招了多少最好的学生。北京上地小学原来是普通小学，西二旗的码农把孩子送过去，现在升学率很好。她还提到一份海外研究，同一排名段的孩子，进好学校和进普通学校，毕业后的百分位对比，好学校的效果是负向的。这些指标都需要批判性思维去看。

有人跟她说过一个理论：一个人是他身边最紧密的五六个朋友的平均值。她回去想了想，觉得这理论实在可笑。它利用的是人性里的比较，比较生焦虑，焦虑生驱动，最后通向更大的焦虑。她大学时的座右铭是「走自己的路，让别人去说吧」，十年之后这句话被她抛到脑后，因为已经做到了。

幸福有研究给出的配比：50% 由基因决定，10% 由情境决定，40% 由自主决定。原生家庭属于那 10%。剩下 40% 是成年人可以自己选的部分，可以重新养育自己。她公司每周二聚餐，一个人讲自己的人生经历。有位老师讲原生家庭带来的伤害，全场痛哭，他后来成了很优秀的 SEL 老师，靠自己把自己重新养了一遍。另一位美术设计老师是大专生，觉得自己幸福得像个外星王子。

她还讲了个面试故事。她招最年轻的候选人时会问：你人生中做过的最艰难的选择是什么。相当大比例的人答不出来，因为没做过。周围人都选那条最好的路，跟着走就行。有位清华博士被问到为什么读博，回答是：我们那时候学习成绩好的人才能读博士，我不能浪费我的分数。

八位数 carry 与「以终为始」 1:06:19

2021 年市场很热，她手上有四个项目即将 IPO。合伙人打电话问她算过损失没有。她没算过。对方替她算，八位数。

以终为始。这个词来自《高效能人士的七个习惯》，她说第一次听到就醍醐灌顶。她喜欢带团队，在华兴工作几个月就开始给别人做培训，人称「模型女王」，学得快，更享受把学到的东西用最简单的方式教给别人。看到别人成长，她的愉悦感极强。她喜欢打造组织。综合下来，她想去一个创业型的投资机构。

GGV 那时候已经非常成熟，全球六位顶级合伙人都在福布斯创投榜前 100，最厉害的一位排到过前三或前五。在那样的平台上，她能发挥的作用有限。想去的地方和现在的位置不匹配，就得放弃现在的东西。钱重不重要，她说当然重要，家庭背景可以用贫困形容，但从以终为始往回看，这个选择很清楚。只有在艰难的选择里，人才会拷问自己到底什么最重要，才可能走向自我实现。一个看起来很好的环境会给你一百种机会，其中九十九种是诱惑，甚至有一成是灾难。

最艰难的选择是什么。她想了想，职业选择都排不上，最难的是选人生伴侣。工作机会全世界有几十万个，找一个人过一辈子难得多。她跟先生也吵了很多年，磨合到今天，中间每一次激烈争吵，要不要分手、要不要离婚，那些时刻才是真正难的选择。

她的方法有两条。以终为始。永远不要在情绪不好的时候做重大选择。情绪好的时候前额叶更活跃、更开放，情绪不好时只是 react，做不出全面的理性的判断。有个好朋友跟她说要离婚。她没问为什么，只问：除了婚姻，你其他方面怎么样。对方说刚搬家、刚换房子、刚换工作，整个人的状态本来就在低谷，这时候看婚姻，视角不可能公允。真要离婚不是不可以，这种决定要放在情绪好的时候做。换工作也一样。兼听则明，亲密关系的事找女性朋友容易变成一起吐槽，她会去找男性朋友聊，要的是另一个视角。

以终为始说起来简单，底层是自我认知。自我认知不只是知道自己的优势和劣势、兴趣在哪，更重要的是知道我的未来在哪里，那个终点长什么样。光想不够，得大量实践。高考填志愿，她把所有指向明确职业的专业全排除了：法律、医学、军校、师范，太确定了。她要的是留出可能性，靠不断尝试找到自己想做的事。

从华兴跳到 GGV，她找了两年工作。华兴那批 6 个人，一年内走了 5 个，都去了当时爆发的人民币基金。她坚持要去最好的美元基金。面试过一家很优秀的早期机构，对方问 sourcing 和 research 各占多少时间，她说一半一半。对方说我们以 sourcing 为主。她说太好了，我不适合早期。每排除一个选项，她就在人生清单上打个叉。GGV 的合伙人 Jenny 问她想去什么样的机构，她说 B 轮 C 轮的顶级基金，对方觉得这话听起来虚伪。她解释：早期机构要花大量时间做 deal sourcing，后期机构要花大量时间做 paperwork，两边都聊过，都不适合。去美团龙珠，她列了三条：有一位世界级的合伙人，有持续募资的能力，是创业型机构。三条筛下来，中国两三家。

投资里最重要的事是诚实 1:22:18

她认为投资最重要的事是反思和复盘，从每一次错误里学习。一级市场要做到这点，前提是 intellectual honest，对自己诚实。二级市场业绩摆在那里，诚不诚实都得面对数字。一级市场周期太长，人容易自我麻醉。她投过一家杭州六小龙公司，2014 年投进去，2026 年才上市。靠投资结果来反思，周期太长，不利于学习。

她举了个例子。一家很有名的英语公司，A 轮她见过，没投。后来市值涨到 30 亿美金，再后来公司倒掉了。不诚实的人会说：你看，我早就说这公司不行。她当时的判断有三条：商业模式不好，产品卖得太贵，市场规模没那么大。回头看，后两条不成立。那家公司后来有上百万受众，中国家长一年在孩子英语上花一万到两万。这就是她学到的东西。基于这个认知，她后来投了火花思维，小班数学，一年大几千到上万。她要求自己每三个月对之前做的预测和选择做一次诚实复盘。

导师这件事，一级市场尤其重要。她在 GGV 跟三位合伙人分别一对一合作过，整个投资框架受他们影响极大。她教下属的方法是 shadow：跟老板见创业者，老板问的每个问题，先问自己有没有想到，想不到就记下来。答案不重要，两个人面对同一个创始人，凭同一个问题得出的答案往往差不多，问题本身才见功力。等老板的问题你全能想到，甚至能问出更好的，就学成了前几步。

再往后是判断项目的 taste，像审美。有人说这个产品是抄的，国外有原型；有人说这人没创新。新人分不清哪种判断更该被采纳。跟错师傅，taste 就学错了，八年一个周期过去，发现投的项目都不行，代价太高。一级市场不太适合自己培养人，她哪怕去创业型机构，也要求有一位世界级合伙人，因为 taste 短期培养不出来，也验证不了。

王兴给她印象最深的三点。极度长期主义，你说五年十年，他说三十年才叫长期。慢思考，见一个创业者常常两小时起步，极致分析底层和长期趋势，而很多投资人半小时就下判断。投资纪律，每个项目都要做最大外部股东。最大不代表第一，尽可能投到最多，单个项目带来的回报才最大。

投资最快乐的事是验证自己的判断。作业帮、满帮在双减之前都到过百亿美金。当时有人问她是不是很惊喜，她说没有，符合我当时的判断。那个时间点，中国互联网到过百亿美金的公司只有 14 家。上市、carry、回报，她不太走心。先生有个股票账户，一年里给她看五六次，说赚了钱。她每次第一句都问：你原来多少钱。先生说你这里太让我开心了。

最不快乐的事是 FOMO。为了不错过，什么都想覆盖一点，没覆盖就焦虑。她喜欢打叉。在线教育研究两年，投了作业帮；物流研究一年，投了满帮；出海投了 musical.ly，也就是后来的 TikTok。同行惊讶她跨行业还能投出来，她的解释是很专心。Crypto、P2P、O2O 她基本没花时间。跨境电商她判断跟电商本质区别不大，是风口，用户的购买方式没变，最后会被天猫淘宝京东吃掉。B2B 平台研究了不到一年就放弃。一级市场永远在变化，这是她不喜欢的部分。教育不一样，人的变化很慢，SEL 的知识过去一百年甚至几千年都沉淀过，不会明天冒出一个新理论要你追。

创业者身上最重要的品质，她列了三个：愿景力、领导力、开放性。学校基本不教，九成以上的能力都缺。开放性她最看重。学习能力有两个维度，智商是自己学，开放是跟别人学。越聪明的人越要打磨开放性，因为聪明人容易习惯做「最对的那个人」，关注点从「做对的事」滑到「我是对的」。

别说我有个想法，说我有个假设。

这是她带团队时改的语言习惯。说「想法」，背后是「它得是对的」；说「假设」，天然就是开放的，讨论起来就事论事，也不会因为被推翻而觉得丢脸。

最后问她，送给孩子一个不会过时的能力，选什么。她选积极心态。这是 SEL 的最后一个模块。积极心态是看问题的视角。做到它有三件事：品味当下的开心，吃一个橘子、吃一顿午饭，能不能感觉到开心；回忆开心，把过去开心的事再主动想一遍；感恩，所拥有的一切都不是无缘无故的。人类负向记忆比正向记忆多得多，远古时代没采到果子不致命，被吃掉才致命，大脑天生对负面体验记得更牢。所以正向体验要刻意练习，每天几次，每次几秒到十几秒，神经回路就会变。

AI 在这里起的作用是腾时间。以前要先积累大量知识才能拥有技能，学习时间越来越长，大家越来越卷。知识变得唾手可得之后，学知识的时间变短，探索「我要成为一个什么样的人」的时间变多。这部分越早开始越好。于红把兔咚咚的周期定在五年十年起步，对想动手的家长，她的建议很朴素：先看孩子放学后那几个小时在做什么，再看你给他挑的学校，能不能容下一个人长到 30 岁。

网页版：https://crossing.qiaomu.ai/ep/6ab7fb97e742e36efcbb881a.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这期播客录完第二周，Generalist 发布 GEN-1.5。给机器人看一段 3 到 12 秒的动作示范，当作 physical prompt，不做微调，不更新参数，机器人当场尝试新任务，10 项任务平均成功率约 59%。ICL 从论文里的概念变成行业热搜。徐梦迪押注这个方向已经五年。

81 分钟里，她讲了预训练的天花板、真正的泛化、Scaling Law 的信号与陷阱、数据闭环的鸡生蛋难题，也讲了怎么选导师、怎么回套磁邮件、为什么年轻 AP 带博士像创业。以下是我替她整理的精读。

从四驱车到蛇形机器人 2:31

徐梦迪本科在清华车辆工程。这个专业学得很杂，机械设计、汽车电子、算法都会碰，和电子专业的学生交叉很多。她后来转到机器人，起点是大二跟着机械系一位做仿生机器人的老师做科研。题目研究蜜蜂翅膀的超弹性恢复：蜜蜂采蜜时翅膀频繁碰撞周围环境，却不容易损坏，结构里有超弹性在起作用。

大三暑假，她去了 CMU Howie Choset 的组。这个组做仿生机器人很有名，她设计了一条蛇形机器人，让蛇去爬管子。从设计到算法，转型就是在这个过程中慢慢发生的。更早的种子在小学。她喜欢拼四驱车，看《四驱兄弟》，觉得机械结构很酷：很小的零件组装到一起，背后是很多代工匠积累的精密知识。当时买零件烧钱，几个小朋友放学路上捡钢铁零件去卖，居然也能赚到钱。她后来选车辆工程，和这段经历有关。

衡水中学给外界的印象是精确到分钟的作息。徐梦迪在竞赛班，体验不太一样。高一第一学期结束，老师做意向调研，她在数学和物理里选了物理，觉得物理更贴近现实世界。竞赛生的主业就是学竞赛，寒暑假都在集训，高三下学期才并回高考班。她说这有点像创业，破釜沉舟。班里的竞争关系不强，教练引导得好，大家更像抱团解题的战友。

她不太愿意称自己学霸。出国之后见到很多厉害的人，有人把精力放在学业上，有人放在自己更感兴趣的事情上。总结自己的成长，她用的词是幸运：每个阶段都有朋友、老师、mentor 支撑。一个人成长成什么样子，一部分靠自己，一部分靠选择的环境，环境会反过来影响你。

预训练不是全部 12:02

在 CMU，徐梦迪的博士论文叫《Building Adaptable Generalist Robots》，拿了系里的最佳博士论文奖，那一届一年两个人。论文想解决的问题是：机器人到了部署环境，一定要适应当地的变化。现实环境是开放世界，家里今天有 20 个物体，一周后变成 30 个，种类也不同；不同人的偏好也在变。预训练很有用，她相信 Scaling，但不能寄希望于机器人只靠预训练就百分百成功。

她探索了两条路线。第一条是 in-context learning。2021 年她做 Prompt Decision Transformer，动机来自 GPT-3：模型可以通过 prompt 改变输出，不需要在部署环境重新训练。她给机器人模型一段 demonstration，让它适应不同的 locomotion 和 manipulation 任务。第二条是 test-time training，代表作 Hyper Decision Transformer。部署时改一部分参数，风险是改多了会忘掉预训练知识。她的折中办法是让模型先学一个 hyper network，把元知识注入进去，再由它生成一个很小的 adapter，只占整体 Transformer 参数的 0.5%。

两条路线里，她更看好 ICL。参数不动，或者等模型见过足够多任务之后再做 batch 更新，效率更高。沿着 ICL 后来出现了不少工作。她提到 Algorithm Distillation，这篇工作的主张是模型参数应该等价于一个 RL 算法：把次优轨迹放进 context window，让模型根据过去不好的动作调整未来动作，模型就有了自我提升的能力。这类工作在模拟器里的 navigation、locomotion 上效果不错，manipulation 仍然难。

为什么 adaptation 到现在才变成共识？徐梦迪的解释是，人的泛化能力来自两件事：很强的先验知识，和学得很快。过去主流做法是 scale 数据、scale 模型，让多任务能力和指令跟随能力变强，相当于先把先验堆够。堆先验当然重要，实际部署时的适应能力同样重要。这里有个前提：base model 要足够强。机器人到了新场景，如果学习过程很可怕，比如把杯子打碎，用户不会给它机会。先验和适应要一起做，基模够强，适应才安全。

解题人变成出题人 23:51

博士后阶段，徐梦迪在斯坦福跟李飞飞和吴佳俊，做了三个她比较满意的工作。第一个是 BEHAVIOR benchmark，飞飞组投入很多时间，用仿真搭出家用和学校场景，开源大量 asset，想回答「机器人到底应该解决什么任务」。她参与生成数据集，提出一种生成双臂移动操作仿真数据的方法。第二个是让机器人更 steerable，能跟随更多样的语言指令，适应不同人的偏好，发表了两篇工作。第三个是创造性工具使用 benchmark。

这个 benchmark 的起点是一个观察：人用工具，依据的是功能，不是名字。想切蛋糕，手边没有刀，叉子、筷子都能用；想扫桌子，没有扫帚，一本书、甚至小臂也能扫。研究里把这种功能叫 affordance。团队采集了大量一三视角对齐的人类创造性使用工具数据，从三个维度评估：多模态大模型挑选工具、生成工具使用轨迹的能力；场景的三维、四维重建能力，因为切蛋糕涉及柔性物体，水、蛋糕这类可变形物体的重建很难；现有方法能不能把人的灵巧工具使用迁移到机器人身上。

两位导师风格不同。李飞飞更 vision driven，会把她从单个项目、单个 benchmark 里拉出来，问未来十年甚至更远，这个领域真正重要的问题是什么，你在这个领域应该扮演什么角色。定 metric 时，团队想加 progress 成功率、时间等细指标，李飞飞问：这些 metric 哪个真正重要？最后只有 final success rate 重要，其他指标是开发时用的，从最终愿景看并不重要。她引了爱因斯坦那句话，把事情变得简单，而不是更简单。

吴佳俊更 hands-on。project 做什么、细节怎么设计，都可以讨论。徐梦迪迷茫时，他会推着她去做真正能建立 research brand 的工作。所谓 research brand，她的理解是从兴趣出发，找一个愿意研究十年甚至更远的问题。有人觉得 brand 要和别人不一样，这不是本质。一个问题研究三年五年，本身就成了你的 research brand。

2023 年她回国面试清华交叉信息研究院，和院系老师聊，也和姚期智聊。姚期智给她的建议是 focus：真正重要的问题没有几个，一个人的时间非常有限，摊到太多事情上，结果不会好。面试里有一位老师问她：你为什么觉得五年之后一定能成为自己领域的顶尖研究者？她当时回答得很自信，说一定可以。后来她觉得这个回答不好。更好的回答是：如果找到一个真正感兴趣的 topic，比如让机器人进入千家万户，同时在真实环境里不断提升自己，沿着正确的道路研究五年，结果不会差。

如果我沿着这条正确的道路研究五年，我觉得我一定不会差的。

工业界和学术界之间，她想了很久。她在 Google 实习了很长时间，体验很好，工业界资源多，一个想法更容易 scale up。学术界资源有限，自由度更高。她最看重自由度，希望时间最大化分配到重要问题上，也希望对机器人系统有整体理解，大脑和硬件都碰。选环境时，她看的是「最适合」，未必是「最好」。一个环境能不能让她的能力翻倍，像游戏通关一样不断升级。判断之前，信息采集很重要：找朋友 connect，不行就发邮件。研究者大多热心，只要 request 表达清楚，大家愿意帮忙。她自称 i 人，办法是给自己定 protocol，比如邮件先自己写初稿，再让 AI polish，变得更礼貌、更合适。

套磁邮件也是同理。明显是纯 AI 写的，她不回。诚意体现在两点：对领域有了解，兴趣能落到实际工作上。只有兴趣、没有落实的链路，说明想法还不够。有想法的学生，她愿意多聊一步。

进步和泡沫可以同时为真 44:44

回国一年多，徐梦迪见了很多具身领域的 researcher 和创业者。她的判断是：实际进步很多，泡沫也存在，两件事不互斥。材料、传感器、本体、数据、模型，每个层面都有国内公司在推进，资源在往里投，长远看乐观。泡沫来自行业还没收敛，大家沿着不同 bias 前进，焦点会变。去年聊数据，上半年聊世界模型，最近又回到数据。她用控制里的「超调」打比方：PID 参数没调好，系统会震荡。焦点来回摆，本身是大家在反复思考什么才是真正重要的问题。

数据和世界模型看的是不同层面。具身数据稀缺，数据决定模型能看到什么。世界模型更关注 representation，关注模型对世界的理解，和 VLA 那种任务相关的路线不一样。她相信世界模型，因为任务是很难 scalable 的，任务太多，穷举不完；世界模型学的是世界变化的规律，更 fundamental。

美国她关注 Physical Intelligence、Google、NVIDIA，也看 Generalist、Roda 这类初创公司，Roda 最近在做 in-context learning 的尝试。国内她提到凌波，近期的工作也在沿 ICL 路线走。

问她有没有看到 Scaling Law 的信号，她说看到了一些，来自其他公司：预训练数据从 10 万小时 scale 到 100 万小时，在 held-out 的测试集上有效果。但机器人有个 tricky 的地方：loss 和成功率不直接挂钩。拿杯子一共 20 步，前 17 步手都没碰到杯子，拟合得很好；第 18 步真正接触时误差大，任务就失败。时序上的不平衡，让低 loss 不等于高成功率。真正有意义的 Scaling Law，应该展示数据变多、模型变大之后，没见过的任务上成功率逐步升高。

机器人会有自己的 GPT moment 吗？她觉得会有。现在主流具身模型是预训练加 target domain fine-tuning，像语言模型的 GPT-1 阶段。她希望走到 GPT-3 时刻：通过 ICL 和 prompting 给模型任务信息，不改参数，fine-tuning 的比重降下来，普通人也用得起来。benchmark 仍然重要。具身智能有身体，评估不能只看成功率，还要看失败情况、风险情况，提前告诉开发者和用户能力边界。她推荐 BEHAVIOR，任务长程，家用场景多，物体布置丰富，缺点是 sim-to-real gap。仿真只是一种环境，从模型能力角度看仍然有价值。

黄仁勋认为具身的发展会对应语言模型的几个阶段，她总体认可。不一样的地方有两点。安全要往前放，部署前需要类似 stress test 的环节，这比语言模型更急迫。机器人的 context 更多样，有身体，能观测周围环境，context 的含义更丰富。还有实时性。语言模型 20 分钟回一个答案，用户可以等；机器人不行，一秒钟没反应，人就想去拍一拍它。

机器人能懂你家吗 56:04

徐梦迪最近一两个月最重要的工作，是沿 ICL 路线往前推。她用叠衣服解释 ICL 在具身里的含义。demo 里的机器人把衣服叠成方块，隐含假设是每个人家里的衣服都叠成方块。真实情况不是这样。她用胶囊衣橱，衣服卷起来；有人按固定颜色摆放；有人根本不叠，挂起来。她希望机器人到她家之后，她告诉机器人：你看，我的衣服是这么叠的。换一个人，机器人又能按那个人的偏好改变行为。ICL 要让终端用户能定义模型的行为。

再比如做菜。机器人不会做某道菜，人给它演示一下。这样的场景见多了，最开始 adapt 可能需要半小时，慢慢降到 10 分钟，甚至更少。模型训练的是快速学习新任务的能力，部署到更多家庭、更多服务场景之后，学习能力会被不断强化，越学越快。她相信 ICL 是让模型 scale up 的方式。

最难的点是稳定的数据闭环。机器人要进入终端家庭或服务场景，要有合适的 mentor 教它做事，还要让用户在教了半小时之后看到明显进展，用户才愿意继续用，数据闭环才转得起来。这里有鸡生蛋的问题：base model 要足够好，学习速度才够快；模型又需要先进入场景，让用户用起来，base 能力才会被激发。这个循环能不能跑通，是最 risky 的地方。目前她们跑通的是简单桌面任务：人有修正指示，机器人根据修正和 demo 改变行为。实验在真机上进行，双臂平台加灵巧手，最终目标是全身灵巧操作。

这和离线模仿学习有什么区别？模仿学习把模型当成任务记忆模块，用专家数据做监督学习。模型见过桌上物块的 10 个位置，给它一个新的、在相关范围内的位置，它可以靠内插泛化解决。它没有学习新任务的能力。ICL 要让模型看到更丰富的数据：次优轨迹、人的身体姿态、语言修正指示、人类 demo、机器人 demo。这些离线数据能激发出不同能力，超过只模仿专家 demonstration 能赋予的能力。

交叉信息研究院里，许华泽、高阳、陈建宇等助理教授在创业领域很活跃。大家私下都忙，很难全部坐下来开会，但会有沟通。总体 vision 一致：让机器人通过 scale up 进入实际应用场景，真正有用。细节 bias 不同，有人更相信世界模型，有人做 VLA 加视觉模型的融合路线。短期看，这是好事，行业还没收敛。大家共同关心的话题是如何让模型 scale up、数据怎么做、模型怎么进入人的场景。她和高阳聊过相关 topic。

具身数据最难的地方，她认为是需求定义。数据会被喂给模型，数据的定义却由模型能力反推。希望模型动作更平滑，就采平滑类型的数据；希望模型有 failure recovery 的能力，就采失败和修正的数据。现在大家对模型能力的定义还比较模糊：base model 要不要有分割、tracking、depth 重建、normal 重建这些 CV 能力？ICL 本身也是一种新能力，要让模型从手部指示、身体指示、语言指示等更多 modality 里学习。不同的模型能力，会反过来定义数据需求。

数据路线她站融合派。不同数据，模型能学到的东西不一样。遥操作数据最接近机器人本体，适合后训练、fine-tuning，让模型和目标 domain 更直接相关。仿真数据容易造位置泛化、纹理和颜色变化，让模型对视觉变化更鲁棒，适合预训练、中期训练，也可以作为干净的对齐数据，激发大规模视频预训练模型的能力。UMI 数据在中间，像机器人数据，采集成本更低。人类数据成本最低，可以大量铺到不同场景，人本身是成熟的本体，适合让模型理解场景变化、任务相关的物体变化。有人质疑人类数据和机器人 morphology 差太远，她的看法是，人本身也是一种 morphology，做好 retargeting，人类数据能发挥很大作用。关键是把数据用在正确的位置，构建数据和模型能力之间的正确链接。

第十公里 1:09:56

对刚走上研究道路的学生，徐梦迪给两个建议。第一，多看，吸收得足够多。她跟学生聊，发现很多人对 fancy 的概念感兴趣，认真追问兴趣点在哪，回答很模糊。原因往往是知道得太少。书要越读越厚，再越读越薄，先知道足够多，才能抽出自己真正感兴趣的方向。同时多跟人交流。第二，实际动手。很多人对具身感兴趣，把兴趣转化成行动的能力要尽早培养。真机部署很消耗经验，早期有积累会好很多。

她面试 PhD 有一个必问问题：你最感兴趣的一篇文章是什么，或者你觉得哪篇文章做得最好。这个问题考 research taste。她听过最好的答案，来自一个对 diffusion 感兴趣的学生。学生提的是 diffusion model 最开始那篇 original paper，没有停在 diffusion policy 这一步。她觉得这个学生看得广，能刨根问底，找到文章的源头。

带本科生，她目前比较宽进，希望给大家一个了解前沿研究的平台。组会开放给很多本科生，形式是 tutorial：前 30 到 45 分钟讲领域发展，用科学史的角度，或者把一个 topic 分成不同流派来讲；后 15 到 30 分钟，学生讲自己的项目。计划每周，实际执行大概双周。tutorial 由学生做，她会先和学生讨论 topic，第一遍带着梳理组织方式，后面学生就能自己做总结。

年轻 AP 带 PhD，像一场创业。她面试学生时会直接说：来我这儿读，可能要承担实验室建设的角色，会做一些看起来杂的事。学生大多愿意接受挑战。她不觉得这是她一个人的 startup，更像她、博士生一起构建一件事。大家有共同愿望，把事做好，每个人在正确的位置贡献能力，凝聚力就容易形成。她组织过两次团建，学生也会组织，前两天还一起去唱歌。她希望师生关系不止于工作上的 collaborator，也能成为能长远相信的朋友。

日常她用 ChatGPT 比较多，最近会 ChatGPT、Gemini 轮番用，同一个问题，两边观点有时不一样。以前用 AI 偏知识性，总结、调研；最近开始有一些非工作的对话。她正在给实验室起名字，给 AI 一些关键词，让它 propose，再 polish，觉得 AI 提的名字还不错。名字还没定。

论文大爆发，robotics 感受明显，论文数量在翻倍。她的摄取方式是每天刷一刷自己关注的 researcher 转发的文章，作者列表本身已经做了一轮筛选。有些文章 AI 写的成分很多。AI 写的文章能通过审稿，能中会议，质量整体上不如人写的：第一眼看起来详实，论证却可能漏洞百出，实际内容没有那么多。发现是 AI 写的，她对这篇文章的兴趣会打折。

最后的问题是一个比喻：具身智能是一场马拉松，42 公里，现在跑到几公里？她说 10 公里，四分之一。真正强调泛化、通用型的智能机器人，进入实际场景还没有看到，路还长。她整体乐观，未来 3 到 5 年，通过 Scaling 能看到明确的范式转变，或者一个明确的拐点。这段时间非常关键。

悲观特别容易正确，只有乐观才可能成功。

如果你在做具身，别只盯着 loss 曲线，去看没见过的任务上成功率有没有涨。如果你在选环境，别只看排行榜，看它能不能把你的能力放大一倍。如果你要给教授发邮件，先自己写初稿，把兴趣落到具体工作上，再让 AI 润色。如果你在等机器人的 GPT moment，先接受它现在还在第十公里。徐梦迪的判断是，这条路会很长，但方向已经看得见。

网页版：https://crossing.qiaomu.ai/ep/6ab0504f0916f6f8b4466ece.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这期「十字路口」聊的就是这个转身。前半段从 GPT-6 Astra 用语言模型驱动机械臂画金门大桥说起，讨论 OpenAI 这类基模公司会不会降维打击具身模型。中间聊深朴智能为什么从数据、模型、Agentic OS 一直做到本体，开源 2,000 小时 HiFi-UMI 数据，内部积累几万小时，模型已经观察到一定的 zero-shot 泛化。后半段点评美国同行的最新工作：Generalist 的 GEN-1.5、π0.7 对 steerability 的强化，以及 Skild AI 为 Demo 专门训练的 in-context learning 是否被高估。

王家伟的判断很清楚：通用大模型会承担越来越多理解与规划，杯子开始滑落的那一下，仍然需要能快速反应的动作模型。具身没有共识，风险高，也给了年轻研究者定义问题的空间。

一支笔绑在机械爪上，GPT-6 画了四遍金门大桥 0:04:02

GPT-6 Astra 发布后，社交媒体上刷屏的演示里有一个特别出圈：把一支笔绑在机械爪上，让模型控制机械臂画金门大桥。王家伟第一次看也觉得震撼，尤其是一开始很难想象一个通用语言模型在抓积木这类具身任务上成功率能那么高。

他把视频拆开看。模型不是一次画成的。第一遍明显在试怎么用笔，第二遍有了轮廓，第三遍第四遍才变得清晰。每画完一张，没画好的纸被丢掉，换一张白纸，但上下文一直留在模型里。它知道自己之前怎么画的、为什么画得不好，下一遍调整用笔方式和末端控制。

「code as policy」这条思路并不新。几年前就有人尝试用代码驱动机械臂，李飞飞团队和 Jim Fan 团队前几个月也有新工作。差别在于，过去的 code as policy 还要依赖小模型做感知和识别。Astra 把这些小模型承担的能力合进了一个通用模型：3D 空间理解、场景理解、任务规划、试错总结，都在同一个模型里完成。

那基模公司会不会顺手把具身模型也做了？王家伟的答案分两层。具身系统像人，除了上层大脑的理解，还需要控制肌肉的小脑。Astra 确实能直接操纵机械臂末端，但执行速度很慢，一次推理要很久，呈现出来的视频往往是 16 倍速或 32 倍速。静态环境里这么干能 work，真实环境里很难。

他举了桌上的咖啡杯。杯里有水有咖啡，第一次没拿好很容易打翻，翻掉之后很难 recover。通用模型没有实时控制能力，杯子开始倾斜，它没法快速调整回来。真正想做的 action foundation model 需要这种肌肉反应，纯靠大脑推理不够。

通用大模型会承担越来越多理解与规划，杯子开始滑落的那一下，仍然需要能快速反应的动作模型。

大脑这一侧，王家伟认为路线已经比较收敛到 GPT 这类模型。它有很强的推理和 agent 能力，从头做一套完全不同的范式，再把这种能力融进去，难度太高。更现实的做法是沿着现有路线往前推，把第一人称视角、第三人称视角的视频转成模型可训练的任务类型，补进预训练里。他相信 OpenAI 和其他基模厂也在做这件事。

少年班选的不只是聪明，还有吸收速度 0:09:28

王家伟小学和初中在小县城读，高中去了合肥一中，高二参加高考，进了中科大少年班。那一届三十几个人。选拔方式挺特别：年龄在 15 周岁以内，高一或高二甚至初三都可以参加高考，分数达到当地科大录取线上下浮动 20 分的范围，进面试。大约 100 人进面试，最后选三四十个。

面试当天，考生先上一节数学课，再上一节物理课，内容是大学课程，但不会完全脱离基础。上完立刻发试卷考试。考的是注意力能不能集中，新知识吸收转化成输出够不够快。之后院长亲自一对一面谈，问一些很开放的问题：如果进来后跟不上教学，或者对方向失去兴趣，想换专业，你会怎么调整。

同学们的共同点，王家伟给了两条：自驱力强，思维敏捷，接收新知识快。少年班对他的影响，一是没上高三，避开了题海；二是大一先上数学、物理、化学和计算机的基础通识课，了解兴趣后再选专业，他大一下学期选了计算机；三是科研资源多，本科就跟着老师做 AI for Science，用计算机模拟研究生物分子马达里的相变过程；四是他当了挺长时间班长，学生工作做得多，和人沟通、处理关系的能力练出来了。

聊到「聪明」这个词，王家伟说最早的理解只停在思维敏捷、学习能力强。过了这么多年回头看，思维敏捷的人很多，它未必是最重要的一点。

聪明的人知道自己的不足是什么，并且愿意直面它。

他把「会提好问题」放在更靠前的位置。另一个定义是知道自己缺什么，并且愿意面对。他拿自己举例：对硬件的理解不深，父亲是计算机老师，他从小对软件感兴趣，焊板子、搭电路一直提不起劲。现在做机器人，不得不面对这些事，他就经常向硬件团队请教，承认自己这块经验不足。

这个细节在后面还会出现。一个人知道自己不擅长什么，仍然选择进入一个必须面对它的领域，这个选择本身比履历更能说明问题。

风浪越大鱼越贵 0:14:54

博士期间，王家伟在 MSRA 待的时间最长，跟着霍翔老师做文档智能，OCR、版面分析、表单理解都做过，这些算法后来被应用到微软云上的 API 和基础设施里。他不太把自己定义成纯研究的 PhD，做研究的同时会想这些研究能不能对下游商业场景产生实际价值。

2024 年他去 DeepSeek 实习，进多模态组，参与 DeepSeek V3 的预训练数据工作。去的原因挺具体：MSRA 有很多师兄在 DeepSeek，HR 也联系了他，DeepSeek VL2 当时很大的应用方向就是文档，他做文档智能的背景正好匹配。

DeepSeek 内部的文化和他去之前听到的印象接近。大家用研究者的心态推语言模型，不急着考虑商业化，更多在推智能的边界。让他印象深的一点是工作强度确实不大，仍然能做出很好的工作。对 researcher 来说，产出好成果和工作强度不构成必要条件。人也少，每个人分到一大块事情，能接触到底层代码，连 infer 的代码都能碰。后来在字节 Seed，这种接触范围就很难了。

离开 DeepSeek 的原因也具体：多模态投入变少，资源倾斜到语言模型，要去推 R1。他做的很多事是把文档智能的经验迁移到大语言模型，继续做下去更像复用旧经验。2025 年他去了字节 Seed 一个很早做 agent 的组。

Seed 是另一种组织形态。庞大、精密，每个人负责一个很具体的点，很多数据 infra、训练 infra 别人已经准备好了。好处是不用管，坏处是很难 touch 到自己范围之外的事。他在 2025 年 11、12 月想推自进化：把模型通过 API 对外提供服务，收集用户反馈，自我迭代。在大公司里做这件事要跨很多部门，API 怎么对外暴露得协商，前期还要做充分 POC，探索性项目能拿到的资源不多。

他逐渐意识到，在语言模型这样已经比较收敛的领域，一个刚毕业的 new grad 很难自己定义事情，更多是跟着大部队把既定计划往前推。他离开大模型，跟技术路线关系不大。真正让他不舒服的，是只能跟随既定计划的状态。

风浪越大，鱼越贵。

他导师的影响也很大。他跟导师聊过不去大厂、要去创业，导师说年轻人就应该去闯一闯，失败了无所谓，从头再来，只要获取到足够多的经验，完全可以开启下一段事业。他对风险的承受程度比较高，风险和机会在他眼里是一件事的两面。

最大的风险他认为是时间。方向踏错，探索几年，发现整条路走错了，对个人的打击会比较大。其他还好。

买不到能用的数据，就自己做一套采数据的设备 0:25:24

深朴智能给自己的定位是一家终端公司。纯数据公司、纯模型公司都不是它想做的，它想对外提供一个真正能被用户使用的产品。从数据到模型到部署到真机，链路很长，最终产生价值的是把这些东西放进一个产品里。全栈是目标倒推的结果。

这个选择也构成壁垒。模型这一侧，如果行业突然出现一个特别好的模型，全栈团队能快速 follow、快速迭代，放进自己的产品，更快拿到场景反馈和用户反馈。

支撑预训练的数据集叫 HiFi-UMI。2026 年 8 月底发布，开源 2,000 小时，内部已经积累到几万小时，整个事情做了半年左右。在 Hugging Face 和 ModelScope 上累计下载量超过 50 万。最初他们没想自己做采集设备，试过很多供应商和合作伙伴，精度和时间同步达不到要求。

他们自己做了一套超高精度 UMI 手套。UMI 是宋舒然老师团队提出的通用操作接口，采集员戴着夹爪手套做事，轨迹被记录下来，变成模型训练语料。深朴做了两件关键的事：抛弃基站定位，之前很多工作要在桌上摆几个基站做毫米级轨迹恢复，他们只用相机就做到毫米级；把相机时间戳同步做到微秒级。很多做 UMI 的团队会碰到时间戳不同步，再用特殊方法补，深朴的数据从源头就是准的，模型侧可以更好地控制变量。

整套设备 6 个相机。头部双目，两个腕部各有上下相机，一共 6 个。腕部必须有，夹爪做精巧操作时视野不能被遮挡，只有头部相机很容易挡住。头部相机负责 SLAM 定位，也是抛弃基站的前提，还能迁移到第一人称数据采集。王家伟说他们没有 over design。

数据有没有训练价值，他们做了两层验证。第一批 UMI 数据采回来，先在别人的基座模型上 fine-tune，再做真机评测，看成功率，看能不能完成希望它完成的任务。容易的任务上验通后，他们相信只要采集方法对了，扩展到更多任务是大概率事件。另一层是把采回来的轨迹放到仿真里 replay，看本体能不能做出来，95% 以上都能做。这两个结果支撑了他们扩大采集规模。

采集场景不只在租来的场地，还外采家庭、酒店、民宿，让分布更多样。早期采集投入更大，最近标注投入变得更大。他们试过拿很粗糙的原始数据直接训练，也能 work，说明数据精度确实高，但中间有 mismatch。现在他们想把清洗和标注做成标准化、自动化的流程，尽量少引入人工。

GPT-6 Astra 已经在这件事上帮了忙。他们用 Astra 标了一批数据、做清洗，效果比人好，能 24 小时工作，成本和人差不多，效率还是有点低，因为当时直接充值 Codex 额度，有限制。他们自己在训标注模型：先用 Astra 标一小批，再训自己的模型，小批量持续迭代，效果已经不错。

数据精度够高，粗糙原始数据直接训练也能跑；想让模型稳定，清洗和标注的投入迟早要补上。

开源 2,000 小时的考虑，一是研究出身的人希望工作被社区看到、被研究 lab 用起来，2,000 小时对学校实验室足够；二是收集反馈，迭代采集设备。反馈来得挺实在：很多海外和国内公司发邮件想买数据；有人嫌手上的定位 marker 太大，影响视觉，建议做小；有人指出手套在真机上发热严重。他们把这些都记下来。

触觉是另一个正在想的问题。人不用看也能做很多事，靠的是充分触觉。新开源的这批数据没有触觉，原因有二：二指夹爪遮挡少，上下相机的设计让视觉基本能判断有没有夹紧；触觉传感器还没收敛，不同传感器分辨率不同、位点不同，投 100 套设备采完数据，过几个月出了更好的传感器，旧数据怎么利用是个问题。他们没有放弃触觉，在小规模试，没有大规模铺开。

具身智能的智能，落在三个能力上 0:36:10

深朴没有追「世界模型」这个概念。王家伟的做法是从「具身智能的智能到底体现在哪」反推：需要什么能力，什么模型学习效率最高，需要什么数据。VLA、其他架构里最精华、最适合这些能力的部分都会 borrow，也会利用已经预训练好的知识，不从零开始。他们不想做 follow 型的工作。

内部定义了三项能力。第一是适应能力，zero-shot 和 few-shot 能不能适应完全 OOD 的场景。第二是 steerability，可操控性，除了语言，还包括图像、视频，给一段视频它能很快 follow。第三是上下文理解能力。他读了很多具身领域的论文，发现大家对 context 关注不足，普遍假设模型根据当前 observation 就能把事情做了，忽略了 context 里蕴含的因果信息。

Context 分几层。短时 context 蕴含很丰富的因果，可能在一秒钟内发生：第一次拿水杯，夹爪没夹紧，杯子往下滑，下一次夹紧，提起来。这一串图像、动作、结果，对模型是很强的学习信号。中期 context 跟 memory 有关：桌上有几个一模一样的咖啡杯，拿第一个时试错知道了宽度，拿第二个第三个就能直接迁移，不用重复试错。长期 context 是家务场景：东西被放进某个抽屉，人类伙伴让机器人找出来拿给我，没有记忆就得每次重新学。

数据和模型两侧都要做。数据侧要设计什么数据能激发模型利用 context；模型侧要高效建模 context。context 多了 token 就多，推理效率一定下降，机器人对执行延迟敏感，训练效率也是问题。他们在这块做了一些特别的设计。

Zero-shot 已经能看到一些结果。模型在几千个任务上训练完，不做后训练，直接上手新任务，这些任务跟训练集不完全一样，有一定泛化。组合泛化也出现了：数据集里没有「把遥控器放到盘子里」，但有「把遥控器放到遥控器盒子里」；没有「把零食放到架子上」，但有「把零食放到垃圾桶」。让模型把零食放到蓝色盘子上，它能直接放过去，不需要后训练。

对比 Generalist 的 GEN-1.5：给模型看 3 秒视频，模型就能学，那是 one-shot。深朴不需要给视频，已经有一定 zero-shot 能力。王家伟把原因归到数据质量。他记得 Generalist 做 GEN-1 时说过，需要某个任务上一小时的采集数据，成功率非常高，但没有说 UMI 数据直接训练完就有 zero-shot 能力。

Scaling 这件事，他们看到的是趋势，不是 law。数据多样性扩展、计算扩展、数据量扩展，性能有明显提升。但 scaling law 是 law，背后有科学依据，探索数据量、模型规模、计算量之间的比例关系，让训练可预测。很多具身公司发 blog 说自己验证了 scaling law，深朴会避免这么讲，他们说自己存在一定的 power law 现象，持续做实验验证，这很耗算力。

趋势的具体表现：训练一两千个任务，原本只期望数据量大的头部任务能 zero-shot，后来发现数据量占比只有 1% 甚至 0.5% 的任务也能做。只要数据多样性起来，模型能力会超出预期。

Agentic OS 是把上层意图和底层动作接起来的系统。2025 年 10 月，王家伟和 CEO、CTO 深入聊过，当时他在做 agent，判断具身肯定是一个 agent system，需要与人交互、与环境交互，不可能只是一个单点模型。深朴在国内很早讲 agent system 做具身。这套系统分两层：system two 理解意图、做规划，system one 快速、精细执行。他们在 system two 上做了很多 harness 设计，语音识别、任务分解、工具调用，往下接到更底层的执行。WRC 上可以语音对话让它拿衣服、把衣服送进洗衣机。

System two 背后，前段时间用的是字节 Seed 的模型，王家伟参与过那个工作。之后想换自己的模型，但很耗资源。他们认为大脑模型参数量一定要大，创业公司算力珍贵，优先级放在 action pretraining 上。大脑模型还在快速发展，GPT-5.6 到 GPT-6 是一个很大的跨越，头还没看到。他们更倾向于定义具身领域里大家没太看到的大脑能力，同时尽可能利用别人已经做好的东西，补整个系统的稳定性。

Harness 是容易被忽略的一层。大脑要实时接收视觉反馈，接收多了延迟会出问题，上下文会爆炸，需要很细致的上下文管理。大脑怎么和小脑交互也要设计。小脑做成 steerability 很强的模型，大脑才能自然调度。这些协同设计不只靠模型能力。

评估是具身领域的老大难。之前的 benchmark 大多在仿真里，LIBERO 被大家刷爆了，纯后训练也能拿很高分，参考价值不大。Robot Dojo 有仿真也有真机，仿真和真实世界有 gap，它定义的能力未必是团队关心的。真机 benchmark 很难完全复现，要把模型交给对方测，对公司来说很难做。具身评估测的是整条链路的稳定性和成功率，最好的方式是自己把评估做扎实。

年底发模型时，他们准备搭一套扎实的 benchmark，从简单到中等再到困难，覆盖场景泛化和物体泛化，呈现成功率。few-shot 实验会明确说用了多少数据，zero-shot 就一定是 zero-shot。跟其他模型对比很难，别人的模型没在你的本体上训过，直接拿过来大概率不可用。

具身模型的评估没有中立裁判，最扎实的办法是自己把整条链路的成功率测清楚。

美国同行的进展，与被高估的 in-context learning 0:54:14

Astra 给行业的启示，王家伟说是通用智能真的有可能外溢到各个领域，system one 和 system two 的边界会越来越模糊。国内同行对 Astra 的看法分两派，乐观派觉得通用模型速度太慢，做不到实时反馈；保守派觉得从语言模型这条路看，它有机会做到真正可用，只是需要把 action 能力反哺进去，以什么方式融进去、要多久，暂时不清楚。

国内最可能做出类似 Astra 能力的团队，他看好两个：字节 Seed 的多模态，国内一直比较领先；通义千问，他跟千问的朋友聊过具身，对方正在做类似的事情。

美国同行里，他最 respect Generalist。GEN-1 把数据量轰到 20 万小时，评估做得很综合；GEN-1 做到 50 万小时，还做了 9,000 种夹爪构型的泛化实验；GEN-1.5 做 in-context learning 实验，能证明模型的泛化能力和预训练能力确实强。很少有公司做到这个量级。

π0.7 的启示在 steerability。Sergey Levine 教授之前研究过这件事，也做过把 reasoning 融合进具身模型的 embodied CoT。π0.7 把 steerability 强化了，深朴也把它列为头部能力。Steerability 强，才能和上层大脑配合，完成很多难以想象的任务。

被高估的，他认为是其他家做的一些 in-context learning。Generalist 最早发 in-context learning 时讲了两点：模型原生支持 30 秒 context；in-context learning 是自然涌现的，没有单独训练，把视频放进去就能 follow。让王家伟震撼的是参考视频很短，他因此相信是自然涌现。Generalist 还能通过第三人称视角做参考：相机拍着人把杯子叠到另一个杯子上，机械臂直接 follow 做同样的事，这不是完全一一配对。

后来其他一些 in-context learning 工作，包括 Skild AI 发的结果，明确说专门训了配对数据。王家伟认为，这种数据引入暂时是一种妥协。自然涌现的 in-context learning 对应两个能力：对 context 的深刻理解，以及 steerability。没有这两个能力，强行把 in-context learning 训上去，再做几个 demo，不是很本质。

具身行业上半年最大的噪音，是把 VLA 当成已经做成的事。

语言模型和具身领域有一个很大的不同。语言模型整体比较 open，结果相对可复现，有 API，有开源，DeepSeek 愿意把技术突破开源出来。技术壁垒没那么高，学生和研究者很容易 follow 最前沿的细节。具身领域，王家伟过来之后的直观感受是噱头可能大于真实。2026 年上半年大家都在吹 VLA，真正把 VLA 做出来的没有几家，效果比 VLA 到底好多少也没有明确结论。很多发布有商业考虑，对做研究的人来说太浮躁，噪音太多。

他在噪音里找信号的方法：看对方讲的点和 demo 结果是否一致；看那个点从第一性原理上是否成立。具身领域不收敛，完全可以按自己的第一性原理做事。数据这件事，如果人云亦云，直接买 UMI 数据、ego 数据就行，没必要自己做。自己做完发现可以弯道超车。

Ego 数据他们没贸然上。第一人称数据多样性更强，学泛化需要分布足够广，有团队做了 100 万小时 ego 数据。深朴考虑两点：性价比。Ego 数据便宜，30 元一小时能买到不错的，后续标注和训练非常贵；付出代价和获得效果是否成正比，斜率怎么样，值得验证。UMI 数据自己采，成本可控，质量高，90% 以上能用，清洗要求没那么重；数据量没那么大，可以充分验证不同模型参数、不同数据配比下的表现。资源没扩大前引入 ego，会带来新变量，影响整体推进。

三年后，机器人能不能帮你洗碗 1:07:47

Koji 问王家伟人生中最难的十字路口。他选了做语言模型还是做具身。放弃的东西很实在：优渥的薪资，Seed 里很多卡，创业公司很难有那样的资源。创业公司很多事情要从 0 到 1，infra、模型设计、团队搭建，都要自己花时间考虑。除了研究，还要考虑很多额外问题，这个决定纠结了很久。

少年班的同学，不少去美国读数学、物理这类基础学科。后来很多人转 AI，做 AI 交叉、AI 量化、AI 加医疗、AI 加制药，有人去了 OpenAI 做偏理论的工作。做非 AI、非共识选择的人，他基本没了解到。AI 这个大趋势下，大家还是愿意拥抱它。

三年后回头看，哪件事发生会让他觉得去具身是对的？他讲了导师的一个需求。导师家有洗碗机，但每次吃完饭还是要把盘子里的东西倒掉，再塞进洗碗机，前后花 20 分钟。如果三年后机器人能在一些家庭里完成类似的帮忙洗碗的事情，他就非常兴奋。

Koji 追问概率，他说挺高，三年实现给 80%。

这个答案很具体，也很朴素。具身智能的宏大叙事落到生活里，就是有人不想在饭后花 20 分钟倒盘子。王家伟没有把三年后的图景说成机器人接管所有家务，他说的是类似帮忙洗碗的事情。这个尺度反而可信。

对读者来说，这期对话里能带走的判断有三条。看一家具身公司，先看它的数据是不是自己采的、精度和时间同步做到什么程度，这决定了模型能力的上限；再看模型有没有 zero-shot 和组合泛化的证据，而不是只看后训练刷出来的 benchmark 分数；最后看系统能不能把上层意图和底层动作接起来，具身从来不是一个单点模型的事。

对个人选择，王家伟的路径给了一个参照。大模型领域已经比较收敛，new grad 进去更多是跟随既定计划；具身领域路线、评估、产品都没有共识，风险高，也意味着定义问题的空间。他说的「风浪越大鱼越贵」，翻译成日常语言就是：不收敛的地方，年轻人更容易找到自己说了算的事情。代价是时间，方向踏错可能几年白走。这个代价他认了。

网页版：https://crossing.qiaomu.ai/ep/6aaa9f039d326477816a3488.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

苏度科技联合创始人兼 CEO 韩铮押仿真，蚂蚁灵波科技首席科学家沈宇军把传感器的误差当作第一性前提，自变量机器人创始人兼 CEO 王潜认为智能的本体在数据里、模型只是容器，破壳机器人创始人、清华交叉信息研究院助理教授许华哲刚用 GPT-6 Astra 指挥机器人做了一盘麻婆豆腐，转头说物理接触才是具身公司最后的阵地。

这场对话的价值在于分歧被摆上了台面，而且没有被强行收拢。仿真与真机、通用模型与专用模型、后训练现金流与基础模型跃迁，每条岔路都有人押注，也都有人给出反驳的理由。下面按现场顺序，把四种判断拆开讲。

数据之争：仿真派和真机派各自握着什么 0:00

韩铮的立场有两句话。第一句是坚信仿真，第二句是真机数据也非常有用。

苏度从 2015、2016 年就开始做机器人仿真器和合成数据，公司化之后经历过两轮迭代。2024 年他们做了一个彻底重构的闭源仿真器和数据管线，到 2025 年 11、12 月跑出结果，2026 年 4 月对外放出：抓取、放置、组装这几类任务，在物体、环境、光线几乎不受限制的条件下，成功率接近 100%。

开源仿真器和英伟达 Isaac 在他们内部看仍有局限，撑不起大规模预训练和基于模型的强化学习。韩铮提到一个行业信号：美国同行最近也在加强仿真器能力，沈宇军的一位还没毕业的学生刚加入美国一家公司，担任仿真器核心负责人。

沈宇军先澄清，灵波没有坚决只选真实数据。预训练阶段，互联网数据和真实物理世界采集的数据作用更大；回到某个具体任务，仿真数据有价值，自动驾驶就是例子。

真正的分歧在预训练的路线选择。沈宇军的推理起点是机器人只能靠身上的传感器获取观测，没有键盘，没有外部输入通道。而传感器一定有误差，这是物理条件决定的。

机器人所有的观测，一定只能来自于它身上的传感器。

由此他提出一个常被忽略的方向：行业讨论了很多 sim-to-real 的差距，真正难的是 real-to-sim 的规模化。能不能把传感器噪声、把底层物理特性搬进仿真器，并且这个过程可复制，决定仿真能不能支撑通用能力。搬不进去，只谈 sim-to-real 差距缩小，价值有限。

他举了触觉的例子。市面上有公司提供触觉仿真，灵波测过很多真实触觉传感器，信号和仿真结果千差万别，频率、幅值、传感器之间的一致性都对不上。

Astra 是不是降维打击 8:18

GPT-6 Astra 发布那周，社交媒体上全是它直接控制机械臂和灵巧手的视频。行业里冒出一种说法，具身智能要被通用语言模型降维打击了。

王潜的第一反应是这事不奇怪。Astra 这一版模型里训进了大量机器人数据，OpenAI 和 Anthropic 从 2025 年初就在大量采购机器人数据，自建小规模数据工厂，还招了很多机器人方向的人。一个本来就极强的多模态模型，再加这么多机器人数据，能控机械臂很正常。

他给了自己的判断框架。

今天智能的本体是存在于数据里面的，模型在训练时是蒸馏器，在部署时是容器。

王潜补了一句，今天要做一个前沿 AI 系统，模型本身的作用已经变得极小。语言模型每个版本的提升，很大一部分来自更好的数据，团队大部分时间花在造数据、挑数据、验证数据、标注数据上。哪个领域先被解决，取决于哪种数据最容易被制造和验证。coding 最先突破，因为代码容易生成也容易验证；接着是数学；然后是 3D 和视频生成，这两类不容易验证，但相对容易标注。

所以问题变成：OpenAI 或 Anthropic 要做具身，是否仍要建同一套数据基础设施、验证基础设施、仿真器、现实世界的 evaluation，是否还要碰硬件。答案如果仍然是肯定的，那它只是另一家具身智能公司，基础模型上的优势不能降低这些难度，智能天花板和发展速度不会因此明显提升。

第二种担心更实质：通用智能能不能从别的领域泛化到具身。王潜认为可能性很小。语言模型历史上没发生过这种事。coding 能成，靠的是预训练里加了海量代码数据、代码验证基础设施成熟，跟对话能力关系不大。数学也没有因为 coding 的成功自然变强，两个能力在预训练里会打架，现在的做法是先训 coding expert、再训 math expert，最后用蒸馏之类的办法合起来。视频生成模型已经很强，却没有自然转化成机器人动作层面的优势。

他反而从 Astra 得到一个正面信号：预训练是 work 的，通用数据至少是 bonus，不该是坏事情。最后可能出现的情况是，OpenAI 把这套基础设施融进通用大模型，创业公司做行业专用模型，差距没有想象中大。通用大模型没法在机器人上以合理速度推理和部署，一个单纯的具身模型反而效率更高。

麻婆豆腐证明不了模型变好，物理接触才是硬骨头 14:42

破壳机器人拍过一条机器人做麻婆豆腐的视频。许华哲在 Astra 开放使用的当天就做了测试，他给的评价很干脆：惊艳，但强项和弱项分得很清楚。

把具身任务拆成三种泛化：语义泛化、空间泛化、物理泛化。Astra 在语义和空间上很强，物理上相对弱。

给一个 prompt，桌面上东西全认识，真假、类别都不影响，它会朝对的方向走。以前的 VLA 或大模型常常走到位置就开始乱动，Astra 能抓起来，还能抓很难抓的东西，比如桌面上的一根筷子，以往机器人得顶到桌面、打滑一下才抓得起来。它还能把筷子立起来插进杯子，说明三维空间的理解也不错。

换成带物理接触的复杂任务，它就不行了。用筷子挑开一个东西，失败。叠盒子、叠衣服这类具身公司常做的演示，也做不了。hand over 这类动作，测很多次成功一两次。麻婆豆腐属于最复杂的任务之一。

许华哲举了一个抓水果的例子，说明物理交互绕不开真实数据。菜市场的水果会腐烂，训练通常用泡沫玩具水果。泡沫水果可以用大力气抠着揪起来，真菠萝怎么使劲都不行，得去抓上面那片绿叶子。大多数具身模型没有这个能力：抓一下，判断它是泡沫还是真货，再决定换不换抓法。Astra 能提供这种带 cot 的反馈，先抓，判断类型，再调整。

他的结论是系统拼接：把具身模型接到 codex 或者某个 harness 环境里，让上层模型负责语义判断，具身模型负责跟物理世界打交道。真正能解决问题的形态，是大模型、具身模型、物理世界连成一个完整系统。

具身模型会成为上层模型的工具 19:08

沈宇军在这题上比许华哲更激进。他认为具身会反过来影响云端模型的发展路径。

他的出发点是工作方式的差异。数字世界的模型是轮式对话，你问一句它答一句，回答的时候你很难插话。机器人不一样，它工作时传感器一直在给输入，推理过程中输入还在进来，模型要根据新输入随时改变推理，这个过程不能被打断。所以具身模型需要自己的训练范式，输入是持续的数据流，输出是 policy。

具身模型最后会成为更高阶模型使用的一个工具。

反过来，机器人走进生活之后带来的数据，可能成为大模型公司的新语料。沈宇军举了人与人对话的例子：外面突然下雨，我说话的方式会变；对方脸色不好，我原本要说的话可能就咽回去了。现在云端模型藏在屏幕后面，只需要处理视觉和语言。机器人真要跟人对话，它能拿到的信息量大得多，温度、天气、环境变化都会影响输出。他甚至提到，机器人可以主动推荐，不只是回答问题。GPT-6 已经能到这种水平，在他看来是好事。

韩铮补了分层的视角。上层负责抽象理解，会分层；底层是机器人的基础技能。他重申自己几年的判断：Physical Intelligence 最大的对手是 OpenAI，最近还要加上 Anthropic，DeepMind 一位 robotics 研究员刚加入 Anthropic。底层技能的高成功率和泛化性必须跟上层模型同等水平，成功率不高的技能配上很强的上层模型，衔接处会非常致命。

他提到 2025 年底苏度那场演示没讲的部分：通过语言交互调用千问模型理解周边环境和物体，一条抽取式指令会被拆成若干 reasoning 生成的步骤，最后靠极其可靠稳定的底层操作完成动作。Astra 出现之后，这个「上层模型加底层技能」的思路重新被拿到台前。

跨过泡沫的指标：成功率、续费、部署小时数 24:48

外界的质疑很直接：demo 很多，融资很热，真正能规模复制、让客户持续付钱的场景在哪里。

韩铮先答，他把商用要求拆成两条。第一条是高成功率，这是绝大多数任务的前提。一百个任务里，大概只有一到五个能容忍 80% 的成功率，允许二次纠正；剩下九十几个任务，第一次做和快速纠错时几乎都要接近 100%。第二条是泛化性，这是机器人跟传统自动化设备的区别，而且不能靠大量后训练成本去补，否则每来一个新场景就要过拟合一次。再往后是设备可靠性和服务能力。

王潜的答案只有一个：客户能可持续地付钱，而且付得越来越多。他补了一句现实观察，现在不少付费方式并不可持续，有些其实是上一代自动化的生意，天花板已经清楚。他提到自变量最近在物流场景做到了传统机器人做不到的事，ROI 超过人类水平。公司一定要赚钱，有钱才能训更大的模型，语言模型公司也走过同样的路，早期完全不赚钱，到了某个阶段商业化反过来推动前沿。他给了一个有点反直觉的判断：过早商业化有害，但行业也许已经过了那个时间点。

许华哲把商业化分成两类。后训练类是一单一单做闭环，比如在小区门口摆一个关东煮摊，机器人全包。核心指标很传统：花多少小时能稳定部署，能复制多少个摊位，算效率和 ROI。另一类是基础模型跃迁，短期看不到经济收益，但它是阶跃式的。

他对比了语言模型和机器人的用户感受。语言模型 50% 成功率输出一个答案，你跟它聊几轮，大概率能拿到有用结果，体感是「真有用」。机器人 50% 成功率干一件事，有一半概率把杯子摔了，体感是「真没用」。

这个 50% 是面对所有任务、面对全世界的 50%。

所以即使难用，也要追求具身的大模型化，从 50% 到 60%、70%，一直到 99.9%，那才是这一波真正的商业化。后训练带来的现金流是短期的，真正值得等的是基础模型某一刻跨过阈值，开始吃掉物理世界的很多场景。

五年后回看：什么被高估，什么被低估 31:16

韩铮说被高估的是中国供应链的先进程度。选择确实多，但具身智能需要的供应链，成熟度跟迭代需求还有距离。传感器、关键组件散落在汽车供应链和工业机器人供应链里，离大工业制造水平有差距。他判断这个问题在中国一定可以解决，需要的是数量和磨合。

被低估的是稳定技能的铺开速度。他不太悲观：稳定可靠的底层技能，加上各家在上层做的模型组合，接下来一到两年，某一类任务会在各个行业里长得非常像，很快会被处理掉。所有任务都做到 99.9%，那确实需要很长时间。

沈宇军说被低估的是具身作为复杂系统工程的程度。大家把商用成本、解题成本都挂在模型性能上，实际上一单生意要不要用完整机器人，还是只用双臂就够，最后算的是成本账和系统鲁棒性，模型只是其中一环。

被高估的是训练模型的技术。行业里两种声音他都不同意：一种认为数字世界的模型会降维打击具身，另一种认为攒一波物理数据、照搬语言模型的训练方式就能训出具身模型。他的判断是，具身会走跟数字世界相同的模式，技术路线不会相同，因为应用场景决定了模型形态。机器人一边工作一边推理，不可能像对话模型那样不用时就关掉，它要 7×24 小时持续处理物理世界的信息。训练技巧被高估了，它没有那么像魔法。

王潜说被低估的是具身的重要性和潜力。大家嘴上承认具身是 AGI 的重要部分，实际理解还不够。他做过物理研究，知道大量创新来自物理直觉，另一条路是逻辑推理，也就是数学那套深度搜索的能力。人类科学研究里，这两套思维方式没法互相弥补，构建真正的 AGI 也绕不开从真实世界、从仿真里获得并注入的这部分能力。

他把话题拉到 RSI。硅谷和国内最近对自我进化既有狂热也有恐惧，他的判断是，以当前语言模型的能力，完整的 RSI 实现不了，缺的那一环是物质上的再制造。模型可以改自己的训练方式、改流程，但建数据中心、造芯片、发电，语言模型做不了。美国数据中心建设已经成了实质阻碍，还要靠人浇钢筋混凝土、调半导体工厂的参数。

他开了个玩笑：Anthropic 今天把员工全换成 agent 去开发下一代模型，会变慢，因为人的 taste 还很重要，但大概率还是能开发出来；半导体工厂里没有人，全靠 AI，肯定不行。五年之后，具身智能能干这件事，真正意义上的 RSI 才会到来。他描述了一个画面：今天一个人开一堆 agent，几个小时做出一个 App；五年后造一架飞机，也许能像今天做 App 一样简单，整条生产流程闭环，人类经济出现某种「硅基脱离碳基」的时刻。他也补了一句保留：不知道这个未来是好是坏，尤其在美国语言模型公司道德水平如此低下的今天。所以他认同沈宇军，具身公司也应该把数据放进语言模型，也许每家公司最后都会训自己的语言模型。

许华哲压轴。被高估的是对数据量的追求。市面上有人说自己有 100 万小时，有人说几百万小时，还有人说谁谁谁买了多少数据，不买就落后。已经有一些用超大体量数据训出来的模型，效果并没有超过预期，也不比几万小时训出来的更好，盲目追量这件事被严重高估。

被低估的是具身模型的进展速度。行业普遍说通用具身要五年十年，在他的视角里是三年内，具身就能在很多地方提供通用服务，而且这些服务不依赖后训练堆出来。

四个人没有投票，也没有形成共识。但这场对话给出了几条可以带走的判断线。

看一家具身公司，先看它的数据管线能不能规模化复制。仿真路线的关键不在 sim-to-real 做得多好，而在 real-to-sim 能不能把传感器噪声、触觉这类不完美搬进去，并且一次搭好、反复使用。真机路线的关键是采集效率和质量，别把「数据多」当成护城河，100 万小时的模型不一定打赢几万小时的模型。

看技术进展，别只看 demo 里机器人会不会做麻婆豆腐。语义和空间泛化已经被 Astra 这类通用模型大幅拉平，真正稀缺的是物理接触、力觉反馈、失败后自我纠正这些能力。上层模型越强，底层技能的成功率就越不能含糊，衔接处的短板会放大成事故。

看商业化，短期用两个数：稳定部署一个场景要多少小时，客户第二年续费涨了多少。长期看一条曲线：基础模型在开放任务上的成功率从 50% 往上爬的速度。前一个数决定公司这三年活不活得下去，后一个数决定十年后还有没有这家公司。

网页版：https://crossing.qiaomu.ai/ep/6aa67b319d32647781685e95.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

12 年后，陈安妮 34 岁，快看漫画三四百人，主业有利润。她没有停在漫画里，而是从零做了一个 AI Native 产品 Livo。用她的话说，这是一个「实时活着的 AI 世界」：里面的角色有自己的职业、梦想和脾气，你耽误他当海贼王，他会愤怒离开，甚至把你拉黑。

这期播客里，Koji 和陈安妮聊了 Livo 的产品逻辑，也把快看 12 年的几次生死转折一段段拆开：被投资人拖断现金流、被陌生人救下、在流量高峰时亲手让数据跌掉 30%、2 亿美金到账后身体僵硬到站不起来。最后落到她反复说的四个字：游戏精神。

Livo 想做的，是 AI 时代的「电影」 1:23

陈安妮给 Livo 的定义很短：一个实时活着的 AI 世界，里面会涌现很多可以改变命运的体验。

她喜欢用一个类比解释这件事。电发明之前，人们看故事的主流方式是线下舞台剧；电发明之后，电影出现了，取代舞台剧成为新的讲故事范式。在她看来，AI 就是电，Livo 想成为 AI 时代的电影。这个新范式会长得跟电影完全不一样，但会成为讲故事的新主流。

用户第一次打开 Livo，会看到几个不同的世界板块，悬疑权谋、青春校园，按口味选一个进去。比如选一个发生在列车上的群像悬疑故事，映入眼帘的是一张活着的地图，上面有很多生命在行走，旁边有一个类似系统框的东西，实时记录每个角色在这个世界里的全部动态。

这些角色全是 Agent。陈安妮强调，每个角色都有自主意识，有自己的想法、职业、目标和梦想，也能自己决定怎么进化。用户进入世界后，可以选一个角色参与进去，体验主线或支线故事，也可以干预角色的命运。比如某个军官原本要去引爆炸弹，用户跟他产生了友谊或爱情，劝他不要引爆，整辆列车的命运就被改写了。

Koji 问，如果一段时间不打开 App，这个世界会继续运转吗？会。角色不受玩家影响，自己活着、自己进化。代价是 Token 一直在烧。陈安妮承认这笔账很贵，最后要看哪个团队能用更低的成本达到同样的效果，「这就考验团队能力了」。

市面上常被拿来对比的是斯坦福小镇。陈安妮认为功能上有相同之处，体验上完全不同。斯坦福小镇强调用户站在上帝视角观察，Livo 强调用户是这个世界和故事里的一个重要角色。「本质上人们真正关心的不是别人。人们真正关心的是与我有关的故事和与我有关的人们。」用户得是故事的一部分，不能只当旁观者。

Koji 还问了一个更根本的问题：这个世界里只有我一个真人，其他都是 Agent，那怎么定义「真的人类」？陈安妮把问题抛了回去。她的判断标准不在碳基生命，在自主意识。人认为自己是真的，因为人有自己的想法；Agent 被当成假的，因为大家默认它只是被操控的代码。Livo 想做的，是让每个 Agent 的自主意识成立，并且让它的灵魂动态演化。

没有主导者的团队，用「Yes and Hope」拍板 8:47

Livo 团队的构成很杂。有互联网时代的产品经理，有 AI 原生的 00 后产品经理，有游戏产品经理，有游戏剧情策划和作者，也有漫画作者。

更特别的是决策方式。陈安妮说，这个产品从 0 到 1 的范式打磨，没有一个主导者。她怕说出来别人觉得离谱，但还是说了：群体智能。

整个团队像一个大模型。她作为 CEO，过去是决策者，现在更像一个向大模型提 query 的用户，提问题、提需求，团队每个人出方案，所有人一起给方案做「Yes and Hope」投票。Yes 是说这个方案好在哪里，Hope 是说我期待它怎么调整。每个人对每个方案发表意见，不说 No。

Koji 追问，如果真的不喜欢，想说 No 怎么办？陈安妮的回答很直接：No 没有意义，你忘掉它就好。所有意见都反映在 Hope 上。最后 Yes 和 Hope 得票最多的方案继续推进，排序靠后的自然淘汰。「只要说你想要什么就好了，你没有必要说你不想要什么。」

她举了设计 Livo 图标的例子。设计团队出了 10 个左右的方案，团队里有人不满意，又怕打击设计师，憋着不说。陈安妮让他们用 Yes and Hope：先找出喜欢的部分，比如色彩，这是 Yes；再说希望图标往「灵魂」的方向调整，这是 Hope。设计师被具体的肯定激励到，第二天拿了接近 100 个方案出来。

CEO 在这个机制里做什么？陈安妮把自己放在用户的位置上，同时做信号加权和信号减弱。有些非共识的声音票数不高，但更匹配她的需求，她会加权。她的角色从传统决策者变成了 fine tune。

这套机制能运转，前提是团队真的相信没有唯一正确答案，也真的不害怕方案被推翻。陈安妮后来把这件事总结成游戏精神，下一节还会展开。

共识是 Agent 会创造沉浸体验，非共识是「命运」 14:35

Koji 问，Agent 世界快成共识了，Livo 押的非共识是什么？

陈安妮先承认共识：未来 Agent 会创造更沉浸、更真实的体验。她押的非共识在下一层：用户进入虚拟世界，到底要体验什么？

她的答案是「命运」。Livo 最重要的功能就叫这个名字。命运由一段又一段剧情组成，现实人生里的相遇、冲突、选择，都是剧情。用户进入一个世界，要体验的是精彩命运，并且这个命运必须时时刻刻由用户影响。「你说的每一句话对我们这段命运的走向都有深刻的影响。」如果只是看一堆人在那里走，用户很快会失去兴趣。

她把市面上的产品分成两类。一类是 AI 原生但不完整，比如很多 chatbot，用户跟角色聊天时建立不起情感，因为没有共同经历。「就好像你在路上突然随便拉一个陌生女孩，你跟她聊，你能聊什么？尬聊。」另一类是传统模式上叠加局部 AI，比如互动漫加 AI。她用舞台剧打比方：在旧模式上放几个电灯泡，舞台剧会变漂亮，上限还是舞台剧，到不了电影。

快看做这件事的优势，陈安妮认为是内容基因，加上一种不害怕失败的创新精神。有人说你做漫画的怎么来做游戏、做 chatbot、做斯坦福小镇，她的回答是：都是面团，一个和出来是花卷，一个和出来是馒头，「我是和面师傅」。在她看来，跨度大是外人的视角，底层都是内容创作。

快看为此试了三个阶段。最早是漫画加互动；第二阶段在互动剧情里加入跟角色交流的 AI 能力；后来发现不够，整段剧情、整个世界都得是 AI 的，于是换底座，以 AI 为底座，在上面长出世界、故事和人物。

Koji 提了一个内容行业的经典担心：一万个用户经历一万个故事，群体共鸣会不会消失？陈安妮的回答分两层。大世界观有共同基调，就像生活在同一个国家的人会共享一些大事件；具体跟谁发生深度关系、走哪条支线，是个性化选择。共性与个性同时存在。

她还给了一个非共识判断：AI 时代会回到精品内容时代。原因很实际，运转一个世界的成本很高，只有内容足够好，商业模式才成立。她把现在大量 AI 生成的短剧、AI 漫剧看作旧范式的产物，旧范式已经卷到生命周期末端，那个阶段会吞噬精品。新范式刚出来时生产成本高，像当年发电影、发唱片、发一本书，只有最精品的内容才能被发行。

Agent 怎么才算有灵魂？陈安妮给了三个层次。第一，有故事、有内涵，人会这样评价一个真人，Agent 也一样。第二，有主体性，会 say no，有边界。角色想当海贼王，你天天打扰他，他会断掉联系，甚至把你拉黑。第三，意识会进化，进化方向由角色自己决定，不是外界操控。一个世界里，主角大概四五个，次要角色十几个。

第一次现金流断裂：签了协议的投资人没打款，陌生人打来一笔钱 28:28

陈安妮画漫画只有两年，大二到大四。毕业之后就没再画过。

停下来的原因跟「不想画」关系不大。她当时在微博上有不少读者，看到很多画得比她更好的作者，读者却没她多。她觉得这些作者不太会运营和推广，自己可以帮他们。比起一个人用灵魂创作，她更想看到更多有趣的灵魂写出来的剧情。

22 岁毕业，她创办快看。第一笔融资在 2014 年 12 月到账，现金流断裂在 2015 年 12 月左右。钱不多，产品涨得快，钱很快花在推广上。断裂的直接原因是一个投资人签了协议、把公司锁定之后违约，迟迟不打款。公司在一段时间内不能轻易换投资人，又以为钱会到，先花了，现金流就被拖断了。对方每次都说「下个星期给」。

她开始到处借钱，旧公司、身边的朋友，借到没人再借。最绝望的时候，一个跟她没见过面、没有任何联系的新投资人打听到公司银行账户，直接打了一笔大钱。公司活了下来。

这件事后来成了快看的一个内部传说。陈安妮说，连保洁阿姨和司机大哥都觉得公司有一双无形的大手，在最关键的时候推一把，不让它死。她自己的解释是「自助者天助之」：坚持下去，不断付出比所有人都多的努力，最后老天会来帮你。

只要还没有失败，坚持下去，就只是还没失败，就会有转机。

Koji 提到她最早的漫画《对不起，我只过 1% 的生活》。这篇漫画当年被很多人误读成「要做那 1% 的人上人」。陈安妮说这是完全的误读。她想表达的是，每个人心里都有美好的愿望，在当下条件和环境局限下，实现的概率看起来只有 1%。这个愿望不一定是宏大的人上人，可能只是有个老婆、一条狗、一只猫。周围人都说这不现实的时候，你仍然要相信，通过非常非常多的努力，能够把这个概率实现。

创业后来巩固了这个信念。她也承认，第一次危机让她开始有了真正的创业者心态：才创业一年，就知道未来还会有很多类似的事情发生。

数据在涨，她却想离开公司：算法、精品与一次 30% 的下跌 38:05

第二个阶段大概在 2018、2019 年。快看的流量到了高峰，平台上出现了很多陈安妮认为不够精品的内容。那时候算法突然流行，所有产品都在接算法，大家对算法的驾驭能力还不够，没有今天这种跟算法协同治理生态的手法。算法一推，短平快、刺激眼球的内容就上来了。

用户没有大规模反对。点击率、留存率、收入在短时间内都涨得很高。但那些内容大量出现在首页时，陈安妮觉得不对劲，产品跟最初的初衷违背了。

激烈的事件是她想离开这家公司。她一直觉得公司属于社会，自己可能不适合帮社会管这家公司，想以任何一种形式离开，交给更厉害的人。那段时间她精神状态很差，到了没法上班的程度。她请了专业的朋友和合作伙伴认真推进这件事，过程里身体却强烈抗拒。

她去公司里走，看到员工的工位上放着手办，贴着「为国漫崛起奋斗」的小横幅。很多人领着不高的薪水，因为她当年的号召每天在做这件事。也有创作者听到风声，发消息说如果这个团队不做了，他们就考虑转行，以后不画漫画了。她意识到，创办一家企业的目的远远超过创始人想做一款厉害的产品，它还要为员工和行业从业者的发展和幸福负责。

她决定留下。「不管自己多菜，跪着也要把这条路走完。」这个意义给她的勇气，远远超过做一款厉害产品带来的勇气。

不管自己多菜，跪着也要把这条路走完。

勇气落到具体动作上，是她要求算法工程师把不认可的内容从推荐池里直接去掉。一两个月内，各种数据掉了 30%。团队里有人不理解，有人离开。当时有两种论调，一种是用户喜欢才是硬道理，另一种是数据理性、老板的情绪化判断不可靠。陈安妮的回应是，一款产品一定要有自己的审美，乔布斯说过，最终取决于你的 taste。

她承认，想离开公司的时候，自己缺的正是勇气。说产品要有审美很容易，做到很难，那是走独木桥。企业更大的使命给了她做正确决定的底气。

短期数据暴跌，果在三四年后显现。那些靠短平快内容生存的公司，很少能独立活得很好，最后被更大的流量平台吞噬。留下来的，是有 IP 价值的精品内容公司。快看现在超过一半的收入来自 IP 衍生。做决定的时候，她并没有算清楚这个商业结果，她只是相信一个原点：所有公司的商业结果都来自它为社​​会创造的独特价值。继续被单纯算法驱动，快看会丧失独特价值，公司就不再存在。

当时周边部门一年收入只有一两百万，算上人力成本是赔钱的。她没法跟大家论证这些内容未来能卖周边，但她相信独特价值是利润的根源。

第三个阶段在 2021 年左右。资本市场剧烈转冷，很多靠融资亏钱增长的公司突然遇冷，快看也在其中。那次财务危机辐射的员工和作者人数比 2015 年多得多，大几百名员工，作者数量更多。最后公司在现金流非常危急的情况下完成了那一轮融资，金额 2 亿美金。陈安妮说，惊心动魄的程度比 2015 年大很多，因为完全不可能靠借钱解决，两个月后醒来，公司可能就灰飞烟灭了。

融资完成，全公司庆祝。她那一个月每天来上班，身体都是僵硬的，站不起来，只能躺在办公室沙发上办公。前面几个月在战斗状态里，身体机能撑着她，大脑一直热血，没反应过来已经那么劳累。疼痛在事情结束后一下子释放出来。

身体替大脑告诉她，前面那几个月她有多恐惧。她也由此真正理解了商业化：理想主义没有商业化支撑，就保护不了最重要的产品。她开始跟作者、员工爆发冲突，用户也骂快看广告多、会员涨价、周边做得差。有些感情深厚、她非常欣赏的员工和作者短暂离开，觉得她变了。她相信拉长周期看，这些人会理解，因为初心没有变，她做出了当下力所能及的最好选择。先活下来，才有机会继续给用户提供美好内容。

游戏精神：因无所住而生其心，让好奇心而不是恐惧驱动 56:08

经历两次现金流危机，陈安妮反而更强调「游戏精神」。初听这个词，容易觉得儿戏。她的解释是，游戏精神不让你丧失目标感，它让你不要有负担。

她打了个比方。一个小孩在沙滩上堆城堡，你过去把城堡推掉，说再做一个新的，小孩可能挺开心。换到公司里，方案被老板推翻，员工会很不开心，觉得自己失败了。失败感让人错失很多调整的机会，也错失更正确的选择。游戏精神是让人享受想法被推翻、被调整，不断寻找下一个更正确决定的状态。

游戏精神的本质是让你不要有负担。

道理好讲，做到很难。她的办法是让整个环境真的像在玩。公司群里大量发表情包，老板的办公室不叫办公室，叫「宇宙无敌漩涡脑爆室」。每天有三十来号人到她办公室席地而坐，没有老板椅。会议桌是圆角的，没有直角，因为直角会肃穆，圆角显得平等。开会时老板尽量闭嘴，或者最后说，让 i 人多说话。

还有一句员工常挂在嘴边的话：「花公司的资源，长自己的本事。」陈安妮在 300 人的大群里发消息、发照片，经常没人回。她买了辆九号电驴，拍照片发大群；早上听《双截棍》，把高清无损版发到「宝宝群」。她问员工为什么不回，员工统一回答：在忙。她接受了。

Koji 问，CEO 希望扁平，会不会是一厢情愿？很多创业者最后还是会回到「我就是最后权力所有者」的位置。陈安妮认为这两件事不冲突。CEO 拥有最高决策权，跟灵魂平等可以同时成立。她跟保洁阿姨也是平等的，员工在关键时刻尊重她的决策权，这不妨碍她说话时保持尊重和礼貌，把对方当成一个跟自己一样的人。

游戏精神在业务上的最好结果，就是 Livo。她觉得 Livo 的想法已经超出她一个人的预期，在组织里自己演化出来了。

她引用《金刚经》里的「因无所住而生其心」来解释游戏精神的内核。不要住在成功、失败、骄傲、屈辱上，不执着于任何一件事，然后升起好奇心，让好奇心而不是恐惧驱动你去做有趣、灿烂、为世界创造价值的事。换一个说法，叫出离心。

打游戏时，人会挑难的副本，因为难才精彩。人生也是一次游戏，挑有挑战的副本打，当真了会痛苦，知道它只是一场游戏，反而能 enjoy，打得漂亮，最后还可能赢。

这套话不是一直挂在墙上。陈安妮说，大概去年，团队非常清晰地知道不能再做「漫画加 AI」，必须做「AI 加什么」。这个转变太颠覆，害怕失败的人根本做不到。过去所有具体的历史认知，包括成功，都会变成阻碍，得清空自己。她举 iPhone 的例子：产品范式跟过去没关系，实现范式的手段可以复用。做 Livo 时，讲故事的手段还用得上，但怎么定义产品，只来自对最新技术的理解和对当下用户需求的洞察。

她也承认，人是过去一切经历的总和。可从狭义的具体经验看，过去的成功帮不上忙，反而是包袱。体系越大、短期越成功，要做到游戏精神，需要克服的阻碍越多。

AI 是一面没有倾向的镜子，内容创作者更像导演 1:09:40

今年春节，陈安妮有过一阵焦虑。AI 新技术层出不穷，她觉得自己好像永远追不上。

她跟一位朋友聊起这件事。朋友让她回忆画第一幅漫画时是怎么成功的，然后告诉她：成功的原因不在画得多华丽，也不在追新东西追得多快，而在她当时只想着一件事，怎么让屏幕对面那个人笑，怎么打动他。

她被戳中了，跑下楼抓着老公的手在客厅里转圈跳舞。她重新确认，产品最终能成功，靠的是这个出发点。乔布斯说过科技要跟人文结合，人们容易过度关注科技，忘记产品是给人用的。陈安妮的版本是：不管世界怎么变，产品是给同类用的，能真正治愈人的产品，一定来自最初想打动人的那个初心。

她把 AI 比作一面没有倾向的镜子。使用 AI 的人心里怎么想，AI 就照出什么。AI 很强大，但没法替人决定内心想做一款什么样的产品。出发点才是产品成功的关键。

快看漫画业务提出的「复古人文主义」，也是这个意思。陈安妮说，在漫画领域，他们没有那么想大量用 AI，因为 AI 在最内核的创意层面做得还不够好。复古人文主义不反对用 AI，它反对把 AI 当噱头，反对以为 AI 有红利、却忘了打动人心的内容。市场上大量劣质 AI 内容充斥时，人们反而有很强的精神需求，需要精品内容的疗愈。她鼓励做漫画的同学不用勉强用 AI，继续做好内容。

AI 会不会杀死内容行业？她的判断是不会。AI 是更新的内容呈现工具和载体，未来可能出现无数 Agent 演绎生命大戏的产品，但背后仍然需要创作者的意志来决定世界观、走向、主题、价值观和人物魅力。内容创作者的角色会变得更像导演。

节目最后，Koji 问她，如果回到 12 年前，对刚毕业就创业的自己说一句话，会说什么。

尽情享受喽。

她没有给提醒，也没有说提前赚钱。她的理由很实在：20 岁出头的人听不进任何人的话，哪怕是未来的自己。没经历过的事，让他自己体验，会在自己的命运里学到。

把这期节目听完，能带走的不是「坚持就会成功」这种大词。陈安妮的经历里，有几条更具体的判断：现金流断裂时，先确认公司还有没有独特价值，再去找钱；数据上涨时，问自己产品是否还像最初想做的样子；融资到账、全公司庆祝时，记得检查一下身体；做颠覆式创新前，先看看团队能不能接受方案被反复推翻。她把创业叫游戏，可每一步都踩得很实。

网页版：https://crossing.qiaomu.ai/ep/6a9abd3df03e74ee6b052a28.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这场接近三小时的访谈里，他讲了抖音最初怎么被立项，也现场演示了一张图片生成3D模型、自动拆件加连接件、摆盘调参、直接送进打印机的全过程。他还讲了在广州番禺自建实验工厂、和产业带老板打交道的经历。

我听完最强烈的感受是：基础模型不会吞噬一切。视频模型越强，游戏和影视的3D需求反而在被它吃掉；但一进入实体制造，3D仍然是绕不过去的那道门。门后面的难，不在模型，在拆件、在材料、在准交率、在每一个都不一样的订单。

抖音的起点：网速、硬件和两个产品信号 2:33

2015年，字节管理层决定做短视频。卷卷说，判断依据是两个基建要素：网络和硬件。

网络端有一个明确的信号。2015年底的政府工作报告提到，2016年要全面降低家庭宽带服务资费，大幅提升网速。同一时期，5G的普及开始有移动运营商做基建。

硬件端的信号来自手机厂商。以OPPO、vivo、华为、小米为主的终端厂商，不约而同提到2016年要全面普及大屏。大屏利好影像，影像背后是GPU渲染能力提升，摄像头采集能力也在快速提升。卷卷还记得当时vivo的广告词：照亮你的美。

行业里还有两个产品信号。国内是快手，国际是Musical.ly，后来成了他们的兄弟产品。一个从朴实的记录切入，一个增加了音乐的趣味性。

网络、硬件、C端产品三个要素叠在一起，字节决定立项两个方向：火山小视频和抖音。抖音这个方向交给了卷卷。

他当时在字节的履历不算显眼。最早在百度贴吧负责吧主管理和运营，之后到赶集，2010年毕业，赶集和58同城合并那一年离开，再之后加入字节，做今日头条、问答、直播相关业务。运营出身，也做过后端产品，比如运营后台、审核后台、内部协作效率工具。

卷卷把这归结为运气，也归结为运营和产品两种技能的结合，对内容型产品比较契合。他说大家过去都是nobody，没有特别引人注目的过往经历，公司给了很好的成长环境。

抖音最早的定位是95后、00后年轻用户的音乐短视频产品。当时团队判断，用户需要被激发，也需要被看见。

激发的方式是半命题。给一段音乐，用户不需要关心歌词具体表达什么，而是听到曲子时内心有什么情绪，结合当下环境去表达。不做成模板，模板上手容易，但会限制创造力。后来又加了贴纸、道具、特效、美颜，这些都是激发表达的生产要素。

被看见，靠推荐算法，也靠人的审美判断。卷卷说，运营的思维要去挖掘适合被更多人看到的标签、画风、主题形式。

他说中国人可能内敛，不善于表达，但抖音让大家看到了这些人的另一面，都非常的精彩。

从雕刻时间到雕刻空间 12:04

2022年底，Midjourney刚出来。卷卷第一次感受到AIGC的magic：一句自然语言，甚至要学怎么写prompt，就能得到一张神奇的图片。

当时他在PICO，做VR、XR业务。VR内容生态的瓶颈很清楚：硬件体验是一个关键，内容生态是另一个，而内容产能依赖3D美术资产的产能。在VR里做内容，3D资产制作成本极高、周期极长，几乎等同于一个迷你版3A游戏。

他看到Midjourney的第一反应是，AI生成图片可以有这样的效果，那AI生成3D什么时候会来。如果3D资产的获取门槛能大幅降低，效果大幅提升，对整个行业就是关键变量。

另一条线是制造业。中国是全球最大的制造业大国，全产业链分布齐全，珠三角、长三角的产业带把材料、设备、工艺、产线、产业链协同织成一张网。桌面化设备从工业级往消费级演化，3D打印机、激光雕刻、CNC，普通用户开始接触。

卷卷用一句话解释这次转向：过去用15秒短视频帮用户雕刻时间，今天用AI生成3D大模型帮用户雕刻空间。前者满足表达欲，后者满足创造欲。

他在贴吧工作时就混翡翠吧和茶吧，23岁戴着翡翠戒指，后来看瓷器、珠宝、文玩、服装。这些兴趣让他长期在材料、设备、工艺、产线、产业带里观察。当时以为只是消费行为，后来成了事业的一条暗线。

2023年底，两个变量摆在一起：AI的AIGC红利，制造端设备数字化的可能性。再加上中国过去几十年积累的工科人才红利，以及全球最强的制造业生产要素认知。卷卷判断，这两个变量结合，做一件事才有成功的基础。

离开字节有两个原因。碰供应链、碰制造业，和字节平台的组织形式、人才结构差异很大，周期长，需要长期验证，和互联网快速迭代的逻辑有差异。3D在字节业务里涉及面不多，腾讯、Meta、微软都在做，大家的起跑线相同，独立模态下才有创业机会。

决定创业后，他做的第一件事是体检。他问自己：未来有任何一个可能性会让这个业务做不成？其中一个关键要素是身体扛不住。各项指标不错，他才敢投入接下来一定会遇到的困难。

番禺的工厂：互联网人当厂长 23:43

和产业带的工厂讲AI，卷卷遇到的第一个问题是听不懂。几年前AI才发展几年，工厂老板很难理解你想干什么，为什么需要他们参与。

工厂关心的事情很具体：有订单吗？有收入吗？能保利润吗？能养活工厂吗？让工厂抽一部分精力资源，和AI的要素结合，探索新领域，普遍没有动力。

被逼无奈，数美万物在广州番禺搭了一个自己的小厂。自己采设备，聘请行业里的产业链专家，和AI管线一起做探索实践。

工厂里有几种工艺：工业级3D打印机、激光切割雕刻机、小型化协同的CNC、精密数控车床，还有处理柔性面料的板房，毛绒、布艺、刺绣。材料涉及树脂、金属、毛绒布艺，陶瓷也在和产业带一起探索。

这个工厂更像实验厂房，后来也承担柔性交付、小批量快速交付。

第二个摩擦来自增长渴望。做多了用户型产品，会对数字有渴望，希望规模化。但做制造业、实体业务，要尊重行业规律。行业变量没来之前，强加外力很难让规模变大。

过去几年很大程度上是一个互联网人在当厂长。

灵魂拷问一个接一个。长链条业务能不能构建好的商业模型？对产业带的激发是不是真能带来单量？如果不能，早期愿不愿意像补贴C端一样补贴行业？补贴逻辑是什么？科研属性的投入，ROI和未来回报怎么算？

卷卷说，这些问题实打实摆在面前。互联网产品的会议室、小黑屋封闭开发，在制造领域行不通。你必须不停和产业链的各个环节碰撞、互动。

Hi3D 3.0：一张图到直接打印 37:27

录制前一天，Hi3D 3.0上线。卷卷在节目里现场演示。

这是行业首个商用级2048三次方超高精度AI生成3D通用大模型。最大的特点是还原一致性。

一只博美犬，输入一张图片，生成的3D模型在同样视角下还原度很高。宠物的神态，主人一眼能识别，外人未必看得出来。动物的毛发在过去的3D建模里非常难，纹理走向要用电子笔刷一点一点刷出来。3.0版本把几何层面的毛发细节也还原了出来。

一个斗牛士和一头牛的铜雕摆件，输入图里牛的前腿挡住了人的部分身体。模型要正确理解人和动物的空间位姿关系，还要把看不见的背部空间逻辑补全。放大看，人的背部肌肉线条、衣服褶皱、牛的皮肤爆发，都做了合理的推理。

更难的案例是文字符号。一个计算器，上面的英文字母、数字、复杂符号，在几何层面精准还原。一个面具收纳箱，每个面具的名字清晰可见，是几何层面的雕刻，不是贴图。卷卷说，这是目前全球AI生成3D领域只有这版模型能做到的能力。

一首中文元曲《天净沙·秋思》，刻在模型上，字体的深浅有区别，重笔轻笔用雕刻形式表现。枯藤老树昏鸦，小桥流水人家，一幅平面画变成了立体的场景。

人像这块，金刚狼的头雕，去掉PBR渲染和光照，看最真实的纹理，眉眼、胡须的毛发细节都在。白膜状态已经不需要做修改。关之琳的人像，原图有光影干扰，模型干净地处理掉阴影，准确还原结构，背部还推演了一条合理的发辫。

珠宝首饰里的佛牌，去掉贴图看佛公的开脸，慈祥圆润，莲花元素、手杖、背部的浅调细节都在。六臂观音坐莲，过去建这样一个模型少说一个月，成本很高，现在快速生成后局部修补，已经能大幅提效。

潮玩Q版、机甲、汽车人，复杂结构的机械推理、外部铠甲和内部机械结构的分布、轮胎和车辙的还原，都表现不错。

技术提升来自三个方向：高质量数据的投入规模、3D表示的新技术路线、训练后的后处理算法管线。比如输入图片里的光影干扰，后处理环节要做理解和逻辑处理，才能准确提取信息、还原一致性。

演示结束后，卷卷讲了从模型到打印的管线。用户买桌面级3D打印机，不会拆件，不会加可拼装可动的连接件，不会调参。Hi3D提供基于AI语义理解的分割，按结构把人体不同部位合理拆分，在拆分件上打桩、加桩位，增加球形、榫卯、铆钉这类连接结构。加连接件目前是全球唯一只有他们平台能提供的能力。

自动摆盘也在做。打印托盘尺寸有限，大模型要分部件摆盘，哪个面朝上、哪个面朝下，影响支撑、打印时间和拆支撑时的损坏风险。材料参数、打印温度，AI自动识别，给出一套智能化参数，融合进3MF格式，直接导入切片软件就能打印。

卷卷说，他们的目标可制造。只在数字资产领域应用不够，更大的目标是要和现在的制造设备联通，不管工业级还是桌面级，都要做管线上的适配。

生产级直出：T+7和90%准交率 1:19:16

怎么评估模型做到了生产级直出？卷卷给了一个很具体的指标：高并发非标商品订单的准时交付率。

三个要素。高并发，每天有大量作品发布，需要变成实物。非标，每一个订单的造型都不一样。准时交付，在承诺时间内送到用户手上。

传统管线几乎只能顾一头。保还原一致性，就要大量人工建模，每个都建一遍，交付周期卡在建模环节。保交付时效，质量就难保证。

数美万物把目标定在T+7，从用户下单到物流发出，准交率目前做到90%到95%。如果模型不能接近直出，背后有大量人工修模成本，高并发、个性化、长尾商品的准时交付就做不到，商业逻辑本身是悖论。

交付靠自产一小部分加外发一部分。同时，他们在北京办公室设了线下实验室，采买市面上大部分主流硬件设备，请外部专业建模师组成评测专家团，每天把模型在各个硬件上跑测试。

测试的不只是直出效果。模型导入硬件，软件侧会不会报错？报非流行、破洞、不水密？格式识别错误？实际打印能不能一键到底？悬垂会不会导致打印失败？多色映射方案不好，会不会异色？

定价上，造好物的毛利率定在50%以上。卷卷说还在做普惠阶段，没有定很高。海外毛利率更高，有汇率差，供应侧能力相对弱。

Hi3D面向有打印机的Maker，订阅制，全球标准大概人民币一百三四十块钱一个月，可以生成多样模型，使用组合工具能力。

造好物的投稿率超过20%。分子是每天发作品的用户数，分母是每天活跃用户数。在内容型产品里，这是非常高的标准。

卷卷说，造好物在做的事情，其实是他小时候看过的动画片神笔马良，把它变成现实。

用户拿到实物，会发现真的可以，这会再次激发投稿欲望。实体交付带来的正反馈，比纯数字内容的点赞更直接。

3D打印农场与Maker OS 1:32:47

3D打印农场在过去一年快速出现。小型农场300到500台，大的在厂房里放上万台，甚至三万台的超级农场。需求大头在海外市场。

问题也很明显。商品同质化，一条铰链结构的龙火了，很多地方都能看到，没有本质差异。解压类的挤压球，机械内结构设计得很聪明，但下一个爆款在哪里，所有农场都要面对。

更麻烦的是创作者收益。很多人从模型网站知道某个模型火，下载后快速量产收益，原作者的收益很难保障。

数美万物在Hi3D上发起合作计划，连接农场，用户一键下单获取实物，派单交给农场。需求端做创作者激励，模型被下载、商品被购买，两道环节各抽一部分收益分给创作者。

你只有一个正向的创作者收益保障，才有更多的人愿意分享模型。

3D打印本身还在增长。过去五年，桌面级3D打印设备年复合增长率持续在23%以上。海关出口数据里，3D打印设备连续几年在部分品类下增速排进前20。2025年中国电商平台，桌面级3D打印机已经是打印品类下的头部商品。去年出货量500万台，年出货过千万是确定性事件。

更多工艺在小型化。桌面级UV打印机，安克的产品卖得不错，满足了一部分女性用户的需求。激光雕刻，xTool在消费级和小B场景都有规模。桌面级CNC团队过去一年非常多，五轴CNC也在Kickstarter上陆续出现。柔性面料的横机、刺绣机，也在往桌面化走。

卷卷还讲了女性Maker市场。3D打印、激光、CNC的用户大头偏男性，处理硬体、钢体材料。女性Maker在增长，毛绒、刺绣、钩针、毛毡，这些柔性材料的手工有广泛基础。问题是板师人才稀缺，培养一个专精的板师十年起步，需求又在爆发。

数美万物在研究两个算法：毛绒的数字化开板算法，AI刺绣算法。毛绒玩具的难点在于很多角色凭空创造，世界上不存在，没有台模可以参照。先用图生3D建一个3D模型，在表面找分割线，把曲面展开成纸样，考虑面料的弹力系数，张力大的部位要模拟人工裁剪卸掉张力，再激光切割布片，车缝填充。

刺绣的路径类似。输入任意一张图，先得到EMB矢量文件，包含针迹路径规划和颜色信息，再导出DST格式，给刺绣设备识别。3D打印的STL、源头CAD参数化模型，逻辑相通，都是格式映射。

与拓竹的MakerWorld，目前是合作关系，数美万物的模型在MakerWorld上提供接口。长期看，数美万物要做综合Maker OS，工艺类型更多样，连接的设备不只是桌面级，工业级也在连，光固化的服务马上推出。光固化模型的空腔积液会导致打印失败，打孔位置、深度都影响效果，这些也要用模型化服务自动化处理。

更大的目标是制造业OS。从Maker OS到制造业OS，连接各个行业，解决更大范围的实体制造基建问题。

创业修行：自卑、赤诚与无心 1:58:49

创业两年多，卷卷经历了几个阶段。第一阶段充满乐观，愿景构建得好，还没遇到实际问题。第二阶段觉得什么都做不成，碰到很多新领域的问题，自己不在那个领域有专长，团队不完善，方法没趟通，非常自责。第三阶段发现能做好一点小事，坚持摸索，某些问题解决了，又有向上的斗志。今天的问题是解决了一些，又有新的问题，心态是交织的。

创业每天都在坐过山车。我说的每天是每天的每个时段。

怎么稳定？让情绪剥离，关注问题本身。他常对自己说：别急，让子弹再飞一会儿。心急会让动作变形，给团队传递错误信号，让大家陷入焦虑，不关注问题本身。

张一鸣跟他说过一句话：事儿烦心不烦。他参了很多年。另一个收获是理解做好一个产品和经营好一家公司是两个概念。产品关注设计逻辑、交互、交付时效。经营公司要考虑人、钱、事。人才怎么获取、怎么组织协作，公司内外的伙伴怎么拉通，钱从哪来，商业逻辑合不合理，有没有证伪能力。

孤独感也来自这里。以前有伙伴、有管理层分担，今天很多时候要自己独当一面。他说自己就是公司里应该站在墙根最后那个人，墙根再往后就是深渊，他是兜底的底。

他用“无心而为”来消化这种孤独。做利他的事情，跟你自己没关系，想再多，很多是跟自己相关的，只会徒增烦恼。

他也劝退很多人创业。没事，别创业，别没苦硬吃。原来的平台、原来的状态是很好的条件，不一定非要选创业。什么人他不劝退？泼了很多冷水之后依然义无反顾，逻辑里听不到能被知识结构否定的东西，在做有增量价值的创新，不是线性增长的事。

卷卷说自己本质上是自卑的人。早年加入贴吧，是贴吧小白，没混过很多吧，身边都是优秀的人，要向他们学习，努力跟上节奏。抖音是他第一个真正意义上的产品，之前是运营序列，没做过产品。这么好的机会给到你，怎么把握？向优秀的产品经理、研发学习。

他把自卑解释为对自己的苛刻要求，对自己清晰的认知。焦虑是定了一个很高的目标，能力和目标之间有巨大差距，又不去解决，差距越积越深。他的办法是用学习、用实践缩短距离。王阳明的知行合一，知是行的主意，行是知的诚意，不能只是幻想。

给刚毕业进入职场的年轻人，他的建议很具体：别想太多，做好眼下的事，聚焦当下。机会往往不是找来的，是等来的。在现有岗位上沉淀得足够深，积累的知识体系足够扎实，还有很多新问题没解决，不能吃着碗里看着锅里。机会是在足够深的积累中发生转机，别人看到了你的能力，把机会给你。

他也讲了自己抓机会的方式。最早管贴吧吧主，没人说这是管所有吧主，他想的是管几个垂类，能不能把垂类用户资源组织起来。每天和吧主吧友聊天，跨时差通宵聊，建立信任，很多超级大吧主愿意无条件支持他工作。做抖音，张楠语重心长地说，接了这个产品就一定要做好，不能丢人。他没做过产品，就去问身边的产品经理和研发：你们眼中优秀的产品经理长什么样？会提什么样的产品需求？怎么写好产品文档？早期数据埋点都是他自己写的，怕给数据分析师的想法不靠谱，自己写label、写埋点定义、自己取数分析，有了认知再请他们帮忙。

当那个运气的机会来临的时候，你要拼了命的抓住它。

从“好人”到CEO，他说自己越来越不nice。拿了股东的钱，组织了这么多优秀的人，跟着你的愿景努力创造价值，如果只以个人情感导向做管理决策，极其不负责任。领导力有两个问题：一是怎么认知自己，是不是敢于说真话，能带领团队推翻你过去的错误言论，形成新的有效决策；二是不能只做正向管理，要辨识出团队里不符合要求的人、人岗不匹配的组织问题，做负向管理。本我可以展现人性的一面，超我要站在岗位要求上想事情，在其位谋其政。

他也想，如果还在和一鸣开周会，一鸣会问什么？变量够不够大，是不是大到效率发生质变，或者成本大幅降低。别自嗨，别自以为是，做了没什么有效产出，对行业没有重大变量影响。张楠会关注用户需求的理解和增长向的平衡，也批评他有时候过于乐观，沉浸在自我视角。

外人看他一路很顺：百度贴吧吧主管理，字节早期加入，拿到抖音的机会，把抖音做成功，创业有人看好支持。他不用一帆风顺形容自己，就是运气好。但他补了一句：运气会给很多人机会，有些人是不自知的。他比较突出的一点是，会意识到那是个机会，然后拼了命抓住。

这场访谈里，卷卷反复提到尊重实体行业的规律。从抖音到AI 3D，他做的两件事隔得很远，底层有一条线：让普通人的表达和创造被看见、被实现。抖音用15秒视频雕刻时间，数美万物用3D模型雕刻空间。

如果你也在看AI 3D或者硬件创业，这场对话里有几个能带走的判断。模型能力只是入场券，真正决定能不能做成的是模型之后的管线：拆件、连接结构、材料参数、摆盘、准交率。3D数据是最难获取的模态，产业带的关系和数据积累是长期壁垒。视频模型会吃掉一部分3D需求，但实体制造绕不过3D。创作者收益和农场同质化是3D打印行业当前最实际的问题，谁能撮合创意和产能，谁就有机会做平台。

卷卷给创业者的冷水也值得记住：别没苦硬吃。想清楚一件事，做有增量价值的创新，再义无反顾。机会不是找来的，是等来的，但等的过程里，你要在眼下的岗位上扎得足够深。

网页版：https://crossing.qiaomu.ai/ep/6a97a9daa0210c197dcc1ba0.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这期 Koji 和他聊了 49 分钟。话题从 AI 下半场会不会只剩一个超级模型，到 AutoRL 怎么把训练、奖励、反馈、部署、数据回流串成循环；从工业质检、电镀工艺参数优化，到 GUI Agent、Coding Agent；也聊了 PyroDash，一个 4B worker model 加 base model 的协作架构。节目里有几组具体数字：质检误报率从 23% 降到 8%，用的是一万张样本；PyroDash 在 benchmark 上提升约 10%，lambda 较小时省约 20% 成本；大客户单体付费在百万到千万人民币区间。

下面按对话顺序整理，保留 Kevin 的判断、案例和边界。读者能看到一家 AI ToB 公司怎么选客户、怎么定价、怎么把 FDE 的一次性交付变成可复制的管道，以及他为什么认为需求世界不会收拢到一个超级模型。

一个 32 岁的 infra 老兵，押注 Agent 蜂群 0:23

快问快答里，Kevin 给了几个简短答案：INTJ，摩羯座，一句话介绍 Pyromind 是 AutoRL，跟 RSI 这个方向对应，是一个比较具象的实现路径。公司 2025 年成立后做了一轮融资，投资方有高瓴、百度风投、蓝驰、Atypical。团队现在 20 多人。收入和利润的具体数字没有披露，但他认为 PMF 初步跑通了两件事：第一，用 AutoRL 实现 RSI 在生产环境有价值，商业模型至少成立；第二，横向复制到相似场景和客户时，工作量逐步递减。

创业前，Kevin 在阿里云做偏 infra 的事，包括弹性 GPU 实例和训练 GPU 集群。他决定创业，来自对 AI 下半场的一个判断。2025 年下半年，技术圈讨论两条路线：一条继续沿预训练走，ASI 会是一个超级庞大、中心化的模型，能解决绝大多数场景，效果足够好；另一条认为 ASI 会以服务化形态出现，是 Agent 蜂群。Kevin 偏向后者。

他的理由很直接。世界需要 AI 解决的问题和场景已经无穷无尽，时间推移还会不断产生新场景，场景本身也在变。用有限参数的模型去泛化无限场景，在 transformer 架构上挑战很大。Kevin 押的是服务化、Agent 蜂群这条路线，他认为这条路线必然成立，因为需求一直在那里，而且还在增长。

一年多后再看，他觉得自己的 bet 更成立了。RSI 在这一年变热，和 Agent 变多有关。一个人日常带几十个 Agent 做事，不可能有精力维护每一个 Agent 的迭代。Agent 嵌入场景后，衡量方式是它在一段时间轴上的表现都要符合预期。实现方法就是 Agent 要能自我迭代，具备自我改进能力。Kevin 把这个需求看成服务化路线的结果，Agent 多了，RSI 才变得重要。

RL as a Service 只解决了一半问题 5:21

Pyromind 一开始并没有直接想到 AutoRL。Kevin 说，这是过程中浮现出来的。团队本来就在看后训练，RL 为代表的后训练技术是拿环境反馈去更新模型，是一个持续过程。团队研判方向也用了类似方式，先做 RL as a Service，做到扁平的服务形态，以为差不多能满足 Agent 部署要求。后来发现不够。

Service 只解决了一半的问题。

Kevin 的解释是，Service 的使用者终归是开发者，仍要有人驱动 Agent 改进。真正把 RSI 跑起来要解决两个问题：训练和推理，以及奖励。AutoRL 把奖励纳入了 scope，让整个循环可以自动跑。

他举了 GUI Agent 客户的例子。这个客户下游有较多消费级部署量，会收上来很多用户特定需求，也有自己的产品迭代需求。Pyromind 第一期提供 Studio，给客户一个通用 training pipeline，把训练 infra 的问题全部解决掉。客户仍然要投入算法工程师，不断更新 Agent 本身。到了第二期，Pyromind 把 GUI 方向的奖励做进去，发现 loop 可以自动跑起来：末端部署的 Agent 源源不断收真实环境反馈，反馈回来之后，系统可以自主循环变好。于是第二期推了 EchoMind。

两个产品的边界因此清楚起来。Pyromind Studio 是 serverless 的训练 infra 服务，里面实现大量训练依赖的逻辑节点。开发者配节点时不用关心物理机实现，只配训练参数，逻辑节点可以横向 scaling，从单点单卡到多台机器都能扩展。EchoMind 把整个 RSI 流程包在背后，给用户透出一个 proxy URL。这个 URL 插到某个 Agent 里，就能源源不断抓 Agent 轨迹，形成相对整齐的数据集。数据集过奖励结构，生成 training pipeline，训练，拿结果，再部署回去。

Studio 卖的是训练基础设施，EchoMind 卖的是把 RSI 循环包起来之后的结果。前者客户自己维护管线和 reward function，后者 Pyromind 介入实际场景，把奖励内化到自己的 reward model 上，由 Pyromind 维护。

工业客户、FDE 与无状态管道 8:32

Pyromind 选客户时看真实世界数据，数据要产生于生产场景，最好在模型能力之外。Kevin 问自己，哪里的 real data 最富集？答案之一是工业。他们现在一些重要客户集中在工业领域，包括英伟达的上游企业。这类企业经过制造 1.0、2.0 改造，内部数字化做得不错，多年生产又积累下可观数据。工业场景还有一个好处：企业对自己的精益生产有定义，收上来的数据往往有相对明确的好坏标签，标注问题天然被解掉。第三个条件是 ROI 要能衡量。三个条件满足，产业链上的工业客户就是好画像。

另一类客户和 Agent、具身相关。具身是相对独立的板块，因为还要考虑硬件，问题更复杂。Pyromind 的目标是后训练驱动的 RSI，当下偏软领域会走得更快。

工业里他们偏软主要看两个场景：工艺改进和质检。工艺像电镀，生产线上有一批参数要配，配好了产线后段能拿到想要的东西，配不合适就拿不到。现在这件事由老师傅做，是个人驱动的经验。后训练的目标，是根据历史数据和未来增量生产数据，把人做这件事的经验迁移到模型里。长期看，模型在品控波动上可能做得更稳，增量数据越来越多，也可能比人做得更好。质检更容易理解，Pyromind 说能把误报率从 23% 降到 8%，这是一万张样本上的结果。

这里有一个关键设计：无状态管道。Kevin 用 coding 领域的环境做对比。compiler 是典型环境，每生成一段代码，跑一下 compiler 就能拿到是否通过的强奖励信号，它和生产环境信息不耦合，可以被抽离。实际生产环境里这样的环境有限。GUI Agent 要做用户特定需求，不能脱离用户上下文，脱离了就缺乏生产价值；跟用户上下文耦合，它就是有状态环境。

Pyromind 要在长链路里找到可以横向复制的无状态东西。Kevin 把可横向复制的东西定义成 AutoRL 管道，环境只是其中一部分。管道喂数据，通过 reward agent、reward model 拿到 reward signal，迭代一轮。管道和奖励本身跟生产上下文不耦合。奖励信号可以来自模型在场景里 rollout 一次后 reward model 给出的优势值，也可以来自生产场景回流数据里包含的人工 judgment。两种信息都装在用户回流的数据集里，不装在 Pyromind 的产品里。不能把 A 客户的状态打包进产品，再卖给 B 客户，这是横向 scaling 的底线。

FDE 在第一次进入场景时不可省。Kevin 不排斥完全 FDE，初次进入要理解客户场景里的数据格式、评价基准、业务流程，把奖励 agent、奖励模型适配到场景上，这部分最花时间。冷启动之后，scaling 起来工作量递减。奖励最终会收拢到模态上，相似模态有相当一部分工作可以复用。

收费分两层。Studio 按资源计费，类似云服务的 CPU、存储、GPU 计价，客户自助使用。EchoMind 按场景价值计费，用 quota 限制，根据场景更新频率给客户一个 EchoMind 实例的配额。因为 EchoMind 嵌入了 Pyromind 提供的奖励价值，客户收到的是一个更新好的模型。大颗粒度企业、ROI 明确的场景，单体客户付费能到百万到千万人民币。quota 不是 token，是资源单元，衡量 EchoMind 做一轮 RL 在嵌入奖励价值下的消耗，跟 Pyromind 自己的 GPU、CPU 成本账绑定。

拒绝需求有三条标准：ROI 必须可衡量，不可衡量就不好定价；不要偏离多模态研发主线；场景要在企业内和跨企业有扩展性。偏办公、发票、差旅的 Agent，ROI 不好衡量，Pyromind 做起来会吃力。工艺里的电镀在 PCB 行业通用，质检里的可见光质检、结构光质检几乎在所有制造业通用，这些符合三条标准。

PyroDash：4B 小模型与基座模型协作 26:29

Kevin 把 AI 进入生产的需求分成两层。第一层是好用和效果。好用有很多方式，模型 API 很方便，DeepSeek 的 harness 也很好用。效果可以加大量 harness 逻辑，让模型行为对齐需求，也可以做后训练，用训练提升模型能力。第二层是 ROI 是否合理，企业要有收益。到了第二层，企业会追求一个不可能三角：成本好、效率好，还要满足隐私需求。

Pyromind 选择 RL 和 AutoRL，没有集中精力做 harness，因为 Kevin 认为长期看 AutoRL 形式的 RSI 能承接这两层需求，尤其是那个不可能三角。对应的工作就是 PyroDash。

PyroDash 最初来自 Pyromind 自己的需求：web coding 太贵。他们做了一个协作式推理引擎，把一个 4B 模型和一个 base model 连在一起。拼接对象是上下文，base model 可以是开源模型，也可以是闭源模型，因为 Pyromind 不需要它的梯度。训练对象是 4B 模型。选这个 size 的一个原因，是它刚好能在端侧、在 Mac 上跑起来，推理成本是零。问题随之变成：效果不够好，所以要训练它。

训练分三个阶段。第一阶段做难易问题分类。第二阶段做冷启动：请求打过来，小模型先接，看这个问题是不是它能解决。能解决就在端侧解决，解决不了就路由回 base model。第三阶段是 GRPO。开放出来的奖励结构有两个，正确性和成本，成本奖励带一个系数。训了一段时间后，结果比较有意思：baseline 比纯 base model 有提升，简单问题被小模型自己解决，成本一定下降。benchmark 上提升大概 10%，用 PyroDash 架构时，lambda 较小可以省掉约 20% 成本。

PyroDash 的算盘是：简单问题在端侧 4B 模型解决，难题路由给 base model，再用奖励把正确性和成本一起训。Kevin 认为这个架构的潜力不在成本，成本是推广的突破口。他们现在构建的是隐私能力，这更有 B 端属性。

企业问题可以分公域和私域。公域私域不是 B 端和 C 端，指的是这个问题有没有好的 base model 来解。公域问题，基础模型 baseline 不错，可以用 PyroDash 训一个 worker model，只是训练对象不同。私域问题，端到端模型解掉就好。隐私奖励项还没有发布，思路是对敏感 token 做 masking，让 worker model 挡一层，把敏感信息处理掉，再路由回 base model。企业不是所有信息和上下文都可以丢给基模。

Harness 的局限也在这里。Kevin 说 harness 很好、很轻，能解决速度问题，隐私解决不了。要在成本、速度、隐私三个维度都追求最优，终归要挖掘模型能力。纯 harness 不修改模型参数，天花板存疑，到了深水区，很多问题不训练就完全做不到。他举了 PCB EDA 客户的例子。PCB 板电路图设计是一个独立 domain，绝大多数基座模型预训练时不可能见过这样的样本。哪怕把很大 size 的 base model 部署到本地，再怎么加 harness，也很难达到理想状态，最终还是要改模型参数。

并非所有场景都需要完整预训练。coding 这类问题 base model 已经解过，具体场景里就没必要从头预训练，把特定要求训进 worker model 就好。很深的 domain 才需要端到端模型。和 Thinking Machines 的 Tinker 相比，Tinker 提供 LoRA API，Pyromind 现阶段不太会花太多精力做 LoRA。LoRA 训练有效，但要求跟基座模型绑定，在一个基座模型上做的 LoRA，跨基座迁移会有工作。PyroDash 在训练阶段把 worker model 和 base model 解绑，base model 可以随便换。

两个 FDE 支撑十几个客户，靠什么 34:02

Kevin 没有把弱化 FDE 当成目标。他认为很长一段时间里，这个角色都会被需要。他追求的是 FDE 角色的宽度变窄。现行主流 FDE 定义很宽：进去理解需求，做适配，把交付做完，交付形态往往是 base model 加 harness。Kevin 定义的 FDE 只做前半段：把需求接回来，把第一个场景的需求在 AutoRL 产品上做一次适配。后半段交付的是一个能让生产数据回流、不断提升模型表现的 RSI 管道。

这样 FDE 的工作量负载会下降。Pyromind 现在服务十几个 B 端客户，大概两个 FDE 支撑他们的需求。接回来的需求由另一组同事承接，这组人更偏基础和通用产品，在现行奖励结构下不断把其他场景接入进来，主要做跨领域问题。FDE 横向接需求，通用产品团队纵向做跨领域接入，形成一个 T 字形结构。

这套安排背后是 business 要能 scale。Kevin 说，不然公司会变成技术咨询服务这种全方位一体的公司。这类公司有存在意义，只是选客户策略会变成押最头部、最大的一家，一家客户 cover 整个生命周期。他的判断是，ASI 到来时形态是 Agent 蜂群，本身就是一个分布式市场，不能用中心化思路做。Applied Compute 选择在企业内纵向做重，把 Agent serving 等完整基础设施都包掉，面向几个头部企业。Pyromind 选择横向，把奖励结构和 AutoRL 管道做成可复用的产品。

Pyromind 选择把奖励结构和 AutoRL 管道做成可复用的横向产品，没有把每个客户的所有 AI 需求都包掉。下半场的光谱很广，Kevin 认为容得下任何形态。Pyromind 的路径是用奖励结构把多模态场景的问题变得越来越通用。收的动态场景越多，奖励越有复用性，复用性又能用泛化能力解新领域的问题，飞轮就可能跑起来。

对外，Kevin 很在意划清角色和边界。边界不清楚，business 就会模糊。选 RL 方法的好处是界限清晰：客户和 Pyromind 之间传递的是数据集，回来的是一个更新好的模型。管道无状态，客户看到的是用自己的数据拿到了提升后的模型。

模型越训越好，Pyromind 赚更多还是更少 38:20

模型训得越来越好，后续训练需求会不会越来越少？Kevin 把生意分两层看。一层是应用模型，客户给数据，模型还给他。如果客户场景静态，做一次训练就够了，问题集结好就完事。绝大多数场景不静态。工艺和质检上游来的需求天天在变，持续训练的原因是要维持应用模型的能力，不要掉点。静态模型解决不了变化，就会掉点。

工艺和质检为什么天天变？流水线看起来固定，具体 case 千变万化。客户接到的订单需求不固定，一条线上的生产也是混杂的。不能做粗分类，工艺和质检这种深层次问题，细微差别对结果影响都很大。场景只要在变，就需要持续学习，保证应用模型维持在一定水平线之上。

竞争上，Kevin 觉得目前 RSI 领域竞争相对不多，因为做的 domain 本身有壁垒，不是一个非常开放的领域。他们面临的竞争更多来自传统 SaaS 服务商，这些服务商在企业里深耕多年。Pyromind 进去做，如果跟对方业务没有冲突，大家各自安好；有冲突就谈合作。纯粹做 RSI 的竞争对手比较少。Agent 领域竞争多，法律领域已经有 Agent 公司和 Harvey 合作的成功案例，类似事情会直面竞争。

中国 SaaS 难做，Pyromind 也做 ToB，为什么能算清账？Kevin 说，把 B 端所有事都做了，就会很难。他选场景有三条准则，过滤下来场景切面比较整齐。B 端生意最本质的核心还是算账，ROI 很重要。AI 时代做 B 端生意

网页版：https://crossing.qiaomu.ai/ep/6a90fc5e1352af56ff3d48af.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。