我在杭州也待了一年多。

也没有不喜欢，北京我本身也能适应。只是上海的文化氛围强一点。

北京肯定有北京的好呀。

我前面才跟宋健聊，我说前三年你在上海讨不到好，因为前三年 AI 在上海很难找对方向，北京是技术人才的聚集地。

前几年不就是这几家，你方唱罢我登场。

对。整体来说，前几年做 AI 应用创新，机会本身就没有那么多，所以是技术为主的，北京在这方面体现的优势会比较大一点。

没想，因为我本来就没想做纯技术角度、模型角度驱动的事。

是的，上海还是有挺多有意思的创业同伴的。只是我一直在跟大家强调，这种事情你做不做得出来，或者是一个什么样的增长速度，更多还是取决于技术周期。

我不确定他是谁，我只是看观点。

嗯，我是看观点。观点比较稳定的，有些人我就会点。

Koji 我就点赞的少。

我之前了解你这个节目，更多是通过庄明浩的那一期访谈。

啊，是吗？

我不用聊宏观，我也不想聊宏观。

对，明浩跟我应该很多地方还是聊得挺来的。

就是 AI 这波之后。我之前也不怎么说话。

嗯，曼达跟我聊的次数也比较多。

曼达也在上海吗？还是在北京？

对，前一段时间还在新加坡呢。

应该还行吧，就是要靠着还是不靠着的问题。我就这样吧。

那这样可以了吗？

不至于，我腿没那么长。互相踢脚打暗号呢。

最早的那批，有点旧了，但是没关系。因为怕穿其他品牌又造成奇怪的评论。我有些衣服是我老婆买的，家属买的，也不知道是不是会引起一些偏见，所以还不如搞个最朴素的文化衫，旧一点就旧一点吧，没啥关系。

今年最大的信号就是全民套壳，最大的噪音就是「只有做现金流才有意义」。

从信号的角度来说，就是不能不跟上这一波的技术发展。我原本是一个比较喜欢讲技术普惠的人，所以我之前做的很多产品，都没有用最新一代的技术。

但是 agent 这一波，老实说，如果我们自己不从组织内、由内而外地去应用好，是很有可能真的被甩下车的。所以我说全民套壳 Claude Code，或者说我们自己能把 Claude Code 这类产品形态用好，是跟上这一波的基础。要不然的话，从技术审美的角度来说，我觉得就已经不过关了，可能就跟下一个时代的产品形态也没什么关系了。但之前我们绕不过去的一个坎，就是这个东西真的太贵了。

对。你一直讲用越贵的 Token、越好的智能，最绕不过去的是，它真的跟普惠关系不大。所以这个事情肯定是纠结的，最后两害相权取其轻：你还是得先跟上技术时代，再思考怎么普惠的问题。但这个问题里，其实蕴含着刚才你说的噪音的那个问题。如果都是这样的套壳，都是把模型的能力做了 harness 封装，然后想办法去做分销，那这件事其实才是对现金流最友好的方式。但这件事至少和我们团队创业开始的目标是没有关系的。唯一要回答的问题就是：是不是现在这个时间点只能做这件事？我的答案是肯定不是，因为你总归需要有一些自己的标尺，相信自己在积累一些别的东西。当然，我说套壳是看上去最简单的题，也不意味着有很多人能做好。我其实很相信，商业化的能力是一个团队组织效率很高的表现。

对，Manus 很多产品层面的创新已经很强了。就算是大家会去 question 的那些跟随者的拓客，他们至少在响应效率、投流、做增长这些方面，肯定都有自己的过人之处。而且我觉得最后跑出来的产品质量也不会差，因为只要跟着用户的需求，就会优化其中很多的产品能力。但我们最早创业的时候，其实就有一个关于公司光谱的框架。因为我们对硅谷的公司都很熟悉，至少系统性地经历了一八年之间移动互联网在硅谷的很多讨论和 IPO 的潮流，你其实是能感受到当时涌现的优秀公司之间的光谱区别的。我们经常嘲笑说，Facebook 的卷度肯定比 Google 要强得多，但是 Uber 又比 Facebook 卷多了。

从这个角度来说，我们最后总结，好的公司至少有用户驱动型为主和使命驱动型为主两种。像亚马逊，永远会谈 customer obsession，永远会谈用户反向驱动产品变化；Google 永远是 tech vision driven 的。在不同的环境、不同的时机上，这几家公司都有各自发挥光彩的时候，但他们很明显拉开了一个光谱。按这个顺序排的话，亚马逊在最左边，然后有 Uber，中间有一些公司，比如 Canva 或者 Figma，这只是纯从文化的角度来看；再往右就是 Facebook、Google 这样的公司。你可以觉得右边的公司更自我，左边的公司更听劝。

亚马逊更听劝。它的云计算就是客户驱动下变出来的听劝的结果。这跟创不创新不一定有很大关系，跟组织的很多文化有很大关系。Google 是最不听劝的组织，但它有很强的技术驱动的使命，所以能号召到很多好的技术人才。在一个时间段上，并没有一个一定正确的答案。所以我们最开始选择做一家公司的时候，我要选的是：我落在光谱的哪个位置，才是我们希望一直做下去的公司。否则可能就不如追随别人的公司，成为其中的贡献者。这个事情取决于，到底是不是我和我自己的团队想做完这家公司。

对，我觉得这种认为，本质上是对 AI 能力的一种低估，有点像期待三体人会好好对待地球人一样。工作上很多的能力一定会被替代得很快，因为 AI 在脑力劳动效率的整体空间上限上确实太强了。所以就算它创造了一些新的位置，现在看起来也不是现在的白领们享受、会去干的事。比如说，AI 短剧制作者算不算新的岗位呢？

但它至少让人有工作，至少有一群新的职业定位，有职业技能，也有相关的培训体系了。就像外卖行业出现之前也有快递员，也有运送东西的人，但两者容纳的规模完全不一样，那你也可以说它提供了新的岗位。只不过在这个岗位上，很多人的行为会受到整个体系更大的压缩和压榨。

对。从经济模式的角度来说，你只要看生产资料和整体分配的主动权现在到底怎么掌握。很明显，这个掌控力已经完全被整个体系给控制住了。

对呀。从现有的劳动价值意义来说，我觉得他们就是废人。但我们可以先拆分开两件事情：当前社会分工中的经济价值，和这部分人长期的劳动价值。从长期的劳动价值来说，我其实不觉得他们是废人；但从现有的整体经济价值来说，他们就是废人，因为他的行为是不经济的。这里面其实有很多例子。比如买衣服这件事，如果从纯粹功利的角度，不考虑审美，从我原来一个纯理工男的视角来看，我的价值观可能就会认为优衣库已经是极限了，买手这种职业，就是整个系统中低效的、不经济的存在。时尚买手到底在干嘛呢？你想，如果我们是一个信息完全透明畅通的系统，为什么会有买手呢？哪怕我们认可审美这件事本身的价值，那也不应该出现买手啊，它在整个系统中完全不经济。可反而在近些年，你在上海可以看到越来越多的买手店。那这是为什么？之前我记得青山，一个投消费的机构，写过一篇很有启发性的文章，叫消费是新时代的生产。为什么买手能够用这样的审美观念，塑造一件低效、但长期来看劳动价值有意义的事情？就是因为他的消费投票。本质上，他想买这个东西；另一个角度来说，这些买手本身比别人会买，然后给这些事情赋予了意义。这件事情在前几十年，当然不会被赋予任何直接的商业价值，但是他自己享受这个劳动过程的同时，也在持续锻炼自己的技能。

然后在现阶段终于开始逐渐获得收益。所以这个劳动价值转化到经济体系中、获得地位，确实经过了这么长的时间。

对。所以当大家谈到消费是劳动的时候，在现阶段另一个角度的反面，就是我一直在说的创作即消费。因为创作的过程如果足够轻，它本质也是一个消费选择。比如说我在看一个视频的时候，发了一句评论弹幕，这个弹幕如果瞬时转换成了对这个世界模型的一句输入，那本质上，这个消费行为就转化成了创作行为。这个时候，你是用你自己消费反馈的评论促成了一次投票，而由此产生的新内容，可能对其他人有后续的价值。那创作在变成你自己悦己的消费的同时，也变成了对其他人有价值的劳动。

所以这几件事情，长期来看会在一个体系中，把中间的一些边界给打破。

其实这个问题，你硬要说，我也很难回答。之前有一个朋友开玩笑说，是不是湖南人都喜欢走群众路线？

湖南株洲。

Maybe。你看上一代的创业者里面，湖南人做的很多东西是很有这方面气质的，比如会强调每个人的生活都值得被看见之类的价值观。我们对普惠这件事的执着，某种意义上确实可能盖过其他任何一个地方。但从另一个角度来说，我其实也不是相信反精英，我相信的只是连接。因为精英是一个必然客观的东西，而且在当前整个 AI 的发展上，它天然会越来越加强精英化，所以反精英对我来说有点螳臂当车。我只是觉得需要连接。

连接精英和普通人啊，你们不要变成生殖隔离的就行了。

其实并没有。我在 Facebook 工作的时候，就已经开始听到扎克在说一句话，叫 meaningful social interaction，有意义的社交互动。因为社交网络在有意义的社交互动上做的贡献其实是不足的。抖音这样的平台，核心性质本质上是双边型为主的。双边型是和多边型对应的：它的网络结构，用技术的术语讲是个二部图，也就是二分图，左边是创作者辐射，右边是更多的消费者。而一个好的社区结构是网状为主的，中间可能有一个一个的核心节点，发散性地联网。

网不一定更好，它们俩也不是互相取代的关系，在不同的时代上都会持续存在。电视台也是双边结构嘛。本质上，是缺了哪一块，人类就会想再补上另一块。双边最大的问题，就是大部分的信息传递还是由精英辐射大众的。看见美好生活。

就是你的生活是美好的，才会被看见。

对，Facebook 在中间的阶段越来越走向双边化，更何况 Instagram 天然就是双边为主，以 celebrity、以名人为主。所以扎克很早就对这件事很有忧虑感，因为从做社交网络的长期角度来说，多边是生态健康度的保证。双边对一个生态最大的问题，是 UGC 的兴趣会逐步被压制，到了一定时间之后，后进来的人就觉得再往上挤的机会不大了。

所以现阶段你再去起号的话，可能大家都会优先选择小红书。现在应该越来越少有人想做网红会默认先选抖音来起号，太难了。就是因为小红书本身还容纳了较好的 UGC。短时间之内，比如说一代人的时间内，这件事甚至都不致命，就像那一代看电视的人老了，也还在看电视。可怕的是代际更替的时候。

那下一代优秀的创作者……

对，为什么要进这个地方？

对吧？其实人类最有意思的就是这些代际之间的反抗，尤其在 C 端上。所以做好刚才说的网络结构上的对比，是挺重要的基础。这两者之间还有一个特点：当技术弱的时候，多边是更容易出现的。因为早期多边可以靠朋友来捧你，双边只能靠观众来捧你。

对。双边只能靠观众来捧你，意味着你确实很好，这从效率上来说是好的。但是对一个还在磨练创作技巧的人来说，是并不友好的，他没有打怪升级的路径了。所以这就是为什么在一个技术周期的早期，很多时候是有新的多边出现的机会的。但多边一般早出现而晚熟：小红书和 B 站出现都挺早，成熟的时间却都晚过了快手和抖音。从这些对比来看，这些规律可能都还是持续正确的。这里面我没有谈到具体的容器、内容形式，我们都只在谈网络结构。因为媒体的容器形式，某种意义上是一代技术赋予它变革的；而每一代都循环的周期，是我刚才说的网络结构。

我挺喜欢社团的。我大学的时候就做了社团，而且是从零到一做的。

当时叫互联网协会。后来这个社团其实应该也算消失掉了。Anyway，当时我们计算机、我们 EECS 整个学院最大的社团，一个叫计算机协会，一个叫派设计协会。计算机协会算是根正苗红，但某些角度来说，大家也没有那么喜欢参与，因为它已经变成半官方的学生会组织了。派设计协会就挺有设计感，伴随着一些审美，也有些技术。

既然是设计协会，其实就是应用设计，比如很多人在里面做各自的个人网站展示。

对，那个时候也启发我做。但这两个协会我最后都选择不加，所以我最后就自己搞了自己的。

也不是，就是我觉得那里面的东西，没有用最新的一些技术和变化。我们当时跟团委老师打交道比较多。大一的时候，我就做了给所有同学分宿舍的工具。因为那个时候北大是填表分宿舍，我说这也太低效了，我们就直接搓了一个类似 QQ 游戏大厅的东西：每张桌子四个人，大家自己选择上哪张桌，这个宿舍不就组好了吗？这可比填表、再让一个老师去清理到底谁愿意和谁组在一起高效多了。

这是当时很自然的一些想法。大一的学生很多时候没有工程化的能力和技巧，但我因为初中到高中一直做 Dreamweaver、做各种网站建设、学 PHP 那些东西，所以我当时可能是工程经验最好的新生，就搞了这些东西，被团委老师他们发现，就去做北大社团的平台。做完社团平台，我对社团、包括北大 BBS 这些的情况就比较了解了。那个时候我就觉得，诶，他们现在搞的那些内部研讨，甚至没有我自己日常用的东西有技术性。我们当时确实挺喜欢时髦的技术，就是 Ruby on Rails 那一代。所以我至今还很关注一个海外开源的 KOL，就是 DHH，Ruby on Rails 的创始人。那个时候我们就想把这个技术引到学校里，所以就把这个协会做起来了。最高的时候，我们开宣讲有一百多号人，一起来上课，学相关的技术。最后很好笑的是，我们做完了社团的平台，恰恰因为技术太新了，后面没有人愿意维护它，就无疾而终了。老师说，你们如果想把它做下去，就用 PHP 把它重写一遍，这样还能找到接下来几届的学生继续维护它，否则你们一毕业，这个事情就结束了。

启发是多方面的。最大的启发是，你可以把它当成一次小创业的预演。理论上来说，我们那套系统如果做好了，学校也会给予很多支持，大家申请社团横幅资源那些，原来都要交表，那可能就变成在我们平台上完成了。但由于刚才说的这些技术技能，其实更多是组织上的问题，它很难有后继。所以那个时候你会想：你完全脱离所谓的技术环境，或者整体的这些东西，去做一个更先进的东西，未必能够产生足够的社会价值。

当然。在那之后，Ruby on Rails 这个技术就越来越火，中间火了将近 5 到 10 年。我们那个时候是 12 年，在国内真的是很早一批吃螃蟹的人。我是 Ruby China 社区的 180 号会员。

我挺开心的呀。

我没有觉得我是天才啊。

对。因为你一旦想得更多，就像刚才说的，不追求精英叙事的话，那你就应该以能够影响更多的人这些事为荣啊。

某种意义上，北大天然也有这个环境。北大显然不是一个像隔壁那么精英主义的地方。

排不到前 30% 吧，大概就是 30% 的水平。

何必呢？别人都那么聪明。

对，不焦虑。但是我很喜欢在那个环境下做第一次做的事。比如说，我可能是北大引进的第一堂全英语授课大班课的助教，在里面经历了很多大家都没有机会在学校经历的事情。当然学校外的事就被我系统性忽视了，我几乎都没怎么出过学校。但是我在学校内，又帮学校做了系统，又办了社团，还带了一届从高中升北大的夏令营。因为我原来是通过一个信息竞赛夏令营保送北大的，所以我就跟老师说我想回馈一下，我也想当一次辅导员。真的运气很好，那一次招到的生源，是北大近 5 年应该是最好的一次，就是我当辅导员的那一次。那届辅导员里面有两个成员，后来在美国的时候变成我的舍友，分别在 Facebook 和 Google。我在湾区的时候，他们一直跟我合租房子。

对。我觉得本质上，你的社会实践的资产是你用时间付出换来的。有几分钱、几分资源换几分利，这个没得说，但时间对于很多人来说很公平，所以时间上亏掉了，就真的亏掉了。我自己在创业的过程中也接触到很多大佬，或者一些创业上很成功的人，我觉得他们也面临着某种人生体验的缺憾感。这个事情可能真的挺公平的。

我大学一次恋爱都没谈过嘛。所以这个必然会有一些取舍。

对，毕业以后就直接去哥大了。

对。北大的时候，我们是很少的直接选智能系的学生，因为当时人工智能属于冬天时间段，只有一些星星点点的苗头。我当时去的是无人车实验室，那是中国最早的两个无人车实验室之一。北大和北理工应该是相对最早的，后面国防科大、清华的这些才逐渐建起来。我们当时属于要在车上接路由器才能把车的系统搭好的时间点。现在就很难想象了，现在智能车的起步，操作系统已经全搭好了，ROS 这些东西都搭好了。但我们当时真的是从接路由器开始，从对时间开始，先看几台电脑的时间对没对。所以那个时候，我对整体机器人这些事情是最有感触和经验的，对激光雷达、对三维重建，那个时候也是知识背景最好的时候。后来在哥大，想也没想就去机器人实验室了，做了一个现在看起来可能还可以发一些论文的题目：机器人熨衣服。

那倒不至于。如果完全是扶着的话，那也发不了论文了。

倒不是。那是一个已经有点破产的机器人公司做的，叫 Baxter。Baxter 是最早一代给实验室用的人形机器人，它是立式的，站在地上，不太能动，只能面对一个桌子做操作。但它像一个人的形状，有眼睛似的传感器，可以在头顶上看这个衣服，它也有手，所以它确实能模拟一个类似人的肢体结构。其中难的问题之一叫 deformable objects，即可变形、可塑形的物体。到现在为止，灵巧手做演示的时候，本质也都在演示类似的场景：要么是炒饭，要么是叠柔性的东西，要么是熨衣服。但当时手上的传感器几乎都是没有的，我们只能纯通过它的眼睛和视觉，再加上深度、激光这些东西，来看它怎么操作。它是一个手没有任何知觉的东西，却要去熨衣服，这个问题确实挺难，因为熨衣服本质是一个非常吃反馈的东西。现在做的灵巧手，手上就有很多反馈传感器了，但我们那个时候只做一件事：看衣服上面的褶皱和结构，然后决定手怎么操作，完成一个刚性的操作，控制它是抬高一点还是低一点。所以这些问题的领域定义，在那个时间点就已经都出现了，虽然到现在发生了这么多技术变革。

我很感兴趣智能体和人、智能体和人的环境的互动，这是我很早就发现的 Multi-Agent 的东西。因为本质上，只有和人、和物体发生那么多互动，它才有那么复杂的问题和那么大的价值。一定程度上我觉得是很相通的：你要思考环境的建模，怎么去做模拟，再来构造系统，最终它是一个系统解决问题，因为单点上的一个算法是很难解决它的。所以我们那个时候讲多传感器融合、讲控制系统的拆分，就有点像现在讲模型的脑区规划、讲各个专家的配合。但是物理世界真的太脏了。物理世界的数据、反馈、信号，中间遇到的问题都太冗杂，它的噪音、它给你反馈的周期，都特别难捕捉到全套信息。所以我当时更大的想法是，去找一个我能把握的环境来研究智能问题，这是最有意思的。而当时的环境就像我说的，机器人手上都没有传感器，它怎么真的能感知到这些东西呢？这是一个极端困难的问题。如果你把这个事情迁移到虚拟世界、数字世界的角度，数字世界的环境在当时就已经比物理世界干净很多了。你在这个环境中再来思考人和 AI 之后会发生什么样的关系，本质上肯定是很有意思的一个问题。

我觉得一直都有啊。这种恐惧和游刃有余之间不矛盾：被挤出去的恐惧给你提供一个上进心的角度，和你的行动上不立刻变形，这两件事情是不矛盾的。当然从底层来说，如果相信一个创业能够成功，其实有投资人直接问过我一个问题：你觉得你是个运气很好的人吗？我觉得是啊。如果你有的时候不相信自己是运气很好的人，总是恐惧自己是运气差的那一个，那你就会是运气差的那一个。

比如说我保送北大的那个考试的例子。计算机竞赛可能是最关键的竞赛，我考了 310 分，分数线本来可能是 320。

满分是 400，一道题 10 分，所以差 10 分其实就相当于差 1 分，就是一道题。

一线之差。就看当时的阅卷领导老师，或者那一届 NOI 的情况，是决定宁缺毋滥，50 个人的名额只录 49 个人；还是决定把我们这些同分的、并列 50 名的 10 个人一起纳进去，那就一下超了 9 个人。可能就是这样的决定，最后让我得到了那次机会。但我的一个感受是，我每次经历这样的东西以后，它能帮助我在后续发挥的时候更珍惜。比如说有了这样的机会以后，我后续参加保送北大的保送生考试的时候，是真的非常非常努力且超常发挥的，很多老师都难以料到，我在语文上都考了非常高的一个分数。

这个就没有办法去比较了。

可能是的。当时的题目也正好撞到我的兴趣，我现在还记得，题目叫魏晋风骨。考之前我正好在背「阮籍猖狂，岂效穷途之哭」。所以我觉得，这些事儿一环扣一环：你有保送生资格，才能参加保送生考试，才能做后续的这些动作。你确实可能会因为珍惜这样的运气，发挥出更大的动力。我进 Facebook 的时候也是一样。我当时面试了三四家公司的暑期实习生。在美国，暑期实习一般是从前一年的 11 月准备到 3 月份左右。

对，因为不同公司的面试周期并不一样。

就是面试题呀，沟通方法呀这些。中间可以经历很多家公司，第一家把我刷掉的是亚马逊，很有意思。然后我所有面完一轮以后，面得最好的就是 Google 和 Facebook，更下一档次的公司我反而一个都没面好过，就是这样一个很奇怪的状态。

我也不知道，这个我就没法归因了。但事实上，我是我们那一批所有同学里面最晚拿到实习 offer 的，Facebook 是 4 月份才给我的，比别人的 3 月份还要晚。

对，因为我加面了一次。面试官觉得我在 borderline 上，所以给了我一轮加面。加面过后，暑期实习回来的时候，我是那一届实习生里面的 rock star，比其他人拿的 offer 甚至可能是 1.5 倍、double 的水平。所以你经过一次 borderline，在这个过程中，也许是出于珍惜机会，也许是出于知耻而后勇，我也不知道应该怎么形容，但你可能会超常发挥，而这个超常发挥就能帮助你跳上一个台阶。所以这种东西和我们刚才说的幸运之间的关系到底是什么，我其实觉得很难用言语来形容。

对。本质上，很多时候，我在形容创业团队互相补充能力的时候也说过：有些团队天然就是出场前锋很强，上来就哐哐进几个球，但如果防守很弱，你会发现最后也被别人灌成了筛子，所以最后不一定能赢。但有些球队看上去没有明星球员，后卫却很扎实，你会发现爆冷的全是这种球队。

对，他打防守反击，就突然拿世界冠军了，世界杯经常是这样的状态。所以你就会发现，也许这就是生活的常态，没有什么坏事。

Stable Diffusion。因为我们一直是做多模态的。我最早在特赞，就是我上一家、设计与科技结合的创业公司，用包括 GAN 之类的前一代技术，给地产公司做地产的海报，那更多是一些元素组合，就是把元素图层拼接在一起来做 AI 生成，没有做变化。Diffusion 是我第一次真正理解到，用一个类似于热力学的原理，来实现现在大家会概括为信息解压缩的模式去做生成：你能够生成那么高质量的东西，而你的输入是那么简单的文字概念。再往前，我其实做过基于 Pix2Pix 的东西，就是给猫画线条、把线条变成一张真的猫的图的那个项目，那是俊彦和侯如佳一起做的，他们是我在 Facebook 的时候就开始合作这方面 AI side project 的伙伴。那个时候我就感觉，这个生成的质量怎么这么一般呀，速度也很慢。后面又有 GauGAN，又有 DeepSeek，这几波其实我一直在试，直到试到了 Stable Diffusion 这一波。从 Disco Diffusion 的时候，就是 22 年 2 月份，我就隐隐约约有感觉。它当时大概要 5 分钟，但你只用跑一个 Google Colab 上的脚本，就能出来一幅艺术性的图。当时是很抽象的艺术性的图，但那感觉已经很神奇了。我们那个时候用那个技术，给当年上海设计之都大会的开幕式做了一个类似艺术表演的东西：把大会的会标用 AI 生成的方式艺术化地渲染出来，绘制成花这些东西。

那是大概 6 月份的时候。然后 7 月份，我们就看 Stable Diffusion 本身的变化和它背后这一套技术的变化，当时逐渐意识到，something big 可能会发生了。再进去看当时 GPT-3 的状态，其实你隐隐约约已经知道，大概到 3.5 或者 4 的时候，它就完全是一个 total 的 monster 了，所以是应该认真看看的。因为当时我们也会看文字向的 InstructGPT，相当于 ChatGPT 的一个前身。所以那个时候我们很清楚地意识到，这一波技术一定会发生很大的变化。只是它的时间周期，从这三年来看，我绝对是乐观估计了。

它比我想象的慢太多了。它的慢更多体现在，技能树并不是往我想的角度去点的，它的技能树一直都是往突破上限去点的。

我希望是在每一个平台阶段都有普惠。就是我希望有更好的交替性：模型聪明一点，就更多人用一点；再聪明一点，就再多人用一点，这样交替着发展。那样的话，我们这种应用可能会活得很舒服。但前几年，最终大家投入和发展它的主方向叫做：我们让这个天顶星科技先突破，然后它就把这个世界的所有问题解决了。我实话实说，我现在也还是不信，但是我对于它能够突破上限这件事情的认知确实加深了。它在上限上能带来的长线思考，或者对 Coding 这些的影响，确实比我最开始预估的要深远。但是我仍然会觉得，现在这个角度上，整个产业的发展是很难受的、很畸形的。

当时我就开始思考内容的最重要的一个原理，我会强调它是一个解构和重构的过程。解构和重构，用现在 fancy 一点的话来说，你也可以理解成解压缩和压缩过程的另一种表述。比如说，一个好的内容生产线要怎么组织？就是去找不同的人，贡献内容层面上不同的技巧技能，把它们串成一个协作流程，最后产出最终的结果。从一个具体的内容来说，文字我们经常说要推敲、遣词琢句，每一个字要变化。所以其实任何一种模态的内容，就是一个积木拼出来的东西。改变一个积木，就改变了这个内容的一些属性，可能某种意义上让这个内容发生天翻地覆的变化，这个东西是变化敏感的。要不然就不会存在推敲字句：推敲字句之所以有那么大的影响，就在于你改变一个小的字，就让整个诗发生那么大的变化。所以内容对于解构以后再重构的敏感度是非常高的。任何一个内容产业，在数字化时代都一直在寻找怎么重新解构各种内容，再重新组合拼起来，变出一个新的东西。抖音就是成功地把音乐、随拍和卡点剪辑这三件事情拼了起来，至今它们仍然是短视频时代最关键的几个控制生产要素。换句话说，你去问抖音剪映相关的团队，就会有这几个组织：它会有音乐的 org，会有剪辑特效的 org，会有面向随拍和素人发现的组织，因为很多随拍型的达人，就是创作者最早的库存。

当然。因为所有最终的技术组织，跟这件事情是非常相关的：内容做到最后，是和工程的逻辑紧密结合的。工程学上我们一直说康威定律，即组织和技术的分工相匹配。你这么分几个团队，这几个团队分别治理某几块技术问题，最后再形成协作，这两边要严格对应，这个组织的效率才能提升到比较好的状态，因为人的通信频道原本就很受限。这件事情在内容上，又需要跟刚才我说的生产要素的匹配和拆解紧密联系。所以我们才有机会说，只要重新解构和重构一代生产线，就有机会重新做一代平台，因为原本的平台组织惯性很大，它很难调。所以本质上，我们在追求从一代内容到另一代内容的过程中，一定在寻找我刚才说的这种结构变化。

再回到为什么 Stable Diffusion 让我们那么兴奋：它的结构发生了显著的、从图像到概念作为新的积木的变化。比如我原来最早做的画猫，你至少需要一个线稿，也就是需要一个以图像化描述为主的方式；或者你原来做一些漂亮的图，比如我前面说的地产海报，你是用多个图层去安排它。这其实还是在用图像组织图像的角度来组织视觉，没有通过文字和语言编码来组织视觉。一旦出现以文字的方式来组织视觉，最大的第一层变化，就是它的重组速度和重组的可能性发生了两个数量级的影响：你可以非常快地变化 prompt 之间的碎片片段，同时可以非常快地验证这个结果，验证大家喜不喜欢。从营销的角度来说，比如我们当年研究 Adobe 怎么抽象化营销这件事情，他会把它概括为提升内容速度，content velocity，就是提升从有一个粗略的想法，到这件事情被市场检验、能打动人之间的时间速度。只要一个组织能把这件事情做得更好、更强，它就是更好的内容营销性组织。

是的，我们都会称之为原子积木级别的革命。因为你的原子积木重构以后，才有机会发现这里面新的生产者，或者说最重要的潜力创作者，而这波人是帮助你成功的最重要的伙伴。

Components，我们说那一代叫组件。

你哪怕只比较 Component 和 Template，就是比较 Figma 和 Canva，你就会发现它们中间虽然交互上有非常多的相似，但已经发生了变化。当用 Canva 之类的 template 的时候，所有人的习惯是先找一个 template，然后以单人为主的方式在里面改中间的很多东西。但到 Figma 的时候，很多时候天然就是每个人都在一个共同的画布上往里面丢东西。

这就是 component 和 template 之间的显著变化。

对，因为你都会发现新的人，他们在这件事情上反而比原本那个产品体系里的人更擅长。而跨模态的变化，它的影响更大的点在于，比如我自己就深有同感，我是一个视觉具象化能力比较差的人，所以当你想要用视觉传达的时候，这件事情是很痛苦的。因此，能把从文字到视觉之间的 gap 填平的这块积木，是非常非常宝贵的东西。当然，你现在回想，那个时候压根就没有现在这一代，像 Nano Banana 就是大香蕉，和 GPT 最新一代这种指哪打哪、排版文字都很好的图像模型，完全没达到。所以这一点上，我们当时对那个技术的乐观程度真的是有点太过于乐观了。

因为新一代的机会才是我真正想做的嘛。因为它有面向消费侧的机会，有真正改变内容结构的机会。

没有。这件事情，在我回国的时候可能就已经选择过一次了。我回国的时候薪资就降了 30%，跳到创业公司可能又降了 30%。我是工作第三年的时候工资最高，自己创业开始就是拿基本工资的状态，就是一路降下来的。你可以说是因为我工作三年的时候，那个钱来得太容易了。没有那么夸张，但你可能也能感受到，现在学机器学习的人一进大厂拿了那么多钱的那种感受，我只是对那个感受稍微弱一点。但我在 Facebook 时的薪资，包括想要留我的 retention offer，跟当时的 peers 比，可能都是其他人很难想象的。我当时确实有很好的不离开的理由。

差不多吧，可能更多。

对。我其实在那个时候就在想：如果你在那个环境下有这么好的 payment，有那么好的 career path 和薪资回报的数学期望，从理性的角度来说，你是不应该选择任何其他道路的。但是在那个时候，我其实就思考了我们最早开始讨论的问题：体验时间其实是最宝贵的资源。真的，如果你顺着那条路，在大厂一路体验过去，老实说，我觉得留在里面的很多人，到了一定时间，他也会觉得自己在骗自己。他在一个虚拟的游戏竞争市场上获得了很高的排名，但他因此放弃了去尝试很多机会、很多游戏的可能性。

人生体验丰富度。我确实相信，越来越多的人在接下来的时代会选择这样的东西。

我当时最后悔的就是没有去字节待一年再出来。

因为那样估值更高，没去的话，资源可能就少很多。我觉得我去拿一个所谓现在字节最好的 title，确实还是有机会的。但这个就只能羡慕了。不过我觉得其实资源越丰富，对于创新也不一定是越好的事，所以这个事，合适能做就不错。

资源越多的时候，你天然想要解决的问题更多。创业也要考虑聚焦度的问题，因为创业最难的问题之一，叫创始人自己的关注度分配。我觉得很多拿了很多资源的团队，最终变成了基金、孵化器：创始人自己的精力没有投入到单一的重点项目上，因为他太担心这单一的项目中间有各种问题了。

对，他天然就想再找四五个其他的、他能看得上的年轻产品经理小天才。

但是创始人的关注度是有限的。做任何一个单点创新，我觉得创始人不投入八成九成以上的精力在单个地方，这个团队是很难做好的。因为你有可能在跟另一个团队竞争：那个团队的资源虽然只是你的五分之一，但那个创始人 80%、90% 的精力都投入在研究那一个问题上。这个时候，我最好不要相信我花 20% 的精力就能打赢他。

有啊。我们很大的可能性会做图像模型市场这件事，就是比如 Liblib 这样类似的东西。在一个时间段，我们也看到了 LoRA 分享的机会。

对，那是我们训的第一个 LoRA，分享得很广。当时海外有 Civitai，国内的话，LoRA 的模型训练其实刚刚开始。所以确实，我们当时围绕那一块甚至有很多机会再往下发展。比如国内分享 ComfyUI 部署的一个核心平台 AutoDL 上，用得最多的镜像也是我们团队做的，别人默认就会打开我们做的那个 ComfyUI 启动器。但是，我们确实对于那个形态下能够促成的合作工作流不满意。

是 ComfyUI 的这种，包括 LoRA 的这种。到现在为止，这个判断准确的点在于：我既然在考虑直接基于概念做事，就是我们最早创业说的，概念就是积木，语言 prompting 就是积木，那我再把语言绑定到一个个那么重的单独微调小模型上，或者绑定上一些工作流，我这一波创业最大的优势不就没了吗？资产一下子又变重了。我的角度是，这个资产在这一代本来就是被解放变轻的，然后让更多有机会的人参与来贡献它。它的重量将来可能承载于它成了一套比如说世界设定的体系，而不是每一个角色都需要单独再训练一条模型。这件事情即使形成了一个分享的社区和平台，也不能帮助其他人真正加入我刚才说的那场变革。所以我们最后放弃了。

对，我们曾经因为看到了这件事情的 traction，你有短期的回报，也有短期很好的正反馈。

就在于那个时候，它确实能够 deliver 更好的效果。对很多人来说，在当时要解决生图能力的突破、上限的能力，只能靠这件事情，只能靠这个技术。

我们没有真正投多少钱，只是可能疯狂地围绕着它做了很多的技术和设计。

可能就半年吧。比如我们甚至为这件事情考虑过，它能不能直接做出漫画这些点。但因为它不是一个能够很好地社区化、打开人群的基本技术，所以最后就放弃掉了。

首先，我是这几个团队里最技术的，哈哈哈，我必须得这样自我标榜。本质上我们是系统论者，他们是比较典型的、商业化和玩法驱动的团队，这个我是可以这么归类的。所以我们本质上寻找的核心变量确实不同：他们会寻找在当前解决单点问题以后直接撬动的商业杠杆。最典型的一点就体现在，对于商业化层面的增长，他们那样的团队天然更敢做激进投入、更敢算账。

对，而且团队扩充的速度也比较快。而我们的话，如果刚才说的积木的问题没有解决得很好，我们就比较保守，或者说守我们自己的纪律。

这件事情很有意思的一个点在于，我本质上觉得，创业除了现金流的生死之外，信息流通的生命线也很重要。前两年，大多数死掉的团队，要不就是不守规矩直接猛冲，把钱直接打光。但有经验的团队其实不太容易犯这个错误，毕竟前几年整体资本环境也没有那么友好。更多团队在 C 端或者应用上散架，是因为信息断流。信息断流有一个典型特征：这个工具，我优化到自己内部去使用和理解，已经无法优化了，改无可改了，来来回回改，改到最后自己也怀疑人生。为什么呢？因为用户给他反馈的信息是浅层的。对一个工具，用户很难对你提出苛求、提出更多的想象。用户看到一个把图片做美的工具，他只会说，你就做得更美一点就好了，做得更清晰一点。

但这其实不是他背后真正的需求，不是最深层的需求。做得更美，比如说在一个做请柬的场景里，可能是为了让婚礼的仪式感更强，可能是为了让收到请柬的人更愿意来参加，也可能还有别的很多原因，我也不知道。但如果你是个工具，他只会跟你提：这个地方更大一点。

因为在社群里，他在交流的是这个婚礼怎么办。当他身处一个人群，大家在共同讨论，或者说有一个更深层次的交集的时候，他不可能只讨论让那个字大一点，因为那件事跟其他人无关。他在讨论的是：诶，你们也在办这个东西吗？是不是感觉接到邀请的人都不太愿意填呀？

这其实就是对社群冷启动最常见的误区。社群的最基本标准，肯定是网络连接数，就是人和人之间发生交互的次数。最浅的交互是点赞之交，深一点的就是评论之交，再深一点，是我用了你的东西。在这个过程中，大家的讨论深度会递增，共同经历也是很好的加深方式，比如共同一起看直播。所以你要制造的，是我们前面提到的 meaningful social interaction，有意义的社交互动，这就是连接边数的定义。如果你只是发布信息，然后我看，互相之间没有任何进一步交换的方式，那它其实构不成任何的社区和网络。

因为我们在做的时候就会关注，到底谁才是能够引导话题的人，或者说他们真正关心的话题是什么。比如他们关心不同的游戏，关心不同角色的设定，关心这些东西。然后你对这些事情要有很深的共情能力或者同理心，同理和共情，两者至少有一吧。

本质上，沿着 Feed 的惯性，所有上一代移动互联网产品经理可能都会想：Feed 是一个皇冠。粗想的话，Feed 也没错，因为内容的连续性这些问题，都可以通过推荐算法做得足够好来解决，就像你现在刷 Feed 的时候，可以先刷完第一集短剧，马上刷到第二集。但事实上我们发现，在创作和消费交互的这个题材里，对互动的强度要求更强，不能纯是点赞和评论，因为那样的话，你跟现有的其他平台没有任何竞争区别，对上小红书和抖音，你没有任何竞争力。而你一旦要求他们有更强的互动，比如做同款这些东西，很快你就会意识到，他们其实没有办法基于 Feed 来聚合。他们更像是我当年在大学建社团，他们基于话题来聚合。

我们很快会发现，大家用 AI 直接做故事还是不会那么好做的，但是他们做角色做得很疯狂。做角色和做设定的能力，听上去是一个至少更简单的、对自我表达的起步方式。紧接着来的，就是角色之间也能形成关系。当你塑造了人和人的时候，除非你自己塑造好多个角色互相过家家，更天然的方式是你和你的朋友一起过家家，因为这样大家出的力更省啊，我不用天天想那么多个。这个时候天然会形成关系：我的角色和你的角色至少是兄妹、姐弟、情侣，whatever，反派和正派。这件事情在社区里面是会自然发生的。

你可以发现，他们在交流的是：我们在这儿的时候，我是谁？你是谁？你会发现很快它就能一定程度上形成有效的社交反馈，就是有意义的社交交互。那这个部分，你就能把促成这件事的更关键的一些节点再提出来。

会有关系，这就是避难所的效应。

没错。你发现一个事情，反对的人越多，那底下暗地支持的人也越多，否则他们不需要一直喊反对。

其实很有意思。有一些人也发现了这个人群的机会，就是 OC、原创角色的机会，他们就觉得，要顺着这些人的意来做才是最对的：他们反 AI，我们就特意不放 AI 的图，只提供其他的 AI 功能。这个事情其实很奇怪。从我们的视角来说，你能够利用好他们想要找到新乐园的心态，先给他们提供一个更好交流的地方，这其实才是相对来说更容易的一件事情。而如果你纯粹顺着原本的人群，这个人群本身就是受限于会画画的人没有那么多，才形成了要画时月稿、要纯手画这样的文化和风气，那到底将来怎么完成破圈？或者将来怎么能真正适应 AI 给我们的生产力释放？

对。这里面很多人是真的没有耐心在早期看。比如说要对抗的一个事情是：你要不要在平台外直接引进很多的创作者？很简单的一个道理：如果你从平台完全冷启动的角度来说，你最开始争取到的用户，创意这些可能都是平均水平，就是一般人的水平。好，这个时候我们说要冷启动，第一想法就是，我找一批做得更好的人一起加进来。怎么找呢？去别的平台上找已经冒尖的人。

但问题是，这部分人既然在别的平台上冒尖了，他为什么要来一个更小的平台？好，那这个时候，这个平台就走上了一条路，叫我要补贴再把这个人拉进来。

我给他一些钱的激励吧。好，等到这个平台发现，七成以上合格的创作者全是从别的地方进来的，那这个平台还有什么自己的社区价值呢？

他们不会呀。因为他们本身在别的地方就能合格，而且那还是更大的地方，他天然甚至带有对这个平台原住民的歧视，因为本来你就是花了更多的钱把他们引进来的。

很快我就成为了这个平台上更高级的那一群人，高过那群不会画的人。

到这个时候其实已经失败了，但看上去数字很红火。这就是我说的，平台冷启动的时候，很多时候要尊重刚才说的社群的基本逻辑。当然不是说一直不去引入这些人，等平台大到一定规模，你不能都已经 2000 年了，中国还不加入 WTO 吧？这又是另一个时机取舍的问题。但在那之前，你可能面临的就是直接把整个市场拱手让人。你要看你自己内部的基建、你自己内部的原生创作者长出来的健壮程度、他们自己的自信，某种意义上你甚至要看看，自己班上的学生是不是感觉，诶，对，我也可以去比赛了。这个时候才有其他人进来的机会。

你其实确实可以用很现实的方式，就是逼他们出去秀一秀的方式。但你的屁股坐在哪里很重要：你是不是爱你最早原生的这一群创作者？你是不是真心欣赏其中一部分好的人？大家嘴上都会说我很爱自己社区的用户，但如果你的行为上做了我刚才说的那些事，那你真的够爱吗？这就是你的行为和你自己的表述之间有偏差。而一个公司在做这种事情上，我一直说 consistency 非常重要，尤其是老板想的东西和整个执行之间，一号位的贯彻是不是言行一致，因为大家总有更方便的方法来做的。

总有更方便的方法来做。所以最后如果这个点上没有控住，这个闸门一定会打开。所以本质上你会发现，如果选择做这些事情，这些很对的、难的东西必须得坚持。但从另一个角度来说，很多人就会开始 question：这个时间值不值得做这么难的一件事情。

当然会有。反对的人，过程中有些就会离开，这也很正常。但你既然选择做了，就至少要保持我刚才说的，让一部分人能够很好地欣赏这群用户的能力。

所以这个点上你会发现，对技术的估计，我们还是得非常踏实落地地回到它的发展顺序。这三年最终证明了一个很基本的道理：这一代技术对于平民普惠，很多时候没有做好准备。包括你刚才说的 prompting 的难度，包括更重要的，生成的时间和每一次生成的成本。生成是所有东西的基础。我们在移动互联网上的金标准，原来是 30 秒钟要让新用户看到第一个 aha moment，第一个惊喜时刻；现在其实是 15 秒钟。也就是说，你在小红书上点三次、看三个帖子，下一个推荐就应该准到让你有点惊喜。但在当前，生成一张好一点的图，用最好的模型可能都要四五十秒，光是生成的等待时间，就超越了一个好的 aha moment 的时间期待。而你纯靠最开始的消费兴趣牵引，就是用户只是看这些用户做出来的东西，那你显然跟大众社区之间是很难打开差距的。所以它的 aha moment 只可能存在于我说的生成的过程。这就极大地限制了这一部分人真正意义上的破圈，或者再给别的朋友安利、让别人入门的可能性。

最后你会发现，整个这个事情中的控制点，确实可能就是 AI 感弱的美图。就是大家可能觉得，有些图一眼 AI，而这些图看上去没有那么 AI，有很好的风格。是不是特别二次元其实不是最重要的，他只是希望有一种更独特的方式，让大家表达清楚自己。所以这点上，你只要能相对合格地、质量高地 deliver 一种让大家觉得不那么 AI 常见的美学风格的设定图，他就能够基于这个东西很高兴地开始。

迭代过 3 到 4 次大的版本。第一个版本，当然就是在一个小程序上直接一键做漫画。那其实是我们当时想的、技术设计还最复杂的产品了。

对，但是做不出来。做不出来有两个原因：一个是当时技术的限制，另一个本质上是故事这个要素很难补。一个四格或者短格的漫画，要补上起承转合的故事，本质上可能只能改写已有的故事、改写段子。

那个故事的要求，其实不下于编一个成语，尤其是分镜那些。

长一点的漫画也许容易一点，但也没有那么方便能变成一个故事直接传接进来。你回想再之前的漫画产品，很多也是像暴走漫画这样，让用户参与的方式是模板化的表达，然后再去做。所以当时我们就得想：要么是一部分人写故事、一部分人画，要么就不要搞漫画。

一部分人写故事、一部分人画，你会发现，要让他们直接在一个平台上配合起来，在当时的技术上也是不可想象的。为啥？语言模型完全没有达到那样的拆解、编程、结构化内容的能力，完全没有现在 Agent 这样的基本结构能力。那你要简化整体的问题的话，一个角色本身的塑造还是相对简单很多的。在这个基础之上，发生了我刚才说的，角色之间出现一些社交性的关系。再往后你可以清晰地看到，我们又尝试了一次把故事加进去，就是把剧本变成奇遇：我的一个角色，能不能穿越进一个已有的小说或者剧情。那是我们基于模型的变化做的第二次尝试，甚至引起了一些竞品的模仿。但那个时候我们就逐渐开始意识到，多模态的延迟问题太大了。最后这个需求的反馈可能会是：我们能不能在走故事的时候就别生成图片了？生成图片又要钱、又要等时间，很麻烦很难受。那我就变成纯文字了，纯文字跟星野、猫箱这些又有什么区别呢？

另一派用户会说，能不能别搞那么多剧情了，只给我一个固定的故事模板，我就想把这个漫画做出来。这两派人就完全分流了。但如果只做故事，我们又未必真的有那么多好的短故事，能给他持续做这样的东西。

所以你既不能让他边玩边做，也不能让他只做、做得很爽，这咋办？这个问题其实说明，本质上模态生成的延时卡点会造成很大的问题，会让这个体验始终限制在偏有耐心、又有自我驱动创作力的一群人身上，非常窄。

所以在那之后，我们宁愿给更有创造力的用户打造更好的一些内容形式，来做新的实验。比如接下来我们可能就会直接引入 agent 的创作，引入一个叫捏捏的模式。它可能需要你更长的耐心，但你可以做出来一个小游戏、一个小的互动作品。当时有一个流行了很久的作品叫 Sakana：一个角色，下面是个弹簧，你拨弄一下，角色就在那摇，太可爱了。

用户自己模仿这些东西，就会往这个角度来做，因为天生也有这样的文化氛围。他的角色，他就想做成周边嘛，数字谷子也好，这些角度也好，他自然能想得到。

你只要把新的模型交给他，就会发现这方面他还是能持续给你惊喜的。只是他需要的时间越来越长，消耗的整体 token 越来越多，直到某一刻你会发现，我们原本大部分的普通用户，可能未必付得起那个钱。顺着刚才说的，模型越来越贵、能力越来越强，确实你能看到越来越惊喜的结果，但结论就是，原来更大众的用户反而更用不起了。

重点是我们做这个假设的时候，就不预期直接通过他们来做那么强的变现。我们假设的是一个流量足够、逐渐快速便宜的时代。视频可以通过手机流量免费看，这个时候才有抖音。如果流量一直停在 2G 时代，抖音这个 APP、这个容器你说得再好，它也无法成立。

我说过在同样智能水平上，它肯定会降那么多的倍数。但事实上，第一，我觉得大家没有把资源都投入在真正加速它这件事情上。我做第一年创业的时候，就有 AnimateDiff 这个视频技术，是我和朋友一起参与过的一个视频项目。但你会发现，直到今年，视频也没有真正便宜下来。

对。这是其中一个别扭、但现在看起来也是大家某些选择正确的路径。只是这个部分会让偏娱乐向、整个 C 端以及更大众的场景，进不到这个环节。所以你可以说，过去三年所有的 AI 产品换代，本质是同一波知识生产者一直在追更新的东西。

某种角度上，确实需要生态上有应用能够告诉大家，这个地方将来的空间是无限的：将来你多少 Token 的库存，我都能给你消化掉。这种场景现在其实也没有找到那么多。一种倾向是往科学科研探索的角度走，那个感觉是可以无限制往上消耗的；但比如 Coding 可能就不是无限制的，大家也看到了这个趋势。真正有无限制趋势的，我觉得肯定是大众化产品带来的某种新的生活方式和需求。因为每一代技术普惠，肯定是打造出新生活方式以后，带来新生活需求的追求，然后引爆所有需求的上限和库存。否则你当年可能也很难想象，为什么我们要建 5G 基站？那个时候是很多人都 question 过的一个问题。所以这个点上，现在生态整体是瘸腿的：我们没有给出足够好的答案，但其他家给的答案可能更不及格。

我觉得可能接近了。一个视频在几分钱人民币以内：一个视频大概指 5 秒到 15 秒左右的一个片段，合理的质量大概指类似 Seedance 一代，或者 H3 现在的状态。这个点其实快接近了，因为海螺的新一代 H3 已经在逐渐逼近这个点。

我们的工程优化，更多是基于我刚才说的协作网络的角度来思考怎么优化，不是基于提升每一个人做的效果效率。比如刚才提到 Lora 的时候，如果我只是为了提供质量，那其实就应该把 Lora 的库存全部列出来，这样是方便的。但我们的特色功能，是用户把自己的一组词包装成元素，或者把自己的角色包装成一个别人可以调用的东西。这个东西更多方便的是，我的东西给你用。我们在这个层面上构造整体的系统：一个是为了资源化的供给，一个是为了交换性的供给。

其中一个元素，就是你要用别人很多的东西。很多人有一个习惯性的用法，就是在中间去做调色盘：去实验这个人的这个东西和我的凑在一起、那个人的那个东西和我凑在一起，感觉怎么样。他博采众长，或者说采风的时间是很长的，要在里面逛，看别人的东西到底哪些真的对我自己的塑造有启发、有帮助。

我不认可的就是指一句话生成。一句话生成其实是一个后验的、功能型的结果，就是你希望这件事情是毫无用户参与思考的一个方式。

但从目前 AI 的技术参与度来说，你会发现它的输入要在多轮中完成，才能持续和产物之间校准。你没有办法通过一次性的方式，表达清楚我很多的思路和要提供给你的所有信息。

所以这里面含人量的保证之一，其实就是要保证它有持续的多轮校准的过程。一句话生成，你如果极端一点来想，那将来其实就应该直接推测你脑子里在想什么，直接出来那个东西。

对，脑机接口直接出来那个东西。

但那件事情，从现在 context 的效率来说，没有任何一个空间和环境已经有那么健壮的上下文，来帮助它了解你到那么深。

当然。如果有如此健壮的 context、如此了解你当时需求输出的完整环境，那可能就会逐渐遇到很快速的这样的变化。

这本身是实验得到的结果，从直接的理论角度，其实有点难概括出它的理论。我们中间也会尝试，比如帮助他直接找到更多别人的灵感和作品。那帮助到什么程度，就会变成他觉得这不是他自己的了？只能通过逐步试探。因为这件事情最终，某个角度上我们说，创作者可能也在自我欺骗地思考什么叫我的表达。

绝对意义上的我的，在这个世界上也不太可能存在。因为你总归受生活的触动，又今天刷了这个内容，你的念头是碎片化来的。如果把所有东西都算上，其实没有一个东西最后真正是你自己想出来的。而且在抖音的时代，这点尤其明显：很多人自己想到的东西，都是刷来的。

他在纯粹被喂饭的过程中，逐渐对这件事情产生了一种逆反。当他意识到这个东西是被喂来的、自己完全丧失掉主体性的时候，他就产生了反叛。他会觉得，如果是这样子的话，我到底有什么存在感？我在这里面有任何的意义吗？他这么思考的时候，就会想稍微改变一点点东西。其实最简单的角度，就是你捕捉他想改变那一点点东西的行为，然后让他体会到。这样他就完成了你刚才说的意义的赋予，赋予了这件事情属于我的含义。

如果他过了那个临界节点，他之后可能就越来越少操作了。

所以这真的是一个实验科学。如果从纯粹的理论分析角度来说，可能任何一个界限都是合理的。合理到脑后插管：机器直接输入电信号的刺激，输出你的想法，全都黑客帝国了。到那个时候，你可能也误以为那是你自己的想法。

我们的产品实验可能真的至少几万级别吧，各种类型的、改一些小的调试。

其实你在迭代这些东西中，最重要的点就是理解这个需求的深度。这就是本质上为什么我们要创业来走这几年的路，而不是等这个技术成熟的时候再开始做。这中间的差别，恰恰就在于你在实验的过程中逐渐理解。当然技术一直在变化，所以视角也不是一成不变的。只是你在这个过程中，越来越深入地理解到：对于用户要体验自己的世界，或者这种人生价值的角度，做到哪一步算是过了，做到哪一步算是没过；哪一步是你应该尽可能减低阻力的，哪一步是让他必须参与的。所以你直接抄这个产品，很多时候也会抄错。因为你抄的时候，产品经理灵机一动，又做了一个体验优化，就把最重要的、需要保留参与的那个部分给干掉了。而另一个部分，背后有一套隐藏的算法能让阻力降低，你又没抄到，可能就抄了个皮。最后两个东西整个交互长得可能完全一样，但从最终我是否真的感觉在自我表达这件事上，它是南辕北辙的。

捏TA现在就是一个等待技术成熟以后，再把用户塑造自己另一种人生的幻想释放出来的社区。用户总归是有塑造自己新的人生和自己的世界，这样一种幻想的。

世界的角度，其实我们也是观察用户自己的语言。他可能会用社团、用企划、用各种其他的名字来说自己在干的这件事情，但用得最多的还是世界：这是属于我和我的朋友们的小世界。

本质上你会发现，现代的这些年轻人，或者再往后的时间点，他们有两个世界的概念。一个是现实的、物质的，跟现实生活分不开的世界观念：周围的环境、生活在什么城市，这些当然是离不开的。但另一个是数字的世界，它有很多抽象的理解方式了，比如一个世界就是一组 APP。对于一个天天在家里呆着的数字原住民来说，他手机上的所有 APP 就是他的世界。

外卖、网购、内容，所有这些东西加起来，他一生的时间、世界的观念和构造，都在这块手机屏幕上构成。所以这个空间场域，就又是他的一个世界。那在我们那个环境中，他们为什么会把这种东西也称为世界？因为既然它是一种过家家和扮演类的长期需求的延展，那它必然需要持续地进行社会化的实践。他在做游戏，在做自己的模拟，在丰富自己的体验，这就是我说的体验派的角度，那你肯定需要让这个世界长大。而一个人的自我认知，很大程度上来自于社会关系的总和。所以社交性也成了促成世界这个观念形成的最重要的催化剂。你没有社交性的时候，这个世界其实也长不太大，或者说比较速朽：你今天想一个世界，明天再想另一个世界。但一旦你们在这里面有了一层链接关系，我和你共同住在这个世界，它就有了持续意义。

而且迪士尼乐园确实很少有人一个人来。很少见有人去迪士尼乐园或者主题公园的时候是一个人去，就为了体验游乐项目。大多数人是为了共同经历什么东西的。

对，我们围绕新的这些 agent，也尤其关注上下文怎么被共享和传递。

上下文，就是下一代除了 Agent 加模型这个技术本身以外，跟 Harness 工程一起构成最关键补充的信息。所以我们经常说，只要你能补充越多上下文，那任何一个需求总归都能被服务得更好，不光是我们自己的需求场景。

但这个上下文，如果从我们刚才这个需求的视角，即一个人去体验另一个世界的经历，一个 fresh experience 的角度来说，关键的实体就是环境和人，环境和 avatar，也就是代表自己的角色。那上下文要么是携带在人身上的：这个人有一个角色，有自己的 role，也有自己的 characteristic；要么是写在场上的：你是一个什么样的世界、什么样的环境。当然写在人身上，可能还有人和人之间的关系，也就是关系、人、场。那我们思考这里面，从启动、或者说把这件事情将来整体做好来说，最重要的东西、或者说最容易开始的东西，其实确实还是场，场会容易一点。我指的不是完完全全从零到一，我指的是把这个东西建厚。建厚到一定程度，它对于多个人进去都有价值，不是那种我做一次就丢掉的东西。因为同样的一片场，可能跨越很久的时间、跨越很多其他的东西，它都有意义，都有可以持续产生互动的基础，它的持续性在最开始的时候就会成立。然后你只要把这个 context 的管理和治理先做得更好，后面的东西其实也可以带着，再做得更好。

比如说，如果你是一只空白记忆的龙虾，只要进到第一个场之后，你也会有了你的第一段记忆。所以这几件事情当然是互相影响的。

都同时存在于我们的实践过程中。因为我前面也提到，做角色本身对很多人来说上手是容易的，也会产生角色关系。但深到一定的程度，到当前 agent 的这个环境上，他们的整个构建行为出现了更强的趋势，当然能够参与的人数现在也收得更窄，那这个时候，场就变成了更关键的东西。

因为宗教总是会分流派的。一个场，一旦成为某种意义上很多人的圣地，它就开始分教派了。比如我们在 GitHub 或者之类的开源项目上，你真的很难说服对方，很难真正去做分歧的合并。

这个时候让大家能够分流，其实是一件好事。然后在这里面，更强大的一些中心化的产业还是会自然涌现，它不是一个无限分裂的过程。某种意义上来说，部分的分裂和合流，反而是促成它壮大的方式。比如基督教历次出现的教派，最后留下来的清教徒和新教这些，才造成了全世界这么大的影响。否则大家如果一直守着最原本的那一块地，可能就扩不开了。

目前我觉得还没有想得特别清楚，但它大概率不是一个一直刷刷刷 feed 的过程。它可能会有一些朋友引导你，或者有一些方式，能让大家在最开始的时候就体验到、感受到它的深度和质量，然后在那个时候你决定，你要花时间玩进去。所以到目前来说，碎片化的内容逐渐聚合成更重的东西，是现阶段比较符合技术要求的一个方向。

当时系统概括来说就是两派。一派是关于短视频到底怎么碎片化；另一派的力量，是关于怎么制造更 meaningful 的 interaction，就是更有价值的用户互动。扎克显然是更喜欢有意义的社交互动这一派的，很多功能都会体现在这。比如我们尝试做连续剧，为什么？因为连续剧大家会围绕它持续进行讨论，单个视频就很难。我们会做直播的评论弹幕相关功能，也是为了促成更强的互动性。反而对单点内容垂类的扶持，在那个时候整体是忽视的。但你去想，这种网状的、有意义互动的视频，跟被动消费本身就有一定的冲突，这是一个核心点。而从另一个角度看，它更适配的容器是 Group 和 Events：Group 就是群组，Facebook 上也有群组；Events 是线下活动。另一派的人在做这方面的尝试。

当时在视频上有意思的、我觉得现在看起来还会再有创新角度的，是一起看剧的 Watch Party。最近像牛奶这样的电影院，就是一个线下的 watch party，甚至是陌生人社交的。以前我们很难想象，以前只会有小范围密友之间的 watch party，现在已经到了公众场合，大家一起去一个电影院，来 go 个 party。

所以有些事情它总会发生，只是时机的问题。还有基于首映式、基于歌星演唱会的，这些事情你后来发现在视频号都发生了，所以这些是行得通的。它们跟短视频相比，有不同的时机成熟的阶段。在所有这些内容形式上，没有一定正确或不正确的东西，但你要找准它适配的核心角度。也许从另一个平行宇宙来说，当时 Facebook 抓住的第一波视频增长，是有一次的总统选举辩论，就是奥巴马那一次吧。那其实也是一个 watch party：所有人都在看 NBC 在 Facebook 上直播总统辩论。

当时的一个感受，其实也是 YouTube 才是最有活人感的地方。这跟字节一直照着小红书的有些地方做尝试，不是一回事吗？

这个问题就非常适合问字节：为什么到现在，图文小红书也没有做到那个程度？这里面我觉得还是跟用户最早的种子和网络结构持续相关。最直观的感受是，你去 YouTube 的线下大会，能非常强地感受到每一个创作者在里面促成自我表达和自我成长的一种轨迹。用国内大家更熟悉的感受来说，很像 B 站百大 UP 主。这个感受恰恰是 Facebook 最羡慕的。但是 Facebook 视频生态的根基是猫和狗视频，就是大家最常见的 UGC 内容。因为它最早可能只是，我和你分享一下我们最近的生活动态，那最有流量的一定是我家的猫和你家的狗，在任何视频平台都会变成这样。但这个事情对于创作者的成长过程，是没有那么大帮助的。所以这里面存在一个艰难的不匹配：最开始早期的种子，和后面的逐步扩开之间的不匹配。

再回过头来想，刚才那种真正促成有效社交的 Watch Party 这些东西，是不是其实更适配这样一个社区：大家抬头不见低头见的熟人社交关系。而另一个环境的那个场，也形成了它自己的虚拟赛博空间的建筑结构，它天然就不是那样子的一个空间。所以创作者和最早的用户共同塑造这个场的结构和形式，同时影响这个产品容器的结构，最后促成整体的分流。而一旦你特别羡慕对方的好处的时候，就往往是东施效颦。

是的。当你的用户的核心心智和场景已经比较固化的时候，你只能往边缘扩。不是说完全没有办法，但你要长出顺序，或者说它是一圈一圈、像洋葱一样的：垂类之间互相是有关联性的。我随便举例子，也许宠物离母婴会近一点，中间都是内容之间一圈套一圈、再往外长的过程。但你一下子看到那一边是达人秀，就想直接把它移植过来，这就很难。

Instagram 的向性其实相对来说反而近一点，它最早就是个 celebrity 向的，所以 Instagram Reels 的第一版叫 IGTV，它是个 TV，Television。本质上再往后走 Reels 的时候，它也能顺畅一些。反而 Facebook 的短视频生态真正起来是靠 Story，就是现在很多社交产品最顶上的那一排圆，点一下的那个。它最早来自 Snapchat，是阅后即焚的一种延展视频，本质上就是每日视频。那个功能是一直留存到还不错的一个状态。

我现在的角度是，从另一个角度来思考：如果不匹配的话，你反而可以先别考虑消费性了。因为一整个时代技术上消费性带来的变化，真的需要很多人一起努力，孤军奋战是非常难解决所有这些问题的。当年解决短视频问题的人，可能至少有十几二十个竞品，在同一个时间发明了 feed 流。所以这件事情当它出现的时候，只要大家一直还在赛道上，可能都会很快达成共识，看到一下就能感受到、看懂。但在没有看到那个状态之前，你大概就能推测出它有哪些属性：比如它的网络结构到底是更多变化的、更导向参与的，还是更希望被动看的？它跟这代技术之间的强关联在什么地方？这些属性在那个容器还没有真正成型之前，我们就能感觉到。这就提供了一个比较长的时间段，去捕捉优秀创作者。这里面很典型的例子，也不一定是个好例子：AcFun 和哔哩哔哩。最早的时候哪怕没有视频，AcFun 也能聚集到很会玩梗的文章区作者。那些作者的感受，其实跟原本会玩弹幕的那帮人的文化感受是很接近的。那一波创作者，最后因为更好的产品体验被 B 站抢走了，从我的概括来说，叫 A 站的体验太烂了。但实际上，只要你还有一个赛场在这个地方，你其实还是有很好的公平竞争的空间的。因为那部分创作者的忠诚度很高，还是很喜欢你的，因为你是陪着他们真正成长的一代人。

总得试吧。

不是的。第一，你在所有的东西里面混合一些更多元的内容，问题是不大的。本质上视频中间插入几个作为点缀，就像一堆视频里面也有直播间一样，它还好：对你来说是某种调剂，对整个生态本质上是有帮助的。这件事之前他也干，就是给你分发一些玩法模板，比如测测你的广东话标不标准的那种拍摄。那些是抖音的特效团队特意做的，本质也是交互玩法，只是通过摄像头来完成，没有用现在的这些游戏来完成。所以它本来就会定期插入或者混排这样的东西，来提供功能性。但一个完全是这类内容的 feed，逻辑就完全不一样了，那就不是一回事。所以回答你的问题：我觉得它可以分发，但影响不大，整体来说也不是对它这个问题的一个好的解答。

我的意思是说，他们对于这种轻型的互动既然能够很快分发，那相对来说，就更加挤压了一个只分发轻内容、做这种 feed 玩法的新平台把这件事情做成的可能性。

对，我觉得他们插入完全 make sense。

有可能，所有的答案里它一定都会有。但核心的点仍然是：这部分核心优质的创作者，是否在新的地方形成了新的供给和组织关系？他们能不能改变这个世界更多？能不能进去以后，产出我们刚才说的 fork 式的互动、大家一起在里面玩起来的结构？这些东西其实都还没有那么容易。而一旦他们全力推那件事，可能又变成了新一代的东施效颦。

你看，如果它就是一个很轻的试玩体验，那很可能大家会愿意在这样的 feed 中尝试一下、感受一下。但一旦进入一个更有要求的空间，或者说更想要表达自我、代表自己的空间，就是我们现在也在处理的个性化的世界构建这个领域，那它原本打破沉浸感的问题，在 feed 中就很容易暴露出来。所以这里面一定是没有很好地解决整套问题的。最接近解决的，我们之前也讨论过，是不是更像游戏平台之前做过的一些尝试？

可能也包括像 Roblox 之类的这样一些分发的尝试。但你会发现，在外面看这个世界的窗口，和进去玩，它的分界线还是非常明显。这也意味着他们在这个模式下，离 AI 原生的体验还有一些探索的路要走，没有达到我们前面说的，把实际交互和创作的体验融为一体这样的基本要求和标准。

对，Roblox 肯定是最容易看清楚这件事情长期走向结构的一家公司了。但是组织上，他原来在解决什么问题，可能现在还在沿着那个惯性继续解决。因此他可能觉得，我这边有 3D 的世界编辑器，我还是要用 AI 来直接做更好的 3D 世界生成。这些惯性从长期来看，有可能是负资产。

孤独是其中一个问题吧，但我更多概括为：用更短的时间获得更丰富的体验的问题。因为人活久了就会无聊，活得不够就想长寿。所以他要么希望延长自己总的时长，要么多开 session。从现阶段平民也可参与的角度来说，可能多开 session 更现实一点。

对，这里面最大的第一个问题就是，为什么一定先要套一个单模态？我们最近对这个问题做了非常重的内部反思和批评：在单模态层面上思考 AI 本身，其实完全违背了这一代 AI 软件的第一性。这一代 AI 做的所有东西，都是可塑性极强的。说白了，核心的交互界面模式，可能都是用户在现场给你搞出来的：当下他需要一个什么样的界面、什么样的体验，他当下通过指挥 AI 就给你形成了。这样一个可塑性软件的概念，大概四五年前就有人提出，最近又有人提出，像 DeepSeek、Harness 这种是一种可塑性的操作系统。从这个可能性来说，你确实不应该优先理解它的固定界面是什么。你可以说它的底层都是命令行和语言模型，叫 AI 或者 LUI，但再往上，它总会长出类似 GUI 这样、人和它交换信息更方便的一些体验。这个体验的部分，现在是非常多变的，very versatile。所以很大情况下还有一种可能性：它是流行性的。当我们发现有些东西这么容易可变的时候，对刚才那种思维最可怕的反击就是：如果它有流行趋势的变化怎么办？假设你把它做成一个固定的形态，衣服只有这几种版式，那说明你一定错过了最大的那个机会。因为现在所有人都知道，衣服的流行性变化，才是驱动整个服装产业最大的变量之一。所以当它的形态已经变成可塑性的时候，你还说它是某一个固定的东西，这个事情本身确实有点违反这个技术的第一性。

而现在，可能是上下文限制了用户参与到什么程度。如果你提供足够丰富的上下文，我们做一个最极端的假设：你的眼镜和你周围的所有外设，能够记录你真正所有的上下文。我们在科幻电影中看到的最常见的想象是什么？在一个 MR、混合现实的环境中，眼镜上的界面随时根据你怎么移动眼镜和方向，来展示对应的界面。这个能力背后显然是 AI 可以赋予的东西，某种角度来说它甚至先于 AI 眼镜已经成熟了，只要实时性达到。我看着你的时候，就形成对应这个时候的 UI，而不再是原来大家想象的，我看着你的时候打开了这个 APP、看着另一个东西打开另一个 APP。那可能是上一代我自己天然能想象到的科幻。这一代你应该天然想象到的是：我看着你的时候，AI 现场给我搓了一个跟我们现在对谈场景相关的 APP 界面。这个界面的形态就非常多变：我同样面对的是人，对谈的对象不一样，这个 APP 的样子可能长得都不一样。

从更内容的范畴来说，我们自己看，这里面比较稳定的定位坐标是人和世界主题：我是在和什么样的类人主体打交道，我是更多被动地欣赏他、看他、了解他，还是来跟他互动？我是观看这个世界发生，还是想参与这个世界发生？这个角度它就变成了一个四象限：一轴是互动度，另一轴是以关系驱动为主、还是以环境驱动为主。这是我觉得比较合理的一个 AI 内容的框架和范式。在这里面，看你要优先解决什么，我们显然解决的是以世界为主的、以互动为主的、有参与度的这方面的东西。

你说的是被动看的最有价值，还是主动参与的？

确实，因为它是给 AI 赋予了极强能力的一层。而被动地只是看的这个部分，从抖音这个产品形态的视角，现在已经被解决得过于好了。

是的。本质上你看抖音，最常见的就是口播内容：你在观察一个人，他在给你传信息，这是被解决得最好的场景。逐渐有一点 AI 参与的，是 AI 短剧，也就是你在看一个新世界，这个东西在被部分地解决到更好的状态。

对，我们做过一个成本假设分享。长期来看，大家一定都是往右下角迁移的方向。

对。从参与这个世界的角度，那个内容的形式，我们目前看起来甚至很难说是单体 APP 的范畴能承接的，它就是动态的组合，由一种类 APP 概念的界面来承接。这才是一个可塑的、把这件事情抽象完整的东西。

一类人只能做一类事。我们永远不太可能成为那个在商业化效率上直接驱动整个团队的公司，所以这件事情现在想起来，它也不会是一个后悔的事情。从我们的信念来说：要么这代产品对大家的影响并没有大家想象的那么大，which 我们当然是不相信的；要么就一定相信，它仍然需要很强的技术和产品理解的创新，才能带来这么大的变革。而只做以商业模式为主的效率提升和变现，是不能帮组织锻炼前面这些能力的，所以最终其实也未必能做出来真正更新的产品。

我们这个组织从出发点来说，想做成什么样一家公司，达到什么样的能力、文化，最后，它能不能让你开心地把它做一辈子？这个其实还是很重要的。最可怕的一件事情是，也许整个公司的规模和增长让大家都获得了短期的收益，但是最终成为了自己并不想做的那家公司。

这个事情我觉得倒是非常公平。某种角度来说，我永远相信，你如果没有往前走得足够好，那说明优秀的程度确实不够。最终这个事情是会有价值和价格的回归的。我们也要考虑客观的技术条件和环境，也要尊重商业和生意的本质。当然，我们不应该苛求的一点是：在这个方向上其他人都没有更亮眼表现的时候，拿一个完全不同赛道或者其他的视角来对这件事情做对比，这个就有点后视镜、过了的角度了。因为从我们三年前的角度来说，你可以很清晰地说，可能一半以上的模型从业者，也未必坚定地相信要做能力突破，而不是做成本降低。这件事情我是不会苛责我们自己和团队的。既然世界选择了这样一条走向、这样一条世界线，那前几年在我们这个方向上做产品创新的人，一定是会受压力的。做这件事的人承受的压力，和自己觉得这部分付出的很多创新努力没有得到回报，这个是正常的。

还好吧。我觉得相信我们的人可能反而确实越来越多了。可能就是希望大家，一起创业的团队，或者在这个方向的同学们，能够一起更多努力吧。因为如果本身 C 端场景、或者整个泛场景上没有打开足够大的空间的话，整个产业还是会有很多问题和疑问。

我总会说，到现在为止，也许矛盾爆发最激烈的，反而是美国数据中心旁边的那些居民。真正在付出最惨痛代价的，确实是他们。但我们最好不要弄到整个世界都变成，他们必须把数据中心砸了才能平息愤怒的情况下，才把这里面的很多问题解决，才想清楚他们将来做自己的东西有什么价值。总归而言，在这样子三体人降临的时候，大家是需要有方法自我闭环地逃跑的，并且能够让人类中你说的废人这样的一部分人，找到更值得做的一件事情的意义。这件事情注定也要跟这代技术本身发生关系，你不可能让他们逃避到一个不存在 AI 的地方去。

从我的视角，他就不会觉得自己被挤出世界了。人在那个时候，只是选择觉得在那个世界中我构筑出来的东西更有意义。所以那个时候，也许是各种各样我们说叫教堂的东西。

为什么会有这个？关掉。什么叫教堂？在之前，人类进入个人发展比较艰难的时代的时候，大家也会寻找更好的精神寄托和图腾。那个时候很多人会选择一起集资，为他相信的、自己很欣赏很认可的东西捐钱，建立起像圣家堂这样留给后人的建筑。那为什么虚拟世界和虚拟的空间中，没有足够多这样大家也能够建立起来的教堂？

这件事情本质上，只是我为了表达我存在过，或者我认可的神存在过，而做出的一个纪念碑和场所罢了。但它可能会支撑无数的人为之奋斗一生。而当下没有得到的经济回报，在那件事情持续的过程中，最终也变成了整个世界中最稀缺的东西：在现在的现实世界也好，人类的精神世界也好，它都是最稀缺的东西之一。

我不知道，也许吧。我们自己可能也有想要真正看见的很宏伟的东西。但因为我现在还有为教堂打地基、做施工队这么重的一些其他责任，还真没空想。

谢谢，聊了很久，开心。