[BidClub_]
高能量 · · 143 min

Vol.243 什么才是AI时代有价值的个体和公司:与张帆聊他的技术与创业思考

李翔张帆

AI & SoftwareConsumerCompany BuildingTechnical
Podcast ↗
TL;DR
  • 张帆判断,AI时代有价值的公司,要把模型能力与自己的业务闭环结合起来。 他用大约“50%的含模型量”和50%的传统业务描述这种结构,并强调比例只是虚指:前者帮助企业打败同行,后者通过供应链、服务和物理世界的连接,构成基模难以直接进入的护城河。但既有优势也不会自动延续,同行同样能用AI重开战局,“含模量不能太高,也不能太低”。
  • 真正的垂直智能,区别在评价标准独特,而不在行业标签或私有数据。 张帆以Bloomberg GPT为例:投入500多块A100、混合通用与金融知识训练,五项金融指标里仍有四项输给GPT4;如果评价标准是公共的,他判断基模最终会覆盖。企业的机会在于把自己经过验证的“边缘解”沉淀为能力,但独特还不够,“它还得是个正确的边缘解”。
  • 当生产不再稀缺,创造内容的人未必能留住价值,利润可能向分发和模型两端迁移。 按张帆引用的数据,今年上半年出现22万部短剧,成本降低10倍,能够回本的只有1.03%;他还称红果分发和Seedance模型各自约占相应环节80%的份额。他借此提醒,不能继续用过去的制作门槛衡量今天的竞争力:“我创造了价值,不代表我有价值。”
  • AI对商业模式的影响,取决于能力提升能否跨过数量级,而不只是节省一点工时。 张帆用旅游举例:沟通从5小时缩短到3小时属于提效,缩短到3分钟则可能改变客群、获客和服务链路;如果定制游生产成本下降一个数量级,原来5万元的产品才可能下探至5000元、甚至2000元。这些都是他提出的情景推演,突破口是让个性、自由和低成本同时成立。
  • 元理智能押注的是把企业独特业务转成持续学习的数字员工,并让这一过程可以规模化。 张帆希望把通用智能转为企业专属智能的效率提高100倍,交付能独立完成部分任务的Autopilot;公司近一半人员做研究,客户服务与落地人员不到四分之一。他称交付自动化程度已从早期手工推进到约70%,并估计明年Q1有望达到95%,核心主张是从“为知识建模”转向“为学习建模”。
  • 张帆更看好价值直接可见的中国To B市场,同时反对把复杂业务结果简单写成分成合同。 他区分“中国软件不好干”和“中国To B不好干”:广告、人力服务能卖出去,是因为老板容易算清投入与产出;AI若直接承担劳动,也能拿转化率、人效与人工比较。定价上他倾向按能力与消耗量付费,避免供应商想查清利润、客户不愿披露利润的对立。
  • AI是泡沫还是革命,在他的框架里取决于资本开支能否穿过通往业务价值的“堰塞湖”。 张帆说,团队查看标普500、沪深300企业及同行指标,尚未看到普遍而明显的结构性分化,因此没有把未来推演说成已经发生。离开智谱重新创业,是因为他认为通用智能竞争已进入后期,下一处被低估的机会是把AI嵌入真实业务;与此同时,企业专属模型能否以几分之一成本、更快速度完成独特任务,仍是需要兑现的方向。
  • AI缩小的是微观操作差距,放大的可能是判断、选择和验证的差距。 张帆认为,生成图片、制作内容等能力会成为公共下限,人的价值转向定义问题、提出独特假设,并连接真实世界获取反馈。他招聘最看重聪明、好奇和清晰表达,把组织比作集群:节点减少、单个节点要求提高,连接带宽更重要,“AI的思考深度跟你的思考深度是成镜像的”。
Digest · the substance, structured for research

1. 他经历过一轮AGI落空,因此不把技术热潮直接等同于兑现

  • 张帆的起点是南开计算机专业,随后赴法国巴黎十一大学习人工智能。选择法国的理由很朴素:不收学费、能看不同的世界,还能多学一门语言;实验室主要做机器翻译,他认为当时欧洲与中美在数学、算法上的差距,没有今天这么大。
  • 对李翔提出的“教育发达为何没有同样高的人才密度”,他的回答是两者正相关,却不必然对应。谈到DeepMind,他也保留了一个反问:虽然创办于欧洲,但如果没有谷歌这样的美国体系,能否走到今天的强度,他并不知道。
  • 2010年回国加入搜狗后,他做查询意图理解:用户搜“清华大学”,究竟想找地名还是百科,系统要判断并结构化呈现。搜索和推荐是当时的热门方向,NLP研究者关心的核心问题,是机器如何理解人说的话。
  • 2012年前后,Siri让团队重新兴奋,规则方法和Word2Vec带来了奔向AGI的想象;到2013年底、2014年初,方向却开始显露局限。头部需求容易分类,长尾越细,类别越爆炸,甚至出现创业公司靠真人接管服务的情况。

2. 大厂的战略选项,可能是个人职业生涯的全部

  • 从搜狗去腾讯,张帆最初追求的是更大资源:既然认同人机对话和AGI方向,更大的平台似乎更有机会完成它。他记得搜狗的研究氛围很好,王小川技术理想主义很强,同事之间甚至“有点不太像公司”,更像学校。
  • 真正促使他创业的,是个人判断与组织战略的不对称。大厂可以突然认定某件事不重要,快速掉头;那只是几十、上百个尝试之一,对员工却可能是“你职业生涯的全部,和你自己对于方向的押注”。
  • 腾讯相关业务与搜狗整合后,即使仍有不错的岗位,他还是想看看自己做主能做成什么。于是带两三个同事裸辞,在民居租约20平方米、只能放四个工位的办公室;融资、商业模式都不懂,就开始做妙计旅行。

3. 妙计旅行想优化整个行程,而非找到最便宜的一张票

  • 第一次创业的灵感来自他自己的欧洲旅行:一个多月、花约1万元人民币,去了十几个国家,靠火车通票、住在车上和极便宜机票降低成本。他由此觉得,当时旅游搜索离算法意义上的最优解还很远。
  • 去哪儿式搜索是在北京到巴黎的一张票里比较供应商;妙计希望做“二阶的元搜索”。巴黎、马德里、巴塞罗那各住三天,顺序、日期、交通工具都可以变,搜索目标应是整段行程,而不是单个商品。
  • 复杂度是技术团队兴奋的来源:跨城市组合可达数千种,最好与最差价格可能相差几倍;一个地方玩五天、每天五个景点,仅顺序就涉及25的阶乘。他们相信,“人一定算不好,机器一定能算得更好”。

4. 宽松融资让产品很快长大,也降低了商业警惕

  • 妙计很快赶上“大众创业、万众创新”。团队做出一个Demo,输入需求后几分钟生成基于真实搜索的完整行程;还没有客户,就在几个月内融到1000多万美元。媒体称他们是闯入旅游业的“野蛮人”,他承认自己也随之飘了。
  • 张帆记得,投资人很少追问何时赚钱,更多是问钱够不够、进展怎样。当时资金覆盖的方向也比今天分散,很多很不成熟、彼此完全不同的小公司都能获得支持;在他看来,那可能是普通人创业最好的时代。
  • 今天的要求明显不同:投资人更偏好AI、To C、平台和大市场,创业者也必须从第一天想清商业路径、核心假设、优势和链条。他没有把变化简单归为好坏,而是认为双方都成熟了,创业越来越需要经验或某种特殊能力。

5. 数学上的最优行程,无法自动变成用户的购买理由

  • 李翔追问当年的机器究竟能不能算好,张帆回答:“完全可以算好,但有一个结果不等于有一个好生意。”系统可以少走20分钟、省一些机票钱,结果看起来天衣无缝,却不等于用户有能力判断它好在哪里。
  • 他观察旅行社发现,顾客常常只是说“我想去美国玩”,对方给一条线路,再补一句做了20年、某些明星也是自己安排的,顾客就信了。工程师努力把最优解算到小数点最后一位,顾客真正要的却是“心里安稳”。
  • 从数十亿组合中找前100名,是团队的技术目标;用户可能觉得前10万名都不错。旅游通常无法反复对照,同一个地方也许一辈子只去一次,多走10分钟未必能被感知。“从理想世界到真实世界中间有一个巨大的gap。”

6. 供应链和售后,把搜索引擎变成了服务商

  • 妙计最初不想碰供应链,觉得像搜索引擎一样接后端服务商即可;实际却发现接口极脆弱。欧洲铁路可能一秒只能接受两个请求,发100个就崩;每订十张票,还可能有一张最后被告知无票。
  • 完整行程是A、B、C、D串起来的链条,买到C才发现没票,前面的A、B便一起受影响。团队原来把旅行当信息问题,现实却有库存、履约和相互依赖:“物理世界其实是有物理边界的,是有供应链体系的。”
  • 更出乎意料的是,用户眼里妙计就是旅行社。铁路取消了,顾客会来问怎么办;产品经理只好查资料、打电话,六小时后告诉用户坐下一班即可。张帆由此明白,即使免费推荐、让用户分头购买,也躲不开结果责任。

7. 大模型能打通旅游两端,规划中间仍需要“计算器”

  • 对“今天的模型能否让妙计跑通”,张帆先纠正问题:他认为路线本来就能成立,失败更多在团队不成熟。旅游服务包含需求沟通、方案生产、供应链落地,过去的搜索技术只解决中间,两端仍需大量人工。
  • 今天大模型推荐巴黎、马德里和巴塞罗那,往往仍停留在信息层:不知道当天机票是否可买、景点是否开门、酒店何时入住,也未必真的检查过距离。他的类比是,不能把大模型直接当计算器,“旅游的行程规划本质上也是一个计算器”。
  • 李翔的追问是:只要数据接进去,模型不就可以给好建议?张帆反驳,展开日期、城市、交通组合,可能需要上千次查询,模型通常不会这样做,真做还可能被平台封禁;拿到数据后,也仍需按约束完成组合计算。
  • 线下服务的另一价值是兜底:酒店满房能换酒店,司机没来能换司机。穷游、马蜂窝提供攻略,携程承接购买、退改和履约,区别正在是否为结果负责;他认为AI能帮助需求沟通与供应链落地,但方案规划仍需要专门的计算器。

8. 好公司的“含模量”,要足够强又不能吞掉全部业务

  • 旅游经历让张帆对纯AI应用保持警惕。他举Jasper为例:十几个月做到约15亿美元估值、8000万美元ARR,却在ChatGPT上线约六个月后开始裁员;这说明真实收入也不能消除应用被模型升级覆盖的风险。
  • 他的判断很明确:“AI时代的好公司可能并不是一个纯AI公司。”纯智能能力容易落在基模射程内,基模本身又面临商品化趋势;应用若只是套壳或按行业切一块,未必能守住边界。
  • 所以他提出约50%模型能力、50%传统业务的结构,并反复强调数字是虚的。模型部分帮助企业在行业内建立竞争力,传统业务部分保留闭环与物理连接;但老企业也不能只因此欣慰,因为同行会拿同样的AI重新竞争。

9. 脑力扩张带来的,是颗粒度变化和更强的头部集中

  • 张帆把工业化理解为体力近乎无限、脑力仍稀缺的错配。标准化和分工都是在节约脑力:福特T型车多年只有黑色,流水线工人只需记住拧哪颗螺丝;今天平台把酒店压缩成房型、面积、含早等字段,也延续了这套效率逻辑。
  • 如果脑力也能扩张,供给就可能重新个性化,他称之为“颗粒度革命”。今日头条和抖音提供了先例:从所有人看同一份编辑选择,变成每个人得到不同内容;未来英语教师、旅游规划师、健康管理、投资顾问,也可能沿这个方向发展。
  • 另一面是集中度:过去90分服务供给有限,80分、70分还能靠降价生存;若90分服务可以无限供给,“89分跟60分就没区别了”。这是他的逻辑推演,意味着传统稳定格局可能被重新打开,而不是所有参与者一起提高效率。
  • 李翔指出,消费者刷红果、抖音很开心,导演、编剧和电影公司却可能很难受。张帆承认微观上有动荡,但相信会产生新机会;他用今天开滴滴的人多于过去赶马车的人作比,认为人机共生的新机制“一定会发生”。

10. 短剧说明,生产价值不等于占有稀缺价值

  • 谈到脑力、体力都不稀缺后企业靠什么,张帆先承认现实进展还早。团队研究过报告,也查看标普500、沪深300企业财报及同行关键指标,尚未看到AI带来特别明显的区隔;他不愿把推演直接说成普遍事实。
  • 边缘行业却已经出现变化。他引用今年上半年红果出现22万部短剧、只有1.03%回本的数据:一年前AI冲击横店,一年后短剧自身成本又降低10倍,大量供给涌入。“我创造了价值,不代表我有价值”,原因是这种价值不再稀缺。
  • 价值没有消失,而是向两端迁移:按他引用的数据,约80%的分发由红果完成,Seedance模型占模型端约80%的份额。中间制作环节看似产出更多,产业链地位却可能降低;李翔补充,横店转向游客付费拍摄体验,稀缺性也随之改变。
  • 他最担心的是人把模型能力误认为自己的能力:输入几十字Prompt生成游戏、软件,再用旧标准觉得自己很强。“凡是AI能做的事儿,你千万不能把它当成你的竞争力。”工具带来的公共水平,不能直接算成个人独有价值。

11. 可以迁移的是学习能力,而非某个行业的知识切片

  • 李翔追问,离开旅游后,积累的稀缺知识是不是就中断了?张帆区分经验记录与知识:好的Skill应从100个实验抽出共性,还能投射到未来100万个情境;只记住微观操作,在AI时代很快就会过期。
  • 他不相信“某一个固态的知识切片”的长期价值,更看重“学习的加速度”。进入新环境后,能否借已有经验迅速建模、抽象、举一反三,才是可迁移能力;只接触一类问题,也会像模型训练一样过拟合,需要多样性扩大泛化。
  • 去大搜车正是为了这种多样性:妙计最多200多人、不到300人,大搜车则有五六千人、数百至上千人的产研团队和十几条业务线。他从一号位转为CTO,观察新车、二手车、金融、保险、物流等业务,发现底层仍是供需和人性的逻辑。

12. 好CTO的锚点是业务战略,而不是技术排名

  • 对“什么是好CTO”,张帆认为技术最好不是答案。团队足够大后,技术分支太多,不可能处处最强;若一直追求这个目标,角色更像首席架构师。“好的CTO是要从技术视角解决业务战略”,技术是手段,业务生存才是落点。
  • 李翔转述邓康明讲王坚的故事:另一位技术专家解释云计算两小时,听者仍难理解;王坚用一刻钟,就让人理解为什么阿里需要云。这段对照让张帆强调,能否把技术翻译成公司应当做什么,才是管理者的关键能力。
  • 张帆又回忆马云、马化腾、李彦宏谈云计算的不同态度,强调自己讨论的是背后逻辑而非精确话术。若把云当技术问题,“新瓶装旧酒”未必错;若当业务问题,看到新生产方式才重要。今天老板仅想招个CTO解决AI,也可能犯同类错误。
  • 元理没有设置CTO,他解释为当前更需要分布式决策和快速协作。旧时代的带头经验可能带着旧印记,新人也可能提出不同视角;他希望团队独立判断、独立推进,而不是事事回到一个中央权威。

13. 携程的护城河,是用户与供应链互相加强的闭环

  • 李翔问,当年那批旅游创业公司有没有独立杀出来、今天仍活得很好?张帆的直接回答是基本没有,行业仍以携程、飞猪等OTA为主体。“凡是做过旅游的人,没有一个人会怀疑携程的护城河”,这不是技术产品体验单项可以解释的。
  • 第一层闭环来自自由行:用户要自由、掌控和便宜,携程接入全球酒店批发商,增加货源和选择;用户越多,越能接更多供应商、压更低价格,再吸引更多用户。品类和复购增加后,获客成本也能被更充分摊薄。
  • 第二层是让零散资源通过TTS系统进入平台,前提又是用户规模足够大,供应商才愿意录入。叠加筛选标准、广告、品牌和服务后,他认为在“旧地图”上提高一点效率,几乎无法攻破;旅游若有变革,需要换地图。

14. 新地图可能让定制体验与自由行效率同时成立

  • 张帆把携程的边缘解概括为“效率大于体验”,或者效率本身就是体验。它抓住千禧一代对自由、便宜的需求,以高匹配效率替代昂贵且不够自由的传统团;代价是行程组合、讲解与服务的深度没有被同等保留。
  • 他用好导游说明损失:有历史文化理解的导游,能带来完全不同的体验;线上若导游看起来都是一个价,专业投入又容易被低价竞争削弱。高端定制一直存在,只是贵,AI能否把定制变成核心生产方式,是他认为可能的突破口。
  • 对携程优势是否一定延续,张帆没有给确定答案。他说旧技术路径下闭环几乎无懈可击,但AI可能改变用户行为或供给;业内已隐约出现一些“种子选手”,仍很早,他不认为市场永远不变,也未宣布谁会赢。
  • 对中国二手车为何投入近百亿美元,却没出现携程式统治者,他反而明确说没有答案。虽然在行业工作过,也看到大搜车、瓜子等大体量玩家,但仍没听到足够共识的解释:“这个问题其实是个未解之谜。”

15. 元音智能的反共识,是小企业反而更适合数据驱动

  • 在大搜车,张帆见过庞大的自研数据中台:埋点、治理、数仓、指标、BI、CDP都做。十几条业务线却各有系统、语义和历史问题,统一数据本身就极难;这让他怀疑,大企业未必是数据驱动最好的基本单元。
  • 他的反共识是,小电商的数据条件可能更好。淘宝、京东、拼多多和有限几个ERP、CRM、投放平台都有标准结构,来源有限、Schema明确,反而容易集成;既有市场却主要把昂贵的定制中台卖给大客户,项目周期长、毛利低。
  • 2022年创办元音智能时,他们想预建约50个渠道连接器,自动完成集成、治理、指标与报表,再用自然语言查询,也就是后来常说的NL2SQL。目标是小企业一年花10万元,就能掌握数据并做决策,而不是再买一轮驻场外包。

16. 逆风融资让他承认,时代比个人成熟度更有力量

  • 元音团队觉得自己比妙计时成熟得多:做过CEO、做过数千人公司的CTO,团队完整,逻辑和Demo也准备充分;可融资时碰上上海封城,投资人普遍不出手,最后靠熟悉的朋友拿到大几百万元,明显低于预期。
  • 这次反差给他的冲击是,“个人能力的高低在历史大事面前什么都不算”。过去做语音助手、移动互联网创业、产业互联网都顺着趋势,他曾把顺利归因于自己;真正逆风时,才发现能力再提高,也未必抵得过环境变化。
  • 他把转折放在2022年10—11月前后:元音已有天使客户、流程跑通、准备融A轮,却又看到了ChatGPT和加入智谱的机会。一条路是继续包装自己的AI背景融资,另一条路则是完全放弃原项目,进入新的技术中心。
  • 张帆说自己想了约一小时,再与同事聊半小时,就决定把整家公司并入智谱,2023年2月开始共同推进商业化。“任何一个时代来临的时候,你都要到暴风的中央。”项目并不会被智谱继续做,这是一项真实的放弃。

17. 早期商业化首先是校正技术,而不只是证明收入

  • 为什么模型那么早就要商业化?张帆先给出内部理由:技术若不能尽早进入市场,反馈Loop可能从一开始就是错的。他反思,如果妙计前半年就买一家旅行社、或自己经营一家小旅行社,对市场的理解会比长期“憋大招”清楚得多。
  • 外部因素也很现实:OpenAI已有商业路径可学,训练又是极烧钱的方向,需要收入证明来支撑更多融资。他并不把自己定义为典型商业化人才,只是在团队里有相对多的技术管理与经营经历,因而接下了这个职责。
  • 邀请他加入的张阔原本希望他做To C,他却回答“To C我就不来了,To B我就来”,两人因此交换方向。他相信价值落地主要在企业端,但也承认早期国内没有参照,怎样定义新品类、让客户付钱,完全是在混沌里摸索。

18. 公共评价标准下,基模的覆盖能力会不断扩大

  • 李翔觉得,做终端应用、投流获客听起来并不复杂。张帆用模型打分回应:60分容易,70分难10倍,80分再难10倍,90分还要再难10倍;Demo与行业第一是两件事,聚光灯和大厂资源都集中时,小体验缺陷也会改变转化。
  • 他把To C称为基模的舒适区,尤其担心拥有流量的基模公司。李翔提到Kimi曾在增长上被视作标杆,后来又被豆包卷回去;张帆回应,力量太强,不要跟势抗,阶段性逆势未必改变终局。
  • 他给出更底层、也更武断的判断:“所有一切衡量标准公共的东西,我自己认为AI一定会通杀。”Bloomberg GPT是他的主要例子:500多块A100训练几十天,一半通用知识、一半金融知识,五项金融指标却有四项输给GPT4。
  • 私有数据本身也未必构成边界,如果数据仍来自公共分布、好坏标准也相同,基模可用数学、Coding等其他能力举一反三。垂直智能的“垂直”,因此不是金融、法律这样的行业名称,而是评价目标是否真的只在特定范围有效。

19. 边缘解来自价值取舍,不能由一个公共答案同时满足

  • 张帆用乔布斯和马斯克解释独特标准:前者可能从人文与科技、极简出发,后者可能追问物理成本极限、是否好10倍。两者都不是公共共识,也不能要求一个答案同时完全像两个人;企业同样需要自己的判断边界。
  • 旅游里,机票价格、景点开放知识是公共的,高端定制和大众跟团的产品标准却不同。客单价10万元以上的客户可能看重独特文化体验、住所有历史感、节奏悠闲;低价团则更重价格和密度,甚至追求四天走五国。
  • 差异还会延伸到导游、供应链、付款、退款、航班、舱位和时间段。即便都做高端,一家公司偏滑雪主题,另一家不偏,也会形成不同标准;公共模型能提供知识,却不能替企业消除这些取舍。
  • 李翔举海底捞与巴奴,一个把服务当核心,一个强调“毛肚才是”特色。张帆补充,封闭的iOS与开放的安卓、第三空间的星巴克与追求效率的瑞幸,对立面也可以都是好生意;伟大企业往往“信了一个别人不信的东西”。

20. 独特只是起点,边缘解必须经真实反馈证明有效

  • 李翔没有让“边缘解”轻松过关:多数人既难独特,又难恰好匹配用户,这岂不意味着AI时代更难?张帆承认条件苛刻,“边缘解只是条件之一,它还得是个正确的边缘解”;非要做“宫保鸡丁味的咖啡”,独特也卖不掉。
  • 企业家的工作有两段:大胆提出假设,再连接物理世界做实验、拿反馈、持续修正。他用星巴克开100家店作示意:20家失败、50家一般、30家很好,才能进一步理解什么选址、菜单和营销真正支持第三空间。
  • 应对头部集中,也不一定非得发明完全陌生的行业。一个咖啡馆全部摆Hello Kitty,也可能吸引特定人群;张帆借纳瓦尔的说法强调,“你要无限细分你的赛道,直到你成为世界第一”,不够第一就继续细分。

21. 企业采购AI,三年内从买安全感走向买业务指标

  • 第一阶段是2023年前后的焦虑驱动:头部企业担心错过,找模型公司合作或自己组队训练,先买一张入场券。当时榜单上大量不知名中国模型排在前面,OpenAI甚至进不了前两页;在张帆看来,这一轮投入并不够理性。
  • 到2024年年中,客户开始要方案和技术指标,例如客服回答效果提升多少。智谱因此补售前、交付团队,进入企业做落地;模型不再只是情绪价值,但客户主要仍在衡量某个产品或研发指标。
  • 2024年底、2025年起,消费品、咨询、工业等非技术企业进入,开始要求转化率等业务结果,供应商也要补行业理解和轻咨询。到今天,这一波仍在加深:客户想知道AI如何影响整个行业与战略,而非只解决一个单点。

22. 通用工具提高生产下限,老板仍要定义公司的独特性

  • 张帆认可WorkBuddy、豆包、飞书等产品,也举朋友公司用几十字Skill审核合同单据的例子,效果可以很好。但这主要是模型的价值:“它不会成为你的竞争力的上限,它是个下限”,因为竞争对手同样可以用。
  • 他说会议纪要快、表格处理快,很难解释一家公司的核心竞争力。企业若只是各写100个Skill,仍无法分出高下,模型一升级还可能让80%的Skill白写;第三阶段的下半场,问题应转为能否形成AI原生的战略和商业模式。
  • 需求强弱与行业类型未必最相关,反而常取决于老板。有的人自己投入时间学习、形成手感;另一些人花1000万元就期待团队自动用好AI、估值涨10亿元,张帆称之为“许愿式用AI”。战略不会因为投入资金就自然涌现。

23. 智谱的笃定,在于愿意把全部押注放在同一方向

  • 被问智谱的边缘解,张帆先限定:“我不太能替唐老师回答这个话。”但他的感受是唐杰极相信AGI;大厂可以观望,或拿十分之一资源试验,而智谱以及他从外部观察到的Kimi、MiniMax等,是把这件事当唯一方向。
  • “相信”不一定意味着别人没看见,也可能是别人不愿赌上一切。传统创业要求留18个月现金、不够就裁员;这一轮却有创始人主导的公司持续加大投入,美国公司也通过借贷等方式投Capex,承受资本市场质疑。
  • 李翔指出,二级市场投资人常认为有泡沫,一级市场与创业者更容易相信“这次不一样”。张帆回应,稳健经营在常规时代是长板,范式突变时却可能成为短板;他同时承认,这种判断最后也带有“以成败论英雄”的意味。

24. 离开智谱,是为了穿过Capex与业务价值之间的堰塞湖

  • 2025年离开智谱并不轻松:参与很早、共同投入很多,公司看起来也很有上市机会。张帆却认为,通用智能作为时代中央的竞争,已经来到战争后期;如果还想站在中央,就要寻找下一件事。
  • 他的判断是“AI很像电力,而不像互联网”:互联网主要提高连接效率,电力和AI更直接改变生产效率。电梯改变居住密度,空调改变城市生活条件;价值往往不是停在电力本身,而是通过嵌入现实活动不断扩展。
  • 今天Capex越来越大,人们体感AI有用,财报和组织变化却尚未普遍兑现,中间形成“巨大的堰塞湖”。在他看来,AI到底是泡沫还是革命,取决于能否穿过这道屏障;自己十几年做算法产业化的经历,恰好匹配这项任务。

25. 企业中心的智能路线,以效率换取对泛化的克制

  • 李翔追问,模型公司不也在帮企业落地,为什么需要另一家公司?张帆区分两种哲学:基模“以智能为中央”,相信模型足够强就能解决一切,因而把泛化放在第一位;但泛化的代价是成本和效率。
  • 他用“100多B的GPT-3”、几百B、2.8T、5T、10T描述模型规模的上升。让模型写PPT时,它还具备当爱因斯坦的能力,“爱因斯坦没有被激活的部分,其实是我浪费的资源”,企业可能承受不了这种通用配置。
  • 另一条路是以企业、场景为中央:在自己的小范围内追求更好结果,成本只要几分之一,速度快几倍,训练目标不再是Benchmark,而是业务价值。他相信无数垂直智能组合起来,也可能像人类分工一样形成群体智能。
  • 他不认为两条路只能存一条,却觉得前者已经被充分定价,后者还没真正开始。企业也需要自己的主权与安全感,避免被基模封禁、限流、降质或涨价;这与基模公司越来越少提供训练接口的倾向,形成了不同需求。

26. 元理希望为学习建模,把企业经验变成持续适应的能力

  • 张帆对元理边缘解的概括是:每个企业都应有专属智能,专属带来效率,而通用智能转成专属智能的过程,要通过自动化把效率提高100倍。这是公司提出的目标,不是已经完成的普遍结果。
  • 他把两条路线比作AlphaGo与AlphaGo Zero:前者用3000万盘棋训练出击败李世石的模型,类似基模对人类知识建模;元理更相信环境内的探索,“不是为知识建模,我们相信的是为学习建模”,寻找各环境自己的最优解。
  • 企业内部也应分层:投资公司的投资、编辑的写作,是高频、独特、有竞争力的部分,值得沉淀成自己的模型;合同审核、会议纪要、宣传图等若低频且没有独特性,则更适合从市场购买公共智能,不必全部自己做。

27. 企业应保有业务定义,把AI基础能力交给市场

  • 张帆借科斯解释边界:企业之所以在市场中划出一块内部组织,是因为内部交易效率更高;智能也一样。某个区域里,企业只有能定义出高于公共解的能力,才值得自己构建,否则就应该购买。
  • 他把黄仁勋的“五层蛋糕”拆开看,认为能源、芯片、基建、基模这四层应由市场解决。企业最该保留的是应用层里的独特智能与反馈闭环,例如星巴克从开店中学到的选址经验,换给全聚德就未必有效。
  • 落地分三步:先做业务建模,定义棋盘、目标与好坏标准;再把认知和经验训练进模型;最后接业务系统形成智能体。他预计后两步最终会平台化,“你可以理解为它是一个榨汁机,但是水果是你的”。
  • 李翔提出,越重要的职能越可能收回内部,咨询外包是否因此减少?张帆说“对一半”:外部从未完全替企业制定战略,咨询更像大模型,提供公共知识与方法论,放大内部思考;企业自己的偏好、问题和取舍仍不可外包。

28. 数字员工的生产单元,是概率模型加确定性流程

  • 元理期望交付的是能在组织里独立运转的员工。张帆认为,人本来也是概率性的:好的“幻觉”叫创造力,坏的叫失误或骗人;组织用流程限制后者、放大前者,而不是要求每个人的所有动作完全一致。
  • 他举空乘检查舱门的口令和动作作例:确定性流程防止遗忘。AI也类似,模型提供概率性能力,Harness作为配套的软件约束坏输出、组织执行;“人加软件”等同于“AI模型加Harness”,都是生产单元。
  • 因此,他希望AI在某些任务上成为Autopilot,而不只是Copilot。独立承担的任务越多、指标越高,单点生产成本就可能发生结构性变化,再延伸到定价、服务链路、上下游关系,甚至企业究竟做To B还是To C。

29. 从酒店拓展到定制旅游,数量级变化才可能重写市场

  • 李翔要求把交付说得更具体:如果携程是客户,到底买到什么?张帆回答,应先由客户决定替代哪个劳动任务,例如客服、计划调度或供应链,再拆开其中必须由人做的部分与机器能独立完成的部分。
  • 他用谈酒店举例:原来一个人能覆盖100家,借助AI能否覆盖1000家?初步沟通、报价与调价可以逐步分离;若整个平台从覆盖1万家扩大到10万家,价格调整也更频繁,就可能产生新的业务逻辑。
  • 另一条路径是把定制游下放。他猜携程此类产品可能需要每人约5万元才容易承接;如果人工生产成本下降一个数量级以上,价格可能变成5000元、再到2000元,便不只是内部提效,而是向自由行市场扩展。
  • 张帆把分界说得很清楚:五小时变三小时,叫提效;五小时变三分钟,客户群体、获客方式和长期服务可能都改变。元理负责复制客户的商业逻辑,至于偏大众效率还是独特体验,仍由客户自己的地图和标准决定。

30. 按效果分成可能制造对立,能力与消耗更适合定价

  • 对流行的“按效果付费”,张帆并不认同其天然合理。他设想同时服务同行A、B:A老实分一半利润,B实际只分20%却声称也是一半,A很快也会要求少付;供应商想知道利润,客户不想被知道,关系就被搅乱。
  • 他更愿把AI理解为劳动力、电力和能力的出售:买电炒股,赚钱不用分给电力公司,亏钱也不能向它索赔。客户购买能力后,可以直接观察业务表现,像招员工一样,三天发现不合适就停,合适就加大使用。
  • 因而他倾向按能力与消耗量收费,避免把多重因素共同造成的业务结果硬算成供应商分成。他也反思软件公司的三种惯性:不好卖就加功能、加人工、再免费;这些动作并不自动改善客户真实价值,关键仍是服务是否值得付钱。

31. AI应该按业务目标管理,而不是按每个动作验收

  • 很多客户仍把AI公司当软件公司,希望Day One就定义每个细节;但训练结果需要试验和迭代。元理因此选择体量足够大、老板理解AI且愿意花时间的天使客户,先对齐目标,再进入组织,否则旧标准很容易把项目带偏。
  • 张帆区分两种确定性:可以要求客户转化达到人工、甚至超过人工,但不应规定“问了A一定得回B,问了B一定得回C”。前者是目标管理,后者是在排列所有规则,最终会丧失弹性;AI更需要训练、激励和边界。
  • 软件改造常试图把十个步骤各提效20%,结果必须让人学十套新动作。元理更想找出其中两个步骤,100%交给AI,其余八步仍由人做,减少交互与习惯改变。“所有的管理都是通过限制个体效率来提高组织效率的”,他认为AI尤其要理解这一点。

32. Day One有收入,仍不等于一家研究公司可以少融资

  • 张帆用“眩晕”形容2025年的企业家:向上看晴空万里,像要起飞;向下看万丈深渊,不知道会飞还是掉下去。客户往往同时焦虑、有业务需求、又想抓住新机会,并非能简单分成三类。
  • 元理从一开始就有客户与营收,是为了保持外部信号,避免闭门训练、自我坍缩。公司近一半人员做研究,约四分之一做产研,商务与落地不到四分之一;早期从咨询到陪跑全做,是为了验证发动机,不是把重服务当终局。
  • 如果只留服务团队、省着花钱,他认为可以较快做成打平的小生意,但那不是目标。融资主要投入自动化学习、训练和商业世界模型等研究,每天算力与Token消耗很大;客户更像帮助校正方向的天使伙伴,企业环境也被他视作适合RSI探索的场所。
  • 对泡沫破裂,他承认任何公司都无法脱离宏观,却认为直接可衡量的价值更抗风险。他反对“中国To B不行”的笼统判断:广告、BPO都能卖,难的是价值间接的软件;若AI直接承担劳动,转化率与人效就能和人工比较。

33. 同一道企业智能题,现有玩家分别卡在人工、交付和数据

  • 张帆首先提到Palantir:通过本体、FDE和定制化,把通用智能变成企业可用能力。他认可其价值,但认为仍延续软件公司的重人工交付,本体和FDE也早在AI热潮前出现;按他的了解,服务单价从2000万美元起,覆盖空间因此受限。
  • 第二类是客服工种公司,他提到的名称是Sierra、Decagon。它们已有产品和模板,却仍需人员进场做数据标注、沉淀、训练与微调;问题不只是首次交付重,业务每周潜移默化地变,过一段时间又可能需要重做。
  • 第三类是Thinking Machines Lab、Fireworks,以及Databricks等偏训练工具与基础设施的公司。他认为降低强化学习、训模型门槛的逻辑是对的,但企业常常根本没数据,也不知道该训什么:“你给我一个再方便的东西,我训什么呢?”
  • 元理希望补的是业务与技术之间的交叉环节:从业务建模开始,找到生产数据与现实反馈,再接自动训练,把环路变成持续进化的系统。他强调,应从企业的第一性看问题,不能只从一个训练功能是否好用出发。

34. 自动化的目标,是让交付后的系统持续生长

  • 张帆用《人月神话》的思路解释软件:构建系统是在熵减,运营则不断遇到特例、打补丁、增加复杂性。系统做完往往是最完整的一刻,此后逐步腐化;他希望AI相反,每次业务反馈都变成下一次训练,进入生长逻辑。
  • 他的比喻是,“模型它是个活的,它不是个固体,它是个液体”。李翔笑问这难道能解决热力学第二定律,张帆并未声称违反物理规律,而是强调生产与消费可以合一:像看抖音时,既消费视频,也在生产偏好权重。
  • 关于当前交付,张帆坦承早期天使客户几乎100%手工做,到今天自动化约70%;他估计明年Q1“大概”能到95%。剩下的咨询希望交给企业或生态伙伴,能靠AI扩张的靠AI,需要人的部分则通过生态扩张。
  • 李翔的反问值得保留:重交付有没有可能本身就是护城河?张帆明确说有,只是要看护住的城有多大、是否符合目标。元理更愿把自己当基建公司,必须找到能运行Scaling Law的路径,而不是依赖每个交付者的个人经验扩张。

35. 组织要容纳流动,也要承受不断加速的竞争

  • 在张帆看来,重人工组织难逃规模不经济:管理半径扩大,损耗不断增加,直到业务增长抵不过管理成本;优秀成员于是离开大组织单干,在小组织里重新获得效率。他认为这解释了服务型组织常见的裂变与天花板。
  • 对智谱怎样留住他这样的员工,他反而说适当流动是健康的。团队总由同一拨人循环创业,也可能像模型自生数据那样过拟合;稳定会吸引求稳者、让创新者离开,高强度创新又会筛掉求稳者,没有一种安排能让所有人都满意。
  • 今天最让他痛苦的是跑得不够快。妙计时代可以花一年慢慢研究,现在基模不断加能力,分享PPT几乎每周都得改,竞争者又持续进入;他把处境形容为自己向前跑,后面的大水却以前所未有的速度漫上来。
  • 钱、卡、合适的人、激励、市场信息、好想法与判断力,都影响速度,却没有一个万能解法。“你再多的资源你也觉得不够,你再快还可以更快。”在他自己的竞争框架里,不做到第一就难保价值,因此资源必须服务于正确方向上的推进。

36. 人的价值转向定义问题、连接节点和验证假设

  • 招聘时,张帆最看重三件事:聪明、好奇、清晰思考与表达。聪明像算力,好奇让人主动探索,表达则像“光模块”,负责把自己的算力接给其他节点;他把今天的公司比作集群,节点更少,单个节点和连接带宽的要求更高。
  • 李翔质疑,个人再聪明能超过模型吗,聪明是否也被夸大?张帆仍然坚持其重要性:如果人的判断无关紧要,为什么有模型也不能立刻造出同样好的模型、造出光刻机?技术能力的公共供给,并没有取消选择研究方向和组织验证的难度。
  • 他区分微观与宏观差距:过去会不会做图差异很大,现在人人都能生成,操作差距缩小;但问题定义和思考深度会被放大。“AI的思考深度跟你的思考深度是成镜像的”,它“遇强则强,遇弱则弱”,不应继续与它卷微观动作。
  • 最终稀缺性仍在两端:一端是人决定什么是星巴克、什么是瑞幸,在巨大搜索空间里选择值得验证的假设;另一端是真开100家店、取得现实反馈,再回到判断。模型放大的是这个环路,所以“聪明依然非常非常重要”,只是不能停留在小聪明。
Full transcript