他看到了什么？| 对谈张帆：前智谱COO，元理智能创始人/CEO ——为何笃信 AI 的机会在 ToB？
“你要视 AI 为人。
“你要视 AI 为人。”
👦🏻 播客采访：Koji
🥷 整理编辑：十字路口
🧑🎨 排版: NCon
中国的创业者和 VC 对 toB 普遍感到"生理性恐惧"，但是本周「十字路口」的嘉宾张帆却选择逆流而上。
张帆曾是大模型公司智谱 AI 的 COO，最近他选择离开智谱，获得蓝驰创投的 800 万美金天使投资、创办「元理智能」，开始了 toB 企业服务作为创业方向，致力于通过商业强化学习，为企业提供能真正创造业务价值的数字员工。
张帆曾为第一次创业「妙计旅行」交过数千万美金的学费，也曾在智谱 AI 服务过上千家企业客户。在他看来，今天的 ToC 创业是与巨头进行的一场"不对称战争"，而 ToB 则因 AI 的出现迎来了全新的机遇。
在本期播客中，张帆和我们分享了他作为一个站在中国大模型浪潮最前沿的亲历者的故事。
你会听到他在投身 AI 之前，作为"妙计旅行"创始人的热血与遗憾：如何在5年间融资数千万美金，却最终因不理解产业的本质而"交了学费"；也会听到他在智谱 AI 做 COO 期间，如何带着团队疯狂地服务了上千家客户，看到了中国企业拥抱 AI 的渴望与迷茫，并最终坚定了他再次创业、投身 ToB 的决心。
希望这些内容对你能够有所启发，提供不一样的视角。
微信收听博客：
小宇宙收听播客：
🎬 视频播客将同步上线于 @Koji杨远骋 的视频号、小红书[1]、哔哩哔哩[2]、Youtube[3] 等平台
由于访谈全文较长（13,700字），可先参考目录：
🟢 反共识：为什么说 ToC 是"一场不对称的战争"？
"我总在想今天的反共识是什么？今天大家对于创业的共识，反而让我们觉得有点担心。"
- 为什么说不能再用互联网时代的"旧地图"，去寻找 AI 时代的"新大陆"？
- 一个体验再好的 AI 旅游 Agent，为何在携程这样的巨头面前不堪一击？
- 体验的优势一年就能被追上，但供应链和运营体系的壁垒可能需要十年。
- 在"线上也满了"的今天，创业公司建立有效壁垒的真正难点在哪？
🟢 交了几千万美金"学费"后，我学到了什么？
"当你把注意力从外部的 reward model (融资、媒体) 转回到业务上的 reward model (留存、满意度)，你看到的东西会很不一样。"
- 第一次创业「妙计旅行」：一个技术上完美、但商业上失败的 AI 旅游项目。
- "错误的 Reward Model"：VC 追捧、媒体热炒，为何这些"正反馈"是创业者最危险的错觉？
- 核心教训：旅游的本质是供应链问题，不是产品问题。不能被交付的"高级信息"毫无价值。
- 趋势的力量：为什么在 2014 年轻松融到千万美金，而在 2022 年，能力强了 10 倍、准备更充分时，融资反而更难了？
🟢 在智谱的感悟
人类过去 5000 年脑容量没变，生产力却增长了 1000 倍。靠的是什么？教育、分工、工具和协作。这正是 AI 下一步的方向。
- 离开智谱 COO 职位的真正原因：这不是勇敢，而是看到了 AI 下半场的确定性机会。
- 一天 7 个客户会，两年服务上千家企业，看到了市场怎样的混乱与渴望？
- 基座模型的智能已从 60 分进化到 110 分，抵达"临界点"。继续提升 IQ 的价值在递减。
- 新的使命：为 AI 构建"社会形态"，成为一家"模型的培训机构"，把聪明的通用模型变成专业的"工种"。
🟢 新旧世界的分野：AI 是同事，SaaS 是零和博弈
中国企业愿意为生产力结果 (人力外包) 买单，而不愿意为过程 (软件工具) 买单。AI 真正的对标的不是软件市场，而是劳动力市场。
- SaaS 在中国为何跑不通？当"转化能力"被视为固定成本时，SaaS 就成了与员工的零和博弈，而员工是必选项。
- AI 的颠覆性在于，它直接作用于"转化能力"本身，是与老板的"正和博弈"。
- 别再用旧坐标系看待 AI：模型的"幻觉"不是 Bug，是特性；就像人也有幻觉，关键在于如何驾驭。
- CEO 必修课：理解"模型性" (Model-Nature)，就像理解人性一样，这是业务问题，不是技术问题。
🟢 生存法则：造轮船，而非灯塔
基座模型是不断上涨的大海，在上面建"灯塔" (应用)，很快就会被淹没；你真正要做的是造一艘能随之上涨的"轮船" (业务壁垒)。
- 创业公司如何造出自己的"轮船"？答案是"50% 模型含量"法则。
- 为什么 Notion 能乘风破浪，而 Jasper 却快速陨落？
- 最大的误区："我有很多数据"。数据本身不是护城河，能够持续产生数据的"业务场景"才是。你要的是一块田，而不是一堆庄稼。
- 个体最佳实践 vs 行业最佳实践：为什么垂类 Agent 只是妥协，而为每个企业找到自己的最优解才是未来？
🟢 最后的 300 万美金，会投给谁？
- 一个出人意料的选择：为什么他会把钱投给一家低调的公司——Thinking Machines Lab？
反共识：为什么说 ToC 是"一场不对称的战争"？
👦🏻 Koji
中国的创业者和 VC，说到 ToB 都是有一种生理性的恐惧。但今天我们的嘉宾却选择逆流而上。张帆之前是智谱的 COO，然后最近选择了创业，选择了做 ToB 企业服务这个赛道。所以今天很开心请到你来做客十字路口。
👨🏻 张帆
好，谢谢 Koji。
👦🏻 Koji
所以我们第一个问题就是想问你，是什么原因让你那么的勇敢，敢去做 ToB？
👨🏻 张帆
我经常在思考，在今天这个时代下，到底反共识是什么？今天市场共识的东西，让我们觉得有点担心。而历来我们所有的技术，包括商业模式，都是从一些反共识开始的。所以我总在想，今天的反共识是什么？
那确实，今天大家有一个对于创业的共识，就是大家认为 ToC 是更大的机会。
👦🏻 Koji
尤其是对中国创业者。
👨🏻 张帆
没错，ToB 是个更难的机会，特别在中国的环境。但是，我不倾向于直接得出这样的一个结论。我觉得更多这种结论来自于我们的归纳法，因为我们在互联网时代，确实很多成功的都是在 ToC，而 ToB 其实收益比起 ToC 要差很多。但是，如果我们从一些演绎法的角度来看，这两个时代我觉得是有一点不一样的。
👦🏻 Koji
你觉得互联网时代和 AI 时代不一样？或者是 SaaS 时代和 AI 时代不一样？
👨🏻 张帆
还是要看环境和变量。在互联网时代有一个很不一样的点，就是我们当时的线下是已经完全构建起来了，但是线上是一个完全的空白。所以大家知道，那个时候的点叫做模式创新，大家快速地跑马圈地，在跑马圈地里面快速构建自己的竞争壁垒。而在线上的竞争壁垒，往往跟线下是不同的。
比如说，传统旅行社的供应链，在携程的角度是没办法用的，而携程是有机会去构建全新的供应链的，所以有了相当长一段的缓冲期和一个战略纵深，让企业可以快速去奔跑。所以在那个时代，我觉得 ToC 是很有机会的。
但今天，一个反共识来讲，我觉得 ToC 其实是蛮难的。因为我们觉得，今天不但线下是满的，线上也是满的，并没有出现一个新设备。所以这个时候你发现，原有在线上有效的一些壁垒，在 AI 时代它依然存在。
比如说，我今天可以非常容易地做一个非常高级的旅游 Agent，我也非常有信心它能做出一个非常好的体验。但是你想想，这是一场不对称的战争。如果 OTA，也就是比如携程这样的公司，它想追上你的体验，也许它只需要花一年；但是如果你要追上它的供应链和它的服务体系，你可能要 10 年。
👦🏻 Koji
其实冰山之上，大家看到的界面只是一角，而支撑携程今天帝国的，可能是冰山下的整个供应链体系和运营体系。
👨🏻 张帆
其实大多数的业务都是如此。所以在这样的一个背景下，我觉得做 ToC 其实是一个很难建立有效的壁垒的情况。
👦🏻 Koji
在你的职业生涯里面，我们知道的是在智谱其实负责 ToB，但在更早之前，你是不是也做过 ToC？我记得。
👨🏻 张帆
是的，其实我是 C 跟 B 都做过的。那我也简单介绍一下我自己的背景。大家都会认为我在负责 ToB，会认为我是一个业务负责人，其实我是个技术出身。只有在智谱的最近两年，我才开始去做业务，并且这其中也有一半的精力都放在产研上。
我是在巴黎十一大读的人工智能，当时还在法国国家科研中心做过一段时间的机器翻译。然后 2010 年回国，赶上了第一波 AGI 的浪潮。我当时在搜狗和腾讯，先后都负责类 Siri 的产品。
👦🏻 Koji
因为那个时候 Siri 发布之后，全世界也是为之疯狂，每个厂都在做自己的 Siri，很像今天。
👨🏻 张帆
对，那个时候大家都会觉得 Siri 是一个非常好的交互方式，《Her》是不是会到来？所以我们都在干那个事。
👦🏻 Koji
但后来很快就全军覆没，包括到今天 Siri 也不能说是成功的。所以那个时候，可以讲讲当时的经历吗？
👨🏻 张帆
其实是很不成功的。那个时候的技术，并没有今天大模型这种通用性的泛化能力。那个时候的做法，主体上还是一些结构化的，我们会把它进行分类，比如定义几十个类别，每一个类别做单独的模型，去做识别、解构、API 调用。某种程度上是一个手动的拆解。
所以我们当时大概火了两年左右，大家发现这条路好像不行。第一，我觉得这个问题比我预想的难，可能没那么快；第二，如果它能发生，那一定是大厂的事情，因为这是各家的必争之地。
所以我当时就想，如果是这样，我们今天是不是有机会能够把 AI 应用在一些垂直领域？所以我就创业了。大概是在 2014 年的时候，我开始创业。我觉得在大厂做的这些努力，我自己的掌控力会变弱，所以我更愿意自己去试一把。那个时候也不懂创业，就直接干起来了。我做的第一个项目其实是 AI + 旅游。
交了几千万美金"学费"后，我学到了什么？
"当你把注意力从外部的 reward model (融资、媒体) 转回到业务上的 reward model (留存、满意度)，你看到的东西会很不一样。"
👨🏻 张帆
我们当时做了一家公司叫做"妙计旅行"，逻辑很简单，就是用搜索的 AI 技术来叠加旅游。早期我们认为很流行的是"去哪儿"，当时我们称之为"一阶元搜索"，就是你从北京飞巴黎，它帮你找所有供应商里边最便宜的票。
但是从一个技术角色的角度，我会觉得这样的搜索空间太小了，你能得到的价差也不够大。所以我当时想再把它升一级，我不要以一张票为最优解，我能不能以一个旅游行程为最优解？我的想法是把它变成一个"二阶元搜索"。怎么讲？就是如果你今天要巴黎 3 天、马德里 3 天、巴塞罗那 3 天，但你并不在乎先去哪个、后去哪个，你的顺序是可以随便排列的。而顺序的排列，就意味着更大的搜索空间，而更大的搜索空间，意味着价差和体验会完全不一样。
👦🏻 Koji
听起来非常合理。
👨🏻 张帆
所以我们当时做了一个非常复杂的，一个基于搜索逻辑的 AI + 旅游。你只要输入你的需求，我们会帮你连接机票、酒店、租车、包车、景点、门票、Day Tour 以及城市内的小交通，帮你串成一个行程。
👦🏻 Koji
这是一个很自下而上的需求发现。我觉得直到今天，这个需求仍然成立，而且好像还是没有被解决得很好。
👨🏻 张帆
是的。我觉得当时很大的原因在于，我们当时作为一个程序员去做创业，第一反应会觉得旅游其实是一个产品问题，我们要做一个足够 fancy 的产品。
但事实是，我们做了 5 年的时间，也融了几千万美金，最后并不成功，交了学费。但是在这个过程当中，让我们开始意识到，旅游本质上是一个供给问题，是一个供应链问题。因为如果你只给了一个非常高级的信息，而没办法交付，这件事是没有价值的。所以，上一次创业的烙印也印在了我们身体里。
👦🏻 Koji
所以上一次创业的失败，它还是给今天带来了一些启发。
👨🏻 张帆
是的，非常重要。它让我们从一个纯的理想主义的技术研究者，变成了一个初步合格的创业者。我们会发现，创业本质不是只做一个 fancy 的产品，而是看能给产业带来什么。
👦🏻 Koji
以及这个整体体验，你是不是能够真的 deliver？它不是只是界面的设计，它其实背后是一整套供应链和运营。
👨🏻 张帆
这是一个完全不一样的思考方式。
👦🏻 Koji
但其实也有人会去建议创业者，一开始就不要选这种复杂的地方，就可能去选可以更容易创新的地方。
👨🏻 张帆
从这个角度来讲，我觉得创业者要很注意，创业者特别容易自我强化。我们当时在做这件事的时候，2014 年是一个好的资本年代，我们很容易做这些事。虽然我们也许并不是那么专业的一个创业者，但是在当时，我们还是很快拿到了很多钱，也都是很一线的基金。
所以当时你会觉得，"诶，好像我有一个正反馈"。如果用今天的话讲，就是一个错误的 Reward Model。
👦🏻 Koji
非常错误，因为融资从来不是一个对的 Reward Model。
👨🏻 张帆
不止如此。你会发现，旅游行业的人也会过来说"你很厉害，你这个东西很对"；你个别的早期天使客户也会说"我觉得你这个方向我爱死了"；你的媒体也会来给你说"旅游门外的野蛮人"、"公牛冲进了瓷器店"，会让你产生一种错觉，好像我就是选对了。
👦🏻 Koji
所以什么时候你开始感觉到这个事情不对劲的？
👨🏻 张帆
当你把注意力从一些外部的 Reward Model，转化为一些业务上的 Reward Model，你要看用户的留存、用户的满意度，看你在真正解决问题的完成度。当你真正转回到一个业务视角，你会发现可能看到的东西不是很一样。
👦🏻 Koji
其实最近有一位 VC 给我讲，他每次看到某某创业者"一年融四轮"这样的新闻，他内心就会亮红灯。而且就是两个礼拜前，有另外一位大佬，我说有一个朋友他特别崇拜你、想认识你，他最近是一个 market deal，非常火，连续哐哐哐好几轮。他说："哦，我不喜欢这样的创业者。"我觉得这个背后也是你说的这一点，就是会有人认为，如果融资成为了 Reward Model，你会进到另外一个错误的判断标准里面，而忘了应该去看更重要的一些指标。
👨🏻 张帆
某种程度上，"连融四轮"这件事太共识了，一定不是个好的赚钱的机会，风险跟收益不见得对等。所以还是要有一些反共识。我觉得我们不应该把做一个高级的产品作为目标，而是要把它做成一个可闭环的生意。
👦🏻 Koji
印奇其实之前也反复在讲，所有不能闭环的商业模式都是泡沫。感觉他也受过很重的伤。所以我好奇的是，在妙计之后，在智谱之前，我知道你还有一段创业，那一段你的选择是什么？
👨🏻 张帆
在妙计之后，给我一个特别大的印象，就是我们当时还自认为是一个一流的技术团队，但是坦率讲，一流技术团队这件事太常见了。我们是一个花了几千万美金，在一个产业里深度打磨过的技术团队，这才是我们的核心差异，能够结合产业跟技术，是我们的标签和收获。
所以我们当时加入了另外一家公司，叫做"大搜车"。在我们加入的时候，它非常火，当时也是一家 30 亿美金的公司，融了 10 亿美金左右的现金。它覆盖全部的汽车产业链，17 条业务线，包括新车、二手车、二网、金融、保险、物流、软件、代运营等等。那个时候我作为集团的 CTO 加入，有一个非常庞大的、近千人的产研团队来支持这 17 条业务线。所以我们又把 AI 跟汽车产业做了很多结合的尝试，比如二手车的估价、自动化的检测、车商匹配等等，进一步强化了我们把 AI 跟产业结合的经验。
在那之后，我们又回归到创业。我当时又做了一个 AI + Data 的公司。因为当时在大搜车的时候，我们的数据中心有一个 100 人的团队，里边做了全链路的技术方案，包括怎么做埋点、大数据的调度、数据治理、指标体系、BI、CDP，全链路自研。
👦🏻 Koji
那是哪一年？
👨🏻 张帆
那是大概 2020 年、2021 年的样子。然后到我们又出来创业，大概是在 2022 年。那时候我找到了一个我自己认为特别大的反共识。
我发现，数据行业当时的共识在于，只有大厂有机会用数据，可以用数据中台，因为假设都是大厂有最完备的数据基础。但那个时候我们找到了一个反共识，就是我觉得大厂其实并不见得是切入数据中心最合适的战场。因为大厂天然有一个坏处，就是太异构了。因为它足够大，各个部门都会建自己的系统，而且系统经常没有文档，所以数据的统一性很难，要做大量的针对性数据治理，且没办法复用。
但是我们看到了一个机会：中型的，或者某些垂直领域的小厂是有机会的。比如说电商，你发现电商的信息化程度是最好的，甚至比大厂还好，因为是各个大厂来为它做的。你发现它卖东西无非只能是淘宝、京东、抖店，也就这么多网站。或者是一些有赞、微盟，再有一些 ERP，比如聚水潭、旺店通，再有一些内容制作的光云等等。你会发现，可能总共就 50 个网站，覆盖了全部的电商，且极其标准和体系化。
我们做了一个端到端的解决方案，如果你是电商，给你 50 个常用网站的链接，你只要输入用户名和密码，我就会自动帮你把分散在各处的数据集中起来，自动化地治理、生成报告，甚至给你一些预测，还可以用自然语言去做查询，某种程度上帮你做了一个数据中台。
👦🏻 Koji
这也是一次 ToB 的创业。
👨🏻 张帆
而且成本极低，可以做到正常大厂的几十分之一，10 万块钱你就可以有一个中台。这件事我们大概做了 6 个月，完成了天使轮的融资，已经有了几个天使客户，正要准备做 A 轮的时候，ChatGPT 发布了。
我也很快关注到了，因为我本身就是学 NLP 的，对这个很敏感。我看到这个技术之后的第一反应是，这个事情跟以往不一样，这不是一个渐进式创新，这是一个颠覆式创新。
这个时候，我当时在搜狗的老板，原来的搜狗首席科学家张阔，他也是我非常好的朋友，是唐杰老师的师弟。他来找到了我，说我们来搞这件事。所以当时我的公司就被智谱并购掉了，某种程度上是为了要团队。我们只花了一个小时，我就做了决定，不自己干了，加入。那个时候并不像今天大家看到的，智谱一单还没卖呢，还在很早期的状态。
👦🏻 Koji
所以你和唐杰老师聊了一个小时？
👨🏻 张帆
和唐杰老师都没聊到一个小时。我自己思考了一个小时，就决定这个事要干。
👦🏻 Koji
其实这是一个人生十字路口。所以等于当时唐杰根本就没有对你进行说服工作。
👨🏻 张帆
对的。当时我们看起来有两个选择：一种是，因为我们也预判到了这一波 AI 会火，加上我们以前做 AI 的经验和多年来 AI 跟产业的结合，我们是不是可以继续在原有基础上叠加 AI，变成一个新故事来放大融资？另一个选择是，我们要不要加入智谱，完全放弃掉我们已经构建好的、有简单 PMF 的场景，然后彻底并入到一个未知的场景里边，去做一个全新的事？
我自己的思考本质在于，我觉得趋势是一件非常重要的事。我也可以稍微讲一下为什么我觉得趋势特别重要，这也是我创业的一个经验。
你发现，我在妙计的时候，我们就是一个普通的程序员、做算法的工程师，没有什么任何其他的经验，只有一点产品经验和一些算法经验，可能只带过十几二十人的小团队。那个时候，我们可以在一个用户都没有的情况下，就融到 1000 万美金以上。在 2014 年，而且都是大厂给你发 offer，我们还拒掉了一些很大的大厂的 offer。所以在那个时候，我觉得看起来一切很顺利。
但是，等到了我们下一段 AI + Data 的阶段，我们发现融资是很难的。因为那个时候我们赶上了疫情的上海封城。在那前一年其实融资特别容易，大家称之为"SaaS 元年"，很多人找到我们说"你们要不要出来？我们马上就可以给你按一个很高的估值做天使"。但那个时候我们觉得还不到时间。结果我们出来的那一刻，刚刚赶上上海封城。你发现所有的基金都感兴趣，但是很少出手。
再加上，我觉得我们自己的准备是极其充分的。我们从一个单纯的程序员，成长为能管理千人产研团队的人；我们负责过非常复杂的业务系统，也交过数千万美金的学费等等。我们把市面上所有相关的案例全都研究了。但是你发现，融资并没有想象中顺利。
所以这个给我一个结论：**人在大势面前，你的能力根本不重要。我能力也许比原来强了 10 倍，我团队比原来强了 10 倍，但如果时机不对，你会发现一切问题都会难 10 倍。**当然最终我们还是融到了钱，但是比我们预想的要难。
👦🏻 Koji
这让我想到《Outliers》这本书里讲的一个点，就是人出生的年份非常重要。他说 Bill Gates 和 Steve Jobs 都是 1955 年出生的，为什么是他们做了最厉害的两家电脑公司？是因为在他们的青春期，也就是 70 年代，正好是个人电脑崛起的时候。这一波最活跃、最有创业精神的年轻人，就最有概率比年龄大 3 岁或者小 3 岁的人抓到这个机会。所以我其实也很相信时间对于创业的重要性。
👨🏻 张帆
对，但你说的出生的年份我们没办法把握，但是创业的年份是你可以把握的。所以这就是为什么你能理解，我当时会那么果断地直接就把公司并到了智谱，然后从头开始干。ChatGPT 是 22 年 12 月份发布的，我们大概是第二年的 2、3 月份加入的。
👦🏻 Koji
所以你其实在智谱非常早期就加入，然后经历了它从 0 到今天做得特别好的一个阶段。然后在这个时候，你又在 COO 的位置，所以你离职的时候，我觉得很多人应该和我一样感到很 surprise。然后你很快又开始新的创业，而这个创业又感觉是一个"非共识中的非共识"——在中国做 ToB。我知道蓝驰投了 800 万美金，上次我们一起见到蓝驰的 Jui，他说是他在你身上看到了一种勇敢。
👨🏻 张帆
我觉得我自己本质上还是个风险偏好很高的人。首先，我认为智谱是一家非常好的公司，它的发展方向、技术能力非常强，发展也是一切顺利，而且现在也正在 IPO 的过程中。在大多数人眼里，会觉得那你是不是应该等到上市再做打算？
但是之前的经验告诉我，如果在那一刻，你觉得这件事是你的使命，是你要去做的事，那就不要等待。我自己本身是一个风险偏好较高的人，所以我就毅然下了这样一个决定。
所以你说算不算勇敢？我觉得不应该用勇敢来形容。因为勇敢的逻辑在于，你明明觉得这件事搞不了，你还要去搞，明知山有虎，偏向虎山行，这才叫勇敢。而我是觉得，这是一个 AI 的下半场，我希望能够像参与上半场一样，更早地去参与这个下半场。
在智谱的感悟
👦🏻 Koji
你会有一个特别的 moment 做出创业的这个决定吗？
👨🏻 张帆
不会那么有顿悟的感觉，但我觉得它是一个渐进的过程。因为我们在智谱的时候，主要负责两件事：一件事是做所有的商业化，从早期开始全面地去构建商业化的体系；与此同时，我还在负责构建商业产品，从早期的 Maas 平台和上面的所有功能，再到像 CodeGeeX 这样的 coding 产品，都是我在负责。
所以我其实一直在跟一线接触。我觉得有两方面，一方面，在模型公司很有意义的是，让你知道第一手的模型底层的能力进化；另一方面，我们在大规模地见客户。我觉得在智谱的两年，比我自己创业都要忙得多，因为这就是时代的选择。
你看我们 2023 年刚去的时候，我基本每天要开 7 个客户会。
👦🏻 Koji
每天 7 个？
👨🏻 张帆
你停不下来。开一个会一个多小时，我再打开手机，上面就 100 多条消息未读了。都是各种各样的人找到智谱，因为当时只有智谱有模型，所有的人都要找过来，你都要去交流。那一段，每天要到晚上 12 点才能开完会，12 点开始回消息，回到 1 点，回个两三百条，然后再睡觉。
所以，是这个时代让我们感觉到了……我觉得我们不会比任何人聪明，但是这个选择让我们更早地接触到了一手的模型发展趋势和一手的用户感知，这个是我的一个收益。
在这个过程当中，就会促使我们去思考。我们会发现，模型的发展是这样的：在早期阶段，我觉得在 23 年、24 年的时候，基座模型是一切。因为在那个时候，任何上层的构建都完全依赖于基座模型。那个时候的智商，如果拿人来做比喻，我觉得还是 60 分、70 分的智商。某种程度上，你看到它已经有人的行为了，但是如果你真的往具体的事情上去落地，还是很难的。
但是到了今天，或者说到了今年，我发现模型的智商已经开始到了 100 甚至 110。在这个时候，各家模型或整个市场的模型都已经进入了一个相对成熟的阶段，市场范式发生了变化。我觉得这个时候，模型之外的东西可能会变得更重要。
我举一个例子。我很喜欢拿人来比喻，因为我觉得 AI 就是一个仿生学。你看，人在过去 5000 年到今天，脑容量没有变化，我假设智商其实没有本质上的变化。但是你发现，今天的人跟 5000 年前的人比起来，生产力可能增长了起码 1000 倍。是什么构成了在一个智能基线没变的情况下，生产力上涨了三个数量级以上？
我觉得本质上抽象下来就几件事：教育、分工、工具、组织协作。就这几件事，把整个世界的生产力重新构建了。但这件事，不会在你智商是 60 分的时候发生，不会在动物身上发生，因为它没有到那个临界点。
所以从我的视角来看，我觉得基座模型今天到了这个临界点。但在这个临界点上继续再往上提升，我觉得我自己能带来的帮助是有限的。反而，应该去思考如何为 AI 构建社会形态，为 AI 构建它的分工、教育、协作、工具的体系。
👦🏻 Koji
也是这个观点让你认为现在应该创业？
👨🏻 张帆
是的。前两天看到黄仁勋也讲过，人还是要想，什么事情是只有你能做的。如果今天这件事情每个人都能做，你并不一定要浪费时间去做。我觉得这里边，People-Mission Fit 变得非常重要。
我确实觉得，如何构建一个标准的体系，能够让模型从基础智能转化为生产力，并且这个杠杆能够撬动三个数量级以上，这件事需要有非常强的模型理解能力、产品能力，和对业务的洞察和理解能力。而我们之前所有的创业经历，几乎都是围绕这个方向。所以某种程度上，我觉得这件事是我一定要干的。
👦🏻 Koji
元理智能到现在大概成立多久了？你们现在有没有可以方便介绍的客户？以及你们为这些客户做了什么样的服务，帮助他们产生了什么价值？
👨🏻 张帆
我们大概是在 7 月份注册的公司，到现在也就是 3 个月的时间。我们客户这边，选择也是有一些比较有意思的。首先，我们不希望做成一个定制的，更希望是标准化的，但我们又明确地知道不能闭门造车。所以我们在前期，会有几家天使客户跟我们一起来共创，用一个比较全方位的服务方式，来帮我们构建产品，确保它是有效的。
第二，我们会给客户设上限。我们认为到明年 Q2 之前，服务的客户不超过 6 家。核心逻辑在于，我们的目标是希望能够共建出一些灯塔客户。我希望这些客户能因为我们的服务，在关键业务指标甚至财务模型上带来明显的变化。我们试图打造一些公司从传统公司转化为 AI 时代公司的样板。
另外一个有意思的点是，我们所选的这 6 家公司都不是同一个行业的。如果我要确保我们是一个泛化和通用的能力，就必须要面对不同的客户，确保它 work，这样会推动我们更有效地去设计一个通用的框架。
👦🏻 Koji
可以具体讲讲这些天使客户的故事吗？他们在和你们配合做什么样的事情？
👨🏻 张帆
因为没有得到对方的同意，我就先不讲对方的名字了。那我讲讲我们做这个事情的方法论。
如果用强化学习的逻辑，就是你怎么定义你的 Reward，你就会得到什么样的模型。同样的道理，我们在服务客户的时候，也要定义一个 Reward，就是我们到底想改变什么？我们今天的逻辑在于，一定要以客户的业务结果为导向，我不会以功能为导向。我们以前通常交付说："你要一个知识库，我给你一个知识库，保证它达到一个什么指标。" 这是原来的逻辑。我觉得在今天新的时代，要探索一点不一样的。
在于，你今天的业务构成是什么样的？你业务构成里的关键指标是什么？我能不能通过 AI，让你整个业务的流程进行重塑，让你的产品结构、成本结构发生变化？
我具象说一下。我们可能会重一点，从咨询开始进入。因为我觉得业务是第一导向。我们一般会有一个同事，跟客户公司里二三十个不同业务部门、各种层级的员工去做访谈，试图勾勒出今天企业业务的核心流程。
第二步，我们开始分析它的成本构成。财务模型，其实代表了企业经营模型的关键。就以我们之前妙计的旅游为例，定制游的业务链路非常简单，三大环节：获客、生产、供应链。
再下一个环节，AI 就要上场了。我们要理解，AI 在刚才的业务流里边，有哪些改进点。比如在获客环节，存在广告投放、内容生产、客户沟通；到生产环节，可能变成行程的制作和修改；再到供应链环节，变成谈判、下单、确认等等。我们这个时候，通常可能会在一个企业内识别出来三四十个 AI 的改进点。
👦🏻 Koji
每个你们都会参与吗？
👨🏻 张帆
这还没完，这是为了画出全貌。这时候另一个关键就来了：我们要从中做筛选。我们会画一个象限图，横轴是"业务价值"，纵轴是"技术成熟度"，我们要找到业务价值又大、技术成熟度又高的最大公约数，也就是坐标系右上角的点。
刚才那三四十个改进点，并不一定今天都能完成。举个简单例子，比如在旅游过程当中，我希望跟供应链谈判，谈出一个好的价格，这件事业务价值很大，但今天技术成熟度就不够高。反之，也有一些技术难度很低，比如帮客户做日常提醒，技术成熟度很高，但业务价值就不够大。所以，选择合适的切入点，是企业落地 AI 成功的第一要务。
这时候，我们再进入下一步，由我们专业的工程师进场，把刚才的问题，结合他们现在的日志、服务过程，开始进行模型的训练、Agent 的搭建。并且每一次，客户会通过结果再反馈回来。
所以从这个逻辑上看下来，就是一套非常完整的逻辑，从业务到技术到实现，形成了一个 PDCA 循环。这里面会有连锁反应。如果我今天真的能够把行程生产的时效和成本下降 5 倍，你会发现，你的整个商业模型不只是成本减了 5 倍，而是对于整个上下游都发生了变化。这不仅仅是解决简单的当前问题，而是对于你整个业务的战略都进行了重塑。
👦🏻 Koji
那你怎么理解这个事情的可泛化性呢？我觉得这还是一个挺重的工作，第一步就要有人去采访 20 到 30 个企业里的关键员工才能开始。这个事情，我觉得每个企业都值得做。但是作为元理智能，一个 ToB 创业公司，怎么能泛化它，服务更多的客户，成长成一个更大的企业？
👨🏻 张帆
作为一个程序员，当我们遇到一个足够复杂的问题，第一反应就是"分治"，把它分层和拆解开。
比如刚才说的这些，如果我们理性地拆，它大概分成三个大的动作：
第一个动作叫"业务理解"，某种程度上偏咨询，我们要理解场景、做选择。这个环节没有最优解，离不开线下的人去沟通。
第二件事，一旦完成，我们会存在一个"模型的优化"。我们希望把业务场景训练出一个与之对应的垂类模型。
第三，我们需要把这个垂类模型变成一个垂直的 Agent，完成技术栈。做模型的部分，就相当于生产数据，无论是强化还是 SFT，本质上都是训练它，让它跟业务更匹配。Agent 本身，就是在里边增加 Prompt、RAG、Memory、Workflow 等一系列工程类的东西。就这么三件事。
站在我们今天的角度，我们会分层。我们认为后面两件事——模型的优化和 Agent 的优化——本质上，我们相信"商业强化学习"可以把这两件事变成大一统，可以完全不需要人工来完成，这是我们的目标，而且我并不认为这很远。
再往上一层，人工的那一层能不能被 Agent 解决呢？我觉得能解决一半。我们今天为什么自己在做这么重的事？是因为我们要了解这个服务该怎么做标准化。我们自己也在建 SOP，也在拿 Agent 赋能。比如简单的访谈这件事，访谈谁？是不是可以由 Agent 来定计划？访谈提纲，是不是可以由 Agent 基于它的 know-how 来生成？Agent 是不是可以自动化地访谈？我觉得都会有帮助，但它并不能完全替代，总归需要有人来进行服务。
如果是这样，我觉得 AI 可以让人的服务门槛和成本下降 5 倍，让这件事变得容易一点。所以我们下一步的战略，是希望构建一个生态。我们希望有大量的独立工作者，比如咨询公司的个体合伙人、资深的咨询师，或者对某些行业有 know-how 的人，都可以借助我们这样的平台来完成最后一公里的对接。
所以按刚才的逻辑拆解，我们就把一个复杂的问题变成了一个体系化的结构，做了我们标准化的部分，又找到了一些合作的伙伴，构建了一个生态。
这里面有两件事。第一，所有场景 day one 都是很重的。Salesforce、SAP，哪个第一天的天使客户不重？包括像地平线，余凯也分享过，他早期就是要跑到主机厂去，跟车厂一个个地磨，到底这个芯片怎么做出来，才有今天的泛化。所以，如果站在我做妙计的时候，我可能会觉得我能直接泛化，但我今天很明白，如果你不走一遍这样的流程，你根本没有泛化的基础。
第二，我们今天在这个时代的创业，你不能想这家公司吃掉 everything，你必须在新的生态地图里选择自己的生态位，跟生态伙伴合作。
👦🏻 Koji
所以你怎么理解你选的这个生态位是什么？
👨🏻 张帆
我觉得我们选择的生态位，就是刚才我所描述的，我们希望能够做一个从咨询到基座模型的中间转化器。某种程度上，我希望我们变成一个"模型的培训机构"。
👦🏻 Koji
模型的培训机构？
👨🏻 张帆
对。我们希望，基座模型今天带来的是越来越聪明的人，而我们希望能把这个聪明的人，变成一个某个领域更加职业的专家，然后进入到某一个企业去做工作。所以我觉得我们是这样的一个生态位。
在这个生态位里，我们有一些不做的事情：基座模型我们肯定不做，MaaS 平台我们肯定不搭，SaaS 我们肯定不做，咨询的定制我们肯定不做。
新旧世界的分野：AI 是同事，SaaS 是零和博弈
👦🏻 Koji
那你怎么理解，这一次和 SaaS 的那个年代有哪些不同了？因为 SaaS 的失败带来的生理性恐惧，我觉得在我们这一代人的身上还没有消失掉。
👨🏻 张帆
我觉得今天的时代跟上一个时代会完全不一样。首先，SaaS 为什么并不太成功？大家都很容易简单归因为，中国企业没有付费习惯，东西方文化不一样。这有道理，但作为一个创业者，我们不能总去讨论我们解决不了的问题，我们要看更本质的东西。
那抖音就很赚钱。企业的目标就一个：**价值的最大化。**这就是所有企业的使命。如果我们再拆解一层，价值最大化等于什么？我理解，简化一点来看，等于"流量 × 转化能力"。流量意味着你有多少线索进来，转化能力是你从一个线索中能带来多少收益。
这个时候问题就来了。你发现中国市场很多情况下，企业的"转化能力"是个常量，甚至行业的转化能力都是个常量。在这种情况下，企业如果要最大化它的价值，就只能最大化它的流量。所以这就是我们今天看到的，为什么大家会把钱投在抖音、投在广告、投在店铺上，因为这是今天唯一的增长路径。
好，那就可以理解为什么它们这么赚钱了。我们再拆解一下，"转化能力"等于什么？转化能力的本身，等于"人 + 工具"。好，那看来就是"人 + SaaS"。所以你发现，这里我们推论出第一个有意思的观点：人和 SaaS 是零和博弈。
因为在上一层的公式里，企业已经把最大化收益的希望寄托在最大化流量上，所以相当于它给"转化能力"这个环节分配的预算，是一个被压缩到极致的常量了。那这个时候，如果我今天要花 100 万买一个 SaaS，理论上来讲，我为什么要多付这 100 万？
👦🏻 Koji
但这个在美国为什么就成立了呢？
👨🏻 张帆
我先把这个逻辑讲完。这个里面，你就会发现它是一个零和博弈。我们经常在 ToB 里面临的场景是什么？你告诉一个团队："我给你花 100 万买了个 SaaS，那是不是能裁掉价值 100 万的人？"这个人马上说："我不用 SaaS。"而这个时候，人是必选项，SaaS 不是。所以天然地，原有的组织形态对于 SaaS 的进入就是一个阻碍。为什么需要很强的客户成功，也是这个原因。
所以我为什么认为这次 AI 的逻辑不一样？是因为我觉得这次 AI 所对标的不是工具。这也是我们今天元理智能一个底层的价值观判断：我们认为 AI 不是工具，AI 是你的同事。
如果 AI 是你的同事，你所要应对的就不是工具，而是"转化能力"本身。如果是转化能力本身，就意味着你从原来跟团队的一个"零和博弈"，转化为跟老板的"正和博弈"。所以这个故事就完全不一样了。AI 的对标不是软件市场，AI 的对标是劳动力市场。
你看中国的市场，虽然大家不怎么买软件，但中国有一个特别蓬勃发展的市场，叫做 BPO (Business Process Outsourcing)，也就是人力资源外包。所以，大家愿意为结果、为生产力买单，而不愿意为中间的工具买单。这是一个大几十倍的市场。
👦🏻 Koji
这个我很认可，大家愿意为结果买单。我觉得这个其实放之四海皆准，不管中国、美国、日本、欧洲，当你告诉一个企业家"我可以帮你的结果做得更好"的时候，这肯定是大家最愿意掏钱的时候。而之前买 SaaS，其实是在为过程买单，这个过程买了之后，不一定能带来结果，这中间是需要一些耐心和信心的。
但我还是好奇刚才那个问题，你提到零和博弈，员工排斥 SaaS，所以在中国很难推。但我觉得这个人性在美国同样也存在，那为什么在美国、日本、欧洲，SaaS 就能推得开呢？
👨🏻 张帆
我觉得底层的逻辑都是共性的。但从另一个维度来讲，你有没有发现，中国的 SaaS 生态比过去几年是要变好的？
今天如果不给我用飞书，我都没办法工作了。这说明我在从一个不成熟的创业者，逐步转化为一个成熟的创业者。在今天的逻辑下，我们会大量购买软件，因为我觉得这能提高我们的效率。但这件事需要一个过程，可能是代际的差异。
西方的信息化过程比中国要早很多。很多今天的管理者，day one 出来工作的时候，他就是在用那个系统的。那是一套他们的沟通方式，比如没有 CRM 他就不会干活，就跟我今天没有飞书我也不会干活一样。如果我们等到下一代，我相信我们今天的员工，如果他第一天进职场就在用飞书、CRM、ERP，突然有一天告诉他不用了，他会接受不了。所以我觉得这需要一个周期。
👦🏻 Koji
我们再说回来，你认为 AI 不是软件，而应该是生产力。
👨🏻 张帆
我觉得 AI 是你的同事，你应该把它视为一个人。今天有一个特别大的误解，就是大家总会用旧的坐标系来寻找新的方向，我觉得这个是不对的。
比如，大家普遍觉得 AI 有问题的点，第一名肯定是"幻觉"。我记得有人讲过，只要机器还有 1% 的幻觉，人就很有价值。我觉得这是完全站在旧的坐标系在看新世界。
👦🏻 Koji
你怎么看？
👨🏻 张帆
这个逻辑在于，机器有 1% 的幻觉就需要人，那请问，人有幻觉吗？人是有幻觉的，而且可能不止 1%。
我为什么叫"旧的坐标系"？因为原来写代码是没有幻觉的，代码是你怎么安排它就怎么执行。所以如果我们按照旧的坐标系，总想去控制它，总想让它不要出错，那它就没有泛化能力，没有 AI 所带来的好处。
所以我的观点是，你要接受 AI 就是有幻觉。但是，我们应该怎么去驾驭幻觉？就像人今天有幻觉，但依然不影响人能做出很高效的产出。这是两种不一样的思考体系。所以从这个维度上，你要视 AI 为人，而不是视 AI 为代码。
👦🏻 Koji
所以这一次创业，你就是视 AI 为人，你要为企业创造"企业员工"？
👨🏻 张帆
是的。我先说一下我看到的今天市场的问题。今天的市场，几乎大家对 AI 都极度看好，但是这个市场是一个非常不对称的。你就会发现，几乎所有的资本、人力、观点，都在投入到供给侧——从半导体芯片集群，到基座模型，这些我理解全部都是供给侧。
我觉得今天大家对于需求侧是很忽视的。你看到供给侧的数据哐哐涨，投入巨大无比，谁买了很大的集群和算力，资本市场就给你正向反馈。这是我看到的很好的一个方面。但另一个不好的方面是，大家对于需求侧的关注和投入是非常不够的。
我们以前做模型商业化的时候，最大的一个目标就是希望能够消耗掉更多的 token。我们有那么大的供给，都是为这个准备的。但在实际当中，这件事比我们预想的难。我们原来想的方法是我降价，去做更多的商务拓展，让他去应用。但我觉得这个路径并没有解决本质问题。
这有点像，如果我们发明了电力和灯泡，今天我们拿着电线和一个灯泡，跑到一个原始部落，跟他说："请你多用点电，你看我这个灯泡很好，一插上就很亮，我再给你便宜。" 但是你发现，这个部落已经摆满了灯泡了，它没有增长空间。不是他不想用，而是他不知道怎么用。
👦🏻 Koji
原始部落需要更多电器了。
👨🏻 张帆
对的。所以最大的卡点在于，大家不知道该怎么去应用和消耗掉这些智能。更合理的逻辑是，我们今天的注意力应该放到需求侧，就是我们是不是能够发明更多的"开箱即用"的电器。如果我们今天到了这个部落，告诉他："我这里有冰箱、彩电、洗衣机、空调"，告诉他这些东西怎么跟生活连接起来。
👦🏻 Koji
哈哈，想必他们每个都想买。
👨🏻 张帆
对，然后你不用再求他多用点电，也不用再求他"我再便宜点"，你会发现，自然而然地，消耗就会变得巨大。
👦🏻 Koji
那所以这一次，你想造的 AI 电器是什么电器呢？
👨🏻 张帆
其实更多的就是如何把基座模型转化为生产力。原来我们衡量这件事的时候，大家的注意力都在"性价比"上，但做法是一个很单调的，想的都是怎么去降低分母（价），没有想过怎么去提高分子（性）。大家所有的推演都会讲，当成本再下降 10 倍，消耗量会增加多少。但大家有没有想过，如果我成本不变，但是我的业务价值放大 10 倍，是不是依然能起到同样的效果？今天，这一块的投入是太少的。
所以本质上，今天从基础智能转化为生产力，会有一个巨大的 gap。我们这一次创业的目标，就是希望去解决掉这个巨大的 gap。
👦🏻 Koji
所以这一次，你打算怎么做？和在智谱的时候，会有哪些相同和不同？
👨🏻 张帆
我觉得某种程度上，智谱需要一些新的生态伙伴来把"电器"完成，从而才能让更多的模型 token 被消耗。所以今天，我们依然在一个上下游的关系，就是换了一种方式来支持智谱，让大家更多地把模型转化为业务能力。
那我们做这件事，需要有两个点。首先，你得有一个自己的假设。如果说原来我们的假设是"为知识建模"，做最强的智能；那么今天，我的假设叫做"为生产力建模"。**什么是生产力？你怎么定义这件事？你不定义就没办法解决。第二，你如何去优化这件事？有没有更 general、更通用的手段，让你以百分之一、千分之一的成本来完成这个优化？**这就是今天摆在我们面前的两个问题。
👦🏻 Koji
那你们打算怎么做？
👨🏻 张帆
第一个，什么是生产力？我们先看一下人。一个高中生，他其实是没有生产力的，但是他有智能，就像今天的基座模型，会算数、会识字、会推理、有常识。但他并不是一个生产力。
如果我们要把一个高中生变成一个生产力，我们要怎么做？我们需要给他做分工和定义。比如让他上个大学，然后进入一家公司，变成一个医生、一个律师，哪怕是去送外卖，他也需要有一个身份。所以，我们需要把基础智能转化为生产力，这里边有一个特别好的媒介，我觉得是"工种"。这是我们看起来很重要的第一个洞察。
所以第一层建模建完了。那第二层就来了，我们怎么让模型学习成一个工种？我们所用的方法叫做"商业强化学习"。
👦🏻 Koji
商业强化学习？
👨🏻 张帆
对。首先它是商业，第二它是强化学习。为什么会有这个观点？核心在于，今天每一个工种，他自己的目标是不一样的，我们很难用一个统一的方式来解决。所以我们必须像人学习一样，让这个数字化的工种进入到真实的物理世界，得到真实的反馈，变成一个以你业务目标为导向的强化学习。
那为什么是"商业"强化学习，而不是 general 的强化学习？因为商业强化学习和 general 的强化学习很不一样的一点在于，今天的强化学习有一个特别明确的目标，就是你必须得有一个非常清晰的反馈。比如数学题，我们做一套鸡兔同笼的问题，那个题首先得有答案，这个答案就是一个非常清晰的 Reward。所以你看，今天强化学习已经广泛应用在数学题、coding、GUI 等等一系列有明确结果的上面，而且已经看到了非常明确的进步。
但是，如何把它跟物理世界，特别是商业环境连接，其实非常难。因为这里边有很多我们原来没想到的问题，比如反馈稀疏、反馈滞后。
举个简单例子，我们今天要训练一个销售，他没有数学题一样的答案。这个销售跟一个顾客聊了一个小时，聊了 100 句话，最后顾客没买。我们能给一个负面的信号，说这 100 句都聊错了？很难。所以这是一个算法跟商业环境的认知强结合的事。
但你看人又是怎么学习的？他能够在自然物理环境里，跟顾客交流，从而从一个初级的销售变成一个高级的销售。所以这个环境如何拟合？
抽象下来，我们认为，今天生产力环境的最优标准单元是"工种"；我们认为，他学习和优化的方法叫"商业强化学习"，让他在自然的商业环境里自我进化。
👦🏻 Koji
大概两周前，A16Z 的 Speedrun 做了新一批项目的路演。我观察下来，有非常大的一堆创业公司在硅谷做的事情叫做 "Agent as a Service"，换句话说就是给企业提供数字员工。但是我观察到的是，大家都会选一个自己的垂直领域。比如今天非常火的三四家公司，都在干一件事，就是帮消费企业去做用户调研，融特别多钱。也有更早的公司，选择帮企业做客服员工，或者做销售、做 HR。但听起来，你的选择是要做一个泛化的员工？
👨🏻 张帆
是的，这也是属于我们自己的第一性原理的不一样。
首先，我怎么看待 Agent 的发展方向？Agent 的发展其实有明显的趋势变化。最早的一代，大家做的都叫做 "workflow-based" 的 Agent。这里边有很多问题。比如我要做一个机票预订的 Agent，workflow 是连续的：先问你从哪出发，再问到哪去，再问几个人，然后订票。这时候就要求顾客按套路出牌。你如果问他"从哪出发？"，他说"我想去上海"，这时候它就死机了。它会重复问"你从哪出发？"，因为它没有泛化能力。
这种方式当时也有解法，就是把它串成一个蜘蛛网，让每个节点之间都能连接，以最小单元去做连接。但这时候你会发现，经常会出现错误的流转，变成一个庞大的规则系统，导致它跑不通。
但是，另一种方式，就是今天更流行的一种，让 AI 模型自己去做 planner。我认为这是 workflow 的下一代，用 AI 原生的方式去做 Agent，就会好很多。你会在一个 Prompt 里告诉它："你今天是一个机票预订专员，你需要知道出发地、目的地、几个人，然后就可以订票。如果他没说，你就要问他。" 就这么简单。
所以，第一代叫 workflow，第二代叫 AI 自我 planner 的 Agent。
但我觉得还有第三代，这也是我们想做的事。第三代在于，你发现今天所有的第二代 Agent，包括像 Minus 或者是 Genspark 这样的公司，它们已经非常好的在应用模型的原生能力去做泛化了，这是一个巨大的突破。但是你会发现，它们今天都很依赖于模型本身的规划能力。
就是说，Claude 怎么做 planner，你是一个没法干预的，你能干预的就是 context，但这种干预是有限的。某种程度上，太依赖于模型本身的能力。如果依赖于模型本身的能力，就意味着你对于全世界的任务，都只有一种解法。
我觉得这是一个当前的问题。就像我刚才讲的，人会分工。同样一个医生，在不同的医院、不同的科室，他的工作模型都是不一样的。但是今天，大家是在一个统一的模型里面。所以我认为会有一个第三代的逻辑：我们如何除了 context 以外，有办法去干预模型本身，让模型原生就会了解我们这个层面的知识——不是信息，而是这个层面的动作该怎么去拆解，怎么去做 planner。我觉得这件事是今天看起来最难的，所以大家都没做，本质上是因为不知道该怎么做。而我们刚才讲的"商业强化学习"，我认为是能够解决这个问题的关键。
👦🏻 Koji
就像刚才那个问题，可能有些人会选一个垂直领域去做，这样会简单一点。但是听起来你们选的是，什么领域的数字员工，或者什么分工的 Agent，你们都做。这是一个什么考虑呢？
👨🏻 张帆
你会发现，SaaS 在早期做东西的时候，特别喜欢用一个词，叫做"行业最佳实践"。它的逻辑是说，我帮你把行业里所有的做法都了解了，给了你一个最佳实践。但某种程度上，"行业最佳实践"不是"个体最佳实践"，它是一个共性的实践。
在没有今日头条的时候，我们看的媒介叫门户网站，编辑帮你选好了，如果你要看体育，就看这 20 篇。随着今日头条的出现，你会发现这事变了，它希望给你一个"个体最佳实践"。
再说回刚才的逻辑。我觉得今天的很多垂类 Agent，我认为他还是在做"行业最佳实践"。本质上不是因为需求，而是因为妥协，因为你做不起个体最佳实践，所以你选择了行业。但我认为这不本质。本质的逻辑，我们要像管理信息一样，为每一个公司找到它自己的个体最佳实践。
👦🏻 Koji
所以不管是星巴克、Manner 还是 M Stand，不同的咖啡公司，如果他们都要用一个数字员工去解决同样领域的问题，你觉得提供"行业最佳实践"，不如提供企业针对性的"个体最佳实践"？
👨🏻 张帆
从本质上来讲，就应该是个体最佳实践。
生存法则：造轮船，而非灯塔
👦🏻 Koji
那可以结合一个具体的，比如你们最近服务的一个案例来稍微展开讲讲吗？
👨🏻 张帆
首先，我们还是回归到本质问题。我们怎么看待模型本身？今天有一个特别流行的话题，叫做"模型的不对称性"。怎么讲？就是你发现，有的时候模型能做奥数金牌，但有的时候它数一个单词 "strawberry" 里有几个 "r" 都会数错。
在大家的逻辑里，会认为这是模型的缺陷，觉得模型变强了就会解决这个问题。但我有一个不同的观点：不对称性不是模型的缺陷，而是模型的特性。所有的智能都是不对称的，人也是不对称的。你今天很难讲是爱因斯坦聪明，还是马云聪明，还是杨振宁聪明。他们有不一样的目标。
如果这个问题能达成共识——我们相信智能是不对称的——那我们就要想怎么去利用这种不对称性。
再衍生一步，就是每个企业自己所构建的环境，都是不对称的。就像刚才提到的，同样是咖啡店，无论是瑞幸、Manner 还是星巴克，它们的客群都有微小的不同。所以我很难相信，它们会购买一个统一的 SaaS 服务来解决所有问题，那它们就变得没有特性了。我也很难相信红杉、IDG、蓝驰会买一个统一的服务来帮它判断要不要投资。
天然地，因为本身环境就是不对称的，所以导致智能就是不对称的。在每一个环境内，都会有一个所谓的最优解。
如果顺着这个逻辑往上看，我不想构建一个我认知的第一性原理，去给所有企业套用，我觉得这件事不本质。更本质的角度是，每一个企业、每一个工种、每一个场景，都有一个自己的特有环境，并且这个环境是动态的，每时每刻都在变。两年前的卖东西方法和今天的卖东西方法，可能就会变得不一样。
所以，如果我们相信每一个商业环境都会有无数个独立构成的问题和环境，那就意味着，我们需要找到一个通用的手段，如何把一个 general 的模型，适配到每一个独特的环境，找到每一个环境的最优解。这是两种做事情的方式。
👦🏻 Koji
那可以具体介绍一下，比如今天有一位客户找到你们，你们会给他提供什么样的产品或服务流程，来达到这个效果吗？
👨🏻 张帆
假如说你今天来找我，说你想找一个帮你选择访谈人，或者帮你做初步前采的 Agent。说实话，我觉得你很难接受我卖给你的东西，是一个所有类似服务都在用的一样标准的东西。你一定有强烈的自己的 Know-how。
但这又回到原来的老问题了：那我就要定制。这样它就变回到了软件逻辑，它不 general。
如果我今天在做的方式是，我会跟你一起来构建你的问题、你的环境。你会告诉我什么是好，什么是坏，你现在的业务流是什么，你怎么评估这件事。当你构建了这样一个环境之后，我们相信机器会有一种通用的方式，来基于你的环境学习出最优解。
这个有点像 AlphaGo。你看 AlphaGo 当时的逻辑是，我们把人类历史上的 3000 万个棋局残局喂给模型，它下赢了李世石。但是一年之后出现的 AlphaGo Zero，它没有任何人类的先验知识，仅靠自我博弈，用了几天时间就超过了 AlphaGo。
这个本质的逻辑是，人类的知识有的时候也是一种噪音。所以我们的目标，不在于帮你去标注 3000 万个残局，而在于，我应该跟你一起去构建你的围棋的环境和 Reward，然后把它交给机器，让它自己在虚拟的环境里面去找到最优解。
👦🏻 Koji
那这里有一个悖论，这样做的话，针对每个企业都得去做一些定制，那这个事情要怎么规模化呢？
👨🏻 张帆
我认为，在学习的这个过程，它没有定制。原来的定制在于，我理解你的需求，要帮你把它开发成软件。今天的逻辑，你只是在做"环境的定义"，可以把它理解为一种 Prompt。你只要软性地定义清楚你到底要做什么事，它就帮你得到一个最优解。所以我认为这才是更加 general、通用的解决问题的方式。
比如你今天想训练一个销售，那你给我 5000 条销售的 log。我们会利用这些 log，基于你的环境，快速构建出一个实验场，一个真实模拟你的环境。这时候，把你要训练的 Agent 放到这个环境里面，它会自己没日没夜地在这个环境里锻炼，不断地沟通、反馈、学习。当它出来的时候，就已经是跟你的这些日志非常 fit 的一个销售了。这是我们的目标，我觉得这才是通用的办法。
👦🏻 Koji
你在智谱的时候，夸张的时候一天见 7 个客户。我初步算了一下，两年多你起码接触了 1000 家中国的企业。你感受到它们一个普遍对 AI 的情绪是什么？
👨🏻 张帆
我觉得蛮有意思的是，今天的企业经过了很多轮的变化，会有很多极端的不同。一种是极端的焦虑，很多人觉得 AI 来了，我的生意可能都不存在了。还有一些人极度有信心，自己内部做了个 demo，就觉得"我这 AI 已经跑通了，我们都可以搞定了"。
所以如果要我用一个词来形容，我觉得今天的市场有点"混沌"，它不成熟。
你可以看到"冰火两重天"。一重天，从供给侧来看，美股每天都在创新高，所有 AI 相关的财报都在快速增长，各种企业的 ARR、日活都一片大好。
但是反之，我们冷静下来看需求端，又会看到不一样的情况。比如前两天 MIT 做了一个深度分析报告，它在 1-6 月份采访了一两百位核心的企业高管，得出的结论是，95% 的 POC 都失败了。这种论调并不少见。
👦🏻 Koji
这个和你观察到的企业落地 AI 的成功率类似吗？
👨🏻 张帆
在过去的两年多以来，我们确实深度服务了差不多有上千家客户了。我们也做过很多内部复盘。我们可以看到客户的行为在逐步变化。但这里有一个本质的问题，也是我们内部经常反思的：我们服务了这么多客户，而且自认为在市场上做得还不错。但是如果你要问我，有多少客户因为我们的服务，变成了一家 AI 导向的公司，或者它的核心业务指标有了明显的提升？我其实觉得非常少。
👦🏻 Koji
什么原因呢？是甲方的原因，还是咱们的原因？
👨🏻 张帆
我觉得是多方的原因，这不叫坏事，这是一个新兴事物逐步成熟的过程。我们看到，原来很多老板，他要的只是一个知识库，当别人来采访的时候，我的展厅里有一个能说话的机器就够了。
但在真实的场景中，POC 并不等于真正的业务落地。POC 只能代表演示，能在一两个单点里表现出亮点就够了。但是，如果我们真正放到业务生产环节里，合规、安全、成本、稳定性，每一个都是一票否决项。
👦🏻 Koji
你接触了非常多中国的企业家，你觉得今天大家在面临 AI 的时候，有哪些普遍的困境？
👨🏻 张帆
之前张一鸣讲过，企业的竞争就是认知的竞争。因为严格意义上讲，除了认知以外，其他的要素都能构建：人可以招，钱可以融，技术可以买。但是你的认知，决定了你的判断和战略。
之前有一个流传很广的视频，电视台采访，问大家对云计算的判断。马云认为云计算是未来；李彦宏觉得这是新瓶装旧酒；马化腾认为这个事还有很远的周期才能实现。最后发现，显然阿里云现在做得最好。这件事真的是因为腾讯的技术不够吗？是没有招到人才吗？不是，是企业家的认知。
所以，所有的企业家不要想偷懒，今天在 AI 时代，学习怎么理解 AI，是特别重要的一件事。你不要把它当成一个技术问题。很多企业家会觉得 AI 是技术问题，但我想说，AI 是个业务问题。
我们在很多讨论的时候，你并不需要知道背后……就像我们在讨论一个人，你不需要知道这个人的分子结构，或者把他解剖掉，但你要了解的是人性，你要知道人的特性，预测人的行为。
对应过来，我们有一个词叫做"模型性"（Model-Nature），对应"人性"（Human-Nature）。你不需要知道 Transformer 是怎么运作的，但你需要知道模型有哪些特性，你怎么利用这些特性。比如我们刚才讲到的，智能的不对称性、幻觉等等，这些概念本质上都没有技术问题，都是在聊我们怎么理解模型的特性，从而驾驭它，把它转变到业务当中。
所以，每一个企业家当仁不让，你要让自己变成公司的 AI 先知。你不可能有别人比你更早了解 AI 跟业务的结合，不可能有供应商比你更早，也不可能有模型厂商比你更早。所以你要比别人更早地理解 AI 和你业务的结合，把它当成战略要素中的必选一环。
就像我们刚才讲的，你要视模型为人。就像理解人性一样，你发现模型有很多特性，跟我们预想的不一样。比如，我们看到一些海外的论文，去做模型之间的博弈。他让一个模型扮演 Seller (销售)，另一个扮演 Buyer (顾客)，两个人去做博弈。你会发现结论非常没法看。Seller 有一个成本价，Buyer 有一个预算，他俩只要达到了就成交，没有任何我们想模拟出的东西。
👦🏻 Koji
这背后原因是啥？
👨🏻 张帆
如果你真的理解模型，你就发现这不奇怪。第一，模型第一个特性叫做"讨好型人格"。它基于 RLHF 的训练，让模型天然会倾向于满足对方。这是训练带来的特性。如果你在一个群体里做一个 Multi-Agent，所有模型的讨好型人格是会被叠加的，所以它的偏差会进一步放大。这些东西跟技术一点关系都没有，但是如果你不了解这些，你很难做出一个有效的判断。
👦🏻 Koji
这还挺有意思的。
👨🏻 张帆
我经常会举一个例子。你可以把基座模型理解为是一个大海，非常宽广，在波动。但这个时候，你觉得我要胜过别人，所以我要比大海变得更高。我有两种做法：一种是，我要在上面修一个灯塔，才能看得足够高。但是这个时候你要注意，海平面每半年要涨 100 米。所以你的灯塔不断在修，不断被淹没，你完全没有沉淀。
很多公司证明了这一点。比如早期的 Jasper，非常快，10 个月就变成了一个独角兽公司。但很快随着 ChatGPT 的发布，又变得销声匿迹了。本质上，我觉得它没有找到那个边界。
所以我给大家的建议是，你不要在海面上修灯塔，你要在海面上修一条船。船的逻辑在于，你跟模型是解耦的。海平面在上涨，你的船也在上涨，你船之上的东西还继续在涨。所以这是一个你跟模型能力解耦的模式。
👦🏻 Koji
那大家都知道轮船要比灯塔好，但是企业家怎么去造这个轮船，而不是造着造着发现自己造出来是个灯塔？
👨🏻 张帆
我们今天觉得，如果把它放到产业里面看，我们不应该是一个二维的坐标，而应该是一个三维的坐标。我们要在这里面再衍生一维，叫做"业务逻辑"。你看模型再牛，它不能解决旅游的供应链，不能解决旅游的服务，不能解决医院的看病。
所以，我给企业家定了一个目标：你在做业务的时候，要考虑你的"模型含量"。模型含量不是越高越好，也不是越低越好。越高，你就跟模型正面竞争，很快可能会被淘汰；太低，就跟这个时代没关系。
所谓模型含量，最好在 50% 左右。也就意味着，你有一半的竞争力来自于你原有的业务，有一半的竞争力来自于模型的放大。这两者的结合，是你的核心壁垒。
我们其实可以看到两个典型的案例。一个是 Jasper，它当时是帮人做广告文案的。在 GPT-3 出来，ChatGPT 还没有发布的时候，它非常快地就有了几千万美金的 ARR，当时绝对是明星公司。但是你可以发现，ChatGPT 发布之后，它六个月内快速陨落，因为模型完全覆盖掉了它的业务。它没有建立轮船的壁垒，它建了一百米的灯塔，ChatGPT 一发布，海平面一百米就涨完了，所以很快就被淘汰了。
但是你再看另外一家，比如 Notion。它也是非常早，在 GPT-3 的时候就已经发布了 Notion AI。但是你可以发现，AI 对它的价值带来的越来越大。在 23 年、24 年，你可以看它的财报和单人收入，是明显较之原来上涨的。本质逻辑就是，它除了模型之外，还有自己的、原有的办公软件体系的部分，而 Jasper 没有。
所以我觉得今天的逻辑，每个企业家都要思考，在 AI 时代，如果你想形成竞争优势，如何构建你业务的优势和模型的放大？这两件事缺一不可。
这里面也有很多误区。大家通常觉得数据是一切。我们见过很多企业来找我们聊，说"我这个聊天数据有几千万对，都拿来给你训，训完是不是模型就好了？"我说，训完模型就废了。
数据不是那么有用，或者大家也不必把数据当成那么关键。因为这个时代，环境是在变的，每时每刻的答案是不一样的。所以，与其构建数据，不如构建"生产数据的业务场景"。
如果你有了这样一个业务场景，它会源源不断地从自然界来生产数据。你要把它当成一块田，而不是把它当成一堆固定的庄稼。如果我们今天在企业内部，理解了模型的特性和业务方向之后，去构建这个业务场景，设计它怎么产生数据。如果你这个设计得好，你就会发现，这块田会源源不断地把真实世界的变化，变成最新的理解给到你。这才是每一个企业的护城河，是企业核心中的核心。
👦🏻 Koji
所以你会觉得，要去帮助企业更好地提升实际的生产力，这是今天元理智能想要做的事情。而听起来，你们要做的事情是比较泛化的，没有在一个垂直领域切入。但我这里也有一个疑惑，如果它能够被泛化，那它会不会最后还是基础大模型，或者说大厂的机会，而不是一个创业公司的机会？
👨🏻 张帆
我觉得不会。或者说，大厂肯定是重要的参与方，但这里面有几个原因。
第一，我们先看产品本身的壁垒。你发现，基座模型其实是一个很艰难的事，因为它没壁垒，或者说，它某种程度上是一个后发优势的方向。最早大家都会认为，RLHF 会对模型产生数据飞轮，但今天看下来，这个事情没那么关键，也没那么主流。
为什么我说它是一个后发优势的事？就是因为我比你晚做三个月模型，我可能成本是你的一半。一方面算力变便宜了，另一方面我还能蒸馏你。
而且，它的迭代不像以前。比如像百度搜索，它是有数据飞轮的。它的逻辑在于，随着业务的应用，你会增强某部分能力。比如原来你搜索"荷塘月色"，这个词里有菜、有歌、有小区、有餐厅。从技术角度，你根本不知道谁该排第一。但是一旦百度上线，你会发现你得到了大量原来没有的信息。比如，你发现北京的人民特别喜欢点小区，可能北京有个小区叫荷塘月色；你发现天津人民特别喜欢点餐厅，可能天津有一个同名餐厅。这个信息就是原来没有的，所以它会形成一个飞轮：我越滚动，信息越多，效果越好，别人越难追赶。
但是你发现，这件事在大模型里边没发生。大模型的 RLHF 到了一定阶段，其实不是特别有效。你看我今天用 ChatGPT，它经常给我一个 5000 字的反馈，给我两个版本让我选哪个好，我真选不出来。
所以，基座模型本身的飞轮没起来。但是你发现，如果进到 Agent 这个层面，事情开始发生变化。就好比说，一个高中生怎么变成一个更好的人？你发现他很难变，因为没标准。但是如果我今天说，一个医生怎么变成一个更好的医生？这个事就可衡量了。一个程序员怎么变成一个更好的程序员？这个事也可衡量了。
如果你从一个通用能力，变成一个生产力环节的数字员工，首先它是一个带有数据飞轮的。如果你有越来越多的销售在这个场景里用，就意味着你能从这个场景里收获到越来越多的知识。所以，如果我们今天能够把市面上常用的工种，比如 50 个工种，每一个都构建了足够强的共性先验知识，其实会让所有企业在驯化自己模型的时候，效率变得更高。所以从这个点上来讲，我觉得它是一个有壁垒的。
你会发现，这是不是大模型时代该做的事？在大模型以前，比如上一个 AI 四小龙时代，那个时候不是通用 AI，每一个 AI 都是垂类 AI。有人做一个车牌识别，有人做一个人脸识别，每一个都是独立的 Agent。但是你会发现，这种 Agent 的构建，就不是在泛化能力基础之上的。我今天识别一个新版本的发票和另一个版本的发票，几万条数据都是重新标的。
所以某种程度上，我觉得做垂类这件事，在今天这个时代不本质。我们希望找到一个从原来的一个个垂类模型，转变为一个基座大模型的逻辑，希望能有一个通用的方法来解决问题。这就是 AGI 的 "general" 本身的逻辑。
所以我不太相信，或者说，我认为也许在一两年之内，我们看到的确实是把一些人类的知识复刻到机器里面，让大家用一个行业的最佳实践。但是我觉得这件事从第一性原理角度来讲，它不本质。我认为更好的本质在于，我们必须为学习建模，我们有一套通用的学习手段，让每一个模型都有一个统一的方法，适应到我们每一个独立的任务当中。
👦🏻 Koji
其实这想到你第一次创业做妙计旅行，当时你是很自下而上地找了一个用户的痛点需求。比如他要去意大利旅行，搜机票，其实去罗马、佛罗伦萨、米兰都行。但原来的平台只能让他一个一个地搜，但在你这就可以说，我就是去意大利，你帮我把行程排出来，这样就可以有更复杂的搜索环境，得到更好的结果。
但是在听你介绍这次创业做元理智能的时候，我觉得好像是另外一种视角，比较从上到下。你会经常讲第一性原理是什么，在这个时代我们有什么样的技术基础，所以应该做什么样的事情。
这是两种很不一样的创业切入点。在你身上是发生了一些什么样的变化？
👨🏻 张帆
我觉得这是两套思考逻辑的不一样。从一个成熟一点的角度来讲，我们不应该从一些表象里边去找特征，因为表象是会变的。我们希望能够在表象当中去理解到什么东西是不变的。所以这就让我觉得，在今天创业选择的时候，我们总想从底层找到那些不变的和确定性的方向。
你看黄仁勋，在很早、没有任何收益的情况下，他坚持要投资 CUDA。当时消耗了他巨大的资金，而且他要求给所有的显卡都上 CUDA。这个创业奇怪的点在于，当时没有应用场景，只有个别科学家在用。但是他自己把企业的目标，定位在"并行计算是一个未来"上。所以他从最底层，推测了并行计算在未来的价值。当 CUDA 推出 10 年之后，AI 出现了，它产生了几何式的爆发。
这就是他不是通过表象看到了一个单点需求，而是通过底层的逻辑推演出来，一定会出现这样的一个变化。所以我觉得在今天，特别是表象这么凌乱和复杂的情况下，我们要更加 deep 地去思考，去找到那个趋势的变化。
👦🏻 Koji
在过去两年，有什么你曾经相信的事情，现在不相信了？
👨🏻 张帆
我想分享一个小点，跟你说的相反，是我原来不相信，现在相信的事，我想用这个来说明两个时代的变化。
比如关于"合成数据"。我最开始是不相信合成数据的。因为我作为一个传统做 NLP 的人，我们原来所谓的合成数据，就是用规则来生成一堆数据，然后进行模型训练。站在我们原来的逻辑里，觉得这是不可思议的。因为你想，我如果用 100 条规则生成 1 万条数据，然后我再去训练模型，那我干嘛不直接用那 100 条规则？听起来是个反常识的事。
在这个过程中，你就会觉得模型会 "overfitting"，也就是过拟合。
但是后来，在今年或者去年某个时间点，我突然相信这件事了。我发现，我也是站在了旧的坐标系里来看新的问题。我天然有一个假设：规则得比数据少。
大家通常想，100 条规则生成 1 万条训练语料，就会过拟合。但是为什么它得是 100 条规则生成 1 万条呢？为什么不能反过来，是 1 万条规则生成 100 条训练语料呢？如果 1 万条规则生成 100 条训练语料，它就一定不会过拟合。
但这个事听起来又反常识：我有能力写 1 万条规则，为什么不直接标 1 万条训练语料？
我觉得这个关键就在于"预训练"。我们并不需要自己去标这 1 万条数据。今天的大模型就是那个杠杆。我们今天给大模型一个 Prompt，这个大模型本身，如果它有万亿参数，某种程度上可以意味着它有万亿条规则。我们增加了一个 Prompt，或者我们训练了 100 条数据，其实意味着这万亿的参数全都做了更改。它就是把它映射到了人类原有的智慧上，变成了一个更大规模的规则变化。所以这个时候，我再生成的训练语料当然可以用了，它就不会过拟合。
我讲这个故事是想告诉大家，其实我们总是自觉和不自觉地陷在了原来的认知里面。而今天在 AI 这个领域，我觉得认知是要被快速升级的，**我们一定要有空杯心态，从更加第一性的角度去探索这些不一样的部分。**我想通了，就会觉得很开心。
这也是为什么我们今天在做商业强化学习的时候，里边有大量的 AI 博弈。理论上 AI 已经在了，你为什么要通过博弈来产生新的知识？本质上就是因为两个博弈体，因为两套规则，添加了两套不一样的 Prompt，或者做了两个微小的调整，让两类知识能够进行博弈，从而产生一些全新的知识。底层都来自于这个第一性原理。
最后的 300 万美金，会投给谁？
👦🏻 Koji
最后一个问题，如果今天给你 300 万美金，让你去做天使投资，可以投三个人。不管他是已经在创业，还是你认为如果他创业一定会做得非常好的人，你能想到哪三个名字？
👨🏻 张帆
如果 300 万美金，看目标是啥？
👦🏻 Koji
目标是要投出一个 billion dollar company。
👨🏻 张帆
哈哈，这个难度太大了。如果今天我有 300 万美金，且所有公司都能投的话，我觉得我会分三份。一份我会投在大厂里面，一份我会投在模型公司里面，还有一份会投到 Thinking Machines Lab 这家公司里面。
这是一个不太在聚光灯前的公司，虽然它融资很高。我看到他们其实对于商业和 AI 的本身，有深度的理解和洞察，我觉得非常稀缺。你看他们今天所有的研究，都在于如何高效地让机器更好地去做学习。这就是在我们刚才的路径上走得更快。因为他们比我们更有钱，我们没有办法像他们走得这么激进，但是我觉得这个方向是我高度认可的。
👦🏻 Koji
今天很开心请到张帆，也祝福你和元理智能可以在这一次新的创业里面一帆风顺。也期待你可以再来十字路口。
👨🏻 张帆
谢谢 Koji。
参考资料
[1] 小红书: https://www.xiaohongshu.com/user/profile/548251dce779893bcf3f77bc
[2] 哔哩哔哩: https://space.bilibili.com/505301413
[3] Youtube: https://www.youtube.com/@kojiyang