我们投了一个 03 年的“少年老兵” | 云启 Y Talk
马力全开·云启年货集 vol.02
22 岁意味着什么？ 它通常指向毕业、懵懂，和对未来方向的反复思考。但在 Gen-AI 重塑工作与创造方式的当下，这个年纪以飞快的速度迎来了更多答案。
对于 03 年出生的杨博麟（William）来说，22 岁是一段用 AI 改变知识获取方式的旅途。3 天，从 0-1 Vibe code 出产品 demo；快速验证迭代、快速组建团队……在人人皆 builder 的今天，杨博麟和他的教育 Agent 「Cuflow」（读音同 Qflow，取 curiosity&flow 之意) ，以"非常 AI" 的速度踏上了创业征程。
但"快"的背后并不是一条轻盈的直线。更早的时候，杨博麟就把世界当作一个需要被亲身验证的对象：
小学三年级，受杂志故事启发，在贵州县城来回坐公交卖报纸；16 岁留学期间，因突发变故回国参与处理家里的生意；后来一路做过品牌出海、在线教育项目，在不同领域里摸索、拿结果、再出发。这些经历在杨博麟身上沉淀出对复杂问题的拆解能力、对不确定性的耐受力。
2025 年，云启投资团队结识了这位颇具快速迭代能力的"少年老兵"。「Cuflow」成为云启 98 后专项投资计划" Y Transformers "投资的第一批项目。
「马力全开·云启年货集」vol.02，与你分享云启品牌播客「Attent!on」 Y Transformers 计划专栏 「Y Talk」的首期对话节选。
欢迎扫描上图二维码或在小宇宙关注「Attent!on」收听本期节目
在本期对话中，你将看到*
·代际碰撞： 投资人（90后/95后）与 03 后创业者，如何定义 Gen-AI 时代的创业者特质，与大分流时代的"创业要性"？
·产品哲学： 为什么 AI 教室不应只是"聊天框"，而应是具备感知与调度能力的"全模态空间"？
·成长样本： 一个 03 年连续创业者的成熟度模型：对自己有客观认知，对复杂问题有拆解能力，对不确定性有情绪稳定性。
·行业洞察： 在大模型快速迭代的今天，为什么说"用户编辑"是送给开发者最好的礼物？
本期节目嘉宾：
杨博麟（William）- 教育 Agent 产品Cuflow 创始人、CEO
韩义 - 云启 Y Transformers 主力投资人
贺泽青 （Cobo）- 云启 Y Transformers 主力投资人
主持人：
Linda - 云启董事总经理
*部分内容节选（文字经编辑整理）
01
"98后"为什么天然是 AI native？
Linda：
从去年 10 月开始，我们的 Y Transformers 接触了很多 98 后、甚至 00 后的 AI 创业者。作为投资人，你们观察到这一代人身上，最明显的特质是什么？
Cobo：
最直观的一点，是他们非常 AI native。我们在 day one 接触团队的时候就能看到，不管是做产品、内部协作，还是验证想法，他们对 AI 工具的使用几乎是默认动作。
另外就是迭代速度。idea 到产品的速度更快，而且在商业 sense 上，很多团队从一开始就天然指向全球市场。
还有一个很有意思的点，是他们对自媒体的理解。98 后几乎是自媒体原生的一代，非常擅长用内容和个人表达建立影响力，这一点在创业早期其实非常重要。
Linda：
他们好像就是"长在自媒体上"的一代。那韩义你这边怎么看？
韩义：
我补充一个我个人非常看重的点，叫"要性"。 现在是一个大分流的时代，机会很多、风险也很多。在这种环境里，创业者有没有一股很明确的"我要"的劲，其实非常关键。
这种"要性"不是口号，而是落在行动里的：我要把产品做好、我要更 AI native、我要带着不同背景的团队往前走，并且在不确定里依然能做决策。
Linda：
William，作为 98 后创业者的一员，你听到投资人刚才的这些判断，认同吗？
杨博麟：
挺认同的。但对我们来说，可能很少会主动去想"我是 AI native 吗"这件事。这个世界好像本来就该这样，我们只是顺着这个环境往前做事。
可能正因为信息充沛、工具充沛，反而会有一种很自然的心态：既然机会这么多，那为什么不去要更多？
02
"少年老兵"：
年少撞上现实世界
Linda：
投资团队当时对 William 有一个评价，说你身上有一种"超出同龄人的成熟"。你自己怎么看这个说法？
杨博麟：
其实在融资之前，我从来没想过"成熟"这个词。是好几位投资人都给了类似反馈，我才开始认真想：他们在说的到底是什么？
后来我大概拆了一下，所谓成熟，可能有三个层面：第一，是对自己有相对客观的认知，知道边界在哪，也知道自己不知道什么；第二，是拆解和处理复杂问题的能力；第三，是在不确定性面前，情绪相对稳定。
Linda：
那你觉得这种"成熟"是怎么形成的？
杨博麟：
更像是一个相互塑造的过程。我本身可能就有一些对世界的好奇和想要改变事情的冲动，而一些比较早期、比较重的经历，强化了这些东西。
回过头看，那些经历是高度与现实世界碰撞的输入，它们让我的"价值函数"更早被填充起来。
Cobo：
我第一次见 William 的时候，用三个词形容他：杠杆力、少年、老兵。
他很擅长 leverage 比自己更有经验的合伙人和资源，这是年轻团队里非常稀缺的能力。同时他又有 00 后那种很强的冲劲和新打法，但在目标和决策上并不天真。
03
"Build 很简单，
创业依然很难"
Linda：
William，你在做 Cuflow 之前，其实已经有过好几段不同类型的创业经历了——品牌出海、医疗用品、到在线教育，再到现在的教育 Agent。有人会觉得，在今天这个环境里，年轻人创业是不是变得特别"水到渠成"？
杨博麟：
如果只是说 build，创业本身确实是更简单了。 比如 Cuflow，最早的时候就是我一个人 Vibe code，从 0 到 1 做出一个可以用的 demo，大概三天时间。
但创业这件事，本质上我觉得还是很难的。它并不是"获得一些生产要素"，而是对心力的持续消耗。很多时候你会觉得已经退无可退了——就像黄仁勋形容的那样，一边嚼着玻璃，一边盯着黑洞。
Linda：
那如果回头看，这几段创业里，哪一段对你影响最大？
杨博麟：
是上一段在线教育创业。我那时候大概观察了两千多个课时，真正让我意外的是：一堂好课，并不取决于它的信息量，而在于 engagement。后来我抽象了一个指标，叫 Aha moment per minute。好的教学，应该不断制造"我懂了"的瞬间，而不是老师单向输出。
韩义：
我其实比较认同把连续创业看成一个打怪升级的过程。大家都知道，真正的大成可能只需要一次，前面的经历更多是在积累对商业、对世界运行方式的理解。
尤其对 98 后这一代创业者来说，这样的过程其实非常正常。哪怕都是早期，哪怕很多时候是从一个生意开始做起，但这些经历会慢慢帮你建立起对规则、对人性、对资源配置的判断。等到真正需要做一件更长期、更复杂的事情时，这些东西都会变成底层能力。
04
什么样的 AI 工具，
才能真的把人教会？
Linda：
回到 Cuflow，本质上你们想解决的是什么问题？你们最想把哪一类需求解决掉？
杨博麟：
我们一开始其实也想过很多传统教育的问题，但最后抽象出来，我们本质上更像一家信息组织公司。 核心问题只有一个：信息应该如何被高效地组织与被传递，才能真的被人理解？
我们看到的未来可能是：在后 AI 时代，大部分技能学习和通识学习会更偏向自下而上，由学习者自发完成。学校可能更多承担的是引导、社会实践、人与人链接的部分。我们想做的，是提供一个平台，让学习者能在上面完成以自己为中心的学习体验。
下定决心做 Cuflow，有两个很关键的原因。
第一个，是我上一段做在线教育时观察到一个现象：名师很难规模化。我们大概看到一个 1:9 的现象——90% 的学生都想跟 10% 的名师上课，但名师的时间有限；剩下的老师即便很努力，能分到的课时和收入也很有限。 所以"好老师"这件事，本身就是供给不足的。
同时我们也把市面上主流的 AI 教育产品几乎都看了一遍，国内海外都有。最终我们的结论是：都不太满意。当时主要有三类：拍照搜题类、学习工具类、以及通过提示词工程做的文本对话类。 但学习这个过程其实非常多模态——大脑皮层里有很大一部分在做视觉处理，文字本质上是一种高度后天叠加在视觉系统上的能力。 如果用更"模型"的说法：视觉是并行处理，文字更偏序列处理。天然地，眼睛直接看到、直接感受到的东西，处理效率更高。
所以我们会认为，真正的学习体验不该只是"回答问题"，而是要更强的可视化、更及时的互动——尤其是对"上好一堂课"这件事的解决。因为学习里最关键的，就是能不能持续产生 aha moment，能不能让交互真正发生。
第二个原因更个人一点：我在贵州少数民族地区长大，后来又去英国读书，算是体验过比较差的教育环境，也体验过相对好的教育环境。我会觉得差异不在智商，而在信息传递系统出了问题：信息以不适合被吸收的方式出现，没有匹配学习者的认知带宽。 名师的价值就在于，他能根据你的认知带宽，用最适合你的方式、调用多种工具把东西讲清楚。AI 的出现，让"把很贵的老师的能力个性化、规模化"变得可能，我们很想去做这件事。
Linda：
所以你们强调的是一个"全模态 AI 教室"。
杨博麟：
对。我们从一开始就不把 Cuflow 定位成聊天式学习工具，而是一个具备自适应全模态能力的生成式 AI 教室。
大家最容易理解的全模态，是学生可以看、听、读、写、画、拖，AI 也可以在一个"教室"里讲、画图、演示、生成代码、图表、视频。 但我们认为更重要的是：全模态不只是"生成不同模态"，而是具备模态推理和模态调度的能力——在图形上推理、在空间关系上推理，并且在交互反馈里修正推理。
举个例子：你在实时白板上画错了一个公式或图，AI 不只是用语言说"你错了"，它会回溯你画的结构，把公式对齐、高亮你错的那一部分，再用动画展示正确过程，让你清楚知道错在哪。 同时它还会持续判断你的学习状态，动态决定：此刻用文字讲、用图讲、用动画讲，还是做一个实验，哪种方式最能推动理解发生。我们叫它模态适配性。
一句话就是：AI 不再只是回答问题，而是理解"学习"本身是一个多模态认知过程，并在正确的时刻用正确的表达方式，让理解真正发生。理解是发生在过程里的。
杨博麟：
还有一个对我们来说非常重要的模块，是 Flow Notes。它是一种流式笔记系统。我们希望在一个全模态的学习空间里，能够在合适的时刻调用合适的模态来讲解，而这件事的前提，是系统真正理解用户当下的学习语境，也就是 context。
过去在互联网时代，context 的获取往往是被动的——需要用户主动上传资料、反复补充信息。但我们希望这件事可以变得更自然一些。
所以我们设计了 Flow Notes。它会在用户上课、阅读、与 AI 对话，或观看视频的过程中，自动捕捉并结构化整理多模态的学习内容，把来自不同来源的知识点关联起来，生成一份带有个人印记的学习流笔记，帮助用户把碎片化的信息，逐渐整理成一个可回溯、可演进的知识体系。
更重要的是，这套系统不仅是给用户用的，也同时服务于 AI。AI 会从这些以 session 为维度沉淀下来的笔记中获得 Insights，继续作为后续讲解和交互的输入来源。某种程度上，它是一个被显化出来、可以被人和 Agent 共同使用的 memory management system。
05
AI 应用，难在模型之后
Linda：
韩义你在内部其实反复强调一个观点：很多模型也好、应用也好，在真正走向商业场景时，会遇到大量工程问题。像刚才 William 讲到的记忆系统、打标签，这些是不是你所说的"工程化工作"？这种事情重要吗？
韩义：
现在 AI 能力的提升，确实有一部分来自基础模型、前沿模型本身，这是毋庸置疑的。但当这些能力要落到具体场景里去应用时，一定会遇到大量模型之外的工作。
比如刚才提到的记忆系统，本身就包含了一整套设计思路和理念：什么时候该存？存什么？怎么存？
而不同公司在这些问题上的选择，其实是完全不一样的，最终带来的产品体验差异，也和模型更新本身并不是一一对应的关系。所以我会把它理解成一种非常典型的工程化体现。
Linda：
你之前其实打过一个很形象的比方。
韩义：
对。我经常用"电"来做类比。电的发明，本身极大提高了人类利用能源和传播能量的效率，但真正决定体验的，是电怎么被用起来—— 电车怎么用电，电网怎么用电，电灯、手机又怎么用电。为了让这些东西成立，我们需要不同的电池，解决充放电逻辑，还要考虑安全、效率和稳定性。这些工作本身，和"有没有电"不是一个层面的事情，但它们决定了电到底能不能被真正用好。
Linda：
所以在 AI 应用里，这类工程化不是"锦上添花"，而是必须要做的事。
韩义：
一定是必须的。尤其是在真实业务场景中，如果没有这些工程层面的工作，模型能力是很难被稳定、持续地释放出来的。就像 Manus，其实大家看到的是一款用起来很顺的产品，但背后在记忆系统、信息 IO、空间管理上，都做了大量工程设计。
06
为什么是 Cuflow？
Linda：
站在投资人的角度，其实 AI 教育这个方向已经多次讨论，也看过很多项目了。那你为什么最后会选择 Cuflow？
韩义：
我一般会从两个层面来看。第一是我们对 AI 应用本身的投资 mindset。现在是一个大分流的时代，很多项目在不同阶段都会调整方向，甚至 pivot，这在 AI 应用里是非常常见的。所以在这种环境下，我不会太执着于 day one 的产品形态，而是更关注团队本身和创始人的特质。
就像我前面提到的，我很看重创始人身上的"要性"。在很多事情都看不清的情况下，这股内在驱动力反而更重要。
第二个层面，其实还是教育这个市场本身。教育是一个长期存在的大市场，付费意愿也很强，人总是要学习、要进步的。每一个周期里，都会有新的技术、新的产品形态，去改善人获取知识、串联知识的方式。
我们更多在 bet 的是，在这个大市场里面，通过一款产品或者通过一种服务形态，让人们获取知识以及串联知识的能力进一步的提升。
Linda：
那在这些前提下，Cuflow 身上你最看重的点是什么？
韩义：
是他们的迭代速度。现在 AI 应用已经不是"软件加 AI"这么简单了，很多时候形态会不断变化，甚至是被新技术推翻。所以我们更希望看到的是一种能力：能不能持续跟上最前沿的技术变化，把它转化成产品能力，而不是被某一种形态锁死。
如果未来真的出现了新的交互方式，甚至是完全不同的人与知识的连接方式，那今天的产品形态可能都会发生变化。在这种情况下，重要的是能力能否不断适配、不断重构。
Linda：
Cobo，你是第一次代表云启见 William，当时你们是什么时候感受到这个变化的？
Cobo：
其实是不同时间切片下的变化。第一次见 William 的时候，我会觉得他是一个很有创业潜质、很清楚自己想解决什么问题的年轻创业者，但在技术和产品层面，还是相对早期的状态。
大概过了一段时间再见，我能明显感受到，他对大模型、对工程细节的理解更深入了，也开始形成比较清晰的产品 sense。我们看到的是一个学习和迭代速度非常快的人，而且这种变化是连续发生的。
Linda：
所以你们看到的并不是一个"已经完成态"的创业者。
Cobo：
对，而是一个在变化中的人。最近一次再聊，会发现他在产品理念上开始变得更克制了——从一个更大而全的设想，慢慢收敛成更优雅、更可持续的产品方向。很多真正走得长远的产品，其实都是这样一步步打磨出来的。
完整内容，欢迎在小宇宙平台搜索订阅"Attent!on"收听最新节目。
Y Transformers 项目亦在持续报名中，欢迎扫描下方二维码，和我们一起创造吧！
