# S8 Vol.18 元理智能张帆：AI不是许愿池，行业需要非共识 创业内幕 Startup Insider · 2026-07-30 元理智能创始人兼CEO张帆（曾任智谱AI COO，此前创办过妙记、元因并任职大搜车）在《创业内幕》中说，AI的机会在ToB而非C端：互联网解决连接效率，AI更像电力，必须嵌入物理世界改造产业，因此他坚定选择ToB这个反共识方向。他拆解元理智能的路径：用商业强化学习加垂直世界模型，为学习建模而非为知识建模，让数字员工在模拟棋盘里自进化，把企业劳动力单元成本降一百倍、门槛降一百倍；他以麦当劳店长到肯德基也能快速上班为例，强调生产第一性是劳动力而非业务流程，并一再提醒AI不是许愿池，老板不能靠问一句就让Agent解决业务。张帆以健康服务和销售场景为例，称目前约七成流程已自动化，预计半年内达九成，但现阶段只筛不到五个灯塔客户深度共创，避免做成外包。他还区分通用智能与垂直智能：金融等有标准答案的领域属于通用智能延长线，一定会被Anthropic这类公司通杀；真正的垂直智能要像巴菲特与索罗斯那样在同一领域内相反而各有最优解，这才有壁垒。分享中他回顾了从妙记“好产品不等于好商业结果”的教训，认为AI带来的不是替代人，而是脑力无限扩张——三百人公司可以接待高一千倍的业务。最后他介绍元理智能正在招聘高密度人才，并借OMEGA课程鼓励更多非共识尝试。 ## Questions this episode answers ### 什么是张帆提出的“商业强化学习”？ 张帆提出的商业强化学习，是把围棋、代码这类有明确输赢反馈的闭环映射到商业环境：商业里的奖励信号稀疏、有噪音且延迟，但人类销售仍能成长。元理智能用“垂直世界模型加商业强化学习”，在模拟的商业棋盘里大规模试错、自我进化，最终形成可上岗的数字员工。 [15:40](https://startup-insider.podhood.com/ac1e3aac-8520-43ca-bd07-f637c4b87d25?t=940000) ### 为什么张帆认为AI更像电力，而不是互联网？ 张帆说，互联网解决的是连接效率，AI解决的是生产效率；互联网会产生新的链接和平台，而AI真正大的价值不在电力产业本身，而在于嵌入整个物理世界，去改造零售、运输、房地产和人类的居住方式。所以AI要像电力一样落地到产业中才有价值。 [9:04](https://startup-insider.podhood.com/ac1e3aac-8520-43ca-bd07-f637c4b87d25?t=544000) ### 通用智能和垂直智能的区别是什么？为什么垂直场景不需要“六边形战士”？ 张帆说通用智能的第一性是泛化，希望智商上限足够高，不管问什么都能答，所以要堆算力、堆数据；垂直智能则是在有限局部范围内追求超过通用模型的最优解，用业务转化结果而不是MMLU这类通用benchmark来衡量。垂直场景不需要什么都会的六边形战士，需要的是成本比它低十倍、响应比它快五倍、能直接产生业务价值的专用能力。 [35:07](https://startup-insider.podhood.com/ac1e3aac-8520-43ca-bd07-f637c4b87d25?t=2107000) ### 为什么张帆认为AI不是SaaS的进化版，而是替代人类劳动力？ 张帆说，过去人是概率性的，需要靠确定的SaaS和流程来抑制个体不确定性以提升组织效率；而AI解决的不是更确定的SaaS，而是概率性的人，让AI替代人类操作SaaS去完成结果。这样企业价值就等于所有员工劳动力的总和，AI可以在少数节点百分之百替代原有人力。 [17:30](https://startup-insider.podhood.com/ac1e3aac-8520-43ca-bd07-f637c4b87d25?t=1050000) ## Key moments - **[0:00] 开场** - [0:04] 张帆：“互联网解决的是连接效率，AI解决的是生产效率；而AI更像电力。” - [0:51] 张帆：AI带来的不是对人类工作的替代和减少，而是释放大量因人类不足和成本过高而没做的事。 - **[1:28] 创业背景** - [2:16] 张帆：元理智能的目标是把通用智能到业务价值的链路成本降10倍、门槛降10倍，帮企业构建可进化的数字员工。 - [3:40] Q: 为什么离开智谱再创业？张帆：通用智能转化为企业价值比预想复杂，多数企业仍停留在Demo和演示能力，未反映到财务报表。 - **[5:24] 商业教训** - [6:29] 张帆：妙记旅行曾推出一键生成旅游规划的酷炫产品，但OTA数据不稳定，任何一个节点错误都会让整个计划失效。 - **[8:06] ToB之辩** - [8:06] Q: 为什么AI创业仍选择ToB？张帆：AI领域太多共识，创业公司必须反共识，ToB才是AI最大的价值所在。 - [10:20] 张帆：Anthropic Q1已盈利而OpenAI每赚1美元亏1.2美元，证明场景价值越大，智能的价值就越大。 - **[12:22] 技术体系** - [12:34] 张帆：从深蓝、AlphaGo、AlphaGo Zero到AlphaZero，博弈是研究机器学习知识的最佳范本，证明人类知识有时既是知识也是噪音。 - [13:37] 张帆：杨乐坤、李飞飞想预测整个宇宙的世界模型如同巴比伦塔；他选择在商业领域构造更小的闭环来分治。 - [16:04] 张帆：元理智能的壁垒是技术第一性与产业第一性的融合，由垂直世界模型加商业强化学习构成，并能产生网络效应。 - **[16:55] 数字员工** - [18:47] 张帆：AI把市场定义从全球1万多亿美元的软件市场，扩大为60多万亿美元的劳动力市场。 - [20:22] 张帆：过去把通用智能落到垂直领域靠“手搓”咨询、模型训练、智能体三件事，单一场景做到90分要花两三百万元，难以规模化。 - [21:38] 张帆：元理智能的Scaling标准是成本下降100倍、效果提升10倍，实现三个数量级的变化。 - **[21:52] 学习范式** - [23:41] 张帆：麦当劳店长换到肯德基一周即可上岗，说明生产力第一性是劳动力而非业务流程，应“为学习建模”而非“为知识建模”。 - [25:57] 张帆：与其访谈100个销售建1万条数据，不如构造1000个真实顾客的棋盘，让AI在虚拟世界训练100年，离心机式抽取最优解。 - **[27:08] 未来愿景** - [27:08] Q: 300人公司最终能否在10人内完成运营？张帆：AI不是要把公司变小，而是让300人公司承接比现在高1000倍的业务。 - **[29:51] 客户案例** - [30:09] 张帆：健康服务客户原本每人每年服务成本200元只能赚100元，AI可把成本降到2元甚至1元，服务体验反而更好。 - [31:52] 张帆：元理智能数字员工在健康服务场景已实现约70%自动，预计未来半年内达到90%自动。 - **[32:10] 智能体落地** - [33:56] 张帆：“大家太容易把AI当成一个许愿式使用AI了……如果这个都好，那你的价值是啥呢？” - [35:07] 张帆：通用智能的第一性是泛化，垂直智能是在有限局部范围内得到超过大模型的最优解，衡量指标是业务转化而非MMLU。 - [36:33] 张帆：巴菲特和索罗斯是两个相反的最优解，各自只在自己的业务逻辑里成立，这才是真正的垂直智能。 - **[38:00] 通用与垂直** - [38:11] 张帆：企业将同时使用垂直智能与通用智能，如同GPU与CPU并存，垂直智能很大程度来自通用智能的进步。 - [41:00] 张帆：“我并不希望用发动机提高养马效率，而是我如何把它变成汽车。” - **[41:48] 尾声招募** - [43:14] Q: 作为OMEGA四期班长，上OMEGA一年有什么感受？张帆：课程免费且每年迭代，像强化学习一样与时俱进，企业家收获巨大。 - [44:51] 张帆：AI市场已有太多共识，元理智能是反共识的有意义尝试，OMEGA在鼓励更多非共识火花。 - [46:52] Q: 元理智能现在还招人吗？张帆：当然，这个时代高密度智力价值巨大，期待有好奇心、创造力、愿学习新知的人加入。 ## Speakers - **Lily** (host) - **张帆** (guest) ## Topics AI企业服务 ## Mentioned Anthropic (company), DeepSeek (company), OpenAI (company), 元理智能 (company), 智谱 (company), AlphaGo (product), AlphaGo Zero (product), AlphaZero (product), ChatGPT (product), Claude (product), OMEGA (product), Sora (product) ## Transcript ### 开场 **张帆** [0:04] 互联网解决的是连接效率 ，AI 解决的是生产效率 ； 而 AI 我觉得如果让我找一个类比 ， 更像电力 。 电力真正大的价值不在于电力产业本身 ，而是在于它来改造零售 、 它来改造运输 、 它来改造房地产 、 它来改造人类的居住的方式 。 这一切东西它一定要嵌入物理世界的 。 其实围棋就是一个极小的世界模型 ， 它只在一张棋盘之内构造了闭环 ，是通了的 。 比它更大一层是 Vibe Coding， 编译器其实某种程度上是 Coding 的世界模型 ， 就是我能在这里面模拟它的环境 ， 给出反馈 。 那一方面到 Coding， 另外一方面到杨乐坤的终极的这个世界模型 ， 我觉得在这个中间里边有没有机会 。 AI 的第一性导致效率的提高 ，是不是真的就是对人类的替代和人类的工作的减少 ？ 我觉得其实不是 。 我们今天世界有大量该被人类做 ，但由于人类不足和成本过高 ，以至于没做的事 。 我们今天每个人都应该有一个高质量的健康医生 ， 我们现在做不到 ，是因为人太贵了 。 所以我觉得工业革命带来了我们体力的无限扩张 ，而 AI 带来了我们的脑力的无限扩张 。 是不是一个 300 人公司能够接待比现在高 1000 倍的业务 ， 这可能是我们追求的目标 。 ### 创业背景 **Lily** [1:28] 亲爱的听众朋友大家好 ， 欢迎收听本期的 《 创业内幕 》。 我是主持人 Lily。 本期我们请到的这位嘉宾 ，他是我们 OMEGA 的应该是四期的班长 ， 然后同时也是元理智能的创始人兼 CEO 张帆 。 张帆总 ， 跟大家打个招呼吧 。 **张帆** [1:42] 大家好 。 **Lily** [1:44] 因为其实帆总在过去的履历里有个更加知名的身份 ，他是智谱 AI 的 COO。 我们也知道您其实在大搜车 、 妙记等公司都有过创业和技术商业化的经历 。 那么今天我们邀请您来 ， 第一就是想请您介绍一下您在创业的这个元理智能主要是一个什么样的公司 ，以及再简单介绍一下您自己吧 。 **张帆** [2:05] 元理智能是一家专注于垂直智能的公司 ， 帮助企业来构建自己可进化的数字员工 ， 把通用智能转化为企业的业务价值 。 所以我们现在的目标就是希望如何把通用智能到业务价值这个链路 ， 从第一性的视角把它的成本能够降 10 倍 ， 把它的门槛降 10 倍 ， 更多的可以把 AI 应用到业务当中， 带来业务价值 。 然后也跟大家简单做一下自我介绍 ， 我自己其实是一个技术背景 ， 国内本科毕业之后在法国读人工智能 ，2010 年回国 ，也算上赶上了第一次 AGI 的浪潮吧 。 当时大家在做 Siri， 我先后在搜狗和腾讯都是负责类似的方向的 。2014 年的时候我又开始出来创业 ， 先做了一家 AI 加旅游的公司 ， 之后我又加入了大搜车 ， 算是一家 AI 加汽车产业的公司 。 到后面我又创立了一家公司 ， 叫元因智能 ，是 AI 加大数据的公司 。2022 年的年底 ChatGPT 发布之后， 我们突然发现这一次的 AI 的范式完全变化了 ， 我就又加入了智谱 ， 把我当时的公司并进了智谱 ， 一直到今天 。 然后在去年的 6 月份我们又出来做了元理智能这家新的公司 ， 大概是这样的一个蛮折腾的背景 。 **Lily** [3:20] 听起来是非常酷的背景 ， 感觉每一步都踩在了风口上 。 对 ， 回到我们听友们非常关心的一个问题 ， 智谱今天已经是一个无论是在资本市场还是在企业级的角度来讲 ， 它都是一家极其知名的和具有商业化价值的公司 。 就离开这样一家公司再创业 ， 当时是一个什么样的契机和考量呢 ？ **张帆** [3:40] 离开智谱当时还是一个蛮艰难的决定 ，因为我觉得智谱是一个非常优秀的公司 ， 然后又在这个时代的节点上 。 当时来讲 ， 我自己觉得过去的十几年隐隐约约的一条主线 ， 本质上就是把智能跟产业做结合 ， 就无论是有意的还是无意的 ， 我们在这条线上做了十几年的事 。 所以在去年的时候 ，有两件事是当时决定自己下定决心做一件新事的关键的要素 。 一件事就是我发现其实如何把一个通用智能转化为企业价值 ， 这件事比我预想的复杂 。 就是我们当时做了非常多的商业化 ，但是大多数企业还是停留在 Demo， 还是停留在一些演示酷炫的能力 ，而真正能够让它变到业务价值 ， 反映到财务报表 ， 还是一个非常难的事 。 我觉得这件事肯定是通用智能进入下一个浪潮很重要的一个方向 。 另一个点就是这件事关键要素是什么 ， 我觉得是一定要找到一种通用的手段 ，而不是传统的一个定制的手段 。 所以我们当时很大的气息是看到了 DeepSeek 发布了 R1 之后， 强化学习可以在一些泛化领域里面得到应用了 。 所以我们当时第一反应就是说 ， 那这种能力是不是可以应用在商业领域 ，是不是能够加速它进入到垂直领域 。 归根结底 ， 一方面我觉得冥冥之中我们会有一种使命感 ， 会觉得我们过去十几年都是希望能够把智能跟产业做结合 ， 这件事有一点点舍我其谁 ， 对吧 ？ 我们算是产业里最懂 AI 的 ，在 AI 里面最懂产业的 。 另一个点就是如何能够让 AI 嵌入到物理世界 ， 某种程度上也算是另外一种方式 ， 帮助智谱把更多的智能应用起来 。 基于这样的一个背景吧 ， 所以当时做了这么一个新的公司 。 **Lily** [5:24] 对 ， 我也想请教您 ，因为您的背景里本来就是在法国国家科研中心做机器翻译研究的背景 ， 从早期深耕这个机器翻译 ， 到带队研发了像搜狗 、 腾讯这些智能语音的产品 ， 到后来您去又做了妙记旅行 、 大搜车 ， 包括元因 。 ### 商业教训 **Lily** [5:41] 就十几年的商业化的进程里 ， 你觉得哪些痛点是你持续在关注的 ？ **张帆** [5:46] 我觉得这是一个学习和训练的过程 ， 就是我们在刚开始那一刻所关注的痛点 ， 跟今天所关注的痛点会变得不一样 。 所以通常在我们看到的世界里 ， 负责商业的跟负责研究的团队是距离极其远的两个团队 。 但是各种的机缘巧合 ， 过去这么多年我们其实是一个从纯技术人员到商业人员的一个蜕变的过程 。在我最开始做技术的时候 ， 我会觉得算法就是一切 ， 只要有个好的算法 ， 它一瞬间就可以让机器翻译变得质量高很多 。 然后到了搜狗 、 腾讯那个时代 ， 我们就发现产品可能更重要 ， 光有一个好的技术还不行 ， 你需要有一个好的载体 ， 让大多人去应用 ， 能够收集更多的数据等等 ， 才能形成一个更好的闭环 。 但是我第一个创业就是 AI 加旅游的妙记 ， 就给我们带来了很大的一个教训 ， 就是我们发现好的产品不等于好的商业结果 。 我们当时做的是很酷炫的一个产品 ， 可以一键就帮你生成一个旅游规划 ， 搜集了所有市面上的 OTA 的数据来帮你生成一个规划 ， 我们觉得很酷炫 。 但是你发现真正在商业的逻辑当中， 这些都不是最重要的 ， 就是你没发现原来 OTA 的数据并没有那么稳定 。 我们是一个链路产品 ， 任何一个节点的错误导致整个计划都是错的 。 然后很难讲一个 A 方案比 B 方案 ， 虽然我的算法上它可以好 5%，但用户并不在乎等等一系列非常产业的问题 。 我们发现如果把智能融入产业 ，并不是简单的一个酷炫产品 ，而是从产业的第一性 ， 借助于技术的能力来重塑整个产业 。 所以那就是在当时的妙记 ，在大搜车 ， 包括元因 ， 我们都是这样的思路 。 但是到了 2022 年的 10 月份 ， 我们看到了 ChatGPT 的发布 ， 整个这个东西又变了范式 ， 就是我们都是在希望能够把原来的这些知识重塑进来 ， 跟产业做结合 ，但你发现通用模型的能力远超过我们原来垂直能力的想象 。 所以我们加入了智谱 ， 很幸运的做了这一条线 。 然后到了今天 ， 我们就发现通用智能的第一性是泛化 ， 真正跟企业在落地到业务场景的时候 ， 泛化反而不是第一性 ，在这个场景内的质量和效率才是第一性 。 所以又催生了所谓我们认知的垂直智能 。 基于这样的一条链路 ， 我觉得我们是随着外界变化 ，不断在自我训练的一个过程 。 所以我们本身就是一个强化学习 。 **Lily** [8:06] 对 ，因为我知道您之前在智谱的时候 ， 交付了接近几个亿规模的 ToB 大模型落地的经验 ，但是实际上目前 AI 创业的一些共识 ， 就认为 ToB 很慢 、 很重 、 很难规模化 ， 特别是对早期公司来说 。 ### ToB之辩 **Lily** [8:19] 为什么就是您在创业的时候 ， 还是依然认为 AI 的机会在 ToB 里 ？ **张帆** [8:24] 因为我觉得其实今天的 AI 世界最大的问题就是太多共识了 ，而如果作为创业公司 ， 你必须要反共识 ， 就大家都认为对的事可能轮不上我们干 。 所以第一个点在于 ， 我们怎么看 AI 这个产业的定义 。 原来来讲 ， 大多数人会把 AI 跟互联网做比较 ， 根据以往的经验 ， 互联网一定是 C 端的天下，B 端一定干得不行 ， 对吧 ？ 这是从归纳法的角度 。 但是我们从更底层的思考来讲 ， 如果从演绎法的角度来看 ， 我觉得互联网其实跟 AI 解决的是不一样的事 。 互联网解决的是连接效率 ，AI 解决的是生产效率 。 所以只有互联网会产生新的链接 ， 会产生新的平台 。 而 AI 我觉得如果让我找一个类比 ， 更像电力 。 电力真正大的价值不在于电力产业本身 ，而是在于电力要嵌入整个物理世界 ， 它来改造零售 ， 它来改造运输 ， 它来改造房地产 ， 它来改造人类的居住的方式等等。 所以这是跟互联网世界不一样的 。 第二个点的逻辑在说 ， 中国 ToB 到底好不好干 ， 这里边我们也有太多的噪音干扰了我们的判断 。 如果冷静来看待 ， 我觉得中国的 ToB 并不难干 。 百度的广告卖得挺好的 ， 字节的广告卖得也很好 ， 它不是 ToB 吗 ？ 所以只能说 ToB 的软件不好干 。 不好干的原因到底是因为 ToB 不愿意付费 ， 还是因为它不能显性的带来价值 ？ 因为我们也做过大量的 SaaS，SaaS 最大的逻辑在于说 ， 用 ACRM 和 BCRM 到底能给我业务带来什么样的结果 ， 这件事是极其不清晰的 。 但是广告为什么可以 ？ 因为我每多投一块钱 ， 就能带来一个什么样的结果 ， 这件事是一个显性的 。 而我觉得今天 AI 的第一性 ， 让我们具备了能够把一个软件的隐性转变为 AI 的显性 。 所以从这个两个逻辑上， 一个底层 ， 一个上层来讲 ， 我其实非常反共识的坚定的认可 ，ToB 是 AI 最大的价值 。 包括您看 Anthropic 最近 Q1 跟 OpenAI 的 Q1， 大家都看到两边的收入已经基本上追平了 ，但是一个是说 OpenAI 是每赚一块钱还要亏一块二 ，而 Anthropic 已经盈利了 。 所以本质上反推下来 ， 你的场景价值越大 ， 你的智能的价值就越大 ， 某种程度上在呼应我们对于 ToB 的判断 。 **Lily** [10:42] 对 ，其实我非常同意您的这个观点 ， 至少在我加入投资行业早年的时候 ， 我喜欢这个行业是因为每个人都在说我们要反共识 ， 我们是这个世界里能平息噪音的人， 就是我们能够找到那个不被认可的最美的那个金子 。 可是过去一两年， 其实美元基金在中国是极其焦虑的 ， 基本上你看到就是那种主题导向和 FOMO， 就是你怕错过这个东西 ，以至于你就拼命的去投 ， 这其实是不对的 。 从今年的上半年开始 ， 我突然感觉到从我们内部到什么 ， 就是都有了一些变化 ， 市场突然意识到 ，其实在 AI 越高级的时候 ， 它就越依赖现实世界里那些最基础 、 最沉重 、 最不好绕开的东西 。 所以我们也刚刚投了一家公司 ， 叫做超磁新能 ，其实就是我们的第一家可控核聚变公司 ， 就是发电 。 我昨天看华尔街日报有篇文章 ，其实就是在讲这个美国像 Meta，他们收购了一堆电力公司 ， 核电站 ， 什么 Meta、Microsoft、OpenAI 都在收核电站 ， 包括那个 Elon Musk 他们也是 。 就为什么 ？ 就是因为你其实到最后，AI 它的核心其实你还是绕不开最基础的东西 。 我觉得您刚才这个判断跟我目前的这个感受其实还是挺一致的 。 但是我们就说回来 ， 今天你看 ， 我们相对于传统的通用大模型 ， 就是这个太焦虑了 ，因为其实就每天一个概念 ， 你看上个月又变了 ， 这概念从这个大语言模型现在又变到了世界模型 ， 对吧 ？ 李飞飞团队在搞的 ，其实相对于各种各样的通用的模型 ， 传统的 Agent， 尤其是像元理 ， 今天我们在做的这个公司 ， 它其实在自进化 、 业务适配 、 成本可控 、 长期迭代等等 ， 这个领域其实是有非常多的挑战的 。 ### 技术体系 **Lily** [12:22] 我也想问问您 ， 面对这些挑战 ， 您在技术上有什么样的壁垒吗 ？ 或者是说我们如何解决传统 AI 落地的那种行业难题 ， 用技术来突破它 ？ **张帆** [12:34] 我觉得首先我们今天看到的是自进化 ， 这些是个很好的概念 ，其实大家也都在讲 ， 为什么最开始有这样的一个想法 。其实如果往前倒 ， 我们发现最好的研究机器学习知识的范本其实是博弈 。 从最早的 IBM 的深蓝 ， 下赢了卡斯帕罗夫 ， 再到 AlphaGo， 下赢了李世石 ， 再到一年之后的 AlphaGo Zero，在完全没有用任何人类先验知识的情况下， 下赢了 AlphaGo， 然后以及再往之后， 它把 AlphaGo Zero 转变成了 AlphaZero， 马上又把这种能力通用的放到了将棋 、 象棋等围棋以外的棋类上 。 所以我觉得这是一个特别好的逻辑 ， 就是我们有的时候会发现 ， 人类的知识有的时候它既是知识又是噪音 。 比如说第一次发现这个在通用模型上有用 ， 我是看到了 R1 的那篇论文 ， 就是 DeepSeek 当时证明了 GRPO 对这件事是有效的 。 所以我们当时的本能的就在想 ， 这件事能不能把它映射到商业环境 ， 就是我能不能在一个商业环境内做自我的进化 。 就如果拉开来看 ， 您看这个世界模型像杨乐坤或者是李飞飞 ，他们本质上想解决的是一个极其宏大的问题 ，他希望能够预测整个宇宙折叠意义上背后的本体 ，他希望能够预测整个宇宙发生 。 但我觉得这个有点巴比伦塔的意思 ， 就我觉得人类不见得是能够搞得定 ，因为它太难了 。 如果一件事搞得太难 ， 我们是不是就可以把它做分治 ？ 其实围棋就是一个极小的世界模型 ， 它只在一张棋盘之内构造了刚才那样的一个闭环 ，是通了的 。 但是比它更大一层是谁呢 ？ 是 Vibe Coding， 编译器其实某种程度上是 Coding 的世界模型 ， 就是我能在这里面模拟它的环境 ， 给出反馈 。 所以今天为什么模型可以进化速度这么快 ， 从原来一年发一个大版本 ， 现在是每两三个月发一个大版本 ，其实就是自动在跑通这件事 。 那一方面到 Coding， 另外一方面到杨乐坤的终极的这个世界模型 ， 我觉得这个中间里边有没有机会 ？ 在这个里边我们想到的是说 ， 我们能不能基于商业构造一个闭环 ，因为这是从产业逻辑里边价值最大的 。 那我们就看到原来的挑战是什么 ，在原来的逻辑里边 ， 我们都有一个非常明确的信号 ， 比如围棋是赢还是输 。 所以强化学习的本质是 Reward， 它那个 Reward 是可以非常清晰的告诉你输赢的 ，Coding 也可以 。 但是我们一旦进入了商业 ， 这个东西变得极其模糊了 。 如果我去卖一个东西 ， 我跟这个人聊了一个小时， 最终这个人没买 ， 我能说我这一个小时都聊错了吗 ？ 它会有奖励信号的稀疏 、 噪音 、 延迟等复杂问题 。 但是你发现人类从第一性的角度上来讲 ， 一个销售从刚毕业到干了一年、 五年， 他的能力就在提升 ， 从一个不确定 、 没有一个明确 Reward 的环境当中， 依然可以得到成长 。 这是我们最早的想法 ， 那我能不能在这种情况下把它固化下来 ？ 所以这就开始变成了一个交叉学科 。 它一方面我们需要对于模型的底层是极度的理解 ， 另外一方面我们需要对人类如何去设定这个奖励信号的过程要极度理解 。 所以我们如何把这两种原生的第一性的结合 ， 我们会把它构造成商业领域里的一个一个的组合 ， 就是一个垂直的世界模型加一个商业强化学习 。 世界模型是我们对于世界去做建模 、 去做模拟 ， 强化学习是在于如何在这个领域内找到有效的信号 ， 结合我们过去十年智能跟产业的结合 ， 构造这样的一套体系 。 这就是我们未来的产品 ，而这东西的壁垒在于不只是技术的第一性 ，也不只是产业的第一性 ，而是两者融合的第一性 ， 某种程度上也能产生一些网络效应 。 **Lily** [16:15] 对 ， 那我就要跟您探讨一下 ，其实早在 2023 年前后， 就是很多人都相信 ， 只要增加你的数据量 、 算力和参数的规模 ， 像大语言模型最终还是能走向 AGI 的 。 但是其实到今天我们就发现 ， 大语言模型越来越聪明 ，但是它天花板其实是非常的明显 。 一旦涉及真实物理世界 ，有涉及到物理和运动的一些规律的时候 ， 人工智能就显得没有那么可靠了 。 刚才咱们讨论的其实都是说 ， 世界模型是不是能解决这个问题 ， 像人工智能越来越向人类的思考方式去靠拢 。 但这个事跟您这次创业所选的赛道 ， 叫可自进化的企业数字员工 ，其实是有一点类似的 ，因为你的员工他在物理世界里更多的还涉及到一些复杂项目的交互 。 就我想请教您 ， 这款产品您觉得它核心的形态应该是个什么样子的 ？ 然后它和市面上的这些简单的 AI 办公 、AI 客服这些工具比肯定是有本质差异的 。 ### 数字员工 **Lily** [17:06] 它的差异在哪里 ？ 它是不是距离我们说的机器能够模拟出真实世界的样子越来越接近了 ？ **张帆** [17:12] 这里边其实是两个概念 ， 一个概念就是我们怎么定义数字员工 ， 或者我们怎么定义基础智能进入业务价值的单位是什么 。 另一个维度是说我们到底用什么样的手段来实现 。 我把这两个问题分开来聊 。 第一个聊法就是在于说 ， 我们今天 AI 到底解决的是什么问题 。 我见过很多人把 AI 当成 SaaS 的进化版 ， 我觉得完全 Totally 不是 。 您看其实原来没有 AI 的时候 ， 人是使用 SaaS 来解决业务问题 。 这个时候里面有两个东西 ， 第一 ， 人类是一个概率性动物 ， 人类是不确定的 。 我跟这个销售说得再明白 ，他都有可能执行起来是有多样性的 。 但是程序是确定性的 ， 一段程序执行十遍它也是一个结果 ， 否则就出 Bug 了 。 我们原来人类的组织管理里边 ， 就是要抑制人的概率性来保证组织的效率 。 我们为什么要填 CRM， 我们为什么要填 ERP， 为什么要有 SOP， 这些所有的流程都是从管理动作上来限制人的概率性 ， 希望它回归到确定性 。 就大家总觉得个体效能提高了 ， 组织效能就提高了 ，但你理性的来看待管理学 ， 都是通过限制个体的效能带来组织的效能的提高 。 这个是一个蛮有意思的 。 好 ， 说回刚才的这个问题在于说 ， 那原来是人概率性通过确定性的 SaaS 来解决问题 ，而我们今天 AI 到底解决的是什么问题 ？ 我们解决的是更加确定性的 SaaS 吗 ？ 不是的 ， 我们解决的是概率性的人类 。 所以我理解今天 AI 是替代人类来操作 SaaS 来完成结果 。 如果是这样的一个背景 ， 我们就发现整个问题的定义就变了 。 从原来企业软件的全球的一万多亿美金的市场规模 ， 变成了六十多万亿的劳动力的规模 。 我并不是说它百分之百替代 ，但我只是说这两件事的定义带来整个市场的规模都不一样 。 所以我觉得这是第一性 。 那如果到这个里边之后， 我们去怎么衡量它的价值 ， 现在其实很难 ， 大家只能拿一个 Demo 看起来很酷 ， 就我怎么证明它进到企业了 。 我觉得那就看今天企业对于业务价值的单元是什么 。 我认为是劳动力 ， 就是今天企业的人来构造了业务价值 ， 通不通过 SaaS 搁在一边 。 也就是一个企业总体的产生的价值 ， 等于所有员工的劳动力的总和 。 这就很好的一个锚点 。 今天我们到底能不能进到企业里边的核心是在于 ， 我到底能不能替代人， 我到底能不能替代原有的价值的单元 ，也就是劳动力 。 我并不是认为它是个工具 。 你看我们以前做 SaaS 的时候 ， 会把一个业务拆成十个节点 ， 每个节点用 SaaS 提效百分之二十 ， 你发现非常难干 ，是因为你百分之二十进到企业内部 ， 就是在改变原有的流程 ， 所以你需要跟人有极大的冲突 。 但是今天 AI 的逻辑变成 ， 我不需要每个节点提效百分之二十 ， 我能不能十个节点里先找到两个节点完全 AI 化 ， 这就是劳动力的替代 。 所以从这个点上来讲 ， 我们的目标很明确 。 我并不希望说把一个组织全部替代成 AI，但是我能不能在少量的节点上用 AI 百分之百替代原来的劳动 ， 从而就很好衡量原来人做这件事所带来的成本 ， 衡量的价值 ， 今天就转移到机器上了 。 好 ， 这是说我们怎么定义这个单元 。 那第二个问题就刚才说的 ， 为什么今天要用强化学习 ， 要用世界模型来做这件事 ，是因为刚才说的这件事我们以前就在干 ， 包括我们在智谱 23 年什么的 ， 我们一直也在干这件事 ，但当时的逻辑叫做手搓 ， 抽象下来我们就干三件事 。 如何把通用智能进到垂直智能 ， 第一件事叫咨询 ， 我得定义它是啥问题 ， 什么叫好 ， 什么叫坏 。 第二件事我们要做模型训练 ， 如何在这个垂直场景里让一个更小 Size 的模型达到比 Sauce 模型更好的效果 。 第三个部分我们要构建智能体 ， 我们要搭 Harness， 如何让这个东西从一个智能转变为一个可以操作业务的逻辑 。 但是原来干这个三件事最大的问题在于什么 ， 这三件事的成本是极高的 ， 做个六十分很容易 ，但是我们如果想把它做到九十分 ， 任何一个单一场景你不花个两三百万其实蛮难的 。 而且你一旦建好了之后， 它就变成一个死数据了 。 我不能用前年的数据来指导今年的任务 ， 所以我就意味着我定期都得要做 。 所以这条路径几乎是不通的 ， 只有在极度有价值的产业里边才有机会这么做 ，但它没办法大规模的 Scaling 进去 。 所以我是不是能够找到一种方法 ， 能够把这种成本下降一百倍 ， 能够把门槛下降一百倍 ，不用人来标注这个数据 ， 我能不能自动进化和学习 。 所以我们就构建了刚才那套体系 。 这两件事是说我怎么衡量和我怎么把这个东西推广到更大的范围 ， 我的 Scaling 是什么 ， 商业世界 Scaling 是什么 ， 那就是成本下降一百倍 ， 效果提升十倍 ， 这就是一个三个数量级的变化 。 ### 学习范式 **Lily** [21:52] 对 ， 这听起来还是停留在一个非常理想的理论阶段 ， 几乎所有我们的 SaaS 公司都在做 AI 的转型 。他们跟我共同分享的一个比较大的痛点 ， 就是你其实要进入一家企业真实的商业场景或者流程 ， 对于企业的开放程度要求是非常高的 。 这里面有很多数安的问题 ， 合规的问题 ， 包括说机器的幻觉问题 。 所以说您刚才提到的这个状态 ， 这个逻辑是对的 ，但是在实际交付过程中， 它会不会遇到这种类型的挑战 ， 就是我们要有多长的路要走 ， 才能达到您刚才说的这个理想的 ， 用可自进化的企业员工来代替人的真正的终极状态 。 **张帆** [22:28] 我觉得我们现在基本上百分之七八十跑通了 ， 这个事没有想象中的那么远 ，但是这件事的做法跟 SaaS 的做法是完全不同的两种范式 。 我们当时最熟悉的词 ，SaaS 的逻辑叫什么 ， 叫做行业最佳实践 。 我们需要为行业里边的链路流程去进行建模 ， 从这种方式建模就意味着我们假设所有的企业对这件事需要的流程是一样的 ，但现实当中这个事从来就没跑通过 ， 就从来都有大量的定制 。 **Lily** [22:56] 对 ， 所以 SaaS 它每个行业都有自己的玩家 ， 你就哪怕再小的行业 ， 它都能养活一公司 。 **张帆** [23:01] 而且原来不只是这样 ， 就是每个企业都有自己的个体最佳实践 ， 平均线以下的用户才需要行业最佳实践 ， 平均线以上的没有人需要行业最佳实践 ， 我叫个体最佳实践 。 所以天然 SaaS 是一个悖论 ，是因为在原来我们 SaaS 的流程当中， 管控确定流程的时候 ， 它唯一能找到的标准单元就是这个 。 比如说我们就可以把麦当劳的 SaaS 给到肯德基 ，不改造个百分之三四十几乎是不可能的 ， 三四十都算少了 。 所以第一性的逻辑上来讲 ， 行业最佳实践和流程就不应该是一个好的标准单元 。 但是我们换一个维度 ， 如果我们把麦当劳的店长派到肯德基 ，他基本上一个礼拜就可以上班 。 所以你就发现真正更加第一性对于生产力的原则 ，不是业务流程 ，而是劳动力 。 如果我们还是原来一个最佳实践的逻辑 ， 我们就是在为知识建模 ， 我们就需要跑到每家企业里看它的资料 ， 看它里边的每一个东西 ， 我去做抽象 ， 我去做访谈 ， 它永远就有这种问题 。 大多数的东西是不能标准化的 ， 原来的问题都依然会遇到 。 而如果我们今天回到另外一个维度 ， 像提供员工一样 ， 我能让他的店长进来 ，他的培训可能就变成三天了 。 这就好比原来小模型时代 ，AI 四小龙时代 ， 那个时候做人脸识别 ， 你要站在那个时候来看 ， 它就理解不了大模型为啥是能通用的 。 但是今天大模型第一性 ，不是因为大模型的人更聪明 ，而是它这个范式从第一天就不一样 。 所以如果我们用以 SaaS 的路径去做这件事 ， 所有的问题不会改善 ， 依然还会发生 。 而如果我们今天用 AI 第一性的角度来做 ， 很多原来的问题是不存在的 ，是有可能被解决的 。 **Lily** [24:38] 对 ， 大家企业的这个行业性质不一样 ， 它其实这个知识也是有非常大差别的 。 有的企业的知识是可以很好的被传承 ，有的就不太行了 。 **张帆** [24:47] 我并不认为很多东西是能为知识建模 ， 对原来的产业的知识 ， 公司的知识 ， 要读它大量东西去做建模 ，而我们相当于是在于能不能去为学习建模 。 我来构造它企业内部的棋盘 ， 借由 AI 自动的进化 ， 通过棋盘内自己学习知识 ， 获得这样的逻辑 。 就好比说如果我们今天要为企业构造一个销售的数字员工 ， 我们 SaaS 的逻辑是啥 ， 我就要进到企业内部 ， 找一百个销售做访谈 ， 最后可能建了一万条数据 ， 两万条数据 ， 这样的一个结构 。 但我想说的是 ， 从人类的视角上来讲 ， 人类就不太善于做高精度的数据 。 这里边的销售里边有一百个高手 ， 每个高手的百分之八十是共识 ， 百分之二十各自不一样 ，而它互相还会抵消 。 也就是说群体智能到这 ， 你能到百分之八十就上不去了 。 这我们在很多场景里都是这样的 ，而且这是死的 ， 就是我们现在面对不同的市场 ， 它这个东西是变的 。 所以说我与其给你构造一万个这些高手的回复 ， 那我今天选择另外一条范式 ， 我不要访谈你一百个人， 我能不能为你构造一个你将来可能遇到的一千个真实世界的顾客 ， 这就是我的棋盘 。 我让你这个 AI 在这个棋盘内 ，在虚拟世界进行一百年的实验 ，不断的在这个里边进行沟通 ， 尝试不同的 ， 我可能遇到一个特别热衷于品牌的 ， 我可能遇到一个价格特别敏感的 ， 我要在各种策略去尝试去学习 ， 相当于一个离心机一样 ， 把你内部的知识和这个世界里边所有的通用知识进行离心机的抽取 ， 找出这个场景的最优解 。 所以这就是两个范式 ， 我并不需要那么大量的数据 ，而且这里边有大量的东西是可以被借鉴的 ， 这里边是有公共知识的 。 所以这就是定位不一样和学习方法不一样 ， 我们从原来为企业的知识建模 ， 转变为为学习范式建模 ， 我们构造了一个商业世界模型 。 如果你今天是一个销售的商业世界模型 ， 那你可能会发现说比亚迪所面临的这个世界和奔驰所面临的世界不一样 。 我如何能够快速帮你构建一个九十分像你真实世界的这样的一个世界模型 ， 然后让你要去真正面对的这个用户 ，在这个世界模型内大规模的去做训练 ， 来合成数据 ，而最后得到了一个八十分的销售的员工 ，而这个员工是可以直接上岗的 ， 从而完成了对这个岗位的替代 ， 所以这是我们的目标 。 **Lily** [27:08] 对 ， 那您觉得最终终极状态 ， 就我们常见的三百人左右的一家公司吧 ， 这个公司能实现比如说在十人之内完成它的运营吗 ？ ### 未来愿景 **张帆** [27:17] 我觉得这是另外一个视角 ， 就是我们今天 AI 的第一性导致效率的提高 ，是不是真的就是对人类的替代和人类的工作的减少 ， 我觉得其实不是 。 我们今天世界有大量该被人类做 ，但由于人类不足和成本过高 ，以至于没做的事 ， 这个其实机器能够几十倍的 、 百倍的 、 千倍的在放大这些需求 。 举个简单的例子来讲 ， 我们今天每个人都应该有一个高质量的健康医生 ， 我们每个人都应该有高质量的学习的老师 ， 学习英语的 ， 学习健身的 ， 我们应该有无数这样的服务 ， 包括我们以前做的应该都有一个旅游规划师 ， 我们现在做不到 ，是因为人太贵了 。 所以我觉得倒不是简单的来讲 AI 是不是能把它缩小 ，而是 AI 是不是能把这件事放大 ， 就是我们更加无限的供给我们的智能 。 工业革命带来了我们体力的无限扩张 ，而 AI 带来了我们的脑力的无限扩张 ， 所以这件事本质上来讲 ， 我不想衡量说它是不是能把一个公司变小 ，而是在于说是不是一个三百人公司能够接待比现在高一千倍的业务 ， 这可能是我们追求的目标 。 **Lily** [28:25] 对 ， 前两天就有一篇文章也非常打动我 ， 它其实讲到的观点跟您这个很类似 ， 就是人类其实在这个问题上不要纠结和忧虑 ， 特别是新入职场的人， 或者是说职业技能没有那么强的人。 我忘了那家公司是哪家了 ，也是一家美国的大公司 ， 是一家保险公司 ， 然后它的 CEO 其实是纽约的艺术学院毕业的一个学美术的人 ，他其实就佐证了这个观点 ， 说为什么他可以做 CEO，他没有任何的金融的背景 。 这个文章的观点就是讲 ， 如果在 AI 时代 ，其实对于人类来说 ， 它更重要的能力是抽象的东西 ， 把它具象化 、 流程化 、 执行 、 管理 ， 这些能力其实对于一个人来说它是更重要的 。 所以你并不用担心说 AI 来了 ， 我的工作就被替代了 ，而是说你去做了更有价值的工作 ， 或者说把人的能力往另一个方向上去转型 。 你不需要去做敲数字 、 看数字那些本来机器就能做的事 ， 或者是一些简单沟通 ， 那你需要做的是把你现有的能力去转向一个更适合人类的一个方向 。 **张帆** [29:26] 忍牛马的部分让 AI 干 ， 我们只干创造的这个部分 。 我觉得这是个蛮期待的时代 。 **Lily** [29:32] 对 ， 所以我同意您的观点 ， 就是说三百人公司我还是这三百人， 只要你有足够的学习和进步的能力 ， 你就可以都留下， 然后你的业务量翻十倍 ， 然后所有的人类的体验感翻十倍 ， 翻一百倍 。 对 ， 你不需要 996 了 。 **张帆** [29:48] 所以像马斯克讲的 ， 这就是个丰裕时代 。 **Lily** [29:51] 对 ， 您刚才讲到了咱们产品的一些规划想法 ， 包括我们技术上的一些基础的壁垒 ， 那我想问问有没有一些实际的案例 ， 可以佐证目前我们用了现在的产品之后， 它在业务稳定性 、 决策准确性等等这个领域 ， 或者说销售效率上的提升 ， 目前有这样的案例吗 ？ ### 客户案例 **张帆** [30:09] 有的 ， 比如说我们有一些客户是在做健康服务的 ， 就是它会告诉你你的健康的问题 ，但是在原来的逻辑里边 ， 这件事人力是非常有限的 ，而且人类的组织带来的问题是规模不经济 ， 就是你规模越大 ， 中层越多 ， 你管理五十人跟管理五千人， 你的中层数量不一样 ， 你的人效不一样 ， 所以某一天你的业务的增长无法抵消掉你人效下降的时候 ， 你的 天花板就到了 。在这样的一个逻辑下， 我们看到一些企业 ， 就是它没有能力大规模去做这样的服务 ，而且它会发现如果我要做这样的服务 ， 比如说我要给你做一些健康的解读 ， 帮你做一些慢病的管理 ， 医院的挂号 ， 保健品的推荐 ， 保险推荐等等 ，在原来这个场景里没办法做 ， 你可能服务着一个人一年要花两百块 ，但你只能赚一百块 。 但是我们今天在这个 AI 的场景里面尝试 ， 就是说如果 AI 这条路跑得通 ， 理论上它能够从两百块直接变到两块 ， 甚至一块 ， 一下这个问题就没有了 。 所以其实服务的体验变得更好 ， 成本变得更低 ， 企业又从一个传统公司变成一个半科技公司 ， 所以这是一个多赢的事 。 那这件事的逻辑我们在今天的一些场景里边已经一定程度上解读了 ， 我们现在还没有大规模 ，但是都是由几十人到几百人再去扩这个规模 ， 完全由 AI 来替代人去做服务 。 就为什么这个事本身也没有太大的冲突 ，是因为人可能只服务了百分之二的人， 那我们就服务另外百分之九十八的人。 所以说也不存在抢人的活 ，在这几百个人当中我们明显看到 ， 几乎没有人发现这是机器 ， 它的体验依然是好的 ， 通过电话 ， 通过微信 ， 通过启微在全链路的帮它服务 ，并且在很多场景里边增加了它完成了购买 、 改约等等一系列的商业的动作 。 所以我们现在认为这件事基本上是跑通的 ，但今天可能不能说百分之百纯自动 ，在过去的半年多的时间里边 ， 我们基本上已经做到了百分之七十多的自动 ， 可预计的未来半年内 ， 我认为能到百分之九十的自动 ， 所以这个比例是在快速提升的 。 **Lily** [32:10] 今年年初开始大家都在说龙虾 ， 就是龙虾类的这个自主 agent，其实在 C 端和产业端其实都热度空前 。 ### 智能体落地 **Lily** [32:17] 我还记得刚过完年我有一个律师朋友 ，他说我们全律所全部安装了龙虾 ， 我说你是找谁安装 ，他说他们专门有供应商服务他们律师行业 ，他们非常标准的 ， 就是法律条款都是那什么的 ， 然后他说我现在会把一个案子接不接 ， 丢给龙虾去判断 ， 你觉得我值不值得接 ， 这个案子它的难度 ， 可能带来的回报 ， 对方愿意付的这个费用 ，是不是一 个值得去做的事 。 当时我还觉得这个事情应该也是很快 ， 就能在各个行业都跑通 ， 可是今天来看半年过去了 ， 各行各业都还在一个尝试阶段 ， 或者很多停留在了试用阶段 、POC 阶段 ， 就很难规模化 。 那我也想问问你 ， 比如说今天我们主打的这个可自主学习的数字员工 ， 它落地的难度大不大 ， 目前企业的接受度怎么样 ， 什么样的企业更愿意用 ？ **张帆** [33:04] 您说的那个事我特别有共鸣 ，因为经常有各种朋友也来咨询我们 ， 特别我们还经常跟企业家做一些分享 ， 然后我就一般都是属于比较泼冷水的 ， 就是我们的企业家都变得极其的焦虑 ， 一旦焦虑了就喜欢干什么 ， 喜欢学习 。 从 23 年大家学怎么写 prompt， 要做这个 prompt engineer， 然后后面来讲 GPTS 出来说以后没有 Apple Store 了 ， 我要做 GPTS， 等到 Sora 出来了 ， 就是三胞胎们的视频满天飞 ， 然后等到 Code、DeFi 出来了 ， 所有人要搭 workflow， 然后龙虾出来了养龙虾 ， 那个 Hermes 出来养马 ， 后边还有养人什么养各种各样的东西 。 我就说那你站在今天 ， 如果往回看过去这两年做的这一切的事 ， 到底有用还是没用 ， 就是你真的是借助于 AI 满足了你的企业的价值 ， 还是说它只是缓解了你的焦虑 ， 给你创造了一种没有被时代甩开的错觉 。 我觉得这个很残酷 ，但大多数就是这样的 ， 所以我从来不主张大家盲目的去学这些 ，而且我觉得有的时候大家太容易把 AI 当成一个许愿式使用 AI 了 ， 就老板总觉得说我问一下龙虾我这个就好了 ， 如果这个都好了 ， 那你的价值是啥呢 ？ 所以那我们今天的从刚才您说的这个逻辑上来讲 ， 到底企业接受度高不高 ， 我觉得目标很简单 ， 就是你怎么定义这个问题 。 就如果我的目标是给它展现一个 demo， 给它一个 benchmark， 这件事它一定接受度高不了 ， 或者它短期觉得高了 ， 根本应用不起来 。 任何落地的 agent 产品只有一个目标 ， 能不能有效的跟当前的人工对比它的效能 。 如果你今天是个销售 ， 那你能不能跟人去比销售的能力 ， 比如说你今天是个律师来判断这件事 ， 我是不是能有效的跟今天的一个真正的 junior 的律师去做对比 。 不是说你一定要百分之百超过这个人 ，但你是不是有一个可比的条件 ， 比如说他是九十分 ， 你能不能是不是七十分 。 今天大多数都不是这么落地的 ， 当然还有很多人来问我们说 ， 那你干这件事会不会有一天鸡毛把这事都干了 。 我说一下我自己的逻辑 ， 就是怎么看待这件事 。 本质上的逻辑就是在于说 ， 我觉得这个世界上有两种智能 ， 一种叫做通用智能 ， 一种叫做垂直智能 。 通用智能就是今天 ChatGPT， 然后 Claude 智谱在干的事 ， 就它希望得到的是一个智商足够高的上限 ， 所以通用智能的第一性叫泛化 ，不管你问啥我都得能答 。 所以大家要堆算力堆数据 ，但是其实在真正的世界里面 ， 我们不需要那么多六边形战士 。 垂直智能的逻辑是在于说 ， 我们能不能在一个有限的局部范围内 ， 得到一个超过骚踏模型在这个范围内的最优解 。 就如果我今天是个销售 ， 我不需要会做微积分 ， 同时我们能不能成本比它低十倍 ， 响应能不能比它快五倍 。 我的衡量指标不是 MMLU 这样的通用的 benchmark，而是在于说直接带来业务转化的结果 。 但是这个市场上今天有一个模糊的点 ， 就大家总会觉得说什么叫通用智能 ， 刚才说的金摩尔这个通用智能搁在一边 ， 那我们今天做金融算不算通用智能 ， 我们今天学英语算不算通用智能 ， 我们做广告投放算不算通用智能 。 说实话我觉得这都叫通用智能 ， 就是大家定义的区别 。 所以 Anthropic 可以在 Cowork 上面发一个 plugin， 导致大规模的把金融的事都干了 ， 它来招大批的专家 。 所以这件事它只是一个泛通用智能 ， 它不是垂直智能 ，是因为无论是对于谁 ， 金融都是有标准答案的 。在这个逻辑下， 一定是通用智能的延长线 ， 鸡毛一定会通杀一切 ， 就是我个人的观点 ， 我觉得在这条延长线上没有任何机会 。 但是什么叫真正的垂直智能 ， 垂直智能是在一个局部领域 ， 两个垂直智能它有某些指标是相反的 。 就如果我今天要一个金融专家 ， 它叫通用智能 ，但我今天有一个巴菲特 ，有一个达利欧 ，有一个索罗斯 ， 这叫垂直智能 ，因为他是了巴菲特他就不能是索罗斯 。 巴菲特只在他自己的业务逻辑里是最优解 ， 索罗斯只在他的业务逻辑里是最优解 ， 所以它跟通用智能是相背的 。 回到刚才您说的这个问题 ， 就是我怎么看它行不行 ， 就如果你今天得到的东西是通用的 ， 甭管谁来 ， 你都问这个项目能不能接 ， 这个钱够不够 ， 这件事一定没价值 。 即使它能行 ， 你也是所有人都能干 ， 你没有任何价值 。 但只有像我们刚才一样 ， 比如说你专门做并购的律师 ， 专门做财产的律师 ， 你是专门做法国的律师 ， 美国的律师 ， 中国的律师 ，在这个律师内你有你的棋盘 ， 你有你的边界 ，在你内部是一个最合理 。 但是如果你可能迁移到一个离婚的律师 ， 可能就变得不一样 ， 这才是你真正的垂直智能 。 而解决这件事 ， 我是没办法一个一个手搓的 ， 我唯一的办法就是要定棋盘 ， 为学习建模学到你的最优解 ， 就是你画你的围棋棋盘 ， 只要你定了 ， 我帮你训出来 ，而不是说原来的 SaaS 的逻辑 ， 我把这世界的三千万棋谱存好 ， 谁来了我都对照着来干 ， 这 就是第一性的不一样 。 **Lily** [38:00] 对 ， 那我们极端一点讲 ， 会不会就是说 ， 咱们现在产业里都是通用大模型的参数竞赛 ， 未来我们会不会就是全面转向垂直世界模型的这种落地价值的竞赛 。 ### 通用与垂直 **张帆** [38:11] 首先一点我要先澄清一下， 就是我认为垂直智能跟通用智能的价值都很大 ， 这是两条线 。 就是对于一个企业来讲 ，top 的稳定的场景一定要切入垂直智能 ， 它的指标更高 ， 成本更低 ， 可控性更强 。 但是对于泛化的 ， 没有形成为标准的 ， 要去做大量实验的 ， 一定要用通用智能 。 就跟我们今天用 ASEC 芯片和这个英伟达的这种通用芯片 ， 本质上这两个东西 ， 我用 GPU 跟 CPU 如果放在以前的逻辑 ， 都需要 。 只是我觉得这个世界现在只有 CPU， 没有 GPU， 我们如何来更加高效的去生产 GPU。 所以未来的企业 ， 它一定是既用垂直智能 ， 又用通用智能 ， 两者结合 。 而垂直智能的来源 ， 很大的一个维度来自于通用智能 ， 通用智能变得越好 ， 我们的收益就越高 。 **Lily** [39:03] 明白了 ， 就是其实咱们过去传统大模型的这个落地效率就不高 ，因为它太通用了 ， 用您的话说对不对 。 那么我们现在想要强调的是说 ， 我们用这个商业强化学习 ， 再加上我们的商业世界模型 ， 垂直的这个产业 ， 就是您刚才举的一个例子 ，其实我觉得特别对 ， 不同的律师调用的模型就是不一样 。 我那个朋友他是一个非常专业的股权律师 ，他只做跟企业股权相关的 ，其他的比如说像也有些刑诉律师 ，也有一些像代理一些公司的那些律师 ， 就不适用他这个 。他公司里边自己训练的这个非常非常小的公司里的小模型 ， 现在就已经能够很好的帮他去分析他这个小小赛道里的这些事了 。 相信就是未来这种非常垂直的企业 ， 它都是您的核心客户在第一批 。 那大企业里边 ， 比如说我们也有一些什么现在强势的一些方向和部门可以用吗 ， 比如说客服 、 销售 。 **张帆** [39:56] 当然可以 ， 只不过我们现在的这个阶段还没有进入大规模 ，因为我们产品化没有完成 。 我们现在的核心逻辑 ， 坦率讲今天是有点重的 ， 我们大概只有不到五个灯塔客户 ， 就是其实有意愿一起做的客户蛮多的 ，但是我们做了筛选 ， 我们希望能够做五个灯塔和标杆 ， 所以我们极度控制规模 ， 否则我变成外包了 ， 所以不能这么干 ， 我还是 要做产品的 。在今天来讲 ， 这些灯塔我们会从咨询开始做 ， 然后到我们的模型的整个这个链路 ， 机器为主 ， 然后人工手搓为辅 ， 最终再运营 。 所以我们在这个里边其实会发现 AI 的最大价值并不是降本增效 ， 我们这五个模式是非常不同的 。 当你的这个生产要素的单元产生了范式变革 ， 会让整个产业进行重塑 ， 甚至重塑你的组织 ， 你的壁垒 ， 你的客户定义 ， 你的用户旅途 ， 你的商业模式 ， 你的成本构成 ， 我觉得这件事都会变的 。 所以我们今天做的是蛮重的 ， 就我并不希望用发动机提高养马的效率 ，而是我如何把它变成汽车 ， 这是今天的第一性 。 所以我们今天有这么几家 ，在这个过程当中沉淀我们的标准的平台 ， 然后我们现在的进度大概有 70% 吧 ， 很快这个东西就可以真正的落到规模化 。 如果一旦开始进入规模化 ， 我们的逻辑就是我不要做 ， 我只是希望做这个基建这一层 ， 我会希望把上面的咨询这一块借助 AI， 依然可以提高十倍的效率 。 我们会把它开放出来 ， 让更多的 SV， 无论是企业里边自己的专家 ， 还是外部聘请的专家 ， 我们都希望这件事变得更容易 ， 结合整个生态的力量 ， 大规模的把基座模型的通用智能转化为企业的业务价值 。 我觉得只有这一刻到来了 ， 今天的我们这种天量的 CapEx 才真的是有转化的价值 ， 才真的是能够被我们的业务消化掉 ， 就是我们是很相信这个方向的 。 **Lily** [41:48] 对 ， 我也很期待今天这期节目 ， 非常有意义的地方在于 ，在 AI 的今天这个全球型的大泡沫和这种全球的科技狂欢的背景下 ，其实我们需要有一些劈杀剪进的能力 ， 就是能够看到未来 。其实我觉得这期节目最有价值的是张帆给了我们一个未来的方向和在 AI 在土壁场景里可能会有的一些更落地 、 更实战的一些应用 ， 这个我们也非常期待看到元理 ### 尾声招募 **Lily** [42:14] 智能往下， 就是能有更多的产品验证出来 。 **张帆** [42:18] 谢谢丽丽姐 ， 我们努力 。 **Lily** [42:19] 我觉得我非常期待也很荣幸 ，其实是在张帆创业的也就是个一年左右吧 ， 这个我们是第一批访谈到了他的媒体之一 。 对 ， 我明年这时候可能我就访谈不到他了 。 **张帆** [42:32] 没有没有没有 ， 谢谢丽丽姐 。 **Lily** [42:34] 但我其实觉得你描绘的这个愿景 ， 包括说今天的这个 AI 在企业中的更具体的 、 更具象的落地的这些应用 ， 对我来说不仅是有启发的 ，而且我觉得对我们整个投资上也是有一些参考价值 。 我们也相信听了这期播客的朋友们 ， 肯定企业家朋友都在想我引入的这些 AI 工具 ， 或者说 SaaS 工具的 AI 化 ， 那它现在有没有很好的帮我去做降本增效的工作 ，是不是我们应该去尝试一些其他赛道 ，也欢迎大家积极的去联系元理智能 。 张帆作为我们 OMEGA 的四期的班长 ，其实也是我们非常优秀的企业家 ， 那最后要不要给我们 OMEGA 站站台吧 ， 上 OMEGA 的这一年的过程里您有什么感受 。 **张帆** [43:14] 我觉得收获非常大 ，其实我也上过一些商学院 ，但我觉得 OMEGA 完全是从创业者的视角 。 我觉得首先 OMEGA 应该今天还是不收费对吧 。 **Lily** [43:23] 对 ，不收费 。 **张帆** [43:24] 我觉得这个很难得 ，在这个疫情各种波动 ， 坚持能够免费为企业家提供助力 ，而且是积极的 。 我觉得就像一个刚才讲的模型一样 ， 这个课程感觉每年都在变 ， 然后就越来越与时俱进 ， 本身也是一个强化学习的过程 ， 这个非常有意义 。 一方面我觉得是同学 ， 都是一些非常前沿的优秀的同学 ， 另外一个是 OMEGA 这个班是完全第一性的在为企业家考虑 ， 从 AI 到出海 ， 然后整个的方向一直在调整 ， 试图找到一个最优解 。 所以我是觉得所有的企业家朋友们如果有机会能够加入 OMEGA， 一定要积极的报名 ， 我觉得收获巨大 。 **Lily** [44:05] 谢谢 ， 谢谢 ， 我们不对外报名 ， 问题就是 。 **张帆** [44:09] 不对外报名是吧 。 **Lily** [44:10] 不对外 。 对 ，其实我们更多的就是说让大家来推荐 ， 我们自己推荐 ， 然后我们的校友推荐 ， 我们没有什么报名的通道 。 核心也是我也发现就是报名也没有用 ， 好的优秀的企业家在中国就这么多 ， 大家彼此都认识 ，其实不太需要什么渠道了 。 **张帆** [44:25] 就这也是一种门槛的筛选对吧 ，不然就量太大了 。 **Lily** [44:28] 对 。 **张帆** [44:28] 就你不能认识几个上过 OMEGA 的人， 那你就不适合报名。 **Lily** [44:32] 是的 ，是的 ，是的 。 就像你知道我最近搞那个 Fellow 的重启 ，因为 Fellow 是我们 AI 的项目 ， 就是纯纯 AI。 我们这期 Fellow 是会在海外进行 ， 然后针对的就是在海外已经创业的创业者 ， 纯英文的一个项目 ， 然后我希望就招募到全球对 AI 有兴趣的 early stage startup。 **张帆** [44:51] 我觉得现在 OMEGA 非常好的一点 ， 什么就像刚才模型一样 ， 我觉得今天这个市场已经有太多的共识了 ， 我们需要有各种非共识 。 我们做的这件事 ， 我不敢说我们未来一定能不能成功 ，但我觉得站在今天的视角 ， 它是一个反共识的 ， 它是一个有意义的尝试 。OMEGA 就是在鼓励更多的有这种尝试的反共识出现 ， 来在这里边找到新的火花吧 。 **Lily** [45:14] 对 ， 我们这一期里边有非常传统的企业 ， 就是六期 ，因为我之前我自己也读 EMBA， 就是我在读 EMBA 之前 ， 我根本不知道世界上有这么多业态 。 我作为一个投资者 ， 我一直认为我对于这个世界的理解应该是还是挺前沿的 ， 所以咱们认识这些人都是一些搞前沿科技的人 ，但实际我们忽略了很多非常传统的企业家 ，他们的生意做得非常好 ， 就他的智慧也值得被分享 。 我前两天跟富强老师一起来面试新国大这一期的那个 EMBA 的同学 ， 然后我就见到了几个可能以前我认为他永远不会在我视野里的这些企业家 ， 就他们是做非常传统的 ， 可能有一家在石家庄 ，他是做餐厨玻璃制品 ， 就是那种耐高温的 ， 可以放在什么烤箱里或者放在微波炉里那种耐高温的 ， 人家能一年做到十几亿的收入 ， 就不大的一个团队 。 因为我们整天都在关心什么具身 、 汽车 、 新能源 ， 然后包括可控核聚变 ， 包括您这边什么大模型 、 小模型 、 自主学习模型 ， 我们其实忽略了有很多行业其实也是值得跟我们一起来共创和分享的 。 所以这一期我们就加入了一些非常有意思的企业家 ，他们生意比较传统 。 **张帆** [46:26] 非常有意义 。 **Lily** [46:27] 对 ，是 。 **张帆** [46:28] 就包括我们现在也是有这种感觉 ， 就如果今天 AI 像我们讲的像电力一样 ，其实真正要把它传导到世界里面带来价值的 ， 反而是这些企业家 。 **Lily** [46:37] 对 ， 非常有意思 。 感谢张帆总今天的分享 ， 听了这期节目 ， 相信大家对元理智能都非常的有兴趣 ， 然后也知道张帆是一个非常酷的企业家 ， 就大家肯定很想跟他一起来共事 。 我就想问一下， 就是您现在还招人吗 ？ **张帆** [46:52] 当然 ， 当然 ， 我们其实觉得这个时代人的价值变得更加重要 ， 今天人的规模可能不见得很重要 ，但是高密度的智力在今天这个时代它的价值是巨大的 。 所以我们非常期待能有好奇心 、 创造力 、 聪明的 、 愿意去学习新知识的同学们来加入我们 ， 一起来做一些有意思的 、 开创性的事 。 **Lily** [47:14] 好的 ， 那我们就在各大招聘平台上搜索元理智能 ， 然后也可以在元理智能的官网上去看有哪些职位 ， 欢迎各位 。 **张帆** [47:22] 也可以留言 。 **Lily** [47:22] 对 ， 对 ， 你就直接在节目下面留言 ， 我来转给张帆总 。 好 ， 听完这期节目 ， 大家如果深有启发 ， 或者是有什么样的一些感受 ， 或者是你觉得同意的 、 不同意的观点 ， 都希望你在我们的喜马拉雅和小宇宙下面积极的留言 ， 然后我们会抽出五位听友 ， 送出我们纪源资本的一个小小的手办 。 好 ， 那我们下期再见 ， 拜拜 。 **张帆** [47:43] 拜拜 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。