原文来源：播客「硅基立场」Vol.32《对话元理智能张帆：去他 X 的 FDE》，主持骆轶航，2026-09-24 发布。 B 站：https://b23.tv/8FU0eyh ｜ 小宇宙：「硅基立场」Vol.32 逐字稿由本地 Whisper 转写（small/int8，213 段），经 glm-4-flash 加标点、理顺语句并校正人名/机构名。2026-10-27 二次校对：参照公众号「曼比乌斯」同场对谈书面版（《对话张帆：去他X的 FDE，企业要造自己的船》）及上下文推断，修正 400+ 处转写错误（张帆、智谱、Anthropic、BloombergGPT、Scaling Law、合伙人制、现实扭曲力场、李世石、探针等），对话内容与口语风格保留原貌；少量强乱码段落以最佳推断修复并留有存疑标记。
对话元理智能张帆：去他 X 的 FDE（完整逐字稿·校对版）
1. 开场：老友重逢
⏱ 00:00 ｜ 骆轶航 × 张帆：从妙计旅行、大搜车 CTO 到智谱 AI COO，十年之后再对谈
[00:00] 今天的这期硅基立场视频播客，我请来了我的老朋友，元理智能的创始人CEO张帆。我说张帆是我的老朋友，我一点也不为过，因为我真的认识他已经十多年了。从他在移动互联网时期创办妙计旅行，到他后来加入大搜车做CTO，当然也包括他最近……
[00:29] 最为人所熟知的经历，做智谱AI的COO，负责智谱AI的商业落地。这几年以来，我是一直在看著他对于AI的思考和累积，在不断的变化和不断的增长。那么，今天的话题，我们也自然是从AI的商业化开启的。因为元理智能，就是在做企业的AI商业化相关的工作，我们自然会从一个最热门的话题FDE聊起。我本来想顺着FDE聊下去，我却没有想到张帆对于FDE这个概念。
[00:58] 和FDE的落地进行了非常系统的和根本性的批判，这个是我多少觉得有点意外的，也是让我觉得我们今天的聊天会更有价值的一个原因。我觉得张帆他指出了两个问题，第一个问题就是AI的商业化对于企业来说，到底是以人和智能为中心，还是以企业为中心？这是第一。第二是，通用的泛化的模型能力与企业真正需要的AI的……
[01:27] 支持黑暗的能力究竟有哪些本质的不同，我们的所有今天的论辩、交锋、想象和漫谈，都是围绕着这两个话题展开的。我想，这也是今天我们这场对话最有价值和最干货的部分。这场对话有两个多小时，我们一会激动，一会沉思，一会交流，一会论辩，整个的过程起起伏伏，很精彩，希望让大家觉得我们今天的聊天能够对大家有所帮助。
[01:56] 真正的认识AI时代企业模型和个体每一方的角色和存在的意义是什么，能够有所帮助。希望大家能够享受，enjoy。硅基立场是一期争取每次在一个小时左右，把一个AI领域的议题和一个最对的人聊透的AI播客节目。今天也请来了一个基本上不太会拖泥带水的人。
2. FDE = AI 外包
⏱ 02:14 ｜ 一个酷炫名字下的定制生意：能力沉淀在人，就永远无法规模化
[02:25] 老朋友，元理智能的创始人、CEO张帆来，张帆跟大家打个招呼，硅基立场的各位听众们，大家好，很高兴来到轶航老师的硅基立场，还是很有压力，你跟我还有压力，因为咱俩同台，也不知道多少次，咱俩认识有10年了，你跟我现在录东西还有压力，每次跟轶航老师聊我都得出冷汗，因为不知道就问出啥特别细腻的问题，哎，我觉得所以而不可控也挺好。
[02:54] 是跟模型一样，这叫随机性，随机性，多样性，然后指令遵循比较差，然后但幻觉比较低，是探索空间大，对，我觉得我现在基本上这个风格就是GPT 6.0，对，真的，就是我最近发现Codex指令遵循是有问题的，但是不太离谱，所以是人类的人肉AGI，人肉AGI，我评价人就经常会这么去评价。
[03:23] 我这个人基本上是opus.org，这个人就是Chemical 2，这确实是规及力力炒，这个人是多次的模型，对，多次模型，这太好了，对，我觉得这么重要也开玩笑，对，是的，我们上次公开的聊天是什么时候，你还记得，好像是一个行业大会，我觉得是在中关村附近，我们自己的会哦，对，四年，对，光记得是行业大会，不记得是谁的会了。
[03:52] 轶航老师都回轶航老师，对对对，是我们那次，那会是你还在智谱做，对，做COO，对对对，管销售，对对对，然后完了你就出来了，也不光是销售，商业化的大盘子都管，商业化的大范围，你看啊，那会我记得是24年底那会，我们一提到商业化AI的商业化，大家都会觉得哦，好头疼，主要那会我们在讲智谱商业化，主要是把模型能力
3. 模型霸权 vs AI 主权
⏱ 04:20 ｜ Palantir 毛利之谜：AI 提效的短期红利，还是可复制的长久生意？
[04:21] 部署到企业里面去，25年之后智谱基本上就飞起了。你问智谱，今天还想不想干这活？我相信唐老师，恕罪，唐老师肯定不想干，他现在天天在数token的增长、消耗的增长，爽到飞起，他不要太高兴。是的，但是你现在你出来了，然后你现在其实还是在做类似的事情，而且现在这个事有了一个新的特别热门的一个词，叫FDE，就是那会大家去讲说OpenAI和Anthropic。
[04:50] FDE的时候，功能一些人讲，我就想说，我说你们何必去远道去求经OpenAI和Anthropic，是的，你们去问问智谱不就完了？智谱是最早的做FDE的公司，你们非要去看人家OpenAI和Anthropic和Palantir是怎么做的，你们问问智谱是怎么做的，你们去问问开复老师是怎么做的。但你现在出来了，元理其实现在本质上还是一个企业服务型的对AI公司。
[05:19] 还是在一个FDE的赛道上，那倒不是，所以你是不承认你在FDE的赛道上？我是不承认。OK，那你再做什么？你再讲，我觉得其实其实您刚才说的这个很对，轶航老师讲的很对，我在想说，能不能不用FDE还能让企业真正转化，所以就用了两种不同的方式来解决这个问题。所以我们今天来讲，我自己是非常不认同FDE这个逻辑的，我觉得这是市场的一些噪音，因为你看FDE
[05:48] 本质上包了一个非常酷炫的名字，但是往后来看，本质上还是个企业服的定制，这个事不新鲜，定制和外包吗？对，就是定制跟外包不新鲜，只是今天好像高级了一点。我就是一个AI的外包，是不是就叫FDE？所以这个里边最近很火，但是其实我们自己把它摊开来看，你发现本质上还是一个定制的活。只要是定制的活，它就把能力沉淀在人，而不是沉淀在企业。你只要沉淀在人，这件事就没办法规模化。
[06:17] 这个成见的人，你觉得是哪些人？是企业里边的人，还是那些被这大包小包然后跑到一个国企，然后去住一个月的那些人？对，我觉得是进到里边去住一个月的那些人，OK。我自己的理解是这样，就是其实今天大家之所以对FDE非常认可，本质背后有一个逻辑，就大家会觉得说Palantir的毛利率在持续的攀升，所以这是大家的根源对吧。但是我仔细了解，我就这件事呢，攀升它到底是一个长久的，还是一个短期的？
[06:46] 因为理论上来讲，它为什么今天Palantir的毛利会变得更好，本质上是因为以前我们给企业做服务，我们要派一队人，可能是有售前工程师啊或者一堆，但是今天AI的能力给我们带来一个巨大的价值，让这个能力放大了，所以有可能我们就变成一个人就可以解决，所以原来可能要花100块，现在就花10块，但是这个事本质上是AI带来的价值，并非其实并不是。
[07:15] 组织自己带来的价值，并非，所以这种逻辑就会变成说，我觉得Palantir很厉害的点是一方面，他的工程师很强，他也共产党过，他招很多这个Founder这种level的人，所以人的能力很强。第二，他的客户很强，国防部啊，什么这都是非常大型的企业，所以在这两个背景之下，他用了最强的人和最强的中台，让这些人快速先适配了AI，所以当别人还是100块的时候，他已经率先先做到了10块、10块，所以毛利就上来了。而且有一个
[07:44] 我一会想插一句，就是大家很多人忽略了，大家现在讲Palantir的毛利增长的一个背景。我是知道，Palantir是一个一二零年还是一三零年成立的公司。Palantir是一个传统的企业信息化数字化服务，被AI升级的这样一个公司。它是一个在AI时代重新，它跟Stripe和CloudFlare是一样，它属于在AI时代重新焕发活力，活得还挺好的。对，上一代。
[08:13] 是他的毛利增长是建立在他这样的一个转型的前提之上，而不是基于自身的AI时代，他的毛利增长。所以我们要判断这个事情的逻辑成立与否，不是应该看Palantir的毛利增长，而是应该看OpenAI们，他们再去做这个事的毛利增长。但是其实回回到Palantir里面，我觉得还有一个很大的问题就是在于，说他如果把这些东西今天看起来
[08:42] 只是通过工具做到了提效，他有最牛的人和最牛的客户，所以让他可以快速把它做到更高效的来做交付。但是这件事你要知道，如果你所有能力是攒在人身上的，他就会离职，他就会扩散，对他就会跳槽，所以你不可能长久有一个自己的独特壁垒。对，所以慢慢会让整个行业都有近似的壁垒，所以他就回到一个卷的状态。而特别碎片和小作坊的话，一定会这样，就是如果你每个人都是一个说我都能做FDE的话。
[09:11] 每个人就自己成立一个合合企业，就去做一好了。反正我一个人，我也不用别人，够付工资。我到这儿把你包吃包住，一个月我回来，然后明天我打个包再去，我房租都省了。是的，所以本质上来讲，我觉得他这个东西还是一个没办法长久的。而且这里边还有另外一点，Palantir自己的客户太独特了，又是锁价格，又是这种高收入解决复杂问题，抓拉登这种问题。这种东西能不能被复制，就是五角大楼不可能把Palantir的客户给到一个中
[09:40] 不请的FDE的，或者一个做这种FDE的公司，甚至有没有可能给OpenI和Google，可能都不好说是的。所以在这种情况下，这个东西的毛利提升是一个暂时的，或者是一个特定环境的。那我们大规模的自己来做，从理性上来讲，如果这件事真的没有把这种能力变成一个可被规模化的底层能力，仅仅是依赖于一些特别牛的个体，这件事一定不会是一个长久生意的。你觉得你这个问题其实挺刁钻的。
[10:09] 那些做FDE的公司，他们没有想到吗？比方说Palantir或者是OpenAI以及这个事，其实你觉得到底可以不可以实践？对，我觉得以我的看法来讲，我觉得像Palantir什么也好，他们本身是上市公司，对他们也有一些自己的诉求和自己的定义，行业的这种要求。对，但是从我真正务实的看到他们的东西来讲，我其实没有看到特别明确能够被产品化。比如说他最先讲的一个，除了FDE之外，还有另外一个就是本体Ontology对吧？这是他们讲的。
4. 模型做不了中间商
⏱ 10:11 ｜ 知识图谱是上一代逻辑；OpenAI 与咨询公司互相羡慕对方的饭碗
[10:38] 但是这个我也一直非常不理解，Ontology的本质是啥？是知识图谱。知识图谱是上一代的逻辑，因为原来的机器是没有办法计算非结构化的数据，所以它只能把一些非结构化的数据进行降维，损失掉信息变成结构化的三元组，从而便于可以计算。但今天大家还在讲这个故事，所以我觉得这事，我感觉不够AINative。所以你觉得Palantir是一个特别不AINative的FD对？
[11:07] 就我好像评价人家也不合适，但是听起来我至少没有找到能说服我的那个点。OK，但大多数人在讲了FDE，其实也是非常非常浅，还是你说FDE这个事本身就不可能AI Native？如果我觉得比如说我在想，如果这件事真正AI Native，它为什么不是FDA？FDE的A，就是那个agent。就我能不能把FDE这件事本身Agent化，这个是我觉得可能是更加AI Native。
[11:36] 别人没有想吗？他们是不想还是做不到？两者兼备？我觉得第一个来讲，大多数很多。我觉得这个市面上浮躁的很多声音，其实大家是没有深度思考的。可能觉得说，那FDE很好，我就来干这，肯定是占了一部分人。但是另外一部分真正有深度思考的会发现，真正把FDE件事变FDA是非常难的，因为这里面混淆了很多人与人之间的交流和一些足够高度异构的环境的问题。所以你看这里面，
[12:05] 首先一点，就你比如这样咨询业来讲，首先人与人之间都有信任，就是你要跟人家交了，人家信任你，你得帮助人家按照人家思路去解决问题，又保持专业度，同时又把这些问题转移成能够被技术或者AI能被解决的问题，这个列入集场。你解决的这个问题，你又要在里面去构造数据去训练模型，又要在这个里面去搭你的Harness，要训练你的智能体等等，这是一个集场和极其复杂的列入。但这件事来讲，我觉得你想把它完全FDA，
[12:34] 在原有体系里是蛮难的，原有体系是非常难的。这个原有体系，你指的是服务他们的体系，是咨询公司服务他们的体系，而企业自身的本身的体系，我觉得都一样。因为大家所有你看今天为止，虽然大家都在用我呀，但是很多人的底层思路还是觉得把AI当软件用。你看艾森哲，其实现在OpenAI可能是最重要的客户，最战略级的客户。那你觉得这事其实也很扯淡，也很没戏。我觉得分两块讲吧，
[13:03] 就艾森哲也是合作过很多，联合做过很多项目，我觉得还是很靠谱的一个公司。就他们有很强的咨询能力跟场景的定义能力，以及他们还有很强的交付能力，所以这是原来合作的一些基础。但是其实我觉得你刚才讲OpenAI在做FDE这件事，我其实有点看不懂。我唯一的解释可能会觉得说，大家都觉得对方的饭比较好吃，就是做FDE的想做API，做API的想做FDE，其实都
[13:32] 不简单，山姆·奥特曼跟唐老师彼此遥望着对方，有可能对。然后你API卖的飞起，是一个收入非常重要的增长部分。那边觉得我API卖的，你觉得我飞起，我没飞起，我这还亏着呢。这个五角大楼要能给我比钱，我不是就看人Palantir毛利多高。看人Palantir毛利多高，所以你发现他没有Open ID跟Ausward Pick都没有去找资讯公司合作，都去找PE合作。对，我觉得他们两个都太低估了。
[14:01] 一些东西真正落地的，因为PE会觉得“我有企业，我有场景”，OpenAI会说“我有AI，那咱俩一起搞，是不是就不要中间商赚差价了？”对，其实中间商有巨大的价值在里面，提供吧，我觉得是低估了，所以它现在也没声音了。反正至少好久没有听到新的进展了。关于这个方向，最近FDE的新的生涯在国内的事，中国的事，对对，OpenAI的这些故事，现在好像又回到了它做Nulled Work的问题。对，回到国内就是Workbuddy，就是这种形态，对，就是飞书嘛，是的。
[14:30] Facebook和Doubt World就是这个形态，是的，但他们其实还在积极地去抢美国那些最好的公司的单子。然后你跟他讲的咨询，锁住算力，锁住API，因为前者是几乎垄断性资源，对吧。然后后者是一个能够，你看到，他是一个或许有长尾效应的一个收入来源。然后FDE的话，某种程度上，哪怕它毛利变高，它也意味着投入和产出它要等比增高。就是咱干过服务行的人都知道这个事。
[14:59] 资讯公司、律所、会计师事务所、公关公司，本质上都是，你的规模变大就一定就是智力服务型行业嘛？非常对，就意味着就一定是这样。我觉得轶航老师说非常对，其实我们一直也在观察这个问题。就是在这种场景里边，其实往往都是说是有个规模不经济的逻辑，就是你管20个人跟你管2000个人，你中间的中层和这种管理的损耗是极大的。所以当你的业务增长已经抵消不了你规模上升带来的效率下降，你天花板就到了。
[15:28] 这是说，最典型的方法就是里边的人会离职，出来单干，因为他一旦恢复成小公司，他管理效率一下就变高了，所以大家又恢复到一个正常的军态了。所以这种东西很难变到极大。你看咨询公司类是一个最大的特点，就是刚才以上的几类公司，其实包括现在的公司，基本都是合伙人制对的。为什么是合伙人制呢？就是因为，就你别说一单干，就是你管不了我，咱就是都是军阀对。然后你就是管不了我，什么中央集权，咱都是军阀没错。对，然后军阀，他也其实就是FDE。
[15:57] 最有可能的一个形态，其实你看，今天FDE（大搜车）其实还是增加了很多国内更热。因为我前两天看到Kimi也在发一个公告，说我在招募这些生态伙伴来做FDE，大概就这个感觉，OK。我前两天看到一个新闻，然后大家揣测说，可能越来越多的机构、公司也会跟上，因为就把他讲到大家一头雾水。从战略的身位上来讲，我要把一些重要场景跟大型企业锁住，在这种情况才能保证他使用我的API。
[16:26] 特别是当基础的模型能力在趋近的时候，其实谁能站住长久就开始变得更加重要了。但我觉得这里面有一个巨大的悖论，就是我觉得这代表了两种哲学——就是企业到底愿不愿意这样。这两种哲学在于我们到底是以企业为重心还是以智能为重心。这是两种哲学。你今天站在AI的角度，站在基模公司的角度来讲，大家一定信奉的是AGI。
[16:55] 只要我能找到最大的智能，包括像Uncle我，价格再贵你也会买。所以当时大家的逻辑就是，我要追求最大的智能，所以追捧AGI。但是站在企业的视角来讲，愿不愿意，我所有的问题都绑定在企业。所以如果今天我不知道，比如说Kimi招来人帮他做FDE，一会我讲这个事，你先讲，是不是要绑定在Kimi上？如果不绑定在Kimi上，Kimi做这件事的意义大不大？如果绑定在Kimi上，那企业愿不愿意？我觉得这里边有一个巨大的gap。
[17:24] 我觉得可能是他们没看到的这个事，他最后他是以智能为中心还是以企业为中心，这个事其实你把它再往回去缩的一个点，我记得去年的时候，因为去年中国的开放权重模型已经开始有比较大的影响力和声量了。对我来说，就是在美国的开发者和创业者的这个群体里面。但当时这个Darrow Model接受采访的时候讲过一句话，反正你也知道他的一贯的态度和那个尿性，但是他那个话他讲的是，他没有很丧心病狂的去批评中国，他讲的就是说，在我
5. 合成数据是「好东西」
⏱ 17:28 ｜ 从极不相信到极度信奉：一万条规则生成一百条数据，就不会过拟合
[17:53] 我们争夺一些企业级的重要订单的时候，我看到的竞争对手就是OpenI和Google，我没有看到任何一个中国公司。当时我心说，我是多新鲜啊，中国公司也没在你这见销与困队去卖，美国政府也不让买，美国政府也不让大企业卖。但今年情况发生了一些变化，比如我举的什么例子，就是说你看Harvey，Harvey是现在美国垂类的Agent的律所，这类他就基本上……
[18:22] 最头部就是它，估值100亿美元以上，对它现在整个Agent的底座用的是开放权重的K3，当然就是K3金管，咱也是K3，大到那个程度，你这个开放权重，你本地部署，你可能也得花几千万美金，是的，但是人还会花得几，当然对，因为它这样十来个一%，它花得起这个钱，它给OPI也不见得便宜，它只会更贵，对，所以是一样的，所以我的意思就是说，这个问题的一个本质是……
[18:51] 当然，我觉得这个过程里边就是本地部署了，第二个就是说Kimi还得再管他收license fee，哪怕是你本地部署，你是一个成型的企业，他就那个license fee收的也是不低的，我觉得这很好。就是我觉得如果是这个是做FDE的话，Kimi再拉一些生态合作伙伴来做，我觉得这很好。然后单纯里边的话，其实我觉得背后的一个核心的意思就是说你的模型最高智能，你以为或者你去PUA企业，这个东西智能即王道，所以多贵也别。
[19:20] 如果你拿这个逻辑去PUA美国的企业，无论是Agent的企业还是开发者的话，人家凭什么买？要不要买？到底智能是最重要的，还是能本地部署以及恰到好处的聪明和好用明白是最重要的？就这件事，这两个是相悖的吗？我觉得不一定，这要看从问题的本质来定义。我觉得这里面还有一个好玩的现象，我不知道轶航老师有没有注意。
[19:49] 你发现其实有两拨训练自由模型的热潮，第一拨是在23年的时候，当时BloombergGPT GPT出来的时候对吧，引爆全球，大家都觉得说一半金融数据一半通用数据，我要送BloombergGPT就逼了对，但是大家都觉得这个很强对吧，大家也都来效仿什么的。但是你发现很快GPT-4出来之后，发现在Benchmark上完胜，就发现这个特训也没声了，今儿也没有怎么提这件事了，这件事大家似乎告一段落了，就没有到。
[20:18] 大家继续进香训练模型的阶段了，那会后训练不够发对，但是今天你发现这事回来了，包括其他前我看有新闻讲红杉的美国合伙人讲说“not to our weight, not to our product”，对吧？说到说你可能还得用权重，包括像刚才讲的Cursor又遇到了被open eye进调的，所以自己要训练自己的composer，对吧？然后再加上像harry今儿都是类似的逻辑，所以这个其实现象也蛮有意思的。
[20:47] 从原来大家失败了放弃了到今天又训了这个，我觉得也蛮有意思的。这个中间前面一个变化就是我觉得就是，现在RL对于一个基座模型和对于一个小点的模型其实现在它的重要性都越来越强了，对于everything都非常强。所以这个事情其实导致过去的，我当时BloombergGPT了，现在我严重怀疑也是一帮人一拍脑袋就进来了，连模型怎么训全都没搞起来，可能也是有个fde。
[21:16] 没准就一看第一团就给他们看了，这波人也不知道什么是Pre-train，什么是Mid-train，什么是Post-train，觉得Pre-train比较高级，他觉得Pre-train比较高级，他能Pre-train，我也能Pre-train，我有一半数据我都得灌进去。当时的话，Pre-train其实还是有些其他的炼丹和调参的做法在的，当时也很我们做过很多跟Pre-train相关的。因为你帮客户做了Pre-train之后，其实他没有后训练，他所有的这种对话能力都是没有的，都是没有的，但是你是不可能复制。
[21:45] 就模型公司也不会给你这套数据的，凭什么？凭所以理论上来讲，本身这条路就不通。而且今天模型的训练范围足够大，以至于说数据足够多，没有什么东西在预训上也是没有的。FDE，到底你不认同？到底它最大的错的本质，除了刚才我们讲到的两个事，一个是它高度依赖人的能力和这个能力会强的人的能力会极容易的外溢式的扩散。对然后
[22:14] 另外一个东西的话，就是这个东西它没有沉淀给企业这样的一个，我觉得元理其实我不认同它。主要是两个方面，第一个方面来讲，我觉得我认为站在FDE作为一家公司来讲，它不是一个好的商业模式。它依然还是一个外包公司，只是名称叫起来比较高级的外包公司。所以今天也仅仅是Palantir在某些特殊情况下达到的效果，其他的也并没有。所以我觉得这是我从，这是一个商业的角度。
[22:43] 就是AI时代的SAP，对，这个太多的特例在里头，对。然后另外一个点就是，我觉得FDE更本质。我觉得从AINATIVE的视角来看，我不相信人，我相信这件事要有更好的方法。Agreement，对我也不相信人人是没办法的。我觉得今天市场上大家对于人的这个，就是是非常混乱的。因为一方面来讲，大家觉得你看24年年底的时候，我记得当时所有人都在讲说……
[23:12] 数据不够了，Scaling Law失效，连伊利亚都站出来讲，说人类数据是化石燃料，用完就没有了。后来你发现，人类的数据，顶个屁，这就是什么回事。这两年，大家全都用合成数据走的了，所以其实后来你就发现，到后面就没有人提这个话题了。我自己再给自己写一个架空历史型的游戏，我把Pax Historia给fork了，然后我再用Codex再写过程的时候，我发现就是说你喂给它的人类史料，只占这个游戏比例同10%不到。
[23:41] 剩下的都是你剧情生成的，你架空了篡改的历史的新的合成史料，那个事是驱动你整个剧情往前走的非常重要的东西。这个非常有意思，瞎说你发布出来大家玩一下。所以我觉得逻辑上来讲，我不太相信人。但逻辑是在于，我觉得如果从0分到60分，人是非常高效的方法；从60到80分，人就开始变得困难了；80分以上，人就几乎无效了。这是我自己的判断。
[24:10] 我觉得如果今天我们想把一个环境做得足够好，这个事你必须得找到一种通用的方法来能够构造数据。这里边，我觉得有一个有意思的观点，我觉得跟轶航老师探讨一下，就是你刚才讲到合成数据这个事，我其实有的时候一直在避免自己变成一个老登思维。因为我以前也是做NLP的，所以你说做NLP的人，我觉得说有很多天然的排异，所以我尽量让自己保持空杯对吧。你说了我就乐了。
[24:39] 不要嘲笑，没有很尊敬，继续然后，我当时来讲，站在我原来逻辑里面，我23年、24年的时候，我是极其不相信合成数据这件事的，因为你看，我后来就想通了这件事，我现在是极度信奉合成数据的铁杆粉丝，为什么？因为你看，原来的逻辑上来讲，我们总认为说，如果我今天拿100条规则生成一万条数据去进行训练，
[25:08] 理论上肯定过拟合 overfitting 了，对吧？因为这个里面来讲，我明明就100条规则，我生成一万个，这不自己骗自己，这肯定是没戏的。所以站在原来的角度，我认为一切的合成数据都是没效的。但是后来我为什么想通了这件事？我觉得我自己被以前的思维固化了。我为什么一定是规则要比数据少呢？如果我要是一万个规则生成100条数据，它不就不overfitting了吗？
[25:37] 对，那我们潜台词会认为，生成一万个规则太难了，我有生成一万规则的功夫，我为啥不生成一万个答案呢？那不就更简单吗？不是这个样子。对的，在没有大模型的时候，这个逻辑是成立的。有了大模型你会发现，大模型把人类的知识变成万亿级别的参数，而对我们的一个prompt或者我们的一个规则，其实它会均匀地散到这一万亿级别的参数上。而且你不制定规则，其实这些参数的
[26:06] 分散和分布会导致一个错误的结果，再回到我刚才说的，我的一个例子，就是这个现实数据和合成数据，你会发现，就是你写历史架空游戏中最大的实验起来最大的问题，就是现实材料和你的架空材料经常会串，主要就是现实材料串的架空材料，这边来了。这个过程当中，你就是要通过不断的去设置规则，鼓励合成。
[26:35] 合成数据进一步的扩散，变更多条，然后用它强行去覆盖已经被合成数据改变的历史规则。刚才说的这个里面，还有一部分它属于是知识类的，或者说它是信息类的。我刚才说的是，在探索认知的领域里面，你会发现很多合成数据能够带来额外的泛化。因为你想，本质上来讲，人就是一个合成体，原来更想着左脚踩右脚，它怎么能上天呢？
[27:04] 你现在发现，人就是左脚踩有点上天的那就是爱因斯坦学了牛顿，然后自己就研究，就造了相对论。然后下面一代人的叠加，他没有overfitting，他没有overfitting。本质上是因为他们是在一个极大，他不是一两条规则的叠加，他是无数规则的叠加，产生了新的化学反应，他就是会互相争辩，互相求证，跟今天的多智能体一样。所以我现在来讲，是非常相信合成数据这件事的。所以至于今天，我认为说为什么我不相信回到
[27:33] FDE这个话题，就是我觉得今天一个企业寻找到自己的最优模式，不应该是通过人来为知识建模，而是我们需要找到一种为学习建模的方法，让它自动在企业的业务场景里面学习。我觉得这才第一性。我们就从一个具体的，从一个抽象一点的维度来看这件事。第一个来讲，我们原来就是，在为一件事情建模，我们有两种方法。一种方法叫做为知识建模。知识建模，我去了之后，我先去采访。
6. 人类知识无用？
⏱ 27:39 ｜ 0→60 分人最高效，60→80 变困难，80 以上人几乎无效
[28:02] 比如说我们公司就是一个销售为主的，那我就问你，销售到底啥逻辑？你大概什么样的客户，你遇到这样的客户，你该怎么卖？客户都会一般问哪些问题，最好给你搭一个脚本树，最好给你搭一堆Workflow，最好给你搭一堆知识库，这都最传统的做法。这个东西我称之为“什么”，我觉得这个叫作为知识切片，这种方法都是基于人已经对于物理世界进行观测、总结出的经验变成规则。首先，这个规则已经僵化了，那你为什么要去访谈人呢？
[28:31] 他已经是被加工后的二次剩下的东西了对吧，那这个东西你放在这儿，只有两个问题。第一个是，被人二次加工之后，被“压缩”之后的结果，所以我可能问不同的人，他可能得到的信息就是不一样的。但是你发现，人在60分层面上，大家的认知是一样的。那60%以上，各有各的绝招，可能都是高手，但他们的方向不一样。你揉在一块那部分就抵消了，共识就上60了。
[29:00] 他的天花板很低，这是第一个。第二个来讲，这件事成本很高，你需要大量的人做标注，做训练，再反馈，再尝试。当然，今天很多FDE都没有这么深，连训练都到不了，只是写写Prompt，写写Skill，我觉得那太薄了。再往上一点，还有一点来讲，我觉得最关键最关键的是什么，就这个东西是某一个瞬间的切片，就是那我们的业务再变，就是你比如说任何一个企业，我拿两年前的模式来应对今年，那事肯定是不work。
[29:29] 所以你的业务其实每时每刻在变，你的环境在变，你的产品在变，你的价格在变，对吧？你的商业模式在变，你的竞争环境在变，这些东西都会导致你的经营策略变化。而经营策略变化是每天每刻在变，就像广告投放一样。但是今天的FDE的逻辑变成说，了不起半年变一次，变一次这人就得过来搞一遍，我半天之后再来。对吧？所以那倒是个长久的生意，只不过企业受不了就。如果你要真做得很
[29:58] 这个成本是极高的，而且你很难把旧的知识做叠加，所以整个这一些乱成一团糟，码你就发现说，如果我今天只是尝试性的给这个企业讲个故事，说我给你找几个智能体，我给你做个会计，药给你做个内部知识库，给你做个助手，做个合同审核，这些东西都是2023到2024的玩法，今天又被大家翻出来了。但凡这些，你还接入飞书、Kimi，没错，我觉得就够了，那已经做得很好了。对呀，接入飞书、Kimi就够了，飞书打钱然后。
[30:27] 所以我觉得，从这个逻辑上来讲，确实，我觉得那个意义不大。但今天很多FDE还都是在这个层面去聊。如果你真的能涉及到，就我们原来发现在企业应用这个领域里面，就是做60分是个极容易的事，70比60难10倍，80比70难10倍，90比80难10倍，所以60比90差1000倍，对吧？但是，这1000倍来讲，但是你要知道，这个里面的“斩杀线”在哪呢？可能是在85，就是85以。
[30:56] 85以下你都是废柴，全都在85以上，一下变成一流了，所以理论上来讲，我们原来做很多深度的FDE，我不搞，上两三个高手，一线学校的做这个研究的这些人混在里面，没有这种高手工作上个小半年，你是不可能做到一个八九十分的。说回到过去，咱比方在智谱，你说你要出去谈商务，你要跟很多企业谈这样的合作，你得带俩research，我可以自己了，但是干活得找他们干对，然后你找俩research，那俩research告诉说，我的重心
[31:25] 我的核心办法是提高智能的上限，我怎么过来去给你干这个？他有两类，researcher就会有一部分偏业务场景，但无所谓。但是本质上来讲，对，就算是便宜，才能偏到哪去？就是一队人，起码100多万总要的。所以在这种场景下，如果你没有这个级别的团队，其实你很难做得很落地的。就今天大家有个误解，觉得FDE是一个极容易做的事，我跟你说，今天FDE得是个全才的，你得从研究开始，你不是个科班。
[31:54] 不是个985，做research没有在核心的地方做过这种模型的训练，你没摸过百张卡以上吧？都不说多了，然后你又没有在很多商业场景落过地，只是凭着一腔勇气，大学毕业生我就做个FDE太不靠谱了。这个其实说白了就是跟这个，还说咨询行业就跟律师一样，能把律所真正开启的律师是什么样的律师？对，就是你首先你得在某一个领域你非常的专精，打商法的、打刑事的。
[32:23] 那专门有一个领域比较专精，然后同时你还得知道律所的运营规则，你还得知道整个系统的怎么去跟法院打交道，怎么去规避风险。现在那FD就特别像什么，我现在觉得就特别像海淀看守所门口那些盯着嫌疑人出来的家属，然后拉活儿的那些人，不是。我就跟轶航老师聊天，太多这样的人了。我觉得FD确实今天把这个事想得太简单，这就是模型给人带来的幻觉，他以为我能用什么Skill Creator造一个Skill。
[32:52] 简单聊两句话，从共加起来没有说过这个500字，给模型最后生成了一个智能体，就觉得这东西是我能做的。我觉得这在今天太常见了，一般做软件的，我见过很多想去做FDE，你发现这人就没玩过模型，说我做过互联网，我做过软件，经常还做这种企业的培训，不会是当年上门装龙虾（的）的那波人今天去做FDE了吧？也可能是谢龙虾的那波人吧？
[33:21] 就我觉得大家把这个事误名化，我其实不觉得FDE没用。我只是站在两个角度，一个是站在生意的角度，我觉得FDE未见得是一个好生意。如果你不能找到一个年薪百万的工作，我觉得大概率你可能干不了FDE。简单粗暴的来看，你也挺得罪人的。反正哥轶航老师这都一期得罪了，都记在硅基立场没意见。然后呢，但是我觉得其实另外……
[33:50] 真正做FD的人是要很尖端的，但是我觉得这个人如果只干FDE，有点屈才了。其实本身应该在这个时代，应该干更有意义的事。那低于这个能力门槛，你是干不了的。另外，我就觉得就算是这种人加入到这个企业，我觉得其实他也未见得真正在企业的视角是合适的。因为企业的这种能力，难道不应该自己持续拥有吗？对对吧，或者到底以谁为核心呢？所以在这种情况下，我觉得就是另外一个视角。所以说回来，我们另外一个视角来。
7. 通用智能的企业冗余
⏱ 34:06 ｜ 你买的智能大量浪费在用不到的空间：销售不需要同时是数学家
[34:19] 我们再想说FDE这件事，能不能AI Native的自动化？就是我们能不能为一个企业构建一套自己学习的环境，自己长出来自己的人。对，就是你不要让我的人去仿他你的人。最后我们出了一个60到85，只能够全作废，然后不能够去把这个东西真的get things accomplished的这样一个结果出来，对吧？我的人跟你的人聊完之后，我给你写SQL，给你搭信息，给你搭workflow，给你搭知识库。
[34:48] 然后去全是用我的pram的做的，他调用了模型的智能，那不接近模型的智能对的，然后那能不能有一套东西，其实说白了就是让我的能力或甚至是我的Agent去接触你的知识、数据信息和本体，让他自我学习成一套自己知道该自将自己怎么去部署的东西。
[35:17] 所以这个就回到了一个根本的本源的问题，到底今天基模会不会吞噬一切，企业到底有没有价值，这就回到这个本源的问题了。等会基模会不会吞噬一切和企业到底有没有价值这两个问题结合在一起的话，强调意思就是说企业自身的核心能力会不会被基模的能力吞噬和覆盖，对的，然后以及就是企业自身的AI化。
[35:46] 到底要不要依靠单一的最强大智能的那个SOTA的基模，我觉得他依靠SOTA也没关系，但是本质上来讲，就这件事到底起的价值是啥，我觉得很多企业，99%的企业，今天并没有想清楚，但是大干快上，就觉得啥都能干。你看我们观测了整个的这个历史周期，你发现从23年开始，企业第一天要干什么，第一天就说我们要做这个prompt engineer，这是未来最重要的职业。
[36:15] 我应该只剩这一个职业了，这词一开始我也这么信，因为我听Prompt Engineering，这不是就是我就能当engineer了吧，牛逼啊，我当时就这么想了。然后你看后面就开始大家又开始变成说在这个里面，我要搭这个workflow，我要自己搭各种各样的workflow，我甚至连搭一套基建，还有我要搭知识库，我要自己搭，还有什么向量数据库，还火了一阵。其实我一直没搞懂这跟向量数据库有啥关系，向量数据库里面的公司都是老公司。
[36:44] 都是上个时代的数据公司，现在都告诉自己向量数据库，现在又不火了。那个时候火火23000，火火很火一阵，然后再往后边来讲，大家就开始在里边发现什么，就出现什么。GPTs说以后再也没有App Store了，都是造GPTs。再往后边来讲，又发现说什么我们要这个Deep Seek大模型一体机，风潮对吧？买到了之后再想干啥用，那是固定资产，先买的再说，那是其中固定资产，对那才是个特别好的时机。然后第三个，再到后边来讲，你看各种大小作文。
[37:13] Manus才是未来，所以我们每个人都要学智能体，各种各样的玩法。后面有MCP和Harness对，然后MCP和Harness，再到后来又变成养龙虾，就千虾大战、万虾大战。养完虾又养马，就反正一大堆马没养起来，没养起来就是养了点马驹就停了，对吧？站到今天，大家站在这个位置上再往回去看，这些东西堆起来真有用吗？有什么价值？我成见了一下，下个啥大干快上的人们，自己冷暖自知，对他们说明白了。
[37:42] 不会出来讲，不一定冷暖自知，他可能会觉得说：“你看，我就说嘛，AI给人带来了很多幻觉。”人本来幻觉就比AI严重，对，他是在用AI，他是一个在租用智能，他把它当成是自己拥有的智能。还有什么，大家一开始说所有人都要用这个，用token比谁用的量大，号称这个人混乎一天用100亿、200亿。我跟你讲，我太知道该怎么消耗token了，消耗token不出活的办法太多。
[38:11] 这门槛太低了，你会给他大量的、然后信息含混的、图像为主的文档，你一下就消耗完了。然后让他总结出来，就跟当时讽刺麦肯锡的段子一样，用无人机侦查机什么的侦测完了之后，你这个羊圈那边有20只羊，我要抱走一只羊，然后作为我的报酬。先生，你讲的一个道理确实没有错，但你不用这么复杂的办法。另外，你抱的是只牧羊犬，不是羊。就是这都不用抱走了吧，就一个问题，你说请。
[38:40] 你设置一个GO，这个GO的目标是解决NP问题，你就等着去吧，反正算10年，你让他算吧，对吧？相当于图灵机不停机，它就一直跑，对吧？你能把这个机器干崩，所以当时很多大厂在搞token，简直是个悖论。你说你这大厂边没人劝老板嘛？你不知道这事不对吗？所以就是那个时候我就发现，其实大家对这件事，企业家从来没有想明白这件事，到底什么是独特的。
[39:09] 但是也没有可能，就是我们占一个特别刁钻的角度去考虑问题，就是面对一堆没有想明白的传统企业家，以为自己想明白的其实不明白的，上一代的互联网企业家和IT企业家给他们在他们不明白的情况下，他们的钱更好赚。所以你想赚短期的钱，还是赚长期的钱？就是我觉得后面的钱更大，前面的钱更小，对吧？就可以今天赚几个，但那个事，我觉得很多还是追求智能上限的人。
[39:38] 都不想干，Dirty work就不想干，我也不想干。但是那个时代，当你的通用智能不够好的时候，你只能这么干。所以我就在想说，其实说回来这个点，就是企业自己得搞明白，到底我的价值是什么。我们先回过来提个问题，基模到底会不会通吃一切？我自己来想这个问题，就是我自己认为这件事，你可能不能从表象上想，你也不要相信你比基模聪明。所以你站在我的视角来讲，我认为智能从底层来看，这个世界有两种智能，一种智能...
[40:07] 通用智能，一种智能叫垂直智能。通用智能的核心是什么？通用智能的核心是泛化，就是说是智能的泛化。对的，就是我什么都能干，这才是AGI嘛。General的G就对吧，AGI的G就是General嘛，对吧？所以我就叫泛化。但是你要知道，泛化是有代价的。泛化，我们明显看到已经今天产生了一定的矛盾，就是一方面来讲，就是它的size只能越来越大数据只能越来越多。
[40:36] 所以你看到这个，逻辑上来讲，从最开始的最早的时候，（那时）130B已经算是很大了，到后边现在就200、700，然后现在这个Kimi K3的2.8T，说是豆包，要去做5T，说是这个GPT-6.0、10T等等。最近也有一个我特别不理解的事，头部的玩家不都有共识了吗？大模型的关键不是“大”。今年之后——就是自打这个年中之后，所有的现在大家又开始在大这个字上，就是我早年我老说一句。
[41:05] 我在公开场也说，大模型的关键就是“大”。后来，大家就乐了，然后一度不是“大”，最近大家又开始在比“大”了。这跟中二男生比谁撒（尿）得远有什么区别呢？对这个里边来讲，我自己判断，首先来讲，做大是个确定性最强的事，但是它有点不显本事。相对而言，当然也是很有难度的。我只是从逻辑上讲，就是原来的大家总是想，就跟原来做软件一样，总是说我们要聚焦。
[41:34] 后来你发现聚焦不好卖，觉得说，那我再加个功能吧，功能不行再加功能吧，还不行，我免费吧。所以大家在卷到极致的时候，常规手段搞不定就得上别的了。所以我其实觉得，今天能坚持不把模型做大，这是有很强的定力和非常有前瞻的。其实我觉得这点智谱做的是蛮好的，就还是在强烈的控制size，你做大肯定会好点，但没法用了。所以回到刚才这个话题，就是在这个里面来讲，今天企业
[42:03] 已经用不起了，那个Anthropic的投资人在说：“Fable与最前沿的，还卖的最贵的，为啥只占11%的收入？”对对吧，就是因为大家用不起，不是不想用。我用的是用一下Fable，来不及，一搞就随便执行几个命令，500美金没了，你就完全用不起。所以我就在想说，那如果这边它是有极强的智能，同时是极高的成本，那另外一面是啥？就是我能不能少一点智能，但是呢，我...
[42:32] 少一点成本，但是我少一点智能，我就不想这个，我又不想让它变得低质，怎么办？我能不能划定范围，就是范化，能不能有界限？就今天，我们有的时候站在这个研究端，肯定AGI好吗？但是我们站在消费端，其实我会觉得，我明明今天用模型是做一个销售，为啥这个销售同时得是个数学家，还得是个物理学家，还得是个诗人，我图啥，说白了就是压力山大。
[43:01] 和一个金牌物理特级教师还得是个top sales，就有点那啥了，所以今天就是等于你其实今天看起来你买了智能，其实你有很多智能浪费在你可能用不到的隐性的空间里，对吧？所以也就是说，如果我们今天对于我们探索的问题是一个极其没边界的，我觉得用通用智能是非常完美的；但是如果我们今天已经有了范围，我就是要做一个销售。
[43:30] 我为什么不能在这一个范围内用更小size的模型去训出更加优秀的SOTA指标？并且我的推理成本可能十分之一，我的推理速度可能五倍快，甚至我的训练的优化目标根本就不是Benchmark，不是做数学题，而是在于我的销售指标。我到底是销售额导向，还是利润率导向，还是我的复购导向？我来定就好了，所以我现在就特别痴迷于这个。
[43:59] 很多场景做Benchmark对，但这里边又特别有意思的一个事儿就是，你看你这个思路，其实你不觉得这个思路Versus这个Fable的思路，或者说是这个Palantir的思路，就特像是中国开源模型Versus美国闭源大模型的思路。抛开这个点，我觉得是屁股坐在模型侧，还是屁股坐在企业侧，就是这是两种哲学。如果你现在站在模型册，我就是要追求最极致的上限，而且我坚持。
[44:28] 未来的模型的算力成本会进一步下降，技术会一定上升，所以最终我会解决成本问题。所以你不部署我的企业你就完蛋了，对因为你部署我的，他们就会这么去PUA。我每两个月、三个月就会更新，你自己根本等不了。这是原来的逻辑，就是你自己做这个不好的。你发现有一个特点，早期的时候，我当时还在做MaaS平台的时候，那个时候OpenAI也好，智谱也好，其实我们都会在上面去做API的接口，就是让模型自己去...
[44:57] 用户自己调，你发现现在大家都不干了，也不用干了，为什么？因为第一，大家实在调不好，当然调优没人用，这太贵了。而且今天的基模长得足够快，而且站在基模的角度，我一个模型的生命周期从一年或者半年变成一个月，我干嘛还给你调？我快速上新就完了。所以这是两种哲学，现在的版本还是一月一更新吗？对的。所以站在我的角度上来讲，我觉得这就第一个，我觉得刚才说的就是一个以智能为中央。
[45:26] 所以你只要跟随我，我只要够聪明，你就干对吧。另外一种是以场景为中心，我只追求这个范围内的最优。洁所有的基模都是我的辅助和我的助手，我怎么借助他们在我们的局部达到搜推？所以它最近有一个明显的概念，就是这个主权AI最早是黄仁勋提出来针对于国家的，其实现在被Palantir泛化到企业了。你看今天的企业的逻辑，其实包括Anthropic停止给Cursor供货，这就是个企业，这就是个。
[45:55] 企业主权问题，对吧，所以他只能自己干。所以未来来讲，这个里面的各种合纵联合会很复杂。所以企业为了在这个里面，因为今天的模型迭代得太快了，你很多原来搜推的模型可能三个月之后就已经默默无闻了。所以这个时候，企业不应该把自己绑在基模上。它能想到的是，我怎么独立来构造我的智能？所以那就叫做以企业为中央来定义这件事。所以从这个逻辑上来讲，我们是偏向后者的。所以这，我说的两条路。
[46:24] 更极致和更便宜的基模，一个是更加专属的垂域模型，基模其实对，叫基模其实叫垂域，会有点误解，其实它不是垂直大模型，是企业的私有模型，叫企模。那现在这个过程，就是说说白了，就是说我们就是接下来应该去探讨怎么让企业自己学习自建企模，我觉得还没到那一步。再往前面，这就是RSI，对，没，这就是。
8. 建「船」而非灯塔
⏱ 46:25 ｜ 海平面每月上涨 100 米，灯塔建了就白建；中央解是「有道理的废话」
[46:53] 我觉得就是企业级的RSI，其实某种程度上更容易，这个我们等下来这里边还有一个中间点，开刚才没有聊到，就是到底企模存的是个啥玩意，就是企业的那个模，到底要的是啥，就是企业今天绝大多数企业根本就没有明白，到底什么是我的竞争力。很多人觉得说，对吧？就我用了飞书，我用了Workbuddy，然后这些东西我用好了，用了ChatGPT，我就是AI公司了吗？这就像移动互联网时间，我全公司都已经用了。
[47:22] 然后我所有的APP都装了，把我CRM也改成App了，我就是移动互联公司吗？不一样对吧。开发的APP，你也不是移动互联公司对呀。就是这个逻辑，就是本质上刚才说的那些东西都很重要，但那些东西不会是你企业的竞争力，那是你企业的下限。没见过哪个企业牛是因为我会议纪要记得快，会因为我周报写的清楚，我合同审核清晰，肯定不是因为因为这个。飞书就管这叫先进企业，你就听我说的。
[47:51] 对，我们也在用飞书的东西，我觉得飞书是非常好的，但是我并正在企业的角度来讲，它不会变成你最核心的竞争力。所以我们就说回来，到底企业本上是啥？这里面又有一个底层的逻辑，就是说，那我们看看，其实基模给我们的东西，大多数如果你不做任何加工是一个没意义的，因为通用智能的价值趋近于零。但不是说基模没价值，是基模已经把价值截掉了。
[48:20] 你如果提供的就是基模的价值，你的竞争对手人人都可以干，跟你没关系对吧？你可以用飞书，我也可以用飞书，我可以用ChatGPT，你也可以用ChatGPT。我们价值区别是啥？肯定是在此之上的。我记得很早的时候，我们当时是在活动上，我们其实就讨论过一个话题，就我自己早在23年时就想了一个逻辑，我就觉得说你看基模是什么？基模是大海，就是它很汪洋，大海很广阔，很晃动对吧？但是所有企业都想，我要看得更高，我要站得更稳。
[48:49] 这个企业有两种做法，一种做法是我要搭一个灯塔，足够高，我爬上去，但是你发现这里有一个缺点，虽然你稳了，你清晰了，但是你要知道海平面每年上涨100米，现在是每个月涨100米，很快你都已经白干了。所以你看这两天好多讲的是什么，前两天刚发了一个文章说你在Astra里边，你要重新设定自己的System Prompt、AGENTS.md以及你的Skill，你包括原来的Opus 4.5上的时候也号称。
[49:18] 要了80%，这两个是原生相关的，那东西不叫资产，这意思就是过两年再登塔，你建500米，你现在你得建1500米，你们要不这样也会上来对，因为海平面还在往上走对，你过两年你还得再拆了再建，没错，所以我觉得我当时提到关键就是什么，我觉得你得造条船，就是你得跟基模解锚，它怎么长，你怎么长，你在船上面长，但是你就得分得很清楚这个界限是什么，所以这就回到了企业自己独特于基模自身的根本的价值。
[49:47] 只是什么，我觉得这个之前大家很多企业没有讲清楚的，我自己理解什么呢，我这里边讲一个有趣的例子，你比如说就是你发现基模，我们问任何一个问题，你都可以理解为它把我们的问题加上这个基模本身的这个隐空间投射到了一个平面上，这个平面上会出现一个什么呢，会出现一个正态分布，这个正态分布的中央就是共识解，两边就是边缘解，所以在由于模型的训练基本上是Loss最低。
[50:16] 所以他肯定偏向于中央解，随着你Temperature高低可能稍有波动，但核心是在中央，但是中央解还有一个很有形象的名字叫什么呢，叫很有道理的废话，就这件事没价值对吧？所以其实真正的价值反而是在边缘解，无论是你在做技术上还是在创业上，还是产品上，对包括轶航老师写文章全是边缘解，我做游戏现在也要的也是边缘解，对啊，要不然你
[50:45] 玩个游戏，全都是国际公法，那你全是国际法在往前去推进，都按国际法推进，都按照国际公约推进，哪来的一战和二战这种事就不存在了？对对对，后来我就特别烦，后来你发现你用它原装游戏玩的全是什么的。对的，所以你发现这个里面来讲，我觉得今天企业里面最有价值，或者这个企业能沉淀的，就是它的边缘解，就是非共识。对，非共识，对的，非共识。
[51:14] 共识，既竞争力，就共识已经趋向于零了。以前共识还有一点体力价值可以卖，现在共识已经价格趋向于零了，你没有机会了。所以说到这里边，我就举个例子，比如我们做了一套产品，你今天去问，丢给大模型，你说你看我这套产品设计好不好，大概率他给你回的都很平庸，说你得用户体验好，你这里边的功能得强大，你就用户得好像巴拉巴说一对，但是你发现这东西就没用。但是如果你今天去问乔布斯，乔布斯可能说你...
[51:43] it's a shit，对，it's a shit。shit之后，他们会说你这个人文跟科技结合不够，不够极简。你再去问马斯克，说你这东西不够low cost，不够成本十倍好，不够颠覆。这在现实中实现不了。对，这是马斯克我会说的话。所以你说，从这个逻辑上来讲，你发现这两个，这两个全部都是边缘解。正因为有边缘解，才会有特斯拉，才会有苹果。所以那就是逻辑。说那我们怎么得到边缘解？如果我是瞧不起。
[52:12] 或者我是马斯克，我做到边缘的唯一办法，就是我要在模型的公共分布之上来施加独特分布，来扭曲这个正态分布，让原来的边缘解变成今天的中央解，过去的中央解变成今天的边缘解。我要去扭曲它，所以这个扭曲力场是企业的唯一解。现实扭曲力场是企业的唯一解，对，因为你只有把它扭曲了，你能让基模得到一个公共解，没有的东西。
[52:41] 这才是你唯一存在的价值。说完了，你吃的要是这个模型能力正态分布曲线两头的那个东西，对的，中间那个东西恰恰的千篇一律的精致的那个蛋糕里边的那层特别厚的那层，那就是体力活不好，对，大家都可以体力活，对，就是我帮你查一下，ChatGPT帮你回答一下，就这个逻辑。所以我觉得只有在两端的边缘解才有意义，但现在大部分大数的东西吃的。
9. Workflow 是伪命题
⏱ 53:09 ｜ 知识的三种载体：规则→文字→脑神经，对应 Workflow→Harness/Skill→权重
[53:10] 比如合同审核，这就是中央解，解不解无所谓；会议纪要，中央解有用，但是它不本质，它不是你最重要的价值。就是吃的是底下蛋糕底下那层特厚的面粉，哪一个企业没吃啊，差不多是那意思。所以我是觉得这件事，企业家要想清楚，无论是个人还是行，你唯一的价值就是你有独立于基模之上的特殊分布，而这个分布叠加于基模，你能得到更好的结果。这就是那个船，就是我可以要一个智商。
[53:39] 120的乔布斯，我要个智商200的乔布斯更好了，但是那还是乔布斯，那智商200是基模的，我不去试图弥补智商这件事，就交给基模公司，所以我觉得这件事是企业所有企业家该做的事。说完了，就是亚里士多德和一个金牌物理老师，谁能够带出一个145分以上的学生，没错，这个例子就也很好对吧。亚里士多德连重力的基本原理都能讲错了，所以你回到今天。
[54:08] 我们在企业视角来看，比如说我随便想个企业的例子来看，这个事就更清晰了。你比如说，今天所有的企业，原来我觉得在SaaS时代给了我们一个特别大的误导，叫做企业最佳实践。就是企业有没有最佳实践，你能不能如果行业你还靠着行业最佳实践干活，你这企业还有没有存在的价值？对，就是我能不能靠别人最佳实践我实践出来吗？不是，我都行业最佳实践了我肯定那是……
[54:37] 后一半的人才看呀，那前一半的人肯定是个体最佳实践呀。对，轶航老师能看别人的最佳实践吗？说你这个文章不能这么写，我给你推荐一下别人最佳实践，你不得给他轰出去？对对对，所以是这个逻辑。谁敢跟我这么说哈哈哈哈？对，所以本质要是这个逻辑呀。所以我是觉得这个里面来讲，就是每个企业是非常独一无二的。我举个例子，比如说，同样咱要开咖啡店，站在企业里面你就发现，这个时候在同样开要咖啡店，如果你是瑞幸和星巴克……
[55:06] 这就是两种不同的哲学，星巴克的核心就是什么，就是要第三空间，要做这个人与人的连接，人与人的这个场景舒适，然后在这个里面。瑞幸是啥？买完赶快走，对，我要足够高的密度，99%是都没有做到。第二，你就买完赶紧走，但是我效率高，便宜，马上送到家。但是你发现，如果我把他们两个就是两个独立的边缘节点，如果我今天要开店，我跟AI讲，我跟那个大蒙...
[55:35] 我说，你告诉我应该开一个什么样的咖啡店，他大概率告诉你说，咖啡得好喝，态度得好，然后速得快，位置得好，然后空间要温馨舒适，要温馨舒适就多半亏，对对，这看来肯定亏，就没有任何的价值判断在里面，这就是公共解码。但是，今天瑞幸跟星巴克就会有完全自己的边缘解，的空间的定义，他只要在这个过程中不断的前进循环，他就可以构造他。
[56:04] 自己的企业的ASI，他就会有他自己的选店和评估的模型，这些东西就会源源不断地进入到他的模型里边。而这个东西是积膜永远没有，永远没有，没办法用，因为你不可能这个人又像星巴克又像瑞幸，他这俩是相反的东西。所以我们的逻辑认为，说今天企业的核心在于，你如何构造自己的那个场域，在那个场域内追求搜推。
[56:33] 而我不追求一个公共场域的“搜推”，我如何用一种能力把公共场域的“搜推”结合我自己的认知，抽象到我垂直场域？我把一个原来可能100平方公里都有效的东西，现在变成两平方米有效，这就是我的价值。而且我只做这两平方米，所以我觉得这就是我们今天认为企业该做的事。我如何找到企业的核心锚点，构造自己的环境，在这个环境内构建RSI，能找到自己的。
[57:02] 不断迭代的话，这就解决了FDA的问题。所以其实还是一个套用俗语的词，实际上就是RSI，也是个俗语，但这个其实是你本身要去做的事。但你本身的，你这个RSI做的是企业自己的，对，说白了，给他一套工具和框架，让他自己去建造自己的。其实你看，RSI今天很火，但是如果看到大家都没整出来呢？对，但是看到去年我们是在一年前就在
[57:31] 这个逻辑只是当时不叫RSI，我们叫商业强化学习。就是我们把强化学习用到商业上，本质上就是自我进化和迭代。其实我们很早就看到这个趋势，这个趋势是不可逆的，它一定得这么发生。这也是从第一性的逻辑推演来的，所以它最终起的价值一定是在权重上的，而不是在Harness，也不是在Workflow的。这一定是个渐进的逻辑，从第一性的逻辑来推，大伦是不是一个Harness？Harness不是一个具体的Agent，但那是一套你能够把Agent搭起来的。
[58:00] 你看，DeepSeek Harness是什么好玩的东西，它真的是 Harness。你玩它就跟玩那个 Minecraft 一样，你去不断的插拔、系、搭。但这里面另外一个点就是它好玩，但它好用，它自己就没打算好用对嘛。所以我很宽容，这只能本地部署对吧，这也是反共识。现在我 DeepSeek Harness 之前就在我日常在用的一台 ThinkPad 上用，然后我把这机器关了，然后我连我自己的Agent聊天都聊不了，所以我觉得宽容，我不是因为它是 DPC 宽容。
[58:29] 就因为他就没打算让好用，我明白。所以当我其实是觉得，就是我从物质角度来讲，我觉得好玩、好用是两件事。今天AI很多情况下是好玩，但是你能把好玩用出价值其实很少，就是你要把它真正变成一个可用的东西是很难的。它60分就出个Demo对吧？所以Harness也是这个逻辑，就是我今天觉得code还是非常好用的，我觉得像codex也蛮好用的。但是你说用DeepSeek Harness，我觉得可以玩玩，但是我其实不觉得它...
[58:58] 但是我的主力的应用的说，回这里面又进一步的逻辑就是，企业如果想构造自己的独特分布，这个独特分布应该怎么被承载？我觉得这也是一个很底层的一个思考。就是今天大家搞不清楚，就会觉得我这种东西到底是一个prompt来承载，还是我应该搭一个workflow承载？说实在的，长什么样，它长什么样。过去大家觉得好像就是prompt engineering做好，我把workflow做好，我有一套。
[59:27] 然后对吧，然后里边有些skill，有些东西，然后我可能我就好了。那如果这个都不知道在长什么样，你不描述出来，大家怎么买？所以从底层逻辑上来讲，我觉得这不是个产品，这这是个哲学。逻辑就是你看，本质上，逻辑上来讲，我们如果要叠加一个自己的独特分布，这就是一部分知识嘛。这里面就有两个问题，第一个，这知识怎么来？第二个，这知识怎么承载？就这两问题解决了，这事就通了。那怎么承载这件事？我们先讲。
[59:56] 就是你发现其实所有人类的知识或者信息的承载基本上有三种载体，而这种载体内部是有层级的就是你看首先来讲，我觉得人的几种载体，第一种载体叫做规则。规则是一个维度足够低，大家好理解，好控制的一种方式。比它高一点叫什么呢？规则一般就是个几十维的，几百维。比它更高一点的是文字，大家用语言了。
[60:25] 这个时候他可能就变成几千维了，所以这个时候，他表达力就变得更多了。再往高的是什么呢？是脑神经，他就是万一维了。所以你看，人所有的知识基本称来这三个。这个里面，如果我现在企业的角度了更加直观一点，你就发现一开始规则是啥呢？比如咱有一个CRM，CRM里边管这个客户叫成交客户和未成交客户，这就是夜思奥诺两维很清楚，没有奇异对吧？但是信息量很少，很清楚，便于传播好。
[60:54] 你只要说这个没成交的，就不能怎么样，成交就怎么样，对吧？但是你比他再高一位（维），你就发现今天我如果这个不够，我要在里边写大量的东西了。这个时候他在里边描述说，这个客户我们去拜访了，这个客户人还是很好，他对我们很感兴趣，我觉得大概率会买。然后他对我这个需要什么，把它写一堆，你怎么去归类，对这个逻辑里边来讲，他虽然还是个未成交客户，但是他多了几千维的这种文字，有很多这种文字又表达了很丰富的信息，所以理论上
[61:23] 这堆东西里边的额外信息量是变大了，但是这里面就存在奇迹了，就是有的人看这个机要认为能买，有的人看这个不能买，这就开始有推理的空间了对吧。第三层，你发现到了刚才那个脑神经是啥，又说：“哎呀，这客户，我就聊了，我说不出来，但我感觉他肯定能买。”你看他密聊这哥们，我认识十年了，说不定这边就有一个老妖精。对，这就是什么，这就是在他的脑神经里面还没有被压缩成语言。
[61:52] 没有被降为是万一为的表达的时候，所以理论上来讲，你发现这三东西是啥，一个是Workflow，一个是Harness，一个是vite，不就是这三玩意儿吧？这个东西本身就是一组Weights，它是维度层面的一回事，它是一个直觉去赌概率。对呀，它有它的理论，它是这个不能变成文本的腿里对。所以其实你你这么解释，其实我觉得很多事都想，因为我现在我一直在愁的一个事就是说，你会发现你把我在企业内部，你搭建你自己的信息里。
[62:21] 你翻一个最大的东西就是老妖精，我们公司老妖精不多啊，可能我一个就是老妖精。那些直觉和那些判断，怎么往下沉淀，这怎么沉淀下去，这事特别的难。你这么一说，把它变成Weights，我哪敢保证我能干成。但你这话给了我一个思路，对的，因为只有Weights才能承载，因为你只要把它写成规则就压缩了。这事今天我这边最重要的一个take away就是老妖精的经验。
[62:50] 是的，It's essentially the weight，对的，所以为什么那个红杉的人会讲说，“It's not your weight，It's not your product”，我觉得这个就非常对。就因为只有这个的表达力是极致的。但是，这两个事你会发现，刚才这个规则来讲，所以说我们在去年包括前年，我们自己在原来做的时候做MaaS的时候，我们就在做workflow的平台，是我力推在做workflow。但是我做的时候，我知道这东西不是终局，这东西不是终局的原因是因为它的表达力太受限了。
10. 组织「液态化」未来
⏱ 01:02:51 ｜ 从腐化逻辑到生长逻辑：软件是人的 Harness，未来的软件皆是日抛
[63:19] 它的好处就是什么？人可控，人看得见。就是越往前越像写代码、定程序，越到后面越像做人的教育、像教人，所以你看这个逻辑它一定会发展到这一天的，所以越到后面你就越难弄。所以大家一定从开始的认知最简单的时候，就是workflow，我觉得最可控。我见过很多知名的企业家说太认可workflow了，我把公司变成几千条workflow，你发现这玩意没法泛化，就真正的workflow是因为在全中的。
[63:48] 逻辑的逻辑里边，每次见到一个特殊的场景，生成一个一次性的Workflow日抛，这才是今天的那些什么对吧。就各种各样的那些场景下的东西，Artifacts什么的那些玩意，都是这个东西。所以在这个逻辑下，我觉得这就是承载的层级。所以我们今天推理下来，就是企业的，就算FDE也好，Anyway，任何也好，如果你想把自己的独特分布沉淀下来，你最笨的办法，最可控的是沉淀在……
[64:17] Workflow上，高级一点的，沉淀在Harness/Skill上面，再高级一点的，沉淀在Weights里面，就这么个结构。Weights，对我来说，这就把怎么存储咱们开始聊的几个事儿就怎么存储，你不同的维度的能力。对，就是这是你的价值，对别的不是你的价值。越到上层，价值越低，只有Weights里，才是别人动不了你的东西。而这个Weights的很多东西，其实它就是这两边的东西。Exactly，这两边的东西。
[64:46] 所以回到你一开始的那个问题，就是说我到底是应该追求足够聪明，还是应该追求足够便宜？所以我当时说，这两个事不冲突。就是如果我想追求在通用领域内足够聪明，那就是贵。但是，如果我让他在一个垂直在我的地盘里让他足够聪明，这件事就不一定贵了。如果你今天要找一个最聪明的人，那你肯定得找个顶级的，找个啥很贵。那你说我今天就要一个？
[65:15] 一个最聪明的编辑或者是一个最聪明的你，不用找腰棒的人。我们家孩子小，就是我没孩子，我就这么说，就是我们家孩子小，我们家孩子小，小升初然后要考钢琴，我肯定要找一个，就是这附近教的最好的钢琴老师就行了。这个一个月顶天了一万多块钱，对我把郎朗请来一节课多少钱？关键你请的还不是狼狼，你给他请的是一个。
[65:44] 就又会弹又会做科学对吧？我请贝多芬对，然后过来，然后告诉你说，你这个，你给我教书对。如果你给我交这个，贝多芬活的今天干了他不是评并交加贝多芬还得弹琴，还得他只谈不是？你找的是个又会谈琴又会做数学题，还有这科学发明的人，你叫这个爱因斯坦来给你教小提琴。你这事你何苦？你不值得呀！就是你有可能就有可能，你家门口的一个老师教琴能力比爱因斯坦强啊，你还便宜啊！
[66:13] 对的，所以就有可能教小提琴，我有个老师教别的，我有个老师，这你发现，人类社会的进化论并没有让人变成一个100斤的大脑，而是让我们每个人开始进行了分工，所以这也是一种哲学。所以说，站在我的角度来讲，对，就是你看看人类嘛，就是古希腊和欧洲的先贤对我们说，他们每个人都是先知，都是无所不能，都是懂很多东西。所以PHD是怎么来的嘛？
[66:42] 就是philosophy，philosophy就是爱智慧，对然后现在所有东西博士就是PhD，那现在所以你说我是PhD of physics，这俩词本来就矛盾，你都Physics了，你怎么还PhD呢？结果人类社会越来越趋向于分工，然后到工业时代，然后，对吧，然后这个它越来越趋向于，而且就是四次工业革命到人工智能，我人工智能可能是个反例，就至少前三次的这个。
[67:11] 产业革命其实让人的分工越来越细，从蒸汽机革命到电力革命，再到信息技术革命，人的分工越来越细。人工智能，我真的不好说，我现在我这个，我没有判断，但是这个他越来越细的这个结果，他就对应了是这个人的能力和人作为职业的，以及在这个社会，人有价值的人对的能力。某种程度上，也是一种生物上来降低成本的方法，降低自己生存成本的对啊，大脑太大了对吧，这个你进化太慢了，所以你看。
[67:40] 现在其实这几个逻辑都一样，如果你把这个逻辑看透了，你看到你应该部署什么的模型对。其实今天就是MoE化的，就每个人都是独立训练的，每人独立训练之后又从个体智能集合到群体智能，带来更大的加持，对吧？你说没有一个人能造一个火箭，但是SpaceX对人凑一块儿能造一个火箭，这就到群体智能了。你发现这边是啥，整个社会不就是MoE吗？社会就是MoE化，一个咱这些早年不是早年都是通用的预训练好的这个巨大的模型对呀，苏格拉底。
[68:09] 压力太大就是这个样子，进化太慢了，进化太慢了。就是知识的成长，一旦到一定数量，大家发现也不能脑子变得更大，生命变得过长，所以它就只能变成一个MoE。对他说的太隆缩的答题题的时候就已经MoE化，对呀，现在就更MoE化了，这太MoE了。现在来讲就是那个谁发的那个模型是多少，是Deep Seek那个两T还多少，但每次只激活80B，就激活得极小对吧。
[68:38] 一度分散化了对吧，我觉得这可能是趋势。但我盲猜，因为说实话，训基模我也不是专家，我也不是那么专业。但是呢，我觉得如果从这个逻辑理论上推理，我觉得未来的MoE一定是允许每个专家独立训练的，而且它就有可能变成一边训一边推，就可以让自己的真正的记忆可以进权重，就进训推一体。对，我觉得但是原来的训推一体不是这概念，我刚刚说过，你过去训推一体是那个……
[69:07] 一提就是卖那台盒子（一体机），那盒子关键是（算力）。未来一提（训推一体）的话，可能就是训练方式（变了），是小范围的、基于每个MoE专家的训推。一提（训推一体）就对了，它就改变了过去先预训再后训的这种方式。但是这个事有点扯，就我觉得这只是咱俩聊，因为我觉得咱俩聊完之后，一堆别人在发论文，不是（这个），是然后很多训模型的人听的时候，（会说）咱俩有可能就是瞎聊，我们就瞎聊，不好意思跟我说的然后。
[69:36] 因为我确实觉得这可能是一种本质上从理性来讲，你都是从物理世界收集信息，然后你分开收集和你整体收集，可能都各有利弊，所以在能不能到那一步我不知道，我只纯粹是像科幻一样，我觉得如果未来人类社会作为一种方式，就是每个人从出生独立学习，继承别人的预训练，在这里边独立学习，学习完之后再变成集体，集体之后产生的数据沉淀下来再学习，有时候脑筋接口之后，我们不就是可以独立预训练，每个人就可以自己预训练自己？
[70:05] 是这个意思，所以我觉得这个事，我觉得当我觉得其实国内比较，比较不重成本的DeepSeek和GLM都还算他们这个东西还是用得起的。Kimi那边搞太大了，效果是挺好，太费了。训一会儿就用一会儿就没，我都用不太起来。他那个最大的问题，而且推理速度慢，那肯定慢。后来我就发现，就是你后续到底做的怎么样呢？你速度这么慢，不是因为他Size大，它没辙，Size大，对他没办法。而且它很耗卡。
[70:34] 他大概只有B300才能跑，所以他没法不缺卡，但是他这个东西会拖累他训练，对不对？他到底给不给推，对不对？那你不去练，那反正就左右为难嘛。所以我觉得这个是有挑战的，这个路子也对也不对嘛。所以这个逻辑讲完，我觉得其实我们就知道说这个东西每个企业内部都应该有怎么什么样的载体来获得自己的这个东西了嘛。我觉得另外，就到一个更本质的就是企业到底怎么去获取这个知识。
[71:03] 怎么能够找到我的独特分布对应的知识在哪？对大家经常说，大家今天市场非常浮躁，我觉得这里很多信息都是非常错误的，但是被大规模传播的。比如说蒸馏员工，这时候靠谱不？我说句不好听的话，有多少员工值得你蒸馏啊？
[71:32] 这话也太难听了，得罪人太多了。唐老师，你是360度得罪，这话我说出来也得罪你们蒸馏蒸馏我吧，这是我没种，公司是这样的，蒸馏蒸馏我吧，你们有多少员工觉得蒸馏啊？所以你站在我视角来看，我觉得这个事是极其不靠谱的，大家完全统觉得蒸馏这件事很简单，我宁可蒸馏大师。所以从这个里面来讲，你说得非常对，就是蒸馏员工这个事，我们之前研究过，第一，你看没有谁
[72:01] 把这个巴菲特“蒸馏”了，然后炒股赚了钱，也没有谁把乔布斯“蒸馏”了，做了一个好产品。大家都是说说，好像满大街都可以“蒸馏”，好像谁都弄一堆AI组织。咱都不说巴菲特和乔布斯了，就是现在OpenAI、Anthropic、Grok、DeepMind这些厂的，那些最好的研究员你都“蒸馏”不了。对呀，你说他的训练方法，来怎么“蒸馏”？对呀，我写个skill，你都知道了，你不可能的，所以这个东西。
[72:30] 就是大家的想法想当然，但是媒体上传的特别广。很多老板断定说能蒸馏，我要把人物蒸馏出来，我要把我自己蒸馏出来。然后谁讲我同时拿着10个AI一起来干活，我把我所有的文章都喂给了Claude Code和Codex，我还写我的Writing Skill。我写出的文章他们照样是一个60分的不大意思。你看这个明显就用模型用的还不够深。就这个，我们原来做过实验，之前来讲，比如我让他模拟乔布斯，我就把乔布斯所有的讲稿
[72:59] 什么都拿来，你让他来对，你发现完全凌乱了，逻辑上为啥呢？是因为他每次都要在以往的逻辑里去找类似的语义相关的片段，照着那说，而且他是每次都是从头重新全找一遍，对啊。找来之后关键是，我现在问的这个问题跟那个时代是完全不一样的，你参考上这个讲更不会讲了呀，对吧？所以比他更高一级的是啥呢？是你要给乔布斯，你先对于他历史上所有的这些东西去把它提炼
[73:28] 变成一些他的逻辑和他的理论风格，这样保持他的泛化。比如说，乔布斯是一个极其追求科技与人文平衡的，他极其在乎极简主义。你把这东西做点描述，你会发现会变好。因为这个里面影响的不是原话本身，是他的思考逻辑会好，但有限。因为这个事我已经干了，没错。所以说，反正我用的还行，就认为这事我已经干了。对，你要总结风格，总结包括我总结，我让他总结，我自己的风格。他总结说得挺到位的，挺对的。我就说话。
[73:57] 对，就是这个人爱反讽，然后这个等等，他总觉得他爱反讽，然后爱反共识，然后等等，他总觉得都是对的，然后但是写出来还是不对，你可以试试拿他来蒸进去，可能就能再好一点，先拿他训进去，可能会再好一点，但是依然也达不到，就再post-train一下是吧，对，post-train一下这会更好，因为他的方法等于就散在万亿参数上了，对，不知表面那几个你，甚至原来那里面来讲，如果你放在prompter里面，你fab shop已经不少了，但是你那个
[74:26] 训练时你可以给500个shots，前两天关于刚才说那个事，我们看了一个论文，讲到一个事蛮有意思的，他就做了个实验。你看咱们经常大家做用智能体的，用AI的时候，特别喜欢在前面加一下，说你是一个什么什么，那个哨子是最差的，而且一般是越写越狠，说你是个产品经理，你是一个资深产品经理，你是一个二十年经验产品经理，甚至说你是一个两千年经验产品经理，这都会真有用吗？他带出的结果反而……
[74:55] 但是非常刻板，教条非常重，你说的非常坏，应该让他自己去理解。他试什么，我给你东西试什么，他是一个文档，还是一份经验？他是什么人去讲的，你就得带着他去想，你不能告诉他你是谁，这个是效果最差的东西。对用过的人都知道差，他们还有人在教，我觉得是文档都这么写，对，就是效果极差。你没用过，你不知道自己效果差。现在这有一个问题，很多人用文档效果差，他自己不知道，是呢？
[75:24] 知道差也不容易的，因为他的嘴这个门槛是挺高的。然后我们看到的那些旗，论文里边讲一个什么，他做了个实验，就是你让他先说你是一个小学三年级的老师，然后说一段话，做一个小学的什么东西，你发现他其实做的效果是变好的，是很像那个小学老师的。但是他用同样的方法做了个数学家，说你是一个数学家，发现解题的成功率下降了，这是为啥呢？你想就想明白了。
[75:53] 所以他本质上他学的是那个人的语言风格，而不是那个人的思考逻辑。思考逻辑是个隐空间，他看不见，所以他能学乔布斯的语言风格，他能学不了乔布斯的思考逻辑。越底层越思考不了。而数学题是得看思考逻辑的，他还得假装数学家，还得再做题，反而还给他的注意力稀释掉了，他就更差了。所以这个，你这个感觉是很对的。所以我觉得就这里边，大家用的很差。回回到你刚才...
[76:22] 其实所有的企业家，就是企业内部的经验都没办法简单被蒸馏，而且现在市面上的大部分交给你的办法，其实都没有办法。市面办法没办法，现在办法最好的办法，FDE的办法是啥？就是我就硬挖你这的，就你说的老妖精，我就Igor挖对吧？访谈，我有更好的技巧，问更合理的问题，跟他反复标注，标注完去做训练。训练完我再来去跟他修正，修正完了之后我再改数据，再造然后再训。
[76:51] 十轮，你说这项目没个300万你能干吗？没法干。我要是老妖精，我个人就是一小时就要5000美元，不是这。你是给自己弄的，你可能就是就没辙了嘛。但是这项效果真好嘛，对吧？这就乔布斯给你十篇发言稿，他就真的是能迅速乔布斯吗？好点，但是不本质。所以这就里边回答我们刚才最开始的一个问题，到底如果我们不信机器，我们信啥？对吧，我们如果不信人，我们信啥？
[77:20] 你就回到一开始讲的就是说，企业本质上来讲它是构造了一个空间。我能不能有一种方法，直接从这个空间里学习，不要人做，没借说的就是这个意思。就是你企业里边，就是我们说知识在哪，在人的脑子里面，你总有东西吧？Siam里面有没有东西，飞书里面有没有东西，然后各种各样的汇集里面有没有东西？企业的物理世界里也没有东西，都有东西。这东西，你不要给我任何逻辑，你闭嘴，我自己我自己看。
[77:49] 自己理解是，所以在这个逻辑里边，你看这个里边，我觉得不得不提到，就是最经典的一个样本，是机器学习的样本的最佳范式，就是下棋嘛，对吧。你看从最开始的这个深蓝，97年对吧，卡斯帕罗夫，卡斯帕罗夫对吧，就是下赢了卡斯帕罗夫，里边靠着啥，专家系统嘛，暴力计算嘛，对吧。然后他下赢了之后，你发现到围棋这条路就走不动了嘛。就过了20年，AlphaGo出来了，2016年对吧，那个是。
[78:18] 不用规则了，因为人已经写不了规则了，用了3000万残局，然后让AI自己来训练，训练出个模型下赢了李世石，这就还有3000万残局。一年之后AlphaGo Zero没有任何先验，自己跟自己下了三天，出来得了AlphaGo Zero。下完了之后100比0完胜，你发现更关键有个冷知识是啥，你发现他训AlphaGo的时候，他大概用了1000个
[78:47] 但是训AlphaGo Zero的时候用了四块tpu，总之算力是极大的缩小，虽然不能等量代换，但也是极大的缩小。就说你发现人很多东西是噪音，所以在这个逻辑里就代表了三种学习方法。一种是人观测人总结，变规则，适用范围很窄；第二种叫做人观测人记录，机器在里边总结，这就是训练型；第三种就是人指定义环境，人不在里边操作，让他自己。
[79:16] 自己训练自己来得这些环境，就这么三件事。所以这个能力能不能迁移到企业，数据生成数据，这个叫合成数据。这个合成数据，这个合成数据训练模型，它就是自我的递归，其实是这样的。但是我觉得，其实通用模型比较难的原因，是因为所有的模型自己训练自己，最大的问题就是坍缩，不能自己吃自己，因为越长越大，对吧，理论上。所以它必须有外部信号。
[79:45] 外部信号就跟物理连接，所以来讲，那通用模型我觉得太难干这件事了。通用模型自己寻自己的结果，就跟现在太阳的膨胀是一样的，就跟现在太阳不断的这种膨胀是一样的。到最后它就是白矮星化，就很多论文都已经论证过，自己造数据自己寻，无论怎么筛，怎么选，都是一样的。全都是你要么是那种多教师或者是有外部不同异构的模型给你信号，要么就是说你在里面自己加不同的前提
[80:14] 这种信号总之你得有，外界信号进来，没有外界信号你都封闭了。但是最寂寞的逻辑是要把全世界的知识都连上，你其实很难构造一个外界信号了，你的信号只能叠加，所以会缓解。我觉得不够，不会本质上。但是你发现企业反而比它离RSI更近，是因为企业的环境小，它没有那么多，所以它完全可以在一个更小的封闭的环境里边快速跑通RSI。
[80:43] 举个例子，就回到刚才那个问题，就是星巴克和瑞幸的逻辑。星巴克就是我每次要选一个地方，打造一个环境开店，开店了之后看用户呆的时长，然后消费的状况，这不就是你的闭环吗？你不要人在这里纠结了，说开店得有三个条件，不用了，你这些原始语料直接给模型，对模型在这个里面再给反馈。如果能做到这一环，它就随着你每一次，就所有企业里面原来每一次服务都是一次折旧，现在就变成每一次。
[81:12] 都是一次训练，就是一个贬值，一个是增值，两个逻辑彻底不一样，所以我更加相信我们试图在跑通的是，能不能帮企业找到自己特有的那个环境，从那个环境里抽象出他自己的知识，让这个知识叠加在权重和Harness整个体系的端到端，从而得到一个极致强化的独特分布。而这个独特分布又跟自己的环境变成一个正反馈闭环，形成了商业模式。
[81:41] 正态分布中的两侧，把这两侧训练到一个可以自我训练化的模型，那两侧是慢慢长出来的，通过不断的训练长出来的，而那个正态分布是变成了在某一个环境内的最优分布。比如刚才讲的钢琴老师和钢琴演奏家，它俩的分布不一样，对你原来来讲是所有老师、演奏家、学生平均的，现在咱们只要老师，所以我就得有个环境不断教学生怎么教得好。我的目标到底是什么？是续课？
[82:10] 还是学生教的成功，还是能拿奖，这都是我自己定义的环境。其实你没有发现，这个路数其实反而回到了DeepMind当时让AlphaGo下棋的那个阶段，是的是的就是专业的模型和专业的AI干专业的事儿。对然后
[82:39] 他本质的很多东西其实还是神经网络，很多东西。但他最后，当然，现在的训练方法，比如现在后训练的这种方法什么的，现在变多了。他有一点不一样，就是以前如果没有基模，你所有的这些事都要从头干，这个代价太高，就是我要训个老师，我得从造人开始干，这太难了。但是今天的逻辑就是我们来自于垂直，回到了通用，再回归垂直。但这个时候，垂直生成的方法。
[83:08] 跟以前的做法不一样，是说白了，就是你用了基模的基础能力，对吧？说白了，就是它的能力变成了API的能力，没错，而不是你整个模型里的数据和各种各样的能力，就是借由基模加上我们对环境的理解，叠加了一个虚拟世界。在这个虚拟世界里，我可以无限采样，从而定义了我的新的东西。就像刚才讲的，如果我们今天从发明小提琴开始教人来当老师，再来教你的孩子，这周期太远了，对吧？所以今天的逻辑是，说我既然知道这个世界上……
[83:37] 有小提琴家，但是我不要让小提琴家来教孩子，小提琴家能不能过来教我的老师？我的老师教完了之后，他又通过跟学生训练，又找过了跟学生怎么交流，然后他就变成了一个被无限复制的场景，就给错的人了。所以今天来讲，我们今天认为，今天企业真正该建模的不是为知识，而是为学习，而是为这个环路去建模。说白了我拿小提琴来说，我让孩子去上小提琴课，我为什么为的是考级对？
[84:06] 就这课收了一堆学费，一学期课八千，老师光在黑板板书，什么是小提琴？小提琴的历史来源，小提琴的音色，你怎么肯定觉得老师扯淡吗？我不上了，或者这个老师更直接就会觉得说这讲太LOW了，我要把它培养成艺术家，你的目的不是当艺术家是，所以这个逻辑就不对，所以我觉得说回到我们的本源，就是每一个企业真正的价值是独特分布，而独特的分布来自于你自己原有的物理的生意，而这...
[84:35] 这个生意其实就是你定义的棋盘，而我们希望做的这件事，我们做商业强化学习跟商业世界模型，本质上是希望把你这个棋盘变成一种可以被源源不断产生知识萃取进你自己的模型里面。所以，它解决了更便宜、更好用，但是更垂直，直在某个领域内，这就是企业最终的价值。对，就是用一个由我自己的数据、外部的物理信号对。
[85:04] 这样的一个环境自我进化出我的分布在两侧的know-how认知和能力，然后再用这个东西去驱动整个企业基础设施，一个阶段，那你准备这个东西，你管它叫教室。如果现在对外去讲元理智能是个什么样的公司的话，你就用那个词比较好，我们是个FDA公司，你肯定你就会觉得我们是个FDA公司。
[85:33] 或者我们是个RSI公司，你觉得你更接近了一个词，我觉得更加，我更希望讲，我们其实是一家垂直智能的公司。垂直智能的公司，我们是把通用智能转化为企业的垂直智能，并且把这个过程作为产品化。那会不会有人觉得，或者投资人或者分析师会问，就是说你垂直智能不就是端侧模型吗？对，这个概念也不是一回事。我当然知道不是一回事，你会听这些，这现在会有。
[86:02] 多少人会认为这种就是端侧模型，肯定会有很多人会这么去讲，我觉得会很多。但我讲说，本质上来讲，无论是创业也好，做事情也好，我觉得反共识也不一定是坏事。你的解释成本会高，但是这也屏蔽掉了，就不会变成一个红海，大家所有人都往里进。你为什么不讲你自己是个RSI公司？我觉得有点，就感觉有点追风，有点追风，有点追风。我是觉得其实我们是最早讲这个的，只是我当时没...
[86:31] 叫RSI，我们去年一年前讲的故事就是商业强化学习，把PPO的逻辑如何搬进商业环境，为每一个企业家构造自己的这个商业的数字员工。有没有VC跟你说，“PPO那都是上一个时代的事了”，有没有VC跟你这么讲？我们到时候最近也没见VC，但是专注。但我们现在确实在很多场景里跑通了一些很有意义的价值，就是我们的载体。把它就刚才那些东西说的是逻辑，本质上你在企业里落的是啥？我们会把它...
[87:00] 它落成企业最终的数字员工，就觉得这数字员工这个词也叫烂了，我有时候也不太好叫对吧。一会说为RPA，我刚才说一堆自我RPA的人说，一会儿阿里也说是数字员工，现在不是的，都是工具。现在最新的数字员工是豆包助手，对吧？我想说的数字员工不是工具，而是能独立完成，跟人做对标效果，完成结果的东西。比如说，我们在一些客户里面帮他们去做一些，就是……
[87:29] 就是帮他们做一些业务专家，或者帮他们在做一些跟客户沟通过程当中，尝试让AI来帮助他们提升整个内部的运营效率。很多的部分其实都已经用AI去解决了，对吧？它那些部分AI去能拆开吗？我觉得拆开的逻辑就两种：一种是有，本质上来讲，凡是在数字化层面的，其实AI都能解决；凡是在物理层面的，还需要人类。凡是软逻辑，要有这种情感和信任的，要人类解决。所以，我们的本质不是让
[87:58] AI替代人，而是让AI来放大人，说白了，如果拆到这个案例里边，它比如解决所有线上能够搞定的沟通的、跟进的流程。但我们还有客户，比如说来帮他们做这种旅游规划，专家就要想，不要钱，那才是都是你干过的活吗？对，但我觉得这就是最容易切入的。就是我们很多企业里面，你发现人力成本当足够低，其实很多原来不通的商业模式可能都通了。就这个里面的AI不只是能跟你做健康，还能……
[88:27] 给你去做旅游规划，还能给你一些，比如说，我们还有一些这种各种各样的场景。今天AI快速达到一个接近于人的水平，然后帮助这个企业把闭环跑通，而且快速扩张，形成闭环不断，把他的核心能力收回来。我觉得这件事在今天，我觉得已经初步跑通，初步跑通，初步跑通。我觉得这是真正进入深水区，它不在，因为我们有个假设，就你总说为企业AI化，你根本说不清。
[88:56] 说AI Native就牛，对吧？但是，什么叫内地物？我觉得本质上，我们抽选就成一个逻辑，最简单、最务实，就是在企业本质上是创造价值的。我假设，所有的价值的创造来源于所有劳动力，所以最简单的逻辑就是，AI能不能直接替代劳动力？而且，替代的不是劳动力当中那些走流程的，对吧？不是它里面带着泛化，就是你刚才那种环境里面，客户问啥都有可能，你都得接得住，但是里面还有很多红线，你不能在这个……
[89:25] 不能说的东西，上再去跟人家说也不行，所以这些东西是一个完全综合的逻辑，并不简单。所以这些东西一定要你，比如说，提前我总得先问你是谁，你不说你是轶航老师，你不承认，我是不可能说你的报告的情况的。那如果我说了，我就违规了。那这件事，你拿一个基模上面加一堆提示词，你很难搂得住，所以他要融进去。然后那这人可能还说说说，更极端的对吧，你说我这个今天受伤了，我今天不舒服，我今天感冒，我还能不能来，这些东西你都……
[89:54] 都要非常，这不能用一个脚本树，理论上今天不是一个知识库做对标，而是在于我能不能基于企业的软性文化，训到模型，训到Harness，综合这么一个端到端的体验，让他感觉就真的是企业的员工。把所有能够标准化的，这是另外一种对商业价值的理解，就是把这个过程不是把它标准化，而是把它能够符合每一个人的需要，是反标准化。反标准化，坚决是要反标准化。
[90:23] 你看，标准化本质要啥？标准化本质是工业时代的产物。对工业时代的本质是因为在农耕时代，人的脑力跟体力是对称的，我就8小时脑力，8小时体力，所以这个逻辑上我都是单兵干。所以那个时候，整个的资产价值来自于谁有足够多的人口、土地和动物，对吧？这都是体力跟脑力的表象，这有生产力。但是你到工业时代，你发现第一个变革是啥？就是它变成了劳动力的无限扩张，就是体力的无限扩张。只要有……
[90:52] 只要有什么，他就可以无限有体力，但是你发现脑力是不足的，所以是脑力还是8小时，但体力无限扩张。脑力的第一次扩张？其实计算机产生也不算，计算机也是（优化）体力，或者说它只是一个脑力的工具，它没有真正的脑力。计算机（优化）的体力在哪？就是把发电报的人和记电文的人的体力给优化了，所以计算机的体力有点像什么，有点像，计算机有点像人。
[91:21] 人发明了锄头，对他其实对我，体力有扩张，对，但是其实他并没有替代我的体力，跟蒸汽机和电是一样的，对，所以是这个逻辑。所以你说那个时候的典型就是什么？体力无限扩张，脑力不足，所以体力要为脑力做妥协，所以这个东西造成啥？所以我一直说我人工智能不是第四次工业革命，不是，它是一个工业革命平行体的事情，对，我觉得甚至是反工业革命，因为你看刚才说的那个东西，它在工业里面最关键的点。
[91:50] 就是标准化工业革命创造的职业对呀，一堆过去好好的手工业者对呀，在这个田园式的遥远的郊区的乡村里的手工业者，做点瓷器，耕耕地，每天吃吃烤面包，喝喝啤酒，过得挺开心的。后来一帮人把地给圈走了，变成了工厂，你进来一天干16个小时，一个月28天对呀，然后慢慢的职业越来越多然后
[92:19] 到现在分成这么多职业，然后越来越标准化，对呀。然后我觉得人工智能这个事，反而反这个事会让这些人现在是那会，人们不习惯工作，被被迫要到厂里去工作。人们习惯了进大厂去工作，那这个时候反过来怎么办？对吧。这个从理性上来讲，我觉得是能看到延展的这个低性，就是因为体力无限而脑力不足，所以体力要为脑力妥协。办法是啥？就叫标准化，标准化。
[92:48] 如果在生产端，就是分工，每个人只干一件事，脑子不够用，你就干一件事就得了，别的别干了，所以分工越来越细。从消费端，你发现什么，就是标准产品，所以最典型的就是福特的T型汽车，只有黑色。我不要放那么多了，因为我想不过来，咱就先按标准来，对吧？但是今天AI带来的变革，是脑力跟体力重归对称，都可以无限扩张，我觉得甚至还有可能，如果具身智能……
[93:17] 不发展的话，会带来体力的短缺，这也有可能，所以这个结果我自己认为，这就造成颗粒度革命。你发现，今天一切东西全部都液体化，界面液体化，组织液体化，就是一切东西都液体化，是因为脑力足够发达，这些东西可以无限生产了。这件事，也是，其实我刚才就想问你，提到了，我就必须得去说了。组织液体化，我承认，组织液体化之后，给企业提供的
[93:46] 自我进化的模型和这个能力还重要，还是说就变得更重要？第一，我觉得人是需要的。我觉得未来的公司不见得会变小，人的产能会变高，它是真的。但是，会不会产生一些10万亿美金、21万分级的超级公司，我觉得那是有可能的。但是，人数依然还是要协作的，因为每个人只放大了而已。但是，我觉得这里面刚才说的那个点，就是我觉得所谓的“液体化”，你看这里面我觉得蛮有意思一个点。从组织上来讲，
[94:15] 以前我们的组织基本上，你看这个很有意思，就是企业创造价值是人叠加软件然后协同这样的单元，足够协同产生了一个组织，产生了企业的价值。你发现这里面有两个分工，人的软件的分工是啥？人的逻辑是一个概率性动物，虽然人是有幻觉的，但是为什么要增加软件呢？是因为逻辑是为了限制它的坏幻觉，就是我一说，人的幻觉别人就这样。软件其实上已经是规避人的。
[94:44] 换了一种方式没错，所以你如果这么看起来，你发现什么人就是模型，软件就是Harness，所以软件是人的Harness，软件是人的Harness。对，如果你看人是模型的话，所以他逻辑就是这样。所以原来的逻辑在于说，由于软件有成本，所以是人在适配软件；而今天的逻辑是在于，软件没成本，所以是软件在适配人。我大胆假设，我觉得未来的SaaS，就是说最后回归到数据库。
[95:13] 看到界面可以跟你看到界面绑不一样，只要数据的结构是一样的，咱俩就能交流。你的面前是一个CRM，是个GUI界面，我的面前是个CLI，没问题，对，没问题。然后你不需要懂CLI，你看DeepSeek的Harness就出来了，对对，DeepSeek Harness就是这么回事？对，本质就这个逻辑，就是人与AI的悲欢并不相通，但是我们能够在一起，但我觉得可能都不会还有Harness这个词了。就所有软件都是变成日抛的可能，根据我每天是不同时在看多个。
[95:42] 自动生成两个窗口，等等，我就想说，难道活不是这么干吗？现在事就在artifacts里边，对现在很多东西都是日抛生生的东西，弄完就丢了，就扔掉，就用完就一次性的。我做了很多，我就现在用的东西，对那会我再究竟生长方式的时候，我就是做这个东西，随时给我推方式房源。然后那道没日抛越抛了，现在的成本就比那件事便宜得多得多了，这件事自动就解决了。所以这就是两个时代，所以如果在这个情况下，我就发现组织的协作方式……
[96:11] 就产生了很根本的变化，就变成说，第一，我们人没有足够的分工了，就大家会回归了，都变成超级个体了对吧？我这人今天都能干这，有点像什么，所以刚才说部门这事，就不需要了，我觉得很像什么，有点像NVLink的显卡，就每一个显卡在算东西吧，如果你中间拉根线，这俩算力太强，他俩连不通，只有NVLink连上，他才能保证中间的光模块腿上这东西才能连起来，所以你看啊，你看，你看，你说未来的模型训练。
[96:40] 越来越MoE化，每一个专家自己，但未来的人的需要可能会越来越通用化。对这个人说白了，大家都应该去读MBA，就没给大家长别的本事，就长了一个你应该怎么学，认识商业世界的本事。这个就通用世界，是的对吧？对，所以我觉得这个逻辑说回来，所谓组织的问题，我觉得这有一个点，就是你看原来的企业里面，所有的组织全部都是固态的。这怎么叫固态呢？就是你发现组织里边有SOP，有SaaS，有人员的固定分配。
[97:09] 这件事维系了太多人的利益，那是另外的问题。我们先从底层逻辑上来说，你发现这个里边的点在于什么？就是你发现在如果今天的组织全都是刚才说的这个逻辑，它其实是非常固化的，对吧？然后你发现固化的组织有一个什么坏处，就跟我们今天做了一个SaaS软件一样，什么时候是它最好的状态？是它在开发完的那一刻是最好的状态，因为从此之后，它就开始了熵增，开始了特例累积，开始了劣化。
[97:38] 他就开始慢慢变得不适应环境了对吧？但是你发现，如果今天是模型，他是个液态的，你发现他什么时候生成的时候是最好的吗？不是最坏的，他还没有开始学习呢。他从那个时候就开始不断的跟外界学习，所以一个原来的是什么？原来的组织叫做腐化逻辑，现在的组织叫做生长逻辑。这是截然不同的两种哲学，组织的腐化，从一个健康的组织变成一个腐化的组织，这个过程……
[98:07] 每一个人都经历过，每一个工作过、干过公司的人，都经历过它是必然的。跟你牛牛没用，跟你牛牛没有用。对，然后但是后者这个事情，其实这个世界上绝大部分人还没有见过，当然，没见过，我都没见过。就是我们都在试图，试图突破这个事，通过突破。我是觉得，就是逻辑上理论成立，就一定会发生。所以我认为这件事会发生，所以推演的脚步。但是今天都没做到，但是我觉得其实未来来讲，你看。
[98:36] 所有的本质逻辑都是说，我们要更加“液体化”，无论是组织，无论是软件，无论是业务，所有的都液体化。甚至我们企业的内部的核心的思想，都是通过跟环境的博弈的液体化，源源不断地产生。企业是一个生长逻辑，这百年企业，它真的是个百年企业，挺好玩的。我觉得这个就是变革很大，所以我们觉得看这里面还有意思的。因为我之所以要问这个问题的原因，也是因为你给企业做自我。
[99:05] 学习自建模型和自我生长的这样的一个工具，本身他要回答的最关键的问题，就是企业未来是什么，企业该怎么生长。对的，甚至是一个问题，就是企业的一个形态，它本身它要变成什么样子。就如果我一个环境里面，我一个企业里边，我有一千个人，每个人都是一个综合个体的话，对那他们为什么不能变成一千个FDE呢？这个理解。
[99:34] 其实就回归到像管理学里面，像科斯（Coase）讲的，这里面到底说企业跟市场的分工，就是为什么会有企业，为什么不是市场对吧？本质上来讲，市场是一个无形的手，而对而企业存在的逻辑是，你在某一个范围内能够做到一个有形的手的效率是高于无形手的，而且你必须得让这些人联合在一起对。所以我觉得今天这个逻辑依然存在，就是当大家的训练目标是一个一致的时候，就是多人收集的数据要共同训练的时候，这企业依然存在，只不过每个人能效会变得极高，会两端极端化。
[100:03] 其实今天已经开始从AI从一个模型开始进入到一些商科的逻辑里边了，我觉得管理学是要被重启的。我确实觉得，我觉得很多的就是我见过很多企业家，教育我，其实也参与过一些对吧。我经常跟这些他们的人来讲，我都觉得说，今天企业家的教育要被重新定义，就是原来的逻辑，大家都来学知识，今天知识已经变得过于廉价了，大家要学的就不是知识了，而是如何把这些知识迅速地运用到企业内部的权重上。
[100:32] 而这件事的方法可能跟以往totally不一样，totally的不一样，而且企业的形态、企业的组织该怎么去管理也不一样。是的，郭台铭那套东西、姬美尔特等那套东西，对通用的成功经验、IBM的成功经验、松下幸之助的成功经验、郭台铭的成功经验，今天还有没有用？今天有没有用？在那边，我觉得长远看肯定会越来越弱。对我就是这个意思，就是未来有没有用？对，我觉得它会变弱，因为你的极限的弱。
[101:01] 跟企业家开玩笑，我说你今天在一个AI这种底层变革的时代，你要知道这是个地壳变动，你还天天跟那挖护城河，结果挖了很深，扭头一看，城没了，只剩护城河了，这有啥用呢？所以要从AI的势能来判断你产业未来变革的格局，提前做布局，尽早地找到自己的避风港，让自己形成一个螺旋上升的一个企业内部的企业RSI，我觉得这才是最关键的。还是觉得你应该关键。
[101:30] 叫一个企业RSI工具，我这个轶航老师的意见，我们走走走，写在BP的第一页，我怎么又开始瞎教人了，我就不敢干这个事情，这个就是然后写到RSI，写在BP的最后，我觉得这事是有意义。你看，某种程度上，我们也是殊途同归，用另外一种方法在尝试。如果未来企业的，如果AI的训练就，如果我们认为AI的知识来源于……
[101:59] 无数的探针跟物理世界连接，而这个探针最好的载体就是企业。所以我们用那种方法来帮助企业来构建探针。你说最后用跟大一统的模型有没有帮助呢？我觉得没准也能有一点好，不错，好不错。哎呀，今天就聊这么多。我说了我们是一档节目争取一个小时把这个事聊，没有信守这个承诺，然后但还是比那些三个小时以上的要节省大家的时间。
[102:28] 今天没有聊八卦，没有聊任何不相关的问题，我们聊的问题有点过于演述了，对对对，然后懂的人自然懂，消化得了的人自然能消化，谢谢张帆，好，谢谢轶航老师，谢谢大家，谢谢大家，拜拜，拜拜，拜拜！