中美AI产业的不同图景，AI First产品的最终形态，以及AI对人类命运的影响

文｜《财经》研究员 郑可书

编辑｜马克

李开复创业后的关键词是“勤俭持家”。

2023年5月，创新工场董事长李开复卷起袖子自己创业，成立大模型公司零一万物并担任CEO。李开复拍板选择更便宜、更具性价比的大模型研发路线，与相熟的国内外财富100强 CEO见面，把个人精力花在开拓客户、谈订单上。他同时带领团队开发应用，确立海外ToC（To Consumer，面向个人用户）、国内ToB（To Business，面向企业客户）的战略，探索收费的可能性。有人认为他能融资几十亿美金、与美国公司角逐AGI（通用人工智能）的机会，因此加入，又在发现公司选择不烧钱之后离开。但李开复有充足的理由相信，“勤俭持家”才是正确的道路。

李开复1961年出生于中国台湾，11岁时移居美国读中学，后入读哥伦比亚大学计算机科学系。1988年，他自卡内基梅隆大学的计算机系以最高荣誉毕业，获得博士学位，后在苹果、微软、谷歌等科技公司担任高管。2009年，他在中国创办天使投资公司创新工场，关注硬科技投资与前沿技术趋势。作为中国最早的AI布道者，他被称作“中国的AI教父”。

2023年，ChatGPT掀起AI 2.0浪潮半年后，李开复创办零一万物。经过轰轰烈烈的“百模大战”，大模型行业经历洗牌，中国六家头部创业公司，零一万物、智谱、MiniMax、月之暗面、百川智能、阶跃星辰，被并称为“六小虎”。

如今，他们面临共同的处境——融资少、估值低。美国的头部公司OpenAI累计融资额已经超过115亿美元，估值1570亿美元，而国内六小虎的融资总额与估值，普遍在数十亿美元级别。这在大模型领域，是一个足够关键的问题，因为由OpenAI指明的AGI（通用人工智能）路径，就是Scaling Law（规模定律），是堆GPU（图形处理器）、堆数据，“大力出奇迹”。而这些都需要钱，很多的钱。斯坦福大学人本人工智能研究中心发布的《2024年人工智能指数报告》估算，OpenAI的GPT-4模型，训练成本7800万美元；Google的Gemini Ultra模型，成本高达1.91亿美元。

大模型创业公司同时面对来自大厂的价格战挤压。今年5月以来，字节跳动旗下云服务火山引擎、阿里云、百度智能云、腾讯云先后把大模型推理算力价格调低90%以上。

在AI 1.0时代（2012年-2022年），李开复投资了10多家独角兽。他看到当时的局面，上半场大家比论文、比赛事排名，下半场比拿单子、比规模化收入、比盈利。他认为AI 2.0不能走到类似的道路上，最终的盈利环节，才是真实的“灵魂考验”，而且不可避免。

李开复下周年满63岁，他每天四点半起床，一天工作十多个小时。他说这是“年纪大的好处，不需要那么多睡眠”。他没有想过退休的事，将零一万物视作自己“最后一个非常重要、让我振奋的事业”。

李开复近日接受《财经》杂志执行主编马克专访。“勤俭持家”的技术路径之外，他还谈论了商业化策略、管理创业公司的心得、中美AI的不同图景、AI First产品的最终形态、以及AI对人类命运的影响。

【01】

不能明显好过开源模型就不要做预训练了

“我们是勤俭持家的Scaling Law，他们是财大气粗的Scaling Law。”

马克：零一万物的大模型Yi-Lightning最近在国际盲测榜单LMSYS上超过GPT-4o（五月版本）。有一种说法，盲测跟考试一样，高考状元进入职场也未必表现好。你们为什么热衷于盲测？它的意义是什么？

李开复：我们绝对相信产品和用户比测试重要。但是做技术，需要知道自己的位置在哪里，知道和过去的自己比怎么样。以后每个月，我们可能都会参加测试，目的不是刷榜单，而是看看有没有进步。我特别认可的一句话是，不衡量就不能进步，所以我们要不断衡量自己。内部测试可能会失准。参加竞赛还是有价值的。如果你说高考考出来的结果并不是绝对正确的指标，那在家关门自己做模拟题更不是。至少高考能帮助我们确定，模拟题做出来的成绩是真的还是假的。

马克：所以测试成绩跟实际产品的表现能画等号吗？

李开复：不能画等号，但是相关的。如果产品固定不动，把下面的模型换成另一个，新的模型比旧的多30分，用户是可以体验出来的。但如果我们只有这个分数，完全不管用户体验，那也不行。其实两者各有价值，一个是评估模型本身的能力，一个是评估产品的能力。模型的能力可以给产品加分，还有很多别的因素也可以给产品加分。这两者缺一不可。

马克：有报道说，国内好多大模型公司，包括六小虎中的两位，已经放弃了预训练。这意味着什么？

李开复：为什么要做预训练，或者为什么选择放弃？答案其实非常简单。如果一个大模型公司自己的预训练做不过开源模型，那就应该放弃，直接用开源模型。或者如果你略胜开源模型，但训练花了很多钱，投资回报不值得，也应该放弃。我们是超过了所有的开源模型，包括比我们参数量大20倍的Llama-3.1-405B，所以我们没有任何理由放弃预训练。

马克：2023年，无论中国、美国，大家都在谈AGI（通用人工智能）。到了2024年，美国还在谈AGI，中国的话题重心转到了落地、应用、产品、收入、客户。这种现象与谁在坚持预训练、谁在放弃预训练有关系吗？

李开复：坚持AGI就必须坚持预训练，但是坚持预训练未必能第一个达到AGI。我认为如果未来三年，有公司达到AGI，它高概率是一个美国公司，主要理由是中国公司的估值、融资不如美国公司。OpenAI一次融60亿美元，中国融资最多、最快的也只有它的六分之一，而且融一次，下一次也不见得那么容易。如果AGI是靠Scaling Law烧出来的，那美国公司融得多，就会跑在前面。

但是跑在前面有跑在前面的打法，落后一点有落后一点的打法，就像骑车比赛，你很厉害，跑在前面，帮后面的人挡风了，后面的人可能跑出更好的成绩，但未必能跑过你。我们不仅坚持预训练，而且在LMSYS评测上公司排名跟马斯克创办的xAI一起全球排第三，绝不能放弃，但我们也不会认为再过一年就会只落后OpenAI两个月甚至超过它，毕竟人家每做一次训练，花的钱是我们的几十倍。我们希望能用更少的钱，训练出一个更快、更可用的模型。当然如果AGI发生了，我们只落后OpenAI六个月，他先做成，我们六个月以后可能也能做成。

马克：Yi-Lightning模型，零一万物训练一个多月，一共只花了300多万美元，而GPT-4要花7800万美元。怎么把训练成本降到这么低？他们这么烧钱是因为太有钱了吗？

李开复：对，当你太有钱的时候，你就会犹豫要不要花很多时间去抠细节。从另外一个角度看，我干嘛要请这么多工程师？我反正财大气粗，一下子烧一亿美金，结果会早出三个月。也许对他来说早三个月出结果更重要，多烧钱更不重要。这个心态最极端的是Meta。Llama的训练应该也花了几亿美元，而且我的理解是GPU花了几亿美元，数据还花了几亿美元，最粗暴的用钱来买时间，这也是一个战略。但我觉得一方面中国公司资源有限，一方面中国的工程师非常勤奋努力（都是原因）。

我们为什么能够300万美元训练出来？有几个因素：第一，我们特别重视模基共建。也就是说，我们的AI基础设施和模型一起开发，把成本当做第一要素。如果训练的某一种方法太花GPU了，我们就不走这个路径。哪怕结果稍微差一点，只要能省很多的钱，我们会选择这么做。第二，我们还有一些独特的技术，包括MoE（混合专家模型），在不同时候这里省点、那里省点。第三，我们特别重视内存的管理，用内存取代计算，来达到更好的结果。还有GPU训练的时候，宕机是很大的问题。我们去预测它的宕机，在宕之前把它换掉，或者宕之后做恢复。这里10%、那里10%加起来，就变成26倍的差距。可能很多美国财大气粗的公司会觉得我就是要烧AGI的，损失1%我也不愿意，我宁可多花1亿美金。

马克：把参数降低是不是也是节省成本的办法？

李开复：是的。我们过的数据大概是GPT-4的三分之一，一下又省了三倍的成本。而且MoE就是一个很聪明的降低参数的方法。用MoE，是看到了稠密模型的缺点，比如4050亿的参数量，里面绝大多数都是无用的，用MoE是指，如果只有这几个地方重要，就把它们拉出来做3个专家模型，其他的我就不要了。这是一个简化的例子。我们不断做这方面的实验，扔掉巨大稠密模型里面不用的部分，抽取有用的部分，当做专家模型，再用MoE的模式整合。

再往下推算，为什么只做3个（专家模型），不做100个？这又是一个勤俭持家的问题。如果做非常多专家的MoE模式，训练会非常痛苦，因为稠密模型就是一个模型，而分很多（专家模型）的话，数据协调、内存管理、算法收敛等，都需要成本。

马克：按照这个逻辑，Scaling Law不一定成立？

李开复：Scaling Law肯定成立，而且已经出现新的演化。我们预训练模型花了300万美元，如果给我3000万美元，肯定可以训练出一个更好的。我们一年要训练多次，而且预训练只是整个成本的一部分，还有后训练、推理、研发探索。全部加起来，模型成本是300万美元的几倍。而且我们还要做开源模型、多模态模型。这么一加起来，整个花费还是很可观的。

Scaling Law肯定是对的，只是我们是勤俭持家的Scaling Law，他们是财大气粗的Scaling Law。

【02】

ToB还是ToC？

“刚开始是比谁的论文多、谁打比赛得了名次。后来就看谁拿下单子，谁能规模化收入，再看有没有单子可以盈利，然后看整个公司能不能盈利。最后这两步是真实的灵魂考验。”

马克：零一万物的产品策略是海外做ToC，国内做ToB，这个策略是一开始就想好了，还是经过一年多摸索出来的？

李开复：国内/海外、ToC/ToB，四个可能性，我们知道不能都做，但是要做一些探索，才能决定哪些不做或先不做。

马克：对ToC、ToB的产品结构有什么预期？

李开复：我先讲讲ToC。无论国内还是国外，ToC的发展路径会跟移动互联网相似。因为手机的来临，移动互联网把所有应用都重做了一遍；现在也会因为有AI的来临，把所有应用重做一遍。移动互联网要做的是Mobile First，AI做的是AI First。

什么是Mobile First呢？一个应用，如果在PC（个人电脑）上、手机上使用起来是一样的，那就不是Mobile First；如果它基于你的地理位置做了PC不能做的事情，那它就是Mobile First。比如美团、滴滴就是Mobile First，四大门户网站就不是。

一个新技术革命的来临，通常会是循序渐进地，从一些比较基础的需求走向更复杂的需求。比如先去浏览内容，再去创造内容，再去搜索和组织内容，再去把内容多元化、丰富化，再去做交易。在移动互联网时代，刚开始是浏览工具，比如UC Web、豌豆荚，然后是搜索，比如百度，然后是多元化社交和娱乐，比如微信、快手、抖音，再往后是新电商和交易，比如拼多多。

AI First的蓝图也是一样，从浏览到创造内容，到搜索组织内容，再到多模态社交和娱乐，再到本地生活和电商。越往后走，用户越来越多，使用越来越复杂，就需要越来越强的模型。我们是用这样的方法论打造新的应用。

另外还有一点特别重要，你在某一阶段说我要做AI First的应用，你一定要找一个更好的模型；这个更好的模型如果太贵，你就要等它变便宜，或者你要主动把它做便宜。这也是我们的闭环工作，就是我们看中了要做若干个应用，用外部的模型太贵了，内部的模型可能刚开始也比较贵，那么我们就想办法把它做便宜。

马克：为什么国内做ToC还不成熟？

李开复：国内还没有发生ChatGPT moment。虽然国内很多大模型聊天机器人产品已经跟第一个版本的ChatGPT一样好，甚至更好了，但因为不是一个单一化的产品，没有起到教育市场的作用。但ChatGPT在美国推出的时候，每一个人都去用（这同一款产品），它就自然地吸收一批用户，然后塑造用户认知，再收费，大家也觉得这是可以收费的。中国的大模型从业者就没有这个信念。现在市场上四五家聊天机器人，有两三家都做得不错，都不收费，用户也就不愿意付费，甚至有些人初次用，不知道这是什么，把它当搜索引擎，对效果不满意，所以留存也不好。这些问题都需要时间来解决。

马克：所以尽管Kimi、文小言、豆包，下载量已经数以千万计了，但一旦收费，你觉得他们都是不可持续的？

李开复：付费习惯确实是一个很大的挑战。我都不谈收费了，用户留存都是挑战。获取用户挺贵的，用户留存也不是很好。把用户留下来、把量做上去，甚至达到排名前三的地位，要烧的钱是我们今天不愿意烧的。

大厂的优势是它可以用已有的海量用户推新的产品，初创公司非常吃亏。评估之后，我们就觉得国内（ToC业务）[WY1] 还要再等一会儿。要不就找一个用户需求很强、自带流量、可以病毒式传播的应用，要不就找一个像Prosumer（生产型消费者）的产品，可以收费，但不是针对所有人，而是针对少数职场工作者的需求；要不就是用户认知足够强了，再去和其他产品竞争。

以现在我们有限的精力和资源，先在国外把（ToC业务）[WY2] 产品做得更好——能收钱就收点钱，能赚钱更好——在适当的时刻再出口转内销。就像当年字节先做抖音再做TikTok，拼多多先做国内再做海外，SHEIN先做海外，以后也可以做国内。

马克：所以付费习惯和产品力，哪个权重更高？为什么QQ音乐能收到钱，腾讯视频能收到钱？

李开复：如果真的能找到用户的痛点或需求，是可以收费的。现在大家都捆绑了支付方式，不是付费困难，而是一种习惯。比如大家都习惯搜索是不要钱的，就很难做一个付费的搜索产品；大家一定程度上也开始习惯聊天机器人不能收费，这是一个很大的坎。

但我觉得AI能做的产品绝对不只是一个ChatBot。比如一个能够节省办公时间、提高效率（的产品），就有可能收费。再比如一个多模态的、AI First的，下一个时代的Microsoft Office或Adobe，就有可能收费。谈到音乐，既然大家已经有付费习惯，有没有可能做一个AI音乐产品？这些都有机会。如果把自己锁定在无论如何要做ChatBot，我就是要去花钱买用户，然后执着地认为可以收费，那这不是成熟的商业化思维。

马克：半年前你说过，国内ToB做一单赔一单，你们不会做，为什么现在说国内可以做ToB？

李开复：我当时说的是不会做“做一单赔一单”的项目，我们现在还是不做。我们希望做能够收费而且盈利的项目。不是说每个项目都要盈利，但是大部分都应该要盈利。

马克：找到这种ToB产品了吗？

李开复：正在摸索，初步有几个客户。有些客户是垂直领域，比如能源，有特别独特的需求，项目式招标不能解决的问题，我们和这样的公司合作，收费会酌情更高。它跟项目制的差别是，如果做一个应用，甲方只愿意付200万，但成本是300万，为了打败竞争对手，项目制公司会接，但我们不做。一些公司勉强做了，可能也不会花心思做得很好，交付之后客户不满意，之后大家也没有再次合作。我们宁愿去更精挑细选，选那些认可我们、我们能赋能他们的（客户），我们用大模型技术帮助他们找到利润的第二增长曲线，而我们也从中获益，大家共赢。

马克：零一万物有哪些你比较满意的ToB产品？

李开复：我们走了几个赛道：线下连锁零售、餐饮等本地生活场景，政务，智算中心，城市的新能源，游戏。每一个赛道的需求不一样。能源客户希望提高效率，游戏客户希望增加用户时长、减少游戏制作时间，智算中心客户需要很强的AI基础架构，让它买来的GPU发挥作用。本地生活客户是用“大模型+数字人”的技术获客并增加GMV（交易总额）。过去的直播是人讲的，又花时间又花钱，数字人能一天做20个小时的直播，也不需要人写脚本，大模型自动生成，它是一个端到端的解决方案。只要接进去，第一次花几小时、第二次几分钟就可以每天直播。第二个好处是，它产生的GMV、省了多少钱、赚了多少钱是可以计算的。今天的经济情况之下，能扩大GMV就是客户最大的诉求，这样收费就有希望。我们在打造这样的产品，还比较初期，现在也不是做一单就能赚一单，但可以看到曙光。

马克：你们的整体ToB思路是什么？

李开复：我们的ToB思路是能够展现我们的特色，可能是模型更强、成本更低，或者是我们对某一个领域有很深的认知，或者是客户信任我们的品牌。因为很多客户是我跟我们团队打出来的，我个人也认识蛮多财富100强的CEO。我们会思考在有些行业，是不是能够做端到端的、能够带来商业价值的（解决方案）。我们也还在探索阶段，但确实拿了几个蛮大的单子。

马克：国内ToB业务的难题是：如果每一个项目都要从零开始做，那就没有复利。

李开复：我们会希望不是这样的，我们希望有可持续的收入。刚才讲的几个行业里，至少有两个可以有持续收入，比如我license（许可）技术给你，按月收费。按月收费，就要按月证明能帮客户赚钱。我们要让客户看到，虽然每个月要付几十万，但是可以赚几百万。我们也会做一些项目制的，但我们希望项目大一点、创造价值高一点，我们的利润就能多一点。

马克：做ToB和ToC的思路完全不一样，对能力、基因的要求也都不一样。同时做这两种业务，会不会引发分裂和冲突？

李开复：怎么去均衡我的注意力，并让大模型技术能够关注两边，这是有一定挑战的。现在我的时间会更多放在帮ToB业务找客户、看单子，团队也理解，因为有些单子是我认识CEO（所以谈下来），而且ToC是他们自己运营，不见得需要我参与。

模型的打磨可能更偏向ToC，一边做应用、一边测数据、一边调整模型；ToB的工作流程需要更多的外部协同，与客户的直接沟通。所以在公司内部确实有形成两个部门，我要确保跨部门合作的时间能够合理分配，进而模型能进行局部快速调优。这件事情是可能的。因为我在微软的时候也一样，底层 Windows不分独立体系，但是上面的产品分ToB、ToC。我在微软学到很多管理方式。

马克：微软是一家巨大的公司，它的ToC、ToB团队很可能就是独立工作，没有交互性。但零一万物是一家创业公司。现在在零一万物ToC、ToB团队有协同效应吗？

李开复：有协同效应。技术都是协同的，另外很多ToC的产品，里面的技术可以提炼到ToB，因为无论什么用户都需要基础的功能，比如帮我读20篇文章，或者写一个报告。

马克：现在会考虑break even（收支平衡）的问题吗？

李开复：现在没有考虑，但是需要未雨绸缪。我在AI 1.0时代投了10多家独角兽，它们刚开始也是比谁的论文多、谁打比赛得了名次。后来就看谁拿下单子，谁能规模化收入，再看有没有单子可以盈利，然后看整个公司能不能盈利。最后这两步是真实的灵魂考验。当年很多AI 1.0公司，在最后两个问题上没有过关，因此上市以后也面临很多问题，或者根本不能上市。

今天的大模型虽然技术更好，但是竞争也更激烈，我们也在经历（类似AI 1.0的）这个过程，所以我们会知道这个阶段需要拿下一些客户，做一些亮点产品。但这只是刚开始，下半场看收入和利润够不够、有没有产品能力、能不能整体盈利，这不可避免。

马克：有报道说，零一万物最近拿了一大笔融资（2024年8月，零一万物获得数亿美元的A+轮融资），是不是明年、后年甚至大后年都不用考虑break even的问题？

李开复：我觉得是按部就班，今年先拿到一些单子、有一些收入，明年希望这些收入不是一次性，有一部分可以按年收到，而且我们希望可以看到利润提升，再后面希望有些产品线是盈利的。

我们投的一些比较好的AI 1.0公司，本来成立六七年之后就可以盈利了，但他们没有做到，因为碰到疫情、经济形势、上市等问题，但它们提供了一个参考，AI 2.0的创业公司有这样的希望，六七年时间从一个初创（公司）做到break even。要努力地去做，因为盈利问题是逃不掉的。很多创业者觉得我上市就OK了，股票就可以卖了，但上市还是要把握时机，要在一个成长非常好的时候，不然随着成长放缓，股市会要求盈利，（到时候）就能算上市，（股价）跌个百分之七十八十九十，其实也就打回到A轮B轮（融资时的估值）了，上市也白上了。我们要努力避免这个问题。

马克：所以零一万物设定每个阶段达成什么样的目标？

李开复：活下来是最重要的。在这个前提之下，我们要尽量做出出彩的产品和技术，这些产品和技术还要带来一些商业的结果。为了完成这些任务，就不能不负责地把全部的钱花在买GPU上。

【03】

自由与创新VS规则与流程

“Necessity is the mother of innovation（迫不得已是创新之母）。很多创新，是因为有一些束缚，不得不做的情况下，才开创出来。“

马克 ：运动员（创业者）转做教练员（投资人）很常见，反过来就不多见，你创建零一万物就是教练员转做运动员，你还见过其他这样的人吗？

李开复：有啊，Sam Altman不就是吗？雷军也算是。做投资可以看得更深刻，一个公司的发展路径、战略，或者直白一点怎么去融资，怎么去上市。一个理想的创业者应该是（把这些）都塞到脑袋里，知道从零到一怎么做，知道大公司怎么管理，知道怎么去融资、上市。

马克：你的竞争对手里面已经出现了90后的CEO，你觉得这是个问题吗？

李开复：我觉得各有优势。他们写代码肯定比我好，但是谈商业模式、公司战略，我更有经验。

马克 ：你真的认为零一万物能做成一家万亿美元市值的公司吗？

李开复：我认为我们有希望，我们会努力地去做，但这肯定是一个具有超大挑战的事。当年我说过，希望有一天零一万物万亿美元，不是很狂妄地说我一定能做到，而是说这一次的风，会带来一批万亿美元的公司。做这个领域的任何一家公司，都有这样一个最终的希望。

马克：二级市场的投资圈有一句名言：在你想赚多少钱之前，先想清楚自己能输多少钱，要先给自己设定止损线。你觉得这句话在创业圈适用吗？

李开复：为什么要去想能输多少钱？去想输多少钱，就已经输在起点了。止损线那是买股的，我做早期投资，不投二级市场，可能也是因为我没有这种基因跟思维方式，起步阶段我不考虑止损。创业不能第一天就想着如何止损了，不能这么想，创业一定是All in。

马克：零一万物现在有多少员工，你怎么管理他们？

李开复：大概两百。我希望能招非常优秀的人，放权给他们做管理。所以我的-1团队是相当资深的，年龄也比其他大模型公司年长一些。我非常信任他们。我想我需要做的就是公司的整体战略，还有做对外的发言人、融资人。我要确保公司的文化发展方向，还要负责招聘，要给一个团队正确的目标。

马克：你说过对人才的看法，包括自驱力、专业能力、学习能力、沟通合作能力。你把“自驱力”放在第一位。每个公司都想找到有自驱力的人，怎么找到这些人？

李开复：自驱力，就是积极主动、负责，不会推卸责任。进公司以后也要考察一段时间，我们也不是每一个招来的员工都有很强的自驱力，需要不断调整。

马克：有些人是挺会表演的，怎么鉴别？

李开复：只有看结果说话，看一个人怎么面对问题。把责任推给别人，或者找借口，丢给别人解决，这些都是不负责任的表现。自驱力很强的人应该把自己当做公司的主人，碰到问题要自发、主动地去负责。自驱力不够，就会只把工作当成工作，朝九晚五。

有一句话我很认可，一个自驱而高效的人，重视的是结果，而不是形式。我更希望在周报中看到这礼拜碰到一个超级大的挑战，我带着团队把它克服了；或者说我承诺季度达到的销售目标，两周前发现落后了，这两周我们加班补上。这就是result（结果）。而不是写了多少行代码，出了几次差，开了几次会。

马克：对于前沿领域的创业公司来讲，自由和创新是必须的。但是对于任何一家公司来讲，规则和流程也都是必须的。自由与创新，规则与流程这两者往往是对立的，你怎么平衡？

李开复：我觉得没有绝对的自由。绝对的自由就像是一个没有管理、松散的科研机构。我们不是的，我们在一个竞争激烈的行业里，要战战兢兢地去追赶，所以我们一定要有自己的框架和战略，在这个前提之下去做创新。

比如我们做大模型，目的是要做到世界一流，速度快、价格低。如果只能做到效果很好，但是很贵、很慢，我们不做。所以我们自由、放权是有的，前提是按照公司的战略方向走。

有一句话我特别认可，Necessity is the mother of innovation（迫不得已是创新之母）。很多创新，是因为有一些束缚，不得不做的情况下，才开创出来。我们穷，融资少，不能把GPU当做无限的资源去烧，反而因为有了这些限制，才有创新。如果我们当时融资20亿美元，缺少条件束缚，可能就弄了太多GPU。我们没OpenAI有钱，所以一定要找一个自己的方法，而且如果用OpenAI的方法跟OpenAI竞争，那是必死无疑的。

创业的前六七个月，我们舍命狂奔，因为我们落后太多了，连GPT-3都不如。每一家大模型公司在去年可能都是这个状态，但是进入今年以后，我觉得格局就比较清楚了。也看出来想烧钱烧出AGI，我们是烧不过美国的，我们要走出一条不同的路。大概今年年初的时候，我们就定下基调：超快训练、超低费用，模型尽量做到最好。

马克：电影《奥本海默》里，有一个场景是讨论研发路径时，一个科学家站出来说，你们说的都是狗屎，我的这个更棒。奥本海默把他边缘化了，但这人后来做出了氢弹。如果团队发生这种事，你会怎么处置？

李开复：因为奥本海默面临一个deadline（截止时间）。这样一个跳跃式的、不知周期的想法，是达不到目标的，所以只能放弃。

马克：零一万物是不是也面临同样的问题？

李开复：我们会希望留住每一个人才，但也不可否认，原来选择跟着我的人里面，有非常少数觉得这是中国人做出AGI的机会，觉得开复可以融到几十亿美金跟OpenAI打仗。后来发现现实很残酷，跟硅谷巨头相比，我们“六小虎”面临的问题是一样的，融资辛苦，估值偏低。我们不能走OpenAI的路子。这些当时这样想的人，可能就会去美国，干脆加入OpenAI，去实现他的梦想。

【04】

大模型“六小虎”谁能活下来？

“市场实在是够大，可以选择的实在是够多，这不是零和游戏。”

马克：国内大模型行业今年爆发了价格战。价格战的目的一是赢得收入，二是占领更多市场份额。价格战是大厂发起的，他们有雄厚的实力，创业公司如何在大厂的压迫下生存？

李开复：一个水平一般的模型，你降到免费也不创造任何价值，一个水平很好的模型，可以既得到市场份额，还能挣到钱。大厂有它的优势，钱多、人多、资源多、GPU多、场景多、数据多。小公司也有优势。第一个就是团队更凝聚。在大厂，做芯片的在一个组，做基础架构的在一个组，做AI模型训练的在一个组，做推理的在一个组，做应用的在一组，5个组可能有5个VP（副总裁），5个VP有不同的KPI，很难协调。第二个差别是，大厂有更宏伟的目标，比如卖云，比如推某一个拳头产品， AI是服务于另外更大的目标，那就不是直接做满足用户需求的AI Firs产品，而创业公司可以更纯粹地走这个方向。第三个是大厂可能有The Innovator's Dilemma（创新者窘境），他不能把AI嵌入已有产品，不然他可能就没有收入了。比如说Google，为什么Gemini做得不怎么样，为什么不去做AI搜索？比如Perplexity的搜索就比Google好用。其实就是Google不敢做AI搜索。因为它一做AI搜索，传统搜索广告收入就会受影响。还有一点非常重要的，我的前老板Eric Schmidt（谷歌原CEO）在斯坦福说的大实话。有人问他，OpenAI怎么打败Google？他说Google自从疫情之后，员工比较慵懒，在家工作，不像OpenAI是个创业型公司，疯狂往前冲。当然之后他有道歉。但我觉得是大实话。在创业公司，员工更有主人翁精神，大厂的话就是一份工作。大厂和创业公司各有优势，我不会说创业公司有绝对的优势，但是我觉得这个优势和劣势是旗鼓相当的。

马克：现在的大模型“六小虎”，你觉得最终能有几家生存下来？

李开复：我觉得大部分都可以生存，但是不一定都会做往AGI、往Scaling Law走的预训练公司。可能有些会走娱乐，有些走ToC，有些走ToB，有些走开源路线，有些在国内上市，成为国内做某某领域最强的公司，有些可能放弃预训练，但是能接单。我觉得每一家都会发挥自己的优势。

在今天，这六家公司的直接竞争并不多。我们就讲一个最简单的例子，我们（目前）基本不竞标。我觉得这个市场实在是够大，可以选择的实在是够多。比如说我们做海外ToC，另外还有至少一家也在做海外ToC，但我们的产品完全没有交叉。这不是零和游戏。

马克：基础大模型国内公司要赶上美国同行是比较难的。但是也有蛮多人说不用担心，因为国内有丰富的应用场景，尤其是ToB，虽然基础模型不如美国，但我们完全可以开发行业模型、服务行业客户，这样我们也能活得好。你同意这个看法吗？

李开复：一方面我同意，国内有非常丰富的场景，非常多的行业数据，而且确实底座不见得有差那么多，六小虎里做得最好的三四家的底模，都足够满足各行业的需求。但是我觉得行业模型的落地，必须解决另外一个问题：客户如何能够接受更先进的商业模式，互创价值，形成良性循环。

如果客户只愿意给你那么点钱，那你也只能干那么多活，他就没有那么满意，这样就很难形成良性循环。而美国现在比较先进的模式，SaaS（软件即服务）也好，订阅也好，都能形成良性循环。放眼看美国这些几百亿美元的公司，从Databricks到Snowflake，都在和客户产生良性互动。客户愿意持续付费，愿意为软件买单，软件公司赚了钱就继续投入，给客户更好的技术，让客户愿意继续付钱，实现了良性的循环。

简单地说，就是中国的企业级软件的商业模式不如美国，企业没有足够的付费意愿，创业者无法获取足够收入来持续进步。这个问题如果不化解，大模型和其它企业级软件都会面临很大挑战。

马克：美国的基础模型在不断前进，参数量从千亿到万亿，国内跟进很吃力。这会不会影响到国内下游的应用开发？

李开复：不但不会，可能还有独特的优势。今天我们的参数量比世界最好的几个模型少一个数量级，但恰恰因为少了一个数量级，而表现跟它又很接近，我们的推理可以做得又便宜又快，反而适合开发者开发应用。如果拿最贵的模型，开发者做不起。

马克：OpenAI已经关闭了中国大陆的API服务，美国国会也在讨论禁止开源模型出口。国内很多模型是基于美国的开源模型，如果他们不再允许使用，那意味着什么？

李开复：对零一万物没有任何差别，因为我们现在不用任何开源模型，是自研的系统，当然参考了很多别人发表的论文或业界标准。话说回来，如果两年前就不存在任何开源，中国业界确实会受到一些挑战，但是我觉得美国的很多讨论都戴着“后视镜”，看到过去开源让中国跑得更快（所以要禁止出口），但他们没有看到中国现在对开源的依赖已经大大降低。而且我们也不要认为开源是纯粹美国人发明、中国人学习，在中国很多开源做得很好。开源是一个互惠的事情。美国政府如果把它当做单行道，认为只是方便了中国学习美国，这是错误的、短视的，一方面低估了中国今天已经达到的水平，另外也不了解中国也在积极开源。我们可以看到Hugging Face CEO常常说，现在开源模型最多的是中国。

马克：所以结论是，即便美国真的禁止开源大模型出口，对中国从业者也不会有太大影响？

李开复：我觉得短期内不会有太大影响，中国现在基本是能够自给自足。但也不能排除三年后美国的某个天才科学家开源了一个天才发明，帮助了全世界。只是说按照今天的情况，我想很少中国大模型公司需要完全参考美国的开源模型，才能推动自己的进步。这个时代已经过去了。

我们当然还是希望开源社区继续开放，大家能彼此切磋学习进步。我也不认为能轻易阻止开源，因为全世界的开源社区可能是最不被地缘政治影响的。开源的人就认为我们愿意彼此扶持，是站在巨人的肩膀上的信仰者。如果美国真的出了这种法律，可能反抗最多的是那批美国开源社区的人。

马克：你是1988年进入职场的，这三四十年间经历了好几波技术浪潮，PC、互联网和移动互联网、云计算，如今是AI 2.0。一家公司只要抓住一次浪潮，就会成为巨头，但往往抓住上一波的巨头会错过下一波。你有没有见过没有错过任何一次浪潮的公司？

李开复：微软应该是最接近的，而且很有意思的是，我们可能都想着软件公司，其实硬件公司也是一样的。PC时代是英特尔的时代，移动时代是高通的时代，现在 AI 2.0时代是英伟达的时代，所以我觉得不可避免的，每一次科技浪潮都会因为新的技术认知，而带来新的领军公司。一些旧的公司不愿意放弃过去形成的商业模式和利益，被替换是高概率事件，但是也有一些能坚持下来。

马克：生成式AI这波浪潮中，诞生了两个巨头，英伟达和 OpenAI。OpenAI可能更准确一点，因为英伟达之前已经挺大了。有没有可能再出现一个类似OpenAI的巨头？

李开复：我觉得会有很多巨头产生，也许没有OpenAI那么大，OpenAI应该万亿市值。今天每一个应用在AI时代都会被重写，每一个重写应用的公司都可能是千亿美元公司，比如取代Microsoft office、Adobe的公司，取代手机的硬件产品公司，取代Google的搜索公司。

而且，这些例子只是把已有的产品取代了，还有前所未有的产品，比如多模态、具身智能机器人，它们可能更像特斯拉——电动车本来是不存在的产品，突然杀出来。这些市场都是超级巨大的，我相信10年以后最有价值的10家公司，全部跟生成式AI相关，有些可能是现在的巨头，生成式AI赋能后变得更厉害，有些可能是开发了某一个很厉害的应用，然后不断地衍生，做成多产品的矩阵，有些可能是找到了一个生成式AI带来的前所未有的机会，做了一个过去不存在的产品。就像今天前10名很多公司，都是10年前还不太知名的公司，10年以后肯定也是一样的状况。而且可以很确定地说，10年后最值钱的10个公司的总市值，会比今天的高非常多。

马克：在位的巨头中，谁比较危险？

李开复：我觉得Google相当危险，拿了这么好的牌，打得这么差。但核心是，它没有办法放弃核心收入（搜索广告收入）。柯达就是为了它的胶片，不愿意去推数码相机，最后它被自己发明的数码相机革了自己的命。

马克：希望拉里·佩奇能够看到我们今天的对话。

李开复：他们是知道的，Google管理层是很担忧的。但是既有利益的惯性太大，改变起来不止需要壮士断腕的勇气，是壮士要把四肢都切了，这样才可能有重生的机会。但是四肢都切了，怎么重生呢？

【05】

AI产品的最终形态

“大模型是一个很厉害的思考机器，如果只把它看作ChatBot，其实是低估了它。”

马克：进步的捷径就是学习先进。你刚才谈到若干家你认为很不错的美国公司，可以ToC和ToB各拎出一家来详细解剖一下吗？

李开复：我觉得今天美国很有特色的、让我很佩服的公司是微软。因为它一方面能够慧眼识英雄，选中OpenAI，另一方面跟OpenAI达成双赢，至少短期双赢的商业协议。而且它在自己的产品里非常完整地融入了各种大模型技术，整个Copilot，从Office，到Game，到Windows，布局非常完整。而且它也没有那么疯狂地去烧钱。

我觉得苹果的机会和风险都很大，今天它必须采用第三方的ChatBot，因为它自己虽然有投入，但是没做出来，这就代表以后每一个设备使用自然语言界面都要经过第三方的引擎，这个引擎刚开始是问答，之后可能变成搜索，再之后可能就是委托式的用户体验，然后开始帮你干活，成为智能体，最后颠覆整个苹果手机。这个风险是特别巨大的，因为苹果今天最值钱的就是用户，世界上那么多用户，眼睛跟手是在苹果手机上，而且是不经过别人，苹果就可以掌控。如果说整个手机的体验变成对话委托式，可能就会绕过苹果今天的核心优势，它整个生态系统会坍塌。所以我觉得苹果现在特别需要振作起来，拥有自己的AI技术，整合到苹果手机里来。

我觉得未来的硬件会有一个革命，现在还没开始。今天的手机其实不太适合终极的大模型。终极的大模型应该不只是一个问答（工具），而是委托（工具）。跟它说我太太明天生日，它马上就说帮你订蛋糕，这才是一个聪明的委托式的用户体验。但是刚才这句话，如果我要把手机打开，打开Siri，然后跟它讲，看它的答案，我已经浪费了40秒钟的时间了，如果就在我跟你讲话的过程中，它随时听懂我，然后就把事情干了，能够在合适的时候告知我，就很高效。

马克：不需要你给他布置任务，他能够主动推测到你想干嘛。

李开复：这是最好的。我主动布置任务也行，但是我不需要把手机打开，再开APP去选什么条件来用。我每天在讲话，我一讲，它就听到我，就做，这是委托。还有些例子我可能都不需要讲，它就知道应该做。比如说我前三年都买花，今年它就说，你太太生日，你要准备什么样的花。这个过程需要一个设备，可能是随身携带，而且always listening， always on，它才能做到无缝衔接。这样的设备应该由苹果来做。这就是终极的智能助理，因为以后我95%的事情都是经过它来做，所以以后也没什么手机了，因为我没有应用，只有少数的东西我还是要打开软件。

马克：我非常同意你刚才说的，现在苹果的产品不是AI First产品，它是上一个时代的产品，交互不是那么方便。但是哪怕进入到AI First时代，AI First的产品都普及了，仍然需要一个交互介质。还有什么介质比手机更方便？

李开复：如果说是我委托任务，它就把活给干了，它可以是耳环、项链、手表、戒指，可能90%、95%我想做的任务，我说一句话，它就帮我办到。有些东西我需要看，比如说我要看今天股市什么样，当然还是需要手机。就像手机出来的时候，我们没把PC丢掉。所以以后可能也是当我委托任务的时候，什么设备都不要，我讲话，它就学习到了；但当我不是在做任务委托，而是要看一个东西、处理一个东西的时候，我才用手机、电脑。

马克：智能手机之所以了不起，就是集成了各种产品。你刚才讲的耳环、眼镜、项链，一个人是不可能戴那么多东西的。

李开复：最近眼镜也蛮火的，假设跟眼镜说今天买什么东西，或者用餐、订票，所有我会跟我的助理讲的话，眼镜都很熟，这个眼镜就能成为助理。我要看一个视频的时候才用手机。这两种需求比例是80：20还是20：80，我们可以讨论，但是我觉得终极状态应该是很多你要做的任务，这个眼镜会处理。

马克：其实我们讨论的不是一个新话题，10年前就在讨论谁能取代手机。那时候智能音箱是一个热门的候选，后来的候选还有智能手环，但这些统统都没有取代手机。但是我完全同意交互方式一定会变得更自然。

李开复：这个事情不容易达到，我同意非常困难。当年我还在苹果的时候，我们就在推测什么能取代PC，第一套做的是用笔来输入的Pad，不是今天的iPad。那时候假设 PC太大、太麻烦了，能不能像笔记本那样握在手中，然后失败了。还有一些别的公司做，也失败了。然后就出来MP3、iPod，再后面就有了iPhone。所以也是摸索了很多年，从一些失败的产品到单一功能产品比如iPod，最终才到了iPhone。所以我们从今天的手机走向未来的眼镜也好，手表也好，未来还会有很多探索，不会是很轻松的，但最后肯定会找到。

其实第一个牺牲者已经出现了。美国有一个产品叫做Humane，苹果顶级的设计师出来做的，它是一款像别针的可穿戴AI设备，别在身上，always listening，always on，卖五六百块美金，最后这个价位消费者没法承受，体验也不够好，就死在沙滩上。

马克：对于创业公司，如果给他们找一个学习榜样，你会解剖哪家公司？

李开复：最近一个特别火的产品NotebookLM， Google出来的人做的，一个小团队做出来的，它很聪明地让你能把一本书或若干篇文章丢进去，把可能有点枯燥的东西做成Talk Show，自动生成音频，两个人对讲，听不出是机器人，话家常、讲笑话都栩栩如生。在美国，很多人喜欢一边听音频一边开车上班，所以可能每天都有1小时给NotebookLM。我觉得这是一个非常成功的产品，也给我们指点了一些路。我们现在过度地认为要做一个ChatGPT，做ChatBot就是大模型的必然之路，其实做一个非常平易近人、有趣幽默的产品，让大家能够很轻松地消费严肃内容，对我们的价值同样很大。大模型是一个很厉害的思考机器，我们如果只把它看作ChatBot，其实是低估了它。

【06】

AI会解放人类，也会让人类更加不平等

“AI也许就是为了解放我们，让我们真正找到人生的价值，把时间花在那些只有人类能做的事情上。”

马克：今年的诺奖有一个插曲，杰弗里·辛顿说，我很自豪我的一个学生解雇了Sam Altman。在OpenAI的争斗中，科学界好像都在支持Ilya，但商界人士大多支持Altman。你会支持谁？

李开复：我觉得两边都各有道理。但一定要二选一的话，我会支持伊利亚。Sam Altman是一个战略家、谋略家，商业的天才，所以他想尽快打造出AGI，然后就能成为垄断者，成为霸主。这个梦想我觉得每个企业家都会有，我也完全可以理解。Ilya和他周围这些人，包括最近从OpenAI离职这批人，更有理想主义，觉得AGI这么厉害，我们要负责地去做它，要确保它是安全的。本来其实OpenAI的架构是有一点制衡作用的。董事会在乎安全，Altman下面的几个人也比较在乎安全，Altman想推动，但是有上下两层（制衡）。但现在上面的一层切掉了，下面的一层离职了。我们作为AI从业者，也想看到AGI快点来，但绝对不放心让Altman这个人来控制AGI。

马克：几十年的技术浪潮已经深刻地改变了人类社会。但不幸的是，随着技术的进步，人类的不平等也在扩大。1989年，你博士毕业的第二年，美国最富的1%的人占有全美财富的23.5%。2001年，这个数字增加到32.2%，也就是说，1%的人占有全社会1/3的财富，而且这个趋势还在扩大。你觉得AI浪潮是不是会进一步扩大人类社会的不平等和贫富分化？

李开复：首先AI浪潮会给每一个人机会，就像Sam Altman说过，他认为会有第一家一个人做出来的10亿美元的公司。直接回答你的问题，贫富差距肯定会继续增加，除非政府出面阻止，向富人收税，分给其他人。如果没有这类措施，一方面， AI的赢家赚的钱会比移动互联网多，另一方面，很多人会因为AI失去工作，因为AI可以把部分工作取代。会有越来越多的重复性工作，尤其白领，面临失业。所以说最有钱的人变得更有钱，因为得到了AI的红利；而最没有钱的人，自己的工作还可能被AI取代。这会带来更多的不平衡。

马克：678乘以875等于多少？如果你算不出来的话，拿个计算器就能够迅速解决。这跟不会解二元二次方程，让ChatGPT帮你解决，有什么不同吗？

李开复：我觉得人的智能和人的能力应该不断升华，计算器让我们升华到一定程度，生成式AI可以让我们再升华一层。以后我们要去解难度更高的问题，无论是某一领域，比如数学的问题，还是跨领域的问题，比如一个CEO面临的各种抉择。这一类的问题是人类应该花时间去做的。

还有人类的独特性，AI能做的事情越来越多，应该让我们有一个很深刻的灵魂拷问：AI这么多事情做得比我们好，还有什么我们能做、AI不能做的？特别有创造性的，特别复杂的，或者是特别需要温度的、需要亲和力的，或者人与人之间的关系，或者是自我意识，这些是我们最珍贵的事情。

所以我们不要只是觉得AI做了很多事情，我们越来越渺小、越来越没有用。AI能做的事情，可能本来就不是我们应该花最多时间做的事情。AI帮我们把重复性的、相对简单的事情做了，把一些过去认为是思考，但不是深度思考的事情做了，也许就是为了解放我们，让我们真正找到人生的价值，把时间花在那些只有人类能做的事情上。

（《财经》记者刘以秦、研究员吴俊宇对此文亦有贡献）
责编 | 杨明慧

出处：微信公众号 @财经杂志