状态
已推送
作者/预览/来源
杨植麟
Know-How分类
字数
2151
导读
我觉得在AGI时代的这种寻找PMF的过程,他就应该用AGI的方式来做。
本期 Aha Moment「一手信息」
杨植麟:月之暗面CEO
- 平时我们看这个月亮都只能看到它这个发光的一面,其实它背后其实有一面是啊看不到就非常神秘。但是就是又有一种很强的去探索未知,对吧?探索这种很很神秘的月球的背面到底是什么这样的一个冲动。我觉得其实对大模型来讲其实是很相似的。
- 你的组织是跟你的做事的方式是要匹配的。所以你当你的做事情的底层的逻辑发生了变化,你就需要新的组织才能做
- 首先就是你一个好的组织,需要很高的人才密度,然后有极强的这种share的vision。就是所有人应该有一个共同的vision,然后能够很高效的聚焦,围绕一个目标去做。我觉得这些点可能是他们做的非常好的。但这里面最核心的一个点,也是从外界可能不那么容易看到的一个点,也是我们现在可能最专注想去迭代做的更好的一个点。就是当你有了这些前提之后,你怎么样找到一个系统性的方式去做事情。对,就是我觉得这个点是超越所有技术,就是它应该是所有技术的一个前提条件
- 今天讲的大部分的产品开发实际上是在做中间的事情。这个中间的事情就是数据。就是因为你你你前面虽然你的交互一样,对吧,我的模型的架构一样,但是你用不同的数据,本质上就是你你你会定义出来不同的产品。因为你定义了这个数据,所以就是我觉得这是一个极大的范式上的创新。就是产品经理可能越来越多的需要想的事情是怎么样通过两个数据集去开发出来一个产品。就是只要你定义好了两个数据集,你的产品就已经定义完成。这两个数据集其实说来也简单,就是一个是训练数据,一个是测试数据。就是训练题测试题。这个machine能力已经完了。
- 你的训练集就是决定了你的模型能提供什么能力。你的测试集就是决定了你能不能给这个给这个研发团队设计一个KPI,让大家能够去刷榜对,当他能够把这个榜刷起来,你的产品就做好了。
- 以前是画产品图,未来是测试集。这个就是产品经理的能力变化。
- 我觉得在AGI时代的这种寻找PMF的过程,他就应该用AGI的方式来做。就是应该去发挥它的这种通用的价值,然后去发挥你的用户生态的力量,去发挥你的这个系统的力量。你看一下子一口气全部推过去,我觉得是这个可能是就跟这种古典的产品的做法跟最大的区别。
- 就像我刚才说的,你不应该种一棵树,而是应该画一片地。然后画一遍地之后,你有这个场景摩尔定律,它就能一下把这些树全部试一遍。这是一个他这个是一个超级快速的种树的机器,马上甚至他不用种树就知道这个地方去种树是死还是活。对,其实他应该是用有有这样的方式,然后你很多很多产品的一个产品里面能做的事情就会越来越多。当你做到一定程度时候,它就会成为一个超级的super ap。
- 对于想要运用大模型的公司和个人来说,他们可以选择购买引擎或者自己搭建团队。在模型层面上,较劲是必要的,但最终的目标是实现差异化。开源做应用有很大的机会,虽然不一定能成为超级应用,但可以产生新的增量价值。产品化和微调是实现增量的重要途径。同时,对于追求成为super APP或者通向AGI的公司和个人来说,模型需要与应用共同成长。模型的生命力在于持续的变化和掌握在自己手里。
- 智能摩尔定律指的是人工智能在不同场景中的快速变化和应用扩大,而场景的解锁则是指人工智能能够解锁越来越多的场景,使其应用领域不断扩展。这两个定律相互影响,成本下降和能力提高促使更多场景的解锁,反之更多场景的解锁又降低了成本并提高了能力。然而,要实现这个新时代的新范式,人们需要放下历史思维,面对不确定性和深入探索,这并不是一件容易的事情。
张鹏:极客公园创始人
- 如果不想做一个在C端的真正的super APP,有足够多的用户补足够多的数据,其实它最终就很难去真正实现你通向AGI的目标。也就是说如果不想做super APP的AI公司,就不是AGI的信徒
- 在新的开发范式下,数据集和测试集成为核心的开发对象,需要特殊的组织和技术支持
- 在产品经理的角色中,神性和科学性都有着重要的作用。在产品发展的早期,需要有想象力和神性光辉,能够率先抓住机会。而随着赛道的确定,科学方法的应用成为主流。对于产品经理的要求,需要在神性和科学性之间寻找平衡。系统性成为主流的开发方式,但神性仍然重要,需要以系统作为支撑。
本期可沉淀系统化AI知识
Q:Moonshot|月之暗面的名称来源
A:我们的名字来源于摇滚专辑《the drop side of the moon》,象征着探索大模型未知的冲动。就像摇滚精神一样,我们追求创新和挑战,不断想象大模型的未来。我们选择这个名字也是为了展现我们对API的决心和定义我们是基于什么样的人。 albums资料显示,这张专辑深入探讨了人的潜意识,而我们的目标是解决大模型中的问题。
Q:当时是怎么做大模型创业这个决心和选择的
A:在过去几年里,我的认知发生了巨大变化。从2019年开始,基于transformer的训练模型在Google取得了巨大成功,解决了许多难题。在国内,我们也开始训练大模型,并面临技术和组织上的挑战。成功的组织创新是关键,而组织是实现AGI的必经之路。最近的市场变化为建立一个新的组织提供了更好的机会。
Q:什么东西让你决定说组织是一个核心的问题,以至于你要利用这个契机去构建这样的一个组织
A:推动技术的发展需要创新的组织去负责,市场和资本环境已经准备好,因此选择了创业。过去几年尝试过不同的方式和组织结构进行研发,但都存在组织上的问题。例如,在创新组织中难以用规划的方式对大模型进行创新,因为大模型需要确定性的生产.
Q:什么是大模型的可复制性
A:组织需要高人才密度和强大的共享愿景,能够高效地聚焦目标。系统性方式是指能够被复制和放大的方法,可以在不同领域应用。这种系统是公司最需要打磨的核心资产。对于大模型的技术发展,组织的构想和创新系统也起到关键作用。
Q:对Moonshot招的人会看重他什么?
A:我觉得我们其实相对来讲比较open,就是说各种不同的背景。因为我我觉得AGI是个很综合的事情。然后坦白的说,我觉得今年做AGI有一个很好的点,是说至少市场上有一些热度。有一些热度你就会吸引各种各样背景的人,我觉得这个是很重要的。因为如果只有一个单一的背景还是很难做好。所以市场上的这种人才流动性,我觉得其实是很重要。
我们是很欢迎对这个AGI,对这个super APP,对这个全球市场?对这些东西有激情的小伙伴。我觉得这些都是非常欢迎。
我觉得很重要的一个点是还是这个学习的能力,或者说一一是心态,就是这种开放和开放的心态。二是学习的能力。然后他指向的一点就是一个人能不能去快速的迭代。这个可能是我们非常我们觉得价值非常大的一个潜质。
Q:AI驱动的超级APP的特点和趋势是什么
A:AI的价值在于提供无法实现的新功能和解决更多问题,因此超级APP需要具备通用性和拓展性。超级APP的通用性是成为超级APP的关键,而技术引擎是推动超级APP发展的驱动力。超级APP需要从特定场景开始泛化,但泛化速度可能很快。
Q:产品开发中的数据驱动范式是什么
A:大部分应用层产品开发实际上是在做中间的事情,即数据。通过不同的数据集,可以定义出不同的产品。训练数据和测试数据是决定产品能力和KPI的关键。这种数据驱动的开发方式在机器学习领域已经使用很久,但随着AI产品的兴起,越来越多的人开始关注和应用。
目录
导读说明
月之暗面 Moonshot AI 是一家神秘且特别的大模型创业公司。
- 公司目前只发布了一款产品,基于千亿大模型的 chatbot 产品 Kimi Chat。发布之初,就打出了「长文本」、「自研闭源」、「toC」等清晰的标签。
- 创始人杨植麟饱受期待,他毕业于 CMU,师从苹果 AI 负责人 Ruslan Salakhutdinov,曾在 Meta 和 Google Brain 任职,是 Transformer-XL 与 XLNet 等爆款论文的第一作者。被多家头部 VC 寄予厚望,他本人对于大模型技术发展、行业未来将如何演变等话题也有着独特的见解。
播客介绍
AI局内人 | AGI Insider
- AGI(通用人工智能)时代的新技术和创业新方向。
- 极客公园旗下的科技创业者社区FounderPark出品的AGI 系列播客节目,围绕 AGI 相关领域的技术发展、产品方向以及新的商业模式进行探讨和交流。
本期全文摘要
本文介绍了月之暗面公司和其基于千亿大模型的chatbot产品kimi I chat,以及AI创始人杨志麒的背景和见解。讨论了大模型创业的第一性原则、开源和闭源的意义,以及大模型创业如何倒转传统创业思维。极客公园的创始人兼总裁张鹏与杨志里进行了采访,为读者带来大模型领域的新思考。此外,文章还探讨了该公司名称背后的意义和其他AI创业公司的命名趋势。对于大模型的发展和乐队的类比,以及在乐队中鼓手的定位也被提及。讨论了大模型的重要性和决策逻辑,以及语言模型在AI中的应用和问题。此外,还讨论了组织的工作流程以及系统性方式的重要性,以及AGI工厂的顶层设计和组织推动的重要性。讨论了第一性原则在人工智能领域的重要性,以及AI在未来的发展空间和挑战。此外,还讨论了AI Native产品的开发范式变化以及其对产品开发方式的影响,以及公司招聘新范式和对人才背景的要求。最后,讨论了产品经理的角色和要求,以及模型技术能力与市场应用之间的差距和智能摩尔定律对于AI应用场景的驱动力。
正文
张鹏
首先欢迎大家又来到founder park的大模型的系列直播。今年年初的时候,大模型这一波的技术热潮,我相信所有人都感知到了。在过去一段时间里边,founder park也一直不断的把一些大模型领域的创业者、实践者,我们拉到我们的直播间里跟大家一起做交流。同时走了这大半年,我相信大家也对于大模型有了一些新的思考。
张鹏
在这一波的热潮里边,应该说整个上半场里很多人都很关注的就是做这个基础模型的本身的团队。因为过去OpenAI出现之后,大家都在去看说中国会不会有这样的团队,也能够在这个技术上能够去追上,吧?甚至未来有机会在里面做出自己的特点。那我们在今天也又带来了一位在这个大模型领域的创业者,这个应该是大家也很关注的,看起来有点神秘,因为他好像还没有怎么出来跟大家做过交流。是在最近我相信很多人都看到那个新闻,月之暗面这家公司刚刚完成了融资,然后也在大模型的领域里成为中国非常重要的引人关注的一个力量。很多人最近都应该都看到,就是OpenAI这一波很drama的戏份里面,我们看到the information媒体其实在全球都释放了很多里面的独家信息。前段时间我也看到the information说月之暗面可能是中国,非常有潜力成为一个所谓中国版OpenAI的这样的一个团队。
张鹏
所以这家公司虽然你们听到的信息少,但是他们背后应该有很多的自己独特的思考和自己不一样的能力。今天也非常荣幸,我们要请来月之暗面的创始人CEO杨植麟杨教授很年轻,但是我觉得我跟他也有有过交流,我觉得他其实有很多的更很深入的洞察。所以期待今天晚上的交流也让大家有所收获。欢迎一下植麟。植麟你好你好。
杨植麟
大家好大家好。张鹏总,感谢介绍大家好。
张鹏
我非常荣幸今天跟植麟能够晚上一起来聊一聊。植麟你们的公司大家都说有点神秘,尤其是这个名字,月之暗面,这个很有嚼头的一个名字。好像这一波我看AI这一波的创业公司,在起名的层面上也是大家跟原来不太一样。你像早年间互联网那一波都是基本俩名的,什么阿里、腾讯对吧,我们都这么定义吧,这发现这个百度吧?然后到你们这边就越是暗面。
张鹏
然后我你也很熟的,我的那个好朋友李志飞叫人序列猴子,这个大小熊的名字?大家都起名起得很有意思。来给我们先揭秘这个月之暗面他这个名字的背后是有什么样的讲究吗?这一点我觉得大家可能也会很感兴趣。
杨植麟
对,就是我们的名字其实它是来源于一张摇滚专辑。因为我们都比较喜欢这个摇滚的,以前是玩乐队,今年刚好有一个比较好的契机,是因为50年前是这个pink floor,就是一个摇滚乐队,他们是发了一张专辑叫这个the drop side of the moon。然后今年刚好是他们这个50年我觉得其实对于A加或者大模型这个事情来讲,它它本身也是一个非常好的一个象征。因为平时我们看这个月亮都只能看到它这个发光的一面,其实它背后其实有一面是啊看不到就非常神秘。但是就是又有一种很强的去探索未知,对吧?探索这种很很神秘的月球的背面到底是什么这样的一个冲动。我觉得其实对大模型来讲其实是很很相似的。就是其实你想去探索一个神秘的未知的东西,同时它是一个又很难很有挑战性的事,然后同时又可以结合很多这种可能摇滚底层的这种精神,就是不断的去去创新,然后不断去挑战事物已有的形状,然后去去想象他可能接下来会是什么样。所以我觉得其实我们当时也想了各种不同的名字,但我觉得最后可能可能目的是以及月之暗面这样的中英文的组合,它其实是可以比较好的去反映就是我我们对于这种做API的决心,以及它可能可以去定义我们是也基于什么样的人。
张鹏
对,因为我也是平克弗洛伊德的粉丝,所以你一说the dock side of the moon这个专辑其实是如果从我的角度来看,那张专辑本质上虽然他叫是用了个好像很天文的名字,但他其实本质上讲的是可能更接近人的潜意识这里面的很多的东西。其实那个那个专辑我觉得还是蛮讲究的,就是很深的一个东西在里面。
杨植麟
里面的那个主打的歌曲叫brand damage。对,就是一个人出现了pollution nation之后,然后我们现在穿越了50年,要去拯救这个allus nation,特别是大模型的allus nation的问题。
张鹏
对的,所以我感觉其实你看你是大家很多人也管你叫杨教授对吧?但是我觉得我们从植麟在起这个名字的过程中,就不只是科学家的那一个那一面。虽然我觉得在musha的AI这个moon shop本身是一个我就要做一个有挑战的事儿,本身它这个东西就是很难,对吧?就是从它的意义里面包含着很难和探索。但我觉得你这个月之暗面其实某种程度上也在说了一个很深层的东西,而且好像跟这个大模型还是有点儿在意境上能联合上,看得出来你是有乐队的,这样的一背景。我八卦一下,原来在乐队里你是哪个位置?原来是鼓手吧?那那从第一个乐队里面,鼓手在乐队里大概是一个什么样的定位?我们顺着这跑个题。
杨植麟
对,就是掌握节奏,对,到底是用多快的这个节,就是我我觉得这个可能是为整个乐队去演奏这个歌曲,我觉得是这也是一个很很重要的一个提供一个框架,可能是这样的一个感觉。
张鹏
蛮好的。我觉得乐队这个视角可能也会能够横向的去类比,我确实接下来大模型的发展,或者你做这么样一个more short的事儿,可能也节奏很重要。那我们聊一聊这个更落地的一些东西。其实从我们去看啊,你因为我我我们有一些共同的朋友啊,在你其实创业的消息之类之出来之前,我就大概知道你要投身到这个大模型这波赛道里。但我还是想问一问,这一波可能就是在去年或者说去年和今年的交界的时候,是很多人对于在这一波投身其中是下决心的时候。我们回到那个时候,你当时是怎么做这个决心和选择的?很显然这个事儿是让人兴奋的一个事儿。但是你怎么选择我自己要做一个组织来去投身其中。这里面能不能跟我们分享一下你当年的这个决策逻辑?
杨植麟
对这个是特别好的问题。我觉得对于大模型这个事情来讲,可能很多人是去年可能开始听说有有ChatGPT或者相关的一些热潮,对吧?但是我觉得其实我们在这个行业其实做了非常多年,就是可能从1819年开始,就真正可能在训练基于这个transformer的语言模型。
杨植麟
从一开始就是说觉得语言模型可能是一个工具,它可以去提升很多很多不同的场景的效果,对吧?到可能后面后来第二个阶段就是说认为语言模型可能对很多很多任务都有用。直到后面就是说语言模型你可能成为AI的唯一的一个问题。就是所有的问题都都不重要,或者所有问题都可以通过把语言模型做得更好。或者比如说跟通用来讲,就是把next token prediction这个形式做得更好就可以解决了。所以说AI就变成这样的,就唯一计算一个问题。
杨植麟
我觉得我我我的认知其实在过去几年里面是发生了非常大的变化。然后这里面可能最重要的其实是就是可能从19年开始,真正在在google去用几千张卡去基于transformer去训练你的模型。在这个过程中其实可能观察到了非常多的这个现象。然后这些现象其实也是进一步的去提供了更多的证据,就是说可能你这个是会是一个正确的路,可能就是他一直需要往往这个路径一直走下去,就不断的去scale,然后不断的去寻找更高效的这种scale的方式,就可以得到一个非常好的结果。就能够解决很多以前很难解决问题,不管是这种记忆的问题,还是推理的问题,还是很多这种常识,或者甚至解决更复杂的多链路的这种问题。所以我觉得这些东西在之前的这个经历里面,是给了我很深的这种冲击或者说铺垫。
杨植麟
然后直到20年开始,可能我们在国内开始,就是我我当时去找很多人去合作,找了很多这个机构,然后我们一起去训练这个大模型。也是最早在国内去训练很多像盘古和武道这样的大模型。所以我觉得在这个过程中,其实也一直是在酝酿一个真正的时机。
杨植麟
大家同时在这个过程中,我觉得也。看到很多大模型的挑战,它的挑战其实一方面是来自于技术,另外一方面可能是来自于组织。我们发现如果你还是用传统的这种方式,传统的这个组织结构对于训练大模型他可能是很难成功的。我们今天看到的OKI的成功实践,本质上也是因为他的组织做了极大的创新,所以才有了今天的这种成功。所以我觉得可能之前可以理解成一直在寻找的这样的一个机会。
杨植麟
就是说怎么样能够去去从零去建造一个新的组织,因为我认为这个是通往这个API的必经之路,它甚至比比我们今天接触到的各种细枝末节的技术还要更加重要。就是组织是一个更底层的东西,就只有你把这个组织做好,你才有可能真真正正程度的去去AGI这条路上好好的去走下去。所以我觉得在看到去年可能像不管资本市场还是人才市场都发生了极大的变量。然后在这种情况下,我觉得这个时机其实是更加成熟。我们可以有机会能够去丛林去搭一个组织去做这个事。
张鹏
我觉得你说的这个视角给我蛮多启发的。某种程度上你去决定投身到这件事,不是因为说市场上可你需要一个,比如说中国或者说全世界需要一个某种类型的大模型。是你认为ADI这件事是需要有创新的组织去推动的。也就是说某种程度就是那个developed technology by a new kind of a organization,对吧?就是要从一个组织的角度去推动技术的发展。这是你认为在市场环境、资本环境ready的情况下,给了你这个机会,所以你才去选择创业。这个视角我以前很少听说,什么东西让你触发了这么强烈的想法,就是我相信你肯定是个AGI的深度信仰者,否则你也不会叫月之暗面,你也不会刚才有这样的一个逻辑。但什么东西让你决定说这件事往前发展,组织是一个核心的问题,以至于你要利用这个契机去构建这样的一个组织。
杨植麟
我觉得可能更多的还是实践。就是因为在今年之前我们也尝试很多用不同的方式,用不同的组织,去尝试对大模型进行研发。但不光是大模型,也包括以大模型为核心的这个一系列的技术加产品的东西。
杨植麟
其实我觉得在过去几年,我们做了很多类似这样的事情。这里面有不同的尝试,包括就是有有几种不同的可能性。一种就是说可能以这种就是比如在在这个传统的这种企业内部去做,这个是一种方式。还有就是说比如我们可能也有一些独立的研究机构,这个之前其实我参与了一些,那甚至有一些可能是以这种高效的模式。然后你就发现就是说这几种不同的模式,其实他都很难去在组织上作为一个根本的创新。就是他没有组织可能有太大问题。我今天可能就不一一展开说这到底有什么问题。
杨植麟
但是我我我可以举个很简单的例子,就是你很难用一种规划的方式去对这一个大模型去进行创新。比如说我如果现在是在一个移动互联网时代,我可以规划我接下来要做哪些需求。然后这些需求只要一旦它被定义出来,它是可以被确定性的生产出来。你基本上很少存在说我这个APP然今天不知道怎么开发,或者我这个定义的需求,结果没有被实现。因为它它是一个确定性的事件,它是只需要经过人在计算机上用编码去表达出来这个意思,他就可以被实现。
杨植麟
但是API是不一样,就是我很难去规划说我今天想要去完成一个什么样的需求,然后完成到什么程度。它是没有办法被硬编码,没有办法被规则表示的。所以他他需要的做事情的方式就不是这种前置的规划性的创新,而是这种后置性。就是我可能要去试一下才知道,或者就是说我现在可能不是指哪打哪,就是我我现在就做这个东,而是说你可能需要先区分出来,可能有有几种不同的可能性。在这个时候,我我我通过一个通用的方法去解决它。对,就是他的方法并不是说我去case by case去个一个的去解决。因为这个是传统AS或者传统的移动互联网产品开发的,是就是我我我这是case by case,我反正定义一个需求之后,再定义另外一个需求。我的AI工程师我先标完一波数据之后,再去标另外一波数据,就它它是一个它是一个case by case的。
张鹏
所以它不是AGI,对吧?它不粘了。
杨植麟
对,但是你AGI它它是它是它得有一个底层的机器,就是它它得有一个更系统的方式,能够一下子做很多东西。所以我我我觉得这个是一个非常fundamental的区别。因为你的组织是跟你的做事的方式是要匹配的。所以你当你的做事情的底层的逻辑发生了变化,你你你就你就需要新的组织才能做对。所以我觉得在一个互联网时代成长,有很多非常好的组织,对吧?他们可能在某些比如推荐系统非常擅长,或者就是只要跟推荐系统相关的产品都非常擅长。但是有可能在新的时代,就是会有一些非常擅长AGI的组织出现。对我觉得这个是可能大概率会。
张鹏
发生的事情。我觉得你刚才说的这个视角让我想到就是你要到这个月之暗面,其实我们都看不到它。如果我们都没有这样的数据,你不你就很难说我根据一个被确定的东西来去做研发,对吧?确实他可能是需要一个面向这种更general的,更不确定的问题的能匹配的组织。我能理解你说的这个意思,但我们再追问一句,比如说OpenAI在你眼里认为是一个比较好的同向ADI的组织形态的样板,它有什么是你觉得对的,有哪些可能是未必是你完全认为是最近最好的。
杨植麟
对我我觉得从首先从结果上来讲,它肯定是做出了非常大的突破,对吧?如果没有这个公司,我觉得可能人类的进程都会不一样。所以我觉得首先从结果上来讲,他肯定是做了很多对的事情。
杨植麟
然后如果再再深入下段的话,我觉得就是呃呃这里面当然我没有具体参与到他的这个组织的工作流程,但是有一些相关的信息。就是说首先就是你你一个好的组织,他他需要很高的人才密度,然后有有极强的这种share的vision。就是大所有人应该有一个共同的必选,然后能够很高效的聚焦,围绕一个目标去做。我觉得这些点可能是他们做的非常好的。但这里面最核心的一个点,也是从外界可能不那么容易看到的一个点,也是我们现在可能最专注想去迭代做的更好的一个点。就是当你有了这些前提之后,你怎么样找到一个系统性的方式去做事情。对,就是我我我觉得这个点是超越所有技术,就是它应该是所有技术的一个前提条件。
张鹏
你说的系统性方式是指它可以被复制,可以被放大,是这个意思吗?
杨植麟
可以,对,但这里的复制指的就是指的是你能把它用在做不同的事情上,它不一定能够复制到别的地方。就是你在一个公司里面形成,你要复制在别的地方可能很难。但是但是你一个公司可以反复的去利用这个系统去做不同的事情,这个是我对系统的定义。比如说我今天可以用它去克服这个long context的挑战,明天我可以去克服用这个东西去克服,他可能去能够做一个自主的什么AI的能力,然后后天我还能用它去攻坚这个多模态。我今天能用它去做一个activity的产品,明天我可以用它去做一个可能某一个什么生成类的产品。就是我应该是一个客服会用的一个系统。那它本质上就是这个会沉淀下来是你的这个核心资产。然后我觉得这个是应该每一个一家公司最花时间去去打磨的一个东西。
张鹏
对嗯,我觉得你说的这个提供了一个挺好的视角。因为以前我们聊可能都还在聊这个大模型这个技术本身。但是其实大模型的技术背后,它能不能持续的发展更好,可能它的根源也跟这个组织会有关系。这一点我因为以前大家去聊这个OpenAI,或者说我们聊这个组织的时候,就尤其是这种面对不确定的创新的时候,我们经常会有两个好像二选一的方法。一个叫bottle map,一个叫top down,对吧?就是我我不知道就是说在你去构想的,你说的这套创新的系统,也就是这个组织里面,它可以用原来的这样的东西去做定义吗?还是说它会有一些新的定,也不只是什么bott map和top down这样的定义。
杨植麟
我觉得这个大的框架肯定还是适用的。特别是对于大模型来说,我觉得有一个top down的框架是非常重要。它就像。登月工程就是我我现在要去登月,它是一个非常复杂的工程。它不是一朝一夕,也不是一兵一卒,它它其实是一个需要长时间的很多个人的在这里面从事非常复杂的互相耦合的事情的一个巨大的系统。所以需要有一些顶层设计,这个肯定是需要。
杨植麟
所以他一方面是很强调,然后当时是讲究的是你这个leadership的这个培训,就是你能不能判断你什么是对的要做的事情,然后什么可能是你现在不要做的事情。就这种topped on的这种设计,我觉得肯定是非常必要的。然后在这个框架下面,你这个组织能把这个事情做好。
杨植麟
我觉得就是我刚讲的系统这个里面它可能会有很多很小的单元,对吧?就是每个单元它可能在做不同的事情。但如果你有个好的系统,它应该每个单元都可以很高效的去去上去去产出一些东西,那可能就更像一个工厂。对,就是我觉得他他会是会会是会是一个AGI工厂,然后每个单元它都在产出不一样的东西。最后但是有一个top down的框架,都能能够把这些东西去去整合起来。比如我我我举个例子,就是可能你今天在同时探索三条产品线?那这三条产品线它它应该都可以有效的去利用你这个系统。
杨植麟
比如我这个系统可以很快速的产出数据,让它在某一个新的场景很快的去达到,能够知道有没有可能有PMF,但一切都发生在一个top down框架上。首先你要去探索哪三条方向,哪三个产品线。这个应该是之前有有一个一个的设计。但是你有一个非常好的系统之后,你就可以很快的去做这件事情。但你做这个尝试的过程,它是一个AGI native的过程。就是你用任何传统的组织,他是没法做的,因为HI native的特点就跟其他不一样。就是你你本质上是用数据在定义一个新的产品,但这个点是跟任何历史上存在过的产品都不一。所以这是为什么这个系统它可能也需要一个新的系统的原因。
张鹏
说这个科技小于经济、小于制度、小于文化的优先级。这是一个重要的视角,不能只是追随科技,而是要在组织制度上进行推动。因为文化是很难改的,所以组织制度是很重要的。
张鹏
这样的11个1个点,其实在创新这件事儿上,确实如果我们过去看啊,我记得我因为我就是看这个科技领域的变革好二十多年了,还看了好几波。确实当时就有一个感知,就有时候一些科技的突破,它是这个技术的交叉,它其实在不同领域的涌现,然后成为了一个正确的recipe,在一个正确的moment,然后它就爆发了。其实我我我某种程度上感觉你其实是在一个大框架下,在一个组织里。但是在模拟就是它能够在不同的方向上能够涌现合适的创新。最后他在一起可能是通向那个AGI目标的。因为今天我们无法精准定义哪一条路,你按照什么工期把它完成,叫做AG就是里面还有大量的不确定的东西,所以它是需要一些涌现的,所以这个组织要支持这种涌现,对吧?但又要有框架又要支持涌现,我不知道我这么理解对不对?
杨植麟
对,是的,我觉得这是非常好的理解。比如我们也可以去看transformer是怎么产生出来,它本质上是是是google给这帮人提供了一个涌现的环境,因为就你看transformer提出来的背景是因为这个世界上已经现存的几个技术,对吧?就是你有atten,有注意力机制这种技术,然后有residual connection,有有残差网络的这种技术,有这个layer norm这的技术,有一个训练的一些比如说SGD这些基础的配套,然后有这个learning rate schedule,就是所有的东西都提前准备好了。这个时候google提供了这样的一个环境,这个环境它让这些人能够在这里面自由的去组合。没事,我就拿这两个东西过来组合一下。今天我拿那个东西过来组合一下,然后他组合到那个地方,突然就涌现产生了这样的一个action,但是不同的环境能涌现出来东西不一样。
杨植麟
Google的环境只能涌现出来一个科学的结果,就是它能涌现出来一个transformer的picture。但是他没有办法涌现出来一个伟大的系统工程,就是他没有办法涌现出来ChatGPT这样的一个结合了就把一个东西做到极致的同时在产品上能够精准抓住需求的这样的一个跨时代的作品。就是google的环境是涌现不出来,因为它的组织它没法弄,就是他的这个不对。
杨植麟
对,但是open I的它能涌现出来,别的东西,它没有涌现出来历史上最伟大的科学发现,对吧?他没有发明任何新的东西,但是它涌现出来的一个这种就是工业化的节奏,他结合的东西就不是他他就不是在刚才说的这些维度了,他结合的东西是他能看到这个世界上的存量,就是存量是一有transformer这样的objective。二有计算中心能支持10的25次方次运算浮点数运算的能力。三互联网20年,积累了20年的数据,这个可能是互联网最大的价值。对对对,所以他看到的是这三个因素,然后他提供了一个环境,使得我这三个因素能够被组合起来。那他就涌现出来了一个AGI的里程碑。所以这个就是我刚刚讲的,就是不同的组织它会允许你涌现出来不同的东西。那你想让它涌现出来什么,你就应该把这个组织往什么方向去调整。
张鹏
我觉得先调组织的基因,就可能出现一个新的物种,这个是非常make sense。其实你看我大模型就是在在涌现的过程中涌现COT,对吧?就是看来未来这个组织可能也需要有涌现的一个文化或者是一个架构去做这些事儿。
张鹏
我看我们在这里直播直直播间里有人写了很长的评论,说过去在字节一个需求是以落地是以月计的。但是在AI这个scalable的这个特性下,新场景能力的落地是可以以日计的,甚至一天就能落地很多的应用。所以你看这个,我觉得他听懂你说的意思了。就是其实在未来可能这种涌现才是个常态,可能下一个时代的组织是更需要这个涌现的。你今天提供了一个很好的视角,那我在跳了出来追问一下,可能还有另一侧。因为前段时间很多人都在说说这个至少在上半年有一个流行的说法叫叫名牌重柱,说这个大模型这件事我们都看出来了,顺着这个transformer的路线,这个架构上已经有人跑成这样了,那我们就顺这个来,然后在里边看来也没有什么太多可创新的空间。就是算力,就是你的工程的能力,算力和你的应用的能力在这个并论看起来很清晰了。甚至大家说未来这个模型要想变的能力更强,就是加参数。
张鹏
什么当时都有人提过什么百万亿参数这样的这种说法,说的我们都一愣一愣的,我们脑子里已经零都数不过来了,多少次方已经数不过来了,你怎么看?有一方会认为这个技术是确定的,接下来就是名牌重注对吧?然后我你你会这么看吗?你为什么不不接受这个观点,看起来你会往组织这个层面,你会认为大家有很多的不确定。因为我听看到你的观点。
杨植麟
对我我觉得这个问题特别好啊。就是我是这样想的,就是我觉得他的第一性原则是清楚的,就是他他没有这个原理上的fundamental的blocker。第一性原理就是只要你能把无损压缩继续做的更好,就是你就能产生更高程度甚甚至甚至超越人类的智能。就是我我觉得这个第一性原理本身是已经有大量的证据证明了。
杨植麟
现在也有更多的人是去拥护和支持这样的一个基本假设,就是这是AGI这个领域的,你如果认为它成立的一个前提的基本假设,但你可以反对,你可以不同意,这个点没问题。对,那么这个都可以。但是但是认为成立的人是是其实是基于一个这样的一个基本的判断,我本人当然我也是这么认为,那就是说在这个第一性原则的情况下,它是其实是已经确定了。所以这个点来讲按照你刚刚说的这个名牌的观点,我认为它有一定程度的合理性。就是因为你的大的东西,对吧,就你有点像这个力学这个三定律,它已经弄得差不多了。你剩下的就是去多推演一些。
杨植麟
第二个层次的,就是虽然你你的第一性原则是确定好了,但是在这个大的原则下面有一些具体的事情到底应该怎么做,比如说你怎么样做一个真正能无损压缩的长的上下文,这个问题他可能就没有那么简单,对吧?就是你可能做很多一些长度外推,或者就是一些这种方法,它可能效果并不一定好。虽然你可能很快可以去提升那个数字,但是它的效果可能比较差。或者就是你怎么做一个真正的一个能够跨模态的一个模型,吧?那今天其实我觉得即使是OKI他现在的状态,他也只是他可能做了第一步对吧?就是在你后面每一步他到底是怎么做,我觉得仍然是存在着一些不确定性。
杨植麟
然后抛开技术层面的东西,你比如说思考产品层面上的事情,对吧?那今天我们离很多科幻电影里面的展现出来了很多很超级聪明的agent和有用的agent。也能建立长期的情感连接的。我觉得其实还是有蛮大的差距的,而且现在的产品不一定是在往正确的方向发展。对的,是的,对,所以就是所以所以就我觉得是这样,就是说每个时代都会有最伟大的人和和是伟大的一些团队,对吧?最伟大的人他是去去发现一个正确的第一性原则。就是soften prediction这个事情,就是跟有一个人发现了一个什么电磁感应,它能发电。我好,那这个一下子就不一样了,就是你的第一性原则会发现。
杨植麟
但是也会有一批同样很伟大,但他可能不一定达到那个程度,就是一批人去解决这里面很多技术的挑战,很多产品的挑战,很多甚至商业的挑战。所以我觉得在第二个层面,其实现在仍然会有很多空间,有很多疑问,以及也有很多不管是老的公司还是新的公司,在这里面去捕获价适合创造更多新的价值的机构。对,所以他他其实我我我就能想象他未来肯定是一个巨大的空间,是一个星辰大海。但是这里面具体怎么去玩,我觉得其实还是有挺多的未知数和挑战。
张鹏
所以其实听起来也不是就把算力无限放大,参数无限放大这个事的问题,AGI就实现了。其实我其实能理解,就是有点像说我们有了力学三定律。但是登月这件事儿还是一个非常复杂的系统工程,也是人类要经过多少年努力?然后才可能实现。所以这个进程本身里面还有很多要留给的创新团队的空间,就是前面有伟大的寻路人对吧?他他是founder。但是后边我觉得还是要有人能够跟进去,然后把这个新大陆真正的去去到达和在里边去去创造这样的一个新的大陆的。
张鹏
所以在这一点上我也某种程度理解,你刚才也提到了就是这种长文本。其实长文本的这个能力本身是你们在这个模型出在之后,自带的一个独特的character,一个你们的这个专场,就当时选择这件事儿的时候,因为像你说的,就是里边可能有非常多的方向是有细腻的创新方向要走下去。那你为什么选择了这一点?为什么他在你看起来这么重要?
杨植麟
对他其实是我我们后来去推演说我们最终希望这个AI能做什么事情,就是这个问题。首先我觉得其实每每个人都应该去问一下自己,就是你希望这个AI未来能帮你做什么事情,或者他应该什么样对人与AI是一个什么样的关系。然后你发现在所有的科研里面,不管你希望他去做做什么,就在一个很终极的形态下,它相比于今天欠缺了一个很大的能力,就是拥有一个更长的输入窗口。就是长的输入窗口和短的输入窗口之间的区别,其实要比我之前想象的更加本质,它不是一个浅层的东西,它其实是一个挺深层的东西。
杨植麟
我们如果去看啊比如说我们现在想要一个能够建立长期情绪价值的跟人建立长期情绪价值的一个AI我认为这应该是AI一个很终极的形态,就是每每个人可以有一的这种几乎无限长时间的终身的这种陪伴。因为你这时间它是一个很重要的维度。就你这个时间长了之后,你的所有的这些信任,所有的这些更复杂的情感,所有的这些更就是能够横跨几个十年的这种交互,他才会展现出来他的力量。然后这个时候他才有可能给人提供这种很深刻的精神上的价值。那这种情况就是你你肯定不能是一个每天重启它的这个上下文窗口的一个。
张鹏
对,他们明天就忘了你今天干的事儿,对吧?
杨植麟
对,所以但是它它本质什么呢?本质是就是说transformer的是一个新的计算机。然后这个新的计算机它其实可能它有两个最重要的维度,一个维度就是你的参数的数量其实决定了你的计算的复杂度。就像有点像老的计算机里面的这个CP5,然后你可能会有这个上下文长度,这个上下文传播,它其实是这个新的计算机的内存,然后这个内存是决定了你有多少东西能参与计算。所以在你的计算足够复杂的情况下,你的内存如果越大,你能解锁的这个应用的空间就会越大。所以它其实是一个非常本质的东西。
杨植麟
如果我们去看过去几十年这个计算机系统的发展,一开始可能四五十年前所有人都觉得这个500K的内存可能就够了,对吧?就足够做大多数的应用,但我觉得今天看起来就这个是显然是一个谬论。所以我觉得一样的事情会发生在这个新的计算机系统,就是一一transformer语言模型为核心的这种新的计算机系统。内存绝对是一个非常非常非常重要的东西。所以这个也是我们可能之前会去做这样的判断的一个原因。
张鹏
理解,我其实非常喜欢这个比喻,因为我之前也拿这个比喻尝试跟别人去讲说。因为那个时候大家这个大模型到底它是一个什么样的东西?它是一种新形态的芯片,还是一种新的什么?未来它变成agent,成为了一个OTT所有互联网应用的一个super APP。
张鹏
很多人大家有很多的想法,但可能这场革命的核心还是个计算的革命。这个革命本身就是说一个新形态的计算机的诞生。这个计算机的能力跟以前是不一样的,但是我们可以类比对吧?就是它有它的心片的能力,但它需要内存,它甚至需要硬盘。我不知道是不是可以这么打比方,比如说就是它的长文本能力本身体现的是它内存的能力。但是比如说更多的东西也许可以用向量数据库,像硬盘一样,这是这样的一种感觉吗?
杨植麟
对,是的,没错。因为现在也有很很火的一个东西叫这个RIG,就是retrieval of entities generation,就是检索增强的生成。本质上就是这个检索的过程,它其实就是一个外审,是你想想这个世界上所有的文档,对吧?这个web上所有的文档,所有的这种公司文档,个人的文档这些东西它其实都可以是这个外层的一部分。
杨植麟
然后最后我觉得很有可能的一种情况就是说是这个外存和内存相结合了,就像计算机系统一样,它不会仅仅只有外存,它也不会仅仅只有内存。但是不管你有多大的外存,你的内存永远是越大越好。我觉得这个点它也是对的。就比如说今天你有一个能够去使用搜索引擎的一个agent,然后那那这个时候当你的内存变得越来越大,你能够参与计算的从你的外层漏到内存的部分就会越来越多。那这个时候你能做的应用,你能产生的价值,你能给用户提供的这些智能的智能的数量就会变大。
张鹏
挺好,我今天得到专家的认同,未来看来可以更多的拿大家能理解的例子去起,把它理解为一个计算机,就从它的计算能力到它的内存,到它的外存,其实我升级计算机肯定少不了升级内存,对吧?因为我的硬盘多大取决于我要干嘛,对吧?但是我的计算机能力怎么样是跟内存有关的。我再问一个有意思的挺挺想听你解读的视角,因为这一波里边我们也看到很多的大模型相关的创业团队,大家还是会有一些开源的模型出来。某种程度上好像开源的模型也是一种体现团队能力,构建所谓的生态,就是这样的,听起来都是很对的。但我观察你们是一个闭源的模型,并且听说应该近期也没有什么开源模型出来的计划。这个为什么会如此与众不同?这背后有什么不一样的思考呢?
杨植麟
对我我觉得这是特别好的问题。首先我们是非常喜欢和支持开源的,而且我们是我们认为开源和闭源在接下来这个领域里面会去扮演的不同的角色。他应该是互补的一个关系。就是可能开源可以去支持大开发者在这里面去开发创新的应用。而且在这个开发的过程中可以拥有对数据,然后对训练过程,对最后的部署的环境和各种相关的合规要求,有有更高要求或者说更灵活的这样的一些场景。
杨植麟
就我觉得其实存在大量的场景,然后闭闭源同时它也会有它自己对应的价值,比如说像未来的很多超级应用,超级入口。不管是在生产力端还是在这个娱乐消费端,我觉得其实都都会有很多以地缘为核心的这种超级的应用出现,所以我我觉得我觉得这两种不同的模型和思路,其实在一定程度上也是互补,我觉得它到B并不是一个冲突的关系。在这里面我觉得。就是每个公司可能会有它不同的策略。因为我们的策略可能更加希望说在这里面去打造这个超级应用。这个可能是我们最专注的地方,所以我们会把我们所有的时间都花在这个上面。
张鹏
听起来你有非常清晰的目标选择。比如说我听下来你们并不是未来要把你的模型的能力去收API的钱,也不是说我去帮大家训练一个你自己的模型,落地到你的业务里做to b的事儿。看起来你既然要提这个超级应用,那我觉得大概率可能是to c的。因为其是在上一波AI,我们里边看到其实上一波AI没有在to c领域里有太多的突破。基本上做做的主体大家都在做to b的事儿。而且其实做to b也确实挣点钱也挺不容易的。这个是上一代AI的时候我们看到的问题。所以为什么你觉得这一波的AI你会这么坚定的要冲向,吧?To b的事儿看起来很确定,至少能带来收入,而你不选择做这个东西。
杨植麟
对呃这个是个特别好的问题。就是说我们其实to b倒也不是说完全不做,但是我们可能确实最主要的志不在此。
张鹏
对吧?志不在此,至少是这句话吧。
杨植麟
对吧?肯定还是会会去聚焦和发力这个C端。然后这里面我觉得其实确实是啊对我们来讲也是一个因为新的技术变量而产生的一个新的机会。因为确实在过去的很长一段时间,AI这样的技术我觉得其实他确实是没有任何to c的机会,也没有任何成功的案例。
杨植麟
但是我觉得随着这个新的技术变量的出现,现在的很多很多AI的技术可以做到更好的效果。而且不光是更好的效这些更好的效果,它造成了一些我们之前没有办法做的事情。然后这些没有办法做的事情,它可以被用一个新的应用,新的入口的方式呈现出来。它的收入快速的指数的增长,它的用户量也快速的增长,这个是我们现在能观察到的现象。不管是说像Midjourney,还是a character,还是像judge gp这样的应用,我觉得已经很大程度上证明了可能AI native的APP是完全有这样的机会的对,所以我觉得这个是一个非常强的一个证据。
杨植麟
然后另外一个很重要的点就是说我们要选择一个跟这个AGI能匹配的这样的一个业务模式,他必然是强调极高的创新效率。我觉得只有C端的这种模式,你你才你才有可能是去完成这种快速的闭环。你的组织才有可能形成一种快速迭代的文化。以日为单位去更新你的模型,以一为单位去调整你的组织,以及为单位去去满足你的用户的诉求。所有东西应该是以数据为核心快速的去运转。我觉得你只有是在C端才有可能产生这样的能量,它才有可能跟一个以HI为目标的公司是匹配的。所以这个也是我们可能以终为始的去思考这个事情,最后得到了一个结论。
杨植麟
甚至就是说与C端用户去共创,也是做AGS本身就是他可能一个必要的前提。因为你不可能闭门造车,对吧?就是你HI这里面很核心的一点是数据。你如果不跟用户去共创的话,你其实很难很难有足够高质量的数据。你很难知道你的模型当真正被使用起来之后会产生什么问题。你很难跟用户一起去去不断的去在很多场景里面去做更深入的挖掘和优化。所以我觉得他可能甚至在很大程度上也是一个必要的前提条件。
张鹏
所以这件事又回到了对于目标的第一性。也就是说如果不想做一个在C端的真正的super APP,有足够多的用户补足够多的数据,其实它最终就很难去真正实现你通向AGI的目标。也就是说如果不想做super APP的,AI公司就不是AGI的信徒,对吧?就是你要真通用AGI的话,你可能是需要去做这样的东西,而不是一个在to b领域做一个确定性的工程性的解决问题的这件事儿。我不知道我这个理解对不对?
杨植麟
对,我们我们目前是倾向于这个观点。
张鹏
OK蛮有性格的,我觉得其实我从某种程度上看,如果我们把目标都聚焦在没有其他的选择,那至少他在某件事上的聚焦的强度会得到加强。那那我在你心目中super APP这个词儿到底它背后定义的是什么?因为比如说我们会今天我们会想到说,微信肯定是个supreme对吧?然后我们看到比如说这个呃呃阿里,它可能也是一个super APP。当然比如说微信的super APP是因为它在上面可以做很多的事。比如说这个淘宝,那是因为它有非常大的用户量,它产生很大的价值。就我们在对super APP这件事儿的定义,在瞄向你AGI的目的时候,我们怎么定义的?是这个应用创造了很大的价值,还是说他背后有什么跟以前的定义不一样的东西?
杨植麟
我觉得这个定义倒没有特别创新的地方,就是说他可能要做,他可能能给你实现的价值不一样,做的事情不一样。因为这个也是AI的价值,就是它能够提供一些以前提供不了的东西,所以你才会有新的入口去出现。对所以但你最终肯定逃不开就是说你有很多的用户在用,而且它是用很高的频率在用,而且这些使用过程中它可以产生很大的价值。我觉得这几个点肯定是合并在一起的。
杨植麟
但是就说AAGI本身它有一个非常好的属性,使得说这个super APP本身它是有可能的那就是因为这个就是因为G这个字母,因为它是general,就是它是通用的。所以你通用的就意味着你要同时不光解决一个问题,对吧?就比如说今天用所有人用HHP,它不会说我只解决一的问题,而且他能解决的问题会越来越多。那当你的解决越来问问题越来多的时候,你的产品边界其实一直是在拓展。
杨植麟
或者我今天在这个APP里面跟AI交了一个朋友,对吧?那我也不会说我只能跟他聊。对,或者我只能跟他聊创业,我应该是能跟他聊各种各样的事情。你们聊的东西越来越多,他深入到你生活中的每一方面,对吧?那大家的你的价值的深度就会越会越来强。这个时候就会更加符合我们刚刚说的那个super act的几个指标。第一,所以我觉得AGI可能从一定程度上来讲,就它的通用性其实是为它成为这个super APP,其实它就这两个性质其实是非常兼容。
张鹏
我觉得你说了一个非常关键的点。其实在移动互联网里边,包括互联网里边,我们看到的是一个应用的通用。是因为它先达到了某个规模,然后他才去不断的扩展了自己服务的边界,所以它看起来越来越通用。但在这个范式在这个技术范式下,这个时代里面很有可能如果你要做一个super APP,是因为先你具备了通用的引擎,就是生产力的引擎,然后你自然而然就会变成一个supreme。所以这两个我觉得是两个时代里边的原生的塑造,super APP的那个那个基因,那个引擎的驱动力是有所不同。所以上个时代大家就是跑马圈地,赶紧把规模弄起来。但在今天其实是需要一个技术的引擎在里面去驱动力才能做到这一点,这个我觉得是很有意思的一个技术视角的变化。
杨植麟
是我觉得我觉得你总结的非常好,对我我其实很同意。然后我补充一点就是说即使是你技术上很通用,它它肯定也得先从一部分的场景开始,是然后再不断的去泛化。
张鹏
所以但是它泛化速度可能会快,对吧?就是因为它背后那个东西。
杨植麟
它可能是一个指数级的增长。因为你如果是线性的话,它就永远都不肯歇一歇。
张鹏
有道理,这是个很有意思的视角。今天我经常被教授鼓励说你这个问题问的很好,我已经提了好几个了是吧?好,我这我们再多聊一聊这个super APP的事儿,我们今天很流行谈AI native这个词儿现在好像我已经基本上每天建在这里面的独尔尔,大家都会说这个词儿AI native。但我觉得今天也没有人特别精准的对AI native能做出一个完整的定义。甚至我觉得在AI native的产品之前,大家可能需要去了解说我怎么去开发一个这样的一个AI的native的产品,它的开发范式是怎么变化?这个让我就非常好奇。然后我甚至觉得可能在这一点里面挺值得深入的一些讨论的。
张鹏
某种程度上以前我们开发一个产品,有点像你之前说的,我们在一个确定的目标下,然后我们把这个产品经理往这一摆,然后我们有前端后端对吧?然后我们把这个东西。然后我们去按照周期去迭代去交付。然后我们再看一下用户的数据,然后AB test我们就找到了一个最好的路径。但在今天我们站在AGI的这样的视角去做这个super lab的开发,就是它到底在开发什么呢?它是原来那个开发的形态吗?这个是我很好奇的,有没有可能这个东西本身也在变?
杨植麟
对,这个也是个特别重要的问题是吧?像确实我觉得产品的开发方式,它是会随着本身你底层技术的变化发生变化。像可能第一代的开发方式,就是我我我们刚刚一直在讨论的就是你可能有一个明确的需求对吧?点点了一个什么按钮,弹出来一个什么东西,然后你再你在做一个什么样的操作,它是一个非常完全确定性的事件。它因为它最后对应的是旧的计算机的技术,就所有东西它都是那个hardhold,然后所有东西都是可以被确定性的。编码,你不存在说我现在突然要的某种编码,它是没法实现的,因为你背后都是雨过飞,就是都是非常确定的这些逻辑运算。然后这些逻辑运算衍生出来了各种各样的前端的确定性的交互,对吧?
杨植麟
各种graphic的UI或者各种按钮,拖动这些东西,它都是非常确定的。所以就像之前的开发方式,它是基于一个确定性的graphic UI加上一个确定性的后台的这这种旧的计算机系,所以就是这两种东西加起来,大概就等于我们过去可能20年能看到的所有的互联网或者甚至在更早的这种PC时代的产品。我觉得其实都是通过这种方式被开发出来。然后在新的这种开发方式里面开始发生了也非常大的变化。首先它的前端发生了变化,前端它变成了一个语言的UI或者变成一个对话的UI对吧?
杨植麟
所谓的这个conversational的UI可以想象就是说可能未来会有越来越多的这种产品是会采用这种新的UI的方式。然后你的后端也被极大程度的统一了,而且统一到的不是一个确定性的东西,它是别人统一的一个新的计算机,就是它变成一个语言模型。但这个语言模型也是一个打引号的语言模型,因为它后面可能能处理的不光是语言,对吧?他应该能处理这个世界上的所有信息。它本质上是对这个世界上所有信息去进行建模的一个计算机。就是上一代的是对世界上所有信息进行编码,这一代是对这个世界上所有信息进行建模,本质上是对这个世界上所有信息做了一次无损压缩。对,因为敲黑板。
张鹏
知识点,我觉得这个是对上下两个时代的开发方式,技术方式去做定义的。来,你接着说,接着说。
杨植麟
我听的很小众,我说的也不一定对,就是那个对,那这个新新的一代的计算机,它本质上是这样。所以但这两个都是定下来,就是这两个都是其实没有什么可以开发。
杨植麟
或者说我们我们今天讲大部分的所谓的应用层的产品开发,其实本质上都不大涉及说我去动我这个新的计算机的架构,或者说我我去我去推动我前面这个LUY的这个点,也就你可能可以动一下对吧?我我我加一个什么功能,然后somehow有一些GV有一些结合,这个可以,但是我觉得这可能是一些雕花。这个时候他可能不那么本质,因为在本质上可能其实UI和后端的这个模型的架构,新的计算机的capacity可能都是都已经被确定差不多了。对那我们今天讲的大部分的产品开发实际上是在做中间的事情。这个中间的事情就是数据。就是因为你你你前面虽然你的交互一样,对吧,我的模型的架构一样,但是你用不同的数据,本质上就是你你你会定义出来不同的产品,你会定义出来你到底是一个CI GPT,还是你可能是个github pal,还是你有可能是个majority,对吧?本质上都是没有其他不同,就是因为你你定义了这个数据,所以就是我我我觉得这是一个极大的范式上的创新。就是产品经理可能越来越多的需要想的事情是怎么样通过两个数据集去开发出来一个产品。
杨植麟
就是只要你定义好了两个数据集,你的产品就已经定义完成。这两个数据集其实说来也简单,就是一个是训练数据,一个是测试数据。就是训练题测试题。这个machine能力已经完了。
张鹏
这个是完全不懂了。对,确实完全不懂了。
杨植麟
对,但其实原理非常简单,是说其实没有什么复杂的东西。但就是你的训练集就是决定了你的模型能提供什么能力。你的测试集就是决定了你能不能给这个给给这个研发团队设计一个KPI。希望大家能够去刷榜对吧?但他能够把这个绑刷起来,你的产品都做好。
杨植麟
所以这个其实是在机器学习用了非常久,但是以前没有AI native的产品。以前你只是一个AI的feature,所以这种开发方式我觉得可能还不是那么流行。或者至少很多很有有很强产品sense的人,他其实不一定知道要怎么样去做这套东西。但我觉得现在有越来越多的这种AI媒体的性,比如你今天可能想去开发一个跟character一样的东西,或者在上面做一些优化。然后你就会问一个问题,那我这个优化应该怎么做?
杨植麟
这很简单,就把这两个数据集定义出来就OK了。但是这两个数据集的定义本身,它就它它就涉及到我刚刚讲的,就需要一个全新的组织。他可能没有那么容易怎么把这两个东西定好。它底层可能需要你你有很好的这种数据的技术,对吧?就是他可能不是说简单我就收集一个数据集数过来,虽然它叫数据集对吧?但是它的产生方式可能不一定是你你手工产生出来。然后这个数据就什么样的数据是有效的。然后怎么能够在这种方式下你还能够去做,就是做非常快速的这个迭代,对吧?
杨植麟
就这里面其实就他就会涉及到很多很多具体的方法。然后那那这个其实我觉得是可能我们可能每一个人需要,包括我们在内,我们其实也是在一个不断探索的过程中。然后这个也是刚具象化了刚才讲的为什么盯的时代的所谓的AGI的开发方式。可能for ASS的开发方式可能会跟会会跟以前不一样。也解释了为什么可能你需要你需要一个新的组织才有可能,这个是做的对。
张鹏
对我觉得你刚才说的这两点还是非常有启发的。一个是说这个数据集和测试集其实是我们说白了到这个新的范式开发范式下真正要去开发的东西。因为原来的那些东西看起来都被统一,或者说都不需要在上面再叼那么多复杂打花了。你真正的核心点是在这儿,就是在你设定的目标下,怎么让你的这个模型,我们姑且把模型当成一种引擎,就像一个车的那个发动机一样,对吧?就是我怎么让在我的这个功能下的这个发动机,你对他是最匹配最好的。而且不光是我要给他喂油,我还要能够知道怎么调试他。
张鹏
你刚才说的那个我明确一下,你说的那个刷榜,他不是刷外部的绑,对吧?是你就是你的那个产品内部是要有一个内部的绑了。因为这个刷外部的绑了,好像前段时间大家都刷的很厉害,看着大家探讨。但我听见了你那个好像是对到你的目标上,是要在内部怎么进化这个引擎的那内部。
杨植麟
是这个意思吧?是的,感谢指出来。对,这个是你的产品和研发。
张鹏
交流的工具以前是画产品图,未来是测试集对吧?这个就是产品经理的能力变化。
杨植麟
对,但是是你这个测试集怎么样做能够去真的匹配你产品的他想要的东西,有这个可能有很大的讲究,这可能他就不是那么简单的一个事儿,他甚至是决定产品能不能做好。
张鹏
这个直播的过程中,很多人听了很兴奋,就是老想追问你你你能不能讲讲你这个组织架构怎么匹配这部分的这个所谓开发范式的变化你们摸索出来一些东西,或者说摸索出来的可透露吗?
杨植麟
对,这个其实也是一个持续探索过课程。今天可能讲讲了一些就是我我们我们已知的一些思路。对,但是具体其实我相信每个公司会找到自己不同的方式。但是我唯一确定的就是他肯定是跟以前不一样。
张鹏
对我觉得如果你们很想了解到底这事儿怎么怎么做的话,我刚才看已经在群里有人问还招人,对吧?然后还招实习生。很多人在问,你们现在还在招人,招人对实习生开放吗?
杨植麟
全职实习现在都有啊,欢迎。
张鹏
都有。你们对人挑选有什么?这个对人的挑选也是新范式,对吧?对能力要求也要新范式。来说说你们对人招的人会看重他什么?
杨植麟
这是个好问题。就是我我觉得我们其实相对来讲比较open,就是说各种不同的背景。因为我我觉得AGS是个很综合的事情。然后坦白的说,我觉得今年做A加有一个很好的点,是说至少市场上有一些热度。有一些热度你就会吸引各种各样背景的人,我觉得这个是很重要的。因为如果只有一个单一的背景还是很难做好。所以市场上的这种人才流动性,我觉得其实是很重要。
杨植麟
比如我举个例子,就是说你现在所谓的AGI技术,那你背后其实你又有NLP的部分,有computer vision对吧?有啊,你要做对齐这些,然后你要很好的基础设施对吧?你这个写kernel什么这些东西都需要,它是一个非常全面的东西。所以你光技术这些它都是综合,你更别说那个像技术技术以外的对吧?那产品运营,商业化这些东西,其实就每个职能都需要我们。所以我觉得就是我理想中这个背景应该是很多元。
杨植麟
对,但是你的vision应该是一样的。就是我我们是很欢迎对这个ACI,对这个super APP,对这个全球市场?对这些东西有畸形的小伙伴。我觉得这些都是啊非常欢迎。
张鹏
除了对于AGI的追求这件事儿,因为我我们都可以说我们很有追求。那你反过来看,能力上有什么特定的要求吗?比如说刚才我们也聊到产品经理,这个是很有意思一点。因为极客公园2010年成立,到14年之前,就是我们当时在移动互联网时代里边,可能公园都是最早推动所谓叫产品经理崛起。因为在那一个阶段里,真的是要靠一帮产品经理他们的想象,他们对未来的这个场景里的定义去推动这个产品落地的。因为总要有一批人去定义这些东西。我记得在当年包括咱们今天在在微信在在聊这个视频号,其实当因为我跟这个张龙龙龙哥我们也是聊的,他也开玩笑说可能他是叫古典产品经理了,对吧?
张鹏
然后后来的产品经理14年15年之后逐渐就越来越是数据型的。就是你AB pass看看怎么着。但是在最早早期,蛮荒期是需要有一些想象力的。就是我我经常会说打引号的神性,这个神性体现的是说我就对这个事儿是这么定义的,我甚至没有一个完整的逻辑能一瞬间给所有人讲通,但他对于这个的想象设定可能就是对的,然后他就会这个时候,因为那时候产品是百舸争流,那谁率先能把这事儿想对,可能谁就能在里边有这样的优势。
张鹏
所以那个阶段里是要有一点神性光辉的,有一些这种不可知的东西,就有点像大模型的不可解释,他给你一个结论,他不是个白盒,因为他是个直觉对吧?这个直觉也是他的我觉得人生的经历,或者对某些东西的所谓的一种模型。这个模型也是无法被反向解释的,但它可能是对的,就是那个时候是这样的,然后后来就开始变得很科学对吧?就是因为赛道都确定了,做事方法都确定了。
张鹏
在今天的产品经理上,我相信你们肯定既然要做super APP,既然要让你的组织也是一个涌现创新的组织,你肯定很关注做产品的这样的有sense的人群。那在今天对于产品经理这个要求到底是神性要多一点,还是科学性要多一点?听起来你这边又是数据集测试自己,对吧?要选择AGI要去解决哪个问题?那我们怎么定义呢?
杨植麟
你会怎么选人呢?我觉得这也是一个很好的问题。我我我觉得他其实本质上确实会在这个神性或者说系统性之间,其实要去找一个平衡的。然后我个人觉得就是说呃系统后面可能会以碾压的方式去成为这里面主流的开发方式。但这里面并不是说神性就不重要,只是说他需要一个以一个很好的系统作为支撑。或者说你这个系统它应该是大家应该是主力军,就是你应该主要靠这个系统。
杨植麟
但我我我讲了一个比喻,就是说这个张小龙一之前在一个巨大的地图上就指了一个地方,说我们要在这里种一棵种种一棵树。那那最后就证明他是神,因为他指的这个地方是对的对吧?所以这个树就长成了一个巨大的森林,所以这个就是一个诚信的体现。就是说我有一个神枪手和指哪打哪,我是非常准,而且我判断地方一定是对的。但是AAI他就不是这样工作的。就比如说你你你今天要去你要去制造一个要去做一个ChatGPT,对吧?那那他这个东西就是说这个对应了一个以前很有名的一个设计师,他讲了一句话就是他不是依据这个设计来完成制造,而是直接通过制造来完成设计。就是当当你这个东西做完之后,你就设计完了。
杨植麟
你不是说我先设计好了,然后我去做它,你设计好了之后去做,那就有点像以前种树,我就我我我就找了一个地方找挑了半天,然后我在这种了一棵树,我靠成了,然后他就有点像这个意思。然后现在就是我我觉得你就不用那么细,大概你就看一下对吧?你就这一块地板没错,你就整块地给它拿出来。然后这个时候你的ACI是你的主力军,对吧?你你你首先神枪手画了一块地,然后你的主力军就直接开部队直接开过去把它整块推平。这里面有什么机会,哪些地方能种出带一下子全弄出来。所以我我我觉得就是一个这样的过程。
杨植麟
这个过程它其实是需要一个系统。而且你有了这个很强大的系统之后,你会发现就是可能很多天赋型的或者运气型的说我应该选择在哪里做一棵树,是吧?就有点像今天像在这个几千万几亿个场景里面去选到底哪些场景更好,这个东西它本身是不可实现的,对然后或者说它是极其低效。
杨植麟
就是我觉得在在AAGI时代的这种寻找PMF的过程,他就应该用AGI的方式来做。就是应该去发挥它的这种通用的价值,然后去发挥你的用户生态的力量,去发挥你的这个系总的力量。你看一下子一口气全部推过去,我觉得是这个可能是就跟这种古典的产品的做法跟最大的区别。
张鹏
也许在最开始的时候,就是所谓的这种觉,他更多的是在于对于问题的选择,对于目标的选择,对吧?但是真正在这个目标上怎么能更好的实现和完成这件事,其实更多的是套系统,就靠咱们一直在说的这套AGI在背后支撑的系统来去实现的这可能才是这一代产品经理很重要的一点。那那说到这儿,我看刚才咱们在这个直播间里,咱们上面聊着,我看底下大家招实习生,投简历的,已经在在这个评论区聊得不可开交了,甚至刚才还有其他的团队过来挖人的,这个抢那什么的。不过我确实是啊,因为今天在这个早期,大家某种程度上也能看到这个创业者,这个团队的里边的创始人CEO。我就反过来,你们已经面试了你们的未来的leader,对吧?我觉得挺好的。如果大家真的对于未知暗面感兴趣我觉得欢迎大家去,我们也很乐于在这个平台给大家创造了一个奇迹。
张鹏
然后当然了,我觉得在这一点,刚才杨植麟也说的很明确,就是你得先理解这个开发范式的变化,你得理解这个系统是怎么work。那具象一点的指引,你们招了应该也有不少的年轻人,包括产品的团队,他们身上有什么比较统一的特质吗?比如说都是大厂的吗?还是未必是大厂的?都是做过产品的吗?还是未必做过产品的?这个里边有什么一些比较具象呢?看到你们已经招的人反向总结的身上的特质吗?给我们透露。
杨植麟
对这个我觉得很重要的一个点是还是这个学习的能力,或者说一一是心态,就是这种开放和开放的心态。二是学习的能力。然后他指向的一点就是一个人能不能去快速的迭代。这个可能是我们非常我们觉得价值非常大的一个潜质。
杨植麟
而且不光是产品经理,我觉得每一个角色,甚至这甚至每一个人,不管做做不不做HI我觉得其实都很关键。因为因因为现在变化太快,就是基本上你都很难预测说明年底的我们的AI能给我们提供什么。对这个东西我觉得是基本是不太可能能预测的。然后你每一年都可能很难精确的预测,那你更不要说?就接下来能三五年5到10年的时间。所以我觉得这里面可能是需要我们每一个人都用了一个很开放的心态去很快速的去学习。
杨植麟
然后具体到做产品这个事情上,我觉得更是需要。就是可能你有很强的C端的sense,你可能对这个东西很感兴趣。但是到底是什么样是一个有效的方式,能够让这个产品持续演进下去,就是你可能做出来第一版的这个产品,它可能是容易的。因因为因为这个你还不需要经历持续让它迭代变好的过程,或者说去更加精细化的去定义你想要一个什么样的产品。这个过程因为它远远没有之前的产品那么直接,没有那么这个直接或者简单。而是你需要在这个过程中可能去就你你可能已经有一个东西,然后这个时候你怎么能够把它变得更好。因为好是一个非常抽象的对吧?你今天比如说今天你是ChatGPT的产品经理,我说我要把这个ChatGPT变得更好。那那这个东西它是不可落地的对吧?
张鹏
对,先定你这样测试集,你只能自己先定一下40级的。
杨植麟
对,那那怎么样算好?往哪个方向好啊?好多少算是好,就这些东西它其实都很难很它不是说我整,因为很多产品经理也陷入一个误区,就是我我现在又去定义一堆feature,我定义的功能?像以前一样,那那他可能就不对,因为你这个功能它也是通过数据定义出来的。对,就是你这个才是AI native的方式。
杨植麟
所以在这个过程中,我觉得是需要很多很多学习。然后它不光是你学一个静态的理论,而是你学了学了一些东西,别人可能跟你讲的不也不一定对,对吧?我今天讲有可能是错了,没事,然后你去试,你去试完发现好像又收获了一些,自己又迭代了这个梯度,对吧?那在这个过程中逐渐加深对这个东西的理解,我觉得在这一波的过程中,会是形成我们这个时代的张小龙。
张鹏
对,这个不一定是这个时代的张小龙。我觉得就是说龙哥是那个时代的经典,下一个时代可能会成为一个新的人。因为集物公园这个楼下就有一句话,就是这个英文叫don't be the next of anyone,be the first of you, 对吧?就这句话我觉得还是在这个时代里面,会会我觉得一定会出现的,会有这个时代里面新的产品之神,但是他的神性体现的可能是不一样,这个其实才是时代进步的让人期待的东西。我相信也是为什么我们这个讨论区里这么热闹的在讨论这个,我是不是也可以参与到这个时代里面。
张鹏
那那我听你刚才说的有一点,就是对于这个时代的人才,我们其实很难定义说一定你身上今天要具备什么东西。它不是一个被可以被定出来的一个东西。但有一点是确定的,就是看增量对吧?就可能不看你的历史,但是看你在历史和在今天和明天之间,昨天和今天之间你的增量。就这个的增量如果足够大,其实在一个新的不确定时代里可能就有比较大的意义。所以这一点我觉得是一个挺好的气质的这样的一个设定,就是看增量不看存量,对吧?
张鹏
很有可能是下一代产品经理,那就意味着有更多的人有机会。如果你是这样的人,就是反而不一定得给大厂狗屁?这个才能是这个时代的产品经理,对吧?
杨植麟
对,那肯定的对,而且很多时候就是没有太多历史包袱,还有比如说也是个好事儿。
张鹏
这主打的就是一个没有历史boss那我再问一个比较既然都聊了这么多,我就再转回来。就是说你看你们要做,很明显你们是希望做C端的supreme,但今天其实也有一些大家的探讨,说你看你是一上来是花很多的钱和人要去做模型的那今天有一种说法说开源其实也挺好啊,对吧?长期来看就是开源的技术也会水涨船高,对吧?比如说你今天看llama 2,确实可能跟OpenAI的东西还是有差距的。但是它本身的基础素质也不错,未来可见的发展。
张鹏
如果我是一个想在里边去运用这个大模型作为一个引擎,那我买一个引擎或者说我在这里改一改对吧?我我我未必自己要有一个引擎的专利,对吧?我自己有一个引擎的团队也有这样的这种说法。就为什么你会认为必须端到端的去做这件事?因为我从我的观察,你在模型层面上是要较劲的,但你的目标最终的那个端又要到supreme这里边的逻辑是什么?为什么一定要端到端?
杨植麟
对我我觉得开源,基于开源做应用肯定也是有很大的机会。就是这个点其实我觉得不太冲突,还是我刚刚讲的,就是如果如果你最后是一个超是一个超级入口式的对吧?是一个超级应用,我觉得大概率还是必然。因为你可以通过闭源去形成很多产品上的差异化,对吧?你可以从你去制造这个模型的第一天,或者你可以去规定它的长期到底是往什么方向去演进。就你有绝对的这种空间,能够让你的这个APP能够产生非常大的这种差异化的优势,然后随着你的这个APP本身一起去进化。所以我觉得这个点上其实他只是定位不一样。
杨植麟
那我觉得今天就是说你可能拿一个开源的模型去做应用,肯定也是有非常多的机会的。他可能不一定能说是一个超级的应用,或者就是一个超级入口。但是我觉得也有机会能够做出来很多新的增量的价值。就是在这里面可能更多的是产品化的价值,或者就是你可能增量有很多专门的数据,对吧?然后你可以在你其实通过微调,你也能产生一些增量的东西,就可能人人无已有的东西,所以我觉得他也是成立的。就比如说今天在座的各位,我觉得都有可能是可以去尝试这样的方向。我觉得最终它并不冲突,就是可能在这个生态里面两种路径都会存在。
张鹏
你刚才说的这一点本身为什么要做端到端?是不是可以理解为就是本身你的模型的能力。如果你你有一个特别确定要解决的问题,然后这个问题就是确定今天的这个东西,你就可以工程化的把它解决好,那它也能解创造价值。但如果你像你们说,你们要追求成为一个super APP,或者是通过super APP去通向AGI,那你的模型是需要跟着你的应用共同涨的。我理解不知道这个对不对,就是它它某种程度是一个这俩东西。就像你说你那个引擎是要也不断变化,因为你的数据集,你的测试集是要不断的变化。就是如果模型不在手里面,是不是会有这样的一个问题,这个是不是端到端的核心呢?也就是说那个生命力得在自己手里。
杨植麟
对,是的,我觉得你的理解是对的。而且你很多模型的技术能力,你其实也需要跟这个可能是跟市面上的commonality有有差距。而且我认为现在可能它是在一个技术还处于技术驱动的阶段。就是你其实通过这个更好的基座模型,它是可以转换成你在产品上的优势。所以但你最终肯定他不是,比如说你再过十年、20年对吧?你可能在技术上相对你肯定会陷入一种是model x的情况。那那这种情况下你就可能你需要利用这个先发优势,把这个一垒转化成可能一些更更更可持续的壁垒。
张鹏
比如说更强的网络效应。对,这个里面也涉及了一点,就是大家你看前段时间我记得就是OpenAI的sam曾经在纪念年初的时候提发了个推。他认为是存在着一个叫智能摩尔定律的。也就是说在未来的一段时间里边,所谓AI这种智能的它的成本和它的能力之间实际上是存在着一个摩尔定律的关系。我不知道你是否认同他说的这个智能摩尔定律,就是这样的摩尔定律对于在应用场景里边是不是一个解锁了更多应用场景的核心的驱动力呢?
杨植麟
是的,我觉得这摩尔定律就是说可能会出现一个暂时上的变化。我们以前讲摩尔定律是你可能每每N个月你的可能晶体管的数量要翻一倍。然后到后来是可能你的模型的参数和使用的算力是符合一个摩尔定律。就是你每一个月你的flops可能要翻一倍。然后我觉得现在可能对我们来讲,这个智能的摩尔定律,它其实本质上反映的是你可能每每一个月你能用的就是达到一定可用的级别的use case的数量它会翻一倍。
杨植麟
然后这个点它本质是一个scaling law的延伸,但它又不仅仅只是scale now的延伸。因为可能像之前的scale,它更多的反映的是我可能模型在预训练阶段的时候,它它到底是符合一个什么样的规律,对吧?就是我我家。更多的算力,加入更多的数据,加入更多的参数之后,我的我的模型的这个training loss会发生什么样的一个变化?这个是可能之前标准的这个scaling law讲的这个事情。
杨植麟
但是最终其实最重要的指标是就是这个所谓的场景的marking。就是你到底有多少场景达到可用,它必须得是一个指数上升的过程,它不能是线性,所以你每每一个月翻一倍的话,它就是它它就是一个指数的,所以你就不能用传统的这种AI的方式。就是说我每次去加一个场景,每次加一个数据,然后让他在这个场景上的work,那这样的话他就永远没有办法用指数的办法去去上升。所以我我我觉得我觉得这个点是很关键的。就是他应该是去衡量到底有多少场景被解锁。而且有了这个东西之后,你的PMF的寻找过程就会极大的被加速度,因为你可以去同时试很多个的东西。
杨植麟
就像我刚才说的,你不应该种一棵树,而是应该画一片地。然后画一遍地之后,你有这个场景摩尔定律,它就能一下把这些数全部试一遍。这是一个他这个是一个超级快速的种树的机器,马上甚至他不用种树就知道这个地方去种树是死还是活。对,其实他应该是用有有这样的方式,然后你很多很多产品的一个产品里面能做的事情就会越来越多。当你做到一定程度时候,它它就会成为一个超级的。
张鹏
所以其实如果这么听下来的话,就是智能摩尔定律。如果他存在,那它一定会启动场景的摩尔定律。也就是说它会不断的解锁越来越丰富的场景。而在这个场景里边,因为AGI的这个能力,它可以更快速的在每一个场景里面去快速变化。所以这个事儿才是一个在下一个时代应用变化里边我们应该看到的主旋律了。
张鹏
因为如果我们有这样的一个推理的话,那确实是按传统的开发范式肯定不赶趟,对吧?就是我我刚设定好一个东西,那接下来就被覆盖了。这确实不是原来这种神性级的产品经理直接能去你可以在田园诗的环境里去打磨,对吧?你几个关键决策就可以,那你你这上面就得是系统了。所以这两个摩尔定律感觉是个双螺旋的,互相有关系的那成本不断的下降,解锁的能力越来越高对吧?能力越高成本越下降,那场景理论上就应该更多。所以看起来这两个摩尔定律是应该当成一个双螺旋去看。
张鹏
是的,对这一点我觉得可能也是能理解。通过这个聊我能能理解为什么你会对于在C端的这个supreme这件事儿是这么有有信心。我觉得这个所谓在这个新时代里面的新范式,还真的是一个对,我觉得还是个任重道远的事儿。大家在思维上放下历史,然后面对这个不确定里面深入进去,其实不是那么容易的。
张鹏
就客观的来讲,我觉得因为我我又不会写代码,我也没做过原来开发的范式,我可能很容易去接受一个概念。但是对于我确实觉得对于上一个时代经历过来的产品经理,能放下一些东西,看这个不确定的东西,然后去关注这种day by day的自我的增长,其实挺不容易的。我觉得这个某种程度上真的是对即使机遇也是很大的挑战。
张鹏
说到这儿,其实我在因为植麟你对硅谷也应该很熟悉,对吧?原来在在google其实也工作,然后这边也都挺了解。所以今天其实你怎么看硅谷的一些文化,或者说那边的工程师的能力,或者说就是未来的创新者的能力和中国的这边的文化和能力。因为听起来既然我们面对的是一个全新的时代,你又选都在中国来做这件事儿,就是你是怎么理解这种能力的差异和各自的擅长。
杨植麟
对,这个问题很有意思,就是说我觉得硅谷的工程师文化是一个非常典型的文化。就比如说像no one他们今天做了一个这么大的no one MC也就是开character的这个owner,他们今天做了一个这样的有一定程度的PMF。但是在他们早期其实基本上都没有太多的专门的产品经理这样的角色。
杨植麟
因为这就是我觉得是很重要的工程师文化的体现。就是你可以这些工程师他可能就拥有很多自己的想法。能够把把技术和这些想法去结合到一起,然后去往前去走一步。我觉得这个点是我们可能其实是可以很多时候可以去借鉴的一个东西。而且特别是在我们刚刚讨论的这个新的AI native的这种开发的范式下面,其实很多时候是需要就是需要可能前面跟技术去双向奔赴,需要这种工程师文化。因为他其实是能够去把这个技术和需求去去连接在一起的这个桥梁,对吧?
杨植麟
刚刚比如说那两个数据集怎么构建,如果没有这种工程系统的话,或者说不往前去走一步的话,其实可能很多事情就很难做了。所以我觉得可能在这个点上就是如何变得更AI native。我觉得本质上它它其实是这种工程师文化或者工程文化,其实是一个很大的一个驱动力。
杨植麟
然后我觉得可能底层上我们还希望借鉴的另外一个东西,就是说我觉得是这种东西方文化里面的这种好的地方,我觉得其实我们是可以去收的,比如说像OOKI其实是有很强的这种技术理想主义,就是我我想去作为GI那可能我也没没想清楚他到底这个商业模式怎么样,对吧?那一开始就你就会有很多人去投资,他这个我觉得就是技术想主义驱动下,包括最近很火的这个effective the acceleration is就是对有效加速对吧?就是这些东西我觉得都是很都是都是这种技术理想主义的体现,甚至包括硅谷以前的公司,包括一开始像这个google或者微软这样的公司,我觉得都是在一定的技术理想主义的驱动下产生。东方文化里面就可能会很多东西是强调这个要有用,可能更多的是在这种有用或者有商业模式能赚到钱的这种前提下去去考虑很多事情。我觉得在接下来十年,可能在AGI这个时代里面,可能我觉得最伟大的公司有可能是需要去结合这两种文化。就是你一方面面试能够从功利主义的角度去figure out一个非常好的商业模式。因为这个东西它是是你你持续去去燃烧的一个燃料。另一方面就可能也是需要有这种技术理想主义的去不光只是说为了去赚钱,或者是为了让他有用,而是本身就是有很强的理想去看看这个月球的背面到底什么样。
杨植麟
所以我我我觉得最终可能会是这两种文化的结合是可以诞生最伟大的东西。
张鹏
感谢,我们已经聊了一个半小时多了,他一直应该是感冒,甚至可能估计有点发烧的情况下,跟我们一起非常坦诚的做了很多的交流。虽然我很想再多多拉着他聊,但是我觉得还是要照顾一下他的身体。我相信今天的直播间里边很多的听众也一定会有很多的收获。
张鹏
因为今天植麟带来了很多不同视角的这种思考。我其实第一就是非常喜欢你思考问题的这个角度,而且就是月之暗面,咱们今天从聊到这个名字,我们俩就有共鸣了。而且我确实觉得有的时候你最后说的这一点是蛮重要的。我们以前比较善于去目标导向的有用的通向有用的解决问题。但我觉得在未来把一件事变得更有用、更普惠的过程中,可能需要一点moon shard的这种精神,对吧?你描向一个未知的东西,不管他打的中打不中,你至少是往宇宙深处在走的,往往星河的深处去走的这一点我觉得至少是让人兴奋,而往往可能是一些兴奋的目标,才能聚集真正优秀的人去做这件事。我也蛮期待这个月之暗面作为一个新范式的对组织的思考和对于创新的思考,能够接下来有所成就。今天值的应该是,这是不是你第一次出来做这种直播的交流对,是的,我好荣幸我们又见到了一个董总,我已经服很多人出道了,今天你又又增加了一个,我很荣幸。
张鹏
而且我跟你们说,很多时候创业者在他的最早期,你最能看到他思想最深处的东西。等他变成了一个特别成功的公司,那个时候我们再聊就不是今天的感觉了。所以今天有幸参与了这个交流的你们,都应该留下一个美好的记忆。也祝福直霖接下来你们的探索,能够有更多的好的伙伴,然后也在里面给我们带来更多的新的进展。
杨植麟
好的,感谢。大家好,拜拜。好,拜拜。