對話MiniMax閆俊傑：現在的AI應用不會成為Super App，但這不重要_風聞

以語音助手切入的多模態，是提高用户滲透率的一種嘗試。

對話 | 張鵬

文 | 黎詩韻****編輯| 靖宇****

和多數人一樣，在看到 OpenAI 最新發布的「AI 智能助手」GPT-4o 時，MiniMax 創始人兼 CEO 閆俊傑的第一感覺是「驚豔」。他也為那些演示效果着迷，如絲滑的語音交互、實時的視覺理解、語言捕捉甚至包括了「呼吸聲」。

作為中國第一梯隊的大模型創業者、OpenAI 的最重要追趕者之一，他迅速看穿了這場「魔術」背後的手法。在發佈會結束兩天後，這位以神秘、低調著稱的從業者，罕見地做客極客公園直播間，和極客公園創始人、總裁張鵬進行了近 2 小時的實時訪談。

從這場發佈會切入，他聊到了技術和成本、行業賽點、開源與閉源之爭、投流和 PMF、超級產品等關鍵問題。

在他看來，這次 OpenAI 展現的技術難度並不高（比如語音模型處理速率更低、容易對齊到語言模型，實現絲滑語音交互）。使他感慨的是，這位對手在行業最重要的使命上邁出了重要一步——那就是讓AI為更多普通人所用。

他説，GPT-4o 本質是多模態（文本、語音、視覺）的進步。而他很早就意識到，大模型在多模態的每一次進步，都會帶來用户體驗的提升、獲得更高的用户滲透率。比如，當 GPT-4o 擁有更絲滑的語音交互（延時縮短、增加情感等）後，它就會走向更多人。

這也是他於 2021 年底創立 MiniMax 的初衷。彼時。ChatGPT 還沒有出現、業內也沒有人相信大模型。促使他一定要創業的動力是，「把人工智能做成通用、服務大眾這件事是很重要的。」

在這個目標驅使下，MiniMax 是行業少有的同時做模型、產品的公司。目前，MiniMax 是國內 AI 產品做得最出色的公司之一。其產品主要分為兩類：一是「星野」代表的娛樂類，對標 Character.AI，目前處於國內領先位置；一是「海螺 AI」代表的效率類，對標ChatGPT，尚在起步階段、但是他目前最看重的產品。

GPT-4o 的發佈，讓他更明確了「海螺 AI」接下來的研發方向。他説，下半年的目標是，要把過去彼此獨立的多模態大模型融合在一起。並且他認為，這會是未來行業的「必答題」，效率類產品必須跟上。不過他認為，從長遠看效率類產品的本質方向，仍然是要提升底座語言大模型的上限。因為其最重要的指標是用户對回答的滿意度，而現在連 ChatGPT 的回答滿意度都只有 60%。

儘管 AI 在過去一年多引起了全球廣泛關注，但它距離為普通人所用的未來還很遙遠。**閆俊傑做了一個演算，目前國內最好的效率類產品DAU只有 400 萬、國外是 1000 萬，這意味着 AI 在移動端的滲透率可能不到 1%。**從業者們要做的努力還有很多。

用户滿意度和滲透率、以及背後需要的技術進步，似乎一直是他思考的「第一性原理」。而當我們談到成本、商業化、行業競爭等等關鍵問題，他的答案都圍繞這點展開。比如他説，「投流是因為技術沒有拉開足夠差距」、「搞不懂 PMF，其實有了用户時長就會有商業價值」、「如果創業者沒有做出足夠創新，這件事就該大廠幹」……在這場對話裏，我們能看到這位技術向 CEO 難得的「簡單」、少見的「坦誠」。

那麼，最終我們何時能迎來大模型時代的 Super App、真正讓 AI 普及大眾？他説，也許目前的產品都看不到這個可能，但這並不是一個重要的問題。原因在於，AGI 的路很長，很多事情無法現在就看清，沒有必要給自己這麼大的壓力。還是那個回答，做好技術和產品，有能力跟上一代代的創新，最終才有機會看到那一天的到來。

以下是這次直播對話的實錄，經極客公園整理後發佈：

01

談語音助理：效果驚豔、能提升用户滲透率，且在技術上並不難實現

張鵬：你應該也是非常詳細關注了 GPT-4o 和谷歌I/O的這兩個發佈會，它們的風格其實挺迥異的，你個人對哪個印象更深？更喜歡哪個？可以分享一下原因和理由。

**閆俊傑：**一方面，我自己其實是一個用户，會每天使用這些 AI 產品。另一方面，我自己又是從業者，所以有很奇怪的兩種不同感受。

看 GPT-4o 的發佈會的時候，作為用户來説，我覺得非常驚豔。特別是那兩個演示，一個是（AI 聽懂了）呼吸聲，一個是拍照做一些事。我當時覺得為什麼人工智能可以變得這麼流暢，大家都覺得實時的語音交互是第一次有人實現。這個事確實很成功的，非常顯然 GPT 發佈會的風口和傳播量是大於谷歌的。用户肯定覺得 OpenAI 的發佈會更震撼。

不過發佈會那天晚上，我就開始想這個東西到底怎麼實現的。**大概想了半個小時之後，就覺得實際上是很直接的事。**為什麼？原因是，説話是比打字要慢很多的。比如説現在正常的語言模型，基本上每秒可以處理的 token 是十幾個到二十幾個量級。但是説話其實每秒只能説 3-5 個字，大概只有 4-5 個 token。所以語音的速度是遠遠慢於現在標準的語言模型的處理速度的。

這個意思就是説，只要把語音的模態——就像之前做圖片跟文本一樣，只要把它對齊到語言模型上，把它改造成一個成純流式的交互，這件事改造起來非常自然。

所以我覺得這件事體現出來兩個事：第一，OpenAI 還是能夠從非常底層思考這個事。第二，這個事的技術難度其實遠小於 Sora 或者一開始 GPT-4 的技術難度，這就是我看 OpenAI 發佈會的感受。

張鵬：那看了谷歌的發佈會你有什麼感覺？

**閆俊傑：**谷歌的發佈會不是看的直播，而是第二天看了完整的兩個小時視頻。它最前面是 DeepMind 負責人講了很多技術的部分，這部分就很像是一箇中年男人拖家帶口來搞科研，一定既要滿足股東、又要滿足用户、又要滿足市場對谷歌的期待。

張鵬：還得不能讓社會質疑你有 ethic（倫理）的問題。

**閆俊傑：**對，相當於畫了很多目標，幾千人的研發團隊大概做了一年，做出來了很多東西。每一點應該都不是最好的，但是能同時做這麼多東西，從芯片到產品都做，可能也只有谷歌有這麼多的研發力量能做。

但是我比較震撼的是它的 AI 搜索。AI 搜索在過去幾個月很火，海外有 Perplexity，包括 ChatGPT 在內，以及國內很多助手，大家都會做搜索，甚至聲稱替代了傳統的搜索。坦白説，我覺得目前這些產品的搜索和谷歌展示的那一套 AI 搜索，還是有非常大的差距。

因為我覺得裏面非常核心的東西，可能只有谷歌才有。比如很多實時的本地的信息，這些信息對一些高價值的場景其實有非常大的價值。如果我是用户的話，我其實非常願意用這樣的搜索，這種體驗絕對不會是在 ChatGPT 裏外接第三方的搜索引擎就可以實現的。坦白説，我覺得這是谷歌真正的壁壘。

其次，目前大家用的其他的 AI 搜索產品裏面，只有單步的推理，谷歌展示了多步推理，這對搜索體驗的提升還是非常大的。這個事谷歌也是第一個做的。它本身不難，原來的語言模型能夠支持就好了，但是説明谷歌已經想得非常深刻了。

最後，可能是谷歌獨有的優勢。實際上包括 OpenAI 在內，幾乎所有公司的視頻理解都做得比較一般。甚至 GPT-4o 裏面展示的東西，它的 Camera 其實處理的也不是 video，而是靜止的圖像。**真正能夠做到非常流暢的視頻理解，效果比較好的，好像只有谷歌。**Gemini1.5 做的相當不錯了。

我在想為什麼這件事這麼重要呢？為什麼谷歌非得做這件事呢？其實也可以理解，原因是谷歌有大量 YouTube 的視頻，但是這些視頻無法被展示出來。因為之前的搜索只能有一個標題，或者非常簡單的標籤。現在這個技術，就可以把這些視頻加到搜索的結果裏面去了，這是非常獨特的一件事。

總體來説，我比較受震撼的是有了 AI 之後，真的可以把搜索這件事有質的提升，並且這件事谷歌已經走得非常靠前了。

張鵬：感覺我們大部分都是觀眾，看完發佈會的「魔術」都「哇」一下，但你是「魔術師工會」的，你看完了會琢磨一下這個「魔術」怎麼實現的。比如語音這件事看起來很厲害，但沒有想象中那麼難實現。所以有人評價説，OpenAI這次主要是工程上的進展，它選擇了一個明確的目標、甚至可能針對發佈會的場景做了很好的想象，然後它的工程能力配合技術能力、完美的把這個點打爆了。而不像上次 Sora 那樣是技術的本質變化。這麼理解對嗎？

**閆俊傑：**可能不同的人對系統、算法、工程的理解都非常不一樣，我説一下技術上的理解。

雖然我也不知道 OpenAI 具體是怎麼做的，但我猜 OpenAI 的語音技術可以分成兩步：第一，用大模型做語音的合成。第二，把大模型的語音合成和語言模型合在一起。第一步其實去年有了非常多進展，但問題是在做交互的時候，要先把聲音變成文字、再用語言模型生成回覆、再用這個模型來跑一遍。

張鵬：當時不是端到端的實現，而是要分幾步**。**

**閆俊傑：**對，這個會造成延時和信息丟失。這次 OpenAI 就更進一步，直接把語音模型和語言模型合在一起了。

這在技術上是比較容易做的，因為聲音和語言模型都是 Transformer 的模型，本質上就是把聲音模型的 incoder（編碼器），對齊到一個語言模型上去。這個事在圖片裏面已經發生了，現在只是把圖片換成了聲音。而且因為聲音的處理速度遠低於文字處理的速度，所以改造成流式是非常自然的。

這帶來的結果是，原來 ChatGPT 的語音交互、包括海螺 AI 的語音交互，大概延時會有兩秒。現在純流式了，延時只有 300 毫秒，就是説一個字的時間。

張鵬：所以這種語音技術路線其實並不難、而且很早就被證明是可行和明確的，這是否意味着它不會是OpenAI的獨門技術，而是可以迅速擴散到更多的公司？

**閆俊傑：**我覺得如果一個公司或者組織，它之前能獨立做好語言模型、並且能獨立地做好利用這種 LLM 方式做聲音的模型，如果這兩個都具備了，把它合在一起是相對比較輕鬆的。不過這背後還涉及到很多工程鏈路上的優化。

但比較核心的還是你的目標是什麼。比如 OpenAI 為什麼要把語音延時降到 300 毫秒，**本質上是因為在移動端，每當你降低延時、對用户體驗就會帶來特別大的提升。**為什麼線上會議沒法替代線下見面，核心就是它有幾秒的延遲。而延時優化的極限就是一個字的時間，300 毫秒，你在這個目標下最後就會推出來最合理的技術路線。

張鵬：延時的問題我很有感觸，之前有聲音賽道的創業者跟我説，如果延時超過一秒，用户就會發現對方跟自己不在一個地方聊。所以語音助理沒有延時之後，你感覺它從雲端，走到了你房間裏，這個感覺給人的衝擊感是非常強的。它對用户體驗的提升有多強？語音是否會成為主流的交互方式？

**閆俊傑：**過去一年非常明顯的變化是在車裏面，你可以看到新能源車裏的語音滲透率是顯著變高的，這説明在一個場景裏，如果你能夠把語言的交互做得非常好用、且有實際價值，它的用户滲透率就會變高，至少在智能車艙裏面已經實現了。這個事在現實生活中也會是一樣，這也是為什麼 AI 公司會越來越重視聲音交互的原因。

過去一年大模型雖然是非常熱的詞，但現在全球每天使用 AI 產品的人只有四千多萬，而這四千多萬裏有三千多萬在用 ChatGPT，而這三千多萬有兩千萬是用 Web、一千多萬是用手機。而現在全球每天使用手機的人可能有 4 億人，**所以 AI 在移動端的滲透率可能不到 1%，這是非常低的數字。**真正主流的產品，比如説短視頻、或者長視頻、或者社交，它的滲透率應該都是 50% 以上。

我覺得未來有志於做 AI 產品的公司，一定要思考一個邏輯，那就是怎麼讓用户滲透率變高。其實唯一的方式就是讓更多的場景可用、讓更多的人可用。我覺得聲音應該是符合這個趨勢的，它可以讓一些不方便打字的人進來、並拉來更多場景。這是 AI 公司提高滲透率的一種努力。

在 OpenAI 發佈會上，研發人員與 GPT-4o 對話 ｜ 圖片來源：OpenAI

張鵬：你覺得它是會增加存量用户的黏性、還是獲取更多增量用户？

**閆俊傑：**這兩個事都可能會發生。我們發現很多場景確實只有語音才會發生，舉個例子，比如説在海螺 AI 裏面，很多家長會讓它給小孩講睡前故事。這顯然擴充了使用人羣。

再比如，我們發現有很多用户會用它來學英語口語。從這個維度上來説，它應該是提升了用户的活躍。還有我自己親身的例子，我今天春節回到老家看我外公，他已經 80 歲了。他在很破的安卓手機上裝了海螺 AI，會跟它打很久電話、討論歷史人物。之前你很難想象一個 80 歲的老人會這樣用 AI。

而他們在用這個產品的時候會真的把 AI 當成一個人，比如他會説你（AI）聲音能不能大一點，其實潛意識裏把它當成人了。

這也是我們為什麼那麼相信通用智能的原因，它就是服務普遍人的東西。問題是整個行業的滲透率確實沒那麼高，更簡單的交互是很重要的一方面。

張鵬：你説過自己很早就堅信多模態，是因為產品每擴展一次模態、都能擴展一批新的用户。你預測ChatGPT改善語音技術之後，它的DAU、用户時長這些數據會有什麼變化？

**閆俊傑：**實際上現在沒法猜，因為它還沒有上線。我覺得使用時長會變長，但是用户滲透率會不會有顯著的變化，我其實比較懷疑。

張鵬：語音交互確實對人有門檻的，很多上一代做語音交互的朋友們覆盤過，大家打開一個語音助理之後會突然不知道説什麼，然後就停了，這件事跟技術其實沒有關係。它其實需要用户有比較強烈的目標和意願去用。

**閆俊傑：**對，我覺得對年輕或者比較年長的用户會更友好，對中間的用户反而不會。原因是因為，願意使用 AI 的人、或者聽過 AI 的人，大概率至少試用過一些東西了。

02

談行業賽點：多模態融合是大模型行業「必答題」，決定效率類產品的成敗

張鵬：你自己也在大模型領域創業，各項技術能力都在主動跟OpenAI、谷歌做對標。看完這兩場發佈會之後，你感到的更多是一種興奮，還是一種挑戰？

**閆俊傑：**我覺得有人跑在你前面是好事，這説明這個行業上限遠遠沒有到。

我個人是非常期待 OpenAI 會出 GPT-5 或者其他的東西，即使作為一個業內人士，我也是希望 OpenAI 進步速度能保持這麼快。反正也沒有競爭，實際上沒有任何的競爭。但是這不是因為不想跟他們競爭，是他們太強了，構不成競爭。

至少目前，真正把算法匯成產品，真正開拓 AI 行業邊界的，主要還是 OpenAI，如果他們能夠非常快地開拓 AI 的邊界，至少説明 AI 的用户滲透率是有底層動力的，而且這個動力可持續的。

OpenAI 可能比中國公司多 10 倍的研發資源，如果他們都做不出來創新，這才是這個行業比較可怕的一件事。

張鵬：你有方法、有路徑，有計劃，未來可以在你們的產品裏見到跟OpenAI今天類似的用户體驗嗎？大概多長時間可見？

**閆俊傑：**首先我覺得這個事肯定可見的，雖然他們怎麼做的我不知道，但是我覺得我剛才的分析應該是對的，至少那種方法可以實現，至少它是有一條比較明確的路徑。

**其實對我來説，主要的挑戰不是語音模型，主要還是把語言模型做得儘可能好。**真正的原因是因為，現在的多模態實際上還是以語言模型作為核心的。今年我們在做上一版 ABAB6.5 的時候，我們其實把萬億量級的 MoE 這件事做通了，這還是個語言模型。

另外，我們在去年的時候，每個模態都是獨立的，雖然它們有同樣一套框架、裏面都是 Transformer，代碼也是差不多的，但是它的數據和模型是獨立的。現在我在設計下一版的模型，我們下半年的核心考慮是如何能夠能有一個上限更高的語言模型，以及把這些不同的模態合在一起。

我們還沒有完全設計完，還有很多的實驗需要做。但是它基本上已經是可見的東西了。接下來這個模型會分成兩個階段：第一，設計階段，有很多假設，你要做很多實驗驗證你的假設。第二，假定，你認為你的假設驗證得差不多了，把這些東西合在一起，最後訓練這個模型。

這裏面的 trade off（權衡）是説，你的這些假設，或者你設計的這些預測實驗，到底要做到多好？這是我們正在經歷的一個事。

MiniMax 旗下的效率類產品「海螺 AI」｜圖片來源：MiniMax

張鵬：最近聽到谷歌提的比較多的是One network Moti-modelity，多模態是在一個神經網絡裏實現的。現在MoE 在訓練萬億大參數的模型上是非常有效的方法，但下一步如果做多模態融合，方法上會跟以前有什麼不一樣嗎？

**閆俊傑：**這個是兩個維度，第一個是中間這步都是一堆巨大的 transformer，為了提升效率，不管訓練效率還是推理效率，大家主流的選擇都是一套 MoE，比如 GPT-4。據傳 Gemini-1.5 也是長這個樣子。如果你做一個大概幾千億參數的模型，基本上這就是必然的選擇。

第二個，你有不同的模態，怎麼樣能夠合到這個大的以 MoE 為基礎的主幹模型上，這就是多模態。現在已知的東西是，怎麼把視覺的理解跟主幹模型合在一起，比如説像 GPT-4v，你先有一個巨大的 MoE，再把視覺的東西對齊，就可以有比較好的視覺的理解。

未知的東西有這麼兩個：

第一，GPT-4o 裏面展示的，把聲音也對齊到裏面去，這是 GPT-4o 乾的其中一件事。

第二，生成的這部分，比如説圖片的生成、視頻的生成能不能合進來。至少現在，視頻是沒有實現的，比如説 Sora 是獨立的模型。為什麼會這樣？原因是視頻的 tokenizer（標記）是有損的壓縮，基本上要通過 diffusion（擴散）才能恢復到一個比較正常的狀態，現在還沒法整。當然會有很多人做，可能明年才會整合一起。但是視頻的生成目前還不知道怎麼整合的。

圖片的生成我不知道，比如説在上一代 DALL-E 3 的時候，其實也沒有整合在一起的，也是獨立的模型。但是這次看 GPT-4o 的話，我感覺它們似乎整合在一起了，但是我不是特別確定。我覺得基本上底層的技術就是這樣了。

張鵬：那麼緊接着多模態統一融合的能力，會不會成為下一個階段大模型領域、尤其是中國的創業公司們要去提升的目標？這是不是所有人都必須要跟上、必須要解決的問題？

**閆俊傑：**我更覺得是必須要做的事。其實這分兩個產品，**目前AI產品有兩種，一種是滿足娛樂需求的，一種是滿足效率的。**娛樂的不説了，是運營的屬性、產品的屬性，更加偏綜合產品能力的事。

偏效率的一定是需要做（多模態）的，因為從歷史上來看，所有效率的產品基本上最終大家只會用最好的。比如説有兩個產品，一個可以做很多東西，一個只能搜文字，那大家一定會用那個啥都能做的那個產品。當然這個前提是説，這個（多模態）賽道是存在的。關於這個賽道是不是存在，其實也是需要很多努力的。

張鵬：可不可以理解為 Sora 是「選答題」、可以不選，但是多模態的統一融合是「必答題」、如果答不好就會出局？

**閆俊傑：**我覺得你這個概述還是挺好的，之前沒想到這樣，確實更像是一個必答題。

Sora 這個東西其實有不同的用法，比如説有 PGC 的用法、作為工具屬性的用法，也有 UGC 的用法、會涉及很多產品、內容的東西，不是 AI 都要做的東西。

但是在工具類、效率類、助手類的產品上，只要有公司做出來（多模態），其他公司必須跟上。因為基本上就這麼點技術。

03

**談生態：****「智能語音助理」爭奪戰，**巨頭和創業公司是複雜的競合關係

張鵬：這次我們看到語音助理這個事，蘋果想用到 Siri 裏、谷歌想非常深層地用到安卓體系裏，似乎它會是個很重要的入口級的東西，這個事最終會是巨頭的 Game 嗎？創業者還能幹嗎？

**閆俊傑：**首先，這個產品的所有用户體驗幾乎都來自於模型的能力。它不太取決於產品是巨頭的產品、還是創業公司的產品，只是取決於背後是什麼樣的技術水平。它考驗的是你能不能做出一個體驗最好的模型。這裏面涉及到你的技術模型怎麼做、怎麼做很好的對齊、怎麼優化你的延時，怎麼提高工程的效率、怎麼降低計算成本等等。

其次，在商業層面，這個產品背後肯定要消耗成本。**因為現在的AI產品跟早期移動互聯網產品的本質區別是，以前我們不需要考慮每天維護用户的成本，現在我們都要考慮。**所以這一代產品怎麼變現是比較直接的。而手機上產品的商業價值有多大，幾乎取決於它有多長的用户時間，因為用户時長總是有標準化的變現手段。

這樣的產品，假設它能做到大部分的需求都在裏面解決，比如説當我想要搜索的時候，我不需打開百度了。或者我需要看一個視頻的時候，不需要在抖音裏看了。只要它佔有用户足夠長的時間，那它的商業化效率就是足夠高的，它的商業化跟時長是成正比的。

這個事最終會變成，產品的競爭力取決於技術能力，商業競爭力取決於你佔有多少用户市場。

張鵬：我再具象一點，蘋果屬於完整的從硬件到軟件的掌控者、安卓在操作系統上有天然的優勢、OpenAI是新型的基於大模型能力的創業公司，如果未來這三家公司都在搶佔語音助手這個最關鍵的入口，誰更有可能是贏家？創業公司能贏得這個位置嗎？

**閆俊傑：**我覺得這裏面有各種各樣的博弈、競合關係，在搜索裏已經發生了。我們能看到蘋果裏集成了谷歌的搜索，谷歌每年給蘋果很多錢，為什麼谷歌願意付錢？顯然因為谷歌在蘋果裏做搜索的商業價值，要大於谷歌自己付的錢了。

但是我覺得不管怎麼樣，如果看第一性原理的話，那在這裏面如果誰能把東西做出來、並且把體驗做得顯著地好，那至少在裏面你應該會有一席之地。

這件事我覺得更利好於擁有設備的公司，為什麼？比如説我買一個小米的手機，只要給小米付一次錢，之後這個小米手機創造多大的價值，其實都跟小米沒有關係了。唯一有關係的是，小米商店裏面的分發裏面會有分成，其他的基本上沒有關係了。

張鵬：也有一些負一屏的內容廣告，都是比較薄了。

**閆俊傑：**負一屏的內容水平顯然是沒有抖音或者小紅書高。其實手機提供了很多用户時間，比如説我在小米上裝了一個抖音，一個用户在抖音上花了很多時間，但所有的錢跟小米一點關係沒有，都被抖音轉走了。

我覺得一個比較強的 AI 助手的好處是説，它確實能夠讓手機的操作系統這層佔領很多用户的時間，因為可以滿足很多多樣化的需求。這個事相當於是説它其實是把很多價值從 APP 里拉到手機上。

張鵬：最近我們也看到傳聞，蘋果跟OpenAI有可能在智能助手這個層面產生合作。所以按照你的推理，一家在大模型裏做的非常優秀的公司，和一個對生態硬件、軟件有掌控力的手機巨頭，最終大家合在一起、在未來的生態裏產生新的價值分配，這是符合邏輯的？

**閆俊傑：**對，實際上就是用户時間的分配，而這又考驗背後的技術和產品能力。

張鵬：反過來説，如果 OpenAI 沒有跟蘋果合作，而是成為最強的 Super APP，作為獨立的力量去挑戰現有的生態、甚至對原有價值鏈進行重構，你認為存在這種可能性嗎？

**閆俊傑：**這主要看它的規模。現在 1000 萬 DAU 的 APP 顯然不夠格。到 Mata 這種 10 億 DAU 量級的，估計會有本質的變化。但即使是OpenAI，距離這個也有 100 倍的距離。

張鵬：現在想着做所謂大一統的 Super App、超級入口還是很難實現的，今天更現實的是怎麼把DAU從一千萬漲到 1 億，這也是 OpenAI 很頭疼的事。

**閆俊傑：**我猜這也是它們為什麼這麼在意語音的原因，因為這個東西確實有可能會提高滲透率。

04

談技術路線：投入通用基礎大模型、打造通用產品，能看到真正的未來

張鵬：前段時間在整個創業者的圈子裏，大家圍繞基礎模型和開源模型爭論很大。本質上是説，你要麼自己做一個智能引擎，要麼就買一個自己改。其實模型、產品雙輪驅動，自己同時做基礎模型和產品，滾動着往前走是最好的。但很多創業者説這風險很大，模型的一次迭代跟不上、或者產品 PMF 的一次失敗，就不行了。你怎麼看這兩種路線？

**閆俊傑：**我覺得這本身是風險很大的事。先不説同時做模型和產品，只做模型、或者只做產品，本身就是風險很大的事。

張鵬：創業其實就是生死遊戲。

**閆俊傑：**對，確實是很殘酷的事。比如我們看美國的公司，OpenAI 是都做，Aanthropic 之前只做模型、昨天他們把 Instagram 的 CTO 也招過去了，我不知道是不是它們也有可能做產品。**我覺得至少對做模型的公司來説，自己做產品幾乎是必然的選擇。**我們算是比較堅決的，有些公司後面變成這樣了，這是必然的。

反過來，其實對做產品的公司也是一樣的。比如説我們國內的開放平台上，有很多做產品的公司和客户，其實規模還挺大的，大概有接近一千家。這裏面有大的公司，也有小的創業公司。其實坦白説，對所有這些公司來説，**如果它們的產品得很大，他們也希望自己掌控模型的。**這也是必然的一個路。

所以這裏面核心的考慮還是説，如果你覺得這件事是對的，本質上是説你現在有多少資源、最大化優化你們想優化的目標。對我們來説，我們的目標是要最大化地優化用户體驗，那我們覺得這兩個東西（模型、產品）都是重要的，只能兩個東西都做，才能最符合我想優化的目標。

不同的人定義的目標不一樣、路徑不一樣，就會出來很多不同的公司。

張鵬：所以產模一體歸根到底是我們追求的最終目標，只是很多人基於今天已有的資源，會發現燒錢太高、風險很大，但這只是階段的選擇問題。

**閆俊傑：**還有一個更底層的原因。舉個例子，假設有個需求要滿足，而這個東西需要通過模型來滿足——那如果是（模型和產品都在）一家公司，你的路徑是優化這個業務指標就可以了。但如果（模型和產品是在）兩家公司，你們乾的事是把這個指標轉成一個對模型的要求，讓給你提供模型的公司優化這個指標。

這中間本身損失了很多信息，並且讓週期變長。這個事一定不是最大化業務指標的方式。

當然這個事上，微軟例外。核心原因是，微軟的這些場景，Bing 的搜索、還有 office，其實都是一些能夠變得非常標準化的東西，基本上主要依賴於模型的通用能力。OpenAI 的通用模型是最好的，那就可以給這些產品用。在這種情況下（模型和產品分開）是合理的，但是大部分情況下不是最優的選擇。

張鵬：你提了一個非常好的問題，就是我們到底是要根據模型能力造產品，還是要根據產品目標去改模型？我打個比方，如果模型是一把槍，產品是靶子，我們今天到底是要造更通用的機關槍、在更多領域命中靶子，還是應該造一把高精度的狙擊槍、就打中某個具體的靶子？

**閆俊傑：**其實這個事背後有一層含義，咱們講這個時間點，AI 背後是有一些技術紅利的。這個紅利是説，全世界有這麼多聰明的人、這麼多資源、這麼多社區在做這件事。這件事的價值或者能力遠大於單個公司，也大於 OpenAI 的，顯然也大於任何一箇中國的創業公司。

所以一家公司的研發水平不是一家公司封閉做出來的，而是這家公司的自身能力加上整個行業整合出來的。只是不同公司利用的效率不一樣。包括 OpenAI 在內，它們很多的東西不是原創的，可能是谷歌做出來的，但是它們把它很好的整合在一起，擴大規模，就變成現在的狀態。

**其實把模型做通用這件事，是一個比較容易來吸收到整個社區進展的途徑。**這件事本身是有巨大的紅利的。

張鵬：今天你應該站在那個位置上，把更多的能力拿出來，讓更多的人跟你共創，也許是用户、也許是產業裏面的其他創業者兄弟們，OpenAI有這樣的感覺。但如果今天你只是做某一個產品、維繫你自己的「菜園子」，你可能失去了世界與你共創的機會。

**閆俊傑：**客觀的説不是世界與我們共創，是我們與世界共創。

張鵬：我看 SamAltman也不斷提醒，大家不要基於今天模型的一些具體問題去打補丁，這其實是浪費時間。因為技術在滾滾向前，你在這個時空剛把補丁打完，這件衣服可能都已經換了，會出現這樣的問題。

**閆俊傑：**客觀上説能夠做什麼產品，其實是由技術的週期決定的。

比如説目前這一代，我們見過的所有產品基本上是以文字的交互為主，產品的功能基本上是助理這個層面的。不管是娛樂還是效率，基本上都是 copilot（輔助助理）這個框架。只是不同的人基於不同的理解、不同的資源、不同的團隊，組成了不一樣的東西。

假設我們有更好的模型，能力比現在再顯著地提升，比如所有的測試都可以做得非常好，它可以獨立來工作了，就不是一個 copilot、可能是一個 auto-pilot（全能助理），這顯然會產生更多完全不一樣的產品形態。

但是這個東西不是產品設計出來的，而是當你把技術 Push 到某一個階段的時候，這個產品自然就清楚了。

05

談成本：技術成本兩年內可能降100 倍，這比****探索技術上限容易多了

張鵬：我想把話題延展到很具象的東西，前些天我跟投資人算了算賬，今天千萬級DAU的產品，恨不得一天花掉 200 萬的成本，很高的。比如今天 GPT-4o 如果容納了更多用户、獲得了更大的用户粘性，它每天的成本得有多高？你肯定掌握一些成本結構的判斷，能不能幫我們算一算？

**閆俊傑：**其實語音比文字便宜的，因為語音慢。比如文字一秒要生成 20 個 token，但語音一秒只有 4-5 個 token。而且人聽的時候也慢，我看一千個字只需要一分鐘，但是我聽一千個字應該是很長的時間。

所以假設使用相同的時間，語音其實更便宜的。

張鵬：這挺反常識的。

**閆俊傑：**你覺得聲音更貴，其實更便宜，這是第一點。

第二，優化或者降低成本一直是學術界非常經典的研究領域，很多年前我自己也在這個領域做了很多工作。但它實際上不是業界最高端的領域，最高端的領域一定是説如何拓展技術的邊界。

一旦你能夠拓展技術邊界之後，怎麼把成本降低 10 倍這件事，其實從最早的機器學習時期，比如我當年讀博士的時候，到 2012-2022 年這 10 年用 CNN 來做（卷積神經網絡）的時代，怎麼來量化、減值、增流是有一套非常標準的 pipeline。

在 Transformer 這一代裏面，其實也可以複用上一代的 pipeline。比如説做量化；比如説當你有一個非常長的 context window（聊天框）的時候，如何做緩存，效率更高、時間更低；比如説如何優化你的 attention（注意力）……有很多方法來做這件事，這其實是沒那麼難的東西，你只需要把每步做得足夠好，拼在一起就會帶來很大的變化。

張鵬：也就是説，相比於探索新大陸，現在掘地三尺把礦挖出來其實挺容易的？

**閆俊傑：**這個事我們想一下就知道了，比如説去年 3 月份剛有 GPT-4 的時候，那個時候又慢又貴，但是我們現在其實看 GPT-4o，包括之前的 GPT-4turbo，又便宜又快，效果又好，這只是過去一年發生的事。價格可能降了 10 倍，但實際上 OpenAI 比這個價格的降低還要更多。

我們大概算過，如果有兩年的時間，成本可以下降近 100 倍。其實我覺得，**技術的上限這件事相對來説沒那麼確定，需要更多的探索。但是成本下降這事，一定是有辦法的。**這個事在學術界已經發生了三次了。

GPT-4o 成本｜圖片來源：OpenAI

張鵬：今天有的人在拼命地優化技術成本，有的人在拼命提升模型能力、想做到最 top，在你看來後者是不是更重要？

**閆俊傑：**我覺得從結果上來是這樣的，但是從過程上兩個事是相互轉化的。這個其實是大模型裏面一個非常重要的規律是，效率跟效果其實可以相互轉化的。

假設訓練精度一樣，而你的算力是別人的 1/10，這意味着你能把效率做得很高，那你一定是能夠把模型的上限變得足夠高的。或者反過來説，如果你想要能力達到那個足夠高的上限，那你一定只有把效率變得非常高，這個事才有可能。

所有人的資源都是有限的，一定是你的效率足夠高、你的上限才能更高。實際上並不是我先衝到邊界後再來做優化，實際上兩邊是要一起做的。

這也是為什麼大部分研發越往上越難的原因，它要求你綜合考慮。

張鵬：所以 Sam 説「給我多少萬億、我就能把 AGI 迅速實現」這種話，是不是太不現實了？

**閆俊傑：**如果類比的話，比如台積電現在是 7 納米，那他接下來肯定是 5 納米、3 納米、2 納米一代代往下做。他不可能把 5 納米、3 納米都跳過了，突然間説自己能做到 2 納米。我覺得這個不太對，你很難把中間幾步跳過去。

張鵬：遠大的目標還是要一步步走，不能奢望直接通向目標，這也是創業的本質。

**閆俊傑：**當然可能它們太強了，我沒有理解它們的精髓之處。不過正常情況下應該是這樣的。

06

談投流和 PMF：國內 AI 產品不得不投流，還是技術沒有拉開足夠差距

張鵬：説到成本，前段時間我們看到，業界AI產品都開始投流了。我感覺以前移動互聯網時代，大家好歹是產品達成了 PMF 之後以後再投流放大，而現在產品需要花錢來測 PMF。一方面整個中國互聯網流量板結了，都在巨頭這。另一方面 AI 的能力有限，沒有辦法直接推到用户面前。這種投流導致的 PMF 成本上升，對這一代 AI 創業會不會是很大的挑戰？

**閆俊傑：**我們在這個事上吃過虧的。你發現這個事在中國，和在美國非常不一樣。比如美國的產品，ChatGPT 顯然沒有投流的，最早期的 Character.AI 也是沒有投流的。偏工具的東西，比如像 Midjourney，它顯然也是沒有投流，更多的是運營。但是反過來説在中國，基本上所有的產品都會投流，這其實是非常明顯的差別。

相當於説，美國公司更多的是靠技術能力和產品能力，大家都不會投流。但是這背後其實也是有代價的，代價就是美國的研發成本還是會非常高的。在中國反過來了，中國工程師的紅利和產品的紅利相對比較充裕的，但是中國的流量是頭部聚攏的。

但是投流更底層的原因還是因為，**目前為止在助手類的產品上，沒有哪家公司能拉開差距。**大家在同一個維度上，產品比較同質化，技術能力相對也是比較同質化的。為了獲取更多用户，只有靠投流，這是目前這類產品的困境。

這個東西大家都會有一些解釋，比如説有一種人認為獲取 query（用户詢問）是比較重要的事，如果把 query 本身的價值換算成錢的話，投流是值得的。就看你怎麼看這件事了。在技術不突出的時候，這個東西就是沒辦法。

張鵬：我覺得你選擇了某種「簡單」，就是把技術做到最好、絕對的領先，這個世界也會變得簡單。如果你不能在這件事上簡單地領先，世界就會對你變得複雜。你也不會省下多少成本，沒準成本更高，無非是押在這還是押在那。

**閆俊傑：**對，所以我們沒有認為要花錢買用户的 query。

我覺得 PMF 這件事是這樣的，一般創業的時候要寫 BP（商業計劃書）講你的 PMF 是啥，我們其實一開始沒有搞懂這件事，目前也沒有寫。其實我覺得可以做一些假設：核心就是類似這種產品，只要有用户時長就能變現。本質上，PMF 是以用户時長來量化的，這是比較標準的東西。目前這類產品是沒有變現邏輯的，但是如果這個東西能做的更大，或者能夠做到某個狀態，是能夠出來一些東西的。

張鵬：其實我覺得在不同的階段，大家需要面對不同的東西，並不是説有技術的純淨信仰，就一定要做 PLG（產品主導型增長）、就絕對不要投流。我也想到當年滴滴在很多的城市都沒有 PMF，都在燒錢，結果有一天它突然把用户習慣和產業邏輯燒出來了，PMF 出現了。你覺得AI行業會走跟當年網約車一樣的路嗎？

**閆俊傑：**我覺得不是，因為其實網約車是非常典型擁有網絡效應的業務，如果你有更多的司機、你就會有更多的用户，反過來也是一樣。

**大模型產品目前為止沒有網絡效應，**有可能有微弱規模效應。不過還是需要拆成不同的產品類型，比如效率類、娛樂類，單獨來看。

比如單純在效率類產品上，用户體驗的提升主要不是看用户是不是變多了，其實主要是看研發速率、模型迭代效率。相當於説，**你的技術能力提高跟你的用户數量增長，其實不完全成正比。**但在星野這種娛樂類產品上，如果你有越來越多的內容，規模效應還是挺明顯的。

張鵬：我覺得今天的創業確實比移動互聯網那一代更加不容易了。今天你去投流，所有的流量基本上在巨頭手裏，甚至你的 PMF 在它面前都是透明的，因為你不斷地投就説明你找到 PMF 了，它隨時可以跟。創業者一直在打明牌，巨頭錢多、人多，也有流量，你做產品測試還要給它們「交税」，這就是這個世界非常真實的真相，你作為創業者怎麼保持自己的希望？

**閆俊傑：**這確實是非常關鍵的問題，而且是一個很本質的問題。

我覺得偏信仰層面是這樣的。如果你沒有做很多的技術創新、產品創新，或者説沒有在合理的時間內找到足夠的非共識，這個事就不應該你幹，就是該被大廠幹。這不怪大廠壟斷。

我們要思考的是你作為一家獨立的公司，你真正能創新的東西在什麼地方？是研發效率、認知、產品體驗還是什麼？你如果沒有，創業就應該失敗，也不能怪別人。

張鵬：很務實的想法，大廠的競爭反而能驗證創業公司是不是真的有價值。

**閆俊傑：**是的。不過國內的流量被巨頭壟斷，但海外的流量其實相對比較開放，至少很多市場可以自由競爭。所以我覺得雖然很難，但是空間還是存在的。

07

談產品：

虛擬社交比智能助手受歡迎，但 super app 可能並不誕生其中

張鵬：説到產品，MiniMax 也是國內AI產品做得最早、最好的公司之一，能不能介紹一下你們「星野」、「海螺 AI」這兩款主打產品？它們的發展情況怎麼樣？

閆俊傑：「星野」基本是一個主打 fantasy（想象）的產品。你看它的時長、用户分佈、包括留存數據，其實它很像小説類的產品。

像「海螺 AI」這種，我們叫它智能助手，但其實它是沒有定義的。原因是目前這類產品最大的都只有 400 萬 DAU，不能算很大的產品，不太能定義這個行業。

我們的 fantasy 產品算是做的比較領先的，就用户量來説，它可能比助手類產品要高個 100 倍。我們的助手類產品才剛起步。

張鵬：fantasy 產品這麼好，它的交流輪次、使用時長怎麼樣？

**閆俊傑：**我覺得挺誇張的，是很長的時長。

張鵬：為什麼當年你會做「星野」這種 fantasy 的產品？當年的決策邏輯是什麼？

**閆俊傑：**兩年多前我們創業的時候，大模型還不是共識。我們當時認為把人工智能做成通用、服務大眾這件事是很重要的，而且恰好看到非常明顯的技術拐點，所以就開始創業了。當時，我們也不知道技術會變成什麼樣、產品會變成怎麼樣、商業化會變成怎麼樣。

「星野」的前身是「Glow」，我們當年做「Glow」的時候既沒有 ChatGPT、也沒有 Character.AI。當年我們不是做了很多分析、發現了機會，決定要來做它。我們的產品都是撞出來的。

MiniMax 旗下娛樂類產品「星野」｜圖片來源：MiniMax

張鵬：所以是先有了對 AGI 的信仰，做出了模型的能力，再順着模型能力看能做啥就做啥，是這個邏輯嗎？

**閆俊傑：**真實的情況是這樣的。為什麼這個產品最後變成了「Glow」了、沒有變成 ChatGPT，是 2022 年 10 月份我們當時第一版的模型大概只有 30B（參數），它只能做娛樂的事，因為沒有那麼好。

張鵬：你得把 hallucination（幻覺）當作它的優勢，而不是缺點。

**閆俊傑：**實際情況是，最開始的時候我們只有一個 pre training，對齊還根本沒有跑通。所以這種東西是撞出來的，是非常隨機的一件事，就變成這樣了。

如果我們那時候更強一點，可能能做出來ChatGPT，但是很遺憾，那個時候能力就是沒有那麼強。

張鵬：創業歸根到底還得看實際狀況，當時你技術沒準備好，做不出來很正常，這反而説明了為什麼技術是AI產品最重要的部分。

**閆俊傑：**對，因為技術的發展就是有紅利的。

張鵬：現在你們有了「海螺AI」，是不是還改過名字？我記得去年你們還叫「海螺問問」？

**閆俊傑：**的確是，我們改名是想讓產品更加大眾化。首先，我們覺得「海螺問問」有 4 個字，減掉兩個字之後，「海螺 AI」的用户覆蓋率會更高。其次，我們發現用户更深層次的需求不完全來自於問答，所以叫了這個名字。

張鵬：更深層次的需求不只是問答，所以那時候你們已經開始往未來的「智能助理」方向做思考了嗎？

**閆俊傑：**是的。

張鵬：隨着 GPT-4o、Astra 的發佈，「智能助理」這個領域可能會有越來越多競爭者，你怎麼看這類產品的發展目標？

**閆俊傑：**這類產品核心的東西應該就是一個，提升用户解決問題的效率、或者説回覆的滿意度。

我們客觀來看，比如你問 ChatGPT 一個問題，**它有多大概率給你一個滿意的答案？我們自己的測試結果是，只有 60%。**這也是為什麼 AI 的用户滲透率只有 1% 的原因。可能只有對 AI 特別熱忱的用户，在它給了你無數次錯誤答案的時候，你還能選擇相信它、容忍它、甚至引導它來得到一些答案。

舉個例子，我們用更大用户量級的產品，比如百度搜索、小紅書搜索、甚至抖音搜索的時候，大概率能得到想看到的東西，滿意度顯然比 60% 高。只有這樣，產品才能走向更廣大的用户。

這也是作為從業者來説，我覺得 GPT-4o 沒有讓我覺得那麼好的原因。因為它其實並沒有提高這類產品真正重要的指標，也就是用户滿意度。**這個指標如果從 60% 提升到 90% 甚至更多，它就能變成可以信賴的產品。**這也是我們在「海螺 AI」這個產品上要努力的方向。

張鵬：我相信最終你們的目標還是想創造 Super App，或者用AInative 的方式解決主流用户的大問題。你覺得今天不管像「星野」、還是像「海螺 AI」，它們會是 Super App 的侯選嗎？還是説我們今天未必能看到 Super App 的最終形態，它會像你説的，隨着未來技術的發展隨機湧現出來？

**閆俊傑：**其實我們的基本假設是這樣的：第一，現有的產品都不是。第二，我們認為現在的單個產品都能夠長到足夠大的用户規模，能給用户帶來更大的價值，也能為我們帶來商業上足夠的成功和回報。這也是我們努力的目標。

至於説現在的產品到底是不是最終那個 Super App，我覺得其實是不重要的。為什麼？因為 AGI 是一件長週期的事，顯然不是 2024 年或者 2025 年就實現的，我們其實不需要給自己特別大的壓力。

我們真正需要做的事是，讓技術能夠足夠快地進步，同時基於當前技術能力做出的產品，能讓公司的運轉效率變得更高、能給用户創造一定的價值、能給公司創造商業回報。同時，我們還能有能力做更多的產品，一代一代往上滾，這就已經夠了。

美國公司不一定是這樣的路徑。但作為一家中國公司，這至少是有先例可尋的一條路徑。

*頭圖來源：MiniMax

本文為極客公園原創文章，轉載請聯繫極客君微信 geekparkGO