Sandy Jin

Hello,今天我们和秋远,金秋远聊聊,三弟你是耶鲁毕业。 对对对,耶鲁本科。 然后你后来的生涯是? 对,我是一个连续创业者,然后耶鲁本科毕业之后呢,我先是在咨询,后面就转型做产品经理,创业前的商业工作是在探探做产品经理,负责增长和商业化。探探被收购之后,我就独立创业,做了一个线上活动平台,叫Vlane云现场。我之前获得了两轮融资,顺为和红杉。那我们这个平台主要服务线上的企业办虚拟活动,从线上招聘到企业的OpenDay都有。我们这个产品做了四年多一些,也经历了整个周期吧。 在疫情的时候,我们有非常多的一个momentum,疫情之后,很多活动恢复线下,所以去年我就把这个公司暂停,然后今年在探索新新的方向。 咱俩已经微信好友多年了。 是是是是,我们网友啊,之前是网友,现在是线下的朋友。 当时是耶鲁,你是学什么,怎么就回国创业了? 对,我是本科学学经济,那当时国内是一个双创的环境吧,所以当时还是比较想尝试创业这个方向,所以毕业就回国在看各种机会。 然后探探是干到哪一年了? 探探我是18、19年在探探,对。 所以正好疫情来了之后,虚拟社交赛道爆发,开始做虚拟社交。 我其实一直是想做人与人连接的事情,所以我的这个产品经理职业生涯就是做社交嘛,然后后面做了一个元宇宙的活动平台,也是为了线上给这个活动组织者和参与者去创造一个连接和一个沉浸式的社交环境。 那你在探探他主要负责哪部分? 探探的话我主要是增长和商业化这块,商业化我基本上经历了从零到一的阶段,我们从一个月非常低的一个收入水平到一个月一个亿的这个营收的增长吧,我们做了非常多的feature和非常多的这个AB测试,所以这一过程我还是挺proud的。 那你觉得当时最主要的那个feature是? 有很多吧,现在大家探探里面付费的,比如说查看谁喜欢我,比如说超级喜欢,每一个feature差不多就是几千万人民币营收的月度营收的这样一个付费功能点。 那超级喜欢这事是当时探探首创的还是听的是怎么来的? 我们其实也是摸石子过河,参照听着做了很多的创新和改动吧,对。因为听着其实那时候已经是比较大的公司,也有比较稳定的收入,所以它的商业化的这个feature和这个功能是相对成熟的。所以我们一开始主要就借鉴它的那些付费的功能,主要在中国的本地化以及就是打包和付费这块做了一些新的设计。 其实探探是听着之后出来的。 对,是的。 它是一个copy to China的产品吗? 对,当时其实很多平台都是copy to China嘛,我的这个第一份Tech job科技的工作就是在滴滴嘛,当时也是抄的uber的模式,当时其实也是正好把uber中国并购之后,我加入的。所以当时还是很多copy to China的这样一个移动互联网的创业方式。 那它会影响你一个用户模型,你会大概脑子里知道用户进入这个产品可能会干什么。 对对对,就是相对是一个验证的路径吧,但是从付费上可能会差一个汇率。 其实会有些不同模型。 对。 其实后来做探探这些用户模型,引导这里生成用户模型,对你后来做元宇宙社交有帮助吗? 这个还是有帮助的,因为其实探探很多的付费功能设计还是围绕着人性来展开嘛,比如说就是男女比比例很不平衡,那怎么让男用户对吧,有更主动的这个看女用户的权利,或者让他可以这个去显示自己的一个比如说这个实力,对吧。那我们其实很有很多的付费功能是围绕这个来设计的。 那从我们后面创业做线上的虚拟活动这个角度来说,其实也是利用了人性中的一个需求,就是在疫情条件下,对吧,然后很多人开了很多视频会议,非常的疲惫,然后也没有这种沉浸感和这个互动的这个方式。那我们线上其实用游戏化的体验去还原了线下社交的一个这样的一个experience。 其实里边每个人有自己的avatar,这样的小人走进其他用户之后,会自动产生音视频的一个链接。从而你会觉得这个人好像和我就在同一个空间,产生这个社交的体验。对,所以这个其实也是围绕着一个人的一个需求吧,去展开产品设计的。 所以它是线上一对一? 是一对多的,它主要就体现了一个空间感吧。比如说我们现在在一个大堂的环境,那里面有不同的桌子,对吧?那边在讨论其他的一个话题,然后这边在做一个录制的视频,然后那边可能还在做一个研讨会。那其实就是同样一个空间,能给你一个代入式的体验。这个其实我们在线上就通过一个所谓游戏化的一个空间和沉浸式的环境,可以去创造还原。 这样的话你的发布会就想在一个真的发布会现场再开,你的一个线上招聘会就想在学校的一个摆摊,然后可以真的去游走在不同的booth之间。然后你在这一个booth聊完之后,你也可以切换到另一个频道,这样也互不打扰,但同时你有一个比较丝滑的一个体验。 完了,这个我觉得挺好玩的。 是是非常好玩,对,我们也是一个比较受学生和年轻的用户比较喜爱的一个产品。因为我们都说这是GenZ以及以后的这一代都是游戏原生的人群,所以我们其实也用他们喜欢的方式创造了一个比较有互动性和娱乐价值的这样一个平台。 关键是上个月我聊了一个19岁的从休斯顿过来一个年轻人,他almost想做一个类似的idea。他的出发点就是他之前去参加线上会议,seminar,结果去了之后就发现是一对三百人的那个大佬对着一堆人在讲课,他在那听lecture。美国人嘛,包括这个我也是,现在新一代的人觉得好烦啊,对吧?我上来想跟人交流交流,结果就变成了被训导。但是他想做一个线上的,类似这种,然后上去生成一个舞台,然后人们可以走近,互相一对一的聊。 这个在那个时代我们是第一批吧,至少在亚洲区域是最早推出的。对,所以这个需求我觉得还是存在的,只不过就是说现在大家又可能被疫情封久了,又回到线下的一个社交方式了。 我看那个小孩玩那个roblox,真的就有很多空间。对,所以那你觉得,并且那个19岁的年轻人还觉得他这个需求没有得到满足,他觉得这个东西挺未来的,你怎么看? 这是一个使用者和付费者脱离的问题。就是我们的付费客户其实是企业,那企业的话里面的决策者有些年纪会更大一些,所以他在分配预算和为这个支付的时候,会不一定完全理解这个需求。所以我们的用户和参与者每个上来都很喜欢。MPS基本上都在80%以上。 所以它是一个非常受参与者欢迎的平台,但是付费的又是活动主办方和企业客户,所以它会有一定的滞后性吧。所以这也是本身这个平台它的商业化这块的一些挑战。 但当时这个事情,它因为是企业付费,所以应该还是b里有不少企业。 对,我们其实大量的是英镑,因为我们第一个客户是这个欧莱雅。然后后面就有很多企业客户会主动找我们说要办一个类似的活动,有品牌露出,有它的一个branding的场地。对,所以这也是我们对企业的一个卖点。 基本上也是toce2b都干了。 对,我们就是有c端参与者和b端组织方嘛,双端的市场。 那c端用户大概什么量? 我们一年大概办三千场活动,然后每场几十上百上千的都有吧。所以它是一个比较大的一个平台,但它也有个问题,就是说它不一定是一个特别recurring的模式。 因为它一次办完活动之后,可能下一次办要下个季度或者下半年办了。所以它就没有那么好的一个自动续费。所以这个是我们这类产品的问题,就是活动品牌它会有它的吸引性,但是它可能很难植入企业的一个工作流中吧,让它能够长期付费的。 那万一这个现在小朋友他以后真的出现了一个虚拟社交的需求,让他们就在上面就玩起来了。 那这个当然有这个可能啊。对,我就是认为长远来看,这个还是一个挺有价值的产品和平台。所以就是说,后面还是随着终端的改变吧,以及这个用户的结构的改变,我觉得可能会是有新的机会的。 那现在你起什么想法,对于AI的话想做什么? 对,因为我的background和兴趣一直是在做人的行为,人的连接和科技交叉的领域吧。对,然后我之前的经历也是一直围绕这条主线在发展。那现在想做的一个方向呢,其实是想让AI有人的一些直觉。 判断和一些人性在里面,因为现在我们看AI很多执行,它会follow一个工作流,follow一个hard-coded的一个rule,然后来执行。但是你让它去自己做一些决策和判断,或者是去根据上下文对吧,然后做一些这个专业性的选择的时候,它往往会产生比较大的偏差,可能还不如一个实习生。所以我们希望就是说,让AI能够教会,它能够像professional一个有一定经历的资深的职业人士一样,去学会做这些专业性的一些任务。尤其是长线程的,long horizon的,能用于实际工作中的经济价值的这些工作。所以我们basically会build一个产品的平台,然后去帮助这个professional专业人士去分享他的知识,分享他的workflow和他的一些专业的操作,电脑上的一些computer use,然后这些我们会提取一些关键的有效的行为信息,然后教AI说怎么样去做各种各样的一些工作。那这是我们就是一个产品的定位。 那你觉得它不是个技术问题,它是个数据问题。它其实是一个数据问题,因为其实我们发现所有的大模型公司,它都会分配三分之二的人力和资源吧,去做数据的采集清洗标注和预训练的事情。对,所以其实数据的好坏决定了训练的质量,所以就是俗话说garbage in garbage out嘛,对,我觉得从数据来说是非常重要的。那现在其实AI的这个训练正好遇到了这样一个数据的瓶颈,因为网络线上的数据以及可以人工去标注数据,基本上已经被耗尽了,那就大量的现实中数据又没有人去有效的得到过滤和采集。所以这是我们想解决的一个比较大的问题,就是说一旦有规模化的这个人的示范啊,可以教会AI怎么去操作各种各样的一些工种和实际的工作的流程,那它其实会能够大大提升AI在实际中的一个应用性吧,和它的可用性。 所以这个是我们的一个产品的目标。 它可以归类为数据标注行业。 我们不想把它称为数据标注行业,我们更多是一个behavioral intelligence layer,就是我们基于我们的这个数据渠道和真实的数据,可以构建一个类似于行为模型,这个模型可以让AI的agent可以更高效更低价的去执行垂类的一个任务。这个比起一个传统大模型来说,它可能需要更少的步骤,然后更少的token,然后反而有这个垂类领域的一些专业知识和直觉,可以做得更好。对,所以这个其实也是在研究领域被验证的吧。因为现在像那个亚马逊啊,然后他们的research就做过一个shopping agent,就是利用shopper的一个trace,就是真实的购买者他的一些行为轨迹,然后去训练AI的这个shopping agent,购物agent,那实际的效果是比基础大模型让它去选择商品,然后去完成整个购物的链路来说,会有百分之二三十的提升。对,所以这个其实是在一个垂直领域已经被验证的了。 所以我们想从数据获取这端,以及从infra的这个产品层面的构建都能够去产生一个不一样的结果吧,然后帮助AI真的有效的去部署和执行的。 那你是准备把它卖给大模型公司,让他们把这个通用的做得更好,还是卖给具体的客户,让他把他的那个工作流做得更好? 这个是有个先后顺序,就是我们现在大模型的公司有很多的需求去购买这类的数据,那也是能给我们带来早期收入吧。未来的话,其实我们还的愿景还是能够成为一个behavioral layer,就是能够让这个基础大模型之上,我们有一个类似于行为这个层,可以让agent可以自己去调取,自己去学习,从人的示范,从专家的这个经验来说,可以就是服务agent这样一个expert marketplace。 我认为没跟上,服务agent。 对,因为未来的话,其实agent他会自己去找很多的学习内容嘛,对,因为现在agent其实你需要喂给他很多上下文,告诉他很多的documentation以及skill,但是其实后面agent会自己去找,说我这类不懂或者是没做过,我应该怎么去学习。那这时候就需要一个有大量人类的这个示范和经验的一个库,这个库是可以让AI去学习示范的,然后它自己可以教自己去执行这些具体的工作。因为其实每个公司 只不过人都做过,只不过这些数据现在没有被很好地去留存的。 我想一下,就是你觉得虽然模型,比方说模型现在回答问题,它有很多数据是它训练机里面的,但它有一些东西是现场去网上搜的,然后你觉得它之后就Agent做事情的那部分也会是这样。 对对对,因为其实就像你现在如果作为开发者来说,你不知道一个就是solution有没有现成的API和SDK的话,你自己会上github搜嘛,其实这是类似的一个逻辑,就是最后Agent要学一个垂类的知识,一个具体任务人是怎么做的,他也会去找对应的reference,所以我们希望提供这样一个等于说reference的一个system,让它能够去快速的去学习的。 我再重复一遍,就是你觉得它不会,大模型公司不会把所有东西训练进它的模型里,而是需要一个外部的reference层。 对,我觉得原因是大模型做这样不精简也不高效,就是说你现在用一个通用模型是不可能解决所有的长尾的任务,这是我的一个大的判断,因为最近那个research叫就是Agent last exam,其实我们也有研究,它其实比较了可能150个到200个具体的现实中的工种,都是就是比较复杂,然后多个软件操作,然后需要多个步骤的,那这些其实在就是Frontier的SOTA模型都one shot, end to end能够去通过的比例也只有2%,所以这块我认为其实三五年之内都很难做到一招通吃吧。 我们认为其实也是应该每个领域有它自己的一个积累的。 我再来一遍,因为这事我真蛮感兴趣的。OK,因为现在可以看到的就是,哪怕他,我刚刚说的那对的吧,哪怕大模型回答问题,他其实从某一年开始也不再光是从自己模型的训练数据里面看,而是要看外部的联网搜索。 然后这事其实他也是一直会持续下去的,就是外部新学员一直有用。 所以现在就是把这个推广到了Agent的行为层,站在Agent的角度。OK。 对,因为这个和你做的方向其实也会有点echo了,就是你其实提供了一个人的社交关系和这个社交资产作为一个API,或者作为一个Agent可以去put的一个network。对,然后我其实把大家脑海里的知识和经验也做成了这样一个network,让大家可以去put,所以这个逻辑我觉得是有相通之处的,因为只要人存在了,他的关系,他的这个经验和这种专业判断和直觉,其实是很难被AI囚禁的去学完的。 那我之前我就冒出来一个想法,就是这个专业的数据库,专业的行为层数据库,它已经不是知识层,知识层是别人解决的了,它这个怎么操作电脑啊,这么一个层次。 那是因为这个层次里面的数据它会产生很多动态的变化嘛,所以你要,它是一个实时的,或者说它只是因为长尾,这个东西不值得大模型自己去内化的去训练。 它有两方面都有吧,确实它太长尾,太分散,所以你没法学所有东西,然后第二就是说,它其实也是一个需要很多reasoning的一个行为,因为人在操作不同的软件,不同的这个键盘鼠标操作的时候,他其实会想吧,每一步他其实经过了一个思考,然后说我考察哪些信息,然后就是take into account,对吧,考虑哪些因素,然后我和谁可能还沟通什么什么内容,然后最后我才做了这个按键去提交,或者说去分享,对吧。 然后这个过程中其实有很多很多的复杂的这个就是multi-step的一个这个thinking chain,一个思维链在里面,这个东西其实现在是没有很好的被捕捉和记录的吧。所以我们希望在大家操作的这个log之外,也有这一层能够这个附着在它的一个rawdata之上,能够最后能够叫AI来说,我碰到一个类似的任务,我们能不能去学人一样去这么思考的。 OK,然后因为你是耶鲁毕业的,所以你是本科来的美国。 对,我是高中就来到美国,其实。 那自然而然,按照我们的年纪,其实你有很多同学本来就在大模型公司。 是的,就是我们从创业者的这个network来说,因为我们就是会接触很多researcher,他们在不同frontier lab之间吧。对,然后我们也有advisor是XCon Machine Learning at ScaleAI,所以它的network。 他的学生其实很多也在Frontier Lab 所以根据你过去的创业的经历 有搞企业客户的能力 以及personal的relationship 所以你可以接触到大模型公司的 就一开始说的那个赚钱的那个需求 对 然后本身也跟他们进行了交流 所以他们这个需求也是真的 对 这个是非常真实的需求 因为最近我得到的消息就是像Salesforce这样的公司 他们就花了20万美金去买了20个 操作轨迹的长线程数据 就是用他们自己的软件去完成一个任务 然后一个这样的高质量的轨迹就有1万美金的价值 然后其他所有的很多公司都需要这样的 操作轨迹来训练他们自己的AI 所以这是我们认为下一个比较大的 机会点和bottleneck 就是说AI真的要完成long horizon的 所谓AGI的目标 还是需要大量的人的经验 然后来去示范 来去教AI 所以这事就是需求很真实 然后你也能接触到 下一步就是找人去干 对对对 是的是的 对 现在我们在专注在build的这样一个产品的 早期的一个雏形吧 然后去尽快把这个做上线 然后去卖第一波的contract 对 我感觉好像蛮匹配的 因为之前也做线上的虚拟元世界招聘嘛 这个听起来好像蛮相似的 对吧 对 是的是的 对 就是这个是和我之前的兴趣和背景 还是一脉相承的嘛 然后我们也希望就是说 有一个比较产品化标准的方案 能够去规模化的去source这些expert 然后给他们对应的激励和回报 然后让他们可以onboard上来 然后我们就可以比较动态的去 根据不同的需求吧 去source不同的这样的expertise 对 这很相似 因为你以前你那个基本上也是 投入大客户 对吧 投入大客户他有招聘预算 那现在呢 这个模型公司也有招聘预算 所以他们不缺钱 对对对 因为每个模型公司基本上有one billion的预算 在数据采买方面吧 对 然后这块其实是非常确定的 也很大的市场 对他们缺人 然后之前那个招聘活动另一边 就是来找工作的 对对对对对 所以我其实这次是Dayday也是类似吧 也是一个双边市场 所以我觉得一个Marketplace 还是我做产品经历的一个这个创业的架构和思路 完了 这是不是证明中国的这些 在中国有从业背景的这个产品经理的 通用的梦想 会不会有人觉得我们过时了 我觉得不会吧 AI时代还是有这样的Marketplace机会的 而且Marketplace一旦启动它还是有一个飞轮效应 所以它会有一个比较快的增长 我的感觉反正就是我们身边人都比较喜欢这个 networkEFAP什么的 但也有人会觉得这是移动互联网的定 对吧 你怎么看这个 是我们老灯了 还是说它就是应该出现的下一代的 产品型的机会 我觉得是有机会的 不然我俩也不会坐在这里讨论这样一个话题 做类似都有network 对吧 潜质的方向 那我觉得也不是 所有这个领域方向都适合用network来解决嘛 对 所以就是比如说一些垂类的vertical的AI 它可能本身就没有network效应 它可能就是要forward deploy一个去实施的 主要是另外一部分观点 我一听这个就非常移动互联网 就很过时 对吧 你脑子都被移动互联网固化了 这也是很常见的观点 你怎么反驳 我觉得还是要去 从第一性原理出发嘛 就是说到底解决这个问题 用什么样的架构和方式最好去解决 对 然后我们现在看到这类数据瓶颈 其实是比较分散的longtail的这个supply 其实是比较适合用这个架构来解决的 那你接下来都会待在美国 对 我现在就 relocate Base在旧金山这边 好 还有什么想聊的 好 差不多 就分享到这里 好 谢谢