WEBVTT

00:00:00.000 --> 00:00:04.600
大家好，今天我们和邱远——金邱远，聊一聊

00:00:06.200 --> 00:00:07.800
Sandy，你是耶鲁毕业的

00:00:07.900 --> 00:00:09.600
对对对，耶鲁本科

00:00:10.200 --> 00:00:10.900
然后

00:00:12.000 --> 00:00:14.600
对啊，那你后来的职业生涯是

00:00:15.700 --> 00:00:17.000
对，我是一个连续创业者

00:00:17.000 --> 00:00:18.700
那耶鲁本科毕业之后呢

00:00:18.700 --> 00:00:19.700
我先是在做咨询

00:00:19.700 --> 00:00:21.300
然后后来就转型做产品经理

00:00:21.600 --> 00:00:24.900
创业之前的商业工作是在探探做产品经理

00:00:25.000 --> 00:00:26.300
负责增长和商业化

00:00:26.800 --> 00:00:29.300
后来探探被收购之后我就独立创业了

00:00:29.500 --> 00:00:31.900
做了一个线上活动平台

00:00:31.900 --> 00:00:33.100
叫VLAN零线厂

00:00:33.600 --> 00:00:35.700
我之前获得了两轮融资

00:00:35.900 --> 00:00:36.700
寿源资本和红杉

00:00:37.300 --> 00:00:38.400
那我们这个平台呢

00:00:38.400 --> 00:00:40.500
主要服务线上的企业

00:00:40.700 --> 00:00:42.500
举办虚拟活动

00:00:42.900 --> 00:00:46.700
从线上招聘到企业的Open Day都有

00:00:47.100 --> 00:00:50.100
对，我们这个产品做了四年多一点

00:00:50.500 --> 00:00:51.800
也经历了整个周期吧

00:00:52.100 --> 00:00:54.700
在疫情期间我们有非常大的一个

00:00:55.000 --> 00:00:55.800
增长势头

00:00:55.900 --> 00:00:58.200
那疫情之后很多活动恢复线下了

00:00:58.400 --> 00:01:00.400
所以去年我就把这家公司暂停了

00:01:00.400 --> 00:01:02.200
然后今年再探索新的方向

00:01:03.700 --> 00:01:05.400
咱俩已经微信好友很多年了

00:01:05.800 --> 00:01:07.700
是我们的网友

00:01:07.700 --> 00:01:09.900
之前是网友，现在是线下的朋友了

00:01:11.200 --> 00:01:12.400
当时是在耶鲁

00:01:12.400 --> 00:01:14.500
你是学什么的，怎么就回国创业了

00:01:15.600 --> 00:01:17.800
对，我本科学的是经济

00:01:17.800 --> 00:01:22.400
那时候国内正好是一个双创的环境

00:01:22.700 --> 00:01:24.100
所以当时氛围还是比较浓的

00:01:24.400 --> 00:01:25.900
就是尝试创业这个方向

00:01:26.300 --> 00:01:28.600
所以毕业之后就回国看看各种机会

00:01:29.600 --> 00:01:31.900
那探探是干到哪一年

00:01:32.300 --> 00:01:35.000
探探是我在18、19年待的

00:01:35.800 --> 00:01:37.500
所以正好疫情就来了

00:01:38.100 --> 00:01:40.600
虚拟社交赛道爆发

00:01:40.700 --> 00:01:41.900
开始做虚拟社交

00:01:42.600 --> 00:01:46.000
我其实一直是想做人与人连接的事情

00:01:46.300 --> 00:01:49.100
对所以我的这个产品经理职业生涯

00:01:49.100 --> 00:01:50.000
就是做社交嘛

00:01:50.100 --> 00:01:52.700
然后后面做了一个元宇宙的活动平台

00:01:52.800 --> 00:01:56.800
也是为了线上给这个活动组织者和参与者

00:01:57.100 --> 00:01:59.800
去创造一个连接和一个沉浸式的社交环境

00:02:00.600 --> 00:02:02.500
那你在探探上主要负责哪部分

00:02:03.200 --> 00:02:05.500
探探的话我主要是增长和商业化这块

00:02:05.600 --> 00:02:08.400
商业化我基本上经历了从零到一的阶段

00:02:08.700 --> 00:02:12.000
我们从一个月非常低的一个收入水平

00:02:12.000 --> 00:02:14.700
到一个月一个亿的这个营收的增长吧

00:02:14.900 --> 00:02:17.700
我们做了非常多的feature和非常多的这个

00:02:18.000 --> 00:02:18.700
AV测试

00:02:18.900 --> 00:02:22.300
所以这一过程我还是挺proud的

00:02:22.800 --> 00:02:25.000
那你觉得当时最主要那个feature是

00:02:25.500 --> 00:02:26.400
有很多吧

00:02:26.700 --> 00:02:28.900
现在大家探探里面付费的比如说

00:02:29.400 --> 00:02:30.400
查看谁喜欢我

00:02:30.700 --> 00:02:31.900
比如说超级喜欢

00:02:32.300 --> 00:02:35.400
每一个feature差不多就是几千万人民币营收的

00:02:35.900 --> 00:02:38.000
月度营收的这样一个付费功能点

00:02:38.600 --> 00:02:40.900
那超级喜欢这事是当时探探首创的

00:02:40.900 --> 00:02:42.600
还是说Tinder什么他们本来也有

00:02:43.100 --> 00:02:45.900
我们其实也是摸着石头过河

00:02:46.500 --> 00:02:50.100
参照Tinder做了很多的创新和改动

00:02:50.100 --> 00:02:52.600
对因为Tinder其实那时候已经是比较大的公司

00:02:52.600 --> 00:02:53.900
也有比较稳定的收入

00:02:54.100 --> 00:02:58.200
所以它的商业化的这个feature和这些功能

00:02:58.400 --> 00:02:59.300
是相对成熟的

00:02:59.500 --> 00:03:02.300
所以我们一开始主要就借鉴他们那些付费的功能

00:03:02.500 --> 00:03:04.900
主要在中国的本地化

00:03:04.900 --> 00:03:08.800
以及就是打包和付费这块做了一些新的设计

00:03:10.200 --> 00:03:12.200
所以探探是在Tinder之后出来的

00:03:13.600 --> 00:03:14.500
对是的

00:03:17.100 --> 00:03:18.900
它是一个copy to China的产品

00:03:19.500 --> 00:03:19.900
对

00:03:20.500 --> 00:03:22.900
当时其实很多平台都是copy to China

00:03:23.000 --> 00:03:28.200
我的第一份tech job科技的工作就是在滴滴

00:03:28.300 --> 00:03:30.600
当时也是超的Uber的模式

00:03:30.800 --> 00:03:35.400
当时其实也是正好把Uber中国并购之后我加入的

00:03:35.500 --> 00:03:37.900
所以当时还是很多copy to China的

00:03:38.300 --> 00:03:40.400
这样一个移动互联网的创业方式

00:03:40.900 --> 00:03:42.700
探探会培养你一个用户模型

00:03:42.900 --> 00:03:46.500
你会大概脑子里知道用户进入这个产品可能会干什么

00:03:46.900 --> 00:03:47.600
对

00:03:47.600 --> 00:03:49.900
就是相当于是一个验证的路径

00:03:50.200 --> 00:03:52.200
但是从付费上可能会差一个汇率

00:03:53.600 --> 00:03:54.700
学会了一些用户模型

00:03:55.200 --> 00:03:59.100
后来做探探这些用户模型

00:03:59.400 --> 00:04:05.000
你脑子里生成用户模型对你后来做元宇宙社交有帮助吗

00:04:05.900 --> 00:04:07.100
这个还是有帮助的

00:04:07.200 --> 00:04:11.600
因为其实很多的付费功能设计还是围绕着人性来展开

00:04:12.100 --> 00:04:14.300
比如说男女比例很不平衡

00:04:14.400 --> 00:04:19.900
怎么让男用户有更主动的看女用户的权利

00:04:20.000 --> 00:04:25.300
或者让他可以去显示自己的实力

00:04:25.700 --> 00:04:29.100
我们其实还有很多的付费功能是围绕这个来设计的

00:04:30.200 --> 00:04:34.800
从我们后面创业做线上的使女活动这块角度来说

00:04:35.100 --> 00:04:38.600
其实也是利用了人性中的一个需求

00:04:38.700 --> 00:04:42.100
就是在疫情条件下

00:04:42.300 --> 00:04:44.500
然后很多人开了很多视频会议

00:04:44.500 --> 00:04:46.100
非常的疲惫

00:04:46.200 --> 00:04:53.300
然后也没有这种沉浸感和互动的方式

00:04:53.600 --> 00:04:56.300
我们线上其实用游戏化的体验

00:04:56.500 --> 00:05:00.000
去还原了线下社交的这样的一个experience

00:05:00.300 --> 00:05:02.300
其实里面每个人有自己的avatar

00:05:02.600 --> 00:05:05.400
然后这样个小人走进其他用户之后

00:05:05.700 --> 00:05:07.700
会自动产生音视频的一个链接

00:05:08.100 --> 00:05:11.300
从而你会觉得这个人好像和我就在同一个空间

00:05:11.700 --> 00:05:13.600
产生着这个社交的体验

00:05:13.900 --> 00:05:17.400
所以这个其实也是围绕着一个人的需求

00:05:17.800 --> 00:05:18.800
去展开产品设计

00:05:19.400 --> 00:05:20.500
所以它是线上一对一

00:05:21.200 --> 00:05:22.200
是一对多的

00:05:22.400 --> 00:05:24.300
它主要就体现了一个空间感

00:05:24.500 --> 00:05:27.600
比如说我们现在在一个大堂的环境

00:05:27.700 --> 00:05:29.500
那里面有不同的桌子对吧

00:05:29.600 --> 00:05:31.100
那边在讨论其他的一个话题

00:05:31.100 --> 00:05:33.600
然后我们这边在做一个录制的视频

00:05:33.800 --> 00:05:35.800
然后那边可能还在做一个研讨会

00:05:36.000 --> 00:05:39.600
其实就是同样一个空间能给你一个代入式体验

00:05:40.300 --> 00:05:42.200
这个其实我们在线上就通过一个

00:05:42.800 --> 00:05:45.100
所谓游戏化的一个空间

00:05:45.700 --> 00:05:48.300
和沉浸式的环境给你去创造还原

00:05:48.700 --> 00:05:51.800
这样的话你的发布会就像在一个真的发布会现场在开

00:05:52.200 --> 00:05:55.300
你的一个线上招聘会就像在学校的一个摆摊

00:05:55.500 --> 00:05:59.600
然后可以真的去游走在不同的booth之间

00:06:00.000 --> 00:06:02.300
然后你在这一个booth聊完之后

00:06:02.300 --> 00:06:04.100
你也可以切换到另一个频道

00:06:04.300 --> 00:06:05.100
这样也互不打扰

00:06:05.100 --> 00:06:08.500
但同时你有一个比较丝滑的一个体验

00:06:09.200 --> 00:06:10.800
完了这个我觉得挺好玩的

00:06:11.300 --> 00:06:12.400
是非常好玩

00:06:12.400 --> 00:06:14.300
对我们也是一个比较受

00:06:15.300 --> 00:06:19.100
就是学生和这个年轻的用户比较喜爱的一个产品

00:06:19.400 --> 00:06:20.800
因为我们都说就是Gen Z

00:06:21.100 --> 00:06:23.500
以及以后的这一代都是游戏原生的人群

00:06:23.500 --> 00:06:25.500
所以我们其实也用他们喜欢的方式

00:06:25.500 --> 00:06:29.800
创造了一个比较有互动性和娱乐价值的这样一个平台

00:06:30.600 --> 00:06:32.800
关键是上个月我聊了一个19岁

00:06:32.800 --> 00:06:34.900
从Houston过来一个年轻人

00:06:35.400 --> 00:06:38.500
他almost想做一个类似的idea

00:06:38.500 --> 00:06:41.900
他的出发点就是他之前去参加线上会议

00:06:41.900 --> 00:06:42.400
Summoner

00:06:42.800 --> 00:06:44.900
结果去了之后就发现是一队三百人

00:06:44.900 --> 00:06:46.800
那个大佬对着一堆人在讲课

00:06:46.800 --> 00:06:47.800
他在那听lecture

00:06:47.800 --> 00:06:48.800
像美国人嘛

00:06:48.800 --> 00:06:51.300
包括这个我也是现在新一代的人觉得好烦啊

00:06:51.300 --> 00:06:51.700
对吧

00:06:51.700 --> 00:06:53.100
我上来想跟人交流交流

00:06:53.100 --> 00:06:54.900
结果就变成了被训导

00:06:54.900 --> 00:06:57.500
他想做一个线上的就类似这种

00:06:57.500 --> 00:06:58.900
然后上去生成一个舞台

00:06:59.200 --> 00:07:01.200
然后人们可以走近互相一对一的聊

00:07:01.200 --> 00:07:04.800
对这个在那个时代我们是第一批吧

00:07:04.900 --> 00:07:07.700
至少在亚洲区域是最早推出的

00:07:07.700 --> 00:07:07.900
对

00:07:07.900 --> 00:07:10.300
所以这个需求我觉得还是存在的

00:07:10.300 --> 00:07:13.200
只不过就是说现在大家又可能被疫情封久了

00:07:13.200 --> 00:07:14.600
又回到线下的一个社交方式

00:07:15.700 --> 00:07:18.300
因为我看那个小孩玩那个Roblox

00:07:18.300 --> 00:07:20.600
真的就有很多空间

00:07:20.600 --> 00:07:20.900
对

00:07:20.900 --> 00:07:22.100
所以那你觉得

00:07:22.100 --> 00:07:24.400
并且那个19岁的年轻人还觉得

00:07:24.400 --> 00:07:25.900
他这个需求没有得到满足

00:07:25.900 --> 00:07:27.700
他觉得这个东西挺未来

00:07:27.700 --> 00:07:28.700
你怎么看

00:07:28.700 --> 00:07:32.700
这是一个就是使用者和付费者脱离的问题

00:07:32.800 --> 00:07:35.300
就是我们的就是付费客户

00:07:35.300 --> 00:07:36.300
其实是企业

00:07:36.300 --> 00:07:38.000
那企业的话里面的决策者

00:07:38.000 --> 00:07:39.600
有些年纪会更大一些

00:07:40.400 --> 00:07:43.400
所以他在分配预算和就是为这个支付的时候

00:07:43.400 --> 00:07:46.000
会不一定完全理解这个需求

00:07:46.000 --> 00:07:48.800
所以就是我们的用户和参与者

00:07:48.800 --> 00:07:50.500
每个上来都很喜欢

00:07:50.500 --> 00:07:52.700
NPS基本上都在80%以上

00:07:52.700 --> 00:07:55.600
所以它是一个非常受参与者欢迎的平台

00:07:55.600 --> 00:07:59.000
但是付费的又是活动主办方和企业客户

00:07:59.000 --> 00:08:01.900
所以他会有一定的滞后性吧

00:08:02.000 --> 00:08:03.500
所以这也是本人这个平台

00:08:03.500 --> 00:08:05.100
它商业化这块的一些挑战

00:08:06.400 --> 00:08:08.500
但当时这个事情他因为企业付费

00:08:08.500 --> 00:08:10.300
所以应该还是逼离了不少企业

00:08:10.300 --> 00:08:11.900
对我们其实大量的是英镑

00:08:11.900 --> 00:08:13.900
因为我们第一个客户是欧拉亚

00:08:13.900 --> 00:08:16.600
后面就有很多企业客户会主动找我们

00:08:16.600 --> 00:08:18.200
说要办一个类似的活动

00:08:18.200 --> 00:08:19.000
有品牌露出

00:08:19.000 --> 00:08:22.000
有它的一个branding的一个场地

00:08:22.000 --> 00:08:22.200
对

00:08:22.200 --> 00:08:24.900
所以这也是我们对企业的一个卖点

00:08:24.900 --> 00:08:27.000
基本上有2C2D都干了

00:08:27.000 --> 00:08:31.500
对我们就是有C端参与者和B端组织方

00:08:31.600 --> 00:08:32.200
双端的市场

00:08:32.800 --> 00:08:35.600
那C端用户当时大概是什么样的方案

00:08:35.600 --> 00:08:38.200
我们一年大概办3000场活动

00:08:38.200 --> 00:08:43.600
那每场活动可能都有几十、上百甚至上千人参加吧

00:08:43.600 --> 00:08:43.800
对

00:08:43.800 --> 00:08:47.000
所以它是一个比较大的平台

00:08:47.000 --> 00:08:47.700
对

00:08:47.700 --> 00:08:49.500
那就是

00:08:49.500 --> 00:08:50.900
但它也有个问题

00:08:50.900 --> 00:08:54.400
就是说它不一定是一个特别高频重复的模式

00:08:54.400 --> 00:08:55.500
因为它一次办完活动之后

00:08:55.500 --> 00:08:58.000
可能下一次要等到下个季度或者下半年才办

00:08:58.000 --> 00:09:00.600
所以它就没有那么好的一个自动续费机制

00:09:00.600 --> 00:09:00.800
对

00:09:00.800 --> 00:09:03.100
所以这也是我们这类产品的问题

00:09:03.100 --> 00:09:05.000
就是活动平台

00:09:05.000 --> 00:09:06.500
它会有它的新颖性

00:09:06.500 --> 00:09:10.900
但它可能很难融入企业的工作流程中

00:09:10.900 --> 00:09:12.700
让它能够实现长期付费

00:09:12.700 --> 00:09:16.800
那万一现在这些小朋友以后真的出现了虚拟社交的需求

00:09:16.800 --> 00:09:19.700
让他们就在上面玩起来了

00:09:19.700 --> 00:09:20.900
那这当然是有可能的

00:09:20.900 --> 00:09:21.300
对

00:09:21.300 --> 00:09:24.500
我认为从长期来看

00:09:24.500 --> 00:09:29.400
这仍然是一个挺有价值的产品和平台

00:09:29.400 --> 00:09:32.700
所以就是说后面还是要看终端的变化吧

00:09:32.700 --> 00:09:34.900
以及用户结构的变化

00:09:34.900 --> 00:09:37.100
我觉得可能会有新的机会

00:09:37.100 --> 00:09:39.100
那你现在是什么想法

00:09:39.100 --> 00:09:42.000
对AI的话想做什么呢

00:09:42.000 --> 00:09:44.400
对，因为我的背景和兴趣

00:09:44.400 --> 00:09:47.900
一直是在做人的行为

00:09:47.900 --> 00:09:50.800
人的连接和科技交叉的领域吧

00:09:50.800 --> 00:09:51.500
对

00:09:51.500 --> 00:09:55.100
然后我之前的经历也是一直围绕这条主线在发展

00:09:55.100 --> 00:09:56.500
现在想做的一个方向呢

00:09:56.500 --> 00:10:04.000
其实是想让AI具备一些人的直觉判断和人性在里面

00:10:04.000 --> 00:10:05.500
因为现在我们看AI很多执行

00:10:05.500 --> 00:10:08.000
它会遵循一个工作流程

00:10:08.000 --> 00:10:10.500
遵循一个硬编码的规则

00:10:10.500 --> 00:10:11.600
然后来执行

00:10:11.600 --> 00:10:14.700
但是你让它自己去做一些决策和判断

00:10:14.700 --> 00:10:17.900
或者是根据上下文，对吧

00:10:17.900 --> 00:10:21.100
然后在做一些专业性选择的时候

00:10:21.100 --> 00:10:23.500
它往往会产生比较大的偏差

00:10:23.500 --> 00:10:25.200
可能还不如一个实习生

00:10:25.300 --> 00:10:28.800
所以我们希望能够让AI融会贯通

00:10:28.800 --> 00:10:31.800
让它能够像一个有一定经验的专业人士

00:10:31.800 --> 00:10:34.400
资深的职业人士一样

00:10:34.400 --> 00:10:38.100
去学会做这些专业性的任务

00:10:38.100 --> 00:10:39.800
尤其是长链条的

00:10:39.800 --> 00:10:41.200
以及长时间跨度的

00:10:41.200 --> 00:10:44.500
能够用于实际工作中、具有经济价值的这些工作

00:10:44.500 --> 00:10:45.400
对

00:10:45.400 --> 00:10:50.800
所以我们基本上会去构建一个产品平台

00:10:50.800 --> 00:10:54.500
然后去帮助这些专业人士

00:10:54.500 --> 00:10:55.400
去分享他的知识

00:10:55.400 --> 00:10:58.100
分享他的工作流程以及一些专业的

00:10:58.100 --> 00:11:00.400
也就是在电脑上操作的一些computer use

00:11:00.400 --> 00:11:05.000
然后从中提取一些关键有效的行为信息

00:11:05.000 --> 00:11:09.200
再教AI怎样去完成各种各样的工作

00:11:09.200 --> 00:11:12.300
这就是我们的一个产品定位吧

00:11:12.300 --> 00:11:14.800
那你觉得这不是一个技术问题

00:11:14.800 --> 00:11:16.000
而是一个数据问题

00:11:16.000 --> 00:11:17.300
它其实是一个数据问题

00:11:17.300 --> 00:11:20.500
因为我们发现所有的大模型公司

00:11:20.500 --> 00:11:24.400
都会分配三分之二的人力和资源

00:11:24.400 --> 00:11:28.000
去做数据的采集、清洗、标注和预训练相关的工作

00:11:28.000 --> 00:11:31.400
所以其实数据的好坏决定了训练的质量

00:11:31.400 --> 00:11:33.600
所以俗话说Garbage in garbage out

00:11:33.600 --> 00:11:35.900
我觉得从数据的角度来说是非常重要的

00:11:35.900 --> 00:11:40.200
那现在AI的训练正好遇到了这样一个数据瓶颈

00:11:40.200 --> 00:11:42.800
因为网络上的线上数据

00:11:42.800 --> 00:11:46.100
以及可以人工标注的数据

00:11:46.100 --> 00:11:47.500
基本上已经被耗尽了

00:11:47.500 --> 00:11:48.900
那大量现实中的数据

00:11:48.900 --> 00:11:52.800
又没有人去有效地过滤和采集

00:11:52.800 --> 00:11:54.800
所以这是我们想要解决的一个比较大的问题

00:11:54.800 --> 00:11:58.500
也就是说一旦有了规模化的人类示范

00:11:58.500 --> 00:12:04.200
就可以教会AI如何去操作各种各样类型的工种和实际的工作流程

00:12:04.200 --> 00:12:08.500
这其实会大大提升AI在实际应用中的可用性

00:12:08.500 --> 00:12:09.900
以及它的实用性

00:12:09.900 --> 00:12:13.700
所以这就是我们的一个产品目标

00:12:13.700 --> 00:12:17.100
它可以归类为数据标注行业

00:12:17.100 --> 00:12:18.800
我们不想把它称为数据标注行业

00:12:18.800 --> 00:12:22.900
我们更多是一个行为智能层（behavioral intelligence layer）

00:12:22.900 --> 00:12:26.300
就是我们基于我们的数据渠道和真实数据

00:12:26.300 --> 00:12:29.000
可以构建一个类似于行为模型

00:12:29.000 --> 00:12:32.800
这个模型可以让AI的agent可以更高效

00:12:32.800 --> 00:12:36.900
更低价地去执行某类的任务

00:12:36.900 --> 00:12:38.400
这个比起一个传统大模型来说

00:12:38.400 --> 00:12:40.000
它可能需要更少的步骤

00:12:40.000 --> 00:12:41.400
然后更少的token

00:12:41.400 --> 00:12:45.600
然后反而有该领域的一些专业知识和直觉

00:12:45.600 --> 00:12:46.700
可以做得更好

00:12:46.700 --> 00:12:49.100
所以这个其实也是在研究领域被验证的

00:12:49.100 --> 00:12:52.400
因为现在像亚马逊

00:12:52.400 --> 00:12:55.600
然后他们的research就做过一个购物agent（shopping agent）

00:12:55.600 --> 00:12:58.400
就是利用购物者（shopper）的一个轨迹（trace）

00:12:58.400 --> 00:13:02.000
就是真实的购物者他的一些行为轨迹

00:13:02.000 --> 00:13:06.600
然后去训练AI的购物agent

00:13:06.600 --> 00:13:08.600
购物agent

00:13:08.600 --> 00:13:11.100
实际的效果是比基础大模型

00:13:11.100 --> 00:13:12.100
让他去选择商品

00:13:12.100 --> 00:13:14.100
然后去完成整个购物的链路来说

00:13:14.100 --> 00:13:15.500
会有百分之二三十的提升

00:13:15.700 --> 00:13:19.100
所以这个其实是在一个具体领域已经被验证的

00:13:19.100 --> 00:13:21.500
所以我们想从数据获取这端

00:13:21.500 --> 00:13:24.700
以及从infra这个产品层面的构建

00:13:24.700 --> 00:13:29.100
都能够去产生一个不一样的结果

00:13:29.100 --> 00:13:32.400
然后帮助AI真的有效地去部署和执行

00:13:33.700 --> 00:13:36.400
那你希望可以把它卖给大模型公司

00:13:36.400 --> 00:13:38.200
让他们把这个通用的做得更好

00:13:38.200 --> 00:13:40.500
还是卖给具体的客户

00:13:40.500 --> 00:13:43.900
让他把他的那个工作流做得更好

00:13:43.900 --> 00:13:45.500
这个是有先后顺序的

00:13:45.500 --> 00:13:47.300
就是我们现在大模型公司

00:13:47.300 --> 00:13:52.200
有很多的需求去购买这类的数据

00:13:52.200 --> 00:13:54.400
那也是能给我们带来早期收入吧

00:13:54.400 --> 00:13:56.000
那未来的话

00:13:56.000 --> 00:13:59.300
其实我们的愿景还是能够成为一个行为层（behavioral layer）

00:13:59.300 --> 00:14:03.200
就是能够让这个基础大模型之上

00:14:03.200 --> 00:14:08.100
我们有一个类似于行为这样的一层

00:14:08.100 --> 00:14:10.600
可以让agent自己去教学

00:14:10.600 --> 00:14:12.000
自己去学习

00:14:12.000 --> 00:14:12.900
从人的示范

00:14:12.900 --> 00:14:14.900
从专家的这个经验来说

00:14:14.900 --> 00:14:18.000
可以可以就是服务agent

00:14:18.000 --> 00:14:19.400
这样一个expert marketplace

00:14:20.700 --> 00:14:23.300
我也没想服务agent

00:14:23.300 --> 00:14:24.700
对因为未来的话

00:14:24.700 --> 00:14:30.700
其实agent他会自己去找很多的学习内容

00:14:30.700 --> 00:14:31.600
对因为现在agent

00:14:31.600 --> 00:14:35.500
其实你需要喂他很多上下文

00:14:35.500 --> 00:14:38.400
告诉他很多的documentation以及skill

00:14:38.400 --> 00:14:40.600
但是其实后面agent会自己去找

00:14:40.800 --> 00:14:42.700
我这类不懂或是没做过

00:14:42.700 --> 00:14:44.800
我应该怎么去学习

00:14:44.800 --> 00:14:48.100
那这时候就需要一个有大量人类的

00:14:48.100 --> 00:14:51.300
这个示范和经验的一个库

00:14:51.300 --> 00:14:55.100
这个库是可以让AI来去学习示范的

00:14:55.100 --> 00:14:56.800
然后他自己可以教自己

00:14:56.800 --> 00:14:59.400
去执行这些具体的工作

00:14:59.400 --> 00:15:01.000
因为其实每个工作人都做过

00:15:01.000 --> 00:15:02.000
只不过这些数据

00:15:02.000 --> 00:15:03.600
现在没有被很好的去留存

00:15:06.100 --> 00:15:09.000
我想一想就是就是你觉得

00:15:09.100 --> 00:15:12.400
虽然模型比方说模型现在回答问题

00:15:12.400 --> 00:15:15.600
他有很多数据是他训练集里面的

00:15:15.600 --> 00:15:18.900
但他有一些东西是现场去网上搜的

00:15:18.900 --> 00:15:22.000
然后你觉得他之后就agent

00:15:22.000 --> 00:15:25.000
做事情的那部分也会是这样

00:15:25.000 --> 00:15:25.800
对对对

00:15:25.800 --> 00:15:27.600
因为其实就像你现在

00:15:27.600 --> 00:15:29.300
如果作为开发者来说

00:15:29.300 --> 00:15:32.400
你不知道一个就是solution

00:15:32.400 --> 00:15:34.000
有没有现成的API和SDK的话

00:15:34.000 --> 00:15:35.600
你自己会上Github搜

00:15:35.600 --> 00:15:36.800
其实这是类似一个逻辑

00:15:36.800 --> 00:15:40.300
就是最后agent要学一个锤类的知识

00:15:40.300 --> 00:15:42.000
一个具体任务人是怎么做的

00:15:42.000 --> 00:15:44.000
他也会去找对应的reference

00:15:44.000 --> 00:15:45.300
所以我们希望提供这样一个

00:15:45.300 --> 00:15:46.800
相当于说是reference的一个system

00:15:46.800 --> 00:15:48.900
让他能够去快速地学习

00:15:50.800 --> 00:15:51.600
我再重复一点

00:15:51.600 --> 00:15:53.700
就是你觉得他不会

00:15:53.700 --> 00:15:57.100
大模型公司不会把所有东西都训练进他的模型里

00:15:57.100 --> 00:16:02.100
而是需要一个外部的reference才能

00:16:02.100 --> 00:16:02.700
对

00:16:02.700 --> 00:16:06.200
我觉得原因是大模型这样做不经济也不高效

00:16:06.200 --> 00:16:08.700
就是说你现在用一个通用模型

00:16:08.700 --> 00:16:12.000
是不可能解决所有的常见任务的

00:16:12.000 --> 00:16:13.200
这是我的一个大的判断

00:16:13.200 --> 00:16:14.700
因为最近有个research叫

00:16:14.700 --> 00:16:16.400
就是agent last exam

00:16:16.400 --> 00:16:17.700
其实我们也有研究

00:16:17.700 --> 00:16:19.700
就是他其实比较了

00:16:19.700 --> 00:16:24.000
可能150个到200个具体的现实中的工种

00:16:24.000 --> 00:16:26.500
都是比较复杂的

00:16:26.500 --> 00:16:27.800
然后是多个软件操作

00:16:27.800 --> 00:16:29.200
然后需要多个步骤的

00:16:29.200 --> 00:16:32.900
那这些其实在frontier的sota模型上

00:16:32.900 --> 00:16:34.600
都one shot

00:16:34.600 --> 00:16:38.000
end to end能够通过的比例也只有2%

00:16:38.000 --> 00:16:40.400
所以这块我认为

00:16:40.400 --> 00:16:44.300
其实三五年之内都很难做到一招通吃

00:16:44.300 --> 00:16:47.400
我们认为其实也应该是每个领域有他自己的积累

00:16:50.900 --> 00:16:51.600
我再补充一点

00:16:51.600 --> 00:16:53.400
因为这事我真的蛮感兴趣

00:16:53.400 --> 00:16:55.800
因为现在可以看到的是哪怕他

00:16:55.800 --> 00:16:56.900
就我刚说的对吧

00:16:56.900 --> 00:16:58.800
哪怕大模型回答问题

00:16:58.800 --> 00:17:01.500
他其实从某一年开始也不再只是

00:17:01.500 --> 00:17:03.600
从自己模型的训练库里面看

00:17:03.600 --> 00:17:07.200
而是要看外部的联网搜索

00:17:07.200 --> 00:17:09.800
这事其实也会一直持续下去

00:17:09.800 --> 00:17:11.700
所以外部信息一直有用

00:17:11.700 --> 00:17:16.200
所以现在就把这个推广到了agent的行为层

00:17:16.200 --> 00:17:19.600
站在agent的角度

00:17:19.600 --> 00:17:21.400
对因为这个和你做的方向

00:17:21.400 --> 00:17:22.900
其实也会有点呼应

00:17:22.900 --> 00:17:25.400
就是你其实提供了一个人的社交关系

00:17:25.400 --> 00:17:29.900
和这个社交这个资产

00:17:29.900 --> 00:17:31.400
作为一个API

00:17:31.400 --> 00:17:34.800
或作为一个agent可以去铺的一个network

00:17:34.800 --> 00:17:38.000
对然后我其实把大家脑海里的知识和经验

00:17:38.000 --> 00:17:39.200
也做成这样一个network

00:17:39.200 --> 00:17:40.400
让大家可以去铺

00:17:40.400 --> 00:17:42.100
对所以这个逻辑

00:17:42.100 --> 00:17:43.500
我觉得是有相通之处的

00:17:43.500 --> 00:17:45.400
因为只要人存在吧

00:17:45.400 --> 00:17:46.200
他的关系

00:17:46.200 --> 00:17:50.200
他的这个经验和这种专业判断和直觉

00:17:50.200 --> 00:17:54.400
其实是很难被AI就是穷尽的去学完的

00:17:54.400 --> 00:17:55.900
那我这时候我就冒出来一个想法

00:17:55.900 --> 00:18:02.500
就是这个专业的数据库

00:18:02.500 --> 00:18:04.400
专业的行为层数据库

00:18:04.400 --> 00:18:05.500
它已经不是知识层了

00:18:05.500 --> 00:18:06.900
知识层是别人解决的

00:18:06.900 --> 00:18:09.400
它是一个怎么操作电脑啊

00:18:09.400 --> 00:18:11.800
这么一个层次

00:18:11.800 --> 00:18:14.000
那是因为这个层次里面的数据

00:18:14.000 --> 00:18:15.600
它会产生很多动态的变化吗

00:18:15.600 --> 00:18:17.900
所以你要它是一个实时的

00:18:17.900 --> 00:18:20.300
他说他只是因为常美

00:18:21.700 --> 00:18:24.400
这个东西不值得大魔星自己去内化的train

00:18:26.100 --> 00:18:27.200
两方面都有吧

00:18:27.200 --> 00:18:29.700
确实他太常为太分散

00:18:29.700 --> 00:18:31.800
所以你没法学所有东西

00:18:31.800 --> 00:18:34.100
然后第二个就是说

00:18:34.100 --> 00:18:39.300
他其实也是一个需要很多reasoning的一个行为

00:18:39.300 --> 00:18:41.400
因为人在操作不同的软件

00:18:41.400 --> 00:18:43.500
不同的这个键盘鼠标操作的时候

00:18:43.500 --> 00:18:44.400
他其实会想吧

00:18:44.400 --> 00:18:46.900
每一步他其实经过了一个思考

00:18:46.900 --> 00:18:51.400
然后说我考就是考察哪些信息

00:18:51.400 --> 00:18:53.300
然后就是take into account对吧

00:18:53.300 --> 00:18:54.500
考虑了哪些因素

00:18:54.500 --> 00:18:56.600
然后我和谁可能还沟通什么什么内容

00:18:56.600 --> 00:18:58.800
然后最后才做了这个案件

00:18:58.800 --> 00:19:00.800
去提交或者说去分享对吧

00:19:00.800 --> 00:19:04.200
然后这个过程中其实有很多很多的复杂的

00:19:04.200 --> 00:19:07.500
这个就是multi stamp的一个thinking chain

00:19:07.500 --> 00:19:08.800
一个思维链在里面

00:19:08.800 --> 00:19:13.900
这个东西其实现在是没有很好的被捕捉和记录的吧

00:19:13.900 --> 00:19:17.100
所以我们希望在大家操作的这个log之外

00:19:17.100 --> 00:19:21.800
也有这一层能够这个附着在他的一个raw data之上

00:19:21.800 --> 00:19:23.800
能够最后能够交AI来说

00:19:23.800 --> 00:19:25.300
我碰到一个类似的任务

00:19:25.300 --> 00:19:27.900
我们能不能去学人一样去这么思考

00:19:27.900 --> 00:19:29.300
OK

00:19:29.300 --> 00:19:31.100
然后因为你是耶鲁毕业的

00:19:31.100 --> 00:19:33.700
所以你是本科来的美国

00:19:33.700 --> 00:19:34.100
对啊

00:19:34.100 --> 00:19:35.600
我是高中就来美国

00:19:35.600 --> 00:19:36.900
高中来美国

00:19:36.900 --> 00:19:39.900
那再而然按照我们的年纪

00:19:39.900 --> 00:19:43.700
所以你有很多同学本来就在大模型公司

00:19:43.700 --> 00:19:44.100
是的

00:19:44.100 --> 00:19:48.400
就是我们从创业者的这个network来说

00:19:48.400 --> 00:19:51.900
因为我们就是会接触很多researcher

00:19:51.900 --> 00:19:55.600
他们在不同frontier lab之间吧

00:19:55.600 --> 00:19:55.700
对

00:19:55.700 --> 00:19:59.200
然后我们有advisor是external machine learning at scale AI

00:19:59.200 --> 00:20:02.700
所以他network和他的学生之间很多也在frontier lab

00:20:02.700 --> 00:20:02.900
对

00:20:04.300 --> 00:20:07.600
所以根据你过去的创业的经历

00:20:07.600 --> 00:20:09.900
有搞企业客户的能力

00:20:09.900 --> 00:20:12.500
以及personal relationship

00:20:12.500 --> 00:20:17.200
所以你可以接触到大模型公司的

00:20:17.200 --> 00:20:19.300
就一开始说那个赚钱的需求

00:20:19.300 --> 00:20:20.100
对

00:20:20.600 --> 00:20:22.500
然后本身也跟他们进行了交流

00:20:22.500 --> 00:20:24.300
所以他们这个需求也是真的

00:20:24.300 --> 00:20:24.500
对

00:20:24.500 --> 00:20:25.700
这个是非常真实的需求

00:20:25.700 --> 00:20:29.700
因为最近我得到的消息就像Salesforce这样的公司

00:20:29.700 --> 00:20:31.500
他们就花了二十万美金

00:20:31.500 --> 00:20:35.400
去买了二十个操作轨迹的长线程数据

00:20:35.400 --> 00:20:38.500
就是用他们自己的软件去完成一个任务

00:20:38.500 --> 00:20:43.100
然后一个这样的高质量的轨迹就有这个一万美金的价值

00:20:43.100 --> 00:20:43.600
对

00:20:43.600 --> 00:20:48.800
那么其他所有很多公司也都需要这样的操作轨迹来训练他们自己的AI

00:20:48.800 --> 00:20:54.400
所以这是我们认为下一个比较大的机会点和瓶颈

00:20:54.400 --> 00:20:59.000
也就是说AI如果真的要完成Long Horizon所谓AGI的目标

00:20:59.000 --> 00:21:01.800
还是需要大量的人类经验

00:21:01.800 --> 00:21:05.300
然后通过示范来教AI

00:21:05.300 --> 00:21:07.000
所以这个需求是很真实的

00:21:07.000 --> 00:21:07.500
然后呢

00:21:07.500 --> 00:21:10.800
你也能接触到下一步，就是去找人来做

00:21:10.800 --> 00:21:11.300
对对对

00:21:11.300 --> 00:21:11.600
是的

00:21:11.600 --> 00:21:11.900
是的

00:21:11.900 --> 00:21:12.100
对

00:21:12.100 --> 00:21:17.300
现在我们就是专注在打造这样一个产品的早期雏形

00:21:17.300 --> 00:21:19.400
然后尽快把它做上线

00:21:19.400 --> 00:21:22.300
然后去卖出第一批合同

00:21:23.700 --> 00:21:25.100
我感觉好像挺匹配的

00:21:25.100 --> 00:21:28.500
因为之前也做过线上虚拟世界的招聘

00:21:28.500 --> 00:21:32.500
这个听起来好像挺相似的

00:21:32.500 --> 00:21:32.800
对

00:21:32.800 --> 00:21:33.100
是的

00:21:33.100 --> 00:21:33.400
是的

00:21:33.400 --> 00:21:33.600
对

00:21:33.600 --> 00:21:37.400
这个其实和我之前的兴趣和背景是一脉相承的

00:21:37.400 --> 00:21:41.400
然后我们也希望能有一个比较产品化、标准化的方案

00:21:41.400 --> 00:21:44.300
能够规模化地去source、去export

00:21:44.300 --> 00:21:46.000
然后给他们相应的激励和回报

00:21:46.000 --> 00:21:47.900
然后让他们可以onboard进来

00:21:47.900 --> 00:21:50.300
然后我们就可以比较灵活地

00:21:50.300 --> 00:21:52.400
根据不同的需求

00:21:52.400 --> 00:21:54.100
去source不同的这种专业能力

00:21:55.300 --> 00:21:55.600
对

00:21:55.600 --> 00:21:56.800
这很相似

00:21:56.800 --> 00:21:59.600
因为你之前那个基本上也是头部大客户

00:21:59.600 --> 00:22:01.700
头部大客户他们有招聘预算

00:22:01.700 --> 00:22:02.300
那现在呢

00:22:02.300 --> 00:22:04.000
这些模型公司也有招聘预算

00:22:04.000 --> 00:22:05.200
所以他们不缺钱

00:22:05.200 --> 00:22:05.800
对对对

00:22:05.800 --> 00:22:09.900
因为每家模型公司基本上都有十亿美元级别的预算

00:22:09.900 --> 00:22:11.700
用在数据采购方面

00:22:11.700 --> 00:22:11.900
对

00:22:11.900 --> 00:22:13.700
然后这块其实是非常确定的

00:22:13.700 --> 00:22:15.000
也很大的市场

00:22:15.000 --> 00:22:15.500
他们缺人

00:22:15.500 --> 00:22:18.000
然后之前那个招聘活动另一边呢

00:22:18.000 --> 00:22:19.100
就是来找工作的

00:22:19.100 --> 00:22:20.000
对对对对对

00:22:20.000 --> 00:22:22.600
所以我其实dating也是类似嘛

00:22:22.600 --> 00:22:24.000
也是个双边市场

00:22:24.000 --> 00:22:24.200
对

00:22:24.200 --> 00:22:25.600
所以我觉得一个marketplace

00:22:25.600 --> 00:22:29.900
还是我作为产品经理的一个创业的架构和思路的

00:22:29.900 --> 00:22:30.300
就是

00:22:30.300 --> 00:22:30.900
完了完了

00:22:30.900 --> 00:22:36.300
这是不是在中国有从业背景的产品经理的通用的梦想

00:22:36.300 --> 00:22:38.900
会不会有人觉得我们过时了啊

00:22:38.900 --> 00:22:39.600
我觉得不会吧

00:22:39.600 --> 00:22:42.700
AI时代还是有这样的marketplace智慧的

00:22:42.700 --> 00:22:44.100
而且marketplace一旦启动

00:22:44.100 --> 00:22:45.600
它还是有一个飞轮效应

00:22:45.600 --> 00:22:48.000
所以它会有一个比较快的增长

00:22:49.000 --> 00:22:53.100
我的感觉反正就是我们身边人都比较喜欢这个network

00:22:53.100 --> 00:22:53.500
什么的

00:22:53.500 --> 00:22:56.300
但有人会觉得这是移动互联网时代的老套路了

00:22:57.700 --> 00:22:59.100
对吧

00:22:59.100 --> 00:23:00.800
你怎么看这个是我们老灯了

00:23:00.800 --> 00:23:04.600
还是说它就是应该出现的下一代产品型的机会

00:23:06.100 --> 00:23:07.200
我觉得是有机会的

00:23:07.200 --> 00:23:09.900
不然我俩也不会坐在这里讨论这样一个话题

00:23:09.900 --> 00:23:12.000
做类似都有network对吧

00:23:12.000 --> 00:23:13.400
有潜质的方向

00:23:13.400 --> 00:23:20.600
那我觉得也不是所有这个领域方向都适合用network来解决

00:23:20.600 --> 00:23:20.800
对

00:23:20.800 --> 00:23:23.100
所以就是比如说一些垂类的vertical AI

00:23:23.100 --> 00:23:25.100
它可能本身就没有network效应

00:23:25.100 --> 00:23:28.000
它可能就是要forward deploy一个一个去实施的

00:23:29.000 --> 00:23:30.800
主要是另外一种观点

00:23:30.800 --> 00:23:33.100
一听这个就非常移动互联网,很过时

00:23:33.100 --> 00:23:33.400
对吧

00:23:33.400 --> 00:23:35.600
你脑子都被移动互联网固化了

00:23:35.600 --> 00:23:37.400
这也是很常见的观点

00:23:37.400 --> 00:23:38.100
你怎么反驳

00:23:39.900 --> 00:23:42.600
我觉得还是要去从第一线原理出发

00:23:42.700 --> 00:23:44.600
就是说到底解决这个问题

00:23:44.600 --> 00:23:47.300
用什么样的架构和方式最好去解决

00:23:47.300 --> 00:23:47.400
对

00:23:47.400 --> 00:23:50.600
然后我们现在看到这类数据瓶颈

00:23:50.600 --> 00:23:55.400
其实是比较分散的long tail的supply

00:23:55.400 --> 00:23:56.900
其实是比较适合用这个架构来解决的

00:24:01.700 --> 00:24:03.400
那你接下来都会呆在美国

00:24:03.400 --> 00:24:03.600
对

00:24:03.600 --> 00:24:05.900
我现在就relocate base在旧金山这边

00:24:07.800 --> 00:24:08.300
好

00:24:08.300 --> 00:24:09.300
还有什么想聊的

00:24:09.300 --> 00:24:09.500
好

00:24:09.500 --> 00:24:11.100
差不多就分享到这里

00:24:11.100 --> 00:24:11.400
谢谢
