在AI大模型最火热的这几年，行业内最不缺的两种叙事，一种是“某名校天才带着炫目光环拿了多少融资”，另一种是“某大厂高管离职创业、估值一夜翻倍”。相比之下，我更愿意写一种不太会炒作的人：在跨国科技巨头里扎扎实实做了十几年基础软件和平台产品，职业生涯早已进入舒适区，却在AGI浪潮最不确定的时候选择转身。今天想聊的这位掌舵人，就是典型的“第三种人”。他在一家全球软件巨头整整待了16年，从一线工程师一路做到核心业务线负责人，带过数千人的技术团队，操盘过操作系统、云计算基础设施、生产力工具、大规模分布式系统这类几乎串起行业半部历史的关键业务。离职前，他已经是圈内公认的、少数同时懂“大型产品工程”和“技术规模化”的人。AGI浪潮以超出所有人预期的速度袭来时，他却选择辞职创业，加入一家成立不久的AI创业公司出任CEO。这家公司很快进入国内AI创业第一梯队，被外界并称为“AI六小虎”——虽然他自己一直不太喜欢这个称号，但市场显然对这个标签很买账。这篇文章不会写成“传奇人物传记”，那种夸张的叙事对真正想理解AI行业的人价值有限。我更想以从业者的视角，把他从大厂老兵到AGI创业者过程中，那些值得拆解的技术路线、战略判断、组织方式和取舍逻辑逐层剥开。如果你在大厂做技术但正犹豫要不要出来创业，如果你的公司刚做完垂直小模型想进一步押注大模型，又或者你只是想弄明白“AGI这条路到底该怎么走”，这篇内容会给你一个非常务实的参考样本。1. 从16年大厂生涯到AGI创业：一次漫长的能力积累1.1 一条不性感却极其扎实的技术主线很多人一听到“16年跨国软件巨头经历”，第一反应是“资历深、人脉广”，但真正做过大型软件的人会明白，这16年真正积累的不是职位和光环，而是一整套“在复杂系统里做正确决策”的直觉。这位掌舵人的技术主线，集中在操作系统、分布式计算和生产力平台这几块。听着确实不性感，甚至有点“古典”，但恰好是这三块构成了今天做大模型最需要的基本功。操作系统教会他的是资源调度和系统工程思维。大模型训练表面上是在跑PyTorch、跑GPU集群，本质上和操作系统管理CPU、内存、IO是一回事：如何在有限资源下让几千张显卡稳定协同，如何在单点故障时快速隔离恢复，如何在不重启集群的情况下更换模型结构。这些经验没法靠读论文获得，只能在千万级用户的生产环境里一遍遍踩坑踩出来。分布式计算让他理解“规模”不是把机器堆在一起就完了。16年前他就在做大规模集群的容灾、一致性、负载均衡，这些经验放到今天的大模型训练场景里依然完全通用。训练一个千亿参数模型，数据并行、张量并行、流水线并行之间的通信开销怎么控制，checkpoint怎么做才不浪费训练时间，故障后如何快速回滚，这些问题的底层逻辑和分布式数据库、分布式存储是一致的。生产力平台则给了他对产品体验的执念。做过面向数亿用户的产品，他会本能地追问一个问题：这个模型能力，普通用户到底怎么用起来？很多纯技术背景的创业者会沉浸于刷榜单、拼指标，但做过大产品的管理者会更快意识到，模型能力只是最低门槛，真正难的是把能力封装成用户愿意天天打开的产品。1.2 为什么这段经历对做AGI至关重要大模型创业这条赛道，有意思的现象是：真正冲在最前面的创始人，反而不是最年轻的。天才少年组个团队就能训模型的故事，大多停留在新闻稿里。稍微活得久的AI创业公司，核心团队里几乎都有大厂基础设施背景的人。原因其实不复杂。大模型创业的难点，早就不是“把Transformer跑通”，而是“在工程极限上稳定产出”。这跟写一个demo完全不同。训练一个千亿级参数模型，需要处理数据管线的吞吐、GPU利用率、通信瓶颈、断电断网、训练崩溃恢复，每一个环节出问题，浪费的都是几十万甚至上百万的算力成本。没有在真实大规模系统里滚过的人，很难具备对这类风险的敬畏心。他16年的经历，恰好补足了这些。他知道一个系统的瓶颈通常不在最慢的组件，而在最容易被忽略的调度逻辑；他知道跨团队协作时，光有技术方案不够，还得有配套的流程和责任人；他知道技术选型要考虑三年后的演进，而不是今天的最优解。这些听起来都很“软”，但在AGI这条动辄以年为单位的长赛道上，软实力往往决定硬技术的落地速度。1.3 辞职创业的时间窗口，其实没有想象中那么理想外界总喜欢把创业故事包装成“看到浪潮毫不犹豫冲出体制”，但真实情况往往纠结得多。他离开大厂的时间点，其实非常微妙。那家巨头刚刚在大模型上全面发力，他所在的业务线同样承担着重要的AI转型任务。如果继续在原来的位置上做下去，他完全可以借助公司资源碰触最前沿的大模型技术，不用承担薪酬波动和失败风险。但他最终选择离开。原因不是对老东家失望，而是他想清楚了一件事：AGI的终局竞争，不是大厂原有业务的延伸，而是从零构建新组织形态的竞争。在大厂里做AI，始终是在为既有产品服务，模型只是供应链的一环；而在一家以AGI为单一目标的创业公司，模型本身就是产品、是战略、是唯一信仰。这个判断非常“老兵”。他见过太多大厂创新项目是怎么死的：资源充足但优先级不够，方向正确但组织架构不支持，团队优秀但激励机制错位。AGI这种需要极长周期和极高投入密度的事情，只有创业公司这种“单一目标、全力押注”的组织形态才能扛住。很多人算的是账，他算的是组织形态的适配度。2. 创业公司的开局：选对路线，比努力更重要2.1 为什么要自己做通用大模型，而不是做应用层AGI创业公司成立之初，最核心的路线分歧是：做模型，还是做应用？做应用的好处显而易见：离钱近、见效快、不需要养庞大的算法团队。2023年前后，一堆“套壳应用”迅速冒出来，用开源模型加一层UI就敢谈商业化。但这位掌舵人的选择非常明确：必须自己做通用大模型。理由有三个维度。第一，应用层的护城河太浅。今天能调用到的模型能力，明天别人也能调到。只做应用，本质上是在别人的地基上盖房子，模型厂商稍微调整API的价格或能力边界，应用层的利润空间就会被瞬间压缩。第二，AGI的终极能力不可能完全通过外部API获得。真正的通用智能，需要模型、数据、对齐、评测、部署形成完整闭环，这个闭环只有自研模型才能建立。第三，从商业估值角度，资本市场给“模型公司”和“应用公司”的定价逻辑完全不同。模型公司看的是技术上限，应用公司看的是增长曲线，AGI这种故事必须按前者来讲。这不是他一个人的执念，而是当时一批头部AI创业公司的共识。区别在于，有人是“嘴上说自研、实际用开源”，有人是“真金白银从第一行代码开始训”。这家公司选择了后者。2.2 技术路线的取舍：语言优先还是多模态优先自研大模型的第一步，是选技术路线。当时市面上有几种选择：纯语言模型、带视觉编码器的多模态模型、或者一开始就做原生多模态。他选了语言优先，渐进叠加多模态。这个选择背后有很深的技术逻辑。语言模型是所有模态的基础，文本数据的密度和信息量最容易让模型学到“世界知识”的抽象表达。如果一上来就做原生多模态，数据配比、训练稳定性、评测体系的复杂度会指数级上升。对一家刚起步的创业公司来说，首要目标是在最短时间内推出一个可靠的语言模型，建立自己的训练和评测闭环，再滚动迭代。后来的实践也证明这个顺序是对的。公司第一代模型聚焦文本能力，在多个中文基准上站稳脚跟后，立刻启动多模态扩展。通过把视觉编码器接到语言骨干上、再用图文数据做继续训练，团队在不到两个迭代周期内就上线了图像理解能力，成本远低于从零开始训多模态模型。2.3 团队组建：把大厂和学术圈的两种人拧成一股绳团队搭建是创业公司最容易被低估的坑。这家公司的早期核心团队，一半来自学术圈，一半来自大厂工程团队。两类人的思维方式差异非常大：学术圈的人追求“idea的新颖性”，大厂的人追求“系统的稳定性”，这两种文化天然互斥。这位掌舵人处理冲突的办法是建立“双轨评价体系”。基础研究团队用论文、实验、技术突破来考核，工程团队用系统吞吐、线上稳定性、交付周期来考核。两者不混在一起评，但会通过每周的“模型发布窗口”强制融合：研究团队给出新方法，工程团队必须在限定时间内把它塞进训练管线。这个机制我后来在很多头部AI公司里也见到过，但能坚持下来的很少。大多数公司要么被学术派带偏，做出一堆无法工程化的实验；要么被工程派带偏，长期停留在已有技术的修修补补上。能把两条线同时跑顺，靠的正是他那种十六年大厂管理经验里沉淀下来的组织设计能力。3. 核心战场拆解：模型、数据与产品化的三线并进3.1 训练一个“靠谱”大模型到底难在哪外行看大模型训练，以为难在算法创新。实际上，在2024年之后，Transformer架构本身已经高度趋同，谁的训练工程更扎实，谁就能稳定产出更好的模型。这意味着真正的竞争发生在细节里。首先是数据工程。清洗、去重、配比、过滤，每一步都在决定模型的天花板。这家公司早期有一个上百人的数据团队，每天的工作就是和网页爬虫、OCR、PDF解析做斗争。中文互联网数据质量参差不齐，大量内容重复、噪声多、知识密度低，需要设计专门的pipeline做分层打标。他知道这个问题没有捷径，只能靠人力加算力去堆。其次是训练稳定性。千卡集群跑到后半段，最怕的就是loss突然发散或者出现NaN。团队为此建立了全链路监控：从数据加载速度、GPU温度、网络通信耗时到每个transformer层的梯度范数，任何异常都要在十秒内触发告警。这种强度，没有大型分布式系统经验的人是搭不出来的，这也是他16年大厂功底的直接体现。最后是对齐和评测。模型不是训出来就能用，还需要通过人类反馈强化学习让它学会“好好说话”。这里最花时间的是奖励模型的迭代。团队要保持一套持续更新的评测集，既要覆盖数学、代码、逻辑推理这些硬指标，也要覆盖安全性、拒绝敏感请求、回答风格这类“软指标”。一个模型过不了评测，宁可延期发布，这是他一直坚持的底线。3.2 数据飞轮不是概念，是工程“数据飞轮”这个词已经被讲烂了，但真正理解它含义的公司其实不多。很多人以为飞轮就是“用户用得越多、数据越多、模型越好”，但落到实操层面，这里有一整套机制需要建设。这家公司的做法是三层漏斗。第一层是公开数据采集，覆盖网页、书籍、论文、代码仓库，通过约10万条规则加分类模型做过滤；第二层是用户产品反馈，把用户在对话里的点赞、点踩、修改等行为结构化入池；第三层是人工标注，针对安全、专业领域、复杂推理等高风险场景，由内部标注团队做细粒度精标。三层数据在统一数据平台里按质量分排序，高质量数据在训练集里的采样权重自动调高。这里的关键不是“有没有数据”，而是“数据治理能力”。很多公司拍脑袋决定数据配比，拿GitHub代码库和维基百科各抓一遍就开训，效果自然不理想。他带团队做这件事的核心方法是建立“数据消融测试”：每次调整数据配比，都先在小模型上跑一轮评测，用结果反推数据质量，迭代速度大概是一周一个版本。这套方法论的底层是统计学思维，本质是把数据当作一个需要持续优化的产品。3.3 产品化的窗口期变化早期这家公司的产品策略非常“程序员思维”：先开放API，让开发者调用，通过开发者生态来快速测试模型能力。这个策略在一开始效果不错，吸引了一批做办公助手、客服机器人、代码补全的工具类开发者。但到了后来，他们发现纯API模式有一个问题：开发者对模型品牌的忠诚度很低，谁便宜用谁，谁效果好换谁。这逼着公司做出改变：从单纯提供API，逐步转向“模型+应用”两条腿走路。他们保留API业务作为现金流，同时自研了面向知识管理场景的对话产品。这个产品最初只在内部使用，作为“模型能力试验田”，员工每天用真实工作数据来测试模型的检索、总结和推理表现。发现效果稳定后，才对外推出企业版。这条路径和很多同行刚好相反。别人是先做应用引流再训练模型，他们是先训练模型再做应用验证，最终用验证结果反哺模型迭代。曲线的先后不重要，重要的是每一轮迭代都形成闭环。他经常挂在嘴边的一句话是：“AGI不能只存在论文里，必须有真实用户天天用，否则就是自嗨。”4. 这些年踩过的坑：大厂方法论的失灵与节奏陷阱4.1 大厂方法论在创业公司为什么会失灵他带大厂数千人团队的经验，在创业公司前半年吃了不少亏。最典型的冲突在于流程的颗粒度。大厂所有事情都讲究流程：需求评审、设计评审、排期、测试、灰度、回归，每一步都有模板。这套体系在庞杂的业务线上是必要的，但在创业公司节奏下完全行不通。一个模型训练任务，从想清楚到开始跑，要是走完所有评审流程，可能已经过去三周，同行已经迭代完一个版本了。他后来的调整是“分阶段引入流程”：在公司小于两百人的时候，只保留最核心的发布评审和数据变更评审两个节点，其他流程全部砍掉。两百人之后，才开始补充代码规范、架构评审等机制。这个度很不好拿捏，早一步会被流程拖死，晚一步会出严重事故，他通过几次实际事故的复盘才找到平衡点。4.2 算力、成本、人才的三重螺旋AI创业公司最现实的困境是钱。算力成本高到离谱，一度占公司每月开支的七成以上。人才成本同样惊人，核心算法工程师的薪资比传统软件开发高出两到三倍。两个因素叠加的结果是，公司账上的现金消耗速度比普通SaaS创业公司快一个数量级。他应对这个问题的策略不是单纯省钱，而是提高单位算力的产出效率。具体措施有几条：优化训练框架的显存占用、把推理服务做成混合调度、给研发团队定量考核“每一条训练数据的有效利用率”。这些细节听起来琐碎，但累加在一起，能让同样一批GPU跑出多出三到五成的效果。他常讲，AGI创业公司比的不是谁融的钱多，而是谁把每一分钱花得更接近智能的本质。省到极致不是抠门，是活下去的必要条件。4.3 对外战略：如何与巨头既合作又独立这家公司从创立第一天起，就不得不面对一个微妙的关系：它和那位掌舵人老东家的云平台之间，既有算力和云服务的合作，又有模型层的竞争。很多同行选择了彻底“站队”，把模型接入某一家的云生态，换取渠道和算力支持。但他坚持保持独立，只把云平台当成基础设施采购，模型层完全自己掌控。这种执拗在前期付出了代价：没有巨头微信渠道，只能靠口碑和技术评测上的硬指标来获客。但他认为，独立是AGI创业公司长期价值的底线。一旦模型深度绑定在某家巨头的生态里，技术路线就会被生态战略绑架，今天添一个功能，明天接一个兼容，很快会失去AGI探索的主线。这个判断在公司后来的几次融资和产品发布中，被证明是值得的。5. 账该怎么算：商业闭环与AGI终局的判断5.1 开放平台业务和模型订阅的平衡模型公司的商业模式，看起来清晰，做起来极难。开放平台是入口级生意，早期通过低价甚至免费策略吸引开发者，快速积累调用量，建立品牌认知。这个打法在云计算行业已经被验证过，套到大模型上也适用。问题在于开放平台业务几乎是倒贴钱，每调用一次推理模型，公司就要付一次算力账单，用户越多，亏损越大。这位掌舵人的做法是分层定价：基础模型通过开放平台低门槛试用，追求规模；能力更强的专业版模型和私有化部署服务，按照调用量和资源占用收取更高费用，追求毛利。企业客户还要叠加模型定制训练、数据脱敏、专属部署这类增值服务，把客单价做到几十万甚至上百万级别。商业上不能只靠单点突破，必须让不同客户群体在不同层次付费。5.2 保住技术领先：迭代速度比绝对指标更重要很多人质疑：大模型公司那么多，凭什么你能活到最后？他给出的答案不是“我们模型最强”，而是“我们迭代得最快”。在大模型这个领域，单次评测的领先意义有限，因为参数榜每个月都在重排。真正的壁垒是组织学习和工程优化的速度。他把公司内部的一个重要指标定为“模型版更周期”：从上一个版本冻结，到下一个版本完成训练并上线，必须在合理的时间范围内完成滚动。这个速度意味着团队能在一年内完成好几个完整迭代。为此，数据团队、算法团队、基础设施团队必须形成紧密的闭环，任何一环卡壳都会拖累整个周期。很多同行做得到一次惊艳，但只有少数团队能做到持续稳定输出，他认为这才是AGI终局的核心竞争变量。5.3 AGI的终局判断：通用与专用、开源与闭源的分岔路口对终局的判断，直接影响今天的战略取舍。这位掌舵人的观点是：真正的AGI不会以“一个超级模型”的形态出现，而会以“一个具备通用能力基座、多个垂直能力协同”的生态系统出现。因此他的公司战略是，既训练一个足够通用的底座模型，也在这个底座上孵化垂直场景的高质量微调模型。开源和闭源的取舍，他没有走极端。底层研究能力会开源一部分用来建立学术影响力和生态基础，但核心的商业模型保持闭源。这种“灰度”策略很现实：完全闭源，可能在开发者社区里失去话语权；完全开源，商业收入又无法支撑训练成本。在AGI还未真正到来的长夜里，保证账上有钱、生态有声音、技术有壁垒，三个目标缺一不可。6. 写在最后：关于这位掌舵人，真正难的地方在哪我接触这个行业越久，越觉得做AGI创业最难的，不是写出惊艳的算法，不是融资融到多少钱，而是在一种高度不确定的状态下，依然能维持稳定的判断和节奏。这十年，行业每隔几个月就会冒出一个新热点：这代模型又刷新了某项榜单，那个方向又有人认为“这才是AGI的正确路径”。如果创始人没有足够稳固的技术底盘和极强的定力，很容易被外部噪音带着走——今天押注一个新架构，明天追一个新应用，最后团队累得半死，产品却毫无沉淀。这位掌舵人的优势，恰恰在于他经历过足够长的技术周期，知道哪些东西是真正的基本盘，哪些只是转瞬即逝的泡沫。他在大厂十六年学到的不是某一个具体技术，而是如何在混乱中建立秩序，如何在压力下不慌，如何用长周期视角对抗短期诱惑。这种东西，简历上写不出来，融资PPT里也讲不全，但会实实在在地体现在每一次技术决策和组织调整里。AGI的结果五年十年后才能看清，现在谈成败为时过早。但我个人在实际观察中的体会是，这个行业最稀缺的从来不是聪明人，而是见识过大规模系统运转的人。从某种角度看，他带来的不是“跳槽去创业”的故事，而是一种职业经验如何跨界重组的实践样本。无论这家公司最终走向何处，这套方法论都值得每一个AI从业者反复琢磨。
在AI大模型最火热的这几年，行业内最不缺的两种叙事，一种是“某名校天才带着炫目光环拿了多少融资”，另一种是“某大厂高管离职创业、估值一夜翻倍”。相比之下，我更愿意写一种不太会炒作的人：在跨国科技巨头里扎扎实实做了十几年基础软件和平台产品，职业生涯早已进入舒适区，却在AGI浪潮最不确定的时候选择转身。今天想聊的这位掌舵人，就是典型的“第三种人”。他在一家全球软件巨头整整待了16年，从一线工程师一路做到核心业务线负责人，带过数千人的技术团队，操盘过操作系统、云计算基础设施、生产力工具、大规模分布式系统这类几乎串起行业半部历史的关键业务。离职前，他已经是圈内公认的、少数同时懂“大型产品工程”和“技术规模化”的人。AGI浪潮以超出所有人预期的速度袭来时，他却选择辞职创业，加入一家成立不久的AI创业公司出任CEO。这家公司很快进入国内AI创业第一梯队，被外界并称为“AI六小虎”——虽然他自己一直不太喜欢这个称号，但市场显然对这个标签很买账。这篇文章不会写成“传奇人物传记”，那种夸张的叙事对真正想理解AI行业的人价值有限。我更想以从业者的视角，把他从大厂老兵到AGI创业者过程中，那些值得拆解的技术路线、战略判断、组织方式和取舍逻辑逐层剥开。如果你在大厂做技术但正犹豫要不要出来创业，如果你的公司刚做完垂直小模型想进一步押注大模型，又或者你只是想弄明白“AGI这条路到底该怎么走”，这篇内容会给你一个非常务实的参考样本。1. 从16年大厂生涯到AGI创业：一次漫长的能力积累1.1 一条不性感却极其扎实的技术主线很多人一听到“16年跨国软件巨头经历”，第一反应是“资历深、人脉广”，但真正做过大型软件的人会明白，这16年真正积累的不是职位和光环，而是一整套“在复杂系统里做正确决策”的直觉。这位掌舵人的技术主线，集中在操作系统、分布式计算和生产力平台这几块。听着确实不性感，甚至有点“古典”，但恰好是这三块构成了今天做大模型最需要的基本功。操作系统教会他的是资源调度和系统工程思维。大模型训练表面上是在跑PyTorch、跑GPU集群，本质上和操作系统管理CPU、内存、IO是一回事：如何在有限资源下让几千张显卡稳定协同，如何在单点故障时快速隔离恢复，如何在不重启集群的情况下更换模型结构。这些经验没法靠读论文获得，只能在千万级用户的生产环境里一遍遍踩坑踩出来。分布式计算让他理解“规模”不是把机器堆在一起就完了。16年前他就在做大规模集群的容灾、一致性、负载均衡，这些经验放到今天的大模型训练场景里依然完全通用。训练一个千亿参数模型，数据并行、张量并行、流水线并行之间的通信开销怎么控制，checkpoint怎么做才不浪费训练时间，故障后如何快速回滚，这些问题的底层逻辑和分布式数据库、分布式存储是一致的。生产力平台则给了他对产品体验的执念。做过面向数亿用户的产品，他会本能地追问一个问题：这个模型能力，普通用户到底怎么用起来？很多纯技术背景的创业者会沉浸于刷榜单、拼指标，但做过大产品的管理者会更快意识到，模型能力只是最低门槛，真正难的是把能力封装成用户愿意天天打开的产品。1.2 为什么这段经历对做AGI至关重要大模型创业这条赛道，有意思的现象是：真正冲在最前面的创始人，反而不是最年轻的。天才少年组个团队就能训模型的故事，大多停留在新闻稿里。稍微活得久的AI创业公司，核心团队里几乎都有大厂基础设施背景的人。原因其实不复杂。大模型创业的难点，早就不是“把Transformer跑通”，而是“在工程极限上稳定产出”。这跟写一个demo完全不同。训练一个千亿级参数模型，需要处理数据管线的吞吐、GPU利用率、通信瓶颈、断电断网、训练崩溃恢复，每一个环节出问题，浪费的都是几十万甚至上百万的算力成本。没有在真实大规模系统里滚过的人，很难具备对这类风险的敬畏心。他16年的经历，恰好补足了这些。他知道一个系统的瓶颈通常不在最慢的组件，而在最容易被忽略的调度逻辑；他知道跨团队协作时，光有技术方案不够，还得有配套的流程和责任人；他知道技术选型要考虑三年后的演进，而不是今天的最优解。这些听起来都很“软”，但在AGI这条动辄以年为单位的长赛道上，软实力往往决定硬技术的落地速度。1.3 辞职创业的时间窗口，其实没有想象中那么理想外界总喜欢把创业故事包装成“看到浪潮毫不犹豫冲出体制”，但真实情况往往纠结得多。他离开大厂的时间点，其实非常微妙。那家巨头刚刚在大模型上全面发力，他所在的业务线同样承担着重要的AI转型任务。如果继续在原来的位置上做下去，他完全可以借助公司资源碰触最前沿的大模型技术，不用承担薪酬波动和失败风险。但他最终选择离开。原因不是对老东家失望，而是他想清楚了一件事：AGI的终局竞争，不是大厂原有业务的延伸，而是从零构建新组织形态的竞争。在大厂里做AI，始终是在为既有产品服务，模型只是供应链的一环；而在一家以AGI为单一目标的创业公司，模型本身就是产品、是战略、是唯一信仰。这个判断非常“老兵”。他见过太多大厂创新项目是怎么死的：资源充足但优先级不够，方向正确但组织架构不支持，团队优秀但激励机制错位。AGI这种需要极长周期和极高投入密度的事情，只有创业公司这种“单一目标、全力押注”的组织形态才能扛住。很多人算的是账，他算的是组织形态的适配度。2. 创业公司的开局：选对路线，比努力更重要2.1 为什么要自己做通用大模型，而不是做应用层AGI创业公司成立之初，最核心的路线分歧是：做模型，还是做应用？做应用的好处显而易见：离钱近、见效快、不需要养庞大的算法团队。2023年前后，一堆“套壳应用”迅速冒出来，用开源模型加一层UI就敢谈商业化。但这位掌舵人的选择非常明确：必须自己做通用大模型。理由有三个维度。第一，应用层的护城河太浅。今天能调用到的模型能力，明天别人也能调到。只做应用，本质上是在别人的地基上盖房子，模型厂商稍微调整API的价格或能力边界，应用层的利润空间就会被瞬间压缩。第二，AGI的终极能力不可能完全通过外部API获得。真正的通用智能，需要模型、数据、对齐、评测、部署形成完整闭环，这个闭环只有自研模型才能建立。第三，从商业估值角度，资本市场给“模型公司”和“应用公司”的定价逻辑完全不同。模型公司看的是技术上限，应用公司看的是增长曲线，AGI这种故事必须按前者来讲。这不是他一个人的执念，而是当时一批头部AI创业公司的共识。区别在于，有人是“嘴上说自研、实际用开源”，有人是“真金白银从第一行代码开始训”。这家公司选择了后者。2.2 技术路线的取舍：语言优先还是多模态优先自研大模型的第一步，是选技术路线。当时市面上有几种选择：纯语言模型、带视觉编码器的多模态模型、或者一开始就做原生多模态。他选了语言优先，渐进叠加多模态。这个选择背后有很深的技术逻辑。语言模型是所有模态的基础，文本数据的密度和信息量最容易让模型学到“世界知识”的抽象表达。如果一上来就做原生多模态，数据配比、训练稳定性、评测体系的复杂度会指数级上升。对一家刚起步的创业公司来说，首要目标是在最短时间内推出一个可靠的语言模型，建立自己的训练和评测闭环，再滚动迭代。后来的实践也证明这个顺序是对的。公司第一代模型聚焦文本能力，在多个中文基准上站稳脚跟后，立刻启动多模态扩展。通过把视觉编码器接到语言骨干上、再用图文数据做继续训练，团队在不到两个迭代周期内就上线了图像理解能力，成本远低于从零开始训多模态模型。2.3 团队组建：把大厂和学术圈的两种人拧成一股绳团队搭建是创业公司最容易被低估的坑。这家公司的早期核心团队，一半来自学术圈，一半来自大厂工程团队。两类人的思维方式差异非常大：学术圈的人追求“idea的新颖性”，大厂的人追求“系统的稳定性”，这两种文化天然互斥。这位掌舵人处理冲突的办法是建立“双轨评价体系”。基础研究团队用论文、实验、技术突破来考核，工程团队用系统吞吐、线上稳定性、交付周期来考核。两者不混在一起评，但会通过每周的“模型发布窗口”强制融合：研究团队给出新方法，工程团队必须在限定时间内把它塞进训练管线。这个机制我后来在很多头部AI公司里也见到过，但能坚持下来的很少。大多数公司要么被学术派带偏，做出一堆无法工程化的实验；要么被工程派带偏，长期停留在已有技术的修修补补上。能把两条线同时跑顺，靠的正是他那种十六年大厂管理经验里沉淀下来的组织设计能力。3. 核心战场拆解：模型、数据与产品化的三线并进3.1 训练一个“靠谱”大模型到底难在哪外行看大模型训练，以为难在算法创新。实际上，在2024年之后，Transformer架构本身已经高度趋同，谁的训练工程更扎实，谁就能稳定产出更好的模型。这意味着真正的竞争发生在细节里。首先是数据工程。清洗、去重、配比、过滤，每一步都在决定模型的天花板。这家公司早期有一个上百人的数据团队，每天的工作就是和网页爬虫、OCR、PDF解析做斗争。中文互联网数据质量参差不齐，大量内容重复、噪声多、知识密度低，需要设计专门的pipeline做分层打标。他知道这个问题没有捷径，只能靠人力加算力去堆。其次是训练稳定性。千卡集群跑到后半段，最怕的就是loss突然发散或者出现NaN。团队为此建立了全链路监控：从数据加载速度、GPU温度、网络通信耗时到每个transformer层的梯度范数，任何异常都要在十秒内触发告警。这种强度，没有大型分布式系统经验的人是搭不出来的，这也是他16年大厂功底的直接体现。最后是对齐和评测。模型不是训出来就能用，还需要通过人类反馈强化学习让它学会“好好说话”。这里最花时间的是奖励模型的迭代。团队要保持一套持续更新的评测集，既要覆盖数学、代码、逻辑推理这些硬指标，也要覆盖安全性、拒绝敏感请求、回答风格这类“软指标”。一个模型过不了评测，宁可延期发布，这是他一直坚持的底线。3.2 数据飞轮不是概念，是工程“数据飞轮”这个词已经被讲烂了，但真正理解它含义的公司其实不多。很多人以为飞轮就是“用户用得越多、数据越多、模型越好”，但落到实操层面，这里有一整套机制需要建设。这家公司的做法是三层漏斗。第一层是公开数据采集，覆盖网页、书籍、论文、代码仓库，通过约10万条规则加分类模型做过滤；第二层是用户产品反馈，把用户在对话里的点赞、点踩、修改等行为结构化入池；第三层是人工标注，针对安全、专业领域、复杂推理等高风险场景，由内部标注团队做细粒度精标。三层数据在统一数据平台里按质量分排序，高质量数据在训练集里的采样权重自动调高。这里的关键不是“有没有数据”，而是“数据治理能力”。很多公司拍脑袋决定数据配比，拿GitHub代码库和维基百科各抓一遍就开训，效果自然不理想。他带团队做这件事的核心方法是建立“数据消融测试”：每次调整数据配比，都先在小模型上跑一轮评测，用结果反推数据质量，迭代速度大概是一周一个版本。这套方法论的底层是统计学思维，本质是把数据当作一个需要持续优化的产品。3.3 产品化的窗口期变化早期这家公司的产品策略非常“程序员思维”：先开放API，让开发者调用，通过开发者生态来快速测试模型能力。这个策略在一开始效果不错，吸引了一批做办公助手、客服机器人、代码补全的工具类开发者。但到了后来，他们发现纯API模式有一个问题：开发者对模型品牌的忠诚度很低，谁便宜用谁，谁效果好换谁。这逼着公司做出改变：从单纯提供API，逐步转向“模型+应用”两条腿走路。他们保留API业务作为现金流，同时自研了面向知识管理场景的对话产品。这个产品最初只在内部使用，作为“模型能力试验田”，员工每天用真实工作数据来测试模型的检索、总结和推理表现。发现效果稳定后，才对外推出企业版。这条路径和很多同行刚好相反。别人是先做应用引流再训练模型，他们是先训练模型再做应用验证，最终用验证结果反哺模型迭代。曲线的先后不重要，重要的是每一轮迭代都形成闭环。他经常挂在嘴边的一句话是：“AGI不能只存在论文里，必须有真实用户天天用，否则就是自嗨。”4. 这些年踩过的坑：大厂方法论的失灵与节奏陷阱4.1 大厂方法论在创业公司为什么会失灵他带大厂数千人团队的经验，在创业公司前半年吃了不少亏。最典型的冲突在于流程的颗粒度。大厂所有事情都讲究流程：需求评审、设计评审、排期、测试、灰度、回归，每一步都有模板。这套体系在庞杂的业务线上是必要的，但在创业公司节奏下完全行不通。一个模型训练任务，从想清楚到开始跑，要是走完所有评审流程，可能已经过去三周，同行已经迭代完一个版本了。他后来的调整是“分阶段引入流程”：在公司小于两百人的时候，只保留最核心的发布评审和数据变更评审两个节点，其他流程全部砍掉。两百人之后，才开始补充代码规范、架构评审等机制。这个度很不好拿捏，早一步会被流程拖死，晚一步会出严重事故，他通过几次实际事故的复盘才找到平衡点。4.2 算力、成本、人才的三重螺旋AI创业公司最现实的困境是钱。算力成本高到离谱，一度占公司每月开支的七成以上。人才成本同样惊人，核心算法工程师的薪资比传统软件开发高出两到三倍。两个因素叠加的结果是，公司账上的现金消耗速度比普通SaaS创业公司快一个数量级。他应对这个问题的策略不是单纯省钱，而是提高单位算力的产出效率。具体措施有几条：优化训练框架的显存占用、把推理服务做成混合调度、给研发团队定量考核“每一条训练数据的有效利用率”。这些细节听起来琐碎，但累加在一起，能让同样一批GPU跑出多出三到五成的效果。他常讲，AGI创业公司比的不是谁融的钱多，而是谁把每一分钱花得更接近智能的本质。省到极致不是抠门，是活下去的必要条件。4.3 对外战略：如何与巨头既合作又独立这家公司从创立第一天起，就不得不面对一个微妙的关系：它和那位掌舵人老东家的云平台之间，既有算力和云服务的合作，又有模型层的竞争。很多同行选择了彻底“站队”，把模型接入某一家的云生态，换取渠道和算力支持。但他坚持保持独立，只把云平台当成基础设施采购，模型层完全自己掌控。这种执拗在前期付出了代价：没有巨头微信渠道，只能靠口碑和技术评测上的硬指标来获客。但他认为，独立是AGI创业公司长期价值的底线。一旦模型深度绑定在某家巨头的生态里，技术路线就会被生态战略绑架，今天添一个功能，明天接一个兼容，很快会失去AGI探索的主线。这个判断在公司后来的几次融资和产品发布中，被证明是值得的。5. 账该怎么算：商业闭环与AGI终局的判断5.1 开放平台业务和模型订阅的平衡模型公司的商业模式，看起来清晰，做起来极难。开放平台是入口级生意，早期通过低价甚至免费策略吸引开发者，快速积累调用量，建立品牌认知。这个打法在云计算行业已经被验证过，套到大模型上也适用。问题在于开放平台业务几乎是倒贴钱，每调用一次推理模型，公司就要付一次算力账单，用户越多，亏损越大。这位掌舵人的做法是分层定价：基础模型通过开放平台低门槛试用，追求规模；能力更强的专业版模型和私有化部署服务，按照调用量和资源占用收取更高费用，追求毛利。企业客户还要叠加模型定制训练、数据脱敏、专属部署这类增值服务，把客单价做到几十万甚至上百万级别。商业上不能只靠单点突破，必须让不同客户群体在不同层次付费。5.2 保住技术领先：迭代速度比绝对指标更重要很多人质疑：大模型公司那么多，凭什么你能活到最后？他给出的答案不是“我们模型最强”，而是“我们迭代得最快”。在大模型这个领域，单次评测的领先意义有限，因为参数榜每个月都在重排。真正的壁垒是组织学习和工程优化的速度。他把公司内部的一个重要指标定为“模型版更周期”：从上一个版本冻结，到下一个版本完成训练并上线，必须在合理的时间范围内完成滚动。这个速度意味着团队能在一年内完成好几个完整迭代。为此，数据团队、算法团队、基础设施团队必须形成紧密的闭环，任何一环卡壳都会拖累整个周期。很多同行做得到一次惊艳，但只有少数团队能做到持续稳定输出，他认为这才是AGI终局的核心竞争变量。5.3 AGI的终局判断：通用与专用、开源与闭源的分岔路口对终局的判断，直接影响今天的战略取舍。这位掌舵人的观点是：真正的AGI不会以“一个超级模型”的形态出现，而会以“一个具备通用能力基座、多个垂直能力协同”的生态系统出现。因此他的公司战略是，既训练一个足够通用的底座模型，也在这个底座上孵化垂直场景的高质量微调模型。开源和闭源的取舍，他没有走极端。底层研究能力会开源一部分用来建立学术影响力和生态基础，但核心的商业模型保持闭源。这种“灰度”策略很现实：完全闭源，可能在开发者社区里失去话语权；完全开源，商业收入又无法支撑训练成本。在AGI还未真正到来的长夜里，保证账上有钱、生态有声音、技术有壁垒，三个目标缺一不可。6. 写在最后：关于这位掌舵人，真正难的地方在哪我接触这个行业越久，越觉得做AGI创业最难的，不是写出惊艳的算法，不是融资融到多少钱，而是在一种高度不确定的状态下，依然能维持稳定的判断和节奏。这十年，行业每隔几个月就会冒出一个新热点：这代模型又刷新了某项榜单，那个方向又有人认为“这才是AGI的正确路径”。如果创始人没有足够稳固的技术底盘和极强的定力，很容易被外部噪音带着走——今天押注一个新架构，明天追一个新应用，最后团队累得半死，产品却毫无沉淀。这位掌舵人的优势，恰恰在于他经历过足够长的技术周期，知道哪些东西是真正的基本盘，哪些只是转瞬即逝的泡沫。他在大厂十六年学到的不是某一个具体技术，而是如何在混乱中建立秩序，如何在压力下不慌，如何用长周期视角对抗短期诱惑。这种东西，简历上写不出来，融资PPT里也讲不全，但会实实在在地体现在每一次技术决策和组织调整里。AGI的结果五年十年后才能看清，现在谈成败为时过早。但我个人在实际观察中的体会是，这个行业最稀缺的从来不是聪明人，而是见识过大规模系统运转的人。从某种角度看，他带来的不是“跳槽去创业”的故事，而是一种职业经验如何跨界重组的实践样本。无论这家公司最终走向何处，这套方法论都值得每一个AI从业者反复琢磨。