2026-08-16 21:00:00
曲凯 2026-08-16 21:00 北京
和 model researchers 一起交流
最近几个月，AI 应用侧比较冷，但模型侧非常热闹，国内外模型厂都在持续发版、交替领先。过去一段时间，我们也密集找了很多 Model Researchers 交流，想看看底层正在发生哪些变化。
聊下来，一个很明显的感受是：
数据变得越来越重要。
过去几个月里，也有一些专门做数据的公司跑出来，收入都做得非常高。Evolvent AI 就是其中之一。
在新一期播客里，我们请到了 Evolvent AI 的联创繁青。繁青是 01 年的 PhD，之前在 Kimi 做过一年多 RL infra 和 agent 相关工作，参与过 Kimi K2.5、Kimi Linear 等重要模型发版。
在播客里，我们聊到了模型竞争、算法 / 数据 / infra 之间的关系、RSI，以及比较敏感的蒸馏话题。繁青讲得非常实在，我们把节目内容发到 X 上后，也在 researchers 中间获得了一些关注（之后还会在 X 上继续发一些 memo，欢迎关注～）。
但播客毕竟是单向输出，而且是公开内容。其实围绕基模、RSI、数据，以及国内模型厂的真实差异，还有很多问题值得继续探讨。
所以我们组织了这次线上活动，请繁青和大家一起认识、交流一下。现场也会有数十位 Model Researchers 参加。
具体报名信息请见上方海报。活动时间为北京时间 8 月 22 日（周六）上午 10:30，线上进行，免费参加。我们会优先通过回答更认真、跟我们背景更匹配的朋友（非投资行业），具体通过情况请以工作人员通知为准。
期待和大家认识 & 交流！
2026-08-16 21:00:00
原创 曲凯 2026-08-16 21:00 北京
蒸馏并不是国模变强的决定性因素
本期嘉宾繁青是 Evolvent AI 联创。他是 01 年的 PhD，曾在 Kimi 做了一年多 RL infra 和 agent，参与 Kimi K2.5、Kimi Linear 等重要模型的发布。Evolvent AI 也是这批数据公司里跑得比较好的几家之一。
本期播客原文约 19000 字，本文经过删减整理后约 6200 字。
编辑整理：陈皮
曲凯：我们最近聊了很多模型、算法相关的人，发现出来创业的人里，大多是 post-training 背景，而 pre-training 背景的很少。这是为什么？
繁青：做 pre-training 很吃资源，初创公司很难 cover 这块成本。而 post-training 就好很多，路径也比较明确：要么做合成数据，要么做平台类的东西。后者可能有点抽象，可以简单理解成做 bench。
不过现在的 bench 和以前不太一样。
以前主要考模型的推理和做题能力，现在还要考模型在真实环境里的操作能力，比如能不能很好地操作飞书、Notion 等软件。这种 bench 如果做得足够好，很容易转成落地的商业模式。
曲凯：但以前做题和 coding 的那种 bench，可验证性更强，最后对一下结果就行。如果是要造一个环境，该怎么评判结果的好坏？
繁青：会比以前复杂。
首先要确保模拟环境和真实环境是对齐的。举个例子，我们在环境里造了一个 Notion，真实世界里也有一个 Notion，那在输入相同时，两边的输出是不是一样？如果一样，至少能证明这个环境是对的。
另外就是要检查结果。就像你说的，以前可能对个结果就行，但现在得拆出很多维度的小得分点。这些得分点目前还是比较依赖人的精细设计。
曲凯：明白。我最近听到一种说法，说 post-training 的人其实每天主要是在做数据？
繁青：确实，尤其在大厂。举个例子，大厂之外的人要 SFT 一个模型，可能得去 GitHub 拉仓库、找 GPU、配环境、整理数据，再训练。
但在模型厂内部，这一套已经被做成了服务。研究员很多时候只要提交请求，然后等结果就行。在这种情况下，研究员最重要的事就是把数据做好。
曲凯：那 post-training 是不是相对比较枯燥？现在训模型的门槛是不是也没有大家想得那么高了？
繁青：后者我比较认可。对大部分研究员来说，训练模型的门槛确实降低了。但如果你是做 infra，相当于是在做那套服务，里面还是有挺多坑的。
至于 post-training 是不是枯燥，我觉得倒不一定，因为造数据本身很难，即便现在有 agent 参与，不同的人造出来的数据也不一样。
我们最近做了一个 RSI bench，就在讨论 agent 能不能直接完成造数据、迭代训练模型这件事。目前看，agent 只能做一些比较机械的事。比如某批数据导致模型回答格式错了，agent 可以发现并修改。但如果要让它提出造数据的 insight，现在还做不到。而模型厂的研究员在这件事上有很多自己的 know-how，这也是大家的核心能力。
曲凯：不同人做出来的数据好坏，大概体现在哪里？
繁青：最直接的量化标准，是这批数据能不能在模型不作弊的情况下，让模型在目标 benchmark 上提分。
还有一些其他考虑。比如我用代码数据训练模型，它在代码 bench 上提升了，会不会让写作这类偏文科的能力下降？也要看难度是不是适中。太简单的数据没用，太难的数据，模型也学不好。
不过，要正经检验数据质量，还是得拿去训练。训练前，只能做一些初筛。
曲凯：明白。你刚从 Kimi 出来不久，现在 Kimi、MiniMax、智谱这些国内模型厂都在陆续发新模型。你怎么看国内模型现在的发展阶段？大家在拼什么？
繁青：从已经发布的模型来看，国内模型和国外模型的差距在缩小。
当然，具体相差多长时间很难估计，因为国外厂可能有自己的存货没发出来。但比如 Kimi K3，在国内卡可能只有国外十分之一的情况下，效果已经接近 Fable 5 了。
我认为这个结果，主要来自预训练。
国内有限的资源，反而倒逼出了国模在 pre-training 上的架构创新。比如 Kimi Linear、DeepSeek 的 Multi-head Latent Attention，相比于原有的 attention 机制，都是希望用更少的训练资源达到更好的效果。
但在后训练上，国内可能比国外要弱一些。这里的弱不是说技术实力弱，而是像 Anthropic、OpenAI 这些厂，在数据上的积淀更早。国内积淀相对少，所以目前可能会通过蒸馏来补足短板。
曲凯：这和我预想的不太一样。我之前以为，pre-training 部分海外的人才密度更高，卡也远多于国内；而 post-training 更偏工程，理论上应该是国内更有优势的部分。但你认为国内在 pre-training 上更有特色，post-training 反而弱一些？
繁青：对，我和身边一些朋友都比较 buy in 这一点。
预训练更拼研究员的聪明才智。从实际结果看，现在全球范围内比较好的模型架构也就是 Kimi 和 DeepSeek 做出来的，而且它们至少已经在自己的公司里证明了 scale 能力。
而后训练就像你说的，更工程一些。工程上的时间差更难弥补，而且数据积淀比较拼人力和组织。
曲凯：这还蛮有意思的。
那之前智谱在 coding 上长期领先，现在 Kimi K3 出来之后，榜单和反馈都很好。所以后面模型厂还会交替领先吗？尤其像你说的，Kimi 在模型架构上有创新，而且这版也是一个大参数模型。那其他家还有可能很快超过吗？
繁青：只看 bench 上的结果，基本还是会交替领先。但大家相互追赶的过程中肯定有时间 gap，而且真实体感不一定完全一样。
曲凯：所以今天各个模型在拼的，到底是架构创新、数据、infra，还是什么？
我们最近也聊了很多人，我的一个感受是，人才只要肯花钱就可以招，数据只要肯花钱也可以做。那中长期是不是还是拼卡，最后是不是还是大厂更有优势？
繁青：从技术上说，架构、数据、infra 都要拼。
架构决定你能不能在有限资源里榨出更多东西；数据决定你能不能在 benchmark 上达到更好效果；infra 保证内部迭代速度。
不过技术一直在流通，大家的技术水平差异不会特别大。
那长期看，卡当然非常重要。但即便大厂有更多卡，我个人还是更看好初创公司。
因为我觉得最后可能要看组织形态，也就是怎么让公司作为整体跑得更快，比如部门怎么划分更合理、多模态部门到底要不要单独划出来。混元就是一个例子。它在没有改架构的时候可能做得比较差，但现在突飞猛进。
曲凯：说到多模态，有人说，多模态、世界模型不在智力主线上，真正提升模型智力的还是 coding、数学这些。你怎么看？
繁青：这个说法有点绝对。我觉得多模态也应该放到主线上。只是现阶段基于资源考虑，还不太能做全模态优化。而且多模态不像文本信息那样高度压缩，噪声更多，发展起来也会慢很多。
但我相信之后多模态会变得重要，因为 AI 要进入物理世界，还需要视觉、听觉、触觉等各种东西。
曲凯：明白。那现在有没有共识，下一个阶段最核心的是什么？
繁青：现在的共识可能就是 auto research，或者叫 RSI、self-evolving、AI for AI。
目前大众可能更倾向于把 RSI 理解成模型自己迭代自己，得到一个更强的模型；而 auto research 则更像是已经有一个强模型，让它持续迭代做某件事，比如写出一个好的 GPU kernel。
但我认为这些概念说白了都是一件事：
给模型一个工作环境和目标，看它能不能持续操作，拿到结果反馈之后修改之前的操作，最后突破上限。
曲凯：我理解这件事其实有几层可以做。
从最表层的产品结果来讲，可以让模型输出结果后，先不给用户，而是多尝试几次，得到更好的结果之后再给出来。这层应该比较简单，之前也有人在做。
最上层，就是模型能不能自己训练自己。
中间是 harness 部分，也就是怎么让 harness 自己转起来。这层我想多理解一下，因为有人说模型未来会把 harness 一起训进去，就没有所谓 harness 这层了。你怎么看？
繁青：我倒不认为 harness 会不存在。
现在模型厂基本都有自己的 harness，一般会跟着模型一起发版，因为后训练时，模型的输出会经过 harness，反向传播也会让模型越来越适配这个 harness，所以这两者往往会配套出现。当然，我相信 harness 会越来越简单。
曲凯：那未来几年还会有第三方 harness 的空间吗？
繁青：要分情况。
像 coding 这种通用领域，可能确实没有第三方 harness 存在的必要。
但在垂直场景里，一方面大家可能没必要用最强的模型，另一方面也没必要用它们配套的 harness。用一个相对弱的开源模型，配一个简单的 workflow，可能就可以完成需求，而且成本更低、速度更快。这时可能就有第三方 harness 的空间。
曲凯：但如果真能实现 RSI，为什么不用模型自己训一个垂直领域的 harness？以及如果是这样，是不是模型仍然会吃掉一切，还是垂直领域还会有什么价值和壁垒？
繁青：用一个强大的模型写 harness 没毛病，但是这个 harness 未必要接最强的模型。
现在普通用户已经很难感受到新模型能力强弱的差别了，对一些垂直领域来说更是如此。所以大家大可以用强大的模型去指导一个比较小的开源模型，然后在自己的垂直场景上进行迭代，后面就只用这个小的垂域模型。
曲凯：那最终模型商的价值会怎么变化？就像你讲的，现在一些基础模型就已经够用了，最近 GPT 也降价了 80%。那有没有可能直到有一天，大家发现足够使用的模型已经接近免费了？
繁青：我会分两方面来看这个问题。一方面，如果未来真的出现一两家独大的局面，模型价格未必会一直降。因为现在模型降价不一定是因为卡很多、成本低，也可能有商业模式和竞争方面的考虑。毕竟现在开源社区很强，又有竞争对手。
另一方面，垂域还有很多数据隐私需求，不一定有很强的意愿去用 Claude、GPT 这种模型。
曲凯：但我觉得一两家独大，好像目前看起来也不太会发生？
繁青：嗯…不好说。
曲凯：那如果模型真的能自己研发自己，为什么创业公司不直接做一个更好的基模？以及为什么这件事不是模型厂自己做？
繁青：我最近也在思考，所谓 RSI 基模和模型厂正在训的基模，到底是不是正交的。我目前认为，这二者其实是同一件事。所以创业公司去训 RSI 基模，或者去做 RSI 的 harness，都没有太大意义。
曲凯：所以实现 RSI 最核心的点是什么？我能不能理解，只要基模的 coding 能力越来越强，慢慢就能做到？
繁青：我现在对 RSI 的思考是，很多 self-evolving 的方法可以看成一个更聪明版本的 DFS。
DFS 这个算法就相当于让模型走迷宫，遇到死路时再回溯到上一个点。
但在 DFS 里，这个回溯是由代码判断的；而在 RSI 中，是由 LLM 判断的。
而 RSI 的「聪明」，主要就体现在剪枝上。剪枝其实就是要预判一个操作会带来怎样的未来状态，以及这个状态的收益。那在 RSI 中，剪枝的作用就是要让 LLM 把更多精力放到更可能的路上，提高 RSI 的效率。
从技术上说，这件事实现起来，核心靠两个东西：world model 和 value model。这二者在大模型预训练时，已经被内化了。这也是为什么我前面说，我觉得创业公司训「RSI 基模」不太成立。
之后 RSI 变强，一方面要看模型有没有把 world model 的知识内化得更好，另一方面要看模型的 context 窗口有多长。前者决定模型知道多少东西，后者决定模型能回溯到多远的地方。
曲凯：现在模型厂都在往 RSI 这个方向走。假设有一天模型真能做到算法自迭代，数据会不会又变成瓶颈？还是到时候数据也能自己转起来？
繁青：我个人觉得可以转起来。我们最近做的 RSI bench，其实就是在探索这件事。我们目前确实发现，agent 在数据层面展现出了一定的自进化能力，以及自行合成更好数据的能力。
曲凯：我们正好可以捋一下数据的几波发展。我观察到第一波是以 Scale AI 为代表的普通人标注，第二波是 Mercor 那种专家标注数据。合成数据可以理解成当下第三波趋势吗？
繁青：我觉得是，但可能已经在趋势的中后期了。
第一波数据需求更多是为了做预训练，这块目前的需求确实不多了。
第二波对专家数据的需求是 o1 推理范式带来的。这部分依然有需求，但不会像 25 年年初那么多。因为现在模型很强，对专家的要求也变高了。原来可能只要求专家做题，现在还要专家出题，而且题不能和市面上已有题重合，这就太难了。
第三波对合成数据，包括真人数据这块的需求，则是模型 coding 能力变强、开始有更强的 Cowork 能力之后解锁的，主要是为了提升模型的 agent 能力。
曲凯：现在不同类型的数据，大概是什么价格？
繁青：专家数据可能是一两千这个量级。贵的合成数据能卖到好几千，一般就是一条非常长程的任务。真人操控轨迹有时候要走量，就没有单条的说法，因为噪声比较多。
曲凯：合成数据模型厂自己也能做，为什么还要外采？
繁青：数据肯定是多多益善，而且模型厂自己造的数据会有自己人的 bias，所以希望从外面收一批高质量数据，补一下分布。
但合成数据的单子以后肯定会越来越少，主要是因为目前的 bench 越来越少了。
现在模型越来越强，做一个好 benchmark 的难度也非常高，最终可能只会剩下少数几个最好的 benchmark。这样模型厂就可以围绕少数 bench 自己造数据，对外部需求就会少。
曲凯：所以数据还有什么可以做的机会吗？会是什么？
繁青：短期看，可能就是 RSI 数据，比如我用一个模型去后训练另一个小模型。这样一条训练轨迹目前很稀缺，要跑出来也比较难，可能得有模型训练背景的人才能做。所以数据行业的门槛也在提高。
曲凯：所以这半年，包括你们在内的一些公司靠卖数据赚了很多钱，收入涨得蛮快。但你前面说，你觉得这一波已经快进入尾声了？
繁青：对，普通 agent 数据这一波确实已经接近尾声。数据行业变化非常快，也会筛选数据厂商。以前主要走重人力专家标注模式的公司，可能很难活下来。反而是数据公司里有一线 hands-on researcher，可能更能追上数据变化的潮流。
曲凯：但要做好 RSI 数据，就像你前面提的，还是必须自己真的去训模型。
繁青：对。但现在训模型基本约等于造数据。包括我们造数据的时候，也会和模型厂商有合作。
曲凯：我想起来，最近有个蛮流行的说法：「算法就是数据，数据就是 infra，infra 就是算法」。它戏谑之中好像又带着一点真相（笑）。你怎么看？
繁青：没什么毛病。
「算法就是数据」，是因为算法往往会收敛到最简单的形式。当大家都用同样方法时，差异就体现在数据上。
「数据就是 infra」也好理解，因为 infra 决定训练能不能更高效。
「infra 就是算法」，则是因为当我们要训大尺寸、长轨迹模型时，就需要 GPU 层面或者模型 context 层面的并行，才可以训下去。
在这三者之中，数据是核心的驱动力。
现在算法和 infra 的基础形态相对稳定，但它们会跟着数据的需求走。如果以后数据越来越难、推理一条数据都要一天甚至几天，infra 和算法层面也都会跟着改。
曲凯：明白。那你觉得未来大家还会需要更多数据吗？或者大家肯定希望有更多数据，但还能有吗？如果就靠合成数据，那合成数据有没有可能发展成类似无限数据？
繁青：无限是不太可能的。数据量不会毫无节制地提高。
不过高质量数据会一直变多。因为 agent 用户越来越多之后，会反哺出更好的合成数据，再反哺模型训练。而模型尺寸增加之后，模型的效果也会变化，输出的数据质量也会逐步提高。
曲凯：当大家聊到合成数据时，也经常会把它和蒸馏放在一起讲。怎么理解这二者之间的关系？
繁青：生成合成数据时，需要 agent 在一个环境里面探索。如果这个 agent 背后是 Claude 之类的外部模型，大家就会把这个探索过程看成蒸馏。
但蒸馏也分「硬蒸」和「有技巧的蒸」。
硬蒸就是造的环境太简单，比如就是让模型做普通数学题，老师做一遍，学生拿过来抄。
但如果环境足够复杂，对应的题和评分标准又是正确的、足够高质量的，那么搭出这一套环境和题本身就是有难度的。
曲凯：那为什么有些公司会强调自己不蒸馏？蒸馏的坏处是什么？
繁青：蒸馏有点像抄近道，可能会让你错过在主路上本来能发现的一些 insight。
曲凯：明白。所以现在 AI Lab 大概处在什么状态？之前大家会担心 scaling law 撞墙。你觉得现在对 AI Lab 里的人来讲，是沿着现有路线还有很大空间，还是需要新的架构和技术路线？
繁青：从年初到现在，coding 一直是大家最重要的发力方向。这块增长还是很迅速，但整体 pipeline 已经相对稳定。所以 AI Lab 也会探索其他技术路线，比如 auto research。Anthropic 和 OpenAI 现在也都在探索这块，可能是要服务 AI for Science。
曲凯：正好你提到 AI for Science。除了 Anthropic 和 OpenAI，很多人都在做，包括字节 Seed 前一阵也推了 100 个科学家计划。但 AI4S 似乎和模型并不完全处在同一层面上？那为什么大家开始在这上面发力？
繁青：一方面是因为 STEM 领域确实是模型 research 能力比较直接的应用场景。
另一方面，现在已经很难单纯靠常规 benchmark 展现模型智力提升了。AI4S 和让模型写 GPU kernel 一样，都是长程、高难度的任务，是直接衡量模型智力的好场景。模型厂也需要找到这些场景去 PR。
曲凯：就是大家已经要从奥赛卷到诺贝尔奖了（笑）。
最后问一个比较敏感的问题：蒸馏对于国内模型的表现，到底有多大影响？
繁青：我觉得蒸馏不是国内模型变强的决定性因素。
就像前面讲的，我个人认为国内模型变强更多来自底层架构和预训练上的创新。
蒸馏是后训练里的加速手段，但不是说没有 Claude API 就做不出来。国内自己的模型现在也很强了，可以用自己的模型做合成数据。而且国内人这么多，如果真下狠心做数据基建，也不见得做不出来。
蒸馏可以缩短我们追赶的时间，但并不是国模变强的唯一原因，更不是最底层的原因。
42章经
思考事物本质
2026-07-19 22:32:00
Peter 2026-07-19 22:32 北京
以下文章来源于：过程即奖励
过程即奖励因上努力 果上随缘
Ambi 正式开放内测。
产品就是我们的认知在这个真实世界的投射，上次说的是我们相信的，这次想说一下我们技术和交互上的选择和理念。
我们做 ambi 最大的出发点，在于智能平权的时代，我们希望改变 AI 跟人的交互方式，让人能够更大程度地使用智能。 所以我们做软硬结合垂直一体的硬件，我们做多端的产品，我们做实时交互让AI走到环境里来而不是异步互动，这些在这次内测都能体验。（注：软硬结合的产品用apple watch上的app来替代，只能达到我们自己硬件理想态的30%的效果）
除了这些，我们还有一个一直没有公开的一个功能——Sidekicks。
我一直在思考一个问题：既然智能平权了，无时无刻地使用智能，真的就代表“最大程度”地使用智能吗？从第一性原理去思考，无时无刻地使用“尽可能多”的智能，才叫最大程度地使用智能。
我们现在看到很多产品，包括海外 Thinking Machines 做的 Real-time Interactive的产品和 Demo，遵循的是“Listen, Think, Act”的逻辑。但你会发现，它们都只会 Act 一个事情，和你互动。
这是不对的。
大模型刚出来也只能和你问答和你互动，但是现在是agentic时代可以给你做任何事情。同样，实时和你互动不应该只是和你说话问答，而是实时去 agentic的做任何事情。
从技术上来看，大家实现的方式是后面有一个reasoning模型，前面有一个负责语音互动的模型。但是，为什么是一个呢？为什么只能互动呢？我们从最本质的问题去思考，我们带着AI在现场，你希望这个AI只能和你聊天？你希望在现场的这个AI是2024年的ChatGPT？
所以，我们技术、产品、交互的判断和选择是，要让智能最大程度的服务人，应该竖切一刀，横切一刀：
竖切一刀 (Anytime, Any environment)：在当下，任何环境都有智能随时服务你。
横切一刀 (Real-time Interactive Agents) ：任何时刻，都有不止一个智能在同时服务你。
我们把这个叫Attention Loop，不是 Listen (see) - Think - Interact而是Attention - Listen (see) - Think - Act
参与内测的朋友，打开Sidekicks（伙伴）页面，创建一个新的伙伴，说出下面的咒语：帮我创造一个新的伙伴，当你在 Listening 的时候，帮我XXXXX （提出你想要的在过程中就帮你做好的任何事）
你就能实现：你不是带着一个 AI 在场，你是带着一群 AI 在场。
你在最大限度使用智能。
——分割线——
过去一年的时间，其实经常都会思考，到底什么叫世界级公司？什么叫 Global Company？是海外有很多人吗？真的是业务遍布全世界吗？直到我看到了 General Magic（通用魔术）的纪录片，我才真正找到了这个答案。
所谓的世界级公司，首先你得保证你是有世界级的心态：你觉得你是走在世界的最前端，你是在改变世界。你有勇气在创业的第一天，就觉得这段旅程无论成功与否，都是一段伟大的、值得被记录的旅程。
所以就在我看完《General Magic》（通用魔术）纪录片的那个晚上，当我想明白了什么是“世界级公司”的那个晚上，我联系了一位国际电影节的获奖导演，说：“你下周飞过来吧，你给我们拍一个纪录片，从我们创业最开始就记录下来。”
因为我相信，我们做的事情——软硬结合、垂直一体，改变人跟 AI 的交互方式，让人能更大程度地使用智能——是值得被记录的，而我们也在改变世界的路上。
所以3周前开始，我们就有导演一直跟拍我们创业的全过程，明年也会做一个90分钟的大银幕片子，去申报国际电影节。因为时间太仓促了，只有四周的时间，我们刚好撞上了产品发布，所以导演只完成了深圳的采访，也剪了一个小的样片。希望通过这个小的样片，可以让大家看到我们的一些想法和愿景。短片里面还漏了我们在SF、在北京、在上海、在西安办公室的同学，以及和大家一起努力创造的场景，后续都会陆续更新。
在上一家公司，我一直有一个愿望：既然我们在记录语言，而语言是最古老的事情，为什么我们不能开一个博物馆，去记录那些大模型无法识别的声音、大模型无法做到的事情？但因为各种原因，我的这个想法最终并没有落地。
后来，我盯着ambi的 logo 发呆，越看越喜欢。它像一座桥，像一块小小的玉，也特别像一个充满生命力的小把件——就像一个可以随时系在你的腰带上、放在你的身上跟着你、随时可以把玩的可爱物件，和我们的产品一样。
所以在那一刻，我给我们负责装修的小伙伴发了个微信：我们 7 月底新装修、新搬的办公室里，需要有一座窑。
对，你没看错，就是景德镇的那个窑。
所以以后来我们办公室参观、合作，甚至只是拜访路过的朋友，你都可以在我们提前准备好的、跟我们 logo 形状一样的土坯上，画上你喜欢的釉色。然后我们会在窑里烧好，再寄给你。
希望你烧出来的这个瓷块和我们的产品一样，值得把玩，穿越时间。
当然，我猜我们也有幸能够成为第一个办公室里有窑的 AI 公司。（傲娇！ 就是啥都要争第一！
有的时候不得不感叹时间的奇妙。配图是凯凯和技术同学在北京发版完，早上 5 点的北京的样子。（而我小时候最喜欢挂在嘴边的，就是凌晨 4 点的洛杉矶。）
更有意思的是，我上一次这样的通宵达旦、这样的夜不能寐、这样的在乎一个产品，恰恰好是我跟凯凯刚认识的时候，也是 13 年前我创业米公益的时候。而就在上周，我们米公益被收购、退还给投资人的所有股票都已经解禁，彻底走完了一个轮回。命运和时间总像在无意中画下有意思的连接。
我们又找回了激情。
似乎又来到了一个新的轮回。
就在刚走完上一个开始于 13 年前的轮回的时候。
而这次出发的理由，恰好和上一次一模一样，我们想改变世界。
诚邀想改变世界的朋友加入我们。
可以关注我们的公众号 ：关于下一代 AI，我们正在寻找另一种答案
当然，你也可以直接找我。
2026-07-19 22:32:00
原创 曲凯 2026-07-19 22:32 北京
谁不爱打逆风局？
23 年的时候，大家不知道 AI 行不行，我们还在探讨的是 AI 到底是一波多大的机会，该对标什么，以及相信 AI 的也没有办法看清模型和应用之间的关系如何，像 Character.ai 的模型和应用一体的模式一度成为了最优解，最后的结果是市场在摸索中浅尝辄止地投资模型和应用在内的 AI，谁拿到的钱都不算多。
24 年上半年的时候，整体 AI 都很凉，市场连模型带应用一起质疑，记得 24 年 4 月份 GPT4o 发布的时候，市场反响平平，今天回头看我们才知道 4o 对开启推理和 Agent 的跨时代的意义。直到 24 年下半年，整个市场开始回温，尤其在应用市场表现最明显，也许可以称之为一种价值回归，从那个时候开始，市场开启了为期两年的大厂高 P 的创业时代，夸张点说，字节里每个产品线中最有能力的口碑最好的人是谁，可能一些投资人都要比张一鸣本人还更了解。
25 年开端，大家开始讨论模型算法是阶梯上升的，预训练不再 scaling 了，算法撞壁了，本来市场可能会发生一次剧烈的回调，但 deepseek 和 manus 横空出世，生生为模型和应用续上了一条命，这一年里，字节的高 P 几乎是出来就能靠团队和故事连融三轮。
到了今年，26 年，智谱、minimax 接连上市，很多业内的人觉得这是一个见顶的信号，觉得智谱会重蹈上一波 AI 四小龙的覆辙，甚至有人觉得其市值跌到发行价的几分之一才算合理，同时 Openclaw 爆火，也有很多人觉得应用又会迎来一波类似 manus 的大浪潮，在今年上半年，全国可能有上千个公司和团队同时在做 openclaw 相关的创业项目。
但到了今天，结果是，模型的势能达到几年来最强，而应用市场的冷度跌回谷底，甚至是比谷底还低。随之而来的变化是，有的机构跟我说谁还看应用啊，有的机构说应用赛道已经死了，而有的机构投了十多个世界模型的项目。
“不看应用了”，“应用赛道死了”，这个说法是我从业十多年从未听过，也从未想过有一天会听到的话，但它就真切的发生在了今天的市场上。当技术脱离应用、甚至把应用打死了，这个技术到底算是个什么技术。
回头看，不得不承认，市场在奖励早年选中了模型的人，虽然我也仍然觉得模型最终会被 commodify，但短期内模型的价值显而易见，如果这是一场竞赛，那模型已经把应用打的只剩了最后一格血，是的，我并不觉得应用死了，但似乎是真的已经濒死。
我最近见了很多有点颓废的应用创始人，他们在转型，在想该怎么办，在庆幸账上还有钱，在尝试各种解法，却唯独没有想要再出来融资的，因为所有人都在跟他们讲，我们不投应用了。
这里面有客观事实的原因，比如模型吃掉一切的显著证据，比如投资人的非理性、盲从和 FOMO，但我也经常和创始人讲，这次真的不能只怪投资人。
相似的市场、相似的技术，美国的模型能力还显著更强，但我们看到了很多美国市场中 ARR 上亿美金的应用公司，而国内可能甚至找不出几家 ARR 上千万美金的公司，这里的原因是什么呢？
过去几年，我们跟所有的创始人说，你要做海外市场，创始人在融资的时候也对所有投资人说，我要做海外市场，这套话术似乎变成了一种融资时候彼此的默契，但真的做起来，有多少人是在表演型创业？有多少人在内网发英文的宣传视频，最终用户变成了翻墙的中国人？
因为 Token 成本的问题，因为付费意愿和能力等的问题，做海外市场这个大家默契下的说法自然是有其正确性在的，但最终因为创始人的选择、能力和既有惯性等原因，真正做到这点的十不足一，而我们看到的真的坚决出海的公司往往真的有让人惊讶的成绩，比如上过我们播客的 Dify、WorkMagic、Ace Studio 等公司都默默做到了千万刀的 ARR，这里面还包括出国后整个面貌焕然一新的 Meshy 等等。
海外的空气真的更香吗，我相信并不是的，但海外的付费意愿和能力是真的强，这是我们必须要承认的客观现实。
所以，我是真的希望应用公司能更加争气，交付更多的结果出来，不管 Manus 和 Liblib 这类的公司承受了多少争议和骂名，我也始终觉得他们是应用中的一些硕果仅存的代表公司，也真心希望他们能发展的更好，甚至在未来能反向夺回模型现在所侵占的市场和声量。
再讲回模型市场这几年的发展，我觉得最有趣最值得研究的几家公司并不是 Anthropic 或 OpenAI 或 Deepseek，其实是智谱和 google，智谱从似乎落后到第一，google 则是从落后到全民看好再到今天被大家放弃，这都是在一两年内发生的事情。这些似乎都是在模型市场中反复发生的可验证的事情，到今天为止我仍然不觉得模型的战场已经结束了，明天的智谱会不会是今天的 google？Anthropic 能半年超过 OpenAI，是不是也能半年又落后？
我们只能说今天应该已经没人像 23 或 24 年那样质疑 AI 这波机会的体量，但我们也仍然处于 AI 剧烈而动荡得快节奏变化的中早期阶段。
智谱的唐杰老师前些天的公开信中提到“DeepSeek R1 的出现，标志着 Chat 范式的探索已经基本结束，而智谱是在后 DeepSeek 时代的模型训练范式中押中了 Coding 和 Reasoning”。
我觉得智谱今天的成功回头看，除了战略的胜利、人才密度的胜利等等之外，同时也有一定的运气因素，但凡他们的多模态或 C 端应用能做的好些，是否会、是否能这么专注的赌中 Coding 的机会呢？
但不论如何，chat 时代胜利的是 OpenAI、是 Deepseek、是字节豆包，Coding 时代暂时胜利的是 Anthropic、是智谱（OpenAI、Kimi 等其他公司在快马加鞭地追赶），但下一个时代也已经明显到来，唐杰在同一封公开信中说，未来要压住的是长程任务、是自治智能体等，而海外的 Claude Tag 和 GPT Work 也竞争的飞起。
我们对模型的进展和竞争局势的理解总是有很强的滞后性，腾讯的混元和 workbuddy 能在这里弯道超车字节吗？智谱还能持续领先吗？Deepseek 又会充当什么角色？一切都仍然言之过早。
那在这个市场情况下，应用创业者们该如何自处？
要回答这个问题，我们先引申出另外一个老生常谈的话题，那就是投资到底是投人还是投事儿，比如市场中经常讲 IDG 就是典型的投人风格，红杉则是投事儿投赛道的风格。
在我看来，事儿变得快的时候就只能投人，事儿已经稳定了那就可以投事儿，所以越早期的市场往往人的权重越高，越后期的市场甚至职业经理人反而能呈现更好的结果。（说句题外话，如果如此，那红杉为什么投资做得好？我的答案是因为有钱，因为可以全行业全阶段覆盖。早期批量撒，后期精准补枪，就能解决一切的问题。）
所以今天的应用创始人，第一，我反而觉得是处于历史上最好的时候，因为竞争没了，泡沫没了，可以真的回归用户、回归产品、回归初心，这就像 23 年和 24 年初市场给我们的感觉一样，逆风局打的才有意思，噪音多了泡沫多了，难免劣币驱逐良币。（我们经常开玩笑讲，如果把 23 年上过 42章经 播客的创始人都投一遍，最终的回报表现可能优于大多数基金，这也侧面印证了市场最终也是会奖励在低谷期或者说非共识阶段敢于出来的创业者的）
像大厂高 P 这个标签中就很容易混入一些其实在当下不那么适合创业的人，大厂高 P 创业本质上是一种信息套利，但信息套利也分两种，一种是对锤子的，即对模型的了解，另一种是对钉子的，即对用户需求的理解，但 ai 时代信息套利的空间被大大压缩了，而且锤子已经明显溢出了，钉子却不足，未来我们希望能看到更多从钉子出发的产品和项目。
第二，大家要默认我们就是要随波逐流，随模型的波，逐资本的流，要默认我们今天做的事情中只有一部分是值得坚持的，更多还是要锻炼团队、锻炼组织，要不断地转型和寻找新机会，要不断地尝试如何用更新更好更智能的方式来服务同一批用户和解决同一类问题。
第三，不要为了融资讲故事，一切还是要回归到用户和问题上。我们可以褒义上的随波逐流，但不能被市场逼迫到把自己从良币变成劣币。
Ambi 的创始人莫子皓，在做一个通过软硬结合的方式改变人类现有和 AI 交互方式的产品，让智能真正平权，这两年我跟他聊 AI、聊硬件学会了一件事，就是把很多事情反过来想。
大家做许多产品让人去问大模型，并且让大模型去给答案，
我们选择让大模型主动问人并且主动给出答案。
大家做许多产品让大模型和人对齐，一步一步引导大模型产出好结果，
我们选择让人和大模型对齐，让大模型引导人一步一步问出好的问题。
所有人都在服务使用工具创造价值的人，程序员 / 设计师 / 文档使用者，
我们选择服务用对话来创造价值的人，销售 / 顾问 / 非文档使用者。
前阵子他融资的时候，我下意识的给他建议说可以讲讲模型的故事，他问了我一个问题说，我随时可以招到很好的算法的人，我们自己团队其实也有训模型的能力和经验，但为什么现在这个节点要做模型？是啊，他们工程上做的非常好，产品体验也很好，未来的某个节点也会做自己的端侧模型，但今天为什么要讲模型？就因为要融资吗？我最终还是说不出口。所以反过来想，就因为资本热点是模型，讲模型做模型就是对的吗？
一切最终还是回到那句话，所有公司终会回归到用户价值的实现上。
Manus 曾经经历过 5000 万美金估值聊遍市场没有人投资的时刻，经历过达到 1000 万美金 ARR 还被拖延和压价最终不到一亿美金估值的时刻，风水轮流转，足够强的团队总能在夹缝中寻找到机遇，最终打一个漂亮的翻身仗。
就像 Codex 桌面应用负责人在最近一期播客中所说的：“今天的所有产品和创始人，都是模型的期权”。今天的积累会在未来的某个时刻兑现，随着模型更成熟，期权会逐渐变成有价值的资产，而重点是在这个过程中，期权不要清零。
最后，再说下我对于今天整体 AI 是市场的判断。
我们看到二级市场 AI 硬件供应链中惊人的涨幅，我们看到智谱的万亿市值，我们看到具身、世界模型等领域仿佛回到了 2021 年的 SAAS 市场，我们也看到字节等公司中炒股实现财富自由退休的案例，这些是否是市场走到一个阶段性尾声的标志呢？
我不知道当资本从语言模型、图片模型、声音模型、视频模型投到世界模型之后，还能有什么故事可讲，也不知道具身和世界模型能什么时候会真的落地，但我相信一些世界运转最底层的规律和常识，比如合久必分、分久必合，市场不会有一家公司长期独大，一家模型公司不可能长期在万亿、十万亿甚至百万亿的路径上走下去，并吃掉一切，我也相信当大多数人都隐隐觉得这个市场好像有些不对劲的时候，那就真的是有些不对劲。
历史上，我们其实经历过 IBM 用 MIPS 的模式收 CPU 算力钱的时代，经历过运营服务商通过短信和流量赚的盆满钵满的时代，而我们正在经历英伟达产业链和模型公司通过 token 赚钱的时代。运营商在短信和流量上赚了接近十年的钱，AI 从 GPT 3.5 算起到今天已经接近 4 年的时间，且其演进的速度明显快于历史上任何一个周期，那未来市场会如何发展，token 免费、智能平权的时代是否很快就会到来？到那天是不是又会有很多人讲模型赛道没了，我们现在只看应用？
正如经济学家卡萝塔在她的《技术革命与金融资本》这本书中所说，历史上几波大的科技革命都经历过导入期（其中包括爆发期和狂热期）、转折点（即泡沫破裂，典型就如 2000 年的互联网泡沫）、最后再到展开期（即技术真的落地，真的走入经济、社会的各个角落）。
那如果 GPT 3.5 代表了爆发期的开始，今天我们是否已经站在了狂热期？转折点距离我们到底还会远吗？
思考事物本质
42章经
2026-07-05 21:00:00
原创 曲凯 2026-07-05 21:00 新加坡
很多人都搞错了组织建设和招聘中的轻重缓急
魏小康是我认识的移动互联网时代里最懂组织和招聘的人之一，且是一个少有的既深度参与过字节组织建设，也深度参与过美团组织建设的人。他目前正在创业，开发一款 AI 招聘产品。
本期播客原文约 18000 字，本文经过删减整理后约 9000 字。
编辑整理：陈皮
曲凯：你先后在字节和美团做过招聘负责人，在美团也做过 AI 产品经理。
小康：对。我是 2017 年到 2020 年 12 月在字节，对应抖音增长最快的几年。
2020 年 12 月到 2026 年 1 月，我在美团。那时候中国移动互联网还在增长，但增速已经开始下滑，所以各家公司的组织能力会更明显地体现出来。外界对美团的组织能力有很多争议，但在我看来，中国互联网圈里真正懂怎么做零售的，只有美团和拼多多。
字节和美团很多操作看起来是反着来的，但如果刨根问底地看，两边文化和创始人的底层观念其实是一样的，只是业务类型不一样。
曲凯：那我们先从创始人开始聊。像张一鸣和王兴这样优秀的创始人，有什么共同特质？
小康：1）学习能力强，且好奇心重。2）Ego 小。3）有很强的动力。4）精力好。
曲凯：我们挨个拆一下。你说的学习能力强，体现在什么方面？
小康：就是我们正常理解的学霸，学东西很快。
但我认为，学习能力过一个门槛就好。企业家不需要奥赛金牌级别的智商，只要能把某个行业到底怎么运转搞清楚就够了。从纯智力水平上讲，如果要做一个几十亿美元的公司，可能在 985 里排前 1% 就足够了。
但学习能力还要结合两方面。
一是好奇心。有些人学习能力强，但好奇心不重，那 Ta 可能只是被应试教育训练得很好，对很多事情没有真正的探索欲。而优秀创始人遇到一个东西，会想搞清楚为什么是这样、为什么不是那样。
二是行业的大浪潮。王兴 2021 年做过一次内部分享，大概意思是：我们要清晰地认识到，我们只是时代浪潮里的一个水花。因为有这个浪，我们才起来了。
大佬们的这种认知也引申到了优秀创始人的第二个特性，就是 ego 小。
我对 ego 小的定义是，一个人既很自信，又很谦虚。Ta 能够在各种挫折里坚持自己的判断，不被打倒，也能真正听得进去别人的意见。
曲凯：但 ego 和自信有时候很容易混。一个人如果不够自信，甚至没有一点 ego，可能也不会出来创业；但 Ta 又不能 ego 太大。
所以最后是不是还要回归理性？也就是 Ta 要很理性地知道自己哪些方面能力强、能做成什么；也能理性判断，某个人讲的逻辑和论据是合理的，所以应该听。
小康：有一部分是靠理性，或者说实事求是。还有一部分可能是 Ta 经历过很多挫折，但能够重新站起来，所以对某些东西有信心。
曲凯：所以很多成功投资人喜欢投经历过挫折的创始人，因为觉得这个人被打磨过。
小康：对。尤其是在大赛道里创业，一定会经历非常激烈的竞争，中间会有很多挫折。如果一个人之前没有经历过这些，可能一次失误就完了。
这也是为什么动机很重要。当一个创始人的动机足够强时，哪怕经历了很多挫折，Ta 也愿意坚持往下搞。这个动机可以是各种各样的，比如想让世界变得更好一点、想多挣点钱，也可能是想成就一件事。
曲凯：很多人会说，不管招人还是投人，都应该找家庭条件没那么好的人，因为这样背景的人更有动力。但张一鸣和王兴应该都不缺钱吧？
小康：至少他们跟特别穷没有关系（笑）。而且物质上的苦是一种苦，创业者经历更多的是精神上的苦。比如事情特别难搞、最得力的下属被人挖走、对手发起舆论攻击等等。
曲凯：是。然后你说的第四点是精力？
小康：对。创业很需要精力。我忘了是谁说过，雷总基本不怎么运动，睡得也特别少，但依然可以保持非常旺盛的精力，能开一整天会。
所以如果你赶上了一个好时代，又具备以上四点特征，剩下的事情就是坚持搞下去。只要运气不是特别差，基本就能做出一番事业。
但这四点都是个人层面的，还有一个能不能把公司做成的最重要的点，就是 Ta 能不能把组织建设好。
我会把组织拆成两块：
1）怎么把人很好地运转起来。
按人的流程看，大概可以分成「选、用、育、励、汰」五个环节：如何选出好人，如何用好，如何培养，如何激励，如何淘汰。
按传统 HR 模块看，可能是招聘、文化、薪酬、绩效等等。
2）怎么让业务和人结合起来运转。
这更偏业务管理和项目管理，比如如何定业务目标，如何把业务目标拆解到每个人身上，如何让大家形成合力，如何识别哪个业务做得好、哪个业务做得不好。
在组织建设里，这两块应该占据公司和团队最多的时间精力。
曲凯：我们先展开讲讲第一大部分？
小康：首先讲下文化。
文化是公司非常重要的基石，但不需要花很多时间去搞。其实「文化」这个词都有点重。在字节就叫「字节范」，美团叫「领导力原则」。说白了，就是我们到底怎么干活、怎么做事。
所有头部公司的文化基本都差不多。比如字节讲坦诚清晰，美团讲敢于说真话、勇于听丑话；美团讲追求卓越，字节讲追求极致。沃尔玛、宝洁也差不多，因为能做成事情所需要的科学方法是类似的。
那怎么保证大家能坦诚清晰、实事求是？
原则很简单：以身作则。
公司里那十几个核心成员都这么干活，并且能把什么是被鼓励的、什么是不被鼓励的讲清楚，就够了。下面的同学自然会跟着学。
曲凯：一开始的时候，创业公司可能都不一定能总结出这些所谓的文化。它就是一种潜移默化的做事方式和为人方式。
小康：对。第二块是绩效。我觉得创业公司早期不需要搞绩效，应该先拿速度。
一方面，创业公司的创始人就应该能够看到最一线的人，很快判断清楚谁干得好、谁干得不好、该给多少钱。如果 Ta 判断不清楚，还要像大公司那样搞 360 评估、层层 review，那就甭干了。
另一方面，如果一个创业公司发展稍微理想一点，增长比较快，这时激励多一点少一点没有那么大影响。举个例子，一家公司今年估值翻了 5 倍，一个人年薪从 100 万变成 300 万，另一个人变成 320 万。那大家都涨了很多，而且是背靠背的，所以差别没那么重要。
等公司很大了，几个合伙人一眼看不到下面，增长也开始变慢，可能才需要更科学、更公平的绩效体系。
第三，关于职级和晋升体系，我看到有些创业公司已经在搞。但我可能认知不够，我觉得没必要。
这套体系本质上是要告诉大家，每个阶段的同事应该长什么样、应该往什么方向努力。但现在 AI 发展这么快，这些人该长什么样也没几个人能讲出来。而且搞这套东西会花很多时间，也会导致员工奔着晋升标准去做事，甚至还要写材料、参与评审。这些时间不如拿来好好搞业务。
曲凯：那培训呢？
小康：美团和字节都很重视培养人，但我们都有一个最基础的理念：
人是培养不出来的。
人都是打完仗之后，淘汰、筛选出来的。
美团有一个 721 理念，大概意思是，人的成长 70% 靠打仗，20% 靠跟好的前辈或者优秀的人学习，10% 靠公司组织的培训。
所以培养人，最重要的是给大家战场。尤其在今天，工作十几年的人和工作三五年的人，对 AI 时代很多事情该怎么做的理解，可能差不多。只要有了战场，优秀的人自然就会冒出来。
曲凯：能打出来的人，有什么共性？
小康：基本就是弱化版的创始人。
算法对智商要求可能高一些，但对其他业务来说，我认为 985 里前 10% 水平的智商已经够用。再加上意愿强一点、勤奋努力一点、精力好一点，就可以了。
曲凯：但字节和美团里应该都是这样的人？最后是什么决定了谁能跑出来，谁跑不出来？
小康：如果是年薪一两百万以内的人，只要前面讲的那几点没有明显短板，且有一两个长板，就已经够了。
如果是年薪一两百万以上的人，就会有一些额外要求。拉开差距的主要是两点：
一是动机。年薪两百万以上的人，会遇到完全不一样的挑战，可能有更多挫折和竞争。这个时候钱又基本够用了，能让 Ta 把一个业务坚持搞下去的，主要就是动机。再一个就是精力要好。
曲凯：选择也很重要？哪怕在同一个公司里，一个人选择去哪个部门、敢不敢选择新业务，也会有不同的结果。
小康：对。但在 AI 领域里，选择会更多和动机绑在一起。有的人今天依然可以选择在上一代技术框架里搞算法，一样可以挣到三五百万。但有少数人会选择来搞 AI。
曲凯：所以最后真的看选择，选择又和人的性格、家庭背景等各种因素相关。过去几年，选择去豆包、AI 应用公司，还是几家大模型公司，回报可能完全不一样。我相信去了智谱和 MiniMax，但中间走掉的人也挺多的（笑）。
小康：是。两三年可能就是十倍，甚至百倍的回报差距。
再往下就是人这部分最重要的模块：招聘。
我认为要让人很好地运转起来，80%、90% 的时间都应该花在招聘上。招聘可以继续拆成几个环节：
1）想清楚需求到底是什么。
2）找供给，也就是这些优秀的人在哪里。
3）判断。通过笔试、面试、背调等各种方式，搞清楚谁好谁不好。
4）谈判。谈判包括谈钱，但更重要的是谈预期：你到底想做什么事，我能不能给到你。
5）入职跟进等等。
但我发现很多创业者或者中高层都搞错了轻重缓急。他们会在后面的面试环节花很多时间，但在前面花的时间不够。
其实应该反过来，在「想清楚需求」和「找供给」这两件事上，花掉 70%、80% 的时间。
先说需求。
在现在这个阶段，要彻底想清楚需求很难。但这里有一个悖论：等你真的需要用人的时候，那个优秀的人可能三四个月之后才会进来。
所以你应该每隔一段时间就反复想三个问题：
我的业务问题对应需要什么样的人？需要多少个？什么时候需要？
想清楚之后，就要提前储备、提前建联，甚至提前招进来。
可大部分人是遇到问题了，才想着要去招人。这是不对的。
再说找供给。
这是整个招聘工作，乃至整个公司建设里最、最、最、最、最重要的事情，没有之一。它直接决定组织能建成什么样，以及能不能打赢。
曲凯：你说的供给，就是人？
小康：适合你业务需求的优秀人才。找供给又分成三个子问题：第一，什么是好供给；第二，我需要什么样的好供给；第三，我怎么扩、怎么搞定这些供给。
那具体怎么找呢？
首先，你得对市场有判断。比如你做多模态方向，或者偏硬件方向，那你就要盘清楚整个市场里有哪些公司在做这块事情、它们分别做得好还是不好、这些公司里大概有多少个好手。这样你才能对要招什么样的人有概念。
而且你还要认清现实，明确自己到底需要什么水平的好手。可能你并不需要某个方向前 3% 的人，中上的人就足够了。
曲凯：但你刚才说人的成长是打仗打出来的。那我要招人时，应该招一个已经打出来的人，还是招一个更 junior 的人？如果招 junior 的人，怎么判断 Ta 能不能打出来？
小康：这要看业务需求。
如果你要做的事已经有成熟解决方案，比如 AI 电商，那能招到一个这个方向的好手，快速把所有资源配好，当然最理想。但如果你做的是一个很新的东西，比如 AI 时代的搜索怎么做，新手和老手的差距就没那么大。
曲凯：那最理性的选择是不是招一批人，把他们放到战场上打，打出来的留下，没打出来的淘汰？
小康：不是。组织是服务业务需要的，不是服务淘汰需要的。你应该根据业务痛点，组一批最有概率把事情做成的人。
而且创业公司资源一般不充沛，前几年没有资格说搞一批人过来淘汰。只能一方面尽可能找到能马上帮我们解决业务痛点、又比较好的人；另一方面更现实一点，把差不多好的人先用起来。
这是节奏把控问题。
这也是为什么我看好 90 后、95 后的创业者。因为他们在这个圈子里打过一段时间仗，能很快从之前的团队、同事、同学和朋友中攒起一个团队。
曲凯：但创业公司还要考虑人的成长性？假设今天我招一个熟手，可能是能解决当下的问题，但未来公司转型，或者遇到 10 倍难度的问题，这个熟手会不会不一定能跟上？
小康：所以需要你自己对组织和业务进展有判断。
如果你确定短期内找不到那个高潜的人，可以先招个熟手进来，只要这个人和公司文化契合就行。过一两年，如果 Ta 跟不上业务节奏了，公司内部总有一些没那么难的事情可以让 Ta 做。还不行的话，好聚好散，把该给人家的都给到就好。
然后在供给这点上，除了明确什么是好供给，以及我需要什么供给，最难的其实是扩供给。你得搞清楚整个市场的好人在哪，还得能触达到他们。
触达这件事只能各显神通，尽可能把周围所有资源用起来，比如你自己有没有足够的圈子、在社媒上有没有足够的影响力、亲朋好友愿不愿意帮你。创业公司影响力不够，跟大公司竞争天生有劣势，所以最重要的渠道其实是熟人社交圈内推，然后才是猎头、招聘网站等。
当你找到好供给之后，很多时候一眼就知道那个人是个好人。而且因为是亲朋好友推荐来的，也已经有过背调，通常比较靠谱。反倒是从其他渠道找来的人，你需要花很大力气去评估。
坦白讲，那些大佬们面试的时候，至少百分之十几、二十的判断也是错误的。创业时，则最少会有三分之一的比例看走眼。
曲凯：找供给这部分其实和投资里的 sourcing 蛮像的。但看走眼到底是因为什么？因为我有一个相反的观点：你和一个人聊三五分钟，大概就能感觉到这是个什么样的人，而且准确率还蛮高。
小康：好的人很容易识别。但如果一个不靠谱的人精心准备，Ta 也很容易瞒过你。
曲凯：50、60 分的人，和 70、80 分的人可能确实不好判断。然后我的经验是，90 多分的人，有时候反而会和 10 分、20 分的人混淆，就他们都很神奇，有可能特别厉害，也可能特别糟糕。
小康：有些人确实很难判断，跟对方的表达也有关。所以我认为，对大家现在这个阶段，在判断环节里，面试当然重要，但最重要的还是找靠谱的人去做背调。如果你周围有一些靠谱的人，也可以想办法把 Ta 周围靠谱的人拉进来。
找到人之后就是谈判了。在谈判中，钱其实还好，更多谈的是预期。
因为今天加入创业公司的大概有两拨人。一拨可能是去不了大厂，或者不爱去大厂；另一拨是奔着创业团队来的。
真正好的候选人，大概率不是为了涨薪而来，而是想做成一些有意义的事情。或者说，你需要找到这样的人，而不是找一个一定要跟你纠结工资到底是 38500 还是 34500 的人。
我见候选人时，一般最关心的是 Ta 三五年之内到底想要什么。如果能帮 Ta 把这个问题解决掉，剩下谈钱都很好谈。
而且大家也不用太纠结钱这件事。我自己的看法是：
今天之后的每一天，都是你最好招人的时候。
因为随着 AI 发展，以后的供需会越来越紧张，你会越来越难招人。所以今天你给一个好的人多少钱，都是赚的
曲凯：但「三五年后想要什么」这个问题，很多人自己也不知道？
小康：这确实是一个很难的面试题。
你得刨根问底，帮 Ta 把真正想要什么、不想要什么分析清楚。有点像心理咨询或者职业规划 session。
这里面我经常问的一个问题是：过去几年里，到底什么会让你开心？是事业上的成就感？是影响他人？是被他人认可？是挣了一点钱？还是什么？
我们想招的人，可能都是比较资深、比较好的同学。普通加一点钱不会让 Ta 快乐，那你就更要找到最底层驱动 Ta 的点，再结合行业和 Ta 的情况，判断 Ta 未来三五年到底需要什么。
曲凯：大多数人能想明白吗？
小康：大厂里绝大多数人都没想明白。我经常问两个问题：你为什么想离开这里？下一份工作你想得到什么、解决什么问题？这两个问题一抛，就会发现 80%、90% 的人都没想清楚。
曲凯：我之前在即刻发过一句话，我觉得挺有道理（笑）：
不要因为想离开一个地方而去另一个地方。
但很多人就是这样，在这边待得不舒服，那边正好有个机会，就赶紧过去了。
这里顺便想问一下，大家经常说字节和拼多多会给一个人两倍薪水，让 Ta 干三倍的活。这背后是什么逻辑？当然，我们讨论的是字节某段时间的策略。
小康：假定一个人之前拿的是 100 块，正常跳槽市场可能会给到 120、130。当年字节的做法可能是给 140、150，然后让 Ta 大小周。拼多多可能更狠一些，直接给到 170、180，让 Ta 单休、加班时间更长。从实际角度来说，这肯定是划算的。但 AI 时代是否要这么搞，值得商榷。
曲凯：明白。然后就是第二大块，「怎么让业务和人结合起来运转」。你前面说这部分涉及各种目标拆解，但这也适用于创业公司吗？创业公司一开始目标比较简单，有必要拆得很细吗？
小康：不一定要拆得很细，关键是对齐。这些事每个月可能要花几个小时讨论，但讨论好了，起码能帮大家省 10% 的时间。
因为哪怕只有三个人干活，你也会发现，你的理解和另外两个人可能不一样。如果是十个人，我认为至少会搞错 10% 以上的信息。
那如果你做的是短平快的业务，字节那种 OKR 可能就是比较好的参考形式；
如果你做的是长链条业务，比如今天很多 AI 加传统行业的改造，我建议可以参考亚马逊和美团的运营计划。这套东西对于成千上万人怎么配合协作，都非常有用。
曲凯：那正好讲讲比较经典的海外公司的组织和招聘方式？
小康：以扩供给这件事为例吧。很多人有个错误认知，以为大厂是因为有钱，所以花了很多人做招聘。但其实不是。
Google、OpenAI，包括字节，在早期就投入了足够多资源去扩供给。到今天，Google 还有好几千人的招聘团队。
曲凯：几千个 HR 吗？这些人每年能招来多少人？
小康：这不是均匀分布的。比如销售、审核就相对好招，但研发很难招。如果是招研发，一个招聘同学带两三个实习生，一年能招到 40 个左右入职，在大厂里就已经是比较理想的指标了。
但创业公司招人本来就比大厂难，所以我认为这个指标应该砍半。而且 AI 时代我们需要的是好手，不需要平平庸庸的人。所以如果你的 HR 一年能给你招 10 个好手，就足够了。如果 Ta 每个月能给你招一个好手，这个 HR 就太棒了。
曲凯：那创业公司在特别早期，是应该先招一个 HR，还是创始人自己就是最大的 HR？
小康：应该先招一个 HR。
不过这个时代和上个时代的招聘会有很大不同。这个时代的 sourcing，很多时候应该由业务同学自己做。因为你有了 AI，可以写很多工具去找人、筛人，这才是最快的。
筛完之后，你可以让 HR 去联系。在今天，HR 主要承担的是 AI 和真实世界的连接工作：找到联系方式，联系这个人。
曲凯：听起来对 HR 的要求好像没那么高？
小康：其实不是。招聘这个行业里好的人没有那么多。
再回到 Google。Google 和 Amazon 可以放在一起对比着讲，它们基本就是字节和美团分别学习的对象。
Google 和字节的业务是短周期、短链条、高毛利率。这类公司的大原则是：
想方设法把好人都弄进来。
他们会有专门的 sourcing team。这个 team 不为具体岗位负责，只负责找到好人。之后会有专门的面试委员会，而且这个委员会在很长一段时间内也不面具体业务，而是几个人背靠背地考察一个人的基本面、聪明程度和各种能力。面完以后，几个人坐下来讨论候选人是否符合公司的招聘标准。如果符合，就把 Ta 弄进来，再看内部有哪些团队可能适合这个人，也和候选人商量，看 Ta 对哪个部门感兴趣。
而 Amazon 和美团，包括很多硬件公司，是另外一套逻辑。这些公司的业务是零售加科技，我把它叫长周期、长业务链条、低毛利率，因此他们的原则是：
组织里的人需要持续迭代。它们会在中间层招一批很好的同学，剩下大部分可能是行业中上水平的同学。
具体的招聘逻辑是，他们每年会做很重的运营计划，花一两个月把明年业务到底要达成什么目标、对应需要什么样的人、可以拨多少人力成本全部搞清楚，然后开始招。招的过程中也依然是背靠背面试，面完之后，大家一起讨论这个人到底符不符合岗位要求。
Amazon 还有一个要求：新招进来的人必须符合现有团队前 5% 水平，公司每年会淘汰 10% 的人。这样操作下来，基本三四年这个团队就洗了一遍。
这两套方法对创业公司来说可能还没那么适用，但背靠背面试这些最基础的理念是通用的。
曲凯：那世界上的业务形式和组织形式能穷尽吗？一个初创公司创始人该怎么选适合自己的组织？
小康：不一定能穷尽，但可以按照周期长短、业务链条长短、毛利率高低，画一个三维坐标轴。
除了前面那两大类，还有其他类型。比如我们做招聘，业务周期还算短，但链条和毛利率都在中间水平。如果一定要对比，可能更像上个时代的大型 SaaS 公司，或者一些中等的平台型公司。
曲凯：那在 AI 时代，招人这件事有什么变化吗？或者有什么观点是你没那么认可的？
小康：我有两个和市场主流不太一样的观点。
第一，我认为 OPC 不太靠谱。我还是认为，每个方向都需要一两个好手，大家一起形成合力。AI 今天确实能干很多事，但如果每个方向都有一个好手、带着 AI 一起干，这个公司应该能做出更伟大的成就。
我甚至会认为，搞 OPC 是对这个时代和自己的浪费。
因为今天最差最差也是 PC 互联网刚开始的时代。如果回到 90 年代或者 2000 年左右，你非常懂互联网，那你完全有机会做社交、门户、搜索这样很大的事情，没有必要只做一个个人站。
第二，我知道很多 VC 投了 00 后，或者非常爱投 00 后，但我会有些不一样的看法。
商业竞争是非常残酷的。每个赛道里留出来的时间窗口，往长了说最多两年，往短了说可能半年、一年。
这就要求一号位和 Ta 的整个团队，要有快速融资、摸清方向、建好团队的能力。这非常难，对 00 后其实不公平。毕竟他们刚出校门没几年，不认识几个人。别的不说，他们能在每个方向攒一个好手吗？何况后面还要面对各种困难和竞争。
所以我认为在未来两三年，00 后去跟 90 后、95 后打，是不公平的。不过我相信 00 后在四五年后那一波更能有好的结果。
曲凯：但比如在大厂，大家打仗的时候也不看年龄，肯定会有 00 后突然脱颖而出，成长特别快？
小康：我理解你的意思。但做一号位和在公司里负责增长或者研发，是两码事。
如果你说一个 00 后跟着张一鸣干研发，干得特别好，我信。但你硬逼一个 00 后，在竞争激烈的赛道上，和几个已经攒好团队、融了很多钱、竞争经验很丰富的团队打，还是吃亏。或者说，历史上很少见到这样的成功。
曲凯：这里正好也可以聊到投资人喜欢给创始人打的一些标签。大家可能会觉得工作时间长、有资源的人比较「油」，有高管气质，不落地，创新速度不够快。而年轻人会更无知者无畏，就是干、就是上，说不定就能撞到机会做起来。
小康：所以现在得找到那些 80 后、90 后里面纯粹的人。Ta 们是真的想改这个行业，并且还在一线。
曲凯：我特别喜欢「纯粹」这个词。就是这个人得成熟，同时又有少年感。
所以你现在实际选人的方式有什么不同吗？
小康：有些可能是大家都知道的原则：要选懂 AI 的人，团队要比较精干。
但就我观察下来，很多创业公司执行得不是特别好。比如很多创业公司甚至不能保证招来的人 100% 会 AI coding。
会 AI coding 应该是现在招人的硬条件。程序员肯定要 100% 会 AI coding，其他模块最好也是。
这背后对应的问题是，AI 时代到底要怎么把人组织起来。我自己的体感是，这个时代的组织有两个变化，很大程度上都是 AI coding 带来的。
第一，不再有产品、前端、后端、测试、算法这些区分，一个人就能全流程搞定各种环节，协作沟通会少非常多。
第二，公司效率会大幅提高。对于非产研团队，比如销售、增长、审核，如果他们会编程，团队效率可能翻 5 倍、10 倍，而且也不太需要给他们配产研团队了。
曲凯：明白。最后聊一下你自己现在做的事情吧。
小康：我在做 AI 招聘方向的创业。
首先，我认为招聘工作一定会 AI 化。招聘本质上是供需两端匹配，而目前的匹配效率很低。AI 应该会大幅改善这一点，并且尽量减少人在里面的低效参与。
第二，目前招聘市场，尤其是蓝领招聘市场，除了效率问题，还有很严重的欺骗问题。中国的工人、服务员等蓝领求职者，99% 都被骗过。我们希望能帮中国几亿求职者少被骗，更快找到合适的工作，多赚点钱。这是我们很朴素的愿景。
42章经
思考事物本质
2026-06-28 21:00:00
原创 曲凯 2026-06-28 21:00 北京
到底该怎么做好组织建设？
AI 时代的组织建设，一直是个很热、也很重要的话题。
到底该怎么理解组织建设？围绕组织，最重要的环节和话题是什么、有什么方法论？现在公司到底需要什么样的人、怎样找到并招到这些人？AI 介入之后，人与业务该怎样重新分工、一起运转？创业公司能不能从大厂的组织建设中学到什么？
在最近一期播客中，我们邀请了互联网行业资深人力资源专家及 AI 产品经理魏小康，聊了聊他对组织建设和招聘的系统思考。
小康曾创办互联网猎头公司 Offercome。2017 年，公司被字节收购，他随后加入字节，担任招聘负责人，并在 2020 年加入美团，担任招聘负责人和 AI 产品经理，目前正在创业，做一款 AI 招聘产品。
播客中，我们聊出了一套 AI 时代组织建设的框架，但还有很多问题可以讲得更细、更透。所以我们会邀请小康在北京做一场线下分享，和大家一起交流探讨。
具体报名信息请见上方海报。活动时间为北京时间 7 月 4 日（周六）下午 14:30，线下进行，免费参加。本次活动限 50 人（非投资行业），我们会优先通过回答更认真、跟我们背景更匹配的朋友，具体通过情况请以工作人员通知为准。
期待和大家认识 & 交流！
