基于【101视频播客】「对话叶奇意：“寻找”��之暗面杨植麟、中国两代AI、十年人才迁徙，与AGI信仰」的完整转写整理。嘉宾叶奇意（TME）自称"在AI行业打杂了十年的打杂工"，历经依图（AI 1.0四小龙之一）产品经理→创新工场AI工程院前沿探索→美团龙珠领投月之暗面A轮，现正创业做面向普通人的人机交互工具。
一、追踪杨植麟：四个月才加上微信的A轮投资故事
新的变化
ChatGPT发布后，叶奇意所在的团队在一两周内体验后意识到"这件事情不一样"——它似乎是一个能通过图灵测试、触碰AGI门槛的东西。而当时中国需要一个全新的盘面来做这件事：上一代有历史包袱的公司很难放开手脚。锚点只有一个——相信AGI的人一定会聚集在一起。
嘉宾观点与解释
杨植麟在ChatGPT发布前就一直在追求Transformer架构下的Scale模型。 叶奇意从公开论文追溯了杨植林的轨迹：2019年在Google实习时发表了Transformer-XL和XLNet（光从命名就能看出他讲究Scale）；在致远研究院的CPM、GLM模型中有他的团队身影；华为发布的盘古1.0里也有他的团队。“这个人好像一直都在追求这件事情，即使在ChatGPT发布之前。”
加杨植麟微信比想象中难得多——追了四个月。 叶奇意坦承自己是行业新人（刚从AI产业界跳到投资界，没出手过任何项目），加微信不通过"是一件非常合理的事情"。他去了杨植林之前的公司拜访三次，见了其他几位联创，又通过已加入四小龙的前同事介绍了一批优秀的安全研究员过去。直到这些人在模型训练中展现了价值，才反过来帮叶奇意说了话。最终在高铁站突然收到消息：“Kimi同意要见你们了”。
杨植林第一面印象：一个很朴实的研究员。 叶奇意见到的杨植林"很纯粹、很简单，就是单纯对于解决一个问题非常投入"。他认识的DeepSeek、智谱等公司里也都有这样一波"真正热爱行业、很纯粹"的人。杨植林当时定义的目标缩写为LTV——L是LangChain（工具链调用），T是Truthfulness（可靠性，即解决幻觉问题），V是Video（多模态，因为文本模态被重建后需要更多data来补充智能skill）。叶奇意觉得这个缩写很有意思——在广告行业LTV是Lifetime Value（客户终身价值），一个特别商业化的词；在杨植林口中，LTV是一个特别AGI的词。
A轮估值：月之暗面当时是市场最低。 到2023年五六月份，同期大模型公司的前一到三轮基本融完了——零一万物、百川投前接近十亿美金；MiniMax、智谱也过了十亿美金。月之暗面因为团队相对年轻、之前没做出过特别大的公司，市场关注度相对较低，估值也最低。叶奇意觉得"运气比较好"。
A轮时有VC drop了，美团顶上了。 叶奇意没有透露太多细节，但确认在2023年上半年，因为团队很年轻、非常实，融资大概率没有成名国际的企业家那么顺利。
王兴的关键一锤。 内部投委会讨论"非常非常激烈"——核心争议在于：创业公司能不能做超级模型+超级应用？模型投入是不是无底洞？会不会变成大厂的机会？王兴在赶去下一个会之前丢下一句话：“我确实（认为）创业公司能够去做超级模型和超级应用的概率很低，但我愿意支持一把。” 就是这句话把后面推了过去。
二、月之暗面的2024：投流争议与"二等公民"体感
新的变化
2024年初，一位KOC在二级市场路演时展示了Kimi的Long Context（长上下文）读研报能力，一下子让非AI界的人意识到Kimi模型做得不错，DAU大幅增长。但随后Kimi在B站等平台大量投流（叶奇意有体感——做AI内容的视频banner位全是Kimi广告），引发了"是否背离最初AI承诺"的争议。
嘉宾观点与解释
DAU增长本身就在给模型补充data。 更多不一样的用户带来不一样的task，这些task在整个模型训练中会进一步给模型补充更多data和任务，推动模型进步。
中国大模型公司特别不容易——资源非常非常匮乏。 叶奇意反复强调：2024年中国大量初创公司都缺算力，非常非常缺。而你要烧钱，就得说服有资源的人把钱给你。但也正因为资源匮乏，DeepSeek、Kimi、智谱等都被逼着做了大量优化，“反倒是有时会拿出一些北美那些资源充裕厂商不一定重点优化的点”。
To C端大模型产品竞争太激烈。 豆包、千问背后是大厂支撑，Kimi如果走To C路线，直接竞争的就是字节、阿里，而且大家都没有收费。这些都是创业公司面临的现实压力。
三、从K2到K3：中国开源模型的质变——不再拼性价比，直接摸SoTA
新的变化
叶奇意将中国开源模型的发展划分为几个阶段：K2时代（强调dynamic model、性价比极高）、K2.5时代（Open Cloud/小龙虾热潮后，大家开始关注性价比，国内模型是好选择），以及K3时代的质变时刻。
嘉宾观点与解释
K3是真正的"Kimi Moment"——中国模型第一次不是在拼性价比，而是直接摸SoTA。 K3的训练过程中超越了当时所有SoTA模型（超过GPT-4o系列，直到最近Stable等模型才发布可能效果稍好的）。在K3之前，中国开源模型一直被认为是"平替"——性价比高、推理优化做得特别好，但本质上还是追赶者。K3改变了这个叙事。
今年的Kimi Moment跟去年的DeepSeek Moment震撼是不一样的。 叶奇意认为：去年DeepSeek带来的更多是"我们也能做到"的震撼；今年K3带来的震撼更有紧迫感——因为它证明了开源中国模型可以摸到SoTA，而不是仅仅在性价比上做文章。而且是开源的。
2025年最让人兴奋的：scaling从"存量数据"转向"审美拉动"。 2024年大家scale的是存量记录的data（pre训练端、SFT的data）；2025年OpenAI o系列发布后，大家开始在强化学习路上——先预定好问题和reward，在reward奖励下去scale test time（测试时算力），得到下一波智能进步。这意味着存量的已被记录的数据范式开始迁移到"你可以通过自己审美去拉动模型往前走"的阶段。对资源不那么充足的厂商和应用层公司来说，涌现出了一波新机会。
四、上一代AI四小龙的集体困境：泛化不够导致"高级外包"模式
新的变化
AI 1.0时代（商汤、旷视、依图、云从）的集体困境是：模型泛化程度不够。这直接导致了商业模式的根本缺陷。
嘉宾观点与解释
每个新场景都要重新标注和训练——像一个"高级外包"。 叶奇意举了安防场景的具体例子：2017年把人脸识别卖到各省市公安机关时，东北省市的风雪天气多需要重新标注和训练模型；过一个省，摄像头覆盖空间更广、架的高度和角度不一样了，又得重新锚定。这种泛化能力不足导致：每scale一个下游应用就必须增加相应的研发投入——一群全中国最聪明的理科毕业生提供很贵的服务。结果就是业务体量越大，成本侧越高，管理复杂度越大，非常像一个to B服务型生意。跟互联网公司"标准统一系统、scale越大边际成本越趋近于零"完全不同。
这个困境的本质和今天大模型公司有区别。 大模型的business model底层有根本性不同——前提是模型真的具有足够泛化力。这也是叶奇意当年在依图感受到的"路径依赖失败"：卖模型能力不是一个好生意（至少在AI 1.0时代不是）。
五、两代AI的人才传承：从MSRA/百度到四小龙到大模型六小龙
新的变化
中国AI的人才图谱有一条清晰的传承链：MSRA（微软亚洲研究院）和百度AI研究院培养了AI 1.0的founder们，AI 1.0的founder们又培养了AI 2.0的founder们。
嘉宾观点与解释
传承的核心是"对技术的信仰、好奇心、不计结果的探索"，而不是功利主义。 叶奇意举例：本科时代CS系能力最强的人（打ACM的人）很喜欢去MSRA实习；依图的联创陈曦曾在MSRA短暂实习，后被王坚带去做阿里云。月之暗面的联创里有旷视过来的人，MiniMax有商汤、依图出来的人，智谱脱胎于清华实验室——这一代模型厂商的founder们很多在上一代四小龙实习过。
上一代四小龙的人才流向这轮的比例约10%+。 叶奇意身边的朋友中，超过10%已经流入这轮AI（即使2023年没流入，也逐渐流露进来了）。但很多不是站出来的founder/face，而是下面执行的leader——他们经历过周期，反而能摒弃短期噪音，持续推动事情发生。
约80%的人拒绝了这轮AI的邀请。 经历过一波理想主义破灭后，很多人把二十多岁到三十岁最激情澎湃的时间奉献给了AI 1.0，却没得到世俗意义上的好回报（没做出像互联网公司一样伟大的公司）。所以有了失败的路径依赖——“暂时先观望一下”。但剩下10%-20%的人"完全不计我会获得什么"，只是觉得这个事情足够让他兴奋、有影响力。
DeepSeek是黑马，叶奇意自己都没cover到。 DeepSeek招的人更加年轻（杨植麟/量化公司背景触达的是每年搞ACM/NOI竞赛的最年轻人），所以叶奇意到2023年下半年才通过认识新一代researcher和engineer接触到DeepSeek的人。不同founder的背景决定了他们触达不同人群的效率——DeepSeek（量化背景）偏向最年轻的竞赛生；MiniMax、月之暗面（��小龙背景）偏向上一代人才供给；智谱（清华背景）偏向清华应届生。
六、2019年创新工场尝试做"中国版GPT-2"：为什么失败了
新的变化
在创新工场AI工程院（鼎盛时期200多人），叶奇意团队在2019年就尝试做了"中国版GPT-2"——比ChatGPT发布早了三年。
嘉宾观点与解释
凑齐了data、卡、人，但模型效果很差。 有趣的机缘：一位中东LP盘点机房时发现几百台V100尘封了半年没人用，问创新工场要不要用——“我们要用！我们要用！“有了卡、有了NLP研究员（腾讯AI Lab的张潼老师团队离职后短暂驻留创新工场）、不缺中文data，训练出来的模型却非常糟糕——让回一封简单邮件，它连续输出三个逗号。
失败归因：数据工程没做扎实 + 没有理解Scaling Law。 第一次复盘归因是"中文数据质量不如英文语料”；到2020年再次尝试（孵化澜舟科技，搭配周明老师）时，才意识到核心问题是数据清洗没做好、没把"data非常踏踏实实清洗和处理干净"这件事做到位，以及自身对Scaling Law的认知没有到位——仍然在用AI 1.0的范式找to B垂直场景卖模型能力。
七、暴论：卖模型能力不是好生意，真正的super应用是"持续生产智能的环境”
嘉宾观点与解释
“卖模型能力不是一个好生意”——即使今天Claude证明了收入可以涨得很快。 叶奇意认为Claude是一个好产品，但好在其coding场景的封装（Harness脚手架、工具链、程序员即时反馈的reward环境），而不仅仅是模型能力本身。模型能力（不管是API还是SDK）最终都会commercialize（商品化）——就像云计算，是个不错的生意，但"不是一个可以得到非常高超额利润的生意"。
Model会吃进去很多东西，但人类智能不可穷尽。 叶奇意相信modelization（模型化）趋势——模型会逐步把共识性的行业标准东西吃进去，包括Harness层自己都会被吃进去。但他更坚信人类社会的智能探索永远是源源不断会产生的。真正的super应用/super app，会是一个"在人与AI的互动当中，源源不断持续产生新的智能的环境"——而不是单纯卖模型能力本身。
技术领先只能给你一个时间窗口，不是永恒壁垒。 在模型高速发展期，SOTA模型掌握定价权、有超额利润，追赶者只能贴近成本甚至亏着卖——这是事实。但"永远保持技术领先，在我看来是不可能的"。关键在于：能不能利用"人无你有"的时间窗口，建立一个能持续生产智慧数据、让模型不断evolution的飞轮？如果飞轮建立成功，更多智能发生在你的环境里，环境就会不停往上走，别人赶不上。如果飞轮没造出来，时间窗口一过，模型能力被拉平，你就变成commodity。
八、大厂角色与叶奇意的下一步：做面向普通人的AI工具
嘉宾观点与解释
字节打出了"模型生产-消费-分发闭环"的漂亮范式。 豆包2.0 + AI短剧 + 抖音内容孵化平台，甚至比Colo的有些闭环做得更往前一步——这是字节用上一代移动互联网积累的生态型打法结合AI的结果。
阿里是"全地域的支持者"，给几乎所有国内大模型公司投了卡和资源，在搭基建。
腾讯/微信拥有最好的环境之一。 虽然暂时模型没进第一梯队，但一个好的大模型产品最重要的是环境——微信拥有目前整个社会里可能是最好的环境。
叶奇意自己的创业方向：for human interaction的小工具。 他从2022年底用超级App（ChatGPT等）到今天，一直觉得自己是"AI世界的二等公民"——在开放数据框里觉得自己不够聪明，不像那些prompt高手、能构建AI loop的人那样是"一等公民"。“一个产品如果让一波用户觉得自己是二等公民，它大概率不是一个好产品。” 他想做的是让智能更加普惠地、平等地让所有人享受。具体在做"人与人交流"方向的小工具——因为人与人交流不是简单的"编码-发送-解码"，而是共同制造一个场域、重建意图的过程。
结语
这期对话最珍贵的地方在于叶奇意亲历者的视角——他不是从外部观察，而是在依图做过产品、在创新工场尝试过GPT、在美团投了Kimi。他讲述的四个月追杨植麟加微信、王兴那一句"我愿意支持一把"、2019年几百台V100尘封的机缘、以及"卖模型能力不是好生意"的暴论，都是只有局内人才能给出的细节和判断。而贯穿始终的主线是：中国AI从"拼性价比平替"到"直接摸SoTA且开源"的质变，背后是两代人十年间对技术信仰的传承——即使80%的人经历过理想主义破灭后选择了观望，那剩下的10%-20%不计回报的人，就是今天的DeepSeek、Kimi和智谱。