摘要

零一万物不是“被阿里收购”，而是主动退出超大模型军备赛：它与阿里云成立联合实验室，大部分预训练和 AI infra 团队加入其中并成为阿里员工，零一保留较小团队做模型和应用。李开复明确说，超大模型预训练“这个我们是放弃了”，但 Yi-Lightning V2 仍会低频预训练，一年做一次还是两次要按回报决定。新的分工是阿里训练 teacher model，零一打造“够小、够快、够便宜、够厉害”的 student model。
李开复判断，training-time Scaling Law 已进入投入回报递减区间，超大模型越来越只适合真心追逐 AGI、且能承受巨额成本的公司；在他看来，这通常是大厂。他的比喻是：“一张卡加到十张卡，可能可以得到九点五张卡的价值；十万张卡加到一百万张卡，也许只能达到十三万张卡的价值。”国内他目前较确定看见阿里、字节能够继续，初创公司若没有“超长的长板”，再比谁烧得多很难成立。
零一押注快模型，不只因为推理便宜，也因为 test-time Scaling Law 会放大速度的商业价值。 Yi-Lightning 当时打榜全球第六，速度比 Yi-Large 快数倍，价格约为 GPT-4o 的三十分之一；日常出 token 快五倍可能因超过人类阅读速度而没有明显体验增益，但若慢思考令双方都慢十倍，竞品可能“不可忍受”，零一仍可接受。超大 teacher model 再以标注和 synthetic data 提升小模型，构成李开复眼中的下一代主流架构。
大模型创业公司的“灵魂拷问”已从过去四五年压缩到两三年，GPU 必须像招聘、电脑和差旅一样接受明确的回报核算。 训练 Yi-Lightning 花了 300 万美元，DeepSeek 称其花了 600 万美元；若把前期科研计入，李开复假设总投入达 1,000 万美元，而模型寿命只有约六个月，就必须回答新模型相较旧模型究竟新增了多少收入。“如果你一年烧四五亿美金，就算融了十几亿美金，这个拷问很快就会来了。”
零一给出的初步商业化证据是 2024 年实际收入超过 1 亿元，海外 To C 产品基本打平，国内游戏、能源、汽车、金融已有多个千万元以上的软件订单。 李开复称其应该是 2023 年成立的“四小虎”中首家做到亿元收入者，但也提醒“离上市还远得很”；他对 2025 年的表述是“从一亿做到数亿”，并希望把模型训练压缩为每年一次、最多两次，使成本成为收入可以分摊的 business expense。
零一的获客纪律是“不打打不赢的仗”：不应靠持续投放购买 To C 增长，也不应大量投入在价值低、难复制、连销售成本都摊不回的 To B 边角项目。 值得做的企业订单要么直接帮客户赚钱，要么由愿意拥抱大模型、拥有深厚行业 know-how 且有远见的 CEO 推动深度共创，要么首单虽不盈利、后续客户却能复用 60%—80%。零一还考虑以技术入股成立合资公司，让行业伙伴投入 know-how 与数据，把甲乙方压价关系改造成共同盈亏。
李开复认为中国模型能力约落后美国六个月，却以更少融资和芯片限制做出了“90 分对 98 分”的成绩，下一场更适合中国的比赛是商业模式与 AI-first 应用。他不认同创业公司会全军覆没，但预测“三年以后没有一个公司会被认为是大模型公司”，除非成为 OpenAI；成功者会像美团、字节一样摘掉技术时代标签，成为具体行业的巨头。不过他也承认，这是一个很长周期的预测，无法精准给出答案。判断创业机会是否成立的关键，是 AI 是否重新定义产品，而非只给 Office、搜索或既有平台加一个 Copilot。

精读

1. 联合实验室重划边界，但零一万物并未被阿里收购

李开复对传闻的澄清是：零一万物与阿里云成立产业大模型联合实验室，追求超大集群和超大模型的人员进入其中，并成为阿里员工；零一则保留较小的训练、infra 和应用团队，继续经营独立公司。
被明确放弃的是超大模型预训练，而非全部预训练。零一已有 Yi-Lightning V2，未来可能一年训练一次或两次，也可能沿用旧模型；判断标准只有一个：“它带来的价值提升值得去做吗？不值得我就用上一次的模型。”
李开复把新分工比作大学与师范学院：阿里“培养老师”，零一“培养学生”，最终由“超级厉害的老师教出的超级学生”进入职场。原本想做 scaling law、万台级乃至更大集群的人，也因此去了更能承载其追求的平台。
对并购，他说零一“没有去寻求被收购”，但承认任何创业公司若面对最有利于投资人的收购结局，都有责任考虑。业务 spin-off 同样只是开放选项：若能提高员工动力又不失去控制，可以讨论，但目前并未分拆。

2. 从 Yi-Large 到 Yi-Lightning，转向早在传闻前数月发生

2024 年 5 月，零一面对的选择是继续以更多 GPU、更多数据追逐大模型，还是做能落地、能赚钱的产品。Yi-Large 排名不错，却“不快，也不便宜”；原计划中的 Yi-XL 随后在五六月被放弃，转向已在内部探索的 MoE。
10 月推出的 Yi-Lightning 是完全不同的混合专家架构：表现比 Yi-Large 高一个台阶，当时打榜全球第六，而 Yi-Large 可能跌至约第十五至第二十；速度快数倍，价格约为 GPT-4o 的三十分之一。
李开复称 Yi-Lightning 的表现只略逊于当时最新的 GPT-4，却超过 5 月时的 GPT-4。它由此重新定义了零一的目标：不争“世界上最大最贵、表现第一名”，而是在足够便宜、足够快的前提下把性能做到最好。
程曼祺追问：阿里的通义也有不同尺寸，深度合作后零一为何还要自己做小模型？李开复的回答是，只要 Yi-Lightning 在成本和性能上仍不能被开源替代，它就值得存在；公司不是“给 Yi-Lightning 找应用”，而是“给应用找最好的模型”。

3. Training-time Scaling Law 仍有效，却已不符合创业公司的投资回报

李开复的新认知不是 Scaling Law 失效，而是进入 diminishing return：“一张卡加到十张卡，可能可以得到九点五张卡的价值”，但十万张卡增加到一百万张卡，“也许只能达到十三万张卡的价值”。
继续烧超大模型，适合的是坚定追求 AGI、必须做出世界最大最好模型、并能承受极高代价的公司；他认为这“绝对不是一个初创公司可以做的事情”，除非它确实拥有极难复制的超长长板。
国内目前较确定能继续这一方向的，李开复点到阿里与字节，并保留“也许以后还会有一两家入局”的余地。零一选择合作的逻辑很直接：“你做一个很棒的手机应用，你不会说去重做一个安卓”，超大 teacher model 也会成为类似操作系统的底层能力。

4. 超大模型将退居老师，小模型才是进入市场的学生

超大模型仍有关键用途：标注结果以增强后训练，并生产更适合 student model 的 synthetic data。李开复强调，合成数据若只是替代真实数据不会更好；真正价值是为一个约在 20T 数据饱和的模型，生成质量更高的 20T 数据，再把能力推上一个台阶。
他预期市场主流会是 Yi-Lightning、较小尺寸的千问、DeepSeek、GPT-4o mini 等“能力足够”的模型。它们不必最顶尖，但应由更强的老师持续教学，最终以速度、成本和体验承担普及工作。
李开复援引从朋友处听到的说法解释 Opus 与 Sonnet：Opus 太大、太慢，若开放销售，买家又可能拿去蒸馏竞品，不如留作老师训练 Sonnet，再销售 Sonnet。这是转述而非他亲自验证的结论。
他还提到 GPT-4.5、GPT-5.0 的命名仍未定论，但模型已经做出来；内部测试虽有提升，却可能不值相应延迟和成本。无论是否出售，它都会承担“把所有的 GPT 小模型重新提升一遍”的老师功能。

5. Test-time Scaling Law 让推理速度从体验优势变成成本杠杆

程曼祺提醒，Scaling Law 也可能转向 inference time 或 test time。李开复认为这是另一条曲线，并认为“慢思考、长思考”可能成为下一阶段突破，因此快速推理恰好更有价值。
若零一平常比 GPT-4o 快五倍，但双方出 token 都已接近或超过阅读速度，用户未必得到五倍收益；若慢思考让双方都慢十倍，对方可能慢到“很多应用不可忍受”，零一却仍在可接受区间。
快速 inference engine 还能做更多实验，加快对慢思考方法的摸索。因而零一选择“小、快、便宜”，不仅是防守性的成本控制，也是对 test-time Scaling Law 的前置押注。

6. 行业的灵魂拷问从四五年提前到两三年

李开复把 AI 1.0 的路径概括为论文、比赛、订单、扩张，最终才看财务报表；AI 2.0 的一切都加快了，从信仰到怀疑 Scaling Law 只用一年，资本也会更早追问技术能否转成商业价值。
商汤、旷视等上一代公司即使扣除早期低调阶段，也有约四五年才面对财务审视；这一轮可能两三年就必须回答。若公司一年烧 4 亿—5 亿美元，即使融资十几亿美元，“这个拷问很快就会来了”。
答题顺序是：懂不懂商业运作、收入有多少、能否成长、能否控制成本；继而让亏损收窄，从单点盈利走向多点盈利。否则即使收入增长，若亏损仍是收入的五倍、十倍、二十倍，故事也很难被接受。
GPU 因此必须被当作 business expense。训练 Yi-Lightning 花了 300 万美元，DeepSeek 称其花了 600 万美元；若连前期科研合计假设为 1,000 万美元，而一般模型寿命约六个月，就要像已有旧车的家庭决定是否立刻换车一样，核算升级相较旧模型新增了什么。

7. 商业化第一原则是拒绝无法取胜、无法自生长的战场

李开复的第一条纪律是“不打打不赢的仗”：没有 PMF、需要长期教育市场，或已有巨头形成碾压优势的领域，不应仅因技术看起来先进就投入。
To C 的危险是用投放买来用户，停止投放后增长同步消失；即使免费用户持续使用，也会消耗 GPU。国内 To C 收入难、巨头强，若产品尚未显现自然增长或变现路径，维持排名只会要求不断输血。
To B 若只做边边角角的功能，客户获得价值小、付款少，供应商又难做好，最后连销售成本都可能摊不回。值得争取的是能直接帮客户赚钱的核心项目，或由有远见 CEO 推动、行业 know-how 足够深、适合大模型且愿意拥抱这一方向的强强联合。
另一种可行订单是首单不赚钱，但交付资产可复制：后续 5 个、10 个、20 个乃至 100 个客户，能复用首单的 60%、70%或 80%。在李开复看来，可复用性决定项目收入能否最终变成产品利润。

8. 亿元收入只是验证起点，2025 年目标是数亿元与可解释成本

零一万物 2023 年成立，李开复称它应该是同年成立的“四小虎”中首家在 2024 年做到实际收入超过 1 亿元的公司。他同时降温：“一亿收入不代表什么，离上市还远得很”，但第一个运营年达到这一水平，证明商业纪律开始落地。
海外 To C 产品已基本打平，并有机会盈利；国内游戏、能源、汽车、金融等场景已有斩获，大部分是千万元以上的软件订单。李开复以订单规模作为价值证据：能够打出千万元级软件单，说明确实创造了客户价值。
对 2025 年，他称有把握实现“数倍的成长”，即从 1 亿元做到数亿元。除了放大已有垂直领域，零一还会在部分领域与行业伙伴共创；一种模式是成立合资公司，由对方投入 know-how 和数据、零一以技术入股，双方共同承担成败。
最终希望形成的财务结构是：收入增长数倍，模型一年只训练一次、最多两次，由外部 teacher model 让模型不掉队，甚至保持在第一梯队。只要 GPU 训练支出能被收入合理分摊，财务报表就能让非大模型行业的投资人也看懂。

9. 调整是数月推演的结果，也重新暴露了人才与 CEO 的边界

李开复给出的时间线是：2024 年 5 月萌芽，第三季度逐渐确认道路，随后与阿里达成联合实验室方案，最近一个月开始执行。变化来自行业、认知与实践共同更新，不是资金传闻触发的突然被动收缩。
面对中高层离职问题，他说创业初期的核心团队基本仍在，但整个行业都有大厂以“天价”挖人。有人禁不住财务诱惑，也有人真心想训练 AGI 级超大模型；既然零一不再提供这种环境，就无法强留后者。
程曼祺问功成名就后创业失败是否会损伤履历，李开复回答没有这种包袱：“我等了四十多年终于等到的 AI 时代”，若不亲自做擅长的事、试一把，才会成为终身遗憾；CEO 遇到调整就后悔，“是一个没有资格做 CEO 的人”。
他对创业能力的复盘是：必须坚持的东西要坚持，但已经发生的变化要迅速响应，并根据对未来的判断大胆调整。原先的“AGI 时代微软”梦想没有宣布破灭，只是道路从模型起步改成应用起步：谁都可以仰望星空，但更重要的是脚踏实地。

10. 三年后“大模型公司”标签会消失，AI-first 才决定创业者能否跑出

李开复不认为中国大模型创业公司会全军覆没：各家公司有资金和聪明团队，会找到方向。但他坚持“三年以后没有一个公司会被认为是大模型公司”，除非它真的成为 OpenAI；其余成功者会成为海外 To C、国内 To B 或某个行业的巨头。他也承认，这是一个很长周期的预测，无法精准给出答案。
如果最后只有现有科技巨头获益，在他看来，这意味着 AI-first 应用没有发生预想中的颠覆。若所有变化都只是抖音、百度、淘宝的升级版，大厂会延续成功；若产品类别被重新定义，巨头就会因旧业务包袱给新公司留下窗口。
他用 PC 到移动互联网解释这一分界：搜索变化较小，但出行、视频、支付、本地生活因定位和随身携带而重做。假如手机上始终只是 H5 版旧网站，新一代移动巨头也不会出现。
AI-first 的判据是没有大模型，整个应用便不能存在。Office 加 Copilot 不算；从“人写、AI 帮忙”变成“AI 主写、人调整”，从关键词与网站列表变成问题与答案，乃至社交圈同时包含人和 AI，才是结构性重做。

11. 中国以“90 分”进入更擅长的应用赛，2025 年仍会充满非共识机会

李开复认为，中国在芯片受限、估值更低、融资更少的条件下，模型能力约落后美国六个月，却做得更便宜、更小，可打“90 分”，美国约“98 分”。第一场模型技术赛中国处于劣势，接下来的商业模式与应用赛则更符合中国执行和寻找 PMF 的长项。
他对 2025 年最确定的判断，首先是中美都会出现大量 AI 应用，其中很多来自中国创业公司与大厂；其次是会出现更多 surprise，因为“很多过去被认为是真理的事情，很快就被推翻了”，预测必须给未知突破留空间。
To B 的非共识机会不会只是笼统的金融或保险，而是足够细的垂直行业：必须依靠大模型，不能只省一点钱，而要帮助企业赚钱，甚至令行业龙头的营业额或人效翻倍。这类细颗粒度 PMF 是他认为下一阶段最值得寻找的方向。
对同行，李开复引用王慧文的话：“每一位都是勇士，我们应该彼此鼓励。”对 super agent，他把人的位置留给前所未有的创意、综合性的结合、无法仅靠数据推演的预测、人与人的温度，以及 AI 帮人创造的新机会；若时间被释放，他会继续做 AI 不能取代的热爱之事，并把更多时间留给所爱的人。

Tal Zaks——连接科学、医学与回报——[Invest Like the Best，第406期]2025年1月14日