113: 秘塔闵可锐1：回到故事开始，那些「神预言」

摘要

• 闵可锐的核心押注不是“做一个万能大模型”，而是让应用决定模型、数据与算力投向。 没有明确应用侧重的模型容易变成“好像什么都懂，但是什么都做到一个基本不太可用的阶段”；秘塔因此从法律翻译、纠错、生成到对话逐步推进，优先选择“机器虽然贵，但是人更贵”的专业场景。

• 在他看来，真正的范式变化是大规模预训练，而不是 Transformer 这一具体架构。 Transformer 解决了并行和规模化训练的工程问题，但即使没有它，GPT 可能也只会晚两年；GPT-3 的关键不是新架构，而是把约一亿参数曾被视为“不可落地”的工业常识，一步推到一千多亿参数。

• 模型能力最终要过单位经济账，通用搜索在当时远不如高价值专业工作可行。 闵可锐援引三六零的测算：约两百字生成成本四分钱，若覆盖全部搜索 query，每天约四千万元、一年上百亿元，而广告年收入约八十亿元；相比之下，律所法律翻译每字可超过一元，资深律师一小时可能收费五千元，“算力换人力”就有足够大的容错空间。

• 秘塔已经证明了一定规模的用户和收入，却也暴露出中国 AI 应用商业化的天花板。 当时写作猫注册用户超过七百万、付费率约 2%-5%，每天仍给免费用户八千字检查额度；法律翻译在有限的涉外律师群体中渗透约 30%-50%，但需求会随跨境并购和涉外业务同步下滑，“天花板有限”和竞争较少其实是一体两面。

• AI 应用会先进入“所有人 PK 所有人”的战国时代，壁垒只能在动态迭代中长出来。 个人开发者用 OpenAI API 三天做出的产品，就可能直接挑战大厂积累多年的功能；创业公司的现实机会不是正面对打 GPT-4，而是占据巨头不愿为 0.1% 收入增长投入主力的边缘阵地，再把某一类写作或法律场景做深。

• 开源会大幅降低进入门槛，但不自动抹平规模、数据和反馈速度的差距。 从开源权重上 fine-tune，成本可能比从头训练低两个数量级；可若 OpenAI 一类玩家能以其他创业公司一百倍的投入，把一次反馈从三个月压到一天，最强闭源模型仍可能领先，而大量所谓开源发布只是基于少数底座修改的“饭圈模型”。

• 本期最具投资含义的判断，是中国 VC 可能按传统风口打法“集体 miss 掉”真正有雄心的大模型创业者。 闵可锐认为“大佬站台、院士领衔、融资几千万美元”未必能复制 OpenAI，关键是找到仍在一线写代码、懂得怎样花算力的人并给足资源；同时，缺少产品正循环的团队若发现自研效果还不如开源，可能在半年到一年内迅速退场，形成“速生速死”的洗牌。

精读

1. 这场 2023 年访谈记录了中国大模型热潮刚起跑的判断

• 访谈发生在 2023 年 3 月中旬：光年之外刚成立，月之暗面仍在组建，“六小龄童”的名号还没有兴起，DeepSeek 也还没有正式成立。

• 节目重听的价值，在于闵可锐当时已经提出几条后来反复出现的主线：预训练重于具体架构、密集的模型竞赛不可持续、应用会进入战国时代。

• 他给秘塔的定位非常明确：“我们肯定会以应用驱动。”没有清晰应用侧重，模型很容易停在“好像什么都懂”，却没有一项真正可用的状态。

2. 闵可锐的路径横跨算法竞赛、学术训练与两次创业

• 闵可锐从中学算法竞赛接触算法和数据处理，保送复旦计算机系，之后读牛津数学硕士，再到 UIC 攻读博士，最终肄业回国创业。

• 他把这条路径概括得很平实：自己做 AI 已近二十年，并非在 ChatGPT 出现后才转向大模型，而是长期围绕机器学习和 NLP 做产品。

• 2018 年秘塔成立时，他还写过《关于机器学习的前尘往事》；节目按语特别提到，文中已谈到 Dario 在百度工作时发现的 scaling loss 雏形。

3. 玻森与猎豹让他提前看见 AI 产品的价值和大厂的局限

• 闵可锐约在 2013 年创立玻森数据，做了四到五年，最后一款产品把 AI 落到金融领域；蚂蚁认为这是少见的“真正在做产品做 AI”并能卖给金融机构的团队。

• 2017 年收购谈判期间，他因不愿被蚂蚁体系绑定而提前离开，随后在猎豹负责 AI 团队，参与推荐系统、猎户星空及与喜马拉雅合作的智能音箱。

• 智能音箱很快从上千元打到几十元，甚至沦为半卖半送的赠品。那段价格战，也让他直接看到：技术可用不等于产品能建立可持续利润。

• 他只在猎豹待约一年，原因是已经看见新一代 AI 技术的更大机会；这个判断并不依赖某一篇 Transformer 论文，而来自预训练开始真正 work。

4. 大规模预训练的机会早于 Transformer 本身

• 曼琪问 Transformer 是否直接触发创业，闵可锐否认了这种简化叙事：机会来自“深度学习加大规模的预训练”，Transformer 只是随后非常有效的工程实现。

• 在 BERT 前，ELMo 等工作已经尝试用 RNN 做预训练，并在多类任务上取得不错效果；问题在于 RNN 的时序依赖使大规模并行训练很难。

• Transformer 的价值是让并行和规模化更容易，而不是凭空创造预训练思想。闵可锐的判断是：“哪怕没有 Transformer，GPT 这件事可能会晚个两年，但最多也就是晚个两年。”

• 他的区分很关键：预训练改变了机器学习解决问题的方式，网络架构则是实现这个方向的技术选择，不值得形成“信仰”。

5. 预训练把每项任务从零标注改成了知识迁移

• 旧范式下，做情感分析就要单独找一万条评论，逐条标注正面、中性或负面；每个新任务对模型而言都近似从零开始。

• 预训练先让模型从海量文本中学习语言。闵可锐不愿简单称它为“无标注”：人写下一段话本身就在输出判断，因此更接近 self-supervised。

• BERT 通过挖空再还原学习语言，GPT 则根据前缀预测下一个词；之后只需少量微调数据，原来一万条做到 70 分的任务，可能一千条就做到 85 分。

• 更重要的不是节省九成标注，而是获得原来覆盖不到的迁移能力：“这句话我没见过，也许你会”，因为类似结构可能已在互联网文本中出现十次。

6. 规则系统和知识图谱的问题不是不聪明，而是无法一致地扩张

• 旧系统常是“有多少人工，有多少智能”：表面上的一次判断，背后可能对应一条人工规则；没见过那句话，就不可能处理。

• 即使写出一万条规则，也难保证 consistent——今天和明天的规则、A 和 B 写的规则都会冲突，而冲突本身又需要新规则解决。

• 闵可锐以 Google 投入知识图谱为例：要让符号化数据实时更新、持续有效并覆盖所有行业，即使投入大量资金和人员，也“基本上是不可能”的规模化任务。

7. 法律翻译是“高价值、逻辑明确、机器可替代”的第一个切口

• 秘塔 2018 年选择法律翻译，并不是因为人觉得它简单；恰恰相反，法律翻译要求同时懂法律、语言、专业术语和实务经验。

• 闵可锐的判断是：任务可以复杂，甚至包含多步 reasoning，但只要“有逻辑、有规则可循”，就可能被数据驱动的方法做到很高水平。

• 这形成了秘塔最初的场景筛选法：用户有明确付费意愿、人工成本高、AI 能逐步替代，而公司的资源足够覆盖所需训练和产品化成本。

• 他承认当时 AGI 看起来仍很远，所以选择“有多少资源办多少事儿”；通用模型方向则像是把一千个常见任务一次集成进一个模型。

8. ChatGPT 之前，应用层技术几乎都能被逆向工程

• 闵可锐用一句很强的判断概括早期工业界：“在 ChatGPT 之前，这个行业没有秘密。”只要看到 Google 或微软应用的效果，他就敢估算几个月、几百万元能否复现。

• 秘塔为翻译设计的一些算法和工程 trick，约一年后会出现在 Google 的 publication 中；团队没有发论文，只因为觉得产品效果比发表更重要。

• 真正改变这种确定感的是 GPT-4 一类工业化生产的大模型：第一次让他感到，知道效果也未必能靠有限资源逆向工程出来。

9. GPT-3 的突破是把规模推到工业界不敢考虑的位置

• 2020 年前后，工业界还把 BERT base 的一亿参数视为太大，研究重点是量化、压缩，并把模型缩到三百万或五百万参数。

• GPT-3 没有使用多少新架构，除 attention 的一些细节外，基本仍是 2017 年版本；它真正做的，是把规模推到一千多亿参数。

• 当时闵可锐也只觉得这项实验“挺好玩”，并不认为能落成产品：它比工业界嫌贵的一亿参数模型又贵约一千倍，看上去更像科学探索。

• ChatGPT 和 GPT-4 后来把这种规模能力以产品形式呈现出来，构成了真正的工业门槛。

10. BERT 与 GPT 之争在他看来像争红笔还是蓝笔

• 原始 Transformer 同时包含 encoder 与 decoder；BERT 抽出 encoder 做预训练，GPT 则使用 decoder 根据前 n 个词预测第 n+1 个词。

• 闵可锐的比喻是：“就像一个红色圆珠笔、一个蓝色圆珠笔，你一定要说谁好，这重要吗？”任务需要什么，就采用什么架构。

• 曼琪提出，GPT 经历 3.5、4 的迭代后确实呈现更强通用性；闵可锐的反驳是，市场从未做过同规模、公平的大规模比较。

• 用一千亿参数的 decoder-only 对比一百亿参数的其他模型，再宣称前者更强，无法证明架构优越；T5 等 encoder-decoder 模型在同规模下也曾与 GPT 互有胜负。

11. decoder-only 的胜出可能首先是机器成本问题

• 闵可锐认为 OpenAI 采用 decoder-only，一个基本原因是架构更简单、更容易优化，也更容易把 GPU 吞吐量跑满。

• encoder-decoder 涉及两条计算链：有时 A 等 B，有时 B 等 A，资源调度显著更复杂；decoder-only 可能因此获得 20%-30% 的吞吐优势。

• 因而这条路线的扩张未必来自“预测下一个 token”的哲学信仰，也可能只是工程和机器成本让它最容易先放大。

• 曼琪引用 Ilya 的侦探小说比喻：能预测结尾的凶手就包含推理。闵可锐回应，从理论计算机角度，sequence-to-sequence 能模拟任何可计算函数，本就是“比较 trivial 的结论”。

12. 多模态正在把不同领域收束成同一种计算问题

• 过去做语音、NLP 和图像的人各有一套 feature 与信号处理技能；深度学习的发展则越来越依赖统一架构和计算，越来越少依赖 domain knowledge。

• 闵可锐以特斯拉自动驾驶为例：摄像头、传感器等原始信号都可输入统一模型，再输出物体位置等 prediction，本质上仍能写成 sequence-to-sequence。

• 图像序列过长的问题也能靠工程化方法压缩：把 32×32 个 pixel 拼成一个大 pixel，可把百万长度序列降到约一千，再使用标准 Transformer。

• Vision Transformer 的核心思路一句话就能讲清，但完成实验并证明有效仍有价值；他只是拒绝把这种工作神话成不可思议的天才突破。

13. 真正的天才工作往往需要一学期知识才能看懂

• 闵可锐心目中的重大突破，是把研究四十多年的网络流、最大流问题，从普遍认为需要 n² 或 n³ 的复杂度推进到准线性复杂度，并用几十页论证证明。

• 这种论文的理解成本可能是二十节 lecture notes；即使工具都准备好，最后一步仍是 non-trivial，读懂后才会感到技巧“真的非常强”。

• 相比之下，媒体更容易传播研究者的传奇经历。曼琪认为普通人只能与故事共情；闵可锐同意，但提醒：没有故事性的强者即使解决重大问题，也可能无人知晓。

14. 深度学习模糊了学科边界，也放大了不可解释性的风险

• NLP 的突破并不能简单归为“视觉研究者跨界”：深度学习对视觉研究者同样是新范式，Transformer 也从翻译扩展到图像、音频和视频。

• 2000 年代机器学习研究大量集中于 graphical model；偏理论学者长期质疑深度学习，重要理由就是可解释性显著弱于前代方法。

• 闵可锐总结这种变化：以前是“你不可解释，而且我也不认为你 work 得有多好”；现在则是“你不太可解释，而且你竟然 work 得非常好”。

• 能力超出预期后，监管要求自然更高。模型若犯错，可能不是一个小错，而是因其已介入更强决策而造成严重后果。

15. 产品线从翻译、纠错走到生成与对话，但并非一个模型包办

• 秘塔 2019 年推出法律翻译，写作猫先做类似 Grammarly 的检查和纠错，2022 年 11 月加入生成，2023 年 2 月再加入对话。

• 团队奉行“什么好用用什么”：成本、在线用户量和推理能力都会决定模型组合，并不坚持所有功能必须由同一个大模型完成。

• 写作猫不只把 A 改成 B，还尽量解释为什么错，试图像“一位专业老师一直坐在旁边”，实时检查每一行文字。

• 闵可锐认为新入局者常高估大模型：有人“脑子一热一定要 all in”，也有人知道成本不成立，却先借概念推动股价。

16. 搜索的成本账不成立，专业服务却容得下昂贵推理

• 闵可锐援引三六零电话会的算法：约两百字生成四分钱，若把 GPT 能力覆盖到全部搜索 query，每天成本约四千万元，一年上百亿元。

• 与三六零约八十亿元广告年收入相比，这意味着至少在当时成本下，直接把生成式模型 scale 到所有搜索并不 work，除非出现新商业模式。

• Jasper 的重要贡献是找到“机器虽然贵，但是人更贵”的切入点，让每次推理成本仍显著低于被替代的人力。

17. 法律翻译和新闻翻译的差别不在效果，而在支付意愿

• 好律所的人工法律翻译每字收费可超过一元；一位资深律师与客户谈一小时，可能收费五千元。几十或几百美元的机器订阅因此仍显便宜。

• 秘塔相信自己也能把新闻翻译做得比 Google 更好，却没有选择它：“谁会愿意为了一个翻译得更好一些的新闻来付给我们钱呢？”

• 高价值工作允许用算力换人力，低价值内容即使质量提高也很难收钱；这是秘塔应用选择中比模型 benchmark 更硬的一条约束。

18. 写作猫用免费额度换规模，付费率不是孤立的优化目标

• 当时写作猫注册用户已超过七百万，付费比例约 2%-5%；团队认为这个水平合理，也没有急于把付费率做高。

• 产品每天给免费用户八千字检查额度，允许低频用户持续受益。若把免费权益降为零，付费率当然会上升，但大量不转化用户也会离开。

• 新增用户中有“百分之几十”至少用完了生成式功能的免费额度，说明生成和对话仍是大量中国用户第一次真正体验的新交互。

• 闵可锐把目标用户限定得很实际：每月只写五百字的人可能永远免费；融媒体、公务员等高频写作者才会因降低错误率、节省校对时间而付费。

19. 法律翻译渗透率不低，但需求被涉外业务的周期锁住

• 法律翻译主要按 B 端标准产品出售，客户是律所、律师工作室及合伙人团队；在有限的中国涉外律师群体中，秘塔估计渗透率约 30%-50%。

• 律师绝不会“没事打开这个产品来玩”，使用频率完全取决于是否接到跨境并购等涉外案件；2022 年相关业务减少，使用也明显下探。

• 产品还卖给英国、美国律所的亚太办公室，但中美贸易摩擦后，美国律所对中国软件的 IT 审查更严，新供应商进入周期可能以年计算。

• 这个市场“天花板非常有限”，却因此不容易吸引新玩家长期投入；对想付费获取高质量服务的律所而言，也没有太多其他选择。

20. 中国订阅更难，但重 B 端未必是一条更容易的路

• 闵可锐认为，相比海外，中国用户的付费习惯可能更弱，单个客户带来的收入也可能有明显差异；Jasper 能快速做到一亿美元 ARR，同样产品在中国很难复制这个速度。

• 一亿元人民币订阅尚有机会，一亿美元级别则很少见；但这不意味着转向 To B 就能自动解决问题，“在中国做哪怕 To B 也不容易”。

• 法律翻译无法让律师突然多接三倍订单，只能提升已有工作的效率。因此秘塔从一开始就知道，专业小场景不足以独立支撑无限增长。

21. 标准化轻 B 端保留技术优势，定制化则容易把公司拖入双输

• 秘塔偏好拿一套标准产品卖给企业，只承担较高商务成本；闵可锐警惕的是，客户把标准产品改成定制服务的倾向。

• 他用“甲方改十稿又回第一稿”解释其中机制：客户往往要求经历修改过程，而不只是直接得到结果。

• 重 B 端销售链条过长，技术只是其中一环。精兵强将谈半年拿到二十万元或五十万元项目，收入可能远不足以覆盖人力。

• 最终形成“相互伤害”：客户觉得五十万元足以让自己提各种意见，供应商觉得亏钱却需要客户 logo，以便向下一轮资本讲故事。

22. 下一个市场必须放大一个数量级，而不是复制几个小项目

• 闵可锐不愿复制多个年收入一百万元的专业工具，因为两个同量级项目对公司的战略意义有限。

• 他希望下一机会至少比现有场景 scale 一个数量级，最好两个数量级；这也是写作猫选择更广泛写作人群的原因。

• 但更大市场也意味着更强竞争。面对“差异化是什么”的追问，他拒绝给静态答案，只说：“走着瞧。”

23. 创业公司的壁垒要从巨头忽略的边缘阵地里长出来

• “走着瞧”不是没有判断，而是承认技术、交互和用户反馈都在快速变化；团队必须持续发现哪些问题值得优化，并比别人做得更好。

• 用户用过 GPT-4 后，只会问你的效果为何不如 GPT-4，并不关心双方成本差异。最通用的“全面战争”因此不利于资源有限的创业公司。

• 机会在巨头收入的 0.1% 以内：一亿元人民币对创业公司足够重要，却未必值得巨头调动主力；创业公司可以先把这个阵地占住。

• 写作也不是单一市场。公务员写作、电商文案、邮件营销和 SEO 所需知识、交互及工作流完全不同，未必能靠一个通用模型直接解决。

24. 应用层会先成为个人开发者、创业公司与大厂的混战

• 闵可锐把当时的应用生态称为“战国时代”：junior、兼职开发者拿 OpenAI API，三天上线的功能就可能挑战大厂多年积累。

• 个人开发者的试错成本极低，“大不了这事儿不成”；一旦看见别人只是套 API，也能迅速复制并降价竞争。

• 因此当时尚未到商业模式收敛期。订阅、按次付费只是收费形式，真正的问题是产品提供了什么不可被新入局者立即复制的价值。

• 他不相信存在一个“绝妙商业模式”，可以无视开源、模型价格和竞争格局的变化永远成立；一天一个样的世界，只能靠反馈动态调整。

25. AI native 首先改变交互，但不是清晰的从零到一

• 闵可锐理解的 AI native 很字面：重大技术突破会伴随用户交互变化；大厂迁移时则会受旧交互和既有用户习惯的包袱影响。

• 长期产品一旦改交互，总会得罪已适应旧版本的用户；大厂创新的负担，就像强行收回旧手机再塞给用户一部尚不成熟的新手机。

• 曼琪把 AI native 定义为“以前做不到、现在才能做到”；闵可锐不同意这种二元切分，认为 AI 更多处在“做不好到做得更好”的灰度 spectrum。

• 多轮对话在限定范围内二十年前也能用专家系统模拟，只是范围窄、成本高、转化差。闵可锐强调的变化是能力从特定场景向更通用方向扩展，以及效果和成本的改善。

26. 医疗 AI 的最大阻力可能是权力、数据与监管，而不是模型能力

• 闵可锐对 IBM Watson 的失败不愿下技术结论，但猜测医疗的强监管、高错误成本和组织壁垒，比单点模型效果更关键。

• 名医对医院未必高度依附，罕见病例数据又可能关系论文和晋升；医生往往要先发表，才愿意把“private data”放进公共系统。

• 科室之间也存在竞争。行政命令很难消除数据分享顾虑，而一个号称更智能的系统最终还会碰到：“现在做决策的人可是我，你在教我做事？”

• 曼琪把这称为社会工程；闵可锐进一步指出，如果将来系统告诉医生“不用你干了”，医生为什么要主动配合训练它？

27. 自研、fine-tune 与 prompting 是控制力和投入的连续谱

• 闵可锐把三条路线排成一条控制链：从头训练投入最大、控制力最高；基于开源模型 fine-tune 居中；prompting 最便宜，也最依赖别人的既有能力。

• 如果底座没有某项能力，提示词无法凭空创造。“它有这个能力，你能通过提示词把它展现出来；不能做，就先不做。”

• 秘塔希望找到第三档做不到、第二档做不好的高价值问题，再回到数据、架构和预训练源头解决，而不是先花钱训练、再寻找用途。

• 团队从 2018 年起就从头训练模型，最初也没有合适开源底座；翻译和写作猫使用不同模型，平均约两三个月迭代一个新版本。

28. 参数规模是成本，不是能力本身

• 秘塔早期主要用自购消费级游戏显卡训练，累计几十张，单卡通常不到两万元；解决特定领域问题时，大参数反而可能是负担。

• 到 2022 年底、ChatGPT 前后，团队判断写作生成需要更大模型，才开始更多使用云端 GPU；但投入仍能由自身收入覆盖，并不需要为租十几张卡单独融资。

• 闵可锐强调，低算力做出效果并没有一句话可解释的“绝妙诀窍”，而是数据、架构、训练稳定性和工程优化的累积。

• 公司模型团队不到十人，成员很多从 Day One 一起工作，并非全是最豪华履历；关键是“我是会用钱的人，所以就够了”，重大投入仍由他判断。

29. 真正的算力瓶颈不仅是卡，而是整座机房的供电和互联

• 2022 年，单张 A100 云租金每月可低于一万元；到访谈时续租价格变化不大，但新需求更难拿到，采购单卡已到十万元左右。

• 秘塔认为 50 张乃至 100 张以内仍能从阿里、金山或更小供应商等多渠道解决；真正困难的是四位数卡量。

• 四位数训练还要求 IB 网络把卡高速互联。许多中国机房按十年前标准建设，游戏卡服务器占机柜十分之一空间，却可能耗尽整个机柜电力。

• 新版 H 系列卡甚至可能一台就逼近机柜供电上限；各地政府建设的超算中心又常因软硬件脱节而闲置，反映瓶颈是从需求定义到基建的整条链。

30. 开源会繁荣，但热闹发布不等于真正的大底座增多

• 闵可锐认为当时真正的大型开源语言模型并不多，主要是 OPT、BLOOM、LLaMA 等少数底座；大量发布只是换数据再 fine-tune 的“饭圈模型”。

• 同为一千多亿参数，OPT 的性能仍明显落后于 GPT-3 论文报告的结果，因此 Meta 才继续训练 LLaMA；参数相同并不代表训练质量相同。

• 模型的 loss 只下降一点，整体平均分可能变化很小，但某些长尾能力可能从近似随机跃升为显著可用。如何投算力、判断收敛，本身都是 know-how。

• 中国也发布过几百亿或千亿规模的模型，但闵可锐试用后的评价是训练不足；“把它跑起来”与真正把模型训练好不是同一件事。

31. 开源把迭代成本降两个数量级，闭源却可能靠反馈速度继续领先

• 传统软件开源的功能定义清晰，用户发现 bug 就能提交 patch；语言模型连“正在优化什么”都难定义，一个任务提高时另一个任务可能下降。

• 模型开源的核心是权重，而非只有代码。完整开源若同时提供训练代码、inference 代码和参数，开发者可直接使用，再用一万条医疗数据等做 fine-tune。

• 一个两三百亿参数模型用单机从头训练可能需要至少一年，fine-tune 却可能三天完成；闵可锐估计，这让创新成本降低约两个数量级。

• 但若存在类似 OpenAI 的玩家，能用其他创业公司一百倍的投入，一天完成别人三个月或六个月才能看到的反馈，最强闭源模型仍更可能领先。

32. 热潮抬高了标杆，也可能重排资本、组织和最终赢家

• 秘塔在 ChatGPT 发布前一两周上线 AI 写作，本来可能拥有半年教育市场的窗口；ChatGPT 却在两三个月内把全民基准从“比 Siri 聪明”抬到 ChatGPT、GPT-4。

• 当时写作猫注册用户超过七百万、团队几十人、公司可基本自给自足；收入不到 2,000 万元，闵可锐说总成本为几千万元，但未单独给出人力成本。财务投资人反而担心它正面遭遇上千亿元市值的大厂。

• 闵可锐由此判断，中国 VC 可能“集体 miss 掉”真正的大模型创业者：传统资金偏好大佬站台和资深院士，OpenAI 的关键人物却年轻、仍在一线写代码，并真正知道钱该花在哪里。

• 曼琪举 MiniMax、杨植麟等反例，认为资本并非只投传统成功者；闵可锐仍强调，舆论热度远高于实际出手，且创始人是否继续留在一线，比履历标签更重要。

• 模型创业公司还容易卡在中间：向上比不过 GPT-4 的投入，向下又未必擅长应用和用户战场。未来 6-12 个月，各家都会 claim 达到 GPT-3.5，但他预计“百分之九十的用户还是在 ChatGPT”。

• 节目以教育为例讨论行业改造：二三十美元一个月的机器人可以 24 小时一对一答题、陪练口语；谁赚到钱尚不确定，但产品可能深刻改变原有工作方式。

• 热潮中的密集投入未必持续。若主营收入下滑、自研几亿元后还不如新开源模型，团队可能在半年到一年内退出，市场甚至会重新出现大量二手 A100。

• 秘塔仍选择把法律做深到“超过这个领域 99% 的人”，并扩展到翻译之外；法律法规每天更新，实时性、法系差异、内网部署与用户隐私都会形成长期能力。

• 公司会利用用户主动反馈的“这个不准”“忽略”“添加”等行为，但不碰用户隐私数据；反馈还需提纯，因为一人的判断可能与另外九人冲突。

• 融资对秘塔是锦上添花，目标约一千万美元，可显著加速现有路线；闵可锐拒绝为了显得有野心而讲“二十个行业全栈落地”，他的结论仍是：“把手上的事儿给做好。”