摘要

Vozo 用「先猎奇破圈、再切真需求」的路径在6个月做到100万美金ARR，且几乎零营销预算，只打了两次 Product Hunt。 周昌印把路径本身当战略：“你肯定不要让别人觉得你是个 Me too”——先用没人见过的魔改功能（rewrite）建立创新品牌，发现大量用户拿它做翻译后，再切回 translate 这个真实需求市场做深，续做 lip sync、photo lip sync，一路拓圈。他的判断是"Me too 的团队在现在的 Gen AI 时代是不可能成功的，这是我的 bias"。
核心投资判断：通用模型将来都不会成为壁垒。 他在2023年亲手做过视觉大模型（早于 Runway V2 发布），据此判断可控性、一致性、算力成本的突破节奏，并预期 Sora 领先会被快速追平（“再过三五个月 Google 的可能就出来了”，后如期发生）。结论是创业"尽量会远离它"——只做因应用有特殊性的模型（为翻译定制的声音克隆、语气保持、lip sync），基座模型能用就用。
商业结构罕见地健康：融资仅600–700万美金（信行资本+红杉种子），40多人团队、研发占70%以上，靠国内提词器 app（海外叫 Blink）约600万美金ARR实现现金流 break even，“Vozo 所有赚的都是我们的利润”。两个产品将合并为同一会员体系，统一叫 Vozo。
PMF 的定量定义值得抄作业：100个付费用户应有80个续费（预留20%因自身业务流失），加一个绝对值目标（先到 $1M ARR）。 Product Hunt 打榜到前三"就是运营的事情"，与产品关系不大；真正价值是逼你一句话说清产品，以及约1000的流量足够做 PMF 迭代——“推广早一个月晚一个月其实没有那么重要，PMF 走对更重要”。
最贵的一课：2023年公司同时押注基础研究与应用，“没有 synergy……你帮不上我，我帮不上你”，扯了一年。 2023年10月发布 HiveNet 多模态模型的 PR 实质是停止推基座模型的内部宣言，此后所有研发立项必须从产品出发。Researcher 没有因此离职——他们更在意研究被大量的人用上。
从 Google X 研究员到"接地气"创业者的心法：第一次创业（VR teleportation）是 wishful thinking，教训凝结成一条保守原则——“做整个行业链里面缺的最后那一环”，别做五环里的第一环指望别人补齐另外四环；他用同一框架看衰 Vision Pro：“即使像 Apple 这么大的体量都很难把这么大的一个链条给串起来”。
模型会吞掉应用层的雕花吗？" 我觉得一定会的。" 但他的对策是内部准则"如果它是一个标准模型，不要去碰它"——做离应用很近、不一样的东西。Midjourney 是例证：大框架大差不差，细部 tuning 带来巨大商业差别；“不用太担心有一个模型就把所有事情给干掉了……那是不可能的”。
关于人的两条观察：顶尖的人极度聚焦（他的 PhD 导师近70岁今年还拿两篇 best paper，“他想的东西其实蛮少的”）；而普通人打分太中庸——你觉得三件事是80分、60分、40分，“大概率可能是一个九十分，一个二十分，一个十分”，要主动把方差拉大，判断标准是"我不做会怎么样"，用数据回答。

精读

1. Vozo 是「难产」出来的：从视频表达自由到 voice rewrite

周昌胤的团队2021年从美国回国，立下内部命题"视频表达自由"：让老师、product manager、marketing manager 这类不会剪辑的普通人用视频做表达。2022年起一边抓用户需求、一边做生成式 AI 研发，2023年内部孵化、kill 了几个想法，到2024年7月才把 Vozo 推出来。
第一个功能刻意降维：不是凭空生成视频，而是 voice rewrite——你已有一个视频，想改个故事。场景一是拿别人已经 viral 的电影桥段讲自己的品牌故事，二是把 Thanksgiving 推广一键改成 Christmas 推广。操作只需一句 prompt：“请把这个视频变成西班牙语”，或"让这个视频变得更 exciting"。

2. 魔改小李子出圈，翻译接住需求

主持人 Koji 的第一印象来自会员群刷屏：华尔街之狼里的小李子"还是一本正经、慷慨激昂的表达，但他讲的是一些鸡毛蒜皮的事情"，口型语气全变、画面不变——泰坦尼克、哈利波特都被"魔改"了一遍。这是7月20日第一次 Product Hunt 打榜的破圈波。
11月上线 Vozo Translate 再度打榜、应该还拿下 PH 月榜第一。转向的依据是数据：“大量的用户用 Rewrite 都是用去做 Translate”，于是找翻译用户访谈、内部打磨很久才上线，续费率非常高。此后顺藤摸瓜：有人不要翻译只要口型 → 深化 lip sync；有人说"我不想 Lip Sync 我的 video，我要 Lip Sync 我的 photo" → 1月上线 photo lip sync，增长很快。3月预告有"更大的东西"发布，“不像 Rewrite（从来没有的东西），它是一个现在也有需求的功能，但我们做的比较不一样，会更好用一些”。

3. 路径即战略：“Me too 团队在 Gen AI 时代不可能成功”

Koji 的追问切中要害：如果一开始推的就是 Translate 或 Lip Sync，可能反而推不起来？周昌印全盘认同——“路径真的非常重要”，第一个功能决定 first impression。“在现在 generative AI 的时代，创新其实是最主要的推广手段，你肯定不要让别人觉得你是个 Me too。”
更深一层是组织问题：Me too 对内部团队也很难交代，创新团队靠 Me too 会没有士气。“Me too 的团队，我觉得在现在的 Gen AI 时代是不可能成功的。这是我的 bias。”
他承认这里有个悖论——既要抓需求又要有创新点，解法就是排好顺序：创新品牌先出去（rewrite），再切回真实需求市场（translate）做细，再从 translate 慢慢拓展。“可能不是每个商业都存在这个路径，但对 AI video 来说比较 lucky，存在这么一个不停拓圈的路径。“也有公司憋一个大招不讲路径就爆火——“也存在”，但他走的是从用户需求出发的路。

4. Product Hunt 的真价值：一句话说清产品 + 白嫖冷启动

Vozo 至今没花营销预算，两次 PH 打榜做到 $1M ARR。他从2015年就打过第一次 PH，认为其最大价值不在流量而在逼你想清楚"你是什么样的产品，怎么样一句话可以说清楚”——这对产品打磨最有用。
流量层面：PH 带来约1000左右的流量，“一千左右足够我们做产品的 PM 的迭代”，等于低成本完成冷启动。
对打榜产业链他毫不讳言：如今冲到第一"跟产品关系没那么大，如果你懂运营，你愿意去推……推到 top three 应该是没有问题的”。排名第一不等于产品成功——“打榜成功或不成功，就是运营的事情；打榜之后能不能带来真正商业的价值，那是产品的问题。“他不 surprise 很多团队打到第一但产品最终没有形成。

5. 克制推广，用 Intercom 把用户钉在迭代循环里

上线后有推广机会但团队刻意克制：用户反馈没解决之前，再推广"意义不是非常大”。做对的事是很早开了 Intercom，几个主要人在网页上跟用户"一直聊一直聊”，知道用户要什么、不要什么、哪里不满意，每星期发一到两版。
他的结论带着 hedge：“这可能也不一定对，有些团队更早推广可能增长更快一点。但这是我的观点——推广早一个月晚一个月其实没有那么重要，PMF 走对更重要一点。”
PMF 的手感被他量化成两个内部 goal：绝对值上"先达到一个 M（$1M ARR）再说"，结果没靠推广刚好达到（“可能是个运气，但跟当初的判断差不多”）；续费上，100个付费用户应该留下80个——他预判有20个会因自身业务原因流失。“有清晰的 goal 的话，做事情比较有劲”，每个阶段只做一两个 goal，不同时铺五个渠道。

6. 入场晚的真相：研究和应用两条腿走了一年岔路

为什么2024年7月才上？“我觉得别的原因更多一点，我们自己的原因更多一点。“团队2021年就做 AI video，2022年"比一般公司更早预见到生成式 AI”，甚至和他以前的老师（一位著名学者）成立联合实验室做基础研究——当时几乎没有营收，“是很夸张的一件事情”。
当时的 thesis 很漂亮：一边非常接地气做应用，一边非常高大上做研究，“希望中间某一天会汇合”。回头看"其实是比较错误的一个想法”。2023年出现的状态是：产品要的 feature 基础模型给不了，基础模型按自己的方式往前推，出来的效果 exciting 但"不能被产品化，都有各种各样的抽卡、各种奇怪的东西"。“没有 synergy，没有形成合力，反而互相觉得很遗憾：你帮不上我，我帮不上你。”
结局是应用侧胜出：2023年10月把自研多模态模型 HiveNet 做了个 PR 发掉——“那个 PR 的意味就是说我们不再往下推了，虽然 PR 上面不这么说”。从此所有研发立项必须从产品出发，理论上留20%精力给 researcher 自由探索。
Researcher 会因此离职吗？不会——经过前面一年多，“大量的 researcher 希望自己的 research 东西能够进到产品里面”。现在 Vozo 用户量增长、反馈好的时候，“那些 researcher 就非常开心，就变成一个比较有趣的循环”。

7. 账本：600–700万美金融资、四年、现金流为正

融资停在 A 轮之前：信行资本+红杉种子加个人投资者，累计约600–700万美金。主持人的反应：“从二一年到二五年四年只有六个 million，这非常非常高（的资金效率）。”
现金流为正的底牌是另一条产品线：国内的"说的提词器"app、海外的 Blink app，用上一代 CV/NLP 技术，约有六个 million 的 ARR，“基本那个产品就可以保证我们现金流是 break even 的，所以现在 Vozo 所有赚的都是我们的利润”。Break even 之后"对整个团队的心态也有很好的帮助"。
团队40多人，研发占百分之七十多，“非常 heavy 的 research 在做”。

8. 不是应用工厂：两个产品正在合并成一个 Vozo

被问"你们是应用工厂模式吗"，他答"好问题，我们开始其实没想好"——一切围绕视频表达自由展开，先做 app 抓需求，发现传统 CV 能力受限才做生成式 AI，中间很长时间两个产品并行，“这也是我们团队非常痛苦的点”。
现在找到融合方法：app 偏 C 端（KOL、KOC、少量 SMB），Vozo 主打 enterprise 的 marketing department 加少量 SMB，用户重叠约20%–30%。合并后互相导流、功能共享、同一会员系统，最终统一叫 Vozo，服务所有用视频讲 story 的 content creator、marketing manager 和电商。
名字是 GPT 起的：“让我非常 impress”。要求是短、跟 video/voice 有关；愿景是"将来每一个人都会有自己的一个 Zoom，你每天会讲很多故事，就像你写 blog 一样"。从 Vozo 到 AI 一共六个字母，朗朗上口。

9. Sora 与 Vozo 关系不大：通用模型永远不会是壁垒

关键背景：他们自己做过视觉大模型（他印象中发布在 Runway 第一代之后、V2之前），“做过一次才知道视觉大模型做视频生成的瓶颈会在什么地方”——可控性、一致性、算力成本（一分钟视频如果收两三百美金，一般 content creator 不可接受），以及大概什么时候会被突破。
Sora 出来时"甩其他东西好几条街"，但他当时的预期是"再过三五个月 Google 的可能就出来了，因为这个其实大家都会推进"——“最后就是如期发生”，现在中国好多公司都能做。由此得出他的核心判断：“无论是大语言模型、音频模型还是视觉的多模态模型，如果它是通用的，将来都不会成为壁垒”，因为有开源、有各种方式。
战略结论：“我们的创业就尽量会远离它。“自研的所有模型都因应用有特殊性——比如翻译对语气保持有不一样的要求，就针对翻译做声音克隆、语音和 lip sync 的模型，“围绕真正的需求在这个锤子里面迭代”，外面的基座模型能用都会去用。附带的自知之明：“我肯定不是一个很擅长融资的人，我应该做不了（烧钱推基座）这件事情。”

10. 翻译的魔鬼细节：中译德是一道优化题

举例说到具体处：中文翻德语长度差别巨大——“你可能中文讲了五秒钟，德语可能讲十五秒钟”，画面不变的情况下两边异步，“你不能嘴巴闭上十五秒钟”。解法是把它变成一个优化问题：找长度匹配的译法、贴近原语气语调、还要配合口型合理。
上下文缺失是机翻的死穴：品牌词没有背景就会被直接翻掉翻错；情感复刻要求"一句话对一句话”，但"翻译又不能一句对一句的翻，你就翻译的不好了”——既要经过上下文，又要有对仗关系，又要 copy 情感。这就是为什么行业眼中"机翻肯定是不行的"，在意质量就雇团队一分钟花五十、一百美金。他的预测（带条件）：“这件事情再过个一年两年，机翻可能会比人类专家翻译的更好一点”——但"很专家的，你还是会翻的更好一点"。
信任问题的产品解法很妙：中文翻成阿拉伯语，用户根本不知道对不对，找人翻还能签合同追责，“作为 SaaS 来说你到时候是不能找我的，那怎么办？“于是做了 back translation——翻过去再翻回来对一下，“跟原来意思差不多，那肯定是对了”。Koji 的类比：像快乐大本营蒙眼传话的游戏。最近开始啃更难的短句翻译——表情夸张、拍桌子的情绪如何保持，“我们其实在慢慢 take 一些更难的问题”。

11. 三层解法与技术底座：产品 > 工程 > 模型

解决问题的优先级排序是他的方法论：产品手段优先（一个弹窗告诉用户点一下"就解决其实是最好的”），其次工程手段（写算法做对齐和长度优化），最后才是模型迭代（快速的一句话语气复刻）。“当你发现问题的时候，你到底用哪个去解它？哪些是当前的 work around，哪些是将来一定要做的东西？”
过去一两年的技术突破直接抬高了 Vozo 的天花板：口型生成从四五年前的 GAN 方案（清晰度低、真实度差）到这一波用 Transformer 做，最近又演进到他所说的“高斯破剑”（可能是 Gaussian Splatting），生成更快、质量更好。“快速的一句话 voice clone、非常真实的口型面部以及整幅画面的生成，都是过去一年半到两年才渐渐发生的事情，可能有一些都是过去半年才发生的。“他们的策略是"踩在金板上"跟着行业势头走，自称 lip sync"应该是行业可能做的最好的之一”，背后是数据积累加对最新技术的跟进。

12. 模型会吞掉应用层雕花吗？「一定会」——所以别碰标准模型

主持人抛出行业焦虑：Google 刚发 Veo 2（ASR原文"Vivo Two”）评价很高，模型进化会不会吞没功能层的雕花？他不回避：“我觉得一定会的，它是一辆大车。”
但对策明确，内部准则是"如果它是一个标准模型，不要去碰它，我们要做离应用很近的、不一样的东西”。例证是 Midjourney：文生图的大框架"大差不差"，但 Midjourney 在技术上有很多细的 tuning，“这个 tuning 其实会带来非常大的差别”。视频同理——“也许将来会有一个类似 DeepSeek 一样的更好用的视觉模型，但当你把它 apply 到你的应用的时候，差别是巨大的。”
他给应用层技术人的定心丸：“同样的技术的时代，他就可以做的比别人好很多……不用太担心有一个模型就把所有事情给干掉了，不需要有任何的边角的技术空间，那是不可能的。”

13. 心动但没做的方向：谷歌引进 + low-latency LLM

被问有什么看到但没做的机会，他先自我设限：“这个不敢说，真的去做了调研才知道”——但个人兴趣暴露无遗：“谷歌引进”加一个 low latency 的 LLM 会很有意思，有很大的想象空间。原来在“谷歌引进”（可能是 Google Glass）时想做而做不了的很多事情现在都可以做了。
最让他念念不忘的是“谷歌引进让你更聪明”——这可能也是 Google Brain 想做的事情：别人问你一个你答不上来的问题，它很快告诉你，“快到我以为是我自己想出来的”——“对于像我这样的，我愿意付钱去买它。“但他随即自我纠偏：“这可能又回到我之前的错误，因为我对这个东西非常 exciting——真正要去做还是要做商业的分析。”

14. Google X 往事：为 Sergey Brin 探索，把 A+ 的人挖到 Larry 发火

2011年哥大博士毕业前，Stanford 一位 professor 拉他去 Google X 成立新组——三个人起步，最终十二人，“我们十二个人里面大概拿过四次格莱美奖（原话如此）"，基本把 computer vision of photography 领域最厉害的人都找了过来。这个组"其实是为了满足 Sergey Brin 的很多探索的需求”。
实际产出不小：他所说的“谷歌引进”（可能指 Google Glass）最核心的成像跟视频处理算法整个技术栈是他们给的，“现在其实也在基本所有的安卓手机上"的 image processing 里。
奢侈程度：“一万美金之下我就可以直接买了。“招聘先把 Google 其他组 A+ 的人（业绩最好、最聪明的）都挖了，“他们一般都会来”——直到管正式业务的 Larry Page 生气：“你不能再从 Google 别的部门去挖人了”，才转向外部挖行业最厉害的人。“这个其实不是很好，对业务部门——因为他们是赚钱的，我们是花钱。”
离开的原因正是极端自由的反面：他带六七个人做的项目 demo 完"大家觉得哇好酷，然后就没有然后，就挂在墙上去做展览”——“跟我读博士的时候也没什么差别……太自由走到极端之后，没法产品化，没法产生影响。”

15. 第一次创业的教训：wishful thinking 与"缺的最后一环”

第一次创业（2015年从 Google 离职，在美国）做 immersive video——teleportation 概念，让两个人随时随地互相见面，做当时最高清的视频渲染生成。回头看"其实还是非常 research driven”：“我会以为自己抓的是用户需求，但其实并不是。“逻辑上市场很大，“但如果你从商业上去做很多仔细的辨析，你其实发现这个商业场景其实是不成立的——不是说你有一个 idea 逻辑上说得通、市场很大，你就可以去做。”
由此形成他"非常保守的一个商业选择”：“我要做整个行业链里面缺的最后那一环。““这件事情做成需要五环，你说我先去做第一环，然后希望别人把另外四环给做了，这其实是非常难的一件事情。”
同一框架套在 Vision Pro 上：体验非常好、非常酷炫，但 form factor、价格、must-have 的理由、内容生态、产业链"缺了很多很多东西”，“即使像 Apple 这么大的体量都很难把这么大的一个链条给串起来，那对创业公司来说肯定要躲得远远的。“他第一家公司的一个员工后来就去做 Vision Pro 相关的事情。

16. 从「求人用」到「被人求」：杭州 MCN 访谈改变商业观

VR 时代他们服务过 AT&T、Verizon、中国移动、中宣部这样的大客户，但"每次我们从产品迭代以后，都是要求着他们去用的……他们很多时候根本就没有用，他们只是付了钱，就放在那里”——这也是前一家公司没做大的原因之一。
2021年疫情困在杭州，他把十几家 MCN 的 CEO 都聊了一遍，形成强烈对比：这边每一次聊都讲一堆需求，“我要这样去做视频，我现在有这个问题”；那边是"我做了好多东西，我求着他们去用，那个精神好痛苦”。结论成为新的商业信条：“我要做有很多人想要的东西，我做完他们立刻就可以用，这才是一个好的体验的商业。”

17. 直播机被 kill，提词器成了800万用户的现金牛

落地第一枪是直播机：MCN 想建几百个直播间的大楼，但高级直播要多机位加导播戴耳麦喊着切换机位，太复杂。他们做了个人头大小的直播机，AI 理解场景自动切镜头——“还是做 research 的人的本能反应，就希望用 AI 替换掉（导播）。“但"还是不够接地气，有很多商业上的问题”，半年后 kill 掉。融资就是拿直播机的 idea 融的——中间还有位很有名的美元基金老大直接问他：“你为什么要做这个事情？你能做别的吗？”
接着做了 AI 提词器：悬浮在手机镜头附近，“有点像唱卡拉OK，但字幕跟着你的声音走——你停下来它也停，你讲的快它也滚得快”。意外的是用户不但需要还愿意付费、付费率挺高。2022年上线，累计约800万用户，私域群将近十万人——“国内这个市场真的是非常非常大，接地气的需求需要的人非常多。”

18. 精英的心结：「好 low」的提词器与任性的实验室

心理落差是真实的：“我做的第一个功能觉得啊好 low 啊，虽然大家都想要”；跟以前的老师同学聊天"我一般都不会跟他说我在做什么”。但他也强调提词器做好并不容易——噪音、重口音、乱跳的讲话节奏，“有很多非常 dirty work 的东西”。
这种情绪"需要有一个地方去发泄”，直接催生了联合实验室：有些人形象差、音色不好、讲话不溜，“你给他再好的提词器，脚本全写好，他也是拍不出来的”——这类核心问题必须靠 research 解决。他自评"有一点任性，但是好像很 lucky”：不是他们突破，而是2022–2023整个行业突然做了很多突破，实验室借势做成了。“可能是一个 risky 的 lucky。”
被追问"再来一次还做实验室吗”，他给了个诚实的不确定：“百分之五十五十，我没有那么笃定……如果不做 lab，我一定会做别的比较 crazy 的事情。如果我只是做纯的接地气能够 make money，我应该是不会接受的。“现在的和解方式：“至少 Vozo 让我觉得我有点 proud，我觉得可以交代。如果只剩提词器的话，我没法跟自己交代。”
田野里的认知冲击也值得记：有用户抱怨提词器不好用、坚称房间"非常安静、灯光非常好”，团队上门一看"灯光就是非常暗，边上车来车往特别吵”——“他不是说谎，他就这么认为的。我们说的亮不是他说的亮。”

19. 技术人创业的三道坎：wishful thinking、市场无知、ego

被问怎么从商业而非技术突破的角度看问题，他给了三个 points（自认"没有特别系统化”）：一是抛弃 wishful thinking——“它会不会发生，其实你问一下就知道了”；二是 knowledge 缺失——“你很在意的那些创新的点，对用户来说可能中间只有百分之一的人在意”；三是去掉 ego。他还把作业留给主持人：“也许 Koji 你可以想办法总结一下，对很多创业者会很有帮助。”
去 ego 靠的是"被动的教训"：“你不会觉得自己错了，你错了几次之后，你就知道了。“行为上的变化：他抛的技术方案"可能会被小朋友们给否掉……虽然他们否的不一定对，但否就否掉了，只要不是非常 critical 的事情，我就会让他过。“背后是概率账：“如果用我的方案可能七十分，用他的方案也许六十五分——因为那是他的方案，他执行的会更好，做出来结果可能比我的还更好一些。“以前的他不是这样：“我以前会觉得我是最聪明的……性能从百分之九十九变到九十八点九，这是不能接受的事情。”
对创业的最新理解是做减法：“每天要这个那个好忙……其实我的精力非常分散，一些公司重要决定我觉得都没有做对。慢慢发现重要的事情没几件。也许更厉害的创业的人，他能够一眼就知道这件事情更重要、那件事情不需要做——这是特别厉害的创业者跟像我这种比较普通的人的差别。”

20. 顶尖的人极度聚焦，普通人打分太中庸

他近距离共事过多位 high profile 人物（MSRA 时期的导师是美国科学院外籍院士，哥大导师是计算成像领域最厉害的 professor 之一，Google 时期接触 Google Brain 团队），总结的共性只有一条：非常非常 focus。“我的 PhD 导师应该快七十岁了，今年还拿了两篇 best paper。他想的东西其实蛮少的——这个领域里面这个问题最重要，这个问题里面这个小问题最重要……把最重要的事情解决掉之后，resource 和人自然会聚过来，有时候你会觉得他其实挺轻松的。“而不是 top 的人"没有这个 luxury 只做重要的事情”。
配套一个反中庸的打分法：“你想到三件事情，下意识都会觉得挺重要的……如果你觉得一个是八十分、一个六十分、一个四十分，大概率可能是一个九十分、一个二十分、一个十分。人总是会很中庸，你肯定会低估中间的重要性差距”——要主动把方差拉大。
他自己的筛选器：“我就想我不做会怎么样。不是说不做不舒服就不算——不做真正会导致我们公司营收就会下降吗？用户真的就会跑掉吗？是跑两个还是跑百分之二十？大体一算，其实很多时候就不重要了。”

21. 学习方法：跟 GPT 学，加找到你能 reach 到的最厉害的人

现在的学习方式直白得可爱：“主要是跟 GPT 学了，我是 ChatGPT 的忠粉，他们应该亏了好多钱，因为我每天用”——o1 刚出时他"三天两头把额度用尽，要等到第二天才能继续用”。“GPT 其实已经比人聪明了，就跟他学就行了。“另一条：做一件事情就找这件事上你能找到的最厉害的人先聊一聊。
给年轻人的版本降低了门槛：“只要去找你边上能找到的最厉害的人，这件事情就已经百分之八十被完成了”，未必要找领域最强。他自己的证据链：复旦读研时想做 computational research，冷邮件发给微软亚洲研究院一个 researcher（“我后面很重要的一个贵人”），电话面试后去了北京，被推荐给 MSRA 老大，再被推到哥大读 PhD；一次学术报告后观众里"有个老头"提问——后来这个老头成了他 Google X 的老板，打电话邀他加入。“你只要关注边上你能 reach 到的人，这网络很小的。”
Ronghui 补的注脚：另一位嘉宾说过"把每一次谈话都当成一次面试”。周昌印的引申带着管理者视角：“国内同事这方面明显比美国同事意识会弱很多……我觉得这是 key skill，也许大学或高中应该培训。“顺带一提他的人生底色——本科管院、毕业进微软、又辞职去读研读博，“沉没成本在我这边不是很重要……我是个概率论者”。

22. 中文版将至：短剧出海与电商出海的用户已经在门口

中文版"规划很久了”，内部曾 debate 国内市场要不要支持、何时支持——但事实是中国用户已经很多（短剧出海、电商出海），一边用一边抱怨：没有中文版、支付宝微信付不了款。“有些公司会说我要把中国市场踢出去，我们团队从来没有这么想，只是说中国排第几——是先做日本还是法国。“现在决定"不管怎么样先把国内市场支持了再说”，PMF 迭代差不多完成、正在做增长，近期可能会对国内市场开放定制，并在国内招增长商务和 AI video 产品/研发/工程岗，“可以因人设岗”。

95. 对Manus创始人肖弘的3小时访谈：世界不是线性外推，做博弈中的重要变量 Grok 3、AI 记忆与语音、中国、DOGE、公开市场回撤｜BG2 与 Bill Gurley、Brad Gerstner