80.与梅涛院士的 3 小时访谈：语言、视频、具身终将汇聚，为什么是世界模型？

摘要

• 梅涛的模型世界观可以压缩成一句话：“图片是入口，视频是过程，终局可能就是世界模型。” 图片是二维信号，隐含空间关系与物理规律，客户在平台上 50%—60% 的时间花在做一张图上，所以先把图片模型做到世界最好，再沿“图片→视频→全模态→世界模型”往上走。他所在团队 2017 年发表全球首篇文生视频论文，除一位科大老师外，其他作者都在智象未来且一直未离开。
• 智象押注架构创新而非算力军备：独创 UiT（Unified Transformer），去掉编码器和解码器，让所有模态以原生 token 直接互操作。 DiT 的隐空间压缩有损、抽象程度对不齐，带来幻觉且难以做到像素级控制；创业公司只有两条路——“模型架构上创新”，再“用十分之一的成本、十倍的效率去逼近或超过大厂”。开源 8B 的 HiDream-I1 下载超 200 万次，在 Artificial Analysis 的 open-weight 模型中全球第一，闭源模型正在冲榜。
• 多模态尚无成熟的 scaling law、仍停在 GPT-2 到 GPT-3 阶段——这正是创业窗口。 视觉 token 至今没有统一定义：一张图约 10 万 token、15 秒视频约 100 万 token；他早年实验显示视觉“词表”要 120 万以上才有较好结果，而英文常用词只有五六千。训练仍在千卡、接近万卡级，架构未收敛，“今天的多模态还不走军备竞赛”。机器消耗数据的速度甚至赶不上人类产生视频数据的速度。
• 多模态商业化先于智能涌现：“智能还没涌现，但表现力已经涌现了。” 2024 年全球 AIGC 收入约 200 亿美元，约六成来自图像和视频；智象平台月耗约 3 万亿 token，去年收入 1 亿元人民币，今年“肯定是几个亿”，To C 与海外收入各占约三分之一；AI 短剧今年光制作成本“接近 100 亿”人民币，TikTok 上 100 多万商家的短视频广告是长线赛道，模式是“卖铲子”加按 GMV 分佣。
• 世界模型不是一个模型，而是三条未收敛的路线：LeCun 的 JEPA 预测下一状态、李飞飞重建 3D、他所在的视频数据驱动派。 判断标准是“要看最多的数据在哪里”：现在所谓世界模型、具身模型体量只有几十 B 或一两百 B，而视频模型已做到一两百 B，智象一年数据约 100 PB；真机数据“可能也就是百万小时，有可能还不一定有”。顺势做具身数据生意：与诺亦腾合作，把遥操作数据增广成更多第一人称数据，并保持毫米级或相近精度。
• 面对 Seedance 2.0 和大厂，他的回答是差异化加底线思维：“不要躺在大厂的车辙上……我只有一梭子弹，打完这一梭就没了。” Sora 烧了 55 亿美元，Seedance 投入肯定是百亿元人民币级别，正面拼算力“不科学也不值得”；打法是图片模型闭源全球前三、开源全球第一，视频在短剧、短视频营销等垂直领域做到头部。大厂也更焦虑——一旦离开第一梯队，影响会指数级放大。
• 在中国他更偏向 Sam Altman 而不是 Dario：“在中国创业是比在硅谷创业难得多”，投资人需要你不断沿途下单。 中国投资“只投共识，一旦共识形成基本没有非共识”；LLM 算力差距是“贫穷限制了想象”——中国大厂训练可能只有几万张卡，对手是几十万张甚至百万张；但中国公司在视频多模态上表现很好，短视频数据和供应链具有优势。船票的本质是“能不能做出一个好的自研模型，而且是在榜单上”，多模态创业公司如今只剩约三家。
• 具身赛道“稍微有一点泡沫”，且今天的视频模型还训不了机器人。 “有些公司一个月过去什么都没有发生，估值就涨了好几倍”；Seedance 只是“看上去符合物理规律”——真实数据里人会用三指抓，生成视频却可能永远五指抓，毫米级点云精度也对不上。梅涛对世界模型的终局表述是：从世界中学习，把世界重构、改造和编辑，而不是简单创造一个世界。

精读

1. 定场：图片是入口，视频是过程，世界模型是终局

• 开篇即亮出全部底牌：梅涛团队 2017 年发表全球第一篇文生视频论文，“论文里面的所有的作者，除了那位科大的老师，所有的作者都在我们公司，而且这些人从来就没有离开过”——团队稳定性被他视为对标 Anthropic 的第一个理由。
• 贯穿节目的主线判断：“我们始终认为图片是入口，视频是过程，那终局可能就是世界模型了。还是要看谁多的数据在哪里。”
• 节目开场由主持人铺陈背景：谷歌 5 月 20 日 I/O 上发布 Gemini Omni，OpenAI 悄悄砍掉 Sora、更多聚焦 coding，硅谷做减法而中国多模态战场未收敛——梅涛正是从底层架构下场的创业者。

2. 做“视频领域的 Anthropic”：稳定团队 + 坚定 To B

• 他给公司的记忆点很直接：“我们是希望能做视频领域的 Anthropic，做一家全球化的、高科技的、平台化的公司。”值得学的两点：团队从未流失，以及“坚定地走企业服务这条路”。
• 论据带着行业观察：Anthropic 一开始“也没有像 OpenAI 那么显赫”，但企业服务赛道慢慢起来了，“复购率、客单价越来越好”；他断言“AI 领域最后的终局就是给企业里面的个人提供更好的服务”。

3. 视频领域的那把“刀”是图片

• 主持人的问题很准：Anthropic 选了 coding 作那把刀，视频领域的刀是什么？梅涛的回答：图片。“图片是一个二维信号，跟语言信号完全不一样……是我们视觉上对物理世界的一个 moment 的 capture”，里面隐含人物空间关系、逻辑关系和物理规律，沿时间轴延伸就是视频。
• 落到经营层面的证据：客户在平台上创作时“百分之五十到六十的时间是花在制作一张图上面”；且图片与视频底层架构基本无区别（都源自 Diffusion Transformer），“图片模型做得好，后面才有可能把视频模型做得更好”——他以 Google 的图片模型与 Veo 3 为例说明这一点。

4. 全职创业的院士是稀缺画像

• 他自陈职业生涯二十多年一直在工业界——微软、京东、再到智象，“我没有拿过第二份薪水”；在中国，“有院士这个 title 的、愿意躬身入局、愿意 all in、每天七乘二十四小时想着公司的事情的团队其实并不多”。

5. 从小学到科大到微软亚研院：科学家的种子

• 起点是小学三年级奥数拿了学校唯一的奖，校长公开表扬“这个同学以后会成为科学家”——“科学家是什么，我心里面没有明确的印象，但我觉得我可以朝这个方向努力”。科大“千生一院士”的氛围接续了这颗种子。
• 2003 年非典时期进微软亚研院实习，旁边 cubicle 坐着颜水成、余凯，隔壁是沈抖；当时微软全球一千个研究员里有五个图灵奖得主、三百多个 Fellow，“那个氛围让我觉得做科学研究是一个非常幸福的事情”。校友网络同样惊人：周博文、寒武纪陈天石、转会费一亿美元“比 C 罗还贵”的余嘉辉都是科大师兄弟。

6. “梅花香自苦寒来”：主持人质疑履历里没有苦寒

• 卫诗婕的挑战——“我研究了一下你的履历，好像没有找到苦寒的痕迹”。梅涛的回答是方法论而非苦情：“我做一件事情要付出百分之一百二的努力，从各个角度来保证它的成功”；最极限的一次是四天跑五个城市见投资人、见客户，把中国从北到南穿了一遍；跑半马、撸铁是为了“保证精神饱满、情绪高昂”。
• 他对模板人生的祛魅：“一个人要付出百分之九十九的努力才能成为百分之一的那帮人，但很多人在百分之五六十的时候就满足了。”反人性突破自己，“哪怕是负反馈，对我来说也是一个正反馈”。

7. 职业生涯最重要的一次负反馈：晋升慢

• 微软时期他因 promotion 比别人慢而压抑，mentor 的一句话成了转折：“有的时候慢一点不一定是坏事，你今天慢一点，跨过这个坎你可能就很快了，因为你所有的东西都在积累。”半年后他变得“非常顺利”，进步也很快。
• 他抽出的通则：“很多人忽略了自己长期的进步和长期的价值，但放大了自己短期内的价值。一个长期的游戏，是由很多次突破边界、或者永不停止的突破边界开始的。”

8. 科大是“另一个黄冈中学”：合肥的第一印象

• 大一成绩不好才发现同学都在刷《吉米多维奇》、考托福，“原来我要及早规划人生，要比上高中时更努力才能跟这帮人在一个维度里聊”。当年填志愿时以为科大在北京，考完才知道在合肥。
• 保留一个生动的入学场景：家长在西区门口问路，被问的正是西区区长黄继虎——“说他妈的这个科大的西区大门就在这里”。科大校风朴素，体育场基本是空的，学生全在教室、图书馆、实验室，与他后来在北航看到的北京学生的活跃截然不同。

9. 张宏江的第一个任务：两百篇论文与放在桌上的脚

• 入职微软第一天，mentor 张宏江布置的任务是 multi-camera 体育视频分析：先看两百篇论文，一个月后做总结。第一次汇报时张宏江“脚是放在桌子上的”，不看第一页、从最后一页往前翻，半小时的汇报五分钟看完，只让讲其中一两页——“我才知道我的导师是这个领域的开山鼻祖，还这么 detailed 地看问题”。
• 结果是大半年“什么结果都没有”：当时 CMU 的 Takeo Kanade 用约 60 个 camera 在玫瑰碗 Super Bowl 做了 EyeVision 系统，而中国没有这样的系统，“巧妇难为无米之炊”，这件事在他心里压了很久。

10. 二零一九年的交代：京东自动导播系统

• 2019 年在京东与咪咕等合作，做了足球场 16 机位的自动导播系统，模拟人类导播行为，“可能比当时 Takeo Kanade 他们做的 EyeVision 更先进”；这项工作 2020 年拿了 ACM Transactions 年度最佳论文——“我算是对当年微软给我的第一个实习项目没有做成的一个交代”。
• 回看那个任务的本质：用 AI 分析、理解视频画面，“是后来的多模态、全模态、世界模型的一个最早的开端”，也奠定了他在 CV 上的方向；今天智象的 HiClips 产品（输入访谈和 prompt，自动剪辑、生成并切换语言）正是当年“虚拟机位＋自动导播”设想的当代版。

11. 冷门领域的存在价值：没有视频压缩就没有今天的大模型

• 对“当年 CV/多媒体一年只有几百人参会、如今 everything is generative AI”的收敛，他的辩护值得留存：“如果当年没有做 video compression，今天我们大模型不可能成功——多模态处理的是几千亿张图片、几千万小时的视频，没有好的压缩算法你存不下来、load 不了。”很多领域是为今天的 AI 做了铺垫，“再过一段时间其他领域也会起来，这是事物发展的规律”。

12. 从 R-to-D 到“model is product”

• 微软时代的转化链条：一篇 paper 变技术要乘以十的 effort（一个研究员配十个工程师），变 standalone 产品又要一百个工程师，“没有大半年不可能”。今天完全不同：“前两天萨提亚也说了，model is product——你在 model 里不断创新，model 本身就是产品，它不需要再转化。”
• 这解释了为什么 researcher 变贵了：R 和 D 完全捆绑，模型提升“来自 researcher 对领域的认知、判断和快速试错”。

13. 为什么坚定 To B：与闫俊杰的镜像选择

• 主持人点出反差：MiniMax 闫俊杰当年在商汤做 To B 做得“非常不喜欢”，坚定创业要做 To C；梅涛反着来：“To B 的企业是能够基业长青的”，取决于团队基因——他的团队在 To B 公司做了很多年，知道怎么做 KA、做渠道、控成本，“曲线虽然慢一点，但天花板会很高，也会形成比较好的生态壁垒”。

14. 生成式时代的 To B 不是 SaaS 时代的 To B

• 对“To B 容易做重、变项目制、不性感”的质疑，他的反驳是产品力触达：“你今天看 Sweep，它现在估值涨得很厉害，已经涨到几百亿美元，团队规模却没有扩大。”智象服务 TikTok 平台商家、中国移动线下门店，“做了很多 To B 尝试，但公司的人没有增加，现在才两三百号人”，且“坚持不做定制化研发”。
• 两种模式：服务平台客户、借平台触达 SMB 和 C 端；加上中央部委客户和直客长期陪伴，再通过直客培养渠道拓客。

15. Pro C 是 To B 的放大器

• B/C 的边界在模糊：“移动互联网的普通 C 是免费用户，今天 AI 的用户都是 pro C，给钱、订阅 token、消耗工具去创作作品。”To C 是“模型能力的直出”，C 端用户最先感知模型强弱，还能做 branding 和回收反馈——所以以 To B 为主、同时做 prosumer 工具。
• 三块业务：商业智能体做短视频营销、给短剧团队提供创作者工具、社媒广告设计；其中前两块是 To B 主业，第三块不是特别大的 big bet。

16. 中国创业三个关键词：全球化、出海、软硬一体

• “如果说我只是做一家国内公司，我可能就不出来了。”第三个关键词最少被谈及：软硬件一体。“在中国创业，如果没有用到中国的供应链优势，你是用你的短板在跟硅谷竞争”——硅谷的长处是资金、算力、人才密度，纯软件“不是不能做成，而是相当有挑战”。
• 实践是 HiFans，一种类似 3D 全息的广告屏，Q1 就卖了一万多台：难点不在屏，在把线下业态吃透——夫妻老婆店、奶茶店、理发店、酒店、网吧，做出覆盖线下业态 80% 以上场景的模板，让店主自己动手做广告，把广告设计能力交还给店主。

17. AI 是篮球赛，不是足球赛：四节论

• 他的分期框架：“AI 是一个篮球比赛，它有四节。第一节是大模型的比拼，会迅速收敛；第二节是 Agent——通用的、垂直的；第三节可能就是终端、流量入口、软硬一体；最后可能是另外一个阶段，我现在还没有想好是哪个。”现在处于第一节快结束、进入第二节的阶段。
• 节奏判断：肯定快于互联网——大模型三个月一小迭代、半年一大迭代，Agent 层“肯定远远快过大模型的迭代”，终端层更快。软硬一体正是他对第三节的提前布局。

18. Sam 与 Dario：两种理想主义，没有对错

• 对 OpenAI 分家史，他拒绝站队：“Dario 不是公司一号位，他不知道公司的经营情况；Sam 更多从战略、sustainable 的角度让公司两条腿走路。Dario 在研究团队里看到了技术突破点，认为单点就可以突破，那时候出来是合适的——回头看，没有对和错。”
• 对“Dario 是真神、Sam 是伪神”的坊间说法，他的分辨：Dario 喜欢研究社会学和历史，是个人理想主义；Sam 是投资人出身、更现实，“长期来看可能这两个人都是对的”。

19. 在中国做 Sam：融资环境决定叙事方式

• 关键的自我定位：“目前来说我更偏向于 Sam Altman。如果我今天在硅谷，我肯定会更 prefer Dario 这种做法，奔着一个执念去做。但我们今天在中国，融资体量没有美国那么大……中国的投资人需要你不断沿途下单、不断证明商业化能力。我如果说需要很长时间才能爆发，可能还没做到那一天我就死掉了。”直言：“说实话，在中国创业是比在硅谷创业难得多。”
• 但对 Anthropic 收入“马上就要破万亿”的领先，他提醒别静止看：“人工智能领域不要看某一个时刻，要看前后左右的跨度。今天的第一不代表明天的第一。”主持人的总结他认可：商业模式对标 Anthropic，创始人画像学 Sam——“做一个足够长的叙事来吸引更多的资源，跑一个长跑”。

20. 认知是天花板：“一个人永远只能挣认知范围里的钱”

• 对主持人关于 Anthropic 聚焦 coding 的问题，他归因于一号位的技术认知：“我最担心的一点就是认知的问题——超出认知范围之外，你基本上就不用看了。”
• 他猜测 Sam 需要一个宏大叙事，其中要做 AGI，包含语言、图片、视频、3D 和 coding；Dario 的判断可能是 coding 有严谨的逻辑能力、能闭环，coding 做得好语言模型才能做得好，上面才能叠加更强的 Agent 能力。

21. 2017 年的 TGAN-C：一个“勇敢”的开端

• 全球第一篇文生视频论文的名字他自嘲起得不好：T 是 temporal、GAN 是对抗网络、C 是 caption。当时的成果放今天看很寒碜：只能生成约 80 帧、48×48 像素的三四秒 GIF——“一个厨师在煲汤，汤糊到你都看不出它是什么汤”，模型只有几千万参数。
• 但载体本身就是宣言：论文投的是 ACM Multimedia 的 “Brave New Ideas” session，“哪怕你没有实验结果，哪怕实验结果很差，也可能被接受——你质疑也好、不屑一顾也好，我们往这方面走了一步，从零到一”。

22. 视频生成四阶段：种子、萌芽、发展、爆发

• 他的分期：种子期是 2017 年的 GAN 时代；萌芽期是 2022 年 Stable Diffusion 出现——“图片生成大有可为”，2023 年创立公司；发展期是 2024 年 Sora——“原来视频能做得这么稳定”，让早期尝鲜者和专业用户用上；爆发期是 2026 年 Seedance 出现之后——“跨越了第二个 gap，从专业用户到普通消费者、半专业用户也可以创作比较稳定的视频了”。
• 更早的史前史：约 2011—2015 年叫 cross-modal，不叫多模态，做的是 video-to-language 的描述生成；2017 年反过来做才是真正的难题——“从高维信号到低维是多对一、容易做，从低维到高维没有标准答案，缺评估”。

23. 从 GAN 到 U-Net Diffusion 到 DiT：每次跨越的技术本质

• 种子期的 GAN 是 CNN 骨架的左右互搏，两个网络一个生成、一个判真假；萌芽期的 Diffusion 换了物理学思路——把图像逐步加噪成白噪声、再用神经网络模拟每一步去噪，但骨架还是卷积网络。
• DiT 的跃迁在于把 backbone 从卷积换成 Transformer：“它的 scale-up 能力更强，上下文处理能力更好，对整个视觉世界的模拟变得更好”——所以 Sora 出来时 OpenAI 说它是“对世界的一个模拟器”；Seedance 也基于 DiT，只是“数据做得更精细、规模更好、工程化做到极致”。

24. UiT 独创：去掉编解码器，“青梅竹马”式的原生融合

• DiT 的问题：文字、图片、视频进来都要经过单独编码器压到隐空间才能做 cross-attention，“经过压缩就有损，重构解码时会带来幻觉，就不可控了”。UiT（Unified Transformer）的做法：“没有编码器也没有解码器——各种模态信号进来都是 token，直接在离散空间里做互操作，天花板更高，对像素级、token 级的控制做得更好，还能支持很多下游任务。”团队花了大半年才训出来。
• 他给这个直觉起了个中式的名字：“有句话叫青梅竹马——你两个人两小无猜，长大之后才有更好的信任感和默契。所以我们想让信号在原生层面、不经过任何压缩和编码，进入一个原生全模态的 Transformer 架构。”注意分寸：这是框架创新（GPT、DiT、UiT 一个层级），“我们没有去颠覆 Transformer 这个 backbone”。

25. 为什么敢赌 UiT：隐空间的折损与像素级的执念

• 技术直觉的展开：不同编码器抽象程度不齐——“文字抽象得高一点，图像低一点，它就对不齐”；要修一张人像的眼睛、鼻子“大概可以修，但修到像素级别就比较难，因为它是在隐空间里学的”。pixel-level 做法在学术界已有端倪、小规模有效，但“在学校里没办法 scale-up，不能验证真伪”，他们把 idea 拿到超大规模视频生成里做突破性尝试。
• 诚实的风险陈述：“说实话当时我们也觉得这条路有点危险，因为 DiT 已经被验证了，沿着 DiT 堆数据、堆算力就有确定性结果——但巨头是这样走的，本质是资源堆叠。我们创业公司得走另外一条路：必要的算力、数据要有，但架构一定要创新，用十分之一的人力物力去逼近甚至超越它的效果。”架构创新是支点，“架构创新加效率、降成本”。

26. 开源是“掰开了揉碎了、血淋淋地躺在别人面前”

• 对“大厂抄架构很快”的追问他毫不回避：“架构或算法上的创新只能让你保持大概六个月左右的优势。但我们一点都不担心，因为我们有持续创新的能力——你看我们把它开源了。”开源冲榜要求模型一一对应、架构真伪社区一眼可辨，“是不是只是堆砌数据、堆砌算力，community 里的人很快就知道”。
• 开源的三重回报：branding 带来人才（“品牌最大的价值就是它带来人才”）、社区反馈迭代下一个模型、8B 再蒸馏后赋能端侧用户运行模型并拉动 token 消耗。战略层含义：“即使资源是我们的十倍、百倍，我们就用开源、用效率、用成本去顶住它，直到我自己从初创长成大厂。”

27. Artificial Analysis 榜的打擂机制与第一方阵哲学

• 上榜过程像打擂：提交模型接口后与匿名模型逐名 PK，“从第十名开始，打过第十名就是第九名，直到打不动为止”，匿名与对战使它公平；但他主动纠偏：“榜单上的第一不一定代表产品力第一，产品第一也不一定代表商业化第一。”开源第一的意义是逼着闭源“好一个 level”，否则闭源就没有存在的价值。
• 竞争姿态是马拉松式的：“中国公司首先要留在第一方阵里——哪怕偶尔第一、有时候第二、有时候第五，没关系。然后通过产品力在产品上超越他们，再通过商业化更领先一点。”

28. 中美 LLM 差距是真实的：“贫穷限制了你的想象”

• 对“中国 LLM 始终在第二梯队前沿”的说法，他给出罕见的直白承认：“客观来说，大语言模型里国内模型跟海外还是有差距的，特别是闭源模型。”原因一是历史短，二是算力：他举例 xAI 有 20 万张卡；中国几乎没有公司超过 10 万张卡，大厂训练可能也就是几万张卡，而 OpenAI、Anthropic 可能是几十万张甚至一百万张。
• 那个刺痛的比喻原样保留：“算力上的差别有点像贫穷限制了你的想象——本来你可以上到高中去考大学，现在我只能上到初中，因为我没有那么多钱。”

29. 但多模态是另一回事：军备竞赛还没开始

• 多模态领域中国公司表现很好：可灵、Seedance 都做得好，“这块对算力的要求没有那么高，数据方面中国公司还更有优势——全球最好的视频平台基本都在中国”。更关键的是架构未收敛：“意味着大家都可以在一定量的算力限制下做架构创新；如果架构定下来了，所有人沿一条路堆算力，就比不过大厂了。”
• 阶段定位与量级：“做视频模型几万张卡、几千张卡都可以做，没有大到需要一百万张卡。今天的多模态还不走军备竞赛，我觉得还在 GPT-2、GPT-3 的阶段，还没有到 GPT-4、GPT-5——上升期还有很多机会。”

30. 短视频数据之辩：训练的基本单元是五到十五秒

• 对北大学者“短视频利于视频模型训练”的说法他做了技术性澄清：基本上所有模型公司用得最多的就是网上 15 秒、30 秒的短视频，且训练时要把长视频切短——“训练的基本单元就是五秒、十秒、十五秒，再往三十秒、一分钟延伸，训练算力不够了，因为要支撑更长的上下文”。
• 现状的坦率评估：Seedance 之后叙事感更强、“知道怎么分镜、怎么在镜头内切换”、“看上去符合物理规律”、抽卡成功率更高——但“今天最好的视频模型也不能解决客户所有的要求，还是要抽卡”。2023 年图片都要抽四次，后来他们一次出两张，“因为抽卡概率提高了”。

31. 2017 年为什么没抓住 Transformer：“隔行如隔山”

• 诚实的错过：“我们留意到了呀，当时觉得隔行如隔山，那是自然语言处理领域的东西，还没有把它拉通。”他总结的行业传导规律在微软“一而再再而三地复现”：machine learning 出好模型，第一波用的是 NLP，然后到图像、再到视频——“文字永远走在图像前面，因为文字是一维信号、很容易小规模实验证明它到底行不行”。

32. GPT-3 时期的大小模型之辩：落地的是小模型

• GPT-3 之后讨论 scaling law 时他在京东，与陶大成一起提“大模型加小模型”：实验室里训大模型刷榜没问题，但常州工厂的工业质检要 90% 以上准确率，“你会发现大模型不行，它没有那么好的通用性；在大模型上训练出来的小模型，容错率、精确率反而比大模型高”——最后落地的是小模型，“大模型只是藏在后面的专家模型”。

33. 多模态为什么没有 scaling law：视觉 token 至今无法定义

• 核心论证链完整保留：语言的每个字符“经过几千年沉淀，都有特定语义，是高度提炼的知识，本身就是结构化的”，英文两万单词、连接可数；而“视觉信号到现在为止都没有一个 define 的概念，说什么叫 visual token”。近似计算：一张图约十万 token，一段 15 秒视频约一百万 token。
• 他压箱底的实验证据：2010 年前后做 visual vocabulary（图像词典，靠 patch 聚类成“单词”，他凭此拿过两篇最佳论文），发现“纯图片的单词要做到一百二十万以上的量级才能达到好的结果”——对比英文常用五六千词，视频还要再乘一百倍。“如果完全用文字的方式做离散 token，你需要的数据比文字大得多得多，算力是它的十倍到一百倍，不可能做得出来。”
• 还有一个反向对比很妙：“大语言模型那边说 2027、2028 年通用数据就用完了；多模态领域可能我们消耗数据的速度还赶不上数据产生的速度——机器训练的消耗率赶不上人类每天产生的新视觉数据。”

34. 像素没有统计意义，patch 才是勉强的词元

• 他从第一性原理拆解为什么像素级建词表不成立：RGB 三通道每通道 0—255，“256 的三次方甚至四次方，这个词表你算算是什么数量级”，且“像素跟像素之间的关联比较弱，有时候是随机的”。所以词元以 patch 为单位（图片 3×3、5×5、7×7，视频加时间维是 cube），“即使这样定义，也不是一个完全被认可的定义方式”。
• 对 DeepMind 科学家“多模态落后语言两年”的判断，他的 hedge 原样保留：“scaling law 一定会出现的，但是不是两年我现在不太好判断——现在很多 AI 领域的事情后来都会证明它是错的。”

35. 视频模型不产生智能，它负责复刻——直到全模态到来

• 一个重要的自我设限：“我不认为在纯视觉领域它是一种智能。视觉模型或者 DiT 并不负责产生智能，我们做的是 replication，复刻——把看到的世界完全复刻出来，也可以组合成新的事物。但里面有没有像大语言模型那样隐藏了世界知识的智能？我认为是很难的。”
• 转机在全模态：“一旦产生了全模态，它就会把语言的知识放进来——通过视觉信号加上语言文字对物理规律的描述，可能就会产生新的智能。什么时候出现我现在还不太敢判断，但我觉得可能也不会特别久。”

36. 自监督 vs 强监督：CV 的宿命是 pair 训练

• 他认同谢赛宁“LLM 自监督、CV 强监督”的判断，并给出机制：GPT 做 next-token prediction，“有正确答案”；视频生成必须拿 pair 训练——“一张图配一个越精确越好的文字描述，一段十五秒视频配一个很长很长的描述”，所以视觉需要的人工更多，算力也可能更多，具身更甚（要记录关节 xyz、六七个自由度、力控信息）。
• 但“有多少人工就有多少智能”只是阶段性回魂：“人工标注只是为了做零到一的突破。多模态其实做两件事——生成和理解。一旦理解和生成统一，它既能标注也能生成，就不需要那么多标注了，训练出初步模型后它自己在那不断地标、标完自己学。”

37. 世界模型不是一个模型：三条路线的地图

• 先纠正流行误解：“很多人有一种误解，觉得世界模型是一个模型，整个世界只会有一个模型——其实不对的。”三条路径：杨立昆的 JEPA 预测世界状态、理解人与世界的交互，“背后逻辑是想做具身智能的模型”；李飞飞偏三维重建（高斯泼溅、依赖游戏等 3D 数据），“人跟世界的交互是比较少的”；第三条是他们视频生成这波人——“相信从真实的视频里可能学到更多物理规律、更通用的智能，数据驱动的 belief”。
• LLM 单独通向世界模型“已经被普遍认为不太可能了，它没有交互，它更像一个大脑”；三条路怎么 converge：“说实话还没有定论。从终局看肯定是要交汇的，但还没有看到这样的架构。”

38. 视频模型必须是世界模型的底座：体量与数据的双重论证

• 最尖锐的论据是模型体量：“现在所谓的世界模型，包括具身智能的模型，体量大概只有几十 B 或者一两百 B。如果你希望产生比较通用能力的具身模型，它怎么可能这么小？”而视频模型已做到一两百 B、两三百 B 都有可能，且吃的是第一人称加第三人称的通用视频，“你只有见过这么多的视频，通用性足够好的情况下，才能做更多的泛化”。
• 数据侧的量级碾压：“像智象这样的公司，我们一年的数据都是一百 PB，很恐怖的。”反观真机数据“可能也就是百万小时，有可能还不一定有”，仿真数据也不会多——“没有一个基础扎实的视频模型，在上面做通用性好的具身，我觉得是比较难的”。

39. 对 bitter lesson 的正读：不是不要人，是要 elegant

• 他纠正主持人对 Sutton 的理解：“他说的不是不要人工干预，是算法足够简单和 elegant，通过数据和算力就能 scale-up。人工参与是要把算法设计好、初始时给它喂好的数据——就好比教一个 baby，一开始肯定要给他干净的、标注好的数据，最后他才能在正确的路径上自己学习。”
• DiT、UiT 就是他心中 elegant 的架构：“越复杂的东西越难 scale-up……如果人工加载了太多 trick，层层下来是层层衰减的，会带来更大的误差。”

40. 多模态 vs 全模态：any-to-any 才叫原生

• 定义之辨：“多模态是一加一——有一个额外模态就叫多模态。全模态是把所有模态放在一起训练，而且是原生的——不做任何编码就能训练。”原生的判据是 any-to-any：“信号原始地进来、也可以原始地出来，任意选输入点和输出点。一个模型能解决很多任务，一个模型就能吃掉所有的应用。”
• Gemini Omni 的发布在他看来“佐证了我们的判断”——但他也拆穿了它的成色（见下文第 44 节）：集成不等于原生统一。

41. 与字节的差异化：不接底层能力的正面战

• 目标清单具体到榜位：图片模型“闭源希望做到全球前三，开源做到全球第一”，与 Google 的 Imagen 和 GPT“一米九二”相提并论、抗衡；视频在短视频营销（人货场）、短剧生成里做行业头部。
• 对“更怕可灵还是字节”的问题他直接拆掉：“如果因为有大厂竞争你就不做，那就不用创业了。任何一个时代、任何一个领域都有大厂在……今天的大厂在以前它也是小厂呀。”打法是三条曲线：“公司发展曲线、AI 行业曲线、个人认知曲线——我们的认知一定要比行业的曲线陡。我们效率高、成本低、掉头快。”

42. 时间资源才是大厂之战的最大变量

• 主持人的观察被他接住并加码：训练有周期，大厂“因为架构的原因、层次的原因、各种利益的原因，做决策的不是一线的炮火，可能会做出不符合技术发展规律的判断”，在错的路上要走到模型发布、结果很差时最上层才发现。“时间成本包含了你做对事情的成本和做错事情的成本。一级市场投资人挣的是认知的钱，我们挣的也是认知的钱——对技术判断要足够敏捷，行动也要足够敏捷。”

43. 为什么 2023 年才创业：两次忍住与五年学徒

• 创业动机朴素到直白：“我曾经在一家现在万亿美金的公司做过技术，又在一家千亿美金的公司做过高管，下一站就是想自己创立一家千亿美金的公司。”2015—16 年很多人劝他出来，他判断 timing 不对：小冰“对话大概七八轮就飞了”，AI 四小龙聚焦人脸识别“有点窄”，且从 MSR researcher 直接去做商业化“有个 gap”。
• 于是去京东待五年补课：“学公司战略、管理、怎么做产品、怎么见客户。”2023 年条件与心智都成熟了——但他也留了一句诚实的 hindsight：“如果我们再早半年出来，可能又不一样了。但是没有回头路，只能继续往前走。”

44. 理解与生成至今是两条架构，Omni 也只是集成

• 技术地图讲得很清楚：理解那条线（GPT-4V、后来 GPT-4o）已与 LLM 的自回归架构统一——文到文、图到文、视频到文；生成这条线是 Diffusion Transformer。为什么不能合？“理解的架构处理离散 token，不能把离散变连续；用自回归方式生成图片、视频，质量细节赶不上 diffusion。”Sora 的第二重意义正在于此：“Sora 是 Sora，GPT 是 GPT——生成和理解其实还没有统一，包括到今天。”
• 对 Gemini Omni 的判断毫不客气：“Omni 实际上是一个集成——很显然是把 Veo 3 集成在 Omni 这个大的模型 hub 里面去了。要把视频、图像放在一个模型里，现在还是有点难的。”UiT 想解决这个问题，“但现在还没有完全解决，目前更关注用 UiT 做生成”。

45. 看谷歌 I/O 看什么：Agent 的理念与自有测试集

• 基模公司的下一步竞争两个点：榜单上的智能边界，和 Agent 能力——“它是做一个更聪明的架构，还是只是用行业 know-how 做了一个固定的编排？行内的人要看原因，你只有看到本质了，才知道自己的能力应该往哪个方向走。”
• 没有技术报告怎么判断对手有没有底层创新？“每家公司都有自己特定的测试集。参加高考这种公开考试测不出模型的边界——边界能力没突破、只是榜上提名，不代表它有底层的突破。”

46. 人才观：“怎么不是我”的羞辱感与 T 字型建议

• 他招的人共享一种技术使命感：“看到一篇很新很好的论文不是自己做的，第一感觉就是怎么不是我——很羞辱，真的是这样。会反问自己是氛围不对、能力不够、组织形式不好，还是给的自由度不够。”技术人最在意的“不是官衔、level、现金，而是在行业里能不能确定自己的江湖地位，有没有拿得出手的作品，跟艺术家是一样的”。
• 自己成长期得到的两条建议影响至深：先把 T 字那一竖“做到最深、做到你做不动为止”再发展横向的组织力、战略力；以及未来在中国——中国发展快、势能强，中国人在中国人的环境里更容易取得成功。

47. 承认过的失败：货架电商与打印店

• 对“没有失败的成功不可信”的追问，他交出两个案例：一是初期做货架电商，“还留在京东的思维里”，朋友情面充了几百万但“没有消耗 token，我们后来把它退出去了”——摸索一年多才转向 TikTok 式内容电商，那边对图片、视频需求量巨大；二是想借某投资人覆盖全国约六成线下门店的网络做打印店升级，后来发现打印店是夕阳产业、认知迭代速度也慢。
• 复盘的元教训：“拿着锤子找钉子是必然经历的过程，你没有经历过就不会突破自己的认知。创业没有标准答案，你是在迷雾中寻找航行的方向，还有很多人给你制造噪音——那些人往往自己都没做过。”公司叙事从 day one 未变：模型和应用双轮驱动。

48. 2023 年的冷与“寻找中国 Sora”的热：共识文化观察

• 2023 年融资“能融到钱，但不算特别顺利”：一线机构全押大语言模型，“你跟投资人讲视频，他跟你讲图片；你跟他讲模型，他跟你讲商业化——始终不在一个频道里”。2024 年 Sora 出来才有第二轮投资人回头。
• 对市场情绪的判词：“中国的投资就是只投共识，跟风扎堆，人多安全感好一点，反正翻了大家一起翻。”应对是底线加上限思维：“如果大厂把所有模型能力都吃掉，我们这家公司怎么生存？做战略一定要做到上限和下限。如果你相信你的模型一直待在第一，我认为你是一个幻觉——所以今天大厂反而比创业公司更焦虑。”
• 关于“融资 PPT 前五页是在戴若黎办公室写的”的说法，梅涛没有完全照单全收，但确认当时在若黎办公室聊过两次，借此理解如何讲创业叙事：“创业一个是 narrative，但我觉得应该叫 grounding——既能顶天立地讲叙事，也要做好底层建设。”

49. 为什么当年放弃具身选 AIGC：京东机械臂的算账课

• 创业时有两个储备项目，机器人被否是因为京东物流里两台机械臂的教训，三道坎完整保留：不能切断现有工作流；机器人要 7×24 稳态运营；ROI 必须在十二个月内算清——“你要跟他算十八个月的，他根本不跟你谈”，而算账“必须建立在大规模部署上：一台机械臂替一个人不可能算得了账，因为还得放一个人看着机器人；一个人看十台，才可能把账算清楚”。
• 对今天的通用具身叙事他依然保留：“哪家公司的机器人能在工厂里 7×24 不间断干活？Figure AI 只是在分拣，并没有把包裹拿出来放进某个框里，离真正的业务场景还很远——但已经算是很了不起了。”转向 AIGC 的触发点：太空歌剧院那张 Midjourney 获奖照片“有人文的情怀在里面”，加上 Midjourney 十一个人年入两亿美元、Canva 估值超四百亿美元——“既能做通用模型底座，又能沿途下单”。

50. Midjourney 的天花板与 Seedance 2.0 的冲击

• 对 Midjourney 的诊断：靠数据能力和审美服务“金字塔塔尖的艺术家、设计师”，但没有大模型优势，“中间层的广告、海报、真人照片都被 GPT 等大模型公司吃掉了，只能逼着它越来越专”。
• Seedance 2.0（春节亮相）的心情他分了两层：“一个是觉得意外，原来以为美国同行会走得比较靠前……后来又觉得没有那么惊讶，字节人才密度高、数据规模大，数据质量和规模是碾压性的优势，大力出奇迹。”但对自己“有冲击，也还好”：Sora 烧了 55 亿美元，Seedance“肯定是百亿人民币”级投入，朋友善意提醒“不要躺在大厂的车辙上”——“对创业公司来说，我只有一梭子弹，打完这一梭就没了。坐在他的车辙上就是炮灰。坚持模型算法的原始创新，用比较低的成本去抗衡，同时赢得时间。”

51. 商业化两大引擎：短剧的百亿与跨境电商的分佣

• 量级摆出来：AI 短剧“一年下来光制作成本我们觉得接近 100 亿”人民币（还不算发行收入），token 消耗大；他们的定位是给“铲子”——产品叫“真赞”（“每一帧都很赞”），面向专业团队做精品短剧，大机构自研工作流则用 MaaS 卖 API。
• 广告营销更长线：TikTok 上有 100 多万商家，“普通商家一个月需要大几千条短视频广告，头部客户一年几十万条、甚至几百万条或上千万条”。这条赛道的妙处是双重变现：“一方面可以卖铲子，另一方面可以卖结果，通过结果来分佣——这个模式我们已经走通了。”

52. 多模态的钱景：表现力涌现先于智能涌现

• 判断多模态不会一家独大：“肯定是有好几家公司，有的在影视效果好，有的在人货场零售，有的在广告、动画——不太会出现一个公司什么都好。”成熟度坦率打分：“大语言做到 GPT-5、GPT-5.5 了，多模态撑死了就是一个 3 或者 3.5，没有出现智能涌现——但不妨碍它离商业化很近。”
• 数据支撑：2024 年全球 AIGC 收入约 200 亿美元，“百分之六十左右是多模态”；智象平台每月消耗约 3 万亿 token，“图像视频的 token 密集程度很大，而且用户愿意买单——不像大语言模型一百万 token 可能就一美元”。现状定位：“现在是可用、能用，到好用还有一点点距离。”

53. Harness 与 token 经济的三层价值链

• 他对 harness 的定义：“Agent 底层的 OS，一种智能化的编排，把 API、skills、模型基本能力和行业 know-how 结合在一起”——比去年的 model orchestration 升级在于安全围栏与成本控制：“OpenClaw 出来之后没有这一层，账单就爆了。”skills 会沉淀成可共享、可售卖的商品。
• 价值链三层论清晰可交易：底层算力（GPU、裸金属、AIDC）、中间 token（“越来越薄，成为 commodity，就跟今天的水电一样”）、上层 Agent 创造的客户价值。“卖 token 是大厂的生意——阿里云、Google、OpenAI、Anthropic 就在里面卖水电。创业公司要把客户价值这一层做到足够大，拿到佣金，做价值共创。”

54. 算力真相：训练千卡近万卡，推理才是吞金兽

• 多模态训练“接近万卡了，但还在千卡级别”，仍是创业公司玩得起的游戏；但结构会反转：“训练成本低一点，但将来推理的卡需求很大”——现在生成五分钟视频推理成本“可能也得一两百块钱”，好消息是等多模态走到那一阶段，可能已有更好用的推理卡。
• 供给侧的焦虑真实存在：“最近几个月全世界 GPU 产能都不够，OpenAI 也说有多少卡买多少卡、需要一百倍的卡。国内算力储备如果一直是美国的十分之一，怎么跟得上？国产算力性价比和性能还有差距，这两年是比较难的——怎么样聪明地熬过去，也是一个问题。”

55. 船票、死亡潮与应用层变薄

• 船票的定义没有含糊：“只要是做大模型的公司都有船票，船票的本质就是你能不能做出一个好的自研模型，而且是在榜单上——否则你就真的是 nobody 了。”多模创业公司在 2024—2025 年可能出现的死亡潮：没有声量、模型能力没出来投资人不投；商业化只能做几百万、做不了几个亿的也可能死掉。“留下来的，是有基本模型能力并且能商业化的公司”——含他们在内约三家。
• 模型变强则中间层变薄的共识他照单全收：“Claude Code 出来之后，美国 SaaS 化的人力公司价值跌得很低，SaaS 公司都在瑟瑟发抖。那我们是只做应用层，还是模型层也切一点？对我来说肯定要切模型层，在应用层做商业化的壁垒。”智象的健康度自评：To C 约占三分之一、海外收入约三分之一，“去年都一个亿了，今年肯定是大几个亿的收入”。

56. 二级市场分化：MiniMax 与智谱的对标逻辑

• 对首批上市基模公司的分化，他给两个解释：一是基模能力的暂时差别（“再过几个月排名又不太一样了”），二是对标逻辑——“智谱有比较好的 coding agent，它对标了 Anthropic；二级市场有时候是一个很强的对标逻辑。”美国公司的估值和市值按汇率换算后应对应中国公司的估值，但现在还没到，所以还有空间。
• To B/To C 在二级已无区分度，真正的分界是模式：“要不要做模型私有化——那不是一个特别好的生意，我们从来不做私有化、不做定制化开发。海外推 SaaS 化工具，国内推技术加服务：交付素材、以及素材带来的 GMV 的分佣。”
• 拿国资是 2023 年的被动选择——“美元基金不敢投中国 AI 公司，不是我们不想拿”；他还提到深创投投资智象，且看好多模态赛道和 To B、To C 的组合。

57. 具身数据生意：与诺亦腾的闭环设计

• 生意的由来是具身缺高质量数据（需求“千万级到亿级小时，很恐怖”）：诺亦腾提供毫米、亚毫米级、六七个自由度的真人遥操作实采数据，智象做增广——“他给我一份数据，我们变成一百份、一万份，换背景、换手的肤色，把带夹爪、带手套的数据变成真人第一人称实操数据，精度保持在同一水平线”。
• 定价必须闭环：“我们还要验证它对市面上的 VLA 或 World Action Model 有没有好处，否则我怎么定价？”他刻意不下场做端到端具身模型：“数据不是我的，我没有版权拿它商业化。我只做一个轻量级模型把 delta 算出来就行——我是要做一个隐士高手。”戴若黎的那句劝说他认了：“师兄你有这么大规模的数据和模型参数量，做他们的东西是用大刀去砸一个小蚊子。”但他也留了转型伏笔：“数据量真的到很多的时候，我也会考虑是不是要转型，这些 know-how 反过来可以帮我调自己的 World Action Model。”对具身热钱的判断则冷静：“有些公司一个月过去什么都没有发生，估值就涨了三倍、好几倍——稍微有一点点泡沫了。”

58. 三指抓与五指抓：为什么 Seedance 训不了机器人

• 主持人旧问重提：符合物理规律的视频生成能否用于具身训练？答案依旧是不行：“它里面没有物理规律，它只是看上去符合物理规律。”第一版合成数据的教训具体而微：手指精度不够、与物体交互有偏差，“我们合成的视频一定是五指并拢去抓，但采的数据里人是三个手指抓的——这两个手指头没有抓东西，它到底是错还是对？没有答案。”
• 具身可用的门槛被量化：“要验证在三维点云上、x、y、z、t 四维上是不是毫米精度，自由度是不是满足客户要求——Seedance 目前还做不到这一点，精度很重要。”顺带一句行业黑箱：“真正训练大模型的公司底牌都不给别人看——你问他们参数量是多少，很多公司都不敢告诉你，可能只有几十 B 或几 B。”

59. 未来架构预告：一个底座、三个视频模型、一个开关

• 他罕见地剧透了 roadmap：“底层是一个新的架构，现在还不能说，是在 UiT 上做衍生的——上面有几个视频模型：一个做消费级视频生成，一个做交互式生成（有点像李飞飞那种，可以在视频里调角度、方向、运镜），一个做具身智能的高精度、高可控生成。它是一个开关，可以往左、往中、往右偏。”
• 配套的产品目标三个维度：质量与第一梯队同水平（像素级、物理性、逻辑推理）；时长从五到十五秒推进到分钟级（一分钟、三分钟已可做）再到成片；以及实时——“Sora 生成十五秒要等十几分钟，我们现在也要几分钟，用户不一定等。哪怕是一个 preview，让他实时交互。”

60. AGI 版世界模型可能在五到十年后：算力要再乘十到一百

• 对大一统世界模型的时间表他给了明确的量纲：“把具身的 x、y、z、t、六个自由度、触觉、温度、视频、图片、语言都放在一个模型里训练，需要的算力可能是今天的十倍到一百倍——一个是没有人有这么多数据，另外没有人有这样的架构，第三我们也没有这么多算力。那个模型有可能在五年以后，或者十年以后。”
• 两大领域的分工论是他的底层信念：“大语言模型是人类知识积累的体现，长上下文和长思考出现后开始有一点点智能的感觉了，天花板还没到；多模态不是为大脑服务的、不是为了产生智能，是为了让人和世界交互、模拟世界的物理状态。目前很难放在一起训练——一个自监督，一个强监督。”人才也仍泾渭分明：OpenAI 里 Sora 团队与 ChatGPT 团队独立，Google 的 Veo 3 团队也独立，“上层有 domain knowledge，中间层 infra 是相通的”。

61. 合肥双子星与组织的自驱文化

• 主持人称智象总部在中科大隔壁，并将其与科大讯飞称为“合肥双子星”，同时提到科大讯飞是股东；梅涛回应双方有很多业务协同。合肥产投投资过长鑫存储、京东方，也希望复制这一模式把智象未来投出来，“我们跟合肥是双向奔赴”。
• 师兄刘庆峰的忠告只有一句：“迅速地把企业做大——AI 的 timing 很重要，错过了时机你就不能留在牌桌上了。”
• 管理上的一次认错值得记录：“我们以前会做年度规划，后来发现这是一个非常扯淡的事情——AI 初创企业很难做年度规划，很快调整到按季度，OKR 让产品团队、技术团队自己提。”他对创始人角色的画像：“公司是个木桶，不能有特别短的短板；人可以只把长板做到最长。作为一号位你很孤独，我唯一焦虑的就是我的认知够不够、团队的人齐不齐整——我周末都在面试别人。”招人先劝退：“创业九死一生，我不是 baby-sitter，你必须得自己想清楚。”

62. 中国做零到一创新的难点：教育与培养机制的灵魂拷问

• 他没有回避：“目前来说在中国做零到一的创新是有点难的。我们的教育喜欢教确定性的答案，学生习惯 follow 老师的安排，做一段时间没有结果就焦虑。”他以自己观察到的美国 PhD 培养为例——“一篇论文改十几遍，讨论每一个技术细节，让你毕业后沉淀自己研究的思路框架”；他认为国内老师带的学生太多，学生又离工业界太远，研究方法不容易沉淀。
• 应对是把微软的实习生制度搬进公司：大量博士生每天读 arXiv、每年在顶会发二三十篇论文、被派去开会，“你没有这样的触觉，就可能 miss 掉这一代，认知上错过好几个月”。UiT 正是这样来的：“学术界已有 pixel-level 的端倪、效果还可以，只是在学校没办法 scale-up——我们把思想拿过来，在超大规模上做自己的底层创新。”招人标准也别致：“我们招计算机学院的 Top One，不是 GPA 最高，而是全班同学都认为他是 Top One——通过同行评价来判定。”研发平均年龄约三十岁。

63. 命名、全球化与审美的在地化

• HiDream 与“智象”的由来：HiDream 两个音节、开口音，经过 native speaker 调研选出；“智”是人工智能，“象”既是想象力也是模态——“一生二、二生三、三生万物”。他对全球化与出海做了少见的区分：“全球化是我的客户在全球各地，通过平台服务他们（如 VivaGo、Hike Leap）；出海是帮助中国企业去做全球化的业务，客户还在国内。”
• 审美的在地化只做在产品层、不做在模型层：“模型层面只会是通用化的——训练数据包含了那个国家的数据，模型就有这个能力了。产品层做差异化：巴西用户看到的首页跟美国不一样，特效模板、UX 不同。你很难统一所有的价值观和审美。”

64. AI 信仰与商业化的铁律

• 信仰他不爱讲但确实有：“超级人工智能一定会实现的——通用人工智能很难定义它，但我觉得超级人工智能已经在实现了。”个人姿态是清零式的：“我在学术那个层面已经攀过一个高山了，现在是从山上下来，重新去攀登另外一个高山。我愿意把身份清零，不需要额外的声望和财富。”
• 京东学来的铁律与之并行不悖：“跟刘强东刘总学到很多——公司一定要创造价值。再困难，技术一定要攻坚，商业化一定不能放弃，必须闭环：如果有一天没有人投资了，你必须要自己造血。仅仅通过情怀、通过一个 AI 的信念让别人相信你，在中国这个环境下是有点难的。”

65. 终极好奇：“机器一定比人更懂这个世界”

• 几十年 CV 研究的牵引力，他给了一个具体的画面：“有的时候晚上开车，下雨天大雾天，你会依赖辅助驾驶——它的眼睛比你多，你只能看到五米、十米，它能看到三十米。所以我相信机器一定会看得更深远、比人更懂。我希望机器帮助人类看懂这个世界，再帮我们创造一个更好的世界。”
• 收束回李飞飞与杨立昆之问，他的表述是：“我希望能够从世界中学习，把世界进行重构，进而超越现有的世界——不是叫创造世界，而是 mold 这个世界，构建并且改造，能够修改、能够编辑这个世界，按照我们的想象去编辑这个世界。”对“盲人也能理解世界、视频不是最本质”的挑战，他的回应是：“那是 corner case，现在讨论没有意义——还是要看最多的数据在哪里，目前数据量最大的一定是在视频里。”

66. 尾声：《创业维艰》、村上春树与《Her》

• 两本书一冷一热：《创业维艰》是“操作手册”——“即使在硅谷这么好的条件下，创业也是很艰难的”；《1Q84》则是他对 AI 的一面镜子：“村上春树两页纸只讲一个人的心理变化，细致入微——这是 AI 现在做不到的一点，目前来说很难超越他。”
• 最后一个细节意外地贴题：科大约三年放映员生涯每周审十多部片、放六场，“我没有完整看过一部，哪怕是 Titanic”——“我每时每刻只能做一件事情，而且是百分之一百二的投入”。而 2014 年的《Her》让他看到了雏形：“Her 发生的事情不就是今天大语言模型在发生的事情嘛——只不过还没有跟多模态产生共鸣、能够桥接。AI 成长的速度，未来可能赶得上科幻小说家的想象水平了。”