胡渊鸣：Meshy AI，太极，MIT，清华姚班，图形学，物理仿真模拟，开源，商业化，勇气 ，智慧 ｜ WhynotTV Podcast #2

摘要

• Meshy AI 已证明 3D 生成能形成高速增长的垂直 AI 生意，但胡渊鸣不把它当终局。 公司已有约 400 万用户、每月 250 万网站访问量，在美国市场份额约 55%；收入以订阅和 API 为主，月增约 20%，过去 12 个月增长十几倍，Meta 是最大客户。投资含义在于：品类第一和造血飞轮已经出现，但 Studio 级资产仍常需 ZBrush 等后处理，技术渗透尚未完成。
• Meshy 找到的是一个“大厂嫌小、创业公司够活”的市场甜点位。 游戏行业接近 3,000 亿美元，却同时承受用户时长被短视频分流、玩法与商业模式停滞、3A 制作周期拉长和资产成本高企；消费端又有 3D printer 出货量年增约 20%、用户缺模型的需求。胡渊鸣的第一性原理很直接：“既然大家为 3D 模型付费，如果我们能以接近零的成本生成 3D 模型，then we are rich。”
• 真正值得押注的是这支团队能否继续跨品类，而不只是 3D TAM 能有多大。 胡渊鸣认为单做 3D 生成足以支撑一家上市规模公司，却希望最终做成类似 NVIDIA 的技术平台；更长期的统一命题是 “AI for fun”，从游戏、打印扩展到能让普通人体验另一段人生的生成式娱乐。管理上的时间约束也很明确：要在 Meshy 从指数增长转为线性、再放缓之前找到下一条曲线。
• 从太极到 Meshy 的转型，是一次用商业事实推翻技术自恋的生死切换。 太极商业化摸索了约 18—24 个月，能卖的主要是低毛利外包；Meshy 则是团队的第三个产品，最初用 8 小时上线便获得约 1,000 名用户，随后 all in。胡渊鸣总结创业者必须“每三到六个月把自己开除一次”，否则三个月后仍不觉得过去的自己“傻逼”，就说明没有成长。
• 他的下一代技术判断不是抛弃 simulation，而是把它降为 learning 系统中的 3D inductive bias。 现有 Isaac、MuJoCo、Drake、PyBullet、Genesis 都受 sim-to-real gap 制约；纯 synthetic data “一定不会 work”于从零训练 foundation model，却可增强真实数据。更可行的路径是保留物体不凭空消失、不能占据同一位置、camera projection 等底层约束，把摩擦、材料、边界条件和 stress-strain curve 交给 data-driven 模块，Taichi 2.0 有机会成为这种 hybrid simulator 的基础设施。
• 开源在胡渊鸣的框架里不是收入模式，而是高技术公司的招聘、获客与信任渠道。 他经历了从“开源大法好”、到质疑商业公司为何免费交出最好技术、再到重新投入太极的反复；结论是“开源是不挣钱的”，但好项目能吸引最好的人才和客户，相当于用研发做 marketing。前提是必须有互补的商业化闭环，否则开源部门很快会成为组织成本。
• CEO 的核心不是讨人喜欢，而是尊重事实、选对市场并带领公司赢。 胡渊鸣把时间粗分为招聘 40%、road map 与 strategy 30%、hands-on 业务 30%，人才标准是 hungry、humble、smart、clarity；公司则用盲测新旧模型抵抗自我美化，因为“绝大多数努力没有任何回报”。他把好生意归纳为市场大、仍属非共识、团队有竞争优势，再叠加兴趣与 timing；IPO 是未来三四年的可检验目标，但只是手段，不是创业目的。

精读

1. 胡渊鸣把自我定义压缩成了“I am myself”

• 面对清华姚班、MIT、太极和 Meshy 等标签，胡渊鸣给出的最短答案是：“我是我自己，I am myself。”更具体地说，他是被兴趣与使命感驱动、喜欢通过创造来获得能量的人。
• 他的行动逻辑有很强的兴趣门槛：喜欢的事情可以投入“百分之一千”的努力，不喜欢的事情则 “I would rather not do it”。这既解释了他的高产，也解释了 MIT 第一年研究错配时的痛苦。
• 他把天资、身体状态乃至努力本身都归入运气：“可能百分之九十九都是运气。”恰好喜欢时代所需要的能力，才让持续 hard work 成为可能。

2. 一棵桃树让他从小怀疑世界只是 simulation

• 幼年住在学校宿舍时，胡渊鸣观察楼下桃树，反复追问：自己睡觉、不再观测时，树是在默默生长，还是等被看见的一瞬间才快进成应有的样子？
• 他很快碰到递归难题：如果快速观察许多对象会增加世界的计算量，为什么观察者感受不到世界变慢？他的答案是，“我自己也是被这个世界所模拟的”，内部对象无法区分母体的实现方式。
• 他把普朗克常数想象成模拟器的浮点精度，把光速与光锥想象成限制粒子交互成本的机制，把宇宙大爆炸想象成 initial condition；这些都被他明确放在“很有可能、但无法证真伪”的猜想层面。

3. 他先用代码发现力学，后来才知道那叫牛顿第二定律

• 父母从事计算机教学，让胡渊鸣在幼儿园、小学阶段便接触电脑；他从软件站下载约 6MB 的 Visual Basic 6.0，开始写最基础的物理仿真。
• 当飞船按方向键就直接位移时，他觉得“不真实”，于是把按键改成控制物体移动的增量；后来才知道，自己重新发现的概念叫牛顿第二定律。
• 《Crazy Machines》里网球经过杠杆、滑轮、风扇和面包机最终砸到猫的设计，让他看到简单组件如何组合成复杂机器；自己的飞船游戏也加入推进器、武器与可升级组件，后来因硬盘损坏遗失。
• 兴趣随后延伸到 RPG Maker XP 和 Ruby。贯穿这些项目的不是“学编程”本身，而是“用加减乘除创建一个世界”的冲动。

4. 竞赛训练了执行，物理仿真训练了质疑模型

• 初高中参加 NOI 等计算机竞赛，让他习惯在有限时间和高压下把代码“写出来、写对”；这种 competitive programming 能力至今仍是处理紧急问题的底座。
• 初中时，他仿照《World of Goo》构建 mass-spring system，用球和弹簧搭 soft body；高中想避免现实多米诺骨牌被碰倒，转而在电脑中研究 rigid body simulation。
• 正是在碰撞与 friction 上，他发现许多模型只是近似。此后研究从本科的流体一路延伸到博士阶段的 deformable object、elasto-plastic object 与气体仿真。

5. 姚班最重要的产出，是持续看见“人外有人”

• 胡渊鸣 2017 年从清华毕业，至今仍与姚班同学密切聚会；对他而言，四年的最大收获不是课程，而是一批能轻松拿 ACM World Finals 金牌、考试稳定满分的同伴。
• 最刺眼的样本是第一门计算机应用数学考试：老师把“没来得及讲”的知识点直接出成题，一位考前不断说要挂科的同学最终拿了 98.5 分。胡渊鸣把这种挫败称为 “eye-opening”，因为越早知道自己没那么厉害，越早能成长。

6. 本科真正发表的工作都与 AI 有关，但早期模型远没有神话中稳定

• 国内图形学研究机会有限时，他在宿舍复现大量 SIGGRAPH paper，从 simulation 到 rendering 逐层拆解；也因此发现论文常没有写出所有关键细节，“不能太迷信 paper 里面说的事情”。
• AlexNet、ResNet、AlphaGo 相继出现后，最优秀的学生大量转向 AI。胡渊鸣在微软亚洲研究院做 white balance 预测，成果发表于 CVPR 2017；另一项工作把 RL 与 GAN 结合，训练一千多个 model 才得到一个“勉强可以”的结果。
• 这段经历让他很早看到 RL、GAN 的稳定性边界。他认为 sparse reward 到访谈时仍未真正解决，常见办法仍是 pretrain 后再用 RL fine-tune，而不是让 RL 从零“理论上把东西学好”。

7. MIT 第一年差点退学，主要是研究兴趣与约束错位

• 2017 年进入 MIT 时，他仍坚定选择 graphics；在他的观察里，Boston 产业更偏 biotech，MIT 相比靠近产业中心的 Stanford，对 AI 的接受较慢，更多人在做 compiler、simulation、3D printing 等传统底层问题。
• 第一位导师的研究兴趣与他不一致，funding project 又带来额外约束。他一边做自己关心的方向，一边完成不 enjoy 的任务，虽仍相当 productive，却痛苦到考虑退学。
• 这次危机强化了他的自我认识：别人给他真正喜欢的事，他可以极度投入；如果长期被要求做不认同的事，环境本身就需要改变。

8. 换导师之后，他才从“多发论文”转向“什么问题值得做”

• 清华学长家俊建议把 simulator 做成 differentiable，由此发展出 ChainQueen 与 DiffTaichi；俊彦则反复强调 research 必须产生 impact，而不仅是完成技术动作。
• 胡渊鸣随后转到 Frédo Durand 与 Bill Freeman 组里，两位导师都相对 hands-off，让他拥有高度自由。MIT 的人才密度、平台与博士学位的 certification 价值，最终使留下成为更好的选择。
• 若回去劝博士一年级的自己，他会说：“先花更多时间想什么样的工作是重要的工作。”他认同用更多时间定义问题、较少时间解决问题的思路。
• 但他的补充很现实：在“发过足够多论文、灌过足够多水”之前，人可能根本不知道什么叫重要问题；只有经历论文无人兴奋、引用寥寥的反馈，才会形成方向判断力。

9. 他对博士阶段的四个反事实，实质都指向扩大探索半径

• 2020 年暑假，他去了 NVIDIA 做太极相关工作；回看时认为，若接受何恺明的 offer 去 FAIR、更早进入 AI frontier，可能会获得更大的长期帮助，但他并未否定 NVIDIA 本身。
• 他仍会做太极，却不会只把它限制在 physical simulation；若更早服务 Transformer 优化，太极或许能占据类似 Triton 的位置。Taichi 2.0 正是对这条未走之路的重新探索。
• 他仍会把“一年博士毕业”设为明知难以实现的目标，因为“求上而得中，求中而得下”；到第三年、接近毕业时，他已不知道继续读博还能做什么，论文影响力也足够，于是获准提前毕业。
• 最后一个反事实是少关门写代码、多与不同领域的人交流。Richard Hamming 的提醒被他反复引用：关门短期产出更高，但“五年以后你一定不知道该做什么”；创业后，对应动作就是持续听客户反馈。

10. 计算机图形学的魅力，是用最基本运算造出完整世界

• 胡渊鸣把 computer graphics 定义为“用加减乘除创造一个虚拟的世界”：CPU、GPU 只会基本运算，却能生成《Cyberpunk 2077》《巫师 3》般的画面。
• 他按阶段梳理领域演化：早期重在 visualization 与 photorealistic rendering；约 1995 年前后，烟雾等工作推动 physical simulation；随后技术又溢出到 robotics、computational photography、super resolution 与 CV。
• 图形学还为 AI 铺设了硬件基础，但自身产业热度不及 AI。胡渊鸣的判断是，当一个问题变得极度干净、benchmark 系统完备、解法只剩复杂模块排列组合时，往往意味着“开疆拓土的机会已经比较少了”。

11. 太极把十亿粒子塞进一块 3090，靠的是编译器而非单一算法

• 太极最初要解决 simulation infrastructure：让仿真更易开发、运行更快、更省内存、兼容生态，并天然支持 differentiable programming，使 robotics 等场景能直接求梯度。
• 博士阶段的标志性结果是在一块 24GB VRAM 的 RTX 3090 GPU 上运行 one billion particles。预算意味着每个 particle 不能超过 24 bytes，普通数据结构根本放不下。
• 他的极限压缩方案把 x、y、z 分别塞进 11、11、10 bit，正好组成一个 32-bit integer；通过 quantized fields，让 compiler 自动把太极里的 data structure 做 quantization，避免用户手写极难维护的低位运算。
• CUDA、Python、LLVM、MPM 与 GPU programming 同时成熟，构成了太极能够 “make a splash” 的时机；还需要一个“初生牛犊不怕虎”、敢独自造编译器的年轻人。

12. 太极的浪漫，在于一个人同时扮演科学家、工程师、产品经理和 CEO

• 胡渊鸣形容那段体验只有两个字：“很爽。”他从 PTX、compiler intermediate representation 一路做到 GitHub CI/CD、文档和知乎传播，亲手跑完整个 full stack。
• 因为自己就是 simulation 用户，他能直接判断产品需求；作为 scientist 跟踪新技术，作为 engineer 处理架构、性能、多线程编译与 cache，再把成果整合成别人愿意使用的产品。
• 最难忘的一刻，是“用自己的编程语言去实现自己的程序，然后发现还比库更好用”，当时感觉“真的牛逼坏了”；不过他也强调，只是在特定细分领域更好用。
• 在 Adobe 实习时，他用三四天为太极加入 autodiff，把只有 forward 的 MPM soft-body simulator 变成可 backward；原本 CUDA 版 ChainQueen 的逻辑，只需增加两行便成为 end-to-end differentiable code。

13. 他对开源的判断反复三次，最后把它定位成技术型 marketing

• 博士时期，他让所有论文实验都能通过一条 command line 端到端复现；在大量 graphics paper 不附代码的环境里，这代表他最初坚定相信“开源大法好”。
• 创业后，太极虽有文档、社区和用户，却迟迟找不到商业闭环。他一度认为商业公司做开源“九死一生”：最好的东西已经免费交付，收入从哪里来？
• Meshy 造血改善后，他再次修正判断：“确实开源是不挣钱的”，但好项目能吸引最好的人才和客户，用代码建立信任；如同游戏可花同等预算做研发和市场，开源是用研发方式完成渠道建设。
• 结论不是所有公司都该开源，而是必须 “very strategic”：开源能力要与收费产品互补，能增强竞争力；否则组织很快会追问为何还要养一个不创造收入的部门。

14. Simulation 的关键误差不在牛顿第二定律，而在现实边界条件

• 胡渊鸣不认为牛顿第二定律失效，问题是 friction、材料、空气阻力和 boundary condition 常被粗糙近似；光滑表面互相摩擦，与玻璃贴在湿表面上的机制就完全不同。
• 他主张 simulator 变得更 data-driven、更 neural：高性能 MPM 仍负责底层求解，stress-strain curve、elasto-plasticity 等难以准确建模的部分则从数据学习。
• 反向也成立，AI 需要来自三维和物理世界的 inductive bias。RoPE 展示了结构先验如何节省学习成本；理论上纯 MLP 也许能学会一切，但现实没有“足够的 compute、足够的 data”。
• 他的平衡原则是：“不要越俎代庖，不要低估模型的学习能力”，同时也不要把所有问题无条件交给 learning；simulation 里要有更多 AI，AI 里也要有更多 3D bias。

15. Camera projection 是他用来反驳“全部端到端学习”的最佳例子

• 在 video generation 中，traditional graphics 用 50 FLOPs 以内就能完成 camera projection；若让 AI 重学同一映射，可能要额外增加 1 billion 个参数，显然不经济。
• 视频模型让 camera 转 360 度后常返回完全不同的世界，暴露 physical persistency 缺失。用 particle、voxel 或其他 3D representation 固定场景，就能减少模型凭空重建世界的自由度。
• 何泰然列出 Isaac、MuJoCo、Drake、PyBullet、Genesis 等 simulator，胡渊鸣认为共同瓶颈都是 sim-to-real gap：参数、边界条件与 solver 状态很难全部调准。

16. 他同意 real-world data 是地基，synthetic data 只能做增强

• 何泰然引用 Sergey Levine 关于《A Spoonful of AGI》的文章，提出 simulation 可能反而限制 robotics foundation model；胡渊鸣回答：“有道理。”
• 他的判断很 categorical：若训练 foundation model 时所有或大部分数据都是 synthetic data，“一定不会 work”。能被合成，意味着服从人为写出的 rules；现实可能有一亿种情况，规则只覆盖一万条，而且规则本身还可能偏离物理。
• 这不等于 general robotic simulation 不成立。若把 simulation 与 VLM 等 foundation model 结合，最终系统可能“既不是一个 simulator，也不是一个 neural network”，而是嵌有 neural network 的 3D inductive bias。
• 其中可以出现端到端可微的三维采样 operator：抛球的抛物线由 simulator 擅长的结构处理，复杂接触与边界条件则交给 data-driven adaptivity。

17. 物理仿真的天花板，是局部世界可算，整个世界未必可预测

• 胡渊鸣提出一个带明确保留的猜想：若现实本身是模拟器，内部再造的模拟器不太可能比母体更强、更快；因此预测包含全世界参与者的股市很难，small-scale 风洞模拟却可行。
• 他观察到 finite element、finite volume、MPM、mass-spring 等纯数值方法近年基础突破减少；rendering 也出现把 MCMC、path sampling、adaptivity 不断组合的成熟期迹象。
• 但他不接受“simulation 已无用”。Simcenter、Fluent 等 CAE 软件仍用于飞机、火箭，CFD 与风洞高度相关；只是飞机面对的主要是空气，机器人操作蔬菜、盘子时反而要处理更复杂的接触与材质。

18. 如果重做 simulator，他会让 learning 主导、物理规律退到底层

• 新系统会保留更不可违背的元素：桌上的杯子下一秒不会消失，两个物体不能占据同一位置，camera 仍遵守 perspective projection；更高层 physical law 与材料行为则可 data-driven。
• 他预计足够长时间后，ray tracing 会被 neural graphics 取代。以 DLSS 类方法为例，4K 输出可能只原生渲染 1K，甚至只采样八分之一或三十二分之一 pixel，再由学习系统补全。
• 对“Sora 是否等于解决 3D”的追问，他回答“一定程度上可以”；长期一定以 learning 为主，但 graphics 仍会以 inductive bias、synthetic data 或 learnable module 的形式存在，并且此前的 graphics 技术本就促成了 Sora。

19. 真实世界、可观测世界和模型世界之间存在两道不同的鸿沟

• 第一重 gap 来自观察者局限：胡渊鸣仍不知道桃树在无人观测时“真实”发生了什么，每个人看到的都只是世界极小的一部分。
• 第二重 gap 来自 compute 与 data 不足：人类可观测的现实，与物理模拟能覆盖的现实“差了十万八千里”。CFD 再准确，飞机起飞前也不能因此取消风洞。
• 谈到 GPT-4，他把模型能 mimic 一部分人类认知视为奇迹；LLM 固然生活在 training data 与 loss function 构成的柏拉图洞穴里，但人类观察的数据甚至可能更少，“我们真的就比 LLM 强吗？不一定。”
• 他不认为 AGI 必须预先写入牛顿或拉格朗日方程，但必须能 use tools：拥有计算机、命令行和 Python，按需写 finite element code。固定 next-token compute 无法适配所有问题，工具调用让困难 token 获得额外计算。

20. Robotics 对他很重要，却还没有重要到足以驱动亲自下场

• 胡渊鸣承认 robotics 可能产生巨大 impact，但目前还不知道自己能贡献什么；更关键的是兴趣程度还不够高。
• 他的约束没有改变：只有真正喜欢，才可能做好。若某一天 robotics 让他产生足够强的好奇心，他有可能朝这个方向做；在那之前，他不会因赛道热度强迫自己下注。

21. 创业并非长期规划，而是对独立创造和新体验的直接响应

• 博士期间，他大量观看 Elon Musk、雷军、王传福等创业者访谈；临近毕业时，路径基本是进学校或把博士成果商业化，最终成立太极图形，后来因海外客户更多改名 Meshy。
• 他没有认真考虑大厂长期工作，因为“受不了有人告诉我该做什么”。MIT 后期导师每周只与他开约半小时会，提供鼓励、人脉和方向帮助，却不指定技术路线。
• 这也解释了创业初期的盲点：在成为 CEO 前，他最 professional 的经历只是 NVIDIA、Adobe、Microsoft 的 intern，“或者说我在当 CEO 之前，我是个 intern。”

22. 游戏行业需要降本，但 3D 资产生成仍未达到一次性交付

• Meta 目前是 Meshy 最大客户，因为大型公司的 API 消耗可高于单一 game studio；游戏客户仍很重要。何泰然提到，胡渊鸣此前写过 3A 游戏制作成本中约 50% 与 3D assets 有关。
• 胡渊鸣把游戏描述为接近 3,000 亿美元却处于收缩期的市场：裁员、涨价、重制老游戏并行，TikTok 等短视频抢走时长，PUBG 后缺少同等级新玩法，free-to-play 后也缺少新商业模式。
• 制作成本则持续上升，GTA 类项目可有十年周期；一部两三小时电影能卖三四十美元，一款提供约二十小时体验的游戏也常只能卖相近价格，定价权与内容成本严重错位。
• Meshy 能帮助原型和资产生产，但胡渊鸣坦承，当前结果常需 ZBrush 或其他后处理，离 Studio 生成后“哇，我好满意”仍有距离；articulation 也属于后续能力。

23. Meshy 的起点是一条近乎粗暴的第一性原理链条

• 2022 年下半年，团队看到 ChatGPT 能生成 language、Stable Diffusion 能生成图片，又看到用户在 Sketchfab 为 3D 模型付费，而市场没有可直接生成 3D model 的产品。
• 于是逻辑变成：“既然大家为 3D 模型付费，如果我们能以接近零的成本生成 3D 模型，then we are rich。”这不是从游戏情怀倒推，而是从已存在的支付行为倒推产品。
• 商业模式与 OpenAI 相似，以订阅和 API 为主，另有 Studio account。节目开头提到用户超过 400 万、年营收增长超十倍；对谈中胡渊鸣补充，每月约 250 万访问量、收入月增约 20%，过去 12 个月增长十几倍。

24. 3D 的小众恰好构成 Meshy 的战略保护带

• 胡渊鸣称 Meshy 访问量约等于第二、第三名之和，在美国等发达市场份额超过 50%，美国约 55%；这让它成为明确的品类第一，却仍处于大厂不一定愿意重兵投入的市场。
• 消费端的重要场景是 3D printing：在美国，3D printer 出货量每年约增 20%，很多买家有机器却没有模型。人物合照生成仍可能被评价“太丑”，但若复原质量成熟，普通家庭也可能成为用户。
• OBJ、GLB 连多数微信用户都打不开，说明 3D 尚非全民媒介；胡渊鸣反而认为市场规模“恰好能够让一个创业公司生根”——太大如 video 会直面巨头，太小则无法养活公司。

25. “AI for fun”试图把 Meshy 从资产工具扩展为大众娱乐平台

• 胡渊鸣认为，单独把 3D generation 做透已足以形成上市规模，但他“不特别满意”，因为目标是建立类似 NVIDIA 的公司，而不是停留在单一工具。
• 更一般的使命是用 multimodal AI 带来乐趣：今天是游戏与 3D 打印，未来可以是其他内容形态，甚至不再依赖 3D。“AI for fun”因此比 Meshy 当前产品更接近长期公司定义。
• 他通常花约 20% 的时间思考未来。设想中，AGI 可能使许多人不再工作，而生成式 AI 可让普通人体验南极、古巴比伦、另一段人生，甚至回看“如果当年去了 FAIR”的分支，让有限生命更丰富。

26. 太极前 18—24 个月的失败，首先是没有造血模式

• 团队曾为太极增加 AMD GPU、JavaScript backend 等能力，也构建文档和社区；但商业化最终主要落到替客户开发 simulator 的外包，毛利低、难标准化，国内 to B 环境尤其不理想。
• 胡渊鸣逐渐确认，自己这种不喜欢长期服务大客户的 founder，更适合先做面向 consumer、可订阅、可通过 API 标准交付的产品；寻找 PMF 已足够困难，不必再给自己叠加最不擅长的销售模式。
• 他把公司飞轮描述为：好技术产生好产品，好产品创造 revenue，收入吸引好人才，好人才再做更好技术。不能商业化的技术只能成为“一场烟花秀，放完就没有了”。
• 2021 年的元宇宙、open source、infrastructure 等热词，也曾让他意识到，创业者很难完全不受社会潮流影响，因而需要重新进行独立判断。

27. 从太极转向 Meshy，复刻了 Intel“先把自己开除”的决策实验

• 胡渊鸣复述 Andy Grove 与 Gordon Moore 面对日本 DRAM 竞争时的对话：既然董事会迟早会开除他们，不如先走出办公室，再以新 CEO 身份回来判断公司应该做什么；答案是转向 CPU。
• 对太极也一样：继续投入看不到主营业务的商业未来，于是他选择“自己把自己开除”。创业以后，“每三到六个月就要变成一个全新的自己，you have to reinvent yourself every three to six months。”
• 转型遭遇真实阻力，一些对生成式 3D 无兴趣的人离开，团队还砍掉另一个项目再 all in Meshy；留下的人后来认为决定正确，太极的火种则没有被彻底熄灭。
• Meshy 也并非凭空出现：团队先用太极做 Gaussian Splatting、NeRF，才看到生成资产的可能。但从能力上说仍是重新起步——原团队无人训练过大模型，只是 graphics 背景让他们能快速迁移数学与工程能力。

28. 最早的 Meshy 只配做恐怖游戏，如今已进入 AA、AAA 原型流程

• 产品第一版约 8 小时上线，获得约 1,000 名用户；效果差到胡渊鸣做用户访谈时会说“千万不要跟别人说 Meshy 是胡渊鸣做的”，直到 Meshy 1、Meshy 2 才愿意公开认领。
• 2023 年他曾判断技术只解决 10%，希望 2025 年解决 90%；如今答案是约 50%。原因不是进步慢，而是“现在可能解决了当时想象的 90%，后来发现上限是 200%”。
• 初代模型前后左右各生成一张 texture，角色因此有四张脸，“只能用来做恐怖游戏”；现在已有 AA studio、甚至部分 AAA studio 用 Meshy 做 prototype，但总体仍只覆盖约 5% 的细分场景。

29. 用户访谈比原有技术壁垒更直接地指向了 Meshy

• 太极时期的大量客户明确说：“我不会为你这个软件付费，但是你如果能把这个里面的模型都卖给我，我会为它付费。”这条支付意愿证据，比原团队是否擅长 diffusion 更关键。
• 胡渊鸣并未担心团队缺少 text-to-image、text-to-3D 经验，因为当时没有人在做这件事情，Meshy 是第一个上线、可公开访问的产品。
• 他由此把市场空间理解为动态变量：对适应能力强的组织而言，边界不只取决于今天的 3D TAM，还取决于能否持续聚集聪明人、发现新需求并进入相邻市场。

30. CEO 的第一课不是管理技巧，而是承认自己根本不会运行公司

• 创业初期的主要压力是“不知道一个正常的公司应该是什么样”。胡渊鸣承认自己犯了 humble 的错误：不知道自己不知道很多事情。
• 他的优势是纠错速度：“发现我做错，我立马承认自己是傻逼，立马改。”后来看到不少比自己年长二十岁、从大厂高管转型的 founder 同样挣扎，他才意识到这不是 PhD 直接当 CEO 的特有问题。
• 他认为 CEO 可以培养，关键是快速学习和提高认知。PhD 能训练 humble、work hard、presentation 与前沿技术判断，却教不了市场、用户和产品量产；这些必须在真实公司里补齐。

31. 好 CEO 不以被喜欢为目标，而以“把事情做成功，赢”为目标

• 胡渊鸣过去希望所有人都觉得自己 nice、慷慨、是好朋友；后来发现，“如果工作的目标是让所有人都喜欢你，最终会被所有人讨厌。”
• Tough decision 包括砍掉受欢迎的项目、请走没有贡献但人缘很好的同事，以及在用户 A、B 冲突时只选择一个方向。A、B 都做，结果往往是公司失败、两边都骂。
• 他把回避冲突视为一种自私：CEO 若为了小群体喜欢自己而不解决问题，就没有为全体员工负责。“我被所有人喜欢是私事，公司能成功是公事。”
• 对 Elon Musk、Jensen Huang 的评价也服务于这条标准：直接下属可能觉得他们 hard to work with，但公司赢让更广泛员工受益；不过 Meshy 仍自认会给人犯错和改进的空间。

32. 新经理过度 nice，是把自己作为强 IC 的经历错误外推给团队

• 被提拔的人通常曾是自驱、无需 push 的优秀 IC，于是误以为自己受到的宽松管理，也适用于所有下属；但他之所以晋升，恰恰说明同级成员的自驱与问题解决能力并不完全相同。
• 新 manager 若把“团队喜欢我”放在第一位，就难以提出更高标准。胡渊鸣会用自己的“血泪史”解释，公司今天的某些问题正来自半年前的优柔寡断。
• 他并不把 clarity 理解成多说话。新管理者常试图 dominate 对话，输出很多、对方只能接收 10%；胡渊鸣自己的转变是发现“说不重要，听最重要”。

33. 招聘、战略和 hands-on 构成 CEO 的 40/30/30

• 胡渊鸣把 CEO 时间粗分为：recruiting 40%，思考未来 roadmap 与 strategy 30%，紧密参与日常业务 30%。最好的人才带来最好产品、用户和 revenue，收入再投入 R&D，形成增长链条。
• 他看重的第一组特质是 hungry 与 humble：前者来自尚未证明自己、渴望 impact 的状态；后者要求直面现实、听得进反馈，并持续否定和更新自己。
• Smart 不是炫技，而是 resourceful problem solving：算力不足时换 optimizer、降低 floating-point precision、用 hack 提高效率。创业公司需要一定 management，但更依赖强 individual contributor。
• Clarity 则是思维是否真正清楚；如果高手说的话完全听不懂，“十有八九并不是你有问题”。他自己的 smart 错误，是擅长 solution 却忽略 strategy，花太多时间想 how、太少时间想 why。

34. 好赛道需要同时满足市场大、非共识、团队有优势

• 与 Cursor、Lovable 相比，Meshy 的增长不算最快；胡渊鸣承认 CEO 最重要的工作之一是选赛道，赌中时“躺着也能赚钱”，但也提醒“凭运气得来的东西，迟早要凭实力还回去”。
• 市场大回答值不值得做，非共识回答是否还有机会，竞争优势回答大厂能否轻易夺走市场；兴趣决定想不想做，timing 则决定窗口是否已经关闭。
• 何泰然以宇树科技和泡泡玛特作比较，胡渊鸣回应说，今天的规模差异不一定代表未来的结果；持续留在牌桌、保有团队与增长业务，才有机会抓到下一张好牌。
• 能力可以学，却不宜与原有积累完全脱节。胡渊鸣认为自己的技术能力甚至“有点溢出”，CEO 最终要补融资、招聘、客户和商业能力；再强的 CUDA、PTX 水平，若没有时间亲自写，也无法单独变成组织优势。

35. “尊重事实”比努力叙事更接近 Meshy 的文化基石

• 公司文化的底层是 respect facts：好就是好，不好就是不好，不用无数据的信息夸大自己。模型质量主观时，团队会把新旧版本随机左右展示，让评测者不知道哪个是新模型。
• 这种 blind evaluation 有时会证明旧版反而更好，意味着团队折腾许久没有进步。胡渊鸣因此反对“一分耕耘一分收获”“天道酬勤”式自我安慰：“世界上绝大多数努力没有任何回报。”
• 残酷之处在于，团队仍必须完成那 100 份尝试，因为事前不知道哪一份有效；但也必须承认其余 99 份可能没有价值，不能用辛苦替代结果。
• “会输的文化”包括内耗、甩锅、粉饰现实、不能复盘、不能公开批评 CEO。访谈前几天或上周左右，他刚被两位同事拉到走廊指出管理问题；虽会“心头一紧”，听完仍承认其中确有没做好的地方。

36. 阶段二不是把阶段一做得更快，而是从回答 how 转向定义 why

• 阶段一有明确目标、别人出题、个人把执行做好；阶段二没有既定目标，要给自己和组织出题。本科生学知识、研究生找问题，IC 完成任务、manager 定义目标，职员使用平台、founder 创建平台，都是同一切换。
• 阶段一越成功，阶段二反而可能越痛苦：服从、卷效率和磨炼单项技能不再够用，甚至连效率 metric 都尚未定义。胡渊鸣把它比作 boss 进入第二条血，继续用第一阶段打法会很快失败。
• 对 PhD 的具体建议是，阶段一先扎实发出三四篇顶会 paper，积累反馈；进入阶段二后，再问引用、adoption、是否成体系、是否改变别的领域，而不是机械地把三篇变成六篇。
• 他以 Frédo Durand、何恺明、Elon Musk、雷军、Jensen Huang、宫本茂、横井军平等人为 role model；共同点不是路径相同，而是在各自领域持续用现实反馈重塑自己。

37. 创新意味着大多数尝试失败，真正失败是从此不再尝试

• 胡渊鸣不再把单次失败看成终局：“只要我还活着，我觉得我就没有失败。”公司做坏、实验失败都只是暂时结果，真正失败是从此不再创新、变得非常保守。
• 他估算一个人从 20 岁做到 70 岁，若每件大事耗时五年，一生最多做十件；若十件全成，说明风险太低、不是真创新，合理预期也许只有五件成功。
• 当前自评分是“0.5 加 0.5”：太极完成第一个 0.5，Taichi 2.0 还需四五年；Meshy 已过 PMF、进入从 1 到 10、10 到 100，做到上市才补完另一个 0.5。

38. Taichi 2.0 要在 AI 时代寻找比一点零大 50 倍的影响力

• 胡渊鸣设想的“大鱼”不是再发几篇 graphics paper，而是让 Taichi 2.0 成为 Transformer、LLM、robotics 或 hybrid simulator 的基础设施，影响力达到一点零的 50 倍以上。
• 他称 NVIDIA Warp、Triton、Modulus 等项目的 star 数目都不及太极，说明用户基础仍在；欠缺的是足够大的应用领域，而 simulation 与 neural network 的结合可能提供新窗口。
• Meshy 正计划招聘两三位 GPU compiler 或 graphics 人才复苏项目，同时继续招聘 AI researcher、machine-learning engineer、compiler engineer，覆盖 model、data、evaluation 与 performance optimization。

39. Meshy 用高薪和真实 ownership 争夺全球技术人才

• 胡渊鸣称实习生采用 global pay，最高年薪可达 100 万人民币或 14 万美元，他会亲自与实习生做产品、科研；full-time package 则会更高。
• 团队分布在硅谷、北京、上海、深圳，但已从较多 work from home 转向每周至少四天到办公室，理由是面对面讨论效率更高。
• 公司目标之一是 “make Meshy a great place to work”。一些任职三四年的同事认为，这是其十几年职业生涯中最好的公司：过去在大厂可能只写一个 shader，如今可以操作 512 块 GPU，并随业务扩大承担更重要角色。

40. IPO 是三四年的目标，却不是创业的终极目的

• 胡渊鸣把三四年后 IPO 作为可努力的目标，并认为顺利情况下可以实现；但 exit 只是手段，因为还必须回答“IPO 以后呢”“不能 IPO 是否就不做了”。
• 更根本的目标是做出用户喜爱的产品，让员工得到财务回报、职业成长和自豪感，并让团队里的每个人成为更好的自己。上市后，则获得资源去做“下一个一”。
• 文化也不是目的本身：“一个公司的文化永远是为赢服务的。”努力、负责、追求极致、take risk、拥抱变化都只是孕育人才和产品的机制；若某种文化使公司必输，CEO 就必须放弃它。

41. Hands-on 是技术 CEO 防止“双脚不着地”的最后一道保险

• 胡渊鸣仍会写代码，上周约花两三个小时；这周还帮同事 debug、读代码、修 bug，并说这类事情可能占当周约 10% 的时间。
• 他担心彻底不写后，决策会滑向“阴阳五行”式空谈。Hands-on 不必永远等于编码，也可以是设计产品、谈供应商或深入理解技术，但必须有第一手接触。
• 对 “actually understand 技术”的最低标准，他给得很具体：带 model 团队最好亲自 train 过 GAN、CNN，理解 optimizer dynamics；带 compiler 团队至少写过汇编和 compiler。否则团队很难从 leader 身上学到东西。

42. 他更喜欢换导师后的博士生活，却选择对成长更有益的创业状态

• 胡渊鸣坦承，主观上更喜欢换导师后只需照顾自己、专心写代码的 PhD 生活；但“喜欢和对你有益是两码事”，始终待在舒服环境会失去大量成长机会。
• CEO 状态更累：公司要赢、员工要吃饭、投资人要增长、客户要交付，还要处理自己并不擅长的组织问题。但每隔一两个月，他都能看到性格缺陷和认知盲点被迫修正。
• 钱只占创业驱动力的约 5%—10%。买房之后仍要回答“然后呢”，所以做事比财富数字更重要；他用一句话概括这种代价与收益：“和平年代没有什么比创业更能锻炼一个人了。”

43. 对年轻人的最后建议，是先确认能承受失败，再真正 take action

• 对想读博的人，他建议先找到真正热爱的事，而不是只为学位承受多年痛苦；自己本科已复现几十篇 SIGGRAPH paper，所以很早知道从复现到原创研究会是喜欢的路径。
• 对想创业的人，第一步是 get ready：父母健康、家庭稳定、自己能承受失败，也能接受 AI 创业近似 7×24 小时待命。准备好这些，不必先把产品方向和所有经验想清楚。
• 真正重要的是迈出去，“很多事情都是可以学的”，通过行动发现自己错了，再快速变成更好的自己。他当年的想法是：三年半博士毕业，即使创业浪费两年，也只相当于五年半毕业，“能怎么样呢？”
• 当何泰然请他为 2025 年留下时间胶囊，胡渊鸣没有总结技术、融资或收入，只留下两个字：“勇气。”