作者｜甲小姐、刘杨楠

燃烧半年的大模型之火正在逐渐冷却。

(资料图片仅供参考)

一个直观的表现是，ChatGPT的用户增长开始下坡。第三方网站SimilarWeb的监测数据显示，今年6月，ChatGPT的网站与移动客户端的全球流量 （PV） 环比下降了9.7%，美国地区的流量环比下降了10.3%，用户在ChatGPT上的停留时间也下降了8.5%。

此外，七月以来，微软、谷歌、AWS、阿里巴巴等国内外科技大厂开始陆续发布2023半年报，遗憾的是，各项收入数据中，AI几乎没什么存在感。

大模型似乎走入了用户增长和商业落地的双重瓶颈。与此同时，另一股AI势力正在异军突起。

个性化AI聊天机器人创业公司Character.ai自去年9月发布Beta版本以来，用户涨势凶猛。SimilarWeb数据显示，2023年6月，Character.ai访问量达到2.8亿，5月的增长率更高达62.55%。不仅如此，Character.ai用户黏性极高。多个第三方统计数据显示，用户在Character.ai的停留时间长达28分钟。相比之下，ChatGPT的用户停留时长约8分钟，YouTube和B站的停留时长约20分钟，WhatsApp约18分钟，Google、Facebook和Twitter约10分钟——足见用户对Character.ai“偏爱有加”。

成立于2022年，同样主攻个人人工智能 （Personal Intelligence） 的AI初创企业Inflection AI也冲劲十足。Inflection AI于今年5月推出了首款产品“Pi”，仅2个月后，Inflection AI便在7月完成13亿美元的新一轮融资，估值突破40亿美元，成为OpenAI之后估值最高的AI初创企业。

这两家公司的出现， 让“情感AI”成为ChatGPT之外的另一个焦点。

在国内，清华系AI初创企业聆心智能已经在情感AI领域布局多年。从应用场景上划分， ChatGPT可归为“功能AI”，其价值是用超越人脑的智能帮人类解决各类实际问题，追求“高智商”；而聆心智能、Character.ai及Inflection AI正在做的事可归为“情感性AI”，其价值在于解决人类情感需求，追求“高情商”。

聆心智能创始人、首席科学家黄民烈同时还在清华大学担任多个职位——他是清华大学计算机科学与技术系长聘教授、国家杰出青年科学基金获得者、智能技术与系统实验室副主任及清华大学基础模型中心副主任。

在涌入大模型的众多学者、创业者中，黄民烈的判断独树一帜。他并未直接瞄准看起来极其性感的“通用大模型”，而是从2015年起就尝试破解情感AI的密码。在他看来，“ 功能固然很重要，但人的情感也是非常本质的需求” 。

事实上，“功能AI”还是“情感AI”，这既是AGI的技术选择，也是AGI的社会角色选择——AI之于人到底会是什么样的存在，是工具，是助手，还是伙伴？本期甲小姐对话黄民烈，聊一聊大模型重复建设之下的另一个视角和判断。

1.谈现状：“大模型会经历一个重复建设之后出清的过程”

甲小姐： 最近很多人感觉ChatGPT的热度降下来了，你有这种感受吗？

黄民烈： 融资市场和产业都在趋于冷静。原因是，之前无论投资还是产业，都在说要做“中国的OpenAI”，现在已经有这么多开源和闭源的模型， 大家开始考虑能做什么样的应用来真正解决产业问题 ；大家对大模型的认知更清晰了，有各种评测榜单，大家逐渐清楚彼此的能力；另外，七八月份是上市公司半年报的窗口期， 市场会冷静地看这些公司的投入在财报上如何反应 ，大模型的投入和产出是否匹配。之后有些公司可能会被收并购，融不到钱的公司也会倒闭，这是行业发展的客观规律。

甲小姐： 现在我们公允地看过去半年的AI热潮，哪些被高估，哪些被低估？

黄民烈： 大家对通用大模型的期待很高，但在解决实际问题时，国内模型距离ChatGPT、GPT-4还有挺大差距。一方面是 我们底层模型的能力还要提高 ；另一方面， 大模型最终要落地产业，依然需要大模型之外的能力， 比如加上传统的算法模块，形成一个以大模型为主导的复杂系统，真正解决行业问题。

甲小姐： 我身边真实的个人用户，从最开始对ChatGPT上头，到今天逐渐冷静甚至弃用，原因有二：第一是ChatGPT会出现幻觉，不够可信；第二是无法做精确计算等等。这是ChatGPT热度下降的本质原因吗？

黄民烈： 本质与否不好说，但这是一个重要原因。现在大模型容易产生幻觉，因为ChatGPT是概率模型，每次问答都会随机采样，同一个输入，不同的人、不同时间得到的回答不一样，有不可控性。 怎么解决这个问题？要和业务、场景结合。 比如有些场景允许有一定的容错率，但 有些场景容错率为零，就得有别的手段来处理。

再比如你刚才讲的精确计算，现在技术发展很快，大模型算数学题，过去全是概率采样，每次的计算结果都不一样；但现在不一定要通过概率采样去做，可以把数学题变成一个公式，再在模型中插入一个Python解释器去执行，最终得到的结果是确定的。 因此，神经系统和符号计算系统结合能够很好地提升模型能力。 所以技术也在随着业务需求不断演进，快速发展，有些稀奇古怪的问题今天都能解决得挺好，这是一个动态过程。

甲小姐： 放眼全球AI产业的细分发展，通常是美国定义流行，中国一拥而上，市场关注度在短期会高度集中在某一两个赛道，但在欧洲有很多AI细分门类一直有人在做，对比而言，今天的中国AI产业似乎少了某种多样性。你曾表达过“重复造轮子”可能不利于AI发展。近半年内国产大模型的数量已经增长到80多个，是否存在重复建设？

黄民烈： 肯定存在。现在算力非常紧张，基本租不到卡，大家都把算力圈起来了，但各家在技术、能力和商业化路径上都大同小异， 肯定是重复投入。 但这也是一个市场自然淘汰和选择的过程。中国的做事方式和国外不太一样，搜索是这样，互联网也是这样，CV热也是这样，现在 大模型应该还会有一个重复建设然后出清的过程。

甲小姐： 你曾表达过ChatGPT的底层还是基于Transformer架构，在模型架构上没有太多创新，它的成功是“数据+工程+系统”层面的集成化创新。ChatGPT会是AI范式的最终状态吗，还是会出现一个新的范式颠覆它？

黄民烈： 很有可能是后者，但现在也不好说。不能说OpenAI没有技术创新，他们肯定有各种各样的创新，只是现在披露出来的比较少。 新的范式在2-3年可能不太会出现，但5-10年大概率会出现。 在现在这个时代，技术发展具有很大的不可预测性。

甲小姐： 回顾历史，AI范式一直合久必分分久必合，几个月前很多人认为ChatGPT路径正在一统江湖，目前这个趋势有变化吗？AI范式正朝着哪个力量发展，是归一的力量还是分化的力量？

黄民烈： 大语言模型、多模态、视觉都是不同的方向，AI研究不一定是大一统的事情，会不断有新的元素融入进来。 我本人更希望有多样性的发展，只有百家争鸣才能更好地激发创新，大一统的语言模型对于学术创新来说不一定是好事。

甲小姐： AI领域的next big thing可能是什么？

黄民烈： 相对来讲，学术界更容易做出新的AI范式，例如 神经网络和符号计算的大规模结合 。也许是新的神经网络架构，也许是能解决现在模型问题的新的神经符号系统。

2.谈模式：“开源与否本质上是商业逻辑”

甲小姐： LLaMA2发布对市场影响很大，国内百川、阿里等都在开源，有些公司还没有确定未来究竟开源还是闭源。开源对一群人来说是原则问题，象征着极客精神和价值导向，对另一群人来讲是利润问题，如果开源和商业逻辑不匹配就很难开源。能否展开说说开源对市场产生了什么样的连锁反应？

黄民烈： 说实话， 公司会在不同阶段打不同的牌。 Meta的LLaMA做得很好，但谷歌就不怎么开源，OpenAI也全部闭源，Claude介于开源、闭源之间，因为公司的战略打法不同。Meta作为后来者，可能以开源赢得市场认可、口碑，再想办法拓展商业客户。而且Meta对于商业利用还是有比较大的限制，它规定访问流量大于一定范围就必须受限。

相对而言， 入局更晚的公司肯定要通过开源来赢得市场和业界的认可。 因为不是每个人都有技术能力和算力资源去训练模型，那我就给你提供模型能力，服务很多中小B企业，还能不断收集数据去微调模型。像智谱、MiniMax，包括我们这种做得更早的公司，就在一定范围内开源，可以调用我们的API服务。所以 并不存在完全的开源，这取决于公司的战略打法和发展阶段，以及早期采取的模型策略。

比如OpenAI就认为大模型很智能，如果开源让每个人都去用不一定是好事，把所有事情控制在自己手里相对更安全。我不知道这是他们的真实想法还是一种托辞，但我认为 开源与否本质上还是商业逻辑。

甲小姐： 安卓的开源会让很多人以极低的成本接入生态，但对普通人来说，要接入大模型依然门槛不低。

黄民烈： 肯定要有算力，还要有一定的技术人员，否则就要依赖大模型生态中的工具链。但相比之下， 开源是静态版本，闭源可以动态地更新系统。

甲小姐： 是否可以理解为，刚开始创业就开源的公司很大程度上是以开源来吸附更多的资源，让公司进展更快，但很可能某天就会闭源，目前大模型领域还没有出现真正意义上的苹果和安卓，大家还是阶段性战术？

黄民烈： 是的。开源会形成品牌效应，能够吸引来一定的商业客户，这是有很大影响力的。

甲小姐： 接下来，大模型的发展逻辑是在ChatGPT的基础上继续修修补补、添砖加瓦，还是有其他的路径？

黄民烈： 首先，底层模型的能力必须很强。在很强的底座上，确实也需要加入一些模块来“修修补补”——解决幻觉的问题，就需要搜索能力；要解决数学问题，就需要有Python解释器，能够做公式、做执行；要解决其他更专业的问题，就需要有更高质量的知识库进来。比如和金融行业结合，金融行业的信息都是高度动态的，生成内容需要非常精准，股票、基金的信息每时每刻都是实时、动态变化的，不可能只用一个大模型解决，所以需要插件能力。但如果底座不强，很多事也做不了。

甲小姐： 插件能力是底座方自己来做，还是和行业其他开发者共建？

黄民烈： 会允许第三方添加自己的插件，但前提是，基座有足够的能力允许外挂组件运行。

甲小姐： 假设未来的通用大模型底座可以允许用户用更简单的方式定义任务，把通用大模型训练成用户想要的状态，这件事在学术界做更好，还是以商业化形式展开更好？

黄民烈： 商业化的形式更多，现在学术研究的算力资源比较稀缺。

甲小姐： 听说现在一些斯坦福的博士才上学一两年就辍学去业界的大厂了，因为在学校做不出来在工业界可以做的事。

黄民烈： 是的，这是一个趋势。

3.谈落地：“大模型公司和用大模型的公司之间需要一条工具链”

甲小姐： 经过上半年的验证，到底哪家国内公司在大模型的投入中真正获益了？

黄民烈： 国内的大模型公司分几类——一类是要做“中国的OpenAI”，做底层模型，这类公司不介意大模型是否会影响原有业务；一类是大厂，比如百度、阿里、科大讯飞等，他们有自己的业务场景，做大模型本质上是为了更好地服务原有业务场景，比如百度的搜索，科大讯飞的教育业务等，科大讯飞前段时间发了客户增长量的数据，可以看到大模型对他们的客户增长、粘性的提升影响很大；另外，大模型和原有业务结合后会形成新的形态，获取更好的流量和广告效应，类似国外微软的New Bing；还有一类是把大模型搭在云上，本质是卖云，比如华为。

甲小姐： 还原一下客户对大模型进行选型的场景？

黄民烈： 肯定会先去看榜单和各种评测数据，但最终企业一定会做自己的测试。 很多榜单都失真了，相当于开卷考试，很多题之前都知道了，刷刷题就能得高分。客户肯定要从他自己的业务场景需求出发，做针对性的评测，最终选一个模型。 这也侧面解释了为什么有些公司这个阶段选择开源——他首先得让别人知道他有这个能力，客户才能去测试他的模型，从而带来商业机会。

甲小姐： 很多人想接入大模型，但是不知道从哪下手，也看不懂评测，这种情况该怎么办？

黄民烈：大模型公司和用大模型的公司之间需要有一个工具链。 当然，如果大模型公司提供API也没问题，因为大模型API很易用，按照格式调用就行，门槛很低，这对中小企业比较友好。但如果客户是大企业，大模型就要做服务。因为大企业基本都有自己的场景和数据，并不需要一个通用大模型，而是能解决自身业务问题的大模型。这就需要用自己的数据做微调、优化，这是一般人做不了的，所以就需要一个工具链把大模型能力和场景需求衔接起来，现在已经有公司在做类似的事。

甲小姐： 现在市面上有各种大模型评测体系，你能从中分辨出哪个模型更好吗？

黄民烈： 大模型评测是一个非常难，也非常有争议的话题。现在很多榜单只能做参考，并不能完全体现大模型的能力。所以我们也在思考，怎么设定评测体系才能让结果不失真。 大家觉得ChatGPT和GPT-4很强，是因为它们在任何一个新的任务上都很强，说明它有很强的泛化能力，而不是fit了哪个榜单所以很强。 我们最近也在做比较难的、动态的Benchmark，大概有几十上百种任务，从不同维度上去评测它，希望能把模型真正的能力测出来。

甲小姐： 现在的评测体系都还是做任务的逻辑？

黄民烈： 必须要做任务。评测方法分为两类，一种就是做题，让模型参加人类的考试，比如解数学题，我们也在做类似的事情；还有一种是从学术层面设定任务，看模型的推理能力等等。但现在从AGI角度来说，大家经常都是让模型参加考试，看能得多少分。

甲小姐： 我始终觉得解数学题需要严密的推理，这和大模型的工作逻辑是相悖的。但似乎现在有了大模型之后，所有人都想和大模型有些关联，甚至有些领域的内在逻辑和大模型根本不同，但还是要接入大模型。

黄民烈： 有点在“为赋新词强说愁”，这样不太好。我认为你的业务和应用场景一定要跟大模型本身的特性相匹配，才能更高效地结合。比如智能客服，过去已经做了很多年，出现了一堆公司，行业相对比较成熟了。但现在要用大模型再做一遍， 边际收益可能很小 。因为智能客服产品需要掌握业务知识逻辑，光接入大模型远远不够，还脱离不了传统的方法。

甲小姐： 这轮大模型热是否会重蹈上一轮计算机视觉热潮的覆辙，因商业模式不明确而无法真正形成商业闭环？

黄民烈： 这个技术趋势不可预测，但我认为大模型和CV有显著差别。 CV属于感知智能，相对可控，也更容易落地，比如做人脸识别、工业检测等；大模型属于认知智能，理解语言更难，但它的应用场景更广，涉及交互的场景都需要语言。所以我认为可能会出现比较好的机会，比如在情感陪伴上，和教育设备的结合等等，都离不开语言。当然你也可以讲所有东西都离不开视觉，但语言更难，更有挑战性，这也是大家这么关注大模型的一个原因。

甲小姐： 我感受过几波AI的起起落落，几乎每一波浪潮最后都困在商业化。你从2015年开始研究AI情感对话，2021年创办聆心智能，你对AI商业化有何感受？

黄民烈： 对话技术本质是满足人的需求。例如智能交互大脑，平时可以用来直播带货，做数字客服，提高这些场景的生产力，降低沟通成本。从情感的角度看，AI可以为人类提供情绪价值。但最终要形成商业闭环，还是要把账算清楚，因为大模型本身成本很高。

甲小姐： 你们现在把账算清楚了吗？

黄民烈： 现在肯定还没有，还需要时间。

甲小姐： 聆心智能最初主攻心理健康，2022年中期开始拓展游戏、教育、数字人等落地场景，所以现在你们主要to B？

黄民烈： 我们to B和to C都在做，但to B 为主，收入主要还是to B业务贡献，C端还没有开始收费。目前在游戏、文化娱乐方面正反馈比较多。我们主要面向这些客户提供大模型，让他们的玩家更好地定制角色人设，有很好的对话体验。

甲小姐： 今年AI还会有新的大事件发生颠覆人们的认知吗？

黄民烈：找到killer APP （杀手级应用） 。 我说的killer APP，更多是指 若干个行业和应用的问题能在大模型的支持下被很好地解决 ，但目前还没有看到特别好的应用。Character.AI主打情感陪伴、消磨时光，更多是一种游戏需求，它的用户增长还相当不错，但是未来还是需要有新的应用，更有影响的、更大的应用。

4.谈选择：“功能AI和情感AI结合起来才是真正的AGI”

甲小姐： 在今年4月的甲子引力上，你说“聆心智能在致力于用大模型的基础组件加上其他关键算法技术模块，解决最后一公里的问题。这是我们正在关心的事情，这样才能真正实现商业的落地，最后才能把整个业态真正跑起来，这个是一个良性健康的发展。 今天的ChatGPT更多停留在炫技的层面 。”在国内的AI学者里，你的判断有些独树一帜。很多人可能想炫技或者突破技术制高点，但你非常强调解决“最后一公里”的问题，这背后的底层逻辑是什么？

黄民烈： 我认为把AGI作为一个研究目标肯定没问题，但 很多应用产品并不需要这些能力。 比如金融场景可能只需要基础的数学能力，不需要复杂的论证。 现在的大模型和真正解决行业问题、创造用户使用价值之间还有一定距离，这不是模型本身能做到的。

甲小姐： 以你的资历，完全有能力直接去卷底层通用大模型，去造锤子和铲子，为什么你会这么坚定地锁定情感AI这条路？

黄民烈： 我一直在做情感和心理方向。非常有趣的是，OpenAI的ChatGPT出来之前，Google的Lamda、MINA，Meta的Banana这几个系统都是情感AI，做得非常好，非常类人。去年Google有一位研究员说Lamda出现人格觉醒，这件事在AI圈引起很大的争议，最后这个人被开掉了。这说明Lamda系统已经非常类人了，而且他们是做情感陪伴方向。只是ChatGPT出来之后，大家忽然发现，过去做传统任务对话的Siri、Ali、Alexa等助理可以在一个模型里把各种复杂任务解决得很好，所以重新又开始去卷功能。

功能固然很重要，但人的情感是非常本质的需求。 你看Character.AI的数据增长比ChatGPT好很多，说明 人要去消磨时光，解决孤独感，需要被陪伴，但ChatGPT满足不了，所以情感AI是很大的机会。

从另外一个维度来说， 放眼未来，人类肯定不希望AGI只是机器属性，肯定很希望能跟AI建立信任关系，建立长久的情感和社交连接。AGI不仅能做人类的助理，还能帮人解决信任、情感、情绪的问题，这是未来 AGI真正的方向。

甲小姐： 我在今年二月写过一篇文章谈ChatGPT，对比了功能性和人格化两方面。 功能性 ，如帮人们写作文、编程、收集结构化资料； 人格化， 如会理解意图、声明立场、表达恭喜、道歉、自我修正答案，并拥有上下文的记忆连贯性，体现出实时的自主学习能力，简言之，就是“像人”。对一个对话AI系统而言，功能性与人格化 二者有着相反的牵引力 ——如果追求功能性，重点是回答本身的正确、精准、靠谱，最好其回答有明确可溯源的出处。排除写作文等创意任务，不同人问同一个问题应该有类似的答案 （千人一面） ，因为大部分功能性问题是在寻求正确解或最优解，这更像 “改进版搜索引擎” ，有其明确价值，却不是革命性的体验；如果追求人格化，重点是交互感、创新性、超预期，意味着不能有死记硬背的感觉，因为死记硬背并不是人类学习与交互的惯性方式，这意味着回答要有个性、丰富性、多样性甚至狡猾性 （千人千面） 。诡异的地方恰恰在于， 后者往往比前者看起来更“聪明”，更“机灵”，但往往更“不可信”。 功能性AI和情感AI在技术路径上是不是有内在的不同？

黄民烈： 的确， 二者的优化目标不一样。 从情感出发希望聊天聊得越久越好，而功能性是希望能尽快解决问题，信息密度越高越好。评价体系也不一样：一个是信息需求，一个是情感需求。信息需求希望信息越精准、越客观越好，而情感很多是很隐晦、很个性化的，所以优化的目标和角度也不一样—— 一个更像理科生，一个更像文科生；一个是智商，一个是情商；一个满足信息需求，一个满足情感需求。

我们在发布会上举了一个特别有趣的例子。比如一个女孩和AI说，“我肚子不舒服，但男朋友让我多喝热水”，ChatGPT可能会告诉她喝热水挺好的，但情感AI会说你的男朋友应该来陪陪你。 有时候人更需要的是陪伴和呵护，而不是一个solution。

甲小姐： 放眼人类文明，ChatGPT更像我们为自己创造的assistant，它是为了做我们不愿意做的事情而存在；但情感AI更像在创造一个物种，它可能是我的lover或partner，甚至是下一代的更高阶的我。 这两个不同的方向关乎一个基础假设：AI到底是什么。 功能AI和情感AI未来会渐行渐远，还是会相互融合？

黄民烈：未来一定会融合。 比如在保险销售的场景下，一定是先建立信任和连接，你才能把东西卖出去。如果现在有一个人给你打电话卖房子，你肯定直接挂了，但一个朋友和你说，他有一个房子，各个方面都挺不错的，你肯定不会反感他。如果有一个助手和你聊得很好，知道你的信息并建立了深厚的信任和社会关系，某一天它给你推荐说西山那边有个别墅，你要不要考虑考虑？你也不会反感，情感AI是同样的逻辑。

甲小姐： 你的底层逻辑是希望AI越来越像人，而不是一味追求AI的功能有多强？

黄民烈： 我们最早做研究的时候也是做DeepQA，就是IBM Watson那一套，但是当时IBM Watson很有名，他们运用在医疗里也是解决信息的需求。神经网络出来之后，大家开始用data driven的方法做对话，就发现 对话更多出现在闲聊或陪伴上。 我们就试图让计算机表达喜怒哀乐，那项工作很有前瞻性，在国际上也具有引领性。我们第一次在一定程度上让计算机去表达情感。当时MIT technology review、英国卫报都报道了我们，在国际上还是相当有影响力的。

之后我们进一步发现，这些成果可以去解决人心理和情绪上的问题。你也知道，现在很多年轻人心理压力都很大，很多人有各种各样的心理问题。我们就和心理学的老师做了一个项目，叫做Emotional Support Conversation，这是一个情绪支持的对话框架。有趣的是，很多人都很需要这个东西，我们也慢慢地在这条路上一直走了过来。

1966年MIT的Eliza最早开始做能够进行心理咨询的对话系统，他用规则做对话，设计了心理学的提问模板，在当时影响很大，今天也非常有名。所以，实际上 人们对于情感AI还是有很多执念的 。

甲小姐： 在做情感AI的经历中，有让你印象深刻的例子吗？

黄民烈： 有的。我们看了很多case，发现曾经有一个用户，他每天和AI聊几百句，大概聊两个小时。他觉得没人可以去倾诉、交流。对他来说，AI是一个倾听者。这种例子非常多，也说明AI for social good是一个有明确需求的方向。

甲小姐： 你们有没有统计过一个人每天有多少对话是功能属性的，有多少是情感属性的？

黄民烈： 这个没有统计过，但你对比抖音和京东的数据，京东更偏功能性，抖音偏社交、情感属性。从用户量、用户留存来看，京东你有确定需求才会打开，但抖音、快手随时都可以。

甲小姐： 一个夹带功能属性的情感类产品，可能比仅有功能性的产品更吸引用户。从技术角度看，让AI像人一样有情商比让AI有智商更难吗？

黄民烈： 我觉得要 更难 。更难的点在于：第一，情感本身比较隐晦且主观，但信息是很客观的，它是任务本身固有的能力；第二，数据处理难度也不一样，情感类数据收集很难，公开的渠道也很少，高质量的数据更少。而且社会背景、生活状态不同的人对情商的理解和追求也不一样。

甲小姐： 在情感AI的方向下，会不会因为人跟AI高密度的对话，催生出下一代微信、微博等完全不同的社交平台级产品？

黄民烈：完全可能。未来人和AI、AI和AI，甚至在一个群里和多个AI同时交流都可能发生。

甲小姐： 有种观点认为“一切应用场景最终都是对话”，你认同吗？

黄民烈： 也不能这么说。对话更符合人自然交互的习惯，但 从信息量来讲，对话相对低效。 以购物为例，我们希望有一个界面能呈现商品属性、价格、尺寸、物流等等，这样效率更高。但你要把这个过程变成对话，可能对话20分钟也不知道你想要什么样的电脑。对话适合解决特定的事情，而且今天机器有了超强的对话能力，可以和人无缝交流，这让它有更大的发挥空间。

5.谈创新：“做自己擅长的，与自己的基因、背景相契合的事”

甲小姐： 我身边做大模型的人可能有一些隐性的执念，一个最性感的大模型应该无所不包无所不能，就像个人类文明的DNA一样，作为一个载体，承载几乎所有的信息。你有没有想过在纯学术领域探一探那颗最性感的果实？

黄民烈： 理想的情况下，特别聪明的人才能做这件事——创造一个模型帮人类解决所有的问题，但这很理想，大多数公司达不到这样的高度。

甲小姐： 从2021年创业到现在，有哪些事情跟你预想的不一样？

黄民烈： 我们最初做心理的时候觉得挺好，但后来发现心理赛道很慢，我们也找了很多专家，但真正要进入一个行业还是需要很多know-how。去年五六月份的时候，我们想做的是数字疗法，因为心理治疗中对话是其中的一个关键因素。我刚才给你发的Echo可能会继续用大模型的方式做一做。但总体来说， 心理比我们想象的复杂很多，也困难很多。

甲小姐： 你曾对媒体说，“过去在中国大家一般不太敢说AGI概念，甚至AGI定义都不太清楚。所以我们有时会调侃说中国的科学家不敢有梦想，因为只要说AGI都会被喷死”。“不敢”这个词显得很被动。经过这一轮AI浪潮的洗礼，今天的中国学者对于“梦想”这件事是更敢说了，还是更不敢说了？

黄民烈： 中国的科研体系和市场体系更偏向短期利益，考察标准都是看你短期三年内能不能有收益，需要5-10年来验证的高风险、高回报的项目是没人愿意给你资金的。

甲小姐： 我见过的很多科学家、创业者、投资人，甚至政策制定者，都很清楚中国科技产业存在短视的问题，却都对此无能为力。

黄民烈： 这是一个非常非常复杂的问题，我也没有答案。它是一个整体的社会系统性问题，涉及到文化、理念、制度、人才考核等方方面面。

甲小姐： OpenAI能够造出ChatGPT有一个很重要的因素是他们真的在这个领域坚持了很久。目前烧了半年的AI热潮正在冷却，AI弄潮儿再一次开始面临资金、人才、商业化的困境，面临群体快速降温的关注度，面向未来，大家的“坚持”从何而来？

黄民烈： 要坚持初心。另外，不需要所有人都去干同样的事，那不利于生态发展。 每个人都应该做自己擅长的，与自己的基因、背景相契合的事情。 我们之前也做了功能性的业务，但很显然，这块不是我们的优势。我们一直在想，怎么把角色、人设、情感做好，成为最独特的存在。

关键词：