Transcription
小伙伴们好，我是主持人俊伟。这一次依然是一个大的AI主题，但是会去讨论一些更加细节的AI Infra和AI Alpha的问题。今天请了两位嘉宾，两位北大才子。一位是俊平老师，更多的是在Infra有很深的造诣。然后是Bill老师，先是AI，然后又是在Quant的方面，有非常多的经验和见解。
欢迎两位老师，可以从Junping老师先开始自我介绍一下，谢谢。
好的，大家好，我是堵俊平。我现在是Datastrato的Founder CEO，我同时在开源数据和AI infra这个领域，大概深耕了十几年。那么，我同时还是Apache基金会的member以及LF AI基金会的董事。很高兴在这里跟大家一起交流。
大家好啊，我叫Bill Sun。现在是GAlpha公司的Founder CEO。其次是PIN AI，这个算Open Source一个就是有tokenizer Open Source项目的Chief Scientist。其次是，我也是硅谷的一个社区，叫AGI House的Founding Member。我在14-19年是Stanford的PhD。在PhD之后，也是在19-2023年在一家大的那个华尔街基金，叫千禧年，管一个10个亿美金的股票量化策略。当时也是从零开始build了一个20人团队，直到看到差不多就是Instruct GBT，就觉得非常formal，所以就从2023年初出来创业。
谢谢两位嘉宾的介绍。俊平老师其实是很轻描淡写的。呃，今天说了这个Apache基金会，软件基金会的成员，其实您如果愿意，可以稍微share一下您在这个这两个基金会里面的一些story。然后，Bill老师其实是北大的本科数院的，那时候就是一个鄂院士，鄂维南院士的高徒。然后在Stanford也是大家做优化的肯定听听过Bill老师的这个导师的名字Stephen。两位也可以稍微介绍一下，无论是在基金会，或者是您在这个求学做research阶段的一些这个当初的一些小的贡献，让这样大家更好的了解两位。然后我们在去聊一下AI Infra和这个Alpha的内容，谢谢。
那要不我先，因为刚才只是简单介绍一下。因为我我其实走向做data infra，大概是有十几年前吧，大概在0809年的时候。那个时候我还在当年EMC的时候，当时面向的是Hybrid cloud或者私有云的这个这样一个环境。那么public cloud还没有成为共识。但是那个时候我们发现这个大数据，这个Hadoop，这个技术火了，是吧？然后在当时那个环境下，我们就在想，怎么样把这个Hadoop这种大数据技术跟云的云计算的技术结合到一起。当时我当时在VMware去推这个Hadoop的技术的。首先VMware这个公司当时也很大了，但是面内部没有人懂Hadoop，没有人弄大数据。所以OK，我是第一个，就说在Hadoop这里认为它是一个重要的方向去推的。然后我面向社区的时候呢，那么我也当然，后面Hortonworks也是我的后面的东家了。在当时，包括我Hortonworks出来一帮人是不懂云，不懂这个虚拟化的。所以我相当于在两边当中，就是看起来像一个异类吧，但是逐渐逐渐的把双方的立场到一起。
我自己呢，也做了大量Hadoop在这个cloud上面的这个优化部署，还有以及一些这个落地的一些事情。这样的话eventually，我大概在12,13年的时候，成为了Hadoop项目的第一个华人的committer。这个committer，我大概做了10年，包括后面Hadoop的一些重要的release。所以在很幸运的，在第一代大数据infra跟云计算结合的部分，我做了相当相当长的一段时间的贡献。
那么后来呢，从Hadoop这个领域，我就可能到更宽的到这个整个大数据的一个Ecosystem，不同的这种项目，甚至我自己也从加入到horton group，叫后面加入到一些云厂商，然后伴随着第一代的大数据的这个产品的研发呢，走向了第二代，云上的大数据的这个产品的研发。
再后来啊，就是说跟AI有更多的跟AI infra结合的这个机会做，包括我在这个LF AI & Data的这个基金会，做了相应的工作，后面成为这个基金会的board of chair，大概做了一年多，将近两年的时间。在我创业之前，这是我的全部履历，从开源，从infra走向这个data和AI结合的这个infra，包括从研发走向管理，走向业务，大概是这样一个background。
哎，感谢俊平老师的介绍。Bill老师？
好的，呃，我就是像刚才这个张老师说的，就是我我也是在北大数院的时候就非常幸运。当时和鄂维南老师一起做research。当时其实我是学理论数学的，做很多这种数学物理，比如说怎么用概率论理解，就是重建量子场论等等非常理论的问题。但在这过程中我就呃，其实也come across了最早时代的机器学习，尤其是这个深度学习。其实深度学习就是2012年出来的嘛，我差不多也是2012年底接触到深度学习，然后接触到当时的一些方法。我就发现哎，这些不是跟统计物理学的东西非常像嘛？然后就，在科研中看了看。
一直到我14年本科毕业之前，在那个普林斯顿和就是那个Institute for Advanced Study做一段时间访问学者，差不多三个月吧。我就发现，这个物理学家们真的就是是70年代80年代给出来conjecture，然后这个数学家一直到2014年还在证这些定理。但是machine learning是，就是说昨天发出来的现象，今天就能够去理解为什么。当然很多时候也是跟理论物理一样，就是说是你观测到的现象，很多时候并不是你当时的数学工具就能够理解了。
但我就觉得这个整deep learning这个feel的非常exciting。而且它甚至在我看来比就是统计物理的现象更加复杂，因为它还涉及数据的distribution，而不只是就是说一个固定结构的统计，就是说这种microscopic模型的性质。对吧？它那个性，就是那个microscopic模型也是随着数据啊，不断在学习然后在变化的。所以，我基本我决定要all in deep learning。
所以，当时我看了一圈，我觉得最好的这个环境应该是在Stanford。就来了Stanford。Stanford的话，当时我也是数学PhD。按理说就是整个斯坦福历史上数学系PhD是没有人做，就比如说computer science AI这些东西的。我就算是第一个。我就说OK，我就一定要做deep learning。那然后我就找数学相关的领域做deep learning的。我没发现有特别合适的老师。当时就是computer science老师，大家都要求很强的coding background。像比如Percy Liang，这些我们有一些合作，但是我觉得哎，也不是那么fit。
所以就找到两个导师。呃，一个是叫Stephen Boyd，就是算作图优化，就是算就是deep learning，当然是非图优化了，对吧？SGD这些。但是当时就做图优化，我觉得哎，这个本质上就是reinforcement learning。这个是非常有意思的。而且尤其是我当时，其实本科就做过一些量化金融的东西。我觉得这个reinforcement learning本质上就是教大家怎么生产一个bot，让他赚钱。对吧？他不就是这个，就是play这个deep RL嘛？那时候deep RL也是很早。所以我就觉得哎，一定能从图优化这条路走到deep RL去啊。所以就在那边看。
另外一个导师叫David Donoho。大家可能如果不做理论没那么熟悉，但它实际上可能是我觉得过去这50年里，最著名的统计学家，这个signal processing，这个data science的应用数学家。他也拿那个高斯奖，算是应用数学界的最高奖，也有什么邵逸夫奖这些。然后也是啊，两位导师都非常有趣。他们都是做数学成名，做了很多厉害的数学和应用数学，但他们赚到大钱都是在量化金融。一个是在那个文艺复兴，就David Donoho是在文艺复兴，在04年就做partner，所以算是最神秘的这个文艺复兴大奖章里的核心人之一。然后另外一位导师，Stephen Boyd，当时还在TWO SIGMA，Blackrock各个地方挂职。后来17年他就成立了Blackrock AI Lab，然后就是立的整个Blackrock的贝莱德，算是世界上最大的这个资管公司的AI department。
然后呢，我就觉得哎，量化金融这些事情很有意思。但是从学术上来讲，我觉得我最关心的事情可能就是deep learning。然后从个人来讲，除了量化金融跟deep learning，我还关心一个事就是bitcoin。所以，我整个PhD可能就基本是围绕着这3件事情。就是说deep learning是可能我最主要研究方向，然后量化金融可能是我当时想的最多的应用领域，然后Crypto是我个人就是说religious里觉得哎，很有意思。
同时这个逐渐的花越来越多的时间，然后eventually，我现在创业其实也是就把这件三件事情merge在一起。然后就是其实很有趣的就是，我来斯坦福的时候，两个导师都不相信deep learning，觉得这不就是把统计学重新包装一下，然后换了一些没有办法被证明的方法论，搞大量模型，就是搞更大size的模型，跑一些这种没什么，就是性价比很高，不是很难的数据集嘛。但当时我就觉得嗯，这个不是。我就强行convince他们，花了可能两年时间convince，就是说Deep learning真的是未来，我们一定要搞deep learning，我们来搞connect。
然后终于到差不多16年，17年他们开始搞connect。但是我16年夏天的时候去了Google Brain。当时我就说OK，我要看看业界在做啥。然后Google Brain的时候blow my mind。就是说大家实际上很多人都在研究这个natural language，就是自然语言。然后在自然语言里，当时实际上14年已经出了这篇非常著名的paper，叫做就是sequence model with attention。但是当时大家的方法还是在LSTM上面加attention。就Bengio他们先发现了attention，然后当时发现那个attention这个事的一作，就是那个Dzmitry也在Google Brain。然后我们一大群intern就每个人都用在自己的net里加attention。加的最牛逼的哥们叫Ashish，大家可能后来听说，Ashish其实是Transformer的这个作者，对吧？Attention is all you need的8个author之一。当时就是说他试出来一个architecture，就是说可以把LSTM全拆了。所以这个名字就叫做Attention Is All You Need，把所有的LSTM的sequence model全部换成self attention。
这是就是说他们当时做出来一个重大的reservation。我是在Intern的后半程快结尾的时候，把以前这个的一些观测用上，算是世界上第一个把这个self attention这个model跑在question answer上的人。当时我最早的发现，就是在Google里可以抄code的嘛，就我也很懒，我也是数学家，就是代码写的很烂。我的就是当时的第一个观察是sequence model with attention，与其自己写半天model，不如就把Google的production的bidirectional LSTM with attention的这个机器翻译模型抄过来，然后就把数据集换了，模型不换，就是refit。我就发现哎，就是说用同样的模型结构，完全就是我们当时看来machine translation跟这个回答问题是非常不一样的两种结构。我就发现就暴力的把这个问题一换，这个sequence model就work。
所以在我看到Ashish是说这个self attention就是说是更好的一个自然结构的时候，我算是第一个，就是说原版把他的代码抄过来，然后把sequence model在这个question answer上做work的人。所以也是我们当时的这一系列work inspire 2017年他们去写这个Attention is all you need的paper，然后再后来去写像Bert等等这一系列，就是说把不同类型的natural language task都放在同一个framework里做这种大型模型，包括GBT one这种pretrain的思想。对，所以也算是更早经历了历史。
所以，我回到斯坦福之后，我就跟老板说，唉，我们也别研究connect。我觉connect这个也没戏，就说是这个是属于上一代基础，我们要研究这个Google里面的最新的技术。所以就属于当时就是作为PhD，我也没有那么care这个定理能不能证出来。就是那我就是说，我一定要研究这最新的东西。所以就可能当时只做一些简单的toy model来理解。但最终目标就是说，像理论物理学家能够帮助实验学家一样，就是能够帮大家就是说观测到一些真正在实验中能够指导大家做大规模deep learning实验的现象。
那后来在这过程中，也就发现了一些小的现象，包括就是早期的类似skinlog之类的这种observation。但当然当时也没有那么好的写文章能力，所以很多的观测，也就是自己在high完了之后，并没有能够很系统性的把它跑成大规模实验。所以就算是参与了历史，但并没有能够成为改变历史的节点。这是也是早期比较有趣的故事。
OK，谢谢两位老师的分享。有非常两个小的一个comment。就是Bill老师呢，其实是师从于两位大师，特别像Stephen老师。我觉得那个时候很多学界当中，特别是在做纯数学的，做得很精深的人，的确是对deep learning采用的是一个稍微一个diss的态度，因为觉得他不是特别的精深。还有另一个点，就是在quant的时候，我个人的理解是，你赚钱，老板们并不会问你怎么赚的，但你如果赔钱了，你必须要需要一个解释性。但是如果没有很好的一个解释性，这件事情又很麻烦。
我知道因为12月，NeurIPS刚刚开完，然后他就谈起他当年的一件趣事，就是每次投paper都被拒。然后大家就是因为一看他的paper就拒了，然后就说你这个函数不是你知道，不是个图优化可以解的，因为没有local meaning嘛，然后就直接拒掉。然后图优化就是当初那个Stephen老师最最擅长的一个东西。
OK，我们讲完了过去的一个历史，我们开始去聊正题。我们的正题主要分两大块啊，一个可能就是一个创业，再加上一个搞钱。然后创业，可能我们去聊一下哎，你当初为什么选择这个方向去创业啊？然后为什么觉得it's a good time？然后呢，我们再去聊一些，因为两位都是founder嘛，和首席科学家，我想去给你们更多去聊一下你们如何去带team的事情。呃，然后我们再会去聊一下，无论是开源infra，再加上Alpha。我觉得很多人其实对Alpha是非常感兴趣的。嗯，就整个那部分呢，就在一个搞钱这么一个topic下。OK，我们先说一些比较中规中矩的，为什么是你们，为什么是现在，然后要从事这个行当，或者说先这样，就是一句话介绍一下我们现在做的这个这个产品。要不还是从俊平老师先来。
好的，我们现在做的是data for AI的产品。一句话来说，它就是一个下一代的这种面向结构化、非结构、半结构化的这个统一的语言数据中心。那么这样一个产品呢，可以更好地支持data的就传统的data query，以及新的AI的分析，AI的这种training和fine-tune场景。
那么这作为一个数据核融合的一个场景，我为什么会有这样的想法开始做呢？其实源于我的两次惨痛的miss掉两个风口啊，就云的风口的这么一个经历。那么我第一次miss的风口呢，是实际上是在当时在VMware那公司。那么这个公司我们知道就是当年虚拟化的先锋，对吧？在这个0708年的时候，当时AWS推出S3到EC2，大概0607年的时候，其实VMware也看到了这样的一个机会。同时呢，那个时候两家公司市值差不多，大概四五百亿美金左右。其实那个时候大家是在同一起跑线。
跑了十年之后，会发现老公司开始出现了分化。那么核心原因就是当时我记得，那个Paul Maritz，当时VMware当时CEO也是微软当时的好像前三的这种合伙人，从微软过来的。他算是有硅谷很厉害的一个，非常有名的人，但是他问当时问了一个很灵魂拷问的问题，就说你们相信全世界所有的公司都能够把基础设施交给一家公司运转？对吧？这个这个question是当时在08年，0708年问出来的时候就振聋发聩了，是吧？但当时不知道这个Jeff Bezos有这么大的能量，说够改变这个世界。真的是说，通过这种API的抽象，这个统一的这种云，云的这种抽象，解决了这个问题。所以当时VMware bet错了，VMware bet就是私有化的这个方向，或者是私有云的这个方向。所以我在整个VMware里面，也是算最早做cloud的。那么当然错失了这个风口。
那么第二次错失这个云的风口呢，是在Hortonworks。我也是比较早在1314年的时候就加入了这个公司，刚创立两年多的时候就加入。然后Hortonworks这个公司呢，其实可能对data infra了解的都知道，它是这个Hadoop的这个黄埔军校，是吧？也是其实史上最快，不到四年的时间达到100 million收入的公司啊，软件公司。那么上一个记录是20年前微软创造的，大概用四年的时间啊，从零创造。
那这个公司，它三年多的时间就100 million。但是呢，因为它的它的产品主要还是这个unprem去deploy这个Hadoop cluster，那么造成它的business没法scale，这是一个很大的一个问题。那么第二个大的问题是，因为到后期啊，越来越来越复杂，我们记得这个HDV release有20多个模块，从十几个模块到20多个模块到30多个模块，最最高峰的时候30多。然后后面再往后再又收敛了一些。这么30多个component，很多都是开源的component，大家互相的之间的磨合呀，包括版本的think啊，都是个大问题。很多的工程的造成了这个公司长期不能盈利。就是说可能收入慢慢涨到了这个200个million，300个million，但是cost是同步的增长，而且增长得更快。
所以这样我就是对标啊，就是对比的这个Snowflake，Databricks。在当年的时候，可能它还是呃，可能跟Hortonworks，Cloudera这个竞争的时候，他们两个两家公司还是小学生，对吧？但是呃，现在大家知道这个在这个cloud dataware house或者data lake这个领域啊，这个这完全是是不一样的状态，然后很快的这个实现了盈利吧，这些盈利很多。
那么就惨痛的这个两次教训嘛，就是错失了风口。那么这次创业的我们其实也看到了一个新的风口正在形成。那么觉得这个数据和AI的这种适度的融合，包括generative AI带来的无数的可能性。那么我们为什么切到Catalog或者这个元数据这层呢？因为我们认为元数据是连接数据和AI的重要的一个组成。因为元数据是数据的大脑。我们希望未来能用更多的AI technology能够让这个元数据层能够变成真正更加聪明的smart Metadata或者smart catalog。
同时元数据也是重新定义这个非结构化数据的一个重要的手段。因为传统上我们在很长一段时间，元数据只是针对于这种有schema的这种结构化数据。那么对于半结构化非结构化数据，这里面其实有大量的unserved啊，这些需求在满足。所以这个就是我们切入到这层的核心的原因。
哎，Bill老师？
OK，一句话来说一下，我公司做什么呢？我这个两家公司对吧？就是GAlpha是想要做出更像主观交易者，比如说索罗斯，比如说巴菲特，比如说Ray Dalio，或者是就这个屏幕前各位炒股的各位自己，这样就是像主观的投资者一样，自己思考，自己该怎么炒哪只股票，为什么，然后这个这个股票的catalyst是什么，这个股票的main driver是什么，像这样思考的一个新时代的机器人。
嗯，然后在我做这家公司的过程中，我就发现哎，这里面一个非常大的点是，其实现在的大模型还不能像以前的量化交易一样，在面向非结构化数据，面向这个世界的所有信息的时候，完全闭环。就是说从读取信息到思考，到最后做出决策，中间还是有一些我认为是基本上可以认为是超越AGI难度的task。就是想要在股票市场这个游戏里赢，其实普通的白领人类是没有办法在就是炒股票或者炒币市场上赢的。
那么就是说本质上想要赢下来，要不像量化交易一样是把一些最优秀的insight给它codify，变成一些写死的，非常rigid但是非常高效的这个方法。要不是去辅助每一个人，然后就是personalized to每一个做主观交易的人的个人习惯，然后让他的AI真正能做到，就是首先是他最好的intern，是他最好的这个，是算打杂的人，对吧？就是帮他以最勤奋的方式看他可能会关心的所有的股票，所有的币，然后24小时帮他去盯盘，然后帮他去看世界上所有的信息，然后最后汇总到非常少数的潜在需要他去做更深刻decision，或者是去打电话问他的朋友，去打电话问管理层，就是这样的高质量信息。本质上是一个信息filter和就是信息alert的过程。
最长期的vision，当然是希望能在这过程中，像特斯拉的FSD一样，真正的把人作为老师，对吧？然后以这些使用的人作为这件事情，就是隐含labeler，作为一个影子模型，不断地提高，不断地提高，然后一路像特斯拉这样的道路走，最终走到就是这个AI足够聪明，可以独自在市场上赚钱。
然后做PIN AI这家公司是，我在就是说，是做整个这个事儿的过程中发现，其实啊，这个大模型本身其实是commodity。然后这个真正重要的其实是数据，尤其是个人数据。因为企业数据，基本上在我看来是hopeless。就是我觉得就是两位也做过enterprise，就可能会觉得我比较radical，但是应该是就是说没有，没有任何可能性你能够通过给别人提供一个还可以的技术服务，能把别人的enterprise数据穿你这边。觉得这个只有就是说是啊，面向consumer，还有一个大量unlock的金矿是有办法通过技术手段来unlock的。就是说，通过给大家设计一个protocol，让大家把自己的个人数据集成在一起，做出自己最好的personal AI。用这个方法可以unlock大家所有的个人数据。虽然还是尊重你的隐私，还是把所有的数据存在本地，但是就说是把你的死死的，或者说就说是活，但是只存在于就Google，Facebook，TikTok server里的这些数据，重新激活，然后让它unify在用户这边，然后给用户做出personal AI。
我觉得这是一个非常有意思的事情。而且就是我们一开始start with的是很多Crypto的用户。这些Crypto的用户，它本质上就说是一个重大的需求，他就是怎么能通过我的个人数据生产出一个好的炒币的bot，能帮我赚更多的钱。所以就发现就是我做这两件事，最后很unify在怎么做出一个好的personalized Trading bot，帮大家赚更多钱这件事情。当然就是长期来看，作为Pin AI，我们是希望还能够比如说帮你做更好的，比如说购物买手，对吧？能够做你更好的什么trip planner等等。但我觉得就是在Crypto本身，这个最强的product market fit也是就是说，做出一个personal AI，帮大家赚钱。
OK，我就稍微总结一下，就说是说我们之前可能是有Robinhood的，是可以让大家散户可以去参与里边去炒币，就像当初有一个GameStop，就是类似那种股票，竟然散户可以去稍微欺负一下，或者是说民愤一样的发泄一些民愤一样欺负一下机构。然后现在我们是说OK，enable散户或者是empower散户，或会有一些更多personalized智能的bot，他们去这种去赚钱，去炒币或者是投资股票。然后这个里面，这是不是能真的跑出这个offer？其实这取决于说，第一我要拿到更多的用户数据，然后我们更多的是辅助性，至少把那些特别不靠谱的给干掉，然后把一些的靠谱的给推荐给用户，然后用户最后从里面再pick up solution，然后in execute。大体上应该会是这么一个过程。由于我们想实现这个，我们后来发现，其实我们还需要一个PIN AI更加的一个多模态的，在一个端侧的一个AI。所以你又建了一个PIN AI这样的一个一个ecosystem，帮大家去把各种的这种source digest一下。这是我现在的一个理解。
对，对。我觉得更细一点，应该是就是PIN AI更像是一个Protocol，能够让大家以一个不需要就是说一个中性化向信任一个中性化公司的方式去就说是集体协作，就是让每一个retail的user把自己的啊个人数据全部都下载，然后集成，然后从而就说，是让这些个人数据发挥价值，然后能够做出更personalized AI。这个AI不一定只是trading AI，它也可以是比如说帮你做，就像Apple Intelligence这样，帮你做日常的这个衣食住行scheduling啊，也可以是一个像o1 o3这样的一个就是非常聪明帮你做数学题，帮你写代码的模型。但是这个核心其实是personalize，然后做你真正关心的事情。
那也就是说，我为什么做这件事情，是我发现在trading的过程中，首先就是指望用一个大模型做出超越这种金融市场上最聪明的人类，用同样的方法做主观交易，是不切实际的。就是说现在的大模型，按照在投资市场里可能甚至无法去就是说应聘到一个可能buy side的analyst job，因为他们的就说对于市场认知的深度等等还是比较差。他们更像是一个文理兼修，背过很多书，也刷过很多题，聪明这个本科生，或者是master。嗯，那在这个阶段里，实际上大模型要做的事情，在我看来是放大每一个厉害的人。
那再下一步就是放大每个人。放大每个厉害的人，是因为赚钱通常还是需要厉害的人作为driver，对吧？本质上，我们造了一堆这个那种高达装甲，但高达装甲里的驾驶者，他也要非常懂这个武术技巧。所以就说是在真的去市场赚钱的过程中，是需要非常厉害的，认知非常高的人去驾驶这些高达的。但是他本来作为一个武术大师，可能他的力量就只有10，那现在开了高达以后，直接从10飙到1000了。就是说本质上我能够大量的放大他的attention span，对吧？就是一个人，他毕竟要吃饭睡觉，而且他不能时时都醒着，而且他只能在时时都醒着的时候，也只能看什么5只股票，他也没有可能同时monitor 1000只。那所以就说是天然的机器可以放大他。
那再下一步就是问，对于普通的那些不是很会交易的人，我能放大他吗？实际上也可以。本质上这些，比如说不太会交易的普通散户，他也需要一个AI帮他在他的认知范围里，降低世界上的这些他看不懂的东西的barrier，然后来给他那些他能够理解，并且他信任的信息源的提示，告诉他这些事对他来说潜在可以做决策交易机会。也许他的交易水平还是比较的低微，也许他也赚不到很多，就是他认知之外的钱。我的大模型，也没有办法帮他赚到他认知之外钱，因为他最后也没有判，没有办法判断给他的信息，到底是应不应该下注。但是就是对于他认知之内，他能够理解的事情，他还是能够帮他做的比他自己更好，就仿佛能够把他复制1000份，同时去看不同的股票。当然最终也是放大他的决策能力。但是在这过程中，即使他不是一个特别专业的投资者，我后来发现，也是可以给他提供非常多的value add，尤其是帮他降低这个就说是非常大量信息，非常noisy的世界的理解门槛和处理信息的门槛。
哎，好，谢谢Bill老师。那我们再把话题再拉回一下。因为两位一个是beat，然后做了inside非常hardcore，然后一个是toc的本身infusion都需要在产品端有一个可能是一些非常的奇思妙想，去做一些啊，做出这种爆款来。那我觉得在所有的这些点的当中，都需要去搭建一个团队。然后我们之前，我之前也跟俊平老师去聊了，然后他其实也从开源的角度会发现，这个中美两个技术产品路线呢，也各自有不同的这个偏差，这个taste也互相的不一样。那我们先把开源这个问题再往后稍一稍，我们现在去聊一下OK，我们再组建团队的时候呢，两位基于你们公司的这个愿景，比如说像俊平老师，OK，我要做更好的，是在这个语言数据方面的，无论是结构化化，还是非结构化的一些这种支持。那您对您的team，您觉得什么样的人其实是你比较喜欢的，大家愿意一起cooperate，特别是在现在呢，不断dynamic变化的这种。我觉得无论是在硅谷或者在中国，这个优秀的人才有很多，但其实这个人才的流转率也在不断的这种变化。这个站在两位founder，你对这个人才或者team的小伙伴，有什么样的一些诉求？你觉得跟这些人在一起会比较比较有趣啊，谢谢。
嗯，我觉得这个人才其实还是，他的人才的构成，其实跟你的业务和产品形态是相关的。那我们为什么要选择开源商业化这条路呢？其实同样一个时代，这个时代也有很多大量的公司也可以做得很好。那为什么我选择开源？一方面是过往的这个经历让我作为一个open source的true believer。那这个true believer主要相信我快速相信这个开源是一个能够快速验证，包括一个开放生态的这么一个手段啊。我认为它是手段，开源不是目标，是手段。
那第二个呢，是我做的这个事情呢，元数据统一元数据这样一个事情，unified一个metadata。那么我们天然认为这个事情是要做，呃，如果是一个start up做啊，一定以开源的方式，否则你会很难很困难，因为你需要很开放的对不同的数据的平台，AI的平台去开放这个接口啊。除了我们自己小团队自己能做的事情，其实更多的要借助社区的力量，包括上下游的这些厂商的力量，去一起把这个生态贡献出来。其实生态这个事情，说起来好像这个简单，其实这句话确实挺难。当你成为标准之后，对吧？大家都是你生态中一环。但是the key is how to become the standard open standard。
所以我们现在正在这个成为open standard。那我们是是业界第一个开源开放的这个data catalog，就下一新一代的catalog。那么我们在去年底开源我们的Graphtino之后呢，今年其实6月份的时候，Databricks跟进，把它的Unity catalog开源。然后8月的时候很有意思，那个呃，Snowflake也开源了它的这个Polaris，这个catalog。那么在新型的，有人呃说这个之前的三架马车在数据湖时代的三架马车是呃Iceberg，Hudi，是吧？以及Delta lake。那么新的三驾马车有，就是Graphtino和Polaris以及Unity catalog。那么这个新三驾马车是怎么形成的？就我觉得是源于我们比较早的洞察和市场有这块有一个需求。
那么同时，我们的人才结构也会匹配我们的这样一个业务和产品的一个需求。我们在呃，我们的这个初创团队，虽然人不多啊，但是我们这里面确实在这个呃data AI开源的这个Project，这个上面的这个committer和PMC特别多。就光这个Apache的member，我当然说了我是Apache member，Apache member我们团队就有5个。就说在全世界所有的这种start up里面，可能我们是这个Apache member这个密度最高的公司。
那为什么我们这个是这样一个团队的组成呢？因为我们希望每一个人在团队的每一个人，都可以成为一个啊，一个Technical，一个技术的一个Evangelist。那我现在的身份可能更多不光是技术的Evangelist，我可能还是商业的business model，或者是其他的Evangelist。但希望我的团队的小伙伴都能够做这样的事情啊，能够去presentation，可以去做写writing blog，可以去因为开源本质上是需要去连接的啊，这种连接社区，连接开发者，连接我们的用户。所以这是我们的一个核心的一个思考。
就是从我们看到的这个下一代的机会，我们需要定义什么样的产品和business model，然后再去定义我们的团队长什么样，是吧？应该有什么样的初始团队，有什么样的领域？就这是一整套的逻辑。因为之前我还听过您的博客，我稍打断一下，之前还听到您的博客说10个人的，那个好像那个博客的题目好像就说10个人team也非常能打嘛，所以对您的team那个印象非常深。这个人为什么会在这里面，他有关于如何去组建团队，如何从一个一个非常牛的一个技术专家者到一个技术领导者的时候，我想准备这么多问题给这个俊平老师。
是是，我觉得我仍然是坚信这个观点，就是哪怕未来呃，我们公司会成为一个巨型的企业，但是一个core team，就每个人的core team，一定是10到15个啊，这个人在一起。然后这是一个。第二个，因为我们现在真的处于AI时代，对吧？我们的生产力，AI现在越来越多的成为生产力，其实不是靠人去对，而是靠这个非常core的一个团队，然后加上AI的能力，其实每个人都能够发挥出很大的价值。呃，什么时候可能要去快速的扩张scale，我觉得这个是留给这个这个到这个市场去验证吧。那什么什么阶段，其实anyway，现在就是10-20个人，甚至30个人团队，都可以做很大很大的事情。
哎，Sun老师，您自己是是是吧，这个天纵奇才的，然后一步步都是很top的。那您如何去搭建这个团队呢？一部分是可能是要维持一个开源的，然后一部分呢，是要做一些这个PIN AI的更加的一个这个core hard core一个AI的一个事情。那您如何去一个首席科学家和一个founder，那如何去平衡这个您自己的这个工作的不同的taste，和如何去招募这个优秀的小伙伴呢？我们一起往前走了。嗯，您可以分享一下您的故事，谢谢。
我觉得首先创业对我来说，最重要的是找到一些真的self motivate，就是说即使没有我，他也对这件事情感兴趣的小伙伴，一起来做。我觉得这件事情非常关键啊。早期我也没有完全想明白这个道理，直到就是说在做创业的过程中，一步步迭代。我觉得其实这核心还是，就是因为创业是一个就是说需要大家以非常充沛的激情啊，沿着一个方向走的。这个时候需要每一个就是一开始早期的核心的人，他不需要被就是说他不需要你去push他，而是他能够自己就本身就care就他。在你碰到他之前，应该就在沿着这个方向走，你只是顺顺手把他拉到你的船上。
就很像我觉得大家看过海贼王的话，这个里面路飞大家去伟大航路一样，本质上就是他们每个人本来就会有一些故事，就是想要比如说破解历史正文，那然后只是碰巧大家作为小伙伴在一艘船上，然后一起去这个完成这件事情。就比如说作为我们这个投资的这件事情啊，其实我自己也是有几个很强的做投资交易，就主观交易的小伙伴，一起来做这件事情。我们过去四个月return都非常高啊。我们我前一阵看了一下，我们过去三个月自己的这个策略，三个月时间return是200%，差不多就是如果年化的话乘以4啊，应该是到百分之这个800的。都非常ridiculous。当然，我觉得也只是就是过去三个月市场上的容易，就是做到年化800%每年，我觉得也是不切实际的delivery。但是就是在过去段时间，确实是这个方法非常做的非常的好。
那然后我也会跟很多很强的其他是在做这件事情，但不不是natively属于将GAlpha的合作伙伴合作啊，包括我们合作的有一个found叫做Double AI Found，就是我们也是一起把很多的资源都来share，然后一起来讨论交易的机会。那他们也是在今年2月开始做的这个新的基金，然后管600个million，然后现在年化收益也超过100%，而且是一个drawdown非常小的，就是应该整个从2月到现在，只有一个月有monthly drawdown，其他每个月都是赚钱的。这样的策略，作为一个主观的found，这个是非常难得。因为我以前做量化，我们是可以有很多sharpe，但都因为我们就是处理是like就是picking holes in front of这个roller，就是这种压路机，对吧？就是你压路机在前面开，然后你就在前面捡钢镚儿。但是捡呀捡呀，有一天就被压死了。现在我们是真的就是说是自己在开压路机，然后自己参与这个就是说更加就是高return并且更加volatile的game。
那在这个事情上，还是能做到这样的return，我自己也是觉得诶，很surprise。那包括跟在Crypto上，也是会参与这种压路机捡钢镚的这种business，因为就是Crypto并不是一个很saturated game。我跟这个呃，算是整个Binance上top five的一个market maker，它们占整个Binance3%的这个啊交易量。我们也是一起开发了很多策略，像啊，有一个这个Crypto的策略，是算不是那么高频，但是非常非常的稳定，然后能跑大概1到50亿美金，然后能做到将近30的sharpe ratio，差不多可能年化30-50的return，1%左右的max drawdown。就是属于就是在我原来看来，这些都是属于非常离谱，不应该开放给投资人的策略。现在都做出来，然后能够容纳很多的钱，完全超越了我们自己个人有的钱，然后可以开放给投资人。所以也是很有趣。
这个是从投资的角度。那从build的一个这个Protocol，就是AI的Protocol的角度，那就更是说，我觉得是需要一些志同道合，他本身就关心这件事情的小伙伴。有很多小伙伴，可能以前是在比如说苹果这样大公司，然后他觉得OK，such a big corporate，然后他们筑起了各种各样的高墙来，就是就是说保护用户数据，包括比如说Google，Facebook，TikTok都是筑起了用户的高墙，然后来疯狂的monetize用户的这些个人数据。那我们在这件事情的Vision实际上就是说，让用户自己把自己的个个人数据的ownership拿回来，并且能够自己build自己的personal AI，而且能build的比这样即使是苹果，Meta这样的巨无霸更好。因为我们其实是能够以一个更加开放的形态，把各种各样不同的就包括比如说你的这个钱包数据，你的这个交易记录，你的就是商品记录，你的这个social的各种记录，全部都融合在一起。这件事情，其实即使是对于Meta这样的公司，它也不能够完全做到。它已经可能算是市场上最强的personalization的公司，他也没有办法就是拥有你的比如说Robinhood上交易的记录，拥有你在币安上炒币的记录，拥有你在wallet上的各种行为记录。
所以就是说，我们还是觉得这个保持一个开放的形态，并且不断的involve，对这件事情天然感兴趣的就talent的人，然后用AI再把每个人放大，让大家成为一个非常能打的团体。我觉得是我现在对于这个呃，怎么做好一家公司理解。
OK，这就是像俊平老师，其实更多的就是首先是信仰上，肯定是跟这个开源精神肯定是aligned好的，然后更多的是非常全栈的，无论是技术，其实本身他就需要一个很好的领导力，然后去慢慢的跟客户很好的一个沟通的能力。然后像Bill老师呢，除了OK，我们本身技术上过硬，然后小伙伴从开始出发的时候，大家对这件事情就believe in，还是信仰上我们本身这个大局观是一致的，然后有很好的一个自驱力。呃，而且特别像这个AI的这个领域，DeepSeek前一段时间刚刚开模改，自己模改自己，开源了一个H800的所有的这些东西。所以我觉得这个算是说一个开源，可能是在DeepSeek园区竞争当中可能会有的一个论点。我们一会会私底去聊一下。
关于这个创业的这件事情，我觉得我还有下面的一个问题，就是关于这个商业模式，客户获取和这个大厂的关系。我们可以把这个问题去再去聊一下，然后再去再去聊一下关于这个Alpha的一些问题，跟这个开源的一些事情。
就是那俊平老师，那您觉得，我觉得自然而然在走开源的时候，可能对客户的获取上面就天然的会有一些这个更加的方便，或者您对这个问题怎么看呢？这个技术大厂关系和客户获取这两个点。嗯。
对，我觉得蛮有意思。就说start up的第一天，就应该想着事情，就是说我如何生存下来是吧？尤其是在大厂的夹缝当中。那么我们今天是在一个软件极大丰富的时代，不是说多少年前，对吧？你开源一个东西，振臂一呼，所有人，不管有没有需求，反正你都是一个空白，是吧？当年你做数据库的时候，第一个开源数据库出来的时候，是吧？那个时候只有商业软件。所以这个时候很重要，第一个就是你要做一个产品，去弥补这个市场上的空白，不管是商业化产品的空白，或者是开源这个领域的空白。我觉得这个是很重要的点，不要去重复造轮子。不要说，我发现Spark做得很好，我要再做一个Spark digital版的Spark。我觉得这样的做法，大概率可能会有问题。
嗯，这是我第一个想要的思考。第二个思考呢，就是说呃，大厂就是嗯，start up跟大厂的一个竞争，嗯，或者合作来说，首先我们身段更灵活是吧？我们更希望去跟不同的呃的这个大厂去合作。但是大厂往往自己他从商业战略角度，他很难，就他有的时候他的对手是很直接的，这种商业利益冲突。那么从这个角度，我们可能发挥的作用，更多的是一个以小博大的这么一个呃这样一个position。
我觉得其实效果不错。我们从开源的角度，我们确实联合了很多这个大厂啊，在我们加入我们的开源那个社区。所以这些大厂之间，可能他们之间很难合作，但是在在一个中立第三方的，一个third party的开源的这个community，大家是合作起来是完全没有任何问题，也合作很happy。我觉得这个也是一个小厂大厂的呃，这个博弈过程当中的一个优势点。因为呃，或者说我们能够在这样一个赛道里面，能够做到可能比Databricks和Snowflake好那么一点点。原因也是这两家公司也无法去合作，但是我们其实可以跟他俩合作，是吧？还包括可以跟其他的这些云厂商。那么云厂商之间也很难合作啊，比如AWS跟微软之间很难合作，但是我们从开源的角度，从小的start up角度，我们可以同时跟两家甚至多家的这个云厂商合作。我觉得这些都是优势的。
那么再转到下一点，就是说那我们获客上有什么，有什么这个策略或者是一些呃方法呢？我觉得开源天然，这个是提到开源的一个优势吧，就开源天然就是我们是对于客户或者用户的这种获取的这个门槛是非常低的。大家对吧？只要能够download，只要你有好的文档，你有好的这个这个代码，那大家都可以看到OK，这里面是怎么work，我可以download下来对吧？去玩一玩。甚至我们还设计了一个相当于一个Playground，就是一个容器，那个容器打开就可以开箱即用，免费获得。那么这个是实际上把你的要验证的，需要验证的客户，对吧？你的理想客户和你的非目标客户，其实都拉到一个圈子里啊，大家去啊，看看怎么去用。
其实有的时候，我们对于这个产品的理解呢，其实还是不断从这个用户或者客户的手上去学的。因为我开始设计这功能的时候，经常会碰到在社区里面大量的那些讨论issues，会大家会说哎，我想用于这个，我们比如说设计了a b c d这四个场景，会发现哎，客户用户可以用在这个第五个场景，第六个场景，第七个场景。而且这个有的时候，这个是他们更痛的痛点。所以这是个也是一个很好的跟客户和用户学习的啊，这么一个痛点。我觉得做ToB，尤其我们做ToB上面，很核心的是到底分清楚对吧？用户的痛点是什么，而不是痒点。我们自己从设计的时候有，如果是闭门造车，很容易打到一个痒点上，而不是客户真正的刚需和痛点。这点也是我们在从开源到商业化啊，这条路上一个算是一个小小的心得。
哎，Bill老师，那您觉得我们，因为我知道在本身你的产品可能也应该也有几十万的用户，就是我们之前这个交流过。那您觉得我在做这个marketing获取这个用户方面，有什么这个心得？然后第二件事情，如果Robinhood他觉得OK，我也要去打造一个很好的support散户化的一个bot，或者是这样，或者是比如说其他的大厂，或者Google里面再有一个team做了另一个一个爆款的产品，就是您觉得您如何去比如说能迅速的抢占一个半个身位，我能跑过超过他们呢？就是在跟大厂的关系上，然后客户的获取上，您觉得有什么可以分享？谢谢。
啊，我觉得天然的作为startup，一个不能否认的事实就是你的go to market的成本天然就会比大厂高，而且你的钱明显比大厂少。所以就是开源是其中一个策略，但是仍然，我觉得在我看来是不够锋利的，就是说能够和大厂去PK的。所以大家其实你看没有什么，就其实只有比特币as a consumer facing开源项目。就是说当然就是后来比特币之后，有一大串就是和比特币类似的，方法论的项目，对吧？以太坊Ethereum等等。谢谢这这件事情是真的，在consumer facing上用开源的打法打通了，这件事情我就一直在想为什么。
其实本质上我觉得就是你这个想要在consumer成功，需要一个一鸣惊人的产品，或者是这个产品它就是足够的unique，并且它能够align所有参与的人的incentive。我觉得就是构造出一鸣惊人的产品，通常是在一个技术发生的早期。比如说ChatGBT，对吧？ChatGBT在Sam的Twitter上做了第一个release，然后就直接爆火了，然后以极快的速度达到了一个million user。他并没有花太多的钱去promote对吧？就是在前一个million的这个user的过程中，甚至就是说连Sam自己都没有使劲在自己的Twitter上用自己强大的流量去推，对吧？那它就成了。这就是因为它在早期是一个一鸣惊人的产品。
但就比如说Perplexity，现在早期之所以能够采得到这个搜索产品的流量红利，也是因为它足够的早站在这个市场上，并且能够就说是ride the wave。对吧？如果你现在在做一个类似Perplexity的产品，你就说无论是在美国去竞争，还是说在中国去跟豆包这样的hyperscaler战斗，基本上在我看来都是没有什么成功的希望。而且这个事情很多时候大概率是winner takes all，或者是multiplayer takes all的吧。就即使Anthropic，比如说现在也没有可能能够追得了OpenAI在consumer facing的AI的这个身位。
那这个是我，我觉得就是说，当一个技术出现了革命性的变化，你能成为这里面的第一名的时候，如果构造出一名竞争产品，那你可以成功。那第二个方法论，就是觉得如果你已经不是，就是说有机会做出一鸣惊人的第一名产品，因为技术已经存在了一段时间，比如说像大模型，现在在做任何一个大模型公司，其实在我看来都不能一鸣惊人。就即使比如Feifei发一个demo啊，什么world lab什么的，都离当年ChatGPT那样一鸣惊人，免费流量直接起飞，到就是multiple million都是差距非常大的啊。
那现在我觉得他就应该follow Bitcoin啊，以太坊他们成功的这个recipe，就是说你能够用incentive align的方法，把每一个用户都变成你的这个开发社区和这个，他都不仅是用户，他同时也是利益相关方，他同时也是stakeholder。把大家都凝聚在一起，你像比特币这样，完全就是founder almost equivalent to stakeholder的项目，然后能够不断的这样去进展。这其实是一个非常大的miracle的吧。这就好像耶稣被定在十字架上，然后这个就是这个项目，作为一个founder死了的东西，然后它能够不断的有生命力，自己的旺盛传播，就是因为每个人都觉得自己是这个东西的stakeholder，它都believe almost is like a religion，对吧？就是business as a cause，对吧？这是我觉得真正成功的这个好的社区，它能够增长的。
在我看来，好的这个开源社区，它能够满足里面的一部分，就是说有很多这个比如说Linux吧。我在当时15年的时候，就参与比特币的这个core，然后比特币core里有很多人，在我们讨论整个这个构架该怎么搭的时候，都look up to这个Red Hat和Linux这件事情。但后来我们觉得okay，it's actually a bad idea。因为就是说Linux，首先它那些开源的人没赚到什么钱，他从商业上不sustainable。其次就是说如果他想赚很多钱的话，他最后很可能就把公司做成一个很像就是这种呃，就是只把那些比较垃圾的，就是说弱版的东西放出来，然后很好的东西都hide起来的一个大型enterprise sales公司。它的产品本质上都是类似于一些广告片儿，对吧？都是真正给它那些scalable，能够大量被使用的东西，做这个先导片的东西。
我们fundamentally在当年Bitcoin core的这群人里，我们认为这个method是错的。正确的方法是大家每一个参与Bitcoin core的早期的人，都应该就说，是用比特币收自己的compensation。那然后通过比特币的价格不断地翻倍，然后让大家get really really rich。同时让参与的那些矿工，让参与的这些散户，买币的人都get really really rich。通过这个方法align所有的人，让大家一起啊，就是经过一个牛市熊市牛市熊市，逐渐的看到哎，每一次的牛市的peak都高于上次的牛市的peak，每一次的熊市的floor都高于上次熊市的floor，然后让大家真正的在这过程中建立起一个更强的信仰。
这个是我看到觉得真正powerful的方法。所以就是我现在做startup的，这就是都还是依照着这两个方法论，思考自己的公司该怎么做，然后怎么去align更多的群体，然后怎么能让大家就是第一是说在技术出现的早期，怎么能抓住一鸣惊人的赛道，然后成为一个赛道中的第一名，对吧？这个我觉得永远是无论是什么样的产品都是对的。第二就是说如果丧失了就是说只靠产品本身一鸣惊人，就能获得免费流量，成为第一名的机会，那我不会去卷go to market cost，不会去花10个million去投流。我会想，就是我能不能够用这个这个incentive的hack，让所有的人都incentive，不仅成为用户，而成为股东，让大家就说是形成一个就是说我们所谓邪教like的一个社区，让大家就是都在这个社区中赚到钱，从而真正的喜欢这个项目，然后真正的为这个开源社区贡献。
OK，我先comment一下俊平老师的那个观点。这其实就有点像英伟达，因为英伟达他也会去做自动驾驶，也会去做这个biology的计算。但是其实对他的角度来讲，我做这个并不是为了跟我其他的这个友商去竞争，他更多的是了解一些客户实际上的一个运用点。这就回到了您您刚才的那个观点，我获得了大量的这个用户，但是我想的是a，但是其实用户发现我这个东西在scenario b当中是非常好用。所以在scenario b有大项大量的这个issue，或大量的大家需要你的这个社区去呃support，其实英伟达也是这样的。他更多的去了解一下这些科学家到底怎么用我的GPU，然后我们改GPU给他们提供一个更好的一个一个support，然后我们本身就是天然的就会有一些用户在这儿。
呃，然后像Bill老师了，他自己也已经总结了一下，要不然你的开始就是一个网红产品，一鸣惊人。第二呢，那我们就不要把这个钱，比如说投给Google这些，我不要这样去投流，我反而是把他们变成一些股东，大家一起去传承这么样的一个community。当我们在不断的去踏着开源的这个点，我觉得我们就可以因为两位的你的code已经都是这个open source了，都肯定是有自己的一些community再去drive，再去不断地去提交新的这个pr。
那两位对现在你们在的自己的这个生态，有什么样的一个看法，或者是说有什么展望呢？嗯，就是你们现在的这种生态社区，或者是Opensource的这个社区，谢谢。
嗯，是，我先来是吧？对，我们现在在往未来展望，我们还是一样，就是因为看到了大量的需求，比如说我们数据团队和AI团队怎么样去协作，怎么样融合，对吧？然后数据传统上面向query数据分析的方向，这个应用方向的这个数据平台，显然不能够满足我们更多的这个AI engineer是吧？和这个AI scientist的他们的一个需求啊。他们就比较喜欢自由freestyle，他们就做一些training，那么很希望很快速看到效果啊。然后传统的这种data engineer，它是希望build一个比较复杂的一个data pipeline，是吧？一个ETL，然后可能launch之后，阶段性的定期的出一些结果。我们希望这个弥补，弥补这样一个中间的一个gap。
那么同时呢，就是所以我们在定义一个define新的产品，这个我们是一个unified metadata，但是跟传统的这些datacatalog就不一样。所以大量刚才呃，这个张老师也是说了，我们要去了解客户。了解我觉得这点上，可能嗯，b端的开源和c端的开源，或者b端的产品和c端的产品，很大的不一样的点是c端的产品，你看好的一个是都是啊，像呃Steve Jobs，或者是像Elon Musk这种ego很大的，是吧？就说我坚定的认为啊，未来应该是怎么样？对吧？如果大部分的99%的人你不理解，你到那天你就理解了。就像那我们都知道Tesla其实改变了大家开车的习惯，有很多有些新手是不太适应是吧？他的那个刹车呀，等等一些东西。
但是b端的产品呢，是不一样的。b端的产品要求你做一个产品经理，我们说经常b端的产品CEO啊，或者是销售，或者是产品，另外有可能boss就像就像我现在这样。那你是要自己的ego很小，就是你你确实有很强的这个background，很强的一个believer，但是你的要去听你的用户，确实要去看你用户的一些需求。因为有的时候他就会像一个怎么讲呢，像一个这个刻舟求剑，如果你自己想了很多很多东西，但是你会发现OK，大家已经迈过了这个阶段，到了一个啊next level的一些requirement。如果你再达到这样一个需求啊，可能已经过时的需求，你就找不到你的market，或者很难去找到你的market。
所以在这个情况下呃，低端的产品的就比如我们社区grow的的时候，我们会非常关注这个，我们啊，比如说典型的用户或者非典型用户，两个极端的用户的需求啊。因为典型用户是我们理解的，比如说我们的这个互联网的大型的这种啊，互联网用户，他们有大量的数据，显然是他的需求。那第二点就是说，在这个典型的客户之外，他还有哪些场景？因为我们我们认为就是我们的客户，其实是我们的这个产品的下线，对吧？但是我们的上线有无数的可能。就这个行业之外，还有哪些行业可能会去用？比如说金融啊，保险啊，或者是一些其他的啊，传统的行业。他们哎，有可能他拿的这个啊，这个datacatalog或者metadata，他解决他传统上的一个很大的一些痛点。比如说呃，这个数据的合规，对吧？用AI的方法去做一些这个data啊，这个regularity的这个方面的问题。
那我们也发现哎，这个也可能是一个maybe a good chance啊。所以我们的核心的这个community grow的策略，就是还是跟客户，跟着我们的用户一起去啊，看看，去探讨一下这个产品未来的这种啊，可能性。我这是这是一个第一点。
那么第二点，我们看到这个在community driven方向，还有一些呃，我觉得比较呃，有意思的点，就是比如说我们在Databricks早期吧，运营它的Spark的时候，其实它是啊，相对来说是毫无保留的，它不像现在啊，就说现在很多开源项目都是的，一个试用品，然后一个试用装。那么早期他他Spark做的还很好的，然后他的这个宣传的方式，也是比较激进啊。那个时候我们记得，因为我我们当时是在Hadoop这个生态里的Spark相对比较弱，但是他的比如说Spark这个Spark这个外部主页就说，我比Hadoop快100倍。他就是在明确的会点出来，但我们觉得这个有点伤这个credit啊，就是说为什么呢？因为他其实它是它也是Hadoop生态里的，它不能独独立于HDFS是吧？它只是它比MapReduce快了一些，而且也不是快100倍，它只是在某些极端场景下快了100倍。很多这种大的，这种batch workload就跑Spark跑是，但那个时候是跑挂了的，是跑跑不完的只能跑MapReduce只能跑那种Hive。
所以我们就觉得，那个时候觉得他有点过度营销。但事实证明，这个就像刚才Bill有个启发性的一点，就是就是开源的项目，他还是要找一些爆点是吧？就是他要找到一些这个营销的这个手段。所以过了这个阶段啊，或者说他能看见大多数人这个还没有看见的东西，我觉得也这个也是大家也可能适当的容忍，只要他的这个vision是对的，它的呃bit by bit的这个step是走向这个toward这个方向的，我觉得还是会有很大的一个前景。我就先分享到这对，因为这个我觉得还有很多可以这个探讨的，这个时间原因吧，觉得很蛮有意思的点很多。
Bill老师，对您现在的这个社区，您觉得会有什么样的一个展望呢？嗯。
哦，对，呃，就是在我，我们在作为技术开源社区上，还我觉得我还是个小学生啊。我还就是说，我真正就是体验过真正work的技术开源只有两个。一个是deep learning community，从早年间大家share deep learning的这些code，对吧？就是每个paper都会share code，一直到后来，比如说LLaMA3到DeepSeek，这些非常让人尊敬的。就是说像LLaMA3可能也没有那么让人尊敬，因为就是这可以是Meta的一个很强的战略，对吧？但像DeepSeek就作为换方，我作为一个从量化交易出来的人，我就非常respect他们能来做这个，就是不断开源大模型，虽然也看不到商业模式，然后用自己的钱来烧来推的这样的一件事情。觉得这个就是从商业模式上简直unbelievable，就在就是相当于是在沙漠上强行凿出了一条路，然后把这路走的越来越通，这个简直是非常神奇。
但这个事就是我并没有自己成功过，我只是看到了这些例子，然后我们现在也在学习对吧？就在学习怎么去更好的就是说贡献给这个AI的开源社区。那另外一个我看到过成功的例子，其实就是啊，比特币以太坊。我觉得这个例子和那些就是在我看来我不是很喜欢的例子，形成了一个很有趣的对比。就刚才我说了一点啊，但是就是没有特别的往深了钻，就是我觉得可能我把开源分成几类。一类是就是比如说后期的这个Databricks对吧？或者是现在大多数的这个小公司的AI产品，这样就是说它用开源的东西买hype，然后让这个大的enterprise公司来买它的那个complex multi-tenant或者怎么样的一个大型solution啊。就是它是这样的一个双轮滚动。在我看来这相当于做两家公司，一家公司是要非常有开源精神，要非常的让大家engage，另外一家公司要非常的close，然后非常enterprise sales，要戴着白手套white glove play golf对吧？
然后要去喝wine。然后要就是说是攻略这个，这公司里的这个这个head，到底老婆是在什么地方买衣服。那个，那个head平时就是什么时间会vacation？我应该什么时候reach out？就真正一个好的sales公司，肯定是要想这些问题的吧。
就它实际上是两个非常分裂的culture。但我觉得一个好的公司同时有两个分裂的culture，它通常很难走很远。所以就最终一定会有一个culture dominant。然后这个culture在我看来，最终一定会是这个，就是revenue generational business，一定会是这个enterprise。所以他到最终，一定会抛弃自己开源的这部分，把这个作为早期的这个cold start来，就是compete over其他的这个技术路线。但最终它一定会走向了封闭。这个我感觉是比较确定。
那还有一种就是AI。AI就是很不一样。比如PyTorch，然后它其实是hyperscaler的开源，对吧？就是无论是Meta还是Google，其实是hyperscaler之间，它们已经有巨大印钞机。那然后它们来竞争这个就说是算是，就是说对人类未来定义的最重要的技术领先权。它们不去试图争抢，就说我能不能用PyTorch赚钱，而是说我要争抢的，就是说我能不能够获得真正的这些AI Developer的mindshare。然后，这个其实是我觉得很有意思的一个。
就是说，到底这上面的商业会怎么play out？可能就是很多时候没那么重要。因为商业可能最终只要靠那个，就是这些开源项目的外部性，比如说就是Pytorch带来的这个生态的外部性，就足以让Meta是一个更值钱的上市公司。那如果有一天，比如说你能够通过这方法，做出一个像Cuda一样在，有一天突然发现是个巨大壁垒的事情，那.就非常牛逼了。对吧？因为大家其实当年做Cuda的时候，也不知道能够有现在的这些大模型的事情。他就只是说做呀做呀，突然发现哇，我我积攒了一个如此牛逼的mode。
那第三种就是像我觉得比特币，以太坊以及当代的这些比较serious，认真做项目的这些Crypto的公司，以及就是最新的我觉得这一轮，过去一年出现的这些比较serious的，用Crypto方法来就是说，可以说是hack go to market，以及做以前Web 2.0大公司做不了的这些AI东西的公司。嗯，我觉得就是这条线上，嗯，就是在我看来是最natural的。开源应该存活的最终形式，就是说大家都get rewarded by contribute。就是它有一个天然的，像以前公司制一样的一个激励形式。但这个激励形式是以TOKEN或者类似的某种，这个说类似于这个项目贡献值的形态存在了，使得每一个人，他不是纯靠就是是technical nerd的，靠兴趣去贡献。然后再就是再去合同联合，再去跟大公司之间就说搞，哎，你这个大公司不能做这个，那个不能做那个，不如我来做，做了之后你们来加入。
所以所以，我其实这个地方，还蛮想再请教俊平老师。就是您刚刚说的这个，您有看到就是在企业软件，尤其是这种AI企业软件上，能从第一条路走向第二跟第三条路？因为第二第三条路其实很像。对吧？大家看股票和Bitcoin price本质上都是一种，就是说是token of speculation。然后通过speculation，它可以accumulate equity value，从而使得它的开源项目，天然的获得价值。
对我，我觉得Bill的观察非常的犀利啊。就说我很难说这个最后能不能，所有开源项目都找到一条像这个crypto这样呃，就说直接获取价值的这么一条路。但是我想ego的一点就是，呃，我比较认同，就说项目和商业，实际上啊，往往是两条路，甚至是在run两家公司。这里面呢，其实我觉得成功的公司呢，就比如说Databrick，他早期Spark是all in的对吧？就非常投入的Spark取得很大的成功。那么后期呢，他all in在商业。但他推出了开源项目的，就没那么成功。比如说一个例deltalake，他的数据湖的这个格式，那.就其实际上在这个市场上，被Iceberg打的惨败。所以他就花了个高价钱，坊间传闻吧，20亿美金左右啊，大概买了这个 Tabular，就是Iceberg背后那个公司。那么这是一种，从比如说我在做开源，对吧？再到做商业化，就是串行的一个节奏。
那么事实上，我们现在看到还有一个新的玩法。就比如说duckDB，我们认为是最近一段时间，也是比较好的一个商业化，一个开源项目。但是它后面背后是两家公司。一个是DuckDB lab，那个Ducking lab呢，主要就是在比较pure，相对比较pure的开源，加上一些开源的啊这 个服企业服务化。那么还有一家公司呢，可能更加的商业一点啊，就叫mother Duck呢，主要是把DuckDB做这个，做云服务化呀，比如是相对来说，做一些更成功的一些商业落地啊。所以这是一个呃，另外一个意思，就是说把一个公司，把一个或者一个好的开源项目，分成两部分。一部分专注于做开源，然后另外一家商业公司呢，我可能有某种方式对吧？就是把去赞助你，资助你让你把做一些更纯粹的事情。我觉得both两条路可能都可以啊，都是都是有前景的。
但是有一点是一定要好的，开源项目一定要allin，一定要全情投入，不能三心二意。也不能说OK，我只是拿开源当成一个营销的工具，对吧？我只是对吧？或者是一个获客的，简单的一个获客的工具。我觉得做开源的一定还是要有信仰。实际上一个开源项目能做成功，他的门槛是很高的，他的他的成功率也是很低的。就是不亚于可能这个创业的成功率，是吧？就你要是创业，这个可能成功率5%-10%。那么你做开源，其实实际上也是这样一个比例。所以我不太认同，就是那种啊，这个反正我就这个，开源了让你可以看，然后我还是对吧？同时推出一个更大的，一个更成功的一个产品，去想着这个商业化。如果是这样的话，你一上来就是你的开源的社区，和开源版本，和你的商业版就是一个竞争对手的话，实际上对于最后的这个用户来，说他也是无可适从的。
一个企业，你不管是分成两个企业公司对吧？一个专注开源，一个专注商业化，或者是你创新一个，我先关注于这一个开源组件，把它非常的成功，然后我再开发一些其他的组件，周边的生态的一些组件。我觉得这些，都是可以成功和探索的方式。那至于像 Crypto这样，就是说最后，我在开源这块本身啊，我是build一个强大的系统，然后这个强大的系统呢，有一个很强的业务属性，生成这个创造价值的属性。那么这个我觉得是一个蛮特殊的，蛮特立的一个一个场景和case啊。但是这个适合，我觉得这个反而适合，或者是这种无欲无求的这种个人开发者啊，像这个中本聪这样的，这个神秘的这种开发者，或者适合于大厂，比如说像Google，这或者Meta在做这个PyTorch，做这些事情，因为他上面有足够的应用的 business去啊，去挣钱是吧？它的下面的这个旧设施，可以足够的开放，可以完全的这个无欲无求啊。我觉得可能是第三种情况，有可能更适合这种情况啊，通过应用来价值变现。
对我非常同意。其实我当年还经历过，就是在最早期的TensorFlow 2016年的时候，就是大家在国国内部强行用TensorFlow。那时候TensorFlow就是有两个版本，一个是开源的版本，我们就是就是外部，就是像外面发paper用的TF，这个就是一个只能跑单机跟小型cluster。还有一个是内部用的TF，它就是能跑非常大的cluster，这个machine multicluster的呢。所以就是Google，说白了，当时其实即使是作为一个hyperscaler，然后能够通过炒股票，把这个钱赚回来，能够通过未来在上面跑应用，在Google cloud上赚回来，他也还是没把这个道理想明白。这也是我觉得，当然了，TensorFlow自己写的很差，就是用户体验很很难用也是一个原因。但就是某种意义上，在我看来，他也没有做到您说的这个全情投入，对吧？Pytorch，我觉得就是哎，我就是写的烂，我就是不太能够marketscaling，但是我所有代码就在这了，我也我也没有云business，反正我有的东西我就都给你对吧？最好不要让一个团队左右互补就是。
是的，跟你的这个社区的用户做对手啊，这个我觉得很难。对对对。是的，其实当代的这些大模型公司里，有很多就很有趣。就是说在我看来还是TO VC的公司，就是比如说Mistral，对吧？比如说这个呃，其他的，这.就是还有很多大模型公司啊。对对对。但是我觉得就说是有很多，这个说开源的大模型公司，实际上在最终在开源这个事上，eventually可能是在我感觉winner takes all，或者是a few winner takes all，对吧？就是像deepseek这样，坚定地靠自己赚钱养自己，然后一路能走到现在是非常respectful的。嗯，然后它作为一.个不是真正的hyperscaler，就虽然它能印钞，但它印钞的速度，相比于Google Meta还是差很多个量级。对吧？就是说我其实比较好奇，俊平老师您怎么看？就是说AR大模型的这个底层的竞争，未来就是被，就是从开源这个角度，当然有open AI或者Anthropic这样的玩家，尤其是像open AI这样本来开源，后来决定不开源了，觉得model的成本太贵了的公司。但是您会觉得在开源的大模型竞争上，最后的格局会是什么样子？
对我，我是马上就像刚才您说的，像deepseek这样啊，比较有有信仰，也想清楚自己到底商业模式大概是什么样的，有个持久sustainable的商业模式，我觉得非常respect，也是觉得会看好，长期看好。那么另外一种，像其他的，刚才提到的Perplexity和其他的一些公司，从开源走向闭园，甚至包括open AI，对吧？当年也开源过，在当年也叫自己openAI嘛，也是开源过。那开源走向闭源，那也是因为可能这个大模型确实太烧钱了，是吧？烧了多少个，很多个billion都不够烧。那么大家也在持续的去探索一些可.持续的这个方案。
我觉得不管是开源也好，不开源也好，就首先我们放相信open的价值，我觉得这点这点是大家认同的。那第二点呢，就是说呃，作为初创公司，创业公司和盈利前的公司吧，那如果在盈利前的这个公司，可能把open AI包含进来，那他在做这些商.业探索的时候，都是在找一个可以sustainable的方式。所以大家也不要怪这个open AI不open，或者是什么其他的原因，因为说白了，我们都在找一个sustainable的，一个商业模式。那么在这个商业模式当中，初创公司一定要flexible，就是说我们有很强的这个信仰去做这个事，对吧？不是用技术来普惠，有一些普惠价值，但是同时，我们要想清楚，只有这个公司能够有个sustainable的一个商业模式，这个公司才能持续，才能持久的为我们用户和客户服务，才能创造价值。我觉得这个也是蛮重要的点。那可能在两个路径上，都有人都有公司在探索，然后他的慢慢的这个基因，相应的模式，产品的方向都会出现一些偏差。我觉得慢慢我们可以去观察到这些有趣的，这个现象。但是从我自身来讲，因为我们可能跟这些大，大模型的公司去合作的角度，我可能更倾向于跟这种开源的啊，这种大模型公司去合作，因为我也好使用，然后我也可以比较方便，我就做更多的一些调优啊，和一些方面的一些工作。
感谢两位。感谢两位老师的分享，然后还有对你们每一个人呢，我还有一个问题要请教。OK哦，对于俊平老师，就是因为本身也到年底了嘛，那我们回头来看，你觉得过去一年，咱这么讲吧，或者是过去半年，哪些AI Infra的事情，无论是并购或者一个新的技术的出现，一个.新的start up的一个出现，让你觉得非常的excited？在这个社群里，或者在整个一个泛tech圈里，你觉得哎是，嗯，应该大家其实给予足够的多的，这种重视的，和是聚光灯的。因为外行看热闹吧，内行看的是门道。外行更多的是看哎，这个朋友圈是不是10万加，这个是重要。但其实真正的技术人，会知道哪个点是非常critical的。哎，它好像也有一个breaks。我觉得这个是在AI Infra这个圈里，就是您可以想一下呃，哪些您觉得诶其实是respect，然后我们的听众的小伙伴们，观众小伙伴们其实应该注意一下的。
然后对Bill老师，我觉得算是两个小问题吧。我觉得第一个问题，就是那大模型的时候，OK，他所谓的这个深度思考。但我记得是在这个hedge fund，那其实反而需要一个高速度低延迟的。在hedge fund当中，大家其实是如何把这个大模型用进去了？因为现在您也不在那些top这个这个hedge fund里面。我觉得我们可以完全匿名化的去去聊一下general，你觉得行业当中会是怎么做的？为什么呢？因为我觉得这一个，你看这个正常赚钱比较多的两个地方，一个是硅谷，一个是华尔街。但这个culture完全不一样。这个硅谷的culture更多的是我open source，你赶紧来看我，赶紧来看我，赶紧用我。然后华尔街的culture是我向外宣传说，你看我又是一个千万富翁，我又.是年纪轻轻的赚了很多钱。但是到底在干了什么？对这tech community贡献了多少？他们要么宣传不够，要么其实不太愿意让别人知道，我到底在干什么的。我觉得但是您本身又是在硅谷，然后又其实又在这种就是found，也是经历过了一些事情。所以我想了解一下。
我觉得两方面吧。第一个OK，那大家业界在是怎么把这个大模型融进去的？第二个一点，就是说您在去打造呃，这个您自己的这个PIN AI的这个过程当中，无论像deep seek，或者是像Meta，或者是像其他的，他们如果开源了这些open source的话，您如何您的这个community，这些最先进的cutting-edge的open source的AI，如何去对接呢？基本就会这么两件事情。然后俊平老师，更多是回顾，我们过去的这个AI Infra的一些有趣的，这个moment。然后Bill老师，更多的是说哎，我们这个大模型如何用在这个hedge fund，比如说一些高频交易当中呢？啊，要不俊平老师先来。
嗯，谢谢啊。好的好的，我简短的说，因为今天好像有点稍微有点超时啊。啊，其实我们能看到过去这一年吧，就是说在AI infra，尤其是开源的这个AI infra，就是很多的惊喜啊。就来对于这个，我们叫这个agent framework，或者是这种面向这种RAG的一些场景，比如说我们看到的这个long chaim啊，包括这个Llamaindex啊，尤其在这个年终的时候，就中间那种啊，会带来很多的惊喜。以至于这个rag从大家在质疑，就是可能上半年大家在质疑，RAG和这个长文本，到底哪个是一个最终的方向？对吧？那到下半年，下半年没有什么人质疑了，因为RAG已经开始啊，这个向这个生产落地端去啊，去应用了。那么因为很很简单的道理，因为大模型不可能知道所有的问题，对吧？大模型一定要在企业级的这个落地，一定要去结合每个公司的这个内部的这个场景。那这个时候就会结合，结合到你内部的这种数据库，数据湖啊，甚至一些其他的这种啊，内部的数据。那怎么样构建一个桥梁，让大模型的通用的知识能力，和企业内部的这个知识图谱，是吧？它可以作为一个桥梁。我们像LlamaIndex，langchain这样的一些框架，就提供了很多的可能性。以至于在网上啊，我们构建一个比较复杂的一个agent framework，其实说白了，我们未来的大模型的应用，large language model，它的这上面 application实际上是一个 complex system，是一个复杂的系统啊。在这个复杂的系统里面，它可能是个多agent体系。那么这个agent里面，可能像跟我们相关的啊，跟我们manage相关的，有可能我们会上面长出一层，叫data agent。那么这个data agent可以跟我所有，你所有的这个企业，企业的内部的这种数据系统交互，不管数据湖啊，这个传统的表啊，document啊，这个MongoDB啊等等这些系统啊，去.做交互，把你需要的访问的这个数据拿出来。当然还有一些其他的agent，可以做一些其他的这个工作，从而形成一个比较完整的，一个这样的标准。当然这个，这个rag到底是怎么去实现，中间还分出了好几条路是吧？这个传统的啊，以这个向量数据库为核心的，以及以这个图数据库为核心的，走到了不同的这个技术的流派。我觉得这些都是回顾这一年吧，我觉得这个是一个重要的一个点，就是大模型，首先我们在生产落地当中，企业生产落地上有更多的这个实践。然后在这个实践的过程当中发现，呃，可能只有1%的公司会去pretrain是吧？大部分的公司都在做fine tune啊，或者是做一些啊，build自己的rag系统。那么这个rag系统是从早期的探索呢，走慢慢的走向这个服务市场上线。我觉得明年可能是从RAG和agent这方向，两个方向，看到更多的这种落地的应用，和价值变现的场景。嗯。
哎，bill老师。对对对。哎，对，就是俊平老师说的非常好。其实我们做这个交易的AI的时候，也用很多这个Multi agent的系统。里面也有这个data agent。然后当然有非常多的rag，有非常多的这个各种比如agentic。包括比如说在我看来，招聘交易的algo，其实是一种非常强的，就是agent的tool。就是tool是什么意思呢？tool就是这个python已经写好的代码，它是已经写死的，然后我们只要调用。比如说怎么能够更好的execute的一个trade？比如说帮我在今天收盘之前买这个，比如说一个million worth of like Tesla option。对吧？这件事情实际上就是一个，就是说我可以把它转化成一个高频交易的tool。或者就是更极端的tool，可以是告诉我说，诶，就是帮我去run一个这个outbook的这个bid-ask策略。然后当这个市场啊，没有新闻的时候，把这个这个bid-ask的这个挂单的band，设的非常的tight。然后在有event的时候cancel。在这个event我有Alpha的时候只挂单边。就是甚至可以做这种很Dynamic的，就是tool的design。把原先量化交易的，各种各样的算法跟工具，都看成是一些mature的，有比大模型聪明非常多的人类工程师design出来的工具。那然后如果大模型变得逐渐足够聪明，大模型就可以go beyond tool using，然后能够参与到 tool making这个过程中，然后能够发现一些在回测中可以赚钱的策略，然后把它就说是加入整个的这个武器库。对吧？就是让这个无论叫它 Multi agent system也好，还是说叫它一个就说是，就说agent orchestration of multiple这个tool sets啊，也好对吧？就是说我们的希望看到的是，在明年能够有足够聪明的模型，能够在量化交易这种，就是需要招这个数学，物理PhD和计算机PhD的领域，能够onthefly做出tool making。对吧？这件事情现在还并没有发生。对吧？现在大家还是基本上只能够，就是用比如说大模型写一些类似于test case呀，然后简单的这个gluecode这样的东西。
嗯，那然后回到您刚才问我的问题，就是说这个，我们呃，首先，我们怎么跟华尔街的那些大公司去互动？首先我觉得华尔街大公司，它天然呢就很close，它不consumer facing对吧？就robinhood as business，它也不是闭环的。它真正赚钱靠的也是 citadel security在后台，就是说execute的这些order。但是citadelsecurity这个business，它也不是那么的好听。所以就说是对吧？它也就是对对散户的单挑，一挑哪些单toxic有Alpha我就避开，市场上。然后就是没有Alpha，就说是是比较，就说Clueless的单我就跟他，就是交易来赚这个钱。他本质上和这个Google Facebook给你的电脑上贴小广告一样，都会不.算是什么特别光彩的光彩的生意。大家也没有必要出去，就是大规模的讲。
嗯，那我们想做的事情是什么呢？我们想做的事情，还是希望能够给每一个人，构造自己的personal system啊。无论这个personal system，是帮你交易赚钱，还是帮你这个节省日常的时间。就我觉得首先能做到的，就是给每个人一个非常强的，这个类似于个人executive assistant，或者是交易助理啊，或者是这个分析师助理，这样的一个东西。你就说是放大你的，就是说时间，然后给你更高的leverage，然后同时大量的节约你的attention span，让你把自己的时间花在刀刃上，然后让AI做，那些本来是你按照自己的习惯会很喜欢做，但是就是对于你的时间来说，your time is too valuable for this。就其实这个比喻就很像，就是说是让每个人都成为以前的皇帝，然后有一个太监和太监班子。对吧？他可能是一个multi agent system。有些是负责司礼监掌印太监，有些是什么司礼监披红太监，有一些是内阁，内阁大学士，也是一些大模型，他负责给你，就是起草这个draft的文本。你最后作为皇帝，只需要make sure，就是事情是按照你想象的方式去运转，并且以你的喜好drive这个朝廷的运转方向。对吧？就是其实我觉得对于每一个人，未来我看到的vision是，都让他们成为像皇帝这样。
但是当然，就是最终这个市场上，也.不是每个人都能赚钱。有的皇帝他眼界很高，他的品味很强，他能够选到正确的和时代相同的方向，他能赚到钱。或者有的人他对市场很敏感，对吧？他在短期投资的过程中，能够有很好的sense，什么是顶，什么是底。嗯，然后他能够很好地定义，什么是值得去寻找的pattern，然后可以让机器去帮他，去验证他的这些猜想跟回测。嗯，但是比umtil大模型足够聪明，到 Elie所讲的这个 superintelligence的stage，就是说self aware，并且有自己的opinion。在那之前，我觉得大模型更多的还是一个放大最强人类的tool。就是人越强，大模型就会让你更强，然后就说是你的能力越多，他能放大你的也越多。嗯，在这个过程中，我们希望能放大每一个人。同时我觉得，就说是我们做的这件事情，并不会说totologically，让每个人的AI都非常，就是都非常赚钱，让每个人都有一台Citadel一样印钞机。可能Citadel还是Citadel，它有business mode。但.我能保证，每一个人都能够把自己现有的认知水平，就是是发挥到，他能够就是说赚钱。不会因为就说是，哎，我那个知道了，然后我也想要去行，但是因为我的这个bandwidth不够，能力不足以就是执行这件事情，而没有赚到这个钱。基本就相当于全面基本富裕，然后让一部分更加聪明的人，更加的富裕。基本会让这么样的一个状态。
谢谢两位老师接近一个半小时的时间。谢谢。也感谢观众朋友们的时间。嗯，我们再等一会，我们再退出。谢谢。我们今天的聊天就到这。感谢。感谢大家。哎，拜拜。