• 亿邦公众号
    • APP下载

李开复 x 杨晓磊:创业这一场 我过得了灵魂拷问|拾日谈

作者:投中网 文章来源:投中网

2026-06-30 12:24

作者:投中网 文章来源:投中网

2026-06-30 12:24

邦小白快读

EN
全文速览

这是李开复关于AI创业的最新深度访谈,核心分享了他带领零一万物转型的经历,同时给普通人提供了成长与应用AI的干货。

1. 核心经历:65岁的李开复创办零一万物后,放弃竞争激烈的通用AGI基模路线,转向服务传统企业AI转型,对标Palantir走出低谷,目前已经跑出落地成果,计划启动上市;他生病后不再顾虑下行风险,敢于推翻过往路线认错转型,这种勇气值得参考。

2. AI实操干货:普通人要拥抱AI First的工作方式,先让AI产出初稿,把时间节省下来用在洞察问题、提出问题上,不要还没尝试就自我淘汰,要亲手使用AI培养使用手感。

3. 成长启示:要正视失败,愿意更新自己的认知,不要被过去的成功经验困住,顺应时代需求做事。

本文透露了AI时代品牌商尤其是AI相关品牌的发展方向、行业趋势,对品牌布局AI业务有较高参考价值。

1. 方向选择:当前通用大模型赛道竞争激烈,品牌不要硬卷通用基模,可选择差异化路线聚焦传统企业AI转型,这个赛道符合国家AI+战略,覆盖制造业、能源等占GDP主体的大量领域,市场空间足够庞大。

2. 品牌营销与渠道建设:ToB品牌要做一号位工程,创始人亲自对接企业CEO,靠过往积累的信任降低获客门槛,快速给客户证明价值,靠口碑实现传播增长。

3. 竞争启示:国内ToB行业原来普遍存在低价竞标的不良环境,品牌要靠为客户创造真实价值取胜,不要陷入低价格战,突出自身的落地服务价值才能获得长期收益。

本文给AI领域及服务传统企业转型的卖家,指明了当前的市场机会、风险和可借鉴的转型经验。

1. 市场机会:国家AI+政策推动传统产业AI化,全球传统产业AI转型市场空间达到数十万亿美元,目前大量需求未被满足,还可依托一带一路拓展海外市场,有大量增量机会。

2. 风险提示:盲目卷通用大模型、垂直大模型没有明显壁垒,很难长期取胜;自下而上做AI转型无法改变企业财报,很难获得客户认可;不要靠AI概念推高估值,要做落地有业绩的业务才能抗周期。

3. 可学习经验:试错后要快速调整方向,找到产品市场匹配度后再全力冲刺;只要能快速证明价值,ToB也能实现类似ToC的高速增长。

本文给传统工厂的AI数字化转型提供了清晰的方向,也透露了相关的商业机会。

1. 转型需求:当前传统工厂都有AI转型的迫切需求,但多数工厂只是部署了通用大模型,没有结合自身业务逻辑落地,产生不了实际价值,需要从顶层切入梳理问题才能见到效果。

2. 商业机会:AI转型能帮工厂找到核心业务短板、优化决策流程、提升收入利润,符合AI+制造的政策方向,已经有头部AI团队总结出可复制的服务方法论,实体工厂对接合适的服务商就能推进转型获得增长。

3. 转型启示:工厂做AI转型不能只做局部小优化,必须由企业一号位推动,从顶层梳理业务流程,才能真正改变经营结果,不要跟风部署模型却不落地,浪费资金和资源。

本文给ToB AI服务商、企业转型服务商指明了行业发展趋势、客户痛点和可行的落地方案。

1. 行业核心痛点:传统企业AI转型的核心痛点不是没有大模型可用,而是通用大模型不了解企业独特的业务逻辑,解决不了CEO真正关心的降本增效问题;国内企业付费习惯不佳,低价竞标模式很难做出高价值服务;自下而上转型很难出成果。

2. 可行落地方案:采用一号位工程模式,对接企业一号位CEO,先诊断问题,快速做出Demo证明价值再落地;打造适配大模型的“本体”系统,针对每家企业梳理独特的业务逻辑,形成定制化解决方案,参考Palantir模式结合大模型做技术升级。

3. 市场空间:当前市场需求远大于供给,不同服务商可以服务不同客户,短期内不会陷入激烈同质化竞争,只要能落地就能获得订单。

本文给大模型平台、AI服务平台透露了当前企业侧的真实需求,指明了平台运营方向和需要规避的风险。

1. 客户需求:企业需要的不是单纯的底层大模型或算力,而是能解决自身业务实际问题的落地解决方案,底层大模型本身没有用户黏性,客户随时可以更换,平台不能只靠卖模型、卖算力赚钱,需要延伸到落地服务环节才能留住客户。

2. 运营启示:平台做AI相关业务不要盲目卷通用基模的参数和性能,要聚焦落地价值走差异化路线,可和懂传统企业服务的团队合作,各自发挥长板,共同给客户提供全链路AI转型服务。

3. 风险规避:不要靠AI概念推高估值,要做扎实的落地业务,实现健康财务,才能在AI浪潮退去后存活;避免跟风做同质化的通用模型、垂直模型,陷入低价竞争的困局。

本文透露了当前中国大模型创业的最新产业动向、创新商业模式和待研究的新问题,有较高的研究价值。

1. 产业新动向:中国大模型创业已经从早期追捧通用AGI基模,进入分化落地阶段,头部创业团队主动放弃通用基模切入传统企业AI转型市场,海外多家头部大模型公司也开始复刻Palantir模式,验证了这个方向的市场价值。

2. 创新商业模式:业内出现了一号位工程+顶层咨询+定制化适配大模型的本体系统的全新ToB AI商业模式,区别于传统卖模型、卖SaaS的模式,能够快速给客户证明价值,还可依托一带一路拓展海外市场,形成了中国特色的AI出海方案。

3. 待研究新问题:AI发展带来的社会分层问题、国内ToB行业付费环境优化问题、AI创业如何平衡理想主义与商业化的问题,都是产业发展中出现的新问题,值得深入研究。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

This is Kai-Fu Lee's latest in-depth interview on AI entrepreneurship. Lee shares his firsthand experience pivoting 01.AI's business strategy, and offers practical, actionable insights for ordinary people to grow and leverage AI.

1. Core pivoting experience: After founding 01.AI, 65-year-old Lee abandoned the highly competitive general AGI foundation model track to refocus on enabling AI transformation for traditional enterprises. Drawing inspiration from Palantir's model, the company pulled out of its downturn, achieved tangible on-ground results, and is now preparing for an IPO. After his illness, Lee stopped fearing downside risk and found the courage to overturn his previous strategy and admit missteps—an experience many can learn from.

2. Practical AI guidance: Ordinary people should adopt an "AI First" work approach: let AI produce first drafts, then free up your time to focus on identifying and framing problems. Don't count yourself out before you even try—get hands-on with AI to build intuition and proficiency.

3. Lessons for growth: Face failure head-on, stay willing to update your own cognition, don't get trapped by your past successes, and align your work with the changing demands of the times.

This interview outlines the development direction and industry trends for brands, especially AI-focused brands, in the AI era, offering high reference value for brands planning their AI strategy.

1. Direction selection: The general large model track is currently oversaturated and hyper-competitive. Brands should avoid competing head-on and instead pursue a differentiated strategy focused on AI transformation for traditional enterprises. This track aligns with China's national "AI+" strategy, covers large GDP-dominant sectors including manufacturing and energy, and offers enormous market space.

2. Brand marketing and channel building: For B2B brands, this needs to be a "top leader initiative": founders should directly engage with client CEOs, leverage existing trust to lower customer acquisition barriers, prove value quickly to clients, and drive scalable growth through word-of-mouth.

3. Competitive insights: China's B2B industry has long suffered from a poor pricing dynamic driven by low-bid tendering. Brands should compete by delivering real tangible value to customers rather than getting drawn into price wars. Emphasizing your on-ground service value is the only path to long-term profitability.

This interview clarifies current market opportunities, risks and actionable pivoting lessons for sellers active in AI and traditional enterprise transformation services.

1. Market opportunities: National "AI+" policies are accelerating AI adoption across traditional industries. The global market for traditional enterprise AI transformation totals tens of trillions of US dollars, with massive unmet demand today. Sellers can also tap into incremental growth by expanding to overseas markets along the Belt and Road initiative.

2. Risk warnings: Blindly piling into the general or even vertical large model space rarely offers sustainable moats or long-term competitive advantage. Bottom-up AI transformation cannot deliver measurable improvements to a company's financial performance, and rarely wins client recognition. Don't inflate valuations with AI hype—only on-ground revenue-generating businesses can withstand economic cycles.

3. Actionable lessons: Adjust your direction quickly after testing and identifying mistakes, then go all-in only once you have found product-market fit. B2B can achieve ToC-like rapid growth as long as you can prove your value to customers quickly.

This interview provides clear direction for traditional factories pursuing AI and digital transformation, and outlines relevant business opportunities.

1. Transformation needs: Most traditional factories today have an urgent need for AI transformation, but the majority have only deployed generic large models without integrating them into their unique business workflows to generate real value. Tangible results can only be achieved by starting from the top to map out core business challenges.

2. Business opportunities: AI transformation helps factories identify core business bottlenecks, optimize decision-making processes, and boost revenue and profit. It aligns with national policy priorities for "AI+ manufacturing", and leading AI teams have already developed replicable service methodologies. Physical factories can drive transformation and growth by partnering with the right service provider.

3. Transformation insights: AI transformation for factories cannot stop at incremental local optimizations. It must be driven by the company's top leader, and start from the top to restructure business workflows to deliver real changes to operational outcomes. Don't waste capital and resources on unimplemented model deployments just to follow the trend.

This interview clarifies industry trends, client pain points and feasible implementation paths for B2B AI service providers and enterprise transformation consultants.

1. Core industry pain points: The core pain point for traditional enterprise AI transformation is not a lack of large models, but rather that generic large models do not understand a company's unique business logic, and cannot solve the cost reduction and efficiency improvement problems that CEOs actually care about. On top of that, poor client payment habits and a low-bid tendering culture make it hard to build a sustainable high-value service business, while bottom-up transformation rarely delivers tangible results.

2. Feasible implementation: Adopt the "top leader initiative" model: engage directly with the client CEO, conduct an initial problem diagnosis, build a demo to prove value quickly before full implementation. Build a custom "ontology" system adapted to large models, map each enterprise's unique business logic, and deliver tailored solutions. The approach draws on Palantir's model and upgrades it with modern large model technology.

3. Market outlook: Current market demand far outpaces supply. Different service providers can serve distinct client segments, meaning intense homogenized competition is unlikely in the short term. Any provider that can deliver on-ground results will win orders.

This interview reveals the real unmet needs of enterprise clients for large model and AI service platforms, and clarifies operational directions and risks to avoid.

1. Client demand: Enterprises do not just need underlying large models or computing power—they need end-to-end implemented solutions that solve their actual business problems. Underlying large models on their own have little user stickiness, and clients can switch providers at any time. Platforms cannot rely solely on selling models or computing power for revenue; they must extend into on-ground implementation services to retain clients.

2. Operational insights: Platforms building AI-related businesses should not blindly compete on foundation model parameter counts or performance. Instead, pursue differentiated positioning focused on delivered value, and partner with teams that have deep experience serving traditional enterprises to combine complementary strengths and deliver full-stack AI transformation services to clients.

3. Risk mitigation: Do not inflate valuations with AI hype. Build solid on-ground businesses and maintain healthy financials to survive the inevitable AI market correction. Avoid jumping on the bandwagon to build homogenized general or vertical models that trap you in a low-price competition cycle.

This interview reveals the latest industry trends, innovative business models, and open research questions for China's large model entrepreneurship space, offering high research value.

1. New industry trends: China's large model startup ecosystem has evolved from its early phase of widespread pursuit of general AGI foundation models, to a new phase of divergent vertical implementation. Leading startups are proactively abandoning general foundation model projects to enter the traditional enterprise AI transformation market, and multiple leading overseas large model companies are now replicating the Palantir model, confirming the market value of this direction.

2. Innovative business models: A new B2B AI business model has emerged that combines "top leader initiative" engagement, top-tier consulting, and custom ontology systems adapted to large models. Unlike traditional models of selling standalone models or SaaS, this approach can quickly prove value to clients, supports expansion into overseas Belt and Road markets, and forms a China-specific AI go-global framework.

3. Open research questions: New industry challenges emerging with AI development that merit further in-depth research include AI-driven social stratification, improving the B2B payment and pricing environment in China, and how AI founders can balance idealism and commercialization.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

《拾日谈》:对话风险投资领域最杰出的商业头脑

“我这人的追求一直没太变,只是时代变了。”

谈话嘉宾 李开复 杨晓磊

编辑 曹玮钰

本文字数12182

手搓量丨90% AI含量丨10%

低调一年,李开复终于有了公开表达。

他的表达以一封内部信为起点,画风全然不是温文尔雅的“开复老师”。有声音调侃,AI创业把“开复老师”逼成了“销冠”。放在两年前,你很难想象他如此频繁谈论订单、客户和销售。

冲击在于,转变近乎瞬间发生。一年半前,刚成立一年的零一万物甩了个急转弯,放弃基模,转向看上去并不性感的ToB。原因很简单,甚至有点窘迫——打不过,于是连梦都不再做下去。对于这家画风突变的“六小龙”,不理解、看不懂乃至掉队的争议没断过,李开复没有解释,也没有自证。

期间,中国乃至全球AI的天变了一遍又一遍。在拿结果说话的商业世界,话语权在不断洗牌再洗牌。零一万物成了没有声音的“六小龙”。

直到今天,65岁的李开复第一次吐露,过去一年是排到人生前三的至暗时刻——团队遭遇信任危机,办公室一度空了三分之一工位,视AI为使命的他,要亲手捏碎皇冠上的那颗明珠,再完成一次彻底的身份转换——开复老师变身成一个每周见几十位CEO、谈订单、讲转型的“销售一号位”和“首席AI战略官”。

家人和团队甚至跟他急眼了好几次,说李开复你到底还在折腾什么,图什么呢?

一年之后,李开复终于摸索出一个新方向,他称之为中国Palantir,让AI真正进入传统行业赋能转型升级。这是个并不轻巧的toB苦生意,但在他看来,这是眼下唯一有足够庞大空间的方向。经过一年积累,至少从眼下看,这条路已经跑出了结果,李开复决定启动零一万物的上市。他很自信即便抽掉AI基模,零一万物的表现依然能打。

上市本就是个带有“好大喜功”色彩的动作,更何况创始人是一位享有巨大名声,刚从低谷站起身的人。李开复坦言上市的考量在于功能而非目标,更非名声。他甚至直言,过去三十年,自己太珍惜羽毛。那场病之后,他就不再考虑下行风险。

当一个人拥有巨大声量,就会被标签化成某种脸谱。很早之前,“李开复”就成了一个符号,欣赏者有之,质疑和批判亦有之。

其实抛开漂亮的名声、表达和企业叙事,过去一年的故事并不复杂——一位65岁的创业者,亲手推翻了曾经最看重的AGI梦想,重新寻找出路,再重写一次自己的人生故事。

主持人:杨晓磊,投中信息CEO,学习积极分子,投资圈隐形KOL

嘉宾:李开复,零一万物创始人,一年见几百位CEO的CEO。

“生病以后,我不再考虑下行风险”

杨晓磊:我看了不久前零一万物三周年内部信,最直观的观感是——开复老师竟然这么接地气,你好像到了一个特别现实主义的状态。

今天的你更接近哪个身份?一个经历三年波折,还在带公司往前冲的CEO?一个终于等到AI时代的科技创业者?还是过去大家熟悉的那个“开复老师”?

李开复:信的最后一段没看到理想主义吗?

杨晓磊:不是没有理想,是表达方式变了。以前我总觉得你是写《论语》那个人,要站在行业前沿指方向。

李开复:难道我不是吗?我的方向不够指引吗?(笑)

首先我从来没有一个形象的定义,我从不演戏,我过去、现在和未来讲的话是真话,只是随着不同身份做不同的事。做投资人,我思考的是怎么投资和帮助创业者。做CEO,我思考的是长期的业务方向,短期怎么试错,犯错怎么快速调整。

现在我们达到一个PMF,在疯狂往前冲。一年半前我们还在试错,试了很多方向,模型能力也做出来一些,但后来发现全球算力开始疯狂上涨,海外玩家在烧大量GPU和资金,我们判断没有胜算,于是做出了最重要的决定——放弃AGI。

很多人觉得坚持就是一直往前走,但我始终认为,懂得放弃有时反而是一种更高级的坚持。

杨晓磊:你随着角色做不同的事,那又是什么决定你的身份?

李开复:我觉得自己是更快看清未来的人,很多时候不是我想当什么,而是看到时代需要什么。

大学生迷茫的时候,我写《做最好的自己》,写《世界因你不同》,不是因为我特别会写书,不是我掌握了什么人生真理,而是觉得自己的经历也许值得分享,就用了自己的成功形象,把我认为那个时代需要的声音写出来。

之后互联网兴起,大家都想创业,都想成为马云,我觉得也许自己可以做投资人。再后来大模型终于来了。我1987年申请博士,申请书写得清清楚楚:AI是我的一生最爱,我不可能在AI真正到来的时刻放弃,所以义无反顾躬身入局。

杨晓磊:这番话还是很接近成功企业家的逻辑。当年蔡崇信加入阿里有个说法:下行风险不高,上行收益很大,哪怕最后不成,大不了再回投行。

李开复:非常理性。

杨晓磊:我是这么理解,投资本质是To B业务,没有口碑,只有数字。很多一线投资人投得不错,但实际跟普罗大众没有关系,但“开复老师”不一样。你是投资人中少数有广泛公众影响力的那位,过去二十多年你在科技、互联网、创投领域积累了巨大声誉,坦白说我实在不理解......

李开复:干嘛冒着风险往前闯是吗?

杨晓磊:你攒的东西太多了。年纪更长的企业家经常有个共同点,不决定。一开始我不理解,干嘛那么纠结?干就完了。后来发现他们不是纠结,是在等事情变化,等条件成熟,等一个最优解。

但你这笔账我一直算不过来。如果不创业,你完全可以去投一流GPU或者大模型,效益不会差的。为什么一定要自己干这个事?

李开复:我之前跟蔡崇信的思考一样,只是生病以后,我就不再考虑下行风险了。

为什么我能在苹果、微软、Google干那么多年?我要对家庭负责,而且人生一帆风顺,我不接受下行风险,为什么要去创业?后来做创新工场,又生了场病。我清楚记得,有次跟星云大师沟通,大师点出,你说自己在做伟大的事,难道就没有私心吗?你的私心最终会给世界带来什么?难道大家还会记得你吗?你的钱难道可以给到下一辈子吗?

于是我清晰看到了,不必在乎什么下行风险,晚节不保。我不是国家领导人,不是诺奖得主,不是Elon Musk,我做得好或不好,一百年后又有谁会记得我?那为什么要想下行风险?就算失败也不会让家人吃不上饭,一定程度也算稳定,那就够了。

生了病我第一次觉得,过去三十年我太爱惜羽毛,什么都追求影响力最大化,演讲要现场观众最多,教年轻人要教最厉害的,工作要做最光鲜等等。虽然我当时认定,写《世界因你不同》,留下最大的影响力是我的目标,但人总是人,总会把目标变成借口,让自己获得更多的名和利。

但人真正想要的是什么?通常是遵从了初心。当梦想来了,你是跟着往上飞,哪怕有摔下来的可能,还是就眼睁睁错过?

杨晓磊:几十年前你就是CMU计算机博士,今年你65岁了,同一桌的竞争对手很多是90后,你会觉得有些生不逢时吗?我听过一个美元基金老板的观点,他说大模型创业的战争应该属于年轻人,因为足够AI-Native,正当年,而且精力足够充沛。

李开复:观点不意外,不少投资人都这么想。其他我都愿意参考,唯独精力不旺盛这一点我绝不接受。我相信我们这帮大模型公司都热爱AI,但我觉得热爱越长,精力越旺盛。我等了45年,我的惊喜程度最高。

我还记得父亲临终前,我在抽屉找到他留下的两句话:老牛明知夕阳短,不必扬鞭自奋蹄。我父亲一直写书写到住院前一天,他觉得他有自己的历史使命,我也一样。很多人可能觉得未来还有50年,这个项目不成,下一个还能成。我只有这个机会,而且等了45年。

杨晓磊:你觉得所谓的AI Native是一个偏见吗?或者歧视?

李开复:当然是个正确观点,不过我认为我们非常AI。

杨晓磊:前几天听到一个“暴论”,小米MIMO负责人罗福莉说她偏爱大二、大三本科生,因为没有被社会“污染”,经验反而是包袱。

李开复:我不否认有一定道理。但我们的员工跟另外5家“小虎”,跟小米MIMO,基本没什么差别。我认为现在不是说,非AI Native就该下牌桌,而是大家都在AI Native的前提之下,谁最有可跑出一个商业模式。

我总有一种自信,我总觉得这一定有别人做不了而我能做的事,具体当时说不清,但总要试试。

其实回头看我的书《AI·未来》,除了AI编程,关于大模型的几乎一切我都预测到了,比如Agent爆发,AI转型,AGI的到来,人类面临的挑战等等。AI是我的梦,我的初心,AI时代来了,我怎么可能什么都不做,就只写本书呢?

我也投资了我认为可能成功的大模型公司,但大多没成功,那是不是意味着这个事应该我来做?那就做了。

杨晓磊:AI来了以后,大家尤其爱讲一个词叫“去登味”。我理解是不要让过去的惯性影响今天的决策。开复老师有“老登”压力吗?

李开复:如果这辈子我只干了一件事,比如一家传统公司做了40年,可能真的变老登。但你看我跳槽很多,换过四家公司,后来做创新工场,又做零一万物。做投资看过几百家公司跌宕起伏,我看到的唯一不变就是一定会变。

我是一个好奇心很重的人。从PC时代到互联网,到移动互联网,再到今天生成式AI驱动的AI 2.0时代,我经历这么多轮革命,学到的事其实很简单:过去可行的东西,今天未必可行,但有经验、有智慧的人,是可以从过去的革命抽象出一些认知,再放到新的时代。

杨晓磊:我理解让人变成“老登”的一个原因,就是经验或者成功。有句俗话是“人老实,话不多”,我聊过不少年纪更长的人,实际情况经常是“人老,实话不多”,他们经常聊着聊着就套上一层壳,告诉你一切都没问题。

李开复:听上去像是一种习惯了。有一种人容易变所谓的老登,就是他没经历过真正的失败。我们不好评价国内的朋友,你看乔布斯就是失败过的人,他被苹果董事会赶走了,Elon Musk也是,PayPal赚的钱几乎烧光,还差点破产。

扎克伯格反而是另外一种,他很长时间都没有失败过,Facebook成功,他改变了世界,后来收购了Instagram,收购WhatsApp,都是了不起的决定。可能正因为这样,一方面他变得特别自信,另一方面又容易把认知锁死在自己最成功的时代。所以到了元宇宙时代,到了GPU时代,AI时代,他会眼花缭乱,开始犯错。

我一直觉得,人犯错的时候应该珍惜。你可以否认失败,假装失败不存在,但这是最好的学习机会。我特别喜欢一本管理书,里面讲一个CEO最强大的能力,其实是自知之明。他知道自己的弱点在哪里,碰到错误的时候,不会逃避,不会不承认,反而从里面学习。

去年这些事,不是我第一次碰到挑战。我以前在SGI曾亲历过公司从行业高点进入艰难调整期,后来被微软告,又得了癌症。去年转型这些事,你要说痛苦,当然痛苦。但跟前几次刻骨铭心的痛苦相比,真的不在一个量级。尤其癌症,癌症带给我最大的改变,是让我忽然意识到自己可能只剩下一百天。经历了这些,很多挫折突然就没那么可怕了。

当然,不是建议大家都去得一次癌症,只是既然得了,只能从中有所收获。

“自下而上的AI转型必然失败”

杨晓磊:不久前跟一直在硅谷看AI的投资人聊天,他反复强调“高价值任务”,观点是大模型最终要进入高价值任务,其中最先被验证的就是Coding。

李开复:Coding当然重要,但我不认为coding是最高价值的任务,只是现阶段最容易验证价值,coding更像未来所有价值任务的基础设施。

杨晓磊:这是你创业过程中一个方向吗?

李开复:是,但我们没有孤注一掷,可能“六小虎”包括OpenAI可能都犯了这个错误,只有Anthropic抓到了这一点。当时大家都没有看得这么清楚。

如果问什么是“高价值”?最终还是要回答一些“世俗”的问题,收入增加了吗?利润增加了吗?增长加快了吗?产品上线更快了吗?规避重大风险了吗?

Coding毫无疑问帮很多公司创造了巨大价值。问题是,中国今天最需要的是再做一个世界最好的Coding Model吗?你看国务院的AI+计划,讲的是传统产业的AI化。中国GDP的主体是制造业,是能源,是零售,是物流,是金融,是大量传统企业。

互联网公司、AI企业天然就是AI Native,那其他企业怎么办?就让他们死在错过机会吗?转型一定是不可能的任务吗?这就是我们要走的路。

杨晓磊:你在零一万物放了多少精力,九成还是九成半?

李开复:10.5成。

杨晓磊:从基模切换到To B商业化,你的投资人对你有挑战吗?

李开复:还好,主要投资人就是阿里跟创新工场。当年我们为了烧基模需要很多GPU,阿里对我们帮助还是蛮大,创新工场就是自己的伙伴,虽然这事分割得很清楚,但工场等于有个兄弟一直在你旁边。其他投资人占比虽然少,但基本没有一个说你做得差想要退,或者是不相信方向了,从来没有。

杨晓磊:ToB其实也有两条路线。今年我调研一家投资机构,他们是某家上市基模的股东,他们也问创始人下一步往哪走,创始人回答,很简单,改造非Coding场景,那是一个三十到四十万亿美元的市场。但他们的方法是继续推动模型能力边界扩张,从Copilot到 Agent,最后逐步替代法律、财务、SaaS这些传统领域。这一路径跟你们不太一样,你们更像直接进入企业场景。

李开复:我举个例子,如果当年我是Intel或者AMD,按照摩尔定律,芯片每几年性能翻一倍,那是否意味着未来所有价值都会归芯片公司?并没有。我们看到后来出现了Office,出现了Photoshop,出现了ERP等无数软件公司,Windows并没有统治一切。

模型能力会持续提升,这毫无疑问,但后面到底是谁把价值创造出来?这是另一码事。为什么法律、财务公司这么快遇到危机?因为简单以为加点行业数据,再微调一下模型就有了壁垒,这种思维不堪一击,事谁都可以做。

杨晓磊:所以你把问题定义到了企业本身。

李开复:对,我们看到了Palantir。Palantir是一个特别有意思的案例,很多人只看到它估值高,却没看到Palantir真正的厉害在于一套方法论,包括一个非常强的Ontology系统,中文翻译叫“本体”,可以理解为企业的虚拟地图,能帮企业找到最重要的问题并创造价值。任何公司都有一套自己的运行逻辑,战略是什么,组织结构、决策体系是什么,短板是什么,什么数据最重要,哪些流程关键,哪些指标决定结果......这些共同组成一家企业的大脑。

去年DeepSeek火的时候,大家都特别兴奋,我认识至少一半企业都部署了DeepSeek。但问效果怎么样?对方坦诚讲,开复老师不好意思,最多的应用还是算力,跟业务没什么关系。

我经常打个比方,DeepSeek就像清华北大第一名的毕业生,如果不经任何训练就跑到公司工作,其实什么都做不来。一样的道理,怎么样把一个模型训练成一个懂公司的系统?这就是Ontology。只是建立Ontology是件非常繁琐而且非标的事情,即便两家都是制造业,但产品、文化、组织、决策机制不一样,所以不存在一个Ontology通吃所有企业。要先有一个Meta Ontology可以落地,要有一套工具,再加上你要有FDE进入企业,去快速理解业务,建立Ontology,再快速证明价值。

过去一年Palantir接触了一千多家企业,很多项目一到五天就能做出Demo,企业高管一看,立刻知道问题出在哪里,然后下单,平均订单一百万美元左右。很多人觉得To B一定是慢的,一年几个客户,还要慢慢建立关系,天天陪客户喝酒,Palantir证明了不是。如果你能闪电般证明价值,To B也能长出To C的增长曲线。

杨晓磊:所以零一万物会越来越像Palantir?

李开复:我们参考,但不完全一样,甚至我觉得有机会往前再走半步。我们基于一个AI2.0的Ontology,传统Ontology还是AI负1.0的状态,但老技术不适配今天的大模型,现在必须用自然语言,大模型才能理解,才能不断更新,形成闭环。

一旦Ontology部署落地,底层模型反而不重要。大模型基本没有黏性,觉得DeepSeek酷就用DeepSeek,嫌贵可以换Kimi。

杨晓磊:这是不是可以解释,为什么很多垂直模型最后做不出来?

李开复:对。今天业内有个大实话,垂模基本没什么价值。你有个底层模型,再去训练行业数据,这会让行业变好一些吗?会。但能不能解决老板真正关心的问题?未必。

这就是为什么Anthropic和OpenAI最近都逼不得已要去跟黑石、高盛合作复刻Palantir。

杨晓磊:印象里国内有不少团队在做类似的事,像阿里系、字节系应该都有。这套业务的壁垒在哪?对业务端和大模型都有理解,能用对模型微调去解决客户的问题?还是更前端,比如更洞悉一号位的需求点?

李开复:这个领域国内外需求都很大,我认为很多人都能跑出来,也祝他们好运。但我不认为我们会形成竞争,因为定制化成本不低,而且短期内客户太多,任何一家去打10个客户,很大概率是这10家别人根本碰都没碰过。

但要讲得犀利一点,中国To B行业非常难,因为企业对软件的付费习惯较低。很多老板的第一反应是,你来了解我的业务,还要我给钱?不收学费就不错了。另外企业习惯了招标模式,胜出者一般在两个条件之下,一是所谓的技术,一是所谓的商务,最后赢的一定是偏商务。就是谁便宜。所以最后往往是系统集成商做个八九分的东西,只收一半甚至三分之一、十分之一的钱。

国内To B环境充满挑战,所以我们要杀出一条血路,唯一走得通的就是一号位工程,只有CEO才有权力推动真正的转型。所以问题就变成,你怎么接触CEO?以及怎么打动CEO?

第一个问题,说实话是我的优势。我平均一个星期要见十五到二十位CEO,这个数量应该是国内最高之一。第二个问题更关键,怎么让CEO愿意给你一千万?如果只是基于对我本人的信任,数量那么多也不可持续,最后还得实打实做出东西。

去年我大概见了一百位CEO,最后转化成千万级订单的大概五家,其实很艰难。有些企业的核心业务非常复杂。一家全球头部的南半球矿业企业基于信任给了一笔大定金,我们大概花了八个月才做完,现在可能缩短到四个月。

但有件事我们基本看清楚了,自下而上的AI转型必然失败。这优化一点,那砍一点,加起来也不会改变财报。

杨晓磊:海外市场是有很好的付费习惯,可他们为什么要相信一个来自中国的To B AI公司?这个门怎么过?

李开复:一号位工程。

我还是很相信星云大师说的,我结了很多善缘,不是佛家的善缘,而是过往积累的好感跟信任。在创新工场时,很多公司请我去给董事会,给管理层讲课,比如达沃斯认识一些CEO,他们请教我AI,有时请我做顾问,我基本都免费。他们觉得我是一个没有目的、乐于分享的人。我当时确实也是。现在我有公司了,我就会跟他们说,当时跟你讲做AI还有点早,现在时机到了,你要不要听一听我们的做法?

当然,还有一些零一万物和创新工场的资方或LP。

新认识的朋友就得就事论事,比如我这次出差英国,要出席《华尔街日报》AI主题的CEO论坛,还有是家族办公室的AI论坛。算一下,我大概会见100个10亿美元收入以上的CEO。哪怕他们只想让我从文化的角度来讲,没关系,一号位工程最后总是一个文化,一个管理方式,讲完就可以跟进。做好了就会有口碑相传。比如有一家澳洲公司听另一家澳洲公司用了觉得效果不错,主动找上我们,口碑慢慢地就扩散了。

杨晓磊:你具体是怎么谈落地的?

李开复:大部分传统公司CEO,他要么相信AI,要么恐惧AI。他们可能都想好了战略,也准备好AI转型,但不知从哪里做起。首先我会说,你需要从承认不知道从哪里开始,你信不信任我来帮你做?谈好的话,下一步就是“麦肯锡”了。

我们有个咨询团队,很多来自麦肯锡、BCG、德勤等等。一般我是直接见到CEO的first coach,合作模式是先收一个类似麦肯锡但更低的费用,然后团队会去做一些访谈,基于我们的认知,做一个针对企业长期战略、技术边界、如何快速落地价值的一整套方法论,再从CEO顶层开始落地。

杨晓磊:我本以为你会排斥,开复老师好像变成“销冠”了,你是公司最大的Sales。

李开复:是最大的敲门砖。其实敲门并不辛苦。我近期去瑞士、伦敦、塞尔维亚、澳洲,不也是很快乐的生活?不忙我就去当地转转,假如我65岁退休,我不也是去这些城市吗?有活就一起做了。

杨晓磊:一号位工程就是一号位,你的个人投入需要很多。另外听你谈订单确实是奇怪的事,我还是有很冲击的观感。

李开复:回过头看这件事,为什么今天我有一个被信任的名声?很大程度要感谢星云大师当年对我的开导,那些可遇不可求的善缘,我心存感恩。

另一件事,是我即将出版的新书,本以为创业之后会没时间写作,但我还是把这些年沉淀的AI转型方法论,以及作为企业客户“首席AI战略顾问”的实战经验,都写进了这本书里。?书名叫《AI未来已来》,里面既有宏观战略,也有具体的方法论,系统拆解AI如何重塑CEO、组织和个人的领导力。我希望这本书能成为一把钥匙:对于真正需要的人来说,包括见客户时候,它可以直接点醒认知,找到知音。

杨晓磊:写书我理解是把认知、想法做系统的总结,对公众做公开的披露。

李开复:对。

杨晓磊:这会引发你的竞争对手产生在业务上的认知争议吗?

李开复:还好,“六小虎”打法都不一样,我不会去做智谱、Mini Max,或许也做不了,反过来也是一样。我觉得每家公司就应该看清楚自己的核心竞争力,把长板做到极致,把短板补起来,走自己的路就好。走着走着,有些老虎可能变成豹子狮子,有些可能变成恐龙了。

杨晓磊:今天国内的基模公司太多了,你担心这个事吗?

李开复:不担心。大家对自身优势很清楚,那就各做各的。麦当劳很赚钱,新荣记也很赚钱。因为Open Claw的出现,他们得到了一个很好的商业模式,有这么多收入。谁会放掉Anthropic一样的日子,还要从零去做另外一个东西,怎么可能?我是他们也不会做。

我觉得这一波中国AI公司还是非常有教养的,大家还是彼此学习、彼此认可。不像以前的几波浪潮,最后杀得你死我活。所以我也祝他们好运。

杨晓磊:眼下看到的高价值任务至少还可持续。

李开复:这是另一个问题。Open Claw能支撑多久,下一个会是什么?OPC能不能成?在这样一个千变万化的时代,大家都可能比想象中更成功,也可能只是昙花一现。

“我这人的追求一直没太变,只是时代变了”

杨晓磊:现在这套商业模式是怎么来的?哪些是路径依赖来的?哪些是市场剧烈变化导致不得不选择的结果?还是说,AI发展到了今天某个时间点,这一模式本身就是最优解?

李开复:这里绝不是说,我们的商业模式就是最好。我相信每家中国公司都梦想有Anthropic的商业模式,但我们必须务实。

为什么走到今天?毕竟我有这么多年的经验,我能看出什么时候客户眼中有火花,比如一个技术和产品,可以让他知道明年最大的三个风险,哪些是CEO应该知道但不知道的,或者团队哪些人技术超强、乐于助人,我应该认识他们,甚至哪些人近期有离职风险等等。

杨晓磊:你们能做到这个程度吗?

李开复:当然还有少量幻觉,需要CEO核实。我每天都在用了,我认为这就是对的方向。至于怎么找到的?你刚才说的不是完全错误,走投无路是比较不堪的说法,真实一点,是我看到国内商业化挑战很大,海外同样困难重重,但我们有独特的打法。

国内To B可以做,但必须有特?,我们先靠海外??步,把试错做了。

杨晓磊:你描述这个事,听上去确实挺打动人,很像拥有一个“CEO锦衣卫”。

李开复:CEO一般不可能亲自去做这个事,他可能派董秘,派HR去渗透。那直接交给AI不就知道了吗?

杨晓磊:按我之前的理解,这是个特苦的To B生意。

李开复:苦啊,我们的人要捏着鼻子去养鸡场,戴着硬帽子去矿场。你绝不可想象这是美国公司会干的事。

经过这些,那些希望在按摩舱里编程就改变世界的人自然会离开我们。你可能也看到,那段日子零一万物三分之一的人都想走,都在递简历。团队士气低落当然会是很痛苦的过程,但另一方面,也让那些看到商业价值的人留下来了。

杨晓磊:三年前创立零一万物的时候,我相信你有一个美好的预期,跟今天至少不完全一样。过程里有一些起伏和挑战,有人离职,甚至社媒也不完全像过去对开复老师全是正面消息或者崇拜。创业第一天的时候,你心里有过最差预期吗?上面这些算吗?

李开复:当然。最差比如钱烧完了,事没做成。上面是第二差预期,至少还有起死回生的机会。毕竟我在工场投了400家公司,创业百态统统看过,自己上船了,我对任何结果都有思想准备。

杨晓磊:注意到零一万物接下来要做一轮融资,然后要去上市了,当然部分原因是ARR、订单都能看得到了。但我记得很早之前你讲过,做零一万物短期不考虑变现,盈利不会变成公司唯一目标。这个上市动作不矛盾吗?

李开复:我没有说公司不准备变现,是我自己十年内不套现。公司变现是一个正常的里程碑,因为上市是最好的融资方法,只要公司做得好,就不用花太多时间在融资上面。第二是,卖产品的时候,上市公司会得到更高的公信力。

从创立到今天每一个采访我都说过一个灵魂拷问:抽掉所有的AI元素,你的PMF是不是可以上市?如果因为AI元素乘以1.5,OK,如果乘以100,那是站在一个很危险的悬崖上。

我做到了当时的承诺,我们做到了财务可上市,报表是拿得出手的,当然估值可能会低一点。当浪潮退去,看谁在裸泳的时候,我可以过灵魂拷问这一关。

我们还有很多事想做,至少得成为中国的Palantir,Palantir在美国有多强,我们就希望做一个在中国有多强的公司。所以需要更多的资金、更稳定的平台

杨晓磊:中国Palantir,还有别的路径吗?

李开复:刚开始是这样的。主权AI也是我们的特色。我们跟Palantir的做法不太一样。我觉得中国的Palantir可以有两个定义,一是服务国家关键战略项目,这类项目对安全和可靠性要求极高,从这个角度美国Palantir绝对有优势。另一个角度就是我们在做的产业AI转型。

零一万物与Palantir的路径差异在于,我们以主权AI为特色推动中国方案走出去,已在哈萨克斯坦等共建一带一路国家落地;同时聚焦产业AI转型,帮助企业创造真实价值,目前已服务多家国际标杆客户,并在武汉、内江形成可复制的城市级AI方案。

杨晓磊:有一个结论很残酷,科技发展跟大多数人并不相关。意思是不管科技怎么发展,大多数人都是螺丝钉,是被剥削的那个。科技是个“可怕”的力量,推动社会往前走的同时还加快了人的分层,前几天我看到一篇文章,口径甚至是“永久分层”。

李开复:那是比较客气的,还有一篇paper说,AI最后会让人类灭亡,理由是AI占有了所有生产力,人没有钱不消费,最后经济就倒掉了。这篇我不觉得完全正确,但阴谋论也好,对世界的担忧也好,确实是我们面临的。

杨晓磊:AI到底会把这个社会变成什么样?我发现大家都有一种很强的恐惧感,总觉得如果离AI远一点,就会被甩下去,就会被分层掉。我自己也有这种感觉,所以会去折腾模型,折腾Agent,折腾各种AI工具。

另外,科技发展好像跟大多数人并不相关,技术一直在加速分层,超级顶薪的人越来越强,普通人的机会越来越少。所以AI到底会把社会带到哪里?普通人又该怎么面对它?

李开复:像你这样的人其实是少数。AI今天最大的误区之一,就是很多人还没开始,就先把自己淘汰。他们脑子认定这是程序员的东西,我不会,于是机会就错过去了。还有一些企业,他们觉得找一家供应商,招个标,做个Agent就是AI转型,可最后大概率拿不到真正的价值。

今天你我都有一点布道者的责任。我想让更多人知道AI比想象强大,但其实用起来没有想象中那么复杂,而且一定要亲手去用,自己对AI有手感。我的新书就在讲这个事情,很多人告诉你的其实是错的,我希望更多人能上手去体验。刚刚我们讲的很多工具,其实每个CEO都可以用。

杨晓磊:如果把时间再拉长一点,人工智能过去五年到今天,甚至未来五年,有什么东西是始终不变的?还是说AI已经把很多不变的东西都改变了?

李开复:我本身对AI非常乐观,但AI的发展速度还是超过了我的想象,尤其过去一年半。在这种情况下,我们必须不断挑战自己过去的人生经验,不要糊弄自己。

杨晓磊:在具体工作里,我常有一种习惯,团队给我一个方案,我的第一反应是方案的方法可能是错的。我会把方案丢给AI,让AI来反过来看看哪里有问题。

李开复:我不同意。如果你的员工没有用AI来做方案,其实已经输在起跑线上了。当然,也许你比他更会用AI,你能发现他没发现的问题,但问题不应该是你去纠错,而是他为什么不用。

前一阵我跟一个名校学生聊天,他给我看毕业论文,想靠这个找工作。我问他,你写论文用大模型了吗?他说没有。我说为什么不?他说学校不允许。我就直接去找院长,问你们到底在干什么?今天企业里所有东西都是先让大模型开始做,然后我们再做判断。

人的价值不在于敲字,在于洞察,在于提出正确的问题,在于追问。我今天写任何一篇文章都会调用二三十甚至五十次模型。但我不觉得一个刚毕业的学生有能力写出同样的东西,因为真正的价值不是文字本身,而是那几十个问题,所以为什么要把时间浪费在写第一稿上?

杨晓磊:所以你已经彻底改变工作方式了?

李开复:彻底变了,彻底AI First。我现在已经没有0到1的思考,一定是AI先做,我再去筛选,再去思考。这不代表我停止思考,恰恰相反,我是把时间放在更重要的地方。为什么一定要从0开始?为什么不先让AI帮我跑一遍,甚至让不同模型先吵一架?吵完以后我再看。

有时候它们的结论我不认可,那我再从头思考,但多数时候总能指出一两个我忽略的东西。既然有一个IQ 300的免费助手,一双更犀利的眼睛光速帮你看遍全世界的文献?为什么还非要自己从头开始?那不是故意找自己的麻烦,觉得自己寿命太长。

杨晓磊:其实我刚才一直在想,你前面讲AI,讲零一万物,讲Palantir,但聊到最后又回到人,好像你越来越不觉得技术是最重要的。

李开复:技术当然重要,但技术一直都会变。我从PC时代走到互联网、移动互联网时代,再到今天AI时代,每一次革命最后留下来的都不是最会背技术参数的人,而是最愿意学习,最愿意承认自己错误,最愿意更新认知的人。

技术一直在变,人的好奇心和惯性其实都没变。所以失败很重要,失败逼着你更新自己。很多人真正的问题不是学不会,而是不愿承认自己过去那套东西不够用了。 很多企业也一样,嘴上都说相信AI,但真正让他改变管理、决策和组织方式,就不愿意了,因为太痛苦。承认过去做错了,本来就是一件痛苦的事情。

杨晓磊:所以你今天看AI,最大的挑战根本不是技术?

李开复:不是。技术问题最终都会被解决。今天解决不了,明天解决,美国解决不了,中国解决。

杨晓磊:那AI技术创业应该以什么论成败?

李开复:跟刚才一样的问题,做软件是不是一定要做Windows才算“皇冠明珠”,不然都是失败者?我希望成就的是整个世界拥抱AI,所以从没把零一万物的mission定为打造世界最强的基模或者应用,而是Make AI beneficial and accessible to every one,促使人工智能让人人受益。每个人都会说beneficial,OpenAI也说,但是前提是accessible,先要用得上。

谁不accessible?中国用不上美国的基模,哪些开发中国用不了,哪些传统行业不会用,这是跟我们mission符合的方向。你看得到我在哈萨克斯坦谈教育城乡的差别,AI可以解决一些问题。

我心中一直希望AI是好的东西,可AI带来最大的灾难其实是贫富差距,AI Native和非AI Native公司的差距越来越大。一种态度是,你可以说有钱人、创业者、billionaire,我就是AI Native,哪怕政府要来征我一点税救济其他人也OK,那其他人对不起,你们很不幸。

另一种态度就是人类都是平等的,凭什么Elon Musk那么多财富却不帮助别人?我尊敬他的才华,但这方面他没有显示出人性的光芒。所以我希望既能做成一个伟大的公司,也创造很大的价值。我们做的东西要帮大家更普及,不是帮助我一个人更富有。

杨晓磊:你的愿景从创业到今天没有变过?

李开复:没有变过。

杨晓磊:可不可以理解为,某种程度上,从《做最好的自己》到创新工场再到做零一万物,你其实是在做同一件事。

李开复:是。如果今天我只是做一家模型公司,其实没那么有意思。我更关心的是,怎么让原来不会用AI的人去用,怎么让更多企业真的转起来。我担心AI最大的风险不是用的人太多,而是太多人没用,最后形成越来越大的差距,AI Native的人越来越强,不会用AI的人越来越弱。

我这人的追求其实一直没太变,只是时代变了。二十年前,我希望帮助年轻人成长,后来希望帮创业者成长,今天希望帮助更多人拥抱AI,形式一直在变,底色没有太大变化。我一直觉得,当时代出现一个巨大机会,总要有人出来做一点事。如果不是我,那是谁呢?如果不是现在,那是什么时候呢?

投中网原创

注:文/投中网,文章来源:投中网(公众号ID:China-Venture),本文为作者独立观点,不代表亿邦动力立场。

【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。

已点赞

+1

{{ praise_text }}

好文章,值得被更多人看到

广告

下一篇

跨境电商资源对接

《全球跨境电商服务商资源手册》第二期手册现已发布,触达更多资源,了解跨境服务商信息,欢迎点击链接下载。

了解详情

美团扔出万亿参数大模型 本地生活赛道今夜无眠

这款模型最值得关注的,不是参数规模,而是它对美团AI应用带来的影响。