王小川创业 8 个月：大模型还没到谈 PMF 的时候

这是王小川创业做大模型的第 8 个月。

很多过去行业的常识、惯性的做法，都不再适用当下的大模型时代，

王小川认为，当前很多大模型的应用，并没有真正扣应用户的需求，继续做下去会卷到大厂的竞争赛道里。

曾经红杉和 a16z 极力推崇的 PMF（产品/市场契合度）创业标准，因为技术范式的迭代和现状，不再适用于大模型应用的创业。王小川认为当前更需要寻找的是 TPF（技术/产品契合度），「不是一群产品经理先去考察市场，而是应该先思考，当前不完美的（大模型）技术，适合用来做什么产品。」

过去人们习惯开发工具，但「我们用 AI 造的，不是工具，而是一个新的『物种』」。

在极客公园创新大会 2024 上，王小川分享了他在八个月实践后，对大模型落地的新理解，以及在新一轮技术浪潮下创业的思考沉淀。

以下是百川智能创始人、CEO 王小川与极客公园创始人 & 总裁张鹏的对谈，经编辑整理。

01

国王与画匠

寻找 AI Native 的寓言

张鹏：刚刚 Robin（李彦宏） 也说到，至今也不是很确定什么是 AI 时代的 super app，那我们应该从哪出发？

我们之前做产品时，会先制定一个 PMF（Product-Market Fit，产品市场契合度），现在呢？

王小川：有两个层面，一个是「拉远」，一个是「拉近」。

「拉远」就是重构，在原有的应用中去做改变，比如说，「微信再重构一次」，但这个思考角度会把我们的思路限制住。

于是，我想继续「拉远」，如果不把市场当作是这个 super app 的远期目标，而是对人的根本诉求的满足呢？

人需要这三样东西：健康、快乐、创造力。前两个无需多讲。至于创造力，人都希望自己的存在会让世界因此变得不同。那 AI 应用怎么帮助人们去改变世界呢？就像「DIKW 模型」（Data-to-Information-to-Knowledge-to-Wisdom Model）这个概念一样，它为人提供信息，提供知识，甚至是智慧。这就是一个远大愿景。

而目前很多 AI 应用，比如营销文案撰写，客服对话……这些在我看来，没回到人的根本需求里去；再者，如果大家还这么做，也会和大厂卷入一个竞争赛道。

再说「拉近」，你刚提到 PMF——产品市场契合度，现在我想提出一个新词，「TPF」（Technology-Product Fit，技术产品契合度），之前人们只讲求产品和市场的 match，把技术给丢了。我们以前做淘宝、微信时，技术虽说是瓶颈，但只要工程师的水平上去，成本拉上去，基本能够突破这个瓶颈。而现在的 AI 技术，它本身就有一些不完美和不确定性。比如幻觉、时效性等问题，只会自然语言，技术本身有局限性，有不完美所在。

既然 AI 技术有这么多的不完美，那就不应该是先派出一堆产品经理去想市场，洞察完了回来就开始做，而是应该先思考这么一个目前不完美的技术，适合用来做什么产品。

这里我想聊聊 Character.AI，他们公司的创始人（Noam Shazeer），Transformer 论文作者之一，并非产品背景出身。他非常清楚大模型这种底层技术，知道它肯定会犯错，因此他先拿大模型来做娱乐向产品，再之后，他想到这个技术首先能承载自然对话的形式，于是他就把产品做成一个个角色，一个个人设。

张鹏：放在娱乐化的场景里，缺点就变成了特点。

王小川：之前，我们在造工具，工具有很多确定性；现在，我们用 AI 造的，不是工具，而是伙伴——一个新物种，一个更像人的应用。它有优点，也有缺点，就和人一样。人有幻觉，我们也能用，那为什么机器有幻觉，我们就不用了呢？最后还是回到具体技术要匹配到什么需求上。

这对产品经理来讲是有要求的，公司一号位带着产品经理要产生这样一个共鸣：对这个技术，什么事究竟它擅长，什么事不擅长。

再讲一个故事，以前有个国王，瞎了一只眼睛，瘸了一条腿，但他特别自恋，就把全国的画师拉来为他画自画像，结果是画一个杀一个。因为有人画的太像，因诋毁形象被杀；有人刻意美化，因为欺骗君王被杀……直到有个画师，画了张国王打猎的画像，国王因为站在大石块上，瘸腿的缺陷会被遮盖，拉弓的一瞬间国王的那个眼睛也闭上了，这么一来，既不诋毁，又不美化，一下就兼顾了。

所以，我觉得现在的产品经理，应该明确 AI 技术有所长，有所不长，去做 TPF 这样的匹配和兼顾。

02

PMF 考核用户量

TPF 要看测试集

张鹏：PMF 我们是会设定一定的目标，能在某些指标上看到我完成了 PMF，而 TPF 这个事情在今天看来是一个起点，如果说未来我们要做 super app，什么情况下可以认为是做好了 TPF 呢？

王小川：以前，产品经理更多是写个文档，描述功能、定义和要求，画个结构设计图给老板看：产品长这样就能满足用户什么样的需求，功能又是如何每步都精确做到的。

但这种方法论在大模型场景里不适用。因为你每给大模型一个输入，它的输出都是不确定的，面对这种非唯一的对应关系，你很难用一套演绎规则就能做好。

那现在怎么办？你得把它拆解开，变成一堆评测集 ，也就是模型在什么输入上能给什么输出的一个测试集合。产品经理不仅要去定义这个产品，还要把定义的产品转化成评测集。

这个时候，产品经理拿着评测集去找对口的算法人员，后者通过调 prompt、SFT（supervised fine-tuning）、Post-training 等不同方法去优化算法。也就是说，产品经理去定义评测集，（技术）算法寻找数据集（或叫训练集）训练系统，以满足评测集。

张鹏：就像是给大模型定个 OKR？

王小川：只要干过算法的工程师都会适应这样一种工作方法，给他们一种既给评测集又留白的方式，在我们内部已经变成一种标准工作方法。算法驱动型的产品，用的就是评测集驱动的方式。

之前在互联网高速发展的阶段，技术已经不是阻碍的要素了，甚至产品开发已经不是算法驱动，而是工程驱动，只是执行快慢的不同而已。

（大模型时代），PMF 不是不对，只是我们缺了一层 TPF，这会使得我们最后发现，不是说产品出来之后市场不满足，而是我们一直在迭代，做不到一个阶段性的产品出来。

张鹏：你刚才提到的「设定目标 – 转化评测集 – 让数据集有效训练出满足评测集的要求」，这是你们开发的引擎？

王小川：对，这就叫 AI Native。如果是 AGI Native 的话，需要把 AGI 的模型能力更加深入融合进去。

张鹏：再追问一下，判断 TPF 做得不错，是说产品的用户量起来了？还是用户评价你的产品体验很好？拿什么判断？

王小川：TPF 对产品经理有要求，在产品面世之前，要满足两条。

第一，要能够把需求转化成一个测试集，这个测试集能够使得技术工程师在满足过程（目标）的时候，也发现结果是在进步的。

第二，一旦做好 demo，也能发现用户提的需求，他可能是简单一句话提的需求，这个需求分布跟产品经理的评测集的分布是一致的。

这里用了一个统计/概率的概念，用户需求的分布跟产品经理测试集的分布是一致的，而且评测集的结果是满足用户需求的。所以 TPF 是用测试集的形式来满足的，一方面内部指标满足，然后面世的时候，PMF 反馈会反应用户的需求反馈跟测试集的分布是不是一致，用户是否满意。

张鹏：所以用户先要用得爽，还是用得好？前者就是一下子爆发、起势，后者是可以一步步来。今天我们应该追求一下子做爆？还是一层层地，先解决少数人的问题，再解决多数人的？

王小川：其实两者不矛盾。

但什么是做得好？你很容易和自己比，自己比自己好，一不小心就落入大厂人的老习惯里。如果是成熟大厂，那好 20% 到 30%，已经有巨大的收益；但如果是创业公司，做出的 AI Native 应用，一开始就要让用户用得爽。在满足特定类的需求中，你的产品必须提供 10 倍于竞品的爽感，不是好一点，要让人有惊喜感。

因为在今天，大模型并非全能，你只能选亮点，做出 10 倍优秀的来，周边（功能）是 5 倍、3 倍甚至更差的，这样你的波峰就拉得足够高了，后面再逐步将它拓宽。如果一款产品一开始不让你爽，不到一定高度，只是比原来好一些，是不够用的。

03

新时代的创业者

首先要是大模型的超级玩家

张鹏：产品范式进化之下，面对新变局（新范式），创业者应该如何入场？

比如刚刚这么兴奋的在聊现在做产品的范式不一样，我们要做新范式下的产品经理。他们应该怎么出发呢？不是所有人都像你，做过搜索，做过很大的产品。我们不能每个人都打这个标签才能入场。其他人应该怎么入场？

王小川：我认为要看公司属性。一种公司是端到端的，它（公司）本身是既要做应用，也要做模型；另外一种公司是不怎么碰模型或者用小模型解决，更多是做应用的。因此我认为在路径上会有一些不同，但通常有一个必要的前提——成为大模型用户，就是要把自己当成一个大模型时代的粉丝，去狂热的体验，去感受大模型给（你）带来了什么样的不同之处，先去好奇，去欣赏，去感受（它）做的好不好。

张鹏：某种程度上得先成为一个大模型的超级用户。

王小川：（你）要把市面上的产品都用到了，极客公园的读者们是天生有这样的动力，充满这样的好奇心的。用起来之后，你的灵感就会冒出来，就会知道这件事情什么是它擅长的，由此再（把它）变成你后面产品的构思。

04

未来两年想做 Super-App

还是得加入大模型公司

张鹏：在今天这个技术涨潮的过程中，可能就得先跟着它一起往上涨，得离它近一点才能考虑怎么运用它。

今天，公司不断在发展，你在选人的时候，会关注他的什么气质，或者哪些历史经验？

王小川：百川明年要发超级应用，目前还是在路上。我认为今天离目标还没有做到足够的好，那我们只能谈部分的经验，和过程中看到的不足所带来的一些想象。

我们蛮希望选有经验的人，如果你真的没（产品）经验，就是小白一个，这种情况反而会更有要求。比如，你要能把产品完整的画面感抛出来。

你需要对大模型未来长什么样，包括里面有什么东西是有充分的准备的，就是你要有好奇心、想象力能推动你能做出什么东西，得具备这样一个能耐。同时，我们希望你之前有传统的经验，得把它打散掉，去滋养大模样的产品。

我们遇到的不少产品经理，有一套很完整的思维范式和框架。但是做大模型的时候，他想把大模型的技术带到原有的框架范式里面去，而不是把原有的东西再解构出来，这就会带来巨大的挑战。

因此，我们希望（你）既有之前的成功经验，但是又能够把自己的经验打散，去滋养大模型，还能想象出大模型的新样子，是既要又要的阶段。

如今，中国和美国面临的环境不一样，百川和国内其他大模型公司都是争分夺秒的状态，在这种情况下，公司大概率不会给你三年或者五年的时间去探索。在主力方向的情况下，我们的要求就是既要又要——要有之前的经验，又要能把自己推翻融入。

张鹏：那如果我在某个领域有经验，但是没有技术能力，能不能自己独立去做应用的探索？比如我在健康领域有多年积累的经验，又具备你说的特质，我是选择加入你们？还是也可以在这方面接入别人的模型做探索？

王小川：两个道路大家都会做。

会有人自己探索，但探索过程中很有可能会遇到无力感，就是模型的支持，调优 Prompt，走着走着发现走不动了，因此在今天，我觉得在中国的环境里，更有机会的话，还是加入到一家大模型公司。因为今天应用还没有做到独立铺开做（的阶段）。虽然有文章说可以调大模型自己做应用，但其实这个时代还没到。

我认为，未来的两年时间内，更多的是加入一家（大模型）公司，能够获得平台级的支持，帮助你把原有经验打散融入，这样做超级应用成功的概率要大很多，做小应用不一定，但做大的事情要与大模型公司有充分的互动。

05

今天的大模型是「快思考」

AI 需要「慢思考」

张鹏：刚刚大家聊到 OpenAI drama 背后可能有一些技术的关键因素，甚至谈到 Q*（Q-Star）） 可能有「慢思考」，我不知道你有没有关注这件事？ 

王小川：今年筹备大模型（创业），4 月正式成立公司，我当时提了几个关键词，一个「搜索增强」，第二个「强化学习」。

当时提出这点，就是已经看到大模型本身代表了一种「快思考」的方式，Transformer 就是像人一样，「一拍脑袋我给你答案，张口就能说」。它的学习方法和应用推理方法上存在自己的不足，（所以）以大模型为原点，肯定不够。

因此当时我们认为，强化学习会对这件事有很大的帮助。

就「慢思考」而言，我在百川的工作里也一直非常关注这个领域。今天大部分（技术路线）代表着「快思考」，它需要「慢思考」。

说两点自己的见解，一个来说的话，快思考的「思」其实都不叫作思，慢思考的话我认为才有「思」。所以我就提出了一个新的词，以 OpenAI 为代表的大模型，它的知识是「学」过来的，并不强调推理的时候怎么思。孔子有句话是「学而不思则罔，思而不学则殆」，具体投射的话，大模型其实是「学」，其实并不「思」，不像人一样会来回琢磨，把想象空间打开。

那什么系统在思呢？反倒是 OpenAI 刚成立公司的时候，以及 DeepMind（之前）做的事情——像 AlphaZero 和打游戏， 这个是在「思」。但那个是强化学习，甚至是多智能体的对抗。AlphaZero 不是个学习系统，它把之前的 6000 万棋局都扔掉了，反而是两个 AlphaZero 自己内部对抗博弈，在博弈中找到了一种新的理解，最后通了，这样就有了「思」。

但 AlphaZero「思」完之后，只是停在了原地，只是做特定的任务，没办法把它拓展到其他的领域里。因此我们说大模型（LLM）代表了学，AlphaZero 代表了「思」，如果这两个系统结合在一块就会很厉害。 

张鹏：嗯，所以接下来很重要的是真正做到「学」和「思」要合在一起。 

王小川：具体我们想象一个场景，不过这不代表 Q*是怎么做的。

你问大模型围棋是怎么下的，它其实不会下，做不好。但大模型能判断围棋的输赢吗？它是能够判定的，大模型可以写代码来判断围棋的输赢。甚至说，你再让它写一段代码，在每走一步棋之后，判断棋局的状态转移，它也是能够写出来的。

所以我们可以想象一下，如果大模型足够强，虽然它不会直接下围棋，它可以写出下围棋的 Transaction function（状态迁移）的代码，和最后判断围棋输赢的代码，也就是说，大模型有机会写出 AlphaGo 的代码，运行（代码）后它就会下棋了，这件事是有可能发生的。

因此我们在想 Q*的时候，在内部猜想大模型是有机会生产出一些用来思考的框架，然后用传统方式来「思」。

06

理想上慢一步

落地上快三步

张鹏：（海外）那边的技术还在不断地向前面的边界做探索，这让人觉得很有压力，你也做大模型，压力转给你，你觉得这个距离怎么丈量？能缩短吗，甚至说未来（我们）能自己创造有所不同的价值吗？ 

王小川：之前我提过一种说法「理想上慢一步，落地上快三步」，其实最开始不是这么说的，最开始是「理想上慢半步，落地上快一步」，后来去美国（学习）回来后把理想折了个半，就变成了「慢一步」，在落地上乘了个 3，叫「快三步」。 

张鹏：怎么理解「理想上慢一步，落地上快三步」？ 

王小川：跟他们接触之后，我认为双方思考的底层是不一样的。

OpenAI 原生是一个非营利组织，就想探索 AGI 的边界，而且他们真的是这么做的。所以他们在想问题的时候，出发点根本就不在一个世界，跟他们拼理想这件事，是有距离的。这种情况下，人和公司都要找到自己的定位。但是在这个土壤里我们确实要有一个自信，就是我们有机会在应用落地里走得更快。

就像华为造 GPU 处理器，可能没有那么好的高精尖设备，但不代表我们不能造出东西，甚至来说（可能）在本土能够跑得更快。

也许随着我们的用户规模更大、数据积累更大，技术积累上应用走的足够高，甚至还能（拓展）到美国市场去用。这种情况下不代表说一定要到 GPT-4、GPT-5 或者 GPT-6 才有机会去做应用，在不同土壤（是可以）长出不同的东西的。

我觉得做应用这件事情是中国传统的一个强项，同样是创新。那我反而认为这是公平的，相对美国而言，我们在理想往前走这方面会比他们弱，但我们应用上会更加的快，中国公司反而面临着一个更好的机会。

尤其是在今天的美国，OpenAI 一家独大的情况下，做应用的公司得迎着 OpenAI，它的技术做到什么样，你才能做什么样的应用。但国内是模型公司自己在做应用，这种端到端的连贯性，是有机会在一些领域里把应用（比美国）更快落地跑出来的。 

张鹏：你说的这个蛮启发的，我们有的时候肯定很愿意去追求一个很理想、很有使命感的伟大的事情。但是如果说 AGI 是一个大进程，我们可以加入这个「团队」，他们可能是前锋，在突破边界，我们可能是自由人或者后腰，在团队里是有意义的。比如我们把（技术）落地下来变成有意义的东西。所以就是加入团队的感觉。

王小川：这两个层面都可以这么推导。

作为世界公民，作为中国的公司，在世界上有你的分工，这不是一个敌我的、只是竞争的关系。他们的发明我们尊重，我们该追赶，但我们也可以有自己独有的贡献，而不是我认为我需要自己，（但）这世界并不需要我。

张鹏：蛮好的，看来这一波创业里找到了一个跟自己和解的点：就是我们在一个世界的有意义（AI 创业）的 game 里，成为了一个 team member，未必每个人都要成为前锋。

07

百川创业八个月

开始沉淀大模型方法论

张鹏：最后一个问题，关于创业的心态，我们都知道 4 月份的时候每个人都很兴奋，现在跑了 8 个月了，一开始的兴奋估计也被磨掉了，创业还是很难的。今天，在沉淀一段时间后，你这次创业的心态是怎样的？目标呢？

王小川：4 月到 12 月，确实团队跑得非常快，也成长得非常迅速。现在的话，我认为到了一个开始去沉淀大模型方法论的时期。虽然我们觉得之前的技术能力、产品观等经验都足够，但实际工作的时候，会觉得还不够轻巧。

有时候会发现，有些团队资源相对少，但是因为找到了适合大模型的方法，能更轻巧地用好已有模型，帮助自己构思灵感，做原型，然后跟技术做联动。

到这个阶段的话，我觉得是在共同探索大模型方法里，最有效的大模型跟应用之间联动的状态，我们的认知也是在不断提高的。我觉得一个好的状态是每次看一个月前的自己，都觉得是傻子。以前工作的时候，是以周的速度在迭代，现在没到那么敏捷的状态，以月为状态看待自己的不足。

在这里面，我们的管理层、产品经理共同去调整自己原有的工作方法，去获得大模型时代的方法论。 

张鹏：所以这个是你认为让你很享受的状态。

王小川：对，就每天自己都在进步，而且还有多维的成长，不只是说自己会了这些事情，想法比事情要领先半步。但有时候，你会发现走一走，又会有更好的想法出来。

张鹏：那公司的目标呢，再过 5 年做到什么样会让你觉得比较满足？

王小川：在帮助人创造、健康、快乐理念，我们在这三个方面都有超级应用的探索。但不用到 5 年，5 年真的不敢想，是因为技术发展的高度可能不是今天的我们能理解的。

我们的技术人员都感叹说每天的新论文、新的发展，让所有人有一种强烈的推背感。这种情况下，我认为在两年内，能证明大模型确实是可以做去超级应用的，像互联网时代给人类带来的巨大的帮助和希望一样，两年内帮助大家体验到、用到。这是能够抱有的信念。

5 年时间，我想象的可能都是全新的玩法了，比如地上都是机器人在跑，大家带着 VR 眼镜，每个人的 Avatar 分身都出来了。5 年时间太长了，能够想到 2 年后的画面我就挺满足了。

文章来自于微信公众号 “Founder Park”，作者 “Founder Park”