今天小編分享的财經經驗：剛剛，31歲的楊植麟回應一切，歡迎閱讀。
（圖片來源：钛媒體 App 編輯林志佳拍攝）
2023 年 11 月 16 日起，一款名為 Kimi 的 AI 應用產品在中國橫空出世、瞬間爆紅，在蘋果 App Store 應用商店的下載排名中，一度超越微信、抖音，衝到榜首。
被稱為 " 中國版 ChatGPT" 的免費 AI 應用 Kimi，能一口氣直接進行 200 萬字長文本處理，文筆比百度 " 文小言 "（文心一言）更加流暢自然，而且引發社交平台讨論，一度讓平台暫時 " 宕機 "。
今年 10 月，Kimi 智能助手月活超過 3600 萬人。
Kimi 智能助手背後的 " 締造者 "，來自一家創立約 579 天的 AI 公司 " 月之暗面 "（Moonshot AI），公司創始人、CEO 是一位 31 歲的連續創業者楊植麟。
楊植麟于清華大學計算機系畢業、美國卡内基美隆大學計算機博士，曾在 Meta AI 和 Google AI 研發團隊工作過，同時他也是 Transformer-XL 與 XLNet 兩篇重要論文的第一作者，兩者均涉及大語言模型領網域的核心技術，并且是中國 35 歲以下 NLP（自然語言處理）領網域引用量最高的研究者。回國後，他曾帶領團隊參與盤古大模型的核心技術研發，還帶領其聯合創立的 NLP 公司循環智能的產品研發。
随着 Kimi 智能助手爆火，過去 1 年多，無論是月之暗面，還是楊植麟本人，都面臨着巨大的争議與熱度。
首先，融資層面，月之暗面優異的 AI 技術、產品、應用和市場銷售能力，讓阿裡巴巴、騰訊、紅杉中國、美團、小紅書、招商局中國基金等機構一窩蜂搶投，數月前滿周歲時融資總額就已達數十億元人民币，公司估值已超過 200 億元。
其次，AI 大模型市場持續 " 狂飙 "，從 " 百模大戰 " 到 " 價格戰 "、落地應用競争、" 百變 AI 應用 " 等，大模型領網域競争加劇，MoE（混合專家）、AI 視頻、實時語音對話、多模态、開源閉源、端側模型等新技術新模式不斷湧現，而在此之前，Kimi 在部分產品功能層面是有所缺失的，而且在 Kimi 免費下，月之暗面每月大量投流和研發投入，導致市場開始懷疑其商業盈利能力和長期行業競争力。
最後，近期楊植麟 " 被仲裁風波 " 引發關注，金沙江創投等 5 家前投資人向媒體透露仲裁消息，讓更多人擔憂接下來公司的發展情況。
圍繞 " 昨天、今天和明天 " 話題，11 月 16 日下午，北京海澱京東科技大廈，閉關技術研發數月的楊植麟，在 Kimi Chat 全面開放一周年日，不僅發布了對标 o1 的全新 kimi 數學模型—— k0-math（未來一兩周内上線 kimi 探索版），并且與钛媒體 App 等對諸多話題進行溝通與回應。
談投放和成本：Kimi 留存率很重要，這與 AGI 有正相關作用
最近出現 AI 創業公司被收購、人才回流的現象，你怎麼看待當前 AI 發展現狀。
楊植麟：我們沒有遇到。我覺得也很正常，行業發展進入新的階段，之前有很多公司在做（大模型），現在有一些小公司在做，行業發展規律。
今年 2、3 月份開始，月之暗面開始聚焦和縮減（出海業務），我認為應該瘋狂做減法，更加聚焦。
提升留存率是很重要的，留存率和 AGI 是正相關過程，現在與 AGI 還有一定的距離，今天做的互動能力還很有限。
" 我們主動選擇做了業務的減法，應該聚焦把一個業務產品做好，大模型公司裡面人數最少，算力卡和人的比例做的最高，公司人員規模做的不會做的很大，業務做很多減法。你看，ChatGPT 有 5 億人次月活，已經是超級應用，當然也有其他應用很難‘破圈’，我們看到了美國市場的情況，選擇聚焦，跟 AGI 的未來發展有關，控制人數不要太多，而把更多聚焦到創新業務做好。"
此次公布的全新一代數學推理模型 k0-math。基準測試顯示，Kimi k0-math 的數學能力可對标全球領先的 OpenAI o1 系列可公開使用的兩個模型：o1-mini 和 o1-preview。在中考、高考、考研以及包含入門競賽題的 MATH 等 4 個數學基準測試中，k0-math 初代模型成績超過 o1-mini 和 o1-preview 模型。在兩個難度更大的競賽級别的數學題庫 OMNI-MATH 和 AIME 基準測試中，k0-math 初代模型的表現分别達到了 o1-mini 最高成績的 90% 和 83%。同時，Kimi 探索版也通過運用強化學習技術創新了搜索體驗，在意圖增強、信源分析和鏈式思考三大推理能力上實現突破。
Kimi 創始人楊植麟博士介紹，k0-math 模型和更強大的 Kimi 探索版，未來幾周将會分批陸續上線 Kimi 網頁版和 Kimi 智能助手 APP，幫助大家解決更有挑戰的數學和搜索調研類任務。
談與豆包競争：不應該關注競争本身
楊植麟：不應該更多關注競争本身，更多應該提升思考能力，用戶很大價值，能夠解決 AGI 能力。投流不是當下考慮的重要問題。
當然，大模式推理成本問題也很重要，因此，kimi 未來考慮次數限制，一個模型問題，每個用戶（100 次）有次數限制，讓用戶自己去選擇。早期，kimi 認為需要分配、動态更優的算力，需要想多久，簡單問題想的時間很短，這是更優的。
如今，算力成本在不斷下降的過程，所以依然有很大的空間。
談多模态：我們在内測
楊植麟：關于多模态，我們在内測，我覺得 AI 接下來很重要是思考和互動這兩個問題，然後我覺得，思考方面可能沒有互動更重啊喲，就是說或者不是說互動不重要，我覺得思考會決定你的上限，然後互動我覺得是一個必要條件。
談算力和 Scaling Law 瓶頸：訓練明年會到天花板，但 Scaling Law 還有更多空間
楊植麟：我覺得訓練還有空間，我覺得可能還有半代到一代模型的空間，所以但是這個空間基本上我覺得可能會在明年釋放出來，明年基本上我覺得領先的模型會把必須能做到一個比較極致的階段。
我覺得今天，比如說我們去看最好的模型，它可能還大概有這樣的空間可以去 " 壓榨 "，但是我們判斷，接下來可能最重點的東西可能還是會在強化學習，他的範式上可能會產生一些變化，我并不是說他不用調，只是說你會通過不同的方式去 Scaling，這個是我們的判斷。
然後你說，scaling Law 會不會是一個天花板，或者像現在其實我覺得我還比較相對來說比較樂觀一點。然後核心就在于說原來你用靜态數據集，靜态數據集其實你是比較簡單粗暴的使用方式，現在就是說你其實理論強化學習的方式，很多情況下你是有人在參與這個過程，但是人他沒有辦法說給你标注那麼多數據，他不可能把每道題具體的思路每道都給你标出來，所以你其實是把用 AI 本身去把人的東西加上一個杠杆，然後比如說你可能标 100 條數據，你就能產生非常大的作用，因為剩下他都是在自己在思考。
談數據泛濫和錯誤率優化：整個行業會變好
楊植麟：對于強化學習來說，這是需要自己生成的，獎勵模型效果，減少盡可能錯誤的東西，因此需要訓練更多的數據，設定獎勵機制，才可能解決數據泛濫等問題。
關于數據、算力和算法平衡問題，這是一個 " 蕩秋千 " 的過程，來回切換，此前在 GPT-4 上算力不夠，因此需要做更多的工程，但現在需要做更多的數據清洗，做更好質量的數據，而且機制算法的改變，這是整個行業的問題，加多少卡解決不了，因此算法層面需要做更多的 scaling。
中美大模型差距：我覺得創新能力更重要
楊植麟：這是一個好事。中美沒有什麼變化或者說差距，本來我一直覺得還是（中美）相對是一個常數，一直會 Pre-Train，明年可能不可持續，一段時間内算力不是瓶頸，創新能力很重要，對我們來說可能是一件好事。
因為他并不因為本來你不做預訓練，你可能今年 1 億明年 10 億或者 100 億，你就是受不了，它不一定可持續，這個時候你可能更多的創新能力是（對于中美 AI 聯系）更重要。
（本文首發于钛媒體 App，作者｜林志佳，編輯｜胡潤峰）
