MinaMax 创始人访谈拆解 | 千逐的个人博客

type

status

date

slug

summary

Step 1：一句话主题 + 5个关键词

一句话主题：我看见一种“反直觉但自洽”的创业路径——用第一性原理把AI当成可规模化工程，靠人才组织与技术路线的统一，在资源更少的情况下做出多模态第一梯队，并把商业化当成技术做对后的“结果”。

关键词：多模态先走通再整合 / Scaling思维 / 成本约束下的创新 / 人才画像而非岗位 / 技术领先→收入跳变

一、他的底色：从“小县城自学者”到“用组织做Scaling的人”

我对他的“人物底色”最有共鸣的，不是“清华博士后”“商汤副总裁”这些标签，而是三条因果链：

1) 资源匮乏 → 自学成瘾 → 第一性原理信仰

他反复讲“教育资源匮乏”“只能自己学”“小学就帮初中生答疑”。我把它翻译成一句话：

当外部资源不足时，唯一可靠的能力是“自我构建知识体系”。

这会直接塑造一个人的决策风格：

不迷信经验（甚至明确说：过去十年的AI研究经验“很多没用”）

更偏好可拆解、可验证、可迭代的目标（算法、数据链路、训练效率都能拆成优化问题）

我反思：我过去做产品，太容易把“经验”当护城河；但在AI这种技术迭代极快的领域，经验反而可能是枷锁。

2) 长期正反馈 → 敢做长期赌注

他小时候“调皮但被鼓励”，老师不断给正向反馈。后来在大公司做技术线，经历“连续一年半倒数”但最后反超并长期第一。

我读到的是：他能承受长时间“负反馈”而不崩盘，并且能把痛苦转成结构化复盘。

这类人创业时会更敢押注“长坡厚雪”的路线（比如语言模型两年没直接业务价值也坚持）。

3) 外表沉稳、内心火热 → 自我要求极高（甚至“自我PUA”）

他多次说“我们本可以更好”“核心是认知不够”。我不把这当鸡汤，而当作一种CEO的迭代习惯：

把组织的上限，长期绑定在自己“认知升级速度”上。

我反思：PM常见毛病是“怪资源、怪研发、怪周期”。他这套是把矛盾先揽到“认知不足”，再逼自己做结构化升级——这对我很有刺激。

二、关键决策链条：一连串“看起来找死”的选择，其实同一个底层逻辑

这段访谈里最密集的“反直觉决策”有四个，我试着还原他的判断依据（并加上我的可复用版本）。

决策1：2021左右就创业（比爆发早一年）

他的判断：看到OpenAI 的 GPT-3 论文后意识到“一个模型解决很多问题”是本质变化；而传统AI成功者会被路径依赖锁住。

我的可复用版本：

识别“范式迁移信号”不是看产品爆红，而是看能力边界是否从“单点模型”变成“通用能力”。

一旦出现通用能力雏形，先发优势不是“先做个APP”，而是先把研发组织形态换掉。

决策2：创业公司“啥都干”——语音/视频/文本/音乐都做

表面问题：不聚焦。

他的底层定义：AGI必然是多模态输入 + 动态输出，所以必须先把每个模态“走通”，时机成熟再整合。

我学到的框架：

“先走通、后整合”策略适用于：

终局确定会融合（多模态）

每条链路都很难、且无法等别人做好再接（否则卡脖子）

组织能承受多线推进（靠共享底座）

我对照自己：做产品时我常把“聚焦”理解成“只做一条线”。但他这套是“多线并进，底座统一”，关键不是线多，而是统一的Scaling底座。

决策3：一开始就To C + 国际化（甚至人都在中国）

他的三个原则：

直接服务用户，不做项目

必须国际化（国内很可能被迫免费、创业公司活不下去）

必须技术驱动（商业化是结果，不是先优化融资/营收）

我的提炼：这是一个“生态与现金流”视角的组合拳：

国际化不是情怀，是付费习惯 + 竞争强度带来的“逼真进步”环境

To C不是为了做渠道，而是为了验证“模型即产品”的真实体验闭环

决策4：技术路线选“可Scaling的朴素方法”，不迷信花哨理论

他把新一代AI的核心说成“scaling”，并强调：语言/视觉/声音差异没那么大，很多方法几乎一样。

我学到的工程化心法：

“方法朴素”不是低级，而是为了让数据与算力增长时，效果能持续涨

真正的竞争力在：实验组织方式、迭代速度、优化目标一致性

三、方法论沉淀：我能直接拿来用的 4 个思维模型

模型1：“技术领先 → 收入跳变”双目标经营

他讲融资不靠嘴，而靠两件事：

技术领先性

技术领先带来收入跃迁（每实现一次，规模就上一个量级）

我拿走的经营公式：

领先性 = 可被一测就知道
跳变 = 不是线性增长，而是跨过某个能力阈值后“市场愿意付更高单价/更高频使用”

PM可执行动作：

把 roadmap 里的“功能交付”改成“能力阈值”（例如：能把某类任务从 60 分推到 85 分）

每个能力阈值对应一个明确的“谁会因此愿意付更多钱”的场景

模型2：“约束逼创新”：算力差距 → 方法不一样 → 反而追近

他解释中国能用更少的钱追到只差5%：

人才密度高

算力约束迫使更创新（不是拿来主义）

我学到的“约束设计”（对做产品同样适用）：

不要把资源不足当借口，把它当“强制创新机制”

关键是把约束落到“优化目标”里：成本、延迟、部署、交互链路必须被纳入设计，而不是最后才补

模型3：组织像模型：多样性越高，上限越高

他把组织类比模型的“多样性（diversity）”：

传统公司：一种文化模板化

大公司：很多岗位画像

他想要：几种“人才画像”可排列组合做很多事，边界更模糊，阶段性主导权流动

我把它变成一个PM的组织诊断表：

我们是在“岗位驱动”（你就干你那块）还是“阶段驱动”（不同阶段换主导）？

跨职能协作的摩擦，来自个人能力不足，还是来自组织定义错误？

有没有把“产研设”协作升级成“共同优化单一目标”（比如模型能力/体验阈值）？

模型4：OKR在AI研发里失灵：因为不确定性太大

他很直白：OKR行不通、KPI更不通，“现在没有工具”。

我听到的是一个更底层的事实：

当研发结果高度不确定、但必须对外承诺时，管理系统需要新范式。

我暂时能抄走的替代思路（偏实践）：

不以“结果承诺”驱动，而以“实验计划 + 风险清单 + 里程碑验证方式”驱动

目标可以清晰（下一代模型要到哪），但路径必须允许反复试错

组织要围绕“单一目标优化”，减少各自scope造成的局部最优

四、我作为PM最直接的收获：我明天就能改的 6 件事

这部分我强行把“启发”变成“动作”，不然三天后就只剩感慨。

1) 我会把“聚焦”从“少做事”改成“底座统一”

以前我：聚焦=砍需求

现在我：聚焦=统一优化目标，让所有模块服务同一个“能力阈值”

2) 我会更谨慎地拿“经验”做决策依据

经验在范式迁移期可能是负资产

我会问自己：这是“规律”还是“旧范式的惯性”？

3) 我会把产品设计写成“可验证题目”

他讲“可量化、可评估的东西，模型一定会超过人”。

对PM来说就是：

把需求从“感觉更好”写成“可判定更好”

用评测/对照实验，让团队围绕同一套判题标准迭代

4) 我会更早用AI把“原型权”拿回到产品侧

他提到：PM现在可以自己做原型，拿“3个demo”而不是PRD去推动。

我的动作：

每个新想法先做 demo（哪怕粗糙），再写PRD

PRD只服务“要不要投入工程化”的决策，而不是创意表达

5) 我会重新理解“模型即产品”

这句话以前让我恐慌（PM会不会被替代），现在我理解成：

PM的价值会从“流程协调”转向“定义智能、定义评测、定义交互闭环”

我不再跟模型抢“写文档”，而是抢“定义目标函数”

6) 我会更坦然面对“边界模糊”

未来更像：产品/研发/算法在不同阶段轮流主导。

我的新定位：做那个能把“目标函数”讲清楚并让全员对齐的人。

五、这场访谈里让我记住的“认知金句”（我用自己的话复述）

注：不是逐字引用，我更在意它背后的“可用性”。

AGI不是单模态的堆叠，是多模态输入、动态输出的整合。

打动我：它解释了“为什么看起来不聚焦，其实是在为终局铺路”。

商业化不是先优化融资和收入，而是技术做到行业需要你时的结果。

打动我：这是典型“反KPI”思维，但在技术跃迁期可能更接近真相。

在成本约束下做取舍，所以不会一家通吃。

打动我：它给了我一个更经济学的视角——模型像车，参数与成本决定多品牌共存。

组织的多样性决定上限。

打动我：我第一次看到“模型能力”与“组织能力”用同一套隐喻讲通。

可验证的问题，模型一定会追平甚至超过最强人类。

打动我：它逼我把PM工作从“感觉好”升级到“可判题”。

六、总结：这是一个“用第一性原理把组织做成Scaling机器”的故事

如果三年后我创业或在大厂做AI产品遇到困境，我希望自己翻到这篇笔记时能记住三句话：

别把AI当互联网延续，它会重写分工、重写组织、重写产品的定义。

别迷信经验，要迷信“可拆解、可验证、可迭代”的客观规律。

真正的差异化，不是喊口号，是把“统一目标函数”贯彻到技术路线与组织结构里。

把他谈到的“多模态整合、国际化、开源/闭源、组织形态、AI对PM岗位的冲击”各自整理成一页纸决策框架（每页包含：适用条件/反例/检查清单/我该怎么做）。