離開meta三個月后的國內首訪：田淵棟的科學與詩

「Throw A Stone 投石問溪」：Creekstone 官方播客訪談系列。我們訪談最一線的創業者、最前沿的研究者，和 AI 道路上最有趣深刻的同路人。致力于連接全球頂尖AI研究者與中國創業生態，尋找下一個時代的原生變量。

完整訪談將在小宇宙上線音頻、公眾號上線文字、小紅書上線精彩視頻片段，

歡迎轉載與一切可能的合作，讓我們一起連接思考，探索偉大。

CREEK STONE

過去 3 年的AI圈只有一種味道：暴力。

算力暴力、數據暴力、參數暴力。所有人都在卷同一件事：怎么用更多的資源堆出更強的模型。

Scaling Law成了這個時代的宗教，大力出奇跡仿佛已變成唯一的信仰。

而田淵棟卻選擇了一條更寂寞的路。

作為Meta FAIR曾經的資深首席研究員，LLaMA和OpenGo背后的關鍵推手，

他的研究從破解圍棋的機制到優化大模型的肌理，

做的事情從來只有一件：打開黑箱，找到底層邏輯。

三個月前，他離開了效力十一年的Meta。

我們有幸在春節前在硅谷一起吃飯，深入聊了很久。

聊了他從上海內向少年到硅谷頂級研究員的來時路，聊了大廠組織病變的結構性原因，聊了他對Transformer架構根本局限的判斷，聊到了那個讓我們在談話間隙陷入長久沉默的理論——“費米線”。

我們想了解，一個頂級頭腦在奇點臨近時，對人類命運最誠實的思考。這份思維之美，讓我們懇切邀請田老師做一次專訪，作為Creekstone 投石問溪深度訪談內容的開篇，讓更多人一起加入面向未來之旅，希望給想要探索創業的伙伴，一些真知灼見。

在進入完整對話前，我們提煉了對話中

田老師的5個核心判斷：

1、AI正在劃定一條不斷上移的“費米線”：線下的重復性技能因無限供給而價值歸零，唯有具備獨一無二創造力、能解決深層難題的人，才能在未來幸存。

2、硅谷巨頭正陷入嚴重的“組織病變”：層層過濾的匯報機制讓高層對真實技術進度一無所知，激進的目標最終只能靠底層的“Hack”和泡沫來維持。

3、Transformer架構已近十年未變，修修補補沒有意義；算法的進化不存在中間狀態，線性注意力無法替代全注意力，下一代架構必須是徹底的推倒重來。

4、在Scaling Law成為宗教的時代，盲目堆砌算力是一種偷懶；真正的突破在于“打開黑箱”，搞清楚智能涌現背后的物理機制和底層邏輯。

5、現有的梯度下降和概率預測模型，可能永遠無法模擬人類的“頓悟”瞬間；要實現真正的人類水平智能，整個訓練算法或許都需要被徹底替換。

以下是我們和田淵棟的完整談話：

人與成長

Creekstone ：您能介紹一下自己的成長和職業經歷嗎？

田淵棟：我是上海人，在上海出生長大到二十幾歲。后來去北京有一些實習機會，包括在微軟亞洲研究院，那段經歷讓我看到了更大的天地，萌生了出國的念頭。

2008年去卡內基梅隆大學讀博士，五年后的2013年畢業。畢業后先去了谷歌無人車，待了約一年三個月，之后加入Meta，前后將近11年。這期間做了很多項目：圍棋Bot、用強化學習解決優化問題、打開大模型黑箱、大模型優化與推理、LLaMA相關工作，還有強化學習方面的工作。

Creekstone ：您的MBTI是？

田淵棟：可能是INTP或INTJ，最后一個字母不是很確定。我覺得這要看跟誰比，如果跟非常J（判斷型）的人比，我可能是P（感知型）；但如果跟比較P的人比，我又有可能是J。

不過，我確定是I（內向型），因為我確實能夠在獨處中獲得能量。但I人也可以偽裝成E人（外向型）。在過去十幾年的學術和博士階段的鍛煉中，我慢慢掌握了這種方法，也發現了和別人交流的樂趣。其實在2008年之前，我應該是一個完全的I人，非常內向，不太愿意說話。

Creekstone ：中美兩種學術科研環境，對您的性格塑造有什么影響？

田淵棟：中國的環境相對來說二元化比較嚴重。從小到大，作為“好學生”，大家會有意無意地給自己貼上標簽，認為好學生就應該少說話，好好做題，把事情做完，不要聲張。環境會把人清晰地分為兩類：要么是能說會道的sales，要么是埋頭干活的工程師。

來到美國后，我發現情況很不一樣。很多人可以同時具備I和E的特質，他們既愿意表達，也能靜下心來把事情做好。這也讓我的個人特質有了一次積極的升級。

另外，中國的環境里“negative reward”（負向激勵）特別多，而“positive reward”（正向激勵）很少。這樣的環境不太鼓勵探索，因為到處都是限制，似乎只有一條路是正確的。而在一個更多元化的環境里，你會發現各種各樣的正向激勵，周圍的人更多地在鼓勵你，負面信息更少，焦慮感也隨之降低。

硅谷里有很多這樣"看起來不知道害怕"的人，愿意做瘋狂的事，大部分失敗，但總有一兩個成功了成為leader。

Creekstone：您最喜歡的電影跟書籍是什么？

田淵棟：《三體》對我來說是一個非常震撼的作品，特別是讀完第二部之后，那種世界觀被顛覆的感覺非常美妙。當時我做的一個圍棋BOT，也是以第二部的書名“黑暗森林”命名的。其它的科幻比如說《深淵上的火》，《最后的問題》，《光明王》，奇幻也會看，像著名的《冰與火之歌》，也會看一些國產的奇幻，比如說《歷史的塵埃》，《無限恐怖》，《詭秘之主》，《道詭異仙》。

電影方面，我可能動漫看得更多一些，比如《攻殼機動隊》，它的很多想法和理念非常超前且有意思。還有一部比較老的經典動漫叫《反叛的魯路修》，里面的人物塑造和劇情編排都非常有趣，我也很推薦。

Creekstone：有什么事情是像《三體》第二部那樣，最改變您個人世界觀的經歷嗎？

田淵棟：其實就是前面提到的，從一個I人變成更偏E人的狀態，這可以說是我世界觀改變的一個入口。我以前非常內向，很難與人交流，甚至上臺講話會緊張到說不出話。但當我在臺上演講一兩次，發現自己的東西被大家欣賞之后，就慢慢打開了心態，獲得了表達的動力。這個轉變讓我的人生往上走了一層，我學會了如何表達自己，如何讓想法被別人接受和理解。現在回頭看，如果一直只是埋頭苦干但不愿交流，可能未來的上限也不會太高。

Creekstone ：文學創作會被AI取代嗎？未來幾年，文學創作本身可能發生什么樣的演變？

田淵棟：文學作品永遠存在，因為它的動因是"人想要表達，有感動的瞬間愿意寫下來，愿意傳遞給別人"。這部分是AI無法取代的。

就算AI寫了一模一樣的章節，但沒有一個真實的人站在那里感動，這個章節是沒有意義的。 作品的緣起，你為什么寫這部小說、里面的角色和你有什么關系、這些人的選擇讓你覺得人生有什么意義，這些東西立好了，AI幫你完善細節是完全不同的事情。

打開黑箱，理解本質

Creekstone ：您做過Computer Vision、強化學習、大模型，這條路背后有沒有一個貫穿始終的底層驅動力？

田淵棟：打開黑箱，發現具體的底層機制，這是我最大的動力。當然，這個動力隱藏在許多具體項目里。你不可能只做純理論研究，那可能就變成數學家了，不一定有飯吃。所以必須找到現實世界的支點，把想法和思路貫徹到重要的實際項目中去。

比如當時做OpenGo（一個復現AlphaZero圍棋AI的開源項目），主要動因就是看到AlphaZero能"左腳踩右腳"一樣，完全不依賴人類棋譜實現自我提升。我很好奇它是怎么做到的？有什么弱點？于是我們復現了整個分布式系統，想理解一個自對弈的強化學習系統是如何慢慢變強的。這個過程本身就是由開源和打開黑箱的精神驅動的。

之后很多項目也是如此。我們去研究自監督學習（Self-supervised Learning）的表征是如何學出來的？它的動力學是怎樣的？什么時候會塌縮？現在到了大語言模型，我們想知道Attention機制在做什么？FFN層（前饋神經網絡層）在做什么？"涌現"（Emergence）現象是如何發生的？

當我們對底層機制有了理解，就可以在上面做應用。比如發現Attention是稀疏的，就思考能否利用這一點。于是把中間不重要的部分去掉，發現系統依然能很好運作，這便促成了"Attention Sink"（注意力匯聚現象）的工作。再比如對長文本的分析，啟發我們思考如何將模型的上下文窗口變長且保持穩定，從而產生了關于長度內插（Length Interpolation）的研究。基本上我所有的研究都是這樣產生的。

Creekstone ：在這個追求白盒化、可解釋性的過程中，您在硅谷是否感到孤獨？尤其是在scaling-law（規模法則）成為主流，大量算力和人才都投入到“暴力求解”的狀態下，您在資源和個人感受上會覺得受限嗎？

田淵棟：沒什么感覺。就像前面說的，我是個I人，能從獨處中獲得能量。所以即使沒人理我，也不是很在意。研究過程中自己發現一些有意思的東西，本身就是一個自我成就的過程。

如果太怕孤獨，反而會去追熱點，研究就會沒有章法。但也不能走向另一個極端，完全isolated，那可能會被時代拋棄。學術界有很多人在大模型來了之后，發現自己那套東西完全失效了，職業發展也就出了問題。所以，追一定程度的大趨勢，也是對群體智慧的尊重。

Creekstone ：在開發OpenGo和Llama的時候，您遇到過哪些“科學 vs. 工程”的權衡？在Transformer快速進化的過程中，很多問題似乎在工程層面就解決了，但您的研究又非常強調第一性原理和數學理解。您是如何平衡這兩者的？

田淵棟：方法很簡單：把工程問題數學化。工程問題系統化、數學化之后，它就變成了一個可建模的數學問題，自然就可以用科學方法去做。例如，我們曾用強化學習去解決一些優化求解問題，比如如何拓展蒙特卡洛樹搜索（MCTS）去處理更難的現實問題，像黑盒優化、神經網絡架構搜索（NAS）等。

當然，大模型時代，因為工程周期很緊，很多時候也比較“hacky”，能跑就行，很難做得非常細致。但只要在某些地方有一些理論或思想上的亮點，其實也就足夠了。

大廠圍城與人性的價值

Creekstone ：您在CMU、谷歌，Meta FAIR這些普遍推崇實戰文化的環境中，產生過哪些觀察？

田淵棟：2022年之前，Meta FAIR還是一個非常好的地方。相對自由，上層干涉不多。大模型來了之后，逐漸變成了一個搶占資源的游戲，一共就這么多卡，誰卡多誰模型就好，政治斗爭和相互摩擦不斷。

其實到2023年的時候，我就有過離開的想法，覺得再待在大廠意義不大了。后來因為推理模型這一波趨勢，我們團隊又被重視起來，所以又待了一陣子，但最終還是走了。

現在的大廠不是一個特別好的地方，變化非常劇烈。2024年10月底開始，很多大廠的人來找我。有意思的是，找過我的那些人，現在基本上都離職了——Anthropic那邊找我的人走了，Amazon給我offer的VP走了，Apple的那個負責人走了，xAI的Tony來找我、給了offer，他也走了。

這其實側面說明，整個大廠的節奏讓人很難真正做自己想做的事情。以前一個VP可以穩定地做三四年，把事情慢慢做好。現在，你可能坐上這個位置，兩三個月內就必須拿出成果。這種巨大的壓力會層層傳導，如果做不出來，人就得走。

Creekstone：這種快速變化和巨額資源投入，在大廠中產生了哪些共性的組織或人才問題？團隊的關注點和組織形式發生了哪些變化？

田淵棟：一個主要的變化是，公司對于長期研究部門的支持減弱了。因為長期研究的代價太大，而且在激烈的追趕中，公司需要把100%的精力都花在提升大模型上，否則就可能落后。大家都覺得智能在加速發展，一旦落后，可能就永遠追不上了。這種焦慮感導致了幾個后果：一是所有資源都用于追趕，沒人有耐心真正投入研究；二是因為賭注巨大，內部爭斗加劇，大家都想成為那個能把事情做成的人。

大廠的另一個問題是人太多，導致信息傳遞效率低下。信息經過多層VP傳遞，每一層都會“報喜不報憂”。等消息傳到最高層，壞消息早就被過濾掉了，他們聽到的永遠是好消息。這導致上層對真實情況一無所知，從而制定出非常激進的進度要求。壓力壓下來，下面的人要么選擇“hack”的方式應付，要么牛皮吹破，最后爆炸。除非下面的人有膽量向上“push back”，并且上面的人愿意聽，這個組織才能維持通暢的信息交流。

這不是哪個人的問題，完全是組織架構的問題。

Creekstone ：AI接近奇點的背景下，您怎么看人性的價值與延續？

田淵棟：我很早就想過這些問題。2023年大模型剛出來的時候，我在知乎寫過：獨一無二是最重要的。你的目標、理想、追求跟別人不同，別人才覺得你這個人有價值。

現在AI coding已經做得很好了，執行層面在被極大壓縮。所有人都能實現想法，不意味著都能做得很好。做100個淺的項目不如一個做得很深。有品味、有堅持、能把難的問題真正解決，這樣的人才能脫穎而出。

我在2026年初提出了一個"費米線"的概念：AI能力線以下的人基本沒有價值，因為AI無限供給，價格趨近于零；而能超越這條線的人越來越少，價值會非常大。這條線會隨著AI變強不斷上移。

你要做自己真正熱愛的事，這樣上限才足夠高，才有機會爬到比AI更強的那條路上。如果做自己不太想做的事，上限不高，就會被取代。

智能的本質與未來

Creekstone ：很多人認為，Transformer機制本質上是一種極致的壓縮，是在信息維度和時間維度上不斷擴展。在這樣的框架下，創造力和共情能否被真正地量化、數字化和參數化？

田淵棟：創造力在某種程度上是可以被量化的，但不同層次的創新，其難度完全不同。簡單的創新，比如將一個工具用到新的相似場景，大模型可以做到。但更高級的創新發生在更抽象的概念層面，如果大模型對概念本身沒有完全理解，它的遷移能力就會很弱。

斯坦福有篇AI Scientist的paper發現，AI產生的想法在新穎性上甚至被認為超過了人類。這是因為AI在思考時無所顧忌，可以"瞎搞"，把任何兩個看似無關的概念放在一起。人一看，覺得很新奇。但實際執行時會發現，這些概念雖然新，但可能并沒有本質的聯系。而人類研究者因為對問題有更深入的理解，能看到事物之間真正的內在聯系，從而實現更有意義的創新。所以，AI和人的創新各有側重點，很難說誰比誰更有創造力。

Transformer架構已經快十年了，無數人在修改，但基本結構沒有根本變化。我的判斷是：算法要么沒變，要么大變，很難有中間狀態。

Creekstone：這是否意味著，當前大模型的推理能力，如果只是概率路徑上的滑行和線性外推，就缺乏了因果層面或更高抽象層級的關鍵指導？

田淵棟：這代框架也許依然有效，只要數據足夠多。但我相信，人在同樣的數據下能做出更深刻的理解。一個人類專家可能只需要兩三個樣本，就能一眼看出問題的關鍵。在這方面，AI的能力還遠遠落后于人。

Creekstone：Yann LeCun推廣的World Model（世界模型）框架，能否解決我們討論的這些問題？

田淵棟：我覺得還沒有到那個層次。它本質上還是基于梯度下降的訓練，其損失函數的設計，甚至可以追溯到我2021年的一篇論文中的想法（在2021年的主要研究中，田淵棟老師通過分析梯度下降在網絡參數上的動力學行為，設計出更具數學解釋性、理論完備的損失函數，并把這些深層表征抽取的能力應用到了強化學習的世界模型構建上，讓模型學會“去粗取精”）。我始終覺得，如果要達到人類水平的智能，可能整個訓練算法都需要被替換掉。

Creekstone：您怎么看線性注意力和Test-Time Training這個方向？

田淵棟：現在確實有很多關于線性注意力的工作，其本質是把過去的歷史壓縮到一個固定長度的向量或矩陣中，并隨時間迭代。這可以看作一個動態調整的聯想記憶（Associative Memory）。

但我對此有一個疑問：這套方案的上界可能并不高。因為人類在學習時，存在一個從“記憶”到“理解”的突變，一個“頓悟”的過程。我們會模糊掉具體的事件細節，但留下對問題大概的思路和理解，正所謂“讀書不求甚解，觀其大略”。目前的線性注意力模型，似乎無法建模這一層，它們更多停留在對事實的記憶，而這些記憶還會隨時間流逝。這就是為什么線性注意力雖然被提出了很多年，但始終無法完全替代全注意力（Full Attention）機制成為主流。

對于一些需要復雜多跳推理的任務，全注意力機制至關重要，因為它保留了過去所有的鍵值（KV cache），可以隨時精確地提取任何信息。所以，不存在一個能在所有任務上都表現最好的方法，不同的架構適用于不同的任務。

Creekstone：在設計新架構時，您會如何考慮底層硬件的特性？

田淵棟：硬件的協同設計非常重要。未來的趨勢是推理會消耗越來越大的計算資源，尤其是在Agent需要大量、長序列推理的場景下。如何提升推理效率是一個核心問題。像Grok這樣的新架構，通過將SRAM和計算單元更緊密地耦合在一起，大幅提升了速度。關鍵在于如何解耦計算與內存IO之間的關系。英偉達自己也在做這樣的事情，他們希望在別人革自己的命之前，先革掉自己的命。

Creekstone：我們來談談Memory。無論是持續學習還是自進化Agent，Memory都至關重要。但神經網絡存在“災難性遺忘”的問題。您對解決這個問題有什么新的洞察嗎？

田淵棟：Memory可以分為不同層次，有慢的，有快的。比如模型的權重本身就是一種慢速記憶，而上下文窗口（Context Window）是快速記憶。現在有很多關于可解釋性的研究，試圖理解參數空間的分層。比如，底層網絡負責編碼簡單的語義信息，中層負責更復雜的語義概念（這也是模型編輯常操作的層次），高層則負責將語義信息解碼為下一個詞。將這些關于可解釋性的理解與持續學習結合起來，可能會是一個非常有意思的新方向。

Creekstone：從OpenClaw提出的三層記憶結構，到各種Agent框架，您如何從第一性原理理解Memory的設計？

田淵棟：對于一個要走向實用的Agent框架，其記憶系統設計需要兼顧效率和效果。例如，可以采用兩層記憶結構：一層是基于關鍵詞匹配的快速檢索，另一層是基于向量語義的精確檢索。這兩者各有長處，結合起來能讓Agent既能快速響應，又能記起很久以前的事情，給人一種非常人性化的感覺。

而像文件系統這樣的結構化記憶，可以看作是一種“工具使用”（Tool Use）。Agent動態地組織和調用這些“工具”，將最相關的信息放入上下文窗口中，從而解決更復雜的問題。無論是層級化的、圖狀的還是其他形式的記憶結構，本質上都可以歸為工具使用的一部分。

Creekstone：您怎么看待現在的Agent框架，比如OpenClaw等？它們在多大程度上實現了跨session的持續進化？

田淵棟：將蒙特卡洛樹搜索（MCTS）和強化學習結合，肯定是一個更深層次的自進化方向。但這里有一個權衡：如果你從一個效果很差的基線模型開始做強化學習，所花費的時間和代價，會遠遠高于從一個已經不錯的基線模型出發。所以，工程上的方案和更根本的自進化探索，兩邊都需要兼顧。

Creekstone：您自己會使用OpenClaw這樣的Agent產品嗎？

田淵棟：我嘗試安裝過，但后來放棄了。我主要的擔憂是安全問題。把所有的API Key和權限都交給一個Agent，就像“小兒持千金于鬧市”。這個“小孩”很能干，但他也掌握了你家里所有的鑰匙和密碼。他可能會被花言巧語所欺騙，在99次拒絕誘惑后，有一次沒能拒絕，你的信息就可能被泄露。網上已經出現了很多類似的案例。

我更傾向于自己寫代碼。現在的AI編碼能力很強，我可以學習這些開源項目的設計思想，然后用AI輔助自己構建一個更可控的系統。另外，很多Agent的Skills（技能）是第三方編寫的，這些技能里可能隱藏著惡意代碼，就像給小孩看的卡片里夾帶了危險信息。所以，在安全問題得到保障之前，我對此還是持謹慎態度。

開源的價值、AGI的瞬間與未來的展望

Creekstone：隨著Meta內部的一些變化，以及像林俊旸等核心人物的離開，您怎么看開源在AI持續進化中扮演的角色和價值？我們是否已經身處一個節點，開源能帶來的東西已經發生了潛移默化的變化？

田淵棟：開源應該是一種態度，而不一定總是一個公司的策略。公司在不同時期，策略是會變化的。Meta之前選擇開源，是因為它的開源模型是最好的，通過這種方式可以吸引頂尖人才，再用這些人才來做下一代更好的模型。這是一個良性循環。但如果公司策略改變，從開源轉向閉源，也無可厚非。

從我個人角度，我始終認為開源對整個社會是有好處的。它能讓大家追趕上最新的技術，創造一個更平等、更多樣化的環境，共同建設整個大模型生態的進步。對于一項如此強大的新生技術，如果只被少數人掌握，那將是一個比較糟糕的未來。幸運的是，目前這種情況沒有發生。開源模型在其中起到了巨大的作用，它通過緊追閉源模型的步伐，為市場提供了選擇。很多任務并不需要最頂尖的模型，用一個足夠好的開源模型就能以很小的代價解決，這極大地緩解了整個社會的焦慮。

Creekstone：在您的實踐中，有沒有哪個“奇點時刻”讓您覺得AGI離我們如此之近，甚至帶來一絲恐懼感？

田淵棟：恐懼感倒不至于，但我確實感受到了工作流的根本性變化。比如最近使用AI編碼工具，我發現整個工作方式都不同了。以前可能還需要在IDE（集成開發環境）里寫代碼，但現在，我幾乎可以直接在命令行里用自然語言告訴AI要做什么。這個變化就發生在近兩三個月內，讓我覺得進步的速度非常驚人。

這和當年看AlphaGo下棋的感覺完全不同。AlphaGo的比賽，我們關掉電視，生活照舊。但現在，AI已經深入到我們每天的工作流和思維方式中，這才是真正深刻的變革。

Creekstone：您個人的“北極星”是什么？希望在退休時，大家會如何定義您？

田淵棟：我當然最希望成為一個發現了大模型法則的科學家。寫作是我的一個業余愛好，我希望能發表一些好的小說，但可能沒有那么多時間。我成不了一個偉大的小說家，但作為業余愛好玩一下也很好。

Creekstone：對于中國的開發者和年輕創業者，您有什么寄語？

田淵棟：我覺得現在是一個非常好的時代，特別是對于年輕人。一畢業就能遇到一個可以充分發揮自己能力的時代，這絕對是“千年未有之大變局”。所以，一定要珍惜這個時間，做一些自己真正想做的事情，做出讓大家覺得“這個東西做得很好”的產品。

Creekstone視角｜

這場對話給我們留下了什么

這場對話結束后，我們在會議室里又坐了很久。

田淵棟的很多判斷，和我們自己的投資邏輯高度共振——但他給出了更底層的物理解釋。

我們想說幾件我們認為重要的事：

關于"想得深"vs"做得快"

整個AI創投圈都在獎勵速度。快速出產品、快速試錯、快速融資。

但田淵棟的路徑提醒了我們：最持久的壁壘，來自對問題的深度理解，而不是執行速度。OpenGo能做出來，不是因為他們跑得最快，是源于他們真正理解了AlphaZero在做什么。

我們在看項目時，越來越關注一個問題："這個創始人，比他的競爭對手多理解了什么？"

"快了多少"遠遠沒有"深了多少"來的重要。

關于組織規模與信息保真

田淵棟給了一個非常清晰的機制解釋：層級是信息的天然過濾器，每多一層，真實信號就衰減一次。

小團隊的核心競爭力不再是人效，是Context保真度。

組織即Agent，人是Sensor——Sensor越少越精準，信號越強越直接。

關于費米線

這是這場對話里最讓我們沉默的一個判斷。

"費米線以下，AI無限供給，價格趨近于零。"這是一個關于價值分配的物理定律，不是勵志故事。

我們不投"費米線附近"的創業者——不是因為他們不努力，而是因為那個區間的競爭最激烈、護城河最薄、被取代風險最高。

我們只投那些清楚知道自己的"熱愛上限"在哪里，并且在拼命往上爬的探索者。

關于真實的人類連接，是最后的護城河

原因不是 AI 寫不了，而是因為沒有真實的人在那里感動，寫出來的東西就沒有意義。

表達的沖動、感動的瞬間、想要傳遞給別人的欲望——這些是 AI 永遠無法偽造的起點。

這也是為什么我們相信：垂直深度、獨特品味、真實的人類連接，是創業者最后的護城河。 不要做"AI能做的事"，做"只有你能做的事"。

采訪、編輯

Creekstone Venture