Podcast Interview · 逐期深读

群核科技黄晓煌回顾15年创业:从GPU云到酷家乐,再到空间智能的生存与转型

本期背景与内容导览

本期是《晚点聊》对群核科技联合创始人兼董事长黄晓煌的访谈,围绕公司十五年创业、GPU云、酷家乐、空间智能和组织转型展开。它不是一条‘技术先进自然成功’的路线,而是技术、融资、客户、竞争与周期共同作用的结果。 早期关键在于两条链并行:黄淮的50万个人天使投资与IDG后续支持让团队有资源从外包转向自有产品;酷家乐则在家居家装场景中找到设计师和装修公司的高频需求,摆脱低频业主与O2O想象,走向专业SaaS。GPU的算力成本又迫使公司重新评估订阅、广告和按量付费,不能把CPU时代的低边际成本直接套到渲染和模型计算。 巨头竞争暴露了算法可复制的风险,也迫使公司建立数据、服务、客户关系和工业软件等复合防线。黄晓煌后来承认,因失败而一度轻视算法也是矫枉过正,大模型让他重新理解算法是发动机、数据是燃料。空间智能延续了这条积累线,但3D路线、真实与合成数据、客户量产、商业化与平台竞争仍未完成验证。‘活下来’既是战略,也包含融资、时机、运气和组织选择的共同影响。

晚点聊 LateTalk · #160 · 2026-04-17 · 1:40:26

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:00–00:30:19连续对话 1

00:00:00–00:01:18开场:活下来比活得亮眼更重要

节目以嘉宾黄晓煌的观点作为引子,他认为在中国创业,单纯依赖核心算法非常危险,因为技术创业者容易陷入“技术的自嗨”。他回顾说,自己曾怀疑过自己,周围同事也曾如此,甚至需要靠看今日头条的新闻来指导公司策略。他强调,群核科技的整体策略始终是“活下来优先”。他观察到,许多曾经的“黄金赛道”或“明星企业”在3到5年内若不及时调整,就会迅速衰落,因此他得出的结论是“活得久比活得亮眼更重要”。

随后,主持人程曼祺介绍本期节目背景:群核科技于4月17日登陆港股,成为“杭州六小龙”中首家上市公司。节目在第一时间专访了其创始人兼董事长黄晓煌。程曼祺预告,访谈将覆盖黄晓煌15年的创业历程,包括早期的艰难、与互联网巨头在家装设计软件领域的竞争,以及公司当前全力投入的“空间智能”方向。她引用黄晓煌的话说,他创业以来经历的90%的明星科技企业都已消失或沉寂,而群核科技一直存在。最后,她向听众推荐,如果想了解一个“穷人版”的AI创业故事或群核上市后的潜力,可以听听创始人的亲身讲述。

GPU上云 (GPU as a Service)在本段中指,将原本在本地计算机上运行的图形处理器(GPU)资源,通过网络部署在云端服务器上,让用户可以按需租用强大的GPU算力进行计算密集型任务(如3D渲染、科学计算等),而无需自己购买和维护昂贵的硬件。输入是用户的计算任务和数据,输出是计算结果(如渲染好的图片或视频)。
CUDA由英伟达(NVIDIA)推出的并行计算平台和编程模型。它允许开发者使用C++等高级语言,直接利用GPU强大的并行处理能力来加速通用计算任务,而不仅限于图形渲染。在本段中,黄晓煌在英伟达时的工作就是开发CUDA语言,他认为这项技术能将计算速度提升几十上百倍。
O2O (Online to Offline)指将线上的流量(Online)引导到线下的实体店或服务(Offline)中去。在本段中,它特指2011-2015年间非常火爆的一种商业模式,群核科技早期也曾构想通过线上设计工具吸引业主,再将他们导流给线下的装修公司或建材商来实现变现。
SaaS (Software as a Service)“软件即服务”的缩写。指通过网络提供软件服务,用户无需在本地安装软件,而是通过订阅付费的方式,按需使用服务。在本段中,群核科技在2015年后将酷家乐的商业模式从O2O转向SaaS,向专业设计师和装修公司收取订阅费。

话题推进:节目正式进入访谈环节,主持人邀请嘉宾做自我介绍,并开始回顾公司的创业起点。

00:01:18–00:06:532011年回国创业:被投资人嫌弃的英伟达履历

  • 2008年你们就有创业想法,当时为何想创业?
  • 2011年再次创业时看到了什么变化?
  • 把GPU用到云上,这个想法在当时是否很新?
  • 有考虑过在美国创业吗?
  • 有想过继续在英伟达做这件事吗?
  • 可以讲讲当时英伟达的情况吗?
  • 你当时在英伟达具体做什么?对它的重要性怎么看?
  • 当时去见投资人,他们有什么反馈?
  • 你没有想过换一个方向创业吗?

主持人程曼祺首先回顾了群核科技的缘起,提到嘉宾黄晓煌与联合创始人朱皓在2008年就有创业想法。黄晓煌解释,当时他在UIUC读博,学校鼓励创业,他们参加创业比赛,构思过“防止司机开车睡着”等项目。

话题转向2011年的正式创业。当时黄晓煌已在英伟达工作,他看到的机会是把GPU搬到云上(GPU上云),因为当时云计算(Cloud Computing)正火,但主要使用CPU资源。他认为这个想法很新,但GPU本身仍属小众。他曾尝试在美国融资,但因没有绿卡等身份问题受阻,最终决定回国。

黄晓煌也曾在英伟达内部提议做GPU云化,但未被采纳。他回忆,当时(约2009-2010年)的英伟达正处低谷,公司担心云化会影响显卡销量(从一人一卡变为多人共享云端一卡),且自身向CPU转型也不顺利。黄晓煌当时的工作是开发CUDA语言,他坚信这项技术能“改变世界”,因为它能将计算速度提升几十上百倍。然而,由于英特尔强大的生态壁垒,推广CUDA非常困难。这让他产生了“与其费劲忽悠别人用,不如自己创业来做”的想法。

回国后,融资过程同样艰难。黄晓煌表示,当时投资人普遍认为他们的工作履历不好。尽管联合创始人朱皓有亚马逊背景,但黄晓煌的英伟达经历被视为“减分项”,投资人认为英伟达是“传统制造企业”,甚至有投资经理建议他们先去Google、Facebook工作一两年再来。此外,他们想做的GPU云渲染项目需要大量基础设施研发投入,周期长,与当时O2O的创投主旋律格格不入。最终,作为校友的黄淮所个人天使投资了50万人民币,才让项目得以启动。

这一段不能被缩成‘英伟达履历不被认可但最终证明自己’。黄晓煌的CUDA经验、回国融资受阻、校友黄淮的50万个人天使投资和IDG后续支持,分别提供技术起点、现实约束与产品化资源。没有这些条件,团队很难从接外包转向自有产品;只有资金而没有设计师的真实需求,酷家乐也无法成立。公司生存从一开始就是外部资源和场景选择的联合结果。

话题推进:在获得第一笔天使投资后,公司如何找到具体的业务方向并走上正轨,成为下一段讨论的焦点。

00:06:54–00:10:53酷家乐的诞生:从“拿锤子找钉子”到自然选择出付费用户

  • 你们什么时候算步入正轨的?
  • 你们是怎么找到家居家装这个场景的?当时有方法论吗?
  • 你们从服务业主转向服务专业设计师,这个决策压力大吗?

主持人询问公司何时步入正轨。黄晓煌回忆,创业第一年,他们为了生存接了很多外包项目,将GPU渲染技术用于不同的ToB产品。拿到IDG的投资后,他们决定停止项目制,专注于做自己的产品。2013年底,产品(酷家乐)上线,发展便顺利起来,2014年开始爆发,2015年实现盈利。

在寻找应用场景时,黄晓煌坦言当时“稀里糊涂”,没有什么方法论,更像是“拿着锤子找钉子”。他借鉴了在英伟达推广CUDA的经验:做一个Demo,然后去各个行业跑,看谁愿意付钱。他们认为GPU渲染技术可以用在影视、家居建筑、仿真等多个领域,最终在家居家装行业找到了突破口。

酷家乐最初的目标用户是业主(C端用户),希望他们使用产品后,公司能切入当时火热的O2O模式。黄晓煌直言,当时不讲O2O的故事根本拿不到投资。然而,他们发现业主使用频率低,用完半年内就会流失。最终,沉淀下来的高频用户都是设计师、装修公司等专业从业者。这是一个“自然选择”的过程。

随着2015年股灾后资本市场遇冷,不赚钱的公司融资困难,他们决定放弃O2O和卖家具的电商故事,转而模仿SaaS模式向专业用户收费。这个决策对黄晓煌来说很自然,因为他更喜欢卖软件而不是卖家具。转型后,公司在2015年底就实现了现金流打平。

‘自然选择’在这里有两层:团队用同一项GPU渲染技术尝试影视、建筑、家居等场景,实际付费与使用频率决定最终方向;原本设想的C端业主很快流失,而设计师和装修公司持续使用,才让专业SaaS成为可行模式。它不是创始人提前设计好的精准定位,也不是只要有技术就会自动出现PMF。IDG支持使团队可以停止外包,用户需求则使这次转向真正形成业务。

话题推进:虽然SaaS模式让公司实现了盈利,但其底层的GPU算力成本模型与传统SaaS业务存在根本冲突,这给公司带来了新的挑战。

00:10:53–00:14:37GPU算力的“原罪”:SaaS模式下的成本困境与商业模式探索

  • 15年后你们进入快速增长阶段,定位服务设计师和装修公司,对吗?
  • GPU和CPU在成本上的区别是怎么造成的?
  • 这个问题能通过技术优化来改善吗?
  • 你们当时如果做广告,是给家居品牌做吗?能带多少收入?为什么会亏损?

主持人确认,2015年后公司明确服务设计师和装修公司,进入快速增长期。黄晓煌补充说,当时SaaS和工业软件成为新的潮流,套用在酷家乐上似乎很合适,但也暴露了根本问题:GPU的算力成本太高。

他解释了GPU与CPU商业模式的本质区别。CPU业务,用户越多,边际成本越低,适合“包年包月”的SaaS模式。而GPU的硬件架构决定了其计算成本是相对固定的,无法像CPU那样通过用户规模大幅摊薄。因此,在SaaS模式下,为了控制成本,他们不得不“阉割效果”,比如限制渲染图片的大小,或让计算量大的任务排队到半夜执行。黄晓煌当时就觉得,SaaS并非其业务的最佳商业模式。

他指出,技术优化(如弹性调度)对降低GPU成本的作用有限,只能优化百分之几十,无法实现数量级的下降。这也解释了为什么后来的AI(同样基于GPU)产品普遍采用按token或按量付费的模式,因为每次计算成本都很高,无法让用户无限使用。黄晓煌认为,群核科技实际上是提前进入了“token经济”,但当时市场主流是SaaS的订阅制。因此,当AI时代到来,市场普遍接受按量付费后,他感到“一个枷锁得以解开”。

在找到SaaS模式前,他们也尝试过广告变现,即让家居品牌付费,使其产品模型出现在设计师的图纸中。这项业务曾做到几千万收入,但最终发现是亏损的。原因是,广告模式需要先提供免费使用来换取曝光,但酷家乐的每一次用户使用(如渲染)都有显著的算力成本(黄晓煌举例“点一下一块钱成本”),而广告主愿意为单次曝光支付的费用(“几分钱”)远不足以覆盖这个成本。因此,这个商业模式在他们身上走不通,最终被砍掉。

GPU成本在这里不是一个抽象‘比较贵’的问题,而是直接改变产品规则:要限制渲染大小、把重任务排队到夜间,或者把每次使用的成本转给客户。广告模式曾要求免费使用换取曝光,单次渲染成本却高于广告主愿意支付的曝光价值,所以即使收入达到几千万仍可能亏损。SaaS订阅则容易让用户预期无限使用,与实际计算成本不匹配。

这也是后来按量付费的重要意义:它让价格和真实资源消耗重新对应,而不是证明所有GPU产品都只能按token计费。公司能否通过调度、模型压缩、硬件和效果分级继续降低成本,仍需具体技术评估。黄晓煌所谓‘token经济’更多是对业务历史的一种回看,不宜把所有AI收费都解释成同一种商业模式。

话题推进:在商业模式探索之后,公司在2018-2019年左右遇到了新的挑战——来自外部环境和巨头竞争的压力,这迫使他们再次进行战略调整。

00:14:37–00:19:48遭遇巨头竞争:“活下来优先”的生存法则

  • 19年之后增长放缓,是什么原因?
  • 你们在2016年开始做能生产图纸的工业4.0方向,是出于什么考虑?
  • 你们觉得工业软件技术壁垒更高吗?
  • “死磕”的表现是什么?
  • 你们“要活着要苟着”的原则是怎么形成的?

主持人问及2019年后公司增长放缓的原因。黄晓煌解释,15到18年是增长最快的阶段,但之后遇到了两大冲击。第一,他们的一大批客户是家装O2O平台,这些平台在互联网金融爆雷潮中纷纷倒闭,导致群核“前十大客户有八家倒闭”。第二,遭遇了互联网巨头的竞争,核心表现是“挖墙脚”,团队成批流失,甚至出现整个业务线一夜消失、不交接的情况,导致业务停摆。

面对巨头入局的威胁,公司在2016年立项、18年发力开拓了工业软件方向,即为定制家居行业提供能直接对接工厂生产的解决方案(工业4.0)。黄晓煌解释,这是基于“活下来优先”的策略。他们担心在家装设计软件这个主战场上扛不住巨头的流量和人才攻势。而工业软件是“脏活累活”,需要持续打磨,且与巨头核心的电商业务关系不大,因此他们判断巨头不会轻易涉足。这是一种“避其锋芒”的战略选择。

黄晓煌强调,公司的生存法则是通过观察行业周期形成的。他们创业初期,亲眼目睹了O2O赛道“眼见他起高楼,眼见他高楼塌”的过程。他观察到中国的商业赛道切换极快,平均3到5年一个周期,曾经的明星赛道很快会变得无人问津。这让他深刻认识到“活得久比活得亮眼更重要”,根基不扎实的企业可能只是昙花一现。因此,当后来SaaS等新概念兴起又遇冷时,他已能坦然面对,并时刻为下一个周期的到来做准备。

话题推进:在确立了“活下来优先”的原则后,对话进一步深入探讨了公司在与巨头正面竞争时的具体策略、心态变化,以及从中获得的认知升级。

00:19:48–00:25:22竞争的“成年礼”:看清算法、数据与真正的壁垒

  • 和体量大很多的公司竞争,你们害怕和担心吗?
  • 当时是你们最危险的阶段吗?
  • 竞争到什么阶段后,你们心态相对稳了?
  • 你们当时没有接受大互联网公司的投资,是出于什么考虑?
  • 回顾与大厂的竞争,可以学到什么?
  • 你们的渲染技术当时是不是比大公司强?
  • 所以经过那次之后,你们更看清什么是壁垒了?

主持人询问面对巨头竞争时的心态。黄晓煌承认,大公司在客户、资金、人才方面是“碾压式”的,短期压力巨大。他认为那段时间“挺危险的”,因为人才流失导致团队士气几近崩溃。他们的应对策略是进行底线思考和战略布局:流量上避开与电商相关的领域,业务上侧重工业4.0和出海。他们做了最坏的打算:即使线上业务或中国业务全部丢失,公司依然能靠其他业务存活。

当被问及何时心态变稳时,黄晓煌回答,是在看到对方(大公司)的业务负责人在投入大量资源、抄袭产品后,业务仍无进展,最终“被撸了”之后。这让他们意识到,简单的抄袭并不能解决商业化难题。

黄晓煌将与大厂的竞争比作一场“成年礼”,经历过后,公司的心态和认知都成熟了很多。最重要的收获是“看清楚了哪里才是真正的壁垒”。他坦言,尽管群核的渲染技术最初是独特的,但当整个开发团队(除了主管)被挖走后,技术被“一模一样抄出来”。这让他得出一个强烈的判断:“在中国你做一个核心算法太危险了”,纯算法就像一层窗户纸,一捅就破。

这次经历让他重新认识到壁垒的构成:数据、网络效应和优质的客户服务才是真正的护城河。他提到,即使有些客户签了竞争对手,但因为服务好,也不会与群核断约。此后,公司开始真正有意识地积累数据。不过,他也承认自己曾因此一度“矫枉过正”,认为算法不重要而减少了投入,直到大模型出现,才意识到“算法是发动机,数据是燃料,缺一不可”。

这一段的‘算法危险’应理解为特定竞争环境中的可复制性,而不是算法普遍没有价值。团队被挖走后,核心渲染技术迅速被复制,使公司认识到单一算法无法独立承担全部护城河;但客户没有全部流失,也说明服务、数据、关系与切换成本仍能形成防线。

黄晓煌后来反思自己一度因此减少算法投入,直到大模型使他重新看到算法与数据的联合作用。这保留了创始认知的变化:从‘核心算法最重要’到‘算法无用’再到‘发动机与燃料缺一不可’,不能用其中任一句话覆盖整个创业过程。

话题推进:话题从过去的竞争经历,转向公司在不同发展阶段的心态起伏,以及如何应对行业周期的变化。

00:25:23–00:30:19在周期中摇摆:从“生不逢时”到应对必然的变革

  • 你们成立很早,当时科技创业不是主流,如果一开始资源就很充裕,会发展得更好吗?
  • 你们当时(20-21年)为什么会比较膨胀?
  • 你们当时做的这些事和核心技术(GPU渲染)还相关吗?
  • 后来又从膨胀到收缩,发生了什么?
  • 做各种决策对你来说会难吗?
  • 你们遇到的几波变化,哪些是周期性的,哪些是必然性的?
  • 可以讲讲你们在AI大机会里最新的调整吗?

主持人提出,群核科技成立于科技创业的“非主流”时期,如果当初资源充裕,发展是否会更好。黄晓煌坦言,他们也曾有过膨胀期,尤其是在2020-2021年,当时融资容易,市场火爆,SaaS产品好卖,公司因此招了很多人。业务上,除了酷家乐,还拓展了房地产、工装等解决方案。他反思,当时行业的主旋律是“传统业务的数字化、云端化”,热度堪比现在的AI。公司虽然仍围绕GPU渲染核心技术,但也投入了大量人力物力去做关联不大的业务流程管理。

这种膨胀很快被现实打破。黄晓煌回忆,当时地产客户付款极为豪爽,“几百万一千万就随随便便就打账上了”,但随后整个行业就没了。他感慨自己“生不逢时”,创业时科技不受待见,转型做互联网和SaaS后,这些概念又相继被市场“唾弃”。他总结,公司的核心技术没变,但变现方式必须随时代周期不断调整。

经历多次周期后,黄晓煌总结了一套应对方法论:首先判断变化是“周期性”还是“必然性”。如果是周期性的,就“熬一熬”;如果是必然性的,则需要“一号位”亲自下场,进行革命性变革,调整那些虽在赚钱但已不属于未来的业务。他举例:

- 周期性变化:硬科技、工业4.0。这些领域的需求是刚性的,会随宏观环境和投资热度起伏,但不会消失。

- 概念性/趋势性变化:O2O、元宇宙。这些是被“吹起来”的概念,可能需要等待新的技术突破才能再次兴起。

- 必然性变革:AI对传统SaaS的取代。他认为,大模型对企业内部流程管理系统的替代是生产力革命,是不可逆的趋势,必须跟进。

最后,谈及公司在AI时代的定位,黄晓煌表示,公司的主旋律一直未变:将GPU作为连接数字世界与物理世界的桥梁。从创业初期的“物理正确渲染”,到如今希望成为连接物理世界与大语言模型的纽带,这是一以贯之的追求。

话题推进:在阐明了公司应对AI变革的宏观战略定位后,接下来的对话将深入探讨公司在2018年之后具体是如何看待和布局AI的,以及中间经历的曲折和思考。

00:30:19–01:01:07连续对话 2

00:30:19–00:35:56坚持技术主线:如何抵御诱惑,探索有积累的业务

  • 你们的技术能一直围绕一个主线没有特别跑偏的原因是什么?
  • 你这是创业的时候看到的,还是创业到什么阶段你越来越明确到这件事情?
  • 你们在这个过程中间有什么特别大的诱惑或者说这种分岔的这种选择路口吗?
  • 你明确不做的事一般都是一些什么事啊?
  • 总结一下就是在历史上有这么多有可能能做的事情,你做什么不做什么的你判断逻辑是什么?
  • 你们在哪个阶段对这种探索会做得比较多呀?
  • 这个都是你来决定吗?还是应该由别人来决定?
  • 你们是不是有很多自下而上的这种提议?那它是一个什么样的机制?

主持人程曼祺首先提问,群核科技的技术为何能长期围绕一个主线发展。嘉宾黄晓煌回应,虽然具体的算法早已被颠覆多轮,但公司始终围绕“数字世界与物理世界”这一他认为是百年尺度的大主题。他解释,这个认知是在创业过程中,通过不断尝试新想法并被现实“打脸”后逐渐清晰的。他形成了一个判断:离物理世界越近的业务越安全,纯虚拟的业务则很危险。

程曼祺追问公司是否遇到过重大的业务分岔路口。黄晓煌举了两个例子:一是2016年,有高管受当时互联网金融热潮影响,提议做装修贷款业务,但黄晓煌认为这与公司的核心技术无关,最终否决;二是有同事提议利用闲置的GPU服务器挖矿,他认为这对生产力没有促进作用,纯属浪费电力,也予以否决。

在程曼祺的追问下,黄晓煌总结了自己做业务决策的三个标准:

1. 能用上公司的核心技术。

2. 能产生社会价值。

3. 业务要有积累,能构建越来越高的竞争壁垒,而不是做一单算一单的生意。

关于如何探索新业务,黄晓煌介绍了公司的两种探索模式:

1. 技术产品探索:初期不考虑市场规模,目标是找到一个能验证新技术的市场。例如,他们最早为扫地机器人行业提供合成训练数据,验证了空间模型技术的可行性。虽然这个市场本身很小,但技术验证成功后,就可以“拿着锤子找别的钉子”,去寻找更大的应用场景,比如后来的人形机器人。

2. 纯市场拓展:这种探索则必须一开始就考虑市场空间。

对于新想法的决策机制,黄晓煌表示公司鼓励自下而上的提议。员工可以先做出产品原型(Demo),然后由大家评审,决定是否投入资源。不过,这套方法论也在迭代:过去任何想法都可以尝试,现在则要求新项目必须围绕公司的核心算法和模型展开,纯粹调用外部大模型API的“套壳”产品则不被鼓励。

空间智能 (Spatial Intelligence)在这里指群核科技围绕三维空间构建的一整套AI能力。输入是各种形式的空间数据(如图像、点云、设计图),通过底层的空间理解模型(Spatial LM)和空间生成模型(Spatial GEM),输出对空间的理解、推理、重建、编辑和渲染能力。这些能力可以服务于人类设计师,也可以用于训练机器人(具身智能)在虚拟环境中与物理世界交互。
LoRA (Low-Rank Adaptation)一种参数高效的微调技术。在这里指为大型基础模型(如语言模型或图像模型)做“配套”的一种方式。输入是一个预训练好的大模型和一个特定任务的小型数据集,通过训练一个低秩矩阵(LoRA模块)来适配新任务,而无需改动大模型原有的庞大参数。输出是一个能执行特定任务、但模型体积远小于完全微调模型的新模型。
合成数据 (Synthetic Data)指在计算机中通过算法或模型人工生成的数据,而非从真实世界采集。在本次讨论的语境中,特指用于训练AI模型的3D场景、环境或交互数据。输入是生成规则和参数,输出是大量的、带有完美标注的、可用于模型训练的虚拟数据。其优点是成本低、可大规模生成、能覆盖真实世界罕见的边缘情况(corner cases)。
世界模型 (World Model)指一种能够理解和模拟世界运行规律的AI模型。它能根据输入信息,预测接下来会发生什么。在本次讨论中,嘉宾提到了两种实现路径:一是通过生成视频来模拟世界(如Google的VEO),二是通过构建可交互的3D环境来模拟世界(群核的路线)。其目标是让AI(尤其是具身智能)拥有一个“内心世界”,可以在其中进行规划和推理。

话题推进:在讨论完新业务的决策机制后,主持人自然地将话题引向公司当前最重要的新投入方向——AI,并询问他们是如何应用这套更成熟的方法论来推进AI战略的。

00:35:56–00:52:10AI战略的曲折与确立:从怀疑自嗨到All in空间智能

  • 你们最开始注意到这个新的AI机会是在什么时候呀?当时是看到了什么呢?
  • 你当时挖这个美国的教授回来,是因为你看到这个机会,你觉得应该投入,但等他真的回来之后你们其实又没有……
  • 20年到21年你们在筹备上市这个事,是不是也会导致你有很多精力是花在上市上?
  • 你当时身处其中是一个什么感觉啊?因为这些因素其实你不太能控制,你也很难预料啊。
  • 什么时候你感觉重新兴奋起来?
  • 这个也是你们重新开始成熟的去考虑AI这件事情的时候对吧?
  • 23年初你已经做了这个判断了。
  • 为大模型做配套想用在什么地方?
  • 除了招人很难之外还有什么?
  • 这个当时就是你们是怎么去平衡这个问题的?(指上市筹备期投入新业务的财务压力)
  • 后来这些问题是怎么改善和解决的呀?
  • 那人才这块呢?后来是怎么去解决?
  • 这个过程中间有什么让你觉得很自豪的招到人才的经历吗?
  • 动手意味着什么呀?就比如对做模型和做算法的人来说什么叫动手能力强?
  • 从24年你们特别明确这个思路要来投入空间智能之后,你大概有计算过你们投入了多少吗?
  • 这个是不是你们以往就是历史上纯做算法做模型的人数最多的时候?
  • 如果回头看你们18年就更早投入AI,你觉得现在会有什么不一样的情况吗?
  • 换过来说,就是如果你当时确实把精力放到了研发上面,然后你没有放在业务上面,这对你们比如酷家乐本身的收入增长这些会有影响吗?
  • 那现在已经不是布局硬件的时间窗口了?
  • 那现在你们来做不能做吗?还是说这是个开放的问题?

主持人询问群核科技何时开始关注AI。黄晓煌回忆,早在2018年,他们就通过论文注意到利用空间数据训练大模型的机会,并于2021年成立了实验室。然而,探索过程充满波折。当时AI人才被高薪挖角严重,一个团队甚至被挖到只剩负责人。同时,2020-2021年SaaS和房地产市场异常火热,与AI的冷清形成鲜明对比。黄晓煌坦言,自己一度怀疑坚持AI是“技术自嗨”,在周围同事和市场环境的压力下,AI探索团队被缩减到仅剩几人,处于基本暂停状态。

2021年下半年,公司遭遇一系列外部打击:原定的赴美IPO计划因政策环境变化而中止,头部房地产客户接连倒闭。2022年,为国际化业务招募到上海的海外团队又因疫情封控而全部流失。黄晓煌形容那段时间自己处于“极度懵逼”的状态。

转折点出现在2023年。黄晓煌在使用Copilot写代码后,深刻意识到AI将颠覆传统的流程型SaaS软件。公司内部开始讨论战略转型,面临两条路径选择:一是自研有壁垒但投入巨大的空间模型;二是为大模型公司做配套(如训练LoRA),速度快但积累少。公司同时尝试了两条路,但发现做配套的团队人才流失严重,因为核心人才很容易被他们所服务的阿里、字节等大模型公司直接挖走。最终,公司自然选择了自研模型这条更难的路。

2024年,公司明确了“训练自有模型,做空间智能”的战略,但执行阻力巨大,主要来自人才短缺和算法瓶颈。同时,筹备港股上市也带来了挑战。黄晓煌提到,他们通过AI提效降本,并推动商业模式从SaaS订阅制向按计算量付费的“token模式”转型,以平衡财务与投入。人才问题在2024年底至2025年初迎来转机。“杭州六小龙”的称号让公司名声大噪,吸引了大量人才。黄晓煌本人在2025年放下所有业务工作,专职招聘。他改变了面试方法,通过设置需要动手实践的难题来考察候选人的学习和动手能力,而非仅看履历,从而在与大公司的竞争中找到了被其“误判”的人才。

回顾这段历程,黄晓煌认为,如果2018年就投入AI,纯做软件可能为时过早,但那是一个布局“具身硬件”的黄金时期。他复盘认为,错过了Transformer等大语言模型机会并不遗憾,因为它离公司业务太远。而现在,他认为在中国纯做软件依然很难,未来算法需要通过各种设备输出,因此布局硬件仍是开放性问题。

2023年的Copilot体验之所以重要,不是因为一个工具必然替代全部SaaS,而是让黄晓煌亲自看到模型可以进入代码和流程生产,改变原有软件的价值来源。公司此前的AI团队收缩、赴美IPO中止、房地产客户流失与海外团队受挫,又使这次转型发生在资源与信心都很脆弱的时期。

自研空间模型与为大模型公司做配套的分岔,也包含人才机制:配套团队的核心成员容易被服务对象挖走,自研虽然投入大,却更可能保留独特积累。这个选择同时受技术愿景、人才竞争和既有3D数据影响,不能只用‘长期主义’解释,也不能说自研必然比合作更有壁垒。

话题推进:在详细回顾了公司AI战略的形成过程后,主持人将话题聚焦于“空间智能”本身,询问黄晓煌如何看待这一方向的长期潜力与风险。

00:52:10–01:01:07空间智能的布局与赌注:3D路线、多场景应用和数据路线之争

  • 你现在找到空间智能这个东西,你觉得它是能支撑你做多久啊?它是让你定居生根的一个东西吗?
  • 你可以完整描述一下你们空间智能这个底座上现在长出来的一些探索的东西是什么?
  • 还有什么你觉得不太确定或者说是你的核心判断你的核心bet的部分?
  • 其实你们的重建也包括生成对吧?
  • 因为视频生成模型肯定也是在追求物理正确的,因为也能看到比如像VEO3像CDance2.0它的效果越来越好了。
  • 那还有什么别的核心判断或者假设吗?
  • 你们实际上获得的这些合作伙伴的反馈是什么?
  • 那长期来说你觉得就是机器人这个行业未来它更远期的状态会是什么,然后群核现在做的这件事情可以在里面扮演一个什么角色?
  • 你觉得现在能够判断你们什么时候就是新拓展的在比如说你们以前家居之外的这些场景的收入和利润能够超过以前的业务吗?
  • 具身智能领域大家讨论特别多的一个问题还有就是数据类型,这个是不是也会影响就是你们在这个行业里的位置?
  • 你觉得这个区别是为什么呀?(指国内外企业对合成/真实数据的偏好差异)
  • 或者真实数据上群核的核心技术比如说你们的三维空间重建这些能用上吗?

主持人询问“空间智能”是否是能让公司“定居生根”的长期方向。黄晓煌认为,这取决于模型最终能达到的智能程度。他介绍了公司目前基于空间智能构建的三层业务结构:

1. 底层核心能力:包括物理正确渲染引擎、空间理解推理模型(Spatial LM)和空间生成模型(Spatial GEM)。

2. 能力与服务:提供空间理解、推理、重建、编辑、渲染等能力的API服务。

3. 产品与应用:分为“服务人类”和“服务机器”两类。前者包括原有的家装设计软件酷家乐,以及面向电商的“澎湃”、面向短剧制作的“LuxReal”等新产品;后者则包括服务机器人训练的“SpatialVerse”和“SpatialTwins”平台。

黄晓煌指出了当前布局的两个核心“赌注”或不确定性:

1. 技术路线之争:群核选择的是通过3D重建与生成来构建世界模型,这条路线的优势在于生成的内容有精确尺寸、可交互,符合物理世界规律。而另一条主流路线是视频生成(如Google的VEO、李飞飞团队的MARBLE),其优势是画面精美、灵活。黄晓煌认为,视频生成本质上追求的是视觉连续性,而非物理正确性,例如视频中的人可以是5米高也可以是1米高,模型难以区分。他承认两条路线谁能最终胜出尚不确定,但群核做视频生成没有优势,因此押注3D路线。

2. 模型能力上限:自研模型的最终效果能达到多高,直接决定了业务的天花板。

尽管存在不确定性,但黄晓煌认为市场需求非常明确。他提到,目前中国具身智能领域真正大规模落地“大脑训练”的公司还很有限,市场尚在孕育期。因此,群核采取“拿着锤子找钉子”的策略,将空间智能技术应用到更多领域,如工厂规划(Spatial Twin),服务于AGV、叉车等非人形的传统自动化设备,以拓宽用户面,分摊巨大的模型研发成本。

展望未来,黄晓煌将机器人行业比作十年前的自动驾驶,相信“具身大脑”一定会被攻克,但时间点未知。群核的角色是在大脑训练方面发力,等待行业风口。在商业化方面,他透露目前算力型产品的收入已占总收入约5%,希望三年内能与传统的SaaS订阅收入达到1:1的比例。

最后,关于具身智能领域“合成数据 vs. 真实数据”的路线之争,黄晓煌观察到欧美企业偏爱合成与仿真数据,而国内企业(很多源于自动驾驶行业)则普遍倾向于真实数据。他表示,群核不会试图改变技术团队的“信仰”,而是两种数据服务都能提供,灵活适应客户需求。

3D路线与视频路线的差异应落到输出对象和约束:3D重建/生成可提供尺寸、结构与可交互场景,便于设备执行和物理检查;视频生成主要输出连续视觉帧,能呈现丰富画面,但尺寸、接触和可执行性未必自动成立。两条路线都在发展,黄晓煌也承认胜负未知,不能把视频生成写成不理解物理、或把3D写成已解决真实世界。

空间智能的商业化则依赖下游客户是否真正需要训练与部署。公司既服务家装、电商和短剧,也服务机器人与工厂等非人形设备,用更多场景分摊模型成本。这与早期‘拿锤子找钉子’相似,但当前客户是否量产、按量收入能否持续增长仍未确定。算力型收入约5%和三年1:1的目标是嘉宾口径与规划,不是已实现结构。

话题推进:在本段结尾,黄晓煌提到了国内外具身智能公司在数据偏好上的差异,这自然地引出了下一段关于行业竞争格局和公司定位的讨论。

01:01:08–01:32:39连续对话 3

01:01:08–01:08:52真实数据与合成数据之争,及对具身智能市场规模的判断

  • 你觉得这(通过2D照片和激光雷达重建)在精度上可以媲美真实环境的数据吗?
  • 但是它不能复刻比如这个环境里的比如摩擦系数啊材质啊在交互时候的这种实际的反馈。
  • 你觉得你们现在服务的这些机器人公司的这些客户他们什么时候能成长为比较大的客户?
  • 你觉得会有一万家具身智能公司吗?会这么分散?
  • 那你可以讲讲你的设想,你的判断是怎样,为什么会这么分散?
  • 你觉得这是一个相对少数派的想法还是很多人会这么想啊?
  • 那但是另一方面你觉得一个吊车它需要变成智能机器人吗?
  • 你觉得空间智能如果它没有达到你设想中的状态,有可能是哪出了问题,有可能是你的什么判断错了?
  • 你现在心里对多长时间是怎么想的?
  • 空间智能到什么程度是你觉得相对成熟了?
  • 现在很多具身智能公司他们自己也会做世界模型,他们自己做的这些东西和你们做的来服务他们的这个东西的区别是什么?
  • 那你这么做这个事儿的一个逻辑其实就是你认为它会有这么一层它就是共通的?

主持人程曼祺首先追问群核科技通过图像和激光雷达重建三维空间的技术,能否在精度和物理属性(如摩擦系数、材质反馈)上媲美真实数据。嘉宾黄晓煌认为,精度取决于激光雷达,而物理属性最终也可以通过采集数字信号来复现。他强调,群核的技术正是围绕让虚拟世界逼近真实物理世界来构建的。

对话接着转向了不同公司对数据类型的偏好。黄晓煌提到,在服务国内外客户后,他发现一个现象:国内具身智能公司普遍倾向于使用基于真实场景扫描的数据,而海外公司(包括他的前东家英伟达)则更多采用合成数据。他解释,这并非因为英伟达想卖芯片,而是美国等地的生态环境所致,主要是出于对实景扫描数据可能涉及的隐私问题的担忧。不过他判断,如果有选择,真实扫描的数据效果肯定会比纯合成的更好。

随后,程曼祺询问这些具身智能客户何时能为群核带来可观收入。黄晓煌指出,这需要客户数量足够多,并且能够实现量产。他提出了一个大胆的判断:目前一两百家公司远不算多,未来可能会有一万家。程曼祺对此表示惊讶,并追问原因。黄晓煌解释,他所说的“智能机器人”是广义的,不仅限于人形机器人。各种形态、服务于不同场景的设备,大到港口的吊车,小到进入人体的医疗机器人,都需要不同程度的“智能”。他认为,智能化对所有设备都是大势所趋,唯一的负面因素是成本,但随着AI带来的效率提升,能源获取成本也会降低,最终形成正循环。

最后,黄晓煌阐述了群核在其中的定位。他认为空间智能的实现只是时间问题,而群核的目标是成为大语言模型的“眼睛”,将物理世界翻译成其能理解的脚本,提供一种所有硬件设备都能使用的通用基础能力,就像动物天生具备在物理世界中行动的能力一样。在当前“百家争鸣”的阶段,虽然很多硬件公司会自己做模型,但群核相信存在一个通用的、连接大语言模型与物理世界的机会,这就是他们探索的Spatial LM的核心价值。

真实扫描与合成数据不能只按国别或‘真实更好’简单排序。真实扫描保留实际材质、环境与传感特征,却可能有隐私、采集与覆盖成本;合成数据便于规模化、控制变化和生成动作标签,但物理与视觉保真仍需验证。黄晓煌提到海外更偏合成、国内更偏真实,是他的客户观察,不是所有公司的统一路线。

‘一万家智能机器人公司’来自广义设备定义:港口吊车、工厂车辆、医疗机器人等都可能需要空间智能,而非只统计人形机器人创业公司。这个市场想象能否转化为群核客户,还取决于设备是否量产、是否选择外部模型与数据服务,以及群核是否能提供比客户自建更低的总成本。

空间智能 (Spatial Intelligence)在本对话中,指让机器(尤其是具身智能设备)理解和交互物理世界的一系列底层能力。其核心是构建物理世界与数字世界之间的桥梁,让大语言模型等AI系统能够“看见”并理解三维空间,从而进行导航、操作等任务。群核科技的“Spatial LM”是其在该领域的核心产品,旨在将物理世界信息翻译成AI能处理的脚本。
合成数据 (Synthetic Data)指在计算机中人工生成、而非从真实世界中采集的数据。在具身智能领域,这通常指通过模拟器或3D引擎创建的虚拟环境、物体和交互数据,用于训练机器人的感知和决策模型。对话中提到,海外公司(如英伟达)因隐私法规等原因更倾向于使用合成数据。
世界模型 (World Model)在这里指一种AI模型,它能够学习并内化关于世界运行的规律(包括物理规律、空间关系等),从而在内部进行模拟和预测。具身智能公司开发世界模型,是为了让机器人能更好地理解环境、规划未来动作,并实现从模拟到现实的迁移(Sim-to-Real)。
六小龙指代杭州几家备受关注的科技创业公司,群核科技是其中之一。这个标签在对话中被视为一个外部赋予的荣誉,它在客观上提升了公司的声望,减少了公司在推行长期技术战略(如自研模型)时遇到的内外部阻力。

话题推进:在明确了群核在空间智能领域的平台化定位后,主持人自然地将其与公司过去垂直深耕的“酷家乐”模式进行对比,引出了关于公司战略转变的讨论。

01:08:53–01:21:25从垂直深耕到平台化:生存优先与“六小龙”称号带来的变化

  • 你们现在做的事儿我理解是更偏这种平台型的基础型的东西。而群核以前在做库家乐的时候给人更多印象是做了很多这种很垂的……你觉得你们有这样一个从纵向到横向的转变吗?
  • 其实原来那个时期也有像旷视像商汤这样的公司他们试图去做一个技术平台……但都没有成功,就你们当时就没有考虑过这种方式吗?
  • 你会担心这样把公司做小了吗?
  • 到目前为止看到的(值得使命一搏的赛道)是就是空间智能吗?
  • 你觉得英伟达的这个转变的过程对你们有什么启发呀?
  • 当六小龙这个称号出来的时候……那会儿你感觉到自己在一个时代之中吗?
  • 六小龙的创始人之间会有什么交流啊?
  • 当有了六小龙这个称号之后会让你比如说想做什么更大的事儿吗?
  • 所以可能从你自己的角度你长期都觉得公司就是一个科技公司……但是有了这个环境的变化之后你觉得整个内部团队很多人他的想法也跟你更趋同了。
  • 对科技公司来说常常做的一个判断就是你能容忍去做多前沿的一个研发……你的这个标准是什么?
  • 那我想问的一个问题其实是说当有了这个判断之后你们是能接受一个技术它在前面多少年里它可能都没有什么商业回报吗?
  • 如果说你变成一个更有实力的公司……(会不会像英伟达一样)投入可能五年十年之后才对它来说比较有意义的这种收入的一些方向。

主持人程曼祺观察到,群核科技的战略似乎从早期“酷家乐”的垂直整合,转向了当前空间智能的平台化、基础化,并询问这是否是一种转变。黄晓煌回应,这不是主动转变,而是“顺势而为”。他解释,在大模型出现前,行业方法论是在细分赛道做精做透。他回忆,在2017、18年调研AI时,发现当时的AI公司(如旷视、商汤)商业模式主要是面向政府和大型企业的安防、人脸识别,与现在的AI完全不同。因此,群核当时选择了垂直深耕的道路。

程曼祺追问,选择垂直赛道是否担心把公司做小。黄晓煌坦言,公司的首要战略是“先活下来”,在此基础上再选择最大的赛道。他提到,创业至今,他见证了无数曾被投资人追捧的明星企业(90%)最终消失或沉寂,而群核能一直存活并增长已属不易。公司内部奉行“坚壁清野、步步为营”的策略,确保占领的市场不会被轻易夺走。他以自己的前东家英伟达为例,最初也是从游戏显卡这个细分的赛道做起,一步步发展壮大,这其中既需要耐力,也需要运气,但前提都是“能活着”。

对话随后转向“杭州六小龙”这一标签带来的影响。黄晓煌表示,这个称号的出现,意外地解决了公司内部和外部的一些阻力。此前,他在公司内部提议自己训练模型、转型空间智能时,会面临很多反对声音,甚至有股东质疑他“几斤几两”,要求砍掉研发换取利润。但在“六小龙”成名后,这些反对和质疑的声音突然少了很多。他认为,这增强了团队的凝聚力,让大家更认同公司作为“科技公司”的长期主义定位,也更容易招到顶级人才。尽管他个人觉得活动变多有些困扰,但总体上为公司战略的推行创造了更好的环境。

最后,关于对前沿研发的投入容忍度,黄晓煌表示,这取决于对技术发展的判断,以及事情本身的大小。他认为,一项技术至少要在三年内看到一些商业回报。但对于像空间智能这样足够大的机会,即使短期收入有限,也值得提前布局。群核从2018年就开始研究空间智能,投入几个人做科研、发论文,这种形式的长期投入是可以接受的。

‘六小龙’称号改变的是公司战略执行的环境:此前股东与团队会质疑自研模型和持续投入,称号带来外部认可后,质疑减少、招聘改善、内部对科技公司的认同增强。它不是技术能力的证据,也不会自动消除商业化风险。

黄晓煌仍把三年看到一定商业回报作为投入约束,同时允许空间智能这种大方向更早布局。这里应区分‘容忍长期研发’与‘放弃验收’:持续投入需要阶段性技术、客户和财务里程碑,而不是因为外部称号就不再检查。

话题推进:在谈到个人在公司中的角色和定位后,话题自然地转向了更深层次的个人特质、管理风格以及创业过程中的痛苦与享受。

01:21:25–01:32:39科研Leader的自我定位、管理风格与转型的阵痛

  • 你现在对自己的定位是什么?
  • 你觉得你现在有什么想提升的地方吗?
  • 那整个公司你觉得有什么你想提升的地方吗?
  • 你们有什么具体的变化吗?从AI来了之后组织上的、管理上的。
  • 你们三个联创之间你们的这种沟通和协作方式经历了一个什么样的变化?
  • 历史上你们有什么比较大的分歧的时候吗?
  • 你作为一号位你是一个强势的人还是一个……
  • 你现在是变得更相信自己了……还是?
  • 所以你理解了你是一个会被环境影响的人,然后你要给自己去创造一个小环境啊。
  • 你曾经顶着什么比较大的内外部压力做过什么决策吗?
  • 当不得不请一些在公司里工作很久的人离开的时候你会怎么去和他们沟通啊?
  • 你觉得这样是一种逃避吗?
  • 这是创业里会最让你痛苦的部分吗?
  • 难道你就没有见过那种比较无情的CEO吗?
  • 你最享受的部分是什么?
  • 你觉得你是那种就是强于战略还是强于实验还是强于执行的创始人?
  • 你现在学习新的东西你会有吃力或者疲惫的感觉吗?
  • 你习惯的学习和成长方式是什么样?
  • 过去你看过的对你的做事方式和你的一些价值观影响比较大的书是有什么呀?
  • (关于马斯克改造Twitter的书)什么部分触动很大?
  • 可是他触动你的部分刚好是你很难改变的部分。

主持人程曼祺询问黄晓煌对自己的定位。黄晓煌表示,他现在更像一个“科研的leader”,专注于将科研成果与产品连接起来。他透露,从2023、2024年意识到公司需要向空间智能转型后,他就把商业和用户部分交给了其他合伙人,自己则专注于此。他希望提升自己在人才招聘方面的主动性,并推动公司组织更扁平化、提升效率,利用AI减少不必要的协同。他观察到,AI时代的产品研发流程已发生改变:不再是漫长的立项、评审流程,而是模型出来后,一两个人就能快速做出原型去市场验证。

谈及个人性格与管理风格,黄晓煌承认自己是一个理性、善于倾听的人,但也因此容易受他人影响。为了解决这个问题,他学会了“改变身边的人”——在做不同决策时,拉入对应领域的专家共同讨论。例如,讨论空间智能战略时,他会与首席科学家一起,而不是和一群只关心短期变现的销售人员。

对话深入到创业中最痛苦的部分。黄晓煌坦言,与“人”相关的问题最让他痛苦,尤其是处理那些跟不上公司发展步伐的老员工。他承认自己“手太慢”,不是心狠手辣的类型,总希望能通过培训改变他们,但理性上又知道这很难。2023年公司转型空间智能时,他面临着巨大的内外压力:既要关闭亏损的建筑房产业务,又要烧钱投入模型训练,这导致一些同事“声泪俱下地斥责”。面对这种局面,他选择将处理相关团队的事务交给其他合伙人,坦承这在别人看来或许是“逃避”。

与痛苦相对,黄晓煌最享受的时刻是产品上线后获得用户喜爱和行业认可。他认为自己强于学习和制定战略,并能随时代变化而调整。他最近在阅读技术类书籍,并提到《Breaking Twitter》一书对他触动很大,书中埃隆·马斯克雷厉风行的转型风格,恰恰是他自己难以做到的短板。他坦言,虽然自己做不到像马斯克那样在视频会议中直接开除员工,但有时组织确实需要这种决断力。

在对话的最后,主持人提及了另一位联合创始人朱皓曾分享的一个故事:2023年,在融资不顺的纽约,朱皓曾在自由女神像下对他感叹,创业多年的收益还不如当初留在大公司。黄晓煌确认了此事,故事在此处戛然而止,引出下一段的深入探讨。

管理部分把‘科研leader’落到具体选择:黄晓煌将商业与用户工作交给合伙人,自己连接科研与产品、负责招聘和战略,并通过让不同专家进入讨论来减少自己易受他人影响的弱点。这个做法不是简单多听意见,而是改变决策时的信息结构。

他也承认处理老员工和组织转型时‘手太慢’,在关闭亏损业务与加大模型投入的压力下,将部分冲突交给其他合伙人处理,甚至称这可能是逃避。保留这段能防止把长期主义和理性倾听理想化:组织转型仍包含具体利益、人员去留和领导责任,不能只写成扁平化与AI提效。

话题推进:主持人引用了联合创始人朱皓讲述的一个关于在纽约自由女神像下计算创业回报的生动故事,直接将话题引向了对创业初心、个人选择与金钱回报的深刻反思。

01:32:39–01:40:25连续对话 4

01:32:39–01:40:25从改变行业到改变世界:创始人的终极目标与反思

  • 你(黄晓煌)想撬动的那个事情你描述一下是什么?
  • 改变世界具体是指什么?
  • 你觉得你身边的人里谁你觉得有世界影响力?
  • 这个(做有世界影响力的产品)和公司做多大并不完全是对等的对吧?
  • 你们以往做过的事情……达到了你心中有世界影响力的这种状态吗?
  • 对你影响比较多的企业和公司是谁?
  • 你觉得他(黄仁勋)是一个什么样的风格?
  • 你觉得总体来说你运气怎么样?群核的运气怎么样?
  • 你(对同期创业公司消失)有总结过他们消失的原因是什么吗?
  • 有什么你会告诫自己千万不要去做的事吗?
  • 你不太愿意说那种特别宏大的目标,不太喜欢说豪言壮语,你在公司里也是这样是吗?
  • 你创业吃过什么大亏吗?
  • 你自己最引以为傲的优点是什么?
  • 你能意识到的自己的比较大的缺点是?
  • 那偏那种特质类的缺点呢?

本段为节目结尾,主持人程曼祺与嘉宾黄晓煌探讨了创业的终极目标、个人反思与公司未来愿景。

黄晓煌首先回应了关于个人财富的看法,他认为钱只是实现人生理想和事业目标的杠杆,他更关心的是能否有足够资源去做想做的事。在主持人追问下,他将这个理想具体化为“做出一些有世界影响力的东西”,并以SpaceX和DeepSeek为例。他认为,做出对世界有影响力的产品是实现人生意义的真正方式,这与公司规模大小不完全对等。他反思道,公司“做大”与“做强做好”是两回事,为了财务数据而进行的并购意义有限。

回顾群核科技过去的业务,如酷家乐及与地产、家装、工业4.0的结合,黄晓煌承认,虽然这些业务在特定行业内产生了巨大改变,但其世界影响力不及DeepSeek。他希望下一步能通过空间智能,将影响力从特定行业扩展到所有行业。

谈及对他影响最大的公司,黄晓煌明确指出是英伟达(Nvidia),这是他唯一正式工作过的公司,其组织运作和客户拓展模式给他留下了深刻印象。他回忆,在英伟达规模尚小时,曾与黄仁勋一起开会。他观察到的黄仁勋,在当时表现得并不雷厉风行,而是非常坚持,对认定的“第二增长曲线”能长期投入,即便当时大家都不相信。黄晓煌认为这种坚持是值得学习的,因为所有公司都会面临寻找新增长点的挑战。

在反思创业历程时,黄晓煌认为群核的运气不错,比同期创业的大部分公司要好,他提到当时一起创业的几十人中,大部分的公司都已消失,死法各异,包括赌博破产、违法被抓、赌错赛道等。他认为杭州企业的一个特点是“活得久”,比如DeepSeek也做了很多年。他告诫自己不要犯致命错误,并从失败经历中复盘,学会远离某类人,例如曾被股东勒索。

在个人特质上,黄晓煌评价自己情绪稳定、冷静理性,但性格偏慢,有时会因为想得太多而错过机会,比如2018年布局AI硬件的黄金时期。他表示自己已过了“画饼”的阶段,现在更讲究落地,确保所说的都在做且能做出来。他为自己现阶段设定的使命是:将公司带向空间智能,直到公司一半的收入来自空间智能业务,才算完成任务。

最后,主持人总结了本次对话,并对群核科技的未来表达了祝愿。

话题推进:本段为节目结尾,对话结束后是主持人的常规节目信息播报。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

公司活下来既需要战略选择,也依赖融资、产品市场匹配和外部周期。

黄晓煌(创业复盘) · 00:01:18;00:06:54;00:14:37

黄淮和IDG提供产品化资源,设计师高频需求支撑专业SaaS,工业软件与服务帮助抵御巨头竞争。‘活下来优先’不能抹去资金、时机和运气的共同作用。

成立条件:这是创始人回顾,存在幸存者偏差;未验证若无这些融资与客户,反事实结果会怎样。

GPU成本会改变订阅、广告和按量付费的成立条件。

黄晓煌(商业模式复盘) · 00:10:53

每次渲染都有实际计算成本,免费使用的广告模式可能亏损,无限订阅又容易与成本不匹配。按量收费重新对齐使用与价格,但技术优化仍可改变成本。

成立条件:不能推广为所有GPU产品只能按量收费;需按任务、硬件、效果与利用率核算。

算法可复制不意味着算法无用,真正壁垒需要算法、数据、服务和组织共同形成。

黄晓煌(技术与组织复盘) · 00:19:48;00:35:56

团队被挖走使渲染算法被复制,客户却因服务与关系未全部流失;后来大模型又让他重新认识算法是发动机、数据是燃料。

成立条件:不同业务的壁垒不同,不能用单一失败推断算法价值,也不能以复合壁垒为由忽略模型能力。

空间智能延续既有3D积累,但其平台价值与商业化仍待验证。

黄晓煌(战略判断) · 00:52:10;01:01:08;01:08:53

3D提供尺寸、结构和可交互场景,服务家装、机器人与工厂可分摊模型成本;但客户量产、外部服务选择、模型上限与竞争都影响最终业务。

成立条件:3D与视频路线各有约束,‘一万家’广义设备不是现有客户,5%和1:1目标不是已实现收入结构。

机制与术语:对象、输入输出和中间过程

GPU成本如何进入产品定价与用户体验

每次渲染或模型计算都消耗实际算力,成本随任务量、分辨率、模型和利用率变化。若订阅价格与使用量脱钩,高频用户会造成亏损;若广告曝光价值低于单次计算成本,免费换量也不成立。按量收费是一种对齐方式,但调度、模型压缩、效果分级和硬件选择仍可改变成本曲线。

对应节目:00:10:53

本文自拟示意,不是嘉宾实验

本文自拟算例:每次渲染成本1元,广告主愿为一次有效曝光付0.05元,则单次曝光本身无法覆盖成本,即使有大量用户也会扩大亏损。若专业用户愿为节省时间付5元,收费逻辑才可能成立。数字用于解释机制,不是群核真实价格。

从技术演示到产品市场匹配

技术Demo先证明某项能力可行,再通过多个行业尝试识别高频、可付费的任务。用户真实使用和留存决定产品方向,融资则提供从外包转向产品的空间。任何一层缺失,都可能只有技术或只有收入而没有可持续产品。

对应节目:00:06:54;00:08:30

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:GPU渲染可用于影视、建筑与家居,最终高频的设计师与装修公司成为核心用户,低频业主不再是中心;IDG支持让团队能停止外包,酷家乐由此走向专业SaaS。

3D空间智能的输入、输出与验收

输入包括空间结构、尺寸、图像、激光雷达或合成场景,模型输出可交互的3D环境、重建或推理结果。验收不仅是画面逼真,还要看尺寸和结构是否正确、能否交互、是否支持设备任务、真实部署是否有效。真实扫描与合成数据需按覆盖、物理保真、隐私和成本组合。

对应节目:00:52:10;01:01:08

本文自拟示意,不是嘉宾实验

本文自拟示意:生成一个可行走仓库时,画面好看仍不够,货架尺寸、通道宽度、碰撞和叉车动作都要可被检查。若真实扫描缺少某类障碍,可用合成数据补变化,再验证真实叉车任务,而不是只用视频效果验收。

独立判断:这些对话改变了什么理解

【本文推断】‘活下来优先’是必要条件,但不能被写成充分的因果解释。

推理:黄淮与IDG融资、设计师需求、工业软件和服务共同支持公司跨越早期与竞争阶段。战略提高了存活概率,却不能证明没有这些外部条件也会成功。公司后来的空间智能选择同样需要技术、资本和客户共同验证。

竞争解释与边界:长期战略也可能正是吸引融资和客户的原因,因此不应把一切归为运气。更准确的读法是区分可控选择、外部资源与事后叙事,而不是简单决定哪个唯一重要。

【本文推断】算法与数据的关系应从‘谁更重要’改成‘能否形成不可轻易复制的迭代循环’。

推理:算法被挖走可复制,但数据、服务和持续反馈能让产品继续改进;大模型时代算法又决定能否利用这些数据。真正壁垒不是单独某项资产,而是团队能否把算法、数据与客户任务反复连接,形成别人难以同步的能力。

竞争解释与边界:如果数据开放、算法通用且客户可替代,复合壁垒也可能失效。需要看独特数据、迭代速度、服务成本和客户切换,而不是只把‘算法+数据’当口号。

【本文推断】空间智能是相关积累的自然延伸,也是一次商业模式重新验证。

推理:群核有渲染、3D结构、行业场景和客户经验,这些能降低空间模型构建成本;但通用平台需要面对模型能力、下游量产、竞争与付费方式的新问题,不能直接把酷家乐的SaaS成功外推到机器人和工厂。

竞争解释与边界:若公司先服务已有家装和工业客户,用真实任务证明价值,再扩展到机器人,平台风险可能更小;若先追求通用底座而没有稳定需求,投入可能超过可承受范围。

【本文推断】黄晓煌的管理方式同时提供学习优势与执行成本,不能简单美化理性与倾听。

推理:通过引入不同专家改善决策信息有助于战略学习,但处理老员工与关闭业务时的迟疑,会让组织承担更长的转型成本。‘科研leader’不仅是研究方向,也包含选择谁参与决策、何时结束旧业务与承担冲突。

竞争解释与边界:交给合伙人处理并不必然等于逃避,合理分工可以让更合适的人执行;关键是决策是否明确、责任是否落地、组织是否及时转向,而非领导是否亲自表现强硬。

尚未解决的问题与可检验的下一步

待解问题:空间智能能否在既有家装和工业客户之外形成可重复的模型与数据服务收入?

下一步信息或小实验:按客户类型记录付费任务、模型调用、复购、交付成本与客户自建对照,分别评估家装、电商、工厂和机器人,而非混算‘空间智能收入’。

怎样的结果会改变判断:若外部客户持续复购且全成本低于自建,平台模式增强;若客户主要试用或转向自建,群核应缩小平台范围或改为垂直解决方案。

待解问题:3D路线与视频路线各自在哪些任务上更有真实优势?

下一步信息或小实验:在相同场景比较尺寸与结构准确、交互可执行、生成质量、数据成本、设备成功率,分别测试视觉展示与机器人任务,避免只比画面。

怎样的结果会改变判断:若3D在设备任务明显优于视频且成本可接受,支持其路线;若视频在多数任务已足够且成本更低,需要重新限定3D的必要性。

待解问题:外部称号和资源注入能否被转化为持续的研究与客户里程碑?

下一步信息或小实验:跟踪‘六小龙’前后的招聘质量、研究进度、客户复购与收入结构,检查阶段目标是否改善,而不是只看活动与曝光。

怎样的结果会改变判断:若称号帮助吸引人才并加速有效交付,组织条件成立;若只有热度而里程碑停滞,不能把它当战略成功的证据。

影响理解的转录疑点

优先连读 00:01:18—00:14:37,理解融资、PMF和GPU成本怎样共同形成酷家乐;再读 00:19:48—00:30:19,看算法被复制后如何重建复合壁垒。随后读 00:35:56—01:08:52 的空间智能战略、3D与数据路线和客户量产边界。最后读 01:21:25—01:40:25,理解科研leader、组织转型成本与长期目标,不把‘活下来’当作唯一成功解释。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:160: 群核IPO后与黄晓煌聊这15年:被嫌弃的GPU、冠军酷家乐、空间智能、六小龙

本页使用的公开文字或字幕来源

返回顶部