一、开场的问题不是“谁的模型最强”，而是“如果一个国家掌握了 AGI，其他人还剩什么”
节目在正式自我介绍前就抛出一个极端假设：如果有一天 OpenAI 或另一家美国公司真正做到能够统一世界的 AGI，中国怎么办？李开复给出的直觉答案，不是让中国再复制一个完全相同的 OpenAI，而是要有自己的社会应用、搜索、智能助手、硬件和开发者生态。这样，即使某家公司拥有最强的通用模型，其他社会仍然有自己的产品入口、用户关系和经济活动。
进入正式开场后，张小珺把问题放在 2024 年美国大选和诺贝尔奖之后的技术背景里。她提醒听众，李开复不是只做投资评论的观察者：他在 Apple、Microsoft、Google 的 AI 业务中工作过，后来创办创新工场和零一万物，横跨研究、产品、组织和创业。两人要讨论的因此不是抽象的“中美谁赢”，而是一个很具体的产业问题：第一家形成 AGI 霸权的公司，是否会同时拥有模型、应用、平台和资本，从而把后来者变成只能购买接口的客户。
二、从 Hinton 讲起：神经网络的胜利是几十年坚持、数据和 GPU 共同造成的
主持人先问李开复对 Geoffrey Hinton 获得 2024 年诺贝尔物理学奖的第一反应。李开复说自己最初觉得 AI 与物理学的连接有些“牵强”，但从 AI 从业者角度看又很自然：神经网络、能量模型和机器学习已经深刻改变了科学研究；未来 AI 相关工作得到更多诺贝尔奖并不奇怪。这段不是为了给 Hinton 立传，而是让听众理解：今天的大模型不是突然从 2022 年出现，真正的技术突破经历了长时间的低谷。
李开复回忆自己在卡内基梅隆大学读书时曾跟 Hinton 学习。那时他做过一个能击败世界冠军的黑白棋程序，用贝叶斯分类器和博弈树处理棋局；Hinton 对这种工程成果的评价并不热烈，因为他更关心能否提出可迁移的理论。李开复形容 Hinton 独立、深思、带着英国式幽默，也不太在意主流是否认同自己。Hinton 早期研究的玻尔兹曼机和神经网络在当时并不好用，网络层数加深就很难训练；他和 Yann LeCun 等人关于神经网络的论文曾被拒绝，但仍坚持了约三十年。
转折来自三个条件同时到位：更多数据、更强计算和 GPU。GPU 原本是图形处理器，但它适合大规模并行计算；Hinton 的重要判断之一，是看到了 GPU 可以成为机器学习的计算引擎。李开复还讲到自己早年在专家系统、语音识别、隐马尔可夫模型和小型语言模型之间的选择：他并不是从一开始就相信深度学习，而是在看到数据与计算把旧方法的限制推开之后，改变了判断。这个历史故事给后面公司战略埋下伏笔：真正的路线变化通常不是单个概念胜出，而是算法、硬件、数据和产品条件一起成熟。
三、为什么“AI 教父”还要创业：不做的遗憾比失败更难接受
主持人接着问一个带有个人色彩的问题：当别人把李开复称作 AI 教父、行业前辈时，他会不会有“偶像包袱”，觉得自己必须做出一家公司来证明什么。李开复的回答反而很朴素：他并不认为自己非做不可，但如果已经判断这件事重要，却因为顾虑太多而没有尝试，晚年可能更后悔。
他描述了 2023 年决定创办零一万物的过程。当时他本来可以只做创新工场的董事长和 CEO，也可以找一位更年轻的人来带公司；但合适的互补型 CEO 没有出现，王慧文、杨植麟等人的行动又让他重新意识到窗口已经打开。于是他在 2023 年初开始搭班子，在获得投资人和机构同意后，选择同时承担董事长与 CEO 的工作。这里的重点不是“创始人必须亲自下场”，而是他的责任观：如果没有更合适的人能把愿景、技术和组织接起来，那么他就不能把决定推给别人。
四、零一万物的第一项选择：不追求最昂贵的 AGI，而追求更低成本的推理
主持人把话题拉回公司的 2024 年决策：零一万物为什么没有像美国头部实验室那样，把所有资源投入到更大训练集群和更强的前沿模型。李开复并没有说 AGI 不重要，而是认为中国团队在算力和资本规模上无法与美国最富有的公司正面相撞。与其把有限资源投入一场“谁能先训练出最大模型”的竞赛，不如先做出能力足够强、速度足够快、价格足够低的模型。
“低成本推理”在节目里不是一句降价口号。推理指模型已经训练好之后，回答每个用户请求所消耗的计算；训练是一次性的大工程，推理却会随着用户量、回答长度和产品交互次数不断发生。聊天机器人慢一点，用户可能还能接受；搜索、短视频、游戏和持续对话则需要更快、更高频的调用。如果单位推理成本降不下来，应用越成功，成本反而越高。
李开复解释说，成本下降不能只等硬件自然进步。团队要把硬件、软件、模型和应用放在一个系统里共同设计：第一层是让模型本身尽量高效；第二层是改进推理引擎和调度；第三层是把 GPU 显存、CPU 内存和 SSD 等不同层级的存储组合起来，让可重复使用的中间结果尽量停留在更便宜的内存中；第四层是让模型大小和机器配置匹配，避免为了一个小模型浪费整台机器。
节目中给出了“多花一部分内存、减少四到五成 GPU 计算”“成本做到原来的十分之一”等方向性说法。它们表达的是工程策略，不是经过公开基准验证的普适数字。李开复真正想说明的是：推理成本有一条自然下降曲线，但只有做垂直整合，下降速度才可能快过自然曲线；而这正是零一万物认为自己可以建立的能力。
五、“模印一体”：模型专家不能只把 API 交给产品经理
在主持人的追问下，李开复把公司组织问题讲得更细。他认为基础设施可以服务多个产品，但每个真正重要的产品都应由懂模型的人参与甚至负责。这里的“模印一体”可以理解成模型与产品一体化：模型输出的质量、速度、成本和交互方式共同决定产品，而不是先训练一个大模型，再把 API 丢给一个完全不了解模型的人做界面。
他引用自己在 Google 见过的产品文化：产品经理最好具备计算机基础，因为技术人员较容易通过访谈和观察理解用户，而让不懂技术的人在很短时间内掌握复杂的计算机系统更难。李开复并不是取消产品、设计、增长和运营，而是重新分工——模型负责人理解能力边界和成本，产品负责人理解用户任务，设计和增长团队把它变成可用、可传播的产品。
Character.AI 的例子说明为什么这种衔接会失败。Noam Shazeer 等人既想做通用 AGI，又想做一个响应迅速、成本可控的角色聊天产品。对前者，越大的模型和更多算力越有吸引力；对后者，一个更专门、更轻量的模型往往更合适。李开复把这比作“用屠宰牛的刀杀鸡”：研究路线和产品路线需要的模型并不相同。后来 Google 对相关团队和业务的安排，也被他当成“AGI 研究目标与消费产品目标存在张力”的例子。
零一万物因此先用现有强模型做海外应用，训练产品团队理解用户，再把自己的模型逐步替换进去。李开复把“AI-first”定义得很严格：如果把生成式 AI 拿掉，产品就没有成立的理由，才叫 AI 原生；如果只是把移动互联网产品加一个聊天入口，不能因为用了模型就自动成为 AI-first。节目提到 2024 年海外产品收入约数百万美元、希望继续增长，这些数字属于节目时期的公司口述，不能当作财务披露。
六、中国不抢第一台“超级大脑”，而是先构建“第二条道路”
主持人进一步提出尖锐问题：如果中国不追求第一家 AGI 公司，难道不会永远处在二流位置？李开复的答案是，发明和落地不一定由同一个国家完成。美国在移动互联网、深度学习和卷积神经网络等方向经常先发明，但中国在应用、规模化运营和商业落地上也曾形成过很强的能力。这个判断不是说中国技术不重要，而是把竞争单位从“谁先发明最强算法”换成“谁能把能力嵌入最多人的日常生活”。
他把路线分成两种。美国路线是先用数千到上万张 GPU 做很昂贵、很冒险的实验，再把成果压缩到产品；中国更现实的路线是先获得足够接近的模型能力，然后把推理成本降低几十倍，让大量团队有能力试错。李开复把这种路线称为“第二条道路”：不先造全世界最强的单一大脑，而是让社会拥有足够便宜、足够多样的应用大脑。
这条路的关键不是单纯“低价”。当模型接近商品化，应用可以围绕品牌、用户关系、社交图谱、行业数据和工作流形成壁垒。将来如果某一家模型公司成为唯一的大脑，拥有本地应用和用户数据的公司仍然可以谈判、切换模型、服务本地需求，甚至在下一阶段重新投入 AGI。李开复用生态来解释国家竞争：芯片公司、云平台和应用公司都赚钱，但如果价值几乎全部集中在最上游，社会就没有足够多的应用和反馈，产业结构并不健康。
节目里出现了芯片、云和应用收入规模的对比，也出现了“每百万 token 低至极低价格”和能力接近头部模型的说法。这些数字都需要按录制时间、模型版本、输入输出口径和优惠策略重新核验。对这段论证最稳妥的理解是：便宜推理只有在性能、延迟和可用性都达到产品门槛时，才会真正扩大应用数量。
七、AGI 还要多久：李开复给出七年，但他引用的不是“神谕”
当主持人问到 AGI 时间表时，李开复给出“七年以后”这一判断。为了说明为什么不是马上发生，他引用了 Epoch AI 关于 Scaling 的研究框架：训练算力仍可能继续增长，但会受到电力、先进芯片产能、数据稀缺、内存和跨地域通信延迟等约束。GPT-2 到 GPT-4 的能力提升很快，并不意味着 GPT-4 到 AGI 会以同样速度推进；随着规模增大，收益可能递减，成本和工程复杂度也会增加。
这里的“Scaling”是指在训练阶段不断增加计算、数据或模型规模，观察能力是否继续改善。Epoch AI 在 2024 年的公开报告确实把电力、芯片制造、数据和延迟列为约束，并估计到 2030 年仍可能出现约 (2\times10^{29}) FLOP 的训练规模；但这只说明某种规模在工程上可能可行，不等于报告证明 AGI 会在 2030 年出现。李开复把这类研究当作时间判断的支撑背景，而不是一条已经验证的 AGI 定律。
因此，节目中的“七年”应当被读成一个带条件的路线预测：如果前沿实验室继续投入、Scaling 没有提前撞上硬约束、推理阶段出现新的能力放大，AGI 可能在这个时间窗口接近；如果其中任一条件不成立，时间表就会后移。
八、在中国做什么：海外先做 2C，国内更适合高价值 2B
接下来对话从宏观路线落到公司经营。李开复认为，中国团队在基础模型能力上可能落后几个月，但这段时间足够让应用团队学习怎样把模型放进产品。问题在于，国内消费者应用的获客和流量成本很高，ChatGPT 已经替用户完成了一轮教育；一个中国团队如果只在国内做通用 2C，既要支付高昂分发成本，又要面对用户对免费产品的预期。
所以零一万物的策略是：2C 产品优先考虑海外市场，国内业务更谨慎地做 2B。企业客户不是简单买一个通用模型，而是希望模型进入 ERP、CRM、客服、销售或知识管理系统，处理企业自己的旧数据、新数据、排序、清洗、标注和评估。李开复强调，真正高价值的客户往往不是只想拿到一个 API 的小客户，而是愿意共同建立行业模型、让供应商对结果负责的大型企业。
这也解释了为什么他不喜欢传统意义上“把模型卖给所有人”的 ToB 方案：如果每家公司都需要重新定制，销售额增加的同时交付成本也会增加。一个好的行业方案应该把客户的问题、可用数据、评价标准、权限和交付结果固定下来，形成能反复复制的系统。模型是其中一层，业务流程和结果责任才是收费依据。
九、Service as Software：从数字员工开始，先替客户赚到钱再收费
主持人问，低成本推理什么时候能变成真实业务。李开复举的是数字人直播和“数字员工”思路：一个商家老板可能没有时间每天在多个平台直播，人类主播一次只能服务一个频道；如果数字人可以同时在四五个平台持续工作，应用就不再只是生成内容，而是在执行一项可计量的销售任务。
他设想的收费方式不是先卖一个昂贵软件席位，而是把部署、直播、投放和成交串起来，先帮助客户每天多赚到一笔可见的 GMV，再按新增利润的一小部分收费。这样的模型可以叫“Service as Software”：客户购买的不是访问软件的权限，而是一个完成的工作结果。它要求系统能够端到端地承担任务，也要求产品方愿意面对失败、归因和客户对结果的追问。
这段与传统 SaaS 的差异很重要。SaaS 通常按账号、席位或使用量收费；Service as Software 更接近按解决了多少问题、带来了多少收入、处理了多少工单收费。它可能有更大的市场，但也把责任和交付压力从客户转回供应商。数字人只是节目里第一个垂直场景，李开复还希望沿着广告、短视频、零售等商家痛点扩展。
十、从应用爆发到 Super App：助手可能把“打开 App”这一步消灭
李开复预期，随着推理成本继续下降，消费端应用可能在接下来的半年左右出现一轮明显爆发。这个判断依赖两个观察指标：一是同等能力的模型价格是否足够低，二是风险资本是否重新愿意给应用团队试错。单个 Super App 不会突然从天上掉下来，而会经历三个阶段：先把既有移动应用的功能重写得更自然，再出现只有 AI 才能成立的新应用，最后由一个了解用户长期偏好的助手统一调度这些服务。
在他描述的委托式界面里，用户不再先打开旅游、购物或外卖 App，再在页面里完成很多步骤，而是用自然语言说出目标。助手了解用户偏好，向多个服务商询价、比较和执行；原来的 App 变成被调用的供应商，应用商店和图标入口的重要性下降。要让这套系统可用，手机、耳机、眼镜等硬件必须能够持续听见用户并安全地代为行动；如果一个四十秒的 App 流程可以被压缩成一秒的委托，用户关系和分发权就会重新分配。
这是一个很有吸引力的产品愿景，但节目本身没有证明它已经发生。代理权限、付款确认、错误恢复、商业分成、隐私和责任都还没有被解决；“Super App”在这里更像一个由低成本推理推动的长期方向，而不是近在眼前的产品结论。
十一、乐观与担心并存：安全、意义和一个人能承担的责任
谈到 AI 安全时，李开复把自己的态度概括为 80% 乐观、20% 担心。他认为技术上可以建立类似断路器、杀毒软件和权限控制的防护，社会也应该鼓励专门做安全、隐私和审计的公司。法律需要跟上，但不能在还没有理解技术路线时过度限制创新；对人类利用 AI 进行犯罪的行为，则可以先用现有法律追责。
这里的前提是：风险既来自模型本身，也来自人、权限和商业压力。一个拥有强大模型但没有支付、发布、执行权限的系统，风险和一个可以自动下单、发邮件、控制设备的系统不同。李开复的技术护栏观点还需要与具体权限、红队测试、事故响应和责任主体结合，不能停留在“有一个断路器”这一层。
主持人随后把话题转到人生选择。李开复说自己不太害怕失败，因为真正折磨人的往往是没有尝试；但他也提醒，“我要改变世界”很容易变成另一种自我中心。经历疾病和长期思考之后，他更愿意问：做零一万物与不做零一万物，哪一个更可能为用户带来价值？“让 AGI 有益并且人人可用”对他来说包括中国、美国和发展中地区，而不应让某家公司因为地缘政治而把一部分人排除在外。公司的技术选择、成本策略和产品路线，必须和这个愿景一致。
十二、o1 与“第二个金矿”：推理时计算可能改写模型竞争
节目后半段谈到 OpenAI 时，李开复认为 OpenAI 手里仍有很多牌，GPT-5 的训练是否顺利、o1 是否是融资与产品节奏的一部分，都是他在节目时期的判断，并非公开证据能完全确认的事实。但他认可一个重要变化：o1 把一部分计算从训练阶段移到了回答阶段，让模型在作答前花更长时间进行推理。
这会带来一条与传统预训练不同的扩展曲线。传统方法是在训练阶段增加数据和算力，之后用很快的速度回答；推理时扩展则是在用户提出困难问题时多花计算，让系统生成、比较、验证更多候选过程。它特别适合数学、代码和有明确答案的任务，因为可以用测试或验证器判断结果；开放式写作、旅行计划等任务的“好答案”更难评分。
李开复借此提醒创业者重新考虑要不要自己预训练模型：如果开源模型已经足够强，花一千万美元训练一个几个月后就被替代的模型，未必值得；如果团队能以很低成本做出明显更强、寿命足够长的模型，才有理由投入。他把模型能力、产品市场匹配和成本结构放在一起，提出类似“技术能力与产品市场匹配”的判断：不是只问模型是否强，而是问它是否强到足以改变产品结果。
Sequoia 在 2024 年公开讨论 o1 时，也把“推理时计算”描述成继预训练之后的新扩展方向，并认为应用层仍需要领域特定的认知架构。这个外部材料能够支持“o1 改变了讨论框架”这一窄判断，但不能证明李开复对具体公司、产品或时间表的预测已经实现。
十三、最后的公司判断：Nvidia、Meta、微软、OpenAI、xAI、Google 各自卡在哪里
节目最后像一张快速画出的产业地图。李开复认为 Nvidia 是最大赢家，但也提示一个长期问题：GPU 的重心可能从训练转向推理，芯片供应商需要适应更分散、更高频的使用模式。Meta 可能因为难以在闭源模型上赢得同样的商业位置而选择开放模型，以广告业务补贴长期战略；这使它有机会成为生态平台，但也需要证明开放能带来真正的分发优势。
微软拥有云、企业客户和 OpenAI 关系，是很强的组合，但也必须有 Plan B：如果长期依赖另一家公司提供核心模型，价值分配和产品控制会成为风险。OpenAI 的优势是产品、品牌、资本和战略执行，李开复一方面佩服 Sam Altman，另一方面担心强垄断目标可能让安全让位于速度。xAI 的优势在执行力和复制学习能力，未来能否把 Tesla 的物理世界数据、X 的分发和模型能力接起来，决定它是不是简单追赶者。
Google 在技术资产上本应非常强：Transformer、DeepMind 的强化学习传统、搜索和广告都在手里。但搜索业务的商业模式形成了约束。一个传统搜索结果页同时给概览和链接，既可能稀释广告，又可能无法满足用户希望直接得到答案的需求。李开复把 Perplexity 当成一个对照：它用引用、对话和研究体验建立信任，但同时承担更高推理成本、版权争议和仍然存在的幻觉风险。Google 很难完全复制这种亏损换增长的策略，因为它已有成熟搜索收入体系。
这些判断不是公司研究报告，而是访谈中一位有产业经验的参与者在 2024 年的战略读法。它们的价值在于把技术、成本、分发和商业模式放在同一张图上；它们的局限也正来自这一点——每家公司都在变化，任何一个判断都不能脱离当时的模型版本和竞争位置。
十四、节目怎样收束：不是等待中国赢得 AGI，而是先把自己的时代做出来
张小珺最后把问题拉回年轻人和创业者：如果回到年轻时代，李开复还会不会选择创办零一万物。李开复的答案是会。他并没有承诺公司一定成功，也没有把“第二条道路”包装成必胜路线；他强调的是，真正的衡量标准是用户是否使用产品和 API、公司是否持续创造价值，而不是技术圈是否把你称作最强模型。
所以整期访谈的结论不是“美国 AGI 一定霸权”或“中国不需要 AGI”，而是一组有条件的行动建议：美国头部公司继续探索前沿，中国团队不要在资源不对称时盲目复制；先把模型做得足够强、推理做得足够便宜、应用做得足够有用，让社会拥有更多可替换的入口和更丰富的反馈；如果未来 AGI 的路线真的发生，拥有这些生态资产的社会至少不会只剩下被动购买一个黑箱。