#66 李志飞：IPO、GPT-4o 与前沿科技创业的痛

原文讲解：李志飞怎样从一声“敲钟”讲到一块会融化的浮冰

音频开头约 54 秒是节目预告，正式片头从约 00:54 开始。以下时间以节目公开章节为主；自动转写对公司名、英文名和技术术语有误识别，已按上下文统一为 GPT-4o、Sora、Google、OpenAI、出门问问、魔音工坊等常用写法。融资、员工数、现金余额、训练规模和市场预测，只在文中作为节目时期的嘉宾口述保存。

一、上市不是终点：敲钟之前最累的不是创新，而是让公众相信你没有误导他

李志飞先把镜头从“上市喜悦”拉回日常。上市前，公司要做大量合规、审批、披露和解释工作；这些工作不一定有技术挑战，却要求团队对同一件事反复说明、反复修改。私募融资面对的通常是专业 VC，很多背景信息默认对方懂；公开发行面对的是普通投资者，监管者必须确认招股书中的描述准确、没有误导，公司的运营合法，未来预测也没有把愿望伪装成事实。节目中他以四五十个中介、近一年准备周期说明，IPO 的工作量来自无数细节，而不是敲钟当天的那一下锤子。

对 AI 公司而言，港股的困难还叠加了流动性、估值和过去十年行业泡沫。许多公司估值很高，却仍然亏损；很多 AI 公司以项目制交付为主，项目越多不一定越赚钱，因为每个客户都要求一套定制，规模经济很弱。巨头又同时进入，创业公司必须回答：今天有用户、有收入，三到五年充分竞争以后还会有自己的生态位吗？李志飞把出门问问的相对优势说得很克制：公司过去更偏产品化，不是持续亏损的纯项目公司，AIGC 应用当时也已经有一定营收；但这并不等于未来安全，只代表暂时没有被漏斗筛掉。

二、为什么前沿技术容易变成 2B 项目：需求不清楚，技术也不成熟

张小珺追问“前沿科技总和项目制挂钩”是不是一种规律。李志飞的解释不是简单归因于销售能力差，而是把它拆成两端：新技术的边界还没有被用户理解，用户需求本身也往往是想象出来的；与此同时，技术还不成熟，无法直接交付一个稳定产品。于是客户带着一个模糊场景来，技术公司必须现场定制，双方在 2B 会议室里共同想象一个未来，但这个需求是否来自最终用户，尚未被验证。

因此前沿技术常常先进入大企业：大企业有预算，也愿意为“创新”承担试错；创业公司则通过定制帮助客户理解技术能做什么。等技术成熟、边界稳定、用户知道它可以解决什么问题后，产品化和 2C 才可能真正扩大。这个过程解释了为什么“技术有用”与“公司能持续赚钱”是两件不同的事。

他随后提出“漏斗模型”：一百个前沿技术想法，只有少数能从技术变成产品，从产品变成商业模式，再让技术投入与商业价值匹配。没有通过漏斗，不等于技术永远没用；Google Glass、AR/VR 等曾经过早的产品，可能在新的硬件、模型或需求成熟后重新出现。前沿创业的残酷之处在于，创业者不能只证明“未来一定是 AI”，还要证明第一步做什么、第二步何时做、怎样在巨头到来前建立壁垒。没有路径和节奏规划的 Vision，在他看来只是把宽泛的判断包装成战略。

三、GPT-4o 让多模态从“理论上可行”变成“必须认真对待的产品形态”

谈到 2024 年 5 月刚发布的 GPT-4o 和 Google I/O，李志飞先承认两家公司真正展示出来的东西高度同质化：多模态和助手。过去的语音助手也能做到实时，但通常是降噪、唤醒、语音识别、语言理解、检索、对话、语音合成等多段 pipeline。每一段都会压缩或丢掉信息，尤其是说话人的情绪、语气和上下文；大模型又让语言理解变强，却常常带来很高延迟。GPT-4o 展示的是“没有变笨，又能实时互动”的组合，这才让多模态助手从演示愿景变成真实产品方向。

他把语言模型比作认知基础：教六岁孩子炒菜，比教没有世界模型的猴子容易，因为孩子已有常识，可以用语言理解步骤。声音、图像、动作和环境适应，都需要把信息放进同一个能够理解世界的基础中。李志飞认为 GPT-4o 的难点不只在“多加几种输入”，而在于模型吸收声音后，文本能力没有明显掉下去，还能通过 prompt 在不同模态间自由切换。他结合出门问问的经验解释：把声音编码成 token 并不难，难的是一个小模型只能做配音，若把声音接入强大的语言模型，又要避免声音训练把语言认知能力破坏掉。

他的技术信念是：长期看，理解与生成最好都放进统一的自回归模型。Sora 在节目语境中被视为另一条基于 diffusion 的视频生成路线；视频每秒需要的 token 数量远高于文字和声音，实时精细理解会显著增加推理成本。于是他把视频看成统一模型中最晚进入的一种模态，并预期未来会出现“视频—声音—文本—动作”逐层合并的路线。这里必须保留他的限定：OpenAI 和 Google 没有公开完整技术细节，关于架构、训练方式和为什么视频尚未统一的部分，是他的推断，不是官方披露。

四、Google 与 OpenAI 的差别，不只是模型分数，而是组织和既有入口

李志飞对两场发布会的评价很有个人色彩。他觉得 OpenAI 用一个小团队做实时演示，像一支快速下注的创业团队；Google 则像多个部门依次汇报，展示了搜索、照片、Gmail、YouTube、操作系统和边缘设备如何接入多模态能力。李志飞并没有因此断言 Google 的模型一定更强，而是区分了两种优势：模型能力可能高度同质化，但 Google 拥有海量既有用户和应用入口，能把模型接入既有商业系统。对 Google 来说，搜索从链接变成答案可能会改变广告形态，却也可能是自身的升级，而不是从零开始寻找用户。

随后话题转向 Ilya Sutskever 离开 OpenAI 和 Sam Altman。李志飞认为，研究型公司需要能够在不确定时刻做大下注的人：既要有技术 vision，也要能承担“把全部算力押在一条路线”这种决策，并让团队信任这个选择。他对 Sam 的评价是个人判断，核心并非事实核查，而是他对“宏大叙事与有限交付”的反感：在他看来，科技领导者可以用宏大目标获得注意力和资源，但最终仍要用稳定交付兑现一部分承诺。他更关心的不是 GPT-5 这个名字何时出现，而是多模态是否从 Demo 打磨成普通用户真正可用的工具。

五、从多模态到具身智能再到 Agent：李志飞给出的顺序很明确

他不认为“现在直接转 Agent”就自动代表进步。在他的顺序里，先要把多模态理解和生成做稳定，再把动作和物理环境接入，随后提升推理与规划，最后才是能够长期完成复杂任务的 Agent。原因很具体：文本模型所在的是一个语言构成的虚拟环境；机器人进入真实房间，需要摄像头、碰撞传感器和其他传感器，还要在换房间、换物体、换任务后继续适应。只有感知还不够，系统还必须根据环境动态调整。

他也用 token 和实时性说明工程瓶颈：声音压缩后每秒几十个 token 可能已经足够实时，视频则可能需要数量级更高的表示。所谓“实时看视频”可能是高度压缩、只抓重点的分析，而不是逐帧保留所有细节。这个区别意味着，演示中“能看见”与真实任务中“没有漏掉关键证据”之间仍有很大距离。

六、价格趋近于零之后，模型公司必须回答“充分竞争后我在哪里”

谈到字节模型降价，李志飞的判断很直接：API 调用成本会越来越接近零，巨头可以把模型当作云、广告、内容或用户入口的补贴品。对用户和整个生态，这是好事；对以 API 为主要收入的创业公司，却可能是商业模式被直接击穿。创业者不能只问模型现在多强，而要问三到五年后自己的生态位、可持续收入和能力是否配得上那个位置。

他把相关公司粗略分成三类：第一类是从头训练基础模型、带领行业往前走的少数巨头；第二类是在开源或既有基础模型上建立自己的模型能力、把产品和模型结合起来的公司；第三类是调用前两类模型做应用或定制。绝大多数创业公司不可能承担第一类的算力账，更现实的低功耗策略是进入第二类：在模型能力、垂直数据、产品反馈和用户工作流之间建立自己的闭环。出门问问所在的创作者工具方向，被他称为 Professional Consumer——既不是大众订阅 App，也不是传统 2B 定制，而是服务专业创作者的工具；但他立刻补充，这个位置仍然可能被免费产品吞掉，必须持续验证。

他借用曾鸣描述的浮冰：公司暂时站在冰上，却不能把冰当成坚实陆地。正确姿态是低功耗运转，控制消耗，同时观察周边是否出现新的“尖兵”或 AI 原生产品形态；一旦出现真正的需求和长期商业价值，公司要有能力跳上另一块更稳的冰。这里的“低功耗”不是停止研究，而是把技术冲动先通过阅读、写作和小规模实验释放出来，不要每次看到新 Demo 就立刻发动一场无法撤回的战争。

七、十二年创业回望：真正的战略错误不是太早做 AI，而是想用小公司改变整套交互方式

李志飞把创业低谷放在 2019–2020 年：公司有一千多人、硬件库存、线下门店和很高的工资成本，账上看似还有数亿元人民币，但按照年度支出只能撑几个月。他回忆，早期 Google 和大众汽车的融资让公司继续活了下来；这并不必然证明公司当时已经建立了强商业模式，也可能是投资方各自有进入中国、汽车和 AI 时代的战略需要。融资给了时间，却也让团队更容易把“有钱”误读成“方向正确”。

他承认自己曾经非常勤奋，却没有真正思考竞争和定位。公司从语音助手延伸到手表、耳机、车载设备，提出“定义下一代人机交互”，再进一步想做跨场景、无处不在、无所不能的虚拟个人助理。站在大公司的资源条件里，这可能是一个合理的探索项目；但对创业公司来说，既要改变用户习惯，又要同时做多个硬件，还要等待生态互相购买，接近一种妄念。小公司应该以小博大，不能以一己之力创造完整生态。

2020 年他采取了非常痛苦的收缩：继续裁员，把团队规模降到三百人以内，控制总部招聘，把每条产品线的成本、收入和分摊成本拆开算 P&L。过去各业务负责人不断要人，算清楚亏损后，很多人反过来主动说自己养不起更多人。后来魔音工坊、配音、数字人等产品逐步找到更实际的需求，2021 年之后业务缓过来；但李志飞强调，技术产品从零到一通常需要两三年，至少要保持约十八个月现金流，不能把一个月的偶然收入直接外推成全年规模。

2023 年大模型浪潮既带来帮助，也带来新的竞争。更成熟的模型让过去做不好的配音、数字人和写作体验变好；但大量资本重新涌入，又让原本可以安静经营的产品暴露在巨头价格战中。李志飞没有再次独立创办一个基础模型公司，而是通过写 RT-2、Gemini、Sora 等技术解读，把对技术的冲动从公司战略中分离出来。他说，以前看到新技术会立刻组十个人开战；现在先把问题写明白、想清楚，再决定有没有值得承担的机会。

八、结尾不是“成功学”：创业者真正要问的是下一个问题

节目最后回到上市那一刻。李志飞说，敲钟前他关心的是姿势和锤子是否敲得够响；真正的情绪并没有在仪式当天爆发，因为能否上市在前一晚已经基本确定。后来他问自己：这一天的结果，对得起十二年磨难吗？他的答案是“对不起”。这不是否定活下来，而是说公司没有达到最初想给用户和时代带来的价值，和同时代那些真正改变用户生活的公司相比，差距很大。

在湖畔的讨论里，他把问题表述为：三到五年后，AIGC 工具还有没有生态位？同学们最后给出的启发是，如果这个问题已经暗含了“没有”的答案，它就不再是一个开放问题；下一个更有用的问题应该是：在 AIGC 时代，自己能够找到什么新的生态位？这句话收束了整期访谈：宏大愿景不能替代战略，短期营收不能替代可持续位置，上市也不能替代用户价值。

先给判断：这期最重要的不是“GPT-4o 讲对了多少”，而是把创业看成一场不可撤回的下注管理

我的核心判断是：李志飞把“前沿科技创业的痛”讲成了一个转换预算问题。公司每次从技术转产品、从产品转收入、从旧产品转新范式，都需要时间、现金、组织注意力和用户反馈。任何一次转换失败，前面的技术能力都可能变成库存、项目或融资故事；任何一次转换成功，也不意味着下一次转换会自动成功。

问题：为什么技术领先经常不能转成公司领先

节目反复出现的真实问题是“技术、需求和资本的时间表不同步”。前沿技术在研究室里可以先成立，但用户需求还没有形成；大企业可以用预算买试验，创业公司却必须在技术成熟前建立收入；当巨头进入后，原来的 API、硬件或项目优势又可能被免费产品压平。

这也是为什么李志飞把“生态位”放在三到五年尺度上，而不只看当下产品是否有用户。一个产品可能今天好用，却只是暂时的功能窗口；一个模型可能今天领先，却没有入口、数据和现金流把优势维持下去。对读者来说，判断前沿公司时，应该把“当前能力”与“下一次范式迁移的筹码”分开。

机制：从前沿技术到可持续公司，中间至少有四个转换层

这四层不能互相替代。一个模型可以有能力但没有产品，一个产品可以有用户但没有毛利，一个公司可以有现金但没有生态位。李志飞对 Agent 的谨慎，正是因为他认为前三层尚未稳定时，直接把“Agent”当成商业答案，只是在更高层包装未解决的问题。

证据审计：哪些是原文事实，哪些只是节目时期的判断

术语解释：第一次听到时应该知道它在说什么

局限与反例：这期访谈不能替我们证明什么

• “多模态是下一阶段核心”是很有解释力的技术判断，但不能由一次发布会证明它一定通向 AGI；稳定性、成本、长上下文和物理动作仍需独立评测。
• “模型公司最后必须产模一体”可能适合当时的基础模型创业环境，却不排除开放模型、垂直数据公司、渠道公司或服务公司形成其他护城河。
• “至少十八个月现金流”是李志飞对前沿创新公司的经验规则，不是适用于所有公司规模、毛利和融资周期的财务公式。
• 创业者承认错误会增加叙事可信度，但不等于所有历史判断都准确；尤其是融资动机、竞争对手能力和未来生态位仍需要后续结果检验。

独立 insight：真正的护城河，是下一次迁移仍然付得起

从这期节目可以推出一个比“模型强不强”更实用的判断：前沿公司的核心资产不是某个阶段的技术领先，而是在范式变化时还能完成迁移的能力。迁移包括模型替换、产品重做、客户重定位和组织收缩。它需要四种可积累的东西：能复用的数据，能观察真实需求的产品入口，能覆盖转换期的现金流，以及不会把每次新技术都变成全面战争的组织纪律。

这解释了为什么李志飞宁可写一篇没人读的技术解读，也不立刻组队去做机器人：写作保留了认知和判断，全面开战则会消耗现金、注意力和退出选项。这个策略的边界也很清楚——如果只低功耗、不把产品反馈和数据闭环做出来，它就会变成拖延；只有在保持迁移能力的同时持续验证用户价值，低功耗才是战略。

证据边界与资料索引

• YouTube：#66 和李志飞聊 IPO、GPT-4o 和前沿科技创业：节目标题、视频入口与公开视频语境。
• 小宇宙节目页：节目简介、章节和音频入口；章节标题用于校正主题边界。
• 出门问问公开站点：公司与产品背景入口，不用它替代节目中的个人回忆或财务口径。
• OpenAI：Hello GPT-4o、Google I/O 2024：用于核对节目讨论的发布事件与公开能力范围。

本页完整重建节目连续内容，但不把自动转写当作逐字法律记录；说话人边界、英文专名和部分数字按上下文修正，仍以音频和公开原始材料为准。所有关于未来模型、价格、生态位、Agent 和公司命运的判断，均明确保留为 2024 年节目时期的观点或预测。