一、他不是从“创业风口”开始，而是从信息过载开始
岂凡超的背景决定了这期节目和一般的 AI 创业访谈不同。他 2013 年进入清华电子系，本来接触计算机视觉，后来判断自然语言处理更接近自己想追求的“广义智能”。在实验室里，他经历了 BERT、GPT-3、中文大模型和早期语言模型研究，也接触过从学术模型到产品的漫长距离。
博士期间，他做了一个反向词典 Wantwords：用户输入一个描述、短语或概念，系统寻找更接近的词。这个产品不是论文里“再提升几个点”的实验，而是被一条微博和用户口碑推起来，产生了大量自然增长。QQ群、微信群和用户反馈让他感到，产品给人的直接反馈比论文审稿更快、更具体。正是这段经历让他在 2021 年决定创业：自己真正想要的是把能力变成用户每天可以使用的产品，而不是只在研究指标上继续前进。
他还解释了为什么早年没有在最热的创业浪潮中出发。2014、2015 年的创业机会与他关注的 NLP 和信息产品不完全匹配；2016 年后计算机视觉创业大量集中在相似场景，他转到 NLP，是因为语言更可能连接更广泛的任务和人类知识。这不是说 CV 没有价值，而是他在寻找更大的信息和交互空间。
二、研究和产品的区别：研究可以有长板，产品不能有致命短板
主持人让他区分研究与产品。研究可以在一个很小的知识边界上取得突破，即使离可用产品还有很远；产品则必须在时间、成本、稳定性和用户需求之间同时过关。模型能力再强，如果用户无法理解它什么时候会错、结果是否可复核，产品价值就会被不确定性吞掉。
他们在创业初期选择了“生成”而不是“理解”，因为 2C 产品更容易让用户直接感受到结果。但很快遇到一个根本困难：大模型的输出是随机的，可能产生幻觉，也可能遗漏原文中的关键点。用户不仅不知道答案有没有错，甚至不知道最应该去哪里检查。问题因此不能简单归结为“模型还不够强”，还要拆成三个可能来源：用户需求本身是否成立，模型是否具备所需能力，产品是否给了用户可理解和可验证的交互。
他们采取的策略不是把所有基础能力都从零训练一遍，而是只在确实缺少的部分做研究，其余能力尽量借助已有模型、开源组件和外部服务。这个决定把团队的核心竞争力从“我有一个更大的模型”移到了“我能否把模型输出变成可靠的用户结果”。
三、信息不是内容的同义词：最小信息单元才是可重组的材料
岂凡超先把内容问题放进历史里。纸媒把信息装进报纸，门户网站把它搬到互联网，搜索引擎按关键词帮人寻找，移动互联网又通过 UGC 和推荐把内容推到人的时间线上。每一次变化都在降低获取信息的成本，但人的注意力和认知处理能力没有同步扩大。
他把信息定义为减少不确定性的东西，内容只是承载信息的容器。一篇文章、一段视频或一集播客并不是一个不可拆的整体，其中只有部分内容与某个用户当前的问题有关；多篇文章可能重复讲同一事件，也可能各自包含不同的关键细节。如果把整篇内容直接摘要，模型容易重复、遗漏或把不同来源的语义混在一起。
语鲸设想把语言和内容拆成更小的信息单元：先识别每个来源讲了什么，再比较不同来源之间的重复与独有信息，最后根据用户兴趣重新组合。它不是把一篇文章改写成另一篇文章，而是试图把“创作者想表达的结构”保留下来，同时让消费者只接收与自己有关的部分。信息的粒度由文章/视频下降到句子、事实、关系和主题，才有可能真正做到跨来源的去重和拼接。
四、内容产业会怎样变：创作者仍重要，但交付物可能改变
主持人把问题推向内容创作者和平台。岂凡超并不认为 AI 能够凭空生产所有内容，AI 仍然需要上游的事实、观察、观点和原始材料。因此，创作者不会自动消失；变化可能发生在交付形态上：创作者未来提供的不一定是一篇直接给人看的完整成品，也可能是供 AI 加工的高质量信息原料。
与此同时，他想象一种“新一代内容创作者”：人不再逐字写完每篇内容，而是设置一个自动收集源头、加工信息和生成频道的系统，自己负责主题、风格、参数和价值取向。这类似自然语言编程：人描述目标，系统生成底层程序。分发平台也不会立刻消失，因为海量内容与海量用户仍需要匹配；但最终内容可能在消费者自己的 AI 助手里完成最后一轮生成，消费者的话语权相对增强。
这也是他们不把自己定位成传统内容平台的原因。他们想做的是专属于消费者的 AI 信息助手，而不是再建立一个让消费者主动刷新的内容池。与已有平台的关系可能既竞争又合作：平台仍然拥有网络效应和内容供给，语鲸试图掌握的是内容如何被理解、压缩和交付给某个具体的人。
五、语鲸的产品：让 AI 输出和原文一一对应
节目用相当多时间解释 MVP。Web 端允许用户上传文章、链接或 PDF，再让系统总结、提问或生成结构化大纲。它与普通聊天式总结的差别在于，输出尽量沿着原文结构展开：论文的摘要、引言、相关工作、实验等部分分别对应，用户可以逐层展开某个章节，回到原文的段落和句子。
这个设计针对的是两个相互关联的指标：准确率和召回率。准确率意味着生成内容不能凭空增加原文没有的信息；召回率意味着原文的重要点不能被压缩掉。传统摘要常常为了短而牺牲召回，或为了完整而失去结构。语鲸的目标不是简单追求最短，而是让“压缩后的内容仍然可检查”。每句话尽量能追溯回原始片段，用户能知道系统为什么这样说。
移动端则更像信息入口。用户订阅多个信息源，系统识别同主题的多篇内容，先去重，再把各来源独有的信息补齐。例如同一个新模型发布，十个来源可能重复描述发布消息，但有的来源讲技术细节，有的讲商业影响，有的讲用户体验；系统把它们合并成一份不冲突、不遗漏的内容。第一批种子用户因此是研究者、论文和研报读者、长报告读者：他们需要大量信息，又不能接受错误无法检查。
产品名“语鲸”也有两层寓意：鲸通过声音交流，代表语言；鲸体量大，代表记忆和存储。它想成为用户的信息助手，必须能记住足够多的来源，也要能对这些来源做有结构的处理。
六、为什么不做 Foundation Model：模型公司不是终局，产品才是价值载体
主持人问，既然团队有学术积累，为什么不去做基础模型。岂凡超的回答有两个层面。第一是个人驱动：他从创业开始就更享受产品带来的直接反馈，想看到用户是否真的被帮助。第二是产业判断：模型本身很难构成长期独立的价值形态，它最终仍要落到一个具体产品、场景和用户结果中。
他把这件事类比互联网和移动互联网。人们曾经把公司称为互联网公司，但后来“互联网”逐渐变成所有行业的底层属性，真正被识别的是电商、社交、搜索、金融等具体应用。大模型也可能经历类似过程：基础模型在短期内会形成产业，但长期价值要落到对某种需求的稳定解决。
这并不意味着基础模型不重要。相反，产品团队必须理解模型能力如何变化，判断一个需求是当前技术根本做不到，还是再经过一段迭代就能做到。太早做会陷入研究黑洞，太晚做又会错过窗口。岂凡超把 CEO 的技术判断描述成一项核心能力：理解模型原理和趋势，但不把公司身份绑定在“我必须拥有最大模型”上。
七、从 Cursor、NotebookLM 和 Perplexity 学什么：主动提问之外还有被动入口
他喜欢 Cursor，是因为它降低了用户主动发指令的成本：系统能在编程过程中主动提醒、建议和修改，而且把变量重命名、错误恢复等细节打磨到足够可靠。NotebookLM 的爆发则说明，产品可以把原始资料加工成另一种消费形态，图文、音视频和播客并不必被原始模态限制。
他认可 Perplexity 用 AI 从原始资料里寻找信息并重组答案，但认为它仍然要求用户先主动提出一个好问题。用户必须把模糊需求转成清晰 prompt，才能得到结果。语鲸更想做被动的信息入口：用户订阅源头，系统主动发现与用户有关的内容，在用户还没有意识到某个问题之前，把整理好的信息交到他面前。
他把这个方向比作航海。Copy 一个已经被验证的产品，像手里有航海图，方向和不确定性都更清楚；但真正做一件差异化的事情，就像在海上没有灯塔，只能根据内在信念不断修正。语鲸的产品原点来自他长期对“怎样在单位时间内处理更多信息”的执着，而不是看见 Perplexity 成功后才临时跟随。
八、从研究员变成 CEO：组织信息流和现实成本
创业给他的最大变化，不是融资数字，而是从研究思维转向 CEO 思维。研究只要在某个点有突破，产品和公司却不能有明显短板；一个人做事时所有信息都在脑中，带几十个人后，必须让每个人发挥长处、理解上下游，并且在同一目标上同步。
他举了一个看起来很小、但很能说明性格的例子：曾经为了让公司邮箱完全整齐，把所有人的地址都改成统一格式。形式更漂亮了，但员工切换账号、重新绑定服务和更新注册信息的成本远大于收益。后来他用“熵”的语言重新看这件事：降低混乱不是免费的，管理者必须比较降低熵的收益和切换成本，确认 ROI 为正。
公司在快速扩张到几十人时，管理困难来自信息、目标和信任的不同步。他不喜欢靠信息差管理，而倾向通过固定的坦诚沟通把关键问题拉齐；CEO 的愿景也不是没有根据的“画饼”，而是把团队尚未完成、但确实想通过行动实现的目标讲清楚。AI 公司的组织尤其需要这种高信息传递效率，因为模型输出和研发进度都不像传统软件接口那样确定，个体必须理解更长的上下游链路。
九、商业化、巨头竞争和他对未来的判断
他把融资理解为加速器，而不是公司价值的替代物。融资可以把原本五年才能积累的技术和基础设施提前完成，但不是所有公司都需要融资。真正核心的是公司能否证明社会价值，商业公司最终仍需要通过盈利验证价值；对于 2C AI 产品，当前更重要的顺序可能是先做出不可替代的产品价值，再探索订阅、高级功能以及新的流量变现方式。
他认为 AI 创业公司会比上一代 AI 创业更难，因为巨头已经高度重视模型和人才，早期先发优势很快被抹平。初创公司更可能去做巨头不愿意做、做起来不够灵活或需要极度聚焦的事情，也会和巨头在 API、基础设施、分发和投资上形成竞合。年轻创业者面对的环境更复杂，但也拥有更多工具和基础设施；真正的优势在于能否用新工具提高生产力，而不是年龄本身。
他对 AGI 的定义包括思考、知识、推理、语言交互以及某种自我意识，因此并不认为三五年内就能达到自己心目中的 AGI。最后他把公司理想形态描述为：每个人都有一个专属的信息助手，帮助人突破信息处理边界。公司最可能死于“不能有短板”，而他如果失败，大概率仍会继续创业。
原文讲解到这里。下文才进入结构化抽象、证据审计和本文独立判断。