对话郎咸朋：用机器人创业重做一次“百万智驾量产”
1.9万字全文实录
对话郎咸朋：用机器人创业重做一次“百万智驾量产” – 量子位
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
对话郎咸朋：用机器人创业重做一次“百万智驾量产”
思邈
2026-08-15
12:21:09
来源：
量子位
1.9万字全文实录
邓思邈 发自 凹非寺
量子位 | 公众号 QbitAI
作为理想智能驾驶从0到1、一路做到
150万辆车量产
的核心负责人之一，郎咸朋却把这八年称作自己“探索具身智能的起点”。
他和来自华为的任庚联手创办了昆仑行。
这家具身新势力在成立后的三个月内，就拿下数十亿人民币融资、跻身
独角兽
俱乐部。
但相比融资，他在这次访谈里反复强调的，是另外两件事。
第一，
具身智能真正要解决的是“理解”
。
昆仑行因此选择物理因果世界模型和“数据编译”路线，希望机器人学到的是背后的物理规律。
第二，
具身最终拼的是量产和自我造血
。
在郎咸朋看来，今天的具身智能很像2015、2016年的自动驾驶：路线未定、Demo满天飞，真正的洗牌要等到规模交付开始。
只靠融资，大家都做不到具身智能实现那一天。
本次访谈，我们和郎咸朋详细聊了聊他从百度、理想到昆仑行的三段经历，“理解而非模仿”背后的数据编译与物理因果世界模型，关于具身智能的四种智能与量产节奏，以及这场“百机大战”会在什么时候、因为什么而洗牌。
完整版可以订阅我们的视频播客，你可以在视频号、Bilibili、抖音、小红书、小宇宙、喜马拉雅等全平台收看。
以下为完整对话实录。
AI落地关键是数据
量子位：创办昆仑行之前，是哪些关键的经历塑造了您，把您带到了今天的地方？
郎咸朋
：我觉得比较关键的有三段经历。
第一段经历是我读博期间的经历。
我读博所在的实验室是
机器人国家重点实验室
，后来我又跟着老师转到了其他的研究室，现在我兜兜转转又回来做机器人，我觉得这是冥冥之中的，我感觉有一种宿命在这里面。
读博期间，我觉得是培养了我对学术和研究科研方面的一些基础能力，这对我后边所有的科研工作都打下了一个非常好的基础。
第二个经历我觉得是在百度。
在百度的话我的第一份工作是做街景，就是把街景里边的人脸和车牌儿，这种属于个人隐私的这种信息都需要提取出来，然后模糊掉。
在做这个工作的时候，我们当时用了传统的machine learning，传统的CV的方法，其实表现都不太好。
后来我们用了
深度学习
，因为百度是最早研究和使用深度学习的公司，当时给我了很大的冲击。
确实是用了深度学习之后，检测识别的准召率（准确率和召回率）都上来了，提升了15个点左右，从原来70%多准召提到了85%。
但是很遗憾，模型本身跟最终的工程落地还是有区别的。
因为你85%的准召就意味着你每标100个框，有15个是漏的，你还要人为去修正这30个框，而且要从100个里边去找，还不如我从头自己标一遍，可能效率更高一些。
所以说从技术的先进性到实际的工程落地，还有很大的gap要做，这是我两个非常大的体感。
第三个，在百度我最大的收获就是，数据对人工智能的应用有决定性的价值。
因为刚才也提到了85%的准召还是不能用，然后我们回来自己做了一些研究，发现在模型不动的基础上，我们能动的就只能是数据了。
把数据整个的规模double了一下，又精标了里边的一些错误，用了当时一个开源框架的模型，配上我们精标的数据之后，它竟然达到了惊人的90%的准召。
我们也是很震惊。哦，原来AI落地的关键，虽然模型很重要，但更关键的是
数据
本身。
第三个我觉得最重要的经历是理想。
我们用8年时间真是从0到1，然后到100的，把自动驾驶从Demo的技术，然后慢慢落地成量产的产品，最终是
150万辆车
的大规模落地。
△图源自理想汽车官网
我觉得是这对我来说，是非常重要的技术拓展。
这里我觉得最核心的还是，如何去打造真正的用于服务于自动驾驶的数据闭环，并且亲手把它从有图到轻图到无图，到端到端再到VLA，进行这样一个范式的逐步迭代。
量子位：你觉得理想这段经历对你最大的收获是什么？
郎咸朋
：从技术上来说的话，是一个完整的量产的数据闭环。
大家提到数据闭环，以为这里边只有数据本身，其实并不是，它涵盖了从数据本身的采集，自动化管线的流程，也包括了训练的管线、评测方式的迭代，这是一个完整的量产落地工程。
第二的话我觉得是范式的迭代，我觉得这是非常关键的一点。
就是刚才也提到是从有图到轻图到无图，再到后边的端到端加VLM，再到VLA。
这些范式的切换我也是亲身经历过的，我知道范式切换，它对组织和资源所带来的成本和代价是什么。
其实最关键的还是，你一上来你的方向和认知是否是对的。
虽然说这里边有些具体切换的过程，但是你一上来，如果说你没有想清楚数据驱动的方向的话，那你只能被动地跟着这个行业，跟着别人去走。
那你每次范式切换就意味着你前面所做的所有的工作，基本上都要清零，我觉得这个代价是很大的。
我觉得不管是现在的创业也好，还是过去做自动驾驶也好，我认为最主要的还是第一，
你的方向和认知要想得非常清楚
。
第二，
在走的过程当中，你可以小步地迭代去做
。
还有就是在组织管理上的一些成长。当然理想汽车和李想本人都给我很大的帮助，我也非常感谢，理想给我这样一个平台，能让我用8年时间能把我对自动驾驶的认知，逐步地去落地到实际的工程量产上去，也非常感谢这段经历。
离开理想，具身是新起点
量子位：离开理想的核心的出发点和原因是什么？如果没有具身智能的机遇，还会做出这个决定吗？
郎咸朋
：离开理想我觉得最大还是源于我自身对创业的渴望，以及对技术的追求吧，我觉得这两点是最本质的。
第一，我从百度到理想来做自动驾驶，我并不是走了一条非常稳妥的路线，在当时看来。
在外人看起来是稳妥的选择，但是在我看来是唯一的选择。
因为我当时的认知就是——我要做
以数据驱动为基础的自动驾驶
，我认可的是Tesla的路线，而不是高精地图加规则算法的路线。
所以，我必须要找到有车有数据的地方，并且公司的CEO或者负责人，他的认知是跟我高度一致对齐的，这样我才能做好这件事情，所以我当时从百度来了理想。
当然还有一个原因就是我对自己职业发展的驱动力，是我希望我的技术做到最好，也希望这个技术能被更多人看到。
如果说我只是单纯focus在技术本身的话，我可以留在高校研究所去做研究，也可以留在百度继续去做技术上的一些预研，我觉得这都没有问题。
但对于我个人来说，我更希望
我做的先进技术会被更多人使用，被更多人看到
。所以有这么一个出发点，我从百度来了理想去做自动驾驶。
在做自动驾驶的过程当中，我们做到VLA之后，实际上它是一个更加通用的具身智能的框架，自然而然我们也会从自动驾驶去切换到具身智能来看这个问题。
做完VLA之后，感觉自动驾驶可能触达到了一定的天花板。但是在整个具身智能来看，这才是刚刚开始，而且
VLA也不是最终局的解决方案
，我们还要去探寻更多的技术解决方案的可能性，这为我打开了新的视野。
在这两方面的加持下，我内心的原动力，以及技术的拓展性的前提下，我选择出来创业也是非常顺理成章的事情。
量子位：有没有什么时刻，让你觉得自动驾驶已经不是终点？
郎咸朋
：我觉得从技术上说，其实还是做到VLA之后。
你看VLA的框架，如果拆开看，VLA（视觉-语言-动作模型）它天生不是为自动驾驶服务的，它是为具身服务的。
△图片由AI生成
但是，落在车上或落在自动驾驶上是它的第一个应用，但它其实可以做更多的事情。
其实我做到这一步的时候，我就会发现具身是一个更开拓、更开放的场景。
而且对于自动驾驶来说的话，它的场景和任务还是相对窄的。不管你是在北京开车，还是在纽约开车，从宏观上讲，还是在同一个驾驶任务和条件下来做这件事情。
具身智能不是，我们将来可能走进千家万户、千行百业，每一个场景都是独立的、独特的，所以说它的上限会更高一些。
在做到VLA之后，我认为这个上限就被打开了。自动驾驶，它不是终点，它只是一个起点，是我们
探索具身智能的起点
。
量子位：你和任庚是如何携手的？之前看没有公开的交集。
郎咸朋
：我们是经人介绍认识的，之前确实没有任何的合作和交集。
其实选择合伙人我们看的就是三个方面——
行不行？合不合？久不久？
行不行，就是看你的能力行不行，这个很容易验证，就是从你过往的工作的成果和成绩上就能看出来。
我认为我跟任总，我们俩过往的工作能力都是在自己的做的产品和工作上都有非常好的呈现，而且我们能力还有一定的互补性。
△昆仑行创始人兼CEO任庚
我是在技术和研发上，他是在商业和管理上，我觉得我们俩非常契合。
第二个合不合的话，我们其实也对整个的具身智能不管是产品、技术，还是商业的发展，我们都做了很多的交流，我们会发现——我们对很多问题都是非常惊人的一致。
虽然说之前没有讨论过，但毕竟我们之前都有这种0到1的经历，所以说我们在认知上是高度对齐的。
久不久就是我们认知只要对齐了，而且我们对整个具身行业的判断，我们都认为它不是一个短期的事情，它是一个甚至三年、五年，甚至十年的长周期的事情，所以说我们的合作也是相当长久的基础。
行不行、合不合、久不久，我们认为这三条我们都是没有问题的。
而且这里面还有一个非常关键的问题，就是
选合伙人合适比熟悉更重要
，因为你选的是要把事情做成的人，而不是选一个你相处比较舒服的人。
当然最好是都有，但是我觉得前者是更重要的，对于创业来说。
量子位
：跟相亲结婚有点类似，但可能标准就在于说合适比熟悉更重要。
郎咸朋
：对对对。
量子位：决定合伙创业，有没有什么决定性的时刻？
郎咸朋
：其实我们没有太多的磨合，因为我们在过往能力的背景上，在认知上我们都非常契合。
所以说我们交流的时间也不是特别长，我们很快就达成了一致，然后就一起来做昆仑行了。
量子位：这名字也很有意思，为什么取这个名字？
郎咸朋
：这个名字还是有一定来历的，我可以好好讲讲。
当时我们其实也起了很多很fancy的名字，就是很科幻呀，但后来我们还是选择了昆仑行。
因为我们觉得我们做这个行业，我们不只是为自己做的，也是站在整个国家的行业背景上来做。
所以说自然而然就想到“昆仑”，因为昆仑是中华民族的一个图腾标志嘛，昆仑一说出来，大家就知道肯定是个中国公司，肯定代表中国。
那么“行”，就是表示我们使命必达，我们一定要把它做成，一定会行。
所以昆仑行加起来就是
中华民族在具身智能上一定行
，一定能做到世界之巅。
△图片由AI生成
量子位：为什么会有这么强烈的民族情感？
郎咸朋
：因为我们是站在整个国家的趋势和导向上去做这件事情，我们希望在探索物理AGI的历史上，一定会留下我们所有同事每个人的名字，我们希望做到这一点。
出发比想清楚更关键
量子位：在注册公司之前，想清楚了哪些问题？
郎咸朋
：这是非常重要的一个话题。
我觉得有些是一定要想清楚的，有些是可以边做边迭代的。在方向性的一些问题上，一定要想清楚，一定要达成共识。
我们想清楚了三件事。第一件事就是我们的范式，对于具身智能来说，它的第一性原理就是
你的范式要选对
。
那么第二的话就是你的
方法
，即你的范式怎么落成具体可以操作的方法。
第三是你的
商业路径
是什么？我觉得在这三个问题上我们达成了共识。
那么首先说说范式。我们认为做具身不能沿用自动驾驶的范式，因为自动驾驶不管是VLA也好，还是端到端也好，本质上还是模仿学习。
当然现在看到很多机器人的动作也是通过模仿人类的行为来做的，但这并不本质。
你在一个场景可以模仿，有上万个场景，你怎么去模仿呢？我们做机器人的范式是理解，而不是模仿，这是最重要的一个区别。
然后第二步，怎么来做？从方法上，我认为
数据
还是最重要的。如果你收集了一大堆模仿学习的数据，那你只能做出模仿学习的成果来。
我们在数据上有一个公式，
数据效率等于你的获取效率乘以你的使用效率
。
过往自动驾驶和GPT等等这样数字AGI的成功，是成在了数据的获取效率上。
互联网的数据，或者人类开车的数据，这些基本上可以零成本地获取。但是在具身上不行，你不可能说我先把机器人请到你家里去，你先手动操作两年，然后你再去做，这不现实。
那么在机器人上，如果你的获取效率没有之前的便利性的话，那么自然而然我觉得应该在
使用效率
上下功夫。
在使用效率上，我们现在要做的就是
数据编译
的工作。
这个可能跟别人是不太一样的地方，而且编译后的数据，它是富含物理因果的一些要素和属性的，这样便于我们去训练我们自己的
物理因果的世界模型
，而不是一个纯相关性的模仿学习的模型。
第二个就是在实际的工程落地上，我们要交付我们的产品，光有模型是不行的，一定要有很强的
工程化落地的支撑
。
这个支撑里面我们有两个方面，第一个方面是我们的
训练和数据的管线的工程化
，就是可以类比之前的数据闭环，但只不过我们现在是数据编译的一个管线。
第二个是我们量产的部署，部署到机器人上，我们的工程化的落地是使用了
Agent的工程框架
，而不是之前的软件硬件拼凑的工程框架。
这里面可以类比一下Anthropic，大家觉得Claude code好用，它的模型固然强，但是它的这套Agent的机制也是支撑它最终变得好用的非常重要的一个部分。
这也是我们团队的一个优势。因为我们不管是从理想来的，还是从华为来的，我们都是完整地做过很多0到1、1到100的工程项目的。
基于我们过去的经验，我们认为
模型和工程都很重要
，在最终的产品落地上。
还有第三点是商业路径上，我们也考虑得很清楚。
上来需要先从toB开始做，然后再做到toC进家庭，家庭是我们的终点，而不是我们的起点。
因为家庭太复杂了，每个家庭的场景和内容都是千变万化的。
还有一个问题，你进家庭之后，对你的
安全性、可靠性、稳定性
是有非常高的要求的。
因为家庭有老人和小孩，如果说你的技术还不成熟就进家庭的话，不单是对这个家庭可能会造成一些危险，对整个行业也会带来很大的影响。
△图片由AI生成
这是我们在出发之前，在范式、方法和路径上做的一些思考，我们觉得这个想清楚了，我们就开始做。
在里边还有一些细节，比方具体的方案上，模型怎么设计，数据管线怎么搭建，我觉得这些可以边做边做边迭代。
我认为创业最大的一个感受就是
出发永远比想清楚更关键
。方向想清楚就可以了，具体的就出发之后，咱们边做边迭代吧。
量子位：现在比较稀缺的就是谈论toC场景的安全，或者说很长尾的问题，真正做过大规模量产的人才会去谈论和思考这些问题。
郎咸朋
：是，做自动驾驶的时候，安全性非常关键。
量子位：创业过程中遇到的技术难题多？还是组织搭建的难题多？
郎咸朋
：这两方面都有一些具体的问题需要解决。
刚才我也提了很多技术上的想法，在组织上，我觉得我们要充分发挥两种组织的优势。
像华为这种组织体系，它有比较完善的流程，我们的全栈自研，在硬件体系上可以参考华为这种模式来处理。
之前你也知道我是在软件和模型方面做过的事情比较多，但在这段时间，我也充分地去摸了摸、看了看整个硬件的体系。
我认为硬件体系是非常复杂的，大家可能觉得是不是我把机器人攒出来就叫量产了？其实不是。
真正的量产交付是要先经过研发和试制，再经过小批量的试生产，再进行交付，交付完还有售后，这一整个全链条。
硬件我觉得跟软件非常不同的一点是，软件可以做到全栈，有全栈工程师。
但硬件没有全栈工程师，硬件一定是分门别类非常细化的，你要把这些不同的零部件，不同的方向的硬件的人组织到一起，去协同地实现研发、试制和交付，需要有很好的组织体系作为保证。
像华为这样的组织体系，它是能够达成这一点的。但是因为我们是创业公司，也不用说像华为那样，一上来就很庞大的。
用任总的话说，就是我们
神似形不似
，我们掌握其中的精髓，但具体在做的时候，可以进行一些简化和完善。
在AI方面的话，我认为还是要快速迭代的，保持一个之前在理想的这种快速迭代的模式。因为
创新不是被计划出来的，它一定是迭代出来的
。
在具体的组织规划上，我们需要让大家充分达成共识的前提下，去发挥每个人的能力快速迭代。
量子位
：可以在边打仗的过程当中边学习，边形成真正的昆仑行的组织。
郎咸朋
：是这样。
全栈自研才能量产
量子位：当今具身，有人做本体，有人做大脑，有人做操作系统。为什么上来就做全栈的具身智能机器人？特别是在2026年这个时间节点。
郎咸朋
：从技术和商业上都有考虑吧。
具身智能如果想成功，它的一个最关键的标志是你要量产，要自我造血。
那么在这里边，全栈软硬一体的自研，一定是最佳的选择。
第二从技术上讲，我们要在一个完整的技术底座上，搭建基座去做我们的技术研发，而不是一上来就是先做其中一部分。
现在也可以看到，你要真正地想去做你的模型也好，硬件本体也好，你必须软件硬件同时做，你才能做出比较完整的设计。
就拿运动控制为例，你要是做运控的话，你只做下半身或只做上半身，可以做是可以做，但它并不像人。
我们人到这个桌子旁边拿一个水杯，我是走过来，一边走一边拿的，是一种全身的操作，而不是我先走到这儿停下，然后上半身再去拿这个杯子。
如果说你不是软件硬件同时来做的话，你是不可能达到这样一个设计的。
从技术上来说，你的软件和硬件必须一体化的设计，你才能达到最优的效果。
从商业上来说，最终你的成功与否，是看你的整机出货，你的量产交付，是不是能达到预期，而不是只是做其中一部分。
量子位：“全栈自研”，栈到什么程度？是本体硬件每个环节都自研，还是只在关节、核心零部件这些关键处自研？
郎咸朋
：关键的零部件上，肯定是要自研的，像关节、驱动电机，还有本体设计，这些是我们一定要自研的。
很多人觉得是不是现在已经有供应商可以提供很多的供应了，我可以很快地攒一个机器人出来了。
△图片由AI生成
但你攒一个机器人出来，只是一个实验，或者一个原型样机，它并不代表你能通过量产的试制，更不用说进行大规模的交付了，这些我觉得都还不成熟。
所以，我们要去做自己的电机和关节、结构的自研。
第二，我们需要在一个非常完整的技术底座上，去做我们所有的机器人的设计和研发。
量子位：这套全栈具身智能的理念，投资人一开始就buy in了吗？还是也经历过一个说服的过程？
郎咸朋
：我们投资人都是很非常buy in我们的观点的。
因为我们定的目标很明确，我们就是要做机器人的量产交付。我们认为企业成功与否，或能不能过生死线的这个核心标准，就跟当年我们做车一样——
你的交付量是多少
，是一个道理。
量子位：听说昆仑行很快就独角兽了。有说法是10天，有说法是90天，哪种是准确的？
郎咸朋
：大家对融资额或融资数目确实挺关注。
实际上是我们是在
三个月之内
吧，我们达到了数十亿规模的这样一个融资额。
但是我更想跟大家聊的是，不要过分关注融资这个数本身。因为融资只是我们的手段，不是我们的目的。
我们还是希望能把融来的钱，更多地投到我们刚才所说的研发量产和项目上，我们更早地去拿出自己的产品，更早拿出自己的可让大家看见的东西，这是我们更关注的。
量子位：是因为你跟任总两个人的名字就值这么多钱？还是你们在BP里面展示了什么，获得了这么大的认可？
郎咸朋
：早期投资肯定是还是看人的，看团队的。
我跟任总我俩过往的经历和过往的这些成绩吧，投资人都是非常认可的。
而且我们刚才提到的这些方向和判断，投资人也非常buy in，所以说对我们的认可也体现在我们的融资额上。
量子位：为什么在具身智能创业里，华为出来很多人，理想出来很多人？作为一家华为+理想的公司，你怎么看?
郎咸朋
：我觉得这非常合理。
因为理想和华为，是到目前为止中国这个市场上，在全栈自研，包括0到1、1到10这样一个阶段走得最好的两个公司。
而且这两个公司都有各自的特点，华为擅长体系化、组织协同，在硬件量产以及组织协作上有很好的经验。
理想就是产品迭代，和AI的0到1，在自动驾驶方面也有很好的落地的经验。我觉得华为人和理想人受到市场上的认可是非常合理的。
我也非常高兴地看到，自己以前的一些战友，或者一些熟人，也各自在自己的领域都做得挺好的。
但是我觉得其实再往后走，还是需要把整个的能力建设在自己的组织上。因为人可能会流动，比方一个算法可能跟着人走，但是
组织的能力才是最重要的护城河
。
不管是刚才我说的体系化作战能力，还是创新迭代的能力，这些要让它长在自己的组织上，这是昆仑行我们自己要做的非常重要的工作。
量子位：为什么在你们的理念里，工程被强调到高过模型的位置？是模型层面已经差不多了，还是说工程无论如何都是更重要的那一端？
郎咸朋
：不是差不多了，是恰恰相反，因为我觉得还是属于比较早期。
你刚才的描述也不是特别准确，我觉得最终模型和工程是平衡的。
但现在呢，我认为模型大家都在比较早期的这样一个摸索阶段，如果说你想把现在的模型的能力落地到具体的产品上，可能需要更多的工程兜底的策略。
不是说模型不重要，而是说你最终交付给用户或客户的，是在这个场景里能完美表现的产品。
如果只靠模型或只靠工程，我觉得都不行。
我觉得像过往，像我这种0到1到100，就是真正地把一个AI的自动驾驶的产品做到量产，这种经历的人也不多。这就是我们公司的一个核心优势吧，这是最终能达到可交付、可落地产品的一个非常重要的能力。
具身要理解不要模仿
量子位：在这么多具身公司里，如果给你们贴个“工程派”的标签，你们认可吗？
郎咸朋
：这个我们不care，我们care的还是最终交付我们的产品。
最终具身智能如果要落地的话，它是有自己的节奏的。
具身智能包括什么呢？包括
运控智能、移动智能、交互智能
，还有最难的
操作智能
。
大家现在讲的具身智能，可能很狭隘地就把它归类到操作智能上了，它能干活才叫具身智能，其实不是，我觉得前三个也很重要。
△图片为AI生成
运控智能就是现在大家看到的跳舞表演这种，这也是一种运控智能，那在表演类的机器上已经做得比较好了。
移动智能跟自动驾驶更相关一些，自动驾驶就是非常好的移动智能，我们可以把自动驾驶的相关技术落地到现在的导览、巡检机器人上。
交互指的是语言表达类的交互，得益于现在大语言模型的这种发展，我觉得也相对来说比较成熟了。
但是操作智能，我认为现在还属于比较早期，所以说这个谁能先把操作智能做出来，谁能突破这个上限。
但是不代表操作智能没做出来，具身智能就没有发展，前面三个其实依然也在迭代当中。
量子位：在离开理想的时候，你觉得实现加入理想时候期望的智能驾驶目标了吗？
郎咸朋
：当时我从百度来理想做自动驾驶的时候，我内心的一个目标，没有跟别人说过的，就是
我做的自动驾驶车一定要比别人都多
，在路上实际能跑的那种。
从这个角度上来看的话，现在应该是实现了。
因为理想的辅助驾驶是标配，在路上已经超过150万辆车，这些车上都带着我和团队一起做的自动驾驶功能。从这个角度上说，我觉得还是实现得挺好的。
量子位：连点成线来看，你觉得你在理想的时期，智能驾驶技术经历了哪几个阶段？
郎咸朋
：技术范式就是从有图做到轻图，做到无图，再到端到端加VLM，加再做到VLA。
我觉得这个范式的迭代里边有小范式迭代，有大范式迭代，最大的范式迭代就是
从无图到端到端加VLM
这个迭代。
我认为最主要的还是说我们一开始锚定的这个认知——就是
数据驱动
，我觉得这个从来没有变过。
这里边到底是技术本身发展带来的，还是量产交付带来的？
我觉得是交织在一起的。没有量产交付这么多车，就没有这么多数据，那么没有这些数据也喂不出来我们的模型。
就是跟刚才我说的工程和模型之间，它是一个balance的状态，不能说一头强一头弱，这样是不合理的。
但是这里边也有偶然因素。比如说2022年底的时候，ChatGPT 3.5的爆发，让我们一下子就get到了大模型的端到端训练的范式，从预训练到后训练到finetune的范式。
我觉得最核心的还是你的认知上的超前判断，以及坚持。
另外就是你在做量产的时候，不断去验证和累积你的认知上的一些能力，等到技术爆发那一刻，我们是最先站到这个台前的。
量子位
：相当
本文来源：量子位