腾讯科技旗下深度对话栏目「翎听theSignal」，致力于呈现硬科技浪潮里来自一线的思考和声音。这是本系列视频播客第01期，对话源策未来CEO李天羽。

文｜顾翎羽

编辑｜苏扬

李天羽第一次听说自己要当 CEO，是在学校里的一顿午饭上。

他的博士导师李弘扬对他说，他们应该把实验室积累的算法能力带出来，做一家具身智能公司，"我希望你来担任CEO。"

李天羽第一反应是，老师在开玩笑。他出生于1998年，目前是上海创智学院和复旦大学的在读博士生，他没有全职工作过，也几乎没有商业经验。他倒是见过一些"大钱"：过去，他负责科研项目，也分配过实验室数百卡；但那些资源已经存在于一个池子里，用起来"一点也不肉疼"。

但3个月后，他开始决定一家每年要烧掉近数亿元资金的公司，钱该怎么花。源策未来成立于 2026 年 3 月，初始团队主要来自李弘扬的研究团队。李弘扬是中国自动驾驶和具身智能领域的重要学者，2026年，他成为机器人领域国际顶会RSS Early Career Spotlight设立20年来的首位国人学者。公司成立后，他是创始人，李天羽是联合创始人和CEO——一个博士生开始管理他的导师。

他们是这个时代创业者的典型样本：创始人是名校博士或教授出身，90后/00后，公司组织极为精简，创始人直管工程师，没有中间管理层。即使连Demo还没有，这类公司往往也可以轻松在首轮融资过亿。

但是，源策未来的特殊性在于——2026年下半年，当头部公司已经要冲击上市，多数机器人公司从轮式双臂切入工厂、仓库和家庭，试图先找到任务、订单和收入，他们要为足式人形机器人开发通用操作大脑。李天羽希望机器人不只是站稳后伸手抓取，而是能调动四肢、躯干和重心完成任务，比如半跪着从地面取物，一只手扶住桌子、另一只手伸向桌下，双手被占用时用肩膀推门。

这种能力被称为"全身智能"，包含一个尚未被证明的前提：如果人形机器人是终局，那么智能也应该从一开始就为人形设计，而不是先在更稳定的轮式底盘上成熟，再迁移到双腿上，这与现有硬件的发展思路完全不符。李天羽承认，它的商业化会比轮式双臂更慢，真正通用的具身大脑可能还要五到八年——而这个时长足够一家初创公司死好几轮了。

就是带着这些刻板印象，我和李天羽进行了两次、长达7小时的对话。

让我意外的是，和他们选择的激进的技术路线相比，他本人所表现出来的审慎和坦诚。我们的对话从一个关键问题展开：作为"具身智能最晚一波创业者"，他们为何还要下注一个最难的方向？ 

人类商业史上正迎来前所未有的科学家集中掌握资源的阶段。前沿 AI 研究越来越依赖大规模数据、算力和工程系统；风险投资正在把一批年轻教授、博士和实验室团队推入公司制度。这些"被选中"的年轻人准备如何把实验结果变成商业价值，不仅是他们自己，也将是时代新的命题。

我们还讨论了学生和导师如何共同管理公司、源策未来看到的具身智能的未来、为何他不相信机器人一定会有ChatGPT时刻、以及要从一个几乎没有商业经验的年轻CEO成为"有科学家精神的企业家"，他将经历什么。

以下是我们的对话。

发论文不再是为了技术进步，而是为了履历

顾翎羽：你博士还没有毕业，怎么就当上了 CEO？

李天羽：我和弘扬老师合作很多年了。我硕士期间去商汤实习认识了他，一起参加比赛、做项目。2021 年开始长期合作。后来他问我要不要跟他读博士，我去了以后，逐渐开始负责一些研究项目，和团队同学建立了信任。今年年初他提出创业，希望我来做 CEO，一方面是他信任我，另一方面是团队也比较信任我。

顾翎羽：在这之前，你最大的管理经验，只是管理一个科研项目？

李天羽：对。带年轻博士生一起做研究，分算力、分数据资源，决定项目方向。但这和经营公司完全不同。科研项目的资源是给定的，比如有500 张卡，你想的是怎么把它们利用好，不会考虑这些卡以后能不能产生收入，也不会考虑公司能不能活下去。现在不一样，每一笔钱出去，都要想它是否能换来未来的技术优势、融资能力或商业价值。

顾翎羽：虽然你没全职工作过，但你曾在华为参与世界引擎模型的研发，这段经历带给了你什么？

李天羽：我发现学术界的很多 benchmark（基准测试）已经不能反映工业问题了。学术界的目标通常是在公开数据集上提分，但公开数据集的分布、采集方式和指标本身都可能有偏差。所有人围绕同一套指标优化，最后得到的结论可能只对这个数据集有效。你在论文里把一个指标提高很多，放到真实系统里，可能没有帮助，甚至会产生负面效果。

顾翎羽：你们自己也做过自动驾驶的 benchmark，后来发现它会误导研究者？

李天羽：是的。过去自动驾驶研究里经常比较模型预测轨迹和人类真实轨迹的距离。距离越小，认为模型越好。但人类开车有时间惯性，一个甚至不看道路图像、只根据车辆历史状态预测未来轨迹的模型，也可能得高分。这说明指标没有真正测量驾驶能力。后来大家加入碰撞、安全等指标，但研究者会直接学习评分函数，寻找最容易得高分的轨迹。这叫 reward hacking（奖励作弊）——模型学会了利用指标漏洞，但不一定学会了安全驾驶。

顾翎羽：如果没有去华为接触真实的工业系统，你能认识到这一点吗？

李天羽：非常难。在学校里，实验结果会不断给你正反馈。只有进入工业系统，几百个人一起把一条技术路线做到很深，最后发现它还是解决不了真实问题，你才会确认，这可能真是一条死胡同。

顾翎羽：这会让你对学术研究感到幻灭吗？

李天羽：会。你会突然意识到，从某个时刻开始，我们发论文不是为了推动技术进步，而是为了个人履历。每年有几万篇论文，但真正能改变工业系统的工作越来越少。

顾翎羽：所以你们创业，首先是因为对学术界失望？

李天羽：这是原因之一。更准确地说，是我们发现今天最重要的AI研究需要工业级资源。一个学生拿几张卡，在一个小数据集上改一点模型结构，很难真正验证 scaling（规模化法则）。大模型、视频生成、自动驾驶都是这样。如果我们想定义一套新的训练范式，就需要更多数据、算力、机器人和工程团队。这些资源在传统高校体系里很难获得。

师生创业，投资人先劝放弃

顾翎羽：弘扬第一次提出创业，是什么场景？

李天羽：吃午饭。他说，我们应该做一家具身智能大脑公司，把团队最擅长的算法能力发挥出来。他希望我担任 CEO。

顾翎羽：你的第一反应是什么？

李天羽：我觉得他在开玩笑。弘扬老师是一个很喜欢开玩笑的人。

顾翎羽：你下意识拒绝了吗？

李天羽：最开始是有犹豫的。在我当时的认知里，没有充分准备就直接创业，成功率是很低的。我第一件事是和他算胜率。具身智能当时已经很热，可能有上百家公司准备做世界模型或具身大脑。如果我们和所有人讲一样的故事，到下半年，每天都有公司放 demo，市场上可能连新闻头条都不够分。我们必须找到一个真正不同，又与团队能力匹配的方向。

顾翎羽：最开始不是现在这个方向？

李天羽：不是。最开始我们讨论过后训练、强化学习、世界模型等方向。这些和团队过去的积累有关，但很难证明为什么一定是我们做。后来我们重新分析团队真正擅长什么。我们在自动驾驶和具身智能两个方向都做过大规模数据训练，参与过预训练、后训练、数据管线和真机验证。再结合我们对人形机器人全身控制的研究，最后才聚焦到足式人形的全身智能。确定这件事以后，我才越来越有信心。

顾翎羽：你们是师生合作创业，你的心理上会依赖老师吗？

李天羽：会有依赖，但不是传统师生关系里的依赖。我们合作很久，他知道我做判断不是因为偷懒、私心或者想为自己搭团队。我也知道他的激进不是为了表现自己。建立信任后，大家可以直接讨论事情本身，不需要先猜对方的动机。如果临时找一个职业经理人，哪怕他经验丰富，也需要很久才能建立这种信任。

顾翎羽：你第一次见投资人是什么样的场景？

李天羽：就是在上海创智学院弘扬的办公室里，见了我们一些投资界的好朋友，给我们说，创业是一个很艰难的事情啊。

顾翎羽：他们有没有劝你们要放弃？

李天羽：他们劝我们不要创业。

顾翎羽：教授创业成功率其实不高，虽然现在科学家创业很热，但你有没有想过，过往那些阻碍科学家创业成功的因素其实并没有发生变化？

李天羽：学者和企业家的特质有冲突。学者可以长期探索一个自己感兴趣的问题，不一定立刻考虑成本和收入；企业必须生存，每个选择都有后果。今天这么多高校教授出来创业，本质上是因为前沿技术的突破需要风险投资来驱动。

我们这类公司，很多都叫 neo labs——说白了，就是在跟投资人申请一个技术研发项目，投资人buy in了底层逻辑，押注我们能做出真正的技术突破，实现之前完全没有的能力，而这个能力本身就会变成商业机会。

所以技术的差异化和能力的大幅跃升，是这一切的前提。如果技术没有足够的差异化，没能涌现出全新的场景和能力，那用高校教授的思维方式，在商业世界里是很难活下去的。大家赌的，就是教授能做出技术爆发的事情。

顾翎羽：你们怎么避免教授创业的常见误区？

李天羽：我们也是在不断改变自己的思想。创业伊始，上海创智学院院长陆奇博士对我们说了一句话，我们要做的是有科学家精神的企业家，而不是一个出来创业的大学老师。

顾翎羽：什么是有科学家精神的企业家？

李天羽：首先要以公司本身的第一性的角度去思考，我们做的这个事情是否有长远的商业价值。

顾翎羽：你得出这个结论是你自己得出的，还是陆奇告诉你的？

李天羽：我们隐隐约约地感受到这一点，但是陆奇他通过这句话点拨了我们。为什么一定是有科学家精神的企业家？因为我们做的事情本质上是创新驱动的，而创新需要冒险精神，需要对技术的极致执着和热爱。但这种精神和商业逻辑在初期是相互违背的。技术探索意味着持续的成本投入，意味着可能是个无底洞，没有人能保证它最终能走到哪里。可如果没有这些探索，具身智能这件事可能永远都不会实现。

所以有科学家精神的企业家，真正要想清楚的是：怎样有节制地探索技术，同时尽可能早地把探索出来的成果落到实际场景里，实现商业价值。

顾翎羽：你们已经遇到这种冲突了吗？

李天羽：每天都在遇到。最直接的是算力和数据。研究者当然希望资源无限，但公司资金有限。我们要找到一个平衡点，既能做足够大的实验，又能让公司活得足够久。我们的选择还是偏激进，因为足式人形大脑是一块空白。如果投入与普通方向相同，很难做出差异。

只说增加模型和算力，智能不一定会自动涌现

顾翎羽：为什么你们选择更难的足式人形？

李天羽：因为我们是以终为始判断。人类世界是为人设计的。家里的楼梯、门槛、柜子，小区和道路的空间，生产环境里的很多设备，都是按照人的身体和行动方式设计。轮式机器人总会有无法通行的区域，足式人形在物理空间里的适应性更强。第二，机器人要学习人类如何完成任务。这个世界上最丰富的动作数据来自人类。人类用四肢、躯干和重心协同完成任务，如果最后承载这套能力的机器人也是人形，迁移会更自然。

顾翎羽：人形是终局，不等于今天就该做人形。

李天羽：如果两三年前出来创业，我们可能也只能选择轮式双臂，因为当时人形机器人硬件不够成熟，数据和算法条件也不支持。今天的变化是，硬件、运动控制、数据采集和模型都到了一个勉强及格的阶段，可以开始探索全身智能。智能和硬件都会发展。今天轮式双臂更稳定，人形更不稳定，但三到五年以后，人形硬件很可能会成熟很多。我们认为，到那个时候，智能与硬件会汇合。

既然我们相信十年后的主流形态是人形，那就从今天开始为人形设计智能，而不是等硬件完全成熟后再切换。

顾翎羽：你们所说的"全身智能"究竟是什么？

李天羽：现在机器人操作通常是上半身或两只机械臂在工作，底盘负责移动。全身智能意味着机器人要同时协调腿、手臂、躯干和重心。例如它可以半跪下来拿地上的东西，一只手撑着桌子，另一只手伸到桌下取物；双手抱着箱子时，可以用肩膀推门，用脚踩垃圾桶。这些动作不只是"机械臂抓取＋双腿走路"的简单相加。机器人要在持续保持平衡的同时完成操作，需要学习人的全身协调。

顾翎羽：为什么把它称为"中脑"？这是一个为了融资创造的概念吗？

李天羽：不是。三段式系统在行业里并不新，海外一些公司会称为 System 0、System 1、System 2。大脑负责慢速规划和推理，比如理解任务、拆分步骤；小脑负责底层运动控制和平衡；中脑负责实时把任务转化为全身动作，连接高级规划与底层控制。今天很多 VLA 或世界模型，也可以被理解为中脑的一部分。但在人形机器人上，中脑必须更紧密地处理全身运动和操作的协同。

顾翎羽：这个路线被大规模验证过吗？

李天羽：没有。这也是它冒险的地方。海外公司提出过类似架构，但公开demo里很难确认哪些是模型自主完成，哪些有遥操作或预先编排。国内公司更多在做轮式双臂，足式人形要么以运动和表演为主，要么还没有投入足够多资源做操作。

顾翎羽：你们现在能做到什么？

李天羽：我们使用的主要硬件是宇树 G1。公司成立后，我们大约用了一个月的时间搭起数据、训练、运动控制和真机测试管线，可以同时让多台机器人进行数据采集和测试。现在机器人已经能完成一些全身协调任务，例如半跪取物、扶桌取物、扶起倒地的自行车、双手被占用时用身体其他部位操作环境。

顾翎羽：为什么不自己做硬件？

李天羽：短期因为资源有限。公司现在最核心的能力是大脑和模型，如果一开始同时做硬件，子弹和精力会被摊薄。长期我们会做硬件研发。真正要把全身智能做好，需要软硬件协同。现在很多国内人形机器人最初是为了走路、跳舞和表演设计的，例如更重视瞬时爆发力和耐摔，但操作需要的是精度、负载和稳定性。我们希望和本体厂商共同定义下一代硬件。如果合作不足以满足需求，也可能自己做。

顾翎羽：本体厂商愿意把底层接口开放给你们吗？

李天羽：这是现实困难。每家厂商都有自己的接口，接口以内的电机参数和控制信息，往往被视为护城河，不愿意完全开放。但现成的运动控制器是为了走路、跳舞或跑步调好的，不一定适合精细操作。我们希望进入更底层，甚至参与下一代硬件定义，厂商会有顾虑。所以长期看，自研硬件有软硬协同优势。

顾翎羽：你们又强调开源。商业公司为什么开源？

李天羽：第一是证明能力。真正有东西才敢开放出来，而不是只发一个 video demo。第二是推动产业链。过去大家认为人形操作很远，所以硬件也不是为操作设计的。如果我们能证明人形机器人可以完成复杂操作，下一代本体厂商、关节和供应链企业会开始为这件事投入。这对整个行业有好处，也会反过来让我们获得更好的硬件。但开源不会是永远的。完成能力证明和生态推动后，后续模型可能会以闭源产品形式发布。

顾翎羽：现在每一家具身智能公司都说数据重要。你们的数据有什么不同？

李天羽：我们需要的是全身动作数据。很多具身数据通过头戴设备或手部设备采集，主要记录第一人称视觉和两只手的动作。这对桌面抓取很有效，但不够描述弯腰、半跪、转身、行走和保持平衡。我们需要记录人的全身姿态、视觉信息以及任务过程。它的采集设备、任务设计和数据管线都不一样。全身动作位姿的信息在第一人称视角视频是不完全的，需要用更多的传感器信息，设计更复杂的标注和质检管线。

顾翎羽：你们的数据目前怎么获得？

李天羽：市场上的数据公司和采集设备都还不成熟，我们需要自己定义任务，也会和外部数据服务商合作。基础、短程和一致性高的任务，可以采购已有数据。全身协调和长程任务，更多要自己设计采集流程。

很多人有一个认识上的误区，认为数据越多越好，但数据不是越多越好。模型规模、训练目标、数据精度和数据分布必须匹配。

例如一个模型只能吸收十万小时量级的数据，你收集一千万小时，后面的数据可能没有价值。再比如模型已经能学习到厘米甚至毫米级信息，但采集设备的噪声还在分米级，继续扩张数据规模也没有意义，因为噪声已经大于可学习信号。

所以scaling不是把数据堆上去。你需要知道模型能吃多少数据，采集精度达到什么程度，哪些任务有一致性，哪些需要详细标注。

顾翎羽：比如说？

李天羽：扫地。

如果让一千个人自由扫地，有的人先扫左边，有的人先扫右边，有的人来回乱扫。对模型来说，在看到完全相同的场景和任务指令时，下一步动作可能有很多答案。这种多模态会让监督信号产生歧义。模型不知道哪一个动作才是它应该学习的。

顾翎羽：但人的目标只是把地扫干净，为什么一定要动作一致？

李天羽：最终目标当然是扫干净。但今天的模型需要从示范动作里学习。如果输入信息相同，监督动作却完全不同，模型很难建立稳定策略。

一种方法是用非常详细的语言解释每一步：先扫左边，再扫中间，为什么这样规划。这样可以消除歧义，但标注成本会非常高，也不可能给所有物理任务都写出完整心路历程。另一种方法是设计采集 SOP，让数据采集者按照相对一致的策略完成任务。我们不是要求所有人机械地做同一个动作，而是尽量提高数据的可学习性。

顾翎羽：这听起来不像让机器人获得通用智能，更像为每个任务编教材。

李天羽：现阶段确实需要教材。我们不认为，把人类做过的所有事情随便收集起来，训练一个模型，它就能自动学会一切。这在语言模型上相对可行，因为文本本身已经包含结构和语义；在物理世界里，动作是连续的，结果还会反馈到环境中，问题更复杂。

通用性不是不要任务设计，而是通过大量高质量、可学习的任务，逐渐形成可以迁移的能力。

顾翎羽：这会不会把公司重新带回重工程、重人工的路线？

李天羽：一定会有大量工程。今天具身智能还没有找到像互联网文本那样自然、低成本、无限扩张的数据源。所有公司都要解决数据采集、标注、清洗和任务设计。我们的判断是，与其把更多钱盲目投入算力，不如先提高数据质量。一组预训练实验可能花几百万元，如果数据只值几十万元，而且质量不好，这组算力大概率会被浪费。

顾翎羽：你认为模型能力的提升，数据能占多大作用？

李天羽：在自动驾驶经验里，新一代模型的能力提升，可能绝大部分来自数据，而不是模型结构。这包括筛选更好的驾驶员数据、调整不同场景的分布、清理动作噪声，以及找到更适合的监督目标。很多时候，模型架构变化没有宣传里那么重要。

具身智能的问题是，数据比自动驾驶更难学习。开车的动作空间相对有限，规则也更统一；机器人操作的动作维度高，同一任务有太多完成方式。所以我认为，具身现在的学习范式本身还有问题。

顾翎羽：行业里有人说，具身智能会比自动驾驶进步更快。你为什么判断更保守？

李天羽：大家对智能涌现有乐观预期。大语言模型出现过ChatGPT时刻，很多人因此相信具身也会突然出现一个模型，让机器人能力迅速跃迁。

但每次scaling成功都有前提。语言模型有互联网文本，视频生成有海量视频和逐渐成熟的视觉语言模型，自动驾驶有量产车辆持续回传数据。具身智能目前还没有如此自然的数据来源。如果没有解决数据规模、精度、标注和可学习性的问题，只说增加模型和算力，智能不一定会自动涌现。

具身智能很难会有自己的ChatGPT时刻

顾翎羽：你觉得具身智能的GPT-3.5时刻会在什么时候？

李天羽：很难定义。具身智能可能根本没有一个非常明确的 GPT-3.5 时刻。ChatGPT 出现前，普通人几乎不知道大语言模型能做什么。ChatGPT 一出来，能力差距非常显著，所以公众感受到一个突然变化。人形机器人不一样。从 2024 年开始，所有人都在持续看它进步：先是走路，再是跳舞、抓取、叠衣服，之后可能是更长程的任务。它更可能是渐进变化，而不是一夜之间所有人突然发现世界变了。

顾翎羽：什么情况下会出现一个突然时刻？

李天羽：除非一家公司长期不对外发布能力，到模型和数据规模达到某个节点后，一次性释放出很多从未出现过的功能。但行业竞争这么激烈，大多数公司需要持续发 demo、融资，很难完全隐藏几年。

顾翎羽：你们也要靠demo融资。

李天羽：对。作为初创公司，我们必须在不同阶段证明自己的技术位置。技术领先会带来资本关注，也会带来客户和合作伙伴。只有你足够强，场景方才愿意和你讨论怎么共同定义任务；否则对方可能只把你当成一个普通解决方案供应商，合作条件也会很苛刻。

这个行业里，模型现在都没有强到可以立刻进入大规模商业场景。领先可能只是相对领先。但只要你在同一赛道跑得最快，就可以聚集更多人才、资金和场景，逐渐形成正反馈。

顾翎羽：这是一场不能停下来的比赛。

李天羽：是。尤其我们做的是高风险路线。一旦技术进度落后，后面就更难获得资源。

顾翎羽：你会觉得淘汰赛什么时候会打起来？

李天羽：今天已经打起来了

顾翎羽：那你们晚了吗？

李天羽：我们算是具身赛道里比较晚的一波，不是最后的一波——公司刚成立两个月，所以我们不会说现在是最好的时机。但在足式人形智慧大脑这个细分方向上，硬件、算法、数据各方面的技术成熟，恰恰是在今年才真正出现的。所以如果未来有一家公司做足式人形大脑并且成功了，它一定是在今天这个时间点创立的。

轮式机器人更快赚钱，但我们不想太早绑定场景

顾翎羽：投资人最常挑战你们的一个问题是什么？

李天羽：商业落地。足式人形机器人的落地速度，会不会比轮式双臂慢很多？

我们的答案是，会。轮式双臂已经可以在部分工厂做自动化任务。轮式底盘更稳定，也容易把规则系统和 AI 结合起来。足式人形不仅要操作，还要保持平衡，硬件也没完全成熟，落地一定更晚。

顾翎羽：既然知道更晚，为什么不先靠轮式机器人赚钱？

李天羽：因为公司的优化目标会被场景改变。

如果早期接一个具体项目，算法、硬件和工程团队都会围绕这个客户迭代。短期可以形成收入，长期却可能偏离通用智能。

有些公司进入家庭，不一定是为了赚钱，而是为了获得真实家庭的数据和失败案例。它会拒绝餐厅送餐或商场导览，因为这些任务可能把整个研发方向带到另一条路上。

我们也一样。前期最重要的是建立更通用、更泛化的人形基础模型，不能太早绑定一个狭窄场景。

顾翎羽：但通用和泛化更难，也更烧钱。

李天羽：所以关键是学习效率。我们需要判断哪些数据最有价值，哪些实验值得做，尽可能用有限资源更快触碰到新的能力。当模型出现一项之前没有的能力，再反过来寻找适合它的场景，而不是先拿一个场景，强行把能力做出来。

顾翎羽：最可能率先落地的是什么场景？

李天羽：可能是商超、便利店、家居、小区或半开放环境。它们有一些轮式机器人不方便通过的空间，也有弯腰、取放、移动和全身协调任务。但现在不能简单说"便利店上下货"就是一个成熟场景。真正进入现场，会发现货物尺寸、货架结构、人流、安全、速度和成本都有很多问题。

我们目前更多是在理解这些场景有多难。

顾翎羽：所以现在还没有明确商业场景。

李天羽：没有绑定一个确定场景。半年到一年，我们仍然以技术研发为主；一年到两年，希望开始寻找收入场景。但最终节奏要看模型能力发展到哪一步。

顾翎羽：中国投资人的耐心通常没有很久。

李天羽：我们最开始接触的一些老牌美元基金，资金规模更大，也经历过更多技术周期。它们更容易理解一个前沿技术需要持续投入。但无论美元还是人民币，最终都会问商业问题。没有哪一类资金会无条件等你五到八年。所以我们需要找到长期目标和短期证明之间的平衡。不能为了收入放弃技术方向，也不能一直讲理想、不考虑公司怎么活。

顾翎羽：你最初是因为不想做没有意义的论文才创业。但现在为了融资，公司会不会变成另一种刷分——不断发 demo、追逐估值，却没有真正产品？

李天羽：学术界有 benchmark，创业市场也有自己的 benchmark：融资额、估值、demo 播放量、媒体声量。如果公司只围绕这些指标优化，也会出现 reward hacking。你可以做一个特别适合传播的动作，却对真实任务没有意义；也可以选择一个容易演示的场景，让外界以为通用能力已经出现。所以公司需要建立自己的内部评测，不能只看一个demo成不成功，而要看不同任务、不同环境、不同本体下，模型是不是真的获得了新的能力。

顾翎羽：但市场不会耐心看内部评测。

李天羽：所以我们既要面对市场，也不能完全被市场定义。外部需要容易理解的结果，内部需要更严格的标准。两者不一定天然一致，我们的工作就是尽量让它们不要互相伤害。

"年轻不是优势，学习速度才是"

顾翎羽：你是1998年出生，投资人会当面质疑你太年轻吗？

李天羽：会。他们会认为，我没有商业经验，也没有完整经营过一家公司，能不能做战略、管理和商业合作，都是问题。这很正常。如果我是投资人，也会问。所以我面对这些质疑的时候，其实我更多是想去吸取他们的判断和经验。人本来就要不停地优化自己，做 AI 的人更是如此。我们把外界的 feedback 当成 loss——收到 loss 的时候，不能停下训练去跟人吵架，而是要快速反向传播，优化自己的思想。

顾翎羽：年轻对你来说利大于弊吗？

李天羽：站在我的角度，只能说利大于弊。但实话是，我还在完成角色转变。过去我是制度的使用者，现在要成为制度的设计者；过去算力和经费是别人分配给我的，现在要考虑钱从哪里来、怎么花、花完以后公司怎么办。合同、融资、招聘、财务、法务和商业合作，很多都是第一次接触。

顾翎羽：你凭什么认为自己能胜任？

李天羽：因为公司当前最重要的决策，还不是精细化管理，而是判断技术方向和资源优先级。我们要决定一个方向值不值得投入，数据和算力大概需要多少，什么时候应该停止。这些问题需要对技术足够敏感，也需要快速学习全局信息。我认为自己目前与这个阶段比较匹配。如果公司有几百人，需要成熟管理体系，我现在肯定不够。但我好在善于学习，现在AI也很强大，给了我快速学习的可能。

顾翎羽：有人能教你吗？

李天羽：很难直接教。我会问一些有经验的企业家：创业第一年最重要的事是什么？如果回到第一年，会改掉什么？当时为什么做出某个重大决策？但听下来，经常会觉得成功企业家像天选之子。他们在某个时刻做出一个异于常人的判断，后来被证明是对的。里面既有能力，也有时代和运气，很难复制。最后能学到的可能只是一种感觉：有些时候必须敢下注。

顾翎羽：你敢下注吗？

李天羽：我会先分析，再下注。我不是风险偏好特别高的人，更习惯通过逻辑和信息推导判断。但公司不可能等所有信息都确定。有些buy or build 的决定，最后就是要赌：自己做需要多久，合作的成功概率多高，不做会不会拖累其他方向。算到某个程度后，必须拍板。

公司估值某种程度上更像公司欠下的一种责任

顾翎羽：创业到现在，最大的快乐来自于哪里？

李天羽：（犹豫）我现在可能更多谈不上快乐，更多还是焦虑驱动吧。

顾翎羽：焦虑主要来自于哪里？

李天羽：看到账上的钱持续减少，但技术结果还没有完全出来时。训练一个模型要先买数据、准备算力、搭系统。钱已经花了，真正结果可能几周甚至几个月后才知道。这个过程中，你无法通过更努力立刻获得答案。

顾翎羽：过去你从没赚过多少钱，突然自己的公司估值上亿，是什么感觉？

李天羽：我不会把公司估值理解成自己的身价。公司估值首先是投资人给公司的钱和预期。它不是已经产生的价值，某种程度上更像公司欠下的一种责任。只有真正做出产品、形成收入，估值才有支撑。

顾翎羽：你们如何判断一组成本昂贵的实验值不值得做？

李天羽：先判断它是不是关键技术决策。如果实验结果不会改变路线，就不值得花这么多钱。算法团队要非常谨慎扩张。一个错误结论如果传播到整个团队，可能几十个人沿着它做三个月，最后全是无效工作。工程工作相对容易定义边界和验收标准；算法结论很难评估。我们希望算法团队保持精英、小规模，由真正能对结论负责的人使用昂贵资源。

顾翎羽：AI时代是不是加剧了精英主义？

李天羽：在AI研发里，精英主义很难避免。预训练资源越来越昂贵，一个研究者可能每天调度价值上千万元的算力。你不可能把这些资源平均分给所有人，只能让最有判断力的人使用。AI agent 又进一步放大了个人能力。以前一个聪明人时间有限，需要很多人替他执行不同实验；现在 agent 可以写代码、跑实验、整理报告，一个人可以并行做更多事情。这会让核心研究团队越来越小。

顾翎羽：你怎么用AI管理公司？

李天羽：还在探索中。研发上，可以让 AI 完成一组实验需要的代码和脚本，跑完后生成报告，人会在关键节点检查，仍然是 human in the loop。我自己会用 AI 汇总团队过去两周的产出，整理成一份报告：公司发生了什么变化，技术进展是什么，下一步关键判断是什么，缺什么资源。我再判断优先级，删改后和弘扬、其他联合创始人讨论。

顾翎羽：你认为AI-native组织是什么样的？

李天羽：不是简单用 AI 替代一个岗位，而是让每个人、每个团队都有知识库，再尽量形成全公司的共同上下文。传统组织有部门墙和信息不对称。一个人可能不愿意共享项目知识，因为共享会影响自己的资源和位置。初创公司规模小、信任强，反而有机会从一开始设计信息透明的组织。

顾翎羽：如果公司规模扩大了，这种管理形式还可以继续吗？

李天羽：现在我还能了解每个模块，知道一个技术判断为什么形成。如果人员和业务越来越多，我每天能接收的信息达到上限，却还以为自己理解公司，做出的决策就会非常危险。所以要提前建立信息系统，也要找到值得信任的负责人。但我不认为 AI 可以彻底解决这个问题。AI 可以浓缩信息，却不能替我判断哪些信息没有被记录、哪些人因为组织压力没有说真话。管理最终还是要理解人。

"98 年CEO"只是一个中性的标签

顾翎羽：你父母知道儿子成了一个CEO，他们有什么评价？

李天羽：他们的第一反应是，我的工作变得更不稳定了。

顾翎羽：他们原来对你的期望是什么样的？

李天羽：我父母都是很传统、很努力工作的人。他们那一辈是靠努力学习和工作改变生活，所以他们也是一直这么教育我的。他们希望我博士毕业以后去大公司，或者找一份稳定工作。创业超出了他们的经验，所以他对我们现在做的事情，其实是感到不确定和担忧的。

顾翎羽：他们有告诉亲戚朋友这件事吗？

李天羽：没有，"98 年CEO"只是一个中性的标签，不代表年少有为，也不代表一个人年轻就没有能力做这个事情。只有我们的事情真的做成了，这个标签才有意义，我本人才有意义。

顾翎羽：父辈追求确定性，你为什么选择不确定？

李天羽：我们这一代可能更希望创造以前没有的东西，也更能接受不可预测。但这不是说我天生热爱风险。我更像是，当一个机会出现，我判断它是当前最好的创造价値方式，就愿意承担不确定性。

顾翎羽：如果两三年后公司失败，你会不会再次经历当年对学术界的幻灭？

李天羽：可能会失败，但不会是同一种幻灭。在学术界，每次做出一项新工作，也有创造的快乐。后来发现很多论文没有实际意义，我才选择改变。今天创业也是一样。哪怕两三年后回头看，我们做了错误选择，我也不会后悔。因为在这个时间点，这是我能选择的、最有机会创造真实价值的方式。