原点星辉StartLux创始人兼CEO陈大年

最近一个月，拨开AI圈诸多喧嚣新闻的迷雾，深入追踪两个标志性事件，就会发现一个淡出江湖很久的名字正在慢慢浮出水面——陈大年。

一个是宇树科技于8月19日登陆科创板，陈大年作为最大出资人的基金，是宇树科技的天使投资人；另一个9月初一个“名不见经传”的本地模型——StartLux-V1.0-27B-Preview，在工信部中国信息通信研究院MCP专项测试中，以27B的参数规模几乎打平DeepSeek-V4-Pro。这个本地模型背后的公司名为原点星辉StartLux，创始人兼CEO也是陈大年。

陈大年身上已经有了很多标签，他是与张小龙、雷军同期成名的中国初代程序员，是与马云、马化腾同时起步的中国初代企业家。20岁时与哥哥陈天桥共同创办盛大网络，2004年盛大网络登陆纳斯达克，陈氏家族一度登顶中国首富；他也是个成功的投资人，除了刚刚上市的宇树，他的投资名单里还有很多形形色色的科技公司。但给他带来圈里极佳口碑的，其实是他另一个身份。

2008年，陈大年主导创立盛大创新院，亲自出任院长。

有人说，这是中国互联网史上最具理想主义色彩的“创业乌托邦”；也有人说，盛大创新院是“机构失败，人才成功”，盛大创新院作为独立组织仅运营了三年，落幕前大部分项目还没来得及走向市场。但从这里却走出了纵横移动互联网时代、AI时代的一众牛人，包括云计算龙头UCloud创始人季昕华、梁文锋在幻方量化和DeepSeek的合伙人郑达韡等。陈大年自己也把盛大创新院孵化的项目最终做成了9亿用户、5.2亿月活的WiFi万能钥匙。

但对于公众来说，2017年后陈大年就近乎“隐身”，更多是根据自己的兴趣做做研究和投资，因治病接触了中医，他也开始修身养性，似乎职业生涯就这样滑过去了。

直到三年多前，AI突然来了。

和他哥哥陈天桥专注于脑科学和大模型不同，最终陈大年选择了一个非共识的方向——本地模型。在他眼中，AI的发展还有很多不确定性因素，一窝蜂地涌向共识，才是最危险的。

他说，从产品化的角度来说，目前大模型的智能水平已经够用，工具调用能力也在逐渐完善。但在落地应用方面迟迟难以取得突破，其核心瓶颈在于隐私、安全和成本。

在他看来，“死磕”云端模型无法解决这些问题，本地模型才是未来的方向。

“要从科学家的时代，进入到科学家+企业家的时代了”，在和钛媒体的交流中，他这样谈到。

目前AI依旧是个热闹的赛道，但同时身处全球投资和产业第一线，且愿意出来敞开胸怀分享对于技术发展趋势判断的人，实属凤毛麟角。不久前，陈大年和钛媒体联合创始人刘湘明在上海进行了近4小时的深度交流，话题涉及AI的趋势判断、本地模型以及对于中美AI竞争的看法。全文信息量巨大，约3万字，经钛媒体整理：

从负数开始

刘湘明：很久没见了，你为什么消失这么久？

陈大年：说起来就有点长了。2017年我经历了一场车祸，身体一下子垮了，每天只能工作三四个小时，上海、北京、新加坡都去看了医生，最后是朋友介绍的中医，慢慢帮我调理好的。那几年我基本是被动退出，就做点天使投资。所以移动互联网的下半场，我是整个错过了，自己觉得像是错过了一个时代。

刘湘明：现在为什么又出现了？为什么这么晚才下场做AI？

陈大年：也有很多朋友问我这个问题：以你的性格，AI这么好玩的东西，你怎么一直没入场。朋友们都知道，我这个人对新技术有一种近乎狂热的爱好，以前我都是提前入场的选手，比如机器人，我2010年就开始入局，比行业真正爆发早了16年，全世界能买到的机器人，我都要买来亲手测试。而ChatGPT这种东西，正好戳中我的兴奋点，按常理我会很早就入场。

身体好了一些以后，恰巧ChatGPT出来了，我就开始玩。玩着玩着发现，这件事很难，而且对我来说，比普通人更难。因为我也算是中国最早的一批程序员了，1995年开始写代码，脑子里还是DOS、汇编那套东西，我骨子里的技术底层和思路，完全是这么一层一层迭代上来的。但AI完全换了个套路，我过去几十年的经验和方法放上去，逻辑全走不通。没有经验的人是从零开始，我倒好，带着一整套成见，等于从负数开始。

刘湘明：那你是怎么做的呢？

陈大年：我额外花了三年：第一是学习，从底层重新理解AI到底是怎么回事；第二是思考，想清楚技术对社会到底会带来怎样的影响；第三是验证，将我自己想到的那些东西，反复去推演、去试错，确认它是对的。

那为什么现在正式出来？就三个原因。第一个，我觉得我想明白了，AI是什么、它缺什么、未来往哪走，我有完整的判断了；第二个，这个时机刚刚好，AI正在进入第二个阶段，从以前纯科学家驱动，到科学家和企业家要一起上手，这个阶段非常重要，而我恰好是合适的人选；第三个，AI影响太大了，这个时代我必须要加入。

用新技术推动社会发展，一直是我最热衷的事。这个机会来了，我就一定要去做。

刘湘明：你刚刚回答了为什么创业，接下来的问题是创业从哪开始，你的逻辑是什么？

陈大年：创业从哪开始，其实取决于你怎么看这个行业，也取决于你看到了什么问题。我做对了一件事：AI一出来，我就意识到我对这个东西的认知有限，所以我一直没投钱，站在旁边看。没有钱在里面，人才能保持长期的冷静。投了A公司，你就不自觉地觉得A的方式是对的，哪怕B更对，你也会有偏见。但我没投，所以这几年我能反复推翻自己，一点心理负担都没有。

站在旁边看，我很快就得出了一个和大众很不一样的判断：所有模型出来，大家都在喊能力还不够、还要提高，但我是做产品出身的，从产品的角度把当时的大模型全部试了一遍后，我觉得模型的能力就已经够了。差的不是智商，是工具。

刘湘明：但我知道在AI圈里，很多技术牛人跟你关系都挺好的，比如梁文锋的合伙人，幻方量化的联创郑达韡是你们盛大创新院出来的，你跟他交流过吗？

陈大年：确实，他是我的前同事，我们平时也会有交流，分享一些看法。我记得2025年初的时候，我跟他分享了一个个人看法，现在主流评判大模型智商的方法是不对的：给一道题，不给它任何工具，还要它几毫秒内答出来，这本身是很残酷的。你找个数学博士，给他一张高考卷子，没有草稿纸、没有工具，让他一秒内回答，他也答不对。大家说大模型能把高考数学做到98分，所以它有高中生的能力。这个评判方法不对，它们的能力早就超过了，其实缺的是工具，你应该给它一个计算器。后来，行业也确实意识到了这一点。今天我们讲Agent、讲Harness、讲Loop、讲Graph，本质都是在说同一件事：不要给我直觉的答案，要用工具、用推理，一步步把答案算出来。

刘湘明：那既然能力够了，创业该从哪开始？

陈大年：我直接的反应是，要解决眼前的问题。当时我在推着团队用工具做各种AI应用，而Anthropic做了一件非常正确的事：它不是把工具交给应用，而是把工具直接交到大模型手里。我们是“用工具调用大模型”，它是“把工具交给大模型”，我们突然发现自己的做法太短视了，我们应该想想更远的东西。所以我就问自己：眼前的问题都被解决以后，针对人工智能，人类会有什么新的问题？

我认为下一个问题会是隐私、是安全，是大模型云端公司对每个人的影响。举个例子，对于一家领军的企业，它和同行之间的差距，可能就差一个know-how：你用云端大模型，它一旦懂了，再教会你的竞争对手，对这个企业就是一场灾难。个人也是一样。以前互联网公司拿到的是你的标签，多大、男的女的；现在大模型拿到的是你的事实：你跟你太太怎么认识的，下周你的详细旅程清单。而事实比标签可怕得多。

还有更多的问题。比如，每次用云端都要为token付费，有没有可能让token不要钱？这件事，只有本地模型能做。

所以我想明白了一件事：云端大模型这个东西，其实并不适合普罗大众来使用，用不起，也不敢重用，这就是它为什么很难从科技圈走出去、破圈到普通大众的原因。而一切事情的答案，应该是一个跑在本地电脑上、能够可靠而免费地完成大众绝大多数工作的智能。这个智能，叫作本地大模型。

所以，我创业的起点，就是本地模型。我决定做全世界第一家以本地大模型为目标的商业公司。

刘湘明：所以，你等于是从云端那套思路里完全跳出来了？

陈大年：对，我认为本地模型才是人工智能真正普惠人类的唯一出路。我相信，很快会有越来越多的人认识到这一点。

刘湘明：既然你这么喜欢AI行业，那有一个问题我就更想不通了。以你好奇心这么重、又做了这么多准备工作的人，这几年为什么能忍住不投？我相信一开始肯定很多人去找你？

陈大年：这个问题问得好。说实话，我并没有完全忍住。我破过一次例，而且恰恰是这一次，帮我后面管住了手。

当时我认知到自己对这块不熟，所以挑了一个我们认为最保险的人去投：科学能力很强，工程能力很强，企业也做得很好。我们最早还怂恿他创业，说这事你能做，我们投你。结果他创业的消息一传出来，全中国的VC都来抢他的额度。不是我们一家看好他，是所有人都看好他，我们原有的份额，被瓜分得只剩一点点。但现在回头看，他发展得很辛苦。这件事给我触动挺大的：我们觉得稳的，实际上并不是。而且不是我们看走眼，是很多行业大咖们用老标准去判断这个项目，最后都失误了。这让我意识到：新的方向，用老的逻辑去推断，失败率真的很高。

所以你说我后面为什么能忍住？不是因为我自律，是因为这个案例摆在那里，它天天提醒我：你以前判断对的东西，在AI面前，可能全是错的。没投，我反而能保持冷静，能反复推翻自己。

那为什么还会破这一次例？说白了，那时候道理还没吃透，自律性也没那么强，看到一个自己觉得特别好的案子，还是忍不住。这就像打牌，你输得最大的，往往就是那些看起来不错的牌。

刘湘明：现在回头看一看，你过去的创业、投资，包括学习，形成了哪些“正资产”，它们对你这轮创业意味着什么？

陈大年：我觉得有两点，是我现在受益最大的。

第一，是突破性做事的习惯。我们过去的经历里，经常在一些冷门行业做事，养成了一个习惯：进入一个行业，先尽力想清楚这个行业应该怎么做，我们原来的思路哪些对、哪些错、哪些要纠正。AI这波开始的时候，我没有胡乱出手，全靠这种谨慎的习惯。好多有我这样经历的人，会觉得自己是行家。但我们先天有一根筋绷着：到了新行业，第一反应不是“我懂”，而是“我哪些地方不对”。这个习惯，是我很大的正资产。

第二，是人才观。我用人，一直跟常规的思路不太一样：我喜欢用极度狂热爱好一个领域的人，我把他们叫作“冷静的狂信徒”。这样的人要有两个东西：一个，是狂信。爱这个行业，为了它可以什么都不要，深信它的未来，即使全世界都说是错的，也不会动摇。就像王兴兴，我们支持的基金，2017年投了他的天使轮，当时机器人是非常冷门的赛道，大家都觉得太早了。但他不一样，他放弃了大疆的高薪，全身心去做他的机器狗，那时候那只狗还是手搓出来的。另一个，是冷静。不因为信，就蒙着头往前冲。我相信它的未来，但过程中我非常理智地思考有什么问题、怎么解决，见招拆招。不信的人，遇到困难就退了；信但不冷静的人，遇到事情会用暴力去破解，但很多问题是暴力破解不了的。只有这两种特质同时具备的人，才能真正解开一个新领域里所有的未知。

我过去这么多年攒下的东西，其实就这两样。

从语生科学到原点星辉

刘湘明：讲讲你自己这次的创业思路吧，我们已经看到了你的AI孵化器语生科学，本地模型项目从这里出发吗？

陈大年：要分两件事说：我们的本地模型公司叫原点星辉，英文StartLux。这是我们自己创造的英文单词，Start是初始的意思，Lux是星光。它跟语生科学是两种逻辑。

语生科学的维度是这样的。我当时的判断是“大模型智商已经够了”，那接下来最大的课题是什么？是“如何用好大模型”。很多人觉得这个不用操心。模型越来越强，这个问题自然就解决了。但真不是这样。搜索引擎存在多少年了？专业会搜索的人和不专业的人，搜出来的东西差得非常远。工具就在那里，会不会用，差距是天壤之别。

刘湘明：所以语生要解决的是大众用AI的问题？

陈大年：对，语生科学要解决的是“怎么帮普罗大众用好AI”这件事。它面对的是360行的改造。每个行业用AI都有自己的思路，这不是一家公司能做起来的，应该是一批创业团队慢慢闯出来：有些人为记者服务，有些人为律师服务，有些帮助建筑工人。一家公司不可能懂所有的行业，所以我们做一个创新式的科学孵化器，把优秀的创业者、行业专家、科学家请进来，帮创业者把事情做对。旗下孵化多个产品，每个产品面向不同场景、行业。就像我们投资的灵珠AI，服务那些有编程创意和想法、但不会编程的创作者。

在我的设想中，原点星辉和语生科学是配合关系，语生孵化的产品要用大模型，大模型也需要在真实的应用场景里打磨。

刘湘明：对于这两家公司，你的精力怎么分配？

陈大年：大模型公司会占据我绝大多数的精力，语生我投入得会比较少。这不是偏心，是语生这个组织天然要求我不应该多投入。它追求的是360行的改造。每一行都有自己独立的经验和思路。我的经验是有局限性的：有些地方我可能比很多人懂，但有些地方我可能比很多人都差。我要是多参与，反而会把它做成“陈大年的想法”，那就不是360行了，那是1行。

所以语生的做法是建立一个“导师团”，每个导师是不同行业的专家，带着不同行业的创业者做事。原则上我只指导我自己当导师的项目。外行指导内行是不对的。传统孵化器是一个负责人带所有团队；我们不是——在每个团队里，导师才是最高领袖，我这个院长更多时候是个“吉祥物”。

本质上，我们希望建立的是一个去中心化的孵化器：不同的导师在不同领域带不同的团队，互相配合、互相支持，为中国人工智能领域源源不断地孵化出优秀的AI应用企业，推动中国各行各业的AI化升级改造。

刘湘明：聚焦本地模型，那原点星辉的本地模型是怎么做的？

陈大年：本地模型和云端模型，要解决的问题先天就不同：云端模型是在算力、数据、资金都极大丰富的情况下解决问题，本地模型是在用户电脑配置很低的情况下解决问题。所以我们首先要解决的，是让模型在低配置的机器上跑出相当好的质量。

第一步，已经取得了相当不错的成绩。现在我们的目标是：把模型做到在普通人的电脑上直接能跑，并且针对大众的日常任务，90%都能非常稳定可靠地完成。我们自己新训练的模型，27B，参加了工信部中国信通院人工智能研究所的第三方测试。为什么找他们？我们自己说的不算，得请权威机构来测。测下来，我们处理任务的能力和DeepSeek-V4-Pro几乎打平，还超过它的Flash版本。

第二步，是在能用的基础上，让它更快、更稳定、更可靠。坦诚地说：我们的推理速度、推理质量和云端模型比，是有距离的，但这不可怕。打个比方：云端像《最强大脑》的选手，看一眼地图就记住；我们像普通人，需要纸笔花时间记下来，但记住的是同一张地图，只是慢一点。

刘湘明：是的，确实有很多人说小模型已经可以做很多事情了，那么你们后面的计划是什么呢？

陈大年：第一版我们先解决“大家能用”：很多人有很多事不敢交给云端，我们先把“本地能用”这件事满足；这时候我们用的，更多还是传统技术方案，只是加上了我们自己独有的优化技术。而第二步要追平云端，光靠优化不够，必须从技术底层换一套思路。这也是我这些年跑了很多地方，把全世界除了主流自回归模型以外的技术方案全部看了一遍的原因。

换的思路，就是我们筛出的两个方向。中期是扩散文字模型（Text Diffusion）。它在推理速度上应该是自回归模型的几倍，幻觉也低于现有水平。这是我们中期的产品，从去年开始一直在做。刚开始做的时候，行业里除了这种技术的爱好者和探索者，相当多的人都觉得这个方向不可行；但今天观念已经变了，很多投资人开始往这个方向进行大量投资。云端大模型公司也开始认可，把Diffusion的技术往自己的模型里加，但他们的做法，在我看来有点像打补丁：速度确实能提一点，但底子还是自回归的。而我们是从头按Diffusion的方式训练的，所以最后可能会跑出一个又快、质量又好的本地大模型。

更长远的方向，是我们的一种野望，不确定能不能成，但充满了野心：那就是类脑大模型。现在其实已经在做一些工作，也有了一些成绩，我们也希望能做成，但肯定不是短期之内能拿出来用的东西。

胖子减肥与天然的瘦子

刘湘明：刚才谈到本地模型，我想追问一下：真正从零开始做本地模型，和那些从云端一点点做下来的模型，在底层的架构、算法上有什么本质的不同？云端模型的本地版会不会在某种意义上形成降维打击？

陈大年：有本质不同，而且这个不同是我们刻意选的。所以我真不担心被降维打击。因为云端做的是“所有人的一个大模型”，我们做的是“每一个人的模型”。他们做得到前者，但他们的架构和成本结构，决定了他们做不好后者。这不是打不打得过的问题，是两条完全不同的路。

而从云端缩减下来的模型和我们正在训练的本地模型之间也是有很大区别的，打个比方，云端大模型的本地版像胖子减肥变瘦，很多地方松弛下垂；他们先做复杂大家伙，再蒸馏缩小。我们天生按小模型方式做，皮肉是紧的。他们是“做大了再缩”，我们是“天生按该有的尺寸做”。

刘湘明：那“该有的尺寸”是多大？

陈大年：该有的尺寸是多少？不是什么都装。我们这样的普通人为什么要知道核聚变怎么做？我宁愿把参数让出去，让给更底层的东西，比如推理能力。人是先有学习能力，知识才慢慢习得、长出来的；现在大模型是先一次性塞一大堆知识进去，然后它才变强。这是“灌输”，不是“学习”。云端是把好的坏的、要的不要的全堆给你；我们要做的，是只把最必要的东西交给你，让它在这个基础上自己长。

正因为每个人“必要的东西”不同、每个人的用法不同，所以我们的本地模型就有了一个非常大的特质：个性化。你是一个记者，特别关心IT，你的本地模型就可以以IT知识作为最强大的部分；另一个人是造船的，里面可以有非常丰富的造船知识，其他知识弱一点没关系。每个人都可以根据自己的特长，让它去变化。云端是所有人的一个模型，我们做的是每一个人的模型。

刘湘明：知识和大模型是怎么结合？作为知识库的方式，还是说通过后面的训练解决？

陈大年：这是我们现在在重点做的事。大模型的自训练和自升级，现在很前沿的RSI技术，我们有一些与众不同的技术方案，测试下来已经看到一些非常不错的成绩了。不过第一版发布的模型，还没有这个部分，我先把话说清楚，免得大家期待落空。

现在行业里普遍的做法，是把知识放在模型外面，管它叫知识库：你要问什么，先从库里检索出来，再喂给模型。这个方式能用，但它有一个根本的问题。知识是“借来的”，不是“长在模型身上的”。检索到就能答，检索不到就答不上来；而且每个人问到的都是同一套库，模型本质上还是那个模型，不会因为你而改变。

刘湘明：意思是让大模型把知识库“吃进去”？

陈大年：对，可以这么理解。我们要做的，是把知识放进参数库里面去，让模型真正“吃进去”，变成它自己的一部分。这个差别就像一个人背书和真正理解的区别：背书是把书放在脑子里随时翻，理解是把书消化成自己的判断。吃进参数库之后，知识就长在模型身上了，它回答的时候不用检索，是直接“想”出来的。

而且我们的目标，是让这个模型像人一样学习：白天，跟它聊、给它看资料，知识先进来；到了晚上（或者说它空闲的时候），它自己把这些知识压缩进参数库，变成长期的记忆和能力。这样它就一天比一天懂你，一天比一天像你。也只有这样，才能真正实现“每个人都不一样”。因为每个人的参数库里，装的是他自己生活里长出来的东西。这其实就是当下最前沿的RSI思想的一种我们独创的实现方式。

刘湘明：你现在最看重的下一代的模型的核心指标是什么？

陈大年：第一个核心指标，当然是能力。但我说的能力，和行业里讨论的不是一回事。行业里看能力，是看一条线：测智商，80分、90分、100分，分数越高，说明它越接近研究生、博士生的水平。大家比的是这条线能爬到多高。可你想过没有，生活里绝大多数的事情，一个初中生就能干。

所以我看能力，看的是一个金字塔：塔尖上是最难的事，但大众90%的需求，都在塔身和塔基上。那些日常的、重复的、看起来不“聪明”的事。所以，我不问它能考多少分，我问的是：一百件日常的事，它能独立做好几件？我们的第一个指标，是希望它能把大家生活当中90%的事情，完全脱离云端去做。这不是退而求其次，这才是真正有用的能力。

第二个指标，是速度。能力再强，如果回答一个问题要等半天，普通人是不会用的。速度，是那90%能真正好用的催化剂。速度越快，给大家的帮助越大。

第三个指标，也是这个模型的灵魂：个性化。它自己学习、自己进步、越来越懂你、越来越符合你的要求。这个我前面讲过：知识进到它的参数库里，长成它自己的东西。云端做不了这件事。不是它不想，是它的模式决定了，它只能给所有人一个模型，给不了每个人自己的模型。

三个指标合起来，就是我们要的下一代模型：能力上，覆盖你的日常；速度上，让它真正好用；而灵魂上，它会长成你自己的样子。

刘湘明：将来用户使用本地模型和云端模型，体验会有什么不同？

陈大年：那区别太大了，我分开讲：先看怎么用，再讲三个好处，最后说一个你们想不到的体验。

先看怎么用。现在用云端模型，是你通过客户端或者网页来发起提问，保持联网，把资料传上去，它给你答案。你的资料全在它那里，你只是它的一个用户。本地模型不一样，你下载一个安装包，安装的时候它根据你电脑的配置，自动把模型、界面、一整套全部装好，还针对你的电脑做完所有调优，这过程你完全不用懂技术，安装一下就好。做完以后，所有东西都在本地，不需要上传任何东西，把网线拔了也一样用。

所以说，一个是把数据送出去，一个是把能力装进来，这是本质的区别。

再看三个好处，它们是一层层递进的。第一，隐私安全。你的合同、你的聊天记录，都放在自己家里，不用送出去，这是“敢不敢”的问题，所以你能够执行的工作范围就大幅扩展了。

第二，token不要钱，付电费就好。云端你每问一次都要烧token，本地你随便问，只耗一点电。这是“贵不贵”的问题，而且不只是省钱的问题。我们做个简单的算术：比如我们有一个问题，云端模型思考一次就能给出答案，而本地模型可能需要思考两次。如果它思考两次也行，那对云端来说，这是成本问题；但对免费的本地模型来说，我让它思考四次也毫无心理压力，而思考四次的答案，往往就比思考一次、两次的云端模型更强了。这就是量变产生质变。

第三，我把它叫作“不可为”，意思是云端不可为，只有本地可为。跟前两个都不是一回事，它解决的是“能不能”的问题。比如我很喜欢拍照，自己有几个T的照片，以前拍下来按时间整理好就结束了；有了本地大模型，我希望它看懂每张照片是什么，然后我可以说“我记得某年年会上，有个同事打扮成了黑山老妖，这张照片我忘了是哪一年的”，它就会给我调出来。这件事在云端是不可为的，因为我不可能把几个T的照片传给云端，只有本地才可以。

刘湘明：你刚才说的那个想不到的体验是什么？

陈大年：有一个体验，是云端永远给不了的：主动做事。它不是云端做不到，是云端不敢做：它每想一次都在烧钱，所以不敢主动。我们的本地模型不一样，我们只是在耗电。拿写稿来举例，你让本地模型写完稿子后，也许过了三天，模型会主动找来说：“三天前让我写的这篇文章，我今天看到一条新的新闻，可以补进去，补进去文章会变得更好。”当然，它平时会自己留意新的信息。但它是出去看，不是把用户的东西带出去，用户家里的资料它不会碰。

所以你说有什么不同？云端是租来的能力，本地是你自己的能力，而且这个能力，会自己长。

27B的本地模型能干什么？

刘湘明：按你描述的场景，两边算力差异巨大，看起来这对本地模型是不小的挑战，你们压力会不会很大？

陈大年：压力确实有，我们分两个方向应对：一是自己努力，把模型做小做精；二是靠硬件进步，同样钱买到更强算力。两边一凑，差距就填平了。我们现在内部设定的入门线是16GB显存，支持16GB显存的电脑就能跑起来，这样的电脑现在也不是很贵。如果你想要更好的配置，几万块钱的设备就能跑100B的模型了，那时候能做的事就很多了。

其实总的来说，开发模型需要的算力并不是很大。我有时候开玩笑：现在很多云端大模型公司已经越来越像体力劳动了，都在比算力，比显卡，比参数。但我们做本地模型的工作，用户电脑决定了我们不能用太大的参数量，所以我们的工作重心不在于增加参数量，而是如何在有限的参数量下，提高模型的智能。

刘湘明：现在你们本地模型的参数量是多少？

陈大年：初步在27B左右。在特定任务上，我们的能力已经能和DeepSeek-V4-Pro打平；但整体能力和响应速度，还有点差别。我们要解决的是：就这么多参数，怎么让它和云端一样强。以前大部分大模型的工作都是在海量参数上做的，并不能直接照搬。比如，Agent内置的prompt，对于云端模型和本地模型就完全是两件事。一般大家都用开源的解决方案，但我们就必须重写。开源的方案基于的是云端的强力智商，写得糙一点也行；但我们用在本地模型上的方案，就得写得很细致精准，错一点，能力可能就会差很多。

刘湘明：目前的规模，能解决的最复杂的问题是什么？

陈大年：其实它的能力应该已经超过很多人的想象了。我们27B的本地模型，甚至已经可以写一些复杂的程序了，比如我自己拿它写了一个完整的三国杀单机版，电脑智商还挺高，经常赢我。但我们的目标，明年希望直接拿它做一个《仙剑奇侠传》之类的大项目。

其实，在我日常使用的情况之下，已经很少用云端了。我笔记本上自己装了一个完整版本，基本每天服务都是满的，都能稳定提供。现在的短板在电力消耗上，我们需要进一步优化。以前我用Mac，基本是不插电的，现在有电源的时候就会主动接上。所以这也是本地模型需要去优化的部分，包括推理引擎都要自己重写：市面上那些推理引擎都是针对服务器写的，写的时候根本不在乎耗电，因为相对GPU计算来说，耗电显得不太重要，但对我的笔记本电脑来说却很重要。

刘湘明：现在参数的压缩是工程化的结果，还是在算法上有突破？

陈大年：分两块：一块靠工程，一块靠算法。工程这块，靠各种优化去把参数压下来；算法这块，虽然我们也有一些工程上的优化方法，但最终的突破会来自Text Diffusion。别看Text Diffusion在产业里听起来很新鲜，其实发展时间已经比较久了，已经迭代了好几代技术。以前大家都用Diffusion做图片，都觉得不适合做文字输出。但这两年这个方向被重新点燃了，开始出现很多打着Diffusion旗号的公司，似乎找到了很多办法。但实际上，这些公司里存在半吊子的Diffusion：靠修改自回归模型来适配，那不是真正的Diffusion。真正的Diffusion要自己从头训，否则性能会差很多。当然，这个方向这两年已经强了不少，很多顶级大牛也开始出手，比如何恺明。总的来说，我们在工程上能压缩的已经尽可能压缩了，剩下的主要靠算法来突破。

“概率路径自锁”的反面

刘湘明：如果让你描述现在做的模型，在技术上有哪些独一无二的优势，你会怎么描述？

陈大年：个性化和多样性合起来，就是我们技术上最核心的东西。这两点也是别人很难复制的。

先说个性化。每个人的模型，能力都是符合用户本身需求的：不是每个人装同一个大模型，而是把资源都用在用户最需要的地方。你喜欢写小说，它的能力就往文学上偏；你是个工程师，资源就往工程上偏。模型长成适合你的样子，你的资源永远花在刀刃上。

再说多样性。本地模型回答问题时，会千变万化，不会锁死在同一个答案上。我发明了一个词，叫“概率路径自锁”：现在的大模型算概率，答案会越收越窄，最后都指向同一条最可能的路径。我们是反着走的，别人是往窄里收，我们是往宽里走：同一个问题，它有多种角度可以切入，而且不是乱答，是各有各的好答案。

刘湘明：你说的这种场景，对硬件会不会提出一些新的要求？你们未来的交付形式是纯软件还是做一体机？

陈大年：短期之内，终端还是要看屏幕，因为屏幕阅读更快。但长期来看，我觉得会有不需要屏幕的终端普及。

交付上，我们做软件，定位在软件或者系统解决方案的角度，硬件不是我们的专长。我们也准备和所有硬件厂商合作。很多专门卖AI个人服务器、家庭服务器的人，其实并没有一个可靠的解决方案。他们有两个难题：第一，凑这套解决方案本身就很难；第二，卖出去之后用户用过一段时间还会来找他，问“我昨天不小心删掉了一个配置文件，怎么办？”。这些会由我们来提供整套方案。

所以我说我们是全世界第一家真正的本地模型公司，因为我们是真正能交付一套系统的公司。

刘湘明：按照你现在的描述，这个产品的规模化会不会遇到比较大的商业挑战？有没有什么抓手？

陈大年：商业挑战肯定有，但我们想得很清楚：这个产品本质上和当年的ChatGPT一样，最后靠口碑就能走起来。当年ChatGPT刚出来，没人推广，是靠一个个用户用了觉得好，自己传开的。我们也会是这样：第一批用户用上之后，后面会自己滚起来。

为什么我们有这个信心？因为本地模型的需求，已经被验证过了。就拿Ollama来说，它只是一个把模型装到本地、让你能跑起来的工具，技术含量不算高，但2026年第一季度，它的下载量已经到了每月5200万次，相比2023年增长了520倍。这说明什么？说明大量的人想在自己电脑上跑模型，需求是真实存在、而且爆发式增长的，只是现在还没有一个真正好用的产品。我们做的，正是把这件事做到位。再加上隐私都在本地、token的钱也省了，只付电费，这些对很多人来说都是巨大的诱惑。

刘湘明：在你们现在的整个开发和测试里面，用得最多的是哪几个场景？

陈大年：我们现在用得最多的场景，我举几个。最典型的是数据分析。我投资了一家茶饮店，我把最近所有的销售清单丢给它，它自己就能把账算明白：这家店的选品对不对，哪些品类卖不出去应该调整，哪些是季节性的、该什么时候上。不是让它写一个分析工具，而是把数据丢给它，它自己就分析好，直接给我结论。这个能力做起来的话，对普通用户才是最友好的。

第二是调查研究。第三是写报告、做分析。这些我们也都常用。

当然，要实现这种“它自己会分析”，它得有一定的编程能力。实际上，调用工具、组合工具，本质上就是一种编程行为，而且是最关键的那种，模型要解决真实问题，全凭这个。之前我们在工具使用能力上做了大量优化，所以现在能和DeepSeek完全打平，比很多云端模型都强。编程这块，第一版就会具备一定的能力，有些场景可以用编程来解决。但一个程序员别指望装个本地模型就干完整个开发工作，这不是我们的定位。

刘湘明：未来这个本地模型，有可能会去调用比如DeepSeek、Claude这些云端模型吗？

陈大年：会，这个场景我们肯定支持，DeepSeek、Claude都可以拿来当工具用。但我们有一个刚性指标：不调用它们，也能正常用。因为用户会担心，调用的时候要把隐私交出去。所以这是我们的底线，也是为了让用户真正放心。

当然，调用这个口子我们也会留着。有些人的隐私顾虑没那么重，又想做很复杂的问题，那就可以把调用的开关打开。我们自动判断哪些任务云端做得特别好，就交给它做；剩下的全部在本地完成，成本几乎为零。所以这个设计，隐私和成本两头的好处都占了。

刘湘明：现在美国有没有像你一样专注做这种本地模型的？

陈大年：美国AI圈里，本地模型相关产业正在快速崛起，有著名的程序员，顶级的互联网公司，和备受关注的当红创业公司，比如Redis的作者antirez做了ds4本地推理引擎，再比如Meta最近推出了Muse Glimmer模型等等。但大部分公司都没有真正全力投入，因为现在主流资本叙事的重心还是云端模型。

比如像Thinking Machines Lab，就是OpenAI的前CTO出来做的公司：他们做了一个小模型，很强。但他们也同步做了一个云端模型。我认为他们脑子里对本地模型的事情非常有认同感，但是没有不做云端的决心。

还有一种，就像我刚刚讲的Ollama，用途也是为本地服务，但它只做了推理引擎这一部分：模型用别人的，知识库用别人的，甚至连参数配置都得自己配，那它就完不成一个真正商业化的闭环。

所以海外你说从宽泛的意义有没有？有，而且不少。但是从完整的商业化公司的角度，都没有到这个程度。这些项目已经证明了本地模型的价值和市场：下载量达到几亿，大量人下载就是为了在本地装一个，这说明本地模型的市场非常庞大。

刘湘明：我觉得很有趣，你和你哥哥陈天桥先后踏进了大模型这条河流。能不能回顾总结一下，你们到底为什么还要做这个事情？真正推动你的力量是什么？你希望看到一个什么样的结果？

陈大年：我们做事的热情，一直由两个部分驱动：一部分是商业和经济利益，做公司要活下去，这一块肯定是有的；但更大的一块，是社会价值。而且说实话，年纪越大，社会价值这部分在我心里的比重越大。

我们过去的业务一直是这一类：在没人关注的领域里，去寻找新的商业模式，把这个行业做火。做文学的时候，中国电子阅读一年整体收入非常少，我们砸的钱很可能会颗粒无收；做连尚网络，是让更多人能上网；投动漫的时候，国产动画片已经很多年没进过院线了；投机器人，也是在所有人不看好的时候入局。我们做很多事情的初衷，都是想利用我们掌握的新科技和新思维去推动社会发展。

说实话，年纪上来了，身体又出过问题，人本来是有点懒的。但AI不一样。它对人类社会的影响太大了。大到什么程度？大到错过它，是我们天性里根本无法接受的一件事。我们这辈子都在做“把新技术带给大众”这件事，AI是它最大的一次机会，我们必须要在场。

至于结果，我希望看到的是：这一轮AI真正普及到每个人手里，而不是被少数公司捏在手里。云端这条路走下去，是很有可能让极少数人完全掌握人工智能的生杀予夺的，我们得用本地模型阻止这件事情的发生。这一次，我们想做得更大，也想把它做对：让每个人都有自己的智能，而不是让智能只属于几家公司。

AGI不能只做个好同事，而要发明新东西

刘湘明：从行业角度来讲呢，为什么一定要选本地模型这条路？

陈大年：我有两层观点。

第一层，是我为什么坚持做本地。如果真正的大模型被少数公司控制住，会非常糟糕。更危险的是把整个人工智能押在一个中央核心模型上，几个人、几家公司，凭什么能够控制全人类的智能？所以我非常想做一批本地模型，让每个人都有一个属于自己的模型来完成自己的工作。

第二层，是AGI这件事。做AGI，我的看法和主流不一样：主流认为AGI最后是靠Scaling Law实现，更多的服务器、更多的卡、更多数据的堆砌。但在我看来，用这种方式实现不了AGI。我认为实现的方法和路径，是建立在大量本地服务、本地模型的基础之上的，那是一个更中长期的目标。

这两层观点落下来，就是原点星辉。它和所有有野心的大模型公司一样，依然是一家以实现AGI为目标的公司。不是大家想象的那样，做本地模型就没有AGI的梦想，不是的。我认为未来的AGI，必须用大量的本地模型实现，而不是用中央的核心模型实现。只要我们走通这条路，就能实现StartLux的另一个使命：确保AGI不被少数人霸占，能够造福全人类。

刘湘明：你怎么定义AGI的实现？

陈大年：这个问题问得特别好。我搜过很多关于AGI的定义，发现每个人的说法都不一样。所以别人跟我聊AGI，我第一句话永远是：你先定义一下，你说的AGI是什么。

如果按最简单的定义：给它一个问题，它能像你的同事一样处理得很好，那么这个形态，我们早就有了。让它帮你草拟一篇讲稿，它草拟得不好，根本不是它能力不行，是它不知道你是谁、不知道你生活里的细节、不知道你的故事。你把资料全给它，它就能完成得很好。所以“能干活”这个标准，很早就能满足，只是它周边的工具和环境还没搭配好。可这种状态，我从来不认为是AGI。

刘湘明：那真正的AGI到底是什么，能不能不用技术名词，用大白话来说说？

陈大年：我定义的AGI，是跟人类一样有突破未知的能力：人类解决不了的问题，它能解决。为什么我认为现在还没到？有个很明显的信号：大模型发展这么快，但它真正解决人类未知问题的次数，非常稀疏。它每天花那么多电力，思考一次比人快很多倍，可到今天为止，它解决的未知问题少得可怜，而且几乎都集中在数学上，因为数学是严谨的推理过程，更对它的胃口。

但人有一个更重要的能力：创造力。在创造力这件事上，AI至今还很差。让它把一个网页美化到大家都喜欢，它能做得很好，因为“大众觉得什么好看”是可以被统一的；可要它变成下一个毕加索，拿出自己独特的美术思想，它几乎做不到。我们做产品的最清楚，推个新产品，让它写一句宣传语，会发现完全不能用。而创造力，恰恰就是突破未知能力的根源：没有创造力的系统，不可能真正解决未知的问题。

刘湘明：AI为什么没有创造力？

陈大年：就是我前面提到过的那个词，“概率路径自锁”：靠算概率找出最可能的那条路，答案越算越窄，最后锁死在同一条路上。我们常说一个人钻牛角尖，其实大模型是最会钻牛角尖的。

所以真要实现AGI，必须要另辟蹊径。

为什么必须另辟蹊径？我不是做基础研究的，只能谈一个直观感受：人脑持续运行的功率，大概20瓦；一个大模型，就算参数量和人脑一个量级，跑一次推理也要几百万瓦，差了几十万倍。这背后必然不是参数量的问题，是方法的问题。方法不对，现在所有的技术框架，都要重新考虑。

不要小看“用算盘”算出原子弹的国家

刘湘明：在你看来，凭我们现在这种世界级的工程能力，能够造就未来世界级的AI公司吗？

陈大年：我非常相信中美AI对抗，最后中国能赢。有些事实是明摆着的：中国人才在全世界AI行业里起了巨大作用，即使在美国，大量AI公司的核心高级科学家都是华人。

在我看来，中国AI是必胜的，只是需要一个过程：刚开始是追赶，现在是拉锯，后面是反击。这要花时间，因为他们在硬件上卡了一道、在资本上拦了一道，影响确实大；但美国人想靠这些困住我们，他们历史可能读得不够多：中国造原子弹是用算盘打出来的，所以对中国人来说，硬件差一点不怕，钱少一点也不怕。真正靠钱和硬件来阻拦中国的AI发展，我觉得不太现实。我对此深信不疑。有时候，我会觉得中国模型的最终胜利就是被美国逼出来的，因为没有显卡所以中国的模型们才不得不从一开始考虑计算密度问题，在今天这些优势都在正面市场战果辉煌。

刘湘明：我记得你30年前就开始写程序了，当时还有个评选，你和雷军、张小龙等等，是中国当时最著名的初代程序员。这么多年过去，你能不能站在互联网历史的角度谈谈这个问题？

陈大年：我1998年开始创业，过去的这些年里，一直是美国人做系统、我们做应用。这个过程中，尽管我们也诞生了很多在商业上很成功的企业，但和美国企业总有相当大的距离。技术上面没有话语权，最终在商业上也很难超过它。但现在不一样了，技术底层大量都是华人在做，我们这次有了技术为底，加上中国企业对用户的理解，会产生巨大的优势。

技术之外，第二大优势是开源。早年最喜欢做开源、最号召做开源的一直是美国，但这次他们奇怪地几乎全在做闭源，仅有的几个做开源的公司到后来慢慢也有点不想做了。我的理解是，因为AI对社会、政治、经济的影响太大了，他们有点舍不得开出来，想捏在手里掌控最大的价值，这就失去了初心。但中国的企业家不一样，大量科学家坚定站在开源的角度。开源意味着什么？意味着全世界的聪明人都可以基于你的成果往前走，大家一起把地基垒高；闭源是把门关上，只能自己一个人在屋里砌墙。中长期来说，最终一定是开源的，得道多助，大家都可以一点点上来，所以这也是我个人认为中国最终必然赢的一个原因。

刘湘明：那我们的短板在哪里？

陈大年：今天我们的距离，主要就在两块短板：首先是硬件上被卡脖子，但我们的硬件发展很快，至少对本地模型来说，中国的显卡已经很合格了；云端模型的显卡还有一些距离，不过我相信在未来两三年内能迎头赶上。第二，资本。同样的钱，美国投1000万美金就等于我6000多万人民币，对于云端模型来说，资本是很大的劣势，毕竟算力卡都是按美金计价的。但对于本地模型，这不是问题。本地模型要解决的是方法问题、算法问题，训练量少，整体运转成本低，不需要像云端那样烧那么多钱堆显卡。你把这两块短板摆在一起看，就会发现我们现有的劣势，恰恰是本地模型的优势所在。

刘湘明：回到你对未来大模型格局的判断，你觉得未来云端模型、本地模型的格局会是怎样的？哪种类型的公司最有可能活下来？

陈大年：未来的云端不会在少数巨头手里。一旦市场接受了本地模型，那云端这类业务哪来的利润？商业公司肯定不愿意做，最后就只剩下国家，不计成本地一直维护着，因为会有一些极端场景依然需要云端。所以我不看好云端的长期商业前景。而在金字塔下填充生态的，会有两类公司：一类是像我这样提供本地模型的，另一类是大量基于本地模型去做各种能力的。

刘湘明：你们现在这种本地模型和我们看到的那些做所谓AI应用的公司，关系会是怎样的？现在有一个趋势，这些模型公司在吞噬这些应用公司，所以未来本地模型公司是不是就等同于未来垂直应用的公司呢？

陈大年：本地模型公司不会等同于垂直应用公司，但会挤压它们的空间。你说的这种吞噬，我认为是有限的：大模型最重要的是做普适性，而那些应用公司更重要的是在垂直领域做深。我经常把大模型当人看，很平等地和它交流。既然它像人一样，那有没有一个全才把所有的机会都占掉？我认为不可能。总有一些人擅长这个、另一些人擅长那个，他们身上都有很多独门的好东西。

刘湘明：中国模型迅速崛起、斩杀线问题、美国公司开始保中国大模型在美国的权益、硬件突破、长鑫科技上市……你怎么看最近AI行业发生的这些变化？

陈大年：最近这些变化，实际上符合我之前的一些判断，都是自然演进的结果。中美AI行业的竞争，进入了一个和过去完全不同的阶段。

从整体上看，美国模型相对中国模型还是有优势的，但回到需求金字塔，对大部分人来说已经很难看出差距了。之前灵珠AI演示了他们优化过的游戏生成体系，说用美国模型做出来的东西还是比中国模型强一些。但就我自己来看，这个差距已经不是生死问题了，只是锦上添花的事。而我认为，好的Agent框架就足以拉近二者之间的距离，只要问题提得准确，中国模型出来的答案几乎是一致的。这就是我之前说的，中国AI是必胜的，只是需要一个过程。

另一个，是企业家逐步入场与科学家携手的过程，这也是中国的优势。中国整个IT产业的发展有三个阶段：最开始应用和底层都是美国人强；后来我们拼了20年，系统也冲上来了，应用也赶上来了，到了TikTok的时候，中国应用已经比美国强了；现在系统这块站稳了，变成了企业家要入场，我们的优势就起来了：对用户的理解、对产品的理解。梁文锋为什么搞出了斩杀线？这是很典型的中国人思维：一定要把成本压到最低，质量搞到最好，让大家做商业的时候可以更自然、更好做、生态更被满足。所以综合起来讲，中国AI和美国AI的差距，正在被一点点抹平。

刘湘明：最近还有个有趣的趋势，很多公司都开始自研模型。你怎么看？背后的原因是什么？

陈大年：我也观察到了。就在最近这半年，有相当多企业偷偷开始训大模型，还没对外宣布。大家为什么现在敢做？因为前面那批人，已经把最难的事做完了。

我注意到一个很有趣的区别：前两年做大模型的，基本上都是科学家领队；最近这批不一样，是科学家和企业家携手在做。为什么这时候会冒出一波新的高潮？因为科学家把底层技术推到了一根线上。过了这根线，技术就稳定下来了，剩下的是工程和商业化的事。这时候企业家突然发现，自己能贡献的力量变大了。

此前好多企业家朋友，包括我自己，其实一直在旁边看着，不是不想做，是没这个本事。而我选择现在下场，也不是跟风，是时间到了。

这其实是很好的信号。行业从纯科学家创业，变成科学家和企业家共同创业，后面的发展一定会加速。不过我也要说，虽然大家都进场了，但我还是觉得整个行业处在早期，这种加速也是早期阶段的加速。

非共识的价值

刘湘明：谈谈具体的公司，我听说你很早就看到了梁文锋团队在AI方面的潜力，早在DeepSeek爆火之前？

陈大年：是的，我可能是最早四处宣传DeepSeek的人。2024年我在杭州碰到一个媒体的主编，他问我：现在的大模型里你最看好谁？我说排第一肯定是DeepSeek。他反问：DeepSeek是谁？我说：一家公司，叫幻方量化。他说：哪里的？我说：就在杭州。那时候，行业里都还不知道他们的存在。后来他发过一个朋友圈，说年哥手里藏着很多很值钱的非共识，我猜就是指这事儿。

相当多的人，刚开始在行业里没有任何光环，但最后往往成了行业的破局者。梁文锋也是这样。做大模型之前，他当时在学术圈几乎没什么声量，一开始没人相信他能做成，但我信。

刘湘明：那你怎么没有投资他们？

陈大年：其实幻方刚成立的时候，我就想投资他们，可惜直到2026年他才开放投资窗口。这时候我已经投不起了，但也因此对这家公司的思维方式，有了深刻的了解。

刘湘明：你觉得国内的大模型公司，或者说你现在的同行中，你最欣赏哪几家？

陈大年：整个大模型产业里，我一直看好两家：DeepSeek和月之暗面。为什么是这两家？因为我认为大模型公司的发展是有两个阶段的。第一个阶段，底层技术没有大面积稳定下来：今天一个方案出来大家觉得是神，下个礼拜另一个神把它杀死了。这种时候，有太多底层技术问题要解决，企业家插不上手，只有科学家能解决，是属于科学家的时代。但之后，这些东西固化下来了，就要企业家一起参与，科学家有长处也有短处，要和企业家配合起来做。

所以我在看：所有企业家里，谁既有科学家的能力，又有企业家的能力？我觉得就是这两个人，技术极强，产品上又展现出企业家的能力。

梁文锋不必多言，DeepSeek第一个版本，就把降低成本作为重要目标：在能力高的情况下大力降成本、变快变便宜，为商业化完成重要的一块拼图。以前做应用，token太贵，收不回成本，做产品一定亏；他把成本降下来，这些创业公司才算有了商业基础。我也很欣赏杨植麟，Kimi第一版模型出来，他的抓手也很明确：把上下文做得很大。上下文不够大，创业者做什么产品都不行。

所以现在回过头看，我认可他们的原因，是因为我相信最后的胜利者属于技术和商业都懂的人。而这两个人，从一开始就符合这个标准。

刘湘明：那么模型层面，国内还有哪些模型是你比较欣赏的？

陈大年：国内好的模型很多，但我能亲手测试的产品毕竟有限，以我试过的产品为基础讲讲，只能做个参考。国产模型中，我比较喜欢的是千问、DeepSeek、Kimi、智谱这四个，当然，视频方面还有一个绝对的王者，那就是字节的Seedance。

刘湘明：你怎么看国外的大模型公司？

陈大年：我对国外大模型公司的排序比较明确。我一直觉得Anthropic确实是最好的一家公司。很早以前我有几次投Anthropic的机会，那时候它还很小、很便宜，我刚开始学习AI，当时想着别投错了，出于谨慎，就没投。后来不投，是因为立场问题。但从商业上说，Anthropic毋庸置疑，依然是国外最好的模型公司。

其次，是以前我不看好的OpenAI，尽管他们的模型确实很强，可他们是Scaling Law最大的旗手，这条路走下去会钻进牛角尖。但从Codex开始，他们已经纠正了自己的思路，所以OpenAI重新回到最好的公司行列里了。这两个就是纯一线。

再后面是Gemini，它的核心就是使用、整合很好，这一点也很强。海外其他大模型公司，没什么特别能打的。但我确实关注到一个大家平时不注意的公司，是做Diffusion的，叫Mercury。他们做Diffusion很早，而且已经能够做很多工作了，未来他们可能会有很多机会。同样，我对Google的信心也来自于它有一个大模型实验室，在Diffusion上面投入很多精力，有很好的突破。国外我就看好这几家，其他短期之内没什么太看好的公司。

刘湘明：在美国这些AI公司中，Anthropic被认为是科学家味道最浓的一家公司。

陈大年：表面上看，它可能是科学家味道最浓的一家公司，但我觉得它可能是伪装得最深的一家。你想，Anthropic是美国所有大型AI公司里最缺卡的一家，语料质量也差别人很多——Grok有X的大量对话，OpenAI是最早的，Meta有Alexandr Wang（Scale AI创始人）——结果反而是Anthropic训练出来的模型最强，这不就恰恰证明Scaling Law输了么？所以它起来的核心，是在大模型之外。

它真正被资本狂热追捧，始于Claude Code。我觉得Claude Code本质上不是科学上的事，是怎么用大模型的事：Agent怎么设计、工具协议怎么定义，处理问题的流程应该如何。这不是算法和语料的优化，而是方法论上的事情：设定标准、设定协议、开放接口。

刘湘明：回到中国，你怎么看待这些大厂在AI领域的布局？

陈大年：这一波AI发展中，我挺敬佩阿里和字节的，尤其是阿里。它的包袱那么重，转型那么多，还能做出这么好的模型，不容易。其他大厂，他们也挺难的。但大厂有一个优势：原有的资料和素材帮助很大。可这个优势，现在不够用了。大厂压力现在是前所未有地大：以前大厂有海量的数据、历史资料和流量，对其他竞争者来说是碾压式的优势；但现在同样做一个产品，普通小公司做出来的东西体验很好，用户不会因为它没接微信账号就不用。这对大厂来说就很被动了。

大厂短期之内是要继续承压的，但从中长期来说，这些公司都很优秀，而且都有很强的自我反思、自我迭代、自我革命的能力，机会还是很大的。

为什么还没出现杀手级AI应用？

刘湘明：其实整个产品的应用能力是上一波中国公司非常擅长的。但是AI到目前为止，除了Seedance还没有出现让人眼前一亮的杀手级的产品出来，你觉得原因是什么？

陈大年：AI对原有经验和认知的冲击实在太大了，原来的经验基本都用不上了。什么样的产品才是对的，根本没人知道，所以我们走了好多弯路。最早做的产品和现在做的产品之间，形态上已经有了巨大的变化。另外，中国资本和海外资本完全是两回事：海外资金充裕，你在海外做个产品，有了些热度就会有一笔钱进来；中国不是这样，投资慎重得多。难道中国真没有有趣的产品吗？我是见到过一些的，比如我个人挺喜欢罗振宇做的Get笔记，做得不错，但我真没听到他们融资成功的消息。在这样的状态下，好东西其实也在，但资本支撑的能力就差太多了。这是第一个直接影响。

第二个影响，一个新的东西出来，对非专业人士的教育是非常大的门槛。我以前举过例子：零几年我们刚做游戏的时候，我在英国看到一个80岁的老爷爷在游戏店里给自己买游戏，但中国不会有这样的事情。因为欧美普及计算机的时间比我们早很多，所以他们老百姓接受新东西的能力比我们强很多。AI在使用软件上有非常颠覆性的操作，就像我们很多软件一打开就是对话框，很多人看到就懵在那里。我们有一个产品做好了，最后发现很多人下载了客户端，在第一步怎么操作上就卡死了，因为他不知道你在干什么。所以中国和欧美在用户群上有很多点都是不一样的。

刘湘明：这点确实是。但大家很多时候都是从市场层面来看的，认为中国市场和海外市场的确不同。但从用户看，中国用户和海外用户具体哪里不同？

陈大年：比如早年做搜索引擎，会上网的谁不懂电脑？学会搜索就很简单。但现在呢？现在一人一台手机，很多老年人也用手机，但对电脑是不懂的，你让他很快学会AI基本是没可能的。人群结构性的变化，让以前Copy to China的方式在中国走不通了。普遍来看，中国的用户在人工智能的专业性上是低于海外的，我们需要做更多的工作才能激活这些用户。但这种激活路径只要找到，也会成为我们去海外市场的优势，毕竟还有大量国家的用户，他们的专业性远低于中国。

尽管有这些门槛，我觉得杀手级应用还是会很快到来。做产品方面我一直有两条信念。第一条：历史必然会来，不要阻挡它，要提前推动它来临。我们从网络文学做到WiFi万能钥匙，做的都是同一件事——把高科技的门槛降下来，让普通人用得上。第二条：用户创造内容，用户消费内容。当年网文平台上所有小说都是用户一篇篇写出来的，《庆余年》《甄嬛传》没有一本是我们规划出来的，而是在平台上长出来的；后来的微信公众号、抖音，也都是这个逻辑：平台只提供规则，内容由用户创造。

现在做AI，我还是这个视角。我不关心能不能做出最炫的demo，我关心的是：普通人怎么用它，怎么让它成为每个人的工具。

历史没有新鲜事，就像当年的Sun和Java

刘湘明：回到组织问题，AI时代的创新组织，要同时拥有自由探索、商业闭环、资本孵化、复合人才和AI原生协同，这几乎是一个“不可能多角”。你怎么理解？未来在大模型公司里怎么平衡？组织管理方式变了，这基本是全新组织，没有层级，人才跨度也很大。

陈大年：你刚刚讲的这些都非常重要，但现阶段，最重要的是商业闭环。所以现在的创新组织，应该积极寻求从科学家带头，转型到科学家和企业家携手的阶段。

以前企业家不适合进场，因为技术还有很多不稳定的地方，需要反复打磨、优化，才能稳定下来；但如今开始进入合适的阶段了，相当多的技术固化下来，硬件也到了这个水平：3万块钱就能买到一台能跑100B的机器。

现在企业家能进场了，商业闭环这件事，也就真正提上日程了，要让公司健康地活下去。

刘湘明：你刚才提到AI行业还在早期。现在不少大厂都在谈AI“下半场”，我记得你在朋友圈里质疑过这个说法。但在不确定的情况下，大家还是要找一点小确定，就是要闭环，有了闭环就能挺过这一轮周期。

陈大年：我先讲讲我对下半场的看法。“下半场”是王兴在移动互联网时代提出的：技术红利吃完了，从创新转成拼经营细节。按这个定义，前提是创新的空间已经用完——可AI远没到这一步。我有两个质疑：技术上，靠Scaling Law堆参数做不到AGI，就是我刚才说的“概率路径自锁”；商业上，清一色云端大模型的时代也会结束，大众真正关心的隐私、安全、成本，云端解决不了。这两条如果成立，现在这个框架本身就要被推翻重构。所以讲“下半场”为时尚早——AI还在上半场，甚至上半场的一半都没过，底层的规则都还在变。这不是我的小众观点，这几年我走访了很多学校和企业，很多人想法和我一样。

刘湘明：既然这个上下半场的时间点没法下定论，那互联网历史上有可参照的坐标吗？

陈大年：有人拿手机、移动互联网、汽车市场的发展来对照现在的AI发展阶段，我觉得不太准确。它们的发展路径，都是大方向本身站得住，只是资本跑得比企业快而产生泡沫。泡沫破灭，清退一批实力弱的公司，然后行业还得按原来的逻辑继续往前走。但AI不一样。我怀疑它底层的技术和商业结构都会被动摇，所以用那套历史经验来推演，结果会完全不同，泡沫破碎的那一刻，死的也许是某些庞然大物。

我认为更好的参照是Sun Microsystems，作为当时全球公认最好的企业，在泡沫崩裂的时候它的结局是消亡。Sun当年做小型机、中型机，是那个时代的算力核心，机器非常贵，便宜的几十万一台，贵的上百万。折算到现在价格至少乘以十。所以历史没啥新鲜事，这种疯狂2000年早就发生过了。它的生态完全是封闭的：CPU自己做的、软件自己做的，而且要价高得离谱。今天的云端大模型，就是这种局面。那时候开始有人做PC服务器，我们刚创业，我问公司的技术人员：能不能用PC当服务器来用？他说不行，TCP连接数支撑不了几个。这种感觉，就像现在很多人一听本地模型，就认为它跑不了几个token是一样的。

刘湘明：但PC服务器最后还是赢了。

陈大年：因为它便宜、开放，小公司也买得起。创业本来就很难，一上来就把大部分资金用来买了服务器，企业还有什么活路。所以便宜的、开放的、大家都能用的东西，必然会一点点把贵的、闭源的替代掉。也就几年光景，Sun就走到了顶：2000年的时候估值两千亿美金，比现在的一万亿还值钱，最后74亿就卖掉了。

更有意思的是，Sun自己也孵化过跨平台的Java，Sun倒了，Java成了；就好像今天本地模型的很多技术，都是从云端大模型的实验项目里长出来的一样，同样的剧本。

所以你看，真正的小确定，是先选对路线。云端这条路，贵、闭源、方向可疑；本地模型这条路，近乎零成本、开放、还能提供云端给不了的体验。路对了，闭环自然会来。这就是我为什么坚信，本地模型代表未来。

“老登”的价值

刘湘明：回到人，刚才也谈到了年龄，现在这个行业大家都在看年龄，流行说法是去“登味”。从你的人才观出发，如何看待年龄问题？

陈大年：我自己是20岁开始创业的，所以我个人很喜欢、也相信年轻人能成事。我这些年投资的很多公司，甚至都是应届毕业生发起的，我就给他们钱让他们创业，本质上，我对年轻人有很大的期待和信心，他们也给了我很大的回报。但AI行业在年龄这点上有点偏执过头了，就是过于追求年轻、去“登味”。年轻人和中年人各有优势：年轻人的优势是没有包袱，可以冲得很快，可以想很多我们不敢想的事情；但那些经验丰富的人，他们也有很多年轻人不具备的优势。现在外面流传“1995年以前出生的人不投”，听说已经变成“2000年以前出生的人不投”了，很多投资基金在讲这件事。但我觉得他们应该注意一个现象：在欧美现在做得最好的大模型公司，创始人普遍都是四五十岁，有的年纪更大。

刘湘明：没错。国内目前比较成功的AI公司的创始人，包括核心团队，实际上也是在30-50岁之间，没有大家想象的那么“年轻”。

陈大年：有一次我去听一个讲座，一个AI公司的人在上面讲，他把中国AI成功创业者全放在上面，说“我们这一代人很年轻”。我看了一下，发现最年轻的人其实也31岁了。而我们1998年创业的时候，我是最年轻的，20岁，马化腾27岁，雷军29岁，年纪最大的马云也才34岁。真正讲年轻的话，是我们那时候更年轻。我就反思：我们那时候的人比现在的人聪明吗？不是，我们实际上比他们弱很多。但我们能成功，最关键的是当时创业的难度低：身边没有那种非常有经验的人和我们竞争，有一腔热情就能成功。但现在这一代年轻人很不容易：他们身边坐着手里有很多资金、有很多资源、又在行业里摸爬滚打很多年的竞争对手。他们要有热情的同时，还得有熟悉这些人、知道怎么跟身边这些人竞争的人，来补足自己的短板，共同前进才能成功。所以有闯劲的人也要和有经验的人一起合作成长，极端年轻化会让他们遇到很多不必要的困难。年龄这事儿，真不能过火。

刘湘明：换个角度讲，你认为在AI创业中，“老登”的价值是什么？

陈大年：首先还是要意识到自己的短板更大，所以我花了三年时间学习。而我们的价值，则是经历和看到的东西比较多：当一个东西逐渐趋向稳定的时候，未来会发生什么事情、市场应该如何看、如何把整个规模打开，这些东西我们历史上有很多经验。这就是我讲要补充的东西：我们这些年纪足够大的人，闯、勇可能不如他们，但稳，做扎实、做厚、做高，这件事我们在行。所以我特别希望和年轻人一起合作。我见过很多年轻人凭着不服输、凭着没有包袱，勇敢打破行业规则，创造出非常新的市场；但一旦进入长跑，他们就很容易遇到很多经验以外的问题，被死死拖住脚步，慢慢就落伍了，非常可惜。所以，合作的伙伴一定要多元化，才能应对各种不同的问题。

刘湘明：既然谈到了人和团队，能不能分享下，你是怎么搭建起原点星辉目前这个团队的？

陈大年：我纠正了以前一个不好的习惯。以前我觉得好点子就是一切，有个好想法，直接就开干了，不太关注团队是否完备的问题，觉得团队可以一边打仗一边慢慢建立；但这些年，随着年龄增长、吃亏多了，越来越意识到团队非常重要。这次尽管公司刚刚成立，但核心的几个人，很早就聚在一起了：我们的CFO是认识很多年的好朋友，CTO也已经经历了挺长时间的磨合。我们选择先把团队搭齐，再开始做公司。大量的人才，来自于之前拜访的学校、行业论坛，也有各种朋友推荐，一点点把团队搭起来，搭完整了才开始真正注册公司，启动做事。

刘湘明：关键就在于怎么“搭”。AI行业的核心竞争力，某种意义就是人才。你们是怎么搭的，怎么招人？

陈大年：我们招人的时候，花了大量的时间在深入沟通上。我们的CTO跟我讲，他到公司这么久，每天都在看简历、跟人谈：每一份简历来，他都认认真真把这个人发的论文全部读一遍，一字不落，因为肉眼看，和用AI快速总结，差别很大；他还跟每个人谈，平均每次面试时长4小时，经过这样深入的交流，我们能够挑选出最好的人，而面试者也能更深刻地了解我们。有许多人本来将信将疑地来面试，经过4小时的沟通，立刻就来报到了。所以我们挑人时，就是有足够大的耐心：先画好一个结构，心里清楚需要什么样的人，然后通过一个个渠道找，进行大量长时间的沟通，真正站在“我要搞明白他的底色”的角度，而不是光看简历。

刘湘明：在原点星辉，你的角色是什么，Title是什么？

陈大年：新公司里我是CEO，技术合伙人CTO是首席科学家，还有一个合伙人是以前摩根士丹利亚洲区的负责人之一，为这个很烧钱的行业提供燃料，大量跟大家合作、管好内部的事情；首席科学家把技术的事情详细地解决、处理掉；我自己负责产品。说白了，一个管钱、一个管技术、一个管市场，各管一摊。

我们的CTO是一个比较有趣的人。在行业里，他的名字似乎不是那么响亮：因为他是少数一开始就把重点放在AI for Science上的人，和主流方向不一样，所以在大家关注的领域里看到他比较少。我们为什么找他？因为AI for Science本质上就是建立在小模型基础上去提高模型能力的。我们招人的时候先想过要招什么人，虽然也能招一个非常有名的专做云端的科学家，但他的经验都在做超大模型上；而真正能做小、能在小模型上实现很好能力、做大量优化的，是AI for Science领域的人。而他在AI for Science上做出过非常顶级的成绩，就是最合适的人选。而且，他的梦想是在50岁拿到诺贝尔奖。

刘湘明：这一点打动了你？

陈大年：这个人非常符合我讲的人才观念，他今年35岁，还有15年的时间去完成自己的目标。我聊了那么多人，没有一个人敢说这句话，但他坐下来就跟我聊诺贝尔奖。我告诉他，我认为我们的本地模型是能做成AGI的，跟他讲了一下AGI在本地模型上的实现路径。我们聊到，如果真的实现了真正意义上的AGI，是能挑战诺贝尔奖的。他也觉得很有道理，所以就毅然决然地加入我们来做这件事。

他的生活也很特别：自己买了20多套一模一样的T恤和裤子，常年都穿同样的衣服。我们在那打太极拳，一到休息时间就坐着聊天，只有他拿出手机一份份看简历、看论文。你很难想象一个年轻人，可以极致地排除一切干扰因素，把自己的每一分钟都投入到这件事上，这样的人非常稀少，我对他充满信心。

有趣的一点是，这个人尽管是个科学家，但和电影里演的那种偏执狂完全不同，对市场、对产品居然也有挺多理解。我在人上面就三个观点：第一个是热，热爱他的领域，第二个是冷，能接地气地处理问题，第三个是慢，沉得住气，肯下死功夫。所以我经常说他是个梁文锋式的科学家。

别忘了没人表扬的“脏活”

刘湘明：你希望年轻一代AI创业者从你过去的经历中看到什么东西，得到什么启发？

陈大年：我自己总结，过去最大的错误，是把创新当成唯一抓手、崇尚很亮眼的东西，而不重视基础的工作。

刘湘明：基础工作指的是什么？

陈大年：假设我是Google的创始人，我觉得极简搜索是最大的亮点，只做极简，而对数据清洗等基础工作不上心，这就是不重视基础工作。当年盛大刚起来的时候，我们用户量也很大，不停地开新的游戏类型。尽管当时都做得很好，但回过头再看，我们底层的用户体系、统一账户等都没有搭，等到后面再去补的时候成本就非常高。而腾讯不一样，用户账号统一、发送通道统一，一开始看起来没有什么让人兴奋的事，但他们做得很扎实，所以前十年腾讯不如我们，后十年我们不如腾讯。

刘湘明：这类其实算是所谓的“脏活”？

陈大年：对的，对于AI来说，“脏活”就是语料。你看DeepSeek的文章写得特别好，他们干了什么？他们去北大中文系招了一批人来写语料。这一点恰恰是他们高明的地方：很多人不重视的事情，他们偏偏去找最好的人来做，所以做出来的东西很强。那些让人兴奋的、特别光鲜的、容易得到表扬的事是要干的，但千万别忘了那些干了之后不会有人表扬的事，对事情来说，那是0和1的差别，是至关重要的。

我不是个合格的投资人

刘湘明：其实你是宇树科技、御风未来等很多公司的天使投资人。能不能讲讲，你如何能在早期就识别出这些“潜力股”？

陈大年：是的，这些年我投资的企业不少，基本都是天使轮，很少投中后期。而且大部分企业都是非常长期的投资：宇树已经投了快10年了，载人飞行器公司御风未来，做深冷冻机器人的隐形冠军基点生物都有六七年了，还有最近很火的那个激光打蚊子，也是我们投的天使轮。

尽管这些公司听起来很有意思，但我其实不是个很合格的投资人，因为我基本上不追热点，而且经常投一些风险很大的项目，所以我从来不敢拿别人的钱投资，怕输了朋友都没得做。我投的企业基本上都是我个人喜欢的，因为我特别喜欢新技术，所以往往我投进去的时候，他们还都没热起来。不过也正因为如此，创始人也往往特别年轻，一腔热血。

刘湘明：你的这种“不合格”，其实反而能让你提前看到一些别人发现不了的项目。

陈大年：我过去的做法，往往是看到一个市场，进入其中，然后到处找人，慢慢投资他们。我喜欢去跟进新科技，所以即使这些年轻人躲在一些很小众的地方，我也能看到他们。身边的人知道了我看上了哪个产业，也会给我介绍。我们就是因为早期关注机器人出了名，才会有朋友推荐宇树这家公司。我还记得他们介绍宇树的第一句话是，“你不是很喜欢机器人行业么？我认识个年轻人，也是你们新昌人，能不能支持一下。”

刘湘明：宇树科技是你的投资里现在知名度比较高的一个，其实还有更多好玩的项目。

陈大年：我们投资载人飞行器也很早，2021年投进去，2023年国家将eVTOL定位为战略性新兴产业。御风未来团队基本都是商飞的技术人员，能力很强，当时这个团队离开商飞已经几年了。我一聊就看上了，因为我听到了一个故事：当时做无人机的企业，控制系统大部分都是用国外的开源软件改的；而这两个年轻人自己花了好几年，从第一行代码开始，完全自己写了一套飞控系统。复合翼有专利的技术和设计，可收放垂起旋翼机构也有核心发明专利。他们特别符合我的调性。我很喜欢这样的人，真的是踏踏实实愿意在那边做，即使赚不到钱，也可以没日没夜地写这个飞控系统。这个飞控系统写好后，就成为了他们很大的技术优势：他们的飞机早年就在边疆、在喜马拉雅山上运东西，很早就在跑这些航线。喜马拉雅山气候很复杂，开源的产品性能跟不上，一阵狂风过来，慢2毫秒可能就坠机了。但他们是自己的系统，就变成了核心优势。每次救灾，狂风暴雨里，他们基本都是第一个起飞提供通讯服务的。

错过CUDA

刘湘明：回头看，盛大创新院最让你意难平的项目是什么，或者最遗憾的是什么？

陈大年：我讲个许多人不知道的项目。前两天在杭州吃饭，发了个朋友圈，过了10分钟，突然有一个人冲到我的包厢里来了。他是我们盛大创新院的一个同事，居然就在那家店的对面创业，一看到朋友圈，穿着拖鞋就跑来了。他的一个伙伴叫金尹，也是创新院前同事，非常厉害的程序员。当时我们找他来干了一件很牛的事。

创新院是2008年创立的，那时候我们意识到一个很重要的问题：电脑上的显卡长期闲置，非常浪费。我们想，为什么显卡只能用来画图、做游戏，而不能用来做计算。所以我们找到金尹，做“把显卡拿来做计算”这件事。但我们在这件事上犯了两个错误。第一，我们做这件事情时，因为软件公司和硬件公司完全是两个行业，从来没想过找硬件厂商合作，甚至怀疑硬件厂商都不知道我们在说什么。现在我们知道，当时至少有个叫黄仁勋的人肯定能听懂。第二，我们选错了产品方式。黄仁勋用CUDA推动了整个AI产业发展；但我们的思路，是把显卡虚拟成一个新的CPU，让电脑里多出一个：本来是8核，变成9核。这条路很难走，我们做了很久，最后无奈地放弃了。

总的来说，第一是产品路线选错，第二是缺乏合作意识。

寻找同路人，和竞争者

刘湘明：你今天重新回到AI创业前线，最想证明的是什么？

陈大年：我这个年纪，一晃就快到50了。我刚创业的时候，到任何一个会议室都是最年轻的一个，但我现在到任何会议室都是最老的一个。人生后面还有十年能拼搏的时间，我就想做一些特别酷的事情。做成AGI，就是我觉得最酷的那件事。

说到这里，正好我也讲讲我今天来参加这场对话的目的：我的主要目的，是想找到更多志同道合的人，把我的思路讲出来给大家听听。如果觉得我讲得有道理，可以来找我们，和我们一起去打开这个市场。或者，大家做我的竞争对手我都高兴，因为未来这个车轮太重了，必须得有很多人一起推，才能让它跑得更快。

刘湘明：你怎么定义这个公司的成功？

陈大年：这个公司只要真正做到把大家对云端和本地的态度逆转过来，就成了。换言之，到时候大部分人都认为应该以本地为主去做AI，这个认知一旦扭转过来，这个公司第一步就算成功了。

刘湘明：你考虑过失败吗？如果这件事失败了，你怎么看待它的价值？

陈大年：我的胜利标准是改变大家对本地大模型的态度，从这个视角看，我相信，我只要等就能等到胜利，因为这是大趋势，总会来的。不过我们还是会坚持全身心投入，努力让这一天来得更早，早一天都是胜利。

同时，本地AI也是中美AI对抗的胜负手。现在在DeepSeek、Kimi等公司的努力下，我们通过开源赢了第一局，成功地将中美AI拉进了相持阶段，后面我们就得通过战略准确性来赢得最终胜利。

刘湘明：想做成这件事还需要哪些支持，比如团队和投资方面？

陈大年：我们的主力团队已经成型，但我还是希望更多优秀的、认可这件事的人加入我们。我们正在打开一个新的市场，希望能跟更多人才共同开拓未来。融资方面，我们9月份会开启首轮融资。中长期来说，我们也有上市的计划。

刘湘明：未来中意的投资人画像是什么样的？

陈大年：我找的人应该是和我的投资风格很像的。第一，耐心资本。就像我们投的那些公司，都七八年、十年在里面不退。第二，我希望投资人有很多深层的思考。投资人有很多类型，有些投资人更看重利润的快速最大化，同时也想和大家形成共识；但我想找的是那些喜欢非共识的投资人。所谓非共识，其实就是看得更远。当前最热的投资很容易扎堆，投进去能赚钱；但我想找的投资人，是每天会思考很多事情的人，这样的人才能成为真正的耐心资本。