月之暗面杨植麟：用第一性原理剑指AGI，但请回答五个问题
当国内大模型都在你追我赶拼模型参数时，有这么一家公司用第一性原理避开同质化竞争，推出了200K超长上下文的Kimi Chat，给这场AI变革带来全新视角。
杨植麟的Moonshot AI有非凡的抱负，但创业过程中会遇到什么样的挑战和问题？这对整个行业又会带来什么启发？
这篇文章我们会从他的五个第一性原理思考，以及对应提出五个疑问，希望能引起更多人思考：
AI的第一性原理是压缩带来智能？ 杨植麟能构建出涌现AGI的环境么？ 长文本是用户真需求？ SuperApp的开发范式是用AGI平推品类？ AGI时代的摩尔场景定律是否成立？ 最后我们会举出历史上第一性原理推导失败的案例，进一步帮助大家思考
全文1万字，建议留出30分钟阅读，觉得不错的话记得分享，希望咱们出品的万字长文系列，成为AI产品必读内容，对了，预告下个系列会研究AI+游戏化！赶紧关注起来：
进入正文前，要感谢几位共创的小伙伴，大家一起的交流才有了这一篇的成果（我的微信在文末）：
Dougie叨叽，不想做 AI 的游戏人不是好产品经理，微信：T101DJ
空空，努力跟上AGI时代的AI产品经理，微信：kongkongdogc
喂猫，关注AI、泛文娱的产品经理，微信：Catcuriouscat
强哥，曾就职腾讯字节6年，关注职场人转型新职业。微信：qianggegood123
皮卡秋，兼修热力学与神经网络的产品人，微信：pkq1045479984
Jimmy ex腾讯/字节PM，近半年AI陪伴/agent 创业中。微信maotongxue110
00 什么是第一性原理
第一性原理是一种思考方法，就是要我们从最基本的原理或事实出发，去分析和解决问题。这就像搭积木一样，我们先找到最基本的积木块，然后用这些基本块去搭建更复杂的结构。
我们拿马斯克造火箭来举例：
他一开始想从俄罗斯搞来便宜的火箭，结果约聊俄罗斯人约涨价，把马斯克给气的，就开始想：
到底制作一枚火箭需要多少钱？
回到最原始的部分，火箭是由原材料构成的，比如碳纤维、金属、燃料等，按照目前的制作方式，成品的成本比材料的成本要多出50倍。
所以马斯克创造了一个“白痴指数”，即白痴指数=零部件的总成本/原材料成本，如果你负责的元器件白痴指数很高，意味着这个员工就是个白痴！
白痴指数成了马斯克要求员工降低成本的好办法，有次他就怒斥一个财务分析师，因为这员工说某个零部件成本是13000美元，马斯克继续问，材料成本是多少？
员工支支吾吾的说“我想有几千美元”
马斯克立马回答：“不，它就是钢，大概200美元，你要不能改进就给我走人！会议结束”
可以看到，第一性原理是一种基于最基本事实和原理的思考方法，用于分析和解决问题。这种方法强调从根本出发，深入理解问题的本质，以实现更有效的问题解决。
大白话说就是：不要被现有的假设和模式束缚，要从零开始思考问题的最基本要素。
那我们来看看，杨植麟身上有哪些“第一性原理”的思考：
01 AI：压缩带来智能
在《对话杨植麟：Moonshot AI即将完成超10亿元融资，公司最终目标并非超越OpenAI》的文章中，杨植麟反复强调了“第一性原理”的重要性，共提及了13次。
杨植麟对AI的第一性原理的解释是：“压缩产生智能”。
他以等差数列为例，如果有1万个数字需要压缩，最理想的情况是只需存储等差数列的规律和两个数字，其他9998个数字就能被还原。这意味着，对于所有信息，只要找到合适的方法，进行最大限度的无损压缩，就能实现高度的智能。
在围棋里，AI通过自我对弈，发现了人类未知的下法，从而实现了更高级的智能。因为这样使信息增长到了超越所有人类已知信息的程度。现在，大量的围棋选手都在和AI学习如何下围棋。
“中国第一人”柯洁九段在农心辛拉面杯中惨败给申九段之后，在SNS上写道：“这是人类吗？申真谞这次的对局掌控力比阿尔法狗还要强。世界上没有能与申真谞抗衡的棋手。”
申真谞人送外号“申工智能”，被认为是和AI最接近的旗手，他自己说“多亏了AI，只要深入研究一个布局，就能加深理解。”“当时因为没有AI，所以后来进步了很多。”
说到这里，或许你对于压缩就是智能，有了一些理解，那杨植麟根据自己的理解，推演出了AI第一性原理，重要性在哪里呢？
重要在于，他判断技术发展分为三个阶段：
原理探索期：大众对于技术第一性原理不清楚 技术创新期：第一性原理共识了，但技术还在创新 纯产品应用：技术很成熟了，就看产品构建网络了
基于这一判断，他认为当前我们正处于技术创新期，Moonshot目标是找到更好的压缩比方案，来获得更好的模型质量，进而可以构成更好的用户产品体验：
机器之心：很多大模型创业公司的初期目标都是超过GPT4，“达到或者超越”的标准会是什么？
杨植麟：我认为最重要的标准其实是模型的压缩比。
如果基于第一性原则来思考，智能的首要任务就是优化压缩，那么提升压缩比就意味着智能的增强。
...用户眼中的模型在应用里的表现，实际上也是由你的模型压缩比所决定的。
...所以我觉得压缩比是最关键的指标。
他强调，模型的压缩比是最重要的标准。因为根据第一性原理，智能的首要任务就是优化压缩，提升压缩比就意味着增强智能。这也是Moonshot，作为一个技术驱动的公司，发挥自身优势的最佳方式。
疑问：大模型的智能，完全取决于压缩比么？
压缩带来智能，这一点在做个延展，帮助大家理解。
我们看上面两张压缩了的图片，左边或许大部分都能认出来，是《蒙娜丽莎》，但右边大部分就认不出了，是克里姆特的名作《吻》。
是什么让压缩的比较厉害的图片依旧能够被人们识别出来呢？答案是知识。因为我们看过蒙娜丽莎，所以在图像被压缩很厉害的时候，依然可以get。
知识是什么？知识是规律的总结，是抽象，是压缩。
对应的，训练大模型的目的就是在寻找压缩方法，当压缩率很高，还能还原回来的时候，说明这个模型更加智能。
当然，还需要更加好的回答一个问题：为何压缩率高，拥有了更多知识，就意味着智能程度更高，以及AI的智能程度多大和压缩相关？
目前来说，大模型的能力涌现，确实是因为更多的数据，更大的算力训练，加上更多的参数构成了在某些阈值后出现，所以有可能智能程度不单一维度的和压缩比相关，也和其他因素相关，留待后续研究。
最后，我们用Kimi Chat挑战杨植麟：
OK，理解了AI的第一性原理，也需要组织团队朝目标驶去，那组织的第一性原理杨植麟是如何理解的呢？这里藏有大厂很难实现AGI的核心原因！
02 组织：涌现
“但是我们更看重的是，学术界和科技界的交流，因为我们现在很多学术成果，都没有办法在工业界得到使用，但是我们通过学术界跟科技界的交流，可以使很多本来在象牙塔里面的工作成果，现在可以放到科技界获得使用，从而使它具有社会价值，我觉得是个非常好的机会”
在2014年，杨植麟特奖答辩的现场，最后时刻，杨植麟是用这样的话语收尾的！
彼时大三的杨植麟就已经意识到把技术从象牙塔拿到科技届的重要性。
后面师从的两位博士导师Ruslan Salakhutdinov与William Cohen分别在搞学术之余担任苹果 AI 研究负责人与谷歌首席科学家，这是典型的「科学家加盟大厂」：
杨植麟与两位博士导师Ruslan Salakhutdinov（最右）、William Cohen（最左）合影
但是杨植麟也发现了老师们更多还是在做基础研究工作，即使去了大厂，首要出发点也是赋能业务，而不是推动AI落地。
这种观察也引发了他创业的想法：
「创业的好处是我们可以自己决定公司的组织架构。人生苦短，精力有限，优化公司的组织形式可以有效减少中间损耗，缩小技术转化与社会价值之间的距离。」杨植麟谈道。
随后在循环智能的创业过程中，也有在参与大模型研发过程中感受到的问题：
2020年下半年，我们开始与华为合作，为其中一个版本的盘古大模型做了核心的技术研发。2021年，我带领团队一起参与了智源研究院的悟道大模型研发。
这两段经历，让我了解了大模型研发过程中各种可能的问题，并且积累了经验。但是这种合作方式也让我意识到，你可能只有自己创建一家公司才能真正意义上去实现这个目标。
以上这些实践，构成了他对于组织的理解：
张鹏：是什么让你认为组织是一个核心的问题，以至于要利用这个契机去构建这样的组织？
杨植麟：更多的还是实践。
今年之前我们也尝试过很多，用不同的方式，不同的组织。一种就是传统的，在企业内部去做事的方式。还有就是我也参与了一些独立研究机构（的工作）；甚至还有其它一些高效的模式。然后就发现这几种不同的模式，其实都很难成为组织上的根本创新。
要做的事情，需要和组织的形态完全契合，典型的例子是，移动互联网的需求是先规划再开发，但在AGI时代，feature可能是涌现出来的，这会带来根本差异。
OK，所以从2014年的数据改变世界，到把数据压缩成大模型，用AI改变世界，创立一家大模型公司似乎成为了必然，那一家大模型公司的组织最重要的是什么呢：
机器之心：创造一个大模型公司，组织上你认为最重要的是什么？
杨植麟：我认为最重要的是人才密度和文化。你需要有优秀的人才，然后给他们一个好的文化环境，让他们在一个既定的目标和方向下能够自由创新。
大模型有点类似登月计划，本身需要自顶向下的规划和统筹，但同时，我们需要鼓励自下而上的创新，保持一定程度的开放性和组织的扁平化，这样创新就更容易发生。
所以我觉得，本质上就是要招最好的人，然后给他们提供一个好的系统，让他们在这个系统里面能够去创新，并且他们的很多创新能够成为系统的一部分，这样你的系统就能继续前进，我觉得这可能是我们现在想做的事情。
超高的人才密度+文化，叠加好的系统来支撑，会涌现出AGI：
然后这个时候 Google 提供了这样的一个环境，能够让这些人其中自由地去组合，突然涌现就产生了。
但是不同的环境能涌现出来的东西不一样，Google 的环境只能涌现出来一个科学的结果，但是它没有办法涌现出来一个伟大的系统工程——也就是 ChatGPT，这样一个把东西做到极致的同时又在产品上能够精准抓住需求的跨时代作品。因为 Google 的组织跟 ChatGPT 就是不配对的。
OpenAI 其实没有发明任何新的东西，但是它涌现出来了一个工业化的杰作。它结合的东西跟谷歌就不是在同一个维度了。
组织的不同，涌现的结果也不同，Google可以涌现出Transformer，但OpenAI涌现出了ChatGPT！
疑问：杨植麟能落地对于组织的理解么？
根据12月7日最新的消息，Google发布了在32项能力中30项超越GPT4的Gemini多模态。。。So，对于上面的结论我们或许需要保持怀疑。
AI2.0时代，基于大模型的涌现，确实对于组织需要重新调整，比如大厂会阻碍AI落地有至少两个层面的影响：
规划层面：价值先行 vs 技术先行
大厂里做产品第一步是规划，做价值论证、做ROI测算，再价值宣讲，给老板和合作方宣讲。
最近一年的AI进步速度大家有目共睹，AGI涌现能力速度快，按照这样的节奏来落地，外部技术可能会达到和超过本身苦苦规划出的能力了。
需求实现层面：数据推导出需求 vs 需求实现需要数据飞轮
大厂中的产品经理传统招术就是看数据，从数据中找到问题，然后解决问题。ChatGPT并不是针对某个特定用户需求、场景，Midjourney上线之前应该也没人算过投入产出比。
但因为技术惊艳了用户（也包括先发优势），用户产生了数据，数据优化了能力（也涌现了更多能力），能力满足了更多需求。
所以我同意杨植麟对于组织的模式对于推进AGI会有很大的作用，但是也看到杨植麟并没有非常丰富的管理经验，杨植麟更多还是属于一位科学家，而非企业家，所以他有这个idea是好的，但能否有组织形态好的想法并且落地，这也是有很大挑战的。
我们回看杨植麟的经历，上一次创业是循环智能，这是2016年读博期间启动的项目，身份是联合创始人，但看下来不是主导人。
循环智能创始团队，从左到右：COO揭发、CTO张宇韬、CEO陈麒聪以及AI和产品负责人杨植麟
也就是说，杨植麟对于组织的理解，更多是观察和理解，真正的实践要偏少，这里面的Gap可能是很大的。
对于组织，我也长期观察理想汽车的李想，2005年创立了泡泡网，从原来的个人站长，到需要团队协作来支持网站的运营，他开始意识到组织的重要性。
2008年泡泡网遇到了系统性的瓶颈，切换了方向创立了汽车之家，引入了高管秦致开始，李想认为秦致的加入帮助汽车之家成为了一家真正的企业。
秦致加入后就提了一个改变汽车之家命运的问题：
为了走向下一个里程碑，必须讨论出，汽车之家的企业文化到底是什么？
为了得出这个答案，拉着所有的元老聚在一起，讨论一个问题：为何短时间内汽车之家能做出目前的成绩？最后列出了第一条是：
把消费者的利益放在第一位。
因为我在汽车之家的竞对易车网工作了近4年，太知道这一点的可怕，因为汽车之家真的是这么做的，导致消费者对于汽车之家完全信任，用户的粘性极其强大！
组织在企业文化的洗礼下，就有了很强的一致性，战斗力非常的可怕。
到了2015年，理想汽车，李想更是进一步把组织当成产品来做，用组织的成长来支撑产品的成长。
这里面是长达十年以上，大规模团队、公司上市等的锤炼。
我们看OpenAI的奥特曼，也是YC的前任总裁，在任从2014年到2019年，每届接触创业项目200-300个，带领YC在规模、投资金额、项目多样性和全球影响力等方面都取得了显著的成绩，带着这些理解创立了OpenAI。
所以，我们仍旧需要观察，杨植麟的月之暗面，能否做到组织的创新，并进一步带来涌现，以及涌现能否真的帮助实现AGI。
最后，我们用Kimi Chat挑战杨植麟：
03 长文本：Simple And Effective
张家俊：你从大二大三就开始跟着唐杰老师做科研，并且发了不少顶级论文；随后又在国外师从 Ruslan 和 Cohen 读博。在这段时间里，你有哪些比较深刻的经验？
杨植麟：我觉得有三点。第一，我们应该更倾向去做简单的 Idea。因为越简单的 Idea，反而越本质。
...正确的说法应该是 “Simple And Effective”，因为这两个目标能够同时满足，也是我们的最终目标。
所以我觉得简单很重要，而且是个优点...
第二，我们做科研，应当去对你定义一个 High-level 的或者Long-term 的Research Agenda，然后拆解这个问题，做到研究的每一步都确定自己到底要去解决这个问题中的哪个部分。
第三，要始终认识到，最好的东西都还没做出来。
简单、重要的阶段目标以及还没有做出来的核心feature是什么呢？Moonshot给的答案是长文本。
为何是长文本呢，我们从简单、重要和最好的东西还没做出来三个点讲讲：
简单：在使用GPT3.5的时候，我会发现基于长文写作，32k根本就不够看的，Prompt加文本对话，很快就会超出上下文窗口，加上模型能力不足，后面我全面转向了Claude.ai，Claude的100k就非常舒服了。
我也相信很多任务场景，需要的对话token是要超过32k的，所以从用户需求倒推，长文本确实是很好理解的，我一直以为是技术难度及成本导致了大家都跟随着GPT把长度限制在32k。
重要：长文有个核心的作用是，用户和客户只需要用Prompt就可以定制需求，不需要随着每一次大模型的迭代而去重新fine-tune，大幅节约了成本。
可以说是一套提示词用到头的感觉，所有的背景信息、要求甚至是知识库，都可以直接挂上去，无需fine-tune，确实是一个核心里程碑。
最好：200k确实是全球最大了！有时候你很难相信一个简单、重要的feature，居然是国内最先做出来的，这也完全符合了，最好的东西或许仍未出现的理念，谁都有机会！
长文本和杨植麟设立Moonshot的初衷也非常的相关：
我们希望最终的 AI 是普惠的，或者用更容易理解的一个词，个性化。包括我们今天讲的 long context，其实也是个性化很重要的基础。每个人可能都需要不一样的 AI，那怎么能让他在像微调这种方式以外，有更便捷、更强大的方式做个性化？我最终希望的，其实也是通过技术和产品的结合，去达到 AI 真正的普惠。
疑问：长文本是用户真需求么？
Super作为一个Claude深度用户，长文本能力的价值我是深度认可的，并且还专门写了一篇文章《AI时代创作核心竞争力：与Claude深度结合》，Claude的100k，是远远优于GPT4等常见的32k~
与此同时，本文的创作是大量使用了Kimi Chat，使用体验下来来看，基于链接内容的提炼，Kimi Chat出现了大量的幻觉，文本的输出能力也弱于Claude：
（5条链接里，3条并不带有指定的关键词）
如果GPT4打75分，Claude打80分，那现在Kimi Chat在65分上下，比及格好一些，但又到不了70分的感觉。当然这是我个人的感受，实际上需要更海量的用户反馈来提供全面的判断。
长文本的feature需要很强的模型能力来支撑，如果只是长，但不好用，不比短但好用来得实在。
并且，长文本的效用，还依赖于Prompt的设计，我身边很多朋友，受过高等教育，在大厂工作那种，他们对于大模型的使用，是完全没有Prompt很重要的概念的，更不会用结构化的方式输出Prompt，也不知道如何迭代Prompt来获得更好的模型输出效果。
也就是说，站在用户角度，你寄希望于他们通过Prompt来获得长文本的模型优势，不现实！
所以长文本在当下，确实用户侧感知的主要是，丢论文，研报，或者pdf书籍，来获得摘要这种基础的能力，而Moonshot的举例里面，比如企业不用跟着模型的迭代去重新做fine-tune，情感陪伴的记忆问题，这些并不是用户的强使用场景，对于C端用户来说，在意的是整体的感受，当前Kimi Chat的模型能力又不足以完全发挥出长文本的优势。
那这里长文本对外部效应的加持影响，就会受限，等到竞品跟上，重新又会回到惨烈的厮杀ing，所以这一部分还需要Moonshot持续去优化得。33333
最后，我们用Kimi Chat挑战杨植麟：
04 SuperAPP开发范式：用AGI平推品类
杨植麟认为，AI时代的开发范式是，用AGI作为主力军，直接开过去直接碾压各个品类，只要一个地方能种出树来，这个地方就归我。
在 AGI 时代寻找 PMF 的过程，就应该用 AGI 的方式做，发挥它通用的价值，发挥用户生态的力量，发挥系统的力量。你应该一口气全推过去。我觉得这可能就是与古典的产品经理的做法最大的区别。
在Character.ai一文中，Noam的理解和杨植麟的类似：
我们想要构建可用，同时非常通用的AI，而不是垂直领域但极度好用的AI。很多产品经理和我们说过这样的话，我们不会雇佣他们。 我们是AGI第一，同时是产品第一的公司。
个人认为，这个思考有意思，但我的疑问是：
疑问：SuperApp的诞生完全依靠AGI么？
先说结论：杨植麟对于SuperAPP的理解是抽象的，脱离用户的。
我们看C.ai，C.ai人们交口称赞的两个特点：
重度用户粘性很强，每日使用时长2小时以上 众多IP角色带来海量的用户
但另外一方面是：C.ai的融资不多（估值10亿美元，融资额推测在2亿美元左右），这和OpenAI融了100+亿美元的可怕融资额形成了鲜明的对比，大模型又是一个烧钱的方向，没钱就没算力，也会反过来限制大模型的参数和能力，据悉C.ai的模型参数在百亿左右。
基于这么一个百亿参数的大模型，泛化能力必然不会很强，想通过一个大模型实现Noam的设想：a billion users inventing a billion use cases，事实上是不足以支撑的。
从一些第三方榜单也发现，C.ai的流量在下降：
对于大模型来讲，是达到很强的模型能力后平推toC品类，还是先聚焦一些垂直方向，完成商业探索，反过来继续推进AGI，是一种选择。
零一万物的李开复也发表过SuperApp的思考：
他透露，Super App 的雏形将在不久后对外发布。对于这个 Super App，团队会从简单的功能开始，然后根据捕捉到的用户需求和技术精髓不断迭代。
可以看到李开复并不是用AGI平推的逻辑。
之前杨植麟也说ChatGPT是一个把技术优势转化为具有网络效应的产品，这背后也是用户和开发者等能够帮助大模型本身拥有更强能力和潜力的方式。
以上，一个App能否通吃，成为SuperApp，个人不认为是AGI单一超强能力就能决定的。
除此之外，还有一个问题：模型能力和用户体验或者需求的满足之间，是完全对等的么？
我觉得不是的，用户体验包含了多方面的要素，并且CUI（ Conversation UI）我不同意是AI时代的产品标准界面。
回到用户，用户在意的是满足需求，比如说搜索，用户在意的一个点是找到自己想要的答案，至于这个答案是搜索算法，推荐算法，亦或是AI生成，还是AI总结，其实并不关心。
满足用户需求的背后，才是技术能力的整合，和大模型的能力有一定的关系，但这个关系不是100%的。
换个角度思考：用户在意的是需求的更好满足，并不在意背后的技术。
所以，找到好的解决方案提高用户的满足度，这里指的解决方案，完全等同于大模型本身的能力么？
当然，AI Native是一种新的产品设计思路，不是原有功能+AI feature，因为这样是发挥不了大模型涌现的能力的，新的AI时代，既注重大模型的新范式，也要关心用户的需求。
我也很期待接下来MoonShot即将推出的C端产品，到时再和大家好好分析一下他们的产品设计理念。
最后，我们用Kimi Chat挑战杨植麟：
05 AGI时代的摩尔场景定律
杨植麟认为，AGI时代最重要的指标，是场景的摩尔定律，有多少个场景达到可用，这个指标会呈现指数上升的趋势，它不会是传统AI每次加一个场景，加一个数据的方式。
如果这个逻辑成立，未来PMF的过程就是可以一次试一大片，成为一个超级快速的种树机器，再进一步，如果你吃到足够多的场景，你就能成为一个超级入口。
听起来很颠覆，但我觉得这事情很难成立：
疑问：AI时代可能不会赢家通吃！
我很同意AI2.0时代的SuperApp一定是端到端，早期大家做应用探索可以用API等方式验证PMF，但在跨过去之后，想持续构建护城河，做自己的大模型基本是绕不开的，这样才能吸收更多的用户数据，优化模型能力，从而给用户带来更强的体验。
杨植麟事实上也持有相同的观点。
所以，到底是随着接近AGI，同步构建SuperApp，还是先从垂直领域做起，逐步蚕食市场？
我们以最近Super研究的比较多的情感陪伴赛道距离，有没有可能形成一个App，通吃整个情感陪伴赛道呢？
我认为不可能！在筑梦岛一文里我写过：
俞军说过，用户价值=新体验-旧体验-替代成本。
第一，在早期的AI情感陪伴市场，大家现在都是30-40分（满分100分）的水准，用户只能矮子里拔将军。
第二，由于这波用户非常敏感和挑剔，他们会放大对各种体验的差异，比如记忆、违禁词、对话智能、收费等等。
这两点综合下来，其实就是说：
在当前所有的产品体验都不太OK的阶段，用户很容易由于某些细微的体验差异换产品。
假如说大家的基础模型能力都上去了，比如都用了GPT5的能力，这时产品就都越过70分线，用户就很容易在某个产品上持续使用，积累资产，并和角色产生很深的感情，甚至产品都可以用AI时代新社交网络的形态牢牢的把用户留在产品上。
这个阶段很可能在明年（2024年），国产大模型都能达到，也就是届时，会出现若干家App分情感陪伴市场的格局。
为什么不会一家独大呢？因为情感！情感是有很强粘性的，用户不会由于你的大模型能力多20分，就一定迁移过去，我们拿俞军的公司来讲：
用户价值=新体验-旧体验-替代成本
旧体验分数特别高，你怎么迁移？
除此之外，替代成本也很高，为什么呢？AI角色的陪伴，是多轮对话才完成的，这里面既包含用户的输入，也包含AI的输出，AI的输出还存在不同模型的风格，所有这些想要迁移，成本很高。
举例，重度用户一天会聊2000轮对话，每轮对话我们算20字，这就有4万字，长期下来，单个角色对话量可能是几十万字，迁移成本能不高么？
所以我的判断是，AI2.0时代，会有很多自占山头的App，一旦占住了，你也很难攻下来。
用AGI来平推，攻不下来，你就拿不到用户和数据，你的新体验就没法提高，更别说就算你提高了，也得要-旧体验-替代成本。
当前的内容平台，基本都是逐步攻破各个垂类内容，通过激励，引入创作者，来扩圈，无非是破圈快与慢。所以以AGI的方式平推，我们可能要定义什么是AGI，AGI能够用什么方式满足用户的需求，以及具体如何实现一次平推品类的可能路径，以便于进一步探讨这件事情的可行性。
最后，我们用Kimi Chat挑战杨植麟：
06 多个第一性原理的推演，需要逐一剖析
杨植麟的思考路径是比较清晰的：
AI第一性原理---》
找到后用组织的方式朝着这一方向涌现---》
这里面Research Agenda的第一步是长文本---》
围绕长文本开始构建的技术优势去逐步构建SuperApp---》
其中重要的指标是场景的摩尔定律---》
最终通往AGI
这里面你会觉得逻辑超级自洽，似乎还很底层，不过以第一性原理推导理论，历史上也存在若干个经典的案例，我们可以看一下：
牛顿力学体系
牛顿根据惯性定律等基本原理，推导出了运动定律和万有引力定律，极大推进了经典力学。这奠定了近代物理和科学的基础。后来绝大部分定量预测都得到了实验验证。
但是在相对论和量子力学领域，牛顿力学的局限性被展示，如不适用于极高速或极小尺度情况。所以说牛顿体系是被部分“推翻”的。
马尔萨斯人口论
马尔萨斯根据人口增长会导致粮食短缺等原理，推导了人口增长必然受到约束的理论。后实验证明这种绝对资源约束论断是错的。
所以马尔萨斯的理论被推翻了，因为第一性原理本身问题很大。
欧几里得几何学
几何学公理被视为第一性原理，欧几里得几何体系从中推导出各定理。这套体系内部逻辑符合，但是与实际空间的符合度后来受到质疑。
这促成了非欧几何的发展，但并没有完全推翻欧氏几何，只是限制了其适用范围。
通过上述例子可以看出，第一性原理推导理论，其命运取决于基本原理本身是否成立以及能覆盖的范围。这给我们对杨植麟原理体系的检验提供了参考。
所以，我们也提出了几个疑问，希望得到回应，作进一步探讨。
当然，对于月之暗面，从长文本出发，在我自己的体验下来，这个突破点还是非常独到的！以及，一旦Kimi Chat本身模型能力得到进一步提高，某种程度上一旦赶超Claude，我也会毫不犹豫的不再科学上网，很期待那一天的到来。
结尾
我们在研究杨植麟的过程中，发现了很有趣的一个现象：
从压缩即智能开始，压缩算法的基座是香农的信息熵公式，这个公式在形态上和热力学中玻尔兹曼熵的是一样的，公式背后蕴含了信息的分布、事物的发展存在不确定性。这也是今天大模型每次回答相同的问题时，都不能保证答案一致的原因：答案的生成是有一定随机概率的。
我们再看杨植麟的转专业（刚好是从热能转到计算机），GPT的发布（open ai：为什么伟大不能被计划），这一轮大模型创新的源头，其实都来自于这不确定性。
所以无论是工作还是生活中，我们都应该拥抱这不确定性！
好了，通过这篇文章，我们一起回顾和探讨了杨植麟先生及Moonshot AI当前的技术理念、商业模式和组织建设。
Moonshot AI有独特的技术视角，但要真正服务用户，实现商业价值，路还很长。我期待他们在产品设计、用户体验、商业模式等方面有更多探索。
AI行业发展迅速，不同公司可以互相启发，形成合力。技术玩家需要商业思维，商业公司也需要技术敏锐度。只有两者结合，才能推动行业健康成长。
我相信开放、包容的态度会促进技术创新，使之更好地惠及人类。期待与大家在这条道路上，有更多交流和合作。
在进入到我的自我介绍之前（欢迎加我微信），先发个小广告，我联合一位头部大模型公司产品负责人，写了份帮助AI产品经理求职的专栏，只需19.9元，附带的社群已成为共创的且非常活跃的AI产品经理交流社群，近期还会组织北京、上海、深圳的线下活动，欢迎扫码购买：
*作者简介：Super黄，广西人，毕业于北京邮电大学，现居北京，11年产品经理，全网10万粉丝。
超爱AI！全力研究AI、AI产品，正在谋求进入AI公司，欢迎连接~微信号：lookforward
长按下面二维码添加好友（备注“AI”，带上自我介绍）：
参考：
月之暗面 Kimi Chat https://kimi.moonshot.cn/chat/
什么是AI的“智能涌现”，以及为什么理解它对创业者、从业者、普通人都价值巨大 https://mp.weixin.qq.com/s/B2Oo74xt6YpvGdGqXSqRpg
月之暗面杨植麟：大模型需要新的组织范式，场景摩尔定律能催生 Super App https://mp.weixin.qq.com/s/499NG03U3jC-S_9K6ek8pA
Long Context 解决 90% 的模型定制问题，Moonshot AI 发布开放平台 https://mp.weixin.qq.com/s/TWNFX5xSegjVSGcq20SEjQ
杨植麟大神谈大学生活 https://www.86362.com/article/178552.html
支持20万字输入，月之暗面杨植麟：千亿大模型进入“长文本”时代 | 甲子光年 https://mp.weixin.qq.com/s/AZvdCpNRF_njBoRF1JInyg
对话杨植麟：Moonshot AI即将完成超10亿元融资，公司最终目标并非超越OpenAI https://www.thepaper.cn/newsDetail_forward_24224654
2014清华杨植麟同学特奖答辩 【2014清华杨植麟同学特奖答辩】 https://www.bilibili.com/video/BV1wF411S7XF/?share_source=copy_web&vd_source=93c73acc07c62ce40e3badb6a9b80500
杨植麟：选择创业，是为了从「组织架构」上解决AI落地难题 https://mp.weixin.qq.com/s/NYzQCKC7YL0Nt43S8c21zQ