Muse冲上榜首之后，回看Alexandr Wang的创业方法

先讲Muse。Muse在9月8日上线，大概十天以后冲到了美国应用商店免费榜第一，下载量很快超过250万。这个成绩很亮眼，但我觉得更值得讨论的，不是Muse这款产品，而是为什么Alexandr Wang从Scale AI到Meta以后，会选择个人智能体这个方向。

Scale AI最早做数据标注，服务自动驾驶和人工智能公司，Muse则是一款面向普通用户的个人助手，可以连接邮箱、日历和其他服务，帮助用户处理邮件、安排预约、完成购买，关闭应用以后还可以在后台继续工作。

把这两个产品放在一起看，会发现Alexandr Wang思考问题的方法没有发生太大变化。他是先寻找一条会长期快速上升的技术曲线，然后判断这条曲线当前最缺少什么。

Scale AI解决的是模型训练过程中的数据瓶颈问题，Muse想解决的是，模型已经具备很强的能力，但这些能力还没有真正进入普通人的工作和生活，我认为Muse更像是Alexandr Wang对人工智能下一阶段瓶颈的一次回答。

01

投资人眼中的数据外包，成了AI时代的基础设施

Alexandr Wang在YC的采访里讲过一个很重要的细节，他在麻省理工学院训练模型时，发现做这件事需要算力、代码和数据，算力可以通过云服务购买，代码可以在网上找到，只有数据没有一种方便又标准化的获取方式。

所以他当时形成了一个判断，如果未来越来越多人训练人工智能模型，那么数据一定会成为基础设施。

这个判断在现在看来好像很成功，但在Scale AI刚成立的时候，数据标注并不是一个特别受欢迎的创业方向。很多投资人认为，这更像劳动密集型的外包业务，而不是一家有技术壁垒的软件公司。他们会问，数据标注能持续多久，模型变强以后是不是就不再需要人工数据了。

这里面其实有个很有意思的区别，投资人看到的是当时的数据标注业务，Alexandr Wang看到的是人工智能产业里缺少的数据基础设施，只要人工智能继续发展，模型就需要数据、评测和反馈。

所以，Scale AI的成立是因为Alexandr Wang亲自训练过模型，知道这个问题真实存在，并且判断它会随着整个行业的发展变得越来越重要。我觉得这对今天的AI创业者很重要，真正有价值的机会，很多时候是在自己的亲身经验中发现的。

02

坚持长期判断，不等于

一成不变

Alexandr Wang最初进入YC时，做的是一个帮助用户获取医疗服务的人工智能助手，当时，模型能力、用户习惯和医疗基础设施都不成熟，他们做了一两个月以后，发现时机不对，就放弃了这个产品，重新寻找方向。

很多人会把创业者的坚定理解成永远不能改变方向，好像只要改变产品，就代表原来的判断错了，但实际上，创业里有两种东西需要分开，一种是具体产品，另一种是对长期趋势的判断。

具体产品应该快速验证。技术条件不成立，用户没有需求，或者市场时机不对，就应该调整，Alexandr Wang虽然放弃医疗助手，但他对人工智能会长期发展并且会进入更多行业的判断没有改变。

对AI创业者来说，这里面值得学习的是要知道自己究竟在坚持什么，如果你对技术曲线和产业瓶颈的判断建立在足够真实的经验上，就不能因为几个投资人暂时不理解，或者市场短期没有形成共识而马上放弃。

Alexandr Wang在采访最后提到，年轻人应该寻找世界上增长最快，而且能够持续最久的增长曲线，他押注的就是整条人工智能增长曲线。Scale AI成立时，人工智能最先进的应用之一还是在图片和视频中识别物体，数据标注看起来是一项比较枯燥的工作，也不像典型的软件产品，只根据当时的市场规模判断，很容易低估它。

对创业者来说，这可能比预测下一个爆款产品更重要。产品的生命周期可能只有几年，但一条真正重要的技术曲线能够持续十年甚至更久，只要公司处于这条曲线上，即使最开始切入的是一个非常小的环节，也有机会跟着整个产业一起成长。

当然，不是所有快速增长的东西都值得进入。还要看这条曲线能不能持续，以及自己的位置是不是会随着技术进步变得更重要。

有些需求只是在技术不成熟时暂时存在，模型一升级，公司就没有价值了，另一些需求则会随着模型进步不断扩大。比如模型能力越强，人们交给它的任务越复杂，对数据、工具调用、安全和反馈系统的要求反而越高。

我觉得，后面这一类位置才是更值得创业者寻找的。

03

从Scale AI到Muse，基础设施思维没有改变

在Scale AI时期，Alexandr Wang没有直接训练一个与模型公司竞争的基础模型，而是给整个行业提供数据和评测能力。到了Meta，他开始推动面向消费者的Muse，这种基础设施思维其实仍然存在。

Muse看上去是个人助手，Meta随后又推出Muse Gadgets，把设备固件和开发工具开放给开发者，让Muse可以进入树莓派、微控制器、电视和家庭设备，Muse Gadgets的做法是将选择权交给开发者。

这与Scale AI存在一条相似的逻辑。Scale AI不决定客户最后要训练什么模型，而是提供模型训练所需要的能力，Muse Gadgets也不决定每个人需要什么设备，而是提供智能体进入不同设备的接口。

我觉得Alexandr Wang比较稳定的一个特点，就是他不一定急着定义所有最终产品，而是先寻找一个能够支持大量产品出现的位置。

对于资源有限的AI创业公司，这也是一种很重要的选择，你未必需要和大公司直接竞争最终用户，也可以观察整个生态里有什么能力很重要，却还没有被很好地提供。

Muse背后反映的是人工智能产品正在发生变化，过去大家主要关注模型能不能回答问题，现在模型已经能够写文章、编程、识别图片和调用工具，怎样让模型稳定地完成一个真实任务的问题来了。

Alexandr Wang在采访中反复强调反馈机制，原因就在这里。模型输出一个答案，不代表工作已经完成。真正的工作通常是一个循环，执行任务、观察结果、判断差距、调整方案，然后继续执行。

公司本身也是一个大型反馈系统，公司获得客户，改善产品，客户增加消费，公司再利用收入招聘员工和获得更多客户。这个大循环里面，又包含研发、销售、客服和运营等很多小循环。

未来真正有价值的智能体，是开始参与这些循环，而且能够根据明确目标不断优化自己的工作，还有一个更深层的问题，个人和企业能不能把越来越长、越来越复杂的任务交给智能体。

这也给AI创业者提供了一个思路，要看一个真实工作流程为什么还不能被自动完成，到底缺少的是数据、权限、工具，还是出错之后的补救机制？这些可能比再做一个聊天界面更有价值。

04

当智能和执行不再稀缺，真正值钱的是判断力

Alexandr Wang把创业中非常重要的一项能力称为内部指南针，就是要对未来世界会如何发展形成自己的判断，不能完全根据周围人在讨论什么来决定方向。

但我觉得这个概念很容易被误解，内部指南针不是固执，也不是说拒绝外部反馈，Alexandr Wang最初做医疗助手时，YC合伙人直接告诉他们，这个方向可能做不成，他们发现确实时机不成熟，于是停止了项目。

后来投资人质疑数据业务，他却没有放弃。是因为他亲自训练过模型，知道数据问题不会随着模型进步自动消失。

所以内部指南针真正的含义，是你需要有一套判断外部信息的标准。AI行业变化很快，如果创业者完全跟着共识走，通常只能进入已经非常拥挤的市场，真正困难的是，既保持开放，又不把自己的判断权交给市场情绪。

Alexandr Wang在采访里还提出一个判断，随着模型和智能体能力提高，智能和执行会越来越充裕，真正稀缺的东西可能变成愿景和雄心。

过去创业者需要自己写代码，后来需要管理由人组成的团队，未来可能需要设计由大量智能体组成的组织，具体工作被自动化以后，人仍然要决定系统的目标是什么以及各部分如何协作，人工智能能够降低执行成本，却不能自动告诉创业者哪些问题值得解决。

当越来越多人都能快速做出产品，产品开发本身就不再是最大的差异。你对行业的理解有多深，能不能发现问题、形成不同于市场共识的判断，会变得更重要。

复盘Alexandr Wang的创业过程，可以得到一个比较清楚的启发，创业者更重要的是判断什么技术会持续进步，以及这种进步会不断制造什么新的瓶颈。今天看起来枯燥、规模很小的基础环节，如果处在一条足够陡峭、持续时间足够长的增长曲线上，未来可能成为整个产业的底盘。

对于今天的人工智能创业者来说，最值得问的也许是：当模型能力继续提高十倍，什么问题仍然不会自动消失？什么环节会因为人工智能被更广泛地使用，反而变得更加重要？能够回答这个问题，可能比追赶一次模型更新都更有价值。

文章来自于微信公众号 “罗福如”，作者 “罗福如”