在海淀区毗邻北京大学的零一万物办公区中，员工依然忙忙碌碌，仿佛并没有受到外界舆论风波的影响。
身处漩涡中心的李开复，第一时间与虎嗅进行了一对一交流。
是什么契机让李开复重新思考预训练？从什么时候开始暂停对超大模型的追求？做出了什么影响公司命运的关键抉择？
面对虎嗅的灵魂拷问，他依旧保持一贯的温文尔雅，丝毫没有回避外界关心的焦点，并分享了他做出转变的心路历程。
虽然在外界看来零一万物的转变有些突然，但对李开复和零一万物来说这是一次有章法有节奏的“变道”，甚至在半年前就开始长线布局。
以下是虎嗅与李开复沟通实录：
虎嗅：零一万物内部的决策模式是怎样的？比如你是更乐于和大家商量？还是你更相信自己的预判？
李开复：在我创业之初，就集结了一批“愿意相信我，我也很信任他们”的创始团队。谷雪梅、马杰、祁瑞峰、Anita等，这些人从一开始就在我的联创团队里，最初的核心联创团队基本上没有改变，还有约20位勤奋强悍的干将。
我们因为同样信仰AGI，同时也勇于脚踏实地地拥抱应用落地和商业化，所以我们走到一起来。即使在充满压力的状况下，任何同事都可以跟我约一对一的时间，我们固定举办开诚布公无话不说的TGIF全员沟通会，每个重要决策从判断到落地，必定是我们达成共识的结果。
虎嗅：你什么时候开始对预训练有新的思考？有什么关键节点，是你思考这件事的契机吗？
李开复：大模型赛道技术迭代特别快，所以必须做超前预判和布局。在 2024 年 5 月的时候，我们就开始思考预训练的路线问题。在 2024 年 5 月，我们发布了一个千亿参数模型 Yi-Large，当时 Yi-Large 的模型表现很好，在国际权威盲测榜单 LMSYS Chatbot Arena 总榜上取得了当时世界第七、中国第一的成绩。但是从现在往回看， Yi-Large 在模型推理速度和推理成本优化方面，还有相当大的提升空间。
原本我们模型路线图上的下一个版本是更大尺寸的 Yi-X-Large，仍然走稠密模型、需要加倍的卡才能做到的路线。当时我们就面临着一个抉择，是继续沿着 Scaling Law，用更多的 GPU、更多的数据去训练更大参数规模的模型，还是说我们要采更务实的路线，去专注于做更轻量化、但是模型性能依然能保持领先的模型？
我们内部在半年多前就意识到了 Scaling Law 的边际收益递减，对初创公司最直接的就是财务影响，我的财务同事每几周跟我过现金流，看到算力一个月一个月的支出，真不是可持续的方式。赌上巨量资源去训练超大参数规模的模型，超低的性价比对初创公司来说，肯定不是一个务实的选择。
那次的关键技术决策讨论是个节点，经过很多实验后我们决定换一个路线，去年10月零一万物推出的新旗舰模型 Yi-Lightning 是我们一次尝试，Yi-Lightning 采取MoE（混合专家）架构，激活参数仅20多B，但模型表现更出色——模型性能上超过了 2024 年 5 月版本的 GPT-4o，发布时在 LMSYS 上排名世界第六、中国第一（2024 年 10 月 16 日数据）。更重要的是，Yi-Lightning 的模型训练成本仅350万美元，仅是 GPT-4o 的 1/30，我们的推理成本做到行业最低，喊出大模型也能有“白菜价”。
从去年下半年，我们开始暂停对超大参数规模的模型的追求，回头复盘，真是还好没加那多几千卡的成本。
虎嗅：当你意识到这件事情后，你当时做的第一个决定是什么？你如何去推动公司内部接受这个认知，并参与到这个转型之中？
李开复：有了前面提到的这个放弃 X-Large 的转变和验证，公司内部也很快都达成了共识。因为作为亲身经历者，我们每个人都看到了，跟AI 1.0时代不一样，AI 2.0时代大模型技术和产业发展都是被加速的。大模型公司融到了更多资源，但是也因为大模型预训练投入更大的资源。从技术上看，仅仅一年多的时间，引领大模型前进的传统 Scaling Law 边际收益递减明显，商业化上同样如此，我参与过 AI 1.0 时代的投资和孵化，一家公司获得商业化的成功可能有5到8年窗口，相比之下，大模型赛道一切加速，AI 2.0 大模型公司会更快地面临商业模式的灵魂拷问。
在当下的阶段，聚焦“小而美且便宜”的模型，在此之上加速应用落地和商业变现，不论是在技术角度，还是在商业角度，都更实际、更负责，也是更健康、更能走下去的选择。
虎嗅：这个转型中最大的挑战来自什么？
李开复：可能外界观感是零一万物转型调整来得突然，但是我们从去年第二季度开始针对技术路线进行复盘，第三季度开始尝试构建轻量化模型 10 月推出了Yi-Lightning，同时积极在 ToC 和 ToB 领域探索落地，11月份我们首度公布了 ToB 战略，再到 2025 年年初宣布与阿里云成立产业大模型联合实验室，你可以看到，这一切调整都是基于长线战略调整循序渐进、一脉相承的。只是近期一些噪音和歪曲解读突然出现，让我们有章法有节奏的布局对外界显得有些突然。
历史上许多新的技术过了黑科技发明期，面临技术落地和产品化的时候，没能获得商业的成功，这个阶段被称为“创新死亡谷”。零一万物已经证实了我们能做世界级的技术，是时候要关注和聚焦模型能力的落地实现，运转出能良性造血的商业模式。
更确切地说，行业正在集体穿越大模型时代的“创新死亡谷”。
最大的挑战在于有限的资源、有限的时间。行业对 Scaling Law 从追捧到怀疑就不到一年的时间，我们如何在时间表里制定计划、保持敏捷，在有限的资源里最大化我们的执行力。我们必须以快打快，不进则退。
虎嗅：圈内有些公司在做ToB业务同时仍然在做预训练，你如何看待？
李开复：如果一家创业公司的长板足够长，不管你的长板是在模型上还是产品上，都可以一定程度上回答所谓的灵魂拷问。我在这里不点评其他家的做法，我相信大家都能够找到专属于自己的道路。
对于零一万物而言，我们的长板就是能够在保证模型性能处于世界第一梯队的同时，大幅降低训练和推理成本、大幅提升推理速度。大模型公司第一年在前期科研、模型训练方面需要花费巨量的资源，狂奔进入第二年后，初创公司更应该有一个符合商业逻辑、对投资人负责、能确保活下来的商业模式。
虎嗅：在ToB这件事情上，你认为零一万物最本质的竞争力在哪几个维度？这几个维度在你心中它的排列顺序该是什么样的？
李开复：首先，在经过一年多的技术沉淀，零一万物已经具备了世界第一梯队的技术能力，证明了自己能够交付出性能世界领先的模型。我们技术底子够硬。
其次，在寻找落地场景这件事上，我们不像其他 AI 公司能够雇佣数百个销售。但我本人以及联创团队都有着丰富的人脉资源，使得零一万物能够从开始就切入重点领域内的头部公司，快速找到适合凝练出标准化 ToB 解决方案的领域和场景。
第三，零一万物还可以跟创新工场联动。创新工场投资的很多领域的公司，比如 AI 制造、 AI 金融、 AI for Science、具身智能、无人驾驶等等，跟我们都是非常互补的，都可以在行业大模型方面展开合作。
创办零一万物的最初目标是在实现我的 AGI 梦想同时取得商业上的成功，我们要做的是要让顶尖大模型能力走出实验室，去进行产业落地，打造AI-First产业应用，把技术超能力变成“钞能力”，创造实质的商业价值，才能面对最后的灵魂拷问：你到底能不能把技术转换成商业价值？先有收入，再增加收入，然后收窄亏损，最终从单点盈利到多点持续盈利。
虎嗅：你认为2025年在 ToB 业务上，真正考验每家公司的焦点能力是什么？这种情况下我们如何保持自己的竞争优势？
李开复：2025 年是 AI-First 应用爆发的元年，中国有望在应用元年弯道超车，零一万物必须提前卡位。
大模型 ToB 行业的挑战是，客户和技术提供商不是双赢，而是一方压价，另一方因为没有利润只能随便做做。对于大模型公司来说，很大一部分的 ToB 合作客户付费意愿不高，服务场景也很难做成可复制化的产品。这就会变成恶性循环：大模型公司没办法全身心投入，客户也没办法从解决方案中获得业绩增长，最后大家都赚不到钱。
在零一万物看来，有三种 ToB 的方向是值得尝试的。一种是能够为客户创造核心价值的，不仅能省钱，更重要的是能够帮助客户做增长。比如零一万物的如意数字人和万视营销短视频；第二种是在一些特别垂直、又很适合大模型落地的领域，与真正有远见、有决心拥抱大模型的公司一起共创，打造行业大模型。基于目前为人熟知的金融、医疗等领域，零一万物会再向下挖掘更垂直的行业，在这些垂直行业里，行业龙头可能会因为大模型而产生营业额的快速增长。这类企业每个都是金矿，我们已经有了一些尝试。第三就是服务可复制、可快速规模化的领域，服务第一个客户时可能不赚钱，但相似的产品可以服务很多家同类型的客户。
目前，在国内 ToB 方向上，零一万物在游戏、能源、汽车、金融领域都在谈千万以上的单子，而且基本都是软件单。下一个阶段零一万物会继续放大这些领域，也会进入有机会的新领域。如果能结合对方的行业 Know-how、数据和零一万物的技术，比如以共同设立合资公司的形式，一起做细分的行业模型和更好的行业解决方案，就能创造更多价值。我有把握，在 2025 年能有数倍收入增长，从 1 亿做到数亿。
