MidReal 创始人陈锴杰，持续创业者，大学毕业后一直在创业，从18 ~19 年休学创业做家庭智能机器人，到2020 年开始第二次创业做 AI agent for Gaming，曾基于 GPT-2 等技术，在 ChatGPT 推出前实现“斯坦福小镇”等创新游戏模式，目前在做的是 AI 互动的小说故事创作，也就是今天的 MidReal。官网地址：https://midreal.ai回顾从休学创业到现在打造出MidReal ——并被网友戏称“爽文大师” 以下是的小宇宙「遇见Aler」栏目专访内容，彩虹之眼进行删减整理（全文9515字）01/陈锴杰：在未来，或许不再需要专门的生产者来创作内容。一个人可能只是因为喜欢创作而进行生产，而不是因为必须承担这项责任。很多作家都有控制欲，他们可能不愿意让AI代为写作，因为他们希望作品完全出自自己之手。然而，随着时代的发展，创作过程可能更多地转向一种表达偏好的方式，而不是传统意义上的创作。今天，人们通过弹幕和评论来表达自己对某个作品的看法，而在未来，可能仅通过这些互动，你就能生成一个全新的作品。在预训练过程中，产生智能的方式是通过压缩，就像Elia常说的那样：“everything is about compression。”在预训练阶段，模型会阅读大量的文本，并逐步抽象出其中的规则，从而形成智能。这与后期训练的方式截然不同。后训练习得智能的方式往往依赖于搜索或其他方法，例如Queue Star算法或最近流行的Strawberry算法，实际上都是某种形式的搜索。人类的创造力是个性化的，而AI的创造力则是泛化的。每个人的创作风格往往受限于自身的成长环境，这种环境的封闭性使得每个人的视角独特。我从小到大可能真正交谈过的人只有一万人左右，而与我进行过超过10分钟对话的人可能只有几千人。与地球上数十亿人相比，我的成长环境是相当狭窄的。去过的地方有限，因此我的世界虽然很小，但正因为如此，我的创作才具有独特性。艺术家的生活环境通常也很极端，这种极端性赋予了他们创作的独特性。然而，AI则不同。为了获得智能，AI并不能像人一样在一个独特的环境中成长。AI的学习范围是广泛的，它吸收的是所有人的经验和知识。这种广泛的学习导致了AI创造力的泛化，而缺乏个性化的独特视角。02/您可以分享一下您的职业生涯吗？ 陈锴杰：其实称不上职业生涯，因为我今年27岁。从大学毕业到现在，我一直在创业。我记得是在18~19年间，我在杜克大学读了两年，然后决定休学。当时觉得学校的没有什么挑战的事情，期间也做了项目、研究，成绩也不错。所以我就想，不如去做自己真正感兴趣的事情，于是开始了第一次创业，方向是家庭智能机器人（Home Robotics）。虽然这个方向并不算特别成功，但我积累了一些很酷的经验，其中包括一个AI实验室，这个实验室直到今天仍在运行。在这个过程中，前后有大约一百多位研究员参与过，因此这是一个让我感慨的经历。在这次创业之后，2020年我回到学校完成了学业，随后开启了第二次创业，这次专注于AI agent for Gaming的开发。我用GPT-2搭建了一个agent，把它放到游戏中与玩家互动。虽然当时很快发现GPT-2和GPT-3的效果并不理想，对游戏行业的影响也还处于非常早期的阶段，但没想到两年后，ChatGPT就出现了。于是，我开始了最近这一次的创业，创立了MidReal，专注于AI互动小说故事的创作，一直做到今天。您刚刚提到您从GPT-2时代就开始接触GPT，是怎样的契机让您觉得这是一个未来的方向？陈锴杰：当时我印象特别深刻，我有一个好朋友叫薛来，他非常酷。以前英特尔有一个全球科学奖，他获得了全球第一名，卡内基梅隆大学（CMU）招他去读书，但他拒绝了，最终直接被英特尔挖走，非常厉害。当时他跟我说：“So, dude, you have to look at this. There's something crazy.”我当时去看了这个东西，最初并没有完全理解。当时GPT-2和GPT-3的很多应用场景效果都不理想，生成的文章也比较普通。但让我震撼的是，它们似乎开始展现出某种智能的迹象。虽然还不像现在的对话形式，当时更多是在续写文本的过程中，给人一种它似乎能够思考的感觉。于是，我开始思考：如果我能很好地利用这种“会思考”的技术，是否可以让游戏中的NPC变得更加栩栩如生？从2020年开始，我就有了这个初步的想法，并在2021年和2022年逐步进行实践。大约在2021年，我们利用GPT-2和GPT-3搭建了“斯坦福小镇”这种模式，让AI agent通过互动生成故事情节。是什么样的原因使得这个项目最终失败了呢？因为它智能程度不够？陈锴杰：我们当时做了一些尝试，比如开发了一个小型的游戏模式。这个模式会每天爬取微博的热点，并将其转化为一个简单的文字冒险游戏。举个例子，如果当天的热点是“MidReal成功融资”，我们就会把这个热点信息爬取下来，让用户在游戏中与角色互动，有点像一个乙女游戏，但这个游戏的目的是揭开热点背后的真相。可能揭示的真相是融资金额或项目进展，这样的玩法虽然不算特别有趣，但如果换成一些涉及明星的话题，你可以想象这个游戏会有很多反转。当时我们觉得这个模式挺有趣的，所以做了出来，并让AI来驱动。然而，实际体验中，我们发现要让这个游戏真正有趣，还是需要人为地编写和调整分支剧情。因为当时的AI对互联网和娱乐并不理解，也没有能力从中提取出有效的信息，所以整体效果并不理想。要么显得过于简单直白，要么就让人觉得无趣。今天，其实A16Z投资了一家专门做这种业务的公司，他们正在将Twitter上的热点转化为游戏，这家公司最近刚刚成立。对此我也感触颇深。当时我们认为，如果这个项目仍然需要依赖运营，那么GPT的作用就有限了，所以我们决定尝试其他方向。后来，我们开发了一个结合了游戏和社交属性的产品，或者说是一个带有工具属性的应用。用户每天把手机带在身边，它会总结你生活中的所有亮点，并将这些亮点串联起来。这个项目有点像今天看到的Rewind。我们当时在用户调研中发现，美国高中生特别喜欢这个功能。高中生的生活丰富多彩，社团活动众多，他们喜欢记录这些内容并自动分享给朋友。我们设计了一个小功能，让AI自动分享这些亮点，这样用户不需要发布朋友圈，而是直接收到与好友互动的日常状态。这种模式有点像苹果的“朋友定位”功能，可以实时看到朋友的位置。当时大家觉得这个功能很有突破性，也很震撼，高中生们特别喜欢，但监管机构却不太支持。监管部门认为这种将用户隐私交由AI处理的方式是不被允许的，因此这个项目在美国被监管部门叫停了。这次经历给了我很多教训，做事情时需要考虑的不仅仅是用户，还包括各类利益相关者，如监管机构、技术供应商等。因此，这也促使我走向了今天的MidReal。您是什么时候开始决定说选择故事创作这个领域为创业的核心赛道，从而创建了 Mid real 这家公司？陈锴杰：其实真正决定做MidReal是在去年的11月份，也就是2023年的10月或11月。这个过程中，我们与顺宇以及Katigue合作，顺宇是“Reasoning and Action”这个智能体框架的作者，而Critique是他的导师，也是GPT那篇论文的第二作者。当时我们一起研究如何使用后训练（Post Training）的方法来开发智能体，而不是通过提示（Prompt）来完成。 那时我们有一个深刻的感受，很多人都在使用GPT的提示框架，但我们发现像“Chain of Thoughts”（思维链）和“Tree of Thoughts”（思维树）这些方法都有一个很大的缺点，那就是不稳定，效果无法保证。因为当多个提示链接在一起时，只要中间某个环节稍有不稳，最终效果就会不理想。于是我们就想，能不能通过后训练的方法，让智能体变得更稳定，能够很好地执行任务。这是我们在去年上半年思考的问题。回顾这一年，今天所有的代码生成智能体公司几乎都在做后训练，而不再依赖预训练。这已经成为今年的趋势。我们是首次提出这种后训练智能体的方法，之后我们发现它不仅能让输出更稳定，还能让任务完成得更好，推理能力也可能提升5到10倍左右。至于应用场景，有很多可选的，比如ToB（企业对企业）的方向，我们可以做法律文书、调研报告等等。当时Critique的导师去做了客服机器人，这也是一个很好的智能体应用场景。但我们有一些偏好，在选择要做什么的时候有三个期待。第一个期待是希望这个事情是ToC（企业对个人），因为我在第一次创业时做过ToB，觉得自己和团队在ToB领域表现并不强，更多是依靠琢磨产品体验来做事情，而不是依靠资源。我们希望做ToC的东西，能打入一个更大的市场，吸引更多人来用，真正产生影响力。第二个期待是希望做一个即使在OpenAI推出GPT-5或GPT-6后，仍然具有技术价值的项目，不会被淘汰。这是我们选择娱乐内容行业的原因之一，因为在娱乐内容行业，用户永远在追求最顶尖的内容。而在法律文书等场景中，有一个天花板，当你达到这个标准后，不需要再优化，任务就结束了。因此，GPT-5或GPT-6能完成这些任务后，之前的训练就失去了价值。但内容创作更像写代码，你永远可以写出更高效的代码，永远可以优化。用户今天看漫威电影，可能十年后就不会再看卓别林的电影。这告诉我们，如果基于底层模型做后训练，随着底层模型能力的提升，最终效果也会不断提升，而内容消费则始终追求最终效果，这给我们带来了持久的市场空间，不会被GPT的发展所取代，这是第二个点。第三个期待是我们希望在模式和体验上带来一些重大的改变。我们认为，AI的革命其实在去年10月时还不那么清晰，但今天大家看得很清楚，这是生产力的革命。前一代的互联网是信息流通效率的革命，着重在连接，而再之前的工业革命则是生产的革命。今天，我们回到了生产，用机器来生产。在这个生产过程中，我们设想如果有一个内容平台，它的生产者不再是今天的抖音博主、B站UP主这些人，而是AI作为生产者，这会是什么样的场景？就比如说今天的抖音，你很少会去分辨一个博主究竟是人还是AI，只要内容足够好，不断更新，并与你互动，最后可能已经没有区别了。因此，我们那时候设想，AI是否有可能颠覆今天的内容平台？这几个因素加在一起，我们选择了ToC市场，并且是一个不会被OpenAI淘汰的市场，还有机会重新塑造今天的一些格局。这就是为什么我们选择了故事创作。因为故事是电影、电视剧、游戏、小说的基础，几乎所有的内容媒介和娱乐内容都需要一个故事支撑。除了一些特别强调操作感的游戏外，绝大多数内容都需要一个故事线来支撑。所以我们认为，用AI来写故事，从Netflix到迪士尼都可能因此发生变化。这就是我们选择故事创作的原因。刚刚聊到了您选择故事创作这个领域的原因，但是很多从做这个领域的创业者，他都会选择使用 open AI 的 ChatGPT 这样最先进的模型来作为他创意的基石，你们为什么没有这么做？陈锴杰：我们的技术方案其实是基于现有的预训练模型进行后训练，以提升模型的效果。早期OpenAI开放了微调（fine-tuning）的接口时，我们确实对OpenAI的模型进行了微调。然而，当LLAMA 3的性能达到了接近GPT-4的水平，甚至在年初达到了3.5的水平时，我们发现使用开源模型进行微调是一个更优的选择，因为这样可以进行更深入的优化。OpenAI的微调接口限制了可调参数的范围，而且训练方式已经被固定，但在开源模型上，我们可以进行全参数量的微调，还可以添加如Lora、qLora、long Lora等技术，进行多种优化。此外，我们还可以进行DPO（直接偏好优化），直接对模型进行偏好学习，这也是非常关键的一点。如果需要，我们还可以进一步进行预训练（Pre-train）。选择这种方式对我们来说是一个自然而然的决定，因为我个人的优势在于能够将技术和产品很好地结合起来。尽管有些公司选择完全依赖OpenAI的应用程序，这种做法也可能通过快速增长用户取得成功，但这并不是我想要做的事情。而且这种方式可能更依赖于运营，而我更希望专注于技术和产品的打磨。因此，我们选择了这样的路径。您刚刚一直提到post-train，可以向听众朋友们解释一下 post-train 这个概念吗？陈锴杰：没问题，关于后训练（post-train）的概念，我来解释一下。其实，当我们谈论大模型的训练时，整个过程可以分为两个阶段：预训练（Pre-train）和后训练（Post-train）。预训练就是指模型在最初阶段通过大量数据的训练来获得基础智能，而后训练则是在预训练完成后，对模型进行进一步的优化和细化。我们更需要了解的是这两个阶段分别在做什么。预训练的核心在于压缩和总结。简单来说，模型通过分析大量的文本数据，将其中的规律和知识抽象出来，从而形成一种基础智能。正如Elia所说的，“一切都与压缩有关”。后训练则不同，更多时候它是通过搜索（search）等方式来增强模型的智能。比如，像Q-star算法或最近很火的strawberry算法，都是某种形式的搜索，甚至可以理解为类似于“多颜色树搜索”（Multi-color Tree Search）。你可以把后训练想象成Alphago下棋的过程。Alphago在下一步棋时，会预测并评估未来几步的走法，通过这种方式来找到最优解。对模型来说，后训练也是类似的过程，模型通过探索各种可能性来优化自己的行为。举个例子，假设我们在训练一个用于写故事的智能体，这个智能体需要考虑情节的多个发展方向，比如哈利波特是要打败伏地魔，还是与金妮结婚，或者做其他事情。通过搜索所有可能的发展路径，选择最佳的情节，这就是后训练在模型中发挥作用的方式。因此，后训练的主要目标是通过搜索提升模型的逻辑能力。这也是为什么OpenAI会提到，通过后训练，GPT-4的逻辑能力得到了显著提升。关于后训练的方法，微调（Fine-tuning）是最基础的一种。在微调之上，还有直接偏好优化（Direct Preference Optimization），即让模型通过对比学习来提升。而在更高层次上，我们可以进行更深度的全量学习。您刚刚说的这些操作可能都会对模型本身产生一定的影响，那如果说 LLAMA 推出了 LLAMA 3.1，那 3.1 的水平是比 3 可能强上非常多的，那像这种开源模型大的迭代是否会对您的这些 post training 的工作带来较大影响？陈锴杰：其实后训练（post-training）的一个显著优势就是它的成本相对较低。相比预训练（Pre-train），预训练一次可能需要投入几千万美金，而后训练一次只需要几百到几千美金，这使得后训练成为一种非常经济的选择。因此，我们实际上每天都在进行训练，持续优化模型。因为训练确实需要持续进行，只有这样才能积累经验并不断改进。 当模型从3升级到3.1时，整体的训练流程和方法并没有本质的改变。我每天都会继续训练，等下周新版本推出时，我们就会切换到这个版本进行训练。所以，从3升级到3.1，在操作上并没有什么大的变化。然而，确实有些情况下需要进行更大的调整。例如，LLAMA 3和LLAMA 3.1都是稠密模型，而它们与稀疏专家模型（MoE，Mixture of Experts）的训练方式是不同的。在后训练过程中，针对稠密模型和稀疏模型的训练策略可能会有所不同，因此我们可能需要进行一些模式上的切换。当然，现在像 Deep Seek这样的公司也有一些非常优秀的MoE开源模型，我们也在进行相关的训练。所以，这种模型迭代带来的变化更多体现在具体的训练模式和策略上，而不是整个训练流程的改变。这个过程中间你们积累下来最大的信息资产是什么？陈锴杰：在这个过程中，我们积累了三项我认为非常重要的内容。首先是我们的流水线（pipeline）。无论是新公司还是大公司，能够做到每天持续训练其实是非常困难的。这意味着你的数据处理能力必须足够快，部署要稳定，训练和服务（serving）要分开进行。训练完成后，你需要立刻进行评估（evaluation），以检测训练的效果。我们用了几个月的时间才找到最佳方式，像OpenAI那样不断学习和改进。因此，这个流水线的积累非常有价值。今天，不论我们更换什么模型，都能快速适应。第二项积累的是数据。在训练过程中，数据是至关重要的，可能会成为行业逐渐成熟后的关键资源。虽然很多数据都是公开的，但你会发现，像LLAMA 3.1这样的模型，其数据量可能是普通数据的十倍。你可能会觉得难以置信，因为阿里和国内其他大厂的人才都非常优秀，但为什么会有5倍甚至10倍的数据差异呢？这个差异实际上非常重要。如果最终剩下的是10TB的数据，那么无论你是从100TB的数据中筛选出的10TB，还是仅从15TB的数据中筛选出的10TB，带来的效果差异都非常显著。此外，这些数据中有多少是合成数据，多少是人工数据，这些都是关键因素。论文也逐渐证明，合成数据的影响不一定都是正面的。所以，数据的积累尤其重要，尤其是在垂直领域，如小说情节的发展方向、人物塑造方法、情节转折的写法、标题等，都是非常有价值的积累。第三项积累是我们的训练方法和算法。比如，在故事写作中，我们使用的其实不仅仅是一个Agent，而是由四个Agent共同运作，每个Agent都有不同的任务。这四个Agent分别负责什么？它们各自的算法是什么？如何确保记忆的一致性，角色的连续性？如何将故事顺利转化为图片和视频？年底我们还计划推出一个AI生成短剧的功能。这些训练方法、算法布局和架构的积累，对我们来说都非常重要。我们可不可以请您详细的介绍一下您产品的实际功能。 陈锴杰：我们的平台其实非常直观，它是一个AI互动故事内容平台。如果你是一个富有创意、喜欢编织故事的人，你会发现这个平台非常容易上手。当你开始使用时，它会引导你提出自己的想法，比如：“你脑海中现在有什么故事吗？有什么创意吗？”当然，它也会给你一些有趣的提示。你可以输入任何想法，比如“我想和杨幂谈恋爱”，或者一个更独特的创意，例如“我穿越到了过去，成为了一个嫌疑人，我该如何行动？”这些想法都是可以接受的。 接下来，我们的story agent会分析并扩展你的想法，以大约500到600字的长度为一段，你可以在每个段落结束时选择故事的发展方向。如果在任何时候你对剧情不满意，你都可以重写那部分剧情，重新塑造人物的发展。我们很快会推出更多功能，让创作者可以更自由地定义他们的创作，比如更深入地定义主角，更细致地打磨每一句话。包括我们计划在年底推出的视频模态，你可以将你的小说故事转换成一个有趣的视频，在抖音等平台上分享，这将是一个非常酷的体验。目前我们已经有了图片功能，未来我们将进一步升级，将整个创作过程变得更加高级和丰富。 我也看到一些其他的公司有做像这样的故事的产品，但是我看到您的产品有个非常有趣的功能，就是你可以和故事里的任何一个角色聊天。想问一下开发这个功能的初衷是什么？陈锴杰：其实我们在很早的时候就注意到了 Character AI。当时我有一个比较坚定的想法——当然，今天来说可能显得有些滞后了，因为Character AI的发展结果已经显现。但我记得在2月份的时候，我就提出了一个观点：Character AI 这种模式是难以持久的，它的用户量存在明显的天花板。因为这种模式基本上是用户输入一句话，模型再输出一句话，如果将它视为一种内容消费的话，它的性价比其实很低。当然，如果定位为陪伴体验，它可能会有更大的成功空间。如果仅仅是内容消费，那么Character AI的最好的归宿就是被谷歌收购，团队中的一部分人继续运营，另一部分人进入谷歌内部，这对他们来说已经是一个相当不错的结局。在我们考虑聊天功能时，我们思考的是，如果我们也引入类似的聊天功能，它会带来怎样不同的体验？我们发现在两个方面这个功能会比较有意思。首先，如果我写了一个故事，故事里本来就有对话，那么用户自然会尝试修改这些对话。如果用户可以直接和这些角色聊天，是不是会让整个体验更加直接和沉浸？这是一个简单的初衷。但当我们上线了这个功能后，我们发现用户的使用行为和我们预想的有所不同。虽然有些用户确实将角色当作聊天对象，但更多时候，用户是希望通过与角色的互动来使故事更加完善。他们会告诉角色应该如何在故事中表现，把这个功能当作是改善写作的一个工具，而不仅仅是一个体验的入口。这一点也反映了我们产品的定位。我并不希望这个功能仅仅是满足用户的幻想——满足个人的喜好，让自己开心，而是希望它能够有更广泛的传播效应。我希望用户能够像发布抖音视频一样，创作出属于自己的小作品，并将这些作品分享出去，让其他人也能看到。在我们的平台上，用户已经可以看到其他人的故事。用户的这种使用方式证明了我们的产品定位，他们将作品视为自己创作的成果，并通过互动来完善这些作品。为了创作更好的作品，他们甚至会指导角色的行为，比如告诉男主角不应该给女主角花钱，并建议接下来的剧情发展。这种互动让整个创作过程变得更加有趣。所以，未来我们希望这个功能能够进一步发展，成为一种让故事更具深度的工具，同时在用户阅读和消费时，提供更多与角色互动、沉浸其中的空间。您的用户主要有哪些类型？哪些是国内的？哪些是国外的？陈锴杰：我们国内的用户比较少，大部分用户都在美国。在这些用户中，我们发现很多是有较多闲暇时间的人。我访问了很多美国的线下写作俱乐部，发现很多人周末聚在一起写小说、短故事、诗集，或者日记。大家写完后，再一起吃饭、聊天、打游戏。这种活动非常有意思，他们正是我们的核心用户。这些人通常有全职工作，比如程序员或设计师，但在业余时间喜欢创作内容。美国大约有7%的人参与创意写作，所以这是一个相对较大的群体。我们还发现，那些刚毕业或仍在大学的年轻人，他们有较多时间和创意，也容易成为我们的核心用户。与您的竞品相比，您的产品除了能够写出更好的故事之外，还有什么特别的优势？陈锴杰：在交互形式上，很难说我们比其他产品更好，因为交互设计需要大量的人力打磨。我们团队只有8个人，其中四五个人在做模型，所以在应用开发上，我们没有太多资源来打造非常复杂的交互体验。我们的产品交互相对简单，但我们已经成功打造了一个内容平台。很多写作类产品更多是工具属性，而我们的平台则更注重内容消费。比如，Novel AI 等产品主要用于写作，但我们的平台上用户已经开始消费内容。尽管今天的 AI 技术还不够成熟，我们写的故事可能还处于网络作家的中下水平，但这些内容已经有了消费的迹象。随着技术的进步，我们可能会成为一个 AI 驱动的内容平台，就像 AI 版的番茄小说或 Netflix。我认为这是一个非常清晰的发展趋势。您最近针对 MID Real 最常思考的问题是什么？陈锴杰：最近主要在思考两个问题。第一，如何做好视频内容的制作，包括技术上的实现和产品模式上的调整。第二，如何更好地服务于用户增长。我们的基础功能已经基本完善，现在要考虑什么样的功能能够最好地促进用户增长，比如免费赠送服务天数、任务系统、奖励机制等。这些都是我最近思考比较多的问题。您如何看待人类创造力与 AI 创造力的关系？陈锴杰：这是个很好的问题。人类的创造力是个性化的，而 AI 的创造力是泛化的。每个人的成长环境都是独特的，这种独特性使得他们的创作非常有特点。相比之下，AI 学习的是所有人类的知识，这使得它的创造力更趋向于平均化。尽管我们可以通过一些训练方式让 AI 模拟特定个性，但它的创作仍然缺乏独特的视角和深度。我认为，这正是人类创造力与 AI 创造力之间最大的区别，也是我希望未来 AI 能够克服的地方。如果人工智能发展到与人类作家同等的水平，人类创作者和 AI 之间会是什么关系？陈锴杰：老实说，这个问题我也不确定。可能在未来的三五年内，我们依然需要人类创作者与 AI 一起合作完成创作。不过，随着 AI 创作水平的提升，更多的创作可能是为了满足人类的表达欲，而不是为了实际的消费需求。人类天生喜欢讲故事，这是一种根深蒂固的表达欲望。即使 AI 生成的内容已经足够优秀，人类可能还是会为了表达自己而继续创作。您如何看待未来消费与创作之间的关系？陈锴杰：未来，消费和创作可能会逐渐融合。过去，我们通过发布弹幕和评论来表达对某个作品的看法，而未来，我们可能直接通过这些表达来生成新的作品。比如，当你在电视剧里说女主角不该跳崖，系统就会生成一个她没跳崖的剧情版本。这样一来，用户的偏好表达直接影响作品的生成。创作者与消费者的界限将变得模糊，每个人都可以参与创作，并为作品注入自己的独特视角和想法。在 AI 时代，您会给想做产品的伙伴提哪些建议？陈锴杰：这其实很难给建议，我还不觉得自己有多大的成就，但有三件事对我个人帮助很大。第一是找到最好的伙伴，我今天的合作伙伴是我第一次创业时认识的朋友，正因为有了这些伙伴，我们才能一起把事情做好。第二是进行大量的战略思考，在早期阶段，很多事情并不明确，但通过不断的推演和讨论，我们最终做出了正确的选择。第三是保持对这个时代机会的珍惜心态。我很幸运能在这个 AI 浪潮中抓住机会，这让我充满了动力，愿意全力以赴，不放弃任何可能成功的机会。完整专访内容点击下方👇阅读原文，移步小宇宙「遇见Aler」栏目看到这里，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标哦！⭐～谢谢你看我的文章。⭐我是彩虹少女：感谢你的阅读。⭐视频号：RainbowEye
