北京
Life is tough，
but we are tougher.
成立于 2011 年的群核科技在走过 15 个创业年头后，在 4 月 17 日于港交所成功上市了。
这是一个中国合伙人式的故事：三个联合创始人是美国伊利诺伊大学的校友，其中，董事长黄晓煌和 CEO 陈航，在浙大竺可桢学院时期就是本科时期的室友。
在 GPU 算力尚未被大众熟知的年代，三位创始人就凭借着对计算技术的热爱和执着，发现了 GPU 集群可以极大地加速物理渲染，因此打造出渲染引擎——一个拿着技术找应用、拿着锤子找钉子的典型创业范本。
我在去年 8 月份与黄晓煌进行了一场访谈。这个故事中，最打动我的是，回报，总是发生在那些不计结果的好奇心与热爱之后。
长达 10 年的时间，群核在最不性感、最难数字化的家装与房地产领域死磕十年，把每一个室内空间的物理参数、材质精准地搬进数字世界。最终打造出空间设计行业的 SaaS 工具「酷家乐」——但也正因为这样「扎实而沉闷」的积累，让他们在 AI 时代突然发现，自己坐拥了一座关于物理世界规律的「数据金矿」。
这家公司早从 2021 年起，就开始了从 SaaS 公司向 AI 公司转型的布局，比 ChatGPT 的爆发还要早一年多。今天，群核成为了具身机器人公司、以及许多训练多模态、世界模型大厂的重要数据提供商。数据之外，这家公司也正在开放底层空间智能能力，推动AI对物理世界的理解、推理和交互。
我们的访谈还原了一家创业 15 年的硬科技公司，多次转型的全过程。
（注：本次访谈发生于2025年8月。）
（️原版访谈的视频版可前往微博、B 站、视频号等平台观看；播客版可前往小宇宙等平台搜索同名账号《卫诗婕_漫谈Light the Star》）
访谈 | 卫诗婕 × 黄晓煌（群核科技联合创始人&董事长）
漫谈Light the Star
PART ONE
无心插柳，开源数据集InteriorNet
卫诗婕：今年杭州六小龙一下变得特别火，听到有一种声音说群核是被塞进去的一条小龙，你有听说过吗？
黄晓煌：非常少。杭州其实有非常多优秀科技公司，最终被选为杭州六小龙，肯定是有运气的成分在。我们公司从成立开始就是科技主导的。在 GPU 还没热之前，就发现 GPU 集群可以用来加速很多事情，后面就用来做物理渲染，拿着锤子找钉子，再到处找应用。即使拿到十年后的现在，技术依然是非常领先的。
卫诗婕：我听说疫情期间有一些硅谷的公司发现你们有一个数据集叫 InteriorNet 。想用来做机器人训练，因为疫情，所以很多线下的训练就没办法做了。这个数据集就是 3D 空间，我的理解就是像上网校一样，让机器人在一个虚拟的世界里面训练。
黄晓煌：是的，疫情也是比较奇妙的，让很多事情发生改变了。大家原来习惯了训练机器人，或者一些 AI 设备、硬件都是到线下场地。但疫情把这些事情全部阻挡住了，也想着新的办法去做探索，所以 18 年开源了 InteriorNet 之后，这些科研人员也在到处搜相关的解决方案，看到这个东西就来联系我们。
卫诗婕：其实 InteriorNet 是你们在做传统业务（酷家乐）的时候自然而然汇集成的一个数据集。
黄晓煌：对，我们当时团队有一小波人还在做科研，做着玩的，反正也没有什么业务压力，就觉得好像有一些用。因为那个年代 AI 比较火的时候，我们当时觉得这东西能不能用来做 AI 训练，自己不知道怎么训练，要不我开源出来让别人训一训看看？
卫诗婕：是被李飞飞 ImageNet 所启发的吗？（注： ImageNet 是推动深度学习的一个关键节点）所以开源出来一开始有效果吗？
黄晓煌：一开始发论文有效果。做业务没什么效果。我们跟他们一起发论文。
卫诗婕：2023 年的时候发现有机器人公司有这个需求，是吗？
黄晓煌：2020 年、 2021 年发现它也不光是机器人，会做各种设备的训练。
卫诗婕：那这个时候给你什么启发吗？
黄晓煌：对我的启发， AI 好像是到了一个新的阶段了。我们在 21 年实际上也扩充了数据集团队到二三十人。后面发现没什么用，因为我们发现这里面最关键是算法。本来想 21 年就想把这个做成一个正式的业务。客户说算法效果不太好，帮我调一调。后面才发现需要的是顶级的算法工程师。当时我们还没关注到大模型，只知道花了好多 GPU 训练，很多算法调优没搞定。21 年 5 月份周教授组了一个 AI 的团队，专门做这个，后面才慢慢的知道怎么做。
卫诗婕：你发现潜在客户有这个需求，但没有能力做的时候，意识到得重新拉一个 AI 团队。
黄晓煌：我当时倒没想那么多，觉得挺有意思的，一个全新的领域。正好当时周子寒（群核首席科学家）也在研究这些，要不回国一起来做这个。
卫诗婕：我昨天跟他聊了，他说当时加入你们就是因为他是做 3D 视觉这一块的，在高校数据量很有限，但你们有一个当时看来非常庞大的数据集。实验室组成了之后，对你们是非常关键的一步？
黄晓煌：我们正好是属于有 GPU 也有数据的，缺算法，正好配齐了，就组了一个实验室专门研究。过程中还是有很多认知上的变化的。举个例子，比如说原来训练模型要很多 GPU ，但很贵。之前不会把东西训练很大。大语言模型火了之后才知道原来这些东西要很多 GPU 。
漫谈Light the Star
PART TWO
公司小的时候，必须蹭热点
但也要创造社会价值
卫诗婕：最早 2021 年开始有硅谷的一些机器人公司用你们的数据集做事情。但因为你们数据集是开源的，也没有什么商业收入。你是从那个时候开始意识到，也许好好研究一下大模型和数据价值挖掘，以后有机会可以成为一条商业化收入？
黄晓煌：对，另外一方面，我们在跟这些大公司合作的过程中，隐隐约约发现了这些训练需要非常大的数据量、 GPU 。当时就意识到好像不对。现在内部的同事，问了一圈也都不会。就只能招相关的人、组建新的实验室来研究。我们叫升级，实际上老的体系都在，因为老的业务也很稳健，也提供了很好的现金流。但是你要迎接新的时代的到来，必须有一批新的人才、新的组织形态，就要在基础上升级，两个体系都有。
卫诗婕：还没有找到的前沿的探索就需要创新部队。
黄晓煌：其实不是说找到没找到，我现在发现的是如果目标过程的操作怎么做也不清楚， KPI 制定不出来，就得用创新式的团队。
卫诗婕：现在公司里面创新式的和流程式的占比大概是多少？
黄晓煌： 1/ 10 。
卫诗婕：这 1/ 10 的人应该很贵吧。就是我们现在所说的 AI 人才。
黄晓煌：对，是挺贵，但比起机会成本，人的成本其实还好。
卫诗婕：你怎么说服投资人现在要做一件新的事，然后也要招很多很贵的新人？
黄晓煌：每次战略调整的时候，大部分股东 ok 。总会跳出一两个觉得不要在中国搞研发，没前途的。首先不要为了股东的意见而调整自己认为对的战略方向，毕竟股东只是要钱，又不要你命。但是不要让这种股东长期存在，不然对于企业的破坏力也很大，最好一次性能解决这个问题。认可你方向，大家志同道合的就一起往前。
卫诗婕：但当中有一个比较 tricky 的地方在于，投资人也好，市场也好，怎么让他相信我不是来蹭热点的，而是我的技术、产品落实到这些场景当中，也能发挥作用的。
黄晓煌：首先我觉得蹭热点不可耻。英伟达也在蹭热点。当年英伟达蹭挖矿这个赛道我是很不认可的，这个赛道你都蹭，后面要赚了很多钱。热点应该蹭，但是不能瞎蹭，至少给这个热点创造一些价值。
另外一点是当你公司小的时候，必须蹭热点；公司足够大或者有能力的时候才有选择，你可以自己制造热点。过去我有很多朋友的公司很鄙视蹭热点。但是实际上在做业务的过程中，会发现有热点的地方，推广的 ROI 是很低的。技术是通用的。在热点的行业推，效率、产出高，团队也有成就感。实际上我现在慢慢理解了这些热点。有热点的地方要么有公司在推，要么有国家在推，不会有平白无故出现的热点。公司也好，政府也好，需要你的助力，所以顺势而为。也不是什么热点都去尝试，至少在价值观上我们认可。
卫诗婕：如果重来一次，你还是不会去挖矿的吗？
黄晓煌：对，我对这不太感兴趣。元宇宙我可以去试，因为我觉得这是一个很酷的 idea 。还是希望做一些实实在在、创造价值的东西。当然还有很多有热点的东西我看不明白，我也没参与。
漫谈Light the Star
PART THREE
有一些员工很认可，
也会有人觉得，老板怎么又开始蹭热点了？
卫诗婕：2023 年是群核战略升级的重要一年。你觉得那个时间点对于群体来说是一个好时机吗？当时你们也至少财务上面还是亏损的？
黄晓煌： 2021 年因为资本市场太好了，当时去美股 IPO 招了很多人。后面整个市场格局、资本格局，各种大事件出现，你要调整。 AI 的出现给我们调整未来方向一个曙光，因为我发现这些新的公司出来，第一眼观察到的倒不是说 AGI 会怎么样改变这个行业，而是它的商业模式。 Openai 按照算力、 TOKEN 收费。我们之前按照 Saas 包年包月收费，导致很多非常好用，但是非常消耗算力的能力，没有办法得到推广，因为成本太高了。别人一用我就亏钱。所以那几年本身对于这事情是挺纠结的，看了 Openai 商业模式之后我发现，基于 GPU 的商业模式应该是按 TOKEN 收费。所以我们第一件事情提出来的就是调整升级 Saas 的商业模式。
卫诗婕：这样的话能带来更多的收入了吧？
黄晓煌：理论上是，现在新业务是都是按照 TOKEN 收费的。老业务还在调整的过程中，但是这样我们有很多新的能力就可以发布出来了。
卫诗婕：除了商业模式还有别的启发吗？
黄晓煌：原来都是要把功能往小、往便宜做，更多的是植入 knowhow 。现在就是往功能、智能化、聪明的做，消耗更多的算力，让人花更少的时间。原来 Saas 衡量标准是用户乘以每天花的时间体现产品的价值。未来可能是衡量解放了多少时间。
卫诗婕：硬科技创业其实很像冲浪，尤其是像你们这种拥有通用技术，要找不同的场景。像你说的，要去参与热点。一波又一波的热点，就像一浪又一浪，有时候你站上去了，有时候也会被浪打趴下。目前你们有被浪打趴下的经历吗？
黄晓煌：肯定有啊。不能叫趴下。比如说你做了半天，本身业务很好了，巨头突然进来搅局。市场又动荡了。反正就是大风大浪见多了，所有风浪都是生活的一部分。不要太去在意这些，做你能长期坚持的东西，别人就不能怎么样。首先这东西有价值，另外在做的过程中，会产生愉悦感。
卫诗婕：在创始人身上还挺好理解的，但是怎么在没有信心的时候给员工信心？
黄晓煌：这个确实是我创业过程中比我自己的精神状态更难调整的东西。我自己倒是比较乐观主义的，外部怎么变化没什么影响。比如 2023 年我们开始做空间智能、大模型，会有一些员工很认可，也会有一些人觉得老板怎么又开始蹭热点了？经历多了我也习惯了。要做到所有人都跟你想法一致是不可能的。跟你想法不一致或者不认可你方向的，要积极倾听。真的达不成共识的，强留着没什么意义，要改变人的认知太难了。就像马云说的，自己都改变不了，还去改变别人。
卫诗婕：你们三个创始团队都还是比较简单、纯粹、单纯的人。
黄晓煌：对，我觉得这点是比较好的。我们三个创始人教育背景、工作背景比较一致，所以类似的问题我们基本上观念都完全一致，很快能达成共识。
卫诗婕：变本身就是企业的本质。变的过程中有什么可以复用的经验吗？
黄晓煌：这个是没法复用的，时代变化一直是在变的。有几个是可以复用的，一个是新的方向有没有创造社会价值？我觉得房产在中国过去的几十年里是在创造更多的价值，让我们的生活变越来越好。接下来给中国、给世界创造更多价值的是什么东西？这些是我们要思考的，不能纯从赚钱的角度去思考。另外得自己熟，天天看这方面的资料，这东西做的好不好？你有一个判断力，这种东西可以做；但是如果你自己完全没判断力，就觉得这东西好，这就不合适了。
卫诗婕：在早期怎么说服大家这个事情是可做的，而且我是有能力做的？
黄晓煌：经过了几波之后也不去说了。很多老员工是认可公司的，过程中也风风雨雨的，我们基本上都会给老员工调整业务线。大家形成一个比较长的默契，待到 10 年以上的，更多是相信公司、相信团队的 DNA 了。包括很早进来，离开我们公司之后最怀念的也是企业的 DNA 。有些人到了新的公司，可能也会习惯性地跑去老板办公室怼，第二天就领盒饭走了。
卫诗婕：你碰到这种比较冒犯的方式的时候会很 decent （体面地）处理，这是你骨子里的状态吗？
黄晓煌：首先我不觉得这种行为是种冒犯。约好时间进来，不管说什么我都是很开放的，在我们公司可以讲任何想法。
卫诗婕：在这个变化过程当中最难的是什么？
黄晓煌：人的问题肯定是最难的。在公司找到新的方向，希望带领大家到一个新的高度，肯定还有一拨人想照老路继续爬。反对的声浪会越来越大，我的态度就是这种声音，不管多刺耳都会听。但是我不会因为这些声音改变。
卫诗婕：目前是用自己的利润在做研发吗？因为你们公司从 day one 就是一个非常重研发的公司，对吗？
黄晓煌：对，我们现在有利润，所以利润上没什么问题。
漫谈Light the Star
PART FOUR
人类有同样的认知，
是空间理解的一个关键点
卫诗婕：我查了一下空间智能这个词，其实最早是 80 年代心理学家提出来的。但是去年李飞飞又把这个概念至少在 AI 领域推到了一个新的高度。这个词跟群核的业务联系在一起，最早可以追溯到什么时候？
黄晓煌：其实我们从刚成立的时候就开始研究这方向，当然当时更多的是三维设计。特别是 18 年我们开源了 InteriorNet 之后，我们当时隐隐约约觉得有一种 AI ，它跟文字图像不太一样，更多的是理解 3D 空间。但具体用什么词来描述我们研究了很长时间，后面就觉得空间智能这个词不错。
卫诗婕：李飞飞把它再次提出来的时候，你觉得这个词不错，对吗？它是不是就完全可以概括你们在做的所有的事情？
黄晓煌：是的，我们现在把空间智能分成四个部分，就是空间的理解、空间的推理、空间的生成，还有空间的行为，基本上就代表了我们平常在做的这些产品。比如说我们坐在这个环境里面，你看到的跟我看到的房间里的所有的几何结构是一样的。我们都是人类，都有同样的认知，是空间理解的一个很关键的点。但很多机器人不是一样的，坐在这边看到的，跟你坐在这边看到不是一个房间，就没法一起工作了。
卫诗婕：这个很有意思，为什么不同的机器人看到的会是不一样的？我所知道的是因为机器人领域现在还没有一套统一算法架构，可以理解为他们现在用的都是各自不同的语言。
黄晓煌：不光位置不一样，换掉一个灯，它都会觉得在一个不同的地方。它对空间的理解，更多的是对于图像的理解，现在很多机器人的技术还是原来的图像技术在做，灯开跟灯关不是一个图像，那它理解的就不一样。我们得构建出一套系统，能够让机器人有记忆跟理解力。
卫诗婕：这也是李飞飞的论文《 Thinking in space 》里面的主要的核心理念， AI 也是需要更进一步地看到这个世界，记住这个世界。很多空间智能相关的论文，是否帮助了你们梳理自己要做的事？
黄晓煌：肯定是有帮助的，我们也看了很多相关领域的论文，对于空间的理解，具体用在哪里？我们就会探索在老的业务里面怎么用这些空间智能的技术。
卫诗婕：除了机器人公司还有别的什么公司来找你们用这些数据集吗？
黄晓煌：有，硅谷那几家大的，不过我们签了 NDA（保密协议） 。我们后面看了论文之后也发现有一些新的算法出来了，需要这些空间认知的模型。
卫诗婕：看完论文之后，是不是非常清楚的知道这些数据集能派上什么用场？
黄晓煌：那个年代还没有很清楚知道。当时的说法是对于空间的理解产生泛化性。在图像里去做空间的理解，它是没有泛化性的，开个灯或者关个灯就不认识。产生泛化性，就是在各种情况下都能认识。现在技术不断的发展之后，就越来越清晰了。
卫诗婕：在还不清晰的时候，你已经决定了公司要战略升级、做空间智能了吧？
黄晓煌：2021 年还有点模糊。
卫诗婕：变化的时间点是什么时候？
黄晓煌：2023 年，因为 2021 年老赛道如日中天，业务也很好。那时候不会想着变革的，穷则思变。
卫诗婕：会不会很感谢 22 年 10 月份 CHATGPT 出现，否则你只是在一个大环境变了的迷茫和焦虑状态当中，可能没有新技术点燃你新的方向。
黄晓煌：感谢倒谈不上，它突然给我们开启了一个新的大门。
卫诗婕：刚才用冲浪比喻硬科技创业，如果 chatgpt 没有来的话，那浪就没有来。
黄晓煌：也许有别的浪。只不过你要做选择，有的时候是浪花，有时候滔天大浪。
卫诗婕：AI 大模型是超级大浪吗？
黄晓煌：现在看起来肯定是足够大的，已经持续了三年了。
卫诗婕：大模型这波浪潮里面你们创始人都是技术出身，纯理工男，有过任何的异议吗？
黄晓煌：有。投入多少资源？怎么投入？招人的标准是什么？应届生行不行？ GPU 买多少？是量大管饱还是够用就好？
卫诗婕：这几个问题都特别重要，我们先从招人聊起，应届生行不行？
黄晓煌：现在的结论是肯定行。有经验的都被字节、阿里抢完了，但是我们得想出一些办法，从应届里面找到符合我们价值观、最能打的。我觉得创业者得有一个心态，就是牌桌上有什么牌，你就打好它，别怨天尤人的。没有那么好的运气的。
卫诗婕：GPU 是量大管饱还是够用就好？
黄晓煌：我们经过几番讨论，在 CFO 的强压下，最后变为够用就好。其实可以多买一些的。
卫诗婕：据我所知， 2023 年算力非常紧俏，但 2024 年市场上也多出了不少的算力，因为大量的当年号称要做基模的公司死掉了或者退场。所以它其实有一个曲线变化。但今天看来，你还是会觉得当时比较保守，因为时间更值钱。
黄晓煌：对，有限的 GPU 肯定限制了想象力。不光是浪费了时间，有些模型本来可以训练得更大。
卫诗婕：这是一个很好的信号，说明你们在做这件事情的过程当中已经看到了越来越大的价值，才会后悔当初投入投少了。
黄晓煌：是。但这东西没什么好后悔的，万一投错了是麻烦。
卫诗婕：怎么测算 GPU 当时到底是要买多还是买少？
黄晓煌：看 GPU 利用率，加了之后会持续提升还是再降低？反正把讨论变成一个数学问题。因为数学问题是有答案的，情感问题是没有答案的。
卫诗婕：群核新方向的突破口目前是几种场景，一是机器人训练需要 3D 数据，且非常稀缺；另一个是电商；还有传统的房地产相关产品，由这些数据集衍生的一系列工具。
黄晓煌：目前能用到的其实还有影视、游戏、广告，很多赛道都用得上。
卫诗婕：最早 21 年联系你们的那波硅谷公司们，用完你的数据集，效果是具体是什么样？自己怎么发现数据集到底有什么用？
黄晓煌：后面他们产品发布了之后，我们能看见有一些是用我们提供的合成数据做出来的。
卫诗婕：你判断这件事情的商业价值有多大？
黄晓煌：第一个判断这东西有没有社会价值，能不能提高社会生产率，提高大家对生活的满意度。因为所谓的商业价值都是人琢磨出来的，有价值的东西一定有商业价值。不然就是因为过度竞争。当然可能也是受英伟达的创业理念的影响，原来做 CUDA 都说有价值。也不得不相信，因为没什么选择，如果 CPU 是未来，公司就没了。当时英特尔想把 GPU 做进 CPU 里，做成一个大芯片，如果那个是未来，那 GPU 就不用存在了。
卫诗婕：因为如果他不相信 GPU 的话，也不会有英伟达这家公司。但我觉得黄仁勋有很厉害的一点是他永远会去造未来。他每年画一些饼，看有没有跟随者。
黄晓煌：我觉得不是造，就像我前面说的，更多的是跟着风口。因为他的那些东西学术界已经提出来了，学术界提到的东西你是看不见的，但是商业公司提到的你才看得见。
卫诗婕：这个也是我想问的，今年 GTC 还蛮重篇幅的去讲物理 AI 。为什么是今年？
黄晓煌：因为学术界在 22 年， 23 年就热过了，大家看起来不错，才会到产业界去推。产业界才会联系各种媒体到处宣传，才会进入到公众视野。不看论文的话，就只能看到公众视野的东西，那都是落后两三年、三四年以上的。包括我们自己做商业决策，也是学这招，至少在学术界有一些突破。连学者都没搞定的事情，你自己就别瞎折腾了。
卫诗婕：今年我们能够看到群核在机器人狂潮当中有非常重要的角色，因为你是他们非常重要的数据提供商，地底下的这块数据宝矿终于让大家看到了价值。这件事情是你们从 25 年开始 highlight 的还是更早？
黄晓煌：18 年就在研究这个，23 年大概就知道能做什么了。
卫诗婕：这三个场景是 2023 年就选定的？电商、机器人，还有工业 4.0 。
黄晓煌：对，当时还不是机器人，更多的是设备的智能化，类似于扫地机器人。我们认为传统设备的智能化是大势所趋，但到底是什么形状不确定，你可以叫物理 AI ，或者设备的智能化。
卫诗婕：但坦率讲，如果是以前的那种传统的扫地机，它跟今天具身智能所面向市场的天花板比起来，肯定还是后者更高。
黄晓煌：那肯定，但扫地机器人只是这个大赛道的一个细分。所以你不能否定它，其实是机器人普及到千家万户的一个很好的典型案例。我们想要给所有类型的机器人公司提供服务。当时也在摸索，因为那个年代会训练大模型的机器人公司非常少，现在能训练的也很少，所以我们开源模型要把难度给降低，不然很难做。
卫诗婕：除了场景清晰了，还有哪些方面清晰了？
黄晓煌：技术方向也相对比较清晰了。目前用的是 VLM 架构的 SpatialLLM 。
卫诗婕：怎么确定用哪个框架？逻辑是什么？
黄晓煌：不断做实验，看哪一个效果好。这些模型目前都是不完美的，还有提升空间，但下一阶段会出现什么东西谁都无法预测，我们也在研究。
卫诗婕：你怎么确定空间智能这件事情通向哪个方向？
黄晓煌：首先大语言模型开启了一个新的大门，并不是说一定要去做 chatgpt 之类的东西。而是数据越多越智能，在大语言模型上我们看到了类似于 Transformer 这类的框架。中国有个天然的问题，就是算力被限制了，所以我们内部就没去做就图像大模型、 3D 大模型。数据没被限制，所以对于数据稀缺，但是算力没有那么稀缺的赛道，物理 AI 是我们觉得是有机会的，因为它的数据更难获取，算力要求反而没有那么夸张，所以我们当时战略上调整到这个方向。
那物理 AI 能做什么东西呢？首先我们内部确定一点是，我肯定不会二次创业，做一个跟我们原来完全没关系的东西。我们希望这个大模型出来之后，不仅可以拓展新业务，还可以赋能老业务，毕竟老业务是我们现金奶牛。物理 AI 有这个好处，老业务原来所有东西都需要物理参数、物理材质、信息，原来所有东西都要人工去做，现在训练大模型可以拆出来图片里的这些东西的物理参数。这对老业务的效率提升是非常巨大的。我们选这个赛道也是这个原因。
卫诗婕：你在选了新的赛道之后，原来的创新部队是足以 cover 新的这件事情吗？
黄晓煌：是需要有大量的新人才加入的，其实 22 年、 23 年是挺难的，招聘不容易。但是今年确实好招了。今年 C9 院校的简历大概比去年增长了 9 倍。海归的简历是去年的 20 倍。
卫诗婕： 2025 年之前，你们知道自己是六小龙吗？
黄晓煌：2025 年之前名字我都没听过。看媒体才知道。你也不知道后面会遇到什么事情，我们公司整体文化还是比较务实的，还是希望名气跟实力是在一个水平线上的。拉得太高容易被捧杀。
卫诗婕：大家现在都说空间智能是通往物理 AI 的关键， 2025 年是第一次登上大众的视野。我相信接下来物理 AI 热潮应该还会延续到 26 年，因为语言模型发展得相对比较成熟。但是物理 AI 缺数据，所以它其实还是进程当中，有点像几年前的语言模型。
黄晓煌：数据肯定是缺的，像算法、硬件、算力都有改进的空间，所以我觉得机会还是很大的。为什么 Jason 在 GTC 上也那么强调物理 AI ？很大因素是现在物理 AI 相当于大语言模型 2.0 阶段，有没有 2.0 我都不知道，因为它很多要跑在设备上，所以算力不像云端的大语言模型可以几千上万颗 GPU 连在一起。现在就是一个机器人，端侧的 GPU 完全不行，数据问题、算法问题大家都在研究，所以是有机会的。
卫诗婕：因为端侧算力有限，你们做了一个空间语言大模型， SpatialLLM ，它的底座是用的通义。
黄晓煌：我们训练了两个版本，一个千问的，一个 Llama 的。
卫诗婕：昨天有跟你们的首席科学家周老师聊，为什么选通义而不是 DeepSeek 。他讲到一个很关键的点是，因为端侧算力有限，所以其实跑不了太大的模型，DeepSeek 尺寸太大了。
黄晓煌：年初我让他们用 DeepSeek 去训练。搞了半天，说底模太大带不起来，给机器人用太大了，但我是希望 DeepSeek 能够发小一些的模型，在这上面训练。我也跟梁文峰说了。
卫诗婕：他说什么？
黄晓煌：哦呗。还能说什么（笑）。
卫诗婕：你觉得他们为什么不做参数小一点的模型？
黄晓煌：我感觉他们做这个意义不是特别大，因为他们肩负的任务更多的是突破前沿最高的点。
卫诗婕：李飞飞论文里把空间智能分成几个维度，你们好像也把空间智能分成了四个维度。
黄晓煌：对，李飞飞他分成三个，就是空间的理解、推理跟行为。我们加上了一个，因为看其他有的论文里有空间的生成。
卫诗婕：昨天在 Tech day 也看到你们其实现在这四个方向都是有对应的产品的。
黄晓煌： VLA 还没有。因为跟硬件绑定比较大，我暂时还没做硬件，目前 VLA 还没有办法跨硬件使用。那我训练它干嘛呢？
漫谈Light the Star
PART FIVE
工业4.0能不能反过来做，
为空间智能领域提供合成数据
卫诗婕：我们先从谷歌 Deepmind 发的 Genie3 开始说，你们跟 Genie 3 的本质区别是什么？
黄晓煌：按我的理解，他们大部分是基于视频来训练，我们是以三维加视频模型切入。我们的模型大小肯定跟他们没得比。只是做一个视频大模型的补充。
卫诗婕：你们是基于 3D 生成数据，其实就是过去做业务不断积累下来的。后来有其他的方式扩充这个数据集吗？
黄晓煌：我们在研究，内部有其他立项，通过一些其他手段收集更多数据。
卫诗婕：你们数据集目前就是聚焦在室内场景。
黄晓煌：目前是，但室内不光是家庭，有办公室、工厂。我们也在跟英伟达合作，英伟达更多的是提供一个引擎，卖更多的显卡，我们可以提供数据。
卫诗婕：给需要的企业训自己的模型，但他们那个好像说有 9, 000 万亿个 TOKEN 的训练，来自 2, 000 万小时的真人世界人类互动，我们怎么理解这些参数？
黄晓煌：首先 Cosmos 做的还是非常不错的，英伟达本身也是为了推动行业的发展，它更多的是给其他公司提供基础设施，或者一个 Demo 。
卫诗婕：像他这种参数的是不是目前为止群核肯定训不了？
黄晓煌：要训也能训，但是花这么大成本跟代价做，价值点在哪里？我们毕竟规模小很多， GPU 也没那么多。
卫诗婕：你们训的方式跟英伟达有什么区别吗？
黄晓煌：本质上没有太大区别，就是模型没那么大、 GPU 没那么多。
卫诗婕：相比刚才讲到的谷歌Deepmind ，英伟达其实是跟你们更接近，它是实际场景的 3D 数字孪生数据积攒而成。只是说参数量比群核大很多。李飞飞的 Worldlab，我看前几天他们的 demo 生成了，你有关注吗？
黄晓煌：我看了，李飞飞那个做的更接近于实验室的学术成果，不像 Nvidia 落地性那么强。
卫诗婕：我不太懂技术，但看了 Worldlab 的 Demo ，感觉像是一个国外先进游戏的画面。而你们在昨天的tech day 的演示，选了一个要拆除的照相馆，它是个真实场景，通过上传一张图片，你们的模型会围绕这张图片自动生成一个房间。 World lab 那个很像一个游戏世界，非常的虚拟。但是你们生成的这个空间很真实。
黄晓煌：对， World lab 是一个很伟大的、偏学术的公司。我个人猜测李飞飞成立这公司也是因为在学校里面获取 GPU 或者搞经费太难了。我看起来更多的是一个学术成果，没看出有什么商业化前景，可能是我认知有限。我们更希望做一些有技术前瞻性，又能够服务现实生活的，更贴近于商业化一些。
卫诗婕：腾讯的混元 3D 模型呢？
黄晓煌：他们主要室外的，而且也是你说的游戏风格，我估计他们主要是用在游戏上，有些游戏公司可能会要。
卫诗婕：所以在世界大厂当中，真正做空间采集的 3D 孪生数据来训模型的是只有英伟达吗？
黄晓煌：据我所知，其实各大厂也都在做，只不过数据占比怎么样？空间一致性所有公司都会关心的，只不过他们最终的技术方向怎么定我不知道，但是肯定都会一定程度上引入三维数据来做约束。
卫诗婕：现在你们在做的这个事情，看起来是各家大厂都在做的很重要的。
黄晓煌：也没有。我觉得目前各个大厂还是很小的团队在探索。不像大语言模型，是倾全公司之力在做的。
卫诗婕：所以你们不在红海，在蓝海。
黄晓煌：红海，我因为我被巨头打过呀。在你的视野范围内。找一个巨头做了没什么太大意义，又适合你做的东西。
卫诗婕：什么时候开始加大资源正式立项，要做一个群核的空间语言大模型？
黄晓煌：大概 2023 年，还是 2024 年，也没多长时间。
卫诗婕：具体在训的过程当中，比你们想象当中简单还是难？
黄晓煌：我们实际上在大语言模型出来之前就尝试做，但是我们之前想输出脚本非常困难。后面有人开源了才有条件做。所以说为什么开源比较好？因为你永远想不到别人用你这东西下一步干嘛。我们也是开源的受益者，所以应该积极拥抱。数据集 21 年就开始准备了，只不过那一波没试成功，没有别人开源的大语言模型之前，我们自己训的模型输出脚本总是不对。
卫诗婕：现在有三个概念，黄仁勋在今年 GTC 强调的物理 AI ，李飞飞去年强调的空间智能，还有最早 LeCun 提出的世界模型。这三个概念有什么关联性和差异吗？
黄晓煌：我个人觉得这三个观念的方向是很接近的，当然它各自强调的点也有一些区别。黄仁勋可能更强调的是跟物理世界的连接，飞飞更多的是在数字世界里对空间的理解。 LeCun 世界模型我感觉更多的是侧重在视频模型里面，要符合物理世界的客观规律。但是实际上都指向了同一个问题，现在的大模型有幻觉，或者它对世界的理解跟我们不太一样，所以我们需要一些新的模型来解决这个问题。
卫诗婕：你们的空间智能跟李飞飞的空间智能有区别吗？
黄晓煌：我们更多的是在已有业务的基础上做发展的，聚焦在以真实世界为基础的空间智能。我看李飞飞很多 demo ，有些是类似于游戏世界的，所以区别挺大。
卫诗婕：我对空间智能有一个自己的理解，觉得它是用来帮助 AI 或者智能体去理解物理世界的规律。能不能给大家解释一下，为什么空间智能是 AI 迈向物理世界的必经之路？
黄晓煌：因为现在的所有机器人，它的大脑肯定是数字。至少我们的技术没有办法离开电脑。所以不管做什么样的机器人，最终都得把所有的数据集中到数字世界里去做运算，之后以某一种方式返回到物理世界里去，所以数字世界是必不可少的。在数字世界里做运算的时候，物理世界的规律并不会出现在数字世界里。计算的东西要跟你推测的世界相吻合，才能够真正的干活，这个问题就是空间智能要解决的。
卫诗婕：你们是怎么构建这个空间智能的？
黄晓煌：先有了物理世界的约束，在这个基础上产生了大量的带有物理世界参数跟约束的数据，在这基础上再做训练。
卫诗婕：怎么理解物理世界的约束？
黄晓煌：这些东西是得出现在三维模型里面的，你在做训练的时候，是可以知道这些参数的。
卫诗婕：你们最早的 InteriorNet 数据集，其实就是在给房地产行业做家装渲染的过程当中，自然而形成的一个原始的数据集。
黄晓煌：做全屋定制、工业 4.0 的时候，形成了一个数据集。我们跟这些作者商量了，买了一些版权过来。
卫诗婕：您刚才讲的物理世界的约束指的是在服务的过程当中会做很多参数的界定。
黄晓煌：它里面需要很多参数，我们在做工业 4.0 的时候，得确保生产出来的所有东西是真实世界可以用的，所以我们做了一个仿真系统去模拟它生产出来之后的样子，确保它在物理世界里不要有 bug 。你可以理解成这两个步骤是反过来的，一开始我们先有了数字世界的东西。赋予了它各种的参数系数，然后我们去物理世界把它生产出来，得确保它生产出来的东西的参数跟系数，跟我们想要的是一致的。我们当时开源 InteriorNet 的时候就在想，这个事情有没有可能反过来做？我们就开源出来给大家实验。
卫诗婕：我刚才讲 21 年有公司再进一步找到你们。你本来就是开源的，为什么要找你呢？
黄晓煌：因为数据量还不够，一开始拿着这个数据训练了一阵子，发现效果挺好。后面要更多的数据量。
卫诗婕：所以当时我知道这个是你们的一个 side project，对吧？
黄晓煌：对，也不算边缘项目，是科研团队在做。没想过商业化，本来想发论文的。我们只是单纯的好奇工业 4.0 流程能不能反过来做。
卫诗婕：到了 21 年，其实初步验证了反过来是可行。很多团队会拿来训练 AI 、机器人。到了 23 年，这个雏形就更加清晰了。
黄晓煌：对，它可以反过来，并不代表可以获得所有的信息。 21 年的时候没有大模型，大家只是反过来做一些很粗浅的工作。还没有 scaling law 这个理念。23 年有了之后就可以训练的更智能，泛化性、理解力更强。
卫诗婕：现在空间智能是群核最大的战略，它有哪些要素组成？
黄晓煌：昨天发布会上也讲了空间智能，我们认为包括四个部分，空间的理解、空间的推理、空间的生成跟空间的行为。空间认知是空间理解的一部分。公司的战略上是觉得工具、数据跟大模型都是缺一不可的，它是一个飞轮。今天光有还不行，要由工具来产生数据，再由数据训练大模型，大模型是空间智能输出的核心，这个体系能够循环起来，才能最终产生空间智能。
卫诗婕：工具用来产生数据。这个怎么理解？
黄晓煌：用来训练大模型的数据不是凭空生成的，也没有办法从互联网上直接扒出来，总得有一些方式能够获取。
卫诗婕：这里可以展开讲一下。机器人的数据大概可以分为两种，一种是仿真合成的，一种是真实世界采集的，当然真实世界采集的很贵。所以我所知道做机器人大脑的公司，主要用的还是合成仿真。你们做了哪些工具，可以如何去生产这一些用于训练 AI 的数据呢？
黄晓煌：你刚才说的两种方式都需要工具。真实世界的这些东西，怎么进到数字世界里面变成数据，是由工具来完成的。
卫诗婕：你们现在的哪些产品是做数据的工具？
黄晓煌：酷家乐、棚拍。这种类型的都是工具。棚拍就是给一些实拍的产品做影棚，像电商，一个商品要卖到全世界各地，每一个国家有自己的影棚的风格。人不变，或者商品不变，整个环境发生变化。原来贴图的方式可以改变图片，但是场景改不了的。做视频之类的，空间智能的工具就可以发挥作用了。
卫诗婕：周老师讲了一个点，还蛮有意思的。你们现在肯定是有一个存量数据集，使得群核有先发优势。但是我想未来如果大家都意识到物理 AI 的重要性的话，大家也会重视数据的重要性，可能纷纷开始采集物理世界的数据或者生成，那优势就是有限的。
黄晓煌：所以我刚才提到了，我们公司是由工具、数据跟模型组成的，要有高效的工具去获取数据。不管是给人用的还是自动化的，得很高效，有更多的数据之后，可以训练大模型。然后用这个大模型让工具更加高效。它是一个循环。
卫诗婕：他还提到了一点，群核还挺希望能够尽快摆脱对存量数据的依赖。有很多种方式，可以让 AI 或者智能体自己去探索，过程当中会产生数据。这个数据集就会更庞大。而且可能会有意想不到的收获。
黄晓煌：是的，也在往这方向努力，所以我们也在做 spatialGen ，它自己能够生成数据。
卫诗婕：spatialGen 应该是一个空间生成模型，对不对？我们昨天看到的 Demo 是你上传一张图片，它就能自动生成一个跟这图片相关的空间。这个其实也就是生成数据的一个工具了。现在能被谁用起来？
黄晓煌：我们自己内部是用来给电商生成场景的。相信它的使用场景还会非常广泛的，所以开源大家都可以用。实际上我们跟视频生成公司是互补的关系，我们的模型可以保证空间的一致性。
卫诗婕：我觉得这个不叫互补，叫你能做到他们暂时还不能做到的一些事情。那就意味着你们面向一些应用场景的时候，有可能做他们无法做的商业化。
黄晓煌：对，但是他们的东西我们也没去做，比如说国内的一些首尾帧视频生成，我们也在调用。有一些不要求场景一致性很高的，比如说要做一个天马行空的内容，就是现在的视频模型更好。比如说做一个动漫故事，能把故事讲清楚就行了。它效率更高，算力成本更低一些。
卫诗婕：你是在暗示跟这些视频生成公司之间没有直接的竞争关系吗？
黄晓煌：我觉得未来应该不是竞争关系，而是合作关系。我们也调他们的模型。很多地方我们不用自己去重复造轮子，内部电商业务线就是把 spatialGen 作为其中一部分。但是外部有好的模型，比如可灵、混元，我们也在调用，反正是开放的。适合某一个场景，各自有的数据不一样，所以训练出来的能力也不一样，你让我们去做可灵这类型的产品大模型也不现实，所以互相调用呗。
卫诗婕：三维空间对于真实世界的价值到底是什么？
黄晓煌：真实世界是不可计算的，只有把它变到虚拟世界里，你才有办法处理它。
卫诗婕：我们在探索的许多前沿技术其实都是一个数字技术，但是把这个数字技术落到物理空间需要一个桥梁，那个镜像世界就是。你要先模拟出一个数字镜像世界，才能把两者嫁接起来。花了多久去了解机器人世界对于数据和空间智能的需求？
黄晓煌：基本每周都在谈潜在的需求方，各家的需求、进展也不太一样。
卫诗婕：机器人领域原来使用仿真数据，其实是有一个 sim-to-real gap 。因为仿真数据是一些纯生成的数字数据，这么训是 work 的。但是把它放到真实世界里面之后会出问题。
黄晓煌：对。这个 gap 就是训练方法的问题，我们也叫泛化性的问题。我们很强调泛化性训练 sim-to-real 的时候，还是得混入一些真实的数据去训练的，否则一定有 gap 。
卫诗婕：用上这些数字数据是完全没有问题的。
黄晓煌：肯定是没有问题的，你可以让这些底模或者整个模型的数据量更大，但是得用多种来源的数据一起训练机器人才有焕发性。为什么有些人在虚拟世界里训练出来的模型在现实世界里没法用？那是因为数据集里面根本就没有现实世界的数据。
卫诗婕：听说你们好像跟几乎所有具身智能行业的大脑公司都有合作。他们会跟你反馈使用数据的一些真实的效果。怎么判断你的数据的使用效果呢？
黄晓煌：主要看他会不会持续地采购更多的数据，所以我们还是需要得到合作伙伴的真实反馈，这样可以更好优化这个体系。因为现在这个行业大家也都在摸索，但我觉得这其实好事，反而是个机会。
卫诗婕：刚才我们有聊到空间语言大模型 SpatialLLM、空间生成大模型 spatialGen ，还有一个构成是你们的 SpatialVerse，它是一个平台，会给具身智能业务做一些服务。一句话解释这个 SpatialVerse 它是做什么的？
黄晓煌：为空间智能领域提供合成数据。
卫诗婕：里面其实会包含 SpatialGen 生成的数据。这一块收入利润好吗？
黄晓煌：说实话，做机器人的公司都收入一般。Spatialverse 的团队是服务我们内部的模型团队的，这几年需求多了之后，把它抽出来作为一个独立的业务。我们花了很多资源跟研发，建了数据合成的基础设施，只给自己用太浪费了。很多也开源出来了，剩下提供对外提供服务。
卫诗婕：据我了解，不是只服务具身业务的，还有 AIGC 和 VR 、AR，对吗？快手、可灵，类似于这样的公司，也有可能会采集到这个服务。
黄晓煌：对，Google 跟我们合作之后，它在发的论文里也感谢了 SpatialVerse ，很多都有合作，只不过都没签 NDA 。
卫诗婕：那 VR 、AR 是不是也可以理解为几乎整个行业都有机会跟你合作的？这三块就已经够大的了。
黄晓煌：其实绝对数量也不多，因为老的业务服务了将近 5 万个客户，现在任何一个行业有 1, 000 个客户就不错了，所以我们还希望它更通用一些。
卫诗婕：刚才其实讲到了你们最主要的三大产品，这三个是构成了大的空间智能战略吗？
黄晓煌：对。 SpatialLLM 、 SpatialGen 相当于在这个品牌下面的一个模块。
卫诗婕：SpatialVerse 跟酷家乐是平行的业务线，你会花更多时间在哪里？
黄晓煌：总体时间更多的可能还是酷家乐。
卫诗婕：把这些空间大模型开源的时候，有做什么心理斗争吗？
黄晓煌：其实以前还是有蛮多斗争的。后面 DeepSeek 成功了之后给大家一个很好的示范。
漫谈Light the Star
PART SIX
从信息时代到智能时代
留有余量，不打光弹药
卫诗婕：你们开源之后，很快登顶了 hugging face 的第三名，仅次于千问和 DeepSeek 。现在应该也有很多人在使用这个大模型，有什么效果或者意想不到的收获吗？
黄晓煌：直接商业收益肯定暂时没有。
卫诗婕：群核还缺人吗？
黄晓煌：还是缺。我们现在侧重的是聪明，学习能力强，动手能力强的。
卫诗婕：怎么确定 AI 时代群核要抓住的是什么？
黄晓煌：我脑海里其实最关键还是人才，是所有一切的基础。其次，还是得把战略体系梳理清楚。
卫诗婕：AI 时代来了之后， knowhow 都被打破了，以后还会需要这种对行业有经验的人吗？
黄晓煌：两极分化非常严重。举个例子，比如说招一些大客户代表，原来都要有行业经验的人，而且越丰富越好。现在这些非常有经验的人还是很吃香，但是对于有一些经验，但又不是特别精通，用 DeepSeek 搜一下又能够搜出来的，这种是影响比较大的。
卫诗婕：你们前几年就想做这几件事情，但没干出来，是因为人才密度不够吗？
黄晓煌：少数的几个专家去做更重要的事情了。
卫诗婕：今年做出来是因为人才补充上来了吗？所以今年对你们来说真的是至关重要的一年。
黄晓煌：今年公司知名度提升了之后，很多业务同事跟我说，赶紧多跑跑客户，收点钱。我想我最多的时间应该投入在招聘上，这几年苦恼比较多的都是人才的匮乏。今年实际上这个情况大为好转。
卫诗婕：所以 2025 是你刚刚开始大展身手的一年，是吗？
黄晓煌：我觉得我经历过好几个周期。实际上我们公司火过好几次。目前人才工作在我这边肯定是第一优先级的。
卫诗婕：能再详细地描述一下你们火过哪几次，留下了什么吗？
黄晓煌：我记得最早一次是酷家乐推出来之后， 13 年底、 14 年初。后面 17 、18 年做工业 4.0 那阵子也火过一波。 2021 年 Saas 特别火。
卫诗婕：Saas 跟你们有什么关系？
黄晓煌：酷家乐后面就改到 Saas 的商业模式，反正都是起起落落的，有的时候火了之后天天在见客户。但是最终我觉得公司能够形成长久竞争力的，首先是人才，然后是产品技术。反正我创业这么多年，现在看清了这个事情就是有风口。
卫诗婕：第一次见一个候选人，你会侧重于多看他的哪些方面？
黄晓煌：我不看他什么东西，扔一篇论文给他读一读，你给我讲一讲，讲完之后我觉得理解的差不多，给他出道题现场实现，但我不限制时间，出的题目都是开放式的，好的人可以把结果做的非常好，差的人可能啥都做不出来。
卫诗婕：解你的题目最长时间的候选人是多久啊？
黄晓煌：干到晚上一两点吧。我也陪着他。
卫诗婕：刚刚我们聊的那些围绕空间智能衍生出来的新的产品过程当中，是不是用 AI 把群核重新做一遍的过程？
黄晓煌：倒不是把群核重新做一遍，而是一个战略升级的过程。你可以理解从一个信息时代变成一个智能时代。
卫诗婕：在智能的 AI 时代，群核接下来会锁定的一个最主轴的中心就是做好 3D 空间的理解和计算和应用。你会像当年最初创办群核的时候那样，手里拿着一个技术，拼命的找利润最高的行业或者场景吗？
黄晓煌：我们一直的方法论就是拿着锤子找钉子。
卫诗婕：作为创始人你会怎么去学习一个新领域呢？
黄晓煌：看资料、看视频、看论文，另外是找相关的从业者交流学习，所有的信息都有可能是假的，所有认知都有可能是错的，只有做实验出来才有可能变正确。而且过去所有的正确的经验，今天也有可能变为错误的。
卫诗婕：你觉得群核可能因为什么而获得巨大的成功呢？
黄晓煌：当我们的技术能够用在所有行业，然后正好遇到一两个超级爆发的行业，那它就会上一个大的台阶。
卫诗婕：接下来哪个业务是最有可能碰到一个火的行业大爆发？
黄晓煌：空间智能用在机器人行业目前肯定是希望很大的。反正如果市场发生了变化，就及时调整，我相信这个技术是通用的。
卫诗婕：你会学习英伟达，像教主一样广结善缘，到处布局吗？
黄晓煌：我早些年其实不是特别喜欢，但是经历了这么多波，看到英伟达的成功之后，我也在改变我的观念。至少广结善缘，对所有人都很 nice ，经常倾听各种行业的声音，看大家的需求，不断的在挖掘新的机会点、增长点。但是他用的还是 GPU ，只是在想用他最核心的技术怎么更好地服务好这个行业，所以我觉得这个方法论是值得学习的。
卫诗婕：群核有可能会因为什么而遭遇一个巨大的失败吗？
黄晓煌：21 年， 22 年挺危险的。 21 年上半年觉得一切都是超预期的。疯狂招聘、增长也很快。突然咔嚓一下，房地产、疫情、资本市场等等所有事情全部堆起来。
卫诗婕：21 年初为什么会觉得一切都好？疫情已经开始了。
黄晓煌：对，但是当时可能全世界只有中国能够正常经营，经济进入一种非常亢奋期，业务异常的好。年底就开始急转弯了，当时要是再浪一点，估计就挂了。所以我们后面就定一个规则，公司尽快实现盈亏平衡。
卫诗婕：今天复盘的话，会觉得那个时候有什么决策失误吗？
黄晓煌：我后面发现所有公司，包括人生都会遇到起起落落，但是我觉得任何时候保留住足够的余量，不要打光弹药。我有很多朋友的公司就是在那一刻太浪了，打光弹药了，结果没熬过去。在好的时候一定要反复提醒自己不要太飘。我觉得最应该避免的就是在业务发展好的时候飘了，乱招聘，这时候最容易出问题。
漫谈Light the Star
PART SEVEN
Life is tough，
but we are tougher
卫诗婕：你的 MBTI 是什么？
黄晓煌：intj 。
卫诗婕：那你最欣赏的人是？
黄晓煌：我年轻的时候比较欣赏比尔盖茨。读计算机，觉得比尔盖茨基本上改变了整个计算机行业，做赛道布局或者做企业的核心精髓。越到后面我觉得他的整个行为值得学习，包括他用人，你会用一个应届毕业生做一个新业务的头吗？很难想象的。
卫诗婕：今天群核能做到让一个应届毕业生做项目的 leader 吗？
黄晓煌：难，我在尝试。
卫诗婕：让应届生来做项目 leader ，背后其实是这个企业的什么能力？
黄晓煌：用人的体系不拘一格。另外一方面企业有第一性原理。比如说 GPU 会替代 CPU ，第一性原理很多年也一直没变过。但是在用的行业一直在变。见到他一路起来之后，我觉得这个方法好用。
卫诗婕：今天其实聊了一些，对你的认知还停留在你是一个比较 nice 、 decent 的人，但是我很想知道你有什么深层次人格吗？
黄晓煌：这个我还没想过，比较 tough 。我们以前座右铭是“life is tough， but we are tougher（生活很艰难，但我们很坚强）.”
卫诗婕：向内的那个作用力会伤害自己吗？
黄晓煌：伤害自己倒不至于，就会觉得比较失落，但是我们也发现这种性格的缺陷就是容易死磕。所以我也经常跟合伙人说，有时候发现我在死磕的时候，一定要提醒一下。
卫诗婕：历史上哪些事情证明了是死磕？
黄晓煌：原来做房地产业务线的时候，当时觉得这可能是巨大的业务线，后面国家调整了。我这业务也就这点收入，不管怎么调整总是能做大的，还在那边死磕。
卫诗婕：如果推荐一本书的话，你会推荐哪本书？
黄晓煌：前阵子看了《 Breaking Twitter 》，从一个侧面，我很喜欢 Elon Musk 。从一个旁人的角度来怎么看这个人也挺有意思的。那更真实。自己写回忆录啥都好，过程中也有很多草台班子的行为。我觉得行动永远比不行动好，即使世界上最牛的 leader 都有搞砸的时候，但是无所谓，我们也尽量保持真实的一面。坚持了第一性原理，能够快速有所行动的人，过程中肯定难免有错误的。
（整理 ｜ 曹伊筠）
--End--
同期播客已经上线，欢迎前往小宇宙等平台收听
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
