作者:交易門·春曉
閆安比約定的時間早到了幾分鐘。 見到我時, 他笑著站起來跟我握手。 他的冰咖啡已經喝了一大半。
2017年3月一個工作日上午10點, 香港IFC裡這家咖啡店已然滿座。 我們旁邊坐著膚色各異, 講不帶口音英語的型男型女。 他們穿著貼身西裝小背心, 頭髮用塑形膠整得棱角分明。
坐在我面前的閆安穿著休閒襯衫, 放鬆自然, 頭髮也無立體造型。 他氣質樸實, 卻跟周圍人群有種“和而不同”之感。
閆安在北京出生、長大。 他是1996年國際數學奧林匹克競賽(IMO)金牌得主。 閆安1997年保送北京大學數學系, 2000年本科畢業,
“我對自己學的東西, 特別是金融理論沒信心, 想去行業內看看到底在發生什麼。 ”他這樣解釋當初的動機。
閆安在高盛東京工作了一年。 他很快發現自己對金融業興趣不大, 但高盛宣導的“Long Term Greedy(長期貪婪)”理念引發他深思。
“我覺得(這說法)很有道理, 但Greedy(貪婪)最終的目的是什麼?我在高盛沒有找到。 我覺得他們的目的是把自己變成一堆錢。 但是把人變成一堆錢之後呢, 要做什麼?”
輾轉幾家國際金融機構, 從美國到東京到香港, 閆安找到了答案——人工智慧。
閆安認為, 人工智慧是未來社會的基礎設施, 對於世界的重要性,
閆安想, 如果自己能在人工智慧的任何一個方向取得突破, 比如數學定理證明、深度強化學習, 都會創造無法估量的價值:“這是讓我非常興奮的目標, 就是我們可以集體走進一個更高級的社會。 ”
就像一個彷徨許久的人終於在茫茫人海中發現真愛, 閆安就這麼找到了人工智慧。
至於怎麼推進人工智慧的研究, 閆安一開始並沒有清晰的線路。 他一門心思要去做研究、讀論文。 這個行業論文閱讀量巨大。 行業三大會議之一, ICLR(International Conference of Learning Representation)一次發500篇論文。 閆安一個人可能要花兩個月時間讀完。 剛讀完,
2016年12月的一天, 閆安靈光一動, 萌發了開公司的念頭。 “我一想, 這件事這麼好, 我要去促進這件事啊。 ”
當月, 公司在香港正式註冊, 閆安成為唯一的股東和董事。 他一邊做研究, 一邊開公司帳戶, 一邊琢磨公司融資、運作模式。
2017年2月, 閆安在北大香港校友會的春節聚餐上分享了自己對於人工智慧的思考。 3月, 閆安又前往香港英皇佐治五世學校跟中學生們做了一次講座。
普及AI領域的進展, 在閆安看來, 是自己“力所能及的主要公共服務”。
閆安3月在香港英皇佐治五世學校為中學生們做人工智慧的講座。 這是講座PPT截圖。
在另一條戰線上, 閆安積極地跟香港高校聯繫科研合作。 如果順利, 今年夏天, 韓國首爾國立大學和香港科技大學的兩組學生將加入閆安的AI研究小組。 這將部分緩解他的科研壓力。
“閆安雖然看上去很理想主義, 其實落地能力很強。 ”閆安的朋友王遠航告訴我。
這幾個月, 閆安像他研究的學習系統一樣, 一邊跟環境交互, 一邊學習、提高。
他關於公司的想法在演變。
目前閆安主要精力集中在三條主線:
一是人工智慧安全性的研究;
二是連續更新的Literature Review(由於文獻綜述工作量大, 他覺得最好是有個科學家團隊組織起來, 一人看一塊);
三是自動數學定理的證明。
“說不定六七年之後, 電腦就會解決數學中未解決的問題——例如哥德巴赫猜想(哥德巴赫猜想用現代數學語言可以陳述為:任一大於2的偶數, 都可表示成兩個素數之和) 。 可能出來的證明是幾百頁誰也看不懂的邏輯符號。 ”他說。
“招,一百萬起。”閆安說,“100個這樣的人就能組半個DeepMind了,年費一個億,這是多好的deal?加上各種overhead(運營費用),年費兩億。”
這時,群裡一位奧賽金牌朋友立即潑冷水:“建議教主多接觸一下現實生活。”
也許在外人看來,閆安對人工智慧的執著似乎有點“堂吉訶德”的味道。然而他對怎樣前進,其實心中已經有了清晰的路線圖。
閆安告訴我,人工智慧一旦成為社會的基礎設施,我們會生活在一個非常不一樣的世界。那個時候再來看現在的我們,會像我們現在去看工業革命之前的世界。
他說:“跟這件事比起來,其它事就不那麼重要了。”
閆安在香港海洋公園
對話
Q:你最早關注人工智慧是什麼時候?A:2013年,我發現出現了很多人工智慧的新聞,圖像識別領域出現了突破。2013年底,倫敦的一家公司DeepMind用電腦玩視頻遊戲取得了一些進展,2014年初它被穀歌收購。看到這些新聞後,我覺得這個領域很有意思,就去學一些相關的知識,像電腦,神經科學。一邊學,一邊看新的論文。
Q:作為一名研究者,你發現這個領域和其它學科最大的不同是什麼?
A:首先,這個領域的論文都比較公開。不像商學院、數學系,那些論文要發表之後很久,Review(被評審)之後過了一年才出來。這個領域的進展速度是我以前從沒有見過的。以前不管數學,還是金融,都是你要學很久才能到這個領域的前沿。然後你發現,到了前沿,大多數commonsensically(常識上)可以做的東西都被做的差不多了。只有一些很小的地方往前走一點,而要花很多時間才能真正理解別人在做什麼。
而這個領域很不一樣,就好像哥倫布發現新大陸一樣,你發現有好多可以做的東西。原因是這個領域之前經歷了一個長時間的寒冬。人們起先認為用神經網路的方式去做人工智慧是行不通的。因為之前一直缺少證據。全世界只有一小撮人在做。因為人不夠,所以這個領域發展受到了很大的阻礙,比別的領域緩慢很多。但這一次重新來過之後,你就發現你要用幾年的時間,把過去20年時間落下的進程補回來。只要你有一定基礎,你就可以馬上去接觸到前沿的東西。
今年4月24號即將召開一個行業頂級會議,ICLR(International Conference of Learning Representation), 去年11月份截止收論文。官網顯示來自全世界的作者交了490篇論文,其中選出可以口頭去講的是15篇,占到約3%。這15篇裡面,大部分都是穀歌、Facebook這種很大的實驗室出的。但還有一篇Single Author (單一作者)的文章,是個大三的學生寫的。
這是個很開放的領域。你不需要是一個積累了十幾年二十幾年的專家,在一個方向上突破一兩年,有一定積累,你就可以走到世界前沿。我可以作為一個不是內行的人,很快瞭解到前沿,很快看到前景是什麼。
Q:你怎樣理解人工智慧的前景?
我們沿這個方向走下去,可以把人類智慧做到機器裡面去,就可以很快規模化、放量。本質上講我們面對的是一個潛在的、未來智慧化的系統。像一個新的基礎設施一樣,把整個社會推到新的高度上。就好像我們現在這個社會很繁榮,很大程度上依賴于水電氣很方便供應給大家,有一個城市,大家可以在裡面很開心地生活。
你想,未來的基礎設施是什麼?就是可以把人的智慧實現出來。比如你想看電影,可能這個電腦跑幾個小時,一個新的電影出來了。不需要導演,演員去拍。你說你需要軟體,軟體也可以電腦自己來生成,你告訴它你需要什麼,然後它生成這些程式。這是個運算的過程。再比如說像Google這個網站,它有20億行代碼,2萬5000名工程師(根據2015年9月的Wired資料),每天有很多個更新,代碼不斷擴張。這個事情對人的價值很大的,本質上也是個計算的過程。在生活中把知識、常識轉換成代碼放進去。這件事本質上也可以數位化。
當我們有一個很好的基礎設施,可以自動地去生成這些東西的時候,那麼我們生活的社會是一個非常不一樣的社會。那個時候看我們,就好像我們看工業革命之前一樣。
所以看到這個前景之後,其它事情,跟這個比較起來,都不是那麼重要了。
Q:你的切入點在哪裡?
A:我最早的想法是,我就好好學,爭取自己寫一些論文,走在前面。慢慢我發現,這件事是不切實際的。比如ICLR一次發500篇論文,一個人想去把它讀下來?你都沒有時間把它讀完。等你花兩個月時間把它讀完,下一波論文又出來了。
這個領域像ICLR這樣的會議有三個。另外兩個,一個叫ICML(International Conference of Machine Learning),一個叫NIPS (Neural Information Processing System)。其中NIPS是最重要的,其次是ICML,其次才是ICLR。然後呢,每一個會議都會有一個deadline(截止日期),分別是11月,2月和5月。每到這個deadline,就會有大批論文出來。
所以這個領域,是每年前進三步。像剛剛結束的這個ICML的deadline,我有很多論文要看。光是DeepMind,這個月就發了至少7篇論文。進展非常快的話,你要往前線做研究。雖然前線很近,你如果知道哪個方向,可能一兩年就可以到那個方向——但你怎麼知道哪個方向,因為你有這麼多的方向在同時前進。
Q:所以你感覺需要一個團隊?
A:所以比較好的方法,是有個科學家團隊組織起來,每個人看一塊,通過互相的交流,對整個發展有一個全貌,再去實現這些論文上的具體的做法。因為很多論文不包括原始程式碼。寫好之後,有一個Expertise(專業權威),既知道之前發生什麼,又有自己的工程能力,這時候可以再往前突破,可以很有效率,走的方向也是對這個領域的前進產生效果。
像DeepMind,Google Brain這樣有一個團隊,是有很大的優勢的。所以如果我們要為這個領域做一些貢獻的話,至少也要有一個相當規模的團隊。
Q:你具體的線路圖是怎麼樣的?
A:我現在具體做的事有這麼幾條線:
因為一個人沒有很多時間寫代碼,我先做一些人工智慧安全性的研究。社會上很多人很重視:把人的智慧做到電腦裡面,會不會出現終結者、天網這樣的事?我想說,東西出來之後,相當於是一個很有智慧的基礎設施。比如說我們生活的環境,地球,作為一個系統,它是很有智慧的。我們在這個地球上誕生。但我們不會覺得它是個危險的環境。一個好的人工智慧,它是一個推著我們前進的相當自然的東西。不能把它想成一個有了超級能力的人,他會跟我們去搶資源,或者奴役我們。不是這樣。
如果自己能寫一些東西出來,能把人工智慧的公關問題解決,讓大家覺得這是一個很好的東西。
還有一條線:
我想寫一個連續更新的literature review(文獻綜述)。現在文獻更新速度太快。你一個人做不到能夠走到前線。我也在儘量找有興趣的人一起做。大家一起做review。有人去看memory,有人去看continual learning,有人看應用、圖像、影音,大家能拼成一個完整的圖。
具體的專案,我也在考慮去做自動數學定理的證明。這塊一個好處呢,就是,你看AlphaGo。如果你看圍棋的領域進展,你看電腦圍棋的水準,從一段,二段,三段,突然就10段。是一個爆發的過程。它是怎麼爆發的。本來下圍棋的系統是很成形的。就是你看到一個棋盤,猜下一步怎麼走,把所有線路模擬出來,看哪一個最好,怎麼下。這個事情不practical(實際),因為圍棋變化太多,你真的用電腦窮舉的話,計算能力不夠。所以AlphaGo做了件什麼事呢,它把這個窮舉這個過程,用神經網路來代替。
我不是去窮舉所有的做法,我是用神經網路去猜。200種做法,我只看20種做法,就知道怎麼走。他們是把人工智慧新的做法,放到一個已經成形的系統中去。我覺得類似的事情很可能在未來幾年內也發生在自動定理證明這個領域。
因為數學證明也是我們知道要證明什麼,也知道有哪些假設,然後像下棋那些用樹形搜索的方式。窮舉下一步要證的,本身也是沒有效率的。如果把人工智慧的方法做進去,感覺會有新的提高。說不定六七年之後,電腦就會解決數學中未解決的問題(例如哥德巴赫猜想)。可能出來的證明是幾百頁誰也看不懂的邏輯符號。這樣的話既是一個很好的實用項目,又是一個很好的理論項目。
實用上就是你在一個很好的方向上為社會做出了貢獻。你也可以推動更多數學家轉型做別的。他們都很聰明,可以去推動別的方向發展。理論上,你也可以進一步提升人工智慧本身的能力。因為數學證明還是比圍棋難得多的一個領域。
Q:AI的哪個方向最讓你興奮?
A:AI這個領域很大。對外行來講,細分一下,就是Deep Learning(深度學習)。再細分一點,叫Deep Reinforcement Learning(深度強化學習)。它跟Unsupervised Learning有很大的交叉。再往下面細分,就是構造一個好的學習的架構。這個架構的設計,會用到很多來自神經科學、或者認知科學等其他領域的啟發。把人的智慧構造,放到學習架構裡去,把這個學習架構放到相對複雜的系統,去提高學習架構的智慧。
這個系統可以像圍棋,也可以像遊戲,也可以是很多遊戲串起來。原則上講就是在不同系統中提高學習架構的智慧。這個是比較有前途的方向,也是我希望最終能發佈研究成果的方向之一。
Q:現在有不少做量化交易的團隊稱用了人工智慧技術進行交易,不知道你是否瞭解AI在這方面的應用?
A:很多人說用人工智慧,但是人工智慧是個很廣闊的領域,我很難判斷他們是否實質上在使用近兩三年的新成果。
Q: 你怎樣思考公司的商業模式?
A:所謂“商業模式”的主要目的,就是作為企業,有錢進來。先融資,請工程師,做個系統,賣給別人。這些人獲取了商品服務把錢給我。但如果我可以直接賣一些股權,把錢收回來,我可以節省這個流程。
你作為一個研發的機構,做了很好的專案,比如你解決了哥德巴赫猜想,其實你只需要賣一點點股權,就可以進來很多錢。不用再去走這個流程,賣東西再進來錢。這個對你的精力也是一種分散。
這件事情的價值是在最後,我們可以去建成一個好的、智慧的基礎設施的時候。價值是巨大的。你可以自動生成Google、Facebook的東西。如果20年能建成,你給它一個估值吧。Bill Gates曾經說誰要能突破Machine Learing,這個價值至少是10個Microsoft。你的精力應該放在增加實現這件事情的概率上,時間不應該去做商業上的應用,除非這個應用很好做。但沒必要找個團隊,去跟客戶溝通。我並不是從原則上反對商業化,如果商業化能促進這件事發展,我們也會做。
(我第二次跟閆安聊天時,閆安告訴我:如果你現在問我同樣的問題,我會回答公司不再考慮商業模式,而是以非營利的方式來運作,類似美國的 OpenAI )。
Q:你現在在尋找合夥人嗎?
A:合夥人、員工、投資者,都可以找。還是要看大家的興趣。
我沒有特別花精力找投資者。投資者一進來就是給錢,拿股權。一年見不到幾次。我不希望這樣的交互。我希望持股的人跟我有很多的時間一起做事情。理想情況是找到一起做事情的合夥人。有時間學習又沒財務壓力的人,不太好找。退而求其次,就是一邊發工資,一邊融資。
“招,一百萬起。”閆安說,“100個這樣的人就能組半個DeepMind了,年費一個億,這是多好的deal?加上各種overhead(運營費用),年費兩億。”
這時,群裡一位奧賽金牌朋友立即潑冷水:“建議教主多接觸一下現實生活。”
也許在外人看來,閆安對人工智慧的執著似乎有點“堂吉訶德”的味道。然而他對怎樣前進,其實心中已經有了清晰的路線圖。
閆安告訴我,人工智慧一旦成為社會的基礎設施,我們會生活在一個非常不一樣的世界。那個時候再來看現在的我們,會像我們現在去看工業革命之前的世界。
他說:“跟這件事比起來,其它事就不那麼重要了。”
閆安在香港海洋公園
對話
Q:你最早關注人工智慧是什麼時候?A:2013年,我發現出現了很多人工智慧的新聞,圖像識別領域出現了突破。2013年底,倫敦的一家公司DeepMind用電腦玩視頻遊戲取得了一些進展,2014年初它被穀歌收購。看到這些新聞後,我覺得這個領域很有意思,就去學一些相關的知識,像電腦,神經科學。一邊學,一邊看新的論文。
Q:作為一名研究者,你發現這個領域和其它學科最大的不同是什麼?
A:首先,這個領域的論文都比較公開。不像商學院、數學系,那些論文要發表之後很久,Review(被評審)之後過了一年才出來。這個領域的進展速度是我以前從沒有見過的。以前不管數學,還是金融,都是你要學很久才能到這個領域的前沿。然後你發現,到了前沿,大多數commonsensically(常識上)可以做的東西都被做的差不多了。只有一些很小的地方往前走一點,而要花很多時間才能真正理解別人在做什麼。
而這個領域很不一樣,就好像哥倫布發現新大陸一樣,你發現有好多可以做的東西。原因是這個領域之前經歷了一個長時間的寒冬。人們起先認為用神經網路的方式去做人工智慧是行不通的。因為之前一直缺少證據。全世界只有一小撮人在做。因為人不夠,所以這個領域發展受到了很大的阻礙,比別的領域緩慢很多。但這一次重新來過之後,你就發現你要用幾年的時間,把過去20年時間落下的進程補回來。只要你有一定基礎,你就可以馬上去接觸到前沿的東西。
今年4月24號即將召開一個行業頂級會議,ICLR(International Conference of Learning Representation), 去年11月份截止收論文。官網顯示來自全世界的作者交了490篇論文,其中選出可以口頭去講的是15篇,占到約3%。這15篇裡面,大部分都是穀歌、Facebook這種很大的實驗室出的。但還有一篇Single Author (單一作者)的文章,是個大三的學生寫的。
這是個很開放的領域。你不需要是一個積累了十幾年二十幾年的專家,在一個方向上突破一兩年,有一定積累,你就可以走到世界前沿。我可以作為一個不是內行的人,很快瞭解到前沿,很快看到前景是什麼。
Q:你怎樣理解人工智慧的前景?
我們沿這個方向走下去,可以把人類智慧做到機器裡面去,就可以很快規模化、放量。本質上講我們面對的是一個潛在的、未來智慧化的系統。像一個新的基礎設施一樣,把整個社會推到新的高度上。就好像我們現在這個社會很繁榮,很大程度上依賴于水電氣很方便供應給大家,有一個城市,大家可以在裡面很開心地生活。
你想,未來的基礎設施是什麼?就是可以把人的智慧實現出來。比如你想看電影,可能這個電腦跑幾個小時,一個新的電影出來了。不需要導演,演員去拍。你說你需要軟體,軟體也可以電腦自己來生成,你告訴它你需要什麼,然後它生成這些程式。這是個運算的過程。再比如說像Google這個網站,它有20億行代碼,2萬5000名工程師(根據2015年9月的Wired資料),每天有很多個更新,代碼不斷擴張。這個事情對人的價值很大的,本質上也是個計算的過程。在生活中把知識、常識轉換成代碼放進去。這件事本質上也可以數位化。
當我們有一個很好的基礎設施,可以自動地去生成這些東西的時候,那麼我們生活的社會是一個非常不一樣的社會。那個時候看我們,就好像我們看工業革命之前一樣。
所以看到這個前景之後,其它事情,跟這個比較起來,都不是那麼重要了。
Q:你的切入點在哪裡?
A:我最早的想法是,我就好好學,爭取自己寫一些論文,走在前面。慢慢我發現,這件事是不切實際的。比如ICLR一次發500篇論文,一個人想去把它讀下來?你都沒有時間把它讀完。等你花兩個月時間把它讀完,下一波論文又出來了。
這個領域像ICLR這樣的會議有三個。另外兩個,一個叫ICML(International Conference of Machine Learning),一個叫NIPS (Neural Information Processing System)。其中NIPS是最重要的,其次是ICML,其次才是ICLR。然後呢,每一個會議都會有一個deadline(截止日期),分別是11月,2月和5月。每到這個deadline,就會有大批論文出來。
所以這個領域,是每年前進三步。像剛剛結束的這個ICML的deadline,我有很多論文要看。光是DeepMind,這個月就發了至少7篇論文。進展非常快的話,你要往前線做研究。雖然前線很近,你如果知道哪個方向,可能一兩年就可以到那個方向——但你怎麼知道哪個方向,因為你有這麼多的方向在同時前進。
Q:所以你感覺需要一個團隊?
A:所以比較好的方法,是有個科學家團隊組織起來,每個人看一塊,通過互相的交流,對整個發展有一個全貌,再去實現這些論文上的具體的做法。因為很多論文不包括原始程式碼。寫好之後,有一個Expertise(專業權威),既知道之前發生什麼,又有自己的工程能力,這時候可以再往前突破,可以很有效率,走的方向也是對這個領域的前進產生效果。
像DeepMind,Google Brain這樣有一個團隊,是有很大的優勢的。所以如果我們要為這個領域做一些貢獻的話,至少也要有一個相當規模的團隊。
Q:你具體的線路圖是怎麼樣的?
A:我現在具體做的事有這麼幾條線:
因為一個人沒有很多時間寫代碼,我先做一些人工智慧安全性的研究。社會上很多人很重視:把人的智慧做到電腦裡面,會不會出現終結者、天網這樣的事?我想說,東西出來之後,相當於是一個很有智慧的基礎設施。比如說我們生活的環境,地球,作為一個系統,它是很有智慧的。我們在這個地球上誕生。但我們不會覺得它是個危險的環境。一個好的人工智慧,它是一個推著我們前進的相當自然的東西。不能把它想成一個有了超級能力的人,他會跟我們去搶資源,或者奴役我們。不是這樣。
如果自己能寫一些東西出來,能把人工智慧的公關問題解決,讓大家覺得這是一個很好的東西。
還有一條線:
我想寫一個連續更新的literature review(文獻綜述)。現在文獻更新速度太快。你一個人做不到能夠走到前線。我也在儘量找有興趣的人一起做。大家一起做review。有人去看memory,有人去看continual learning,有人看應用、圖像、影音,大家能拼成一個完整的圖。
具體的專案,我也在考慮去做自動數學定理的證明。這塊一個好處呢,就是,你看AlphaGo。如果你看圍棋的領域進展,你看電腦圍棋的水準,從一段,二段,三段,突然就10段。是一個爆發的過程。它是怎麼爆發的。本來下圍棋的系統是很成形的。就是你看到一個棋盤,猜下一步怎麼走,把所有線路模擬出來,看哪一個最好,怎麼下。這個事情不practical(實際),因為圍棋變化太多,你真的用電腦窮舉的話,計算能力不夠。所以AlphaGo做了件什麼事呢,它把這個窮舉這個過程,用神經網路來代替。
我不是去窮舉所有的做法,我是用神經網路去猜。200種做法,我只看20種做法,就知道怎麼走。他們是把人工智慧新的做法,放到一個已經成形的系統中去。我覺得類似的事情很可能在未來幾年內也發生在自動定理證明這個領域。
因為數學證明也是我們知道要證明什麼,也知道有哪些假設,然後像下棋那些用樹形搜索的方式。窮舉下一步要證的,本身也是沒有效率的。如果把人工智慧的方法做進去,感覺會有新的提高。說不定六七年之後,電腦就會解決數學中未解決的問題(例如哥德巴赫猜想)。可能出來的證明是幾百頁誰也看不懂的邏輯符號。這樣的話既是一個很好的實用項目,又是一個很好的理論項目。
實用上就是你在一個很好的方向上為社會做出了貢獻。你也可以推動更多數學家轉型做別的。他們都很聰明,可以去推動別的方向發展。理論上,你也可以進一步提升人工智慧本身的能力。因為數學證明還是比圍棋難得多的一個領域。
Q:AI的哪個方向最讓你興奮?
A:AI這個領域很大。對外行來講,細分一下,就是Deep Learning(深度學習)。再細分一點,叫Deep Reinforcement Learning(深度強化學習)。它跟Unsupervised Learning有很大的交叉。再往下面細分,就是構造一個好的學習的架構。這個架構的設計,會用到很多來自神經科學、或者認知科學等其他領域的啟發。把人的智慧構造,放到學習架構裡去,把這個學習架構放到相對複雜的系統,去提高學習架構的智慧。
這個系統可以像圍棋,也可以像遊戲,也可以是很多遊戲串起來。原則上講就是在不同系統中提高學習架構的智慧。這個是比較有前途的方向,也是我希望最終能發佈研究成果的方向之一。
Q:現在有不少做量化交易的團隊稱用了人工智慧技術進行交易,不知道你是否瞭解AI在這方面的應用?
A:很多人說用人工智慧,但是人工智慧是個很廣闊的領域,我很難判斷他們是否實質上在使用近兩三年的新成果。
Q: 你怎樣思考公司的商業模式?
A:所謂“商業模式”的主要目的,就是作為企業,有錢進來。先融資,請工程師,做個系統,賣給別人。這些人獲取了商品服務把錢給我。但如果我可以直接賣一些股權,把錢收回來,我可以節省這個流程。
你作為一個研發的機構,做了很好的專案,比如你解決了哥德巴赫猜想,其實你只需要賣一點點股權,就可以進來很多錢。不用再去走這個流程,賣東西再進來錢。這個對你的精力也是一種分散。
這件事情的價值是在最後,我們可以去建成一個好的、智慧的基礎設施的時候。價值是巨大的。你可以自動生成Google、Facebook的東西。如果20年能建成,你給它一個估值吧。Bill Gates曾經說誰要能突破Machine Learing,這個價值至少是10個Microsoft。你的精力應該放在增加實現這件事情的概率上,時間不應該去做商業上的應用,除非這個應用很好做。但沒必要找個團隊,去跟客戶溝通。我並不是從原則上反對商業化,如果商業化能促進這件事發展,我們也會做。
(我第二次跟閆安聊天時,閆安告訴我:如果你現在問我同樣的問題,我會回答公司不再考慮商業模式,而是以非營利的方式來運作,類似美國的 OpenAI )。
Q:你現在在尋找合夥人嗎?
A:合夥人、員工、投資者,都可以找。還是要看大家的興趣。
我沒有特別花精力找投資者。投資者一進來就是給錢,拿股權。一年見不到幾次。我不希望這樣的交互。我希望持股的人跟我有很多的時間一起做事情。理想情況是找到一起做事情的合夥人。有時間學習又沒財務壓力的人,不太好找。退而求其次,就是一邊發工資,一邊融資。