界面新聞?dòng)浾?| 伍洋宇

界面新聞編輯 | 劉方遠(yuǎn)

方漢曾經(jīng)不遠(yuǎn)千里飛往一座自己從未聽說過名字的小縣城，專程去“堵人”。作為昆侖萬維董事長兼CEO，這是他代表公司去競爭AI人才時(shí)必要的自覺。

他說自己從不會讓這些人來公司，都是自己“巴巴地”上門，找一家餐館或咖啡廳，一口氣跟人家聊上幾個(gè)小時(shí)。憑借這樣的方式，方漢成功為昆侖萬維吸引了一批技術(shù)人才，這些人構(gòu)成了Mureka和SkyReels的核心主創(chuàng)，這是昆侖萬維繼續(xù)參與下一個(gè)時(shí)代的兩張最大入場券。

2020年，移動(dòng)互聯(lián)網(wǎng)浪潮式微，昆侖萬維創(chuàng)始人周亞輝與方漢一起探討公司的第二增長曲線。在VR、元宇宙、Web3、AI這些方向之中，他們選擇了與互聯(lián)網(wǎng)最為相似的AI，因?yàn)樗鼘⑼瑯訉ζ胀ㄓ脩粲绊憳O大。

2023年4月，昆侖萬維正式發(fā)布大語言模型天工3.5，在“百模大戰(zhàn)”中占了一席之地。但很快，這家公司沒有選擇在文本模型上過度投入，轉(zhuǎn)而加速推進(jìn)音樂與視頻大模型的研發(fā)。

AI 2.0時(shí)代，昆侖萬維堅(jiān)信技術(shù)與產(chǎn)品的“雙輪驅(qū)動(dòng)”效應(yīng)。因此在音樂和視頻的AIGC領(lǐng)域，這家公司不僅打造產(chǎn)品，也將底模能力掌握在自己手中，并且對模型的SOTA（State-of-the-Art）表現(xiàn)具有執(zhí)念。在方漢看來，SOTA是模型最好的營銷方式之一。

2024年4月，昆侖萬維發(fā)布第一代音樂生成模型Mureka V1，并于8月上線AI音樂創(chuàng)作平臺Mureka。今年3月，公司再度發(fā)布Mureka O1與Mureka V6，其中Mureka O1為首款加入MusiCoT（Chain of Thought）的音樂推理大模型，性能超越了其全球范圍內(nèi)最強(qiáng)勁的對手Suno。方漢透露，這次迭代是受到DeepSeek-R1的啟發(fā)。

另一邊，公司在2024年8上線集成視頻大模型與3D大模型的AI短劇平臺SkyReels，又于今年2月開源面向AI短劇創(chuàng)作的視頻生成模型SkyReels-V1。

音樂和視頻，是昆侖萬維篩選出來最好的AIGC內(nèi)容賽道。“全世界有80億人可以消費(fèi)視頻，40億人能消費(fèi)音樂，但可能只有20億人能消費(fèi)漫畫，10億人能消費(fèi)小說。”方漢對界面新聞?dòng)浾弑硎尽?/p>

近日，昆侖萬維發(fā)布2024年財(cái)報(bào)，公司實(shí)現(xiàn)營業(yè)總收入56.6億元，同比增長15.2%。其中AI業(yè)務(wù)年化收入1.4億美元，以AI音樂為例，其年化流水收入ARR達(dá)到約1200萬美金（截止2025年3月底，月流水收入約100萬美金）；截至2月，SkyReels-V1在Hugging Face下載量接近3萬次，在Github點(diǎn)贊星數(shù)過千。

市值約370億元的“中廠”昆侖萬維，其長線命題是如何與大廠錯(cuò)位競爭。方漢認(rèn)為最樸素的邏輯還是扎進(jìn)一個(gè)細(xì)分行業(yè)，掌握行業(yè)中的數(shù)據(jù)和行為習(xí)慣并執(zhí)行到最好，直到外面的廠商根本搞不定。

“任何一個(gè)大而美的公司，在早期一定是小而美的，否則大廠會毫不留情去碾壓你。”方漢以字節(jié)跳動(dòng)、小紅書、B站為例，表示這些都是巨頭在早期沒有看懂未來會如何成長的“小而美”，等到巨頭察覺不對時(shí)，已經(jīng)很難與其正面競爭。

“所以小而美只是一個(gè)前期的競爭策略，最后能不能泛化才是你鳳凰涅槃的關(guān)鍵因素。”方漢說。

以下為界面新聞對方漢的采訪實(shí)錄，略作編輯：

音樂和短劇大模型要做世界第一

界面新聞：你們2023年4月就發(fā)了天工3.5大模型，在國內(nèi)算挺早的，甚至比一些“六小虎”還早。看起來你們完全可以用對標(biāo)OpenAI那一套給自己積攢更多名氣，但后來沒有這么做，為什么？

方漢：邏輯很簡單，我們在一個(gè)領(lǐng)域一定要做到SOTA才愿意大力投入。

文本大模型領(lǐng)域說實(shí)話實(shí)在是競爭過于激烈。但是在音樂大模型領(lǐng)域，我們從2020年就開始做，投入時(shí)間更長，這個(gè)領(lǐng)域競爭也沒有那么激烈，只要我們?nèi)σ愿埃湍茏龅絊OTA。

界面新聞：你們最近剛發(fā)的音樂推理大模型Mureka O1加入了CoT（思維鏈），這是受到DeepSeek的啟發(fā)嗎？

方漢：OpenAI o1出來之后，大家知道推理模型這個(gè)概念的大方向，但具體怎么做，所有人都在探索。我們自己出了一個(gè)文本推理模型Skywork R1，對思維鏈有了一定認(rèn)知，在DeepSeek R1出來之后認(rèn)知就更深了。

我們就在想，除了文本模型，在多模態(tài)生成上面R1的技術(shù)能不能有效。比如音樂大模型我們花了很多時(shí)間去探索和做實(shí)驗(yàn)，看能不能跟美國的Suno做碾壓式的競爭。

我們當(dāng)然也走了很多彎路，但實(shí)驗(yàn)結(jié)果出來之后，我覺得我可以毫不謙虛地說，Mureka O1是目前世界上最好的音樂生成模型。

界面新聞：有CoT和沒有CoT的音樂模型，它們在推理生成時(shí)的區(qū)別是什么？

方漢：首先肯定是生成質(zhì)量有大幅提高，但我們是用時(shí)間換質(zhì)量，也就是推理時(shí)長肯定會增加。原來的音樂模型可能不到一分鐘就能生成一首曲子，現(xiàn)在時(shí)間可能要兩分鐘。但對于用戶來說，他肯定更希望后者。

CoT技術(shù)可以大幅提高音樂模型生成質(zhì)量，這個(gè)之前沒有人證明過，我們證明了這一點(diǎn)。

界面新聞：為了證明這件事你們主要做了哪些投入？

方漢：在文本大模型上，Open AI最早做o1的時(shí)候雇了一批博士解數(shù)學(xué)題，做編程，然后得到一批好的數(shù)據(jù)。其他公司也有類似的方法，或者找一個(gè)更好的大模型給它生成數(shù)據(jù)。但音樂大模型完全沒有這種數(shù)據(jù)，所以我們還是花了一些成本和精力去做這樣一批好的CoT音樂數(shù)據(jù)，才能讓整個(gè)訓(xùn)練成立。

打個(gè)比方，一個(gè)模型生成了十首曲子，1首好的、7首中等的、2首不好的，那我們就把這一首好的曲子挑出來，再讓人工去把前序整個(gè)生成過程所需要的信號標(biāo)注出來。

音樂創(chuàng)作跟解數(shù)學(xué)題不太一樣，生產(chǎn)數(shù)據(jù)是一個(gè)蠻困難的事情，我們也是花了很多精力才知道在生成過程中有哪些信號，可以讓模型更好生成更高質(zhì)量的數(shù)據(jù)。

界面新聞：你們2月以來發(fā)了特別多模型，包括世界模型，面向工業(yè)界的多模態(tài)推理模型，視頻生成模型等等。為什么要發(fā)這么多模型？

方漢：我們公司的使命是要實(shí)現(xiàn)通用人工智能，讓每個(gè)人更好地塑造和表達(dá)自我。

這是分成兩句話，第一句話叫實(shí)現(xiàn)通用人工智能，所謂的AGI既包括文本大模型，也包括理解物理世界的大模型。在這方面我們一直在做探索，是偏實(shí)驗(yàn)性的，它可能沒有短期的商業(yè)價(jià)值，但是長期來看，我們?nèi)匀徽J(rèn)為非常有價(jià)值。

第二句是讓每個(gè)人更好地塑造和表達(dá)自我，這屬于AIGC。在這個(gè)領(lǐng)域我們非常明確有兩個(gè)模型，一個(gè)是Mureka，做音樂生成，一個(gè)是SkyReels，做視頻生成，更準(zhǔn)確地說是做短劇生產(chǎn)。

把這些全拆開之后，你會發(fā)現(xiàn)我們的整個(gè)商業(yè)模式就很清晰了。我們既要探索通用人工智能，也會在音樂和短劇的AIGC領(lǐng)域全力去拿到世界第一。

界面新聞：你們?yōu)槭裁磿@么強(qiáng)調(diào)短劇這個(gè)領(lǐng)域？像“即夢”和“可靈”，它們不會把自己限制在這樣小的范圍里。

方漢：短劇是我們最看好的一個(gè)市場，它正在急劇增長中，視頻生成也比較簡單。

做通用視頻模型就是試圖全線（指短視頻、短劇、網(wǎng)劇、電視劇、電影等）通吃。但通吃的結(jié)果是你得讓所有人都滿意。也就是說你必須做得非常全，非常強(qiáng)大。

但如果我們只做一個(gè)垂類，而且拍攝要求比較低，我可以在更短時(shí)間內(nèi)讓你滿意。短劇一般都是豎屏，幾個(gè)人的對話，沒有大場景，專門做短劇模型必然是更快的。我們的短劇模型支持40多種人物表演的表情，300多種動(dòng)作，通用模型這些數(shù)據(jù)是不如我的。并且我也認(rèn)為AI短劇模型最有可能最早商業(yè)化。

界面新聞：但大廠的通用視頻模型，它后期微調(diào)一下，可能很快就具備跟你們一樣的能力。

方漢：理論上是這樣，但是問題在于數(shù)據(jù)。就算它們來微調(diào)，那也得跟我們一樣去把所有人物表演的數(shù)據(jù)標(biāo)注出來。你要是做的跟我一樣，我肯定是認(rèn)輸了，但我辛辛苦苦做了這么長時(shí)間，而且還在持續(xù)不斷迭代，你怎么能保證你一定比我好？

我們跟大廠的區(qū)別就是，它們所有的數(shù)據(jù)質(zhì)量都要特別高，我們只要把一個(gè)領(lǐng)域的數(shù)據(jù)做到最好。這個(gè)數(shù)據(jù)我們不會對外公開，你也很難去快速復(fù)制。

數(shù)據(jù)護(hù)城河在視頻生成領(lǐng)域仍然是存在的。

“早期一定是小而美，否則大廠會毫不留情碾壓你”

界面新聞：現(xiàn)在所有大廠都在全力投入AI，你們要怎么跟大廠錯(cuò)位競爭？

方漢：我覺得其實(shí)也比較簡單，就是深耕一個(gè)行業(yè)，把這個(gè)行業(yè)的數(shù)據(jù)跟行為習(xí)慣全部做到最好，外面的廠商根本搞不定。

界面新聞：目前算力還會是一個(gè)瓶頸嗎？

方漢：現(xiàn)在云算力是越來越多，如果算力有問題，你支撐不起高昂的算力，只能證明你的商業(yè)模式和產(chǎn)品模式有問題。

界面新聞：除了數(shù)據(jù)和算力，人才方面要怎么去競爭？

方漢：首先是你的技術(shù)真的能夠達(dá)到排行榜上的SOTA（State-of-the-Art），你沒有SOTA的技術(shù)就拿不到最好的人。我們雖然是一家中型公司，但我們音樂大模型排第一，還有其他很多模型能夠在垂類領(lǐng)域拿到全球第一，這對人才是有吸引力的。而且在大公司并不是每個(gè)人都能當(dāng)頭的。

第二，我們相對來決策鏈條更短，就像創(chuàng)始人周亞輝也會直接跟技術(shù)溝通，技術(shù)得到的權(quán)限會更大。而且我們不會有大公司的部門競爭，這對很多人才來說也非常有吸引力。當(dāng)然根本上你也得有比大廠更有吸引力的薪酬。

界面新聞：有你特別費(fèi)勁才挖來的人嗎？

方漢：多了去了，我們曾經(jīng)為了挖人，飛到一個(gè)我之前都沒聽說過名字的小縣城去堵人家，或者在北京我上門去請人家吃飯。我們從來沒有讓人家到我們公司來面試，都是我巴巴地上門，找一個(gè)飯館、咖啡館，然后一口氣跟人家聊幾個(gè)小時(shí)。

因?yàn)槲艺f我們公司競爭力比大廠強(qiáng)，那是不可能的，但是我一定保證我的誠意比大廠強(qiáng)。

界面新聞：都是為了哪些崗位去競爭？

方漢：包括Mureka大模型的幾個(gè)核心主創(chuàng)，以及視頻模型的核心主創(chuàng)，都是我們競爭成功的。

界面新聞：周亞輝在投資筆記里說，你們要在社交、游戲、影視、動(dòng)漫、音樂這幾個(gè)領(lǐng)域做一個(gè)“小而大美”的企業(yè)，為什么你們不會說想趁著AI帶來的變革去搏一個(gè)大而美的機(jī)會？

方漢：任何一個(gè)“大而美”的公司，在早期一定是“小而美”的，否則大廠會毫不留情去碾壓你。

字節(jié)就是非常好的例子，張一鳴最早做今日頭條的時(shí)候，所有人都看不明白這能長成多大。B站最早也是一幫二次元從A站分化出來。小紅書也是這樣，一開始只是分享購物筆記的地方。

為什么它們能長大？就是因?yàn)樵谠缙谒幌胱鲂《溃缓笤谧詈诵牡倪@批用戶里鞏固自己的地位，同時(shí)大廠沒有興趣跟你競爭。

但是你在做小而美的時(shí)候，就要想到它有沒有可能泛化到大而美。我認(rèn)為B站小紅書和字節(jié)都是泛化到了更大，等它泛化的時(shí)候，大廠已經(jīng)完全沒辦法跟它正面競爭。

所以小而美只是一個(gè)前期的競爭策略，最后能不能泛化才是你鳳凰涅槃的關(guān)鍵因素。

界面新聞：你覺得在AIGC時(shí)代成為一家平臺型公司，比上一個(gè)時(shí)代更難還是更簡單？

方漢：上一個(gè)移動(dòng)互聯(lián)網(wǎng)時(shí)代更多是產(chǎn)品創(chuàng)新，通過燒大量的錢，迅速獲得海量的用戶，最后形成門檻。

但這個(gè)時(shí)代的技術(shù)競爭會更殘酷，也不完全是燒錢就能保持技術(shù)紅利的。因?yàn)橛脩舻闹艺\度還沒有那么高，必須是技術(shù)發(fā)展到瓶頸之后，大家才會靠產(chǎn)品使用習(xí)慣形成護(hù)城河。

所以準(zhǔn)確地說，肯定是這個(gè)時(shí)代成為一家平臺型公司更難。

“掙多少錢不重要，但能掙錢這件事情很重要”

界面新聞：今年大家好像開始更頻繁談?wù)揂I應(yīng)用公司的ARR（年度經(jīng)常性收入），動(dòng)輒數(shù)百萬、數(shù)千萬美金，在你看來，AIGC產(chǎn)品的PMF（Product-Market-Fit）現(xiàn)在已經(jīng)如此明確了嗎？

方漢：很多創(chuàng)業(yè)者，包括一些投資人，可能都會給大家畫餅，說我的PMF多么好。但實(shí)際上要從市場側(cè)來看，第一，它服務(wù)的市場有多大？第二，市場會花多少錢在這些工具上？

拿音樂來舉例，在沒有AI音樂生成之前，在中國做一首曲子，從找人作曲、作詞，再找樂隊(duì)演奏，找工作室混音，最后給你一盤帶子，最低成本是10萬塊，一般來說在10萬到100萬元之間。

現(xiàn)在一首歌的推理成本可能就幾十塊錢，這導(dǎo)致創(chuàng)作成本和創(chuàng)作門檻都大幅下降，那么整個(gè)行業(yè)都愿意為這個(gè)東西付費(fèi)。

所以AIGC行業(yè)應(yīng)該這樣看待PMF——整個(gè)行業(yè)現(xiàn)在每年消耗多少錢，以及你能幫他省多少錢。我認(rèn)為音樂生成和圖像生成已經(jīng)到了完全可以商用的地步，但視頻生成說實(shí)話還差一點(diǎn)，可能會稍晚1-2年。

界面新聞：Mureka可能長成一個(gè)多大的平臺？你之前說它可以是數(shù)字音樂工作站類似“剪映”一樣的平替，據(jù)說剪映和CapCut在2024年總收入接近百億人民幣，全球月活用戶有8億。

方漢：有一個(gè)比較簡單的對比方法，就是全世界圖像處理的軟件市場，以Adobe為例，可能是一個(gè)200億美金的市場規(guī)模。視頻處理的市場規(guī)模可能是個(gè)四五百億美金，剪映如果有20億美金就吃到了5%的市場規(guī)模。

音樂創(chuàng)作現(xiàn)在是一個(gè)將近30億美金到40億美金的市場，在這中間吃個(gè)2%，就是一個(gè)5000萬美金到1億美金的市場，這是最低的。

但也不能簡單這么說，因?yàn)橐魳穭?chuàng)作的門檻太高了，導(dǎo)致了整個(gè)音樂工作站、音樂制作工具的市場沒有那么大。但是當(dāng)我們這些新的創(chuàng)作工具介入之后，以后創(chuàng)作音樂的用戶規(guī)模一定會擴(kuò)大。

樂觀估計(jì)，AI音樂創(chuàng)作這個(gè)市場應(yīng)該是一個(gè)百億美金級別的市場。我們這種做工具的頭部廠商，我認(rèn)為它的上限是每年10億美金到20億美金收入。

界面新聞：對你們來說，Mureka和SkyReels這兩個(gè)平臺現(xiàn)階段就盈利這件事情重要嗎？還是說你允許它們現(xiàn)在不賺錢。

方漢：掙多少錢不重要，但能掙錢這件事情很重要。能掙錢證明用戶愿意為付錢，不然這個(gè)商業(yè)模式就不成立了。

但這里面也有一個(gè)技術(shù)紅利問題。就是當(dāng)你在這個(gè)領(lǐng)域技術(shù)指標(biāo)做到第一之后，會有大量自來水用戶。這批用戶對我們產(chǎn)品的改進(jìn)非常重要。

界面新聞：能掙錢這件事你們現(xiàn)在已經(jīng)驗(yàn)證了嗎？

方漢：肯定是驗(yàn)證了，我可以舉好多例子。用戶會把從我們這里做的音樂嵌到視頻里，或者直接把視頻發(fā)到平臺上去獲取廣告收入，這些例子會越來越多。

我只能說，AIGC領(lǐng)域的盈利模型好于文本大模型，ToB一定是比ToC更好，這個(gè)沒什么疑問。

界面新聞：拋開出海不談，國內(nèi)的ToB環(huán)境也是成熟的嗎？

方漢：我認(rèn)為也是成熟的。現(xiàn)在全國每年花100億人民幣拍短劇，這個(gè)市場需求是擺在那兒的，你只要能給他們降低成本，他們一定愿意掏錢。

界面新聞：你對整個(gè)AI行業(yè)局勢有什么新的判斷？

方漢：應(yīng)該說具備生產(chǎn)力的應(yīng)用開始正式進(jìn)場了。以前的產(chǎn)品模式跟商業(yè)模式都不太接地氣，現(xiàn)在新的產(chǎn)品模式和商業(yè)模式都在不斷涌現(xiàn)。

本質(zhì)原因是模型真正到了一個(gè)可用階段，這確實(shí)是一個(gè)挺難的事。

界面新聞：年初Manus爆火，現(xiàn)在很多大廠也紛紛跟進(jìn)了，你對通用Agent這個(gè)產(chǎn)品形態(tài)有什么看法？

方漢：我們不評判友商。不過我認(rèn)為在大模型時(shí)代，模型本身的改進(jìn)會把所有外部套殼產(chǎn)品的改進(jìn)碾得粉碎。

這是我們觀察到的現(xiàn)象，倒不光是Agent這一個(gè)領(lǐng)域，整個(gè)領(lǐng)域都是這樣。當(dāng)時(shí)這么多人去做GPTs，OpenAI稍微改了一下，整個(gè)行業(yè)就廢了。

所以模型本身的迭代，會把之前套殼和外部做應(yīng)用的一些廠商都弄得非常之難受。我覺得還是要專注于模型本身能力的提高。

界面新聞：所以你認(rèn)為Agent這件事里，更有話語權(quán)的依舊是模型廠商。

方漢：肯定是模型廠商更有話語權(quán)。Agent是大方向，這個(gè)沒有問題，但它嚴(yán)重依賴于底模能力，底模能力不行，你能干的事就少很多。

所以你首先得有一個(gè)特別好的底模，其次你沒有任何能力阻止這些大模型廠商不干你這個(gè)生意。

界面新聞：你們會自己去做一款A(yù)gent嗎？

方漢：我們會做這方面的探索跟科研，但并不是我們的主賽道。Agent的整個(gè)架構(gòu)其實(shí)挺復(fù)雜的，Antropic出了MCP協(xié)議，谷歌出了A2A協(xié)議，Agent現(xiàn)在還處于互聯(lián)網(wǎng)早期做TCP、UDP協(xié)議的時(shí)期。

但是千變?nèi)f化，大家最后還是要拿Agent來干活。就算當(dāng)初互聯(lián)網(wǎng)在醫(yī)療、金融領(lǐng)域落地，還是需要大量的系統(tǒng)集成廠商去做行業(yè)軟件。

我們對于某些行業(yè)還是有自己的一套研究和積累，比如我們原來的PPT生成和PDF生成，是國內(nèi)最好的產(chǎn)品之一。所以我覺得我們做Office Agent，是有可能受到用戶歡迎的。

界面新聞：周亞輝在他2025年第一篇投資筆記里寫，他在2021年就草擬過昆侖萬維的使命，是在2030年實(shí)現(xiàn)AGI。當(dāng)時(shí)為什么會有這么一個(gè)使命的探討？

方漢：我們其實(shí)是從2020年開始給公司找第二曲線，當(dāng)時(shí)選擇非常多，有VR，元宇宙，web3，AI，我們最后選了AI。

我們認(rèn)為從用戶角度來說，AI是一個(gè)更像互聯(lián)網(wǎng)的產(chǎn)品，比如說對普通用戶的影響會極大。只不過有兩個(gè)選擇，到底是通用人工智能還是AIGC？

這兩件事當(dāng)時(shí)并沒有明確的分界，但因?yàn)槲覀円恢弊鰞?nèi)容，所以非常清楚AIGC能夠長得多大。至于AGI，這個(gè)應(yīng)該說是人人都有夢想，你總得有夢想。