以下文章來源于FounderPark，作者FounderPark
編者按：
本文轉(zhuǎn)載自“Founder Park”。近期，極客公園創(chuàng)始人張鵬與 Pika 創(chuàng)始人 Demi Guo 在硅谷進行了一次深度交流。在交流中，張鵬表示AGI時代做產(chǎn)品最大的一個變化就是引擎變得超級重要，這個引擎不僅現(xiàn)在要能用，還得能持續(xù)進化。
2023 年 11 月底，視頻生成產(chǎn)品 Pika 發(fā)布 1.0 版本，同時宣布了 5500 萬美元的融資消息。
近期，極客公園創(chuàng)始人張鵬與 Pika 創(chuàng)始人 Demi Guo 在硅谷進行了一次深度交流，期間談到了視頻生成的技術(shù)現(xiàn)狀，Demi 本人對 AI 產(chǎn)品、應(yīng)用創(chuàng)業(yè)的思考，Pika 團隊的優(yōu)勢和壁壘所在，以及她對 AI 初創(chuàng)團隊的組織思考等等。
以下是對談部分精華內(nèi)容，經(jīng) Founder Park 編輯。
01
視頻模型的穩(wěn)定性是當(dāng)下的關(guān)注重點
張鵬：23 年 6 月份我來硅谷的時候覺得硅谷 VC 對于生成式視頻好像沒有多大熱情，但是過了一個季度，大家好像都開始關(guān)注這事兒。
Demi：對，6 月那會我們打算融最后一輪的時候，很多人都不知道這方面是什么樣的情況。
張鵬：那你覺得是哪些因素，讓大家開始形成共識，讓很多頭部 VC 都開始關(guān)注這件事情？
Demi：我覺得有很多因素。一個是視頻生成的進步，另外的的確確有需求的因素在里面。之前我們剛開始的時候，有很多人對標(biāo)我們，然后整個行業(yè)也慢慢成熟。
之前可能很多人覺得這條賽道火不了，一些公司做出來后大家又發(fā)現(xiàn)還是有些希望的。
張鵬：確實，你們這幾個優(yōu)秀玩家的涌出拓寬了這條賽道。那你覺得目前生成式視頻目前技術(shù)核心的卡點在什么地方？
Demi：現(xiàn)在的卡點，從模型上說的話就是視頻模型的穩(wěn)定性、模型的高清程度、視頻長度以及內(nèi)容的意義等等這些。
張鵬：那這些問題要怎么去優(yōu)化？比如像語言模型會關(guān)注數(shù)據(jù)的問題，視頻模型要突破的話，核心也是在數(shù)據(jù)嗎？還是一些別的什么地方？
Demi：我覺得是比較綜合的事情，甚至可能比語言模型更難，因為視頻模型是一個更加 open 的東西。現(xiàn)在語言模型大家大概知道優(yōu)化的方向是 scale，那視頻模型除了 scale 的問題，還有數(shù)據(jù)的問題、模型結(jié)構(gòu)之類的問題。
張鵬：就是說視頻模型里的不確定性和 open 的程度比語言模型多得多？所以現(xiàn)在視頻模型的優(yōu)化大家也可能會選擇不同的創(chuàng)新方向，結(jié)構(gòu)或者架構(gòu)上的創(chuàng)新，而不是在一個確定性的方向上大力出奇跡。
Demi：現(xiàn)在我覺得很大的問題不僅是算力問題，更多可能是數(shù)據(jù)，或者說方法上的問題，現(xiàn)在一些方法本身就有瓶頸。比如現(xiàn)在有的生成方法就無法生成長一點的視頻，這是一個結(jié)構(gòu)問題。
張鵬：對，就看起來今天大家在應(yīng)用上的一些點，背后可能涉及到模型側(cè)得做一些新的調(diào)整。比如視頻長度的問題，運鏡角度的調(diào)整，以及審美風(fēng)格的多樣性，你比較關(guān)心的是哪幾個能力？
Demi：其實各方面我們都有關(guān)注，而且不同階段我們對問題關(guān)注的優(yōu)先程度也不一樣。我覺得現(xiàn)在視頻最大的問題是它的穩(wěn)定性問題，就是說如何讓每個人，不管學(xué)沒學(xué)過 prompt 工程的人都能一次性生成很棒的視頻，這是 first thing to achieve 的。
同時審美也是在我們的 top list 中的事情，我們搞數(shù)據(jù)的時候會有很多審美的元素在里面。至于時間長度這些，隨著模型的提高，都會有提高。
張鵬：所以從你的角度看，雖然各個維度都有一些點是可以修煉的，但最重要的還是像 ChatGPT 那樣，要達成一種每個人用完都想再接著用的效果，這是你們首要要達成的。
Demi：是的，核心點就是模型 improve quality，把 quality 提高后，很多問題也會迎刃而解。
張鵬：我們最近跟一些大模型領(lǐng)域的創(chuàng)業(yè)者聊，他們說現(xiàn)在大語言模型都是三個問題的疊加，一個是通用性，一個是穩(wěn)定性（質(zhì)量），還有一個是經(jīng)濟性，這三個東西擱在一起，在某個特定的場景中很好地 match，就能產(chǎn)生價值。但現(xiàn)在的問題是，這三個同時要做得很好，就比較難。
Demi：我覺得不全是。
張鵬：那你是怎樣想的？
Demi：我覺得通用性和質(zhì)量有些情況下可以是一致的，有些情況是不一致的，就是要看怎么去提高質(zhì)量。因為提高質(zhì)量有很多種方式，比如專門訓(xùn)練某一方面，前期提高質(zhì)量的東西。但還有一種方法是你把模型提高了，那所有都提高了。
張鵬：通用性最終覆蓋了模型的短期加強。
Demi：是的。因為通用性，整個模型的提高是一個更長期的事情。提高質(zhì)量，提高整個模型更加底層的東西的 話，很多時候都需要通用數(shù)據(jù)，這么多數(shù)據(jù)的訓(xùn)練從而提高了模型在更大領(lǐng)域的使用。
張鵬：小模型長期來看沒什么意義。
Demi：對，通用性是基石，這個底打的足夠厚足夠高，單個領(lǐng)域往上增加特定功能的時候上限才會更高。
02
手里要有自己的「引擎」
張鵬：剛才說的那個點我理解就是，要信 AGI，真正地信仰 AGI，相信它解放的是長期的終極能力。但從產(chǎn)品角度看確實有另一種方法，在今天這個節(jié)點把它湊成一種最合算，最有效率的方式，但隨著技術(shù)進步，這種方式的優(yōu)勢會脆弱得被馬上覆蓋掉。是不是可以這樣理解？
Demi：不同公司的目標(biāo)側(cè)重點會有所不同，OpenAI 就完全目標(biāo) AGI，而更多的產(chǎn)品公司，這種專門做一些垂直應(yīng)用的，更傾向于找到長期和短期目標(biāo)之間的平衡點。因為不可能說，因為一些短期的東西最終會被覆蓋掉就不做，也不可能只做長期的地基，因為這沒法賺錢。所以我們希望的是做一些特定領(lǐng)域質(zhì)量上提升花費比較小的一些東西，然后讓它 push 產(chǎn)品。產(chǎn)生價值的同時搭建自己的地基。
張鵬：理解，很多我聊過的創(chuàng)業(yè)者都認為如果沒有一個持續(xù)有足夠力量成長的引擎，在今天去 hold 一個當(dāng)下時代斷面/技術(shù)斷面的產(chǎn)品沒什么生命力，可能很快就會被覆蓋，這個是我認為這個時代做產(chǎn)品要考慮的一個基矗這跟互聯(lián)網(wǎng)時代那種因為沒什么可以持續(xù)演進的技術(shù)，誰占著一塊地就是一塊地，占一個用戶心智就是一個平臺的玩法完全不同。
AGI 時代做產(chǎn)品最大的一個變化就是引擎變得超級重要，這個引擎不僅現(xiàn)在要能用，還得能持續(xù)進化。
Demi：對，我個人的感覺是，只要手里有引擎，實在不行還可以退到產(chǎn)品，這是有引擎的 back-up 選擇。
張鵬：所以一上來就做非常短期的、在一瞬間好像最有競爭力的產(chǎn)品，反而可能是最脆弱的。
Demi：其實做產(chǎn)品的，一定會依賴大模型�，F(xiàn)在所謂的開源模型也不是真正的開源，它們只是開放權(quán)重，用戶沒有太多能力深度修改和調(diào)整。
如果有地基，你會有更多的產(chǎn)品。你對模型有更多的理解力和調(diào)控權(quán)力，你就可以通過改變模型適應(yīng)的產(chǎn)品改變模型能力。
張鵬：這就是生命力。現(xiàn)在技術(shù)處于一個漲潮期，不能用趕海的思維想著能撿到寶。因為它不斷地在往上運動，沒法刻舟求劍地做一個只是外加引擎的產(chǎn)品，這種過度強調(diào)外加應(yīng)用的公司壽命可能非常短。
我接觸過一些中國大模型創(chuàng)業(yè)者，在國內(nèi)還缺大模型的時候，就跳出來以做最好的國產(chǎn)模型為陣地，先保證拿到足夠多的錢。然后其實心里有個保持 18 個月生命力的安全線，一邊不斷把技術(shù)的水漲上去，同時不斷做比較輕的應(yīng)用嘗試。他們的邏輯是技術(shù)越成熟，做出的產(chǎn)品成功率越高。同時只要有模型作為「引擎」能力，永遠有機會在依靠模型不能繼續(xù)融錢的時候，去做可以變現(xiàn)的產(chǎn)品，而且那時候也比其他沒有「引擎」的應(yīng)用公司更有優(yōu)勢。
Demi：我覺得和他們比，我們其實更偏產(chǎn)品，而且我們覺得技術(shù)和產(chǎn)品是一樣重要的。
03
AI需要產(chǎn)品做好「留白」
張鵬：我還想了解一下，在生成視頻這么大一塊領(lǐng)域里，你們的產(chǎn)品是如何定義問題和功能邊界的？
Demi：分兩塊。一塊是技術(shù)層面，一塊是產(chǎn)品層面。
技術(shù)層面來說，基于大模型，一定會有擴展視頻這種應(yīng)用。產(chǎn)品層面來說，為什么會做這個選擇，實現(xiàn)這個功能，就是基于消費者產(chǎn)品 hard to predict 的特性，不斷去了解行業(yè)，獲得信息，多次嘗試，理解和感受用戶需求。
用戶使用產(chǎn)品，使用模版本身還是處于比較早的階段，我覺得我們沒有必要去定義這個產(chǎn)品，能做的就是通過用戶反饋慢慢思考探索。
張鵬：很有意思，為什么我要提這個呢，因為 2010 世代的互聯(lián)網(wǎng)產(chǎn)品經(jīng)理一上來就要精準(zhǔn)定義一個產(chǎn)品，他們會丈量技術(shù)實現(xiàn)能力，計算成本，然后聚焦到一個點。
而你剛才說的就是要留白，要釋放開來，讓用戶應(yīng)用的過程中留給我思考的空間。上一代的產(chǎn)品經(jīng)理是要把所有設(shè)計權(quán)把握在自己手中，讓用戶順著我的思路印證設(shè)計的合理性。這是兩條非常不同的思路。
Demi：我覺得還有很大一部分原因是 AI 本身，AI 是 enable 了一個新的產(chǎn)品，一個技術(shù)，一個成本，它能做很多事情，這和互聯(lián)網(wǎng)不一樣。
AI 主打一個模型能做很多事情，以前為什么說產(chǎn)品線一定要精準(zhǔn)，因為那個時候做三個功能，就有三份成本，但現(xiàn)在對我們來講，三份功能是一份成本，公開一個 feature 還是三個 feature，對我們來說不增加我們的技術(shù)和人力成本，只是讓用戶的實際使用體驗發(fā)生了變化，不同的引導(dǎo)用戶的方式。
就算我們做十個 feature，對我們來講沒有額外的成本，不需要提前去規(guī)劃。但是如果說我們今天要不要做一個 Avatar 或者音頻的功能，這個可能需要提前考慮，因為需要新的人力成本。如果只是說視頻是編輯還是生成，對我們來講是一樣的成本。
04
不需要立刻找到精準(zhǔn)需求，但要有產(chǎn)品預(yù)測
張鵬：所以基本上是這上面所有大家可用的功能，不管是在操控性上，還是在時間等維度上，本質(zhì)上都是因為你的模型能力可以覆蓋這些事，并沒有因為特定的 feature，而加入額外的人力，那樣其實不合算。
所以其實我們聊到了一個很重要的點：什么是 AGI 時代的產(chǎn)品思維？
我覺得這個思維可能跟移動互聯(lián)網(wǎng)時候有非常根本的變化，你得以技術(shù)為核心，而不是抱住一個需求。
Demi：我覺得現(xiàn)在很多人還沒有轉(zhuǎn)換思維，AGI 時代產(chǎn)品需求的精準(zhǔn)程度和以前是不一樣的。很多人會問我，我們產(chǎn)品的用戶是誰，用戶畫像是怎樣的，有什么樣的 use case，這些都還是互聯(lián)網(wǎng)時代的那種玩法。AI 主打的通用性，雖然還是需要預(yù)測一些需求輪廓，但內(nèi)部更精確的需求，它是可以由用戶來定義的。
未來 AGI 時代產(chǎn)品需求還是會有，但這個產(chǎn)品需求跟之前的精準(zhǔn)程度是不一樣的。以前是非常非常精準(zhǔn)，但現(xiàn)在的精準(zhǔn)是你要不要編輯，以及可能是你要給誰編輯，你要編輯哪個用戶的臺詞。
但我覺得 AI 時代，可能它的用戶群體和 use case 不像以前那么精準(zhǔn)的。因為 AI 主打通用性。如果今天要做視頻編輯的功能，也是需要有額外成本，需要去預(yù)測這個需求，但這個編輯的功能是可以服務(wù)各種各樣的用戶，這個精準(zhǔn)程度是不一樣的。
張鵬：我聽到更多探討，都是現(xiàn)在大家很焦慮急于找到今天可用的模型能力和明確的需求上，能不能好好對齊出一個能夠正向產(chǎn)生價值的服務(wù)。你為什么沒有這個焦慮？
Demi：我覺得我們跟傳統(tǒng)的產(chǎn)品公司很不一樣，很多時候我并沒有覺得我們需要那么快去找到產(chǎn)品的用戶群體和精準(zhǔn)需求，因為產(chǎn)品的一個交互界面，可以給很多人用。但我覺得我們跟很多大模型公司也不一樣，他們都覺得自己是 apply research lab，我們覺得還是需要預(yù)測產(chǎn)品需求的。
我覺得用戶界面設(shè)計是有價值的，但可能跟以前的需求不一樣，我們要做的是去發(fā)明新的用戶界面，能夠更加通用和好用。我不相信未來的視頻大模型，會是一個對話界面，但我又不相信未來的視頻大模型帶來的產(chǎn)品會是一個傳統(tǒng)的視頻編輯器，會有一個新的界面，但我不相信這個新的交互界面會是我們或者 Runway 的。
我們的交互界面只花了一個月時間，是基于 AI 功能性的，每一個按鈕代表 AI 能做的事，其實沒有很多設(shè)計的成分。當(dāng) AI 生成視頻足夠強大的時候，一定會有一個新的 interface，甚至?xí)ネ苿蛹夹g(shù)的發(fā)展。
張鵬：所以你本質(zhì)上是要改變創(chuàng)作的方式，落到對應(yīng)的產(chǎn)品，終極來講是改變交互。如果要這樣的話，確實需要對產(chǎn)品做預(yù)判，觀察用戶數(shù)據(jù)和習(xí)慣，全靠自己猜是猜不出來的。
Demi：我覺得產(chǎn)品分兩種，一種就是遵照用戶需求，按照 PMF 打造的產(chǎn)品。另一種是發(fā)明式的產(chǎn)品，就像 iPhone 一樣，我不是要解決某個需求某個點，而是我覺得未來產(chǎn)品應(yīng)該長什么樣，這也是我們真正想做的。
我們也需要有產(chǎn)品預(yù)判，只是這種思維方式不是傳統(tǒng)的 PMF，它需要一個全新的 interface。
05
審美也是交互界面的問題
張鵬：視頻產(chǎn)品需要非常強烈的審美元素，這件事怎么在模型中 work 的？審美的數(shù)據(jù)從哪來？在模型中如何成為優(yōu)勢？
Demi：我覺得這個分兩個階段，第一個階段就是 Midjourney 階段，這個階段是讓所有圖片都好看，它只能做一種風(fēng)格，但是通過改變數(shù)據(jù)就能定義他們想要的圖片審美。這是一種比較簡單粗暴提高的方法，核心點是模型能力還不夠強。
第二階段是說用這個模型真的能產(chǎn)出很多審美，這是我們在努力的方向，就是說我們不定義模型的審美，讓所有人都能定義自己視頻的審美。
張鵬：也就是說你們會認為未來終極的目標(biāo)應(yīng)該是用最簡單的方式制造符合不同用戶審美的審美。理解審美這件事本質(zhì)上還是在語言模型層面嗎？
Demi：不好說，文字在用文字定義審美的時候很重要。但對視頻這種非常視覺的東西，可能最終最準(zhǔn)確的不是用文字，而是其他一些東西，每個人的 visualization 是很不一樣的。
張鵬：所以不能拿語言去衡量，應(yīng)該增加一個（菜單）二級的反饋，有哪些風(fēng)格用戶選了哪個。所以審美可以用這種方式解決，不一定說非要寫在模型里。
Demi：對，審美更多還是交互的問題，我給你一些 reference 你來選擇，歸根到底是一種非常綜合的方式。
張鵬：未來視頻生成的速度可能更快，從成本到速度，能不能預(yù)言一下，未來 18 個月，1000 天，或者說一年半到三年的周期，可能是什么樣的？
Demi：我覺得很神奇的一點是成本和質(zhì)量、通用有矛盾，但是又不矛盾。成本永遠有提高的空間，但今天的瓶頸不在于成本，而在于質(zhì)量，質(zhì)量不好，成本再低也沒什么用。
張鵬：也就是說生成視頻的時間可以更快，但質(zhì)量問題更優(yōu)先。還是那句話，模型能力的上升是終極目標(biāo)，其他都不是關(guān)鍵問題。
Demi：我覺得成本在模型質(zhì)量到一定程度的時候才變得重要。如果今天視頻模型和圖片模型一樣好，那我可能就沒那么在乎成本。
06
保持隨時從模型切到應(yīng)用層的技術(shù)優(yōu)勢
張鵬：用一個比較舊的，不符合 AGI 時代產(chǎn)品的詞，你們是如何判斷你們產(chǎn)品的壁壘在哪里？
Demi：我覺得主要是有一些差異化的戰(zhàn)略，以及好的公司人才和組織架構(gòu)。
今天有個核心的預(yù)測判斷，是說未來是大模型時代，現(xiàn)在的所有問題比如說技術(shù)邏輯不夠成熟的情況下，外家功夫還是有用的。但未來這些技術(shù)的內(nèi)功一定都是在大模型上。
大模型才是最核心的優(yōu)勢。如果你沒有，如果是本身做過大模型的人，會更加容易去做改進，因為你更加懂大模型，有更強的技術(shù)團隊，更加有能力改變大模型，將大模型 adapt to your use case。不管說未來所有東西都要基于大模型，還是額外的算法對于做過大模型的 team 更有優(yōu)勢，我們認為未來還是要依賴會大模型的公司，實在不行我們可以變成應(yīng)用公司，那個時候別人可能已經(jīng)找到了所謂的 PMF，但我們有更強的技術(shù)可以做得更好。
張鵬：這種優(yōu)勢就是我能夠一直保持在一個更高的能量位，我隨時可以俯沖到應(yīng)用公司。但如果在今天誕生的時候，就是一個各種拼湊在今天看起來很好的應(yīng)用公司，其實很難轉(zhuǎn)為模型公司。
Demi：當(dāng)然，本質(zhì)上我們還是想做應(yīng)用，但應(yīng)該去制作 ROI 比較高、不用花很多成本的應(yīng)用。就是依靠模型能力為核心，盡量在不花更多成本和人力的情況下，去做最便宜、最大 ROI 的應(yīng)用。
其實這樣的應(yīng)用現(xiàn)在是 AI 應(yīng)用里最火的，不單單是視頻，圖片和文字領(lǐng)域都是類似的應(yīng)用。
張鵬：用戶在這個階段就是你能讓 ta 玩起來，ta 就很開心，而且不會特別在意是不是「相對高效」的解決了某個問題。ChatGPT 也沒有特別極致高效的解決某個特定問題，但為它 20 美金也就愿意付了。因為它能讓所有人一下子就覺得震驚和好玩。
這個時代還是要做有點少年氣的產(chǎn)品，因為成熟的產(chǎn)品得算清楚 ROI，算清楚怎么從用戶手里掏錢，少年氣的產(chǎn)品好玩就可以了，大家覺得開心、很酷就可以了。
Demi：是的，這個特定階段能做到這一點，對公司來講也是最好的，一方面可以主要把精力花在大模型上，同時應(yīng)用又是最容易掙錢的。
07
好的組織是要找到自己與眾不同的東西，找到自己的差異化
張鵬：你們現(xiàn)在多少人？
Demi：7、8 個人，和融資時候的 4 個人相比，也算是翻倍了。
張鵬：你們招人的標(biāo)準(zhǔn)是什么？
Demi：我發(fā)現(xiàn)招好的人比招很多人要重要的多。我們對招人的標(biāo)準(zhǔn)要求比較高，所以漲得比較慢。我們之所以這么快是因為我們所有的決策可以 on the fly to make it（即時執(zhí)行）。人多的話，很多人就會有不同的意見，每個人的 ownership 非常不清晰，就沒有吸引力。
張鵬：那你對組織構(gòu)建有什么理念？如何構(gòu)建一個能夠生生不息創(chuàng)造力的組織呢？
Demi：我覺得最重要的是學(xué)會不斷地去 differentiate（差異化），不斷找到自己與眾不同的東西，不管是制度/執(zhí)行/產(chǎn)品層面，都要找到 differentiate 且正確的事情去做。在組織上我們也在思考不 optmize for experience（經(jīng)驗），而 optmize for smart（聰慧）是否可能，不需要花費很高的人力成本招聘 senior 級別的人才，而只用一個最高最好的 scientist 帶隊，其余都用本科生級別的人才，用最低的成本達成最高的效率。
我們最近招的一些在校實習(xí)生，他們相對來說對工作抱有更高的熱忱，非常享受工作的過程，效率也非常高。
當(dāng)然本科生優(yōu)點明顯，但一些比較專業(yè)的 research 問題，可能還是需要一些更有經(jīng)驗的人去做。所以對我們來說，最好的架構(gòu)可能是有兩三個非常 senior 的 research scientist，再帶著一些有干勁的本科生研究生工作。
張鵬：那些簡歷非常好的人可能更適用于你們規(guī)模變大的階段，適合你們找到了找到了一些確定的東西，要開始放大、復(fù)制的時候。
Demi：不管怎樣，我的核心想法就是組織架構(gòu)也和產(chǎn)品一樣，要不斷迭代。我覺得現(xiàn)在需要的一個非常 adaptive（適應(yīng)能力強），非常高效，有什么機會能隨時準(zhǔn)備好出擊的團隊。
雖然說我們也在提高我們的壁壘，或者 differentiate 一些策略，但實話說這個時候還是要去競爭的，所以效率和速度依然很重要。
另外很多時候我覺得不是要多「爭」，更多是去要「競」，保持快迭代的能力。
就像 OpenAI 早期員工都沒有一些具體的經(jīng)驗，但因為他們必須相信非常獨特的愿景，才能做出非常獨特的事物。這時候經(jīng)驗反而就變得沒那么重要了。
張鵬：凡事都要能找到有經(jīng)驗的人，那就成了工程和效率問題了，可能反而會反創(chuàng)新。
Demi：對，創(chuàng)新不一定需要經(jīng)驗，經(jīng)驗有時候只會限制更大的創(chuàng)新。
