0
雷峰網(公眾號：雷峰網)訊 為甲方提供標準的產品，在使用過程中不斷迭代，如此循環往復，是軟件行業一種看起來可行的商業模式。但一項功能的迭代動輒兩三個月，隨著各種長尾的、定制化的需求不斷提出，代碼供給速度最終會成為飛輪上一把甩不掉的鎖。怎么砸開這把鎖，兩年前，這個問題成為了宿文的心病。
上世紀 80 年代，以提升代碼供給效率為目標的低代碼和零代碼概念出現，可以說自從有 IT 產業以來，就有了取代程序員的訴求。宿文不是第一個這么想的人，不同的是，這一次大模型來了。
人力是造成代碼供給效率、成本和質量不可能三角的源頭，但如果代之以算力，就有可能兼顧多快好省?！拔覀兊慕K極目標，就是在二進制的世界里做代碼供給。"宿文稱。大模型讓他看到了 Autopilot 的希望，決定把這件上一代沒完成的歷史使命，接到 AIGCode 的手中。
產品之下，潛藏著宿文對于商業和技術閉環的思考。Coding 有著相對短平快的商業閉環，代碼數據又是高質量的訓練樣本，在 Coding 的場景下訓練自己的大模型，走向 AGI，然后讓用戶像 3D 打印那樣隨用隨取自己的 Personal App，這個故事讓他嚇走了不少投資人。
宿文相信 Autocoding 就是 AGI。
這家成立于 2024 年的公司，已經訓練出了一個 33B 的基礎模型，并基于該模型提供 AI Coding 產品。2024 年 7 月 5 日，其自訓練的錫月大模型正式發布。同年 11 月，AIGCode 開啟了全球代碼生成領域首個 LLM-native "autopilot" 自動編程產品 AutoCoder 的內測，該產品旨在幫助產品經理在零代碼條件下實現創意。
要自己去做大模型的預訓練，他也必然面臨這些問題：技術上能否實現？訓練成本怎么解決？以及最重要的，會不會被 ChatGPT 這樣的通用大模型碾壓？
宿文的回答很直接，也很誠懇。他不是什么產品天才，但是他堅信，AI 時代產品的迭代不再是簡單地改變一下 UI 和功能，AI 產品最終比拼的還是誰的“大腦”更聰明。
以下是 AI 科技評論與宿文的對話全文，為方便閱讀，進行了不改變原意的文字調整。
Coding 就是實現 AGI 的最佳場景
AI 科技評論：你之前做過程序員嗎？為什么想要做 AI Coding 類型的產品？
宿文：我沒有做過程序員，但是我工科背景出身，學的就是工業信息化，在清華讀到博士，畢業后我在華創資本做了三年投資人，之后獨立創業，做了一家 SaaS 公司，幫助制造業企業實現數字化轉型。
想做 AI Coding 類型的產品，起因是我在上一家公司的時候，發現了一個很難解的現象。作為一家 2B 的公司，我們為甲方工廠提供了很標準的 SaaS 產品，我們的原意是，他們可以在標準產品的基礎上去做迭代和場景化適配。但在實際工作過程中，我發現，這是個一廂情愿的想法。
B 端的工廠也好，公司也好，他們有個性化的、長尾的、定制的、不斷迭代的需求，我們就要給他們不斷地提供售后服務，他們提出一個功能的需求，改幾周算少的，兩三個月都很正常，那改還是不改？不改，你失去這個客戶了，改了，你花的時間成本、人力成本怎么算？怎么在成本壓力下保證代碼質量？
那時我就在想，有什么樣的辦法讓產品迭代變得又快又好？之前很難，大模型出現之后，我覺得，AI才是解決代碼供給不足最好的辦法。
AI 科技評論：創業的想法是什么時候有的？
宿文：23 年 7 月份開始有這個想法，開始和別人討論，10 月份這個想法大體上就定型了。24年1月底我與我們的 CTO 共同創辦了 AIGCode。那幾個月我想清楚了，我們這次要做的事情，本質就是找一個場景去做大模型。
AI科技評論：我一直以為，AIGCode 是一家 AI Coding 的公司。難道你們是一家大模型公司嗎？
宿文：我們的確是一家 AI Coding 的公司，做大模型是我們的最終追求。
首先是在這次創業的思考中，我的第一個落足點在于，什么樣的場景可以通往 AGI。在我看來，陪伴聊天一定不是，聊天的語料數據，基本上對于提升模型智力沒有幫助。那個場景能沉淀下來啥？
我也考察過其他的場景，法律、稅務、游戲、營銷，那個時間點上，大模型太熱了，各個行業都要垂直大模型，我們看到的是，不論是行業語料也好，還是成熟度也好，都遠遠達不到我內心中對于實現 AGI 的條件。你要知道，那時候還在 16 個月之前，當時的產品成熟度比現在差多了，國內用戶是很難接受的，商業上根本無法閉環。
最后我們回歸到代碼上。從技術上來說，代碼是一個高質量的樣本，也是最主要的核算數據，從商業上來說，它也能實現短平快的閉環。程序員的優點是不罵街。Cursor 為什么能起來？程序員可能覺得現在的補齊率很低、采納率很低，但是他們還是會用，這就會形成一個比較健康的商業模式。
所以我們選擇了代碼，通過代碼來做大模型。但是我們現在并不追求泛化能力，那是后半程才會去做的事情。
AI 科技評論：國外的 Coding 公司里你最喜歡哪家？
宿文：Cursor，他們對整個賽道的布局和判斷基本上跟大模型是同步的。Cursor 不是跟隨者，在判斷有 GitHub Copilot 的情況下，既能堅定地先改一套 IDE，還有自己的創新點，并且迭代速度快到能在大廠的車輪前搶錢，隨后又很快地意識到沒有自己的模型不行，開始碰模型這件事兒。我覺得 Cursor 在代碼補齊這個賽道上目前的思路還挺清晰的。
AI 科技評論：你們創業有受到 Cursor 的影響嗎？
宿文：有研究和參考，Cursor 給我們最重要的一個啟示，就是不要做他們那個方向。
原因很簡單，首先 Cursor 服務于程序員，這就不是一個特別好服務的用戶群體。其次程序員一定會選擇全球最好的一款 Copilot 類產品，我們跟在 Cursor 后面，一定是晚的。另外更關鍵的問題是，Copilot 類產品最終要跟 IDE 打交道，未來怎么跟生態位上最大的公司微軟 PK，我一直沒想明白。我覺得初創公司與其解決這個問題，不如自己訓練大模型。
Poolside 和 Magic 兩家公司在沒有發布任何產品的情況下，估值就達到了 30 億美金。Cursor 現在有很漂亮的 ARR 收入，但是之前估值都比 Poolside 低，一個很重要的原因就是它沒模型。硅谷的定價邏輯是為技術壁壘付費，做模型的公司估值就高。但話說回來，大模型這個事本身有壁壘，你做的有沒有壁壘是另外一回事?！?/p>
復刻一個代碼補齊的產品，從生態到技術上都不太對。我們走的是一條更激進，或者說終結的道路。我們不做 Copilot，做 Autopilot。
AI 科技評論：不做 Copilot，做 Autopilot，這是有什么原因嗎？
宿文：Autopilot 其實應該說是幾代人的夢想了。上世紀 80 年代 IT 產業爆發的時候，就有了低代碼和零代碼概念，因為程序員貴，寫代碼慢啊。可以說是自從有了程序員，我們就想把“程序員”這個職業給干掉。那一代沒有把代碼供給的歷史使命完成，我們可以用大模型繼續做這件事。
只要有人參與到寫代碼的事情中，就不可能做到多快好省。只有完全交給模型和算力，才能實現我們的終極目標：在二進制的世界里做代碼供給。
AI 科技評論：既然已經有了終極目標，那你們的短期、中期和長期目標分別是什么？
宿文：短期目標以今年年底為節點，從流量和收入層面，驗證這個“端到端的、能夠替代掉程序員的”產品的 PMF。Coding 的好處是沒有任何法規卡點，可以直接通過商業化進行迭代。我們的產品四月就要上線了，但最初兩個月的目標會是尋找死忠用戶迭代產品，從今年 Q3 開始，商業化數據才會成為運營團隊的 OKR。
中期目標是打通軟件的生態。軟件已經是存量市場，眾多軟件沉淀下來的數據要供 Agent 調用，Agent 的底層是代碼供給，而大模型第一天生成出來的東西就是代碼。有時候大家在想大模型的 OS 是什么，其實就是能提供一整個生態的東西，這里的橋接點應該是一個有全鏈路能力的代碼生成。
長期目標是實現 AGI。我認為以任何形式，能夠徹底實現 Autocoding 的，就是 AGI。
短期先活下去，中期從今年年底開始算，用兩年左右的時間把生態位打通，再往后可能需要三五年的時間實現 AGI。
直接干 L5，做一件反共識的事情
AI 科技評論：現在的產品思路是什么時候確定的？
宿文：產品思路從創業第一天就是確定的，我現在還能翻出 23 年 11 月做的大紅色 PPT。只是在操作的過程中，我們試探過很多產品形態和技術方案，中間砍掉了很多不合理的版本。
我們內部大概去年七八月份也做出了類似于 Lovable 的產品，認為它完全基于模型的能力，在這一點上我們比不過。如果當時停下來做補齊類產品的運營和迭代，這就完全變成了算 ROI 的生意，身后始終有一個東西追趕，會是很難受的狀態。另外從整個工程來說，它靠大模型從頭到尾寫源代碼，是沒有任何工程的，解決不了問題。所有這些都在說，補齊類產品不是一件 AIGCode 應該做的事。
AI 科技評論：這個產品是第幾個版本了？
宿文：第三個。其實目前還有兩個方案在并行。因為團隊成員都有自己的想法，而且都是沒見過的方案，沒到最后是驗證不出來的。兩個方案首先都要保證端到端，都是完整的 Autopilot 產品，剩下就是比拼靈活性，能不能實現各種復雜的問題。
這兩個方案有很多可以共存的部分，需求人群的定位也比較趨同，但核心區別是底層架構的引擎。我感覺有點像是在設計一個預制菜工廠，要賣的食物到底是蔥花級別的，還是我把所有東西都做好裝袋子里，用開水熱一下就能吃，現在不知道什么方案的效率最高。架構是推演不出來的，或者推演出來最完美的那個架構實現成本太高。
AI 科技評論：那大廠會不會也去做 Autocoding？
宿文：會想，但能不能實現是另外一回事。Autocoding 產品跟模型緊耦合，模型要做很多優化才能實現，但大廠的模型團隊背的是補齊率，而不是這個 autopilot 產品優化所需要的稀疏樣本和特有樣本，不會支持大廠做這件事。我們在 Autocoding 上投入了 16 個月，大廠即使用資源優勢縮短一半時間，8 個月也足以拖垮一個團隊的 OKR。
大廠有點能力的模型都能自然而然“長”出一個 Copilot，但做 Autopilot 會有不一樣的訓練要求，需要時間去做真正的創新。大廠的生態不會有幾萬程序員等著，一定要用這個產品才能保障業務安全，因此不存在戰略上的訴求。所以即使大廠有做 Autopilot 的想法，出于戰略和組織效率的考慮，也不會真的下場。
AI 科技評論：你覺得 Cursor 會做嗎？
宿文：大家的目標都是做 Autopilot。有人選擇從 L2 奔向 L5，有人覺得從 L2 跑不到 L5，直接做 L5。我們就是直接干 L5 的人，所有的技術都是為 L5 做儲備。（L1-L5 的概念來源于自動駕駛行業，在 AI 編程中，L1 是代碼補全，L2 是任務自動化，L3 是項目自動化，L4 是 AI 軟件工程師，L5 是 AI 開發團隊。編者注）
AI 科技評論：在你的設想中，L5會是一個什么樣的場景？
宿文：代碼里有幾乎所有的業務邏輯，那個時候的商業化場景就是 Personal App。App 就會變成用后即焚的軟件，生成一個只用一次就可以了。用戶有需要的時候就像 3D 打印那樣定制一個，不需要安裝很多軟件。
AI 科技評論：你怎么說服別人相信你們的 PMF？
宿文：沒法說服，要靠做。我就面對過投資人和行業交流遇到的友商，他們會直接說你們的產品做不出來。目前的模型能力，要么寫一段代碼補齊，要么只寫前端的代碼，你們要把數據庫、后端和前端一起做，做不出來。但好在我們內部的小鏈路即使bug百出，存在各種延遲，解決問題是大差不差的。
Lovable 這類產品其實相當于在一個完整的軟件工程中，最多完成了 20％的工作量。剩下的 80％該不該解決？該。能不能解決？我們去解決。你說不行，那我們最終只能把產品推出來。
AI 科技評論：那你第一步準備去哪找死忠用戶？
宿文：Autopilot 的需求在整個用戶群里，只要在任何一個社區里面發一下鏈接就可以。我們在一家媒體的文章評論區加了一個內測鏈接，就涌進來好多人。其中有友商，也有感興趣嘗鮮的。這是國內的用戶，我還要拉海外的用戶。等產品上線，我還要去友商的社區里拉。友商有 80％的問題解決不了，我就不信所有人都只要那 20％。
AI科技評論：怎么用一句話，讓潛在的用戶迅速理解你。
宿文：雖然不是一句很有美感的話，我們就說得明白一點：我們是可以幫你把數據庫、后端和前端全部生成完的一個 App 或者應用生成的工具。
AI 科技評論：對于你個人，創立 AIGCode 以來什么最困難？
宿文：所有問題都挺困難的。我 23 年 10 月份定下的東西，從產品定位到做預訓練，都是反共識的。在 AIG 內部，我們是目標相同的一撥人在做事，但是我去協調外部資源，算力、投資，或者跟合作伙伴交流，有很多人會拆解我們這個東西。國內最主要的觀點就是，大家都是小作坊生意，就應該做應用。這個事情本身沒錯，但是跟你的認知和想做的事兒不是同一類。做事情的任何一個時間段，你始終要傳遞你的想法，傳遞就肯定會有比較大的阻力。
AI 科技評論：目前有看到國內什么團隊可能和你們形成正面競爭嗎？
宿文：所有大模型團隊，除了做特殊市場的，參與的都是全球的競爭。不論是 AI Coding，或者大模型的 token 調用，嚴肅付費群體都只給全球最好的那個掏錢。要么是同樣的效果，成本能夠做到最低，要么就是同樣的成本，效果能夠做到最好。今天這個時間點，大家還是只愿意為效果付費，而且還是給最好的付費。
但這個賽道目前還是藍海，大家一旦看到，也會從不同方向殺進來。我們這一輪稀釋完也留了將近 40 點期權池，希望想做這件事的就別再另起爐灶，真有那兩把刷子，來這就是 founding member。
模型要預訓練，產品要長“腦袋”
AI 科技評論：現在的模型完全是自己預訓練的嗎？
宿文：是我們自己預訓練的基模。其實我們 33B 的模型現在已經跑起來了，第二個階段會直接升到 66B。這也是 FP8 帶來的紅利，能夠讓訓練成本大幅度下降到 1/12。
我們原來規劃的是，用 3100 萬，花將近 12 個月的時間把 33B 的模型迭代出來，現在只花 1095 萬用 3 個月以內的時間就能實現。時間是 1/4，成本是 1/3，所以我們只付出了 1/12 的代價就達到了同樣的效果。這個要感謝DeepSeek 在工程上做的貢獻。
這個模型的聰明程度（我們一般會以 loss function 定義的收斂速度來判斷模型的聰明程度），和它的結構是超越 DeepSeek-V3 和 Claude 3.7 的。這個結果我們在跑預訓練之前就能預測到，因為早期網絡結構的特點我們全部驗證完了。煉丹嘛，不能等到把丹拿出來才知道有沒有毒，那是草臺班子的做法。
AI 科技評論：你們從預訓練開始自研底座模型，這個過程中最關注什么？
宿文：我認為整個大模型和大模型產品的技術源動力，還是預訓練。這一代產品最大的特點是它在生成內容，但今天模型的“大腦”還沒發育完全。有人說預訓練不重要，或者等這項技術成熟，但最后會發現生成內容的優化全都落在“大腦”上，這是很割裂的。
我們關注模型的收益，你可以理解為一個人在造內容，預訓練就是解決他夠不夠聰明的問題。
AI 科技評論：你們會針對代碼生成做特定的訓練嗎？
宿文：會，但這是次要的，首要的問題還是做模型。我們的終局是 AGI，第一天做出的東西映射的也是 AGI 的泛化能力。單獨解決代碼生成這個事情，OpenAI 很早就嘗試過，Code-DaVinci、Text-DaVinci 用了大量的代碼樣本，但那個模型是用不了的。DeepSeek-Coder-V2，236B 參數，也用不了。這意味著模型的能力是均衡提升，不能通過樣本單方面提升。
如果說特定訓練的邏輯是通的，那有了 80％法律的樣本是不是法律能力很強？稅務、營銷是不是依此類推，各個行業全都訓練一遍不就行了？其實不是的。產品能力會和樣本相關，但絕對不是某一類樣本堆出來的，還是要用稀疏樣本做訓練。單調回歸會映射到 loss function 的收斂效率上去，那個是唯一的衡量指標。
AI 科技評論：自研模型成本高、耗費算力大，最終效果如果還不如 ChatGPT 這樣的大語言模型的話，是不是沒必要？
宿文：這是典型的 Scaling Law 邏輯，要有人，要有卡，要有樣本。但是從 24 年到今天，手里拿著 10 萬張 H 系列卡，有著很龐大、高質量的樣本團隊，和很高效戰略的團隊，全球能數出來兩位數。但他們沒有給出過任何讓人興奮的、能說是走向 AGI 的東西。這個行業在到跳到一個臺階上之后，怎么跳到下一個臺階上？堆算力、樣本是有效的，但還有一種選擇不是靠算力和樣本堆砌出來的。
如果商業模式是賣 token，讓大家調用你的 API，背后還有一個云，這樣完整地算賬，那這么做是巨頭最懶惰的戰略，但又是最正確的戰略。這個商業模式就是要堆樣本、堆算力，沿著 Scaling Law 來做，先干多少算多少?；谠诟鱾€行業堆砌的樣本，大家通過聊天式的交互會發現模型性能都還挺強的。但是在技術層，大家還是會去看網絡結構、loss function 是什么樣的。技術創新點才是跳上下一個臺階的方法。
AI 科技評論：那你們有足夠的錢去做預訓練嗎？
宿文：DeepSeek-V3 已經把預訓練成本降到了 600 萬美金，我們一方面不需要那么大的模型，另一方面 Infra 技術還在迭代，還有足夠多的創新。在我的技術認知里，如果訓練大模型實際上已經變成了 10 萬張 H100 才能做的事，那我們不可能去干。我選擇自己訓練，其實就是盤過口袋里的鋼镚，夠用。
AI 科技評論：自訓練模型是不是正在成為做 AI 產品的必然趨勢？
宿文：是，本質是因為必須想辦法做產品最主要的組成部分，生成東西的那個“腦袋”。另外反過來看，得到了用戶在商業場景的反饋之后，發現問題、迭代產品的時候都是去改造那個腦袋，然后你說那個腦袋是 AGI，我們等等它吧，那你的競爭力肯定是不夠的。產品的閉環，一定要有那個“腦袋”。
雷峰網文章
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
