王小川 · 第一课 · 原始全文
创新相对论和百川的思考
摘要导读
9月9日晚，2026秋季北京大学《AI创业与投资》第一课开讲。
首位走进课堂的嘉宾，是百川智能创始人兼CEO、前搜狗CEO王小川。围绕“创新相对论和百川的思考”，他从二十年互联网创业经历讲起，谈到大模型时代的价值判断、AI对社会分工的改变，以及百川为什么选择医疗。
由于上周三场地有限，有同学在讲堂外面甚至有的抱憾而归，所以课后我们立刻与嘉宾沟通，将演讲内容整理发出。
核心内容
这场课讨论的核心，是为创业者讲述如何在技术变化中形成自己的判断，并把判断变成现实。王小川以搜狗与百川的经历为线索，从主观性、观察角度和非共识出发，讨论语言智能的突破、价值衡量的变化，以及AI对组织和社会分工的影响。医疗AI是他说明个人兴趣与时代机会如何交汇的具体实践，他最终想做的，是逐步探索能够描述和预测生命过程的模型。整场分享讨论的是一个更基础的问题：技术快速变化时，创业者怎样选择自己的观察角度，形成少数人相信的判断，再用行动把判断变成现实？
一 创业不能只尊重客观，更需要主观性
王小川先从“主观与客观”讲起。科学帮助人认识客观规律，创新则需要人在规律之中作出主动选择。创新不仅要解题，还要定义问题。这里所说的主观性，不是任意判断，而是基于自己的经历，发现别人没有看见的可能，再组织行动改变现实。他借用熊彼特的企业家观念：世界原本沿着既定轨道运行，企业家则是那个搬动轨道的人。
方向盘与发动机的比喻，概括了他的理解：技术与理性分析让车跑得更快，人文感受与独立判断决定车往哪里开。技术能力强，不自动意味着能够选对方向。创业的起点，是形成真正属于自己的问题意识。
对应正文：第二节及对谈问题四。
二 非共识来自独特观察点和人生经历
王小川提出一个问题：“为什么只有少数人认同的项目，才可能成为伟大的项目？”他强调，自己不是为了冒险而提出不同意见。非共识需要经验与知识作为依据，不能轻易被客观事实证伪。理解创业者时，除了商业逻辑，还要看他的读书、工作和选择经历，它们能解释独特判断的来源。
AlphaGo的故事展示了经验也可能成为认知边界。他懂计算机，不会下围棋，却较早判断AlphaGo能够赢；媒体用“中盘逆转”解释机器的表现，他则提出另一种可能：它也许从一开始就下得很好，只是人没有看懂。
鱼缸、地图和物体投影的例子提醒读者，认识世界总要选择角度。同一物体从不同方向看，可能分别像方形和圆形；争论有时来自各自只看到了一个侧面。创业判断也需要意识到自己的观察位置，但这并不意味着所有判断都同样正确。
对应正文：第三至第五节。
三 AI时代需要重新识别价值来源
互联网时代，用户规模、留存和DAU是重要指标。王小川也曾习惯先看用户增长，但DeepSeek凭借模型能力迅速获得用户，让他重新思考：在某些阶段，能力突破本身可能比先把用户做大更重要。他把这种变化称为互联网时代到智能时代的“审美”变迁。
他以市场对MiniMax和智谱的不同评价为例，讨论消费者增长、海外收入、企业生产力和Token使用，为什么会在不同阶段获得不同权重。变化的不只是经营数字，还有解释数字的框架。
这并不是说收入、用户或留存不再重要，而是提醒创业者不能机械沿用上一轮技术周期的指标。评价产品时，要重新判断用户为什么使用它，能力提升如何进入实际工作，以及最终创造了什么价值。
对应正文：第四节。
四 语言是智力的中轴
王小川的判断并非从ChatGPT出现后才开始。
从2004年的搜狗搜索、2006年的搜狗输入法，到2016年的AlphaGo和此后的问答探索，他一直沿着语言AI这条线前进。2018年，他在采访中提出：“当机器掌握语言，强人工智能就到来了。”
在他的理解里，语言不仅是表达工具，也是知识、思考和沟通的载体。这里的语言不只指自然语言，也包括数学与代码。
百川把通用大模型的发展路径概括为LRC：语言预测、强化学习和代码运行。语言负责从海量材料中萃取知识，强化学习让模型在具体场景中继续提高，代码提供可执行、可验证的反馈。
沿着这条路径，AI不再只是等待调用的工具。它开始参与思考、使用工具，并完成过去由人承担的任务。
对应正文：第五、第八及第十节。
五 AI可能压缩中间分工 并释放超级个体
过去工业体系通过拆细任务提高效率，也让人越来越像生产链条中的螺丝钉。王小川认为，AI开始端到端完成任务，可能让原本需要多人协作的工作重新收束到个人。“超级个体”不是一个人孤立工作，而是借助AI获得更完整的创造与表达能力。
他据此提出“创造、健康、快乐”几个方向：整理、转写和制作PPT等中间性工作更容易被AI完成，创业者需要思考最终服务的真实需求，而不只是围绕一个临时工具环节建立业务。
第二位现场观众追问，AI是否反而扩大不平等。王小川澄清，他说的扁平化首先指公司规模、组织层级和中间分工减少，不意味着所有人的力量趋同。少数头部力量更加集中，与大量小组织和个人形成长尾，可以同时发生。
对应正文：第八、第九节及现场第二问。
六 成熟组织的基因和文化会留下创业空间
“狐狸生了条狗”不只是搜狐与搜狗的品牌比喻，也是在说不同业务需要不同组织承载。老公司的文化、流程和资源配置围绕旧业务建立，曾经帮助它成功的约束，也可能排斥新方向。
两台电脑的故事很具体：媒体业务一个工位配一台电脑就够了，输入法开发却需要开发机和测试环境；招聘也要从熟悉的媒体人才渠道转向技术人才来源。这未必是有人故意阻拦，而是新业务所需的条件与旧组织不相容。
所以，创业空间不只取决于巨头是否进入某个赛道，还取决于新业务是否需要一种它难以建立的组织能力。第三位现场观众问如何选方向时，王小川没有给出通用赛道清单，而是强调看见趋势、理解自己，再选择愿意长期行动的问题。
对应正文：第一节、对谈问题三及现场第三问。
七 百川的医疗AI是上述判断的具体实践
王小川选择医疗，是语言AI积累与生命科学兴趣的交汇。受精卵经历复杂变化，却能稳定发育成结构相近的婴儿，让他长期追问生命为什么有序，以及能否为生命变化建立数学模型。中医是其个人探索经历的一部分，演讲并未展开独立的AI中医方案。
他认为，互联网连接能够改善匹配，却不能直接增加足够多的优质医生。AI的机会因此不只是查资料或回答问题，而是补充主动问诊、院前决策、院后随访与居家管理等服务。给猫挂铃铛的故事，说明正确目标还需要能够执行它的新能力。
需要分清两个目标：AI医生学习医学知识、诊疗判断和交互；生命世界模型则试图描述身体状态、干预及后续变化，更依赖连续、纵向、能够观察结局的数据。百川希望通过真实服务产生新数据，再走向研究，但这仍是需要验证的路径，不是已经完成的闭环。
第一位现场观众追问脏数据、结果不闭环和医院合作动力。王小川将数据清洗与闭环分开，强调随访和健康管理，也认为技术公司需要在真正的医学问题和高质量研究上与医院合作。这一问答将长期愿景拉回实施条件。
对应正文：第六、第七、第十一至第十五节，对谈问题一、问题二及现场第一问。
推荐阅读顺序
只有五分钟：先读本导读第一、第三、第五及第六节，把握创业判断、价值衡量和组织变化。
关注AI技术与产品：读正文第五和第八节，再读AI原生的对谈，关注新能力如何进入产品主循环。嘉宾没有给出AI原生的确定定义。
关注医疗AI：读正文第十一至第十五节，再读对谈问题一、问题二及现场提问，重点分辨服务入口、数据需求和长期研究目标。
-----------------------------------------------
以下为课程完整演讲，含主持人对谈与现场观众提问
一 从搜狗到百川的创业经历
作为第一场分享的嘉宾，我压力不小，也多加了几页PPT，希望把自己的想法讲得更透。今天讨论创业，后面还会有朱啸虎等投资人来分享专业观点。我想从自己的经历出发，提供一些不一样的视角。
我经历了互联网波澜壮阔的二十年。2000年，ChinaRen被搜狐收购，我也由此进入搜狐。2003年，我全职加入搜狐，组建研发中心，招了一批清华的高考状元、集训队成员来做搜索。现在回头看，那支团队很强，但没有打过由李彦宏带领的百度。后来，我们在输入法上做出了差异化，才有了更好的发展。
2010年，搜狗从搜狐分拆，我们形容为“狐狸生了条狗”：不同的基因，需要不同的主体来承载。2013年，腾讯搜搜与搜狗整合；2017年，搜狗上市；2021年完成私有化并入腾讯。
2022年，我开始做医疗方向的探索。搜索做了二十年，我想继续做生命科学、大众健康和医学。2023年大模型到来时，我内心已经转向医疗，却又面对一个新的时代机会。怎样弥合自己真正想做的事情与外界期待之间的夹角，是我一直面对的问题。
我常说自己是互联网的“1.5代人”：既不是张朝阳那样的第一代，也不是王兴、张一鸣那样的第二代，而是处在中间。这里面的幸运与不幸，都与时代有关。
二 创业为什么需要主观性
我想先讨论主观与客观。平时说一个人“主观”或者“客观”，究竟是在表扬还是批评？如果对教授说“你很主观”，通常是在批评，因为研究需要客观。但评价企业家时，如果只说他很客观，好像又少了些什么。
我们在学校学习规律、学习客观知识，到了创新创业的时候，主观性反而变得重要。这里的主观，是一种与众不同的独立性，是自由意志的追求，也是改造客观世界的起点。
我一直思考自由意志与客观规律的关系：如果人是客观世界的一部分，我们的行为是否也由规律决定？如果人能够改变世界，这种改变又如何与客观规律相容？这是一个长期存在的哲学问题。
牛顿在研究自然规律的同时，也相信上帝。按照我在这里借用的理解，人们会设想一种超越规则的力量。后来我和一位离开阿里、出国研究基督教的朋友交流，他从宗教角度解释：当圣灵住在心中，人能够以上帝之名改变世界。这是他理解主观与客观关系的一种方式。
\[编者注：本节为演讲者的哲学与宗教类比。自由意志与决定论存在多种学说，不能据此认定“自由意志存在就意味着物理规律失效”。\]
马克思讨论认识世界与改造世界。我也借用经济学家熊彼特对企业家的理解：世界原本沿着既定轨道运行，企业家是那个搬动轨道的人。如果没有他，事情可能继续按原来的方式发生；因为他带领一群人行动，世界出现了不同的结果。
这是我理解的创业灵魂：你有一个自己的想法，看到一个别人没有想到的可能，并把它变成现实。
主观性往往与感受、潜意识、人文艺术有关，客观性更强调理性分析。乔布斯站在人文与科学的交叉口，既有对人的理解，也有科学技术作为工具。打个比方，理性和技术像发动机，让车跑得更快；人文感受与主观判断像方向盘，决定车往哪里开。
所以，理解一个创业者或一家创业公司时，我会看：他讲的有多少是大家都知道的客观描述，有多少是自己独有的见解？
三 认识世界总要选择观察角度
讲科学，也要理解科学的边界。一种态度是盲信，认为凡是贴上科学标签的就是对的；另一种是选择性相信，先有结论，再挑支持自己的科学说法。这两种态度都有局限。科学仍有未解决的问题，我们认识世界也总有自己的角度。
我引用过霍金《大设计》中的一个例子：关于巨大金球与铀球是否存在的两个命题，表面结构相似，却不能仅凭目前有没有观察到，就认为它们具有同样的科学性质。
书里还谈到球形鱼缸里的金鱼：鱼透过曲面看外部世界，看到的是扭曲的景象。那么，我们看到的世界就一定是完整、真实的吗？我们的观察本身，也可能带着限制。
再看地心与日心的观察方式。在日常生活里，以地球为参照来处理问题很自然；研究天体运动，则往往需要换一个参照。我要强调的是，观测点会影响我们建立的描述方式。
地图也是这样。我们试图用二维地图表达地球表面，总会发生某种失真。格陵兰岛在某些地图上显得特别大，就是一个例子。面对复杂世界，我们必须选择观察点，也不可避免地丢失一部分信息。
同一个物体，从一个方向投影可能是方形，从另一个方向投影可能是圆形。两个人争论它究竟方还是圆，有时并非谁完全错误，而是各自只看到了一个侧面。波粒二象性也让我想到，我们用熟悉的概念描述事物时，可能遗漏其他维度。
创业领域的争论，同样经常来自观察角度不同。过去做互联网，有人讲内容为王，有人讲渠道为王。媒体、搜索、短视频平台各有侧重；换一个时代或项目，关键变量也会改变。
四 AI时代的价值判断正在变化
互联网时代，用户规模、留存和使用频率是非常重要的指标。我们习惯“得用户者得天下”，评价新产品也自然会先看DAU，即日活跃用户数。
大模型刚兴起时，这套习惯仍然很强。大家看豆包，也看其他AI应用的用户增长、投流和规模。但DeepSeek凭借模型能力迅速获得大量用户，让我受到很大触动：在这个阶段，模型能力本身可能比先把用户做大更重要。我们不能只沿用互联网时代“得用户者得天下”的评价方式。
另一个例子是市场对MiniMax和智谱的看法。按照我在这里的观察，市场曾更偏好面向消费者、有海外收入的公司，对主要做企业项目的模式评价较低；后来，对To B、生产力和Token经济的关注上升，价值判断也发生变化。
同样的用户数、收入结构、客户名单，放在不同阶段，意义可能不一样。变化的不只是数字，还有我们看待数字的方式。
做投资常会听到一种说法：如果所有人都认为一个项目好，它未必还有很大的超额机会。真正带来颠覆的东西，往往只有少数人认同，同时又不能被客观事实轻易证伪。这种判断能够推动轨道变化。
我不是一个特别喜欢冒险的人。我之所以提出一些与大家不同的想法，不是为了赌一把，而是因为我认为自己看到了别人没有看到的东西，甚至我们看的根本不是同一件事。
这种差异来自个人经历。所以和创业者交流时，我很愿意听他的故事：怎么读书，怎么选工作，为什么今天做这件事？这些经历，常常比一套讲得很完整的商业逻辑更能解释他独特判断的来源。
五 语言AI的长期积累
我的经历有两条主线，一条是语言AI，另一条是生命科学与医学。
2004年搜狗搜索发布，2006年搜狗输入法发布。搜索围绕语言建立相关性，输入法则利用互联网语料提取规律、更新词库。在某些基本思路上，它们与今天的大模型是相通的：从大量语言材料中学习规律，再用于理解和表达。
2016年AlphaGo比赛前，我判断它能够赢。这个判断不是突然冒出来的。早在2013年前后，我看到卷积神经网络的发展，就想过能不能用来下围棋。但公司资源有限，我去找清华相关老师，希望推动这个方向，没有做起来。一个新课题不在老师原有方向里，也会牵涉资源、学生培养和原有积累，推进并不容易。
后来看到AlphaGo的论文，我更确信自己的判断。有一位叫陆奇的同学也非常坚定，他每天很早起来读论文。但一些AI从业者和顶尖围棋选手当时都不认可。
我参加新浪的围棋直播，和中国围棋队总教练俞斌一起解说。他懂围棋，也会写程序；我主要懂计算机，不会下围棋。按一般想法，他显然比我更适合判断棋局。
第一局AlphaGo获胜以后，我至今记得那个现场：俞斌瘫坐在新浪体育频道三楼的沙发上，整个人受到很大冲击，一时甚至不知道该怎样回家，最后由编辑扶下楼、帮他叫车。这个细节让我第一次非常具体地看到：当AI越过一个人的专业高墙时，冲击的不只是输赢，也包括他对经验、能力乃至身份的理解。
比赛中，媒体曾把AlphaGo的表现描述为“中盘逆转”：仿佛前半盘下得不好，到中盘才突然变强。我却觉得，也可能它从第一步就走得很好，只是人没有看懂。职业棋手看到它的下法与自己不同，容易先判断它错了；等到后面发现它更强，才用“逆转”来解释。创业也有类似之处：一个项目真正做成以前，人们可能一直觉得那是个糟糕的想法；成功以后，才重新解释此前看不懂的选择。
这个经历给我的提醒是：看不懂，不代表对方不行。只要一件事没有违背基本规律，也有可能需要修正的是我们的理解。
不过，围棋被攻克后，我仍觉得距离通用智能还有重要一步：语言尚未被真正攻克。2017年前后，我们提出自然交互、知识计算，希望从搜索走向问答，也做过问答比赛相关的尝试。
我很推荐侯世达参与写作的《表象与本质》。他还写过GEB，也就是《哥德尔、艾舍尔、巴赫》。这些书帮助我思考智力、类比和我们怎样建立认知。
我曾设想一种语言能力测试：不只是给机器一个词，让它展开解释，而是反过来，给它一段描述，看它能否逐步收束为准确的概念。比如先说“水中有一块陆地”，它应当想到“岛”；再补充这块陆地有时会被水淹没，结论就可能变成“礁石”，而不再是岛。真正的理解，不是命中一个关键词，而是随着条件增加，能够修正概念边界。
这背后有概念之间的递归关系：用一句话解释一个词，句子里的词又需要解释。我一直没找到理想的解决方式。直到看到ChatGPT，才觉得它确实跨过了重要门槛。
因此，2023年在与投资人的交流中，我很快谈到AGI，也谈到可以造AI医生。有些人觉得医疗不是好生意，也有人认为模型只是统计、只是预测下一个词。我的理解与他们不同，与长期做语言AI的背景有关。
六 为什么我一直想研究生命
我在清华读计算机，本科、硕士、博士都与这个领域有关，也读过管理课程。硕士阶段在高性能计算相关研究所学习，研究方向涉及并行计算、存储和网络。这些内容，与今天大家讨论的AI基础设施有联系。
当时，超级计算机的一个典型应用是天气预报。我对老师说，自己不太想做这个方向。天气系统存在蝴蝶效应，微小初始差异可能带来很大的后果。我更想找一个能够产生明确价值的计算问题。
《三体》里的三体问题，也是我理解复杂系统时会想到的例子：相互作用的天体可能表现出复杂、难以长期预测的运动。
2000年前后，人类基因组计划受到关注，老师让我看看超级计算机能在其中做什么。我开始接触基因测序的拼接等问题，这为后来做生命科学埋下了一颗种子。
更吸引我的是细胞。一个细胞里有细胞膜、细胞核、线粒体等复杂结构，看起来比天气系统还难以计算，却表现出惊人的有序性。按照对复杂非线性系统的直觉，一个受精卵不断分裂、经历近十个月的变化，结果似乎应该越来越难预测；现实却是，它一次次发育成结构高度相似的婴儿——有两只手、两只脚、两只眼睛，还会长得像父母。我们把这一切视为正常，恰恰说明生命中存在一种稳定的收敛力量。
这里出现了一个强烈的冲突：现有理论很难充分解释如此复杂的系统为什么没有走向无序，反而能反复生成相近的结构。现象既然持续发生，需要完善的就不是现象，而是我们的理论。今天生命科学研究“虚拟细胞”，面对的正是这类问题。
我由此产生一个长期愿望：能不能为生命建立数学模型？牛顿把自然运动转化为数学问题，生命的变化与有序性，是否也有可能用更好的数学方式来理解？如果现有理论解释不充分，需要继续完善的是理论。
我还开过“向生命学习做公司”的课。公司也像生命体，有结构、文化和协调机制；组织变大，并不自动意味着能力更强。这种从生命角度理解秩序的方式，也影响了我的管理与创业思考。
后来我开始接触中医，也投资过十几家医疗相关公司，包括医馆、眼底筛查、医疗信息服务和前沿生物技术企业。这些都是我学习医疗的方式。
小鹿医馆这个项目，创始人原来是搜狗搜索的技术总监，清华计算机背景，起初并不信中医，后来被我影响，并且还进入这个领域，公司后来被收购。
我也接触过启函生物和杨璐菡团队的基因编辑方向。从传统医学到前沿生物技术，我都希望去理解。对我而言，这条生命科学的兴趣线索，一直没有断。
七 搜索解决不了的医疗问题
2016年的魏则西事件，让我进一步思考搜索与医疗的关系。当时，搜索引擎能把人带到信息或医疗服务面前，却无法仅凭这样的连接解决医疗问题。
健康相关的信息需求一直很大。我在演讲中提到，过去百度的很大一部分搜索需求与健康有关，如今AI应用和内容平台里也有大量健康需求。
以前，患者拿着百度搜索结果去问医生，医生往往不认可。如今患者带着AI生成的分析去就诊，情况已经有变化：一些回答能够提出有价值的问题，医生很难简单把它排除在外。
这让我看到，医疗中可能出现一种新的力量。搜索主要帮助用户找信息，大模型则可能进一步参与理解、判断与持续服务。
2023年4月做百川时，我内心想做医疗，但对资本市场和团队来说，“做中国的OpenAI”更容易获得认同。直接说要造医生、做生命模型，很多人并没有兴趣。
当时的公开信里，我写了大语言模型将语言转化为数学问题，也写了告别搜索后，希望在未来二十年为生命科学、大众健康和医学作贡献，核心路径是构建生命健康的数学模型。ChatGPT是这个愿望的重要助力。
我一度以为，多写一些非共识的判断，能展示对未来的理解，吸引更多人。后来发现自己过于天真：大多数人更容易被共识吸引，非共识有时反而会把人吓跑。能真正信任这条路的，只是一小部分人。
我当时也讨论过，一人借助AI完成一家公司的工作，连接走向陪伴，信息服务走向知识服务，以及商业模式和专业分工的变化。这些想法当年显得很远，今天一些正在逐渐变成大家熟悉的概念。
回头再看这些判断，哪些兑现了，哪些错了，哪些仍未被证实或证伪，对我理解今天的选择很有帮助。
八 语言为什么是智能的中轴
我一直强调语言的重要性。过去一轮AI突破主要来自图像识别，很多团队和行业也更熟悉多模态、影像处理。但在我看来，语言是通向智能的一条关键主线。
这里的语言不只指自然语言，也包括数学语言、代码语言。智力的重要部分是类比与推理。许多智力测试让人找出不同类别，或者根据前面几个图形推断下一个，本质上都涉及抽象、分类和推理。
我借用庞加莱的一个意思来说明：数学的一种艺术，是给不同事物同样的名字。比如三个苹果、三个梨子、三把椅子，具体对象不同，却都可以抽象为“3”。这种跨对象识别共同关系的能力，非常重要。
装置艺术《一把和三把椅子》把实物椅子、椅子的照片和词语定义放在一起，也在问：究竟什么是椅子？如果把材料、腿的数量或者外形换掉，它可能仍然是椅子。概念并不完全等同于某个具体物体。
从柏拉图讨论的理念，到几何中的点和线，我们经常借助现实中并不以理想形式存在的抽象对象来思考世界。先有符号和关系，才能进行更复杂的推理。
即使是“1+2=3”这样简单的表达，背后也需要理解对象、运算和相等的意义。
因此，我谈过LRC这一路线，把语言、学习与代码放在一起思考。\[原录英文为“language，responsible learning，coding”\]
我还提出过“预测即智能”的看法。相比只强调压缩，我更关心预测及其反馈：预测得对不对，能否通过反馈持续改善。代码则有可执行、可验证的一面。我也把图灵完备性与语言能力的上限联系起来思考。
按学科来理解，文科对应大量语言学习，理科强调数学，工科强调代码。这几方面，AI都在取得进展。它们有不同程度的反馈与验证条件，有助于模型继续提升。
普通的语言问题、数学语言问题和代码，今天都已经在大模型中得到充分体现。这也使我反过来思考医学、艺术乃至农学应该怎样训练：通用模型不是一件被调用的工具，而应当像人一样参与思考和完成任务。过去我们问计算器会不会算乘法；今天不能再把大模型只理解为更大的计算器。它既能使用工具，也能完成过去只有人能完成的一部分工作。
医疗也是如此。医生面对大模型医生时，如果仍把它当成计算器来调用，就会低估变化。未来的链条可能从“连接信息”转向“拥有知识、经验和服务”，协作关系也会随之改变。2023年我已经提出过“伙伴”的概念，如今Copilot、数字员工等说法越来越常见。
我把今天与前三次工业革命作过比较。过去的工业革命，使人类掌握了机器、能源、信息和电子技术；人对客观世界的掌握越来越多。这一次不同，AI掌握的是人原来用来完成任务的能力，它会直接改变分工。过去流水线把任务拆细、把人变成生产链条中的一颗螺丝钉；今天AI能够端到端完成越来越多的工作，社会分工可能反而变得更扁平。
工业革命把人集中到工厂，形成高度分工，也使人越来越像螺丝钉。AI时代有可能出现更多“超级个体”：一个人借助AI完成过去需要多人协作的事情，重新获得完整表达和自我实现的空间。这是我在2023、2024年就提出过的判断，如今我更愿意相信这种可能。
我还观察到，大模型发展大致出现三条方向：一是面向物理世界的世界模型，包括机器人和自动驾驶；二是以语言为中轴的通用模型；三是生命世界模型，既模拟从细胞到人的生命演化，也研究生命在药物、治疗等干预下怎样变化。材料科学等方向可能同时跨越物理模型与生命模型。
沿着这些判断，我曾为自己提出几个关键词：创造、健康、快乐。AI能替代大量中间性工作，例如整理、转写和制作PPT，但人的创造力、对世界的影响，以及对健康和快乐的追求，仍然是值得长期投入的方向。中间环节越容易被AI完成，真正端到端创造价值的能力就越重要。
九 AI与人类文明的关系
我认为，AI在很多能力上超过人，大概率会发生。2023年创业时，我谈到让AI帮助人类文明繁荣与延续。机器文明也可能成为人类文明的一部分。
作为程序员，我曾表达过：程序员可能亲手推动自己原有工作的被替代。这句话受到过批评，但我依然认为，AI能力继续提升是一个需要正面看待的趋势。
有人问我，AI超过自己，会不会害怕？我会用孩子的成长作类比：自己参与创造的东西超过自己，也可以带来喜悦。如果把它看作人类文明的一种延续，恐惧感就会少一些。这是我个人理解AI与人的方式。
十 从AI编程到数字员工与生命模型
我借用Anthropic负责人Dario Amodei的一些讨论来理解行业方向：先是AI编程，然后是面向工作的数字员工，再往后是AI for Science。
如果AI能够承担大量知识工作，市场就不只是软件订阅，而可能与人类原本用于这些工作的投入相关。再向科学发现、材料与生命科学延伸，影响可能更大。
百川想做的是“为人类造医生，为生命建模型”。AI医生可以看作数字员工在医疗中的一种形态，而生命模型则更进一步，指向对生命过程本身的理解与预测。
引用辛顿、哈萨比斯关于AI和医疗未来的愿景。一位强调人人获得更好的医生服务，另一位期待AI加速疾病研究与药物发现。我的关注点是：一条路改善服务供给，另一条路推进科学发现，两者可以互相促进。
十一 医疗的瓶颈是优质供给
我从魏则西事件中看到，医生在医疗体系里是关键主体。互联网时代强调用户和连接：滴滴连接司机，淘宝连接商品，美团连接服务。医疗领域也出现了连接医生的平台，比如春雨医生、好大夫、挂号网。
但医疗与许多行业不同，优质医生本来就不够。连接能够改善匹配，却不能直接创造足够多的优质供给。因此，我认为仅靠互联网连接，很难解决医疗的核心问题；AI如果能够形成新的服务能力，意义会不一样。
医生同时处在药品、器械、患者与医疗决策之间。如果AI医生逐步承担一部分工作，也可能改变用户服务、药械流通以及科研的组织方式。
过去很多医疗信息化或AI项目，定位是给医生提供工具，但医生未必是合适的付费方。这也是商业化难题的一部分。假如能够直接形成新的医疗服务供给，价值路径就可能发生变化。
我用两个比喻来讲现有医疗里的机会。问诊还有“刀耕火种”的一面：CT、X光和各种检测设备已经很先进，但向患者询问问题，仍主要靠医生当场一问一答。做AI医生，我首先关心它会不会提问、怎样把该问的信息问出来。
科研则有“大炼钢铁”的一面：很多医生建立自己的小数据库，各自清洗、各自分析。临床与科研是不同能力，职称也不能简单等同于临床能力。AI在帮助医生组织数据、开展研究方面，也有机会。
十二 对AI医生的争议
做AI医生，一开始受到很多质疑。有些人说，AI不能像人一样思考，只是在预测下一个词。我曾在一次微软相关会议上，对这样的说法表达过很强烈的反对。
如果医生不了解AI，我能够理解；就像围棋选手面对AlphaGo时的反应一样，原有经验、专业身份和荣誉都会影响判断。但AI研究者如果仅凭“预测下一个词”就否认模型的能力，我认为是不充分的。
还有人说AI不可能共情。我引用过一项比较医生与聊天机器人文字回答的研究，用来说明我们对机器能力的一些直觉可能需要更新。
我曾判断，AI医生可能比无人驾驶更早在一些场景上岗。原因之一是优质医生供给不足；另一个原因是协作方式不同。驾驶中突然交接方向盘和刹车，可能很难协调；在医疗中，AI先提供分析，再由人审核，或由AI复核人的方案，可以有相对清楚的流程。
我也讲过辅助驾驶接管人员工作紧张的例子，想说明人机协作不一定天然减轻负担，关键要看具体怎么分工。
医疗里还有身份与信任的问题。有专家私下用团队做测试，发现AI表现很好，但公开表达时又顾虑医生团队的感受。患者可能自己带AI分析来，却不愿医生使用AI。这种矛盾说明，技术变化也会带来医患关系变化。
以印刷术传播知识作类比：当更多人能够接触原来由少数人解释的知识时，原有权威和关系结构也会改变。
十三 造医生 改路径 与医学研究
我想做的事情，可以从造医生、改路径以及推动医学研究来理解。
“造医生”这个说法，两边都容易不讨好。大模型圈有人觉得医疗太垂直；医疗圈又觉得医生不能被取代。所以交流时，有时需要先从医生助手、超级助手说起。但我的长期判断仍然是，AI会逐渐承担更多原本由医生完成的认知工作。
“改路径”意味着，医疗不必到患者走进医院才开始。去不去医院、去哪家医院、挂什么科、怎样理解治疗方案，都是患者需要作出的决策。AI可以更早参与支持，让患者拥有更多信息和判断能力。
我们也在和医疗专家、医院共同探索。有些人已经认可AI家庭医生的方向，有些人仍强调医生是一种需要训练和承担责任的职业，不能把AI直接等同于医生。还有人对AI带来的改变更加乐观。
不同学科对AI的接受度也不一样。有些领域的数据、病理和治疗依据更容易量化；有些领域仍有大量经验性的判断，面对AI时关注的问题自然不同。
十四 AI家庭医生与分级诊疗
中国医疗一直希望优质资源下沉，增强基层能力，让患者在基层得到初步处理，复杂问题再进入大医院。但现实难点是，基层能力不足，恰恰会影响它判断哪些问题能处理、哪些应该转诊。
我常用老鼠给猫挂铃铛的故事作比喻：知道目标正确，并不意味着已有条件能够完成。没有新的能力输入，只提出分层、下沉的要求，很难解决全部问题。
AI出现以后，我认为可能有新的机会。如果每个人都能获得一个AI家庭医生，在居家、院前、院后持续提供服务，再根据情况帮助分流，就可能形成与现在不同的路径。
我希望AI的作用不只是给原有流程加一个工具，而是增加新的服务能力。但这件事仍然很难，会遇到许多不同力量与组织方式的约束。
十五 从临床服务到生命世界模型
我想做生命模型，必须面对一个问题：怎样获得足够全面、连续的数据？
医学研究既有基础研究，也有临床研究。前者可以研究细胞和动物，后者必须面对真实的人。在研究型医院中，临床工作会与研究队列联系起来，让医疗过程产生可分析的数据。
我用“住院即入组”来概括一种研究组织思路。再往前走，如果AI医生能够上岗，就可能进一步探索“看病即入组”：患者离开医院后，疗效、结局、不良反应等信息仍有机会被持续追踪。
药品上市前的研究是在限定条件、一定规模的样本中完成的。药品进入真实世界后，不同患者使用的效果、适用范围和长期变化，还需要进一步理解。
我曾和药品审评相关人士讨论：如果有更大规模的真实世界数据，能否为药效评价、适应证研究和医疗支付提供更多依据？甚至将儿童、母婴等人群纳入长期随访，逐渐建立覆盖全生命周期的纵向队列。
回头看，我想做生命模型，需要数据；要获得更连续的数据，先让AI医生能够服务；为了造AI医生，又先去做通用模型。这是我理解自己创业路径的方式。
今天有其他公司代表中国的领先模型力量，继续参与通用模型竞争。百川更希望回到自己的初心，在生命模型与健康管理上做事情。我想分享的，就是用自己的主观判断推动客观变化的创业理想。
十六 主持人对谈
「主持人提问的问题皆由公众号本期课程预告的读者留言中筛选整理」
问题一 生命世界模型与通用模型有什么不同
刘老师：我理解今天有两个重点。一个是主观与客观的视角：做创业和投资，需要形成自己的判断，做自己热爱、坚信的事情。另一个是生命世界模型，这是一个很有非共识意味的方向。
如果回到AI的算法、算力、数据三个要素，生命世界模型与通用模型有什么不同？它是不是AGI的主线？
王小川：算法上有类似之处。我仍然相信语言中轴，需要某种符号化的表达。但生命模型要预测生命状态的变化，就像具身智能的世界模型，需要处理state和action，也就是状态、行动以及轨迹。
今天的通用模型不能自然覆盖物理世界全部的状态变化，生命世界也有自己的体系。因此，模型还需要相应的改进，包括重新定义输出头等部分。
第二个区别是数据。如果目标是造一个能理解医学知识的AI医生，已有论文和知识其实很多。医生做科研，会从临床数据中提取信息、建专病库、分析，再发表论文。这些知识已经以文字形式积累下来。
因此，我认为，医疗AI并非一概缺数据。过去说缺数据，经常是在说影像数据。做虚拟医生，与做虚拟病人，数据需求不同：前者可以利用已有医学知识；后者要理解一个人的身体如何变化，就需要纵向研究数据。
生命世界模型要建模的，是人及其生命过程，不只是医生的知识与判断。数据一方面来自医院，另一方面也来自AI医生在真实服务和随访中形成的连续记录。
刘老师：那它是在AGI的主线上吗？
王小川：我认为，它与具身智能有些相似，不完全是今天通用语言智能那条主线，而是一个会进一步发展的方向。我相信人的生命过程能够被数学表达，但不一定靠今天的AGI方式就能完成。表达脑力活动与表达身体变化，并不是同一件事。
问题二 AI医疗应替代医生还是创造新的价值
刘老师：医学部同学提问，AI医疗应该往AI医生、替代医生的方向走，还是重新定义医生之外的医疗价值？百川为什么选择现在的路径？
王小川：终极目标比造医生更大，是生命模型。它可能影响制药、医疗服务、保险等领域。
但在可见的时间里，AI医生也不只是替代现有医生，更会提供增量价值。美国与中国的路径不同。美国有OpenEvidence这样的产品，通过查文献帮助医生做循证判断，传播得很快。
我理解其中有支付和文化两方面原因：美国医疗支付体系与文书、记录有关系，用好软件能够帮助医生；医生查资料、用工具，也比较容易获得认可。
中国的情境不完全一样。有时患者看到医生查资料，反而觉得他不熟练；一些医疗组织中的层级关系，也会影响新工具的使用。AI建议与上级医生意见不一致时，未必容易推进。
因此，我们更希望把服务延伸到院外，在院前、院后、居家场景找到AI能够承担的部分。就像驾驶协作，不能简单让一个控制油门、另一个控制刹车，而要把场景和职责切开。
AI要在自己负责的环节真正运行起来，才有新的价值。
刘老师：希望更多医学部同学参与这样的实践，去百川实习。今天的分享，也是希望启发大家。
问题三 初创公司怎样在巨头之间生存
刘老师：光华同学问，初创公司怎样在巨头之间找到空间，逐渐形成独特的护城河？搜狗曾经在很窄的空间里发展起来，你怎么看这个问题？
王小川：过去成功的经验，在新阶段也可能成为制约。人会有固有思维，公司也一样。我把公司看成一个生命体，它有自己的基因、文化与约束。
一个新公司可以更灵活地决定做什么；一个老公司，如果新事物与原来的基因不同，就容易出现排异。大公司不是不知道新方向，而是原有体系未必适合它。
当年在搜狐做搜索，即使张朝阳很信任我，仍然遇到许多挑战。搜狐熟悉如何去北广招媒体人才，却不熟悉如何去清华招技术人才，我需要另外建立招聘方式。
还有一个小例子：媒体业务里，一个工位配一台电脑就够了；做输入法，需要开发机和测试环境，可能要两台电脑，但原有行政制度并不支持。这不是某个人故意阻拦，而是原有流程就是围绕旧业务建立的。
公司能成功，需要约束与一致的文化；恰恰是这些曾经帮助它成功的东西，也会排斥新事物。把一只狐狸变成一条狗很难。
所以，创业可以寻找与大公司原有基因不同的事情，走出它的射程。年轻人做自己的事情，仍有很大的空间。
刘老师：这也让我想到，大公司的数据使用和组织约束，可能比独立创业公司更多，影响其竞争方式。
问题四 聚焦医疗是战略选择还是退而求其次
刘老师：百川从通用大模型转向医疗AI，怎样判断这是战略聚焦，还是退而求其次？哪些信号推动了你的决策？
王小川：这个问题很好。从我的经历看，2021年搜狗并入腾讯时，我在告别信里就写过想做医疗；2022年也做了医疗公司。
如果重新选择，我希望自己能更坚信自己的判断，少受外部评价影响，更坚定地做医疗。对我而言，今天不是临时转去另一个方向，而是回到原来真正想做的事情。
之前做其他业务，有资本市场的期待，也有团队希望做的事情。如果一直迎合这些期待，就可能无法做自己。
刘老师：所以，之前是市场在挟持你，现在终于做自己真正想做的事？
王小川：这种挟持也要反思自己。从小，我习惯别人出题、自己解题。学习成绩好，容易特别在意评价；后来在公司工作，也习惯别人评价自己。
到这个年纪，才更清楚地意识到，不能总让别人出题、自己解题，而应该自己定义自己。这一步走得有些晚。年轻人可以更有勇气，早点定义自己的问题。
刘老师：我听过一个关于麻省理工学生的说法：除了成绩最好的，也应看看那些成绩不那么高、把精力投入其他事情的人。能进入这样的学校，本身已经很聪明，值得关注的是他们把精力用在哪里。回到自己、形成不可替代的认知，对这个时代很重要。
问题五 AI原生与加上AI的边界在哪里
刘老师：一家企业只是给原有业务加一点AI，和一家AI原生公司，分界线在哪里？
王小川：我还没有找到一个特别确定的结论。不同人对这个问题有不同理解，我们自己也还在实验，走出原来的惯性。
做搜狗时习惯超级应用、超级APP；今天服务企业或进入新的业务结构，逻辑可能不同。创业公司从外面进入行业，与老公司给自己加AI，也有不同立场。
年轻创业者没有那么多既有资源和包袱，自然更容易从新的能力出发。但现在并没有一个大家都认可的唯一答案。
刘老师：可以用移动互联网作一个类比。早期团购、后来外卖，哪些是原生形态，也不是一开始就清楚。我会看产品主循环有没有用到移动设备带来的关键能力，例如定位、摄像头、触摸屏。
如果这些能力在产品闭环里必不可少，就能帮助我们理解“原生”是什么意思。这只是提供一个观察AI产品的视角。
问题六 AI时代学什么才不容易被淘汰
刘老师：大家很关心，什么脑力技能短期不会被替代，学什么才不容易被快速淘汰？
王小川：我想先说，不要被焦虑牵着走。今天觉得落后了，过一段时间可能发现，原来需要三个月做的事情，借助新能力三周就能完成。技术进步会不断改变我们对时间和领先的判断。
先减少焦虑，再开心地做事情，这是一个原则。身边的人都在往前跑，很容易比较，但今天的比较方式未必一直有效。
至于方向，我认为主要坐在电脑面前完成的工作，会受到很大的影响。与人打交道、走到真实场景中、做沟通和对齐，可能变得更重要。我们内部的工程师人数也可能减少，而需要更多人走出去，与外部协作。
十七 现场观众提问
临床数据不标准与医院合作动力不足怎么办
提问者：我是一名北大临床医学本科生，有两个问题。
第一，临床数据常常不是标准答案。对同一个患者，可能有两种治疗方案：风险不同、价格不同，很难用一个标准来判断。还有一些记录受医保等因素影响，可能存在数据不准确的问题。怎样处理数据不闭环和脏数据？
第二，医生与医院，尤其是顶尖医院，未必有动力推动可能替代自己工作的AI。这样一来，数据也可能很难拿到。怎样解决？
王小川：这是两个很深刻的问题。首先，数据脏与数据不闭环，是不同类型的事情。脏数据要另作清洗和处理；这里我重点讲数据闭环。
我希望获得闭环数据。只有一个厉害医生开出的方案，在我看来还不够。我们需要把后续随访和健康管理做起来，知道后来发生了什么。
AI医生上岗，可能成为获得闭环数据的重要力量。做队列、做随访，就是为了理解后续变化。我们不是只向医院要数据，还希望通过真实服务形成新的数据。
从“住院即入组”，扩展到“看病即入组”，甚至“出生即入组”，都是在探索新的数据来源。我们也在参与一些项目，帮助把后续随访和健康管理接起来，形成数据闭环。这里需要的不是过去那种零散的数据或单一影像数据，而是更全面、连续的数据。
所以，数据需要在服务过程中持续获得，不只是去拿已有的数据。
第二，与顶尖医院合作，确实非常难。医生习惯自己主导，技术公司往往只是外部供应商，或者按照医生的要求做模型和数字分身。这种上下关系会让真正的共同研究很难发生。
我们最近的进展，是请同时拥有丰富临床经验、又能发表顶级研究成果的专家参与，再由他们与科室合作。AI医生有一个优势：它能够迅速学习新的论文、指南和研究成果。大医院的医生尊重科学、尊重高质量论文；但技术公司不能只拿技术去谈，因为仅靠技术没有足够的话语权。要拿出真正高水平的医学研究，与医生在科学问题上合作。
AI会让社会更扁平还是让差距更大
提问者：我来自成都，目前在清华临床医学院学习，也在北大国发院修经济。您刚才说，AI出现之后，社会会呈现更加扁平的形态。我不太认同。AI常被比作电力，而电力出现后，人类的不平等并没有减少。我认为AI也可能让人与人的差距更大：能力和资源会向少数人集中，另一部分人则被淘汰。那么，AI时代究竟会不会扁平化？在这种情况下，做医疗的意义又在哪里？
王小川：你说的“社会是否扁平”和“为什么做医疗”，在我看来是两个没有直接连在一起的话题。我先回答扁平化。
我说的扁平，至少首先是社会分工的变化。过去需要许多不同工种协作，公司也分为大公司、中公司和小公司；未来公司可能变小，组织层级和中间分工减少。
但这不意味着所有人的力量变得一样，也不意味着头部力量会变弱。未来仍可能有少数头部公司，下面同时出现大量小型组织和个人。头部依然集中，但中间层级减少、长尾部分更加扁平。这两件事可以同时发生。
AI创业应该怎样选择方向
提问者：我有AI创业的想法。如果要顺着AI的发展趋势选择创业方向，应该考虑哪些维度，才能判断方向是否正确？您当时为什么选择AI医疗？
王小川：后面的课程还会有许多老师讲怎样选择创业赛道，我这里只讲自己的局部经验。
对我而言，这是一个逐步找到自己的过程。从搜索到百科，我曾经想做很多事情，有些并没有做成。最后我形成了两个信念：第一，我看见以语言为中轴的大模型时代正在到来，这是必须进入的一次变化；第二，我相信生命最终可以被建立为数学模型，而这也是我长期真正关心的事情。
所以，我选择的是把这两个判断合在一起：借助今天的AI，走向生命的数学模型。这两个判断都带有很强的个人经历和主观性，也与多数人的选择不完全相同。但我相信自己看见了它们，所以愿意沿着这个方向行动。
刘老师：也就是说，先相信一件事情，然后朝着这个方向行动，在过程中让自己的判断变成现实。
王小川：对，我是这样做的。寻找方向本身很难，我只能说，我先看见了一些趋势，也找到了自己真正愿意做的事情。
刘老师：这也回到了今天的主题：创业者先形成主观判断，再用行动把它变成客观现实。
十八 课程结束语
刘老师：后面还有许多嘉宾，大家都会有机会提问。与嘉宾一对一交流，是这门课的重要特色。课程容量有限，我们也希望选课同学能够真正做出项目，成长为优秀AI公司的创始人或联合创始人。谢谢大家。
十九 下期课程预告
9月16日（周三）晚6:40，我们换了更大的教室，在2教109。但容量仍然有限，请晚到的同学们谅解。
第二课主讲人：朱啸虎
金沙江创投主管合伙人
分享主题：互联网和科技创业与投资的异同