# 对ONE2X创始人王冠3小时访谈：生成系统、没有中间商赚差价、内容平台的权力分配

> 张小珺商业访谈录 No. 123 精读

- 发布日期：2025-12-12
- 主持：张小珺
- 原节目：https://www.xiaoyuzhoufm.com/episode/693bc72b37f52a644e8e2550
- 网页版：https://zhangxiaojun.qiaomu.ai/ep/693bc72b37f52a644e8e2550.html
- 精读字数：约 9901 字（阅读约 22 分钟）

> 本文为 zhangxiaojun.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

2024 年 1 月，王冠从月之暗面离职。他是这家公司第一个离职的人，离职流程从他开始有。此前他是 Kimi 模型产品负责人，现在是 ONE2X 联合创始人兼 CEO，产品叫 Medeo，一个 AI 视频生成器。

这期节目聊了三个多小时。前半段是产品经理的十年，从百度的用户画像，到旷视的算法生产力工具，再到澜舟科技和月之暗面。后半段是推演，数据如何决定智能的边界，视频为什么是 AI 时代内容的起点，生成系统如何取代推荐系统，创作者和平台的权利怎么重新分配。

王冠喜欢推演，也承认有些推演很民科。他有一套自己的框架，从「压缩即智能」到「数据是智能的第一性原理」，再到「生成系统等于 DSL 加 context 加 environment」。这套框架支撑他做产品，也支撑他搭了一个 30 人的远程组织。

## 从百度到月之暗面，三次踩中 OpenAI 的发布节奏 0:02:00

王冠说自己是草根创业者，没有鲜明标签。2010 年代他在百度做大数据，给用户算多维标签，就是今天的 user profile，还做过基于画像的差异化定价和补贴。后来做算法开放平台，把大厂的算法能力用 API 开放出去，再后来做飞桨开源框架。在旷视，他做算法生产力工具，想办法更快更低成本地生产一个算法。

2020 年 6 月 GPT-3 出来，他受到的冲击很大。此前他工作的主线一直是让用户更低门槛地获得某种算法能力。GPT-3 让他看到，一个 prompt、一个 few shot，就能得到一个翻译 API、一个摘要 API。技术门槛突然被抹平了。

他加入澜舟科技，周明创办的预训练创业公司，做社区模型的中文复现和轻量化。2023 年初，他去了月之暗面。

在月之暗面之前，他自己尝试过三次方向，三次都撞上了 OpenAI 的发布。

第一次是写作辅助，在 notion 里做文字补全和处理。产品刚跑通，ChatGPT 出来了。

第二次是用 codex 接口做图表生成，输入 Excel 数据，描述你想要的图表，模型帮你画出来。项目刚能画出一张图，GPT-4 出来了，能写 SQL，画图只是时间问题。

第三次是做 workflow 节点编排，把模型能力和数据源变成一个个节点，指定 prompt，连起来。很像今天的 Coze。项目刚跑通 demo，融资流程都在走了，plugin 出来了。

三次之后，他反思问题出在哪。答案是：他对模型能力怎么来的、未来往哪走、自己做的事和模型能力的关系，完全没有答案。相当于在虚无的地基上盖房子。

他决定去一个能近距离观察模型能力的地方。月之暗面的周昕宇是他在旷视的同事，拉他入伙。当时月之暗面还没有六小龙的说法，资源和声量都不如其他几家。他接触完团队，觉得这里能实现他的目标。

在月之暗面的体验，他形容为之前工作经验里最好的。目标纯粹，搞出 AGI，像当年搞出原子弹挺直腰杆子。和一群聪明人做事省力，不需要开很多会对齐，各自理解问题、各自做事，最后发现能拼起来。

**他是公司第一个离职的人，离职流程从他开始有。**他离职的理由藏在工作历程里：公司成立时间离他加入越来越短。按这个趋势推演，他一定会自己创业。更关键的是，他想明白了三个问题：模型能力从哪来，未来怎么发展，自己做的事和模型的关系是什么。

## 压缩即智能，数据决定智能的边界 0:28:39

周昕宇在五道口龙人居给他讲了三个多小时压缩，一直讲到餐厅下班。全是公式。王冠没听懂，但大受震撼。后来他去找 Jared 在 OpenAI 讲的压缩视频，发现很多观点和周昕宇契合。这是他真正进入大模型的门。

压缩的对象是数据。数据原本是离散的点，压缩之后，点与点之间形成联系，也就是连续。连续对外展现出来，就是智能、涌现、泛化，也包括幻觉。

GPT-2 是一个直观例子。此前翻译、摘要、补全都是单独训练的单点任务，各有各的数据和模型。GPT-2 把它们统一成自然语言的输入输出格式。结果模型在只训练了中英翻译和中文总结的情况下，学会了英文总结。两份数据里没有这份数据，能力却长出来了。

语言是很好的压缩载体，对世界的表达足够丰富，训练成本又比图片、视频低。

王冠把这条思路推到底，得出一个结论：**数据是智能的第一性原理**。AI 行业有句自嘲的话，他把它当真。

> 有多少人工就有多少智能。

算法工程师解决不了一个指标时，常对产品经理说，你再去搞一些数据。为什么是产品经理搞数据？因为数据代表的是对问题的理解，业务属性强、行业 know how 深的问题，更偏产品问题。技术可以用算力换数据，比如用 RL 训练模型，前提是代码、数学这类封闭域能自动验证数据质量。大量开放场景没有这种条件，只能把行业理解转换成数据。

他有一个「智能时空观」的比喻。智能是一个空间，数据决定这个空间的边界。算力是逼近边界的速度，算力越充分，越早触达边界。算法决定涌现，像一个大圆里套一个小圆，小圆不断靠近大圆边界，最终突出去，画出新的边界。突出去的部分，就是超出原有数据代表的能力边界。

这个框架推下去，能推出行业阶段，也能推出不同玩家适合做什么。

## 三份数据，产品创业的机会在第三份 0:42:23

数据分三个阶段，每个阶段利好不同的玩家。

**第一阶段是公域数据**，互联网和历史信息化沉淀下来的数据，你有我也有。大家比谁先到达边界。适合人才密度高、算力充足、决策快的组织。中美基座模型在这个阶段已经拉平，剩下的差距来自算力和更早提供服务带来的场景数据回流。

王冠的判断很直接：**在算力算法差不多、数据相同的情况下，模型效果不会出现代差。**可能在某些任务上你比我好，另一些任务上我比你好，但不会有数量级的差距。

**第二阶段是领域数据**，我有你没有。利好大厂，也利好信息化做得好的传统行业。模型能力会开始分化。

前两个阶段都不属于产品创业的机会。第一个阶段更适合基座模型，第二个阶段更利好大厂。第三个阶段才是：**产品内生数据，之前不存在的数据**。

ChatGPT 是样本。在它之前，历史上没有一份数据是通过自然语言对话解决各种奇怪问题的。这份数据因为产品形态而存在，又反过来训练模型。应用公司可以照着这条路走：从第一天就设计一份之前不存在的数据，让产品形态产生它，再让它训回自己的模型。

数据飞轮这个词不准确。不能把所有用户数据一股脑训回去，否则模型会趋同于用户的平均智能水平。要有一套机制筛选出代表更高智慧的数据。特斯拉 FSD 今天能用于训练的数据可能不足千分之一，一开始不是这样，标准是一点点提高的。

这也解释了王冠为什么出来创业。他推演出了应用阶段的存在，也找到了应用公司不被基座模型吃掉的办法：构造新的产品形态，产生内生数据，长期和基座模型共存。

竞争问题他也想过。没有任何公司做不了别人做的事，OpenAI 也一样。差别在三个维度：目标、位置、速度。目标决定路径，路径反过来影响目标。位置决定起点，从设计一份新数据出发，和从解决一个具体商业问题出发，起点不同。速度和组织有关，团队越小、人才密度越高，早期速度大概率越快。

产品形态在早期会收敛。做 chat 的时候大家都是 chat box，做 coding 的时候大家都是 IDE 形态。收敛的是方法，分化的是底层做法和目标。

## 为什么是视频，不要在诺基亚时代做 App 1:05:36

2024 年初王冠出来创业，公司到 Q2 才成立，过程很坎坷。刚出来时，视频模态并不成熟，最成熟的是文字，图片也不错，视频还很早期。

选视频有三个理由。

**商业上**，团队起步微末，要先养活自己。视频价值高。美国市场有 20 到 30 家做视频处理 SaaS 的公司，ARR 能做到几千万美金，是一个典型的蚂蚁工具市场。单点能力做到足够好，就能有不错的收入。

**技术上**，他们要做的产品从设计一门语言出发，前提是这件事能被设计成封闭域，像围棋，规则固定，下一步可计算。视频处理可以。视频的特效、花字，都是原子能力，数量有限。视频制作过程就是这些原子能力按时间关系排序组合。

**未来上**，互联网的模态发展顺序是文字、图片、声音、视频。原因在生产力：模态越高，人的生产门槛越高，产量越小。AI 把不同模态的生产门槛拉平之后，价值最高的模态会成为新时代的起点。视频是 AI 时代内容的起点，之后只会出现更高维的软件和游戏。

产品做法和别人相反。他们从设计 DSL 开始，先回答一个视频如何被准确表达、制作方法如何被准确表达，再往下做数据存储、agent 框架，最后才是软件界面。界面在他们内部叫 environment，人和智能体共同活动的环境。

这个环境像一个标注平台。人和智能体在里面的活动都会产生数据，比如几个镜头的顺序为什么是 A 不是 B。但用户的使用记录不作为迭代参考，因为要找有效数据。标注由内部专家完成，PM 和有视频审美、制作能力的人一起。通过标注产生数据，把数据内化到系统里，用户昨天和今天做同一个视频，质量会不一样。

> 不要在诺基亚的时代去做 APP。

这是他们的判断。生产端离模型最近，技术还在快速变化。对标语言模型，Veo 3 和 Sora 2 相当于 GPT-2 时刻，第一次把视频的多个单点任务合到一个模型里，还远没到 ChatGPT 时刻。今天还做不到端到端，输入一个视频参考它做一条新视频。现在做工具，是在为未来那个能力稳定的状态搭架构。

他把今天的阶段叫诺基亚时代。诺基亚里也有小游戏、计算器，但和 iPhone 时代的 App 不是一回事。生产端是离模型能力变化最近的地方，也是为未来积累数据的地方。

视频内容分两类。物理世界的视频，用摄像头拍，供给已经足够丰裕，短视频生态基本围绕它。他们做的是理念世界的视频，知识、思想、公式、动效，用摄像头拍不出来的东西。内部的说法是，要在视频世界里建图书馆、歌剧院和大教堂，对应知识、艺术和精神类内容。

商业价值够不够大，王冠的判断是，物理世界的视频供给已经充分，理念世界的视频还在早期，成本高，空间也更大。他举了一个潮玩客户的例子。潮玩天然适合视频化，在没有好的生产能力之前，做一条视频成本太高，不是好生意。这个客户用 Medeo 把潮玩在小红书上的 AI 视频内容包圆了，生产效率足够高，成本足够低，新品类就出现了。

还有品牌广告。苹果、耐克一年做几条高大上的广告，每条几十万甚至上百万美金。很多公司也需要这样的表达，只是过去做不起。生产成本降下来，这类需求会变成新的内容类型。

## 应用公司和模型公司，边界正在消失，生成系统是终局 1:41:59

节目里问了一个问题：模型公司做产品，产品公司做模型，当大家面对一个很有商业潜力的场景，谁能赢？王冠的回答是，影响因素太多。目标、路径、起点、资源、人才密度、决策速度、组织稳定，都会影响结果。OpenAI 内部斗争这种事也会改变局面。

他的判断是，**今天不应该再区分模型公司和应用公司**。模型公司都在做产品，应用公司也不该只被看成壳或者软件公司，它们只是还没有开始做自己的模型。Cursor 一直在做自己的模型，速度可能没那么快，但体量和资源已经足够支撑一个 coding 基座模型。只有把基座模型握在自己手里，成本才可控，效果才有优化空间。

应用公司会遇到模型能力边界。基座模型是通用的，参数量固定，能力会分配到不同任务上，有些任务互相促进，有些互相排斥。一个以通用为目标的模型，和一个以具体场景为目标的系统，能力需求不同。到了边界，应用公司只能在 system two 层面调 prompt，或者放弃某个效果。

王冠现在的做法是，把国内基座模型厂商当成自己的模型部门，把场景做成 evaluation 和种子数据，让厂商帮忙训模型。厂商训出来的模型也会给别人用，但至少他的场景天然更适配，他也更知道怎么用这个能力。这是没有钱和卡训自己的模型时的取舍。

从成本看，调用 Claude 这类成熟模型现在更划算，规模优势、推理优化、算力集群都在厂商手里。可当场景变成很大的生意，应用公司一定会遇到模型厂商做同类事情，上下游变成竞争对手。到那时，效果和成本都会逼着应用公司训自己的模型。

应用公司的优势，王冠只说了一个：速度。速度是说你离目标的位置和对手离目标的位置，距离差在扩大还是缩小。今天每个应用公司在一张地图上，离目标应该比大厂或基座模型厂商更近，至少有一段距离差。剩下的事就是保持或者扩大这个距离差。

通用 agent 和垂直 agent 的边界，他用一句诗形容。

> 千江有水千江月，万里无云万里天。

垂直公司像千江有水千江月，每条江都有自己的月亮，自己的数据、自己的智慧、自己的商业价值。通用 agent 像万里无云万里天，最后只能有一片天。他也说，这只是过渡状态。垂直 agent 会延伸边界，视频可以降维成图片、PPT，通用 agent 会往深做，大家最后殊途同归，回到最朴实的道理：你生产什么，用户愿意花多少钱，拿到什么效果。

AGI 他分两种。广义 AGI 是一个状态，模型知道自己不知道什么。今天的模型不知道，你也不知道它知不知道自己不知道。达到那个状态，模型可以有目标地学习，补全自己不知道的东西，学习速度会很快。狭义 AGI 是局部的、渐进式的，在某个有价值的商业领域，模型能自己赚到钱，用钱买数据、买算力，再赚更多钱，形成闭环。炒股是典型例子，今天这个过程还需要大量人介入。

王冠说，AI 时代的公司最终都是生成系统公司。生成系统可以类比推荐系统。推荐系统是一种方法，可以推荐文章，就成了今日头条，推荐视频，就成了抖音，推荐段子，就成了皮皮虾。生成系统也是一种方法，可以生成视频，也可以生成别的东西。

生成系统由三部分构成。

**第一部分是 DSL**，特定领域语言。视频到底如何被准确表达，视频的制作方法如何被准确表达。DSL 是整个 context 的基础层，所有东西都从它长出来。

**第二部分是 context**。Context is everything，everything is context。基座模型一样，产品好坏由模型之外的 context 决定。同样的 token，谁能实现更好的效果，谁就赢了。Agent 框架、workflow、领域 know how 的专库，本质上都在产生更有效的 context。React 这种方式会消耗海量 token，把确定的部分提前固定下来，需要新产生的 token 就少。Memory 管理机制也会降低 token 消耗。

Context 解决两种 gap。一种是用户意图的 gap，一句「我要一个报告」很模糊，推理模型用很长的推理过程补 context，结果会变好。另一种是行动的 gap，智能体要规划、要用工具，需要更明确的信息，让模糊指令变成精确行动。

**第三部分是 environment**。界面看上去是软件，里面不只有人，还有智能体，智能体活动的占比会越来越大。环境里的每个按钮、每个 GUI 操作，都要能和智能体的行动对应上。环境不是简单记录 log，产生的数据要可被学习。还要有 reward function，能筛选有效数据，把好的方法留下来。

他用做菜打比方。中文菜谱很不精确，盐少许，换一个人做，味道一定不一样。如果把做菜环境搭得足够完善，厨师第几分钟开始动作，手臂角度，油温，锅温，都能被记录，被另一个系统理解执行，recipe 就能无损传递。

这套东西听起来笨重、慢。王冠承认，这可能更适合他们的团队基因和对产品的理解。今天看到的产品形态，能力聚合、编辑、agent 和 workflow，每一种都有价值，也都有做得好的公司。他们只是选了从 DSL 出发这条路。

## 权力向消费端转移，没有中间商赚差价 2:25:49

信息商品的链条，从生产端、平台端到消费端。王冠的推演是，权力重心会向消费端渗透。

软件时代像供销社，只能买我生产的东西，权利在生产端。互联网时代，权利转移到分配端，电商平台、推荐引擎、搜索引擎都是分配平台。再往下推，权利应该转移到消费端。消费者想要什么，内容就生成什么，不需要告诉模型太多，系统会根据你的 user profile、你所处的环境、你此时此刻的精神和生理状态来生成。他拿《火影忍者》里的无限阅读打比方，每个人生活在自己的想象世界里。这个终局还很远。

平台会怎么变？王冠说，一定会有新平台出现。传统分配平台依托双边关系，生产端永远需要人。生成系统里，生产端需要的人会越来越少，操作和努力越来越少，生产方法会被越来越精确地记录，未来甚至可以被 IO 出来。双边关系的生产端会自动化，变成单一供给方。一个生产平台，比如字节，会变成一个生产系统，所有生产者都是这个公司的员工，只是不需要那么多人。

创作者还在，但身份会变。一类是金字塔尖的创作者，属于生产平台的员工或合作方，能在平台能力之上提供增量数据、额外智慧。像每月付 200 美元用 OpenAI 的那批人，能把系统用到极致。系统是他们的能力放大器，把最强的人复制一万份、十万份，让少数人产生海量内容。

另一类是产销者，生产的同时就在消费。写文章进入心流状态，过程本身有价值，最后产生的文章对自己也有价值。退休老干部写毛笔字，买很贵的笔墨纸砚，生产过程就是消费。产销者的条件是，自产自销的价值要大于生产成本。文字和图片已经发生了，在 chat bot 里做思想实验、调研问题，产生一份对自己有价值的报告，不用拿出去赚钱。图片社区里很多人画图给自己看，喜欢某个漫画角色，自己画图包，不需要卖给别人。视频的生产成本还太高，所以还没普遍发生。

今天平台上的创作者，很多是为了流量，为了注意力经济。王冠举了一个短视频例子：拍一个远处的山，镜头突然拉近，其实什么都没有，两三秒，你第一次没看清，就会循环播放，完播率就高。黄金三秒、hook、废话铺垫，都是在撞推荐算法的匹配机制。产销者的逻辑不是这样，生产本身对自己有价值就够了。

生成系统和推荐系统的本质区别，王冠用一句话概括。

> 没有中间商赚差价。

所有互联网平台都是中间商。推荐引擎、搜索引擎、电商平台，都是。平台掌管分配和消费，通过分配端的权利控制生产端。创作者投入成本、付出努力做出内容，发到平台，可能只是用户滑动中的填充物，没有得到应有的价值。分配也可能失效。同样的内容，不同的人发，量一定不一样。牛顿和莱布尼茨同时发明微积分，发到平台，牛顿的量一定更大，因为身份权重更高。两个 user profile 完全一样的人，同一时间、同一地点，发同样的内容，量也会不一样。同样的商品，价格不一样，这套分配机制不那么有效。

生产系统没有分配这个环节。需求直接交给生产端，生产端生成内容，直接给到消费者。它把分配内化在生产系统里，从库存分配的逻辑变成直接下单的逻辑。内容对消费者自己的价值，在生产时就兑现了。

这会把创作变成表达。语言是每个人都能用的，文字消灭了大部分文盲，全世界约 70% 的人能读写，图片表达的人更少，音乐更少，视频最难。模态的信息密度越高，成为表达的难度越大，可一旦成为表达，产生的价值也更大。古代文字需要笔墨纸砚、会写字，书很珍贵。文字变成表达方式，才有了微信。视频今天还是一种创作，未来应该变成表达。情侣写情书，新郎在婚礼上做一个相识到结婚的视频，大家觉得很棒，但今天这还是创作。未来它应该变成低门槛、随时能做的表达。

平台会从分销平台变成产销平台。生产的东西也会变。之前生产单点内容，一份内容丢进公域池子，接受算法匹配，内容之间缺乏连续性。未来生产者生产的是 recipe，一种方法，不代表某一条视频，代表视频 A 和 B 共有的、可复用的内部。它对应的是 IP，有共同属性的连续内容。

货币也会变。之前是注意力，平台需要注意力，所以会出现那种两三秒让你看不清的内容。内容丰裕之后，注意力有限，价值会转移到信任。暴雪早年「暴雪出品必属精品」就是信任。Substack、Medium 的订阅逻辑是信任作者，不是流量分配。公域平台变成招商引资的地方，创作者经营私域，公众号导流到小报童、知识星球，都是信任在兑现。AI 时代，稳定质量的内容生产变得规模化，每个人都可以形成自己的 IP，不需要在公域流量池里抢注意力。稀缺不会消失，只会转移，从单点内容转移到 IP，IP 的载体是信任。

## 北极星指标是智慧程度，一个 30 人的远程组织 2:50:34

AI 产品怎么做？王冠先说，现在大家的产品都挺 AI native，因为都是有了 AI 之后才做的，只是路径和形态不同。能看到的产品形态有几种。能力聚合，像 Poe，天然有价值。聚合之上加编辑能力，价值更多。再往前是 agent 和 workflow，把 AI worker 引入系统，进一步提效。每一种形态都有做得好的公司。

他们的北极星指标是系统的智慧程度。做产品要有商业价值，这是基本标准。在这之上，衡量系统能做出 60 分还是 70 分的内容，相同输入下质量是否提高。还有一个分母，做到相同质量的内容，消耗的 token 越少，系统越智能。他拿人做类比，一道复杂的数学题，一个人看一遍直接说出答案，另一个人要把过程演算出来，中间还算错一遍，最后得到相同答案，通常认为前一个人更聪明。

商业上，他更看重少量用户产生大量营收。3 个用户产生 100 万营收，和 10 万用户产生 100 万营收，前者更好。原因是生成系统的价值是 scale 最强的人，更强的人也会让系统变得更强。这不代表不做 ARR，产品真能解决问题，定价合理，收入是水到渠成的事。

组织上，他把公司当成一个环境，每个员工是一个智能体。人会被异化，异化的直观表现是意义的缺失。大厂里很多人苦恼，这件事不是我想做的，一层层追问意义，最后发现意义是虚无的，人被异化成公司营收、组织 KPI、老板的工具。搭环境的意思是，意义由自己决定。每个人的 reward function 不是公司制定的，是他进入组织时带着的目标，或者在组织里产生的目标。环境要做的是找到这些 reward function 和组织目标契合的方式。

产品的智慧程度，等于组织在这件事上的智慧程度乘一个转化率。转化率的关键是每个人主动、自驱，认同自己的目标。做 Medeo 的同事如果对视频缺乏热爱，转化率一定低。人有主观能动性，自己对这件事感兴趣，工作就不是负担，又回到产销者的逻辑，生产过程中就在消费。

ONE2X 现在 30 个人，3 个 co-founder，没有管理岗，全员远程，每周一天线下办公，还是大家主动要求的。王冠自己不去公司。十一期间很多同事没有完全休假，一直在提交代码，有人提交，有人核对，公司没有加班安排，远程办公也没人知道谁加班。有人 reward function 很简单，就是不想公司死掉。

远程办公有孤独和信任问题。纯线上、异步的文档和留言，会让人怀疑对方是不是在敷衍。他们的解法叫温暖可信计划。内部有一个公司朋友圈，每个人在飞书里建自己的话题组，可以发工作，也可以发生活，大家不怎么发微信朋友圈，但很喜欢发公司朋友圈，写很长的小作文，讨论生活八卦。公司没有层级感，founder 也 hands-on，王冠负责模型产品，另外两位 co-founder 负责复杂编辑器底层架构和 system two 工程架构。

招聘看两点。自驱力和主动性，判断依据很具体，自驱力强的人会 build in public，写开源项目，分享认知，做工作之外的项目并发出来。另一点是对某件事的热爱。每个人有一个向量，投影要落在公司这条线上，不能反着，也不能垂直。热爱的事可以是休息，可以是直播睡觉，但要能和公司要做的事找到契合。

融资起步很难。2024 年初资本市场差，大模型刚投完，应用公司还没形成共识。他们做好了不融资的准备。不融资就不会用生成系统这么重的方式，可能会像海外很多工具产品，从一个小功能点切入，先赚钱，再谋后路。转机在 2024 年下半年，资本市场回暖，DeepSeek 和 Manus 把应用创业的资本热情激发出来。DeepSeek 证明开源模型效果可以很好，Manus 对应用创业更本质。

产品没发布前，他们已经在赚钱。潮玩视频客户用测试版支持，按工具 token 付费。王冠自己也用 Medeo 做视频，发到视频号，一个多月做了 200 多万播放。一开始不知道能赚钱，后来看到视频号流量分成，几百块钱。他意识到这个产品真能赚钱。最近线上产品还发现一个头部 AI 内容博主，把周围人的 Google 账号全借了一遍，每一档积分包都买完，积分还不够用，联系到他们，他们才知道。

团队是传销模式，一度、二度人脉拉人。同事背景很杂，工具公司、AI 公司都有，大厂的不多。很多人一开始在大厂或不错的创业公司，后来自己出来创业，或者加入非常早期的公司。大概一半的人之前做过 founder 或 co-founder，另一部分人是公司成立时的核心员工。

未来平台从分销平台到产销平台，生产从单点内容到 IP，货币从注意力到信任。王冠也承认，这些推演可能很民科，五年后、十年后再看。节目最后他聊到「一代人」的时间概念，25 到 30 年，一个 30 多岁的人做的产品，可能是比他小 25 到 30 岁的人在用，他在服务另一代人。他常读《道德经》，最近读汪曾祺的《慢煮生活》，喜欢传统文化，觉得道家哲学和自己更搭。老子入世，庄子超脱，他用「