界面新闻记者 |
界面新闻编辑 | 刘方远
方汉曾经不远千里飞往一座自己从未听说过名字的小县城，专程去“堵人”。作为昆仑万维董事长兼CEO，这是他代表公司去竞争AI人才时必要的自觉。
他说自己从不会让这些人来公司，都是自己“巴巴地”上门，找一家餐馆或咖啡厅，一口气跟人家聊上几个小时。凭借这样的方式，方汉成功为昆仑万维吸引了一批技术人才，这些人构成了Mureka和SkyReels的核心主创，这是昆仑万维继续参与下一个时代的两张最大入场券。
2020年，移动互联网浪潮式微，昆仑万维创始人周亚辉与方汉一起探讨公司的第二增长曲线。在VR、元宇宙、Web3、AI这些方向之中，他们选择了与互联网最为相似的AI，因为它将同样对普通用户影响极大。
2023年4月，昆仑万维正式发布大语言模型天工3.5，在“百模大战”中占了一席之地。但很快，这家公司没有选择在文本模型上过度投入，转而加速推进音乐与视频大模型的研发。
AI 2.0时代，昆仑万维坚信技术与产品的“双轮驱动”效应。因此在音乐和视频的AIGC领域，这家公司不仅打造产品，也将底模能力掌握在自己手中，并且对模型的SOTA（State-of-the-Art）表现具有执念。在方汉看来，SOTA是模型最好的营销方式之一。
2024年4月，昆仑万维发布第一代音乐生成模型Mureka V1，并于8月上线AI音乐创作平台Mureka。今年3月，公司再度发布Mureka O1与Mureka V6，其中Mureka O1为首款加入MusiCoT（Chain of Thought）的音乐推理大模型，性能超越了其全球范围内最强劲的对手Suno。方汉透露，这次迭代是受到DeepSeek-R1的启发。
另一边，公司在2024年8上线集成视频大模型与3D大模型的AI短剧平台SkyReels，又于今年2月开源面向AI短剧创作的视频生成模型SkyReels-V1。
音乐和视频，是昆仑万维筛选出来最好的AIGC内容赛道。“全世界有80亿人可以消费视频，40亿人能消费音乐，但可能只有20亿人能消费漫画，10亿人能消费小说。”方汉对界面新闻记者表示。
近日，昆仑万维发布2024年财报，公司实现营业总收入56.6亿元，同比增长15.2%。其中AI业务年化收入1.4亿美元，以AI音乐为例，其年化流水收入ARR达到约1200万美金（截止2025年3月底，月流水收入约100万美金）；截至2月，SkyReels-V1在Hugging Face下载量接近3万次，在Github点赞星数过千。
市值约370亿元的“中厂”昆仑万维，其长线命题是如何与大厂错位竞争。方汉认为最朴素的逻辑还是扎进一个细分行业，掌握行业中的数据和行为习惯并执行到最好，直到外面的厂商根本搞不定。
“任何一个大而美的公司，在早期一定是小而美的，否则大厂会毫不留情去碾压你。”方汉以字节跳动、小红书、B站为例，表示这些都是巨头在早期没有看懂未来会如何成长的“小而美”，等到巨头察觉不对时，已经很难与其正面竞争。
“所以小而美只是一个前期的竞争策略，最后能不能泛化才是你凤凰涅槃的关键因素。”方汉说。
以下为界面新闻对方汉的采访实录，略作编辑：
音乐和短剧大模型要做世界第一
界面新闻：你们2023年4月就发了天工3.5大模型，在国内算挺早的，甚至比一些“六小虎”还早。看起来你们完全可以用对标OpenAI那一套给自己积攒更多名气，但后来没有这么做，为什么？
方汉：逻辑很简单，我们在一个领域一定要做到SOTA才愿意大力投入。
文本大模型领域说实话实在是竞争过于激烈。但是在音乐大模型领域，我们从2020年就开始做，投入时间更长，这个领域竞争也没有那么激烈，只要我们全力以赴，就能做到SOTA。
界面新闻：你们最近刚发的音乐推理大模型Mureka O1加入了CoT（思维链），这是受到DeepSeek的启发吗？
方汉：OpenAI o1出来之后，大家知道推理模型这个概念的大方向，但具体怎么做，所有人都在探索。我们自己出了一个文本推理模型Skywork R1，对思维链有了一定认知，在DeepSeek R1出来之后认知就更深了。
我们就在想，除了文本模型，在多模态生成上面R1的技术能不能有效。比如音乐大模型我们花了很多时间去探索和做实验，看能不能跟美国的Suno做碾压式的竞争。
我们当然也走了很多弯路，但实验结果出来之后，我觉得我可以毫不谦虚地说，Mureka O1是目前世界上最好的音乐生成模型。
界面新闻：有CoT和没有CoT的音乐模型，它们在推理生成时的区别是什么？
方汉：首先肯定是生成质量有大幅提高，但我们是用时间换质量，也就是推理时长肯定会增加。原来的音乐模型可能不到一分钟就能生成一首曲子，现在时间可能要两分钟。但对于用户来说，他肯定更希望后者。
CoT技术可以大幅提高音乐模型生成质量，这个之前没有人证明过，我们证明了这一点。
界面新闻：为了证明这件事你们主要做了哪些投入？
方汉：在文本大模型上，Open AI最早做o1的时候雇了一批博士解数学题，做编程，然后得到一批好的数据。其他公司也有类似的方法，或者找一个更好的大模型给它生成数据。但音乐大模型完全没有这种数据，所以我们还是花了一些成本和精力去做这样一批好的CoT音乐数据，才能让整个训练成立。
打个比方，一个模型生成了十首曲子，1首好的、7首中等的、2首不好的，那我们就把这一首好的曲子挑出来，再让人工去把前序整个生成过程所需要的信号标注出来。
音乐创作跟解数学题不太一样，生产数据是一个蛮困难的事情，我们也是花了很多精力才知道在生成过程中有哪些信号，可以让模型更好生成更高质量的数据。
界面新闻：你们2月以来发了特别多模型，包括世界模型，面向工业界的多模态推理模型，视频生成模型等等。为什么要发这么多模型？
方汉：我们公司的使命是要实现通用人工智能，让每个人更好地塑造和表达自我。
这是分成两句话，第一句话叫实现通用人工智能，所谓的AGI既包括文本大模型，也包括理解物理世界的大模型。在这方面我们一直在做探索，是偏实验性的，它可能没有短期的商业价值，但是长期来看，我们仍然认为非常有价值。
第二句是让每个人更好地塑造和表达自我，这属于AIGC。在这个领域我们非常明确有两个模型，一个是Mureka，做音乐生成，一个是SkyReels，做视频生成，更准确地说是做短剧生产。
把这些全拆开之后，你会发现我们的整个商业模式就很清晰了。我们既要探索通用人工智能，也会在音乐和短剧的AIGC领域全力去拿到世界第一。
界面新闻：你们为什么会这么强调短剧这个领域？像“即梦”和“可灵”，它们不会把自己限制在这样小的范围里。
方汉：短剧是我们最看好的一个市场，它正在急剧增长中，视频生成也比较简单。
做通用视频模型就是试图全线（指短视频、短剧、网剧、电视剧、电影等）通吃。但通吃的结果是你得让所有人都满意。也就是说你必须做得非常全，非常强大。
但如果我们只做一个垂类，而且拍摄要求比较低，我可以在更短时间内让你满意。短剧一般都是竖屏，几个人的对话，没有大场景，专门做短剧模型必然是更快的。我们的短剧模型支持40多种人物表演的表情，300多种动作，通用模型这些数据是不如我的。并且我也认为AI短剧模型最有可能最早商业化。
界面新闻：但大厂的通用视频模型，它后期微调一下，可能很快就具备跟你们一样的能力。
方汉：理论上是这样，但是问题在于数据。就算它们来微调，那也得跟我们一样去把所有人物表演的数据标注出来。你要是做的跟我一样，我肯定是认输了，但我辛辛苦苦做了这么长时间，而且还在持续不断迭代，你怎么能保证你一定比我好？
我们跟大厂的区别就是，它们所有的数据质量都要特别高，我们只要把一个领域的数据做到最好。这个数据我们不会对外公开，你也很难去快速复制。
数据护城河在视频生成领域仍然是存在的。
“早期一定是小而美，否则大厂会毫不留情碾压你”
界面新闻：现在所有大厂都在全力投入AI，你们要怎么跟大厂错位竞争？
方汉：我觉得其实也比较简单，就是深耕一个行业，把这个行业的数据跟行为习惯全部做到最好，外面的厂商根本搞不定。
界面新闻：目前算力还会是一个瓶颈吗？
方汉：现在云算力是越来越多，如果算力有问题，你支撑不起高昂的算力，只能证明你的商业模式和产品模式有问题。
界面新闻：除了数据和算力，人才方面要怎么去竞争？
方汉：首先是你的技术真的能够达到排行榜上的SOTA（State-of-the-Art），你没有SOTA的技术就拿不到最好的人。我们虽然是一家中型公司，但我们音乐大模型排第一，还有其他很多模型能够在垂类领域拿到全球第一，这对人才是有吸引力的。而且在大公司并不是每个人都能当头的。
第二，我们相对来决策链条更短，就像创始人周亚辉也会直接跟技术沟通，技术得到的权限会更大。而且我们不会有大公司的部门竞争，这对很多人才来说也非常有吸引力。当然根本上你也得有比大厂更有吸引力的薪酬。
界面新闻：有你特别费劲才挖来的人吗？
方汉：多了去了，我们曾经为了挖人，飞到一个我之前都没听说过名字的小县城去堵人家，或者在北京我上门去请人家吃饭。我们从来没有让人家到我们公司来面试，都是我巴巴地上门，找一个饭馆、咖啡馆，然后一口气跟人家聊几个小时。
因为我说我们公司竞争力比大厂强，那是不可能的，但是我一定保证我的诚意比大厂强。
界面新闻：都是为了哪些岗位去竞争？
方汉：包括Mureka大模型的几个核心主创，以及视频模型的核心主创，都是我们竞争成功的。
界面新闻：周亚辉在投资笔记里说，你们要在社交、游戏、影视、动漫、音乐这几个领域做一个“小而大美”的企业，为什么你们不会说想趁着AI带来的变革去搏一个大而美的机会？
方汉：任何一个“大而美”的公司，在早期一定是“小而美”的，否则大厂会毫不留情去碾压你。
字节就是非常好的例子，张一鸣最早做今日头条的时候，所有人都看不明白这能长成多大。B站最早也是一帮二次元从A站分化出来。小红书也是这样，一开始只是分享购物笔记的地方。
为什么它们能长大？就是因为在早期它只想做小而美，然后在最核心的这批用户里巩固自己的地位，同时大厂没有兴趣跟你竞争。
但是你在做小而美的时候，就要想到它有没有可能泛化到大而美。我认为B站小红书和字节都是泛化到了更大，等它泛化的时候，大厂已经完全没办法跟它正面竞争。
所以小而美只是一个前期的竞争策略，最后能不能泛化才是你凤凰涅槃的关键因素。
界面新闻：你觉得在AIGC时代成为一家平台型公司，比上一个时代更难还是更简单？
方汉：上一个移动互联网时代更多是产品创新，通过烧大量的钱，迅速获得海量的用户，最后形成门槛。
但这个时代的技术竞争会更残酷，也不完全是烧钱就能保持技术红利的。因为用户的忠诚度还没有那么高，必须是技术发展到瓶颈之后，大家才会靠产品使用习惯形成护城河。
所以准确地说，肯定是这个时代成为一家平台型公司更难。
“挣多少钱不重要，但能挣钱这件事情很重要”
界面新闻：今年大家好像开始更频繁谈论AI应用公司的ARR（年度经常性收入），动辄数百万、数千万美金，在你看来，AIGC产品的PMF（Product-Market-Fit）现在已经如此明确了吗？
方汉：很多创业者，包括一些投资人，可能都会给大家画饼，说我的PMF多么好。但实际上要从市场侧来看，第一，它服务的市场有多大？第二，市场会花多少钱在这些工具上？
拿音乐来举例，在没有AI音乐生成之前，在中国做一首曲子，从找人作曲、作词，再找乐队演奏，找工作室混音，最后给你一盘带子，最低成本是10万块，一般来说在10万到100万元之间。
现在一首歌的推理成本可能就几十块钱，这导致创作成本和创作门槛都大幅下降，那么整个行业都愿意为这个东西付费。
所以AIGC行业应该这样看待PMF——整个行业现在每年消耗多少钱，以及你能帮他省多少钱。我认为音乐生成和图像生成已经到了完全可以商用的地步，但视频生成说实话还差一点，可能会稍晚1-2年。
界面新闻：Mureka可能长成一个多大的平台？你之前说它可以是数字音乐工作站类似“剪映”一样的平替，据说剪映和CapCut在2024年总收入接近百亿人民币，全球月活用户有8亿。
方汉：有一个比较简单的对比方法，就是全世界图像处理的软件市场，以Adobe为例，可能是一个200亿美金的市场规模。视频处理的市场规模可能是个四五百亿美金，剪映如果有20亿美金就吃到了5%的市场规模。
音乐创作现在是一个将近30亿美金到40亿美金的市场，在这中间吃个2%，就是一个5000万美金到1亿美金的市场，这是最低的。
但也不能简单这么说，因为音乐创作的门槛太高了，导致了整个音乐工作站、音乐制作工具的市场没有那么大。但是当我们这些新的创作工具介入之后，以后创作音乐的用户规模一定会扩大。
乐观估计，AI音乐创作这个市场应该是一个百亿美金级别的市场。我们这种做工具的头部厂商，我认为它的上限是每年10亿美金到20亿美金收入。
界面新闻：对你们来说，Mureka和SkyReels这两个平台现阶段就盈利这件事情重要吗？还是说你允许它们现在不赚钱。
方汉：挣多少钱不重要，但能挣钱这件事情很重要。能挣钱证明用户愿意为付钱，不然这个商业模式就不成立了。
但这里面也有一个技术红利问题。就是当你在这个领域技术指标做到第一之后，会有大量自来水用户。这批用户对我们产品的改进非常重要。
界面新闻：能挣钱这件事你们现在已经验证了吗？
方汉：肯定是验证了，我可以举好多例子。用户会把从我们这里做的音乐嵌到视频里，或者直接把视频发到平台上去获取广告收入，这些例子会越来越多。
我只能说，AIGC领域的盈利模型好于文本大模型，ToB一定是比ToC更好，这个没什么疑问。
界面新闻：抛开出海不谈，国内的ToB环境也是成熟的吗？
方汉：我认为也是成熟的。现在全国每年花100亿人民币拍短剧，这个市场需求是摆在那儿的，你只要能给他们降低成本，他们一定愿意掏钱。
界面新闻：你对整个AI行业局势有什么新的判断？
方汉：应该说具备生产力的应用开始正式进场了。以前的产品模式跟商业模式都不太接地气，现在新的产品模式和商业模式都在不断涌现。
本质原因是模型真正到了一个可用阶段，这确实是一个挺难的事。
界面新闻：年初Manus爆火，现在很多大厂也纷纷跟进了，你对通用Agent这个产品形态有什么看法？
方汉：我们不评判友商。不过我认为在大模型时代，模型本身的改进会把所有外部套壳产品的改进碾得粉碎。
这是我们观察到的现象，倒不光是Agent这一个领域，整个领域都是这样。当时这么多人去做GPTs，OpenAI稍微改了一下，整个行业就废了。
所以模型本身的迭代，会把之前套壳和外部做应用的一些厂商都弄得非常之难受。我觉得还是要专注于模型本身能力的提高。
界面新闻：所以你认为Agent这件事里，更有话语权的依旧是模型厂商。
方汉：肯定是模型厂商更有话语权。Agent是大方向，这个没有问题，但它严重依赖于底模能力，底模能力不行，你能干的事就少很多。
所以你首先得有一个特别好的底模，其次你没有任何能力阻止这些大模型厂商不干你这个生意。
界面新闻：你们会自己去做一款Agent吗？
方汉：我们会做这方面的探索跟科研，但并不是我们的主赛道。Agent的整个架构其实挺复杂的，Antropic出了MCP协议，谷歌出了A2A协议，Agent现在还处于互联网早期做TCP、UDP协议的时期。
但是千变万化，大家最后还是要拿Agent来干活。就算当初互联网在医疗、金融领域落地，还是需要大量的系统集成厂商去做行业软件。
我们对于某些行业还是有自己的一套研究和积累，比如我们原来的PPT生成和PDF生成，是国内最好的产品之一。所以我觉得我们做Office Agent，是有可能受到用户欢迎的。
界面新闻：周亚辉在他2025年第一篇投资笔记里写，他在2021年就草拟过昆仑万维的使命，是在2030年实现AGI。当时为什么会有这么一个使命的探讨？
方汉：我们其实是从2020年开始给公司找第二曲线，当时选择非常多，有VR，元宇宙，web3，AI，我们最后选了AI。
我们认为从用户角度来说，AI是一个更像互联网的产品，比如说对普通用户的影响会极大。只不过有两个选择，到底是通用人工智能还是AIGC？
这两件事当时并没有明确的分界，但因为我们一直做内容，所以非常清楚AIGC能够长得多大。至于AGI，这个应该说是人人都有梦想，你总得有梦想。
