专访昆仑万维方汉：AI不能画饼，“能挣钱这件事很重要”|界面新闻 · 科技

界面新闻记者 | 伍洋宇

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。