Simile 创始人 Joon Sung Park：客户要的不是预测，而是改变未来

▍嘉宾：Joon Sung Park

Joon Sung Park 是斯坦福计算机博士，AI 智能体研究的早期奠基者之一。

• Smallville 实验：2023 年作为第一作者发表《Generative Agents: Interactive Simulacra of Human Behavior》，让 25 个智能体在虚拟小镇里生活、社交、自发筹办情人节派对，首次把记忆、规划、反思写进智能体架构，是今天智能体浪潮的源头论文之一。
• 从学术到创业：博士期间师从 Michael Bernstein 与 Percy Liang，2025 年 6 月离开斯坦福创办 Simile，并说服两位导师以联合创始人身份加入。
• 画家出身：进入 AI 之前是人物画家，他把“画谁就像谁”的画家直觉用在了建团队上。

▍关于 Simile

Simile 是一家“人类行为基础模型”公司：用 AI 模拟真实人群如何思考、决策和行动，让企业把产品和策略先在模拟人群里试一遍，再投放真实世界。

• 核心产品：合成用户面板（synthetic panel）——客户指定人群，Simile 建模并模拟其反应；关键验证是预测人类行为与态度的准确率，达到人类自我复现一致性的 85%。
• 客户与增长：服务 CVS 等财富级客户，公开口径称已为财富 100 强企业跑过数千万次模拟，2026 年 2 月公开发布至 7 月收入增长 5 倍。
• 融资：2026 年 2 月以 1 亿美元 A 轮（Index Ventures 领投）出隐身；2026 年 7 月 30 日完成 2 亿美元 B 轮，Greenoaks 领投、估值 20 亿美元，累计融资 3 亿美元。
• 创始团队：除 Joon 外，联创包括 ImageNet 合著者 Michael Bernstein、“基础模型”一词的提出者 Percy Liang，以及负责商业化的 Lainie Yallen（曾主导 Hebbia 的规模化扩张）。

半夜 Zoom 与当场拍板的投资

Harry： 这里是 20VC，我是 Harry Stebbings。我已经老了，也腻了那些千篇一律的播客开场白，所以今天给你们讲个故事。Shardul Shah——Index Ventures（译者注：即 Index）过去十年最出色的投资人之一——某天深夜给我发邮件，当时我正陪家人度假。他说他正在领投一家公司，说他从没见过这样的销售和增长势头，要知道他可是投过 Wiz 和一大堆十角兽（decacorn）的人。

于是我去见了这位创始人——半夜、家人度假中、Zoom 电话上见的。他是我见过的最厉害的 AI 头脑之一。很自然，我当场就投了，但我也说：你必须来上我的节目。他就是 Joon Sung Park，Simile 的创始人兼 CEO。他们预测未来——这是一家用模拟来预测人类未来行为的公司，不可思议。

这期对话我最大的收获是：未来人们可能会花几亿美元去买一场对未来的模拟，因为人们从产出里得到的价值会大到让他们心甘情愿掏这笔钱。这是我们很久以来最好的一场 AI 技术对话，能请到 Joon 太棒了。

Harry： Joon，这期我兴奋坏了。Shardul 跟我说我必须见你的时候——说实话，Shardul 不常跟我说“你必须见某个人”。所以我当时想：哇，荣幸之至，谢谢 Shardul。然后我们见面是在我陪家人度假的时候。我记得祖父母在楼上睡着了，我只能压着嗓子跟你说话。我记得当时对你正在做的东西兴奋得不行，同时又得对隔壁睡觉的老人保持十二分的尊重。真的太感谢你能来，兄弟。

Joon： 谢谢你邀请我。很高兴来这儿。

情人节实验：Smallville 与智能体的记忆

Harry： 我之前跟你的不少投资人和朋友聊过，他们都说，开场必须从你非常独特的背景聊起。具体来说，你因为一个项目出了名，而它围绕情人节和一场由此发生的模拟。能讲讲当时发生了什么，以及它怎样引出了 Simile 的早期岁月吗？

Joon： 那是 2023 年。我们当时有个想法：大语言模型（large language models）常被用来做分类、简单生成这类简单任务，但我们认为，这些模型其实蕴藏着潜在能力（latent potential）。我们早期的一个观察是：这些模型训练时吃进了海量人类在网络上表达的行为数据、情感数据，所以如果你以正确的角度去戳它，其实能从中提取出非常逼真的人类行为。我觉得这非常有趣。

更有趣的是它不限定领域。你去看计算机科学的文献，几十年来我们一直有个愿景：造出可以泛化的智能体（agent），能在任何环境里真正像人一样行动。我当时想，也许机会就在这里。于是我们问自己：如果沿着这条路快进很多年，最宏大的愿景会是什么？答案是：创造一个小镇的完整生活体验。

具体的设想是：做一个游戏小镇，放进 25 个 NPC，也就是非玩家角色——只不过这些角色真的会早上醒来、做日常事务、去上班、经营人际关系。他们会记住彼此的互动，会规划自己的一天。而我们看到的一些惊人现象是：模拟设定的时间是情人节前一天，你会看到这些智能体自发聚到一起、办派对、自我组织——他们真的会筹划派对、装饰咖啡馆。我们觉得太有意思了。

这项研究有两个根本性的贡献。第一，它是最早造出智能体的实践之一。这批智能体当年搭配的是 GPT-3.5、text-davinci——那时候还没有 ChatGPT——再配上记忆（memory）、规划（planning）和反思（reflection）。这基本上是这些概念第一次成为所谓“智能体工作流”架构里明确的组成部分。

灵感的来源是：如果你让多个智能体生活在一起，你会希望他们记得彼此。当年的语言模型没有记忆这个概念，所以我想，得给他们记忆，不然他们每次见到室友都会说“嘿，很高兴认识你”。于是我们给了他们记忆、规划和反思的机制，去消化很长的时间跨度。

Harry： 那这个记忆问题你们是怎么解的？因为今天人人都在说“我们有记忆难题”。你们当年是怎么解决智能体的记忆问题、防止那种情况发生的？

Joon： 当年的最初想法其实相当简单：这些语言模型很擅长解析自然语言，所以我们把所有东西都放进 Markdown 文本文件里，就这样，居然管用。

但问题在于，语言模型有上下文窗口——即使今天窗口越来越大，这些智能体在这个小游戏小镇里能拥有的经历也是海量的。再想象一下，如果把这套东西搬到我们生活的真实世界，积累的记忆量会庞大得惊人。问题就变成：怎么从这么大量的记忆里提炼出意义？

比如你一天去吃了五次煎蛋卷，你需要理解这件事，而不只是“我这周吃了五次煎蛋卷”。于是我们提出反思（reflection）的概念：每隔一段时间——就像洗澡时的灵光一闪——显式地让智能体抓出一批记忆片段去理解它们：你这周为什么老吃煎蛋卷？是太忙了，还是真喜欢？你为什么这么拼命准备这场考试，天天泡在图书馆？这对你重要吗？

他们会开始形成比地面事实（ground truth）更高层的想法。渐渐地他们会意识到：这个研究课题我是真的投入，它可能跟我的童年、跟我的根本记忆有关——这些东西塑造了他们作为“人”的样子。这套机制最终成了关键，让我们造出有性格、有自己的世界观、能消化大量数据的智能体。这就是我们当年的做法。

Harry： 那么对不了解的人来说，今天说的模拟模型（simulation model）本质上就是这个——创造一群智能体，让他们产生一系列活动和行动，从而向我们展示一个被模拟的未来世界长什么样。这个理解对吗？

好。顺着这个思路往下：如果要建一家模拟模型公司——Simile 算是一家模拟模型公司吗？

人类行为基础模型：言行差距与反事实

Joon： 我们是一家在创造人类行为基础模型（foundation model of human behavior）的公司。它可以用来模拟个体、模拟亚人群，再往下，模拟整个生态乃至整个市场。

Harry： 你们是架在核心基础模型之上的吗？对听众来说，你怎么定位自己和 OpenAI、Anthropic 这类前沿模型厂商的关系？

Joon： 这是个好问题。我们的看法是：今天的大语言模型公司，根本任务是造出超级理性、超级聪明的机器——擅长写代码、擅长自然科学和数学。Simile 对这些都不感兴趣。

我们关心的是：如果一个人在这个情境下会犯错，我们希望模型也犯同样的错；我们希望模型的偏见和人类的偏见一模一样。某种意义上，我们要做的是人们价值观、偏好和品味的表征——他们大脑里主观的那一半。这才是我们在乎的。而人们嘴上说的和实际做的，往往是两回事。

Harry： 你怎么看“人们说的”和“人们做的”之间的鸿沟，以及它对你们模型的影响？

Joon： 言行差距（say-do gap）是真实存在的。你看网络数据，本质上是人们“说过什么”的数据，而不是“做过什么”的数据，而今天的大语言模型主要就是在这种网络数据上训练的。

我们则会真正去收集大量行为数据：交易数据、观察数据，也和客户、供应商合作收集一部分。但我个人的热门观点是：大量观察性的行为数据，真正擅长的是帮你建立“观察到的现象”和“未来会发生什么”之间的相关性——对预测任务很有用。

但我和这么多客户打交道、加上自己做过研究之后的判断是：没有人真正关心预测。除非你在预测股票市场，否则没人真的在乎未来会发生什么。人们真正在乎的是塑造未来。想象你是星巴克（Starbucks）：知道星冰乐两个季度后销量会暴跌，对他们没什么帮助——他们听完只会说，那我们该怎么办？太糟了。他们想知道的是：怎么阻止它发生？现在该做什么来改变未来？

要做到这一点，你需要的是因果机制（causal mechanism）——一个能推理因果和反事实（counterfactual）的模型。所以我们最看重的数据是大量随机对照试验（randomized controlled trials）：我们真的跑很多 A/B 测试，把结果展示给模型——这群人做了 A 而不是 B，他们的行为就这样改变了。这成了我们训练资产的核心部分。这就是 Simile 在观察数据之外做的数据收集。

Harry： 数据收集和获取，是你们建模拟模型最难的一环吗？传统模型的核心支柱是算力、算法和数据——对你来说，数据是最大的挑战吗？

Joon： 数据对 Simile 当然是重要的一块。我的根本判断是：对这一代的 AI 公司来说，你必须有一套有趣的、可防御的数据策略。

对我们来说，数据收集的挑战来自两个角度。一是找到对的人。我们说的“人”和其他语言模型公司考虑的人群不太一样——我们不去追专家程序员、专家科学家，我们找的是你我这样的普通人、过着日常生活的普通人。但我们关心的是：他们有代表性吗？样本构成和我们生活的这个世界的人口构成一致吗？

二是真的问对问题。什么样的实验、什么样的问题，才能真正触及一个人本质的核心？我们在数据收集初期有时会问这样的问题：讲讲你一生的故事，你在哪里长大，经历过什么，你面对过最艰难的挑战、做过最艰难的决策是什么——把关于这个人的一切告诉我们。这就是我们努力在做的事。

Harry： 你说人们不想要预测未来，我们深挖一下。我以为他们想要——比如星巴克，如果能预测星冰乐两个季度后销量下滑，他们就能直接调整采购周期、改变进货量。这难道没有价值吗？我漏掉了什么？

Joon： 但问题恰恰在这。他们想知道销量下滑，是为了能改变策略。你说的调整资源配置，确实是一种行为改变，但根本上，这是反事实问题：我们有这个市场要服务，要最大化公司价值，那么为了应对这次市场下滑——不管它是什么——我们现在需要做什么？

而归根结底，我们做的是关于人的工作：模拟人、代表人的视角。所以我们提供的价值是反事实层面的——你的消费者、你的人群，在各种情况下会怎么做。

不只是下一代 Qualtrics：模拟的北极星

Harry： 看你们能为大品牌做的事——你刚提到 CVS——做调研、收集客户反馈、判断客户未来真正想要什么，价值巨大。我就直说了：你们会不会只想做下一代的 Qualtrics（译者注：体验管理与在线调研软件龙头）？你们怎么防止这成为终点？

Joon： 我们的看法是：我们要造的核心原语（primitive）非常直接——你告诉我们你关心哪个人群，我们就去给他们建模。到目前为止，这个领域的创新都停留在工具层：怎么做出更好的问卷工具、更好的访谈工具。

而模拟根本上是另一回事：怎么造出对人类最具泛化能力的模型，从而大规模地代表人们的观点。这远超跑问卷、做访谈。往远了看，我确实认为模拟这个领域会走向这样的场景：能不能模拟许多人彼此互动，让你理解自己决策的所有下游影响？比如你马上要发布一款新产品，能不能把整场发布先模拟一遍，看受众实际会怎么反应、市场会怎么变化？

而且我作为科学家的那一面，也对另一个愿景很兴奋：模拟确实可能成为许多所谓“棘手问题”（wicked problems）的解药。一个典型例子是气候变化——它需要激励各不相同的多方利益相关者采取集体行动。这类问题之所以难解，一个原因是：找到一个让所有各方为了全局利益走到一起的均衡状态，极其困难。我们能不能模拟这些决策过程？甚至能不能模拟“民主在什么条件下会失败”这种事、提前做出预测？这些是模拟最终能够回答的问题。

Harry： 说到民主失败——选举对政府来说一直是极其有用的工具。你怎么看该和谁合作、不该和谁合作？

Joon： 这正是原则对我们至关重要的原因。在我看来，模拟作为一门技术，是技术的两大支柱之一。我是科幻迷——你读任何一部够格的科幻小说，总有两根支柱：一根是某种形式的 AGI，另一根就是模拟。而和任何强大的技术一样，被滥用的可能是真实存在的。

我们的看法是：模拟最好的形态，是大规模的代表性（representation at scale）。人们有不同的观点、视角、品味，而他们的许多观点，并没有出现在替他们做重大决策的房间里。我们总爱说“我们倾听员工、倾听客户、倾听利益相关者”，但实践中太难了。模拟是这样一种方式：让我们在每一次决策中，都能大规模地真正倾听人们的声音。这就是北极星。

世界就是真实基准：模拟的数据飞轮

Harry： 要多少人的数据，你才敢对一个预测结果有信心？100 人？1000 人？100 万人？

Joon： 你希望覆盖尽可能多的人，这样才能细分到具体人群。看任何社会科学文献：如果你关心的人群很窄，通常到 1000 人左右，你要做的研究就能拿到统计显著性。

但问题是，用户查询我们系统的方式往往是进来就说“给我筛出 X、Y、Z 人群”，这些筛选器是临时创建的。我们要能在所有这些筛选条件下模拟人们的反应，就意味着我们要代表整个人群。这就是我们正在走的路。

Harry： 这会自我强化吗？你们会随时间预测得越来越准？

Joon： 我认为确实如此，因为存在数据飞轮（data flywheel）：随着模拟结果越来越多、我们对照真实世界看到结果如何，学习就发生了。绝对是这样。这显然也是我们早期合作伙伴的核心价值主张之一——因为他们知道，在他们的业务场景里，模型同样会越来越好。

Harry： 那他们有没有复利优势？有点像 AlphaGo——让模型自己跟自己下几千盘。世界上每一天的活动和结果，都是另一盘 AlphaGo：你可以纠正模型哪里错了、漏了什么、什么没发生。一万天之后，你应该比模型更懂模型。你懂我意思吗？

Joon： 这很有意思。我们不妨换个例子：模拟里的数据飞轮是怎么转起来的、为什么会转？稍微岔开一下说编程。编程智能体这几年进步巨大，是因为它们的奖励函数（reward function）极其清晰：你给个建议，用户点了“接受”，太好了；点了“拒绝”，同样有用。你很快就知道什么是好、什么是坏。这成了这些模型的核心学习机制之一。

人们很容易看着模拟这个领域说：你的奖励从哪来？毕竟你要预测的一切都发生在未来，很难验证。这话没错。但我同时认为，模拟有一个更好的机制：世界就是我们的真实基准（ground truth）——我们就生活在真实基准里。

所以我们可以每天生成几万个假设，每个假设都映射到一个终态命题：如果这件事发生了，我们就知道模拟是对是错。我们每天观察世界，看哪些假设在什么时间点可以被验证。一个月后回头看：我们生成了 100 万个假设，其中 X% 应验了。这是认识世界最好的方式。

Harry： 大规模、高质量地跑这些模拟环境，需要巨量算力吗？

Joon： 算力是模拟的重要一环。当然，我们大量工作是让模拟更高效。早期很多算力其实花在创造技术上的最初突破——探索不同的训练方式、不同的数据集。一旦有了明确的技术路线判断，我们能很快把它做高效。

在 Simile 这家公司一年多的建设里，我看到的例子是：现在生产环境里跑的这个模型，运行成本曾经是现在的 100 倍。成本下降一部分来自我们找到了不同的建模方式——奖励模型不变、哲学不变，只是推理时高效得多。这类技巧和科学进步能把成本降下来。但大量投资确实花在找到最初那个技术路线判断上。

财富 500 强主动找上门

Harry： 看市场——用风投的话说，可服务市场、TAM——你们显然有 CVS 这样的大企业客户抢着合作。但它也可以是普通消费者想知道“如果这样会怎样”、跑自己的模拟环境。这是面向所有人的生意，还是只为全球最大的公司服务？你怎么看 Simile 的 TAM？

Joon： 我的职业生涯起点是研究。研究者的天职是服务人类——我们做研究当然也有自我享受的成分，我们热爱发现新事物的过程，但根本上这是一种服务：相信如果我们能做出科学突破，它终将造福社会上的每一个人。我对模拟这个领域也是这么看的。

眼下我们确实服务企业客户，原因有几个。第一，坦率说，有预算——我们今天看到了清晰的产品市场契合（product-market fit），这让我们兴奋。同时，这是验证技术的绝佳方式：让反馈环尽可能紧，对我们至关重要——我们得知道模拟什么时候对、什么时候错，并且每天都在改进。

还有一个同样重要的侧面。我在斯坦福时，隔壁办公室是 Pat Hanrahan——Tableau 的创始人之一、图形学教授、图灵奖（Turing Award）得主，这个领域里非常知名的人物。他给我和同事们的一个建议是：获得反馈最好的方式，是让人们真的掏钱给你。这是 Tableau 的核心理念。我在这里看到了同样的东西——拿到最高质量的反馈太重要了。

所以企业市场、市场调研，眼下是我们找到的楔子：预算充足、产品市场契合立竿见影。但长远看，我希望这项技术被全社会使用，因为根本上我们要做的事，是帮助人们做出更好的决策。

Harry： 在展开它还能扩展到哪些用途之前——你什么时候知道自己有了产品市场契合？你说你感受到了那种拉力。哪个瞬间让你觉得“啊，成了”？

Joon： 财富 500 强的董事会成员和高管们主动找上门来。一部分原因是他们会来斯坦福看实验室里的演示，他们都看了 Smallville 的演示发布，每个人看完都想：天哪，如果我们能这样模拟市场，我们的运营方式会被彻底改变。你能立刻嗅到产品市场契合。

这成了我们的助推器：好，这事真的有意思，我们要证明模拟不只是好玩的演示，而是准确的。于是我们花了大约一年时间证明：我们造出的人的模型，在问卷、行为实验、真实环境里预测人的行为方面确实出色、经得起验证。

我们展示的结果是：预测人们的行为和态度，准确率能达到人们自己复现自己答案的 85%。我们在 2024 年底发布了这项成果，正是它开创了合成面板（synthetic panel）模拟这个领域——也就是我们今天看到的市场。

Harry： 三年后，合成面板会比真人面板更大吗？

Joon： 会。我的看法是，合成面板会超过今天我们所知的真人面板市场，部分原因是它能真正抬高我们能回答的问题的天花板。

我看到的今天这个市场是相当残缺的：我们对市场有太多想问的问题——发布这款产品会怎样、采取这个策略或政策会怎样。作为科学家，你想做这个研究、想跑这种宏观尺度的实验，但也许只有 5% 的想法能得到回答，剩下 95% 我们根本不会去实验。

要么是做不到——尤其是涌现尺度（emergent scale）的实验，我们字面上就没有办法跑；要么是没预算、没时间。所以社会做的很多决策靠的是直觉，直觉有时不错，但常常因为个人经验狭窄而严重偏差。模拟会解除这个限制，让我们在把想法投放进世界之前，先测试关于世界的每一个假设。

研究实验室与产品公司的双重身份

Harry： 你怎么平衡追逐下一块钱、服务付大钱的客户，与研究的优先级？也许把钱投在研究上，而不是建客户成功团队和 FDE（前置部署工程师）团队。利润最大化和研究纯粹性，你怎么平衡？

Joon： Simile 是一家有真正的产品和工程团队的公司，但同时也是一家研究公司。四位联合创始人里三位是研究者：我、Michael Bernstein、Percy Liang，还有 Lainie Yallen。我、Michael 和 Percy 都是斯坦福的研究者：我领导智能体和模拟方向的研究；Michael 是 ImageNet 的合著者之一——那篇真正引爆了 AI 革命的论文——也是人本 AI（human-centered AI）的领军人物；Percy 则是字面上造出“基础模型”这个词的人。

我们对这个领域的愿景是：以模拟的形态，创造 AI 的下一次范式转移，也改变我们看待技术及其影响的方式。而我们之所以能既当研究实验室、又拥有出色的产品工程职能和由我的搭档 Lainie 领导的商业化职能，原因在于：技术能做到的事、技术的承诺，和市场的真实需求之间，对齐得太紧密了。

模型越能代表人，模拟就越好——这立刻意味着更好的用户体验，因为他们会得到更扎实、更准确的模拟。没有这种对齐，同时维持一个实验室和一家产品公司是非常困难的；但当它存在时，会产生奇妙的化学反应——这正是我们在 Simile 看到的。

三个月签下财富 500 强

Harry： 问你个事。追求全球最大的公司时——不知道哪些客户你能说、哪些不能说，但你提到了 CVS——大家总以为这是好几年、极其漫长的销售周期。你实际经历是这样吗？还是说拿下这些巨头是另一种体验？

Joon： 进入模拟领域、尤其是这个市场后让我惊叹的是：去年我创办公司时——我 2025 年 6 月离开斯坦福，到现在正好一年——我以为这个市场要花一两年才能接受模拟的概念。所以我的计划是先给公司和市场打好地基，到 2026 年底再激进推进。

但真实经历完全不是这样：我们的客户动作极快，快得真正改变了我对美国企业界的看法。比如 CVS，我们一直合作的那位领导 Sri——他们的洞察 VP（VP of Insights）——极其有远见、极有野心、极勤奋，是非常棒的合作伙伴，跟 Simile 一样有远见（译者注：此处转录原文存疑，按上下文译）。

但我也发现，他们日常工作里的痛点太真实了，比我想象的尖锐得多。所以当他们意识到这个市场上有、或可能有答案能解决那些痛点——缓慢的实验、预算等等——他们愿意放下一切来试我们。我们看到全球最大的一些客户以企业级的闪电速度行动：三个月内完成签约。三个月。

Harry： 哇。这和大家的传统认知很不一样。对他们而言什么更重要：产出的速度——很快拿到模拟结果——还是模拟的准确度？

Joon： 两者都要。他们今天有太多问题只能靠拍脑袋决策，只要能拿到某种证据、哪怕只是方向上指对路，他们就愿意试。而他们很快意识到：哦，这其实是和大量数据交互的绝佳方式，是获得相当准确证据的绝佳方式。

我们拿到第一批客户的方式之一是：第一次电话，他们手上有大咨询公司的研究结论，就直接查我们的系统——“如果重跑一遍，系统会怎么说？”那些研究做了三到六个月，我们两分钟就预测出了结果。这太有说服力了。

Harry： 在客户对话里能说“你们做过这个活动；如果换这个做法，效果会好 12%——要买我们的产品吗”，杀伤力太大了。我自己就是卖东西的，手里有这种数据简直难以置信。

你怎么看高效的价值提取？我的意思是：你跟 CVS 或其他大客户合作，这些都是巨头，你工作做到位，就能给他们带来几亿、甚至几十亿美元的收入变化。收个一百万美元，感觉价值创造和价值获取之间有巨大的鸿沟。你怎么看把这个鸿沟收窄到更公平？

Joon： 好问题。我确实看到市场正朝这个方向走。客户在我们这里找到价值的一个核心前提和方式是：避免那些可能造成几亿美元损失的灾难性决策。

所以是预防，不只是优化——两者都有，但预防是一个巨大而明显的价值点：“哇，那本来会是一场彻头彻尾的灾难；真做了会烧掉我们 5 亿美元；跑了模拟，拦住了。”这不需要多想——对他们而言这是真正的止痛药。

模拟会杀死 Kalshi 和 Polymarket 吗

Harry： 如果你们把工作做到位，Kalshi 和 Polymarket（译者注：两家预测市场平台）的很多市场还能存在吗？

Joon： 有意思的问题。我确实认为有重叠：我们都是根本上关心未来、帮人至少瞥见未来可能样子的公司。

而 Simile 的位置在于：我们不只关心会发生什么，更关心它会怎么发生、为什么发生。这也是最打动我们客户的价值主张：只是预测是一回事；但我们能不能展示——你的生态系统会经过哪些步骤走到那个结局？以及你可以怎么阻止它、或者促成它？这才是终极的力量。

建团队：成功的公分母与两种超能力

Harry： 说到团队建设，你谈过建团队的手艺，我觉得很有意思。打造最好的团队是个持续的挑战。从研究圈走出来，你在 Simile 建一支全明星团队，最大的心得是什么？

Joon： 几点。第一，团队必须均衡。我能给团队带来某些能力，但也有很多我不懂的东西。我是研究者，不是企业级销售——我需要 Lainie 做我的联创来领导那一摊。让团队均衡、看清团队缺什么，尤其随着规模扩大、新的缺口不断出现——提前看到并补上，我认为是建伟大团队的基本功。

同时我也认为，团队在价值观和严谨度上必须保持一致。这里用个画家的类比。我当画家时画人物画，常画真人对象、肖像。人物画家之间有个心照不宣的秘密：不管你画谁，画出来的对象总会在某些地方像画家自己，至少气质相近。我觉得建团队很像这回事——在你深深在乎的最好的团队里，你应该能在团队身上看到你自己。

对我最重要的有几条，也是我拿来要求自己的标准。第一：你是成功的公分母吗？每个人一生经历不同阶段、不同职业、不同工作——在每个阶段，他是不是那件事成功的原因？眯起眼睛看，他是不是那个公分母？如果是，说明两件事：他有极端的主人翁精神（ownership），是那种进来说“不管其他一切怎么样，我个人都要把这事做成”的人；也说明他有自我再造的能力。

比如我的联创 Michael Bernstein，研究者的职业生涯很有意思：十年前读博时从众包和集体智能起家，做斯坦福教职早期又转入 AI 的不同领域，现在做生成式 AI 智能体和模拟。每一步你都能在他的工作里看到“这很 Michael”——那个主导了大量成功的人。这是极好的信号。

第二条对我更个人化一些，但至少在我的世界观里屡试不爽：我的领导者和团队，有没有两个本不该共存于一人身上的超能力？任何专家通常带一个超能力，有时多个，但彼此相关——顶级程序员恰好数学也强，太常见了。而我发现真正吸引人的是：一个人有两个互相矛盾的超能力。

最典型的例子是最伟大的 CMO——屈指可数——一方面难以置信地数据导向、严谨、科学，另一方面又糅合了创造性的艺术想象力。这是两种相对立的思维方式，在 CMO 身上极罕见，但一旦出现，就是世界级的 CMO，那种组合有魔力。这个描述我有时也用在我的董事 Shardul 身上：极度分析性，但又非常直觉——我想这正是他投出成功项目的方式。希望我们在 Simile 也能延续这种成功。

在团队里我看到的原型还有一类，我自己也算：日常偏执，长期虔信。比如我的联创 Lainie，日常状态下她是个偏执狂——她是那种会坐到桌前说“除非我们今天把一切摆上台面、做到一切能做的，否则我们就会输、会落后、一切都会失败”的人。但长期看，她是虔信的——她从根本上相信世界是站在她这边的，不管过程怎样，我们终将把这事做成。

同时保持这两者其实很难。如果你短期偏执，你大概率对未来悲观——你可能擅长做空股票，但不是好的公司建造者。如果你虔信，你有相反的问题：自满——你会觉得“今天不用把一切都押上，事情会好的”。

能平衡这两者的人，得是某种程度上“坏掉了”的人：他们找到了办法深深偏执，同时又无视今天的所有偏执，去相信世界会美好。我觉得这正是我——你相信今天抱着的偏执，恰恰会帮助那个未来变得美好。

Harry： 我经常采访世界上最成功的创始人，问他们“你希望创业之初就知道什么”，他们总说“真希望我早知道一切都会好起来、真希望当初没那么焦虑”。我觉得这是最烂的回答——因为正是那份焦虑让你做准备、下功夫、熬夜改演示，才有了成功。

没有偏执，Lainie 完不成季度指标，不会给销售团队设紧迫感，不会多招那几个人——因为你不知道超额需求会在那儿。是偏执驱动了成功。再问个正经的：McCaw 的 Brandon 最近上过节目（译者注：此处转录存疑，人名与机构未能核实），他说现在研究者身价都是几千万美元级别，太贵了。你觉得是这样吗？你怎么看湾区这场激烈的研究人才争夺战？

Joon： 完全如此。研究人才今天极抢手，我最亲近的同事和朋友里，总薪酬确实有几千万美元量级的。他们加入 Simile 时，我也很坦诚：满足他们的底薪是做不到的——不管你融了几亿美元都不行。

但研究者从根本上在乎几件事。他们在乎愿景：如果这个想法真能实现呢——这些人是亲眼看着 OpenAI 从硅谷的笑柄变成近万亿美元公司的人，也是看着 Anthropic 在过去五年走到同样位置的人。他们深知宏大、有野心的愿景真的可以成真。他们也极度在乎影响：他们要做的技术对社会有什么影响？这事本身对他们有意思吗？

Harry： 你担心今天硅谷的留任问题吗？研究者跳槽跳得这么频繁——如果可以这么用词的话。你担心吗？

Joon： 一直担心。而且我确实认为，领导者的角色显然是招到出色的人，但更是提供一个平台，让每个成员把超能力发挥到极致。这部分真的重要。留任有挑战，但可以做到。

我有一点点小自豪：过去六年我的研究者生涯里，博士生通常一个项目换一个项目，整个合著名单全换——也许除了导师；而我的核心团队成员六年里没有一个离开，我们一起从一个项目走到下一个、再下一个。当我说“我要做这件事，建 Simile”时，我说服了 Michael 和 Percy——他们其实是我的博士生导师——真正加入我。我想部分原因是：我们并肩工作太久，有真正的信任。

从学术到创业：别投科学项目

Harry： 但与此同时，我这个人从根本上相信：我的工作之一是把信心和信任传递给团队，让他们觉得这事会成。问个对我很重要的问题：我见过很多研究和学术界出色的人像你一样考虑或开始创业，而我总担心我投的是一个科学项目。科学项目很好、很有趣、智识上很满足，但不总能成为好公司。过去 12 到 18 个月你把这个跨越做得极好。

如果你是一个投资人，在分析一个学术出身的团队时，你会找什么信号，来确信他们能完成从研究到创业的跨越？

Joon： 我会看的是：他们是嫁给了一个问题，还是嫁给了影响力（impact）？有些研究者非常专注于一个问题，那个问题的某处让他们着迷，但很多时候它成不了一家好公司——各种原因导致它无法被塑造成一家公司。

但有些研究者根本的驱动力是他们能对世界产生的影响：对他们来说，这意味着找一个能真正触达人群的问题、找一个能产生收入的问题，这才是驱动他们的东西。你要找的是后一类研究者。

六个月三轮：3 亿美元闪电融资

Harry： 聊聊融资。当初是 Shardul 介绍我们认识的——再次感谢 Shardul。上个月左右你们官宣了新的一轮。能讲讲这轮怎么成的、你怎么看吗？

Joon： 大约五个月前我们融了 1 亿美元的一轮。最近老股东抢跑（preempt）了我们：Shardul 代表的 Index 领投了我们上一轮，Shardul 和其他老股东看着市场——Shardul 有句话时不时会讲：他见过一些增长最快的市场，他的履历确实证明他见过各种市场，但他几乎从未见过这样的牵引力、这样的拉力。

当这一点配上已经取得的技术进步、配上我们能动用的算力——算力还能进一步加速进展——老股东们就想：能不能现在多放点钱进来，而不是以后？这就是这轮对话的起点。

我们当时本来没打算融资，但硅谷有几家我特别敬重的团队，我想，如果要融，我想跟他们谈。结果我发现，我名单上排第一的正是 Neil Mehta 在 Greenoaks 的团队——而他的团队其实一直在深入研究这个市场和所有玩家、市场走向，并且已经准备好出手，只是在等合适的时机。

我主动联系说：这轮就是现在，我们不走流程，如果你们有兴趣加入，有几天时间把它做成。他们很兴奋，轮次就拼起来了。我们融了 2 亿美元，累计融资达到 3 亿美元——都是过去六个月左右完成的。这给了我们非常有意义的资本，去追这个极有野心的建模挑战、建设团队，也把很多很棒的人带进团队。

Shardul 一直是非常棒的伙伴，Simile 和 Index 渊源很深：我们的种子轮其实是 Mike Volpi 领投的——他现在经营自己的基金——加上 Shardul，以及 Neil 和 Greenoaks 的团队，还有他们的合伙人 Patrick（译者注：此处转录语句不完整，按可读口径译）。

Harry： 我理解为你们并不缺钱——六个月前刚融了 1 亿。有没有过这样的考虑：我们不需要这笔钱，为什么现在拿 2 亿？

Joon： 当然考虑过。我们最终的落脚点是：建模确实吃算力。这是我们研究里一个根本上有趣的地方：做研究，你未必能控制结果，但你能控制投入和过程。

而我们正处在这样一个时刻：是的，我们可以显著加大投入——数据、算力开支——真正有意义地加速进展。这时候拿钱就说得通了。

Harry： 从学术研究的世界出来、经历了三轮融资，关于融资，有什么是你当初不知道、现在知道了的？

Joon： 关于融资我当初不知道什么？说来一个是：进来之前我其实挺怀疑 VC 到底是干什么的——他们到底做什么？怎么帮忙？我们大家都有这个疑问。说实话，我到现在也没法一言以蔽之说清他们怎么帮忙。

但我发现的是：如果你找对了人，他们可以是最棒的伙伴，也可以是一群很强的导师。我从没经营过公司，尤其不是这样的公司——这是我第一次真正创业。做研究的技术经验我有很多，但日常要做的大部分事情都是新的。如果有可以信任的人，那是巨大的助推。

最开始我和 Mike Volpi 合作，还有另一家基金 A*（A-Star Capital）共同领投了种子轮。这些基金、Mike 的团队——还有在那边密切合作的 Ishani——真的成了我在实战中的核心导师。也是 Mike 把 Lainie 介绍给我——她后来在我思考业务时变得不可或缺，我在她身上找到了很棒的伙伴和朋友，这也是这段经历里极棒的部分。

所以第一点是：VC 真的能以一些神奇的方式帮忙。他们见得足够多，一个有经验的 VC 能给创始人提供进来时不具备的建议。第二点是：事情总是比你预期的来得早一点。进来时我心里有个模型：现在融种子，大概一年后融 A，再一年融 B。结果一切都在一年内发生了——种子轮之后 A 轮来得很快，下一轮也来得很快。我觉得市场的兴趣永远比你所在的位子快一步，为这些时刻做好准备是有用的。这就是我学到的。

Harry： 你担心市场太热、会跑过头吗？比如你们官宣这轮，加上这些人、加上会来的媒体报道，下一轮的兴趣会更高，循环下去。坦白说，现在市场的自负情绪很高。你想过这个吗？

Joon： 我确实认为市场有些部分相当泡沫，肯定的。大量资本涌入，兴奋情绪高涨。这也正是我非常在乎基本面的原因：你的客户是谁？你到底在和谁合作？你看到的市场拉力是什么？技术是什么？

OpenAI 和 Anthropic 这些公司成长方式里最有趣的一点是：他们有非常扎实的基本面可以描摹——能看到模型以这个速率变好，能看到这种需求。其中一些他们当年真的预见到了，而其中一些我们在 Simile 也真的能看到。

一场 2000 万美元的模拟会话

Harry： 你们的单位经济效益会随单次模拟变化吗？我的意思是：看 Anthropic、OpenAI 的模型路由（model routing），有些任务需要前沿模型，贵得多、token 消耗大；有些任务简单，可以用降级或更老、更便宜的模型。模拟也一样吗？不同模拟的算力、token 成本不同？

Joon： 确实如此。通常当模拟要回答的问题复杂得多——比如你想理解决策的所有下游影响、想横跨全美国做市场细分研究——成本就高得多。

但我也看到：恰恰是这些模拟给用户带来最高的 ROI，因为这些都是做错了代价最高的决策。这对模拟这个领域很有意思。我们整个圈子都看着推理调用量一路上涨，现在有了思考型模型，一次想半小时，token 拉满，光跑这个过程就花很多钱。

我确实认为模拟可能成为下一个前沿。我的愿景里存在一个这样的世界：大约两三年内，我们跑一场模拟会话要花 1000 万、2000 万美元，但它的价值高到人们愿意付 1 亿美元买它。这就是我看到走向。客户会是全球最大的企业、政府之类，在光谱的最高端。

时光机游戏：智能的 GPU

Harry： 今天有什么模拟不了、但你认为三年内可以模拟的？

Joon： 对我来说，问题不太是“什么模拟不了”——我真心认为，我们想模拟的一切，今天都能做出初步的概念验证（proof of concept）。但众所周知，AI 的核心挑战之一，是把概念验证和真实价值、可产品化的技术之间的鸿沟桥接起来。这才是我看到的鸿沟。

有意思的是：我看到模拟的世界正走向创建非常复杂的多智能体模拟、跑有许多中间步骤的长程研究。而我们这个领域恰恰是从多智能体模拟起家的——当年那个游戏小镇根本上就是这个愿景。

这很合理，因为我们做它，是因为我、Michael 和 Percy 有时会坐在一起玩一个叫“时光机游戏”的练习：如果造一台时光机去十年后，我们看到最疯狂的东西会是什么？我们现在能做出来吗？这就是当年跑 Smallville 实验的动机。

所以这事做得成。但问题是：我们能不能评估这些模拟的有效性？能不能把它做成可扩展、可产品化、人们可以真正依赖它做决策的系统？这就是鸿沟，也是我们每天都在看到被弥合的东西。其中很大一块是让模型更好、造更大的模拟、让系统更可扩展。

Harry： 我们能玩一次时光机游戏吗，就你和我？

Joon： 来吧。

Harry： 十年后，你能看到的最疯狂的事是什么？

Joon： 很多。但有一件事我要说：我是个着迷于技术史、着迷于类比的人。今天 AI 领域里显眼的，是我称之为“智能的 CPU”的东西：一个非常大的语言模型，很聪明，能做极复杂的推理任务——像 CPU。

而我看到的未来、模拟这个领域能提供的，是“智能的 GPU”。前面说过，Simile 不在乎造超级聪明的机器，我们在乎的是造出和我们一样聪明的模型——我自己失败过很多事情，我要确保代表我的那个模型以同样的方式失败。

但人的美妙在于：作为个体，我们有如此丰富的多样性、如此不同的品味，这让每个个体如此有趣；而当他们聚成庞大的集体时，我们能引出的涌现现象，是这个世界上最美妙的东西之一——创造社会、创造让我们取得所有成就的惊人过程。我们能不能在模拟中复现它？我觉得会非常激动人心。

Harry： 所以疯狂的预言是：每个人都会有一个可复制的数字分身，在模拟世界里像他们一样行动、一样表现？

Joon： 我认为这就是愿景。再说一次，这个愿景是大规模的代表性。这些年社会找到了很多代表成员的方式：有时是政府的形式，有时是公司——我们作为社会给公司配置资本，确保它们服务社会和人们的需求。

但如果我们能造出一种人造物（artifact），以更可扩展、更细粒度的方式代表所有个体，那在此之上能长出什么新政策、新公司？我确实认为这非常值得期待。

当模拟好到让股市无法投资

Harry： 如果我是对冲基金，这难道不是世界上最显然的买入吗？如果我在找日常行为上的 alpha 和边际优势——靠，签个百万美元合同给你，就能拿到难以置信的洞察？

Joon： 哈哈，也许未来 Simile 真的会自己拥有一家小对冲基金。这主意挺酷。

Harry： 你真会考虑做？

Joon： 其实我们公司还真有量化背景的人。一些加入的成员确实有量化背景——我想他们现在加入，是因为他们看到 Simile 的愿景和自己的热情高度一致：给世界建模。但长远看，这确实是个有意思的想法。

Harry： 有没有这样一个世界——还是疯狂时光机模式——你们变得太高效、太厉害，以至于股票市场变得无法投资，因为世界倾斜向 Simile 的对冲基金或类似机构？市场不再是公平的市场？

Joon： 我认为，尤其是如果我们假设会出现某种形式的 AGI、假设会有某种完美模拟器，那么我们对这个世界信以为真的很多东西都会改变。其中之一，确实可能就是股票市场。

Harry： 还有什么我们今天信以为真、你认为五年后不再成立的？

Joon： 我认为我们对所处世界一个普遍的假设是：获得每个人的视角根本是不可能的，所以我们需要这些人的代表来近似他们的视角。到目前为止，这在某些方面奏效过，在另一些方面失败了。

我不认为这是我们未来必须忍受的限制。我认为存在这样一个世界：我们能真正造出一个层，成为整个社会、整个集体智能的代表层。

爱情的模拟

Harry： 爱情的未来会不会也是 Simile？我的意思是：如果你能给自己造出有效的模拟，约会本身可以高效得多。

Joon： 如果可以的话——我有女朋友，她在看节目呢。

Harry： 如果你能和 100 个人同时进行第一次约会——当然只是第一次，往后不行，那样你就麻烦大了，Joon——但如果可以，找到那个能进入下一阶段的人会高效得多。你懂我意思吗？

Joon： 懂。不过我觉得爱有不同形态。而且就像我们今天聊的，人的多样性太丰富了。就我个人，坦白说我有点浪漫主义——这也呼应我前面说的长期虔信：我确实相信，爱至少在我的人生里会以更自然的方式找到它的路。

我很在乎我遇见那个人的方式，很在乎我们共同走过一段旅程这个事实。我认为这部分人性永远不会变：一起经历事情、拥有共同记忆，是我们建立信任的根本方式。我们今天聊了很多“过程”，这正是其中一部分。

Harry： 对用户来说，你们能把他们带进这个过程里吗？

Joon： 我觉得找到爱有点像和这个人联合创办你的人生。所以问题在于：你能不能找到一个过程，真的把对方带进这段共同生活的过程里？我确实认为这很重要。

快问快答

Harry： 你太浪漫了，没救了。你知道我在想什么吗？我是个内容人，是个内容人加投资人——两边都挺怪的。有个节目叫《一见钟情就结婚》（Married at First Sight），你可能不知道，就是第一次见面就结婚。我在想，如果你们能靠提前跑好的模拟实现“完美的初见即婚”，那会是 Simile 最炸的广告。

不过我只是给你留点智慧的珍珠。下面进入快问快答，我说短句你答。今天最被低估的 AI 研究者是谁？

Joon： 太多了。但我真的认为，一些不可思议的人在大实验室里工作，名字不为人知，因为在大实验室他们不发表成果。但我认为那里有一些真正了不起的人。

Harry： 你觉得今天 AI 里哪个领域过热？

Joon： 我认为是新实验室（neo labs）——那些对“将如何影响世界”没有清晰愿景的。我真心认为有风险：它们最终只是有趣的研究项目，而不是能成立的公司。

Harry： 如果今天坐我的位子做投资，你会说 AI 版图里哪块投资不足、最令人兴奋？不许说模拟。

Joon： 我根本上相信：未来的 AI 公司必须有有趣的数据策略。你是否有别人没有的数据？你是否知道怎么收集极难收集的数据？看到这样的机会，我会投。

眼下除模拟之外，机器人（robotics）显然是这种情况已经成立的领域——当然机器人已经有很多钱进去了，我不会说它投资不足，但确实很有意思。另外除了核心的机器人或 AI 领域，推理层、芯片层、硬件，我确实也认为很有意思。这个领域很难啃，但有几支团队在最近几个月或几年里做得格外出色，我觉得他们很有意思。

Harry： 你觉得是哪几家？

Joon： 最近出隐身状态（stealth）的 Etched（译者注：transformer 专用芯片公司），我非常看好他们的团队，我觉得他们会很令人兴奋。

最善意的一件事

Harry： 最后一个问题：别人为你做过的最善意的事是什么？

Joon： 我是个职业生涯里需要过很多帮助的人。我进来时不是什么都知道——现在当然也不是；我也不是那种“显然的候选人”。我立刻想到的人：大学毕业时我搬到帕洛阿尔托（Palo Alto），住在 Sambarai 家的车库里（译者注：此处转录存疑，屋主姓名未能核实）。我没有工作，因为当时在做的创业没走通。那是我真正感到迷失的时刻。

我能感觉到空气里 AI 的浪潮正在涌来，我意识到：想当冲浪者，你得有浪可冲。我想确保 AI 浪来的时候我在场，甚至想参与造出那道浪，确保自己在其中有位子。但我没有研究背景——本科没做过任何研究，这很少见：申请博士而本科零研究经历，不幸的是非常难。

所以我给很多人发了消息。斯坦福有位理论教授 Mary Waters（译者注：此处转录存疑，姓名未能核实），恰好和我同校毕业，她回复了。我到今天都不知道为什么——我想纯粹出于善意，出于我们是校友，她想：好吧，这是个寻求建议的学生，至少花半小时陪他聊聊。

她非常慷慨地陪了我一整个上午，讲该怎么想 AI 领域、该怎么想研究。她还把最初一批人介绍给我，我开始和他们一起工作、向他们学习。那最初一批聚在一起给我建议、让我一只脚踏进研究领域的人，选择帮我根本不是显而易见的决定——我真觉得自己不配。但那是他们下的注，我想真正出于他们的善意。我非常感激。

Harry： Joon，从量化基金到模拟世界再到爱情，这期转了很多弯。太感谢你能来。

Joon： 谢谢邀请。