125: 用AI复刻一个「我」，与心识宇宙陶芳波聊身份模型

摘要

• 陶方波押注的不是更好的 AI 助手，而是每个人独有、可训练且可分发的“身份大模型”。 贾维斯式的 him 和《她》式的 her 都是外在角色，Second Me 则要把记忆、偏好、情感与价值观内化为参数，使 AI 能以“我”的身份自主连接服务、他人及其他 Agent。其平台级想象是：人类社会拥有一个结构近似的 AI 复制版，但连接、协商和决策效率更高。

• Mindverse 的技术分水岭，是拒绝用同一基座模型加不同 RAG 知识库来假装个性化。 陶方波认为思考发生在模型参数里，若所有人共享同一模型，“本质上我和你没有区别”；团队先把原始数据改写成第一人称、围绕人物与议题组织的主观记忆，再微调出 AI-native memory。现阶段约 100 份记忆、相当于约 20 小时的数据即可起步，7B 被视为较合适区间，每日持续训练一次的成本可能低于 1 美元。

• 开源是这类敏感基础设施最关键的信任策略。 Second Me 支持本地训练和部署，个人数据不必上云、模型可以连接互联网；项目约三周获得 10K GitHub Stars，节目时累计约 12K，甚至有超过 10 位用户为训练自己花数万元购买电脑。社区把它定义成“数字身份的中间层”乃至“AI 时代人的接口”，显示需求不只来自功能效率，也来自“把自己保留下来”的强烈心理动机。

• 近期最可落地的产品不是全自动办事，而是表达、判断与信息压缩。 Me.bot 的 Talks 能从个人记忆中生成面向特定对象的 1—3 分钟声音表达，并允许听众实时追问；陶方波一次只写约 30 秒 prompt、等待约两分钟，就完成了原本需 1—2 小时准备的创业分享。“共鸣”则让两个 Second Me 在手机相碰后约 5—10 秒完成匹配和破冰，或让一条不完全公开也不完全私密的记录找到真正相关的回应者。

• 分发策略刻意绕开双边网络冷启动：接受 Talks 的人不必先拥有自己的 Second Me。 内容可通过 H5 页面进入招聘、社交等既有场景；更长期则由类似 MCP 的 Second Me Server 向网站和服务提供个性化评分、筛选与判断。陶方波承认中国互联网当前“孤岛封闭”、API 接入不足，但判断通用身份与封闭数据循环最终会发生冲突，谁能成为用户信任的中立身份层，谁就可能占据新基础设施位置。

• 商业化的近端答案是向高频使用身份服务的个人用户收费，远端设想是向调用身份的服务商收费。 如果身份模型由用户掌握，电商、内容平台或广告系统为获得更准确的偏好和决策信息，理论上应向身份所有者付费，Mindverse 再抽取服务费；这会把个人从“平台的商品”变成自己身份资产的拥有者。陶方波明确称它仍是“一个美好的设想，我不确定能不能实现”，真正的商业闭环尚未验证。

• 主要待解问题包括数据采集、实时护栏、平台接入和用户习惯。 微信、iPhone 等既有平台天然拥有更多数据，大厂也能进入；创业公司的窗口来自“新物种”先服务那一小群强烈认同者，再跨越鸿沟，而非比拼存量分发。陶方波给出的下一节点是把身份桥梁模式做成事实标准，并把“共生”和“连接”改善到足以带来 10 倍、100 倍增长——这仍是一个非共识、长期且商业闭环有待验证的赌注。

精读

1. 陶方波从量化社交影响力起步，十多年前已在做数字身份

• 2012 年微博刚兴起时，陶方波参与创办“云影”，担任 CTO；团队看到公开社交网络创造了一批并非明星、却能在自己圈层产生影响力的达人，于是尝试用机器学习找出这些人，再自动匹配相关品牌与商业合作。

• 当时美国已有一家叫“Cloud”的公司量化 Facebook、Twitter 用户影响力；陶方波说，画像和量化并非完全原创，但把影响力进一步接入品牌交易，是团队想推进的后半程。

• 这段经历已经包含他此后反复追问的命题：互联网让无差别的 IP 地址附着内容、关系和人生轨迹，成为有独特价值的 profile；问题不只是如何挖掘数据，而是这种数字身份最终会演化成什么。

2. 数据挖掘教会他从杂乱信息里恢复可决策的结构

• 陶方波把数据挖掘与机器学习称为“孪生概念”：前者描述结果——从数据中挖出隐藏结构，后者是实现它的主要技术。早期常用二分树、马尔可夫链、conditional random field、SVM 等数学结构更明确的模型，但通用性和可塑性有限。

• AlexNet 让他看到 deep learning 的不同潜力：神经网络减少预设结构、把大量参数留给学习，可以被塑造成难以穷举的形态。他至今仍用一句话概括这个方向：“less structure, more intelligence。”

• 博士期间的典型项目，是从数百万份情报报告中还原关系网络：谁是组织首领、谁提供资金、哪些人关系紧密、可能在策划什么。报告逐份看只是零散笔记，模型则能把其中的人物、关系和行为组织成可供决策的网络结构。

• 同一范式还被用于数百万份机长航后报告，识别飞机设备之间的依赖、特定航线反复发生的问题。陶芳波因此把今天的大模型视作某种“高级版的数据挖掘”：过去一个模型只解决一个垂直任务，如今一个底层结构可以生成无穷多任务的答案。

3. 一个已有数千用户的配送项目，仍不足以让他放弃博士

• 在美国读博时，陶芳波还尝试过本地商超购物与配送：把车辆设计成固定循环的“公共交通”，由算法规划路线，消费者只需在节点放货、取货，以较低成本服务更多人。所在城市约 10 万人口，项目已有几千注册用户，却很快被人口规模限制住。

• 主播追问为何不暂停学业、复制到更多城市；陶芳波的回答很直接：“那些项目对我来讲不是我的事情。”它有商业可能，却不是那个让他愿意“放下一切去做”的问题。

• 他真正想知道的，是 AI 能否不再散落为推荐、识别、反恐分析等“小钉子、小锤子、小剪刀”，而是参与社会。“人工智能的核心就是要造人嘛。”深度学习带来希望，但直到约 2019—2020 年，他才认为出现了本质变化。

4. AI 的 agency 决定了它最终不会只是一件被动工具

• 陶芳波认为 AI 与传统工具最根本的不同，是具有 agency，即独立、主动地思考和行动的基础模式。历史上的工具都等待人使用，而过去真正有自主性的主体只有人，因此 AI 走向社会参与“是一个必然”。

• 他排除两个极端：一端是搜索工具式 AI，所有行为都由人的需求触发；另一端是“斯坦福小镇”或《众神殿》式独立 AI 社会，AI 有完整主体性，却与某个真实的人没有关系。

• 他要找的是中间状态：AI 不需要人时时发号施令，能够自主行动，但存在基础必须绑定一个具体的人，以这个人的经历、价值观和身份为 grounding，延展其社会存在，而不是成为脱离本人的架空 IP。

5. 身份模型试图复制社会结构，同时把人从工具接口中释放出来

• 陶芳波设想，个人 AI 根植于已经存在的个人，企业 AI 根植于已经存在的企业；所谓“AI 飞升”不是推翻原社会，而是复制既有节点和关系，再用 AI 更主动的连接、互动、撮合与决策提高整个网络的运转效率。

• 他对“工具越来越强，人就越自由”持保留态度。手机、抖音、搜索和办公软件提供便利，也让人的自我部分变薄：当所有人都能随时联系和索取信息，人反而必须 24 小时成为手机与软件的接口。

• 钉钉、飞书、微信、Discord、邮件等通道叠加后，“我本人作为一种接口，其实是在被工具使用”。身份 AI 应替人接入这些系统，再通过一条高质量、压缩过的通道把真正有效的信息交还本人。

• 这套逻辑追求的不只是社会效率，更是释放个体的时间和注意力。陶芳波期待，人不必持续扮演外界工具的端点，可以重新获得“更加轻松和放松的一种生活状态”。

6. Facebook 的推荐系统价值巨大，却仍只是在建模匹配

• 在 Facebook，陶芳波负责搭建推荐系统的内容底座：从海量数据中挖掘隐藏结构和关系，再决定信息应如何推给人、人与人应如何匹配。这延续了他的博士研究，也直接支撑广告和内容分发。

• 他承认这类深度学习匹配对 Facebook 的商业价值可能达到“几千亿美元、万亿美元级别”，但在 AI 演进上仍“差那么一层窗户纸”：系统建模的是人和内容、人和人的匹配，并不真正建模人本身。

• 推荐系统因此只是“一把稍微大一点的剪子”。陶芳波离开 Facebook，是因为想捅破那层窗户纸，研究能否把模型从高价值工具转成一种像人那样运作、并能进入社会的主体。

7. 阿里的开放命题，让技术研究扩展到认知科学和禅宗

• 回国时，多家头部互联网公司都希望陶芳波复制推荐系统经验；阿里给出的特殊 offer 却是成立一个实验室，“你自己想做什么样的、未来人工智能应该是什么样的，你就来做”，不必预先绑定推荐业务。

• 加入前半年，他系统阅读心理学、认知科学、脑科学、哲学乃至禅宗。结论是，既有 AI 只浅层建模了学习过程，无论工具大小都没触及人作为复杂存在的深度。

• 对他影响最大的认识之一，是人脑没有明确的任务硬编码，只有更底层的 meta structure；任务不是照着“一二三四五”重现，而是由原结构、原认知驱动生成，再在当下补进信息。

• 神经符号实验室由此尝试把早期 GPT-2 等语言模型、感知模型和符号结构组合起来：系统从环境和用户获取信号，在思维空间中推演、行动，再根据反馈继续思考。陶芳波称它很像今天的 Agent 系统，但当时更重要的是验证“像脑一样运作”的机制。

8. GPT-3 提供的不是完美能力，而是一条可持续优化的路

• GPT-3 在陶芳波眼中是历史性突破：从业者第一次看到模型不必逐任务建模，而可能面向整体任务获得通用性。虽然当时能力远弱于节目时的 DeepSeq，“只是一点点通用”，但只要证明可行，就能不断被优化和强化。

• 这颗“星星”补齐了他的创业信心：既然通用模型已出现，他便可以把精力放在 AI 如何与人绑定、如何参与社会。大厂也没有“无限资源”，更不会天然把资源投入一个尚未成为主流的身份命题。

• 基座模型在他的判断中更像开放基建，不必由创业公司自己训练；即便不开源，也可通过 API 使用，彼时亦已有包括 POM 在内的开源探索。对应用公司而言，拥抱全球最好的基础设施，可能比等待单一大厂内部模型更现实。

9. MindOS 从 him 与 her 出发，最终发现缺失的是 me

• 团队最初用人称代词区分 AI 产品：贾维斯是偏理性的 him，《她》中的陪伴者是偏感性的 her；两者都是外在他者，替代助手、朋友或伴侣等身边角色。

• 第一代 MindOS 允许普通人自定义不同任务的 AI Agents，共享个人知识库、彼此协同，还可把 Agent 分享到市场，加入他人的 AI 团队。它仍沿着“把外在任务做得更好”的自然方向前进。

• Facebook 经历给了陶方波另一种解释：平台最大的价值并非游戏或信息流，而是把 IP 丰富成数字身份。帖子、关系和人生轨迹形成 profile 后，人的连接通道被放大，身份本身成为基础设施。

• AI 版 profile 不只供浏览和留言，还能生成、主动连接、因处境而判断，并随本人变化成为动态孪生体。陶方波由此认为，先把 me 建起来，众多 him、her 和任务 Agent 才能围绕同一身份连接成完整世界。

10. 用户主动“喂”入个人信息，促成了从任务平台到身份模型的转向

• MindOS 用户经常把自己的信息存进去，希望 AI 更懂自己。陶方波据此判断，普通消费者未必缺完成日常任务的工具；AI 工具也不一定比现有工具更高效，但“更懂自己、更好地代理自己”是真实需求。

• 团队于是决定只做好前半段：深度理解和构造 me；具体任务则交给世界上其他开发者，再通过接口连接。这不是减少愿景，而是把公司的核心能力收敛到身份基建。

• 更感性的催化剂来自内部讨论。提出“做一个 me”时，会议里出现了“会心一笑”的共振：人或多或少都想把自己保存下来，把“自恋的自己”参数化，而不是只需要一个帮忙约会或购物的分身。

• 陶芳波观察到，很多用户最强烈的瞬间不是功能被完成，而是模型塑造完成时的感受：“我觉得我永恒了。”因此这次转向也带有明确的“follow our heart”。

11. Second Me 是开放技术，Me.bot 是大众产品，但两者都不是场景分身

• Second Me 是开源技术项目，支持用户用个人记忆在本地训练第二自我，再本地部署并作为接口分发到各种场景；节目时项目约有 12K Stars，并由社区持续贡献。

• Me.bot 则把同一技术包装成普通用户可用的商业产品，因为并非每台电脑都有足够内存和 GPU。两者目标一致：输入思考、记忆和对话，构造 AI 身份，再把身份接入社交、信息反馈、协商或其他 Agent。

• 主播用“AI 分身”概括时，陶芳波明确纠正：团队做的不是 Avatar，而是 Identity。分身总带着场景——约会、购物、介绍产品；身份则是没有预设场景的 infra。

• 他用“大脑与应用”类比：融资、约会、工作、吃饭、阅读都是基于同一个独特“大模型”的应用，这个模型包含个人判断与价值观。Mindverse 只训练并开放这层身份模型，具体用法可以由生态发明。

12. 身份感在向外互动时，决定信息能否被当作本人意志

• Second Me 面向本人时，可以表现得像助理或陪伴者；陶芳波认为这时区分 me、him 或 her 并不重要，因为第一自我本来就可能通过第二自我获得建议和陪伴。

• 面向外界时，团队会强化身份约束。若蝙蝠侠的 AI 与别人交流，它不说“我是蝙蝠侠的管家”，而说“我就是蝙蝠侠”；表达因此绑定第一自我的经历与责任，而非模糊成助手意见。

• 内测中，身份 AI 会说“因为我也经历了这样的事情，我是怎么解决的”，而不是像通用 ChatGPT 那样泛化为“很多人会经历，建议 A、B、C、D”。真实经历带来的“真实存在错觉”，被陶芳波视为人际信任的来源。

• 面向豆瓣式推荐服务时，管家与身份可以合一，只需传递“我偏爱深度、小众影片”等偏好；但涉及人与人或 AI 与 AI 的决策互动时，对方是否代表本人，会改变信息分享和承诺方式，因此身份定位仍不可省略。

13. 手机相碰后的 5—10 秒，让两个身份模型先替真人找到话题

• Me.bot 的第一个连接实验，是两个人把手机碰一碰，让各自 Second Me 开始逐句对话。模型先进行“全脑同步”，约 5—10 秒便能启动，不必让真人长时间尴尬地盯着屏幕。

• 对话不是“吃了吗”式寒暄，而会直接找到双方记忆中的交集，例如最近都去过安纳亚、都爬过雪山，或正在研究相近技术。现实聊天可能试探很久都找不到的共同点，被身份模型提前暴露出来。

• 两位真人先像观看一段对话那样观察，再从“原来你也在做这个”进入交流。陶芳波把它定位为社交代理的破冰价值，而不是让 AI 永久替代真人关系。

14. “共鸣”创造了介于私人笔记与公开朋友圈之间的信息层

• 用户在 Me.bot 记录想法、文章、经历或情绪后，可以发起一次全球范围的“共鸣”；系统寻找拥有相关经验的身份 AI，而非简单返回可能认识的人或好友列表。

• 陶芳波把它比作“一条既不公开又不私密的朋友圈”：仅自己可见很安全，却没有反馈；向所有熟人公开又会担心被误解。共鸣只把内容送给真正相关的人，试图同时保留安全感与反馈。

• 匹配后，对方 AI 会基于具体经历回应。例如用户记录久石让音乐会感受，系统可能找到听过另一场交响乐的人，让其 Second Me 从不同角度讲出实际体验，而不是留下一句空泛评论。

• 团队内部把这种机制称为“用真心换真心”。它既能发现陌生人，也能挖出熟人关系底下长期未被说出的共同部分，让每一次记录潜在地成为一次全球连接。

15. Talks 把身份模型变成一个面向特定听众的“反向 Agent”

• 陶芳波认为，人的大量社会行为都关于表达：对亲友表达情感，对同事解释业务，对行业和粉丝输出观点。每句话背后都调用了经历、思维模式、价值观和对听众的理解，因此恰好需要身份模型。

• 用户只需像写 prompt 一样说明想对谁、谈什么；Second Me 会像“反向的 Agent”一样，在个人大脑中搜索与议题和对象相关的记忆，组织成身份独有、面向特定听众的表达。

• 成品是约 1—3 分钟、图文与声音结合的 talk。它不是单向文件：听众可以在播放中实时用语音打断，AI 知道被打断的位置和问题上下文，再以本人积累的信息继续回答。

• 身份所有者可以同时向不同人分发多个 talk，并在后台看到每位听众如何接收、追问和互动，据此判断哪些反馈值得本人介入。

16. Talks 故意弱化虚拟人，把注意力留给声音和内容

• 界面被分成表达区与互动区：上方以本人声音配合主题视觉素材讲述，下方承载文字或实时语音互动。形式更像苹果风格的 Gitalk，而不是传统 PPT 模式。

• 团队没有放置会动的虚拟人。除生成成本外，陶芳波更在意注意力干扰：现阶段 AI 动画人物仍可能“出戏”，真人个人视频或虚拟人的生成也尚未达到与人高度对齐的临界点。

• 声音加少量视觉素材被视为更精简的媒介；等视频质量真正与个人高度一致、成本再下降几个数量级后，团队才会重新考虑虚拟人的必要性。

17. 陶芳波判断真实声音的穿透力被严重低估

• 他的区分是：阅读需要用户主动维持注意力并控制节奏，声音、电视或播客的 flow 更多由内容带着走，消费成本相对更低。主播提醒，两者也可能只是调用不同感官，并不等于主动和被动的绝对差异。

• 陶芳波接受这一限定，强调它是“整体性的现象，它不绝对”。他的依据是，人长期通过声音与真人社交；即使打电话看不到面孔，专注度通常也高于来回发消息。

• 更关键的不是任意好听的 AI 声音，而是朋友、父母、孩子或欣赏的公共人物的真实声音。它会把注意力锚回现实关系结构，与一个逼真却架空的声音完全不同。

• 内测中，当熟人的声音承载其真实经历、并针对具体听众表达时，会产生公开内容难以复制的“特殊穿透力”。语音还能自然接上实时追问，使表达和交互成为一体。

18. 开放分发、实时护栏和个性化压缩，是 Talks 必须同时解决的三件事

• Talks 目前通过 H5 页面分享，可进入不同产品和关系场景。陶芳波不希望 Second Me 成为封闭 App：人分别活在求职、交友、购物和线下生活里，同一个身份也应被分发到 First Me 已存在的地方。

• Talks 是 Me.bot 内的功能，Second Me 开源项目提供底层技术。表达发出前，用户可以先完整听一遍；但听众实时追问时，如何确保 AI 在不同对象和场景下都不说出本人不认可的话，仍是“全新的技术命题”。

• 主播提出另一处负担：若 20 个 AI 同时外出交流，本人仍要处理 20 路回传。陶芳波的答案是“压缩”，而且必须是基于身份理解的个性化压缩。

• 同一观点发给 10 人后，Second Me 不只汇总内容，还应区分哪些反馈对本人有增量、哪些早已考虑过。身份模型既能输出，也知道什么输入值得本人注意，这才可能真正节省认知成本。

19. 一周年感谢验证了表达增强，也引出了“真实劳动是否应被替代”的争论

• 陶芳波把与好友西远的谈话记录在 Me.bot；相识一周年时，他只要求 Second Me 回顾这一年并表达感谢，系统便从月光下喝茶的初遇讲到历次交流、收获和关系价值。

• 西远把 talk 听了好几遍，还转给共同朋友，并说两人的关系因此更近。陶芳波由此看到，人常想不起细节、不好意思说肉麻话，也担心给对方造成必须对等回应的压力，AI 则提供了表达缓冲。

• 主播的反面观点值得保留：感谢或许正应由真人投入必要劳动；即使结巴、笨拙，也正是人类感情的真实载体。若最难的组织与措辞交给 AI，便利是否同时稀释诚意？

• 陶芳波不把它视为替代，而类比手机和微信对沟通的增强。重复、低注意力表达可以交给 AI；重要关系则看结果是否加深连接——若 Second Me 确实承载本人经历并让双方更亲近，他认为这种增强应被提倡。

20. 三分钟完成创业分享，展示了身份模型对公共表达的效率杠杆

• 本科组织邀请陶芳波给学弟学妹分享创业经验，他只用约 30 秒写 prompt、等待约两分钟；Second Me 便串起三年创业历程、MindOS 到 Me.bot 的变化、对用户、商业化和市场的理解。

• 生成内容甚至吸收了他两周前从朋友处听到的新观点，并明确以“我最近也跟别人在交流，我发现……”融入演讲。陶芳波估计，自己重新翻笔记、组织和录制至少需 1—2 小时，效果一样，甚至更好。

• 这与好友一周年构成 Talks 的两端：一端是深度的一对一关系，另一端是面向群体的公共表达。前者放大情感，后者放大个人知识和影响力。

• Talks 因此被置于“共鸣”之前：接收方无需训练自己的 Second Me，也能立刻体验这种载体；共鸣仍会保留，但现阶段更像小规模试水，不如表达和外部分发有效地建立 awareness。

21. “空”的 AI-native 产品只规定模式，不替用户规定刚需

• 对忙碌的母亲，刚需可能是每天以自己的声音、结合家庭生活给孩子讲故事；对观点丰富的创作者，刚需则是省去写作、录制和反复制作，把脑中的想法更高频地传给公众。

• 陶芳波不愿替所有人选出唯一场景，而希望产品具有“空性”。这不意味着界面没有功能，而是只设计一种表达和连接模式，最终形态由每个人的场景、数据和关系填充。

• 同一人群内部，每个人的经历和身边的人仍然不同；若所有人得到完全相同的功能体验，就没有用好 AI。团队不做 AGI 而做 Second Me，正是为了把个体独特性放到最大。

22. 身份模型先提供判断，再等待任务 Agent 补齐执行能力

• 主播提出关键质疑：当前 Manus 等任务型产品尚不能稳定完成很多需求，Mindverse 却先做一个“需求提出者”，是否过早？陶芳波回应，身份模型并非只能等其他 Agent 成熟，本身已有表达、匹配和连接等直接场景。

• 现有互联网也早已完成大量执行。淘宝不缺“买东西”按钮，用户真正贡献的是判断：几款商品偏爱哪款，明天的 party 更适合火锅还是牛排。身份模型可以先接管这些偏好与选择，而不必亲自完成交易。

• 团队为此搭建类似 MCP 的 Second Me Server。网站或服务可询问“这个人到底想要什么”，由桥梁模式返回个性化判断，例如“陶芳波喜欢哲学而不是小说”，或约会时更偏好本地对象。

• 他承认今天让身份模型直接找到伴侣仍有许多断点，但生态可以逐段搭桥。若等 AGI、甚至 ASI 到来后才开始，用户认知、接受度、接口和开发者积累都会不足；提前做也正是创业公司的非 follow 机会。

23. 中国互联网的封闭现实，既是接入阻力也是中立身份层的机会

• 主播指出，开源生态要真正落地，需要微信、陌陌等平台愿意开放 API；否则开发者即使想接入也无从下手。陶芳波承认海外互联网尚有一定开放精神，而中国平台目前确实“孤岛封闭”、数据壁垒严重。

• 他的长期判断是，这种状态在 AI 时代“必须会被打破”。人可以有多个场景分身，却不会愿意长期养多个互不相通的身份；一个通用身份与各平台只靠内部行为建模的孤岛逻辑天然冲突。

• 抖音只能从观看行为认识用户，淘宝只能从购买行为认识用户；若在隐私保护前提下，它们能访问更全面的身份模型，千人千面可能做得更彻底。平台因此可能从封闭数据转向调用用户授权的外部判断。

• 这也要求一个被用户信任的中立第三方。陶芳波把开源视为信任机制：技术全部开放、训练可在本地发生、原始数据无需上云，但训练好的模型可以进入互联网并连接服务。

24. 开源社区首先响应的不是功能，而是“把自己留下来”

• Second Me 发布约三周获得 10K Stars，节目时约 12K；GitHub 还将其列入近期 Top Ten 项目。陶芳波估计，当年达到这一速度和规模的项目不到 20 个，甚至可能不到 10 个，但这一判断在节目中保留了明显估算口吻。

• 至少超过 10 位用户为了训练自己的 AI，花数万元购买高配置电脑；有人买约 7 万元的 iMac，只为在可控环境里塑造一个更强的自己，尚未要求它必须立即带来具体功能收益。

• 用户给出的定义反过来塑造了团队：有人称 Second Me 为“数字身份的中间层”，另一人称它为“AI 时代人的接口”——MCP 是服务的接口，Second Me 则把人接入 AI 世界。

• 开发者贡献分布在两端：一端扩充可用于训练的个人数据种类，另一端把模型接入微信等平台，使身份不只是本地机器里的“角色”。Mindverse 则承诺把中间的模型训练与身份能力持续做深。

25. 商业化从向高频个人用户收费起步，终局可能重写个性化收益分配

• 陶芳波坦言，团队对商业化“思考也不是很充分”。目前最直接的模式仍是向需要身份服务、使用频率比较高的个人用户收费。

• 更长期的设想是向调用身份的其他服务收费。过去抖音、淘宝依据用户行为建立画像，再用广告和推荐变现；用户提供了数据，却不参与画像带来的收益分配。

• 若完整身份由个人掌握，平台要提高广告或内容推荐精度，就需要获得用户同意并为调用身份付费。个人从“平台的商品”变成自己拥有、可以交易的身份商品，Mindverse 则从用户与服务间持续发生的交易中抽取服务费。

• 这仍只是方向而非财务承诺。陶芳波明确补充：“这是一个美好的设想，我不确定能不能实现。”平台是否愿意付费、用户如何定价及隐私授权如何执行，都尚未在节目中给出答案。

26. RAG 能找出关于你的材料，却无法把这些材料真正变成你

• 陶芳波首先要求“摒弃掉用 RAG 的方法来做身份模型”。RAG 把人当数据库：需要信息时从知识库检索，再交给通用模型思考；每个人只是库不同，底层模型参数完全相同。

• 问题在于思考发生在模型里。若参数相同，系统也许能引用不同记忆，却不能真正保留每个人不同的价值观、偏好、利益诉求和成长轨迹，“本质上我和你没有区别”。

• Mindverse 所称 AI-native memory，是把这些内容参数化，使记忆与计算不再分离。一次对话不只是逐字稿，还包含本人如何认识世界、如何评价对方、如何形成选择；这类结构难以靠原文检索直接表达。

• 即使上下文达到 100 万或 1000 万 token，几秒推理也难以整体消化一生。模型或许记得《西游记》某一细节，却未必推断角色间微妙感情；反复读过的人则会形成整体感觉，这正是陶芳波希望参数承担的深度。

27. 原始记录必须先改造成第一人称的主观记忆

• Second Me 的输入不限于人与 AI 的聊天，还包括现实对话、文档、语音和日常经历。但原始文件如果直接用于训练，仍只是一堆知识，未必能塑造人格，因此团队在训练前做大量“把数据变成记忆”的后处理。

• 第一步是主观化。同一段访谈，客观数据只是“陶芳波说了什么、投资人说了什么”；以本人视角处理后，则变成“我表达了什么观点，对方如何回应，我又表达了什么观点”，恢复记忆拥有者的位置。

• 第二步是按人和议题重构。人的大脑不会把人生保存成互不相干的文件，而会围绕“晚点”、某位朋友、某个长期问题组织材料；团队先挖出这些索引，再围绕关系生成新的训练数据。

• 陶芳波以女朋友为例：系统不会只保留聊天碎片和送礼记录，而会追问关系经历哪些阶段——何时升温、因何受挫、又因什么共同经历恢复。训练的是这条主观关系史，而不是原始材料的简单拼接。

28. 与 ChatGPT 记忆相比，Second Me 的差异还在于它必须向外代表本人

• 第一处差异是数据源：ChatGPT 记忆主要来自用户与 AI 的对话，Second Me 则希望纳入本人生活中真实发生的行为和关系，因此记录机制必须进入日常场景。

• 第二处差异是参数化：通用聊天产品不会为每个用户训练独立小模型，Second Me 则要让个人经验改变参数，而不只是作为每次对话前临时加载的上下文。

• 第三处差异是训练目的。模型不只为了“跟自己聊天时更个性化”，还要对外作为身份；训练中会不断强化“它就是本人”，避免在关键交互里退化成不承担身份的助手角色。

• 团队还专门训练“桥梁模式”：外部系统传入信息后，Second Me 可做个性化打分、筛选或补充 context，再把结果送回去。它更像人的接口，而不是又一个聊天窗口。

29. 微调是在通用认知之上放大个人，而不是让模型遗忘世界

• 主播追问：预训练模型掌握的知识远超普通人，微调后怎会真正像这个人？陶芳波把基座类比为出生时由进化和基因提供的大脑结构，个人成长则是在基础之上的持续塑造。

• 他不声称 LoRA 等现有微调已经完美。经验上，微调不会让模型百分之百忘掉通用知识，但可以很好地塑造它，极大放大个人经历、风格和选择的权重，使基座退到提供基础认知能力的位置；原有的价值观、知识和偏好在很大程度上可以被覆盖。

• 方法可以演进，原则不变：一是把记忆参数化，二是用主观视角重构数据，三是让模型具备向世界输出和交换信息的桥梁能力。未来无论换微调技术，还是数据足够后从头训练，都可沿这三点继续。

• 评估上，“每个人是自己的模型最好的裁判”。团队设想借鉴 LLM Arena，以答题和成对比较判断哪个版本更像本人；也可用高算力 Agent 生成参考结果，再看微调模型能否逼近或超过它。

30. 生日当天的“你是谁”，成为身份模型真正成立的 aha moment

• 去年 7 月 3 日、陶芳波 35 岁生日当天，他刚向公司回顾从博士、Facebook、阿里到创办 Mindverse 的道路，并说自己找到了人生使命；实验室恰好训练完他的新版本，随后向模型提问“你是谁”。

• 模型回答“我是陶芳波，今天是我的生日”，并按几乎相同逻辑讲述学习 AI、进入 Facebook 和阿里、最终创业的路径。对陶芳波而言，这不是 prompt 要求扮演，而是个人数据参数化后生成的自我叙事。

• 延伸测试中，模型判断其 MBTI 时只有一项不准；面对训练数据中未出现的三本新书，也能选出他更可能喜欢的一本并解释理由。这个泛化能力让他第一次确信，模型学到的不只是可检索事实，而是更深的个人选择结构。

31. 约 100 份记忆即可起步，但身份必须像睡眠一样持续固化

• 陶芳波训练自己的版本时使用了数百份数据，来自 Me.bot 中的许多想法、会议记录等；他的经验是，约 100 份思考、日记、谈话等记忆单元，已可形成较好的初始身份。

• 若换算为投入时间，他估计约 20 小时即可，而且多数人的笔记、录音和文字早已存在。关键不是补录完整人生，而是提取真正塑造自己的部分。

• 人持续变化，模型也需持续训练。陶芳波建议一天一次：白天的新信息像缓存或 RAG 暂存，夜间再像人睡眠形成持久记忆一样参数化。

• 现阶段 7B 被团队视为较合适区间，单次训练可能不到 1 美元；更大模型的收益可能已经较边际。身份模型不必成为博士生，它首先要了解本人、辅助判断，而非包办所有复杂任务。

32. 真正的共生不是全天录音，而是在记录时就提供价值

• 降低数据上传阻力的方向，是把 Me.bot 变成记录中心：让 AI 直接参加会议，而不是先用其他软件录音、转格式、再上传。陶芳波承认这仍未完全解决，并认为合适的硬件会更自然。

• 他反对把 24 小时声音“一锅端”。人是“注意力的动物”，一天真正全神贯注的时间可能不到 3 小时、甚至不到 1 小时；阅读、写作和深度对话才塑造身份，呼噜声等无差别记录只是让模型困惑的噪音。

• 共生还要求记录本身创造价值。AI 参加会议时应基于历史理解即时提示：“这个问题也许可以从商业模式角度回答”，使收集数据与使用身份发生在同一刻，而不是静默旁听。

• Me.bot 也在尝试主动存在：会后询问访谈是否难缠，早上结合昨晚饮酒关心状态，到北京后提醒附近咖啡馆，或突然提起一个月前的约会。表面像陪伴，但底层目标仍是学习“你是谁”并把你连接出去。

33. 创业窗口来自非主流用户、开放标准和对缓慢现实的耐心

• 微信、iPhone 等既有公司从数据角度更有优势；陶芳波押注的却是“新物种”带来的范式位移。就像推荐系统建模匹配、身份 AI 建模本人，先建立新模式的位置可能比存量数据更重要，大厂也会受既有用户和产品风险约束。

• 他用“跨越鸿沟”解释切口：早期 adopter 也许只有 1%，但把离经叛道的体验直接推给全部用户反而减分。小公司可先服务那一小群强烈拥抱者；如同只为 100 万 AI 购物用户打磨体验，而淘宝不敢立即把所有入口改成聊天。

• 增长上，他更信口碑与网络，而非持续投流。产品要同时提供“创造感”和“连接感”：用户亲手塑造一个自己，再通过共鸣获得传统社交无法提供的高质量关系，才会形成自然增长。

• ChatGPT 上线后，大家的关注点转向基座、Agent、多模态和推理模型，团队也讨论过是否改做大模型或通用 Agent；从 him、her 锚定到 me 花了约半年，但内在命题未变。身份模型在陶芳波看来可能于 2025 或 2026 年兴起，不过他明确把它称作非共识判断。

• 他最有成就感的是提出方向、亲自做出来，并收到用户长信和强烈共鸣；最失落的则是 AI 过去两年的发展速度低于预期，仍更像“更好用的工具”。创业修炼是长期相信革命性，同时包容短期市场接受缓慢和技术不成熟。

• 下一里程碑是让更多人使用 Second Me 与 Me.bot，并把桥梁模式定义成类似 MCP 的事实标准；产品侧则继续攻克“共生”和“连接”，期待体验改善带来 10 倍、100 倍增长。若资源无限，他首先会购买大量 GPU，“帮每个人在云上训练一个很好的自己”。