Kevin Ding

Kevin Ding 对 AI 下半场的核心 bet：ASI 不会只以一个超级中心化模型的形态到来，而会有“服务化的形态，是 Agent 蜂群的形态”。 理由是需要被 AI 解决的问题和场景“都是无穷无尽的，而且还会不断产生新的场景”，且场景本身不是静态的；“用有限参数的模型去泛化无限的场景……至少在 Transformer 这个架构上实现还是很有挑战的”。他不证伪第一条路，但认为服务化路线“一定成立”——需求一直在那里且在增长。

PyroMind 的定位从 RL as a Service 进化为 Auto RL 驱动的 RSI（自我改进），因为发现“Service 只解决了一半的问题”。 RSI 热起来正是 Agent 部署多了的结果：“一个人日常带着几十个 Agent 去做一件事，他不可能有精力去维护每一个 Agent 的演进”——Agent 需要自我迭代，训练和奖励两个问题都要纳入闭环。

商业上已“初步跑通 PMF”：单体大客户付费在百万到千万人民币区间，两个 FDE 支撑十几个 B 端客户，横向复制的工作量逐步递减。 Koji 将融资介绍为天使轮；Kevin 确认公司成立后完成了一轮融资，投资方包括高瓴、百度风投、蓝驰、Vertical，团队 20 多人。最硬的效果数据：质检场景基于约一万张样本，把误报率从 23% 降到 8%。

可 scaling 的关键抽象是“无状态”：不做耦合客户上下文的有状态环境，而做一条无状态的 Auto RL 管道。 “我不能把 A 客户的状态打包进产品，再卖给 B 客户”——与客户之间传递的主要是数据集进、更新好的模型出。竞争格局由此分化：Apply Compute 在头部企业内纵向 scaling、包掉一切；DeepMind 系的 Trajectory 与 PyroMind 理念相近，只把训练做好、横向 scaling。

对 Harness 路线的判断：企业深层需求是成本、速度、隐私的“不可能三角”，Harness 能解决速度，但“隐私肯定是解决不了的”；不修改参数的方法“天花板其实是存疑的”。 例证是 PCB EDA 客户：基座模型预训练阶段不可能见过这类样本，“再怎么做 Harness，它都很难达到理想状态”。

新工作 Paradigm：4B Worker Model 与任意 Base Model（开源、闭源皆可，不需要梯度）组成协作式推理引擎，benchmark 提升约 10%，lambda 较小时省约 20% 成本。 4B 刚好能在 Mac 端侧跑，推理成本基本为零；三阶段训练是难易分类、路由和 GRPO。下一步是尚未发布的隐私奖励项，对敏感 token 做 masking 后再路由回 Base Model。与 Thinking Machines 的 Tinker 不同：LoRA 绑定基座，Paradigm 与 Base Model 解耦，可以更换。

对基模与云厂商均不惧：基模“够用也不够用”——到生产环境“不是把模型 API 接到现场，它自己就能跑起来”；基模越强，Worker Model 压力越小，是站在巨人肩膀上而非竞争。 云厂商目标太多，“最后落下来的形态就不可能像我们这么敏捷、这么专用”。他引用 Hugging Face 报告称，100B 以上本地模型的下载量很小，100B 以下占主流，认为这说明有大量需求需要用分布式形态解决。

🔗 原始收听与视频来源： AI 下半场，不会只剩一个超级模型｜对谈 Kevin Ding：Pyromind 创始人/CEO