关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
今天我们的新产品 FlowSpeech 正式发布
FlowSpeech 是全球第一个书面语转口语的 TTS
可以读网页，可以念小说，可以讲PPT，还能翻译外语。
它是你的 AI 嘴替，随时替你说话。
这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。
为什么在行业都在吹概念，追模型，卷 Agent 的时候，
我们选择花一点时间做一个这样的小产品呢？
作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。
但做产品的本质，是帮助一个个真实的人。
FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。
ListenHub 在 5 月上线后，我们很快有了一万的注册用户。
在所有的用户中，年龄最大的一位，是一位美国老人。
有一天他在网上看到了 ListenHub，但是不太会用我们的软件，就写邮件问我，有没有使用教程。
我当时第一反应是，我从未想过给 ListenHub 写教程，因为它太简单了。
在 AI 圈子里都觉得过于简单的产品，在大众眼里依然是复杂得无从下手。
于是我回复他的邮件说：我们目前还没有教程，但是这就写，写好了发给您。
我立即打开 Notion，写下了一份最简单的教程，然后发给了这位美国老人。
他看完教程，终于把 ListenHub 用了起来。
后来我们邮件又往来了数次，我也逐渐了解到他的故事。
他在 1957 年参军，今年应该已经有 80 多岁了。
长期的肺纤维化疾病和数次的中风，已经让他失去了说话的能力。
但这并没有打垮他，他组建了一个数万人的线上病友社区。
他把 ListenHub 当作自己嘴替，用 AI 生成播客内容，在社区里输出，帮助病友。
播客很好，也只是万千表达方式中的一种。
我们希望我们的用户能够自由自在地用声音表达。
于是我们决定做一个通用的 AI 嘴替，可以读网页，可以念小说，可以讲PPT，还能翻译外语。‘
让你的 AI 嘴替，随时替你说话。
这就是 FlowSpeech 的缘起。
FlowSpeech 如何使用？
直接在浏览器访问 http://ListenHub.ai 即可在网页内直接使用。
iOS 下载：在 App Store 搜索 ListenHub 即可下载，FlowSpeech 会在下周上线到 App 里。
安卓下载：紧张开发中，即将上线。
还有…API 吗?
很多朋友问我们，ListenHub 里的声音，能不能做成 API，接到自己的产品里？
对，我们即将推出 FlowSpeech 的 TTS API 服务，敬请期待。
Invalid media: video
FlowSpeech 是全球第一个书面语转口语的 TTS
可以读网页，可以念小说，可以讲PPT，还能翻译外语。
它是你的 AI 嘴替，随时替你说话。
这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。
为什么在行业都在吹概念，追模型，卷 Agent 的时候，
我们选择花一点时间做一个这样的小产品呢？
作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。
但做产品的本质，是帮助一个个真实的人。
FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。
ListenHub 在 5 月上线后，我们很快有了一万的注册用户。
在所有的用户中，年龄最大的一位，是一位美国老人。
有一天他在网上看到了 ListenHub，但是不太会用我们的软件，就写邮件问我，有没有使用教程。
我当时第一反应是，我从未想过给 ListenHub 写教程，因为它太简单了。
在 AI 圈子里都觉得过于简单的产品，在大众眼里依然是复杂得无从下手。
于是我回复他的邮件说：我们目前还没有教程，但是这就写，写好了发给您。
我立即打开 Notion，写下了一份最简单的教程，然后发给了这位美国老人。
他看完教程，终于把 ListenHub 用了起来。
后来我们邮件又往来了数次，我也逐渐了解到他的故事。
他在 1957 年参军，今年应该已经有 80 多岁了。
长期的肺纤维化疾病和数次的中风，已经让他失去了说话的能力。
但这并没有打垮他，他组建了一个数万人的线上病友社区。
他把 ListenHub 当作自己嘴替，用 AI 生成播客内容，在社区里输出，帮助病友。
播客很好，也只是万千表达方式中的一种。
我们希望我们的用户能够自由自在地用声音表达。
于是我们决定做一个通用的 AI 嘴替，可以读网页，可以念小说，可以讲PPT，还能翻译外语。‘
让你的 AI 嘴替，随时替你说话。
这就是 FlowSpeech 的缘起。
FlowSpeech 如何使用？
直接在浏览器访问 http://ListenHub.ai 即可在网页内直接使用。
iOS 下载：在 App Store 搜索 ListenHub 即可下载，FlowSpeech 会在下周上线到 App 里。
安卓下载：紧张开发中，即将上线。
还有…API 吗?
很多朋友问我们，ListenHub 里的声音，能不能做成 API，接到自己的产品里？
对，我们即将推出 FlowSpeech 的 TTS API 服务，敬请期待。
Invalid media: video
GPT-5 是 OpenAI 迄今为止最先进的模型，在推理能力、代码质量和用户体验方面都有重大提升。
它能够以极少的提示完成复杂编码任务，提供清晰的解释，并引入更强的代理能力，使其成为所有用户的强大编程协作伙伴和智能助手。
目前可用的 GPT-5 变体包括：
gpt-5：面向逻辑推理和多步骤任务
gpt-5-mini：轻量级版本，适用于对成本敏感的场景
gpt-5-nano：针对速度优化，适合需要低延迟的应用
gpt-5-chat：支持高级、自然、多模态且具上下文感知的对话，面向企业级应用
感觉 OpenAI 最近开源的 gpt-oss 真的被严重低估了。它虽然不是最聪明的，但在使用场景和定位上是非常成功的（服了 Sam 老六）。
首先最小尺寸的 gpt-oss:20b 绝对是你在 Mac 或者家用电脑上就能跑的最好模型之一（对我来说是“唯一”）。它是那种少有的“真正能用”的本地模型，对话体验非常好，持续对话下来非常稳定、不会出现输出混乱崩溃的问题。大部分早期能跑的本地模型是不具备的。
它的尺寸刚刚好，不管是模型文件还是运行显/内存都非常小（大约是 12～16GB），大部分电脑都能使用。在我的 M4 Mac 上能做到 70token/秒 的输出，在我的 19 年老 Intel 的 Mac 上能做到大约 1 token/秒的输出。整体性能上非常出色。
最为重要的是，虽然硬件要求非常低，但它的智能表现出乎意外的好。我把个人最近一些非编程类的问题同时发给 gpt-oss:20b 和元宝（DeepSeek R1），不管是回答速度还是回答质量，我更喜欢 gpt-oss:20b 多一点。这不是严谨的对比测试，我也只尝试了五、六个问题，但考虑到硬件要求，这样的回答效果已经让我感到满意了。
如果你的对话需求非常简单，或者想要一个完全离线、隐私自由的本地模型，gpt-oss:20b 绝对是一个简单可靠的选择。
其次是最大尺寸的 gpt-oss:120b，OpenAI 号称接近 o4-mini 的水平。理论上它也能在 Mac 或者家用电脑上运行起来。我记得大约需要 60～80 GB 的显/内存，对我的 Mac 来说非常吃力。如果电脑硬件足够强、或者并行几个 Mac Mini 跑起来问题应该不大，这就能拥有一个接近 o4-mini 水平的离线本地模型了。
gpt-oss:120b 另外一个被低估的意义是在价格上。在 together.ai 上这个模型的价格低至 $0.15 / $0.60，相比之下 DeepSeek V3（注意是 V3 不是 R1）的价格是 $0.27 / $1.10。也就是说，这么一个号称性能接近 o4-mini 的模型，价格只需要 DeepSeek V3 的一半！！据我所知这样的价格已经是 LLM 中的最低档，类似价格的是 gpt-4o-nano 和 gemini 2.5 flash-lite。
我现在非常怀疑 OpenAI 这波就是冲着 DeepSeek 来的……
另外我还发现了 gpt-oss 非常容易破解，比其他开源模型简单很多。容易到什么程度呢，我可以在大约三次对话内让它回答各种非法问题。不过这个话题不适合在这里讨论了……
首先最小尺寸的 gpt-oss:20b 绝对是你在 Mac 或者家用电脑上就能跑的最好模型之一（对我来说是“唯一”）。它是那种少有的“真正能用”的本地模型，对话体验非常好，持续对话下来非常稳定、不会出现输出混乱崩溃的问题。大部分早期能跑的本地模型是不具备的。
它的尺寸刚刚好，不管是模型文件还是运行显/内存都非常小（大约是 12～16GB），大部分电脑都能使用。在我的 M4 Mac 上能做到 70token/秒 的输出，在我的 19 年老 Intel 的 Mac 上能做到大约 1 token/秒的输出。整体性能上非常出色。
最为重要的是，虽然硬件要求非常低，但它的智能表现出乎意外的好。我把个人最近一些非编程类的问题同时发给 gpt-oss:20b 和元宝（DeepSeek R1），不管是回答速度还是回答质量，我更喜欢 gpt-oss:20b 多一点。这不是严谨的对比测试，我也只尝试了五、六个问题，但考虑到硬件要求，这样的回答效果已经让我感到满意了。
如果你的对话需求非常简单，或者想要一个完全离线、隐私自由的本地模型，gpt-oss:20b 绝对是一个简单可靠的选择。
其次是最大尺寸的 gpt-oss:120b，OpenAI 号称接近 o4-mini 的水平。理论上它也能在 Mac 或者家用电脑上运行起来。我记得大约需要 60～80 GB 的显/内存，对我的 Mac 来说非常吃力。如果电脑硬件足够强、或者并行几个 Mac Mini 跑起来问题应该不大，这就能拥有一个接近 o4-mini 水平的离线本地模型了。
gpt-oss:120b 另外一个被低估的意义是在价格上。在 together.ai 上这个模型的价格低至 $0.15 / $0.60，相比之下 DeepSeek V3（注意是 V3 不是 R1）的价格是 $0.27 / $1.10。也就是说，这么一个号称性能接近 o4-mini 的模型，价格只需要 DeepSeek V3 的一半！！据我所知这样的价格已经是 LLM 中的最低档，类似价格的是 gpt-4o-nano 和 gemini 2.5 flash-lite。
我现在非常怀疑 OpenAI 这波就是冲着 DeepSeek 来的……
另外我还发现了 gpt-oss 非常容易破解，比其他开源模型简单很多。容易到什么程度呢，我可以在大约三次对话内让它回答各种非法问题。不过这个话题不适合在这里讨论了……
今天我们的新产品 FlowSpeech 正式发布
FlowSpeech 是全球第一个书面语转口语的 TTS
可以读网页，可以念小说，可以讲PPT，还能翻译外语。
它是你的 AI 嘴替，随时替你说话。
这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。
为什么在行业都在吹概念，追模型，卷 Agent 的时候，
我们选择花一点时间做一个这样的小产品呢？
作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。
但做产品的本质，是帮助一个个真实的人。
FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。
ListenHub 在 5 月上线后，我们很快有了一万的注册用户。
在所有的用户中，年龄最大的一位，是一位美国老人。
有一天他在网上看到了 ListenHub，但是不太会用我们的软件，就写邮件问我，有没有使用教程。
我当时第一反应是，我从未想过给 ListenHub 写教程，因为它太简单了。
在 AI 圈子里都觉得过于简单的产品，在大众眼里依然是复杂得无从下手。
于是我回复他的邮件说：我们目前还没有教程，但是这就写，写好了发给您。
我立即打开 Notion，写下了一份最简单的教程，然后发给了这位美国老人。
他看完教程，终于把 ListenHub 用了起来。
后来我们邮件又往来了数次，我也逐渐了解到他的故事。
他在 1957 年参军，今年应该已经有 80 多岁了。
长期的肺纤维化疾病和数次的中风，已经让他失去了说话的能力。
但这并没有打垮他，他组建了一个数万人的线上病友社区。
他把 ListenHub 当作自己嘴替，用 AI 生成播客内容，在社区里输出，帮助病友。
播客很好，也只是万千表达方式中的一种。
我们希望我们的用户能够自由自在地用声音表达。
于是我们决定做一个通用的 AI 嘴替，可以读网页，可以念小说，可以讲PPT，还能翻译外语。‘
让你的 AI 嘴替，随时替你说话。
这就是 FlowSpeech 的缘起。
FlowSpeech 如何使用？
直接在浏览器访问 http://ListenHub.ai 即可在网页内直接使用。
iOS 下载：在 App Store 搜索 ListenHub 即可下载，FlowSpeech 会在下周上线到 App 里。
安卓下载：紧张开发中，即将上线。
还有…API 吗?
很多朋友问我们，ListenHub 里的声音，能不能做成 API，接到自己的产品里？
对，我们即将推出 FlowSpeech 的 TTS API 服务，敬请期待。
FlowSpeech 是全球第一个书面语转口语的 TTS
可以读网页，可以念小说，可以讲PPT，还能翻译外语。
它是你的 AI 嘴替，随时替你说话。
这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。
为什么在行业都在吹概念，追模型，卷 Agent 的时候，
我们选择花一点时间做一个这样的小产品呢？
作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。
但做产品的本质，是帮助一个个真实的人。
FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。
ListenHub 在 5 月上线后，我们很快有了一万的注册用户。
在所有的用户中，年龄最大的一位，是一位美国老人。
有一天他在网上看到了 ListenHub，但是不太会用我们的软件，就写邮件问我，有没有使用教程。
我当时第一反应是，我从未想过给 ListenHub 写教程，因为它太简单了。
在 AI 圈子里都觉得过于简单的产品，在大众眼里依然是复杂得无从下手。
于是我回复他的邮件说：我们目前还没有教程，但是这就写，写好了发给您。
我立即打开 Notion，写下了一份最简单的教程，然后发给了这位美国老人。
他看完教程，终于把 ListenHub 用了起来。
后来我们邮件又往来了数次，我也逐渐了解到他的故事。
他在 1957 年参军，今年应该已经有 80 多岁了。
长期的肺纤维化疾病和数次的中风，已经让他失去了说话的能力。
但这并没有打垮他，他组建了一个数万人的线上病友社区。
他把 ListenHub 当作自己嘴替，用 AI 生成播客内容，在社区里输出，帮助病友。
播客很好，也只是万千表达方式中的一种。
我们希望我们的用户能够自由自在地用声音表达。
于是我们决定做一个通用的 AI 嘴替，可以读网页，可以念小说，可以讲PPT，还能翻译外语。‘
让你的 AI 嘴替，随时替你说话。
这就是 FlowSpeech 的缘起。
FlowSpeech 如何使用？
直接在浏览器访问 http://ListenHub.ai 即可在网页内直接使用。
iOS 下载：在 App Store 搜索 ListenHub 即可下载，FlowSpeech 会在下周上线到 App 里。
安卓下载：紧张开发中，即将上线。
还有…API 吗?
很多朋友问我们，ListenHub 里的声音，能不能做成 API，接到自己的产品里？
对，我们即将推出 FlowSpeech 的 TTS API 服务，敬请期待。
B 端产品，往往是某种最佳实践的凝结。可通过目标用户调研、逻辑推演，不断提升确定性。
C 端产品，往往并不是理性下的最佳实践。用户调研用途不大，甚至容易带进坑里。
C 端产品，更像一个封装着人性的密码箱。找齐所有密码才能开启。密码错一位，和全错是一样的：打不开。
问题来了：抖音的密码有几位，每一位是什么。
AI 时代有新的平台型产品的机会吗。如果有，密码是什么。又有哪些 AI 应用，已找到部分密码。
C 端产品，往往并不是理性下的最佳实践。用户调研用途不大，甚至容易带进坑里。
C 端产品，更像一个封装着人性的密码箱。找齐所有密码才能开启。密码错一位，和全错是一样的：打不开。
问题来了：抖音的密码有几位，每一位是什么。
AI 时代有新的平台型产品的机会吗。如果有，密码是什么。又有哪些 AI 应用，已找到部分密码。
从Surge, Scale聊到我对数据行业的总体看法
Scale被Meta投资后，非常多人来咨询我对数据行业的看法。硅谷101在6.23这期视频中邀请我分析了几个关键问题，包括Alex为什么愿意加入Meta（感兴趣的朋友可以看看视频https://b23.tv/j4oAuYu）。昨天西元@西元Levy 又问我对Surge的看法，正好借此机会，我把大家最关心的几个问题系统整理一下，一并分享出来。
⚡️1. 关于数据行业，大家有两个常见的误解：
第一个误解是，AI行业不需要人工标注数据了。但实际上，即便在强化学习的时代，高质量的人类数据依然非常重要。过去几个月，国内自媒体有一大批唱衰Scale的言论，认为有了强化学习就不需要人工标注数据。但Surge的revenue直接用真金白银证明了这种说法是错误的。
第二个误解是，认为数据行业就是血汗工厂的人力密集型行业。但事实上它是一个很有技术含量的科技行业。Surge的CEO Edwin在访谈里提到了一些关键点：如何衡量数据质量，如何衡量工作质量，如何让平台高效运转，以及如何了解frontier model所需要的数据类型和格式。
⚡️2. 为什么数据标注依然是门好生意？
高质量的人工数据标注依然是一个极好的business，但竞争极其激烈。
首先，要在数据领域取得成功，公司必须以技术为核心导向。不管是Surge还是Scale，创始人都是MIT毕业的，员工也都是能够与大模型公司需求对话的人才。
其次，高质量数据的价格遵循非线性增长逻辑。高质量数据的价格可能不是普通数据的两倍，而是十倍、百倍的关系，很多人没有理解这一点。
第三，从公开信息可以看到，Meta同时使用了Surge和Scale，但在这种情况下，Meta还是选择对Scale进行大笔投资。这说明美国领先的模型公司非常重视人工标注的高质量数据，并不像自媒体圈狂欢时说的有了强化学习就不需要人工数据了。
第四，Edwin在talk中提到的许多要点——比如需要build的产品、API，需要与客户直接对话、快速响应数据需求——这些都是业内人士一直知道，但外界很少提及的practice。想做数据必须做最高质量的数据，这样才能赚到钱，而且能赚到非常多的钱，这一点其实跟大模型本身是一样的。
⚡️3. Surge和Scale的区别是什么？
首先，在谈区别之前，Surge和Scale是非常像的两家公司。都是MIT出身的技术背景创始人，团队都充满了MIT、哈佛、斯坦福的名校生。业务也都非常专注做数据，优先从产品技术角度去解决质量问题。创始人也都对人才质量有自己的理解和追求，Edwin在访谈中强调了高人效，Alex冒着政治不正确的风险提出不要DEI，要MEI (merit, excellence, and intelligence)。
那么，为什么Surge可以提供比Scale更高质量的数据？核心是因为数据需求在不停变化，Surge出现时正好赶上大模型浪潮，从第一天就专门针对大语言模型做优化。而Scale是从自动驾驶时期开始的，经历了从自动驾驶到电商分类，再到大模型，还包括国防部的各种项目等多次转向。
其次，Surge的处理能力其实是不够的，吃不下那么多订单。客观来说，现在整个行业对数据的需求太大了，以至于你能提供多少高质量的数据，模型公司就能吃下多少。即便Surge的处理量再翻十倍，行业还是能消化得下。
在Scale被Meta投资之后，Surge现在处于一个很好的位置，成为最大的第三方中立数据服务机构。但因为这个市场非常巨大，还在非常早期，变数会很多。Surge现在可能也想融资扩张。
Scale和行业内其他公司肯定也会继续有生意可以做。局面可能是这样：比如最优质的数据是100分，但实际上没有人能做到，Surge可能做到80分，Scale可能是75分。当80分的数据量不够时，并不是说行业就不需要75分的数据了。大家都在非常努力地想把数据再往前推进一点，而且这个标准随着大模型能力的提高在更加快速的的提高。
⚡️4. 谁能成为下一个（或XX领域的）Scale或Surge？
关于数据的话题，我还有一个观点要补充：最优秀的解决数据问题的团队，不是因为解决不了其他问题而退而求其次的团队，而是相信数据本身有价值的团队。
之前和不少国内VC交流，或者我了解的很多创业公司的做法，是想现在靠提供数据服务来养活自己，之后再做别的。我认为抱着这种想法的团队肯定做不好数据。
Scale被Meta投资后，非常多人来咨询我对数据行业的看法。硅谷101在6.23这期视频中邀请我分析了几个关键问题，包括Alex为什么愿意加入Meta（感兴趣的朋友可以看看视频https://b23.tv/j4oAuYu）。昨天西元@西元Levy 又问我对Surge的看法，正好借此机会，我把大家最关心的几个问题系统整理一下，一并分享出来。
⚡️1. 关于数据行业，大家有两个常见的误解：
第一个误解是，AI行业不需要人工标注数据了。但实际上，即便在强化学习的时代，高质量的人类数据依然非常重要。过去几个月，国内自媒体有一大批唱衰Scale的言论，认为有了强化学习就不需要人工标注数据。但Surge的revenue直接用真金白银证明了这种说法是错误的。
第二个误解是，认为数据行业就是血汗工厂的人力密集型行业。但事实上它是一个很有技术含量的科技行业。Surge的CEO Edwin在访谈里提到了一些关键点：如何衡量数据质量，如何衡量工作质量，如何让平台高效运转，以及如何了解frontier model所需要的数据类型和格式。
⚡️2. 为什么数据标注依然是门好生意？
高质量的人工数据标注依然是一个极好的business，但竞争极其激烈。
首先，要在数据领域取得成功，公司必须以技术为核心导向。不管是Surge还是Scale，创始人都是MIT毕业的，员工也都是能够与大模型公司需求对话的人才。
其次，高质量数据的价格遵循非线性增长逻辑。高质量数据的价格可能不是普通数据的两倍，而是十倍、百倍的关系，很多人没有理解这一点。
第三，从公开信息可以看到，Meta同时使用了Surge和Scale，但在这种情况下，Meta还是选择对Scale进行大笔投资。这说明美国领先的模型公司非常重视人工标注的高质量数据，并不像自媒体圈狂欢时说的有了强化学习就不需要人工数据了。
第四，Edwin在talk中提到的许多要点——比如需要build的产品、API，需要与客户直接对话、快速响应数据需求——这些都是业内人士一直知道，但外界很少提及的practice。想做数据必须做最高质量的数据，这样才能赚到钱，而且能赚到非常多的钱，这一点其实跟大模型本身是一样的。
⚡️3. Surge和Scale的区别是什么？
首先，在谈区别之前，Surge和Scale是非常像的两家公司。都是MIT出身的技术背景创始人，团队都充满了MIT、哈佛、斯坦福的名校生。业务也都非常专注做数据，优先从产品技术角度去解决质量问题。创始人也都对人才质量有自己的理解和追求，Edwin在访谈中强调了高人效，Alex冒着政治不正确的风险提出不要DEI，要MEI (merit, excellence, and intelligence)。
那么，为什么Surge可以提供比Scale更高质量的数据？核心是因为数据需求在不停变化，Surge出现时正好赶上大模型浪潮，从第一天就专门针对大语言模型做优化。而Scale是从自动驾驶时期开始的，经历了从自动驾驶到电商分类，再到大模型，还包括国防部的各种项目等多次转向。
其次，Surge的处理能力其实是不够的，吃不下那么多订单。客观来说，现在整个行业对数据的需求太大了，以至于你能提供多少高质量的数据，模型公司就能吃下多少。即便Surge的处理量再翻十倍，行业还是能消化得下。
在Scale被Meta投资之后，Surge现在处于一个很好的位置，成为最大的第三方中立数据服务机构。但因为这个市场非常巨大，还在非常早期，变数会很多。Surge现在可能也想融资扩张。
Scale和行业内其他公司肯定也会继续有生意可以做。局面可能是这样：比如最优质的数据是100分，但实际上没有人能做到，Surge可能做到80分，Scale可能是75分。当80分的数据量不够时，并不是说行业就不需要75分的数据了。大家都在非常努力地想把数据再往前推进一点，而且这个标准随着大模型能力的提高在更加快速的的提高。
⚡️4. 谁能成为下一个（或XX领域的）Scale或Surge？
关于数据的话题，我还有一个观点要补充：最优秀的解决数据问题的团队，不是因为解决不了其他问题而退而求其次的团队，而是相信数据本身有价值的团队。
之前和不少国内VC交流，或者我了解的很多创业公司的做法，是想现在靠提供数据服务来养活自己，之后再做别的。我认为抱着这种想法的团队肯定做不好数据。
