独家对话“小冰之父”：查贪腐时反出局，杀回牌桌这一年

让一个创始人离开做了11年的项目，会是一种什么感受？特别是这个项目，是全球曾经有着6.6亿用户的明星项目。

这个问题，李笛有权回答。

2025年12月底，在一场年轻人云集的奇绩路演上，本应是导师的李笛，作为“彩蛋”，带着自己新的公司——明日新程（Nextie），重新出现在大众视野。

诞生自2013年底的小冰，当时名字里还带着微软这个前缀。它不仅比Transformer架构早诞生了3年，还早于ChatGPT 8年就探索出了人与AI的第一次自然交互。小冰，也曾经代表了全球对人工智能最初想象的全部，到2018年时，初代小冰在全球有6.6亿用户。

然而，就在全球大模型竞赛万箭齐发的2023年，李笛在公司内部突然遭遇到了阻碍。小冰“实控人”、事实上的“大股东”沈向洋禁止他和团队在中国继续训练大模型，他们只得借了老东家微软的一批算力，用日本团队“曲线救国”。

但这短暂的成果，并未换来把资源投向中国团队的可能。李笛只能眼看着，账上还躺着一亿元现金的小冰错过了大模型爆发的黄金时期，只能苦苦维持在数字员工、虚拟人赛道的既有优势。

类似的尝试，还有小冰在2023年2月发布的小冰链（X-CoTA）——类似于后来DeepSeek-R1模型的LongChain长思维链系统，但同样没能获得最高层面的支持。

“我其实抗争过，但……” 到了2024年，情况更是急转直下，一场公司控制权斗争，让李笛直接被迫离开了他一手带大、做了整整十一年的项目。

“正在调查贪腐的时候，（我）被干掉了，多么荒谬啊。”事后复盘，他把这归咎于自己的“认知盲区”：“一直以为我是小冰的负责人、创始人，但后来发现我不是，不是大股东，所以不能够去做正确的事。”他迟疑半晌，补了一句感慨：“所以说……夫妻店这事儿还是挺要命的。”

2025年年底，经历了种种变故后，在陆奇和老部下们的支持下，李笛重返创业场。这次重新创业，陆奇给了他两条建议：做自己想做的事，不要去猜别人希望他做什么；以及，保持善良。“这两点我都非常受用。”李笛说。

半年后，我们在李笛新成立的公司办公区见到了他——这本是奇绩创坛的共享办公区，对他们当下的7人小团队也已足够。

他穿着99块的优衣库印花T恤，身形清瘦。腼腆带笑，讲话轻声，笑称自己是“i”人，很难看出来已经四十出头。

谈到被迫离开小冰，他脸上带着一种“劫后余生”的释然。错过、遗憾、愤怒……似乎不会再是萦绕他的关键词。

“我曾经很痛苦，觉得我把小冰给扔了。那我现在不痛苦，因为小冰又不是人类的女儿，形体在哪不重要，我在做，它就在。所以不管我在做什么，它就叫小冰。”

9月17日，在小冰“生日”这天，李笛率原班人马创立的新产品“小团子”上线内测。有用户笑称，站在现在这个节点回望2017年的人工智能，小冰算是“侏罗纪时期的AI”。

图源｜AI团子

当下 AI 创业场中，“小天才”和“科学家”是最吃香的标的。带有过往经验的“创业老兵”，则容易被贴上旧时代产物的标签。但李笛说，自己自始至终想做的都只是一件事——人机共生的网络。

类似当年的“小冰岛”，这次他想要构建的，是一个近似现实世界、“活人感”很足的空间。Agent们会有脾气、会拒绝你、会互相竞争甚至投票把某个成员淘汰出去，但它们做的一切都是“为你好”。

要建立一个情绪附加值极高、让人愿意为之付费的人机共生网络，需要极高的模型能力。当下，沿着“CoT-推理模型”这条发展路径的下一站，李笛认为是“认知模型”——一种学会遗忘、能解耦知识与认知的推理模型。

李笛认为，要构建起真正的群体智能，不在于智能体数量，而要从人类社会的蓝本中，找到最恰当合适的协同方式。因此，他和团队复盘了1800-2020年全部人类论文，来训练自己的模型。

不过，一个4B端侧模型并不是他的终极目标，还要探索AI创业领域的新模式。

在大模型狂飙的这两年，受制于种种“不让做”，李笛和他的“小冰”一度错过、掉队。当行业信仰集中在Scaling Law，用更大的参数、更长的思维链、更无所不包的超级模型来定义智能的高度。李笛则是热闹舆论场中的“异类”，多次公开表达对“卷规模”的同质化竞争的不满。

“我们今天的技术是新的，但商业模式是旧的，是30年前、40年前Email时代定义的，它不适合大模型，要用新的模式。”

李笛认为，在大模型时代还在谈论DAU、ARR“毫无价值”，忽略了背后的算力成本，也难以建立起可持续循环的商业模式。他提及当下多个热门AI产品的 ROI 迟迟打不平的困境，和付费难的国内现状。

2025年，当行业开始从模型层卷向智能体、从“对话框陪伴”卷向“深入工作流提效”，重新出发的李笛，带着他的新公司、4B大小的认知模型和一套“活的”多智能体系统，试图重新定义这场游戏的规则。

在和我们长达三小时的访谈中，他照样给出了一些非共识的判断：

“大模型实际上是群体智能的前菜……大模型的下一场就是认知。从思维链到推理到认知，这件事必然发生。”

“（我们要做的认知模型）是一种强化了的、学会遗忘的、能解耦认知和知识的推理模型……得把这些知识剔除掉，让一个人因为学习知识得到了认知，再忘记这些知识，认知才能解放出来。”

“群体不是数量，群体是规则。多智能体不直接带来效率和最优解……如果只是一味用人海战术去补量，很可能得到的是——人越多，倒忙帮得越大。”

“真正的大模型时代的北极星指标，叫做GPU cost比revenue……大模型参与到了创作过程，参与到了决策过程，实实在在提供了不同的智力创造的结果，那么它应该为不同的智力创造结果收取不同的费用。”

“Transformer架构下面的模型本身没有什么太大的壁垒……所有的技术所对应的壁垒都只是一个时间周期问题。”

“（能力）越强越不给他钱……强不代表商业模式，强也不代表被尊重。我很喜欢对比草原狼和哈士奇，草原狼那是真强，都灭绝了。哈士奇那是真弱，真二，骗吃骗喝过得潇洒。哈士奇这个能力显然更高级，因为它跟人更近。”

“AI社交这件事情本身是个伪命题……情感陪伴从来都不是一个专门的事儿……你专门用情商来做一个陪聊的虚拟男友，那是把事情做小了，它应该用来做任何事情。”

“（行业现状）需要泡沫去破裂，人们才会真的去尝试去追求繁荣。如果泡沫还没有破裂，谁会愿意去追求繁荣？像我这样的人之所以成为反共识，就是因为耽误大家挣钱了。”

以下是凤凰网科技《浪潮》栏目和李笛的对谈，经过不更改原意的删改：

谈离开小冰：查贪腐时反被干掉，错过大模型黄金发展期

凤凰网科技：你这两年在公众视野里似乎有点“隐身”了，去年年底在奇绩创坛现身宣布创业，先来介绍一下新做的事吧？

李笛：从我自己的角度来讲，创业12年一直没有停过。想做的事13年前就有了。

2013年底，我在微软负责必应搜索引擎，大家都在做智能语音助手，就像今天很多人做基于大模型的聊天机器人。但我们当时觉得不对，所以小冰2013年末立项时，code name就叫Social Agent。

我们认为，AI最后一定会沉淀到Agent这一层，而且Agent会形成很强的群体性，只是上一代技术有局限，大模型时代才让这件事变简单了。

大模型实际上是群体智能的前菜，提供了个体所需的基本认知、决策、思维链和推理能力，但没有很好地形成彼此协同。所以下一阶段需要认知强化，也就是认知模型。

去年底，Andrej Karpathy（安德烈·帕卡西，OpenAI 联合创始人）接受访谈时最重要的一句话就是：大模型的下一场就是认知。

从思维链到推理到认知，这件事必然发生。同时，大模型的推理算力成本会随着认知模型得到很大优化。

你今天用龙虾，不用等要求，自己能主动做事，但你不敢，几个Agent一商量把你信息删了，协同得不好，而且主动做事消耗的算力还很贵。

认知模型是很小参数规模的模型，Karpathy认为大概1B左右，我们现在做到的极限性探索，只需4B左右，可在端侧部署。像具身智能机器人，不联网、在端侧协同完成任务，耗的是电，不再耗昂贵的算力。

同时也还训练另外一个8B的模型，参数规模会大一倍，但仍然控制在可以端侧部署，同时泛化能力会变得更强。

认知模型最重要的事情就是它能够有形而上的思维能力，不取决于任何一个和某一个领域知识相关的认知，而是取决于解决通用问题都能够具备的认知能力。

4B的模型则非常具体，跟某一个人或者某一群人（的认知）是比较接近的。像我们的4B模型里，有一个小笛模型，参与到多智能体讨论的时候，这个4B模型可以完全代表我。

凤凰网科技：怎么把你的认知，人脑中的非结构化的知识和历史经验，去训练成“小笛”？

李笛：涉及到Few-shot learning（少样本学习）。2017年，我们就在探索如何用更小的数据量完成更好的训练。现在在大模型框架基础之上，强化学习的效果比以前好很多。目前为止，大部分的大模型都在主攻强化学习，只不过我们设计的训练任务跟别人的不太一样。

他们的prompt是叫做hard prompt，要写例子，不写大模型不follow。但你要是写例子，大模型就会向这个例子过拟合，完全按照你写的例子去做，生拉硬拽。

我们想做的是soft prompt，为的是，在prompt里不再写任何例子。可以把它理解成一个认知的MoE的专家模型，这样就能够很好解耦过拟合的问题。

凤凰网科技：具体怎么做到认知层面上的异构，你提到过GPT、豆包思考逻辑都相似。

李笛：基础大模型倾向无所不包，输出四平八稳。虽然每个模型有一些自己的特征，比如豆包更“讨好”，但给出的回答都倾向于全面。

多智能体协同最大的问题：一是认知不确定，觉得A有道理，B也有道理，耳朵根子软；二是太全面了，这点人类是很好的蓝本。每个人都有盲区，和认知狭隘的一面。但互补的话，三个臭皮匠比诸葛亮好。

认知异构意味着把模型拆开，让构成不同智能体时能非常鲜明。而且这个异构不是恒定的，一个大模型构成一个智能体的时候，你给它写一个prompt，相当于去催眠模型。

但是这种“催眠”效果非常不稳定，一旦过程中不再让它去保持异构，它会立刻坍缩成一个同构状态。

像一条河在冷地方奔涌，外部不施加热量就冻上了。这个“冻”上的状态，就是同构。所以需要持续不断地给认知模型构成的智能体施加约束，让它保持异构直到任务结束。

你可以理解为，就像一个经验不够丰富的演员。上舞台前，你告诉他你是一个游击队的队长，刚上时记住这件事，演两分钟后就忘了。因为新的上下文进来，他就会忘记他原本被“催眠”的游击队长身份。你要不断去提醒他，他也要不断地提醒自己是游击队长，才能够避免他又回到初始状态。

我认为，大模型真正的创新主轴就是CoT到推理到认知。其他的，类似多模态、AIGC、生成能力都不构成颠覆性。真正的颠覆性，就是（让）大模型有思考能力。2017年我们就注意到生成模型有思考能力，当时还发布了小冰心想模式，它可以输出thinking，但当时还很不可靠。

GPT 3.5时代CoT成了关键，2023年初我们也做了一个叫小冰链，就是CoT+action。但是思维链同样不很可靠，因为它是有相关性，但没有因果，不稳定。所以要做推理模型，经过训练得到推理能力，有因果关系。但模型很大，包含的知识反过来影响了认知。

打个比方，压缩围棋知识涌现围棋认知，压缩金融涌现金融认知。围棋知识和认知耦合在一起，下围棋好的人只能用来下围棋。但如果解耦开，就可以用围棋手的认知去打商业战争。

所以像Karpathy说的是，得把这些知识剔除掉，让一个人因为学习知识得到了认知，再忘记这些知识，认知才能解放出来，去解决更泛化的问题。

我们要做的认知模型，不是不同于推理模型的新模型，是一种强化了的、学会遗忘的、能解耦认知和知识的推理模型。

现在专家模型能解决的是简单的、有正确答案的问题。但到了大模型的深水区，得到的是难的、长的、没有正确答案但需要追求最优解的问题。上一代大模型是擅长解题的，你给我一个题目，我可以很好的解题，因为我有正确答案，这是专家知识所对应的。

凤凰网科技：打榜的时候也比较好测评，哪个模型做题做得最快最好，一目了然。

李笛：对，所以应试教育出身的很容易去刷榜。但要追求“最优解”时，那是另一回事——需要把知识排除掉，提炼出认知，就像从应试教育进入素质教育。

凤凰网科技：小冰在2017年就已经有思维链，按照你判断的大模型发展之路，早就应该开始做推理模型，但你们似乎错过了那一波？

李笛：对，有很多原因，我其实抗争过，一直抗争到2023年。

2023年的时候，当时因为不让我们在中国做大模型，我自己挑了一批算力在日本做，那边有一个日本团队。到2023年末日本Hugging Face上，前十名里面有六个都是我们的模型，第一名也是我们的，打败了Meta Llama。

凤凰网科技：但这件事没有办法反哺到中国团队？

李笛：这是由于我的认知盲区，受到了股权结构的影响。我一直以为我是