39
2杨凯，连续创业者。多伦多大学数学系，Geoffrey Hinton的学生，亲历了AlexNet开启深度学习时代的那个瞬间。哈佛统计硕士，华尔街对冲基金做量化交易。回国后在企业服务领域连续创业——会小二（线上会议预定，获客成本从2000+降到800）、魔音智能（语音技术，YC中国，融了300万美金，比飞书早一年推出会议纪要产品，后被大厂免费碾压）。现在在新加坡做Arros AI，为招聘平台和企业提供AI招聘基建，ARR超过100万美金，是东南亚头部的AI招聘技术供应商。上个月刚被纳斯达克上市公司YY Group任命为首席AI科学家。
这期聊了两个核心问题。第一，"找人"和"找信息"有什么不同——Google用关键词index网页，但人是一个非常复杂的object，关键词解决不了。第二，龙虾（agentic AI）为什么是真正的范式变化——不是因为技术牛，是因为人越来越懒了。
Highlights：
→ Hinton教给他最重要的一件事：好奇心
→ "LLM不过是大三学过的autoregressive model，只不过做得很深"——万变不离其宗
→ 量化交易和AI招聘的共同点：都是信噪比问题，都要capture true signal
→ 会小二获客成本从2000+降到800：线索分类+场地自动匹配+减少人力
→ 魔音智能比飞书早一年推出产品，飞书免费碾压——中国enterprise SaaS至今没找到scalable商业模式
→ 从AI招聘玩家转身为AI招聘基建——每个招聘公司都在谋求AI转型，卖铲子变成最大机会
→ 用关键词index信息很简单，用意图index人很难——简历里写了LLM不代表他是做LLM的
→ "龙虾就是下一个AlexNet"——用户越用越懒，一旦习惯对话式交互就回不去SaaS
→ AI时代做产品最稀缺的：对需求的理解。技术门槛在降，客户究竟需要什么才是亘古不变的问题
Timeline：
00:00 开场：杨凯，连续创业者，Arros AI做AI招聘基建，ARR超100万美金
01:30 多伦多大学数学系，Hinton的学生，当时深度学习还没成为显学
02:13 AlexNet出现的震撼：海量数据+神经网络的大力出奇迹
03:43 Hinton教给他最重要的一件事：好奇心和探索精神
05:21 "LLM不过是大三学过的autoregressive model"——底层原理没变，做得深度不可同日而语
06:58 从Hinton到Google到Transformer到OpenAI：一个连锁反应
07:53 哈佛统计→华尔街量化交易：和AI招聘的相通性——信噪比问题
09:40 离开华尔街回国创业：问题scope不够大，想做更大影响力的事
10:40 第一个创业项目：会小二，线上会议预定
12:31 怎么把获客成本从2000+降到800：线索分类+场地自动匹配+减少人力
14:33 第二次创业：魔音智能，疫情期间爆发，语音转录+会议总结
15:46 几个月上百万用户，融300万美金
16:10 但飞书免费碾压：提前一年推出产品，大厂全部免费
17:12 做大企业客户：一个订单一两百万人民币，但要消化一年，第二年就压价
18:22 两年前重新回海外市场做招聘
18:37 "中国做SaaS"：consumer有商业模式，enterprise至今没找到scalable模式
20:03 为什么第一个场景选招聘：cofounder是招聘行业15年的专家
21:24 找人的难度：关键词搜不出来的东西太多——"中国背景"怎么用关键词搜？
24:19 纳斯达克上市公司YY Group投资Arros AI并任命杨凯为首席AI科学家——合作怎么发生的
25:27 从AI招聘玩家转型为AI招聘基建：不竞争，供应弹药
27:08 每个招聘公司都在谋求AI转型——卖铲子变成最大机会
28:19 产品迭代三个阶段：①AI native招聘流 ②技术标准化供应 ③agentic AI，界面越来越少
31:09 Ellen亲测龙虾产品找人：先锁定数据库→特定标签搜索→分段跑数据
31:51 这个设定的原因：agentic AI需要及时反馈，sourcing耗时长，分批汇报提升体验
33:03 龙虾打开了SaaS做不到的空间：对话式交互没有界面限制，功能可以无限集成
35:21 recruiter用龙虾：organizational chart mapping、sourcing、自动发WhatsApp/LinkedIn
36:43 用户越来越懒：所有due diligence都在龙虾上发生，懒得用Google懒得敲字
38:36 龙虾是真正的产品范式变化：一旦习惯对话式交互就回不去SaaS
41:05 "龙虾就是下一个AlexNet"——我们看到了agentic AI巨大的潜力
41:28 Ellen的类比：Google用意图搜索重新组织信息，你们用算法重新还原人
42:07 人是复杂object：简历里写了LLM不代表他做LLM，可能只是招LLM的recruiter
44:17 AI作为communication tool：LinkedIn是世界上最大的通讯录，AI成为未来的Connector
44:52 千人千面：不是针对场景做profile，而是先做完整的profile consolidation，再按需求抽取
48:16 数据和算法哪个更重要：硬币两面，巧妇难为无米之炊，但有数据不懂业务也不行
50:05 统计学科班出身，理解底层原理有多重要：设计算法需要heuristic，需要理论逻辑支撑
52:35 AI能做什么不能做什么：大量还是实践出结论，做hypothesis→training→rigorous evaluation
54:42 "技术怎么实现不重要，关键是看好不好用"——技术是实现手段，最终为用户体验服务
56:42 AI时代做产品最重要的：对需求的理解。技术门槛在降，客户需要什么才是亘古不变的问题
57:55 人变得越来越复合：engineer变产品经理，产品经理变engineer，还要懂市场懂推广
