来源：市场资讯
（来源：晚点LatePost）
文丨董慧
编辑丨程曼祺
多数人对王云鹤的第一印象是，他很不华为。
他什么都聊，没什么顾虑，语速很快。但他在华为待了 7 年半，是华为最年轻的 23 级——在华为的职级体系里，22 级是系统能显示的最高级别，再往上不显示。他做过华为几乎所有 AI 项目，2025 年初接手诺亚方舟实验室和盘古大模型。
2025 年 7 月，一位自称华为前员工的人在 GitHub 匿名发帖，指控盘古抄袭，矛头直指刚上任诺亚方舟实验室主任 3 个月的王云鹤。今年 3 月，他离开华为，与同实验室的韩凯一起创办了基元律动。
这一争议仍然给王云鹤早期融资带来了不少阻力，但他的投资人们告诉《晚点 LatePost》，他们认真做过尽调，认为他没有问题。一位投资人说，在中国，同时满足几个条件的创业者——足够年轻、真的训过模型、带过大团队交付过复杂任务、还有做应用的理解力——两只手数得过来，于是聊了两次就决定投。
王云鹤没有选择具身智能、世界模型这些和他履历更匹配、或投资人也热衷的方向，而是选了 Harness，具体说是 Agentic Routing（多模型智能融合路由，自动匹配最合适模型）。
可以这样理解王云鹤现在做的事：AI 帮你完成一个复杂任务时，中间可能涉及十几轮对话。有的轮次需要深度推理，有的只是简单的格式整理，他的产品 OpenSquilla 会逐轮判断每一步该调用哪个模型，推理重的交给强模型，简单任务给便宜模型。最终效果是，用低于全程调用顶尖模型的价格，达到接近、甚至相同的质量。
围绕这个方向最大的质疑是：顶尖模型会吞噬一切。
模型在变强，今天需要 Routing 来调度的任务，明天一个模型就能全干，中间层迟早会消失。王云鹤说他部分同意这句话，“但这是一种相对傲慢的观点”。他认为，不同模型公司的差异化不会很快消失，这是模型训练的特性所导致。
他甚至有一个更大的野心：通过 Harness 积累多模型博弈的信号，重新回到大模型牌桌。
一个因为大模型争议离开华为的人，想寻找一条路，再重新接近大模型，这件事能成立吗？以下是王云鹤的答案。
不华为的最年轻 23 级
晚点：很多人对你的评价是，你不是个很华为的人。
王云鹤：华为的老员工不会觉得我是一个典型的华为人。我什么都能聊，和不同产品线、业务部门、年龄段的人都能聊。
晚点：但你在华为待了 7 年半，曾经是最年轻的 23 级，如果不够华为，为什么能升这么快？
王云鹤：更多是我蛮幸运，华为很多人、包括管理层都愿意支持我做一些事。上位者对干活的人最大的期待，是不骗你且能交付。
晚点：外界熟悉你大概率是因为去年的 “盘古之殇”，但你在华为到底做了什么，知道的人并不多。
王云鹤：华为涉及 AI 的业务我基本都参与过，只是参与的深度不一样。
2018 年博士毕业我就去了华为，早期做预研更多，后来和终端、自动驾驶有合作。2020 年 GPT-3 出来，我觉得大模型对华为计算领域有帮助。卖算力是生态生意，英伟达就是这么做，我在内部发起过大模型项目，但是被否了，那我就做对业务有帮助的——我在计算机视觉实验室做了个视觉模型，把去噪、去雨、去雾放到一个模型里学，后来模型在手机拍照算法里有落地。
2021 年，老板（任正非）主动加我微信，给我打了个电话。
晚点：那通电话聊了什么？
王云鹤：他听说了我最近工作，觉得不错，约我喝咖啡。喝咖啡的时候，他说想做一个算法应用相关部门，给 100 个人的招聘预算，让我去搞——怎么招人呢？他让我去给新员工当辅导员。
那是我在华为干得比较开心的一年，特别好玩。我在北研所上了很多场新员工培训课，讲华为的理念，介绍我在干什么，哪位员工感兴趣，我就约他喝咖啡，把工号记下来报给老板。很快我的团队从 15 个人扩大到了 100 个人。
当时华为在做很多军团业务，比如煤矿军团、机场轨道军团。我们原来只在园区里做研发，军团业务要经常去客户现场。一线客户经理半夜打电话投诉，说王云鹤你赶紧带着你的人到现场去解决 AI 的问题。我那时候才真正知道市场到底有多残酷。
晚点：所以有多残酷？
王云鹤：当时要和别的厂商比拼，再决定把业务交给谁。工程师半夜到铁轨上去调试，回去研究怎么把技术方案做得更好；客户经理要去稳住客户，再争取多一次比拼机会，客户也会直接批评。
后来业务搞定了，客户又找我们吃饭，成了好朋友。那会各个军团和我们关系都挺好，因为研发团队是真的过去帮忙解决市场问题。
晚点：做大模型之前，其实你还做过一段时间华为小模型负责人。
王云鹤：2024 年，终端同事说想训一个小模型，但当时盘古没有小模型，最小的是 380 亿参数，手机跑不了。公司有很多声音，有人想直接把业务交给外部团队做。
我说大家转转型吧——我们原来是做 AI 应用的，但创新工作也没少做，抽了人去立项，把业务指标拿了回来。
那会挺辛苦，我们团队和小艺（负责小艺智能体及相关底层 Agent 的团队）、海思（华为旗下的半导体与芯片设计子公司）各出一部分人，一起攻关了三个月，通过蒸馏、裁剪、量化，2024 年在 Mate 70 上塞了一个 1.5B 的模型入端。
当时没有人把大模型真的放到端侧，这是一次比较激进、前沿，也比较成功的商用探索，正面 PK 了其他大模型公司参数更大的模型。
晚点：到了 2025 年，你就成为了诺亚方舟主任，你怎么去接手盘古了？
王云鹤：华为是任期制，当时从诺亚内部选继任者。可能因为我在各产品线的 AI 业务都做过，24 年还做了些大模型的基础算法工作，也是感谢组织当时的信任。
华为怎么训大模型：AI 没什么新鲜事
晚点：2025 年初，盘古大模型是什么状态？
王云鹤：华为一直重视大模型，特别是在 DeepSeek-R1 出来之后。当时盘古的模型档位比较多， 从 1B、7B 到最大的 718B，还有多模态、做数据生产的，其中一些是承诺要交付给客户的模型，必须做出来，所以内部卡的资源非常紧张，余总（余承东）前几天也公开讲过这点。
晚点：你接手后做了哪些调整？
王云鹤：第一个任务是如何在后训练、尤其是慢思考上，提升模型能力。我提的方案是把已有的成熟稠密模型（dense model）变成粗粒度的 MoE 模型（混合专家系统模型，是现在大模型的主流架构），先放弃推理效率，把效果做起来，但内部意见没能统一。
2024 年中开始，我主要做的事情是让关键组件跟业界先对齐、再优化，比如分词器、模型深度、位置编码、优化器。当时盘古没有分词器，每一个中文是一个 Token，设想是只要模型能力足够强，不需要分词，有技术依据，但过于理想主义。我还从原来的小模型实验室团队拆出 10 个人，送到数据团队帮他们去提升数据质量。
2025 年上半年，我们和很多团队一起把昇腾训大稀疏比 MoE 模型的 infra 跑通了，尤其是 MFU（Model FLOPS Utilization，指训练模型时的算力利用率，利用率越高，效率越高）和稳定性都有显著提升。
从我的角度，我要先给大家信心：用昇腾能训出盘古。当时业界共识非常乱，觉得盘古训不好等于昇腾不行——这是伪命题，要把数据、人、模型结构、组织能力、硬件放在一起去考虑。我一直对外说，昇腾只能影响速度，不会影响我做不出来。
晚点：内部认可你做的这些工作吗？
王云鹤：公司内网老批评我们，我主动和领导商量把盘古放到内网上公测——大模型不让人用，光看 benchmark 是不行的。大家发现，怎么出来一个有名有姓的人实名认领说盘古做得不好，并承诺每周改进。
第一版公测前端页面是我用 GPT 写的，我们还给基模加了很多工具调用（tool use)，改进稳定性，很多人都在用。社群挺活跃，鼓励的很多，当然批评更多，十几万人天天在内网说，所以我每天晚上当客服。这段经历对我也蛮重要，教会了我如何做 C 端产品，汇总问题，在统一的版本中优化。
去年 7 月开源的 718B 模型，我觉得已经追上了第一梯队的尾巴，这其实证明昇腾没问题。
晚点：原本你设想的下一步是什么？
王云鹤：模型目标还是要跟业务属性契合，当时的战略定位是支撑 AI to B 业务。数据不足会影响模型高阶能力的表现，但盘古有一道可以突破的点——安全。这和 B 端逻辑、国产属性天然契合。通用 benchmark 允许比别人低两个点，安全拉高五个点，B 端市场就打得开。
2025 年上半年的一些成果，我们还是觉得很惊喜。如果没有中间的插曲，下半年我们会围绕昇腾做更多模型技术创新，以及提升模型能力。我当时管理跨国接近 1000 人的团队，每周还会花一天时间，组织研讨，和技术骨干们一起看论文，讨论如何做下一代的模型结构、数据。当时我们有一个群，就叫 “证明诺亚方舟实验室不菜”，我们还是想争口气的。
晚点：但你的设想都没能实现——去年 7 月，有人在 Github 匿名举报你，说盘古的架构和参数参考了其他开源模型。
王云鹤：网上很多说法和真实情况并不一样。对盘古来说，数据问题是最大的，这是非常漫长的历史遗留问题，有些话没办法对外讲。我在那个位置，所有的管理责任都是我的，我接受。
晚点：这件事对你是个多大的坎？你之前的职业经历相对顺。
王云鹤：只能越过情绪，直接执行。要接着开源几个模型，证明团队有能力。当时内部的质疑远大于外部，那阵子公司 HR 叫人每天看着我，怕我跳楼。我们现在团队的一位成员天天陪着我，跟我住一个酒店。
元旦之后，这个事对我心境的影响就没那么大了。在我的社交账号下，有人问我怎么看待 “丑闻”，我说这或许是我 2025 年最好的生日礼物。
晚点：有投资人说，国内从头开始训过大模型、并且还是一个管理者的人，两只手都数得过来。在训练过大小模型之后，你觉得训好模型的关键是什么？
王云鹤：我真的觉得 AI 没有什么新鲜事。数据是地基——数据不行，不要怪算力，也不要全怪团队不行，这是我最后一次在内网实名写的帖子。数据不达标，什么算法都不行，这违背机器学习理论；算力差一点，顶多训得慢，不至于训不出来。
大模型组织就是几个关键实体：数据、模型结构、训练、infra，要做交叉的、跨部门的小组织，比如数据团队要对预训练团队有一定话语权，预训练团队也要反向对数据提要求。独立考核会很乱，数据团队怎么考核？只看数据量的话，数据量是个荒谬的东西，大模型改写的话，20T 明天就可以变成 50T。
模型是系统的产物，要做很多验证。数据换了卡、换了模型，还行不行？这些消融实验（控制变量的实验，检查到底哪些改进有效，带来了多大提升），尤其昇腾上要做得更细致。做完消融实验，才是成体系地做 scaling。infra scaling 的难度也很大，小的实验可能没问题，大的会放大很多小缺陷，包括集群的稳定性。
晚点：国内、海外的大模型训练过程都证明，模型训练不仅只是技术的问题，也是组织问题。
王云鹤：管理者不懂技术是非常可怕的灾难。10 个专家拍 10 个方案，怎么选，依据是什么，可能专家都对，也可能都错，不懂的管理者要么猜，要么引入外脑，要么就不做决策。管理者权利不够，也调动不了足够多的资源，做不了版本决策，也是挺可悲的。
晚点：回顾华为这几年，你从一个技术研究员转型成为一个管理者，管理能力怎么训练出来的？
王云鹤：跟客户那几年，是我管理能力突飞猛进的时候。接触的很多老华为人传授给我很多经验，尤其在项目和团队管理上。技术思维是谁强就该谁上，实际上很多技术的单点效应会被大系统抹平，甚至会产生负收益。管理上你要尽量地把蛋糕做大，同时分好蛋糕，避免内卷的唯一手段就是扩大蛋糕，唯一手段。
晚点：那你从任正非身上学到什么？
王云鹤：挺多的，老板跟大家沟通没有代沟，愿意耐心听我们讲研发细节，我签名里那六个字 “开放、妥协、灰度” 也来自于他。
开放是你要积极吸收业界前沿观点和知识，华为有句话叫 “一杯咖啡吸收宇宙能量”，不能把惯性思维持续延展。
妥协是大公司运作总会遇到不能完全顺心的东西，该妥协的时候还是要妥协——有些是为了商业目的，有些是为了人际关系。
灰度就是管理其实不是零和一，很多东西不是非黑即白、非对即错，挺有意思的。这是我自己的理解，不一定都对。
先做 Harness，再做模型
晚点：硅谷有种说法，投资人最喜欢三类创始人：偏执狂（Obsessive）、传教士（Missionary）、复仇者（Revenge）。你是复仇者吗？
王云鹤：这三类我都不是，也可能都是。
晚点：你的投资人说，你其实考虑过很多方向，最后才确定做 Harness，怎么选的？
王云鹤：我 2 月开始想创业，3 月底离职，说实话在当时的团队，其实什么方向都能接触到。
所有人都说华为的人应该去搞具身智能。我去看过顶尖实验室的 demo，有一句话让我暂时放弃——“千万别碰我的摄像头”。具身短期还要解决软硬协同、材料、电机、场景等问题，不单是 AI 算法或者模型本身，也很拥挤，我没找到合适的切入点。
世界模型也想过。按照某一派的定义，我们在华为做过世界模型的探索，2021 年发的一篇论文有 3000 多引用，架构和现在很多世界模型的通用学习框架很像。但短期世界模型数据采集、学习的困难程度很高，没法在商业上形成规模化收入。
Diffusion Language Model （扩散语言模型）也想过，可能会颠覆自回归，但技术挑战非常大，infra 不成熟。资本市场总有融不到钱的那一天，如果没融到钱，也没有在合适时间做商业化，就是在给世界做公益，这对团队也不负责。
晚点：为什么判断 Harness 层可行？
王云鹤：OpenClaw 启发了我不少，大家最后意识到太贵了——用 Agent 的人大多数是付费帮自己打工，企业白领、大学生都对价格敏感，不加限制很快就烧光。
OpenRouter（硅谷的模型 API 聚合平台，7 月以约 100 亿美元被 Stripe 收购）上调用量最大的是 DeepSeek V4，就是因为便宜，大家一边喊着要用最好的模型，实际用脚投票。这说明成本是第一性，Token efficiency 属于重要非常紧急。
但每家公司 bet 的方向不一样，有人通过压缩上下文来省 Token，但这种方法太过极致会影响复杂任务的精度。最直接的方式是从模型价格本身下手——国内模型加一个好的 Harness，甚至可以超过美国模型的效果
晚点：你们的产品 OpenSquilla 具体怎么做？
王云鹤：OpenSquilla 是一个开源 Agent，可以 by query（按请求级别）地精准调度模型——让最合适的模型在调用里出现，同时把成本打下来。
原来 Routing 是任务级，文档类走这个模型、代码类走那个，但按大类去分，任务精度损失比较明显——可能先说的 “你好”，用了简单模型，转头就开始让模型写代码。
我们把它做成了一套类似推荐系统的模式，每一轮对话的问题来了之后，先做 embedding（把请求的文字转成一组向量），打标签，在模型层面做映射，每个请求都单独调度，再整体上（包括 KV 缓存、上下文长度）做系统优化。
我们做过类似 Token 电表的统计，发现最贵的模型只干了 10% 的活，却拿走了 80% 的钱。如果全程用一个贵的模型，效果也很好，但是会产生很多浪费。
Cursor 最近也有类似理念，但在 Harness 这一层率先嵌进去的，国内我们算比较早。
晚点：Routing 本身也是用模型在做？
王云鹤：开源版没有，因为我们不想让大家付额外算力。但我们有个内部版本，后训练了一个小尺寸的模型，效果更好。pre-training（预训练）太贵了，初创公司做预训练非常恐怖。
晚点：OpenSquilla 的池子里有哪些模型，怎么决定用什么模型 ?
王云鹤：一共有 40 多个模型，Routing 会给请求分档，从 1 到 4 档由便宜到贵，选择最合适的档位。如果这 4 档都解决不了，就上智能融合模型（Model Fusion）。
我们很早就想做这件事——既然能做到同精度、低成本，那很自然，省下来的钱可以多用几个模型去产生更高的智能嘛。
目前我们用智谱 GLM、DeepSeek、千问、Kimi 做组合，这 4 个国产模型测试起来最稳定、综合性价比也最高。它们会各自独立完成搜索、推理与提案，再让第 5 个模型担任聚合角色，综合四个候选答案，融合出最优结果。代价是要多推 4 次，可能会吐得很慢，但在大多数非 coding 的场景，这几个模型聚合后能跟海外模型 comparable（匹配）。
晚点：除了 Routing，你们也在做聚合 API。
王云鹤：OpenSquilla 的开源版本对用户很麻烦——要去 Kimi 买点 Token，去 DeepSeek 买点，配 5 个 API key。所以我们做了 API 服务 TokenRhythm，一个接口挂很多模型，不需要额外操作。
大家对模型的需求多种多样，聚合层 API 方便我随时做切换，这也是 OpenRouter 上的 Token 开销占全球大模型 Token 总开销比例涨得快的原因。
TokenRhythm 的 API 接口上线刚 10 天（注：访谈时间为 7 月 23 日），我们发现 DeepSeek 被调用最多——C 端用户大多数需求都不太复杂，想查个东西或是做 PPT，DeepSeek 会调用得非常非常多，在能力差不多的时候，它最便宜。用户花钱最多的是智谱 GLM。
晚点：Routing 生意的前提是模型之间持续存在性能和价格的差异，但模型性能和价格难道不会逐渐趋同吗？
王云鹤：我们的假设是模型长期会特异化，偏差会一直存在。
模型厂商训出来的模型特质是围绕着自己业务和数据来的，很难做版本分叉。比如 Coding 好的模型就不一定所有任务都好；再比如具体到编程语言，我们评测 Qwen 是 Java 能力最好的模型，要保持 Java 能力、再提升别的编程语言能力，是增训还是再开个版本？挺难的。
另外很多任务有冲突，放在一起可能学不好，比如快思考和慢思考。我们在华为都尝试过，并且还发过版本。其实也能学，只是学习的代价可能会很高，得把参数无限放大，但现在算力不够。
晚点：有人觉得 Harness 这一可以做得比较厚，但可能不是由单独的创业公司来做，机会仍属于自己能训基模的公司，也就是巨头和头部大模型创业公司，比如 DeepSeek 也即将推出 code Harness。
王云鹤：凡是有预训练的公司，一定把预训练排在 Harness 之前——主叙事在那里，研发投入也在那里，一旦大厂 Harness 公开调用量最大的是别家模型怎么办，对自己的模型叙事是很大的伤害。
所以这是我们的机会，最理想的 Harness 应该是第三方、去中心化的，什么模型好用就用什么，才能达到最好效果。
晚点：但 Harness 要表现得足够好，是不是得和模型来联合训练？
王云鹤：这就是我下一步要做的事：先把 Harness 做好，再研究下一代模型。
市面上不缺新的预训练公司，可能需要新的角度、新的数据。我们做的事会带来新的数据：多模型博弈的异构 Harness 是自带 Routing 标注的，目前还没有人规模化地做，但真实场景 Routing 信号对训练模型非常有用，比如到底什么场景从 DeepSeek 切换到 GLM。
这个生意就像沃尔玛，先进货、卖，知道什么商品最好之后就自己生产。下一步就是找到合适的模型，用我们仿真的数据把它变更好，把自己的模型放进 API 和 Harness 里面，扩大毛利，我们计划做一个 100 B、更有性价比的小模型。
Routing、API、模型进 Routing，这是 Routing 带来的新的模型飞轮，非常有意思。
晚点：所以你的终局还是训练下一代模型？
王云鹤：我当然希望能找到重回模型牌桌的机会，不过模型也是服务用户、客户的，现在谈终局还早。有可能最后是大厂来做垂直整合，但也有相对的时间窗和机会。
晚点：为什么想回到大模型牌桌？
王云鹤：肯定是有点执念，早期有人劝我出来再搞一个模型，但现在做预训练对创业公司非常困难，需要巨量的算力、数据、卡。现在我们还是先把 Harness 做好。
模型吞噬一切？不会吞掉 Routing
晚点：从年初到现在，资本市场变化很大，Agent 已经不是主流叙事。融资时，投资人怎么理解你在做的事？
王云鹤：水温变化很大，现在大家更想讨论模型。有人觉得 OpenRouter 可能就是一阵风，但你做深一点会发现，Harness 的趋势是在上升的，Hermes Agent （Nous Research 开发的开源 Agent 框架，主打持久记忆与自进化）的流量也很大。市面上 Agent 概念下的产品也很多，经常有投资人问我们和 Manus 是不是一种形态。
晚点：AI 发展速度太快，从创业到现在，你的核心假设变了吗？比如 Agent 自进化现在也是一个热门方向，包括 meta-Harness、meta-skill、memory 等等，你怎么看这些方向？
王云鹤：Routing 没变，变的是对 model-specific、 task-specific 的理解。
现在有一种观点是 “顶尖模型吞噬一切”，对 Agent 创业者来说不够友好，但也有道理。模型在迭代，单独为某个模型或某个任务优化的功能，下一版模型出来就没意义，各种各样的 skill 都会成为下一代模型高质量数据。我们做过 prompt 自优化——让大模型当优化器自动改写 prompt，让同一个模型表现更好，这就是 model-specific 的，模型一更新就要推倒重来。
Hermes Agent 讲的 memory 我觉得很重要，但 memory 现在很难定义清楚，每个人对 memory 的需求非常多元，而且技术路线还没定。比如 memory.md 是用类似 RAG 的方式存起来；有人是在上下文里做，有人要训到模型里，所以我们对 memory 的研发投入会谨慎。
晚点：为什么顶尖模型不会吞噬 Routing ？
王云鹤：Routing 是在多个模型之间做选择。英伟达吞噬掉所有其他 GPU 厂商了吗？没有。强如苹果也没有吃掉所有手机厂，大家拍照还用别的。顶尖模型确实会吞噬掉很多中间层，但不会吞噬掉 Routing，其他的我也没有那么大的信心。
晚点：但你愿意做 “其它” 的小厂商吗？
王云鹤：AMD 小吗？我觉得不。
晚点：现在有个悖论，高频用 AI 的人在用 Claude Code、Codex，或自己搭框架，轻度的用豆包或是 WorkBuddy 就够了。你的用户在哪，要怎么找到用户，打开市场？
王云鹤：大厂们都在做这件事，证明市场有需求，能帮忙做好市场教育，但成本永远是控制 C 端的核心手段之一。
8 月初，我们用户每天消耗的 Token 总量到了 300B 以上，这是一个很重要的 milestone。（注：目前 OpenSquilla 还在免费测试阶段）OpenRouter 上很多排名相对靠前的 Agent 产品 Token 日均消耗是 5-10 B，这证明我们的 GTM 策略是对的——别的产品贵，我们帮大家省钱，便宜；海外模型用不了，我们还有一套模型融合的策略。
晚点：那你判断给白领用的办公 Agent 市场，什么时候会有佼佼者？
王云鹤：价格还得再便宜，整体变到现在的 1/5。我了解到很多真实需求，比如有些工作想给 AI 做，但要自费，打工人肯定不想付费，所以得能力再前进一点，价格再下来一点。
晚点：对你们来说，出现什么样的指标说明产品增长进入良性的状态？
王云鹤：一是我们的 Harness+API 有一定使用规模，二是我们自己的模型，在大家调用 TokenRhythm（基元律动）的 API 时占比上去了。
晚点：打算什么时候开始自训模型？
王云鹤：需要找到生产力工具里最高频的场景，那个模型应该长成什么样，可以通过 Harness 这个实验来观测，比如做一件任务原来要调 100 次工具、失败 50 次，能不能通过后训练让它只调 50 次、成功 40 次。
我希望它特别快发生，年底之前看看我们能不能训一个还不错的东西出来。至于预训练，可能没必要，要为股东的钱负责啊。
晚点：创业跟在华为最大的不同是什么？
王云鹤：子弹少，创业就这些钱，要在限定时间做出好东西。明年年底前拿不出符合市场预期的东西，可能就融不到钱。
在华为，各个产品线总有新需求，需要做的更多的是协调人力、调整方向、尽量在关键业务上产生价值。
但我想到原来在华为内网做盘古公测，有天深夜跟盘古聊天，问怎么能破局，它说了一句非常有哲理的话，“在混沌中寻找确定性”。创业是一样的，Harness 这一层成百上千个组件，什么东西是确定性？什么不会被模型吞噬？要有自己的战略。不管市场怎么变化，你要找到自己能长期做下去的正确事情。
题图来源：王云鹤，他在香港诺亚方舟实验室（诺亚实验室发源地）前。
热门跟贴