独家｜复旦邱锡鹏终于出山，又融10个亿|复旦|模态|自然语言处理|邱锡鹏

大语言模型之外，AI公司仍在拿到高额定价。

几周前AMD宣布，拟以82亿美元收购李飞飞创办的World Labs。这家成立于2024年的空间智能公司，为大模型之外的创业提供了一个新坐标。大语言模型已经催生一批明星公司，但在AI如何理解现实世界，仍有空间“拿到大结果”。

复旦教授邱锡鹏，原本可以更早踏入这波热潮。

2023年2月，GPT爆火后的几个月，他带领复旦团队率先发布了国内首个类ChatGPT大语言MOSS。他还有一个“最早”——token的中文译名“词元”也是由邱锡鹏最早译来。当时，国内的大模型创业热潮刚刚开始。

邱锡鹏几乎具备了大模型顶尖创业者的所有条件：学术声望，技术积累，研究团队以及最先落地的模型成果。

嗅觉敏锐的投资人自然没有“放过他”。按照邱锡鹏的回忆，当时基本所有头部机构都敲过他的门，其中不乏带着“中国OpenAI”的期待。但他并没有趁热打铁成立公司，而是继续在科研体系推进大模型研究，一面思考真正“中国OpenAI”的实现路径。

对于是否失掉先机的灵魂拷问，他只说，有些问题还要思考清楚。直到2024年底——李飞飞创办World Labs的同一年——邱锡鹏才正式下场，成立模思智能，名字源自刘慈欣小说改编电影《流浪地球》中的智能量子计算机MOSS。

直至最近，投中网独家获悉，模思智能完成超10亿元的PreA轮融资，由华控基金领投，主要投资方包括国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等，元禾控股、上海国投旗下上海科创集团、星连资本等老股东持续投资。

这一轮距天使轮的披露仅过去半年。今年4月，模思智能宣布了数亿元的天使轮融资，资方包括IDG资本、元禾控股、上海科创集团、上海未来产业基金、星连资本、华为哈勃投资、奇绩创坛等多家机构。

放当下AI创业，单轮10亿算一线梯队的门槛，即便放在上一轮大模型创业也是一笔大额融资。这一轮推进得飞快，5月启动，8月完成，面对几十份TS，筛选标准定得清爽：市场化的定价和条款，优先推进效率高、有一定产业资源的资方。

不论金额、条款或手速，都显示了投资人对邱锡鹏团队的认可。但一个关键问题绕不开：技术上的先机，是否必须尽早转化为创业优势？当邱锡鹏终于决定创业，哪些条件已经不同？胜算又有多大？

正式介绍一下邱锡鹏，复旦大学计算与智能创新学院教授、上海创智学院副院长，国内自然语言处理公认的领军人物，曾主持开发FudanNLP、FastNLP，还有上文提到的MOSS等开源项目。在业界和学生眼中，邱锡鹏团队是复旦计算机的“顶组”，国内公认NLP/大模型第一梯队。

即使很多人没有用过MOSS，也可能读过邱锡鹏的《神经网络与深度学习》。这本教材已被国内超过100所高校用作教材，被无数AI人奉为深度学习入门“天花板”教材。

这样的经历，很容易让外界把他迟迟没有创业的选择，归因于学者的谨慎甚至保守。但参照过往经历，他始终是主动掌握方向盘的人，至少在研究方向的选择上，他从不排斥高风险，做过多次放弃积累、重新开始的决策。

作为教授学者，他的务实有迹可循。他的招生说明明确表示，不鼓励以发论文为目的的研究，明确要求研究生要参与工程实践。大模型尚未成为行业共识，他便要求学生放下原有的学术包袱，全面转向大模型。为了获得算力支持，他四处找企业找资源，尽管当时周围仍有无数声音认为大模型没前途。

显然，邱锡鹏的技术判断一向前沿。对于成立公司，他有自己的节奏。

23年之所以没有下场创业，是因为他认为模型产业化尚未成熟，“中国OpenAI”暂时难以实现，他也不认为文字大模型是最优解。相比当个创业明星，去背负融资、商业化的压力，他更希望在一个宽松环境把预训练、多模态、语音统一表示等问题想清楚。

之后的研究沿着这条线继续展开。2023年，邱锡鹏团队推出探索端到端语音交互的SpeechGPT；2024年，AnyGPT尝试将文本、语音、图像等不同模态纳入统一体系。与此同时，基础模型训练也没有停止。

等到决定成立模思时，邱锡鹏认为，技术和产业条件都发生了变化：基础模型的理解、推理和生成能力有了明显进步，开源让创业团队可以直接利用其中一部分积累；推理成本下降，智能眼镜、耳机、座舱和机器人等硬件，也提供了新的应用空间。他和学生李世民等人逐渐形成了一个共同目标：让AI能够持续理解现实世界，并与之自然交互。李世民随后担任模思CEO。

这构成了模思对于“后发”的解释。邱锡鹏希望利用现有基础模型的能力，把资源集中到他认为仍未被充分解决的问题上——AI如何进入现实世界。

在他看来，目前大量AI产品的交互仍停留在“回合制”问答，现实中的交流却远比这复杂，人会打断、改口，声音、画面和周围环境也在持续变化，问答远不能解决现实。模思智能的方向名曰“全模态情境智能”，希望让模型持续接收外界信息，主动理解正在发生的情境，并决定何时、以何种方式回应。

语音是第一个入口，背后还要视觉理解、内容生成、记忆和工具调用等能力相互配合。这也是为什么模思同时做语音、视频理解和音视频生成。按照团队的设计，不同模型可以共享部分数据与工程基础，理解和生成是模型能力的一体两面，可以迭代训练，相互促进。

由学者发起、持续投入前沿探索，又与复旦和上海创智学院保持紧密联系，模思很容易被放进NeoLab的讨论中，但邱锡鹏明确否认了这一定位。

“研究本身并不是一个商业模式”。

依托复旦和创智学院的人才培养和基础研究能力，模思能不断进行前沿研究和探索，并将研究转化为产品和服务，再通过真实用户的交互数据推动模型改进，这是邱锡鹏设想中“中国版OpenAI”的路径探索。

在产品层面，模思已经开始尝试：通过开放平台提供API，向开发者和企业输出语音合成、转写、视频理解等能力；面向内容创作者，推出以声音为核心的创作平台MOSS Create；在企业市场，探索智能座舱、智能硬件、教育、客服等场景的解决方案。

早年的技术判断和研究积累，以及新一轮融资，让模思获得了AI竞争的底气。邱锡鹏需要回答的，除了下一代AI会走向哪里，还有自己和团队能否把模思做成真正的“下一代AI公司”。

我们和邱锡鹏进行了一段对话：

从不觉得自己保守，只希望把未来看清

曹玮钰：2023年GPT热了之后，你们最早发布了一个类GPT模型MOSS，甚至早于大模型玩家。想必不少投资人盯上你，当时是什么情景？

邱锡鹏：确实非常热，头部机构基本都来找过。当时大家普遍对大模型把握得不是很清楚，都带着一些对未来判断的讨论。不过我简单聊过之后就没有太跟进了。

曹玮钰：这两年教授创业一直没停止过，是不是持续有投资人想拉你出来？

邱锡鹏：一直有人找，但见投资人还是非常耗精力的，所以没见太多。

曹玮钰：期间从来没犹豫过吗？

邱锡鹏：对，我觉得一个非常重要的事，即使AI赛道也是需要一些耐心资本的。当时有投资人希望做“中国的OpenAI”，但我认为“中国的OpenAI”不仅仅是复制这么简单。

曹玮钰：你比大模型玩家更早做出成果，又是复旦的明星教授，有很高的学术地位，完全有机会成为主流的大模型玩家，为什么当时没有创业？

邱锡鹏：当时的主要考虑是，模型的产业化还没有到一个成熟阶段。我觉得未来的模型发展肯定不是纯文字生成的语言模型，所以也要把未来的问题研究和想清楚，包括预训练、多模态统一等等，在一个宽松的环境能更好思考问题。

另外我们还做了一些非常前沿的研究。MOSS最早发的模型就支持工具调用，能调计算器来完成数学问题，这些思路非常领先。做了MOSS之后，我们做了第一个让语言模型直接理解语音的模型，比GPT-4o早了一年。

我觉得模型总体的研究还是需要大量的前沿探索，另一个考虑，当时如果马上融资，团队会过早进入商业化节奏，我更希望先把几个关键问题想清楚。

曹玮钰：业内一个评价是，你和智谱唐杰、面壁刘志远算是同一代知名学者，学术咖位也是一个量级，但那两位现在已经或者即将是上市公司企业家了。你刚提到错失机会，舍弃先机不算一种错失吗？

邱锡鹏：这倒没有。我是一个非常长期主义者，我相信AI是非常长远的事，不是一两年的竞争，或者短期谁领先谁落后的事，AI还有很多重要问题没有解决。

在我整个教职过程中，很多事都依赖于对长期的判断。如果你相信AGI会到来，相信AI会成为主流，深入我们的生活，那机会在每一代甚至每年都会有。另外，我觉得每个人的路径可能不太一样，每个人都是站在自己的位置去决策。

你提到的两位老师，我和他们关系都很好，他们也做得非常好，我非常尊重他们，但我关注的问题是我需要去思考的，包括成立模思，是因为有些事我思考清楚了，而且和世民（模思CEO）他们有非常一致的目标——AI发展到一个新阶段自然遇到的问题，就是怎么真正进入现实世界。

曹玮钰：你刚提到当年的顾虑是模型产业化不成熟，具体有哪些？现在解决了吗？

邱锡鹏：有一些可能解决了，有些问题依然没有。比如基模都会往工作领域去切，但如果只是回答问题，是没办法真正做到商业化落地的，只有把它变成会干活的模型，才能真正做到落地。

曹玮钰：创业这种事，拼时运也拼胆量。我相信你说的问题大家心里有数，并非看不到，只是有人做出了搏一把的选择。如果评价你是更偏学者的思考模式，对于商业化、对于资本偏保守，你赞同吗？

邱锡鹏：如果了解我的历史，你会发现我很不保守。我原来是非计算机专业的，读研时自己转到AI方向，做计算机视觉，博士毕业留校之后，我觉得自然语言处理更有意思，又把方向换成了自然语言处理。

其实很少有人能做到这一点，我不觉得自己是个保守的人，只是希望把未来看得更清楚。

为什么我们能最早做出MOSS？我很早就跟学生说，要放弃以前的学术包袱，即便在已有任务已经做得非常好，也要把它丢弃，全面切向大模型。当时很多人觉得大模型没有前途，我们找了很多企业去支持做大模型，找了非常多资源，投入算力去做这件事，所以我不觉得自己保守。

当然，每个时间都有风险和机遇。两年前创业或者今天，都有各自的风险和机遇，所以不是早了就好，或者晚了就不好，而是要在合适的时间做合适的事。

曹玮钰：现在是合适的时间吗？

邱锡鹏：对于我们的目标来讲，是的，今天很多基础能力已经具备了。

曹玮钰：今天的风险和机遇，和两年前有什么差异？

邱锡鹏：当时做大模型，大家都没经验，就看谁能往前去趟，走得最快。我们做过基模，其实更清楚里面的问题。

今天的机遇在于，大厂可能被迫卷入了agent或者coding的竞争，大家资源都有限，谁都腾不出手来做新的事，我们更聚焦，所以对我们就是机会。

曹玮钰：从发布MOSS到现在过去了三年，AI产业可以说天翻地覆，这段时间你在做些什么？既然在一个更旁观者的位置，你有哪些跟主流观点不一样的观察？

邱锡鹏：这几年我们一直在做模型训练，这条线一直没有断。最近还发了Nex模型，现在也算第一梯队的模型，不过还不那么商业化。

另一个就是模思，包括多模态和实时交互。成立模思之前，我们在这块做了非常多工作，有非常深厚的积累。

还有一些更本质的事，我在2024年就提出，未来模型的scaling可能不光限于模型大小或者数据，更多在于context scaling，也就是我们一直提到的情境上下文，就是情境智能，我们要去和更复杂的环境交互。你可以看到，现在agent的核心就是如何去创造更多的复杂环境，也在一步步在验证这个事。

未来AI要走入现实生活，必须得全模态实时的理解加交互，这非常重要。对于现在的模型，未来就看谁能够真正嵌入真实的场景当中。

另外还有一些更偏未来的研究，比如AI如果能够嵌入我们的生产环境，这会引来组织形态的变化，提升组织的能效，我把它称为组织智能，但和OpenAI提的组织智能还不太一样。这可能是未来需要更多思考的。

曹玮钰：现在有个很火的新工种叫FDE，做的就是AI在企业内部落地的事情。

邱锡鹏：对，但这事未来的形态什么样，其实还没有结论。FDE现在的形态还是单点落地，可以帮你解决一个问题，但整个组织的智能还是非常难的事。

刚才说的几个观察，很多时候我们提出来一两年后会被验证。包括我在2023年年中就提出语音是原生的，直到2024年春天OpenAI才在GPT-4o上实现这种能力。包括context scaling，大概也是一两年后，各种agent或者沙箱这种概念才出来。

我们现在思考的这些交互，可能大厂或者外界还没有太重视，但我觉得它是未来一个非常重要的机会。

“我们竞争的是下一代AI，远超当下想象”

曹玮钰：模思这一轮融10个亿，听说拿到30多份TS，最后的阵容以国资为主，还有清华系基金和产业方，传统意义的市场化VC不多，为什么是这么个牌面？

邱锡鹏：这一轮融资整体还是一个市场化融资，价格、条款都是市场化的，没有额外附加条款，没有对公司有过多约束。

整个来讲，因为这一轮还是希望能控制在很短时间完成，所以就优先比较能快速推进，把模思放到比较高优先级的机构。另外我们考虑的不只是资金，包括未来能给公司带来多少产业资源，希望未来每一轮的融资都和公司的研发、产品以及商业化匹配起来，而不是单纯为了拿钱。

我们比较看重多元化，历史上的股东其实也很多元，头部市场化基金、产业资本、国资机构等等都有覆盖。

曹玮钰：这轮融资大概用了多长时间？

邱锡鹏：大概3个月，5月份正式开始，8月份就close了。

曹玮钰：投资人这个阶段对模思最关注的问题，最大的顾虑都是什么？

邱锡鹏：因为我的背景是做大模型的，他们一方面关注我们和其他大模型有什么差异化，以及未来的一些商业机会。

他们的顾虑是，现在这个时间点上，还会不会再出现一个新的能走到前面的AI公司。

但更多的还是对团队的信任，他们认可我们是非常优秀的团队。我们要做的事和这些基模公司有差异化，我们更看重下一代AI怎么发展，包括全模态的情境理解、实时交互这些能力，我们展现出有技术能做出来。

曹玮钰：单轮融资10亿，其实是不小的手笔，但是做模型本身非常烧钱，大语言模型已经红海了，国内外不管从所谓的产业格局或者资本格局都算初定了。至于多模态，主流玩家基本都在做，在这样一个模糊的地带，一家创业公司的胜算有多大？

邱锡鹏：首先我们会认为，AI未来的潜力空间还是巨大的，远超现在大家对AI的想象。未来的基模可能不是比谁的模型更大，最后拼的还是对未来的判断，对下一代模型的认知。

我们竞争的不是当前的AI，而是下一代的AI。下一代AI大体上会走出屏幕，来到现实世界。所以我们会从传统的语言模型，像现在的coding model，把它变成一个能直接理解现实世界、持续和现实世界交互的模型，就是我们所谓的全模态的情境智能。

这件事确实有很多公司在做，但基本只当成一个组件，我们觉得这远远不够。当一个机器人真正站在你面前，它会一直看着这个世界，实时观测，并能和人实时交互。人和人之间是实时的交互方式，未来人与AI之间也应该是，肯定不是现在这种回合制的，要我说一句你说一句，这和现在的AI有非常大的差异。

之前也有投资人问到，我们既做视频理解，也做视频生成，这好像是两个看起来完全不一样的东西，为什么同时在做？和市面上一些视频生成的公司，我们有什么优势？

其实从整个的数据管线来讲，基础设施是一样的，比如文本到视频，其实就涉及理解和生成。我们在这些资产上的积累，包括如何加工这些数据，有非常深的认知。另外，它是相互迭代的。为了做更好的理解，我们就要做更好的生成；我们做更好的生成，其实也是要做更好的理解。

如果一个视频生成做得好，某种意义上，整个数据管线、各种理解、各种打标，都要做得非常好。所以它是一个相互促进的过程。

曹玮钰：下一代AI有可能会比现在这波玩家更大吗？

邱锡鹏：对，可以想一下，现在国家或者全世界都在做具身，未来本体成熟之后，几乎每个设备都会有和人交互的系统，不光具身，现在就有非常多的AI硬件，比如眼镜、耳机、智能座舱。人和AI的自然交互，其实存在于更广泛的场景里。

曹玮钰：现在大模型落地大概两类方向，一边是信奉出现一个全知全能的AGI，另一边要靠在垂直场景做训练。你描述的更像前者，那具体的形态是什么？

邱锡鹏：其实不是简单的迁移过程，不是把通用能力迁移到专业能力上，而是在现有模型上，让AI长出原来没有的能力，是一套全新的开发模式，数据、架构、训练方法等等我们都要做一套全新的。

曹玮钰：按目前的技术水平，最大的掣肘是什么？大概要花多长时间或者多长的路径，才能走到你说的那一步？

邱锡鹏：应该会很快。我们现在基本上也利用很多AI方法做研究，就是所谓AI for AI，这会大大加速研究的速度，估计可能在半年到一年，就会有很多我们能体验的技术出现。

曹玮钰：为什么先从语音，而不是视觉或其他做切入？

邱锡鹏：我们在说话的时候其实带很多情境，如果单纯打成文字是表达不了的，模型真正理解语音，才能真正理解情境的上下文，再到我们的实时交互，还有智能体等等，未来提供的产品可能不是单一的能力，是综合了所有能力的一个产品或者服务。

我们做语音很早，做MOSS之后就在想如何把模型拉入现实世界，但我们并不是一家语音公司，语音只是做实时交互的入口。

曹玮钰：你刚提到模型大厂可能还把多模态只当一个组件在做，那有没可能意味着，这个事现阶段还没那么重要，而是一个更远期的事？但做创业、融资，本身是个有阶段的事情，可能5年、10年投资人就希望看到回报。这个账能算得过来吗？

邱锡鹏：首先，我们不是和现在的基模去做同样的事，去复制一个大语言模型或者agent，我们想的是做现在模型做不到的事。

我们在做这些的时候，本身需要模型能力达到一定水平，首先会受益于现在基模的能力增长，包括现在的语言理解、推理、生成，都有一个非常好的基础。有了大量基础模型开源，我们就不用从零开始做所有的事，可以聚焦到我们要解决的事，相当于在此之上享受AI发展的红利。

现在做这些是个非常好的时机，之前大家可能还会顾虑应用场景，现在随着AI推理成本快速下降，新的硬件载体开始成熟，市场就会变得越来越大。

为什么是我们来做？我们真正理解它们之间的能力，把它们更好融在一起。因为我们有做基模的经验，拥有新的模型架构、训练Infra甚至包括数据管线、系统工程能力，所以更有机会能做出来这件事。

曹玮钰：如果要谈对标，有一个对象吗？

邱锡鹏：可能对标下一代GPT所具备的一些能力。OpenAI从前台看，研发在agent model上，但他们也有一条线在往交互上走。

曹玮钰：交互情境智能和世界模型听上去也有相似之处，具体什么区别？这区别是技术上的还是概念上的？

邱锡鹏：还是很不一样的。世界模型是做好对物理世界的理解和生成，我们要做的是一个更完整的AI交互系统。如果一个世界模型建好，模型可以和它进行交互，改进模型能力。

简单可以这么理解，包括我们做的AI训练中，都会建立非常多的虚拟环境，让模型和虚拟环境交互，这个虚拟环境其实就是一个世界模型。世界模型还是服务于整个AI，让AI发展得更好。

研究不是商业模式，模思不是Neo Lab

曹玮钰：我跟投资人讨论有个观点是现在押一个NeoLab，赌注太大。逻辑大概是，前沿Lab本身是买人才的理念，对于产品和商业化没有明确的预期，更多是攻克前沿技术，人才团队、研究成果本身是产品。你怎么看这个观点？

邱锡鹏：首先我想说一下，模思并不是NeoLab，我们还是希望能真正走向商业闭环，只有商业闭环才能把这件事转起来。

我觉得研究本身并不是一个商业模式，不能说研究领先，就一定能把变现好。所以不是我做出MOSS，就一定能把商业化得很好，这是两回事。

对于模思，我会更多思考它的商业闭环，包括如何从研究到模型到产品，再到用户，数据怎么迭代，怎么把数据飞轮转起来。

现在的头部基模，你会发现一个很有意思的现象，基模之间的能力差距在缩小，单靠模型本身很难形成用户粘性。所以真正要建立一个商业闭环，肯定不能把模型放在前台，应该是一个产品，或者更准确说是个服务。

我们希望把研究能力变成模型能力，再通过产品把它真正变成用户所需要、能产生粘性的东西，在研究和产品之间形成迭代闭环，产品到用户会产生大量的交互轨迹，这也会反哺我们的模型。

模思的定位不是NeoLab。或者这么讲，我们在复旦或者创智，本身就是一个很大的NeoLab，不需要通过模思。

曹玮钰：目前有相对明确的商业化预期吗？

邱锡鹏：总体是围绕着情境理解和交互，大概分成几个层次。我们最终的模型能力在发展的时候，会把它模块化成一些拼图的板块，比如音频和视频的理解和生成，分别可以形成一些模型能力，直接对外提供给开发者和企业。

我们还会打造几个系列，一个就是交互能力，我们称为MOSS Live。我们提供一个产品内核给大家直接使用，让模型真正和环境交互，可以用到一些智能座舱或者AI硬件里面。

还有一条线是MOSS Create，为AIGC提供创作的入口。和现在AIGC不太一样的地方在于，现在的AIGC创作要在一个非常复杂的画布或者工作台上，我们希望AI真正理解用户需求，通过非常便捷的语言或者多模态交互，完成内容创作。

产品都在研发当中，有部分开始落地，一些To B合作已经在开展。我们先和一些头部大客户迭代能力，一些小客户可以直接利用模型能力做一些服务。

“教授加学生”只是表面模版

曹玮钰：你现在本身在复旦和创智学院还有教职，模思也要操心，精力分配大概是什么情况？

邱锡鹏：这几个身份其实是融合的，并不是完全割裂。

首先，学校和创智基本上就是一些基础研究、人才培养，还有前沿探索。模思更多的是一些工程化、产品化方面的系统化思考。我们还共同打造一个体系叫OpenMOSS，相当于横跨了模思、复旦和创智的完整体系。我希望在这几个之间能有一个正向循环，因为做AI一定有前沿研究的牵引，模思会有一些主线推进，偏工程化的东西，这是相辅相成的。

另外还有一个非常重要的人才，复旦和创智可以做非常好的人才储备。我们相比于其他公司的一个非常大的优势，就是人才密度远高于同类公司。来到模思或创智的同学都是各个学校的尖子生，在这里经过一些培训和锻炼，都能变成顶尖的AI人才。OpenMOSS体系下有非常多开源项目，都是领先的。

曹玮钰：听上去这几块需要一个强有力的联动，又是高校，又是科研机构，又是创业公司，要有资源、人才的引进或者互通，但在这种性质的组织去协调和平衡势必不是容易的。

邱锡鹏：创智是一个新型的试验田，或者叫研创型大学，非常鼓励创新，在这里学生包括老师创业非常多，现在已经30多家公司了。

另外我觉得人才培养其实是和这些放在一起的。现在的人才培养已经过了看论文的时代，需要在真实的问题上、真实的模型研究上成长。因为AI迭代很快，学生在接受新的理念以及能动性上面会非常高，在模思里很多核心研发都是学生驱动的。

曹玮钰：教授创业这个事也经历了一个变化，前几年觉得教授创业是一个比较理想的状态，但是后来发现，因为精力分散，不能all in，结果往往不理想。再来公司毕竟不是一个纯教授的行为，肯定还有组织管理和商业化之类的板要补。你本人怎么看教授创业？

邱锡鹏：我觉得还要分领域，AI好像不太一样，因为AI本身在不断迭代。可能在传统一些行业，比如新材料，研发是偏早期阶段的，有一个小试阶段、中试阶段，到了中间环节就不是科学研究了，而是工程化等等的问题，这些可能是教授不太擅长的。

但AI不一样，AI本身这些东西都一体的，你没有工程化能力，连早期的研究都难做，特别在基模这一块。所以我们对每个学生都要求有非常好的工程化能力。

曹玮钰：这两年大家可能更认可的教授加学生的模式。

邱锡鹏：我觉得是这样，和此前相比，现在科研成果转化的渠道更多元了，风险投资和科研资助可以相互补充，让好的项目更快落地。个人认为，引入VC是一个很好的模式，风险共担，项目可以更好落地。

其实最关键的不是表面的教授加学生的组合，不限于这个模板，而是找到一个有长期配合、彼此信任的团队。教授加学生，就是因为大家比较信任，另一个就是目标比较一致。对于创业公司，这还是非常重要的。

曹玮钰：过去谈这种不同的角色组合，主要是从功能的角度，除了精力分配，很大程度还要补齐一些产品、商业、管理上面的短板。CEO李世民是你的学生，不过他还没有真正意义的工作经验，你对CEO人选的考虑是什么？

邱锡鹏：你说得很对，肯定是要去补的。模思其实是一个团队，我们招到了非常强的To B工程化和产业化团队，都是补齐了已有体系下欠缺的能力。