目录加载中...
视界打开的瞬间，屏幕上正在滚动的日志就变得不一样了。
每一条经过清洗管线的数据，在韩路一眼中都浮现出一层薄薄的色彩。
干净的、有信息量的数据泛着淡蓝色的光，像水流一样顺畅地通过管线；被规则正确拦截的垃圾数据是灰色的，在某个节点处被清理出去，不再被下面的环节处理；而那些有问题却没被拦住的数据，发着刺眼的橙红色，混在蓝色的水流中间，格外扎眼。
韩路一还注意到另一种颜色，偶尔有几条数据闪着暗蓝，但在灰色数据中格外显眼，它们被规则误判为垃圾扔了出去，但其实是有价值的内容。
就像站在流水线旁边，别人只能看到传送带上的产品在动，而韩路一的眼睛能给每一个产品，甚至每一条传送带本身做质检。
韩路一盯着屏幕看了大概十分钟，先从最明显的橙红色开始分析，逐渐摸清了规律。
主要是三个问题。
最多的是纯垃圾没有清干净。菠菜广告、瑟瑟引流、关键词堆砌，这些最低级的垃圾，现有的规则只做了关键词匹配，但变体太多了。
用谐音字、用emoji替代、把敏感词拆成两段分别塞进前后文里，简单的正则表达式根本就防不住。视界里这类数据发着最亮的橙红色，数量也最多。
然后是语义重复的问题，如果两段话用词完全不同，但表达的意思几乎一样，基于关键词和格式的规则识别不了。
最后一个最隐蔽，是低质量内容的伪装。有些内容的格式、长度、关键词分布都符合优质内容的特征，但实际上是洗稿或者机器生成的填充物，里面的内容好多有事实性错误。
这三个加在一起，占了所有数据的将近七成。
韩路一退出视界，开始改脚本。
用传统的垃圾分类规则，想要全涵盖工程量很大，韩路一直接换了个思路。
汤圆的模型不是还在吗，直接把数据发给汤圆做个检测，意图识别。别管你是怎么变体、怎么拆字、怎么用emoji，只要最后是“引导点击”或者“诱导付费”的内容，一律会被标出来。
同样的，用汤圆给数据做精简化处理，再合并就简单多了。
最后一个识别伪装内容稍微难了一点，但是难不倒视界，在视界的提示下，韩路一加了一层基于困惑度的筛选。
真正有信息量的文本，语言模型预测下一个词的不确定性会更高；而那些洗稿和填充内容，因为套路化严重，困惑度反而很低。
把整个数据清洗管线的规则改过之后，韩路一再次启动。
这一次再用视界看过去。
橙红色几乎消失了，只剩下零星几个边界条件外的数据在蓝色的水流里若隐若现，那些暗蓝色的误杀数据也大幅减少，偶尔闪过一两条，韩路一记下来，又微调了一轮参数。
视界里只剩下干净的蓝色。
等韩路一把这些工作都做完，关掉视界的时候，已经是凌晨两点了。
他看了看最终的数据清洗报告。
原始数据的有效留存率从赵文渊之前标注的41%降到了29%，但之前的41%其实不准确，里面还有很多低质量的垃圾数据，现在的29%却是准确的。
同时误杀率从12%降到了不到3%，被之前的管线错杀的好数据也救回来了一批。
清洗后的数据质量提升的同时，清洗速度也快了不少，时间大概只有之前的一半。
韩路一给赵文渊发了一条消息，把改好的脚本和清洗报告一起传了过去。
“文渊，你明天试试这版，我做了几项修改，现在效果应该比之前的好。”
时间这么晚了，韩路一本来没指望接到回复，没想到过了一会儿，赵文渊的信息就发来了：“你还没睡啊？”
紧接着是第二条消息：“我看看。”
又过了半小时，赵文渊发了一条长信息：
“韩总，你是怎么一晚上搞出来这个的？一般的团队光迭代这个清洗管线就得两三个月，你刚才发我的这个比行业基准的有效率和误杀率都要优秀！按这个效率和精度，全量数据清洗大概一周能跑完！一周后就可以开始预训练了！两个月就能看见第一版模型了！”
难得赵文渊发这么多感叹号，有这么高质量的原始数据和标注数据，他实在是太期待看见训练出来的结果了。
不过这时候韩路一已经睡了。
……
时间往回拨十几个小时，在太平洋的另一边。
美国太平洋时间。
12月27号，周日下午。
硅谷的洛斯阿尔托斯山，约翰的房子就在这里。
约翰·斯诺（John Snow）是Nexus AI的CTO。
不同于CEO瑞恩，有人工智能领域的博士学位，还一路在AI研究院工作。
约翰只有本科学历，他从斯坦福还没毕业就开始创业，前后一共创立和联合创立过五家企业，其中两家分别被谷歌和Meta收购，收购后没过几个月他就又离职，继续创业。
约翰在硅谷的风投和技术圈都有很多人脉，自己也做投资人。
像他这样已经财富自由的人，其实已经不再为钱工作了，之所以受瑞恩的邀请加入Nexus AI，是因为他看好这个方向，也看好瑞恩本人。
约翰的家，从大门进去是一段爬坡的车道，停着四五辆车，走到主楼后面才能看到院子。后院很开阔，一棵宽得过分的橡树，阴影覆盖了将近一半的草坪。
这里正在举办一场烧烤派对。
派对从两点就开始了，到下午三点多，客人的酒杯已经空了两三轮。
圣诞的装饰灯还绕着廊柱和几棵树。白天光线强，灯亮着，但看不太出来，风一吹，轻轻动了动。
烤架那边，有专职的厨师还在翻烤肋排，油脂滴进炭火，滋的一声。
加州的十二月，十八度上下，天气晴朗，微微有些风，不冷，但也不值得脱掉外套。
约翰每年都会在圣诞节后举办这样的小聚会，会邀请他比较熟的科技圈里的人，被邀请的人也可以带朋友。
这个场合被视为硅谷科技和创投圈的一个小沙龙。
瑞恩到的时候约翰正在烤架旁边和厨师讨论肋排的火候，看到他来了，举起手里的夹子打了个招呼，然后把夹子还给厨师，走了过来。
瑞恩和约翰是谷歌时候就认识的老朋友了。
“你每次都带这个。”约翰看了一眼瑞恩手里的Opus One，调侃道。
“你每次的酒都不行。”瑞恩笑了笑，把瓶子递给他，“帮我打开吧。”
约翰接过来，从旁边的桌上找了个开瓶器，熟练地拧开，倒进一个玻璃醒酒器里，放在阴凉处。
“行，这瓶确实比我这的好。”约翰说，“但是至少还得等半小时。”
“我知道。”瑞恩从冰桶里先拿了一听罐装的啤酒，说道，“等一等才好。”
两人在院子里走了一圈，和几个认识的人打了招呼。
约翰的社交方式和瑞恩不一样。
瑞恩在人群里很自然，八面玲珑，跟谁都能聊三五分钟，然后体面地抽身，让人不觉得被冷落。
约翰是主人，他更随意，有时候跟一个人聊很久，有时候路过直接点个头就走了，全凭心情，也不在乎对方怎么想。
有人问起Nexus最近的动态，瑞恩一律微笑着说“还不错”，不多也不少。约翰在旁边听着，偶尔补一句无关紧要的话，两个人配合得很默契。
转完一圈，瑞恩在靠近烤架的位置找了把椅子坐下来，约翰去招呼别的客人了。
不远处，一个戴眼镜的中年男人正在给旁边两个人讲他最近看的一个物流AI的创业项目：
“我让他们给我看个原型演示，你们猜怎么着，那个CEO打开电脑，放出来一张幻灯片，跟我说「这是我们的愿景。」”
旁边的人哄笑起来。
另一侧，一个金发的女士，身材胖胖的，穿一身深色的长裙，正靠着木栏杆，一脸疲惫，跟旁边的朋友抱怨找不到技术合伙人：“简历我收了几十份，聊下来没有合适的。要么经验不够，要么对薪资不满意。现在这些人要求太高了，只出技术，还想要多少啊？”
约翰从人群里穿过来，把手搭在她肩上。
“别在聚会上聊这个。”
“那聊什么？”
“聊吃的。”他朝烤架方向抬了抬下巴。
她有点儿畏缩地抬头看他一眼，举起酒杯喝了一口，换了话题。
约翰家的黄色拉布拉多在草坪靠边的位置趴着，肚皮贴地，下巴搁在前爪上，眼睛闭着，只有尾巴时不时地扫一下。
两个孩子不知道正在踢什么规则的球，从草坪这头追到那头，过了一会儿连球都不见了。
一个之前聊过两句的投资人走了过来，朝瑞恩伸出手：“瑞恩，好久不见。Nexus最近怎么样？听说水星模型3.1在做推理这方面的研究？”
“还不错。”瑞恩起身和对方握了一下手，说道，“我们已经在几个场景里跑出来一些结果了。”
“准备什么时候发论文啊？”
瑞恩狡黠地笑了笑，说道：“这是我们的独家突破，可不一定会发论文。”
那人挑了挑眉毛，独家这两个字显然让他更感兴趣了，但现在人多嘴杂，不是说话的地方，他闲聊了两句就走了，心中却打定主意要和Nexus AI再跟进一下。
这时，约翰走回来，在瑞恩旁边的椅子上坐下，接过瑞恩手里的酒瓶，给自己倒了一杯，把瓶子顺手放到地上。
“你刚才说的那句，你真是这么打算的？”
“哪句？”
“不发表论文那句。”
瑞恩一边端起酒杯向约翰示意，一边说道：“发表论文是为了什么？招人、刷排行、让同行引用，这些我们现在都不缺。总不能真的是为了推进科技的进步吧？”
约翰没说话，也端起自己的酒杯。
两人的酒杯碰了一下。
总不能真的是为了推进科技的进步吧？
约翰在心里默念了一遍这句话，想起第一次见到瑞恩时的场景。
那是在谷歌内部的一个技术分享会上，瑞恩当时还是个研究员，讲的是他刚发表的一篇关于注意力机制优化的论文。
讲得很好，但让约翰印象最深的不是内容，而是瑞恩讲话时候的状态，他那种既权威又坚信的神情和语气，会让你不由自主地相信他所讲述的内容。
那种确定感，不仅在学术界很少见，在工业界也很少见。
后来两人一起工作得多了，约翰才意识到，瑞恩身上的这种确定感，可能不仅仅来源于他对于所讲内容的熟悉，而是他整个人身上天生就带有那种强烈的自信。
这是瑞恩成为一个优秀的CEO的关键。
但约翰有时候也会想，一个人可以选择不怀疑自己，但这不代表他做的决定永远都是对的。
……
五点多，太阳已经快沉到山脊后面了，气温稍微凉了一点。
陆陆续续有人过来和约翰打招呼，说谢谢招待，还想留下一点好印象。
等人走得差不多了，约翰和瑞恩搬了两把椅子到泳池边，各自从冰桶里摸了瓶啤酒。
泳池这个季节没人用，水面平静，偶尔有一片落叶飘进来。
夕阳把水面染了一层浅橙，山脊线还亮着最后一点光。
瑞恩喝了一口，把手机掏出来。
“给你看个东西。”他把屏幕转向约翰，“和我们合作的、中国的那个公司，这一个多月的API调用分析。”
约翰接过去翻了翻。
瑞恩在一边讲解：“你知道，他们的任务规划全部走的是水星模型。他们产品上面每接到一个用户指令，后面涉及到思考的部分，意图理解、任务规划这些，用的都是水星。他们有的只是执行代码。”
约翰慢慢划着屏幕，没说话。
瑞恩接着说道：“现在看来，产品的体验很好，用起来很流畅，用户满意度很高，我们这边收集到的数据也很高质量。但你明白真正的价值在哪里吗？让这个应用变聪明的是水星模型，模型才是不可替代的部分。”
约翰把手机还给他：“他们那边的代码生成能力也不差。”
“是不差，但那可没用，现在这个参数量级，代码生成的差距已经很小了，再往上就更难拉开差距。意图理解是水星模型的杀手锏，他们自己知道这一点，这也是他们接受我们合作的原因。”
瑞恩退出报告，重新打开了一个文件，同时说道：“我们现在是在第一阶段。”
瑞恩说话的语气既自信又从容，有种一切尽在掌握之中的感觉。
“现在这个阶段，我们要做的就是充分利用这个中国的盟友，让他们用他们的成功经验来积累用户打磨体验，而我们则可以收获到这期间所有真实任务场景的数据。这批数据会是下一代金星模型（Venus）智能体（Agentic）能力的核心训练材料，比起我们自己收集，又省钱又省力。”
约翰知道，这是瑞恩最近自己整理出来的战略，他虽然心里不太认同，但还是静静地听着。
“等到合同到期的时候，他们的用户基础是已经建起来了，这没错，但是所有的核心逻辑都是跑在水星模型上的，到那时候我们提高分成比例，再增加API的费用。”瑞恩停顿了一下，脸上露出笑容来，“你说他们的选择会是什么？是迁移到别的模型，然后顶着用户流失的风险改变整个产品的架构、花时间紧急修改，重新上架，还是接受我们这个更‘合理’的新条款？”
约翰给出了自己的判断：“这根本不是一个选择题，在现有的架构上让他们去迁移，风险大，代价也大，没有一个理性的企业家会做出这样的选择。”
瑞恩语气放松地说道：“你说的对，我的朋友，他们没有选择。只要等下一代的金星模型出来，我们的智能体能力有真实数据支撑，用户场景也全都覆盖到了，那时候我们就自己下场做一个开发者工具，用这段时间积累的数据做个比他们更好的产品。”
约翰仰起头，看了一会儿上面的天空，然后晃了晃手里的酒瓶。
“他们会发现吗？”
“会的，早晚会的，但是到那个时候他们就已经没有选择了。”
“我是说——”约翰把视线收回来，“他们现在知道吗？”
“他们可能能感觉到吧。他们的CEO不傻，应该能看到这个风险，但是他们需要我们，现阶段没有水星模型给出的意图理解能力，他们的产品就跑不起来。他们应该是想在合同到期之前尽量收集数据，然后再开发自己的模型。”
“能吗？”
“开发一个模型要多久？一年？最快最快也要半年吧，我们的合同到四月就到期了。”
瑞恩的意思是，四个月的时间，不可能做出来一个能替代水星模型的大模型。
等合同到期，源码科技就是砧板上的鱼肉了。
约翰把剩下的啤酒喝完，才开口问道：“你是说，等我们数据够了，就把他们踢掉？”
“是。”
约翰沉默了一会儿。
泳池的水面已经暗下来了，刚才的浅橙色消失了，变成了灰暗的蓝色，山脊后面还剩最后一点光亮，但也在慢慢地消失。
“瑞恩，你有没有想过一种可能。”约翰把空瓶子放在脚边，“他们的那个CEO，如果真像你说的那么聪明，他现在可能已经在做模型了。”
瑞恩看了他一眼：“用什么做？他们没有算力，没有数据团队，没有研究背景，想要做一个能替代水星的模型，可不是写几行代码的事。”
“四个月的时间，从零开始做出一个够用的基座模型？做出能在意图理解和任务规划层面替代水星的模型，你觉得可能吗？”
约翰没有回答这个问题。
他确实觉得不太可能。
但是他想起之前看到过的那个视频，那个中国公司的CEO在GAIS上演讲的视频。
约翰也在GAIS上发表了一个演讲，虽然是远程连线。
他觉得那个人不简单。
“其实我们可以直接自己做，我自信能做的比他们好。”约翰闷闷地说。
“我们的资源是有限的，要放在最重要的事情上。”瑞恩不在意地说道，“这样免费的劳动力，又这么好用，为什么不用呢？”
说到这，瑞恩的脸上浮现出一丝笑容：
“你什么都不知道，约翰·斯诺。”
“该死的，我说了多少次了，我叫约翰（John），不叫囧（Jon）。”约翰骂了一声。
他恨死《权力的游戏》了。
还有那个乔治·马丁。
“你才是什么也不知道呢，瑞恩·米勒。”
瑞恩对这个小孩子一样的回击，只是笑了笑。
没说话。