2024 到 2025，《晚点》与闫俊杰的两次访谈，记录一条纯草根 AI 创业之路

2024 年和 2025 年，《晚点 LatePost》发表了两篇对 MiniMax 创始人兼 CEO 闫俊杰的访谈。第一篇访谈发生在 2023 年年底和 2024 年 3 月，第二次访谈发生在 2025 年 1 月。

两次访谈间隔不到 1 年，行业和 MiniMax 自身都有很大变化。2024 年初，闫俊杰给团队定下的目标是“技术上如何达到 GPT-4，产品上如何把用户规模翻十倍，单个产品能突破千万 DAU”。2025 年春节 DeepSeek-R1 震撼全球后，“DAU” 在 MiniMax 内部被视为“虚荣指标”。

这在那个春节前的访谈中已有信号：闫俊杰指出，做大模型的一大误区是套用移动互联网的逻辑——更多用户和反馈虽能反哺推荐算法，却不能直接让大模型更聪明；现阶段提升大模型性能的核心路径仍是训练与迭代新模型。

不变的是，MiniMax 一直坚持“Intelligence with everyone”，服务普通人。例如，首次访谈中提及的 MoE（混合专家系统）和线性注意力机制，已在 2025 年 1 月发布的 M1 千亿参数大模型中落地；而关于“信息获取”的 Agent 构想，目前尚未推出公开产品。

两次访谈的异同，记录了这家公司与整个行业的演进轨迹。

2024 年的访谈：AGI 不是大杀器，是普通人每天用的产品

“每件事都是做到极致才会好”

晚点：一位 OpenAI 的工程师告诉我们，判断一位人工智能创业者是否真正信仰 AGI，就看他是在 ChatGPT 发布之前还是之后创业。

闫俊杰：MiniMax 成立于 2021 年底，当时 AGI 在中国还是巨大非共识。我们算过，把 GPT-3 扩大 100 倍需要数十亿美元，而当时我们并不认为中国会支持一家创业公司投入如此巨资。

晚点：有人认为你们最开始做元宇宙，大模型火了才转向 AGI。出发时到底有多相信 AGI？

闫俊杰：我们在 ChatGPT 出现前成立，大部分公司是其后入局——这是核心区别。当时没有参考，只能边试边走，但技术进步是内核，产品方向则尚不清晰。

我们最初想象的 AI 产品是一个具备声音、形象和文字能力的智能体；曾做过带 3D 形象的原型，但其语言与语音能力仍由大模型驱动。

晚点：你认为 AGI 是什么？如何确认它已到来？

闫俊杰：我们的定义至今未变——当大家不再觉得它是“AI”，那一天就到了。就像今天没人说抖音是“基于推荐系统的内容分发软件”，只说“抖音就是抖音”。

晚点：MiniMax 是国内首个明确主攻 AI 2C 的公司，为什么？

闫俊杰：电动车、移动互联网的成功，本质是服务普通人。而服务普通人的前提是商品化、产品化，而非项目制。当时整个行业陷入困境，而成功行业都靠产品化驱动，结论几乎唯一：必须做出能服务大众的人工智能技术和产品。

所以我从不认为 AGI 是原子弹式的大杀器，它就是普通人每天使用的服务——这也是我们最坚持的。而且 AGI 不应由一家公司独自完成，而需与用户共同迭代。

晚点：今年 1 月你们是国内首个发布 MoE 大模型的公司，其他厂商主要在迭代 dense 模型。做 MoE 是一场豪赌吗？

闫俊杰：一开始我也认为是赌，那几个月别人都走在更稳的路上，而我们押注一个更难的方向。

当时我们将 80% 以上的算力和研发资源投向 MoE，且没有 Plan B。

晚点：MoE 是 2023 年夏启动研发的，为何必须选它？

闫俊杰：一是基于我们有限的数据和算力资源，MoE 是唯一能完整训练出来的模型架构；二是已有大量 2B/2C 产品日均处理海量 token，dense 模型的生成成本与延迟已无法承受，系统面临崩溃风险。

如今这已是行业共识：若要构建万亿参数级模型，dense 架构已不可行。

晚点：最后是如何攻克的？

闫俊杰：过程很痛苦，失败两次。比如模型训练半个月后发现关键指标持续偏离预期，如同火箭偏航——需重新排查各环节。每次失败都耗费大量资金和时间，但积累的经验最终汇聚为下一次成功的基础。

后来我发现，挑战并非源于 MoE 本身，而是底层实验方法、网络结构和数据组织等基础能力的不足；问题的解决，本质是团队整体研发效率与科学性的跃升。

晚点：一位接触过你的人评价你很有工程化思维，追求在约束条件下实现最优解。

闫俊杰：其实都是算出来的。我们大部分决策基于目标优化，本质是在解方程。

晚点：当前资源约束快速变化，你倾向保守还是冒险？

闫俊杰：基本选择最冒险的路径——因为“每件事都是做到极致才会好”。我选的技术路线是上限最高、几乎无退路的；算力方式也极为激进。

晚点：听说你们不买 GPU，只租卡？

闫俊杰：我们没有一块 GPU，但可能是中国实际使用 GPU 数量最多的 AI 创业公司。

持有资产会使动作变形。若拥有大量 GPU，商业上最优解或许是对外出租；而我们只想让公司更简单。

晚点：去年 10 月遭遇算力紧缺，如何规避类似风险？

闫俊杰：成为市场上最大的客户。

对中国创业公司来说，更好的方式是同时思考技术和产品

晚点：李彦宏称创业公司“双轮驱动”不是好模式，但你们第一天就要做产品，决策依据是什么？

闫俊杰：创业初期既没技术、也没产品和用户。前六七个月只是做出最原始模型，才有后续产品基础。

假设所有资源免费、组织无限强大，技术优先当然合理；但对创业公司而言，若缺乏足够强的产品能力承接，即便技术领先，成果也无法转化。独立发展的创业公司必须同步考量技术与产品。

晚点：OpenAI 也是在推出 GPT-3.5 后才做出 ChatGPT 这一杀手级应用，此前并不重视产品。

闫俊杰：那是因为 OpenAI 在技术、人才和数据积累上具有数量级领先，享有长达一年的独特创业窗口期——这不会再现。没有公司能短期拿出“优于全球十倍”的方案，因此对中国创业公司而言，技术与产品并重才是更现实路径。

晚点：有投资人认为你们现在做产品太早，“在黑莓手机上做不出抖音”。

闫俊杰：按此逻辑，现在也不该做技术——今天的模型也不是五年后的模型。但共识是：唯有通过构建当下技术，才能深入理解它，并推动未来三年至五年的突破。

晚点：技术发展是渐进式的，产品也是吗？

闫俊杰：是的。中国成功的公司如米哈游、美团、字节、理想，几乎没有靠第一个产品取胜的，多是第二个乃至更后的产品达成突破——这是业内总结的共性规律。

晚点：既然有开源大模型，为何不干脆专注做产品？

闫俊杰：核心在于——对模型的理解即是对产品的理解。产品越往下深挖，对模型的要求就越深。此外，成本控制与响应延迟也高度依赖模型掌控力。很多问题如“什么可解、什么不可解、如何迭代”，都要求扎实的技术底座。

现实是：去年不少产品基于 GPT-4 构建，却始终未能复现 ChatGPT 的体验。

晚点：同样做产品，你们却同时运营 Glow、星野、海螺 AI 等多个项目，而非聚焦一两款，原因何在？

闫俊杰：OpenAI 在 ChatGPT 后的产品也未达预期，说明当前技术能力与产品形态之间存在显著 Gap。即使采用顶尖技术，也未必匹配最佳产品。若承认这一 Gap，客观规律就是：必须多尝试、多失败，以找到真正可行的路径。

晚点：感觉有点像字节跳动的产品方法论。

闫俊杰：我们尚不具备按字节方式运作的资格。每个公司应选择适配自身现状的形态：字节优势在于技术资源富余、产品供给充足，尝试越多收益越大；而我们资源有限，产品投入占比远低于模型研发，经测算，这种策略成功率更高。

晚点：技术重要，产品也重要，你们纠结过哪个更重要吗？

闫俊杰：曾纠结，但现已不纠结。

2022 年底 Glow 发版因新冠感染导致一个小算法 bug，致使对话体验下降 15%，元旦三天 DAU 下跌 40%。修复后用户迅速回流。这让我们深刻认识到：现阶段产品价值的核心，依然是模型性能与算法能力。几乎所有重大体验提升，均源于模型本身的进步。

晚点：同时做大模型与多款产品，最大挑战是什么？

闫俊杰：技术不够好——这是本质。我们的技术迭代速度已很快，但仍与全球顶尖模型存在差距。

十倍的 Scaling Laws

晚点：欧洲头部公司 Mistral 已开源 MoE 模型，业界普遍认为 GPT-4 亦属 MoE，MoE 会是今年大模型的关键赛点吗？

闫俊杰：MoE 只是其中一个环节。凡能写入论文的技术，基本难以构成绝对壁垒。

晚点：在这场技术竞赛中，MiniMax 有何非共识判断？

闫俊杰：行业非共识往往 6–9 个月内即转为共识。当前有三点共识已明晰：一是 Scaling Laws（规模定律）；二是同等精度模型所需算力与资金投入正逐年大幅下降，算法公开与自由探索加速了这一进程；三是提升数据质量的性价比极高。

由此可自然推导出我们的多数关键决策。

晚点：你怎么理解 Scaling Laws？它揭示了哪些可能性？

闫俊杰：Scaling Laws 是一条曲线。你可以信仰原始版本，也可以信仰十倍甚至百倍加速版本。

2020 年提出大模型 Scaling Laws 的经典论文《Scaling Laws for Neural Language Models》指出，影响模型性能的核心变量是算力（C）、数据量（D）和参数量（N），关系为 C≈6ND；模型结构与层数等因素影响较小。

其价值在于提供方法论：可通过小规模实验预测大规模结果；并助力行业对齐目标——因 Scaling Laws 要求数据、算力、芯片、算法、产品等多环节协同，统一预期至关重要。

至于论文中具体公式及结论，部分已显滞后。例如，其低估了网络结构的重要性，而实践证明，结构设计实为关键变量之一。

晚点：哪些变量可能实现十倍或百倍的 Scaling Laws 加速？

闫俊杰：网络结构本身即是一例。我们初研 MoE 时，以为其结构与 dense 模型类似，后证实不然——MoE 自身即可加速 Scaling Laws。此外，数据质量提升、算力分配优化（如将算力用于数据预处理而非仅训练）亦具显著加速度。

晚点：Scaling Laws 的力量源于简洁性，引入过多变量是否破坏其本质？

闫俊杰：提升数据质量、优化算法与训练方法永无止境，持续做就会持续受益。

真正的权衡在于：不同变量在不同阶段对 Scaling Laws 效率的提升速度各异。而小规模实验恰可帮助我们识别：哪些变量在哪个周期更具杠杆效应——这正是 Scaling Laws 方法论的延续。

为何中国必须追求几倍于原始的 Scaling Laws？当算力充足时，可优化原始曲线；当算力受限，则必须通过优化几倍曲线来达成相近效果——这完全可行。Anthropic 已用更短周期推出类 GPT-4 的 Claude-3，印证了放大 Scaling Laws 的可行性。

晚点：长文本（Long Context）会成为大模型差异化竞争的关键路线吗？

闫俊杰：优质大模型本应默认支持长文本。我们一直具备该能力，但未在产品中强调，主因是计算成本高。

晚点：实现长文本处理的技术路径是什么？

闫俊杰：标准 Transformer 使用非线性 attention，计算复杂度为 O(n²)；过去一年，线性 attention 成为主流研究方向，使长文本计算复杂度降至 O(n)，大幅降低资源消耗。

但实际差异在 token 达到 80 万至 100 万量级时才显著显现：此前如 20 万或 30 万，二次函数近似线性，性能差别不大；而 Gemini 1.5 是首个接近线性 attention 的模型，在 100 万 token 场景下响应仅比 50 万慢 1 倍，而非 4 倍。

因此，长文本解决的并非 20–30 万字需求，而是百万字及以上量级的真实场景。

晚点：100 万 token 相当于 100 万汉字，多少人有此需求？

闫俊杰：用户需求与技术能力相互塑造。远超预期的能力上线后，自然催生新需求。ChatGPT 上线语音功能前，无人明确提出语音通话诉求；上线后用户广泛使用。海螺 AI 的语音通话功能同样受欢迎——我 80 岁的祖父首次使用便与 AI 讨论四五十分钟历史人物，远超我最初的设想。

晚点：你们在产品中率先强调语音等多模态能力，而非长文本。如何判断技术优化的优先级？

闫俊杰：“Intelligence with everyone” 是我们最核心的信仰——我们并非技术的 Owner。

当前全球仅有 1–2 亿人用过 AI 产品，重度用户仅数千万。因其提问门槛高，真正愿意打字的群体极为有限；而语音与图片天然覆盖老人、儿童等更广人群。加入多模态后，用户上手门槛与平台渗透率均有明显改善。这正如今日头条到抖音的演进路径，在移动互联网领域已被验证一次。

越到后期，用户的价值越高

晚点：Glow 是你们首个产品，主打用户与定制 AI 角色互动，类似乙女游戏，在二次元圈层流行。为何选定该方向？

闫俊杰：早期冷启动阶段，我们精准触达 AI 爱好者、二次元青年等年轻群体，依其反馈快速迭代前几版产品。起量后，每日追踪社媒真实用法，通过观察+数据验证持续优化，而非依赖 AB Test。

晚点：产品踩过哪些坑？

闫俊杰：最初设想的智能体需同时具备声音、形象与文字能力，因此公司成立之初即启动语言、语音、视觉三大模型研发。

很快我们放弃 3D 形象——因其无法规模化（仅游戏与电影行业有成熟实践，研发周期以年计）；也意识到深度学习做 3D 并非正确路径。在手机载体上，一个始终凝视用户的 3D 形象本就违和，绝大多数交互无需实体形象。

晚点：是上线后通过数据发现的吗？

闫俊杰：不是数据。首版 3D 形象制作时，我们请两位模特拍摄，当把模型放入手机屏幕那一瞬，就立刻意识到方向错误。

晚点：首个模型尚未产出，就招募产品经理。你如何向他描述想要的产品？

闫俊杰：当时并不清晰，因无任何参照。我们只模糊想象：存在一个可与用户自由、长时间对话的智能体，本质是信息交换与处理。

我们唯一确定的是：模型必须服务大众，这就决定了它必须是产品——因此最早便招来产品经理。

晚点：面对众多用户需求，如何取舍？

闫俊杰：后期取舍变得简单：是否符合技术发展趋势？能否为特定用户带来 10 倍以上体验提升？

晚点：产品审美上，你认为怎样的产品才算好？当前玩法较多，是否过于复杂？

闫俊杰：坦白说，我们尚未做出公认的好产品，故尚无答案。

当被问“复杂好还是简单好”，多数人答“简单”。但我对此存疑——尤其在行业发展前期。QQ 曾极其复杂，却为微信诞生奠定基础；ChatGPT 当前约 3000 万 DAU，似乎已达增长瓶颈。可见，偏简单的 AGI 产品在现阶段或存天花板，但最终一定会有极简交互满足更广泛人群。

晚点：Sora 的出现对你有何启发？

闫俊杰：若 Sora 响应速度大幅提升——生成 1 分钟视频不再耗时 20 分钟，而是实时输出——将引发质变。

它会是更优的视频生成工具，还是更优的视频生成社区？再进一步，是否演进为超级内容平台？取决于两点：是否确信空间足够大，以及是否确信响应速度可足够低。

晚点：你认为未来用户量最大的 AI 产品可能是什么？

闫俊杰：我们目前仅实现百万 DAU，尚未突破千万或十亿级，故不敢断言。但信息交换与处理的价值毋庸置疑。

晚点：MiniMax 产品日活已接近 Character.AI，使用时长甚至更长。但有人质疑其数据表现好并非技术强，而是因软色情内容。

闫俊杰：分析表明，真正留住用户的是正向体验。如星野，其核心是为用户提供发挥创造力与想象力的平台。我们持续投入提升内容安全能力，确保平台正向生态。

晚点：技术提升对产品效果有多大影响？星野上线 MiniMax 自研 MoE 模型后效果如何？

闫俊杰：消息量当日增长 40%；平均响应从 4 秒缩短至 1 秒——这不仅是 MoE 功效，也得益于推理系统整体优化。

晚点：技术提升速度与用户规模之间是因果关系吗？

闫俊杰：这非常微妙。若你是行业第一（如 OpenAI），大致成立；若非第一，则未必。

过去一年，许多中国大模型公司用户有限，技术仍在提升——因可学习第一名。但长期看，若模型能力逼近顶尖水平，用户权重与价值将愈发凸显。

这如同算力：更多算力是否必然产出更好模型？不一定，提升数据质量 ROI 或更高；但长期看，算力充裕确为必要前提。

晚点：AI 原生超级产品与移动互联网时代的超级产品，根本差异在哪？

闫俊杰：移动互联网极度关注“用户痛点”，但去年 DAU 百万以上的六七个 AI 原生产品，均非针对痛点设计，而是释放突破性技术后自然演变为产品。反倒是后期针对性添加的功能（如 ChatGPT Plugins、GPT-S）收效甚微。一旦技术进步放缓，产品驱动或将回归主流。

当前仍是技术驱动（technology-driven），而非产品驱动（product-driven）。

晚点：海螺 AI 频繁推送消息吸引用户点击，说明做了较多产品优化？

闫俊杰：最近我们也反思：功能点过全，或反成负向信号——说明核心功能尚未倾注最多精力。

晚点：2025 年团队目标是什么？

闫俊杰：技术上达到 GPT-4 水平，产品上用户规模翻十倍，单产品突破千万 DAU。

晚点：10 倍增长，幅度很大。

闫俊杰：并不算大，移动互联网产品本就是亿级 DAU 起步。

靠融资打不死别人

晚点：以当前中国市场资源总量，能支撑几家 AGI 创业公司？

闫俊杰：不止一家，总资源足够。

晚点：如今许多投资人已不再关注大模型，认为创业公司难有机会。

闫俊杰：我经历过上一轮靠融资堆砌的 AI 发展阶段。若公司需靠持续融资续命，其核心优化方向易异化为“如何说服投资人给更多钱”。

我的路径是：通过服务用户，逐步探索合理商业化。尽管研发投入巨大，短期难见效，但这条路必须探索。

晚点：当市场资源有限时，第一名是否应全力融资，挤压对手生存空间？上一轮移动互联网竞争常如此操作。

闫俊杰：疯狂融资以扼杀对手——我认为这是错误的。靠融资无法真正击倒他人。

当前中国头部创业公司，无一家资源比对手高出一个量级。真正的拐点只可能来自技术、产品或商业化效率的领先。

晚点：算力稀缺，如何解决？

闫俊杰：中国算力供给已较此前充裕。回到 Scaling Laws 本质：当算力不足时，必须寻找方法优化几倍 Scaling Laws，以达相似效果。

晚点：如何评判 MiniMax 与 OpenAI 的差距？

闫俊杰：我们内部设有“开箱可用率”指标——即客户或开发者接入 API 后，能否快速完成复杂任务。

从开放平台看，GPT-4 几乎可跑通全部需求。例如去年一项需求：用户提交小说，模型生成分角色、带语气的有声剧。GPT-4 经精细调用可实现，而我们当时模型尚不能，但现已达标。

晚点：与国内同行相比呢？

闫俊杰：未全面测评。因测与不测，都不改变我们前进的方向。

晚点：2024 年，中国大模型行业将发生什么？

闫俊杰：中国公司将推出类 GPT-4 模型，且不止一家。但更关键的问题是：之后该如何走？

把公司当函数

晚点：你说写在论文里的技术都不是壁垒，那么真正壁垒是什么？

闫俊杰：拼多多前身是拼好货，美团始于团购，字节起步于今日头条——都不是最终大成的产品。

大小成之别在于：大成公司均完成了组织创新，从而可持续产出更强成果。

晚点：壁垒难道不是顶尖论文作者吗？

闫俊杰：一个严峻现实是：对大模型领域贡献排前 20 甚至前 50 的人，可能无一人供职于中国公司。

依赖天才路径已不可行。当前唯一路径是：聚集基本素质优秀的团队，打造成长型组织，持续突破挑战，加速集体进化。希望三年后，领域前 20、前 50 的贡献者能出自中国公司。

晚点：如何打造该组织？

闫俊杰：本质上是优化一个无解析解的函数，寻找梯度下降最快的方向。

晚点：举例说明？

闫俊杰：例如提升技术进步速度，我们学习 OpenAI——因其路径最确定。非指模仿其参数，而是学习更科学的实验方法、更快试错迭代机制、更清晰简洁的问题定义能力。

晚点：追求梯度下降可能陷入局部最优，如何避免脱靶长期目标？

闫俊杰：我们自身进化路径是：从模糊看数据，到深入看数据，再到意识到光看数据不够，需叠加高质量洞见（insight）。

许多洞见源于长期思考。例如，仅盯短期产品数据，便不会意识到需研发新一代多模态模型。

晚点：优化函数的方法能解决人性问题吗？如技术与产品团队间的拉扯。

闫俊杰：我们通过更细颗粒度的数据埋点，尽可能用数据归因真实问题，而非依赖主观判断。

我们信任数据科学——这并非原创，中国互联网公司早已将其应用至极致。

晚点：你曾称希望组织更轻，但团队已达 300 人，其中大半为去年入职。如何平衡？

闫俊杰：组织结构仅三层：我、我的 -1、我 -1 的 -1。

目前只有三个部门：技术部（我负责）、产品部（含 C 端与开放平台）、运营与增长部（涵盖产品增长、公司增长及 HR）。

晚点：智谱约 1000 人，月之暗面约 200 人，你们 300 人，人数差异背后逻辑是什么？

闫俊杰：取决于信念。我们不需向外界证明什么，只需做自己认定之事。非必要岗位，我们不设。需要做什么事，就招匹配之人。

我们需做一定规模的前端产品，因此除算法与应用数据人才外，还需推理系统、线上服务、开发及产品运营等复合型人才。

晚点：现阶段最缺哪类人才？

闫俊杰：更多算法人才。我们已掌握实验方法，资源也可支撑大量实验，但实验执行者不足。

视频生成模型正趋实用化。按过往规律，首个落地产品更易胜出，多家公司正全力争夺这一窗口期。

晚点：如何识别合适人才？

闫俊杰：关键是其加入能否提升团队整体产出。有些极强个体未必融入，而看似平凡者反而能带动集体升级。

面试中，我重点关注其在重大项目中与 mentor、上下游协作的真实表现。

晚点：你在商汤曾管理大型技术团队，有哪些心得？

闫俊杰：若初心是“做管理”，可能已偏航。

核心是驱动团队做出超出用户与自我期待的成果。AI 虽处风口，本质仍是科学——需高水准人才 + 类似数据科学的方法论，快速识别有效路径。二者融合，即是正道。

晚点：如何吸引更强人才加入？

闫俊杰：归根结底是组织强，能持续做成好事。这是我们唯一能选的路径。

晚点：希望形成怎样的公司文化？

闫俊杰：第一，不走捷径——多次尝试皆遭重挫；第二，User-in-the-Loop；第三，技术驱动。

三者均源于切身教训与经验沉淀。

自己好像慢慢变成了一组基函数

晚点：商汤是你首份工作，它给你留下什么烙印？

闫俊杰：主要是对“集中力量干大事”技术路线的自信。

另一刻骨铭心的反馈是：组织内若觉某事不对，却避而不言，对所有人都是巨大伤害——因此我希望 MiniMax 组织足够简单透明。

晚点：2020 年 AGI 尚属非共识，你如何提前洞察这一方向？

闫俊杰：源自偶然思考。2020 年我在商汤带队时，突然发现每天 AI 论文已看不完——这对我触动极大。

作为技术从业者，当时进展已远超个人理解范围。人类进化缓慢，唯一出路是借助更强 AI 加速技术发展，或提升人类研究效率。

另有一观察：2020 年前的 AI 应用（如商汤业务）对社会直接价值有限，与长期承诺存在矛盾。若非投入不足，唯一解释便是技术路线或问题选择有误。

晚点：上一代 AI 从业者大多意识到了矛盾，却苦无出路。

闫俊杰：2021 年初 OpenAI 发布 CLIP 对我至关重要。它揭示自然语言与计算机视觉本质一致，同属统一机器学习系统——我由此看到通用人工智能的技术可能性。

若真信 AI，就该行动。

晚点：你如何学习？

闫俊杰：结识比自己更强的人——这是创业给予的少数短期满足。我有幸遇到多位顶级人物，他们赋予我更高视角。站得更高，问题反而更易解。其次，我会大量阅读论文。

晚点：你说应避免产品“全面优秀”，那你本人是全面优秀吗？你在商汤晋升极快，从研发做到集团副总裁，似能胜任多种职能。

闫俊杰：我不认为自己全面优秀。成长于河南小县城，无人教导，只能靠自学领悟——这是被迫形成的底层认知能力。它至今仍有用：面对陌生事务，我能快速抓住底层逻辑。

晚点：短板是什么？

闫俊杰：我不是顶尖研究者，或仅属二流。