李笛说，如果俞敏洪在南极向新东方全体员工发全员信前，问一遍市面上主流大模型，那么……
结局没有任何改变。
两周前，李笛突然宣布，创办新公司Nextie（中文译“明日新程”），做“认知模型”。也就是让大量异构的智能体，一起讨论、辩论，最终帮人做决策，或者更好地帮人完成各种疑难的任务。李笛是“小冰”创始人，曾开发第一代情感聊天AI“小冰”。
李笛举例，如果当时有个智囊团陪在俞敏洪身边，不仅会看信的文本表达，还会帮他从管理层、员工、网民的不同立场，一条条捋，信发出之后可能出现的情况，认知模型就扮演智囊团的作用。
他解释，当下主流的推理大模型，让人使用知识的成本大幅度降低，从而实现了知识平权。但在OpenAI、Anthropic、Google DeepMind 等机构内部对用户日志的分类中，一个反复出现的结论是：相当比例的高频提问，并非知识查询，而是“决策辅助型问题”，如选哪个老板、是否应该离婚……人在这些关口一旦走错，成本很大。
展开剩余93%明日新程希望用“群体智能”产品帮人决策——成百上千的AI智能体，帮助用户快速把一个问题在不同认知侧面掰开，从而尽可能避免认知盲区。
“这就像一个智囊团。智囊团不是老师，不教你智慧，而是帮你在不提高自身能力的情况下，看到更完整的认知结构，从而实现认知平权。”
从“小冰”到明日新程，李笛做的是同一件事“造人”。过去，造提供情绪价值的“人”，现在，他想造基廷老师（死亡诗社）、西恩教授（心灵捕手）那样，在认知层面帮助他人的“人”。
目前，奇绩创坛参与了明日新程的投资。
声明：访谈对象已确认文章信息真实无误，铅笔道愿为其内容做信任背书。以下为访谈实录。
铅笔道：李老师，看到你也出来创业了，很意外。
李笛：这个问题挺有意思的。你要问我，做小冰算不算创业？在我自己心里，其实2020年之后，我就已经是彻底在创业了，只是外界可能觉得我是最近才“开始”。这是一个认知差异。
行业里其实有一个共识：这轮大模型的发展，从GPT-3.5开始，很多能力是可以预期的。真正让人意外的，是思维链（Chain of Thought，即AI模拟人类思考的推理过程）。
思维链本身是一个比较模糊的东西，更像是“想了一下”，有一点注意力的痕迹。再往前走，才是推理模型，它开始变得结构化、有体系、有因果关系。再往前，才是认知模型——它的思考过程会更完整、更系统。
这是我认为，大模型从过去到现在，再到未来的一条主线。
铅笔道：新公司想做什么？
李笛：其实和我过去一直在做的事情，本质上是同一件事——“造人”。
我们不是在造 AGI，也不是造打工的工具人，而是希望造一个在各方面能力接近人、能给人提供支持的存在。
2013 到 2017 年，我们造的是有情感、能提供情绪价值的“人”；2017 年之后，我们做的是 AIGC，希望 AI 能在情感之外，再提供内容、知识和服务。但那个阶段，认知服务的技术条件还不成熟。
后来我们发现，一群“人”的价值，大于一个“人”。群体在认知上的辅助能力更强。
在今天这个大模型时代，我认为最重要的，不是 AIGC，也不是某个具体技术点，而是能不能创造一群“有认知的存在”，去帮助人弥补认知盲区。
很多关键决策，其实都和认知有关。你能不能补上自己的盲区，往小了说是避免损失，往大了说，可能会改变结果。
这个世界上，几乎所有人都需要补认知盲区。连俞敏洪都需要，更不用说普通人。
所以我认为，这是这轮大模型在社会意义上非常重要的一件事。当然，它也会有商业价值。小冰一直在做“造人”的事情，只是现在，它的名字叫明日新程。
铅笔道：听说小冰的核心成员继续加入新团队？
李笛：其实我并没有离开小冰，我现在还是第二大股东。
其次，这个团队从 2014 年开始，是我一步一步建立的，我们做的事情本身就是延续性的。
这件事一是没做完，二是还有太多新的可能，三是它就是这个时代最重要的事情。
也许它没有那么“世俗意义上的商业化”，但如果有一天我老了，回头看，我在人类的情感、内容和认知上，真正努力做过一些贡献，我会很骄傲。我的同事也是一样。
Nextie创始人李笛，希望通过群体智能，实现认知平权。
铅笔道：你们很早就在关注跟认知有关的东西？
李笛：对。2017年，小冰已经是生成模型了。我们在生成过程中发现一个现象：模型会突然冒出一些“念头”。
当时我们甚至做过一个模式，叫“心想模式”，它一边跟你对话，一边输出它“脑子里在想什么”。但那个阶段，这种“思想”是非常不稳定、不一致的。
直到GPT-3.5，思维链开始变得重要。那时候我们在一些项目里比如LangChain（一个开源框架，允许AI开发者将大语言模型与外部计算和数据来源结合起来），已经是主要的贡献者之一。到 2023 年，我在日本做大模型训练，Hugging Face排名前6的模型里，有3个是我们做的，另外三个是Meta的。
那个时候，我觉得证据已经足够充分了——我要做推理模型。但在原来的团队里，我没有这个决策权。
不过在我看来，推理模型本身并不是终点。等认知模型出来以后，推理模型其实只是一个中间版本。这不是一个“新机会”，而是这轮大模型真正的主旋律。
铅笔道：所以你决定直接去做认知模型？
李笛：对。为什么认知这么重要？你可以从智能体的发展看得很清楚：一开始大家做智能体，很快就发现，先思考、再行动，比直接行动，效果要好得多。后来又变成边思考边行动，效果会更好。
你会发现，“思考”这件事情，对完成任务、提供洞察、辅助决策，影响非常大——无论是人还是模型，都是一样的。
但现在的推理模型，有一个问题：它的“思考”，很大程度上来自具体领域知识，和领域本身耦合得太紧。它不太容易把认知抽象出来。
举个例子，如果我是围棋高手，我所有的认知都来自围棋；但如果我能把围棋里的认知抽象出来，那在商业竞争中，我可能也会是一个不错的决策者。这就是我们想做的——把认知能力进一步抽象、泛化。
铅笔道：刚才说，推理模型是认知模型的中间版本，怎么理解？
李笛：这和大家对“推理”这个词的理解有关。假设我们说的推理是reasoning，它核心是因果关系，比如“因为A，所以 B”。相比思维链，它更结构化、更可靠，但它的体系性还是不够强。
而认知（cognition），一定具备泛化能力。一个完整的认知SOP（标准操作流程），包含你如何拆解问题、分析问题、解决问题，以及如何验证你是否真的解决了问题。这是一套带有“认知脚手架”的工具体系。
认知还要求高度自洽。你不太可能一边完全按照墨菲定律行事，一边又毫无冲突地使用另一套相反的认知模型。但在很多推理模型里，这种自洽性是模糊的。
还有一点很关键：认知是可以被追溯的。你可以知道一个观点是怎么形成的，而推理不一定。
铅笔道：为什么“可追溯”这么重要？
李笛：因为当模型开始给人建议、给人决策指引的时候，如果你不知道它这个判断是怎么来的，那是非常危险的。
比如我告诉你“你应该离婚”，这个决策从哪里来？如果你不关心来源，只是照做，那就出问题了。
我们内部有一个例子，就是俞敏洪那封公开信。几乎所有大模型都会告诉他“没问题，可以发”，但那其实会把他带进沟里。
还有一个区别是：推理往往依赖用户给定的需求，而认知不完全依赖。认知有可能发现用户自己没有意识到的问题。
俞敏洪不太可能在问模型时说：“你帮我看看，一线员工会不会反感？”如果他能问出这句话，说明他已经意识到了。但现实是，他不知道。
这正是认知模型有可能做到、而推理模型很难做到的地方。
铅笔道：直观理解的话，是不是说有很多个大模型，同时提供解决方案？
李笛：恰恰相反，如果你只是用很多个大模型，每一个大模型驱动一个智能体，比如用 GPT 驱动一个，用另一个模型驱动一个，看起来是多个智能体，但结果其实很有意思。
你会发现，这几个智能体差别并不大。因为它们虽然基于不同的大模型，但训练数据高度相似，本质上是“同构”的。你可以把它理解成，我自己跟我自己辩论。这样的辩论当然能发现一些表层漏洞，但我自己的盲区，我是弥补不了的。
所以问题不在“认知模型本身”，而在智能体的框架层（连接大模型与真实世界任务的中间层）。关键是要让不同智能体的认知是异构的，而且要让它们在认知过程中，始终和自己的认知特征保持一致，只有这样，它们才能真正互相弥补盲区。这才是群体智能的价值所在。
铅笔道：所以群体智能并不是“大模型叠加”？
李笛：对。群体智能这套理论，和大模型本身的技术路线，其实是两套完全不同的理论。
我们做的事情有两个技术基石：一个是来自大模型的认知模型；另一个是来自人类社会的群体智能理论。
群体智能解决的是一个问题：在多个智能体发生认知碰撞的时候，怎样让这种碰撞是有效的。
为此，我们系统研究了1800年到2020年之间，超过220年的人类群体智能相关论文，发现了很多反直觉的规律。
很多人会以为，群体智能一定是高度去中心化的。但我们发现，在这220年里，人类群体的智能“节点”确实在增加，但整体却呈现出熵减（混乱减少、变得更有序）趋势——也就是说，它会向少数关键节点收敛。这和很多人理解的“去中心化智能体”是完全相反的。
如果你把一个研究任务，平均分发给 100 个专家智能体，这种设计在大多数情况下是错的。它会让系统变得复杂、难以收敛，最后只会得到一个冗长但价值不高的综述。
我们在做情感模型的时候，是以人类为蓝本；在做认知模型的时候，同样是以人类为蓝本。人类作为一个迭代了上万年的群体智能系统，虽然速度慢，但在认知结构上，往往是最优解。
铅笔道：还是没太理解。换句话说，落到产品，是谁在给用户提供帮助？
李笛：我先说结构，它由两层构成。底层是一个认知模型，你可以暂时把它理解成一个比较强的推理模型；在它之上，是一个多智能体框架。在这个框架里，我们利用群体智能的方法，让智能体之间的形成认知层面的异构性，再进而产生有效的认知碰撞。
这些碰撞形式包括辩论、挑战、反思、投票等等，但关键不是形式，而是它是不是真实发生了认知碰撞。
很多时候，如果你让 AI 去“扮演角色吵架”，那其实是在演给你看。人类也是一样的——老板开会，大家假装有不同意见，但其实是无效讨论。
我们要避免这种“表演式辩论”。
在这个基础上，就可以形成不同类型的群体。比如我们有一个由75个智能体组成的研究团，它的目标是帮助用户做深度研究。
你可以把它对标现在的Deep Research。Deep Research很擅长旁征博引，但本质上仍然是综述；而真正的研究，需要新的洞察，以及洞察之间的碰撞，才能产生新的理解。
我们人类天生是异构的。两个人，即便学习的知识和成长的过程几乎一模一样，他们的认知也是差异化的。所以我们常常会忽略，智能体实际上天生是同构的，如果你什么都不做，他们实际上是同一个人。所以，搭建多智能体框架的时候，异构反而是最重要的环节。
铅笔道：能否来几个应用场景？
李笛：还有一个非常高频的场景，叫 ask for guidance，也就是请求决策。
从个人生活到工作决策，几乎每天我们都在面对选择：选哪所学校、选哪个工作、选哪个合作对象。查理·芒格说过，大多数决策失败，并不是运气问题，而是认知偏差。
问题是，人往往不知道自己不知道什么。
OpenAI之前统计过用户的提问分布，所有场景加起来，大约有30%的问题，本质上都是这种“难题”。这类问题通常没有明确答案，而是需要判断、权衡和决策。
这些问题的价值，远高于“喜马拉雅山有多高”这种明确的知识型问题。我们做的，就是解决这些难题。
铅笔道：这类问题，决策错误的代价很大。怎么确定群体智能给出的建议是可靠的？
李笛：我们主要看五个维度。
第一，视角完备性。你的回答有没有覆盖足够多的关键维度，有没有盲区。比如在情感问题里，很多用户的最终关注点，会从原本的情感问题收敛到“财产”上。但这个维度，可能用户在提问里并没有提到。这类关键变量或风险只能通过多智能体的认知碰撞被发现，然后才能进一步给出真正有价值的建议。
第二，隐含诉求满足度。用户几乎不可能一次性把问题说清楚。群体智能能不能在讨论过程中，把这些隐含的问题识别出来？
第三，辩证深度。是停留在推理层，还是能追溯问题的本质？识别出核心要素的二重性，比如优势在哪种情况下会变为劣势，如何取舍？
第四，落地实操性。不止要识别核心矛盾，还要做出可执行的预案和对冲策略。很多单一大模型的建议，看起来全面，其实像鸡汤，执行性很弱。
第五，决策可解释性。结论背后要模拟数据、多视角交叉验证，让结论具有不可证伪的坚实度。
我们用这五个维度，做大量盲测评估。在整体分布上，我们的群体智能系统，明显优于任何单一大模型。而同构智能体，往往还不如它所依赖的基础模型。
铅笔道：看过一种说法，人改变命运要从改变认知开始。
李笛：我觉得这是一个特别困难的事情。
我们过去提高认知，主要靠读书、学习方法论。但问题是：
第一，提升认知本身非常耗时耗力；
第二，即便你提升了，也仍然有大量盲区；
第三，它绝不是一蹴而就的。
我们做的不是“教你提高认知”，而是通过群体智能，快速把一个问题在不同认知侧面展开给你看。
这就像一个智囊团。智囊团不是老师，不是教你智慧，而是帮你在不提高自身能力的情况下，看到更完整的认知结构。
你要问我“人类怎么提升认知”。人类的方法，真的和 AI 很不一样。人类能够从知识的学习和训练中习得认知，AI也可以。但人类能把这些认知从相对应的知识中解耦、抽象出来，去泛化地解决更多问题。推理模型在这方面却仍然做得不好。
铅笔道：可以理解为，从知识平权走向认知平权吗？
李笛：没错，是认知洞察能力的平权。
这也是为什么我一定要to C——这项能力，应该平等地给到每一个人。那一天，我决定开始创建明日新程。
铅笔道：你第一次看到“群体智能真的涌现”的时候，是在什么时候？
李笛：真正打动我的，是我自己的群体智能。
因为我很清楚，每个人都有很大的认知盲区，我也不例外。在面对重要抉择的时候，我会问：我该听谁的？我听一个人，真的可靠吗？
我这个人比较轴，单个人是很难说服我的。但当我看到群体智能给我呈现出一个清晰、完整、可以追溯的结果时，我意识到——这是一个我可以信的东西。
这也是促使我创办明日新程、继续把这件事情做下去的关键时刻。
我更相信一千个案例的统计分布，而不是一个“惊艳样本”。
我的人生里，也因为认知盲区而做过很多愚蠢的决定，甚至包括使我失去了我的小冰。最近我常常在想，如果我很早就能有现在这样的服务，也许就能够避免那些损失。
铅笔道：今天在中国，甚至在全球，和你们做类似事情的团队还有哪些？
李笛：关于模型的核心是“认知”这件事，几年前其实并不是共识。
2023 年大家开始谈 CoT 的时候，这件事也谈不上完全共识。但到今天，如果还不认为“认知是模型核心”，我觉得就有点脱节了。无论是Kapathy，还是 Ilya（“理解就是预测，智能是对世界的高效压缩”），我看很多人都读过他们的访谈，那应该知道，如今认知是模型核心这一点正在成为共识。
所以我个人认为，认知模型之所以重要，是因为这是每一家大模型公司都应该重视的事情。
当然，大公司还有其他关注点，比如 MoE、多模态、更大规模的预训练、更好的强化学习，这些都很重要。但在我看来，最关键的主线，还是从 CoT，到推理模型，再到认知模型。
从另一个角度看，今天如果你不是做重多模态，训练模型对算力的要求，整体上反而比早期低；而且，真正懂训练模型的工程师和研究者数量，是大幅增加的。
训练方法这件事，已经变成“大家都可以做”的事情。所以我认为，每一家大模型公司都应该、或者已经在做认知模型。
但这只是问题的一半。另一半，是多智能体框架背后的群体智能。
这也是为什么我整体上并不太担心所谓的“竞争”。重点不是“只有我看到这个方向”，而是这个方向本身就应该被大家看到、被反复尝试，创新才会发生。
铅笔道：如果产品明年推出，会优先解决哪些用户最关心的问题？
李笛：我做的主要是智能体的框架层。原因很简单：我认为在大模型时代，未来所有丰富多彩的应用，最终都会收敛到一种最小单元——智能体。
如果你回到 2023 年初，会发现当时很多人认为：产品就是“下面一个模型，上面一个交互界面”，直接把模型㨃到产品里。
后来大家发现，肯定不是这样。它会收敛到多智能体，而且是异构的多智能体。
就像移动互联网时代，底层有多点触控等技术，但真正让应用爆发的，是App的框架层，而不是底层技术直接变成产品。从来没有过一个时代，是应用直接收敛到底层技术上的。
在大模型时代，我认为收敛到的最小单元就是智能体，而且一定是多智能体、异构的、多智能体之间基于群体智能发生认知碰撞。
这就是我在做的事情。你可以理解为，在我们的框架之上，上层应用可以非常明确地“套壳”，但这个壳不再是套大模型，而是套智能体系统。
铅笔道：呈现形式会是对话机器人吗？
李笛：不一定。
人和人是怎么协作的：有时候是在微信群里协同；有时候是会议；有时候是共同编辑一个文档。你把其中一部分人换成智能体，上层应用的形式本身是非常开放的。
铅笔道：对商业化是怎么考虑的？
李笛：我现在更关心的是，如何通过这个智能体框架，构建一套认知数据体系。
认知数据和传统知识数据完全不一样。知识数据是切片化的、静态的页面；而认知数据是过程型的。
比如我们今天采访，这不是一个页面，也不只是会议纪要，它前后都有连续性，是一个完整的认知过程。这种数据对于训练模型、对齐认知碰撞效果，非常关键。
所以商业化我并不是特别担心。如果你构建的是面向未来的基础设施，而上层应用又是可快速演化的，那商业问题反而不是最难的。
铅笔道：你之前做小冰的哪些经验是可以复用的？
李笛：很多。
第一，我们 2017 年就在做生成模型，当时其实已经有一些“模模糊糊的 CoT 雏形”。这让我们对新技术演进中真正关键的部分非常敏感。
第二，多智能体碰撞这件事，在上一个时代其实已经存在。2018 年开始，我们就在做多智能体，只不过当时不是基于大模型。
第三，是对隐含诉求的理解。用户的隐含诉求，不只是没说出口的理性需求，还包含大量情绪层面的期待，比如共鸣、被理解。
所以对隐含诉求的判断，绝不能只基于任务本身，而要放在一个更大的维度里看。这一点，是完全可以复用的。
众和策略提示：文章来自网络，不代表本站观点。
