赵文渊重新提起训练的话题。

    “韩总，刚才的数据质量可以，但方向上只和开物这个代码生成场景有关。所以咱们这个原型产品，是打算把天工重做一遍？”

    韩路一摇头：“做原型的时候，不会只用开物的数据。”

    赵文渊一愣，问：“刚才那两百条标注，不都是标注里来的？”

    “专门给你看质量的。既然质量达标，就按这个标准来。”韩路一说，“我们要做的是通用对话模型，得让它理解各个场景下的意图，只和代码生成有关不够；天工开物积累下来的这些和代码相关的数据也不够。我们需要更多元化、多维度的数据。”

    赵文渊心里先认同了。这话倒是没错，好数据能带来好结果，多维度的数据能提高多维度的能力。

    但是——

    “你以前在谷歌的时候有经验，他们是怎么做的？”韩路一打断他的思路，问道。

    赵文渊想了想，回答：“这条数据管线已经是标准流程了：先是海量采集，爬虫抓来的，加上授权数据源，恨不得把整个互联网都存下来；然后再清洗、去重、去噪，砍掉百分之八九十的垃圾；最后一步才是标注。以前都外包给非洲的团队，最近几年好像趋势变了，不过我也有段时间没做了。”

    韩路一听了，不禁咋舌。

    以前是黑人种植园，现在是黑人标注员。虽然换了个名字，压迫的本质倒是没有什么变化。

    赵文渊看他一眼：“做原型的话，找个开源模型做基础，微调就行，前两步都不用做，只做最后一步标注。后训练至少需要五千条高质量标注，就算找外包，两三周能赶得出来，但是质量——”

    话没说完。开源语料找外包标注，与韩路一刚才给他看的质量相比，一个地下一个天上。他再自信于自己的技术，也不敢说这么做出来的东西能出去拉投资。

    “我也是这个想法。你放心，数据交给我，保证都是刚才那个质量。”韩路一说。

    赵文渊狐疑地看他一眼：你知道自己在说什么吗？

    开物的数据能标，是因为你有数据源：用户的使用场景、前后几轮交互，以及最后接受的结果全都在里面，才做得出这种程度的标注。

    开源语料有什么？

    赵文渊尽量让语气不那么冒犯：“开源数据谁都能拿到，标注出来也都大差不差，我们恐怕做不出什么亮眼的成绩。”

    好问题，我自有办法。

    韩路一看他不信，也不再多解释：“总之交给我，你先搭训练管线就行，到时候看数据质量。”

    两人聊完，赵文渊回十三楼继续工作去了。

    韩路一坐在原地，盘算接下来的计划。

    赵文渊说得没错：开源语料谁都能拿到，标注出来都大差不差，但那是对普通标注员而言。

    数据标注到底是什么？说白了，数据标注就是做阅读理解。给你一篇文章，问“这个人到底想干什么”，标注员写一个标准答案。

    就像赵文渊刚才说的，现在业内是流水线作业：清洗管线负责清洗数据，标注员拿到手的已经是规范化文本，连数据从哪来都不知道；他们要做的，是在文本上标意图标签。一篇三千字的新闻报道，最终可能只变成一句话的意图标签。

    但有时候，标注员忽略的、甚至原本就看不到的那些细节，却恰恰是韩路一最想要的。

    举个例子：有用户在论坛发帖，问怎么跟父母开口，说自己不想回老家工作。

    几百字的帖子，标注员提取的意图标签是“如何说服父母接受个人职业选择”。

    但其中有一句话，在视界下看才是更重要的因素——“我爸上个月刚退休”。

    父亲刚退休，想让儿子回到家乡，这真的是一个职业选择的问题吗？

    文章里没有提到：父母对儿子提出需求的契机，到底是什么？

    这时，如果儿子去问AI，他真正需要的答案，是一套标准的说服技巧吗？还是帮他看穿层层迷雾之下——一个刚空出许多时间的老人，对家庭关系的情感需求？

    “如何说服父母接受个人职业选择”这个标注，恐怕连问题的方向都没有找对。

    给定的原始语料越精简，视界反而越难从中发现信号，因为信号往往就在被忽略的细节里，在被普通标注员当作噪声精简掉的部分里。

    所以韩路一要做的，是用视界把那些别人当成噪声、实际却真正相关的上下文筛出来，再配上准确的意图标注。

    同样一条数据，别人标注出来是一句话，韩路一标出来的却是当事人所有的心理需求。

    这个能力，点石成金。

    和赵文渊聊完之后，韩路一又去了趟司衡律师事务所。

    顾司玥在办公室里等着，桌上摆着两杯英式红茶。

    韩路一坐下，端起红茶喝了一口，味道还行。

    顾律师最近喜欢喝红茶吗？他不着边际地想。

    顾司玥问：“怎么，什么事电话里不方便说？”

    韩路一把情况讲了一遍。

    他准备做一家独立的模型公司，核心团队从源码抽调——所谓团队，主要还是赵文渊一个人。

    他的主要问题是：他本人和赵文渊能不能同时在两边任职？

    顾司玥听完点头，起身从柜子里找出源码科技的合同档案。

    源码科技A轮协议是她审过的，赵文渊的劳动合同、期权协议都是她拟的，这些条款她比韩路一自己还清楚。

    翻了一会儿，顾司玥打开其中一页，放到韩路一面前。

    “先说赵文渊，他的情况简单。”顾司玥从旁边抽了张便签纸，拿笔在上面画了一条线，“竞业条款要生效，得源码主动起诉。你是CEO，你会告他跟你做新项目吗？”

    “当然不会。”

    顾司玥看了他一眼，在纸上写了两个字，又在上面画了个圈。

    “还有下一个隐患：期权。赵文渊在源码的未兑现期权有百分之三，第一批要一年后才解锁。”

    顾司玥在纸上写了个数字：六千万。

    “按源码二十亿的估值算，百分之三就是这个数。”她放下笔，“他才入职不到两个月，一股还没到手，只要离职就全部作废。”

    “那如果不离职呢？”韩路一问。

    “不离职的话，法律上有忠实义务的问题，员工不能为第三方提供核心技术服务。但和竞业一样，这是民事责任；源码科技作为主体不提起诉讼，就没人追究。”顾司玥说。

    “那就是没问题了？”

    “是现在没问题。”顾司玥强调“现在”两个字，接着说，“有问题的地方在后面：弘远在董事会有席位，有权审查公司运营和重大人事变动。如果有一天他们发现，你的核心技术负责人在给你的体外项目干活——”

    顾司玥看了看韩路一，把风险一条条列出来：“到时候他们会要求你解释；同时，可以要求赵文渊终止活动，或者直接在董事会上提出解雇赵文渊；他们甚至可能质疑你这个CEO没有在全职工作，而提请罢免你——当然，以现在的股权分配看，这个不太可能实现。”

    “既然说到这，再说说你的情况吧：你是CEO加大股东，在A轮投资协议里还签了全职承诺条款。如果你同时实控另一家公司，就属于技术性违约。严格来说，投资人可以要求你限期整改，甚至可能触发回购条款。”

    韩路一等着她的“但是”。

    顾司玥果然有“但是”：“不过，实操中，投资人几乎不会因为全职条款违约就走法律程序——太伤关系，也会严重影响公司正常运营。”

    “法律上你的处境比想象中好，只是要注意一件事：新公司和源码的资产一定要分得很开。”

    “为什么？”韩路一问。

    顾司玥没回答，转而问：“你知道当年鼎支付从鼎盛体系里分拆出来的事吗？”

    “听说过一点儿，但那也太早了吧。”韩路一说。印象里，那至少是十年前的事。

    顾司玥点头，继续说：“是2011年的事，我们学商事法几乎一定会学这个案例。当时吕云把鼎支付从鼎盛集团转到他个人控制的内资公司，鼎盛的投资人作为大股东事先完全不知情。这事在当时闹得很大，尤其对吕云本人的评价更两极：支持的人说他有远见，分拆是为了符合支付牌照要求，牌照拿不到手，鼎支付早晚也干不下去；反对的人说他吃相难看，拿监管当借口，把公司最值钱的资产搬进自己口袋。”

    “这件事的影响一直到今天。每个公司做业务分拆时，投资人都异常紧张，怕又是旧事重演。”

    顾司玥讲完，看向韩路一：“吕云当年能把这件事做成，靠的是他在鼎盛内部说一不二的威望。即便如此，他还是付出了巨大的信任代价。你想清楚了？”