鼎盛大厦，四十九层，郑晓波的办公室里。

    程远和刘大海并排坐在沙发上。程远的膝盖上放着一个黑色文件夹；刘大海依旧穿着灰色连帽衫，空着手，什么也没带。

    郑晓波坐在两人对面，开口道：“说说吧，昨天的会开得怎么样，复盘一下。”

    程远翻开文件夹：“郑总，是我没做好，整个会议都没在我的节奏里。”

    郑晓波没接话，倒没料到他一上来先认错。

    “他们不是为了万物生和开物的事情来的，为的是另一件事。他们自己带了一套方案，想让咱们用算力折算投资，换股。”

    郑晓波问：“换股，换的什么股？”

    “不是源码科技的股份。韩路一打算成立一家新公司，专门做通用基座模型，换的是这个新公司的。”

    郑晓波冷笑一声：空手套白狼啊。

    可他们要的不是钱，而是算力？难道真想做点东西出来？大模型？就凭他们？

    程远见郑晓波的注意力没再停在谈判不顺上，便知道自己这口锅已经甩掉一半。

    毕竟对方想谈的，和我们预期本就不一样，自然不会再按预定节奏走，非战之罪。

    随即，他翻到第一页做了标记的位置，开始复盘：“刘博士先做展示，他们反应很平淡，随后直接给我和刘博士来了个反向展示。”

    “反向展示？什么意思？”郑晓波问。

    程远看了刘大海一眼：“技术细节我不太懂，还是让刘博士说吧。”

    郑晓波看向刘大海：“大海博士，你来讲讲？”

    刘大海没听出这段对话里的弦外之音，老老实实开口：“我先给他们展示坤元，他们却突然拿出电脑，说自己也做了一个模型，想让我们也测一测。我心想，测就测呗，正好看看效果。一共测了三道题，都是和坤元一起跑的——”

    说到这里，刘大海嘴里泛起一股苦味，昨天那阵不好的回忆又冒了出来。

    任谁带着团队辛辛苦苦干了好几个月，成果却被人碾压，心里都不会好受。

    刘大海接着说：“三道题，他们那个小模型都比坤元表现得好。随后我要了跑分，意图理解这一块，他们跑到85。”说完，他看了郑晓波一眼，估摸郑总未必清楚这意味着什么，又补了一句：“咱们坤元是78。”

    郑晓波挑了挑眉：效果竟然这么好？

    他的第一反应却是：程远和刘大海别是被人骗了吧？

    “这技术会是真的吗？有没有可能是在骗我们？”郑晓波问。

    作为鼎盛这家科技巨头的掌舵人，郑晓波不必懂技术细节，却必须对技术边界保持敏锐。

    什么做得到，什么做不到，什么现在做不到、将来却可能做得到，他必须清楚，才能更好地作战略判断。

    刘大海摇头：“我一开始也寻（xin）思过，可他们这个应该是真东西。”

    程远看了刘大海一眼：技术负责人既然已经背书，他肩上的锅就更小了。

    “会不会是过拟合？”郑晓波追问。

    刘大海一愣，没料到郑晓波能问出这么专业的问题。

    刘大海是首席科学家，职级虽高，平时却大多向直属副总裁汇报，直接向CEO汇报的机会并不多；因此，他头一回知道郑晓波对机器学习也有涉猎。

    过拟合并不是大模型时代才有的新概念。

    机器学习里，数据通常分为训练集和测试集：训练集用来学习规则，测试集用来检查结果准确度。

    这里有个小诀窍：不能直接用训练集测试模型能力，因为它会把答案背下来。

    这就像教小学生加法：教一加一，考一加一，你分不清他是背会了还是真会了；教一加一，考二十三加十九，才能验证他是不是真会。

    所谓过拟合，就是测试题答案已经被模型背过时，测出来的分数会虚高。

    刘大海组织了一下语言，答道：“郑总，这事我也想过，但应该不太可能。昨天那三道题来源各不相同：第一道来自鼎盛内部题库，有可能泄露；第二道是我昨天现挂的；第三道出自我的私人题库，公司里都没几个人见过。这样看，提前准备过的概率实在太低。”

    说完，他咂了下嘴，语气里混着钦佩和不甘：“咋说呢，这个85的意图理解，就算有虚高，比坤元领先一些是肯定的。”

    听完，郑晓波沉默了片刻。

    对面的刘大海和程远都不敢吭声，眼观鼻、鼻观心，一动不动，像两个入定的老僧。

    良久，郑晓波开口：“你们觉得，这个技术值得投资吗？”

    刘大海脱口而出：“值得，太值得了。”

    作为纯粹的技术人，实事求是是第一位的；刘大海不会因为东西是别人做出来的，就故意贬低它。

    程远犹豫了一下，没有作声，他还拿不准郑总的意思。

    郑晓波又问：“大海，他们是怎么做到的？你有什么想法？”

    刘大海伸手摸了摸光头，缓缓道：“郑总，不瞒您说，我昨晚几乎一宿没睡，一直在想这事。”

    程远瞟了他一眼，心说：技术人的邀功，还是直白了点儿哈。

    刘大海接着说：“我自己想了几个方向。我觉得他们没跳出Transformer的架构，而且拿出来的还是个小模型。现阶段，模型性能要有这么大提升，要么靠大参数，要么靠质量特别高的数据，没有第三条路。”

    “大参数可以最先排除：他们来要的就是算力，这方面肯定不占优势。”

    “意图理解这条赛道，OpenAI的GPT是公认的天花板，也就78分出头。他们拿一个开源的7B架构，参数量只有人家的零头，跑出85.2。郑总，这么跟您说吧，这就好比我们县城中学的一个学生，高考分数比全省状元还高三十分。”

    刘大海边说边留意郑晓波的表情。

    技术人给领导汇报，既怕技术细节说多了领导听不懂，又怕说少了、说简略了领导不满意，只能小心翼翼，随时调整。

    “我能想到的唯一解释是：这个县城学生用的根本不是普通课本，而是一份全世界别的学生都没有的黄金复习资料。”

    程远插了一句。

    他没听懂，这倒没关系；他主要怕郑总也没听懂，而这种问题不能等郑总来问。

    “刘博士，不好意思，你这个比喻指的是什么？”

    “是标注数据。”刘大海也意识到说上头了，赶紧收回来，“郑总您应该了解，我就简单说说。”

    “咱们做模型训练，主要分几个阶段：先是预训练，这个阶段就是堆语料，恨不得把互联网上的东西全给它整进去。”

    “第二步是监督微调。第一步训出来的模型好坏不分，微调相当于给它看作文范文，教它分明白啥是好赖话儿。”

    “再往后还有对齐阶段，这个先不聊了。”

    说到这儿，刘大海叹了口气，继续道：“郑总，咱们做乾元的时候，占了数据量特别大的便宜，效果才好。现在做通用模型，大家用的语料差不多，互联网就那么多东西，你抓我也抓。真想拉开差距，还得看后训练阶段。”

    “所以我说，那个……对方效果能做到这么好，一定有好的标注数据。”

    刘大海把韩路一的名字忘了，公司名也忘了，只好中途改口。

    不行，回去得查查这个公司，还有那个叫赵文渊的技术负责人，看看他的论文。

    能训练出这种水平的模型，不可能在学术界默默无闻。

    一直沉默听着的郑晓波突然开口：“Scale AI。”