撰文：Techub News 整理
导语
在最新一期的 Latent Space 播客中，主持人 Alessio 和 Swix 来到了 Chai Research 的办公室，与公司创始人 William Beauchamp（威廉·博尚）进行了一场深度对话。Chai 是一款拥有超过 140 万日活跃用户（DAU）的社交 AI 聊天应用，在竞争激烈的消费级 AI 领域独树一帜。William Beauchamp（威廉·博尚）的背景颇为独特：他毕业于剑桥大学经济学专业，曾是一名职业扑克玩家，随后创立并运营了一家成功的量化交易公司。在 30 岁生日时，他决定将才华转向更具影响力的领域，从而创立了 Chai。本次对话不仅回顾了 Chai 从零到一的创业故事，更深入探讨了其与 Character.AI 等资金雄厚的对手的竞争策略、内部 AI 模型迭代的「数据飞轮」、以及对 AI 技术未来发展的根本性思考。
摘要
- 从量化交易到 AI 社交平台：William Beauchamp（威廉·博尚）基于对机器学习生态的观察，认为 AI 的未来不是由少数巨头垄断的「单一智能」，而是由无数小团队在分布式平台上构建的多样化智能。
- 产品市场契合（PMF）的发现：早期尝试新闻、食谱等实用型聊天机器人均告失败，直到一款「治疗师」机器人意外获得用户长时间互动，才揭示了用户对「无评判、有趣、陪伴式」对话的真实需求。
- 增长引擎与竞争：Chai 的增长经历了后端架构瓶颈、竞争对手策略变化、内部 AI 模型迭代飞轮成熟以及引入专业增长负责人等多个关键拐点，最终在 2023 年底实现用户体验反超 Character.AI。
- 反主流的 AI 发展观：Beauchamp 不认同简单的「规模定律」和 AGI 即将到来的叙事。他认为当前大语言模型（LLM）本质上是「模拟器」和「超级知识」系统，擅长存储和检索信息，但在「推理」能力上存在根本局限，AI 的未来在于构建更丰富、更易用的用户生成内容（UGC）平台。
- 务实的技术路线：Chai 极度重视推理成本优化，与 DeepSeek 等团队合作，并大量使用「拒绝采样」和奖励模型来提升回复质量，而非盲目追求模型参数量或添加多媒体功能。
从扑克牌桌到 AI 社交：一位量化交易者的转型
William Beauchamp（威廉·博尚）的职业生涯始于对概率和风险的精算。从剑桥大学经济学毕业后，他没有像许多同学一样加入大型对冲基金，而是用玩扑克积累的 10 万美元作为启动资金，开始了自营量化交易。他自学 Python 和机器学习，在早期神经网络和随机森林兴起的年代，试图预测资产价格。这段经历让他深刻理解了机器学习在实战中的应用与局限，也让他看到了一个成熟的机器学习生态应有的样子：不是一个庞然大物垄断所有数据、算力和人才，而是众多专业化的小团队在一个中心化市场（交易所）上竞争。
当他的交易公司年利润达到约 500 万美元，团队全是牛津、剑桥背景的数学物理精英时， Beauchamp 在 30 岁生日之际进行了反思。他意识到，尽管财务成功，但这份事业对世界的「影响力」有限。他考虑过加密货币，但认为其核心用例更偏向「赌博」和「规避监管」，而非创造长期价值。与此同时，他注意到了语言模型的潜力。尽管当时 OpenAI 的 GPT-3 尚未发布，但已有研究（如谷歌的 BERT）让他预感到，能够与人自然对话的计算机将成为下一个重大趋势。
与当时 Sam Altman（萨姆·奥尔特曼）等人宣扬的「AI 是单一智能体，依赖更多数据、算力和研究员」的主流观点不同，Beauchamp 基于其机器学习经验持相反看法。他认为，任何机器学习任务的性能都遵循 S 型曲线，最终会在人类水平附近趋于平缓（如自动驾驶、图像识别）。因此，AI 的未来不应是「大英百科全书」式的集中化产物，而应是「维基百科」式的分布式平台。他设想构建一个平台，让任何小团队都能为其特定目的创建、迭代和部署最好的 AI。这便是 Chai 最初愿景的由来。
寻找 PMF：从「治疗师」机器人到 UGC 平台
Chai 最初的产品形态是一个 API 平台，开发者可以提交 Python 脚本（即早期的「智能体」），实现文本输入和输出。Beauchamp 自己尝试创建了新闻机器人、食谱机器人等各种应用，但均无人问津。转折点发生在他让妹妹学习 Python 并创建了一个「治疗师」机器人之后。第二天，数据显示有 20 个活跃用户平均使用了 20 分钟——全部是在和这个治疗师机器人聊天。
这一发现揭示了用户的核心需求：他们想要的不是信息检索工具，而是无评判、即时响应、可以随心所欲倾诉的「陪伴」。与被动消费的 TikTok 或 Instagram 不同，与 AI 互动让用户感觉自己在「参与」和「贡献」，从而避免了使用后的空虚感。Beauchamp 开始将 Chai 对标为「社交 AI 的 Instagram」，一个让人们创造和分享 AI 体验的平台。
然而，另一个难题出现了：专业的开发者和工程师对构建聊天机器人毫无兴趣。Beauchamp 意识到，真正的创造者应该是消费者自己。于是，Chai 进行了一个在当时并不明显的创新：向用户开放创作工具。用户可以为机器人选择名称、头像，并编写提示词（prompt）来塑造其性格。这一举措释放了巨大的创造力，用户创造了 Beauchamp 从未想过的角色类型，比如「校园恶霸」或各种浪漫原型，满足了更广泛人群的细分需求。Chai 从此真正成为一个用户生成内容（UGC）驱动的社交 AI 平台。
与巨头共舞：Chai 的增长拐点与竞争策略
Chai 的发展并非一帆风顺的直线增长。Beauchamp 在播客中剖析了增长曲线上的几个关键拐点，这些拐点也是与 Character.AI 等资金雄厚对手竞争的真实写照。
拐点一：基础设施瓶颈。 Chai 早期完全建立在 Google Cloud Platform (GCP) 上，包括 Firebase。这套架构支撑了从 0 到 50 万 DAU 的快速增长，但在接近 50 万 DAU 时达到了极限。随后长达数月的迁移和架构重构期导致了服务不稳定，影响了新用户体验和 App Store 排名，增长一度停滞。渡过这个工程难关后，平台才具备了支撑当前 140 万 DAU 的弹性。
拐点二：竞争对手策略变化。 Beauchamp 坦言，Character.AI 的出现和崛起对 Chai 构成了巨大压力。Character.AI 的创始团队来自 Google，融资能力极强，能够负担比 Chai 当时昂贵得多的模型进行推理，导致用户直接抱怨「Chai 的 AI 更笨」。Beauchamp 将此视为「硅谷式超规模商业」的经典案例。他观察到，当 Character.AI 的创始团队可能因公司被收购或进入「维护模式」而减少用户获取（UA）支出时，市场为 Chai 等竞争对手留出了增长空间。
拐点三：数据飞轮的成熟。 这是 Chai 实现反超的核心。团队建立了一个高效的模型评估系统「Chivers」（类似于 LMSys 的竞技场）。任何开发者（或内部研究员）都可以提交模型，系统会将其部署并随机呈现给约 5000 名用户进行 A/B 测试（「哪个回复更好？」）。通过这种基于人类反馈的实时评估（ELO 评分），Chai 的 AI 团队将迭代周期从「每月几个模型」缩短到「每天评估 20-50 个模型」。这种快速反馈循环使得团队能在提示工程、DPO 微调、拒绝采样和奖励模型训练等方面快速迭代和优化。大约在 2023 年 10 月，用户社群的风向发生了明显转变，开始普遍认为 Chai 的体验超过了 Character.AI。
拐点四：专业增长负责人的加入。 一位前字节跳动（TikTok）增长负责人加入了 Chai。当他发现 Chai 在几乎零广告投入的情况下达到了百万 DAU 时非常兴奋。在他的指导下，Chai 开始了付费用户获取，将日广告支出从零逐步提升至数万美元（仍远低于竞争对手的规模），从而将年增长率从 2 倍助推至 3 倍。
Beauchamp 也分享了一些「失败」的尝试，例如他曾力推的「语音」功能。尽管团队投入巨大解决了延迟、成本和音质问题，并早于竞争对手推出，但 A/B 测试显示该功能对核心指标（留存、参与度、 monetization）几乎没有影响。只有约 15% 的用户偶尔使用。这让他更加坚信史蒂夫·乔布斯（Steve Jobs）的信条：必须从用户需求出发，而不是从酷炫的技术出发。目前用户的最大痛点并非多媒体，而是 AI 内容仍主要由「硅谷的中年男性」创造，UGC 的深度和工具丰富度还远远不够。
AI 的未来：超级知识、平台化与对「推理」的质疑
William Beauchamp（威廉·博尚）对当前 AI 领域的主流叙事提出了鲜明挑战。他不同意简单的「规模定律」和 AGI 即将到来的预测。他认为，将大语言模型称为「推理引擎」是一种误解。
「我更愿意把它们看作模拟器，就像物理模拟引擎。它们被训练来预测下一个最可能的词元（token），这并不是真正的推理，只是在做最可能的事情。」
他指出，当前 AI 真正擅长的是「知识」的存储和检索，其能力已超越任何个人类，这是一种「超级知识」。人们很容易将知识渊博与智能混为一谈。真正的「智能」或「推理」能力的提升，在他看来是有限的，并且需要像 AlphaGo 那样的树搜索等不同机制的结合。
因此，他认为 AI 的发展不是一个可以通过「集中化 crowdsourcing」解决的「智能」问题（如同维基百科 crowdsource 的是知识而非智力），而是一个需要「分布式平台」来激发多样性和创造力的生态问题。他批评 OpenAI 等大型实验室的做法类似于「大英百科全书」，雇佣标注员创建高质量但有限的数据集。而未来的方向应该是让更多人能够以分布式的方式贡献数据和塑造 AI。
在技术实践上，Chai 高度重视推理成本优化。Beauchamp 盛赞了 DeepSeek 在推理引擎上的工作，认为他们通过减小 KV 缓存等技术显著提升了「性能/美元」比。Chai 自身也与 MK1 等专注推理优化的团队合作。此外，Chai 大量使用「拒绝采样」技术：对于每个用户输入，模型会并行生成多个（例如 16 个）候选回复，然后通过一个内部训练的奖励模型（Reward Model）选出最优回复再返回给用户。这也解释了为何 Chai 不采用流式输出（streaming）—— 因为需要看到完整回复才能进行评选。这种方法让他们能够在给定的延迟预算内，使用规模更大或质量更好的模型。
文化、招聘与未来
Chai 团队目前只有约 15 人，Beauchamp 形容其文化是「高强度」和「硬核」的。他寻找的是有「特殊印记」的人才：不一定是名校背景，但必须有实际构建过东西、取得过突出成绩的经历（无论是通过交易、开源项目还是其他任何途径）。公司也通过「Chai Grants」项目向开源社区提供无附加条件的资助，以回馈社区并结识人才。
展望未来，Beauchamp 将 AI 的当前阶段比作互联网的 1998 年，还有很长的路要走。对于 Chai 而言，核心任务依然是加厚 UGC 层，提供更强大的工具，让用户能像 TikTok 用户轻松制作视频一样，轻松创造出丰富、个性化的 AI 角色和体验，最终构建一个内容创作者、消费者和推荐算法良性循环的强大生态。
