PowerMind 访谈总结笔记

一页速览

人物Kevin丁

年龄32岁（94年）

背景前阿里云工程师

教育伦敦国王学院（KCL）

公司PowerMind

赛道RL Service / 后训练即服务

融资天使轮：高瓴 / 百度风投 / 蓝驰

团队20+人

PSAT已初步跑通PMF

核心观点

1AI下半场有两种路线：中心化大模型 vs agent蜂群（服务化）。坚定选择服务化路线，因为场景无穷无尽且持续新增。

2服务化路线必然成立：需求一直都在且持续增长，用有限参数模型泛化无限场景不现实。

3R3（自动化RL）热度上升是因为agent变多了：当一个人带几十个agent，无法逐个维护，必须让agent有自我迭代能力。

4RL Service只解决了一半问题（训练+奖励），需要进化到 Auto RL / 自运营RL，让管线自动跑起来。

产品双引擎

① PowerMind Studio

训练infra服务化，提供逻辑节点让开发者配置训练参数，无需关心物理机实现。支持从单卡到多台的横向扩展，扩展工作由平台完成。

② EchoMind

全自动RL管线，通过一个proxy URL接入agent。自动抓取轨迹 → 构建数据集 → 奖励结构 → 训练 → 部署回流，整个过程包在EchoMind背后。

关键数据

20+

团队规模（人）

2位

FD支撑十几个B端客户

23%→8%

质检误报率（1万张样本）

+10%

Bench表现提升（Para）

-20%

成本节省（Para架构）

百万+

单体客户付费区间（人民币）

典型案例

质检Agent客户
下游部署量大，不断回收用户需求。第一阶段只提供RL Service（Studio），客户仍需投入人力做训练。第二阶段切入EchoMind，让"奖励→训练→部署"自治，将误报率从23%降到8%（约1万张样本）。

工业工艺（电镀）
产线上有一批参数需配置，老师傅靠经验调参。后训练目标是把人做事的经验迁移到模型，将品控波动降下来，且增量数据越多，模型越可能超过人的水平。

PCB电路图设计软件
绝大多数基模在预训练阶段没见过这类样本。用再大的base model做harness也很难解决，必须修改模型参数本身——这是需要后训练的根本原因。

商业哲学

选择场景的三条准则
① ROI必须可衡量
② 不偏离研发主线（多模态）
③ 场景在企业内/跨企业具有扩展性

定价模式
Studio按GPU资源计费（自助式）；EchoMind按场景价值计费，以"扩"（credit）为资源单元。高价值场景消耗大，小场景消耗小。

T字形FD结构
FD只做前半段：接回需求。后半段交付由通用产品完成——让生产数据回流、不断改进模型表现的RL管道。工作负载大幅下降。

竞争与格局

公司	路线	特点
Play Computer	企业纵向全覆盖	做所有agent和AI基础设施，重模式
Trajectory	只做训练，横向扩展	与Mara/Claude/Harry合作，与PowerMind相似
PowerMind	横向，无状态，模态统一	强调奖励结构复用，跑飞轮
Tinker (Thinking Machine)	RLA API	与基模强绑定，跨基模迁移有成本

PowerMind的Para架构与基模解绑，更灵活。

技术深度

1公域/私域问题：公域=基模baseline不错，用worker model做特定训练；私域=基模无法解决，需要专用模型。

2Para架构：4B小模型+任意base model协作，小模型在端侧推理成本为零，负责简单问题和路由；base model处理复杂问题。

3奖励信号：正确性 + 成本（已开源），隐私奖励项（未发布）将做敏感token遮挡。

4无状态管道：环境与生产上下文解耦，把奖励结构做成可跨场景复用的模块。

"如果你不修改模型参数，天花板是存疑的。到了深度问题之后，很多问题不通过训练解决是完全做不到的。"

—— Kevin 丁

"数据进来，模型还回去。我们的管道是无状态的，交付的是提升后的模型。"

—— PowerMind 的核心交付逻辑

"团队里不同视角的输入，都是自带奖励信号的。多目标奖励下提炼出的结果，可能就离真相很近了。"

—— 关于内部论证

行动建议

1从需求侧出发：先找ROI可衡量的场景，用结果说话（如质检误报率），客户只问"需要付出什么、能得到什么"。

2统一模态构建奖励网络：跨模态构建奖励有巨大挑战，同一模态下迁移性是成立的，复用大于重建。

3建立无状态管道：把环境与生产上下文解耦，做成可以横向扩展的产品，而不是被客户绑定。

4让FD做"T字型"工作：只承接需求，交付由通用产品完成，用自动化RL管道替代人力。

结尾总结

PowerMind正处在RL服务/后训练即服务的赛道拐点上。从RL Service到Auto RL的演进，是客户需求和产品逻辑共同推动的结果。

通过Studio + EchoMind的双产品结构，他们将训练基础设施服务化，并将整个RL流程打包成无状态管道。

核心差异化在于：模态统一的奖励网络 + 横向可扩展的架构，以及"数据进来、模型还回去"的清爽交付模式。

下一步里程碑是让Para获得社区主流的认可——不是只看benchmark，而是在生产场景中真正解决问题。

RL Service 后训练 Auto RL Agent蜂群 Para架构多模态工业质检

CuteNote.app 颜值笔记生成

PowerMind 创业访谈