Knowing What Your Customers Want, All the Time: Listen Labs' Alfred Wahlforss

我们的目标是把受众规模扩展到十亿人，然后能够对他们进行分层，并准确知道这个人究竟擅长什么。甚至可能是像 sneakers 这样的东西。你会有一些人是 influencers，也算是 early adopters。如果你能先找到这类受众并先采访他们，得到的洞察就会更有价值。而且我们也能从我们做过的所有访谈中持续学习。

随着我们在平台上进行越来越多的访谈，我们会为人们建立 profile（画像），然后就能搜索并找到合适的人。

好，今天我们请到了 Listen Labs 的 founder and CEO Alfred Wolfforst。Listen 是一个 AI first 的客户研究平台，能够同时运行数千场语音访谈。你们大约一年前上线，现在已经服务了 20% 的 Fortune 500，其中包括 Microsoft、Anthropic、Sweetgreen、NBC 等知名品牌。Constantine，我今天非常期待和你坐下来聊聊市场调研，以及它正在如何被 AI 改变。

好的。感谢邀请我来。

也许我们先从这里开始。你们正在打造一个由 AI 赋能、能够规模化 market research（市场调研）的平台。这具体是什么意思？

是的。我们有这样一个 AI agent，能比你自己更了解你的客户。而我们做到这一点的方式，就是去和他们交谈。举个例子，你可以问一个问题，比如，怎样改进 KRSUS onboarding？然后 Listen 会创建一份 interview guide，也就是给 agent 用来执行访谈的说明。

然后我们还有一个 audience。我们有 30,000,000 名参与者。我们几乎可以找到任何人，从 oncologist 到 software engineer；接着我们会真正去和他们交谈，做数百场这样的访谈，然后分析数据，给你建议。而我们将在未来几个月刚刚推出的最后一步是 simulation。也就是说，当你已经在平台上完成了成千上万次访谈之后，你是否能预测你的客户未来会如何回答问题？

换句话说，随着我们越来越接近 AGI，构建东西会变得更容易，但真正困难的部分将是知道该构建什么。而这正是我们在 Listen 所做的事情。

太棒了。你有没有什么最喜欢的客户案例？

有啊。Chubbies 是我们的客户之一。

就是那个卖短裤的？

对。他们算是我们比较早期的客户之一。

他们用你们做什么？

他们什么都用我们来做。所以有很多 marketing（市场营销）测试，比如测试衬衫，以了解哪些产品表现好、哪些不好。然后我最喜欢的一个例子是，他们发现胸毛会和他们某一种面料产生很差的 interaction（交互影响）。所以穿他们其中一款衬衫会特别不舒服，后来他们改了这款衬衫，舒适度就有了非常大的提升。所以我们看到的既有小事也有大事，Manscaped 就根据来自 Lissanne 的洞察，修改了他们的 Super Bowl 广告。

所以

这个我倒是没听过，不过我就不追问了。

厉害。所以你们把男性毛发护理市场都覆盖了。

是的。那就是我们的细分领域。

从塑形到服饰。没错。哇。

我们也做别的事情。Skimps 是我们今天早上的客户之一。

你是在 Trader 上听到的。

我不知道你在说什么，但我能通过上下文线索理解。那太棒了。正如你刚才所说，随着我们越来越接近这个 AGI 未来，我很想理解的一点是：我一直以来其实都对 survey（问卷调查）非常怀疑，因为人们是拿钱去做 survey 的。所以这里天然就有 selection bias（选择偏差）的问题。人们说自己会怎么做，或者他们描述自己会如何表现的方式，往往和他们在实际中真正的行为并不一样。

所以我想，我属于这样一种观点流派：真实世界里的实际 telemetry（行为遥测数据）比起去问人们“他们会怎么做”要重要得多。所以我很好奇你怎么看这一点，以及你认为 AI 或 Listen Labs 能如何帮助弥合这个差距。

是的。我们在这方面做了很多研究。比如说，关于 survey，我们做过的一件事是：我们回头去找同一个人，再次让他做一份 multiple choice（多项选择）survey，结果他们前后非常不一致。所以即使你回到同一个人那里，用选择题的方式问同一个 survey 问题，他们的回答也会更加不一致。但我们也用 listen 做了同样的事：当你真的需要思考、需要认真推理自己的答案时，人们至少在回答同一个问题时会一致得多。

另外，我们也在持续跟踪。比如和 Chubbies 合作时，当我们测试他们不同的 charts（图表/方案）后，几个月之后我们会回头看：它在实际 sales data（销售数据）中的表现到底如何。我认为这取决于不同的 use case（使用场景）。我同意 AB test（A/B 测试）某种程度上算是 holy grail（终极标准），但在实践中要把它做好真的非常困难，因为你需要非常大的用户量。而且，与其完全没有输入，拥有某种形式的输入终究还是很有价值的。

Listen 会做 voice to text 吗？也就是说，实际回答问卷的客户可以直接说出答案，然后由你们来转写？它也会做 text to voice 吗？这是一个双向对话。对于用户体验来说，Listen 一开始是从什么开始，最后又是以什么结束的？

会的。所以本质上，这就像你和 agent 进行的一次 Zoom 通话。你会出现在视频里，同时系统也可以检测他们的情绪。所以，这是弥合“他们说了什么”和“他们实际上怎么想、怎么感受”之间差距的另一种方式。它会看你的眼神、你表达时的方式，而这就更接近你在真实世界中的实际行为。

那你们有没有发现，像 Sonya 提到的那样，把一个人的脸、情绪、声音等等都纳入进来，实际上会带来更高的参与度、真实性？我们有没有做过任何研究，或者至少有没有一些数据能指向这个方向？

有的。特别是在 advertising 方面，这个优势非常大，因为你可能会让人们在 Likert scale（李克特量表）上作答——比如五个可点击的问题，像“你是否非常可能购买这个产品”——但相比之下，即使某人在这类问卷题上的分数很高，如果他同时表现出非常强烈、非常热情的反应，那通常意味着实际表现会高得多。我们也看到，这类广告随后在 performance marketing 中的表现确实更好，比如在 Meta 和 LinkedIn 上。

如果你是客户，你委托做了这件事，也拿到了所有这些反馈，那么你是否真的可以点进去，在你想要那种细粒度信息的时候，直接观看访谈？可以。所以我们构建了

这个平台时就是围绕 traceability（可追溯性）来设计的，因此对于每一个 data point（数据点），你都可以随时点进去查看视频，或者看到对应的引述。这样你就知道 AI 不是在幻觉式地编造它的来源。太棒了。

明白了。

你当初是怎么想到要做这个的？

所以我和我的 co-founder（联合创始人）当时实际上做了一款面向消费者的 app，它后来怎么样了？它火了，直接 viral（爆红）。它叫 a Bfake。你可以创建一个自己的 AI avatar（AI 虚拟形象）。那算是 chatty bitty images 的一个早期版本，你还可以 fine-tune stable diffusion，然后把自己放进那个世界里。

后来它就传播得非常快，一夜之间我们有了 20,000 名用户。与此同时，我们也在试验各种不同的 AI 用法。所以我们给自己做了一个 AI interview（AI 访谈），因为我们当时有很多问题想搞清楚——我们的 churn（用户流失）很高。所以我们想理解用户为什么流失、他们怎么看我们的 positioning（定位），以及不同的 use case（使用场景）。

结果它对我们非常有用，我们也就是这样开始的。

也许你可以带我们梳理一下，在 Listen Labs 出现前后，这个行业是怎么变化的。比如说，过去如果你有一个拥有 20,000 用户的 app，你想了解用户是怎么使用这个 app 的、他们接下来想要什么、他们为什么流失。从历史上看，人们通常是怎么做这件事的？

是的。我们发现，一方面有一些 survey tools（问卷工具）已经非常 old school（传统）了，比如 Qualtrics；但另一方面，也存在一个非常庞大的服务行业，因为这件事会变得越来越难，尤其是如果你做的是 market research（市场调研），你想交谈的是 prospective customers（潜在客户），而不是现有客户。随着规模扩大，这件事会越来越难。所以这是一个数十亿美元级别的行业。他们所做的事情之一，就是设计要问的问题，而这本身就是一门很学术的课题。

实际上这真的很难。比如说，像你提到的那样，怎样提问，才能真正触及一个人实际会如何行动？你不能只是直接问一句：你愿意为这个付多少钱？有些 methodology（方法论）就是比另一些更有效。再到 audience（受众）筛选，你要如何找到这些参与者；然后还要去分析数百通这样的通话。在传统行业里，比如 CPG，甚至在 Microsoft，他们会花几千万美元做 focus groups（焦点小组），把人召集到一个房间里进行访谈，而我们可以帮助把这个过程大幅加速。

好的。所以这就是过去这个领域的老做法。那也许你可以讲讲新世界是什么样的。在我看来，第一层的好处似乎很明显：它大概更容易 scale（扩展），也大概更有 cost-effectiveness（成本效益）；但可能也还有一些没那么显而易见的好处。

不如谈谈其中一些好处：当你真正以 AI first（AI 优先）的方式来做 market research（市场调研）或 customer research（客户研究）时，体验到底是什么样的？

是的。所以，大多数做出的决策其实都不是基于客户输入（customer input）。对吧？原因在于，哪怕只是和客户聊一聊，这件事本身的阻力都很大。所以，当你能降低与客户交谈的门槛时，你最终就会做出聪明得多的决策。

所以，速度优势实际上非常大。对我们来说，你可以在五分钟内就从真实的人那里获得输入；而当你看到几百个人涌入你的、类似访谈（interview）的流程时，那真的是一种很神奇的体验。这是一方面。而且因为它是 asynchronous（异步）的，所以成本也低得多。因此，相比必须进行那种 synchronous（同步）访谈的情况，你可以用低得多的报酬来支付受访者。

所以，其实有个很有意思的问题，人们经常会问我们：人们真的喜欢被 AI 访谈吗？而客观答案是喜欢，因为与其和真正的访谈员交谈，你可以用更低的报酬让他们和 AI 交谈。

为什么会这样？

我觉得主要是因为它是 asynchronous（异步）的，而人们都很忙；但另外也是因为压力更小。对，压力更低。你可以断断续续地进行。我们还发现，人们在和 AI 交谈时会更诚实。我们遇到过一些人真的会敞开心扉。

这是一种很有治疗感的体验，因为对方是一个不带评判的实体，而且真的对你感兴趣。我们还可以处理一些比较敏感的场景，比如访谈孩子，了解他们对不同产品的反应。所以我觉得这也是另一个优势：人们在和 AI 交谈时可以非常坦率。

好的。比如说，过去如果我要研究儿童市场，要接触这个市场会非常、非常难。这是监管方面的问题吗？还是排期安排的问题？

对。你需要父母同意。你知道的，孩子们也非常忙。他们要上学，还要参加课外活动。

你怎么找到时间和他们接触？而且你得找到合适类型的孩子。比如我们意识到的一件事是，受众极其重要，而实际上这正是我们投入 80% engineering（工程）资源的地方。每家公司在 customer segmentation（客户细分）上都受 power law（幂律）驱动。所以即便是像 Sweetgreen 这样的产品，你可能会觉得它是面向所有人的，但它真正合适的受众通常是城市居民、家庭收入高、并且大多是女性。

顺便说一句，他们还得知道 seed oils（种子油）是什么，而整个人口里大概只有 1% 的人知道。然后你会发现，有些人每天都会去 Sweetgreen，而这部分人贡献了他们 80% 的收入。所以如果你能找到那个细分人群，研究结果就会变得更可执行。

对。而且这里可能也存在 network effect（网络效应）：当你达到一定规模、并且人们在使用它时，你就能接触到那类原本非常难以接触的人；或者也许这算是一种 scale economy（规模经济）。总之，大意就是你能够接触到那些非常非常特定、而且对你要推出的产品类型来说极其有价值的人。

对。核心其实是，我们的目标是让自己的受众规模达到 10 亿人，然后能够对他们进行分层，并准确知道这个人究竟在哪方面是 expert（专家）。这甚至可能是像 sneakers（球鞋）这样的领域。你会有一些人是 influencers（影响者），属于 early adopters（早期采用者）。如果你能够先找到这类受众并采访他们，得到的洞察会有价值得多。

我们可以从自己做过的所有访谈中持续学习。所以，随着在平台上进行越来越多的访谈，我们会建立人物画像，然后就能搜索并找到合适的人。

所以，有人可能会在一次完全无关的访谈里说：“我是个十足的 sneakerhead（球鞋迷）”，你就可以把这个信息保存在数据库里、挂在这个人名下。这样等到 Nike 或类似公司要发布他们的新产品线时，你就可以把这个人推荐出来。没错。太厉害了。

而这在以前是不可能做到的，因为过去通常都是彼此分开的实体，而且流程会非常手工化：你会有一个 email list（邮件列表），然后你

就只能群发 spam email（垃圾邮件）。我自己就曾是这种邮件的接收者。

对，是的。它们很糟糕。而其中一个问题是，你随后就需要一个非常繁琐的筛选流程。所以会有一个叫 incidence rate 的指标，可能只有 10%，这意味着 10 个人里只有 1 个人连参加访谈的资格都能拿到。这会导致这些数据库出现显著 churn（流失），因为一个人要先被筛掉 10 次，才能第一次拿到报酬，这真的很让人恼火。

那这些品牌为什么还需要通过你们来获取触达呢？比如拿 Sweetgreen 来说。Sweetgreen 知道那 80% 的人是谁。难道他们不能直接联系这些人吗？他们不是本来就已经和这些人有直接关系了吗？

对，他们可以，我们也会这样做。我们会连接到他们的 CRM（客户关系管理系统），他们可以通过 CRM 把这些发出去。但真正有意思的部分是，你要怎么和 prospective customers（潜在客户）沟通？以及那些可能并不是当前高频核心用户的人，你要怎么触达？还有，你又该如何比较这两类人？

另外我们还发现，CRM 通常都非常混乱。有时候也会有 regulatory issues（监管问题）。如果你在 Google，你不能直接给 Gmail 用户群发邮件，而使用外部第三方就会容易得多。

而且你还要承担被当成 spam（垃圾信息）的风险，这可能会让你被彻底封锁。这些年我在我们的一些公司里见过这种情况：你做 outbound（外呼/主动触达），然后慢慢地你就进了 Google 的过滤器，接下来不知不觉又掉进 Microsoft 的 purgatory（收件黑洞）里。我想，如果通过你们来做，就不用处理这些问题了。

对，完全是这样。

挺酷的。

这对世界上的那些 MacKinzeys，或者不管叫什么的那类人，意味着什么？就是那些会做 100 页 slide decks（幻灯片报告）的人，他们为了得到某些洞察，要触达 3,000 个人。你有……

做那个，Sonia？那不是前世的事了吗？

你知道，不是的，Constantine，不过我很高兴你是这么看我的。

那不就是 banking 在做的事吗？

我们雇了 consultants。我们以前常常雇这帮人。

明白了。明白了。

所以我当时，那个，算是盖在一层之上的又一层之上的一层

好的。的

明白了。好的。我就更显得多余了。但这对所有这些人意味着什么？他们在这个新的未来里还会有可发挥的角色吗？

对。我觉得 AI 正在非常迅速地改变所有岗位。比如说，我们和 Bain 有很多合作。所以他们会用我们的产品来加速他们的传统流程。我觉得他们仍然有自己的角色可以发挥。

我认为，传统服务以及随后能够去实施这些变化，仍然是极其有价值的，但很多利润率都会下降，你必须确保把自己的很多服务做某种程度的 unbundle（拆分），也许这样才能让 AI agents（AI 代理）帮助解决一些过去你会去找传统咨询公司处理的问题？

也许我是个乐观派，但为什么不会更多呢？如果我是一个企业经营者，为什么我不会说，哦，太好了。既然我现在有了 AI 和这些工具，我想再找五个新的扩张领域，我会付给你，Bain，或者类似的机构，同样的钱，就像你使用 LISN 一样，然后去探索那些新领域，告诉我该去哪里建设？这是不是过于乐观了？

不。我觉得这是那种上限非常高的领域之一。你可以不断学习更多关于你自己的东西，也可以构建更多东西。所以我觉得你说得对。

对。我刚刚还在想 chest hair shirt 那件事。我可能会——我会——

可能会。我太喜欢这一段了，二十分钟过去了，你还在想着胸毛。这太离谱了。

有太多很小的细节，是我很想告诉那些我作为消费者会使用的公司的。哪怕最微小的地方，甚至连他们给这双鞋系鞋带的方式，我都很想给出那样的反馈。

对。这就是为什么你是个 venture capitalist。

细节。细节。

我们希望生活在一个终于能按人们期望那样运转的世界里。那会很棒。拜托了。

你觉得定价压力、也就是价格压缩，是否已经开始冲击这个行业了？比如，我会想象如果我是 Bain 的客户，我会觉得，嗯，你现在用 AI 做这类调研，比 AI 出现之前高效多了。那这部分经济剩余带来的好处，最终是谁在拿走？

所以正因为你能做得更快，我反而会认为你应该为此收更高的价格。

那实际情况也是这样发展的吗？

我们做过一些研究项目，比如我们能够就“与八个国家的 20 位医生交流”这件事收取几十万美元。所以也许从长期来看，单次 individual interview（单独访谈）会变得更便宜。但我认为，你做的 research（研究）规模会扩大大约两个数量级。还有一件我觉得特别令人兴奋的事是 simulation（模拟），这也是我们现在正在构建的东西——借此你就能解锁那 99% 的 use case（用例）：在这些场景里，你原本根本不可能有时间去和真人交谈。

我觉得这特别棒，部分原因是有太多领域他们甚至都不听 customer（客户/用户）的声音。比如医疗，我一直不断听到医疗系统里有无数细小的问题。你知道，医生都是很忙、很重要的人，但感觉这些公司甚至都没有投入时间去弄清楚那些让人不断受小伤似的痛点到底在哪里。而医生又真的很忙，他们不会专门去约个时间，进行一场很长的谈话，再去和某个团队见面。但如果他们可以在任何时候完成这件事，比如就在手机上的 app 里，作为平时常用首页 app 的一部分，顺手就能对他们的 EHR 提反馈，或者在手术室里也能做类似的事，那听起来就像是一个随着时间推移足以挽救生命的“持续倾听” use case（用例）。

对。我同样非常兴奋的一点是，把所有那些小问题收集起来，然后告诉另一个 agent（智能体）去把那个问题解决掉。我们的某些客户正在把我们往这个方向拉：他们会先做一场 churn interview（流失访谈），然后把结果接起来。比如说，如果你发现了一个 bug，他们就会把它连接到另一个 coding agent（编码智能体），让它去把问题解决掉。

这很酷。

我们来聊聊 generative agent simulation（生成式 agent 模拟）。感觉整个行业好像已经从 market research 1.0——一个个打电话给 100 个人、再手动整理——发展到了 market research 2.0，也就是 AI native（AI 原生）模式：由 AI 设计提问路径，能够同时和成千上万人对话，并综合他们的回答。现在看起来，我们也许正在迈向借助 generative agent simulation 的 market research 3.0。你怎么看这件事？我自己也能看到其中的那种愿景。

我看到 synthetic data（合成数据）已经如何改变了，比如说，self-driving cars（自动驾驶）。但与此同时，我本能上也对它持怀疑态度。比如，一大堆 synthetic data 会不会只是把 pre-training sets（预训练数据集）里已有的内容重新 remix（重组）一遍？你真的能从中学到任何有用的东西，或者获得 alpha（超额收益/优势）吗？所以我很想听听你的看法，以及你们是怎么切入这个 3.0 的。

或者也可以先说说，它到底是什么，

作为开头？对。所以我们构建 simulation（模拟）的方式，是先去采访一个单独的人。比如说，如果我采访 Constantine 一个小时，我大概就可以开始在某种程度上预测你的偏好。

关于胸毛的精彩洞见。

而事实证明，LMs（语言模型）在这件事上也相当擅长。所以，本质上你可以尝试尽可能多地输入某一个个体的信息。然后在某些情况下，我们能够以 95% 的准确率预测他们会如何回答某些问题。现在问题在于，一切都在不断变化，而 chaos theory（混沌理论）告诉我们，预测未来是非常困难的。否则的话，我们就会去 Wall Street，然后赚很多很多钱了。

所以，我们的看法是，你需要去 hydrate 这些受众群体。而我们实现这一点的方式，就是利用所有通过 Listen 进行的访谈。所以我们有非常强的 network effect（网络效应）。到目前为止，我们已经做了 100 万次访谈，而且自从我们报告那个数字以来，这个数量一直在指数级增长。

哇。

而且我们能够用这些访谈来训练受众模型。所以你可以想象这样一个未来：你提出一个问题，然后去“听”他们会怎么回答，比如，软件工程师是如何看待 cloud code 的？很有意思。接着系统会说，好吧，我这周已经和一千位软件工程师聊过了。让我来预测他们会如何回答这个问题。

但棘手的部分在于，你要知道哪些事情是你能回答的，哪些事情是你不能回答的，因为

那你是怎么做到的？

对。我们会非常明确地告诉 model（模型）它拥有哪些知识 domain（领域），然后再看你能把这个 domain 扩展到多大。这算是最核心的思路。我们还可以用训练 data set（数据集）里的内容做回测，看看这种 simulation（模拟）的效果到底有多好。我们会拿掉其中一个问题。

然后再看，比如说，好，刚才那个问题你预测得有多准确？接着你还可以加入一些毫无意义的东西，比如他们的狗叫什么名字之类。这样你就可以判断，model 是否能够理解这类事情是它无法预测的。那真的很酷。

你们发现，哪些类型的事情是可以预测得比较好的，哪些又是不行的？

最有用的事情之一是 message testing（信息测试）。也就是比如说，广告牌上的 tagline（标语）该怎么写？其实我这个周末就在用它。所以我建立了一个由我们客户群体组成的 panel（样本小组），而我得为一次 conference（会议）上的演讲想一个标题。这看起来像是件小事，但实际上确实很重要，因为如果人们愿意到场，它就会提高 conversion（转化率）。

我当时给我的演讲想了 100 个不同的标题，然后把它们输入到我们的 simulation（模拟）里。结果，哇，排名第一的标题大概比第二名好出两倍。哇，很酷。

我觉得——我也不知道它是不是真的正确——但它确实让人感觉是对的。而且在做这个决定时，有这样的指导真的很有帮助。我还觉得，就算它是错的，有人帮你一起做决定，本身也挺不错的。把决策外包出去的感觉也很好。

那它和直接把同样的问题问 ChatGPT 相比怎么样？

对，所以我又把同样的问题输入给了 ChatGPT。实际上，我还有另一个我做过但没那么成功的演讲，我又输入了一个竞争对手的、或者说另一个更成功的演讲。我把这两个都给 ChattyBT 看了，也把这两个都给了我们的 simulation。结果在 ChattyBT 那边，它选错了；而在我们的 simulation 这边，它选对了。

你知道的，对我们来说现在还早。我们会在几个月后发布这个产品，但目前看起来，它的表现比那些通用模型更好。而那些模型是基于普通人的平均数据训练出来的。对，你真正想构建的是面向一个非常具体的 niche（细分群体）。

这也就是我们如何在某种意义上训练这些模型去遵循那个 niche 的方式。

我想继续追问一下，因为这点真的很有意思：你难道不能把模型硬“设定”进某个特定的 niche 或 personality（人格）里吗？比如说，“嘿，ChatGPT，你是一个 35 岁、脾气很差、喜欢用 terminal（终端）的软件工程师。”然后它不就会开始呈现出那个 niche 的偏好吗？至少这是我脑中的模型。所以我其实很惊讶，为什么 ChatGP 没法得出正确答案，而基于真实用户数据进行 bootstrapping（自举）却可以，因为归根结底，这一切某种程度上不也都是对真实用户数据的反映吗？所以，为什么仅靠只在 pre-trained data（预训练数据）上的 SAM 不够用，你们背后的直觉到底是什么？

对，我们试过很多不同的输入，这种方法的表现确实比原版的 vanilla ChatGPT 稍微好一点。但效果好得多的是，我们会尝试用信用卡消费、行为数据、购买行为这类信息。不过我们发现，最好的数据集其实是访谈，因为它更能让你延展到一些支线话题。它理解得更好，而且你还可以问行为类问题。

所以，也不能随便找个 interview（访谈）就行。比如你怎么设计问题也非常重要。我觉得背后的直觉是，模型并没有关于某个特定 persona（人物画像）如何行动、以及

他们如何思考的干净数据？这更多是经验性的说法，但其实非常有道理。因为如果你想理解一个人，还有什么方式能比不停地问他们很多问题更好呢？这也是我们今天都在这里的原因。我想，这某种程度上就是这种形式存在的目的。

而如果你掌握了足够多跟随某个特定群体、而不是平均人群的人，那这些信息就能告诉你很多他们可能没有明确说出来的其他事情。你知道，所有 AI 本质上都是对某种压缩数据的泛化。所以如果你在这个 hyperspace（高维空间）的某个稍微不同的位置上有了这种压缩，然后你说：现在把这个类别的人脑中“所有人在想什么”的这条轨道补全出来，Listen 就能把它补全，因为它已经有足够多的 interviews（访谈）了。对。你觉得你们会把那个打包成一个产品吗？

也就是说，如果我想理解我的 customer（客户），对我来说，对我们来说，我们的客户是 founders，不过他们彼此差异很大。真的非常不同的人。如果我想理解我的 customer，你们能不能先做主动访谈、做普通的 ListenLab interviews，累计做到一千次或一万次，然后再提供一个小型的、专用的 ListenLabs bot（机器人），让我之后针对任何临时性的 ad hoc 问题都能即时使用？

对，这正是我们现在有的东西。好。所以那就是我们所说的 augmented responses（增强式响应）。这里另一个很酷的地方是，它也可以直接存在于你的 coding agents（编码 agent）或者其他 agents 里面。

所以我觉得未来你会希望拥有一种几乎像 human API（人类 API）一样的东西，让这些 agents 能够调用你的用户偏好，从而知道该构建什么、该怎么做、该投资谁，或者怎样才能最好地帮助他们。

现在的话，全部都是 RAG（检索增强生成）吗？还是 fine-tuned（微调）？还是别的什么？你们是怎么把这些对话和你们在 Listen Labs 其余部分使用的那些模型结合起来的？

对，我们会做 post-training（后训练），也会用典型的 RAG。大概有一堆不同的技术，其中一些是 proprietary（专有）的，不过，嗯，是的。

对。我们会做客户访谈，然后让你们所有工程师回来汇报。

我很好奇你怎么看 multi agent systems，以及它们在帮助我们以某种迭代方式、在 inference time（推理时）不断迭代出更好答案这件事上的作用。这是否是你们做 simulation（模拟）的方法之一，还是并不是？

对。比如我们做 simulation 的方式，本质上是先把一个人建模得非常、非常好，然后再把它扩展到一千个人。这样你就有了一个 representative sample（代表性样本），本质上这就是 multi agent。

但你们并不会让那一千个人彼此辩论。我的问题是这个。

哦，对。没有。我们还没有这么做，不过这会是个不错的帮助吗？有这种可能。但也有其他竞争对手更多是在采用那种方法。

我觉得令人担心的是，还是那句话，chaos theory（混沌理论）告诉我们，当事情开始层层叠加时，就会变得很难预测这些事物彼此之间将如何相互作用。这绝对是我们应该进一步探索的方向，但我对这种做法还是有一点怀疑，也许——

我会打的类比，有点像 AI council 的做法：把同一个 query（查询）发给三个不同的 LLM，然后再让一个 LLM 充当裁判并加以综合。我确实认为，平均来说你会得到一个稍微更好的回答。对。不错。所以接下来你还觉得自己会往哪些方向发展？

你们现在是从 market research 2.0 迈向 market research 3.0，也就是某种 generative simulation（生成式模拟）。你预计 3.0 会不会随着时间推移接管大多数 query？然后，再往后还有什么？