Suno's Mikey Shulman: Everyone Can Make Music Now

在 Suno 出现之前，基本上每个人都只是音乐的消费者。你知道，相比地球上的 8,000,000,000 人，真正创作音乐的人非常少，其余人都在消费音乐。Suno 最疯狂的一点是，在任何一天里，90% 的用户都会创作出一些东西。而最难让人理解的是，大体上你并不是为了把它拿到别处去、拿它做点什么而创作。人们创作音乐，是为了享受创造本身带来的乐趣、愉悦和满足感。

所以，创作这件事本身，实际上才是最有娱乐性的部分。而这就是那个巨大的跃迁。

我非常高兴欢迎 Mikey Schulman。Mikey 是 Suno 的 founder 和 CEO，Suno 正在打造一家音乐公司，或者说一个创意娱乐平台，也是我在 AI 领域见过最具新意的 consumer application（消费级应用）之一。我非常、非常期待和你聊聊你的历程，以及 Suno 的未来发展。感谢你今天加入我们。

谢谢邀请我来。我很期待。

好的，太棒了。我想先从你的背景谈起，因为这真的非常、非常出人意料。你从 Harvard 的 physics PhD——我记得是研究 quantum computing 和 solid state spins——一路走到打造全球最大的 AI 音乐公司。这两件事之间，对你来说是什么洞见把它们连接起来的？

你知道，我也不知道该怎么说。我也不知道，至少从履历上看，我大概并不像是会去打造一家 consumer entertainment company（面向消费者的娱乐公司）的人；但很多人都从 physics 转到了 AI，就像，三十年前很多人从 physics 转去做 quantitative trading（量化交易）一样。不过说实话，我最多只能算是个还不错的 physicist，而且有很多人比我更优秀，包括我的一位 cofounder。我觉得我真正学到的主要是：在两种通常不会结合在一起的事物交汇处去做事，在任何领域里都是巨大的机会。它可以是音乐和技术。

它也可以是 quantum mechanics 和低温 microwave engineering，或者你之后想做的任何别的事情。

你和我是在 Suno 非常早期的时候建立联系的。我们共同的朋友之一，Harrison Chase，是最早一批使用 Suno Discord 的用户之一，他当时在你们的 Discord 里做歌，玩得不亦乐乎。要不你给我们讲讲 Suno 的早期阶段吧。它是怎么成形的？你们一开始就是奔着打造一家音乐公司去的吗？

一开始，我们以为这事其实太难了，因为你得把时间往回拨。这差不多是在 ChatGPT 爆发之前。我们做过一些粗略估算（back of the envelope math）。我们知道自己很喜欢 audio（音频），但那些粗略估算告诉我们，要真正做出好音乐、创作好音乐、生成好音乐，在 compute（算力）、model size（模型规模）和 capability（能力）方面，大概还差着几个数量级。原因在于，music sound（音乐声音）整体上非常难处理，不像 text（文本）那样是离散的 bits（比特）。

所以我们一开始实际是在做一家围绕同样技术、但用来理解 audio（音频）而不是生成它的公司。很幸运的是，在相当早期，我们就取得了关键突破，然后意识到，哦，我们其实可以做音乐。

你数学挺好的，那你当时用那些粗略估算，到底算错了什么？

数学本身没错，只是后来我们有了一些突破，让我们意识到其实不需要那么多 compute（算力）。如果你愿意这么理解的话，关键在于找到合适的技术突破，本质上就是把 audio（音频）压缩得非常、非常高效。而这一点的效果比我们预期的好得多。所以那是一次非常美好的“被证明错了”的时刻。并不是所有发现自己错了的时刻都会这么令人愉快。

另外要说明的是，一开始做出来的音乐很糟糕，但我们还是，坚持了下来。

他觉得那已经不错了。我想他大概就是我们的前 10 个用户之一。他觉得自己还挺行。

当然，在我们把它放到 Discord 之前，做出来的音乐非常糟糕。在放到 Discord 之前，我们大概只能做出十二秒半的片段，而且它们也不总会按你要求的歌词去唱，但我们玩这个的时候特别开心，也觉得别人可能也会玩得开心。于是我们有点借鉴了 mid journey 的做法，心想，把一个 Discord bot（机器人）放出去试试看其实很容易。人们会喜欢吗？结果我们把它放出去之后，喜欢的人多得惊人。那对我们来说是一个非常有力的确认时刻。

所以很多人都劝我们不要做一家音乐公司。这并不是一个最容易做的行业。Speech（语音）非常大，构建 speech technologies（语音技术）也有很多很好的商业 use cases（应用场景）。但当你深夜还在玩手里的这个东西，玩到根本不想去睡觉时，那其实就是一个非常明确的信号：这就是你该去做的事。

所以这就是我们所做的。

我喜欢这个。你是音乐人吗？

是的。我几乎每天都演奏。我从小就经常弹钢琴，后来大概在 12 岁时开始学 bass，之后也更多是在弹这个。

好的。所以这是你的个人热情所在。太棒了。

你知道，所谓“修正主义版本”的说法是——而且这也确实是真的——我们以前会在上一家公司时，在我一位 co-founder 家的地下室里办 jam sessions。这个是真的。我们在那里玩得很开心。但那并不是我们创办这家公司的原因。还是那句话，我们当时觉得做这件事会太难了。

那就只是图个开心。

你是指在 Kensho 的时候？

在 Kensho。是的。我就是在那里认识了非常棒的 Harrison Chase。

Kensho mafia 可以说是相当无与伦比。那里有 Harrison，也有 Daniel Nadler，还有 Sam Whitmore，还有你。总之，你们那帮人真的很多。

对，我们人确实很多。说实话，这一点我得归功于 Daniel。我觉得 Daniel 几乎是“高人才密度（talent density）能为一家公司带来什么”的最佳活教材。那里面很多人都不是传统背景出身。整体上偏年轻，但他特别擅长发现人才，也特别擅长说服他们加入。

我很喜欢这个。好，那你给我们讲讲，当有人输入“upbeat nineties hip hop track about a road trip”时，会发生什么？你们收到了这个 prompt（提示词）之后，接下来会怎样？

现代模型到底做了什么，才能把某种返回给用户的内容做得看起来如此特别？

从某种意义上说，其实相当简单。像这样的 prompt，你首先得弄清楚这首歌的词该是什么，而我们会用各种 LLM（大语言模型）来做这件事，去生成歌词。它基本上会抓住里面的线索，比如 road trip，于是就会去想：这场 road trip 应该讲什么？它很可能会弄错，因为你给的信息不够多，但这其实没关系，你可以继续迭代。然后你又说了 nineties hip hop，我们就会尝试把这个展开成一组模型真正能理解的 cues（线索）。这首歌的 genre（流派）是什么？

这段音乐的 style（风格）是什么？然后你把这些东西组合起来。你有大量歌词，也有大量风格信息。接着，我们有经过训练的模型，能够接收所有这些信息，然后直接生成声音。

这里最惊人的一点是，这些模型并不知道有 vocals（人声）和 instruments（乐器）之分。它也不知道具体有哪些乐器。很早的时候，我们其实就很明显地意识到：你给模型灌输的音乐知识越多，它反而会在一种不好的意义上被限制得越死。所以我们实际上是把一切都当作 sound（声音）来建模，这也正是为什么这件事会这么难，但归根结底，也正是这让这些系统变得如此强大。具体一点说，在西方音乐里，一共有 12 个音。

如果你告诉模型“有 12 个音”，那它以后就只会生成这 12 个音。你会被永远限制住。要是你告诉模型“有 200 种乐器”，那你以后能做出来的也只会是这些乐器的声音，你也就不可能用 Suno 做出下一个 Skrillex。所以对我们来说，关键就在于：把我们已知的关于音乐的一切都先扔掉，然后试着从零开始做这件事。说到底，它就只是一段 sound wave（声波）。

它只是以每秒 48,000 次进行采样，而且它是连续的、你知道的、float 32 数值，我们得想办法搞清楚该如何对它建模。而这正是我们早期必须实现的许多突破之一。但一旦做到了这一点，你唯一受到的限制，就只剩下你能在想象中描述出来的东西。

这太酷了。你们有没有发现，我们基本上只是重新发现了现有的音乐流派和那 12 个音？或者我想问的是，当你们试图从第一性原理出发学习音乐时，是否也独立地看到了同样的行为自然涌现？还是说你们看到了另一套不同的能力涌现出来？

没有。最惊人的是，我们现在看到了一些你以前根本想不到的新东西涌现出来。所以大多数时候，这看起来像是在混合那些本来根本不该放在一起的流派。

嗯。

所以你会得到，比如说，我也不知道，带有 sitar 的 trap，或者带有 eight zero eights 的 country，诸如此类。不管具体是什么，这再一次，真的就是在赋能人们把他们脑子里的东西做出来，而且是以一种如果没有这种技术就不可能实现、或者至少会非常非常困难的方式。我们还看到了 microtonal music（微分音音乐）。光是去看看人们创作出来的那些疯狂作品，就已经非常鼓舞人心了。是的。

其中很多听起来像是你熟悉的流派，还有大量作品听起来则完全陌生、怪异，但又很美。

太棒了，真的很酷。你们有没有发现，某些流派是你们的模型更擅长的，而某些流派则表现得没那么好？

绝对有。我们——我的意思是，除了比如说采样得好不好，也就是是否具有完整 bit depth（位深）或完整 sampling rate（采样率）之外，我会尽量避免用“好”或“坏”来评价音乐。但如果可以做这种概括的话，我们对 country 非常擅长，对 pop music 也非常擅长。

我觉得你脑子里可以有这样一个大致图景：有些流派比另一些流派更公式化一些，所以也许我们在这些流派上会更强一些。但我隐隐觉得，对这些流派来说，这与其说是在提高 ceiling（上限），不如说同样是在提高 floor（下限）。而对于那些我们不那么擅长的东西，我们还没有把 floor 提高起来，所以会做出很多糟糕的音乐。但我们也提高了 ceiling。所以如果你愿意持续尝试足够久，最终还是会找到非常惊艳的东西。

那太酷了。Suno V5 看起来确实是在质量上实现了一次真正的跃迁。像这种跃迁式提升背后，通常都包含哪些因素？

你知道，这种跃迁什么时候会发生，其实非常难预测，因为这在 research（研究）投入上本身就高度非线性；但实际上，甚至连我们的测试结果里“模型变好了多少”这件事，也不是线性的。举个例子，我们可以衡量一个模型相对于另一个模型被偏好的程度，你可能会得出它“高出 10% 偏好”或者“高出 15% 偏好”这样的结果。你也可能拿两个不同模型来比较，其中一个被偏好多 10% 或 15%，但在另一端的实际采用情况——也就是我们的用户到底有多喜欢、会不会真的去用，或者产品发布之后会增长多少——未必会和这个偏好信号有那么强的相关性。原因在于，music（音乐）是很复杂、很混乱的，里面还牵涉很多其他因素。不过如果退一步从更宏观的角度来看，我们有一条相当激进的 research road map（研究路线图）。

而且从某种奇怪的意义上说，我们其实一直都在做这件事。我们大致知道 v six 和 v seven 会是什么样。到了某个阶段，你会希望模型具备很多能力，也会有很多想做的改进，这时候说“好，到这里为止，这就是分界线，这一版我们叫它 v 5.5，后面的内容都放进下一代模型里”，某种程度上几乎是一个带有任意性的切分。这样做也几乎只是为了保持一个稳定的发布节奏，知道我们在什么时候发布东西。

因为你最不希望发生的情况就是：我们两年都不发布任何东西，然后试图做出一个、你知道、那种“拯救人类”的音乐模型。结果它两年后才出来，而在那之前我们什么都不做。

对，完全同意。你觉得这些改进里，有多少只是 scale（规模）带来的结果——比如扩大 compute（算力）、扩大 data（数据），再拿回大量 human preference data（人类偏好数据）？又有多少算是你们在做更有新意的 research（研究）？

音乐其实真的不是一个 scale 问题。出于各种原因，这类模型都相当小。我觉得人们经常会错误地把他们在 LLM 领域里的认知——那里模型巨大，而且 scale 带来的帮助非常明显——直接套用到音乐上。而我脑海里对这件事的一个简化图景是：在 LLM 领域里，有各种各样的 benchmarks（基准测试）。你当然可以争论哪些 benchmark 有缺陷、哪些更靠谱，但这些 benchmark 确实是存在的。

而 scale 实际上是一种非常高效的方式，能让你一路往上爬，在这些 benchmarks 上持续做得越来越好。但在音乐里，没有标准答案，也没有 benchmarks。所以 scale 在解决这个问题上帮助就没那么大。从很多方面来说，这是一个更混乱的问题：要让模型去对齐人类在创造性上的品味，本来就更难。

你和我不可能在每一首歌上都意见一致。你和我甚至连……都不会一致。

那我就听你的吧。你们有系统。没有——

我的意思是，我觉得你不会想那样做。但模型没那么大这一点，实际上让我们能更快把音乐交付给你，而这对好的 UX（用户体验）来说结果证明非常重要。所以我觉得，这里面很多事情都归结为 research（研究）和 preference data（偏好数据）。我们会收集偏好数据，让我们能够把模型对齐到用户喜欢的东西上。一个非常被低估的点是，这些偏好数据实际上让我们能够做多少研究。

就拿我们拥有的 preference data（偏好数据）的规模来说，如果没有它，我们甚至都无法开发出现在正在使用的这些技术。所以这里面确实存在一些良性循环：产品本身会仅仅因为有人在使用它，就持续变得更好。

有意思。我想你们大概能比 text models（文本模型）更强力地使用 human preference data（人类偏好数据），因为它们都在担心 sicko fencing，对吧？而对你们来说，我猜这方面的挑战要小得多。

完全是。完全是。所以我觉得，没错，我们巨大的优势确实来自于：我们能够理解这些数据，对它做 research（研究），然后再通过 RL（强化学习）把这些反馈回灌进模型里。

太棒了。好，我们稍微换个话题，聊聊音乐作为一种 consumer phenomenon（消费现象）。你一开始提到过 consumer creative entertainment platform（面向消费者的创意娱乐平台），我想深入挖一挖这到底是什么意思。

也许可以先从这里开始：音乐看起来就是一种文化性的、社交性的现象。比如，你知道的，我喜欢这首歌，我把它发给朋友。它是一种稀缺资源。我们会因为都喜欢那首歌而建立联系，还会一起做 mix tapes，一起听它，等等。对我来说，音乐一直就是这样一种共享的文化体验。

它本来就是这样。你同意这个看法吗？如果同意的话，那 AI music（AI 音乐）对这件事又意味着什么？

我非常强烈地同意这一点。音乐在文化中的位置与其他媒介在很多方面都非常不同。其中一点其实是，人们在音乐上的品味远比他们在其他媒介上的品味发展得更成熟。比如说，几乎每个人都有音乐品味，而大多数人并不会以同样的方式对电影或文学形成明确品味。另一点是，音乐本质上其实是一种更具社交属性的媒介。

如果你想一想，去听演唱会本身就是一件天然带有社交性的事，尽管你真正注视的其实只有表演者；但某种程度上，正是你周围的人构成了这种体验。相比之下，比如去电影院看电影，就不会因为周围有人而被提升到同样的程度；拿空荡荡的电影院来对比，这种差异就更明显了。所以我认为，这在很大程度上是因为人类通过嘴巴和耳朵进行声音交流，因此音乐其实是一种比文字更早的沟通方式。和其他事物相比，我觉得它更深地写在我们的 DNA 里。当然我有偏见，我显然很爱音乐。

我不太确定。我觉得人们会想当然地认为：哦，无非就是做一个 AI 驱动的 Spotify，然后它会把音乐去人性化，音乐会变得很糟。这在我看来显然是错的。我不认为只要给 Spotify 加上 AI，就能做出一个更好的 Spotify。真正有意思的问题其实是：我们如何不仅改变音乐在文化中的位置，而且提升它的位置？而且音乐还有一个有趣的特点：正因为它无处不在，它很多时候反而成了背景。

而真正令人惊叹的是，AI 可以被用来真正改变这一点，提升音乐在社会和文化中被感知的方式，提升它在社交场景中的使用方式，因为在过去三十年里，它实际上变得没那么社交了。所以这就是我们所专注的那一块领域，也是我们真正感到兴奋的方向。

你们现在如何看待自己？或者说，当你们观察自己的用户时，人们更多是在创作音乐，还是更多在消费音乐，还是两者都有？

这就是 Suno 最疯狂的地方。在 Suno 出现之前，基本上每个人都是音乐的消费者。你想，相对于地球上 8,000,000,000 人来说，真正创作音乐的人非常少，其余的人都在消费音乐。而这也没什么问题。只是这种模式往往会迎合被动性。

它往往会让音乐变得更不社交、更缺乏人与人之间的连接。而 Suno 最疯狂的一点在于，在任何一天里，都会有相当比例的用户去创作一些东西。真正难以一下子理解的是，总体来说，你创作这些内容并不是为了把它拿到别处去，用它做点别的什么。人们创作音乐，是为了享受创造本身带来的乐趣、愉悦和满足感。所以，创作这件事本身其实就是最有娱乐性的部分，而这正是那个巨大的跃迁。

这就好像世界上的每个人都有创造力。创造会让你产生某种特别的感受。这就像是写在我们 DNA 里的东西，而我们本质上是在用技术让每个人都能感受到那种温暖而美好的感觉。对我个人来说，做这件事的很多灵感，都来自于回想我最珍贵的一些记忆，或者说我人生中最珍贵的一些记忆，就是和朋友们一起做音乐，甚至都不是在乐队里演出。比如排练本身就特别有趣，而且一起做音乐会让你和别人变得非常亲近。

这是因为，以一种有生产力的方式做事，感觉真的很好；而在你最喜欢的 app 里 doomscrolling（无休止刷负面/碎片信息）一个小时，结束时的感觉就没那么好了。

我以前是管弦乐队里的孩子，所以我做的音乐远没有你那么酷，但我完全懂。

你演奏什么？

小提琴。

你现在还拉吗？

对。也不是完全不拉。太好了。我有绝对音高，而且这么说吧，我现在肯定不是在玩 12 tones（十二音体系）那一套，所以我一演奏就觉得刺耳得不行。但我完全同意你的看法。

好。所以，它有点像一个自我表达 / 主动式娱乐平台，和 gaming（游戏）有一些相似之处，甚至和 Claude Code 也有一些相似之处。对吧？

完全同意。所以我觉得，创作音乐最惊人的地方在于：你会感觉很好、很有满足感，而且你享受创作它的过程，之后你还会去听它。这其中确实有一些相通之处，所以我们把这叫作 creative entertainment（创造性娱乐）。其中“娱乐”的部分就在于“创造”本身。并不是说，你进行创作是为了把这段内容再带到别的地方去。

我觉得你能在做饭这件事上看到这一点。人们喜欢做饭，尽管他们在餐厅里能吃到更好的饭菜，因为做饭本身很有趣，吃掉自己做出来的东西也很有趣。我认为，Claude Code 或其他任何平台之所以特别，很大一部分原因就在于：创造东西很有趣，使用自己创造出来的东西也很有趣。虽然我做的大多数东西显然都不是为了部署在 AWS 上、给几百万人使用的，但我确实享受创造的过程，也享受使用自己做出来的东西。所以我预测，十年或二十年后，到处都会出现更多这类富有创造性的娱乐事物，因为这终于真的成为可能了。

这正是 AI 解锁的东西。它当然也解锁了很多智能层面的能力，但它真正做到的是：让每个人几乎都能在任何领域里发挥创造力。

对。我猜你对此是有看法的。你怎么看 slop 这个词？

我确实有看法。其实，我通常的回答是：这个词经常被随手乱用，却没有什么明确含义，我也不知道大家说这个词时到底指的是什么。昨天我和我五岁的孩子做了两首歌。那算 slop 吗？如果从“地球上 99.999% 的人都不会想听”这个意义上说的话？

当然算。但那对我来说真的很有意义，所以如果你把那叫作 slop，我也不确定我是否在乎。不过，这的确是个有意思的问题。对吧？这种事以前也发生过，至少在音乐领域是这样：当越来越多的人开始能够生产某种内容时，人们就会担心这些内容会淹没我们的耳朵，也淹没所有平台。

当人们开始能在自己的 laptop 上制作音乐时，就发生过这种情况。你会看到很多 13 岁的孩子在卧室里做 beats，而快进到今天，这显然看起来是件好事。没错，音乐变多了。这意味着所谓“糟糕的音乐”也更多了，但也意味着优秀的音乐更多了，还会出现新的音乐类型，也会诞生新类型的明星。而且，我看不出为什么这一次有更多人制作音乐，会和那时有什么不同。

我喜欢这个说法。所以我们刚才谈了下限，也就是 slop 的下限，或者非 slop 的下限。那上限呢？能不能跟我们讲讲，人们用 SunO 做出的那些最不可思议的东西？而且我想你们现在应该已经有一些登上排行榜榜首的热门作品了。

也许可以稍微讲讲这个。

我们已经有一些登上排行榜榜首的热门作品。也有人签下了唱片合约。还有人做出了单曲并打进排行榜，这非常了不起。我会把这看作是：一个带着全新视角的新 creator（创作者）出现了，而这种视角与人们产生了非常强烈的共鸣，所以这显然意味着上限正在提高。我最喜欢的例子是 Zanaya Monet，这其实是一位诗人的 stage name（艺名）；她把自己十年来写下的那些优美诗作拿出来，开始把它们做成音乐，并由此找到了一个全新的声音，以及一个能与她艺术产生共鸣的全新受众。

而且，没错，我觉得这太棒了。这是人与人之间的连接，对吧？这是世界上最个人化的东西之一；当你去听这些音乐时，你会意识到它极其私人化。最好的音乐始终都需要人的引导，因为说到底，音乐并没有唯一正确答案。

你喜欢一段音乐，是因为它听起来的样子，也因为传递它的那个 messenger（表达者、传递者）。而我们会找到拥有新声音的新 messenger，我们其实已经在这样做了。对我来说，这显然也意味着上限正在提高。另一件非常酷的事是：即便如此，我也知道有大量上榜歌曲里都带有一点 Suno 的成分；它们并不完全是 Suno 生成的。这是因为对专业人士来说，Suno 也只是工作流中的一个极佳工具，而不是你的全部工作流。所以这里有一种很奇怪的情况：我认为人们错误地把它说成非此即彼，好像不是全 AI（人工智能）就是完全非 AI。但事实上，绝大多数音乐里都会有一些 AI，就像今天绝大多数音乐都会经过 auto-tune 处理，或者本来就是数字化制作的一样。

再说一次，更多工具能让你更快地推动音乐向前发展，更快地找到新的声音。在我看来，这显然就是上限在变得更高。

太厉害了。好，那么你选择了音乐这个方向，而这大概是 lawyer（律师）会告诉你最不该进入的行业——因为你一进去，立刻就会有人举着 pitchforks（草叉，意指群起而攻之）冲向你。我想你们最近和 Warner 达成了一项相当具有里程碑意义的 settlement partnership（和解合作）。你能多讲讲这件事吗？以及你认为这对未来与现有专业音乐行业的协作意味着什么？

当然可以。我想先稍微往回说一点：我觉得人们错误地以为我们讨厌现有的音乐行业，尤其讨厌 record labels（唱片公司）。人们也期待我会说什么“哦，唱片公司完了”。但我觉得这显然是错的。它们是世界上最具文化重要性的机构之一。

他们懂音乐，也懂音乐文化。他们培养并塑造明星，而这些明星能够与数十亿人产生共鸣。在我看来，如果音乐世界分裂成两个世界，那会非常可惜：一个是 AI 音乐世界，一个是非 AI 音乐世界。首先，这本身就说不通，因为大多数音乐里都会有一些 AI。其次，让最终用户在脑子里把这些东西分开、还得去不同平台上完成本质相似的使用模式或互动，这本身就不是一件好事。

所以，我对和 Warner 一起做的事情最兴奋的一点，其实是共同打造那些以前根本不可能存在的东西，打造能让粉丝与自己最喜欢的 artist（艺人）互动的产品，并真正以对所有人都是 positive-sum（正和）的方式，加深 artist 与 fan（粉丝）之间的连接。这对 artist 很棒，他们能和粉丝互动；这对粉丝也很棒，他们会感觉自己能够通过音乐与喜爱的 artist 互动；这对 rights holders（权利持有人）也很棒。

很显然，这是一件非常容易 monetizable（变现）的事，而且它确实是在大约就是当下这个时间点之前根本不可能存在的东西。我的真诚希望是，接下来我们能找到更多这类可以一起打造、而且直到今天才有可能存在的机会。也直接把话说出来吧，数字音乐体验在过去二十五年里基本上没怎么变过。我们这二十五年基本上一直都只是在 streaming music（流媒体听音乐），而我觉得，音乐早就该迎来一次新的创新和一种新的 format（形式）了。所以，这就是我们来到这里要做的事。

我们什么时候能在 Coachella 看到 Suno？

你可能其实已经看到了。它很可能已经出现在很多音乐里了，我觉得它大概也已经出现在很多 backing（伴奏）里了，肯定有一些——

但我的意思是，比如说，main stage（主舞台）那种，你知道的，真正面向 consumer（消费者）的、consumer participation（消费者参与）式的东西。

我希望在明年某个时候，我们能看到一场真正 interactive（互动式）的演唱会，观众实际上能够参与进来，并和那个 artist（艺术家）一起创作音乐。我这份工作里最酷的部分之一，就是如果我去给几百人、甚至上千人的 audience（观众）现场 demo（演示）Suno，就是和这么多人同时一起做一首歌。那是一个非常特别的时刻。它几乎有点像宗教体验，你知道吗？很多宗教都会让大群体一起 chant（吟唱）和 singing（歌唱），那为什么这种体验非得只局限在宗教语境里呢？为什么它不能发生在 Coachella 呢？在那里，人们本来就已经因为共同参加一个 festival（音乐节）而如此兴奋。

所以，我真心希望这件事会在未来十二个月内发生。

我喜欢这个想法。好，我们刚才谈了很多 model layer（模型层），然后还有我想可以称之为音乐创作的 cultural experience（文化体验）。我也很想聊聊 application layer（应用层）的产品构建，因为我觉得这也是你们一直非常、非常有创新性的一个领域。你们对于如何思考 application layer 的构建，采取的是什么方法？

我觉得这里有很多可说的。第一点其实是，现在面向消费者的创新真的还不够，但 average consumer（普通消费者）是不愿意容忍那些 rough edges（粗糙、不完善之处）的，因为你不是为了工作在用这个，你是为了好玩；而且很可能是你自己在付钱，不是你老板在付，也不是你公司在付。所以，我们必须把更大的重点放在我们实际交付给用户的体验上。还有，如果我们坦率一点说，单靠 model（模型）本身到底能形成多大的 moat（护城河），其实并不明确。话我就直说了：Google 已经开始做音乐模型了，虽然我们今天的模型要好得多，但他们是 Google，他们一周七天都能比我们花更多钱，而且他们很可能会在模型这一侧追上来。所以我认为，投入到 product（产品）、UI（用户界面）和 UX（用户体验）上，确保你能持续不断地让用户感到惊喜，这件事其实被严重低估了。

你知道，我们公司的一个价值观其实很像是：我们就只是一家音乐公司，而且在很多方面，我并不把自己看作一家 technology 公司。这样做是为了确保我们不是为了做 technology 而做 technology，我们做 technology 是为了取悦人们。把这一点注入公司文化，实际上非常有助于让大家意识到这家公司存在的根本意义。所以这一点会体现在很多细小之处，但如果从产品构建策略来说，核心就是这个。

太棒了。那我想问，你们做过哪些 consumer product（消费级产品）决策，是你最自豪的，或者说最反常识的？

有很多。一个我判断错了的决定，是很快离开 Discord。我原以为我们会在 Discord 上待一段时间。我们在 2023 年离开了 Discord，发布了一个功能还比较薄、并不完整的 web app，结果只用了五天，90% 的流量就迁移到了 web。这就像一个压倒性的信号，说明我当时确实判断错了。

也许最大、也最反常识的一点是，在当时很多人都在尝试做音乐。其实我给你两个例子。一个是专注于 songs，而不只是 background music，专注于带歌词的音乐。这是因为 song 是一个故事，它吸引你的方式是纯 vocalist background music 做不到的。而且这件事本身也难得多，所以当时基本没人真正能做到；我们把这个问题解决掉之后，这当然也成了我们的 moat（护城河）来源之一。