“
Builders 是由 @Magineer、@有新Newin 以及 @深思SenseAI 联合推出的人物专栏，旨在发现与分享更多的优秀出海创业团队与独立开发者，我们将定期邀请生态范围内的创始人与团队展开对话。
AI 如何为地球把脉？ Builders 邀请到了联合国 17 位青年领袖之一， 95 后创业者王翰元 分享她从帝国理工的科研工作到创立 Cli mind ， 一个专注于气候物理风险、转型风险、基于自然解决方案等复杂气候数据的DaaS（Data-as-a-service）平台的故事。
“
Cli mind 平台利用自研的 Climate Co-pilot，结合企业自身情况，以 C 端的用户体验服务数万全球知名客户，帮助它们 挖掘气候数据价值，以预测的方式把握项目与企业的气候风险、转型价值。 目前 Climind 的客户都很大，包括但不限于全世界最大的评级机构、保险公司、政府以及科研组织等等。
以下是这次对谈的全部内容：
王翰元： Climind 的团队是我合作过最靠谱而聪明的一群人，Climind是在剑桥的"圣马会"吃烤肉聊出来的 ( 圣马会 也是我们自己创作的)，现在 Climind 产品群里已经有24个人，分布在香港，深圳，厦门，新加坡，剑桥，牛津，北京，未来可能还会在大理，因为这个团队里有两个大理人。
我们大概是气候行业里最早开始实践大模型的创业团队，从英国到中国，一年后的今天先交一份成绩单：我们全职还是保持很小的六人内的全职团队，但我们设立了三个实验室，和UCL，香港中文大学，香港浸会大学都开展了算法与气候数据的研究，加起来群里面有接近二十五个人了。
现在和未来很长一段时间我们的全职也会保持这个规模，人才是Climind最重要的一个部分，市场上和学术圈都很难找到既了解人工智能又了解气候变化的人。
Climind 只有三种背景的同学，搞气候的，搞算法的，还有开发产品的。 我们团队里有经验丰富的产品人，国内前几名的健康管理软件的研究院院长，工程能力极强的算法科学家，做了几年气候数据的教授还有一些很能卷的年轻人。是一个“很放心”的团队。
王翰元： Climind 的名字是是有故事的，Climind = Climate + Mind。 源于某天我走在剑桥的街道上看到一家特别酷的人工智能公司，叫做 Second Mind。也一部分用户认出来我们的中文名字 - 蓝点起源（致敬 Pale Blue Dot）。
回国前的两年我在帝国理工的绿色金融研究院做碳市场和气候风险的研究，很巧合的机会我是当时唯一的亚洲人，虽然是在英国的机构，但是当时看了很多亚洲特别是新加坡的课题，写了一些政策建议，比如最近一个碳市场和金融审计的话题。英国在过去几年里绿色科技的发展是迅速的。但做了几个课题下来，这个行业发展的非常慢。我当时住在剑桥，认真了解了一圈气候和人工智能方面的课题组，这个领域几乎是空白，用遥感做森林碳汇的质量监测，森林野火的预测，气候风险的计算的等等。
不能站在问题产生的维度解决问题，气候变化也是。Climind 创新性地应对气候变化挑战，通过自然语言交互为用户提供全面的气候解决方案，应用领域可以包括专业搜索、报告生成、碳定价、气候风险评估和碳交易信息等。将企业气候数据与大模型的能力整合，提高了决策能力和数据处理效率。
Climind 的目标是改变气候科学研究范式，预测复杂气候模式，并促进产业低碳转型，通过提供准确的气候信息、支持可持续金融和协助政策制定，加速气候科学与解决方案的落地。
AI与脱碳是改写全球经济的两大变量 ，我们很幸运站在了这样的交叉口来推动一些事情。气候是一个全球化的问题，但解决方案一定要是本地化的。这是个激动人心的话题，尤其在现在的国际形势之下。
几周前我受邀参加一个小规模的挪威能源论坛，80岁的约翰·克里表示他还没有准备退休。我今年27岁，按照这个标准，我至少还可以为这个事业努力53年。在53年的时间里，可以实现许多事情。
王翰元： Climind 没有什么 Marketing 的支出，通过联合国的平台（ Karen 是联合国17名青年领袖之一 ），我们刚开始就有了世界一流的平台露出机会，包括联合国大会、COP大会、挪威政府和石油巨头组织的 Oslo Energy Forum，还有沙特的 MiSK Forum、FII 未来投资倡议等等。
ToB的开头是尤其困难的，而在气候变化领域的早期赛道里，我们需要和敢于吃螃蟹的高瞻远瞩的客户一起前进。
海外客户的用户比较有代表性： 不仅是出于监管目的而在意气候问题的，各种规模的组织都在关注这一话题，目前以金融行业为主（这和我们团队的起点有关系，之前合作过的业内专家都成为了我们第一批个人用户）有银行、资管、科研机构、保险公司，还有评级机构等等。
国内的客户有几类： 智库是我们现在接触比较多的，其次比较巧的是我们发现了一些教育机构的场景和需求，现在越来越多的学校开设了气候变化相关的课程，从高中生到研究生。我们有一个案例是用 Climind 的产品辅助编制了 SCR 的教材关于气候风险的章节。（SCR 是一个和CFA类似的金融专业证书，能获得GARP的金融风险管理师（FRM®）认证，过去25年中有超过84,000名专业人士获得）
王翰元： Climind 摸清楚了一条路线是去解决直接的，能规模化的，但是又有技术额外性的痛点。 一开始我们的客户提出了很多 all-in-one 的需求，我们很快意识到这个增长路线是行不通的。Climind 和诸多垂直行业的大模型应用工具一样，我们实际在做的事情是软件代替规模化的服务。
目前我们处理的痛点有几类：
存量的：主要是降本增效的逻辑，但是Climind的产品效果很有说服力。用户目前能够用Climind的产品节省至少一半的工作时间，并且有更好的质量。 最近我们正在进行的一个项目可以自动化200-300个全职数据工作，并且这个方案具有增产和可复用性。 每年披露信息的机构数量不断增加，披露框架也变得越来越复杂。
增量的： 这里和用户共创的多一些 ，比如辅助气候领域的研究工作。下一步我们还会探索更加深入一些，到气候风险的层级。
王翰元： 我们目前的产品很克制，就两个东西：Climind Ask 和 Climind Read，一个通过个性化的交互辅助一切气候领域的分析思考，一个通过文本的处理来快速准确回答问题。 这就像是两个乐高模块，能够在基础上搭建几乎所有需要的功能，比如最近一个叫做 Climind ESG的模块，在服务国内最大的评级公司之一。Climind 的产品呈现形式目前是软件，以订阅的模式开展。
这里有一个很有意思的 thought experience （思想实验）衍生的一些讨论：
气候风险与披露仅仅是Climind在广泛领域中的一小部分应用，但它已经显现出重大影响。预见到未来，几乎每家企业都将需要进行相关披露，这将成为绿色金融行业的核心基础设施。这一切基于披露的数据，而进行任何操作都离不开这些数据。值得注意的是，该行业的容错率甚至超过了法律规范，所以这个市场要比法律大的多。因此我们选择从这一场景开始探索应用的可能性。
随着工具的普及，我们对Agent在气候变化领域的发展前景持乐观态度。然而，当99%的内容都由GPT生成时，模型评估的难度是否会降低？在信息量爆炸式增长的背景下，信息检索的边界在哪里？
显然，信息推荐系统需要重新设计，以便进行个性化定制。我们探讨了是否存在改进信息排序规则的更好方法，这显然会优于Google的搜索结果。在专业领域，如何建立评估指标来衡量每个环节的效果，以及如何进行动态评估以适应不同模型的变化，这些都是亟待解决的问题。
探索如何构建一个更优的Agent，关键在于如何定义一个“好”的Agent——计算机科学上会说，通过增加 token 来增强其智能，无论是在预训练阶段还是在推理（inferencing）阶段，这算是计算能力的提升、新知识的注入。
软件开发可分为三个阶段：第一阶段是API，即软件是固定的，用户需要学习如何使用它；第二阶段，工具或软件本身就是为了Agent的开发而设计，如 ChatGPT；第三阶段，AI能够自主编写软件并完成任务。
目前的软件能力表明，虽然前两次交互可能不会产生持久的交互资产，但现有模型的能力可能已经在某种程度上实现了第三阶段的应用。用户互动在数据构建和模型训练方面发挥了重要作用，Agent是否能够通过自我学习提升其能力？Agent的价值在于融入人类经验和合成数据，从根本上讲，这是Agent长期价值的来源，也是 Climind 探索的方向 - 做气候数据的基础设施 Agent。
在气候变化领域，我们通常使用IPCC作为基准真理（Ground Truth），但是否可以直接使用自然观测数据？实际上，在气候领域，IPCC 被认作是最权威的关于气候科学的文献综述，但其信息的滞后性也是很显著的。另一方面，关于气候变化物理观测的数据不断增长，这可能是更加及时有效的 Ground Truth？
接下来的问题是如何为模型建立评价标准，模型的benchmark是一个基本而重要的话题。应用的另一个关键在于如何开发一个系统，与观测数据进行交流，完成复杂的任务，Agent如何更有效地利用大型语言模型（LLM）来提升自身的迭代。
受杨植麟在清华的 NLP Seminar 启发，开始了对 边界的思考 —— 气候领域，大模型的额外性在哪里？这个领域的上限在哪里？大模型相较于传统人工智能，尤其是在气候变化领域，能提供哪些额外的价值？
大型语言模型（LLMs）与传统人工智能（如自然语言处理NLP）相比，其附加性在于它们在理解、生成和与人类语言交互方面的高级能力，这在以前是不可能实现的。LLMs是专注于处理和生成类人文本的AI子集，它们利用大量数据和复杂的神经网络架构（如变换器模型）。
规模和复杂性：LLMs在庞大的数据集上进行训练，使它们能够捕捉到广泛的语言细微差别、习语和风格。它们能生成连贯且与上下文相关的文本，这是传统NLP模型难以实现的，后者在维持长文本序列的上下文时可能会遇到困难。在Climind的平台上，任何可以使用一种支持语言的人都能够访问。
生成能力：LLMs具有强大的生成能力，意味着它们能够创造出连贯且上下文适当的新内容。这在气候变化等领域特别有用，LLMs可以协助生成报告, 分析披露质量等等
潜力有多大？是选择垂直深入还是广泛通用？ 数字市场上平台或服务的成功往往取决于其向用户提供全面且一体化的体验，而不是仅依赖于搜索等单一功能。
马克·安德森（A16Z的投资者）有一个观点：垂直搜索是矛盾的，很长时间以来都没有能够和谷歌一较高下的公司出现，在垂直领域，最初以搜索为重点的公司已经演变成平台或端到端工具。
为何特定领域的Google会失败？ 仅尝试在垂直市场复制Google的搜索成功，并不能保证获得类似的结果。Google及其他公司的成功可归因于它们演变成提供一系列功能和服务的平台，而不仅仅是搜索引擎。然而，如果我们考察像彭博这样特定领域数据平台的成功，它们做对了什么？如果你阅读过迈克尔·彭博的演讲和他的书， 通过APIs将搜索功能有效集成到更广泛的平台中，当平台提供多个集成服务时，其价 值会得到增强。
在气候领域，Clarity AI和Gro-intelligence是我非常喜欢的公司， 我在迪拜和沙特阿拉伯的COP28以及FII会议上遇到了它们的创始人和核心团队成员。用户访问平台是为了获取与气候相关的数据，就像他们访问Booking.com预订旅行一样，搜索体验甚至会影响用户选择平台的决定。然而，回归基本的第一性原理，工具最重要的还是完成实际工作，而不是一个搜索这么简单。
王翰元： 气候风险的量化对于理解和应对气候变化带来的挑战至关重要。量化气候风险有助于识别和评估气候变化对经济、社会和环境的潜在影响，从而为政策制定、企业决策和金融投资提供科学依据。通过量化分析，可以更准确地预测气候变化对特定行业、地区和社会的具体影响，进而制定有效的适应和减缓策略，降低气候变化带来的风险和损失
气候变化反映在资本市场（至少国内的资本市场）目前还是以政府推动的逻辑为主，在业界，这像是一个有明确上下游的压力传导系统。如果缺乏深入的行业经验，很难发现这些上下游关系，因为大量机构既提供评级服务又提供帮助提升评级的咨询服务，既是裁判又是运动员。
海外的生态情况与国内有所不同，特别是在欧洲和英国，气候风险实际上会反映在资产负债表（Balance Sheet）上，并且经常会影响晋升、融资、排名等方面。
Climind 参与编写了2024年的SCR气候风险的教材
王翰元： 气候变化是一个庞大且具有众多交集的行业，Climind目前专注于知识型工作领域，在中长期的发展中致力于精确理解和表达气候风险。
这里举例几个场景：
教育： 传统的气候变化教育是在outdated的书本上的，教育之所以很重要，如果我们回想，你第一次了解到气候变化是什么时候？对我而言是微软工作的时候，这甚至都不是大学了。如果不是教育我们如何培养下一代在这个领域工作的人才？
披露与评级行业： 这是个发展很快又很复杂的行业。不仅上市公司需要披露，还有供应链各个环节的企业，受到上游的压力驱动，举几个例子，上市公司有ESG披露要求，披露标准非常多，这里已经有明确的上下游，Climind 提供铲子：披露工具。企业在意的是有用的能够提升评级的披露，帮助披露的咨询机构在意的是降本增效， 目前的方式，一份披露市场上价格从几万到几十万不等，取决于企业的规模等因素，而且操作人员大部分的时间是在信息的收集整理。 伦敦有一家给自愿碳市场做评级的公司叫做 Trove Research，是一家专门从事企业气候行动、碳市场和能源转型的数据、分析和咨询公司。该公司成立于2015年，规模不大，2023 被 MSCI 收购了：
http://climind-test.wxaurl.cc/search/Trove-development-history-and-acquisitions?id=ef1f8adf-aa54-4603-9ec1-e007d0ea264f
自愿碳市场： 我们最近正好有一份报告发布了，和帝国理工，新加坡绿色金融中心，还有新加坡管理大学。自愿碳市场是在受监管碳市场之外运作的市场，公司、政府实体和个人可以通过该市场自愿购买碳抵消额度，而且对碳抵消额度的使用不是出于预期的或可能的履约目的。碳排放许可或碳信用通常通过自愿计划购买，以实现内部企业社会责任。自愿碳市场允许碳排放者通过购买旨在消除或减少大气中温室气体的项目排放的碳信用来抵消其不可避免的排放。每个 Carbon Credits 对应于一公吨减少、避免或消除的二氧化碳或等效温室气体，可以被公司或个人用来补偿一吨二氧化碳或等效气体的排放。这里就出现一系列很重要的问题，Carbon Credits的质量。我们在帝国理工组织过几次研讨会：
https://mp.weixin.qq.com/s/pES4AAzn64pL5yCjRYzxfw、 https://mp.weixin.qq.com/s/FhU91HWQn3taSWThuEbV-A
王翰元： 生成式AI能做几件事情，但不是拿来套在行业里都可以的，能套娃的大部分会是存量机会，新瓶装旧酒的事情就会变成一个算账的事情，生产要素的重组和比拼是一个短期游戏。
我们对于增量机会有一些可能不太被认同的想法：
创造力： AI 可以生成图像、文字、视频、音频等各种内容，这是之前的软件不具备的能力；但是在严肃的专业领域比如绿色金融，我们不需要那么多创造。有一些用户确实在用Climind辅助ESG报告之类的编写，但这里的技术额外性还是效率的问题，比如用户可能是希望快速了解到同行竞争对手的某个部分的披露写的怎么样。（市场上的气候风险相关的评级都是黑匣子，没有掌握方法学的情况之下是很难去全局了解优劣的）
推理能力： 可以是单步的，也可以是多步的类似 Agent 的推理，这也是之前软件做不到的。这是让我们非常兴奋的一个应用点，气候领域大部分是知识工作，经验数据的使用会完全改变这个行业的叙事方式，产生增量的机会。
服务方式的改变： AI 具备了类人的交互能力，我记得刚毕业那会在微软还做过 ChatBot的项目，银行采购问答机器人最后很难真的有用，比如广东话和英文普通话的难题就没有很好的被解决。
Move fast and break things, 增量的机会也会存在于最基础的需求之中，不会有人想要更冗长的工作流程，不会有人希望浪费时间，更好的搜索，可靠的信息和便利性是人类本质要的。
在早期ChatGPT火起来的时候就有一阵热潮，各大企业纷纷发文表示投入了人工智能，但真实情况有一些共同难点：
企业缺乏落地生成式AI的人才
算不过账，大模型的应用是昂贵的
关于生成式AI项目的ROI仍然尚难清晰评价
可控性和可定制不确定
隐私敏感场景和数据安全的应用难度大（中国特有的本地化部署的偏好）
迁移成本高，不如继续外包
企业落地生成式AI多在面向员工的内部场景，对直接面向用户的外部场景仍然谨慎，但是对内的场景就回到ROI的问题
王翰元： 客户体验是我们非常看重的环节，从一开始logo的设计开始，我们整个团队的审美还是很有要求的， 我们用ToC的用户体验来要求ToB的产品设计，目前我们的产品是不需要任何指导就能上手的。
Climind 的使用流程是很直观的，基本上从注册到使用，都是客户熟悉的搜索问答的软件场景，不需要什么教学。它就像一个巨大的宝藏，能够挖掘的信息完全取决于用户提的问题，所以现在我们很多的探索是放在专业化上， 比如做了很多连大的平台都没有的数据集。
并且我们自己也在不断探索产品的使用场景，现在我们的公众号和海外文章，Linkedin的帖子也都是 Climind 写的，这不仅是个效率问题，我们发现它真的是比人写得好，现在基本上我们只需要做选题。 前期做增长的时候，我们还特意去看了小红书之类平台上气候变化的账号，Climind 账号的增长还不错。
有一个观点我是不太同意的，"users are never wrong," Climind 的产品是为了帮助用户“being less wrong". 这其实是一个很有意思的事情，Perplexity 的 CEO在访谈中也提到这一点，如果用户永远是最正确的，那么搜索引擎就足够了，因为他们能准确到位问出所有问题。 顺着这个思路想，Google，Facebook，Bloomberg，tiktok 等超级大公司超级应用都改变了信息和人交互的方式，但是都默认了用户是正确的，我认为 大模型能够让产品真正有用，让用户变得真正正确。
这里面还有重要的但是很容易被忽略的因素是用户心理学。我在清华的时候有机会和彭凯平老师请教过这个问题，他让我去读心理学家卡尼曼（Daniel Kahneman）提出的有限理性理论。（该理论认为人类的思维分为两个系统：系统1是快速、直觉的思维方式，而系统2是缓慢、逻辑的思维方式。系统1通常是自动运行的，而系统2则需要更多的注意力和努力。由于系统2的思维方式需要消耗更多的认知资源，人们往往会出于思维的懒惰而依赖系统1的直觉判断，这导致了非理性的决策。
此外，人们往往是短视的，即倾向于偏好即时的奖励而非长期的利益。这种短视行为在经济决策中尤为明显，例如在消费和投资等方面。环境威胁感知、控制感缺失和社会经济地位等因素都可能影响人们的跨期选择，导致短视行为）这其实能回答很多问题，经济学家会说气候是一个负外部性内部化的事情，但在做产品的这个过程中，我们深有体会，你真正接触用户的时候，很多问题是一个心理说服的过程，再好的技术的落地不论是ToB还是ToC，都有这么一个过程去了解你的用户。
王翰元： Climind 是一个真正跨界的敏捷团队。能做Climind做的事情的公司其实不多，这个行业还没有真正意义上的大模型工具 。 我们明显感受到气候与人工智能两个领域的互不了解，但这也让我们看到了巨大的市场机会。我们在做的是一个工程问题来解决一个科学问题，产业界有非常大量的数据和应用场景，我们需要很多经验数据模型化的案例。 我始终认为，要进入一个行业是非常困难而漫长的，是一场长跑，你得体力好，还需要有创造力，体力让你活下去，创造力让你有价值。我至今依然还在进入这个行业。
先说说差异化 —— 最后我们不只是用LLM，RAG是很大的一部分。 答案的生产除了搜索生成答案，首先是理解问题，其次是事实地做信息知识的排序，最后才是生成答案。这里有很多细节，浏览器的信息排序是面向大众的 ，举个例子，正规杂志可能会比一个随机的博客排序还靠后。有多少次你会往后翻页几次找到最相关的信息？人们不一定写很高信息的文章，文章的质量如果很完美，那任何的搜索引擎都会是完美的，不是所有人都擅长于表达。
问一个好的问题是困难的，这也是一个很难的学术问题。但可能是目前的基于问答的产品来说至关重要的一个环节，当然未来如果有新的交互方式。 Climind在问答过程中设有一个协助修正的机制，有时候它提示的问题甚至比用户自己描述的更为精准，即使在信息非常稀疏或者有很多无效信息的时候。我们的目标是引导用户提出更好的问题。
迭代速度是我们团队很大的优势，我们的产品几乎每天都有迭代。这也是当时希望回国做这个创业公司很重要的原因，我们既有中国的规模化创新速度，又在一线类似伦敦这么完整的气候市场中，还有香港这样早期但是蓬勃发展的生态里（Climind在香港科学园的孵化项目中，有香港政府的资金支持 ）
要在特定垂直领域获得应用，Climind产品的核心必须是“可信赖性 credibility ”。而要达到这一可信赖的标准是一个相当复杂的问题：究竟何为足够好？为此，我们构建了一个复杂而庞大的系统来评估这些关键元素，该系统是产品基础设施框架的一部分。
这里解释我们核心研发应用之一：RAG（检索增强型生成）。RAG是一种方法，它通过允许模型在回应查询时访问外部知识源来增强模型的能力。采用RAG的理念是为了打破模型现有知识库所施加的限制。这种方法使模型能够从各种来源拉取信息——无论是互联网上的链接、公司数据库中的文件，还是任何可通过API访问的数据——根据特定需求和所寻求信息的性质定制最终应用。
在气候领域，如绿色金融，大多数报告的编写不是以呈现信息为主要目的，而是加入更多设计元素以使其更具呈现性，并希望提高披露分数。这就为大型语言模型（LLM）创造了价值。另一个问题是，并不是每个人都能编写出好的报告，尤其是在组织内部。
不同RAG应用之间的区别主要源于它们所采用的排名算法，这些算法可能会优先考虑域权威和专业知识等因素，预期来源内容的长期相关性和价值。如何将经验数据模型化是Climind真正在做的核心工作。我们对专业信息的评估维度是复杂的，包括大量的专家用户反馈。
例如，在一个机构中，并不总是CEO撰写的文章最专业（其实有可能是最糟糕的）；此外，还有一些业内经常参考的信息来源等。这一过程涉及统计分析和比较不同信号以排名顶级来源，以及将文档分解成可管理部分的策略。挑战不仅在于文档的质量经常达不到理想标准，导致搜索工程的不完美，还在于个人如何处理信息。
在评估软件的增长和traction时，传统的维度包括用户增长率、活跃用户数、用户留存率、收入增长率、市场份额扩张等，但这个维度不太适用于当下的类似Climind的产品了。我们有一些内部很重要的自测指标，有一些做了很深入的研究（最近我的一个帝国理工的前同事发表了一篇论文，评估了Climind和科研领域几个重要的气候大模型应用, 标题是“The role of artificial intelligence tools in climate change scientific assessments” ） 他也是IPCC的成员之一，我和他认识是现在IPCC的主席 Jim Skea教授介绍的，Alaa在IPCC做着很多数字化和AI的探索。
Climind 目前有几个核心的关注指标：
专业度
Accuracy
Latency
Readability，包括产出内容的措辞于长度等等
用户交互体验
迭代速度
Personalization
王翰元： 具体的数字我们还不方便透露，但是 这个市场是远远大过任何一个垂直行业的规模的，因为可持续发展是所有行业的事情。投资人和客户对于这个市场都是比较情绪化的， 中国“3060 双碳目标”的时候一上头有很多的热度。
王翰元： 朱啸虎（金沙江创投主管合伙人）有一个观点，核心最难的是AIGC的PMF——你十个人找不到PMF，你投一百个人也找不到，和人数、和成本没关系，不要砸钱。他说“用LLaMA训练两三个月，至少能做到人类top 30的水平，立马可以取代人”。
杨植麟提到“你不可能脱离AGI去思考。我现在只做应用，那好，可能过一年你就被碾压了：。
我们的观点是，气候这个行业最不同的是没有十年的时间，甚至没有五年的时间了，这样一看这个场景可太好了
How significant is significant enough?”：多大的市场算是大的市场？我认为PMF是一个关于增长的量化表达，创业公司就永远是需要增长的。经验谈不上，再走一次我们估计还会有不同的坑可以踩，但是教训可以分享几个。
真正有颠覆性的事情不是将效率提升十倍或者二十倍，而是完全一种新的方式来呈现这个行业的发展，AI for Science 在气候变化领域来得太慢了。我们花了很短的时间推出了一个很严谨的产品，还未完全上线目前只在专家圈里使用，但是三月的访问量已经到了十万，我们非常有信心未来的发展。回到第一性原理 - Climind 产品的核心价值如果只是AI支撑起来的，那还是传统AI公司做估值给资本市场画饼的老路，我们从来没有看到 Bloomberg 鼓吹自己刷榜多厉害，Climind的远景是完全创造一种新的方式来应用气候数据解决问题，加速气候科学的落地和进程
一定要和客户一起做MVP ，我们一开始做了很多不同的软件应用，锦上添花的功能，道理都懂，但就是很容易陷入自我纠结和说服的死循环，但很幸运我们很快走了出来，这其中主要归功于团队机制的设置。Climind团队每一个成员工作的目标追求都是建立一个能够自我生长的系统，自我纠错的系统。
既然是 MVP，大部分时候就是小的场景，足够接近用户，才有迅速的反馈。 我们早期做了几个失败的大B案例，花了很多时间精力在上面，几乎是全部资源，这是一个很大的教训，当然采购有很复杂的因素，最后也是关于人和决策机制的了解，
很长一段时间我们也确实是拿着锤子在找钉子，具体体现在，我们在找的方向都是 AI和气候都是两个大的快速发展的行业，能碰撞出什么火花？接着想下去这是没有太大意义的。
“Doing things that don't scale " -- 这句话更加准确的解读是“ Focusing on tasks or strategies that may not be easily replicable or scalable initially but can be valuable for the growth and success of a startup in the long run. ” 很多人只看了表面的意思，去做不增长的事情，准确说是去做长期能让你活下来的事情。 Climind看起来现在在做文字打交道的事情，这看起来很狭窄朴素，但是语言文字是极佳的反馈场景，垂直场景除了数据重要，还有经验信息的数字化，类似于气候变化这样的行业，经验的数字化是存放在文字和数字上的。
不一定要融资冷启动。Climind是一个重R&D的创业公司，我们的增长几乎是依托于高校的，但是又脱离于高校。从帝国理工，剑桥大学到香港中文大学到香港浸会大学，清华大学。
我们最快的一个项目推进应用落地的场景反而是我们最初认为最简单的一个环节，甚至不是我们默认最大的价值提供，但是帮助客户实现了至少500X的效率提升和10X的成本降低。这个是我们很重要的一课，不要一下子给用户推荐太多内容，我们认为适合的和正在适合的有很大的差距，不要去假设，要去回答问题，这个过程中是不断增加信任度的。
王翰元： Climind 目前和未来很长一段时间只会有4个组：产品，算法，增长，数据。
增长是我们最重要的环节之一，Climind一开始是内容带动的增长，我们的推文都是很用心做的，现在基本系统化了，大部分是我们的产品自己完成的推文，我们团队负责选题。 现在的阶段更多在探索产品带动的增长，我们三月份的数字还不错，产品突破了十万的阅览量，这还是在没有做SEO的情况下。我们马上会上线ToC的支付系统，用订阅的方式收费，但在上线前还是很严密地在筹备和安全测试。
Climind 的主要客户还是企业，以SaaS的模式为主。我们目前的客户都很大，全世界最大的评级和保险公司等等，还有教育行业，有大学在使用Climind的产品教学，探索了很多意料之外的使用场景。教育场景尤其有意思，我们其实很早前就意识到教育行业的缺乏，以内地为例子，气候变化专业直到最近可能才是一个关注点，专业的气候教育是极度缺乏的，从师资资源，教育资源到职业规划。
为了更好探索教育场景，Climind 还通过开展了第一期青年学者计划发现了很多新的需求。我们一共招收了大概17名青年学者，既有博士生也有行业从业者，在专业领域和我们一起探索Climind的应用场景，最近的一篇探讨了《 航空业在碳捕集、利用和封存 (CCUS) 领域的进展与应用前景 》
王翰元： 今年最关心的是增长。最早2022年底我们就开始在构思，剑桥的土壤让Climind的DNA里有一种热环境下的冷思考，用早期团队内部一句有点邪气的话来说，我们的文化是“No rules rule”， 你不能站在问题出现的维度来解决问题，气候变化到处都是问题。
Climind产品发展已经到了一个快速增长的阶段，这整个从0到1的过程我们花了不到半年的时间，极小的团队，我们最大的挑战反而是客户的体量非常大，这对于早期公司来说不是一个聪明的策略，然而跨越鸿沟带来的是坚持中磨合出来的一个高效率高交付的特种兵团队。今年的OKR很简单，增长。我们关心的主要是新加坡，英国，欧洲，香港这几个市场的增长，我们熟悉也擅长的市场。
在研发方面，我们的构架很有意思，从Climind开始的第一天我们就是依托学校和实验室成长的，现在Climind在和UCL，香港中文大学，帝国理工学院，清华大学等都有开展科研话题。
王翰元： 这个领域有很多有意思的创造，从科研团队，创业公司到大公司都有。
先说研究团队，Chat Climate 是这个领域最早开始的一个团队之一，把NLP应用到绿色金融之中，我在帝国理工做科研的时候认识的 Markus 教授还有他的团队，还在牛津有过一次研讨会。 https://www.chatclimate.ai/ 。 Markus 之前也在帝国理工教书，他们的组的工作很有开创性，他现在也在DeepMind做一些气候的研究。
其次是一个NGO，叫做 OS Climate - 上一次是在新加坡Bloomberg的一个会议上聊到他们最新的进展，这是一个base在新加坡和欧洲美国的NGO，开源了气候相关的数据，主要服务金融行业，一开始有高盛，Redhat 之类的机构支持，短短两年的时间已经是最大的气候数据平台之一。
还有不得不提的Bloomberg，他们有两个工作特别值得关注，一个是Bloomberg本身的大模型，还有是NZDPU （https://nzdpu.com/home）
最后一个一定要关注的是 Climate Change AI - 这是学术界最早开始提出 AI 在气候变化应用的社区，他们的创始人现在是麻省理工的一位教授，在研究AI和智能电网的问题，Climind 曾经在播客中采访过 Priya：
https://mp.weixin.qq.com/s/zRtvYTFg6T1fKBP3HTrNIg
王翰元： 专注于一件事并做好它，不变的是那些始终不变的事物。 气候变化是一个充满确定性的加速变坏的事情，我们需要有更快的解决方案落地。
未来的重点将是深入了解我们的用户，洞察流程中的缺失环节，并利用技术来修补这些缺陷。构建业务的目标在于创造用户价值，这是关键所在。提升公司的唯一方式是通过改进产品，而改进产品的唯一方式是吸引更多用户使用它，并通过错误来进行改善。开始一项艰难的任务总是困难的。
在今年年初的团队年度信中，我们强调了专注、坚持和内核稳定。Climind 致力于成为世界级的气候AI产品，我想在此加一句：内核要稳定，伟大不能被计划，我们只是在每天都最大的努力进步。保持简单，不断重复，我们至少还有36年的时间来努力，直到2060年。
除了开发优秀的产品，今年我们还将不断探索AI在气候科学领域的应用边界。不久将有一个新项目的公告，我们将第一时间分享给大家。
SenseAI 聚焦最前沿有趣的 AI 产品，链接海内外优秀的创业者和开发者并推出专访。 如果你的 AI 产品希望更多人知道，或者有感兴趣的内容或话题分享，欢迎扫码填写下方问卷，报名参与我们的专访！
同时，欢迎加 入 SenseAI 共创计划。
如果你对研究海外最新的 AI 产品感兴趣，并且愿意写出并分享自己的思考和观察，无论你是什么职业（投资人、创业者、产品经理、开发者、学生等等），都欢迎加入 SenseAI 的共创计划。
您可以填写下方的报名问卷，我们会在筛选后邀请您进入我们共创计划社群。SenseAI 的主理人们会在群内分享最新的海外 AI 产品和动态，同时也欢迎每一位参与共创计划的同学分享他们看到有意思的AI动态。
共创计划会以周为单位，每位参与者每周选择一款 AI 产品进行研究并写出相应的文章，每两周会组织一次集体的线上讨论或者线下的深度交流，一块研究前沿的 AI 趋势，特别是对海外 AI 市场动态的实时掌握。每四周调整一次参与成员，维持整个共创计划活跃度和高质量。
欢迎关注我们
关注全球 AI 前沿，走进科技创业公司，提供产业多维深思，我们是创业者/产品/投资人，这里是最有 AI-sense 的 SenseAI。