LingoTok是一家致力于用MLLM改变语言学习范式的全球化 AI 应用公司，旗下已推出基于 HGC（人类原生内容）的 AI 语言学习产品“YepZan!”，获顶级资本数百万元融资。创始团队来自BCG、红衫、微软、字节跳动、小红书等。项目AI发力于调试、匹配及推荐海量已存在的HGC优质内容，并实现AI交互。做基于生活化、沉浸式的真实场景和社会内容的有效AI语言学习。团队项目涉及独创AIRC技术（基于多模态大模型的内容生产）、基于大模型的千人千面AI交互及推荐算法、以及自研垂类教育视频LLM。当前项目已在中东市场起步（沙特阿拉伯、阿联酋、卡塔尔），并逐渐推广向更多高潜力市场。Lingotok致力于通过创新的AI驱动短视频彻底改变全球语言学习，使每个人都能实现轻松、无缝、随时随地的语言学习。
CEO: Della Chen 是一位拥有十年创业经验的企业家，曾为加拿大K12线下教育龙头家族企业从零开拓中国市场，实现年营收2000万元。她曾任波士顿咨询公司（BCG）顾问及大中华区社会影响力经理，亦担任LVMH旗下零售品牌集团战略经理。作为第一代互联网自媒体视频博主，曾为优酷签约原创作者，2014年单年播放量突破千万。她入选2024年福布斯全球联盟国际化领军人物，拥有滑铁卢大学数学、计算机与工商管理学士学位。
CTO: Shaojun Gao 是一位资深技术领袖，上市公司集团高级技术执行官（CTO-1），领导AIGC团队打造语言学习应用，并带领30人团队成功开发并落地多模态大语言模型。此前，他曾担任字节跳动AI实验室高级算法研究员，推动多个爆款娱乐化学习App（如瓜瓜龙、开言英语）上线落地，并曾在微软亚洲研究院担任算法研究员。他拥有北京大学智能科学硕士及同济大学计算机科学学士学位。
我们的产品主打基于短视频的“无痛”语言学习，其核心价值可定义为：“通过 AI 驱动的短视频内容，让用户在闲暇时间中通过刷视频不费力地掌握想学习的语言和文化，打破传统语言学习的固有模式。”
相比于通用LLM，我们的AI主要解决了其无法解决的3个痛点。
首先是围绕多模态内容的理解和加工，ChatGPT 等通用大模型文本理解&交互能力很强，但“视觉 - 语音 - 文本” 的多模态融合理解能力一般，无法满足用于语言学习的短视频内容的理解&加工 。而我们自研的语言学习短视频加工Agent，通过集成多种AI模型，从视频画面，语音，字幕，等多个角度对视频进行拆分和理解，从而获取视频对应的语言难度，可练习的词汇、语法、句式，视频本身可能吸引的人群等多种信息。这些信息会使我们能够有效地对视频进行加工，提取其中适合学习的片段，以及生成视频相关的高质量学习素材。
其次是围绕视频的推荐系统。基于上述的视频信息，我们结合用户画像（用户的语言水平，兴趣偏好，历史观看行为）构建了视频推荐系统，给用户提供最适合其学习并且有趣的视频。而ChatGPT等通用大模型并能直接从海量视频库中给出最适合用户观看的视频。
最后是围绕视频的口语练习，我们基于语音评测的AI能力，构建了围绕视频的核心口语练习模块。该模块对用户的跟读情况进行打分，快速给出反馈，告知用户如何改进自己的发音。这⼀能力同样不是通用大模型的擅长能力。
1. 打破数据孤岛：构建数据平台统⼀管理用户、内容、行为等全部核心据，并将权限分发给各个职能的核心人员，并定期sync对齐对于核心数据的理解，使公司的核心人员都能理解并使用好公司的核心数据。
2. 格式差异：由于我们的上线内容已经全部实现了基于内容加工Agent的AI化，因此所有内容本就已经是统⼀且高度结构化的格式。并不存在所谓的格式差异。
3. 实时性：考虑到数据的实时性和处理数据所需算力成本之间的平衡，我们在系统架构上进行了拆解，分为了离线层，近线层和在线层。其中离线层用于处理需要大量算力但是实时性要求不高的数据，在线层则存放高频使用对实时性要求很高，但对算力要求低的数据，近线层则是实时性和算力开销都要求适中的数据，通过定时任务的方式定期处理。
目前在产品中使⽤最多并且效果最好的方式是基于RAG的方法，例如在我们进行词汇练习时，会首先基于权威词汇列表构建词汇知识库，如英文的TOFEL词汇，中文的HSK词汇等，再通过索引的内容送给生成模型进行可靠的输出。
正如前文所阐述，基于我们对产品核心价值的定位，决定了产品所采用的核心能力体系 —— 其中会运用大语言模型（LLM），但单纯依赖 LLM 远远不足。因此，从产品研发的第一天起，我们便着手持续构建差异化竞争优势。具体的构建策略，已在上述针对三个痛点问题的回复中阐明，这三个痛点恰是通用大模型难以妥善解决，而我们的产品能够有效攻克之处。
由于我们在构建产品的过程中很多地方都用到了LLM的能力，因此⼀定会考虑和基础大模型厂商形成生态合作。
目前我们采用的定价策略就是“价值导向的定价”，通过打包⼀系列的AI能力从而交付给用户⼀个对于语言学习有价值的产品，从而让用户通过订阅使用我们的产品。
· 通过构建多级审核体系确保内容的合规，首先基于常用规则进行内容审核，之后基于合规审核Agent进行内容审核，最后再对高风险的内容进人工审核。通过多级审核确保内容的合规。
· 对于不同的国家和地区，构建不同的审核体系，确保内容合规。
AI技术从短期看对就业市场可能会产生一些波动，由于AI技术的发展，⼀些原本需要人工的岗位会被AI进行替代，从而导致⼀些失业。但是与此同时，AI技术也带来了更多的全新的就业机会，就整个社会的盘子变得更大了。不过这也要求不仅仅是从业人员，而是全社会都应该时刻跟进AI技术的进步，学会利用AI技术，不断提升自己的竞争力从而在就业市场拥有竞争优势。
我们的产品由于是面向语言学习，因此并没有考虑更多的“人机协作”模式的支持。
在未来3年，我觉得基于Agent的AI应用的快速发展会深刻影响AI应用层的发展方向。目前Agent已经被很多人注意到，基于Agent的AI应用开发提供了⼀种快速，便捷，上手门槛很低，验证周期短的AI应用开发模式，这一模式将会催生出非常多的有意思有价值的AI应用的诞生。
对于“AI管人”和“人管AI”我尝试做以下的理解。这里我拿自动驾驶的L1-L5来做类比，我把5个层级简化为3个，第⼀个层级，包括L1-L2，叫做“部分自动驾驶”，可以实现自适应巡航了，部分做到了脱脚和脱手，一些简单机械的操作，例如高速上跟车、堵车时跟车，已经可以做到了。第二个层级，L3，叫做“有条件自动驾驶”，大部分情况下都可以交给车自己来开了，基本可以做到脱眼了。但司机还是得时刻准备着接管。第三个层级，包括L4-L5，叫做“完全自动驾驶”，基本可以做到脱脑了。司机可以完全不用管车，干自己的事情去了，这个层级什么时候算真正达到，就看自动驾驶出事了是不是算车企的责任。类比下，AI也可以分为三个阶段，分别是：AI助手、AI伙伴，和AI CEO，分别对应上面说的：部分自动驾驶、有条件自动驾驶，和完全动自驾驶。目前，国内大部分组织都还在第⼀阶段，有些做得很好的可能正在步入第二阶段。
第⼀阶段，AI助手。仍然是传统的组织架构，从CEO到中层，再到一线员工，但每个岗位都会借助Agent来替代自己完成机械重复的任务，优化现有的流程。这里的决策权依然集中在人的手里，AI更多是降本提效。虽然架构和流程没有根本性改变，但在执行效率方面已经有巨大的提升。
第二阶段，AI伙伴。这里AI不再只扮演助手的工具角色了，而是可以和人类⼀起做决策了，组织开始从“以人为中心”向“以AI为中心”转变。Agent不再是被动响应人的决策去执行，而是主动提出决策建议，主动驱动流程，如果人类不做干预的话，就以AI为主去自主执行了。但人类还是要保留“事后追责”的权利，不断的和AI⼀起持续复盘和迭代，确保AI伙伴的战略方向是正确的。
第三阶段，AI CEO。这里AI已经不再是辅助的⼯具，而是可以从CEO视角去统筹调配资源，融合多个AI角色的能力，完成公司日常的所有工作了。到了这种终极形态，会有AI CEO、AI HR、AI财法、AI 产研等等，超级CEO+超级个体，多Agent自主决策和运行。当然，到了这个阶段，大型公司这种组织形态是否还会存在也不好说了。
所以从长远来看，AI管人应该会具备极大的商业潜力，但是从中近期来看，还是人管AI的模式更加务实可靠。