在演讲开始，付强谈到自己曾在Google工作，后来创业打造独角兽企业，再后来进入人工智能领域，深刻感受到 2025 是一个全新时代，人工智能智力程度逐渐与人类媲美甚至超越人类。

关于主题演讲，付强围绕 Kimi 的人才观（人才画像）展开分享，阐述在 AI native 时代，企业对人才的要求以及大模型技术原理与人才培养的关联，强调了好奇心、品味、AI 应用能力、学习能力和泛化能力在人才选拔和培养中的重要性。

关于 Kimi 六个人才画像，核心观点如下：

付强引入开源社区的 BDFL（Benevolent Dictator For Life） 概念，在开源社区如 Linux、Python 的发展中，存在“仁慈的终身独裁者”（BDFL）概念。

在开源社区中，有众多贡献者参与，但需要有核心人物基于理想状态进行决策，而不是单纯追求共识，进一步说明大模型演进中品味比共识重要。

付强指出，大模型的表现受数据分布和激励机制影响，这是一种价值观和品味的判断。不同模型有不同性格，如有的模型为迎合用户可能出现幻觉。

企业应寻找非共识，重视人才寻找非共识的能力。付强还提到，创始人的品味会影响企业早期员工，进而影响企业的 DNA 文化塑造和绩效度量。企业应通过绩效反馈闭环明确奖励和惩罚的行为，塑造独特的企业文化。

在这一部分，付强介绍AI发展逻辑，从 chatbot 到 agent，再到 Multi agent 阶段，AI 逐渐从一问一答向自主完成任务、创建组织的方向发展。未来每个人可能都是 CEO，AI 将在组织方面产生更多智能。

付强分享Kimi 的实践案例，在 Kimi 公司，鼓励员工将知识构建成 agent。以广告投放为例，员工通过内部工具搭建 workflow，用自然语言与 AI 对话，实现自动化投放，一人可完成几千几万个广告的创建。

付强就还谈到，很多人对大模型了解不足，认为与大模型对话几次或读几篇公众号文章就成为专家，这是错误的。应深入了解大模型影响其行为的参数，以便更好地驾驭大模型，预判未来。

付强谈到大模型的预训练瓶颈，大模型的预训练需要大量语料，但世界上优质语料有限，预训练存在发展瓶颈。有人认为大模型已达到智能上限，但实际上并非如此。

付强强调 learning rate 的重要性，不同人学习相同内容的收获不同，这体现了 learning rate 的差异。优秀的模型和人才应具有高 learning rate，能够从有限信息中吸收更多信息，实现泛化。

付强谈到 AI 时代小公司的机会，小公司在资源投入上可能不如大公司，但通过强调 learning rate，培养学习能力强的人才，同样可以在赛道上超越大公司。Kimi 的 K2 模型就是一个例子，它学习快、适应环境能力强，在开源行业表现出色。

付强谈到大模型的后训练方法，大模型预训练后需要后训练，有监督微调（SFT）和强化学习（RL）两种方法。SFT 是人类告诉模型问题的解法，RL 是通过奖励和惩罚让模型自己领悟。RL 方法虽然消耗算力，但能让模型实现泛化。

付强接着谈人才的泛化能力需求，在人才培养中，应强调泛化能力。工业革命时代希望人才像螺丝钉，而 AI native 时代重视人才的个性化发挥和泛化能力，以适应企业转型和发展。

最后，付强谈到，企业在 AI 时代，应思考是依靠传统的机制和流程沉淀文化，还是构建更具智能的组织。Alpha Zero 没有学习人类棋谱却超越了学习所有棋谱的 Alpha Go，这启示企业不应将自己设为天花板，应给员工提供成长土壤，让他们超越自己。

简单来看，Kimi 五条人才观：在AI native时代，人才应具备好奇心、独特品味、借助AI提升效率的能力、快速学习能力和泛化能力。