AppLovin撕开巨头裂缝�天：AI审判、被做空与Underdog的“弱者之心”
文 | 硅�
2025�日晚，美国广告技术公司AppLovin正在旧金山City Hall举办年会。
在这里，高层和员工们带着家人穿着隆重的晚礼服、喝着香槟，尽情庆祝公司突千亿美元市值。
过去三年，这家公司被外界视为“AI受益第一股”：两年股价增�倍、加入标�指数、迈入千亿美元俱乐部。其亮眼的财报和丰厚的利润率甚至让Meta和谷歌这两家全球广告霸主的地位都被撕开了一道裂缝。
然而，围绕着这家公司的争议从来没有停止过。
步�年第一季度，AppLovin继续经历着来自做空机构的攻击、AI发展对广告行业的挑战，以及竞争对手的市场蛋糕争夺。美�日盘后，AppLovin发布�第四财季的财报，营收、利润和展望都皆超出分析师预期，然而公司股价却出现暴跌。这样的背离在一定程度上显示出资本市场对于AI即将颠覆SaaS企业的恐惧。
在去�月底，我们独家对话了AppLovin技术核心人物葛小川（Giovanni Ge）。他从中科大少年班毕业，后在意大利读博，2022年底从Meta辞职后在AppLovin转型关键时刻加入，三年时间迅速从工程师晋升为公司全球首席产品及工程官（Chief Product and Engineering Officer）。
我们在这个时间点上线这场对话，试图通过葛小川的深度分享中，看看他眼中过去的三年，大�天的时间，如何带领AppLovin撕开巨头裂缝、跨越深渊，这家公司如何在谷歌与Meta的双头垄断下崛起，又是如何凭借“弱者之心（Underdog）”的生存哲学杀出重围。而外界对它的追捧和质疑，AppLovin内部是怎么看的？葛小川又是怎么带领团队去打现代推荐算法这场硬仗的？
01 AppLovin发展前期 原始积累与数据寒冬
2018年，硅谷的数字广告权力格局已然固化：谷歌掌握着搜索意图，Meta控制着社交图谱，而此时的AppLovin，只是一个规模尚小的“移动广告网络”（Ad Networks），简单来说，它就是连接移动应用开发者（广告位发布者）与广告主的中间平台。
对于这种“中间商”而言，最大的死穴在于：它不知道用户在App里面到底在做什么。如果你无法获得第一方数据，你怎么跟谷歌和Meta这样的巨头对抗？为了打破这一局面，AppLovin开始大举收购游戏工作室。
�年�年IPO前夕，AppLovin通过一系列并购、战略投资及工作室孵化动作，快速扩张游戏版图，累计交易规模达到数十亿美元级别，并依托它的广告和分发平台，触达全球数亿级移动设备用户。
AppLovin买下这些工作室的目的，不是为了游戏利润，而是为了获取核心的转化信号，这些“自产”的游戏，成为了算法引擎最初的实验室，后来AppLovin也进行了一系列关键收购。
Chapter 1.1 收购Max
�年前，AppLovin本质上更像一个广告投放平台，但对开发者来说，它并不能很好地帮大家把广告位卖出高价。
当时行业里用得最多的是一种叫“瀑布流”的方式：开发者先把广告位给A广告平台试一试，如果A不接，再给B，再不行给C，一个一个来，顺序是提前排好的，依据的是过去的eCPM（Effective Cost Per Mille，有效每千次展示成本）、填充率（Ad Fill Rate，广告数与广告主/媒体发起的广告请求总数的百分比）这些历史数据，但问题就在于，整个过程是排队式的，效率低，而且很容易卖便宜。
Max出来之后，规则就彻底变了。
它引入了应用内实时竞价，一次性把广告位丢给所有广告主，让大家同时出价，最后谁出得高，就卖给谁，开发者直接拿最高价，收入立马就上来了；广告主这边也不吃亏，虽然花𱄽.5块，但如果能赚块，照样是划算的，结果就是：开发者多赚了钱，广告主拿到了更好的用户，双方都满意，也正是因为Max，AppLovin从“只帮买家”的角色，升级成了同时服务广告主和开发者的平台。
Chapter 1.2 收购Adjust
第二个重要的收购�年，�亿美元收购的移动应用数据监测及营销公司Adjust。
在广告行业，广告主最关心的只有一件事：我花出去的块钱，到底赚回来了多少？但在移动广告里，这个问题其实非常难回答，因为一条广告从展示到点击，再到下载、使用、甚至付费，中间要经过很多环节，而这些数据往往分散在不同地方，甚至根本看不到，对广告主来说，就像一个黑箱。
相比之下，像Meta这种能把数据追踪得更明白的平台，就更容易拿到广告主的钱，AppLovin的增长也因此受到了限制，而Adjust正好解决的就是这个问题。
Adjust本质上是一个移动广告的“追踪和归因工具”，它通过全流程追踪和精准归因，能帮广告主把每一块钱的投放效果拆得清清楚楚：钱花在哪了、带来了多少用户、最后赚回了多少，更重要的是，这些数据还能反过来喂给AppLovin的AI系统，让投放越来越精准。
Adjust让AppLovin从一个“只负责把广告投出去”的平台，升级成了一个可以对广告效果负责的服务平台，这也是为什么AppLovin高度强调LTV（生命周期价值）。可以说，Max和Adjust的布局让AppLovin步入快速增长的通道。
Chapter 1.3 收购MoPUB
然而，正当AppLovin�月完成上市IPO之际，苹果公司的IDFA（应用追踪透明度）政策切断了跨App追踪用户的能力，移动广告市场瞬间陷入混乱。
2022年，AppLovin股价坠入深渊，从之前的高点跌去�%，但在一片哀鸿遍野中，AppLovin并没有像它的竞争对手们那样，通过裁员来收缩防线，而是从当时的推特那里进行了一项关键的收购。
这项斥�.5亿美元的全现金交易收购的对象叫MoPub，是之前Twitter旗下的移动广告平台，你可以把它理解成一个“广告位大市场”，把大量App的广告位集中起来，卖给广告主，从中抽成，这笔收购，带来了三个非常直接的变化：
1
第一，能触达更多人。MoPub当时服务的是成千上万个应用，包括新闻、工具、生活类App，覆盖大亿日活用户。AppLovin把这些广告位接进来之后，广告库存规模直接放大了一个数量级，触达人数成倍增长。
第二，能把广告投给“对的人”。MoPub的广告位不只来自游戏，还来自新闻App、健身App、生活工具App，这意味着，女性用户、中年用户、非游戏用户都进来了，广告不再是“什么人都给同一条广告”，而是不同产品，对应不同人群，AppLovin也从“游戏广告平台”，升级成了真正的全行业广告平台。
第三，整体更稳定、更赚钱。之前AppLovin的广告位主要来自自家游戏，而且人群结构偏向游戏玩家，而有了MoPub，AppLovin不再需要拼命自己做游戏来“产广告位”。有个很有意思的比喻：从自己种菜，变成了开超市，货源来自四面八方，稳定又可控。
总结一下，Max解决“卖不出好价钱”，Adjust解决“效果说不清楚”，MoPub解决“规模不够大”，同时，MoPub这起收购为AppLovin带来了一个极为重要的“数据水源”：这些源源不断、实时注入的竞价信号，为后续的算法能力提升提供了数据基础。
此时的AppLovin急迫的需要一位懂算法的核心技术人员加入，所以在这三次关键的收购之后，AppLovin正在寻求又一次的升级。
这时候加入AppLovin的这位算法核心人物就是葛小川。
他加入三个月之后，AppLovin就上线了新一代的模型，名为AXON，这款模型奠定了之后三年公司业务的飞涨之路。
以下我们进入到葛小川的对话部分：
02 AppLovin的崛起 现代推荐算法与AXON迭代之路
陈茜：
你加入AppLovin已经三年了，怎么看待过去三年的时光？
葛小川：
回顾过去三年，从一开始就是埋头工作，不断处理每天遇到的问题，有时候不仅是我，包括团队里的其他成员都有同感，这三年感觉像是过了十年一样，因为期间发生的事情实在太多了。
陈茜：
就是打仗的感觉吗？
葛小川：
对，每天都在打仗。
陈茜：
你之前是在Meta，当时为什么想要离开？又是为什么选择了AppLovin这家公司？
葛小川：
我觉得那个时候在Meta想学的东西基本已经学到了，如果继续待下去，我觉得个人职业发展会逐渐慢下去，我本身也不是一个特别喜欢遵循流程的人，想去一个更自由、更灵活的地方，所以当时觉得离开Meta挺符合我的性格。
陈茜：
当时觉得AppLovin最打动你的一个moment（时刻）是什么？
葛小川：
那个打动我的时刻就是大家都很坦诚，在面试AppLovin时，我和CTO（Basil Shikin）以及CEO（Adam Foroughi）都聊过，他们对于公司当下面临的最大问题、以及需要什么样的人来解决这些问题，都表现得特别坦诚。尤其是我在大厂待久了，习惯了和大厂的中层管理人员接触，那里的沟通往往有很多迂回和绕弯子，然后第一次和这种C-level（最高层管理人员）接触，并且能够有那么直接和坦诚的对话，给我留下了非常深刻的印象。
陈茜：
我看到你之前的分享提到，当时聊到AppLovin的时候发现，公司要进一步做广告业务，而他们缺的东西正好是你具备的skill set(技能组合)，能不能说一下他们当时缺什么？当时广告业务处于一个什么样的阶段？你身上又有什么样的技能可以弥补他们的短板？
葛小川：
从业务角度来看，公司当时的业务已经比较成熟了，主要缺的是现代的推荐算法和推荐系统，当时在北美，代表推荐算法最先进的公司就是Google和Meta，当然这一类型的推荐算法在很多中国公司，像TikTok、阿里巴巴、小红书其实都已经在用了，但当时北美很多中小型公司，包括AppLovin在内，其实还在使用上一代、可能是十年前的推荐算法，所以当时他们想要我过来帮忙，把公司转型到最先进的这一代推荐算法上来。
陈茜：
10年前传统的推荐算法是什么样子的？现在的现代推荐算法是什么样子的？
葛小川：
在十年前，推荐算法以一种叫做boosting tree（提升树）的方法为主，虽然那时候deep learning（深度学习）的理论其实已经非常成熟，但在推荐算法的应用里，一直没取得特别大的成功。
转折点大概出现��这几年，当时有好几个比较重要的工作出现，在那之后，这些一流的公司很快都转型到了现在的deep learning模型里去了。
陈茜：
当时有哪几个比较重要的工作？
葛小川：
这里面很重要的一点，推荐算法里有很多high cardinality（高基数）的sparse feature（稀疏特征），举个例子，推荐系统就是把“人”和“物料”进行匹配，像Meta和Google这样的公司，物料的数量级非常大，轻易就能达到几千万、上亿，甚至几十亿，而且用户的数量级也是几十亿的，每个用户有ID，每个物料也有ID，当然还有一些相对不那么稀疏的ID，比如国家ID、zip code（邮政编码）等， 在模型里如何利用、如何represent（表征）这些ID？以及如何处理这些ID之间的交叉？�年之前，人们其实并不清楚如何用deep learning（深度学习）去有效处理这些问题，但��年里，出现了很多重要的论文，讨论如何将这些ID放到模型，并实现ID与ID之间的交叉，这些工作出现后，deep learning的framework（框架）在推荐算法领域就真正脱颖而出了。
陈茜：
你到AppLovin之后，三个月就推出了第一款模型吗？
葛小川：
对。
陈茜：
为什么要这么快呢？
葛小川：
因为时间很短，我觉得生命很短，我们这边做事情就是这样，当你知道一个目标就在眼前时，我们希望能非常非常快地把它给做出来。
其实刚来AppLovin之前，我本人的思维模式还不是这样的，因为我毕竟在大厂做了很多年，刚开始我还打算沿用Meta的方式：比如先讨论roadmap（路线图）、制定计划、再分配人员和工作，一步一步地来。但我来了大概不到一星期，立刻就意识到：这不是这家公司的工作方式。
有几件小事让我产生了转变，转变之后，工作方式就很明确了：get my headdowm（埋头苦干），就是从写代码开始，遇到什么问题就解决什么问题。所以刚开始的时候，并没有想到具体需要多少时间，公司领导层也从来没给我们压力或要求，规定必须在多少时间内完成，但是整个团队大家都全身心投入，心里想的肯定就是尽早把东西做出来。
陈茜：
做第一代模型的时候，你的团队有多少人？
葛小川：
那时候团队人数真的很少，就是真正直接参与最核心工作的人，包括CTO本人在内，加起来可能也个人左右。
陈茜：
第一代模型上线时效果怎么样？我知道你比较完美主义，它达到你心里的完美要求了吗？还是说你们只想先推出来看看效果？
葛小川：
我是一个reasonable（理性的）完美主义者，我肯定不会要求模型上线第一天就是完美的，但当时刚上线，效果是非常好的。具体数字我记不住了，但从当时财报的数字来看，上线后的效果非常好，是明显的一个代差，肯定是百分之几十的跃变。
陈茜：
能不能给我们解释一下，AppLovin当时是怎么做广告投放的？跟Meta、Google相比，虽然都是现代推荐系统，但你们的模型会有什么不一样？
葛小川：
我觉得框架肯定是一样的，但我们和Google、Meta最大的区别其实不在于模型本身，而在于商业模式。Google和Meta主要的广告投放对象还是他们自有的用户流量，比如在Google的YouTube、搜索，还有Meta的Facebook和Instagram。而AppLovin其实很有趣，作为中国以外国际市场上排名前几的广告投放平台，我们在头部广告投放平台里，是唯一一个没有自有流量的公司，我们的投放对象更多是在第三方的交易平台上，这是我们和Google、Meta最大的区别
陈茜：
这是最大的区别，但也是你们在游戏方面的优势吗？
葛小川：
在游戏方面，你觉得我们最大的优势是什么？
陈茜：
数据？
葛小川：
其实我们现在已经不拥有任何一家游戏公司了。
陈茜：
但�年的时候，大家会觉得，因为你们之前收购了很多游戏公司，所以你们有非常多的游戏和用户数据，外界会认为这是你们曾经的优势。
葛小川：
其实我也很难具体定量地去评估这到底产生了多少影响，在推荐算法里，有一种常用的方法叫ablation test（消融测试），当你想要验证某个模型处理、或某一个具体数据、某一个具体的特征对整个系统的影响有多大时，就会用到它。具体来说，就是把系统copy（复制）成两份：一份抹掉你想要测量的那个因素，另一份保留，然后对比两者的performance（表现）的区别，我们经常做这样的测试，但在自有数据这一块，我们还真没做过这样的测试，所以很难定量地说它在当时的发展路径中究竟起了多大作用。
但从今天来看，我们已经没有这部分数据了，但我们的广告投放效果和增长，并没有因为失去这些游戏公司而受到任何影响，所以我不知道当年那些数据是否真的有那么重要。
陈茜：
大家在做position（定位）你们和Meta、Google时，就会说：Meta的定位是社交关系加上信息图谱，Google的定位是搜索意图加上全渠道覆盖，那么AppLovin的广告投放定位的关键词是什么？
葛小川：
我觉得在做产品时，我们不会一味迎合最新、最热门的话题来迎合技术方向，而是看当前最需要解决的问题是什么，用这个来引导我们的技术发展，可能正因如此，从产品角度来看，我们算是第一个解决了广告推荐领域里几个最大痛点的公司。
我举几个例子，第一个是所谓的“价值预估”：很多公司在投放广告时，优化的目标是点击率或转化率，但对于大多数广告商来说，他们关心的既不是点击率也不是转化率，而是转化之后带来的价值。比如作为广告商，你不在乎�块钱带来𱅁个还�个购买用户，你更关心个人�个人购买后，到底给你产生了多少价值。
很多公司都在做这种基于价值的产品，但我们是真正把重心放在这上面的，我们可能是行业里第一个把价值产品做大的公司，在AppLovin，价值产品占据了绝大多数的广告花销，就是因为我们的价值模型是业界做得最好的。
与价值模型相关的另一点，是时间窗口，作为广告商更关心未来很长一段时间能产生的价值，比如投放广告后，一年内能不能回本？或者两年后能翻多少倍？如果广告优化能覆盖更长的时间窗口，对广告商来说价值更大。在我们之前，市面上大部分的优化窗口只天，偶尔有人做天，但从来没有人用非常严谨的模型做到超天，我们是全球第一个把优化窗口𱐓天直接做�天的公司。当时这个产品上线后，立刻成了业界最热门的产品。
所以和很多公司相比，我们会把“解决问题”放在最高优先级，然后去寻找和思考哪些技术革新能帮我们实现目标，而不是先找个热门话题，再想围绕它能做什么技术创新。
陈茜：
这就是以LTV（lifetime value，生命周期价值）为核心设计的产品和算法，这个理念是谁提出来的？还是说这本身就是公司对广告产品的价值观所在？
葛小川：
大家可能觉得是谁提出来的很重要，但这真的不重要，因为任何一个在业界工作的人都知道这个东西很重要。
陈茜：
那为什么Meta和Google他们没有围绕着这个来做？
葛小川：
那我就不知道了，毕竟我不是Meta的CPO（首席产品官），我觉得更重要的是，当你知道这个东西重要后，你如何管理、利用和分配公司内部资源、如何有效地帮助团队解决这个问题，这才是最重要的，行业里大部分人都知道它很重要，但能不能真正解决它，才是真正重要的问题。
陈茜：
那我们再说一下其他的竞争者，除了Meta、Google这几个大的公司，有没有一些其他小公司或是潜在竞争者？我看到有人在问，市场上也有Unity ironSource、Chartboost、Liftoff这些公司，那为什么跑出来的是AppLovin，不是他们呢?
葛小川：
你用“竞争者”的这个词来描述，但从我们看来这些公司其实都不是竞争者，更像是合作伙伴。因为我们最终服务的都是手机（软件）开发者和广告商这样的群体，尤其对于手机（软件）开发者来说，为什么我们的平台会允许并且欢迎Google、Meta、Amazon这些公司在我们平台上竞价呢？就是因为他们的购买力会让我们的开发者获利，所以在我看来，我们都是共同服务于同一个行业的合作伙伴。
至于我们为什么在这里边胜出，其实这里有两个不同的行业，一个是我刚才说的这个广告交易平台，虽然目前Google和Applovin是最大两个交易平台，市场上也还有更小些交易平台，像Unity的ironSource，但我觉得这个交易平台存在的最大意义，并不是给公司带来直接的商业价值，而是服务于整个手机应用的一个生态，给这些开发者一个变现的平台，所以对于AppLovin来说，这个平台的营收占非常小的一部分，并不是我们的主要营收。
另一个分支是广告投放。虽然我们也希望有一天能把广告投放到Meta、Google的生态中，但我不觉得他们会允许我们这么做，那么我们就只能把广告投放到第三方汇聚平台上，这也是为什么从我角度来看，维持这样的生态系统非常重要。所以在广告投放这一块我们的竞争对手其实就不只是Unity，而是包括Google、Meta在内的所有潜在竞价者。在我来看，我们的竞争对手更多的是Google、Meta， 因为从购买量上来看，他们的购买量和我们购买量之间是此消彼长的关系。
陈茜：
2023年你们的模型趋于稳定，验证了可重复性，同时你自己也开始筹备亚洲团队，进入高管层接手更多业务，这一年公司连续三个季度业绩飞速增长，也是验证你们模型是否work（有效）的一年，你觉得这一年遇到的最大挑战是什么？你是如何克服的？
葛小川：
大概在我来公司小半年时间，大概�年、5月份，我们AXON 2.0那代模型第一次上线，当时其实只是一部分模型上线，并不是全部，但这算是一个比较重要的里程碑，因为在此之前，我们其实并不确定这种方法上线后到底能带来多大的收益。
我记得在第一个模型上线前，我们团队要经常做准备和小范围测试，那时我们的infrastructure（基础设施）比较弱，模型上线测试的中间要等一个小时左右，等待时大家就开玩笑，说这一小时是不是该买票去Vegas（拉斯维加斯）准备开派对了，结果模型上线后不是很成功，大家就说OK，那就推迟吧，回去继续迭代，就是这样一个状态，前前后后搞了一两个月的时间。当然，最后模型真正上线成功时，大家也失去了那种狂喜的感觉，不过这对公司来说，是一个非常重要的里程碑。
接下来的半年就是不停地迭代。第一个模型上线解决了对我们来说很重要的问题：它弥补了模型的代差。我们把AppLovin的模型，从比最先进的模型水平晚一两代的状态，带到了比较先进的这一代。
接下来的问题是：当你弥补了代差之后，模型还有没有能力继续迭代、然后继续获得收益？这其实一直是外界对AppLovin最大的质疑之一。你可以看到�年，我们每次的财报都远远超出预期，但股价几乎没动，原因就是业界总是觉得我们每次的收益是一次性的，后续不会有迭代。
但对于我们自己来说，因为我见过这个行业怎么运作的嘛，我对模型的可迭代性比较有信心的，但还是需要时间去证明。到�年底，我觉得我们证明了模型的可迭代性：并没有因为模型上线，收益就就停止增长。
03“去游戏化”AI、进军电商与社交媒体
陈茜：
到�年，我觉得这一年你们真正开始大放异彩，从underdog慢慢被主流接受，股价开始飙涨，同时也伴随着很多质疑声，你觉得这一年你们做对了哪三件事？
葛小川：
首先我要纠正一下，你说我们从underdog变成了被主流接受，但我觉得一直以来，我们都是一个self-recognized（自认的）underdog，而且我一直以这样的身份感到自豪。
陈茜：
什么叫做self-recognised（自认）underdog？
葛小川：
就是说，我其实不知道现在世界怎么看我们，我们可能把自己看做underdog，那有些人可能觉得AppLovin今天发展得很不错了，但也还有人觉得AppLovin只是一个短时间内走运被炒红的“网红公司”。但这些对我们来说都不重要。我们要把自己定位为一个underdog，并且用这种underdog的精神来驱动我们文化的根基和我们做事的方式，这在我看来才是最重要的。
陈茜：
你之前把underdog翻译成中文叫“弱者之心”，能不能再给我们解释一下，你对这个词的定义是什么？
葛小川：
我觉得其实更好、更准确的一个翻译是“不被看好的人”，“弱者之心”是为了凑一个四字成语。
我觉得underdog有很多不同层次的意义，首先underdog代表了你不会骄傲自满，因为你没有骄傲自满的资格，别人不认为你很好；第二，我觉得underdog在做事情时，没有那种害怕失败的负担，因为你反正是不被看好的人，反正没人认为你会成功，反过来那种一辈子都在成功的“天之骄子”，可能更不敢去做高风险的选择，因为你成功太久了，不想打破这样的人设，underdog就没有这个问题；第三，我觉得underdog的ego（自我意识）会比较低，在一个问题、一件事里，他不会把自己看得很重，而是把mission（使命）和集体看得更重；第四，因为大家都不看好他，所以underdog还有一种想要证明自己的渴望，其实给一个人带来的动力是非常巨大的。
至于做对了哪三件事，这真的不是我们在AppLovin的思考方式。我是绝对不会�天里每一天的辛勤工作，归结为三个正确的决策。这种说法其实对整个团队都是一种伤害，因为团队里有几十个人，每个人都在从事点点滴滴的工作，正是这些工作汇聚在一起，成就了我们的成功，我不觉得能把任何三件事剥离开来，说它们决定了AppLovin的成功，这不符合事实。
陈茜：
这一年很多机构研报的标题都称AppLovin为“AI受益第一股”，你们内部怎么看待这件事？AI在你们的算法中真的有那么重要吗？
葛小川：
首先提到AI，我觉得现在大家对AI本身的定义是比较模糊的，在现在的主流叙事里，AI其实主要指LLM（Large Language Model，大语言模型）相关技术，但其实AI这个词在大语言模型爆发之前就经常被提及了，推荐算法是大语言模型出现之前，整个AI领域最成功的应用之一。
AppLovin作为一家在推荐算法领域世界一流的公司，肯定用到了所有与推荐算法相关的AI技术。至于大语言模型，这不是秘密，AppLovin今天并没有在训练自己的大模型，但我们确实在产品和算法的各个方面，利用大语言模型来提高和改进我们的产品和算法，因为我们的算法里面会用到大语言模型，这一点是毋庸置疑的。
至于外界怎么看我们，说AppLovin是不是AI公司？或者有没有因AI受益？我们在内部真的完全不会去想这个问题，也不关心别人怎么评价我们。因为在我们看来，“AppLovin是不是一家AI公司”这个问题，对于我们每天的决策没有任何影响。
陈茜：
你刚才提到AI，这里指大语言模型LLM会赋能每一个环节的决策，相信行业里其他公司，比如Meta，也有类似的做法。前段时间他们的股价大涨也是因为广告提效了。那么大家在利用AI给模型提效的方式上差别大吗？你们的优势在哪里？
葛小川：
我觉得在目前这个场景下，我们很大的一个优势，反倒是没有自研大语言模型，正因这样，我们有充分的自主性去选择市面上能买到的最好的模型。虽然很多公司在自研，但大家现在应该都会承认，目前来看世界上最好的大语言模型其实是Gemini和OpenAI的模型。
因为我们没有自研大语言模型，给了我们很大的自由去选择世界上最好的语言模型，因为这个原因，所以我们反而在大语言模型应用这块走在了世界前列。
比如早在一年多以前，我们就顺利的使用大语言模型来对抗广告投放领域的fraud（欺诈）和integrity（合规/诚信）问题，最近我们又是市场上第一个推出利用大语言模型全自动为广告商生产广告素材的公司，我们已经把这个产品投放给了我们的广告商，这些我们都走在行业前沿。
之所以能比竞争对手更早做到这一点，我觉得在于我很早就做出了一个判断：在广告内容生成这一块，短时间内能做到最好的只有两家公司，Google和OpenAI，我们没必要在这个领域去做他们已经做得很好的事情，我们要把专注度放在如何利用他们的模型，将其融入我们的产品中。
要知道这个决策是在一年以前做的，当时Google和OpenAI的模型甚至还没ready（准备好），当时我们的决定就是相信我们的合作伙伴（Google和OpenAI），我们去做好一些他们不会做的事，我们在时间的另一头等他们，我们知道他们会有一天会把模型做出来。
所以当Veo 3和Sora 2发布时，对我们来说就是the right moment comes（对的时刻到了），那时候我们整个产品的flow（流程）已经准备就绪，只等他们的模型好了，我们的产品就能立刻上线了。
陈茜：
所以感觉这还是一场速度竞赛？就是看谁能先把这个东西用好，用到state-of-the-art（最先进程度）的水平，先把产品推出来？
葛小川：
对，我觉得不仅是速度，也是一个做选择、做决策的一门艺术，就是很多东西哪怕它是最热门的，哪怕它是最exciting（令人兴奋）的，选择不去自己做，其实有时候是一个很好的决策，但是不知为何我觉得这世界上很多人好像不太能够接受这样的选择，总是觉得这个事情如果是最exciting（令人兴奋）的，那我一定要选择自己去做它。
陈茜：
提一个假设：如果以后Google觉得要切断API，或者这些模型厂商（比如OpenAI）想要自己做广告了，切断了API的access（访问权限），怎么办？
葛小川：
我不觉得这会发生，如果有人真的这么认为，那他的想法可能有点天真。目前我们是Google最大的客户之一，也是Google Cloud的大客户，如果我们真的担心Google切断API权限，那是不是还要担心哪天我们连Google Cloud都无法使用了呢？
陈茜：
其�年外界对你们最好奇的一点，就是你们开始向电商广告去走了，能跟我们要讲讲当时的考量和思维过程吗？为什么决定往电商广告拓展？
葛小川：
这个思维其实非常简单，我和你聊天发现你很想问我们的成功是不是某一个具体决策造成的，但并不是这样，我们的成功不能归结为某一个具体的决策，决策本身非常简单，真正让公司走向成功的，是决策之后的�天你是怎么过的。
回�年初，当时有几个比较重要的时代背景：
第一，我们的技术在手机应用广告领域已经被证实了，至少和世界一流公司没有太大差距，完全有能力和他们直接竞争；
第二，我们所处的手机应用领域，天花板不是特别高，市场也觉得即使AppLovin在这个领域做的特别好，我们的上限也不是特别高；
第三，我本人对于算法在电商广告领域的可行性有比较好的理解，我认为当时的技术完全可以迁移到电商广告上去。
在这样的背景下，我们内部的讨论其实很简短，没有花很长时间，大概�月左右，我们就决定去做这个项目了。
陈茜：
当你去做一个不同的行业，或者说新赛道时，模型的迁移难吗？
葛小川：
我觉得“难不难”是一个非常主观的概念。
陈茜：
为了实现迁移，具体需要做些什么？
葛小川：
首先需要确定它是具备可行性的，我觉得需要一群非常善于解决问题、善于用第一性原理思考的团队。当你从一个熟悉的赛道进入一个不那么熟悉的领域时，最可怕的错误就是套用之前的经验主义，回忆当时整个团队做的一些细小的决策，我觉得那时候第一性原理的思考特别重要。
陈茜：
能不能举个例子，比如在游戏领域它是怎么work（运作）了？到了电商领域，困难在什么地方？你们又是怎么解决的？
葛小川：
首先要意识到它是个不同的产品，这就意味着产品的每一个环节都发生了变化。比如广告商不一样、广告商数据共享的方式不一样、广告投放的素材形式不一样、点击之后的落地页也不一样，就是所有的东西都不一样。这时候第一性原理的价值就在于：你要理解哪些“不一样”是可以简单转换过去的，哪些“不一样”是需要用不同的处理方法、需要在模型里进行改变的。
当你有了第一版比较简单的模型系统上线后，效果肯定是不尽如人意的，你要知道去分析哪一块，比如这一块其实已经不错了，那一块还存在问题，你要能分析出背后的症结是什么，是数据的问题，还是归因的问题，还是模型的问题，或者是feature（特征）的问题，这里面需要用到非常严谨的思维去判断，而且当时做这个项目时，我们团队非常小，第一期做电商的工程师大概也�个人左右。
陈茜：
我觉得这样说还是有点抽象，比如说从做游戏广告到做电商广告，是两个不同的产品，难点到底在哪里？你们具体解决了什么问题？
葛小川：
你可以把它当做重新做一个模型，当你有一个团队，刚刚搭建了全世界最成功的手机应用推荐算法和模型，很多infrastructure（基础设施）可以共用，比如训练模型和推理模型的infrastructure，但背后的数据怎么收集？模型用什么样的架构？模型里用什么特征？因为电商的特征和应用的特征差别非常大。
所以，你几乎可以把它认为是一次重新创业，从零开始，�年那个时刻，相�年，我们唯一多出来的东西就是那一年试错的经验。你刚才问难点在哪里，我觉得难点就在于，你假设里面有很多可以copy paste（复制粘贴）的东西，但其实没有，所有东西几乎都是重新开始，唯一多出来的东西只有你脑子里过去一年的经验。
陈茜：
那我是不是可以这样理解：既然做电商像是一次重新startup（创业），重新做产品，那你们将来是不是也可以在其他行业，不仅仅是复现模型，而是重新推出不同的产品？也就是说，未来你们会target（瞄准）不同的产业和赛道？
葛小川：
你说得太对了，所以一直以来，我不觉得AppLovin的优秀是因为我们擅长解决某一个具体问题，这也是我一直鼓励团队做的事情。我一直跟团队说，AppLovin现在的做事方法，其实让我们有能力去解决世界上任何一个值得解决的难题。比如AppLovin今天并没有在训练大语言模型，因为在我看来，目前对我们来说最好的ROI（投资回报率）不是去训练大语言模型，但如果有一天，我们觉得需要去做这件事，我们也可以很快成为世界上tier-1（第一梯队）的玩家。
陈茜：
那我觉得外界对你们的误解其实蛮深的，因为我看了很多报告和研报，外界普遍认为是因为你们做了多年游戏，积累了大量游戏资产和数据，比较有优势，所以你们的模型才能在游戏产业work（运作），正因如此，当你们从游戏（广告）转到电商（广告）时，外界对你们的质疑是很强的。但现在你们的电商业务也做起来了，大家又会说，这只是一个模型的迁移，你们只是在迁移的过程中做了什么事。
葛小川：
对，你看外界总是希望找到一个解释，让我们的成功看起来比较简单，这种质疑和低估，我已经习以为常了，它根本不会让我感到不适，doesn't bother us at all（完全困扰不到我们）。如果有一天外界看法变了，大家开始说：“AppLovin这家公司的人特别厉害、很聪明，做每一件事都能成，这件事情他们一定也能做成功?！?#22914果那一天真的到来，我反而会觉得不适应、不舒服，这就是我所说的underdog的精神，我们特别擅长在大家都不看好的时候，把事情做成。
陈茜：
所以你认为你们的优势其实就是团队本身吗？这一点其实还蛮颠覆大家认知的。
葛小川：
那我反问你一下，你现在自己在做自媒体，以前也是在比较大的媒体平台工作，当你离开去创业的时候，难道身边的人都为你欢呼呐喊，说“你太棒了，这个决定做得太好了”吗？
陈茜：
不会，我妈每天都在问我为什么要自己干？
葛小川：
你有没有觉得，这种质疑其实在很大程度上反而给你提供了动力？
陈茜：
其实对我来说不重要。
葛小川：
对，其实不重要。
陈茜：
好，再回到你的故事上。这一年你们把游戏业务卖了，为什么会有这个决定？
葛小川：
这个我只能猜测，因为其实我并没有直接参与这个决策。当时Adam（AppLovin CEO Adam Foroughi）告诉我准备把游戏业务卖掉，问我怎么看，我说合理啊，当然，这件事的主要决策者和整个过程的推动者是Adam。
从我的角度来看，这非常合理。在AXON 2.0成功之前，公司确实有很多不同的业务线，但随着广告推荐算法逐渐走向成功、电商的未来也变得明确之后，你也看到了，广告业务的利润率非常高，人才密度也非常高，在这样的背景下，剥离游戏其实是一个很合理的决策。而且游戏数据对我们的核心算法来说，其实并没有那么重要，所以虽然这个决策本身不是我做的，但我认为它是合理的。
陈茜：
对，你们内部当时有人质疑吗？
葛小川：
没有。
陈茜：
大家都觉得是，接下来就all in（全力投入）广告了吗？
葛小川：
我觉得这也是AppLovin很有趣的一点，我不知道之前有没有提到过，我们在公司很少开会，很少开会的一个前提条件，就是大家在方向上是非常一致的，对于一件事哪怕互相之间不直接交流，问一下觉得这件事的大方向是什么，你会发现大家的理解惊人地一致，正因为有这个前提条件，当大方向一致时，每个人根据自己最合理的判断去决定下一步细节怎么走，你会发现每个人都大差不差。
所以我们内部不需要花很长时间开会去对很多细节，只要简单一两句话说“接下来要做什么”，大家凭自己的常识去判断，你会发现最后得到的细节惊人的一致。
陈茜：
2025年你们还做了一件事，竞价收购TikTok，虽然现在这个deal（交易）已经尘埃落定，但当时你们为什么想要买TikTok？
葛小川：
当时TikTok被拿上台面讨论时，我们确实思考过，拥有这样巨大的自有流量，对我们来说是不是一件非常有价值的事情。Adam在那段时间也接受过很多采访，也说过如果AppLovin和TikTok这两家公司能结合在一起，相互带来的价值是巨大的，所以我觉得这其实是一个很合理的决策。
陈茜：
那接下来你们想要自己做社交媒体吗？
葛小川：
有想。
陈茜：
这个是公开的消息吗？
葛小川：
应该是公开的消息，因为我们已经公开招人了。
陈茜：
有什么可以披露的路线图吗？
葛小川：
我们就是要打造全新的下一代社交媒体平台，这样一个平台能够给AppLovin带来很宝贵的自有流量。
陈茜：
那会走Meta的老路吗？
葛小川：
我觉得我们跟Meta的路可能是反过来的，Meta是从自有流量起家，有了自有流量基础后建设广告和算法团队，再把算法和广告团队的技术引入第三方平台。而我们是起家于第三方平台，在第三方平台获得一定地成功后，再去构建自有流量，我觉得我们这条路其实不太容易，但不容易有不容易的好处。
在自有流量上搭建广告平台，遇到的竞争难度对比第三方平台要轻一些，而在第三方平台杀出重围是非常困难的，因为面临着无数竞价者和你去竞争流量，流量不是reserve（预留）给你的，这就像在harsh（恶劣）环境里长出来的植物，虽然困难重重，但正是这些困难让我们变得更加坚韧。我觉得AppLovin在第三方平台厮杀这么多年，技术和文化都变得非常坚韧，现在去打造一个自有流量平台，我对这个愿景抱有非常乐观的态度。
陈茜：
但现在社交媒体还是挺难做的，因为流量已经被几个巨头霸占了。
葛小川：
那你记年前还有什么东西很难做吗？
陈茜：
广告。
葛小川：
对。
陈茜：
所以这可能又是另外一个奇迹发生。
葛小川：
所以会有很多人不看好我们，认为在这样一个环境下AppLovin怎么会成功，但那不重要。
陈茜：
那你们接下来的战略重点是什么？我知道你们在亚洲持续扩招团队，也会持续招AI相关的顶尖人才，接下来的一步战略重点是什么？
葛小川：
我觉得战略重点有几点：
第一，大家说到“战略重点”总是会想到新的东西，但其实我们已有的业务里，包括手机应用和电商（广告）这两块，接下来的发展仍然是我们战略里最重要的环节，它们会在未来很多年内持续定义我们公司的baseline（基准线），所以这肯定是非常重要的。
除此之外，我们还有一个战略重点，叫supply expansion（供给扩展），就是广告流量的扩展，这里面包括Adam早在一两年前就提到的在CTV（Connected TV，联网电视）端的一些流量扩展。
还有一个我觉得非常有野心的计划，就是刚才你提到的，我们要开始打造自有的社交媒体平台。
总结一下，关于为什么AppLovin要下决心卖掉游戏业务，这背后或许着更深层的商业考量：
第一是“数据实验室”的历史使命终结。CEO Adam在财报会上说：“七年前，我们开始收购游戏工作室，以帮助我们训练最早的机器学习模型，这是塑造我们AXON平台依赖的AI的关键一步，然而，我们本质上并不是游戏开发者?！?/p>
现在随着AXON 2.0成熟，算法已能从Max平台的全球竞价流中提取足够信号，所谓的“first-party data”（也就是企业通过自有渠道直接向消费者收集的数据）的边际贡献已微乎其微。
第二是估值重置。游戏业务虽然稳健，�%的EBITDA利润率，在华尔街眼中属于“平庸资产”，相比之下，AppLovin广告业务（软件平台）的EBITDA利润率高达惊人�%，这意味着它彻底从一家“游戏+广告公司”转型为纯粹的、高溢价的“AI软件平台”。
第三是资源的极限压注。电商市场拥有超�万个潜在广告主，规模是游戏的数倍，为了在这个千亿市场实现“阶梯函数”式的增长，AppLovin必须卸下臃肿的游戏团队，将每一瓦特算力都砸向电商模型的迭代。
而随后AppLovin广告业务表现出的增长，证明了转型的正确性，AppLovin在股价上开始出现暴涨，越来越多的研报将它称之为“AI受益第一股”。
04空头的连环狙击与“黑盒”博弈
就在公司快速崛起之际，外界对它的追捧质疑和做空从来没有停止过。在AppLovin市值冲击两千亿美元的征途中，三场做空狙击也如期而至：
第一战是Culper与Fuzzy Panda的“AI伪装说”。2025�日，做空机构Culper和Fuzzy Panda联合发布重磅报告，当时，AppLovin 的股价正处于由AXON 2.0叙事推动的高点。
Culper在报告中说，所谓的AXON 2.0根本不是什么高深的人工智能，而是一个利用系统底层权限的“促销补丁”。报告指控公司滥用安卓系统的安装权限，在用户毫无察觉的情况下，利用“单击下载（single-click download）”机制在后台静默安装游戏。Fuzzy Panda则更进一步指控AppLovin在进军电商的过程中，通过非法SDK （软件开发工具包）追踪未成年人隐私，并“窃取”Meta的归因模型来虚增广告效果，在苹果调整隐私政策的如今，这无异于指控一家银行在偷窥储户密码。
第二战是浑水（Muddy Waters）的“增量真实性”之问。如果说第一战是关于技术手段的质疑，那么随后“做空之王”Carson Block带领的浑水入局，则将矛头指向了商业模式的底层逻辑。
浑水发布的报告抨击AppLovin所谓的“增量转化”逻辑经不起推敲，报告通过对大量广告主数据的独立审计，宣称AppLovin平台带来的真实增量效果，仅为官方宣称的三分之一。浑水认为，AppLovin巧妙地通过合并不同平台的ID数据，将原本属于Meta或TikTok的自然流量“归功”于自己，从而在财务报表上制造了AI驱动高增长的幻象，这种对“归因黑盒”的解构，一度让机构投资者产生剧烈动摇。
第三战就是最近的CapitalWatch，对Applovin参与“东南亚洗钱”与地缘政治的指控。然而很快CapitalWatch基于部分事实错误道歉并撤回了部分的指控，但表示仍然会对AppLovin提出进一步质疑。
这一系列来来回回的交战不仅反映了华尔街对这种高增长、低透明度算法模型的深层疑虑，也让AppLovin的股价经历了极端的波动考验，在很长一段时间里，空方的指控与多方对Applovin的业绩预期，在二级市场激烈交锋，导致公司股价数次剧烈波动。
陈茜：
2025月你们加入了S&P 500指数，这对你来说重要吗？
葛小川：
说实话，没有特别大的影响，不过在过去一年，我们团队经常开玩笑，因为S&P 500的每次rebalance（调整）通常发生在财报发布后的一周左右，一般财报过后团队会聚会时，经常讨论的话题就是：“我们会不会进S&P 500？”大家甚至会开玩笑打赌会不会进入。
后来真正发生了，其实大家并不觉得出乎意料，虽然S&P 500是由组委会决定的，不像有些指数完全由规则决定，但它本身还是遵循一套规则框架的，那些规则里的checkbox（准入条件），我们其实提前几个月都已经check（达标）了，所以在我们内部看来，加入S&P 500只是时间问题。
陈茜：
这对你们的意义在于，你们终于被主流市场认可了吗？
葛小川：
不重要，真的不重要，做了这么多年underdog，我们真的不在乎有没有被主流市场认可。
陈茜：
作为underdog的另一个弊端就是会有很多人质疑你们，2025年你们确实遇到了非常多轮的做空，虽然我看你们CEO出来澄清过很多次，但我还是想问，对于做空报告中质疑数据合规性，或者质疑你们是否用了比较灰色的手段让模型变得更好，你有什么回应？
葛小川：
我觉得那些做空的claim（指控），肯定都是完全不靠谱的。做空报告刚出来时，我们肯定是非常重视的，所以我当时最主要的任务就是仔细阅读做空报告，确认里面那些关于技术方面的claim（指控）是否属实。我去每一条跟我们的系统对照，后来发现全都是错的，那么之后我就不再直接参与这个事情了。我把信息交给Adam和我们其他的公关部门，之后我就回到自己的岗位，不会再去关注这件事情了。
陈茜：
所以对你们来说，这些指控都是不对的？
葛小川：
对，我觉得在当时的环境下很难向公众辩解空头们对还是不对，这也是为什么我们处理这件事时选择让时间说话，过了一段时间，你会发现那些做空的指责不攻自破。
陈茜：
2025年你们股价持续飙升，外界高度关注，加上做空报告，你们自己在这个过程中觉得有什么变化吗？
葛小川：
我觉得整个团队总体上还算比较平稳，做空报告出来时，我其实比较担心团队成员会不会受影响，或者团队成员会不会受到身边人的质疑，那时候我给团队发了一些memo（备忘录），解释了一下情况，告诉大家如果有concern（顾虑）可以来找我聊，最后发现其实没太多人来找我，大家把这个问题其实也看得很清楚。
05 Underdog文化 对人才的渴望与克制
AppLovin对于人才扩张可以说非常的克制，走进它位于Palo Alto的总部，第一感觉就是好空，一整栋楼里，人特别少，公司如�多名工程师，而对比公司财报来说，相当于每位工程师平均产�万美元的利润。 但葛小川面临的最大难题是依然在招人，难点在于：公司内部在面临快速增长，外界各种做空质疑的同时，还要在内部维持“underdog”的文化。
葛小川：
我觉�年最大的挑战是人才市场对我们的认可度不够，那年我们基本上非常难招人，非常非常难。
陈茜：
是因为大家都想去比较有名的大公司吗？
葛小川：
也不完全是，其实在北美，人才选择的多样性还挺好的，大家也愿意去一些有前景的小公司或创业公司，但�年的时候的很多人眼里，我们甚至都不算是一家“有前景”的创业公司。
陈茜：
为什么大家觉得你们没有前景？
葛小川：
一方面我们体量很小，其次是我们从事的行业，当时公认Google和Meta已经做得非常成熟了，完全占据了那个市场，所以大家可能觉得这个行业本身也不是特别exciting（令人兴奋），所以那时候非常难招人。
陈茜：
你当时是怎么解决这个问题？
葛小川：
只能等，当时我尝试过很多方法，其实都不是特别有效，后来我就认清了现实，那时候最重要的就是利用团队现有的资源，先把东西做出来。AppLovin很好的一点是，从上到下的技术领袖都非常hands-on（亲力亲为），这也是很多大厂没有的优势，当我们想做一个新东西却找不到合适的人去做时，我们的技术领袖是可以亲自下场写代码，去完成这件事，这就是我们当时的选择。
当然，在那之后我们取得了一定成功，市场认可度提高了，股价涨了，经济基础也更扎实了，对于人才薪酬的能力自然也就上去了，所�年之后我们做了几个改变：
第一，我们的薪酬在整个硅谷是最高的。当然后来AI泡沫出现覆盖了我们，但在AI领域之外，我们今天依然是硅谷薪酬最丰厚的公司。
第二，一个很重要的转变是，我们要彻底放弃对业界资深候选人的关注，我们的招聘重心彻底转向了新人，包括大学刚毕业的，或者毕业之后在业界工作两年以内的年轻人。
陈茜：
为什么会有这样的调整呢？是发现业内资深的人不太挖得过来吗？
葛小川：
我觉得是多方面的，其实很重要的一点是“我渐渐发现experience（经验）的价值被高估了?！?/p>
陈茜：
这个结论很重要，是怎么得出来的？
葛小川：
如果你管理一家公司，想解决一个问题，而这个问题已经被其他公司解决了，你潜意识里最直接的方法可能就是从那个擅长的公司挖一个Director（总监）过来，让他重新组建团队，觉得问题就能解决了。但如果你仔细去历史中寻找案例，你会发现大部分这样的尝试其实都是失败的，这里面有很多原因，但我认为对于真正的优秀人才，学习能力是最重要的，过去所有的经验并不代表一个人的学习能力，它只代表这个人已有的知识。
我觉得我并不需要招一个人过来，然后做一件他已经知道怎么做的事情。更重要的是，你招一个人过来，他能够快速成长，能够figure out（弄明白）一些他以前不知道的事情，这种能力的价值，要远远高于脑子里已经沉淀好的已有知识的价值。所以如果新人的成长潜力很高，也能成为我们的候选人，我们这边做事情的方式是希望打破常规，很多时候已有的知识反倒会成为一种阻碍，所以�年开始，我们的招聘哲学就转变了。
陈茜：
那我要challenge（挑战）你一点，AppLovin的广告业务能起来，难道不是很大程度上因为挖到了你吗？是因为你带着已有的skill set（技能包）把业务带起来的吗？
葛小川：
对，所以我经常自嘲说，如果按照现在的标准，我是绝不会hire（招聘）我自己的，我觉得我很幸运，在AppLovin改变策略之前加入了公司。
陈茜：
是不是因为阶段不一样？当时因为要从头做一个东西，所以需要你已有的skill set，但现在你们已经有了方法论，进入了scale（规模化）阶段，所以招一些聪明的年轻人也可以？
葛小川：
对，我觉得如果你想靠完全没有经验的人来搭建团队，确实需要一个“种子选手”，这个种子选手可以是一个经验丰富的人，也可以是一个经验不多、但非常擅长学习的人。
其实我来AppLovin时，很多东西并不是我来之前就知道的，也是来了之后在实践中摸索出来的，所以我认为，我来AppLovin之前那十年的业界经验其实被高估了，没那么大价值，如果我只在Meta待过两年就过来，我觉得我可能也能做成类似的事情。
陈茜：
那你觉得是你身上的什么特质，能够让你成为那个对的人，把AppLovin在三年时间里带起来的呢？
葛小川：
我觉得是做事情敢于挑战常规，不循规蹈矩，不要因为Google和Meta是这个领域的绝对霸主，就一切都模仿他们，其实我一直告诫自己和团队，我们没有Google和Meta那么多的资源，这就注定了我们不能用他们的方法来解决我们的问题。不仅是广告领域，还有其他领域，我看到业界很多公司经常犯的一个错误，就是模仿大厂解决问题的方法，却没意识到自己本身没有大厂的资源，如果你没有资源却照搬大厂的方式，那你注定会失败。
陈茜：
展望未来，AppLovin肯定会越扩越大，虽然你们已经是市值很高的公司，现金流也很充足，但我看到目前为止，你们对招人这件事还是非常克制的，在扩展过程中，你们怎么确保持续做到“克制”？又怎么避免走上大公司的老路？
葛小川：
我觉得“克制”这个词你用得非常好，我们并不是说刻意要让团队保持多小，我们也在不停地招人，但我们确实一直在克制，不会为了招人而招人，我们并不会因为有了足够的资源就肆意挥霍。
因为在我看来，当一个团队变得特别臃肿时，多付出的工资其实只是所有损失里很小的一部分，团队一旦臃肿，它对已有团队的伤害、对未来迭代效率的影响、以及带来的机会成本损失，其实是要成数量级增加的，所以保持节制是我们发自内心的动机。
至于你说如何避免犯其他大公司的错误，其实我也很好奇，既然大家都知道这是一条错误的路，为什么还会有源源不断的公司去犯这样的错误呢？
陈茜：
因为人多了就肯定会有politics（办公室政治）。
葛小川：
对，就可以是不小心迈出的那一步。我觉得大部分Founder（创始人）还在的公司，其实都会比较节制，但可能你不小心迈出了第一步，做出了错误选择，然后公司人变多了，一旦人变多，你就失去控制了，失去控制后，人就会变得越来越多。
我们可能就是尽我们所能，不要犯那第一步的错误吧，目前还好，我觉得目前公司上上下下，大家都没有把自己团队的人数当做一个值得炫耀的metrics（指标）。所以我自己不希望团队变得极为臃肿，我下面的manager（经理）们也不希望自己团队变得非常臃肿，所以从文化上来说，我们目前对于团队变臃肿这件事，还是有比较好的抵抗力的。
陈茜：
2025年之后，你们发现招人更好招了吗？
葛小川：
相对来说是好一些，但因为我们的招人标准和业界很多公司还是不一样的，大家肯定都想招“最优秀”的人，但对于“最优秀”的判断方法，我觉得其实是不太一样的。在这波AI人才的竞争中，你会发现很多公司真的喜欢去寻找那些“聚光灯下”的人才，就是背景很好的、在媒体上有过一定曝光，发过一些比较有名的paper（论文）等等，但我觉得这些聚光灯下的人才，多数因为抢的人太多，可能会被overprice（溢价），还有一点很重要，我觉得这些聚光灯下的人才，很多不具备AppLovin所需要的这种underdog精神。
我们其实更多关注的是那些在“聚光灯边缘”的人才，他们其实离聚光灯很近，也非常优秀，从统计意义上来说，他们不比聚光灯里的人差多少，他们可能更能运用这种underdog精神，或者说，他们之所以不在聚光灯下，是因为他们从来就不想站在聚光灯下，这才是我们要关注的人才。
得益于过去几年的发展，我们也有幸能够吸引到这样的人，并且说服他们加入我们。
陈茜：
怎么去判断一个人是不是在聚光灯边缘有才华的underdog？
葛小川：
没有一个很高效的办法，只能一个个聊，另外我们也在努力打造作为雇主的品牌和形象，我们要想办法精准地向潜在候选人传达，我们是一家什么样的公司？我们希望要什么样的候选人？这样也能吸引一些候选人主动来找我们。
陈茜：
在面试中，你最看重的一个问题是什么？
葛小川：
我最看重的问题是，候选人在人生中是不是经常做一些与众不同的选择。
陈茜：
这个怎么理解？比如我有个大公司的offer，但我放弃了，选择自己创业？
葛小川：
这算是一种。再比如，在中国高考这样的环境下，如果你在高中的时候不仅考上了名牌大学，还坚持某种课外业余爱好、体育锻炼，或者做了一些慈善活动，我就会很好奇，在那个时候，大家都把高考看作人生最重要的事情，把所有精力都投进去，那你做其他事情的动机是什么？这些虽然是非常细小的事情，但你能从中看出，他在做选择的时候，其实掺入了自己主动的思考，这一点我特别看重。
陈茜：
我很好奇的一点是，很多人都是去美国留学，因为大家觉得读博士美国是最好的，但当时你中科大毕业之后去了意大利，为什么？
葛小川：
我觉得是很多人人生里面的一些非常偶然的选择，没有必要过度解读，大学毕业时，我觉得欧洲对我更有吸引力，于是放弃了去美国，选择了欧洲。我觉得在当时那个环境下，这只是一个很偶然的选择，并不能特别代表一个人是不是特立独行。
陈茜：
你觉得欧洲的留学和生活经历，对你有改变吗？
葛小川：
会有一些吧，因为我觉得欧洲的生活可能更加多元化一些。在那样一个环境里，启发了我在做选择、思考问题的时候，去接受更多的可能性。
陈茜：
意大利我觉得是一个很神奇的地方，一边有非常丰富的历史文化，很浪漫，但同时给人感觉有点慵懒。你觉得意大利对你来说意味着什么？
葛小川：
意大利对我来说算是半个故乡，毕竟�多岁的那几年里，我在意大利度过了人生中非常美好的一段时光，在那段时光里，我学会了看待人生不同选择的不同perspective（视角）。
至于你说意大利慵懒，其实我觉得stereotype（刻板印象）这种东西，大家非常容易陷入confirmation bias（验证性偏见）里面去，其实全世界很多地方都有慵懒的人，如果看总体分布，可能平均起来意大利人确实比别的地方更慵懒一点，但具体到个人，不一定每个意大利人都慵懒，我们在意大利也有员工，其实他们的工作强度和效率都非常高。
陈茜：
来到硅谷之后，你觉得硅谷在一定程度上改变了你吗？
葛小川：
有的，我在很多不同的地方生活过，尤其在意大利，我至今跟很多意大利朋友聊天时，他们会觉得，他们的生活和“改变世界”这样的高度之间，差别是非常非常大的，以至于他们永远不会去思考，也永远不会去想这个问题。
硅谷给我带来的最大启发就是：每一个普通人距离“改变世界”的能力，其实中间的鸿沟是非常非常小的，你需要的就是迈出那一步的勇气，以及迈出那一步之后，365天每一天的努力工作。这也是为什么你刚才问我很多关于AppLovin到底有没有某一个时刻很重要、某一个决策做得很对，我觉得这不是硅谷公司能够成功的主要原因，可能很多事情成功之后，大家回过头来希望总结出一两个高光时刻，但是真正的硅谷成功故事，我觉得背后都是每一天的点点滴滴，而不是那些高光时刻。
陈茜：
你为什么骑摩托车上班？
葛小川：
我也没有天天骑摩托车上班，我家住得离公司，平时不堵车的时候�分钟，堵车的话可能会堵�分钟甚个小时，有的时候如果我上班时间赶上了高峰期，我可能就会考虑骑摩托车，因为会快一些。
陈茜：
所以你是�高速吗？
葛小川：
我是�高速，风景非常好。
陈茜：
对，特别是Crystal Spring的那片湖，那�高速上面骑车是什么感觉？
葛小川：
一般骑� 迈（英里/小时）左右，我觉得是很舒服的一个感觉，风会从你两边拂过，你能从头盔里感觉到风的声音，而�公路两边是山，经常会起雾，雾在山间飘过，骑摩托车视野比较好，左边右边的景色都能感觉到，非常非常舒服。
陈茜：
你自己是喜欢有一点速度的人吗？
葛小川：
也还好，其实我不是一个那么负责任的人，我喜欢冒险，但我一般承担的是calculated Risk（经过计算的风险）。骑摩托车的话，我也不会骑特别快，其实你开车可以轻松开�迈，你甚至不会觉得很快，但摩托车如果骑�迈，你是可以感觉到那个速度很快的。
陈茜：
我听说你工作也特别卷，经常半夜还会回消息。
葛小川：
我一直跟别人说，我们工作真的不卷，我们只是勤奋而已。
陈茜：
那“卷”跟“勤奋”有什么区别？
葛小川：
你觉得有什么区别？
陈茜：
我觉得“卷”可能更多的是环境对你的要求，而“勤奋”更多的是个人对自己的要求。
葛小川：
那这样看的话，我们绝对是一个勤奋的公司，不是一个卷的公司，我们从来不要求打卡，从来不对工作时间做限制，但是很多人，我觉得是因为他们跟我一样，对我们要做的事情发自内心地有一种期待，所以他们会主动选择勤奋。
陈茜：
你其实之前也分享过，我知道你可能不会喜欢“天才”这个词，但其实你从小确实就比常人聪明，上了中科大的少年班，很年轻就去意大利读博士。你也曾经分享过，在去Meta之前的这段时光，其实是你人生的一个低谷，你当时会不会觉得这一辈子就这样变成一个平庸的人了？这跟小时候周围对你的期待，或者你自己对自己的认知是不一样的吗？你觉得为什么会有这样的落差？
葛小川：
我觉得人生第一个比较大的转折，其实就是从上大学开始，那时候最大的缺失，就是上大学之后没有一个很好的职业引导。我当时学的是物理，对于为什么选择物理、以及选择了物理之后未来能从事什么样的职业，我有很大很大的困惑，因为各种主观原因和外界条件的限制，我一直没有得到很好的解答，那一个缺失的影响，其实对我之后的人生产生了非常深远的负面影响。
正因为这个原因，我希望通过我这一阶段的经历，反过来去帮助现在学校里的年轻人，解决一些我当年遇到的困惑，我有时会跟国内的在校大学生沟通。我�年上大学的，我发�年后的今天，很多大学生依然面临着和我当年同样的困惑，所以我现在做很多事情去帮助他们，我成立了个人基金会，基金会的一部分focus（关注点）在和中国的大学合作，为大学生提供职业方面的引导，给予他们更多的勇气和资源，目的是让他们在人生的初始阶段，能够做出更加多元化的选择。
因为我们当年一方面缺乏信息，不知道该做什么，另一方面在做选择时没有勇气去走不同的路，最后导致每个人都选择了同一条道路。
陈茜：
到了Meta之后，你找到了自己能够重新stand out（脱颖而出）的事业，或者说是一个人生的turning point（转折点），你觉得这是一个幸运的事情吗？还是说如果不断尝试，你总会找到的。可能很多天才在高中时期非常出类拔萃，但后来可能就泯然众人了。
葛小川：
我觉得人生很多东西没有办法有这么多“如果”，你也不知道“如果”之后会发生什么，但是在客观事实上，去Meta之前，我确实在事业上做出了好几次错误的选择。当时去Meta的时候，其实也拿了几个别的地方的offer，现在回头想一想，如果我当时没有去Meta，而是去了其中的某些offer，我觉得很可能又是一个错误的选择，所以那个时间点选择去Meta，还挺幸运的。
陈茜：
你怎么定义“错误的选择”？“错误的选择”当时是从现在往回看才知道，但当时并不会知道。
葛小川：
对，当时并不会知道，包括我在去Meta之前的几个错误选择，我觉得我当时也并不知道。
陈茜：
你在AppLovin三年就有如此快的晋升节奏，可以说在硅谷是非常罕见的，很多华人工程师背景很强，但想往leadership（领导层）发展时，往往面临很大的天花板，你有什么建议给他们吗？从高级工程师转向领导层的过程中，需要什么样的特质和skill set（技能包）来突破这个天花板？
葛小川：
我觉得最重要的就是“认知”这个格局，很多在大公司发展的人，其实还在追求一个体制给他们的认可，比如格外关心自己在performance review（绩效评估）时拿到什么样的rating（评级）、体制什么时候给自己升职、体制认为自己是什么level（职级），他们会非常非常关注这一点。但我觉得如果你真的想成为一个领导者，你在生命里的某个阶段，应该更关注你自己对自己的标准、以及自己对自己的认可。当你跳出那样一个思维格局时，就比较容易成为领导者了，因为当你成为领导者时，你做的事情好与坏，不再是体制给你定的标准，而是你自己给自己定的标准。
关于成长为领导层，还有第二点我想分享：这个世界上看上去确定性很高的选择，都是被well-priced（充分定价）的，当你看到一个选择确定性很高的选择时，即便它是个好选择，你为此付出的代价也会很高。或者说，你付出固定的代价，得到的回报肯定是有限的，因为确定性很高的选择，价值人人都知道，竞争自然会变得更激烈。
这里面很重要的一点，就是你怎么去identify（识别）和appreciate（欣赏）那些具有不确定性的选择，对于不确定的选择，你一定要有更宽广的胸襟，把它当做一种投资，而不是一种交易。我沟通过很多候选人，给我观感不太好的，往往是把工作机会当做交易的人，他会觉得“我此刻加入这家公司，我此刻就要得到什么什么”，而没有真正去appreciate（欣赏）这其实是公司和个人双方的一种investment（投资）。公司愿意在不确定的情况下把一个很重要的机会交给他，那他愿不愿意在不确定中，给公司一些benefit of the doubt（给对方因不确定性而产生的优待），这也是很重要的。要把工作机会看作投资，回报都是在未来的，做投资在短期内其实是损失钱的，今天�块钱投资，今天就损失�块，但如果你只把这种计划看作交易，说“我今天给�块，就要马上拿�块的回报”，那你其实就把很多非常宝贵的机会拒之门外了。
陈茜：
说的非常好。最后一点，对于那些考虑来AppLovin工作的年轻人，或者是刚大学毕业、有一点迷茫的年轻人，你有什么话想对他们说吗？或者号召大家申请一下AppLovin。
葛小川：
年轻人在做选择时，其实最简单的就是去选那些最热门的选择，它们之所以热门是有原因的，因为它们通常不是最差的选择，一般都是比较decent（体面）的选择。但如果你想成为一个格外优秀的人，想做一些别人做不了的事情，你就要有勇气去做出一些和别人不太一样的选择，勇于用自己的判断去寻找最适合自己的路。
在AppLovin，我们就是这样一种文化，我们非常鼓励大家去做不同的选择，虽然我们是一家市�多亿美元的大型公司，但我们的文化和做事方式还像一个初创公司，至今我们的工程师总数还不�人，所以对于那些自身能力非常好、又愿意通过努力去创造未来的候选人AppLovin是一个非常适合的舞台。
最近我一直在想，怎么总结AppLovin最成功的这批工程师身上共有的特质？我发现𱅁个英语单词：
1.Humility（谦逊）：这和我反复强调的Underdog价值观是非常吻合的；
2.Empathy（共情能力）：对同事和客户的共情能力，是非常重要的，我发现很多优秀的工程师缺乏Empathy时，总是执迷于用最fancy（精致）的方法解决问题，沉浸在技术上的优越感里，却忘了产品真正要解决的问题是什么，忘了要给客户带来帮助；
3.Ability（能力）：这个比较好理解，就是能力、skill（技能）；
4.Resilience（失败后的韧性）：这非常重要，世界上做𱐌的事情，没有任何一件是一帆风顺的，遇到挫折后能否继续坚持下去，这非常重要；
5.Tenacity（坚毅）：不屈不挠的精神。
这五个词连在一起就是HEART（心）：这就是我最近总结的AppLovin工程师最重要点特质。
06 广告行业未来的不确定
这不是AppLovin故事的结束，而在AI对广告产业即将带来颠覆的叙事下，市场正面临前所未有的不确定性，过去两年，在美国软件股（SaaS）中，AppLovin 一直被视为“现金奶牛”与算法标杆，然而这场曾经由软件定义的盛宴，正面临一场前所未有的“AI审判”：
2月一开始，整个美股软件板块遭遇了惨烈抛售，这场“软件血洗”非常惨烈，从Unity股价暴�%，到Adobe、SAP、ServiceNow、Snowflake等等的集体跳水，恐慌情绪蔓延，投资者开始集体反思：当更先进的AI工具，比如Anthropic的自动化套件，与谷歌的生成式世界模型，开始重塑生产力时，传统软件公司的护城河是否已形同虚设？
1
在这场行业性的剧烈震荡中，AppLovin 股价在短短数日内一度暴跌，月初财报发布之前，距离我与葛小川对谈时�月中旬，股价一度几乎腰斩。Applovin的暴跌背后，有三重因素：
第一是谷歌新发布的Project Genie。这款能够基于简单指令生�P、实时交𱆷D世界的模型，在短短几秒钟内，就完成了传统游戏引擎，需要数周才能实现的工作，尽管一些分析师极力安抚市场，称其尚不具备“商业化游戏”所需的数值平衡和确定性逻辑，但恐慌情绪已经弥漫在市场中。
对于AppLovin而言，Project Genie的威胁在于其对广告供应链的潜在重塑，市场担忧，如果谷歌能够通过AI “一键生成”海量轻量级互动内容，并将其垂直整合进自身的广告体系，那么AppLovin现有的游戏广告库存价值将被稀释，这个猜想带崩了整个游戏股，包括AppLovin、Unity、Roblox等等，反映出投资者对“AI 替代论”的极端脆弱心理。
第二是曾经的功臣重出江湖。2日，广告科技初创公司CloudX，正式宣布产品全面上市，并高调喊出了“利用AI智能体（AI Agents）重构移动广告技术栈”的口号。
1
CloudX之所以会对Applovin产生影响，核心是因为它的创始人Jim Payne，他也是MoPub的创始人，曾亲手为AppLovin搭建了帝国的基石：Max聚合平台，如今这位“最初的缔造者”想搭建新体系。而AppLovin的核心利润，正是源于Max平台的算法竞价，而Payne主导的CloudX宣称，利用大语言模型可以将广告栈，转化为“可编程的基础设施”，核心武器是AI Agents，这些智能体不再遵循死板的预设竞价规则，而是像真人谈判专家一样，通过“可信执行环境”进行实时代码生成，直接绕过了传统平台（如Max）的黑盒模式。
未来，如果头部开发者发现，使用CloudX能够跳过中间商的差价，并获得更高透明度，AppLovin苦心经营的网络效应将面临非常大的挑战。
第三则是Meta的复仇。现在，Applovin最强大的竞争对手Meta，已经悄然回到了它曾退出的阵地。
1
�年苹果推行IDFA隐私政策以来，Meta在非授权流量上的推荐精准度大打折扣，这给了AppLovin旗下的AXON引擎绝佳的超车机会，然而随着Meta投入千亿级美元进行资本开支，其Advantage+ AI系统展现出了惊人的进化。
Meta在今月底大幅提高了iOS应用内，广告的eCPM竞价密度，部分第三方发行商的收入甚至因此增长𱄿-5倍，Meta正试图证明，通过庞大的用户行为数据和先进的预测模型，即便没有IDFA，它依然能实现精准投放，这对于视iOS市场为基本盘的AppLovin而言，无疑是一场硬仗。
我们的这个沟通复盘了在过去�天，AppLovin是如何撕开谷歌和Meta双垄断巨头的市场裂缝的，然而当AI技术试图颠覆所有行业之际，这道裂缝只是广告形态被挑战的开始，AppLovin不会是最后一家？提倡underdog精神的AppLovin与葛小川，将会把这家公司带向何方？我们拭目以待。