| 
证券之星数据中心根据近三年发布的研报数据计算期货线上配资，国金证券李超研究员团队对该股研究较为深入，近三年预测准确度均值为63.8%，其预测2024年度归属净利润为盈利4.32亿，根据现价换算的预测PE为29.12。 为证券之星据公开信息整理，由智能算法生成，不构成投资建议。 中美在AI技术上的差距正在缩小，而AI智能体将是2025年最大的创业机会之一。本文详细记录了他对AI技术未来的洞见，以及他在YC创业加速器中的焦虑与迷茫，展现了他如何凭借非理性但坚定的自信推动Scale取得成功。 
全球最年轻的 95 后亿万富翁、MIT 辍学生以及估值超 1000 亿的 AI 独角兽 Scale AI 创始人 Alexandr Wang 近期在 SPC 对谈时回顾了自己在 YC 创业加速器的经历。 Alexandr 坦言初期阶段充满了焦虑和迷茫。他引用 YC 的一句话：“在YC，失败就像《饥饿游戏》一样，90% 公司会失败，但往往需要三年才能知道。” 他强调，创业者必须具备非理性但坚定的自信 ——“如果要竞争，我们就把更好的东西做出来”，这种信念最终成为 Scale 成功的核心动力。 在谈到全球科技的竞争时，Alexandr 提出，美国和中国的 AI 技术对决将决定未来全球的技术主导地位。中国最近在 AI 领域取得了突破性进展，尤其是在复制OpenAI 的“思维循环”技术方面，这标志着中美在 AI 技术上的差距几乎已经缩小。 此外，他还提到了数据墙和合成数据的挑战，认为数据的稀缺性将成为未来AI发展的重要瓶颈。尽管计算能力的提升不可忽视，但只有在数据的扩展上与计算能力同步增长，才能打破这一瓶颈。 Alexandr 预计，当前 AI 模型在多轮交互中的表现仍然有限，但随着模型的改进，未来 AI 智能体将成为一个巨大的创业机会。到 2025 年，AI 智能体将彻底改变 C端 和 B 端的互动方式，是一个极具潜力的创业方向。 以下为这次对谈的全部内容： Aditya Agarwal SPC 其实专注于创始人旅程中的“-1”阶段。那个“-1”意味着，在那个曲线，或者说那种混乱的状态中，你不断尝试不同的想法，进行压力测试，跟别人讨论这些想法。那么，能不能带我们回到你自己旅程中的 -1 阶段？在你最终聚焦于 Scale 之前，你是否尝试过其他不同的想法？早期的构思是怎样的？ Alexandr Wang 嗯，是的，我们做了 YC，在我们批次的前半部分，我会说大概是属于那种我们称之为“曲线”的阶段，感觉特别不清楚，而且充满了存在主义的焦虑。你不知道自己在做什么。我记得那时候就像是，你知道的，你会有这些 Google 文档，里面写着各种创业想法，然后你一直在尝试想出更多的创业点子。 我记得我读过 Paul Graham 的《如何想出创业点子》的文章，那其实是一个很好的聚焦框架，它的核心观点是：你要站在未来的角度来看问题，思考那些未来可能存在的事物，然后反向推导。 但是，老实说，我当时也很迷茫。我想，当时我在 YC 里面，可能跟现在的很多创业者一样，周围有很多人在做各种各样的事情，所以你很难有一个明确的判断，什么才是好的想法，什么想法值得去做。你也会觉得，任何你开始的想法，周围的人早就开始了很多年了，所以你一开始就处于劣势。那时候确实很困惑，情绪也不太稳定。 但最终，我们做出了 Scale。那其实像是一场完美的风暴，所有的事情都巧合地汇聚在一起。我不认为这当中有任何预设的路径，更多的是一些偶然性。 所以，最初的想法大概是：从程序的框架来看，未来我们肯定会以一种更加动态的方式来调度人类计算，就像我们今天调度计算资源一样。而这种人类计算，应该像使用 API 一样简单，但那时并没有这样的 API。 所以，这就是我们 Scale 的原始想法。然后，当我们有了这个想法之后，我花了一个晚上去查找域名，scaleapi.com 可用了，就买下来了。后来证明这是一个非常好的决定，Scale 这个名字非常合适。 然后我们在 Product Hunt 上发布了，获得了一些关注和客户。接下来大概有四到六个月的时间，我们都处于一种游走的状态。那时，我们有了一些客户，正在努力去获得更多的客户。 我记得那时候，如果你在 scaleapi.com 上点击聊天窗口，你就会直接和我对话。那段时间确实很模糊，完全不确定是否能够成功。直到六个月后，我们开始有了一个客户，想要做得更大，那个时候我们的想法才渐渐有了方向。 不过，应该有大约一年的时间，我们都处于这种“游走”状态。坦白说，这段时间在很多初创公司里应该是常见的。 Aditya Agarwal 专注一下那个焦虑的部分。你是怎么处理这种焦虑的？因为现在回过头来看，这种阶段常常被视为一种必经之路，或者是学习的过程，但当时你在经历的时候，真的很糟糕。那么，在那个时候，你能否直面焦虑？还是说你只是顺其自然，每天都在经历起伏，甚至是每小时的变化？ Alexandr Wang 嗯，有一点我要说的是，我不觉得那段时间比公司未来的其他阶段更糟糕。所以其实，建立公司过程中有很多时候是很糟糕的。但是，我觉得最重要的是，当我们确立了 Scale 的想法后，我真的相信它，充满了信心。 我有一种很强的信念：未来一定会有这样一个东西出现，但现在并不存在。所以一旦你有了这样的信念，你就能有足够的动力去前进，至少你能找到一个方向。然后你就会对自己有合理的信心，相信某一天你会知道如何从 A 点走到 B 点，那会是一个漫长的过程。 我觉得，这个信念给了我安慰。但在过程中，我记得有一件事经常在我脑海中回响，那就是 YC 的生存几率就像《饥饿游戏》一样：90% 的公司都会失败，但失败通常需要很长时间。 所以你就觉得，像《饥饿游戏》里，大家第一天就死掉，而在 YC 里，虽然你迟早会失败，但可能三年后才会知道。所以，最恐怖的想法就是，你可能已经死了，只是你三年后才会知道。 但我觉得，作为一个相当焦虑的人，我把所有的不确定性都转化为焦虑的行动。我觉得如果你这么做，至少你能感到自己在不断前进。 Aditya Agarwal 你曾经担心过吗？回到你之前提到的，关于任何想法，你都能看到至少 10 个人似乎在做类似的事情。我总是说，如果你很容易被早期的竞争吓倒，那就很难继续下去，因为如果你加上极度的偏执，这对创业者来说是致命的组合，你永远不会克服它。那么，我的问题是，机械领域当时确实已经有一些竞争者。你会担心他们吗？还是说，你觉得他们的产品质量不好，所以你能够做得更好？ Alexandr Wang 是的，确实有很多竞争者存在。至于怎么应对，我认为正确的态度是——就是那种有些“吹嘘”的自信。其实我觉得这很有意思，前段时间我参加了一个会议，里面有个 Palantir 的人，他在给一个政府客户介绍时，直接这么说：“你们没有选我们没关系，但你们会后悔的。 其实，如果你们从一开始就选了 Palantir，你们会更高兴，因为我们比任何其他公司做得都好。虽然你们没选我们，但我相信最终我们会成为朋友。”他说这些话的时候完全没有掩饰，非常强势。 事实上，Palantir 的成功背后，也有这种非常深刻的自信，甚至有点不太现实：他们认为自己做的每一款软件都是上帝的恩赐，没人能做得比他们好。尽管这种自信可能有点过头，但这也是他们成功的一部分。 我提到这个是因为，假如你是一个理性的旁观者，你可能会觉得这很荒谬，甚至有点令人反感。但我认为，这恰恰是成功的关键：你必须具备一种非理性但坚定的自信，认为自己能够在市场上竞争并最终获胜。 长期来看，这种信念会带来你更好的团队、更好的产品决策，也会帮助你不断走得更远。最后，这种非理性自信就会在你的公司中自我强化。 所以，我们在 Scale 上的信念就是：我曾经做过很多编程竞赛和数学竞赛，如果我必须和别人竞争，我会做得很好。你知道的，反正我已经做过很多比赛了。所以，如果要竞争，我们就把更好的东西做出来。 我记得几个月前，我和一位 18 岁的 YC 创始人聊过这个问题。我问她：“你怎么看竞争？”她回答：“竞争就是做得更好。就是比别人做得更好。”这听起来有点“吹嘘”，但我觉得这真的是答案。你必须相信，你会做得更好。 Aditya Agarwal 说到刚才提到的 Palantir 的例子，他们真的做得很好，的确是很擅长让客户感受到没有他们的软件，业务将会变得差得多。 这个我曾在 Dropbox 遇到过挑战，因为我们当时的理念是，构建好的软件，软件本身会说话，每次我们推出一个新功能，别人往往会在两天后推出相同的功能。 我们花了一段时间才意识到，哦，他们不是在真的开发这些东西，而是非常擅长推销这些东西。那么你在 Scale 是怎么做的呢？你是更倾向于开发产品，还是更注重推销产品？还是说你会找到一种平衡？ Alexandr Wang 在 Scale，我们有一些非常大的客户，客户数量不多。在这种情况下，我觉得可以这样看：有时候，感知就是现实。我觉得你们接触的很多公司都是数据驱动型公司，大家都觉得，真相最终会显现，大家会分享一个共同的现实观念。 但这并不适用于大多数大型公司，尤其是政府。大多数大型客户的现状是，感知比现实更重要，因为现实往往是如此难堪，很多时候，大家宁愿选择相信他们生活中的感知而不是面对现实。 这意味着，如果你做企业销售或者构建企业级产品，你的工作不仅仅是改善现实，还要塑造感知。 我认为 Palantir 在这方面做得非常好，他们比大多数其他技术公司更擅长塑造感知，因为他们把自己看作是一个软件公司与一个演员团队的结合体。我甚至不夸张地说，他们曾经会给新员工一本演技书籍，这样的做法延续了很长一段时间。 Aditya Agarwal 如果我理解你正确的话，你的意思是，大多数公司，包括政府，都已经生活在某种感知中，因为现实太痛苦了。所以你的任务并不是要去“卖掉”现实，而是要“卖掉”那些不太理想的感知，并替换成更好的感知，对吗？ Alexandr Wang 对，但你也得创造价值。这个分析是黑暗的艺术，但如果你构建了一个好的产品，首先，你得确保产品本身足够好。 Aditya Agarwal 也许我们可以稍微切换一下话题，谈谈你个人的部分。显然，你非常具有竞争力，极具自信，这很棒。但除了这些，你觉得自己在 Scale 中最擅长的是什么呢？ Alexandr Wang 我认为我个人的专长，或许也是我们团队的专长之一，就是在面对那些“最不吸引人”的问题时，仍然能展现出创造性的解决问题的能力。我们有很多工作是大规模的运营任务，全球有成千上万的贡献者，我们需要协调这些人群为模型提供高质量的数据。 这是一个非常不起眼的问题，但我们以同样的尊重对待这个问题，就像我们对待一场数学奥林匹克问题一样。我们用科学的方法来分析这个问题，提出最有创意的解决方案。我们并不认为只有某些问题才值得解决，我们会全力以赴地解决任何问题。 这意味着，随着时间的推移，我们设计出了一些相当聪明的运营解决方案、技术和产品，这些都结合起来，最终形成了我们的竞争优势。 我看到很多公司，他们要么拥有一支非常优秀的团队，但往往只局限于解决那些有趣的、理论性的难题；要么是一些非常机智、干劲十足的团队，但他们往往解决问题的方式无法进行大规模应用，或者他们没有找到能够让解决方案有效执行的方式。 Aditya Agarwal 解决这些“不性感”的问题，尤其是那些操作性较重的问题，通常会让人很难在湾区，甚至在硅谷激发团队的兴趣。那你是如何在 Scale 建立这种文化的呢？无论是在招聘、入职培训，还是平时的沟通中，你是如何把这种理念融入到公司文化中的呢？ Alexandr Wang 首先，我们鼓励员工更多关注他们对经济效益的贡献，而不是技术问题的难度。很多时候，尤其是在学校里，人们通过解决更难的技术问题来获取成就感，这没错。但是，我认为技术难度与经济价值之间是呈反比关系的。 很多时候，经济价值高的问题并不一定技术上很难，但它们充满了挑战，你需要通过很多复杂的工作去理清。 实际上，这类问题才是大多数创业机会的所在。因此，我们激励员工关注的是，解决这些问题能带来多少净经济效益，而不仅仅是技术上的难度。 Aditya Agarwal 这很像 Facebook 的做法。在 Facebook，我们曾经非常注重培养最具生产力的工程师，而不是仅仅关注他们解决了多么复杂的技术问题。通常，如果一个工程师解决了一个“看似简单但很重要”的问题，他们能带来很大的价值。例如，有一位工程师通过减少我们日志中的错误数量，提高了生产力，这样的成就虽然看似简单，但非常有价值。 Alexandr Wang 是的，Facebook 在这一点上的做法非常有启发性。我也认为，在 Scale，我们会尊重所有问题的价值，无论它们多么不起眼。我们的团队在这一点上也非常出色。 Aditya Agarwal 最后，换个话题谈谈国际局势。你对未来一年有什么预测，尤其是在技术、硬件和芯片方面？我觉得美中之间的冷战与热战正变得越来越复杂。那么，你如何看待接下来 12 个月可能发生的变化，特别是它对硅谷的影响？ Alexandr Wang 从地缘政治角度来看，最近有几个很重要的事件。几周前，中国的 DeepSeek 实验室发布了一个非常令人震惊的结果——他们复制了 OpenAI 的思维循环（Thinking Loop），这是一个突破性的技术成果。 这个复制成果并不是来自于美国的 Anthropic 或 Google，而是中国实验室的开源模型。这意味着，中美之间在研究上的差距几乎已经没有了。 这意味着，从全球范围来看，我们正在进入一个全新的竞争阶段，尤其是在人工智能领域。未来，AI 技术的国际竞争将更加激烈。美国和中国在这一领域的对决将会决定未来全球的技术主导地位。 Aditya Agarwal 也许回到你提到的 AI 技术栈的问题，以及你所了解的，全球各国和公司是否会选择西方的 AI 技术栈，还是选择中国的技术栈。 我很好奇，你认为除了在我们的实验室中进行创新之外，我们还能通过其他方式影响这一进程吗？不过我得承认，正如你所说，确实有些令人惊讶的是，在推理时间的计算之后，已经过了大约 8 到 10 周，我们并没有看到其他主要实验室发布类似的技术，这实际上非常令人惊讶，因为我最初的想法是，感觉这个技术比较容易复制。 其实就是，把更多的推理时间投入进去，基本上就是不断循环，使用各种技术，最终找到结果。但我没有看到类似的成果被复制，这很奇怪。你提到的深度沉思是个很好的观点。那么你认为我们只能通过创新来解决吗？还是我们可以通过政策强制执行？ Alexandr Wang 我认为第一步是不要浪费我们的开源产业，我认为目前这一点我们已经走过了。但是确实曾经有很多讨论，关于美国是否会更加积极地监管开源模型。现在我们已经走过了这一关，我认为美国确实拥有一些有趣的杠杆，最显著的是出口管制。 所以我认为对于很多国家，我们可以谈判并说：“嘿，你想要 Nvidia GPU 集群吗？如果你想要这些，你可能需要基于我们的技术栈来构建。”这个技术栈可以包括 GPU、开源模型以及更广泛的软件包。 我不知道这是否会成为新政府的优先事项，也不清楚这是否是外交政策的重点，但我认为我们确实有杠杆可以利用，就像中国也有他们的杠杆一样。 中国可以提供大规模基础设施建设、债务支持以及大量免费技术，这些是我们无法匹敌的。所以这是一种博弈，几年前，中国曾是美国在全球基础设施和技术提供上的不可争议的领导者。希望在接下来的时代，这种局面依然能持续。 Aditya Agarwal 是的，我认为你提到的关于开源模型的点非常对，我认为我们会回过头来，看到 Zach 决定推出一个前沿规模的开源模型，这一决策对美国来说非常关键，毫无疑问。 Alexandr Wang 我知道。 Aditya Agarwal 绝对正确，我非常爱国。回到你可能的其他想法，显然我们看到很多关于 智能体 AI 的讨论，这种 AI 智能体现在可以意味着一切，也可以什么都不意味着。你怎么看？你认为到 2025 年，这种情况会如何发展，尤其是从消费者的角度来看？ 然后也许对于公司来说，这种发展有些更明确的含义。但就消费者而言，我依然认为，我自己还没有用智能体来做一些有趣的事情。嗯，我在公司也没有真正使用过它们，但我很好奇，你怎么看待这一点？ Alexandr Wang 是的，我认为目前智能体的情况是这样的，我们现在的模型非常擅长于单次的交互，也就是通过一个 prompt 进行响应时，它们的表现非常好。但是，一旦增加交互轮次，性能就会急剧下降。 这个问题其实很现实，虽然没人愿意公开谈论，但这就是我们现在的现状。模型在一次交互中非常好，就像 Google 查询那样，你提出问题并查看答案。但如果你需要与模型进行更复杂的交互，它们的表现就大大下降。 我认为有两个关键点。首先，整个行业中的公司必须非常努力地提高模型的可靠性，尤其是在增加交互轮次时，最终让这些模型具备更强的内在一致性，能够更像独立的实体。现在的模型甚至不知道自己不知道什么，因此它们会产生一些问题。 总的来说，当你与模型进行多轮交互时，它们像是一个机器，虽然在统计上更可能是对的，但它们并不具备任何心智理论，也就是你并不是在与一个“有意识”的实体互动。所以这点必须改变。 但是，我认为对于这个“智能体的突破时刻”来说，最大的障碍其实是产品设计。我认为，模型已经足够好，足以支撑一些智能体产品或智能体产品体验，而这些体验将会让很多人感到惊艳并受益。 对于我们这些常常接触模型的人来说，这可能并不明显，因为我们已经知道模型在很多方面都非常优秀，但大多数人并不知道这些模型已经足够好。所以像 Cursor 这样的例子就很典型。 我认为大多数工程师并不知道模型这么强，直到他们将其应用到 Cursor 中，突然间，它成为了他们工作流的一部分，使用起来更加便捷。我认为，这种时刻也会发生在消费者身上。而且，这真的只是突破模型在聊天范式中的局限，转变成更适应核心工作流的模式。 我认为，这是 2025 年最大的创业机会之一。如果我猜测的话，真正的机会就是不断迭代，找到合适的智能体模式。我同意。 Aditya Agarwal 或许吧。我们接着谈谈，显然，大家都在谈论构建下一代前沿模型的最大限制之一就是数据的可获取性。你认为数据墙有多现实？你怎么看待用于训练模型的合成数据？显然，在整个对话中，规模是一个非常重要的部分，我很好奇你对这个问题的看法。 Alexandr Wang 是的，我认为，过去 12 到 18 个月的热潮中，大家的讨论主要集中在：谁的计算能力更强？谁的芯片更多？你知道，芯片越多，你就越能获胜。那时的讨论非常简单粗暴，谁拥有更大的计算集群，谁就能获胜。 现在我们看到的情况是，即使有了更大的集群，我们依然会遇到数据的限制。我们已经达到了所有公开数据的极限。我们需要一种双管齐下的方法，不仅需要强大的计算能力，还需要专门的数据集，以此来获得更大的性能提升。 数据墙和目前我们所遇到的进展瓶颈确实是真实存在的。我认为我们已经达到了某种预训练的极限，而现在的进展大部分来自于后期训练。后期训练的瓶颈主要来自于专门的数据集，以及那些质量高且不依赖互联网常见数据的数据集。 所以，数据在其中起着至关重要的作用。我记得曾经有一种看法，认为所有模型都可以生成或大量合成数据，这些数据会用于预训练模型，但实际上这种方法并没有成功。 很多关于合成数据的实验发现，使用合成数据会丧失数据分布中大量的真实丰富性。因此，未来的现实情况可能是：我们将需要依赖新形式的人类生成数据，才能实现模型的突破。如果我们能够在计算能力的同时进一步扩展数据的规模，我们就能不断取得进展。 Aditya Agarwal 我们可能不会。 Alexandr Wang 可能不需要那些我们一年前谈论的数万亿、五万亿、十万亿的集群，但我们仍然可能需要一百亿的集群。所以，我认为目前的讨论正朝着某种“正常化”方向发展。 Aditya Agarwal 是的，最初所有的讨论其实都集中在谁拥有最大的集群，然后资本主义起作用了，大家获得了更多的芯片，这固然很好。 但我确实认为新的瓶颈现在出现在数据方面。所以，我很好奇，你认为规模在这个问题中的角色是什么？显然，你们在后期训练领域扮演了重要角色，但你认为是否有机会让规模在这一方面也发挥更大的作用？ Alexandr Wang 是的，我们确实需要在各个方面扩大数据生产。因此，我认为，从长远来看，若我们将视野放远，谈论 AGI 的发展道路，我们将需要计算中心指数级地扩展，同时数据生产也需要达到同样指数级的增长。 所以，我认为我们需要在这条曲线上持续扩展，而且数据的扩展需要与计算能力的扩展同步进行。你不能单单提前扩展数据而忽略计算，或者反过来，二者必须相辅相成。我们的关键角色就是生产那些数据，从而助力实现数据与计算能力的共同扩展。 Aditya Agarwal 或许我们可以稍微转换话题。很多在场的听众都是 AI 公司的创始人，你觉得在 AI 领域创办公司与过去的技术领域有什么不同？你认为有哪些显著的区别？ Alexandr Wang 我想，一方面，任何新兴技术领域都有很多不确定性。反过来，这种不确定性也伴随着很多机会。AI 也不例外。我记得很久以前，SaaS 领域也是这样，起初没有明确的方向，也充满了不确定性。 但目前 AI 领域的情况可能更加极端，80% 到 90% 的东西都还处于探索阶段。人们所说的很多话，投资者的信念，或者如果你去参加聚会听到的观点，往往并不准确。没人知道实际情况是怎样的，但很多人会非常自信，结果往往错得离谱。比如我有一个有趣的经历，我想分享一下。 Aditya Agarwal 哦，现在开始有趣的部分了。继续说吧。 Alexandr Wang 当我们在 2018 年初筹集 A 轮资金时，第一份展示的幻灯片上写着“数据是 AI 系统的生命线”之类的内容。当时我们正在向 Sequoia pitch，一位合伙人非常自信地大声说：“那不对，Andrew Ying 跟我说过，AI 不再需要更多的数据了。其实我们没有更多数据也可以做到。”这大概是在我展示的两分钟之内，他就这么说了。我当时只是…… 我当时才 20 岁，非常震惊，不知道该怎么回应，只能试图解释，显然 AI 需要更多数据。他当时说：“我不这么认为。”然后他就没有再理会我，因为他比较资深，不太关注这类演示，反倒是一些年轻人还在听。 所以我只能继续按原计划展示，最后当然他们选择了拒绝。这就像是，很多人非常自信地做出一些判断，结果证明是错误的。这种情况在任何早期行业中都很常见。 现在也一样，很多技术生态系统中的人都被要求有某种观点，投资者要有自己的理论并向 LP 汇报，或者如果你是大公司里的产品领导者，你也得有自己的观点。很多人有这些观点，结果往往并不符合实际。 所以，如果你在这个领域创业，你必须具备发现自己真正信仰的能力，并且根据自己的信仰执行，而不是单纯追随潮流，最终得出一个错误的结论。我认为，这是创业过程中最关键的一点。你如果只是追随趋势，甚至可以通过趋势筹到很多钱，但这并不意味着这个想法就对。AI 行业经历过很多起伏，未来还会有更多的波动。 Aditya Agarwal 是的，我觉得这个观点很有启发，尤其是对 SPC 的创始人们来说，我觉得现在其实有很少有类别或者领域，能够真正算是占据主导地位，或者至少没有一个“赢家”正在脱颖而出。 我认为很多问题仍然是悬而未决的，因为即使很多钱已经被筹集，甚至使用指标也未必能说明问题——毕竟现在每个公司使用指标都还很低。所以我认为，你不能因为竞争激烈就轻易退缩，当然你得做对事，这也是个好过滤器。 但我认为现在仍然有很多机会，尤其是如果大家都在针对同一个想法进行思考的话，反而可以考虑做一些稍微偏离主流的、有点逆向的尝试。 Alexandr Wang 我认为一般来说，旧金山的很多人并不真正相信什么，他们的想法大部分来源于 Twitter 和派对。所以，你的使命就是不要成为这些人之一，要有独立思考的能力。 我认为这对于你建立公司来说至关重要，因为无论你做什么，都会有高峰和低谷。你做的东西可能会一时热门，过一阵又会不再流行。你需要做的就是能够挺过这些疯狂的波动。 即便像 Nvidia 这样的大公司，过去也经历过一段时间“不被看好”，然后突然又变得非常火爆，未来还会经历类似的波动。因此，我认为，独立思考和应对波动是公司创始人最重要的任务之一。 Aditya Agarwal 是的，Mark 在 Facebook 常常告诉我们，世界对你的评价永远都不完全准确——无论是好还是坏。 大家总是说，当你遇到困难时，你需要相信自己，但同样的道理也适用于，当世界都告诉你你做的事非常正确时，这也是一个信号，说明你可能并没有做出足够深刻的思考，或者你并没有形成足够鲜明的观点。 你可能正在趋向一种“中庸之道”，大家都认为你做得对。其实这不容易做到，回音室效应是存在的，我们每个人都很容易被影响。 我很好奇你怎么看，Alex。你知道，硅谷的一个神话就是，想在 AI 领域竞争，你必须要有大量资金。我可能会持相反的观点，我认为如果你真的能在基础模型领域做些创新，或者在算法变动、数据来源方面有所突破，甚至是构建 AI 技术栈上下游，你可能能凭借一些逆向创新的策略，比单纯去筹集大量资金更能走得更远。我很好奇你对这个看法的回应。 Alexandr Wang 如果你的商业计划是依赖大量融资，因为你需要花费大量资金，那在商业上是不可持续的。因为显然，你是想打造一个有利润的公司，而不是一直在亏损中加深自己的困境。 我认为，硅谷常常陷入某些宏大、雄心勃勃的目标竞赛中。举个例子，如果你想成为世界的霸主，通过控制基础模型来获得神话般的地位，那么确实，你可能需要大量资金，但大多数公司的目标并非如此。 大多数公司的目标应该是建立一个盈利的、可以持续增长的企业。因此，我们密切关注自动驾驶汽车的投资风波，当时几乎有接近 1000 亿美元的资金被投入到大型自动驾驶汽车的研发中。 我认为，最终结果是，几乎所有的这些公司都失败了。像 Cruise 这样的公司最终没能取得突破，真正的赢家只有 Waymo，他们有着几乎无限的资金支持。所以，反过来说，如果你想要进入这个领域，去和这些大公司竞争基础模型的训练，那你就面临与全球最富有的公司竞争的局面。 这比你知道的任何公司都还要多的资金进行竞争。就像是和微软这样，全球最富有的公司竞争。这个策略并不好，我不认为你应该尝试和一个拥有无限财力的公司竞争。 所以，眼下最重要的还是要思考如何从一个创意出发，开发出一个真正能在生态系统中脱颖而出的产品，并且你可以在长时间内不断投资和优化。 至少在目前的 AI 领域，真正的优势在于，能够专注于一个问题，并且为之坚持很长时间。OpenAI 和 Google 这样的公司，的确是非常强大的竞争对手，但他们有着几乎无数个需要关注的任务，要优化的方向也非常多。 所以，他们很难将注意力集中在某一个具体问题上。Perplexity 就是一个很好的例子，尽管其他公司的产品都很强大，但在简单的搜索型 LLM 输出方面，Perplexity 仍然做得最好。它们并没有投入太多资金，最大的优势在于专注。所以，专注确实具有巨大的价值。 Aditya Agarwal 我们很快会开始向观众开放提问，所以大家开始思考一下问题。不过在此之前，我有个问题：你现在还写代码吗？ Alexandr Wang 不太写了。前几天我用了一下 Cursor，只是想看看它如何工作，感觉它是个很不错的产品。但我并不确定如何完全垄断一个工作流。 你看，回顾历史，我们会发现，单单拥有一个工作流并不容易长期占有，因为开发者这些人真的很挑剔，他们总是会去尝试新的东西，最终可能会有新工具凭借一个新的亮点就超越了你。所以，看看他们如何在这一领域扎根并巩固自己的地位，会很有趣，但他们确实做了很棒的工作。 Aditya Agarwal 是的，开发者确实非常挑剔。我安装 Cursor 时的想法也是，虽然有三四个小功能不太合我意，但整体看，它做得很好。那有没有一位你觉得硅谷应该更关注的人物？ Alexandr Wang 硅谷在政治上普遍是比较“短视”的，换句话说，政治素养较低。就像曾经有封邮件泄露，里面提到婴儿潮一代的最大威胁是什么，大家可能想不到，实际上就是这些大势的政治动向。 如果你把握了宏观的政治趋势，它们可能会推动重大的增长趋势。例如，目前的主要政治威胁就是民粹主义、特朗普主义等等，这些趋势在全球化的背景下有深远的影响。 虽然我认为硅谷的科技公司大多数都相对“非政治化”，但如果从全球视角来看，这些政治动向可能会影响你做出哪些长期的战略选择。硅谷对政治的认识程度有待提高。 Aditya Agarwal 对吧？我把这个问题留给观众。我是 Ryan，想问一下你对合成数据的看法。你似乎对合成数据在训练后阶段的应用并不非常看好。我想了解一下你对此的看法。你认为这反映了我们当前的状况吗？是我们只需要找到合适的技巧，还是这更多的是一个根本性的问题？ Alexandr Wang 同时理解到，正如你所说，人们是因为有理论才会获得报酬。 Aditya Agarwal 你也是因为有理论才获得报酬的。 Alexandr Wang 这个理论很重要。哦，对不起，我认为合成数据当然适用于训练后阶段，但就像我说的，合成数据并不是一种“哲学石”，不是那种你按下按钮就能不断产生更多数据的东西。 你需要想出各种技巧，每一个技巧都能帮你多获得一点合成数据。你本质上是在利用数据的结构，或者说你是在利用所有可以利用的先验知识，或者这些结构性因素，你在利用数据中的潜在结构来获取。 你知道的，就是通过这些手段提取出一些合成数据来优化你的模型。这显然作为一种范式是有效的，但它并不是一种无限制的追求，它不会一直有效下去。所以我总体的想法是，显然它是有效的，并且显然它是世界级训练后阶段努力的一部分，但它并不是解决过度扩展问题的“终极方案”。 Aditya Agarwal 嗯，是的，我想了解一下，通常创业者在开始时会被告知，应该瞄准中小型公司，不要去做企业级市场，你运气好都可能会失败。那么，尤其是如果我理解正确的话，你在早期阶段就专注于企业市场。 那么，尽管有很多人，包括 Y Combinator 都建议这样做，你为何选择了企业市场？另外，对那些想直接面向企业市场而不是中小型企业的创业者，你有什么建议吗？ Alexandr Wang 所以大多数企业的问题在于，你根本不相信他们告诉你的话，因为这些话很难相信。其实就像这样。大多数大型企业就像癌症一样。而你与之交谈的大多数人和公司的成功无关，他们只是在某个职位上负责某个事情。 所以你会发现，这是一个需要学会如何穿越的“老鼠窝”，你必须弄清楚如何有效地利用它。如果成功了，显然你会知道，它是非常有效的。世界上所有最大型的公司，要么是企业公司，要么是消费公司。所以这就是为什么我说，小型企业和中型企业的市场在规模上有限，你最终会到达一个瓶颈。 现在，这并不是说创业公司不适合做。我的意思是，对于创业公司来说，有些创业公司确实专注于企业市场，我们就是其中之一，还有一些其他公司也很成功。 但如果你想做这个，你必须知道，你会花大约 30% 的时间在组织的官僚体系中摸索。而如果你做的是中小型企业，他们就没时间对你撒谎。所以，他们告诉你的话，你可以当真，这对创业公司来说是一个很大的优势。 是的，我的意思是，普遍的建议可能是，专注于中小型企业。我认为，如果你想让公司起步并取得成功，选择中小型企业无疑是最明显的方向。但我认为，具体情况要看生态系统。 如果你身处一个 99% 的公司都专注于中小型企业的创业生态系统，那里可能就没有那么多机会。我注意到的现象是，如果你看一下创业公司的长远趋势，你会发现，很多公司都开始时都在模仿当时成功的公司，最后都进入了“完美竞争”的状态，结果它们都没有获得足够的关注和增长。 接着有一些公司专注于一些边缘的想法，它们没有竞争，最后那个想法反而成功了。两年后，这家公司就成为了热门公司，之后所有创业公司都开始模仿它，模仿那个公司。如此一来，你永远不想处在和所有其他公司都在同一个方向的地方。你想做一些稍微偏向边缘的事情，因为这样你就避开了“完美竞争”。 Aditya Agarwal 嗯，Alex，我有个问题，想听听你对人们意见的看法。你觉得人们的意见往往是由他们的生活经历、基本原则、思考方式以及你的输入构成的。 现在，如果你大多数的输入都是不正确的，那就很难正确。所以，你的输入是什么？你又是如何筛选你的输入的呢？ Alexandr Wang 我选择的输入，像我个人来说，我尽量集中精力去接触最好的信息源。对我来说，最好的输入就是通过写作或者和特定的专家交流。我非常努力地去和那些真正不在乎别人想法的人交流。 你能找到这些人，因为他们总是按照自己的节奏做事。你知道，他们可能显得很奇怪，很独特，但你尽量去听那些独立思考的人的建议。我认为这是一个很好的方式。同时，也可以看看那些独立思考者的写作，我认为这是另一种很好的输入方式。 我觉得现代互联网生态系统的一个巨大优势是，Substack 上有很多高质量的写作，你实际上可以从那些发布文章的专家那里学到很多关于某个话题的深刻内容。这实际上很神奇。 所以，我认为这些都是关键的输入期货线上配资，当然还有你的客户。我认为你必须有这样的心态：客户永远是对的。尽管有些人在没有客户反馈的情况下也能成功，但你必须像服务客户一样对待他们。
|
