Transcription
欢迎来到周二闲聊。我是你们的主持人Vanc，很高兴欢迎DJ Lopsch来到频道。
>> 很高兴来到这里。
>> 是的。那么，你能不能简单介绍一下你自己，然后介绍一下你的公司OpenB，我们就可以从那里开始。
>> 我叫Adidob。我最初来自葡萄牙。我出生在瑞士，但我的祖籍是葡萄牙。我学习了电气与计算机工程学士学位，然后获得了控制系统硕士学位。我非常早就对自动驾驶汽车、数据科学和人工智能领域产生了浓厚的兴趣。我进入金融领域是因为我以前的数学老师当时正在攻读博士学位，研究金融时间序列的建模和预测。我为他编写了代码后，就再也没有离开过金融领域。那时我开始着手OpenB，这是一个开源项目，它以一种让我能够完全控制其上层应用的方式，聚合了来自不同数据供应商的所有数据。然后我们获得了关注，并最终筹集了资金。如今，OpenV与最初的项目已经大不相同。那个项目如今是我们称之为开放数据平台的东西，它是开源的。然后我们有企业产品，它就像一个金融工作空间。你可以想象一下，像FactSet、CapIQ、Bloomberg这样高端的金融软件。但我们认为，随着时间的推移，公司会想要更多地控制他们特定的工作流程。所以我们构建了一个基础设施，可以让你使用这些软件，但你可以将其托管在自己的本地环境中，然后你可以连接你的数据，连接你的AI代理。所以，在AI工作流程方面，它甚至比那些软件做得更多，而且我们没有任何访问权限。他们只是采用基础设施并在其上进行构建。
>> 好的，很有道理。那么，我想知道它的目标受众是谁？因为我们聊过，我猜你这些年参加过一些会议。是的，在我看来，你参加这些大型投资会议，我总是认为它是投资软件，但当你谈论它时，它更像是一个通用软件，比如银行、投资公司，客户类型有哪些？
>> 是的，银行、对冲基金、大型投资公司。如果是一个只有几个人组成的小基金，通常不太适合，因为他们的工作流程要么更简单，一两个工具就能满足需求。但对于大型组织来说，他们通常会消耗更多的数据，工作流程更复杂，并且有团队围绕着它，所以那时我们就变得更合适了。然后还有数据供应商。数据供应商使用我们，因为如果你是数据供应商，你每天都要花大量时间创建高质量的数据。你不想把这些资源花在用户界面、分发层上，所以你可以利用这个工作空间。我们允许一些数据供应商为他们自己贴牌我们的工作空间。但我们也有免费套餐，我们有数据供应商在那里构建了应用程序，然后他们使用我们作为分发机制来向人们展示他们的演示，以便购买他们的数据，这非常有趣。
>> 太棒了。所以，它是聚合的吗？能多告诉我一些关于产品的信息吗？你正在引入数据，聚合数据，里面有数据质量功能吗？它更像是一个展示层吗？你谈论的是它如何在已经构建好的基础设施中工作？
>> 它更像是一个展示层。这样想吧。假设你已经设置好了所有的API。你有内部数据。你有Daton Snowflake。你正在从Databank或其他来源消费第三方市场数据。我们允许你将所有这些整合在一起，并控制界面的外观。我们已经构建了所有功能，以便你可以将API连接到工作空间，并告诉“好的，这将是一个表格”。“这个将是一个图表”。“这个将是一个趋势图”。“这个将是差异”。然后你就可以作为一个开发者，构建这些应用程序，当有人登录工作空间时，他们可以点击，它就会打开应用程序，完全按照你的意愿。这里的问题是，大多数产品都能让你做到这一点，对吧？如果你想到Foxset，Foxset的开发者也可以构建那个，对吧？但他们是为特定用户群体优化的，所以他们无法进行更多定制，否则他们会惹恼其他用户群。所以他们被困在这个最小化状态，产品对很多人来说足够好，可能是可能的最大化，但对任何人来说都不是最好的，因为他们不允许更多的访问。而且他们还有另一个问题，那就是他们拥有数据。所以他们的动机是只推广他们自己的数据集。他们不会真正允许引入其他数据源，因为那会与他们竞争。所以我们没有这个阻碍，因为我们不拥有任何数据。所以我们只专注于用户体验和界面，然后我们允许最终用户自定义工作流程。所以不仅仅是开发者以某种方式设置应用程序。然后我作为最终用户，可以打开一个新的仪表板，创建我想要的仪表板布局，包含所有小部件，就像一个BI工具一样。它看起来更像是一个高端软件，而不是PowerBI或Tableau。
>> 好的。你们有没有和别人合作创建关键风险指标和模型监控？
>> 是的，我们网站上有一个名为“解决方案”的页面，上面有很多为不同用例构建的应用程序，比如集装箱预测、来自Carbon Arc的ALS数据、波动率曲面、合规用例等等。你也可以提到，我们可以很好地推广到其他用例。我们主要集中在金融服务领域。
>> 好的。是的，我得看看。所以，我们遇到的一个最大的麻烦，在大型银行里，我们有很多模型在运行，每个人都有一个关键风险指标设置，包括模型参数和漂移，然后还要查看损失阈值。我告诉你，最大的痛苦是为管理层或某人提供一个仪表板。然后我们会问“他们能用PowerBI吗？”我们会说“我不知道他们是否有PowerBI的访问权限”，然后“我们如何将这些连接起来？”然后Python的东西也一直是个麻烦，试图开源。然后正如你所说，有数据安全问题。
>> 正确。我不想把消费者数据上传到服务器供访问。
>> 是的，正是如此。我们还有所有企业级功能。比如基于角色的访问控制，你创建特定的角色，他们可以访问哪些应用程序，可以访问哪些单独的小部件。但最终，因为我们不拥有数据，所以你也可以在数据层面进行控制。所以，同一个人拥有相同的角色，但如果他们有不同的数据访问权限，数据就不会呈现给他们。这是个功能，不是bug，因为工作空间只是一个用户体验层，然后数据方面你可以根据需要进行设置，我们只是继承了谁有权访问什么。然后你可以在工作空间中做所有事情，比如当数据过时或实时更新时，你会有指标。我们有这个widgets.json文件，你可以把它看作是我们工作空间如何解释API端点的规范。然后是apps.json，这是上一层，关于哪些小部件会出现在这个特定的应用程序上，以及哪些预设用于特定的工作流程。
>> 好的。它是即点即用，还是需要编程来构建一些仪表板？
>> 不。你构建的端点已经准备好了，然后你有一个静态的widgets.json文件，它只是告诉工作空间如何调用这些端点。所以当你使用工作空间并使用这些数据时，如果你正在检查API调用使用情况，你会看到每次你与特定小部件交互时，都会有一个新的API调用，因为用户需要自己进行优化。例如，如果你想进行缓存，你可以在数据端进行缓存，但也许你不想，因为数据更新很快。也许你想有一个运行按钮，它不会根据用户操作重新获取数据，这是一种我们拥有的启发式方法，即用户正在与这个图表交互，所以他们可能想要最新版本。在这些情况下，你可以点击运行。所以本周我们宣布了与Snowflake的合作，我们现在有一个Snowflake原生应用程序。那里所有的小部件默认都不运行查询，你实际上必须点击运行按钮来运行它，这样你才不会在不需要时使用计算。
>> 这很有道理。我们总是在运行Snowflake和导入特定Python包时遇到一些问题，至少我遇到过。所以拥有这种集成功能很好。那么，OpenV的用户是谁？不是公司层面，而是个人层面，是软件开发团队、量化分析师、量化开发人员，谁是实际产品的用户？分析师、产品经理作为最终用户，然后开发人员只是在其上构建必要的东西，比如量化分析师。但我们看到，分析师和产品经理变得越来越强大，特别是随着编码AI代理的出现。我认为我们去年也经常讨论，我们如何定位自己？因为我们针对的是最终用户，也就是分析师，但需要开发人员来构建应用程序，构建API端点。然后我们开始看到，社区里很多分析师实际上能够自己构建这些应用程序。所以对我们来说，我们真的认为分析师和产品经理将获得更多控制权，他们可以构建什么。所以我们正在将他们分成两类，但实际上他们正在趋于融合，至少分析师变得更加主动。然后我们有像VANC的某人，他几乎独自一人构建了一个完整的加密应用程序，他是一名分析师。然后我们介入，我们说“好的，你可以在这里优化，你可以添加缓存，你可以改进这些东西”，但是“他们自己就能构建出他们构建的东西，我当时想‘这太令人印象深刻了’”。我们开始看到越来越多这样的情况。所以我认为这是一个趋势，坦白说，我们将看到更多这样的情况。
>> 好的。你们是否将AI纳入这个过程，以帮助最终用户构建这些东西？
>> 目前还没有。这是在我们有任何AI来帮助构建应用程序之前。所以那个人在阅读文档，然后就继续做了。这才是最令人印象深刻的。然后最近，实际上是几周前，我创建了一个代理技能，可以帮助你构建一个OpenV应用程序。它有一些管道步骤，比如首先进行访谈，即“你想要看到什么数据？它在哪里？你希望如何消费它？你想要的仪表板布局是什么？”然后代理实际上会生成文本，模仿你在工作空间中看到的标签和一切。然后你说“好的，我对这个满意”。然后它会告诉你“好的，这些小部件将分组在一起”。所以当你改变股票代码时，它们都会更新，你对此满意吗？然后它会进入部署开发，这需要一些时间。最后，如果它有浏览器访问权限，比如使用Cloud Code配合Forward/Chrome，它实际上会将其添加到工作空间，你将验证它是否按预期工作。这改变了游戏规则，因为现在当我与潜在客户会面时，我会问他们“你想要做什么？”，然后我会在通话后通过那个技能，然后我会说“创建模拟数据，这就是我想要实现的这个工作流程”。以前，为客户做这个演示可能需要我花一个下午的时间，现在我可以在大约1小时内完成所有工作。这令人印象深刻。很高兴看到AI的应用和简化过程。它在很大程度上帮助了最终用户，我曾经在管理层，当时我想“我只需要这个东西能快速工作”，但我也“不想等分析师或其他人花一两天时间来构建这个”。
>> 我认为另一件事是，这些编码代理工具非常棒，我认为我们的一些客户正在将我们与他们自己构建定制的、量身定制的应用程序进行比较。现在的问题是，我们面临着我一开始提到的同样问题，即他们构建的量身定制的应用程序是为开发人员量身定制的。当他们离开公司时会发生什么？如果有人想要一些不同的东西会发生什么？它永远无法为最终用户定制。而这正是我们介入的地方。这还没有提到所有企业级功能，比如我们所有的合规性，你知道我们的产品运行着成千上万的每周活跃用户。所以，它已经被实战检验过了。所以你无法以某种方式获得一个量身定制的编码应用程序。但我认为，因为人们获得了如此大的赋权，这是他们以前无法做到的，他们只是被可能性的无限性所震惊，他们认为“好的，这可以一直部署到99.99%的应用程序”，但它就是不行。你知道吗？尤其是如果你不是开发人员，并且不知道如何构建所有这些东西。
>> 是的。我可以告诉你，设置API和做后端工作一直让我很沮丧，而且总是有专业知识。我们有一个技术团队，他们没有接受过金融培训，也从未在金融行业工作过，甚至克服理解金融领域差异和细微差别的障碍也是一个挑战。在这个领域有完整的团队。有工程师，还有其他一些，比如Carbonarch也有自己的本体论等等。我们实际上明确表示，我们不进入那个领域。我们只专注于界面基础设施，因为那个领域很困难，你必须拥有自己的专业知识，而且它因领域而异。
>> 哦，是的。是的。我的意思是，作为一个量化分析师，我总是想“我们构建了模型，这是模型，去实现它”。我没有任何兴趣做实际的API工作，然后我和技术团队谈论“你们想用Kubernetes还是FastAPI？”我说“我真的不在乎，只要让它运行就行”。
>> 是的，我明白。
>> 是的，这其中肯定有很多技巧，我认为这很重要。那么，OpenB的催化剂是什么？是什么让你觉得这是一个问题，我们该如何解决这个问题？
>> 好的。当时，正如我所提到的，我正在为我以前的老师编写博士论文的代码，该论文是关于金融时间序列预测的。我们只是使用时间序列，我编写了循环神经网络和长短期短期记忆网络的代码，并将其与ARMA进行比较。所以，连续8个月我都在处理时间序列数据。在那之后，我开始了我的第一份工作，即传感器融合工程师。所以我开始有一些储蓄，我想“这很酷，但我只是在看时间序列，不可能从中获得完整的图景”。所以我开始研究基本面。我开始研究宏观经济。我开始研究内幕交易。我开始研究政府合同。我面临的问题是，我觉得所有来源都在我正在浏览的不同网站上。我当然买不起Bloomberg，但即使我能买得起，我也无法获得我想要的控制权。作为一个工程师，我的日常工作是传感器融合工程师。所以我解析了大量数据，并创建了一个估计值，在这种情况下，是追踪器。一个跑步者用户，我会测量所有这些测量值，并估计他们的海拔、速度等等。我想为我的金融投资拥有类似的概念。所以我想能够跟踪一家公司，并拥有一个主要的KPI，然后我可以将其分解为对我重要的子KPI。由于我从未完全控制过数据，这真的让我很恼火。我学得越多，我就在笔记本上写道：“好的，这是我需要做的事情”。然后是技术分析，对于技术分析，我想看看这个。我想运行一个回归分析。所以，研究过程开始花费我太多时间，我有一个全职工作，我真的做不到。归根结底，这只是数据。如果我能用真实世界的数据，用毫秒级传感器数据做到这一点，为什么我们不能用金融数据做到这一点呢？所以我寻找GitHub上的项目，最好的项目是Yahoo Finance的仓库，但我想，它只是从Yahoo Finance网站上抓取的数据，我真的无法对其进行修改，因为它有自己的东西，甚至没有得到Yahoo Finance的官方支持。所以我当时想，“好吧，这有点糟糕”。因为我没有任何东西可以使用。所以我开始构建它。它基本上是我想要构建的东西的所有不同数据源的聚合器。现在的问题是，我的主要目标是构建KPI的东西，然后我意识到“好吧，我需要数据”。我注意到，当时我作为散户投资者正在消费的所有数据供应商，它们都有相同的市场进入策略：你访问他们的网站，注册，他们给你一个免费的API密钥，可以让你免费获得大量数据。如果你喜欢，你就会订阅。但我想，这太完美了，因为我正在使用相同的端点。现在API密钥允许访问更多历史数据，或者每分钟更多的请求。但它是一样的，或者可能是新的数据集。这就是我构建OpenV终端最初版本的基础。它是一个命令行界面，有菜单，就像我的笔记本上写的一样。然后它们只是我编写的命令。比如“TA菜单”，然后我会进入“EMA命令”，即指数移动平均线，然后我会得到“命令”，我可以使用的东西，比如“窗口长度W为20”，然后你运行它。然后我会选择我正在为之使用的数据源。所以，一开始，因为我有所有不同的数据源，它们的免费套餐实际上并没有太多关联。所以我可以免费获得大量数据。所以我只是自动化了我的研究工作流程。然后开始发生的是，人们为已经有数据源的命令添加了新的数据源。比如，来自三个不同数据源的内幕交易，基本面有五个或六个不同的数据源驱动基本面，人们可以只选择他们已经付费或更喜欢的，因为他们更信任它。
>> 这很有道理。拥有控制权和访问权来整合所有碎片总是很困难的。
>> 这是许多供应商产品失败的地方之一。很多供应商来找我，当我在团队工作时，他们会说“哦，我们有这个东西，它很棒，它很好”，就像一个盒子在这里，我说“你说得对，我喜欢”。我说“但是我想移动东西，让它更具可定制性和独立性”。
>> 而且我们不信任任何人。我也不信任任何人。我在银行、对冲基金工作过，我不信任任何人。我需要看到实际的过程，感受工具，移动东西，让一切发生。
>> 所以，我绝对能理解很多工具缺乏可定制性的那种沮丧，尤其是在零售层面。
>> 我觉得零售产品就是垃圾。就像“哦，这是零售投资者，这里有一些简单的闪光点，这会让他们兴奋”。但与机构级产品及其功能相比，这完全不同。
>> 正确。这正是我当时在看的，但我买不起。所以，我想“好吧，我想对这些有更多的控制权”。所以，我想，而且没有理由我不能在某个时候整合大公司的产品，对吧？这就是想法。然后我稍微了解了市场，以及他们不那么开放。
>> 可以理解。嗯，当你在研究和时间序列方面工作时，我很好奇。我花了很多职业生涯在时间序列和ARMA建模上。你当时在研究什么？你谈到了加入机器学习LSTM方法。那项研究是关于什么的？你们在这个过程中发现了什么？
>> 是的，研究很简单。我只做了代码。我没有写论文。我只是说“告诉我你需要我做什么”，我觉得“这很有趣”。即使是长短期记忆的超参数微调，也是教授做的。我只是创建了所有的基础设施，基本上就是比较所有这些模型，当它预测到某个时间点之前的标准普尔500指数时。但我觉得这真的很困难，因为你可以选择任何任意日期，结果会完全不同。所以，即使我们实现了交叉验证，有验证集，这样你就不会过度拟合超参数，但仍然有太多的主观性，我觉得“我不知道，我不是一个真正相信这些基准测试的人，就好像在某个时间点，如果我们回顾历史，在这个特定的时间点，这是预测，那么这将是对这个模型能获得的良好翻译”。说实话，我从来没有真正相信过。
>> 是的，这有道理。我一直觉得这有点愚蠢。我看到学生做这样的项目，他们说“这个模型比那个模型好”。我的头开始爆炸，我想“用了什么数据？谁构建了模型？”因为一个人构建ARMA，另一个人构建LSTM，专业知识会影响参数、超参数调整、结构、设计。这太复杂了。如果你想到复杂性，有这么多变量，然后你试图将所有东西都转化为一个数字。
>> 这太疯狂了。你知道吗？我觉得这没有意义。你知道我的意思吗？
>> 是的。
>> 模型将如何使用？你是预测一天、一周、一个月？
>> 完全正确。是的。完全正确。是的。或者你可以说我只是预测股价会涨还是跌。我想，“好吧，公平地说，这与你预测每一天或盘中预测完全不同”。
>> 是的。
>> 是的。我当时还在工作。我是在整个风险管理革命的开始阶段加入的，每个人都被要求构建时间序列模型，并用宏观经济因素进行压力测试。我加入了，每个人都在抱怨ARMA很糟糕，非常不稳定，不起作用。他们喋喋不休。所以，好吧。我看了他们构建的模型，我说“这些都没有意义”。所以我说“好吧，我来重建一个”。我想“它肯定会得到相同的结果，但我来重建一个”。我重建了它，结果天壤之别。然后他们看着我说“你是怎么得出这些变量和滞后结构的？你的模型效果很好，但你是怎么做到的？”我说“我不知道。这里有四个通用步骤。你做了其中两个，对吧？但正如你所说，每个人都得到非常不同的模型和非常不同的结果。我认为这很有趣，因为很多人没有意识到在这个过程中有多少决策是如何得出某种最终结论性模型或什么的”。
>> 是的。当我想到ARMA之类的模型时，我真的很喜欢那些模型，因为它们非常简单、可解释，而且我认为对于很多用例来说，它们效果非常好。它总是让我想起我的控制系统硕士学位。我在帝国理工大学学习了一年，我们学习了所有这些不同类型的控制器。比如，我在论文中使用的那个是非线性模型预测控制器，你基本上有一个世界的模型，它试图模拟世界，然后你用它来预测，然后更新控制器的权重等等。但当你进入工业界时，每个人都使用相同的PI控制器，非常简单，三个项，你知道，一个用于比例，一个用于积分误差，一个用于速度的相对误差，就这样。它对你所能想到的一切都非常有效，比如无人机、汽车等等。我们正在学习所有这些创新，但工业界却在使用PI，这太疯狂了。
>> 是的。是的。我现在正在读一本书，我在一家二手书店找到的，我觉得它很有趣，叫做“测量分析”之类的。我打开它，里面是“平稳性理论和时间序列”。我觉得这会很有趣。我开始读它，全是电气工程，它给出了例子。我觉得这很迷人。我从来没有接触过电气工程的世界，我不知道发生了什么，但理论在金融应用中非常相似。
>> 我同意。我喜欢那个话题。这就是我选择它作为我硕士研究方向的原因。实际上，我离开葡萄牙攻读学士学位的原因是，我的电气与计算机工程学士学位是一个综合硕士学位，原因是他们有六个主题，你必须选择三个。而我只想学习控制系统，因为对我来说，这是最迷人的领域，它应用于世界的每一个领域，因为这都是关于反馈循环的。所以，即使是强化学习之类的，那也是控制系统。所以，因为他们不提供，所以我寻找好的大学，最后去了伦敦。
>> 你觉得TU Delft怎么样？
>> 嗯，原因如下：我当时在葡萄牙的大学里非常舒适，但舒适到很容易取得好成绩。我知道我会取得好成绩，而且大学本身也不错，但不是全球顶尖的。所以我研究了他们提供的交换项目，我想“这对我会很棒，因为我当时的英语很糟糕，而且我也想独自一人在国外，在一所非常好的大学里，我想看看我在那种非舒适区环境中会表现如何”。所以我研究了我们有的交换项目，而TU Delft是他们合作的大学中排名最高的。我知道他们在机器人和电子学方面非常出色，这些都是我喜欢的课题，还有控制系统。所以我去了，呆了大约四个月，这是交换项目。这确实改变了我对留学经历的看法。它比我在葡萄牙的学习要难得多，因为我一个人在那里，没有往年的资源。我不得不花很多时间，我在这三个月里从未熬过那么多夜。我中午回家打个盹，下午再回去，这简直是疯狂的强度。我记得我生命中唯一一次不及格的课程是电子学。我学习得很努力，其中一位教授是建造PlayStation 2芯片的团队成员，这是最著名的设备。我身边有比我年轻的人，他们已经在电子学领域发表了论文。我为这门课程付出了巨大的努力，我通过了理论考试，但期末考试是他们会给你一个电路设备，然后你必须和老师一起在房间里解释所有发生的事情，电流在哪里流动，发生了什么。我准备不足，葡萄牙的大学没有为我准备好达到那个水平。所以我当时想“不，我做不到”，我付出了巨大的努力。但我喜欢那次经历，TU Delft很棒，也是在那里我开始接触自动驾驶汽车、强化学习和控制系统。我的热爱在那里真正开始，对AI也是如此。
>> 为什么你没有坚持下去？为什么你没有考虑去一家自动驾驶汽车公司？
>> 我去了。我完成了在帝国理工大学的论文，我想在自动驾驶汽车领域做。他们没有提供那方面的课题选择。所以我不得不找一位支持我在自动驾驶汽车领域做研究的老师。然后我最终在那里完成了。论文的题目是“合作自适应巡航控制”，基本上教授更侧重于能源方面，所以我研究了通过车辆协同驾驶可以节省的能源，通过空气动力学，如果你能优化能源消耗，如果汽车知道前面汽车的所有动向，就像你想象的那样，你甚至不需要一些传感器，因为如果汽车之间相互通信，它就是高效的。所以我对此非常看好，我写了论文。然后我离开后申请的第一家公司是Waymo。我通过了Waymo的第一轮面试，那是在2018年。然后我去了第二次面试，面试官问我“你已经处理好签证问题了吧？”我说“什么意思？”“你有在美国工作的权利吗？”我说“不，第一轮面试官没有问我这些”。所以，这个职位不提供签证担保。所以我当时想“好吧，我们无法继续”。我说“好吧，这太遗憾了”。然后我选择的工作是在一家名为U-blox的公司，他们生产用于自动驾驶汽车的芯片。对我来说，这已经足够接近我想要的行业了。所以我接受了那个职位，这家公司位于瑞士，但我当时在英国的一个办公室工作。
>> 好的。你在那里做了什么？日常工作是什么？
>> 是的，日常工作主要是软件工程工作，架构师。我当时在一个产品线项目上工作，是F9K，这是他们提供给自动驾驶汽车公司的芯片。我当时在传感器融合部分工作，最初的导航系统，比如他们有“航位推算”，比如当汽车进入隧道时，你得不到GNSS信号。所以，我们必须根据汽车的运动来预测它将去哪里。所以，他们在做这个方面是世界上最好的。所以我当时在那个领域工作，但我更想深入研究芯片背后的算法，但他们有大量的博士在那个领域工作。所以对我来说，我拥有控制系统硕士学位，而不是那个特定主题的博士学位，所以我只能做那么多。所以，我主要是在支持功能方面工作，然后我被一家正在开发跑步者追踪器的初创公司接触到，你把它放在鞋子上。他们工程团队有两个人负责固件，一个非常擅长蓝牙，另一个非常擅长低级固件。他们正在寻找另一个非常擅长算法和信号的人。我一直在业余时间做很多这方面的工作，试图进入前一家公司的那一部分。所以，他们有点，我有点展示了我能做到。然后我加入了，我喜欢它，因为我有很大的自主权。所以我能够实现卡尔曼滤波器来处理这些信号，因为例如，当我加入时，他们并没有做很多我认为他们应该做的事情。比如，他们使用气压计来估算跑步者的海拔，而这没有意义，我们不利用其他信号，因为如果有一个跳跃，传感器上可能有灰尘，它会受到影响。但如果使用卡尔曼滤波器，你可以抵消它，因为用户没有移动足够远，以至于海拔会跳跃10米。所以我进来，我能够先写Python脚本来模拟我们要做的事情，然后将其实现为C/C++软件。那是在有任何AI之前，所以看到如何从模拟世界重现固件将要做的事情，然后实际实现并尝试优化它以适应固件的规格，这非常酷。
>> 好的。那些是跑步者的追踪器，比如跑步比赛之类的？
>> 是的。是的。它们戴在你的鞋子上，这本身就带来了不同的挑战，比如冲击。所以你必须抵消它。但它真的很有趣。我真的很喜欢。而且数据量很大。我甚至在那里写了一篇论文，我试图写一个支持向量机模型来检测何时发生一步，因为他们会计算步数。所以整个前提是，作为一个跑步者，为什么我们要从你的手腕上追踪你的跑步数据，而你用脚跑步呢？这就是这家初创公司的前提。
>> 好的。有趣。我去年12月跑了半程马拉松。所以我一直沉迷于这个话题，每个人都有各种各样的应用程序和设备，比如带有设备和追踪器的臂带。我很好奇，因为我一直在想，设备到底有多准确？因为我用了GPS和应用程序来追踪我的半程马拉松。它追踪距离，当然。但比赛总体上非常广泛，赛道很大很宽，有成千上万的跑步者。所以当我完成比赛时，我看了看我的应用程序，我想“我跑了10:16英里，感觉很棒，这是我的平均配速”。然后我得到了我的比赛时间，是10:30或10:40英里。我想“然后我开始想，应用程序上的GPS的准确性，与比赛的准确性，与赛道的距离相比，我的数学开始变得混乱”。
>> 在我们实际生产中使用的测试方式。有些人会带着各种手表跑步，然后比较它们。但要获得黄金真相，就是使用一个轮子，它有一个计数器，基本上在计数，如果你在上面跑步，你就能得到精确的测量。所以那是黄金真相，然后你比较所有这些设备。我记得当时我们与Aura Ring之类的设备进行了比较。或者不，是Whoop。我想是Whoop。但这些公司现在已经发展壮大了。我们与Oura进行了其他方面的比较，但不是跑步，而是某种统计数据。我不记得是哪个了。
>> 构建那个公司最大的挑战是什么？是追踪步数、海拔的准确性吗？
>> 不，他们都解决了。数据采集相当好。你知道我进来的时候，固件方面的一切都很好。但当你处理硬件时，你就明白了软件的好处，因为如果你想要一些不同的东西，它不像你可以直接构建和编译。你需要有巨大的周期，然后有一个工厂在别处需要制造它。然后你进来，发现“好吧，这个没有按照规格制造”。然后当你构建软件时，你知道你需要考虑到你拥有什么资源。所以，一切都更难。即使是我实现的反馈循环，比如当我构建卡尔曼滤波器来建议在产品中实现它时，我使用的是Python脚本，我有传感器数据，我有我的真相来源，然后我们解析它，然后显示结果。这很棒。但当我实际在C/C++固件中实现它时，我实现代码，我会在设备上进行固件升级，这需要30到40分钟。然后我会说“好了，现在可以了”。然后为了测试，我必须出去，跑3到4公里。我当时写了一个脚本，可以去谷歌地图获取海拔的地点信息，这样我就可以用它来测试，然后回来，说“哦，这个报告的”。
>> 好的。那些是跑步者的追踪器，比如跑步比赛之类的？
>> 是的。是的。它们戴在你的鞋子上，这本身就带来了不同的挑战，比如冲击。所以你必须抵消它。但它真的很有趣。我真的很喜欢。而且数据量很大。我甚至在那里写了一篇论文，我试图写一个支持向量机模型来检测何时发生一步，因为他们会计算步数。所以整个前提是，作为一个跑步者，为什么我们要从你的手腕上追踪你的跑步数据，而你用脚跑步呢？这就是这家初创公司的前提。
>> 好的。有趣。我去年12月跑了半程马拉松。所以我一直沉迷于这个话题，每个人都有各种各样的应用程序和设备，比如带有设备和追踪器的臂带。我很好奇，因为我一直在想，设备到底有多准确？因为我用了GPS和应用程序来追踪我的半程马拉松。它追踪距离，当然。但比赛总体上非常广泛，赛道很大很宽，有成千上万的跑步者。所以当我完成比赛时，我看了看我的应用程序，我想“我跑了10:16英里，感觉很棒，这是我的平均配速”。然后我得到了我的比赛时间，是10:30或10:40英里。我想“然后我开始想，应用程序上的GPS的准确性，与比赛的准确性，与赛道的距离相比，我的数学开始变得混乱”。
>> 在我们实际生产中使用的测试方式。有些人会带着各种手表跑步，然后比较它们。但要获得黄金真相，就是使用一个轮子，它有一个计数器，基本上在计数，如果你在上面跑步，你就能得到精确的测量。所以那是黄金真相，然后你比较所有这些设备。我记得当时我们与Aura Ring之类的设备进行了比较。或者不，是Whoop。我想是Whoop。但这些公司现在已经发展壮大了。我们与Oura进行了其他方面的比较，但不是跑步，而是某种统计数据。我不记得是哪个了。
>> 构建那个公司最大的挑战是什么？是追踪步数、海拔的准确性吗？
>> 不，他们都解决了。数据采集相当好。你知道我进来的时候，固件方面的一切都很好。但当你处理硬件时，你就明白了软件的好处，因为如果你想要一些不同的东西，它不像你可以直接构建和编译。你需要有巨大的周期，然后有一个工厂在别处需要制造它。然后你进来，发现“好吧，这个没有按照规格制造”。然后当你构建软件时，你知道你需要考虑到你拥有什么资源。所以，一切都更难。即使是我实现的反馈循环，比如当我构建卡尔曼滤波器来建议在产品中实现它时，我使用的是Python脚本，我有传感器数据，我有我的真相来源，然后我们解析它，然后显示结果。这很棒。但当我实际在C/C++固件中实现它时，我实现代码，我会在设备上进行固件升级，这需要30到40分钟。然后我会说“好了，现在可以了”。然后为了测试，我必须出去，跑3到4公里。我当时写了一个脚本，可以去谷歌地图获取海拔的地点信息，这样我就可以用它来测试，然后回来，说“哦，这个报告的”。
>> 好的。那些是跑步者的追踪器，比如跑步比赛之类的？
>> 是的。是的。它们戴在你的鞋子上，这本身就带来了不同的挑战，比如冲击。所以你必须抵消它。但它真的很有趣。我真的很喜欢。而且数据量很大。我甚至在那里写了一篇论文，我试图写一个支持向量机模型来检测何时发生一步，因为他们会计算步数。所以整个前提是，作为一个跑步者，为什么我们要从你的手腕上追踪你的跑步数据，而你用脚跑步呢？这就是这家初创公司的前提。
>> 好的。有趣。我去年12月跑了半程马拉松。所以我一直沉迷于这个话题，每个人都有各种各样的应用程序和设备，比如带有设备和追踪器的臂带。我很好奇，因为我一直在想，设备到底有多准确？因为我用了GPS和应用程序来追踪我的半程马拉松。它追踪距离，当然。但比赛总体上非常广泛，赛道很大很宽，有成千上万的跑步者。所以当我完成比赛时，我看了看我的应用程序，我想“我跑了10:16英里，感觉很棒，这是我的平均配速”。然后我得到了我的比赛时间，是10:30或10:40英里。我想“然后我开始想，应用程序上的GPS的准确性，与比赛的准确性，与赛道的距离相比，我的数学开始变得混乱”。
>> 在我们实际生产中使用的测试方式。有些人会带着各种手表跑步，然后比较它们。但要获得黄金真相，就是使用一个轮子，它有一个计数器，基本上在计数，如果你在上面跑步，你就能得到精确的测量。所以那是黄金真相，然后你比较所有这些设备。我记得当时我们与Aura Ring之类的设备进行了比较。或者不，是Whoop。我想是Whoop。但这些公司现在已经发展壮大了。我们与Oura进行了其他方面的比较，但不是跑步，而是某种统计数据。我不记得是哪个了。
>> 构建那个公司最大的挑战是什么？是追踪步数、海拔的准确性吗？
>> 不，他们都解决了。数据采集相当好。你知道我进来的时候，固件方面的一切都很好。但当你处理硬件时，你就明白了软件的好处，因为如果你想要一些不同的东西，它不像你可以直接构建和编译。你需要有巨大的周期，然后有一个工厂在别处需要制造它。然后你进来，发现“好吧，这个没有按照规格制造”。然后当你构建软件时，你知道你需要考虑到你拥有什么资源。所以，一切都更难。即使是我实现的反馈循环，比如当我构建卡尔曼滤波器来建议在产品中实现它时，我使用的是Python脚本，我有传感器数据，我有我的真相来源，然后我们解析它，然后显示结果。这很棒。但当我实际在C/C++固件中实现它时，我实现代码，我会在设备上进行固件升级，这需要30到40分钟。然后我会说“好了，现在可以了”。然后为了测试，我必须出去，跑3到4公里。我当时写了一个脚本，可以去谷歌地图获取海拔的地点信息，这样我就可以用它来测试，然后回来，说“哦，这个报告的”。
>> 好的。那些是跑步者的追踪器，比如跑步比赛之类的？
>> 是的。是的。它们戴在你的鞋子上，这本身就带来了不同的挑战，比如冲击。所以你必须抵消它。但它真的很有趣。我真的很喜欢。而且数据量很大。我甚至在那里写了一篇论文，我试图写一个支持向量机模型来检测何时发生一步，因为他们会计算步数。所以整个前提是，作为一个跑步者，为什么我们要从你的手腕上追踪你的跑步数据，而你用脚跑步呢？这就是这家初创公司的前提。
>> 好的。有趣。我去年12月跑了半程马拉松。所以我一直沉迷于这个话题，每个人都有各种各样的应用程序和设备，比如带有设备和追踪器的臂带。我很好奇，因为我一直在想，设备到底有多准确？因为我用了GPS和应用程序来追踪我的半程马拉松。它追踪距离，当然。但比赛总体上非常广泛，赛道很大很宽，有成千上万的跑步者。所以当我完成比赛时，我看了看我的应用程序，我想“我跑了10:16英里，感觉很棒，这是我的平均配速”。然后我得到了我的比赛时间，是10:30或10:40英里。我想“然后我开始想，应用程序上的GPS的准确性，与比赛的准确性，与赛道的距离相比，我的数学开始变得混乱”。
>> 在我们实际生产中使用的测试方式。有些人会带着各种手表跑步，然后比较它们。但要获得黄金真相，就是使用一个轮子，它有一个计数器，基本上在计数，如果你在上面跑步，你就能得到精确的测量。所以那是黄金真相，然后你比较所有这些设备。我记得当时我们与Aura Ring之类的设备进行了比较。或者不，是Whoop。我想是Whoop。但这些公司现在已经发展壮大了。我们与Oura进行了其他方面的比较，但不是跑步，而是某种统计数据。我不记得是哪个了。
>> 构建那个公司最大的挑战是什么？是追踪步数、海拔的准确性吗？
>> 不，他们都解决了。数据采集相当好。你知道我进来的时候，固件方面的一切都很好。但当你处理硬件时，你就明白了软件的好处，因为如果你想要一些不同的东西，它不像你可以直接构建和编译。你需要有巨大的周期，然后有一个工厂在别处需要制造它。然后你进来，发现“好吧，这个没有按照规格制造”。然后当你构建软件时，你知道你需要考虑到你拥有什么资源。所以，一切都更难。即使是我实现的反馈循环，比如当我构建卡尔曼滤波器来建议在产品中实现它时，我使用的是Python脚本，我有传感器数据，我有我的真相来源，然后我们解析它，然后显示结果。这很棒。但当我实际在C/C++固件中实现它时，我实现代码，我会在设备上进行固件升级，这需要30到40分钟。然后我会说“好了，现在可以了”。然后为了测试，我必须出去，跑3到4公里。我当时写了一个脚本，可以去谷歌地图获取海拔的地点信息，这样我就可以用它来测试，然后回来，说“哦，这个报告的”。
零海拔，这是因为我没有正确初始化 Karma 过滤器。我当时真是他妈的。所以，我必须，你知道，更新它，然后在那天之后再去运行，你知道。所以，反馈循环与软件相比非常缓慢，在软件中，你可以做一些事情，编译它，然后测试它，然后它就起作用了，你知道。 >> 是的。是的。我从来没有真正想过这一点。我的意思是，我一直都在软件方面，你知道，我有数据，它进来了，我编写了一些分析，我检查了结果，然后你就继续前进。但我可以想象，现在硬件方面，甚至回到汽车的例子，我可以想象这有多么痛苦，因为你会编写东西，试图让硬件工作，然后你必须驾驶它，就像如何 >> 是的，你必须，你必须，你必须，你就像，你会有类似，就像，例如，在 Blocks，他们有非常好的模拟流水线之类的东西，所以他们可以很好地重现真实世界。嗯，但仍然，你知道，最终的测试是实际尝试它，你知道 >> 你会走得很远，尽管我会说我一直在思考，你知道，那个模拟世界，你知道，而且我确实认为，在你达到一定的阈值之后，就像在现实世界中一样，我认为对于那个用例来说，合成数据是最好的，因为，你知道，有多少次，实际上开车离开时，你会看到一个孩子跑到车前面，可能没那么多。但在模拟世界中，你可以随心所欲地重现它。然后你只需要一个数据标注员说，什么才是正确的，什么不是。所以，对于那种达到 99.9% 的情况，我认为实际上，这种模拟世界就是我们如何达到那里。 >> 好的。是的，我能理解。我从来没有真正想过。我一直都很批判科技世界。我不是一个巨大的，我不是，我总是最后一个采用者。就像，你知道，我的三星 >> 是的。就像 S6 之类的，我有一个翻盖手机很久了。嗯，我搬到了纽约市，2015 年，我想是 15 年。我妻子说，我们必须买一部智能手机，而我仍然没有智能手机。我说，翻盖手机永远。所以我非常反对。但从那个意义上说，那总是我脑子里一直在想的事情，就是自动驾驶汽车，因为我想，当每个人都有自动驾驶汽车时，有多少，有多少，你知道吗？就像松鼠跑出来，猫，狗，孩子，就像一个酒驾司机横穿马路的情况，在庞大的人口层面，会一直发生。 >> 是的。 >> 但要测试这一点，你必须创造这些场景，并获得，你知道，奇怪的实例，比如太阳正在落下，你有眩光，然后有什么东西横穿过来。 >> 在密歇根大学，我读研究生的地方，他们有一门课程，我们会开车绕着边缘走，你会看到它。我想，“哦，那会很酷，你知道，测试一下它的场景。”所以，这很有道理。我能看到，是的，如果你能构建足够的场景模拟，然后进行合成数据。 >> 正确。正确。是的。正确。因为想象一下，你会说，有了足够的数据，它就一定会发生，对吧？但想象一下那个孩子，我不知道，总是像一个背着背包的男孩。就像，如果她是一个骑自行车的女孩，你会怎么反应？你知道我的意思吗？就像你可以在模拟世界中测试无限的场景，只要它足够接近真实世界，因为然后重要的是，你知道，你告诉模型的策略是，好的，你在这里必须做什么，无论它是什么，如果有一个物体出现，你识别它是一个不应该在路上的物体，那么你需要停止，或者你需要尝试避开它。嗯，所以对于那种边缘情况，我认为这就是我们如何达到更多。但我，我的意思是，我不喜欢开车。所以，我一直看好自动驾驶汽车很长时间，因为我只是觉得，你知道，在我看来，这是一种浪费时间，因为我不能在车里工作。 >> 我能理解这一点，因为我来自欧洲。在美国，我父亲是一名旅行推销员，所以我会在车里度过 12 到 14 个小时。所以，我的一部分理解它，因为我讨厌，哦，在车里待了这么长时间，一切都很糟糕。 >> 但我也有另一部分，我从小就喜欢经典的肌肉车，我喜欢，你知道，路的感觉和换挡的感觉。 >> 我能理解。我能理解。说实话。 >> 我能理解这是一种爱好，对吧？我的意思是，你开车是为了好玩，然后你一天就结束了。 >> 是的。 >> 是的。这很迷人。所以，你是如何，我想，你成长的过程是怎样的？你在欧洲长大，你的旅程是怎样的？我出生在瑞士。所以我的父母是那里的移民。所以我的父亲在那里是一名建筑工人。我的母亲在一间工厂工作。嗯，我住在那直到八岁，然后他们搬回葡萄牙，我大部分家人都在那里，我在一个叫 Fatima 的小镇长大，在里斯本和波尔图之间。然后我在里斯本学习，然后我去了代尔夫特，然后是帝国理工学院，然后我搬到了美国，因为 OpenB。 >> 好的。你主要住在纽约市地区，还是在美国各地搬迁过？我首先搬到了湾区，到 San Mateo，因为我觉得，你知道，我搬到美国是因为这家初创公司，所以我认为正确的事情是搬到硅谷，我真的很喜欢它。嗯，技术方面，你知道，它很棒，但我发现我们谈论的大部分前景都在纽约。所以我想，你知道，而且它也离家更近。所以，就像我的妻子一样，你知道，她喜欢花时间与家人交谈，而且时区有点困难，而且也有更多的时间去拜访。所以，是的，我们现在在纽约住了两年。 >> 我很喜欢，我住了一年，然后我们想生孩子，然后就出现了费用问题。我说，啊，纽约太贵了。但一部分的我总觉得，纽约就像其他任何地方都不一样。就像每个人都这么说，但当你住在那里，住在那里，它就有那种感觉，就像每个人都在做某事。 >> 我同意。是的。我同意。这是我不太想回欧洲的主要原因，因为我觉得我在这方面更认同美国。也许只是因为我一直在，你知道，我说美国，但也许只是湾区和纽约感觉如此。我觉得这里什么都在发生。嗯，而在欧洲，我完全没有那种感觉。而且，我也觉得这里每个人都在为某个目标而奋斗，而在欧洲，它更悠闲，这并不是一件坏事，只是我没有觉得我认同这一点，如果这有意义的话。 >> 是的。但你有没有想过回去，我想，作为退休过程，你知道，当你放慢速度，接近尾声时。 >> 我不知道。老实说，我无法想象放慢速度。就像我只是喜欢做，你知道，喜欢捣鼓和尝试新事物之类的事情。所以，就像我从来没有达到一个点，我不知道，就像在星期六或星期天，我想，“哦，我没什么可做的。”如果有什么的话，我有一个笔记本，里面有未来的想法，所以如果我有一个开放的空间去尝试一些东西，我会说，“哦，天哪，我喜欢它。”但它就是有太多事情要做。有太多东西可以尝试，而且，你知道，人们谈论开放的爪子，现在我想用开放的爪子做些什么，我有一个想法，然后就是，“好吧，我需要找时间挤进去。”而且，现在有了，就像，我实际上可以比以前更测试这些想法，因为我可以在某种程度上并行地做到这一点，但它永远不能是一个太大的项目范围，它会分散注意力，如果这有意义的话。它需要足够短，这样我才能从中获得一些见解，或者我学习了技术，这样我才能理解，是否有好的想法可以带到 OpenVB 的工作空间，因为我正在优化公司的成功。 >> 是的。你是如何跟上所有这些的？我的意思是，人工智能一直是其中之一，我一直对此很感兴趣。 >> 但在我的优先事项列表中，我，是的，我谈论它，是的，我使用过它，我与其他很多人谈论过使用它的人，但我总是觉得我需要更多时间。 >> 花费，真正地，你知道，用它来构建东西，你是如何跟上所有这些新进展的？ >> 是的。X 是我花时间最多的地方，我真的不使用 Instagram 或其他。嗯，X 绝对是我获取最新更新的地方。然后，我认为我是一个非常有创造力的人，所以每当我看到某种技术，我通常不会为了尝试而尝试。所以，你知道，有些人，他们会看到一个新的模型出来，他们会花，你知道，两个小时来测试它，然后分享。我真的不这样做，因为那不会让我兴奋。嗯，我试图将它与别的东西结合起来。所以，嗯，我的意思是，最近，例如，我开始玩宝可梦集换式卡牌，因为我小时候。嗯，嗯，我在一家商店里买了一些复古卡牌。店主看到我想买的所有卡牌，而且数量不少，他说，“哦，你知道，我们需要在线检查价格。”所以他们说，“好吧，我们来做个粗略的估计吧。”因为软件，他们需要拍照，然后上传，然后纠正，对吧？所以我说，“哦，这会是一个很酷的应用。”所以我回家了，我写下了应用程序的规格，它有一个 ML 管道，基本上可以识别，然后预先嵌入所有卡牌。我说，我把它列入了我要做的事情清单。然后我那天晚上想，等等，这太傻了。我可以把它放到 Cloth 上，然后给它访问浏览器，或者先给它访问我拍摄的卡牌的图像，从一个奇怪的角度，然后说，“好吧，这张卡牌是这张。”所以，迭代管道，找到，微调模型的权重来检测卡牌的角落，然后找到这张卡牌的相似之处，它就完成了，它就在几个小时内完成了。它并不完美，我不得不提供其他例子，这样它才能很好地泛化，但它相当不错，现在，我现在实际上自己也使用它了。它只是我从，好吧，我有了这个，现在，你知道，我感兴趣的副业，然后我看到，你知道，一个人有一个挑战，我想，“如果，你知道，然后，这就是我找到乐趣的地方，就是做一些结合了我兴趣交叉点的事情。” >> 好的，这是个好建议，我会尝试一下。我会看看能否找到一些有趣的使用案例并应用它，因为我和你一样。我，我不想创建一个，你知道，基准测试，然后做一个项目，然后说，“哦，新的模型表现得很好。”就像，好吧，这可能值得研究。 >> 是的。而且，而且，你和很多人交谈。所以，我觉得你可以从，你知道，谈话中获得很多想法，因为我确实得到了很多想法，另一个我做过的，而且我实际上分享过的，是，我创建了一个技能，让一个代理能够重现一份报告，而这一切都始于我在 Carbon Arc 办公室，我正在和他们的首席执行官交谈，我们正在谈论他们的高质量报告，我当时想，我敢肯定，你可以让你的团队构建一个能够做到这一点，知道如何设计报告，并且知道语气，而且你已经有了用于数据的 MCP。所以，代理也可以知道，他说，“也许吧，”但他又说，“这些是，你知道，行业内最好的。”我说，“是的，但如果你能自动化他们工作的 70%，他们就可以做更多的事情。”所以，我回家做的第一件事就是，我下载了他们的三份报告。我把它给了代理，我只是说，“从这里开始。”或者，“逆向工程报告，并创建一个技能，以便下次如果你要构建这些报告，这就是你将要生成的报告类型。”他构建了那个技能集，然后我关闭了会话。我打开了一个全新的会话，没有我放进去的报告，只有技能，我说，“想象一下，你有了这些模拟数据，创建一个符合 Carbon Arc 风格的报告。”我把它放在一起，我说，“我的天哪，这就像，我分不清，第一次，然后我给 Carbon Arc 团队发了一条消息，我说，”你们的下一份报告是什么？“然后我让代理使用他们的 MCP 来处理数据，他创建了那份报告，我说，“也许你能看出一些区别，但对我来说，作为一个用户，我第一次看到这个，我会说这是 100% 的 Carbon Arc。”而且，技术能够做到这一点真是太不可思议了。但，我能在业余时间里，你知道，在几个小时内完成，对我来说真是太棒了，因为，例如，这让我构建了其他技能。所以，我在业余时间做这件事的知识，然后影响了我如何在 OpenB 做事情，因为我可以，嗯，就像从某个特定事物中吸取一些经验教训，然后应用到公司里的其他事情上。 >> 你是如何选择使用哪个的，比如 ChatGPT 或 Claude 或 Anthropic？ >> 是的，这真的很难，因为正如我们所说，我们不想尝试所有这些，并不断尝试。所以，嗯，我会在 X 上花一些时间，试着了解人们在用什么。但我也自己有经验，对吧？所以，当 Gemini 出来时，每个人都在说，“好吧，Gemini 和 Claude 一样好，”我所做的是，我看到了足够多的说法，我有点相信了，所以我取消了我的 Claude 订阅，例如，我使用了 Gemini。然后让我烦恼的是，我有一种印象，Gemini 没有达到我以前习惯的标准。 >> 是的。我无法真正描述它，因为我没有基准测试，但我只是在看代码时就知道质量了，我不太满意 Gemini 的整体表现。所以，我回到了 Claude，然后，我真的很开心，你知道。所以，现在，我认为，在我的脑海里，Gemini 在代码方面不如 Claude。所以，需要时间才能再次信任 Gemini，因为我听说过人们，所以，我认为这有点像一些学习，然后，我也对 Codex 做了同样的事情，对吧？我使用 Codex。Codex 的问题是，它的模型非常强大，但它很慢，这真的让我很恼火。所以，就像 Claude 代码更像，就像我遇到一个问题，然后我们不断迭代，直到我们得到解决方案。Codex 会花很多时间，然后，好吧，这是解决方案，而且，它对于规划阶段来说真的很好，但我感觉对于持续开发来说，它需要太长时间才能变得有趣，如果这有意义的话。嗯，所以现在我有点，就像，我对模型的好坏有了这些印象，然后我会和人们交谈，他们会说，“好吧，我一直在用这个来做这件事，而且它在这方面很棒，”我说，“好吧，让我试试，”如果它足够好，我就会把它融入我的工作流程，然后它就会变成我真正做的事情。 >> 这很有道理。我在这里和那里都尝试过几个，我一直在犹豫是否要订阅付费订阅，并开始更多地投入开发方面来解决一些问题，或者想出一些系列之类的。 >> 我会推荐 Claude Code。我有一个 200 美元的计划，我不想有 200 美元的计划。我从 20 美元开始，我一直在重置，我说，“好吧，现在我正在失去生产力，因为我无法更多地使用它。”所以我去了 100 美元，然后我也开始重置，我说，“好吧，因为我们开始将这些作为整体 OpenB 工作流程的一部分，”所以，例如，当我们做一个 pull request 时，我们不仅仅是做一个 pull request，我们有一个技能，它会根据所有指南做一个 pull request，然后我们迭代这个技能，一旦完成。所以，基本上，对于我们看起来像，你知道，特定的模式或特定的组织，比如说，有一个 PR 审查，然后他说，“好的，这个可以了，”然后，我们团队中的某个人，花了大量时间在实际的代码上，他们说，“好吧，他错过了这个，”我们会把它添加到 PR 审查中，这样下次他就不会错过这些了，所以它只是，这消耗了很多令牌，因为它运行了很长时间，它试图运行服务器，我还把它连接到浏览器，所以当它连接到浏览器时，它可以访问底层的 DOM 代码，但它也可以通过 MCP 截屏，或者我还连接了 Figma MCP，所以它也因为这些连接而消耗了很多令牌。 >> 你是否担心公司方面，模型变化太大？ >> 嗯，我担心。嗯，在开发方面，我不在乎，因为我认为，我不会忠于任何公司，我会使用最好的编码模型。所以，如果明天有一个初创公司从隐身状态出来，他们拥有最好的编码模型，我就会使用他们，你知道。这就是为什么我认为在这个领域很难拥有护城河，因为我们并不真正忠于任何东西。我们忠于最好的智能。所以，我也改变了一些想法，嗯，嗯，与微调模型和开源有关，因为我觉得，如果你在智能方面竞争，你就想要最好的。嗯，但在 OpenB 工作空间，我们有一个集成的 Copilot，我们主要使用 OpenAI，但你可以集成第三方，但我们所做的一切都基于 OpenAI，而且它对我们来说相当不错，即使是函数调用级别，这也是因为我们多年来一直在迭代它。所以，在那方面，我有点担心，你知道，我们是否需要更开放一些，但当我们过去尝试更开放一些时，体验并不相同，所以，有点像这种争论，你知道，允许支持任何模型，但如果有人在使用一个模型，当他们使用工作空间时，它没有产生好的结果，这是否真的在帮助我们，因为我们确实有一个开放的框架，所以，理论上，你可以将任何模型带入产品，只是我们提供的默认体验，我们今天将其与 OpenAI 连接起来。是的，我总是从商业角度担心这一点，比如在一个框架或多个框架之上构建东西，然后有一个新版本出来，即使是同一个工具，然后因为它，我的意思是，他们就是技术人员，他们在某个领域取得了非常大的成功，然后他们说，“哦，但它在图像生成方面效果不好，或者它在任何方面效果不好，”然后我觉得他们会针对这一点进行微调，但你似乎失去了一些。 >> 哦，是的。 >> 我不想说准确性，但就像你的观点一样，你说的，就像有一种感觉，对吧？作为一个公司，你希望你的用户拥有那种感觉和信任以及品牌。 >> 是的。所以，我们实际上不会急于使用最新的模型，就像我说很多人会做的那样，当有一个新模型出来时，说，“现在这是我们产品的默认设置。”我们真的不这样做，因为我们需要先测试很多东西，以确保我们对整体体验满意，然后我们才会进行更改。嗯，但是的。 >> 好的，有道理。所以，为了结束这个播客，你一生中读过的最喜欢的书是什么？可以是任何东西，比如，有些人有《小王子》，有些人有教科书，有些人有各种各样的东西。有没有哪本书你觉得真的改变了你的思维方式，或者你只是喜欢反复阅读的书？ >> 这是个好问题。嗯，有很多。嗯，我想我多年来推荐最多的可能是 Elad Gil 的《高增长手册》，他是我们的投资者之一。我认为，如果你要创办一家初创公司，这是最好的书。它涵盖了所有方面。是的，我非常推荐它。嗯，但总的来说，我喜欢阅读关于初创公司、商业、科技、人工智能的书。嗯，是的。 >> 太棒了，DDA，很高兴你能来。我真的很感激。 >> 非常感谢你的邀请。很高兴。