Transcription
世界上最富有的公司愿意不惜一切代价来提高模型能力。>> 我们正在进入评估（evals）的时代。>> 我们开始与所有顶尖的 AI 实验室合作。实验室需要的是一个劳动力市场。他们实际上需要能够衡量模型能力的非凡专业人士。>> 你发现了这个领域，这可能是历史上最大的商业机会。>> 我们在 16 个月内从 100 万美元的收入增长到 4 亿美元的收入运行率。这是历史上最快的增长。为什么这如此有价值？>> 市场受限于人类能够做而模型不能做的事情的数量。实验室改进模型的主要瓶颈是如何有效地衡量模型成功的标准。>> 你转发了一条推文。仔细想想，我们来到这个世界就是为了给实验室创建强化学习训练数据。整个经济体很可能会变成一个 RL 环境机器，构建所有这些世界和情境。而且我认为过去三年 AI 的叙事几乎完全是关于失业的。但很少有公司和个人谈论正在创造的这个新类别的就业机会。>> 我和很多人谈过，关于我应该学习什么，在哪里可以提高自己，>> 他们如何利用这项技术做得更多。我们将给人们进行面试，我们会说：“使用任何可用的工具来构建一个网站，看看你在一个小时内能构建出什么样的产品。”今天，我的嘉宾是 Brendan Foody，Merkor 的首席执行官兼联合创始人。Merkor 是历史上增长最快的公司，在 17 个月内从 1 亿增长到 5 亿美元的收入。他们用了不到一年半的时间就做到了。Brendan 也是有史以来最年轻的独角兽创始人。他们刚刚以 20 亿美元的估值筹集了 1 亿美元。Merkor，如果你没听说过，它帮助 AI 实验室和 AI 公司聘请专家来帮助他们使用 AI 训练模型。他们从未有过客户流失。他们的净留存率超过 1600%，并且他们的收入运行率达到九位数。在我们的对话中，我们谈到了评估（eval）日益增长的价值和重要性。像 Merkor 这样的 AI 训练公司的格局，以及它们为何变得如此重要和有价值。Brendan 是如何发现这个机会的。他对产品市场契合度（product market fit）的见解。他灌输给他的组织的核心原则，这些原则使他能够建立历史上增长最快的公司。为实验室编写评估的人实际上每天都在做什么。随着 AI 的兴起，哪些技能和工作将持续最久？为什么他认为我们不会很快看到通用人工智能（AGI）或超级智能？以及更多。这一集太棒了。你一定要听。如果你喜欢这个播客，别忘了在您最喜欢的播客应用或 YouTube 上订阅和关注它。这非常有帮助。另外，如果你成为我时事通讯的年度订阅者，你将免费获得 15 款超棒的产品一年，包括 lovable、replet、bolt、nad、linear、superhuman、descript、whisper flow、gamma、perplexity、warp、granola、magic patterns、raycast、chappd 和 mobin。请访问 lenniesnewsletter.com 并点击 product pass。话不多说，让我们欢迎 Brendan Foody。本期节目由 work OS 赞助。如果你正在构建一个 SaaS 应用，总有一天你的客户会开始要求企业级功能，比如 SAML 认证和 SCIM 预配。这时 work OS 就派上用场了，它可以快速无痛地为你的应用添加企业级功能。他们的 API 易于理解，因此你可以快速发布并回到构建其他功能。如今，数百家公司已经由 work OS 提供支持，包括你可能认识的公司，如 Verscell、Web Flow 和 Loom。Work OS 最近还收购了 Warrant，这是一个细粒度授权服务。Warrant 的产品基于一个名为 Zanzibar 的突破性授权系统，该系统最初是为 Google 设计的，用于支持 Google Docs 和 YouTube。这使得在巨大规模下进行快速授权检查，同时保持灵活的模型，可以适应最复杂的用例。如果你目前正在寻找构建基于角色的访问控制或其他企业级功能，如单点登录、SCIM 或用户管理，你应该考虑 work OS。它是 Ozero 的直接替代品，并且支持高达 100 万月活跃用户免费。请访问 workos.com 了解更多。即 work os.com。你当初爱上构建产品是有原因的。但有时日常的现实与你想象的有所不同。你没有在构思宏伟的想法、与客户交谈和制定战略，而是淹没在电子表格和路线图更新中，你整天都在救火。有更好的方法。隆重推出 Jira product discovery，由 Atlassian 为产品团队打造的全新优先级排序和路线图工具。通过 Jira product discovery，你可以将所有产品想法和见解集中在一个地方，并自信地确定优先级，最终取代那些无休止的电子表格。在几秒钟内创建并与任何利益相关者共享自定义产品路线图。而且这一切都建立在 Jira 之上，你的工程团队已经在那里工作，所以真正的协作终于成为可能。伟大的产品是由伟大的团队打造的，而不仅仅是工程师。销售、支持、领导层，甚至 Greg 来自财务部门。任何你想要的人都可以免费为 Jira product discovery 贡献想法、反馈和见解。没有附加条件。而且你每月只需 10 美元。告别你的电子表格和永无止境的对齐工作。产品管理的老路已经结束了。通过 Jira product discovery 重新发现可能。请访问 atlassian.com/lenny 免费试用。即 atlassian.com/lenny。Brendan，非常感谢你来到这里。欢迎来到播客。>> 非常感谢你的邀请，Lenny。我是你的忠实粉丝，非常兴奋能进行这次对话。>> 我也很期待这次对话。我是你的忠实粉丝。我很高兴更多人能了解你和你正在构建的东西。我想从你目前在 Twitter 动态置顶的一条推文开始。这条推文是这样的。引用，“我们现在与六家中的七家顶尖公司合作，与所有五家顶尖 AI 实验室合作，以及大多数 AI 应用层公司合作。所有客户都存在一个共同趋势。我们正在进入评估（evals）的时代。”这条推文引起我注意的原因是，这是这个播客上最常出现的趋势之一，人们谈论学习如何做好评估（eval）的价值日益增长，以及评估（eval）对公司的价值。感觉人们仍然不知道这到底是什么，我们在谈论什么，为什么它如此重要。谈谈你认为人们仍然错过了什么，他们需要知道什么，这个评估（eval）时代意味着什么。如果模型是产品，那么评估（eval）就是产品需求文档。研究人员的日常工作是运行数十个实验，在评估集（eval set）上进行小幅改进。强化学习（reinforcement learning）正变得如此有效，一旦他们有了评估（eval），他们就可以进行爬坡优化（hill climb）。看看人们一旦专注于奥林匹克数学，他们就能多快地达到饱和状态，看看我们一旦专注于 Sweetbench，我们就能多快地达到饱和状态。所以，在很多方面，代理（agents）应用于整个经济体以自动化所有工作流程的障碍在于，我们如何衡量成功？我们如何进行评估（eval）显然是其中的一个重要部分。所以听到这个的人会想，好吧，好吧，我得认真关注这个评估（eval）的东西了。关于如何做好这件事，有什么建议吗？做得好的公司有什么不同之处？比如帮助人们在这个方面做得更好。>> 是的，我认为对于企业来说，核心的思考方式是如何构建一个测试或系统化的方法来衡量 AI 在多大程度上自动化了他们的核心价值链。所以，如果它是一家建筑公司，生产出他们提供给最终客户的建筑图纸，那么他们如何有效地衡量这一点呢？每个公司都有自己的价值链，或者可能是少数几个，如果它是一家多产品公司。仅仅思考如何衡量它就是真正有效地将 AI 应用于整个业务的前提。我在 No Priors 播客上看到你和 Sarah 以及 Ilad 谈论过这个话题，我不知道这是在这之前还是之后，但 Sarah 发推说，评估（evals）等于你的新营销。这是什么意思？你认为她在说什么？>> 是的。嗯，这与我之前说的关于模型是产品，评估（evals）是 PRD 的观点有关，但随后也是销售资料，对吧？因为评估（evals）是你提供给研究人员，告诉他们应该构建什么以及如何进行，但它们也是展示能力有效性的方式。历史上，每个人都指向这些学术评估，比如 GPQA、人文科学考试或奥林匹克数学中的博士级别推理。现在，它正转向人们实际关心的能力，即我们如何让模型自动化构建软件平台的方式，或自动化进行投资银行分析的方式。我认为实验室以及应用层公司将越来越多地使用评估（evals）来展示其模型和产品的能力。>> 好的。那么，让我们在此基础上进行扩展，稍微放大一点，谈谈你所在的市场的格局。在准备这次谈话时，我一直在思考这个问题。如果你考虑那些历史上增长最快的公司，基本上有三个类别。有基础模型公司。有 VIP 编码应用，如 Cursor、lovable、bolt 和 replet 以及 all zero。然后是数据标注数据公司，比如你们。我曾邀请 Handshake 的 CEO 来过播客。Scale 的 CEO 也要来。还有 Serge，还有你们。请帮助我们理解这个格局，因为我认为人们并不真正了解发生了什么，看到所有这些公司都在疯狂增长。>> 是的，我将结合一些起源故事来解释这一点，以及它如何塑造了格局，因为当我们创办公司时，我 14 岁时遇到了我的联合创始人。我们 19 岁时一起创办了这家公司。最初在 2023 年 1 月招聘，最初在国际上招聘，将他们与我们的朋友匹配，并自动化我们完成所有这些事情的过程。就像人类会审查简历、进行面试并决定是否录用一样。我们用 LLM 自动化了所有这些过程，在辍学前将公司自筹资金发展到 100 万美元的收入运行率。然后发生了一些其他事情，但我们遇到了 OpenAI，我们看到了人类数据市场正在发生巨大的转变，它正从众包问题转向如何找到能够为早期版本的 LLM 编写勉强语法正确的句子的低技能和中等技能的人，转向采购和审查问题。我们如何采购和评估顶尖的专业人士，经验丰富的 fang 软件工程师，以及那些能够真正帮助评估和解释人们希望模型拥有的所有能力的投资银行家、医生和律师。从那时起，我们开始与所有顶尖的 AI 实验室合作。我们在 16 个月内从 100 万美元的收入增长到 4 亿美元的收入运行率。这是一段非凡的旅程，非常令人兴奋。>> 好的，首先，这太不可思议了。我不知道人们是否低估了。我认为这是你第一次分享这个数字。我知道在你录制这个节目时，你可能已经宣布了，但>> 16 个月内从 100 万到 4 亿美元的收入。>> 完全正确。所以这是历史上最快的增长，这是一个令人兴奋的统计数据，我们为此感到非常自豪。>> 好的，所以这里有什么大事发生。为什么这如此有价值？这里发生了什么？所以，简单总结一下你们公司做什么，就是你们帮助实验室招聘人员来训练，帮助他们训练模型，并且你们帮助他们找到的不仅仅是通才劳动力，而是帮助他们解决模型知识非常具体的空白的专家。>> 是的，正是如此。这与你关于评估（eval）时代的第一个问题有关，它塑造了这一切，那就是实验室改进模型的主要瓶颈是如何有效地衡量模型成功的标准，既可以作为评估（eval）来衡量他们的进展，也可以作为 RL 环境中的验证者来奖励模型并提高能力等。他们需要在每个领域，针对模型不知道如何使用的每个能力进行此操作。世界上最富有的公司愿意不惜一切代价来提高模型能力，而 Merore 正处于最前沿，并且是主要的瓶颈。>> 好的。这些人到底在做什么？所以，什么样的专业人士很受欢迎，然后他们坐在电脑前做什么？有效地，市场受限于人类能够做而模型不能做的事情的数量。所以，我将举一个具体的例子。假设你有一个模型，你想像律师一样为合同写一个红线标记，它会犯一些错误，漏掉一些关键点。你可以让一位律师创建一个类似教授创建评分标准的方式，为模型需要能够做的事情创建一个评分标准，以便它能够有效地对其进行评分，例如，它识别了多少，或者 XYZ 关键点，而这正是衡量模型进步的标准，即模型是否达到了专业人士想要的那些能力，以及我们如何使用这些作为训练数据来奖励和强化人们希望模型实现的能力。>> 好的。所以他们基本上是在写评估（evals），只是为了联系回最初的对话。>> 完全正确。嗯，这是一个有趣的事情，每个人都在谈论 RL 环境。我觉得这两个热门话题是 RL 环境和评估（eval）。但 Andre Karpathy 曾多次发推文说，实际上并没有细微差别。它在于数据类型。它只是描述其用途的一种不同的语义方式。但最终，它只是一个衡量好坏的标准点，你可以将其用作基准，正如 Sarah 所说的，作为销售资料，来说明为什么我们的模型是世界上最好的模型，以及我们一直在努力实现的能力，或者你可以在训练后使用它来奖励某些模型轨迹并实现这些能力。>> 好的。好的。所以，假设这位律师，这位律师正在写“一个优秀的红线合同看起来是这样的”，以及“优秀的标准是什么”。然后他们是否也提供数据，比如实际的红线文件作为一部分？>> 他们可能会。所以，数据格局历史上包含两种数据。第一种是监督微调数据，即输入输出。当人们想到历史意义上的微调时，就是这样。第二种是 RHF，模型会生成几个例子。我们会选择，你知道，哪个例子最受欢迎。大家普遍转向的是来自 AI 反馈的强化学习，而不是人类反馈。其中，人类定义了某种成功标准，某种衡量它的方法，以及代码中的示例。它可以是一个单元测试，对吧？我们可以大规模地衡量其他领域的成功。它可以是一个评分标准，然后你用它来激励模型的能力，而且它更具可扩展性和数据效率。所以，这就是为什么在整个市场中，更广泛的趋势是转向 RLIF，既用于评估（eval）模型，也用于提高能力。>> 我采访过 Enthropic 的联合创始人之一，他说的完全一样。他们在 Enthropic 所做的就是转向 AI 驱动的强化学习。所以，基本上，如果我能正确理解的话，我是一个普通人，试图代表听众理解这一点。所以，基本上，一位律师说：“红线标记的正确样子是这样的。”然后 AI 独自一人，就像：“我将尝试做到这一点，我将尝试改进这一点，并且我知道我是否朝着正确的方向前进，基于我收到的这个评估（eval）。”>> 完全正确。应用所有关于“好”的标准，就像助教可能会应用教授的标准一样，学生的回应是否符合这个标准或那个标准加上多少分等等。>> 太棒了。好的，让我转移到谈论更广泛的劳动力市场。所以，当我们谈论这个时，这个问题有两个部分。一个是我们需要这样做多久？有没有一个点，我们不再需要你们这样的公司？你们增长得如此之快。有没有一个点，比如“好吧，我们不需要人类了，或者我们已经饱和了。”所以，我们先从那里开始，然后我再问一个更广泛的问题。>> 所以，关键问题是，经济中还有多少事情是人类能做而 AI 不能做的。我认为肯定有一部分人说，我们将在三年内拥有超级智能，而人类在经济中将不再发挥作用。这是其中一种思想流派。我们的观点则完全不同。我们的观点是，这些模型非常出色，并且正在迅速自动化许多事情，但它们在很多事情上都很糟糕。比如，它仍然无法安排我日历上的时间。它无法为我起草电子邮件。它无法使用基本工具。而我们需要对所有事情进行评估（evals）。对于模型不能做的所有事情，我们需要，你知道，对工具使用进行评估（evals），对长期推理进行评估（evals）。想象一下，在 10 年后，我们希望模型能够出去创业 30 天。我们需要对此进行评估（evals）来有效地奖励它。而且我认为，改进模型的这条道路将持续存在，只要经济中还有人类能做而模型不能做的事情。它将成为未来工作的重要组成部分。所以，我们的使命是创造未来。而且我认为这是一个非常令人兴奋的行业，它让我们得以一窥所有事物的发展方向。>> 是的。有一条你转发的推文我想问你。>> 如果你真的仔细想想，我们来到这个世界就是为了给实验室创建强化学习训练数据。>> 是的。>> 你是怎么看待这个的？这对你意味着什么？这个人是什么意思？基本上，你说的就是我们只是在帮助训练模型。这与我和许多顶尖实验室的研究人员和高管的谈话有关，那就是，整个经济体很可能会变成一个 RL 环境机器，构建所有这些，你知道，世界和情境，然后我们就可以拥有，你知道，评分标准或其他类型的验证者。而这在很多方面都非常令人兴奋，因为我认为，让我们与其他革命进行类比，当工业革命发生时，每个人都在担心失业。但出现了一个全新的就业类别，即我们如何制造机器？我们如何进行知识工作？我们如何，你知道，创造一切新的东西？而且我认为过去三年 AI 的叙事几乎完全是关于失业的，对吧？当然，像 ChatGPT 正在快速增长，而且非常酷，每个人都喜欢使用它，但从经济角度来看，人们谈论失业问题，但很少有公司和个人谈论正在创造的这个新类别的就业机会，以及它将意味着什么，以及人们如何为此做好准备和提升技能。而且我认为最令人兴奋的可能性是创造人类如何在经济中发挥作用以及它将如何随着时间推移而演变的未来。我和很多人谈过，关于我应该学习什么？我在哪里可以提高自己？现在在学校的人们只是想，未来什么才是有价值的？你正处于许多最受欢迎的工作的中心？招聘是如何演变的？所以，让我问你一个非常具体的问题。你认为哪些工作将继续存在于未来/哪些技能仍然值得为年轻人，特别是年轻人投资？在工作方面，我会用需求弹性很大的类别来回答，因为这将非常令人兴奋，因为当我们使人们的生产力提高十倍时，我们将构建十倍甚至一百倍的软件，举个例子，对吧？所以我认为产品经理现在可以做更多的事情，他们将处于非常有利的地位。就技能而言，我认为是那些能够利用 AI 来完成他们日常工作流程的人。比如，我和几位老师进行过几次谈话，他们就如何评估学生征求我的意见，因为你知道，我们最初是为人们策划了所有这些 AI 面试和评估，并对此进行了大量思考，我们意识到，你不想阻止他们使用模型，对吧？这有点像计算器出现时，你不想给人们布置大量的算术作业，比如如何让他们去做，而不使用计算器，你想告诉他们，使用工具，看看你能做什么。所以，我们将给人们进行面试，我们会说，使用 ChatGPT 和 CodeX、使用 Cloud Code、使用任何工具 Cursor 和任何可用的工具来构建一个网站，然后看看你在一个小时内能构建出什么样的产品。所以，我认为我以人才评估为例，因为我认为它也关系到人们应该专注于哪些技能，即他们如何利用这项技术在他们经营的任何行业或领域做得更多。>> 当你谈论弹性时，是泛泛地擅长多种事情，还是什么？你说的弹性是什么意思？>> 我更多的是指该行业的潜在需求有多大。所以，我举几个例子，比如会计，我认为现实地说，世界上我们只需要那么多会计工作，对吧？比如，可能有些领域我们可以做得更多，那会很好，但感觉世界并不需要多一百倍的会计工作。另一方面，在软件开发方面，对吧？我认为我们可以为我们的产品发布多一百倍的功能，速度快一百倍，构建更多东西。感觉这个行业的需求是无限的。而且我认为，Mark 最近发推说，软件是最具弹性的行业，当我们提高生产力时，将会有更多东西被构建出来。它也肯定具有许多其他领域的特征。所以我认为，我将专注于那些领域，如果我们使每个人都提高十倍的生产力，这将增加需求，而不是减少需求。>> 好的。所以，你属于“学习编码仍然有用”的范畴。学习计算机科学。好的。那么，就弹性类别的工作而言，听起来工程、产品管理属于这一类。这对很多听众来说是件好事，尤其是 PM。还有什么？比如设计、用户体验，我不知道，你从你的观察中觉得还有什么属于这一类？>> 是的，我认为有很多事情，或者说构建公司的整个价值链，有很多这些可变成本，甚至很大一部分是运营或咨询，对吧？比如，想象一下，如果我们能有十倍的麦肯锡顾问。在研究方面，我们可以做什么，分析等等。但是，我认为那些将取得成功 Thus the companies and people that are going to succeed are those that lean into this narrative of abundance of how do we do so much more rather than fighting back against it of how do we try to stop displacement. 那些拥抱丰富性叙事，思考如何做得更多，而不是与之对抗，思考如何阻止失业的人。因此，在这方面，我想到你的第二类，即最成功的人。这不是一项特定的技能，而是擅长使用 AI，利用 AI 来提升你已经做的事情。这让我想起了埃隆关于 Neuralink 的整个事情，如果我不知道他是否是这样说的，但我一直听到的方式是，他想制造 Neuralink，因为在未来，当 AGI 和超级智能出现时，我们需要一种竞争方式。而最好的竞争方式就是将我们的大脑连接到超级智能，这样我们就有机会了。感觉 AI 就像这样。擅长使用 AI 工具基本上就是拥有超级能力。找到如何利用它们并将其融入其中将绝对至关重要。>> 是的。这又回到了这个几乎陈词滥调的引语。现在，AI 不会取代你。非常擅长使用 AI 的人将取代你。>> 我认为这是完全正确的。而且我在企业层面也确实看到了这一点，有些企业我们与之交谈，它们几乎是恐惧的，不想参与，不想，你知道，评估它们的业务，因为那将提供其价值链正在被自动化的证据。还有一些企业，我，我的意思是，字面上来说，你知道，一些最知名、最复杂的财富 500 强企业，它们有着这种心态。还有一些企业正在拥抱它，如果我们能够做到十倍甚至一百倍，那将意味着什么，以及我们如何拥抱那个未来，因为在未来十年内，有很多事情将发生变化。我认为那些将是成功的企业。让我们更广泛地谈谈劳动力市场。你们，所以，有趣的是，你们开始时并不是为 AI 实验室提供人员，也不是训练模型。只是“哦，哇。整个机会。”你对劳动力市场和招聘的未来有着非常独特的看法。谈谈吧。>> 是的，这很有趣。我记得我们创办公司时，正如我所提到的，我们 19 岁，只是有一种直觉，感觉劳动力市场如此分散，效率低下。我的意思是，当我们招聘国际员工时，他们会申请十几份工作。当我们作为一家位于湾区的公司考虑候选人时，我们会考虑市场上可用的候选人中的一小部分。原因在于，存在一个匹配问题，每个人都在手动解决，他们会手动审查简历，手动进行面试，并手动决定雇用谁。但当我们能够以软件的成本自动化这个匹配问题时，它就为全球统一的劳动力市场铺平了道路，每个候选人都可以申请，每个公司都可以从中招聘，从而促进经济中信息的完美流动。我认为，这个未来无疑是我们正在走向的方向。但随着时间的推移，我们意识到工作性质也在发生巨大变化。在十年时间跨度内构建这个未来的一部分就是创造这个工作未来。以及我们所做的所有更具战术性的事情，以及为我们的客户构建这些关于评估（evals）和 RL 环境的惊人数据集。我所看到的招聘方式的变化，我正在与一位合作伙伴 Gnome 一起研究这个问题。申请公司变得容易多了，每个人现在都申请数百家公司。AI 只是让调整简历和求职信变得容易，并让它感觉像是“哦，我申请了更多课程，但这是 100 个地方之一。”然后从另一方面来说，招聘经理收到了大量的申请。所以，现在他们需要 AI 来进行筛选。所以，即使我们不想走到这一步，我们也几乎被推向了这个方向，即双方的交易量都很大，我们需要一些非常聪明的东西来筛选和帮助我们招聘和选择。而这正是你们长期以来一直在构建的东西。>> precisamente。是的。有趣的是，很多人问我们，我们是把自己看作劳动力市场，还是数据公司？我认为这个问题有趣的原因是，我们从实验室的需求中认识到，他们实际上需要一个劳动力市场。他们实际上需要这些非常高素质的人才。当然，我们也会，你知道，增加一些项目管理和相关的软件平台。他们真正想要的核心是，他们如何在所有这些不同的领域找到那些能够衡量模型能力的非凡专业人士，并共同努力构建这个未来工作。本期节目由 Interpret 赞助。Interpret 是一个客户智能平台，被 Canva、Notion、Perplexity、Strava、Hinge 和 Linear 等领先的 CX 和产品组织使用，以利用客户的声音并构建一流的产品。Interpret 实时整合所有客户对话，从 Gong 录音到 Zendesk 工单再到 Twitter 线程，并使其可供您的团队进行分析和采取行动。Interpret 的独特之处在于它能够构建和更新特定客户的知识图谱，提供对所有客户反馈最细致、最准确的分类，并将客户反馈与收入和客户满意度等关键指标联系起来。如果将客户之声计划现代化，使其成为 2025 年的优先事项，就像 Canva、Notion、Perplexity 和 Linear 等以客户为中心的行业领导者一样，请联系 interpret.com/lenny。即 n tre.com/lenny。回到你们为模型所做的事情。我正在和一位朋友聊天，他脚踝扭伤或脚疼，他拍了 X 光片，然后把 X 光片输入到 ChatGPT 中，然后问他，“给我这个特定的 X 光片。”他说，“好的，没问题。”然后它给了他，“这是你的情况。”他和我聊天时说，“它是如何知道这些的？互联网上有什么东西训练了这个模型来知道这些东西？”我说，“不，实际上是有人坐在那里帮助模型理解这一点，一旦他们意识到它不完全理解这一点。”就像人类实际上在帮助他们学习这些东西。>> 正是如此。嗯，工作方式是这样的，至少大多数人的理解是，模型的工作方式有很多复杂性，预训练将很多知识注入模型，即模型看到了世界上所有不同的东西，然后是后训练和强化学习，用于所有推理，即哪些知识是准确的，哪些是不准确的，以及在任何给定时间应该优先考虑什么来做出决定。而在这背后，会有放射科医生，他们会处理后训练数据集，为这里的诊断以及相关的奖励和惩罚创建一个静态点。而 ChatGPT 最终做出的决定和建议的质量，实际上取决于那些参与其中的人的质量。>> 那么，让我们顺着这个思路继续，因为这真的很有趣，而且我不知道有多少人理解它。我有点理解。所以，你所做的工作和这些专家的工作是后训练。它不是将数据输入到模型中进行训练，而是我们有了这个模型 GPT-5，现在这里是它缺失的所有东西。让我们来补充一下。>> 正是如此。是的。它真的在解锁，让模型能够专注于所有正确的预训练标记，模型上下文中所有正确的东西，提升有效的推理链，以使模型能够以更通用的方式进行更好的推理。有多少人从事这项工作？是数千人，数万人，还是数十万人？>> 数万人随时待命，更普遍地说，有数十万人。我的意思是，这太大了，最令人兴奋的是它正在快速增长。我的意思是，我认为，关于竞争格局的问题，历史上有很多众包公司，它们会获得大量的低技能人员。我认为像 Scale 和 Surge 是开创这个行业的首要公司。然后，在向高技能劳动力过渡的过程中，人们意识到，实际上，你可以走得更远，即使一开始数量不多，但通过获得更高素质的人才，然后随后再次扩大规模，一旦他们能够达到质量标准。而且我认为，在我们取得成功和收入快速增长之后，去年年初开始，有很多公司开始追随这一点。这很合理，对吧？而且看到市场变化如此之快，我们正在起飞，并试图在市场上追求类似的理念。>> 有趣的是，一直有像 Alphasites 和 GLG 这样的公司，它们在 AI 之前就做了类似的事情，或者说是付费连接到专家并询问他们关于事情的问题，基本上，结果证明这对模型非常有用。我们不需要中间的人。>> 正是如此。是的。嗯，但一个核心区别是，Alphasites 通常是一次性通话，而我们的很多工作实际上是为项目招聘人员，对吧？他们如何长时间地处理某件事情。所以，我认为这是为什么一些传统的专家网络难以进入这个领域，以及如何留住那些人，并考虑所有激励措施，使其在某些方面更像传统的劳动力市场，如 Uber 或 Door Dash，只是拥有更高技能的人才，并且受到极好的待遇。这对我来说是一个学习这个领域的好机会。所以，我将问一些对我来说非常有趣的问题。专家有多少专注于具体的知识，而不是个性和更软的技能？有多少是“这是如何做评估（eval）的，这是如何做 X 光检查的”？这取决于实验室。两者都有很多。我认为，以前可能更多的是软技能，但现在很多实验室都专注于他们的商业模式，即哪些具有经济价值的能力可以驱动收入，并大量投入到这些专业领域。但我认为创意方面对每个人来说仍然非常重要。所以，我们看到两者都有显著的比例。比如，几个月前我们雇佣了哈佛 Lampoon 的所有人，他们的喜剧俱乐部，来帮助让模型更有趣。还有很多类似的事情，比如雇佣艾美奖获奖的编剧，以及你在创意能力方面会寻找的一切。>> 那太棒了。多么酷的故事。>> 是的。>> 我很期待这个的实现。这些东西的周转速度有多快？比如，你雇佣了这个团队，我们多久能看到潜在的影响？是几个月吗？是几年？嗯，这取决于，因为有些模型或者有些实验室会迭代发布，它们会在后台改进模型，基本上是每>> 而不是宣布新模型。>> 完全正确。基本上每几周一次，而另一些则进行大型发布。所以，这在很大程度上取决于。我们都在他们后面。但我的意思是，我们行动非常迅速。客户会给我们一个请求，比如我们需要这些，你知道，获奖的编剧，我们会在 24 小时内提供专家。而且还有一个非常有趣的动态，在一个拥有 100 人的团队中，我们雇佣的人中，通常顶尖的 10% 的人将驱动大部分的模型改进。这有点像一个公司，如果你有一个 100 人的公司，通常公司里顶尖的 10% 的人将驱动大部分的影响。这意味着，当我们能够识别出这些顶尖的 10% 的人时，无论是如何让他们在我们的平台上，还是如何有效地识别和匹配他们，我们就能建立起专有的优势。它为客户创造了巨大的价值，以至于难以与之竞争。所以，这确实回到了公司的创始理念，即你知道，我们如何找到这些非凡的人并识别他们，以便我们能够可靠地为我们的客户提供这些顶尖的 10% 或顶尖的 10 倍的体验。所以，关于这一点，你的意思是雇佣 Jane，她非常擅长编码，现在她在 Anthropic 工作，这是她的全职工作，还是这是兼职？这主要是项目性质的吗？有时是兼职，有时是全职。我想说，大多数时候是兼职，比如，有人可能在一家 Fang 公司工作，他们没有得到充分利用，也许是那些进展较慢的公司之一，他们每周有额外的 20 小时。然后他们可以兼职做这个，或者，你知道，在很多不同的行业中，这相当于什么。但我们也做了很多，你知道，每周 40 小时的工作。>> 他们赚多少钱？是像 Fang 工程师那样有意义的报酬吗？>> 是的，非常有意义。我的意思是，我们在市场上的平均时薪是 95 美元，但根据某人的专业深度，它可以高达 500 美元。有一点突出了这一点与许多众包公司之间的区别是，如果你看看众包公司的经济学，他们通常会支付每小时 30 美元给人才，作为平均水平。所以，想想一下，你可以雇佣的人，本科生每小时 30 美元，而，你知道，高盛、麦肯锡的分析师，Fang 的软件工程师。最终，这取决于实验室希望他们的模型拥有哪些能力。而这更多地属于后者，而不是前者。我知道关于这些事情你只能说这么多，但 Enthropic Claude 在编码方面一直非常出色，历史上比其他模型都要好得多。我也用它来写作，给写作提供反馈。是什么让他们能够做到这一点，并继续做得如此出色？嗯，我不能过多地谈论客户工作，但我认为这是强化学习的趋势，并且非常认真地定义正确的奖励，这是我们真正看到的普遍趋势。以及我们如何，你知道，减轻奖励黑客行为，设置正确的奖励。这非常有影响力。>> 评估（Evals），再次强调，评估（eval）是你所需要的一切。回到评估（evals）。我最喜欢的客户引语之一是“模型的好坏取决于它们的评估（evals）”。这句话一直都是真的。>> 我认为 Greg Brockman 曾经发过一条推文。评估（Evals）是你所需要的一切。>> 是的，真的。>> 让我们多谈谈 Merkor。也许我不是，也许我相信数据表明，它是历史上增长最快的公司。>> 是的。>> 我想了解你为了实现这一点所做的事情。所以，让我直接问，你认为你构建 Merkor 的核心原则中，哪些最有助于取得如此成功？>> 我认为最重要的事情是关注快速变化市场的领先指标。比如，我记得我以前认为风险投资中的每个人都在谈论“为什么是现在”，而我则从产品角度而不是市场角度来思考“为什么是现在”，比如现在我们可以自动化审查简历的方式，或者进行面试的方式等等。但最终，有一个有所有现有公司并且相对停滞的传统市场。真正重要的是要弄清楚新的市场，新的需求领域。这些领域变化非常快，世界上最富有的客户愿意不惜一切代价来提高模型能力，以及我们如何专注于这些市场的领先指标，以确保我们拥有市场上旗舰客户的最佳解决方案，并围绕这一点优化一切。而这正是我发现对建立业务最有影响力的。我认为这是其中一点，即市场中的领先指标。如果我必须选择另一个，那就是客户至上。比如，在过去，我们开始有一些产品经理帮助进行市场推广，但对于公司来说，在过去一年半的时间里，我们没有销售和营销人员。所以，我们在销售和营销方面相对不成熟，因为我们将 100% 的公司资源集中在如何为客户构建优秀的产品和体验上。你知道，只是通过口碑传播，那些在其他公司与我们合作过的人希望继续与我们合作，并致力于创造这些美好的体验。所以，这就是我花费所有时间的地方。而且我认为，一些创始人可能会陷入如何真正擅长营销的困境，而他们还没有找到真正能带来大量客户喜爱并创造你习惯于构建的六星级体验的东西。>> 我想回到第一点，那就是“好吧，你找到了这个领域，这可能是历史上最大的商业机会。”>> 你是如何找到的？那个时刻是什么？“等等，这可能非常大。”这里有一些疯狂的故事。我的意思是，正如我所提到的，我们于 2023 年 1 月创办了这家公司，然后在 2023 年 8 月，当我还在上大学时，我们的一位客户通过 Zoom 电话向我们介绍了 XAI 的联合创始人，说我们有一些非常聪明的印度软件工程师，他们擅长数学和编码。所以，我们见了他们，我们解释了我们拥有的软件工程师之所以擅长数学和编码，是因为他们没有被所有的人文科学分心。他们不必学习历史、英语和其他所有这些科目，他们很喜欢，对吧？所以，他们两天后就带我们去了特斯拉办公室，我们见到了 XAI 的整个联合创始人团队，除了埃隆，当时我还在上大学。而 XAI 当时才刚刚起步，他们对我们专注于专家的质量非常兴奋。所以，当他们还在进行预训练时，当时他们还没有准备好进行人类数据，而我们当时还没有开始与他们合作。但从那时起，在我们甚至辍学之前，我们就知道市场即将发生剧烈变化，我们需要站在那里。然后快进几个月，一位众包玩家来找我们，实际上使用了我们的平台招聘了超过一千人，这是一个非常有趣的经历，因为我们开始收到大量的支持请求，关于那些人为什么没有得到报酬，我们当然感到很糟糕，因为我们向他们推荐了这个机会。这是一个信誉良好的公司。我们意识到，许多现有公司在为人才提供市场体验方面，在帮助改进模型方面，都有些懈怠，而存在一个直接合作的机会。
以一种，你知道的，保持了市场上专家尊严的方式进行实验室工作，为他们支付了极高的报酬，并某种程度上削减了中间商。然后，嗯，我们在去年五月开始这样做。嗯，然后剩下的就是历史了。>> 哇。此后收入达数亿美元。所以，我在这里听到的意思是，你非常愿意寻找拉力。你看到了一些拉力。你进行了探索，然后一旦你看到那里有真正有意义的东西，你就深入挖掘，使其成为尽可能令人惊叹的非凡体验。>> 完全正确。我认为，如果我必须将其提炼成给创始人的建议，我意识到的一件事是，我花了大量时间试图像强行实现产品市场契合。在某些方面，你应该坚持不懈。你应该拥有你深信不疑的关于世界将如何变化的理论。但有时你只需要从市场上听到它，然后知道它就在那里。拉力，以知道正确的关注点，因为如果销售困难，如果对边缘客户销售极其困难，你就无法发展一个庞大的企业。你实际上需要找到的是一个销售起来出奇容易的客户，你将能够与他们一起成长。你知道这是一个巨大的痛点。因此，这是关于对你关于世界将如何变化的理论的固执，但同时也要对它采取的确切形式，以及市场如何发展以及你的公司将如何融入其中持开放态度。>> 这是一个惊人的见解。在你描述的时刻，感觉就像是这次 XAI 会议的结合，感觉就像“哇，他们真的很想要这个东西，我们有点拥有它，我们做得并不出色”，然后就是平台上雇佣的一千人。是这两个时刻让你觉得，“哇。”>> 完全正确。而且请记住，这些都发生在我们还是种子轮公司的时候，对吧？嗯，所以第一个发生在我们甚至还没有筹获种子轮融资之前。我们完全是自筹资金，因为我们将公司发展到了每年一百万美元的收入，并且一直保持着极高的资本效率。我们从未烧过钱。我们一直盈利。嗯，然后我们在九月从 General Catalyst 获得了种子轮融资，这是在我们获得种子轮融资之后，我们真正知道这个市场有巨大的需求。我们看到了销量，我们看到竞争对手在市场上变化以及需要推动这种变化的人们方面似乎睡着了。>> 看到这个机会并开始执行是一回事。能够真正大规模地取得成功并持续获胜是另一回事。你们公司有非常明确的价值观。谈谈那些。感觉这也是你们成功的重要组成部分。>> 完全是。嗯，我会给出三个，也许每个都附带一个简短的故事。所以，第一个是拥有“我能行”的态度，每个人都为此给我一些小小的麻烦，因为它有点像一个有趣的说法，但我们总是设定这些极其宏大的目标，而公司的发展轨迹不知何故围绕着这些目标形成，我记得当我们与 Benchmark 交谈时，在我们获得 A 轮融资之前，我们的年收入为 150 万美元，我说到年底我们将达到 5000 万美元的年收入，他们说我们绝对疯了。就像任何人都会那样，加上或减去两周，我们就达到了。然后我们现在已经远远超过了我们今年最初的目标，即年收入 5 亿美元。因此，在收入规模、人才体验质量以及所有这些方面设定极其宏大的目标，首先拥有“我能行”的态度非常重要。第二件事是真正的高标准，这决定了我们雇佣谁以及我们对他们的期望。我们有一个极其高的招聘门槛，我们雇佣了大量前创始人，拥有非凡经验的人。我们刚刚雇佣了或与 Sundep Jane 合作，他加入了我们担任总裁。他曾是 Uber 的首席产品官兼首席技术官，他加入了我们这个相对较小的公司，以帮助扩大所有流程，而 Uber 当然是世界上最大的劳动力市场。因此，超高标准至关重要。然后我们非常依赖的第三件事是强度。如果我们看看像 Meta、Google 这样的传奇公司的早期文化，它们拥有这些令人难以置信的、强烈的早期阶段文化，人们只是移山倒海，做任何必要的事情来推动模型能力的边界。因此，我们仍然非常注重产出，即人们取得了什么，而不是投入，即他们工作了多少小时，但要认识到，建立一个传奇般的企业需要付出很多努力，而这最终是我们正在优化的目标。>> 我能理解为什么这会奏效。“我能行”的态度加上高标准加上强度。我能理解这如何带来成功。现在有很多关于这种“699”文化（每周工作六天，早上九点到晚上九点）的讨论。你知道，很多人会说，为什么？这太糟糕了。你为什么要让人们这样做？但同时，我不断听到最成功的 AI 公司都在说这一点。这就是成功的途径。事情发展得如此之快。这是一个你再也看不到的机会。谈谈你对此的看法。>> 是的。嗯，为了澄清，我们从未规定过工作时间。这更多是那些非常关心的人的结果，我们非常关心公司的发展轨迹。所以很多人会来办公室并待到很晚，但如果你需要早点离开，和孩子共进晚餐，或者在周末旅行，当然，这完全没问题。对我们来说，这更多的是找到那些有很强主人翁意识并真正投入的人，而不是办公室里的具体工作时间。尽管我们发现，通常情况下，最投入的人，不总是，但通常情况下，最投入的人会和我们一起熬夜。>> 当你说高标准时，你能分享一些例子来说明你的意思吗？因为很多人认为他们有高标准，但实际上没有。>> 如果你很有耐心，招聘时总会有速度和质量之间的权衡。我记得，尤其是对我们的前十名员工，我们非常有耐心和纪律地寻找世界上最好的人才，比如我们第二名员工 Sid，他曾是 Scale 的增长主管，他加入我们时我们还是种子轮公司。Daniel 加入我们时，他曾将两个消费者应用程序扩展到超过 10 万用户。我们前十名员工都有各种非凡的背景。我认为，最初的人才密度极大地塑造了组织在扩展过程中的样子。>> 我知道你也有这样的观点，人们说要等到有合适的人才再招聘，但>> 这实际上不一定是正确的建议。谈谈那个。>> 这很痛苦，因为它是一把双刃剑。一方面，我很高兴我们的前十名员工如此出色，我认为这给公司带来了回报。但另一方面，我认为公司确实会发展到你需要快速招聘的程度，而且有些事情需要很多人来做。你需要认识到，招聘会带来一些变数。但快速行动是优先事项，我认为在某些方面，我们在扩展团队方面进展太慢了。所以好处是每个人都非凡，我们有这个超高的标准，我们希望随着时间的推移保持这一点。但我认为缺点是，虽然公司发展得非常快，但如果我们行动得更快一点，我们可能会发展得更快。尤其是在从大约 10 人扩展到 100 人时。>> 好的。我本来想问，所以听起来前十名要非常小心，花时间，而 10 到 100 名可能要加快速度。>> 是的。虽然我不认为这一定是 10 人。这取决于何时真正奏效。我知道这仍然不是一个明确的界限，但一旦你知道有比你能处理的更多的需求，那就是时候踩油门，在很多方面优化速度了。但是，我认为，尤其是在那之前，耐心和纪律很重要。找到最好的人才总是很重要的。但是，一旦你找到了市场机会，市场真空，速度就变得更加重要了。我知道你过去创办过几家公司，规模要小得多。在这个新的角色中，作为这家大规模、超高速增长公司的首席执行官，最让你惊讶的是你花时间最多的地方，或者这个角色包含什么？因为很多人想创业，梦想着成为你这样的人。他们可能不了解你的大部分时间花在哪里。>> 是的，这实际上并不令人惊讶。前两个主要方面始终是招聘和与客户打交道。我如何深入了解客户的需求以及我们如何支持他们，然后我如何围绕这些建立团队和流程。当然，还有所有我没想到的临时事情，比如处理人员问题，如何设置我们的级别和薪酬范围等等。这些都是你在发展业务的过程中学到的。但是，我认为我花时间的核心领域与我预期的以及我喜欢做的事情是一致的。这非常幸运。>> 所以你过去创办的两家公司，>> 也许分享一下它们是什么，因为它们很有趣。然后它们如何帮助你在这个领域取得成功？有什么它们教会你的东西帮助了你现在的角色？>> 是的。我创办过十几家公司，但我会选择我最喜欢的两家。八年级时，我创办了 Doughnut Dynasty。我看到 Safeway 的甜甜圈每打卖 5 美元。我感到惊讶，因为我觉得作为一个八年级学生，这是一个非常划算的交易。所以，我开始骑自行车去 Safeway，以 5 美元一打的价格买 Safeway 的甜甜圈，然后回到我的中学，以每只 2 美元的价格卖掉，当然，利润很高。它卖得很快，所以我需要扩大规模。所以我每天付给我妈妈 20 美元，让她开着她的迷你货车带我去 Safeway，买 10 打甜甜圈，然后去我的中学，把它们全部卖掉。然后学校试图阻止我，因为我在学校里卖食物，他们不喜欢。所以他们把我叫到校长办公室，让我不要这样做。然后我把我的甜甜圈摊位移到了 50 英尺外，这样它就离开了学校，说他们不能再管我了。我记得出现了竞争对手，他们定价。他们买了 Chucks 甜甜圈，如果湾区有人知道的话，那比 Safeway 甜甜圈更高端，但成本更高。每个成本一美元。所以，我把价格降到了每打 1 美元，持续了两周，直到我知道什么是反竞争行为，然后我就把他们赶出了市场。我雇佣了我所有的朋友，用甜甜圈支付我的朋友，因为他们认为甜甜圈价值 2 美元，他们可以在学校里卖掉，而我的成本更低。所以我有很多有趣的销售经验。然后我也可以谈谈我的高中生意，它的规模更大。但我认为从中得到的启示是，你可以做到。很多人都有想法，但我认为更多公司被建立起来的障碍就是主动性和采取步骤来构建客户想要的产品或体验，并投入时间和雄心来扩大规模。因此，我认为这是我获得了实际操作的经验，这使我意识到以后应该以更大的规模去做。>> 这是一个了不起的故事。我喜欢它有多么纯洁，而不是像毒品甜甜圈。>> 然后我妈妈非常担心。她说，“哦，这些甜甜圈里有什么吗？”我说，“不，妈妈。我向你保证，这些都是纯甜甜圈。”>> 我喜欢你付给你妈妈 20 美元来尝试。>> 是的。她很坚持。她说，她不能白拿，她花了时间开车送我。所以，她需要从中赚点钱。我们就她的头衔讨价还价，最终她想成为全球运营主管，我们觉得这很有趣。>> 我希望这在她的领英上。>> 还没有。也许她不得不加上。>> 你说你创办过十几家公司。>> 是的。>> 哇，好吧。嗯，十几项计划，但我认为是我和我的 AWS 公司是我稍微扩大规模的。>> Meror 这个名字背后的故事是什么？>> Meror 在拉丁语中是市场，或者购买、销售、交易的意思。我们想建立世界上最大的市场，也就是每个人找工作的市场。而这确实是它的吸引力所在。>> 好的，也许最后一个问题。这又回到了我们之前的讨论，因为这是我们在谈论时一直在思考的事情。有一个从数据作为模型燃料到现在是专家的转变。你认为有下一步吗，还是这只是会带我们走向通用人工智能超级智能？我不认为这一定是数据到专家的转变，而是专家。这更多的是认识到实验室需要与专家密切合作，以帮助理解他们正在构建的评估以及他们如何推动前沿。但我认为很明显，评估是永恒的，只要我们想改进模型，我们就需要专家来为它们创建评估，并为它们创建训练后数据来学习这些能力。当然，人们在进行 RL 或其他训练方式上可能会有所改变，但他们总是需要一个评估来衡量他们在想要构建的每个领域中成功的标准。>> 好的。好的。那么，在此基础上，一个经常出现的问题是，我知道我们在谈论有趣的事情，但我又回到了严肃的事情。扩展定律和模型智能的进展。很多人感觉，我不知道，它正在放缓。按照这个速度，我们真的无法实现超级智能。你的看法是什么？>> 我完全同意。我不认为，我知道一些大型实验室的执行官说我们将在三年内拥有超级智能，但我认为事实是，这是一条更长的路。这并不是要贬低模型的非凡之处。我认为在未来十年内，我们肯定能够自动化大部分知识工作任务。但这条漫长的道路是由所有有助于实现这些能力的评估铺就的。它不会是，你知道，10 倍的预训练数据来实现这些能力。它更多的是所有训练后数据集，它们的数据效率更高，更周到，有助于我们实现这一目标。David Sax 提出了一个有趣的观点，即我们现在所处的境况几乎是最好的情况，即人工智能不会快速发展到超级智能。有很多竞争对手相互制约。模型已经非常有价值，而且只会变得更有价值，但并没有出现一个赢家通吃的超级智能接管世界的情况。>> 是的，我认为这是真的。我认为很多关于超级智能的恐惧可能被夸大了，但同时，很多人对它的看法是，即使有 5% 到 10% 的可能性发生这种灾难，我们也应该小心，这似乎是合乎逻辑的。但我认为，对于所有硅谷和整个世界来说，这将是极其非凡的十年，因为这项技术能够创造富足，为每个人提供更好的医疗，你知道，最好的法律建议，以及比以往任何时候都更强大的构建优秀产品的能力。>> 教育似乎也在发生变革。>> 绝对。对吧？就像我甚至在过去十年里也感受到了这一点，比如我记得我父母总是因为我在大学里不去上课而批评我，我会说，YouTube 上有更好的讲座。为什么不去听呢？但我可以想象，当模型在传达信息方面变得比最好的教授还要好时，那会意味着什么，对吧？以及获得各种信息，以更好地推动人类进步并提升每个人的技能。>> 那么，我将以此作为引子，提出最后一个问题。我将带我们进入 AI 角落，这是播客上的一个经常性环节。你个人是如何利用人工智能来做得更好的工作，帮助你生活的？嗯，让我想想。我用它来写文件，正如你所料。我还与它交谈以获取有关问题的建议。我发现它很有帮助，可以把它当作一个思想伙伴来思考问题。因为，是的，我不知道。我发现我有时在思考问题时会想得更好。但我不能和同事或身边的人讨论所有事情。>> 所以这主要是像 ChatGPT 的语音模式，还是其他什么？>> 我非常喜欢 ChatGPT 的语音模式。虽然还有改进的空间，但我对语音的未来感到非常兴奋。>> 让我给你看一些我构建的东西。实际上，我本来不打算谈论这个，但有一个叫 Eric Antinau 的人，很多人推荐他来这个播客。他是一位非常有创造力的产品人士，现在比较低调。他曾在 Facebook 工作了很长时间。他构建了一个名为 Parrot GPT 的项目，你基本上是将 GPT 放入一个填充玩具中进行对话。所以，我构建了一个小小的智慧猫头鹰，我现在没有打开它，但基本上你在这里缝了一个小扬声器，然后在下面放了一个小磁铁，你可以把它放在肩膀上，然后你就和它说话。>> 太可爱了。哇。我喜欢。我必须买一个。你知道，我的公寓里有一些语音助手，但我真的很想要一个 ChatGPT 语音助手。所以我很期待。>> 我刚才也在想。>> 就像，是的。来吧。为什么我们不能让 ChatGPT 语音助手一直待在那里听我们说话呢？你不能在手机上这样做，因为它会休眠，然后说，你好。什么？不。完全正确。>> 是的。所以，这有点像这个想要成为的东西。嗯，有一个 Kickstarter 项目，他也在做焊接，可以帮助你。>> 它非常容易。>> 呃，布兰登，你还有什么想分享或谈论的，或者在进入非常令人兴奋的闪电轮之前留给听众的吗？>> 联系到主动性的观点，以及你可以做到。我鼓励每个人，尤其是随着人工智能的出现，构建产品变得容易得多，要主动去构建产品，与客户交谈，并勇敢地迈出这一步，因为我认为，在很多方面，这是经济中更多创新的最大障碍，无论我们如何支持它。是的，有很多人只是，什么都不做，我们不贬低播客，但只是听播客，读帖子，只是继续阅读和收听，而不对这些信息做任何事情。而且，从来没有比现在更容易实际构建和尝试东西的时候了。完全正确。>> 所以，一定要采纳这个建议。你就是可以做事情。你可以把你的甜甜圈摊位移动 50 英尺，>> 摆脱他们的管辖范围。>> 是的。>> 好的，布兰登，这样，我们就进入了非常令人兴奋的闪电轮。我有五个问题要问你。你准备好了吗？>> 都准备好了。你最常推荐给别人的两三本书是什么？>> 让我想想。我会说，按顺序，《高产出管理》是一本关于公司运营的非凡书籍。第二本是《从零到一》，当然这是一本经典。第三本是《鞋狗》，我发现它是一个非常鼓舞人心的故事。>> 最近你特别喜欢的电影或电视节目是什么？>> 我真的很喜欢《奥本海默》。我最喜欢的电视节目是《金装律师》。所以，我知道不是最近的，但如果我必须选择一个最近的，那可能是《奥本海默》。>> 非常酷。《金装律师》。这是第一个提到它的。>> 你最近发现的你非常喜欢的出色产品是什么？>> 我喜欢使用 Codecs，就像新版本一样。我知道它在这个版本上有点新。是的，我认为它令人难以置信，而且是一个巨大的巨大改进。所以，是的。你有没有什么人生格言，你发现自己经常引用、与人分享，或者在工作或生活中发现有用的？>> 我认为就是“你可以做到”，你知道我们之前谈过的。勇敢地迈出这一步。>> 我以为你会说“我能行”，这在你的 Twitter 个人资料里。>> “我能行”也是。是的。>> 两个很棒的。最后一个问题。我们之前聊过一些我们可以谈论的事情，你分享了一个你从未在别处分享过的有趣的事情，那就是你有阅读障碍。>> 是的。你为什么不和大家分享一下，以及你如何克服它，并建立了历史上增长最快的公司？>> 我一点也不隐藏。我的很多同事都知道。而且我认为一方面，这确实让阅读每天一千封电子邮件或者阅读我应该阅读的每一份文件变得困难。但另一方面，我觉得它帮助我以一种稍微不同的方式思考，更具创造力，也许能看到别人看不到的市场变化的方式。所以，到目前为止，情况还不错。所以，你知道，我试图，我认为有一件事它帮助我从管理角度认识到的是，我们更关注如何发挥人们的优势，而不是帮助他们改进弱点。因为有些事情我并不擅长，我永远不会是世界上最擅长的人，而有些事情我希望能够完善并努力做到最好。>> 这也是这个播客上一个反复出现的主题，就是专注于优势，而不是过度关注劣势。布兰登，这太棒了。我学到了很多。我还有几十个问题，但你还有两个最终问题。你应该让人们知道你在做什么以及你正在招聘的职位。然后听众如何能帮助你？>> 当然。我们正在招聘大量人才，遍布我们团队的各个部门。我们正在招聘运营团队的战略项目负责人，工程团队的软件工程师，以及研究人员。所以，请访问 mercur.com，我们很乐意与你合作。这是你能帮助我们的最大方式。也请与你的朋友分享。我们市场上一半以上的人来自推荐，因为我们有一个热爱我们的平台。所以，任何你想申请的职位，或者你想推荐给朋友的职位，我们都很乐意让你加入。>> 布兰登，非常感谢你的加入。>> 感谢你的邀请。再见，各位。非常感谢你的收听。如果你觉得这很有价值，你可以在 Apple Podcasts、Spotify 或你喜欢的播客应用上订阅本节目。另外，请考虑给我们评分或留下评论，因为这真的能帮助其他听众找到本节目。你可以在 lennispodcast.com 上找到所有过往的剧集或了解更多关于本节目的信息。下一集再见。