Product-Led AI: Adept CEO David Luan on Upleveling Human Work
30:38 Share

产品主导的 AI 的客座剧集，这是一个由 Greylock 合伙人 Seth Rosenberg 主持的新播客系列，其中包含与领先的 AI 建设者的对话。Adept 首席执行官兼联合创始人 David Luan 自现代 AI 热潮初期以来就一直在引领 LLM 的浪潮：作为 OpenAI 的早期员工，他领导了该公司的工程团队，之后担任 Google Brain LLM 工作的技术负责人。他于 2022 年共同创立了 Adept，以开发旨在与任何行业的专业人士一起工作的多模式代理。Adept 相信计算机应该更像人类，而不是相反，它以其以人为本的 AGI 方法而脱颖而出。在本集中，David 谈到了他意识到构建新产品（和初创公司）是实现 AGI 的更快途径的时刻；分解了 Adept 的框架；并分享了他对 AI 在我们使用的所有软件下方几乎隐形运行的未来的看法。在 productledaipod.com 查看整个系列 了解更多关于您的广告选择的信息。访问 megaphone.fm/adchoices</context> <raw_text>0 您好，欢迎收听 Greylock 的播客 Gray Matter。今天，我们将重点介绍产品主导的 AI 的另一集客座剧集，这是一个由 Greylock 合伙人 Seth Rosenberg 主持的新播客系列，他与在探索 AI 应用层机会的领先 AI 建设者进行对话。本周，Seth 与 Adept 的首席执行官兼联合创始人 David Luan 进行了交谈。该公司正在为企业开发 AI 代理。

您可以在任何收听播客的地方订阅 Product-Led AI，并且可以注册 Seth 的每周 LinkedIn 时事通讯，以确保您不会错过任何一集。您可以在系列网站 productledaipod.com 上找到所有这些以及更多内容的链接。它也链接在节目说明中。现在，让我们来听 Seth 讲述 Product-Led AI。

嗨，我是 Seth Rosenberg。我是 Greylock 的合伙人，也是 Product-Led AI 的主持人，这是一个探索 AI 应用层机会的系列节目。我今天的嘉宾是 David Luan，他是 Adept 的首席执行官兼联合创始人。该公司正在开发旨在与任何行业的专业人士一起工作的多模式代理。David 一直是 AI 领域的早期建设者、研究人员和先驱。

他是 OpenAI 最初几十名员工之一，在那里他领导了 OpenAI 的所有工程工作。之后，他担任 Google Brain 的联合负责人，从事前沿大型语言模型的工作。他于 2022 年共同创立了 Adept，该公司以其以人为本的 AI 方法，以及最终的 AGI 方法而脱颖而出。

David，感谢您今天加入我们。非常高兴深入探讨 Adept 代理构建的细微之处。谢谢。所以也许首先，显然，您自 2010 年代初期以来一直是 AI 领域的先驱建设者。那么，您是什么时候知道自己想要自立门户，创建自己的公司呢？

是的，我认为回答这个问题最简单的方法是简要介绍一下过去大约 20 年的 AI 发展历程。当我开始涉足这个领域时，我最初实际上是被机器人技术吸引的。所以我认为，你可以编写这些程序，让这些物理设备在世界上做一些聪明的事情，这可能是最酷的事情之一。

但在很久以前，比如在那段时间，比如 2000 年代中期，什么都没起作用，对吧？比如我们把马误认为是狗，Tay 聊天机器人上线 24 小时后就开始在 Twitter 上侮辱所有人。这一切都太早了。所以我决定当时正确的做法是从事研究。因此，由于我之前在领导以研究为导向的团队方面所做的工作，

OpenAI 的创始团队邀请我担任副总裁，领导那里的研究和工程工作。我做了三年，我认为我看到了 AI 从之前的时代——只有你和几个朋友独立尝试研究想法并撰写论文——到下一个时代——巨型规模的项目——的转变，我们通过 GPT 和当时的机器人手项目、Dota 以及所有其他东西成功地做到了这一点。

在那之后，你知道，我最终去了谷歌，领导谷歌的巨型 LLM 培训工作。我认为这真正有趣的是看到这些模型中一些真正产品化的第一阶段。这让我非常清楚地意识到，

首先，构建通用智能的秘诀越来越清晰了。实际上，这其中一个关键部分是拥有一个产品。你需要一个产品，因为你需要一些用户可以与之互动的东西，来教模型变得更聪明。而且，嗯，

因此，能够在这方面获胜的组织的主要形态与之前任何人构建的都不一样。它不像标准的模式，比如，你知道，研究人员坐在建筑物的一个角落里，然后向工程师和其他产品推销他们的想法，试图让这些想法落地。它也不像，你知道，嗯，

两个具有两个单独路线图的独立组织。你真正需要做的是，你需要从某些东西开始。你需要从一个产品形态开始，这个形态可以让你一路走到通用智能。你需要将其提炼成你需要解决哪些研究问题、哪些工程问题和哪些产品问题才能构建该产品形态？研究和产品的端到端组合。这种组织结构并不存在。因此，除了我们想要做的实际技术赌注之外，从组织上讲，很明显我们必须以初创公司的身份去做。

是的，我完全同意。过去 10 年是关于基础研究和基础设施的，接下来的 10 年是关于将这些技术应用到真正有效的产品中。百分之百正确。所以……

显然，围绕 AI 的叙事，特别是您正在构建的 AI 类型，即可以在计算机前像人类一样行动的代理，其中一种可能是天真的叙事，即 AI 将取代工作。我认为您对 Adept 的使命以及 AI 对世界的影响有不同的看法。所以也许花点时间谈谈这个。是的。我认为关于这个问题真正让我感兴趣的是，就像，

我认为这从根本上来说是一个使命和价值观问题。然后还有一些实用主义在里面。但是，如果你看看大家迄今为止是如何构建 AI 进展的，对吧？比如你去阅读经典实验室的使命宣言。它总是关于替代，关于做一些在

超越人类的事情，做得比人类好得多，然后创造大量的经济价值，以及需要弄清楚如何重新分配这些价值。还有一些关于 AI 是一场竞赛的说法，对吧？一场关于你如何尽快实现通用智能、变得比人类更好，以及有多少公司可能拥有这样的席位，然后能够超越彼此并阻止其他人……所有这些疯狂的事情。这只是其中一种说法。

我认为你可以完全拒绝这种说法。我认为你可以不仅出于使命感而拒绝它，比如，嘿，如果我们不想构建取代人们的系统怎么办，而且还出于以下原因：

我认为这可能是对技术如何在社会中传播的误解。在后者方面，当我们看到诸如使用计算器、写作或使用计算机之类的工具时，这些是我们人类在过去几千年中构建的技术，如果结果证明确实发生了，那实际上是提高了人们的认知能力。

它们已经成为人们的认知技术。我认为这是一项非常有趣的研究，我应该在引用它之前再读一遍，以确保其权威性。我认为这项研究表明，对于没有阅读习惯的文化来说，人类

能够推断出新的事件并想象事情的能力（通过测试完成）远低于有阅读和写作习惯的文化。因此，我认为同样地，通过拥有这些越来越聪明的 AI 系统，这些系统为人们工作而不是取代他们，我们基本上是在为人们构建一组新的认知技术，这些技术实际上最终会提升人类。这是一个我更想生活其中的世界。

是的，我完全同意。我认为人们也低估了等式的需求方，而关注了供给方，对吧？你可以自动化某些任务，但需求不会保持不变，对吧？嗯嗯。

它不会，它只是，它只是在改变，它正在改变工作的性质，对吧？我觉得真正的人类，至少我兴奋去做的事情，以及我认识的大多数人都兴奋去做的事情，他们兴奋地弄清楚，比如，我们应该做什么？我们为什么要做？我和谁协调？以及，我如何深入了解我与之合作的人、我向其销售的人？就像，

这些都是真正的人类活动。我认为梦想是让人们专注于此，而不是专注于诸如“我必须花八个小时在我的数据库中整理东西”之类的乏味工作。对。或者像我必须去手动创建零件一样。对。就像那些事情，执行是我们真正想要委托的事情。所以告诉我们 Adept 是什么？

Adept 是一款 AI 代理，可以帮助人类完成他们在计算机上需要做的任何事情。所以，让我们分解一下每一部分。什么是 AI 代理？代理这个术语如今已经变得非常稀释，因为它已经成为贴在公司身上的新热门事物。

但代理的真正定义实际上来自，对于那些一直在关注的人来说，实际上是强化学习方面。因此，代理是一个智能系统，它可以找出

正确的最终行动来帮助你实现目标。如果我的目标是，你知道，我想将这些潜在客户从 Salesforce 的一个阶段移动到另一个阶段，那么代理会弄清楚，好的，这是我需要采取的最终行动，以便以最有效的方式做到这一点。代理不是你只是与之交谈的聊天机器人，它不会回应你，对吧？它不做任何事情。它没有采取行动，对吧？同样，代理不是单步

API 调用，因为这就像退化的情况。它不运行工作流程，代理为人们运行工作流程。因此，Adept 正在做的是使

每个知识工作者都能拥有这个 AI 队友，他们可以快速向其展示如何在他们的计算机上执行任务，然后要求代理从那时起为他们执行任务。这是我们一直以来所拥有的提升人类工作水平的使命的一部分。我认为，随着我们的模型变得越来越智能，它们现在做的很多事情都涉及

例如，将数据从系统 A 传输到系统 B，或者帮助人们填写表格，或者进行员工入职，或者进行物流和供应链以及所有这些非常操作性的任务。但是每一个……

我们投入到模型智能中的增量工作都会让我们的代理帮助处理更高层次的事情。最终达到这样的程度：这真正成为一个可以与之交谈、互动和一起解决问题以及集思广益的队友，并且还可以帮助你执行任务。2024 年，代理之年。我认为这是一个对代理是什么、不是什么的很好的定义。

所以也许为我们分解一下你心目中代理的架构，从基础模型到编排层，再到与企业数据的集成，以及 UI 和工作流程。首先，你对代理的正确架构有什么看法？你认为可以在哪里构建 IP？

是的，我想为 Adept 回答这个问题，然后我们可以回答一般情况下的问题。对于 Adept 来说，我们看起来与该领域的许多公司都大相径庭，因为我们既控制着我们的代理基础模型，也控制着企业使用的代理产品。我们的公司是对这两者垂直整合的押注。所以我们所做的是，我们的代理堆栈看起来像这样：我们有一个

面向成为真正优秀的、真正适合代理用例的基础多模式模型。因此，它具有以下功能，嗯，嗯，嗯，其他人，呃，呃，只是使用 GPT 或 Claude 或任何类似的东西。嗯，无法获得，嗯，例如，我们非常擅长对用户界面进行细粒度的理解。嗯，比如，嗯，

例如，我们能够弄清楚你需要与什么交互才能完成任务的能力达到了 90%。而当我们将这与 GPT 和 Gemini 的基准测试结果进行比较时，它们的准确率仅为 2% 到 4% 到 15%。所以这是一个巨大的差距。与此同时，与对知识工作数据的基本理解不同，我们专门研究我们的工作

我们的模型面向知识工作，因为这是人们在企业中使用的东西。我们不太关心猫和狗的照片以及人们如今添加到这些模型中的所有其他东西。在知识工作任务上，实际上，即使我们的模型相当小，因此速度很快，它们，它们，它们具有，它们具有比 GPTV 和云三部曲以及 Gemini 1.5 pro 更高的准确率。所以，所以这就是我们开始的地方。我们从这个基础模型开始。它在成为代理方面非常聪明。它也非常快。然后我们所做的是，

我认为该领域的人们可能还没有完全意识到另一件事。代理的梦想不是天空中一个巨大的文本框，你就像，“嘿，我希望你去为我完成这项业务任务，自己想办法。”我们了解到，实际上，在企业中构建有用代理的最重要的事情是能够获得一组标准的操作程序并被信任去执行这些程序的能力。

因此，我们非常重视代理能够遵循任何关于未来指令的约束的能力。因此，我们的堆栈看起来就像那个后续指令遵循层。

之后是一个用户界面，使人们能够轻松地监督代理的行为。正如我们之前聊天时谈到的那样，这些东西的用户体验不会是聊天机器人的用户体验。人类想要能够用文字精确地指定一切的想法，我们实际上发现这极大地限制了生产力。是的，这很有道理。

所以这是每个人在 AI 中最喜欢的辩论，你知道，谁会赢？你知道，是将只有一个大型模型来统治所有模型吗？是开源微调模型吗？是针对特定用例（例如代理用例）训练的大型模型吗？显然，您对 ADEPT 有非常明确的观点，但您对该领域在以下方面的演变有何看法？

你知道，可用的大型模型的数量，以及每个模型专注于哪些类型的用例，以及对于产品构建者来说，在哪些情况下直接使用 GPT-4 并专注于其他领域比微调更有意义。我认为有很多战争迷雾。我有一个相当强烈的观点，但我认为新的信息，我认为，可能会改变很多东西。我现在看来是

我现在看来是，有一批公司正在训练，只是从事模型训练业务的公司。所以像 OpenAI，嗯，OpenAI 不太对，因为他们也有自己的产品，但像，只是它的 GPT 训练部分，Anthropix 完全围绕着训练模型，Cohere，Mistral，等等。我认为

那个领域正在迅速商品化，因为它是相同的训练数据语料库。架构大多相似。该领域的想法没有真正的长期防御能力，因为它们在几个月内就会扩散。因此，它实际上只成为资本成本游戏。我认为最终会有能够负担得起这种成本的组织。

开源技术发展得非常快，比如 Meta 显然正在非常聪明地投资这个领域，但这也会设定一个底线，对吧？如果你有一个模型不如下一个 llama 好，那么你实际上并不存在，你不能收取超过计算成本的费用，对吧？嗯，所以，嗯，所以，我认为该领域的公司将不得不寻找除拥有更好的模型之外的其他赚钱方式，嗯

但我认为从长远来看，将会发生的是，那些弄清楚如何连接的人

将非常不同的方法用于为最有价值的任务生成数据，以及他们也控制的基础模型，将拥有巨大的优势。我认为，这就是为什么我对 OpenAI 保持乐观态度的原因。我觉得他们拥有，他们拥有 chat GPT，他们有很多开发人员使用 chat GPT 来进行代码用例，所有这些都给了他们一个飞轮，让他们可以超越那些仅仅是在互联网上下载更多东西的人。

对。而 API 业务不会给你提供拥有数据飞轮的机会。是的，我认为这非常聪明。所以告诉我们一些关于你如何设计 Adept 的前端，即代理，以便最大限度地收集有价值的数据。是的。所以我认为我只是认为这是一个非常好的问题，因为这正是。

我们的赌注是，通过将我们的基础模型与代理用例进行端到端优化，我们正在收集使整个系统更智能的代理数据。我认为我思考这个问题的方式有两个方面。一个是，为什么这些东西会使模型更智能？我认为当我们去看，当我们与 ChatGPT 或其他东西交谈时，已经进行了大量的 RLHF 数据。当

当你基本上利用人类反馈来评估模型完成某项任务的情况，以通过强化学习或类似于强化学习的循环来改进模型的行为时。就像这些现成的模型被训练成只是克隆人类行为一样。所以他们不明白奖励。你通过收集大量关于好坏是什么样的数据来给出奖励信号。你教他们都遵循好的。

这就是 RLHF。对于像 ChatGPT 这样的东西，在摘要、聊天以及所有其他领域都做了很多工作。

我们 Adept 的目标是执行相同的循环，但使用代理。这非常重要，因为现成的这些基础模型对于代理任务来说非常不可靠。可靠性几乎是人们唯一关心的问题，对吧？比如你让某人为你预订航班，即使是消费者用例，我们也不涵盖。你希望它做得很好，而不是像已经为完全不同的东西刷了你的信用卡，日期也不对，对吧？

那么，如何使 RLHF 实际上富有成效呢？因为我也听说过这样的故事，你知道，在模型投入使用后，你知道，他们会得到人类的反馈，

部分内容实际上可能会变得更糟。因为例如，人类不擅长概率或数学。是的。所以基本上我认为答案是你只想成为，这实际上是我们企业战略的一个好东西，你想要从，你想要从世界上最聪明的知识工作者那里学习。我认为就像，是的，

收集更多关于如何闲聊你一天的 RLHF 数据并不会使你的模型更智能，但在工作环境中，就像所有这些人一样，我们每天都得到报酬，试图将智力作为一种在业务中获得优势的方式。对。所以，来自人们这样做的数据本质上比像任意的闲聊数据更有价值，也更不容易出现你刚才谈到的那些问题。这很有道理。是的，

你对垂直特定代理将如何发展有什么看法？Adept 会成为我的会计师、我的律师、我的分析师、我的研究人员等等吗？或者你认为界限在哪里？我认为我对此的枯燥看法是

在几年内，整个 AI 概念将在后台逐渐消失。我们将只认为所有公司都将成为 AI 公司。所以这根本无关紧要。它只会像许多基于 AI 代理技术的令人惊叹的企业 SaaS 业务一样，每个业务都找到了一个利基市场，并且像

在诸如市场营销和了解客户方面击败彼此，而不是我的代理是否聪明 5%。我认为会有很多这样的公司，它们会涵盖像头部用例，比如发票处理，对吧？或者像客户支持一样，对吧？所以会有很多伟大的公司这样建立。但我认为我们对 Adept 通用性道路真正看好的原因是……

如果你稍微看看引擎盖下，即使是企业中人们想要执行的工作流程的一些最明显的用例听起来应该非常常见，但它们却极度定制化，适合该业务及其客户。因此，如果我们将要完成的代理任务的整体份额分配给，也许只有 10%

或更少，对吧，是千篇一律的，而 90% 是，我需要将我的特定工作流程教给代理，我们想要吃掉这 90%。是的，我觉得你领先于市场几年，对吧？每个人都迷恋于你关于聊天机器人和图像生成、视频生成的观点。但感觉真正的价值将来自实际执行工作。这实际上是一个不同的问题。是的。我们的工作基本上是执行定制工作。

因此，关于这一点，再次，作为一个独立的思想家，我会说包括 OpenAI 在内的许多人都通过将产品投放到市场上而获得了成功。有一种神奇的效果，如果你，你知道，第一个创建真正有效的代理，对吧？Adept 显然是少数几家属于此类别的公司之一。就像将其发布到市场上一样，可以创造很多 Twitter 热度。你采取了不同的市场营销方法。你决定首先进入企业市场。向我们介绍一下你的思维过程。

是的，我们是一家非常安静的公司。我认为我们一直非常专注于构建一些有效的东西，这些东西足够可靠，可以部署，然后将其交付给客户，而不是某种自下而上的战略以及大量的营销。有些时候我实际上想知道我们是否做对了。但让我们走上专注于企业之路的原因实际上来自我们去年学到的一个教训，那就是对于代理来说，人们唯一关心的是可靠性。

当你与聊天机器人交谈，聊天机器人每三次说一次蠢话时，你不会在意，对吧？因为这就像你或者享受互动，或者它有助于激发一些思考等等。但如果你相信这件事会去处理 Salesforce 中的数据整理，那么它会删除你三分之一的记录。你再也不会使用这个东西了。或者至少，它对你来说没有用，对吧？你可以自己完成这项工作。所以我们意识到……

客户唯一关心的是可靠性。正因为如此，我们决定专注于企业，因为那里有很多价值。在这些环境中，我们可以控制非常高的可靠性，并将产品推向市场。我们可以推出更多玩具。比如，我们在去年推出了一款名为 Experiment 的玩具。但这只是为了好玩。但我认为这不是这个领域通往成功的道路。

在构建 Adept 的这个堆栈中，你正在解决很多难题，对吧？你正在自己构建的基础模型，编排、代理用例、UI 和工作流程。在你的工程团队如何花费时间以及这个问题的难度方面，实际的企业集成在该堆栈中有多大组成部分？

这非常困难。我认为大多数人在 AI 中不会直接说的一件事是，很少有事情是光鲜亮丽的。很多事情都是关于，我的意思是，即使在模型方面，它也是关于数据、低级系统问题，所有这些东西。但在客户方面也是如此，就像你只需要做任何事情来获得部署一样

这对于那些在工作中依赖它的人来说足够可靠。我们其中一个用例实际上涉及将一辆物理卡车送到集装箱港口。如果我们在途中搞砸了，那么就会有一辆卡车被送去，而另一端没有集装箱。所以这真的很糟糕。所以我们最终所做的是，现在我们与客户合作以获得可靠性，但我们的整体

就像我们研究路线图的很大一部分一样，我们如何才能从一开始就做到越来越多的开箱即用 95% 的可靠性。当你建立这个业务时，你如何处理可能需要或拉动去做，你知道，定制集成或面向服务的工，以使其适用于某个公司，而不是，你知道，通用代理的长期愿景？

我认为这始于我们的一种信念，这种信念实际上是由机器学习方面提供的，那就是最好的做法是弄清楚如何将泛化委托给神经网络。

那么，我们如何尝试使尽可能多的客户用例成为那些，嗯，那些某种程度上会影响基础模型为客户服务的能力，并且加 1 看起来像是对现有客户的 2 个插值。你已经有了。嗯，所以，因为这样，像，我们。

我们的理念是，除非你必须明天就发货，否则一切都应该是通用的，然后我们会去在那里构建一些特定的东西。但我们会将客户以虚拟数据的方式添加到我们的评估集中，然后说，“好的，研究团队，我们如何确保模型开箱即用就能为该客户提供良好的服务？”然后随着时间的推移，删除我们构建的自定义部分。是的，非常有趣。所以也许让我们谈谈未来。

人类将专注于他们的客户，专注于决定需要构建什么，而不是实际构建它。在这个世界中，软件是什么样的？有记录系统、代理、遗留应用程序，也许还有新型应用程序。向我们介绍一下这个未来的代理世界是什么样的。

是的，这是一个非常敏锐的问题。这也是为什么对我们 Adept 来说，从第一天起我们就非常重视设计的重要性。我们聘请了很多富有创造力的技术专家、造型设计师，很大程度上是因为我们知道，代理的稳定状态将看起来像是对如何使用你的电脑以及如何弄清楚它是什么样子的重新发明，这对你的产品形状以及你的实际建模问题都有巨大的影响。所以这一切都是一个巨大的

共同设计的游戏。我的观点基本上是，电脑一直都是为了给人们提供杠杆作用。它一开始的杠杆作用非常小。你有一张穿孔卡，你实际上是在输入程序，而这些程序并没有做太多的事情。然后你有了命令行，它提供了一个接口抽象，让你在时间和做事能力上有了更大的杠杆作用。然后当我们意识到我们可以

通过图形用户界面为人们提供更多便利时，对吧？就像我们过渡到主要通过图形用户界面来做这件事，除了某些专门的任务，我们又回到了命令行。这实际上所做的是，对于作为人类的每一单位能量，你可以在你的电脑上做比以前多得多的工作。

我认为代理真正强大的地方在于它是超越此的明显下一步，对吧？就像一旦存在可以控制你的机器的代理，呃，你只需要进入 GUI 来做一些代理无法为你做的事情，这是你想监督的事情。对。所以我认为在某种程度上，呃，

我的比喻是，你知道，在 Windows 3.1 时代，你的电脑启动到 DOS，你输入 Windows，按回车键，然后进入 GUI。我认为我们现在正处于代理过渡的早期阶段。我认为最终它可能看起来像这样：你成为机器上代理或一组代理的协调者和接口者。

你可以与之合作。这几乎就像一个生成式 UI。代理应该能够为你生成合适的便利，以便你最好地与它在任何特定任务上进行协作，而其他所有内容都将被提取掉。是的，我对这个未来非常兴奋。感谢你，为构建它。关于这一点，最后一个问题。在这个我们拥有……呃……数十亿个代理的世界里，对吧。也许每个人都有几个代理，呃……

代理在这个世界中运行所需的缺失的基础设施部分是什么？我在想，代理如何互相支付？他们如何……你知道……通过 CAPTCHA 测试？他们如何理解如何……你知道……数据隐私，与他人分享什么，需要构建什么才能让代理在这个世界中运行？这是一个非常好的问题。我认为关于代理最有趣的事情是

特别是如果你采用 Adept 的公式，即它像人类一样使用你的电脑，或者除了 API 之外还可以这样做，那么你就可以访问我们作为人已经拥有的相同底层轨道，因此支付可以通过常规的旧支付渠道进行处理，对吧？就像我们必须解决认证问题一样，你如何安全地与你的代理共享凭据，并使其能够在本地或虚拟机中运行，诸如此类的事情将很难，但你可以使用其他所有东西，就像今天一样……

我认为真正具有挑战性的是，我认为用于训练和服务这些代理的计算量将是巨大的。我认为将会发生一个巨大的转变，那就是当你实际上获得了你本来必须自己完成的数小时的知识工作时

你的代理为你完成，你愿意为荒谬的推理支付的费用是巨大的。所以我认为我们将看到的是，我们将看到人们，我认为这一切又归结为硬件。我认为我们将看到人们投资于荒谬的数据中心，不仅用于运行小型边缘模型，我们实际上是在运行地球上最智能的模型。我认为我们离饱和还差得很远。所以我打算再买一些英伟达的股票。

是的，我可能会这么做。好的。David，非常感谢你抽出时间。显然，我们很幸运也很荣幸能够成为 Adept 的投资者。感谢你继续推动这个行业向前发展。谢谢，Seth。这太棒了。感谢收听 Product-Led AI。你可以在网站 productledaipod.com 上找到有关今天采访和整个系列的更多信息。

你可以在所有主要的播客平台上订阅该节目，并在 YouTube 上观看该采访的视频版本。如果你想将所有链接和详细信息直接发送给你，请注册我的 LinkedIn 时事通讯。我是 Seth Rosenberg，这是 Product-Led AI。