Human Data is Key to AI: Alex Wang from Scale AI
30:56 Share

未来会有更多差异，体现在各个研究方向的选择上，以及在不同时间取得突破的可能性。这个新领域的标志之一实际上将是数据生产。基本上，没有哪个代理真正有效。事实证明，互联网上模型的价格在两年内急剧下降。

如果您已经收听 a16z 的播客一段时间了，您就会知道我们经常谈论人工智能。我们已经讨论了算法的强大功能以及运行它们所需的计算能力。但同样重要的是数据。

我们的嘉宾是这个数据世界中的佼佼者，人工智能背后的燃料。事实上，他最近甚至说过，“作为一个行业，我们可以选择数据丰富或数据匮乏”。那么，今天存在哪些数据，需要创建、测量或合成哪些数据？请继续收听，因为我将把时间交给 a16z 的增长合伙人 David George 来进行正式介绍。

本期节目，大家好，我是 a16z 的增长合伙人 David George。欢迎回到我们的“人工智能革命”系列节目，我们将与行业领导者对话，了解他们如何利用通用人工智能的力量。本期节目的嘉宾是 Scale AI 的创始人兼首席执行官 Alex Wang，这家公司已经成为通用人工智能的代名词。

以及推动大型语言模型及其他领域进步所需的数据。Scale 的工作遍及企业、汽车和公共部门。Scale 还正在构建关键基础设施，使任何组织都能利用其专有数据来构建特定领域的 AI 应用程序。对于那些不认识 Alex 的人来说，他是有史以来我们见过的最令人印象深刻的 CEO 之一。

考虑到 a16z 在 Alex 21 岁时就投资了他，当时他已经是 Scale AI（他 2016 年从麻省理工学院辍学前创立的公司）的首席执行官，这说明了一些问题。

在这与 a16z 增长合伙人 David George 的对话中，我们讨论了 AI 模型的三个支柱：计算、算法和数据，以及如何创造丰富的数据对于通用人工智能的演变至关重要。Alex 还分享了他从 Scale 的发展中获得的经验教训，以及他对成长阶段的创始人兼 CEO 在招聘方面容易犯的错误的看法。让我们开始吧。

提醒一下，此处的內容仅供参考，不应被视为法律、商业、税务或投资建议，也不应被用于评估任何投资或证券，并且并非针对 a16z 基金的任何投资者或潜在投资者。请注意，a16z 及其关联公司可能会持有本文讨论的公司股份。有关更多详细信息，包括与警告投资相关的链接，请参阅 a16z.com/disclosures。

我们今天非常高兴能邀请到 Scale AI 的创始人兼首席执行官 Alex Wang。非常感谢您邀请我。我一直很喜欢与您交谈，并且每次都能学到很多东西。但也许我们可以先从您介绍一下 Scale AI 在做什么开始？是的，它是这样的。

我们正在构建 AI 的数据基础设施。更具体地说，AI 可以归结为三个支柱。我们所看到的所有进步都来自于计算、数据和算法，在这三个支柱中的进步，计算能力由像英伟达这样的公司提供，最新的进展是由像 OpenAI 这样的大型实验室推动的，数据则由 Scale 提供。因此，Scale 的目标是与所有大型实验室合作，生产推动前沿水平进步所需的前沿数据，并使每个企业和政府都能利用其自身专有数据来推动其前沿 AI 的发展。

那么，关于前沿数据，从实践的角度来看，你究竟是如何获得它的呢？

是的，我认为这将是我们时代伟大的工程项目之一。我认为，我们世界上唯一能够达到我们寻求创造的智能水平的模型是人类。因此，前沿数据的生产非常类似于人类专家与技术和算法技术（围绕模型）之间的结合，以产生大量此类数据。

顺便说一句，我们今天所生产的所有数据，互联网也是如此。互联网在许多方面就像机器和人类之间的这种协作，当然，它产生了大量内容和数据。它看起来就像打了类固醇的互联网。如果互联网基本上不仅仅是一个人类娱乐设备，而是一种数据生成的副产品，如果它专门用于这种大规模数据生成实验会怎样？

您对行业现状有非常独特的视角。那么，您如何描述当前语言模型的现状呢？我很想深入了解市场结构等方面。

当前行业的现状如何？是的，我认为我们正接近大型语言模型发展的第二阶段的尾声。我认为第一阶段是几乎纯粹的研究的早期阶段。

因此，第一阶段的标志是最初的 Transformer 论文，最初的 GPT 小型实验，一直持续到 GPT-3，这可以说是第一阶段。所有研究都非常非常专注于模型的调整和改进。而在第二阶段，也就是从 GPT-3 到现在，实际上是最初的扩展阶段。

我们有了非常成功的 GPT-3。然后，OpenAI 开始真正将这些模型扩展到 GPT-3 之后。然后，许多公司，如谷歌、Anthropic、Meta 和 XAI，现在许多公司也加入了这场扩展这些模型以获得令人难以置信的能力的竞赛。因此，我认为在过去的三年里，这几乎更多的是关于执行而不是其他任何事情。

这需要大量的工程工作，例如如何让大规模训练工作？如何确保代码中没有错误？如何设置更大的集群？为了达到我们现在的水平，需要进行大量的执行工作，我们现在已经拥有许多非常先进的模型。然后我认为，在接下来的阶段，研究将开始变得更加多样化，我认为各个实验室之间在研究方向的选择上会有更大的差异，以及最终哪些实验室会在不同时间取得突破。这是一种令人兴奋的交替阶段，可能只是纯粹的执行与更多的创新动力周期之间的交替。

他们已经达到了一种程度，可以认为计算能力是丰富的，他们已经拥有了达到当前模型水平所需的足够计算能力，这不再是一个限制，他们已经尽可能多地利用了前沿实验室可以获得的所有数据。是的。因此，接下来将是突破，在数据方面取得进展。

是的，我认为基本上，是的，如果你看看计算、算法和数据这三个支柱，计算能力方面，继续扩展训练集群。因此，我认为这个方向非常明确。在算法方面，我认为会有很多创新。

坦率地说，我认为很多实验室都在努力工作。我认为在算法研究方面，然后是数据方面，你可以看到，我们已经用尽了所有容易获得和容易访问的数据。所以很多人都在谈论，这就是数据壁垒，我们已经利用了所有公开可用的数据。

因此，这个新阶段的标志之一实际上将是数据生产。每个实验室将使用什么方法来实际生成达到下一级智能所需的数据？我们如何才能实现数据丰富？我认为这将需要许多领域进行某种程度的先进工作和高级研究。

我认为首先是提高数据的复杂性。因此，转向前沿数据。因此，许多 AI 的能力，我们想要构建的模型，最大的障碍实际上是缺乏数据。

例如，代理在过去两年中一直是热门话题。基本上，没有哪个代理真正有效。事实证明，互联网上没有真正有价值的代理数据池。

因此，我们必须弄清楚如何生成真正有价值的数据。例如，你会生成什么？我们很快就会有一些关于这方面的工作发表，这表明，如果你现在看看所有的大型语言模型，它们在组合工具方面都很糟糕。因此，如果他们必须使用一个工具，然后另一个工具，比如说，他们必须查找一些东西，然后编写一个小的 Python 脚本，然后充电，他们连续使用多个工具。他们真的非常糟糕，无法连续使用多个工具，而这对于人类来说实际上是很自然的事情。

如果它没有被捕获在任何地方，对吧？这就是重点。捕获某人从一个窗口到另一个窗口，再到不同的应用程序的过程，然后将其馈送到模型中。

所以学习，反应。是的，所以这些推理链，当人类解决复杂问题时，我们自然会使用超工具，我们会思考事情或推理接下来需要发生的事情。我们会遇到错误和失败，然后我们会回顾并考虑，你知道，很多这些推理链，代理链，数据在今天根本不存在。

这是一个需要生成的示例。但是，退一步说，关于数据，首先是增加数据的复杂性，转向前沿数据。其次是增加数据生产，捕获更多人类在工作领域中实际所做的事情。

是的，两者都捕获更多人类所做的事情。我认为投资诸如合成数据和混合数据之类的东西。因此，利用理论，让人类参与其中，你可以生成更高质量的数据。

我们需要，基本上就像芯片一样，我们经常谈论芯片代工厂，以及我们如何确保有足够的芯片生产能力？我的意思是，数据也是如此。我们需要有效的“数据代工厂”以及生成海量数据的能力，以推动这些模型的训练。然后我认为，最后一个环节，通常被认为是模型的测量，并确保我们实际上拥有，我认为有一段时间，该行业只是，好吧，我们只是添加一堆数据，然后我们就说一个好的模型出来了，一堆数据，一个模型就出来了。但是我们将对模型今天究竟不具备什么能力进行更科学的分析，因此，需要添加哪些确切类型的数据才能最大限度地提高性能。

大型科技公司与独立实验室相比，在数据合作方面有多少优势？

是的，他们利用现有数据存在很多监管问题。你可以看看，在所有这些 GDPR 工作之前。但有一段时间，Meta 做了一些研究，利用了所有公开的 Instagram 照片以及它们的标签来训练非常好的图像恢复算法。

他们在欧洲遇到了很多监管问题，这被证明是一个巨大的教训。是的。因此，我认为这是一种很难推理的事情，即在监管角度，特别是欧洲，这些公司在多大程度上能够利用它们的数据资产。

所以我认为这是一个非常重要的区别。我认为大型实验室真正具有巨大优势的真正方式是，它们拥有非常盈利的业务，可以为这些 AI 工作提供几乎无限的资金来源。我认为这是我正在密切关注的事情。我正在观察它将如何发展。

有一个问题是，整个行业都处于早期过度投资阶段。如果你听听这些大型科技公司的财报电话会议，他们会说，看，我们的风险在于投资不足，而不是投资过度。你对此有何看法？

是的，我的意思是，如果你考虑一下，让我们以任何一家大型科技公司的 CEO 的动机为例，设身处地为 Meta 或微软的 CEO 考虑一下，正如你所说，如果他们真的掌握了这项 AI 技术，我认为他们可以非常轻松地再创造数万亿美元的市值，如果他们真的领先于，并且以一种好的方式进行原型设计，数万亿美元的市值是轻而易举的。

如果他们不投资额外的，无论是什么，每年 200 亿或 300 亿美元的资本支出，而错过了这个机会。那么，对于每一家大型科技公司来说，都存在一些真正的生存风险，是的，他们的所有业务都可能受到 AI 技术的严重破坏。因此，对他们来说，风险回报是非常明显的，所以我认为这是大局观，然后从更战术的层面来看，我认为他们所有公司都能够非常轻松地收回他们的资本投资，最坏的情况是，使他们的核心业务更高效、更有效。

例如，提高 Facebook 广告的 GPU 利用率，谷歌，使他们的广告系统略微好一些。他们可以通过提高性能来收回数十亿美元的投资。我可以利用投资，如果它推动了周期。我的意思是，我认为这些事情是相当明确的。

总的来说，这对行业来说是一件好事，因为他们正在投资如此多的资金，因为他们也在从事出租这些计算能力的业务，例如谷歌、微软。

这些模型正在出现，例如 LLaMA 3 和 Perplexity AI 是开源的。因此，即使所有这些投资的直接成果也变得广泛可用。因此，由此产生的盈余是疯狂的。

太疯狂了。好的。这是一个很好的过渡，让我们进入模型的市场结构。

如果解锁人工智能全部潜力的关键不仅在于算法或计算能力，还在于数据呢？在本期节目中，a16z 普通合伙人 David George 与 Scale AI 创始人兼首席执行官 Alex Wang 坐下来讨论“前沿数据”在推动人工智能发展中的关键作用。从利用复杂数据集推动突破到应对扩展 AI 模型的挑战，Alex 分享了他对行业现状的见解以及他对 AGI 道路的预测。资源：在 Twitter 上查找 Alex：https://x.com/alexandr_wang在 Twitter 上查找 David：https://x.com/DavidGeorge83保持更新：让我们知道您的想法：https://ratethispodcast.com/a16z在 Twitter 上查找 a16z：https://twitter.com/a16z在 LinkedIn 上查找 a16z：https://www.linkedin.com/company/a16z在您最喜欢的播客应用程序上订阅：https://a16z.simplecast.com/关注我们的主持人：https://twitter.com/stephsmithio请注意，此处的內容仅供参考；不应将其视为法律、商业、税务或投资建议，也不应将其用于评估任何投资或证券；并且不针对 a16z 基金的任何投资者或潜在投资者。a16z 及其关联公司可能会对所讨论的公司进行投资。有关更多详细信息，请参阅 a16z.com/disclosures。</context> <raw_text>0 那么，你认为实际上会发生什么？是我们现在都已识别出的少数参与者，他们会分庭抗礼，互相竞争吗？你认为这是一项有利可图的业务吗？开源对业务质量有何影响？让我们展望未来几年，并给出你的预测？

是的，即使只是过去一年半的时间，我们也看到对大型语言模型推理的定价出现了戏剧性的、戏剧性的、戏剧性的下降，两年内下降了两个数量级。那么，这是否令人震惊？事实证明，智能可能是一种商品？不，我的意思是，我认为这种巨大的定价能力缺乏，比如说，在模型层面，当然表明仅仅出租模型本身可能不是最好的长期业务。我认为它不太可能成为一个立即盈利的长期业务。

好吧，是的，这取决于突破性的事情，也就是前面提到的观点，对吧？在某种程度上，如果有人真的取得了双重突破，并且很多人取得了类似的突破，那么潜在的市场……

结构就会不同。所以有两件事，如果 Meta 继续开源，这就会对您可以从模型中获得的价值设置一个相当强的上限。然后，如果至少有少数实验室能够随着时间的推移获得类似的性能，那么这也将极大地改变定价方程。

所以我们认为这并非百分之百确定，但纯模型租赁业务并非最赚钱的业务的可能性很大，至于哪些业务会排在其上或在其下。至于在其下，我的意思是，视频是一种令人难以置信的业务，但云也是非常好的业务，因为事实证明，在后端实际建立大型 GPU 集群在后勤方面非常困难。因此，云提供商在他们提供的服务中实际上拥有相当不错的利润率。

传统的數據中心业务在很大程度上是一场规模游戏，对吧？因此，规模越大，它们受益越多，而规模较小的参与者则不然。

是的，完全正确。所以我认为像素铲子。如果你在模型层之下，我认为那里有很棒的业务。

如果你在它们之上，如果你正在构建应用程序，ChatGPT 就是一项伟大的业务。并且许多在提示工程方面起步的应用程序实际上运行得相当好。我的意思是，其中一些并没有像最大的科技公司那样引人注目，很明显。

但是，许多应用程序，如果它们能够抓住早期的产品市场契合点，将会成为相当不错的业务，甚至是很棒的业务，因为如果它们能够正确地获得整个用户体验，它们为客户创造的价值远远超过模型的推理成本。这里有一些很酷的东西，对吧，我认为，还有关于 Artifact 推出的主题。这就像这个主要主题的第一个引爆点：所有的大型语言模型都将推动更深入的产品集成，以推动高利润业务。

所以另一个故事是，我认为我们将在产品层和产品级别看到大量的迭代。那种乏味的 ChatGPT 并非最终产品，实际上是迭代。而且产品创新的周期很难预测，因为我的意思是，坦白说，我当时对 ChatGPT 的受欢迎程度感到惊讶。

我认为对于我来说，或者坦白说，对于业内任何人来说，哪些确切的产品将会大获成功，以及什么将提供下一阶段的增长，这并不是非常明显。但是你必须相信，像 OpenAI 和 Anthropic 这样的公司能够为他们自己建立伟大的应用程序业务，长期来看……是的，然后就是……

是什么驱动了竞争优势。你会看到，你拥有模型，在其之上有一个紧密集成的产品，以及良好的老式护城河。是的，工作流程、集成……

所有这些东西。我认为你可以清楚地看到，谢谢你。我的意思是，OpenAI 和 Anthropic 的首席产品官都在彼此相隔两个月左右的时间内上任……

这是一种转变，就像我所知道的，我们非常专注于此，这很好。我认为这种认识已经到来。所以是的，这使得你的资源配置业务变得非常有趣。你从企业那里听到什么？他们实际上是如何将这些付诸实践的？

我认为我们看到的是，企业方面存在巨大的心理兴奋。许多企业都认为，糟糕，我们必须开始做些什么。

我们必须领先一步。我们必须开始尝试 AI。我认为这导致了他们对所有这些 AI 相关事物的快速采用。

让我们进行试用。有些事情是好的，有些事情是不好的。但我认为，无论如何，这已经成为一种巨大的炒作，投入生产的比例远低于我认为整个行业的预期。

我认为所有企业现在都在关注这一点。他们认为可能会发生的审判日并没有真正发生。AI 并没有完全改变和改造大多数主要行业。它不像完全……

这些都是边际的东西。就像效率提升，以及对某些创意测试的支持等等。是的，完全正确，除此之外，它还相当落后。

我们思考很多的一件事是，哪些 AI 改进或 AI 转换或我们正在努力的 AI 工作实际上能够显著地推动我们正在合作的公司股价上涨。这就是我们鼓励所有客户真正思考的事情，因为归根结底，对于几乎每个企业来说，都有潜力在能够显著提升其股价的水平上实施 AI。

目前，前者主要体现在效率方面，例如成本节约，但也体现在更好的客户体验方面，我认为在许多与客户进行大量手动交互的行业中，如果你有更多自动化，并且你真的相信更多自动化，那么你应该能够推动更好的客户互动，然后这些最终将转化为市场份额的增长。这就是我们正在推动我们的客户去做的事情。

我看到我们合作的一些首席执行官，他们都同意这一点，并且他们明白这将是一个多年的投资周期，他们可能在下个季度看不到回报。但是，如果他们真的坚持到最后，他们将看到巨大的转变。

我认为很多朋友都在关注小型用例和更多边际用例，我认为这很好。我认为这令人兴奋。我认为他们应该这样做，对我来说，这不是我们所有人都在这里做的事情……

这非常类似于应用程序层，非常类似于我们现在看到的 Facebook，它有一些自动化，但这在很大程度上是 ChatGPT。作为一名风险投资人，我的希望是，随着时间的推移，初创公司将出现一个窗口，产品创新将帮助他们获胜并击败……

竞争对手，就像我的合伙人阿隆·皮尔经常说的那样，这将是初创公司在竞争对手找到创新之前获得差异化的开始。我认为这里存在机会，但这项技术现在还为时过早。是的。

而且如果你同意这一点，但我认为这项技术还为时过早，无法想象。但同样，因为它主要是在节省成本和能源，那么这还不足以颠覆那些已经能够克服所有增长和分销成本的大型公司。

你认为企业内部的数据怎么样？就像你说的，JP 摩根拥有多少 PB 的数据。但这是否被高估了？其中有多少数据实际上是有用的，因为今天，这些数据中的大部分并没有为他们带来有意义的竞争优势。所以你认为这实际上会改变吗？

我认为 AI 是第一次你可能会看到这种潜在变化，因为基本上，很明显，在整个大数据浪潮中，大数据归结为更好的分析，这对于商业决策是有帮助的，但只是略微有帮助，而不是深刻地……

改变了……

产品工作，完全正确，而你实际上无法想象产品会发生多么巨大的转变。所以让我们以任何大型银行为例，用户与大型银行（如摩根大通或摩根士丹利）之间许多宝贵的互动都是人为驱动的或人为驱动的，并且他们尽最大努力确保在各方面都拥有高质量的体验。

但很明显，对于任何大型处理程序来说，你所能做的只是确保这一点。但是你所有之前的客户互动以及你的业务历史上运作的所有方式都是唯一可用的数据，可以用来训练模型来很好地完成这项特定任务。如果你考虑一下，比如财富管理……

这非常丰富。

是的，数量巨大。所以我认为所有这些数据可能都非常相关。这将改变你的业务，但其中一些数据具有极高的价值。

所以我认为，你知道，企业在实际利用他们拥有的任何数量的数据方面都面临很多麻烦和挑战，对吧？它组织得很差。它到处都是。

他们向咨询公司支付数百万美元，甚至数亿美元来进行这些数据迁移。即使在那之后，也没有结果变化，也没有结果变化。所以我认为，从存储的角度来看，对于企业来说，真正推动转型是非常困难的。所以在某种程度上，这是一场竞赛。他们能否比某些初创公司更快地找到如何利用和利用其数据的方法……

就像以某种方式获得访问权限，用一些稍微改变方向的方法来构建不同的产品，如何运营你的公司以及公司的文化，你谈到的一件事是你 2020 年和 2021 年好时期在招聘方面犯的一个错误。这种观念认为，为了扩展规模，你必须招聘大量人员。我们看到所有报告中的公司都表示，嘿，这场人才争夺战意味着我们必须招聘更多人，或者我们必须招聘更多人，或者我们必须招聘更多人。那么，你从这个过程中学到了哪些教训，以及你之后如何改变你的做法？所以在过去几年里，我们基本上保持了员工数量持平。我的意思是，随着业务增长，我们略微增加了员工数量，但业务本身增长了 5 倍或 6 倍。你知道，业务增长非常迅速，而从整个过程中得出的结论是，增加人员数量似乎非常合乎逻辑。更多的人员意味着更多的事情能够完成。但相当矛盾的是，我认为，如果你拥有一支高绩效团队在一个高绩效的组织中，在不失去所有高绩效和所有成功文化的情况下，大幅度地增加人员数量几乎是不可能的。

然而，减少沟通和协调的开销实际上提高了生产力。

这不仅是正确的，而且我认为它实际上更深层次的东西，那就是一定规模的高绩效团队几乎就像一个非常复杂的雕塑，它是在团队中所有人员之间的相互作用中形成的。如果你只是向其中添加一堆人，即使这些人很棒，你也会把整个事情搞砸。无论如何，当你增加人员时，你都会……

降低平均水平。如果你观察那些规模化做得很好并且对最终结果相当满意的公司，我认为他们承认，例如，大规模销售的增长，是的，当然。他们承认你会有一些低于平均水平的人，我们只是将其操作化，就像你略高于平均水平一样。如果你能够做到这一点，那么整个等式在财务上仍然有效。

我会说销售……

不同产品，是的，当然。但我们的观察结果是，初创公司之所以有效，是因为你拥有高绩效团队，并且你想尽可能长时间地保持这些高绩效团队的完整性。我认为一个常见的初创公司失败模式是，你有一些有效的东西，但公司里的每个人都非常资历尚浅，所以事情在扩展，但所有齿轮都在脱落。你的投资者告诉你，你需要招聘一些高管。你进行这些招聘，每次都以某种方式令人震惊地失败，但你伟大的团队……

一半时间，是的，所以……

你进行精确的招聘，你招聘精确的人，然后你给精确的人很多空间，你的高管说，嘿，我们需要招聘一个庞大的团队才能实现我们的目标，你会说，是的，我的意思是，我很有经验，你也有类似的经验。让我们按照你说的去做，你让这些大型团队组建起来。而现实情况是，我认为这几乎总是会导致灾难。

我认为这并不是说你不能从外部招聘高管，而是当你从外部招聘高管时，你需要做的是让他们真正了解公司的工作方式。在他们提出任何重大的全面建议之前，他们要融入公司的节奏和运营，他们要理解为什么整个事情能够运作？为什么有效的事情有效？然后他们才能提出建议。最初，他们会采取小的步骤，你有点像信任和验证这些小的步骤，最终他们可能会提出更全面的建议。但这应该是在他们有明确的……

取得进展的记录，这些进展确实更好。这很有趣，而且非常有形，这是一个高管，而不是……是的，我认为……

这种高管幻想我注意到，这要么是……我认为高管都是很棒的人。他们就像转折点，但高管有一种幻想，特别是对于拥有年轻创始人的规模较小的公司来说，那就是，哦，我要进来，我要解决整个问题。我要让这个运营变得专业化。

你是在招聘团队成员，而不是在招聘某种神奇的……你是在招聘一个团队成员，你相信在很长一段时间内，他在做出关于业务的重复决策方面具有良好的判断力。

但在这个方面，我们犯了错误，就像你没有购买某种神奇的商品包，它会将这种神奇的公式带入你的业务，这也会让整个事情运作起来。另一方面，有一种创始人幻想，创始人幻想或创始人首席执行官……

幻想，哦，我不只是更高的一堆令人难以置信的精确展示我他妈的和散文，然后我在AO的东西。我做所有我不想做的事情，我或许能够坐下来洗机器工作。这也极其不现实，因为脚的大小也是真的。你成为一个好Fanny o的原因是因为你一次又一次地、一次又一次地做出非常好的决定，例如随着时间的推移，并把自己从这些决策循环中拉出来。

我们会有点疯狂。这是一个更好的我们已经看到很多，这是在心脏IT上。我要退后一点，然后是哦，IT意识到，就像一些重大的决定出错并等待。重点是什么。

我在这里？是的，我认为如果你的行业非常稳定，IT可以工作得很好。

看看任何上市公司，当他们更换CEO时，股价波动只有2%，就像，哦，好吧，所以IT并不重要。这是一个警察，但这与由创始人运营的高增长初创公司大相径庭。

没错。是的。我认为很多初创公司和很多公司之所以有价值，是因为创新溢价。

你知道个人投资者相信创始人，认为公司将超越市场进行创新。所以你的工作就是超越市场进行创新。所以你最好。

参与其中，是的，当然。IMI怎么样？所以你最近推出了这个概念。我认为我一半的X feed都在赞扬你，超过一半的X feed的一部分在对你大喊大叫。谈谈这个概念，以及你到目前为止推出它的观察结果？

是的。所以MI，我们基本上推出了这个关于能力、卓越和智慧的想法。基本思想是，在每个角色中，我们将招聘最优秀的人，无论他们的社会人口统计特征如何，我们不会对我们的员工进行任何配额制优化以满足某些社会人口统计目标。

这并不意味着我们不关心多样性。我们实际上关心的是为我们所有的角色拥有多元化的渠道和多元化的顶尖人才。但归根结底，每个工作的最优秀、最能胜任的人将是我们聘用的人，这是其中一件略有争议的事情。

但我认为，如果我只是退后一步，想想公司应该雇用谁，我认为这是大多数人最明显的问题，例如公司在所做的事情中拥有多少社会责任。我的看法是，我在一个竞争非常激烈的行业中运营，规模。角色是帮助推动文章。

情报是一项非常重要的技术。我们需要非常聪明的人才能做到这一点，我们需要最优秀的人才能做到这一点。我认为这是，你知道的，我认为Scale的大多数人都会说，我隐含地认为这是正确的，或者说它不像我们许多人对我们在Scale所做的事情的看法那样偏离。但对我们来说，对它进行量化非常有价值，因为这能让每个人都确信，即使这是我们今天的工作方式，公司也会随着时间的推移而改变。我们不会改变这种质量。

好吧，这太棒了，我将以一个乐观的问题和预测来结束，那就是你对AGI定义的看法是什么？你预计达到这个目标的时间表是什么？

是的，我喜欢这个定义，比如说，80%以上的人类可以做的工作纯粹是计算机的数字工作，人工智能可以完成这些工作。它并非迫在眉睫。它不像地平线上立即出现。所以大约四年以上，但你可以看到曙光，这取决于我读到的内容，创新周期在之前可以谈论。

不能生产那么多糖。不，这也很令人兴奋。好吧，感谢你来这里，我将与你分享我总是学到的时间，非常感谢。

是的，谢谢。

好的。今天结束了。如果你坚持到了现在，首先，谢谢你。我们对每一集都投入了大量的思考。

无论是嘉宾、日历触及周期，还是你的Tommy的惊人之处，直到音乐恰到好处。所以，如果你喜欢我们制作的内容，请考虑在breakthispodcast.com上在线发布，快速扩展并让我们知道你最喜欢的部分是什么。这将使我的一天变得美好，我相信我会在另一面抓住你。