AI的影響蔓延至各個領(lǐng)域的速度之快，超出了大部分人的預(yù)期。

9月下旬，Sequoia（紅杉美國）最新判斷：AI已經(jīng)開啟了第二篇章，并從應(yīng)用場景的角度繪制了新的AI圖譜和LLM（大型語言模型）開發(fā)者棧（stack）圖譜。

目前，我們所使用的基礎(chǔ)模型不僅能夠在某些智力問答游戲中擊敗人類，或在圍棋等領(lǐng)域達(dá)到超自然水平，或提供更強大的推薦引擎，它們還在藝術(shù)、設(shè)計、游戲、醫(yī)學(xué)、編程甚至人際關(guān)系等領(lǐng)域中改變并創(chuàng)造新的用戶行為。

然而，我們現(xiàn)在仍然處于AI領(lǐng)域初期階段，想象這些初期突破將引領(lǐng)我們走向何方，以及它們將如何改變我們的世界可能會有一定難度。于是，a16z（Andreessen Horowitz，私人風(fēng)險投資公司）召集了多位頂級AI創(chuàng)始人和領(lǐng)導(dǎo)者，與他們進(jìn)行了一系列關(guān)于我們現(xiàn)在所處的位置、我們將要前進(jìn)的方向，以及領(lǐng)域中的一些重大未解問題的對話。

以下是從AI的當(dāng)下、未來以及開放性角度探討的16個的話題（本文對內(nèi)容進(jìn)行了篩選、簡譯和結(jié)構(gòu)調(diào)整）。

1. 我們正處于計算第三紀(jì)元的開始

Martin Casado（馬丁·卡薩多，a16z合伙人）：

我認(rèn)為我們正在進(jìn)入第三個計算時代。在第三個計算時代中，微芯片將計算的邊際成本降到了0；互聯(lián)網(wǎng)將分發(fā)的邊際成本降到了0；大型模型將創(chuàng)作的邊際成本降到了0。

當(dāng)時代更替時，你不知道會有什么新公司被創(chuàng)建出來，就像沒有人能預(yù)測到亞馬遜或者雅虎的出現(xiàn)。所以，我們應(yīng)該做好準(zhǔn)備去迎接新的標(biāo)志性公司的出現(xiàn)。

Noam Shazeer（諾姆·沙澤爾，Character.AI創(chuàng)始人兼首席執(zhí)行官）：

我們確實正處于“萊特兄弟第一架飛機”的時刻，我們已經(jīng)擁有了一些可以用于大量用例的有效工具。目前，AI的擴(kuò)展性看起來非常好，將來會變得更好，同時會有更多的突破，因為現(xiàn)在世界上所有的AI科學(xué)家都在努力讓這些東西變得更好。

Kevin Scott（凱文·斯科特，微軟首席技術(shù)官兼人工智能執(zhí)行副總裁）：

在過去的幾年里，特別是在過去的12個月里，隨著ChatGPT和GPT-4的推出，你可以真正地看到AI與計算機或智能手機有一樣的潛力。一系列技術(shù)將使許多新事物成為可能，許多人將在其基礎(chǔ)上構(gòu)建各種新應(yīng)用。

2. 生成式AI浪潮，具有推動市場轉(zhuǎn)型的經(jīng)濟(jì)學(xué)原理

要使技術(shù)創(chuàng)新引發(fā)市場轉(zhuǎn)型，經(jīng)濟(jì)效益必須具有強大的吸引力。

雖然以往的AI在周期中有許多技術(shù)進(jìn)步，但缺乏變革性的經(jīng)濟(jì)效益。而在當(dāng)前的AI浪潮中，一些應(yīng)用案例的經(jīng)濟(jì)效益有提升到10 000倍（甚至更高）的跡象，同時AI的采用和發(fā)展似乎比以往的任何轉(zhuǎn)變都要快得多。

馬丁·卡薩多，a16z：

市場轉(zhuǎn)型并不是通過10倍的經(jīng)濟(jì)改善來實現(xiàn)的，而是當(dāng)比原來好一萬倍時，它們就會被創(chuàng)造出來。打個比方，曾經(jīng)我想創(chuàng)造一個皮克斯角色（華特迪士尼公司旗下電腦動畫工作室）形象，需要雇一位畫師，耗費100美元/h，時間不計?，F(xiàn)在用AI模型來做，可能只需1/10美分，1秒鐘。

對比金錢時間成本，你會發(fā)現(xiàn)前后存在4～5個數(shù)量級的巨大差異，而這就是經(jīng)濟(jì)學(xué)家尋找的經(jīng)濟(jì)拐點。這也意味著：當(dāng)下，一個發(fā)生在AI時代的創(chuàng)新技術(shù)—經(jīng)濟(jì)效益—資源投入的良性循環(huán)正在形成。

3. 對于一些早期應(yīng)用場景，創(chuàng)造力>正確性

“幻覺”是當(dāng)今大模型LLMs依舊面臨的問題，但對于某些用例來說，編造事情的能力是一個功能，而不是一個錯誤。例如，自動駕駛汽車需要絕對正確，但你的虛擬伙伴就沒必要永遠(yuǎn)準(zhǔn)確了，而LLMs的許多早期用例都具有這一特點：專注于創(chuàng)造力比正確性更重要的領(lǐng)域。

諾姆·沙澤爾，Character.AI：

娛樂產(chǎn)業(yè)每年能斬獲2萬億美元，因為娛樂就像是你的虛擬朋友，這對通用AI來說是一個很酷的首要應(yīng)用案例。例如，當(dāng)你想推出一款A(yù)I醫(yī)生，你需要萬分小心地避免提供錯誤信息，這會影響產(chǎn)品推出的速度。但當(dāng)你想推出一個AI伙伴，你可以火速推出。畢竟它只是娛樂而已，編造事物也成了一種特色。

Dylan Field（狄蘭·費爾德，F(xiàn)igma創(chuàng)始人）：

我們正處于一個讓AI完成初稿的時期，但要從初稿發(fā)展到最終產(chǎn)品還是有些困難，并且通常需要一個團(tuán)隊來完成。但如果你能讓AI向人們提供一些關(guān)于界面元素的建議，并且用一種合理的方式操作，我認(rèn)為這將開啟一個全新的設(shè)計時代：創(chuàng)造出根據(jù)用戶意圖響應(yīng)性的上下文設(shè)計。我相信這將是所有設(shè)計師與AI系統(tǒng)合作共事的一個迷人時代。

4. 編程“副駕駛”會隨著人類的使用而提高正確性

AI能在許多領(lǐng)域增強人類工作，其中的編程“副駕駛”已成為首批被廣泛采用的AI助手，原因有幾個：

首先，開發(fā)人員通常是新技術(shù)的早期采用者—對2023年5月/6月的ChatGPT提示進(jìn)行分析發(fā)現(xiàn)，30%的ChatGPT提示與編程相關(guān)；其次，最大的LLMs接受過包含大量代碼的數(shù)據(jù)集（例如互聯(lián)網(wǎng)）訓(xùn)練，這使得他們特別擅長響應(yīng)與編程相關(guān)的查詢；最后，循環(huán)中的人是用戶。

因此，AI助手的準(zhǔn)確性很重要，擁有AI副駕駛的人類開發(fā)人員可以比單獨的人類開發(fā)人員更快地迭代到正確性。

馬丁·卡薩多，a16z：

如果做一件事，你必須保持正確且有很多復(fù)雜的使用情況，要么你自己完成所有技術(shù)工作，要么雇傭人員。通常我們會雇傭人員，這是一個可變成本。另外，由于解決方案的尾部往往非常長，比如自動駕駛中可能發(fā)生的許多異常情況都需要解決，為了保持領(lǐng)先地位所需的投資會增加，價值卻會降低。這就產(chǎn)生了一種反向規(guī)模經(jīng)濟(jì)效應(yīng)。

如今，在公司的循環(huán)人員是用戶，因此它不再是企業(yè)的可變成本，也不再是這項工作的經(jīng)濟(jì)成本。因為它是迭代的，你只需要不斷地得到來自用戶的反饋和修正，那么累積的錯誤量會逐漸減少。

Mira Murati（米拉·穆拉蒂，OpenAI首席技術(shù)官）：

當(dāng)開發(fā)人員可以通過AI聊天機器人來幫助他們編寫代碼，并對其進(jìn)行故障排除時，它會以兩種顯著的方式來改變開發(fā)的方式：1. 使更多的人更容易在開發(fā)中進(jìn)行協(xié)作；2. 開發(fā)人員能夠產(chǎn)出更多內(nèi)容，并保持更長時間的流動狀態(tài)。

凱文·斯科特，微軟：

GitHub（一個面向開源及私有軟件項目的托管平臺）是我們正在嘗試構(gòu)建的這種副駕駛模式的第一個例證，即如何利用AI幫助某人進(jìn)行知識工作，使他們在執(zhí)行特定類型的認(rèn)知工作時更加高效。

根據(jù)我們對開發(fā)人員的觀察，AI可以幫助他們更長時間地保持心流狀態(tài)（在心理學(xué)中指一種人們專注進(jìn)行某行為時所表現(xiàn)的心理狀態(tài)，通常在此狀態(tài)時，不愿被打擾，也稱抗拒中斷）。比如，當(dāng)你在編寫代碼遇到障礙時，可以在你脫離心流狀態(tài)之前，能夠讓自己擺脫束縛是非常有價值的。

5. AI+生物學(xué)，帶來新體驗

生物學(xué)極其復(fù)雜，甚至可能超出人類思維的完全理解能力。然而，AI與生物學(xué)的交叉可以加速我們對生物學(xué)的理解，并帶來令人興奮和具有變革性的技術(shù)進(jìn)步。

AI驅(qū)動的生物學(xué)平臺有可能解鎖以前未知的生物學(xué)見解，從而帶來新的醫(yī)學(xué)突破、新的診斷方法以及更早發(fā)現(xiàn)和治療疾病的能力，甚至有可能在疾病發(fā)生前阻止它。

Daphne Koller（達(dá)芙妮·科勒，insitro創(chuàng)始人）：

在歷史上的某些時期，某些特定的科學(xué)學(xué)科在相對較短的時間內(nèi)取得了令人難以置信的巨大進(jìn)步。20世紀(jì)50年代，計算機科學(xué)就是這樣一門學(xué)科，我們可以使用這些機器來執(zhí)行計算；20世紀(jì)90年代，數(shù)據(jù)科學(xué)和統(tǒng)計學(xué)為我們帶來了現(xiàn)代機器學(xué)習(xí)、人工智能和定量生物學(xué)；2020年，迎來人工智能和生物學(xué)真正融合的時代，即數(shù)字生物學(xué)時代，我們可以使用機器學(xué)習(xí)和數(shù)據(jù)科學(xué)工具解釋海量數(shù)據(jù)、不同的生物尺度和不同的系統(tǒng)，同時可以使用CRISPR基因組編輯等工具將這種理解帶回到工程生物學(xué)中。

現(xiàn)在，我們終于可以在細(xì)胞水平（或亞細(xì)胞水平）和生物體水平上大規(guī)模測量生物學(xué)。我們建立了生物學(xué)中的“ChatGPT”，甚至擁有細(xì)胞語言和細(xì)胞形態(tài)。你可以開始問：“疾病是如何將致病基因從一個地方移動到另一個的？怎么治療能恢復(fù)健康？”與其他語言模型一樣，提供的數(shù)據(jù)越多，它就會變得越好。

6. 將模型交到用戶手中，發(fā)現(xiàn)新的應(yīng)用場景

此前AI模型迭代的很大一部分是為了在某些任務(wù)上超越人類，例如AlphaGo（阿爾法狗）比絕大多數(shù)人類都更會下圍棋。但必須明確的是，一個厲害的通用模型不代表就能破解模型和特定用例的匹配難題。

凱文·斯科特，微軟：

我們必須記?。耗Ｐ筒皇钱a(chǎn)品。作為一個創(chuàng)業(yè)者，你要理解的是：你的用戶是誰？用戶的問題是什么？你能做什么來幫助用戶？然后確定AI能否解決用戶問題—這是不變的。AI就像一個新的、有趣的基礎(chǔ)設(shè)施，可以讓你以更好的方式解決新類別的問題或解決舊類別的問題。

7. AI朋友的記憶力即將大大提高

雖然數(shù)據(jù)、計算和模型參數(shù)支持LLMs的一般推理，但上下文窗口（指語言模型在試圖生成文本時可以回顧和參考的文本量）只支持它們的短期記憶。上下文窗口通常是通過它們能夠處理的標(biāo)記數(shù)量來衡量的。目前，大多數(shù)上下文窗口約為32K，但更大的上下文窗口即將到來，即通過LLMs運行具有更多上下文的更大文檔的能力。

諾姆·沙澤爾，Character.AI：

目前，我們正在提供的模型使用了數(shù)千個標(biāo)記的上下文窗口，這意味著它會記住過去半小時發(fā)生的事情。如果你轉(zhuǎn)儲大量信息，它還能夠了解關(guān)于你的上百萬件事。

Dario Amodei（達(dá)里奧·阿莫迪，Anthropic首席執(zhí)行官兼總裁）：

我認(rèn)為人們腦海中會有這樣的畫面：有一個聊天機器人，我問它問題，它可以準(zhǔn)確給出答案。同時你還可以上傳一份法律合同，并問它，“這個法律合同中最不尋常的5個條款是什么？”或者上傳一份財務(wù)報表并問道：“總結(jié)這家公司的具體情況?！边@兩個舉例，涉及到的知識操縱和大量數(shù)據(jù)處理，都需要人們花數(shù)小時才能閱讀并得出結(jié)論。而我認(rèn)為，將來的AI能比人們正在做的事情更多并且速度更快。

8. 重點關(guān)注語音聊天機器人、機器人和AI互動等

今天，大多數(shù)人以聊天機器人的形式與AI互動，這是因為聊天機器人通常很容易構(gòu)建，而不是因為它們是每個用例的最佳界面。許多構(gòu)建者專注于開發(fā)新的方式，使用戶可通過多模態(tài)AI與AI模型交互，比如通過圖像、文本、語音和其他媒體。更進(jìn)一步，可以通過實體AI與物理世界互動，如自動駕駛汽車等。多模態(tài)AI可以處理和生成多個音頻或視覺格式的內(nèi)容，實體AI可以在物理世界中采取行動。

達(dá)芙妮·科勒，insitro：

AI可以產(chǎn)生影響的下一個前沿是當(dāng)AI開始觸及物理世界。當(dāng)然，這是很難的，就像我們在構(gòu)建聊天機器人方面取得了很大進(jìn)展，但自動駕駛汽車仍在舊金山阻擋消防車（8月17日晚10點，Cruise自動駕駛汽車與一輛消防車在舊金山發(fā)生碰撞）。對于這種復(fù)雜性以及對影響程度的估計，都是很重要的。

9. AI創(chuàng)業(yè)公司是做通用模型、專用模型，還是兩者兼之？

哪些用例最適合更大的、“更高智商”的基礎(chǔ)模型或較小的專用模型和數(shù)據(jù)集？就像十年前的云和邊緣架構(gòu)的辯論一樣，答案取決于你愿意支付多少費用、你需要輸出的準(zhǔn)確性以及你可以容忍的延遲程度。

隨著研究人員開發(fā)出計算更加高效的方法，來針對特定用例對大型基礎(chǔ)模型進(jìn)行微調(diào)，上述問題的答案可能會隨著時間的推移而發(fā)生變化，因為我們?nèi)蕴幱诮⒅С治磥鞟I應(yīng)用浪潮的基礎(chǔ)設(shè)施和架構(gòu)的早期階段。

Ali Ghodsi（阿里·戈德西，Databricks首席執(zhí)行官）：

過去2000年的互聯(lián)網(wǎng)能主宰一切，最重要的是誰能建造出最好的路由器。而現(xiàn)在是，誰擁有最大的LLM并對其進(jìn)行充分訓(xùn)練的公司將擁有所有AI和未來人類的掌控權(quán)。

米拉·穆拉蒂，OpenAI：

選擇何種模型取決于你到底想做什么。用戶并不是總需要最強大的模型，有時候他們只需要適合其特定用例且更經(jīng)濟(jì)實惠的模型。比如OpenAI通過API（應(yīng)用程序接口）提供了許多模型，從非常小的模型到前沿模型都包含在內(nèi)。我們希望給予用戶越來越多的訪問和控制權(quán)限，以便用戶攜帶自己的數(shù)據(jù)并自定義這些模型。

10. AI企業(yè)何時會獲得市場份額？

生成式AI對企業(yè)的影響仍處于起步階段，一方面因為企業(yè)通常行動較慢，另一方面是他們已經(jīng)意識到了專有數(shù)據(jù)集的價值，并且不想將數(shù)據(jù)移交給另一家公司。大多數(shù)企業(yè)用例需要高度的準(zhǔn)確性，而企業(yè)在選擇LLM時有3種選擇：構(gòu)建自己的LLM、使用LLM服務(wù)提供商（如Mosaic）為他們構(gòu)建、微調(diào)基礎(chǔ)模型。

阿里·戈德西，Databricks：

一些CEO和董事會成員的想法發(fā)生了變化，他們認(rèn)為，必須自己建立LLM，必須擁有知識產(chǎn)權(quán)，因為這也許是可以擊敗競爭對手的秘密武器。但從零開始建立自己的LLM并不是一件輕松的事情，仍然需要大量的GPU、大量資金，并且還需要大量的數(shù)據(jù)集和使用案例。

11. 縮放規(guī)律是否會將我們帶向AGI（通用人工智能）？

目前，LLM遵循Scaling（縮放規(guī)律）：隨著添加更多數(shù)據(jù)和計算資源，即使架構(gòu)和算法保持不變，模型性能也會提高。但是，這個法則能持續(xù)多久？它會無限期地持續(xù)下去，還是在我們開發(fā)AGI之前達(dá)到自然極限？

米拉·穆拉蒂，OpenAI：

沒有任何證據(jù)表明，隨著我們繼續(xù)在數(shù)據(jù)和計算軸上擴(kuò)展模型，我們不會得到更好、更強大的模型。而要想真正從這些更大的模型中獲得很多好處，縮放定律還有很長的路要走。

諾姆·沙澤爾，Character.AI：

我們的目標(biāo)是成為一個AGI公司和一個以產(chǎn)品為先的公司，而實現(xiàn)這一目標(biāo)的方法是選擇正確的產(chǎn)品，從而迫使我們致力于一些具有普遍性的事情，讓模型更智能，更能滿足人們的需求，并以大規(guī)模的方式提供廉價的服務(wù)?？s放規(guī)律將帶我們走很長的路。

12. 什么是新興能力（emergent capabilities）？

雖然有些人質(zhì)疑生成式AI的能力，但AI已經(jīng)在執(zhí)行某些任務(wù)方面遠(yuǎn)遠(yuǎn)超過人類，并且將繼續(xù)改進(jìn)。最好的構(gòu)建者已經(jīng)能夠識別AI最有前途的新興功能，并建立模型和公司，將這些功能擴(kuò)展成可靠的功能。他們認(rèn)識到，規(guī)模往往會提高新興能力的可靠性。

米拉·穆拉蒂，OpenAI：

我認(rèn)為關(guān)注這些新興能力很重要，即使它們目前有些不可靠。尤其是對于正在組建公司的人來說，他們需要思考：“今天有什么可能？你今天看到了什么？”反復(fù)思考和觀察會使這些模型很快變得可靠。

達(dá)里奧·阿莫迪，Anthropic：

在我們發(fā)布GPT-2時，被認(rèn)為最令人印象深刻的是，“將5個英文翻譯到法文的例子直接輸入到語言模型中，然后再輸入第6句英文句子時，它會直接翻譯成法文—它竟然理解了這種模式?！北M管翻譯得很差勁，但我們認(rèn)為這只是一段驚人之旅的開始，因為沒有限制，并且可以繼續(xù)擴(kuò)大規(guī)模。

13. 服務(wù)模型的成本會下降嗎？

計算成本高昂是限制模型發(fā)展的一個重大因素，尤其是當(dāng)前的芯片短缺，更是將使用成本推向了高點。雖然從現(xiàn)實來看，如果NVIDIA（英偉達(dá)）明年生產(chǎn)了更多的H100芯片，那么計算成本也會下降。但是，難道我們就指望這一種可能性嗎？

達(dá)里奧·阿莫迪，Anthropic：

縮放定律的基本邏輯是，如果將計算增加n個因子，則需要將數(shù)據(jù)增加n的平方根因子，將模型的大小增加n的平方根因子。這個平方根基本上意味著模型本身不會變大，但在你這樣做時硬件會變得更快。我認(rèn)為這些東西將在未來三四年內(nèi)繼續(xù)發(fā)揮作用。如果沒有架構(gòu)創(chuàng)新，它們會變得更貴；如果有架構(gòu)創(chuàng)新，它們會變得更便宜。

但是，即使計算成本保持不變，模型級別的效率提升似乎也是不可避免的，尤其是在眾多人才擁入該領(lǐng)域的情況下，AI本身可能是我們改進(jìn)AI工作方式的最強大工具。另外，我認(rèn)為最有前途的研究領(lǐng)域之一是針對特定用例微調(diào)大模型，而無需運行整個模型。

阿里·戈德西，Databricks：

如果你制作了一千個在一千種不同事物上都擅長的LLM版本，并且你必須將每一個加載到GPU并提供服務(wù)，那成本將變高。所以，現(xiàn)在大家都在尋找一項只對模型進(jìn)行小幅度修改，就能達(dá)到非常好的結(jié)果的技術(shù)。目前，確實也出現(xiàn)了很多技術(shù)，例如前綴調(diào)優(yōu)、LoRA、CUBE LoRA等，但還沒有一個真正完美無缺的解決方案被證實有效。不過，總會有人找到的。

14. 如何衡量通用AI的進(jìn)展？

當(dāng)我們擴(kuò)展這些模型時，我們?nèi)绾闻袛郃I何時成為AGI（通用人工智能）？AGI其實是一個很難定義的東西，部分原因是它難以測量。

諸如GLUE和SuperGLUE（評估自然語言理解模型性能的基準(zhǔn)測試集）之類的定量基準(zhǔn)，長期以來一直被用作評估AI模型性能的標(biāo)準(zhǔn)化度量。但與我們給人類進(jìn)行的標(biāo)準(zhǔn)化測試一樣，AI基準(zhǔn)測試也會引發(fā)一個問題：在多大程度上衡量一個LLM的推理能力，以及在多大程度上衡量它的測試能力？

阿里·戈德西，Databricks：

AGI最初的定性測試是圖靈測試（對機器展示人類級別智能的定性測試，最初的測試是評估計算機是否能夠讓人類相信它是人類），但讓人類相信AI是人類并不是難題，讓AI去做人類在現(xiàn)實世界中所做的事情是一個難題。那么，我們可以使用哪些測試來了解這些系統(tǒng)的功能呢？

狄蘭·費爾德，F(xiàn)igma：

我們現(xiàn)在從這些系統(tǒng)中看到，讓人相信你是人類很容易，但要真正創(chuàng)造出好的東西卻很困難。我可以讓GPT-4制定一個商業(yè)計劃并向你推銷，但這并不意味著你會投資。當(dāng)你真正面對兩個競爭的企業(yè)，其中一個由AI運營，另一個由人類運營—而你選擇投資AI企業(yè)時，那就令我擔(dān)憂了。

15. 未來是否還需要人類參與？

新技術(shù)通常會取代一些人的工作和職位，但它們也會開辟出全新的領(lǐng)域，提高生產(chǎn)力，使更多類型的工作對更多人來說變得可行。雖然很容易想象AI會自動化現(xiàn)有的工作，但想象AI帶來的下一個問題和可能性要困難得多。

馬丁·卡薩多，a16z：

杰文斯悖論指出：如果需求是彈性的，那么當(dāng)價格下降，需求將會遠(yuǎn)遠(yuǎn)超過下降的幅度。但我個人認(rèn)為，在任何創(chuàng)造性資產(chǎn)或工作自動化方面，需求都是彈性的，即我們制造得越多，人們消費得就越多。我們非常期待生產(chǎn)力的大規(guī)模擴(kuò)展、大量新崗位以及許多新事物的出現(xiàn)，就像我們在微芯片和互聯(lián)網(wǎng)時代所見到的一樣。

凱文·斯科特，Microsoft：

我在弗吉尼亞州中部的農(nóng)村長大，那里曾經(jīng)以煙草種植、家具制造和紡織業(yè)為經(jīng)濟(jì)支撐。但在我高中畢業(yè)時，這三個行業(yè)都已崩潰。隨后，當(dāng)當(dāng)?shù)厝藗兡軌蚴褂闷渌墓ぞ邥r，他們創(chuàng)造出了能為自己、家人和社區(qū)創(chuàng)造經(jīng)濟(jì)機會的卓越成就。要知道，他們解決了你我無法解決的問題，因為他們看到了世界的整個問題格局。

AI同理，AI工具現(xiàn)在變得比以前更加容易使用，你可以使用這些工具做有趣的事情，并且可以在弗吉尼亞州小鎮(zhèn)成為一名企業(yè)家。關(guān)鍵是，你無需擁有計算機科學(xué)博士學(xué)位或AI專業(yè)知識，你只需要保持好奇心和創(chuàng)業(yè)精神。

狄蘭·費爾德，F(xiàn)igma：

迄今為止的每一次技術(shù)轉(zhuǎn)變或平臺轉(zhuǎn)變，都會導(dǎo)致更多需要設(shè)計的東西。比如移動互聯(lián)網(wǎng)時代，你可能會認(rèn)為“手機中的拍照像素少了，設(shè)計師也就少了?！钡聦嵅⒎侨绱耍菚r我們看到了設(shè)計師數(shù)量最大的爆炸式增長。

16. 建議所有創(chuàng)業(yè)者傾力投身

現(xiàn)在是創(chuàng)建AI初創(chuàng)公司的最激動人心的時刻：基礎(chǔ)模型正在迅速擴(kuò)展，經(jīng)濟(jì)最終向有利于初創(chuàng)公司的方向傾斜。另外，AI行業(yè)面臨的很多問題需要解決，而這些問題需要極大的耐心和毅力。所以，作為一個發(fā)展迅速的年輕領(lǐng)域，現(xiàn)在是構(gòu)建AI的最佳時機。

達(dá)里奧·阿莫迪，Anthropic：

在任何特定時刻，都有兩種類型的領(lǐng)域：一種是經(jīng)驗和積累知識非常豐富的領(lǐng)域，需要多年時間才能成為專家，比如生物學(xué)—如果你只從事生物學(xué)6個月，很難做出突破性或者諾貝爾獎級別的工作；另一種是非常年輕或發(fā)展速度非常快的領(lǐng)域，比如AI，其過去和現(xiàn)在都仍然是一個年輕且發(fā)展迅速的領(lǐng)域。

而真正的通才往往可以超越那些在該領(lǐng)域已經(jīng)待了很長時間的人，因為事情變化得太快了。并且，在年輕或發(fā)展迅速的領(lǐng)域擁有大量先前知識可能會成為一個劣勢。

米拉·穆拉蒂，OpenAI：

從數(shù)學(xué)的理論空間中可以得出一個要點，那就是你需要花很長時間來思考問題。有時你睡了一覺，醒來后就有了新的想法，或者在幾天或幾周的過程中，你會得到最終的解決方案。這幾乎是一種不同的思考方式，你需要建立“直覺”和“堅持”去面對問題，并相信自己能夠解決它。

達(dá)芙妮·科勒，insitro：

隨著時間的推移，我們所依賴的工具也隨著時間的推移變得越來越好。比如生物工具，從過去的siRNA技術(shù)到CRISPR基因編輯技術(shù)，再到現(xiàn)在的可以替換整個基因組區(qū)域的CRISPR prime技術(shù)。這些生物工具可以為我們解決更多疾病提供可能性，為我們所生活的世界帶來重大的改變。

凱文·斯科特，Microsoft：

如果你思考過去發(fā)生的一些重大平臺轉(zhuǎn)變，那么就會發(fā)現(xiàn)在平臺上創(chuàng)造的最有價值的東西并不是在平臺變化的頭一兩年中部署的東西。以智能手機為例，讓你在智能手機上花費大部分時間的并不是短信應(yīng)用程序、網(wǎng)頁瀏覽器或郵件客戶端，而是在平臺推出后幾年中創(chuàng)建的新功能、新App。

所以，人們應(yīng)該思考過去不可能實現(xiàn)但現(xiàn)在變得可能的困難事物，并且不要追求瑣碎的事物。