Andrej Karpathy 在 YC AI 創業營的演講火了。

「我們并非處于智能體之年，而是身處智能體的十年時代。」

從軟件和大模型發展開始講起，闡述了今天做軟件開發需要具備什么樣的技能，以及 LLM 時代，新的交互和人機關系。

以及，如何真正邁向軟件 3.0 時代——提示詞即應用的時代。

雖然官方還未發布現場視頻，但 Latent Space 對推特上相關推文進行了整理，基本上整理出來了 PPT 的完整內容。我們第一時間進行了編譯處理。

第一天的 YC AI Startup School 還有其他一些嘉賓的精彩分享，Sam Altman、李飛飛、馬斯克和 Aravind Srinivas 等人的觀點，我們一并整理了放在文中。

TLDR:

• Andrej Karpathy 提出，軟件 3.0 （提示工程）時代正在取代 1.0（代碼編程）和 2.0（神經網絡）」，且大量軟件將被重寫。

• LLMs 是高智能與「認知缺陷」的結合體，可將 LLMs 視為「高智商但存在心智問題」的人類模擬系統，其能力強大但仍存在不可預測的局限性。

• LLMs 目前最大的問題是缺乏「認知自我知識」，這需要更復雜的模型后訓練方法，而不是天真的「模仿人類標記者并使其變大」的解決方案。

• LLMs 具備「記憶能力」非常重要，不存儲每個用戶的隨機事實，而是一般/全局的問題解決知識和策略。「記憶能力」會使 LLMs 在效能和數據利用率上顯著更強，因為知識引導的「復盤」階段提供的反饋維度，遠比單一的獎勵標量豐富得多。

• 在 AI 產品的設計中，Andrej Karpathy 提出了一個名為「Autonomy Slider」 的重要概念，它讓我們能夠根據具體情境選擇自主程度，例如：

• • Cursor ：Tab -> cmd+K -> Cmd+L -> Cmd+I（agent 模式）

  • Perplexity : search -> research -> deep research

  • Tesla： Autopilot 自動駕駛儀：1 級至 4 級

超 6000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

01軟件 3.0：提示詞即軟件

我們在《AI 工程師的崛起》中首次探討了「軟件 3.0」的概念，而這一概念顯然是《軟件 2.0》論文與「最熱門的新編程語言是英語」這一觀點結合的必然產物。

他最初撰寫《軟件 2.0》論文時，正目睹著這套體系在特斯拉逐步取代傳統軟件 1.0。而如今他再次回歸，針對軟件 3.0 進行了內容更新。

不同于我之前對軟件 2.0 圖表的修改方式， Andrej 此次推出了全新的示意圖，展示了軟件 1.0、2.0、3.0 交錯共存的狀態，并指出「軟件 3.0 正在取代 1.0/2.0」，且「大量軟件將被重寫」。

軟件的迭代演進（1.0 代碼編程、2.0 神經網絡、3.0 提示工程）

在特斯拉工作期間，我們觀察到軟件 2.0 逐步取代軟件 1.0 的趨勢；而如今，軟件 1.0、2.0、3.0 正處于共存狀態，同時軟件 3.0 也在逐步取代前兩者。具體觀點如下：

當下AI的發展階段類似 20 世紀 50 至 70 年代的計算機。

當前 AI 的應用仍受限于集中式、集體化的模式，其使用場景和范圍被嚴格衡量與限制。但正如計算機的演進歷程，AI 領域也有望迎來類似的變革。

LLMs 的雙重屬性：高智能與「認知缺陷」的結合體，可將 LLMs 視為「高智商但存在心智問題」的人類模擬系統，其能力強大但仍存在不可預測的局限性。

半自主工具的四大核心優勢（以 Cursor 和Perplexity為例）

通過自主性設置與圖形用戶界面（GUI），這類工具實現了多維度效率提升：

• 上下文管理：自動為模型提供所需信息，避免手動輸入的繁瑣；

• 多模型與工具調度：在后臺無縫管理不同模型與工具的協同工作；

• 交互效率優化：通過 GUI 簡化操作流程，加速任務執行；

• 自主性靈活調控：允許用戶根據任務需求，精確設置模型在不同環節的自主決策權限。

人機協作的雙向軟件開發模式

• 模型負責代碼生成，人類負責結果驗證。

• 實現高效協作的兩個關鍵路徑：

• • 簡化驗證流程：借助 GUI 等可視化工具降低人工驗證的復雜度；

  • 限制 AI 權限：通過嚴格約束 AI 的決策邊界，減少驗證錯誤的發生概率，即「必須給 AI 戴上枷鎖」。

Andrej 仍將重點放在「提示詞即程序」的理念上，但我們在 2023 年就這一問題已經存在細微分歧，而且至今觀點仍然沒有完全一致：軟件 3.0 中「1+2=3」式的邏輯框架，正是過去幾年 AI 工程師表現遠超提示詞工程師，并將持續保持優勢的核心原因。

02重新定義大模型的公共屬性

2.1 LLMs 類似于公共基礎設施

LLMs 具有公用事業的屬性

• 訓練 LLMs 的資本支出（相當于建設電網）

• 通過日益同質化的 API（提示詞、圖像、工具等）提供智能服務的運營支出

• 計量訪問（每 100 萬 tokens 收費）

• 對低延遲、高正常運行時間、質量一致性的需求（相當于要求電網提供穩定的電壓）

• OpenRouter 相當于轉換開關（電網、太陽能電池、發電機……）

• 智能 「電力不足」，例如當 OpenAI 宕機時

LLMs 具有晶圓廠的特性

• 巨額資本支出

• 深度技術樹研發與技術機密

• 4 納米工藝節點≈102?次浮點運算集群

• 任何使用英偉達 GPU 訓練的主體≈無晶圓廠

• 谷歌使用 TPU 訓練≈擁有晶圓廠（如英特爾）

LLMs 具有操作系統的屬性

• LLMs 正逐漸成為復雜的軟件生態系統，而非像電力一樣的簡單商品。

• LLMs 是軟件，可輕松復制、粘貼、操控、修改、分發、開源、竊取等，并非物理基礎設施。

• 由于不同領域的功能、性能、風格、能力等存在差異，會產生一定的切換摩擦

• 系統/用戶（提示空間≈內核/用戶（內存）空間）

LLMs 具備操作系統的屬性

• 它們如同復雜的生態系統，類似早期的分時操作系統，通過遠程運行并流式輸出內容。

• 文本聊天功能相當于終端界面。

• LLMs 有點像發電站：需要基礎設施，有變電站（Open Router），輸出中斷時會導致「電力不足」。

• 不過， LLMs 不同于傳統公用事業，更像軟件，可輕松復制和傳輸。

• LLMs 也類似操作系統：具備內存、外部設備、網絡等功能。

• 與操作系統領域類似， LLMs 有少數主要的閉源供應商（Mac/Windows 相當于 GPT/Claude），以及更廣泛的開源生態系統（Linux 相當于 Llama）。

盡管 Andrej 在《Power to the People》中提出， LLMs 還呈現出前沿技術發展的反常趨勢：通常昂貴的前沿技術會按既定路徑演進，但 LLMs 卻打破了這一常規。

「我們擁有所有這些令人難以置信的技術，卻在用它來研究如何煮雞蛋，這太瘋狂了。」—— 鏈接：https://karpathy.bearblog.dev/power-to-the-people!

以往的重大先進技術（如計算、互聯網、全球定位系統）通常起源于政府或大型企業的應用場景，隨后才逐漸普及到消費者層面。但 AI 的發展路徑卻恰恰相反：消費者正在將這項技術用于最隨機、最平凡的事情，而政府甚至尚未開始采用 AI 。

與大多數技術不同，LLMs 的應用路徑實際上是從消費者到企業，再到政府的逆向普及。

隨著我們從云端計算轉向個人 / 私有 AI ，Exo Labs 的研究成果與蘋果 MLX 框架的工作正孕育著 「個人計算 2.0 時代」 的萌芽。

第一部分總結

LLM 實驗室：

• 晶圓廠式 LLMs

• LLMs 相當于（20 世紀 60 年代的）操作系統

• 可通過分時共享方式獲取，像公用事業一樣分布式供應

新動態：數十億人突然能夠使用 LLMs ！ 現在是我們為它們編寫程序的時代。

03LLM心理學

LLM 是「人的精神」：對人的隨機模擬，帶有一種新興的「心理學」

Andrej 指出當前 LLMs 在模擬人類時存在兩大問題：

3.1鋸齒狀智能（Jagged Intelligence）

這個術語用于描述一種（奇怪且反直覺的）現象：最先進的 LLMs 既能完成極其復雜的任務（如解決高等數學問題），又會在一些簡單問題上栽跟頭。例如，前兩天有個例子——「9.11 和 9.9 哪個更大？」模型給出了錯誤答案。

某些任務（按人類標準）完成得極為出色，另一些任務卻會徹底失敗，二者的邊界并不總是清晰可辨，盡管長期使用后能積累一定預判直覺。

與人類不同，人類的許多知識和解決問題的能力都是高度相關的，并且從出生到成年都是線性提高的。

我個人認為這些不是根本問題。他們需要在整個堆棧中做更多的工作，而不僅僅是擴展。我認為最大的問題是目前缺乏「認知自我知識」，這需要更復雜的模型后訓練方法，而不是天真的「模仿人類標記者并使其變大」的解決方案，這些解決方案大多讓我們走到了這一步。

有關我所說的內容的示例，請參閱 Llama 3.1 論文中關于減輕幻覺的部分：https://x.com/karpathy/status/1816171241809797335

目前，這是需要注意的事情，尤其是在生產環境中。將 LLM 用于他們擅長的任務，但要注意鋸齒狀邊緣，并讓人工參與其中。

3.2 順行性遺忘癥（Anterograde Amnesia）

我喜歡這樣解釋：LLMs 有點像患有順行性遺忘癥的同事——一旦培訓結束，他們就不會鞏固或建立長期的知識或專業技能，他們所擁有的只是短期記憶（上下文窗口）。在這種情況下，很難建立關系或工作。

我看到的第一個彌補這種缺陷的方法是 ChatGPT 中的記憶功能，它感覺像是未來可能性的原始粗糙實現，這讓我在此提出它可能成為一種新的學習范式：

• 我們缺少（至少一個）LLM 學習的主要范式。不確定該怎么稱呼它，可能它有一個名字 -系統提示學習？

• 預培訓是為了獲取知識。

• 微調 （SL/RL） 適用于塑造習慣性行為。

• 這兩者都涉及參數的變化，但人類的學習過程往往更像是系統提示詞的更新。你遇到一個問題，弄清楚一些事情，然后以相當明確的方式 「記住」 一些東西，以便下次使用。例如，「似乎當我遇到這樣那樣的問題時，我應該嘗試這樣那樣的方法/解決方案」。這感覺更像是為自己做筆記，即類似于「記憶」功能的東西，但不存儲每個用戶的隨機事實，而是一般/全局的問題解決知識和策略。LLM 就像《記憶碎片》中的那個家伙，只是我們還沒有給他們一個便箋簿。請注意，這種范式在效能和數據利用率上顯著更強——因為知識引導的「復盤」階段提供的反饋維度，遠比單一的獎勵標量豐富得多。

• 在我看來，這類問題解決知識不該通過強化學習固化到權重中，至少不該立即/完全依賴這種方式。它更不應該來自工程師手工編寫的系統提示詞。正確的來源應該是系統提示學習——雖然框架類似強化學習，但算法不同（文本編輯 vs 梯度下降）。LLM 系統提示的很大部分可以通過這種學習自動生成，就像 LLM 為自己撰寫問題解決指南。若成功，這將形成全新且強大的學習范式。當然還有大量細節待探索：編輯機制如何運作？能否/應該學習編輯系統？如何像人類那樣將顯性知識逐漸轉化為習慣性權重？等等。

04部分自主性設計

我們喜歡鋼鐵俠戰衣的類比——這套裝備在兩方面拓展了人類能力：

• 增強：為用戶提供力量、工具、傳感器和信息

• 自主性：西裝很多時候都有自己的想法——在沒有提示的情況下采取行動

我們如何設計遵循這些模式的 AI 產品？

4.1自主性調節滑塊（Autonomy Sliders）

Autonomy Slider是一個重要的概念，它讓我們能夠根據具體情境選擇自主程度，例如：

• Cursor：Tab -> cmd+K -> Cmd+L -> Cmd+I（agent 模式）

• Perplexity: search -> research -> deep research

• Tesla：Autopilot 自動駕駛儀：1 級至 4 級

Cursor 的架構解析

• 在調用 LLM 前，將相關狀態信息封裝到上下文窗口中。

• 對多種模型進行編排與調用（例如嵌入模型、聊天模型、差異應用模型等）。

• 專用應用圖形用戶界面（GUI）。

• 通過按鍵組合（Tab - Cmd+K_Cmd+L->Cmd+l）實現從普通模式到 Agent 模式（agent mode）的切換，對應自主性調節滑塊的功能。

Perplexity的架構解析

• 信息封裝至上下文窗口

• 多 LLM 模型的協同調度

• 針對輸入/輸出交互設計的專用應用圖形用戶界面（GUI）

自主性調節滑塊：←搜索——研究——深度研究→

特斯拉自動駕駛（Autopilot）的自主性調節示例

• 車道保持

• 與前車保持車距

• 高速公路岔路口選擇

• 交通信號燈和標識識別停車

• 路口轉彎

在生成<->驗證的循環中，我們需要一個具備部分自主性的完整工作流程——循環速度越快越好

• 提升驗證效率：簡化流程，快速制勝

• 為了提升生成質量：嚴格控制 AI

4.3 演示和產品的差距

我們需要部分自主性的原因在于，演示原型與可靠產品之間仍存在巨大差距。

他回憶道，2014 年曾乘坐過一輛全程零干預的 Waymo 原型車，當時認為自動駕駛時代「已經到來」...但后來發現仍有大量技術難題亟待解決。

「演示是 works.any（），產品是 works.all（）」

05Vibe Coding & 為智能體而構建

這條推文催生了上千家初創公司：

現在甚至有了自己的維基百科頁面 ！

但是，仍存在諸多待解難題。當 Vibe 為 MenuGen 編寫代碼時，他發現本地代碼運行后不久，AI 加速效果就消失了：

在 2025 年，構建 Web 應用的現實狀況是一團支離破碎的服務集合——這些服務的設計顯然是為了讓 Web 開發專家繼續保住飯碗，而幾乎沒有向 AI 敞開大門。

可憐的 Clerk 遭到了負面評價，而 Vercel 的@leerob 則獲得了好評，這體現在他們的文檔編寫方式分別針對人類用戶和 AI Agent 所做的不同優化上。

示例：添加谷歌登錄

文檔在這一過程中至關重要。有人明確引用了 Clerks 文檔，其中包含 5-10 步的詳細操作說明，標注了點擊位置和時機。展示完文檔后，他直接說了句「這搞什么？」.

Lee Rob（來自 Vercel）將之前文檔中「點擊」類操作改為添加 curl 命令的做法，被視為很好的第一步。

他還特別提到了「上下文構建者」類工具，比如我們曾在閃電播客中報道過的 Cognition 公司 DeepWiki。

關鍵在于，工具開發者必須意識到「數字信息的消費者和操縱者出現了一個新類別」：

• 人類（圖形用戶界面）

• 計算機（API）

• 新概念：智能體 <- 計算機... 但具有類人特性

總結

少談 2027 年實現通用人工智能，少做華而不實的演示。

更多部分自主功能、自定義圖形界面和自主程度調節滑塊。

請記住，軟件 3.0 正在吞噬軟件 1/2，它們的效用/晶圓廠/操作系統特性將決定其命運，改進生成器-驗證器循環，并為智能體而構建

06其他嘉賓的精彩分享

6.1 Y CombinatorCEO: Garry Tan

1. 今年 Y Combinator 的錄取率為 0.8%，獨角獸公司比例高達 12%。

2. Garry Tan 分享 Y Combinator 青睞的創業者特質：

• 務實，注重實際行動

• 與用戶保持密切溝通

• 高效行動

• 將創業過程看作是一場力量的壯舉

• 懂得復利的價值，對長期發展保持耐心
  

3. Garry 的核心觀點：

• 自主性決定規模，創業者的自主能動性越大，事業拓展空間也越大。

• 外部工具變遷，但成功所需的基本心智和原則始終如一。

1. Sam曾猶豫是否創立 OpenAI，當時通用人工智能（AGI）是遙不可及的夢想，且 DeepMind 等競爭對手遙遙領先。但堅持下去的微小決定，徹底改變了這一切。

2. ChatGPT 起初聽起來像是純粹的科幻概念，這使得它更容易吸引頂尖人才。成為獨一無二比在擁擠的空間中競爭更好。

3. 如果你只是跟風，那要招募到優秀人才將異常艱難。因此，要追求大膽且與眾不同的方向。

4. 偉大的想法在開始時往往微不足道。但如果方向正確，一旦取得突破，潛力將巨大。

5. 一個實用的思維模式是：選擇一個價值 $0 億而不是 $0 百萬的想法。你需要的是高潛在回報。

6. 我們對當前模型的能力還只是冰山一角。未來還有巨大的「產品溢出」空間，而且性價比將繼續快速提高。

7. 到目前為止，Sam最喜歡的功能是記憶。它預示著一個未來：個人 AI Agent 能夠連接到你的各項服務，并主動提供信息和幫助。

8. OpenAI 的愿景是打造一個全天候在線的個人助理，它能整合記憶、多模態能力并進行可信決策。

9. OpenAI 正在構建一個 Agent 商店——ChatGPT 將演變為一個平臺，為第三方工具輸送流量。

10. 不要試圖通過構建另一個核心聊天助手來正面競爭。最好的創業點子，往往是那些當下無人涉足的領域。

11. 埃隆曾說 GPT-1 是垃圾。 彼得·蒂爾（Peter Thiel）也告訴 Sam，當所有人都不看好時，堅持信念很難。但 Sam 認為，只要堅持下去，事情會隨著時間變得更容易。

12. AI Agent 是下一波浪潮。首先，ChatGPT 取代了 谷歌 的部分功能；接著，Codex 扮演了初級開發人員的角色；現在，AI Agent 將能運行完整的復雜工作流程。

13. 世界正在被重塑，包括界面、軟件、硬件，甚至制造業。這是有史以來最好的創業時期。

14. 技術的發展軌跡意味著一個人現在可以完成以前整個團隊才能完成的工作。因此，要以低成本快速迭代。

15. 招聘那些聰明、有沖勁、且學習成長曲線陡峭的人才，能讓你完成 90% 的工作。更要關注他們的 潛力（坡度），而非當前的 完美（完善度）。

16. Sam 說，擔任 OpenAI 首席執行官是最困難的，因為他必須掌握大量背景信息，且必須同時應對多重事務。

17. 未來 10-20 年，最令他興奮的是 科學領域的 AI 應用。

18. 生活水平與人均能源之間存在很強的相關性。這可能比人們想象的更重要。

19. Sam 希望早點學到的一件事是：相信你的直覺。即使你的想法聽起來很奇怪，也要有堅定的信念。

6.3 Anthropic 聯合創始人：Jared Kaplan

1. 縮放定律——即測試損失如何隨模型大小、數據和計算的冪律下降——已經成為了現代 AI 的基石，也是 OpenAI、Anthropic 和 谷歌等巨頭的核心指導原則。

2. 2024 年的關鍵問題在于，這條定律是否也適用于強化學習。早期跡象表明：答案是肯定的。

3. Jared 說，如果縮放效應停止，并非是定律本身失效，而是因為我們在實施過程中出現了瓶頸。。

4. 一個關鍵指標：AI 模型能完成的任務長度每 7 個月便翻一番，且這種趨勢正在加速。

5. 隨著模型靈活性提高，它們能為人類節省更多時間。我們正在邁向更長、更復雜的任務鏈。

6. AI 領域尚待解決的問題包括：深化知識、增強記憶、完善監督機制、實現多模態集成、將能力擴展到更大規模任務以及更緊密的數據協作。

7. 人類數據將持續發揮重要作用，尤其對于提升更長任務表現和記憶能力至關重要。

8. 機械可解釋性仍然存在巨大差距。許多基本問題仍未解決。這門學科更接近神經科學而不是工程學。

9. 但我們可以測量模型中的一切。大型語言模型（LLMs）產生了前所未有的大量可觀察數據，可以用于認知逆向工程。

10. AI 需求隨 AI 供應增長。個人和企業使用它的意愿就越強。

11. 下一波創業浪潮正從輔助性的「協作者（copilots）」轉向直接的「替代者（direct replacements）」，尤其是在對一定錯誤有容忍度的領域。

12. 他對創始人的建議：

• 構建尚未完全成熟的產品

• 思考指數級增長的機會可能在哪

• 準備好深入整合 AI 到實際場景中，

13. 金融、法律 和面向現有業務的 AI 是有前景的領域。這些領域既有較高的錯誤容忍度，又對自動化有強烈需求。

6.4 NdeaCEO: Fran?ois Chollet

1. 僅僅依靠模型規模的擴大并不能解鎖流動智能（fluid intelligence）。運行時（runtime）的自適應行為并非通過預訓練更大的模型就能自然涌現。

2. 對通用人工智能（AGI）有兩種愿景：

• 明斯基（Minsky）派：認為 AGI 旨在自動化人類任務。

• 麥卡錫（McCarthy）派：認為 AGI 的核心是測試時的適應性。

第二種愿景更具挑戰性，也更為重要。

3. 智能的體現應該是創新，而不僅僅是自動化。技能才是智能的產物。

4. 人類考試是糟糕的基準，因為它們獎勵的是死記硬背。我們真正需要的，是具備流動性、廣泛操作范圍和信息效率的模型。

5. 模型會根據其訓練目標進行優化。如果你用考試數據訓練，模型就會傾向于記憶。但如果目標是創新，你就需要著眼于泛化能力和適應性。

6. 真正的通用智能 需要從過往經驗中提煉出抽象概念，并能即時地將它們重新組合，以應對全新任務。這些抽象概念有兩種形式：

• 類型 1-價值層面：通過聚類具體示例來形成模式。

• 類型 2-程序層面：通過組合函數來構建邏輯。

7. Transformer 模型在處理類型 1 抽象方面表現卓越。但要實現流動智能，我們需要利用 類型 1 的直覺來有效地縮小類型 2 的可能性空間。需要構建能夠執行離散程序搜索的系統：

• 包含運算符/函數的圖結構。

• 通過組合搜索進行學習。

• 通過校正循環進行驗證。

8. 核心挑戰在于函數組合的組合爆炸。流動通用人工智能必須運用類型 1 的直覺來有效縮小這個搜索空間。

6.5 DeepMind 杰出科學家兼諾貝爾獎獲得者：John Jumper

1. 在機器學習（ML）中，架構和設計決策對性能的影響往往比僅僅擴展數據大 100 倍。真正的進步取決于洞察力，而不是蠻力。

2. AlphaFold 已被引用 35K 次以上。它證明了小型、專注的團隊如何通過正確的想法來增強數據和計算的影響力。

3. 不要為了追求形式上的優雅而犧牲實際的進展。美感可以稍后雕琢，成果才是第一位的。

4. 為你的 ML 系統定義一個清晰、聚焦的目標。一個領域的突破往往不具備普遍性。例如，AlphaFold 不能直接用于模擬分子動力學。

5. 選擇構建什么時，問自己一個問題：「我需要預測什么，才能真正打動你？」這就是你的方向。

6. 降低失敗實驗的成本，是提高迭代速度的關鍵。小規模測試能帶來更快的學習。

7. 進行大量的小規模實驗，并定期進行大規模驗證。像梯度下降一樣，持續迭代你的想法。

8. 開源工具能夠放大你的影響力，讓更多人能在你的工作基礎上進行構建。

9. 確保你正在構建的系統是人們需要的。缺乏實際需求，技術上的成功將毫無意義。

1. 「我喜歡觀看埃隆·馬斯克（Elon Musk）的勵志視頻。」

2. Perplexity 的長遠愿景是打造一個集成 AI Agent 的瀏覽器——旨在并行運行異步任務，并能訪問服務器端模型無法獲取的信息。

3. 他們的優勢在于專注于搜索和瀏覽器，而不是像 OpenAI 那樣追求通用聊天，或者像 谷歌 那樣堅持廣告驅動的模型。

4. 谷歌在改進核心搜索方面的激勵機制很差，因為它們的廣告業務運作方式。但創業公司可以更快地行動，并通過 OpenAI 或 Anthropic 的 API 訪問更好的模型。

5. Aravind最初嘗試構建更好的推特搜索功能，后來才轉向了 Perplexity 如今的方向。

6. 產品的持續使用，即在穩定狀態下的用戶留存率是判斷產品真正奏效的最強信號。

7. Perplexity 即將推出的瀏覽器產品將能夠訪問云模型無法訪問的數據，這使其在知識檢索方面具有獨特的優勢。

8. 關于如何利用 AI 進行開發，Aravind 認為「Vibe coding」是不夠的，還需要理解分布式系統等核心概念。

9. 在 Perplexity，工程師被要求至少使用一種 AI 編碼工具（例如 Cursor）

10. 「Vibe coding」在前端任務中表現很好，但對更深層次的系統理解仍然很重要。

11. Aravind 對待挫折的看法：「觀看埃隆·馬斯克的勵志視頻。」

12. Aravind 對于 AI 創業公司的看法：AI 初創公司需要 2-3 年才能獲得真正的市場關注。這是一場持久戰。

6.7 斯坦福大學AI研究員&World Labs 創始人：李飛飛

1. 語言純粹是生成性的，但世界不是。智能必須扎根于感知，而不僅僅是預測。

2. 李飛飛最優秀的學生都有一個共同的特質：無畏的求知精神，敢于提出根本性問題并有追求大膽構想的勇氣。

3. 「有一段時間，我感覺自己像個機器人。但技術應該讓我們更人性化，而不是更少。」

4. 我們的目標不是取代人類，而是提升我們。

5. 「你只管去做就好。」

1. 「我從沒想過自己能做出什么技術上極其偉大的東西。從概率上講，這似乎不太可能。但我至少想嘗試一下。」

2. 談及創業的開端，Elon Musk 曾向 Netscape 投遞簡歷，但石沉大海。于是他決定自己動手——最終創辦了 Zip2。

3. Zip2 在發展過程中受到了董事會利益沖突，特別是來自傳統媒體的阻力。帶來的教訓是：不要讓自負或政治因素阻礙反饋。

4.「不要追求榮耀，要追求工作本身。」

5. 如果團隊中自我意識與能力的比例過高，創新就會停滯。

6. 談及成功，Elon Musk 表示要理性看待自我。不惜一切代價把事情搞定。

7. 第一性原理思維（First principles thinking）：從最基本的真相出發，向上推導。在零或無窮的極限下思考，以發現事物的特殊情況。

8. 2001 年，Elon Musk 曾試圖從俄羅斯購買洲際彈道導彈。當談判失敗后，他決定自己制造火箭。這是 SpaceX 的緣起。

9. 為何離開 Dogecoin：「這就像在清理一個滿是垃圾的海灘，同時卻有一場千尺高的 AI 海嘯正在逼近。是時候把精力放在那場海嘯上了。」

10. Grok-3.5 正在訓練中，它將是一款推理模型。

11. Elon Musk 相信，超級智能可能會在今年或明年出現。

12. Neuralink 的首批視力植入物將在 6-12 個月內進行人體測試。此前，一只猴子已使用該植入物超過 3 年。

13. 地球距離卡爾達舍夫（Kardashev） Level 1，即能利用其行星全部能源潛力，僅需 1%-2% 的路程。

14. 火星：預計需要 30 年才能建成一個自給自足的殖民地。

15. 我們不太可能只有一個占主導地位的智能。更有可能的是，未來將有大約 10 個主要的 AI 實體——其中 4 個將在美國。

轉載原創文章請添加微信：founderparker