Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
Greg 他去给大家讲的时候说了，
就是我们的计算机其实经历了五次 S 曲线
的发展，才到了我们今天这样子，
而不是一次。
这个指数十倍下降，
大家没有理解这件事情有多么的可怕，
和这件事情是注定接下来一段时间都会一直
发生的。
那你他妈怎么跟他打？
我问你，
你今天你似乎看着跟着他差了这么点，
其实背后差了这么多。
然后再过一年之后，
你背后又被人家拉了十倍，
然后你看到的这个差距是永远不可能追得上的
。
所有的公司仍然会被自己的业务所定义，
就是他们到底做的是什么，
它满足的是什么样的用户需求，
他们解决的是什么问题，
到底是用 AI 还是不是用 AI 做的，
不是很重要，
因为所有的人都会用 AI 去解决这些。
Hello，大家好，
欢迎回到我们的会员专属节目的第七期，
今天讲为什么我没有加入一家 AI 公司。
这也是在我投票上呼声非常高的，
在 YouTube 上我没有把它放上，
因为它只给五个选项。
可是很多人手动去留言说想呃听这个节目，
然后我觉得这可能也是最多最近很多小伙伴们
的困惑，我就跟大家讲一下吧。
呃，其实答案很简单，
就是你在 iPhone 刚出来的时候，
你会去加入另外一家手机手机公司吗？
就是 iPhone 刚出来的时候，
深圳出来了一百家，可能就是山寨机公司，
不知道有没有一百家，十家肯定是有的。
就是各种各样模仿 iPhone，
这个时候你去选择加入这样一家公司，
那肯定死得非常的快。
那这个时候你做什么是非常有前途的？
你做 iPhone 的应用。
呃，我之前也采访了幻梦，对吧，
Michael？
他就是在那个时候看到了 iOS，
在 iOS 刚刚出来的时候，
就看到了这里边的巨大前景，
然后就义无反顾的 all in。
然后这个时候也肯定有各种各样的问题，
其实我在跟他下聊天的时候也讲。
然后他说我就做 iPhone，
然后就做这个，我就在这个赛道上做。
然后他就做到了一家上市公司，就做的很大。
我在去年三月份的时候去跟雨仙、
戴雨仙聊的时候。
它的人知就是你一个 browser 出来
了之后，
browser 就是我们的浏览器。
你应该做的不是在做一个 browser，
而是应该去做一个网页。
所以类比到我们今天的话，GPT 出来了，
这个时候去一家呃 AI 公司，
或者说是做基础大模型的公司的话。
呃，下场未必会很好。
那这里面还有一个关键问题，
也就是它到底是一个寡头格局，
还是一个开源的天下？
比如说我们过往的 AI，呃呃，
这个开源的论文一发，然后大家调校模型，
然后谁能找到应用场景谁牛逼。
这个时候它会是一个非常分散的，
就是模型本身不构成什么竞争壁垒。
但是在 OpenAI 这里边，
我觉得 OpenAI 会一家独大，
或世界上最多就两三家大模型的底层公司。
这也是我在二月份的时候就已经想得很清楚的
一件事情。
直到现在，
就只是在给这个观点提供更多的论据。
我到现在看都事情都是在绕在这里发展的。
所以说，在去年二月份的时候，一年前，呃，
关注我，然后知道我写的文章的小伙伴，
相信你们这一年看到的事情，
也是不断的在印证这个文章里的观点。
那为什么会这个样子呢？
我觉得，如果说你没有完全看那个文章，
没有看懂，啊，或者说就是你不想看的话，
我帮你解释一下，尊尊尊贵的会员大人们，
呃，
就是所有的技术在发展的时候都有一个 S
曲线。
我们在那个文章的第一个呢，
就是把大语言模型的这个新的发展和过去的
AI 做了一个划分。
就是如果你真的懂技术的话，
你不需要我跟你说这个；
如果你像我一样是一开始不懂这个技术，
然后慢慢自己搞懂的话，
我觉得这个划分还是很有必要的。
过去的模型，
它是在理解这件事情上和 general
这件事情上是有非常非常低的天花板的。
我在过去的我的视频，
就是我两三年前讲 AI 的这些视频，
讲 machine learning 的
这些视频里边，也都把这些模型它的局限、
它的合理的应用场景和不合理的应用场景，
然后它为什么没有智能，
它为什么不可能发发展出来智能，
讲得很清楚。
就包括图灵图灵啊，
Wittgenstein 的这个，
我在三年前就已经讲了。
然后，正是因为我当时总结了这些东西，
我非常清楚的知道它的天花板在哪儿。
然后，
GPT specific 来说是 GPT
，发现它突破了这样一个模型，
它变得非常的 general，
然后它变得具备了一定的这个理解能。
所以说，就反过来去问我们：
我们人类的理解能力到底是什么？
我们人类的智能和机器的智能区别是什么？
在 GPT 出来之前，其实非常清楚。
Machine learning 只能做
data correspondence
，
只能做 pattern matching
，它只能去 fit 一个现有的规律，
它没有办法去推理出来一些呃更怎么说呢？
更需要理解的规律。
然后理解这个词，大家有很多误解，
所以说我在我的那篇文章里边又用乌鸦和鹦鹉
去，这是朱松纯教授的那个例子。
去给大家做了一下相应的呃相应的理解。
你用一个词很难把这个东西讲清楚。
如果你真的想搞清楚大语言模型 GPT 它
的。
不同在哪里的话，
建议还是去看一下那个文章。
第一章花了可能几千个字去把这个东西给
讲清楚，那我这儿就不说了吧。
我觉得也很难简单讲清楚。
总之呢，它有一个，
这个是个 paradigm shift，
它有一个范式突破。
GPT 和之前的模型不一样，
相信绝大多数人今天已经理解这句话了。
也认可这句话了，就是我在刚刚写的时候，
很多人还不认可啊，但是现在很明显，
所有的人都已经知道了 GPT 是一个完全
不一样的东西。
那一个范式突破之后呢，
随之而来的是一个 S 曲线，
就是它的这个发展呢，
在一开始是这种怎么说呢？
就是它的加速度是低的，然后加速度会变高，
然后它会进入一个指数发展的阶段，
然后最后差不多到了潜力挖尽的时候，
它又会进入一个速度比较慢的这种发展。
那我们看到历史上的很多很多的呃科技都是
这个 S 曲线发展的，
这也是 OpenAI 的这个 Greg
他去给大家讲的时候说了，
就是我们的计算机其实经历了五次 S 曲线
的发展才到了我们今天这样子，而不是一次。
就是你真正看底层的技术的话，
起码有五次这样的 S curve 的这种
呃发展。
那大语言模型现在就是处在 S 曲线的这个
指数上升的阶段。
我当时不是说还要做一期视频嘛，
但是因为没有找到合适的人去跟我一起讲，
我就没做。
但是我这简单说一下我的观点吧，
和我跟大家交流的综合的观点，
我们这儿就不展开去多说，
或者说是要充分论证这件事情。
但是起码我觉得值得说一下的，就是第一呢，
你的大模型本身是一个非常高工程难度的事情
，所以说这里边的工程积累是很重要的。
OpenAI 的工程能力是非常强，
它拿数据的能力也是非常强，
它清理数据的 know how 也是非常
强。
我们跟 Scale 的人聊过，
就是在 2019 年、
2020 年的时候，
OpenAI 去标注数据都是找那种非常
非常呃就 PhD 背景等等人，
有自己一套非常独特的标注数据的方法。
呃，而不是像市面上所有的人去找一堆外包，
然后让你去选，
然后再有个 auditor 去看，
做一些简单的标注。
在那个时候，
他们就已经知道这个事情应该怎么做，
和做很不一样的事情了。
大家不要忽视这种底层能力、
底层认知的积累，
以及他们为了完善做出来这件事情所积累的
那个工程能力。
GPT 就是人类历史上最厉害、
最复杂的工程系统之一。
你虽然它是一个软软件工程，
但是其实它的 moving parts
非常之多。
呃，在这种情况下，不要小瞧复刻它的难度。
我自己在也在视频里面有说，
就是那个抬头是国国产大模型有戏吗？
然后封面图是国足能进世界杯吗？
所有人都会踢足球，
但是你要踢进世界杯是非常非常拿世界杯冠军
是非常非常难的。
不要觉得无非就是这个，无非就是那个，
似乎你就可以做了。
其实不是的，这里面真的不要低估它的难度。
你造一架飞机也好啊，或者做一个芯片，
技术原理大家都懂，
原子弹 whatever 是吧？
但是能把它做出来的就是非常非常少的，
因为这里边的工程难度是非常高的。
然后我在另外一篇视频或我的文章也讲了，
就是我的 decision tree 是
看。
Google 作为一个算力最强、
数据最多，然后工人才密度最高的一个公司，
它到底花多少时间能复刻 GPT 三点五和
复刻 GPT 四？
如果说它能在六个月之内做到追上
OpenAI 的话，
那说明这个难度虽然高，但是不是太高。
如果说它六个月做不到的话，
说明这个难度真的很高。
现在一年过去了。
我们看到，
就是大家有很多人 claim 自己可以到
三点五，但是很少有人真的能到四。
尤其是，
然后大家要又要知道这里边
evaluation 的难度，
就是你是从它的一个表象里边去推及它内层
底层大模型的真实水平。
这个其实是非常非常难的。
我在那个视频里面也有说，
就是你一个傻逼和一个非常非常睿智的人说
出来的可能是同一句话，
但是他们驱动他们说这句话的所有的认知啊、
底层的这些思考、人生的经历，
可能是非常非常不一样的。
所以说，
你去通过他说的这句话去推测下面的这个模型
本身的能力，本身就很难。
然后在这种情况下，
你还能看到非常明显的差距的前呃，
非常明显的差距。
那我们要抱有一个默认的认知，
就是 GPT 四很难。
那这个是它本身的难度。
你做出来 GPT 四了以后，
你的发展速度是变得更快的。
为什么不是因为说你可以用 GPT 四帮你
干什么事情？
这个重要当然可能不重要，
重重要的是你有一个 end to end
的结果，
你可以用你的这个结果为导向去指导你到底
前面怎么做。
比如说你在成本上，你现在知道了，OK，
这个是好的结果。
那我有什么支我是可以减的？
我如何把这个模型去 dense 的？
我在那个文章里面也说了，就是呃，
GPT 的呃 GPT 的推理成本一定会
指数指数下降。
然后我们那个文章写的时候还没有出 GPT
四呢，
三点五那个就是 Turbo 都没有出。
然后瞬间就就发了 Turbo，
然后推理成本直接直接呃直接直接十分之一，
然后四很快又出了，
然后最近四是 Turbo，
然后它自己的成本又下降。
所以说现在就是就是很明显，
就是这个指数十倍下降，
大家没有理解这件事情有多么的可怕，
和这件事情是注定接下来一段时间都会一直
发生的。
所以说，你可以想象，
OpenAI 去做 GPT 的时候，
或者做任何一个大语言模型的时候，
它的成本都会是数量级的下降，
就是可能每过十二个月也好，十八个月也好，
直接降十倍。
那你他妈怎么跟他打？
我问你，就是。
你第二名再怎么往前追，
你也比他的成本高十倍，你怎么跟他打？
这是成本。
然后你的这个 loop，
包括你的训练时间。
就大模型最难追赶的东西是什么？
就是你每次的实验和训练的时间太长了。
这个钱是可以烧出来，
你可以比他多十倍的钱去烧。
但是问题是，
人家知道怎么样子花十天去测出来一个。
方向你不知道，你只能花三十天、
五十天测出来一个方向。
人家知道，人家调集了这样的工程能力，
有这样的算力和协调这个算力的能力，
去三十天跑出来一个成，跑出来一个版本。
你磕磕绊绊四十五天跑出来，
中间还有可能失败。
然后人家是知道有一个明确的目的的，
说我知道优化的方向大概是在这里，
我朝这里去优化。
你不知道，你在四处搜索，
你根本不知道这个空间是几维的。
然后你可能要试三遍才能试，
或者试试三十遍才能试出来。
人家试一遍的效果，
那人家的迭代速度又是你的十倍。
那这个时候，请问就是人家的成。
成本下降能力是你的，呃，
成成本下降成本是你的十分之一，
人家这个迭代的，
就是朝着正确方向迭代的速度是你的十倍，
然后人家又有一个巨大的用户群，
就是他每次的增加，
它的 incremental 是有巨大
意义的，它可以 power，
无论是通过微软也好，通过自己也好，
通过特斯拉用户也好，
就是已经有了这么多用户，
又能给他不断的反馈支持他去进行这里边的更
强，就是它的。
正反馈又是你的十倍，那你怎么跟人家打嘛？
你怎么跟人家打嘛？
就是你有你是 Google 都不一定打得
过人家，你剩下的那些公司到底就凭啥？
就是大家对这件事情，我我是想不，
我是想不明白，就是大家是怎么想的？
就是怎么想着自己一个开源模型可以去跟
GPT 竞争的？
就是 Tell me，
只是因为过去的 AI 的开源模型比呃呃比
闭源模型就差不多吗？
但是这个玩意儿就是。
就是 OpenAI 它不是一个开源模型啊
，
就是它是一个巨大的工程项目和巨大的
商业模式。
你开源模型在过去就是那个模型真的重要吗？
不重要，那 paper 大家看了，
然后那个模型没有什么壁垒。
现在这个工程、
这个数据和这个商业模式都已经形成了巨大的
壁垒和飞飞轮效应的情况下，
凭什么你觉得你做一个开源模型，
然后去找等应用能追得上人家呢？
就是你今天你似乎看着跟人家差了这么点，
其实背后差了这么多。
然后再过一年之后，
你背后又被人家拉了十倍，
然后你看到的这个差距是永远不可能追得上的
。
这是我的观点啊。
那在这个观点之下，你作为一个商业公司，
你应该干什么？
你就是应该去使用 GPT 嘛。
所以说我走之前，
我给腾讯说的这个观点就是：
你不要去想什么自己开源模型了，
或者用开源模型啊，或者自己研发什么的，
什么国产替代啊，就用 GPT。
用不了 GPT，你最后就是被淘汰。
就是今天不会，五年后、十年后，
别的那些使用 GPT 效率比你强一百倍、
一千倍的那些公司可以打败你。
他们今天比你强十倍，他们打败不了你，
因为你的这个呃，就是网络效应太强了。
但是当别人比你强一百倍、一千倍的时候，
别人就有这个机会了。
好，说回来啊，
就是我们现在就是 GPT 大约模型是在
S 曲线的指数增长的上面，
所以说 OpenAI 的差距会和它的追赶
者们越拉越远，因为它的成本。
是十分之一，它的迭代速度是十倍，
然后它的商业的这个正反馈是十倍，
很简单的一些呃观察。
Until proven
otherwise，
这不是就是我有 strong
opinion，
但是我一直 weakly held，
除非有人告诉我说你错了。
希望大家如果觉得我错了，告诉我错在哪儿，
然后我去修正我的观点。
但是我的默认的现在的观点就是我的潜意识、
我的内化的观点就是它是在指数上升，
它的差距会越来越大。
呃，所以说在这种情况下，
那干嘛要加入 AI 公司呢？
或者说加入一个什么样的 AI 公司呢？
那就呃，又回到了 Howie，
我跟他做的一期视频里边，
我这个观点我也很认同，或者说所有的人，
就是这里边有认知的人观点都是这个样子的，
包括 Sam 自己本人也在那一天。
也说呀，
就是说 agent 是真正的机会。
Greg 也是这么说的，
就是要去做 agent。
agent 被低估了，
就是这些最有认知的人天天反复在说的东西，
反而大家不听或者不做，我也不知道为啥，
就反而去做 A P G P G 套壳。
就回到 GPT 套壳，
你模型之之所以现在有很多 GPT 套壳，
是因为那个模型还是一个呃试用版，
还是一个 preview，
还是一个 beta。
当它的真的把这个模型能力补强了，
然后它的 retrieval 做好了以后
，这些套壳公司完全没有必要，
因为你套壳套的那些所有的就是这个点。
都可以被一句话去取代，
就是你跟 GPT 说一句话，
它很好的理解了哪一图，就可以把结果给你。
那这个时候你在上面做的那些
interface，
用 GUI 去做的各种各样的
interface 去固定一些
prompt 套路，就是没有意义的，呃。
因为你的这个速度永远不会有它模型的速度快
，
就是大家 again 仍然是对这个模型的
指数增长缺乏一个概念。
你今天做的所有的人在上面的修修补补的努力
，都可以被模型能力提高十倍，
在一年之后给颠覆掉。
所以说，套壳公司我真的也都不是很看好。
呃，就是你短期也许是行的，
但是一年之后你就发现，哦，
GPT 五出来了，然后你就傻逼了。
嗯，
就就 GPT Store 这些事情已经
一地一次一次颠覆了大家，
然后大家一次一次还是不长记性，
所以说那就就这样吧。
啊，回过来了就是。
嗯，做做 agent 是是很有用的。
这个 agent 是什么意思呢？
呃，就是我一直在很多频道里边也说了，
我希望出现的第一个杀手级应用是一个
GPT 医生，
因为我们其实挂号挂一个好的专家号是非常难
的，专家号真正的高级的专家号也是很贵的，
然后绝大多数的医生的医术其实不行。
他在问诊啊，或者说给出综合建议啊，
因为其实真的治病到后面是一个非常吃
research 的东西。
如果大家去听 Huberman Lab
就知道，哪怕是最简单的，
就是一个 tap water，
就是你能不能喝自来水。
这种事情其实你都是需要一个非常强的医疗
背景，然后对人体非常了解，
你才能给出一些答案和给出对应的建议。
就更不要说你生了一个病，
然后这个病到底怎么治对你最好。
这么复杂的事儿了。
我自己的例子就是我的左腿的，呃，
当时踢球踢断了韧带，
但是给我诊断的那个医生，
他让我拍 X 光，
没有拍 M 呃核磁共振，
然后他就没有看到我的韧带断了，
然后我再去啊按照他的建议恢复，
然后再上场就直接完全撕裂，
不得不做韧带的复健手术。
其实世界上的庸医比大家想象要多很多，
或者说整个医生的 median 的水平是
非常之差的。
GPT 很容易就能超过这个 median
的水平。
尤其是在 GPT 开放了
Alignment 接口，
它可以去读很多案例库，
然后它可以去根据这些案例库，在有一些。
就是对应的呃 alignment 之后，
他一定会成为一个非常非常好的医生，
然后这个非常非常好的医生能救很多人，
他能给出非常非常好的医疗建议，
很快就可以发生嘛，
一两年之内就可以发生的。
我希望这是 GPT 的第一个 super
app，所以说像医生啊、律师啊，
或者说你其他的就是，
比如说我的拼酒师朋友，
我就希望他两年之后就有一个 GPT 去
代替他给每个人提出啊，这个就是。
葡萄酒应该你你要吃什么你要干什么，
然后给你相应的呃你
personalize 你会喜欢的这些
建议。
我相信就这就是 agent，
就是我前面在视频里也说了，
就是把智力分发的成编辑成本降为零，
让一个之前。
特别牛逼的专家，
他有他有很强的 human
capital，
然后他可以无限分发他的智力。
比如说，我是一个数据科学家，
我可以去用一个我自己精调出来、
align 出来的，不是精调，
不是 finture，
align 出来的学习好的呃的这样的一个
agent 去帮我给很多公司打工。
这是一个抽象的说法，
未必未来的商业模式和合作模式、
雇佣模式应该不是这个样子的。
但是，总之，就是一个特别牛逼的人，
他不再受自己的时间和精力限制了，
他可以同时去把自己复制一百万份、
一千万份，去给所有人打工。
去发挥它的 human capital
的作用，这就是这件事情的意义。
然后这件事情不是跟 GPT 本身相冲的，
因为 GPT 它是为了底层模型，
它要 general，
它的这个 general 上越来越聪明。
如果说你做的这个东西，
一个聪明人随时都可以做的话，
那就让 GPT 去做好了。
如果你要做的这个东西是这个人足够聪明之后
，你还有很多非共识的东西，
你有很多独特的点，
你有自己的批判性思维等等。
我又在我的呃那个文章里边去说了，
人和 GPT 本质区别，
或者说 GPT 达不到的东西是什么？
因为 GPT 它永远是要从人类知识的中。
中间去学习，
所以说他哪怕可以学习到非常的聪明，
他的智力能达到一个非常高的水平，
但是他有很多 opinion，
然后他有很多具体的这个。
怎么说呢？
就比如说审美是一种 opinion，
比如说什么东西重要是一个 opinion
，你应该做什么是一个 opinion，
呃，你的这个思路就是我信信仰，
这也是一种 opinion。
就这些东西它是没有办法取代的。
你喜欢什么，
这个是你自己的 opinion。
我觉得你喜欢什么，这个是我作为一个。
Whatever，
就是做任何业务都需要了解的。
我的用户喜欢的是什么？
这也是搞偏的。
你作为模型是很难直接从这呃从那这个用户要
extract such
information 的，
那你就需要一个人去按照他对于这个世界的
理解去告诉这个模型大家的大家的偏好是什么
，
那这都是呃就是 GPT 所取代不了的人
独特的意义。
那我觉得在这里边做事情才是有意义的，
或者说你现在做到三年之后才是有意义的。
那回过来为什么不参加一个 AI 公司？
就很简单，
就是 iPhone 出来了以后，
不会去一个另外一个做三山寨手机的公司了。
那为什么来 Static 这样一个公司呢
？
第一，它在 AI 的时候不会被取代。
无论你的决策是什么样的，就像我刚刚说，
AI 不能取代人去做那个关键决策。
更重要的呢，
是它底层中人需要做的那个关键决策，
需要的 counterfactual，
需要的这个因果推断，需要因果推断的证据。
AI 是没有办法自己生成的，
就是人也没有办法自己生成。
你让再聪明的人，你问他，
如果你不做这个会发生什么，
他其实没有办法告诉你。
其实我们每一天呢，
都会在用我们的思思考思维去模拟去
simulate 这些东西。
这又是一个很深的话题了，
就是因果关系其实是个非常非常深的问题，
可能是哲哲学中最核心的观点之一。
但是我一直内化一个这样的观点，
也不是一直内化吧，就是我随着时间，
我现在内化了一个这样的观点，
就是我们每天都在自己的通过大脑的自己的
思考。
来去寻找因果关系，
然后我们这里边可能百分之九十都是错的。
就比如说今天、明天特斯拉会涨会跌，
大家会知道到底是真是假吗？
然后我们百分之九十的这种因果推断都是错的
，我们的归因是错的，
然后我们去 simulate 这个各个
场景得到的结果也都是错的。
所以说，呃，在这种情况下，
实验就特别特别的重要。
实验是我们得到知识的最可靠的途径。
有一个 saying，
我觉得其实很有道理，
就是 If we have data,
let's talk about
data. But if all we
have is opinions,
let's listen to my
opinions. 就是凭什么要
listen to 你的
opinions 呢？
大家都是 opinions，
大家都没有 data 的时候，
谁的 opinions 是正确的呢？
那我当时觉得我的 opinions 是
正确的了。
嗯，所以说，
data 或者说 experiment
的这个结果才是我们的真知。
你多少个 expert 来说这件事情都
不如一个 data 重要。
那在这种情况下，就是呃，
实验就变得特别特别的重要。
绝大多数公司的数据程度并不能被 AI 很
好的去呃支持，
因为他们连最基础的数据都没有。
他们不光没就没有基础的数据，
就是他们要做什么，他们不了解他们的用户，
他们从用户那里得不到一些真实反馈的数据，
然后他们连自己核心的 business
metrics，除了盈利、除了收入以外，
他们其实也不知道，
就是他们怎么样子去满足用户，
用户在哪怕是一个 app。
就是用户下单了，那说明 OK，
用户能用你这个 app。
但是用户的这些行为，
到底哪些是 indicates 是好的
行为？
比如说在 search 什么东西的
search 结果是好的，
我在美团上 search 我要吃的东西，
那我什么样的行为告诉美团我我这个
search 成功了，
或者说这个 search 是我喜欢的？
其实这些东西真的稍稍走进一点细节的话，
就会发现，
大多数人对数据的理解实在是太太太浅层了。
大多数人其实根本就不知道自己的指标如何去
反映自己的 goal，
然后这里面的做法还有各种各样的问题。
就是你最后绝大多数百分之九十九的人会犯的
错误，都是去追逐那个指标，
而不是去用那个指标去 measure
goal。
所以在这种情况下，就是我选择来这里。
我觉得他还有很多很多的事情可以做，
他可以帮助大家把数据的基建给搭好，
他可以帮助大家更好的理解用户，
然后帮助大家更好的去产生实验的结果，
产生。
产生这些 counterfactual，
然后我相信，
如果未来 AI 它真的有推理能力的话，
这些 counterfactual 的
数据会是非常非常重要的啊。
所以其实我们马上应该也可以说了吧，
就是 OpenAI 也是我们的大客户啊，
对，就是。
在最大的客户之一，
而且我们也是 OpenAI 非常重要的
一个工具之一，包括 C 点 AI、
Anthropic 这些公司，
全都是我们的众多用户。
所以说，
新一代的用户 AI 公司是非常注重实验和
非常注重用实验驱动他们的产品
development 和迭代的，
因为他们不知道自己的用户，
他们他们意识到自己不知道自己的用户到底是
怎么使用他们的产品的，
他们需要通过数据和实验去告诉他们这件事情
，然后他们就选择了我们的产品。
呃，这也就是为什么我会来。
啊，
我觉得它在就是未来 AI enable
的这个时代里边，会是一个非常非常重要的。
呃，一环，以及其实就像浩宇老师说的，
就是现在没有一个公司说自己是互联网公司，
因为所有的公司都是互联网公司，
在未来也不太会有什么公司说自己是一个
AI 公司。
所有的公司仍然会被自己的业务所
define，就是他们到底做的是什么，
它满足的是什么样的用户需求，
他们解决的是什么问题，
到底是用 AI 还是不使用 AI 做的，
不是很重要，
因为所有的人都会用 AI 去解决这些问题
，就像所有的人今天都会用程序、
用互联网去解决问题一样。
好的，
以上就是我为什么去没有选择加入一家 AI
公司的一些思考了。
呃，那篇文章放在下面，
大家有兴趣的话可以去看一下。
希希望这期节目吧，
对屏幕前的你也有一些启发。
如果你有什么想探讨，尤其是想辩论的，
想指出我错误的地方，欢迎在下面给我留言。
那这期视频我们就到这儿，下期见，拜拜。