Alex Wang：很高興來到這裡。

Alex Wang：這很有趣。尤其是在當下，OpenAI 自 2022 年秋天開始就推出了 GPT-4。從那時開始，我們到現在還沒有看到一個新的基礎模型或比 GPT-4 更驚人的新模型，我們沒有看到 GPT-4.5、GPT-5，或者有其他實驗室推出比 GPT-4 好得多的模型，儘管算力投入增加了非常之多。

自從 ChatGPT 推出以來，你可以看到 NVIDIA 的收入圖表，它在 GPT-4 推出後直線上升。NVIDIA 的資料中心收入從每季度約 50 億美元猛增到現在每季度超過 200 億美元。所以，在相同的時間內，已經有數百億美元用於高階 NVIDIA GPU 的支出。GPT-4 是在 NVIDIA 上花費激增之前推出的，在這一時間段內，我們還沒有看到自 GPT-4 以來的重大突破。

總體來說，我們看到算力投資現在呈指數級增長。但是我們作為一個社群和行業，還在等待下一個偉大的模型。

Alex Wang：AI 模型有三個組成部分：算力、資料和演算法。

AI 的歷史是這三個支柱一起發展而建立起來的。你需要大量的計算能力，也需要像 Transformer 或 RLHF 這樣的演算法進步，或者未來的演算法進步。你還需要資料這一支柱來支援它。我認為我們最近看到的效能停滯可以用遇到資料瓶頸來解釋。

GPT-4 是一個基本上訓練了整個網際網路並使用了大量計算能力的模型。我認為過去幾年行業所做的很多事情是大幅度提升計算，但沒有同時建立其他兩個支柱。所以我們需要更多的演算法改進，但重點是我們需要確保有更多的資料來支援這些改進。

Alex Wang：簡單來說，我們已經用盡了所有容易獲取的資料，包括網際網路上的所有資料和常見的爬蟲資料。

Alex Wang：容易且免費爬取的內容、透過下載獲取的內容，總之就是任何已經記錄下來並且能夠從開放網際網路上簡單獲取的內容。之後，AI 的很多改進都來自於預訓練的進步。這基本上就是訓練這些模型，讓它們非常擅長模仿網際網路內容。現在，這些模型在模仿網際網路內容方面做得非常好，甚至超過了人類。

但是，當我們去想象 AGI 或強大的 AI 系統時，我們想要的不僅僅是模仿網際網路內容。我們需要的是能夠執行任務、解決難題、與人類合作應對日常問題的 AI 系統，但我們無法僅透過網際網路資料來實現這樣的想象，並且我們已經幾乎用盡了網際網路上的資料。

Alex Wang：簡單的答案是，當人類在做更復雜的任務時，他們經歷了很多思考過程，但這些並沒有寫在網際網路上。比如，一個銀行的反欺詐分析師（fraud analyst）在分析可疑交易時，需要分析各種不同的資料片段，並運用推理和人類智慧來做出決定，比如看了一些資料然後基於此推斷出了某些結論。但這個過程並沒有寫在網際網路上供模型爬取。可以說，今天推動經濟的所有推理和思考都沒有寫在網際網路上，所以如果你只是利用網際網路資料訓練模型，它是無法從這些資料中學習出來的。

Alex Wang：我認為，我們現在需要的是前沿資料（frontier data）。我們需要擁有豐富的前沿資料來突破現有的資料稀缺、面臨資料瓶頸的限制。這種前沿資料包括複雜的推理鏈、討論、模型代理鏈、工具使用等關鍵元件，這些資料都需要被封裝到前沿資料中，以提升模型的能力。

Alex Wang：主要有三個途徑。首先，很多企業內部都擁有大量的專有資料，但由於種種原因，這些資料都沒有上傳到網際網路上。摩根大通的專有內部資料集是 150PB，而 GPT-4 是在一個不到 1PB 的網際網路資料集上訓練的。大型企業內部存在的資料量絕對是天文數字。

因此，一種獲取途徑是挖掘所有這些現有的企業資料，併發掘其中所有的優質資訊。這些資料量非常巨大，我們可以挖掘這些現有的企業資料，獲取其中的價值。

其次，雖然這些資料是專有的，但我們可以將其定製交付給需要的客戶。最後，我們需要透過一系列的過程來提煉和使用這些資料，以解決企業面臨的實際問題。

Alex Wang：沒錯。這隻能是每個企業經歷這樣一個過程，比如我的企業有一系列非常重要的問題，然後我需要挖掘我所有現有的資料並提煉它們，以用於 AI 系統來解決企業自己的問題。

Alex Wang：我認為，這些模型在被大量資料訓練的基礎上非常擅長推理。然而，人類智慧和機器智慧存在很大的差異。人類具有非常通用的智慧形式，能夠適應環境、自我調整、瞭解周遭發生了什麼，而今天沒有任何 AI 系統能夠做到，我們必須意識到這是一個限制。

這意味著，對於我們希望這些模型表現良好的任何情況，我們都需要有該情況或該場景的資料，我們需要為模型提供足夠的資料來支援其在各種情境下的推理能力。實際上，如果模型擁有足夠的資料，它們將能夠在各種情境下表現出色。

所以，解決推理差距的問題可能有兩種方法，一是建立某種通用的推理能力，一旦建成將會是一個巨大的突破；二是從資料角度讓每一個場景下都有足夠的資料來支援模型的訓練，你只需要在所有這些場景中用資料淹沒它們，就會得到推理能力很好的模型。

Alex Wang：是的，我認為你的觀點很對，我們需要產生新的資料。為了從 GPT-4 發展到 GPT-10，我們需要找到新的前沿資料的生產方式。以晶片為例，我們需要建造更多的晶圓廠，提高解析度、製造出奈米級的元件。談及計算能力的提升，我們很自然地會想到增加生產資料，但我認為在資料上我們沒有想到要增加生產資料，我認為需要改變這種觀念。

生產資料的過程其實是一種混合的人工合成過程。我們需要演算法來完成大部分繁重的資料合成工作，但同時也需要人類專家的輸入和指導，以便在 AI 系統遇到問題或者遇到特殊情況時提供幫助。

自動駕駛的規模化就很好地說明了這一點，很多時候都是依賴安全駕駛員的。在車裡配備安全駕駛員，當汽車出現問題時，安全駕駛員可以接管控制，AI 系統也需要這樣的設定。我們需要 AI 模型來生成大量資料，同時也需要人類在必要時接管並調整模型，以確保資料的質量。

Alex Wang：是的，我們可以稱他們為「AI 訓練師」（AI trainers）或「AI 貢獻者」（AI contributors）。我很想說，向 AI 貢獻資料的工作實際上是人類可以擁有的最具影響力的工作之一。比如說，我是一名數學家。我可以選擇獨自研究純數學，這是我生活的一條軌跡，但我也可以選擇利用我所有的技能、才能和智慧來幫助 AI 模型變得更聰明。

比如說，我可以讓 GPT-4 在數學方面變得更聰明一些。如果我把這一點改進應用到 GPT-4 的每一次使用中，考慮到所有將使用 GPT-4 的數學學生、公司和開發者，那將產生巨大的影響。因此，作為人類專家，你有能力透過生產資料來幫助改進這些模型，從而對整個社會產生影響。

我們看到的是，對於科學家、數學家、醫生以及世界上的所有人類專家來說，這是一個非常令人興奮的提議，他們可以把自己的能力、智慧、訓練等所有這些都傳輸到一個模型中，而這個模型將對整個社會產生影響。

Alex Wang：我認為這是一個需要兩方面並行努力的情況。一方面是挖掘現有資料，這無論如何都會是一次性完成的工作。從挖掘所有現有資料中，你將獲得一次性的收益，這可能是非常有意義的。

Alex Wang：我不認為每個人都會，但最先進的公司肯定會。然後我們將到達一個仍然需要改進模型的地步，最終這一切都歸結為資料生產。你需要什麼樣生產資料來服務你下一步的資料生產，就像你在晶片領域的前瞻性生產一樣。

Alex Wang：另一個是推動資料生產。資料探勘與推動資料生產是資料來源的核心方向。從更廣泛的角度來看，我認為很多 AI 進步的瓶頸在根本上更多是由於資料，隨著 NVIDIA 繼續製造價值數千億美元的晶片，如果我們能夠在獲得越來越多晶片的同時，按比例生產相應數量的資料。如果我們能夠同時生產這兩者，那麼我們將獲得超越想象的更厲害的模型能力。

Alex Wang：可能主要有兩個方面。一方面是像 Limitless 這樣的努力，這基本上是更多的縱向資料收集，收集世界上自然發生的更多事情。另一方面在工作場所，可能會有某種對類似「正在使用什麼應用程式」的持續資料收集，使用應用程式的順序是什麼，把一個東西從哪裡複製到另一個地方。

Alex Wang：是的。這是流程挖掘，SaaS 中的一個術語，基本上就像是對現有企業流程的持續收集。然後是消費者的角度，有點像你所提到的，對你自己生活的縱向視角的收集，比如戴一個 Meta Ray-Ban。然後就是必須致力於讓人類專家與模型合作來產生前沿資料。

我所提到的兩種途徑，無論是企業流程挖掘，還是消費者資料收集，這些都將產生有價值的資料集，但它們不會產生實際推動模型前進的資料。

因為要推動模型提升，你需要非常複雜的資料，這就是你需要代理行為、複雜推理鏈的地方，這就是你需要高階程式碼資料或可能的高階物理、生物或化學資料的地方，這些才是真正需要推動模型邊界的東西。

我認為這是一個需要全球基礎設施級別的努力，我們需要使之發生。就像我認為我們需要考慮如何讓世界上的專家與模型合作，幫助產生將成為世界上最好的科學家的 AI 系統，或者成為世界上最好的程式碼員或數學家。

Alex Wang：我認為你的觀點很對，如果你考慮一下這些不同的模型提供商之間的競爭領域，我認為資料實際上是出現真正持久競爭優勢的主要支柱。

因此，如果考慮他們在大型語言模型（LLM）競爭中的護城河在哪裡，我認為資料是少數幾個可以產生可持續壁壘的領域之一。因為演算法是 IP，但總會在某個時候被整個行業瞭解；你可以擁有比別人更多的計算資源，但別人只需花更多的錢就可以購買同樣的計算資源。而資料是僅有的可以真正產生長期可持續競爭優勢的領域。

Alex Wang：沒錯。我認為這是開始將資料視為護城河的一種思維方式。《金融時報》、Axel Springer 是第一個跡象，但在未來，這些實驗室會考慮很多問題，比如，我要用什麼資料來與競爭對手區分開來？我將如何生產這些資料？以及這會創造什麼長期持久的優勢？

我們一直在談論圍繞模型商品化的資料，實際上我預計，我們將看到公司開始制定資料戰略，從而隨著時間的推移在市場上創造更多的差異化。

現在在舊金山，研究人員和大公司的 CEO 們吹噓他們有多少 GPU，他們對 AI 的重視程度的最大指標就是他們擁有多少 GPU。

但我認為在未來，他們會吹噓自己能夠訪問哪些資料，生產了多少資料，以及對不同資料來源的獨特權利。我認為這實際上將成為未來競爭的主要領域。

Alex Wang：未來有兩種可能。一種是，即使資料戰略很快也成為商品化的東西，不同的實驗室也會互相抄襲，或者最終都朝著同一個方向發展。

Alex Wang：是的，不同的實驗室需要制定戰略來生產他們獨特的資料集。比如說，Anthropic 正專注於很多企業用例，也許他們需要制定一個數據戰略使他們能夠獲得極大差異化的新資料訪問權，以支援這些企業用例；或者也許 OpenAI 與 ChatGPT 需要制定一個獨特的資料戰略，讓他們能夠利用他們擁有這麼多使用者和這麼大影響力的事實。未來，各個實驗室將需要依靠他們獲得專有和差異化的資料的能力。

Alex Wang：這是一個非常有趣的問題。當我們與這些大型企業和企業內的領導者交談時，他們會很快意識到，他們的企業資料可能是他們在 AI 世界中唯一的競爭差異化因素。他們會非常謹慎，如果他們達成一項交易，而他們的所有資料不知何故被模型開發者獲取，或者以某種方式共享，那麼他們可能會葬送掉企業的整個未來。

實際上，我認為無論是開源模型、Llama 模型、Mistral 模型還是其他模型，都存在非常大的機會。這些模型可以在本地執行，企業可以獲取並根據自己的資料進行定製，因而它永遠不需要回到模型開發者或雲端等任何地方，我認為這裡有巨大的未被滿足的需求。這實際上是大多數認真對待的企業將要走向的方向：我需要確保我的資料不會以任何方式被用來提高我的競爭對手的能力。

Alex Wang：首先，人工智慧肯定會帶來很多價值，但價值獲取在哪裡是一個關鍵問題。安迪·格羅夫的《高產出管理》中有幾章是關於英特爾的，一開始我們認為它是最大的價值獲取的地方，但後來我們意識到，價值將在堆疊的其他部分，不斷遷移。我大約在十年前讀過它，我當時覺得這很奇怪，而現在在人工智慧領域，你再次看到了這一點，因為它是如此新穎、新生，堆疊中確切價值的產生在不斷變化。

我認為模型本身存在很多競爭，我不知道模型本身到底有多少價值，但我對模型之上和模型之下的所有內容都很有信心，那將會很有價值。對於基礎設施，NVIDIA 是今天建立在 AI 基礎上的最大公司，他們是市值全球 Top 的公司。NVIDIA 是在模型之下的公司，而在模型之上，所有這些應用程式和服務都將建立在它的基礎上。

Alex Wang：是的，我們對這個問題的看法來源於一篇在軟體領域廣為流傳的文章。我認為這是一個故意引起爭論的觀點。

Alex Wang：文章作了一個非常巧妙的比較，他將今天的軟體公司與社交媒體興起前的傳統媒體公司進行了比較。在媒體的舊時代有很多了不起的、高階的媒體公司，裡面有專家生產非常有差異化的內容，但隨後被社交媒體和網際網路廣泛顛覆，因為內容分發成本突然大幅下降。媒體消費的世界變成了一個非常廣泛和多樣化的集合體，你會消費任何你覺得有趣的人制作的內容，這更像是按需消費，而不是大型媒體生產者的封閉花園。

這基本上與即將發生在軟體領域的情況相似，現在的企業生活在一個由少數軟體提供商組成的封閉花園中。現在隨著生成式 AI 和所有這些其他趨勢的發展，他們將擁有這些不同的應用程式和特定解決方案的集合體，以及通往各種軟體提供商集合體的門戶，我們將從當前較小數量的封閉花園 SaaS 應用程式的世界轉向更加分散的宇宙。

Alex Wang：這是故意在引起爭論，但我認可其中的一點，我確實認為企業和整個世界都將要求更高水平的定製。第一家朝這個方向發展的科技公司是 Palantir。他們長期以來一直名聲不好，因為每個人都認為 Palantir 只是一家諮詢公司，但 Palantir 的認為自己要做的是進入企業，準確瞭解他們的問題是什麼並幫助他們構建完美的應用程式，將他們的所有資料連線起來。如果能做到這一點，那麼我們構建的東西將比任何其他軟體提供商能夠提供的產品更有價值。

顯然，他們在生成式 AI 和所有將使其更加可行的工具出現之前就已經這麼做了。我確實認為這是一個世界發展的趨勢，尤其是現在軟體生產成本和軟體建立成本大幅下降，我們將走向一個世界，越來越多企業使用的軟體將針對特定的問題進行定製和專門構建。

Alex Wang：是的，我認為軟體工程總體上將發生巨大變化。開發人員今天花費大量時間做的很多事情，隨著模型在編碼方面變得越來越好，他們將來不需要再花時間了。但他們所做的工作中有很大一部分是不可替代的。

隨著時間的推移，我認為尤其有價值的是，我客戶的問題是什麼？或我需要解決的問題是什麼？然後將這些問題轉化為工程問題，接著由 AI 工程師來解決。

Alex Wang：Per seat pricing 在未來沒有意義的原因是，在當今的企業中大部分的生產工作都是由員工完成的。但在未來，你可以想象越來越多的工作將由 AI agent 或 AI 模型完成，那麼 per seat pricing 就真的沒有意義了。

作為軟體提供商、解決方案提供商，你希望確保你捕捉到了你提供給人們的價值，以及你的 agent 或 AI 系統產生的價值。這將使世界的定價方式從感知定價轉向基於使用量的定價。

Alex Wang：這是一個非常重要的問題，我們在歐盟看到的確實是對資料非常嚴格的監管方法。我個人認為，更寬鬆的資料監管與自由民主並不矛盾，更自由的資料訪問條款與自由民主是非常相容的。社會需要找出正確的平衡，並找到解決這個問題的方法。

但我認為這是一個非常重要的問題，因為美國在確保不減緩晶片的生產方面已經付出了巨大的努力，包括監管層面的。我們需要對資料採取類似的視角，從政策角度來看，無論是在美國還是在英國，我們需要考慮如何確保國家不會在未來的資料生產中束縛自己的手腳。

Alex Wang：首先，我認為有一些大型資料集不會給特定參與者帶來專有優勢，這些資料集需要被集中起來，並向整個行業開放。

舉些簡單的例子，比如說航空航天領域的安全資料，這顯然是個熱門話題。但是為了推動整個行業的進步，航空航天領域的安全資料應該被集中彙總。或者我之前提到的金融服務中的欺詐和合規問題，這些資料也應該被彙總起來，以建立更強大的能力。所以我認為，在整個工業領域中，應該有一定程度的資料彙總，以推動整個行業的進步。

而且我認為，在許多面向消費者的領域，我們需要解決許多現有的限制以確保他們不會阻礙 AI 的進步。

舉例來說，醫療保健領域的 HIPAA 法案（健康保險流通與責任法案）以及所有的個人身份資訊（PII）和其他限制目前或多或少會阻止患者資料被用於訓練人工智慧模型。

但我認為，作為文明社會我們確實希望從所有現有的醫療資料中學習如何治癒人類疾病。因此我們需要找出解決方案，比如，我們要如何明確匿名化條款或者找出一種明確的方式，讓我們能夠利用現有的患者資料來改善未來的健康狀態。

Alex Wang：我們所看到的基礎模型競爭的核心是成本，現在成本非常高昂。這些模型的費用已經從數億美元增加到數十億美元，甚至可能達到數百億美元。我認為在 10 年後，它們的成本可能會達到數百億甚至數千億美元。

沒有多少實體擁有那麼多自由支配的資本來投資這些 AI 模型。所以，隨著時間的推移，AI 工作，特別是基礎模型工作，將逐漸圍繞國家或大型科技公司展開，這些將是唯一可能資助或負擔這些大規模 AI 專案的實體。

Alex Wang：我認為一些合作關係的發展會很有趣，比如 OpenAI 與微軟、Anthropic 與亞馬遜的合作關係。而這些合作關係在長期會如何發展是這個技術時代最有趣的問題之一。

Alex Wang：從本質上講，傳統新聞業並不特別有利於建設一個偉大的公司。

具體來說，很多傳統新聞都是以點選量為導向的。所以，傳統的新聞引擎會在你上升的時候把你捧起來，以此創造點選量，然後在你下降的過程中把你撕下來，再次產生點選量。

這與像 20VC 這樣的直接渠道形成鮮明對比，透過直接的渠道，創始人和公司能完整傳達他們的資訊並解釋他們正在做什麼。

Alex Wang：沒錯，你是為了真正向聽眾教育和解釋正在發生的事情。

Alex Wang：是的。但我確實覺得比起面對媒體，在國會作證時受到的待遇更公正。這聽起來很荒謬，但我認為我們正處於很多傳統媒體不正常的狀態中，這個系統本身由於這種非常點選量導向而非真正教育的方法，幾乎沒有辦法對公司做到完全公正。

因此當務之急是公司自身要透過直接渠道例如播客等正確講述他們的故事，在這些渠道中，他們的資訊不會被篡改。

Alex Wang：是的。關於如何直接傳遞資訊、什麼是傳遞和解釋我們正在做的事情最純粹的方式，我們也思考了很多。

我們現在的對談就是一個很好的例子，你問我一個問題，我會準確地回答你我所相信的，這將傳達給你的聽眾和觀眾，我認為這是傳遞資訊的最純粹形式之一。

Alex Wang：是的，我認為很少有公司能做到這一點。OpenAI 就是其中之一，我認為 OpenAI 作為一個實體和品牌有很多意義。

Alex Wang：我認為這反映了人類深層次的需求。我們作為人類，天生就有很多機制來理解個體，我們有能力理解個體，但很難理解一個組織。

Alex Wang：我認為不應該。我們現在正處於一個創始人不必過於關注傳統公關的時代，他們應該思考自己能提出什麼有趣的觀點，以及以何種最純粹的方式傳達這些觀點。

Alex Wang：幾乎可以說，我們經歷過迅速的崛起，2019 年我們成為了獨角獸公司。在那之後的幾年裡，一切似乎都順風順水。然而從 2022 年開始，整個媒體敘事開始轉向拆解科技公司。

這在某種程度上是公平的，許多科技公司獲得了非常高的估值，科技界充滿了興奮，但隨後市場崩盤。從 2022 年開始，特別是對我們而言，媒體的基調完全轉變了，媒體開始指向像我們這樣的公司或許多同行所犯的錯誤，而不是試圖保持平衡的視角。

Alex Wang：這聽起來很簡單，但如果你僱傭的是這樣的人，他們真的會非常關心自己的工作成果、工作質量，真的非常關心組織，確保公司有影響力。這意味著他們會願意對每一個細節都精益求精。如果遇到困難或障礙，他們會不惜一切努力克服。

這就是創業公司的工作原理。這些小團隊中的每個人都比大公司裡的普通員工更關心工作，關心程度可能是普通員工的十倍甚至百倍，因此你最終會解決比大公司更多的問題。

Alex Wang：我們大約有 800 人。

Alex Wang：我認為答案是肯定的。

我們在內部經常討論的如何組建一個真正的小而精的團隊，只招聘頂尖中的頂尖。這涉及到招聘流程，對於公司的目前階段來說，我仍然會親自審批每一位新員工的錄用。我會直接面試或檢視面試反饋，瞭解我們錄用的每一個人，以確保我們保持極高的標準。

Alex Wang：

作為創始人，我的職責是確保我們作為一個組織，能夠充分利用過去八年在組織中學到的所有知識和經驗，並將它們傳承下去。

Alex Wang：最大的一個錯誤實際上是在 2020 – 2021 年那段時間，我認為公司的超高速增長意味著團隊也必須超高速增長。在那幾年裡，我們像許多科技公司一樣，團隊規模每年都在翻倍或三倍增長。2020 年，我們有大約 150 人。到 2022 年底，我們已經超過了 700 人。這是瘋狂的招聘，團隊超高速增長。但我發現，當你如此快速招聘時，就不可能做到我們剛才討論的保持高標準和團隊內部的卓越。

Alex Wang：這有點微妙。你招聘了這麼多人之後，可能會在接下來的一年或六個月後注意到這一點。你會慢慢注意到，組織中的一些挑戰，過去能夠輕鬆應對和解決的問題，現在卻逐漸固化，我們無法繞開它們。

所以你會注意到，從 2022 年底我們 700 人到現在的 800 人，團隊規模基本保持不變。但公司的收入卻大幅增長。

Alex Wang：明白。

Alex Wang：這確實是一件很有趣的事情，我也問過 Patrick Collison（Stripe CEO）這個問題。Stripe 是一家了不起的公司，在其生命週期的大部分時間裡，我認為它一直是矽谷的標誌性公司之一。

我問他是否認為作為標誌性的公司對他們整體的招聘都有好處。他提出了一個有趣的觀點：Stripe 所招聘到的最優秀的人才，是那些無論 Stripe 是否熱門，都會加入 Stripe 的人才。這些人才往往不走尋常路，但他們卻是 Stripe 能夠招聘到的最佳人選。而很多因為 Stripe 是矽谷最熱門公司而加入的人，出於各種原因，並不一定是最有價值的員工。

普遍的觀點和敘事是，你想成為最熱門的公司，以吸引最優秀的人才，從而實現超高速增長，進而持續成長。但我認為這往往非常困難。更重要的是如何建立一個能夠自我維持的人才生態系統，這個系統能夠保持很高的標準，始終尋求最優秀的人才，而且無論公司是否熱門，都能獨立運作。因為正如你所說，你會有熱門的時候，也會有不熱門的時候，熱門與不熱門是交替出現的。你需要這個人才生態系統能夠自我維持，獨立於公司的熱度，以推動公司做到最好。

Alex Wang：是的，我同意。但如果你看看 OpenAI 的核心技術開發，其中很多仍然是由那些在 OpenAI 成為最熱門公司之前就加入的人推動的。

另一家經歷過這種情況的公司是 Airbnb，由布萊恩·切斯基（Brian Chesky）領導。他在疫情後公開表示，他突然意識到必須重建整個公司。他大幅縮減了團隊規模，加大了對人才密度的投入，然後組建了保持小規模的團隊。我認為他們現在甚至已經成為整個科技行業人均盈利能力最強或最強的公司之一。因為他意識到，他不需要繼續擴大團隊規模就能實現財務收益和產出。

Alex Wang：好的，我們開始吧。

Alex Wang：我認為是關於我們一直在討論的超高速增長的話題。主要是將團隊的超高速增長與公司的超高速增長分開，並在質量和卓越上重額投入。

Alex Wang：我認為在今天最大的誤解是：我們與 AGI 之間只有計算能力的問題。我認為我們需要資料來達到那個水平。

Alex Wang：雖然這不太實際，但我認為薩提亞·納德拉（Satya Nadella）是現代最傑出的商業戰略家之一。他在微軟所取得的成就令人震驚，我認為任何董事會能擁有他都是非常幸運的。

Alex Wang：我對於 AI 的看法在不同時代是如何變化的？

我之所以提到這一點，是因為我在 2016 年創立了這家公司。公司的前三年完全專注於自動駕駛和自動駕駛汽車。然後在 2019 年，我們實際上開始研究生成式 AI，開始與 OpenAI 合作開發 GPT-2。

因此，我們是少數幾家見證了 AI 技術多個時代、見證了自動駕駛汽車首次繁榮與蕭條週期的 AI 公司之一。我認為一個有趣的問題是，在這個連續的過程中什麼是相同的，什麼是不同的？

Alex Wang：我很興奮，但我認為也有謹慎的理由。

在自動駕駛汽車領域、自動駕駛熱潮中發生的一件事是，許多承諾脫離了技術現實。因此，許多知名的自動駕駛汽車公司和知名組織都在做出更大膽的承諾，以便籌集資金。這些承諾起初並沒有完全脫離現實，但隨著時間的推移，它們越來越脫離技術現實。這導致了非常痛苦的低谷，承諾沒有兌現。因此，整個行業似乎都在分崩離析。

但實際上，現在我們有 Waymo 在舊金山駕駛、完美的 L4 級自動駕駛汽車在行駛、特斯拉的自動駕駛輔助功能也非常出色。如果我們在這一路上有更適度的承諾，我認為現在我們會對自動駕駛汽車感到驚歎，而不是經歷這次巨大的起伏，現在可能又處於上升趨勢。

這是我對生成式 AI 的一大擔憂，我希望不會這樣，但同樣的事情可能會再次發生，即我們開始對這項技術做出巨大的承諾，但這些承諾脫離了技術現實，就會產生一種差距，這種差距必然會導致後遺症。

Alex Wang：我希望我們還在做類似現在做的事情，繼續作為 AI 的資料鑄造廠，為 AI 的進步提供資料支援。

Alex Wang：當然想。我也一直在思考如何解決那些永不過時的問題。

Alex Wang：成為上市公司確實有明確的好處。但我認為 Stripe 是一家了不起的公司，因為他們可以有非常好的盈利，並且可以在不上市的情況下實現所有核心財務目標。