走进训练每一个前沿 AI 模型的专家网络 | Garrett Lord（Handshake CEO）
Inside the expert network training every frontier AI model | Garrett Lord (Handshake CEO)
Guests: Garrett Lord
Full transcript · Read the full conversation in order, with its original context.
Contents1 chapter
§01原文文稿 · 00:00–1:09:24§01原文文稿 · 00:00–1:09:24
这样的时代不会再有了。我从没见过类似的局面，也怀疑自己今后在商业上还会不会再次有这种感受：需求仿佛无穷无尽。怎样确保三个月后、六个月后，你不会留下遗憾？坐飞机去见客户，熬夜把事情推进，把数据反复检查六遍。
你们的公司在创造新的数据，继续提升模型的智能。这是一门建立在既有业务之上的新生意。
我们是世界上最大的专家网络。我们拥有巨大的战略优势，几乎不需要承担客户获取成本。人类数据领域唯一的护城河，就是能否接触到一群受众。
你们是在模型训练完成后，用自己创造的额外数据来调整模型权重。
模型已经变得足够强大，通才不再是它们需要的。它们真正需要的是专家。
这里存在一种矛盾：这些学生在训练模型，让模型越来越聪明，但他们自己将来可能更难找到工作。
这不是我们从雇主那里听到的情况。我们听到的是，AI 只是在帮助人类变得更高效。过去，你会因为伴随着 Google 长大，而把‘会用 Google 搜索’写进简历。如今，年轻人是 AI 原住民，这让他们拥有巨大的优势。
今天的嘉宾是 Garrett Lord。Garrett 是 Handshake 的联合创始人兼首席执行官。Handshake 是一个你可能还没听说过、却极其有趣且令人难以置信的 AI 成功故事。Handshake 已经运营了十多年，本质上是大学生的 LinkedIn，是学生与企业建立联系、寻找工作的地方。它是每一家《财富》500 强公司的首选平台。超过 1,500 所大学、2,000 多万名学生和校友，以及超过 100 万家公司都在使用它招聘毕业生。今年年初，Garrett 和团队意识到，他们庞大的专有学生网络，其中包括数万名博士生和硕士生，对 AI 实验室极具价值，可以帮助后者创建并标注高质量的训练数据。于是，他们在一月份从零开始了一项新业务。四个月后，这项业务的年度经常性收入达到 5,000 万美元；现在，他们预计仅用 12 个月就能远超 1 亿美元 ARR。不到两年，它产生的收入就会超过那项已经运营十年的老业务。这是一个极其罕见、令人难以置信的故事。很多团队都能从中学到东西，因为 AI 既在创造大量机会，也可能带来巨大颠覆，而 Handshake 基本上选择了主动颠覆自己。本期节目还会解释：人们在标注和创建训练数据时到底在做什么。非常感谢 Garrett 抽出时间接受采访，他的妻子本周刚生了孩子，而他还在扩张这项疯狂的新业务。如果你喜欢这档播客，别忘了在喜欢的播客应用或 YouTube 上订阅和关注。成为我的 newsletter 年度订阅者，还能免费获得一整年的一系列产品，包括 Lovable、Replit、Bolt、n8n、Linear、Superhuman、Descript、Wispr Flow、Gamma、Perplexity、Warp、Granola、Magic Patterns、Raycast、ChatPRD 和 Mobbin。请访问 lenny'snewsletter.com，点击 bundle。接下来，让我们请出 Garrett Lord。（00:03:01）本期节目由 CodeRabbit 赞助。CodeRabbit 是 AI 代码审查平台，帮助工程团队借助 AI 更快交付，同时不牺牲代码质量。代码审查很关键，但耗时很长。CodeRabbit 像你的 AI 副驾驶一样，为每个拉取请求即时提供审查意见和潜在影响。不仅能指出问题，还能提供一键修复建议，并允许你用 AST GREP 模式定义自定义代码质量规则，捕捉传统静态分析工具可能漏掉的细节。CodeRabbit 还直接在 IDE 中提供免费的 AI 代码审查，支持 VS Code、Cursor 和 Windsurf。到目前为止，CodeRabbit 已审查超过 1,000 万个 PR，安装在 100 万个代码仓库中，并被超过 70,000 个开源项目使用。使用优惠码 Lenny，在 coderabbit.ai 免费使用一整年。就是 coderabbit.ai。（00:03:58）本期节目还由 Orkes 赞助。Orkes 是开源 Conductor 背后的公司，也是为现代企业应用和智能体工作流提供动力的编排平台。传统自动化工具跟不上今天事件驱动、由 AI 驱动的智能体环境：低代码平台彼此割裂，流程管理过时，API 工具互不连接。Orkes 改变了这一点。借助 Orkes Conductor，你可以在企业规模上实时连接人类、AI 智能体、API、微服务和数据管道，形成智能体编排层。可视化和代码优先的开发方式，加上内置合规、可观测性和可靠性，让工作流能随需求动态演进。它不只是自动化任务，而是编排自主智能体和复杂工作流，更快交付更聪明的结果。无论你是在现代化改造旧系统，还是扩展下一代 AI 应用，Orkes 都能加快从想法走向生产的过程。请访问 orkes.io/Lenny，了解详情并开始构建。就是 O-R-K-E-S.io/Lenny。（00:05:04）Garrett，非常感谢你来到这里。欢迎参加这档播客。
是的，谢谢你邀请我。我是这档节目的长期订阅者。
我很感激。好，在我们进入你的数据标注业务正在经历的疯狂增长之前，先说说这件令人惊叹的事。我想，许多正在努力应对 AI 颠覆的创始人和产品团队都能从中学到很多。我想先帮助大家理解：数据标注到底是什么？人们究竟在做什么？为什么这件事如此有价值？如今世界上一些增长最快的公司，包括你们，都在做这件事。显然，其中有非常重要的东西。我对它有一点了解，但可能并不真正了解，我想很多听众也有同样的感受。所以我想问：数据标注究竟是什么？人们到底在做什么？为什么这对前沿 AI 实验室如此有价值？
我觉得，先退一步看看训练模型是什么样的，会很有帮助。训练模型大致有两个主要环节：预训练和后训练。很长时间以来，这些 AI 提供商、LLM 和前沿实验室主要专注于预训练，也就是不断吸收更多信息。那基本上是人类书面知识的完整集合，不只是文字，还包括每一段 YouTube 视频、每一本书，基本上就是试图吸收互联网上的一切，这属于预训练。预训练曾带来大量收益，模型持续变得更好。但大约 18 到 24 个月前，我们开始真正看到收益趋于平台期，因为模型基本上已经吸收了互联网上的全部知识。因此，实验室开始转向：如今大部分收益来自后训练。后训练就是扩充和改进他们在各个关注的学科或能力领域中拥有的数据。比如编程、数学、法律或金融，他们会收集真正能提升模型能力的高质量数据。你可以在各种热门基准测试中看到这种情况，它们会从不同领域衡量模型能力。Llama IV 发布时，你会看到各领域的基准结果，而实验室内部的每个研究团队也有不同的用例。基本上，他们在进行实验，几乎像科学过程一样：先提出如何改进模型的假设，再收集少量数据，看看假设是否成立。如果假设得到验证，他们就会扩大相关数据的整体收集规模。数据可能表现为强化学习环境、轨迹、音频和多模态材料，也可能是基于文本的提示—回答对。还可以是基于人类反馈的强化学习，也就是偏好排序数据。这就是当前模型发展的前沿。现在模型获得的大部分进步都来自后训练，而要保持在模型发展的绝对前沿，需求非常惊人。
所以，预训练就是把整个互联网喂给模型，把人类创造过的所有数据交给它，让它找出知识、事实、推理方式以及所有这些东西。后训练基本上有两类事情要做，对吗？一类是强化学习，也就是基于人类反馈的 RLHF；另一类大致是微调？
可以说是，也可以说不是。比如轨迹数据：如果你希望模型能够使用航班搜索，完成一套端到端的会计流程，或者进行生物实验，就需要真实的轨迹数据。很多实验室仍然在这方面进行探索，对应该收集什么数据有自己的判断，而且变化非常快。但我认为，强化学习实际上主要是偏好排序，比如你更喜欢问题 A 还是问题 B。SFT 数据则是提示和回答，而实验室显然非常关注思考模型或推理模型。要改进推理模型，你需要真实的逐步指令，因为这些前沿模型在与人互动时，仍然会在非常高级的领域中遇到困难。所以我认为，他们正在使用多种数据来提升模型的能力。
我听起来觉得，后训练还有其他方式。你们主要专注于其中哪一种？你们在哪些方面帮助模型？是这三类左右的事情吗？
我们这项业务真正独特的价值，在于拥有一群高度参与的受众。我们覆盖 1,800 万名专业人士，其中有 50 万名博士和 300 万名硕士生，而且是一个全球平台。无论你在什么领域寻找人才，都可以定位到相应的学术知识。博士的定义是什么？你如何获得博士学位？你要答辩。答辩通常意味着，你已经证明自己把世界的知识在某个特定领域向前推进了一步。因此，我们能够精准定位化学、数学、物理、生物学和编程等领域的受众，真正触及那些从未进入互联网的人类知识，这是我们的优势。更抽象地说，过去标注市场主要需要通才。模型还没这么强的时候，很多市场依靠有能力的国际低成本劳动力来完成基础的通才任务。但真正发生的变化是，模型已经变得足够好，通才不再是它们需要的。它们真正需要的是各个关注领域的专家。你可以把模型构建者理解为：他们关注经济中最有价值的能力领域。现在通常包括先进 STEM、先进科学和数学，以及会计、法律、医学和金融等衍生领域，他们希望模型在这些方面变得更有能力。至于我们所做的工作，覆盖的领域非常广。我们有数百万本科生参与音频工作，帮助按声音、语气以及所在地区定制模型，也有最顶尖 STEM 领域的博士专家。
所以，基本上可以说，所有可获得的数据都已经被用于训练，而你们的公司正在创造新的数据、新的知识，继续提升模型的智能，对吗？
对。我还想说，我们帮助找出模型的弱点。一般人要让模型出错、得到错误回答，是很困难的。但如果你是物理学博士，就可以进入物理学的多个子领域，证明模型究竟在哪里失效：可能是推理步骤出了问题，也可能是我们开始给它加入工具，或者要求它遵循一个逐步流程。我不是说这对专家来说很容易，但普通人无法这样有效地攻破模型，而这正是我们真正参与的地方。
所以，基本上就是找出模型的错误。那这些人到底在做什么？我知道有很多不同的类型，你已经描述了各种数据生成方式。什么样的数据有用？也许可以先讲一个最常见的例子：假设有一位博士坐在那里做一项工作，他究竟在做什么？
一个很好的例子是公开论文 GPQA。对想读这篇论文的工程师来说，它的核心是：先让模型出错，再给出问题的标准答案和逐步推理过程。由于模型具有非确定性，它可能答对一次，却未必能在五次中答对三次。这样你才能证明模型到底在哪里失败。它也许理解问题，也能给出正确答案，但得出答案的步骤可能是错的，而研究者真正关注的正是这些步骤。假设一道数学题有十步，第六步到第十步错了，接下来就要弄清楚怎样修正具体步骤。专家们进入这个过程时，我们非常重视把这段经历设计成专家体验，以专家的方式对待他们。博士生理应获得不同于低成本国际劳动力的待遇和工作预期。他们会进入一个社区，我们有教学设计团队和评估团队，持续帮助他们理解如何使用我们搭建的工具，以及如何与最新模型互动。然后，他们开始真正创建数据。对我们来说，模型构建者希望确认我们生产的数据质量很高，所以我们有自己的研究团队和后训练团队。我还从 Meta 招来了一位曾在那里负责后训练的人，而我——
希望你给他的薪水足够高。
是的。AI 人才争夺战的成本非常高，但能和他共事让我感到非常荣幸，也非常自豪。对于每一个数据单元，我们都要先搭建一个环境，让专家能够真正创建数据；接着，我们要在单元层面估算这条数据带来的实际收益，以及它是否能提升某个具体能力领域。我们还在不断调整用例，以跟上模型构建者的需求，他们希望获得更多真实世界的工具使用数据和基于轨迹的数据。
这里面信息太多了，我们可以无限深入，但我觉得这特别有意思，因为大家听了很多相关内容，却几乎不了解它究竟是什么。对我来说，这个解释很有帮助，我想也会帮助很多人。所以，一个生物学博士的工作，是否可以简单理解为：找出 ChatGPT 生成内容中的缺陷，然后给出正确答案？这些内容会被用来微调模型，相当于告诉模型‘你这里做错了，这是正确答案’，从而改进模型？
对。
这是一种简单的理解方式吗？如果我说得不准确，请务必纠正我，我不希望大家产生误解。
可以。我们以教育这种无法简单验证对错的领域为例。网络上有一位叫 Rachel 的博士生，她在迈阿密大学获得博士学位，做了二十年八年级教师，还在当地一所社区大学担任教育学兼职教授。她会与教育设计领域最先进的模型互动，试图理解最好的教学方式，识别模型在训练教学方案时出现的问题，并用自己十多年八年级教师的实践经验和教育学博士背景，帮助模型理解教育设计的前沿。这就是一个例子。另一端则是可验证的工程问题，你可以看到最新模型在哪些问题上失败。（00:17:12）我认为这已经覆盖了很大的范围。我们还谈到专业领域里的强化学习环境。已经有不少论文讨论过，让人们在逐步使用工具时进行口述：他们从头到尾解决一个问题时，会与多个服务和工具互动，同时讲解自己在做什么，并记录鼠标移动和解决问题的过程。遇到障碍时，他们会怎么做？研究者真正想了解的是人类如何思考。
你提到了‘轨迹’这个词。能不能解释一下它究竟是什么意思？你已经说了好几次，感觉它对这一切很重要。
轨迹基本上就是一个完整的环境，用来记录你正在做的所有事情。包括你的屏幕、你的鼠标——
原来如此，哇。
对。
也包括这段旁白，明白了。这个问题可能有点技术性，但所有这些工作的输出是什么？比如那位老师最终交付的是 JSON 文件、XML 文件，还是文本文件？
可以是结构化管理的 JSON 数据。
JSON 数据？明白。
我们还会做多模态工作，比如音频、音乐分类和音乐理解。我们正在与全国音乐院校里数百名、也许不是数千名顶尖音乐学生合作，让他们帮助改进模型的音乐理解能力。还有一种我们还没谈到的东西，叫作评分标准。评分标准模型可以充当评审：什么样的教育设计是好的？什么样的 MRI 结果是好的？在某些领域，并不存在一个保证正确的唯一答案。因此，可以让模型充当中间的评审者，理解什么样的回答更好。回想一下你的学生时代：一篇 5,000 字的论文怎样才能得 A？可能需要很好的开头陈述和科学证据。你可以建立一个评分标准，让模型据此自动评估回答。我们也看到了很多评分标准方面的应用。
你可能会问，为什么要相信一位老师的意见，认为某种做法就是正确的？但有意思的是，市场会给出答案。如果这些模型被越来越多地使用，而人们喜欢并重视它们，我想中间会有一些步骤来验证数据质量，也会有其他人确认这是个好主意。感觉市场机制最终会告诉你，提供的数据是否准确、是否符合人们的需要。这里面还有更多吗？
我没有 AI、数学或物理学博士学位，也没有亲自训练过前沿模型，但每一个数据单元是否真的带来改进，都涉及很多问题。现在已经有大量科学和研究在讨论：怎样确认你生产的数据确实能改进模型？模型构建者很难判断这一点。概括来说，他们最在意三件事。第一是质量，而且是最重要的事。你必须有高质量数据。想象一下训练模型就像教学生，如果你给它错误的数据，之后极难弥补，所以质量排在第一位。第二个大问题是规模：怎样在化学、数学、物理等最先进的领域生成数千条数据，同时确保质量？以物理为例，我们会联系斯坦福、伯克利和 MIT 的学生，他们在全美顶尖物理院校中成绩名列前茅。我们能以这种方式扩大数据规模，同时生产高质量数据，这是模型构建者非常看重的。第三是速度，因为他们有很多假设，持续在测试不同的数据管线。可能同时押注三四个方向；一旦其中一个显示出收益，研究人员就会扩大那条管线和真正改善模型的数据，同时放弃另外两三个没有显示效果的项目。所以，能在几天内快速交付，再把高质量数据扩展到很大规模，是他们最关心的事情。我们也构建了不少技术来评估每个数据单元，有自己的后训练团队，租用自己的 GPU，并努力直接和这些研究人员合作，分享我们从数据中看到的情况、它可能怎样改进模型，以及他们怎样最好地用这些数据进行训练。希望这能回答你的问题。
回到后训练的类型。我觉得这对我建立概念很有帮助：先是预训练，再是后训练；后训练中有基于人类反馈的强化学习，也有微调，还有评估之类的——
还有 SFT，对。
SFT，也就是监督式微调？是这个意思吗？
对。
那你刚才描述的工作，主要可以归为监督式微调吗？
对，我们上述这些都在做。我们不做自动评估本身，但会生产供自动评估使用的评分标准。没错。
太棒了。所以基本上，模型先用这些惊人的数据完成训练，然后你们在训练之后进入，用自己创建的额外数据调整模型权重。有意思的是，这是一套可扩展的系统。我本来想谈谈你们拥有的优秀人才供给，但人类坐在那里创建数据，确实能够运作并显著提升模型的智能，这一点很惊人。
是的。我觉得可以开个玩笑说，所有 MBA 都以为这件事很快会消失。但只要模型还在进步，这个过程就仍然需要人类。和这些实验室的首席科学家、研究人员交谈时，你会发现数据类型以及他们想捕捉、收集的东西都会变化，但在达到完全的 ASI 之前，未来十年仍会需要这个领域的人类。很多模型现在连基本的轨迹任务都做不好。所以目前大家主要关注学术领域，我认为这会继续下去，但专业领域的需求也会大幅增加：几乎每一个知识工作者在职场中解决的轨迹式或分步问题，都是实验室希望收集数据、尽可能帮助人类提升价值的方向。
我想问问这个问题。我猜人们可能会感到一种矛盾：这些学生在训练模型，让模型越来越聪明，但如果模型变得足够聪明，以至于企业不再大量招聘初级员工，他们自己将来可能更难找工作。你怎么看这种矛盾？你认为这是一个真实的问题吗，还是——
我大概更倾向于 GDP 增长，而不是全民基本收入。我非常相信，AI 会提升并加速每个人在经济和世界中创造影响的能力。Handshake 上有大约 100 万家公司，100% 的《财富》500 强都在使用 Handshake，所以我们基本覆盖了年轻人寻找工作的绝大部分路径。很多人夸张地说，年轻人以后都不会有工作，但这不是我们从雇主那里听到的。以社交媒体营销为例，过去你需要一个会 Photoshop、拍照和制作视频的人；后来还需要另一个懂营销分析平台的人，跟踪你在不同社交平台上的发布效果。如今，一个年轻、有才华、AI 原生、穿着‘钢铁侠战甲’的人，就能自己制作视频和创意素材，发布到多个社交平台，并完成所有分析，不需要数据科学学位。再比如我们公司的一个实习生，他入职当天下午就提交了第一个 PR。你如果做过产品经理，就知道过去要配置开发环境、找到自己能贡献的地方有多难，而他直接找了一个 bug 并修掉了。所以我相信，这只是在帮助人类变得更高效、产生更大影响。当然，数亿个岗位会发生变化，有些人会被替代，需要提升技能和重新学习。我认为 Handshake 在帮助知识工作者完成转型方面可以发挥很大作用。
这个观点已经出现过几次了，我觉得很有意思：刚走出校门的年轻人，反而更可能成功，因为他们伴随着这些工具长大，更熟悉各种先进工具，所以一进职场就能像野兽一样，完成更多工作。
你还记得吗？这发生在我出生之前，但过去有人会把‘会用 Google 搜索’写成简历技能，因为你伴随着 Google 长大。现在，成为 AI 原住民、理解怎样使用这些工具，就像穿上钢铁侠战甲一样，年轻人会拥有巨大优势。
对，尤其是如果他们参与了这些模型的训练，我想这其中还会有其他很酷的优势。
是的。先说说我们从数千名 fellows 那里听到的情况：他们一边在课堂里学习，一边真正做研究。我们说的是全美顶尖院校的博士生，他们在自己的专业领域每小时可以赚 100、150 甚至 200 美元，这相当不错。你可以做助教，每小时赚 25 美元；也可以每小时赚 150 美元去找出最新模型的问题。我们的 fellows 告诉我们，他们会把很多这些洞察带回课堂，帮助自己更有效地教学。更重要的是，他们开始学习如何利用这些工具推进自己的研究。他们相信，这些工具能帮助自己更有效率地利用时间，从而推进研究领域。所以，能在学习一项技能的同时获得报酬，是一件很酷的事。
在讲这个业务是如何出现之前，因为那是一个不可思议的故事，我还想问问：关于数据标注和强化学习这个领域，有没有什么人们没有充分理解、但你认为非常重要的事情？这里发生了太多事。正如我说的，世界上一些增长最快的公司就在这个领域，Scale 刚刚被以大约 300 亿美元的价格收购。还有什么是大家必须理解的吗？
一般来说，只要你在和模型互动，要求它完成非常高级的任务，而它没有达到预期，那么在某个地方，很可能就有一位该领域的顶尖专家，直接为前沿实验室里世界上最优秀的研究人员工作，试图通过科学迭代去理解如何改进模型。这里的前提是，他们已经拥有全部被记录和书写下来的人类知识。只要 AI 在解决任何问题、任何人类问题时仍然存在困难，就仍需要人类参与其中，帮助推动进步。模型并不会自动泛化。当然，这个领域还会大幅发展，他们收集的数据类型也会不断变化，但这正是前沿领域令人兴奋的地方。
OpenAI 的首席商务官 Kevin Weil 来过这档播客。他说过一句让我印象很深的话：今天的模型，是你将来会使用的所有模型中最差的一个。
我喜欢这句话。
模型只会越来越好，这确实令人难以想象。现在我们也知道它们为什么会变好，因为有你们正在做的工作。关于 Scale，我想问一个小问题：他们似乎曾经是做这件事的主要公司，现在被收购了，Alex 去 Meta 负责超级智能。他们在数据标注领域仍然是重要参与者吗？还是说他们退出了，这反而成了一个很大的机会？
我很尊重 Scale 团队，也要祝贺他们取得的成就。这个领域有很多优秀公司。回到你的核心问题：如果你把研究团队、模型构建团队以及他们正在进行的实验视为改进模型的基石，那么你可能不会希望自己正在研究的最新方向被同行投资。这是我们在这个领域通常听到的情况。因此，我们看到非常强劲的搜索和需求，也认为自己处在极其有利的位置。我们常说，人类数据唯一的护城河就是接触到一群受众。这个领域有许多小型和中型玩家，他们会投放 TikTok、Instagram、Google 搜索展示广告和 YouTube 广告，然后对客户说：‘你能给我找 200 名物理学博士吗？’他们能做的只有这一件事：雇 100 名招聘人员，让他们全部上 LinkedIn 发消息，再花几百万美元投放效果广告。某个物理学博士刷 Instagram 时，可能看到一则‘来训练模型’的广告，但他会想：‘我从没听说过这个品牌。’我们的巨大优势，也是我们为何能如此快地在市场上产生共鸣，在于我们花了十年时间与 1,800 万人建立信任。他们信任我们，对 Handshake 有品牌认同，拥有活跃资料，而我们还掌握大量关于他们学业表现和在校经历的信息。因此，我们能更有效地触达这些人，比其他任何人都更快地获得大规模、高质量数据。我认为，接触受众这一竞争优势确实在市场上产生了很强的效果。
本期节目由 Anthropic 赞助，Anthropic 是 Claude 背后的团队。我每天至少使用 Claude 十次：研究播客嘉宾、为播客和 newsletter 构思标题、给我的写作提供反馈，以及处理各种事情。就在上周，我准备采访一位非常重要的嘉宾，让 Claude 告诉我其他播客主持人问过这位嘉宾哪些问题，这样我就不会重复提问。你每周要花多少时间，综合用户研究洞察、客服工单、销售电话、实验结果和竞争情报？Claude 可以处理极其复杂的多步骤工作。你可以把一份 100 页的战略文件交给它，让它提炼洞察；也可以把所有用户研究资料交给它，让它找出规律。借助 Claude 4 以及新的集成能力，包括世界上最好的编码模型 Claude 4 Opus，你可以进行语音对话，使用高级研究功能，直接接入 Google Workspace，还可以通过 MCP 连接自定义工具和数据源。Claude 会真正融入你的工作流。如果你想试试，请访问 Claude.ai/Lenny。通过这个链接注册 Pro 方案，前三个月可以享受 50% 的优惠。就是 Claude.ai/Lenny。（00:33:06）这正好引出了我想聊的话题：这项业务是如何出现的。这是你在原有业务之上建立的新业务。据我了解，你们当时的收入大约是 1.5 亿美元，而且已经经营了很长时间。你发现了这个机会，现在回头看似乎显而易见：实验室需要数据，而你们拥有一群优秀专家。请讲讲你最初是怎样意识到这件事是你们可以、也应该做的，以及后来又是怎样执行的。
我觉得这是一种很自然的延伸：帮助人们开启、重启或重新开始职业生涯。未来，在新的就业生态中把技能变现会完全不同。具体说说我们是怎么发现这个机会的：因为我们能接触到如此庞大的受众，而世界正从通才转向专家，我们是世界上最大的专家网络。Handshake 上有 50 万名博士，比任何其他平台都多；还有 300 万名在校或已毕业的硕士生。我们开始看到一些我称为‘中间商’的公司找上门来，问我们能不能招募这些博士和硕士生。像任何优秀的市场平台一样，我们起初把这些人送到不同平台，但从用户那里听到的反馈让我们意识到，体验非常糟糕。培训非常事务化，报酬方式模糊不清，而且在其他平台上，从注册到真正完成项目的过程中流失了大量用户。于是我们开始思考：公司当时仅仅帮助这些其他平台就能赚到数千万美元；真正推动我们行动的，是前沿实验室也开始直接找上门，试图绕过中间商。我们意识到，可以直接服务这些 fellows、博士和专家，以更好的方式对待他们。我们相信，在追求 ASI、推动 AI 发展的过程中，需要一个以专家为先的平台，让世界各地的人都能去那里把自己的技能和知识变现，因为实验室会在所有这些跨学科领域持续改进。我们在圣诞节和新年期间正式进入这个领域，那时我开始四处坐飞机拜访不同的负责人。家人觉得我这样做有点疯狂，但我们组建了一支来自人类数据行业的优秀团队，一月份开始搭建平台，大约五个月前开始真正把这些关系转化为收入。快进到今天，我们已经与 7 家前沿实验室合作，基本涵盖所有正在构建最佳大型语言模型的实验室。团队和收入都迅速增长。这是一次不可思议的经历：我第二次在一家公司内部重新创办一家新公司。
我分享几个数字，你看看是否准确，或者你是否愿意公开这些数字。我听说你们在四个月内就做到 5,000 万美元收入？现在是第八个月，第一年收入有望达到 1 亿美元。
我想我们会大幅超过这个数字，但没错。
太不可思议了。我甚至不知道有 7 家前沿实验室——
四个月从零做到 5,000 万美元，我觉得已经相当不错了。
四个月从零做到 5,000 万美元，这已经不得了。标准一直在不断提高。一年前，这会是传奇；现在却好像变成了‘好吧，又一个这样的故事’。四个月 5,000 万美元，仿佛没什么大不了的，实在太疯狂了。我们先退一步，对不了解 Handshake 的人来说，你们原来的业务是什么？你们建立在其上的那个网络究竟是什么？
那个网络的收入大约是 2 亿美元。新业务大概会达到——（听不清）
2 亿美元。
对。
好。
核心业务有大约 600 名非常有热情的员工。我会把这两部分分开讲。它们不是两家企业，我认为本质上还是一家公司，但这家公司究竟做什么？如果你是一个在过去五到八年里从美国大学毕业的年轻人，你的手机上可能就有 Handshake，你肯定知道 Handshake 是什么。对美国年轻人来说，Handshake 甚至成了一个动词；对正在攻读本科、博士或硕士学位的人来说也是如此。我把它称为‘未连接图谱’，意思是你不需要依赖既有关系。LinkedIn 非常关注你认识谁、有什么经历，它的第一个问题是：你的工作是什么？但很多年轻人刚起步，之前从没工作过，也没有 500 个联系人可以加入自己的网络。在 Handshake 上，你一开始是去发现、探索，思考怎样在学校里找到方向：‘我是工程师，也许想做产品经理，也许想加入创业公司，也许想去大公司。’你可以向同龄人和年轻校友了解各种选择的利弊。Handshake 是一个非常社交化的平台，有群组、消息、个人资料、短视频和信息流，所有内容都围绕你的兴趣，帮助你建立早期职业信心，找到第一份工作、第二份工作，并管理 18 到 30 岁这段人生阶段。
这项业务运营多久了？
已经十年了。
十年。好。你们就像是在正确的地方、正确的时间，拥有了如今极其有价值的正确网络。真是个有意思的故事。它又一次说明：你可能已经长期在做某件事，但 AI 突然打开了一种全新的方式，让你利用自己一直在做的事情。这让我想到 Bolt 和 StackBlitz。他们花了七年时间打造一种基于浏览器的操作系统，可以在浏览器里运行操作系统，当时还在想：‘没人需要这个，我们究竟在做什么？’后来 AI 突然出现，他们开始想：‘如果我们在浏览器里构建 AI 应用，让 AI 直接为用户生成产品呢？’现在，他们已经成了增长最快的公司之一，至少看起来是这样。
对。
很有意思。这也是一个很好的时刻，让大家思考：我们过去做过什么，可能凭借自己拥有的不对称优势，获得一个建立巨大业务的新机会？
我还认为，随着公司规模、人数和成熟度不断增长，在企业内部孵化新东西会变得困难，很多方面都困难。用零到一的方式构建产品、找到产品市场匹配、快速扩张团队，和经营一家已经存在十年、拥有数百名员工的成熟企业，完全是两套不同的方法。所以，第二次在公司内部重新做一遍这件事，让我非常享受，也让我充满热情。我们还有一个巨大的战略优势：几乎没有客户获取成本；由于消费者对我们有很强的亲和力，我们的转化率和留存率也远高于其他平台。
这里其实有两条线索想追。我先谈第二条：数据标注工作可以从哪里来？一种方式很清楚，就是专家坐在那里创建数据。另一种方式是我知道这个领域的很多公司会用的模式，尤其是低成本的国际劳动力。除了这两种方式，还有其他做法吗？其他公司是怎么完成这项工作的？
如果你关心的是建立一家真正高质量、拥有良好毛利和高质量增长的企业，那么目前这个生态里的某个领先玩家有 200 名招聘人员。这种模式不可持续：大约 200 个人在 LinkedIn 上逐一发消息招募这些人，因为他们没有品牌，也没有信任；他们每月还要花数千万美元投放效果广告、Google 广告——
用来寻找专家和其他人。
寻找专家。
而且现在主要找的是专家。
对。然后，他们把这些人放进一种工作体验里，像是在菲律宾给停车标志画边界框一样对待他们。顶尖的税务会计不想被当作低成本国际劳动力，我想没人会喜欢这种流程。因此，我们可以打造一种扎根于社区、以高质量培训为基础的体验。如果你在 MIT 攻读博士，很可能只是还没有被充分教会怎样使用这些工具。这不是你无法击穿模型，而是其他平台花费数千小时招来一个用户后，就把他直接投入项目，没有任何培训。于是，我们从第一天起就开始构建专家体验。我们相信这里会产生强大的网络效应，并与 Handshake 帮助人们开启、重启或重新开始职业生涯的核心业务紧密相连。用户加入后会创建个人资料、看到社区、加入群组，并在信息流里了解别人如何学习；接着进入由背景相似的同伴组成的小组。我们会教他们怎样互动，允许他们试错，并提供教学设计支持。然后，他们会进入项目。我们有一些工作方向，会先创建数据，再把这些数据卖给所有实验室。具体来说，我们可以自己生产一个数据单元，像制作电影一样为它付费，确保质量足够高，再用自己的后训练流程处理它，制作一整套数据规格，最后把这个数据包分别卖给多个实验室。专家可以先参与这类项目；等他们在我们的项目上表现得非常好，我们通常会把他们安排到客户项目中，因为客户只想要机器学习领域最优秀的人。这样，他们就从我们的项目进入客户项目。这里带来很大的客户获取优势。你喜欢在播客里深入讨论，所以展开说说：这里有几个关键指标。一个是客户获取成本 CAC，另一个是用户生命周期价值 LTV。这个业务里的 LTV 计算起来相当直接，取决于一个人的留存情况，以及他能参加多少个项目。如果你善待用户、把他们培训好，首先，我们的客户获取成本为零，因为我们与 1,600 所大学合作，覆盖全美排名前 500 的学校中的 92%，并服务于全国几乎所有高校和社区大学。我们不需要为获取这些人支付客户获取成本。我们已经建立了大量品牌和信任，所以他们的转化率非常高。其次，如果你善待他们，他们就会持续留下来：他们认识 Handshake，学校也在购买 Handshake 的服务；而且大学不会容忍我们与这些 fellows 合作却不好好对待他们。因此，在这套流程里，我们的 LTV、重复参与率和不同项目的留存率都非常高。与一家拥有 200 名招聘人员、每月花费数千万美元进行效果营销的领先供应商相比，这些结构性优势非常显著。我认为，这就是我们取得如此成功的原因。
这太有意思了。正如你说的，过去人们重点关注通才，也就是世界上任何地方的低成本劳动力都能完成的工作，比如给物体画边界框。现在，市场已经从低成本通才转向专家。很多公司，比如 Scale，过去优化的是通用模型训练数据，而你们的体系特别擅长专家数据。所以，你们处在正确的地点、正确的时间，拥有正确的供给。真是一门好生意。
对。
干得漂亮。
在一家企业内部打造第二项业务并不容易，但——
对，我想沿着这条线继续问，这正是我想聊的。那到底是什么体验？你开始注意到模型公司找上你们的用户，而用户在这个领域的其他公司那里遇到困难，于是你想：‘也许我们应该做这件事？’最初是怎样产生这个想法的？你们又是如何探索它、验证它是否真实存在的？
具体来说，我们当时和许多中间商公司合作开展项目。正如我前面说的，我们开始看到需求；随后，前沿实验室直接找上门来，想绕过中间商，以获得更高质量的数据。我们把这些线索联系起来，意识到可以为 fellows 打造更好的体验，直接把他们服务给实验室，与实验室建立直接客户关系，绕过中间商；这样既能给实验室更好的体验，也能给 fellows 和网络中的 100 万家公司更好的体验。你还可以把它看作提升技能和重新培训。我们大约从 12 月开始探索并了解这个领域，通过专家访谈等方式深入研究。我聘请了三家专家咨询公司——包括 AlphaSights 和 GLG——并和最新一代研究人员进行了大量通话，因为我们有足够资源。成为一家规模较大的公司有一个好处：我们的核心业务 ARR 达到 2 亿美元，所以我们有资源加快这里的学习曲线。大约五个月前，我们开始与一家可以说是头号的实验室合作。
我想知道是哪一家。
是的。
对，我也想知道是哪一家。
（听不清）我们和头号实验室合作时得到了不同的答案。现在我们还在与前沿实验室里的 Devin 合作，最重要的事情就是扩大规模。参与这项工作的人已经从四五个增加到 75 人以上。我想上周一就有 12 个人加入。我们在满足这个机会方面受到严重瓶颈，因为这个市场基本上有无限需求。只要你能生产高质量、大规模的数据，通常就能卖掉自己生产的任何东西。因此，我们真正关注的是选择正确的长期策略，不能扩张得太快，以免损害我们与这些前沿实验室建立的信任。总之，这段经历很有意思。
你说在现有企业内部创办这项新业务也很困难。困难在哪里？最难的是什么？你已经提到了一些，但还有哪些？
我觉得自己在这件事上更多地跟随直觉。Handshake 的故事是这样的：我们必须签下 1,600 所大学，所以我得学会怎样在这方面做到最好。我们是历史上增长最快的高等教育公司。之后，我们又建立了雇主业务，必须学会怎样向世界上最大的公司销售。所有《财富》500 强公司都在使用 Handshake，其中 70% 会付费，所以我必须学会面向 Goldman Sachs、General Motors 和 Google 等大公司做高端企业销售，这和向大学销售完全不同。然后，我们还必须学会怎样建立出色的学生社交网络：最好的信息流是什么样？群组消息应该怎样运作？所以，在这些零到一的过程中，我多少有一些熟悉感。市场平台往往包含多个零到一。有时我会开玩笑说，希望我们是一家网络安全公司，只有一个买家和一个产品。但做市场平台时，你必须服务三方，这一点你从 Airbnb 的经历中很清楚。我从创办 Handshake、同时启动三项不同业务中学到的一点是，我当时非常亲力亲为。每个人都直接向我汇报。我在很多会议上都会说：‘我不是想当老板，我只是想让另一个聪明人进入这个房间。’我们招来了一支优秀团队，其中很多人长期在这个领域工作，曾在多家人类数据公司担任重要领导。大家都清楚我们拥有的结构性优势，而重点是：在扩展到其他客户之前，先确保我们能为一个客户交付高质量数据。你必须对很多事情说不。核心业务里也有很多人会合理地想参与进来，于是需要制衡。每个人都可能说——当然不是每个人，但很容易说：‘我这周或这个月没法优先处理这件事，我已经有现有的优先级。’所以，除少数情况外，大家都直接进入我建立的新组织，不再承担原有业务的职责。新公司每个领域都有明确的直接责任人。现在，我们和其余业务之间有了更深的协作与整合，但最初我们坐在办公室的另一个区域。所有人每周到办公室五天，还要工作很多周末。招聘时的预期也完全不同：‘这是一份全天候的工作，这是一个早期阶段公司。’薪酬也不同，会根据新业务的目标和里程碑来设计，让大家像所有者一样建设新公司。组织现在仍然非常灵活、扁平。负责某个职能，并不代表你就是某个项目的直接责任人；我们会选择最有能力推动项目的人担任 DRI，不论他来自哪个职能。我们也更重视指标。创办 Handshake 时，我们很长时间都抵制每周、每月、每季度的运营节奏；但在 Handshake AI，我们从早期就更重视用数据、指标和严谨的方法运营。团队里的 Sahil 在这方面做得非常好。向 Sahil、Young 和 Paco 致意。
这太不可思议了。让这件事在一家运营了十年的公司里成功，显然有一些关键因素。顺便说，你们传统业务每年收入 2 亿美元，而你刚才说新业务第一年就会超过 1 亿美元。如果继续这样发展，短短几年内，新业务的收入跑速就会超过那项花了十年才建立起来的业务，太疯狂了。为了让它成功，我在你说话时记下了几件事。第一，你显然亲自进入了创始人模式，亲自领导新业务，没有把任务交给某个人说‘去启动这件事’。第二，你挑选了一批专职人员，告诉他们‘这是你们的新工作，不要再承担其他事情’。你们还在办公室的不同区域工作，并采用基于指标的运营节奏：持续严谨地追踪进展、目标、路径和 KPI。除此之外，还有什么因素对成功特别重要？很多公司可能都会尝试这么做，所以我很想知道你还发现了什么。
对，我非常相信要把各部分分开。工程团队独立，设计团队独立，客户账户和运营团队独立，财务团队也独立。早期一切都是分开的，每个人只有一个工作目标，那就是让 Handshake AI 成功。我们有几个协作接口；我有一支出色的高管团队和一项核心业务，现在两边的参与越来越多，但长期建设 Handshake 的高管继续负责核心业务，而我把 80% 以上的时间和注意力都放在新业务上。我们还聘请了像 Avery 这样出色的工程负责人。团队里有很多创业者，更准确地说，是过去创办过公司的人。这一点非常重要，因为他们熟悉招聘那些只在早期公司工作过、对模糊性非常自在的人。我们也很早就对核心公司的全员坦诚说明：这件事会很混乱。我们直接向整个团队讲清楚这一点。新业务有单独的全员会议、单独的入职流程和单独的招聘团队。我保留了一些协作接口，但大部分都是分开的，我认为这至关重要。我们从核心业务挑了一些顶尖人才，对他们说：‘我知道你喜欢原来的团队，也知道你喜欢正在做的事，但愿意加入 Handshake AI 吗？’他们完全放下过去的职责，转了过来。当业务开始扩张、问题开始堆积时，这一点对工程尤其关键。我们增长太快，于是把核心业务里一些非常有创业精神的高级工程师、首席工程师和资深工程师调了过来。能对核心业务里最有才华的人说‘你愿意来这里一起做吗？’，这是一件很棒的事。有时候他们会拒绝：‘我不想大多数周末都工作。’在这项业务里凌晨两点、三点还在工作很常见。有些人不愿意做这样的承诺，但我们会提前说清楚团队的预期：节奏非常疯狂；如果你想加入硅谷增长最快的业务之一，就可以来。让大家拥有结果也很重要。我们的口号是‘不把任何事情交给运气’。有一段时间，我们甚至把一年中的天数画在白板上。这样的时代不会再有了。我从来没见过这种情况，也怀疑自己今后在商业上还会不会再次有这样的感受：需求无限，而关键只在于我们的执行能力。因此，我们一直提醒自己不要把任何事情交给运气。怎样确保三个月后而不是六个月后，你不会留下遗憾？坐飞机去见客户，熬夜把事情推进，把数据反复检查六遍，发布那个能带来帮助的额外功能。我们的文化也非常重视庆祝。组织很扁平，没有那种等级森严的原则。很多人都在创造实际成果，我们会直接点名表扬他们，围绕影响力营造一个有趣的环境，我觉得这非常棒。
我想，‘不把任何事情交给运气’这句话部分体现了你们对信任的重视。只有当客户相信你们的数据优秀、稳定而且一致时，你们才能赢。我能理解为什么这会成为你们正在建设的业务如此重要的一部分。听你描述这一切，我明白这显然是一个巨大的机会，也是你们拥有的巨大优势；但随之而来的压力也一定很大，因为你们会觉得：我们绝不能把这件事搞砸。
是。Handshake 应该成为一家年收入数十亿美元的上市公司，我们必须继续向前，这也会帮助核心业务。我们看到的长期机会，是建立互联网上最好的就业匹配市场，把人才与机会连接起来。这可能是世界上最大的问题之一：劳动力供需匹配。人们把生命中最多的时间和精力花在工作上，而寻找工作、申请工作这一流程将被 AI 彻底重新发明。我们一直在引领这件事，比如用 AI 面试官收集技能、询问经验，再通过工作模拟帮助雇主找到最佳候选人。我不知道你上次经历这种流程是什么时候，但让招聘经理坐下来审阅 200 份简历？五年后不可能。让学生手动写求职信？也不可能。因此，需要一个真正擅长连接供需、把人才与机会匹配起来的市场，而我们对这里的影响机会非常兴奋。这也是我的个人故事：我读过社区大学，自己支付学费，在密歇根州上半岛的一所无名学校读书，后来在 Palantir 实习，那彻底改变了我的人生。我创办 Handshake，是因为我希望任何人，无论认识谁、父母做什么、上过哪所学校，都更容易找到好机会。我认为 AI 会让匹配效率出现一个数量级的提升，而我们的人类数据业务正在成为改善匹配的基础。人类数据业务中的很多工作都会整合进核心业务，我认为这会改善雇主的结果，长期累计为他们节省数十亿美元，也会让学生的体验变得更好。所以，我们必须抓住这个时刻。核心业务和新业务内部仍然有足够的耐力、兴奋和热情去迎接挑战。我们一直在内部传达的信息是：现在该加速了。这是千载难逢的机会，而我们已经处在很好的位置，要作为一个团队把握住它。
确实如此，这非常像千载难逢的机会。我想沿着这个方向再问几个问题，这些也是我一直在想、很多人都在想的事。人们总在问：我们会不会用完数据？模型会不会停止进步？我们会不会遇到某个高原，根本不会迎来 AGI 或所谓的 SGI 时刻？首先，你认为数据会用完吗？会不会有一天我们无法再创造更多知识和数据来喂给这些模型？沿着这个问题，你认为让模型更快、更进一步发展的最大瓶颈是什么？
我们需要的数据类型会不断变化。可能会是 CAD 文件，也可能是科学工具使用数据，因为实验室会尝试自动化科学发现和药物研发；还会包括科学仪器上那些非常特殊的操作系统。我喜欢这种轨迹，也喜欢把逐步指令执行串联起来。未来需要的数据类型会发生很大变化。我们甚至还没谈到多模态、视频、文本和音频。目前对音频数据的需求就很大，所以数据类型会不断演进。
对，我一直在使用语音模式，那已经是我默认的 ChatGPT 使用方式了。我就这样和它聊天——
太棒了，真的太棒了。我刚有了孩子，准确地说，我妻子周日生了孩子，语音模式帮了我很大的忙。每晚大约每两个小时，我就会冒出更多问题。语音模式非常有用，必须给它点个赞。数据类型会不断增加、不断变化。我认为合成数据在可验证领域确实有作用，但我们持续从公司那里听到的情况是，合成数据不会占据主导地位。未来十年以及更长时间里，沿着 AI 前沿发展，仍有数十亿、数百亿美元的价值可以被企业挖掘。
先要对你表示由衷的敬意：你的妻子几天前刚生了孩子，而你还在建设这家增长快得离谱的公司、参加这次播客采访。我真的很感谢你。
谢谢。
当然。在进入非常精彩的快问快答之前，还有没有什么我们没谈到、但你认为对大家有帮助的内容？或者你的经历中，有没有什么值得大家学习的部分？又或者，有没有什么观点是你想再次强调的？
我一直很喜欢谈论创办公司，也很热衷于帮助别人创办公司。对正在听这档播客、或者读这档播客文字稿的年轻创业者来说，我想说的是：我从 2020 年开始就是读者了。我们查过。
对，我们查过，确实如此。太不可思议了。
对，我是长期读者。我只是非常好奇，也很喜欢吸收——
谢谢。
——你的采访内容。但我想说的是，要专注于做有意义、真正能帮助人的事情。AI 会带来很多改善人们学习方式的机会。我很希望把 Handshake 打造成一家不仅非常成功，而且真正帮助解决重要社会问题的平台。这是我想在这里分享的一点。如果有人想听听如何做到这一点的建议，或者想联系我，我很愿意聊聊。
所以，你这是在提供关于如何创办 AI 公司、如何在 AI 领域创业的建议，对吗？我只是想帮大家确认一下——
对，那太好了。
好吧。我不知道你能不能抽出足够时间，接待即将联系你的成千上万的人，但我很感谢你发出这个邀请，真的很酷。在快问快答之前，还有别的吗？
没有。
那么 Garrett，我们进入非常精彩的快问快答环节。这里有五个问题，你准备好了吗？
准备好了。
你最常向别人推荐的两三本书是什么？
我很喜欢 Peter Thiel 的《从 0 到 1》。创办公司时我读了这本书，还看了 Peter Thiel 当年在斯坦福教授的创业课程。那时候，互联网上还没有关于如何创办公司的完整资料，而我觉得他特别酷。我也很喜欢《鞋狗》，我认为它体现了创办公司的全过程。当然还有《创业维艰》，不过这些都是相当常见的推荐了。
不过它们也是经典。Ben Horowitz 要来参加这档播客，聊聊《创业维艰》。
太酷了。
《创业维艰》。好。你最近有没有看过特别喜欢的电影或电视剧？我猜你没有太多时间看，但——
我说出来可能会被大家吐槽，但我最近和妻子开始看《权力的游戏》，而且我还没——
第一次看？
对。
好，很酷。
所以我还有很多内容要补。
为什么大家会吐槽？不，这很棒。就像那些已经看过的人——
目前为止我很喜欢。
你到目前为止很喜欢？好吧。这部剧相当血腥，这是唯一的缺点。别在睡前看，我不知道你已经看过多少血腥场面了。你最近有没有发现特别喜欢的产品？
SNOO。这个自动婴儿床 SNOO 帮了我们很大的忙。给 SNOO 团队点个赞。
太棒了。我也用过 SNOO。我们其实从来没把它打开过，只是一直把它当作摇篮用。
对，大多数时候它都没有打开，但宝宝哭过几次后，我们打开了它，确实很有帮助。
你有没有一个自己经常想起、也会分享给别人的人生格言？
我喜欢‘不把任何事情交给运气’，也喜欢‘在赛场上拼尽全力’。我在一个非常勤劳的家庭里长大，父亲为了养家、让一切实现而努力工作。所以就是要全力以赴，不把任何事情交给运气。
最后一个问题。我在准备这期播客时研究了你的经历，很喜欢你早期拼搏的故事：当时你从一个校园跑到另一个校园，向学校推介 Handshake；还有个故事是，你因为没有地方住，为了省钱不得不在普林斯顿的游泳池里洗澡。能讲讲这段经历吗？
是的，这确实挺艰苦。我差点在普林斯顿被捕了。创业者经常四处奔波，我们当时就睡在车里。我们有一辆 Ford Focus，开了两三万英里，过去会睡在麦当劳停车场的后排，因为那里灯光明亮，那个年代 Wi-Fi 也不错。我们不住酒店，而是想在见客户前洗漱。每所大学都有游泳池，而游泳池几乎总是开放的，总会有人早上来游泳锻炼，包括教职工和学生。每个游泳池都有淋浴。所以，你可以去全国任何一所大学的游泳池，免费洗个澡、整理一下自己。普林斯顿校园保安不太喜欢我这个非本校学生去那里洗澡，但这件事对我们帮助很大，因为普林斯顿校园保安打电话给我们正在推销的职业服务中心主任，问他：‘Garrett Lord 是谁？他真的来向你推销职业中心的软件吗？’这让我们和职业中心的会面一开始就变得非常生动有趣，因为他们会问：‘你在我们的游泳池洗了澡，还开车来到这里？’我说：‘对，我们从密歇根开过来的。’我觉得，这展现出的投入程度让他们很受鼓舞。
现在，所有这些创业者都开始借鉴一种增长手段：先把自己弄到校园警察那里惹上麻烦，再去和学校领导开一场更好的会。太不可思议了。Garrett，这真是一个疯狂、精彩又鼓舞人心的故事，包括你正在建设的事业、这里的机会、发展的速度，以及你拥有的各种优势。如果我是 Handshake 的投资者，我可能会想：‘好，十年了，一切进展顺利。’然后突然变成：‘等等，这到底是从哪里冒出来的？’太不可思议了，而且也很有意义。所以，尽管你现在正处于疯狂扩张之中，我还是非常高兴你抽出时间参加节目。最后两个问题：如果大家想联系你，或者你们正在招聘，他们可以在哪里找到你？听众又能怎样帮助你们？
可以注册 Handshake。如果你想在那里给我发消息，这是联系我的最简单方式。在 Handshake 上搜索 garrettlord 就能找到我，也可以在 Twitter 上找到我。我很喜欢 X，是 X 的重度用户。你还可以发邮件到 garrett@joinhandshake.com，名字是 Garrett，字母 R 和 T 都是双写。至于大家能怎么帮忙：我们现在正努力招聘很多人。我们在纽约、旧金山、伦敦和柏林都有办公室。如果你有朋友可能对此感兴趣，或者你自己想进一步了解，请联系我们。我们很愿意和你聊聊。现在满足需求的最大问题就是招聘。如果你有能力，也对了解 Handshake 感兴趣，无论是想做我们的消费者产品、雇主产品、很酷的 PLG 问题，或最前沿的消费者社交体验，都欢迎联系；如果你想加入 AI 业务，我们也很愿意和你聊。
说得更具体一点，你们现在最需要招聘哪些岗位？所有岗位都招吗？主要是工程岗位吗？
工程师。
工程岗位，好。如果你是一名工程师，想加入目前世界上增长最快的 AI 公司之一，那就行动起来吧。我们会在节目说明里放上你们的招聘页面链接。
谢谢。
当然。Garrett，非常感谢你参加节目。这次访谈太精彩了。
应该的。
大家再见。（01:09:26）非常感谢大家收听。如果你觉得本期节目有价值，欢迎在 Apple Podcasts、Spotify 或你常用的播客应用中订阅节目。也请考虑给节目评分或留下评论，这会帮助更多听众找到它。你可以在 Lennyspodcast.com 查看往期节目或了解更多信息。下一期再见。