为什么让专家来编写 AI 评测，正在催生史上增长最快的公司｜Brendan Foody（Mercor 首席执行官）
Why experts writing AI evals is creating the fastest-growing companies in history | Brendan Foody (CEO of Mercor)
嘉宾：Brendan Foody
全文文稿 · 按对话顺序保留完整内容，深入理解上下文。
本篇目录1 章节
§01访谈实录 1§01访谈实录 1
世界上最富有的公司愿意不惜代价提升模型能力。
我们正在进入评测时代。
我们开始与所有顶尖 AI 实验室合作。实验室需要的是劳动力市场。他们真正需要的是能够衡量模型能力的杰出专业人士。
他们找到了这个细分领域，它或许是史上最大的商业机会。
我们在 16 个月内把年化营收规模从 100 万美元增长到 4 亿美元，这是史上最快的攀升速度。
这为什么如此有价值？
市场的边界取决于人类还能做到而模型做不到的事情有多少。实验室提升模型的主要瓶颈，是如何有效地衡量模型成功是什么样子。
你转发过一条推文："如果你认真想一想，我们被放到地球上，就是为了给实验室创造强化学习训练数据。"
整个经济极有可能会变成一台环境机器，构建出所有这些世界和情境。我认为，过去三年里关于 AI 的叙事几乎完全围绕工作被取代，但很少有公司和人谈论正在被创造出来的这一类新工作。
我和很多人聊过：我应该学什么？我应该在哪些方面变得更好？
他们怎样才能利用这项技术做更多事？我们会在面试中对人说："使用任何可用的工具来搭建一个网站，看看你能在一小时内做出什么产品。"
今天的嘉宾是 Mercor 的首席执行官兼联合创始人 Brendan Foody。Mercor 是历史上从 100 万美元营收增长到 5 亿美元营收最快的公司。他们在 17 个月内完成了这件事，不到一年半。Brendan 也是史上最年轻的独角兽公司创始人。他们刚刚以 20 亿美元估值融资 1 亿美元。如果你还没听说过 Mercor，这家公司帮助 AI 实验室和 AI 公司聘请专家，协助它们使用 AI 训练模型。他们从未流失过客户，净留存率超过 1,600%，年化营收规模已达九位数。（00:01:59）在这场对话中，我们讨论评测日益增长的价值和重要性、Mercor 这类 AI 训练公司的市场格局，以及它们为何变得如此重要且有价值；Brendan 如何发现这个机会；他对产品市场契合是什么样子的见解；他灌输给组织、让他得以打造史上增长最快公司的核心理念；为实验室编写评测的人每天实际在做什么；随着 AI 兴起，哪些技能和工作会存续最久；他为什么认为短期内不会出现通用人工智能或超级智能；以及更多内容。这一期非常精彩，你一定要听。（00:02:33）如果你喜欢这个播客，别忘了在常用播客应用或 YouTube 订阅并关注。这个帮助非常大。此外，如果你成为我的新闻通讯年度订阅用户，就能免费获得 15 款出色产品一年的使用权，其中包括 Lovable、Replit、Bolt、N8N、Linear、Superhuman、Descript、Whisperflow、Gamma、Perplexity、Warp、Granola、Magic Patterns、Raycast、ChatPRD 和 Mobbin。请访问 lennysnewsletter.com 并点击 Product Pass。现在，让我们欢迎 Brendan Foody。（00:03:01）本期节目由 WorkOS 赞助。如果你在开发 SaaS 应用，某个时候客户会开始要求 SAML 身份验证和 SCIM 配置等企业功能。这时 WorkOS 就能派上用场，它让添加企业功能变得快速、省心。他们的 API 易于理解，因此你可以快速发布，然后回去开发其他功能。如今，已有数百家公司在使用 WorkOS，包括你可能熟悉的 Vercel、Webflow 和 Loom。（00:03:32）WorkOS 最近还收购了细粒度授权服务 Warrant。Warrant 的产品基于名为 Zanzibar 的突破性授权系统，该系统最初由 Google 为 Google Docs 和 YouTube 设计。这让系统能够在保持灵活模型、适应最复杂用例的同时，以极大规模快速完成授权检查。如果你正在考虑构建基于角色的访问控制，或单点登录、SCIM、用户管理等其他企业功能，应当考虑 WorkOS。它是 Auth0 的即插即用替代方案，并且支持最多 100 万月活跃用户免费使用。请访问 workos.com 了解详情，也就是 workos.com。（00:04:18）你爱上产品构建自有原因，但日常现实有时和你的想象有些不同。你没有在构思宏大创意、和客户交谈、制定策略，反而淹没在电子表格和路线图更新中，基本每天都在救火。其实有更好的做法。（00:04:38）现在介绍 Jira Product Discovery，这是 Atlassian 为产品团队打造的全新优先级排序和路线图工具。借助 Jira Product Discovery，你可以把所有产品想法和洞察汇集到一处，充满信心地进行优先级排序，最终告别那些无休止的电子表格。几秒钟内就能为任何利益相关者创建并分享自定义产品路线图。它完全构建在 Jira 之上，也就是你的工程团队已经在使用的平台，因此真正的协作终于成为可能。出色产品由出色团队打造，而不只是工程师。销售、支持、管理层，甚至财务部的 Greg，任何你希望参与的人都可以免费在 Jira Product Discovery 中贡献想法、反馈和洞察，没有附加条件。而对你来说每月只要 10 美元。告别电子表格和永无止境的对齐工作。旧式产品管理已经结束。用 Jira Product Discovery 重新发现各种可能。请访问 atlassian.com/lenny 免费试用，也就是 atlassian.com/lenny。（00:05:42）Brendan，非常感谢你来参加节目，欢迎来到播客。
非常感谢你的邀请，Lenny。我是你的忠实听众，非常期待和你聊聊。
我也非常期待这场对话。我是你的忠实粉丝，也很期待让更多人了解你和你正在打造的东西。（00:05:57）我想从你目前置顶在 Twitter 页面最上方的一条推文开始。推文是这样写的："我们现在正与‘科技七巨头’中的六家、所有排名前五的 AI 实验室，以及大多数 AI 应用层公司合作。每位客户身上都有一个共同趋势。我们正在进入评测时代。"（00:06:19）这引起我注意的原因是，这是这个播客中反复出现的趋势之一，人们都在谈论学会做好评测的价值不断上升，以及评测对公司的价值。我感觉人们仍然不知道我们到底在说什么鬼东西，也不明白这为什么如此重要。请谈谈，你认为人们仍然遗漏了什么、他们需要知道什么，以及这个评测时代意味着什么。
如果模型就是产品，那么评测就是产品需求文档。研究人员的日常工作方式是，他们会运行数十项实验，在一个评测集上做小幅改进。强化学习正变得如此有效，以至于一旦有了评测，他们就能沿着它不断攀升。看看人们一旦聚焦于奥赛数学，便能多快地把它做满；再看看我们一旦聚焦于 SWE-bench，甚至也正在多快地把它做满。因此，从很多方面看，要把智能体应用到整个经济中、自动化每一项工作流，障碍在于我们如何衡量成功？如何评测它？如何为希望智能体完成的一切写出产品需求文档？这显然正是 Mercor 大量参与的工作。
所以听到这里的人会想："哦，是的，靠，我真得认真关注这套评测的东西。"对于如何把这件事做好，你有什么建议吗？那些做得好的公司有什么不同？帮大家把这件事做得更好。
是的。我认为，尤其对于企业，核心思路是：它们如何建立一种测试或系统化的方法，来衡量 AI 将其核心价值链自动化得有多好？比如一家建筑设计公司，要为最终客户制作建筑图纸，它如何有效衡量这件事？每家公司都有自己的价值链，如果是多产品公司，可能有若干条价值链。思考如何衡量这些价值链，是想要真正有效地将 AI 应用于整个业务的先决条件。
我看到你在和 Sarah、Elad 一起做的 No Priors 播客里谈过这个。我不确定是在那之前还是之后，但 Sarah 发了一条推文："评测等于你的新营销。"这是什么意思？你认为她想表达什么？
是的。这和我之前所说的有关：如果模型是产品，评测是产品需求文档，那么接下来它也是销售材料，对吧？因为评测既是你交给研究人员、让他们知道该构建和推进什么的东西，也是你展示能力有效性的方式。（00:08:51）历史上，所有人都在指向这些关于博士级推理能力的学术评测，例如 GPQA、Humanity's Last Exam 或奥赛数学；但现在，重点正在转向人们实际关心的能力，例如如何让模型自动化搭建软件平台的方式，或自动化进行投资银行分析的方式。我认为，实验室以及应用层公司会越来越多地使用评测来展示其模型和产品的能力。
好的。让我们以此为基础，稍微拉远视角，谈谈你所在市场的格局。我在为这场对话做准备时一直在想：如果看看那些增长速度超过历史上任何公司的企业，基本上有三类。第一类是基础模型公司；第二类是氛围编程应用，也就是 Cursor、Lovable、Bolt、Replit 等这些公司；第三类则是像你们这样的数据标注、数据公司。我请过 Handshake 的 CEO 上播客，Scale 的 CEO 也会来；还有 Surge，以及你们。请帮我们理解这个领域到底是怎么回事，因为我认为人们并不知道这里究竟发生了什么，只看见这些公司疯狂增长。
好的，我会讲一点起源故事，并把它融入其中，说明它如何塑造了这个市场格局。因为我们创办公司时，我 14 岁就认识了共同创始人。我们在 2023 年 1 月、19 岁时一起创办公司，最初是在国际范围内招聘人员，把他们与我们的朋友匹配，并将整个流程自动化。这与人类审阅简历、进行面试并决定是否录用的方式类似。我们用大语言模型自动化了所有这些流程，在大学辍学前，就靠自筹资金把公司做到年化营收 100 万美元。（00:10:40）后来还发生了几件事，但我们认识了 OpenAI，并看到人类数据市场正在发生巨大转变：它正从一种众包问题，即如何找到低技能和中等技能的人、让他们为早期版本的大语言模型写出勉强合乎语法的句子，转向一种搜寻和甄选问题。我们如何寻找和评估最优秀、最有经验的专业人士？想想软件工程师、投资银行家、医生和律师，他们能真正帮助评估和解读人们希望模型具备的所有能力。（00:11:21）从那时起，我们开始与所有顶尖 AI 实验室合作。我们在 16 个月内把年化营收规模从 100 万美元增长到 4 亿美元，这是一段非凡而令人无比兴奋的旅程。
好的，首先，这太离谱了。我不知道人们是否理解。我想这也是你第一次公开这个数字。我知道我们正在录制这期节目，等节目播出时你已经宣布了，但那是 16 个月里营收从 100 万美元增长到 4 亿美元。
完全正确。所以这是史上最快的攀升速度，这是一个令我们非常自豪、也很令人兴奋的数字。
好的，这里正在发生一件大事。它为什么如此有价值？这里究竟是怎么回事？如果要简单概括你们所做的事，就是你们帮助实验室招聘人员，协助它们训练模型；你们找的不是通才型劳动力，而是专家，帮助填补模型知识中非常具体的空白。
是的，准确地说就是这样。这确实又回到了你第一个问题，即构成这一切框架的评测时代：实验室能够提升模型的主要瓶颈，是如何有效地以某种方式衡量模型成功是什么样子。它们既需要把这个标准用作衡量进展的测试评测，也需要在强化学习环境中把它当作验证器，以此奖励模型、提升能力，等等。它们需要在每一个领域、针对模型还不知道如何运用的每一种能力都做到这一点。世界上最富有的公司愿意不惜代价提升模型能力，而 Mercor 正处于这个前沿和主要瓶颈的位置。
好的，这些人实际在做什么？能举一个受追捧人才类型的例子吗？然后，他们坐在电脑前具体在做什么？
实际上，市场的边界取决于人类能做到而模型做不到的事情有多少。我把这讲得具体一些。假设你希望一个模型像律师一样为合同写出红线修改，但它犯了几处错误，遗漏了许多关键点。你可以让律师创建一份评分标准，类似教授为交付成果制定评分标准，明确我们希望模型能够做哪些事。（00:13:50）这样就能有效地给它评分，对吧？例如它识别出了这个关键点或某个关键点的比例。这正是衡量模型进步是什么样子的基础：这个模型是否实现了这些专业人士所希望的能力？同时，我们如何把它用作训练数据，以奖励和强化人们希望模型具备的许多能力。
好的，所以说到底，他们就是在编写评测，和最初的对话联系起来看。
没错。有趣的是，大家都在谈强化学习环境。我觉得现在两个热门话题是强化学习环境和评测，但 Andrej Karpathy 多次发推指出，它们在数据类型上其实没有什么细微差别，更多只是对用途的不同语义描述。归根结底，它只是一个衡量好结果是什么样的固定基准。你既可以像 Sarah 所说的那样，把它用作基准和销售材料，说明为什么我们的模型是世界上最好的模型、我们致力于实现哪些能力；也可以在后训练阶段用它奖励某些模型轨迹，从而实现那些能力。
好的。假设这位律师写下："优秀的合同红线修改应当是什么样子，以及卓越的评分标准是什么。"那么作为其中一部分，他们还会提供数据吗，比如真实的红线修改文件示例？
他们可能会。历史上，数据领域包括两类数据。第一类是监督微调数据，也就是输入/输出。人们从传统意义上理解微调，指的就是这个。第二类是基于人类反馈的强化学习，模型会生成几个示例，我们选择其中最受偏好的那个。（00:15:43）现在大家总体正转向基于 AI 反馈而不是人类反馈的强化学习：人类改为定义某种成功标准、某种衡量方式。以代码为例，它可以是单元测试。我们可以规模化地衡量成功；在其他领域，它可以是一份评分标准。然后你用它激励模型能力。它的可扩展性和数据效率都高得多，因此整个市场更广泛的趋势都在转向这种方式，用于评测模型，也用于提升能力。
我采访过 Anthropic 的一位共同创始人，他说过完全一样的话。他们在 Anthropic 所做的，就是转向由 AI 驱动的强化学习。（00:16:32）所以，如果我理解得对，我只是代替听众来理解这件事的外行。实质上，律师会说："合同红线修改的正确结果应该是什么样。"随后 AI 几乎就自行行动，好像在说："我要努力达到这个目标。我要不断改进，而且根据给我的这份评测/评分标准，我知道自己是否正朝正确方向前进。"
没错。它运用所有关于好结果应具备什么的标准，类似助教运用教授的标准，判断学生的回答是否符合这个标准或那个标准，再加上多少个维度，等等。
太好了。让我转而谈谈更广泛的劳动力市场。这个问题有两部分。第一部分只是：我们还需要做这件事多久？你们增长得极其迅猛。会不会有一个时刻，我们说："好，不需要人类了，我们已经到头了。"先从这里谈起，然后我再问一个更宽泛的问题。
关键问题是，经济中人类能做到而 AI 做不到的事情还会存在多久？我认为，确实有一类人认为三年内就会出现超级智能，人类将不再在经济中发挥作用。这是一种观点。（00:17:46）我们的看法很不同。我们的看法是，这些模型非同寻常，正在非常快地自动化许多事情，但仍有很多事情它们做得很糟。即使到现在，它也不能在我的日历上安排时间，不能替我起草邮件，不能使用基本工具。我们需要为一切建立评测。对于模型做不到的一切，我们都需要工具使用方面的评测、长程推理方面的评测。（00:18:12）想象十年后，我们希望模型能够出门创业，持续干 30 天。我们需要为此建立评测，才能有效奖励它。我认为，只要经济中还存在任何人类能做而模型不能做的事情，提升模型的这条道路就会持续下去，并将成为未来工作形态的重要组成部分。因此，我们的使命是创造未来的工作，我认为这是一个非常令人兴奋的行业，也让我们瞥见一切将要前往的方向。
你转发过一条推文，我想问问你："如果你认真想一想，我们被放到地球上，就是为了给实验室创造强化学习训练数据。"
对。
这对你意味着什么？这个人暗示的是什么？基本上，你是在说，我们只是在帮助训练模型。
这让我想到我与顶尖实验室许多研究人员和高管进行过的对话：整个经济极有可能会变成一台环境机器，为我们构建所有这些世界和情境，随后我们再为其设置评分标准或其他类型的验证器。这在很多方面都非常令人兴奋。（00:19:32）我认为，可以把它类比为其他革命：工业革命发生时，所有人都在为失去工作恐慌，但随之出现了一整类新工作，例如如何造机器、如何从事知识工作、如何创造各种新东西。我认为，过去三年里关于 AI 的叙事几乎完全是关于工作被取代，对吧？当然，ChatGPT 增长很快，大家爱用它也很酷，但从经济角度，人们一直大量谈论工作被取代。但很少有公司和人谈论正被创造出来的这类新工作、它将意味着什么，以及人们可以如何为它做准备和提升技能。我认为，最令人兴奋的可能性是创造这样的未来：人类如何融入经济，以及这种关系会随时间如何演变？
我经常与很多人谈论：我应该学什么？我应该在哪些方面变得更好？现在在校的人会问："未来究竟什么还有价值？"你处在许多最紧缺工作和招聘演变的中心。那我就问一个非常具体的问题：你认为未来哪些工作会留下来？尤其对年轻人而言，哪些技能仍值得投入？
就工作而言，我会回答：需求弹性很大的那一类事物会非常令人兴奋。因为当我们让人的生产率提高 10 倍时，以软件为例，我们会开发出 10 倍、甚至 100 倍的软件。因此，我认为现在能够做更多事的产品经理会处于极其有利的位置。至于技能，我认为是那些能利用 AI 完成自己日常工作流的人。（00:21:16）我和几位教师聊过，他们会问我该如何评估学生，因为我们最初就是为人策划各种 AI 面试和评估，因此对此思考得非常多。我们意识到，你不应该对抗他们使用模型。这类似于计算器刚出现时，你不该给人一大堆算术题，试图让他们做题又不使用计算器。你应该告诉他们："使用工具，让我们看看你能做到什么。"（00:21:49）所以我们会在面试中对人说："用 ChatGPT 和 Kodak。用 Claude Code。用 Cursor 或任何可用工具来做一个网站，看看你能在一小时内做出什么产品。"我以人才评估举例，是因为我认为这同样适用于人们应当打磨的技能：无论他们在哪个行业或垂直领域工作，怎样利用这项技术做更多事。
当你说需求有弹性时，是指通才擅长很多不同的事，还是指什么？你说的弹性究竟是什么意思？
我更指的是那个行业的需求容量有多大。我举几个例子。在会计领域，现实地说，世界只需要这么多会计工作。也许有些领域我们可以做得更多，那会是好事，但感觉世界并不需要 100 倍的会计工作。（00:22:46）另一方面，在软件开发中，我认为我们可以为产品交付 100 倍更多功能，推进速度提高 100 倍，构建得更多。感觉这个行业的需求没有上限。我认为 Mark Andreessen 最近发过推，说软件是所有行业中需求弹性最大的行业：当我们提高生产率时，就会建造更多东西。许多其他领域也肯定具有这个特征。因此，我会聚焦于那些领域：如果我们让每个人的生产率提高 10 倍，需求会增加，而不是减少。
好的，所以你属于“继续学编程，它仍然是有用技能”的阵营。你会选计算机科学。因此，就需求有弹性的工作类别而言，听起来工程和产品管理都属于这一类。很好，很多听众都是产品经理。还有什么？比如设计师？我不知道。根据你所看到的，还有哪些工作属于这一类？
是的，我认为有许多事情，构建公司的整个价值链都包含这些可变成本，甚至运营或咨询的很大部分也是如此。想象一下，如果我们能拥有 10 倍数量的麦肯锡顾问，那么在我们能做的研究、分析等方面会有什么可能性？但我认为会成功的公司和人，是那些拥抱这种丰裕叙事的人：思考如何做更多事，而不是抵制它，思考如何阻止替代。
顺着这个思路，我想到你说的第二类，即最可能成功的人。这不是某项具体技能，而是擅长 AI，用 AI 把自己已在做的事做得更好。这让我想到 Elon 关于 Neuralink 的一整套想法。我不知道他的原话是否如此，但我一直听到的说法是：他想建 Neuralink，是因为未来通用人工智能和超级智能出现时，我们需要一种竞争方式，最好的竞争方式是把大脑接到超级智能上，这样我们才有机会。感觉 AI 就是这个。擅长使用 AI 工具，本质上就是拥有这种超级超级能力。
弄清如何利用并融入这些工具，绝对会至关重要。
这又回到了如今几乎成了陈词滥调的一句话："AI 不会取代你。真正擅长 AI 的人会取代你。"
我认为这完全说得对。我在企业层面也确实看到了这一点。有些企业和我们交谈时几乎带着恐惧，不愿参与，不愿评测自己的业务，因为那会提供其价值链正在被自动化的证据。还有另一些企业，其中有些是最知名、最成熟的《财富》500 强公司，它们抱持这种心态；而另一些则拥抱它：如果我们有能力做 10 倍或 100 倍的事情，这意味着什么？我们如何投入这个未来？因为未来十年会改变很多事情，我认为那类企业会成功。
让我们更广泛地谈谈劳动力市场。你们的经历很有意思：起初你们不是把人输送给 AI 实验室、不是训练模型，而只是帮助人找工作、帮助公司招聘。随后你们发现："哇，这里有整个机会。"你对劳动力市场和招聘的未来有一个非常有意思的看法。谈谈这个。
是啊,这是有趣的。 我记得我们创办公司的时候, 正如我所提到的,我们19岁, 只是有种直觉, 感觉非常低效, 劳动力市场如此分门别类。 我的意思是,当我们在国际上雇用一个人, 他们将申请到十几个工作。 当我们在湾区的公司考虑候选人时, 我们会考虑百分之一的市场候选人。 其原因是,有一个匹配的问题, 每个人手动解决, 在那里他们将手动审查简历, 他们将手动进行面试, 手动决定雇谁。 但是,当我们能以软件为代价使匹配问题自动化时, 就能为这个全球统一的劳动力市场提供道路, 每一个候选人都可以申请,每个公司都从促进经济中信息完美流动而雇用。 (00:27:08) (中文(简体) ). 我认为这个未来无疑是我们正走向的, 但是我们逐渐认识到的是, 工作的性质也在急剧变化。 在10年的时间内建设未来的一部分 就是创造未来的工作 以及我们所做的所有更策略的事情 并为我们的客户构建这些令人难以置信的数据集 跨越电子阀和RL环境
我所看到的是, 招聘是如何改变的, 我和合伙人Gnome做了研究, 申请公司是容易得多的, 现在每个人都申请, 上百家公司。 (笑声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声(掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声) (掌声(掌声) (掌声 然后在反面, 招聘管理者 被充斥 应用程序, 所以现在他们需要AI过滤。 所以,即使我们不想到达这个地方, 我们几乎被推向了这个方向, 两边的数量如此之多。 我们需要一些非常聪明的东西来过滤和帮助我们 雇用和选择, 而这正是你们已经建造了很长时间。
没错 很多人都问,我们是否将自己视为劳动力市场,还是将自己视为数据公司? 我认为这是一个有趣的问题 是因为我们意识到 实验室需要的是 他们实际上需要一个劳动力市场。 他们实际上需要这些特别高的口径的人。 当然,我们也会对一些项目管理和一些与之相关的软件平台进行分层处理。 但是他们真正想要的核心是 他们如何在所有这些不同领域找到这些非凡的专业人士 来测量模型的能力 并共同构建未来工作?
本集由Enterpret介绍给你. Enterpret是一个客户智能平台,由Canva,Notion,Perplexity,Strava,Hinge,和Linear等主要CXN产品Org使用,以发挥客户的声音,在类产品中打造最佳. 实时输入所有客户对话,从Gong录音到Zendesk门票到Twitter线索,并提供给你的团队进行分析和行动。 (00:29:21): Enterpret的独特之处在于它有能力建立和更新一个针对客户的知识图,该图能提供所有客户反馈的最颗粒和准确的分类,并将客户的反馈与收入和CSAT等关键指标联系起来。 如果将客户方案的声音现代化到世代升级是2025年的优先事项,那么以客户为中心的行业领袖,如Canva,Notion,Perplexity,和Linear,在intopret.com/Lenny中与团队接触. 这是E-N-T-E-R-P-R-E-T-T.com/Lenny.(00:29:55):回到这一切如何运作以及你们为模特们做什么的时候,我和一个有脚踝扭伤或脚痛的朋友说话,他得到了X光,把X光输入了ChatGPT,然后问他,"给我这个具体的X光". 这就像,"好吧,当然。" 然后,它给了他, "这是你所拥有的。" 他在和我说话,他说,“在网络上有什么能训练这个模型 了解这些东西的?” 我当时想, “不,其实是有人坐在那里帮助模型理解这一点。 一旦他们承认了,它就完全不理解这一点. 人类实际上是在帮助他们学习这些东西。”
没错 所以,它的运作方式,至少大多数人的理解是,模型的运作方式有很多复杂之处, 即预训得到了很多知识, 进入了所有不同事物的模型。 然后,后培训和强化学习是用来推理哪些知识是准确的,哪些知识是不准确的,在任何特定时间要优先做决定的。 因此,后面会有放射学家 研究训练后的数据组, 创造出一些停滞点, 这里的诊断和奖惩与此有关。 真正进入ChatGPT最终做出的决定和推荐质量的人的质量。
因此,让我们实际上 遵循这一点,对, 因为这是真正有趣的, 我不知道有多少人理解它。 我理解这一点。 所以,你的工作和这些专家的工作 是后训练。 它没有将数据输入它所训练的模型. 这是,"我们有这个型号GPT-5。 今此一切众生所缺. 补之. "
没错 它真的解锁了,让模型专注于所有正确的符号,从在模型上下文中预训所有正确的事物,提高有效推理链的权重,使模型能够以更普遍的方式更好地推理.
是什么规模的人 只是工作的东西。 如千,万,数十万?
任何时间都有数万人,更普遍地有数十万人. 这是巨大的。 最令人兴奋的是,它生长得很快。 我想对于你所问的关于竞争环境的问题, 从历史上看,所有这些众包公司 都会得到这些超高数量的低技能人才。 我认为Scale和Surge是这个行业的先驱公司。 在向高技能劳动力的过渡中,人们意识到,实际上你可以走得更远一点,只要一开始能提高素质,即使数量也更小,现在一旦他们能达到质量标准,就可以扩大后援。 (00:32:35): 我认为,有一群公司,在我们成功之后, 和去年年初开始的非常快速的收入增长, 之后就追逐了,这是有道理的。 看到市场变化很快,我们就要起飞, 并试图在市场上追求类似的理论。
这很有趣。 总是有这些公司,AlphaSights和GLG, 在AI之前这样做, 或者被支付连接到一个专家, 问他们有关的东西。 基本上,这对模型来说是有用的。 我们不需要中间的人
没错 但是一个核心区别是 AlphaSights 通常只是一次性的调用, 而我们的许多工作 是真正雇用人 的项目 他们如何工作的东西 更长的时间。 所以,我认为,这是一些传统专家网络 努力进入这个过程的原因之一。 如何留住这些人,并思考所有激励机制, 在某些方面,这些激励机制看起来更类似 一个Uber或DoorDash的传统劳力市场, 拥有高技能的人才, 受到特别好的待遇。
如此良机,我今深知此经,故欲问之.
对
这对我来说太有趣了。 有多少专家侧重于具体的知识与个性和较柔软的技能? 多少说:"这里你如何做考试. 这是你如何做的X光?
这取决于实验室。 二者虽多. 我认为,以前它可能更柔软的技巧, 但是现在很多实验室都集中在他们的商业模式上, 即什么是经济有价值的能力, 驱动收入, 并且把很多精力投向这些专业领域。 但我认为创意方面对每个人都很重要。 因此,我们看到了有意义的两者。 几个月前,我们从哈佛兰普翁公司 聘请了所有人, 他们的喜剧俱乐部, 来帮助制作更有趣的模特。 诸如此类的一切, 雇用艾美奖获奖的编剧 以及所有你所寻找的创造能力。
这是惊人的。 这故事真酷 我为这个兴奋起来。 这些东西转多快? 你说你雇了这支队伍 我们要多快才能看到冲击力? 像几个月? 是几年吗?
那么,它取决于,因为一些模型或一些实验室 会迭代地释放出来, 在那里他们只是 改善模型的幕后。
没有宣布新模式?
没错 每两星期一次 和其他人做这些大释放。 所以这取决于很多。 我们跟在他们后面 但我们动作很快 一个顾客会给我们一个要求 我们需要这些获奖的编剧, 在24小时内,我们会调走专家。 还有一个非常有趣的动态, 在我们雇佣的100人中, 经常有前10%的人 推动大多数模型的改进。 犹如公司. 如果你有百人公司, 经常前10%的公司会驱动 大部分的影响。 这意味着,当我们能够建立专利优势, 确定谁是前10%的人, 无论是我们如何在我们的平台上, 因此它确实与公司的创始论文联系起来, 这就是我们如何找到这些非凡的人 并识别他们, 这样我们就能可靠地为客户 提供这些前10%或前10X的经验。
因此,这个想法也是,你雇用简。 她的编码很不可思议 她现在为Anthropic工作 这就是她全职的工作吗? 还是做兼职? 这是项目吗?
有时是兼职的。 有时是全职的 我通常会说,这是兼职的 在那里,有人可能工作 在某物公司 他们的就业不足, 也许其中之一 移动较慢 他们有额外的20小时 每周, 然后他们可以做到这一点 在侧面 或者任何等效 跨越 一堆不同的行业。 但我们每周也做很多40小时的角色。
他们赚多少钱? 一个AI工程师在这件事上花费时间是否足够有意义?
是的,非常有意义。 所以我们在市场上的中位工资率是每小时95美元, 但根据某人的专业知识的深度,它可以灵活地提升到每小时500美元。 与许多众包公司相比,有一点更突出的是, 如果你看看众包公司的经济学, 常常他们会按平均水平每小时支付30美元。 想想你能雇到的人, 低年级的30美元 现在与高曼银行家,麦肯锡分析家,方方软件工程师。 归根结底, 实验室想要他们的模型有什么能力? 倒在后一个桶里比前一个要多得多。
我知道只有这么多你可以谈论 与这些东西, 但因此,Anthropic,克劳德 一直如此好 编码这么多的历史 比其他模型。 我也用它来写, 给回馈写。 是什么让他们这么擅长这个,继续这么擅长这个?
嗯,我不能太详细地谈论客户的工作, 但我认为这是一个趋势 强化学习, 并非常深思熟虑地界定 正确的奖励, 我们正在释放 全面。 如何减轻黑客的奖励, 设置正确的奖励, 这是超级撞击。
埃瓦尔斯。 再说一遍,Evals就是你需要的
回到埃瓦尔斯。
对
我最喜爱的一句来自顾客的引言是,"模型只有他们的eval一样好",这始终是真实的.
我想格雷格布洛克曼曾经发过一次推特 "Evals是所有你需要的。"
对,真的
我们再谈谈Mercor 我相信数据告诉我们 这是历史上发展最快的公司
对
我想知道你做了什么 使这一切发生。 所以让我问一下,你认为 你如何建造默科的核心信条是什么, 最有助于成功?
我认为最重要的事情是研究快速移动的市场上的主要指标。 我记得我曾经想... 每个人都在冒险地谈论为什么现在,我曾经思考为什么现在从产品的角度, 而不是从现在的市场角度, 我们可以自动化我们审查恢复的方式, 或我们进行访谈的方式,等等。 但归根结底,这个传统市场 拥有所有这些现任者 并且相对停滞。 但真正重要的是找出新市场是什么,新的需求区正在迅速变化,世界上最富有的客户愿意付出一切来提高模型能力,我们如何关注这些市场的主要指标,以确保我们拥有市场旗舰客户的最佳解决方案,并优化周围的一切。 (00:40:18): 这也是我发现的 在建设企业中影响最大的。 我想也许这是市场的主要指标之一。 如果我不得不选择另一个, 这是顾客的痴迷。 我们最后... 我们开始有几位产品经理帮忙上市,但是去年半年的生意,在销售和市场营销方面,我们没有一个人. 所以从销售和营销的角度来看,我们是不成熟的,因为我们把100%的公司资源 集中在如何为客户创造伟大的产品和经验上。 在其他企业工作过的人 想要继续和我们合作 并努力创造这些伟大的经验。 所以这就是我花所有的时间。 我认为,一些创始人可以深入了解 他们是如何真正擅长市场营销的, 在此之前,他们已经想通了真正能驱使很多客户喜爱的事物, 并创造了你用来打造的六星体验。
我要回到第一点, 也就是说,你找到了这个口袋, 也许这是历史上最大的商业机会。 你怎么第一次发现... 什么时候,"等等,这可能是真的大"?
所以这里有一些疯狂的故事。 我记得2023年1月我提到的我们创办了这个公司. 然后在2023年8月, 当我还在大学的时候, 我们的一位顾客向我们介绍 XAI 的联合创始人 在一个Zoom 的电话上 说我们是如何有这些真正聪明的印度软件工程师的, 他们擅长数学和编码。 于是我们遇见了他们,我们解释了我们曾经的软件工程师 是如何真正擅长数学和编码的, 因为他们并没有被所有的人文科学所分心。 他们不用研究历史和英语,也不用研究其他的东西,他们很喜欢. 所以两天后他们把我们带到特斯拉办公室 我们遇见了整个xAI联合创始团队 除了伊隆 我当时还是个大学生 XAI刚刚开始, 他们对我们关注专家的质量感到超兴奋。 所以当他们还在做前期训练时, 他们当时还没有准备好人类数据, 而我们当时还没有开始与他们合作。 我们刚刚从这一点开始就知道,我们甚至退出市场之前,市场即将发生根本变化,我们需要处于这一前沿。 几个月后,一位众包员来到我们这里, 利用我们的平台雇佣了1000多人, 这非常有趣,因为我们开始被支持票淹没, 讲述这些人如何得不到报酬。 显然,我们感到恐怖,因为我们曾提请他们利用这个机会。 是这个有声誉的公司 我们意识到,很多任职者在他们创造的经验中需要哪些人才来帮助改进模式方面,都沉浸在自己的荣耀之中。 也有机会直接与实验室合作, 保持专家在市场上的尊严, 报酬极高, 所以我们在去年5月开始这样做, 然后剩下的就是历史。
哇,还好。 后百万亿收入. 我在这里听到的是 你非常愿意寻找民意调查。 你看到一些民意调查, 你探索它。 一旦你看到那里有真正有意义的东西, 你便开始深入地 使这种令人难以置信的经历尽可能惊人。
没错 我认为,如果我必须把它提炼成给创始人的建议, 我意识到一件事是,我花了很多时间来尝试 强迫的产品市场适合。 在某些方面,你应该坚持不懈。 你应该有这些你相信的世界会如何改变的 但有时你只需要从市场中 得到它,并知道它的存在, 民意调查, 了解正确的焦点地点。 因为如果销售困难,如果出售边际客户极其困难,那么你就不能发展一个巨大的企业. 你真正需要找到的 是客户 令人惊讶的容易 出售到那里 你将可以 与他们成长。 你知道这是一个很大的疼痛点。 所以,这是一些固执的组合, 围绕你的理论 围绕世界将如何改变, 但也非常开明地看待它的确切形式, 如何发展市场, 以及如何融入它。
这是一个惊人的洞察力。 在你描述的那一刻, 感觉就像这个xAI会议的一个组合 感觉,"哦,哇,他们真的,真的想要这个东西,我们有。 我们现在正在做一个惊人的工作,"然后是1000人在平台上雇佣. 是那两个瞬间 就像,"哇"?
没错 发生这些事,记住, 当我们是种子公司,对不对? 那么,第一个是之前,我们甚至筹集到任何种子资金, 我们完全被拖了下来,因为我们把公司 拖到一百万美元的收入运行率, 并且一直保持超级资本效率。 我们从来没有烧钱。 我们一生都是赚钱的 然后我们在9月从催化将军那里提了我们的种子回合, 这是我们在提了种子回合之后的另一种经历, 我们真正知道在这个市场里有巨大的需求, 我们在那里看到了数量,我们看到当权者们正在睡觉, 思考市场是如何变化的, 以及需要什么样的人来改变这种变化。
看到这个机会并开始执行是一回事. 以这个规模实际成功,并始终如一地取得胜利,是另一个成功. 你们在企业里有非常具体的价值 说说那些 感觉这也是你成功的一大部分
没错 所以,我给三个,也许一个简短的故事 与每一个相关。 (00:46:10): 所以,第一种是采取能做的态度, 每个人都给我一点困难的时间,因为它是一个有趣的说法, 但我们总是设定这些荒谬的雄心勃勃的目标, 然后不知怎么的,公司的轨迹 围绕着那些目标。 我记得在他们领导我们的A系列赛之前,我们曾与基准会谈,当时我们以150万的运行率。 我说我们到年底时会达到5000万的运行率。 他们说,我们是绝对疯狂的,没错, 任何人都会。 加上或减去两周,我们打它。 然后,我们现在顺利地 突破了追踪 5亿的运行率, 这最初是我们今年的目标。 因此,在企业的收入规模、人才经验的精准度方面设定这些令人难以置信的宏伟目标,所有这些方面都非常重要,必须首先采取能干的态度。 (00:47:04): 第二件事是真正的高标准,那就是我们雇用的人和我们对他们的期望。 我们有一个非常高的雇佣酒吧, 在那里,我们雇用了数以吨计的前创始人, 那些有不可思议的经验的人。 我们刚雇了Sundeep Jain 或与他合作 他加入我们的总统。 他之前是Uber公司的首席产品官和首席技术官, 并且加入了我们这个规模较小的公司, 帮助扩大Uber当然是世界上最大的劳动力市场的所有过程。 所以超高标准至关重要。 (00:47:41): 然后我们真正依赖的第三个是强度。 如果你看看传说中的公司早期的文化, 想想Meta或Google, 他们拥有这些令人难以置信的,强烈的早期文化, 人们只是感动天地, 并尽其所能推动模型能力的前沿。 所以,对于人们实现什么,而不是他们工作的具体时数的输入, 仍然非常注重产出, 但是,我们承认,建立一个传奇的事业需要很多时间, 而这正是我们最优化的目的。
我能理解为什么这样有效 能够做的态度 高标准 和强度, 我可以看到 如何导致成功。 现在有很多关于这种6-9-9文化的话题,每周工作六天,早上9点到晚上9点. 很多人都说:"为什么? 这太可怕了 "你为什么要逼人这么做?" 但与此同时,我不断从最成功的AI公司那里听到这个消息. 这只是它的成功方式。 事情进展得太快了 这是你再也见不到的机会 谈谈你的想法
对 嗯,为了澄清, 我们从来没有授权时间。 它更是人们的副产品, 他们关心很多我们关心的 企业的轨迹。 所以很多人都来办公室过夜 但如果他们需要早点离开 和孩子一起吃晚饭 或者周末旅行 当然可以 对我们来说,更需要找到拥有大量所有权的人, 真正被买进的人, 更不要说办公室的具体时间, 尽管我们发现经常是买入最多的人, 并不总是, 但经常是买入最多的人, 和我们一起燃烧午夜的石油。
当你说高标准时,你有没有可以分享的东西 给我们一个你在那里的意思的例子? 因为很多人认为自己有很高的标准,而没有.
如果你很耐心的话,在雇用时,在速度和质量之间总是有一些权衡. 我特别记得我们最初的10个人, 我们非常耐心和有纪律地寻找一些世界上最好的人。 他们一半是... 我们的第二个雇员,希德,作为一个例子, 我们的第二个雇员在美国,希德 之前是增长的主管 在规模, 丹尼尔加入我们的行列 之前被缩减为消费者应用 超过10万用户 以及我们前10名雇员的各种不同寻常的背景 我认为,最初的人才密度 塑造了很多 其它的猩猩,当你放大它。
我知道你也有这种观点 人们谈论等待雇用, 雇用真的缓慢, 但实际上它不一定是正确的建议。 说曰.
由于是一把双刃剑,所以很痛苦. 一方面,我很高兴 我们的前10个人是如此惊人 我认为这为企业带来了红利。 但另一方面,我认为公司确实 达到了你只需要 雇用非常快。 有些事情你需要很多人来做,你需要认识到 与雇用有关的是一些变体,但移动快是优先。 (00:51:07): (中文(简体) ). 我认为,在某些方面,我们行动太慢, 我们如何缩小队伍。 所以好处是每个人都是非凡的。 我们有一个超高的酒吧,我们想保持它一段时间。 但我认为缺点是,虽然公司发展得非常快, 但是如果我们移动得更快一点, 特别是从呼叫中加速, 大约10到100人, 我们可能会发展得更快。
好吧,我想问。 所以这听起来像前10, 非常小心, 花你的时间,10到100, 也许加快一点。
是的,虽然我不会说 一定是10。 由你知道它真正起作用的程度决定. 我知道这仍然不是一句明亮的台词, 但就像一旦你知道, 需求比你能处理的多很多, 那就是你想踩上煤气, 在很多方面优化速度。 但我认为在那之前 要有耐心 要有纪律 找到最优秀的人总是重要的,但一旦你找到市场机会,市场真空,速度就变得更加重要.
我知道你过去创办了几家公司 规模小得多 作为这个大型超增长公司的CEO 这个新角色 你最惊讶的是什么 你花的时间最多还是只涉及这个角色? 因为很多人想创办公司 梦想着站在你的立场上 他们可能不知道你很多时间都去了哪里?
是啊,这其实并不奇怪。 前两桶总是在和顾客一起工作, 了解我如何真正深刻地理解顾客需要什么, 然后,我如何建立团队 和围绕它的许多过程? 当然,还有我没想到的 临时的事情, 处理人们的问题, 我们如何建立我们的级别 和我们的合作乐队 以及所有这一切, 你学习 当你规模化的企业。 但我认为,我所花时间的核心位置与我所期望的一致,也与我所热爱的一致,这非常幸运.
你过去创办的这两家公司 可能分享它们的工作成果 因为它们很有趣 然后它们如何帮助你成功? 他们教你什么 帮助你当现在的角色?
是啊,所以有像一打, 但我会选择我最喜欢的两。 所以当我在八年级的时候,我开始了Donut Dynasty, 在那里,我看到Safeway Donuts 以每打5美元的价格销售, 我感到惊讶,因为我觉得自己是一名八年级生, 这是一个如此不可思议的交易。 我开始骑自行车去Safeway, 买Safeway甜甜圈,每打5美元, 然后回到我的中学,然后每两美元售出, 跑得很快。 销量很快 所以我需要扩大。 所以我会付我妈妈20美元 开车送我到Safeway, 买10打甜甜圈, 去我的中学,把它们都卖了。 (00:54:19): 后来学校试图关闭我,因为我在校园里卖食物,他们不喜欢. 所以他们让我去校长办公室 要求我不要这么做 然后,我移动了我的甜甜圈站 超过50英尺, 所以它是校外的校园, 说他们不能再 警备我。 我记得我们有竞争者冒出来 竞争者正在收费。 他们购买了这些查克的甜甜圈,如果湾区有人知道,这些甜甜圈是比Safeway甜甜圈还要高的端甜圈,但它们的成本基础更高. 他们每个要一美元。 所以我把价格降低到两周一美元, 让他们在知道什么是反竞争做法之前就退出了商业。 我愿意雇佣所有的朋友, 付给我的朋友吃甜甜圈, 因为他们认为甜甜圈是两美元, 所以我在卖甜甜圈方面有过这些有趣的经历, 之后我还可以多谈一下我的高中生意, 这是一个更重要的规模。 但我认为从那里取走的东西 就像你可以做一些事情一样 这么多人有想法, 但是,在建设更多的公司方面, 障碍,我认为, 仅仅是主动性, 并采取步骤, 建立消费者想要的产品或经验, 并投入时间和雄心壮志, 扩大这种规模。 因此,我认为这真的得到了代表 这使我意识到,我应该以后在更大范围内做。
令人惊奇的故事。 我喜欢对毒品的好感 卖甜甜圈
我妈妈很担心 她想,"哦,有没有罐 这些甜甜圈?" 我说,"不,妈妈,我向你保证这些是纯甜甜圈。"
我喜欢你付你妈妈20美元开车。
对 她坚持说,这不可能是施舍 她花时间开车送我 所以她需要挣点钱 我们争夺她的头衔,最终她想成为全球行动的负责人,我们觉得这非常有趣。
我希望这是她的LinkedIn。
还没 也许她得加起来
你说你开了十几家公司?
对
珃 摆
嗯,十几个项目, 但我认为是那样的, 然后,我的AWS公司就是我扩大规模的两个。
Mercor背后的故事是什么名字?
Mercor指拉丁语的市场,或者用于买卖,交易. 我们想要建立世界上最大的市场, 建立每个人如何找到工作的市场, 而这才是真正的引领。
好吧,也许最后一个问题。 这又回到了早些时候的讨论,因为它是我在谈论的时候一直在想的事情. 数据作为模型的燃料 已经发生了这种转变,现在是专家。 你觉得还有下一步吗? 还是这只会带我们去AGI,超级情报机构?
我认为它不一定从数据变为专家. 更简单的是, 实验室需要与专家密切合作, 帮助了解它们正在建设的电华是什么, 以及它们如何能够推进前沿。 但我认为很清楚,Evals是常绿的, 只要我们想改进模型, 我们需要专家为他们创造Evals, 并创造培训后的数据,让他们学习这些能力。 当然,人们使用RL或其他方法进行训练的方式可能会有变化,但他们总是需要一个评估,以衡量他们想要建设的每一个领域的成功。
摆 因此,在这个基础上,一个问题 这年头出现了很多, 我知道我们谈论的是有趣的东西, 但我得到了严肃的东西, 缩放法律 和刚刚进步的模型智能。 很多人都觉得,"我不知道,这在减速. 我们不会真正得到 超级智能的速度。" 你有什么感觉?
我完全同意这一点。 我知道有些高管去大实验室说三年后我们就会有超级情报,但事实上我觉得这路会更长. 这不会因为模型的非凡性而减少。 我认为我们可以在未来10年里实现 大部分的知识工作任务自动化, 但是,这条漫长的道路铺平了所有 帮助实现这些能力。 它不会是10X 更多的培训前数据 获得这些能力。 更多的是培训后所有的数据组 数据效率更高 更深思熟虑 帮助我们到达那里
David Sachs在推特上提到这个有趣的观点:我们现在的情况几乎是AI在这种快速起飞到超级情报中并没有出现的最佳情况. 有很多竞争者互相控制 模型已经非常珍贵,而且只是变得珍贵,更有价值,但不只是这个赢家超级智能占据了世界局势.
是的,我想这是真的。 我认为,很多超级智能的恐惧可能被高估了, 但与此同时,很多人的陷害, 即使这个P -Doom有5%到10%的机会, 那么我们应该小心, 这似乎是合乎逻辑的。 但我认为,对于整个硅谷和全世界来说,这将是一个非凡的十年,因为这一技术能够创造丰厚,给每个人更好的医疗,最好的获得法律建议的机会,以及比我们以前所见过的更建设伟大产品的能力.
教育就像在转变。
当然,没错。 过去10年里我甚至感觉到了这些... 我的父母会给我一个困难的时间 不去上课 在大学,我会喜欢,嗯,还有更好的讲座 在YouTube上。 为什么不只是在那里听? 但我只能想象,模型在传递信息方面会非常出色, 比最好的教授还要好, 那意味着什么,以及获得各种信息的机会, 以更好地推进人类,提高每个人的能力。
所以我会用它来做最后的问题 我要带我们去AI Corner, 这是播客上反复出现的部分。 你个人用人工智能做更好的工作 帮助你的生活有什么办法?
好吧,让我看看。 我经常用它来写文件 正如你所期望的 我也有话要说 要得到关于问题的建议。 我认为这是有帮助的 只是理性 通过几乎作为一个思想伙伴 因为,是的,我不知道。 我发现有时我说话时会觉得更好, 但我不能和同事或身边的人谈论一切。
这就像ChatGPT语音模式 大多是其他的。
是啊,我喜欢ChatGPT语音模式。 有东西...
我也一样。
...或有改进的余地, 但我非常兴奋的声音的未来。
让我给你们看看我造的 我本来不打算谈这个的 但有个叫艾瑞克·安东诺的人 被很多人推荐让他上播客 他是一个创意产品的人 现在在雷达下。 他在Facebook上呆了很长时间. 他建造了这个叫做海盗GPT的项目, 也就是你基本上把ChatGPT放进一个装填的动物里去和它交谈。 故造小智猫头鹰. 我现在没有
珃
但基本上你用一个小扬声器缝合 放在下面放点磁铁 放在肩膀上,然后你再和它说话
真可爱 珃 我喜欢它。 我要拿一个 因为我的公寓里有一些语音助理 但我真的很想要一个ChatGPT语音助理 所以我很兴奋...
我只是觉得。 是啊,只是来吧。 为什么我们不能有一个ChatGPT的声音 只是坐在周围听我们所有的时间。 你不能在你的手机上,因为它去睡觉, 它喜欢,"你好,什么?"
没错 对
是啊,所以这就是这个尝试。 嗯,有一个启动器他开始 我们将链接到这一点。 你可以帮忙
开始了
这很简单。 (01:02:25):布伦丹,还有别的东西你想分享 或接触 或者也许离开听众 之前,我们得到一个非常刺激的照明回合?
我鼓励大家,特别是AI和它更容易建造, 采取主动去制造产品, 和客户交谈, 并实现信心的飞跃, 因为我认为这在许多方面,
对 有这么多人,让我们不要打播客, 只是听播客,阅读帖子, 只是继续阅读和聆听, 不要做任何事情与信息。 而且从来没有一个更轻松的时间 真正构建的东西和尝试的东西。
当然
所以绝对接受这个建议。 只要你能做点什么 你可以移动你的甜甜圈站50英尺 并离开他们的管辖范围。
对
好吧,布伦丹,有了这个, 我们到达了非常令人兴奋的闪电回合。 有五问. 你准备好了吗?
都准备好了
什么是两三本书 你发现自己最推荐给其他人?
让我看看。 我想说,高产出管理是一本关于经营公司的惊人的书。 第二是零对一,这当然是经典. 第三个是鞋狗,我发现它是一个非常鼓舞人心的故事。
什么是最近的电影或电视剧 你真正喜欢?
我真的很喜欢奥本海默 我最喜欢的电视剧是Suits, 所以我知道不是最近, 但如果我不得不选择最近的一部, 可能是Oppenheimer。
慌 衣服,第一次有人提到这一点。 你最近发现你最爱的产品吗?
我喜欢使用 Codex, 像新版本。 我知道这在版本上有点新鲜 是啊,我觉得这是不可思议的, 只是一个巨大的,巨大的改进。 没错
你有人生的座右铭吗? 你会发现自己回到身边, 和别人分享, 发现在工作或生活中有用吗?
我认为你可以做一些事情 我们刚才说的 以信为跃.
我以为你会说可以的, 这是在你的推特简介。
也行,没错。
两个伟大的。 最后问. 所以在这之前我们一直在聊一些我们可以谈的东西 而你分享了这个有趣的东西 你没有在别的地方分享, 那就是你有阅读障碍。 你为什么不告诉大家? 刚刚你是如何绕过 建设了有史以来发展最快的公司?
终不藏. 我想很多同事都知道 一方面,我想它肯定 很难每天通过1000个电子邮件 或阅读我应该读到的每份文件, 但另一方面,我觉得它能帮助我 思考的有点不同, 更富有创意, 也许看到市场正在改变, 而不是每个人都看到。 目前为止情况还不错 所以我认为有一点能帮助我从管理的角度认识到, 我们更注重如何利用人们的优势, 而不是帮助改善弱点, 因为有些事情我并不擅长, 我永远不会成为世界上最好的, 还有一些事情我希望能够改进并努力做到。
这也是这个播客反复出现的主题 就是只关注优势 而不是专注于你所有的弱点 (01:05:53):布伦丹,这是不可思议的. 我学到了很多 我还有十亿个问题,但你还有事要做 最后两个问题。 人们应该知道什么是你在做什么 和你雇用的角色? 然则听者何用于汝?
当然 我们全队都雇了一吨 我们正在雇用我们业务团队的战略项目线索,我们工程团队中的软件工程师,以及研究人员. 所以请前往mercor.com 我们很乐意与你合作 这是你能帮助我们最大的方法 也和你的朋友们分享 我们市场上超过一半的人来自转介 因为我们有一个平台 的人爱我们。 所以任何你想申请的工作 或派你的朋友去, 我们很乐意有你。
布伦丹,谢谢你能来
谢谢你邀请我
再见,大家好。 (01:06:43):非常感谢你们聆听。 如果你发现这个有价值的,你可以订阅苹果Podcasts,Spotify上的节目,或者你最喜欢的播客应用. 另外,请考虑给予我们评分或留下评论,因为这真正有助于其他听众找到播客. 您可以在lenyspodcast.com上找到所有过去的剧集或了解更多有关该节目的信息. 下集见.