Scale AI 首席执行官首次专访：140 亿美元 Meta 交易、企业 AI 中真正有效的做法，以及前沿实验室下一步在构建什么｜Jason Droege
First interview with Scale AI’s CEO: $14B Meta deal, what’s working in enterprise AI, and what frontier labs are building next | Jason Droege
嘉宾：Jason Droege
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（上）§01访谈实录（上）
近来人们谈了很多 AI 没有兑现我们听到的承诺，尤其是在企业中的情况。
要让这些东西真正稳健到能自动化一个重要流程，需要 6 到 12 个月。和所有重大技术革命一样，标题讲的是一个故事，落到地面上，铺设宽带意味着必须挖开美国的每一条道路。总得有人挖路，或有人铺设海底电缆。
对于未来两三年 AI 模型会走向哪里，你觉得有什么是人们并没有真正掌握或理解的吗？
当前的总体趋势，是模型从知道事情转向去做事情。下一个问题就变成：它能为我做什么？这个智能体如何替你作决定？
我们来聊聊 Scale，以及你所在的整个 AI 世界。你们实际上开创了数据标注、交易数据、为实验室创建评测这些事。
18 个月前，你会拿到一篇短篇故事，问题是“这篇短篇故事是否比那篇更好？”而现在，一个任务可能是由世界顶尖网页开发者完整搭建一个网站，或是向模型解释癌症中一个极其微妙的话题。这些任务现在要花数小时，并且需要博士和专业人士。
我和许多这些年曾和你共事的人聊过，听到了很多关于你为新业务设定门槛有多高的说法。
从创业角度看，关键确实在于：我拥有什么洞见？我为什么如此幸运地拥有这个洞见？在一个有一百万名思考着、聪明且什么都尝试的创业者的世界里，为什么我会处在一个很可能拥有别人没有的洞见的位置？
今天的嘉宾是 Jason Droege。Jason 是 Scale AI 新任首席执行官。这是他在 Meta 交易后接替 Alex Wang 以来首次接受访谈。Alex 现在领导 Meta 的超级智能团队。在加入 Scale 前，Jason 与 Travis Kalanick 共同创办过一家公司。再之前，他创办过 Uber，也在几家创业公司工作过。最知名的是，Jason 创办并领导了 Uber Eats。它从他和团队的一个想法，变成如今按年化计算收入数十亿美元的业务；新冠疫情期间无人乘车时，它基本上挽救了 Uber。本访谈延续了我在多次访谈中追踪的一个主题：AI 模型究竟如何变得更聪明。除了扩大规模、算力和改进模型代码外，我们在 ChatGPT、Claude 以及每个前沿 AI 模型中看到的诸多进步，都来自这些实验室雇用专家来填补其知识空白、纠正它们对事物运行方式的理解，并且在消费者使用模型的每个领域向它们展示什么叫做好。（00:02:35）Scale 是这个领域的先驱。他们创造了这个类别。我们的对话会谈到 Scale 正在发生什么、与 Meta 的交易究竟如何运作，医生和软件工程师等专家具体如何帮助模型变得更聪明，数据标注、评测和数据训练的整个市场从 Scale 入场到今天发生了怎样的变化，以及人类还要多久才能停止帮助 AI 变聪明。由于他们拥有独特的未来视角，我们还会谈 Jason 认为未来几年模型将走向哪里。我们也会讨论 Jason 职业生涯中大量独特且重要的产品经验，包括如何创办新业务的许多建议，既包括创业公司，也包括既有公司内部；还包括招聘、领导力等许多建议。（00:03:21）非常感谢 Allen Penn 和 Stephen Chau 为这次对话建议话题。如果你喜欢这档播客，别忘了在你喜欢的播客应用或 YouTube 上订阅并关注。它会带来很大帮助。如果你成为我新闻通讯的年度订阅者，就能免费获得 15 款出色产品一年的使用权，包括 Lovable、Replet、Bolt、n8n、Linear、Superhuman、Descript、Wispr Flow、Gamma、Perflexity、Warp、Granola、Magic Patterns、Raycast、ChatPRD 和 Mobbin。请前往 lennysnewsletter.com，点击 product pass。下面请出 Jason Droege。（00:03:53）本期节目由 Merge 赞助。产品负责人讨厌构建集成。它们杂乱、构建缓慢，严重消耗你的路线图，而且绝对不是你最初进入产品领域的原因。幸运的是，Merge 痴迷于集成。只用一个 API，B2B SaaS 公司就能把 Merge 嵌入产品，并在数周而不是数季度内交付 220 多个面向客户的集成。把 Merge 想成面向所有 B2B SaaS 的 Plaid。Mistral AI、Ramp 和 Dorada 等公司使用 Merge，把客户的会计、人力资源、工单、CRM 和文件存储系统连接起来，为从自动化入职到 AI 就绪数据管道的一切提供支持。更好的是，Merge 现在借助一款新产品支持将连接器安全部署给 AI 智能体，使你能用真实客户数据安全驱动 AI 工作流。如果你的产品需要来自几十个系统的客户数据，Merge 是最快、最安全的获取方式。在 merge.dev/lenny 预约并参加会议，他们会送你一张 50 美元 Amazon 礼品卡。网址是 merge.dev/lenny。（00:04:59）本期节目由 Figma Make 的开发者 Figma 赞助。我在 Airbnb 当产品经理时，至今记得 Figma 出现时，以及它多么改善了团队的工作方式。突然之间，我可以让整个团队参与设计流程，快速对设计概念给出反馈，整个产品开发过程也变得更有趣。但 Figma 从未让我觉得它是为我设计的。它很适合对设计给反馈，可作为一个构建者，我想做出东西来。（00:05:25）这就是 Figma 打造 Figma Make 的原因。只需几个提示词，你就能把任何想法或设计变成可正常工作的原型或应用，任何人都能继续迭代并和客户验证。Figma Make 是另一种氛围式编程工具。因为它完全在 Figma 中，你可以使用团队现有的设计构件，轻松做出外观出色、感觉真实、并与团队构建方式相连的成果。别再花那么多时间向人讲述产品愿景，改为把它展示给他们。使用 Figma Make 快速制作有代码支撑的原型和应用。请访问 figma.com/lenny。Jason，非常感谢你来到这里，欢迎来到播客。
好的，感谢邀请。很高兴来到这里。
我研究你的背景、为这期播客做准备时，了解到一个我想很多人都不知道、很有意思的趣事。Travis Kalanick 在 Uber 之前有一家创业公司，叫 Scour。它是一款点对点文件分享应用，后来我想它被关掉了。你是他的联合创始人。这是你职业生涯的早期阶段。我猜这段经历有数小时的故事可聊。那我只问一个问题：那段经历中有什么教训一直留在你心里，并被你带到后来工作和做产品的地方？
我的意思是，教训太多了。我喜欢挑一个讲。我认为最主要的教训是，在商业和创业公司里，一切都可以谈判。这是最重要的一点。因为当时我们 19 岁，大概 19、20 岁，我们在宿舍里做了一个搜索引擎，也从宿舍运行它，第一个网址是 scour.cs.ucla.edu。当时这些事未必符合规矩，但我们只是在务实地做。它本来就是我们启动的一个项目；我们做出搜索引擎，人们开始使用它，我们以为会惹麻烦，结果计算机科学系反而对此感到兴奋，尽管我们其实把一个域名挂在了他们的服务器上，还用宿舍自己的电脑来托管这个网站和产品。（00:07:46）后来进入融资，融资过程很有意思，“一切皆可谈判”这个教训就来自这里。最初的投资人是 Ron Burkle 和 Mike Ovitz。我们在洛杉矶，就读于 UCLA，所以和整个 Sand Hill Road 圈子并不算很有联系。交易进行时，条款不断变化。我们以为融资就是：“噢，我们按 500 万美元估值融几百万美元。”那时这实际上还是 A 轮估值。可交易过程中却变成：“我们做这笔交易。我们不做了。噢，你们该给我们公司 50%。噢，你们该给我们 75%。噢，如果你们今天签文件，这个人会来吃早餐；如果今天不签并给我们公司 80%，那个人就不会来。”（00:08:38）从第一天起，我们看到商业中可能发生的事完全疯狂。我们以为做事有某种既定方式，年纪很轻时就意识到并没有所谓既定方式。只有你能在这个世界里谈判出来的方式。我认为这深刻影响了 Travis，后来也深刻影响了我在 Uber 的做法：如果你能想象它、它说得通、你又能对齐激励，它就可能发生。但并没有唯一的方式。在 19 或 20 岁就学到这一点，我认为留下的印记极深。
这是个了不起的教训。Scour 后来怎么样了？我想它被关掉了。那里发生了什么？
是的，基本上 Scour 是一个多媒体搜索引擎，后来又成了点对点文件分享网络。但它被用来寻找免费内容。当时相关法律相当模糊，因为我们没有……混音带是合法的，但这个像是其超级版本。不过最终我们被起诉索赔 2,500 亿美元。所以我想，如果要经历某种可能摧毁人生的事，当时我们大概 21、22 岁，可能正是经历它的年纪。但这让我们冷冷地清醒过来，看到现实世界究竟如何运转，因为起诉我们的是 MPAA 和 RIAA，娱乐业或代表娱乐业的协会；后来他们以 100 万美元和解。（00:10:08）于是我们想：“等等，你们要 2,500 亿美元，却以 100 万美元和解。”当然，他们只是想把我们逼进破产、赶出市场，而这些是成熟公司。我们想：“如果这些人都没有既定剧本可遵循，只是随意编数字，那么，哇，我们该如何度过余生？”
我们来谈谈 Scale 和你所在的整个 AI 世界。这是你接任 Scale CEO 后做的首次访谈。很荣幸请你来谈这些。这也是你在整个 Meta 交易之后的首次访谈；这笔交易很复杂，让许多人感到困惑。我想听听 Scale 目前的情况，人们应当知道什么。比如，你和 Meta 的关系是什么？你和 Alex 的关系是什么？Scale 当前是什么状态？
Scale 是一家完全独立的公司。这笔交易是 Meta 投资略高于 140 亿美元，取得公司 49% 的无投票权股份，没有获得新的董事会席位。Alex 仍占有那个董事席位。因此董事会没变，治理方式基本也没变。Meta 对其拥有的任何东西都没有优先访问权，也不存在优先关系。我们的数据业务长期以来一直与 Meta 有合作，甚至也会在一些业务发展相关事务上合作，比如可能一起做政府项目等。因为现在关系更近了，这些合作可能变大，但没有什么阻止我们与其他方合作，他们也得不到任何原本得不到的东西。所有原有的隐私和数据安全措施都还在。（00:11:47）事实上，交易中只有约 15 人去了那边。Scale 现在约有 1,100 名员工，有两项主要业务，每项的收入都有数亿美元。如今公司内部有两家独角兽级别的业务来支撑它。交易发生后业务每个月都在增长。我读到的报道并不总是准确，我们此前也没有谈过，所以这是传播事实的一部分。我们很期待继续建设、交付数据，做过去做的事。
所以公司现在独立运作，是它自己的公司。为明确起见，Alex 现在在 Meta 工作，不再在 Scale 了。
对，是这样。抱歉，我应该多谈一点这个。
我觉得这很有意思。基本上，这是一次投资。一些人离开加入 Meta，公司继续存在，你在掌舵。我们来谈谈你们实际上开创的这个领域，我不知道最佳称呼是什么，数据标注、训练数据、为实验室创建评测。早在任何人知道这是回事之前，你们就在做这些。我知道 Scale 也是从其他业务转到这个市场的。我想他们尝试过许多自动驾驶及其他东西，然后发现：“见鬼，AI 实验室需要这些数据。”（00:12:57）我听到的一个主要说法是，我也请过这个领域的很多 CEO 上节目，行业从 Scale 长期率先进行的低成本通才劳动力训练发生了巨大转变。如今实验室主要需要专家、律师、医生、工程师来训练、写评测等等。我很好奇你们看到了什么，这如何影响你们，你认为行业会走向哪里，人们该知道这个训练数据市场什么。
是的，完全如此。我认为竞争对手目前在外面讲的定位就是胡扯。我先说这个，随后解释我的意思。但我认为重要的是，花 30 秒讲讲 Scale 的历史，以及可追溯到 2016 年的主线。Alex 很早就洞察到数据对模型很重要。当时我想他也 19、20 岁。他想：“好吧，我要围绕这件事创建什么业务？”他创建的业务是为自动驾驶汽车做标注，因为标注它们拥有的数据，汽车就会表现得更好。后来那一波变成计算机视觉浪潮。我们与国防部有合作，为他们做标注，那是在 2020 年。（00:14:21）随后模型在这段时间变得更好。模型越好，需要的数据类型就不同。因此我们一直适应模型成功所需要的数据类型。接着生成式 AI 浪潮来临，行业一路冲上天。这一行业也在不断变化。两三年前模型刚出现时，确实如此：我们记得使用它们，它们总会产生幻觉，连基础答案也会答错，不知道哪首诗更好。几年前的标注就是那个状态。事情变化很快，我们也随之变化。现在对所有人而言的状态，而我们一直处于前沿，是专家数据标注和更复杂的任务。（00:15:15）让你感受一下 18 个月前的任务。我到这里大约 13 个月，当时正在面试，也记得看到过它。你会得到一篇短篇故事，问题是：“这篇短篇故事比那篇好吗？”然后你编辑它，说：“是的，如果这样会更好”，并给出偏好排序。18 个月前相当基础，虽然出现了一些专家，但模型远远落后，连基本所需数据都需要。如今一个任务可能是世界最佳网页开发者之一构建一个完整网站，或向模型解释癌症中十分微妙的话题。这些任务现在耗时数小时，需要博士和专业人士。（00:16:01）给你一项支持这一点的统计：我们专家网络中 80% 的人拥有学士或更高学位，这与外界的一些定位和对行业的理解大相径庭。约 15% 拥有博士或更高学位，网络中的博士通过做标注、向模型贡献专长，能赚到可观收入。自从模型需要它以来，我们一直在做专家数据标注。这场游戏就是与研究人员保持联系，知道他们需要什么，在内部提出想法。在某些方面，这是我们推动的，因为我们发现模型在更专业的方面还不足。于是我们会对模型开发者说：“嘿，我们注意到这是问题。如果你想修复它，这一群专家可以为你做到。”外面的反向定位存在，但我认为那有时只是竞争对手的话，与现实无关。
好，这太有意思了。所以我听到的是：确实发生了重大转变，实验室需要更多专家参与训练、标注和撰写评测。你们很清楚这一点，也已经随之演变。市场上的一种说法，或者说指控，是很难找到这些专家。因此所有公司都有自己的专家网络和寻找方法。你能否分享你们如何做？因为最难的部分似乎就是找到专家，并防止他们去别的公司。
他们确实难找。你必须有很多很多办法。正如你预期的，没有一种方式就够。最大来源是互相推荐，因为当你享受自己在做的事、用专长为 AI 作贡献时，这很酷。如果你是研究某个非常具体话题的博士，使用模型时因它没有按你想要的方式和你交互而感到挫败，这是一种有偿的出口，你可以用它赚数百或数千美元。因此很多时候他们互相推荐。（00:18:13）我们也有校园项目，会真的走进校园，和教授、学生交谈，询问谁想做这类工作。当然，还有 LinkedIn 等处更传统的规模化方式。但最好的候选人来自这些草根和推荐网络。获得这种网络的唯一办法，是为这些人提供很好的体验，因为他们做这件事部分是为了钱，但也因为他们认为自己对 AI 模型的贡献重要且有趣，很多时候它还解决了他们自己的问题。
本周我准备访谈时在 Twitter 上看到一件事：The Information 出了篇标题，它呼应了 Workhorse 的 Brendan 所说的话，即随着时间推移，整个经济都会转向强化学习，每个人基本都在训练 AI，而这就是将留下的工作。你怎么看？你觉得趋势会是这样吗？有没有另一种观点？
强化学习很重要。我想这是关于向环境转移的更广泛评论。有一种叫 RL 环境的东西，本质上是 AI 智能体可以在其中游戏、完成某个目标的沙盒，从而学习如何完成该目标。我们这样做已有一年多。例如，你有一个 Salesforce 实例。AI 智能体如何在其中导航？实例里有它要识别的数据和配置。Salesforce 是高度可配置的产品，它要理解如何浏览这些配置。你要求智能体执行一个可靠性必须极高的业务流程，智能体还要知道：“嘿，如果我不能完成将要做的事，或者我认为自己将做的事准确率很低，怎样把它上报给人类获取反馈，以得到指引？”（00:20:08）所有这些都需要训练，没有炼金术可言。你只能把 AI 智能体放进一个能代表人类会做什么的环境。你可以想象，世界上的环境数量和每个环境中的目标数量都极其庞大。因此问题是，我们过去一年为了成为模型开发者客户的好伙伴所做研究在于，每个单独任务或环境有多大的泛化性。若你想象软件系统、配置、数据类型、规模、用户数和复杂度构成的环境世界，其排列组合无穷无尽。因此你需要一项策略，让实验室收集在广泛用例中足够可泛化的数据，不必收集 45 万亿种“智能体在此情形中该做什么”的组合。（00:21:20）有时工作和数据高度可泛化。所谓可泛化，是以简单方式完成一件事。任务可能是找出我日历里与 Lenny 面试的会议；智能体查看我的全部日历，再把它找出来，这是很简单的例子。它需要能泛化到任何日历搜索，甚至任何日历操作。泛化性越强，数据就越有价值。我们的工作是向模型开发者提供最有价值的数据，以实现让智能体尽可能对最终用户有用的目标。
我喜欢你分享这些人究竟做什么、你们向实验室提供什么数据的例子。复述一下你分享的几个例子：一个是工程师构建网站，本质上把代码分享给模型，并说“这是我会怎么做”。在这个例子中，数据只是代码，还是他们构建过程的录屏？数据是什么？
两种都可以。有时只是网站和一个示例，然后他们来设计。有时需要用这样的方式标注：“我因这个理由做了这个决定，因那个理由做了那个决定”，或“我会这样思考”。这取决于模型开发者想完成什么，因此就他们想训练的内容而言，可能变得很细致。
明白了。
所以不是“这是一个网站，然后它被创建来做网站”。而是“这是一个网站，这是我为何做这个决定、为何没有做那个决定”，或者“这是一个有问题的网站，这就是它为何有问题”，如果他们要做的是网站构建器的调试工具之类。
你分享的另一个例子是一篇短篇故事：一篇在这里，另一篇我猜是模型生成的，然后问哪篇更好、如何改好。你刚才的另一个例子是 Salesforce 智能体，比如“为一名潜在客户安排会议”，然后教它如何完成。我喜欢这些例子如此具体，因为人们会想：“好，我明白了，这就是这些公司在做的事。”还能再给一两个例子，让人感受这些数据长什么样吗？
当然。我可以给你一个例子。我们的业务有两方面：一方面向模型开发者供应和销售数据；另一方面，我们实际做解决方案，向医疗系统、保险系统等销售应用和服务。我觉得若给你其中一个例子，画面会更丰富，因为它涉及数据，也涉及为一个极具体目标使用和处理数据。一个例子是，我们和一个医疗系统合作。医疗系统问题很多。这个特定医疗系统的专家会定期看到非常罕见的病例。只有别人都无法弄清你的问题时，你才会去那里，因此积压非常大。这个实施层面有生产率因素。（00:24:27）积压很大。他们想看更多患者、提供更好的照护，并减少复诊次数，因为他们希望第一天就给出准确诊断和应有的治疗。如今没有 AI 帮助，医生真的需要阅读 200 到 300 页文档。它们汇总在一个文件中，但格式不同。医生如何读完两三百页？所以他们尽力而为，快速浏览、请护士看看，也许请资历更浅的医生看看病例。他们显然想好好治疗患者，这正是他们成为医生的原因。然后他们走进诊室与患者交谈，再作诊断。（00:25:14）我们基本上建了一个工具，替他们阅读文档，指出他们应考虑的前 5 到 10 件事。一个例子是可能并不明显的过敏。我们实际发现一名患者有一种从文档阅读中不容易看出的过敏，而这种过敏会与原本要开的药产生冲突。因此这个 AI 工具基本上提取出了这种关联，即使人做起来也会很难。要不断把工具做得更好，现成模型能达到一定极限，医疗系统内部的人实际上必须自己做标注。（00:25:54）我们谈模型开发者的标注，但开始看到标注进入企业和政府，因为只靠现成模型、RAG 加上基于已记录数据的一些微调，你只能走到一定程度。人们常忽略的一点是，听到“这家银行每年有 200 PB 数据”或其他天文数字时，我们假定这些就是合适数据。那些数据中哪些对模型有用？大部分没用，一部分有用。但我们谈知识工作、作判断时，许多工作是人类判断：这个医生在此情形会如何决定，或这个银行家在此情形会如何决定，以及他们会如何在整个企业背景中作决定。由于文化、目标、激励等因素，不同银行、不同医疗系统会不同。因此我们正在到达这样一个点：把判断、人类判断、真正的学科主题和深度专长数字化，正在成为我们为客户解除的瓶颈。
这很有意思。这个谱系从低技能的通才劳动力，走到专家，现在又走到这家特定公司里需要做这项工作、做这种标注的特定专家。
完全如此。人们有一个宽泛叙事。我们有两种叙事：一种是 AGI，一切都会成为 AGI；另一种是怀疑者：“嘿，这全是胡扯，是泡沫，等等。”当然，我的看法是大多数事情都介于中间，极端观点中有些极端部分可能正确。但现实是，在智能体与智能体互相交谈的智能体系统中，要把关键任务用例做到实现目标所需的准确度非常难。一个主要问题是，即便理解一份文件也是问题：在 A 公司读起来完全一样的文字，在 B 公司有不同的含义和重要性。系统怎么知道这一点？这些都必须被构建出来，才能作出好决定。
这很好地引出一个人们看待你们和这个领域其他公司时总会想到的问题：我们还要多久需要人来做这件事？到什么点 AI 会聪明到能自己做？我知道你们的激励是说人永远不会用完，因为这符合你们的增长，但我们应如何思考，为什么 10 年后还需要人？这些专家还要多久告诉 AI 它不知道的事？
首先，数据标注的历史是一部不断重新开始的历史。自动驾驶汽车不再像过去那样需要那么多数据标注。Scale 相信数据永远重要。到模型不需要外部数据、人类数据的那个点，我认为世界已经达到了几乎难以想象的进步水平，因为你实际上在说，没有任何新的人类技能或新的人类知识重要到值得放进模型。这似乎非常遥远。因此对我们这样的业务而言，我们不断研究如何建立运营机制，持续发现新需求，再与我们称为专家贡献者的贡献者网络合作，挖掘那些数据和信息。有时是新的人，有时在现有基础中，我们发现已有的人拥有过去不知道的专长，也许一年前对模型没用，现在却有用。（00:29:47）所以这是一个持续把越来越多数据放进模型的过程。是的，我们有财务激励相信人会始终参与其中，但那不只是商业信念，也是个人信念。这些系统要为我们工作；如果它们为我们工作，我们就需要处在这些系统所作任何决定的环路上或环路内。至于更广泛的劳动力问题，也就是围绕白领末日的讨论，我肯定更偏实际一侧，可能因为我的本性，也可能因为我看到这些客户现场实际发生的事。人们说这种转型会在未来一两年发生，我觉得它也许会发生，领域发展极快，但我不认为它会那么快发生。（00:30:39）它肯定不会在下一年发生。认为两年内发生，我觉得非常牵强，但在这里没有什么不可能。长期看，如果回顾悲观主义档案或类似账号发布的说法，收音机被发明后，所有这些工作都会被消除。变化会发生，但我认为人类很擅长适应。因此在所有悲观论和末日论中，我们低估的是人类适应性。我们公司适应能力很强，我认为技术史表明人们具备适应能力。
我很喜欢这个结论。我也是乐观主义者，所以总在找乐观的理由。在继续这个话题前，我想问一个很实际的问题：评测似乎经常被提到，尤其是你这个领域的公司。我还在学习这一切究竟是什么，特别是在你们的市场。你们或专家提供的东西里，评测占多少，相比于其他类型数据？
很多是评测；在企业和政府客户中，大部分是评测，因为总得有人建立“好”是什么的基准。这是理解评测最简单的方式：好的样子是什么，你是否有一套全面的评测，让系统知道好的样子是什么？就这么简单。
所以以你分享的医疗例子来说，本质上医生会坐在那里看这些报告，创建这样的评测：这份报告、这份记录中系统应当发现什么。可以这样理解吗？
是的，那是很重要的一部分：好的样子是什么？
太好了，好。
我得把事情归结为简单说法。
有意思的是你说“好”而不是“正确”。这是你特意使用的术语吗，相对于“这就是正确答案”？
我不是有意用那个词，但这些是概率系统，因此取决于……是的，我可以谈谈 AI 擅长解决的适当问题类型。如果一个人工流程只有 10% 或 20% 的准确率，或者 10% 或 20% 的人满意，AI 很棒。因为如果你达到 50%、60%、70%、80% 的准确率，你就赚到了、处在盈利区间，大家都会高兴。系统接着要知道，剩下的部分怎样确保人参与其余决策。但从净增值角度，人们会为这种情形感到兴奋。（00:33:13）如果一个人工流程或工作流已有 98% 准确率，而你期待 AI 系统替你拿到剩下的 2%，还没有完全做到。因此当我说“好的样子是什么”，很多流程和人们要求这些系统及我们替他们建的系统去做的事，是代表他们作判断。就像我们会问一个人：“你觉得在这个场景我们该怎么办？”你要找的是，根据当前信息得出的最佳建议或行动方案。
对你和你市场中的人来说这太明显了，而我认为很多人以为 AI 训练只是“这里有一堆数据，看看它，尽可能从人类历史和所有文字记录中学到一切”。但不可思议的是，人们其实正坐在那里教 AI 它不知道的东西，填补空白。这就是 AI 现在变聪明的方式。没有更多真实数据可供它摄取了，只是“这是我不知道的”，或者“这是专家发现你错了，我来教你”。而这能扩展，并让模型不断进步，太令人难以置信了。
是的。不，对，我同意。和任何重大技术革命一样，标题讲的是一个故事，地面上，铺设宽带意味着要挖开美国每一条道路。就是这样简单。总得有人挖路，或有人铺设海底电缆。在所有行业中，总有某种运营上的凿刻工作在进行。想想这些模型多么像魔法，它们很了不起。如果你在技术行业待得够久，直到今天它们能一贯地用对标点，依然令我惊叹。我知道在市场的这个阶段这样说似乎近乎可笑，但若回到三年前，从技术角度想想，今天我们以为微不足道的许多事都非常复杂。真正答案是，算力、模型改进和数据共同作用，三者都在同时变好。
我们沿着这个话题继续。你在 Scale 很久了，担任 CEO 有 13 个月。因为你和实验室合作的事有些还没公布，我感觉你比大多数人看到更多未来走向。我知道你能分享的公司动态有限，但对于未来两三年 AI 模型会走到哪里，你觉得有什么是人们没有真正掌握或理解的吗？
你看，讨论太多了。我想这取决于你消费多少 X 或新闻。所以说说我们的看法。当前的总体趋势，是模型从知道事情转向做事情。我们正在推进知识边界，我们发布和其他人发布的基准显示，模型拥有的知识正变得相当稳健。接下来问题变成：它能为我做什么？一进入这个世界，我们刚谈的环境就开始发挥作用。怎样在 Salesforce 实例中导航？怎样在医疗系统中导航？甚至怎样在手机的天气应用中导航？智能体如何替你作决定？（00:36:36）我们才刚刚开始。很有意思的是，这会多快发生。许多推测有巨大差异，我认为正是因为我们处在开端。人们对它会如何改进有不同路径判断。如果采取最激进的路径，即“训练这些东西其实很容易，之后只是经济中的变革管理练习”，顺便说，绝不能低估变革管理练习。（00:37:06）世界上仍有人没有邮箱。因此采用曲线会成为人的问题和政策问题，而非技术问题。技术上我们尚未达到那里，但我确实认为，未来两三年，若你逼我猜，技术会达到一个程度，迫使变革管理者和政策制定者说：“哦，我们该怎么办，因为它已经很接近了？”大概是两三年后的事。
近来有很多说法称 AI 没有兑现听到的承诺，特别是在企业中。有项 MIT 研究显示，人们对很多试点感到兴奋，但它们不起作用，公司没有采用这些工具。有数据显示，工程师并没有因工具变得更高效，有时反而变慢。你和大量公司合作实施各种 AI。你在一线看到了什么？看到什么提升？你觉得它被过度宣传还是被低估？
外面有很多炒作。我们的工作是实际打造有效产品，为客户交付价值，并找出真正落地的地方。要做复杂的流程，我的医疗例子是一个，我们也做其他复杂工作流，例如保险公司的理赔管理。这是在作财务决定，但流程可以自动化。基本上，概念验证做到 60% 或 70% 时，人脑就会觉得剩下的不算什么。但它像数据中心的可用性：可靠性、备份等方面，每多一个“9”都是数量级的投入。一个 9 基本上是我们在 UCLA 宿舍里的网页服务器，五个 9 则是高到疯狂的标准，看起来却只是很小的变化。（00:38:55）这里也有类似动态。许多 POC 失败的一个原因是分母效应，因为太容易说：“嘿，我启动一个项目；我又启动一个项目；我再启动一个项目。”所以人们非常容易试验。我不一定认为 95% 这个数字可靠；某种意义上有点标题党。它传达了正确故事，却略有夸张。因为如果看公司中实际发生的努力，当他们真正找到像我们这样的优质合作方，或自己有曾和模型合作过的工程师，而且投入时间，我说的是数月而不是视频里展示的几分钟，去获得法律批准、政策批准、监管批准、完成变革管理，并达到每个人都满意的准确率，那么这些事需要 6 到 12 个月，才能真正稳健到自动化一个重要流程。（00:40:00）所以我认为炒作之处在于：一旦做成，影响会让人觉得“哇，我自己绝不会发现这个”，比如一个世界上受教育程度最高的医生。但达到那里所需时间，比人们销售的说法要长。
这是个很好的观点，不仅是试这些东西很容易，也是每个人都在做，所以人人都有错失恐惧：“我得试试这些，我得试试所有原型工具、Cursor 和这些东西。”然后就觉得“大家都在做”，匆忙投入，最后其实没有成功。
易学难精。这就是我的总结。
本期节目由 Mercury 赞助。我使用 Mercury 银行服务多年，坦率说，现在我无法想象还有别的银行方式。我从 Chase 转过去，天啊，差别太大了。汇款、追踪支出、让团队成员有权限调动资金，都非常容易。传统银行网站和应用大多笨重难用，而 Mercury 被精心设计成直观、简单的体验。Mercury 还把你使用资金的所有方式汇到一个产品中，包括信用卡、开票、账单支付、给团队成员报销和融资。（00:41:11）无论你是希望支付承包商、从闲置现金获得收益的获融资科技创业公司，还是需要给客户开票并让其及时付款的代理机构，或是需要掌握现金流并获得资金的电商品牌，Mercury 都能定制化，帮助企业发挥最高水平。看看超过 20 万名创业者为什么喜爱 Mercury。访问 mercury.com，10 分钟在线申请。Mercury 是金融科技公司，不是银行。银行服务通过 Mercury 的 FDIC 承保合作银行提供。详情请查看节目说明。（00:41:44）好，我们从 AI 转开。AI 可以无休止地谈，但你还有更多经验要教我们。你帮助打造过 Uber Eats，以前创办过几家创业公司。我们聊了一会儿 Scour。我与许多这些年和你共事的人交谈过，得到许多关于你极其擅长之事的有趣见解。接下来我会逐项谈。其中之一是你痴迷于接近客户、与客户交谈。我喜爱这个话题，因为每个人都觉得自己很擅长，觉得完全理解这为什么重要，也都觉得“我正在做，别担心……其他人没做，但我在做”。请谈谈你认为人们会错过什么：把这做好到底是什么样子，又为何如此重要。
我的意思是，我可能就属于你刚描述的那类人，这或许是开创新事物所需的一部分自负。但我不认为这是一个干净的过程。任何事情开头时，我的过程是持续质疑听到的每件事。我不会按字面理解客户所说的话。从产品管理角度，很多人都谈过这点：不要做他们说的，做他们真正的意思，看真实问题和底层事物。我认为也许能为讨论补充的一点，是我看客户的底层激励。客户的底层激励并不总是财务性的，有时是自尊，有时是职业发展。（00:43:24）例如你向某人卖企业软件，会有一位高管赞助人。那个人必须相信你会为他们做好工作。你如何让他们和你一起跳进这个大项目？这不仅是产品旅程的一部分，也是他们需要从我们这里听到什么、我们要给他们提供什么、做什么才能真正解锁实施产品的机会。因此我认为有一个激励对齐的基础。我非常相信，虽然老生常谈，但“告诉我激励，我就告诉你结果”。我认为这绝对正确。即使客户告诉你一些事，举个例子，我已经离开那个领域一段时间，所以可以坦率谈 Uber Eats。（00:44:06）当我们启动 Uber Eats 时，我从贴近客户的角度看业务。我们实际上无法从餐厅老板那里获得访问，以理解他们的单位经济。我对这个行业一无所知。在 Uber，我的工作是弄清还应进入哪些业务。我们看了十亿种业务，Uber Eats，即送餐，是我们认为最有意思的一种，事实证明是对的，所以我们做得不错。
非常对。
我们无法让餐厅老板带我们参观、帮助理解他们的单位经济。他们会说：“噢，大概是这个百分比或那个百分比，或者你们为什么想知道？”然后我们会找另一位餐厅老板，他们会解释，却又有点怀疑：为什么这些 Uber 的人要和我谈我的火腿成本？所以我们做的是，从这些地方订许多食物，再让一家餐饮供应商给我们一份基础目录；我们逐一核对火腿多重、奶酪多重、面包多重，上面有几片生菜。我们试图独立构建一个看法：食材成本对比人工成本是多少？再三角验证我们的事实基准、餐厅老板告诉我们的，以及我们从现场人士听到的餐厅经济情况。（00:45:16）如果这些事彼此重合，我们就会想：“好，我们对该怎么做有洞见。”这和 Uber Eats 有何关系？我们发现，餐厅每份餐点约有 20% 到 30% 花在食材上，约 20% 到 30% 花在人工上，约 10% 花在房地产及一堆其他项目上，依此类推。但关键是增量价值是什么？（00:45:41）我们于是说：“我们将收取账单的 30%。”他们说：“天啊，这群人全疯了吗？这太高了，天啊。”我们向他们解释经济账，他们说：“好，我们会试，但这太高了。”他们是对的，真实成交价格不是 25%，但我们并没有偏得很远。所以当你要寻找产品市场匹配或贴近客户时，关键是最有价值的事情是什么。对餐厅老板而言，就是给我增量需求。因为如果你把一家餐厅的需求增加到三倍，人工不变，只是扩大食材规模，你就拥有一个增量毛利 70% 或 80% 的产品。（00:46:27）餐厅老板会讨厌我们这么说，因为现实并不完全如此。但正因为有这个洞见，我们有信心带着这样的方案进入市场：我们需要向你收这笔费用，配送费才会是那个数；配送费是那个数、我们收你这个数，消费者就会采用，这样你就能得到增量需求，而我们可以付司机这个数。于是你把整个拼图拼起来。在市场平台的案例中，你并没有百分之百满足任何一个个体的全部需求；你满足的是让他们参与市场的一个出清价格。这是一个例子。
是的。我喜欢这个例子，因为你几乎是在弄清如何帮他们解决他们自己甚至还没完全知道的事。你替他们思考目标，仿佛你就是他们，拆解经济账，再得出解决方案，而不是问“我们能为你们做什么？”
是的。如果你走进一家餐厅，他们会告诉你许多事：“人工排班是问题。”“我的房租是问题。”“这些食材价格是问题，占 20% 或 30%。”如果你能削减其中 3%，那会很大。你可能会据此说：“我要建一家公司，帮你省 10% 的食材成本。”（00:47:45）但这其实没有进入他们脑中真正每日在意的东西。那也许按年度对他们重要，但每天他们做什么？他们看数字，看有没有人来。我昨天赚钱了吗？明天会赚钱吗？所以我认为人们建设新产品时最容易错过的是买方的紧迫性。你可以建造提供大量价值的东西，但如果它不是客户忙碌日子里最在意的事，你就只能走很长的路到一个小镇。
这触及了我经常听到的主题：独立思考，以及你多么重视它。这似乎是一个很好的例子。就这种思维为何如此关键，还有别的想说的吗？
我认为创始人的工作，虽然我扩展了这个词，因为在 Uber 我们拥有 Uber 的一切好处，所以我并不是真的创始人，只是在那里启动了业务。但创业有一些要素，就是你在市场中寻找阿尔法。1997 年我们创办第一家公司时，这并不酷。在硅谷也许酷，但在洛杉矶绝对不酷。现在创办公司非常酷，所以所有人都在尝试一切。你如何获得那个市场的阿尔法？如果你的研究深受周围世界所说之事影响，你不会有独立洞见。你必须离开去做自己的事。（00:49:14）这就是为什么从创业角度，我对创办公司的方法有强烈看法，可能很有个人特点。但真正问题是：我有什么洞见？因为我为什么如此幸运拥有这个洞见？在一个有百万创业者都在思考、聪明并尝试一切的世界里，为什么我可能拥有别人没有的洞见？接着，为什么由我来做？（00:49:46）答案可能是我在一个狭窄、偏远的位置。另一个答案可能是，我天生是逆向思考的人格，所以不断寻找人们不相信却为真的事，这有时会奏效。但第二部分极其重要：为什么我想在这个问题上做 5 到 10 年？人们总把这弄错。他们去和客户谈，客户说“他们有一个问题，我要去解决”，这并不是创办公司的好方法。你真得有持续质疑自己的强烈欲望。（00:50:20）独立思考的另一点是，不能爱上自己的想法。顺便说，我并不自称是世界上最伟大的思考者，这些是别人告诉你的，但其中一部分就是为你的使命抛开你是谁、你曾是谁、你所有的想法，那项使命是为客户完成某件事。
这很好，我很高兴你谈到这里。这触及我经常听到的另一个有关你的主题：你为新业务设定的门槛有多高。我认为这对创始人和你所说在公司内部创办公司、创办新业务线的人都很有用。你已经谈了一些，但还有什么可说的？开始新事物时，门槛要多高才更可能成功？
你看，如果你想给自己最大成功机会，这不总是实际发生的方式，但如果你处在我的位置，职业生涯已有 25 年以上，想给自己最大机会，我认为公司成功有两种方式。第一种，坦率地说大概最重要，是创始人长期是一个自然之力。因为你会不得不转向，你得有转向的能量，得年复一年在困难中坚持，这大概最重要。（00:51:36）但第二重要的是，你可以很容易学习什么是好商业模式、什么是坏商业模式、什么是好市场、什么是坏市场。即便你是这个自然之力，拥有这些知识仍然重要。如果你要带着全部精力进入糟糕市场，至少应该知道。也许无知是福，因为你一头扎进去，时间久了就成功了。但我不会那样做。市场平台是好业务，SaaS 至少在历史上是好业务，我们看看这会如何改变。历史上 SaaS 是很好的业务，具备经常性收入、黏性和网络效应的业务。（00:52:12）如果看顶级风投投什么，确实有许多组合构建，但他们相信可能值数百亿美元的商业模式，在类型上存在相似性。它们有网络效应、有锁定效应，规模大时比规模小时更有价值。因此只要对新业务采取一个过滤机制，这就是我在 Uber 做的事，要淘汰坏想法并不需要太久。然后在剩下的里，你可以选：“尽管纸面上另一件事看起来更好，我对这件事非常热情，虽然它的问题可能更多。”接着你必须对它有热情。但我认为人们错过了一个基本理解：哪些业务甚至有机会值 1,000 亿美元。
所以你创办 Uber Eats，认定这是该下注的方向。从外部看，这似乎显而易见：当然会巨大成功，送餐当然是好主意。我知道当时你们看过大量想法。能谈谈你们探索了什么，又为什么最终选择 Uber Eats 吗？
在弄清这些事情上，我绝对不是房间里最聪明的人。因此在我觉得“好，一切都聚拢了”之前，我会尽可能长时间对想法保持非常非常宽的视野。我认为有许多理由必须保持开放视野，考虑开始看似糟糕的想法，但不断深挖，看看你对它们糟糕的判断是对是错。作为一般哲学原则，我先从这里说起。我们看过一些疯狂的东西。有一天我在旧金山走路，沿着 Market Street 向下看，看到一家 CVS、一家 7-Eleven、又一家 CVS、一家 Walgreens、一家 7-Eleven。我想：“一个这样的店里究竟有多少 SKU 是人们想要的？不能把那些放到一辆货车里，按下车上的按钮，货车就过来，你拿到所需便利商品吗？它们就是便利商品，为什么会有问题？”（00:54:14）我们在华盛顿特区推出过它。我们让 10 辆这样的卡车上路，每辆放 250 个 SKU。冷清到不可思议，我们完全拿不到订单。我们意识到，我们并未真正研究便利店是什么：如果没有香烟、啤酒、思乐冰和这些东西，人们就不会进来买其他东西。我们对零售一无所知，完全没有概念。这是一个想法。我们也看过杂货配送，但坦率说，所有拣货、打包等单位经济让我们害怕。我认为 Instacart 把单位经济做到好水平，完成的可能是你能处理的最困难运营问题。（00:54:56）我们还做过通用配送、点对点配送，也就是如今我忘了 Uber 产品叫什么，我想叫 Uber Direct：有东西需要在城市中点对点送达。从一开始就是失败，因为消费者实际上并没有这个需求，企业某种程度上有，而在 2014 年我们做时，没有人有这个需求。但我们试了这类事情的 15 个版本，最后才说：“好，送餐在所有信号上都在爆发，我们能让单位经济成立。人们似乎想要它。这是一个很酷的问题，因为我们能给独立餐厅所有这些工具，让它们与大公司竞争。我们可以把房地产从方程式中拿掉。所以你可以有一个不是黄金地段的店址，但只要有一流食物，你就可以竞争。”我们想：“哦，这是一个非常有意思的问题，我们真能帮助本地经济。”
而且如果我记得没错，这基本上在新冠期间挽救了 Uber。Lyft 没有这样的业务。到目前为止，这项业务有多大？你能分享一下它对 Uber 最终有多重要吗？
当然。我们 2015 年 12 月在多伦多推出，上线两小时内销售额就达到 2 万美元。我们很快就看到这是个正确想法，单位经济也不错，速度快得惊人。四年半之后，我在 Uber 总共待了大约六年，不过我们大约花了一年半才摸清这件事。四年半后，规模大约达到 200 亿美元。所以四年半从 0 到 200 亿美元，已经相当不错。Uber 很擅长把事情规模化，但这是竞争市场。其他人也做得不错。我们击败了很多人，也有人击败了我们。现在我想它正逼近 800 亿美元，自从我离开后又过了四年半。新冠疫情把它从 200 亿推高，我恰好在疫情前离开，完全是巧合，一年内从 200 亿到 500 亿。我的意思是，网约车是这样走的，而外卖简直冲到了冥王星。
运气真好。干得漂亮。
运气也是游戏的一部分。这是另一个重要的认识。运气是游戏的一部分，所以不要因为别人有运气就怨恨他们。这个行业很难。我们正在做的这些事都非常非常难。运气只是游戏的一部分。
也许该讲，也许不该讲。你的同事 Stephen Chau，我投了他的新公司，他在 Uber Eats 和你共事很久。他让我问你麦当劳的故事。我猜那对你们来说是一个重大里程碑、重大时刻。为什么决定把麦当劳放到 Uber Eats 上？据说你们赢下这笔合作还有一个故事。
这很有意思，也说明有时无知会意外把你带向正确答案。我们推出 Uber Eats 时，Uber 已经有全球布局，而我们是唯一拥有全球网络的外卖配送平台，中国除外。Uber 的所有东西都必须全球推出。这是公司文化中很重要的一部分，等等。这需要大量工作，也可能摊子铺得太开、引发其他问题。但在这件事上它是好事。我的愿景是：帮助小商家与所有这些连锁店竞争。连锁店有系统化的餐饮体系，而食物正是让一座城市出色的东西。没有人会谈起自己在巴黎去过哪家连锁餐厅；他们会谈起发现了哪家本地小店。我们想成为其中的一部分，那才是我们想做的。（00:58:17）后来麦当劳找到我们，说：“嘿，我们很想和你们一起做外卖。”我说：“不。”他们说：“等一下。我们每天有 8,000 万消费者。你不想一起做吗？”我说：“这目前不太符合我们的调性。”我就这样推了他们四五个月，直到我的团队说：“你疯了。这些人会为此投入营销，他们真的想做，也愿意全力投入。”我认为也因为如此，虽然很难把这些事直接归因，我们最后和他们达成了独家合作，获得了数量惊人的客户。那时连锁店其实还不太在外卖平台上，因为大家都非常担心单位经济，它们对客单价极其敏感。（00:59:00）我的做法是：嗯，把它想办法做成，这很符合 Uber 文化。好，客单价是 17 美元，那就由我们来让它成立，缩小配送半径，算清经济账，也许在某些地方上调一些食品价格。总会有办法。于是我们做了，三个月后业务又以不同层级开始陡增。我的团队说：“哥们，你在这点上太固执了。”但我认为最终反而净受益，因为我们和他们拿到了一笔很好的交易。
所以我听到的是，你推开他们反而帮你拿到了更好的交易。这太棒了。
对，我想 Stephen 指的就是这个故事。之后的接入也很疯狂，因为我们基本在六个月内和他们一起实现全球上线，而当时这项业务还不到两年。要启用一家大概有 80 年历史、并期待各种流程都已经到位的公司，而我们只让纽约办公室的两名行政经理来管理，简直一片混乱。
我至今仍为 In-N-Out 还没上这些应用而难过。
对，我也是。
我记得有人会绕过限制。有各种办法，人们会想办法钻空子，而他们会说：“不，不。好，你是 Postmates。我们知道，我们不会给你任何食物。”
是的，我很喜欢 In-N-Out。
你提到过毛利和利润率这个概念，也提到你对此多么痴迷。我想多花一点时间聊聊。我听说你在投入任何事情前，都很执着于理解毛利。大多数创始人在这方面根本不知道自己在做什么。对于人们在思考一家企业是否可行时该注意什么、又可能忽略什么，你学到了什么？
你看，它和许多过滤器一样，只是其中一个。确实有一些低毛利企业也是好企业，比如 Costco、沃尔玛等等。亚马逊总在谈这个：有些公司涨价，有些公司降价。但我会说，总的来说，高毛利加上健康的流失曲线，是企业很健康的信号。想想看。如果我要卖给你一样东西，却无法在上面加很多价，我在手里这件东西之外到底增加了多少价值？如果我没有增加多少价值，我做的又是什么生意？我做生意就是为了增加价值。当然并不完全这么简单。这只是一个试金石：当有人来找我，尤其是一项新业务，我们经常遇到，我在 Uber 和所有地方都遇到过。有人提出一个想法，说：“我们可以进入这个业务，我觉得可以收这个价格，做到 40% 毛利。”我的下一个问题是：从 60% 毛利开始。为什么行不通？他们说：“哦，客户……”你马上就跳到了真正的问题。哦，客户有替代选择。好，替代方案是谁？哦，是一家离岸公司。它的毛利是多少？哦，我们不知道。你去查，发现是 20%，而且他们已经存在很久，运营已规模化。于是你会说，好，你的毛利会比你以为的更快从 40% 降到 20%，除非你能做出差异化，否则你会很难受。（01:02:06）所以我把毛利视为一种很粗糙的工具，并不完美，用来思考：我是否增加了足够价值？我是否有差异化？它不完美，但作为快速的短路过滤器很好用。甚至只要看有人向你推销一个想法，就能判断他们是否想透了这个动态。因为如果回答是“现在毛利很低，但我追求的是这个动态”，你会说：“哦，好。”有时则是“我们会靠规模把它补回来，毛利会暂时变成负的”，你就会说：“等等，这行不通。”
我喜欢这一点，因为它提供了一个判断视角：如果研究我能否维持高毛利，我的想法是否足够好？这个领域的人没能做到更高毛利，是不是有原因？
对，正是如此。正如我所说，它是用来排除一些项目的，尤其是你在为大公司做这些事情时，人人都有想法。这是一种快速看穿的办法。你是否理解两三年后必须存在的那台机器？你现在可能有 70% 的毛利，但下一个问题是，为什么别人不能做这个？如果你的回答是：“他们现在可以，但两年后不可以，只要我们跑得足够快。”好，那也许有戏。如果他们现在能做、两年后也还能做，你就会遇到利润率压缩。
顺着这个话题，我刚在听，我想是 a16z 的播客。Alex Rampell 讲了一个关于 Costco 的故事：正如你所说，他们的策略实际上是把利润率保持得非常非常低，因为全部收入都来自会员费。他们大概有 5,000 万会员，每月付 100 美元，那就是他们的整个业务。所以他们并不打算、也不想从商品上赚钱。
对，没错。他们玩的是略有不同的游戏。我不是 Costco 专家，和那家公司打过一些交道，但他们用价格来实现规模。他们基本是在说，如果我们打折，和沃尔玛一样，就会获得如此大的量，以至于把所有竞争对手的空间都挤掉。那么问题是：如果你今天毛利低，两三年后，当你在一个市场落下这些中心之一，为什么利润率不会被侵蚀？答案是因为我们已经吸收了全部需求。你若想把毛利从 10% 降到 8%，我粗略认为那大概就是他们的毛利，这会是很难做的生意。如果客户已经养成到你这里消费的习惯，已经围绕你安排每周购物，有了供应商关系，也有知道如何补货的店总经理，这不是一件直接就能做到的事。所以他们先实现规模，然后你就祝自己好运吧，想和他们竞争。
好。还有几个问题。其中一个是，我听说你常说也相信一句话：不输是赢的前提。
对，对。
谈谈这个。
科技行业是一种由投资者构建投资组合的文化，而坦率说，很多叙事也由投资者控制。创始人当然参与其中，但“你就放手一搏”这个观念是共识。放手一搏，谁在乎？可我不知道，如果是我的人生，而我只有一次出手的机会，我可能不想只是放手一搏。我可能想先思考一下。我认为最优秀的创业者，我没有数据支撑，这只是我的朋友、我的朋友圈，但我认为最优秀的创业者和企业主会看自己决策的风险结构，并一路努力做出不对称地偏正向的决策。（01:05:51）因此，我常觉得我们忘记了决策的风险。这里还能展开很多，因为我其实认为，做出极高风险决策然后成功，也是一种奇怪的文化现象。因为你要怎样训练别人这样做？要做出高风险决策并足够频繁地判断正确非常难，因为这会造成很多波动。但这又回到我对创始人最重要特质的评论，就是坚持到底的能力。活下来也是游戏的一部分。大多数人在找到正确时机、在客户身上获得正确洞见、让正确产品进入市场之前就放弃了。科技业的情况可以很快改变；你能在很短时间从失败者变成英雄，但你走的是一段很长很长的旅程，而要满足那个条件，你得活下来。（01:06:38）所以问题是，当你处在炒作周期里，我认为我们现在正是如此，所有人都想放手一搏，然后加码，再加码，再加码。你们却没意识到，我们所有的客户五年后都还会在。他们只是想让我们解决问题。我们必须在，才能替他们解决问题。所以生存是这个目标的前提。不要在路上把自己置于可能损害企业的位置。这不意味着不要冒险，而是要想清楚如何计算风险。
我喜欢这一课以及类似的许多经验显然都来自失败、事情不顺、系统出问题，而这恰恰是最好的结果。
如果你站在一次高回报、高风险决策失败的那一端，会非常痛苦，因为你彻底完了。你完蛋了，往往没有出路。
有没有什么相关故事或例子浮现在你脑中？
这就把我们带回到为什么我努力这样做。我认为你可以在前期多花一点时间思考，为后续省掉很多痛苦。我有过一家公司，不值得细讲。2001 年泡沫破裂后，我想：“我要自筹资金做一门生意。我要建一家能盈利的公司。我想证明我能做到。”此前我们创办过 Scour，那里有我们谈过的所有那些东西。于是我想，当时我是个高尔夫球手，而且坦率说，科技圈没有什么可做。（01:08:03）我就开始在网上卖高尔夫球杆，赚到了实实在在的钱。我从这家公司学到的东西可能比任何其他公司都多，因为我从 eBay 起步，那时 22 岁，没有真正理解我的利润率会下降，因为任何人都能做这个。但我算是最早做的人之一，所以赚了很多钱。后来我建起这家企业，却没意识到自己有很多自负。我想：“哦，只要我买下美国所有二手高尔夫球杆，我就能成为价格的做市商。”人们不是会这么做吗？
我喜欢这种雄心壮志。太棒了。
但真去想它的可行性，这完全是疯了。所以我没有花时间思考，最后陷进了这门生意。它是盈利的，收入做到几百万美元，反正如此，一段时间还给我分红，但整个过程都很痛苦。
我喜欢你经历的这个跨度。你卖过高尔夫球杆，也可以说正在帮助实现 AGI。你职业中还有一整段我们没谈：你造过泰瑟枪、执法记录仪、无人机和这些东西；也在其他人之前做过点对点文件分享。最后一个我想基于这些经历多花一点时间的话题，是招聘和建团队。我知道你对此有很强的看法。我最近在这个播客中常听到一个观点：相比找到最优的顶尖人才，建立正确的团队更重要。谈谈这个，为什么它如此有意思和重要。
最近我对此形成了更细致的看法：对某些岗位，在当下市场中你绝对需要恰当的经验。研究人员就是这样，因为市场变化太快，你没有时间把一些人培养起来，所以你实际上必须去找那些要么和你想接触的客户有合适关系、要么即使不符合其他标准但在这点上很出色的人。他们可能不符合你所说的经典条件，例如是问题解决者、能随公司成长、发展潜力很高，等等。我会说这只占公司岗位的 5%，但只要上市速度很重要，这类岗位就非常重要。（01:10:09）至于面试，我只面三件事，而我得面试各种专长的人，这很难。我不可能在所有领域都是专家。所以我把它简化为三件事：你是否是好奇的问题解决者，而且能把这点清楚地说出来？你能否跨团队与人合作？你是否足够谦逊、愿意跨团队协作？你是否是好领导者？如果做到这三点，我认为成功概率就很高，至少在我领导的组织里，因为世界在变。所以你需要能适应的人。所有经验不一定一一对应地相关。（01:10:53）再说到与你的团队协作这一点，这实际发生在 Uber Eats。我在建立 Uber Eats 管理团队时，我不确定那个团队有没有跟你提过，但每次招人时，我都在尝试组成一个近似有机体的优势组合，同时尽量减少冲突。除了运营端的一些岗位外，那个管理团队大部分人从我们一无所有，到 200 亿美元，都是同一批人。我相信，团队了解彼此的优势和弱点、能够互相补偿，比你常听到的经典建议更重要，例如：“那个人没有见过这么大的规模。”你会说：“对，但他能学会吗？我都学会了。”所以你确实得有一点相信人，这也是我的工作，不一定是他们的工作。归根结底，这些是人的系统，不是可以直接套用的规则型事物。
我尤其喜欢这条建议，因为大家都在谈，在 AI 完成我们所有工作的世界里，哪些技能会重要。而这三个类别似乎也许就是同一件事：他们擅长解决问题吗？是好领导者吗？能和别人好好协作吗？
对，我不认为人类核心的成功要素会改变。我认为这些事情长期以来一直是人类成功的核心。
说到这个，我要带你进入这个播客的固定环节，我叫它“AI 角”。我会问嘉宾这个问题：你在日常生活或工作中发现了哪种 AI 用法，让你效率更高、做得更多，或把事情做得更好？
坦率说，我进入 Scale 前主要在消费者领域，也做过一些政府应用层面的事，而这个领域变化太快了。AI 是我的……我把它当导师用。新概念不断出现，公司里有很多人能教我技术细节，抱歉，是数据和产品的技术性质，但他们的时间有限。而且坦率说，新概念总在出现，我得跟上。（01:13:01）这听起来可能疯狂，但我的很大一部分工作并不是处理 AI 相关的工程问题，我是在管理一个组织。但我喜欢理解这些东西。向所有 AI 研究人员学习，是我工作中最愉快、最有回报的部分之一，只是他们不总有时间来教我，所以我把 AI 当导师。我打开语音模式，在上班路上和它交谈。我想这是我最有影响力的用途，也是与这个话题最相关的用途。
我完全一样，尤其是准备这档播客时。“这到底是什么？”我想到几年前采访 Perplexity 的创始人，问他们在 Perplexity 怎么工作。创始人说，他们有个规定：在向团队里任何人提问前，必须先问 AI。我当时想：“这太疯狂了。”现在看来如此显然。但那时我会想：“这工作方式太不可思议了，我以前从未听过。”这说明他们当时有多领先。
对，我想第二个用途是，我会拿内部文件来问：这份文件中最重要的事是什么？它提取重点的能力让我震惊。我会读一遍再核对，但还是震惊。组织里有太多这样的情况：我不知道你希望我说什么，也不知道我需要知道什么，但我们每个人都有自己的议程。因此这里有一种匹配问题，进而有巨大的广播问题：在你可能收到的所有信息中，真正对你重要的是什么？我也经常用它做这个。
太棒了，这是很好的建议。我会用它处理法律文件，比如问：他们想在这里替我做什么，或对我做什么？Jason，在进入非常令人兴奋的快问快答前，你还想分享什么，或者想让听众带走什么？也许再强调一个观点？
对，当然。我认为真正重要的、我为什么做这次访谈、为什么想在这里花时间，除了我一直想上这个节目、也是长期听众，抱歉，是我们长期听众之外，是因为 Scale 有很多惊人的工作正在进行。团队非常努力，为客户交付了大量价值。公众叙事没有体现这里的人在做的工作，也没有体现我们的客户借由我们为他们所做的事在开展的工作。我认为这值得得到所有投入其中的人所付出努力相应的尊重和回报，也希望人们知道这一点。
我感谢你说这些。接下来，我们进入非常令人兴奋的快问快答。我们有五个问题要问你。准备好了吗？
好，来吧。
你最常推荐给别人的两三本书是什么？
有些回答可能听起来有意思。《自私的基因》是我最喜欢的书之一。
我很喜欢那本书。我不知道以前有没有人提到过，它对我也是影响最大的书之一。抱歉，继续。
对。我会说《自私的基因》。《少有人走的路》我读过不止一次，它就是一本经典的人类心理学书。商业方面，我想是《从优秀到卓越》。这不是你度假时最兴奋会想读的书，但它基本上是对的。我认为我们应该听取那些此前分析过这些商业问题的人的建议，因为改变的事情并不多，但我们却不断表现得好像一切都变了。
那本书让我觉得疯狂的是，你看他们谈到的所有公司。我很久没读了，但整本书我相信讲的是能长期存在的公司，或者那是另一本书，我不确定。不过无论如何，他们谈到的所有公司，我不知道是否还存在。一门生意要维持很久很久太难了。
我还会推荐《思考，快与慢》，就是那本……对。
《思考，快与慢》。
《思考，快与慢》。抱歉，不好意思。我读它大概是十年前了，但它的核心观点是，人类偏见非常值得理解。
对我来说，那本书和卡尼曼本人真正疯狂的地方是，有人问他，了解人类拥有的这些偏见如何影响了你的生活？他说：“没什么。我还是有同样的偏见。知道它们并不能真正帮我避免它们。”
你看，我发现自己会自我检查。现在只要我对某件事特别确信，就会想：好，为了抓住自己的偏误，我倾向于做哪些事？因为我认为我们最容易冲动地做出这些糟糕决定，这大概就是那本书主要讲的。我的意思是，它是一本很长的书。
太长了。天啊。我感觉未来 AI 可以在这里帮助我们。就像：“嘿，Jason，你确定这不是框架效应，或者别的什么吗？”
对。
好，下一个问题。最近有没有一部你非常喜欢的电影或电视剧？
我看的大多数电影都是和孩子一起看的，所以希望我能说出什么深刻有内涵的作品。
不，儿童内容也完全可以接受——
我觉得《F1》电影非常好。它是经典动作片。我不认为它能给 AI 或商业带来什么启发，但偶尔从科技的疯狂中抽离出来看看，很不错。
你最近发现过一款特别喜欢的产品吗？可以是应用、衣服、厨房小工具，诸如此类的任何东西。
VO3。并不算完全新，但我高中时想当编剧。我其实是在湾区长大的，那里人人都是工程师，可我想当编剧。所以我找回了一部旧剧本的第一页，剧本不怎么样，不过我找到了第一页。我拍下剧本照片，把它喂给 VO3，然后说：“把这个场景做出来。”它做对了。
哇。
我震惊了。仅凭一张剧本照片就能做到这一点，我真是彻底震惊。因此现在我在想，如何把这些工具用于家庭视频？如今一些让静态图像更活跃的生成工具，我觉得很有意思。我认为它们还需要再迭代一步，但我觉得它们会在情感上改变人们的生活，因为祖父母、亲戚或许久未见之人的图像，只要有一点点动作，真的会对你造成很大的情感影响。
我喜欢这一点：当你玩这些工具时，你大概会想到，哦，这里有帮助训练它的人，这里有帮助它解决问题的人。
我其实和一个做 VO3 的人聊过，把剧本的事告诉他。他说：“哦，其实剧本，对，剧本的数据格式会非常好。”因为它们会先写场景看起来怎样、黑暗的室内，这个角色用沙哑的声音说这些话，所以剧本给了你所有指令。
天啊，这一下就解锁了一个全新的业务单元。还有两个问题。一个是，你有没有常常会想、在工作或生活中觉得有用的人生格言？
有。结局永远不是结局。这是我最喜欢的一句内部说法，它和之前关于生存是前提的评论有关，生存是繁荣的前提。你得先活下来，才能繁荣。这是你的大脑会告诉你的，而我认为在创业旅程中这点最适用。我的意思是，这是任何人能踏上的最艰难旅程。如果你走这条路五年，你在心理上就比 99.9% 的人更坚韧。人们不理解自我怀疑和事情出错等带来的那种中国水刑。（01:20:31）更具体地说，你锻炼时也会有这种感觉，比如一天里想：“哦，我太累了，我得停下。”但事实是你可以继续，世界也会继续转。所以我发现，在最艰难的时刻，或面对一个看似无法跨越的艰难决定、身体对“这不可逾越”产生本能反应时，只要提醒自己，明天我还会醒来。这不是终点，别处还有下一个终点。这会帮我打开局面，让我觉得：好，可能没有完美方案，可能有不完美方案，但它仍是方案，所以继续走吧。
最后一个问题。你帮助创造了 Uber Eats。我猜你现在仍是 Uber Eats 的重度用户。Uber Eats 上有没有一家你最喜欢、大家也许该知道、或你点得最多的餐厅？
实际上我点麦当劳多得惊人。尽管有我最初那个故事，它是家里的家庭犒赏。我会说它大概是我们点得最多的东西。
天啊，我担心你的健康，但我喜欢……我已经很久没吃麦当劳了。这让我想，也许我该再试一次——
更实际地说，我们日常会点 Mixed Greens、Tender Greens 或类似的东西。但我觉得更值得一提、更令人意外的是，尽管起初我抗拒与全球连锁品牌合作，它偶尔确实是不错的犒赏，只是不该总吃。
Jason，这次太精彩了。我非常感谢你抽时间。我很荣幸成为你接手 Scale 后的首次对话。大家如果想在线上找到你、联系你、了解更多，或者我不知道，加入 Scale，该去哪里？你希望把大家指向哪里，听众又能怎样帮助你？
当然可以。我在 X 上的账号是 @jdroege，J-D-R-O-E-G-E。这大概是关注我、了解动态最容易的方式；如果愿意，也可以给我发私信。我想这样就能保持联系。抱歉，你另一个问题是什么？抱歉。
如果你们在招聘，我不知道，大家该去哪儿看看？还有就是——
当然。去 scale.com，进入我们的招聘页面。我们有 250 个开放岗位。正如前面所说，我们在正常经营、也在增长，正在招聘很多人。我们的数据业务在增长，应用和服务业务也在疯狂增长，所以这段旅程中我们需要很多人帮助我们。
我读到你们刚和政府签了一些规模大得惊人的合同。
两份 1 亿美元合同。
1 亿美元的合同。
1 亿，对。我们不是只签了一份，一个月内签了两份。所以是的，不，我们的联邦业务做得不错，企业业务做得不错，国际政府业务也做得不错。外面的需求很大。
有些销售人员正拿到很不错的佣金。干得好。Jason，非常感谢你来。
对，谢谢。很荣幸成为这里的嘉宾。能和你一起非常兴奋，尤其是在这段旅程这么早的阶段，或者至少是在我领导 Scale 的这段旅程早期。
感谢。谢谢你来，谢谢加入我们。大家再见。非常感谢收听。如果你觉得这期有价值，可以在 Apple Podcasts、Spotify 或你喜欢的播客应用订阅节目。也请考虑评分或留下评论，因为这确实能帮助其他听众发现这档播客。你可以在 lennyspodcast.com 找到所有往期节目或了解节目更多信息。下期节目见。