AI 时代，Netflix 为什么更看重系统思考者而非专才？| Elizabeth Stone（产品与技术负责人）
Why Netflix is betting on systems thinkers—not specialists—in the AI era | Elizabeth Stone (CPTO)
嘉宾：Elizabeth Stone
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逐字稿 1§01逐字稿 1
现在人人都能做各种事。产品经理可以交付代码，设计师可以写产品需求文档，工程师也能做产品，于是大家会困惑、会沮丧：我现在的工作到底是什么？
每当一种新技术出现，事情都会先经历一段混乱冲突的阶段，然后才逐渐形成新的秩序。我们现在正处在这个过程当中。我不认为这就意味着我们应该把 AI 塞回盒子里，说“我们别用了”。
如果我们都成了构建者，还需要彼此独立的职能吗？
我仍然认为，卓越的专业技艺非常重要，而且短期内不会消失。我仍觉得优秀的工程能力很稀缺，优秀的数据科学能力很稀缺，卓越的创造力也很稀缺。
看看 Netflix 早期的文化手册：高度主动、充分自主、按市场最高水平付薪。我现在不断听到顶尖 AI 实验室的运作方式也有这些特点。
Netflix 的文化一直把卓越当作一套运行系统。它意味着不去做许多大公司会做的事，也意味着经常要学会在不适中自如地工作。
要做到这一点，需要哪些要素？
人才密度是不可妥协的底线。事情进展不顺时，要能坦然承担风险，也不能想当然地认为流程就能解决问题。
在 AI 时代，你们在职业发展阶梯中增加了什么？
我们需要更多系统思考者：他们能纵观各个业务领域，并从中抽象出我们需要哪些基础构件。
人们该如何学会这种能力？
有个小技巧：每当你试图解决一个问题，就把视角往外移一步，问问自己：对于更广阔的领域，我默认了哪些事情是真的？
今天的嘉宾是 Netflix 产品与技术负责人 Elizabeth Stone。这是 Elizabeth 第二次做客本节目。她第一次来时还是 CTO，那期节目长期以来都是本节目最受欢迎的单集之一。你很快就会明白原因。这是一场非常精彩的对话，因为两年半前我们聊天时，AI 才刚开始兴起。Elizabeth 长期领导工程、产品和数据科学团队，对未来走向以及哪些事情值得关注有着独特的视角。加入 Netflix 之前，她曾任 Lyft 科学副总裁、Nuna 首席运营官、Analysis Group 经济学家，也曾在 Merrill Lynch 担任交易员。开始之前，别忘了看看 lennysproductpass.com：Lenny’s Newsletter 订阅者可以免费使用一年全球最热门、制作最精良的 AI 产品。这些产品仅向订阅者开放。接下来请听 Elizabeth Stone。Elizabeth，非常感谢你来做客，欢迎再次回来。
谢谢。我很荣幸能来这里，第一次来很荣幸，现在第二次来也一样。
没错。这对我来说很难得。我不知道你是否知道，你第一次来做节目时，那期节目成了我收听量第二高的单集。很长一段时间里，你只排在 Brian Chesky 后面。
哇，我既惊喜，又有点好胜心，想着怎样才能冲到第一。
我想，大概是听不清那段吧。[00:02:58]
不过我先把这事放一边。
这是我们的机会。
Brian 很厉害，这次我就让他继续排第一吧。
是啊，他确实厉害。而且现在又有一大批很厉害的 AI 人士迅速涌现。转眼已经两年半，很多事情都变了，显然包括 AI。AI 带来的一个变化是，现在人人都能做各种事：产品经理可以交付代码，设计师可以写产品需求文档，工程师也能做产品，似乎人人无所不能。这场对话涉及好几个方面。我听不少人说，这也带来了某种困惑和挫败感：我现在的工作到底是什么？作为产品经理或设计师，我该对什么负责？你有这种体验吗？
在 Netflix，我确实听到这种困惑。我觉得每当一种新技术出现，尤其是像生成式 AI 这样具有变革性的技术，事情都会先经历一段混乱冲突的阶段，然后才逐渐形成新的秩序。我认为我们现在正处在这个过程当中。我不觉得这意味着应该把 AI 塞回盒子里，说“别用了”，因为它正在让我们对自身角色的许多既定认知变得复杂。但我确实认为，我们必须更审慎地思考，如何在降低代价的同时获得好处。人们尝试用它更快地完善想法、制作原型、写出一版初始代码来验证想法，这很好。但这是否意味着每个人都应该把代码发布到生产环境，人人都应该包办一切？恐怕不是。不过我认为，人们探索可能性是好事。就像我刚才说的，产品和技术团队一起工作有其价值：只要业务问题明确，团队成员的职责有一定流动性是可以接受、也有益的。这样一来，不必等工程团队排上时间，产品和设计就能更快地做出原型；但他们仍应与工程伙伴一起想清楚怎样把原型做成正式产品、怎样扩展，以及需要哪些安全边界。因此，我不认为职能专长会过时。我认为这意味着团队需要更适应角色上的流动，认识到它能帮助我们沿某个方向更快前进。从组织角度看，要让这种变化更连贯、减少挫败感，我会思考哪些基础条件必须到位，才能让我们得到好处而不是付出代价。这包括明确权威数据源、为代码上线或测试设置防护措施，并在做重大改动前先验证；还包括判断哪些 AI 输出可以信任，哪些需要流程或审核来确保质量。也要反复强调，最终发生的一切仍由人负责。代码可能是代理写的，分析也可能是我借助 AI 完成的，尽管这并非我的专长，但人依然要承担自己所创造成果带来的责任。因此，投入建设一些核心基础设施和实践，并重申对结果负责、承担问责的要求，有助于平衡“能够做什么”和“实际应该做什么”。
本期节目由本季冠名赞助商 WorkOS 呈现。OpenAI、Anthropic、Cursor、Vercel、Replit、Sierra、Clay 以及数百家成功公司有什么共同点？它们都由 WorkOS 提供支持。如果你在为企业构建产品，就会体会到集成单点登录、SCIM、基于角色的访问控制、审计日志等大公司要求的功能有多麻烦。WorkOS 把这些交易障碍变成即插即用的 API，并提供专为 B2B SaaS 打造的现代开发平台。我投资的创业公司里，几乎每一家开始拓展高端企业客户的公司最终都会使用 WorkOS，因为他们确实做得最好。无论你是想拿下首个企业客户的种子轮创业公司，还是正在全球扩张的独角兽，WorkOS 都能帮你最快具备企业级能力、扫清增长障碍。它就像企业功能领域的 Stripe。访问 workos.com 开始使用，也可以直接加入他们的 Slack，那里有真正的工程师等着回答问题。(00:07:27) WorkOS 通过好用的 API、完善的文档和流畅的开发体验，让你更快构建产品。访问 workos.com，让你的应用今天就具备企业级能力。很高兴你再次来节目做客，因为我们上次聊天时，AI 还没有成为席卷世界的巨大变革。现在回头看这段转变，确实很有意思。回到产品和工程团队的职责，我很好奇过去两年半这些角色变了多少。说到产品、工程、设计、数据科学和用户研究，哪些变化最大，哪些最小？和两年半前相比，最大的不同是什么？
你刚才提到了一些变化，我先重述一下，再补充一点。我发现，与几年前相比，产品经理、设计师和数据科学家能在产品开发流程中推进得更远，直到工程团队真正需要站到最前面解决问题时才交接。我这么说有所保留，因为正如我们刚才谈到的，如果突然做出成千上万个原型，却没有瞄准对业务重要的问题，而且工程伙伴也不知道我们在解决什么，那并不好。设计师和产品经理可以带头塑造想法，但这不能脱离协作，也不能像把一堆意大利面扔到墙上看哪些能粘住一样碰运气。只有问题选对、方法经过认真思考、各方也有一定共识时，才应该这样推进。(00:09:07) 我看到产品、设计和数据科学团队更快地朝着一个方向前进：针对某个假设，尽快做出可测试的东西。这包括制作原型和编写代码。另一个很有价值的变化是，Netflix 的组织内部积累了大量信息。几十年来我们做过很多实验，也有消费者洞察和来自各业务利益相关方的意见。过去的难题是，怎样充分利用这些长期积累的知识和经验，把它们用于眼前的问题，从而更快判断某条路径是否有希望，或哪些既有经验可以派上用场。AI 很擅长提炼信息、横向检索大量材料并加以分析，帮助我们先找到一些洞见。(00:10:04) 我不会建议完全依赖它，但它能帮我们起步。以我每天的工作为例，我不必发邮件打断别人，问“我们哪一年做过什么研究？当时的问题和测试是什么？”现在几乎可以立刻找到答案。之后我可以形成自己的判断，指出其中哪些内容值得关注。这样，我就跳过了几个步骤，更快走到“这里有没有可采取行动的东西？”这涉及数据分析、建模和信息提炼。你最初问到的变化是，越来越多的人开始这样做。过去只有在公司待了二十年、见过每次实验或知道资料在哪的专家才能完成的工作，现在产品和技术团队各职能的人都能更快推进。一个很大的突破是，财务、内容和广告等部门的业务利益相关方也能做到这一点，再带着初步假设来与数据科学家、工程师等深入合作。(00:11:03) 所以，假设生成、原型制作和深入思考问题这些工作都在加速，各职能之间的协作也更灵活。不过，我仍然看到各自的比较优势。数据科学家依然擅长判断数据是否可信、解读是否正确，以及哪些结论来自数据、哪些需要判断。产品经理仍然特别擅长判断问题本身是否定义正确、我们究竟要解决什么。工程师对“如何实现”仍有专业技艺：怎样扩展规模、什么才算高质量，以及根据构建和部署方式会带来哪些问题。我仍然认为这些优势很重要，只是过去常常卡住我们的许多环节，现在能更灵活地推进。
这里有很多有意思的内容。你刚才的最后一点让我想到一个我一直在思考的问题：如果我们都成了构建者，还需要彼此独立的职能吗？AI 领域正在出现“技术专家”这一趋势，仿佛大家都没有固定头衔，什么都能做，不必被划进某个类别。你的意思是，我们仍会保留产品、工程、数据科学、设计等专业分工。虽然大家会承担更多其他职能的工作，但具体的专业领域、技能和背景仍然很有价值。我理解得对吗？
我仍认为各专业领域的卓越技艺非常重要，短期内不会消失，即便各职能之间的工作变得更流动、边界也更模糊。这又回到我前面提到的一点：仍然需要人来确保我们做的事情有意义，解决的是正确的问题，而且对 Netflix 会员或业务利益相关方来说是最好的方案。现在工程师、数据科学家和设计师确实因为有了 AI 工具而能涉猎更多领域，但当我想到他们的专业技艺，以及他们如何判断什么才算好时，我仍觉得其中有些东西无法替代。这在各个层级都成立。我仍觉得优秀的工程能力很稀缺，优秀的数据科学能力很稀缺，卓越的创造力也很稀缺。因此，虽然有些事情变容易了，但在我看来，专业能力并没有因此消失。
随着 AI 工具和大语言模型兴起，你有没有发现某些职能的招聘人数在增加，比如工程、产品经理或设计岗位，好像整体“蛋糕”变大了？有没有哪些职能的需求在减少？
我不确定这是否能一一对应到具体职能，但我可以告诉你我们看到哪些需求在增加。AI 时代，我们需要更多系统思考者。不同职能的具体表现会有些不同，我举几个例子。Netflix 的中央工程团队负责核心基础设施。Netflix 这些年取得成功，很大程度上是因为各个本地团队能够围绕具体业务问题迅速行动并交付成果。他们通常不觉得自己必须走中央团队铺设好的路径，而是自行搭建解决问题、产生影响所需的技术栈。在 AI 时代，代理会跨多个系统工作，人们需要权威数据源；要充分获得收益并设置防护措施，确保工作质量，优先采用铺设好的标准路径也变得很重要。(00:14:45) 共用基础设施、共用标准路径，以及用一套核心能力一次性解决问题，变得更加重要。因此，我们正在招聘更多能纵观各业务领域、并抽象出 AI 时代所需基础构件的人。这是一种视角；另一个角度是，过去让 Netflix 走到今天的做法，未必能带我们走向未来。要在未来快速行动，我们需要更强大的基础设施。这意味着我们更需要分布式系统、基础设施方面的工程人才，以及具备系统思维的人，而不是只熟悉某个本地业务领域的人。当然，团队里仍有深入了解个性化推荐、广告和内容分发的专家。核心基础设施和系统思维是对现有人才结构的补充。(00:15:35) 再举设计为例：资深设计团队制定模板，并系统地思考 Netflix 怎样才算优秀的用户设计，这一点非常重要。这样他们就能让许多人参与产品开发，包括没有受过设计训练的人，同时确保产品连贯，并融入会员从头到尾的体验。我非常担心不同产品采用不同设计语言或交互方式，最后交付出像拼凑怪物一样的东西。因此，我们再次需要招聘能系统思考设计的人：怎样设计模板和品牌表达？怎样才算良好的用户体验？Netflix 的独特之处和特别优势是什么？(00:16:24) 如今，我们的设计团队里需要更多从这个角度思考的人，而不只是考虑“我能不能为某个产品设计一个具体功能”。我认为每个职能都在发生这种转变：从局部退一步看整体。这要求现有团队调整技能方向，也要求我们招聘具备这类专长的人。贯穿所有这些变化的，是思维方式的转变。我们不会招聘那些对探索和尝试新事物不感兴趣、无法接受变化很多、或无法适应模糊状态的人；人们也要能接受工作方式与合作方式的边界变得模糊。无论是已经在 Netflix 工作的人，还是新加入团队的人，保持好奇、勇于创新的思维方式，都比我从业以来任何时候都更重要。
系统思维变得更重要，是因为大家行动越来越快，所以需要投入建设平台、框架和设计语言，教会大家自己解决问题，避免被卡住吗？还是还有别的原因？
我认为主要是速度。平台具有放大效益。一般来说，无论有没有 AI，平台都有机会让大多数团队完成 80% 的工作，这样他们就不必重新发明那些基础构件。现在我们在业务各处做更多尝试、押注更多方向，也在构建更多东西。因此，平台思维很有价值；对 Netflix 来说，把平台视为关键推动力是相对较新的认识。AI 时代也需要一种脚手架式的支撑。不只是速度更快，还有更多人开始做更多类型、以前不同或没做过的工作，就像刚才谈到的那样。这会带来风险：这种情况下，如何管理访问权限与身份？如何考虑安全？怎样确保上线的代码、设计和用户体验质量过关？(00:18:34) 如果每个构建东西的人都要自己弄明白“什么才算好？有哪些边界或防护措施要记住？”，这种方式很难扩展。我认为我们要把这些要求融入标准路径和工作方式。对于数据科学或分析工作，也要明确权威数据源是什么、应如何解读、如何访问、可以或不可以怎么用，以及哪些数据需要谨慎处理。(00:19:03) 一个有数千人的组织不能再依赖口口相传的经验，或指望自己找到唯一懂这件事的人。AI 以前，这就是个挑战；有了 AI，挑战大概更紧迫了。我喜欢把 AI 或任何新技术用作推动力……我们早就知道这些工作必须做，现在正是加大投入的好时机。
我想，系统思维更有价值的另一个原因，是现在代理做了很多工作。给它们提供背景、脚手架和设计语言，是否也会让这一切提速？
是的。我们对 Netflix 的一个设想是，将来会有大量代理参与工作，所以我们必须能够推理和统筹这些工作。由人来引导：需要解决什么问题？我们产出的东西是否有影响力、质量是否过关？但具体工作会由人和代理共同完成。这会带来速度和收益，也会带来风险。我认为这很重要，尤其对工程领域而言：我们要想办法妥善管理，让大家行动更快，同时不对公司造成不必要的负面影响或风险。
这和节目之前的一期内容直接相关。Jenny Wen 做客时，她是 Claude Code 和 Cowork 的设计负责人，她提出过“设计流程已死”之类的观点。她的说法是，已经没有时间走设计流程了。设计师的工作变成引导大家、指出方向、调整方案，有时间时再从大局思考。你这里说的感觉也是如此：先搭建平台，让大家快速行动，于是就没有时间为某个新功能专门走设计流程了。
我对此看法不一。我们确实希望通过基础设施和系统思维，让更多人能做好工作，并把出色的设计融入其中。为什么不利用新技术提供的机会呢？但对最重要的优先事项而言，设计对于正确解决问题至关重要。因此，我们仍会为重要的设计工作留出时间。速度可以更快，设计师自己的工具箱也更丰富，他们能更快做出精彩成果、展示更多方案、学习、迭代和测试。但仅仅因为我们写代码、做数据分析更快，就认为设计以及深入的设计专业知识和思考会被挤出，这是错误的。(00:21:43) 至少对 Netflix 这样的大型消费产品来说，我觉得那样会失去 Netflix 的一项优势：产品、技术和设计共同把许多复杂性隐藏起来，给用户带来流畅无缝的体验。设计思维必须是核心。工作形式本身或许会变，但这种思维方式不会消失。
这是个很棒的反面观点。听起来，你越来越看重的技能和特质包括系统思维，以及乐于接受和期待变化、愿意探索未来、不固守自己老一套的思维方式。那么哪些方面的需求在下降？过去你更看重、现在却不那么看重的是什么？
在我看来，非常狭窄、深入的专业化道路现在空间变小了。我能想到一些仍然需要它的例子：某个行业或技术领域只有少数人真正懂其运作方式。团队里就有一些例子，比如编码技术、播放系统的工作原理，以及 Netflix 做过的一些极具创新性的新尝试。我仍然相信这些领域需要专业从业者。但总体而言，与五到十年前相比，我认为我们需要的专才会更少，通才以及能灵活跨领域的人会更多。灵活性可以体现在跨职能专长，也可以体现在工程领域的不同方向。比如，我能否同时驾驭后端和前端系统？能否利用丰富的专业知识参与基础设施建设？我认为现在需要的心态是：我可以很快学会这些。(00:23:32) 这又回到了系统思维。我认为专业人士比过去更容易学会并掌握更多工具，因此我们或许不需要那么多专才，因为人才可以朝这些方向成长。另一方面，固守狭窄领域可能会让我担心：这种人是否也愿意向不同方向成长、探索？我也不想对此做过于狭隘的判断，但重要的是，即使是专才，也要愿意尝试新的问题解决方式，而不是只沿用过去的方法。
你说的专才是指前端工程师和后端工程师这样的区分吗？还是也包括其他类型？
是的，也可以是某个领域知识特别深入的人，比如我精通——
比如支付领域专家？
我精通支付，或者精通广告市场设计，或者精通影视制作使用的某种非常具体的工具。只要这个人愿意继续成长、拓展能力，并重新审视“这仍然是合适的工具或解决问题的方式吗？”，那么他们的专业知识就是优势。我认为工程技术栈的各层不再需要那么多狭窄专长。至于那些不会长期固定、也不太可能保持强惯性的工具，我们更希望人才有能力创新，并想象它们未来会是什么样子。我们需要更多这样的人。
很好。回到系统思维：听到这里的人可能会想，“好，我得提升系统思维能力。”人们该如何培养这种能力？是长期实践、参与很多复杂项目就行吗？我想到那本大家常提到、封面上有弹簧玩具的书《系统之思》。人们到底怎样才能学会？
有个小技巧：每当你要解决一个问题，就把视角往外移一步，想想“要解决这个问题，我默认更大范围内的哪些事情为真？”比如，我接到任务，要为 Netflix 会员体验构建一个新功能。我会停下来想一想：我们要解决的更大的消费者问题是什么？这个功能将支持哪些类型的内容？我原本打算采用的构建方式，能否适用于多种内容类型并实现规模化？或者，它能否成为一种能力，纳入多个业务领域共用的平台服务？随着娱乐形式不断扩展，我们也想让体验更加个性化、沉浸式；而我通过这个功能解决的消费者问题，会不会是 Netflix 最需要解决的问题之一？(00:26:34) 你不必把所有事情都想透，也不必替 Netflix 制定整体战略或分析我们相对于竞争对手的位置。你只需从自己负责的事情出发，把视角稍微拉远一点，重新审视所要解决的问题。我不会在提问阶段停留太久，否则就会陷入思考而无法继续推进。但我认为，这有助于人们从系统角度思考并追问：我们是否以正确的方式解决了一个对最终消费者真正重要的问题？
听你这么说，我还想到另一种理解方式：设想自己是你的经理，看看他们的视野如何超越你所在的单一团队、问题和关键指标，覆盖更大的整体。
这些年来，我听过类似的建议：有没有办法把自己的工作做好，同时也帮助经理把工作做好？如果我把自己直接负责的所有事情都放在经理的视角下思考，不只看产品和技术，也考虑财务、内容及业务其他部分，自然就会把视角拉远，思考这些组成部分该如何协同，以及怎样让整体大于部分之和。我认为这种思考很有用。工程师也可以想想：怎样让这些系统变得更好？怎样让所构建的东西质量更高、能为更多人扩展使用？这里既有“我怎样帮助经理”，也有“我怎样帮助同事”。(00:28:02) 这也是我们一些工程原则的核心：做对整个组织有益的事，而不只是对自己所在的小范围最有利的事。这同样是系统思维。关键不只是资历高低，而是我解决问题、构建系统的方式是否能帮到同事？我能否为未来想要实现的创新留下更好的基础？
这真是很棒、很实用的建议。让经理的工作更轻松，始终是很好的职业发展策略。
原因有好几个。是的。
接着刚才的话题，我知道你们最近增加了职业发展阶梯和级别。以前没有这些。沿着这个话题，在 AI 时代，你们有没有在职业阶梯中加入什么新要求，鼓励大家更多投入，或让你们更关注？还是说你们并没有改变职业阶梯和绩效标准？
到目前为止，我们的做法不是试图逐个级别明确 AI 会怎样改变预期，而是在 Netflix 全体人才中增加一层共同要求，覆盖团队成员和招聘对象，那就是追求 AI 熟练度。具体表现会因职能而异，也会因职业阶段不同而异，包括你的级别、角色类型或承担的工作。但 AI 熟练度这个目标本身很难定义：它意味着具备实验心态吗？知道 AI 在哪里有用、哪里没用吗？意味着自己用 AI 实际构建过东西吗？我觉得，职业阶梯以及我们讨论 AI 的方式几乎每季度都在变化，甚至每月、每天都可能变化，因为技术本身进步太快。(00:29:57) 因此，最有用的做法不是针对某个级别或角色设定要求，而是鼓励所有人都达到 AI 熟练度的预期。这不意味着为了用技术而用技术，而是在技术真正有用的地方使用它，对此保持良好判断，并愿意开放心态去探索、尝试新事物。这是所有岗位都不可妥协的要求。Netflix 最高层的领导者也是如此：即使日常工作不写代码，我们也谈到自己需要对 AI 有深入的理解。这是一个变化。它也体现在招聘中：我们在面试里会更自在地探讨候选人如何看待 AI 或技术。(00:30:38) 他们在日常生活或当前工作中使用什么？他们适应变化、探索新事物的程度如何？甚至在编程面试中，我们也允许候选人使用 AI 工具，因为如今工作本身就会需要这些工具。这些都是我们作出的调整，不过我不认为调整已经结束；我们仍身处这个变化过程中。
我继续沿着这个话题问。显然，AI 对编程带来了变革，也极大推动了原型制作。Netflix 还有哪些影响很大、但人们可能没想到或没意识到的 AI 用例？
我想到两个。第一是数据分析、信息提炼和建模，也就是用这些工具梳理我们已有的各种洞见，和我前面提到的类似：我们做过哪些实验？面对某个问题，我该关注哪些指标？我们做过什么消费者研究？只要核实结果有效，并和身边的数据科学家确认自己使用的是权威数据源，这些工作就能以更快的速度、更高的质量完成。这是一个很好的用例，也是我个人最常使用这些工具的地方之一。它超越了原型制作和编程，延伸到一般分析思考，以及把数据转化成行动和洞见。第二个是在内容制作和创作业务方面，这里有很多应用场景。(00:32:14) 生成式 AI 出现之前，机器学习和 AI 就已广泛用于许多制作工具。我们用它们大规模制作宣传素材，也用于字幕翻译和配音本地化。生成式 AI 则让潜在影响有了显著跃升。在创意构思阶段，我们称之为预可视化，也就是在进入正式拍摄、把人带到片场之前，先把创作者的构想呈现出来。后期制作也有许多用例。我们最近收购了 InterPositive，这家公司由 Ben Affleck 创立，研发了一系列模型和能力。拍摄完成后，这些工具可以重新打光、调整构图、补拍或修改对白，对提升内容质量很有帮助。(00:33:05) 这些工作仍由电影制作人或创作者主导，由他们说：“你知道吗？我想试试别的办法来实现这个构想。”这种影响前景非常可观，我们看到很多制作项目都在使用各种工具，有些是内部开发的，有些由其他供应商提供，用于内容创作。内容进入产品后，除了我刚提过的字幕和配音本地化，我们还会考虑如何大规模制作高质量预告片、剧照和美术图，再用这些素材帮助世界各地的观众发现相应作品。从 AI 的影响角度看，这些都是重要杠杆。因此，AI 的作用远不止原型制作或编程，也包括创意应用。可以想象，这些工具不仅适用于影视制作，也适用于广告、营销和站外推广活动。我们正在探索这些方向。
本期节目由 Mercury 呈现。Mercury 是一家与众不同、深受 30 多万创业者喜爱的银行服务平台，现在推出了 Command。我使用 Mercury 已经六年多，从没想过要离开。Mercury 就像是由产品人而非银行家打造银行服务的结果。开具发票、转账、为团队成员设置虚拟卡，都变得非常简单，甚至可以说很有趣。你的银行有 API、原生终端 CLI 或支持 AI 的 MCP 服务端吗？我想没有。最近他们还推出了 Command，这是直接集成在 Mercury 中的对话界面，就像你的财务运营助手。我一直用 Command 转账、查自己在哪些类别花钱最多、分析现金流。就在今天，我还用它查出过去一年某个赞助商给我带来了多少收入。(00:34:54) 我只要问：“过去一年我从 X 赚了多少？”十秒后就能得到答案，真的太酷了。访问 mercury.com 了解详情并在线申请，只需几分钟。Mercury 是金融科技公司，并非 FDIC 承保的银行。银行服务由 Choice Financial Group 和 Column NA 提供，两者均为 FDIC 成员。你提到 Netflix 很早就开始使用 AI 和机器学习。年轻一点的听众可能不记得了，当年你们办过一场竞赛，要优化——
Netflix 奖。
对，Netflix 奖。这能说明你们多早就开始使用 AI 和机器学习。我记得奖金是一百万美元，参赛者要优化 Netflix 的排序算法，谁优化得最多谁赢。我记得获胜者把它提升了几个百分点左右，当时轰动一时。全球各地的聪明人都参与进来，而且举办过几次，对吧？
你已经替我把这点说出来了。经常有人问 Netflix 如何看待 AI，这时提醒大家这一点很有帮助：AI 对我们并不新鲜。尤其在个性化推荐方面，它一直是为会员提供出色体验的核心。我们拥有海量内容，而且内容还在不断增加，这是我们面临的挑战之一。要让用户越来越容易发现内容，本来就是 Netflix 的一个难题。使用 AI 和机器学习一直是解决这个问题的方式。我们希望在合适的时刻，把合适的作品推荐给合适的人。内容目录越精彩、越丰富，这个问题就越难；我们的内容不再只有电影和电视节目，还包括游戏、直播和播客。个性化体验因此变得更加重要。(00:36:40) 所以我们可以借鉴这些历史经验，思考现在该怎样解决问题。如今技术更强大了，但我们已经先行一步，清楚要解决什么问题，也清楚 Netflix 为会员解决这个问题有多重要。创意制作方面也一样，正如我刚才提到的，AI 和机器学习早已用于视觉特效或语言本地化。现在我们要问：技术更强大后，这些领域的下一阶段会是什么？这两方面都发挥了 Netflix 的优势：把娱乐与技术结合起来，并确保我们始终走在前面，为用户带来更好的体验。我很高兴这已经成为我们的历史积淀。它仍是我们的优势；面对内容广度带来的挑战，同时又要维持出色体验，这项能力未来也必须继续成为我们的优势。
是啊。我也很喜欢当时大家称之为机器学习，而一说 AI 就会有人说：“不不，那不是 AI。AI 根本不会实现，那只是机器学习。”
后来突然之间，我们什么都叫 AI，其实其中有些是机器学习。
没错，没错。
要看当下想描述的具体事物是什么。所以我想，现在我们把这些都归为 AI 了。
是啊，这挺好。
很多 AI 用例并不是生成式 AI。具体案例可以深入谈很多，但总的来说，Netflix 广泛使用各种 AI 工具、对可能性充满热情，这应该不会让人意外。对 Netflix 的员工来说，有趣之处在于，如果你热衷于技术在创意领域、消费产品或基础设施中的应用，这些问题我们全都有，而且 AI 正处于它们的核心位置。别忘了这一点。即使 Netflix 并没有被贴上 AI 公司的标签，我们也很乐于用 AI 帮助实现出色的娱乐与技术成果。
还有一点很有意思，我就继续夸夸 Netflix。看看 Netflix 早期的文化手册，再回想我们上次的谈话，会发现一些贯穿其中的特点，比如高度主动。这从一开始就是 Netflix 文化的核心：高度主动、自主、人才密度高、自下而上的思考、快速实验和发布，以及按市场最高水平付薪。我现在不断听到顶尖 AI 实验室的运作方式也有这些特点。所以大家最终都走到了这里，而 Netflix 一直以来就是如此。
是啊，Netflix 似乎很早就预见了优秀人才需要什么。我会把 Netflix 的这些文化特质看作——这听起来可能有点书呆子气——“把卓越作为一套运行系统”。这些文化要素本身并不是最终目的。目的不是“尽可能让每个人都承担更多责任”，也不是“我们不喜欢流程，所以确保一个流程都没有”。真正的出发点，是我们非常坚信：给人很大的主动权和问责责任、尽可能把决策下放到组织深处、聘用值得信任且判断力出色的人，才能实现卓越。这会带来非凡成果，也会带来更强的动力感和责任感。团队里的每个人都能感到自己被赋予许多权限，也要对这里发生的事承担责任。(00:40:16) 我自己也觉得，当你知道别人给予了你这么多信任和责任，就会想把工作做到最好。因此，Netflix 的文化一直以追求卓越为目标，这一点很直观。优秀人才若能在不受微观管理、也不被流程淹没的情况下充分发挥，就会带来更好的成果。我认为新一代公司正在发现一些对我们来说很熟悉的东西。但这并非轻而易举。文化不是静止不变的。随着公司壮大、所解决的问题改变，文化也需要成长和演进。但追求卓越、相信出色人才应当能够做好工作，这个理念从未改变；我认为它仍是 Netflix 的独特优势。
我很喜欢这个概念：把卓越作为一套运行系统。你可以说，这是一种用系统思维来设计公司的方式。
没错，Lenny。
所有听众听到这里，肯定都会想要一套以卓越为核心的运行系统。谁不想要呢？要做到这一点，需要哪些要素？其中一个显然是高人才密度，也就是只招最优秀的人。第二是问责。基本上就是投入和产出：投入优秀的人才、顶尖人才，让他们承担责任并给予自主权。如果创业者听到这里也想照做，你认为构建这套卓越运行系统的支柱是什么？
人才密度是不可妥协的，你必须从这里开始。如果没有它，就无法信任组织各个层级的决策，也无法让人们承担风险、快速创新。Netflix 文化中的卓越很大一部分就在于坦然接受风险。我们不试图避免失败，而是努力在失败后迅速恢复。我们有很好的例子。进军直播就是一个绝佳例子：我们愿意承担很大风险，知道初期会不完美，也知道自己能快速学习、做得更好。看到团队如何应对这件事，我从未像那时一样为他们感到自豪。因此，前提是人才密度高；你要相信人们能运用你提供的背景信息、具备可靠判断力、愿意冒险，并为对业务最有利的结果据理力争。(00:42:49) 你必须明确，所做的一切都要为消费者和 Netflix 带来成果。Netflix 很重要，Netflix 会员也很重要。这不是为了我个人的成功或偏好。因此，这套卓越运行系统也包含一种无私精神。还有一些做法对人而言确实很不自然。我举几个例子，说说要适应什么：有些日子我会看到决策正在发生，心想“我会做出不同的决定，这真是最好的选择吗？”但尤其在 Netflix 的文化下，我的工作不是在每一种情况下都介入、推翻、否决或质疑别人的决定。尤其当事情并不重大、不至于毁掉公司时，就让他们做决定、从中学习，然后事后请他们回顾情况。(00:43:52) 也许我错了，也许这个决定非常好。这和承担风险有关。要帮助大家习惯自己做决定，尤其要接受决定不会总是正确、而且有时会让他们从艰难的结果中学到东西。我自己也从老板和同事那里体验过这种做法，他们会说：“这是你的决定。我可以提供意见、帮你一起头脑风暴，但最后由你来决定。”这确实不太自然。利害关系很大、我觉得自己要为组织承担责任时，让别人去冒险会让人不舒服。我认为另一个例子是，事情进展不顺时，不要想当然地认为流程就能解决问题。(00:44:36) 过去几年我学到一件事：规划很困难时，我从没听人说过“我们找到了完美的规划方法，或者完善的反馈、职级评定和薪酬流程”。但每次遇到这些难题，我们增加流程、投入更多时间，结果却没有变好。因此，我认为还有一件反人性的事：事情艰难复杂时，人们本能地会想通过加很多限制来简化问题。但这样反而挡住了更有创造性的做法：怎样规划、做人才决策或确定优先级，才能真正带来更好的结果？因此，我们要抵制许多大公司会采取的做法，也要经常学会在不适中自如地工作。这是我在自己岗位上会感受到的，我相信 Netflix 的很多人也有这种感受，因为我们努力不去做那些惯常的事。
说起来、听起来都容易，但我很明白你的意思：有人搞砸了，大家会说“到底哪里出了问题？我们制定个流程，避免这事再发生。”而你说我们得克制这种反应，因为那会拖慢速度。顶尖人才也不想在一个到处都是清单、流程关卡之类的地方工作。
是的。我认为优秀的人希望知道：出现问题后会进行不追责的复盘，他们也会感到自己负有个人责任，于是会问“我怎样才能确保这事不再发生？”不是靠新增流程，而是思考怎样分享经验、怎样改变自己的工作方式，以便下次取得更好的结果。如果你信任人们去复盘、学习和成长，长期来看就会取得更好的成果，也会打造出更强的团队。我认为，培养有韧性、能持续发展、知道如何产生重大影响的团队，正是领导者职责的一部分。你不是要控制一切。
这也是打造高人才密度团队的关键。关于这件事，我想简短聊两个方面：招聘和留住人才。你因“留任测试”而闻名，我们上次谈过。这也是一件反人性的事。想了解的人可以去听第一期对谈。不过过去几年，这件事有什么变化吗？留任测试仍是 Netflix 文化的核心部分吗？
人们常常提到留任测试时，会把它理解成决定解雇某个人的时刻：判断这个人是否适合岗位，以及围绕这件事进行谈话。但它同样经常用于讨论一个人有多出色、在岗位上做得多好。因为谈话往往这样开始：我对直接下属说，或者他们对我说：“我通过你的留任测试了吗？”大多数时候，我会回答：“我会竭尽全力留住你。我来具体说说你哪些方面做得特别好、你的优势是什么、你产生了哪些影响，以及你还可以怎样变得更好。”因此，这也是一场非常积极、能鼓舞人心的谈话，只不过切入点是“我通过留任测试了吗？”(00:47:56) 当然，也有更艰难的情况：我需要评估某人是否通过留任测试，或者对方来问我。这时最难说的是：“坦白讲，你现在还没有通过。我觉得有些情况下你能够达到要求。”接着要说明反馈和具体里程碑。有时则要说：“我们真的努力过了，但我看不到成功的路径。”所以，它是谈话的锚点和切入口，之后可以往许多不同方向展开。我喜欢这种做法，因为它能促使大家定期反馈、了解进展；有时也会推动我们开启艰难的对话，而不是回避它。(00:48:37) 要留住优秀人才，也需要明确告诉他们“你做得很好”。这有助于让人感到被认可、被重视。因此我不希望大家觉得我们对留任测试只有负面看法。我认为它也有积极的一面。
很好。为了让大家不用再去听另一整期节目，我简单解释一下：Netflix 文化中的一个理念是，如果有人向你汇报，你应该一直思考：“以我对这个人的了解，如果今天重新招聘，我还会录用他吗？”如果答案是否定的，那可能就应该让他离开。这个理念是为了维持高标准，不要因为“这个人已经在这里了，那就先留着吧”而降低要求。这样理解大致正确吗？
是的。还有一个类似的问法：如果这个人今天来跟我说他要离职，我会努力挽留他吗？如果我心里反而松了口气，觉得“是啊，换个人来做这个岗位可能更好”，那我就该更早采取行动、早点和他谈这件事。
就像你说的，要维持这种文化，确实得做很多让人不舒服的事。
是的。留任测试只是其中一项；其他方面还有维持人才密度、领导者提供背景而不是控制，以及我们常说的“高度一致、松散耦合”。我们追求的是轻量流程：只保留确保优先事项清楚、团队能执行所需的最低限度。人类和大型组织通常不会自然采取这些做法。因此，我们必须持续努力，维护让 Netflix 成为特别之处的那些东西。归根结底，吸引并留住人才的是工作本身和企业文化。我们需要这些，才能让业务成功。
这正是我接下来要问的。要让这一切奏效，你必须吸引最优秀的人才。一直以来，这都很难。如今钱大量涌入，顶尖 AI 实验室层出不穷，竞争也非常激烈，感觉难上加难。你们发现哪些做法能有效说服顶尖人才加入 Netflix，而不是去其他那些很受追捧的公司？
是的，我们一直面临激烈的人才竞争。现在可能感觉更明显，但我们的团队人才济济。也许这不言而喻，但我还是想明确说出来，因为这是我的真实看法：Netflix 有非常出色的人才，包括最近加入的，也包括在公司工作多年的。我总是对团队做出的成果感到赞叹。因此我不觉得我们遭受了损失，也不认为别的公司把优秀人才都吸走了，因为我相信其中很多人就在 Netflix。相比其他公司，比如一些前沿实验室，我们确实需要更明确地说明什么样的人才更适合在 Netflix 成长。Netflix 的人必须热衷于技术的应用，以及利用技术构建产品来解决一系列问题。(00:51:45) 你必须热爱娱乐，热爱大规模消费产品，也热爱全球化的业务。很多极具才华的人都喜欢技术、产品和娱乐三者交汇的地带，我就是其中之一。你怎样让它们以非凡的方式结合起来？你会用 AI，也会用其他技术和产品来实现，但这必须是推动你、让你对 Netflix 许多岗位充满热情的事情。如果你更受前沿模型公司开展的基础研究吸引，那也很令人兴奋，但这是不同类型的人才、不同的问题领域：“我想从事这类工作。”不过，我不认为热衷于技术应用、并能把技术与自己热爱且日常使用的产品（比如 Netflix）联系起来的人才短缺。(00:52:39) 这让我每天早上都愿意投入工作，我认为也让很多团队成员充满动力。我们会讨论这是不是只有 Netflix 人才做得了的特别之处，或者换成其他深入应用技术的行业，也同样适用。我觉得这种可能性令人振奋。
在我们正在进入的 AI 世界里，我还想谈谈几件一直在想的事。第一是初级员工。感觉现在大家都在说……这就是个很好的例子：你们招聘了很多出色的资深员工，能力经过验证，人才密度高、标准也高。同时，AI 让很多事情变得特别容易，人们可能就学不会技能了。我想到初级工程师、初级产品经理和初级设计师。新人怎样才能成长为出色的资深员工？你们会考虑这件事吗？会招聘初级员工吗？你们怎么看待初级员工可能无法学习、或缺少成长为资深员工的路径？
我们仍在招聘初级员工，他们对人才战略非常重要。我们仍有实习生项目，也有应届毕业生项目；后者对我们来说是几年前才新设的。在那之前，我们所有职能都只招聘经验更丰富的人才。现在我们会直接从本科和研究生项目招聘毕业生，今后也会继续这么做。即使在 AI 时代，有些事情变容易了，我们刚才也谈到了思维方式和 AI 熟练度。以我的经验来看，年轻人更开放，也往往更熟悉某些新的工作方式。对 Netflix 这样的公司来说，他们对娱乐行业的变化、消费者行为的变化，以及产品和技术如何影响自己使用的产品也很了解。这对团队非常重要。(00:54:38) 因此，要考虑的不只是这位应届工程师是什么样的人，也要看他作为一个二十岁出头的年轻人，对世界有什么独到看法，以及他是否能适应世界变化。这就是为什么我说，初级员工是我们人才战略的关键部分。至于进入岗位后，面对五年或十年前还不存在的 AI 工具，我认为精通专业技艺依然非常重要。回到团队成员的责任：我必须对自己提交上线的代码质量负责；我必须对自己构建的产品质量负责，包括产品如何设计、用户体验如何呈现。这些都不会消失。因此，对于团队里职业生涯较早、资历较浅的人才，我们需要同样重视指导他们理解什么才算优秀。(00:55:29) 也要教他们怎样使用这些工具，但他们仍要为结果和产出质量负责。我之前也说过，我仍觉得专业技艺和卓越能力十分稀缺。因此，我们要确保把这些教给他们。我理解大家会担心：如果我不像过去那样亲手做，怎样才能掌握这些能力？但你仍然要负责审查代码、测试代码、诊断问题，也要知道优秀产品是什么样的。我认为，判断产品是否足够出色、是否解决了重要问题、设计是否优秀，这是一种非常稀缺的能力。(00:56:06) 因此，我不认为专业技艺的重要性会消失。人才培养的方式可能得改变，因为他们会使用不同的工具。而且我可以保证，职业生涯较早的人才也会教我这样的年长者很多新东西。所以我认为，这种学习是双向的。
你觉得五年、十年后工程会变成什么样？人们还需要理解代码吗？还是会出现一层抽象层，让大家甚至不必学习 C++、Java、Python 这些语言？
我认为，能用 Python 或 C++ 等特定语言逐行写代码，与理解代码、计算机系统和产品如何运作，是两回事。我不认为后者会消失。因为如果我们相信代理懂所有语言、能写所有代码，那当某件事出故障时，我们就不知道它为什么会这样，也不知道产品究竟好不好、坏不坏、是否按预期运行。正如我前面提到的，我们会承担很多风险，快速试错、快速恢复。这就要求我们理解这些系统如何运作。(00:57:21) 我可能会用代理帮我理解这些系统，也会让它帮我更快发现异常或故障、进行分诊，但我仍必须充分理解我们构建的东西是什么、怎样运作，这样才能判断它好不好，也知道如何修复。我不知道，希望这种理解不会消失，因为我们想通过构建的东西让世界变得更好，这需要我们对自己构建的东西有所了解。
我听到的意思是：你可能不必亲自写代码，但仍须理解代码和系统里发生了什么。不过，如果一个人不写代码，要让这种理解真正深入，难度会大得多。
我认为这是现在学习曲线非常陡峭的一方面。我看到一些模型或代理写的代码，很难读懂。我知道这样性能更好了，但完全不知道为什么；如果它坏了，我也不知道如何修复。这让我不太安心。也许是因为我还在学习怎样适应这个世界：要通过什么样的测试、推理和理解，才能让我们对它放心？但乍看之下，这确实非常陌生，也让人很不安。我认为，随着时间推移，工程领域会逐渐适应这种情况，学会熟练运用这些能力，并知道如何引导新技术、代理和新能力，确保我们对产出有充分把握。
我在想这该用什么比喻来形容……过去两年里，工程领域的变化一直让我惊叹，简直像换了一个全新的界面。以前我们坐在那里，在 NID 里写代码；现在则是和代理对话、审核代码，一天发布一百个 PR。
工程领域的变化速度感觉确实加快了。但如果回顾过去十年或二十年，你也会得出同样的结论。只是现在变化更快，过去几年发展得这么快，我们很难理解和消化。但工程、数据科学和产品领域出现巨大变化并不完全陌生，电影制作方式也一样。回看过去一百年，技术和新工具让电影制作变得不可思议地不同。只是如今变革周期正在加速。
好，我想简单聊聊娱乐。我很好奇，未来五年或十年里，娱乐会怎样变化？就今天而言，我们打开 Netflix，看看节目、视频，观看方式已经有一阵子没变了。比如“我要看《匹兹堡医护前线》，把它看完”，或者看一部电影。我也有 TikTok、Instagram，里面都是信息流。你觉得五年后，我们娱乐自己的方式会有多大不同？
我觉得 Netflix 已经在变化，因为未来的娱乐不会只有一种形式，现在也已经不止一种。我们扩展服务范围、不再局限于电影和电视，部分原因是消费者期待能在更多形式、设备和一天中的不同时间获得丰富选择。Netflix 必须满足这种期待，并希望随着时间推移超越它。我们增加手机和电视端、云游戏、直播内容、播客，也与更多入驻 Netflix 的创作者合作，这一切都拓宽了娱乐的定义。Netflix 有能力重新定义并拓展它，也因此承担着更高的要求：怎样让 Netflix 会员顺畅理解和体验这些内容？(01:01:11) 比如，怎样让你从收听 Bill Simmons 的播客，无缝过渡到观看《四分卫》，因为你喜欢 Netflix 在相对传统影视领域提供的这类作品，然后再去玩最新的 FIFA 云游戏？我希望无论在电视上还是手机上都能这样做，因为我正在路上，也希望能在一天的不同时间发现并参与这些内容。这种体验已经在 Netflix 中逐步构建，我认为未来会越来越完善。因此，未来娱乐不会只有一种形式。它必须更加个性化、沉浸和互动，并让人感觉自己置身于一个可以从多个方向探索的世界，具体取决于当下想做什么。(01:02:00) Netflix 面临的挑战是，必须让内容发现和参与比今天容易得多。我们的内容很多，体验可能会显得很零散，尤其是考虑到市面上还有那么多服务和产品。我认为 Netflix 很有优势，能够从娱乐、产品和技术的整体角度解决这个问题。
另一个显而易见的因素是 AI。作为旁观者，我觉得很有意思：科技行业里大家都说“AI 太棒了，这是未来，这是最好的”；好莱坞那边却像是在说“不行，马上停下来”。
实际情况是多种多样的。Netflix 在其中的角色，是让创作者能用自己想用的工具实现创意。有些创作者或电影制作人会坚决拒绝 AI：“绝对不行，我的制作方式不会用 AI，这不符合我的创作构想。”没问题，我们会和这些创作者合作。还有其他创作者——我认为人数正在增加——很想探索：“生成式 AI 工具能否让我实现过去做不到的事情？能否用新方式讲故事？能否提高故事质量、增强观众共鸣？能否让我用更具创意的方式把故事呈现出来？”我们会支持他们，也会支持立场介于两者之间的人。(01:03:24) 我认为我们处于这种位置非常重要，因为娱乐不会只有一种形态，也不会只有一种格式。有些电影和电视会延续传统形式；也会有才华非凡的创作者带来全新的形式。Netflix 希望参与其中，这意味着我们提供的工具和合作方式必须灵活。我们要以赋能创作者为出发点，而不是规定只能用一种方式创作。
我觉得人们会惊讶于 AI 内容的质量有多高。Spencer Pratt 的视频就让人觉得……大家都说“哇，还挺好看”。显然是 AI 做的，但确实很有意思。你觉得我们会不会走到这样的阶段：整部电视剧都是 AI 制作的，而且大家还很喜欢？
我很难想象娱乐内容的核心完全没有人类。这里说的是人类参与故事创作，我认为这是一种稀缺且宝贵的能力。讲故事与人性密不可分，也需要了解什么能打动人。所以我认为人类始终会是故事的核心或关键组成部分。看着屏幕上的角色毫无人性，在我看来吸引力会弱很多。讲故事的真正力量在于看到另一个人，看他如何演绎角色、呈现情感；这是一种非常人性的体验。AI 会不会帮助实现这种创作？会不会在某些制作中发挥重要作用，或帮助作品呈现某种特定风格和感受？当然会。但我看不到一种完全没有人类作为根基的形式。
有句话常被误传为 Salman Rushdie 所说：“孩子出生后，最先要食物、水和保护，然后就会说：给我讲个故事。”
从人类历史之初起，讲故事就一直是社群、社交关系、人类情感与联结的重要组成部分。因此，我很喜欢技术能够放大这种力量、用全新、新颖又令人兴奋的方式把故事呈现出来。但如果说讲故事可以不以人性为中心，我会觉得那会缺少些什么。
未来几年，这些技术肯定会带来不少疯狂的新东西。
毫无疑问，其中很多都会非常有娱乐性，这点我也不否认。但我认为未来会非常多元，而 Netflix 需要站在塑造并实现这些新形式的核心位置；这就是我们的计划。
太棒了。Elizabeth，我们聊了很多。在进入激动人心的快速问答环节之前，你还有什么想分享的，想留给听众的，或者想再次强调刚才谈到的内容吗？
前面可能已经表达过了，但我想再次强调，现在是构建娱乐产品的激动人心的时代。我们谈到技术、消费者以及娱乐形式正在发生的各种变化。如今创新速度极快，这也是我继续留在 Netflix 的原因。我觉得这里很有趣。如果我不再次强调这一点，就像漏掉了什么。我还认为，我们这个行业有时花太多时间讨论纯技术或技术能力，反而只见树木、不见森林。我们想打造人们喜爱的优秀消费产品，也想创作人们喜爱、甚至最钟爱的娱乐内容。我不希望大家忽视这一点。底层当然有令人惊叹的技术和产品，但最终最能激励我们的，是我们能为世界各地的人们带来什么。
顺着这个话题说，消费级新产品和新体验如今并不少见，真正稀缺的是成功案例。几乎没有多少消费类初创公司能做成，而 AI 看起来像是一个可能改变这种局面的机会。我觉得 Netflix 是少数仍持续提供优秀消费产品和业务的公司与品牌之一。这样的公司确实不多。做得好。
我们会继续努力。
好，到这里，我们进入令人期待的快速问答环节。我有五个问题要问你，准备好了吗？
好，准备好了。
好。你最常推荐给别人的两三本书是什么？
我得换几本书，不能和上次说的一样。
我不记得上次说的是哪些，不过听起来不错。
我还是喜欢经典旧书。我想到两本：《进入空气稀薄地带》（Jon Krakauer 著）和《说谎者的扑克牌》（Michael Lewis 著）。我曾在华尔街工作，所以喜欢提醒大家很久以前那段日子是什么样的。
最近最喜欢、最享受的一部电影或电视剧是什么？这对在 Netflix 工作的人来说可能太难了，不过你最先想到什么？
可选的太多了。最近看的是《Remarkably Bright Creatures》，是我妈妈推荐的。这部作品很催泪。正好能说明讲故事中的人性。
最近发现并且特别喜欢的产品是什么？
对我的健康和身心状态至关重要的产品是 Eight Sleep。
你有没有经常在工作或生活中想起的人生格言？
我常常会想起父母从小教给我的话。也许会有些重复。第一，每天都会发生一件好事，要留心发现，即使身处压力最大的时期也是如此。第二，最后那 5% 的努力通常会带来决定性的差别。
这两句真棒，让我很有共鸣。最后一个问题。我对此一无所知，不过你提到自己要参加某种骑行活动。
哦，是的。
说说是怎么回事。你要做什么？
我和丈夫要去旅行，跟着环法自行车赛一起骑行，参加比赛最后一周的行程。环法为期三周，最后一周有很多山地赛段。我们每天上午可以骑其中一段路线，下午再看比赛。这可不轻松，所以我正努力训练，好享受骑行。毕竟这应该是度假。
天啊，我太喜欢这种度假方式了。我们要去比赛。那么这算比赛吗？
我喜欢骑自行车，也喜欢职业体育。能亲身参与其中很有趣。
所以你们是要比赛，还是只是很从容地骑完整段路线？
会从容地骑。
但路上仍然会有……[听不清，01:10:13]？
我想我刚才提到了……是的。
其他山坡。
这在体力和心理上都很有挑战。它不是比赛，但我也不想落在队伍最后，所以我得练到能跟上队伍。
哇。我喜欢这和你的工作多么不同。感觉像是有人……[听不清，01:10:29]。
这是很好的平衡方式，能让我走到户外，也让我得到一些新的视角。我很期待这趟旅行。
Elizabeth，你太棒了。最后两个问题：如果大家想关注你、联系你或聊聊刚才提到的内容，可以在哪里找到你？听众又可以怎样帮到你？
想了解我和我们的工作，或者联系我，最好的地方其实是 Netflix 技术博客。我们正在那里发布很多刚才提到的内容，也努力更好地介绍正在进行的有趣项目。通常那里是很好的起点。至于听众怎样帮忙？可以试试我们新推出的东西，看看直播活动、玩游戏，也可以体验我们在移动端推出的全新竖屏视频信息流 Clips。欢迎给我们反馈。我们希望把这些产品做得更好，其中很多都是我们从零到一的新尝试，因此正努力尽快把它们做到优秀。
我喜欢这份作业就是去看 Netflix。
你也可以看别的内容。告诉我们怎样做得更好。不过我当然很想知道 Netflix 怎样才能做得更好。
我喜欢。我这就去做。Elizabeth，非常感谢你今天来做客，也感谢你再次回来。
谢谢你邀请我。每次都很开心。
各位再见。非常感谢大家收听。如果你觉得节目有帮助，可以在 Apple Podcasts、Spotify 或你常用的播客应用订阅。也欢迎评分或留下评论，这能帮助其他听众发现本节目。你可以在 lennyspodcast.com 收听往期节目或了解更多信息。下期再见。