声东击西 - _399 贾扬清_我所经历的_人工智能已死_到_AI 颠覆世界_的数年巨变丨十周年特别节目

0:00Speaker 1用声音碰撞世界生动活泼 理解一个不断变化的世界这里是生动机器时周年特别节目 2016年的10月末也就是10年前聖農基西第一期节目上线了那到今年也就是2026年的10月份聖農基西就已经更新了整整10年所以在这10年中呢我们是采访了很多深处变化之中的人也和大家是一起经历了一个不断变化不断转向的世界 那在这个十周年之际我们的确想要做一点特别的节目但又不太想只是做一个简单的回顾所以我们决定还是用生动机器熟悉的形式去访谈那些有动静的并且亲生经历过了这些结构性变化的嘉宾们去听听过去这十年中他们是看见了什么动查到了什么又如何理解今天如何看待未来这一系列的节目呢会至少有六七 包含技術、程式、制度、教育等等不同的方面特別節目的第一期我們請到的嘉賓是賈陽清請到她是因為在過去10年間她幾乎是經歷了AI從研究實驗室到走向產業再走到大眾面前的每個關鍵點 他是在伯克利做出了開源框架咖啡後來又非常早期的進入到了Google的人工智能研究團隊Google Brain之後又加入到了Facebook的人工智能基礎設施團隊Facebook AI Infra回國之後又加入阿里雲負責AI基礎設施於業務此後又在硅谷創辦了Lapton AI這一個創業公司並且非常快地被英偉打給收購那現在他又開始了他的新的創業 在半個月前也就是7月初我是在龜谷面對面的採訪了賈陽清那個時候他已經離開了英偉達而新的創業項目還沒有正式公布但等到這期節目上線的時候他的新公司已經官宣從某種程度上也體現了AI時代變化的速度吧我們也因此是把這期節目的上線時間往前進行了調整但這期節目不只是關於一個人

2:59Speaker 1我们更加想试回到AI过去十多年的几个关键节点并且通过假扬轻它的观察理解和思考来开AI究竟在过去这么多年当中沿着一个什么样的路径在发展并且它在未来会如何改变公司工作以及我们每一个人那下面就请听这一期节目Hello 大家好我是许涛那今天这一期节目是神农机器十周年的系列节目之一 可以想見的是最近十年最大的一個結構性變化肯定就是AI了那今天我可以說是在AI湧現的地方也就是歸谷更準確的是說是在歸谷的Mountain View山景城來做這個採訪那離我非常近也就開車三分鐘的地方吧就是計算機歷史博物館也是一個非常

3:50贾扬清有意義的一個地點了今天我們請來的這位嘉賓也是過去十多年在矽谷見證了也是個人經歷了這種結構性變化的人他就是賈陽清Hello 陽清您好大家好 我是賈陽清然後我們在基本上可能前面的十年甚至更多的時間當中一直在做AI的事情在所有人都在湧向AI研究的時候 很有意思的一件事我有点意潮流而上的开始从AI的科研走向AI的工程AI的业务也做了自己的公司应该说也算是有幸在整个的浪潮当中成为了一个不是旁观而是在潮流当中莫怕滚打的那么一个人 對對對 待會兒可能我們詳細聊了之後就會知道就多麼的每一個節點都正好是在應該是什麼 浪潮之端然後做出一些有意思的決策在各種潮水變化的時候看到就是大家在之前對這個浪潮的期待和之後又回過頭來的觀察很多時候這樣的reflection是一個很有意思的對比

4:56Speaker 1而且今天剛好就是在硅谷然後是這些所有AI變化發生的地方也很開心那個十週年的時候終於又回到了硅谷然後能夠做這次採訪對 是的可能這個聽聲音機也是差不多十年前就開始的那邊一件事情所以我算是一個忠實的聽眾開心開心那回到我們這個AI的話題因為現在AI已經非常非常熱了嘛就如果我要 把時間拉回到你的小時候你會覺得有些什麼特質使得你現在可能做AI或者觀察到AI的變化做研究做科研做項目是契合了一些你的小時候的特質這是很有意思一點是我現在做很長時間的AI工程業務等等的事但是我一直覺得本質上我有點像一個文科生我父母是浙江高中的語文老師

5:47贾扬清當時的時候這家本身也算是一個比較附屬的地方但是三四十年前也不是說所有的地方都有很好的學校等等那麼我們父母的學校高中在一個相對比較偏遠的地方於是我們這些教師的子弟大家要上學嘛我們就找了一個學校旁邊的小房子後來我才知道是住自新的故居然後我們把它休息休息然後作為這個學校的 這個老師的小孩的副小在那個地方讀書基本上後來到五年級的時候六年級的時候轉到鎮上的小學我們才發現說我們的小學甚至都沒有義務教育程但是那麼一個環境讓我變成了一個一定程度上第一呢從小就有 高中的那麼大的一個圖書館可以讓我隨便翻各種各樣的書當時也看不懂但是甚至在小學時候看過卡福卡完全看不懂但是同時又在旁邊有各種各樣的鄉村生活類似於像陶淵明說的一樣的把採取動力下的這樣一個環境所以本質上反而更加偏一個文科生而不是說how to get things done雖然後來在職業當中就更多的是在做工程跟業務的事情 然後今天AI很有意思的一點是說AI越來越像人了我們今天說大語言模型以及它在很多無論是在Coding還是在各種情感陪伴創作上面更像是以一種人文的方式在生成各種內容所以這個我覺得咱們可以回頭跟大家詳細的聊一聊一些細節等等是我覺得在前面的五年當中變得越來越融會貫通的地方 所以你下海能記得第一次聽到人工智能或AI這個詞是什麼時候嗎第一次的話應該是在尋找研究生的方向的時候我本科是學自動化的自動化意思就是說怎麼樣來讓各種各樣的系統變得更加穩定 更加高效舉個例子比如說我們做電梯往上走的時候電梯要請下來不能夠請了太慢同時又不能夠突然請下來讓你覺得暈

7:55贾扬清當飛機的引擎在舔上飛的時候我們要讓這個引擎能夠穩定的輸出但是同時又不引起各種故障這一系列的事情後來開始讀研究生了然後需要找一個方向當時的時候有一個概念叫做模式識別 pattern recognition模式識別在更早之前有一個次語叫做人工神經網絡就是今天我們經常聽到的深度學習 那個時候是大概2005年 2006年的時候大家在整個領域當中的印象是說人工神經網絡死了更早的叫做人工智能這個方向死了那時候就說已經死了那時候大家覺得說第一波人工智能或者說歷史上應該算是第四波人工智能了就是人工神經網絡的浪潮過去了大家覺得說那個方向走不通 我們更多的需要找一些簡單一點的直接一點的數學方法來做譬如說識別各種各樣的所謂叫PatternPattern的意思是譬如說像識別一個狗啊識別一個貓化等G系列的那個時候第一次接觸到人工智能這個概念但是大家發現說它可能是一個 歷史性的概念所以相當於你第一次聽到人工智能的這個詞結果就已經是判定他的死亡了對 當時至少整個業界是分析他的死亡了大家認為人工智能是一個歷史概念更新的概念 比如像機器學習等等的當時會被用的更多一些可能大家都沒有想到說因為新的生產學習這一塊的發展然後人工智能又被提到了一個 應該算全世界經濟的中心的位置但那時候你還是學了模式識別對 那時候其實覺得它是很有意思的事情怎麼樣讓機器能過來像人一樣做出對於整個世界的理解當時我們甚至都沒有考慮到說怎麼樣跟這個世界做交互讓機器理解這個世界本身就是一個非常非常引人入勝的問題

9:44贾扬清但05、06年真的好早 我記得那個時候可能很多人才第一次有了那個移動的電腦可以接上WiFi 對不對是 當時其實移動互聯網甚至都還沒有特別的普及如果沒有記錯的話Gmail甚至都可能是04年的時候出現的而且當時數據也比較少 當時大家做實驗的時候譬如說 更早更早90年代的時候有一個叫做MNIST這樣的一個數據庫這個數據庫是大概有5萬個手寫的數字01234567890然後那個基本上大概就只有幾張軟盤那麼大的一個數據級今天我們說拿大圓模型訓練的時候動輒 幾個TB幾十個TB甚至更多那時候在一個非常小的數據機當中我們有點像在螺絲殼裡面做到廠一樣先來看說積極學習的算法應該是怎麼樣的 對但那個時候非常的關鍵因為我記得那個時候應該Google就已經開始說他要digitalize the world就是把那個世界數字化它就開始有什麼掃描圖書館然後開始去拍各種各樣的東西後來我發現說數字化再加上移動所帶來的這堆數據其實準備了人工中的所需要的燃料

10:59Speaker 1所以研究生是在清华接着读摩世识别 然后研究生毕业了之后去伯克利接着是读摩世识别相关的对 当时基本上就是第一年其实到了伯克利之后的话呢 伯克利所的学生

11:13贾扬清都可以先在自己的戲裡面探索一下自己想做什麼事情那是2012年那是2009年2009年 對2009年 所以一想說都已經超過10年了其實還是挺有意思的經常我們開玩笑的一點是說 during AI before it was cool然後2009年我最開始的時候也看過機器人後來我覺得機關機視覺還是一個很有意思的一個方向因為我說實聲 其實我本科生做畢業設計的時候就在做怎麼樣在一個北京的西西長老的車道當中來做車輛的識別就在美國比較容易撐沒那麼多在北京車太多了不好做所以我就一直覺得說激戰機視覺可能是一個讓機器來接觸現實世界的一個最實際的入口這個好像是現在的我們知道的很多大神都 採取這個領域 比方說李飛飛教授對 我覺得捐氣視覺本質上可能它是一個最簡單直接的和世界交互尤其是交互的那麽一個入口如果說比如說一個宗教室的汽車需要來做宗教室那這個時候它必然需要首先知道說這個世界是 再發生一些什麼事情然後我們人類社會很多事情很多的設計和我們人的感官Sensor其實是很相關的視覺和聽覺是最重要的兩個聽覺就變成了語言而視覺還是和之前其他部分交互的最重要的一個成分當然其實那時候也沒有想那麼多就覺得說這是一個很有意思的事情那就先做吧我能記得當時我有看過一本書應該是他叫Ray什麼什麼的一個人工證件Ray Kurzweil 我看過他一本書 我覺得我完全看不懂他是在講人工智能 但是他前面一張就是在講計算機如何去識別一個A是一個A而不是一個別的東西然後我當時看了就覺得天啊這是什麼我不明白今天我們都不知道說人工智能網絡實際的邏輯是怎麼樣的但是從一個文科生的角度吧我覺得越來越多的接受這種統計的不確定性

13:18贾扬清很直接的一個例子假如說今天我們問一個小朋友長什麼樣的一個東西就是一隻貓他告訴你的所有的東西都是不make sense的如果說你完全只是聽他的描述聽完之後在你的腦海裡面是沒法浮現出來一隻貓的這樣的狀態的但是我們所有的人在看到一隻貓的時候我們說那是一隻貓但是我們說要描述他怎麼描述呢肩道耳朵好像也不是 特別的像毛那個事情 胡字好像也不一定是 對吧所以我們的很多人類對於各種概念的理解本身也是一個相對所謂叫隱性的或者implicitly形成的很難用一種非常仔細的非常詳細的邏輯去把它寫出來所以也可能有點類似的這樣的一個狀態就是怎麼樣像一個A寫得公正的 很堅寫得圓圓的好像也能認出來 所以2009年到2013年是博士的四年 對吧在博科立那段時間業界開始對AI又有不一樣的看法了那段時間其實大家周海處於一個從今天看起來相對比較就是百方啟放的在探索的階段那麼人物神經網絡甚至在2010年的時候還處於一個有一點受爭議的狀態我記得很有意思一點是2010年或者2011年在一個 這段期視覺的會議叫做CPPR上面那麼今天圖靈講的獲得者楊立坤楊立坤他提交了一篇文章被審告人拒了楊很傷心他覺得說因為對他來說其實《人工神經網絡》是他一直致力研究的一個方向他寫了一封公開信說今天整個的社區對於神經網絡的思考和對於神經網絡的研究是懷有敵意的 一樣是一個很有真性情的人然後他寫說我再也不來CPR了然後到了12年那他應該是一年寫的一篇公開信到了12年的AlexNet就是我們所數之的深度寫的網絡在基本機視覺領域應用的那篇文章出來之後一樣又很開心的寫了一篇文章說今天我很開心的看見對吧因為AlexNet給大家所帶來的這個

15:35贾扬清效果证明上的冲击因此大家都开始相信深度心理网络了所以我又回来了所以那个时候其实反而是一个有各种各样的观点在碰撞的那么一个阶段所有的这些外界的这些碰撞也好对你当时的研究会有一些什么印象吗 我們其實很有意思的是 當時可能在伯克利算是最早開始悄悄的我兒身入神經網絡的幾個研究生之一 不能算別人依據很有意思 每一個學校大家都有自己所比較擅長的方向和比較喜歡的方向比如說伯克利的話是統計學習和統計學 是非常流行的一个方向或者说做的非常好的一个方向比如说统计学系的余兵教授等等所以柏克利比较关注在一些比如说我们叫概率图模型等等这样一些和生动学系不是特别相关的方向上面生动学系在比如说像多伦多大学像猛特利尔他们里面就做的会比较多一些眼中生的好处是我们各种各样断气发糟的 玩各种东西所以大概在11年左右的样子就是我和Oreo Venus现在是谷歌Gemini的负责人VP我们俩就开始玩一玩这些事情做一做谢谢程序 做一做还有详细书编码Sparse Coding等这一块的研究 然後呢 伯克蒂是一個很開放的一個地方 當時我的導師Trevor Darrell以及還有另外一位捐獎機視覺領域非常著名的教授 捐獎馬力克然後他們就評價說 這幾位小朋友在玩一些mumble jumbo的東西因為裡面mumble jumbo的意思就是反正幾個怪的 幾個說不太清楚的到底是什麼東西的那些事情 對吧但是呢 教授們的觀點是說 有探索是好事 let them do the mumbo-jumbo stuff對 是的 然後後來就變成我們在Bookley做的包括深入學習的框架包括後來就是我們做的專輯視覺上的像檢測 識別等等這一系列的還是比較impactful的工作算是那個時候研究生們開始玩的一個開端

17:46贾扬清所以玩一玩就玩出咖啡来了对 是对 咖啡当年的一个原因呢就是因为在Alex那出来之后我们很少有可以公开的开源的代码让我们附建它的效果然后我们说那我们总得做科研 总得做些什么东西然后那是我的第一个生态家项目CC源基本上在考科研的时候很少用到因为它更加片系统一些然后当时呢我们觉得说工作的 怎么着不能失业 总得学一学第二个是因为如果说要做深度学习的研究的话其实计算的效率比以前变得更加重要因为它的计算量蒙增 因此也需要用像C++這樣的語言能夠來實現一個比較高效的能夠在可以控制的時間幾天一個星期左右的時間能夠做科研的疊帶的那麼一個框架 所以我們正好寫了咖啡然後因此的話正好在科研和工業的領域大家正好也缺這個事情也算是我第一次領域到開源能夠給大家帶來的一些正向的影響

18:51Speaker 1如果是要給類似於沒有那麼懂AI的非技術的人員你要怎麼去解釋清楚咖啡是什麼以及當時的重要性為什麼大家就說天啊咖啡之父年紀輕輕成為了咖啡之父是多麼牛的一件事我覺得其實比較簡單的來說的話可能咖啡就相當於是說在人工職能領域我們在做科研的時候把我們的思想從科研角度就是說是把我們的想法轉化成為一個

19:20贾扬清这个跑的程序跑的实验然后把这个实验的结果再带回来说让我们重新思考说用什么更好的方法这样的一个币环如果可以转得更快那我们的科研就可以做得更快所以像可费等等这样的开源的框架就在帮助我们更快的设计和迭代各种科研的方法 所以就相當於是也是幫助了很多開發人員跟科研工作者能夠更快的去做事情對是的當時做這個研發我看一些報導是說其實是你的一個side project不是你的最主要的論文研究方向對是感覺很有意思一點就是說是說做的論文大家都後來都不讀了但是像可菲包括我們還有後面其他做的一些在譬如說物理檢測上面的RCNN等等這一系列的工作倒反而是就是大家覺得說在工程

20:08Speaker 1可能和應用上面更加有用的事情所以很多有意思的事情可能都是無形之詩做出來的那個時候你已經開始感覺到自己可能更加喜歡哪個方向或更加願意做學術還是工業界的事情是已經開始有些變化了嗎

20:25贾扬清對 我的感覺是就像我是一個文科生的這種感覺一樣就是很多說我自己的目的性並不是特別明確更加有點像隨波逐流的這種風格所以就是畢業了然後就也找到工作了第一個工作在谷歌研究院然後就覺得說那就反正準備一下不要在自己工作的時候不知道編程等等的搞的手忙腳亂的所以就是順便先準備一下 鍛鍊一下那麼來的一種思路

20:55Speaker 1讓我倒回去一下 就比方說因為剛剛說在清華賭碩士的時候無論是神經網絡還是模式識別它最終導向的其實是一個科研的方向而不是一個業界的方向所以碩士結束之後非常順理成章的就是去

21:12贾扬清哪裡讀一個博士然後去了博克利然後但在博克利的時候轉機就出現了就因為你玩的這些事情當時其實相當於是Google應該是2014年的時候建立了Google Brain是吧其實Google Brain可能還是要為更早一些那應該是在我想想在2011年左右的時候當時Andrew Wenda教授和Google的Jeff Dean大家一起討論的時候然後呢Andrew convince了Jeff说今天其实需要或者是有那么一个机会来构建一个大的非常高性能的计算机集群计算机的我们叫分布式系统来解决这种神经网络训练的问题但是刚刚不是说那个可能在那之前神经网络还不是一个业界共识的东西甚至之前还说以死之类的对 神经网络一直当时处于一种不算是显绝的 那么一个状态 所以我觉得在谷歌在这个方面其实也是非常有前瞻性的在做这方面的研究然后回过头来看其实是一个很有意思的一个事情当时谷歌所采用的技术是说我把几万张CPU连起来然后做一个非常巨大的分布式系统来做训练但是后来我们发现说大的方向是对的 具体的技术上面 我們說CPU好像還不夠於是呢 Alex Krzyzewski他在多倫多大學相當於是用了兩張消費級的GPU那些GPU當時的時候更多的還是用來做遊戲啊做渲染啊等這塊的用兩張GPU以及一個非常聰明的算法打敗了谷歌以可能我忘了具體的數字了可能在幾萬張CPU上面所打剪出來的系統 這個其實對整個業界包括我們對於後來我們所說的軟硬件協同設計的這些方面都是一個非常驚訝同時又非常振奮的那麼一個消息那是2012年2012年他用的GPU就是後來的英偉達的就是英偉達的庫達的GPUOK 所以所有的就是十多年之後的這個浪潮在那個時候就已經開始了對 是我們開玩笑說我們做AI的基本上在

23:23贾扬清十年多以前就已經非常非常大量的幾乎是exclusively的用英偉達的GPU開始做這些科研和訓練然後促使我們當時來寫科費等等這些開源框架的一個原因也是因為英偉達當時的時候有一個非常有意思的叫做學術硬件捐贈計劃就是大家寫一個proposal就寫一個研究的規劃 給英偉達他如果說覺得這塊靠譜他就會給學生送一個GPU說來做一些事情所以那個時候其實英偉達就跟科研領域建立了非常好的那麼一個關係所以這個也算是我覺得這也是他們非常前瞻性的那一件事情當時你的咖啡能夠寫出來其實就是申請了英偉達的這個GPU是嗎對 我們再開始申請了一張然後後來我說 當時是怎麼想的 當時其實的確也是個很有意思的一個事情那麼更早的時候呢其實法國Inrea法國的一個研究院他們就在用這個用GPU做一些更加早期的譬如像語音識別包括熟悉體數字識別MNST等等這些事情那我們看見之後我們就覺得說的確有意思它呢在做計算的時候的確能夠比CPU要快可能十倍左右的樣子然後呢我們最開始的時候在做 深度學習的研究的時候的確還是用CPU來寫的在咖啡之前有一個另外一個項目叫做Decaf不帶咖啡 都給咖啡對 那是在CPU上的我們發現說的確不夠快我們要訓練一個像AlexNet這樣的一個模型的話如果說在CPU上即使把我們實驗室所有的機器都用上不管其他研究生物的反對如果我們全都用上我們可能也需要訓練1到2個月的樣子我們說GPU的確可以做得更快 這也是因為這個員工 所以我們就寫了一個Proposal給英偉達說能不能給我們一個GPU 我們是一時他們就給了一個GPU 他們給了一個GPU 然後我們做的時候我們說效果挺好 能不能給我們更多所以後來就是英偉達跟博克力也有一個非常非常好的合作的這樣一個關係我們當時做的這些東西可能也是所有的各種各樣的原因之一他們的GPU就是快遞盒子裡面快遞過來的嗎

25:38贾扬清就以前的時候的確是就是這個你今天收到一個辦公室 收到一個快遞盒子你打開 然後你自己去傳一個機器然後完了之後把它裝進去 然後就可以用了很有意思的一個事情是今天我們還在創業做公司嗎我在我辦公室底下的那個機器還是我當時的時候13年的時候買的那個機器所以已經13年CPU跑得依然很快CPU已經換了好幾代了這個也是我覺得 AI的加速計算和CPU的通用計算這兩個在增速上的非常鮮明的對比CPU領域就是的確可以不用疊帶了就保持現狀就可以是的 對 13年前CPU一用Idea快的無所謂但是GPU因為我們需要在上面跑更多更新更大的計算這個時候海事處於每一年兩年就更新一代的那麼一種速度對 這是很有意思的事就是有很多的 硬件的領域或者CPU硬件領域雖然我們說基單機領域一直是一個變化非常迅速的狀態但是有很多都已經是good enough了AI是唯一或者說少數的幾個今天我們發現說它還在迅速的發展 迅速的變化的那麼一個領域所以那個剛剛有說到就是在博克力的時候你畢業了就加入了Google Brain所以咖啡

27:00Speaker 1做出來是你去Google Brain之前還是說你做了咖啡Google Brain覺得你太棒了然後錄取的你很有意思 先拿到了Google Offer所以我基本上是

27:10贾扬清Fishley是算14年畢業的但是13年12月份我就直接去國大腦開始工作了然後覺得說不行了這個真的不會變成啊得學一學然後開始寫咖啡然後後來畢業之後的話咖啡作為一個伯克利的Berkeley Research Bayer的一個相對比較核心的項目然後在學校我們就一直在繼續的支持和疊帶 直到後來更新的一些框架譬如像TensorFloward就工業界整體有更多的經歷和更多的資源投入到新的工業研發當中然後今天Cafe就變成更像是一個教學或者說historical purpose的那麼一個項目了所以當時那個Google Brain就應該是少有的如果不做科研要去業界的話可以去的地方對不對應該是對可能是業界最好的實驗室之一了如果說 不是說最好的話那一年很有意思的是13年冬天12月份的時候其實Facebook正好官宣了成立Facebook AI Research Fair就是Yang Le Kun那是13年12月份的時候然後14年就Facebook就開始就是非常重點的投入在AI的方向上所以就相當於是那個在學術界還關於神經網絡在爭論的時候這兩家大的科技巨頭全都在重金投入神經網絡 工業界一般而言的話其實反而是會比學術界稍微慢一點因為學術界很多時候大家有這樣的觀點但是的確那個時候12年Alexnet出來之後學術界也非常迅速的開始關注這個方向但是在那個時間點上其實工業界的動作非常的迅速就13年的時候幾乎所有的公司大家都開始關注在生育學習這一塊上面那為什麼呢

29:03贾扬清可能我覺得大家的確是看到了整體的這個paradigm shift從學術的角度來講呢 就是AlexNet它是一個做經驗計視覺的模型在它之前我們有一個叫做ImageNet這樣的一個測試的這樣的一個數據級是Stanford的李菲菲教授做的ImageNet這樣的一個測試標準級那麼大家之前非深度學習的算法基本上已經 停滯了有那麼幾年了 兩三年了每年可能錯誤率從25%降到24% 降到23%那麼一個狀態那一次的話直接從20%幾降到了14%如果說我沒有記錯的話Alex一下子相當於Alex把他的錯誤率降到幾乎一半那在這種情況下 大家是Oh wow 它肯定是一個很好的模型而且那麼大的跳邊很多時候在科研領域是比較少見到的可能十年二十年有那麼一次我覺得這個是大家對它有非常大的信心或者說有比較大的信念的一個因素但是依然產業界會這麼大的壓住依然是還挺不可思議的一種方式當然大家也都沒有all in 或者說還是有各種各樣的debate所以說如果說我們半開玩笑的說看英偉達股票的話13年到可能甚至到18年19年都還沒有起飛依然還是上上下下的甚至在中間一段時間支撐英偉達估值得很大的一個原因是因為Crypto

30:39Speaker 1而不是因為AI對 去挖礦但我現在回想起來2013年因為剛好是我到歸谷來做駐戰記者的那兩年我就的確覺得當時首先Google Facebook這些公司的市值已經非常高了他們可以去投入到各種各樣研發以及那個VC Venture Capital的方面的錢非常的多然後他們其實除了在做跟人工智能相關的他們可能還有各種各樣其他有意思的東西所以當時谷歌大 Google Brand還有Facebook他們在做的無論是收購也好還是各種各樣有意思的項目也好其實已經非常多了而且我覺得可能還有一點重要的是因為他們就Facebook跟Google其實都是互聯網時代起來的巨頭然後他們迅速就看到一棟互聯網顛覆了很多東西所以他們也有危機感說我無論下面一個浪潮是什麼我一定要壓住壓上我覺得可能這也是原因之一而且如果我們看

31:36贾扬清十年前或者說十幾年前那個時候到今天的話整個業界也在對於風險或者說對於advanced research 前沿研究也有更加正向的觀點之前的時候譬如說可能還只是幾個大的公司像谷歌 像Facebook他們能夠在自己的這個公司之下來旗下來設置research lab 那今天的話我們看見說有一個詞語叫做Neolab新的實驗室的模式即使是一個剛剛開始從0到1的實驗室無論從風險投資還是從產業的戰略投資的角度我們都看見最好的Neolab比如說像Alias Discover的Safety Super Intelligence SSI和Mira Morati的Think Machine Lab都在意 幾十億美元的歸魔融資和做前沿的探索這是在十年前的時候不太容易出現的當時更多的是一個大廠願意投錢今天我覺得是整個的歸股的industry願意投錢在更加前沿的更加長線的研究上面這個也是我沒有想到的我沒有想到這種研發其實它也在一種組織或者形式或者是融資方面的演變當中

32:51Speaker 1對 我就想到其實那時候比方說Facebook它還花了好多錢收購了Oculus 對是吧 就是如果說那個Oculus這麼多年過來了不恩不火那神經網絡可能也有這樣的一種平行宇宙當中可能有這種命運 對 很像但他們就不管3721我先

33:09贾扬清各種壓住 反正燒錢就燒錢吧那種概念是 這個我覺得其實可能稍微有一點就是帶有偏見的那麼一個觀察是說歸骨的確是在全球所有的這樣的一些創新創業的這樣的一些區域當中可能最前瞻性的一個地方為什麼呢 很多時候我們在傳統的十年前在國內的時候經常會聽見一個事情是說這個人是個做技術的 背後的意思是說 這個人可能走出來什麼事情因為他只懂技術歸股可能是少數的幾個經驗說這個人是做技術的會接下去一個問題說他技術做得好不好做得好的話歸股說那我就給他投錢我可以去給他找商業的人我可以給他就是幫助他來把這個技術來實現商業化所以我們說歸股是一個對於geek對於nerd最友好的地方因為他能夠看見這些技術有可能帶來的新的商業的impact 對 是 明天的話我們也能看見說比如在國內今天我們說應合技術的創業無論是在大模型還是在最近的居然智能方面也開始更像是歸骨的這樣的一個風格就是願意以更加大的信任感來投入到這些對於新的技術 對於新的

34:28Speaker 1產業模式 或者說新的技術產品模式有著信心和有著探索的勇氣的那麽確認身上對你說像Google的兩個創始人佩茲和那個Segebrain對 Segebrain他們倆是技術非常牛然後給他們配了Eric Schmidt作為CEO等到他們變得更加成熟了之後Eric Schmidt再退出

34:52贾扬清所以當時相當於是你畢業之後有一個從學術界到產業界但Google不認其實還是還挺學術的感覺不認還很學術 依然還是一個就是更加research或者說是system research的店堂然後的確就是說我覺得可能一定處理上這個規股是一個人才流動比較常見的地方所以大家都會願意就是在不同的公司裡面去嘗試一下跟不同的問題 Google其實有一個谷歌研究院是我所待過的可能在研究和產品的平衡上面做的最好的一家公司那麼舉一個例子譬如說谷歌研究院我們當時的時候在的時候都會和產品的團隊一塊合作我是做階段機視覺的那麼我合作的其實最有意思也我覺得最後也作為產品我最驕傲的兩個事情一個是當時的谷歌翻譯就是你打開手機之後你把你的手機的 鏡頭指向某一個譬如說路牌等等它可以實時的翻譯然後放在這個上面Google Translate那這個功能的話是我們和Google Translate團隊一塊做的把模型怎麼樣放到手機上面去能夠做更實實更快的翻譯和渲染另外一個我們做的比較比較開心的一件事情是Google Photos今天我基本上我自己在前面20年當中所有的照片都放在Google Photos裡面然後它可以給我自己做分門別類 然後我可以說說我們家的兩位小朋友在加拿大2018年的照片他可以把所有的這些我的需求翻譯成有些是人臉識別 有些是去拿相機的XF信息來尋找地點然後有些是去找時間最後把我20年前20年當中所有的照片裡面我想要的那個給找出來這後面的技術就是你做的技術就是我們團隊做的譬如說像人臉識別

36:47贾扬清各種各樣的物體識別等等這系列的技術當然今天這些技術更好的而且這裡面其實也有一些很有意思的技術尤其是比如說人從小出生開始到長大長相是很不一樣的但是為什麼在Google Photo裡面他能夠把所有的這個人的照片都能夠聯繫起來說這是這個人 一歲的照片跟比如說十歲的照片非常不一樣背後的話比如說我們會說這個所有的人的長相人的長相是一個我們所謂叫連續的Manifold如果說我們有非常多的照片的話我其實可以在這樣的一個數學的空間裡面找到這個人的這個長相的一個非常平滑的變幻那我說啊那這一條變幻就都是同一個人這系列的事情就是每一個小點結合起來之後會使得最後呈現給擁護的這個體驗變得非常的Smooth 我可以無腦地直接問一個問題然後就非常驚訝的反省 哇 居然能給我找出來 當時你在的時候Google Brain它的整個團隊有多大當時很少可能大概40個人左右到我去Facebook的時候可能在我忘了具體是多少可能也是大概100個人上下依然是一個非常小的團隊但是其實2016年剛剛有提到說那是一個就是你去Facebook的時候剛好有個關鍵節點就是那個AlphaGo打敗李氏時然後AlphaGo當時用的背後其實Tensor Flow也是你有參與開發的對不對Tensor Flow是Google Brain 在工程上面做的最大的一个effort即使从今天的角度看起来 我觉得它也是一个从分布式的系统上面做的最精妙的那么一个系统当然它的用户体验什么的会稍微差一点 因此的话就今天我们大家更加喜欢用像派托车等等这样的对用户更友好的框架但是的确我觉得像探测浮动等等这样的框架一起

38:35贾扬清Google當時就已經開始做的像TPU等等這樣的硬件一定程度上是奠定了Google在前10年當中在AI領域依然處於非常領先的位置的那麼一個因素對 還有TPU呢 對當我就覺得當時好人的確Google已經投入很多了無論從最底層的硬件到最上層然後中間的架構對 回過頭來看的話的確Google做了非常多前瞻性的長線的投資 TPO的第一代如果我沒記錯的話可能是在2010年或者2011年的時候就開始做的所以像那個阿富汗的時刻在那之前你就知道它是可以實現的還是其實對你而言也是一個衝擊說實話對我來說是一個挺大的衝擊但是我問OreoOreo當時正好在DeepMind的DeepMind在倫敦就一直在做這個事情Oreo說對我們自己來說其實並不驚訝因為我們能夠看見就是計算機所 預計的勝率 他說我們的勝率就一直沒有低於50%過所以他說我們非常強烈的相信的確說這個結果是確定性的怎麼樣來展開 比如說像李世事贏了第四盤等等這個我覺得是很有意思的在整個大的方向上面的一些波濫和差距但是D-Mind他們比較強烈的認為說這是一個確定性的事情 我們當時也是就是一邊在看直播一邊譬如我在家裡面帶我家小朋友那麼一個狀態的確還是挺一定程度上有點受到震驚但是同時又覺得很平淡的那麼一件事情就是說就是有一點想起來說深藍打敗這個國際象棋的那時候可能也是類似的感覺但是我覺得我們當時完全肯定或者我們當時絕對沒有想到的一點是下圍棋的那麼一個 算法類似的這個方向能夠在十年之後顛覆整個世界的所有的行業當時你對人工智能行業或者省金網絡就是你從事這個行業當時你會有什麼預期嗎我可能屬於一個相對比較就是比較悲觀的或者說是比較怎麼說呢就是比較Everyday的那麼一個狀態你說當時回憶當時我覺得說We're doing good stuff我們做的東西很有意思It's cute

40:48贾扬清It will be useful 它會有的用處但是我們也並沒有覺得說它能夠改變整個世界我們說它能夠給我們的世界帶來更好的技術給我們生活帶來更好的體驗我們在地圖上所參觀的時候 所地方的時候可以更準我們可以把我們的圖片 視頻這些memory變得更加的鮮活但是整個社會的這樣的一種生產關係等等

41:17Speaker 1我們覺得說我們還是會只是會慢慢的去改變它那個時候是完全沒有想到的但是這樣一個話時代的變化沒有讓你留在Google而是說我要去Matter我覺得Matter從Google到Matter的一個原因主要是因為我覺得Matter有一個更加用阿里的一句話來說很有意思Matter是一個更加亂七八糟的生機勃勃的地方亂七八糟生機勃勃Google更像是一個眼睛深院

41:44贾扬清而Matter更像是一個怎麼說呢 本科生大家在一塊做各種各樣的發達事情的地方所以我當時也有一定的好奇心說從科研跳到有更加偏 產品或者技術的那麼一個方向來看看說推薦系統是怎麼做的怎麼樣來做一個譬如說social network這個我覺得是我當時從谷歌跳到meta的一個主要的一個原因當然另外一個點就是the pay is pretty good很現實的說這也是一個考量的一個原因剛生了完背著房貸有點錢多一點也挺好 所以你加入的2016年加入Facebook加入的是AI Research的部門我們當時叫AI Infra然後呢就是Facebook相當於有兩個部門一個是Facebook AI Research它更多關注在Fundamental Research上面譬如說像這個開明當時就在帶著機關機視覺這個方向做非常多的研究然後AI Infra相當於是說在 科研跟系統之間 在系統跟應用之間跟家庭應用一些對 Facebook 的大規模的推點系統的支持包括像自然語言 像捐雞視覺的落地包括對於譬如像 Oculus 的支持等這些是 AI Info 來做的所以是一個比較好的 用一個中文的老詞來說 產習源轉化的那麽一個方向對我來說 我其實也更加感興趣說做了那麽長時間科研了 寫論文寫的差不多呢享有更多的Hands on的那麽一些環境 感覺怎麼樣就是那個開始產學延往產的這方面我覺得挺有意思的就是說幹的事情肯定更加髒活累活了一些啥叫髒活累活就是譬如說舉一個例子科研的話我們說如果說有些事情不 work oh well it's fine過兩餐再解也行假如說今天突然發現說這個在商線系統當中出現的一個故障甚至譬如說我們的軟件框架在譬如說在線廣告推薦的這樣一些應用裡面出現了

43:45贾扬清甚至百分之二的速度的regression就慢了百分之二這個時候我們都是要進去看的因為因為慢百分之二對於整個端道端流程來說有可能是一個非常大的影響在那個時候是把你做的研究的這個是哪些方面放到了Facebook產品中第一個是做我們做軟件的框架譬如說像我們當時做了cafe2然後我們現在我們現在公司的口方的俊傑做了onix是一個業界 同行的一个神经网络模型的这样的一个定义的或者设计的标准这一系列的事情这是一方面同时的话比如说我们会有我们有一个叫做FB learner Facebook learner那么一个更加偏向于产品化或者说是对于业务团队支持的那么一个工具然后完了之后我们就会就说是继续开发FB learner然后在支持下面的分布式系统等等这一系列的工作 所以就會比較臟活力活一些好處是這樣的就是說能夠接觸到場景很多咱們可能還記得的一件事情說正好在10年前那個時候我們說可以拿神經網絡來對於照片視頻做各種分割化的改造把一個照片畫成一個反高的星空的風格等等熱了一段時間就是那個時候就已經有了我都不記得了那應該是16年或者說17年的時候的事情 然后于是我们把这个东西做到手机上面然后完了之后小扎非常开心地说这是历史上第一次我们把一个不小的神经网络部署到全球十亿台手机上面算是一个不小的G-Fint所以这样子的一个照片改造后面其实是一个小的神经网络的系统当然这些小的应用后来就说可能谈话一现在就过去了但是这样的一些技术什么的就整垫下来它就可以做更多的事情

45:31贾扬清所以到Facebook的這個階段 就如果打一個類比就當時你說在Google的時候你會跟Google Photos這些團隊進行合作那相當於是你就在Facebook是跳到了類似於Photos以前在Google更像是一個Consultant我的本質工作是在做科研然後同時和這個業務團隊來做Consultancy然後在Facebook的話呢就是說是更加是投入在系統等等這一塊的事情上

45:58Speaker 1但當Facebook在類似他們產品端大規模的用各種各樣當時有的AI技術的時候其實Google或者其他的公司Microsoft微軟其實也都已經開始了但也都在做這個事情 對所以當時其實已經開始有一波AI的規股公司的軍備競賽在這裡

46:17贾扬清這聲音其實還很有意思在AI領域我們自己看到當時其實有很多的軍備精彩在整個的Industry當中AI依然還是一個非常非常小的那麽一個Industry或者說那麽一個產品線 举一个令,甚至就是譬如像这个datapricks非常著名的一个这边的大数据的公司的创始人阿里,他当时说的一句话,他说数据依然是最重要的事情,AI更像是一个nish market 那是他可能17年18年的說說的今天delibx非常迅速地在擁抱AI以及也變成了一個AI領域公司的一個排頭坪今天delibx的說法是說數據跟AI是密不可分的只有有的數據我們才能夠訓練更加聰明的AIAI要變得有用它也必須要來出擊企業的各種各樣的數據所以這個也能看出業界對於AI的重要性的那麼一種進化以前大家就說how cute

47:17Speaker 1今天大家就是說實態是我的整個的產品或者說我的業務當中不可回缺的一部分那三年大公司在進行軍備競賽的時候但其實也是現在一些非常著名公司看日的時候OpenAI at ThorpecOpenAI直到GPT3.5出來之前其實大家從外面

47:37贾扬清看他依然還是一個小小的研究院有點奇怪的研究院好像不知道在做什麼事情的研究院就即使你在業內的話也會這麼看他們嗎其實在業內我們也會覺得說他們可能人們很聰明但是我們也依然覺得說我們得等著看他到底能做什麼東西來不然中間也做過比如說像機械手啊用機械手做模方啊等等這一系列的東西我們知道說他們做的科研是很solid但是呢就是 它究竟最後能夠達到什麼樣的一個效果在GPG 305之前是沒有人知道也沒有人對它有那麼高的期望回到2016到2019年我覺得當時可能還有一個

48:21Speaker 1重大的變化是包括國內的一些企業也開始做AI方面的研究了我記得百度應該當時是在硅谷建立了百度研究院然後包括裡邊人才積極百度我覺得應該算是中國AI的黃埔軍校當時的文達教授在文達教授是從Google去了百度研究院然後其實是于凱他

48:46贾扬清最开始首先建立了百度的IDL然后他介绍了吴教授到百度于凯是他更早的时候是在NEC北美研究院NEC是日本电子主持会设以前的时候做电子产品 做手机等等这一块他在北美有两个赛的一个是普林斯顿 一个是硅谷然后当时NEC也是一直在七级学习领域有非常多的投入的那么一家公司 所以當時我在2010年的時候還在愉快老師的他這邊的lab實習過他後來他和黃昌博士一塊見了地平縣也是國內的上市公司一直在做機器人芯片等等這塊做的非常好的一個公司因為回到百度的話所以文達教授在然後有非常多的 後來又非常著名的這個名字 當時都在百度譬如說像這個大維有大維阿摩內他本身就在百度待過然後因為他在做AI模型的一位VP叫做Brian Cantazaro他當時也在百度 他也是伯克利的畢業生然後還有譬如說像當時徐維老師他現在他應該也在地平線所以的確是非常人才積極的一個狀態所以相當於是那個時候 但凡是有一些規模的科技大公司已經都開始佈局了而且如果說我們往回處這10年的話 其實也很有意思就是前面的五年時間可能還屬於一個相對比較儲備然後還在大家覺得說應該能做一些事情那麽一個狀態然後後面的五年是一個瞬間的爆發以及更加具備競賽的這樣的狀態直到今天 2019年其實相當於也是因為那個國內的這種大公司的AI軍備競賽起來了所以你去了阿里我回阿里 一定程度上是因為AI另外方面也是因為業務就是阿里雲當時的時候對我來說其實最吸引的一點是他應該算是中國互聯網的伴比江山當時阿里雲的CEO是信天他同時是阿里的集團的CTO

50:54贾扬清然後我覺得他最打動我的一件事情他說楊晴你做技術做得非常的不錯然後他說你也可以繼續在技術的這個領域往下升更但是這兒有一個機會他說你看想不想做業務想不想看一看說能夠把這個技術能夠更加廣的撲到所有的領域裡面去不光是互聯網還有譬如說像製造業譬如說像醫療行業等等各種行業雲是一個很好的那種平臺有點像給你一個挑戰看你有沒有做 就相當於是從那個做技術的港變成了一個做更加有點像是可以內部去管理的這種對 是所以我其實就是我一直以來也都很感激行天以及很很敢家裡的一點是說的確這是一個願意給技術的人員或者說技術的專家一個舞臺來看他能不能發揮出來我覺得阿底當時也冒了一個很大的一個風險因為當時的時候我也沒做過業務 誰都不知道把這個人到底看起來比較聰明但是他到底是不是能夠走出他數十圈這件事情是兩邊大家都take a leap of faith的 所以就相当于是负责的整个业务的规模然后要带领的团队需要你的新的那个Leadership管理能力等等其实都是新的挑战对 是就是当时回去之后因为我在带的是我们叫计谈平台事业部他做的事情基本上是说这个阿里集团内部的大数据就Data Warehouse我们叫数据仓库数据虎这一块大数据以及AI的对集团内部的支持以及在阿里远上的业务 都是相對比較綜合的那麼一個角色所以在Facebook的時候就是說要做好技術產品然後要做好內部知識這個的不確定性和它的各種我們所謂叫decision parameter會多很多我可以這麼理解嗎就相當於是你的職業生涯

52:45贾扬清就是從實驗室Google Facebook到阿里某種程度上就是AI不斷的應用擴大一圈 擴大一圈 再擴大一圈的有一點是的 對從最開始的時候做科研到後來大公司可以開始用起來到後來我們看說是不是有其他的各種各樣的行業都能用起來然後我在阿里的那幾年可能還是一個AI逐漸的被人認識但是沒有到像今天那麼撲開的那麼一個狀態所以我們做了一些相對比較 for lack of better words我们做了一些相对比较电机的一些工作 比如说像训练AM模型跟部署AM模型就需要有大规模的高性能计算的集群这个集群跟传统的CPU的集群建设不太一样 那么因此我们当时就开始就是和阿里的基础设施 属于中心的团队等的一块做一个叫做Eflops的项目Eflops是一个 技術型的一個概念就是flops就是每秒鐘做多少的加減成熟復典的運算我們說要做到xflops基本上非常大的那麼一個數字iflops後來變成了阿里的今天AI的AI集群AI羽的解決方案叫做鄰居所以那個也是從19年開始雖然當時AI還沒有像大圓模型那麼流行的需要來做應用但是那個時候的科研跟布局就已經開始了

54:03Speaker 1那個時候是不是其實AI很多就包括剛剛提到的地平線什麼的其實更多的的確也是用在類似於機械然後無人駕駛其實那方面做的會更多一些而且那方面都已經都還是相對比較偏

54:20贾扬清研究的那么一种状态或者预言对吧然后用了最多的两个方面第一个方面是机能机视觉因为做的比较好然后同时也有大量的比如说像这个内容的检测等等的需求比如说怎么样来检测所谓叫offensive content这个黄土屋等等这一系列的无论是在中国还是在美国都很重要的一个问题 另外一個的話是在大規模的推電系統裡面用的最多的其實還是這兩個然後沒有到今天我們說所有的knowledge worker都可以問AI一個問題它能幫你做一些事情以前的時候都還是非常垂直的很專門的一個方向比如說像那個時候AI比較流行的幾家公司我說AI四小樓上湯 放飾 雲蟲和衣圖 然後他們基本上就是他們的主營業務後來都發現說有很大的一部分在幾個相對比較固定的行業譬如說像在安房等等這樣的一個行業當中也是上一輪AI在沒有特別通用化的時候遇到的一個挑戰因為安房有大量的譬如說視頻理解 圖頻理解這樣的一個需求因此AI是一個很好的應用在其他的通用的領域大家發現用的最多的還是推薦系統 就是用基地學習用AI的方法來給用戶做建模 給商品做建模 給內容做建模然後給用戶推薦他最喜歡的內容 最喜歡的商品這是一個最直接的互聯網的落地的一個方式所以還是一個AI 主鍵的起飛但是還沒有起飛的這樣的一個狀態所以整個2019年到2023年的這個34年期間其實就是這樣一個狀態業界開始不斷不斷地用更多了但是事實上的突破是要到之後才發生我覺得一直以來可能到GVG 305出來之前AI它是一個通用性的技術但是它產品還是一個專用性的產品

56:12贾扬清通信型基礎占有型產品的意思就是說還是要有非常非常強烈的一個應用的domain knowledge放到AI的算法裡頭然後專門來specialize一個AI的算法專門去訓練它而且數據要清洗的還比較好更像是一個專科它不像是一個通財然後大圓模型來的時候我覺得到今天其實最大的一個好處是 它變成了一個我們人可以和它用詹語言用說白話來交互的那麼一個方式以前我們說怎麼用AI呢好歹得先招幾個AI科學家吧今天大家打開double在這邊打開HGPT說你幫我查一下今天的天氣怎麼樣以及我們如果要去紐約的話這個我的形成應該怎麼設計來繞過天氣本身是一個非常複雜的問題但AI能夠很好的用一種非常通用的問題來

57:07Speaker 1給我們一個至少就是看得過去的那麼一個回答這是今天就是跟之前的也很不一樣的地方所以2023年之前你在阿里的時候你還會密切關注著規股正在發生些什麼嗎

57:22贾扬清這是一個很有意思的一個事情因為第一個是業務也比較多第二個是因為各種中美疫情等等的事情我覺得那幾年反而是我自己和鬼谷脫節脫得比較多的那麼幾年鍛鍊也很多基本上也是看了做業務的三天苦辣的各種各樣的事情但是的確就是 对于硅谷的这些技术最前严发生一些什么事情等等还是有一点就隔着一个太平洋在观察的那么一种状态所以当时也没有意识到像OpenAI他们的技术究竟一步步严发的怎样之类的会盯着但是感觉就是说更像一个旁观者这也是为什么我们后来回来来美国成业的缘故OK所以当时在阿里可能对你而言最大的学道的东西会是哪方面我觉得学道的最大的一个事情可能是胆量 就是覺得說因為很多時候大家做技術的時候今天我覺得新一代的90後的包括00後的這個技術的人才其實膽子都很大大家就覺得說我I'm smart我自己可能還相對比較偏 classical一些所以我覺得在Google在Facebook的時候對自己的治理有著足夠的信心但是對於自己解決未知的問題的這樣的一個能力其實

58:40Speaker 1不太會覺得說更加願意待在一個舒適區裡面可以這麼理解嗎就相當於是即使是在Google還是Facebook還是一個類似於給你一個問題你是能夠把題解得非常完美的好學生跟這種感覺對阿迪就說哇有那麼一句大的一個問題反正中國辦貨鏈網都在看了這麼解這是一個就有點像就是你去折騰吧甚至一定要定義問題 那麽一個狀態所以當時你是怎麽定義問題的呢你拿到的就是對於我而言你說阿里的半壁江山在這裏要幹啥我聽起來我是非常懵的然後要做什麽我不知道當時你是怎麽去理解這個事然後覺得是要你再定義啥

59:21贾扬清一定程度上就是有點像就是從門頭做技術開始就是說比如說跟銷售跟解決方案跟各種各樣的大家的專業的人才一塊聊他們有他們所看到的比如市場需要什麼東西市場需要是要更快還是更便宜市場是需要更加新的算法還是更加穩定的系統等等最系列的事情所以你要花很長時間是跟各個業務部門先去聊是嗎 聊對 有點像這樣 尤其是在雲上面譬如說我們當時最開始的時候雲起時更多的是在賣基礎設施就是幫用戶把機器解決好幫用戶把穩定性解決好等等後來我們越來越多的看見說如果需要做一些新的應用的話我們就需要有更加創新的完整的單刀竿解決方案譬如說我覺得最典型的一個例子是小風機車當時的時候需要做自動駕駛的整個的解決方案的時候 当时可能整个业界大家也都并不知道说最好的一个软硬件结合的解决方案是怎么样的那我们就把像凌俊等的这样的解决方案再加上比如说阿里的阿里云的数据库大数据作为一个完整的那么一个能够work的solution 跟小鵬一塊來做迭代的開發然後我覺得很有意思一點是它永遠不是一個單向的事情然後譬如說像小鵬這樣他們自己有非常強烈的專業知識的這樣一個團隊他又能夠來提出說 我在我的自動駕駛的訓練部署上面所見到的無論是數據上還是inferred的挑戰然後把這些東西再拿回來然後說我們的技術團隊能夠怎麼樣來解它所以這樣一種就是說反覆疊帶而且在一個相對比較複雜的領域裡面疊帶在先教育的領域和自動駕駛的領域跟醫療的領域跟金融的領域可能需要的東西都不一樣那你怎麼能夠同時處理得了這麼多不同的有些問題我們能解 有些問題

1:01:18贾扬清可能我不需要解 譬如說數據庫團隊能把它解了譬如說這個硬件的團隊供應鏈的團隊什麼能給它解了所以就是能夠invite到一個更大的一個系統工程裡面看說在有非常多的stay coded的時候怎麼樣來一起解決問題這個我覺得是一個就是在埃里的時候學到的最大的事情就是能夠comfortably來處理的這種複雜度變大了我覺得這個還挺有意思的 因為就相當於是

1:01:48Speaker 1之前可能只是一個公司的需求會跟你來接洽現在是整個 類似於整個新的技術行業

1:01:57贾扬清全都在問你要解決方案對 是的舉一個例子這些後來用在我們自己創業公司裡面的時候就會發現說雖然是一個小公司很多時候遇到的問題以及需要的解的方案也都是挺相似的就阿里雲和一個創業公司其實更像一些在一個大廠裡頭就比如說像在谷歌和Facebook的一個技術團隊它可能需要解的問題是說今天推煉系統速度還不夠快你能不能把它這個速度這一點優化一點 但是在创意公司的时候 几个问题非常的开放性 比如说我们当时的时候支持过一个做在线视频的一个公司 那是我们第一个公司Lapton的时候那么他们首先在一个云服务商那儿做的机器 但是他们希望就有一个比较好的一个软件的平台来帮他们把计算存出网络打通 能够让他们来更好的做模型训练然后我们就给它部署 然后抽到一半他们突然说说那个底层的云服务商没法把机器交付出来 让我说那咋办 然后于是我们就帮他们第一个方面我们说那如果说你们有budget来采购自己的机器来部署自己的税中心那这边我们有一些合作伙伴是在做机器的 那让他们一边聊另外一方面我们在我们的供应商网络里面再去找说谁今天有那么一个比如说几百卡当时还不是特别大几百卡的那么一个集群这个他的交付的时间是怎么样的能不能够符合这边的要求等等然后就是从一个本来在稳稳的推一个平台往前走的那么一个状态就只要交付就行突然变成了要帮他解决供应链等等各种各样的这个这个timing这一系列的问题 然後回來把這些東西問題解決了我們回來就說OK那我繼續幫你做系統的事所以就是有更多的這個parameters有更多的需要去解決的問題這個跟一個在一個大廠裡頭做一個非常直接技術很深的技術團隊是挺不一樣的所以2019年回到國內的時候那時候國內的AI的發展跟美國這邊AI的發展就是如果做個比較的話會怎麼去看它那個時候我覺得

1:04:04贾扬清從應用上面等等的其實差不太多可能然後在科研上面 尖端科研上面其實我們當時可能大家都沒有意識到比如說像Open AI等等在後面能夠做出那麼多的事情來甚至像Google像Facebook也沒有意識到怎麼說那麼一個跳遍的到來所以我覺得那個時候可能國內跟鬼谷這邊差不太多 OK 比方说是推荐系统之类的AI应用是差不多的我觉得国内甚至已经做得更好了我觉得反而可能国内因为人口基础以及用户对于新事物的接受程度反而国内在AI应用落地上面那个时候其实是更快的反而可能做得比较国内更加落后于硅谷的一点可能是在更加前端的更加前沿科研上的布局 因為大家更多的是在關注的應用和落地上面我們開玩笑的一個說法說歸骨更敢燒錢做科研然後中國更敢燒錢做應用 然后接下来就到了2023年时候的GPT Moment那次你还能够回忆得起来你是什么时候知道的什么情况下之类的应该是GPT3.5应该是在2022年的11月份左右那个时候对它最开始出来的时候其实是一个相对比较粗糙的Prototype就是一个这个聊天界面 然後你可以進去問他問題問他問題有的時候也還問的他可能有點不明舊理的你問他一個數學問題他回答不出來等等那時候我們覺得說有一些potential能夠讓他來做更加通用的問題讓AI解決通用的問題這件事情一直以來是人工智能基於學習領域大家 选而未决的一件事情因为以前的时候都是说我有一个算法这个算法必须要invade在一个具体的问题上特化成一个解决方案才能过去用今天突然发现说好像问他什么东西他都能够kind of有一点效果

1:06:05贾扬清但是2022年我覺得大家都還處於那種就是It's cute大家花了好幾個月的時間來理解他的能力邊界是什麼所以你也是這樣子對的 是所以我們當時的時候還做一些很有意思的小測試等等的看說他在解決數學問題上怎麼樣他在解決這個邏輯問題上怎麼樣所以馬上就說我覺得在2023年開始之後大家就說我有一個很好幾個引擎了我在這個上面上面怎麼樣搭一點東西讓它能夠跑起來像一個車像一個飛機一樣跑起來就是這個過程我覺得 就在變得越來越加速最開始22年11月份的那個時間點我們依稀的覺得說有些什麼事情能做了但是我們不知道但是那個時間點上我覺得大家的所有的mind set變化是說以前大家覺得說有個東西可以慢慢用那個點是大家都發現說我就要去往死裡頭嘗試一下它到底能做什麼東西但是你自己也是非常想要去嘗試 你的創業公司的想法是那個時間點開始的嗎我們創業的那個想法差不多比那個時候稍微早一點還有更早一點 但是極確正好差不多可能即便巧合吧我們可能是9月份10月份開始在想這件事情我們的三個口方都開始了等等然後我們創意的想法是說今天AI有那麼一個拐點開始有更大的需求之後它對於更加新的系統更加新的無論是雲的形態還是GPU的形態軟件的形態都會有新的要求我們說我們今天又做過雲又做過AI模型又做過業務我們能夠做一個很好的公司是那麼一個想法出來的

1:07:40Speaker 1但是你在做這個創業公司的時候其實2023年有一大波的浪潮我覺得全都是被那個CHIGBT3.5之後給鼓勵起來的像我想可能有Deep Seek、Made Max就類似於這種大圓模型的各種各樣的公司出來所以這樣看到這些公司一下出來了而且聲明大躁當然是什麼感受Deep Seek是一個我很重進的公司而且我覺得Deep Seek其實不光光是在CHIGBT出來之後在做的這個事情

1:08:08贾扬清因為我知道這個的原因是因為1920年的時候我在阿里雲的時候我就去拜訪過他們當時的更加為人所知一個名字叫做幻方然後當時的時候阿里雲當然我們希望賣他們機器 然后呢我就跟他们聊 然后他们进入团队说 杨庆我们其实搭建了一个非常非常不错的高性能计算的集群几千张卡的GPU然后非常好的互联等等然后当时呢 就是说我还帮他们做了一件事他们说 杨庆我们并不需要云的机器 但是呢我们也想给社会做贡献我们希望和高校等等合作我们这儿有一些剩余的资源等等的高校的科研的团队如果说想用我们可以以一种对吧 就是说共享安全的方式在用 然後當時的時候我記得他們跟清華和我幫了其他的學校就有一些合作的他們那個時候就已經開始在看依供計算機器學習的方便的事情也許不是exactly大圓模型但是我覺得他們那個時候就有這種思考跟技術的基點所以這也是為什麼就是XGBT出來之後他們不是唯一的一個但是少數幾個能夠非常迅速的做出 其他人一看就說哇 that's very different這樣一個科研結果的那麼一個公司所以這個就跟我們前面說的都一樣就是所有的機店都是比公眾看到的要早很多年對 是的然後其他我覺得這些生命大造的公司等等我覺得就是看著還是挺興奮的就是說這個for some reason我自己能說屬於那種就是相對比較顯雲也賀的那麼一個人感覺上就是說是說勝負心什麼沒那麼重我再覺得是Wow it's great that I'm doing similar things但是當時就覺得說這個事情一定得在硅谷做這個想法其實也很有意思當時的確我們覺得說在硅谷應該是更加容易做起來的因為硅谷有著多年非常成熟的那種創業的環境以及就是說是這個對創業的團隊的這樣一種

1:10:04贾扬清容忍度跟知識度吧更大的一個原因也是因為我和我的這個口方的白俊傑我們兩位都是之前的時候都在阿里待過我是和他是在META認識的然後我們也是來回跑了好長時間了to body prom就說是中美兩邊跑的這件事情的確是一個巨大的挑戰所以我們說我們還是回美國做吧那麼一個狀態今天回過頭來看起來其實我覺得中國跟美國兩邊有著很有意思的不同的創業的氛圍跟創業的打法 我可以看见在美国的话其实更多的是在做前沿的研究以及今天美国有更多的Neolabs在中国的话其实谁能够在前面的几年当中很好的利用中国的第一个人才优势第二是它的数据的优势第三个是它的市场的规模的优势就都能做得非常的好举个例子比如说像在那个 它並不一定是創意公司吧但是就是說是說在視頻生成這個領域像C Dance像可靈這樣的從算法到最終應用的公司他們無論是在這個算法上還是在最後的這個營收化公司的業績上面都做了非常好的一個原因我覺得是因為就是說是第一個是中國有比較好的人才第二個是在這些應用當中本身就沉澱出來的大量的數據第三個是又有應用的需求就是對於AI的短劇AI生成內容的先不說質量 這樣也不再提升 對吧那就是對於它的這個consume的需求所以這個我覺得誰能夠使用好中國的規模優勢在中國創業其實就會做得非常的好那規股呢規股的話我覺得好處呢就是說規股跟兩院也稍前做科研所以因此的話我覺得規股對於前沿科技的這樣的一個推動應該算是依然今天還是無處其有的從我們自己的公司角度來講我覺得其實無論是在中國還是在美國可能都

1:11:55贾扬清可能都會有一個相對比較好的一個土壤吧因為我們做的更多的system跟產品這一塊 無論中國美國都有需求比如說像在美國的話 今天我們因為Lefton被收購了嘛因此就是說也有一些公司還在繼續往前做的不少的公司在往前做 比如說像在這個AI Infra的領域有像Together 像Fireworks 像Base10這些公司在國內的話也有非常好的 比如說像規矩流動最近應該也在這個籌劃上市就是說我們今天看見說因為AI的 需求變得越來越大那麼相應的對於上游的軟件平台甚至對於更上游的硬件的供應鏈包括機器人等等這些都有著就是不斷增長的需求所以就是蛋糕就做得越來越大了這個你是你第一次Lapton是你第一次創業第一次創業 對然後之前都一直是在大公司對 是的所以感覺怎麼樣是一個挺我意思一個過程就是我覺得小公司的好處是可以可以move得更快 然後完了之後當然也會面臨各種各樣的問題就是說做一個創始人的話你不光光是這個做產品你也得做這個客戶關係你也得做這個投資者關係等等這一系列的事情所以我覺得整個career也就有點像先是做科研然後是做內部的支持後來做雲的產品跟業務後來相當於

1:13:15Speaker 1Size更小了 但是什麼都得一把插了這個不斷走出舒適區的那麼一個狀態多長時間你們因為整個你們從創立到被英偉達收購很快是四個月對吧大概可能兩年左右的樣子兩年左右24個月所以相當於是多長時間你這個產品已經出來了然後就要開始去找客戶之類的了 產品當時出來可能從4月份公司創立到最早的Prototype可能花了大概4個月左右的時間但是真正的就能夠讓客戶比較穩定的用起來可能也花了8個月左右的時間吧8個月左右的時間我可以這麼理解嗎就相當於是正好2023年之後是一輪蓬蓬勃勃的AI創業熱潮有點像是AI淘金熱你們就是AI淘金熱裡邊給提供賣產子的那個然後就這些產子非常的好用

1:14:09贾扬清然後因為大家覺得我要把這些產子給收購了今天我覺得就是說在業界發現的一個很有意思的事情就是傳統的雲的這些架構都是基於以前我們做互聯網做這個基於CPU數據包括就是說是說傳輸網頁等等這個方式來做的AI突然今天再來說我其實傳輸等等 傳說網頁不是一個最重要的一個事情我需要有一堆的連得非常緊密的那麼一堆GPU來做大量的科學計算加減成熟以前互聯網是說我現在有個文件我把這個文件搬到你的手機上去 然後那個AI是說我不需要有太多傳出但是我得在那麼一個集群裡面一下子就是說是幾千億的那麼一個數學計算我要把它在很短的時間之內也算起來所以今天我們發現說有一個詞語叫做Neocloud新的雲它在用大量的高性能的GPU大量的包括像什麼水冷的這樣的一些這個數學中心的技術化等等的把它的計算的密度做得非常的高 那麼因此的話 New Cloud 就會帶來說我們怎麼樣來在上面搭建一個軟件讓用戶能夠用起來以前的時候我們說起碼是一種方式你要擬碼漿然後開車我得有方向盤那更新的這樣的一個AI的集權AI的高性能計算的這些方案應該用什麼樣的軟件怎麼樣讓用戶更好地用起來 怎麼樣讓它做得更加的穩定這系列的事情整個業界都不知道相對比較不客氣的說我們團隊應該算是在整個領域裡面最懂行的團隊因為我們又懂AI我們又做過雲的業務所以跟英偉達其實是一個相對比較互補的狀態英偉達做很好的硬件他也希望知道說軟件和雲的平台應該是怎麼搭建的 提供工具的思路跟咖啡的思路會類似嗎?有一點像就是今天首先我們知道用戶要怎麼用這些東西其次我們就幫助用戶來搭建這些房子這個東西我覺得也是因為大家為什麼在前面的那麼多年當中對於這個領域就能夠起到那麼大的貢獻或者說能夠佔領那麼大市場的一個點就是我們開玩笑的說法說Media是歸股的軟件公司

1:16:24贾扬清硅谷硬件公司当中的软件公司它一直以来在前门的10年20年当中就一直和所有的做科研做应用做AI研究的人在一起玩知道他们到底需要些什么东西然后它回制作但我做个硬件给你非常好用 非常趁手所以因此我觉得Lebden其实也是走了这样的一个策略就是我们今天知道做AI训练做AI推理做AI应用的人他们需要什么东西我们给它做一个又快又好又简单又稳定的那么一个解决方案

1:16:53Speaker 1但是比方說Google我們說Google它是一個從底層硬件到最上面的AI開發都一直在開發的一整套的這樣一個公司按理來說他們應該不是更加明白可能需要做這個開發需要什麼工具嗎我覺得這個是在前面就是五年當中就是小公司跟大公司良性的競爭的時候最有優勢的一點就是大公司依然還是會慢

1:17:19贾扬清而且大公司很多時候很難改變它自己的主營業務怎麼說來adapt到新的那種方向上面舉個例子 比如說像今天我們說微軟我們今天大家業界都覺得說它為什麼稍微有點落後微軟當時說賺了一手的好牌它又有企業服務 它又投資了OpenAI它又有雲 應該是一個非常非常好的一個狀態但是就是大家都覺得說微軟它的整個的企業的運營模式就是它太大了 它也太慢了今天需要 drastically 的轉身的時候它其實很難就是說做一些大的決策因為每一個中層的團隊 每一個資產界它都有自己的利益關係在你要非常迅速的轉向是不太可能的Open AI and Tropic 發展能夠非常迅速的說這個方向重要 我要做 Open Air可以非常迅速地做sora然後在sora對於它的主意業務沒有太大的就不是critical的這樣的一個因素的時候它可以非常迅速地把sora關停掉這些事情在大廠看來其實是比較難的 比較難實現特別比方說像你做一個個人做一個創業者的話因為你有這些這些些的經驗所以非常天然但是可以洞察到這個但是在大公司誰來做這個決策CEO可能他根本就看不到這麼細節的地方他就沒辦法做判斷我覺得從人性的角度來說的話其實這個是為什麼創業公司能夠至少在他所擅長的地方成功的一個點就是 如果說一個公司或者任何一個組織它太大了之後的話就最典型的所謂我們叫代理人問題就會出來每一個人的目標和公司的目標是不一樣的我在一個大廠裡面待著然後我做一些什麼事情我怎麼渴著勁兒的造大廠肯定是不會倒的那我就有更多的空間不是說這個我就一定要

1:19:13贾扬清比Evo 但是這個機制使得任何一個人都有動力說做一些對自己更有利的事情而不是對公司最有利的事情因為反正公司也倒不了我就做點對我自己有利的事兒甚至可以生得更快 加薪可以加得更快那麼一個狀態在小公司的話 大家說搞各種藥物的公司就掛了公司掛了大家都一塊死所以這個最簡單的邏輯就使得大家能夠擰成一股神手來吧 我們專心幹一件事情自己個人的得失更加強烈的和公司的得失是跨在一起的所以這個我覺得是創業公司能夠決策更快挪動的更快而且就是說能夠更加真實的來面對自己的好的跟不好的一面的那麼一個原因所以你回到歸古來之後做創業公司整個的氛圍然後感受到的這種氣氛會是什麼樣的我覺得 有好的方面有不好的方面 好的方面我覺得歸谷還是一個非常向前看的那麼一個地方所以我覺得大家都在想一件事情是What is possible而不是What is not possible歸谷也是一個造聲很大的一個地方 就是因為如果說我們要推崇創新我們就必須容忍在這個創新裡面有一些是imposed或者有一些是在昏水摸魚的那麼一種狀態假裝在創新 對但是我覺得歸股我也不知道最後是怎麼樣work out的For some reason 歸股保持了一個非常好的平衡就是到最後做的好的那些公司的確能夠跑出來然後在AI的幾波浪長當中的話我們就會發現說其實就是很多公司來得快 去得也快

1:20:47Speaker 1有些繼續再做有些像我們這樣也算比較成功的被收購了有些迅速的發言說有些方向不過organized開始轉型所以我不知道你的創業狀態是說你創業的同時只是非常focus在你的事情上然後就兩耳不聞創愛是還是你其實依然是需要跟不同的AI創業者進行搜秀然後感受到他們的焦慮 躁動之類的對 就基本上就是說我覺得一旦創業之後的話大家就開始各種互相抱團就只有創業者

1:21:17贾扬清知道創業者的苦處因為很重要大家說你看你開公司的話你是老闆郭蘭郭的然後他說你這個你跟牛馬不一樣當我說不是創業公司牛馬還牛馬創業公司大家很多時候就是Essentially是這樣的作為CEO的話這事可能說得稍微比較更也比較偏文刻一點作為一個創業公司的Founder包括CEO包括其他的Founder之內其實是一個相對比較孤獨的那種一個狀態因為你每天把出門你會跟人說的言聲是什麼 I'm doing great everything is great業務很好 團隊很好 一切都很好為什麼 如果你說完了其他人說那個人自己都覺得完了所以即使回來一堆各種人家交道爛額的事兒這個客戶在投訴那個客戶可能做不下來什麼的對外都說It's great這件事情其實還是挺有心理壓力的尤其是就是說對我們 技術的人來說 我們說平時那時候工作的時候是不一樣的 對吧技術上面我們最崇尚的一件事情是說真實嘛這個做得好 這個做得不好 非常實實在地說出來然後我們說說 技術人一定從頭上是推崇這樣的一個事情了說不好 你就說嘛 就大家的說法 不要藏著但是For better or worse 這個並不是一個 ethical 公元要算什麼就是說這並不是一個道德上的一個事情而是說很多時候在做一個公司或者做一個business的時候就沒有那麼就是邏輯的非黑即白或者說是好好好壞的一個狀態今天一個公司在譬如說創業的狀態他本來就是個我在稍嫌我什麼東西都還沒有準備好但是創業就是在跟其他人說相信我這事能搞好的不要管今天什麼事情是你把遭的什麼的

1:22:58贾扬清然後這個時候就是對於搞技術的順利者來說就會有包括我在內就是有那麼一個非常強烈的一個inconsistency這個inconsistency的說法是說回來我得處理這個技術邏輯的時候說this is this is crap and that is not working對外我們說相信我都能搞得定中間的確有一個歸骨所謂叫fake it to your maker的事情因為you have to fake it但是你也要相信說你的fake是

1:23:26Speaker 1在你的做的best educated guess下面是最後能做成的最主要這是在做一個0到1的事然後沒有人做過那你就沒有辦法說從第一天就證明說它就一定能成功於是呢就是以前的時候做技術我們就說我們先做出來了然後完了之後我們再去推那麽一個事創業之後就更多的是天天再告訴別人說相信我這事能搞出來的

1:23:49贾扬清所以這是你的一個一大非常大的轉變以前告訴大家的是說我有這個東西現在告訴大家說相信我我會有那個東西這個很不一樣我覺得所以你剛剛說是花了八個月的時間然後很有意思一件事情我覺得今天AI來的之後其實做產品會比以前的確要快很多今天我覺得對就創意公司的話我們都在用AI就尤其是大遠模型等等這些來來做產品來做設計來做coding等等這些的事情 所以就加速了你說的四個月就把產品做出來當時的手機更是一片手工的現在我們在做的時候我們就很明顯的能夠看到說我們其實可以更加迅速的做客戶所需要的feature以前我們可能需要雜人做個好幾個月今天我們可以拿人家AI就可以在譬如說幾個星期甚至可能一個星期當中就把一個prototype做出來所以的確就是今天AI大圓模型尤其是最近我們所提到的AI coding這一塊 給我們帶來的一個非常好用或者非常能打的那麼一個虛擬的團隊一個Agent的團隊這個時候的話就是說創意公司一個小團隊能夠能打的能力就就比以前要更強了今天我說小團隊再加上AI的這個能力之後是有機會來跟更大的公司更加成熟的公司先抗衡 這是一個有點像 David vs. Goliath的那種狀況大衛和哥里亞的故事因為小公司以前的時候他有他的靈活性今天大公司以前的時候他有他的執行的規模然後今天小公司突然發生我有靈活性同時我還可以召喚人家讓人家跟我來打所以你在做Lapton你的第一家創業公司的時候遇到最大的挑戰是什麼困難 我想想這個問題就是一切其實都還挺好的但是我覺得最大的一個挑戰可能是在於就是說對於創業的步調的把握等等這些商品步調 是一個非常好的一個公司我們的產品也做得很不錯然後我們在第二年的時候其實我們處於一個profitable的狀態

1:25:59贾扬清那是不錯 就是說在兩年當中能夠做到盈利是一個我們很proud但是這個事情回過頭來又想的時候其實我們覺得說我們其實可以更加aggressive一些因為創業公司本來就是說當你在火箭起飛的時候你是不能夠算燃料效率的 那時候我就是在燒燃料 因為我要起飛所以這個事情我自己發就說我們幾位口方的其實都一直都做了非常多然後我自己再回想我第一段創業經歷的時候我發現那麼很有意思的一個經歷是我們把我們在大廠做一個solid business的那麼一個思路帶到一個創業公司裡頭因為我們當時在阿里雲的時候我們事業部就是四年當中的話我們其實把它發展成為阿里雲增速最快的一個事業部 虽然我们当时在做一个传媒公司之后至少我自己的一个思路是说我想以一个健康的公司的方式来运作这个公司因此我们比如说可以盈利等这一系列的指标就会比较重要我们后来发现说其实不同的阶段有不同的任务传媒公司的任务并不是在怎么样来盈利上面而更多是在怎么样来做增长上面虽然我觉得这些也都是如果不是自己做一遍 很難學到或者說很難了解到的那麽一些細節比逢說哪些事兒如果現在你就不會去做比如說省錢 對我們要比較穩定的來提升這個怎麼說呢就是系統的效率等等我們不要用太多的就是這個閒置的資源等等這一系列的事情那時候我們花了很多的精力在效率上因為比如說像阿底云那麽大規模的上面任何的閒置的效率都是非常非常大的 算好的 但是在一個創意公司來說在閒置期間閒置不出多少東西來然後如果說我的業務在非常迅速的發展那麼其實閒置的資源可能閒置的時間也不會那麼的多這些就是決策的過程跟決策的時候的一些有點像就是說Untold Context在大廠跟小廠其實不一樣的然後一定會去做的可能就是做更多的PR在小廠我們開玩笑的一點說這個吹牛不虧

1:28:13贾扬清你知道嗎 你剛剛說我們的第一家公司做得挺成功的時候我就在想 這是創始人在說話 還是做技術的人在說話對 是的 就戴上技術的帽子 創始人的話一般而言就說不太會說說那我們什麼地方做對了什麼都做錯 創始人說I'm always right所以一定承擔我還是帶了一些就是說做技術的那麽一個風格就是說It's fine to say what kind of things可以說我自己傻的地方在什麼地方做下次可能能做得更好 所以對於另外一個我們的感覺就是說一般而言的話 技術人大家都比較埃及羽毛就說說 OK 我說的東西最好都是經過驗證的讓我發現說實話很多創意公司不是批評他們 因為我現在也是創意公司的議員就是很多創意公司說的東西天花蛋墜的 你只能夠相信一半但是一定成不上 其實本身就是大家說We need to get attention

1:29:06Speaker 1對 其實是的 對吧所以這個事情也是我在前面的就是說對幾年當中就看到的不太一樣的一個地方但是這個tension是否類似於你的客戶還是說投資人因為其實你做每一個事情他都會花你的時間嗎都有 其實客戶 投資人還有比如說大家的這個同事等等都是一樣的一個狀態相當於是那個招聘

1:29:30贾扬清對 是的 所以我覺得一定程度上在科研這樣一個符合嚴謹的非常嚴格的要證明的這段和昨夜我們說吹牛的時候的天花斷這段這個時間要找到一個平衡這個平衡沒有一個對的一個點但是一定程度上我覺得從一個技術創業者的角度來講我們可以更加膽大一些但是你即使Lefton的時候沒有做太多PR依然是很 快就被英偉達給收購了對 這個倒也是英偉就是說是英偉達第一個是我們在開源這個領域等等做的很多跟英偉達的關係合作的關係什麼也都有是說在做Lapton的時候你的這個產品已經跟英偉達有合作了嗎那個時候就有合作然後更早譬如我們在做開源框架等等的時候從社區的角度也跟英偉達有合作所以他們也更加相信說這一群是一群能幹的人 這種孤性感其實是在的所以是你收購的過程是需要跟黃仁勳也聊嗎還是其實沒有 Jensen太忙了就是他肯定會定調因為大家一個很有意思的一件事情是我覺得 Jensen是一個在今天所有的歸骨包括全球的CEO裡面就是非常輕易輕微的那麼一個人 所以我相信他肯定在很多決策當中他還是會親自來看等等的 具體操作等等譬如說包括做DD的時候大家的PNL怎麼樣等等這些就是有專業的團隊在處理因為你已經加入過這麼多大公司了Google Meta Ali然後英偉達有什麼不一樣這種的確是很有意思的心我覺得英偉達還是一個在大廠當中就有著他自己的非常有 非常獨特的風格的那麼一個地方一般而言的話大廠都會展現出來的一件事情是相對比到四平八穩的對吧大廠嘛它大它又複雜的呢因為它是一個觀點非常非常強的那麼一個公司或者說

1:31:25贾扬清老黃可能他是一個觀點非常強的那麼一個人譬如說他對於所有的團隊的那麼一個要求是說所有的人都必須為了英偉達的最主要的那一個方向來努力然後完了之後呢很多時候不同的團隊並不是說要把自己團隊的譬如說業績做起來等等而更多的是說bring back learnings他的說法就是去嘗試一件事情不管對還是錯了把學習到的好的 結果壞的結果經驗什麼的拿回來然後老黃就他非常的崇尚說公司裡面一個非常透明的一個溝通然後使得公司能夠領成一股神道來做決策但現在說起來比較容易在執行起來我們今天也能夠看見說因為他今天也變成一個非常大的一個企業因此的話覺得不同的部門之間不同的方向之間可能也有就是沒有那麼明確的地方但是這是一個就是 在很多的大厂都在崇尚diversification就是无论是业务上还是产品形态上就是diversification的时候因为大家反而是一个依然还在坚持unification的那么一个地方这我觉得跟老黄自己轻力轻违可能也有比较大的关系所以老黄有的时候他会说 我们自己这次出来创业其实也是有那么一个在因为呆了一年之后对于老黄有了新的憧憬但是同时对我们自己想要什么有更新的认识的那么一个点还是说这个出来做一个自己动的那么一个产品那么一个业务然后更加的还是更穷一点那么一个状态更想做一个帮助者还是更想做一个owner之间的那么一个选择 或者就是我這樣子來問就比方說因為你現在有在大公司的經歷然後也有創業公司的經歷你現在更加願意選擇小公司了是這個狀態嗎是的 是不是其實也跟現在AI發展有關係因為它發展太快了它也是一個非常好的機會如果在大公司裡你可能就錯過這一輪我覺得是的 這個你說的很對就是大公司更加能夠規模化的產生impact而小公司更加能夠在創新的方向裡面來做迅速的探索

1:33:35贾扬清那麼這個時候就是我覺得在一個穩定的行業就應該去大公司在一個迅速變化的地方就應該在小公司裡面亡怕滾大這個在說過的時候你跟你的合夥人就已經想到了還是說其實對 這個當時一個就逐漸疊帶的過程當時我們加入英偉達的時候我們也是就非常非常開心的大家非常努力的在英偉達幫助就是說也是就是因為這個的確還是一個相互信任然後相互推動的那麼一個過程然後呢就說對於這種業界的 感覺對於自己就是我們自己想要什麼的這種感覺也是在好幾個月當中逐漸的大家iterate大家來想的一事情舉個例子就我們幾個都是屬於一種特別乾活的那樣的一個人然後有一次就是很多時候大家都會覺得說公司被收購了大家穿使人這個可以休息了那麼一個狀態我們三從收購的那天開始然後就 沒怎麼歇過 就是馬上我們說有一個重點的客戶要支持有一個六月份的時候我們要announce我們的產品等等於是就一直在那幹活了然後幹了三個月然後有一天我們在公司的咖啡店那坐著在那聊事情然後我們突然說好像我們被說過的理論上是不是應該休息休息然後於是我們發現說不是因為我們不能夠休息而是因為我們閒不下來

1:34:55Speaker 1這個是促使我們就覺得說哇 let's do something那麼一個動機能夠感受因為感覺我好像我也想過這個問題我覺得我到退休那一天的話可能退休完了我要還是寫不下來還是得要做點什麼事的確是非常寫不下來的那麼一個狀態但是是不是

1:35:11贾扬清因為我知道有一些公司你得要待滿多長時間你才能夠拿到你的類似於兌現股份之類的 是那你這麼快就離開英偉達 是其實是財務上有損失的嗎還沒有vest的時候就還沒有歸屬的 那相當於就是我們就相當於就是說leave it on the table這樣一個狀態的確就肯定會有一些損失然後我們開玩笑的一個說法這是一個技術人自己來說服自己的那種方式然後我們說你看假如說 我們生活是一個馬爾可福列馬爾可福列的意思是說對於未來的期望對未來的最準確的期望就是我們之前的那麼一個狀態假設Nothing changes假如說生活是一個馬爾可福列假如說我們能夠做得跟以前一樣的好那麼這個時候我們任何時候走都不是一個損失經濟上不是一個損失因為我們至少能夠做得跟之前一樣的好 让我说但是呢 反正出来之后对我们来说自己是一个就是we get the opportunity to just reach for a higher goal可以有个机会去到一个更高的目标对 是然后我的一个投资人朋友他也跟我说一个很实在的话就是抱歉可能会说的稍微有一点就是说自夸的这种成分但是就是说是我觉得他真心的在说那没啥他说你看杨欣对你们来说你们出来第二次创业其实是一个最合适的一件事情 為什麼呢?他說第一個事情是你們公司成功的被收購了那麼你也有一筆錢你的小朋友的讀書的錢放在那了所以你開心的公司的時候不會被一個馬上就隨便來的一個收購的邀約所吸引就說我不想幹了我還是想直接拿錢走人

1:36:49贾扬清第二個他說很現實地說你的上一個公司並沒有做到上市做到就是說百億估值等的這樣一行所以在你的心中你就是說好像還沒有做到你還沒有達到那名問題想說You really want to hit the jackpot所以他說這個動力會使得你包括你們的團隊你們一起去做一個更大的事情他說這是一個很好的一個狀態 對 在規股海上連續創業者的確是投資人更加偏愛的一種尤其是之前又有比較好的案例對 是 所以我希望反正做過一次之後其實人很多時候做公司也是一樣 做麵包也是一樣書能生巧的做過一個公司 相信就之前學到的各種各樣的ups and downs能夠使得下一個做的時候能做得更好一些就像你剛剛說的說可能在某些方面你就不會再投入太多的去浪費資源之類的就會做得更加高效率 那你第二個現在做的這個創業公司的想法是從什麼時候冒出來的我們其實是在前面就是可能幾個月當中在看說這個AI能夠做到什麼樣的一個程度的時候有公司收購之後的想法因為今天我們說AI coding是整個領域當中最熱的那麽一個方向然後AI今天是一個很有意思的那麽一個形象它個人很像就它是一個很聰明的人 但是AI和人不相比一點 他有的時候不太responsibleAI給你的東西到底對還是不對等等的 說不太清楚那麼因此我們今天說任何一個好的生產力都需要有比較好的生產關係第一個是控制它生產力裡面沒法控制的成分第二個是能夠把很好的生產力組織起來實現一個最終的一個目標 今天大家都說有了AI coding了 然後完了之後生產效率肯定會100倍的提升吧晚上的時候AI也在幹活然後我們去問City womanCity woman沒有可能30% 50%甚至可能有最悲觀的譬如說8090的創始人Kamaz他說只有5%但是我的成本每45天再增長一倍5%的什麼?5%的生產率的提升但是我的成本AI的成本每45天增長一倍

1:38:58贾扬清所以這裏面就會有一個非常大的一個反差一方面是我們認為說有那麼很好的一個生產力可以利用起來另外一方面說今天似乎我們沒有設計到一個好的一個生產關係來unleash來遞用這兒的AI的劇量的生產力那我們說從工程設計因為我們是工程師我們搞技術嘛就說很快就回到說那我們怎麼樣解決技術問題就先用技術來解決技術的問題我們說能不能夠 利用多个AI的agent建立一个比较好的机制他们之间的沟通的机制他们之间的评判的机制就是怎么样来引入外部的这样一些验证亚登的机制使得一群AI的agent能够像一个人类的团队一样来协同解决一个更加我们所谓叫Lon Horizon能够更加完整的一个问题这点心的比如说我们能不能够建立一个AI的团队让这个AI的团队能够把Lapton给写了 我們來做一個公司 把我們上一個公司給做了這個事 然後我們今天其實在前面一段時間的探索中我們逐漸的覺得說這個東西是絕對可行的在接下去的六五月到一年當中很有可能出現的一件事情是不光光是人不再寫寇的了而是說AI的這樣的一種AI團隊的好的agent跟好的模型跟好的組織方式能夠幫我們寫出像Lebton 像 比如像一些數據庫瓦的這樣的一些SARS的軟件SARS的平台而且這個團隊可以做到的一件事情是它能夠指納它哪兒傳統的SARS的問題在於說我們只有一套SARS所有人都得用那個東西那辦公軟件來說我們說要不用費數要不用叮叮自己做一個沒法讓我說這個地方可能不太好使抱歉以前成本太高了今天我說What if有一個AI工程的團隊你告訴他說我有這樣的一個需求

1:40:50贾扬清晚上他说好我去干活第二天早上他说我给你做出来了那么这是工程上可以做的一些事情因此的话我们说所谓的这些logistics的事情理论上我们都可以让AI来更加自动化的解决假如我们今天能够让AI的这些agents能够第一能协作第二能够比较responsible的产出东西我们为什么相信有人的团队因为我们说人是要脸的 它總得保證質量AI很多時候今天沒有一個好的機制的時候AI能夠給你隨便說一句話看上去是對的只有你在跟AI說你說的不對然後這時候AI會說You're absolutely right I made a mistake那這個時候你就很難來相信它在長線上面的產出所以今天我們有一堆的人盯著AI假如說AI團隊能夠自己self operate了我們能夠用一種比較高的

1:41:44Speaker 1可行度來驗證它的結果了那我們今天人就可以來想更high-level的事情是不是現在有很多創業公司也在想這個想法因為我記得當時那個就差不多是Open Cloud出來的前後因為它也有sub-agents的功能然後我看到別人有說sub-agents彼此之間就是什麼fact check也好然後彼此監督也好但那個是其實是沒有到更好的一個程度的

1:42:11贾扬清對是從一個相對比較就是說是非技術的方式來講的話像今天我們說一個人如果做得不好那一堆人肯定能夠做得好這件事情其實不對的對吧一堆人如果說沒有好的組織的話那相當於是一個流氓團伙AI也是一樣的就是一個agent做得比較好如果說有一堆agent但是你沒有一個好的機制來協調他們的話這就是一個agent團伙現在問題在哪裡就是今天其實一方面就是有不同的模型不同的模型可能它擅長的東西不一樣 可以把它組合起來另外一方面的話還是就是說怎麼樣來設計一個可驗證的機制讓AI來能夠持續做產出因為我發現說AI個人很像有的時候它會偷懶很多時候人我們說大家在寫代碼的時候或者說譬如說我們在寫一個稿子的時候最容易的一件事情說我們一個人寫一個人review對吧然後人有的時候會偷懶說寫到這樣差不多了 AI也會這樣 一個AI agent在寫另外AI agent reviewAI agent如果說他們疊帶了好幾輪 沒法達到結果之後寫的這個agent就開始propose說我認為這個功能或者這個內容是一個相對比較困難的事情How about我們要不把它作為一個to-do item記下來現在這個狀態我們就把它告一段落 認為做完了行不行然後review agent說 你說的好有道理 就這樣吧 那麼這個時候其實會需要有一個就是今天比如說我們說在編程的時候我們說我們有一個實際的比如說業務系統可以去驗證它有模擬的環境可以去驗證它等等只有過了那個驗證才算是做完了這些事情你不能夠靠AI自己去就單純讓他們靠閒聊來來解決問題包括比如說我們說如果說我們要做一個稿子等等的話大家再寫大家的review最後可能會有一個編輯說

1:43:55贾扬清省一下 編輯不會告訴說這個行為應該這樣寫但是他會說這個質量過沒過半 完蛋沒個狀態所以也就是說今天AI每一個agent做到一個非常聰明的程度說今天我們說我們可以再用一個非基礎的詞語來我們需要來有一個比較好的一個組織形式把這些AI agent包括其他我們傳統的計算機系統等等結合起來能夠讓他們來保持保量的生成結果 無論是做一個軟件還是比如說寫一個行業的報告還是做一些什麼其他的事情然後我們自己的我們認為說這個事情我們以前是需要手工寫的今天我們有那麼一個機會來構建一個系統把我們自己給替代掉對於技術的人來說這種自動化永遠都是最吸引人的這是促使的我們出來做一個新的東西的一個最原始的或者說最直接的那麼一個理由

1:44:46Speaker 1所以相当于是你们觉得接下来你们开发的这个东西它是一种构建了AIagent之间的组织关系还是通用的因为我刚刚在听你在描述的时候说到底这个通过或者没通过听起来像是给一个AIagent写一个规则然后由它来执行 但是这个并不是你们要的你们要的是通用的他们彼此之间的规则将来就说

1:45:10贾扬清我們人就更像是一個就是用一個大廠的黑話來說人更像是一個一號位然後底下帶著一堆的AI agent但是你不需要去micro-managed每個AI agent說你要去做那個你要去做那個你會告訴這個Agent說第一我要做一個什麼事情第二怎麼樣才算做好了第三各位Agent們你們發揮你們的聰明材質把這個事兒更加迅速的更好更快更便宜的做出來 然後你覺得你多長時間能夠把這個組織關係給做出來軟體工程的角度我覺得有可能半年到一年我們就能夠看見無論是我們自己還是業界我有比較好的突破更加general的knowledge working我覺得可能還會需要有更長的時間但是我覺得這現在不是一個遙不可及的事情但最大挑戰是在哪呢最大的挑戰其實在於我們人說不清楚我們自己要什麼 對 是的 對吧所以很多時候但是那好處是今天相當於就是AI能夠成為一個如果說整個的就是我們能夠解決AI的質量問題的話AI其實能夠成為一個比較好的一個consultant就是很多時候AI可以作為一個幫我們釐清思路的那麼一個assistant同時可以幫我們把事情做了只要我們能夠想清楚要做什麼事情以及這個什麼算是做成了好的問題都可以整個AI去做

1:46:31Speaker 1的確是 我感覺現在的確我有很多我的小的功能其實是用那個Vibecoding去解決的只是它解決的沒有那麼恆定跟穩定它只能實現的非常簡單 但簡單的

1:46:42贾扬清有的時候已經夠我用了然後我外Coding當中最大一個Learning就是雖然它實現了我的功能但是Stop你別再加了再加它這個又要變得不好用了而且你會覺得說很多時候其實你在不斷的告訴AI說我想要什麼東西而不是再告訴它說它應該怎麼做因為有的時候如果我的需求描述不太準確AI會給我做出一個機具管玩的東西來我有的時候我說你看這個地方要稍微做得快一點 然後他就會給我搞出特別奇怪的設計然後我說不對不是一樣那樣做的然後也還說你就說這個快不快吧這種感覺所以今天就說說我覺得我們人會越來越更少的關注How的問題而更多的關注What的問題但你這一次像這一次你開始做創業公司你剛剛有說大量的開始用AI了對是我們基本上今天我們自己的團隊第一個是 大家工程師團隊我們基本上立立一個規矩說不要看代碼只看結果看完結果之後如果結果不對的我們去告訴AI說應該用什麼樣的一個機制來解決這種出問題的這樣的一個事情使得類似的情況將來不會發生就像叫小朋友一樣叫小朋友做加減成熟 你發現說這個地方這個1加1做錯了或者說5加3做錯了最開始你可能會correct待一兩次但是長線的你會去開始培養它的學習的原則或者說是有什麼知識點沒有做到導致出現這些問題我們現在也是就是我們在教AI說有哪些principles使得它能夠將來更加穩定的做出出更加可言正的做結果 但你們這個是建立在類似於已經成熟的比方說Claudia或者CodexGITVD上還是你們有自己的一套東西我們在這些模型上面自己構建了一套第一個是Harness第二個是就是說各種驗證的框架各種驗證的System等等的使得它能夠更加規模化的拉起來就是任何一個模型模型今天其實有點good enough就有點像說我們去招人的時候招一個只要是大家本科畢業的人都一樣的聰明那完了之後更多的時候怎麼樣來

1:48:53贾扬清用一個比較好的組織機制把它們的才能發揮出來這是我們做的第一件事情第二件事情就是我們整個的公司的operation也都比較的AI化舉個例子比如說我們經常需要開Design Review設計會然後我們就會拿一個錄音設備錄下來當然就是大家都OK的工作環境錄音錄下來之後然後會開完了 AI就會自動的去履一遍這裡頭的東西然後把我們剛才討論到的點to do item等等的就是說是放到to do的系統裡面去就可以非常迅速的把一些討論轉化成為這個行動然後就可以再往下做的有一些簡單的事情譬如說這有個bug AI可能說OK那我就直接寫個代碼部署就解決了某種程度上你說你要做一個類似於agents彼此之間的組織事實上你們公司 就會成為第一個用戶將來我覺得就是公司的組織形式就會變成說人在上面A人在下面然後人和人就是我們跟我們的客戶我們自己團隊內部在那交流然後AI在那幫忙解決具體落地和號和執行的問題 但如果这样设想的话就比方说公司现在所有的这些公司当中哪些人他会留下来哪些人他就被替代掉了我的感觉是人最后都会留下来但是工作都会变掉因为这个事情说的稍微微一点说的稍微空泛一点的话所有的这些logistics的脏活累活的事情可重复的重复性的这些劳动我们人都会从这里面撤出来 然后我们就会更多的在作品说人与人之间的沟通交流更多的设计更多的就是exploration 但正痛是會有的就比方說已經習慣了老的一套大廠的那種工作方式的對 我覺得正痛是絕對會出現的因為以前的時候很多這樣的變化是Multiple Generations今天我們說說AI在前5年當中變化的連我們自己做AI的人都覺得說我們所有的知識都得重新學了人的學習還是一個很慢的一個過程雖然有些Fast Learn 有些Slow Learn

1:51:06贾扬清所以这个时候怎么样来改变我们自己的工作习惯等等的尤其是在AI在非常迅速的席卷非常多的工作的性质的时候至少我的确也不知道有什么样的一个解决方案它更像是一个社会学的问题

1:51:23Speaker 1我還想回到你的那個新的組織架構當中能夠舉個例子嗎就比方說現在必須在你們現在這個創業公司的組織架構當中必須保留的其實是什麼崗位的人然後有一些你可能以前會招聘現在不會招聘的人是什麼樣的我覺得架構師是繼續會保留的就是說來做什麼樣的一個設計師是漂亮的包括設計師也是另外一個是只要是對人與人之間溝通的

1:51:50贾扬清比如說像我們說客戶經理包括今天規股非常熱的一個詞語叫做FDE Forward Deployment Engineer他在做的事情說跟客戶做一塊問客戶說客戶你要什麼東西咱們來一塊疊帶一下What exactly we want然後我們可以找人家解決這個問題但是人與人之間討論溝通這個事情依然都是在的所以我覺得我們就現在越來越多的會去找說 第一個是能夠比較靈活的adapt自己的人第二個是能夠就是說與人交流與客戶交流就是說與同事交流大家一塊來疊在想法的那麼一種人就記得什麼樣的活我們不會招了呢就是說招一個指揮寫代碼的工程師這個我們就不會招了就像是我們今天不會再去招一個打算盤的人一樣 所以你面試的時候就會注重它是不是open-minded 是不是因果你會問什麼問題嗎現在這些事情我覺得其實都挺難的就像你提到的 問什麼問題譬如我們招人的時候 我們說他可能需要用AI或者他肯定會用AI來回答 然後呢其實我們現在嘗試一點事情是說比如說我們最近在和一位developer relationship就是說是跟更多的有點像說技術不到的這樣的一個這樣一個候選人條然後我們給他的一個要求是說我們說我們做一個case study然後呢你來寫一篇文章然後我明確的告訴他說如果你想用AI的話 please do就我們希望用AI然後呢我說請你 描述一下就在你的這篇AI和你合作的文章之外描述一下你是怎麼樣guideAI你給它怎麼樣你一個輸入你的想法是什麼把你的神機抵稿給我看這個很好 這個想法很好因為今天我硬要找一個人說你不許用AI我要看看你的能力怎麼樣跟我們最後工作的狀態也不一樣所以我說看看你是怎麼用AI的

1:53:47贾扬清对 我们的面试当中 我们的笔试也失效了后来我们其实也是用的类似的一种方法对 是的 而且包括就是公司内部大家沟通等等的时候也会有一些就是我们逐渐的在适应说怎么样和AI一块共试的那种状态比如说在NV的时候我们当时在AI老二十单个是model起来之后我们发现了一个很有意思的一个现象就是大家写邮件都写的 越來越長越來越禮貌了因為每一個人都先扔到AI裡面所以說你給我寫一個長一點的禮貌的發出去對方說到之後然後馬上放到AI裡面說你給我總結一下他的說啥呢用一堆頭肯但是沒達到效果然後我們現在我們推薦的一個模式是說大家就別寫太長了就我們都知道人沒那經理你就給我寫兩三句然後你兩三句有些時候你做分析什麼的可能跟AI有過一些chatbot聊的內容等等的 或者說那要不你就發一兩句你的觀點然後你把你跟AI的聊天討論的內容作為審計地稿放在下面就說你看 如果想要看看具體這個結論是怎麼形成的那有文字那我可以拿我的AI說 看看他的討論我想看具體的內容的時候我可以讓AI去分析但是我們人與人之間保持一個非常短非常高效的那種一個溝通 現在 reference 成了一種新的格式了reference 成為新的格式對 是所以那就是依然還是保持著說人與人之間溝通AI在下面溝通我覺得這是一個正確的組織形式最開始 AI 出來的時候帶它最習慣的一件事情是我的前面有一個 AI我的 AI 再跟你的 AI 說你的 AI 再跟你說然後你在跟你的 AI 說你的 AI 再跟我的 AI 說這事就效率就不對對吧 中間隔著一層最合適的是說我們倆

1:55:33贾扬清我們倆都有一對AI幫我們在那幹活我要做一些更加細緻的事情我們要去蒐集內容什麼的讓他們去幹完了他們給我們一個結論我們繼續再解答這個想法剛剛那個說到2016年19年的時候當時有說你根本就沒有想到說未來的AI會發展到

1:55:53Speaker 1現在這個樣子 那現在我們再來預測一下未來十年你會預測AI要怎麼發展它會怎麼去影響我們整個人 個人 社會之類的我覺得生產的效率可能會在接下來十年當中會有一個翻天覆地的一個變化就像互聯網讓我們覺得說今天遠程的溝通人與人間的溝通不再是一個問題一樣再過十年之後我們會覺得說解決問題的速度

1:56:22贾扬清不會是一個挑戰 更多的是我們生產問題的速度和我們定義問題的速度那個時候會變得更加的重要然後我覺得這個就對我們的對我們自己的人類社會有一個新的一個挑戰說What kind of new things can we create我們能創造什麼新東西出來200年前我們解決的是溫飽問題然後完了之後解決了溫飽問題之後我們就開始有科技有等等這樣一些的事情到今天為止我們看見說我們在解決人的生活質量的問題 下一個需要解決的問題是什麼這個事情我也不知道但是I'm very curious是說是藝術還是說科學的進步還是其他的什麼樣的一些事情我自己一直以來是一個解問題的人所以對我來說非常興奮一點說我們看見了有一個更加general的解決問題的這個一撈勇於的解決所有的問題的曙光但是呢 也在那個點上我的技術的那部分就The technical part of my brain finishes我就說OK 做完了做完了之後What next?就是的確我現在也感覺到有一點就是說就像那個畢業生的那個電影最後一樣就是說大家就坐上公交車之後的那個空虛感今天我們還在非常忙的In the trenches在解決就是說怎麼樣實現這個自動化那麼一個目標但是如果說真的時間是我解決了What next?I don't know

1:57:46Speaker 1但比方說像AI 我們先說AI技術本身因為在CHAT GPT 3.5是一個 breakthrough接下來還會有類似什麼樣的 breakthrough是我們可以期待的嗎

1:57:59贾扬清我覺得可能最大的一個 breakthrough是讓AI能夠responsibly的來驗證它自己的結果就是你在研究的今天因為就是說是說一個聰明的人和一個可靠的人之間的區別是說聰明的人好像什麼都很聰明但是我沒法依賴他一個可靠的人是說即使他有些地方做不到但是我們能夠依賴他人的智能其實最有意思的一點是我們其實有一個很強的能力來判斷我自己的能力的邊界 AI其實很多說你問你他怎麼知道都能給你一個回答他很難判斷說這件事情我不知道因為知道我不知道其實是一個很重要的一個決策過程當中的一環知道我不知道的時候我就可以說OK那我怎麼樣來尋找外部的幫助怎麼樣來尋找collaboration等等這個如果說我覺得說我什麼都能做那有可能做啥一團糟最後完了之後沒法收場任何一個組織其實它的邊界或者說它的這個 機制都是設計在就是說每一個unit都有它的一個負責的一個部分和能力的邊界以及怎麼樣來identify這個邊界以及怎麼樣來合作的那麼一種狀態AI今天還處於那種就有一個詞語叫做swarm就是一群AI在那兒悶頭看各種人在這裡 那像現在我們大模型的能力有沒有到頭呢我覺得這個是就聽我意思的一個問題大家都不知道但是我自己有一個觀點是說即使今天大模型的能力到頭了還是有非常多的生產力和就是怎麼說經濟的駕駛來挖掘舉個例子吧譬如說我們知道說航空工業其實飛機的速度在前面的50年當中基本上從70年來開始就沒有大的提升過 上一次大家嘗試超音速是這個協和那是70年代 60年代的事情但是航空工業在前面的50年當中有了非常長足的發展就是飛機的飛行速度 is good enough但是我們可以全球的物流這個整體的效率等等這一塊有非常多的事情可以做然後呢因此譬如說像今天假如說我們說大模型的能力就只能到這樣了我們也可以提升它的效率

2:00:12贾扬清可能我们可以用10倍的更小的模型来达到同样的智能我们还可以就是说是通过比如说像今天我们说的Agent System的这样的方式来把Agent能做的事情的体量变得10倍百倍的更大所以我觉得今天就是模型的发展的速度是远远超越于它今天落地的速度的即使今天模型突然停滞了 幾乎是一個不可能的事情但是假設模型能力突然停滯了我都認為說我們還需要5年到10年的時間來消化現有的模型所帶來的 現在模型的演化速度其實已經超出你的想像了就是到現在為止依然是非常快的對吧對 是的但我覺得說在接下去的幾年當中可能會稍微放緩一些因為很多時候這種科技的跳遍的確還是一個跳遍然後會有一段時間的平靜期然後再找到下一個突破的點就是在過去十年當中有哪些你覺得你是誤判了的嗎最誤判的是因為來的股票 然後我覺得我可能一直的確在低估AI發展的速度雖然我自己在AI這個領域裡頭業界有不低估的人嗎也許我覺得像OpenAI和Andrapec他們的幾位創始人應該是還是非常強烈的相信他能夠帶來一個挑變的即使在他們自己沒有看到挑變的時候一直在相信這個事情 另外一個我覺得我相對比較低估的其實是地緣政治對於AI的影響因為我覺得我們在職業的大量的時間都非常強烈的相信全球化的正向的作用但是至少在疫情前後的這段時間以及現在最近的這段時間當中我覺得全球其實在政策對於本國的貿易保護上面其實是比我想像的要高很多很多的還有一個問題其實是那個

2:02:14Speaker 1AI它帶來的破壞力給更多普通人帶來的負面的反應因為就之前不是也有人拿人燒彈扔到了CML他們家裡邊之類的所以現在其實這種反彈反感在歸骨在美國其實已經是非常起來了的我覺得有一些不過當然這個觀點我可能會稍微有一點自己的bias因為我自己就是在做AI

2:02:42贾扬清我反而覺得說今天AI並沒有向媒體所渲染的或者大家所印象當中的帶來那麼大的逆向的影響譬如說大規模的失業潮啊等等更多的看起來還更像是一個大家的猜測或者speculation現在有些數據說是因為疫情當時招的人太多了所以再開始重新的其實已經從得上AI變成了一個替罪羊 比如說舉個例子向Break就是square背後的公司他當時的時候在半年之前他講說因為AI來了所以我要這個裁員裁一般但是我們認為說更加本質的原因其實是因為他當時想推動Crypto業務以及在疫情當中的時候他招人就多招了一倍那麼這個時候他其實今天更多是在為之前的那個錯誤買單但買單的時候誰都願意找一個冠冕堂皇的理由 正好AI處於一個大家都能夠相信的理由所以就用了有因為AI所以裁員的緣故但是我們其實並不覺得說AI今天已經或者說正在帶來裁員但是我覺得大眾可能就不會怎麼去看這個事情它不會這麼理性然後就像那個19世紀末的時候開始砸機器一樣對對於新技術 新技術怎麼樣來 獲取民眾的信任甚至是獲取業界的信任的確一直是一個很有挑戰的那麼一個話題然後完了之後AI尤其今天就是說因為歸骨的自己的風格加上AI如日中天的狀態使得我覺得AI從業者一定從事上也更少關注這個話題因為大家覺得說I'm just awesome 對 然後外界都覺得歸骨好 arrogant 是這個時候就典型的就是大家就會有就是我們開玩笑說北京話有兩句最常見的話是這樣的一個反應第一個說 你是誰呀第二個說 憑什麼呀所以這種這樣的一個迅速的變化以及大家在心態以及就是展示出來的形象的確的確給社會造成了一個有一點相對對立的那種對 你看那個代表

2:04:54贾扬清就是他們的整個的就都非常的傲慢自大過於精英的那種狀態也許就說這個時候怎麼樣來讓大家形成一個對於AI的更加正確全面甚至都不能用正確這個詞語因為正確是要看社會對它的觀點怎麼樣來用一種更加友好的更加全面的方式來呈現AI今天的技術和編解這件事情其實

2:05:23Speaker 1我們見到的是比較少的或者AI事實上

2:05:28贾扬清類似於在那個福利方面是不是能夠讓人的心裡沒有那麼的覺得受到威脅我覺得這個可能也是的但這個可能就不是AI公司能做的了AI公司還是在想自己的產品和賺錢因為其實很多事情正向的變化是在的舉一個例子但這並不一定是因為AI而是因為技術吧就比如說像今天我們在國內我們在各種地方買個水等等你會發現一個很有意思的事情小麥布的 店主从来不会去看说你到底是不是付了钱因为大家在这种就是电子支付和信用支付变得如此普及的之后人与人的信任感提升了第二个是比如说像因为城市大脑等等这样的一些就是这样的一些应用的存在这个是的确是AI了所以就是国内的话国内本来就一直一个是一个很安全的一个地方但今天在前面时间当中我们认为说国内更加安全了这些其实是AI对社会带来一个非常正向的一个影响 从这一点上说我倒是的确觉得说国内对于AI会采取更加正向的和更加欢迎的态度北美和欧洲可能会对AI采取更加谨慎的态度当然欧洲因为欧洲人很多时候他想得更深一点他会的确会想更多的what could go wrong的问题所以这个是不同的文化当中对于AI的影响对于AI的几个印象也不一样的地方

2:06:49Speaker 1OK好呀那好那我們今天也聊了很久了那就先到這兒然後我們的聽眾如果有任何問題的話反正也在評論區給我們留言那我們下期節目再見好謝謝再見 那這就是我們今天的節目我們下一期的十週年特別節目會在9月份上線那期節目會是一位華人科學家他是在十多年前開始在美國走上了從政之路甚至到今年還參與到了中期選舉之中那他又是如何看待美國當下的政治生態的請大家敬請期待

2:07:37Speaker 2节目的最后也想跟你分享像是今天聊的科技领域的话题我们在少年播客NogNog世界中也有设计比如我们之前解读过谷歌OpenAI等公司为什么让AI玩起了游戏还有全网追捧的OpenCloud是怎么活起来的它和其他模型有哪些不同还解读过人形机器人为什么要办体育比赛它发展到了什么程度等的话题这些节目用孩子感兴趣的角度以及他们能听懂的语言进行讲述你可以点击单击简介看到节目链接