Loading...
Loading...
Andrew Ng（吴恩达）：AI 时代，速度是创业成功的关键预测因子撰文：Techub News 整理
导语
2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。
摘要
初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。
追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。
AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。
工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。
深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。
机遇在应用层，但工具在进化
Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。
过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。
由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。
速度的起点：追求“具体创意”
对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。
反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。
正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。
Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。
他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。
此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。
Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。
工程速度革命：从“单行道”到“双向门”
当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。
他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。
Andrew Ng（吴恩达）将自己编写的软件分为两类：
快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。
生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。
对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。
他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。
他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。
一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。
更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。
新瓶颈与快速反馈策略
随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。
他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。
为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列：
最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。
稍慢一点：询问三个朋友或队友。
再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。
更慢：向 100 名测试者发送原型（如果你有用户群）。
最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。
Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。
理解 AI 技术，才能更快、更准
Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。
因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。
另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。
Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。
问答环节精选：AGI、炒作、教育与责任
在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。
关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。
关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。
关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。
关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。
关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。
关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：我们为何能挑战谷歌撰文：Techub News 整理
导语
在 Y Combinator 广受欢迎的访谈节目《How To Build The Future》最新一期中，主持人 David 对话了 AI 搜索新贵 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。Perplexity 在不到三年时间里，从零成长为估值超过 90 亿美元的明星公司，其「对话式答案引擎」模式被视为对传统搜索引擎最具潜力的挑战之一。本次对话深入回溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从 AI 研究员到创业者的心路历程，揭示了 Perplexity 产品迭代背后的关键决策，并展望了在巨头环伺的 AI 搜索赛道中，一家初创公司如何凭借独特的产品哲学找到生存与发展之路。
摘要
Perplexity 的创立源于一个「AI 完备性」的洞察：只有像搜索和自动驾驶这样，产品迭代能直接反哺底层 AI 能力进步的领域，才适合同时进行 AI 研究和产品构建。
产品成功的关键转折点在于放弃了为垂直领域构建复杂索引的「聪明」方法，转而采用依赖大模型能力进行实时处理的「笨」方法，这意外地解决了延迟和通用性问题。
与谷歌竞争的核心优势并非技术，而是对用户体验的极致关注和「用户永远没错」的产品设计哲学，这在大公司因组织架构和商业模式而难以贯彻。
Perplexity 的长期愿景是构建一个能理解用户意图、整合答案与行动（如购物、预订）的端到端智能信息体验，这需要复杂的 AI 路由与编排能力。
公司保持敏捷的文化面临挑战，但通过创始人亲力亲为关注细节、数据驱动的指标管理（如每日查询量）以及扁平化的沟通来对抗熵增。
从研究员到创业者：AI 完备性的启发
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的 AI 之路始于在印度读本科时对深度学习的兴趣，这促使他来到加州大学伯克利分校攻读博士学位。他的人生转折点发生在 OpenAI 的实习期间，与联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克韦）的一次会面。他准备了各种「花哨」的研究想法，但 Ilya Sutskever（伊利亚·苏茨克韦）在听了五分钟后直言「所有这些都没用」，并画了两个圆圈：一个大圈代表无监督学习，里面一个小圈代表强化学习。Ilya Sutskever（伊利亚·苏茨克韦）告诉他，「这就是 AGI（通用人工智能），其他研究都不重要。」 当时 OpenAI 正在构建 GPT-1 的前身。这次对话让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）意识到，自己当时专注的强化学习（因 AlphaGo 而热门）可能是在追逐潮流，他随即转向研究无监督和生成式模型。
在谷歌实习期间，他读到了讲述谷歌早期历史的书《In the Plex》，深受触动。他意识到，将前沿 AI 研究与扎实的产品构建相结合是极其困难的。他与 Ilya Sutskever（伊利亚·苏茨克韦）讨论后得出一个观点：世界上可能只有两类问题能同时满足 AI 研究和产品构建——搜索和自动驾驶汽车。因为在这两个领域，产品的每一次部署和用户使用都会成为改进底层 AI 模型的数据点，从而形成「产品更好 - 更多用户 - 更多数据 - AI 更好 - 产品更好」的飞轮。更重要的是，这类问题处于「AI 完备性」路径上，即 AI 能力的进步会直接让公司的产品变得更强，而不是被更先进的 AI 所颠覆。
创业起点：从「颠覆谷歌」的模糊野心中诞生
有了创业的想法，但如何获得启动的能量？Aravind Srinivas（阿拉温德·斯里尼瓦桑）提到，他受到前 YC 合伙人 Daniel Gross 一篇题为《如何打造下一个谷歌》博客的启发。博客核心观点是，通过更好的查询重构（例如为电影评论查询自动添加「site:rottentomatoes.com」后缀），即使利用现有的谷歌排名，也能大幅提升搜索体验。他意识到，大语言模型或许能自动完成这种复杂的查询重构，成为构建新一代搜索引擎的基础。
与此同时，他与后来的联合创始人兼 CTO Denis Yarats（丹尼斯·亚拉茨）因几乎同日发表同一篇论文而相识，两人经常讨论如何构建能控制安卓环境的 AI 代理。然而，当他把「颠覆谷歌」的想法告诉潜在投资者时，得到的第一个反馈通常是：「谷歌自己难道不会做这个吗？」 毕竟搜索是谷歌的「皇冠上的明珠」，不像文档处理那样是次要业务。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，当时他们更多是被一个具有宏大规模和野心的想法所吸引，而非单纯抱着「杀死谷歌」的动机。他们也意识到，在多模态模型开始兴起的技术轨迹上，有机会构建出惊人的产品。
在投资者的建议下，他们最初并未直接挑战通用搜索，而是专注于垂直领域和企业搜索，例如搜索特定数据库或 Crunchbase 的数据。然而，他们发现没有公司愿意轻易交出数据。于是，他们转向了当时仍允许学术访问的 Twitter（现 X）数据。他们利用 OpenAI 的 Codex 模型（早于 GPT-3.5），构建了一个能将自然语言查询转换为 SQL、并从整理的 Twitter 数据表中检索和绘制图表的聊天界面。这个 demo 在短短一个月内由三人小团队完成，因其前所未有的交互方式和「社交搜索」的趣味性（如查看某人本周关注或取关了谁）而获得了早期关注。
关键转折：拥抱「笨」方法，押注模型进步
在尝试为 GitHub、LinkedIn 等更多数据源构建类似垂直搜索工具时，团队遇到了数据获取和产品化的巨大阻力。此时，他们意识到一个更根本的解决方案：与其为每个领域费力构建结构化索引（如表格），不如保持数据非结构化，将所有繁重的工作交给大模型在查询时（推理时）完成。这看似是更「笨」、更依赖模型能力的方法，但却更通用、更可扩展，也更能对抗谷歌已建立的庞大传统索引系统。
他们受到 OpenAI 研究员 John Schulman（约翰·舒尔曼）团队早期项目「WebGPT」的启发，但 WebGPT 使用 1750 亿参数的模型，且采用类似智能体（Agent）的方式去点击、滚动网页，速度极慢。Perplexity 团队反其道而行之，采用了更简单的启发式方法：总是从搜索 API 获取排名靠前的链接，只使用搜索引擎已缓存的摘要片段（无需点击滚动），然后将所有这些信息一次性喂给大模型，要求它生成带有学术格式引用的摘要。
这个策略的成功极度依赖于模型指令遵循能力的提升。 Aravind Srinivas（阿拉温德·斯里尼瓦桑）坦言，如果早一年尝试这种「笨」方法，由于模型能力不足，根本不会奏效，人们会得出结论需要更「聪明」的架构。但恰逢 GPT-3.5 Turbo 这类模型出现，指令遵循能力大幅增强，使得简单方法变得可行，并一举解决了核心的产品用户体验问题——延迟。即便如此，他们最初推出的答案生成版本仍需约 7 秒，且无法控制回答的冗长度，后来不得不通过提示词硬性限制回答字数来提速。
产品验证与竞争觉醒：在巨头阴影下找到空间
Perplexity 的第一个「出圈」时刻颇具戏剧性。产品发布后，一位学者搜索自己的名字，结果模型给出了过去式的传记，原因是存在同名同姓的已故人士。这位学者发推「吐槽」自己还活着，却意外为 Perplexity 带来了大量关注。人们开始热衷于搜索自己，模型会汇总他们全网的历史活动并生成有趣摘要，用户乐于截图分享。随后，团队上线了追问功能，这使网站的用户参与时间和每日提问数量呈指数级增长，让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）确信产品找到了市场契合点，不应再转向企业服务。
真正意识到与巨头竞争的严峻性，是在融资的关键时刻。就在与一家风投机构握手达成投资意向几天后，微软 Bing Chat 的界面截图被泄露。紧接着，另一家有意向的投资者将尽职调查期从 30 天悄悄延长至 45 天。一周后，谷歌 CEO Sundar Pichai（桑达尔·皮查伊）宣布推出 Bard。一时间，山雨欲来。Aravind Srinivas（阿拉温德·斯里尼瓦桑）甚至考虑过出售公司。然而，最初握手的那位投资者坚持了承诺，没有要求他们转型，这给了团队信心。
他们冷静分析了竞争格局：微软长期以来并不擅长消费级产品，谷歌则面临自身挑战——无法轻易将类似 Perplexity 的体验直接放到已有数十亿用户的、布满广告和各类信息模块的谷歌主页上。这为独立玩家留下了生存空间。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，在纯信息查询上，使用 Perplexity 和谷歌的体验差异，堪比「健康餐」与「快餐」之别。
产品哲学：用户永远没错，细节决定成败
Aravind Srinivas（阿拉温德·斯里尼瓦桑）深受谷歌早期文化的影响，特别是联合创始人 Larry Page（拉里·佩奇）的理念。他反复向团队强调「用户永远没错」的原则。他举例说，当测试新功能遇到模糊查询导致失败时，正确的产品思维不是责怪用户提问不清晰，而是让 AI 主动澄清、询问用户真实意图。这与许多企业软件「教育用户成为更好的提示词工程师」的思路截然相反。神奇的消费级产品属于前一种，它们承担了理解用户的复杂性。
这种对细节的执着渗透到产品各处：确保搜索框光标随时就绪（无需鼠标点击）、追求极致的加载速度。公司的核心北极星指标是「每日查询量」，这与早期谷歌的关注点一致。在每周的全员会议上，他们首先查看的就是这个数字的周增长和月增长趋势。一旦出现下滑，团队会深入分析原因。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，用户重复提问并非因为产品无法满足需求（那会导致用户离开），而是因为他们在一个会话中发现了更多想探索的问题，这恰恰是产品吸引力的体现。
在公司文化上，他努力营造一种扁平、专注于做好工作的氛围。他自己每天会提出大量产品 bug，并直接与负责的工程师沟通，没有层级隔阂。他认为，如果创始团队自己都不爱用、不挑剔自己的产品，用户更不会满意。他主要通过 X（原 Twitter）与用户交流，因为那里的反馈「残酷而诚实」，能暴露出最严重的问题。
增长挑战与未来愿景：构建端到端的智能信息体
随着团队规模扩大，Perplexity 也面临着所有公司成长中的挑战：速度变慢。原因包括生产环境问题影响信任、新工程师需要时间熟悉代码库，以及必须引入更严格的测试和 A/B 实验流程。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，保持早期那种对细节痴迷的文化随着人员扩张变得困难，但创始人团队仍在努力对抗「熵增」。
谈及未来，他描绘了 Perplexity 的长期图景。目前，Perplexity 是一个在特定场景下更智能的谷歌搜索。但三四年后，他希望它成为一个能理解用户问题、提供最佳答案、并帮助用户完成后续行动的端到端平台。例如，搜索「最好的毛衣」，不仅能得到推荐，还能直接购买；搜索酒店，不仅能比较，还能完成预订。
这其中的巨大挑战在于商业模式和用户认知。如果只是提供答案，而将交易环节导向谷歌，那么 monetization（货币化）的功劳仍属于谷歌。Perplexity 可能仅获得少量订阅收入，且易被资金更雄厚、提供免费服务的对手挤压。要实现闭环，需要构建一个极其复杂的 AI 路由与编排系统，能智能判断何时使用小型模型、知识图谱、插件，何时生成流式答案或多步推理结果。用户不在乎背后的技术栈，他们只想要准确、快速、完整的解决方案。 他认为，谷歌现有的系统是世界上最接近此愿景的，下一代系统必然能被构建出来，但这需要十年甚至更长时间的坚持。
在分析未来十年的竞争对手时，Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，Perplexity 的核心优势在于对用户的痴迷和优秀的产品品味。谷歌虽有产品品味和一切资源，但其根本困境在于，它既是一家搜索公司，更是一家广告公司，搜索在某种程度上服务于广告业务。高达数百亿美元季度收入的搜索业务，是谷歌高利润和股价的支柱。任何可能动摇这一收入根本的变革（例如让用户直接获得答案而无需点击广告链接），都会在内部遭遇巨大阻力。相比之下，OpenAI 和 Anthropic 等公司更专注于模型本身的能力突破，而非构建精细的端到端用户体验。Perplexity 则兼具 AI 技术理解力（能够利用并微调最新开源模型）和以用户为中心的产品构建 DNA，这可能是其在漫长竞争中占据一席之地的关键。
Fei-Fei Li（李飞飞）谈下一代 AI：空间智能是 AI 的最终前沿撰文：Techub News 整理
导语
2025 年 7 月，「AI 教母」、斯坦福大学终身教授李飞飞博士（Fei-Fei Li）出现在 Y Combinator 的访谈中，罕见地分享了她从学术界转向创业一线的心路历程。这场对话的背景，正是她离开斯坦福，创立专注于空间智能与 3D 世界模型的初创公司 World Labs。作为 ImageNet 的缔造者、深度学习和计算机视觉发展的核心推动者之一，李飞飞的每一次职业转向都深刻影响着 AI 领域的轨迹。此次她选择在 AI 技术爆炸性增长、大语言模型成为绝对焦点的当下，毅然投身于一个更基础、更困难，且被她视为「AGI 拼图中不可或缺部分」的领域——空间智能，其洞察与决策无疑为业界提供了至关重要的前瞻视角。
摘要
空间智能是通往 AGI 的终极挑战：李飞飞认为，缺乏理解和生成 3D 空间能力的人工智能是不完整的，这一挑战远超当前主流的大语言模型。
从 ImageNet 到 World Labs：回顾了 ImageNet 如何通过开源和数据驱动范式引爆 AI 革命，并以此为起点，勾勒出其职业生涯如何从对象识别、场景描述，最终演进到对 3D 世界建模的终极追求。
为何空间智能如此之难：相比语言的「一维」和纯生成特性，3D 世界建模面临维度爆炸、2D 投影信息丢失、数据稀缺（现实世界数据未完全数字化）以及需兼顾生成与重建等多重根本性挑战。
创业者精神与无畏品质：李飞飞分享了她从移民、经营洗衣店到成为顶尖学者的独特经历，强调「智力上的无所畏惧」是她寻找合作伙伴和团队成员的核心标准，也是应对最艰难挑战的关键心态。
ImageNet：数据驱动的 AI 范式革命
访谈从李飞飞职业生涯的标志性成就 ImageNet 开始。2007 年前后，作为普林斯顿大学的助理教授，她与她的学生面临着一个根本性问题：当时的计算机视觉算法泛化能力极差，而核心原因在于数据的极度匮乏。「我们当时相信，机器学习需要一场范式转变，而这场转变必须由数据驱动，」李飞飞回忆道。在当时互联网刚刚兴起的背景下，她和团队做出了一个大胆的决定：从网络上下载海量图片，并构建一个覆盖全世界视觉类别的庞大分类体系。这就是 ImageNet 的雏形。
这个项目在 2009 年以一个「小小的 CVPR 海报」形式首次亮相，并随即向整个研究社区开源，同时设立了年度挑战赛。起初几年，识别错误率高达 30% 以上，进步缓慢。转机出现在 2012 年。李飞飞至今清晰记得那个深夜，她的研究生发来消息：有一个参赛结果「脱颖而出」。这个名为「SuperVision」的团队（即后来知名的 AlexNet 团队），使用了卷积神经网络（CNN）并首次将两块 GPU 并行用于深度学习计算。「这不仅仅是卷积神经网络，」李飞飞强调，「它是数据、GPU 和神经网络首次汇聚在一起的时刻。」ImageNet 挑战赛上 AlexNet 的突破性胜利，正式宣告了现代深度学习时代的来临，验证了数据驱动范式的巨大威力。
ImageNet 解决了「对象识别」这个基础问题，但李飞飞的梦想远不止于此。自研究生时期起，她就怀有一个「百年梦想」：让机器能像人一样「讲述世界的故事」。她解释道，人类睁开眼看到的不是一个孤立的物体列表，而是一个完整的场景——一个会议室、一个舞台及其所有元素。2015 年左右，随着深度学习的成熟，她与学生 Andrej Karpathy 等人成功实现了让计算机为图像生成描述（image captioning）。「我几乎觉得，我这辈子接下来要做什么？」她当时半开玩笑地想，因为这个成就曾是她预设的「终生目标」。然而，技术的车轮滚滚向前，从图像描述到根据文字生成图像（如今生成式 AI 的核心能力之一），李飞飞的职业生涯恰好贯穿了 AI 从寒冬到腾飞的全过程。「我觉得自己是世界上最幸运的人，」她感慨道。
空间智能：比语言更基础、更艰难的 AGI 拼图
在实现了「场景描述」甚至「图像生成」之后，李飞飞的视野投向了更宏大的目标：世界本身。这直接促使她离开学术界，创立 World Labs。她解释道，驱动她做出这一抉择的，不仅是技术进步，更是对智能本质的生物学和进化论思考。
她提出了一个引人深思的对比：人类语言能力的进化，如果从最宽泛的角度算，发生在不到一百万年里，并且几乎是人类独有的复杂能力。然而，「视觉」——理解三维世界、在其中导航、交互、认知和交流的能力——其进化历程长达 5.4 亿年。最早的生物（三叶虫）在 5.4 亿年前发展出了水下视觉。李飞飞指出，在视觉出现之前的数亿年里，动物世界相对简单；正是视觉能力开启了「进化的军备竞赛」，推动了动物智能的飞速发展。「因此，对我来说，解决空间智能问题——理解 3D 世界、生成 3D 世界、在 3D 世界中推理和行动——是 AI 的一个根本性问题。」她坚定地表示：「对我来说，没有空间智能的 AGI 是不完整的，而我想解决这个问题。」
这涉及到创建超越「扁平像素」和「语言」的「世界模型」，真正捕捉世界的三维结构和空间智能。为此，她聚集了一支「顶尖团队」：Justin Johnson（她的前学生，实时神经风格迁移的系统专家）、Ben Mildenhall（NeRF 论文的作者）和 Christian Lassner（可微分渲染先驱 Pulsar 的创建者）。她坦言，空间智能的难度远超当前如火如荼的大语言模型（LLM）。
首先，维度差异巨大。 语言本质上是「一维」的序列信号，而真实世界是三维的（加上时间则是四维），其组合复杂性呈指数级增长。其次，感知方式不同。 我们通过眼睛或相机感知世界，这是一个将 3D 信息「投影」到 2D 平面的过程，在数学上是一个「不适定问题」，信息大量丢失，需要多传感器融合等其他方式来解决。第三，数据性质迥异。 语言是纯粹生成的，源于人类思维，并已在互联网上被大规模数字化。而关于 3D 空间的海量数据「存在于我们的头脑中」，并未被系统地数字化和获取。最后，应用频谱更广。 空间智能模型需要在「生成」（如游戏、元宇宙内容创作）和「重建/理解」（如机器人感知现实世界）之间灵活切换，形成一个连续的应用谱系。
「我的整个职业生涯都在追求那些极其困难、近乎妄想的问题，」李飞飞笑着说，「而我认为这就是那个‘妄想级’的问题。」这种对根本性挑战的迷恋，正是她创业的原动力。
从洗衣店到 AI 教母：智力无畏与创业者心态
李飞飞的职业生涯充满了从零到一的跨越。她分享了一段鲜为人知的经历：19 岁时，为了筹措大学学费和支持家庭，她在美国经营过一家干洗店，一干就是七年。「用硅谷的话说，我完成了筹资，我是创始人兼 CEO，同时我也是收银员……最后我‘退出’了。」这段经历磨练了她最底层的生存和创业能力。
她总结自己的职业选择时，多次表现出对「开创性路径」的偏好：无论是选择去一个没有计算机视觉教授的院系工作，还是从谷歌回到斯坦福创立「以人为本人工智能研究院」（HAI），抑或是现在全职投身创业。「我就是喜欢成为创业者，」她说，「我喜欢那种归零的感觉。忘记你过去的成就，忘记别人对你的看法，就是埋头苦干。这就是我的舒适区。」
作为培养了 Andrej Karpathy、Jim Fan、Jia Deng 等一批 AI 领域领军人物的导师，李飞飞也被问及识别人才的秘诀。她谦逊地表示自己「欠学生更多」，但指出这些杰出人才有一个共同的核心特质：智力上的无所畏惧（intellectual fearlessness）。「这种拥抱难题、全身心投入并以自己的方式去解决的勇气，是成功者的核心特质。」这也成为她如今作为 World Labs CEO 招聘人才的首要标准。她现场发出邀请，寻找对解决空间智能问题充满热情和无畏精神的工程、产品、3D 和生成模型等方面的人才。
AI 未来：给研究者、创业者与所有人的建议
在问答环节，李飞飞针对多个关键问题给出了坦诚而富有洞见的回答。
对于考虑攻读 AI 博士学位的学生，她直言当今学术界在算力和数据资源上已无法与工业界比拟。她建议博士生寻找那些「北极星」式的问题，即并非单纯依靠更多芯片和数据就能更快解决的课题。例如：跨学科 AI 用于科学发现、AI 可解释性与因果推理等基础理论、计算机视觉中尚未解决的表示问题，以及小数据学习等。
当被问及 AGI 更可能以单一统一模型还是多智能体系统形态出现时，李飞飞表现出对「AGI」这一流行术语本身的审慎态度。她认为，AI 创始先贤们提出的「创造能思考的机器」这一根本目标，与今天所说的 AGI 并无本质不同。她更倾向于关注智能科学本身的发展，而非纠结于定义。她类比人脑，它虽然是单一实体，但内部也存在语言、视觉、运动等不同功能分区。
关于开源与闭源的争论，她持务实态度，认为健康的生态需要不同策略并存。「我对于必须开源或必须闭源并不教条，这取决于公司的商业战略。」她以 Meta 开源模型以壮大其平台生态为例，说明了开源策略的商业合理性。同时，她也强调，开源本身对于创业生态和公共部门至关重要，应当受到保护和支持。
最后，面对关于女性及少数群体在 STEM 领域处境的提问，李飞飞给出了充满韧性与智慧的答案。她承认每个人都会有感到自己是「房间里唯一那个人」的时刻，无论是基于身份、观点还是其他原因。她分享了自己的心态：「我很早就发展出一种能力，不过度索引（overindex）在那个身份上。我和在场的每一位一样，是来学习、做事和创造的。」她鼓励所有创业者，在感到脆弱或迷茫时，「专注于手头的事，像梯度下降一样，让自己优化到解决方案。」
OpenAI CEO Sam Altman（萨姆·奥尔特曼）：当下是创业的黄金时代撰文：Techub News 整理
导语
在 Y Combinator（简称 YC）举办的“Startup School 2026”活动上，OpenAI 联合创始人兼 CEO Sam Altman（萨姆·奥尔特曼）作为主讲嘉宾，与现场观众进行了一场深度对话。作为 YC 最早期的校友之一（2005年批次），并曾担任 YC 总裁，Altman 的视角横跨了从 Web 2.0 到 AI 爆发的整个周期。本次分享正值 OpenAI 模型能力引发全球关注、AI 创业生态急剧变化的时刻，他的见解对于理解技术前沿、把握创业方向以及思考 AI 的社会影响具有极高的参考价值。
摘要
创业黄金时代：AI 工具（如智能体）极大降低了创业门槛、缩短了开发周期，使得个人或小团队能够承担以往不可能完成的宏大项目，现在是历史上创业的最佳时机。
信念与坚持的力量：伟大的创业往往始于一个被主流观点视为“错误”或“疯狂”的信念，创业者需要具备长期被误解的定力，并找到志同道合的“少数派”共同前行。
AI 的权力分配：AI 既可能带来前所未有的权力集中，也可能实现最广泛的权力扩散。初创公司在确保技术红利普惠、防止权力过度集中方面扮演着关键角色。
从“帮助他人”到“成就自己”：建立长期、真诚的人际网络，乐于助人，这些看似不经意的连接往往会在未来催生出最重要的合作与机遇。
警惕“嘲讽文化”：在社交媒体时代，专注于创造价值远比参与嘲讽和攻击更有意义，后者会侵蚀灵魂，而前者才能真正改变世界。
从 YC 厨房到 AI 前沿：创业环境的剧变
Sam Altman（萨姆·奥尔特曼）回忆了 2005 年作为 Loopt 公司联合创始人参与 YC 首期项目时的场景。那时，创业远非今日这般“酷炫”。他们躲在剑桥的一栋小楼里，YC 联合创始人 Paul Graham（保罗·格雷厄姆）亲自下厨为大家做饭。当时需要整个 YC 批次公司花三个月才能完成的产品，如今一个编码智能体或许只需七分钟。仅仅二十年，创业的可能性发生了天翻地覆的变化。
Altman 将 Paul Graham（保罗·格雷厄姆）誉为过去几十年创业领域最重要的推动力。他特别提到 Graham 的一种独特能力：每周二晚餐时，他能让八个倍感绝望和沮丧的创始团队，在离开时都坚信自己的公司即将征服世界，成为下一个 Google 或 Facebook。这种“无中生有”地创造乐观、动力和信念的能力，是 Graham 的专属魔法。在 YC 和“由年轻技术极客而非商人主导的创业”都被视为糟糕主意的早期，正是 Graham 的意志力将其变为现实。
如今，创业环境已截然不同。Altman 强调，当下是历史上创业的最佳时机。AI 智能体降低了成本、缩短了周期，使得雄心勃勃的硬科技创业不再遥不可及。过去，YC 项目中硬科技公司占比可能只有 5% 或 10%，而现在这个比例已升至 15%-25%。他预测，我们将迎来一个创业的“黄金时代”，人们将着手进行那些一年前初创公司连想都不敢想的项目。
信念、误解与“异类”集结
谈及 OpenAI 的创立，Altman 描述了一种近乎“与世为敌”的早期状态。十年前，当他和团队决定投身于通用人工智能（AGI）的研究时，外界普遍认为他们不仅是错的，而且不负责任，甚至可能引发又一次“AI 寒冬”。在很长一段时间里，OpenAI 团队感觉自己“知晓世界上最大的秘密”，而其他所有人都称他们为“白痴”。
Altman 将此提炼为给创业者的高阶建议：找到那些你能形成合理信念、但世俗智慧却认为是错误的事情，并做好长期被误解的准备。 这种被外界低估的状态，实际上是一种巨大的“超能力”，因为它意味着没有激烈的竞争，团队有充足的时间进行研究、开发和公司建设。他引用 Paul Graham（保罗·格雷厄姆）的观点指出，世界不善于直觉感知指数级变化，因此总会错过一些新的指数趋势。创业者的任务就是发现这些正在形成的新指数。
关于寻找同行者，Altman 分享了一个趣闻：他们曾开玩笑说，全世界只有 50 个人相信 AGI 是可能的，但没关系，因为其中 45 个都在 OpenAI。他鼓励创业者，不需要很多人认同你的信念，事实上，如果所有人都相信，那反而可能是个坏信号。关键在于找到你的“异类”团队。对于如何找到共同创始人或志同道合者，他依然认为搬到湾区（硅谷）是有效的方法，因为那里充满了“幸运的碰撞”。同时，他也高度评价了 YC 网络的价值，认为如今参与 YC 的“溢价”比以往任何时候都大，其网络效应的力量不容小觑。
AI 时代的创业哲学与务实建议
Altman 表达了对初创公司真挚的热爱。他认为，初创公司是商业世界中最酷的事物，是防止经济陷入停滞的主要力量，也是确保 AI 技术力量广泛分布于经济和社会、而非集中于少数几家公司的关键。在技术格局快速变动、成本下降、周期缩短的时期，初创公司往往能取得巨大成功，而当前正是这样一个“巨大时刻”。
对于“是否应该去读博士”这类关于 credentials（学历资质）的问题，Altman 的观察是：创业的成功天平，可能会向那些精通工具（AI）的人倾斜，而不是单纯依赖多年经验的人。 品味、主观能动性以及对商业本质的理解（如网络效应、护城河的构建）依然至关重要，但工具的流利使用将带来显著优势。
在个人成长和网络构建上，Altman 给出了一个充满智慧的建议：找到一种方式，去“温和地”帮助很多人。 他以自己为例：早年投资 Stripe 后，应其创始人要求，驱车前往帕洛阿尔托与一位名叫 Greg Brockman（格雷格·布罗克曼）的年轻人共进晚餐，说服他辍学加入 Stripe。八年后，两人共同创立了 OpenAI。这种基于真诚帮助而建立的长期联系，往往会在未来结出意想不到的果实。他鼓励在场者将帮助他人本身视为乐事，而非纯粹功利的投资。
直面 AI 的现实：安全、权力与未来愿景
对话不可避免地回到了 AI 的前沿议题。针对2026 年 7 月引发关注的 AI 安全事件，Altman 坦言“这是真家伙”。他认为，任何对此不够认真、没有感到至少一丝担忧或谦卑的人，都没有给予足够的重视。虽然他不愿过度夸大单一事件，但承认这属于“对齐失败”和“安全漏洞”，是一个严重的警示，表明失控事故并非完全的理论假设。
他着重探讨了 AI 带来的权力集中与分配问题。Altman 描绘了两种可能的未来：一种是 AI 导致权力集中到人类历史上前所未有的程度，单一公司、个人或模型拥有超越地球上其他一切总和的力量；另一种则是 AI 带来有史以来最广泛的权力分配。他个人强烈倾向于后者，认为权力过度集中长期来看将是灾难，没有人应该被锁定在单一 AI 系统或单一公司的道德世界观里。
Altman 强调，初创公司将在防止权力过度集中方面扮演至关重要的角色。他呼吁，要尽可能赋能更多的初创公司、企业和个人，同时在确保基本安全底线（防止严重事故）的前提下，保持开放，避免将自己的世界观强加于人，限制人们用 AI 做什么或什么才是“好主意”。
展望十年后的未来，Altman 描绘了他心目中的“最佳版本”：每年人们都有更多的自由和能动性，能将更多时间花在自己想做的事情上，生活质量和时间品质逐年提升。同时，人类避免了权力的疯狂集中、经济崩溃、重大安全事故，以及在单一时间段内的剧烈变化。他特别提到一个他深感担忧的反乌托邦场景：人类因过度担心 AI 安全，而换来一个物质丰裕但毫无自由、隐私和能动性的完美监控状态。他坚定地认为，必须避免这样的未来。
给创业者的心灵寄语
在活动的最后，当被问及如果能给当年那个刚进入 YC、忐忑不安的年轻 Sam Altman（萨姆·奥尔特曼）传递一句话时，他的回答充满了温情与智慧：“一切都会好起来的。”
他坦言，创业之初感觉疯狂、压力巨大，他的第一次创业也并非一帆风顺，那是一段艰难的时光。但科技行业，尤其是对早期职业生涯而言，容错率很高。他可以接受失败，可以犯错。他多么希望当时的自己能拥有全部的干劲和雄心，但同时在沿途也能更快乐一点，并相信最终一切都会好起来，因为在当下那一刻，一切总是显得如此艰难、可怕和痛苦。
Altman 的整场分享，既是对过去二十年技术创业浪潮的回顾，更是对 AI 赋能下新一波创新革命的展望与召唤。他的核心信息清晰而有力：在这个技术能力呈指数级跃迁的时代，保持信念、勇于行动、真诚互助，不仅是创业成功的密码，也是共同塑造一个更美好、更普惠的 AI 未来的关键。
Elon Musk（马斯克）：我们正处于智力大爆炸的早期阶段撰文：Techub News 整理
导语
2025 年 6 月，Elon Musk（马斯克）受邀出席 Y Combinator 主办的 AI Startup School 活动，与现场的年轻创业者、工程师和 AI 研究者进行了一场近一小时的深度对话。作为 SpaceX、Tesla、Neuralink 和 XAI 的创始人，Musk 的每一次公开演讲都备受关注。此次活动正值 AI 浪潮席卷全球、初创公司估值飙升之际，Musk 的见解不仅关乎技术趋势，更触及了人类文明的未来走向。他从自身早期创业经历谈起，一路延伸至对数字超级智能、多行星物种以及 AI 安全等宏大议题的思考，为在场的“建设者”们提供了宝贵的视角和建议。
摘要
数字超级智能（Digital Superintelligence）可能在未来一两年内实现，其定义为在任何方面都比最聪明的人类更聪明的 AI。
成为多行星物种对于延长文明、意识或智能（包括生物和数字智能）的寿命至关重要，SpaceX 的目标是在约30年内让火星实现自给自足。
在 AI 时代，对真理的严格遵循是 AI 安全最重要的基石，强迫 AI 相信不真实的事物是极其危险的。
对于创业者和工程师而言，核心目标应是“尽可能变得有用”，专注于创造真正的价值（True Work），而非追求荣耀。
第一性原理思维是应对任何领域挑战的“超能力”，它能帮助人们打破常规，解决看似不可能的问题。
从 Zip2 到 PayPal：创业的初心与教训
Elon Musk（马斯克）回顾了自己的创业起点。1995年，他面临一个选择：在斯坦福攻读材料科学博士，研究用于电动车的超级电容器，或者投身于当时大多数人闻所未闻的互联网。他选择了后者，并尝试推迟学业。“我当时认为事情很可能会失败，而不是成功。”他说道。他的第一个项目 Zip2 是一个在线地图、导航和黄页平台，技术在当时非常领先。然而，公司被传统媒体公司投资并控制，董事会成员来自《纽约时报》等机构，这导致 Zip2 的技术应用方向受到限制，无法直接面向消费者。“我们建造了令人难以置信的技术，但它从未真正被用好。” Musk 总结道，这也促使他在出售 Zip2 后，将几乎全部所得投入下一个项目——直接面向消费者的 X.com（后与 Confinity 合并成为 PayPal）。
Musk 强调，他最初并非为了创业而创业。他甚至曾向 Netscape 投递简历并在其大厅徘徊，却因害羞未能与人交谈。在无法加入互联网公司的情况下，他才决定自己创建一家。“我只是想以某种方式参与互联网的建设。”这种以解决问题和参与建设为核心的动机，贯穿了他的职业生涯。对于 PayPal 成功后为何再次投身于高风险领域，Musk 的解释是，他对人类尚未登陆火星感到好奇，并在发现 NASA 网站上并无相关计划后，决定自己推动此事。这最终导致了 SpaceX 的诞生。
SpaceX 与 Tesla：在失败边缘行走与第一性原理的胜利
创立 SpaceX 时，Musk 预估成功率不到10%，甚至可能只有1%。他回忆道，当时招募员工时，他直言不讳地告诉对方公司很可能失败。“但这是让人类登陆火星、推动技术前沿的唯一途径。”他说道。由于找不到合适的首席工程师，他不得不自己担任这一职务。前三次火箭发射接连失败，第四次发射成功时，公司资金几乎耗尽。“如果第四次发射没有成功，那就彻底结束了。” Musk 形容那是“千钧一发”。几乎在同一时期，Tesla 也濒临破产，2008年底是“神经紧绷”的时刻。直到 SpaceX 获得 NASA 的国际空间站补给合同，以及 Tesla 在圣诞节前夕最后一刻完成融资，两家公司才得以幸存。
Musk 指出，当时媒体常嘲讽他为“互联网小子”，认为互联网出身的人搞火箭公司是荒谬的。他对此表示理解，因为那听起来确实不太可能成功。然而，他应对挑战的核心方法是“第一性原理”思维。他以火箭成本为例：传统思路是参考历史上火箭的成本，而第一性原理则分析火箭的原材料（铝、铜、碳纤维等）构成及其重量和单价，从而得出火箭成本的物理下限。他发现原材料成本仅占历史火箭成本的1-2%，这意味着制造过程效率极低，存在巨大的优化空间。“这还是在考虑可重复使用性之前。”他补充道。这种打破类比、直指问题本质的思考方式，被他视为适用于任何领域的“超能力”。
XAI 与 AI 军备竞赛：规模、数据与对真理的追求
话题转向 Musk 最新创立的 AI 公司 XAI。他分享了一个实例：去年初，XAI 需要建立一个包含10万颗 H100 GPU 的训练超算集群，供应商给出的交付时间是18-24个月，而 XAI 需要在6个月内完成，否则将失去竞争力。通过第一性原理分解，团队发现需要解决场地、电力、冷却、电力平滑和网络等问题。他们找到了孟菲斯一座废弃的 Electrolux 工厂，租用了发电机和美国约四分之一的移动冷却能力，并利用 Tesla Mega pack 来平滑训练过程中剧烈的功率波动。Musk 本人也曾在数据中心睡地板并参与布线。最终，他们不仅建成了这个集群，后来还将其规模扩大了一倍。
关于 AI 竞争的格局，Musk 认为，要打造有竞争力的大型基础模型，几个关键因素包括：人才、硬件规模及有效利用能力、独特的数据获取途径以及分发渠道。他提到，人类生成的高质量训练数据（Token）即将耗尽，合成数据及其真实性验证变得至关重要。目前 XAI 正在训练 Grok 3.5，重点提升推理能力，而物理学教科书等硬科学材料对训练推理特别有用。
Musk 特别强调了“对真理的严格遵循”对于 AI 安全的极端重要性。“我的直觉是，让 AI 被迫相信不真实的东西，可能会让它变得非常危险。”他呼吁构建“最大程度寻求真理的 AI”。对于 AI 的未来，他预测将会出现多个“深度智能”（deep intelligence），数量可能在5到10个左右，其中约4个会在美国，因此不太可能出现单一 AI 能力失控的局面。他赞同 Geoffrey Hinton 的观点，认为存在10-20%的毁灭性风险，但更有80-90%的概率迎来美好结局。
机器人、数字超级智能与多行星未来
Musk 预测，未来人形机器人的数量将远超其他形态的机器人，甚至可能比人类多出5到10倍。他坦言自己曾对发展 AI 和人形机器人有所顾虑，不想让《终结者》成为现实，但后来意识到“无论我做不做，它都会发生”。于是，选择从旁观者变为参与者，现在正全力推进人形机器人和数字超级智能的发展。
关于数字超级智能，Musk 给出了一个大胆的预测：“我认为我们非常接近数字超级智能了。如果今年没发生，明年肯定会出现。”他将其定义为“在任何方面都比任何人类都更聪明”。当被问及人类如何引导其走向“超级丰饶”时，Musk 认为最可能的是好结果，并再次强调追求真理和拥有人类同理心是关键。
对于 Neuralink，Musk 表示其并非实现数字超级智能的必要条件，但能解决人机之间的输入输出带宽限制。目前已有5位人类受试者植入了读取神经信号的设备，帮助瘫痪患者以接近常人的带宽进行交流。未来6-12个月内，Neuralink 计划进行首批视觉植入实验，让盲人通过直接写入视觉皮层来“看见”，最终甚至能实现超光谱视觉等增强功能。
最后，Musk 回到了他最为宏大的愿景之一：让人类成为多行星物种。他认为，在大约30年内，人类可以将足够多的物质运送到火星，使其能够自给自足，即使地球停止补给，火星文明也能继续繁荣发展。“这极大地延长了文明、意识或智能（包括生物和数字智能）的可能寿命。”他提到了费米悖论，认为智慧生命可能极其罕见，人类文明犹如浩瀚黑暗中的微小烛光，有责任不让这烛光熄灭。成为多行星物种是迈向其他恒星系统的第一步，也将迫使太空旅行技术不断进步。
给建设者的建议：追求有用，保持谦逊
在对话的最后，Musk 给在场年轻的技术精英们提出了忠告。他反复强调，应该“尽可能变得有用”。“这听起来可能有些老套，但变得有用，尤其是对很多人有用，是非常困难的。”他提出了一个“效用曲线下面积”的概念：你对同胞的有用程度乘以受益人数。专注于创造这样的“真正的工作”，成功的概率会高得多。
他警告要警惕“自我与能力的比率”。当自我膨胀超过能力时，就会打破与现实的反馈循环（在 AI 术语中，即强化学习循环断裂）。因此，要内化责任，最小化自我，无论任务高低贵贱，都要尽力完成。这也是他更喜欢“工程”而非“研究”一词，并称 XAI 为公司而非“实验室”的原因——追求简单、直接、低自我。
“如果你在做一些有用的事，那就很棒。” Musk 总结道，“只是努力尽可能地对你的同胞有用，那么你就是在做好事。”对于未来，他充满期待地表示，AI 或许能帮助我们理解宇宙的本质，回答关于外星人、宇宙起源与终结、乃至我们是否身处模拟世界等终极问题。“我想我们会找到答案的。”
Lumina 创始人 Keshav：用 AI 自动化美国顶级医院，曾靠黑客马拉松奖金生存撰文：Techub News 整理
在 YC Root Access 的最新一期访谈中，Lumina 创始人 Keshav 分享了他从印度辍学少年、魔方世界冠军到硅谷医疗 AI 创业者的非凡旅程。他的公司 Lumina 2026 年 4 月完成了由 Peak 15 领投的 3800 万美元 B 轮融资，成为美国大型医院系统的“AI 转型伙伴”。这场对话不仅揭示了一家明星初创公司的崛起，更展现了一位非典型创业者如何凭借独特思维与执行力，切入壁垒极高的医疗行业核心。
从魔方冠军到黑客马拉松“猎人”
Keshav 的起点与大多数硅谷创业者截然不同。在印度，他坦言自己“学业并不出色”，在一个以学术成绩论英雄的环境里，他感到自己属于“另一个群体”。11岁时，他偶然接触到了魔方，并迅速沉迷其中。他每天投入七到八个小时练习，持续了七年之久，甚至为此早起三四个小时。这段经历不仅让他打破了多项世界纪录，成为印度国家魔方队队长，更塑造了他早期的世界观。
“魔方社区是一个非常公平的竞技场，” Keshav 回忆道。在那个空间里，年龄、职业、学术背景都不重要，唯一的标准是“你能多快解开魔方”。他发现自己擅长某些特定解法，甚至有许多年长的博士、医生会来向他请教。“这是我第一次体验到一种完全不同的互动模式，”他说。这种基于纯粹技能的认可，以及每一步进步都可量化、可反馈的竞争环境，给了他巨大的成就感和控制感。
为了获得来美国读书的机会，Keshav 策划了一场大胆的冒险：他联合一些基金会，组织了一场从土耳其到中国的自行车之旅。这次经历引起了美国一个基金会的注意，并资助他前往硅谷进行为期十天的访问。当 Keshav 踏上帕洛阿尔托的土地，漫步在斯坦福校园时，他感觉“童年梦想中的一切似乎都成了现实”。访问结束时，他做出了一个改变人生的决定：不回去了。
问题是，一个持旅游签证的19岁少年，如何在昂贵的硅谷生存？他的答案是：黑客马拉松。Keshav 发现，当时湾区遍布由 Twitter、Google 等大公司举办的黑客马拉松，优胜者能获得高达一万美元的奖金。他与朋友设计了一套“黑客”黑客马拉松的策略：核心洞察在于，最终决定胜负的评委，往往就是活动组织者本身。
他们的策略简单而有效：在活动开始的头两个小时，当其他人还在埋头编码时，他们就带着初步成果去找组织者，询问反馈。然后根据反馈快速迭代，两小时后再去展示。如此循环，在48小时内可能获得多达16次的反馈循环。“我们最终构建的，正是黑客马拉松组织者想要的东西，” Keshav 解释道。这套方法成功率极高，他和他的小团队通过参加五、六场黑客马拉松，总共赢得了约4万至4.5万美元，支撑他在美国度过了最初的几个月。
YC pivots 与 Lumina 的诞生
生存问题解决后，Keshav 将目光投向了创业孵化器 Y Combinator（YC）。对他而言，YC 的魅力在于其“唯才是举”的核心理念——不需要 SAT 成绩或推荐信，这让他想起了魔方社区那种纯粹基于能力的环境。他们最初申请的创业想法是为工程师自动化生成文档工具，因为“每个我们交谈的工程师都抱怨要花40%的时间写文档”。
尽管凭借 Keshav 独特的个人经历（魔方纪录、丝绸之路骑行、黑客马拉松生存）打动了 YC 面试官并获得了席位，但 YC 也直言不讳地指出他们的初始想法并不够好。三周后，在与首批客户接触后，团队自己也意识到了这一点，于是开始了新的“想法迷宫”探索。
Keshav 将这次转型视为一个可以“系统化”的过程。他认为，尤其是在 to B 创业中，科学多于艺术。他们沿着两条线索思考：第一，是否有能让自己长期充满激情的使命或故事？第二，通过与越来越多的企业客户交谈，能否发现一个巨大且普遍的痛点？
恰在此时，Keshav 经历了一次严重的家庭健康事件，这让他深感医疗健康领域意义重大。同时，他们发现大型机构中存在着大量高度手工化的运营工作流。一个有趣的联想出现了：在魔方竞速中，提高速度的关键方法之一就是“减少步骤”。Keshav 本人正是一位依赖超高手速（而非最优解法）的“低效率”但快速的解法者。因此，“如何减少工作流步骤”这个问题对他有着天然的吸引力。
将这两条线索结合，Lumina 的雏形逐渐清晰：成为一个“数据转换层”，将医疗系统中大量非结构化数据（如传真）转化为结构化数据，并在此基础上构建垂直化的 AI 代理工作流引擎，自动化那些原本由人力完成的、繁琐的纸质流程。
攻克 enterprise sales：故事与人的力量
Lumina 瞄准的是美国最大型的医院系统，如克利夫兰诊所（Cleveland Clinic）。Keshav 分享了一个具体案例：像克利夫兰诊所这样每年处理超过1600万次患者就诊的顶级医疗机构，接收患者转诊的主要方式竟然还是传真。诊所内部有专门的运营团队，整天的工作就是查看这些传真，甄别哪些是垃圾广告，哪些是感谢信，哪些是需要立即关注的高危癌症患者。这个过程极度手工化，效率低下。
Lumina 的解决方案是充当医院的“前线收件箱代理”。所有传入的传真首先经过 Lumina 系统进行初步分诊。如果是高危患者，立即处理；如果是需要诊所护理但非紧急的患者，则提取所有信息，匹配内部电子健康记录（EHR）中的正确患者和医生，并路由到正确的部门（克利夫兰诊所有数千个部门），继而启动预约流程。
然而，一个20岁出头的年轻人，如何说服这些拥有百年历史、层级森严的医疗机构与之合作？Keshav 的销售哲学核心在于：你销售的不是企业，而是个人。你需要找到机构内部那个愿意说“是”的“冠军”（champion）。
他们的策略是寻找那些“具有前瞻性”、在职业生涯中快速晋升的人（例如30多岁就进入医院 C-suite 的高管）。然后，动用一切可能的人脉网络（早期是投资者，后来是客户和行业顾问），请求他们进行介绍或美言几句。“我们编写了一个脚本，爬取每个人 LinkedIn 上的所有联系人，然后与我们的目标客户档案进行匹配，” Keshav 描述了他们早期笨拙但有效的方法。即使最初联系的不是最终决策者，只要能进入公司内部，他们就有机会层层向上引荐。
Keshav 强调，在产品价值之外，个人故事和使命叙述是赢得早期客户信任的关键。“当你讲述你的个人故事、你的历史、你公司的使命时——即使你还远未实现它——他们会认同这个叙事，相信它，并愿意在你身上下注。”他本人甚至会带着魔方去见客户，用实力证明自己的故事。为了见面，他不惜乘坐任何时间点的航班，“我们团队飞过的红眼航班次数多到数不清”。
在最初几年，Lumina 几乎没有发送过冷邮件，所有客户都通过介绍和网络获得。“大型机构根本不会理你，除非是他们信任的人做的引荐。”Keshav 认为，企业销售本质上是一场“深度关系游戏”，尤其是在聚焦特定客户群体时，世界比你想象的要小得多。
聚焦医疗：从通用平台到垂直深耕
随着公司收入达到数百万美元并拥有数十家客户，Keshav 和团队面临了新的十字路口。最初的 Lumina 是一个更通用、更横向的自动化平台。但他们意识到，要想服务更大规模的企业客户，必须成为某一类明确客户群不可或缺的合作伙伴，而不能试图为所有人做所有事。
数据给出了清晰的指向：超过80%的现有客户来自医疗行业。于是，他们做出了第一个重大决策：All in 医疗。然而，“成为医疗行业的万能工具”同样是一个有问题的定位。大型机构没有时间思考如何“创造性”地使用你的平台，你必须清晰地讲述“什么是可能的”，并且要深刻理解他们的问题，仿佛你已经在那里工作了20年。
因此，Lumina 进行了第二次转型：在保持平台可扩展性的同时，明确了几个关键的初始用例和切入点，让客户能极其快速地看到价值。他们从解决“传真分诊”这样的具体、痛苦且价值可量化的痛点入手，建立了信任，再逐步扩展。Keshav 总结道：“公司的每个阶段，你都必须重塑自己。”因为总有新的初创公司会带着你四五年前那样的梦幻愿景来敲门。你必须在自己公司规模化的同时，持续进化，成为那个“梦幻愿景”的实现者。
给19岁自己的建议：野心可以再大1000倍
回顾这段从印度到硅谷，从魔方少年到医疗 AI 公司 CEO 的旅程，当被问及会给19岁的自己什么建议时，Keshav 的回答坚定而有力：“你能拥有的进取心和野心，可能比你认为应该拥有的要大100到1000倍。这与你的经验或出身无关。这里没有规则——当然，诚信是底线——但在你能解决的问题、你能触及的领域和你能带来的变革类型上，我认为没有真正的规则。”
他认为，在当今这个时代，竞技场从未如此公平。如果你想成为下一个史蒂夫·乔布斯（Steve Jobs）、比尔·盖茨（Bill Gates）或埃隆·马斯克（Elon Musk），这比想象中更有可能。如今的他，拥有与20岁时相同甚至更强的强度，但追求的使命已跨越数十年乃至终身。“如果我当初更有野心，也许我们能更快到达现在的位置。”这是 Keshav 留给所有非典型创业者的最终启示：敢于梦想，一切皆有可能。
AI 智能体时代开发者工具创始人的洞察：代码不再重要，什么才是未来？撰文：Techub News 整理
2026 年 5 月，YC Root Access 节目邀请了一批正在为 AI 智能体（AI Agent）构建基础设施的开发者工具创始人进行了一场深度对话。这些创始人来自 Infracloud、Resend、Recall、Griptape、Firecrawl、Porter 等公司，他们的产品正被 NVIDIA、Coinbase、Hugging Face 等巨头使用。这场讨论聚焦于 AI 智能体如何从根本上改变软件构建方式、开发者角色以及工具生态的未来，为身处变革浪潮中的从业者提供了宝贵的一线洞察。
一、 智能体优先：产品与公司组织的双重变革
当 AI 智能体成为重要的用户甚至“开发者”时，工具产品本身的设计哲学和公司的运营方式都在发生剧变。
多位创始人强调，必须将“智能体体验”提升到与“开发者体验”同等甚至更高的优先级。这意味着产品接口需要为智能体进行深度重构。例如，Recall 的创始人提到，他们彻底重新设计了产品体验，使其对智能体友好。具体措施包括将一切功能封装成命令行接口（CLI），让数据更易于导出，以便智能体能通过代码（如 Cloud Code）轻松调用。这种转变的核心驱动是，智能体正成为重要的获客和分销渠道。有创始人分享了一个惊人发现：通过分析用户来源，他们意识到所有的主流编程模型（如 Claude、ChatGPT）都在频繁推荐他们的产品，这成为了一个意想不到且强大的增长引擎。
这种“智能体优先”的思维也深刻影响了公司内部的组织结构。Infracloud 的创始人介绍，他们的变化是“彻底的”。公司内部开始创建一个又一个专用于特定职能的 Open Cloud 智能体，从市场营销、销售，到基础设施和 DevOps。这些智能体不仅改变了产品形态，也重塑了公司运作方式，使得并行处理任务的能力大幅提升。“以前你可能一次做一个功能，现在可以一次并行做十个功能。”
面对如此快速的范式转移，创始人们的心态也需要调整。一位创始人反思，如果2026 年 5 月重新开始创业，他会更早地将智能体体验视为一等公民。更重要的是，他建议要更“无情”地删除那些在未来可能很快失去价值的功能或产品部分。“你需要从情感上剥离自己与产品的关系，因为你今天构建的东西可能只对几个月有用，然后世界会发生巨变，那部分产品就会变得无用。拥有勇气去无情删除不再有用的部分，将变得越来越重要。”
二、 开发者体验的本质与产品直觉的回归
在追求智能体体验的同时，对传统“开发者体验”的理解也在深化和纠偏。创始人们分享了他们早期犯过的错误以及获得的宝贵教训。
Resend 的创始人坦言，他们曾一度偏离了“开发者精神”——即快速完成事情、直接了当、定价清晰。他认为，开发者所珍视的这些体验特质，本质上就是优秀的用户体验。而在市场推广等迭代过程中，有时会偏离这些原则，这通常是错误的。
另一个常见的误区是对“开发者体验”的片面理解。Porter 的创始人回忆，早期他们以为开发者体验就是拥有完美的用户界面和设计。但现在他们认识到，真正的开发者体验核心是：开发者能多快地到达“顿悟时刻”，以及多高效地在自己的环境中使用所需功能。因此，现在的优化更侧重于速度、效率和使用清晰度。
更深刻的反思是关于“信任自己的直觉”。多位创始人提到，作为刚从大学毕业的创业者，面对那些在大型公司工作的“真正”开发者用户时，他们曾过度依赖用户调研，而不敢信任自己的产品直觉。“我们认为自己和他们不一样……我们过于倾向于理解用户，这很重要，但却不相信自己对好产品应该是什么样子的本能。”当他们开始更多地信任自己的直觉后，才发现产品中积累了许多“冗余”，如果早点相信本能，本可以做出更令人愉悦的产品。因为，亲自使用产品并基于此做出判断所带来的理解深度，是很难仅通过与用户交谈获得的。
智能体的兴起甚至改变了“文档”这一基础形态。Recall 的创始人指出，传统的文档充满阐述性文字，分散在多页面并嵌入教程。但现在，他们需要高度关注智能体的上下文窗口限制。因此，他们重新设计了大部分文档，使其能轻松适配编程智能体的上下文窗口。这样，当智能体在集成 API 时，准确率更高，犯错更少。
三、 人机协作新范式：从写代码到提供上下文与战略
AI 编程智能体的普及正在重新定义“编程”这项活动以及工程师的角色。创始人们自身的实践就是最好的例证。
当被问及是否还亲自写代码时，答案五花八门但指向同一个趋势：编码的“苦差事”被智能体承担了，人的角色向更高层次转移。一位创始人表示，他不再写代码，而是为人类和智能体编写提示词。另一位创始人则说，他每天都会提交拉取请求，但大部分代码由编程智能体完成，他的工作是审核这些代码，并将更多时间花在与模型构建者、硬件公司和应用开发者交流上。更有创始人兴奋地指出，由于编程智能体消除了编程中的繁琐工作，他现在甚至比几个月前写更多代码——为了乐趣而写。
一个重要的观察是，管理者的角色也在变化。过去，工程经理因管理规模所限，往往成为发布新功能的瓶颈。而现在，他们可以在处理人员管理和会议的同时，也能编写生产代码。“我认为这将成为未来的常态。”
创始人亲自写代码的价值，更多在于保持对产品的“体感”。一位创始人提到，他维护少量内部工具的主要目的，就是确保自己每天能多次使用产品，亲身体验新开发的功能，从而能更可信、清晰地谈论产品需要改变什么以及哪些地方运作良好。
更宏观的转变在于，“代码本身不再重要”成为多位创始人的共识。未来真正重要的是上下文、对问题的深刻理解以及与客户建立关系的能力。“我不认为你能围绕代码来营造氛围。”软件行业将继续存在，那些将计算能力转化为解决问题方案的人不会消失，但工作的核心内涵已经改变。
智能体甚至在战略思考层面提供了意外帮助。一位创始人分享，他早期尝试让智能体访问客户支持工单、2026 年 5 月拉取请求等数据，然后让智能体评判他制定的未来几周工作计划。结果令人惊讶：智能体展现了出色的判断力。这得益于其远超人类的上下文窗口，能够快速阅读海量信息，并清晰地指出计划中的不合理之处，或提醒他忽略了用户普遍要求的功能。“它们在批判我们的计划方面表现得如此之好，让我非常惊讶。”他强调，这并非让智能体制定战略，而是将其作为一个强大的“回音板”，揭示自己思维中的盲点，这是一种当前被低估的与智能体交互的价值。
四、 未来展望：开源崛起、市场长尾与全自主智能体
展望未来，创始人们分享了他们最兴奋的趋势和预测。
开源模型的快速追赶和高效运行被多次提及，被认为仍是一个“秘密”。随着工具链的完善，开源生态正迅速接近闭源模型的体验。另一个关键趋势是编程智能体市场不会赢家通吃。由于不同角色（如后端工程师、设计师、客服人员、财务人员）表达意图的完美界面截然不同，未来将出现一个非常长的产品尾部分布，为特定人群和场景高度定制。这类似于前 AI 时代不同开发者偏好不同的 IDE。
关于工程师的价值，观点明确且乐观：AI 智能体将使工程师更有价值，而非更不值钱。因为它消除了构建软件的大量苦工，使得人们能以更快速度、更高质量产出更好的软件，从而释放出更大的需求。有创始人证实，他们公司因此计划招聘比原先更多的人员。
对未来的兴奋点集中在几个方面：
“创意者编程”：开发者只需提出想法、观点和审美，智能体负责将其转化为可部署给数百万用户的工业级代码。
全自主智能体：开发工具不再需要人类介入循环，智能体可以自主完成注册、支付、管理访问等所有任务，这将释放出人类无法企及的资源使用规模。
AI 事件响应：在生产基础设施出现故障时，AI 能进行可验证的事件处理，今年有望成为现实。
硬件进步：2026 年 5 月的数据中心级模型，未来将成为在个人电脑上本地运行的私人 AI 助手。
开发者影响力外溢：由于编程成为自动化一切的高杠杆技能，开发者将更多进入其他行业。
最后，创始人们一致强调，变化是唯一不变的主题。一位创始人总结道：“如果你不习惯变化，你应该开始习惯变化。”过去人们可以预测5到10年后的未来，但现在这已不可能。我们尚未100%弄清楚一切，必须为更多的变化做好准备。尽管前路充满动荡，但软件行业和工程师的价值将在新的范式下继续演进，走向一个软件更优、更快、功能更强大的未来。
Charlie Holtz（查理·霍尔茨）与 Jackson Sippe（杰克逊·西普）：AI 编程代理的“指挥家”如何改变工程师工作流撰文：Techub News 整理
在最新一期的 YC Root Access 节目中，主持人 Aaron 对话了初创公司 Conductor 的两位联合创始人 Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）。这家公司2026 年 5 月完成了由 Spark 和 Matrix 共同领投的 2200 万美元 A 轮融资。他们开发了一款革命性的 Mac 应用，旨在让工程师能够同时指挥多个 AI 编程代理协同工作，从而极大提升开发效率。本次对话深入探讨了他们的创业故事、产品理念以及对未来软件工程形态的深刻洞察。
从“为自己打造工具”到改变工程师工作方式
Conductor 的核心产品是一个 Mac 应用程序，它允许开发者同时运行多个编码代理，例如 Claude Code 或 Codex。与传统在 IDE 中手动编辑代码或在终端中与单个 AI 交互不同，Conductor 将所有编码代理整合到一个界面中。用户只需点击一下，就可以创建一个代码库的隔离副本，指派 AI 代理去完成任务，然后审查并合并其工作成果。
Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）在大学相识，尽管年级相差甚远，但共同的兴趣和项目合作让他们走到一起。毕业后，Charlie Holtz（查理·霍尔茨）在 Replicate 负责增长和工程，而 Jackson Sippe（杰克逊·西普）则在 Netflix 的机器学习基础设施团队工作。两人一直保持着合作项目的习惯，并最终决定共同创业。
他们的创业之路并非一帆风顺。最初申请 Y Combinator 时，他们的想法是“用 AI 帮你预订餐厅和网球场”，但这很快被证明是一个“为解决方案寻找问题”的案例。进入 YC 孵化器后，前一个半月他们都在不断尝试和抛弃各种想法，从 B2C 到 B2B，构建了众多原型，但用户反馈往往不佳。主持人 Aaron 回忆道，当时每隔几天见面，他们就会有一个全新的方向。
转机出现在一次办公室会议上。Aaron 建议他们考虑开发工具领域，并给出了一个关键建议：“在墙上贴一张你俩的海报，上面写着‘打造这两个家伙想要的东西’。” 他们真的照做了。这个建议将范围缩小到开发工具，并让他们回归到解决自身痛点的初心。当时，他们感觉现有的 AI 编程工具还不够强大，而随着 Sonnet 3.5 等模型的发布，存在巨大的可能性未被发掘。
他们曾尝试构建一个“IDE 之后”的用户界面，让人工智能完全接管工作流，但当时的模型能力和工具调用成熟度不足以支撑这个愿景。暂时搁置这个宏大想法后，他们决定先做一个更好的聊天应用 Chorus，允许用户同时与多个模型对话。正是在构建 Chorus 及其开发工具的过程中，他们偶然发现了 Conductor 的雏形。
当 Charlie Holtz（查理·霍尔茨）第一次快速构建出 Conductor 的原型，并展示给 Jackson Sippe（杰克逊·西普）时，后者的反应是：“首先，这完全不是我想要的样子，很多东西得改。其次，这太令人印象深刻了，效果居然这么好，我们必须做这个。” 从写下第一行代码到发布产品，大约只用了三周时间。第一周是 Charlie Holtz（查理·霍尔茨）独自完成原型，效果出奇地好；随后他们花了约两周半进行打磨。
真正让他们确信“就是它了”的时刻，是当 Charlie Holtz（查理·霍尔茨）第一次给一个代理分配任务，然后按下快捷键给另一个代理分配任务，接着看到第一个代理出现“未读”提示点，点进去发现它已经完成工作时。那种能够同时运行多个代理并保持高效的神奇体验，以及 Jackson Sippe（杰克逊·西普）——这位通常对新奇事物持怀疑态度的伙伴——也认为它确实有用的反馈，成为了关键信号。更令人兴奋的是，他们能够“用 Conductor 来构建 Conductor”，这本身就是一个充满魔力的正反馈循环。
Conductor Cloud：突破本地瓶颈，迈向持续协作
在访谈中，Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）宣布了 Conductor Cloud 的发布。在此之前，Conductor 完全在用户的 Mac 本地运行。这意味着一旦关闭笔记本电脑，正在工作的 Claude Code 或其他代理就会停止。Conductor Cloud 的推出改变了这一局面，现在用户可以创建由云环境支持的工作空间，即使关闭电脑，代理也能持续工作。
这解决了用户遇到的一个主要瓶颈：本地算力和管理能力的限制。许多 Conductor 的重度用户已经达到了他们能在本地同时运行的不同工作树或实例数量的上限。Charlie Holtz（查理·霍尔茨）坦言，以他个人的认知负荷，最多只能同时有效管理三到五个代理。他认为这部分是一个界面设计问题，也是团队接下来迫切希望解决的挑战。他们已经证明了同时运行多个编码代理是可行的，但要突破三到五个的限制，达到更高层级，就需要在抽象层面进行创新，重构交互界面。
回顾 Conductor 的诞生，最初他们尝试手动管理多个代理，但摩擦太大，很难超过一两个。即使更早之前尝试构建类似工具，也因时机不成熟而失败——当时还无法完全脱离 IDE。AI 代理需要达到一个“甜点”状态：既不需要人类关注其每一个动作，又需要人类保持足够的关注以实现有效的编排和多任务并行。在早期实验中，他们甚至为每个代理克隆了五个代码仓库副本，后来才发现并使用 Git 的工作树功能，并一步步构建出 Conductor 所需的基础组件。
业务的增长证明了产品的市场契合度。自今年一月以来，Conductor 的用户量增长了约十倍。用户群体非常广泛，从独立黑客到大型上市公司的工程师，每天都在使用它。团队虽然精干，但正在快速成长，并计划扩大规模。
病毒式传播与洞察顶尖工程师
除了卓越的产品构建能力，Conductor 团队，尤其是 Charlie Holtz（查理·霍尔茨），还以其制造病毒式传播内容的能力而闻名。他的一个著名案例是在 GPT-4 Vision 发布当天，编写了一个简单的 Python 脚本，通过网络摄像头实时观察他的动作，并用 David Attenborough（大卫·爱登堡）的声音克隆进行旁白解说，仿佛他身处《地球脉动》纪录片中。这条推文意外爆火，甚至被爱登堡本人看到，尽管后者并不太欣赏这个作品。
Charlie Holtz（查理·霍尔茨）将这种能力部分归功于他在 Replicate 的工作经历，当时他的主要任务就是通过构建演示应用和制作展示技术可能性的视频来促进增长。他分享的心得包括：保持真实和直接，避免公司腔调，不装腔作势，像和朋友聊天一样表达；内容形式可以简单直接，比如他的爱登堡视频就是原始的屏幕录制，几乎没有剪辑；最重要的是进行大量尝试，发布许多内容，观察什么能引起共鸣，从而掌握“爆款内容”的形态。Jackson Sippe（杰克逊·西普）则补充了一个精辟的总结：“制作你自己也想点击的内容”，这与 YC “打造你自己想要的产品”的建议一脉相承。
为了深入了解用户，Conductor 团队经常在城市中进行“自行车巡游”，与用户面对面交流，并观察他们如何使用产品。这让他们得以近距离观察世界上最优秀的工程师如何在技术前沿进行构建。他们发现了几个有趣的现象：
重视技能文件： 顶尖工程师会投入大量精力构建和维护“技能文件”。他们会将学到的 React 最佳实践、代码库特定知识等整理成 Markdown 文件，供 AI 代理持续学习，从而提升代理输出的质量。
配置趋于简洁： 令人有些意外的是，许多优秀工程师的开发环境设置其实非常简单和“纯净”。Charlie Holtz（查理·霍尔茨）将其类比为那些拥有复杂 Vim 配置但未必高效产出的人，暗示过度优化工具本身可能并非关键。
划分“自由区”与“严谨区”： 他们观察到并正在实践一种模式：在代码库的某些部分，可以放手让 AI 自由发挥；而在其他更核心或需要精心设计的部分，则由人类担任架构师，AI 作为执行者。这创造了“无杂乱区域”，平衡了效率与控制。
未来展望：从管理代理到领导 AI “军团”
当被问及编程和工程学的未来时，Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）表达了他们的看法。尽管预测几年后的事情很困难，但他们确信模型会变得比现在聪明十倍、百倍，能够在无需人类频繁干预的情况下运行更长时间，感觉上会越来越像一个人类同事，尽管其“思维”方式依然与人类迥异。
Conductor Cloud 的推出正是为了迎接这个未来，让代理能够长时间运行。他们展望，未来的界面需要让工程师感觉像是管理着一个庞大企业的 CEO，手下有成千上万的 AI “员工”在为你工作。大部分时间，你就像 CEO 一样坐在办公桌前，接收来自“工程主管”、“市场主管”等 AI 的高层汇报。偶尔，你需要深入细节进行检查，这类似于现在的代码审查（PR Review），只不过你是向下钻取，询问某个具体的“AI 员工”完成了什么工作。
这又回到了之前关于顶尖工程师观察的问题：最好的 AI 使用者，往往也是最好的人类协作者。 他们能够理解各个层级发生的事情，查看代理在每个层面上的操作，优化其遇到的瓶颈，并且进行前瞻性思考，而不是被动回应代理的输出。他们需要思考：要完成这个任务，我需要回答哪些设计问题？我需要关心哪些部分？应该给代理施加哪些约束条件？
对于 Conductor 的未来，他们的愿景是让它不再局限于个人笔记本电脑，而是能够运行在任何地方，成为管理组织内所有 AI 的“指挥中心”。用户可以从手机、笔记本电脑或现有的云基础设施接入这个系统。Charlie Holtz（查理·霍尔茨）特别对“提升抽象层级”感到兴奋。他认为目前的 Conductor 在某种程度上还带有其诞生时期（2023年7月）的模型能力印记，他渴望探索更高层次的抽象，让人们以不同于现在的方式控制模型，这里面有大量的界面和产品实验空间。
这将为用户解锁什么？首先，是突破人类工作记忆的瓶颈（目前是三到五个代理）。其次，是突破代码审查的瓶颈。目前工程师仍需非常仔细地审查 AI 添加的每一行代码，这消耗了大量精力。团队认为，目前仍停留在 2010 年代的 GitHub PR 审查模式，未来在审查环节有巨大的创新潜力。
最后，谈到团队建设，他们目前招聘的标准有些“非传统”：现有团队成员要么玩过极限飞盘，要么是法国人。当然，更重要的是寻找那些行动敏捷、有创业公司经验或自己创过业、渴望快速行动并置身于技术前沿的人。最关键的是，要有动力为自己、为最优秀的工程师打造工具。能够“使用自己打造的工具来打造这个工具”，在不同层级上同时工作——既在开发具体功能，又在思考和改进背后的工作流程并将其产品化——这种体验正是 Conductor 团队乐趣和动力的核心来源。正如 Charlie Holtz（查理·霍尔茨）所说：“没有其他我更愿意从事的工作，也没有其他我更愿意一起共事的人。” 在这个软件工程范式剧烈变革的时代，为改变构建方式本身而工作，无疑是最激动人心的事情之一。
Matt Shillingford：从“开发者版 Zapier”到赋能90% AI Agent工作流撰文：Techub News 整理
2026 年 5 月，Y Combinator 频道发布了对 Trigger.dev 联合创始人 Matt Shillingford 和 Eric 的访谈。Trigger.dev 是一个帮助开发者在其产品中集成和运行 AI Agent 及复杂异步工作流的平台。访谈回顾了团队从加入 YC 至今的三年旅程，揭示了其产品如何从最初的“开发者版 Zapier”构想，演变为如今支撑大量 AI Agent 应用的核心基础设施。这段对话对于理解开发者工具在 AI 时代的演变、开源商业模式的实践以及初创公司如何抓住技术范式转变的机遇，具有重要参考价值。
产品演进：从背景作业框架到 AI Agent 执行平台
Trigger.dev 的故事始于 YC 2023 冬季批次。最初，他们的产品理念是成为“开发者版的 Zapier”，旨在为开发者提供一个易于使用的自动化工具连接框架。团队在产品设计和用户体验上投入了大量精力，其官网甚至将代码片段作为首要展示内容，因为他们认为开发者最关心的是“代码看起来怎么样”。这种对开发者心理的精准把握，使得产品早期在 Hacker News 等社区获得了不错的反响。
然而，第一个版本的市场反馈表明，这并非一个能引爆增长的点。他们很快意识到，最初的“后台办公”自动化用例（例如连接 GitHub、处理营销数据）虽然存在需求，但产品的匹配度并不高。于是，团队转向了第二个版本：一个专注于将异步任务嵌入到用户产品中的 SDK。这意味着开发者可以将需要长时间运行的任务（如处理文档、编码视频）集成到自己的应用流程里，直接为用户创造价值，而非仅为内部团队服务。
这个版本同样未能达到“产品市场匹配”。Matt 坦言，部分原因在于产品体验仍不够好，开发者需要编写较为繁琐的代码。真正的转折点出现在第三个版本的重大改变：Trigger.dev 开始为用户执行代码。此前，虽然许多用户误以为他们提供了执行服务，但实际上开发者仍需自行管理基础设施。在第三版中，Trigger.dev 将执行环节完全接管，提供了从 SDK 到运行平台的一体化解决方案。
这一转变恰逢 AI 浪潮兴起。异步、长时间运行且可能需要中途暂停等待反馈（“人类在循环”或“其他 Agent 在循环”）的任务，正是 AI Agent 工作流的典型特征。Trigger.dev 为这类工作流提供了天然的支持平台。这次调整带来了立竿见影的效果，公司收入开始以每月超过30%的速度强劲增长，真正找到了产品市场契合点。
如今，Trigger.dev 的用例中，超过90%都与运行 AI Agent 工作流相关。例如，客户“icon.com”利用其平台处理用户上传的资产，根据描述生成大量视频广告，并在工作流中融入反馈环节。另一个教育科技客户“Magic School”则使用 Trigger.dev 运行帮助教师和学生规划课程、批改作业的 Agent。这些案例证明了其平台在当今 AI 应用生态中的核心地位。
开源策略、开发者体验与 AI 时代的“新用户”
Trigger.dev 是一家开源公司（采用 Apache 2 许可证）。Matt 解释了他们的商业模式：核心开源项目包含了绝大部分功能，而商业化的“云服务”则负责管理复杂的底层基础设施（如 Kubernetes 集群），提供可靠、可扩展的执行环境。由于大多数开发者不愿深陷基础设施管理的泥潭，这种“开源核心+托管服务”的模式运行良好。
开源也为公司带来了独特的优势。在客户支持方面，用户可以直接查阅开源代码库来解决问题。甚至，当用户通过 Claude 等 AI 编码工具发现 bug 并提交报告时，团队有时可以直接让 Claude 分析代码并生成修复补丁，极大地提升了支持效率。
Matt 特别提到了一个有趣的观点：在 AI 时代，产品的用户分为两类——人类用户和 AI 用户。如何让 AI（如 LLM）也“喜欢”并使用 Trigger.dev，成为他们思考的问题。开源在这里再次成为优势，因为开源项目在互联网上拥有更广泛的足迹和可见度，更容易被 AI 在检索和推荐时捕获。他们甚至开始构思，未来能否实现让 AI Agent 自主完成从发现产品、注册账户到开始使用的全过程。
关于开发者体验，团队始终坚持“代码优先”和“极简失败”的原则。他们花费大量时间讨论如何设计 SDK 接口，确保开发者使用时几乎不可能出错。这种对细节的执着，构成了产品早期吸引力的重要部分。
AI 重塑团队：招聘、开发与技能评估
AI 的进步深刻影响了 Trigger.dev 的内部运营。Matt 透露，在2024年11月完成 A 轮融资后，公司的招聘计划发生了实质性变化。由于 AI 编码工具（如 Opus 4.5）和云端开发环境的巨大进步，工程师的个人生产力提升了“5倍甚至10倍”。因此，他们不再像原先计划那样激进地招聘工程师。
对于现有团队，AI 工具的使用方式也发生了演变。Matt 指出，早期存在明显的“氛围编码者”（vibe coders，指非传统背景、依赖 AI 编码的开发者）与传统开发者之分，但如今这种界限已经模糊。因为 AI 工具变得更强大，同时 Trigger.dev 也做了许多工作使其对 AI 更友好（例如完善文档、构建 MCP 服务器），使得各类开发者都能更有效地使用产品。
更重要的是，AI 改变了开发流程和技能评估。Trigger.dev 不再看重工程师能否“徒手从头编写代码”，而是关注他们如何高效利用 AI 工具来完成任务。这已成为一项核心技能。他们的招聘流程中包含一个“试用日”，候选人被鼓励使用自己惯用的 AI 工具进行工作。如果候选人不能熟练运用这些工具，他们很可能不会被录用。
在代码质量控制方面，团队也形成了新方法。他们承认，AI 编码工具可能会产生大量“粗糙”的代码。因此，质量控制的重心转移到了审查环节。他们利用优秀的代码审查工具，并结合 AI 来辅助审查。此外，拥有一个坚实的内部设计系统和高质量的组件库至关重要，AI 无需每次都从头创建组件。同时，编写大量测试也成为确保后端功能（特别是 Agent 任务需要验证成功与否时）可靠性的关键。
Matt 强调，AI 工具的价值不仅在于“写代码”，更在于扮演一个“高级工程师团队”的角色，能快速完成诸如性能基准测试、生产环境分析等以往耗时甚久的工作，让决策更早、更基于数据。
给创业者的建议：尽早发布、贴近客户、坚持直觉
回顾三年旅程，Matt 和 Eric 为即将加入 YC 的新创业者提供了几点核心建议。
尽早发布产品：这是最重要的建议。只有真正将产品交付出去，才能开始学习用户真正想要什么。许多认知（例如产品是否重要、用户是否在意服务中断）只能通过发布来获得。
极度贴近客户：每天与客户交流，获取反馈，能发现许多闭门造车时无法意识到的问题。
知道何时坚持：找到产品市场匹配的过程可能很长。Trigger.dev 的前两个版本虽未成功，但团队因为自身曾深受其痛，坚信问题值得解决，所以坚持了下来。在早期看到一些积极信号但尚未完全成功时，判断是否继续坚持是非常困难的，需要依靠深刻的直觉和对问题的信念。
Trigger.dev 的历程展示了一个经典的技术创业路径：从解决一个已知痛点出发，历经多次迭代和 pivot，最终在新技术范式（AI Agent）兴起时，凭借此前积累的产品基础，恰好站在了浪潮的核心位置。他们的开源策略、对开发者体验的极致追求以及在 AI 时代对团队技能的重新定义，都为开发者工具领域的创业者提供了宝贵的实践经验。
Brandon：用AI改造1.5万亿美元超市业，Vori如何让杂货店利润翻倍撰文：Techub News 整理
在Y Combinator2026 年 5 月的一场分享中，杂货零售科技公司Vori的联合创始人兼CEO Brandon，宣布完成了由Cherry Rock Capital领投的2200万美元B轮融资，并深入分享了公司如何切入这个年交易额达1.5万亿美元、却仍严重依赖纸质流程的传统行业。作为家族第三代“杂货人”，Brandon的创业故事不仅是一个技术颠覆传统的故事，更揭示了在实体产业中建立信任、实现产品与市场匹配的独特路径。
发现万亿美元市场的“纸笔”痛点
Vori是一家为超市提供一体化销售点（POS）和商店管理系统的公司。Brandon首先勾勒了市场的巨大规模：美国有超过22万家食品饮料零售商，年总交易额高达1.5万亿美元。然而，这个比餐饮和酒店业规模更大的行业，其运营的现代化程度却低得惊人。
Brandon的创业灵感直接来源于他的家族背景。他的父母在杂货行业工作40年，祖父母在俄克拉荷马州也曾经营小商店。一次回家探望时，父母向他展示了一叠2019年的纸质发票和商品目录，这让他深感震惊。“当时是2020年，我原以为这是他们年轻时的‘文物’，没想到这就是世界上最大的未数字化零售业态的现状。” Brandon回忆道。这个行业最频繁的消费行为，竟然仍由纸张、铅笔、传真机和回形针驱动。
这种反差在与联合创始人Trey和Rob交流时被进一步放大。Rob曾任职于SpaceX，Brandon描述了一幅颇具讽刺意味的画面：SpaceX总部街对面就有一家杂货店。一边是回收火箭的尖端科技，另一边却还在用剪贴板盘点库存。“同一个星球，同一个邮编，一家公司在改造其他星球，而杂货店——这个哺育地球文明的地方——却如此陈旧。”
正是这种强烈的对比，促使他们决定解决这个问题，并由此开启了创业之旅。他们带着那叠厚厚的纸质文件参加了YC的面试，并将其摔在桌上，直观地展示了行业的痛点，最终成功进入了YC孵化器。
从“楔子产品”到全栈操作系统：四年的研发长征
创业之初，团队选择了一个具体的“楔子”切入：帮助杂货店从批发供应商那里数字化补货，取代纸笔和传真机。他们用几周时间开发了一个简单的移动应用。
获取第一批客户的过程充满了老派行业的特质：关系、信任和坚持。团队的方法是亲自走进商店，研究货架，寻找店主，并日复一日地拜访，直到对方愿意坐下来谈谈。他们最早的客户之一是帕洛阿尔托的Edgewood市场。店主起初并不相信这群年轻人能解决问题，但被他们的执着打动，最终分享了最大的痛点：库存管理和补货。
对于一个杂货店来说，SKU数量不是几百或几千，而是5万到10万，它们需要从数百甚至上千个不同的供应商那里采购。用剪贴板管理这一切，不仅耗时，而且容易出错——要么忘记订货导致货架空空，要么订购过多导致新鲜食品被扔进垃圾桶。
团队将需求文档化，然后回到东帕洛阿尔托的车库里，用11天时间疯狂编码，打造了一个针对乳制品订货的MVP（最小可行产品）。当他们把产品展示给店里的乳制品订货员Haime时，发生了戏剧性的一幕：Haime在使用过程中停下来，看着三位创始人说：“伙计们，我起鸡皮疙瘩了，我从没见过这样的东西。”随后，身高超过1米8的Haime给了Rob一个“熊抱”，甚至把他举离了地面。Brandon说，那一刻他们知道，尽管产品很小，但意义重大。这正符合YC所强调的“找到10个热爱你的用户，而不是1000个喜欢你的用户”的理念。
然而，从一个成功的“楔子产品”扩展到完整的商店操作系统，是一条漫长而艰难的道路。从2020年到2024年，Brandon将其形容为一段密集的“研发长征”。杂货行业壁垒极高：需要处理政府支付类型（如食品券），SKU数量比餐厅或咖啡店高出几个数量级，监管复杂。
团队花了四年时间，从科罗拉多州西部的设计合作伙伴，到阿姆斯特丹的商店考察，获取全球视野，旨在构建一个适用于全球食品零售的“标准操作系统”。产品从Haime热爱的那个订货应用，逐步扩展为一个包含五个核心模块的全栈系统：销售点（POS）、支付处理、库存管理、顾客营销和动态定价。Brandon强调，正是这五个部分共同作用，才能实现杂货店净利润翻倍的目标。
做出从“应用”向“硬件+支付+操作系统”的复合型初创公司跃迁的决定是艰难的。Brandon回忆，YC的Michael Seibel当时点明了关键：杂货店在什么技术上花钱最多？答案是销售点、支付处理和商店操作系统。因此，他们必须朝这个方向构建。
销售哲学：紧扣P&L，实现“心脏移植”
当Vori试图用全栈系统替换商店原有的POS系统时，挑战是巨大的。Brandon形容这如同要求对方进行“心脏移植”。他们的成功之道在于将一切与杂货店的损益表（P&L）紧密挂钩。
Vori的公式聚焦于三个关键杠杆：销售额、毛利率和人力成本。他们向店主展示，Vori能带来20-25%的净销售额增长，将毛利率提升7-10个百分点（相当于25%的提升），并通过自动化将员工从贴价签、整理纸质文件等无价值工作中解放出来，转而服务顾客。
当把这些价值叠加起来，Vori就成为了店主几乎能做出的最佳投资。有经营了20年的杂货商告诉Brandon，Vori是他这20年来最好的投资。因此，说服店主进行“心脏移植”变成了一个简单的决定。目前，Vori的销售周期中位数约为18-21天，部署周期中位数约为37天，呈现出类似中小型企业甚至消费级的购买速度，但具备企业级软件的复杂性和粘性。
AI的三重角色：赋能、增效与护城河
人工智能在Vori的发展中扮演着核心角色。Brandon总结了AI带来的三大价值：
1. 增强产品价值主张： Vori的产品由三个能代表杂货店自主行动的智能体驱动。
库存智能体： 自动在需要补货时生成订单，或生成个性化优惠以提升客单价。
营销智能体： 自动生成个性化优惠。
定价智能体： 这是最强大的一环。面对关税和通货膨胀导致的商品成本上涨，Vori能自动从发票中识别价格变化，通过电子价签更新货架价格，并确保顾客在结账时支付正确价格。整个过程一步完成，而此前则需要多达12个内部步骤。
2. 提升运营效率： 在内部，Vori已全面采用AI辅助，开发周期大幅缩短。在销售端，甚至有销售代表通过编写代码来赢得交易。
3. 构建竞争护城河： Brandon看到了AI领域的“分流”。一方是服务于数字工作的“单薄AI包装”软件，软件成本可能趋近于零；另一方是服务于实体产业的AI。Vori属于后者，是一个“重资产、低过时率”的复合业务，结合了硬件、AI原生软件、支付、政府监管和实体运营。这意味着Vori获胜的成本在降低，而他人追赶的成本在升高。
他非常看好服务于美国经济支柱（如医疗、食品）的初创公司，并引用了“实体AI”的概念。他认为，每一次技术革新都会解锁零售新形态，而AI将催生下一代零售巨头。目前，一场“1.5万亿美元的竞赛”正在悄然进行——沃尔玛和亚马逊这两家全球运营最严苛的公司，正将未来万亿市值押注在杂货零售的转型上。沃尔玛近期提交了50多项零售AI专利，亚马逊则通过收购全食超市、推出Amazon Fresh和“拿了就走”技术，大力布局实体杂货。这两家公司占据了约25%的市场份额，而剩下的75%（超过20万家门店）则缺乏沃尔玛和亚马逊规模的技术支持。Vori的使命，就是帮助这些中小型杂货商与巨头竞争。
低谷与转折：“别搞砸乳制品订单”
创业之路并非一帆风顺。Brandon分享了一个低谷时刻，也由此诞生了公司内部的一条原则：“别搞砸乳制品订单”。这源于他们对可靠性的极致追求，因为杂货店是社区的关键基础设施，而Vori又是杂货店的关键基础设施。
一次，他们系统出现故障，导致一家重要客户Molly Stones的乳制品订单未能成功提交给供应商。清晨5点接到电话时，团队意识到问题的严重性：如果社区的母亲们买不到牛奶和鸡蛋，将直接影响居民生活，而乳制品作为“引流商品”，缺货也会影响其他品类销售，更会摧毁Vori当时作为一家仅成立六个月公司的声誉。
团队采取了“超级英雄式的客户服务”。他们当天早上租了一辆冷藏卡车，驱车前往全食超市等大型门店，按订单从货架上重新采购了所有乳制品，用五辆购物车装满了牛奶、鸡蛋和奶酪，并及时送达了Molly Stones。这次危机处理不仅保住了客户，其故事还在客户间传播，为Vori赢得了更多信任。Brandon总结，初创公司的竞争优势往往不在于最优秀的产品或最大的团队，而在于这种“出现”和“在乎”的态度——创始人把手机号给客户，承诺随时解决问题，将自身的生存与客户的成功绑定。
未来愿景：构建全球食品供应链的“清算所”
Vori的短期目标是达到1亿美元的年经常性收入，这需要通过现有产品获取前3000家门店。长期愿景则是构建“全球食品供应链的贸易清算所”。
Brandon描绘了“自动驾驶杂货店”的未来图景。这并非取代人类，而是增强人类，将无意义的体力劳动从业务中剥离。未来的杂货店对消费者而言将成为一个舒适的“第三空间”。数据显示，Z世代比千禧一代更倾向于线下逛杂货店，甚至有人在杂货店里举办快速约会活动。
“自动驾驶杂货店”将包含三层：
记录系统层： 即ERP，在一个账本、一次登录中管理供应商、库存、定价等所有数据。（Vori已实现）
行动系统层： 即智能体，利用上述数据在定价、库存和营销方面代表商店采取行动，为商店赚钱并节省时间。
交易系统层： 处理流入和流出商店的每一美元。目前Vori通过支付处理管理流入的资金（占其收入的60%），未来将扩展至帮助商店向供应商付款、获取融资以开设新店或增加新部门，并最终叠加更多金融服务。
Brandon相信，这个未来将在未来5到10年内逐步实现。Vori的故事，是一个技术深度改造万亿美元实体产业的缩影，揭示了在AI时代，最大的机会可能就藏在那些最古老、最不起眼的日常运作之中。AI 初创公司 AfterQuery 估值达 32 亿美元，成 Y Combinator 最快独角兽Techub News 消息，AI 模型训练初创公司 AfterQuery 据报已完成新一轮融资，估值达到 32 亿美元。该公司在今年 4 月以 3 亿美元估值完成 3000 万美元 A 轮融资，这意味着其在短短五个月内估值增长超 10 倍，并成为 Y Combinator 历史上最快达到独角兽估值的公司。（TechCrunch）法国比特币储蓄平台 Bitstack 完成 1500 万美元 A 轮融资，Y Combinator 等参投Techub News 消息，法国比特币储蓄平台 Bitstack 宣布完成 1500 万美元 A 轮融资，由 13books Capital 领投，参投方包括 AG2R LA MONDIALE、Plug and Play Ventures、Serena、Stillmark 及 Y Combinator。官方称其在法国拥有超 30 万活跃用户、累计储蓄超 3 亿欧元比特币，收入两年增长 10 倍；已获法国 AMF 依据 MiCA 许可并在欧洲多国运营。公司将加速推出 VISA 借记卡 Stackback 奖励与欧元账户（含法籍 IBAN），卡片测试将于 2026 年 1 月 13 日面向 5000 名候补用户开启。稳定币支付基础设施 Blindpay 完成 330 万美元种子轮融资，Y Combinator 等参投Techub News 消息，稳定币支付基础设施 Blindpay 宣布完成 330 万美元种子轮融资，参投方包括 Y Combinator、468 Capital、Bitso、Transpose VC、Acacia Venture Capital Partners，天使投资人包括 Jawed Karim（YouTube 联合创始人）、Raphael Dyxklay 和 Caetano Lacerda（Barte 联合创始人）。
该公司致力于通过稳定币构建全球支付基础设施，为企业提供跨境转账、合规管理及快速开设虚拟美国账户的工具。AI 金融科技公司 Alaan 完成 4800 万美元 A 轮融资，Y Combinator 等参投Techub News 消息，据 techcrunch 报道，AI 金融科技公司 Alaan 完成 4800 万美元 A 轮融资，Peak XV Partners 领投，参投方包括 885 Capital、Y Combinator、468 Capital 和 Pioneer Fund 等。本轮融资将用于加速扩张，使公司能够扩大销售、客户成功和合规方面的招聘规模，同时加倍投入人工智能驱动的财务自动化。企业级链上资管平台 Stackup 完成 420 万美元种子轮融资，Y Combinator 等参投Techub News 消息，据 Decrypt 报道，企业级链上资管平台 Stackup 完成 420 万美元种子轮融资，由 1kx 领投，参投方包括 Y Combinator 和 Digital Currency Group。该平台通过账户抽象技术为企业提供「对去中心化资产的集中控制」方案，支持支出限额、批量交易审核等功能。Rising 以航天工程经验强调系统安全性设计的重要性，指出当前加密领域过度关注安全防护而忽视操作安全。
Stackup 团队现由 4 人组成，包括首席技术官 Hazim Jumali 和首席执行官 John Rising（曾任马斯克旗下 SpaceX 高级任务经理）共同创立。Y Combinator：稳定币将成为货币未来的重要组成部分Techub News 消息，硅谷孵化器 Y Combinator 年度「初创公司需求」报告中指出，稳定币作为一种经济高效的跨境支付选择具有「巨大」潜力。
Y Combinator 集团合伙人 Brad Flora 表示，稳定币看起来「将成为货币未来的重要组成部分」，并将该行业比作 2000 年代初的数字音乐行业。
Y Combinator 迄今已投资 81 家加密货币和 Web3 初创公司，包括 Coinbase、OpenSea、TRM Labs 和 Quantstamp。Y Combinator 寻求投资稳定币相关赛道Techub News 消息，据 CoinDesk 报道，硅谷孵化器 Y Combinator 已将稳定币融资纳入其新的初创企业请求（RFS）清单中。该清单是 YC 自 2009 年以来的传统，提供孵化器希望实现的想法。
YC 集团合伙人 Brad Flora 表示，希望资助在稳定币、工具和平台之上构建 B2B 和消费产品的优秀团队。撰文：Techub News 整理 导语 2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。 摘要 初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。 追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。 AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。 工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。 深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。 机遇在应用层，但工具在进化 Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。 过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。 由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。 速度的起点：追求“具体创意” 对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。 反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。 正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。 Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。 他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。 此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。 Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。 工程速度革命：从“单行道”到“双向门” 当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。 他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。 Andrew Ng（吴恩达）将自己编写的软件分为两类： 快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。 生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。 对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。 他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。 他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。 一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。 更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。 新瓶颈与快速反馈策略 随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。 他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。 为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列： 最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。 稍慢一点：询问三个朋友或队友。 再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。 更慢：向 100 名测试者发送原型（如果你有用户群）。 最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。 Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。 理解 AI 技术，才能更快、更准 Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。 因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。 另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。 Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。 问答环节精选：AGI、炒作、教育与责任 在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。 关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。 关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。 关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。 关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。 关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。 关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。
