今天小编分享的教育经验：Scale AI华裔创始人：当前AI性能已停滞，主要由于“数据壁垒”；AI技术有可能成为比核武器更强大的军事资产，欢迎阅读。
第二期华夏基石数智时代领导力特训营热招中！
报名即送十月管理论坛参会名额1个，价值12800元！
来源 | Z Highlights，管理智慧
咨询合作| 13699120588
图片来源：20VC
尽管计算能力显著提高，但自GPT-4模型发布以来，基础模型的性能没有显著突破。当前AI性能的停滞主要由于"数据壁垒"，即可访问的互联网数据已经被耗尽。要突破这一瓶颈，关键在于获取更多多样化和专业化的数据。基础模型的性能瓶颈在于数据而非计算能力。要提升模型性能，需要为模型提供更多相关场景的数据。解决推理能力不足的方法包括开发通用推理能力或通过大量数据训练模型。
虽然大型企业拥有大量数据，但大多是专有数据，不易获取。生成合成数据和增加数据生产的手段是从数据稀缺到数据丰富的关键。数据的质量和结构是数据治理的最大挑战，持续的数据生产对于AI的长远进展至关重要。数据是AI模型可持续竞争优势的关键。未来，实验室将通过数据策略进行差异化竞争。大公司可能会采用内部部署模型，以保护其数据的竞争优势。
AI功能的商品化未必能提高定价或价值提取。軟體生产成本的下降导致企业軟體定制化程度提高。未来，随着AI agent和模型承担更多工作，可能会从按座位定价转向基于消费的定价模式。
过度严格的数据监管可能会抑制AI创新。更宽松的数据访问政策与自由民主制度并不冲突，美国和英国需要采取措施确保不在数据生产上处于不利地位。AI技术有可能成为比核武器更强大的军事资产。为防止负面后果，可能需要对最先进的AI系统采取封闭策略。
AI计算中的边际效益递减
Harry Stebbings：Alex，我很高兴我们可以面对面进行这次对话。非常感谢你今天加入我。
Alexandr Wang：是的，很高兴来到这里。
Harry Stebbings：我之前发推文说我们应该跳过那些创立公司的故事，因为你已经讲过很多次了。我想直接切入主题，问你一个问题。当关于当前的模型性能，我们先从高层次上来讨论，你认为我们现在是否遇到了计算力增加却没有带来性能提升的收益递减情况？
Alexandr Wang：是的，我认为这非常有趣。现在尤其是在GPT-4推出的情况下，事情变得更加明显。OpenAI自2022年秋天以来就推出了GPT-4，从那时起，我们还没有看到一个新的基础模型或是一个比GPT-4更令人惊叹的新模型。我们还没有看到GPT 4.5或GPT 5，其他实验室也还没有推出明显优于GPT-4的模型，尽管自ChatGPT问世以来，计算支出的增加是巨大的。你可以看看Nvidia收入的图表。在GPT-4推出后，它的收入直线上升，从Nvidia数据中心的季度收入大约50亿美元上升到现在超过200亿美元。所以在同一时间框架内，已经有数百亿甚至超过1000亿美元被花在了高端的Nvidia GPU上。我们还没有看到自GPT-4以来的大突破，而实际上这个模型是在Nvidia支出激增之前推出的。因此，我认为总体来说，这是一件非常有趣的事情，我们看到对计算的投资正在急剧增加，指数级增长，但我们作为一个社区、一个行业，仍然在等待下一个伟大的模型的出现。
Harry Stebbings：你认为我们是否已经达到了性能的一个极限，在等待突破的同时，性能会出现这种停滞？你认为这是一个短期的现象，还是像自动驾驶那样？我们看到自动驾驶的性能停滞了好几年，直到最近才再次有所突破。
Alexandr Wang：这是一件非常有趣的事情。这些人工智能模型有三个组成部分或三个支柱，分别是计算、数据和算法。人工智能的历史表明，进展来自于这三个支柱的共同进步。因此，你当然需要大量的计算能力，但你也需要算法的进步，比如最初的Transformer、RLHF，或者未来的算法进步。而且你还需要数据支柱。我认为我们最近看到的性能停滞在很大程度上可以用我们碰到的数据墙来解释。GPT-4是一个几乎训练在整个互联网上的模型，使用了巨大的计算能力。而我认为在过去几年里，整个行业所做的主要是在计算方面进行了大规模扩展，但并没有同步在其他两个支柱上取得进展。因此，我认为需要更多的算法改进，但特别是我们需要确保有更多的数据来支持它。
Harry Stebbings：当你说到数据墙时，这到底是什么意思？我们可以做些什么来克服它？
Alexandr Wang：从一个非常高的层次上讲，我认为我们已经用尽了所有的"简单数据"，我们已经用尽了所有的互联网数据，比如Common Crawl以及它的最新版本。
Harry Stebbings：为了让我们理解，所谓"简单数据"就是指社交媒体上的内容，任何不在付费墙后面的东西，任何容易且免费的内容。
你希望人工智能系统能够完成任务，能够解决复杂问题，能够与人类合作来解决日常问题。而构建具有这些能力的智能体和人工智能模型的过程，我们不能仅靠互联网数据来实现。而我们已经用尽了所有的互联网数据。
Harry Stebbings：当我们考虑到有效的agents和执行工作的軟體，而不只是工具的销售时，正如Sarah Tavel（Benchmark 普通合伙人）也曾指出，为什么现有数据不足以支撑从工具转向工作的转变？
Alexandr Wang：简单的答案是，人类在执行更复杂任务时所进行的许多思考过程并没有记录在互联网上。例如，如果我是一个大银行的欺诈分析师，我的工作是根据一组看似可疑的交易判断它们是否是欺诈交易。我需要分析各种不同的数据，运用我的推理能力和所有的人类智能来做出这个决定。而我进行这个过程时，并不会每一步都写下来，比如，我查看了这块数据，又查看了那块数据，然后基于这些数据得出了结论。我不会把这些步骤写在互联网上供这些模型以后爬取。因此，简单来说，支撑当今经济的所有推理和思考都没有被记录在互联网上。如果你只在互联网上训练模型，它就没有能力从这些过程里学习。
Harry Stebbings：那么，我们如何将这些未被记录的数据捕捉下来，就像你刚才提到的欺诈分析师的思维过程、分析和内部会议中的讨论，这些内容并没有被编入数据集。我们如何捕捉这些数据，以便能更好地执行任务？
Alexandr Wang：我们的观点，或者说我真正相信的是，我们从现在开始需要的是前沿数据。我们需要大量的前沿数据，而目前我们处于一种数据稀缺的心态，或是我们已经触碰到数据墙。而前沿数据在我看来包括复杂的推理链、复杂的讨论、模型进行的推理链、模型查找数据、进行推理、查找另一个数据、可能纠正错误，工具使用等所有我们认为智能体能够执行的关键部分。所有这些都需要被封装在前沿数据中，以推动这些模型的前进能力。
Harry Stebbings：我们如何捕捉这些数据？
Alexandr Wang：我认为这需要通过基本上三大支柱的结合来实现。首先，今天世界上的企业内部有大量的数据被锁定，因合理的理由，这些数据并未公开于互联网。为了给大家一个规模的感知，举例来说，摩根大通的专有内部数据集为150 PB，而GPT-4的训练数据集不到1 PB。因此，大型企业内部存在的数据量非常庞大，有一个过程就是挖掘这些现有企业数据中的所有优质数据。
Harry Stebbings：但这些数据永远不会是开源的，对吧？这些都是专有的，专门为该客户定制的。
Alexandr Wang：确切地说，这是一个每个企业都要经历的过程，比如我有一组对我的企业非常重要的问题，那么我就需要经历一个过程，基本上就是挖掘我所有的现有数据，并精炼这些数据，以供人工智能系统解决我的问题。
Harry Stebbings：当我们思考突破时，我们一开始谈到了收益递减的问题，我前几天和世界上最有权力的首席技术官之一交谈时，他说，在解决收益递减的问题上，真正的突破在于我们能否真正解决推理问题。你如何看待我们解决推理问题的能力，以及你提到的数据在帮助我们应对这一挑战方面的影响？
Alexandr Wang：如果你看看这些模型能做什么，它们在以前见过很多数据的情况下非常擅长推理。我们倾向于将这些AI视为类似于小型人类智能，但它们非常不同。人类智能和机器智能是非常不同的。人类有一种非常通用的智能，他们有一种很棒的能力。如果一个孩子在一个非常小的社区长大，他可以一生都在那个小社区生活，也可以去世界上完全不同的地方，并且能够适应和理解那里的情况。
今天还没有任何一个AI系统能够达到这种水平的能力，即从一个环境"拖放"到另一个环境中，并弄清楚发生了什么。因此，我认为我们必须认识到这是一个限制。但这意味着，对于我们希望这些模型在某种情况下表现良好的任何情境，我们需要有该情境或场景的数据，实际上模型在这种情况下会表现得非常好。
所以有两种方式可以解决这些模型中存在的推理差距。一种显然是构建某种通用的推理能力，这肯定会是一个重大突破。另一种方法就是，这是一个数据问题。你需要为每个希望这些模型在其中推理良好的场景提供数据，你需要在所有这些场景中用数据压倒它们，你就会得到能够很好推理的模型。
数据获取与治理的前沿探索
图片来源：Unsplash
Harry Stebbings：我们如何从数据稀缺的环境过渡到数据充裕的状态，特别是考虑到像摩根大通或高盛这样的企业拥有巨量数据，但这些数据的专有性质使得它们无法用于通用模型，从而无法惠及全球或推动突破性进展。我们如何从数据稀缺过渡到数据充裕？是通过生成合成数据吗？我们该如何思考这个问题？
Alexandr Wang：我认为你说的第二部分很重要，即需要产生新的数据，我们需要生产新的前沿数据的手段，这样才能从GPT-4进展到GPT-10。我认为，当我们谈到芯片时，这种思路很自然，我们需要建造越来越多的晶圆厂，建造更大的晶圆厂，我们需要提高分辨率，制造更小纳米级的晶圆厂。当涉及到计算能力时，我们很自然地想到要增加生产手段，但我认为我们在数据方面并没有这样去思考。我们需要在数据方面做类似的事情，数据的生成过程是一种混合的人工与合成的过程，这也是我们思考它的方式。你需要一些算法来承担大部分生成合成数据的工作，但你也需要人类专家来引导这些AI系统，帮助它们在遇到困难时或在处理未曾遇到的情况时提供输入。另一种思考方式是，很多自动驾驶的扩展都是通过这些安全驾驶员来实现的，汽车内部有安全驾驶员，当汽车开始出错时，安全驾驶员会接管控制，我们需要为这些AI系统設定类似的机制，你需要AI模型生成大量数据，然后人类可以在必要时介入，推动模型的进展，以确保获得高质量的数据。
Harry Stebbings：在组织结构中，这种做法会是什么样子？我们是否会为这些AI提示创建新的角色，不是提示员，而是类似于数据监护员？
Alexandr Wang：是的，训练员是一个术语，AI训练员或贡献者是另一个术语。
Alexandr Wang：向AI贡献数据实际上是人类能做的最有杠杆作用的工作之一。原因是，如果我是一个数学家，我可以选择闭门研究纯数学，做纯数学研究，这是我人生的一条轨迹。另一条轨迹是，我可以利用我的所有技能、才能和智慧，帮助这些AI模型变得更聪明。即使我只是让GPT-4在数学方面稍微聪明一点，如果我将这种微小的改进汇总到GPT-4在未来所有被调用和使用的场合中，比如所有使用GPT-4的数学学生，所有使用GPT-4的开发者，那将产生巨大的影响。因此，作为人类专家，你有能力通过生产数据来提高这些模型，从而对社会产生广泛的影响。这对于科学家、数学家、医生以及世界上的其他人类专家来说，我可以将我的能力、智慧、训练全部传输到一个能够对社会产生广泛影响的模型中，这是一个非常令人兴奋的前景。
Harry Stebbings：我们如何看待数据的结构？人们经常谈到数据治理的最大挑战其实就是数据的结构和整洁性。考虑到摩根大通拥有150 PB的数据，我不确定，但我猜测这些数据并没有为很多模型的高效使用而完美地结构化。我们如何看待这些大型企业拥有的巨大数据集的结构化问题？这对这些企业来说意味着什么挑战？
Alexandr Wang：这里有两个并行的努力方向。一是现有数据的挖掘，尽管如此，这会是一次性的，你从挖掘现有数据中获得的收益可能会很有意义。
Harry Stebbings：你认为在五年内，每个企业都会挖掘他们内部最大的数据库吗？
Alexandr Wang：我不认为每个人都会这样做，但肯定最先进的公司会这样做。然后，我们还会处于一个仍然需要让模型变得更好的阶段。因此，最终一切都归结为数据的生产，类似于你需要芯片等其他关键物品的生产手段。
Harry Stebbings：好的，那么我们谈到了挖掘现有数据，你说还有另一种方式。
Alexandr Wang：是的，有数据挖掘，然后是前瞻性的数据生产，这是我们需要数据来源的两个核心方向。我认为，如果我们退一步，从更广泛的角度来看，当前AI进展的一个根本瓶颈是数据。如果我们能够在计算和数据生产上同步进行，比如在Nvidia继续制造数百亿美元的芯片的同时，我们也能生产出与之相当的数据量，那么我们将获得极其强大的模型能力。
Harry Stebbings：为了更好理解，当我们考虑增加数据供应时，具体的做法是什么？我想到的是像Limitless这样的项目，不知道你是否知道Limitless的Dan，他是Optimizely的创始人，他有一个新的硬體设备，记录你说和做的每一件事，并生成你个人的AI，因为它记录了你一天中的所有言行。这在我看来是一种新的数据生成形式。我们如何增加数据供应？
Alexandr Wang：主要有两个部分。一是像Limitless这样的努力，基本上是更长期的数据收集，收集更多自然发生的世界数据。这有很多形式，比如在工作场所，你可能需要某种持续的数据收集，尽管听起来可能有点吓人，收集你使用的应用程式、使用的顺序、从一个地方复制粘贴到另一个地方的内容。
Harry Stebbings：很多与RPA和许多IPO流程相关的内容。
Alexandr Wang：是的，完全正确。这就是SaaS中的流程挖掘术语的来源，基本上是对现有企业流程的持续收集。然后是消费者版本，可能类似于你提到的，或者像Meta与Ray-Ban的合作，或者任何最终用于此的设备，但大致是收集你个人生活的长期视角。除此之外，还需要真正投资于人类专家与模型的合作，以生产前沿数据。因此，我之前提到的企业流程挖掘和消费者数据收集，都会产生有价值的数据集，但它们不会推动模型向前发展。
因为要推动模型向前发展，我们需要非常复杂的数据，能够推动模型能力的前沿。这就是你需要智能行为的地方，这就是你需要复杂推理链的地方，这就是你需要高级代码数据或高级物理学、生物学或化学数据的地方。这些才是真正需要推动模型边界的内容。我认为这需要全球范围内的基础设施级别的努力。我们需要思考如何让世界上的专家与模型合作，帮助生产出世界上最好的AI系统，让它们成为世界上最好的科学家、最好的程式员或数学家。
AI商品化浪潮和差异化数据策略
Harry Stebbings：当我们思考模型的商品化时，大家都说我们已经达到了这一点。那么我们如何看待这些数据源的专有访问？有人以前跟我说过，我无意批评，但像OpenAI的模型不一定更好，只是因为他们获得了更好的数据，他们购买了更多的数据等等。而数据是他们过去性能优越的核心优势因素之一。那么我们是否会看到某个模型获得其他模型无法获得的数据访问权？我们如何看待模型侧的公平和公正的数据访问？
Alexandr Wang：我认为，如果你考虑这些不同模型提供商之间的竞争格局，数据确实是少数几个支柱之一。总共有三个支柱：算法、计算和数据。我认为数据实际上是你可以想象出持久竞争优势的主要支柱。所以，如果你想知道在这个领網域里，基础模型竞争游戏中的护城河在哪里，我认为数据是为数不多的可以产生可持续护城河的领網域之一。因为问题在于，算法是知识产权，某个时间点上，整个行业都会了解它们。计算能力，你可以比别人有更多的计算能力，但别人也可以花更多钱去购买相同的计算能力。而数据是少数几个领網域之一，你可以真正产生长期可持续竞争优势。
Harry Stebbings：我同意，看看OpenAI的一些合作協定，他们显然与《金融时报》合作，获得了《金融时报》所有历史文库的访问权限，他们还与Axel Springer进行过几次合作。我认为这些是其他很多模型没有的访问权限，这使得他们的内容在特定查询中表现得更优越。
Alexandr Wang：是的，完全正确。我认为这是结构的一部分，把数据视为护城河的思维方式。我认为这些合作——《金融时报》和Axel Springer——只是初步迹象，但未来我认为这些实验室会非常重视这一点。他们会思考，我将使用什么数据来与竞争对手区分开来，我将如何生产这些数据，以及这些数据会创造出什么样的长期持久优势。因此，我认为你会看到，我实际上预计，围绕数据和模型商品化的一切，我们将看到公司开始构建数据策略，随着时间的推移，这将推动市场中的更多差异化。我认为这很令人兴奋。另一种思考方式是，现在在旧金山，重要的研究人员和CEO都在炫耀他们拥有多少GPU，这几乎成了他们在AI领網域有多认真对待的最大指标。但我认为在未来，他们会炫耀他们可以访问哪些数据，他们生产了多少数据，他们对不同数据源的独特权利是什么。我认为这实际上将成为未来的主要竞争领網域，而不仅仅是炫耀"Jensen给了我多少GPU"。
Harry Stebbings：考虑到数据策略可能成为赢得竞争的一个关键因素，你认为我们将不会看到这些模型逐渐商品化吗？
Alexandr Wang：有两种未来。一种是即使数据策略也会很快被商品化，不同的人和不同的实验室会相互模仿，或者他们最终会走向同一个方向。
Harry Stebbings：完全同意，尤其是对于许多内容生产者来说，他们不太可能与某一个模型签订独家協定，而忽略其他模型。
Alexandr Wang：是的，所以我认为这就意味着不同的实验室需要制定策略，以生产他们独特的数据集。比如说，我举个例子，Anthropic专注于企业应用场景，他们可能需要制定一个数据策略，使他们能够在这些企业应用场景中获得非常差异化的新数据访问权限。或者OpenAI与ChatGPT可能需要制定一个独特的数据策略。我认为，各个实验室需要倾向于他们能够在未来获得专有和差异化数据的领網域。
Harry Stebbings：你认为我们会看到企业重新回归本地部署吗？虽然我的问题跳来跳去，但我很喜欢这个对话。抱歉这么多跳跃式的问题，但当我们考虑到像摩根大通那150 PB的数据时，我不确定他们是否愿意将所有最敏感的数据都放在云端。你认为我们会看到企业重新回归本地部署，并为这些大企业提供本地工作的模型吗？
Alexandr Wang：当我们与这些大企业和他们的领导者交谈时，他们很快就意识到你提到的这个事实：他们的企业数据可能是他们在AI世界中唯一的竞争差异化因素。因此，他们在处理这种情况时极其谨慎。如果他们达成了一项交易，所有的数据不管以什么方式，模型开发者都能获取到，或者他们以某种方式共享数据，那么他们可能就是在抵押他们的整个未来。所以我认为他们对此非常非常谨慎。这实际上也是为什么我认为无论是开源模型还是Llama模型，还是Mistral模型，这些可以在本地部署并让企业能够在其自身数据之上进行定制的模型都有非常大的机会。这样的话，这些数据永远不需要返回给模型开发者或云端。我认为在这一领網域有巨大的未满足需求，我认为这是大多数严肃的企业将要去的方向，即"这是我的数据，我需要非常非常强有力的保证，我的数据不会被用来提高我的竞争对手的能力。"
Harry Stebbings：我认为AI服务实际上会创造更多的收入，这没问题。我们看到Accenture最近宣布他们的生成式AI收入达到24亿美元，而OpenAI显然达到了20亿美元。你如何看待现在的Scale AI以及与一些大企业合作的服务组件？学习和采用曲线对大企业来说是一个挑战。你认为这是未来几年中你的核心业务的一部分吗？特别是在我们扩展教育的过程中？
Alexandr Wang：首先，我认为你是对的。AI确实可以产生巨大的价值，但问题是，这种价值的捕获将在哪里发生？这个问题很有趣。如果你回头看看Andy Grove（Intel第三任CEO）写的《高效管理》一书，书中有几章提到，例如在Intel公司，当时我们认为价值捕获会发生在某个部分，但后来我们意识到，它会发生在堆栈的另一个部分，所以我们不得不迁移到那个部分，然后我们又得再次迁移。这是一个非常令人难以置信的案例研究。我记得我大约十年前在一个不同的技术时代读过这本书，当时我觉得这有点奇怪，感觉不太相关。而现在在AI领網域，你再次看到这种情况。我认为AI领網域如此新颖且初步，价值到底会在堆栈的哪个部分累积，感觉它在不断移动。我同意你的看法。
模型本身有很多竞争，所以我不确定在模型本身会累积多少价值，但我非常有信心，在模型之上和模型之下的所有事物都会累积价值。在基础设施方面，Nvidia是今天在AI领網域建立的最大的公司，它是世界第三大最有价值的公司。Nvidia比Meta、Google、Amazon和沙特阿美的市值都要高，真是令人惊叹。这是一家令人难以置信的公司，这些都是模型之下的部分。而在模型之上，你将会有所有这些在其上构建的应用程式和服务。
Harry Stebbings：今天早上我在路上和别人争论，我在说，好吧，Notion AI和Box这家存储公司将AI解决方案整合到他们现有的存储产品中，以便更好地提取信息。但是，你有没有注意到Salesforce的增长现在只剩下个位数，MongoDB的增长也只剩下个位数。重点是，功能的商品化意味着我们会得到更好的产品，但我不确定这是否会以提高价格的形式实现价值提取。你怎么看？
Alexandr Wang：我们的观点是，有一篇文章The End of Software讨论了"軟體的终结"。
Harry Stebbings：我看到了，是Chris Paik（Pace Capital 的创始合伙人）写的。
Alexandr Wang：这是一个有意挑衅的观点，但我确实认为其中有一些内容是正确的。
Harry Stebbings：为了那些没读过的人，你能简单概述一下这篇文章的核心观点吗？
Alexandr Wang：他基本上做了一个很巧妙的比较，他把今天的軟體公司与社交媒体之前的媒体公司进行了对比。大致的比较是，在过去的媒体时代，有许多非常出色的媒体公司，这些公司由许多专家组成，生产出高度差异化的内容。但后来，这些公司被社交媒体和互联网广泛的传播所颠覆了。随着内容创作成本的降低或内容分发成本的急剧下降，媒体消费的世界变得非常广泛，你可以随时消费任何你感兴趣的人生产的内容，而不再是被大媒体生产者所主导。这个比较的核心是，这就是即将发生在軟體领網域的事情。现在，企业生活在一个由少数几个軟體提供商主导的围墙花园中，但随着生成式AI和其他趋势的到来，未来他们将拥有一个由不同应用程式和点解决方案组成的星座式结构，我们将从当前少数围墙花园SaaS应用的世界转向一个更加去中心化的宇宙。
Harry Stebbings：你同意这个观点吗？
Alexandr Wang：这确实是一个有意挑衅的观点，但我认为有一点是正确的，那就是企业和整个世界将会要求更高水平的定制化和个性化，他们会要求专为他们的业务量身定制的东西。我认为，这一趋势的开端可以追溯到第一个在这方面做出尝试的科技公司Palantir。长期以来，Palantir一直被误解为仅仅是一家咨询公司，但Palantir的观点也具有挑衅性，他们认为，我们的任务是进入企业，深入了解他们的问题，然后帮助他们构建完美的应用程式，这些应用程式可以连接他们所有的数据和其他内容。如果我们能做到这一点，我们将为他们构建出比任何其他軟體提供商都更有价值的东西。他们在生成式AI和所有这些工具出现之前就已经开始这样做了，这些工具使得这种方法变得更加可行。但我确实认为，世界正在向这个方向发展，特别是现在軟體生产成本和軟體创作成本正在急剧下降，我们将走向一个企业消费的軟體越来越多是为他们的特定问题量身定制的世界。
Harry Stebbings：这对大型企业的工程团队结构意味着什么？他们的规模会缩小吗？他们会专注于不同的事情吗？我们会有世界上最好的提示工程师组成的团队吗？这对工程团队的结构变化意味着什么？
Alexandr Wang：我认为，軟體工程总体上会发生巨大的变化。今天开发人员花费大量时间的许多工作，随着模型在编码方面越来越强，他们将不再需要花费那么多时间。但是他们所做的某些重要部分是不可替代的。随着时间的推移，我认为特别有价值的一部分是从客户问题或需要解决的问题开始，将它们转化为工程问题，并将其分解为可以由AI工程师解决的任务。
Harry Stebbings：每个人都在说我们将看到按座位定价的终结。就像Chris在那篇文章中提到的，大家都在讨论按座位定价的终结。在这个新一波軟體浪潮中，尤其是在数据方面，我们是否会看到更多基于消费的定价模型？你认为这真的会取代按座位定价吗？
Alexandr Wang：按座位定价在未来不再合理的原因是，在今天的企业中，大部分有生产力的工作确实是由员工完成的，由人完成的。但是在一个你可以想象更多工作由AI agent或AI模型完成的未来，按座位定价就不再合理了。因为作为軟體或解决方案的提供者，你希望确保你所提供的价值不仅仅是针对人，还包括你所提供的AI agent或AI系统所产生的价值。所以我认为，这将把世界大大推向基于消费的定价模式，而不是按座位定价。
数据监管与AI军备竞赛
Harry Stebbings：我最大的担忧之一显然是我们在伦敦。我们在很多方面都很擅长，比如长时间的午休和监管。不过，我的问题是，我真的很担心我们会因为消费者数据保护法和关于数据访问的不必要监管，而看到创新受到抑制。你认为我的担忧有道理吗？你如何应对数据访问的监管问题？
Alexandr Wang：这是一个非常重要的问题。我认为我们在欧盟看到的情况确实是对数据采取了非常严格的态度。
Alexandr Wang：我个人的看法是，我不认为围绕数据的更宽松的监管与自由民主制度不兼容。更自由的数据访问规定实际上与自由民主制度非常兼容。我们作为一个社会整体需要找到一个合适的平衡，并解决这一矛盾。但我认为这是一个非常重要的问题，因为在美国，有大量的努力和真正的监管努力，旨在确保我们不会放慢芯片生产的速度，确保我们能够继续制造大量的芯片，而美国不会因此处于不利地位。从这个角度来看，我们需要对数据采取类似的视角。因此，从政策角度来看，无论是在美国还是在英国，我们都需要思考如何确保作为国家，我们不会在未来数据生产方面自缚手脚。
Harry Stebbings：你认为美国目前在这方面是否自缚手脚？
Alexandr Wang：我们显然没有采取支持数据的监管立场。
Harry Stebbings：那么，支持数据的监管立场会是什么样子？
Alexandr Wang：有几件事我认为是重要的。首先，有一些大型数据集不应给特定的参与者带来专有优势，它们需要被集中并对整个行业开放访问。一个简单的例子是航空航天领網域的安全数据，这是一个热门话题，但航空航天领網域的安全数据应该被集体共享，以推动整个行业向前发展。再比如我之前提到的金融服务中的欺诈和合规数据，也应该被集中起来，并用于推动未来的能力发展。因此，我认为在整个工业部门中，应该在某种程度上进行数据共享，以推动整个行业的发展。
Alexandr Wang：此外，在很多面向消费者的领網域，我们需要解决现有的许多限制，确保这些限制不会阻碍AI的进步。一个很好的例子是医疗保健领網域的HIPAA法规以及所有的个人身份信息（PII）限制。目前，HIPAA法规和PII规定或多或少会阻止患者数据被用于训练AI模型。但我认为，作为一个文明社会，作为人类，我们真的希望从现有的医学数据中学习，找到未来治疗人类疾病的方法。因此，我们需要找到解决办法，比如制定非常明确的匿名化条款，或者找到一种非常清晰且显而易见的方法，利用现有的患者数据来改善未来的健康结果。
Harry Stebbings：有一种说法，中国在人工智能进展方面落后美国大约两年。我不记得是谁在节目中提到的这个观点，但我当时听到后觉得这简直是胡扯。我认为，考虑到中国政府在数据访问、数据提供和监管方面的做法，如果他们确实落后两年，那他们会很快赶上来。你怎么看中国落后两年这个说法？你同意吗？
Alexandr Wang：两年前，他们可能确实落后了两年。当OpenAI第一次在实验室中推出GPT-4时，中国远远没有达到那个水平。但即便在过去几个月里，一家中国公司零一万物推出了一个名为Yi-Large的大模型，这个模型现在是世界上最好的模型之一。我认为它仅次于GPT-4o、Gemini、Claude 3 Opus，是排行榜上排在这些模型之后的下一个模型。所以它是世界上最好的模型之一。我们已经看到他们在迅速地赶上来。中国的语言模型和人工智能能力现在基本上已经与美国的能力非常接近了。
如果你根据我们之前谈到的所有数据来预测未来的路径，我认为他们有明确的机会赶超我们。这归根于，中国共产党体制非常擅长采取非常激进的集中行动和集中工业政策来推动关键行业的发展。我们在过去几年甚至几十年里都看到了这一点，特别是在太阳能领網域，中国或中国共产党能够通过工业政策，在很大程度上成为全球太阳能领網域的领导者，最近在电动汽车领網域也是如此。你会看到中国共产党的体系和方法创造了非常便宜的产品。我们一次又一次地看到这种模式的重复，中国共产党的工业政策方法不是最具创新性的，但一旦一个行业已经建立起来，他们在推动其发展方面比世界上任何其他经济体都要强大。
Harry Stebbings：完全同意，我昨天看到了一个图表，我不记得是谁发的推文，我认为可能是Elon Musk或Bill Ackman（Pershing Square Holdings的创始人兼CEO），图表显示了不同国家在制造业方面的表现。如果没有通用汽车，美国的制造业可能会陷入困境，而中国的表现则显然是一路向上。你对此感到担忧吗？
Alexandr Wang：我非常担忧。我认为我们在人工智能社区很少讨论的一个重要话题是，这项人工智能技术有潜力成为人类有史以来最强大的军事资产之一。
Alexandr Wang：你可以想象，如果一个国家拥有AGI，而另一个国家没有AGI，哪个国家会在战争中获胜？很可能是拥有AGI的国家，因为它可以开发出所有的武器，或者制定出卓越的军事战略，或者能够入侵另一个国家的系统。这可能是世界上有史以来最强大的军事资产，甚至比核武器还要强大。如果你考虑到这一点，我们现在所处的地缘政治环境正变得越来越紧张。过去几十年世界上的冲突在单调地增加。我们看到世界上发生了多场战争，其中一些战争没有明显的解决途径。而且现在世界上有一些极权主义领导人，比如说，如果今天中国或俄罗斯拥有AGI而美国没有，我认为他们会利用这一点进行征服。
Alexandr Wang：这对整个世界来说是一个非常可怕的结果，我认为这是西方世界需要投入大量思考和努力去防止的结果。
Harry Stebbings：鉴于这种担忧，我们是否应该采用封闭系统？显然，开放系统有很多好处，但开放系统的挑战在于任何人都可以使用它们。这意味着俄罗斯、中国都可以使用它们，每个人都可以获得相同的访问权限。我们是否应该采用封闭系统，考虑到你刚才所说的内容？
Alexandr Wang：我认为这里必须出现一种二元对立。我们需要考虑最前沿和最先进的系统，那些我们出于地缘政治原因、军事原因或其他原因想要确保维持封闭的系统。当我们开发出真正强大到如此程度的系统时，我们会希望将它们保持封闭，但这并不妨碍我们开发不太先进的开放技术版本，这些技术实际上能够带来巨大的经济价值。我认为这就是我们现在在Llama模型中的位置。我不认为Llama 3模型已经先进到可以被视为军事资产的地步。我认为在某个界线以下，开放模型完全没有问题。我认为我们需要谨慎思考的是，这个界线在哪里，我们什么时候接近这个界线。
Harry Stebbings：在我们讨论一些公司建设原则之前，我确实想谈谈十年后的基础模型会是什么样子？谁会保持独立，谁会被收购，这个领網域会是什么样子？
Alexandr Wang：我认为，基础模型竞争的核心在于其成本极其高昂。这些模型的成本已经从几亿美元增加到十亿美元，甚至可能是几十亿美元。我认为在十年后，它们的成本可能会达到数十亿或数百亿美元。因此，能够拥有如此巨大的资金和自由裁量权来投资这些AI模型的实体非常少。随着时间的推移，自然会发生的事情是，AI的基础努力将逐渐围绕国家或大型科技公司聚集。因此，你会看到，所有这些超级盈利的商业模式，无论是国家还是超大规模企业，都是唯一可能为这些庞大的AI项目提供资金支持或担保的实体。因此，我认为未来的情况看起来就像是一场巨人的战斗，现在已经是这样了，但到那时，这场战斗会更加激烈。
Harry Stebbings：那么，你是否同意我的看法，即所有较小的玩家都会被大型云服务提供商收购，比如Google、Amazon、Nvidia，以及其他你能想到的大型公司，尤其是大型云服务提供商，并将它们整合到现有解决方案中？
Alexandr Wang：是的，不过可能需要加一个星号注释，有些合作伙伴关系我认为会很有趣，看看它们如何发展。比如OpenAI和微软的合作，或者Anthropic和Amazon的合作。我认为这个技术时代最有趣的问题之一是这些合作伙伴关系在长期内究竟会如何发展。
品牌力量构建
Harry Stebbings：我确实想讨论一些公司建设的原则。我们从这个开始，我记不清你在PR方面说的那句精彩的声明是什么了，你说的是"最好的PR是不做PR"，你这是什么意思，Alex？
Alexandr Wang：传统的新闻行业并不特别有利于建立伟大的公司。更具体一点来说，许多传统媒体主要是为了获取点击量，因此传统的新闻引擎会在你上升时大肆宣传你，生成大量点击量，而在你下滑时则会打压你，继续通过这种方式获得点击量。这与20VC和其他类似的直接渠道形成了鲜明对比，在这些渠道中，创始人和公司有一个直接的渠道来传达他们的信息，并解释他们正在做的事情。
Harry Stebbings：还有另一点，我觉得有点不公平，我对传统媒体感到有点同情。我不在乎点击量，因为我们有赞助商。坦率地说，即使没有赞助商，我们也会继续做这个节目。我不会做那些哗众取宠的标题，我不会把节目搞得花里胡哨，不会因为优化点击量而做"Scale AI预测军事灾难"这样的标题。
Alexandr Wang：完全同意。你做节目是真心想教育和解释发生了什么，而不是为了点击量。
Harry Stebbings：这几乎不公平。你能想象有人说："嘿，我要做Scale AI，但我不在乎是否亏钱？"你会想，"哦，天哪，我怎么跟这个竞争？"
Alexandr Wang：是的，但我认为这很明显。你知道，我在国会作证时得到了比过去几年中从各种媒体那里得到的更公平的对待。听起来很荒谬，但我认为我们现在处于一种畸形状态，许多传统媒体因为这种以点击量为导向的方式，而不是出于真正的教育目的，几乎没有办法对公司保持完全公平。所以我认为公司有责任通过直接渠道、播客等方式，清晰地讲述他们的故事，确保他们的信息不会被曲解。
Harry Stebbings：完全同意，这就是为什么今天创始人品牌比以往任何时候都重要，因为如果你不掌握自己的传播渠道，信息就会被扭曲。
Alexandr Wang：十分正确，我认为这是当今世界的一种令人震惊的状态。
Harry Stebbings：这是否改变了你的策略？
Alexandr Wang：是的，我们现在会认真思考如何将直接信息传达出去。正如你所说，我们会寻找最纯粹的方式来传达和解释我们正在做的事情。这就是一个很好的例子。你会问我一个问题，我会按照我的想法回答，这个答案会传达到你的听众和观众那里。这是传播信息最纯粹的形式之一。
Harry Stebbings：人们犯的一个大错误是他们试图为公司建立直接渠道，但说实话，人们不会关注Scale，他们关注的是Alex。建立个人追随者比建立公司追随者要容易得多。
Alexandr Wang：很少有公司能够像OpenAI那样，作为一个实体拥有很多品牌意义，但即便如此。
Harry Stebbings：看看Sam Altman的热搜次数和OpenAI的热搜次数之间的差距，Sam Altman的热搜次数要高得多。人们现在比以往任何时候都更喜欢个人崇拜。
Alexandr Wang：这是一个很有趣的现象，这确实应该引起关注。
Harry Stebbings：这种现象超越了个人。看看Lionel Messi在迈阿密的表现，看看Margot Robbie在《芭比》中的表现，组织或运动中的个人名人推动了一切。
Alexandr Wang：这很有趣，这可能反映了人类内心深处对关联的强烈需求。我认为我们作为人类，有很多能力来理解个人。我们有能力理解个人，但很难理解一个组织意味着什么。没有直观的联系。
Harry Stebbings：那么创始人应该在意传统的PR吗？他们应该关心进入传统媒体吗？
Alexandr Wang：我认为我们处在一个他们不应该在意的时代，他们应该思考的是，有一个有趣的观点，并且找到传达这个观点的最纯粹的方式。
Harry Stebbings：你觉得媒体在什么时候对你们进行了全面的攻击？
Alexandr Wang：我会说，几乎可以精确地说，我们经历了一个不可思议的上升期，也许是在2019年我们最初成为独角兽时，之后的几年感觉一切顺风顺水。然而，从大约2022年开始，整个科技叙事或者说媒体叙事突然转向了攻击科技公司。你知道，在某种程度上这是公平的，因为许多科技公司获得了非常高的估值，科技界充满了令人难以置信的兴奋情绪，随后市场崩溃了。从2022年开始，我注意到对我们的报道基调完全改变了，媒体开始专注于指出像我们这样公司的失误，或者我们的很多同行的失误，而不是试图保持平衡的视角。
另一个例子是大约从2020年开始，我们与美国军方和国防部合作，这显然是在当前的国防科技热潮之前。长期以来我们作为公司有一个坚定的信念，即让美国国防部获得出色的AI技术对世界的未来非常重要。在随后的几年里，我会说，传统媒体实际上批评我们支持美国政府和军方，而不是从更广阔的视角来看，认为这可能是一件积极的事情，支持美国军方。就像我之前所说的，关于在国会作证和媒体对待的对比，我在国会作证时得到了相对公正的对待，他们意识到这是一项强大的技术，我们需要慎重对待，但他们认为美国在这方面领先非常重要，感谢你们所做的一切。而媒体则以一种极具讽刺的态度来看待，比如，"这是一件好事吗？我们能信任这家公司吗？这意味着什么？"这种态度真的令人震惊。
Harry Stebbings：但我认为你们理解的是，动机驱动结果。媒体的动机是什么？国会的动机是什么？国会不是为了销售或点击，他们希望得出一个关于最佳结果的明智决定。正如你所说的，动机驱动结果。我还喜欢你说过的一句话，你说"找到真正关心的人比听起来要难得多"，你是什么意思？你在招聘时如何看待这一点？
Alexandr Wang：当你真正简化问题时，这听起来很简单，但如果你雇佣那些我们内部称之为"真正关心"的人，他们真正关心自己的工作成果，真正关心工作质量，真正关心组织，他们关心确保公司产生影响，他们就是那种真的很在乎的人。这意味着他们愿意关注每一个细节，如果他们遇到障碍或阻力，他们会花额外的精力去解决这些问题。这就是创业公司运作的基本方式——你有一群小团队，每个人都比大公司里的普通员工更关心10倍或100倍，因此你最终会比大公司解决更多的问题。
人才战略执行
Alexandr Wang：我们大约有800人。
Harry Stebbings：你们现在已经达到较大公司的规模了。你知道，要做到只雇佣"A级"员工或者优秀员工变得更难了。按定义来说，优秀员工是稀有的，你能有800个优秀员工吗？
Alexandr Wang：我认为答案是肯定的。我们在内部经常讨论的是如何雇佣海豹突击队，而不是海军，这并不是说海军有什么问题，而是如何拥有一个真正精英的小团队，真正从中挑选出最优秀的人才。这归结于流程。对于我们公司来说，即使到了现在，我仍然会批准每一个新雇员。我会亲自面试或查看面试反馈，并了解我们雇佣的每个人，以确保我们保持一个异常高的标准。
Harry Stebbings：那么，有多少次你会反对团队对新雇员的推荐？
Alexandr Wang：我会说，大约有25%到30%的时候会反对，挺多的。通常这是因为，也许是新的招聘经理需要调整，或者这是各种形式的边缘案例。但对我来说，作为公司的创始人，我已经看过了所有进来的人，并且我看到了谁成功了，谁失败了。我几乎像一个算法一样，基于我所见识到的成功者，发展出了理解哪些人在Scale能成功的数据集，哪些人像海豹突击队一样优秀，哪些人只是普通的海军。这是我作为创始人的职责，确保我们作为一个组织，能够真正利用过去八年来在公司内部积累的所有知识和经验，并将其延续下去。
Harry Stebbings：最后一个问题，你认为自己最大的管理或领导失误是什么？比如我的一个例子是，我发现人们的行为要么出于恐惧，要么出于自由。你带进来的人，有些人是出于"你必须表现"的压力行动，而其他人则是出于"我信任你，我尊重你，你尽力就好"的自由行事。你只需要识别某人属于哪个阵营，然后希望如果他们有能力，他们应该能做到最好。我希望在开始时我就知道这一点，但我没有，我只是对所有人都施加了压力。你现在知道了什么是你希望当初就知道的？你在哪些方面犯过错？
Alexandr Wang：最大的一个错误其实是在2020到2021年间，认为公司的高速增长意味着你必须要快速扩大团队。因此，在那几年，我们和很多科技公司一样，团队人数每年翻倍甚至三倍。2020年时我们大约有150人，到2022年底我们已经超过700人，这是一种疯狂的招聘速度。团队的高速增长让我发现，当你如此快速地招聘时，就不可能做到我们刚刚谈论的那些事情，即保持高标准和团队内部的卓越感。
Harry Stebbings：你在实时中看到这个标准的下降了吗？
Alexandr Wang：这有点微妙。你会招聘很多新人，然后可能在接下来的一年或六个月后，你会逐渐注意到这个变化，发现组织中出现了一些过去能够轻松解决的问题，但现在却逐渐变得难以应对。你会注意到，从2022年底我们有700人，到现在我们有800人，团队的规模基本保持不变。我认为我们真正考虑的是如何在公司收入大幅增长的情况下，保持团队的稳定。
Harry Stebbings：这很有趣，公司有品牌的轉捩點。它们会变得炙手可热，然后冷却下来，再次变得热门。你知道我的意思吗？从外界来看，Scale现在似乎再次变得热门了，你明白我的意思吗？
Alexandr Wang：确实是这样。
Harry Stebbings：我并不是想特别讨好或不讨好你，我不是在说你们遇冷，而是品牌确实会有热门和冷清的时刻。
Alexandr Wang：这是一个非常有趣的现象。其实，我也曾问过Patrick Collison（Stripe的联合创始人兼CEO）这个问题。显然，Stripe是一家令人难以置信的公司，在很长一段时间里，我认为它一直是硅谷标志性的公司之一。我问他是否认为他们是硅谷标志性公司这一事实对他们的招聘有利。他给出了一个有趣的观点，希望我能分享这一点。他说，他们雇佣的最优秀的人，往往是那些无论Stripe是否是硅谷最热门的公司都会加入的员工。那些偏离主流的员工反而是他们最好的雇员，而那些因为他们是硅谷最热门的公司而加入的人，往往并不是最有价值的员工。普遍的信念和叙述是，你希望成为最热门的公司，这样你就可以吸引最优秀的人才，从而实现快速增长，并继续保持增长。但这往往是非常困难的，更多的是如何建立一个自我维持的优秀人才生态系统，保持高标准，并始终寻找最优秀的人才，而不管公司是否热门。因为正如你所说，你会有热门的时刻，也会有冷淡的时刻，热门与否都会有，所以你需要这个人才生态系统在不依赖这些的情况下，自我维持。
Harry Stebbings：为了吸引最优秀的人才，我也认为这取决于职能领網域。比如在很多市场开拓职能方面，传统上销售人员倾向于集中在更热门的品牌。如果你能吸引一群出色的销售人员，尤其是在扩展地理区網域时，这会带来很大帮助。我想到的是OpenAI在伦敦的市场开拓团队，他们非常出色，是伦敦最好的团队之一，因为他们拥有一个了不起的品牌。你明白我的意思吗？所以这取决于你离核心的距离以及你所处的职能领網域。
Alexandr Wang：是的，我认为你说得对。
Harry Stebbings：你看很多核心技术开发，大部分还是由最接近核心的人推动。
Alexandr Wang：不仅如此，这些人很多都是在OpenAI成为最热门公司之前就已经在那里工作的人。所以我认为这是另一家公司经历过的现象，比如Airbnb，Brian Chesky（Airbnb的联合创始人兼CEO）他公开谈到过，在疫情之后，他突然意识到他必须重新构建整个公司。他大幅缩减了团队规模，投入更多精力提高人才密度，并保持团队的小规模。我认为现在他们是科技行业中每位员工的利润率最高或之一的公司。这种认识让他意识到，他不需要继续扩大团队规模就能实现财务收益，或者至少是财务产出。
互动问答
Harry Stebbings：我们来进行一轮快速问答吧。我会做一个简短的陈述，然后请你立即分享你的想法。听起来怎么样？在过去的12个月里，你对什么看法改变最大？
Alexandr Wang：我认为，实际上是关于我们之前讨论的所有这些高速增长的问题，尤其是将团队的快速增长与公司的快速增长区分开来，并更多地投资于质量和卓越。
Harry Stebbings：你听到的关于人工智能的最大误解是什么？
Alexandr Wang：我认为今天最大的误解是，我们与AGI之间的唯一障碍就是计算能力，而实际上我们还需要数据的支持才能达到那里。
Harry Stebbings：你已经有一个很棒的董事会了，但如果你可以从世界上任何非你目前的董事会成员中选择，你会选择谁作为下一个董事会成员？
Alexandr Wang：当然，这可能不太现实，但我确实认为Satya Nadella（微软现任CEO）是现代最杰出的商业战略家之一。他在微软取得的成就相当惊人，我认为任何董事会拥有他都将非常幸运。
Harry Stebbings：我不应该问这个问题，但我还是想问，你觉得你应该被问到，但从未被问过的问题是什么？
Alexandr Wang：一个有趣的问题是，我对人工智能的看法在不同阶段是如何变化的。我之所以提到这个问题，是因为我在2016年创立了公司。公司的前三年完全专注于自动驾驶和自动驾驶汽车。然后我们开始研究人工智能。2019年，我们实际上开始研究生成式AI，并与OpenAI合作研究GPT。因此，我们是少数几个见证了多个人工智能时代的公司之一，也经历了自动驾驶汽车技术的第一个繁荣与衰退周期。这是一个有趣的问题，即在这些时代的成功之处有哪些相同之处，哪些是不同的。
Harry Stebbings：你的看法如何改变？你现在最兴奋的是什么？
Alexandr Wang：我非常兴奋，但我也认为有理由保持谨慎。
Alexandr Wang：我认为在自动驾驶汽车热潮中发生的一件事是，许多承诺与技术现实脱节。因此，许多知名的自动驾驶汽车公司，为了筹集资金，做出了越来越大胆的承诺。这些承诺一开始并没有完全脱离现实，但随着时间的推移，它们变得越来越脱离技术现实。这导致了一个非常痛苦的谷底，因为承诺没有兑现，所以感觉整个行业都在崩溃。
Alexandr Wang：实际上，到今天为止，我们现在看到Waymo在旧金山的街道上行驶。我们看到完全合格的L4级自动驾驶汽车在路上行驶。特斯拉的自动驾驶功能也变得非常好。所以如果我们在这个过程中做出的承诺更加慎重，我认为现在我们会对自动驾驶汽车感到非常满意。然而，实际上我们经历了一个巨大的高潮，一个巨大的谷底，现在可能又处于回升阶段。我认为这是我对生成式AI的一个大担忧，我希望不会发生，但同样的事情可能再次发生。我们现在正在做出一些关于这项技术的非常大的承诺，这些承诺可能会与技术现实脱节，然后这将产生一个必然导致后遗症的差距。
Harry Stebbings：特朗普会赢吗？倒数第二个问题。
Alexandr Wang：我仍然认为这其实是个五五开的问题。美国选举是非常奇怪的事情，因为最终总是由摇摆州来决定。坦率地说，我不信任任何海岸地区的人（我是其中之一，我住在旧金山）能够对摇摆州的局势有细致的理解。所以我完全不知道。我认为任何住在海岸地区的人都不应该被听取意见来判断会发生什么。我认为最终总是归结到摇摆州。
Harry Stebbings：最后一个问题，朋友，十年后的Scale是什么样子？
Alexandr Wang：你知道，我希望我们做的事情和现在非常相似，那就是继续成为人工智能的数据熔炉，并为人工智能的进步提供数据支柱。你知道，有件事情我经常思考。
Harry Stebbings：你想要上市吗？
Alexandr Wang：当然，我确实经常思考的是，如何解决那些永不过时的问题。
Harry Stebbings：但是你想成为一家上市公司的CEO吗？你懂我的意思吗？我看着Stripe，他们做得很好，但如果我是Stripe，我不知道我是否愿意。
Alexandr Wang：上市公司显然有其明显的优势，但我认为Stripe是一家令人难以置信的公司，他们可以极其盈利。因此，他们可以实现所有的核心财务目标而不需要上市。
Harry Stebbings：听着，Alex，我很高兴你能上这个节目。非常感谢你加入我。Allie说的很好，面对面做这个节目真是太棒了。抱歉有那么多曲折转弯，但这次访谈非常精彩。
Alexandr Wang：是的，访谈很愉快。
原文：Alex Wang：Why Data Not Compute is the Bottleneck to Foundation Model Performance
https://www.youtube.com/watch?v=jNbEr9F0wiE
报名即送十月管理论坛名额一个！价值12800元！
开班时间
