整理：Founder Park
YC AI Startup School 的第二天，迎來了 Satya Nadella（Microsoft CEO）、吳恩達（ Deep Learning.AI 創始人）、Chelsea Finn（Physical Intelligence 聯創）、Michael Truell（Cursor CEO&聯創）、Dylan Field（Figma CEO&聯創）、 Andrej Karpathy（特斯拉前 AI 總監）、Sriram Krishnan（白宮人工智能高級政策顧問）七位重磅嘉賓。
圍繞 AI 技術、創業等話題，這些大佬們在演講中分享了許多精彩觀點，諸如：
不要將 AI 擬人化。AI 不是人，它是一個工具。下一個前沿是賦予它記憶、工具和採取行動的能力，但這與人類的推理能力有本質區別。
未來，智能體將成爲新一代的計算機。這個未來不僅取決於技術的精確，還取決於用戶信任和無縫的交互體驗。
那些包含反饋循環的產品，如 Agentic AI ，其表現遠勝於那些只能「一次性」完成任務的工具。持續的交互能優化成果，而迭代則能帶來性能的複合式提升。
現在構建原型的速度快了 10 倍，開發生產級軟件的效率也提升了 30-50%。應當利用好這個優勢，通過實時用戶反饋來降低市場風險。
代碼已不再是過去那種具備稀缺性的核心資產。有了快速原型工具和 AI，代碼很容易生產。真正重要的是代碼所實現的價值。
真實世界的數據無可替代。儘管合成和模擬數據有幫助，但真實數據仍然至關重要，特別是對於複雜的視覺和物理任務。
AI 最好的用途是提高迭代速度，而不是追求一鍵生成的「魔法」。設計師和產品經理現在必須爲 AI 評估做出貢獻。
除了 Andrej Karpathy（Andrej Karpathy 的分享詳見我們昨天的文章(YC AI 創業營第一天，Andrej Karpathy 的演講刷屏了)）、Sriram Krishnan 外，我們對其餘五位嘉賓的分享的核心觀點進行了整理。
Microsoft CEO：Satya Nadella
1. 平臺的複合效應：AI 並不是憑空出現，而是建立在數十年的雲基礎設施之上，這些設施已發展到能夠支持大規模模型訓練。每一代平臺都在爲下一代平臺的出現鋪墊。
2. 模型是基建，產品是生態：基礎模型是一種基礎設施，類似新型的 SQL 數據庫。真正的產品不是模型本身，而是圍繞它構建的整個生態：反饋循環、工具集成和用戶交互。
3. 經濟影響是基準：Satya 衡量 AI 價值的北極星指標是：「它是否在創造經濟盈餘？」如果一項技術不能推動 GDP 增長，那就不是變革性的。
4. 算力與智能的邊界：智能水平會隨着算力的投入呈對數級增長。但未來的重大突破將不會僅來自規模，而是來自範式轉變，如同下一個「規模定律時刻」的到來。
5. 能源與社會共識：AI 的規模化發展將需要更多能源消耗，也需要獲得社會的許可。爲了贏得許可，我們必須展示出 AI 帶來的真實、積極的社會效益足以匹配其成本。
6. AI 的真正瓶頸是變更管理：傳統行業發展的障礙不在於技術，而是受固有的工作流程束縛。真正的轉型需要重新思考工作如何完成，而不僅僅是簡單地引入 AI。
7. 工作角色的融合：在 LinkedIn 等，像設計、前端和產品這樣的傳統角色正在逐漸融合，催生出「全棧」人才。AI 正讓更多人具備跨學科能力，從而加速了這一趨勢。
8. 不要低估重複性工作的價值：知識工作中，存在着大量的重複性體力勞動。AI 最好的應用就是消除這種「無形的摩擦成本」，並解放人類的創造力。
9. 對未來保持開放：即便是 Satya 自己也未預見到「測試時計算」和「強化學習」技術進展如此之快。不要假設我們已經看到了 AI 的最終形態，未來很可能有更多突破。
10. 不要將 AI 擬人化：AI 不是人。它是一個工具。下一個前沿是賦予它記憶、工具和採取行動的能力，但這與人類的推理能力有本質區別。
11. 開發的未來：AI 不會取代開發者，而是會成爲他們的得力助手。VSCode 是一個與 AI 協作的畫布。軟件工程的核心將從編寫代碼，轉向系統設計與質量保障。
12. 責任與信任不可或缺：AI 的出現並不能免除人類的責任。公司仍需爲其產品的行爲負法律責任。這就是爲什麼隱私、安全和主權必須保持核心地位。
13. 信任源於實用價值：信任來自實用性，而不是花言巧語。Satya 指出，爲印度農民部署的聊天機器人就是一個例子，指出看得見的幫助是建立信任的基石。
14. 從語音到智能體：Microsoft 的 AI 旅程始於 1995 年的語音技術。如今，其戰略重心已轉向功能完備的「智能體」，這些智能體融合了語音、視覺和無處不在的環境計算設備。
15. 智能體即是未來的計算機：Satya 的長期願景是：「智能體將成爲新一代的計算機。」這個未來不僅取決於技術的精確，還取決於用戶信任和無縫的交互體驗。
16. 關於領導力的啓示：他的建議是，從最基層的崗位做起，但要心懷最遠大的抱負。要學習如何打造一支團隊，而不只是開發一款產品。
17. Satya 尋找的人：他重視這樣的人：化繁爲簡，帶來清晰的思路；激發團隊活力，凝聚人心；樂於在嚴苛的限制條件下解決複雜難題。
18. 最喜歡的面試問題：「告訴我一個你曾不知道如何解決的問題，以及你是如何解決它的。他希望從中看到候選人的好奇心、適應能力和毅力。
19. 量子計算的潛力：下一個顛覆性技術可能來自量子領域。Microsoft 正聚焦於「糾錯量子比特」的研發，這項技術或將使我們能夠以無與倫比的精確度模擬自然世界。
20. 給年輕人的建議：不要坐等他人的許可。去構建能賦予人們真正權力的工具。他時常反思：「我們能創造什麼，來幫助他人進行創造？」
21. 最喜歡的產品：VSCode 和 Excel ——因爲它們賦予人們超能力。
Deep Learning.AI 創始人：吳恩達
1. 執行速度決定成敗：衡量一家初創公司能否成功的最佳指標，是構建、測試和迭代的速度。速度能帶來學習的複利效應，AI 讓這一效應呈指數級增長。
2. 多數機會在應用層：目前最大的收益並非來自構建新模型，而是將現有模型應用於有價值、面向用戶的場景中。這纔是創始人應該關注的地方。
3. Agentic AI 優於「一次性」工具：那些包含反饋循環的產品，如 Agentic AI ，其表現遠勝於那些只能「一次性」完成任務的工具。持續的交互能優化成果，而迭代則能帶來性能的複合式提升。
4. 「編排層」正在興起：在基礎模型和應用之間，一個新興的中間層正在形成：代理式編排。這一層能夠支持跨工具和數據源的複雜多步任務。
5. 想法越具體，執行越迅速：快速行動的最佳方式是從一個具體的想法開始，一個細節充足到工程師可以立即開始構建的想法。好的具體想法，通常來自具有直覺般清晰度的領域專家。
6. 警惕「宏大敘事」的陷阱：「AI 賦能醫療」這類抽象目標聽起來雄心勃勃，但往往導致執行遲緩。真正能帶來效率的，是諸如「MRI 預約自動化」這類具體而微的工具。
7. 勇於調整方向，前提是走對第一步：如果早期數據顯示你的想法行不通，一個具體的初始方案會讓你更容易轉向。清晰地瞭解你在測試什麼，才能在失敗後快速轉向另一個方向。
8. 利用反饋循環規避風險：現在構建原型的速度快了 10 倍，開發生產級軟件的效率也提升了 30-50%。應當利用好這個優勢，通過實時用戶反饋來降低市場風險。
9. 多做嘗試，而不是追求完美：不要試圖完善你的第一個版本。構建 20 個粗糙的原型，看看哪個能留存下來。學習的速度比打磨更重要。
10. 快速行動並負責：吳恩達重新詮釋了硅谷的經典信條：不要「快速行動，打破陳規」，而要「快速行動，並承擔責任」。責任感是建立信任的基石。
11. 代碼正在失去其稀缺價值：代碼已不再是過去那種具備稀缺性的核心資產。有了快速原型工具和 AI，代碼很容易生產。真正重要的是代碼所實現的價值。
12. 技術架構是可逆的：過去，選擇一個架構曾是單向決定。現在它是一扇雙向門，更換架構的成本大大降低。這種靈活性鼓勵了更大膽的嘗試和更快的實驗。
13. 人人都該學編程：「別學編程」的論調是種誤導。當年從彙編語言轉向高級語言時，人們也曾有過類似的擔憂。AI 正讓編程的門檻降低，未來更多崗位的人都應該掌握編程能力。
14. 領域知識讓 AI 更好：對特定領域的深刻理解，能讓你更好地運用 AI。藝術史學家能寫出更好的圖像提示。醫生能塑造更好的健康 AI。創始人應該將領域知識與 AI 素養結合起來。
15. 產品經理現在是瓶頸：現在，新的制約因素不是工程，而是產品管理。吳恩達的某團隊甚至建議將產品經理與工程師的配比調整爲 2:1，以加速反饋和決策流程。
16. 工程師需要產品思維：具有產品直覺的工程師行動更快，開發出的產品更好。僅有技術能力是不夠的，開發者同樣需要深刻理解用戶需求。
17. 以最快速度獲取反饋：吳恩達推崇的速度層級（從最快到最慢）：內部 Dogfood （產品自測） -> 徵求朋友意見 -> 詢問陌生人 -> 向千名用戶小規模發佈 -> 進行全球 A/B 測試。創業者應儘快沿此路徑向上攀登。
18. 深厚的 AI 知識仍是護城河：AI 素養尚未普及。那些真正理解 AI 技術原理的人依然擁有巨大優勢——他們能以更智能、更高效、更自主的方式進行創新。
19. 炒作 ≠ 真相：警惕那些聽起來令人印象深刻但主要用於籌款或提升地位的敘事。像 AGI、滅絕和無限智能這類術語，通常是炒作的信號，而非影響力的信號。
20. 安全關乎使用，而非技術本身：「AI 安全」這個概念常被誤解。AI 就像電或火，本身無所謂好壞，取決於如何應用。安全關乎使用，而不是工具本身。
21. 唯一重要的是用戶是否喜愛：不必過分糾結於模型成本或性能基準。唯一需要關心的問題是：你是否在創造一款用戶真正喜愛並願意持續使用的產品？
22. 教育 AI 仍在探索期：Kira Learning 等公司正在進行大量實驗，但 AI 在教育領域的終局形態尚不明朗。我們仍處於轉型的早期階段。
23. 警惕「末日論」和「監管俘獲」：對 AI 的過度恐懼正被用來爲保護現有企業的法規辯護。要對那些有利於已掌權者的「AI 安全」敘事持懷疑態度。
Physical Intelligence 聯創：Chelsea Finn
1. 機器人技術需要全棧思維：你不能只是將機器人技術添加到一個現有公司。你需要從零開始構建整個技術棧——數據、模型、部署。
2. 數據質量勝過數量：來自行業、YouTube 或模擬環境的海量數據集，往往缺乏多樣性與真實性。正確、高質量的數據比規模更重要。
3. 最佳模式：預訓練 + 微調：先在廣泛的數據集上進行預訓練，再利用約 1000 個高質量、場景一致的樣本進行微調，這種方法能顯著提升機器人性能。
4. 通用型機器人將超越專用型：那些能夠跨越不同任務和硬件平臺（如第三方機器人）的通用模型，正被證明比爲特定目的構建的系統更成功。
5. 真實世界數據無可替代：儘管合成和模擬數據有幫助，但真實數據仍然至關重要，特別是對於複雜的視覺和物理任務。
6. 資源過多可能適得其反：過度資助或將事情過度複雜化會減緩進展。問題的清晰度和專注的執行最爲重要。
Cursor CEO&聯創：Michael Truell
1. 儘早開始並持續構建：即使合夥人中間退出了，Michael 依然繼續編程。早期的病毒式傳播（一個 Flappy Bird 的仿品）幫助他建立了信心和技能。
2. 快速驗證，即便在不熟悉的領域：他們的團隊在沒有先前經驗的情況下，構建了一個機械工程領域的編程助手。他們的信條是「在實踐中學習」。
3. 差異化定位，無需畏懼巨頭：他們曾猶豫是否要與 GitHub Copilot 競爭，但後來意識到，鮮有公司以實現「全流程開發自動化」爲目標。這一定位爲他們打開了市場。
4. 從代碼到發佈，快速行動：從第一行代碼到公開發布，他們只花了 3 個月。快速迭代幫助他們迅速校準了產品方向。
5. 專注勝過複雜：他們果斷放棄了同時開發 IDE （集成開發環境） 和 AI 工具的計劃。專注於 AI 功能本身，有了更快的發展。
6. 分發可以從一條推文開始：Cursor 的早期用戶增長，源於聯合創始人在社交媒體上的一條推文。在正式市場推廣前，口碑傳播已是主要驅動力。
7. 執行力的複利效應：2024 年，Cursor 的年化經常性收入在一年內從 100 萬美元增長至 1 億美元，在產品改進和用戶需求的推動下，實現了 10% 的周複合增長。
8. 最佳建議，跟隨你的好奇心：忘掉那些爲了美化簡歷而做的事。Michael 的主要建議是：與聰明人一起做你感興趣的事。
Figma CEO&聯創：Dylan Field
1. 找一個能激勵你的聯合創始人：Dylan 的動力來自於與他的聯合創始人 Evan Wallace 合作，「每週都感覺像在創造未來。」
2. 儘早開始，邊做邊學：Dylan 19 歲還在上大學時就開始了創業項目。早期如「表情包生成器」等項目的失敗，最終磨礪出 Figma 這樣偉大的構想。
3. 快速發佈，更快獲得反饋：他們通過郵件聯繫早期用戶，進行快速迭代，並從一開始就堅持收費。反饋是產品演進的持續驅動力。
4. 將長期路線圖拆解爲短期衝刺：將宏大願景分解爲更小的部分，是確保速度與執行力的關鍵。
5. 產品市場契合可能需要數年：Figma 花了五年時間纔等到一個決定性的信號：Microsoft 提出，如果 Figma 再不收費，他們將不得不取消合作。
6. 設計是新的差異化因素：他相信由於 AI 的崛起，設計正變得越來越重要。Figma 也正通過推出 Draw、Buzz、Sites 和 Make 等一系列新產品來順應這一趨勢。
7. 利用 AI 加速原型設計：AI 最好的用途是提高迭代速度，而不是追求一鍵生成的「魔法」。設計師和產品經理現在必須爲 AI 評估做出貢獻。
8. 擁抱拒絕，而非逃避：童年時期的表演經歷，讓 Dylan 學會了坦然面對批評和反饋。他認爲，被拒絕是通往成功之路的一部分。
9. 人際連接永遠是核心：警告不要用 AI 取代人際關係。當被問及生命的意義時，他回答：「探索意識，堅持學習，分享愛。」
