整理：Founder Park
YC AI Startup School 的第二天，迎来了 Satya Nadella（Microsoft CEO）、吴恩达（ Deep Learning.AI 创始人）、Chelsea Finn（Physical Intelligence 联创）、Michael Truell（Cursor CEO&联创）、Dylan Field（Figma CEO&联创）、 Andrej Karpathy（特斯拉前 AI 总监）、Sriram Krishnan（白宫人工智能高级政策顾问）七位重磅嘉宾。
围绕 AI 技术、创业等话题，这些大佬们在演讲中分享了许多精彩观点，诸如：
-
不要将 AI 拟人化。AI 不是人，它是一个工具。下一个前沿是赋予它记忆、工具和采取行动的能力，但这与人类的推理能力有本质区别。
-
未来，智能体将成为新一代的计算机。这个未来不仅取决于技术的精确，还取决于用户信任和无缝的交互体验。
-
那些包含反馈循环的产品，如 Agentic AI ，其表现远胜于那些只能「一次性」完成任务的工具。持续的交互能优化成果，而迭代则能带来性能的复合式提升。
-
现在构建原型的速度快了 10 倍，开发生产级软件的效率也提升了 30-50%。应当利用好这个优势，通过实时用户反馈来降低市场风险。
-
代码已不再是过去那种具备稀缺性的核心资产。有了快速原型工具和 AI，代码很容易生产。真正重要的是代码所实现的价值。
-
真实世界的数据无可替代。尽管合成和模拟数据有帮助，但真实数据仍然至关重要，特别是对于复杂的视觉和物理任务。
-
AI 最好的用途是提高迭代速度，而不是追求一键生成的「魔法」。设计师和产品经理现在必须为 AI 评估做出贡献。
除了 Andrej Karpathy（Andrej Karpathy 的分享详见我们昨天的文章《YC AI 创业营第一天，Andrej Karpathy 的演讲刷屏了》）、Sriram Krishnan 外，我们对其余五位嘉宾的分享的核心观点进行了整理。
Microsoft CEO：Satya Nadella
1. 平台的复合效应：AI 并不是凭空出现，而是建立在数十年的云基础设施之上，这些设施已发展到能够支持大规模模型训练。每一代平台都在为下一代平台的出现铺垫。
2. 模型是基建，产品是生态：基础模型是一种基础设施，类似新型的 SQL 数据库。真正的产品不是模型本身，而是围绕它构建的整个生态：反馈循环、工具集成和用户交互。
3. 经济影响是基准：Satya 衡量 AI 价值的北极星指标是：「它是否在创造经济盈余？」如果一项技术不能推动 GDP 增长，那就不是变革性的。
4. 算力与智能的边界：智能水平会随着算力的投入呈对数级增长。但未来的重大突破将不会仅来自规模，而是来自范式转变，如同下一个「规模定律时刻」的到来。
5. 能源与社会共识：AI 的规模化发展将需要更多能源消耗，也需要获得社会的许可。为了赢得许可，我们必须展示出 AI 带来的真实、积极的社会效益足以匹配其成本。
6. AI 的真正瓶颈是变更管理：传统行业发展的障碍不在于技术，而是受固有的工作流程束缚。真正的转型需要重新思考工作如何完成，而不仅仅是简单地引入 AI。
7. 工作角色的融合：在 LinkedIn 等，像设计、前端和产品这样的传统角色正在逐渐融合，催生出「全栈」人才。AI 正让更多人具备跨学科能力，从而加速了这一趋势。
8. 不要低估重复性工作的价值：知识工作中，存在着大量的重复性体力劳动。AI 最好的应用就是消除这种「无形的摩擦成本」，并解放人类的创造力。
9. 对未来保持开放：即便是 Satya 自己也未预见到「测试时计算」和「强化学习」技术进展如此之快。不要假设我们已经看到了 AI 的最终形态，未来很可能有更多突破。
10. 不要将 AI 拟人化：AI 不是人。它是一个工具。下一个前沿是赋予它记忆、工具和采取行动的能力，但这与人类的推理能力有本质区别。
11. 开发的未来：AI 不会取代开发者，而是会成为他们的得力助手。VSCode 是一个与 AI 协作的画布。软件工程的核心将从编写代码，转向系统设计与质量保障。
12. 责任与信任不可或缺：AI 的出现并不能免除人类的责任。公司仍需为其产品的行为负法律责任。这就是为什么隐私、安全和主权必须保持核心地位。
13. 信任源于实用价值：信任来自实用性，而不是花言巧语。Satya 指出，为印度农民部署的聊天机器人就是一个例子，指出看得见的帮助是建立信任的基石。
14. 从语音到智能体：Microsoft 的 AI 旅程始于 1995 年的语音技术。如今，其战略重心已转向功能完备的「智能体」，这些智能体融合了语音、视觉和无处不在的环境计算设备。
15. 智能体即是未来的计算机：Satya 的长期愿景是：「智能体将成为新一代的计算机。」这个未来不仅取决于技术的精确，还取决于用户信任和无缝的交互体验。
16. 关于领导力的启示：他的建议是，从最基层的岗位做起，但要心怀最远大的抱负。要学习如何打造一支团队，而不只是开发一款产品。
17. Satya 寻找的人：他重视这样的人：化繁为简，带来清晰的思路；激发团队活力，凝聚人心；乐于在严苛的限制条件下解决复杂难题。
18. 最喜欢的面试问题：「告诉我一个你曾不知道如何解决的问题，以及你是如何解决它的。他希望从中看到候选人的好奇心、适应能力和毅力。
19. 量子计算的潜力：下一个颠覆性技术可能来自量子领域。Microsoft 正聚焦于「纠错量子比特」的研发，这项技术或将使我们能够以无与伦比的精确度模拟自然世界。
20. 给年轻人的建议：不要坐等他人的许可。去构建能赋予人们真正权力的工具。他时常反思：「我们能创造什么，来帮助他人进行创造？」
21. 最喜欢的产品：VSCode 和 Excel ——因为它们赋予人们超能力。
Deep Learning.AI 创始人：吴恩达
1. 执行速度决定成败：衡量一家初创公司能否成功的最佳指标，是构建、测试和迭代的速度。速度能带来学习的复利效应，AI 让这一效应呈指数级增长。
2. 多数机会在应用层：目前最大的收益并非来自构建新模型，而是将现有模型应用于有价值、面向用户的场景中。这才是创始人应该关注的地方。
3. Agentic AI 优于「一次性」工具：那些包含反馈循环的产品，如 Agentic AI ，其表现远胜于那些只能「一次性」完成任务的工具。持续的交互能优化成果，而迭代则能带来性能的复合式提升。
4. 「编排层」正在兴起：在基础模型和应用之间，一个新兴的中间层正在形成：代理式编排。这一层能够支持跨工具和数据源的复杂多步任务。
5. 想法越具体，执行越迅速：快速行动的最佳方式是从一个具体的想法开始，一个细节充足到工程师可以立即开始构建的想法。好的具体想法，通常来自具有直觉般清晰度的领域专家。
6. 警惕「宏大叙事」的陷阱：「AI 赋能医疗」这类抽象目标听起来雄心勃勃，但往往导致执行迟缓。真正能带来效率的，是诸如「MRI 预约自动化」这类具体而微的工具。
7. 勇于调整方向，前提是走对第一步：如果早期数据显示你的想法行不通，一个具体的初始方案会让你更容易转向。清晰地了解你在测试什么，才能在失败后快速转向另一个方向。
8. 利用反馈循环规避风险：现在构建原型的速度快了 10 倍，开发生产级软件的效率也提升了 30-50%。应当利用好这个优势，通过实时用户反馈来降低市场风险。
9. 多做尝试，而不是追求完美：不要试图完善你的第一个版本。构建 20 个粗糙的原型，看看哪个能留存下来。学习的速度比打磨更重要。
10. 快速行动并负责：吴恩达重新诠释了硅谷的经典信条：不要「快速行动，打破陈规」，而要「快速行动，并承担责任」。责任感是建立信任的基石。
11. 代码正在失去其稀缺价值：代码已不再是过去那种具备稀缺性的核心资产。有了快速原型工具和 AI，代码很容易生产。真正重要的是代码所实现的价值。
12. 技术架构是可逆的：过去，选择一个架构曾是单向决定。现在它是一扇双向门，更换架构的成本大大降低。这种灵活性鼓励了更大胆的尝试和更快的实验。
13. 人人都该学编程：「别学编程」的论调是种误导。当年从汇编语言转向高级语言时，人们也曾有过类似的担忧。AI 正让编程的门槛降低，未来更多岗位的人都应该掌握编程能力。
14. 领域知识让 AI 更好：对特定领域的深刻理解，能让你更好地运用 AI。艺术史学家能写出更好的图像提示。医生能塑造更好的健康 AI。创始人应该将领域知识与 AI 素养结合起来。
15. 产品经理现在是瓶颈：现在，新的制约因素不是工程，而是产品管理。吴恩达的某团队甚至建议将产品经理与工程师的配比调整为 2:1，以加速反馈和决策流程。
16. 工程师需要产品思维：具有产品直觉的工程师行动更快，开发出的产品更好。仅有技术能力是不够的，开发者同样需要深刻理解用户需求。
17. 以最快速度获取反馈：吴恩达推崇的速度层级（从最快到最慢）：内部 Dogfood （产品自测） -> 征求朋友意见 -> 询问陌生人 -> 向千名用户小规模发布 -> 进行全球 A/B 测试。创业者应尽快沿此路径向上攀登。
18. 深厚的 AI 知识仍是护城河：AI 素养尚未普及。那些真正理解 AI 技术原理的人依然拥有巨大优势——他们能以更智能、更高效、更自主的方式进行创新。
19. 炒作 ≠ 真相：警惕那些听起来令人印象深刻但主要用于筹款或提升地位的叙事。像 AGI、灭绝和无限智能这类术语，通常是炒作的信号，而非影响力的信号。
20. 安全关乎使用，而非技术本身：「AI 安全」这个概念常被误解。AI 就像电或火，本身无所谓好坏，取决于如何应用。安全关乎使用，而不是工具本身。
21. 唯一重要的是用户是否喜爱：不必过分纠结于模型成本或性能基准。唯一需要关心的问题是：你是否在创造一款用户真正喜爱并愿意持续使用的产品？
22. 教育 AI 仍在探索期：Kira Learning 等公司正在进行大量实验，但 AI 在教育领域的终局形态尚不明朗。我们仍处于转型的早期阶段。
23. 警惕「末日论」和「监管俘获」：对 AI 的过度恐惧正被用来为保护现有企业的法规辩护。要对那些有利于已掌权者的「AI 安全」叙事持怀疑态度。
Physical Intelligence 联创：Chelsea Finn
1. 机器人技术需要全栈思维：你不能只是将机器人技术添加到一个现有公司。你需要从零开始构建整个技术栈——数据、模型、部署。
2. 数据质量胜过数量：来自行业、YouTube 或模拟环境的海量数据集，往往缺乏多样性与真实性。正确、高质量的数据比规模更重要。
3. 最佳模式：预训练 + 微调：先在广泛的数据集上进行预训练，再利用约 1000 个高质量、场景一致的样本进行微调，这种方法能显著提升机器人性能。
4. 通用型机器人将超越专用型：那些能够跨越不同任务和硬件平台（如第三方机器人）的通用模型，正被证明比为特定目的构建的系统更成功。
5. 真实世界数据无可替代：尽管合成和模拟数据有帮助，但真实数据仍然至关重要，特别是对于复杂的视觉和物理任务。
6. 资源过多可能适得其反：过度资助或将事情过度复杂化会减缓进展。问题的清晰度和专注的执行最为重要。
Cursor CEO&联创：Michael Truell
1. 尽早开始并持续构建：即使合伙人中间退出了，Michael 依然继续编程。早期的病毒式传播（一个 Flappy Bird 的仿品）帮助他建立了信心和技能。
2. 快速验证，即便在不熟悉的领域：他们的团队在没有先前经验的情况下，构建了一个机械工程领域的编程助手。他们的信条是「在实践中学习」。
3. 差异化定位，无需畏惧巨头：他们曾犹豫是否要与 GitHub Copilot 竞争，但后来意识到，鲜有公司以实现「全流程开发自动化」为目标。这一定位为他们打开了市场。
4. 从代码到发布，快速行动：从第一行代码到公开发布，他们只花了 3 个月。快速迭代帮助他们迅速校准了产品方向。
5. 专注胜过复杂：他们果断放弃了同时开发 IDE （集成开发环境） 和 AI 工具的计划。专注于 AI 功能本身，有了更快的发展。
6. 分发可以从一条推文开始：Cursor 的早期用户增长，源于联合创始人在社交媒体上的一条推文。在正式市场推广前，口碑传播已是主要驱动力。
7. 执行力的复利效应：2024 年，Cursor 的年化经常性收入在一年内从 100 万美元增长至 1 亿美元，在产品改进和用户需求的推动下，实现了 10% 的周复合增长。
8. 最佳建议，跟随你的好奇心：忘掉那些为了美化简历而做的事。Michael 的主要建议是：与聪明人一起做你感兴趣的事。
Figma CEO&联创：Dylan Field
1. 找一个能激励你的联合创始人：Dylan 的动力来自于与他的联合创始人 Evan Wallace 合作，「每周都感觉像在创造未来。」
2. 尽早开始，边做边学：Dylan 19 岁还在上大学时就开始了创业项目。早期如「表情包生成器」等项目的失败，最终磨砺出 Figma 这样伟大的构想。
3. 快速发布，更快获得反馈：他们通过邮件联系早期用户，进行快速迭代，并从一开始就坚持收费。反馈是产品演进的持续驱动力。
4. 将长期路线图拆解为短期冲刺：将宏大愿景分解为更小的部分，是确保速度与执行力的关键。
5. 产品市场契合可能需要数年：Figma 花了五年时间才等到一个决定性的信号：Microsoft 提出，如果 Figma 再不收费，他们将不得不取消合作。
6. 设计是新的差异化因素：他相信由于 AI 的崛起，设计正变得越来越重要。Figma 也正通过推出 Draw、Buzz、Sites 和 Make 等一系列新产品来顺应这一趋势。
7. 利用 AI 加速原型设计：AI 最好的用途是提高迭代速度，而不是追求一键生成的「魔法」。设计师和产品经理现在必须为 AI 评估做出贡献。
8. 拥抱拒绝，而非逃避：童年时期的表演经历，让 Dylan 学会了坦然面对批评和反馈。他认为，被拒绝是通往成功之路的一部分。
9. 人际连接永远是核心：警告不要用 AI 取代人际关系。当被问及生命的意义时，他回答：「探索意识，坚持学习，分享爱。」
