我是谁
AI是如何变成一门关于钢铁、电力与土地的生意的？_我的网站
A | 提前说一句： 这篇文章不好读，甚至有点“烧脑”；但没关系，你读下去就会发现，我讲是 AI 背后的资本、人心和周期。 作为AI领域最有影响力的科学家之一，Thinking Machines联合创始人、前OpenAI研究副总裁Lilian Weng的很多研究方向、研究思考和研究方法对今天的AI从业者带来很多启发。
B | 10月18日，在离开OpenAI，联合创办Thinking Machines后，Lilian Weng在硅谷难得地参加了一场公开对话。 国庆刚过，全球资本市场又传来新动静。
C | 在这场华源Hysta2025年年会的炉边对谈里，她和主持人、硅谷知名投资人Connie Chan聊了聊她自己的研究经历、研究习惯、在OpenAI的研究思考和Thinking Machines的发展方向。 这次是更大的资本层面，10 月 15 日，一笔高达 400 亿美元的收购案敲定：几家美国头部投资机构联合买下了全球最大的数据中心之一。 以下为现场实录。 前一天，Google 也在印度宣布，要砸 150 亿美元建一个新的 AI 枢纽。 “数学竞赛让我知道我只是一个普通人” Connie：大家好！今天的fireside chat嘉宾是Lilian Weng。我相信她是许多人心目中的榜样。 听起来离我们很远，但这两件事，有点意思：所有人都还在谈模型、谈智能体时，国外资本悄悄开始“砌砖”了；他们不再炒算法，也不太关心应用层，而是集体冲向一件事：地基。我先简单介绍一下她的背景，虽然我想在座的很多人已经很熟悉她了。Lilian Weng是Thinking Machines的联合创始人，曾任OpenAI的研究副总裁。 所以，我这几天一直在想：为什么所有人都在往天上看，这些公司开始往地下投入？ 01 要理解这波 AI 热潮，得先看看钱都去了哪。在OpenAI期间，她带领团队让机器人学会解决非常复杂的任务，比如让机械手解开魔方。她还创立了Applied AI Research Team和AI Safety Team，建立了许多如今ChatGPT用户都在受益的行业标准。
D | 她毕业于北大，在印第安纳大学拿到博士学位。今天我特别期待能深入交流。
E | 我翻了一波数据，挺夸张。
F | 通常我做fireside chat时，都会先了解嘉宾本人——所以我很好奇，你的朋友们会用哪些词形容你？ Lilian:谢谢Connie这么热情的介绍。 截至 2025 年 6 月，美国的数据中心施工支出，按年化口径算，已经冲到 400 亿美元，比去年多了大概 30%。这是美国银行研究院根据商务部数据做的统计，路透也有同样口径的报道。 放到全球看更离谱。 麦肯锡测算，到 2030 年，全球为了满足算力需求，得砸进去差不多 6.7 万亿美元 的数据中心投资，其中面向 AI 工作负载的部分，就要占掉五万多亿。希望今天可以多聊一些。 连 IMF 都在报告里点名，说今年美国能顶住下行压力，靠的就是这波 AI 投资热潮。
G | 啥意思呢？ 大家嘴上都在谈“模型”，但钱，全在砸电、地皮和“冷却系统”这些物理地基。 如果说性格，我的朋友会觉得我非常有条理、有耐心。我认为自己最重要的特质是“坚持”和“谦逊”。 我认为，这是一场“重力回归”；过去十年，互联网让资本习惯了轻逻辑——复制快、成本低、边际收益高；但到了 AI 时代，逻辑彻底反了。 AI 越聪明，背后算力越重；模型越大，能耗越高。
H | 于是，过去玩算法的人，现在开始买电站、建机房、谈地租。这是让我能不断学习新东西的唯一方式。
I | 因为在我们的领域里，永远没有一个“知道一切”的天花板——每天都有新知识出现，你必须不停追赶。 这是 AI 行业最被忽视的转折点，它的本质，正在从“智力游戏”，变成“物理战争”。 要让一个 10 万亿参数的大模型跑起来，不光要 GPU，还得要电力、冷却系统、稳定的网络；就像人类第一次发电、第一次造飞机一样，AI 也正式进入了自己的“重工业时代”。 所以，AI 是一门需要“钢铁、土地、水电”的生意。 现在全球最赚钱的几家公司，几乎都成了算力供应商；英伟达靠芯片狂赚，微软在拼命扩张数据中心，这叫什么？新一轮“数字淘金热”。 Connie：这种坚持学习的特质让人印象深刻。
J | 只是这次，真正挖矿的，是资本。 我觉得，这股风背后藏着更深一层逻辑：AI 在“重新中心化”。 以后，每一个数据中心，都是新的“城市节点”；每一次基建投资，都是新的“能量调度”。当数据、算力、电力、土地绑在一起，全球资源的棋盘也被重新摆了一遍。
K | 所以，这就是所谓的“AI 的物理化拐点”：过去两年，AI 靠语言模型讲故事；接下来几年，它要靠电网、地皮兑现未来。 不过，但当所有事情都开始落地，新问题也跟着来了。比如：资本变重，意味着资金周期拉长；投入越多，回本越慢。你的成长经历里，有没有什么时刻让你形成了这种心态？ Lilian：有时我也会反思这个问题，回想我的成长经历和童年。那这笔钱，到底多久能回本？ 02 AI 的基础设施投资，周期长、折旧重、成本高，最怕的就是“兑现慢”。偏偏，这个赛道，就是慢的。有一件事我认为对我的职业生涯产生了重要影响，那就是我从小就参加数学竞赛，一直持续到大学前……我很早就对数学产生了浓厚的兴趣。 这两年，投资人的情绪，像过山车一样。 2023 年是兴奋，ChatGPT 带来一场信仰暴涨，大家一股脑儿冲进来；2024 年是期待，所有人都在等，AI 什么时候能变成利润？到了 2025 年，投资人开始焦虑了，因为账算不明白了。 我让 agent 跑了几份报告。数字挺扎眼： 美国 AI 板块的市盈率，从 2023 年的 58 倍，掉到今年 35 倍左右；大模型公司几乎都在亏，AI 云服务的成本还在涨。 这是市场正式进入“报表周期”的信号；以前资本靠故事喂饱，现在要看表格：要收入曲线，要现金流，要回报周期；所以，耐心就成了奢侈品。这段经历教会我的是，我因此认识了很多数学天才，并意识到无论我多努力，无论我在班级或学校里感觉多优秀，我与他们的天赋之间仍然存在巨大的鸿沟。 我有几个做投研的朋友，年初还信心满满，现在开始算账了。他们说，AI 的“兑现逻辑”太模糊： 技术在进步，生产率却没明显提升；模型越大，算力越贵；企业买了 AI 服务，却还不知道自己到底在买什么；结果就是：资本陷入一种很微妙的状态，不能撤，也不敢加。 我觉得，这是一种“认知疲劳”；AI 在叙事上太快，在兑现上太慢，2023 年，是叙事泡沫；2025 年，成了现金流困境。
L | 我不得不承认，这个世界上总有比你更优秀的人，你必须拼尽全力，才能与他们并肩而立。 市场也慢慢意识到这场革命，没那么快，也没那么便宜。
M | 从心理层面看，这是“耐心的价格”问题；利率还没降，通胀又高，等待本身就有成本，每一个季度，都是投资人的煎熬期，因为资本时间，也在计息。这件事让我保持谦逊，让我觉得，是的，你只是个普通人，努力奋斗吧。 AI 的真正矛盾，是节奏，技术是指数级的，商业兑现是线性的，两条线放在一起，落差越来越大，市场情绪自然开始波动，所以，现在投资者最担心“未来太慢”。 这也是为什么，最近很多 AI 投资报告都在写“分化”两个字。
N | 因为大模型厂商还在烧钱，小模型公司反而活得很滋润；硬件厂商利润暴涨，软件增长却放缓，AI 的财富效应，开始反转。 这种节奏下，投资者耐心像一根橡皮筋，越拉越紧，迟早要断；而当资本开始变得急躁，现实世界的反应也开始变形。 Connie：这个体会挺反直觉的——数学竞赛反而教会你自己其实是个“普通人”。 孙正义今年也出手了。 另外，你对学习的热爱是怎么开始的？你要跟上其他人，但同时你自己也要是充满好奇心的。 Lilian：小时候我家有一套百科全书，我特别喜欢读——各种主题都有。
o | Connie：你们（观众）有人是读百科全书长大的么？ Lilian：可能现在的孩子他们可以读wikipedia。 2025 年 3 月，软银在日本大阪买下前夏普的液晶工厂，要改造成 AI 数据中心；三个月后，他又在亚利桑那抛出一个更大的计划：要建一个价值 1 万亿美元的“AI 基础设施园区”。 Connie：你都读哪些科目？ Lilian：我最爱的是天文学、生物学、数学，甚至占星学。我觉得学习新知识、拓展视野的感觉非常愉快。 这是他为数不多公开的几次发声之一，这位押中过阿里巴巴、Arm 的老赌徒，又开始新一轮 All in。 我觉得，这种反常的勇气是一种“逆周期耐心”，别人犹豫，他加码；别人担心回本，他赌长期；这就是，这场浪潮最真实的注脚：技术在上升，资本在下潜。后来当我接触到深度学习（deep learning）时，这种感觉又回来了——我当时想：“天哪，这个领域太迷人了。 03 要知道，AI 现在最大的问题，不在算法，在能量。 我看了一组数据——挺吓人。 美国一家超大型数据中心，每年的耗电量，相当于一个十万人口城市的总用电；另一份报告说，一家云计算巨头，一年为了冷却服务器，要用掉超过 十亿升水。
p | 这是什么概念？在一个干旱地区几乎要抽干一条小河。 AI 的胃口，正在被全球放大，算法每进化一点，背后的能耗就得再涨一截；从电力，到冷却系统，再到土地供应，它已经成了一场现实世界的“大胃口革命”。
q | 这是 AI 热潮最容易被忽略的另一面，它吞掉的，不只是算力资源，更是社会的公共资源。
r | 我查了下，在亚利桑那，当地居民抗议，说数据中心“把城市的水都喝光了”；在墨西哥，有人举牌反对，因为机房让他们断电； 在印度，Google 的新基地刚立项，当地媒体就在问：电够不够？水从哪来？ 这些新闻看起来琐碎，其实说明一件事，技术正在碰到土地的边界；我觉得，这才是真实的“AI 落地”，它砸进了现实。 从地缘角度看，这场“能量战争”已经开始外溢了，美国在抢电，中东国家在建“数据沙漠”，印度、印尼、越南在争“算力落地权”，过去十年我们争“数据主权”，现在争“算力主权”。 谁掌握能源，谁就能喂饱算法。
s | ”也正是这种好奇心让我加入了OpenAI。 在OpenAI早期做研究，感受到的“现实扭曲场”时刻 Connie：你是在2017年加入OpenAI的，对吧？ Lilian：对，我是在2017年11月面试。当时OpenAI还是一个非营利组织，那时AGI（通用人工智能）还不是个热门概念。技术要速度，社会要秩序，而能源，正好卡在两者之间。 我认为，这场基础设施革命，说到底，是资本和自然的一场博弈；从煤炭、石油，到算力、电力——每一次技术革命，本质上，都是“能量的重新分配”；只是这次，我们换了个名字，叫 AI。 但革命从来不会只属于赢家，当能源紧张、社区反弹、环境受损，技术的光亮，也会投下阴影。当时最让我印象深刻的是那群人都充满热情，他们在研究一些极其前沿、甚至有点疯狂的想法，而且动机都不是为了钱，而是对知识的好奇与实验的乐趣。 所以我现在更想问： 当资源吃紧、环境反弹，人类还会继续押注 AI 吗？我想，会的。 Connie：当时团队有多少人？ Lilian：大概60人。
t | Connie：哇，太不可思议了。因为我们押的，从来不只是技术，更像一场关于“信仰”的循环。
u | 我想从你在OpenAI的第一个项目开始聊起，就是你用机器人解魔方的那个项目……跟我们讲讲当时机器人技术的发展状况是怎样的？你在做那个项目时有哪些“顿悟时刻”？当初为什么会想做这件事？ Lilian:那是我做过的最酷的项目之一，可能也是最难的。当时机器人领域已经开始拥抱深度学习模型。 04 蒸汽机、电力、互联网——每一次都被当成“救赎”，人类在焦虑时，总需要一个能让自己相信的东西，它可以是上帝，也可以是代码。所以我们项目的初衷是探索我们是否能在纯模拟环境中训练一个策略模型来完全控制机器人，不使用任何真实世界的数据，去解决一个极其复杂和具有挑战性的机器人任务。 AI 是最新的一种形式。
v | 在当时如果你去任何一个学术会议，讨论感知、导航和操控三大方向，人们总会说操控（manipulation）最难，因为几乎不可能精准模拟真实物理交互。我现在仍然认为我们不能100%准确的为此建模。 它让我们觉得，复杂世界终于能被计算，混乱情绪终于能被理解，甚至连人生的选择，也能“交给算法”，技术越强，人越想靠近它，那种力量，像极了确定感。 但问题是：技术再完美，也没法替我们过生活。
w | 所以我们就选择了它。然后我们继续挑具体任务，同样是考虑什么是最复杂的，那就是解决一个任务，动用你所有的手指，这个可能是最难的我们就从这开始。这其实有点疯狂。 我必须说，在项目结束时，我仍然对我们做到了感到惊讶。 我见过太多这样的循环。 热潮来时，人们谈未来；退潮之后，人们谈幻灭；可只要下一波技术再出现，大家又会重新相信：这次不一样；所以，泡沫没有对错，它只是提前兑现了我们的渴望。
x | 你看，铁路泡沫留下了铁路，互联网泡沫留下了网络，AI泡沫，也会留下算力、模型、数据和基础设施。 编者注： 策略模型(Policy Model):在强化学习中，“策略”定义了智能体（Agent）在特定状态下应该采取什么行动。策略模型就是一个学习和代表这个策略的神经网络。 这是人类的本能：我们用希望推动世界，然后再用幻灭修正方向；信仰生于焦虑，泡沫源于信仰，而价值，总在泡沫之后出现。 领域随机化(Domain Randomization):一种“模拟到现实”（Sim-to-Real）的迁移学习技术。 所以，当泡沫褪去，我们是否记得当初为什么相信？ AI 带来了效率，也带来了幻觉，它让人类第一次面对一个更‘聪明’的存在——但聪明，不等于理解；当机器开始回答一切，我们也许更容易忘了问“为什么”。
y | 它通过在模拟环境中生成大量具有不同物理和视觉属性（如光照、纹理、摩擦力）的训练样本，让模型学会在一个广泛的、不确定的环境中也能稳健地工作，从而更好地泛化到无法被完美建模的真实世界。 我觉得，我们现在处在一个微妙的阶段：AI 越强，人越弱，因为我们开始把选择外包，把思考托管，把信任转移。 Connie：但你们还是坚持下来了——这也与好奇心有关。 Lilian：这也是一个团队项目。所以与团队一起工作，当你的队友拥有不同的才能时，你也相信这个项目。 可你仔细想想，AI 的能力，其实来自人，训练它的是人；教它思考的也是人，AI 只是镜子，照出了我们自己对未来的想象，也照出了恐惧。这会给你很多能量。 Connie：当机器人真的解开魔方时，你是什么感觉？ Lilian：当时，我其实在想人们用来描述史蒂夫·乔布斯最好的特质之一的词：现实扭曲场（Reality Distortion Field）。
z | 所以，这场热潮的核心，是“人还相信什么”。
| 人们描述史蒂夫·乔布斯时说，他周围有一个力场，如果他相信某件事，即使现实看起来不可能，他也能扭曲它并使之实现。
| 我认为每个人都有类似的东西，尤其是在研究中。如果你相信某个方向，即使它看起来不可能，但如果你足够努力、足够聪明地去尝试，你会找到让它成功的方法。 很多人都相信技术，也相信周期，只是，每次风口来临，我更想看看：谁能留下；因为最终能兑现未来的，不是模型，也不是算法，而是人。
| 这基本上也就是我当时的感觉。 或许，十年后回头看： 新城市节点、能源网络、算法语言，这些，都是文明在往前走的痕迹。不过，AI 基础设施的叙事，新轮流还没刮到国内。
| Connie：既然你确实拥有丰富的机器人技术经验，你对我们处于机器人发展曲线的哪个位置有什么看法？你看好吗？你现在花在机器人上的时间少了，但关于机器人技术，你有什么想分享的总体看法吗？ Lilian：我确实认为机器人领域正在通过引入语言模型作为大脑或更智能的规划器而获得新的活力。我其实记得当我们在OpenAI内部刚推出GPT-3时，我们做了一些小型试验性项目，试图看看能否将机器人技术和语言模型结合起来，但那时候GPT-3还是一个相当笨的模型。 而现在模型在解决复杂和推理问题上已经变得如此出色和智能，这对某些机器人任务来说非常重要。如果我们能结合硬件方面的一些新进展，我认为将会是很棒的东西。 Connie：所以你对机器人技术非常看好。（bullish on robotics） Lilian：嗯...我还没有更多的了解。 而国外投资者，已经开始陷入另一种循环：从期待，到焦虑，再到怀疑；说到底，这不就是另一种 FOMO 吗？ 本文来自微信公众号：王智远，作者：王智远。我算是乐观（optimistic）吧，但我认为我需要了解更多关于当前领域的情况，才能有信心。 OpenAI早期产品化尝试的经验——给社区提供一个API很重要 Connie：那么，在你从事机器人方面的工作之后，你实际上创立了OpenAI的应用人工智能研究团队（Applied AI Research Team）。那个团队负责一些最重要的事情，这些事影响了今天在座的每一个人。你们当时在探索GPT-3的产品化，探索模型如何用于日常任务工作。在这个过程中有哪些重大的经验。 Lilian:你可能知道，OpenAIAPI是在ChatGPT之前推出的，那是OpenAI首次尝试将大型语言模型产品化。
| 那是一段不错的经历。我很惊讶地发现，一些在当时看似随意（arbitrary）的决定，现在却成了行业标准。比如API的接口，我们当时叫它“补全端点”（completion endpoints），所有这些命名方式后来（却）成了标准，但当时这真的只是一场实验，我们当时举办黑客松来探讨如何将大型语言模型用于不同场景，因为我们其实并不知道使用它的最佳方式是什么。
| 所以我们想，如果能提供一个API，让大家去尝试，而且还能提供给大家这个工具，或许就能发现一些非常有创意和新颖的用例。这是当时的动机。 编者注： 补全端点(Completion Endpoints):这是早期LLM API的核心交互模式。用户提供一个文本开头（Prompt），API则会“补全”接下来的内容。这种简单的模式极具通用性，可以被应用于问答、翻译、摘要、代码生成等多种任务。 Connie：你对这些产品后来的成功程度感到惊讶吗？ Lilian：（思考了许久）是的。 Connie：在你于OpenAI任职的后期，你领导着AI安全团队，一个超过80人的团队。所以你在OpenAI的任职期间，真正从一个独立贡献者，转变成为公司高管。但在我们讨论那个高管角色之前，你会如何定义AI安全对你而言是什么。 Lilian：我可能会考虑两个方面。一个是模型行为应遵循一定的规则和道德标准。另一个是关于定制化，比如人们确实对什么是安全有不同的容忍度和不同的解释，或者不同地区的法律、法规是不同的，你如何建立这种程度的控制，以便人们可以根据他们的客户安全地部署它。 Connie：考虑到那个角色对全人类有多么重要，你是如何管理这种压力的。 Lilian：我肯定认为OpenAI是一家伟大的公司，但与此同时，我也看到这个公司一步步逐渐发展到那个水平。所以对我来说，真的只是以正确的方式做好我的日常工作，而不是过多考虑压迫感。 Connie：那么在那个安全团队里，给我们讲讲你曾经必须解决或思考的一些问题是什么。
| Lilian：试图建立那种（对模型安全的）控制水平，或者定制不同的对错误表述行为模型的策略，其实都是相当多样化的。 你必须真正理解人们才能预测问题会是什么。同时，你需要将其与各种后训练技术联系起来，看看你是否能够实际处理许多非常模糊的任务。
| 离开OpenAI：因为学习曲线变缓了 Lilian和OpenAI前CTO Mira Murati等人一起创办了Thinking Machines Lab，是今天最受期待的AI初创公司之一 Connie：所以大约一年前，你做了一个重大的决定，那就是离开OpenAI，并成为Thinking Machines的联合创始人。
| 跟我们说说那个决定。
| 是什么让你决定创办一家公司。 Lilian:是的，我刚才跟朋友聊，说去年这时候我还是在OpenAI工作，我自己都感觉有些惊讶，现在就像是完全不同的人生阶段了。我实际上从未想过我会创办公司或成为企业家，尤其是我这个人，我只是喜欢学习新东西。所以只要我的工作能满足这一点，我就感觉很好。
| 我想说，在我于OpenAI任职的后期，我确实感觉到我的学习曲线开始放缓，开始感到有点饱和了。
| Connie：所以听起来你并不是那种一直梦想着创办自己公司的人。更多的是因为你会在那里学到最多东西，而且这是一个千载难逢的机会。 Lilian：是的。而且这是一个我能与一群共事多年且尊敬的人一起开始，每天都一起工作的机会。我知道他们有多么出色和能干。 Connie：所以，即使Thinking Machines资源非常充足，但作为联合创始人，与作为公司高管是完全不同的级别。跟我们说说那种区别。
| 在心理上，压力水平或你的日常工作是什么样的？作为联合创始人，你需要做哪些不同的任务？ Lilian：压力非常大。这比我在OpenAI的时候压力大得多，即使在我领导一个更大团队的时候也是如此。我想说主要的压力来自于责任感，你真的很想作为一个团队来成功。这样所有的人，比如所有在早期我们一无所有时加入我们的研究人员、伟大的工程师，我想确保每个人都能成功…… Connie：还有投资人，对吧？ Lilian：对。（笑）肯定。所有人，在我们还什么都没有的时候相信我们的所有人。 Connie：所以是更强的责任感。跟我们说说，在那个创始人的角色里，你不得不做的令人惊讶的事情是什么，比如设立办公室，组建初始团队？你有没有发现自己作为创始人的行为方式有所不同。 Lilian：我清晰的记得我们有了独立办公室的第一周。
| 我们几位联合创始人当时，当我们走进办公室时，那里完全空荡荡的，只有桌椅。我们大家一起花了三天时间，就是每个人都盯着手机，在亚马逊上下单，在亚马逊上订购东西。然后我订购了一堆像是卫生纸、卫生棉条之类的东西。
| Connie：所以这就是联合创始人做的事情。（笑） Lilian：对，前三天。（笑）这也很有意思的经历。 Connie：你能告诉我们，在Thinking Machines有哪些让你们兴奋并试图解决的真实世界问题吗？最近有一个重要的发布。跟我们说说。 Lilian：我想说我们的使命或整体信念是我们相信AI应该是以人为本的。我们真正关心人类与AI的协作。我们认为AI是一种可以帮助人们、让我们的生活变得更美好的工具，而不是真要去取代人类。另一个重要的事情是我们相信开放科学，并且我们认为如果我们分享更多东西，许多科学进步可以更快地实现。所以当我[与研究人员交流时]看到的一个痛点。 与研究人员、教授交谈时，他们感到在语言模型领域进行新颖的研究非常受限制，因为存在很多基础设施问题，很难获得大量GPU，而且他们必须做大量的基础工作才能在我们的模型上运行一些新颖的想法。
| 你是怎么通过与人交谈发现这个问题的？是的，就是通过和他们交谈。所以我们最近测试版发布了Tinker API。 它的目的就是提供一个非常灵活的基础的功能。
| 比如前向-后向采样和优化，这样研究人员就可以在其上非常轻松地构建和试验新想法，而无需担心基础设施。在某种程度上，我认为这与早先讨论中FairWorks的动机非常吻合，这是他们的动力之一。 Connie：这次发布有让你感到惊讶吗？ Lilian：我想研究人员对此事的兴奋程度让我略感惊讶，因为我认为这确实会帮助他们的[研究]节点。所以我们需要做的是确保我们妥善地进行接下来的正式发布。 不用ChatGPT读论文，创始人也要看代码，这也是一种管理方法 Connie：我们的观众里，对于那些考虑成为创始人的人，或者那些非技术背景但想进入AI领域的人，你有什么建议？ Lilian：我认为有两种方式都很重要。第一，在日常生活中尝试使用不同的AI产品。
| 你可能会发现意想不到的东西，比如AI如何提高你的生产力……第二，如果你对技术细节非常感兴趣……那就坚持阅读，读论文，亲自动手，想办法做实验，在实践中学习。 我对我身边程序员朋友开始使用Cursor或其他类型的编码、代码辅助工具时，生产力提升的程度印象非常深刻。尽管他们本身已经对这个领域了解很多。所以我真的认为我们应该在这方面保持开放的心态。另一点是，如果你非常热衷于该领域的技术细节，就坚持阅读资料，阅读论文，亲自动手实践，尝试寻找不同的方法来进行实验，亲手学习。 Connie：那么关于学习这部分，现在有非常多的初创公司，非常多的论文。有些论文真的很长。你有什么技巧和建议吗？我不知道。你如何获取最新的AI新闻？你如何决定读哪些论文？你如何决定试用哪些应用程序？你会用ChatGPT为你总结论文吗？ Lilian：（没说话） Connie：不用？好吧。 Lilian：我不那样做是因为我有自己判断论文是否值得阅读的方法。如果你了解我，我维护了一个博客很多年，所以我基本上有一种方法，只需阅读标题和摘要。你就能感觉到读一篇论文需要花费多少时间。
| 你可以花五分钟或者三个小时，你需要聪明地分配你的时间。
| 还有就是通过与其他研究人员交流。他们会提到，哦，你读过那个谁的工作吗？你读过这个吗？通过交谈，你就会知道哪些是值得更多时间的。
| Connie：所以不要害怕自己阅读研究论文，阅读摘要来决定读什么，关注Lilian的博客。不过她有一阵子没写了，但她文笔很好。 Lilian：我想说我把更多注意力转移到了我们公司的研究blog，它叫《连接主义》（Connectionism），这是团队努力的成果，所以质量会好得多。 Connie：好的，这些是很棒的阅读技巧。你谈到了要聪明地花费时间。尤其是现在作为联合创始人，你必须在这一点上非常聪明。
| 给我们讲讲你是如何做的，你是否有关于优先级排序的框架，无论是工作任务、生活任务还是学习？我也知道你是一位非凡的领导者，你实际上仍然会亲力亲为，查看代码，而大多数在那个级别的人不会再这样做了。你如何优先安排你的时间？ Lilian：首先，我有一个结构非常全面的待办事项列表。它有层次结构。里面有很多项目。 Connie：是什么样的层次结构？ Lilian：更像技术规划这样的分类...抱歉再说就太多细节了哈哈。
| Connie：总之就是不同的分类，然后在每个分类内有不同的排名。
| Lilian：对。并且按优先级排序，而不是按原因或任务有多容易完成来排序，因为我确实看到人们有这种倾向，哦，来了件小事。我可以在15分钟内完成。我先做这个。
| 要对抗这种倾向，而是当你有大块专注时间时，花在最紧迫、最重要的任务上，即使这意味着要花很多时间。并且要觉得把这10个小任务放在一边没关系，即使不得不延迟，也没关系。 Connie：所以这更像是一种无情的优先级排序。非常强调重要性。
| 那么紧急性呢？ Lilian：这总是一个权衡，对吧？这真的取决于它是否真的紧急。如果它非常重要，比如公司发布有个重要截止日期，那当然（要处理）。但如果仅仅是因为别人现在问你（那就不同）。 是的。
| 告诉我，Lillian作为管理者是怎样的？你如何看待管理你的团队成员？你是否有管理人的普遍哲学？ Lilian：我非常相信建设性反馈。
| 我经常和我的团队谈论这个，给予直接的反馈，因为在工作中没有什么是针对个人的，它真的关乎的是其他。 Connie：你也会征求反馈吗？ Lilian：当然，当然。
| 这是我作为管理者能够学习的唯一途径，并且也要给予他们，特别是对于研究人员，给他们空间，允许他们从事他们热衷的事情，这样他们才能更高效。 Connie：你如何将这一点产品化/制度化？是不是有点像谷歌的80-20法则，你有一部分时间可以做任何你想做的事？ Lilian：在公司层面，你需要允许一些探索性的努力和一些更有计划性的研究计划，然后收集关于他们研究兴趣的信息，再将合适的人匹配到合适的项目。
| Connie：所以你了解你所有的团队成员，以及他们的兴趣所在，这样你就能找出最适合他们的项目。 Lilian：我也会花时间，对于某些重要项目，花时间查看代码，阅读他们的拉取请求，和团队一起讨论。 Connie：作为公司的联合创始人，你花多少时间看代码？ Lilian：尽量挤出来每周安排一天。一整天都用来查看代码，没有任何会议。不开会，就是看代码，研究所有的技术细节。 Connie：这样做有什么好处？ Lilian：让你与下属的对话非常接地气（grounded）。让你的规划也脚踏实地。
| 当你与下属交谈时，他们会觉得你真正理解他们的工作。有时我们可以就项目方向进行非常深入的头脑风暴。 Connie：你多久会遇到看不懂的代码？然后你如何处理这些情况？ Lilian：一直，一直都是。
| 就是问，问他们（指同事），问聊天机器人，问写代码的人，在Slack上问。就是要经常提问。当我告诉别人我不懂某些东西时，我并不觉得脆弱。我认为这是件好事。
| 我发现了我不懂的东西，然后我提问，我就学到了。 Connie：这是否也是从小培养的，让你不害怕提问？ Lilian：可能吧，你看，现在我们又回到数学竞赛了。（笑） Connie：所以，始终保持提问，我觉得这是结合了你的好奇心和谦逊的核心部分，这帮助你在公司成为如此高效的领导者。再加上努力工作。但听起来，我看你的视频时总感觉到，你在工作中也很快乐。即使工作这么长时间，你是如何总能享受你所做的事情的？ Lilian：我确实认为，如果工作占据了一个人生命中的大部分时间，如果你能在工作中找到（乐趣），你基本上就是在以一种非常快乐、愉快的方式度过你的人生。 我感到非常幸运。
| 我热爱我的工作。找到你的热情所在，你的快乐所在，这样你实际上就不会觉得花费那么多时间很痛苦。每天早晨我都期待着我的工作。
| 我认为很多动力来自于我的好奇心，观察团队，支持他人，保持高效。我认为所有这些都很重要。
| Connie：非常感谢。这就是今天的全部对话。 点个“爱心”，再走吧。
Current article:http://www.cousizhegaobaolengkuo.bond/fth6/1g01o7.ppt
Published on:11:54:13