本次继续推荐一个播客的内容。
《The Knowledge Project with Shane Parrish》的《#228 Elad Gil: How to Spot a Billion-Dollar Startup Before the Rest of the World》
title: #228 Elad Gil: How to Spot a Billion-Dollar Startup Before the Rest of the Worldurl: https://podcasts.apple.com/cn/podcast/228-elad-gil-how-to-spot-a-billion-dollar-startup/id990149481?i=1000708306340date: 20250513全文脱水
00:00:01 - 00:02:11
主持人及嘉宾开场白与核心观点预告
Elad Gil核心观点预告： 人工智能（AI）是唯一一个越学越不了解的市场，与其他市场不同，AI领域无法预测。 未来几年，可能会将AI视为销售“认知单元”。 AI的潜力被严重低估，因为大多数企业尚未涉足，而这正是资金、变革、影响和就业机会所在。 仅为金钱驱动的成功人士最终会感到痛苦，关键在于什么能带来成就感。Shane Parrish引言： 介绍Elad Gil是一位许多人可能未曾听闻但极其成功的投资者。 本期播客将探讨Gil如何看待初创公司、人才、决策、AI及其未来。 讨论集群的重要性、大多数公司死于“自伤”、规模化公司和个人意味着什么。00:02:13 - 00:05:24
早期投资的识别与产品市场契合度
Elad Gil的投资案例与理念： 投资Airbnb和Stripe时，公司规模很小（约8人）；投资Coinbase时，已是十亿美元以上公司，但仍预见巨大上行空间。 投资首要看“产品市场契合度”（Product Market Fit, PMF），即市场对产品是否有强烈需求。 其次才看团队。Gil认为多数早期投资者顺序相反。 理由：见过优秀人才被糟糕市场击垮，也见过平庸团队在好市场中表现出色。判断产品市场契合度的方法： 区分业务类型（消费级、企业级等）。 消费级业务：看有机增长率和用户留存率（例如早期Facebook的疯狂使用指标）。 B2B产品：看增长和采用率，或NDR（净收入留存率）等指标。 投资于产品尚未面市时：深入分析市场需求的真实性（例如投资Rippling和Notion的前提是相信很多人需要这类产品）。特例：Notion的投资 主要基于对CEO Ivan的印象：其个人着装、发型、衣物色系、App及PPT的色调高度统一，展现出一种罕见的审美一致性。 这种审美上的纯粹和一致性，Gil只在Jack Dorsey（Square、Twitter创始人）身上见过，认为这反映了独特的看待世界、产品和用户的方式。00:05:24 - 00:11:18
识别杰出团队、人才集群现象及远程工作的影响
识别杰出技术团队的框架（以苹果为例）： **乔布斯式人物：**设定愿景和方向，同时是出色的销售（招聘、融资、首批客户、供应链谈判）。 **沃兹尼亚克式人物：**能以独特且优秀的方式构建产品。 **库克式人物：**在公司起步后，能有效扩大公司规模（类比Facebook的Sheryl Sandberg）。人才集群现象（以旧金山/硅谷为例）： 历史上几乎所有重大运动（文学、艺术、金融、科技）都始于特定城市中一群年轻人的聚集、合作。 例子：伦敦早期20世纪文学圈（弗吉尼亚·伍尔夫、凯恩斯等）、意大利文艺复兴时期的佛罗伦萨、巴黎19世纪末的印象派等。 硅谷的科技浪潮：从国防工业 -> 半导体（肖克利、仙童）-> 微处理器 -> 计算机 -> 软件，人才不断自我延续。 各行各业都有集群：酒庄、能源、金融（纽约、香港、伦敦）、电影（好莱坞、宝莱坞、拉各斯）。 硅谷内部也有小圈子：AI研究者、AI创始人、SaaS从业者等，人才会自我聚集并互相帮助（Patrick Collison 18岁到硅谷即遇到后来的行业巨头）。远程工作对创新的影响： 普遍不利于创新，除非是真正的在线协作环境。 科技行业并非唯一适合远程的行业，电影、金融等理论上也可远程，但核心集群依然重要。 集群的重要性：人才聚集、互助、思想交流、新方法传播（分销、AI技术）、资金集中、有经验的管理者、专业服务（律师、会计师）。欧洲创业公司常抱怨缺乏有规模化经验的高管。00:14:16 - 00:19:36
Y Combinator (YC) 的作用与AI人才浪潮
Y Combinator (YC) 的价值： 初期帮助“圈外”有才华的人（如早期Reddit创始人、Airbnb创始人部分来自非核心网络）融入硅谷网络并助其成功。 至今依然重要：品牌和长久性；现任负责人Garry回归初心。 两大作用：1. 帮助创业者（特别是SaaS公司）快速对接资源（同学员互为早期客户）。 2. 塑造思维模式：强调快速交付产品、寻找客户，形成积极的同伴压力。 YC将有抱负但可能在原环境中格格不入的人聚集起来，使雄心和快速行动成为常态。创始人类型的转变： 早期创始人多为叛逆、不适应传统工作的人。 随着科技行业壮大和风险认知降低，创始人类型趋于多样化，不再那么“古怪”。 COVID期间（零利率环境，资金充裕）：创始人平均质量有所下降，出现“表演型”创业者。AI人才浪潮（特指生成式AI）： 约3-3.5年前，生成式AI公司创始人质量显著提升：目标驱动、聪明、技术扎实、有远大抱负。 与此前基于深度学习（RNN, CNN, GANs）的技术基础不同，本轮AI浪潮基于2017年谷歌的Transformer架构，实现了能力上的阶跃。 第一波人才：研究人员。 他们最先接触和使用新技术（如OpenAI内部使用、谷歌内部的Meena），预见了未来（类比90年代互联网浪潮中NCSA的Marc Andreessen等人）。 第二波人才：基础设施构建者。当前浪潮：应用开发者。 在核心技术之上构建应用程序的人。00:19:37 - 00:21:59
AI的下一波浪潮与本质
AI的下一波浪潮： 将是“万物并行”的持续浪潮，仍有许多待建构。 更多应用层公司会出现。 基础模型公司（如OpenAI, Anthropic, Google核心技术, xAI）会减少，但会出现专用版本的基础模型（例如针对物理学、材料科学、生物学，目前生物学领域已在发生）。 创新将贯穿整个技术栈：基础设施（云服务等价物）、应用（B2B和消费级）。 下一波是B2B和消费级应用的混合。 再之后是非常大型企业的采纳。AI的本质与被低估的原因： AI被严重低估，因为大多数企业尚未涉足，而这正是经济的主要部分（80/20原则），蕴含着巨大的资金、变革、影响和就业机会。这一浪潮尚未真正到来。 人们误以为AI只是提高生产力的酷工具。 未来几年，AI将被视为销售“认知单元”：即购买一部分“人的时间”或“等效人力”来完成任务（如雇佣20个AI程序员写代码，或租用AI会计师）。 数字层面：从销售工具转向销售白领工作。 机器人层面：可能出现“机器人分钟”等单位，以人形或其他形态机器人完成工作，商业模式可能是购买或租赁。00:21:59 - 00:28:44
对AI未来的担忧、AI解决问题的能力及生物学领域的挑战
对AI未来的担忧：短期担忧： 过度限制可能扼杀AI的巨大潜力。AI是推动全球健康、教育等领域进步的最大动力之一（例如，一对一辅导能显著提高学习成绩，AI可为全球儿童提供此服务）。 长期担忧： 涉及AI是否具有感知能力、是否成为新生命形式、是否存在物种竞争等问题。若无机器人，拔掉数据中心插头即可；若有机器人，则更复杂。AI解决问题的能力： AI已在多方面超越人类，例如围棋（AlphaGo启发的下法）、各类游戏（跳棋、象棋、围棋、扑克、外交游戏均已被AI攻克）。 在数学、生物学、健康、长寿等领域：AI已在生物学取得进展（如蛋白质折叠预测获诺贝尔奖）。AI在生物学等领域面临的挑战：数据质量问题： 蛋白质折叠有大量高质量晶体结构数据。但许多生物学研究（超过一半顶级期刊论文）无法复现，意味着数据集中一半是错误的（Amgen曾发现无法复制癌症研究成果）。 科学研究本身的问题： 欺诈（篡改图像等，AI可用于检测）、研究方法不严谨（忽略数据、对照组错误）、为追求热度仓促发表（如COVID期间的劣质论文）。除非有人重复实验并发表阴性结果（这很难发表），否则难以知道哪些不可复现。 核心挑战： 如何创建足够干净、高保真度的数据集来训练模型，进而清理其他数据。这需要大量工作。 数学和物理学领域：刚开始针对性训练模型，预计未来一年会有突破。00:28:46 - 00:30:25
AI训练方式：基于数据 vs. 自我对弈 (Self-Play)
传统AI训练： 基于现有数据学习模式，解决未来问题。DeepMind训练围棋AI (AlphaGo)： 采用“自我对弈” (self-play) 方式。只提供规则，不提供人类棋谱，AI通过与自己下棋来学习和创新。 条件： 需要有明确的规则和效用函数（utility function）来评估好坏（如游戏输赢）。 反馈： 系统根据结果（赢/输）获得正/负反馈，用于模型迭代。自我对弈的应用前景： 正越来越多地被应用于模型扩展。模型扩展的要素包括：持续的数据规模、训练集群（GPU投入）、推理模块（如OpenAI的o1, o3）、推理时优化、以及自我对弈。 编码领域是近期重点： 可以推送代码，看是否运行，捕获错误，有明确的输出目标和快速测试反馈。 关键： 获得反馈并据此训练系统和迭代的速度。00:30:25 - 00:34:56
AI提示 (Prompt) 的运作、优质提示的要素及Elad Gil的AI使用案例
AI处理提示的机制： 许多AI代理 (agents) 会将复杂任务分解为一系列步骤，存储这些步骤，并在获得输出后返回执行后续步骤（即“链式调用”模型）。 简单问题（如写一首特定风格的打油诗）：模型可单次调用完成。 复杂任务（如预订去墨西哥的航班）：需要多步骤（搜索航班 -> 与网站交互获取数据 -> 分析信息 -> 匹配行程 -> 预订 -> 获取确认）。模型与代理的区别： 当前ChatGPT等模型主要是逻辑引擎和知识库的结合，用于理解和生成内容。 执行动作（如订票）则需要“代理”能力，即记住已执行和将要执行的步骤，并与外部系统交互。这类似于人脑的不同模块（视觉、语言、共情等）协同工作。未来AI系统可能也会发展出类似的模块化结构。Elad Gil使用AI的案例： 参加会议前，输入参会者名单，要求AI根据特定标准筛选应交流对象并抓取背景信息。 编码及相关任务。 处理正则表达式 (Regex) 等从特定数据中提取信息的任务。关于优质提示的建议： Elad Gil自认非专业提示工程师，但认为关键在于： 明确性： 清晰具体地表述需求。 加入检查机制： 要求AI复核某些点，以避免遗漏或错误（例如，生成表格后，要求AI检查特定两项是否为真）。这有助于清理潜在错误。 AI目前类似“聪明的实习生”，需要明确指令和检查。随着模型进步，会逐渐成长为初级员工、高级员工乃至管理者。00:34:57 - 00:38:50
AI发展的瓶颈、现有企业与初创公司的机会
AI发展的瓶颈： 数据规模：何时数据不足以训练下一代模型？合成数据是否足够？ 训练集群的经济性：能建多大的训练集群？ 模型微调/后训练的效果：何时收益递减？ 尽管存在这些问题，但每个环节的扩展曲线目前看仍然良好。 新的推理引擎（如OpenAI和Google的研究）刚推出，其扩展潜力巨大。预计未来会有2-3条曲线同时持续向上。技术浪潮中现有企业 (Incumbents) vs. 初创公司 (Startups) 的机会分配：互联网浪潮： 80%价值由初创公司创造（Google, Amazon, Meta等）。 移动浪潮： 80-90%价值由现有企业获取（移动搜索归Google，移动CRM归Salesforce等）。初创公司的机会在于利用手机的新特性（GPS -> Uber；摄像头 -> Instagram）。 加密货币浪潮： 约100%价值由初创公司创造（Coinbase, 各种代币）。 自动驾驶（早期AI浪潮）： 西方市场的赢家似乎是特斯拉（已是汽车制造商）和Waymo (Google)——两者均为现有大公司。这表明数据规模至关重要。特斯拉通过大量真实驾驶数据和端到端深度学习改进FSD。Waymo也因此大幅改进。 引申问题：为何没有初创公司能有效与现有汽车公司合作？00:38:50 - 00:43:12
AI基础模型市场的格局与未来
基础模型公司格局： 当前AI浪潮中，基础模型公司要么与大公司合作，要么由大公司驱动（OpenAI与微软，谷歌自研，亚马逊与Anthropic，Facebook的Llama，以及Elon Musk的xAI）。 原因：资本规模。 几年前Elad Gil就预测，由于模型训练成本从几千万美元指数级增长到数十亿乃至百亿美元，最终市场会是寡头垄断。 云服务商的驱动力： 云业务是主要金主。例如，Azure上季度收入中10-15%的增长来自AI销售，这为微软投资OpenAI提供了巨大财务激励。云服务商通过投资AI确保其云平台的使用。 寡头垄断结构早期就被云服务商通过巨额资本投入锁定。风险投资投数亿美元，云服务商投数百亿美元。初创公司的机会： 可以租用AWS、Azure、Google的算力，无需自建数据中心和大规模资本投入，从而在想法层面与大公司竞争。这使得基础设施不再是绝对壁垒。基础模型未来走向的两种可能：世界1：趋同。 随着扩展曲线达到渐近线（数据、算力等瓶颈），各模型能力将逐渐趋同。目前各大模型平台间的差距已在快速缩小。 世界2：强者愈强（Liftoff Scenario）。 如果某个模型在编码、数据标注等关键能力上遥遥领先，能更有效地帮助构建下一代模型，那么它将形成强大的正反馈循环，领先者会越来越快地迭代出更强的模型（如GPT-7辅助创建GPT-8，GPT-8更快辅助创建GPT-9等），从而甩开其他竞争者。关键在于AI自身在模型构建任务中的参与比例。00:43:59 - 00:48:20
Facebook (Meta) 的Llama模型与开源AI的重要性
对Meta Llama模型的评价： 非常印象深刻，认为开源极其重要。开源的重要性：公平竞争与普惠： 为不同类型的技术使用者提供公平的竞争环境，使技术在全球范围内可用。 可定制性与文化适应性： 允许用户移除不想要的内容（如特定政治偏见、文化观点）。由少数人决定全球规范和价值观是一种“文化帝国主义”。开源模型使用户能根据本国/地区规范重新训练模型。Meta投入数十亿进行开源的投资回报率 (ROI) 思考： Elad Gil不确定Meta的具体考量，但从战略角度看，开源常被大公司用作重要工具。 历史案例： IBM是90年代Linux的最大资助者（对抗微软）；苹果和谷歌是WebKit等开源浏览器的主要资助者。 加密货币的特例： 比特币等通过代币机制实现了自我资助。 开源AI的潜在资助者： Elad Gil几年前曾猜测可能是亚马逊（当时在AI竞赛中尚无明确立场）或NVIDIA。Meta因其资金、工程实力（FAIR）等在备选名单上，但并非首选。其他有潜力者包括腾讯、苹果、三星等，但尚不明确它们是否会采取行动。对AI领域主要参与者的展望： Elad Gil坦言AI市场变化太快，难以预测（“越学越不懂”）。 值得关注的公司： 谷歌、Meta、OpenAI/微软、Anthropic/AWS、xAI、Mistral。 市场未来走向（如是否会整合）仍是未知数。00:48:20 - 00:51:42
AI监管与社会“安全主义”的思考
AI安全问题的三个层面（常被混淆）：数字安全： 内容是否冒犯、是否存在仇恨言论等。现有关于网络仇恨言论、言论自由的规则已很多，Gil对此不太担心。 物理安全： AI被用于制造病毒、使火车脱轨等。Gil认为这些能力并非AI独有，目前技术已可实现，AI并非决定性因素。 存在性安全： AI产生自我意识并毁灭人类。 人们在讨论安全时常将这三者混为一谈，导致因对未来可能发生的极端情况的担忧而要求限制所有发展。对过度“安全主义” (Safetyism) 的批判： 认为社会在某些方面变得过度规避风险、以安全为中心，这在各方面都产生影响。 例子：儿童汽车安全座椅。 加州法律规定8岁以下儿童需使用，但多国、多时期数据显示，2岁以上儿童使用安全带已足够安全（Freakonomics播客曾讨论）。这意味着6年额外的“安全措施”并非基于数据。 原因： 可能是安全座椅公司利益驱动、家长追求绝对安全、立法者乐于立法。 这种现象普遍存在于社会各领域，包括医药、AI等。00:51:42 - 00:55:29
社会过度保护、个人能动性缺失及公司常见的“自伤”行为
社会过度保护的负面影响： 例如，在学校周边大量设置交通协管员，即使是针对中学生，这可能让孩子无需自己注意交通安全，依赖协管员。 这会削弱孩子的自主性和责任感培养。 与10-15年前的“脆弱性”、“微冒犯”文化类似，当前趋势是剥夺独立性、能动性和冒险精神，可能对个体行为、风险认知及独立运作能力产生不良下游影响。公司常见的“自伤” (Self-Inflicted Wounds)：极早期公司死因： 创始人内斗，团队崩溃。 资金耗尽（未能实现产品市场契合，即未能经济地构建出人们关心的产品）。 竞争因素相对次要，因为大公司通常需要5-6年才会注意到并试图打压初创公司（有时成功，有时只是限制了初创公司的上限，如Zoom和Slack受微软Teams竞争影响）。 其他类型的“自伤”：过度关注竞争对手而非客户： 导致失去差异化，或采取损害对手但不一定利己的行动，引发对手报复。 例子： 20年前医药分销行业三巨头激烈争夺市场份额，侵蚀了所有利润，导致行业状况不佳。后其中一家决定停止争抢份额，转而保护自身，其他公司效仿，行业利润率大幅提升。这说明在寡头市场，公司最终可能选择稳定均衡而非相互攻击。00:55:30 - 00:59:32
CEO的自我成长与组织架构的匹配
CEO自我成长的关键点：团队建设与信任： 明确需要哪些人来完善团队，以及如何信任他们。富有创新精神的创始人CEO常倾向于重新发明轮子，但应避免在已有成熟解决方案的领域（如销售流程）这样做。关键在于何时不“挡自己的路”去重新发明。 招聘互补人才： 聘用在特定岗位上比自己更有效、且能与自己形成互补的人。CEO继任中的常见问题： 创始人CEO常提拔与其互补（如擅长运营的副手）的人作为继任者，而非寻找像自己一样能创新、推动产品和变革的人。这导致公司在创始人之后常出现衰退。 反例： 微软的萨提亚·纳德拉，具有创始人思维，勇于革新和进行高风险决策（如早期投资OpenAI的GPT-2），成功实现了智能化转型。CEO失败的 دیگر原因：过度听从传统智慧来构建团队： 大型组织的团队运作应围绕CEO的需求、其需要何种补充以及适合其的架构。如果换一个CEO，原架构可能就不再适用。 组织架构需反映CEO特质： 创始人CEO通常有其怪癖和执着点，组织架构应体现这一点，而非采用适用于任何人的通用团队结构。 例子： NVIDIA的黄仁勋据称有约40名直接下属，不常做一对一谈话，注重寻找能长期合作并推动事务的高效人才，然后深入参与不同领域。这种结构与萨提亚管理微软或拉里·埃里森管理甲骨文的方式截然不同。商业领导力书籍的局限性： 许多关于特定人物及其风格的领导力书籍，读者尝试模仿时可能因不符合自身特质而失败。 对于在传统大公司按部就班晋升的CEO，其组织结构可能具有相似性，可互换性较高。但对于像甲骨文、微软、谷歌这类由创始人特质驱动的公司，情况则大不相同。00:59:34 - 01:02:35
“创始人模式”回归与工作场所文化的转变
过去十年工作场所的非生产性趋势： 各种形式的政治化、“把完整的自我带到工作中”(bring your whole self to work) 等理念盛行。 Elad Gil认为这并不理想，并举例在谷歌时有人万圣节穿着暴露服装上班，认为这不适合工作环境，尤其当有孩子在场时。 主张应带“职业的自我”(professional self) 到工作中：高效、能与不同人合作、不将所有个人习俗价值观带入职场。 这种文化不仅被鼓励，传统高管也采纳，可能损害了很多公司文化，使其偏离使命、客户和核心任务。“创始人模式”的回归信号： Brian Armstrong (Coinbase CEO) 是最早公开反对上述趋势的代表人物之一，随后Tobi Lütke (Shopify CEO) 也跟进。 他们强调工作场所应专注于特定使命（XY和Z），不接受这种文化的人可以选择离开。 Brian Armstrong因此受到猛烈抨击和抵制（cancel culture），这在当时公司内部也常发生，阻碍了真实对话。 Tobi Lütke的文章强调：公司有特定使命并专注于此；公司不是家庭，而是团队（家庭容忍缺点，团队追求表现和共同方向）。 这些事件标志着对“家庭式”、“包容一切个人特质”的工作场所文化的修正，强调专注工作、良好协作。01:02:36 - 01:09:39
杰出CEO的共同模式与持续前进的动力
杰出CEO的共同特质基础： 都极其聪明、富有洞察力等。杰出CEO的几种原型：极度专注型： 全身心投入主营业务，不做过多其他投资或不必要的公关活动。例子：Uber的Travis Kalanick，早期是优秀的天使投资人，但在Uber期间停止了投资，专注于公司发展，直到离开公司才出售二级市场股票。 博学多才/兴趣广泛型： 同样聪明和有驱动力，但兴趣广泛并在经营公司的同时通过不同方式表达这些兴趣。通常在公司稳定后拓展其他领域。例子：Elon Musk（多领域），Patrick Collison（Stripe之外运营生物学研究所ARC），Brian Armstrong（Coinbase之外运营长寿公司）。这相对于以前是较新的发展，部分原因是激进投资者的制约减少以及个人影响力展现方式的改变。 这类CEO通常在早期（如20岁）就展现出广泛且深入的兴趣，驱动力混合了影响力和对事物本身的“趣味性”。 意外成功型： 有时是产品市场契合度极佳，然后个人随公司成长而成长。这类公司可能有强大的网络效应或早期迅猛增长。这类CEO虽然聪明，但可能不具备前两类那种强烈的内在驱动力或远大抱负，成功带有一定偶然性。持续前进的动力来源（Utility Curve / 效用曲线）： 个体追求不同：地位、金钱、权力、影响力、趣味性等。 金钱驱动的局限性： 仅为金钱驱动的成功人士，在获得金钱后往往感到痛苦和迷茫，因为金钱本身无法带来持续的满足感。 意义与目标： 能持续做出有意义事情的人，通常早期就有更广泛的意义或目标驱动。 Naval Ravikant的框架： 年轻时：多为“雇佣兵”（mercenary），渴望成功、生存。 中年/事业中期：若非零和博弈者，则更像“传教士”（missionary），有更广泛目标。 晚年：成为“艺术家”（artist），为热爱而做事。 Elad Gil观察到，能长期做出有趣且重大事情的人，符合后一类描述：早期有生存需求，之后转为使命驱动，最终为热爱而工作，这些人往往更快乐。01:09:41 - 01:15:26
成功与影响力的区别，以及信息流的重要性
成功 vs. 影响力 (Relevance)：成功： 定义多样（如百万Instagram粉丝、巨额财富、幸福家庭等）。社会普遍认可的是巨大的财务成果。 影响力/重要性： 指能影响对世界重要的事情，并因此被人们寻求帮助或关注。 许多成功人士并不再具有影响力（例如，亿万富翁中，有多少人因其正在做有趣或重要的事情而被关注？）。长期保持影响力的人的特点： 例子：Sam Altman (YC, OpenAI), Patrick Collison (Stripe, Arc), Marc Andreessen (浏览器发明者, Netscape, a16z), Elon Musk (Zip2, PayPal, Tesla, SpaceX), Peter Thiel (PayPal, Palantir, Facebook, Thiel Fellows, 政治影响)。 共同点：博学多闻 (Polymathic)： 兴趣广泛。 多元驱动： 不仅仅是金钱，还包括趣味性、影响力、权力等（不同人侧重不同）。 早期成功： 早期成功为后续发展提供了平台（资金、人脉、信息流）。查理·芒格低估激励的力量，Elad Gil则强调复利的力量，这不仅体现在投资，也体现在个人事业和影响力上。信息流的重要性（与“集群”概念呼应）： 处在信息流中，能接触到最有趣的人和思想，并进行整合。 信息类型：公开但未被充分认识的信息： 如GPT-3刚发布时，其潜力未被广泛认识。 早期接触的洞察： 通过一对一交流或观察（如Peter Thiel十年前的许多预测后来成真）。 信息优势的来源：发现信息： 你找到了别人没找到的公开信息。 权重不同： 你对信息重要性的判断与他人不同。 独特渠道： 你拥有他人没有的信息渠道。 独特整合能力： 如物理学家费曼那样，能以他人难以理解的方式进行直觉性飞跃，综合信息并得出正确结论。 身处“集群”有助于获取和解读这些信息。01:15:27 - 01:18:00
构建更好的“集群”与改善信息流的方法
“集群”的形成： 具有共同特质、高潜力的人们，在特定地理区域内似乎会自我吸引、聚集，并相互学习（历史上反复出现此现象）。 与某些人交谈能短时间获得大量信息，而与另一些人则不然。能做大事的人往往会聚集到这类能相互启发的人群中。互联网对“集群”的影响： 创造了在线集群。例如，IOI（国际信息学奥林匹克竞赛）或编程竞赛的金牌得主社群，使得来自全球各地、原本无法连接的人们得以相识（Cognition CEO Scott Wu即是一例，通过竞赛认识了硅谷许多创始人）。 互联网使人们比以往任何时候都更容易找到志同道合的人。改善个人信息流和发展轨迹的建议：关键行动： 如果想在特定领域达到顶尖水平，就应该搬到该领域的“集群”所在地（如电影去好莱坞，科技去硅谷）。 避免“困难模式”： 虽然理论上可以在任何地方做任何事并取得成功，但这非常罕见，且会增加难度。01:18:02 - 01:22:33
公司远程工作、文化及大科技公司的自满情绪
远程工作对公司的影响：初创/创新型公司： 远程工作通常不利于成功，会增加难度。 特例： GitLab，很早就完全远程，并为此建立了大量流程和独特文化（如CEO会将Zoom会议链接随意发到大群，让员工加入讨论敏感话题），非常成功。但这种极致的流程化和文化创新在其他公司中罕见。 最好的早期公司几乎100%是面对面办公（加密货币领域可能有些例外）。 成熟期公司： 不可避免会有远程员工（如销售团队）。过去也会为优秀人才破例远程。 当前争议： 远程团队比例、每周到岗天数。强制非远程政策，可能也是在筛选更在乎公司而非其他事务的员工。CEO需权衡这是否影响全球人才招聘。远程工作的论点： 员工更灵活；可招聘到无法本地招聘的世界级人才（Elad Gil对此持保留态度）。大科技公司的自满与效率问题： 即使在远程办公前，一些大科技公司也存在工作不饱和现象（如上午11点到岗，午饭后2点离开）。 Elad Gil有时将大科技公司比作“针对名校毕业生的UBI（全民基本收入）实验”，即付钱给一些人做很少的事。 这种自满可能正在改变，因为新的竞争（如AI竞赛）迫使行业重新变得“健康”和高效。 Elon Musk对Twitter裁员80%的例子表明，许多大科技公司可能也存在类似的大幅裁员空间。01:22:34 - 01:26:01
“20人法则”与人才的“血统论”
“集群效应”的极致体现： 不仅是地理集群（如AI产业集中在硅谷某几个街区），还有人才集群。 几乎每个领域，驱动进步的核心人物可能只有几十人，最多几百人（如癌症研究领域的核心实验室）。人才的“血统” (Lineage)： 不仅核心人物数量少，这些人物的来源（师承、毕业院校）也高度集中。 创业公司创始人来源： Stanford远超其他，其次是MIT和Harvard。再往下是一批有少量成功的学校（Berkeley, Duke等），然后是其他所有学校。 这种“血统”现象在宗教运动、瑜伽流派等领域也存在，传承非常重要。核心小圈子： 在任何领域，都有一小撮人驱动着该领域的发展。这些人最终大多会以不同形式相遇（朋友、对手或两者皆是）。 Elad Gil开玩笑说，因为在10-20年间反复遇到同一批做大事的人，感觉像活在模拟世界中。人才是否被低估： 取决于“伟大”的定义和领域的经济价值。世界最好的风筝放飞者可能经济价值不高。 关键问题是：每个人相对于组织或领域的重要性如何？他们是否得到了相应的认可或回报？如果不是，为什么？01:26:02 - 01:29:37
更多关于初创公司投资的洞见
与“集群”相关的持续发现：地理集中度极高： 全球市值10亿美元以上的私营科技公司，约一半在美国，其中又约一半在湾区（即全球25%财富创造于一个城市）。加上纽约和洛杉矶（主要贡献来自SpaceX和Anduril），则占全球约40%。 AI领域更为集中： 80-90%的市值在湾区，是“超级集群”。 不同细分领域集群地不同：金融科技在纽约和湾区之间分配；太空与国防早期主要在南加州。 因此，对风险投资公司建立全球分支的做法表示不解，除非有特定战略考量。反直觉或挑战既有观念的发现：“平等联合创始人”迷思： 硅谷常说应有联合创始人或平等联合创始人，但历史上最大的成功案例（如亚马逊的杰夫·贝索斯是唯一创始人，微软的创始人不平等且另一位后离开）多为单一创始人或权力极不平等的创始人。真正的平等案例不多。坚持平等可能带来负面影响。 创始人背景调查的解读： 正面的背景调查是积极信号。 负面的背景调查（除非涉及道德或严重问题）通常是中性信号。 原因一：产品市场契合度比创始人能力更重要。即使创始人能力一般，选对方向也能成功。 原因二：情境依赖性。在某一环境中懒散平庸的人，在需要承担全部责任并驱动一切时，可能表现得更好。 例子： Elad Gil在Twitter的一位同事，平时表现平平，几年后却成功经营了一家初创公司。该同事解释说，当“屁股着火”（感到压力和责任）时，他才会努力工作。 不过，Gil认为真正的巨型成功原型，是那些无法容忍平庸、始终保持高度驱动力的人。01:29:37 - 01:36:48
投资Anduril的逻辑及国防工业的未来
投资Anduril的背景与标准：时机： Google刚停止Maven项目，国防科技在硅谷变得不受欢迎，许多人认为从伦理上不应支持国防工业。Elad Gil认为这很荒谬，保卫西方价值观需要国防科技。大公司不愿做，正是初创公司的机会。 构建下一代国防科技公司的要素：技术上的“Why Now”： 什么技术变革是现有巨头无法简单嫁接的？对Anduril而言，初期是机器视觉和无人机。 足够宽的产品组合以成为“主承包商”(Prime)： Anduril从第一天起就这么做了。 与国防部快速建立联系/缩短销售周期的能力。充足的融资以应对漫长的项目周期： Anduril在约3.5年内获得了首个“记录在案项目”(Program of Record)，速度惊人（据称是朝鲜战争以来最快）。 商业模式的转变： 传统国防工业是“成本加成”(Cost-Plus)模式：成本（人工、部件）之上加5-12%利润。这激励了承包商拖延时间和抬高成本（如100美元的螺丝钉）。 Anduril致力于创建更传统的硬件利润模式：例如，洛克希德·马丁卖100万美元无人机，成本加成5%，赚5万美元。Anduril卖1万美元但能力相当的无人机，若有50%硬件利润，也赚5万美元，但政府能买10架。这样政府获得10倍硬件能力，Anduril获得10倍利润，实现双赢。国防工业“成本加成”模式的成因及弊端： 初期可能被视为公平，因成本透明。 但已不适用，且过去30年国防工业大规模整合，导致竞争减少，增长多来自并购，形成寡头垄断。国防工业的未来变革：趋势： 不可避免地转向高度分布式的、基于无人机的系统，成为各军种的主要组成部分。 原因： 不仅更快、更便宜，而且无人系统能承受人类操作员无法承受的G力。 AI飞行员： 欧美已有多个关于自主飞行、自主无人机和空中自主能力的合同在推进。 人类决策环节： 目前普遍坚持在涉及致命性决策时保留人类操作员触发，以避免AI自主系统犯错。 非对称威胁： 并非所有国家都会遵守上述规则，需要考虑如何应对和报复。 战争形态变化： 现代战争的血腥程度远低于百年前（例如，若百年前胡塞武装持续攻击商船，反应会截然不同）。现代处理冲突的方式已大为不同。寻找软件/网络领域的“Anduril”： Elad Gil一直在寻找，尚未发现直接对标的公司，但认为这类公司正在出现（如利用AI处理网络钓鱼等威胁的AI安全公司，Material Security等）。01:36:49 - 01:38:22
Elad Gil对“成功”的定义及播客结束
Elad Gil对成功的理解： 借鉴东方哲学/宗教的理念，成功如同生命中不断扩展的同心圆，随时间变化：早期关注自我和学业 -> 加入工作 -> 家庭和社区 -> 社会。最终可能像印度苦行僧那样去森林冥想。 不同人对这些圆的侧重不同。 Elad Gil目前正经历一个转变：从主要关注工作和家庭，日益思考如何在社会层面做出积极贡献。交流与合作
如果希望和我交流讨论，或参与相关的讨论群，或者建立合作，请加微信，联系方式请点击 -> 联系方式。
本文于2025.6.15 首发于头条号