Tiêu đề video: Biên giới AI và cách phát hiện các công ty tỷ đô trước mọi người khác—Elad Gil
Tác giả video: Tim Ferriss
Biên soạn bởi: Peggy, BlockBeats

Lưu ý của người biên tập: Trong bối cảnh AI bước vào cuộc cạnh tranh gay gắt về vốn, sức mạnh tính toán và sản phẩm, các cuộc thảo luận trong ngành đang chuyển từ "liệu khả năng của mô hình có tiếp tục phát triển vượt bậc không?" đến "ai thực sự có thể ở lại trong vòng tái thiết cơ sở hạ tầng này." Trong hai năm qua, thị trường đã quen với việc sử dụng các thông số mô hình, điểm chuẩn, quy mô tài chính và những thay đổi về định giá để hiểu sự cạnh tranh của AI; nhưng khi khả năng của mô hình lớn tiếp tục tiếp cận và khoảng cách giữa các phòng thí nghiệm hàng đầu tạm thời hội tụ, một câu hỏi cấp độ thấp hơn bắt đầu xuất hiện: Lợi thế lâu dài trong kỷ nguyên AI đến từ sự dẫn đầu về công nghệ hay từ sự kết hợp có hệ thống giữa tài năng, sức mạnh tính toán, phân phối, tổ chức và cửa sổ thị trường?

Bài viết này được biên soạn từ một cuộc trò chuyện dài giữa Tim Ferriss và Elad Gil. Elad Gil là một doanh nhân nổi tiếng và nhà đầu tư sớm ở Thung lũng Silicon. Anh ấy đã tham gia đầu tư vào Airbnb, Stripe, Coinbase, Perplexity, Harvey, Anduril và các công ty khác. Ông từ lâu đã quan tâm đến chu kỳ công nghệ và sự phát triển của các công ty có tốc độ tăng trưởng cao.

Trong cuộc trò chuyện này, Elad Gil không cố gắng dự đoán rằng một công ty AI nào đó cuối cùng sẽ giành chiến thắng mà đã tách cuộc cạnh tranh AI thành một tập hợp các vấn đề mang tính cấu trúc cấp thấp hơn: tài năng được định giá lại như thế nào, các nút thắt về năng lực tính toán hạn chế khoảng cách giữa các phòng thí nghiệm hàng đầu như thế nào, cách các công ty ứng dụng xác định cửa thoát của riêng họ và cách các công ty khởi nghiệp chuyển từ năng lực sản phẩm sang mở rộng tổ chức thực sự.

Cuộc trò chuyện này có thể được hiểu từ năm khía cạnh.

Đầu tiên, có những thay đổi trong thị trường nhân tài AI. Trước đây, sự tăng vọt về tài sản thường xảy ra sau đợt IPO, khi một công ty lên sàn và các nhân viên ban đầu cũng như nhóm sáng lập của công ty đó đánh giá lại tài sản của họ. Giờ đây, việc Meta tích cực đấu thầu những tài năng AI hàng đầu đã buộc các gã khổng lồ công nghệ khác phải đáp ứng các mức lương phù hợp, cho phép một nhóm nhỏ các nhà nghiên cứu nằm rải rác ở các công ty khác nhau trải nghiệm trước một đợt "IPO cá nhân". Điều này có nghĩa là các tài năng AI không còn chỉ là nguồn lực R&D trong công ty mà đang trở thành tài sản khan hiếm quyết định tốc độ cạnh tranh công nghệ.

Thứ hai, hạn chế về sức mạnh tính toán đã thay đổi từ vấn đề về một con chip đơn lẻ sang vấn đề về chuỗi cung ứng. Trước đây, thị trường thường hiểu cơ sở hạ tầng AI là “ai có thể mua thêm GPU NVIDIA”. Nhưng Elad Gil nhấn mạnh rằng những điểm nghẽn thực sự hiện nay có thể nằm ở bộ nhớ, bao bì, xây dựng trung tâm dữ liệu và nguồn điện. Trong ngắn hạn, hạn chế về chuỗi cung ứng này sẽ khiến các phòng thí nghiệm hàng đầu như OpenAI, Anthropic và Google gặp khó khăn trong việc nới rộng hoàn toàn khoảng cách. Nói cách khác, cuộc cạnh tranh AI không phải là một bước đột phá đơn lẻ mà là một cuộc chiến lâu dài tập trung vào chi phí vốn, năng lực sản xuất và khả năng điều phối cơ sở hạ tầng.

Thứ ba, đó là vòng đời của các công ty ứng dụng AI. Trước đây, các doanh nhân có xu hướng đánh đồng mức tăng trưởng cao với giá trị lâu dài, đặc biệt là trong giai đoạn đầu của làn sóng công nghệ, khi mức định giá, doanh thu và mức tăng trưởng người dùng đều sẽ tăng lên nhanh chóng. Nhưng nhận định của Elad Gil gần với quan điểm mang tính chu kỳ hơn: trong mỗi vòng cách mạng công nghệ, đại đa số các công ty cuối cùng sẽ biến mất, và AI sẽ không phải là ngoại lệ. Do đó, đối với nhiều công ty ứng dụng AI thành công, 12 đến 18 tháng tới có thể không phải là thời điểm để tiếp tục cấp vốn mà là thời điểm rút lui để tối đa hóa giá trị. Câu hỏi thực sự không phải là liệu công ty có phát triển hay không mà là liệu nó có đủ bền vững trong một thập kỷ hay không.

Thứ tư, là việc xác định lại con hào. Trước đây, lợi thế của các công ty phần mềm thường đến từ trải nghiệm sản phẩm, dữ liệu, kênh phân phối hay thương hiệu; Giờ đây, chìa khóa của các công ty ứng dụng AI nằm ở chỗ liệu chúng có thể được tích hợp vào quy trình làm việc của khách hàng và trở thành một hệ thống khó tháo rời hay không. Việc làm cho mô hình cơ bản mạnh hơn không tự động mang lại lợi ích cho tất cả các ứng dụng AI. Chỉ những công ty có sản phẩm trở nên mạnh mẽ hơn khi mô hình của họ tiến bộ, đồng thời ràng buộc chặt chẽ các quy trình doanh nghiệp và dữ liệu độc quyền, mới có thể tồn tại được trong chu kỳ.

Thứ năm, đó là việc hiểu lại phương pháp mở rộng của các công ty khởi nghiệp. Elad Gil, khi nói về cuốn sách "Cách mở rộng quy mô khởi nghiệp" nhấn mạnh rằng tốc độ tăng trưởng cao không diễn ra một cách tự nhiên. Hội đồng quản trị, tài chính, quản lý tổ chức, hệ thống phân phối và các quyết định M&A đều cần được thiết kế một cách chủ động. Những công ty thực sự lớn không chỉ có sản phẩm tốt mà còn thường có bộ máy phân phối cực kỳ mạnh mẽ. Thanh công cụ của Google, quảng cáo mua tên người dùng của Facebook và sự ra mắt quy mô lớn của TikTok đều cho thấy sự tăng trưởng không bao giờ là một câu chuyện lãng mạn mà là một tập hợp các dự án kinh doanh được thực hiện một cách có hệ thống.

Sự cạnh tranh lâu dài của AI sẽ không chỉ được quyết định bởi năng lực của mô hình mà sẽ được quyết định bởi tài năng, sức mạnh tính toán, cơ hội thị trường, khả năng phân phối và thiết kế tổ chức. Theo nghĩa này, đối tượng thảo luận trong bài viết này không chỉ là làm thế nào các công ty AI giành chiến thắng mà còn là loại công ty nào đủ điều kiện để tồn tại trong giai đoạn tiếp theo trong chu kỳ công nghệ mới.

Sau đây là nội dung gốc (nội dung gốc đã được chỉnh sửa để dễ đọc và dễ hiểu):

TL;DR

·Cuộc chiến nhân tài AI đã chuyển từ cạnh tranh tuyển dụng sang đánh giá lại sự giàu có. Việc tuyển dụng của Meta về cơ bản cho phép một nhóm nhỏ các nhà nghiên cứu hàng đầu hoàn thành “IPO cá nhân” trước thời hạn.

·Nút thắt chính trong cuộc cạnh tranh ngắn hạn của AI không chỉ là chip mà còn là hệ thống chuỗi cung ứng bao gồm bộ nhớ, gói và trung tâm dữ liệu. Điều này sẽ gây khó khăn cho các phòng thí nghiệm hàng đầu trong việc nới rộng hoàn toàn khoảng cách trong một hoặc hai năm tới.

·Tốc độ tăng trưởng của các công ty AI đang làm mới lịch sử công nghệ, nhưng quy luật lịch sử không thay đổi: việc thiết lập xu hướng chung không có nghĩa là hầu hết các công ty đều có thể vượt qua chu kỳ.

·12 đến 18 tháng tới có thể là khoảng thời gian định giá cho nhiều công ty ứng dụng AI, bởi vì một khi tốc độ tăng trưởng chậm lại và các sản phẩm được nhân rộng trong phòng thí nghiệm, giá trị thoát ra sẽ giảm nhanh chóng.

·Những công ty AI thực sự có thể tồn tại không phải là những công ty chỉ gọi mô hình mà là những công ty có thể kiểm soát lối vào, nhúng quy trình của khách hàng và trở nên mạnh mẽ hơn khi mô hình cơ bản trở nên mạnh mẽ hơn.

·Phương pháp đầu tư của Elad Gil không phải là theo đuổi những khái niệm nóng hổi mà trước tiên là xác định xem thị trường có đủ lớn hay không và liệu nó có mới được mở hay không, sau đó xem liệu nhóm có thể nắm bắt được cơ hội này hay không.

·Việc mở rộng quy mô của một công ty khởi nghiệp không bao giờ diễn ra một cách tự nhiên. Hội đồng quản trị, tài chính, mở rộng tổ chức và bộ máy phân phối đều cần được thiết kế một cách chủ động.

·Ý nghĩa công nghiệp lớn nhất của AI không phải là làm cho phần mềm thông minh hơn mà là mở lại các thị trường luật pháp, dịch vụ doanh nghiệp, công việc văn phòng, v.v. vốn đã đóng cửa ban đầu và biến "công cụ bán hàng" thành "bán lao động trí óc".

Cuộc phỏng vấn ban đầu

Tài năng AI sắp trải qua đợt IPO cá nhân

Tim Ferriss: Elad, rất vui được gặp bạn. Cảm ơn bạn đã dành thời gian, tôi thực sự đánh giá cao nó.

Elad Gil: Như mọi khi, rất vui được gặp bạn.

Tim Ferriss: Tôi nghĩ chúng ta có thể bắt đầu với chủ đề chúng ta vừa nói trước khi ghi hình, hay nói cách khác, một hiện tượng mới mà bạn vừa giải thích. Bạn có thể cho tôi biết thêm một chút về những gì chúng ta vừa nói đến không?

Elad Gil: Tất nhiên rồi. Chúng tôi vừa nói về một số thương vụ mua lại đang diễn ra trong không gian AI. Ví dụ: có vẻ như xAI vừa có được tùy chọn để thực sự có được Con trỏ. Tất nhiên, Scale cũng được Meta mua lại một phần. Đã có khá nhiều giao dịch như vậy diễn ra trong một hoặc hai năm qua.

Ngoài ra, chúng tôi cũng đang thảo luận: Điều này có ý nghĩa gì đối với cộng đồng nghiên cứu AI và toàn thể cộng đồng AI? Tôi nghĩ một trong những điều thú vị nhất đã xảy ra trong khoảng một năm qua là Meta bắt đầu đấu thầu rất tích cực để có được tài năng AI. Đây thực sự là một chiến lược rất hợp lý. Vì họ phải đầu tư hàng chục tỷ đô la vào sức mạnh tính toán nên việc sử dụng ngân sách thực tế của họ để thu hút mọi người là điều hợp lý.

Thông thường trong ngành công nghệ, điều này xảy ra: một công ty lên sàn và một nhóm người từ công ty này thu được khối tài sản khổng lồ. Khi đó một số người trong số họ sẽ tiếp tục làm việc chăm chỉ và tập trung vào sứ mệnh ban đầu; những người khác sẽ bắt đầu bị phân tâm. Họ có thể thực hiện một số dự án lợi ích phục vụ xã hội, họ có thể tham gia chính trị, họ có thể khởi nghiệp kinh doanh, hoặc họ có thể đơn giản nghỉ ngơi và ra bãi biển nằm nghỉ.

Điều xảy ra gần đây là do Meta đưa ra mức giá cao nên những gã khổng lồ công nghệ khác phải đưa ra mức giá tương ứng cho những nhà nghiên cứu giỏi nhất của họ, vì vậy, khoảng 50 đến vài trăm người đã thực sự trải qua một đợt "IPO" - nhưng không phải với tư cách một công ty mà với tư cách một nhóm. Họ không ở cùng một công ty mà sống rải rác khắp Thung lũng Silicon, nhưng mức lương của họ đột nhiên tăng lên đáng kể, và theo một nghĩa nào đó, họ đã trải qua sự gia tăng tài sản tương tự như khi một công ty lên sàn chứng khoán. Điều này hiếm đến mức có thể gọi là "IPO cá nhân".

Tình huống tương tự duy nhất tôi có thể nghĩ đến trong lịch sử có lẽ là trong ngành công nghiệp tiền điện tử. Vào thời điểm đó, một nhóm gồm những người nắm giữ hoặc sáng lập tiền điện tử rất sớm, với tư cách là một nhóm, đột nhiên đạt được "danh sách tập thể" theo nghĩa nào đó vào năm 2020 - hay chính xác hơn là có thể là vào khoảng năm 2017; một tình huống tương tự lại xảy ra trong thời gian gần đây.

Nhưng điều này thực sự thú vị và chưa được thảo luận đầy đủ. Nó không nhất thiết có tác động lâu dài lớn nhưng điều đó có nghĩa là ưu tiên của một số người sẽ thay đổi. Họ có thể bắt đầu một số dự án khoa học lớn lao để cố gắng giúp đỡ nhân loại; họ cũng có thể chuyển sang các hướng như AI cho Khoa học; và một số có thể rời bỏ con đường ban đầu để theo đuổi sứ mệnh cá nhân hoặc những việc khác.

Tim Ferriss: Đúng vậy. Hay đơn giản là “âm thầm từ chức” và bắt đầu dùng thật nhiều ma túy để theo đuổi những ham muốn khác nhau. Ý tôi là, điều đó cũng xảy ra.

Elad Gil: Tất nhiên là sẽ có.

Tim Ferriss: Trong trường hợp này, nếu bạn nhìn vào Austin, có một nhóm được gọi là "Dillionaires" - tức là những nhân viên đầu tiên, những người có liên quan, v.v. đã trở nên giàu có nhờ cổ phiếu sau khi Dell niêm yết cổ phiếu. Nhưng nếu bạn nhìn họ như một nhóm, khi điều gì đó như thế này xảy ra, tôi không nghĩ chúng ta biết tác động sẽ lớn đến mức nào và nó sẽ kéo dài bao lâu, nhưng rõ ràng là sẽ có một số hậu quả.

Trong số những người tôi biết, chỉ có một số ít hiểu đủ rõ về công nghệ, có tầm nhìn và mối quan hệ đủ rộng để tiếp tục quan sát AI. Ở một mức độ nhất định, tôi sẽ xếp bạn vào loại này nếu ai đó có thể nhìn vào lĩnh vực này một cách tương đối toàn diện.

Bạn đã viết một bài báo trong tuần này và cũng nói về các yếu tố khác đang diễn ra ở đây, chẳng hạn như những hạn chế về năng lực tính toán mà các phòng thí nghiệm AI phải đối mặt và tác động có thể xảy ra trong vòng 1 đến 5 năm tới. Bạn nên đọc bài viết này với tiêu đề "Một số suy nghĩ ngẫu nhiên khi nhìn vào biên giới đầy sương mù của AI". Nhân tiện, tiêu đề hay đấy.

Elad Gil: Rất kịch tính.

Tim Ferriss: Vâng, nó rất kịch tính, tôi rất thích nó và nó rất sinh động. Nhưng trước khi chúng ta đi vào chủ đề về hạn chế sức mạnh tính toán - và tôi muốn bạn nói về vấn đề này tiếp theo - nhưng đối với những người không có nhiều kiến ​​thức về cuộc chiến giành nhân tài, bạn vừa đề cập rằng Meta bắt đầu tích cực thu hút mọi người. Ở cấp độ nhân tài cấp cao, mức lương gần đúng, gói cổ phần hoặc gói thù lao tổng thể là bao nhiêu?

Elad Gil: Tôi không có thông tin chính xác về phạm vi đầy đủ cũng như không biết tất cả các chi tiết. Nhưng theo tin đồn và một số tài khoản đã đưa tin trên các phương tiện truyền thông, những lời đề nghị này dao động từ hàng chục đến hàng trăm triệu đô la cho mỗi người.

Tất nhiên, có rất ít người có thể được đãi ngộ cao như vậy. Nhưng logic cốt lõi là chúng ta đang ở trong một trong những cuộc đua công nghệ quan trọng nhất từ ​​trước đến nay. AI càng trở nên mạnh mẽ hơn thì giá trị kinh tế mà nó mang lại càng lớn. Vì vậy, đối với một số ít người thực sự đứng đầu thế giới trong lĩnh vực này, các công ty sẵn sàng trả nhiều hơn mức bình thường.

Cách đây 5, 10 năm, những người này chắc chắn có mức lương rất cao, nhưng đó lại là một câu chuyện hoàn toàn khác. Bởi AI lúc đó chưa phải là cốt lõi của toàn bộ ngành công nghệ. Quan trọng hơn, AI sẽ có tác động rất rộng từ các cấp độ xã hội, chính trị, giáo dục, y tế và các cấp độ khác. Tôi nghĩ về tổng thể thì tác động sẽ là tích cực, nhưng đây thực sự là một thời điểm chuyển tiếp, vì vậy các gói trả lương này đột nhiên tăng lên đáng kể.

Nút thắt cổ chai của cuộc chiến sức mạnh tính toán lúc này không phải ở con chip mà ở bộ nhớ

Tim Ferriss: Hạn chế về sức mạnh tính toán mà bạn đề cập trong bài viết gần đây là gì?

Elad Gil: Ngày nay, mọi người gọi những công ty này là "phòng thí nghiệm" - chẳng hạn như OpenAI, Anthropic, Google, xAI, v.v. Tất cả các phòng thí nghiệm này về cơ bản đều đào tạo những mô hình khổng lồ.

Cụ thể là bạn đang mua rất nhiều chip từ NVIDIA. Nhưng trên thực tế, bạn đang xây dựng một hệ thống hoàn chỉnh: chip NVIDIA, bộ nhớ của SK hynix, Samsung và các hãng khác, và một trung tâm dữ liệu. Việc xây dựng các hệ thống và trung tâm dữ liệu quy mô lớn như vậy đòi hỏi phải đầu tư về nhiều mặt.

Về cơ bản, bạn đang xây dựng một cụm gồm hàng trăm nghìn hoặc hàng triệu hệ thống và quy mô ngày càng tăng. Các hệ thống này đến từ NVIDIA và có thể cả các nhà cung cấp khác. Google có TPU của riêng mình và có các hệ thống khác trong ngành. Bạn sử dụng cơ sở hạ tầng này để đào tạo các mô hình AI.

Điều này có nghĩa là bạn sẽ chạy lượng dữ liệu khổng lồ trên các cụm đám mây khổng lồ này. Điều điên rồ nhất là mô hình đầu ra cuối cùng giống như một tệp phẳng. Nó giống như xuất ra một tập tin văn bản hay gì đó. Sau đó, bạn tải tệp này và sử dụng nó để chạy AI. Nếu bạn suy nghĩ kỹ thì điều này thật điên rồ: bạn chạy một hệ thống đám mây khổng lồ trong vài tháng và kết quả cuối cùng là một tệp nhỏ.

Và tập tin nhỏ này, ở một mức độ nào đó, chứa đựng hỗn hợp kiến ​​thức của con người có sẵn trên Internet, cũng như logic, khả năng lý luận và các khả năng khác.

Bạn cũng có thể hiểu điều này từ góc độ của bộ não con người. Con người có ba đến bốn tỷ cặp cơ sở DNA, đủ để xác định mọi thứ về con người bạn với tư cách là một cá thể vật lý, bao gồm bộ não, tâm trí và phương thức vận hành. Chúng quyết định cách bạn nhìn mọi thứ, cách bạn nói, cách bạn nếm thử và cách bạn có các giác quan khác nhau. Tất cả những điều này thực sự được gói gọn trong một số lượng gen tương đối nhỏ.

Tương tự, kiến ​​thức của con người cũng có thể được gói gọn một cách hiệu quả vào một tập tin nhỏ như vậy.

Tim Ferriss: Vậy bạn nghĩ gì về những hạn chế này? Chính xác thì những hạn chế ở đâu?

Elad Gil: Hàng năm, việc xây dựng các cụm đám mây lớn này để đào tạo AI đều có một số hạn chế. Ngoài ra, còn có cái gọi là suy luận, là giai đoạn suy luận: khi bạn thực sự sử dụng những con chip này để hiểu và chạy chính hệ thống AI, bạn cũng cần một số lượng lớn chip NVIDIA, hay TPU và các chip khác.

Nhưng bạn cần một thứ khác ngoài con chip. Ví dụ: bạn cần có khả năng đóng gói để đóng gói con chip thực sự. Vì vậy, có cả một chuỗi cung ứng xung quanh việc xây dựng các hệ thống này.

Những nút thắt khác nhau sẽ xảy ra ở các mắt xích khác nhau của chuỗi cung ứng này vào những thời điểm khác nhau. Nút thắt chính hiện nay là bộ nhớ, hay chính xác hơn là một loại bộ nhớ cụ thể. Loại bộ nhớ này chủ yếu được sản xuất bởi các công ty Hàn Quốc, nhưng cũng có nhiều nhà cung cấp hơn.

Trong ngành, người ta thường tin rằng tình trạng tắc nghẽn bộ nhớ này có thể kéo dài khoảng hai năm, kèm theo một số biến động. Bởi vì suy cho cùng, năng lực của các công ty này thấp hơn năng lực của các bộ phận khác trong hệ thống.

Người ta lập luận rằng những hạn chế khác trong tương lai có thể là khả năng tự xây dựng các trung tâm dữ liệu hoặc năng lượng và năng lượng cần thiết để vận hành các hệ thống này. Nhưng hiện tại, nút thắt chính là bộ nhớ.

Toàn bộ ngành hiện bị giới hạn bởi lượng sức mạnh tính toán mà nó có thể mua và sau đó đầu tư vào đào tạo và vận hành mô hình. Điều này sẽ mang lại một kết quả: trong ngắn hạn, nó đặt ra giới hạn cho việc mở rộng quy mô mô hình. Bởi vì mọi phòng thí nghiệm đang mua càng nhiều sức mạnh tính toán càng tốt và nhiều công ty khởi nghiệp đang mua càng nhiều sức mạnh tính toán càng tốt nên mọi người đều mắc kẹt.

Điều này có nghĩa là trong ngắn hạn, mô hình có thể lớn đến mức nào, có thể chạy bao nhiêu suy luận và mức độ bạn thực sự có thể làm với AI bây giờ sẽ bị giới hạn bởi một mức trần nhân tạo.

Nhưng điều đó cũng có nghĩa là nó tạo ra một tình huống trong đó không một phòng thí nghiệm nào có thể vượt xa những phòng thí nghiệm khác. Bởi vì nó không thể mua được sức mạnh tính toán gấp mười lần của người khác.

Có một quy luật về quy mô: bạn càng có nhiều sức mạnh tính toán thì bạn thường có thể đào tạo mô hình AI càng lớn; trong nhiều trường hợp, hiệu suất cuối cùng của mô hình sẽ mạnh hơn.

Điều này có thể có nghĩa là trong khoảng hai năm tới, năng lực của các phòng thí nghiệm này rất có thể sẽ tương đối gần nhau. Bởi không ai có đủ năng lực sản xuất để đột ngột xa cách.

Nhưng khi hạn chế này được dỡ bỏ, có khả năng thực sự là một công ty sẽ đột nhiên dẫn đầu tất cả các công ty khác với tỷ suất lợi nhuận lớn. Giờ đây OpenAI, Anthropic và Google thực sự tương đối gần nhau về khả năng. Tất nhiên, một số công ty sẽ dẫn đầu ở một số khía cạnh, trong khi những công ty khác sẽ dẫn đầu ở các khía cạnh khác. Người ta thường tin rằng do nút thắt cổ chai này, trạng thái tương đối chặt chẽ này sẽ tiếp tục diễn ra trong khoảng hai năm tới.

Tim Ferriss: Phải chăng Google cũng bị hạn chế bởi nguồn cung cấp bộ nhớ của Samsung, Micron và các công ty khác? Họ có phải chịu những hạn chế tương tự như những người chơi khác không?

Elad Gil: Hiện tại, về cơ bản mọi người đều phải chịu những ràng buộc giống nhau. Một số phòng thí nghiệm này đang phát triển chip hoặc hệ thống của riêng họ. Ví dụ: Google có những thứ như TPU và Amazon cũng sản xuất chip riêng có tên Trainium. Các công ty khác nhau có những hệ thống khác nhau, nhưng về cơ bản tất cả đều bị giới hạn bởi số lượng họ có thể sản xuất và số lượng họ có thể mua.

Một hoặc hai năm trước, nút thắt chính là khâu đóng gói; bây giờ nó là ký ức. Ai biết được trong hai năm nữa, có thể nó sẽ biến thành thứ gì đó khác. Trong quá trình thúc đẩy vòng xây dựng cơ sở hạ tầng này, chúng ta sẽ tiếp tục gặp phải những nút thắt mới.

Tim Ferriss: Đối với tôi, câu hỏi này nghe có vẻ nghiệp dư, vì tôi là một "Muggle" và không thể viết sách trắng về kỹ thuật cũng như không thể viết bất cứ điều gì gần như thế. Nhưng đối với tôi, có vẻ như – và chắc chắn tôi không phải là người duy nhất nói điều này – rằng chúng ta có thể dự đoán vấn đề tốt hơn là dự đoán giải pháp.

Ví dụ, cách đây rất lâu, khi giá xăng tăng cao trên một mức nhất định, mọi người bắt đầu dự đoán về thảm họa và sự sụp đổ. Nhưng khi giá mỗi thùng dầu vượt quá một mức nhất định, các phương pháp khai thác mới đột nhiên trở nên khả thi và tiền bắt đầu được đầu tư vào các công nghệ như bẻ gãy thủy lực.

Vậy liệu có thể sẽ có cách nào đó giải quyết nút thắt cổ chai về sức mạnh tính toán AI? Tương tự như logic này, tôi không biết nó có hợp lý không. Có lẽ không hề.

Elad Gil: Theo như tôi biết thì ít nhất là chưa. Một phần là do cách xây dựng những thứ này khiến việc đi lại trở nên khó khăn.

Ví dụ: năng lực sản xuất cần thiết cho bộ nhớ về cơ bản phụ thuộc vào một loại nhà máy nhất định. Vì vậy, bạn cần thời gian để xây dựng nhà máy, mua thiết bị và bố trí dây chuyền sản xuất. Đây là chu trình chi tiêu vốn và xây dựng cơ sở hạ tầng truyền thống.

Những công ty này trước đây chưa đầu tư đủ vào lĩnh vực này vì họ không hoàn toàn tin tưởng vào dự đoán của người khác về nhu cầu AI. Bây giờ họ chỉ có thể cố gắng đuổi kịp.

Vì vậy, điều này trở thành tình huống mà mọi người đều nói: "AI đang phát triển quá nhanh, làm sao nó có thể tiếp tục phát triển với tốc độ này?" Nhưng nó vẫn tiếp tục phát triển như thế này và nó vẫn tiếp tục phát triển. Lý do là vì những khả năng này quá ảnh hưởng và quan trọng.

Sẽ rất thú vị khi xem thu nhập của các công ty này. Tôi có thể gửi cho bạn hình ảnh sau. Jared từ nhóm của chúng tôi đã lập một biểu đồ tổng hợp khoảng thời gian mà các công ty khác nhau đạt được doanh thu 1 tỷ USD, tăng từ 1 tỷ USD lên 10 tỷ USD và sau đó tăng từ 10 tỷ USD lên 100 tỷ USD.

Số công ty thực sự đạt được quy mô này trong lịch sử thực ra rất ít. Bạn có thể nhìn vào các công ty theo thế hệ để xem họ mất bao lâu. Ví dụ, tôi không thể nhớ, có lẽ đó là những công ty như ADP, họ đã mất 30 năm để đạt doanh thu 1 tỷ USD. Anthropic và OpenAI đã làm được điều đó trong một năm.

Google có thể đã mất bốn năm. Tôi không thể nhớ chính xác con số, nhưng có lẽ là như thế này: công ty càng về sau thì quy mô càng nhanh. OpenAI và Anthropic hiện được đồn đại là có doanh thu hàng năm khoảng 30 tỷ USD mỗi công ty.

Tim Ferriss: Điều này thật điên rồ.

Elad Gil: Bởi vì 4 năm trước, họ không có doanh thu. Và 30 tỷ USD tương đương với khoảng 0,1% GDP của Mỹ. Vì vậy, AI có lẽ đã tăng từ 0 lên 0,5% GDP, ít nhất là về mặt đóng góp doanh thu.

Nếu bạn tiếp tục ngoại suy và nói rằng họ đạt doanh thu 100 tỷ USD trong năm tới, hai năm hoặc một thời điểm nào đó, thì chúng ta đang tiến gần đến tình huống mỗi công ty này có thể chiếm 1% hoặc 2% GDP. Nếu bạn nghĩ về nó, điều này thực sự là quá đáng.

Tim Ferriss: Thật điên rồ, thực sự điên rồ.

Elad Gil: Những thứ này thực sự rất quan trọng và rất hữu ích. Và con số đó không bao gồm doanh thu trên nền tảng đám mây của Azure từ hoạt động kinh doanh AI, cũng như không bao gồm doanh thu liên quan từ Google Cloud hoặc Amazon. Ở đây chúng ta chỉ nói về hai công ty: OpenAI và Anthropic. Thực sự phóng đại.

Tim Ferriss: Tôi muốn hiểu thêm về suy nghĩ của bạn. Bởi vì trong số những người tôi đã gặp, bạn là một trong những người có tư duy nguyên tắc đầu tiên và tư duy hệ thống tốt nhất. Tôi thích trò chuyện với bạn vì tôi luôn có thể học được điều gì đó mới và đó không nhất thiết phải là một điểm dữ liệu cụ thể. Nhiều khi đó là một góc nhìn về một vấn đề hoặc một khuôn khổ tư duy.

Và bản thân khuôn khổ của bạn không ngừng phát triển. Ví dụ: tôi đã xem một cuộc phỏng vấn bạn đã thực hiện với First Round Capital cách đây không lâu. Bạn đã đề cập vào thời điểm đó rằng khi bạn xem xét các khoản đầu tư, trước tiên bạn nhìn vào thị trường, sau đó mới nhìn vào sức mạnh của đội ngũ. Bạn cũng đề cập rằng hồi đó bạn đã bỏ lỡ khoản đầu tư Series C của Lyft. Khi đó, nhận định này một phần phụ thuộc vào nhận định của bạn về cấu trúc thị trường: đó là người thắng được tất, cạnh tranh độc quyền nhóm hay các hình thức khác.

Tôi tò mò không biết hiện nay bạn nghĩ thế nào về vấn đề này trong lĩnh vực AI. Bởi trong số những người tôi biết, bạn gần như là một trong những người đầu tiên bắt đầu lập kế hoạch theo hướng này, thậm chí có thể là người đầu tiên.

Vậy bây giờ bạn nghĩ sao? Điều này cũng liên quan đến một câu được đề cập trong bài viết của bạn. Tôi chưa nghe ai khác nói điều này, nhưng tôi có thể đưa nó ra đây như một lời nhắc nhở - mặc dù tôi không nghĩ bạn cần một lời nhắc nhở.

Bạn đã viết: Bất kỳ nhà sáng lập nào đang điều hành một công ty AI thành công nên nghiêm túc và bình tĩnh xem xét việc rời đi trong vòng 12 đến 18 tháng tới. Đây có thể là khoảng thời gian để tối đa hóa giá trị của kết quả.

Bạn cũng đã xem xét tỷ lệ sống sót của các công ty khi bong bóng dot-com vỡ và tỷ lệ các công ty thực sự bùng nổ sau đó. Bạn nghĩ thế nào về vấn đề này? Bạn có thể giải thích câu này được không?

Elad Gil: Tất nhiên rồi.

Tim Ferriss: Ngoài ra, tôi cũng muốn yêu cầu bạn giải thích loại cấu trúc nào bạn nghĩ thị trường này cuối cùng sẽ hình thành? Bạn nghĩ đây sẽ là cuộc cạnh tranh thắng tất hay cạnh tranh độc quyền nhóm? Hay sẽ có những diễn biến khác?

Elad Gil: Nếu nhìn vào các tiền lệ trong lịch sử - tất nhiên, điều này không có nghĩa là AI chắc chắn sẽ đi theo con đường tương tự - nhưng trong hầu hết mọi chu kỳ công nghệ, 90%, 95% hoặc thậm chí 99% công ty cuối cùng sẽ thất bại.

Điều này có thể bắt nguồn từ cái gọi là ngành công nghiệp "công nghệ cao" cách đây một trăm năm, đó là ngành công nghiệp ô tô. Có hàng chục công ty ô tô ở Detroit và hàng trăm nhà cung cấp, và cuối cùng ngành công nghiệp này thu hẹp lại chỉ còn một số ít công ty ô tô. Đây không phải là một câu chuyện mới.

Hãy nhìn vào chu kỳ Internet những năm 1990 hoặc bong bóng Internet. Có khoảng 450 công ty ra mắt công chúng vào năm 1999, và khoảng 450 công ty nữa trong vài tháng đầu năm 2000, vậy là đã có 900 rồi. Cộng thêm 500 đến 1.000 công ty đã lên sàn chứng khoán trong những năm trước, tổng số có lẽ là từ 1.500 đến 2.000.

Các công ty này đều đã IPO, điều đó có nghĩa là họ đã "thành công" ở một mức độ nào đó. Nhưng có bao nhiêu công ty trong số này vẫn còn tồn tại đến ngày nay? Có thể là một tá, có thể là hơn hai mươi. Nói cách khác, trong số 2.000 công ty, có khoảng 1.980 công ty đã biến mất dưới một hình thức nào đó hoặc được mua lại với giá rất thấp.

Vì vậy, không có lý do gì để nghĩ rằng chu kỳ AI sẽ khác đi. Mọi chu kỳ đều như thế này. Điều này đúng với SaaS, điều này đúng với Internet di động và điều này đúng với ngành mã hóa. Phần lớn các công ty sẽ không thành công và chỉ một số ít sẽ ở lại. Chúng ta có thể thảo luận xem công ty nào sẽ ở lại.

Vì vậy, nếu hiện tại bạn đang điều hành một công ty AI, bạn nên tự hỏi mình một câu hỏi: Công ty của bạn có độ bền như thế nào? Mười năm nữa, liệu bạn có phải là một trong hàng chục hay hai chục công ty thực sự quan trọng không? Hay bây giờ nó thực sự là một cửa sổ bán hàng tốt? Bởi vì những gì bạn đang làm có thể trở thành hàng hóa, có thể bị cạnh tranh trực tiếp bởi các phòng thí nghiệm kiểu mẫu lớn, hoặc những thay đổi của thị trường, thay đổi công nghệ có thể khiến bạn trở nên lạc hậu.

Tất nhiên, sẽ có một số ít công ty trở nên rất vĩ đại. Họ không nên bán, không nên bỏ cuộc mà nên tiếp tục tiến về phía trước. Nhưng có lẽ có rất nhiều công ty mà ngay bây giờ hoặc 12 đến 18 tháng tới là thời điểm tốt nhất để họ đạt được mức định giá cao nhất cho những gì họ đang làm.

Đối với mỗi công ty, sẽ có lúc giá trị được tối đa hóa. Chúng sẽ đạt đến một đỉnh cao nhất định và đỉnh cao này thường là giai đoạn cửa sổ. Thông thường là 6 tháng, 12 tháng. Trong thời gian đó, những gì bạn đang làm đều đủ quan trọng, bạn đang phát triển đủ nhanh, mọi thứ đều hoạt động tốt và một số trở ngại vẫn chưa thực sự ập đến.

Đôi khi những cơn gió ngược này thực sự có thể đoán trước được và bạn có thể thấy chúng đang đến gần. Và rất nhiều lần, bạn có thể thấy nó ở đạo hàm bậc hai của tăng trưởng. Tức là tốc độ tăng trưởng của bạn bắt đầu chững lại một chút. Lúc này, bạn nên tiếp tục tính giá cao hơn hoặc nên cân nhắc việc bán hàng. Đây chính là ý nghĩa thực sự của câu nói đó.

Như bạn có thể thấy từ cuộc trò chuyện trước đây của chúng ta, tôi cực kỳ lạc quan về AI. Vì vậy, điều này không có nghĩa là tôi không lạc quan về những thay đổi tổng thể do AI mang lại, mà là nói rằng trong sự thay đổi này, cuối cùng chỉ có một số công ty sẽ tiếp tục giữ vai trò quan trọng. Câu hỏi quan trọng là: Bạn có phải là một trong số họ không?

Nếu đúng như vậy, bạn không bao giờ nên bán.

Làm thế nào các công ty AI có thể sống sót qua chu kỳ này? Kiểm soát lối vào hoặc nhúng quy trình làm việc

Tim Ferriss: Vậy đặc điểm của một số công ty này là gì? Ý tôi là, những công ty thực sự có lợi thế lâu dài. Nhìn lại năm 2000, bạn băn khoăn không biết nên dùng tiêu chí nào để chọn ra Google và Amazon?

Elad Gil: Vâng.

Tim Ferriss: Tôi không nói bong bóng dot-com là sự so sánh tốt nhất. Nhưng trong cơn lũ công ty AI hiện nay, bạn nghĩ công ty nào có lợi thế lâu dài?

Tất nhiên, một số phòng thí nghiệm mô hình lớn nổi tiếng đương nhiên sẽ xuất hiện trong tâm trí bạn. Có thể chúng sẽ trở thành cửa ngõ cho tất cả các ứng dụng khác, ai biết được. Nhưng bạn sẽ trả lời thế nào? Từ góc độ đặc điểm chung hoặc tên công ty cụ thể, bạn nghĩ đâu là sự khác biệt giữa số ít công ty có thể ở lại và các công ty khác?

Elad Gil: Tôi nghĩ Core Big Model Lab sẽ còn tồn tại trong một thời gian nữa. Ví dụ: OpenAI, Anthropic và Google dường như đều ở một vị trí tương đối vững chắc miễn là một loại tai nạn, thảm họa hoặc vụ nổ nào đó không xảy ra.

Về cấu trúc thị trường mà bạn đề cập, tôi đã viết một bài báo trên Substack khoảng ba năm trước, dự đoán vào thời điểm đó rằng đây có thể là một thị trường độc quyền: sẽ có một số công ty và họ sẽ gắn liền với các nhà cung cấp đám mây. Bây giờ nhìn lại thì điều này nói chung là đúng. Tất nhiên, hiện nay đã có Meta, xAI và những người chơi khác có thể thay đổi cục diện. Khi tôi viết bài đó, những biến số này vẫn chưa tồn tại.

Nhưng theo tôi, đây vẫn là thị trường độc quyền nhóm trong ngắn hạn. Không có lý do gì để nó tự nhiên trở thành một thị trường độc quyền, trừ khi một trong số họ vượt xa về khả năng đến mức nó đương nhiên trở thành lựa chọn mặc định cho tất cả mọi người. Chắc chắn điều này có thể xảy ra, nhưng nó vẫn chưa xảy ra. Những hạn chế về sức mạnh tính toán vừa được đề cập có thể ngăn chặn tình trạng này trong thời gian ngắn hoặc ít nhất là áp đặt những hạn chế nhất định đối với nó.

Nếu bạn tra cứu ngăn xếp công nghệ và vào lớp ứng dụng, bạn sẽ thấy các loại công ty ứng dụng khác nhau. Hãy nghĩ đến Harvey trong lĩnh vực pháp lý, Abridge trong lĩnh vực chăm sóc sức khỏe, Decagon và Sierra trong lĩnh vực thành công của khách hàng. Có các công ty ở mọi hướng ứng dụng.

Để đánh giá liệu những công ty này có thể được thành lập lâu dài hay không, bạn có thể xem xét chúng từ ba hoặc bốn góc độ.

Đầu tiên, nếu mô hình cơ bản trở nên tốt hơn, liệu sản phẩm hoặc dịch vụ của bạn có trở nên tốt hơn đáng kể đối với khách hàng không và liệu khách hàng có còn sẵn sàng tiếp tục sử dụng bạn không?

Thứ hai, từ góc độ sản phẩm, bạn đang làm sâu và rộng đến mức nào? Bạn đang xây dựng nhiều sản phẩm? Các sản phẩm có được tích hợp thành một tổng thể mạch lạc không? Is it really embedded in the company's internal processes to such an extent that it's difficult to unplug?

Many times, the real question when companies adopt AI is not "how good is this AI?" but "how much do I need to change my existing workflow and the way my employees do things in order to adopt it?" This is usually a change management issue, not a technology issue.

So, if you are embedded deeply enough into the customer's workflow, the way they do business, the way the organization collaborates, and the way the various systems connect to each other, that position tends to be more durable.

Third, are you capturing, storing and using proprietary data? Sometimes this is useful. Overall, I think the so-called "data moat" is often exaggerated, but in some cases, it can be very valuable. This usually corresponds to a "system of record" view of the world.

Therefore, there will be a series of criteria to judge whether something has long-term defensive properties. At the application layer, this is often one of the important perspectives.

Tim Ferriss: So I have a question. Let’s say there’s someone in the audience who is in this position: maybe a founder who should consider identifying the brief window in which his or her company’s valuation is at its highest, and then “parachute” to some extent. So what are his options?

Because I think of some companies - I won't name them - there are quite a few companies now valued at billions of dollars. From my perspective, which is mostly layman's, it doesn't seem that what these companies are selling now would be very difficult for large model labs to make themselves.

Should these companies aim to be acquired by a large model laboratory? If this is the case, there will be a "make it yourself or buy it" decision for the laboratory. Or, instead of targeting companies like OpenAI and Anthropic, they should target companies that want to get deeper into the game, like Amazon, or other similar players. What do you think of their exit options?

Elad Gil: I think there are actually many exit options. And what's crazy now is, if you go back 10 or 15 years ago, the market capitalization of the largest companies in the world was probably $300 billion. The market capitalization of the largest tech companies, I think is probably around $200 billion. The biggest companies at the time seemed to be energy companies like Exxon.

But over the last 10 to 15 years, suddenly it's become like this: We're starting to have a bunch of trillion-dollar companies. Everyone thought this was outrageous at the time, but in reality, the company is likely to only continue to get bigger. The biggest winners in the future are likely to be more aggregated rather than more dispersed.

Now, more companies than ever before have market capitalizations between $100 billion and several trillion dollars. This means they have huge purchasing power. Because 1% of a $3 trillion company is $30 billion. In other words, we only need to dilute 1% of our equity to buy a company for $30 billion. This is pretty crazy.

This is truly unprecedented. Because of this, these very large acquisitions can now happen.

Tim Ferriss: For the companies that I have in mind - and again I don't want to name names - they may seem to have a limited life cycle. I often chat with friends in small groups, many of whom are very successful technology investors. Then I will ask them: "Okay, let's say these five companies are here and you have 10 chips, how will you allocate them?" Some companies, although well-known, almost always get 0 chips. So why would these labs buy such a company?

Elad Gil: It depends on what company it is. And the buyer may not necessarily be a large model laboratory, but may also be a large technology giant. For example, Apple, Amazon, and Google are both to some extent. There are also Oracle, Samsung, Tesla, and now SpaceX has also begun to enter this market and do some related things. There are actually many different types of buyers. Also Snowflake, Databricks. If you are in financial services, you may also have Stripe and Coinbase. The fact is, there's a whole bunch of companies that are already really big, and that's the whole point.

So, a company usually ends up selling to one of four types of buyers.

第一类，是大模型实验室、超大规模云厂商，或者大型科技公司。

第二类，是那些非常重视你所在垂直领域的公司。比如你做法律、会计或相关领域，Thomson Reuters 这类公司可能就会感兴趣。

另外，我觉得有一件事发生得还不够多，那就是竞争对手之间的合并，尤其是私营公司之间的合并。因为如果你的首要目标是赢下市场，而你和另一个竞争对手一直势均力敌，每一单都在竞争，还互相把价格打坏，也许更好的选择就是合并。

这其实就是 90 年代 X.com 和 PayPal 的情况。 Elon Musk 和 Peter Thiel 当时分别经营不同的公司，后来他们选择合并，因为他们意识到：「既然我们两边都在做这件事，为什么还要继续打？」

Tim Ferriss：是的。或者很早以前的 Uber 和 Lyft。那可能不算合并，更像是收购。

Elad Gil：是的。传言是，那件事差一点就发生了，后来是 Uber 那边放弃了。但 Uber 这些年为了和 Lyft 竞争花掉的所有钱，可能还不如当时直接把它买下来。当然也可能不是这样，具体账我不知道。

但很多时候，选择说「算了，我们不要再互相消耗了，直接合并，然后一起去赢」，其实是有道理的。因为如果首要目标是赢下市场，而你本来就已经在和一批既有巨头竞争了，为什么还要让这件事变得更难？

Tim Ferriss：你知道，我们经常聊这个。但这次我想聊聊你作为投资人的视角。不过在你真正戴上这顶「全职投资人」的帽子之前，你的背景里已经有很多东西，可能帮助了你，也可能没有。我很好奇，如果你回头看自己的生物学背景、数学背景，你觉得这些东西，或者其他经历，有没有实质性地影响你对投资的思考？有没有给你带来某种优势？当然，赢得交易有不同阶段，但我们先只谈筛选，谈选择过程。

Elad Gil：我觉得数学对我有两方面帮助。

第一，它帮助我理解某些技术问题，尤其是算法、计算机科学相关的东西。有时候，这对理解trí tuệ nhân tạo 里某些事情如何运作很有用。或者至少让我对数字、数据更熟悉。我不一定要把它叫作「书呆子语言」，但大概就是那种东西。

说实话，我当时读数学学位纯粹是因为喜欢。我觉得真正有帮助的地方也在这里。我只是读了一个数学本科，没有继续深入太远，但我学的是非常抽象的纯数学。

我认为这是一种很好的训练，它迫使你真正一步一步地进行逻辑思考。至少我当时学习如何做证明时，大概的方式是：你先建立一个逻辑序列，但有时候你也会进行一些直觉跳跃，然后再回头试着把它证明给自己看，或者把这种直觉背后的推理补充完整。

我觉得投资有时候也有点像这样。

Tim Ferriss：你第一次意识到自己可能擅长投资是什么时候？这个投资可以是广义的投资，也可以是在我们谈话语境里的创业公司投资、天使投资。你什么时候第一次觉得：「嗯，也许我在这件事上还不错」？有没有某个时刻、某笔交易，或者其他什么让你想到这一点？

Elad Gil：其实没有。我对自己要求非常苛刻，所以即使到现在，我也经常质疑自己。有人曾经告诉我，事后最喜欢反复责备自己的两个人，一个是我，另一个是另一位非常知名的创始人兼投资人。

所以我没有哪个单一时刻会想：「哇，这件事真的很适合我做。」它更像是自然而然地持续发生。因为我投进了一些非常强的公司，然后这又让我可以继续做下去。是的，我也希望自己有那种「顿悟时刻」。

Tim Ferriss：该死，你得像每个优秀创始人一样，重新改写一下自己的早期故事。

Elad Gil：对，从我七岁开始，我就一直在思考如何投资科技公司。

Tim Ferriss：那你是怎么进入那些交易的？有些人拥有信息优势，而且他们会把自己放在一个能获得信息优势的位置上。这个问题我不想问得太引导性，但对我来说，如果我当年没有在 2000 年搬到硅谷，后来又一直待在那里，尤其是搬到旧金山，我在天使投资上做成的任何事情都不可能发生。

但你的故事显然不止如此。因为很多人都搬去了那里，怀着通过创业公司致富的希望，不管是以什么身份。当然我不是说你是为了这个搬去的。但到底是什么让你能够进入那些交易？基于我们过去的聊天，我脑子里会想到一些因素，但我先不说。为什么你能够进入，或者选中那些交易？

Elad Gil：我觉得早期发生的事情，和现在发生的事情不一样。这两个阶段是不同的。

就像你说的，对任何想进入某个行业的人来说，最重要的一件事，就是去这个行业的总部，或者它的产业集群所在地。你要搬到那个事情真正发生的地方。那些说「你可以在任何地方做任何事情」「一切都可以远程完成」的建议，都是胡说。不只是科技行业，所有行业都是这样。

如果你想进入电影行业，人们不会对你说：「你可以在任何地方写电影剧本，可以在任何地方做数字配乐，可以在任何地方剪辑，也可以在任何地方拍摄。所以你去达拉斯吧，加入他们蓬勃发展的电影圈。」人们会说：「去好莱坞。 」

如果你想进入金融行业，你可能会说：「我可以在任何地方融资，可以在任何地方想交易策略、想对冲基金策略，也可以在任何地方做这些事。」但人们会说：「去纽约，或者去某个金融中心。」

科技行业也是一样。

我们团队的 Shreyan 一直在做一种「独角兽分析」，研究私营科技公司的市值到底集中在哪里。传统上，大概一半集中在美国，而美国里面又大概一半集中在湾区。但到了 AI 这一轮，91% 的私营科技市值都集中在湾区。全球 AI 私营市场总市值的 91%，都集中在一个大概 10 英里乘 10 英里的区域里。

所以，如果你想做 AI，你很可能应该在湾区。第二选择可能是纽约，再往后就断崖式下降了。真正核心的地方还是湾区。

如果你想做国防科技，你可能应该去南加州，靠近 SpaceX、Anduril 所在的地方，比如 Irvine、Orange County、El Segundo 等地。那里有很多初创公司。

如果你想做金融科技和加密，可能就是纽约。

但现实就是，这些产业集群非常强。所以第一点，就像你说的，我当时确实在正确的位置。我处在正确的网络里。另一个默认条件是，我自己也在经营一家初创公司。我在 Google 工作了很多年，后来离开去创业。人们开始主动来找我寻求建议。

比如我最后投资 Airbnb 的方式是，当时他们大概只有八个人，我在帮他们融 A 轮。我给他们介绍了一些人，也在策略上非常轻度地帮了一点忙。当然，没有我他们也会完成融资。最后他们说：「嘿，这轮结束的时候，你想不想投一点？ 」我说：「好啊，听起来很棒。」这件事非常自然。

再比如我投资 Stripe 的方式。当时我把自己做的一家基础设施型、早期 API 公司卖给了 Twitter。那时 Twitter 大概有 90 个人左右。然后我给 Stripe 的 CEO Patrick 发了一封邮件，说：「我听说了很多关于你的好话，我也很喜欢 Stripe 在做的事情。如果是我自己的创业公司，我也会用它。我自己刚卖掉了一家 API 公司，你想不想聊聊这些东西？」

我们一起散了几次步。一两周后，他给我发短信说：「嘿，我们正在融资，你想投资吗？」所以我最早做的几笔投资，都是非常自然发生的。创始人会说：「我希望你参与进来。」

我当时并没有想：「哦，我应该成为投资人，然后我要去追逐项目。 」我只是很喜欢和聪明人聊天，很喜欢解决某些商业问题，也热爱技术以及技术如何转化到现实世界里。我就是一个书呆子，然后遇到了其他书呆子，大家聊得很投机。这就是我的早期故事。

Tim Ferriss：我突然想到一句话，你肯定听过，大家应该也都听过：如果你想要钱，就去寻求建议；如果你想要建议，就去寻求钱。我刚刚突然意识到，这句话反过来也成立。也就是说，如果你持续提供很多建议，很多时候你最后会获得投钱的机会。反过来，如果你一上来就想给钱，别人可能会来向你寻求建议。

Elad Gil：是的，说得很好。

Tim Ferriss：你是什么时候写《High Growth Handbook》的？那本书是什么时候出版的？

Elad Gil：已经有一段时间了。大概七年前左右吧，差不多。

Tim Ferriss：七年前。好，我们一会儿还会回到这个话题。因为你在地理位置上确实处在正确的地方。你处在交换机的中心。就像你说的，最早那些很突出的投资，都是非常自然发生的。

我好奇的是，你刚才也说了，过去你做的是一套东西，现在你做的是另一套东西。但在这两者之间，其实也有一个演化过程。比如我想问，你现在是否仍然认同这句话？这是我刚才提到的那次 First Round 采访里的内容：「作为一个一般原则，我做投资时，首先看市场，其次看团队实力。」后面还有更多内容。但这句话你现在还同意吗？

Elad Gil：90% 同意。偶尔你会遇到某个非常特殊的人，然后你就会支持他，尤其是在非常早期的时候。

比如 Perplexity 的第一轮融资，是我领投的，非常非常早期。那件事的起因是，Perplexity 的 CEO Aravind 好像是在 LinkedIn 上给我发了消息。那时候还没有人在做 AI，他当时是 OpenAI 的工程师，或者研究员。

他说：「嘿，我在 OpenAI。」当然那时候其实没人在乎 OpenAI。 「我在考虑做一些 AI 相关的东西。我听说你在聊这些，而其他人都不怎么聊。我们能不能见面？」

然后我们就开始每两周见一次，一起头脑风暴。后来这就变成了投资。那是一件「人优先」的事情，因为他实在太优秀了。每次我们聊完，一周后他都会带着我们讨论过的东西的成品回来。谁会这么做？

Tim Ferriss：是的，这是个很好的信号。

Elad Gil：真的太厉害了。

再比如我最后投资 Anduril 的方式。当时 Google 关闭了 Maven，也就是他们的国防项目。我当时想：「如果这些既有巨头不愿意做，那这不正是初创公司可以进入的好机会吗？」因为硅谷和国防工业之间本来就有很长的历史，比如 HP，还有很多早期品牌都是这样。

所以我当时就在找有没有人在做这个方向。当时这个方向非常不受欢迎。后来我好像是在一个早午餐活动或者类似场合，遇到了 Anduril 的联合创始人之一 Trae Stephens，他也在 Founders Fund。

这又一次说明，你要待在正确的城市。他说：「哦，我正在做一个新的国防项目。」我说：「太好了，我们来聊聊。」

所以有时候，我是在市场里主动寻找这些东西；有时候，是先遇到人。 Anduril 是先看到了市场，然后找到了非常优秀的人。 Perplexity 则介于两者之间：我当时一直在看 AI 里的各种东西，因为我认为它会变得极其重要，但当时关注它的人并不多。然后我遇到了一个非常出色的人。

我投资 OpenAI 也是这样。我投资 Harvey，也就是早期的法律 AI 公司，也是这样。我投了很多非常早期的项目，因为它们是当时少数在我认为极其重要的市场里真正做事的人。

Tim Ferriss：我想回到你刚才说的几件事。你提到 Perplexity 的创始人，或者说后来成为创始人的那个人，他说他看到或者听说你在谈 AI。那具体是在哪里？是在你的博客文章里吗？还是其他地方？他到底是怎么发现你在聊这些东西的？

Elad Gil：我觉得他联系我，部分原因是我之前参与了很多上一代科技公司，比如 Airbnb、Stripe、Coinbase、Instacart、Square 等等。当时我已经作为创始人和投资人有一定知名度了。

除此之外，我那时也在主动「骚扰」AI 研究人员，不停问他们现在到底发生了什么，因为这件事实在太有意思了。当时有很多人用一种叫 GAN 的东西做艺术，也就是生成对抗网络。

我也在玩这些东西。我曾经试图招工程师，帮我做一个本质上类似 Midjourney 的东西，因为我觉得，如果能让 AI 艺术创作变得很容易，那会非常酷。

Tim Ferriss：我先暂停一下，因为这是我的第二个问题，现在问正好。你刚才提到 AI 时说，你当时觉得它会变得极其重要。你是从哪些迹象判断出来的？远处冒出的那股「烟」是什么，让你觉得：「哦，这是个有意思的方向。」

Elad Gil：我觉得大概有两三个因素。

AI 一直是那种人们长期谈论的东西。我读数学学位的时候，上过很多理论计算机科学课程，也接触过早期神经网络课程，以及背后的数学基础。人们一直都在期待构建某种形式的人工智能。

某种意义上，你甚至可以说 Google 是第一家以 AI 为核心的公司。只不过那时候我们把它叫作机器学习，而且从某种意义上说，技术基础也不太一样。

我觉得 2012 年是一个关键节点。那一年 AlexNet 出现，它证明了你可以开始扩大模型规模，而且随着规模扩展，AI 系统会表现出非常有意思的特征。

然后到了 2017 年，Google 的一个团队发明了 Transformer 架构。现在几乎所有东西都建立在这个架构之上，或者说大致都基于它。比如你看 ChatGPT 里的 GPT，那个「T」指的就是 Transformer。

再到大概 2020 年，GPT-3 出现了。它相比 GPT-2 是一个巨大的跃迁。它当时还没有好到真正可以广泛拿来做很多事情，但你会意识到：「天哪，规模定律相关论文已经出来了，能力上的阶跃变化太大了。」

突然之间，你有了一个可以通过 API 调用的通用模型，任何人都可以访问。你只要把这件事往下一步外推，就会发现它一定会变得非常重要。

所以基本上，我是在看这种能力跃迁，亲自试用这些技术，然后读规模定律相关论文。或者更宽泛地说，我发现规模定律似乎对很多事情都成立。你会想：「哇，这件事会变得非常、非常重要，那我应该开始参与进去。」

Tim Ferriss：你觉得如果没有数学背景，你还会或者还能做到这种判断吗？我猜可能也有其他人做到了。但这也引出了我的问题：你是怎么发现并吸收这些信息的？这是当时圈子里的热门话题吗？也就是说，在你的社交圈和人脉网络里，大家已经在公开讨论这件事，所以你自然参与其中？还是说，你本来就在从不同领域吸收大量信息，而 AI 恰好是其中一个特别吸引你的方向？

Elad Gil：我觉得有三件事。

第一，我一直会从很多不同领域吸收大量信息，因为我喜欢学习各种东西。我本来就是数学、生物学、动漫、艺术和其他东西混在一起的人，一直都是这种混合状态。

第二，这确实也是我朋友们会聊的东西，但当时更像是玩具性质的讨论。比如，「哦，这个很酷，你看它生成了什么东西。」但大多数人并没有进一步外推。它有点像早期的加密货币或者比特币：大家都在聊，但真正买的人很少。我觉得这是其中一部分原因。

第三，说实话，我就是觉得这些东西很有意思，所以一直在玩。

这又回到了 GAN 和 AI 艺术那件事。当时不同模型会不断出现，你可以拿来试。

关于这一轮基础模型、AI 以及所有相关变化，有一件事的重要性其实被严重低估了。过去 AI 或机器学习的工作方式通常是这样的：你在公司里有一个团队，或者在其他地方有一个团队，然后会有所谓的 MLOps 团队。也就是机器学习运维团队。他们的工作，就是帮你设置所有数据、管道和相关流程，用来训练一个模型。

你训练出来的模型，是针对你的具体使用场景、针对你想完成的事情定制的。然后你还得搭建一堆内部服务，去和这个模型交互。

所以，要让一个可用的机器学习系统真正跑起来并进入生产环境，是一件非常痛苦的事情。

然后突然之间，事情变成了：你只需要调用一个 API。用一行代码，或者几行代码，世界上任何地方的任何人都可以访问它。

而且不只是这样，它还是通用的。它不再只是专门用于某一个场景，比如拼写纠错之类。你可以用它做任何事情。某种意义上，它的知识库里嵌入了整个互联网。它还开始具备更高级的推理能力。

但最重要的一点之一是：你用几行代码就可以获得它。你不需要去组建 MLOps 团队，不需要自己托管它，不需要处理一堆交互流程，也不需要做所有这些额外工作。它就是能用。

这真的非常重要。

Tim Ferriss：这太重要了。确实很难夸大这一点。

我有一百万个问题想问你。问题就在于，我们可以聊的方向太多了，简直是「富到尴尬」。

我和我的团队现在正在用 Claude Code 以及各种工具做很多事情。其中有一件事，刚好和你非常擅长、也非常有经验的领域重合，那就是天使投资。

这是我第一次觉得，我真的有能力去做这件事。当然，如你所想，这里面还是需要一些人工投入。但我现在可以回过头来，分析自己过去 20 年的天使投资经历，并试着做很多不同的事情。

我怀疑很多让我感兴趣的东西其实没什么实际用处，比如做一些反事实分析：如果我每一笔都持有三年、五年，或者其他时间，会怎么样？这基本上就像 Opus Dei 那种自我鞭笞，大多数时候只是在抽自己后背。

但在做这种分析时，有些问题会立刻浮现在我脑海里，而且可能真的值得研究。我想听听，如果是你，你会不会做这件事；如果会，你会怎么做。

坦白说，其中一部分纯粹是出于好奇。我想知道，我一直讲给自己的那些故事到底是不是真的。比如，我会感兴趣：某些介绍到底是谁做的？是不是有些人其实只是把那些快不行的公司——基本上像是临终关怀里的病人——送到我这里，做最后一搏？又或者，是否真的有一些人一直稳定地给我推荐好项目？

我可以用一百万种方式去盘问和丰富这些数据。我们现在也在用 Claude 和其他工具做这件事，做得还不错。 OpenAI 在这方面也非常强。

如果回头看，比如在我的情况下，大概是 20 年左右的投资记录，你觉得有哪些更有意思的问题，或者值得检查的分析路径？

Elad Gil：是的。我最近在做一件很奇怪的事：我会上传创始人的照片，然后让模型预测他们会不会成为优秀创始人。

Tim Ferriss：哦，哇。

Elad Gil：因为你想想，其实我们和人见面时一直在做这件事。我们会很快试图对一个人做出判断：他的性格是什么样，他是什么样的人。

这里面有很多微小特征。比如，你眼角有没有鱼尾纹，这可能暗示你的笑容是否真诚。那又说明你可能有什么样的幽默感？或者，你是不是长期皱眉，这意味着什么？

有很多这种微小特征。当你见到一个人时，其实你很快就能对他们形成一个初步印象。当然，这不代表它一定准确。但作为人类，我们确实会非常快速地做这件事。

所以我一直在玩一整套提示词，纯粹是为了好玩。问题是：能不能根据几张照片，外推出一个人的性格？如果可以，那能不能在某种程度上预测他的行为？我觉得这很有意思。

Tim Ferriss：是的。你现在发现里面有信号吗？还是还不确定？

Elad Gil：其实效果还不错。我最近一直在做一些很奇怪的测试，比如衬衫之类的，对吧？

Tim Ferriss：对，练习观察微笑的人。

Elad Gil：是的，是的。

但我觉得这很有意思，因为我们本来就一直在读人。这也是提示词的一部分。比如你可以设定：你是一个非常擅长根据微表情、面部特征等信息做冷读的人。然后把这些东西具体写出来。

接着，你让它不仅给出对这个人的解读，还要解释它每一个判断背后对应的具体微特征。它会帮你逐项拆解。真的很惊人。想想这项技术到底是什么，太疯狂了。

再强调一次，我不是说它完全准确，也不是说它一定有预测性。但在「看准一个人」这件事上，它已经做得相当不错了。

它甚至会给出类似这样的判断：「这个人可能有某种类型的幽默感。」或者，「这个人在大多数社交场合可能会比较克制，但会突然插入一句没人预料到的机智、冷幽默式评论。」它会非常具体。

Tim Ferriss：非常具体。

Elad Gil 的投资方法：先看市场，再看团队

Elad Gil：是的。很惊人。我最近一直在做类似的事。虽然这可能不是你真正想问的问题，但我觉得特别有意思。

Tim Ferriss：其实是相关的。当然，我肯定漏掉了一些步骤。但我很喜欢天使投资，只是「剂量决定毒性」。所以通常到某个临界点时，我就会想：「好吧，这件事不再好玩了。 」

我也喜欢黑巧克力，但我不想一整天被人强行喂黑巧克力。我之前也谈过这个，但说实话，我确实很享受其中的学习过程，也享受这种「竞技性」，以及和一些非常、非常聪明的人打交道。当然，不是所有人最终都能成为成功公司的创始人。但归根结底，我一直在试图区分信号和噪音。

另外，不管用什么方式，在这个例子里是投资，它都很有意思，因为你可以用它来磨炼自己的思考，压力测试自己的信念，以及支撑你某些预测的底层假设。

所以我只是好奇，你有没有对自己过去的创业投资做过回顾性分析？还是说，你更像 Marc Andreessen 那种风格：只向前看？

Elad Gil：是的。在我刚开始投资的时候，我会做一个很长的表格，用很多维度给每家公司打分，然后之后回头看这些判断是否正确。大体上是正确的。

但难点在于，结果中存在大量随机性。有些公司你原本以为已经死了，最后却卖了几十亿美元，或者发生类似的事情。对吧？

Tim Ferriss：当然。

Elad Gil：那你怎么给这种情况打分？比如，现在我们处在一个非常奇怪的市场时刻，数万亿美元市值的公司都在追逐同一个奖品。它们会做出各种在正常情况下不会发生的事情。

所以，要把这种因素纳入评估，其实非常困难。整体来说，我更接近 Marc Andreessen 那一派。我很少思考过去。对于我自己的过去，我几乎不怎么想。我更多是：「继续往前走。」

也许这不好，也许我应该进行更多、更深刻的自我反思。我会尽量在当下反思，但我不会试图重新推演、审视自己整个人生和所有决策。

如果真要说，很多决定其实都是让我事后对自己很生气的决定，因为我觉得自己当时不够激进。换句话说，我投了某家公司，但我本应该更努力地投更多，即便我当时已经非常、非常努力了。

因为真正重要的公司就那么几家。而对投资人来说，这才是最重要的事情。当然，作为一个人，我确实喜欢参与不同公司、和不同创始人合作，帮助他们，不管最后成不成。我也会因为某项技术本身很有趣而参与进去。

但从回报角度看，现实就是非常清晰的幂律分布。人们经常谈这个，而它确实是真的。

我记得有个朋友做过一个分析，可能是 Yuri Milner，也可能是其他人。他看了从 2000 年或者 2004 年左右到现在的所有科技公司。我不记得具体日期了，但大概结论是：大约 100 家公司贡献了 90% 以上的全部回报，而总共 10 家公司贡献了过去 20 年科技行业 80% 的全部回报。

如果你没有投中那 10 家公司，你就是一个糟糕的投资人。一旦你开始面对这种幂律分布、超大结果以及所有这些因素，你要怎么给自己打分？

本质上就是：你有没有投中那 10 个东西之一？这才是真正的评分标准。对投资而言，这可能才是正确的评价方式。

Tim Ferriss：我想在这期播客里尽量聚焦一些偏早期的决策。就像你说的，那些都是更早期的决定。过去你有过去的做法，现在你有现在的做法。这并不是说哪个更好，但你过去做过什么，通常会影响你现在能做什么，以及你现在如何做。

我好奇的是，我们不会在这上面花太多时间，但对听众来说可能会很有意思：你是什么时候从单纯自己做天使投资，转向让其他投资人也参与到你的交易里的？

这有很多种方式。但我之所以想问这个，是因为你做过不少 SPV。我先解释一下，SPV 指的是特殊目的载体。大家可能更熟悉风险投资公司：它们有基金，比如为一只基金募资 1 亿美元。当然金额可以更多，也可以更少。然后它们把钱投到很多不同公司里，最后看哪些公司赢、哪些公司输。如果有利润，按传统教科书式例子，风投公司通常拿走 20% 的收益分成，LP，也就是出资人，拿走 80%。

风投公司还会收管理费，用来维持公司运营。当然，实际情况通常远不止「维持运营」这么简单。

而 SPV 通常是投向某一家特定公司。为了简单起见，我们就假设是单一公司。对发起 SPV 的人来说，这种结构有一些简单清晰的优势。但它也有很大的声誉风险。因为如果你有一只基金，其中几家公司失败了，你的投资人不会自动归零；但如果你做的是一个 SPV，而它归零了，那可能会严重伤害你的声誉。

我看你早期的一些 SPV，里面显然包括不少知名公司，比如 Instacart 等等。你当时是怎么选择哪些公司适合做 SPV 的？因为这似乎是一组非常关键的决策，会为你之后拥有更多选择权打下基础。

Elad Gil：是的。就像你说的，我一直非常害怕亏掉别人的钱。如果亏的是我自己的钱，那没关系，这是我自己的决定。我是成年人，可以承担后果。

但对于别人给我的钱，不管是个人还是机构，让我代表他们投资，我一直都非常谨慎。类似地，我真的很害怕让别人亏钱。

所以早期做 SPV 时，我一直尽量非常审慎。重点是选择那些我认为可能成为超大规模公司的项目。就像你提到的，Instacart、早期 Stripe、Coinbase，还有其他几家公司，都是我最早做的一批 SPV。

我的重点非常明确：我是否认为这家公司有可能变成一个巨大的东西？同时，我也会问自己，它是否有足够的下行保护？也就是说，即便它没有像我想象中那么成功，对投资人来说是否仍然可能是一个不错的结果？

我会非常认真地做这件事。

这很有意思，因为很多人会来找我咨询，问他们该如何成为投资人，或者他们正在给某只基金做 scout。所谓 scout，基本上就是某家风险投资基金给他们一小笔钱，让他们代表基金去投资。 Sequoia 就有一个很有名的 scout 项目，会给一些人钱，让他们帮自己投。

我聊过的一些 scout，基本上把这笔钱当成「免费资金」或者一个期权。他们的心态是：「随便投一堆东西，也许有一个会成。」我会提醒他们：「嘿，如果你以后真的想成为职业投资人，这就是你的投资记录。」

第一，从某种意义上说，你是受托人。也许从这个角度出发，你应该更谨慎一点。

第二，这会建立你的 track record，也就是你的业绩记录。你想要一个好的记录，还是一个坏的记录？你要怎么思考这件事？

当然，有时候人确实只是运气好，100 个项目里投中一个，但那个项目的回报超过了所有亏损，于是他们看起来非常厉害。但要在这件事上持续做得好，或者持续投中伟大的公司，是非常难的。

Tim Ferriss：好，我想深入追问你刚才说的几件事。也许你可以用一个匿名案例带我们走一遍，不需要说出公司名字。

你刚才谈到建立自己的投资记录。在你后来募集基金之前，你在这方面做得非常好。我希望你可以解释一下，你在尽调时会做哪些事情，或者你如何给不同因素分配权重。

另外，你刚才提到「足够的下行保护」——我不确定这是不是你的原话——也想听听你在筛选这些交易时是怎么想的。因为从尽调层面看，你本可以选择很多不同交易。

你通常更关注哪些东西？哪些东西你会比其他人更重视？又有哪些东西，你反而没有那么在意？

Elad Gil：是的。我觉得早期项目和后期项目之间有很大区别。

在早期阶段，就像前面说的，相比大多数早期投资人，我会花更多时间研究市场。很多早期投资人会说：「我只关心团队，关心他们到底有多强。」但我见过很优秀的团队被糟糕的市场压垮，也见过一些相当一般的团队做得非常好。

所以到了现在，我认为市场更重要。当然，优秀团队如果愿意调整方向，通常也能找到自己的路。但在早期，我会非常重视市场。这可能意味着去做客户访谈，也可能是试图理解：我是否认为某件事有机会变得足够大？

有时候，这也可能只是某种直觉。比如：「嘿，国防非常重要，但没人做国防。那我就去找一家国防公司。」我通常会非常重视这一点。

与此相关的是，我一直倾向于避开「科学项目」。有些人很容易被这类东西吸引：「哇，这个太酷了，又是量子，又是什么什么。」但我基本上会避开这些东西。有时我会因此错过一些很好的机会，但很多时候，这个判断是对的。

我其实认为，SPAC 拯救了硬科技和科学型投资行业。因为如果你回头看，在市场顶峰时期，一批 SPAC 把很多原本后来无法在私募市场继续融资的公司带上市了。

这给了它们足够的钱继续活下去。更重要的是，它也让一批硬科技基金实现了资金回笼，从而避免了倒闭。它给了这些基金回报。基本上就是 SPAC 时代。 Chamath 实际上拯救了硬科技。我是认真的，不是在开玩笑。

我大体上避开了这类公司。我不是说自己很聪明，因为如果投了，我本来也可以赚到钱。但我当时觉得，这类公司存在资本结构问题、科学风险、市场风险，以及其他很多问题。

到了后期阶段，难点通常在于：在纸面模型里，每一家后期公司的投资回报看起来都会是 2 到 3 倍。因为推动这些轮次的基金，都是按照某个 IRR 时钟来做投资假设的，比如 25% 的内部收益率，或者类似标准。于是大家都会做各种模型，而这些模型最后都会显示：这些公司基本上都能涨到 2 到 3 倍。

真正的艺术，或者说科学——不管你想怎么称呼——在于判断：这家公司到底是 0.5 倍，还是 10 倍？它的价值会下跌吗？还是会涨 10 倍？你怎么知道它是 10 倍，而不是 2 到 3 倍，或者 0.5 倍？

这才是成长阶段投资更难的地方。有些东西你会判断：「这家公司会一直增长下去，原因是这个。」但这种判断往往不是数学上的。它常常来自某种市场动态、某个核心洞察，或者某个市场份额问题。

人们往往会把这件事弄得非常复杂，做很复杂的多页模型，写 50 页备忘录，等等。但很多时候，这些事情最后都可以归结为一个问题：我到底需要相信这家公司哪一件事，才会认为它能继续变得非常大？

如果你需要相信三件事，那就太复杂了，可能很难成立。如果你一件事都不需要相信，那它也没什么意义。通常来说，真正理解一个结果，只需要抓住一两个核心洞察。

Tim Ferriss：你能不能举一个例子？比如某家公司对应的那个核心信念是什么？

Elad Gil：可以，我给你举两三个例子。

比如 Coinbase，它的一个核心逻辑就是：它是加密行业的指数，而加密行业会继续增长。因为如果 Coinbase 交易每一种主流加密货币，并且从每笔交易中抽成，只要交易量足够大，那么你投资 Coinbase，本质上就相当于买入了一篮子加密货币。这就是当时的前提。

Stripe 的逻辑是：它是电商的指数，而电商会继续增长。当然现在 Stripe 已经复杂得多，有各种各样推动它表现的因素。

Anduril 的逻辑则是：机器视觉和无人机将会变得重要，AI 和无人机也会在国防领域变得重要。

Tim Ferriss：就是这样。

Elad Gil：当然，实际情况比这复杂。我只是这么概括。

Tim Ferriss：对，对。我是说，作为核心信念，就是这一点。

Elad Gil：Anduril 里面还有成本加成模式与硬件利润率的问题。它其实有四五个重要因素，有点像判断国防科技公司时的一张清单。但对很多其他公司来说，核心判断可能真的就是：电商会很好。

Tim Ferriss：这个问题可能有点太业内了，但你刚才提到那些公司时，它们在你做 SPV 的时候大概处于什么阶段？大致说一下就好。

Elad Gil：Stripe 的话，我第一次投资 Stripe 时，它只有八个人。后来我一直跟投。说实话，后来我自己的钱投完了，也就是那个时候我开始做 SPV。所以我大概是在 Stripe C 轮左右做了第一个 SPV，差不多那个阶段。

Tim Ferriss：明白。那其他公司也差不多吗？比如 Instacart 等等？

Elad Gil：大概都在类似区间，C 轮、D 轮左右。那时候我没有基金之类的东西，所以能个人投多少，我就尽量投多少。不只是早期，坦白说，只要有机会，我就一直继续投。

Tim Ferriss：当你试图判断一家公司到底是 0.5 倍还是 10 倍时，除了那个核心信念之外，你还会用哪些尽调层面的东西来判断它到底落在这个区间的什么位置？

Elad Gil：我会做大量尽调。比如多次和 CFO 见面，逐项看财务数据，看财务模型，看客户情况，打电话给客户，研究高管团队。会做很多事情。

据我所知，我的基金是唯一一家真正做现金核对的基金。对于后期项目，我们会做现金审计，看它的现金流。所以我会做非常大量的尽调，因为我想确保自己没有做不合适的事情。

但另一方面，大多数尽调最终还是会收敛到那一个问题上。

所以当我和一家公司合作时，我其实会尽量让尽调过程非常快速、直接。我会说：第一，我们需要确认财务数据是正确的，基础事项没有问题；第二，我们把问题收敛到一两个核心问题上，用它们来理解这家公司是否还能继续增长。而不是拿出 30 页无关紧要的问题。

Tim Ferriss：对。

Elad Gil：很多人会说：「嘿，我们需要知道这个小产品的次级 cohort 数据。」但谁在乎呢？他们只是在浪费时间，浪费创始人的时间，浪费团队的时间。我会非常、非常努力地避免这种情况。

因为我自己以前也是创业者，所以我知道时间有多宝贵，也知道那些问题有多烦人。

Tim Ferriss：我本来有一度想问你这个问题，不过我们不用花太多时间。你有一篇很久以前的文章，应该是 2011 年写的，列出了 VC 会问创业公司的问题。你刚刚提到的那类问题，你在那篇文章里省略了一些。

但我很好奇，当你和创始人聊天时，无论是早期还是后期项目，那些问题里有没有一些你自己仍然会用？或者有没有其他你现在会问的问题？我知道那是 2011 年的文章，所以我并不期待你记得文章本身。

Elad Gil：是的。我已经很久没看那篇文章了。我现在其实在写另一本书，讲的是创业公司从 0 到 1 的阶段，里面会涉及一些类似问题。但现实是，自从我写那篇文章以来，风险投资行业已经发生了巨大变化。因为在 2011 年，风险投资基金主要做种子轮到 D 轮、E 轮左右，然后公司就上市了。现在这种「私营公司存续 20 年」的情况，当时并不存在。

你知道为什么股票会有四年归属期吗？

Tim Ferriss：不知道。 Why?我们现在聊到 IPO，我大概能猜到一点，但你说说看，为什么？

Elad Gil：是的。 20 世纪 70 年代，人们为员工股票期权设计了四年归属期，因为公司通常会在四年内上市。然后事情就结束了。字面意义上就是这样。

所以它通常是一个四年的时钟。后来 Google 花了六年才上市，所有人都说：「天哪，他们上市太慢了，居然花了六年。他们就这么干等着。」你明白我的意思吗？

Tim Ferriss：明白。

Elad Gil：真的，当时人们就是这么说的。所以过去的风险投资，主要是非常早期的投资。而今天我们所说的成长阶段投资，在过去其实属于公开市场投资。那是公司成立四五年之后，公开市场投资人会做的事情。

也就是说，过去公开市场会非常早地参与进来。后来，随着《萨班斯-奥克斯利法案》出台，公司开始不愿意上市，同时私募市场上的资本越来越多，公司上市时间被不断拉长。

于是，风险投资基金突然开始做那些过去属于公开市场投资的成长阶段投资。而在 2011 年，这件事还没有大量发生。当时主要是 DST 的 Yuri Milner 和少数几个人在做，但它还不是一个很大的行业。

所以过去 15 年里，风险投资的性质发生了根本变化。这也意味着，我当年列出的那些问题，并没有包括我今天认为更偏成长阶段的问题，因为当时风险投资里并没有多少成长阶段投资。

Tim Ferriss：成长阶段问题可以举几个例子吗？

Elad Gil：坦白说，它会和早期阶段的一些问题重叠。但到非常后期的时候，问题会变得更偏财务驱动。

通常我和团队会看的是：这家公司核心业务到底是什么？我们如何外推它未来的发展？然后，公司正在做的那些附属业务是什么？这些东西几乎像是未来的期权，可能兑现，也可能不会兑现。

所以通常我们会基于核心业务来做投资判断：它能不能继续一直做现在正在做的这件事？因为大多数公司主要都是靠一件事做大的。至少在第一个十年里是这样。真正有多个业务同时跑出来的公司非常少。

通常是一件事先成功，然后十年之后，你也许会做出第二件真正有效的事情。比如 Google 的 Google Cloud。当然 Google 还有 YouTube，还有现在很多其他东西，比如 Waymo 以及各种有意思的业务。但这些都花了很长时间。

很长一段时间里，Google 其实就是搜索，就是搜索和广告。但有时候，公司也会出现一些额外业务，成为非常有意思的增长驱动因素。比如 SpaceX 一开始是发射业务，后来变成卫星业务，也就是 Starlink。

Tim Ferriss：是啊，Starlink 真是个了不起的东西。可惜我这里树太多，遮挡太严重，所以我常待的地方都没法用。

《如何扩张创业公司》：董事会、分发和组织扩张都要主动设计

不过我们转到《High Growth Handbook》这本书聊一下吧。那是大概七年前出的书。它是一本非常出色的书，大家真的应该去看看，尤其是如果你在做风险投资支持的创业公司。它的副标题是什么来着？ 《从 10 人到 10000 人，如何扩张创业公司》。这本书里有很多很好的建议。

我想问你，这本书里有没有什么内容，是你希望创业者，也就是这本书的目标读者，能够更多关注的？或者，有没有什么内容是你现在会想补充或扩展的？

Elad Gil：有。我当时写这本书时，原本有一个大纲，按章节数量算，可能是实际成书的两到三倍。所以有很多内容我没有写进去，比如销售、市场、增长，还有很多其他东西。

但这本书本质上是一本战术指南，它不是那种要从头读到尾的书。里面有很多和不同人的访谈，我认为他们都是各自领域里全世界最优秀的实践者之一。

但从根本上说，这本书更像是这样使用的：你突然要处理并购，就跳到并购那一章，把它读完。然后先把书放到一边。等之后你在招聘上遇到问题，需要查阅相关内容时，再翻到那一章。

所以它真的是一本手册，一本指南，或者说是陪伴创始人的工具书。它不是那种「嘿，我要从头读到尾，然后里面会有一些精炼金句」的书。

也不是那种 500 页只讲一个概念的书。我尽量避免那种东西。所以它非常战术、非常具体、非常可操作。

而我现在正在写的新书，本质上是这本书的 0 到 1 版本。比如，作为一家初创公司，你怎么招聘前五名员工？有人想收购你，你该怎么办？你怎么完成第一轮融资？就是这类内容。所以它有点像一本从 0 到 1 的战术指南。

Elad Gil：是的，total addressable market，也就是总可触达市场。关键是，你到底处在什么市场里？有时候，人们会编造一些假的市场。他们会说：「哦，我们是在促进全球电商发展，而全球电商市场——我随便编个数字——一年有 30 万亿美元，所以我们就在一个年规模 30 万亿美元的市场里。如果我们只拿到 0.1% 的份额，那就是 3000 亿美元收入。」

然后你会想：这根本不是你的市场。你的市场是，你为中小企业网站做了一个小型优化引擎之类的东西，那不是一个 30 万亿美元的市场。

所以，真正重要的是定义市场。

这里有一个非常有名的例子，说明重新定义市场会如何改变你对它的理解，那就是可口可乐。几十年来，可口可乐和百事可乐的市场份额基本不相上下。后来有一位可口可乐Giám đốc điều hành 说：「也许我们不应该用汽水市场份额来衡量自己，而应该用所有液体饮品的份额来看。」

于是，他们的市场份额一下子从 50% 变成了 0.5%。这也是为什么他们后来收购 Dasani，并进入其他很多市场。因为他们意识到，我们对自己市场的定义错了。我们不是在汽水生意里，而是在饮品生意里。

所以我认为，有时候重新理解你正在做的事情，确实可以改变你的野心范围，也会改变你对自己业务的思考方式。

Tim Ferriss：是的。如果你试图在 AI 世界里寻找类似「支付领域里欺诈会杀死你」这样的教条，有没有什么你觉得现在可能已经不成立，或者两年后会完全不成立，但很多人已经把它当成某种「你不可做什么」或「你必须做什么」的信条？

Elad Gil：我不确定。过去确实有一些说法，比如关于这些巨额资本开支的投资回报率，到底能不能收回来。我觉得这些说法可能是错的。

但从根本上说，有些时刻，做逆向思考是非常聪明的；也有些时刻，跟随共识反而是你能做的最聪明的事情。我觉得现在就是这样一个时刻：站在共识一边是非常正确的。

你当然可以过度思考，比如，「有什么逆向观点？我们应该去做一堆硬件，因为这个那个……」但你可能会发现，也许最简单的答案就是：多买 AI。 Do you get me?我觉得人们把这些事情搞得太复杂了。

Tim Ferriss：是的，确实。人生的每个方面大概都是这样。

那对你来说，哪些东西会进入「不要投」的清单？假设你在指导一个你非常在意的人。我们可以虚构一个人物，比如你最好朋友的侄子、儿子或者女儿，非常聪明，MIT 工程学位毕业，做天使投资已经有过几笔不错的成绩，然后他说：「好，我觉得我要开始募一只基金了。」

但他不一定拥有你在trí tuệ nhân tạo 领域的那种项目渠道。假设是这样。你会不会从类别上告诉他，有哪些东西不要投？因为它们很可能会被 AI 摧毁、吞掉或者复制？

Elad Gil：我觉得现实是，当人们刚开始做投资时，很多时候他们之所以能做早期基金，是因为只要你开始帮助别人，你总能在公司最早期阶段获得投资机会。

这其实是我误打误撞做过的事。但现实是，我也反复看到这种情况：你进入一群正确的人，因为最聪明的人总会自然聚集在一起。然后你开始帮助别人，别人就会问你要不要投资。你开始投资，突然之间你就有了不错的业绩记录。接着你能募集更大的基金，然后你开始投更后期的项目。因为那一批人也成长起来了，他们开始做更后期的公司，于是你也突然可以获得其他项目的渠道。

这基本上就是传统风险投资故事。某种意义上，几十年来都是这样。所以我认为这仍然完全可行。你可以在 AI 里这样做，也可以在任何领域这样做。我不认为你必须跑去做能源投资之类的事情。

Tim Ferriss：你以前提到过从 Vinod Khosla 那里学到的一个重要经验——也许说「重要经验」有点夸张，你可以纠正我。大意是：你的市场进入策略，往往不同于你的市场颠覆策略。

Elad Gil：是的。

Tim Ferriss：你能谈谈这个吗？

Elad Gil：这里大概有两三种版本。

第一种版本是，你一开始做的东西看起来很奇怪，像个玩具，但最后它变得非常重要。比如 Instagram、Twitter，或者一些偏社交的产品。它们最初的使用场景，和今天人们使用它们的方式非常不同。产品本身在演化，人们对它的理解和使用方式也在演化。

这种版本通常更偏消费产品。

另一个版本是 SpaceX 和 Starlink。 SpaceX 一开始做的是发射，把东西送上太空。后来他们意识到，自己在卫星发射上有成本优势。于是他们建立了 Starlink 网络，而 Starlink 现在已经成为其业务的重要驱动力。

所以，他们所做的事情大幅扩展了，也发生了转变。某种意义上，他们的市场进入策略是太空发射，但真正的颠覆策略是 Starlink。我认为，历史上有很多类似例子。

在不确定时代，信息优势来自模型、专家和长期计划

Tim Ferriss：回到信息获取和消费这个话题。你通常是怎么获取信息的？如果画成一个饼图，播客、书、X、白皮书、论文或其他渠道，大概分别占多少？

Elad Gil：我觉得我现在的信息来源基本收敛成三类。

第一是 X。第二是读一些技术论文或期刊。有时候，如果是偏生物学方向，虽然我不做生物投资，但我只是喜欢。第三是和人聊天。

不过，由于现在 AI 领域竞争非常激烈，AI 行业里的论文质量和数量都明显下降了。我发现，和某个在某个话题上特别聪明的人聊 20 分钟，往往比我自己做详尽搜索能获得更多信息、洞察，以及下一步该读什么的线索。

其实还有第四个来源，就是现在用模型帮我做研究。可能是 OpenAI，也可能是 Claude、Perplexity、Gemini。它们各自适合不同事情，我会用它们做不同任务。

Tim Ferriss：你会分别用不同模型做什么？

Elad Gil：我举一个例子，不一一展开。

比如 Gemini，如果我要查一些活动类信息，比如「我要计划一次旅行」。我会觉得 Google 的语料库，以及他们长期积累的东西，对某些类型的旅行建议非常有用。所以这是我会专门用 Gemini 的一个场景。

这并不是说其他模型做不好，而是我发现用它时，得到的排名通常更准确一些。我会让它从多个维度做拆解、排名、评分等等。

我之前还深入研究过 ADHD 和 ASD 的几个方向。

Tim Ferriss：ASD 是什么？

Elad Gil：哦，不好意思，是自闭症谱系障碍。

Tim Ferriss：明白。

Elad Gil：如果你看自闭症，它的诊断率发生了很大变化。我可能会记错数字，之后应该再查一下。但我印象中，三四十年前，被诊断为自闭症的人大概是几千分之一，而现在可能是 3% 左右。

所以你会问：这到底是什么？是因为年龄更大的父母生了更多孩子吗？结果发现，这不是主要驱动因素。是环境发生了某种变化吗？最后看起来，主要原因只是诊断标准变了。

此外，学校系统里也有很多激励，会推动人们给孩子做诊断。这大概就是为什么现在有这么多孩子被归类为注意力缺陷，或者被归类为自闭症。注意力缺陷这边，医生也有财务激励，因为他们可以开药。而自闭症诊断也大幅上升。

但我不确定是否真的有更多人患有这些问题。更可能是诊断范围大幅扩大了。

Tim Ferriss：你当时用哪个模型研究这个？

Elad Gil：通常我做这种事情时，会同时用两三个模型。然后我会要求它们提供一手文献，再让它们整理总结图表。

我其实有一整套输出要求，让它们按我需要的格式生成结果，这样我可以回头核对数据、阅读文献以及做其他检查。

自闭症这个主题尤其有意思。因为一些研究显示，母亲年龄的影响其实比父亲年龄更大。但人们总是在谈父亲年龄。然后你就会问：「为什么大家只谈父亲年龄？这里面有没有某种社会激励？有没有某种政治信念系统？为什么重点总放在这里？」我觉得这非常有意思，对吧？这类研究会引出很多关于「为什么」的问题。

Tim Ferriss：你为什么会专门研究这个？

Elad Gil：我觉得它有意思。

Tim Ferriss：明白。

Elad Gil：我会想：「这个比例看起来上升了很多，那我试着理解一下为什么。」

另外，我当时也和一个朋友聊天。她大概三十五六岁到三十八九岁，正在和一个四十多岁接近五十岁，或者五十出头的男性约会。她提到，如果他们以后要孩子，她担心自闭症风险，以及可能会发生什么。所以这也是我深入研究的一部分原因。

最后的结论我现在记不太清了。比如，我随口说一个数字，不要引用我这个数字。之后我可以查一下。但大概像是，父亲和母亲年龄每增加 5 到 10 年，风险会增加 10% 左右。

而且，再说一次，在一些数据集里，母亲年龄的影响实际上略强一些。问题在于，如果你认为自闭症在人群中的真实比例是五千分之一，或者类似比例，那么这个 10%、20% 的差异，从总体频率角度看并没有那么重要。真正变化巨大的是诊断标准。

Tim Ferriss：是的，这对很多诊断都成立。

Elad Gil：很多事情都是这样。但社会上告诉我们：「哦，自闭症率上升，主要是父母年龄造成的。」然后你会想：「不，其实是这些激励机制造成的。」

然后你去看一些学校系统，会发现比如某个州——我记得可能是新泽西州——60% 的自闭症诊断，其实并不是基于任何临床标准，而是老师随口说这个人有自闭症。

Tim Ferriss：天啊，这太糟糕了。

Elad Gil：所以当你开始深挖这些事情，会觉得：「哇，这太有意思了。」而这些模型在这方面非常有价值、非常有帮助。

所以回到你问的信息来源，我现在有一部分信息，就是通过模型对我感兴趣的问题做深度研究。我会让它们聚合临床试验数据，或者聚合不同类型的信息，再给我一手来源、总结，并进行交叉核查。

我有一整套提示词，用来清洗数据和检查数据。所以这很好玩。然后我总是会同时用多个模型来做，看看它们各自会得出什么。

Tim Ferriss：当你和人聊天时，这个话题可能有点太宽泛，不一定能深入展开。但假设你找到了一个想聊 20 分钟的人，你通常是怎么找到这些人的？

我猜方式有很多，但你是通过 X 找到他们，还是通过技术论文找到他们，或者通过其他地方？我想大概了解一下。然后，当你和这样的人通电话时，你有没有一些重复使用的问题线索，或者某些固定的提问方式？

Elad Gil：我觉得有三种情况。

第一种是：「嘿，我正在对某个领域做深度研究，因为我觉得它很有意思，或者它可能和我想投资的某个方向有关。」但老实说，很多时候只是因为它有意思。

然后我会快速三角定位：谁是这个领域里最聪明的人？这可能来自技术论文，也可能是我问每一个和我聊天的人：「谁在这个领域真的很聪明？」

这是其中一种形式。它偏信息型，我在试图深入理解某个东西。比如，我在 Google 时和一些早期 AI 研究人员共事过。这也是我为什么认识 Noam Shazeer，他后来创办了 Character，之后又回到 Google。也因为这个，我认识了很多其他人。

但也有一些人，我只是因为看到一篇有意思的论文，就去查他。或者因为大家都说这个人很聪明，我就去和他聊。这是一种形式。

第二种形式是，我确实认为聪明人往往会聚集在一起。所以，如果你经常和聪明人待在一起，而他们又不断认识其他聪明人，这种网络会自然扩展。博学的人往往会和博学的人在一起。某种程度上，同类会吸引同类。这是第二类。

这大概是最主要的两种。当然，有时候也会有人直接把别人介绍给我。他们会说：「嘿，我觉得你们俩应该会聊得来。」

还有一种情况是，有些人我会反复去找。比如，我认为某个人是最懂 AI 未来走向的人之一，那我就会经常和他聊天。

或者在长寿这个话题上，也有一些最聪明的人。比如 BioAge 的 CEO Kristen，我有时会因为一些随机的长寿相关问题打电话给她，因为她对这个领域的每个话题都了解很多。她思考得很深入，也非常愿意质疑自己的假设。

她是真正追求真相的人。很多人都会用「truth- seeking」这个词，但她真的就是那种：「什么是正确的？让我把它搞清楚。」她有生物信息学和衰老研究方向的博士、博士后背景，非常专业。所以如果是长寿相关问题，她就是我会打电话请教的人之一。

所以，我会针对不同话题，有一些固定会找的人。

Tim Ferriss：你对生物学有一定理解。我觉得很有意思，当年我去参加第一次 Quantified Self 聚会时，应该是 2008 年左右，只有 12 个人坐在 Kevin Kelly 家里，聊如何用 Excel 表格记录身体数据。现在世界已经变了，对吧？现在有成千上万自称 biohacker 的人都在谈长寿。当然里面也有很多胡说八道。

对你个人来说，你现在在干预手段上，或者对自己做干预这件事的思考上，落在什么位置？

Elad Gil：我没有做太多。很多东西最后都可以收敛成：好好睡觉，多运动，等等。还有一些事情比较重要，比如好好吃饭。所以我基本上把很多事情收敛到这些基础项上。

我觉得可能有一两种东西可以吃，确实有帮助。还有一些东西，我一直觉得拿来实验会很有意思，但还没做。

Tim Ferriss：比如什么？

Elad Gil：比如试一次雷帕霉素脉冲方案之类的。我觉得会很酷，类似这种。但现实是，我其实在等真正有效的药物出来，到时候也许我会用。

有些我认为确实会影响长寿，或者影响某些系统。比如我们前面聊过，随着年龄增长，控制眼睛晶状体的肌肉会变弱，这是你对焦能力出问题的部分原因。所以理论上应该有针对这个问题的眼药水。

还有很多关于神经感觉衰老的东西，我很想资助一家创业公司去做。

还有很多关于衰老外观的事情，我一直在谈，想资助相关项目。我实际上还资助了 Stanford 的一项临床试验来研究这个，因为我认为这个领域投资严重不足。

在我看来，肽类产品基本上也是这个方向。很多人服用肽，是为了某些健康目的，也有些是为了美容应用，比如 GHK-Cu、褪黑素等，这些东西本质上很多都是偏美容性质的。

Tim Ferriss：你刚才提到，有几种东西似乎值得吃。是指维生素 D 这类东西吗？还是还有其他？你的短名单里还有什么？

Elad Gil：维生素 D 和肌酸。

Tim Ferriss：明白。

Elad Gil：如果你想举铁的话。

Tim Ferriss：是的。

Elad Gil：我不知道。你的清单上有什么？你在这方面思考得比我多得多。你现在在吃什么，或者在想什么？

Tim Ferriss：我其实比人们想象中保守得多。我早年尝试过很多东西，其中很多风险上限相对可控。

比如我在 2008 或 2009 年试用第一代 Dexcom 连续血糖监测仪，那东西戴起来非常不舒服。当时我不知道有任何非 1 型糖尿病患者在用它。

但我并没有太多尝试那些可以说比较有争议的东西，比如飞到其他国家去做某种基因疗法，使用像卵泡抑素这种东西。不是说我要批评它，但我觉得，「生物学上没有免费的午餐」这个基本启发式虽然很简单，但相当有用。至少它能帮你避开很多坑。

所以，我确实在尝试一些东西。比如不同形式的酮酯和酮盐，我觉得其中一些对脑血管可能非常、非常有意思。

因为我家族里有阿尔茨海默病、帕金森病等病史，包括一些 APOE3 的人，所以显然还存在很多其他风险因素。我非常关注这方面。

Obicetrapib 是一个我觉得值得关注的东西，虽然它现在还没到真正可以广泛使用的阶段。雷帕霉素也很有意思。我确实认为雷帕霉素有意思，但需要加很多星号，因为如果你不知道自己在做什么，可能会把自己搞坏。如果你在尝试任何免疫抑制剂，就必须非常小心。

比如，我可能会做的一个实验是，把挪威式 4×4 间歇训练和雷帕霉素脉冲方案结合起来，观察海马体以及其他脑区在体积上是否出现变化。

当然，如果我只做一种干预，信号会更干净。但现实生活有时候不同于等待科学结论。

所以我觉得这是一个值得测试的、有意思的假设。除此之外，我做的基本上都是非常基础的东西：肌酸、维生素 D。

如果你有甲基化问题，或者像我一样在服用奥美拉唑这类药物，它可能会抑制镁吸收以及影响其他东西，那你就需要关注这些。但整体上不会太花哨。

我觉得尿石素 A 也挺有意思，相关数据一直在增加。所以我确实对线粒体健康很感兴趣。

这也可能包括规律性的间歇性禁食，以及偶尔三到七天的禁食。最近对我来说，这可能会是基于 Dominic D』Agostino 博士建议的模拟禁食饮食。目标是以一定规律促进自噬和线粒体自噬，但不是一直这么做。

Elad Gil：当然。

Tim Ferriss：我并不是想一直优化这件事。

Elad Gil：我一直在想一件事。如果你看一台电脑，很多时候修好笔记本，或者修好任何系统的关键，就是直接重启，对吧？你重新加载系统，它就神奇地正常运转了，很多乱七八糟的问题也会被清掉。那人体有没有类似的东西？是不是像全麻一样？最近有些人在做某种神经阻断之类的东西。

Tim Ferriss：是的，我不确定。听起来有点吓人。哦，你是不是说星状神经节阻滞？

Elad Gil：对，就是这个，星状神经节阻滞。

Tim Ferriss：是的。关于「重启」这件事——唉，我得先叹口气，因为它确实有一些很有意思的选项，但通常适用于非常具体的使用场景。

从概念上说，它是有道理的。你可能比我更有资格谈这个，但我确实花了很多时间和神经科学家接触。我的信息摄入里也有很大一部分，是在读神经科学相关内容，或者说尽力去读。幸运的是，有了trí tuệ nhân tạo 工具之后，这件事容易多了。它不只是帮你总结概要，还能帮助你以一种相对合理的顺序逐层理解概念。

我读了很多神经科学内容，也读了很多光学相关内容。其实这两个领域之间有相当强的交集，这也许并不意外。比如你看 PBM，也就是光生物调节，通过眼睛进行干预。当然也可以经颅进行。不过我会提醒大家，对这类东西要谨慎。

至于「重启」这个方向，我举个例子。有些人使用 GLP-1 受体激动剂减重时，也会在较小程度上体验到类似变化。比如他们可能会戒烟，或者减少饮酒，或者出现某种系统性的冲动控制改善。

Elad Gil：是的。

Tim Ferriss：对一个阿片类药物成瘾者来说，我认为伊博格碱可能是一种「重启」选项。未来它也许会以某种活性代谢物的形式出现，或者类似形式。但至少目前看，所谓 flood dosing，也就是相对高剂量冲击式给药，似乎仍然相当必要。

当然，这必须在医疗监督下进行，因为它可能引发致命的心脏事件。联合使用镁似乎会有帮助，但这仍然是危险的东西，大家必须小心。

历史上有很多人值得因此获得认可，比如 Howard Lotsof 和他的妻子。阿片成瘾者在接受伊博格碱高剂量治疗后，可能会获得一个窗口期，在这段时间里，他们不会经历戒断症状，至少不会经历身体层面的戒断症状。

我认为，伊博格碱或者类似伊博格碱的药理干预，可能还会有其他应用。说实话，和这个分子相关的一些最疯狂的东西，是所谓对「大脑年龄」的逆转。当然，我对这种简单描述持怀疑态度。

但从 MRI 上看，它确实可能改变大脑状态。 Nolan Williams——愿他安息——和他的实验室曾经非常仔细地研究过创伤性脑损伤退伍军人在服用伊博格碱前后的变化。其中一部分效果可能和胶质细胞源性神经营养因子有关。大家可能更熟悉 BDNF，也就是脑源性神经营养因子。

所以，伊博格碱是一个有意思的选项。

至于麻醉，我现在对全麻变得谨慎很多。我昨天刚做完手术，选择的是局部麻醉。在这个案例里，这不是什么大问题，因为只是头上切掉一个东西，你现在还能看到。

但回到你刚才拆解的自闭症谱系障碍和 ADHD 例子，你提到了激励机制，某些情况下可能存在过度诊断的反向激励。套用芒格的话，虽然不想老是引用他，但就是：跟着钱走。

很多人其实并不需要全麻，却被安排了全麻。但全麻会给账单增加一项非常、非常、非常大的费用。而且有些人做完全麻醒来之后，不再拥有同样的记忆回忆能力。他们的人格在某种程度上也可能变得不稳定。

事实是，我们对很多麻醉的理解非常有限，真的非常有限。我们知道它有效，但对它的机制理解很差。很多人没有意识到这一点，其实也正常，除非他们花了大量时间研究这些东西。

有很多非常知名、被广泛开具的药物，其作用机制其实也非常不清楚，甚至根本不清楚。我们只是根据研究知道，它们看起来耐受性不错，副作用谱包括 A 到 Z，它们似乎确实会产生某种效果，或者影响某个生物标志物。但我们实际上并不知道它到底是怎么起作用的。

很多东西都属于这一类。所以我对其中很多东西都很谨慎。

不过回到你的问题，我刚才有点像做了一场 TED 演讲。就「重启」而言，我见过最有意思的东西是伊博格碱。当然我不想把它简单归结为多巴胺系统，因为它涉及的东西远不止这些。但我认为，伊博格碱更重要的意义，也许不只是伊博格碱本身，而是它展示了什么是可能的。

而且我也不知道这种可能性是否只限于药物。我非常看好脑刺激，当然中间一定会出现一些失败案例，也会有一些不太好看的旁支。但我认为，脑刺激，以及更广义的生物电医学，将会是下一个重要前沿之一。它不仅会用于治疗我们所谓的精神障碍，也会用于提升表现。

现在这个领域也到了一个可以回答「为什么是现在」的阶段，对吧？作为一个领域，它确实有一些很好的「为什么是现在」的答案。我认为人们会大量尝试这些东西，而且不一定要用药片、药水、静脉输液，而是通过非侵入式脑刺激。当然，在植入物场景下，也可能会有一些侵入式方案。

所以这是一个很长的回答。但这大概就是我现在在思考和跟踪的方向。有些东西我们还要继续观察，但我认为其中很多东西未来可能会变成门诊流程。你走进去，待一两个小时，然后出来。 Chúng ta sẽ xem.

我再问最后几个问题。之后如果还有什么想聊的，我们可以继续聊。但真的很感谢你抽时间。

Tim Ferriss：五年后的 Elad 回头看今天的 Elad。有没有什么信念、立场，可能和 AI 有关，也可能无关，是你觉得相对更有可能被证明是错的？

Elad Gil：这是个好问题。我觉得我会弄错很多事情。我们正在经历一个巨大变化的时期，而巨大变化意味着巨大不确定性。

所以，如果我现在认为会发生的事情，有一半最后没有发生，或者发生得更剧烈，或者以其他方式展开，我都不会惊讶。这也是其中有趣的一部分。

如果未来可以被完美预测，那会非常无聊，因为我们会确切知道接下来会发生什么，那会很糟糕。这也和自由意志等各种观念有关。所以，我肯定会错很多。

另外还有一个单独的问题，是我最近在做的一个练习。我以前从来没做过。人生中很多事情，就像约翰·列侬那句话说的：生活就是当你忙着制定其他计划时发生的事。

但这是我第一次真的在想：从人生几个不同维度来看，我的十年计划是什么？

基本问题是，我肯定不会完全计划对。你可以尝试制定一个十年计划，但它当然不会完全按照你想的方式发生。更重要的是，它会不会改变你的野心范围？它会不会改变你对生活的思考方式？

所以我最近一直在试着用这种方式思考：未来十年我想做什么？而这又意味着，为了十年后达到那个状态，我现在短期内应该做什么？

这对我来说非常开眼。它改变了我对哪些事情应该尝试、哪些事情不应该尝试的心态。

当然，那些相信 AGI 的人会说：「两年后我们就有 AGI 了，所以你的计划是什么根本不重要。」但我觉得这是一种非常失败主义的世界观。好像因为那件事可能发生，所以我就要放弃。

相比之下，我更愿意说：「很好，我先有这个计划，然后根据需要调整。」在这个变化时期，世界上也许会有一些非常有意思的事情值得去做。

Tim Ferriss：Elad，在我们结束之前，你还有什么想说的吗？有没有想对听众说的话、请求，或者希望大家去看的东西？大家可以在 X 上找到你，账号是 @eladgil，也可以去 eladgil.com，当然还有你的 Substack 博客 blog.eladgil.com。我们会把所有链接放到节目说明里。除此之外，还有什么想补充的吗？

Elad Gil：没有。和你聊天一如既往很开心。我真的很享受，所以谢谢你邀请我来。

Tim Ferriss：谢谢你，兄弟。一如既往很高兴。

[视频链接]