摘要：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）、Micha

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，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。

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。

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。

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。

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。

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。」

来源：晚晚的星河日记一点号