EP 102
EP 102. 旧金山的启示：“大家都疯了”
开场：结束三周硅谷出差归来 00:00
新主持人朴钟贤（sudoremove）加入 00:00
卢正锡 好，今天我们正在录制，是2026年6月28日 星期日晚上。 我们隔了很久才又开始录制。 因为我过去差不多三个多星期去了美国， 和升准的时差也对不上， 中间还夹着很多会议， 所以录制就推迟了。 另外，我去美国见了非常多的人， 也思考了很多：我们做得好的是什么，我们还缺什么， 我们应该更专注于什么， 带着很多这样的想法回来了。
所以作为与此相关的某种行动的一环， 我觉得我们正在做的 AI Frontier 也需要进一步扩大外延，对此我有一些改版意见， 至于具体会怎样改版， 我会在这一集的后半部分 再稍微详细地说明，不过只简单说结论的话， 与其做得太沉重， 不如更轻一些、更频繁一些，虽然可能会有一点出错， 但更快一些，我们应该更朝着这样的方向去做。 而且 AI Frontier 本身 应该也有一些只有我们才能做出的贡献。 除了把外面的消息整理得很清楚、 提出商业观点之外，我们还应该做些什么， 我一直有一种责任感，想着怎样才能 把韩国连接到全球， 也有一种亏欠感，现在觉得应该把这些释放出来。 大概就是关于这些事情的一些想法。 我们的主节目 是每周录制一次。
这次我们为主节目又邀请了一位主持人。 大家应该大多都见过。 就是正在运营 sudoremove 频道的钟贤， 钟贤很感谢地作为主持人 加入了我们的 AI Frontier，所以以后在我们的主节目里 应该会经常见到钟贤的脸。 钟贤，欢迎你。
崔升准 大家好。
朴钟贤 我是钟贤。 对外就像刚才介绍的那样，我在做 sudoremove 频道。 我担任主持人，也谢谢邀请我。 我会努力做好，不给大家添麻烦。 我大概主要会处在提问的位置， 应该会更多承担这样的角色。
这次出差的三个目的：Frontier Lab、创业生态、AI x Bio 02:16
卢正锡 钟贤在我们频道里将负责年轻感， 会承担这样的角色。 还有在技术上我们比较薄弱的部分， 钟贤会深入挖掘，我也非常喜欢钟贤的一个环节， 就是一个人做些什么的直播环节。 我其实也是忠实观众。 所以反过来，就像钟贤加入我们担任主主持人一样， 我也期待偶尔去钟贤做的 sudoremove 直播频道，一起学习， 做这样的环节。 那么今天，我们之前那一集里， 我在讲升准新闻的时候，简单说过我在美国见到的人， 以及发生了哪些事情， 今天我把对此的感受稍微整理了一下。 所以我会把这个主题分成几块， 看看正在发生哪些事情， 我又是怎样把市场划分成几个板块来看， 关于这些部分， 先来开始讲一讲。
我这次待了三个星期，住在一个据说创业者聚集生活的 Hayes Valley 街区。 所以我和金敏锡代表一起 度过了这三周很紧密的时间。 好的一点是住处旁边就有一个公园。 走上那个公园，就能把旧金山市区一览无余地俯瞰下来， 有这样一个公园，我早晚都会去那里， 看夕阳，也看日出， 这些对我来说留下了相当深刻的印象。 我这次出差的目的， 第一是 Frontier Lab，或者从 Frontier Lab 出来的 非常优秀的很多人，都会开设所谓的 NeoLab。 所以我想见见这些人， 听听整体市场正在以怎样的 vibe 流动， 这是其中一个目的。
第二个是，和韩国的创业圈不同， 在美国，我们虽然会看 Y Combinator 投资组合公司里 诞生了哪些公司， 以及哪些公司在发布东西， 但我也想亲自过去看看创业圈， 这是另一个目的。 所以不管是韩国人还是外国人，我都广泛接触了， 见了非常多的 entrepreneur， 在这个过程中也感受到， 市场原来是这样形成的。 另外我也见了风险投资人， 看看他们对哪些东西感兴趣， 又对哪些东西不太感兴趣， 以及他们感受到的 market timing 是怎样的， 这是一个能够稍微体会这些的时间。
第三个其实是我最大的目的， 在 AI 和 biology 的边界上， 大公司正在采取怎样的方法， 学校正在采取怎样的方法， 而在韩国完全没有这样的公司， 但美国有非常多公司是带着 AI 的 practice 去切入 biology 的。 这样的公司非常多。 所以我就通过熟人介绍见了这些公司，了解他们在做什么。 当然他们不会告诉我内部的绝密内容， 但大致在做什么、方向是什么、什么地方困难、 什么地方有趣，他们还是会聊的。 这确实是硅谷很好的地方，见面去问， 我把自己能给出的礼物尽量拿出来， 他们也会想给我些什么， 这样彼此交换可以学习的东西， 是非常自然的。 所以在这样的 culture 里， 我也能够达成既定的目标。
崔升准 我好奇的是，您送了什么礼物？
卢正锡 有些是他们好奇、但只有我知道的东西。 比如韩国的情况如何，在韩国这件事是怎样被讨论的。 他们最感兴趣的是韩国的芯片生态系统。 因为现在投资最集中的、 风险投资人也在努力寻找公司的， 意外地不是那些很会用 Codex 的公司， 也不是这类服务方向的公司， 而几乎大部分是在 AI 数据中心里 是那些一直到模型前一层的公司。 所以包括房地产、电力，然后是输电、冷却， 当然再往上走的话， 芯片，然后是在那些芯片之上，让这些芯片的训练或 inference 能够高效运行的编排软件。 到这个程度为止，关注度真的是极其火热。 再往上叠加的那些东西，其实不管这是不是 AI， 或者不是 AI，从商业上本来就说得通， 只是现在大家都在用 AI， 所以那里我们就是用原本看待业务的视角 来看市场。 所以看营收做到多少，市场有多大， 还有市场开拓做得有多好，也就是所谓成果的 growth。 成果指标跑得有多快。 所以在那里也看到了一些已经站稳脚跟、 发展得不错的公司， 也看到了一些刚开始做梦的人， 当然也见到了很多“路还很长啊”的那种公司。 那里当然也有各种不同层级。
崔升准 不过不管怎样，您话里话外提到的是，韩国的信息 是具有可交换价值的信息， 我确实捕捉到了这样的语气。
卢正锡 那当然了。 除了那个以外，我也没什么特别能给的。 当然还有另一个问题。 你这个年纪皮肤也太好了吧， 果然韩国是美妆之国啊，你用什么，应该怎么做， 这类问题也经常会来。 所以反过来我也多少觉得， 这些确实也是韩国式的优势。 在进入正题之前，不管怎样， 在我停留的大约三周期间， 慷慨抽出时间， 又毫无保留地分享了大量信息的各位， 虽然我不会在这里一一公开姓名， 但借这个机会，我想真心向各位表示感谢。
与 swyx 会面，以及 AI Engineer Summit Seoul 的筹备 08:18
崔升准 我很好奇。 是什么样的故事。
卢正锡 如果说我见到的人里面最实现我心愿的， 就是见到了我非常非常喜欢的 swyx， 也聊了 swyx 有怎样的哲学， AI 前进的方向是什么， 还有我们 AI Frontier 正在准备 AI Engineer Summit 的首尔场。 所以围绕这些和 swyx 交换了意见， 也商量了一下大致日程之类的事情， 这些也算是收获。
崔升准 也可能有人不知道 swyx 吧？
卢正锡 也可能是。 不过 swyx 是 Latent Space 的主主持人。 而且如果我们是 AI 工程师， 他也是那个大家经常看的 AI Engineer Summit 的创办人， 还把那些我们一直非常好奇的 硅谷核心社交圈人物一个接一个请来， 做出了非常有深度的播客频道， 我们的 Latent Space 播客 也经常成为我们的某个主题，对吧。
崔升准 对。有过好几次吧？
卢正锡 所以关于这些， 我说：“我真的很喜欢你，也很尊敬你。 你到底是怎么做出那么多内容的？” 围绕这些聊了很多。 旁边这位是 Matthew Kim 代表，请说。
朴钟贤 Latent Space 最近好像又有一种新 format， 就像你们在这里尝试新 format 一样。那是谁来着？ 现在在 OpenAI 担任 CRO 的那位， 和 Mark Chen 一边做饭一边进行的 那种综艺节目一样的东西。
崔升准 一边做饭一边做吗？
朴钟贤 是一边做饭一边采访， 我就想，原来连那样的尝试也在做了啊。 还有我对 swyx 运营的服务里，有一个把 Twitter aggregate 起来，然后按新闻 Twitter 顺序这样排列的东西。 我真的一直看得很好。 原来真正让人们感兴趣的新闻是这些啊。 我觉得很适合 follow-up 这些内容。
Time Gap x Domain Gap：市场正在向 Frontier Lab 凝聚 10:13
OpenAI 要亲自做的领域：编程、法律、生物 10:13
选择领域的标准：RLVR 能跑起来的地方 10:13
卢正锡 对。他很早就开始做 AI newsletter 了， 我们几乎大多数人都在看那个。 另外旁边这位也曾经出演过我们频道， 是 Matthew Kim 代表，这次几乎所有会议 都和我一起参加了。 不过多亏了 Matthew Kim 代表，我见到了很多 我自己接触不到的二十出头的创业者。 二十出头的印度人、中国人、日本人， 还有当地的 entrepreneur，我真的见到了很多。 借这个机会，我也想再次 向 Matthew Kim 代表表达感谢。 那么前面的闲聊已经很长了， 我们现在稍微进入主线。 这张图我们给大家看过很多次。
到 2025 年后半左右，大概 Time Gap 和 Domain Gap 似乎是以这种方式在市场上展开的， 有最前沿的 Frontier Labs， 也有追赶它们的一些人， 我们曾经把那定义为 逃亡者联盟， 还有刚刚出发的人，以及被留下的人， 整个谱系一路铺开， 按领域来看，到现在为止似乎也仍然 多少存在一些 gap，我们曾经这样说过。 到 2026 年 3 月左右， 我们说过这个 Domain Gap 也展开着， 而这个 Time Gap 好像一下子缩短了， 当时说过这样的话，但现在 6 月的感觉是， 这个 Domain Gap 也不是远远展开着， 而是被 Frontier Lab 里的 Frontier Model 全部直接吸收进去的那种感觉。
寻找 Frontier Model 做不到的领域， 似乎会成为某种新的大型商业机会， 但我们所知道的几乎大多数领域，coding、legal、finance， 非常一般的 science、robotics， 然后一直到 consumer 领域， 都在向 Frontier Labs 不断凝聚， 我很强烈地有这种感觉。 接着，我们开始稍微少讲一些 和模型相关的话题， 现在 GPT-5.6 不是快要出来了吗。 从 GPT-5.5、GPT-5.6 开始， 还有 Claude 也从 Opus 4.8、Mythos 5 开始， 有一种模型又要再跳升一次的感觉。 而且像是“还有什么做不了的事吗”这样的语气 好像也变得越来越多。
所以如果让我把这些市场稍微划分一下， 我觉得在那个时间线的最前沿是 Frontier Labs， 在那之后，是我们知道的 Cursor 之类， Cognition 之类，虽然不是 Frontier Lab， 但也稍微拥有一些像 Quasi Frontier Lab 那样的模型， 同时在编码方面做得很好， 这样的公司似乎有几家。 不过这些公司也正在被吸收。Cursor 也卖给了 xAI， Cognition 现在也是，Cognition 市场份额大概排在第 4 位左右。 即便如此，营收按人民币来看 也看起来接近数十亿元规模。
市场份额非常小，但这也说明编码市场本身很大， 所以我把它硬是命名为 Quasi Frontier Lab， 算是特意起了这样一个名字， 再往后，就是由 Claude Code 和 Codex 产生出来的数量惊人的 agent startup， 我觉得它们处在更后面的领域。 不是以这种 LLM 为基础的， 现在我们看到像 Periodic Labs， NewLimit，生物，然后机器人， 以及 Material Science 这些方向， 按领域出现 Frontier Labs 的地方， 我觉得也有这样的领域。 所以如果一定要细分来看， 我从行业里一个可信的消息源那里 听到过，说 OpenAI 对编码、法律和生物 是我们会亲自做，其他领域我们不打算做。
他们说会和 startup 合作， 据说是这样把战线稍微划分了。 但 OpenAI 这么做， 大概也意味着 Anthropic 差不多也是这样， Google 似乎还没有 到那种程度的锐利战略。 这里似乎仍然是在走航空母舰战略， 所以编码、法律、生物， 这些是 Frontier Labs 打算亲自做的领域， 我想传达的是这样一种语气。 而不是这些的其他领域，我们称为 Physical AI 的机器人， 然后还有非常多的生物或 healthcare，最近 longevity startup 也大量出现， longevity，然后还有基于 AI 的 cancer therapy 公司 也正在大量出现。 那些公司，这些公司 好像有着稍微不同的步法。
所以之前提到的那些 Quasi Frontier Lab， 有一种会被 Frontier Lab 吸收进去的感觉。
朴钟贤 如果在某些领域里，有那种想要亲自做的领域， 也有稍微往后推的领域， 您觉得他们是按什么标准来挑选的？
卢正锡 不就是两点吗？ 这些 Frontier 模型能够吸收的领域， Frontier Labs 现在投入最多努力的地方， 其实是 post-train， 在 post-train 上，我们知道的 finance， legal，还有 computer use agent，QA 这样的 这些领域， 他们正在制作数量惊人的 dataset。 编码就更不用说了。 而且今天我又从另一个消息源听到， Frontier Labs 正在购买那些还没有上传到 GitHub、沉睡着的 高质量的人类编写的源代码。
那也是用钱买的，然后比如说， finance sector 里也不是只有一般性的 finance， 而是 IB accounting，进入 IB 之后， 做股票的部分，做债券的部分，做期货的部分， 根据这些，又有非常多不同的分岔路。 他们正在这些部分制作数量惊人的 dataset。 花钱雇专家，以非常高的价格 在那里制作 dataset， 能够在内部跑某种 RLVR 的 那些领域，市场也足够大， 他们自己又能把数据工作和 post-train 工作做好， 让 Frontier 模型 具备压倒性的性能优势的部分， 我想这些也许就是他们打算亲自做的部分。
那么当然，编码、法律、生物这些方向 因为是市场非常大的领域， 而且也是模型本来就已经挺擅长的领域， 我觉得他们也许是按这样的标准来选择的。
朴钟贤 您说的我很有共鸣， 以我们来说，以我来说， 其他领域我不太清楚， 但机器人这块我们还是一直在认真 follow up。 像机器人这种情况，市场也太大了， Frontier Lab 会不会也想做呢， 我们一直有这样的想法，而且 Gemini 的话， 实际上公开层面也在很努力地做。 但按照您刚才说的标准， 机器人毕竟和 LLM 有一点距离， 似乎很难只靠 post-train 来做， 从 pretraining 阶段开始 看起来就有很多东西需要重新来过， 所以它比 legal 或 healthcare 稍微更远一些， 这一点我很有共鸣。
用 Market 1、2、3 划分 AI 市场 17:39
购买专家隐性知识的 post-train 数据热潮 17:39
训练基础设施优化与 benchmark maxing 的现实 17:39
卢正锡 是的。看 Frontier Labs 说要亲自做的 那些领域的话， 可以 verifiable 的，也就是进行 verify 的领域， 基本上都是在 digital content 之内就能结束的领域， 大多都属于那里。 但是只要稍微越过 digital domain， 马上在制作某种 verifier 的时候 就会碰到 scale 问题。 所以我觉得他们对于那些部分， 是不是有一种不想亲自沾手的想法。 所以我把这个 分成 market 1、market 2、market 3 左右来看。
Frontier Lab 应该作为 Frontier Lab 单独来看， 然后是和 Frontier Lab 拥有相同的 某种算盘，但领域完全不同的部分， 我把这种部分称为 market 2， 剩下的是 market 3，market 3 应该最大吧。 所以 market 1 的某种 frontier player， 这当然太理所当然了，但就像我们刚才一直说的， 他们就是在创造出 AGI 之后， 让那个 AGI 去解决所有问题， 这种盘算在转的地方，好像全都在往那边走。 带着“最 general 的东西就是最 specific 的东西”这种想法， 所有领域，只要是能用数字化全部解决的， 那些领域好像都在进入。
然后 compute、数据、算法， 这三者大概是我用来观察 Frontier Labs 某种轴线的观点， compute 和数据仍然有意义。 但是关于算法这边， 当然也在很努力地做 research， 可是把它看成 game changer 的视角， 相对来说好像非常少。 所以在 compute 部分，当然在 pretraining 上 肯定也投入了很多努力， 但 pretraining 的话题几乎不怎么出现。 见到 Frontier Labs 的时候， 几乎大多数都会说正在投入最多努力。 最重要的是那里，那里才是核心， 他们这样说的部分， 几乎大多都是 post-train pipeline。
所以 post-train pipeline 的两个轴，其中一个 其实是 post-train 本身的某种训练基础设施。 另一个是 post-train 用的数据， 数据就像刚才说的，在 Frontier Labs 内部 既有直接制作数据的 division， 也会从外面买非常多数据。 所以那些仍然在生成 dataset 的公司 非常景气。 而且我稍微看了一下 那些生成 dataset 的部分是怎么做的，就像刚才说的， 一旦出现一个 sector，就把那个 sector 的专业领域里 所谓只有专家才拥有的 那些 tacit knowledge 的数据， 全部抽成 RLVR 用的练习题， 他们在做这样的事情。
所以某种程度的 dataset 做出来以后， Frontier Labs 就会 像是稍微按重量称一下然后买走的感觉。 当然他们确实会以非常高的价格买走，但这个本身 不是说这是好、这是坏， 而是关于那个 sector 的部分， 如果觉得这是我们到现在为止 没有过的那种 post-train set， 就会直接买走，给我这种感觉。 而且我觉得非常景气， post-train 的那个 pipeline 这边，大家也知道， reinforcement learning 和 pretraining 有点不一样。 inference 必须先跑一遍并产出结果， 才能拿那个结果再给 reward， 有这样的机制。
但在那个过程中，有些 inference 很快结束， 有些真的很久才结束，要在某种程度上长到什么程度， 又要短到什么程度，关于这些 有非常多事情要处理， 怎么把它们全都这样所谓 MFO，对吧。 在最优地消耗我们的 computation 量的同时， 能不能跑 training loop。 在这个部分投入了非常多努力， 那如果问，那些努力具体是什么？ 对这个问题的回答就是全部。 像 vLLM 这样的 inference， 也有人说实际上几乎改到最底层， 优化以后再跑。 benchmark maxing 这个东西好像真的是在做。
所以一边跑 benchmark，在 benchmark 表现好的点， 如果走到表现不好的点， 就把 checkpoint 往前回滚，丢掉那次 run， 从好的 checkpoint 再重新开始， 这种优化 loop 好像以非常脏的工程形态在运转， 很多工程师也在那里所谓被消耗掉， 是这种 nuance。 不分是哪家 lab。
朴钟贤 您刚才说的，我按照自己的理解 再重新解读一下的话， 这里说的 post-train 用最高级 dataset， 如果想想那个数据准确来说是什么， 我们拿数学题举个例子吧？ 那么数学题和答案，这就是最高级 dataset。 好的数学题、难的数学题和答案。 如果大量拥有这些东西， 如果有好的 benchmark，就为了让模型解出它， 跑 RL，一直跑到能解好为止。 也就是说，拥有很多难题和答案， 就是现在 Frontier Labs 想做的事情。 可以这样理解吗？
不断加深的 RL，以及“RLVR 是否就是 AGI”的争论 23:33
卢正锡 是的，这是他们正在做的事。 而且围绕这个的竞争好像非常多。 所以 dataset 公司好像也会觉得，只要卖给那里一次， 就能卖给所有 lab。 因为他们可以说，那边已经用这个数据训练了。 这个您不做吗？好像可以这样推。 当然，我并没有去确认 “你们就这样卖吧”这件事，但从对话推测， 我觉得这些事情都会运转起来。 所以从我们开始谈 RL 已经远远超过 2 年了，回顾一下这 2 年里发生的事， 稍微复盘一下， 其实一直是在往 RL 变得更深的方向走。 至于这会深到什么程度，现在还不知道。 但可以确定的是，关于这一点好像还没有到尽头。 让它做得越多，模型性能就持续提升， 这是我们在过去 6 个月里 看 Frontier Labs 发布的模型时一直看到的。
崔升准 不过我听着听着， 在我的印象里，最近确实有点 感觉大家悄悄地少谈 general 了。 Google DeepMind 仍然在谈 AGI， 但就您刚才说的， 以及刚才钟贤也说过，似乎需要靠 pretraining 突破的 是 robotics 那边一样， 当前 regime 是靠 RLVR 可行的 regime， 而那未必就是 general， 我突然有了这样的想法。个人看法。
卢正锡 我没太理解这句话。
崔升准 也就是说，只有在能用 RLVR 突破的领域里 性能正在提升，但那未必一定是 general。
卢正锡 那当然了。 是 RLVR 正在运转的那些领域，而在那些领域之中 编程，或者比如法律、金融、生物这些方向， 各自都有一些东西，生物我就不太清楚了。 但至少法律或这类部分，是可以给出答案的， 因为可以判断这是对还是错， 所以感觉这些领域里正在大量产生更深入的练习题。
崔升准 所以这可能是在抠字眼， 但我的印象是， 要把那种东西称为 AGI，似乎还是有点难。
“2025 年没有研究进展”算法怀疑论 25:44
卢正锡 关于那个 AGI 的 definition， 其实谁能下定义呢？ 从接受者的角度来看， 可以说这个程度就是 AGI， 也可以说靠这个还差得远， 我也不太清楚。 所以在数据和这个 post-train 基础设施方面， 似乎仍然有非常多的投资， 这一点我应该可以这么说。当然， 内部每单位运算的效率，也就是 compute efficiency 部分， 也被非常重要地对待， 这一点我在很多地方都听到了。 算法方面仍然在努力研究， 不过这类话题，甚至连做算法的人 也不太会详细讲。 甚至 Meta 的 Jeong Hyeongwon 博士说，2025 年在研究方面 几乎没有什么进展，不如说是没有进展的一年， 正锡说自己是这样判断的。
朴钟贤 这里说的算法， 比如说是在 transformer 内部的 attention 里 做 MLA， 或者做某种 attention，您说的是这些，对吧？
卢正锡 对。我也把这个问题问过 Jeong Hyeongwon 博士。 关于 DeepSeek，在减少这方面的内存之类的 这些部分上， 算法层面的创新正在非常大量地发生， 我也请正锡评价过这些部分， 但正锡说那些都是大家都会做的， 所以我也就没有再继续问下去了。
朴钟贤 不是为了提升某种智能的 breakthrough， 只是提升效率， 感觉正锡好像是把它当作另一回事来看待。
Noam Brown 的 test-time compute 与基准的新标准 27:30
卢正锡 不过相比那些部分，正锡关注的不是算法哪个好、 哪个不好、哪个做了什么这些， 而是看问题的视角似乎完全不同。 有点 Bitter Lesson 的那种感觉。 正锡似乎认为，到目前为止， 在把 scale 继续做得更高这件事上，还有可以做的事情。 然后最近 Noam Brown 也出来 很多地谈 test-time compute，不是吗。 所以现在评价模型性能时， 只是拿某一个单一的标量分数， 说 benchmark 才提高了 3 分， 或者说提高了 3 个百分点， 但他说那是不对的。
即便只比较 GPT-5.4 和 GPT-5.5， 对同一个 benchmark 的最优点， 也能在短得多的 inference token 内达到。 因此，今后 benchmark 的标准 应该是在固定 inference token 预算的状态下， 固定在 early 时点的状态下， 去看 benchmark，他是这么说的。 而这句话所隐含的是，这个模型的 test-time compute 如果持续增加，随着增加， 模型能够给出的性能仍然可能 不知道尽头地继续增长。
所以这个 compute scale 的部分， 虽然也有模型大小， 以及 training 中投入的 compute 量， 但也可能通过进一步增加 inference 的 compute 来寻找问题的解决点， 我得到的感觉是，这部分是有所分离的。
崔升准 我突然想到那个了。 最近发布 GPT-5.6 的时候，那个 system card 里没有， 但博客里大概有，说能达到 750 TPS。 用 Cerebras 跑 GPT-5.6 能达到 750 TPS， 所以可以非常快地让它在 test time 运行。我隐约记得出现过这样的说法。
卢正锡 是的，而且我们上周也说过， 不是有那个解出 Erdős 问题的模型吗。 OpenAI 的。但即便是那个解出来的模型， 也不是在实验室里运行的某种稀有且强得多的模型， 而只是把大量 test-time compute 投入到我们使用的 GPT-5.5 上所得到的结果， 也有一位研究员这样告诉我。
崔升准 如果眼下在 GPT-5.5 水平上快 20 倍的话， 光是这一点，收益似乎也会非常惊人。
卢正锡 这个部分，我觉得我们今后在商业上 应该会有非常多可以谈的内容。
朴钟贤 我也补充一下的话， 只是从智能的角度来看， 比如说我们解一个排列组合数学题， 我们也可以真的所谓“苦力活”一样把所有情况都数一遍 来解题，但如果说要聪明地解， 就可以直观地、逻辑地，以高效得多的方式解出来， 那么使用更少 token 数就能解出来这件事本身， 也可以看作智能更高。
卢正锡 Noam Brown 说的正是这个。 用低得多的 test-time compute budget， 更快地维持高性能。
崔升准 所以人们才在怀念 Fable 5。
AI x Bio：Doudna 的怀疑与两种路径 30:45
生物领域的 CNN 时代，foundational approach 的出现 30:45
卢正锡 所以这是很大幅度的概括， 其余还有每个实验室各自独特的故事， 也谈了很多辛酸之类的事情。 xAI 是 Elon Musk 每次会议都会参加团队会议， 所以正锡不是问 manager， 而是总会问负责那件事的一线工作人员。 直接问。不过对于喜欢这种方式的人来说， 那会是非常有 challenge、也很有趣的事情， 但也有人会把它感受到为非常大的压力， 也听说因为这样的事情离开 xAI 的人 非常多。 然后，其实我最感兴趣看的公司， 是很多用 AI 做生物的公司，不是吗。
所以昨天其实拿过诺贝尔奖的 Doudna 教授 在和 Emily Chang 做 Bloomberg 采访时， 说普通聊天机器人只会做文档摘要之类的， 做不了人类做的 innovation。 正锡说了这样的话。 但我在看这个 market 2 里的 domain 时， 比如就拿生物来举例吧。 像 Doudna 教授那样 在学校任职，或者 传统上待在非常大型研究所的人们的 approach，和接着在完全相反的一端 带着 AI 的 practice，传统上并不做生物的 软件工程师们所采取的 approach， 我感觉这两者完全不一样。
Doudna 教授说过的话是， 生物是多么庞大的领域， 就凭 chatbot 这样那样给出的回答， 能找到新的物质、做研究吗？ 有人会说这是不可能的。 所以如果看大型制药公司之类 正在构建的 pipeline， 就好像我们在 2015 年到 2017 年之间， 在我们的 BERT、Transformer、GPT 出现之前， 那时的 application 几乎大多数都是 convolutional neural network application，不是吗。 而且每个问题的 network architecture 都不一样， dataset 全都不同，相应的 training 这些也全都不一样。
曾经有过那样的时期， 但转向 BERT、Transformer、language model 之后， 所谓 foundational approach 就出现了。 具体原理先不管，收集大量 general 的数据， 就直接放到 Transformer 里 training，如果 loss 降下来， 那些 general 的东西就能解决 specific 的问题。 就是以这种方式，某种 paradigm 发生了变化。 但是这次我在 biology 里准确地感受到了这一点。 这个大型 domain 这边呢， 每个问题的 pipeline 都完全不同。 而且他们会说，这个问题只有这样解才解得开。
但如果看那边的软件从业者， 他们就是以 Transformer base 来做 foundational model approach， 然后只是增加 dataset 的量， 再把那个 model 的 eval 设计好， 以设计想要的单位问题的形式运转。 但是第二类 lab 的方法论， 前面那些传统的 lab 第一似乎根本不认可， “哎，那样做也不行。” “这不是那样能解决的问题。” 他们似乎有这样的认知， 第二，我的判断是，他们并不准确知道 那些人在做什么。 他们确实不知道在做什么，准确地说。
崔升准 那么前面那类 lab 您也见过了吗？
OpenCRISPR：AI 已经在这个领域带来创新 34:35
卢正锡 是的，前面那类 lab 也见过。 所以我带着那种印象， 觉得这两者之间有 gap。 而且我回来时认为，把这个 gap 好好 exploit， 会是很大的商业机会；现在回来之后， 前两天因为时差也没调整好， 我看了 Doudna 教授和 Emily Chang 的 interview， 只是快速翻着看了一下， 看到 Doudna 教授说 AI 不能 innovation， 那只是摘要 chatbot， 还差得远， 我就觉得，连那位拿了 Nobel Prize 的教授 也还不太明白世界正在如何改变， 我产生了这样的想法。 那位正是凭 CRISPR-Cas9 获得 Nobel Prize 的人，而在 CRISPR-Cas9 上，
崔升准 您说的是剪刀吗？基因剪刀。
卢正锡 是做出基因剪刀的人， 而 AI 找到了与她本人发现的那个 Cas9 蛋白 起相同作用的其他蛋白，叫 OpenCRISPR， 去年又找出了几个候选物质。 也就是说，那是 AI 找到的。 眼下就在她自己的 domain 里完成了 innovation。 所以说，那边其实是完全的 foundational approach。 吸收大量蛋白质，然后用那个 model 找出看起来相似的东西， 只是用 in silico 的方式找出来，而它是 working 的。 不过现在在 biology 这边， 我见了一些正在做这种 foundation approach 的 公司的 engineer。 所以他们正在采取什么 approach， 我刚才已经说了，而且成果相当不错。 在 mainstream 学者看来，现在也许像小孩子过家家。 但我感觉这一部分有点像从 GPT-1 过渡到 GPT-2 左右的那个时期。
崔升准 最近不是还有一件象征性的事吗。 Nobel Prize 获得者 John Jumper 离开 DeepMind， 去了 Anthropic，不是吗？
卢正锡 是的。这个该怎么解读，我也不太清楚。
崔升准 总之就是那种事，做 AlphaFold 的人 去了 Anthropic 这种程度吧。
卢正锡 不过听说最近有非常多人去 Anthropic。 Anthropic 的股价不错， 而且现在股价正在不断上涨， 正处在这样的趋势中， 所以现在去才能拿到所谓更多的 stock option，
崔升准 是有点那种原因吗？
是说服领域专家，还是战胜他们 36:54
卢正锡 是的，因为商业方面的因素很大， incentive 似乎相当大。
朴钟贤 正锡 总之您说的这些， 我听下来，如果思考我们应该怎么 play， 我们，或者所有正在听这个 AI Frontier Podcast 的人， 都是相信 AI 某种 potential 的人， 但从这个领域的人立场来看， 还有一些 domain expert 认为 AI 还没有 potential， 和那些人一起做些什么、去 exploit， 似乎会有商业机会。 您是这样说的， 那么，把那些 domain expert 好好说服， 一起 co-work 下去， 您认为这就是 best scenario 吗？ 还是反过来，如果说得更极端一点， 也许可以战胜 domain expert， 我觉得也可以这样想。
用 Codex 三天做出的个人基因组流水线 37:40
卢正锡 这是非常好的问题。 但老实说，我的想法是， 我也有一种倾向，会基于太少的几个现象 去 generalize， 如果 domain expert 们不是认真学习 AI， 并且理解在现在正在发生的这个 space 里， 这个 scale 到底意味着什么的人， 我想他们很难认为 AI 会把那些全都做掉。 还有我们那些所谓 domain expert 的人 年纪也都比较大嘛。 年纪比较大，懂的也多，因为是这样， 以我在美国见过的很多光看名片 就已经光彩夺目的那些人的反馈来看， 我有点觉得，这些人就算 AI 在眼前把那个做出来给他们看， 他们也不会相信。
所以与其说服 domain expert， 然后和他们一起做些什么， 还不如让 AI 软件工程师去学习那个 domain， 这可能反而更快。 那么以前那种小产业， 这也是我做化妆品生意时经常用的比喻， 不只是这种化妆品生意，而是 therapeutics，也就是治疗、制药， 甚至 longevity drug 这样的领域， 我觉得由并非 expert 出身的公司 也有可能赢。 所以其实我在生物这边， 因为我们这次出差的主要目的就是那个， 而且在这期间，我出差前抽了血， 送到 Macrogen 的我的 long-read genome sequence 也都到了，把我的基因、我的健康记录 以及所有东西全部合在一起， 所谓 pipeline 我都做出来了。
虽然有很多我不理解的内容， 但把那些内容用我能理解的 term 来学习的资料， 它也做得更好， 拿着那个，放在以前本来足以成立一家公司的 pipeline，Codex 大概 3 天就全给我抽出来了。
崔升准 您是想做某种 dogfooding 吧。
卢正锡 就是 dogfooding。全都做了一遍。 所以关于我为什么会觉得原来如此， 我有了很深的理解。
崔升准 在进入下一段之前，刚才您问 John Jumper 的意义时， 我当时只是一下子没想起来， 现在想想， Google DeepMind 做的是 AlphaFold 这样的专用模型， 但 Anthropic 不做嘛。只做 LLM 嘛。 只做 coding model。所以是不是有一种 想通过那个来做科学的 nuance， 我刚才也突然想到了这一点。
“大家都疯了”20 多岁创始人的西部时代 40:33
卢正锡 也可能是这样。 但是那些 Frontier Lab 好像都在朝着整体上限拉平的方向奔跑。 还有这个具体是谁说的话， 我当然也不能说，但在各个 lab 之间已经有一种说法， 就是做这个 frontier model 的技术并没有那么难。 见过一次的人， 到外面去，只要有同样的资源和同样的条件，那只是时间问题， 是可以复现的， 这些大家彼此私下都在传着说， 他们说这是一个 uncomfortable truth。
这是 domain 这一侧的事情， 关于这个 Market 2 domain，我刚才稍微讲了一些， 这些领域，我们在之前的 episode 里 已经讲过无数次了， 接下来也和刚才钟贤的问题相连， 在这个 digital world 里不能马上轻易 做出 verifier 的，verifier 必须是真的 robot 运转，或者做实验， 或者某种东西在 real world 里至少执行一次 action， 才能够 verify 的， 这样的 domain，我觉得几乎就是 Market 2 的大部分。
而且我对于 Market 2，一再地， 在其他 episode 里也经常说过， 对 Market 2 抱有很多期待， 我自己也把很多商业上的 point 放在这个部分。 回到 startup 的话题， 其实这里有最多有趣的故事， 人们都疯了。
崔升准 Silicon Valley 的人吗？
卢正锡 对，疯了。疯了。 所以真的是西部时代啊。来这里追梦， 优秀的人有优秀的人那一套 往前冲的轮次已经形成了， 而只是怀抱梦想的人， 真的就来了，签证也只是拿旅游签， 到处参加 hackathon，想着总会发生点什么， 我也看到了这样的年轻人。 所以我真的觉得这里有各种各样的人， 关于这一点，也就是为什么我说疯了， 我会接着讲下去。 首先，做 startup 的那些公司， 创始人的年龄都是二十出头。 到了二十后半、三十出头， 这就已经很老了。三十出头算很老。
崔升准 如果是二十出头，那就是大学辍学吗？ 那么大多数
卢正锡 大学，因为那里不用服兵役， 大学毕业后在哪里实习一年， 进 Y Combinator 的时候大概就是二十二三岁。 但是现在 Y Combinator 选的公司， 最近年龄都非常小。 而且我好像以前也说过一次， 最近很多大学生的梦想是进 Y Combinator 之类的地方， 合法地退学，或者学校只是为了成绩， 只是为了拿 diploma 而去上的情况也很多， 还有我们上次录制时提到的 Jordan 的公司里， 也有不少只是高中毕业就去工作的朋友。 所以最近的年轻人本来就是 AI native， 同时也会冷静比较大学能够教授的知识的极限， 以及自己在那里花四年时间、交钱 拿 diploma 这件事的效用。 所以也有相当多的人只是高中毕业后就去公司， 直接开始职业生涯。 还有，在好公司积累好的经历 与本科毕业证是等价的， 觉得这一点的人 正在变多，这是我看到的很新奇的事情。 这些情况现在韩国也有一些吧。 我知道和金瑞准代表一起工作的高中生 已经存在了。
朴钟贤 不过他们高中毕业后，确实就在做那样的行动。 所以可能在 InstructKR 或者类似地方， 大家应该在 Discord 上经常看到那些 ID， 他们好像活动得很积极。 我看着也有点羡慕。 真的是在二十出头就为了梦想 看着那些正在立刻奔向目标、付诸行动的人们 我也学到了很多，虽然我现在 已经算是年纪大的一边了，但在这里
崔升准 你不是写过那样的文章或 episode 吗？ 中途还不如这样做之类的。如果能回到过去，比起学校
朴钟贤 我现在就是这么想的。 当时并没有那样想过 如果能带着现在的想法回到 20 多岁 我也会想，如果是这个时期，我也想那样奔跑， 我现在是这么想的。
ARR 40 亿韩元，对应 4000 亿韩元估值 45:17
两类创始人：梦想家与 AI Agent 业务 45:17
年薪 500 万美元的真相，硅谷薪酬结构 45:17
这样的估值如何退出：acqui-hire 45:17
卢正锡 所以看着那些年轻人时感受到的是 时间的相对性。 那些人感受到的时间轴和我们感受到的时间轴 现在相对来说非常不同。 而且他们所期待的东西和我们所期待的东西 也非常不同，我感受到这一点，所以托他们的福 我像是把自己完全浸在 那些年轻人的夹缝之中再回来一样 感觉非常 refresh。 还有一点是 我觉得需要把 valuation 的话题稍微往上提一提。 这些公司的 valuation 非常高。
首先进入 Y Combinator 的 batch 之后 进去之后会拿到 Y Combinator 的投资 然后再拿到 pre-seed、seed 左右的投资 那个 valuation 也比韩国高得多 销售额按韩元大概达到 30 亿到 40 亿左右 以 ARR 换算，不是按年销售额来算 而只是按年平均换算销售额达到那个程度时 公司的 valuation 他们就会直接给到大约 300 million。 300 million 的 valuation 是多少呢，就是 4000 亿韩元。 按 ARR 标准大约 30、40 亿韩元。 如果按韩国标准来比较，不是两三倍 而是后面多了一个零。
说实话，我觉得他们形成的是 后面多了一个零的 valuation，而且 那些创始人大概分成两类。 有些创业者怀抱着某种宏大厚重的梦想。 比如说是这样的。 现在的 Transformer 模型是错的。 Yann LeCun 所说的 world model 也有这样的问题。 新模型应该是这样的， 这种做梦的 dreamer。 但看这些 dreamer 的话 从经历开始就会让人觉得是天才。 学校是我们都知道的那种名校，十七岁左右就入学了 现在二十岁，怎么说呢？ 已经在 Google DeepMind 工作过了，所以他说的是 Google DeepMind 的研究员大概一半很聪明 另一半我也不知道是不是真的那么聪明。
他这样说，而且自己公司有 6 名员工，自己是 CEO 还 hire 了教过自己的教授 然后我们知道的那些著名投资机构 都因为没能投进这家公司而排着长队。 对，从 Sequoia、a16z 开始 大家都想投钱，所以都在排队 起步的 seed valuation 差不多有 5000 亿韩元左右。 接下来表示要投资的金额 也差不多接近 1000 亿韩元，而且 seed，也就是说公司创立没多久 几乎是一创业，company valuation 就已经是那个程度了。 所以我觉得这里那些非常年轻、 天才般的孩子们 如果散发出某种好像会 change the world 的氛围 就会以非常高的价格，几乎是 NeoLab 水平的 valuation 从一开始就形成。
然后第二类是做 AI agent business 的 这里的 spectrum 真的极其多样。 首先，这里的市场还没有全部打开嘛。 大多数是把 B2B SaaS 风格的东西 转换成 AI native application 的 这类公司非常多 这些公司即使暂时还没有销售额 对 valuation 的期待也非常高。 为什么呢，因为本人已经在 Meta 拿 5 million，按韩元来说就是 80 亿。
是拿着 5 million 年薪的人 我的朋友是从 Anthropic 拿 80 亿韩元过来的 我的朋友是从 ByteDance 拿 80 亿韩元过来的 这样的 3 个朋友一起创业了 我们三个人光年薪加起来就是 240 亿韩元 所以公司 valuation 是 1000 亿韩元，不是 make sense 吗 有这样的说法，而且对于这些 有一类群体会稍微认可。 主要是我们知道的那些知名公司出身的人 我稍微讲一下薪资 Silicon Valley 的薪资水平确实比韩国高很多 但即便在其中，所谓 Frontier Lab 们和 融资很好的 AI 公司的年薪水平也非常高。
如果只是普通 startup 里还不错的 engineer 大概 200K 到 300K， 也就是年薪拿 20 万到 30 万美元。 当然考虑到他们非常高的物价和税额 按韩国来算，就算砍掉一半左右 其实也和韩国差不多 那么他们的年薪即使直接换算成韩元 也会是 3 亿到 4.5 亿韩元左右 如果是融资非常好的 startup 或者刚才说的这种 梦想型公司的 founding member 或者是在 Google、Meta，或者 Thinking Machines 这样的 包括 NeoLab 在内的这些地方做过不错的 engineer 年薪当然会到 5 million 左右。 当然那个年薪并不全都是现金工资。
base salary 比如大概 8 亿到 10 亿韩元左右 是我们实际拿到的年薪，剩下的 60 亿到 70 亿韩元 是按照那家高 valuation 公司 换算出来的 stock option。 因为那是 stock option 和 stock grant 混在一起的金额 比如说 Silicon Valley 里某个在 Google 工作的人 合计年薪是 5 million 的话 光是 stock option 需要缴的税， 然后 stock grant 需要缴的税， 年薪需要缴的税加起来 大概最多 50% 到 60% 会作为税交出去。 即便如此，大概 30 亿到 40 亿韩元左右 也会是实际到手的年薪。
朴钟贤 您刚才说到的某种资金流向 因为那个 scale 有点难以切身感受到 如果我试着代入投资者的角度来想， 现在那些在 big tech 工作的员工们， 包括股票在内，拿着超过约510万元人民币级别的薪酬， 当这些人出来创业的时候， 新开的那个业务， 不管怎样，估值动辄给到约5.1亿元人民币， 其实必须得能回收那么多， 投资者才会投资，不是吗。 那么投资者们是不是就只是因为他们在那里获得了那样的价值认可， 并且在那里工作过， 就假设他们能够把这一切都做成呢。
卢正锡 我也好奇这一点，所以就直接问了。 我问那个创始人，你的 exit plan 是什么，如果不成的话， 在那些没成的公司里， 我的朋友里有没有公司被卖掉的？ 结果他点了点头说，只是没有对外公开而已， 那么多大企业、enterprise 们， 因为也必须用 AI 做些什么， 所以它们直接把整家公司这样拿走， 以 acqui-hire 的形式收进去的情况相当多， 而在那时形成的 valuation 上， 投资者们也会获利， 所以对于那种程度的 valuation， 现在似乎是有某种共识的。 当然，至于这是不是泡沫、今后是否还会持续， 我也有疑问， 但目前在旧金山发生的 deal 的 valuation， 好像就是那个程度。
朴钟贤 VC 们给出那种程度的 valuation， 在我们看来高得非常离谱， 那些我们觉得离谱的 valuation， 也可以理解为某种程度上是合理的。
崔升准 另一方面我想到的是，整体基数大概有多少， 如果知道其中有多少是这种程度，也会比较好。
卢正锡 其实那就是我在 named 和 newbie 上 做过区分的地方，即便是 newbie， 也有相当多的人能以比韩国好得多的条件获得 seed financing。 好像确实不少。
崔升准 但我好奇的是， 虽然不知道现在聚在那里的人数准确是多少， 到底是聚集了多少人才， 才会在其中挑顶尖的人时发生这样的事情， 我好奇的是这个。
YC 一期 200 支团队、1 分钟 Demo Day 与 pivot 文化 53:58
卢正锡 数字我也不太清楚。 我只是去了 South Park 附近的咖啡馆， 还有 Salesforce Tower 上面 有个 Salesforce Park， 我在那里时，周围都是做 startup 的人， 还有那里的 big tech 公司的人， 以及融资非常顺利的工程师们， 他们全都聚在那几个街区。 但从那个街区感受到的氛围来说，这里真的 人挤人。 所以追梦者进入的某种市场， 和某种程度上 named 的人 来来往往的市场，肯定是有区别的。 但如果一定要我划分那个边界， 光是 Y Combinator 出身的人就多到随处可见。
因为 Y Combinator 一个 batch 差不多会选接近200个团队， 所以 Demo Day 的发表时间据说只有1分钟。 一天之内就全部结束。 那些公司在1分钟里能说些什么呢？ 所以必须提前做出成果， 投资者们也会提前全部研究好再去， 然后选择要投资的公司。 总之，那里现在已经不像以前那样，一说进了 Y Combinator， 就意味着“啊，这真是一家好公司”， 而是说进了 Y Combinator，就像“嗯，这里至少有大学毕业证” 这种感觉。
朴钟贤 最近我有机会采访一位隔了一层关系、 进入了 Y Combinator batch 的熟人， 聊了一次，那里也是大学生。 所以他们现在正在参加这个 batch 跑流程， pivot 得非常频繁。 而且对于 pivot 这件事， Y Combinator 也并不认为不好。 所以他们把各个 item 都轮流快速 iteration， 看某些用户的 evaluation 指标， 我稍微感觉到，重要的不是 item， 而是在买人。
卢正锡 只要是某种程度上还不错的人， Y Combinator 好像就会先轻轻标记一下。 而且想尝试做 Y Combinator 那种 play 的 South Park Commons 之类，还有其他几股势力， 好像也更多了。
崔升准 那么这整个 playbook 是一种投资嫩芽的模式吗？ 就是看谁是有前途的嫩芽，这种吗？
年轻化的 VC、数据中心・芯片・基础设施，以及韩国芯片生态 56:20
卢正锡 这个嘛，要那样概括有点困难， 但这本来就是 venture capital 行业令人不舒服的真相。 归根结底，比起 item，始终是选人的游戏， 如果把人设定为更年轻、更聪明， 然后执行力还不错的人， 胜率就会比其他选择高得多， 因为曾经有这样的指标， 整体趋势自然就都转向那边了吧。 所以我不能说这是因为 Y Combinator， 但整体创业者的年龄已经变得非常年轻， 最近在 Bay 说到 startup founder， 几乎大多数都是20岁出头，多的话也就是20多岁中后段， 到30岁出头就已经稍微 old 了，再往上， 就是在和他们不同的时间速度里， 带着稍微不同的 domain 专业性， 以及某一个具体问题过来的人， 但那边我没有见过太多人， 所以没法多说什么。 所以我见了很多做 startup 的人， 大概可以这样总结。 另外，venture capital 对 startup 们 做某种 application level 的东西， 或者做那种偏 B2B 的 startup， 似乎还没有那么大的兴趣。
崔升准 不过说到 venture capital，我想到的是， 我们之前采访的时候，徐俊代表也是这样， 以前元俊代表也是这样，说 VC 现在生存路径变得模糊， 所以转向自己采取 action， 这里也是这种氛围吗？
卢正锡 还有这个我也觉得应该说一下， venture capitalist 们的年龄也非常年轻。
崔升准 有多年轻？
卢正锡 20岁出头的也很多，30多岁的也很多， 而且具有非常独特经历的风险投资人越来越多， 反过来，对于那些想做 VC 的人， 似乎也有大量资本 正在涌入， 还有这里也有很多从 DeepMind 出来的人 创办了许多创业公司。 所以 DeepMind 出身、Anthropic 出身， 还有什么出身、什么出身的人， 创业公司正在大量出现， 风险投资方面也是，从 Sequoia 或其他等等我们 所谓熟知的知名机构里有过某种经验的人出来， 年轻的风险投资公司创办也似乎非常多， 感觉他们也和梦想创业的人一样， 处在同样怀抱梦想的阶段。 VC 本来就很多， 我也不是全都见过，只是抽样见了几个， 就我抽样见过的几个风险投资机构来说， 几乎大多数都把兴趣集中在数据中心或芯片， 然后是对模型进行 orchestration， 以及对 inference 或训练进行 orchestration 的 基础设施软件， 这类领域上。 他们似乎判断那边领域 目前仍然有更高的增长性， 数据中心今后还需要建设更多， 芯片也会在一段时间内短缺，所以能够提出替代方案的 人， 以及公司，会有更多机会。
崔升准 这里说的芯片是什么？ 是内存方面，还是计算方面？
卢正锡 都是。
崔升准 也就是说现在有一些创业公司在围绕这个做创新吗？
卢正锡 所以在这一部分， 他们对韩国非常感兴趣。 所以像真源的公司，还有正圭的公司， 我也介绍了很多， 毕竟韩国有三星电子和海力士， 他们会问有没有从那里出来的人创办公司， 芯片公司里有没有不错的公司， 我记得这类问题相当多。
崔升准 不过我们没有数据中心吧。 基础设施软件 orchestration 和芯片是有， 国内有做数据中心的地方吗？
卢正锡 有啊。 大企业在做，SK 好像最积极。
朴钟贤 接着您的回答说一下我的想法， VC 对那种数据中心或芯片 这类东西感兴趣， 我会觉得稍微有点违和，因为就像您说的， 大企业做那类事情很多，但 VC 大企业不会从那样的 VC 那里接受投资吧。 那么在小公司当中，是否有很多公司 在挑战解决这类问题呢？ 我有点觉得 VC 能投资这类公司的候选本身 可能相当少。
卢正锡 在韩国吗？
朴钟贤 韩国或美国都算在一起。
ICML Seoul week：如何利用 meetup 与管理社交账号 1:01:03
卢正锡 是的，关于数量多还是少， 我也没有准确的样本， 所以不能断言，但当然，相比单纯的 agent 创业公司 之类，应该会明显少很多。 但那边通常 也可能存在这种认知。 那不是 NVIDIA 已经全部拿下的市场吗， 那不是三星或海力士已经全部拿下的市场吗， 可能会有这样的认知， 但现实完全不是那样。 这一边有更多增长空间， 而且才刚刚开始， 我感觉这种观点更占主导。 不是因为这个已经结束了， 所以是不是应该非常保守地看待， 而是完全相反的那种感觉。 那边的 valuation 也非常高。 好像是在和 OpenAI 最积极地合作。 所以我大致把见过的情况 给大家整理讲了一下。 还有有意思的是，我们 ICML 从 7 月 4 日开始 会在 COEX 举办。
崔升准 好像是到 11 日左右。
AI Frontier 改版：更轻、更快 1:02:09
Monthly AI Demo Day：把韩国创业公司带向全球 1:02:09
卢正锡 是的，其实 4 日、5 日是前夜的周末， 从 6 日开始主会议， 那一周的主会议是周一、周二、周三， workshop 在后面还有一点，大概是这样。 可能周一、周二、周三左右会是高峰吧。 不过 ICML 在机器学习领域 还是相当大的学会， 所以 Frontier Lab 也会有非常多研究人员来， 然后风险投资机构或一些创业公司 也会来不少。 所以那段时间会举办非常多 party。
会有 meetup，有些 meetup 是 invitation-only， 可能即使注册了也有去不了的地方， 也有可以自由参加的区域， 总之，如果大家感兴趣，我现在给大家看的 7 月 4 日在 Scionic 举办的 Instructor KR 活动， 以及 7 月 5 日在 Hashed 举办的活动， 这两个地方我是打算去的。 去那里也可以和不仅来自韩国、也来自世界各地的 那些处在 frontier 的人交流， 也可以向投资者 介绍自己的公司或业务， 所以我觉得不要错过这个机会， 好好利用会不错。 去 Luma 搜索 ICML 首尔， 从 7 月 4 日到大约 10 日之间会出来很多。 所以建议大家可以注册一些不错的活动。
而且很多注册会要求 LinkedIn 或 Twitter handle， 或者本人的某种社交记录。 所以如果那上面没有太多记录， 很多时候甚至连邀请函本身都收不到， 所以我觉得像 LinkedIn 或 Twitter 这样的东西， 平时稍微管理一下， 对于做 global level 的事情会比较好。 好，那么今天我们想说的内容 基本上都已经讲完了， 关于 AI Frontier 要以什么方式改版， 简短说一下的话，就像开头说的， 我们会避免做得太重，而是更轻量、更快速地 尝试做出那样的东西。
那个方向就像我们现在和升准做过的那样 每周一次、标上 episode 编号的主 episode 既然又请来了钟贤作为主持人 就由一位左右的嘉宾，或者我们三个人这样轮流 按照我们一直以来的形式 主 episode 会继续进行 不过我们也计划做非常多的 sub-channel 以比较轻量的方式来做。 所以这次我出差结束的时候 就想，作为 AI Frontier 频道 如果我们有什么应该承担的角色 那会是什么呢？我想到的是韩国的优势 最韩国的东西就是最 global 的 我是这样想的。 就像刚才说的那样 芯片、infra 这些方面当然也有 但我仍然觉得 AI 所创造的 consumer service 这一块还是一个尚未打开的市场。
而如果在这一块出现某个大型 service 我认为那个种子 最早会在韩国被看到。 但是即便那个种子在韩国出现 如果它只是在韩国国内成长、只在韩国竞争 韩国人又很聪明，只要有好的 service 在我们内部也会发生非常大量的 copy。 然后在我们内部互相竞争、彼此厮杀，最后就全都阵亡了。 这样一来就会错过 timing，而在错过的 timing 之间 美国就会出现一家几乎一样的公司，并且取得更大的成功 这样的情况我看过非常多 所以我已经不是二十出头的创业者了 我也处在一个更应该帮助那些创业者的位置上 所以我觉得应该把韩国优秀的 startup 更多地介绍到 global。
大概每个月一次 举办类似 demo day 的活动，把韩国的 business 或者 技术介绍到 global，这件事应该要做。 所以 Monthly AI Demo Day 虽然会很难 但我想做一个只用英语进行的 demo day 把它介绍到 global。 并且把这个 demo day 一直串联起来 为明年的 AI Engineer Summit、AI Engineer Conference Seoul edition 稍微做成一个引水的起点。
崔升准 就是在那段时间里 介绍正在开发的产品，是这样的形式吗？
卢正锡 应该不会是一分钟一个。 大概十分钟一个
崔升准 那就是一天会介绍好几个，是吗？
卢正锡 要介绍好几个才行。 只做十分钟 就结束的话，在线下聚集这件事 负担会非常大，所以先轻量地开始 之后会怎么样还要看。
崔升准 demo day 是线下活动吗？
卢正锡 是的，我打算这样做。 这件事即使用韩语来做，在线上彼此配合 管理这种发表 也几乎接近不可能 所以这个必须在线下做。
崔升准 然后没有直播，就只在线下？
卢正锡 还有 AI 和 bio session 我在准备 business 的过程中了解到的东西 也想以学习的角度试着做一做， 民硕代表也会去美国 说会担任 Silicon Valley 特派员的角色 我之前说过的那些非常有意思的 Y Combinator alumni 很多时候其实都是民硕的朋友。 事实上多亏了民硕，这次我接触到了很多 不是韩国 network 的其他 network。 另外升准也可以和升准的道伴一起 在那些领域尝试做一些 session 我们想更轻松、更有趣地做很多东西。
崔升准 如果把整体脉络这样梳理一下 归根结底 Silicon Valley 有非常大的机会 而与那里连接的这个 flow 也和 AI Frontier 的改版有连接点，对吧。
首次三人录制的感想与收尾 1:08:36
卢正锡 对那种高 valuation 和高 market access 必须打通某种 channel。 我是带着这样的想法回来的。 今天是我们和钟贤一起的第一次录制。
崔升准 我确实有点好奇钟贤的感想。
朴钟贤 我的感想是，不管怎样我也一直在听 我之前也作为 guest 出来过一次 今天真的听到了很多有意思的内容。 尤其是以后要做 Silicon Valley 特派员这件事 我最期待 我自己也一直向往 San Francisco 所以今天也产生了“我应该去看看”的想法。
卢正锡 是的，像钟贤这样的人，我觉得去看看会比较好 我有这样的想法。
朴钟贤 我会试着挑战一下。
卢正锡 是的，不是去玩 而是去了之后也完全有竞争力，反过来说 我这次回来后觉得，在韩国被称为 AI native 的 所谓“神仙”们的价值非常高。 我也带着这样的想法回来： 这里真的有很多非常优秀的人。
崔升准 总之辛苦了。
卢正锡 那就到这里收尾 我们现在重新回到日常，带着这次改版后的内容 去做很多有意思的事情吧。
崔升准 明白了。
卢正锡 好，那今天就到这里。 辛苦大家了。