Why Human Data is Key to AI: Alex Wang from Scale AI
Основатель и CEO Scale AI Александр Ванг в беседе с генеральным партнёром a16z Дэвидом Джорджем рассказывает о трёх столпах ИИ — вычислениях, данных и алгоритмах — и объясняет, почему производство frontier-данных становится главным узким местом после исчерпания общедоступного интернет-корпуса. Он прогнозирует, что чистый бизнес по сдаче моделей в аренду будет посредственным из-за падения цен на инференс на два порядка за два года и давления open-source вроде Llama 3.1, а основная маржа уйдёт «под» и «над» слоем моделей. По корпоративному внедрению Ванг отмечает, что мало POC доходят до продакшена, и призывает CEO измерять успех влиянием на цену акций, а не маржинальными use-кейсами. Он делится опытом Scale: за последние годы штат держали почти неизменным, поскольку рост команды разрушает высокопроизводительную культуру. Ванг также описывает «фантазию основателя» и «фантазию руководителя», объясняет принципы найма MEI (merit, excellence, intelligence) и оценивает срок до AGI (когда ИИ сможет выполнять 80%+ цифровых работ) в четыре с лишним года.
Unlocking AI’s Future: Alexandr Wang on the Power of Frontier Data
Раскрывая будущее ИИ: Александр Ванг о силе frontier-данных
In this conversation with a16z general partner David George, Scale AI founder and CEO Alexandr Wang discusses the three pillars of AI—models, compute, and data—and how creating abundant data is core to the evolution of gen AI. With Scale’s work across enterprise, automotive, and the public sector, Alex is also building the critical infrastructure that will allow any organization to use their proprietary data to build bespoke gen AI applications. In addition to talking about frontier data, Alex also shares his learnings from the growth of Scale, his approach to leadership, and what he thinks growth-stage founder/CEOs tend to get wrong about hiring.
В этой беседе с генеральным партнёром a16z Дэвидом Джорджем основатель и CEO Scale AI Александр Ванг обсуждает три столпа ИИ — модели, вычисления и данные — и то, как создание изобилия данных лежит в основе эволюции gen AI. Благодаря работе Scale в корпоративном, автомобильном и государственном секторах Алекс также строит критическую инфраструктуру, которая позволит любой организации использовать собственные проприетарные данные для создания индивидуальных gen AI-приложений. Помимо разговора о frontier-данных, Алекс делится уроками роста Scale, своим подходом к лидерству и тем, что, по его мнению, founder/CEO на стадии роста чаще всего понимают неправильно про найм.
[00:00:58] Как frontier-данные изменят gen AI [00:08:47] Переинвестируют ли крупные техкомпании в ИИ? [00:14:39] Где будут процветать лучшие ИИ-бизнесы [00:17:05] Как корпоративный сектор подходит к внедрению ИИ [00:19:50] Как будет выглядеть следующая фаза gen AI-продуктов? [00:23:23] Подход Алекса к масштабированию Scale [00:25:36] Фантазия основателя [00:30:12] MEI и взгляд Алекса на привлечение талантов
How frontier data will change gen AI
Как frontier-данные изменят gen AI
David: We’re very excited today to have Alex Wang, the founder and CEO of Scale AI, with us. Alex, thanks for being here.
David: Мы очень рады сегодня принимать Алекса Ванга, основателя и CEO Scale AI. Алекс, спасибо, что пришёл.
Alex: Thanks for having me.
Alex: Спасибо, что пригласили.
David: I always love talking to you and I always learn a ton. But maybe to start, why don’t you just tell us a little bit about what you’re building at Scale AI and then we’ll dive in.
David: Мне всегда нравится с тобой общаться, и я всегда многому учусь. Но, может быть, для начала расскажи нам немного о том, что вы строите в Scale AI, а потом погрузимся глубже.
Alex: At Scale we’re building the data foundry for AI. Taking a step back, AI boils down to three pillars. All the progress we’ve seen has come from compute, data, and algorithms. And the progress among all three of these pillars, compute has been powered by folks like NVIDIA. The algorithmic advancements have been led by the large labs like OpenAI and others, and data is fueled by Scale.
Alex: В Scale мы строим data foundry для ИИ. Если сделать шаг назад, ИИ сводится к трём столпам. Весь прогресс, который мы видели, исходит из вычислений, данных и алгоритмов. И среди этих трёх столпов вычисления обеспечивают компании вроде NVIDIA. Алгоритмические продвижения ведут крупные лаборатории — OpenAI и другие, а данные обеспечивает Scale.
Our goal is to produce the frontier data necessary to fuel frontier-level advancements in partnership with all the large labs, as well as enable every enterprise and government to make use of their own proprietary data to fuel their frontier AI development.
Наша цель — производить frontier-данные, необходимые для frontier-уровня продвижений, в партнёрстве со всеми крупными лабораториями, а также давать каждому предприятию и государству возможность использовать собственные проприетарные данные для разработки своего frontier AI.
David: So on this topic of frontier data, practically, like, how do you actually get it?
David: Вот по поводу frontier-данных — практически, как ты их вообще получаешь?
Alex: I think this will be one of the great human projects of our time, if that makes sense. And, you know, the only model that we have in the world for the level of intelligence that we seek to create is humans, or is humanity. And so, the production of frontier data looks a lot like a sort of marriage between human experts and humanity with, you know, technical and algorithmic techniques around the models to produce huge amounts of this kind of data.
Alex: Думаю, это будет один из великих человеческих проектов нашего времени, если так можно выразиться. Знаешь, единственная модель в мире для того уровня интеллекта, который мы стремимся создать, — это люди, или человечество. И потому производство frontier-данных выглядит как нечто вроде брака между экспертами-людьми и человечеством в целом с техническими и алгоритмическими приёмами вокруг моделей, чтобы производить огромные объёмы таких данных.
And by the way, all the data that we’ve produced today—the internet—has looked like that too. The internet, in many ways, is this collaboration between machines and humans to produce large amounts of content and data. You know, it’ll look like the internet on steroids. Like, what happens if the internet, instead of just being a human entertainment device with this byproduct of data generation, what if it were just this large-scale data generation experiment?
И кстати, все данные, которые мы произвели на сегодняшний день, — интернет — тоже выглядели так. Интернет во многом — это коллаборация машин и людей по производству больших объёмов контента и данных. Это будет похоже на интернет на стероидах. Что, если интернет вместо того, чтобы быть просто устройством развлечения для людей с побочным продуктом в виде генерации данных, был бы крупномасштабным экспериментом по генерации данных?
David: So you have a very unique perspective into the state of the industry. How would you characterize the state of models, language models right now? I’d love to sort of get into things like market structure, but just what’s the state of the industry right now?
David: У тебя очень уникальный взгляд на состояние индустрии. Как бы ты охарактеризовал состояние моделей, языковых моделей прямо сейчас? Я бы хотел затронуть такие вещи, как структура рынка, но в целом — каково состояние индустрии сейчас?
Alex: Yeah. I think we’re sort of closing in at the end of maybe phase two of language model development. I think phase one was the early years of almost like, pure research. So phase one hallmarks are the original transformer paper, the original small-scale experiments on GPTs. All the way leading up probably until GPT-3 was this sort of phase one research, very, very focused on small-scale tinkering and algorithmic advancements.
Alex: Думаю, мы приближаемся к концу, наверное, второй фазы развития языковых моделей. Первая фаза — это ранние годы почти чистого исследования. Знаковые моменты первой фазы — это оригинальная статья про трансформер, оригинальные мелкомасштабные эксперименты с GPT. Вся первая фаза, длившаяся примерно до GPT-3, была сосредоточена на мелкомасштабных экспериментах и алгоритмических продвижениях.
Phase two, which is sort of GPT-3 until now, is really the initial scaling phase. We had GPT-3 that worked pretty well. Then OpenAI really scaled up these models to GPT-4 and beyond. And then many companies—you know, Google, Anthropic, Meta, xAI—have also joined this race to scale up these models to incredible capabilities.
Вторая фаза, начиная примерно с GPT-3 и до сегодняшнего дня, — это, по сути, начальная фаза масштабирования. У нас был GPT-3, который работал довольно хорошо. Затем OpenAI всерьёз масштабировала эти модели до GPT-4 и далее. И многие компании — Google, Anthropic, Meta, xAI — тоже включились в гонку, чтобы масштабировать эти модели до невероятных способностей.
I think for the past two-ish years, or let’s say three years, it’s almost been more about execution than anything. It’s a lot of engineering. How do you actually have large-scale training work well? How do you make sure there aren’t weird bugs in your code? How do you set up the larger clusters? There’s been a lot of executional work to get to where we are now, where we have a number of very advanced models.
Думаю, последние два года, или скажем, три года, всё в основном было про исполнение, чем про что-либо ещё. Это много инженерной работы. Как сделать так, чтобы крупномасштабное обучение работало хорошо? Как убедиться, что в коде нет странных багов? Как настроить более крупные кластеры? Чтобы добраться до того, где мы сейчас, со множеством очень продвинутых моделей, потребовалось много исполнительской работы.
I think we’re entering a phase where the research is going to start mattering a lot more. There will be a lot more divergence between a lot of the labs in terms of what research directions they choose to explore and which ones ultimately have breakthroughs at various times. And so, it’s sort of an exciting alternating phase between maybe just raw execution versus sort of a more innovation powered cycle.
Думаю, мы входим в фазу, где исследования начнут значить гораздо больше. Будет гораздо больше расхождений между лабораториями в плане того, какие исследовательские направления они выберут и где в итоге случатся прорывы в разное время. Так что это своего рода захватывающее чередование между фазой просто чистого исполнения и фазой более инновационно-движимого цикла.
David: They’ve kind of gotten to a point where I wouldn’t say there’s abundant compute, but they’ve had enough compute in order to get to the models where they’re at. That’s not a constraint, necessarily. They’ve kind of exhausted as much data as they possibly can, all of the frontier labs. The next thing will be advancing the ball on the data side. Is that fair?
David: Они вроде как дошли до точки, где, я не сказал бы, что вычислений в избытке, но их было достаточно, чтобы построить те модели, что есть сейчас. Это не сдерживающий фактор. Они, по сути, исчерпали столько данных, сколько могли, все frontier-лаборатории. Следующая задача — продвигать вперёд сторону данных. Это справедливо?
Alex: Yeah. If you look at the pillars, compute, we’re obviously continuing to scale up the training clusters. So I think that that direction is pretty clear. On the algorithms, I think there has to be a lot of innovation there. Frankly, I think that’s where a lot of the labs are really working hard, on the pure research of that. And then data, you kind of alluded to it, we’ve kind of run out of all the easily accessible and easily available data out there, you know, and…
Alex: Да. Если посмотреть на столпы, по вычислениям мы, очевидно, продолжаем масштабировать обучающие кластеры. Думаю, это направление довольно ясное. По алгоритмам, я считаю, там должно быть много инноваций. Откровенно говоря, я думаю, что именно над этим многие лаборатории сейчас усердно работают, над чистым исследованием. А по данным, ты уже намекнул, мы вроде как исчерпали все легкодоступные данные, что есть, и…
David: Common crawl is all done, everyone’s had the same access to it.
David: Common Crawl весь израсходован, у всех был одинаковый доступ к нему.
Alex: Yeah, exactly. And so, a lot of people are talking about the data wall: we’re kind of hitting this wall where we’ve leveraged all the publicly-available data. One of the hallmarks of this next phase is actually going to be data production. What is the method that each of these labs is going to use to actually generate the data necessary to get you to the next levels of intelligence? And how do we get towards data abundance? I think this is going to require a number of fields of advanced work and advanced study.
Alex: Да, именно. И многие говорят про data wall: мы упираемся в стену, где мы использовали все публично доступные данные. Одной из отличительных черт следующей фазы будет именно производство данных. Какой метод каждая из этих лабораторий будет использовать для генерации данных, необходимых, чтобы дойти до следующих уровней интеллекта? И как двигаться к изобилию данных? Думаю, для этого потребуется ряд областей продвинутой работы и продвинутого изучения.
The first is really pushing on the complexity of the data. So moving towards frontier data. For a lot of the capabilities that we want to build into the models, the biggest blocker is actually a lack of data. For example, “agents” has been the buzzword for the past two years, and basically, no agent really works. Well, it turns out there’s just no agent data on the internet. There’s no pool of really valuable agent data that’s just sitting around anywhere. And so we have to figure out how to produce really high quality data.
Первое — это действительно давление на сложность данных. То есть движение к frontier-данным. Для многих способностей, которые мы хотим встроить в модели, самый большой блокер — это, по сути, отсутствие данных. Например, «agents» — это buzzword последних двух лет, и, по сути, ни один агент по-настоящему не работает. Оказывается, в интернете просто нет данных об агентах. Нет пула действительно ценных данных об агентах, который где-то просто лежал бы. И поэтому нам нужно понять, как производить действительно высококачественные данные.
David: Give an example of what you would have to produce?
David: Приведи пример того, что вам пришлось бы производить?
Alex: We actually have some work coming out on this soon, which demonstrates that, right now, if you look at all the frontier models, they suck at composing tools. If they have to use one tool, and then another tool… Let’s say they have to look something up, and then write a little Python script, and then chart something. If they use multiple tools in a row, they just suck at that. They just are really, really bad at utilizing multiple tools in a row. And that’s something that’s actually very natural for humans to do.
Alex: У нас скоро выйдет работа на эту тему, которая показывает, что прямо сейчас, если посмотреть на все frontier-модели, они ужасны в композиции инструментов. Если им нужно использовать один инструмент, а затем другой… Скажем, им нужно что-то найти, потом написать небольшой Python-скрипт, потом построить график. Если они используют несколько инструментов подряд, они в этом просто ужасны. Они действительно очень плохо справляются с использованием нескольких инструментов подряд. А ведь это что-то совершенно естественное для людей.
David: Yeah. But it’s not captured anywhere, that’s the point, right?
David: Да. Но это нигде не зафиксировано, в этом ведь суть, да?
Alex: Exactly.
Alex: Именно.
David: You can’t actually capture somebody going from one window to another into a different application, and then feed that to the model so it learns, right?
David: Ты ведь не можешь захватить, как человек переходит из одного окна в другое, в другое приложение, и подать это модели, чтобы она училась, правильно?
Alex: Exactly. So these sort of reasoning chains… When humans are solving complex problems, we naturally will use a bunch of tools, we’ll think about things, we’ll reason through what needs to happen next, we’ll hit errors and failures, and then we’ll go back and reconsider. A lot of these reasoning chains, these agentic chains, the data just doesn’t exist today. That’s an example of something that needs to be produced.
Alex: Именно. Так что эти цепочки рассуждений… Когда люди решают сложные задачи, мы естественным образом используем кучу инструментов, мы обдумываем вещи, мы рассуждаем, что должно произойти дальше, мы сталкиваемся с ошибками и неудачами, а потом возвращаемся и пересматриваем. Многих этих цепочек рассуждений, агентских цепочек, данных просто не существует сегодня. Это пример того, что нужно производить.
But taking a big step back, what needs to happen on data? First is increasing data complexity, so moving towards frontier data. The second is just data abundance, increasing the data production, so…
Но если сделать большой шаг назад, что должно произойти с данными? Первое — это увеличение сложности данных, то есть движение к frontier-данным. Второе — это просто изобилие данных, увеличение производства данных, чтобы…
David: Capturing more of what humans actually do in the field of work?
David: Захват большего количества того, что люди реально делают в рабочей сфере?
Alex: Yeah. Both capturing more of what humans do, and investing into things like synthetic data, hybrid data—so utilizing synthetic data, but having humans be a part of that loop so that you can generate much more high-quality data. With chips, we talk a lot about chip foundries and how we ensure that we have enough means of production of chips, and the same thing is true for data. We need to have data foundries and the ability to generate huge amounts of data to fuel the training of these models.
Alex: Да. И захват большего количества того, что делают люди, и инвестиции в такие вещи, как синтетические данные, гибридные данные — то есть использование синтетических данных, но с участием людей в этом цикле, чтобы можно было генерировать гораздо больше высококачественных данных. С чипами мы много говорим о chip foundries и о том, как мы обеспечиваем достаточные средства производства чипов, и то же самое верно для данных. Нам нужны data foundries и способность генерировать огромные объёмы данных для обучения этих моделей.
The last leg of the stool is measurement of the model and ensuring that we actually have… You know, I think for a while, the industry has said, oh yeah, we just add a bunch more data and we see how good the model is, and we add a bunch more data and we see how good the model is. But we’re going to have to get pretty scientific about exactly what the model is not capable of today, and therefore, what exact kinds of data need to be added to improve the model’s performance.
Последняя ножка табурета — это измерение модели и обеспечение того, что у нас действительно есть… Знаешь, я думаю, какое-то время индустрия говорила: о, давайте просто добавим больше данных и посмотрим, насколько хороша модель, добавим ещё данных и посмотрим, насколько хороша модель. Но нам придётся стать довольно научными в вопросе того, на что конкретно модель не способна сегодня, и, следовательно, какие именно виды данных нужно добавить для улучшения её производительности.
Are big tech companies over-investing in AI?
Переинвестируют ли крупные техкомпании в ИИ?
David: How much of an advantage do the big tech companies have with their corpus of data versus the independent labs?
David: Насколько большое преимущество у крупных техкомпаний с их корпусом данных по сравнению с независимыми лабораториями?
Alex: Well, there’s a lot of regulatory issues that they have with utilizing the data, their existing data corpuses. This is before all this generative-AI work, but at one point Meta did some research that utilized basically all the public Instagram photos along with their hashtags to train really good image-recognition algorithms. They had a lot of regulatory problems with that in Europe. It turned out to be a huge pain in the ass. So I think that’s one thing that’s difficult to reason through, which is to what degree from a regulatory perspective, particularly in Europe, these companies are going to be able to utilize their data advantages. I think that one’s kind of TBD.
Alex: Ну, у них много регуляторных проблем с использованием своих существующих корпусов данных. Это было ещё до всей этой gen AI работы, но в какой-то момент Meta провела исследование, в котором использовала, по сути, все публичные фотографии в Instagram вместе с хештегами для обучения действительно хороших алгоритмов распознавания изображений. У них было много регуляторных проблем с этим в Европе. Это оказалось огромным геморроем. Так что одна вещь, которую трудно прорабатывать, — это то, в какой степени с регуляторной точки зрения, особенно в Европе, эти компании смогут использовать свои преимущества в данных. Думаю, это пока TBD.
The real way in which a lot of the large labs have dramatic advantages is just that they have very profitable businesses that can provide near infinite sources of capital for these AI efforts. That’s something that I’m watching pretty intently, or I’m very curious to see how it plays out.
Реальный способ, которым крупные лаборатории имеют драматические преимущества, заключается в том, что у них есть очень прибыльные бизнесы, которые могут обеспечивать почти бесконечные источники капитала для этих ИИ-усилий. Это то, за чем я довольно внимательно наблюдаю, или мне очень любопытно, как это будет разыгрываться.
David: There’s this whole question if the industry is over-investing. And if you listen to their earnings calls of the big tech companies, they’re like, look, our risk is under-investing, not over-investing. What do you make of that?
David: Есть весь этот вопрос — переинвестирует ли индустрия. И если слушать earnings calls крупных техкомпаний, они говорят: смотрите, наш риск — это недоинвестировать, а не переинвестировать. Как ты к этому относишься?
Alex: Put yourself in the shoes of, you know, Sundar Pichai or Mark Zuckerberg or Satya Nadella. To your point, if they really nail this AI thing, they could generate another trillion dollars of market cap probably very easily. If they really are ahead of the competition and they productize in a good way, a trillion dollars of market cap is kind of a no-brainer. And if they don’t invest the extra, whatever it is, 20 or 30 billion dollars of CapEx per year, and they miss out on that, there’s some real existential risk. All their businesses are potentially deeply disruptible by AI technology.
Alex: Поставь себя на место Сундара Пичаи, Марка Цукерберга или Сатьи Наделлы. Возвращаясь к твоей мысли, если они действительно справятся с этой ИИ-историей, они могут сгенерировать ещё триллион долларов рыночной капитализации, вероятно, очень легко. Если они действительно опережают конкурентов и хорошо это продуктизируют, триллион долларов капитализации — это no-brainer. А если они не вложат дополнительные, скажем, 20-30 миллиардов долларов CapEx в год, и упустят это, есть реальный экзистенциальный риск. Все их бизнесы потенциально глубоко уязвимы для disrupt-а ИИ-технологиями.
The risk-reward for them is very obvious. So that’s the big picture thing. And then from a more tactical level, I think all of them are going to be able to pretty easily recoup their CapEx investments just by, worst case, making their core businesses more efficient and effective.
Соотношение риск/награда для них очень очевидно. Это общая картина. А на более тактическом уровне, я думаю, все они смогут довольно легко окупить свои CapEx-инвестиции, в худшем случае, просто сделав свои основные бизнесы более эффективными и продуктивными.
David: Yeah, GPU utilization for Facebook advertising.
David: Ага, утилизация GPU для рекламы Facebook.
Alex: Yeah. If Facebook or Google make their advertising systems a little bit better, they can recoup billions of dollars just by…
Alex: Да. Если Facebook или Google сделают свои рекламные системы немного лучше, они могут окупить миллиарды долларов, просто…
David: Yeah, better performance.
David: Да, лучше performance.
Alex: Yeah, better performance there. Apple can easily recoup the investments if it drives through an upgrade cycle. I mean, these are things that I think are pretty clear.
Alex: Да, лучше performance. Apple может легко окупить инвестиции, если запустит цикл апгрейдов. Я имею в виду, это вещи, которые, на мой взгляд, довольно ясны.
David: Look, it’s generally great for the industry that they’re investing so much capital, because they also are in the business of renting this compute out, or at least in the case of Google and Microsoft they are.
David: Слушай, в целом для индустрии замечательно, что они инвестируют столько капитала, потому что они также занимаются сдачей этих вычислений в аренду, по крайней мере в случае Google и Microsoft.
Alex: And the models are making their way… Llama 3.1 is open source. And so, even the literal fruits of all the investment are becoming broadly accessible. The surplus generated from the open source in these models is kind of insane.
Alex: И модели становятся доступными… Llama 3.1 — open source. И таким образом даже буквальные плоды всех инвестиций становятся широкодоступными. Излишек, генерируемый open source в этих моделях, какой-то безумный.
David: It’s insane. Okay. So that’s a great segue into market structure at the model layer. So what do you think actually happens? Are there the few players that we’ve all identified now, the handful, and they all compete? Do you think it’s a profitable business? What impact does open source have on the quality of the businesses? Take us a couple years ahead and give us your forecast.
David: Это безумие. Окей. Это отличный переход к структуре рынка на слое моделей. Так что, по-твоему, реально происходит? Есть ли несколько игроков, которых мы все уже выделили, горстка, и они все конкурируют? Думаешь ли ты, что это прибыльный бизнес? Какое влияние оказывает open source на качество этих бизнесов? Загляни на пару лет вперёд и дай нам свой прогноз.
Alex: We’ve seen over the past, even just like, year-and-a-half, the pricing for model inference, you know, fall dramatically, dramatically, dramatically.
Alex: Мы видели за последние, даже всего за полтора года, как цены на инференс моделей падали драматически, драматически, драматически.
David: Order of magnitude.
David: На порядок.
Alex: Yeah, two orders of magnitude over two years. And so, it’s this shocking thing that it turns out, intelligence might be a commodity. I think that this huge lack of pricing power, let’s say, on the pure model layer certainly indicates that renting models out on their own may or may not be the best long-term business. I think it’s likely to be a relatively mediocre long-term business.
Alex: Да, на два порядка за два года. И это шокирующая штука, что оказывается, интеллект может быть товаром. Думаю, это огромное отсутствие ценовой власти, скажем, на чистом слое моделей точно указывает на то, что сдача моделей в аренду сама по себе может быть, а может и не быть лучшим долгосрочным бизнесом. Думаю, скорее всего, это будет относительно посредственный долгосрочный бизнес.
David: Well, I guess it depends on the breakthrough thing, which is the earlier point, right, to the extent that someone actually has a durable breakthrough or multiple people have durable breakthroughs, then potentially the market structure’s different.
David: Ну, я думаю, это зависит от прорывной штуки, которая была раньше, да? В той степени, в которой кто-то реально получит устойчивый прорыв или несколько игроков получат устойчивые прорывы, тогда потенциально структура рынка будет другой.
Alex: So two things. First, if Meta continues open sourcing, that puts a pretty strong cap as to the value that you can get from the model layer. And then second, if at least a handful of the labs are able to have similar performance over time, then that also dramatically changes the pricing equation. So we think that it’s not 100%, but chances are the pure model renting business is not the highest quality business. Where there are much higher quality businesses is going to be above and below.
Alex: Тут две вещи. Во-первых, если Meta продолжит open-source-ить, это ставит довольно сильный потолок на ценность, которую можно получить от слоя моделей. И во-вторых, если хотя бы горстка лабораторий сможет иметь схожую производительность с течением времени, это тоже драматически меняет уравнение цен. Так что мы думаем — не на 100%, но скорее всего, чистый бизнес по сдаче моделей в аренду — не самый качественный бизнес. Гораздо более качественные бизнесы будут выше и ниже.
David: Yeah, of course.
David: Да, конечно.
Alex: So below, I mean, NVIDIA is obviously an incredible business. But the clouds also have really great businesses too, because it turns out it’s pretty hard logistically to actually set up large clusters of GPUs. The cloud providers actually have pretty good margins when they rent out.
Alex: Внизу — я имею в виду, NVIDIA, очевидно, потрясающий бизнес. Но у облаков тоже отличные бизнесы, потому что оказывается, логистически довольно сложно собрать большие кластеры GPU. У облачных провайдеров на самом деле довольно хорошая маржа, когда они сдают это в аренду.
David: And the traditional data center business is very much a scale game. So they are massively benefited relative to smaller players.
David: И традиционный бизнес дата-центров — это во многом игра масштаба. Так что они получают огромное преимущество относительно более мелких игроков.
Where the best AI businesses will thrive
Где будут процветать лучшие ИИ-бизнесы
Alex: Yeah, exactly. So I think of picks and shovels. If you’re under the model layer, there are great businesses there. If you’re above the model layer, if you’re building applications—ChatGPT is a great business. And a lot of the apps in the startup realm are actually working pretty well. I mean, none of them are quite as big as ChatGPT, obviously. But a lot of apps, if they nail the early product market fit, end up being pretty good businesses, great businesses as well. Because the value that they generate for customers—if they get the whole user experience correct—far exceeds the inference cost of the models. There’s some cool stuff here, right? Like, I think Anthropic’s launch of Artifacts in Claude…
Alex: Да, именно. Так что я думаю в терминах picks and shovels. Если ты ниже слоя моделей, там есть отличные бизнесы. Если ты выше слоя моделей, если ты строишь приложения — ChatGPT — отличный бизнес. И многие приложения в стартап-мире на самом деле работают довольно хорошо. Никто из них, конечно, не дотягивает по размеру до ChatGPT. Но многие приложения, если они нащупывают раннее product market fit, в итоге становятся довольно хорошими бизнесами, отличными бизнесами. Потому что ценность, которую они генерируют для клиентов — если они правильно делают весь user experience — далеко превосходит стоимость инференса моделей. Здесь есть классные штуки, да? Например, я думаю, запуск Anthropic Artifacts в Claude…
David: Yeah, that’s cool.
David: Да, это круто.
Alex: …it’s like the first pin drop of this major theme of, you know, all the labs are going to be pushing much deeper product integrations to be able to drive higher quality businesses. I think we’re going to see a lot of iteration at the product layer and the product level. The sort of boring chatbots are not going to be the end product. That’s not the end-all deal.
Alex: …это как первый звоночек этой большой темы того, что все лаборатории будут двигаться к гораздо более глубоким продуктовым интеграциям, чтобы строить более качественные бизнесы. Думаю, мы увидим много итераций на продуктовом слое и на продуктовом уровне. Скучные чатботы не будут конечным продуктом. Это не финальная цель.
David: It’d be a disappointing outcome.
David: Это был бы разочаровывающий исход.
Alex: Yeah, exactly. The product innovation cycle is very hard to predict because… I mean, OpenAI was surprised how good, or how popular, ChatGPT has been. I don’t think it’s super obvious to me—or anyone in the industry, frankly—what exact products are going to be the ones that hit and what’s going to provide the next legs of growth. But, you know, you have to believe that an OpenAI or an Anthropic can build great applications businesses for them to be long-term, independent and sustainable.
Alex: Да, именно. Цикл продуктовых инноваций очень сложно предсказать, потому что… OpenAI была удивлена тому, насколько хорош или насколько популярен оказался ChatGPT. Я не думаю, что для меня — или для кого-либо в индустрии, честно говоря — очевидно, какие именно продукты станут хитами и что обеспечит следующие этапы роста. Но, знаешь, нужно верить, что OpenAI или Anthropic могут построить отличные application-бизнесы для себя, чтобы быть долгосрочно независимыми и устойчивыми.
David: And then it’s like, what drives competitive advantage? Obviously, you have the model, a tightly-integrated product on top of it, and then the good old-fashioned modes from there. Workflows, integrations, you know, all that stuff.
David: А потом возникает вопрос — что обеспечивает конкурентное преимущество? Очевидно, у тебя есть модель, плотно интегрированный продукт поверх неё, а затем старые добрые рвы. Воркфлоу, интеграции, всё это.
Alex: You can clearly see their thinking. I mean, both OpenAI and Anthropic hired chief product officers within, I don’t know, two months of each other.
Alex: Их мышление видно ясно. Я имею в виду, и OpenAI, и Anthropic наняли chief product officers, не знаю, в течение двух месяцев друг от друга.
How enterprise businesses are approaching AI adoption
Как корпоративный сектор подходит к внедрению ИИ
David: Yeah, they’re figuring it out. You’ve got an application business with some really interesting customers. What are you hearing from enterprises as to how they’re actually putting this into place?
David: Да, они в этом разбираются. У тебя есть application-бизнес с действительно интересными клиентами. Что ты слышишь от предприятий о том, как они реально это внедряют?
Alex: What we’ve seen is that there was a huge amount of excitement from the enterprise. A lot of enterprises were like, “Shit, we have to start doing something. We have to get ahead of this. We have to start experimenting with AI.” I think that that led them to this fast POC cycle where they’re like, “Okay. What are all the low-hanging-fruit ideas that we have?”
Alex: Мы видели, что был огромный ажиотаж со стороны предприятий. Многие компании были типа: «Чёрт, нам нужно начать что-то делать. Нам нужно опередить это. Нам нужно начать экспериментировать с ИИ.» Думаю, это привело их к этому быстрому циклу POC, где они такие: «Окей. Какие у нас есть все идеи с низковисящими плодами?»
David: Go buy AI stuff.
David: Пойдём купим ИИ-штуки.
Alex: And let’s go try all of it. Some of those things are good. Some of them aren’t good. But regardless, it’s been this big frenzy. Much fewer of the POCs have made it to production than I think the industry overall expected. A lot of enterprises are looking at now and, you know, the doomsday that they thought might have happened, hasn’t really happened. AI has not fully terraformed and transformed most of the major industries.
Alex: И давайте попробуем всё это. Что-то из этого хорошо. Что-то нет. Но в любом случае, это был такой большой ажиотаж. Гораздо меньше POC дошло до продакшена, чем индустрия в целом ожидала. Многие предприятия сейчас смотрят и видят, что doomsday, который, как они думали, может случиться, на самом деле не случился. ИИ не полностью переформатировал и трансформировал большинство крупных индустрий.
David: It’s sort of marginal stuff. It’s like efficiency gains and support, you know, and then some of the creative tasks and things like that.
David: Это какие-то маргинальные вещи. Это как прирост эффективности и поддержка, и какие-то креативные задачи и тому подобное.
Alex: Yeah, exactly.
Alex: Да, именно.
David: Otherwise, it’s pretty light.
David: В остальном довольно скудно.
Alex: The thing that we think a lot about is like, what AI improvements or AI transformations or AI efforts that we’re working on actually can meaningfully drive the stock price of the companies that we’re working with.
Alex: То, о чём мы много думаем, — это то, какие улучшения, трансформации или ИИ-усилия, над которыми мы работаем, реально могут значимо подвинуть цену акций тех компаний, с которыми мы работаем.
David: Oh, interesting.
David: О, интересно.
Alex: That’s what we encourage all of our customers to really be thinking about, because at the end of the day, the potential is there. There’s latent potential for almost every enterprise to implement AI at a level that would meaningfully boost their stock price.
Alex: Это то, к чему мы призываем всех наших клиентов реально думать, потому что в конце концов потенциал есть. Есть скрытый потенциал почти у каждого предприятия внедрить ИИ на уровне, который значимо подвинул бы цену их акций.
David: Mostly in the form of cost savings, efficiency gains.
David: В основном в форме экономии расходов, прироста эффективности.
Alex: Well, today in the form of cost savings, but then also much better customer experiences. In a lot of industries where there’s a lot more manual interaction with customers, you should be able to drive much better customer interactions if you have more standardization and are able to use more automation. Those eventually would make their way to gains of market share with respect to competitors. That’s what we’re pushing our customers towards, and I see it. Some of the CEOs that we work with, they’re all on board and they understand that it’s going to be a multi-year investment cycle. They might not see gains next quarter, but if they actually pull through the other side, they’re going to see massive transformations.
Alex: Ну, сегодня в форме экономии расходов, но также и гораздо лучшего customer experience. Во многих индустриях, где много ручного взаимодействия с клиентами, должно быть возможно драйвить гораздо лучшие взаимодействия с клиентами, если у вас больше стандартизации и вы можете использовать больше автоматизации. Это в конечном счёте привело бы к росту доли рынка по отношению к конкурентам. Это то, к чему мы подталкиваем наших клиентов, и я это вижу. Некоторые CEO, с которыми мы работаем, они все на одной волне и понимают, что это будет многолетний инвестиционный цикл. Они могут не увидеть прироста в следующем квартале, но если они реально пройдут до конца, они увидят массовые трансформации.
I think that a lot of the frenzy around small use cases and the more marginal use cases is good. I think it’s exciting. I think they should be doing it, but to me, that’s not what we’re all here to do.
Думаю, что большая часть ажиотажа вокруг небольших use-кейсов и более маргинальных use-кейсов — это хорошо. Думаю, это интересно. Считаю, что они должны это делать, но для меня это не то, ради чего мы все здесь.
What does the next phase of gen AI products look like?
Как будет выглядеть следующая фаза gen AI-продуктов?
David: Yeah. It’s very much like the application layer is phase one right now, which is: it’s coming. There’s some automation, but it’s largely chatbots. My hope as a startup investor is that over time, there’s a window that opens for the startups, where product innovation will help them to win and beat the incumbents. My partner Alex Rampell has this phrase, which is, is the startup going to get to distribution before the incumbent finds innovation? I think there’s an opportunity for it, but the tech is too early right now. I don’t know if you would agree with that, but…
David: Да. Это очень похоже на то, что application-слой — это сейчас первая фаза, которая такая: оно идёт. Есть какая-то автоматизация, но в основном это чатботы. Моя надежда как стартап-инвестора в том, что со временем открывается окно для стартапов, где продуктовые инновации помогут им победить и побить инкумбентов. У моего партнёра Алекса Рампелла есть фраза: успеет ли стартап до дистрибуции раньше, чем инкумбент найдёт инновацию? Думаю, для этого есть возможность, но технология сейчас слишком ранняя. Не знаю, согласен ли ты с этим, но…
Alex: I think the tech is too early to imagine. Again, because it’s mostly cost saving. I think if most of the benefit is on the cost saving side, then that’s not really enough to disrupt large incumbents that have already pushed their way through all the costs of growing and distribution.
Alex: Думаю, технология слишком ранняя, чтобы представить. Опять же, потому что это в основном экономия расходов. Думаю, если большая часть выгоды на стороне экономии расходов, то этого реально недостаточно, чтобы disrupt-нуть крупных инкумбентов, которые уже продавили все расходы на рост и дистрибуцию.
David: How valuable do you think the data is inside of enterprises? Like you’ve said, JP Morgan has whatever, 15 petabytes of data or something. I don’t remember what the number is, but is that overrated? How much of it is actually useful? Because today, most of that data has not given them some meaningful competitive advantage. Do you think that actually changes?
David: Насколько ценны, на твой взгляд, данные внутри предприятий? Как ты сказал, у JP Morgan есть, скажем, 15 петабайт данных или что-то такое. Не помню точно цифру, но это переоценено? Сколько из этого реально полезно? Потому что сегодня большинство этих данных не дало им какого-то значимого конкурентного преимущества. Думаешь, это реально изменится?
Alex: I think AI is the first time you could see that potentially change because obviously there’s the whole Big Data wave. Big Data boils down to better analytics, which is helpful for business decision-making, but not deeply.
Alex: Думаю, ИИ — это первый раз, когда можно увидеть, что это потенциально может измениться, потому что, очевидно, была вся волна Big Data. Big Data сводится к лучшей аналитике, что полезно для принятия бизнес-решений, но не глубоко.
David: It doesn’t massively change the way the products work.
David: Это не массово меняет то, как работают продукты.
Alex: Yeah, exactly. Whereas now, you actually can imagine some massive transformation in the way the products work. Let’s take any big bank. A lot of the valuable interactions between a user and a large bank like a JP Morgan or Morgan Stanley are human-driven, are people-driven. And, you know, they try their best to ensure that the quality of experience is very high across the board. Obviously with any large manual process, there’s only so much you can do to assure that.
Alex: Да, именно. А вот сейчас можно реально представить какую-то массовую трансформацию в том, как работают продукты. Возьмём любой крупный банк. Многие ценные взаимодействия между пользователем и крупным банком вроде JP Morgan или Morgan Stanley — это взаимодействия, ведомые людьми. И они стараются изо всех сил, чтобы качество опыта было очень высоким по всем направлениям. Очевидно, с любым большим ручным процессом есть предел того, что можно сделать для обеспечения этого.
But all of your prior customer interactions and the way that your business has worked historically make up the only available data to be able to train models to do well at this particular task. If you think about wealth management, there’s very little in-distribution data of that on the internet that you could train a model off of.
Но все ваши прошлые взаимодействия с клиентами и то, как ваш бизнес работал исторически, составляют единственные доступные данные для обучения моделей хорошо справляться с этой конкретной задачей. Если подумать про wealth management, в интернете очень мало in-distribution-данных об этом, на которых можно было бы обучать модель.
David: So behind the walls, there’s actually quite a bit. It’s very rich.
David: Так за стенами на самом деле довольно много. Это очень богато.
Alex: Yeah, huge amounts of data. I think that a lot of the data is probably not super relevant to actually transforming your business, but some of the data is hyper-valuable. But enterprises have a lot of trouble and challenges around actually utilizing any amount of data that they have.
Alex: Да, огромные объёмы данных. Думаю, что многие данные, вероятно, не суперрелевантны для реальной трансформации вашего бизнеса, но некоторые данные гипер-ценные. Но у предприятий много трудностей и вызовов с тем, чтобы реально использовать какое-либо количество данных, которое у них есть.
David: Right.
David: Верно.
Alex: I mean, it’s poorly organized. It’s sort of all over the place. They pay consulting firms tens of millions of dollars, hundreds of millions of dollars to do these data migrations. And, you know, even after that…
Alex: Они плохо организованы. Они везде. Они платят консалтинговым фирмам десятки миллионов долларов, сотни миллионов долларов, чтобы делать эти миграции данных. И, знаешь, даже после этого…
David: No change of results.
David: Никакого изменения результатов.
Alex: Yeah. No change of results. So, I think it’s historically a very difficult place for enterprises to really drive transformation. In some ways, this is the race: are they going to be able to figure out how to utilize and leverage their data faster than, you know, some startup figures out how to…
Alex: Да. Никакого изменения результатов. Так что, думаю, это исторически очень сложное место для предприятий, чтобы реально драйвить трансформацию. В каком-то смысле, это и есть гонка: смогут ли они понять, как использовать и применить свои данные быстрее, чем какой-то стартап придумает, как…
David: Create a massively different product with a little subset of the data.
David: Создать массово другой продукт с маленьким подмножеством данных.
Alex: Yeah, exactly.
Alex: Да, именно.
Alex’s approach to scaling Scale
Подход Алекса к масштабированию Scale
David: Shifting gears to how you run your company: One of the things that you’ve talked about is a mistake that you made during the go-go times of 2020 and 2021 around hiring and this notion that in order to scale, you had to hire a ton. It’s something we saw with all of our portfolio companies. It was this war for talent: “Oh, we got to go higher. We got to go higher. We got to go higher.” So, what were the lessons that you learned through that process? And then, how have you changed how you’ve done things afterward?
David: Сменим тему на то, как ты управляешь компанией. Одна из вещей, о которых ты говорил, — это ошибка, которую ты сделал во времена бума 2020 и 2021 годов вокруг найма и того представления, что для масштабирования тебе нужно нанимать тонну людей. Это то, что мы видели у всех наших портфельных компаний. Это была война за таланты: «Нам нужно нанимать больше. Нам нужно нанимать больше. Нам нужно нанимать больше.» Какие уроки ты вынес из этого процесса? И как ты изменил то, как делаешь вещи после этого?
Alex: So over the past few years, we’ve basically kept our headcount flat. The takeaway from this entire process is that it feels very logical that more people equals better results and more people equals more stuff being done. But rather paradoxically, I think if you have a very high-performing team and a very high-performing org, it’s nearly impossible to grow it dramatically without losing all of that high performance and all of the winning culture.
Alex: За последние несколько лет мы, по сути, держали наш штат плоским. Вывод из всего этого процесса — это то, что кажется очень логичным, что больше людей равно лучшие результаты и больше людей равно больше сделанного. Но довольно парадоксально, я думаю, если у вас есть очень высокопроизводительная команда и очень высокопроизводительная организация, почти невозможно нарастить её драматически, не потеряв всю эту высокую производительность и всю победную культуру.
David: Yeah. Reducing the communication and coordination overhead actually increases productivity.
David: Да. Сокращение коммуникационного и координационного оверхеда реально увеличивает продуктивность.
Alex: That’s definitely true. And I think it’s actually something even deeper, which is like, a very high-performing team of a certain size is almost like this very intricate sculpture in this interplay between all the people on the team. If you just add a bunch of people into that, even if the people are great, it just screws the whole thing up. No matter what, as you add people, you’re going to have regression to the mean. You know, if you observe companies that do scale headcount a lot, and that’s pretty core to their financial results, they acknowledge that regression. So if you think about scaling large sales teams, for example, you acknowledge that you’re going to have that mean regression. But you just operationalize so that you’re a little bit above the mean. If you’re able to do that, then the whole equation still works financially.
Alex: Это однозначно верно. И думаю, это даже что-то более глубокое: очень высокопроизводительная команда определённого размера почти как очень тонкая скульптура во взаимодействии между всеми людьми в команде. Если просто добавить туда кучу людей, даже если люди отличные, это просто всё ломает. Несмотря ни на что, по мере добавления людей у вас будет регрессия к среднему. Если наблюдать за компаниями, которые много масштабируют штат и для которых это довольно ключевой элемент финансовых результатов, они признают эту регрессию. Если подумать про масштабирование крупных команд продаж, например, ты признаёшь, что у тебя будет эта регрессия к среднему. Но ты просто операционализируешь так, чтобы быть немного выше среднего. Если ты можешь это делать, то всё уравнение всё равно работает финансово.
David: Yeah, I’d say sales is different than product then.
David: Да, я бы сказал, что продажи — это другое, чем продукт.
The founder fallacy
Фантазия основателя
Alex: Yeah, totally. But our observation is that startups work because you have very high-performing teams, and you want to keep those high-performing teams intact as long as you possibly can.
Alex: Да, абсолютно. Но наше наблюдение в том, что стартапы работают, потому что у тебя очень высокопроизводительные команды, и ты хочешь сохранить эти высокопроизводительные команды нетронутыми так долго, как только возможно.
I think a common startup failure mode is that you have something that works, but everybody in the company is really junior. So then things are scaling, but all the wheels are kind of falling off. Your investors tell you, “Hey, you should hire some executives.” You go through these searches that are somehow uniquely soul-crushing every time. But you go through this, and if you’re great at it, it works half the time.
Думаю, общий режим провала стартапов: у тебя есть что-то, что работает, но все в компании реально джуны. И вот всё масштабируется, но колёса отваливаются. Твои инвесторы говорят тебе: «Эй, тебе нужно нанять каких-то executives.» Ты идёшь через эти поиски, которые каким-то образом уникально душу-разрушающие каждый раз. Но ты проходишь это, и если ты в этом отлично разбираешься, оно работает в половине случаев.
So you go through the exec searches. You bring in an exec and then you give the exec a lot of rope. And your exec says, “Hey, we need to hire a massive team for us to hit our results.” And you’re like, “Yeah. I mean, I’m pretty experienced. You seem really experienced. Let’s do what you say.” And you let these big teams be built. The reality is, I think this almost always results in ruin.
Ты проходишь exec-поиски. Ты приводишь руководителя и даёшь ему много свободы. И твой руководитель говорит: «Эй, нам нужно нанять огромную команду, чтобы достичь наших результатов.» И ты такой: «Да. Я довольно опытный. Ты выглядишь очень опытным. Давай делать, что ты говоришь.» И ты позволяешь строить эти большие команды. Реальность в том, что, на мой взгляд, это почти всегда приводит к разрухе.
This isn’t to say that you can’t hire executives from the outside, but I think what you need to do when you hire executives from the outside is ensure they really get steeped in how the company works. Before they make any major sweeping suggestions, they get into the rhythm and the operations of the company. Do they understand why the whole thing works in the first place? Why are the things that are working, working? Then they make thoughtful suggestions. Initially they take small steps, and you trust and verify each of these small steps. Eventually, maybe they can make more sweeping suggestions, but it should be at a point where they have a clear track record of making small steps that have been really beneficial.
Это не значит, что нельзя нанимать руководителей со стороны, но думаю, что нужно делать, когда нанимаешь руководителей со стороны, — это убедиться, что они реально вникают в то, как работает компания. Прежде чем делать какие-то крупные общие предложения, они входят в ритм и операции компании. Понимают ли они, почему всё это работает в первую очередь? Почему то, что работает, работает? Затем они делают вдумчивые предложения. Изначально они делают маленькие шаги, и ты доверяешь и проверяешь каждый из этих маленьких шагов. В конце концов, может быть, они смогут делать более общие предложения, но это должно быть в той точке, где у них есть ясный track record маленьких шагов, которые были действительно полезными.
David: That’s interesting and very tangible: start small when you hire a big executive. It’s a little bit counterintuitive, and it’s not the way that any of those executives want to go.
David: Это интересно и очень осязаемо: начинай с малого, когда нанимаешь крупного руководителя. Это немного контринтуитивно, и это не тот путь, которым хочет идти любой из этих руководителей.
Alex: Yeah. I think there’s an exec fantasy that I’ve noticed. And by the way, I think executives are great people and they’re incredible. But there is a tendency for an executive fantasy, particularly for Silicon Valley companies with young founders and whatnot, which is, “Oh, I’m going to come in and I’m going to fix this fucker.” I shouldn’t say that. But, “I’m going to come in, I’m going to fix this whole thing. I’m going to make this a professional operation.”
Alex: Да. Думаю, есть exec-фантазия, которую я заметил. И, кстати, я думаю, что руководители — отличные люди, и они невероятные. Но есть тенденция к exec-фантазии, особенно для Силиконовой долины с молодыми основателями, которая такая: «О, я приду и я починю этого ублюдка.» Не надо так говорить. Но: «Я приду, я починю всю эту штуку. Я сделаю это профессиональной операцией.»
You’re recruiting teammates at the end of the day. You’re not recruiting some magic wand. You’re recruiting a teammate who you believe, over an extended period of time, is going to have great judgment in making repeated decisions about the business. This is where we’ve made mistakes: you’re not buying some magical bag of goods that is going to bring this magic formula into your business that all of a sudden make the whole thing work.
Ты рекрутируешь товарищей по команде в конце концов. Ты не рекрутируешь какую-то волшебную палочку. Ты рекрутируешь товарища по команде, который, как ты веришь, в течение продолжительного времени будет проявлять отличное суждение в принятии повторяющихся решений о бизнесе. Вот где мы делали ошибки: ты не покупаешь какой-то волшебный мешок товаров, который привнесёт эту волшебную формулу в твой бизнес, что внезапно заставит всё работать.
You know, on the flip side, there’s a founder fantasy. The founder fantasy, or the founder/CEO fantasy, is, “Oh, I’m going to just hire a bunch of incredible execs. They’re all going to be fucking pros. And then, I’m going to go…”
С другой стороны, есть фантазия основателя. Фантазия основателя, или фантазия founder/CEO, такая: «О, я просто найму кучу невероятных руководителей. Все они будут чёртовыми профи. И тогда я буду…»
David: They’ll do the stuff I don’t want to do.
David: Они сделают то, что я не хочу делать.
Alex: Yeah. “They’ll do all the stuff I don’t want to do. And I’m going to be able to sit back and just watch the cogs happen and watch the machine work.” That’s also extremely unrealistic because the flip side is also true. The reason that you are a good founder/CEO is because you make very good decisions over and over and over again, over an extended period of time. To pull yourself out of those decision-making loops would be kind of crazy.
Alex: Да. «Они сделают всё, что я не хочу делать. И я смогу откинуться и просто смотреть, как крутятся винтики и как работает машина.» Это тоже крайне нереалистично, потому что обратное тоже верно. Причина, по которой ты хороший founder/CEO, в том, что ты принимаешь очень хорошие решения снова, и снова, и снова, в течение продолжительного времени. Вытащить себя из этих циклов принятия решений было бы какой-то безумной идеей.
David: That’s a pattern we’ve seen a lot, which is “I’m going to hire executives. I’m going to step back a bit.” And then there’s the “Oh, shit” realization where some big decisions go wrong and founders remember this is the point of them being there.
David: Это паттерн, который мы видели много раз: «Я найму руководителей. Я отойду немного назад.» А потом наступает момент «О, чёрт», когда какие-то большие решения идут не так, и основатели вспоминают, что в этом и есть смысл их пребывания здесь.
Alex: I think it can work if your industry is very stable, potentially.
Alex: Думаю, это может работать, если твоя индустрия очень стабильна, потенциально.
David: Well, look at any public company when they change CEOs, and the stock price moves like, 2%. Oh, okay. Well, actually, it doesn’t really matter. Like, that is a cog, but that is very different from a high-growth startup that’s run by a founder.
David: Ну, посмотри на любую публичную компанию, когда меняют CEO, и цена акций двигается на 2%. О, окей. Ну, на самом деле, это не очень важно. Это винтик, но это очень отличается от стартапа с быстрым ростом, которым управляет основатель.
Alex: Exactly. I think that a lot of startups and a lot of companies are valuable because of an innovation premium.
Alex: Именно. Думаю, что многие стартапы и многие компании ценны из-за премии за инновации.
David: One hundred percent.
David: На сто процентов.
Alex: Investors believe that founder-led companies are going to out-innovate the market. So your job is to out-innovate the market. So you better be in the strategic decisions.
Alex: Инвесторы верят, что founder-led компании будут аут-инновировать рынок. Так что твоя работа — аут-инновировать рынок. Значит, тебе лучше быть в стратегических решениях.
MEI and how Alex views talent acquisition
MEI и взгляд Алекса на привлечение талантов
David: How about MEI? You recently rolled out this concept. I think half of my X feed was praising you—you know, it’s probably more than half. Some portion of my X feed was yelling at you. Talk about the concept. What are your observations of rolling it out so far?
David: А что насчёт MEI? Ты недавно выкатил эту концепцию. Думаю, половина моего X-фида хвалила тебя — наверное, больше половины. Какая-то часть моего X-фида кричала на тебя. Расскажи об этой концепции. Какие у тебя наблюдения от внедрения её пока?
Alex: So MEI, we rolled out this idea of merit, excellence, and intelligence. The basic idea is, in every role, we’re going to hire the best possible person, regardless of their demographics. We’re not going to do any sort of quota-based optimization of our workforce to meet certain demographic targets. That doesn’t mean we don’t care about diversity. We actually care about having diverse pipelines and diverse top-of-funnel for all of our roles. But at the end of the day, the best, most capable person for every job is going to be the one that we hire. It’s one of these things that was mildly controversial. But if we were to just take a big step back as to who companies should be hiring, I think it’s kind of obvious.
Alex: Итак, MEI — мы выкатили эту идею merit, excellence, and intelligence. Базовая идея в том, что на каждую роль мы будем нанимать наилучшего возможного человека, независимо от его демографии. Мы не будем делать никакой квот-ориентированной оптимизации нашей рабочей силы, чтобы соответствовать определённым демографическим целям. Это не значит, что нас не волнует разнообразие. На самом деле нас волнует наличие разнообразных pipeline-ов и разнообразного top-of-funnel для всех наших ролей. Но в конце концов, наилучший, самый способный человек на каждую работу — это тот, кого мы наймём. Это одна из тех вещей, которая была слегка спорной. Но если просто сделать большой шаг назад и подумать, кого должны нанимать компании, мне это кажется довольно очевидным.
Companies should hire the most talented people. There’s obviously this big question of how much social responsibility do companies have in what they do? My take is I operate in a very competitive industry. Scale’s role is to help fuel artificial intelligence. It’s very important technology. We need incredibly smart people to be able to do this, and we need the best people to be able to accomplish this. Most people at Scale would say it was implicitly true, or it wasn’t a departure from how many of us thought of what we do at Scale. But it was really valuable for us to codify it because it gives everybody confidence. Even if this is how we operate today, companies change over time, but we’re not going to change this quality.
Компании должны нанимать самых талантливых людей. Очевидно, есть этот большой вопрос — насколько большую социальную ответственность несут компании в том, что они делают? Моя позиция в том, что я оперирую в очень конкурентной индустрии. Роль Scale — помочь подпитывать искусственный интеллект. Это очень важная технология. Нам нужны невероятно умные люди, чтобы это делать, и нам нужны лучшие люди, чтобы это реализовать. Большинство людей в Scale сказали бы, что это было неявно верно, или это не было отходом от того, как многие из нас думали о том, что мы делаем в Scale. Но было действительно ценно для нас это кодифицировать, потому что это даёт всем уверенность. Даже если так мы работаем сегодня, компании со временем меняются, но мы не собираемся менять это качество.
David: Well, this has been awesome. I want to close with an optimistic question and forecast. What is your sort of own view or definition of AGI, and what is your expected timeline to when we reach that?
David: Что ж, это было отлично. Хочу закрыть оптимистичным вопросом и прогнозом. Каково твоё собственное видение или определение AGI, и каков твой ожидаемый таймлайн до того момента, когда мы его достигнем?
Alex: Yeah, I like the definition of this. Let’s say 80-plus percent of jobs that people can do purely at computers, so digital-focused jobs, AI can accomplish those jobs. It’s not imminent, it’s not immediately on the horizon. So on the order of four-plus years. But you can see the glimmers, and, depending on the algorithmic innovation cycles that we talked about before, could make that much sooner.
Alex: Да, мне нравится такое определение. Скажем, 80+ процентов работ, которые люди могут выполнять чисто за компьютерами, то есть цифровых работ, ИИ может выполнить эти работы. Это не неминуемо, это не прямо на горизонте. Так что порядка четырёх с лишним лет. Но можно увидеть проблески, и в зависимости от циклов алгоритмических инноваций, о которых мы говорили раньше, это могло бы произойти гораздо раньше.
David: Very exciting. Well, Alex, thanks for being here. Great to chat with you, as always. I learned a ton. I really appreciate it.
David: Очень захватывающе. Что ж, Алекс, спасибо, что пришёл. Здорово было пообщаться, как всегда. Я многому научился. Очень это ценю.
Alex: Yeah, thanks for having me.
Alex: Да, спасибо, что пригласили.
David George
David George
is a general partner at Andreessen Horowitz, where he leads the firm’s Growth investing team.
— генеральный партнёр в Andreessen Horowitz, где он возглавляет Growth-команду инвестиций фирмы.
Alexandr Wang
Alexandr Wang
is the founder and CEO of Scale AI.
— основатель и CEO Scale AI.
The Economic Case for Generative AI (presentation)
Экономическое обоснование generative AI (презентация)
Want More Growth?
Хотите больше про рост?
Deep dives into what makes companies truly great— from the investors and operators at a16z Growth.
Глубокие погружения в то, что делает компании по-настоящему великими, — от инвесторов и операторов a16z Growth.
Views expressed in “posts” (including podcasts, videos, and social media) are those of the individual a16z personnel quoted therein and are not the views of a16z Capital Management, L.L.C. (“a16z”) or its respective affiliates. a16z Capital Management is an investment adviser registered with the Securities and Exchange Commission. Registration as an investment adviser does not imply any special skill or training. The posts are not directed to any investors or potential investors, and do not constitute an offer to sell — or a solicitation of an offer to buy — any securities, and may not be used or relied upon in evaluating the merits of any investment.
Мнения, выраженные в «постах» (включая подкасты, видео и социальные сети), принадлежат соответствующим лицам a16z, цитируемым в них, и не являются мнениями a16z Capital Management, L.L.C. («a16z») или её соответствующих аффилированных лиц. a16z Capital Management — инвестиционный консультант, зарегистрированный в Комиссии по ценным бумагам и биржам. Регистрация в качестве инвестиционного консультанта не подразумевает каких-либо особых навыков или подготовки. Посты не адресованы каким-либо инвесторам или потенциальным инвесторам и не являются предложением продать — или предложением о покупке — каких-либо ценных бумаг, и не могут быть использованы или применены при оценке достоинств любой инвестиции.
The contents in here — and available on any associated distribution platforms and any public a16z online social media accounts, platforms, and sites (collectively, “content distribution outlets”) — should not be construed as or relied upon in any manner as investment, legal, tax, or other advice. You should consult your own advisers as to legal, business, tax, and other related matters concerning any investment. Any projections, estimates, forecasts, targets, prospects and/or opinions expressed in these materials are subject to change without notice and may differ or be contrary to opinions expressed by others. Any charts provided here or on a16z content distribution outlets are for informational purposes only, and should not be relied upon when making any investment decision. Certain information contained in here has been obtained from third-party sources, including from portfolio companies of funds managed by a16z. While taken from sources believed to be reliable, a16z has not independently verified such information and makes no representations about the enduring accuracy of the information or its appropriateness for a given situation. In addition, posts may include third-party advertisements; a16z has not reviewed such advertisements and does not endorse any advertising content contained therein. All content speaks only as of the date indicated.
Содержимое здесь — и доступное на любых связанных дистрибутивных платформах и в любых публичных онлайн-аккаунтах a16z в социальных сетях, на платформах и сайтах (совокупно — «дистрибутивные точки контента») — не должно рассматриваться или восприниматься как инвестиционный, юридический, налоговый или иной совет. Вы должны консультироваться с собственными советниками по юридическим, бизнес-, налоговым и другим связанным вопросам, касающимся любой инвестиции. Любые проекции, оценки, прогнозы, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться от или противоречить мнениям, выраженным другими. Любые графики, предоставленные здесь или в дистрибутивных точках контента a16z, представлены исключительно в информационных целях, и на них не следует полагаться при принятии любого инвестиционного решения. Определённая информация, содержащаяся здесь, получена из сторонних источников, в том числе из портфельных компаний фондов, управляемых a16z. Хотя она взята из источников, считающихся надёжными, a16z не верифицировала независимо такую информацию и не делает заявлений о её непреходящей точности или её уместности в конкретной ситуации. Кроме того, посты могут включать рекламу третьих сторон; a16z не проверяла такую рекламу и не одобряет рекламный контент, содержащийся в ней. Весь контент актуален только на указанную дату.
Under no circumstances should any posts or other information provided on this website — or on associated content distribution outlets — be construed as an offer soliciting the purchase or sale of any security or interest in any pooled investment vehicle sponsored, discussed, or mentioned by a16z personnel. Nor should it be construed as an offer to provide investment advisory services; an offer to invest in an a16z-managed pooled investment vehicle will be made separately and only by means of the confidential offering documents of the specific pooled investment vehicles — which should be read in their entirety, and only to those who, among other requirements, meet certain qualifications under federal securities laws. Such investors, defined as accredited investors and qualified purchasers, are generally deemed capable of evaluating the merits and risks of prospective investments and financial matters.
Ни при каких обстоятельствах любые посты или иная информация, предоставленная на этом сайте — или в связанных дистрибутивных точках контента, — не должны рассматриваться как предложение, испрашивающее покупку или продажу любой ценной бумаги или интереса в любом пулированном инвестиционном инструменте, спонсируемом, обсуждаемом или упомянутом персоналом a16z. И не должны рассматриваться как предложение оказания инвестиционных консультационных услуг; предложение инвестировать в пулированный инвестиционный инструмент, управляемый a16z, будет сделано отдельно и только посредством конфиденциальных предложенческих документов конкретных пулированных инвестиционных инструментов, которые должны быть прочитаны полностью, и только тем, кто, среди прочих требований, соответствует определённым квалификациям согласно федеральным законам о ценных бумагах. Такие инвесторы, определяемые как аккредитованные инвесторы и квалифицированные покупатели, в целом считаются способными оценить достоинства и риски предполагаемых инвестиций и финансовые вопросы.
There can be no assurances that a16z’s investment objectives will be achieved or investment strategies will be successful. Any investment in a vehicle managed by a16z involves a high degree of risk including the risk that the entire amount invested is lost. Any investments or portfolio companies mentioned, referred to, or described are not representative of all investments in vehicles managed by a16z and there can be no assurance that the investments will be profitable or that other investments made in the future will have similar characteristics or results. A list of investments made by funds managed by a16z is available here: https://a16z.com/investments/. Past results of a16z’s investments, pooled investment vehicles, or investment strategies are not necessarily indicative of future results. Excluded from this list are investments (and certain publicly traded cryptocurrencies/ digital assets) for which the issuer has not provided permission for a16z to disclose publicly. As for its investments in any cryptocurrency or token project, a16z is acting in its own financial interest, not necessarily in the interests of other token holders. a16z has no special role in any of these projects or power over their management. a16z does not undertake to continue to have any involvement in these projects other than as an investor and token holder, and other token holders should not expect that it will or rely on it to have any particular involvement.
Не может быть никаких гарантий, что инвестиционные цели a16z будут достигнуты или инвестиционные стратегии будут успешными. Любая инвестиция в инструмент, управляемый a16z, включает высокую степень риска, в том числе риск того, что вся вложенная сумма будет потеряна. Любые упомянутые, обозначенные или описанные инвестиции или портфельные компании не являются репрезентативными для всех инвестиций в инструментах, управляемых a16z, и не может быть никаких гарантий, что инвестиции будут прибыльными или что другие инвестиции, сделанные в будущем, будут иметь схожие характеристики или результаты. Список инвестиций, сделанных фондами, управляемыми a16z, доступен здесь: https://a16z.com/investments/. Прошлые результаты инвестиций a16z, пулированных инвестиционных инструментов или инвестиционных стратегий не обязательно указывают на будущие результаты. Из этого списка исключены инвестиции (и определённые публично торгуемые криптовалюты/цифровые активы), для которых эмитент не предоставил разрешение a16z публично раскрывать. Что касается её инвестиций в любой криптовалютный или токен-проект, a16z действует в собственных финансовых интересах, не обязательно в интересах других держателей токенов. У a16z нет особой роли ни в одном из этих проектов и власти над их управлением. a16z не обязуется продолжать иметь какое-либо участие в этих проектах, кроме как в качестве инвестора и держателя токенов, и другие держатели токенов не должны ожидать, что она будет, или полагаться на неё в том, чтобы иметь какое-либо конкретное участие.
With respect to funds managed by a16z that are registered in Japan, a16z will provide to any member of the Japanese public a copy of such documents as are required to be made publicly available pursuant to Article 63 of the Financial Instruments and Exchange Act of Japan. Please contact compliance@a16z.com to request such documents.
В отношении фондов, управляемых a16z, которые зарегистрированы в Японии, a16z предоставит любому представителю японской общественности копию таких документов, которые требуется сделать публично доступными согласно Статье 63 Закона о финансовых инструментах и биржах Японии. Пожалуйста, свяжитесь с compliance@a16z.com для запроса таких документов.
For other site terms of use, please go here. Additional important information about a16z, including our Form ADV Part 2A Brochure, is available at the SEC’s website: http://www.adviserinfo.sec.gov.
По другим условиям использования сайта, пожалуйста, перейдите сюда. Дополнительная важная информация об a16z, включая нашу Форму ADV Часть 2A Brochure, доступна на сайте SEC: http://www.adviserinfo.sec.gov.