主持人對談

071 · 2024 上半年精選回顧

25:56YouTube 上架 2024-07-11

No Priors Ep. 71: The Best of 2024 (so far) with Sarah Guo and Elad Gil

年中精選集，剪進 Stripe、Dylan Field、Figure AI、Sora 團隊、Cognition 與 Scale AI 六段訪談，從金融科技、設計、機器人談到影片模型、軟體工程師的角色與模型評測。

071 講了什麼

• 年中精選的做法主持人從上半年的訪談各挑一段，每段先交代來賓是誰、談什麼，想聽完整對話就回去找原集。
• 金融科技的機會在身分與整合Emily Glassberg Sands 認為，弄清楚商家是誰、賣什麼、怎麼對應複雜的法規，是個有趣又困難的問題。另一個機會是讓使用者不必養一批支付工程師，也能做出貼合自己的整合；Emily 說 LLM 寫程式已經有幾個成功的案例。
• 設計與軟體都會變多Dylan Field 預期設計師會先被輔助而不是被取代，工程師也會把更多時間放在設計上。Dylan 說或許因為自己是樂觀派，覺得接下來會有更多、也設計得更好的軟體，而不是更少的設計師與工程師。
• 硬體要走得更有條理Brett Adcock 說 Figure 以反覆測試為主，同時走設計關卡流程：從客戶需求訂出規格，再過三個設計審查階段。Brett 拿軟體團隊的 backlog 與 sprint 來對照，說硬體的時間線長了一個數量級以上。
• 影片模型的下一步Sora 團隊談藝術家的用法與自己最喜歡的樣本，也談影片模型能不能拿來做模擬，成為實體機器人的基礎。
• 工程師的角色與評測Scott Wu 認為五到十年後，軟體工程師會像今天的技術架構師加產品經理；Alexandr Wang 則談模型評測為什麼難，主張要有公開的排行榜與評測。

從哪一段開始看14 段

1. 00:00開場與 Stripe 的身分問題主持人說明這是年中精選集。Emily Glassberg Sands 談金融科技最大的空白：確認商家是誰、賣什麼，又怎麼對應法規。
2. 02:27整合與支付資料Emily 談如何不靠大量支付工程師就做出客製整合，並說在支付資料上疊一層服務，能更深入理解並改善商家的業務。
3. 04:22Dylan Field 談人機協作設計很看重來回迭代；文化、情緒、使用情境很難全塞進一個 prompt，AI 可以先幫忙腦力激盪、做出第一版草稿。
4. 06:28設計師會被取代嗎Dylan 認為短期不太可能，先看到的是輔助與效率；工程師會花更多時間在設計上，軟體會更多、也設計得更好。
5. 09:02Figure 的產品開發Brett Adcock 說靠反覆測試、持續更新硬體與軟體；從客戶需求訂出規格，再過概念、初步、關鍵三階段設計審查。
6. 11:12硬體與軟體的差別Brett 說測試與原型的做法跟軟體一樣，只是時間線長得多，所以要更有條理，先做 trade study 排除走不通的設計。
7. 12:47Sora 與藝術家OpenAI 的 Sora 團隊談 shy kids 做的短片 Airhead，以及自己最愛的 bling zoo 樣本，迭代 prompt 不到一小時就做出來。
8. 14:51影片模型何時進入影視團隊沒有確切時間表，預期未來幾年會有更多影片作品，更期待出現和現有媒體完全不同的新用法。
9. 16:22世界模擬與機器人團隊相信之後能在影片模型裡做模擬；Bill Peebles 說從影片能學到手臂、關節與腿怎麼在空間中移動，對實體機器人很重要。
10. 17:40Scott Wu 談工程師的未來Cognition 的 Scott Wu 說「最熱門的新程式語言是英文」很有道理，但軟體工程的基礎仍然很有價值，例如 TCP、邏輯閘。
11. 19:28更遠的未來主持人問二十年後還該不該念資訊科學；Scott 說很難有把握，但 AI 對工作與經濟的具體影響會比超級智慧早得多出現，現在還很早期。
12. 21:00Scale AI 談信任與評測Alexandr Wang 說，data foundry 要顧資料的量與品質，也要能衡量系統；政府、企業與實驗室都要靠評測才能信任這些系統。
13. 22:49評測為什麼難模型很難自動打分，學術 benchmark 問題很多、模型常常過度擬合；Scale AI 發表的保留數學評測顯示，部分模型的實際表現比公布的差很多。
14. 24:23公開評測與透明解法是請人類專家做評測，並要有公開的排行榜與評測，讓政府、企業與實驗室持續評估模型。

值得記的話5 句

• the more Stripe can help its users businesses grow the more Stripe grows and the more the economy growsStripe 越能幫使用者的事業成長，Stripe 就越成長，經濟也越成長04:05

• you instead see augmentation and you see access, you see efficiency你先看到的是輔助、更多人能上手，以及效率07:29

• there's so much you learn from video which you don't necessarily get from other modalities從影片能學到很多其他模態不一定學得到的東西17:08

• the role of a software engineer five or 10 years from now looks something like a mix between a technical architect and a product manager today五年或十年後，軟體工程師的角色會有點像今天的技術架構師加產品經理18:58

• many of the models are overfit on these benchmarks they're sort of in the training data sets of these models很多模型對這些 benchmark 過度擬合，題目某種程度上就在訓練資料裡23:21

名詞與人物11 個

Emily Glassberg Sands

第一段的來賓，Stripe 的 head of information。

Dylan Field

第二段的來賓，公司用 AI 改變設計流程、拉近設計與開發的距離。

Brett Adcock

第三段的來賓，Figure AI 的 CEO，公司做人形機器人。

Sora

OpenAI 的生成式影片模型，第四段由研究團隊談藝術家的用法與世界模擬。

Bill Peebles

Sora 團隊成員，談影片模型對機器人的意義。

Scott Wu

Cognition 的共同創辦人，公司的產品 Devin 定位是 AI 工程師。

Alexandr Wang

Scale AI 的創辦人，最後一段談評測。

data foundry

Scale AI 對自己的定位，提供 AI 所需的資料，也負責衡量系統。

design gates

Figure 在概念、初步、關鍵三階段做的設計審查。

trade study

Brett 提到的方法，先比較不同設計的取捨，避免做出走不通的東西。

held-out eval

訓練資料裡不可能出現的新評測集，用來檢查模型的實際能力。

提到但沒有展開

• Brett 把軟體團隊的做法描述成：替 backlog 打分、挑幾項進 sprint、上線後看分析數據確認有沒有用，硬體也照這種科學方法來，只是更有條理。
• Emily 提到 Stripe 已有 payment links、no code invoicing 這類免寫程式的產品，難的是做出貼合個別使用者、又夠穩固的整合。

在 YouTube 看原片 ↗