喝点VC｜YC内部探讨：正处于规模法则的阶段，数量级至关重要；下一个模型将比当前模型大一个数量级；

图片来源：Y Combinator

Z Highlights

• 我们现在正处于规模法则的阶段，在这个阶段，数量级是至关重要的。下一个模型将比当前模型大一个数量级，之后的模型也是如此。因此，这确实使得资金需求非常密集。
• 如果我们大量投入工程，进行更多尝试，结果会如何？这就涉及到这种对数级的扩展。
• 一旦消费者能够拥有先进的视觉设备，加上可以对话的语音应用，并且这种交互与人类几乎无法区分，那将是一个真正改变世界的时刻。人们会开始真正感受到AI的存在，因为他们可以随时与之对话。

AI的跨越式发展：从参数规模到智能革命

Garry Tan：欢迎回到《The Light Cone》的新一集。最近我们迎来OpenAI有史以来最大的融资轮，金额为66亿美元，以下是OpenAI的首席财务官Sarah Friar对他们将如何使用这笔资金的看法。

Sarah Friar：首先是计算能力，这可不是便宜的投资；其次是优秀人才，当然，还有更传统公司的所有正常运营开支。但我认为无可否认的是，我们现在正处于一个遵循规模定律的阶段，在这个阶段，数量级是至关重要的。下一个模型将比当前模型大一个数量级，之后的模型也是如此。因此，这确实使得资金需求非常密集。

Garry Tan：所以这真的与数量级有关。让我们设想未来，存在10万亿个参数的大型语言模型，比现在的模型大两个数量级，那么会发生什么呢？人们真的会提交查询并使用这些10万亿参数的模型吗？似乎每个token的处理时间可能会达到10分钟。

Diana Hu：目前的情况是前沿模型的参数数量并没有公开确切的数据，但大致在五百亿左右，比如Llama 3、4和Tropic被猜测有500亿参数，GPT-4也差不多在这个范围。要达到10万亿的参数，这是一个两个数量级的跃迁，我认为这种潜在创新的级别可能会与我们从GPT-2看到的飞跃相同，当时的参数数量大约为10亿，并且伴随着关于规模法则的论文发布。这是一些开创性的论文，让人们意识到这是我们所掌握的transformer架构。如果我们大量投入工程，进行更多尝试，结果会如何？这就涉及到这种对数级的扩展。

当GPT-3.5或GPT-3发布时，证明了这一点，参数大约在170亿左右。这就是那个两个数量级的跃迁。我们看到这一变化创造了一个新的AI公司繁荣时代。我们在2023年亲身经历了这一切，看到许多公司开始基于GPT-3.5进行构建，这一切开始运作，带来了巨大的财富。因此，如果这种规模法则持续下去，我们可以预期这种感觉将与2022到2023年转型时期的感受类似。

Jared Friedman：是的，那是一个一切都改变的时刻。如果这种情况再次发生，那将会非常惊人。

Garry Tan：我觉得这里有一个有趣的事情，就是当前一代的最先进模型，尤其是在链式思维方面，它们基本上可以与正常智力相媲美，可以有力地说AGI实际上已经存在。大多数知识工作者每天所做的任务，98%都可以通过软件工程师在电脑前操作，实现90%到98%的准确性，实际上能做到一个智商120的人类知识工作者整天在做的事情。这在更大范围内也适用，过去几年中，我们每个人都可能与数百家公司合作，它们每天都在进行这样的工作。

奇怪的是，当参数达到10万亿智商在200到300之间，即超越普通人类的人工超级智能（ASI）时，这将解锁什么？《Atlantic with Terrence》上有一篇关于著名台湾数学家陶哲轩的文章，他的智商实际上超过200。他现在如何使用ChatGPT，这为他解锁了新的能力。这种情况在历史上有不少例子。例如，可以说核能就是这样的裂变。实际上在任何人进行实验之前必须理论上建模出核裂变是可能的，然后才能进行实验。

Diana Hu：是的，问题在于虽然我们现在已经有很多能力了，但这并不是均匀分布的。如果你走在街上，和一个普通人聊天，他们可能感觉不到AI的存在，他们仍然在过着正常的生活，一切看起来都没有改变。但我认为反例是，有时候这些发现需要时间才能真正发挥作用。我们讨论的例子就是傅里叶变换，这是一种数学表示，约瑟夫·傅里叶在19世纪发现了它，他写了一篇开创性的论文，讨论如何表示周期性函数的序列。在傅里叶变换出现之前，这些函数是以很长的和式和系列的形式表示的，而这些计算在当时是非常昂贵的。但他找到了一个优雅的方法，不再只是求和系列，而是可以将所有这些数学函数压缩为正弦和余弦波，只需要两个变量：振幅和周期。这样就可以表示每一个周期性信号和函数。

听起来很酷的数学，就像一些大型语言模型的用例一样，哦，太棒了，它们可以完成这些编码。但傅里叶变换经历了150年的时间，直到20世纪50年代，人们才明白该如何利用它。结果发现，傅里叶变换在表示信号和独特信号方面非常有效，可以将模拟世界中的一切转化为数字，因为二进制转换数字是0和1，如何压缩这些数据。而其一个重要应用是无线电波和电信，使图像表示、信息编码更高效。这个理论解锁了现代世界的许多东西，比如互联网和手机信号塔的运作。但直到150年后，普通人才开始感受到傅里叶变换的影响。

Garry Tan：这确实是一个强大的理念。这花了很长时间，显然在1950年代就是彩色电视问世的时刻。

AI的演化与未来：从基础理论到技术革新的跨越

Harj Taggar：如果将这个应用到今天的AI发展上，那么问题在于你从哪个时刻开始计时？这并不明确是从两年前的GPT-3时刻开始，还是从几十年来的所有研究开始。我们可能实际上已经在这个领域走过几十年，正如我们之前讨论的，现在可能正是刚刚开始的时候。

Jared Friedman：当然，如果我们以Diana的快速傅里叶变换为例，支撑这些新AI技术的所有数学基础是线性代数，这些理论大约有100年的历史。

Harj Taggar：是的，结果是你可以推动它的发展。

Diana Hu：但我有GPUs来进行计算。

Garry Tan：我想这就是这些10万亿参数模型改变人类能力的一个潜在方式，它们在某种程度上揭示了现实的本质以及我们建模它的能力。然后，这可能会导致核武器的出现或彩色电视的问世。

Jared Friedman：另一个重要的方面是，由于这一切都是软件驱动的，像傅里叶变换这样的许多应用都涉及物理设备，比如唱片机或电话。因此这样的技术采纳需要时间，因为你必须购买更新的设备等。但现在我们有了像Facebook这样的平台，许多人已经在使用他们的软件。一旦这些技术开始推出，我觉得有一件事开始引起注意，尤其是Meta推出的Meta Ray-Ban智能眼镜等消费者设备，一旦消费者能够拥有这样的视觉设备，加上可以对话的语音应用，并且这种交互与人类几乎无法区分，那将是一个真正改变世界的时刻。人们会开始真正感受到AI的存在，因为他们可以随时与之对话。

Garry Tan：当我们拥有这种能力时这确实存在一种分化。在极端的情况下，会有像陶哲轩这样的人推动我们对可建模世界的理解边界，也许运行这些10万亿参数模型的推理价值在数千万到数亿美金之间。而对我们大多数人来说，这种能力更有可能的用法是在蒸馏方面。比如，有证据表明，Meta的400亿和450亿参数模型主要是用来让它们的700亿参数模型变得更好的。因此，今天我们确实看到了这一点。曾经有一种想法，认为人们可能直接使用GPT-4并提取出所有权重，似乎一些政府机构已经在这样做，但GPT-4及其后续版本实际上也实现了内部蒸馏，OpenAI允许在其API内部使用。因此，你可以使用O1，甚至是GPT-4或4.0来蒸馏出一个更便宜的内部模型，比如GPT Omni。这就是他们的一种锁定能力。

Diana Hu：是的，我觉得这一点很少被提及，但确实很有趣的是，像400亿或500亿参数的巨大模型基本上是教师模型，因为它们经过了全面的训练，耗时很久。它们是教导学生模型的主模型，这些学生模型则较小且更快、更便宜，因为对4亿或5亿参数模型的推理成本非常高。因此，我们有证据表明所有这些蒸馏模型都在起作用。在这一领域的公司正在从最新的模型中构建，而不是追求那些拥有所有参数的巨型模型，试图获得最大的性能。我们有证据表明情况并非如此，人们并不总是选择大模型。实际上，我们在这一领域的数据中也有统计信息，虽然我们之前讨论过这些数据。

Harj Taggar：是的，Jared对此做了一些数字分析，这真的很有趣。但我认为更重要的是，这些初创公司和创始人在构建这些模型时选择较小模型而非较大模型，强调了他们的选择权。即便是在一年前，当整个行业刚刚兴起时，所有东西几乎都是建立在ChatGPT之上的，那时它的市场份额几乎是100%，围绕ChatGPT的应用如同一种潮流。感觉在过去六个月里，越来越多的人开始讨论其他模型，比如Claude和Sonnet，几乎是口耳相传，认为它们在协同生成（Cogen）方面表现得更好，人们开始使用不同的模型。

Jared为2024年夏季批次所做的数字分析非常引人注目，因为这个趋势似乎持续着。我们看到大型语言模型和构建在其上的模型的多样性增加。让我印象深刻的是，Claude在短短六个月内，从冬季批次到夏季批次，开发者市场份额从5%上升到了25%。

Diana Hu：有人在这个批次中。

Garry Tan：我从未见过这样的跳跃。

Harj Taggar：Alarm的市场份额从0%跃升至8%。

AI技术革命：创新、市场动态与创业机遇

Jared Friedman：我们从长期观察Y Combinator品牌中知道的一点是，批次中的公司所使用的产品是预测世界上最佳公司所使用的工具的一个很好的指标，因此也能预测哪些产品会最成功。很多YC最成功的公司，实际上你可以根据仅仅查看批次中公司使用的工具来预测它们的成功。

Harj Taggar：如果我们暂时不考虑OpenAI最新的融资和最新的O1模型，似乎在开发者和构建者中，OpenAI正在失去市场份额。从最初唯一的选择到快速流失市场份额给其他模型，这个变化相当明显。然而，值得注意的是，他们可能正在回归。比如，有15%的批次已经在使用OpenAI的工具，即使它们尚未完全可用。

Jared Friedman：还没有回归吧，这东西大概是两周前的了。

Diana Hu：我们现在正在进行一些有趣的事情，实际上就在我们说话的同时，楼下正在举行一场黑客马拉松，为YC公司提供早期接入OpenAI的机会。山姆本人也在现场进行启动演讲。有很多OpenAI的研究人员和工程师在参与，仅仅经过4小时的黑客开发，我们就已经听到了一些演示，实际上我走过时看到一些团队展示了他们已经构建的东西，这些在之前的任何其他模型中都是不可能实现的。

Jared Friedman：你能给一些例子吗？

Diana Hu：我正在合作的公司之一是Freestyle，他们正在构建一个完全基于TypeScript的云解决方案，使用了一种非常酷的框架，让前端和后端的开发无缝衔接，使用起来非常方便。令人印象深刻的是，他们仅仅工作了几个小时，我看到的一个演示让我感到震撼，他们基本上让产品与一个版本的reply agent协同工作，只需向O1模型提供他们的开发文档和一些代码，就可以简单地提示它：“帮我构建一个可以写待办事项的网页应用。”结果它就迅速完成了。它能够推理和理解文档，虽然花费了更长时间，但最终成功构建了实际的应用。

Harj Taggar：对我们来说，一个有趣的问题是如果OpenAI真的像魔法一样强大，这对创始人和构建者意味着什么。其中一方面的观点是，这对构建者来说可能是坏事，因为0.1模型太强大了，OpenAI可能会捕获所有价值，而所有潜在的有价值的东西以及基于这些技术构建的东西都将归他们所有。

Garry Tan：你是说他们会占据我们未来价值的一部分吗？

Harj Taggar：你是说他们将捕获过去和未来的价值。另一种更乐观的情景是，我们可以看到创始人在批次期间花了多少时间在工具上，比如如何使提示正常工作、确保输出准确、保持人机协作等。所有这些时间都花在让核心产品正常运行上，但如果这些过程变得更加确定性和准确，创始人就可以将时间花在更基础的软件开发上，比如更好的用户界面、更好的客户体验、更多的销售和客户关系。在这种情况下，现在可能是比以往任何时候都更好的创业时机，因为许多关于如何让模型准确运行的知识可能只是暂时的，随着这些技术变得更强大，这些知识将不再相关。

Diana Hu：实际上，我们与Case Text的Jay Keller谈过这个话题，他提到让法律编译器达到100%准确性是一个巨大的突破。

Jared Friedman：而这确实很困难。他讨论了很多他必须做的事情，以使产品足够准确。

Harj Taggar：想象一下，如果他根本不需要做这些事情，第一天就能保证100%准确性，那样一来，他只需构建一个带有数据库的Web应用程序，进入这些市场的门槛就会大大降低。这将导致比以往更多的竞争，最终可能会变得更像一个传统的“赢家通吃”的软件市场。

Diana Hu：有个例子是Dry Merch，是你们合作的一家公司，他们通过使用O1模型将准确率从80%提升到几乎99%甚至在某些情况下达到100%。你想谈谈他们的情况吗？

Jared Friedman：他们通过将GPT-4替换为O1实现了这一点。我觉得可能还有一个更乐观的观点，即目前有些用例因为无法达到足够的准确率而无法使用大型语言模型。尤其是在一些关键任务中，错误的后果可能非常严重，这使得使用大型语言模型变得相当困难。随着模型的准确率不断提高，这些应用开始实际运作的可能性也会随之增加。

Garry Tan：我想在YC的投资组合中有很多这样的证据。我曾经见过一家2017年的公司，我想我还发过推文提到他们。当时他们的年化收入是5000万美元，但每年增长50%。一两年前，他们还没有盈利，知道自己需要再筹集更多资金。但在过去的一年里，他们自动化了约60%的客户支持请求。他们从一个急需筹集下一轮资金的状态，变成了一个完全实现现金流平衡的公司，同时仍然以每年50%的速度增长。这就是构建企业价值的梦想场景，因为他们足够大，已经成为一个持续经营的公司，同时他们实际上在没有额外资本的情况下实现了复合增长。

像这样的公司最终可能会成为每年5亿美元的收入，并产生数亿美元的自由现金流。我认为这在某种程度上是创始人的梦想。而且，我认为这是我迄今为止见过的更戏剧性的例子之一。这种情况并不是孤立的，正如我们所讨论的，现在是2024年，我们仍然处于这种悬而未决的时刻，一些公司在这个过程中筹集了过多的资金，以30倍或40倍的市盈率在未来12个月内的收入，似乎在挣扎，但实际上他们也不会再筹集到另一轮资金。对他们来说，这实际上是个好消息，因为他们可以从亏损变为盈亏平衡，进而潜在地实现非常高的盈利。我认为这个叙述并没有被广泛传播，这对创始人来说是个好消息。

Harj Taggar：我已经开始注意了，Klona的CEO几周前引起了很多关注，虽然不太清楚这些关注有多少是真的，但他们至少在宣传他们正在用自家开发的语言模型应用替代内部的HR和销售记录系统，这应该是暗示的意思。

Garry Tan：这真是太疯狂了，如果把OpenAI视为未来20年的Google，那投资OpenAI和它所推动的各种事物就变得很有意义，就像Google可以做Airbnb（ZP注：Airbnb“爱彼迎”是一家联系旅游人士和家有空房出租的房主的服务型网站，为用户提供多样的住宿信息），也可能不会。根据Cose的公司理论，这可能是因为涉及太多的效率问题和领域专业知识，实际上很难做到。

AI创新前沿：垂直领域智能体的崛起与技术突破

Diana Hu：当前正在构建的新Google是什么样的？有一些垂直领域的智能体的例子我们可以讨论一下。

Garry Tan：我非常喜欢与这家公司合作，他们叫Text GPT，刚刚通过了YC的最新一届。他们最开始的定位其实非常直白，跟说唱有关，名字中也有tax的元素。不过我最喜欢的一个例子是，他们发现，税务咨询的基础工作，比如基础的案例检索，实际上就像案例文本检索，这成为了他们进入数万名会计师和会计事务所面前的切入点。现在，他们正在建立一个基于文档上传的企业业务，你可以以较低的价格或者免费获取他们的服务，因为这些正是人们在搜索的内容。一旦用户了解并信任他们，他们就可以转化为每年十万到百万美元的合同，这样可以彻底改变会计师的工作流程，节省数十到数百小时的工作时间。

Harj Taggar：O1模型的另一个有趣之处在于，最初只有ChatGPT可以在OpenAI的基础上构建，成为唯一的“游戏城”。后来出现了许多其他模型。我认为我们现在看到的这种“alpha leak”就发生在这个房间里，楼下的人正在开发O1的前沿技术，甚至公众还无法接触到。而我们看到的是，这实际上是一个重要的进步。对于任何正在构建AI应用程序的程序员或工程师来说，二进制的数字0和1是一个大事件。

有趣的是，这个周期会不会重演，让OpenAI暂时获得领先地位？它的市场份额会迅速回升到接近100%吗？但随后在六个月内，Llama会更新，Claude会推出新版本，Gemini也会不断改进，它们都会达到类似的推理水平，还是说这将是OpenAI第一次真正的突破？我将真正的突破定义为某种可以防御的东西，也就是说，如果没有人能够复制它，那将使他们处于一个非常强大的位置。但我们现在并不知道，我觉得有趣的是，OpenAI似乎一直在推动技术的边界，但到目前为止，他们似乎从未能够保持领先地位。

Diana Hu：我认为关于AI更有趣的事情是，它使得对GPU的需求变得更大。因为它将很多计算需求提升到了更高的水平，推理所需的时间也大幅增加，这也会改变许多公司在构建AI基础设施时的动态。

Garry Tan：似乎有两种不同类型的使用案例，他们刚刚启用了将O1转化为4o的蒸馏，因此对于相对简单和重复的使用案例，你可以使用O1处理更复杂的任务，然后将其蒸馏出来，再以4o或更低的价格使用。从另一个角度来看，还有一种类型的问题是非常具体的。我想大多数代码生成的情况可能更接近于这种类型，你需要为完整的O1体验付费，因为它相对较详细和具体。

Harj Taggar：这要看你是否在构建完整的工具。如果你是在企业软件领域，并且能够将成本转嫁给客户，而他们可以容忍更高的延迟，不太关心响应是否即时，那么你可能会大量使用O1。但如果是针对消费类应用，那可能就不太适合了。不过说到消费类应用，我觉得OpenAI最近发布的一些东西，比如实时语音API，确实引人注目。

Garry Tan：这确实令人惊讶。我认为最显著的一点是，按使用量计费的价格是每小时9美元，这反映了一种强大的趋势。如果我是一个宏观交易员，我会对那些目前非常依赖呼叫中心的国家持非常悲观的态度，因为每小时9美元的费用正好接近一个呼叫中心的成本。

Harj Taggar：我们确实在这个批次中看到了另一件事。显然，语音几乎可以算作一种“杀手级应用”。可以说，我在这个批次中或者至少在我所在的团队里，有一家专注于用于债务催收的AI语音公司的合作伙伴，他们的业务增长非常惊人，效果非常好。

Jared Friedman：在S24中，很多语音应用都是一些增长最快、发展迅猛的公司，这明显成为了一个趋势。我记得曾与优先批次中的一些公司合作，他们尝试做语音应用，但效果并不好，准确率太低了，语音识别会因为干扰等因素而产生混淆。现在看来，语音技术终于转变了局面，开始真正发挥作用了。

Diana Hu：我合作的另一家公司，Happy Robot想出了一个主意，开发了一个语音agent来协调物流中的所有电话。想象一下，一个卡车司机需要从A点到B点，这期间会有很多人打电话来询问他的位置但是没有像“查找我的朋友”这样的功能。他们在这方面开始获得大量使用量。我想我们之前也讨论过，目前AI已经通过了图灵测试，并且正在解决所有这些通过电话进行的手动问题。

技术采纳与创新速度：AI时代的挑战与机遇

Garry Tan：这真是太疯狂了，有件事情我们还可以再讨论一下，就是在这些传统行业中的工程团队在多大程度上对这些技术的接受。感觉这几乎是二元的：大多数公司和组织，尤其是那些成立四年或更久的公司，实际上并没有认真对待这些事情，他们在这方面几乎没有任何倡议。我在想这是否是一种代际差异，我意识到边缘管理者和边缘副总裁现在可能和我差不多年龄，我现在43岁，如果我不在这里看到发生的事情，我可能会倾向于认为这只是老一套的AI。

Harj Taggar：如果人们离这些技术不够近，就很难理解这种改进的速度。我觉得普通的企业人员肯定习惯了技术对行业的颠覆，但通常是在较长的时间框架内，如果说有什么变化的话，他们可能会变得愤世嫉俗，因为像云计算这样的词汇曾经是个热词，确实改变了我们的企业软件构建和交付方式，但这花了大约十年的时间。因此，我怀疑大家对AI的感觉也是如此，自然的默认态度就是持怀疑态度：这东西可能还要等一段时间才能成熟。如果你在六个月前看这些技术，就像我们刚才讨论的，可能会觉得这个AI语音应用距离我们需要认真对待还有好几年。然而，实际上只需三到四个月后，它就达到了一个真正的重要转折点。我认为这就是为什么即使在科技领域的人们也感到惊讶，速度之快超出了我们的预期。

Jared Friedman：我认为这是任何技术迄今为止进步最快的，确实比处理器的进步速度快得多，也比云计算快得多。

Diana Hu：这真是有趣的观察。看到这一波浪潮中的另一个例子令人惊叹。我常常和许多技术创始人坐在一起，观察他们编码的过程。在这波浪潮之前，他们的工作环境可能只是标准的IDE和终端，人们也能顺利完成工作。但在这个批次中，我们看到的创始人所构建的演示和产品就像是一个更高层次的精致。当你看到他们编程时，就像他们生活在未来一样。他们所使用的工具，GitHub Compile在他们看来几乎已经是过时的新闻了。许多人可能正在使用一些最新最强大的编码助手，比如Continue或Cursor之类的工具。

Harj Taggar：这是当我们询问创始人有关IDS的情况时，Jared也提到的。

Jared Friedman：我们对2024年夏季批次的创始人进行了调查，发现一半的创始人正在使用Cursor，而仅有12%的人在使用GitHub Copilot，这让我感到很惊讶，他们甚至没有使用完全自动化的编码助手，比如Reply或Hazel，而仍然在使用类似Copilot的工具。但即便是从GitHub Copilot转向Cursor，这在实际AI处理能力上已经是一个显著的进步。这真是个令人难以置信的突破！

Diana Hu：他们的交付速度非常快，今天在黑客大会上看到的就是证据。我对他们所构建的东西印象深刻，看着他们的编辑器，比如Cursor，真是太酷了。

Harj Taggar：这又说明了创始人所拥有的优势，我仍然觉GitHub Copilot首次出现时，它看起来就像是GitHub加上微软，拥有所有开发者、资本和OpenAI的内线资源，任何编码IDE都无法与之竞争，最终会被吞噬。然而，Cursor却从无到有，根据我们的数据，在这个批次中，它的规模是GitHub Copilot的五倍。

正如你之前所说，创业公司创始人通常是这种趋势的引领者。我认为在某些类型的业务中，可能不太适合将创业公司创始人作为早期客户，但对于开发者工具来说，绝对是可行的。像Stripe和AWS都特别希望拥有YC批次的创业公司，而这也对他们非常有利。因此，Casa在YC批次中的渗透率如此之高，实际上是个非常好的迹象。

Diana Hu：是的，我绝对认为Cursor非常出色，但Alta Vista当时也很棒。我记得使用过的那个搜索引擎还有其他版本，下一代的搜索引擎要好十倍。这就是未来的发展方向，最终受益的只有开发者，因为这场竞争将带来更多的选择和更好的工具。

Harj Taggar：这又让我回到了对这一切的乐观看法，随着模型变得越来越强大，赢家将是那些构建最佳用户体验并能够处理所有细节的人，这就是Cursor能够超越拥有所有优势的GitHub Copilot的原因。这也是一个很好的例子：Google也曾崛起并击败过他们。所以，仍然有空间让某个新兴公司像Cursor对待GitHub Copilot一样来挑战Cursor。

Garry Tan：那么我们回到10万亿参数的话题，如果实现了这样的技术，接近人工超级智能（ASI），我们将生活在怎样的世界里呢？人类实际会做什么，这一切将变得多么惊人？

Jared Friedman：我会为一个非常乐观的观点提供一个强有力的论据，即当前阻碍科学和技术进步速度的因素，或许就是能够分析我们已经掌握的所有信息的聪明人的数量。目前已有数百万篇科学论文和大量的数据，但要阅读和理解这些信息，对于任何人来说都是超出其能力范围的。如果我们能让模型足够聪明，能够进行原创性思考和深度分析，并且逻辑正确，那么我们就可以在几乎无限的知识和数据上释放出几乎无限的智慧。可以想象，这将会产生一些疯狂的科学发现，比如室温核聚变、室温超导体、时间旅行、飞行汽车等人类尚未能够发明的东西。拥有足够的智能，也许我们终于能将这些都发明出来。

原视频：Y Combinator | The 10 Trillion Parameter AI Model With 300 IQ

https://www.youtube.com/watch?v=lbJilIQhHko

编译：Jie Sun