人都是产品经理平台仅提供信息存储空

如果您有更多观点，也欢迎能和我一起讨论交流。 专栏作家 王钰，微信公众号：钰见SaaS，人人都是产品经理专栏作家。物畅网联合创始人，9年ToB行业互联网运营经验，主导物流SaaS、医药SaaS、家居SaaS等多个垂直行业SaaS解决方案。 本文原创发布于人人都是产品经理，未经许可，禁止转载。 题图来自 ，基于CC0协议。 该文观点仅代表作者本人，人间服务。在人工智能()领域，几家关键企业正在推动技术的发。

展和创新最近

的创始人兼首席执行官Alexandr 合伙了一场深入的对话，探讨了领域的最新进展和未来趋势。在这次讨论中，他们分析了Nvidia、Open和等行业巨头如何成为进步的三大支柱，并预测了技术的未来走向。 近日，Scale  创始与 a16z 合伙人 展开了深入对话。 表示， 的进展依赖于计算能力、算法创新和数据资源，而 Scale  专注于推动前沿数据的生成，支持  在前沿技术中的进步。 与去年同期相比，Scale 今年上半年销售额几乎增长了三倍

达到近 4 亿美元，为大型

客机公司标记数据已。经成为一项巨大的业务，预计今年收入将达到近 10 亿美元。 现有的公开数据资源已被充分利用，未来  发展的核心在于如何生成新的高复杂度、前沿数据，并在此基础上推动更高水平的智能进步。 他强调，在公司快速扩张过程中，招聘大量新员工反而可能降低组织的整体绩效。关键在于保持小规模、高效的团队，并确保外部高管能深入理解公司的运作节奏后，再逐步引导变革。 此外，他还将 AGI 定义为能够完成 80% 以上人类可通过计算机完成的数字化工作，虽然这一目标并非短期内可实现，但随着算法创。

使用可验证的数据可以提高您的 手机号码数据 可信度。消费者更倾向于与使用正确和真实的联系方式联系他们的公司互动。经过验证的电话列表可让您锁定潜在客户并与更有可能对您提供的产品感兴趣的人互动，从而提高参与度。拥有准确的电话号码有助于在初次联系后进行跟进。由于有经过验证的列表，每次后续联系或消息都可以保证到达合适的人。

新未来  年内或许能看

到早期迹象。 以下为这次对 合同文件在项目管理中的好处！ 话的主要内容，enjoy～ B端产品经理的能力模型与学习提升 B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 … 查看详情 > David George： 我总是很喜欢和你聊天，每次都。能学到很多。我们可以先聊聊你在 Scale  正在构建的东西，然后深入探讨。

在我们正在为  构建

数据铸造厂。从大的层面来看，  归结为三 电话号码 香港 大支柱：计算、数据和算法。 我们所看到的所有进展都来自这三个方面：计算由像 Nvidia 这样的公司推动，算法的进步由像 Open 这样的大型实验室引领，而数据则由 Scale 提供。 我们的目标是生产前沿数据，以推动与各大实验室合作的前沿水平进步，并使每个企业和政府能够利用他们的专有数据来推动自己的前沿  发展。 David George： 关于前沿数据这个话题，实际上你是如何获得这。

些数据的呢 是的，我认为这是我们

这个时代的伟大人类项目之一。如果这有意义的话，我认为目前唯一的智慧模型就是人类，而前沿数据的生产很像是人类专家与技术和算法技术的结合，以生产大量此类数据。顺便说一句，迄今为止我们所产生的所有数据，互联网也是类似的。 在很多方面，互联网是机器和人类合作产生大量内容和数据的成果。而未来的情况可能就像增强版的互联网：如果互联网不仅仅是一个人类娱乐设备，而。

个大规模的数据生成实验，会怎

样呢？ David George： 你对行业现状有独特的见解，你如何描述当前语言模型的状态呢？我很想谈谈市场结构，但可以先从你对行业的整体看法开始。 Alexandr Wang： 是的，我认为我们可能正接近语言模型开发的第二阶段末期。第一阶段是早期几乎完全的研究阶段，标志性的成果包括 。

T的早期小规模实验，直到 

布为止。 这是一个专注于小规模实验和算法进步的阶段。然后，第二阶段大致从 GPT-3 开始到现在，进入了初始扩展阶段。 GPT-3 表现得相当不错，接着 Open 及其他公司开始大规模扩展这些模型，像Google、Anthropic、 Meta 和 x 等许多公司也加入了这个竞赛，将模型的能力提升到极限。 过去两三年间，几乎完全是执行层面的工作，涉及如何使大规模训练顺利进行，如何避免代码中的怪异错误，如何设置更大的集群等。 接下来我认为我们将进入一个研究和执行之间更多交替的阶段，各实验室将朝着不同的研究方向发展，并在不同时期取得各自的突破，因此这是一个激动人心的转折期。 David George： 他们已经达到。

了一个阶段，虽然不能说计算资源是丰富的，但已经足够支撑模型的发展，基本不再是一个限制。而在数据方面，所有前沿实验室已经尽可能地挖掘了可用的数据资源。接下来就是在数据方面取得突破，对吗？ Alexandr Wang： 是的，基本上是这样。如果你看这三大支柱，计算方面我们显然会继续扩大训练集群的规模，这个方向是比较明确的。算法方面，我认为将会有很多创新。 事实上，很多实验室现在都在这一领域进行深入的研究。而关于数据，你提到的很对，我们已经用尽了所有容易获取的公开数据。 David George： 是的，所有人都可以获得相同的数据。

没错，很多人称之为“数据墙

们已经利用了所有公开的数据资源。而下一阶段的标志之一将是数据生产。 每个实验室将如何生成所需的数据以实现更高的智能水平，这将是一个关键问题，我们如何朝着数据丰富迈进？这将需要多个领域的前沿研究。 我认为，首先是推动数据复杂性的提升，迈向前沿数据。我们希望在模型中构建的许多能力，其最大的障碍其实是数据的缺乏。 比如说，过去两年内， Agent 一直是一个热门话题，但实际。

上几乎没有 Agent 能很好地运作。原因是网络上根本没有大量有价值的 Agent 数据。这些数据不在那里，所以我们需要生产高质量的 Agent 数据。 David George： 能举个例子，说明我们需要生产什么样的数据吗？ Alexandr Wang： 我们即将发布的一项研究表明，目前所有前沿模型在工具组合上的表现都很差。比如它们需要先查找信息，然后编写一个 Python 脚本，再绘制图表，使用多个工具串联起来解决问题时，模型表现得非常糟糕。而这对人类来说是。

非常自然的。 David George： 是的，但这些操作没有被记录下来，是这个意思吗？也就是说，模型无法学习到这些步骤。 Alexandr Wang： 完全正确。这些推理链条在人类解决复杂问题时非常常见，我们会自然地使用一系列工具，思考问题并推理下一步需要做什么。如果遇到错误，我们会回过头重新考虑。很多这样的智能链条数据今天根本不存在。