这个月 Eric 在斯坦福做了一个分享，非常多干货。视频现在在YouTube上被下架了，但通过各种方式找到了一个版本，全程听了一下。
AI的发展方向是什么？短期内（大概是一到两年）会发生什么？
事情变化得太快了，我感觉每隔六个月我就需要重新写一篇关于未来发展的演讲。
在接下来的一年里，你会看到非常大的上下文窗口。当Agent和“Text to Action”在大规模应用时，其对世界的影响将远远超过社交媒体对我们的负面影响。在我看来，影响会比现在人们所理解的更大。
上下文窗口的作用就像是短期记忆。我很震惊它们能变得如此之长。技术上的原因涉及到它们的服务和计算难度。
关于AI代理，有些人正在构建本质上是大语言模型（LLM）的代理。他们的做法是通过阅读某些内容，比如化学，然后他们会发现化学的基本原理，并进行测试，再把这些结果纳入他们的理解中。这非常强大。
“文本到行动”。例如，从语言转化为Python代码。Python曾是我不太希望看到继续流行的编程语言，但现在几乎所有AI领域的工作都在用它。最近有一种叫Mojo的新编程语言出现了，似乎专为AI编程设计，但还不清楚它能否取代Python的主导地位。你可以从任意的语言到任意的数字命令——这本质上是当前场景下的Python——想象一下，每个地球上的人都拥有一个属于自己的编程助手，它真正做你想要的事，而不是像那些我手下的程序员，他们不总是能按我要求做事。懂编程的人应该知道我在说什么。所以，想象一下，一个不傲慢的程序员，它可以做你想做的事，而且你不需要付高额工资给它，而这类程序员是无限供应的。
这一切会在未来一到两年内发生，非常快。这三件事的结合，我坚信将推动下一波浪潮的来临。
每六个月，我都会在预测中有所波动，像是一个偶数奇数的振荡循环。目前来看，前沿模型的领先者只剩下三家，我稍后会讨论它们是谁，而其他所有人的差距正在越来越大。六个月前，我确信差距正在缩小。所以我在一些小公司上投入了大量资金。但现在我不太确定了。我和大公司交流，大公司告诉我他们需要100亿、200亿、500亿，甚至1000亿的投资。
如何支持这些巨大投入？
我和Sam Altman是好朋友，他认为可能需要大约10年，3000亿，甚至更多。出于坦诚的态度，我上周五去了白宫，告诉他们我们需要和加拿大成为最好的朋友，因为加拿大人很好，而且他们帮助发明了AI，还拥有大量的水电资源。而我们国家的能源并不足以支撑这个计划。另一种选择是让阿拉伯国家提供资金，我个人非常喜欢阿拉伯人，曾在那里花了很多时间。但他们不会遵守我们的国家安全规则，而加拿大和美国是三国联盟的一部分，我们的规则是一致的。所以，当我们谈论到这些需要1000亿、3000亿的超级数据中心时，电力就成了稀缺资源。
我们将需要更多的芯片。美国政府正在给英特尔很多资金支持，AMD也是，他们都在尝试建立新的工厂。
为什么NVIDIA市值达到了2万亿美元，而其他公司却在苦苦挣扎？
技术上来说，我觉得这归结为大部分代码都需要运行在CUDA优化下，而目前只有NVIDIA的GPU支持这种优化。所以其他公司可以做任何他们想做的事情，但除非他们拥有十多年的软件积累，否则就无法实现机器学习的优化。
我喜欢把CUDA看作GPU的C编程语言。这就是我的想法。CUDA创立于2008年，我一直认为它是一种糟糕的语言，但它却成为了主流。这里还有一个洞见：有一组高度优化的开源库，它们专门针对CUDA进行了优化，而其他系统无法做到这一点。
所有构建这些技术堆栈的人都忽略了这一点。在技术讨论中很少有人提到这个问题，比如VLLM这样的库都进行了高度的CUDA优化，如果你是竞争对手，想要复制这一点非常困难。
前几天我和Percy Lange聊天，他在训练模型时会在TPU和NVIDIA芯片之间切换，具体取决于他能获取到什么资源。如果他有无限资金，他今天会选择NVIDIA的B200架构，因为它速度更快。当然，我并不是在反对竞争。我也和Andy和Lisa Su（AMD 的老大，黄教主的表外甥女）进行了长时间的讨论。他们已经构建了一种系统，可以将你提到的CUDA架构转化为他们自己的架构，叫做Rockham（AMD version of CUDA）。
为什么 Google 在 AI 上落后了？
我现在已经不是谷歌的员工了。出于坦诚，谷歌似乎更看重工作与生活的平衡，更倾向于早早下班和在家工作，而不是追求胜利。而初创公司的成功往往是因为他们的人非常拼命。
从国家安全或地缘政治的角度看，你认为这会如何影响与中国的竞争？
我曾担任一个AI委员会的主席，专门对此进行了深入研究。你可以去读一下那份报告，大概有752页。我简单总结一下：目前我们处于领先地位，但我们需要保持领先，并且需要大量资金来实现这一点。
我们的客户是参议院和众议院，这也促成了《芯片法案》和许多类似的政策。大致的情况是，如果你假设前沿模型继续推进，而少数开源模型也有所发展，那么可能只有少数几家公司或国家能够参与这一竞争。那些国家有哪些呢？需要大量资金、人才、强大的教育体系以及强烈的胜利意愿。美国是其中之一，中国是另一个。
至于其他国家，我不确定，可能有，但无论如何，在你们这一代人中，知识霸权的斗争将主要在美国和中国之间展开。美国政府事实上禁止了NVIDIA芯片出口到中国，虽然他们不允许公开承认，但实际上就是这么做的。
目前我们在芯片技术上大约领先中国10年，特别是在亚光刻（Sub-DUV）技术领域，领先幅度大约是10年。举个例子，今天我们领先中国几年，而我的猜测是我们将继续扩大这个领先优势，然而中国对此非常愤怒，这已经引发了巨大的不满。这是一个非常大的问题。
这是特朗普政府做出的决定，并在拜登政府时期得到了验证。你认为现任政府和国会在听取你的建议吗？你认为他们会进行如此大规模的投资吗？我指的不仅仅是《芯片法案》，而是建造一个庞大的AI系统。
正如你所知，我领导了一个非正式的、临时的、非法律性质的团队，和“非法”是不一样的，我只是要澄清一下。这个团队包括所有大家熟知的业内人士。在过去的一年里，这些业内人士提出了一系列逻辑基础，最终成为拜登政府的政策。这也是历史上最长的总统指令之一，由特别竞争研究项目促成。
这是一项从总统办公室发布的真正的政策，他们正在忙于实施具体细节。到目前为止，他们做得还不错。举个例子，我们过去一年一直在讨论的一个问题是，如何检测系统中学到的危险知识，但你又不知道该问它什么。
换句话说，这是一个核心问题。系统学到了某些坏的东西，但它无法告诉你学到了什么，而你也不知道该如何提问。而且，存在太多潜在的威胁。比如，它可能学会了一种全新的化学混合法，但你不知道该如何提问去发现这一点。
人们正在努力解决这个问题。我们在给他们的备忘录中写到，有一个我们任意设定的阈值，叫做10的26次方FLOPS，这是一种技术上的计算量度。超过这个阈值，你必须向政府报告你正在进行的项目，这是规定的一部分。欧盟对此有不同的规定，但技术上它们很接近。我认为这些差异将会消失，因为技术将实现所谓的“联合训练”，即将不同的部分组合在一起。
有传言说，OpenAI为了应对电力消耗，不得不采用部分分布式训练，因为没有一个地方能够满足全部的电力需求。
你非常关注乌克兰战争，特别是你致力于通过50万架无人机摧毁500万辆坦克的目标。这是否正在改变战争的方式？
我在国防部工作了七年，试图改变我们军队的运作方式。我并不是军队的特别支持者，因为军费非常昂贵，我想看看自己能否有所帮助。但在我看来，我基本上失败了。他们给了我一枚勋章，所以他们可能会把勋章发给失败者。
但我自我批评的是，实际上没有发生太多改变，美国的系统不会带来真正的创新。看着俄罗斯用坦克摧毁有老人和孩子居住的公寓楼，这让我感到非常愤怒。所以我决定和你的朋友Sebastian Thrun，还有一大批斯坦福的专家一起，创立了一家公司。
我们的目标有两个：一是利用AI以复杂且强大的方式开展机器人战争，二是降低机器人的成本。你可能会问，为什么像我这样的自由派会做这种事情？答案是，军队的整个理论是基于坦克、火炮和迫击炮的，但我们可以消除它们，至少让入侵一个国家的陆战变得不可能。
这是否意味着防御方会比进攻方更有优势？你能区分这种优势吗？
因为过去一年我一直在研究战争，我学到了很多我并不想知道的东西。其中一个重要的教训是，在战争中，进攻方总是拥有优势，因为他们可以随时压制防御系统。因此，从国家防御的战略角度来看，最好拥有一支强大的进攻力量，以便在必要时使用。我和其他人正在构建的系统将能够做到这一点。
由于系统的运作方式，我现在正式成为了一名持牌的军火商。作为一名计算机科学家、商人、军火商，我并不建议大家把这当作职业发展路径，还是专注于AI更好。由于法律的规定，我们以私营的方式进行这些活动，并得到了政府的支持。这些武器直接运往乌克兰，他们用这些武器进行战斗。
不用说太多细节，目前情况非常糟糕。我认为如果到五月或六月，俄罗斯如预期那样集结军力，乌克兰将失去相当一部分领土，并将开始逐步失去整个国家。所以，形势非常严峻。如果你认识Marjorie Taylor Greene，我建议你将她从你的联系人列表中删除。因为她是唯一一个阻止拨款数十亿美元来拯救一个重要民主国家的人。
讨论了知识的本质及其如何演变，引用理查德·费曼的一句话，他说：“我无法创造的东西，我就无法理解。”但现在的情况是，人们能够创造出一些他们无法完全理解的东西。知识的本质是否正在发生变化？我们是否将不得不开始接受这些模型的结论，而不再追求完全理解它们的运作？
我会用青少年来做类比。如果你有过青少年子女，你知道他们是人类，但你不总是能理解他们的想法。但不管怎样，社会已经适应了青少年的存在，最终他们也会成熟起来。
最终这些知识系统会像青少年一样逐渐成熟。虽然我们可能无法完全描述这些系统的内部细节，但我们能够理解它们的边界。我们会了解它们的能力极限，这可能是我们能够获得的最好的结果。
我们会变得相当擅长这方面的工作。我每周与小组成员讨论的共识是，最终你将通过所谓的“对抗性AI”（adversarial AI）来实现这一点。这意味着将会有公司专门从事破坏AI系统的工作，类似于今天的“红队”（red team）攻击测试。
换句话说，未来可能会出现一个全新的行业，这些公司将被雇佣来“打破”现有的AI系统，找到它们的漏洞。
特别是那些我们无法完全理解的知识。这个领域确实有很大的潜力，也为斯坦福的研究提供了绝佳的机会。如果你有一个研究生，他的任务是攻破这些大型模型并理解它们的行为，那么他将获得构建下一代AI系统的宝贵技能。
早些时候你提到关于如何让AI真正按照你的意愿行事的问题。你刚才也提到了“对抗性AI”，我想知道你能否更详细地解释一下这个概念？
除了计算能力的提升和更强大的模型之外，真正的问题在于如何让这些模型按照你的意图行事。我认为有些问题可能不会那么快得到解决。你必须假设当前的幻觉问题（即AI生成错误信息的现象）会随着技术的进步而减少。当然，我并不是说这个问题会完全消失，但你也必须假设会有一些测试来验证系统的有效性。
举个例子，我提到的TikTok竞争者案例，我并不是在建议你们非法窃取所有的音乐。如果你是一位硅谷企业家——希望在座的各位将来也会成为这样的企业家——当你的产品成功了，你会雇佣一大批律师来处理这些法律问题，对吧？但如果没有人使用你的产品，那么即使你盗用了所有的内容也无关紧要。
硅谷通常会运行这些测试，然后处理后续问题。这基本上就是这些事情的操作方式。所以我的看法是，你会看到越来越多更强大的系统，配备更好的测试机制，最终包括对抗性测试，以确保系统在可控范围内。
技术术语称之为“链式思维推理”。人们相信在未来几年，你将能够生成一千步的链式思维推理。就像制定食谱一样，你可以运行这个“食谱”，并测试它是否产生了正确的结果。这就是系统将如何运作的方式。
总体来看，你对AI的发展潜力持非常积极的态度。我很好奇，你认为推动这种进步的主要动力是什么？是更多的计算能力？更多的数据？还是更多的芯片？
是的，确实如此。现在投向这个领域的资金数量令人震惊。我选择广泛投资，因为我无法预测谁最终会胜出。
现在跟随我投资的资金规模如此庞大，我认为部分原因是早期的钱已经赚到了，那些不太了解AI的大投资者必须有一个AI的投资组件。现在一切都变成了投资，他们无法区分优劣。我把“学习系统”定义为那些真正能学习的系统。所以，我认为这是推动发展的一个因素。
其次是一些非常复杂的新算法，属于“后Transformer时代”的算法。我的一位长期合作伙伴发明了一种新的非Transformer架构，我在巴黎资助的一个团队也声称做了类似的事情。因此，创新的潜力是巨大的，斯坦福也有很多这样的发明。
最后，市场中有一种信念，即智能的发明将带来无限的回报。假设你向一家公司投入了500亿资本，你必须从智能技术中赚取大量利润才能回本。这种对智能发明的信念驱动了大规模的投资。
很可能我们会经历一个巨大的投资泡沫，之后市场会自我调整。这在过去一直如此，未来也很可能会如此。你之前提到，现在领先的公司正在进一步拉开与其他公司的差距。这是个很重要的问题。
开源和闭源之争
比如在法国有一家公司叫Mistral，他们做得非常出色。我是他们的投资者之一。他们已经推出了第二个版本，但他们的第三个模型可能会是闭源的，因为成本太高了，他们需要收入，无法再免费提供模型。因此，在我们行业内，开源与闭源的争论非常激烈。
我的整个职业生涯都建立在人们愿意分享开源软件的基础上，我的一切都是开源的。谷歌的许多基础技术也是开源的，技术上我所做的一切都围绕开源展开。然而，庞大的资本成本可能会从根本上改变软件的构建方式，使得闭源成为必要选择。
软件程序员的生产力
正如我们之前谈到的，我个人的看法是，软件程序员的生产力至少会翻倍。有三四家软件公司正致力于实现这一点，而我都投资了它们。我认为这是一个很有前景的方向，它们都在努力让软件程序员变得更高效。
最近我见到的一家最有趣的公司叫Augment。我通常会想到个人程序员的效率提升，但他们告诉我，这不是他们的目标。他们的目标是那些拥有上百名程序员、处理数百万行代码的大型开发团队，而这些团队中常常没有人完全清楚代码的整体情况。对此，我觉得这是一个非常适合AI的应用场景。我希望他们能赚钱。
一开始你提到，上下文窗口的扩展、代理和“文本到行动”的结合将带来不可想象的影响。首先，为什么这种结合如此重要？其次，虽然你并不是一个能预见未来的水晶球，但为什么你认为这种影响会超出我们想象的范围？
我认为主要原因是上下文窗口的扩展能够解决“时效性”问题。当前的模型通常需要大约一年左右的时间来训练，有时候是六个月到十八个月不等。上下文窗口的扩展意味着，随着它可以获取实时信息，你可以向模型提问关于当前事件的问题，比如“哈马斯和以色列战争”的相关问题。这赋予了AI实时处理最新信息的能力，类似于Google的功能。
关于代理模型的例子，我可以举个例子：假设你设立了一个基金会，资助一个非营利项目。这里有一个名为ChemCrow的工具，这是一个基于LLM的系统，它学习了化学知识。这个系统通过生成化学假设，比如关于蛋白质的假设，然后交给实验室在夜间进行测试，模型再根据测试结果进行学习。这大大加速了化学和材料科学等领域的研究进程。这就是一个代理模型的应用。
至于“文本到行动”的应用，想象一下你有大量的廉价程序员，而不仅仅是让他们做简单的任务，比如开关灯。我指的是更复杂的应用。比如说，你不喜欢Google，于是你让AI为你构建一个Google的竞争对手。你可以让它搜索网页，构建用户界面，添加生成式AI功能，并在30秒内完成，然后看看它是否奏效。这就是AI的强大之处，它能够以极快的速度完成复杂的任务。
很多人认为，像Google这样的现有公司面临着这种攻击的潜在威胁。我们拭目以待。
我们如何防止AI在公众舆论上产生影响，尤其是在即将到来的选举中，避免虚假信息的传播？短期和长期的解决方案是什么？
在即将到来的选举和全球范围内，大多数的虚假信息将出现在社交媒体上，而目前的社交媒体公司还没有组织得足够好，无法有效地进行监管。举个例子，TikTok就被指控偏向某类虚假信息，尽管这些指控没有确凿的证据，但有许多人声称中国在背后施加压力。
我们确实面临着一场混乱的局面，这个国家将不得不学会批判性思维。虽然对于美国来说，这可能是一个非常困难的挑战，但仅仅因为某人告诉你一件事，并不意味着那件事就是真的。这是我们必须面对的现实。
这个问题也可能走向另一个极端——真实的事情没人再相信了。这种情况可能导致所谓的“认识论危机”，即人们开始质疑一切。比如有人可能会说：“我从未做过那件事，证明给我看。”我们可以拿唐纳德·特朗普为例。这反映了我们社会中存在的信任问题。
民主制度是有可能失败的，而我认为民主面临的最大威胁就是虚假信息，因为我们在制造虚假信息方面会变得非常擅长。当我管理YouTube时，我们面临的最大问题之一就是人们上传虚假视频，这些视频导致了人员伤亡。我们当时有一个“零死亡政策”，这种情况让人震惊。
我没有一个完美的解决方案，但有一个技术性的思路可以部分缓解这个问题，那就是公钥认证。我不明白为什么这种方法没有被更广泛地使用。比如，当乔·拜登发表讲话时，为什么不对其进行数字签名，类似于SSL证书的认证方式？
但现实是，CEO们的目标通常是最大化收入。为了最大化收入，他们需要最大化用户的参与度，而为了最大化参与度，他们往往会最大化用户的愤怒情绪。算法会倾向于选择那些引发愤怒的内容，因为这能够带来更多的收入。因此，整个系统有一种偏向于推动极端内容的倾向，而且这种情况存在于各个立场上。我并不是在发表党派言论，这的确是一个问题，而这个问题在民主制度中必须得到解决。
至于TikTok的解决方案，我在私下谈过。回想我小时候，有一条叫做“平等时间规则”的规定。因为TikTok其实并不只是社交媒体，它的影响力远超社交网络，这一点必须引起关注。
关于劳动力市场的影响
作为一名由我自己教导的业余经济学家，我坚信那些接受过大学教育、具备高技能的人会没问题，因为他们会与这些系统共事。我认为这些AI系统与之前的任何技术浪潮没有太大不同。危险的工作和那些不需要太多判断力的工作将会被取代。
对于计算机科学教育的影响
对于文本到行动对计算机科学教育的影响，我的看法是，本科阶段的计算机科学学生将始终会有一个编程助手在身边。当你学习第一个for循环时，你会有一个工具作为你的自然伙伴，而教授将专注于教授概念和安全性等方面的知识。这就是教学的未来方向。
关于与美国结盟的国家，你如何看待那些处于中间位置、尚未正式结盟的国家？它们有多大可能加入我们，并帮助确保我们的技术领先地位？有什么因素可能会阻止它们加入？
最有趣的国家是印度。顶尖的AI人才从印度来到美国工作，我们应该让印度留住一些顶尖人才，不是全部，但至少一部分。印度缺乏我们这里丰富的培训设施和项目。所以在这一点上，印度是一个关键的“摇摆州”。
中国已经失去了与我们的竞争力，不会再有回归的机会了。日本和韩国显然站在我们这一边。台湾是一个了不起的地区，硬件技术非常先进，但他们的软件技术却相当薄弱，所以在这一点上无法发挥太大作用。
至于世界上的其他国家，规模较大的、可选择的并不多。
德国和整个欧洲在布鲁塞尔的政策下确实陷入了困境，这已经不是什么新鲜事了。我花了十年时间努力推动他们修正欧盟法案，但他们仍然保留了许多限制，这使得在欧洲进行我们的研究非常困难。我的法国朋友们花了很多时间与布鲁塞尔作斗争。而马克龙（他是我的私人朋友）正在为此奋斗。所以，我认为法国有机会，但我不认为德国能跟上，其他国家的规模都不够大。
我知道您是工程师出身，并且从事编译器相关的工作。鉴于您设想这些模型将具备的能力，我们还应该继续花时间学习编程吗？
当然应该。因为这就像为什么我们还要学习英语写作，即使我们能说英语？这是为了提高我们的能力。同样的道理，你确实需要理解这些系统是如何工作的，我对此感到非常强烈。
您是否探索过分布式计算环境？
是的，我们非常认真地研究了这个问题。算法的工作方式涉及一个非常大的矩阵，本质上是一种乘法运算。你可以把它想象成系统在不断地来回运算，而这些系统的性能完全受到内存与CPU或GPU之间速度的限制。事实上，NVIDIA的下一代芯片已经将所有这些功能整合到一个芯片中。这些芯片现在变得如此庞大，它们需要粘合在一起，甚至它们的封装也变得非常敏感，必须在无尘室中进行封装，就像制造芯片本身一样。所以，答案似乎是，超级计算机和光速，特别是内存互连，依然是主导因素。因此，我认为短期内通过分布式计算方式提升性能的可能性不大。
有没有可能通过分割LLM（大语言模型）来优化呢？去年Jeff Dean在这里演讲时提到，可以将不同部分的模型分开训练，然后将它们联合起来。这样的方式是否可行？
要实现这种方法，你可能需要数以千万计的这样的部分。Jeff Dean提到的那些方式更多的是在更高层级进行分割，像8个、10个或12个部分的训练，而不是更底层的分割。
发布GPT-2之后，《纽约时报》起诉了OpenAI，指控他们在训练中使用了其作品。你认为这会朝什么方向发展？对数据隐私意味着什么？
我过去曾处理过许多与音乐许可相关的工作。从中我了解到，在60年代，有一系列诉讼导致了一项协议的达成。根据这项协议，每当你的歌曲被播放时，即使他们不知道你是谁，你也会获得一笔约定的版税报酬。我猜AI领域最终可能也会走向类似的方向。
会有许多诉讼，最终可能会达成某种约定协议。这个协议可能会规定，AI公司必须支付一定比例的收入，以便使用数据，这可能类似于ASCAP或BMI这样的机构（美国作曲家、作家和出版者协会），你可以查一下它们的历史，这对你来说可能显得很老旧，但我认为这最终是AI数据许可问题的解决方式。
看起来AI领域现在被少数几家公司主导了，这些大公司将继续主导AI领域，而且它们似乎与目前反垄断法规关注的大型公司重叠。你提到的这两种趋势——大型科技公司与反垄断法规之间的关系，我怎么看？
在我的职业生涯中，我曾帮助推动微软被拆分，但最终没有成功；同时，我也曾为谷歌争取不被拆分，最终也没被拆分。所以，从目前的趋势来看，大公司不太可能会被拆分。
只要这些公司不变得像约翰·D·洛克菲勒那样，我不认为政府会采取行动。你可以去查一下，这是反垄断法的起源之一。当前这些大型公司之所以占据主导地位，是因为只有它们拥有足够的资本来建设这些庞大的数据中心。
比如，我的朋友Reed和Mustafa将在两周后过来。他们做出了一个决定，将他们的公司Inflection的部分业务与微软整合在一起。基本上，他们意识到自己无法筹集到数百亿的资金来继续独立运营。这笔巨大的资金需求就是为什么这些大型公司最终能够主导AI领域的原因。
对于那些不参与前沿模型开发和没有足够计算资源的国家，他们的处境会如何？
老实说，这是一场富裕国家的游戏。拥有庞大的资本、技术精湛的人才，以及强大的政府支持，都是至关重要的。有些国家在这些方面都没有足够的资源，它们将不得不寻找合作伙伴，与其他国家结盟，才能参与到这场竞争中去。否则，它们只能尽力而为，跟上进展。
给年轻人创业建议
我在商学院教授相关课程，你们可以来上我的课。让我感到震撼的是，现在能够如此快速地展示新想法。在我参加的一个黑客马拉松中，获胜的团队任务是让无人机在两个塔之间飞行。他们使用虚拟无人机空间，理解了“之间”这个词的含义，生成了Python代码，并让无人机在模拟器中成功飞行通过塔楼。过去，专业程序员可能需要一两周才能完成这个任务。
我告诉你们，快速原型设计的能力现在至关重要。作为企业家，事情发生得非常快。如果你不能在一天内使用各种工具构建出你的原型，你需要重新考虑，因为你的竞争对手可能正在另一个公司或大学里做着同样的事情。
所以，我最大的建议是，当你开始考虑创办公司时，写商业计划是没问题的——事实上，你应该让计算机帮你写商业计划（前提是这合法）。但更重要的是，尽可能快地利用这些工具原型化你的想法。因为你可以肯定，在另一个你不曾去过的地方，有人正在做同样的事情。