アレックス・ワン：なぜデータがAIモデルのパフォーマンスにおけるボトルネックなのか | E1164

23,974 文字

今日のAI技術は、人類が今まで見てきた中で最も重要な軍事資産となる可能性を秘めています。核兵器以上の軍事的価値を持つ可能性すらあります。仮に今日、中国やロシアがAGIを手に入れ、アメリカが持っていなかったとしたら、彼らはそれを征服のために使うでしょう。中国共産党のシステムは、重要な産業を推進するために、非常に攻撃的な中央集権的行動と産業政策を取ることに長けています。彼らには前進する明確な道筋があります。
アレックス、今日は直接お会いできて嬉しいです。来ていただきありがとうございます。
ええ、こちらこそ。
面白いことに、私がツイートで言ったように、創業の話は既に何度もされているので、今日は直接本題に入りたいと思います。現在のモデルのパフォーマンスについて、高いレベルから見て、より多くのコンピューティングパワーがより良いパフォーマンスにつながらないという収穫逓減のケースが見られていると思いますか？
それは非常に興味深い質問ですね。特に今、GPT-4の話題が出てきていますが、OpenAIは2022年の秋からGPT-4を持っていて、それ以降、GPT-4を劇的に上回る新しいベースモデルや新しいモデルはまだ登場していません。GPT-4.5やGPT-5も出ていませんし、他の研究所も、はるかに多くのコンピューティングリソースを投入しているにもかかわらず、GPT-4をはるかに上回るモデルを出していません。
ChatGPTが登場して以降、NVIDIAの収益のグラフを見ると、GPT-4の登場後に急上昇しています。NVIDIAのデータセンター収益は四半期あたり約50億ドルだったのが、今では200億ドル以上に跳ね上がっています。高性能なNVIDIA GPUに数百億ドル以上が投資されていますが、この大きな投資の前に登場したGPT-4以降、大きなブレークスルーは見られていません。コンピューティングへの投資は劇的に、指数関数的に増加していますが、私たちコミュニティや業界は、次の素晴らしいモデルを待っている状態だと思います。
私たちは、パフォーマンスの漸近線に達し、実際にパフォーマンスが横ばいになる時期を迎えているのでしょうか？そして、それは月単位のものなのか、それとも自動運転のように数年間の停滞期間を経て、最近になってようやく再び上昇しているような状況なのでしょうか？
これは興味深い問題です。AIモデルには3つの要素、3つの柱があります。コンピューティング、データ、そしてアルゴリズムです。AIの歴史を見ると、進歩はこれら3つの柱が同時に築かれることで生まれてきました。確かに、大量の計算能力は必要ですが、トランスフォーマーやRHF、あるいは将来のアルゴリズムの進歩のようなアルゴリズムの進歩も必要です。
そして、それを支えるデータの柱も必要です。最近見られる停滞は、高いレベルで見ると、データの壁に突き当たっていることで説明できます。GPT-4は基本的にインターネットのほぼすべてのデータを使って訓練されたモデルでした。業界が過去数年間行ってきたことの多くは、計算能力を劇的に拡大することでしたが、必ずしも他の2つの柱を同時に構築してきたわけではありません。アルゴリズムの改善とともに、特にそれを支えるデータがより多く必要だと確保する必要があります。
データの壁とは何で、それを乗り越えるために何ができるのでしょうか？
非常に高いレベルで見ると、私たちは簡単に手に入るデータをすべて使い切ってしまいました。インターネット上のデータをすべて使い切ってしまったのです。Common CrawlやそれのGPT-4以降の新しいバージョンを考えてみましょう。簡単に手に入るデータとは、ソーシャルメディア上のもの、有料の壁の向こう側にないもの、クロールが容易で無料なもの、あるいはトレントでダウンロードできるものなどです。多くのモデルにトレントからのデータが含まれているという報告もあります。基本的に、既に書き留められていて、オープンなインターネットから簡単に入手できるものすべてです。
AIの進歩の第一段階の多くは、事前学習の進歩でした。これは基本的に、インターネットを非常に上手くエミュレートできるようにモデルを訓練することです。現在、これらのモデルはインターネットのエミュレートにおいて、人間よりもはるかに優れています。しかし、問題は、AGIや強力なAIシステムを考えるとき、私たちはインターネットのエミュレート以上のものを求めているということです。タスクを実行できるAIシステム、難しい問題を解決できるAIシステム、人間が日常の問題を解決するために協力できるAIシステムが必要です。このようなエージェントやAIモデルを構築するプロセスは、インターネットのデータだけでは達成できません。そして、私たちは既にすべてのインターネットデータを使い切ってしまいました。
なぜインターネットのデータだけでは、効果的なエージェントや、サラ・タンペルが適切に指摘したように、ツールを売るのではなく仕事をこなすソフトウェアへの移行ができないのでしょうか？
単純な答えは、人間がより複雑なタスクを実行する際の思考プロセスや考え方の多くが、インターネット上に書き記されていないということです。例えば、大手銀行の不正分析担当者として、怪しい取引のセットに基づいて、それが不正取引かどうかを理解することが仕事だとします。様々なデータを分析し、演繹的推論を行い、人間の知性をすべて使ってその判断を下す必要があります。しかし、そのプロセスについて、「このデータを見て、あのデータを見て、そこからこれを推論した」というように、ステップバイステップで書き記すことはありません。それらはインターネット上に書き記されることはなく、後にモデルがクロールすることもできません。
つまり、今日の経済を動かしているすべての推論と思考は、インターネット上に記録されていないのです。したがって、インターネットだけで訓練すると、モデルはそれらすべてから学ぶ能力を持つことができません。
既に言及した不正分析担当者の思考プロセス、分析、内部会議での議論など、まだデータセットに成文化されていないデータをどのように体系化し、キャプチャすればよいのでしょうか？その作業を可能にするにはどうすればよいでしょうか？
私たちの考え、あるいは私が本当に信じていることは、これからはフロンティアデータが必要だということです。フロンティアデータの豊富さが必要です。現在、私たちはデータ不足のマインドセットにあり、データの壁に直面しています。私の考えるフロンティアデータとは、複雑な推論の連鎖、複雑な議論、モデルのエージェントの連鎖がデータを探し、推論を行い、別のデータを探し、エラーがあれば修正するといったものです。ツールの使用など、エージェントが行うことができると考えられるすべての重要な要素を、フロンティアデータに組み込む必要があります。これらすべてが、これらのモデルの将来の能力を支えるフロンティアデータに組み込まれる必要があります。
そのデータをどのようにキャプチャすればよいのでしょうか？
基本的に3つの柱の組み合わせで構築する必要があると考えています。まず、今日の世界の企業に閉じ込められているデータが大量にあります。それらはごく当然の理由でインターネットには出ていませんが、規模感を理解していただくために、例えばJPモルガンの独自の内部データセットは150ペタバイトあります。GPT-4が訓練されたインターネットのデータセットは1ペタバイト未満でした。大企業の内部に存在するデータ量は、まさに天文学的なものです。
したがって、既存の企業データからすべての価値を引き出すというプロセスがひとつありますが、それはオープンソース化されることはないでしょう。これはすべて独自のものであり、そのカスタマーにのみ提供されます。
これは、各企業が自社の非常に重要な問題のセットを持ち、既存のデータをすべてマイニングし、そのデータを精製してAIシステムが自社の問題を解決するために使用できるようにするプロセスでなければなりません。
収穫逓減の話に戻りますが、先日、世界で最も影響力のあるCTOの一人と話をしましたが、その人は、この収穫逓減の問題における本当のブレークスルーは、私たちが本当に推論を解決できるかどうかだと言っていました。推論を解決する能力と、それを支えるデータの影響について、どのようにお考えですか？
これらのモデルができることを見ると、以前に多くのデータを見たことがある状況では、非常に優れた推論を行うことができます。私たちはこれらのAIを小さな人間の知性のように考えたがりますが、それらは非常に異なります。人間の知性と機械の知性は非常に異なります。人間は非常に一般的な形の知性を持っており、素晴らしい能力を持っています。例えば、人間の子供が小さな近所で育ったとしても、その小さな近所で一生を過ごした後、世界の全く異なる場所に行っても、何が起きているのかを理解し、ナビゲートすることができます。今日のAIシステムは、そのレベルの状況から状況への移転と、何が起きているのかを理解することはできません。
したがって、これは制限であることを認識する必要がありますが、それは、私たちがこれらのモデルに良いパフォーマンスを期待するどの状況についても、その状況のデータが必要だということを意味します。そして実際、モデルは非常に良いパフォーマンスを発揮するでしょう。
現在のモデルに存在する推論のギャップを解決する方法には、基本的に2つの方法があります。1つは、明らかに何らかの一般的な推論能力を構築することで、これは確かに大きなブレークスルーになるでしょう。もう1つは、データの問題です。これらのモデルに推論してほしいすべてのシナリオについてデータが必要で、それらのすべてのシナリオでデータで圧倒する必要があります。そうすれば、本当に上手く推論できるモデルが得られるでしょう。
JPモルガンや政府、あるいは大企業が持つ膨大なデータ量を理解しつつも、それが独自のものであり、世界や人類、あるいはこれらのブレークスルーの恩恵を全ての人が受けられるような一般化されたモデルには実際には活用されないことを考えると、データの不足からデータの豊富さへどのように移行すればよいのでしょうか？それは私たちが作る合成データなのでしょうか？
そうですね、2つ目の部分は、ご指摘の通り、新しく生成する必要のあるデータです。GPT-4からGPT-10に進むためには、新しいフロンティアデータの生産手段が必要です。これは、チップについて考えるとき、非常に自然なことです。より多くのファブ、より大きなファブを建設し、解像度を上げ、より小さなナノメートルのファブを作る必要があります。コンピューティングについては、生産手段を増やすことを考えるのは非常に自然ですが、データについてはそのように考えていないと思います。同様のことを行う必要があります。
このデータ生産のプロセスは、人間と合成の組み合わせ、ハイブリッドなプロセスだと考えています。合成データを生成する上で多くの重労働を行うアルゴリズムが必要ですが、AIシステムがスタックしたとき、事実の問題がある場合、あるいは以前に遭遇したことのない状況にある場合に、AIシステムを導くことができる人間の専門家も必要です。
別の見方をすれば、自動運転車のスケールアップの多くは、セーフティドライバーを通じて行われてきました。車内にセーフティドライバーがいて、車が失敗し始めたときにはセーフティドライバーが解除して制御を引き継ぎます。AIシステムにもそのようなセットアップが必要です。AIモデルが大量のデータを生成し、必要に応じて人間が介入してモデルを導き、本当に高品質なデータを確保できるようにする必要があります。
今日の組織の構造において、それはどのように見えるのでしょうか？AIプロンプターではないですが、このような...セーバーのような新しい役割を作る必要があるのでしょうか？
トレーナーという言葉もありますし、コントリビューターという言葉もあります。このAIへのデータ提供のプロセスは、実際、人間が持つことのできる最も影響力の高い仕事の一つだと思います。その理由は、例えば私が数学者だとして、穴に籠もって純粋数学の研究をするというのが人生の一つの軌道です。もう一つの軌道は、私のすべてのスキル、才能、知性を使って、これらのAIモデルをよりスマートにすることを手助けすることです。
例えば、GPT-4の数学能力を少しだけ向上させたとしても、GPT-4が呼び出され、使用されるすべての機会、GPT-4を使用するすべての数学の学生、GPT-4を使用するすべての企業、GPT-4を使用するすべての開発者にわたって、その小さな改善を合計すると、それは大きな影響となります。人間の専門家として、これらのモデルを改善するためのデータを生成することで、社会全体に影響を与える能力があります。科学者、数学者、医師など、世界の人間の専門家にとって、自分の能力、知性、トレーニングをすべて、社会全体に影響を与えることができるモデルに伝達できるというのは、非常にエキサイティングな提案だと思います。
データの構造についてはどのようにお考えでしょうか？データガバナンスにおける最大の課題は、実際にはその構造と清潔さだと言われることが多いですが、JPモルガンの150ペタバイトのデータを見ると、私にはわかりませんが、多くのモデルが効率的に取り込むために完璧に構造化されているとは思えません。大企業が持つこの巨大なデータセットの構造化と、それがもたらす課題についてどのようにお考えですか？
2つの並行した取り組みがあります。1つは既存のデータのマイニングで、これは一回限りの効果があり、既存のデータをマイニングすることで一回限りの利益が得られます。それは非常に意味のあるものになる可能性があります。
5年後には、すべての企業が内部の最大のデータソースをマイニングしていると思いますか？
すべての企業がそうするとは思いませんが、確実に最も洗練された企業はそうするでしょう。そして、その時点でも、私たちはまだモデルをより良くする必要があり、結局のところ、すべては生産に帰着します。チップやその他の重要なものと同じように、将来の生産手段が必要になります。
既存のマイニングについて、他の形態があると言われましたね。
データマイニングと、将来のデータ生産、これが2つの主要な方向性です。これらがデータの供給源となります。より広い視点から見ると、この時点でのAIの進歩は、根本的にデータによってボトルネックが生じていると思います。もし私たちがコンピューティングとデータを同時に生産できれば、つまりNVIDIAが数千億ドル規模のチップを製造し続けるのに比例してデータを生産でき、これら2つを同時に生産できれば、私たちは天文学的に能力の高いモデルを手に入れることができるでしょう。
データの供給側を増やす具体的な方法とは何でしょうか？私の頭に浮かぶのは、実際にDan SocrateのLimitlessのようなものです。Limitlessの創業者のDanを知っていますか？彼はOptimizelyの創業者でしたが、基本的に、あなたが言ったり行ったりするすべてのことを記録する新しいハードウェアデバイスを持っており、あなたが今まで一日の中で言ったすべてのことを持っているので、あなた専用のAIを生成します。これは私の考えでは、新しい形のデータ創造ですが、データの供給側をどのように増やせばよいのでしょうか？
おそらく2つの主要な部分があります。1つは、Limitlessやその他の取り組みのように、基本的により縦断的なデータ収集、世界で自然に起こっていることをより多く収集することです。これにはいくつかの形態があります。
1つは職場において、不気味に聞こえるかもしれませんが、どのようなアプリを使用しているか、アプリをどのような順序で使用しているか、どこから何をコピー＆ペーストしているかなど、ある種の常時データ収集が必要になるでしょう。RPAやUIパスのフローで、これらの多くを既に持っています。
そうですね、プロセスマイニングというのがSaaSの用語の一つですが、基本的には既存の企業プロセスの継続的な収集です。
次に、あなたが言及したような消費者バージョン、あるいはMetaのRay-Banとのコラボレーションのようなもの、あるいは最終的にどのようなデバイスであれ、自分の人生の縦断的な視点を収集するものがあります。
そして、以前言及した2つのこと、つまり企業のプロセスマイニングと、より良い言葉がないので消費者データ収集と呼びますが、これらはすべて価値のあるデータセットを生成しますが、実際にモデルを前進させるデータは生成しません。モデルを前進させるには、モデルができることの境界を押し広げることができる、本当に高度に複雑なデータが必要です。
これがエージェント的な行動が必要な部分であり、複雑な推論の連鎖が必要な部分であり、高度なコードデータ、あるいは高度な物理学、生物学、化学のデータが必要な部分です。これらがモデルの境界を押し広げるために本当に必要なものです。これはグローバルなインフラレベルの取り組みが必要だと思います。世界の専門家がモデルと協力して、世界最高の科学者や最高のプログラマー、数学者になれるAIシステムを生み出すにはどうすればよいかを考える必要があります。
モデルの商品化について、誰もが言うように、これらのデータソースへの独占的なアクセスについてどのようにお考えですか？以前、人々は私に、失礼ながらOpenAIのモデルは必ずしも優れているわけではなく、単によりよいデータへのアクセスを持っており、より多くのデータを購入したなどと言っていました。データが過去のパフォーマンスの優位性の中心的な要素だったとすれば、他のモデルがアクセスできないデータに1つのモデルがアクセスする状況を見ることになるのでしょうか？データへの公平で公正なアクセスについてどのようにお考えですか？
実際、ご指摘の通り、これらの異なるモデルプロバイダー同士の競争の場を考えると、アルゴリズム、コンピューティング、データという3つの柱があり、データは実際に本当の競争優位性が生まれる可能性のある主要な柱の一つだと思います。
このLLMレースや基盤モデルのゲームにおいて、どこに堀があるのか、あるいはどこに堀があり得るのかを考えると、データは持続可能な競争優位性を生み出せる数少ない分野の一つだと思います。なぜなら、アルゴリズムはIPであり、いずれ業界全体が学ぶことになります。コンピューティングは、他の人よりも多くを持つことはできますが、他の人はただお金を使ってそのコンピューティングを購入することができます。データは、実際に長期的な持続可能な競争優位性を生み出すことができる数少ない分野の一つです。
そうですね。OpenAIの契約を見ると、明らかにFTと提携してFTの歴史的なライブラリへのアクセスを得ており、Axel Springerとも実際にかなりの数の契約を結んでいると思います。これは、他の多くのモデルが持っていないアクセスであり、それらの分野に関するクエリで、彼らのコンテンツを優れたものにするでしょう。
その通りです。これは、データを競争優位性として考えるこの形の思考の始まりだと思います。FTやAxel Springerはその最初の兆候ですが、将来的には、これらの研究所は、競合他社と比較して差別化するためにどのようなデータを使用するのか、そのデータをどのように生産するのか、そしてそれによってどのような長期的な競争優位性が生まれるのかについて、多くの考慮を払うことになるでしょう。
データ戦略を構築して、時間とともに市場での差別化を促進する企業が出てくると予想しています。これは非常にエキサイティングだと思います。別の見方をすれば、現在、サンフランシスコでは、大手研究者やCEOたちは、自分たちが持っているGPUの数を自慢しています。AIにどれだけ真剣に取り組んでいるかを示す最大の指標は、持っているGPUの数です。
しかし、将来的には、彼らはどのようなデータにアクセスできるか、どれだけのデータを生産しているか、どのようなデータソースへの独自の権利を持っているかを自慢することになると思います。それが、ただJensenが何十万台のGPUを提供しているかということよりも、将来的には主要な競争の場になると思います。
データ戦略が潜在的に勝利や競争できる要素になり得ることを考えると、時間とともにこれらのモデルの商品化が進まないと思いますか？
2つの未来があります。1つは、データ戦略さえも非常に早く商品化され、異なる企業や研究所が互いにコピーしたり、すべてが同じ方向に収束したりする未来です。特にコンテンツプロデューサーの多くは、1つのモデルと排他的な契約を結び、他のモデルとは契約を結ばないということはしないでしょう。
そうすると、異なる研究所が独自のデータセットを生産する戦略を持つ必要があることになります。例えば、Anthropicは企業のユースケースに多くの焦点を当てており、おそらく、それらの企業のユースケースを支援する新しいデータへの非常に差別化されたアクセスを可能にするデータ戦略を開発する必要があります。あるいは、ChatGPTを持つOpenAIは、すべてのユーザーやリーチを活用できる独自のデータ戦略を開発する必要があるかもしれません。各研究所は、将来に向けて独自で差別化されたデータを得られる方向に傾注する必要があると思います。
オンプレミスへの回帰が見られると思いますか？話題が飛び飛びで申し訳ありませんが、この会話を楽しんでいるので。JPモルガンの150ペタバイトのデータを考えると、彼らが「はい、最も機密性の高いデータをすべてクラウドに投げ込みます」とは言わないと思います。大企業のためのオンプレミスへの回帰と、オンプレミスで動作するモデルが見られるでしょうか？
これらの大企業や、その企業内のリーダーたちと話をすると、あなたが指摘したような事実に彼らはすぐに気付いています。それは、AI世界において、彼らの企業データが唯一の競争優位性になる可能性があるということです。したがって、彼らはデータを何らかの形でモデル開発者がアクセスできるようにしたり、何らかの形で共有したりするような取引をすることに対して、非常に非常に慎重です。なぜなら、彼らは自分たちの将来全体を抵当に入れてしまう可能性があるからです。
彼らは非常に非常に慎重であり、これが実際、オープンソースモデルやLlamaモデル、Mistralモデルなど、基本的にオンプレミスで動作し、企業が自社のデータの上でカスタマイズでき、モデル開発者やクラウドに戻す必要のないモデルにとって、非常に大きな機会があると考える理由です。大きな未開拓のニーズがあり、これこそが多くの真剣な企業が向かう方向だと思います。私のデータは、競合他社を改善するために使用されないという非常に強力な保証が必要なのです。
実際、AI関連サービスは今後5年間でAIモデル自体よりも多くの収益を生み出すと思います。確かExcentは生成AIから24億ドルの収益を上げ、OpenAIは20億ドルだったと思います。今日のScale AIで最大手企業と仕事をする中で、サービスコンポーネントについてどうお考えですか？大企業にとって学習と導入の曲線は課題となっていますが、今後数年間で教育の曲線を拡大していく中で、これをコアビジネスの一部として見ていますか？
まず、あなたの指摘は正しいと思います。AIから生み出される価値は確実に膨大なものになりますが、その価値がどこで獲得されるのかという非常に自然な疑問があります。アンディ・グローブの「High Output Management」を読み返すと、インテルにとって、最初は価値獲得がここにあると思っていたが、実際には別の部分にあることに気付き、そちらに移行し、さらに移行しなければならなかったという章があります。これは信じられないケーススタディです。
約10年前、テクノロジーの異なる時代にそれを読んだとき、これは奇妙で、あまり関連性がないように感じました。しかし今、AIにおいて、それが再び見られています。非常に新しく、価値がスタックのどこに蓄積されるかは、常に移動しているように感じます。あなたの指摘に同意します。モデル自体には非常に多くの競争があり、モデル自体にどれだけの価値が蓄積されるかはわかりません。しかし、モデルの上とモデルの下のすべてには、価値が蓄積されると確信しています。
インフラストラクチャについて言えば、NVIDIAは今日、AIを基盤として構築された最大の企業です。世界で3番目に価値のある企業です。NVIDIAはMeta、Google、Amazon、サウジアラムコよりも時価総額が高いのです。本当に驚くべきことです。これはモデルの下にあたります。そしてモデルの上には、その上に構築されるすべてのアプリケーションやサービスがあります。
実際、今朝ここに来る途中で誰かと議論していました。確かに、Notion AIがあり、ストレージ会社のBoxが既存のストレージ製品にAIソリューションを実装して、情報をより良く抽出できるようにしようとしています。しかし、Salesforceは今や一桁の成長率になっています。つまり、これらの機能の商品化は、私たちにとってより良い製品をもたらしますが、価格の上昇という形での価値抽出は得られないかもしれません。これについてどうお考えですか？
この点について、私たちの考えは、Chris Pikeによる「ソフトウェアの終焉」という記事が出回りました。意図的に挑発的な視点だったと思いますが、ある意味で真実だと思える版があります。
記事を読んでいない人のために、基本的な前提を説明していただけますか？
彼は基本的に、今日のソフトウェア企業をソーシャルメディア以前のメディア企業に比較しました。素晴らしい比較だと思いました。大まかな比較は、メディアの古い時代には、すべての専門家が非常に差別化されたコンテンツを制作する素晴らしいメディア企業がありましたが、その後、ソーシャルメディアとインターネット全般によって破壊されました。
なぜなら、突然、コンテンツ制作コストというよりもコンテンツ配信コストが劇的に下がったことで、メディア消費の世界は、大手メディアプロデューサーの囲い込まれた庭から、あなたにとって興味深い誰かが制作したメディアを消費する、より広い星座のようなものに変わったからです。
基本的に、これがソフトウェアに起ころうとしていることへの比較です。現在、企業は少数のソフトウェアプロバイダーの囲い込まれた庭に住んでいますが、生成AIやその他のトレンドにより、これらのすべてのアプリやポイントソリューション、さまざまなソフトウェアプロバイダーの星座へのポータルを持つことになり、少数の囲い込まれたSaaSアプリの現在の世界から、より分散化された宇宙へと移行することになります。
これに同意しますか？意図的に挑発的ですよね。
しかし、一つ真実だと思うのは、企業や世界全体がより高いレベルのカスタマイズを要求するようになり、彼らのビジネスに手袋のようにぴったりと合った、本当に目的に合わせて作られたものを要求するようになるということです。
この方向に向かった最初のテクノロジー企業は、Palantirでした。彼らは長い間悪評を得ていました。なぜなら、誰もがPalantirをただのコンサルティング会社だと思っていたからです。しかし、Palantirの視点は、同じく挑発的でしたが、企業に入り込み、彼らの問題を正確に理解し、彼らのためにすべてのデータを接続する完璧なアプリケーションを構築することでした。
彼らはこれを生成AIやこの動きをより実現可能にするこれらのツールが登場する前に行いましたが、世界がこの方向に向かっているという要素があると思います。特にソフトウェアの生産コストとソフトウェア作成コストが劇的に下がっているため、企業が消費するソフトウェアがより多くカスタマイズされ、カスタムビルドされ、彼らの問題のために目的に合わせて作られた世界に向かうことになるでしょう。
これは大企業のエンジニアリングチームの構成にどのような意味を持ちますか？チームは縮小するのでしょうか？異なることに焦点を当てるのでしょうか？世界最高のプロンプターのチームだけを持つことになるのでしょうか？エンジニアリングチームの構造の変化についてどのようにお考えですか？
ソフトウェアエンジニアリング全般が劇的に変化すると思います。今日、開発者が多くの時間を費やしていることの多くは、モデルが改善されるにつれて、将来的には時間を費やす必要がなくなるでしょう。しかし、彼らが行うことの中で、取り替えのきかない大きな部分は確実にあります。
時間とともに、特に本当に価値があるのは、顧客の問題や解決すべき問題を、エンジニアリングの問題に翻訳し、AIエンジニアが解決できるスコープされたチケットのようなものに変換するという一般的なプロセスです。
誰もが、今後はユーザーごとの価格設定の終わりが来ると言っています。先ほどChrisの挑発的な記事についても触れましたが、誰もがソフトウェアの次の波でユーザーごとの価格設定の終わりについて話しています。特にデータの観点から、より消費ベースの価格モデルに沿った価格設定が見られる可能性がありますが、これが本当に主流になると思いますか？
ユーザーごとの価格設定が将来的に意味をなさない理由は、今日の企業では、確かに生産的な仕事のほとんどは従業員、つまり人々によって行われているからです。しかし、より多くの仕事がAIエージェントやAIモデルによって行われる未来では、ユーザーごとの価格設定は意味をなさなくなります。
なぜなら、ソフトウェアやソリューションのプロバイダーとして、人々に提供する価値だけでなく、あなたのエージェントやAIシステムが生み出す価値も確実に捕捉したいからです。そのため、世界の多くがユーザーごとの価格設定から消費ベースの価格設定に移行すると思います。
私の最大の懸念の一つは、もちろん私たちはロンドンにいて、長い昼休みと規制に特化していますが、ロンドンをけなすつもりはありません。しかし、消費者データ保護法やデータアクセスに関する不必要な規制により、イノベーションが阻害されるような規制条項が見られるのではないかと本当に心配しています。この懸念は正当だと思いますか？また、規制によるデータアクセスの問題にどのように対処していますか？
これは非常に重要な指摘です。確かにEUでは、データに対してとても制限的なアプローチを取っています。私個人の信念として、データに対してより許容的な規制は、リベラルな民主主義と矛盾するものではないと思います。データアクセスのより自由な規定は、実際にリベラルな民主主義と非常に両立可能です。
社会として、そこでの適切なバランスと、その円を四角くする方法を見出す必要がありますが、これは非常に重要な問題だと思います。なぜなら、アメリカでは、チップ生産を遅らせないようにする方法や、大量のチップを製造し続けられるようにする方法について、膨大な努力と本当の規制努力が行われているからです。
データについても同様のレンズを通して考える必要があります。アメリカでもイギリスでも、政策の観点から、国として、これらのモデルの将来のデータ生産において、自らの手を縛ることがないようにするにはどうすればよいのでしょうか。
現在のアメリカは、その点で自らの手を縛っていると思いますか？
私たちは確実にデータに対して積極的な規制を取っていません。
データに対して積極的な規制とはどのようなものでしょうか？
いくつかのことがあると思います。まず、特定のプレイヤーに独占的な優位性をもたらさないような大規模なデータセットがあり、それらは産業全体でアクセス可能にする必要があります。
簡単な例を挙げると、航空宇宙の安全データは、明らかに現在ホットな話題ですが、産業全体を前進させる目的で集約すべきです。あるいは、先ほど例に挙げた金融サービスの不正と法令順守のデータは、集約され、将来の能力を構築すべきです。
つまり、データプーリングによって産業全体を前進させるべき産業分野全体があると思います。そして、多くの消費者向けの分野では、既存の制限がAIの進歩を妨げないように、それらを検討する必要があります。
ここでの素晴らしい例は、実際にはヘルスケアにおけるHIPAAです。現在、HIPAAやその他の個人情報保護規制は、基本的に患者データをAIモデルの訓練に使用することを妨げていますが、文明として、人類として、将来の病気の治療方法を学ぶために、既存の医療データからすべて学ぶべきだということには同意できると思います。
したがって、非常に明確な匿名化規定や、将来の健康上の成果を改善するために既存の患者データを使用できる、非常に明確で明白な方法を見出す必要があります。
全く同意です。実際、中国は米国と比べてAIの進歩において2年遅れていると聞きました。誰がそう言ったのか覚えていませんが、それは完全な...だと思いました。データ規定や、中国政府がデータアクセスと規制に関してどのようなことをする意思があるかを考えると、もし彼らが2年遅れているとしても、それはすぐに追いつくと思います。中国が2年遅れているという見方について、どうお考えですか？また、それに同意しますか？
2年前は、おそらく2年以上遅れていました。OpenAIが最初にGPT-4を研究所で作ったとき、中国はそれには全く近づけていませんでした。しかし、ここ数ヶ月だけを見ても、中国の企業01.AIが、現在世界最高のモデルの一つであるYi-largeを生産しました。
GPT-4とGemini、Claude 3 Opusに次ぐモデルで、リーダーボードでその次の位置にあります。つまり、世界最高のモデルの一つです。彼らは既に意味のある追いつきを見せています。中国のLLMとAI能力は、現時点で米国の能力とほぼ互角だと言えます。そして、データについて話してきたすべてのことを考慮すると、彼らには前進し、米国を追い越す明確な道筋があると思います。
それは根本的に、中国共産党のシステムが、重要な産業を推進するために、非常に積極的な中央集権的行動と産業政策を取ることに長けているからです。過去数年、あるいは実際には過去数十年の太陽光発電について見てきたように、中国もしくは中国共産党は、世界のリーダーとなるまでの産業政策を取ることができました。
最近では電気自動車についても同様で、中国共産党のシステムとアプローチが、非常に安価な電気自動車を作り出すことができています。このパターンが何度も繰り返されているのを見ています。中国共産党の産業政策へのアプローチは最も革新的ではありませんが、一度産業が確立され、歯車を回すことが重要になると、彼らは世界のどの経済よりも上手く歯車を回すことができます。
その通りです。実際、昨日誰かがツイートしたチャートを見ました。イーロン・マスクかビル・アマンだったと思いますが、各国の電気自動車メーカーの創出を示すもので、アメリカについては、テスラなしでは最悪だったでしょう。ジェネラルモーターズしかなかったからです。しかし中国は確実に右肩上がりでした。
それは心配ですか？
非常に心配です。AI技術は根本的に、人類が今まで見てきた中で最も重要な軍事資産となる可能性を秘めているという、部屋の中の象のような話題があります。AIコミュニティとして、めったに議論しないものです。
AGIがあり、ある国がAGIを持ち、別の国が持っていないとしたら、戦争ではどちらが勝つでしょうか？おそらく、AGIを持つ国が、すべての武器の生産方法を見出すか、brilliant な軍事戦略を見出すか、相手国のシステムをハッキングすることができるでしょう。これは世界が今まで見てきた中で最も重要な軍事資産となる可能性があり、核兵器以上かもしれません。
これについて考えると、私たちは地政学的に緊張が高まっている環境にあります。世界の紛争の量は過去数十年で単調に増加しています。世界で複数の戦争が行われており、その一部は明確な解決への道筋がありません。現在、世界には全体主義的な指導者がいます。その多くは、例えば今日、中国やロシアがAGIを持ち、アメリカが持っていなかったとすれば、それを征服のために使用すると想像します。これは世界全体にとって本当に恐ろしい結果であり、西洋世界はこの結果を防ぐために多くの思考と努力を費やす必要があると思います。
その懸念を考えると、オープンシステムを持つべきではないのでしょうか？オープンシステムには多くの利点がありますが、オープンシステムの課題は、誰でも使用できることです。つまり、ロシアも中国も使用でき、誰もが同じレベルのアクセスを持つことになります。
そこには二分法が生まれる必要があると思います。最先端の最も高度なシステムについては、地政学的理由や軍事的理由、あるいは何らかの理由で、それらをクローズドに保つ必要があると考える必要があります。本当にそれほど強力なシステムを開発する際には、それらをクローズドに保ちたいと思うでしょう。
しかし、それは、実際に多くの経済的価値を生み出すことができる、より低度な技術のオープンなバージョンを作ることを妨げるものではありません。現在のLLMがその状況だと思います。Llama 3モデルはまだそれほど高度ではなく、Llama 3それ自体はまだ軍事資産とは言えません。
明らかに、オープンモデルを持つことが全く問題ない線があり、その線がどこにあるのか、そしていつその線に近づいているのかについて、思慮深くある必要があります。
企業構築の原則について議論する前に、10年後の基盤モデルの状況はどのようになっているでしょうか？誰が独立し、誰が買収されているでしょうか？
根本的に、基盤モデルのレースは非常に非常に高額であることが分かっています。これらのモデルは、数億ドルから10億ドル、さらには複数の10億ドルのコストがかかるようになっており、10年後には数百億ドルかかる可能性があります。
したがって、これらのAIモデルに投資できるだけの裁量資本を持つ企業はそれほど多くありません。自然に時間とともに、AI努力、基盤モデルの努力は、国家や大手テクノロジー企業の周りに集中していくでしょう。
基本的に、これらの超収益性の高いビジネスモデル、それが国家であれ、ハイパースケーラーであれ、これらの巨大なAIプログラムを補助金で支えたり、引き受けたりできる唯一の存在になるでしょう。将来は、既に巨人の戦いに見えますが、その時点ではさらに巨人の戦いになるでしょう。
より小規模なプレイヤーがすべて、GoogleやAmazon、NVIDIAなどの大手クラウドプロバイダー、つまり大手企業に買収され、既存のソリューションに統合されると考えることに同意しますか？
そうですね、ただし、いくつかのパートナーシップがどのように展開されるか見守る必要があるという但し書きをつけます。OpenAIとMicrosoftのパートナーシップや、AnthropicとAmazonのパートナーシップなど、このテクノロジー時代の最も興味深い質問の一つは、これらのパートナーシップが長期的にどのように展開されるかということです。
企業構築の原則について触れたいと思います。PRについて、素晴らしい発言をされていましたね。「最高のPRは、PRをしないことだ」とおっしゃいましたが、それはどういう意味でしょうか？
伝統的なメディア業界は、素晴らしい企業を構築することにあまり適していません。より具体的に言うと、多くの伝統的なメディアはクリック数を生み出すことに重点を置いており、伝統的なメディアエンジンは、上昇する際にクリック数を生み出すために褒め上げ、下降する際にクリック数を生み出すために引き下ろします。
これは、20VCやその他の直接的なアウトレットとは対照的です。そこでは、創業者や企業が自分たちのメッセージを直接発信し、取り組んでいることを説明する直接的なチャネルを持っていると思います。
他の点について、伝統的なメディアに対して少し不公平だと感じます。私はクリック数を気にしません。確かに、スポンサーはいますが、彼らがいなくても番組は続けるでしょう。私は扇情的な見出しは使いません。この回について「Scale AIが軍事的な破壊を予測」というような派手なものを付けることはありません。クリック数を最適化することが目的ではないからです。
その通りです。あなたは本当に教育し、何が起きているのかを説明することに専念しています。それは、ほぼ不公平とも言えます。誰かが「Scale AIを作るけれど、お金を失うことは気にしない」と言ったとしたら、「どうやって競争すればいいの？」と思うでしょう。
しかし、これは非常に明確です。議会での証言の方が、様々なメディア機関からよりも公平な扱いを受けてきました。これは完全に馬鹿げた発言のように聞こえますが、多くの伝統的なメディアは、本当の教育的アプローチではなく、非常にクリック志向のアプローチを取るため、システム自体が企業に完全に公平である方法を持っていないという歪んだ状態にあると思います。
したがって、企業自身が直接的なチャネルやポッドキャスト、そして彼らのメッセージが変更されない手段を通じて、適切に自分たちのストーリーを語る必要があります。
全くその通りです。これが、今日の創業者ブランドがこれまで以上に重要である理由だと思います。配信手段を所有していなければ、それは歪められてしまいます。
その通りです。これは世界の衝撃的な状態ですが、そうだと思います。
それはあなたの戦略を変えましたか？
はい、私たちは直接的なメッセージをどのように発信するか、そして私たちが行っていることを純粋な形で伝え、説明する方法について多くを考えています。これは素晴らしい例です。あなたが質問をし、私は自分が信じるように、自分が考える正確な答えを返します。これがあなたのリスナーや視聴者に届き、メッセージを伝える最も純粋な形の一つとなります。
人々がそこで大きな間違いを犯すのは、企業の直接的なチャネルを構築しようとすることです。失礼ながら、人々はScaleをフォローするのではなく、Alexをフォローします。企業よりも個人に従うことの方がはるかに簡単です。
OpenAIのような、ブランドとして多くの意味を持つ企業は非常に少ないと思います。しかし、Sam Altmanがトレンドになる回数とOpenAIがトレンドになる回数を見ると、圧倒的にSam Altmanの方が多いです。人々は今でも、これまで以上にパーソナリティのカルトを愛しています。
それは興味深いことですね。実際、これはライオネル・メッシのマイアミや、マーゴット・ロビーのバービーを見ても分かるように、組織や運動における個人のセレブ化が、すべてを動かしています。これは素晴らしい...私は、それは人々を理解したいという深い人間のニーズを示しているのかもしれません。
私たち人間には、個人を理解するための多くの回路があり、個人を理解する能力がありますが、組織が何を意味するのかを理解するのは非常に難しいです。直感的なものがありません。
創業者は伝統的なPRを気にするべきでしょうか？伝統的なメディアに掲載されることを気にするべきでしょうか？
私たちは今、彼らが気にする必要のない時代にいると思います。代わりに、彼らが持つことのできる興味深い視点は何か、そしてその視点を伝える最も純粋な方法は何かについて考えるべきです。
不当に引き下ろされたと感じたのはいつですか？
私たちには、2019年に最初にユニコーン企業になった頃から、素晴らしい上昇と素晴らしい成長の物語がありました。その後数年間は順調に見えましたが、2022年頃から、テクノロジー企業全体のナラティブが、テクノロジー企業を引き下ろす方向に向かいました。
ある意味で、それは非常に公平でした。多くのテクノロジー企業が非常に高い評価を受け、テクノロジーに対する信じられないほどの興奮があり、その後市場が全て崩壊しました。2022年から、私は特に私たちに対するトーンが完全に変化したことに気付きました。メディアエンジンは、バランスの取れた視点を取ろうとするのではなく、私たちや多くの同業者の失敗を指摘することに向けられました。
別の例として、2020年頃から、私たちはアメリカ軍やアメリカ国防総省と協力し始めました。これは明らかに、現在の防衛テクノロジーのブームや、そのすべての前のことでしたが、アメリカの国防総省が素晴らしいAI技術にアクセスできることは、世界の未来にとって根本的に重要なことだという、私や会社としての本質的な信念に基づいていました。
その後の数年間、伝統的なメディアエンジンは、アメリカ政府や軍を支援することを実際に非難しました。これは、おそらくこれは実際にポジティブなことだったかもしれないという、より広い視点を取るのではなく、アメリカ軍を支援することを非難したのです。
これは、議会での証言と、メディアとの扱いの二分法について私が言及したことにほぼ関連します。私は、軍事におけるAIの使用について議会で証言しましたが、そこでの扱いは適切に広いものでした。これは明らかに慎重に扱う必要のある強力な技術ですが、アメリカがこれをリードすることは非常に重要で、あなたが行っていることすべてに感謝するという反応でした。
一方、メディアでは、これは良いことなのか、この企業を信頼できるのかという、信じられないほど軽蔑的な視点でした。これは衝撃的ですが、インセンティブが結果を導くということに戻ります。メディアのインセンティブと議会のインセンティブは異なります。議会はクリックを売ることが目的ではなく、最良の結果について情報に基づいた決定を下すことが目的です。
インセンティブが結果を導くということについて、あなたは「気にかける人を雇うことは、考えられる以上に難しい」とも言及していましたが、それはどういう意味で、採用についてどのように考えていますか？
本当に基本に立ち返ると、非常にシンプルに聞こえますが、本当に気にかける人々を雇うことです。内部では「give a f*ck」と言っていますが、彼らは自分の仕事の成果を本当に気にかけ、仕事の質を本当に気にかけ、組織が影響を与えることを本当に気にかけます。彼らは本当に気にかけるのです。
それがどのように現れるかというと、彼らはすべての細部にこだわり、障害に直面したり何かが邪魔になったりしても、それらを乗り越えるために余分な努力をするということです。これが根本的にスタートアップがどのように機能するかです。大企業の平均的な従業員の10倍、100倍も気にかける小さなチームがあり、結果として大企業よりもはるかに多くの問題を解決することができます。
現在、Scaleには何人の従業員がいますか？
約800人です。
より大きな企業サイズになってきていますね。「A+プレイヤーだけを雇う」というのは難しくなります。定義上、Aプレイヤーは...800人のAプレイヤーを持つことは可能でしょうか？
答えはイエスだと思います。内部でよく言うのは、海軍全体ではなく海軍特殊部隊をどのように雇うかということです。海軍が悪いわけではありませんが、本当に精鋭の小グループをどのように持つか、本当にトップクラスの人材をどのように雇うかということです。
これはプロセスにまで及びます。現時点で、私は全ての採用を承認します。直接面接するか、面接のフィードバックを見て、採用する人全員を理解し、例外的に高い基準を保っていることを確認します。
チームの推薦に対して、どのくらいの頻度で反対しますか？
平均して25〜30％くらいです。かなりの頻度ですね。通常、新しい採用マネージャーがいて、まだ基準が定まっていないか、様々な形のエッジケースによるものです。
私の考えでは、会社の創業者として、入社してきた全ての人を見てきて、誰が成功し誰が失敗するかを見てきました。アルゴリズムのように、Scaleで人々が成功するとはどういうことか、海軍特殊部隊と海軍の違いは何かについて、最も細かいデータセットを持っています。
創業者として、組織として、過去数年間に蓄積されたこの知識と学びをすべて活用し、それを前に進めていくことを確実にすることが私の仕事です。
最後の質問ですが、あなたにとって最大の管理やリーダーシップの失敗は何でしたか？例えば、私の場合、人は恐れか自由かのどちらかで行動するということです。誰かを採用するとき、ある人々は「パフォーマンスを出さなければならない」という恐れから行動し、他の人々は「私はあなたを信頼し、尊重している。最高の仕事をしてください」という自由から行動します。
その人がどちらのキャンプに属するかを見極め、もしスキルがあれば、彼らは最高のパフォーマンスを発揮するはずです。私は開始当初にそれを知らず、誰に対しても恐れで行動させようとしました。今知っていることで、当時知っていたらよかったと思うことは何ですか？また、どこで最大の失敗をしましたか？
最大の失敗は、2020年、2021年頃に、企業のハイパーグロースはチームのハイパーグロースを意味すると考えたことでした。その数年間、多くのテクノロジー企業がそうしたように、私たちも前年比で2倍、3倍にチームを成長させました。2020年には約150人でしたが、2022年末には700人を超えていました。これは信じられないほどの採用量でした。
このように急速に採用すると、私たちが話してきたような高い基準を維持し、チーム内の卓越性の感覚を維持することは不可能だということが分かりました。
その基準の低下をリアルタイムで感じましたか？
それは微妙でした。これらの人々を全て採用し、次の年か6ヶ月後に、徐々に気付き始めました。組織が以前は対処し解決できていた課題が、徐々に硬直化し、乗り越えられなくなっていきました。
2022年末に700人だったところから、現在800人というように、チームの規模はほぼ同じに保っています。私たちが本当に考えているのは、どのように...しかし、会社の収益は劇的に成長しています。
面白いことに、企業にはブランドの変曲点があります。ホットになったり、冷めたり、また再びホットになったりします。外から見ると、Scaleは再びホットになっているように感じます。
それは...興味深いことですね。実際、StripeのPatrick Collisionにもこの質問をしました。Stripeは素晴らしい企業で、その存続期間の大部分で、シリコンバレーを代表する企業の一つでした。
彼らがそのような象徴的な企業だったことが、採用において有益だったと思うかと尋ねたところ、興味深い指摘をしました。この共有が問題ないことを願いますが、彼が採用した最高の人材は、シリコンバレーで最もホットな企業であるかどうかに関係なく入社したであろう人々だったと言いました。
実際に最も価値のある採用となったのは、一般的な道筋から外れた人々でした。シリコンバレーで最もホットな企業だという理由で入社した人々の多くは、必ずしも最も価値のある従業員ではありませんでした。
一般的な信念やナラティブでは、最高の人材を引き付けるために最もホットな企業になりたい、そうすればハイパーグロースができ、さらに成長を続けられるというものです。しかし、それは非常に難しく、むしろ、非常に高い基準を保ち、常に最高の人材を探し求める、自己保存的な人材のエコシステムを開発することが重要です。
あなたの指摘通り、ホットな時期もあれば、そうでない時期もあり、ホットでない時期もありますが、そのような状況に関係なく、人材のエコシステムが自己保存的である必要があります。
また、それは機能によっても異なると思います。多くのGo-to-Market機能を見ると、伝統的に、より人気のあるブランドに集中する傾向があり、実際に素晴らしい営業担当者の集中を得ることができます。特に地理的な拠点を広げる際には、ロンドンのOpenAIのGo-to-Marketチームのように、信じられないほど優れたチームを持つことができます。これは素晴らしいブランドを持っているからです。
つまり、核心にどれだけ近いか、どの機能にいるかによって異なります。
その通りだと思います。
しかし、OpenAIのコア技術開発の多くを見ると、その100％はまだバレーにあり、さらには、彼らが史上最もホットな企業になる前からOpenAIにいた人々によって推進されています。
これは、Brian CzeskiのAirbnbのような企業も経験したことです。パンデミック後、突然、会社全体を再構築する必要があることに気付き、チームを大幅に縮小し、人材の密度により多く投資し、チームを小規模に保つように構築しました。
現在、彼らはテクノロジー業界で一人当たりの収益性が最も高い企業の一つです。これは、チームを成長させ続ける必要がなくても、財務的な成果や財務的な生産を見ることができるという彼の気付きによるものです。
最後に、クイックファイアラウンドをしたいと思います。短い質問をしますので、すぐに思いついたことを答えてください。よろしいですか？
はい、やりましょう。
過去12ヶ月で、最も考えを変えたことは何ですか？
実際に、私たちが話してきたこのハイパーグロースに関するすべてのことです。チームのハイパーグロースと企業のハイパーグロースを切り離し、品質と卓越性により多く投資することです。
AIについて最もよく耳にする誤解は何ですか？
今日の最大の誤解は、AIとの間にあるのはコンピューティングだけだということです。そこに到達するにはデータも必要です。
現在は持っていない取締役会メンバーで、誰か一人を選べるとしたら、誰を次の取締役会メンバーに選びますか？明らかに現実的ではないかもしれませんが。
Satya Nadellaは現代で最も優れたビジネス戦略家の一人だと思います。彼がMicrosoftで成し遂げたことは驚くべきことであり、どの取締役会も彼を迎えられれば非常に幸運だと思います。
質問するのは不公平かもしれませんが、質問されないけれど質問されるべきだと感じる質問は何ですか？
興味深いのは、AIに対する私の視点が時代とともにどのように変化してきたかということです。これについて触れるのは、2016年に会社を設立し、最初の3年間は自動運転車に完全に焦点を当てていたからです。
2019年にはGenerative AIの仕事を始め、OpenAIとGPT-2の仕事を始めました。そのため、私たちは技術の複数の時代を見てきた数少ないAI企業の一つで、自動運転車での最初のブームとバストサイクルを見てきました。これらの連続する時代で何が同じで何が異なるのか、それは興味深い質問です。
あなたの見方は変わりましたか？今が最も興奮する時期ですか？
かなり興奮していますが、慎重になる理由もあると思います。自動運転車の熱狂で起きたことの一つは、技術的な現実から乖離した多くの約束がなされたことです。
著名な自動運転車企業の多くが、資金を調達するためにより大胆な約束をし続けました。最初はそれほど技術的現実から乖離していませんでしたが、時間とともにより乖離していき、その結果、約束が果たされなかったときに非常に痛みを伴う谷が生まれ、産業全体が崩壊しているように感じました。
実際には、今では、Waymoがサンフランシスコを走り、完全なL4自動運転車が走り回っており、Tesla Autopilotも非常に良くなっています。途中でより慎重な約束をしていれば、今は自動運転車について素晴らしい気分になれたはずです。代わりに、大きな上昇、大きな下降を経験し、今また上昇に転じているのかもしれません。
これは生成AIについても同じような懸念の一つです。願わくはそうならないことを願いますが、同じことが再び起こるかもしれません。技術的現実から乖離した大きな約束がなされ始め、そのギャップが必然的に二日酔いを引き起こすことになります。
トランプは大統領選に勝利するでしょうか？
実際まだ五分五分だと思います。アメリカの選挙は考えるのが非常に奇妙です。常にスイングステートで決まり、正直なところ、私も含めて沿岸部に住む人々がスイングステートでどのように展開されるかについて、細かい理解を持っているとは信頼できません。
私はサンフランシスコに住んでいますが、沿岸部に住む人の意見を聞いて、何が起こるかを理解しようとするべきではありません。常にスイングステートに帰着するのです。
最後の質問です。10年後のScaleはどうなっていますか？
今やっていることと非常に似たことを続けていることを願っています。AIのデータファウンドリーとして、AIの進歩のためのデータの柱を担い続けることです。一つ私がよく考えることは、決して時代遅れにならない問題をどのように解決するかということです。
上場したいと思いますか？
もちろんです。
公開企業のCEOになりたいと思いますか？例えばStripeを見ると、なぜそうしたいのかわからないと思いませんか？
公開企業になることには明確な利点がありますが、Stripeは素晴らしい企業で、非常に収益性が高く、上場せずとも全ての財務的な目標を達成することができます。
アレックス、番組に来ていただき、ありがとうございました。直接お会いできて本当に良かったです。多くの話題を行ったり来たりして申し訳ありませんが、これは素晴らしい時間でした。
はい、とても楽しかったです。