なんでAIに人間のデータが大事なんや: Scale AIのアレクサンドル・ワン

13,454 文字

おーっす、みんな。サラ・ウィングいうa16zのグロース・チームのゼネラル・パートナーやで。AIレボリューション・シリーズへようこそ。このシリーズでは、業界のリーダーたちが生成AIのパワーをどないして活用してんのかについて話し合うんや。
今回のゲストはアレクサンドル・ワンさんや。Scale AIの創業者兼CEOやねん。Scale AIは、大規模言語モデルとそれ以外のものに必要なデータと生成AIの代名詞みたいになってもうた会社やねん。企業、自動車、公共部門にまたがるScaleの仕事を通して、アレックスは、どんな組織でも独自のデータを使って生成AI応用を構築できるようにする重要なインフラも作っとるんや。
アレックスを知らん人のために言うとな、a16zが出会った中でも最も印象的なCEOの一人や。これはすごいことやで。だってa16zがアレックスに会うたんは、彼が21歳の時やったんやから。その時すでに、MITを中退して2016年に創業した、その規模で最も急成長してる会社の一つのCEOやったんやで。
今回の対話では、a16zのゼネラル・パートナーのデイビッド・ジョージとアレックスが、AIの3本柱であるモデル、コンピューティング、データについて議論するんや。そして、豊富なデータを作り出すことが生成AIの進化の核心やということについても話すで。アレックスはまた、Scaleの成長から学んだこと、リーダーシップへのアプローチ、そして成長段階の創業者CEOが採用について間違えがちなことについても語ってくれるで。
ほな、始めよか。
今日はScale AIの創業者兼CEOのアレックス・ワンを迎えて、めっちゃ楽しみやねん。来てくれてありがとう。
アレックス: ありがとうございます。いつも話すのが楽しみで、たくさん学ばせてもらってます。
デイビッド: ほな、まず Scale AIで何を作っとるんか、ちょっと教えてくれへんか？そっから掘り下げていこか。
アレックス: うん、Scaleではね、AIのためのデータ工場を作ってるんです。ちょっと大きく見てみると、AIは3本の柱からできてるんですよ。今まで見てきた進歩は全部、コンピューティング、データ、アルゴリズムの3つの柱から来てるんです。
この3本の柱の進歩を見ると、コンピューティングはNVIDIAみたいな会社が推進してて、アルゴリズムの進歩は OpenAIみたいな大きな研究所が担ってて、そしてデータの部分をScaleが担ってるんです。
うちの目標は、最先端のデータを作り出して、大きな研究所と協力しながら最先端の進歩を促進することです。そして、あらゆる企業や政府が独自のデータを使って最先端のAI開発を行えるようにすることなんです。
デイビッド: ほな、その最先端のデータについてやけど、実際どないして手に入れんの？
アレックス: そうですね、これは人類の大プロジェクトの一つになると思うんです。つまり、我々が作り出そうとしてる知能のレベルで、世界に存在する唯一のモデルは人間、人類なんですよ。
だから、最先端のデータを作るには、人間の専門家と人類を、モデルの周りの技術的・アルゴリズム的な手法と組み合わせて、膨大な量のこういうデータを生成する必要があるんです。
ちなみに、今まで作ってきたデータ、例えばインターネットなんかも、似たようなもんなんです。インターネットって、機械と人間が協力して大量のコンテンツやデータを作り出す仕組みですよね。
これからは、インターネットをステロイド打ったみたいな感じになるんです。つまり、インターネットが単なる人間の娯楽装置で、データ生成は副産物だったのが、今度は大規模なデータ生成実験になるんです。
デイビッド: なるほどな。業界の状況についてユニークな視点を持っとるみたいやけど、今の言語モデルの状況をどう見てんの？市場構造とかについても聞きたいんやけど、まずは業界の現状について教えてくれへんか？
アレックス: そうですね、今は言語モデル開発の第2フェーズの終わりに近づいてる感じがします。
第1フェーズは初期の純粋な研究の時期で、元のTransformerの論文とか、GPTの小規模な実験とかがあって、GPT-3ぐらいまでが第1フェーズだったと思います。これは全部研究で、小規模な実験とアルゴリズムの進歩に焦点を当ててました。
第2フェーズは、GPT-3から今までで、これは最初のスケーリングの段階です。GPT-3がうまく動いて、それからOpenAIを筆頭にGPT-4以降にモデルを大規模化していきました。それから、Google、Anthropic、Meta、xAIなど、多くの企業がこのレースに参加して、モデルを大規模化して信じられないような能力を持たせようとしてきたんです。
だから、過去2年くらい、いや3年くらいかな、ほとんど実行の問題だったんです。大規模なトレーニングをうまく動かす方法とか、コードに変なバグがないようにするとか、大きなクラスターをどう設定するかとか、そういう実行面の仕事が多かったんです。
そして今、我々は研究がもっと重要になる段階に入ろうとしてます。各研究所がどの研究の方向性を探求するかで大きな違いが出てくると思います。そして、どの方向性が最終的にブレークスルーを生むかも変わってくるでしょう。
だから、純粋な実行と、もっとイノベーション主導のサイクルが交互に来る、そんな興味深い段階に入ってるんです。
デイビッド: なるほど。コンピューティングは豊富とは言えんけど、必要なだけはあって、制約にはなってへんみたいやな。データの方は、最先端の研究所は使えるだけ使い尽くしたみたいやし。次はそこでブレークスルーが起こって、データ側でボールを前に進めるって感じか？
アレックス: そうですね、まさにその通りです。3つの柱を見ると、コンピューティングは明らかにトレーニングクラスターを拡大し続けてます。その方向性は明確です。
アルゴリズムに関しては、正直かなりのイノベーションが必要だと思います。多くの研究所が本当に一生懸命取り組んでる部分ですね。
データに関しては、あなたが言ったように、簡単にアクセスできて利用可能なデータはほぼ使い尽くしちゃったんです。Common Crawlは全部使い切っちゃって、みんな同じデータにアクセスしてる状況です。
だから、多くの人がこれを「データの壁」って呼んでるんです。公開されてるデータを全部使い切っちゃって、壁にぶつかってる感じです。
だから、次の段階の特徴の一つは、実際にデータを生成することになるんです。各研究所が次のレベルの知能に到達するために必要なデータを実際に生成するために、どんな方法を使うのか。そして、どうやってデータの豊富さを実現するのか。
これには、いくつかの分野での高度な作業と研究が必要になると思います。まず、データの複雑さを押し上げること。最先端のデータに向かうことです。
例えば、モデルに組み込みたい多くの能力があるんですが、実はデータの不足が最大の障害になってるんです。「エージェント」という言葉がここ2年くらいバズワードになってますが、基本的にどのエージェントもうまく動いてないんです。インターネット上にエージェントのデータがないんですよ。本当に価値のあるエージェントのデータの蓄積が、どこにも存在しないんです。
デイビッド: 例えば、どんなデータを作らなあかんの？
アレックス: 実は、近々この件に関する研究を発表する予定なんですが、現在の最先端モデルを見ると、ツールの組み合わせが苦手なんです。例えば、何かを調べて、それからPythonのスクリプトを書いて、それからグラフを作るみたいに、複数のツールを連続して使うのが本当に下手なんです。
でも、これって人間にはすごく自然なことなんです。
デイビッド: でも、それはどこにも記録されてへんってことやな？
アレックス: その通りです。ある窓から別の窓に移動して、別のアプリケーションを使う様子を実際に記録して、それをモデルに学習させて、そういう動きを学ばせることはできないんです。
だから、人間が複雑な問題を解決する時に自然に使う、たくさんのツールを使ったり、考えたり、次に何をすべきか推論したり、エラーや失敗に出会ってから戻って再考したりする、そういう推論の連鎖やエージェントの連鎖みたいなデータが、今は存在しないんです。これは作り出す必要があるデータの一例です。
でも、大きく見ると、データに関して最初に起こる必要があるのは、データの複雑さを増すこと、つまり最先端のデータに向かうことです。
二つ目は、単純にデータの豊富さを増すこと、データ生成を増やすことです。人間が実際に仕事の場でやってることをもっと捉えることですね。
人間のやることをもっと捉えることと、合成データへの投資が必要です。合成データを使うけど、人間もそのループの一部に入れて、もっと高品質なデータを生成できるようにする。基本的に、チップの話でよくチップ工場のことを話すように、十分なチップの生産手段を確保する必要があるのと同じように、データにも同じことが言えるんです。
データ工場と、モデルのトレーニングに必要な大量のデータを生成する能力が必要なんです。
そして、よく見落とされがちだけど重要な最後の部分は、モデルの測定と、実際に今日のモデルに何ができないのかを正確に把握すること、そしてモデルの性能を向上させるために、どんな種類のデータを正確に追加する必要があるかを把握することです。
デイビッド: 大手テック企業は、彼らが持つデータの塊で、どれくらい有利なん？独立系の研究所と比べてな。
アレックス: そうですね、既存のデータの塊を使うのに関しては、多くの規制上の問題があるんです。
これは生成AI以前の話なんですが、例えばMetaが一度、基本的に全ての公開Instagramの写真とそのハッシュタグを使って、本当に優れた画像認識アルゴリズムをトレーニングする研究をしたことがあるんです。でも、ヨーロッパでは規制上の大問題になって、結局すごく面倒なことになっちゃったんです。
だから、特にヨーロッパでは、規制の観点から、これらの企業がデータの優位性をどの程度活用できるかを推測するのは難しいんです。それはまだ決まってない部分があるんです。
大手の研究所が圧倒的に有利なのは、AIの取り組みにほぼ無限の資本を提供できる、非常に収益性の高いビジネスを持っているということだと思います。これは私がかなり注目している点で、どう展開するか非常に興味があります。
業界では「彼らは過剰投資してるんじゃないか」という疑問がありますが、大手テック企業の決算発表を聞くと、「リスクは過小投資だ」と言ってるんです。もし本当にAIをうまく活用できれば、おそらく簡単に1兆ドルの時価総額を生み出せるでしょう。
もし本当に競争相手より先を行けて、製品をうまく作れば、1兆ドルの時価総額なんて簡単ですよね。でも、毎年200億か300億ドルのCAPEXを追加投資せんかったら、そのチャンスを逃して、各社にとって実存的なリスクになる可能性もあるんです。
デイビッド: 確かに、彼らのそれぞれのビジネスはAI技術によって大きく破壊される可能性があるもんな。
アレックス: そうなんです。だから彼らにとっては、リスクとリターンの関係が非常に明確なんです。
もっと戦術的なレベルで言うと、最悪の場合でも、コア事業をより効率的で効果的にすることで、彼らは簡単にCAPEX投資を回収できるでしょう。
例えば、FacebookやGoogleが広告システムを少し改善するだけで、数十億ドルを回収できるんです。単に性能が向上するだけでね。Appleだって、アップグレードサイクルを促進するだけで簡単に投資を回収できます。
これらは、私にはかなり明確に見えることです。
デイビッド: 業界全体にとっては、彼らがこれだけの資本を投資してるのは一般的にええことやな。彼らはこのコンピューティングをレンタルするビジネスもやってるし。少なくともGoogleとMicrosoftはな。
それに、モデル自体も広まってきてるよな。例えばLlama 3.1はオープンソースやし。
アレックス: そうなんです。投資の文字通りの成果が広くアクセス可能になってきてるんです。オープンソースのジェネレーティブAIモデルから生まれる余剰は、本当に信じられないほどです。
デイビッド: おもろいな。ほな、モデル層での市場構造について聞かせてくれへんか？実際どうなると思う？我々が今認識してる数社のプレイヤーが競争し合うんかな？収益性のあるビジネスになると思う？オープンソースは、ビジネスの質にどんな影響を与えると思う？2、3年先を見据えて、君の予想を聞かせてくれへんか。
アレックス: はい、過去1年半くらいでモデルの推論価格が劇的に、桁違いに下がってるのを見てきましたね。2年で2桁も下がったんです。
これは衝撃的なことで、インテリジェンスがコモディティになるかもしれないってことですよ。でも、純粋なモデル層での価格決定力のこの大きな欠如は、モデルを単独でレンタルするのが長期的に最高のビジネスではないかもしれないことを示してますね。
おそらく、それほど優れたビジネスにはならないでしょう。
まあ、さっき言った画期的なことが起こるかどうかにもよりますけどね。誰かが持続可能なブレークスルーを達成するか、複数の人が持続可能なブレークスルーを達成すれば、市場構造が変わる可能性はあります。
二つのことを考える必要があります。一つは、もしMetaがオープンソース化を続ければ、モデル層から得られる価値にかなり強い上限が設定されることになります。
二つ目は、少なくとも数ヶ所の研究所が時間をかけて同様のパフォーマンスを発揮できるなら、それも価格設定の方程式を劇的に変えることになります。
だから、100%ではありませんが、純粋なモデルレンタルビジネスは最高品質のビジネスではない可能性が高いと考えています。
もっと質の高いビジネスは、モデルの上と下にあると思います。
デイビッド: なるほど。下の方ではNVIDIAが明らかに素晴らしいビジネスをしてるけど、クラウドプロバイダーも本当に良いビジネスをしてるよな。大規模なGPUクラスターを実際にセットアップするのは物流的にかなり難しいからな。
アレックス: その通りです。クラウドプロバイダーは、GPUをレンタルする時にかなり良いマージンを得てます。従来のデータセンタービジネスは完全にゲームですからね。小規模なプレイヤーと比べると、彼らは大きな恩恵を受けてます。
つまり、モデルの下にあるツールやインフラストラクチャーには素晴らしいビジネスがあると思います。
そして、モデルの上、つまりアプリケーションを構築する部分でも素晴らしいビジネスがあります。ChatGPTは素晴らしいビジネスですし、スタートアップ界隈の多くのアプリも実際にうまくいってます。
もちろん、ChatGPTほど大きなものはまだないですが、早期の製品市場フィットをうまく捉えたアプリの多くは、かなり良いビジネス、素晴らしいビジネスになってます。なぜなら、顧客に生み出す価値が、もし全体的なユーザー体験を正しく捉えられれば、モデルの推論コストをはるかに超えるからです。
ここには面白いものがありますよ。例えば、AnthropicがClaudeでアーティファクトを導入したのは、大きなテーマの最初の一歩だと思います。全ての研究所がより深い製品統合を推進して、より質の高いビジネスを推進しようとするでしょう。
だから、もう一つの話としては、製品レイヤーと製品レベルでたくさんの反復が見られるだろうということです。つまらないチャットボットが最終製品になることはないでしょう。それは残念な結果になります。
製品の反復サイクルと製品のイノベーションサイクルは予測が非常に難しいです。OpenAIだってChatGPTがこんなに良いものになるとは、あるいはこんなに人気が出るとは思ってなかったでしょう。
業界の誰にとっても、どんな製品が当たるのか、何が次の成長の原動力になるのか、正確に予測するのは難しいと思います。
でも、OpenAIやAnthropicが長期的に独立して持続可能であるためには、素晴らしいアプリケーションビジネスを構築できると信じる必要がありますね。
デイビッド: そやな。競争優位性を生み出すのは何やろな。明らかにモデルがあって、その上に緊密に統合された製品があって、それから古き良き経営学的な参入障壁、つまりワークフローやインテグレーションとかやな。
アレックス: 彼らの考えは明確に見えますよね。OpenAIもAnthropicも、2ヶ月くらいの間に最高製品責任者を雇いましたからね。
デイビッド: そうやな。彼らの姿勢が変わったのが分かるわ。「いや、我々は純粋にこれに集中してます」って言ってたのが、「うーん、やっぱり...」みたいな感じになってきたな。
アレックス: その通りです。完全に理にかなってますよね。
デイビッド: 君はアプリケーションビジネスを持っていて、興味深い顧客もいるよな。企業からは、実際にどうやってこれを導入してるかについて、どんな話を聞いてるん？
アレックス: 我々が見てきたのは、企業側に大きな興奮があったってことです。多くの企業が「何かを始めないと」「これに先んじないと」「AIの実験を始めないと」と思ったんです。
それが、「じゃあ、すぐにできそうなアイデアは全部何？」「AIのものを買おう」「全部試してみよう」みたいな速いPOC（概念実証）サイクルにつながりました。
そのうちのいくつかは良かったし、そうでないものもありました。でも、いずれにせよ大きな熱狂があったんです。
業界全体が予想してたよりも、はるかに少ないPOCしか本番環境に移行してません。多くの企業が今、見ているのは、彼らが思ってた世界の終わりのようなシナリオは実際には起こっていないってことです。
AIは多くの主要産業を完全に変革したわけではありません。完全に...まあ、限界的なことはありますよ。サポートの効率化とか、創造的なタスクとかですね。それ以外はかなり遅いです。
デイビッド: そうやな。
アレックス: 我々が多く考えているのは、「我々が取り組んでいるAIの改善やAIの変革、AIの取り組みのうち、実際に一緒に仕事をしている企業の株価を意味のある形で上昇させられるものは何か」ということです。
我々は全ての顧客にそれを真剣に考えるよう促しています。なぜなら、結局のところ、ほとんど全ての企業にとって、AIを株価を意味のある形で押し上げるレベルで実装する潜在能力があるからです。
主にコスト削減や効率化の形ですが...
デイビッド: 主にコスト削減の形かな？
アレックス: そうですね、今日ではコスト削減の形ですが、それだけでなく、はるかに良い顧客体験も提供できます。
顧客との手動のやり取りが多い業界では、より標準化を進め、より多くの自動化を使えば、はるかに良い顧客とのやり取りができるはずです。そして、最終的にはそれが競合他社に対する市場シェアの獲得につながるでしょう。
だから、我々は顧客にそういう方向に向かうよう促しています。一緒に仕事をしているCEOの中には、完全に理解して、数年間の投資サイクルになることを理解している人もいます。
次の四半期には利益が出ないかもしれませんが、実際に最後までやり遂げれば、大きな変革が見られるでしょう。
小さな使用事例や、より限界的な使用事例周りの熱狂については、良いことだと思います。興奮することですし、やるべきだと思います。でも、私にとってはそれが我々がここにいる理由ではないんです。
デイビッド: そうやな。アプリケーション層は今、まさに第1フェーズにいるよな。いくらか自動化はあるけど、主にチャットボットみたいなもんやな。
スタートアップ投資家として俺が望むのは、時間とともに、製品イノベーションがスタートアップの勝利を助け、既存企業を打ち負かすチャンスが開くことやな。
俺のパートナーのアレックス・ロスコフには「スタートアップが配布にたどり着く前に、既存企業がイノベーションを見つけるかどうか」って言葉があるんやけど、そのチャンスはあると思うんや。でも今はテクノロジーが早すぎるんちゃうかな。
アレックス: そうですね、その通りだと思います。今はほとんどコスト削減の面でのメリットしかないので、すでに成長と配布のコストを乗り越えた大きな既存企業を破壊するには十分ではないでしょう。
デイビッド: 企業内部のデータってどれくらい価値があると思う？JPモルガンが15ペタバイトのデータを持ってるとか聞いたことあるけど、そういうの過大評価されてへん？今日まで、そのデータは彼らに意味のある競争優位をもたらしてへんよな。それが変わると思う？
アレックス: そうですね、AIによって初めてそれが変わる可能性が見えてきたと思います。
これまでのビッグデータの波は、結局のところより良い分析につながりました。これはビジネスの意思決定には少し役立ちましたが、深く変革するものではありませんでした。製品の動作を大きく変えるものではなかったんです。
でも今は、製品の動作が大きく変わる可能性が想像できます。
例えば、大手銀行を考えてみましょう。JPモルガンやモルガン・スタンレーのような大手銀行と顧客との間の価値ある相互作用の多くは、人間主導です。人々が動かしているんです。
彼らは最善を尽くして、たくさんの人を雇って、経験の質を全体的に高く保とうとしています。でも、どんな大規模な手動プロセスでも、できることには限界がありますよね。
でも、過去の全ての顧客とのやり取りや、これまでのビジネスの在り方は、この特定のタスクをうまくこなすモデルをトレーニングするために利用できる唯一のデータなんです。
例えば、資産管理について考えてみると、インターネット上には、モデルをトレーニングできるような分散したデータはほとんどありませんからね。
デイビッド: でも、壁の向こう側には実際かなり豊富なデータがあるってことやな。
アレックス: そうなんです。膨大な量のデータがあります。
データの多くは、実際にビジネスを変革するのにはあまり関係ないかもしれません。でも、一部のデータは非常に価値が高いんです。
ただ、これは企業が直面している課題でもあります。彼らが持っているデータを実際に活用するのが非常に難しいんです。データは整理されておらず、あちこちに散らばっています。
彼らはコンサルティング会社に何千万ドル、何億ドルも払って、データ移行をしています。でも、その後も結果は変わらないんです。
だから、これは歴史的に企業が本当に変革を推進するのが非常に難しい分野なんです。ある意味、これはレースなんです。彼らが自社のデータを活用し、活用する方法を見つけるのが早いか、それともスタートアップが何らかの方法でアクセスを得て、データのごく一部のサブセットで大きく異なる製品を作り出すのが早いか、ということです。
デイビッド: なるほどな。話題を変えて、君の会社の運営方法や、どうやって会社を作ってきたかについて聞きたいんやけど。
2020年と2021年の好景気の時に、採用に関して君が犯した間違いについて話してくれたことがあったよな。スケールするためには大量に採用しなきゃいけないっていう考え方やね。
これは我々のポートフォリオ企業全てで見られたことやった。「人材獲得戦争だ」って感じで、「採用しなきゃ」「採用しなきゃ」「採用しなきゃ」って感じやったな。
そのプロセスを通じて学んだことは何？その後、どうやって物事のやり方を変えたん？
アレックス: この数年間、基本的に従業員数は横ばいでした。ビジネスの成長に合わせてわずかに増やしただけです。でも、ビジネス自体は5倍、6倍と劇的に成長しています。
このプロセス全体から得た教訓は、「人が多ければ結果が良くなる」「人が多ければより多くのことができる」というのは論理的に感じられますが、逆説的に、非常に高いパフォーマンスを発揮するチームや組織があれば、そのハイパフォーマンスを失わずに劇的に成長させるのはほぼ不可能だということです。
コミュニケーションと調整のオーバーヘッドを減らすことで、実際に生産性が向上するんです。
デイビッド: それは確かにそうやな。
アレックス: 実は、もっと深いものがあると思うんです。非常に高いパフォーマンスを発揮する特定の規模のチームは、チーム内の全ての人々の間の非常に複雑な彫刻のような、相互作用のようなものなんです。
そこに人を大量に加えると、たとえその人たちが素晴らしくても、全体をめちゃくちゃにしてしまうんです。人を加えれば加えるほど、必然的に平均への回帰が起こります。
従業員数の拡大が財務結果の中核にある企業を観察すると、彼らはこの平均への回帰を認識していると思います。
例えば、大規模な営業チームのスケーリングを考えてみると、平均への回帰が起こることを認識した上で、それを運用面で対処して、平均よりも少し上を維持できれば、全体の方程式は財務的にまだ成り立つんです。
デイビッド: 営業は製品とは違うよな。
アレックス: その通りです、もちろん。
でも、我々の観察は、スタートアップが機能するのは非常に高いパフォーマンスを発揮するチームがいるからで、そのハイパフォーマンスチームをできる限り長く維持したいということです。
スタートアップの一般的な失敗モードは、何かがうまくいっているけど、会社の全員が本当に若いので、物事がスケールしているけど全ての車輪が外れかけている状態です。
そこで投資家が「エグゼクティブを雇うべきだ」と言います。そして、なぜかいつも独特に魂を削るような感じのエグゼクティブ探しを始めます。でも、半分くらいの確率でうまくいけば良い方です。
エグゼクティブ探しを経て、エグゼクティブを連れてきます。そして、エグゼクティブに多くの自由を与えます。エグゼクティブは「結果を出すには大規模なチームを雇う必要がある」と言います。
そこであなたは「うーん、私もかなり経験があるし、あなたも経験豊富そうだし、あなたの言う通りにしましょう」と言って、大規模なチームを作らせます。
でも、現実には、これはほとんど常に破滅につながります。
これは外部からエグゼクティブを雇えないという意味ではありません。外部からエグゼクティブを雇う時に必要なのは、まず会社の仕組みにしっかりと浸かってもらうことです。
大きな提案をする前に、会社のリズムと運営を理解し、なぜ全体がうまく機能しているのか、うまくいっていることがなぜうまくいっているのかを理解する必要があります。
そして、最初は小さな提案をします。これらの小さなステップを信頼して検証し、最終的により大きな提案ができるようになるかもしれません。でも、それは小さなステップが本当に有益だったという明確な実績ができた時点でなければいけません。
デイビッド: それは面白いし、非常に具体的やな。大物エグゼクティブを雇った時は小さく始めろってことやね。ちょっと直感に反するし、そういうエグゼクティブが望む方法でもないよな。
アレックス: そうですね。私が気づいたエグゼクティブの幻想というのがあるんです。ちなみに、エグゼクティブは素晴らしい人たちで、本当に素晴らしいんですよ。
でも、特に若い創業者がいるシリコンバレーの企業では、エグゼクティブの幻想が見られる傾向があります。「私が来て、これを全部直してあげる」「私が来て、これを全部プロフェッショナルな運営にしてあげる」みたいな感じです。
でも実際は、結局のところチームメイトを採用しているんです。魔法の杖を採用しているわけじゃない。長期にわたってビジネスについて繰り返し素晴らしい判断を下すと信じるチームメイトを採用しているんです。
我々が間違いを犯したのは、魔法の袋を買っているわけじゃないのに、その魔法の公式を持ち込んで、突然全てがうまくいくようになると思ってしまったことです。
反対側にも創業者の幻想があります。創業者CEOの幻想は「素晴らしいエグゼクティブをたくさん雇って、彼らは全てプロだから、自分がやりたくないことを全部やってくれる。そして自分は座って、歯車が回るのを、機械が動くのを眺めていられる」というものです。
これも非常に非現実的です。なぜなら、逆もまた真なんです。あなたが良い創業者CEOである理由は、長期にわたって何度も何度も良い決定を下すからです。
その意思決定のループから自分を引き離すのは、ある意味狂気の沙汰です。
デイビッド: それは我々がよく見てきたパターンやな。「エグゼクティブを雇って、ちょっと後ろに下がろう」って感じで。そして「おっと、大きな決定がうまくいかなかった。待てよ、これが私がここにいる理由じゃないか」って気づくんや。
アレックス: そうですね。もし業界が非常に安定していれば、うまくいく可能性はあります。
公開企業がCEOを変えた時に株価が2%動くのを見てみると、「あ、実際にはあまり関係ないんだ」って感じですよね。それは本当に歯車なんです。
でも、それは創業者が率いる高成長のスタートアップとは全く違います。
デイビッド: その通りやな。
アレックス: 多くのスタートアップや企業は、イノベーションプレミアムのために価値があるんです。投資家は、創業者主導の企業が市場よりもイノベーションを起こすと信じています。
だから、あなたの仕事は市場よりもイノベーションを起こすことです。だから、戦略的な決定に関わっているべきなんです。
デイビッド: そうやな。MEIについて聞かせてくれへんか？最近このコンセプトを発表したよな。俺のXのフィードの半分くらいが君を褒めてたし、一部は君を非難してた。このコンセプトについて、そしてこれを導入してみてどんな観察結果があったか教えてくれへんか？
アレックス: はい、MEIは基本的に、Merit（実力）、Excellence（卓越性）、Intelligence（知性）というアイデアを導入したんです。
基本的な考え方は、全ての役職において、デモグラフィックに関係なく、可能な限り最高の人材を雇うということです。
労働力の最適化のために、特定のデモグラフィックターゲットを満たすような採用は一切行いません。
これは多様性を気にしていないという意味ではありません。実際、全ての役職において多様な視点と多様なトップオブファネルを持つことを重視しています。
でも、最終的には、全ての仕事において最も有能で適任な人を雇うということです。
これは少し物議を醸すようなことですが、一歩下がって考えてみれば、企業は誰を雇うべきかという点では、ある意味当たり前のことだと思います。
デイビッド: うん、常識的な感じがするな。
アレックス: 企業は最も才能のある人を雇うべきだという点で、我々は少し道を見失っていたんじゃないでしょうか。
企業がどれだけの社会的責任を負うべきかという大きな問題になったんです。
私の考えは、私は非常に競争の激しい業界で働いているということです。Scaleの役割は人工知能の発展を促進することです。これは非常に重要な技術です。
我々には信じられるほど賢い人々が必要で、これを成し遂げるためには最高の人々が必要なんです。
これは、Scaleの多くの人々が暗黙のうちに真実だと考えていたことだと思います。我々がScaleで行っていることからの大きな乖離ではありませんでした。
でも、これを成文化することは本当に価値がありました。なぜなら、これが今日我々がどのように運営しているかを示しているからです。
時間とともに企業は変化しますが、この品質は変えないという自信を全員に与えるんです。
デイビッド: 素晴らしいな。最後に、楽観的な質問で締めくくりたいんやけど。
AGI（人工汎用知能）についての君自身の見方や定義、そして我々がそれに到達する予想タイムラインを教えてくれへんか？
アレックス: そうですね、私が好きな定義は、コンピューター上で純粋に行える仕事、つまりデジタルにフォーカスした仕事の80%以上をAIが達成できるようになることです。
これは差し迫っているわけではありません。すぐそこにあるわけではありません。4年以上先の話です。
でも、その兆しは見えています。前に話したアルゴリズムのイノベーションサイクルによっては、もっと早く来るかもしれません。
デイビッド: 素晴らしいな、本当にワクワクするな。アレックス、今日は来てくれてありがとう。いつも通り、たくさん学ばせてもらったわ。本当に感謝してるで。
アレックス: こちらこそ、呼んでくれてありがとうございます。
デイビッド: 最高や。