El mejor uso de la IA es aumentar la velocidad de iteración, no buscar la «magia» de un solo clic.
Organizado por: Founder Park
El segundo día de la YC AI Startup School contó con la presencia de siete invitados de alto nivel: Satya Nadella (CEO de Microsoft), Andrew Ng (fundador de Deep Learning.AI), Chelsea Finn (cofundadora de Physical Intelligence), Michael Truell (CEO y cofundador de Cursor), Dylan Field (CEO y cofundador de Figma), Andrej Karpathy (ex director de AI en Tesla) y Sriram Krishnan (asesor sénior de políticas de inteligencia artificial en la Casa Blanca).
Alrededor de temas como la tecnología de IA y el emprendimiento, estos magnates compartieron muchas ideas brillantes en sus discursos, tales como:
No humanices la IA. La IA no es una persona, es una herramienta. La próxima frontera es dotarla de memoria, herramientas y la capacidad de actuar, pero esto es fundamentalmente diferente de la capacidad de razonamiento humano.
En el futuro, los agentes inteligentes se convertirán en la nueva generación de computadoras. Este futuro depende no solo de la precisión de la tecnología, sino también de la confianza del usuario y de una experiencia de interacción sin interrupciones.
Aquellos productos que incluyen ciclos de retroalimentación, como Agentic AI, superan con creces a las herramientas que solo pueden completar tareas "una vez". La interacción continua puede optimizar los resultados, mientras que la iteración puede traer mejoras compuestas en el rendimiento.
La velocidad para construir prototipos ahora es 10 veces más rápida, y la eficiencia en el desarrollo de software de nivel de producción ha mejorado entre un 30 y un 50%. Debemos aprovechar esta ventaja, utilizando la retroalimentación en tiempo real de los usuarios para reducir el riesgo en el mercado.
El código ya no es ese activo central escaso del pasado. Con herramientas de prototipado rápido y la IA, es fácil producir código. Lo que realmente importa es el valor que el código genera.
Los datos del mundo real son insustituibles. Aunque los datos sintéticos y simulados son útiles, los datos reales siguen siendo fundamentales, especialmente para tareas visuales y físicas complejas.
El mejor uso de la IA es aumentar la velocidad de iteración, no buscar la "magia" de la generación con un solo clic. Los diseñadores y gerentes de producto ahora deben contribuir a la evaluación de la IA.
Además de Andrej Karpathy (para más detalles sobre la presentación de Andrej Karpathy, consulte nuestro artículo de ayer "El primer día del campamento de startups de YC AI, la charla de Andrej Karpathy fue tendencia"), Sriram Krishnan, hemos organizado los puntos clave de las presentaciones de los otros cinco invitados.
CEO de Microsoft: Satya Nadella
Efecto compuesto de la plataforma: la IA no surge de la nada, sino que se basa en décadas de infraestructura en la nube, que ha evolucionado para poder soportar el entrenamiento de modelos a gran escala. Cada generación de plataforma allana el camino para la aparición de la siguiente generación.
El modelo es infraestructura, el producto es ecosistema: el modelo básico es una infraestructura, similar a una nueva base de datos SQL. El verdadero producto no es el modelo en sí, sino todo el ecosistema que se construye en torno a él: ciclos de retroalimentación, integración de herramientas e interacción del usuario.
El impacto económico es la referencia: el indicador estelar que Satya utiliza para medir el valor de la IA es: "¿Está creando un excedente económico?" Si una tecnología no puede impulsar el crecimiento del PIB, entonces no es transformadora.
El límite entre la potencia de cálculo y la inteligencia: el nivel de inteligencia crecerá de manera logarítmica con la inversión de potencia de cálculo. Pero los grandes avances futuros no vendrán solo de la escala, sino de un cambio de paradigma, como la llegada del próximo "momento de la ley de escalado".
Energía y consenso social: El desarrollo a gran escala de la IA requerirá un mayor consumo de energía y también necesitará obtener el permiso de la sociedad. Para ganar este permiso, debemos demostrar que los beneficios sociales reales y positivos que aporta la IA son suficientes para igualar sus costos.
El verdadero obstáculo de la IA es la gestión del cambio: las barreras al desarrollo de las industrias tradicionales no están en la tecnología, sino en la atadura a los flujos de trabajo existentes. La verdadera transformación requiere repensar cómo se realiza el trabajo, y no simplemente introducir la IA.
La fusión de roles laborales: en plataformas como LinkedIn, roles tradicionales como diseño, frontend y producto están gradualmente fusionándose, dando lugar a talentos "full-stack". La IA está permitiendo que más personas adquieran habilidades interdisciplinarias, acelerando así esta tendencia.
No subestimes el valor del trabajo repetitivo: En el trabajo del conocimiento, existe una gran cantidad de trabajo físico repetitivo. La mejor aplicación de la IA es eliminar este "costo de fricción invisible" y liberar la creatividad humana.
Mantenerse abierto al futuro: incluso Satya no previó que los avances en las tecnologías de "computación durante las pruebas" y "aprendizaje reforzado" fueran tan rápidos. No asumas que ya hemos visto la forma final de la IA, es muy probable que haya más avances en el futuro.
No humanices la IA: la IA no es una persona. Es una herramienta. La próxima frontera es dotarla de memoria, herramientas y la capacidad de actuar, pero esto es esencialmente diferente de la capacidad de razonamiento humano.
El futuro del desarrollo: la IA no reemplazará a los desarrolladores, sino que se convertirá en su asistente valioso. VSCode es un lienzo para colaborar con la IA. El núcleo de la ingeniería de software pasará de escribir código a diseño de sistemas y garantía de calidad.
La responsabilidad y la confianza son indispensables: La aparición de la IA no exime a los humanos de su responsabilidad. Las empresas aún deben ser legalmente responsables por el comportamiento de sus productos. Por eso, la privacidad, la seguridad y la soberanía deben mantener un lugar central.
La confianza proviene del valor práctico: la confianza proviene de la utilidad, no de palabras vacías. Satya señala que un ejemplo es el chatbot implementado para los agricultores indios, indicando que la ayuda tangible es la base para construir confianza.
De la voz a los agentes inteligentes: El viaje de IA de Microsoft comenzó en 1995 con la tecnología de voz. Hoy en día, su enfoque estratégico se ha trasladado a los "agentes inteligentes" completamente funcionales, que integran voz, visión y dispositivos de computación ubicua.
El agente inteligente es la computadora del futuro: La visión a largo plazo de Satya es: "Los agentes inteligentes se convertirán en la nueva generación de computadoras." Este futuro depende no solo de la precisión de la tecnología, sino también de la confianza del usuario y de una experiencia de interacción sin fisuras.
Reflexiones sobre el liderazgo: Su consejo es comenzar desde la base, pero con las ambiciones más grandes en el corazón. Hay que aprender a construir un equipo, y no solo a desarrollar un producto.
Las personas que Satya busca: valora a aquellos que simplifican lo complejo y aportan claridad de pensamiento; que inspiran la energía del equipo y unen a las personas; que disfrutan resolver problemas complejos bajo condiciones restrictivas.
Pregunta de entrevista favorita: "Cuéntame sobre un problema que no sabías cómo resolver y cómo lo solucionaste. Él espera ver la curiosidad, la adaptabilidad y la perseverancia del candidato a partir de esto.
Potencial de la computación cuántica: la próxima tecnología disruptiva podría provenir del ámbito cuántico. Microsoft se está enfocando en el desarrollo de «qubits de corrección de errores», una tecnología que podría permitirnos simular el mundo natural con una precisión sin igual.
Consejo para los jóvenes: no esperes el permiso de los demás. Ve a construir herramientas que realmente empoderen a las personas. A menudo reflexiona: "¿Qué podemos crear para ayudar a otros a crear?"
Productos favoritos: VSCode y Excel — porque les otorgan superpoderes.
Fundador de Deep Learning.AI: Andrew Ng
La velocidad de ejecución determina el éxito o el fracaso: El mejor indicador para medir si una startup tendrá éxito es la velocidad de construir, probar e iterar. La velocidad puede generar un efecto de aprendizaje compuesto, y la IA hace que este efecto crezca de manera exponencial.
La mayoría de las oportunidades están en la capa de aplicación: actualmente, los mayores beneficios no provienen de construir nuevos modelos, sino de aplicar modelos existentes en escenarios valiosos y orientados al usuario. Este es el aspecto en el que los fundadores deberían concentrarse.
La IA Agentic es superior a las herramientas "desechables": los productos que incluyen ciclos de retroalimentación, como la IA Agentic, superan con creces a aquellas herramientas que solo pueden realizar tareas "desechables". La interacción continua puede optimizar los resultados, mientras que la iteración puede llevar a una mejora compuesta del rendimiento.
La "capa de orquestación" está surgiendo: entre los modelos base y las aplicaciones, se está formando una nueva capa intermedia: la orquestación basada en agentes. Esta capa puede soportar tareas complejas de múltiples pasos que cruzan herramientas y fuentes de datos.
Cuanto más específico sea el pensamiento, más rápida será la ejecución: la mejor manera de actuar rápidamente es comenzar con una idea concreta, una idea lo suficientemente detallada como para que un ingeniero pueda comenzar a construir de inmediato. Una buena idea concreta generalmente proviene de expertos en el campo que tienen una claridad intuitiva.
Presta atención a las trampas de las "grandes narrativas": objetivos abstractos como "IA empoderando la salud" suenan ambiciosos, pero a menudo conducen a una ejecución lenta. Lo que realmente puede traer eficiencia son herramientas concretas como "automatización de citas de MRI".
Atreverse a ajustar la dirección, siempre que se dé el primer paso correcto: si los datos iniciales muestran que tu idea no funciona, un plan inicial concreto te facilitará el cambio de rumbo. Entender claramente qué estás probando te permitirá girar rápidamente hacia otra dirección después de un fracaso.
Utilizar ciclos de retroalimentación para mitigar riesgos: ahora la velocidad de construcción de prototipos ha aumentado 10 veces, y la eficiencia en el desarrollo de software de producción también ha mejorado entre un 30 y un 50%. Se debe aprovechar esta ventaja para reducir el riesgo en el mercado a través de retroalimentación de usuarios en tiempo real.
Haz más intentos en lugar de buscar la perfección: no intentes perfeccionar tu primera versión. Construye 20 prototipos ásperos y observa cuál se mantiene. La velocidad de aprendizaje es más importante que el pulido.
Actuar rápidamente y ser responsable: Andrew Ng reinterpretó el clásico principio del Silicon Valley: no "actuar rápidamente y romper las reglas", sino "actuar rápidamente y asumir la responsabilidad". La sensación de responsabilidad es la base para construir confianza.
El código está perdiendo su valor escaso: el código ya no es el activo central escaso que solía ser. Con las herramientas de prototipado rápido y la IA, el código se produce fácilmente. Lo que realmente importa es el valor que el código realiza.
La arquitectura técnica es reversible: en el pasado, elegir una arquitectura era una decisión unidireccional. Ahora es una puerta bidireccional, y el costo de cambiar de arquitectura se ha reducido drásticamente. Esta flexibilidad fomenta intentos más audaces y experimentos más rápidos.
Todo el mundo debería aprender a programar: el argumento de "no aprender a programar" es un tipo de desinformación. En su momento, cuando se pasó de lenguaje ensamblador a lenguajes de alto nivel, también había preocupaciones similares. La IA está reduciendo la barrera de entrada a la programación, y en el futuro, más personas en diversos puestos deberían dominar habilidades de programación.
Conocimiento del dominio mejora la IA: Una comprensión profunda de un campo específico permite utilizar mejor la IA. Los historiadores del arte pueden escribir mejores indicaciones de imágenes. Los médicos pueden moldear una mejor IA para la salud. Los fundadores deben combinar el conocimiento del dominio con la competencia en IA.
El gerente de producto ahora es el cuello de botella: ahora, el nuevo factor limitante no son los ingenieros, sino la gestión de productos. Un equipo de Andrew Ng incluso sugirió ajustar la proporción de gerentes de producto a ingenieros a 2:1 para acelerar el proceso de retroalimentación y toma de decisiones.
Los ingenieros necesitan pensamiento de producto: los ingenieros con intuición de producto actúan más rápido y desarrollan mejores productos. No es suficiente tener solo habilidades técnicas, los desarrolladores también necesitan comprender profundamente las necesidades del usuario.
Solicitar opiniones de amigos
Un profundo conocimiento de la IA sigue siendo una ventaja competitiva: la alfabetización en IA aún no se ha generalizado. Aquellos que realmente comprenden los principios técnicos de la IA siguen teniendo una gran ventaja: pueden innovar de manera más inteligente, más eficiente y más autónoma.
Hype ≠ Verdad: Mantente alerta ante aquellas narrativas que suenan impresionantes pero que se utilizan principalmente para recaudar fondos o mejorar el estatus. Términos como AGI, extinción e inteligencia infinita suelen ser señales de hype, y no señales de influencia.
La seguridad se relaciona con el uso, no con la tecnología en sí: el concepto de "seguridad de IA" a menudo se malinterpreta. La IA es como la electricidad o el fuego, en sí misma no es buena ni mala, depende de cómo se aplique. La seguridad se relaciona con el uso, no con la herramienta en sí.
Lo único que importa es si a los usuarios les gusta: no es necesario obsesionarse demasiado con el costo del modelo o los estándares de rendimiento. La única pregunta que debe preocuparnos es: ¿estás creando un producto que a los usuarios realmente les encanta y que están dispuestos a seguir usando?
La educación con IA aún está en fase de exploración: empresas como Kira Learning están realizando numerosos experimentos, pero la forma final de la IA en el campo educativo aún no está clara. Todavía estamos en las primeras etapas de la transformación.
Mantente alerta ante la "teoría del apocalipsis" y la "captura regulatoria": el miedo excesivo hacia la IA se está utilizando para justificar regulaciones que protegen a las empresas existentes. Debes ser escéptico con respecto a las narrativas de "seguridad de la IA" que benefician a los que ya están en el poder.
Inteligencia Física 联创：Chelsea Finn
La robótica requiere un pensamiento de pila completa: no puedes simplemente agregar la robótica a una empresa existente. Necesitas construir toda la pila tecnológica desde cero: datos, modelos, implementación.
La calidad de los datos es más importante que la cantidad: los enormes conjuntos de datos provenientes de la industria, YouTube o entornos simulados a menudo carecen de diversidad y autenticidad. Los datos correctos y de alta calidad son más importantes que la escala.
Mejor modo: Preentrenamiento + Ajuste fino: Primero se realiza un preentrenamiento en un conjunto de datos amplio, y luego se utiliza aproximadamente 1000 muestras de alta calidad y consistentes en el escenario para el ajuste fino. Este método puede mejorar significativamente el rendimiento del robot.
Los robots de propósito general superarán a los especializados: los modelos generales que pueden cruzar diferentes tareas y plataformas de hardware (como los robots de terceros) están demostrando ser más exitosos que los sistemas construidos para propósitos específicos.
Los datos del mundo real son insustituibles: aunque los datos sintéticos y simulados son útiles, los datos reales siguen siendo cruciales, especialmente para tareas visuales y físicas complejas.
Demasiados recursos pueden ser contraproducentes: financiar en exceso o complicar demasiado las cosas puede ralentizar el progreso. La claridad del problema y la ejecución enfocada son lo más importante.
Cursor CEO&Co-Fundador: Michael Truell
Comienza lo antes posible y sigue construyendo: incluso si uno de los socios sale, Michael sigue programando. La propagación viral temprana (una imitación de Flappy Bird) le ayudó a construir confianza y habilidades.
Validación rápida, incluso en áreas desconocidas: su equipo construyó un asistente de programación en el campo de la ingeniería mecánica sin experiencia previa. Su lema es "aprender en la práctica".
Posicionamiento diferenciado, sin miedo a los gigantes: dudaron sobre si debían competir con GitHub Copilot, pero luego se dieron cuenta de que pocas empresas tienen como objetivo "automatización del desarrollo de extremo a extremo". Este posicionamiento les abrió el mercado.
De la codificación a la publicación, acción rápida: desde la primera línea de código hasta la publicación pública, solo les tomó 3 meses. La iteración rápida les ayudó a calibrar rápidamente la dirección del producto.
La concentración supera la complejidad: decidieron abandonar el plan de desarrollar simultáneamente IDE (Entorno de Desarrollo Integrado) y herramientas de IA. Al centrarse en las funciones de IA en sí, lograron un desarrollo más rápido.
La distribución puede comenzar con un tweet: el crecimiento inicial de usuarios de Cursor se originó en un tweet del cofundador en las redes sociales. Antes de la promoción oficial en el mercado, el boca a boca ya era el principal motor.
El efecto de capitalización del poder de ejecución: en 2024, los ingresos recurrentes anuales de Cursor aumentaron de 1 millón de dólares a 100 millones de dólares en un año, logrando un crecimiento compuesto semanal del 10% impulsado por mejoras en el producto y la demanda de los usuarios.
El mejor consejo, sigue tu curiosidad: olvida esas cosas que haces para embellecer tu currículum. El principal consejo de Michael es: haz cosas que te interesen con personas inteligentes.
CEO de Figma & Co-Fundador: Dylan Field
Encuentra un cofundador que te motive: La motivación de Dylan proviene de trabajar con su cofundador Evan Wallace, "cada semana se siente como si estuvieran creando el futuro."
Comienza lo antes posible, aprendiendo mientras haces: Dylan comenzó su proyecto emprendedor a los 19 años mientras aún estaba en la universidad. Los fracasos de proyectos tempranos como el "generador de memes" finalmente forjaron una gran idea como Figma.
Publicación rápida, obtención de retroalimentación más rápida: contactaron por correo electrónico a los primeros usuarios, realizaron iteraciones rápidas y desde el principio se comprometieron a cobrar. La retroalimentación es el motor continuo de la evolución del producto.
Descomponer la hoja de ruta a largo plazo en sprints a corto plazo: desglosar una gran visión en partes más pequeñas es clave para garantizar la velocidad y la capacidad de ejecución.
La adaptación del producto al mercado puede tardar años: Figma tardó cinco años en recibir una señal decisiva: Microsoft propuso que si Figma no comenzaba a cobrar, tendrían que cancelar la colaboración.
El diseño es un nuevo factor de diferenciación: él cree que debido al auge de la IA, el diseño se está volviendo cada vez más importante. Figma también está respondiendo a esta tendencia lanzando una serie de nuevos productos como Draw, Buzz, Sites y Make.
Utilizar la IA para acelerar el diseño de prototipos: el mejor uso de la IA es aumentar la velocidad de iteración, en lugar de buscar la "magia" de generar con un solo clic. Los diseñadores y gerentes de producto ahora deben contribuir a la evaluación de la IA.
Abraza el rechazo en lugar de evitarlo: La experiencia de actuación en su infancia enseñó a Dylan a enfrentar las críticas y los comentarios con calma. Él cree que ser rechazado es parte del camino hacia el éxito.
Las conexiones interpersonales siempre son el núcleo: advertencia de no reemplazar las relaciones humanas con la IA. Cuando se le preguntó sobre el significado de la vida, respondió: "Explorar la conciencia, seguir aprendiendo, compartir amor."
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
YC AI Camp Día 2: Nadella, Andrew Ng, el CEO de Cursor todos vinieron
Organizado por: Founder Park
El segundo día de la YC AI Startup School contó con la presencia de siete invitados de alto nivel: Satya Nadella (CEO de Microsoft), Andrew Ng (fundador de Deep Learning.AI), Chelsea Finn (cofundadora de Physical Intelligence), Michael Truell (CEO y cofundador de Cursor), Dylan Field (CEO y cofundador de Figma), Andrej Karpathy (ex director de AI en Tesla) y Sriram Krishnan (asesor sénior de políticas de inteligencia artificial en la Casa Blanca).
Alrededor de temas como la tecnología de IA y el emprendimiento, estos magnates compartieron muchas ideas brillantes en sus discursos, tales como:
Además de Andrej Karpathy (para más detalles sobre la presentación de Andrej Karpathy, consulte nuestro artículo de ayer "El primer día del campamento de startups de YC AI, la charla de Andrej Karpathy fue tendencia"), Sriram Krishnan, hemos organizado los puntos clave de las presentaciones de los otros cinco invitados.
CEO de Microsoft: Satya Nadella
Efecto compuesto de la plataforma: la IA no surge de la nada, sino que se basa en décadas de infraestructura en la nube, que ha evolucionado para poder soportar el entrenamiento de modelos a gran escala. Cada generación de plataforma allana el camino para la aparición de la siguiente generación.
El modelo es infraestructura, el producto es ecosistema: el modelo básico es una infraestructura, similar a una nueva base de datos SQL. El verdadero producto no es el modelo en sí, sino todo el ecosistema que se construye en torno a él: ciclos de retroalimentación, integración de herramientas e interacción del usuario.
El impacto económico es la referencia: el indicador estelar que Satya utiliza para medir el valor de la IA es: "¿Está creando un excedente económico?" Si una tecnología no puede impulsar el crecimiento del PIB, entonces no es transformadora.
El límite entre la potencia de cálculo y la inteligencia: el nivel de inteligencia crecerá de manera logarítmica con la inversión de potencia de cálculo. Pero los grandes avances futuros no vendrán solo de la escala, sino de un cambio de paradigma, como la llegada del próximo "momento de la ley de escalado".
Energía y consenso social: El desarrollo a gran escala de la IA requerirá un mayor consumo de energía y también necesitará obtener el permiso de la sociedad. Para ganar este permiso, debemos demostrar que los beneficios sociales reales y positivos que aporta la IA son suficientes para igualar sus costos.
El verdadero obstáculo de la IA es la gestión del cambio: las barreras al desarrollo de las industrias tradicionales no están en la tecnología, sino en la atadura a los flujos de trabajo existentes. La verdadera transformación requiere repensar cómo se realiza el trabajo, y no simplemente introducir la IA.
La fusión de roles laborales: en plataformas como LinkedIn, roles tradicionales como diseño, frontend y producto están gradualmente fusionándose, dando lugar a talentos "full-stack". La IA está permitiendo que más personas adquieran habilidades interdisciplinarias, acelerando así esta tendencia.
No subestimes el valor del trabajo repetitivo: En el trabajo del conocimiento, existe una gran cantidad de trabajo físico repetitivo. La mejor aplicación de la IA es eliminar este "costo de fricción invisible" y liberar la creatividad humana.
Mantenerse abierto al futuro: incluso Satya no previó que los avances en las tecnologías de "computación durante las pruebas" y "aprendizaje reforzado" fueran tan rápidos. No asumas que ya hemos visto la forma final de la IA, es muy probable que haya más avances en el futuro.
No humanices la IA: la IA no es una persona. Es una herramienta. La próxima frontera es dotarla de memoria, herramientas y la capacidad de actuar, pero esto es esencialmente diferente de la capacidad de razonamiento humano.
El futuro del desarrollo: la IA no reemplazará a los desarrolladores, sino que se convertirá en su asistente valioso. VSCode es un lienzo para colaborar con la IA. El núcleo de la ingeniería de software pasará de escribir código a diseño de sistemas y garantía de calidad.
La responsabilidad y la confianza son indispensables: La aparición de la IA no exime a los humanos de su responsabilidad. Las empresas aún deben ser legalmente responsables por el comportamiento de sus productos. Por eso, la privacidad, la seguridad y la soberanía deben mantener un lugar central.
La confianza proviene del valor práctico: la confianza proviene de la utilidad, no de palabras vacías. Satya señala que un ejemplo es el chatbot implementado para los agricultores indios, indicando que la ayuda tangible es la base para construir confianza.
De la voz a los agentes inteligentes: El viaje de IA de Microsoft comenzó en 1995 con la tecnología de voz. Hoy en día, su enfoque estratégico se ha trasladado a los "agentes inteligentes" completamente funcionales, que integran voz, visión y dispositivos de computación ubicua.
El agente inteligente es la computadora del futuro: La visión a largo plazo de Satya es: "Los agentes inteligentes se convertirán en la nueva generación de computadoras." Este futuro depende no solo de la precisión de la tecnología, sino también de la confianza del usuario y de una experiencia de interacción sin fisuras.
Reflexiones sobre el liderazgo: Su consejo es comenzar desde la base, pero con las ambiciones más grandes en el corazón. Hay que aprender a construir un equipo, y no solo a desarrollar un producto.
Las personas que Satya busca: valora a aquellos que simplifican lo complejo y aportan claridad de pensamiento; que inspiran la energía del equipo y unen a las personas; que disfrutan resolver problemas complejos bajo condiciones restrictivas.
Pregunta de entrevista favorita: "Cuéntame sobre un problema que no sabías cómo resolver y cómo lo solucionaste. Él espera ver la curiosidad, la adaptabilidad y la perseverancia del candidato a partir de esto.
Potencial de la computación cuántica: la próxima tecnología disruptiva podría provenir del ámbito cuántico. Microsoft se está enfocando en el desarrollo de «qubits de corrección de errores», una tecnología que podría permitirnos simular el mundo natural con una precisión sin igual.
Consejo para los jóvenes: no esperes el permiso de los demás. Ve a construir herramientas que realmente empoderen a las personas. A menudo reflexiona: "¿Qué podemos crear para ayudar a otros a crear?"
Productos favoritos: VSCode y Excel — porque les otorgan superpoderes.
Fundador de Deep Learning.AI: Andrew Ng
La velocidad de ejecución determina el éxito o el fracaso: El mejor indicador para medir si una startup tendrá éxito es la velocidad de construir, probar e iterar. La velocidad puede generar un efecto de aprendizaje compuesto, y la IA hace que este efecto crezca de manera exponencial.
La mayoría de las oportunidades están en la capa de aplicación: actualmente, los mayores beneficios no provienen de construir nuevos modelos, sino de aplicar modelos existentes en escenarios valiosos y orientados al usuario. Este es el aspecto en el que los fundadores deberían concentrarse.
La IA Agentic es superior a las herramientas "desechables": los productos que incluyen ciclos de retroalimentación, como la IA Agentic, superan con creces a aquellas herramientas que solo pueden realizar tareas "desechables". La interacción continua puede optimizar los resultados, mientras que la iteración puede llevar a una mejora compuesta del rendimiento.
La "capa de orquestación" está surgiendo: entre los modelos base y las aplicaciones, se está formando una nueva capa intermedia: la orquestación basada en agentes. Esta capa puede soportar tareas complejas de múltiples pasos que cruzan herramientas y fuentes de datos.
Cuanto más específico sea el pensamiento, más rápida será la ejecución: la mejor manera de actuar rápidamente es comenzar con una idea concreta, una idea lo suficientemente detallada como para que un ingeniero pueda comenzar a construir de inmediato. Una buena idea concreta generalmente proviene de expertos en el campo que tienen una claridad intuitiva.
Presta atención a las trampas de las "grandes narrativas": objetivos abstractos como "IA empoderando la salud" suenan ambiciosos, pero a menudo conducen a una ejecución lenta. Lo que realmente puede traer eficiencia son herramientas concretas como "automatización de citas de MRI".
Atreverse a ajustar la dirección, siempre que se dé el primer paso correcto: si los datos iniciales muestran que tu idea no funciona, un plan inicial concreto te facilitará el cambio de rumbo. Entender claramente qué estás probando te permitirá girar rápidamente hacia otra dirección después de un fracaso.
Utilizar ciclos de retroalimentación para mitigar riesgos: ahora la velocidad de construcción de prototipos ha aumentado 10 veces, y la eficiencia en el desarrollo de software de producción también ha mejorado entre un 30 y un 50%. Se debe aprovechar esta ventaja para reducir el riesgo en el mercado a través de retroalimentación de usuarios en tiempo real.
Haz más intentos en lugar de buscar la perfección: no intentes perfeccionar tu primera versión. Construye 20 prototipos ásperos y observa cuál se mantiene. La velocidad de aprendizaje es más importante que el pulido.
Actuar rápidamente y ser responsable: Andrew Ng reinterpretó el clásico principio del Silicon Valley: no "actuar rápidamente y romper las reglas", sino "actuar rápidamente y asumir la responsabilidad". La sensación de responsabilidad es la base para construir confianza.
El código está perdiendo su valor escaso: el código ya no es el activo central escaso que solía ser. Con las herramientas de prototipado rápido y la IA, el código se produce fácilmente. Lo que realmente importa es el valor que el código realiza.
La arquitectura técnica es reversible: en el pasado, elegir una arquitectura era una decisión unidireccional. Ahora es una puerta bidireccional, y el costo de cambiar de arquitectura se ha reducido drásticamente. Esta flexibilidad fomenta intentos más audaces y experimentos más rápidos.
Todo el mundo debería aprender a programar: el argumento de "no aprender a programar" es un tipo de desinformación. En su momento, cuando se pasó de lenguaje ensamblador a lenguajes de alto nivel, también había preocupaciones similares. La IA está reduciendo la barrera de entrada a la programación, y en el futuro, más personas en diversos puestos deberían dominar habilidades de programación.
Conocimiento del dominio mejora la IA: Una comprensión profunda de un campo específico permite utilizar mejor la IA. Los historiadores del arte pueden escribir mejores indicaciones de imágenes. Los médicos pueden moldear una mejor IA para la salud. Los fundadores deben combinar el conocimiento del dominio con la competencia en IA.
El gerente de producto ahora es el cuello de botella: ahora, el nuevo factor limitante no son los ingenieros, sino la gestión de productos. Un equipo de Andrew Ng incluso sugirió ajustar la proporción de gerentes de producto a ingenieros a 2:1 para acelerar el proceso de retroalimentación y toma de decisiones.
Los ingenieros necesitan pensamiento de producto: los ingenieros con intuición de producto actúan más rápido y desarrollan mejores productos. No es suficiente tener solo habilidades técnicas, los desarrolladores también necesitan comprender profundamente las necesidades del usuario.
Solicitar opiniones de amigos
Un profundo conocimiento de la IA sigue siendo una ventaja competitiva: la alfabetización en IA aún no se ha generalizado. Aquellos que realmente comprenden los principios técnicos de la IA siguen teniendo una gran ventaja: pueden innovar de manera más inteligente, más eficiente y más autónoma.
Hype ≠ Verdad: Mantente alerta ante aquellas narrativas que suenan impresionantes pero que se utilizan principalmente para recaudar fondos o mejorar el estatus. Términos como AGI, extinción e inteligencia infinita suelen ser señales de hype, y no señales de influencia.
La seguridad se relaciona con el uso, no con la tecnología en sí: el concepto de "seguridad de IA" a menudo se malinterpreta. La IA es como la electricidad o el fuego, en sí misma no es buena ni mala, depende de cómo se aplique. La seguridad se relaciona con el uso, no con la herramienta en sí.
Lo único que importa es si a los usuarios les gusta: no es necesario obsesionarse demasiado con el costo del modelo o los estándares de rendimiento. La única pregunta que debe preocuparnos es: ¿estás creando un producto que a los usuarios realmente les encanta y que están dispuestos a seguir usando?
La educación con IA aún está en fase de exploración: empresas como Kira Learning están realizando numerosos experimentos, pero la forma final de la IA en el campo educativo aún no está clara. Todavía estamos en las primeras etapas de la transformación.
Mantente alerta ante la "teoría del apocalipsis" y la "captura regulatoria": el miedo excesivo hacia la IA se está utilizando para justificar regulaciones que protegen a las empresas existentes. Debes ser escéptico con respecto a las narrativas de "seguridad de la IA" que benefician a los que ya están en el poder.
Inteligencia Física 联创：Chelsea Finn
La robótica requiere un pensamiento de pila completa: no puedes simplemente agregar la robótica a una empresa existente. Necesitas construir toda la pila tecnológica desde cero: datos, modelos, implementación.
La calidad de los datos es más importante que la cantidad: los enormes conjuntos de datos provenientes de la industria, YouTube o entornos simulados a menudo carecen de diversidad y autenticidad. Los datos correctos y de alta calidad son más importantes que la escala.
Mejor modo: Preentrenamiento + Ajuste fino: Primero se realiza un preentrenamiento en un conjunto de datos amplio, y luego se utiliza aproximadamente 1000 muestras de alta calidad y consistentes en el escenario para el ajuste fino. Este método puede mejorar significativamente el rendimiento del robot.
Los robots de propósito general superarán a los especializados: los modelos generales que pueden cruzar diferentes tareas y plataformas de hardware (como los robots de terceros) están demostrando ser más exitosos que los sistemas construidos para propósitos específicos.
Los datos del mundo real son insustituibles: aunque los datos sintéticos y simulados son útiles, los datos reales siguen siendo cruciales, especialmente para tareas visuales y físicas complejas.
Demasiados recursos pueden ser contraproducentes: financiar en exceso o complicar demasiado las cosas puede ralentizar el progreso. La claridad del problema y la ejecución enfocada son lo más importante.
Cursor CEO&Co-Fundador: Michael Truell
Comienza lo antes posible y sigue construyendo: incluso si uno de los socios sale, Michael sigue programando. La propagación viral temprana (una imitación de Flappy Bird) le ayudó a construir confianza y habilidades.
Validación rápida, incluso en áreas desconocidas: su equipo construyó un asistente de programación en el campo de la ingeniería mecánica sin experiencia previa. Su lema es "aprender en la práctica".
Posicionamiento diferenciado, sin miedo a los gigantes: dudaron sobre si debían competir con GitHub Copilot, pero luego se dieron cuenta de que pocas empresas tienen como objetivo "automatización del desarrollo de extremo a extremo". Este posicionamiento les abrió el mercado.
De la codificación a la publicación, acción rápida: desde la primera línea de código hasta la publicación pública, solo les tomó 3 meses. La iteración rápida les ayudó a calibrar rápidamente la dirección del producto.
La concentración supera la complejidad: decidieron abandonar el plan de desarrollar simultáneamente IDE (Entorno de Desarrollo Integrado) y herramientas de IA. Al centrarse en las funciones de IA en sí, lograron un desarrollo más rápido.
La distribución puede comenzar con un tweet: el crecimiento inicial de usuarios de Cursor se originó en un tweet del cofundador en las redes sociales. Antes de la promoción oficial en el mercado, el boca a boca ya era el principal motor.
El efecto de capitalización del poder de ejecución: en 2024, los ingresos recurrentes anuales de Cursor aumentaron de 1 millón de dólares a 100 millones de dólares en un año, logrando un crecimiento compuesto semanal del 10% impulsado por mejoras en el producto y la demanda de los usuarios.
El mejor consejo, sigue tu curiosidad: olvida esas cosas que haces para embellecer tu currículum. El principal consejo de Michael es: haz cosas que te interesen con personas inteligentes.
CEO de Figma & Co-Fundador: Dylan Field
Encuentra un cofundador que te motive: La motivación de Dylan proviene de trabajar con su cofundador Evan Wallace, "cada semana se siente como si estuvieran creando el futuro."
Comienza lo antes posible, aprendiendo mientras haces: Dylan comenzó su proyecto emprendedor a los 19 años mientras aún estaba en la universidad. Los fracasos de proyectos tempranos como el "generador de memes" finalmente forjaron una gran idea como Figma.
Publicación rápida, obtención de retroalimentación más rápida: contactaron por correo electrónico a los primeros usuarios, realizaron iteraciones rápidas y desde el principio se comprometieron a cobrar. La retroalimentación es el motor continuo de la evolución del producto.
Descomponer la hoja de ruta a largo plazo en sprints a corto plazo: desglosar una gran visión en partes más pequeñas es clave para garantizar la velocidad y la capacidad de ejecución.
La adaptación del producto al mercado puede tardar años: Figma tardó cinco años en recibir una señal decisiva: Microsoft propuso que si Figma no comenzaba a cobrar, tendrían que cancelar la colaboración.
El diseño es un nuevo factor de diferenciación: él cree que debido al auge de la IA, el diseño se está volviendo cada vez más importante. Figma también está respondiendo a esta tendencia lanzando una serie de nuevos productos como Draw, Buzz, Sites y Make.
Utilizar la IA para acelerar el diseño de prototipos: el mejor uso de la IA es aumentar la velocidad de iteración, en lugar de buscar la "magia" de generar con un solo clic. Los diseñadores y gerentes de producto ahora deben contribuir a la evaluación de la IA.
Abraza el rechazo en lugar de evitarlo: La experiencia de actuación en su infancia enseñó a Dylan a enfrentar las críticas y los comentarios con calma. Él cree que ser rechazado es parte del camino hacia el éxito.
Las conexiones interpersonales siempre son el núcleo: advertencia de no reemplazar las relaciones humanas con la IA. Cuando se le preguntó sobre el significado de la vida, respondió: "Explorar la conciencia, seguir aprendiendo, compartir amor."