Penggunaan terbaik AI adalah meningkatkan kecepatan iterasi, bukan mengejar "sihir" yang dihasilkan dengan satu tombol.
Disusun oleh: Founder Park
Hari kedua YC AI Startup School, dihadiri oleh tujuh tamu penting: Satya Nadella (CEO Microsoft), Andrew Ng (pendiri Deep Learning.AI), Chelsea Finn (co-founder Physical Intelligence), Michael Truell (CEO & co-founder Cursor), Dylan Field (CEO & co-founder Figma), Andrej Karpathy (mantan Direktur AI Tesla), Sriram Krishnan (Penasihat Kebijakan AI Senior Gedung Putih).
Mengenai topik teknologi AI, kewirausahaan, dan lainnya, para tokoh ini membagikan banyak pandangan menarik dalam pidato mereka, seperti:
Jangan personifikasikan AI. AI bukan manusia, itu adalah alat. Perbatasan berikutnya adalah memberikannya ingatan, alat, dan kemampuan untuk bertindak, tetapi ini berbeda secara mendasar dari kemampuan penalaran manusia.
Di masa depan, agen cerdas akan menjadi generasi baru komputer. Masa depan ini tidak hanya bergantung pada ketepatan teknologi, tetapi juga pada kepercayaan pengguna dan pengalaman interaksi yang mulus.
Produk-produk yang memiliki umpan balik seperti Agentic AI, kinerjanya jauh lebih baik daripada alat yang hanya dapat menyelesaikan tugas "sekali saja". Interaksi yang berkelanjutan dapat mengoptimalkan hasil, sementara iterasi dapat membawa peningkatan kinerja yang kompleks.
Sekarang kecepatan membangun prototipe meningkat 10 kali lipat, efisiensi pengembangan perangkat lunak tingkat produksi juga meningkat 30-50%. Harus memanfaatkan keuntungan ini dengan mengurangi risiko pasar melalui umpan balik pengguna secara real-time.
Kode tidak lagi menjadi aset inti yang langka seperti di masa lalu. Dengan alat prototyping cepat dan AI, kode sangat mudah diproduksi. Yang benar-benar penting adalah nilai yang dihasilkan oleh kode tersebut.
Data dunia nyata tidak tergantikan. Meskipun data sintetis dan simulasi membantu, data nyata tetap sangat penting, terutama untuk tugas visual dan fisik yang kompleks.
Penggunaan terbaik AI adalah meningkatkan kecepatan iterasi, bukan mengejar "sihir" satu klik. Desainer dan manajer produk sekarang harus berkontribusi dalam evaluasi AI.
Selain Andrej Karpathy (untuk rincian tentang pembagian Andrej Karpathy, lihat artikel kami kemarin "Hari Pertama YC AI Startup School, Presentasi Andrej Karpathy Mendapat Banyak Perhatian"), Sriram Krishnan, kami telah merangkum poin-poin kunci dari lima tamu lainnya.
CEO Microsoft: Satya Nadella
Efek komposit dari platform: AI tidak muncul begitu saja, tetapi dibangun di atas infrastruktur cloud selama puluhan tahun, yang telah berkembang untuk mendukung pelatihan model berskala besar. Setiap generasi platform telah mempersiapkan munculnya platform generasi berikutnya.
Model adalah infrastruktur, produk adalah ekosistem: model dasar adalah semacam infrastruktur, mirip dengan database SQL baru. Produk yang sebenarnya bukanlah model itu sendiri, tetapi seluruh ekosistem yang dibangun di sekitarnya: siklus umpan balik, integrasi alat, dan interaksi pengguna.
Dampak ekonomi adalah patokan: Indikator utama untuk mengukur nilai AI oleh Satya adalah: "Apakah itu menciptakan surplus ekonomi?" Jika suatu teknologi tidak dapat mendorong pertumbuhan PDB, maka itu bukanlah sesuatu yang transformatif.
Batas antara daya komputasi dan kecerdasan: Tingkat kecerdasan akan meningkat secara logaritmik seiring dengan investasi dalam daya komputasi. Namun, terobosan besar di masa depan tidak hanya akan berasal dari skala, tetapi juga dari perubahan paradigma, seperti kedatangan "momen hukum skala" berikutnya.
Energi dan Konsensus Sosial: Perkembangan skala AI akan membutuhkan lebih banyak konsumsi energi, serta perlu mendapatkan izin dari masyarakat. Untuk mendapatkan izin, kita harus menunjukkan bahwa manfaat sosial nyata dan positif yang dibawa oleh AI cukup untuk sebanding dengan biayanya.
Kendala nyata AI adalah manajemen perubahan: hambatan dalam perkembangan industri tradisional bukan terletak pada teknologi, tetapi terikat oleh alur kerja yang sudah ada. Transformasi yang sejati memerlukan pemikiran ulang tentang bagaimana pekerjaan diselesaikan, bukan hanya sekadar memperkenalkan AI.
Perpaduan Peran Pekerjaan: Di platform seperti LinkedIn, peran tradisional seperti desain, frontend, dan produk semakin menyatu, melahirkan bakat "full stack". AI membuat lebih banyak orang memiliki kemampuan lintas disiplin, sehingga mempercepat tren ini.
Jangan meremehkan nilai pekerjaan yang repetitif: Dalam pekerjaan berbasis pengetahuan, terdapat banyak pekerjaan fisik yang bersifat repetitif. Aplikasi terbaik AI adalah menghilangkan "biaya gesekan yang tidak terlihat" ini dan membebaskan kreativitas manusia.
Terbuka untuk masa depan: Bahkan Satya sendiri tidak mengantisipasi kemajuan teknologi "komputasi saat pengujian" dan "pembelajaran penguatan" secepat ini. Jangan menganggap kita telah melihat bentuk akhir AI, kemungkinan besar akan ada lebih banyak terobosan di masa depan.
Jangan memanusiakan AI: AI bukan manusia. Ini adalah sebuah alat. Frontier berikutnya adalah memberinya ingatan, alat, dan kemampuan untuk mengambil tindakan, tetapi ini berbeda secara mendasar dari kemampuan penalaran manusia.
Masa depan pengembangan: AI tidak akan menggantikan pengembang, melainkan akan menjadi asisten yang handal bagi mereka. VSCode adalah kanvas untuk berkolaborasi dengan AI. Inti rekayasa perangkat lunak akan bergeser dari penulisan kode ke desain sistem dan jaminan kualitas.
Tanggung jawab dan kepercayaan tidak dapat diabaikan: Kehadiran AI tidak membebaskan manusia dari tanggung jawab. Perusahaan tetap harus bertanggung jawab secara hukum atas perilaku produk mereka. Inilah sebabnya mengapa privasi, keamanan, dan kedaulatan harus tetap menjadi inti.
Kepercayaan bersumber dari nilai praktis: Kepercayaan berasal dari kegunaan, bukan dari kata-kata manis. Satya menunjukkan bahwa chatbot yang diterapkan untuk petani India adalah contoh, menunjukkan bahwa bantuan yang terlihat adalah dasar untuk membangun kepercayaan.
Dari suara ke agen cerdas: Perjalanan AI Microsoft dimulai dengan teknologi suara pada tahun 1995. Saat ini, fokus strategisnya telah beralih ke "agen cerdas" yang lengkap, yang menggabungkan suara, visual, dan perangkat komputasi lingkungan yang ada di mana-mana.
Agen cerdas adalah komputer masa depan: Visi jangka panjang Satya adalah: "Agen cerdas akan menjadi generasi baru komputer." Masa depan ini tidak hanya bergantung pada ketepatan teknologi, tetapi juga pada kepercayaan pengguna dan pengalaman interaksi yang mulus.
Inspirasi tentang kepemimpinan: Sarannya adalah memulai dari posisi terendah, tetapi dengan ambisi yang jauh. Belajarlah bagaimana membangun sebuah tim, bukan hanya mengembangkan sebuah produk.
Satya mencari orang: Dia menghargai orang-orang yang: menyederhanakan yang rumit, membawa pemikiran yang jelas; menginspirasi semangat tim, menyatukan hati; senang menyelesaikan masalah kompleks dalam kondisi yang ketat.
Pertanyaan wawancara favorit: "Ceritakan kepada saya tentang masalah yang pernah Anda tidak tahu bagaimana menyelesaikannya, dan bagaimana Anda menyelesaikannya. Dia ingin melihat rasa ingin tahu, kemampuan beradaptasi, dan ketekunan kandidat dari situ."
Potensi komputasi kuantum: Teknologi disruptif berikutnya mungkin berasal dari bidang kuantum. Microsoft sedang fokus pada pengembangan "qubit yang diperbaiki kesalahannya", teknologi ini bisa memungkinkan kita untuk mensimulasikan dunia alami dengan ketepatan yang tiada tara.
Saran untuk para pemuda: Jangan menunggu izin dari orang lain. Bangun alat yang benar-benar memberikan kekuatan kepada orang-orang. Dia sering merenungkan: "Apa yang dapat kita ciptakan untuk membantu orang lain menciptakan?"
Produk favorit: VSCode dan Excel —— karena mereka memberi orang kekuatan super.
Pendiri Deep Learning.AI: Andrew Ng
Kecepatan eksekusi menentukan sukses atau gagal: Indikator terbaik untuk menilai apakah sebuah perusahaan rintisan dapat berhasil adalah kecepatan dalam membangun, menguji, dan mengulangi. Kecepatan dapat membawa efek bunga majemuk dalam pembelajaran, dan AI membuat efek ini tumbuh secara eksponensial.
Sebagian besar peluang ada di tingkat aplikasi: Saat ini, keuntungan terbesar tidak berasal dari membangun model baru, tetapi dari menerapkan model yang ada ke dalam skenario yang bernilai dan berorientasi pengguna. Inilah yang seharusnya menjadi fokus para pendiri.
AI Agens lebih unggul daripada alat "sekali pakai": produk yang mencakup siklus umpan balik, seperti AI Agens, berkinerja jauh lebih baik daripada alat yang hanya dapat menyelesaikan tugas "sekali pakai". Interaksi yang berkelanjutan dapat mengoptimalkan hasil, sementara iterasi dapat membawa peningkatan kinerja yang komprehensif.
"Lapisan Orkestrasi" sedang muncul: Di antara model dasar dan aplikasi, sebuah lapisan perantara yang baru sedang terbentuk: orkestrasi berbasis agen. Lapisan ini mampu mendukung tugas multi-langkah yang kompleks lintas alat dan sumber data.
Semakin spesifik ide, semakin cepat eksekusinya: Cara terbaik untuk bertindak cepat adalah memulai dari sebuah ide yang konkret, sebuah ide yang cukup rinci sehingga insinyur dapat segera mulai membangunnya. Ide konkret yang baik biasanya berasal dari para ahli di bidang yang memiliki kejelasan intuitif.
Waspadai perangkap "narasi besar": Tujuan abstrak seperti "AI memberdayakan kesehatan" terdengar ambisius, tetapi sering kali mengakibatkan keterlambatan dalam pelaksanaan. Yang benar-benar dapat membawa efisiensi adalah alat yang lebih konkret seperti "otomatisasi janji MRI".
Berani untuk menyesuaikan arah, syaratnya adalah mengambil langkah pertama yang tepat: Jika data awal menunjukkan bahwa ide Anda tidak berjalan, sebuah rencana awal yang konkret akan memudahkan Anda untuk beralih. Memahami dengan jelas apa yang Anda uji adalah kunci untuk beralih dengan cepat ke arah lain setelah mengalami kegagalan.
Menghindari risiko dengan memanfaatkan umpan balik: Sekarang kecepatan membangun prototipe telah meningkat 10 kali lipat, dan efisiensi pengembangan perangkat lunak tingkat produksi juga meningkat 30-50%. Harus memanfaatkan keuntungan ini dengan mengurangi risiko pasar melalui umpan balik pengguna secara real-time.
Lakukan lebih banyak percobaan, daripada mengejar kesempurnaan: Jangan mencoba menyempurnakan versi pertama Anda. Buat 20 prototipe kasar, dan lihat mana yang dapat bertahan. Kecepatan belajar lebih penting daripada menghaluskan.
Bertindak cepat dan bertanggung jawab: Andrew Ng menginterpretasikan kembali moto klasik Silicon Valley: Jangan "bertindak cepat dan melanggar norma", tetapi "bertindak cepat dan bertanggung jawab". Rasa tanggung jawab adalah fondasi untuk membangun kepercayaan.
Kode sedang kehilangan nilai kelangkaannya: Kode tidak lagi menjadi aset inti yang langka seperti di masa lalu. Dengan alat prototyping cepat dan AI, kode sangat mudah diproduksi. Yang benar-benar penting adalah nilai yang dihasilkan oleh kode.
Arsitektur teknis bersifat reversibel: Di masa lalu, memilih arsitektur adalah keputusan satu arah. Sekarang ini adalah pintu dua arah, dan biaya untuk mengganti arsitektur telah jauh berkurang. Fleksibilitas ini mendorong percobaan yang lebih berani dan eksperimen yang lebih cepat.
Semua orang harus belajar pemrograman: Argumen "jangan belajar pemrograman" adalah sebuah kesalahan. Dulu, ketika berpindah dari bahasa assembly ke bahasa tingkat tinggi, orang juga memiliki kekhawatiran serupa. AI membuat batasan untuk pemrograman semakin rendah, di masa depan lebih banyak orang di berbagai posisi seharusnya menguasai kemampuan pemrograman.
Pengetahuan domain membuat AI lebih baik: Pemahaman mendalam tentang domain tertentu memungkinkan Anda untuk menggunakan AI dengan lebih baik. Sejarawan seni dapat menulis petunjuk gambar yang lebih baik. Dokter dapat membentuk AI kesehatan yang lebih baik. Pendiri harus menggabungkan pengetahuan domain dengan literasi AI.
Manajer produk sekarang menjadi kendala: Saat ini, faktor pembatas baru bukanlah teknik, melainkan manajemen produk. Tim tertentu dari Wu Enda bahkan menyarankan untuk mengubah rasio manajer produk terhadap insinyur menjadi 2:1, untuk mempercepat alur umpan balik dan pengambilan keputusan.
Insinyur perlu memiliki pemikiran produk: insinyur yang memiliki intuisi produk bertindak lebih cepat dan menghasilkan produk yang lebih baik. Hanya memiliki kemampuan teknis tidak cukup, pengembang juga perlu memahami kebutuhan pengguna dengan mendalam.
Meminta pendapat teman
Pengetahuan AI yang mendalam masih merupakan moat: Literasi AI belum tersebar luas. Mereka yang benar-benar memahami prinsip teknologi AI masih memiliki keunggulan besar—mereka dapat berinovasi dengan cara yang lebih cerdas, lebih efisien, dan lebih mandiri.
Hype ≠ Kebenaran: Waspadai narasi yang terdengar mengesankan tetapi terutama digunakan untuk penggalangan dana atau meningkatkan status. Istilah seperti AGI, kepunahan, dan kecerdasan tak terbatas sering kali merupakan sinyal hype, bukan sinyal pengaruh.
Keamanan berkaitan dengan penggunaan, bukan teknologi itu sendiri: Konsep "Keamanan AI" sering disalahartikan. AI seperti listrik atau api, tidak ada baik atau buruk pada dirinya sendiri, tergantung pada bagaimana ia diterapkan. Keamanan berkaitan dengan penggunaan, bukan alat itu sendiri.
Satu-satunya yang penting adalah apakah pengguna menyukainya: tidak perlu terlalu terjebak dalam biaya model atau tolok ukur kinerja. Satu-satunya hal yang perlu diperhatikan adalah: apakah Anda sedang menciptakan produk yang benar-benar disukai oleh pengguna dan ingin terus menggunakannya?
Pendidikan AI masih dalam tahap eksplorasi: Perusahaan seperti Kira Learning sedang melakukan banyak eksperimen, tetapi bentuk akhir AI di bidang pendidikan masih belum jelas. Kita masih berada di tahap awal transformasi.
Waspadai "apokaliptika" dan "penangkapan regulasi": Ketakutan yang berlebihan terhadap AI sedang digunakan untuk membenarkan regulasi yang melindungi perusahaan yang ada. Harus skeptis terhadap narasi "keamanan AI" yang menguntungkan mereka yang sudah berkuasa.
Kecerdasan Fisik 联创：Chelsea Finn
Teknologi robotik membutuhkan pemikiran full-stack: Anda tidak dapat hanya menambahkan teknologi robotik ke perusahaan yang sudah ada. Anda perlu membangun seluruh tumpukan teknologi dari nol - data, model, penyebaran.
Kualitas data lebih penting daripada kuantitas: Kumpulan data besar dari industri, YouTube, atau lingkungan simulasi seringkali kurang beragam dan kurang nyata. Data yang benar dan berkualitas tinggi lebih penting daripada skala.
Model Terbaik: Pra-latihan + Fine-tuning: Pertama, lakukan pra-latihan pada kumpulan data yang luas, kemudian gunakan sekitar 1000 sampel berkualitas tinggi dan konsisten dengan skenario untuk fine-tuning, metode ini dapat secara signifikan meningkatkan kinerja robot.
Robot serba guna akan melampaui robot khusus: Model serba guna yang dapat melintasi berbagai tugas dan platform perangkat keras (seperti robot pihak ketiga) terbukti lebih sukses dibandingkan sistem yang dibangun untuk tujuan tertentu.
Data dunia nyata tidak tergantikan: Meskipun data sintetis dan simulasi bermanfaat, data nyata tetap sangat penting, terutama untuk tugas-tugas visual dan fisik yang kompleks.
Terlalu banyak sumber daya dapat kontraproduktif: Pendanaan yang berlebihan atau memperumit hal-hal dapat memperlambat kemajuan. Kejelasan masalah dan eksekusi yang fokus adalah yang paling penting.
Cursor CEO&Co-Founder: Michael Truell
Mulailah lebih awal dan terus bangun: Bahkan jika salah satu mitra keluar, Michael tetap melanjutkan pemrograman. Penyebaran virus yang awal (sebuah tiruan Flappy Bird) membantunya membangun kepercayaan diri dan keterampilan.
Verifikasi cepat, bahkan di bidang yang tidak dikenal: Tim mereka membangun asisten pemrograman di bidang teknik mesin tanpa pengalaman sebelumnya. Prinsip mereka adalah "belajar melalui praktik."
Penentuan posisi yang berbeda, tidak perlu takut pada raksasa: Mereka pernah ragu apakah akan bersaing dengan GitHub Copilot, tetapi kemudian menyadari bahwa jarang ada perusahaan yang memiliki tujuan "otomatisasi pengembangan seluruh proses". Penentuan posisi ini membuka pasar bagi mereka.
Dari kode hingga rilis, bertindak cepat: Dari baris kode pertama hingga rilis publik, mereka hanya membutuhkan waktu 3 bulan. Iterasi cepat membantu mereka dengan cepat mengkalibrasi arah produk.
Fokus lebih baik daripada kompleksitas: Mereka dengan tegas membatalkan rencana untuk mengembangkan IDE (Lingkungan Pengembangan Terintegrasi) dan alat AI secara bersamaan. Fokus pada fungsi AI itu sendiri, sehingga mengalami perkembangan yang lebih cepat.
Distribusi bisa dimulai dari sebuah tweet: Pertumbuhan pengguna awal Cursor berasal dari sebuah tweet oleh co-founder di media sosial. Sebelum pemasaran resmi, penyebaran dari mulut ke mulut sudah menjadi pendorong utama.
Efek bunga majemuk dari eksekusi: Pada tahun 2024, pendapatan berulang tahunan Cursor tumbuh dari 1 juta dolar AS menjadi 100 juta dolar AS dalam satu tahun, didorong oleh perbaikan produk dan permintaan pengguna, mencapai pertumbuhan majemuk mingguan sebesar 10%.
Saran terbaik, ikuti rasa ingin tahumu: lupakan hal-hal yang dilakukan hanya untuk mempercantik CV. Saran utama Michael adalah: lakukan hal-hal yang kamu minati bersama orang-orang cerdas.
CEO Figma & Co-Founder: Dylan Field
Temukan co-founder yang dapat memotivasi Anda: Motivasi Dylan berasal dari kerjasamanya dengan co-foundernya Evan Wallace, "Setiap minggu terasa seperti menciptakan masa depan."
Mulailah lebih awal, belajar sambil melakukan: Dylan memulai proyek kewirausahaannya saat berusia 19 tahun dan masih di universitas. Kegagalan proyek awal seperti "generator emoji" pada akhirnya mengasah ide hebat seperti Figma.
Rilis cepat, dapatkan umpan balik lebih cepat: Mereka menghubungi pengguna awal melalui email, melakukan iterasi cepat, dan sejak awal tetap mengenakan biaya. Umpan balik adalah pendorong berkelanjutan bagi evolusi produk.
Memecah peta jalan jangka panjang menjadi sprint jangka pendek: Menguraikan visi besar menjadi bagian yang lebih kecil adalah kunci untuk memastikan kecepatan dan daya eksekusi.
Kesesuaian pasar produk mungkin memerlukan beberapa tahun: Figma menghabiskan lima tahun untuk mendapatkan sinyal yang menentukan: Microsoft mengusulkan bahwa jika Figma tidak mulai mengenakan biaya, mereka terpaksa membatalkan kerjasama.
Desain adalah faktor diferensiasi baru: Dia percaya bahwa dengan munculnya AI, desain menjadi semakin penting. Figma juga sedang menyesuaikan diri dengan tren ini melalui peluncuran serangkaian produk baru seperti Draw, Buzz, Sites, dan Make.
Memanfaatkan AI untuk mempercepat desain prototipe: Penggunaan terbaik AI adalah meningkatkan kecepatan iterasi, bukan mengejar "sihir" yang dihasilkan dengan satu klik. Desainer dan manajer produk sekarang harus berkontribusi untuk evaluasi AI.
Sambut penolakan, bukan menghindarinya: Pengalaman pertunjukan di masa kanak-kanak membuat Dylan belajar untuk menghadapi kritik dan umpan balik dengan tenang. Dia percaya bahwa ditolak adalah bagian dari jalan menuju kesuksesan.
Koneksi interpersonal selalu menjadi inti: Peringatan untuk tidak menggantikan hubungan manusia dengan AI. Ketika ditanya tentang makna hidup, ia menjawab: "Menjelajahi kesadaran, tetap belajar, berbagi cinta."
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
YC AI Startup Camp Hari 2: Nadella, Andrew Ng, CEO Cursor semua hadir
Disusun oleh: Founder Park
Hari kedua YC AI Startup School, dihadiri oleh tujuh tamu penting: Satya Nadella (CEO Microsoft), Andrew Ng (pendiri Deep Learning.AI), Chelsea Finn (co-founder Physical Intelligence), Michael Truell (CEO & co-founder Cursor), Dylan Field (CEO & co-founder Figma), Andrej Karpathy (mantan Direktur AI Tesla), Sriram Krishnan (Penasihat Kebijakan AI Senior Gedung Putih).
Mengenai topik teknologi AI, kewirausahaan, dan lainnya, para tokoh ini membagikan banyak pandangan menarik dalam pidato mereka, seperti:
Selain Andrej Karpathy (untuk rincian tentang pembagian Andrej Karpathy, lihat artikel kami kemarin "Hari Pertama YC AI Startup School, Presentasi Andrej Karpathy Mendapat Banyak Perhatian"), Sriram Krishnan, kami telah merangkum poin-poin kunci dari lima tamu lainnya.
CEO Microsoft: Satya Nadella
Efek komposit dari platform: AI tidak muncul begitu saja, tetapi dibangun di atas infrastruktur cloud selama puluhan tahun, yang telah berkembang untuk mendukung pelatihan model berskala besar. Setiap generasi platform telah mempersiapkan munculnya platform generasi berikutnya.
Model adalah infrastruktur, produk adalah ekosistem: model dasar adalah semacam infrastruktur, mirip dengan database SQL baru. Produk yang sebenarnya bukanlah model itu sendiri, tetapi seluruh ekosistem yang dibangun di sekitarnya: siklus umpan balik, integrasi alat, dan interaksi pengguna.
Dampak ekonomi adalah patokan: Indikator utama untuk mengukur nilai AI oleh Satya adalah: "Apakah itu menciptakan surplus ekonomi?" Jika suatu teknologi tidak dapat mendorong pertumbuhan PDB, maka itu bukanlah sesuatu yang transformatif.
Batas antara daya komputasi dan kecerdasan: Tingkat kecerdasan akan meningkat secara logaritmik seiring dengan investasi dalam daya komputasi. Namun, terobosan besar di masa depan tidak hanya akan berasal dari skala, tetapi juga dari perubahan paradigma, seperti kedatangan "momen hukum skala" berikutnya.
Energi dan Konsensus Sosial: Perkembangan skala AI akan membutuhkan lebih banyak konsumsi energi, serta perlu mendapatkan izin dari masyarakat. Untuk mendapatkan izin, kita harus menunjukkan bahwa manfaat sosial nyata dan positif yang dibawa oleh AI cukup untuk sebanding dengan biayanya.
Kendala nyata AI adalah manajemen perubahan: hambatan dalam perkembangan industri tradisional bukan terletak pada teknologi, tetapi terikat oleh alur kerja yang sudah ada. Transformasi yang sejati memerlukan pemikiran ulang tentang bagaimana pekerjaan diselesaikan, bukan hanya sekadar memperkenalkan AI.
Perpaduan Peran Pekerjaan: Di platform seperti LinkedIn, peran tradisional seperti desain, frontend, dan produk semakin menyatu, melahirkan bakat "full stack". AI membuat lebih banyak orang memiliki kemampuan lintas disiplin, sehingga mempercepat tren ini.
Jangan meremehkan nilai pekerjaan yang repetitif: Dalam pekerjaan berbasis pengetahuan, terdapat banyak pekerjaan fisik yang bersifat repetitif. Aplikasi terbaik AI adalah menghilangkan "biaya gesekan yang tidak terlihat" ini dan membebaskan kreativitas manusia.
Terbuka untuk masa depan: Bahkan Satya sendiri tidak mengantisipasi kemajuan teknologi "komputasi saat pengujian" dan "pembelajaran penguatan" secepat ini. Jangan menganggap kita telah melihat bentuk akhir AI, kemungkinan besar akan ada lebih banyak terobosan di masa depan.
Jangan memanusiakan AI: AI bukan manusia. Ini adalah sebuah alat. Frontier berikutnya adalah memberinya ingatan, alat, dan kemampuan untuk mengambil tindakan, tetapi ini berbeda secara mendasar dari kemampuan penalaran manusia.
Masa depan pengembangan: AI tidak akan menggantikan pengembang, melainkan akan menjadi asisten yang handal bagi mereka. VSCode adalah kanvas untuk berkolaborasi dengan AI. Inti rekayasa perangkat lunak akan bergeser dari penulisan kode ke desain sistem dan jaminan kualitas.
Tanggung jawab dan kepercayaan tidak dapat diabaikan: Kehadiran AI tidak membebaskan manusia dari tanggung jawab. Perusahaan tetap harus bertanggung jawab secara hukum atas perilaku produk mereka. Inilah sebabnya mengapa privasi, keamanan, dan kedaulatan harus tetap menjadi inti.
Kepercayaan bersumber dari nilai praktis: Kepercayaan berasal dari kegunaan, bukan dari kata-kata manis. Satya menunjukkan bahwa chatbot yang diterapkan untuk petani India adalah contoh, menunjukkan bahwa bantuan yang terlihat adalah dasar untuk membangun kepercayaan.
Dari suara ke agen cerdas: Perjalanan AI Microsoft dimulai dengan teknologi suara pada tahun 1995. Saat ini, fokus strategisnya telah beralih ke "agen cerdas" yang lengkap, yang menggabungkan suara, visual, dan perangkat komputasi lingkungan yang ada di mana-mana.
Agen cerdas adalah komputer masa depan: Visi jangka panjang Satya adalah: "Agen cerdas akan menjadi generasi baru komputer." Masa depan ini tidak hanya bergantung pada ketepatan teknologi, tetapi juga pada kepercayaan pengguna dan pengalaman interaksi yang mulus.
Inspirasi tentang kepemimpinan: Sarannya adalah memulai dari posisi terendah, tetapi dengan ambisi yang jauh. Belajarlah bagaimana membangun sebuah tim, bukan hanya mengembangkan sebuah produk.
Satya mencari orang: Dia menghargai orang-orang yang: menyederhanakan yang rumit, membawa pemikiran yang jelas; menginspirasi semangat tim, menyatukan hati; senang menyelesaikan masalah kompleks dalam kondisi yang ketat.
Pertanyaan wawancara favorit: "Ceritakan kepada saya tentang masalah yang pernah Anda tidak tahu bagaimana menyelesaikannya, dan bagaimana Anda menyelesaikannya. Dia ingin melihat rasa ingin tahu, kemampuan beradaptasi, dan ketekunan kandidat dari situ."
Potensi komputasi kuantum: Teknologi disruptif berikutnya mungkin berasal dari bidang kuantum. Microsoft sedang fokus pada pengembangan "qubit yang diperbaiki kesalahannya", teknologi ini bisa memungkinkan kita untuk mensimulasikan dunia alami dengan ketepatan yang tiada tara.
Saran untuk para pemuda: Jangan menunggu izin dari orang lain. Bangun alat yang benar-benar memberikan kekuatan kepada orang-orang. Dia sering merenungkan: "Apa yang dapat kita ciptakan untuk membantu orang lain menciptakan?"
Produk favorit: VSCode dan Excel —— karena mereka memberi orang kekuatan super.
Pendiri Deep Learning.AI: Andrew Ng
Kecepatan eksekusi menentukan sukses atau gagal: Indikator terbaik untuk menilai apakah sebuah perusahaan rintisan dapat berhasil adalah kecepatan dalam membangun, menguji, dan mengulangi. Kecepatan dapat membawa efek bunga majemuk dalam pembelajaran, dan AI membuat efek ini tumbuh secara eksponensial.
Sebagian besar peluang ada di tingkat aplikasi: Saat ini, keuntungan terbesar tidak berasal dari membangun model baru, tetapi dari menerapkan model yang ada ke dalam skenario yang bernilai dan berorientasi pengguna. Inilah yang seharusnya menjadi fokus para pendiri.
AI Agens lebih unggul daripada alat "sekali pakai": produk yang mencakup siklus umpan balik, seperti AI Agens, berkinerja jauh lebih baik daripada alat yang hanya dapat menyelesaikan tugas "sekali pakai". Interaksi yang berkelanjutan dapat mengoptimalkan hasil, sementara iterasi dapat membawa peningkatan kinerja yang komprehensif.
"Lapisan Orkestrasi" sedang muncul: Di antara model dasar dan aplikasi, sebuah lapisan perantara yang baru sedang terbentuk: orkestrasi berbasis agen. Lapisan ini mampu mendukung tugas multi-langkah yang kompleks lintas alat dan sumber data.
Semakin spesifik ide, semakin cepat eksekusinya: Cara terbaik untuk bertindak cepat adalah memulai dari sebuah ide yang konkret, sebuah ide yang cukup rinci sehingga insinyur dapat segera mulai membangunnya. Ide konkret yang baik biasanya berasal dari para ahli di bidang yang memiliki kejelasan intuitif.
Waspadai perangkap "narasi besar": Tujuan abstrak seperti "AI memberdayakan kesehatan" terdengar ambisius, tetapi sering kali mengakibatkan keterlambatan dalam pelaksanaan. Yang benar-benar dapat membawa efisiensi adalah alat yang lebih konkret seperti "otomatisasi janji MRI".
Berani untuk menyesuaikan arah, syaratnya adalah mengambil langkah pertama yang tepat: Jika data awal menunjukkan bahwa ide Anda tidak berjalan, sebuah rencana awal yang konkret akan memudahkan Anda untuk beralih. Memahami dengan jelas apa yang Anda uji adalah kunci untuk beralih dengan cepat ke arah lain setelah mengalami kegagalan.
Menghindari risiko dengan memanfaatkan umpan balik: Sekarang kecepatan membangun prototipe telah meningkat 10 kali lipat, dan efisiensi pengembangan perangkat lunak tingkat produksi juga meningkat 30-50%. Harus memanfaatkan keuntungan ini dengan mengurangi risiko pasar melalui umpan balik pengguna secara real-time.
Lakukan lebih banyak percobaan, daripada mengejar kesempurnaan: Jangan mencoba menyempurnakan versi pertama Anda. Buat 20 prototipe kasar, dan lihat mana yang dapat bertahan. Kecepatan belajar lebih penting daripada menghaluskan.
Bertindak cepat dan bertanggung jawab: Andrew Ng menginterpretasikan kembali moto klasik Silicon Valley: Jangan "bertindak cepat dan melanggar norma", tetapi "bertindak cepat dan bertanggung jawab". Rasa tanggung jawab adalah fondasi untuk membangun kepercayaan.
Kode sedang kehilangan nilai kelangkaannya: Kode tidak lagi menjadi aset inti yang langka seperti di masa lalu. Dengan alat prototyping cepat dan AI, kode sangat mudah diproduksi. Yang benar-benar penting adalah nilai yang dihasilkan oleh kode.
Arsitektur teknis bersifat reversibel: Di masa lalu, memilih arsitektur adalah keputusan satu arah. Sekarang ini adalah pintu dua arah, dan biaya untuk mengganti arsitektur telah jauh berkurang. Fleksibilitas ini mendorong percobaan yang lebih berani dan eksperimen yang lebih cepat.
Semua orang harus belajar pemrograman: Argumen "jangan belajar pemrograman" adalah sebuah kesalahan. Dulu, ketika berpindah dari bahasa assembly ke bahasa tingkat tinggi, orang juga memiliki kekhawatiran serupa. AI membuat batasan untuk pemrograman semakin rendah, di masa depan lebih banyak orang di berbagai posisi seharusnya menguasai kemampuan pemrograman.
Pengetahuan domain membuat AI lebih baik: Pemahaman mendalam tentang domain tertentu memungkinkan Anda untuk menggunakan AI dengan lebih baik. Sejarawan seni dapat menulis petunjuk gambar yang lebih baik. Dokter dapat membentuk AI kesehatan yang lebih baik. Pendiri harus menggabungkan pengetahuan domain dengan literasi AI.
Manajer produk sekarang menjadi kendala: Saat ini, faktor pembatas baru bukanlah teknik, melainkan manajemen produk. Tim tertentu dari Wu Enda bahkan menyarankan untuk mengubah rasio manajer produk terhadap insinyur menjadi 2:1, untuk mempercepat alur umpan balik dan pengambilan keputusan.
Insinyur perlu memiliki pemikiran produk: insinyur yang memiliki intuisi produk bertindak lebih cepat dan menghasilkan produk yang lebih baik. Hanya memiliki kemampuan teknis tidak cukup, pengembang juga perlu memahami kebutuhan pengguna dengan mendalam.
Meminta pendapat teman
Pengetahuan AI yang mendalam masih merupakan moat: Literasi AI belum tersebar luas. Mereka yang benar-benar memahami prinsip teknologi AI masih memiliki keunggulan besar—mereka dapat berinovasi dengan cara yang lebih cerdas, lebih efisien, dan lebih mandiri.
Hype ≠ Kebenaran: Waspadai narasi yang terdengar mengesankan tetapi terutama digunakan untuk penggalangan dana atau meningkatkan status. Istilah seperti AGI, kepunahan, dan kecerdasan tak terbatas sering kali merupakan sinyal hype, bukan sinyal pengaruh.
Keamanan berkaitan dengan penggunaan, bukan teknologi itu sendiri: Konsep "Keamanan AI" sering disalahartikan. AI seperti listrik atau api, tidak ada baik atau buruk pada dirinya sendiri, tergantung pada bagaimana ia diterapkan. Keamanan berkaitan dengan penggunaan, bukan alat itu sendiri.
Satu-satunya yang penting adalah apakah pengguna menyukainya: tidak perlu terlalu terjebak dalam biaya model atau tolok ukur kinerja. Satu-satunya hal yang perlu diperhatikan adalah: apakah Anda sedang menciptakan produk yang benar-benar disukai oleh pengguna dan ingin terus menggunakannya?
Pendidikan AI masih dalam tahap eksplorasi: Perusahaan seperti Kira Learning sedang melakukan banyak eksperimen, tetapi bentuk akhir AI di bidang pendidikan masih belum jelas. Kita masih berada di tahap awal transformasi.
Waspadai "apokaliptika" dan "penangkapan regulasi": Ketakutan yang berlebihan terhadap AI sedang digunakan untuk membenarkan regulasi yang melindungi perusahaan yang ada. Harus skeptis terhadap narasi "keamanan AI" yang menguntungkan mereka yang sudah berkuasa.
Kecerdasan Fisik 联创：Chelsea Finn
Teknologi robotik membutuhkan pemikiran full-stack: Anda tidak dapat hanya menambahkan teknologi robotik ke perusahaan yang sudah ada. Anda perlu membangun seluruh tumpukan teknologi dari nol - data, model, penyebaran.
Kualitas data lebih penting daripada kuantitas: Kumpulan data besar dari industri, YouTube, atau lingkungan simulasi seringkali kurang beragam dan kurang nyata. Data yang benar dan berkualitas tinggi lebih penting daripada skala.
Model Terbaik: Pra-latihan + Fine-tuning: Pertama, lakukan pra-latihan pada kumpulan data yang luas, kemudian gunakan sekitar 1000 sampel berkualitas tinggi dan konsisten dengan skenario untuk fine-tuning, metode ini dapat secara signifikan meningkatkan kinerja robot.
Robot serba guna akan melampaui robot khusus: Model serba guna yang dapat melintasi berbagai tugas dan platform perangkat keras (seperti robot pihak ketiga) terbukti lebih sukses dibandingkan sistem yang dibangun untuk tujuan tertentu.
Data dunia nyata tidak tergantikan: Meskipun data sintetis dan simulasi bermanfaat, data nyata tetap sangat penting, terutama untuk tugas-tugas visual dan fisik yang kompleks.
Terlalu banyak sumber daya dapat kontraproduktif: Pendanaan yang berlebihan atau memperumit hal-hal dapat memperlambat kemajuan. Kejelasan masalah dan eksekusi yang fokus adalah yang paling penting.
Cursor CEO&Co-Founder: Michael Truell
Mulailah lebih awal dan terus bangun: Bahkan jika salah satu mitra keluar, Michael tetap melanjutkan pemrograman. Penyebaran virus yang awal (sebuah tiruan Flappy Bird) membantunya membangun kepercayaan diri dan keterampilan.
Verifikasi cepat, bahkan di bidang yang tidak dikenal: Tim mereka membangun asisten pemrograman di bidang teknik mesin tanpa pengalaman sebelumnya. Prinsip mereka adalah "belajar melalui praktik."
Penentuan posisi yang berbeda, tidak perlu takut pada raksasa: Mereka pernah ragu apakah akan bersaing dengan GitHub Copilot, tetapi kemudian menyadari bahwa jarang ada perusahaan yang memiliki tujuan "otomatisasi pengembangan seluruh proses". Penentuan posisi ini membuka pasar bagi mereka.
Dari kode hingga rilis, bertindak cepat: Dari baris kode pertama hingga rilis publik, mereka hanya membutuhkan waktu 3 bulan. Iterasi cepat membantu mereka dengan cepat mengkalibrasi arah produk.
Fokus lebih baik daripada kompleksitas: Mereka dengan tegas membatalkan rencana untuk mengembangkan IDE (Lingkungan Pengembangan Terintegrasi) dan alat AI secara bersamaan. Fokus pada fungsi AI itu sendiri, sehingga mengalami perkembangan yang lebih cepat.
Distribusi bisa dimulai dari sebuah tweet: Pertumbuhan pengguna awal Cursor berasal dari sebuah tweet oleh co-founder di media sosial. Sebelum pemasaran resmi, penyebaran dari mulut ke mulut sudah menjadi pendorong utama.
Efek bunga majemuk dari eksekusi: Pada tahun 2024, pendapatan berulang tahunan Cursor tumbuh dari 1 juta dolar AS menjadi 100 juta dolar AS dalam satu tahun, didorong oleh perbaikan produk dan permintaan pengguna, mencapai pertumbuhan majemuk mingguan sebesar 10%.
Saran terbaik, ikuti rasa ingin tahumu: lupakan hal-hal yang dilakukan hanya untuk mempercantik CV. Saran utama Michael adalah: lakukan hal-hal yang kamu minati bersama orang-orang cerdas.
CEO Figma & Co-Founder: Dylan Field
Temukan co-founder yang dapat memotivasi Anda: Motivasi Dylan berasal dari kerjasamanya dengan co-foundernya Evan Wallace, "Setiap minggu terasa seperti menciptakan masa depan."
Mulailah lebih awal, belajar sambil melakukan: Dylan memulai proyek kewirausahaannya saat berusia 19 tahun dan masih di universitas. Kegagalan proyek awal seperti "generator emoji" pada akhirnya mengasah ide hebat seperti Figma.
Rilis cepat, dapatkan umpan balik lebih cepat: Mereka menghubungi pengguna awal melalui email, melakukan iterasi cepat, dan sejak awal tetap mengenakan biaya. Umpan balik adalah pendorong berkelanjutan bagi evolusi produk.
Memecah peta jalan jangka panjang menjadi sprint jangka pendek: Menguraikan visi besar menjadi bagian yang lebih kecil adalah kunci untuk memastikan kecepatan dan daya eksekusi.
Kesesuaian pasar produk mungkin memerlukan beberapa tahun: Figma menghabiskan lima tahun untuk mendapatkan sinyal yang menentukan: Microsoft mengusulkan bahwa jika Figma tidak mulai mengenakan biaya, mereka terpaksa membatalkan kerjasama.
Desain adalah faktor diferensiasi baru: Dia percaya bahwa dengan munculnya AI, desain menjadi semakin penting. Figma juga sedang menyesuaikan diri dengan tren ini melalui peluncuran serangkaian produk baru seperti Draw, Buzz, Sites, dan Make.
Memanfaatkan AI untuk mempercepat desain prototipe: Penggunaan terbaik AI adalah meningkatkan kecepatan iterasi, bukan mengejar "sihir" yang dihasilkan dengan satu klik. Desainer dan manajer produk sekarang harus berkontribusi untuk evaluasi AI.
Sambut penolakan, bukan menghindarinya: Pengalaman pertunjukan di masa kanak-kanak membuat Dylan belajar untuk menghadapi kritik dan umpan balik dengan tenang. Dia percaya bahwa ditolak adalah bagian dari jalan menuju kesuksesan.
Koneksi interpersonal selalu menjadi inti: Peringatan untuk tidak menggantikan hubungan manusia dengan AI. Ketika ditanya tentang makna hidup, ia menjawab: "Menjelajahi kesadaran, tetap belajar, berbagi cinta."