A melhor utilização da IA é aumentar a velocidade de iteração, em vez de perseguir a "magia" da geração com um único clique.
Organização: Founder Park
No segundo dia da YC AI Startup School, recebemos sete convidados de peso: Satya Nadella (CEO da Microsoft), Andrew Ng (fundador da Deep Learning.AI), Chelsea Finn (cofundadora da Physical Intelligence), Michael Truell (CEO e cofundador da Cursor), Dylan Field (CEO e cofundador da Figma), Andrej Karpathy (ex-diretor de IA da Tesla) e Sriram Krishnan (conselheiro sênior de políticas de inteligência artificial da Casa Branca).
Em torno de tópicos como tecnologia de IA e empreendedorismo, essas personalidades compartilharam muitos pontos de vista interessantes em suas palestras, como:
Não humanize a IA. A IA não é uma pessoa, é uma ferramenta. A próxima fronteira é dotá-la de memória, ferramentas e a capacidade de agir, mas isso é essencialmente diferente da capacidade de raciocínio humano.
No futuro, os agentes inteligentes se tornarão a nova geração de computadores. Este futuro depende não apenas da precisão tecnológica, mas também da confiança do usuário e de uma experiência de interação sem costura.
Produtos que incluem ciclos de feedback, como Agentic AI, apresentam um desempenho muito superior àqueles que apenas conseguem realizar tarefas "uma única vez". A interação contínua pode otimizar os resultados, enquanto a iteração pode trazer um aumento composto no desempenho.
A velocidade de construção de protótipos aumentou 10 vezes, e a eficiência no desenvolvimento de software de produção aumentou entre 30-50%. Deve-se aproveitar essa vantagem para reduzir o risco de mercado através de feedback em tempo real dos usuários.
O código já não é o ativo central escasso que era no passado. Com as ferramentas de prototipagem rápida e a IA, o código é fácil de produzir. O que realmente importa é o valor que o código gera.
Dados do mundo real são insubstituíveis. Embora os dados sintéticos e simulados sejam úteis, os dados reais continuam a ser cruciais, especialmente para tarefas visuais e físicas complexas.
O melhor uso da IA é aumentar a velocidade de iteração, e não buscar a "mágica" de geração com um clique. Designers e gestores de produto agora devem contribuir para a avaliação da IA.
Além de Andrej Karpathy (para mais detalhes sobre a apresentação de Andrej Karpathy, veja o nosso artigo de ontem "O primeiro dia do YC AI Startup Camp, a palestra de Andrej Karpathy foi um sucesso") e Sriram Krishnan, organizamos os pontos principais das apresentações dos outros cinco convidados.
CEO da Microsoft: Satya Nadella
Efeito composto da plataforma: a IA não surge do nada, mas é construída sobre décadas de infraestrutura de nuvem, que evoluiu para suportar o treinamento de modelos em grande escala. Cada geração de plataforma prepara o caminho para o surgimento da próxima geração.
O modelo é a infraestrutura, o produto é o ecossistema: o modelo básico é uma forma de infraestrutura, semelhante a um novo tipo de banco de dados SQL. O verdadeiro produto não é o modelo em si, mas todo o ecossistema construído em torno dele: ciclos de feedback, integração de ferramentas e interação com o usuário.
O impacto económico é a referência: o indicador norte de Satya para medir o valor da IA é: "Está a criar excedente económico?" Se uma tecnologia não consegue impulsionar o crescimento do PIB, então não é transformadora.
A fronteira entre poder computacional e inteligência: O nível de inteligência aumentará em um crescimento logarítmico com o investimento em poder computacional. Mas as grandes quebras no futuro não virão apenas da escala, mas sim de uma mudança de paradigma, assim como a chegada do próximo "momento da lei de escala".
Energia e consenso social: O desenvolvimento em larga escala da IA exigirá um maior consumo de energia, bem como a obtenção de licença da sociedade. Para conquistar essa licença, devemos demonstrar que os reais e positivos benefícios sociais trazidos pela IA são suficientes para justificar os seus custos.
O verdadeiro gargalo da IA é a gestão de mudanças: os obstáculos ao desenvolvimento das indústrias tradicionais não estão na tecnologia, mas sim na rigidez dos fluxos de trabalho existentes. A verdadeira transformação exige repensar como o trabalho é realizado, e não apenas a simples introdução da IA.
A fusão de papéis de trabalho: em plataformas como o LinkedIn, papéis tradicionais como design, front-end e produto estão gradualmente se fundindo, dando origem a talentos "full stack". A IA está permitindo que mais pessoas adquiram habilidades interdisciplinares, acelerando essa tendência.
Não subestime o valor do trabalho repetitivo: no trabalho do conhecimento, existe uma grande quantidade de trabalho físico repetitivo. A melhor aplicação da IA é eliminar esses "custos de atrito invisíveis" e libertar a criatividade humana.
Mantenha-se aberto ao futuro: mesmo Satya não previu que o progresso das tecnologias de "computação durante o teste" e "aprendizagem reforçada" seria tão rápido. Não assuma que já vimos a forma final da IA, é muito provável que haja mais avanços no futuro.
Não humanize a IA: a IA não é uma pessoa. É uma ferramenta. A próxima fronteira é dar-lhe memória, ferramentas e a capacidade de agir, mas isso é fundamentalmente diferente da capacidade de raciocínio humano.
O futuro do desenvolvimento: a IA não vai substituir os desenvolvedores, mas sim tornar-se um assistente valioso para eles. O VSCode é uma tela para colaboração com a IA. O núcleo da engenharia de software vai mudar de escrever código para design de sistemas e garantia de qualidade.
A responsabilidade e a confiança são indispensáveis: a emergência da IA não isenta a responsabilidade humana. As empresas ainda precisam ser legalmente responsáveis pelo comportamento de seus produtos. É por isso que a privacidade, a segurança e a soberania devem permanecer no centro das atenções.
A confiança vem do valor prático: a confiança vem da utilidade, e não de palavras vazias. Satya aponta que um exemplo é o chatbot implantado para os agricultores indianos, destacando que a ajuda visível é a pedra angular para construir confiança.
Da voz ao agente inteligente: A jornada da IA da Microsoft começou em 1995 com a tecnologia de voz. Hoje, seu foco estratégico mudou para agentes "inteligentes" totalmente funcionais, que integram voz, visão e dispositivos de computação ambiental omnipresentes.
O agente inteligente é o computador do futuro: A visão de longo prazo de Satya é: "Os agentes inteligentes se tornarão a nova geração de computadores." Este futuro depende não apenas da precisão da tecnologia, mas também da confiança do usuário e da experiência de interação sem interrupções.
Sobre as lições de liderança: o seu conselho é começar a partir das posições mais básicas, mas ter as mais ambiciosas aspirações. É importante aprender a construir uma equipe, e não apenas desenvolver um produto.
O tipo de pessoa que Satya procura: ele valoriza pessoas que simplificam as complexidades, trazem clareza de pensamento; estimulam a energia da equipe e unem as pessoas; e que gostam de resolver problemas complexos sob condições restritivas.
Pergunta de entrevista favorita: "Conte-me sobre um problema que você não sabia como resolver e como você o resolveu. Ele espera ver a curiosidade, a capacidade de adaptação e a perseverança do candidato."
O potencial da computação quântica: a próxima tecnologia disruptiva pode vir do domínio quântico. A Microsoft está focada no desenvolvimento de "qubits com correção de erros", uma tecnologia que pode nos permitir simular o mundo natural com uma precisão sem igual.
Conselhos para os jovens: não fiquem à espera da permissão dos outros. Construam ferramentas que realmente empoderem as pessoas. Ele reflete frequentemente: "O que podemos criar para ajudar os outros a criar?"
Produtos favoritos: VSCode e Excel - porque eles dão superpoderes às pessoas.
Fundador da Deep Learning.AI: Andrew Ng
A velocidade de execução determina o sucesso: O melhor indicador de se uma startup pode ter sucesso é a velocidade com que constrói, testa e itera. A velocidade traz o efeito de aprendizado de juros compostos, e a IA faz com que esse efeito cresça exponencialmente.
A maioria das oportunidades está no nível da aplicação: atualmente, o maior retorno não vem da construção de novos modelos, mas sim da aplicação de modelos existentes em cenários valiosos e voltados para o usuário. É aqui que os fundadores devem concentrar a sua atenção.
Agentic AI é superior a ferramentas "descartáveis": produtos que incluem ciclos de feedback, como o Agentic AI, têm um desempenho muito superior àqueles que só conseguem realizar tarefas "uma única vez". A interação contínua pode otimizar os resultados, enquanto a iteração traz uma melhoria de desempenho em múltiplas camadas.
"Camada de Orquestração" está a surgir: entre o modelo base e as aplicações, está a formar-se uma nova camada intermédia: orquestração baseada em agentes. Esta camada é capaz de suportar tarefas complexas de múltiplos passos que cruzam ferramentas e fontes de dados.
Quanto mais específico for o pensamento, mais rápida será a execução: a melhor maneira de agir rapidamente é começar com uma ideia concreta, uma ideia com detalhes suficientes para que um engenheiro possa começar a construir imediatamente. Boas ideias concretas geralmente vêm de especialistas em áreas com clareza intuitiva.
Cuidado com a armadilha das "grandes narrativas": objetivos abstratos como "IA capacitando a saúde" parecem ambiciosos, mas muitas vezes levam a uma execução lenta. O que realmente traz eficiência são ferramentas específicas e detalhadas, como "automação de agendamentos de MRI".
Ter coragem de ajustar a direção, desde que se dê o primeiro passo certo: se os dados iniciais mostrarem que a sua ideia não está a funcionar, um plano inicial concreto facilitará a sua mudança de rumo. Compreender claramente o que está a testar permitirá que mude rapidamente para outra direção após uma falha.
Utilizar ciclos de feedback para mitigar riscos: agora a velocidade de construção de protótipos aumentou 10 vezes, e a eficiência no desenvolvimento de software em produção também aumentou entre 30-50%. Deve-se aproveitar esta vantagem, utilizando feedback de usuários em tempo real para reduzir o risco de mercado.
Tente mais, em vez de buscar a perfeição: não tente aperfeiçoar sua primeira versão. Construa 20 protótipos rudimentares e veja qual deles consegue se manter. A velocidade de aprendizado é mais importante do que o polimento.
Aja rapidamente e responsabilize-se: Andrew Ng reinterpretou o clássico lema do Vale do Silício: não "aja rapidamente e quebre regras", mas sim "aja rapidamente e assuma a responsabilidade". O senso de responsabilidade é a pedra angular da confiança.
O código está a perder o seu valor de escassez: o código já não é o ativo central escasso que era no passado. Com as ferramentas de prototipagem rápida e a IA, o código é facilmente produzido. O que realmente importa é o valor que o código realiza.
A arquitetura técnica é reversível: no passado, escolher uma arquitetura era uma decisão unidirecional. Agora é uma porta de duas direções, e o custo de mudar a arquitetura foi significativamente reduzido. Essa flexibilidade encoraja tentativas mais ousadas e experimentos mais rápidos.
Todos deveriam aprender a programar: a ideia de "não aprender a programar" é uma ilusão. Quando as pessoas passaram da linguagem de montagem para linguagens de alto nível, também havia preocupações semelhantes. A IA está tornando a programação mais acessível, e no futuro, mais pessoas em diversas profissões deveriam dominar as habilidades de programação.
O conhecimento de domínio torna a IA melhor: uma compreensão profunda de um domínio específico pode ajudá-lo a aplicar melhor a IA. Historiadores da arte podem escrever melhores prompts de imagem. Médicos podem moldar uma melhor IA de saúde. Os fundadores devem combinar conhecimento de domínio com a competência em IA.
O gestor de produto agora é o gargalo: neste momento, o novo fator limitante não é a engenharia, mas sim a gestão de produtos. Uma das equipas de Andrew Ng até sugeriu ajustar a proporção de gestores de produto para engenheiros para 2:1, a fim de acelerar os processos de feedback e decisão.
Os engenheiros precisam de pensamento de produto: engenheiros com intuição de produto agem mais rapidamente e os produtos que desenvolvem são melhores. Apenas ter habilidades técnicas não é suficiente; os desenvolvedores também precisam entender profundamente as necessidades dos usuários.
Pedir opiniões a amigos
Um profundo conhecimento de IA continua a ser uma vantagem competitiva: a literacia em IA ainda não se generalizou. Aqueles que realmente compreendem os princípios tecnológicos da IA ainda têm uma enorme vantagem - conseguem inovar de forma mais inteligente, eficiente e autónoma.
Especulação ≠ Verdade: Cuidado com aquelas narrativas que parecem impressionantes, mas que são usadas principalmente para angariar fundos ou elevar o status. Termos como AGI, extinção e inteligência infinita são frequentemente sinais de especulação, e não de influência.
A segurança diz respeito ao uso, e não à própria tecnologia: o conceito de "segurança em IA" é frequentemente mal interpretado. A IA é como eletricidade ou fogo, em si mesma não é boa nem má, depende de como é aplicada. A segurança diz respeito ao uso, e não à própria ferramenta.
A única coisa que importa é se os usuários gostam: não é necessário se preocupar excessivamente com o custo do modelo ou os benchmarks de desempenho. A única questão que precisa ser abordada é: você está criando um produto que os usuários realmente amam e estão dispostos a usar continuamente?
A educação AI ainda está em fase de exploração: empresas como a Kira Learning estão realizando muitos experimentos, mas a forma final da IA na educação ainda não está clara. Estamos ainda em uma fase inicial de transformação.
Cuidado com as "teorias do apocalipse" e a "captura regulatória": o medo excessivo da IA está a ser utilizado para justificar regulamentos que protegem as empresas existentes. É importante manter uma atitude cética em relação às narrativas de "segurança da IA" que beneficiam os que já estão no poder.
Inteligência Física 联创：Chelsea Finn
A tecnologia robótica requer uma mentalidade de stack completo: você não pode simplesmente adicionar a tecnologia robótica a uma empresa existente. Você precisa construir todo o stack tecnológico do zero - dados, modelos, implantação.
A qualidade dos dados supera a quantidade: conjuntos de dados massivos provenientes da indústria, do YouTube ou de ambientes simulados muitas vezes carecem de diversidade e autenticidade. Dados corretos e de alta qualidade são mais importantes do que a escala.
Melhor Modo: Pré-treinamento + Ajuste Fino: primeiro, realizar pré-treinamento em um conjunto de dados amplo, seguido de ajuste fino utilizando cerca de 1000 amostras de alta qualidade e consistentes com o cenário; este método pode melhorar significativamente o desempenho do robô.
Os robôs de tipo geral irão superar os robôs especializados: os modelos gerais que podem atravessar diferentes tarefas e plataformas de hardware (como robôs de terceiros) estão se mostrando mais bem-sucedidos do que os sistemas construídos para fins específicos.
Dados do mundo real são insubstituíveis: embora dados sintéticos e simulados sejam úteis, dados reais continuam a ser cruciais, especialmente para tarefas visuais e físicas complexas.
Ter recursos em excesso pode ter o efeito oposto: o financiamento excessivo ou a complexidade excessiva podem atrasar o progresso. A clareza do problema e a execução focada são as mais importantes.
Cursor CEO&Co-Fundador: Michael Truell
Comece o quanto antes e continue a construir: mesmo que um dos parceiros saia, Michael continua a programar. A propagação viral inicial (uma cópia do Flappy Bird) ajudou-o a construir confiança e habilidades.
Validação rápida, mesmo em áreas desconhecidas: a sua equipa construiu um assistente de programação na área da engenharia mecânica sem experiência prévia. O seu lema é "aprender na prática."
Posicionamento diferenciado, sem medo dos gigantes: Eles hesitaram se deveriam competir com o GitHub Copilot, mas depois perceberam que poucas empresas têm como objetivo a "automação total do desenvolvimento de processos". Esse posicionamento abriu o mercado para eles.
Do código à publicação, ação rápida: da primeira linha de código à publicação pública, levaram apenas 3 meses. A iteração rápida ajudou-os a calibrar rapidamente a direção do produto.
Focar é melhor que complicar: eles desistiram de desenvolver simultaneamente um IDE (Ambiente de Desenvolvimento Integrado) e ferramentas de IA. Focando nas funcionalidades de IA, tiveram um desenvolvimento mais rápido.
A distribuição pode começar com um tweet: o crescimento inicial de usuários do Cursor originou-se de um tweet do cofundador nas redes sociais. Antes da promoção oficial no mercado, o boca a boca já era o principal motor.
O efeito de capitalização da execução: em 2024, a receita recorrente anual da Cursor cresceu de 1 milhão de dólares para 100 milhões de dólares em um ano, alcançando um crescimento composto semanal de 10% impulsionado pela melhoria do produto e pela demanda do usuário.
A melhor sugestão, siga a sua curiosidade: esqueça-se das coisas que faz para embelezar o currículo. O principal conselho de Michael é: faça o que lhe interessa com pessoas inteligentes.
CEO e co-fundador da Figma: Dylan Field
Encontre um cofundador que o inspire: A motivação do Dylan vem da colaboração com seu cofundador Evan Wallace, "toda semana parece que estamos criando o futuro."
Comece o mais cedo possível, aprendendo enquanto faz: Dylan começou seu projeto de empreendedorismo aos 19 anos, enquanto ainda estava na universidade. As falhas em projetos iniciais, como o "gerador de emojis", acabaram por lapidar a grande ideia que se tornou o Figma.
Lançamento rápido, feedback mais rápido: eles contactaram os primeiros usuários por email, realizaram iterações rápidas e mantiveram a cobrança desde o início. O feedback é o motor contínuo da evolução do produto.
Dividir o roteiro de longo prazo em sprints de curto prazo: Desmembrar a grande visão em partes menores é a chave para garantir velocidade e capacidade de execução.
O ajuste ao mercado do produto pode levar anos: a Figma levou cinco anos para receber um sinal decisivo: a Microsoft disse que, se a Figma não começasse a cobrar, teria que cancelar a parceria.
O design é um novo fator de diferenciação: ele acredita que, devido à ascensão da IA, o design está se tornando cada vez mais importante. A Figma também está acompanhando essa tendência ao lançar uma série de novos produtos como Draw, Buzz, Sites e Make.
Usar IA para acelerar o design de protótipos: O melhor uso da IA é aumentar a velocidade de iteração, e não buscar a "mágica" de geração com um clique. Designers e gerentes de produto agora devem contribuir para a avaliação da IA.
Abrace a rejeição, em vez de a evitar: as experiências de atuação na infância ensinaram Dylan a enfrentar críticas e feedback com tranquilidade. Ele acredita que ser rejeitado é parte do caminho para o sucesso.
As conexões interpessoais são sempre o núcleo: um aviso para não substituir as relações humanas pela IA. Quando questionado sobre o significado da vida, ele respondeu: "explorar a consciência, continuar aprendendo, compartilhar amor."
Ver original
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
YC AI Aceleradora Dia 2: Nadella, Andrew Ng, CEO da Cursor vieram todos.
Organização: Founder Park
No segundo dia da YC AI Startup School, recebemos sete convidados de peso: Satya Nadella (CEO da Microsoft), Andrew Ng (fundador da Deep Learning.AI), Chelsea Finn (cofundadora da Physical Intelligence), Michael Truell (CEO e cofundador da Cursor), Dylan Field (CEO e cofundador da Figma), Andrej Karpathy (ex-diretor de IA da Tesla) e Sriram Krishnan (conselheiro sênior de políticas de inteligência artificial da Casa Branca).
Em torno de tópicos como tecnologia de IA e empreendedorismo, essas personalidades compartilharam muitos pontos de vista interessantes em suas palestras, como:
Além de Andrej Karpathy (para mais detalhes sobre a apresentação de Andrej Karpathy, veja o nosso artigo de ontem "O primeiro dia do YC AI Startup Camp, a palestra de Andrej Karpathy foi um sucesso") e Sriram Krishnan, organizamos os pontos principais das apresentações dos outros cinco convidados.
CEO da Microsoft: Satya Nadella
Efeito composto da plataforma: a IA não surge do nada, mas é construída sobre décadas de infraestrutura de nuvem, que evoluiu para suportar o treinamento de modelos em grande escala. Cada geração de plataforma prepara o caminho para o surgimento da próxima geração.
O modelo é a infraestrutura, o produto é o ecossistema: o modelo básico é uma forma de infraestrutura, semelhante a um novo tipo de banco de dados SQL. O verdadeiro produto não é o modelo em si, mas todo o ecossistema construído em torno dele: ciclos de feedback, integração de ferramentas e interação com o usuário.
O impacto económico é a referência: o indicador norte de Satya para medir o valor da IA é: "Está a criar excedente económico?" Se uma tecnologia não consegue impulsionar o crescimento do PIB, então não é transformadora.
A fronteira entre poder computacional e inteligência: O nível de inteligência aumentará em um crescimento logarítmico com o investimento em poder computacional. Mas as grandes quebras no futuro não virão apenas da escala, mas sim de uma mudança de paradigma, assim como a chegada do próximo "momento da lei de escala".
Energia e consenso social: O desenvolvimento em larga escala da IA exigirá um maior consumo de energia, bem como a obtenção de licença da sociedade. Para conquistar essa licença, devemos demonstrar que os reais e positivos benefícios sociais trazidos pela IA são suficientes para justificar os seus custos.
O verdadeiro gargalo da IA é a gestão de mudanças: os obstáculos ao desenvolvimento das indústrias tradicionais não estão na tecnologia, mas sim na rigidez dos fluxos de trabalho existentes. A verdadeira transformação exige repensar como o trabalho é realizado, e não apenas a simples introdução da IA.
A fusão de papéis de trabalho: em plataformas como o LinkedIn, papéis tradicionais como design, front-end e produto estão gradualmente se fundindo, dando origem a talentos "full stack". A IA está permitindo que mais pessoas adquiram habilidades interdisciplinares, acelerando essa tendência.
Não subestime o valor do trabalho repetitivo: no trabalho do conhecimento, existe uma grande quantidade de trabalho físico repetitivo. A melhor aplicação da IA é eliminar esses "custos de atrito invisíveis" e libertar a criatividade humana.
Mantenha-se aberto ao futuro: mesmo Satya não previu que o progresso das tecnologias de "computação durante o teste" e "aprendizagem reforçada" seria tão rápido. Não assuma que já vimos a forma final da IA, é muito provável que haja mais avanços no futuro.
Não humanize a IA: a IA não é uma pessoa. É uma ferramenta. A próxima fronteira é dar-lhe memória, ferramentas e a capacidade de agir, mas isso é fundamentalmente diferente da capacidade de raciocínio humano.
O futuro do desenvolvimento: a IA não vai substituir os desenvolvedores, mas sim tornar-se um assistente valioso para eles. O VSCode é uma tela para colaboração com a IA. O núcleo da engenharia de software vai mudar de escrever código para design de sistemas e garantia de qualidade.
A responsabilidade e a confiança são indispensáveis: a emergência da IA não isenta a responsabilidade humana. As empresas ainda precisam ser legalmente responsáveis pelo comportamento de seus produtos. É por isso que a privacidade, a segurança e a soberania devem permanecer no centro das atenções.
A confiança vem do valor prático: a confiança vem da utilidade, e não de palavras vazias. Satya aponta que um exemplo é o chatbot implantado para os agricultores indianos, destacando que a ajuda visível é a pedra angular para construir confiança.
Da voz ao agente inteligente: A jornada da IA da Microsoft começou em 1995 com a tecnologia de voz. Hoje, seu foco estratégico mudou para agentes "inteligentes" totalmente funcionais, que integram voz, visão e dispositivos de computação ambiental omnipresentes.
O agente inteligente é o computador do futuro: A visão de longo prazo de Satya é: "Os agentes inteligentes se tornarão a nova geração de computadores." Este futuro depende não apenas da precisão da tecnologia, mas também da confiança do usuário e da experiência de interação sem interrupções.
Sobre as lições de liderança: o seu conselho é começar a partir das posições mais básicas, mas ter as mais ambiciosas aspirações. É importante aprender a construir uma equipe, e não apenas desenvolver um produto.
O tipo de pessoa que Satya procura: ele valoriza pessoas que simplificam as complexidades, trazem clareza de pensamento; estimulam a energia da equipe e unem as pessoas; e que gostam de resolver problemas complexos sob condições restritivas.
Pergunta de entrevista favorita: "Conte-me sobre um problema que você não sabia como resolver e como você o resolveu. Ele espera ver a curiosidade, a capacidade de adaptação e a perseverança do candidato."
O potencial da computação quântica: a próxima tecnologia disruptiva pode vir do domínio quântico. A Microsoft está focada no desenvolvimento de "qubits com correção de erros", uma tecnologia que pode nos permitir simular o mundo natural com uma precisão sem igual.
Conselhos para os jovens: não fiquem à espera da permissão dos outros. Construam ferramentas que realmente empoderem as pessoas. Ele reflete frequentemente: "O que podemos criar para ajudar os outros a criar?"
Produtos favoritos: VSCode e Excel - porque eles dão superpoderes às pessoas.
Fundador da Deep Learning.AI: Andrew Ng
A velocidade de execução determina o sucesso: O melhor indicador de se uma startup pode ter sucesso é a velocidade com que constrói, testa e itera. A velocidade traz o efeito de aprendizado de juros compostos, e a IA faz com que esse efeito cresça exponencialmente.
A maioria das oportunidades está no nível da aplicação: atualmente, o maior retorno não vem da construção de novos modelos, mas sim da aplicação de modelos existentes em cenários valiosos e voltados para o usuário. É aqui que os fundadores devem concentrar a sua atenção.
Agentic AI é superior a ferramentas "descartáveis": produtos que incluem ciclos de feedback, como o Agentic AI, têm um desempenho muito superior àqueles que só conseguem realizar tarefas "uma única vez". A interação contínua pode otimizar os resultados, enquanto a iteração traz uma melhoria de desempenho em múltiplas camadas.
"Camada de Orquestração" está a surgir: entre o modelo base e as aplicações, está a formar-se uma nova camada intermédia: orquestração baseada em agentes. Esta camada é capaz de suportar tarefas complexas de múltiplos passos que cruzam ferramentas e fontes de dados.
Quanto mais específico for o pensamento, mais rápida será a execução: a melhor maneira de agir rapidamente é começar com uma ideia concreta, uma ideia com detalhes suficientes para que um engenheiro possa começar a construir imediatamente. Boas ideias concretas geralmente vêm de especialistas em áreas com clareza intuitiva.
Cuidado com a armadilha das "grandes narrativas": objetivos abstratos como "IA capacitando a saúde" parecem ambiciosos, mas muitas vezes levam a uma execução lenta. O que realmente traz eficiência são ferramentas específicas e detalhadas, como "automação de agendamentos de MRI".
Ter coragem de ajustar a direção, desde que se dê o primeiro passo certo: se os dados iniciais mostrarem que a sua ideia não está a funcionar, um plano inicial concreto facilitará a sua mudança de rumo. Compreender claramente o que está a testar permitirá que mude rapidamente para outra direção após uma falha.
Utilizar ciclos de feedback para mitigar riscos: agora a velocidade de construção de protótipos aumentou 10 vezes, e a eficiência no desenvolvimento de software em produção também aumentou entre 30-50%. Deve-se aproveitar esta vantagem, utilizando feedback de usuários em tempo real para reduzir o risco de mercado.
Tente mais, em vez de buscar a perfeição: não tente aperfeiçoar sua primeira versão. Construa 20 protótipos rudimentares e veja qual deles consegue se manter. A velocidade de aprendizado é mais importante do que o polimento.
Aja rapidamente e responsabilize-se: Andrew Ng reinterpretou o clássico lema do Vale do Silício: não "aja rapidamente e quebre regras", mas sim "aja rapidamente e assuma a responsabilidade". O senso de responsabilidade é a pedra angular da confiança.
O código está a perder o seu valor de escassez: o código já não é o ativo central escasso que era no passado. Com as ferramentas de prototipagem rápida e a IA, o código é facilmente produzido. O que realmente importa é o valor que o código realiza.
A arquitetura técnica é reversível: no passado, escolher uma arquitetura era uma decisão unidirecional. Agora é uma porta de duas direções, e o custo de mudar a arquitetura foi significativamente reduzido. Essa flexibilidade encoraja tentativas mais ousadas e experimentos mais rápidos.
Todos deveriam aprender a programar: a ideia de "não aprender a programar" é uma ilusão. Quando as pessoas passaram da linguagem de montagem para linguagens de alto nível, também havia preocupações semelhantes. A IA está tornando a programação mais acessível, e no futuro, mais pessoas em diversas profissões deveriam dominar as habilidades de programação.
O conhecimento de domínio torna a IA melhor: uma compreensão profunda de um domínio específico pode ajudá-lo a aplicar melhor a IA. Historiadores da arte podem escrever melhores prompts de imagem. Médicos podem moldar uma melhor IA de saúde. Os fundadores devem combinar conhecimento de domínio com a competência em IA.
O gestor de produto agora é o gargalo: neste momento, o novo fator limitante não é a engenharia, mas sim a gestão de produtos. Uma das equipas de Andrew Ng até sugeriu ajustar a proporção de gestores de produto para engenheiros para 2:1, a fim de acelerar os processos de feedback e decisão.
Os engenheiros precisam de pensamento de produto: engenheiros com intuição de produto agem mais rapidamente e os produtos que desenvolvem são melhores. Apenas ter habilidades técnicas não é suficiente; os desenvolvedores também precisam entender profundamente as necessidades dos usuários.
Pedir opiniões a amigos
Um profundo conhecimento de IA continua a ser uma vantagem competitiva: a literacia em IA ainda não se generalizou. Aqueles que realmente compreendem os princípios tecnológicos da IA ainda têm uma enorme vantagem - conseguem inovar de forma mais inteligente, eficiente e autónoma.
Especulação ≠ Verdade: Cuidado com aquelas narrativas que parecem impressionantes, mas que são usadas principalmente para angariar fundos ou elevar o status. Termos como AGI, extinção e inteligência infinita são frequentemente sinais de especulação, e não de influência.
A segurança diz respeito ao uso, e não à própria tecnologia: o conceito de "segurança em IA" é frequentemente mal interpretado. A IA é como eletricidade ou fogo, em si mesma não é boa nem má, depende de como é aplicada. A segurança diz respeito ao uso, e não à própria ferramenta.
A única coisa que importa é se os usuários gostam: não é necessário se preocupar excessivamente com o custo do modelo ou os benchmarks de desempenho. A única questão que precisa ser abordada é: você está criando um produto que os usuários realmente amam e estão dispostos a usar continuamente?
A educação AI ainda está em fase de exploração: empresas como a Kira Learning estão realizando muitos experimentos, mas a forma final da IA na educação ainda não está clara. Estamos ainda em uma fase inicial de transformação.
Cuidado com as "teorias do apocalipse" e a "captura regulatória": o medo excessivo da IA está a ser utilizado para justificar regulamentos que protegem as empresas existentes. É importante manter uma atitude cética em relação às narrativas de "segurança da IA" que beneficiam os que já estão no poder.
Inteligência Física 联创：Chelsea Finn
A tecnologia robótica requer uma mentalidade de stack completo: você não pode simplesmente adicionar a tecnologia robótica a uma empresa existente. Você precisa construir todo o stack tecnológico do zero - dados, modelos, implantação.
A qualidade dos dados supera a quantidade: conjuntos de dados massivos provenientes da indústria, do YouTube ou de ambientes simulados muitas vezes carecem de diversidade e autenticidade. Dados corretos e de alta qualidade são mais importantes do que a escala.
Melhor Modo: Pré-treinamento + Ajuste Fino: primeiro, realizar pré-treinamento em um conjunto de dados amplo, seguido de ajuste fino utilizando cerca de 1000 amostras de alta qualidade e consistentes com o cenário; este método pode melhorar significativamente o desempenho do robô.
Os robôs de tipo geral irão superar os robôs especializados: os modelos gerais que podem atravessar diferentes tarefas e plataformas de hardware (como robôs de terceiros) estão se mostrando mais bem-sucedidos do que os sistemas construídos para fins específicos.
Dados do mundo real são insubstituíveis: embora dados sintéticos e simulados sejam úteis, dados reais continuam a ser cruciais, especialmente para tarefas visuais e físicas complexas.
Ter recursos em excesso pode ter o efeito oposto: o financiamento excessivo ou a complexidade excessiva podem atrasar o progresso. A clareza do problema e a execução focada são as mais importantes.
Cursor CEO&Co-Fundador: Michael Truell
Comece o quanto antes e continue a construir: mesmo que um dos parceiros saia, Michael continua a programar. A propagação viral inicial (uma cópia do Flappy Bird) ajudou-o a construir confiança e habilidades.
Validação rápida, mesmo em áreas desconhecidas: a sua equipa construiu um assistente de programação na área da engenharia mecânica sem experiência prévia. O seu lema é "aprender na prática."
Posicionamento diferenciado, sem medo dos gigantes: Eles hesitaram se deveriam competir com o GitHub Copilot, mas depois perceberam que poucas empresas têm como objetivo a "automação total do desenvolvimento de processos". Esse posicionamento abriu o mercado para eles.
Do código à publicação, ação rápida: da primeira linha de código à publicação pública, levaram apenas 3 meses. A iteração rápida ajudou-os a calibrar rapidamente a direção do produto.
Focar é melhor que complicar: eles desistiram de desenvolver simultaneamente um IDE (Ambiente de Desenvolvimento Integrado) e ferramentas de IA. Focando nas funcionalidades de IA, tiveram um desenvolvimento mais rápido.
A distribuição pode começar com um tweet: o crescimento inicial de usuários do Cursor originou-se de um tweet do cofundador nas redes sociais. Antes da promoção oficial no mercado, o boca a boca já era o principal motor.
O efeito de capitalização da execução: em 2024, a receita recorrente anual da Cursor cresceu de 1 milhão de dólares para 100 milhões de dólares em um ano, alcançando um crescimento composto semanal de 10% impulsionado pela melhoria do produto e pela demanda do usuário.
A melhor sugestão, siga a sua curiosidade: esqueça-se das coisas que faz para embelezar o currículo. O principal conselho de Michael é: faça o que lhe interessa com pessoas inteligentes.
CEO e co-fundador da Figma: Dylan Field
Encontre um cofundador que o inspire: A motivação do Dylan vem da colaboração com seu cofundador Evan Wallace, "toda semana parece que estamos criando o futuro."
Comece o mais cedo possível, aprendendo enquanto faz: Dylan começou seu projeto de empreendedorismo aos 19 anos, enquanto ainda estava na universidade. As falhas em projetos iniciais, como o "gerador de emojis", acabaram por lapidar a grande ideia que se tornou o Figma.
Lançamento rápido, feedback mais rápido: eles contactaram os primeiros usuários por email, realizaram iterações rápidas e mantiveram a cobrança desde o início. O feedback é o motor contínuo da evolução do produto.
Dividir o roteiro de longo prazo em sprints de curto prazo: Desmembrar a grande visão em partes menores é a chave para garantir velocidade e capacidade de execução.
O ajuste ao mercado do produto pode levar anos: a Figma levou cinco anos para receber um sinal decisivo: a Microsoft disse que, se a Figma não começasse a cobrar, teria que cancelar a parceria.
O design é um novo fator de diferenciação: ele acredita que, devido à ascensão da IA, o design está se tornando cada vez mais importante. A Figma também está acompanhando essa tendência ao lançar uma série de novos produtos como Draw, Buzz, Sites e Make.
Usar IA para acelerar o design de protótipos: O melhor uso da IA é aumentar a velocidade de iteração, e não buscar a "mágica" de geração com um clique. Designers e gerentes de produto agora devem contribuir para a avaliação da IA.
Abrace a rejeição, em vez de a evitar: as experiências de atuação na infância ensinaram Dylan a enfrentar críticas e feedback com tranquilidade. Ele acredita que ser rejeitado é parte do caminho para o sucesso.
As conexões interpessoais são sempre o núcleo: um aviso para não substituir as relações humanas pela IA. Quando questionado sobre o significado da vida, ele respondeu: "explorar a consciência, continuar aprendendo, compartilhar amor."