Lenny's Podcast 笔记：garrett-lord 深度访谈
原视频：📺 YouTube标签分类：增长与分发
🎯 核心结论
AI 模型的竞争焦点已从“吞噬互联网公开数据”进入“获取顶级专家闭环逻辑”的深水区。Handshake 的成功证明了：在 AI 时代，企业最坚实的护城河不是通用算法，而是对特定高价值人群（专家/数据源）的独占性触达能力。 通过将已有的 2000 万学生及 PhD 网络转化为 AI 训练场，他们实现了商业史上罕见的“自我颠覆式”增长。
🏛️ 核心分析（金字塔原理）
1. AI 训练的范式转移：从“量”到“质”的跃迁
- 深度剖析：大模型已几乎“吃光”了互联网上的公开文本（Pre-training 边际效应递减）。目前的提升核心在于“后训练（Post-training）”，即通过人类专家的反馈（RLHF）和监督微调（SFT）来解决模型在复杂逻辑、高精尖领域（如物理、生物、法律）的“幻觉”问题。
- 实战案例：Garrett 提到，普通人无法指出 AI 在高深物理问题上的错误，但 Handshake 的斯坦福 PhD 可以。他们不仅给答案，还提供“思考轨迹（Trajectories）”，告诉模型第 6 步到第 10 步哪里算错了。
2. 存量资产的“降维打击”：零成本获客的护城河
- 深度剖析：在 AI 数据标注市场，最大的成本是“寻找并验证专家”。Handshake 过去 10 年积累的 2000 万学生和 50 万 PhD 变成了天然的优质“数据工厂”。
- 实战案例：相比于 Scale AI 等公司需要重新招募标注者，Handshake 直接通过既有平台定向推送任务给特定 GPA、特定专业的顶级学生，实现了**零获客成本（CAC）**下的业务爆发。
3. “穿上钢铁侠战衣”：重塑人才生产力
- 深度剖析：Garrett 驳斥了“AI 取代初级员工”的悲观论调。他认为 AI 是增强人类能力的补丁（Iron Man Suit），让应届生能直接跨越基础技能（如排版、简单修图、基础代码写环境）直接进入价值创造。
- 实战案例：Handshake 的实习生在入职第一天下午就通过 AI 协助提交了第一个代码合并请求（PR），这在旧时代是不可想象的。
🧠 芒格格栅：思维模型拆解
- [反向思维 (Inversion)]：大多数公司在想“我能用 AI 做什么产品？”而 Garrett 在想“AI 巨头（OpenAI, Meta）现在最痛苦、最缺什么？”。他发现模型 builders 渴望高质量、不可伪造的人类智力轨迹，于是将整个公司转向满足这个“无限需求”。
- [激励机制 (Incentives)]：他没有把 PhD 们当成简单的“外包劳动力”，而是将这项工作品牌化，定位为“参与最前沿 AI 模型的塑造”。这种精神激励+高薪回报，吸引了顶级音乐学院学生标注音频、顶级医学博士标注 MRI 结果，保证了数据质量的绝对领先。
⚡ AI 时代的赋能与重塑
- 前沿应用：**思考轨迹（Trajectory Data）**采集。不再只是简单的“对或错”判断，而是通过录屏、语音复述等方式，捕获人类解决复杂问题时的每一步逻辑和鼠标移动路径，这是目前训练“推理模型”的核心燃料。
- 商务/电商实战建议：
- 个人效率：像 Garrett 提到的，不要把 AI 当搜索工具，要把它当成“数字员工”。电商运营者应利用 AI 快速生成高质量视觉素材和数据分析报告，一人公司也能处理过去需要整个市场部的工作。
- 业务转型：盘点你手头拥有的“独特数据”或“特定人群触达权”。如果你拥有某种垂直行业的深度数据，那个数据本身在 AI 时代可能比你原本的业务更值钱。
- 认知重构 (Old vs New)：
- 旧观念：大学生找工作难是因为技能不足，需要多年苦修。
- 新现实：AI 抹平了基础操作门槛。现在的核心竞争力是“提问力”和“逻辑拆解能力”，即如何穿好那件“钢铁侠战衣”。
💡 行动建议 (Steve Jobs 风格)
- 盘点你的“私有资产”：立刻梳理你的公司或个人是否拥有 AI 训练急需的、互联网上买不到的垂直领域“闭环数据”。
- 成为 AI Native：像大学生一样，在每一项日常任务中强制性引入 AI 辅助，直到你感受到那种“钢铁侠”般的效率增益。
- 专注“高阶逻辑”而非“重复执行”：未来的高薪不在于能干活，而在于能清晰定义“什么才是正确的工作逻辑（Rubrics）”，并将其传授给 AI。