圖片來源：20VC
如果你有一種非常通用的技術，能應用到數十億種不同的場景，而且普通人都能用，那就應該把它推向數十億人。
與其直接從事醫學研究之類的工作，我有更多的槓桿作用，推動AI技術，它可以幫助解決剩下的很多問題。
我們想建構的是一個既可用又非常通用的東西。
我們可以專注於讓我們的產品變得更好，同時推動AI發展，這兩者是相輔相成的。
Noam Shazeer是Character.AI的聯合創始人兼CEO。Shazeer是Google Brain團隊的前成員，曾主導開發Gmail的拼寫糾正功能和AdSense核心演算法。Character.AI是一個全棧AI計算平台，提供人們訪問自我靈活超級智能的機會。
Google經驗與Character介紹
Harry Stebbings：歡迎收看20VC節目，這是一個採訪世界上最佳創始人和投資者的節目。今天我們請到了AI和NLP（自然語言處理）領域的頂級專家Noam Shazeer。Noam是Character.AI的聯合創始人兼CEO，這是一家全棧AI計算平台，旨在為人們提供靈活的超級智能。
Noam，非常興奮能和你一起聊天！我從很多不同的人那裡聽到了關於你的許多好話，Eric Schmidt、Sarah Wang、Prajit等人都推薦過你，非常感謝你今天加入我們。
Noam Shazeer：謝謝。很高興能在這裡，Harry！
Harry Stebbings：我想先從一些背景開始，因為很少有人能在Google這樣一個快速擴張的公司待上20年。首先，我想回顧一下你是如何加入Google的。聽說你加入的故事有些特別，能告訴我一下“spelling corrector”的故事嗎？
Noam Shazeer：是的，那是我在Google做的第一個專案。那時候，Google使用的是第三方軟體做拼寫校正，類似於當時你在文字處理軟體裡可能會遇到的那種。它基於一個人工編制的字典，裡面大概有5萬詞。如果查詢中有不在字典裡的詞，它會說：“你是不是想說……？”這種方法對拼寫糾正很有效。
但對於網頁搜索來說，它就非常糟糕，因為人們搜索的內容種類繁多，很多詞根本不在字典裡。比如你搜索“turbotax”，它會顯示“你是不是想說‘***’？”人們漸漸就學會忽視這個提示了。於是我們的第一個專案就是研究為什麼人們在使用Google時不滿意，拼寫校正成了最大的問題。我就想，OK，我來幫忙解決這個問題。當時有一個人在做這項工作的，Paul Buchheit，他後來做了很多出色的事，今天他也是我們Character.AI的投資人之一。他冬假準備休假幾個星期。
Harry Stebbings：在Google待了20年，肯定有很多收穫。能否告訴我一兩點最重要的收穫是什麼？20年對你有什麼影響？
Noam Shazeer：我覺得一個很大的收穫是，如果你有一種非常通用的技術，能應用到數十億種不同的場景，而且普通人都能用，那就應該把它推向數十億人。
記得剛加入Google的時候，很多人都在做一個企業搜索設備。雖然它還可以，但也許當時大家普遍認為B2B才是賺錢的唯一方式。結果證明，真正更大的機會是B2C，就是把某樣東西服務於每個人。
Harry Stebbings：這種想法是如何改變你的思維方式的？是不是就要追求更大的目標？
Noam Shazeer：是的。現在我創建了Character.AI這家公司，我們將大型語言模型技術推向消費者，直接面對用戶。這裡有一項技術比網頁搜索更靈活、更易用，你可以用它做朋友、做作業、進行頭腦風暴、獲取創意，甚至是做一千種不同的事情。我們甚至還沒有想到最好的使用案例。它非常好用，你只需要和它對話。
所以它有兩個特點：首先，它非常通用；其次，它非常易用。對我來說，這意味著應該把它推向全世界，讓全世界的人都能使用它。而我認為其他一些公司採取了更像B2B的方式，先做一個基礎模型公司，然後在此之上再做行業化的應用公司。我真的很受Google模式的啟發，從基礎研究到產品推出，再到直接面向消費者。
這非常有趣，也充滿動力，因為工程師喜歡建構東西，然後推出並讓每個人馬上都能使用。而且它也讓你能從整個技術棧中進行共同設計，這種感覺既強大又有趣。
Harry Stebbings：我能問一下，你剛才提到加入Google的原因。很多人都會受過去經歷的影響，當你回想自己的經歷時，你是如何看待自己曾經“逃避”的那些事情的？
Noam Shazeer：嗯，為什麼我開始從事AI？部分原因是因為它有趣，而且這本來就是我喜歡做的事。畢竟，試圖讓電腦做一些它目前無法做到的事情，有什麼比這更有趣的嗎？另外一個原因是推動技術的進步。世界上有許多技術難題是可以解決的。
每年大約有1500萬人死於衰老、癌症、心臟病等各種疾病，而這些我們可能能找到治療方法。所以，與其直接從事醫學研究之類的工作，我認為我有更多的槓桿作用，推動AI技術，它可以幫助解決剩下的很多問題。
Character.AI的願景、成長與倫理考量
Harry Stebbings：那麼你如何看待公司使命、願景和價值觀？當你提到世界上最嚴重的問題時，從氣候變化到貧富不均，再到自然資源的緊張，你如何理解使命、願景和價值觀？我覺得如果我們誠實地說，很多人都誤解了這一點。
Noam Shazeer：我們的使命和願景是什麼呢？我認為我們需要保持謙遜的態度，因為我們並不是掌控這個世界的人，神才是掌控世界的。我們甚至無法掌控政府，也無法掌控個人的行為。
Harry Stebbings：當你站到公司面前分享時，現在團隊裡有很多人，你如何向他們表達使命？
Noam Shazeer：我喜歡這種口號：“十億用戶發明十億種使用案例”，因為這就是這項技術的超級能力。它把我們的公司放在了正確的位置，我們不能完全猜測這種技術的最佳用途。我們一次又一次觀察到，當你推出某樣東西時，它並不是人們想要的，而別人會發現更好的用法。
比如我們舉個例子，做了一個心理學家角色，可能你想和它聊天來感覺更好，結果有了一些應用，但我們更多聽到用戶反饋說：“我在和一個視頻遊戲角色對話，它現在成了我的新治療師，這讓我感覺更好。”我們完全沒預料到這種情況。這展示了娛樂、陪伴和情感支持的巨大需求。我們對這些方面完全不專業。我們的工作只是推出一些通用的東西，並尊重用戶的選擇，讓每個人都可以自由地使用它。
Harry Stebbings：當你想到你們所經歷的驚人增長，每天發送4.5億條信息，2000萬用戶時，你認為是什麼驅動了這增長的兩個主要因素？
Noam Shazeer：一個因素是我們終於發布了，這絕對是過去的一個障礙。以前大公司可能會覺得推出這樣的東西有太多品牌風險；另一個方面是，我們推出了一個通用的產品，讓大家自己找到使用案例；還有一個原因是，世界上有巨大的需求。比如，數十億人覺得自己需要有人傾訴。結合這些因素，我們為用戶提供了一種通用的工具，他們有需求，而他們會找到它。
Harry Stebbings：我對你的想法非常感興趣，完全同意你對水平使用案例的看法。我對人們以不同方式與它互動感到著迷。你不擔心人們在失去與其他人聯繫時，沒人在他們身邊，他們才會去和機器對話嗎？
Noam Shazeer：人與人之間的聯繫非常有價值，也具有道德價值。我最不想做的事情就是讓人們失去與人類的聯繫。我們希望幫助人們建立人與人之間的聯繫。許多沒有朋友或沒有良好社交聯繫的人，往往是因為社交焦慮。大量的人感到不舒服，我們收到了很多人說，他們以前在與別人交談時感到不舒服。但現在，通過與這個系統互動，他們可以練習與人交往，這幫助他們在社交場合中變得更加自信。
Harry Stebbings：還是說，你覺得它實際上只是建立了一種習慣？你習慣了和一個非人類的存在對話，最終這將取決於用戶。現在你們面臨的最困難的產品挑戰是什麼？這個產品模式非常複雜，使用案例多，用戶需求多。作為一個團隊，你們認為面臨的最大挑戰是什麼？
Noam Shazeer：我們需要做的主要事情是保持產品的通用性。這樣我們就不會限制使用案例，讓它變得可用。很多人認為通用性和易用性是對立的，要做到既靈活又易用是非常困難的。就像我們一開始跟一些潛在的產品經理聊過，他們都說了同樣的話。哦，選定你的垂直領域，縮小範圍讓它更可用。但我們並不打算雇用這些人。這其實是我們想做的事情的反面。我們想建構的是一個既可用又非常通用的東西。所以這之間就有一種二分法。
Harry Stebbings：我不太明白你們是怎麼想的，我有點天真，所以我在請教，你們的看法是，越專業化，能提供的對話價值越深、越豐富。那麼，怎麼在這麼廣泛的領域中保持足夠的質量呢？
Noam Shazeer：是的，這就是神經語言模型的魔力。以前的系統都是基於規則的系統，非常複雜，有著數百萬條手寫規則，真的非常複雜，需要了解語言學、心理學等等各方面的知識。而現在用神經語言模型的方式完全不同：你幾乎可以對語言一無所知，除了它是一個單詞序列。所以，這和理解語言本身沒有關係，而且沒有數百萬條規則。其實它相對簡單，就像一個大黑盒。所有的事情都歸結為一個簡單的目標——你有一個單詞序列。這就是你的文檔的開頭。猜猜下一個單詞是什麼，給我一個概率，看看下一個單詞是什麼。這個問題叫做語言建模。就是根據前面的詞語猜下一個詞。2015年左右，我開始接觸這個問題，當時有一些谷歌的同行也在研究這個問題。他們在問：我們能做到多好？
我覺得這個問題太棒了，因為它表達得非常簡單，而且有大量免費的訓練數據。你可以下載網路上的文本，隨便抓取。你有數十億到數萬億個訓練樣本，教你如何猜下一個詞。如果你做得好，這個系統就能和你對話。它做得越好，就越智能。它非常通用，非常有用，而且非常簡單。現在我們只需要做好它。人們開始建構越來越好的神經網路，後來它們被重新命名為深度學習——這個名字是為了重新包裝神經網路，因為硬體不夠好。
所以人們使用深度學習進行語言建模，越大越好，越強大越聰明。2016年左右，最有用的應用，就是機器翻譯。它足夠智能，能夠將英語翻譯成法語或者類似的語言，這非常有用。它讓世界上每個人都可以互相溝通，但仍然不夠聰明，無法進行有趣的對話，做作業或者處理其他事情。但似乎有一條很清晰的道路：讓這個系統更智能，做得更大、更好、更聰明，它就能具備這些能力。
AI和機器學習的技術與商業
Harry Stebbings：我可以問一下嗎？你說的是2015年、2016年那時的情況，那時候的興奮週期和現在非常不同。我記得2015年、2016年我們有過聊天機器人階段，那時有一個超級興奮的短暫時段，但當時並沒有像今天一樣持續的信念，認為AI將會徹底改變社會運作。我想問的是，現在的情況是技術進展的結果，還是投資者和社會在最近幾年跟上了長期以來的技術發展？
Noam Shazeer：我覺得是兩者都有。我認為無論是數量上還是質量上，技術都進展了很多。2016年左右的模型太笨了，那時候的神經網路和聊天機器人技術是基於規則的系統，這些系統非常脆弱，根本沒有前進的空間。你只需要更多的規則。
而且沒有辦法預測所有可能出現的情況，它們也無法廣泛應用。所以這些方法行不通。但與此同時，我們也在神經網路的解決方案上取得進展，這些解決方案是可以擴展的。這花了一些時間，大約到2020年，實驗室裡開始出現一些令人印象深刻的成果，但還沒有推出。所以我的合夥人Daniel De Freitas，他是一個非常聰明、非常有拼勁的人。自從他在巴西還是孩子的時候，他就一直有一個目標——做開放領域的聊天機器人。
Harry Stebbings：你說做得越多，效果越好，反應速度和準確性越強。我總是有點疑問，雖然不算太擔心，就是想問，究竟是數據的大小更重要，還是模型的大小更重要？
Noam Shazeer：是的，可能模型的大小是更大的挑戰。我們可以得到很多數據，但實際上最重要的事情是你用多少計算力來訓練它。所以你想訓練一個更大的模型，而且你要訓練更長時間。這兩者都很重要，但真正的限制因素是訓練它需要多少計算操作。因為如果你讓它變得更大，訓練時間更長，這兩者會疊加，導致訓練時間變得非常長。所以人們一直在建構越來越強大的超級電腦來訓練這些模型。
Harry Stebbings：你認為目前你們的模型面臨的最大限制是什麼？
Noam Shazeer：基本上就是計算能力。我們現在使用的模型是去年夏天訓練的，花費了大約200萬美元的計算資源來完成訓練。如果我們能夠獲得更好的硬體，並且花更多時間訓練模型，未來我們會做得更好。2016年時，你可以訓練一個足夠聰明的模型來進行語言翻譯，但它還不夠聰明，來回答問題或者帶來娛樂性。
Harry Stebbings：如果從模型和數據的角度來看，你如何看待專有數據和非專有數據？你剛才提到，早期可以下載網際網路上的數據。那麼像Character.AI這樣的公司，在你的對話中會生成大量的專有數據，許多垂直化解決方案，如醫療、金融等領域也是如此。那麼，專有數據的價值在哪裡？它的所有權與數據是否總能被大家下載之間的關係是怎樣的？
Noam Shazeer：從用戶那裡得到的數據非常好，因為它可以告訴我們用戶喜歡什麼，或者在某些特定應用中，用戶喜歡什麼。它有點像訓練一個人。大多數重要的東西是你有幾十年的經驗，訓練大腦處理那些與你的任務或職業不直接相關的事情，但你已經對世界有了一個大致的理解，變得足夠聰明了。然後，你可以透過在你正在做的任務上進行少量的訓練，來顯著提升這一點，這兩者都會有所貢獻。我們確實有大量來自用戶的數據流入，顯然我們非常小心，不會侵犯任何人的隱私，但僅僅基於用戶使用服務的匯總數據，我們就能學到如何改進它。
Harry Stebbings：我完全理解。做得好，確保合規性很重要。你必須確保合規性。
Noam Shazeer：這非常重要，因為如果你只是採取簡單的做法，拿到每個與人交流的對話，然後用這些數據來訓練模型，那麼你可能就會洩露某人的私生活。人們與這些聊天機器人交流，傾訴心聲，你肯定不希望將這些內容隨便分享給所有人。
Harry Stebbings：為什麼Character.AI是獨立公司，而不是Facebook的一部分？如果你考慮Facebook向元宇宙的自然擴展，作為物理友情群體向元宇宙或非物理世界的延伸，為什麼Character需要是一個獨立公司，而不是Facebook、Snapchat或其他社交平台的一部分？
Noam Shazeer：我來自Google的經驗是，初創公司比大公司能走得更快，能以更快速的方式推出產品，而大公司則會因擔心影響現有產品而拖慢速度。
Harry Stebbings：我完全理解你說的速度差異。那麼，你認為在下一波AI創新創業中，初創公司會獲勝嗎？因為我現在在節目中很多人都說，這不再是Facebook這種公司，更多的是像微軟和Adobe這樣的公司，如果你必須選擇一個陣營，誰會贏，初創公司還是傳統企業？
Noam Shazeer：我認為最終用戶會獲勝，用戶會有很多選擇。從商業角度來看，我認為會有很多贏家，會有多個大公司在做它們擅長的事情，初創公司也會做它們擅長的事情。我們會盡量讓我們的公司從初創公司轉變為大公司，但很多個人、大學等，硬體進步如此之快，以至於你幾年前大公司能做的事，幾年後你也能在大學實驗室或自己的車庫裡做到。
商業戰略與AI哲學
Harry Stebbings：我完全理解並同意這些個人和大學的觀點。我曾請過Yann LeCun來上節目，他非常出色。他談到了開放與封閉的未來，為什麼他如此支持開放。你是否認同開放是社群主導的方法和機制，還是你認為封閉最終會勝出？很多人認為封閉會勝出。
Noam Shazeer：我認為會有一個大的開放與封閉的生態系統，既有不分享他們“秘密配方”的人，也有分享所有“秘密配方”的人。也能夠在小規模上進行實驗，最終會推動更多研究的發布，即使一些大型實體不再發布研究了。當然，封閉也有它的規模經濟，如果你想提供一個產品，如果你一次性服務成千上萬的人，能夠更高效地批量處理，而不是一個人，或者你在地下室用自己的設備運行語言模型。
Harry Stebbings：我可以問你一個問題嗎？你位於這個生態系統的中心，並且已經很多年了。你認為社會對於AI的看法有哪些是你希望改變的？你做過許多採訪，Noam。你總是會被問到相同的問題，看到相同的標題。你怎麼看待這個問題，天哪，我真希望人們改變他們的看法，認為AI會殺死所有人，或者AI會取代所有工作，或者那些到處可見的點擊誘餌。你希望社會在人們對AI的看法上改變什麼？
Noam Shazeer：最好的應用程式甚至還沒有被發明出來，我們現在處在類似電的發明時刻，或者電腦發明的時刻。我們還不知道，最酷的東西將會是什麼。
Harry Stebbings：有時候在對話中，你的朋友會做一些有點瘋狂的事情。是的，他們會做一些挺酷的事。模型也能做一樣的事，通過幻覺帶入一點創造力。幻覺是一個特點還是一個bug？
Noam Shazeer：我們認為它們是特點，或者至少是這樣，基本上我們的目標和策略就是發布一些通用的東西，讓大家隨心所欲地使用它。如果這些模型在產生幻覺，確實會的，我們也公開說明這一點，那麼首先出現的應用案例將是那些幻覺作為特點的應用。我很高興看到娛樂、陪伴和情感支持成為最早的應用案例，我也很高興看到生產力成為最早的應用案例，我們就讓這些基於技術擅長的方面自然發展吧。
Harry Stebbings：如果你考慮一下Google，它的作用是幫助人們更快、更好、更高效地找到信息。
Noam Shazeer：是的。
Harry Stebbings：你認為Character.AI會是什麼樣的？因為就像你說的，一百萬個人做一百萬件事，我是尊重地這麼說的，你知道嗎？我們會知道嗎？
Noam Shazeer：我你可以問任何銷售非常通用工具的公司同樣的問題，比如銷售電腦、手機，或者電話服務，甚至電力的公司。電力是用來幹什麼的？是用來娛樂的嗎？是用來提高生產力的嗎？
Harry Stebbings：建構角色最難的方面是什麼？有沒有什麼元素特別突出？
Noam Shazeer：是的，謝天謝地，一切都進展順利。我的團隊非常棒，都是行業裡最優秀的研究人員和工程師。
Harry Stebbings：你喜歡從CEO過渡到Scaling CEO的角色嗎？
Noam Shazeer：是的，我現在依然做很多技術工作和領導工作，這是很重要的。我會繼續擔任CEO，因為我希望公司做出正確的決策。所以，我不以做的事有多有趣來衡量，而是看它有多有用。所以，我非常高興能做我能做的事。
Harry Stebbings：你能為我解讀一下嗎？抱歉，我只是感興趣。我不以多有趣來評判，而是看它有多有用。
Noam Shazeer：是的，這不是一個“做一個創業CEO是不是比在谷歌當ML研究員更有趣”的問題，更像是“嘿，我想推動這項技術進步，做什麼最有效？”
Harry Stebbings：我猜我不知道你是否發現，實用和有趣有時候會結合在一起。我喜歡我做的事，也在做的過程中樂在其中，它最有用。
Noam Shazeer：做父母的很多事真是太棒了，超級有趣，但我認為這讓我變得更加有宗教感。我決定改變我的態度，從“現在做的事好玩嗎”轉變為“我應該感恩，因為能有機會做一些重要而有意義的事”，這算是成長過程中一個很大的態度轉變。
Harry Stebbings：如果你能打電話給自己——在你第一個孩子出生的前一天，給自己一個建議，你會對自己說什麼？
Noam Shazeer：先睡一覺吧。
Harry Stebbings：真的嗎？你現在知道了什麼，你會對自己說：“你知道嗎，我應該告訴自己……”
Noam Shazeer：神經語言模型。深入了解神經語言模型。
Harry Stebbings：一個例子是，我剛剛請到了一位世界上最著名的對沖基金經理做嘉賓。他說，唯一重要的事就是我的妻子。孩子不重要，我也不重要。唯一重要的是照顧我的妻子。如果我照顧好她，她會照顧孩子，也會照顧我。
Noam Shazeer：是的，世界上並不是所有事都由你來負責。你應該明白什麼是你的責任，什麼不是你的責任，我覺得這在婚姻和育兒中非常有效。我認為宗教也有很多關於這方面的情。比如說，關於你應該承擔的責任和不應該承擔的責任，應該做什麼，應該關心什麼，哪些事不應該讓你操心。
Harry Stebbings：我想進入一個快速的最後環節。我說一句簡短的話，你給我你的即時想法。你會說，哥們，什麼情況？我來這兒是想聊AI的。
Noam Shazeer：哦不不，這很好。幸運的是我們錄了很多內容，你可以剪掉那些瘋狂的部分。
Harry Stebbings：那麼，別人不知道，但你知道的什麼是真實的？
Noam Shazeer：這項技術將變得越來越智能。我們現在正處於類似萊特兄弟首次飛行的時刻，在AI領域，既有更好硬體的推動，也有研究的進展。所以，無論你現在看到的多麼驚人的應用，未來將會發生的事情可能完全不可比擬。
Harry Stebbings：你認為這項技術的普及時間表是怎樣的？是一到三年嗎？還是像工業革命那樣，實際上需要20到30年才能看到機械化和優化的普及？
Noam Shazeer：事情會發展得非常快，在接下來的1到3年內，我們會看到很多非常酷的事情發生。
Harry Stebbings：你覺得人們對Character.AI的理解有哪些誤區，你希望他們能理解什麼？
Noam Shazeer：外界看起來像是一個娛樂應用，但其實我們是一個全棧公司，首先是AI公司，也是產品為先的公司。擁有這樣的定位，意味著選擇一個最重要的產品——就是AI的質量。這樣，我們可以專注於讓我們的產品變得更好，同時推動AI的發展，這兩者是相輔相成的。
Harry Stebbings：告訴我，你最希望改變AI社群的哪一個方面？我希望有一個透明的日誌，你可以看到作者的合法性，可以查看AI的出版物或博客。但我認為有很多人迅速自稱為專家，實際上很難確定誰是Yann LeCun，誰是Yoshua Bengio，誰是Noam Shazeer，誰是從Web3和加密貨幣轉行的，現在是AI專家。
Noam Shazeer：現在發布的東西太多了，很難知道什麼是好內容。我覺得這與這個領域目前的所有情況有很大關係，類似於煉金術。沒有人確切知道什麼會奏效。
所以，很多人嘗試了很多不同的東西，你可以通過對機器學習方面有很好的直覺，再結合對硬體的數學理解，來提出一些有效的方案，無論是你能買到的硬體，還是自己能建構的。這樣就會有一些成功的應用出現，大家會採用，但與此同時也伴隨著大量雜訊。因為負面的結果並不一定有用，可能只是因為某人犯了個錯誤，或者有個bug，導致沒有工作。
有趣的是通過實驗驗證出來的積極結果。比如，如果有人能說，“嘿，我做了什麼，結果在這個著名問題上取得了更好的成績”，那就變得很有意思。接著大家就會開始思考，為什麼這個有效？我該如何採用它？
Harry Stebbings：你曾經相信過的，後來證明是錯的是什麼？
Noam Shazeer：當我開始接觸深度學習，大約是在2012年，我在嘗試進行sparse computation時經歷了一些早期的失敗。我當時想，肯定可以通過建構一個sparse network來做一些更好、更高效的事情。但我當時完全錯了，因為我沒有理解這個領域之所以如此成功，是因為現在我們有了這種在密集矩陣乘法方面非常出色的硬體。所以，使用這種硬體，你可以比任何涉及記憶體操作的任務快幾個數量級。
在我剛開始接觸深度學習時，沒有人能向我解釋這些。直到我理解了這一部分後，我才意識到，好的，我們可以做稀疏性，但得用這些密集的建構塊來建構，這樣它才能運行得更快。然後，我發布了混合專家模型的想法，也就是稀疏門控混合專家模型，這個想法現在才開始得到廣泛應用，但那是在2016年。從那時起，我接連取得了一些成績，我把這些歸功於神的干預，但也歸功於對硬體機制和計算領域的定量理解。
Harry Stebbings：2033年，10年後，Character.AI會是什麼樣子？
Noam Shazeer：在火星上？我完全不知道。我們只能等到那時看看技術會是什麼樣子，但對我們來說，重要的是保持靈活性。這就像如果你在1900年問一個公司2000會是什麼樣子一樣，在那之前會有如此巨大的技術進步，以至於幾乎不可能預測任何公司會在哪個位置。
Harry Stebbings：我覺得這次採訪和你之前做過的完全不同。我感覺這些問題突破了父母角色的邊界，是以前沒有人問過你的。我很高興能請到你，Noam。我希望你也享受這次訪談。
Noam Shazeer：非常享受！
原地址：Noam Shazeer: How We Spent $2M to Train a Single AI Model and Grew Character.ai to 20M Users | E1055
https://www.youtube.com/watch?v=w149LommZ-U
編譯：Christine Liu
請注意，本文編譯自文末載明的原始連結，不代表Z Potentials立場。如果您對本文有任何想法或見解，歡迎在評論區留言互動探討。
Z Potentials將繼續提供更多關於人工智能、機器人、全球化等領域的優質內容。我們誠邀對未來充滿憧憬的您加入我們的社群，與我們共同分享、學習、成長。
我們正在招募新一期的實習生
我們正在尋找有創造力的00後創業
關於Z Potentials