YC AI创业营首日 Andrej Karpathy演讲刷屏全网

Andrej Karpathy在YC AI创业营的演讲火了。

「我们并非处于智能体之年，而是身处智能体的十年时代。」

这句话，基本可以概括整场分享的基调。从软件和大模型的演进路径切入，他清晰地勾勒出今天做软件开发需要具备哪些新技能，以及LLM时代下，人机交互和协作关系正在发生的根本性变化。更关键的是，如何真正迈向那个「提示词即应用」的软件3.0时代。

虽然官方视频还没放出来，但Latent Space团队已经根据现场的推文，把PPT的完整内容梳理了一遍。我们第一时间做了编译，整理出了这份干货。

另外，第一天YC AI Startup School还有不少重量级嘉宾，包括Sam Altman、李飞飞、马斯克和Ara vind Srinivas等人的观点，也都一并整理在文末。

先快速过几个核心判断：

• Andrej Karpathy明确提出，软件3.0（提示工程）正在取代1.0（代码编程）和2.0（神经网络），而且大量现有软件将会被重写。

• LLMs是高智能与「认知缺陷」的结合体。可以把它们看作「高智商但存在心智问题」的人类模拟系统——能力很强，但局限性同样不可预测。

• LLMs目前最大的问题，是缺乏「认知自我知识」。这需要更复杂的模型后训练方法来解决，而不是天真地「模仿人类标记者然后把模型做大」就能搞定的。

• 对LLMs来说，「记忆能力」非常重要。不是存储每个用户的随机事实，而是存储通用/全局的问题解决知识和策略。有了记忆能力，LLMs在效能和数据利用率上会显著更强——因为知识引导的「复盘」阶段提供的反馈维度，远比单一的奖励信号丰富得多。

• 在AI产品设计上，Andrej提出了一个关键概念叫「Autonomy Slider」（自主性调节滑块），让产品可以针对不同场景灵活调整AI的自主程度。比如：

• Cursor：从Tab补全 → cmd+K → Cmd+L → Cmd+I（Agent模式），自主性依次升高。

• Perplexity：从搜索 → 研究 → 深度研究，也是类似的层级。

• Tesla：从基础的自适应巡航到完全自动驾驶，1级到4级。

需要先说明一下，原文末尾的社群推广信息及二维码图片，与正文主题无关，已按要求清理。以下为完整的编译内容。

01 软件3.0：提示词即软件

我们在《AI工程师的崛起》中首次探讨了「软件3.0」的概念。而这个概念，实际上是《软件2.0》那篇论文与「最热门的新编程语言是英语」这一观点结合的必然产物。

Andrej最初写《软件2.0》论文时，正亲眼目睹着这套体系在特斯拉逐步取代传统的软件1.0。如今他再次回归，针对软件3.0进行了内容更新。

和之前他在软件2.0图表上的迭代不同，这次他推出了全新的示意图，展示了软件1.0、2.0、3.0交错共存的状态，并且明确指出：「软件3.0正在取代1.0/2.0」，「大量软件将被重写」。

软件的迭代演进（1.0代码编程、2.0神经网络、3.0提示工程）

在特斯拉工作时，我们观察到软件2.0逐步取代软件1.0的趋势；而到了今天，软件1.0、2.0、3.0处于共存状态，同时软件3.0也在逐步吞噬前两者。几个关键观点值得细说：

当下AI的发展阶段，类似20世纪50至70年代的计算机。

目前AI的应用仍受限于集中式、集体化的模式，使用场景和范围被严格衡量与限制。但正如计算机的演进历程，AI领域也有望迎来类似的变革。

LLMs的双重属性：高智能与「认知缺陷」的结合体。可以把LLMs视为「高智商但存在心智问题」的人类模拟系统——能力强大，但存在不可预测的局限性。

半自主工具的四大核心优势（以Cursor和Perplexity为例）。

通过自主性设置与图形用户界面（GUI），这类工具实现了多维度效率提升：

• 上下文管理：自动为模型提供所需信息，避免手动输入的繁琐；

• 多模型与工具调度：在后台无缝管理不同模型与工具的协同工作；

• 交互效率优化：通过GUI简化操作流程，加速任务执行；

• 自主性灵活调控：允许用户根据任务需求，精准设置模型在不同环节的自主决策权限。

人机协作的双向软件开发模式。

• 模型负责代码生成，人类负责结果验证。

• 实现高效协作的两个关键路径：

• 简化验证流程：借助GUI等可视化工具降低人工验证的复杂度；

• 限制AI权限：通过严格约束AI的决策边界，减少验证错误的发生概率——翻译过来就是「必须给AI戴上限枷」。

Andrej仍然把重点放在「提示词即程序」这个理念上。不过坦白说，我们在2023年就这个问题已经存在细微分歧，至今观点仍然没有完全对齐：软件3.0中「1+2=3」式的逻辑框架，正是过去几年AI工程师表现远超提示词工程师，并将持续保持优势的核心原因。

02 重新定义大模型的公共属性

Andrej用了好几个类比来帮大家理解LLMs的本质特征。

2.1 LLMs类似于公共基础设施

把LLM比作电网，其实并不牵强：

• 训练LLMs的资本支出，相当于建设电网。

• 通过日益同质化的API（提示词、图像、工具等）提供智能服务的运营支出。

• 计量访问（每100万tokens收费）。

• 对低延迟、高正常运行时间、质量一致性的需求，相当于要求电网提供稳定的电压。

• OpenRouter相当于转换开关（电网、太阳能电池、发电机……）。

• 智能「电力不足」——比如OpenAI宕机的时候。

2.2 LLMs就像晶圆厂

晶圆厂的特性同样适用：

• 巨额资本支出。

• 深度技术树研发与技术机密。

• 4纳米工艺节点≈10²⁰次浮点运算集群。

• 任何使用英伟达GPU训练的主体≈无晶圆厂（Fabless）。

• 谷歌使用TPU训练≈拥有晶圆厂（如英特尔）。

2.3 LLMs类似于操作系统

再来看看操作系统这个类比：

• LLMs正逐渐成为复杂的软件生态系统，而非像电力一样的简单商品。

• LLMs是软件——可以轻松复制、粘贴、操控、修改、分发、开源、窃取等等，并非物理基础设施。

• 由于不同领域的功能、性能、风格、能力等存在差异，切换会产生一定的摩擦成本。

• 系统/用户空间（提示空间≈内核/用户空间（内存空间））。

LLMs具备操作系统的属性，可以从几个维度理解：

• 它们如同复杂的生态系统，类似早期的分时操作系统——远程运行，流式输出内容。

• 文本聊天功能相当于终端界面。

• LLMs有点像发电站：需要基础设施，有变电站（Open Router），输出中断时会导致「电力不足」。

• 不过，LLMs不同于传统公用事业，更像软件——可以轻松复制和传输。

• LLMs也类似操作系统：具备内存、外部设备、网络等功能。

• 与操作系统领域类似，LLMs有少数主要的闭源供应商（Mac/Windows相当于GPT/Claude），以及更广泛的开源生态系统（Linux相当于Llama）。

2.4 LLMs类似分时大型机

Andrej在《Power to the People》中还提到一个反常趋势——LLMs的发展路径，打破了「昂贵前沿技术从政府/大型企业逐步普及到消费者」的既定路线。

「我们拥有所有这些令人难以置信的技术，却在用它来研究如何煮鸡蛋——这太疯狂了。」

以往的重大先进技术（如计算、互联网、全球定位系统）通常起源于政府或大型企业，随后才逐渐普及到消费者层面。但AI的发展路径恰恰相反：消费者正在将这项技术用于最随机、最平凡的事情，而政府甚至尚未开始采用AI。

与大多数技术不同，LLMs的应用路径实际上是从消费者到企业，再到政府的逆向普及。

随着我们从云端计算转向个人/私有AI，Exo Labs的研究成果与苹果MLX框架的工作，正孕育着「个人计算2.0时代」的萌芽。

第一部分总结一下：

LLM实验室：

• 晶圆厂式的LLMs。

• LLMs相当于（20世纪60年代的）操作系统。

• 可通过分时共享方式获取，像公用事业一样分布式供应。

而最新的动态是——数十亿人突然能够使用LLMs了！现在，是我们为它们编写程序的时代。

03 LLM心理学

LLM是「人的精神」——对人的随机模拟，附带一种新兴的「心理学」。

Andrej指出，当前LLMs在模拟人类时存在两大核心问题：

3.1 锯齿状智能（Jagged Intelligence）

这个术语用来描述一种奇怪且反直觉的现象：最先进的LLMs既能完成极其复杂的任务（比如解决高等数学问题），又会在一些简单问题上栽跟头。举个最近的例子——「9.11和9.9哪个更大？」模型给出了错误答案。

某些任务（按人类标准）完成得极为出色，另一些任务却会彻底失败。二者的边界并不总是清晰可辨，尽管长期使用后能积累一定预判直觉。

这与人类不同——人类的大部分知识和解决问题的能力是高度相关的，并且从出生到成年是线性提高的。

很多人认为这不是根本问题，需要在全栈上做更多工作，而不仅仅是扩展规模。但最大的问题可能在于当下缺乏「认知自我知识」，这需要更复杂的模型后训练方法，而不是天真的「模仿人类标记者然后把它做大」的解决方案——虽然这些方案确实让我们走到了今天这一步。

关于这一点，可以参考Llama 3.1论文中关于减轻幻觉的部分。

目前，尤其是在生产环境中，这仍然需要高度警惕。把LLM用在它们擅长的任务上，但要留心那些锯齿状的边缘，并让人工参与其中。

3.2 顺行性遗忘症（Anterograde Amnesia）

用一个形象的说法：LLMs有点像患有顺行性遗忘症的同事——一旦培训结束，它们就不会巩固或建立长期的知识或专业技能。它们所拥有的只是短期记忆（上下文窗口）。在这种状态下，很难建立关系或工作。

第一个弥补这种缺陷的方法是ChatGPT中的记忆功能，这感觉像是未来可能性的一个原始粗糙实现。由此延伸出一个想法——这可能是一种全新的学习范式：

• 我们缺少（至少一个）LLM学习的主要范式。不确定该怎么称呼它，或许叫「系统提示学习」？

• 预训练是为了获取知识。

• 微调（SL/RL）适用于塑造习惯性行为。

• 但这两者都涉及参数的变化，而人类的学习过程往往更像是系统提示词的更新：遇到一个问题，弄清楚一些事情，然后以相当明确的方式「记住」一些东西，以便下次使用。例如，「似乎当我遇到这样那样的问题时，我应该尝试这样那样的方法/解决方案」。这更像是为自己做笔记——即类似于「记忆」功能的东西，但不存储每个用户的随机事实，而是存储通用/全局的问题解决知识和策略。LLM就像《记忆碎片》中的那个家伙，只是我们还没有给它们一个便笺簿。请注意，这种范式在效能和数据利用率上显著更强——因为知识引导的「复盘」阶段提供的反馈维度，远比单一的奖励信号丰富得多。

• 这类问题解决知识不该通过强化学习固化到权重中，至少不该立即/完全依赖这种方式。它更不应该来自工程师手工编写的系统提示词。正确的来源应该是系统提示学习——虽然框架类似强化学习，但算法不同（文本编辑 vs 梯度下降）。LLM系统提示的很大一部分可以通过这种学习自动生成——就像LLM为自己撰写问题解决指南。如果成功，这将形成一种全新且强大的学习范式。当然还有大量细节待探索：编辑机制如何运作？能否/应该学习编辑系统？如何像人类那样将显性知识逐渐转化为习惯性权重？等等。

04 部分自主性设计

钢铁侠战衣是个很好的类比——这套装备在两个维度上拓展了人类能力：

• 增强：为用户提供力量、工具、传感器和信息。

• 自主性：战衣很多时候有自己的想法——会在没有提示的情况下主动采取行动。

问题是，我们如何设计遵循这些模式的AI产品？

4.1 自主性调节滑块（Autonomy Sliders）

Autonomy Slider是一个重要概念，它让我们能够根据具体情境选择自主程度。比如：

• Cursor：从Tab补全 → cmd+K → Cmd+L → Cmd+I（Agent模式），自主性逐步升高。

• Perplexity：从搜索 → 研究 → 深度研究。

• Tesla：自动驾驶仪从1级到4级。

Cursor的架构解析：

• 在调用LLM前，将相关状态信息封装到上下文窗口中。

• 对多种模型进行编排与调用（例如嵌入模型、聊天模型、差异应用模型等）。

• 专门的应用图形用户界面（GUI）。

• 通过按键组合（Tab → Cmd+K → Cmd+L → Cmd+I）实现从普通模式到Agent模式的切换，正是自主性调节滑块的实现。

Perplexity的架构解析：

• 信息封装至上下文窗口。

• 多LLM模型的协同调度。

• 针对输入/输出交互设计的应用GUI。

自主性调节滑块：← 搜索 —— 研究 —— 深度研究 →

Tesla自动驾驶的自主性调节示例：

• 车道保持。

• 与前车保持车距。

• 高速公路岔路口选择。

• 交通信号灯和标识识别停车。

• 路口转弯。

4.2 人类与AI的生成-验证循环

在生成与验证的循环中，需要一个具备部分自主性的完整工作流程——循环速度越快越好。

• 提升验证效率：简化流程，快速制胜。

• 为了提升生成质量：严格控制AI。

4.3 演示和产品的差距

我们需要部分自主性的原因在于，演示原型与可靠产品之间仍然存在巨大差距。

Andrej回忆，2014年曾坐过一辆全程零干预的Waymo原型车，当时认为自动驾驶时代「已经到来」……但后来发现，还有大量的技术难题亟待解决。

05 Vibe Coding & 为智能体而构建

一条推文催生了上千家初创公司：

现在甚至有了自己的维基百科页面！

但是，仍然存在诸多待解难题。当Vibe为MenuGen编写代码时，他发现本地代码运行后不久，AI加速效果就消失了：

在2025年，构建Web应用的现实状况是一团支离破碎的服务集合——这些服务显然是为让Web开发专家继续保住饭碗而设计的，几乎没有向AI敞开大门。

可怜的Clerk遭到了负面评价，而Vercel的@leerob则获得了好评——关键在于他们的文档编写方式分别针对人类用户和AI Agent做了不同优化。

示例：添加谷歌登录。

文档在这一过程中至关重要。有人明确引用了Clerk的文档，其中包含5-10步的详细操作说明，精准标注了点击位置和时机。展示完文档后，Andrej直接说了句「这搞什么？」

Lee Rob（来自Vercel）将之前文档中「点击」类的操作改为添加curl命令的做法，被视为迈出了很好的一步。

他还特别提到了「上下文构建者」这类工具，比如Cognition公司的DeepWiki。

关键在于，工具开发者必须意识到「数字信息的消费者和操纵者出现了一个新类别」：

• 人类（图形用户界面）。

• 计算机（API）。

• 新概念：智能体 ← 计算机……但具有类人特性。

总结

少谈2027年实现通用人工智能，少做华而不实的演示。

更多部分自主功能、自定义图形界面和自主程度调节滑块。

请记住：软件3.0正在吞噬软件1/2，它们的效用/晶圆厂/操作系统特性将决定其命运。改进生成器-验证器循环，并且——为智能体而构建。

06 其他嘉宾的精彩分享

6.1 Y Combinator CEO: Garry Tan

1. 今年Y Combinator的录取率为0.8%，独角兽公司比例高达12%。

2. Garry Tan分享了YC青睐的创业者特质：务实、注重实际行动、与用户保持密切沟通、高效行动、将创业看作一场力量的壮举、懂得复利的价值并对长期发展保持耐心。

3. 核心观点：自主性决定规模——创业者的自主能动性越大，事业拓展空间也越大；外部工具虽然在变迁，但成功所需的基本心智和原则始终如一。

6.2 OpenAI CEO: Sam Altman

1. Sam曾犹豫是否创立OpenAI。当时AGI是遥不可及的梦想，且DeepMind等竞争对手遥遥领先。但坚持下去的那个微小决定，彻底改变了这一切。

2. ChatGPT起初听起来像是纯粹的科幻概念——这反而让它更容易吸引顶尖人才。做一个独一无二的你，比在拥挤的空间里竞争更好。

3. 如果你只是跟风，那要招募到优秀人才将异常艰难。因此，要追求大胆且与众不同的方向。

4. 伟大的想法在开始时往往微不足道。但如果方向正确，一旦取得突破，潜力将巨大。

5. 一个实用的思维模式是：选择一个价值$0亿而不是$0百万的想法。你需要的是高潜在回报。

6. 我们对当前模型的能力还只是冰山一角。未来还有巨大的「产品溢出」空间，性价比将继续快速提高。

7. 到目前为止，Sam最喜欢的功能是记忆。它预示着一个未来：个人AI Agent能够连接到你的各项服务，并主动提供信息和帮助。

8. OpenAI的愿景是打造一个全天候在线的个人助理——整合记忆、多模态能力，并能进行可信决策。

9. OpenAI正在构建一个Agent商店——ChatGPT将演变为一个平台，为第三方工具输送流量。

10. 不要试图通过构建另一个核心聊天助手来正面竞争。最好的创业点子，往往是那些当下无人涉足的领域。

11. 埃隆曾说GPT-1是垃圾。彼得·蒂尔也告诉Sam，当所有人都不看好时，坚持信念很难。但Sam认为，只要坚持下去，事情会随着时间变得越来越容易。

12. AI Agent是下一波浪潮。首先，ChatGPT取代了谷歌的部分功能；接着，Codex扮演了初级开发人员的角色；现在，AI Agent将能运行完整的复杂工作流程。

13. 世界正在被重塑——包括界面、软件、硬件，甚至制造业。这是有史以来最好的创业时期。

14. 技术的发展轨迹意味着，一个人现在可以完成以前整个团队才能完成的工作。因此，要以低成本快速迭代。

15. 招聘那些聪明、有冲劲且学习成长曲线陡峭的人才，能让你完成90%的工作。更要关注他们的潜力（坡度），而非当前的完美（完善度）。

16. Sam说，担任OpenAI首席执行官是最困难的，因为他必须掌握大量背景信息，且必须同时应对多重事务。

17. 未来10-20年，最令他兴奋的是科学领域的AI应用。

18. 生活水平与人均能源之间存在很强的相关性。这可能比人们想象的更重要。

19. Sam希望早点学到的一件事是：相信你的直觉。即使你的想法听起来很奇怪，也要有坚定的信念。

6.3 Anthropic联合创始人：Jared Kaplan

1. 缩放定律——即测试损失如何随模型大小、数据和计算的幂律下降——已经成为了现代AI的基石，也是OpenAI、Anthropic和谷歌等巨头的核心指导原则。

2. 2024年的关键问题在于，这条定律是否也适用于强化学习。早期迹象表明：答案是肯定的。

3. Jared说，如果缩放效应停止，并非是定律本身失效，而是因为我们在实施过程中间出现了瓶颈。

4. 一个关键指标：AI模型能完成的任务长度每7个月便翻一番，且这种趋势正在加速。

5. 随着模型灵活性提高，它们能为人类节省更多时间。我们正在迈向更长、更复杂的任务链。

6. AI领域尚待解决的问题包括：深化知识、增强记忆、完善监督机制、实现多模态集成、将能力扩展到更大规模任务以及更紧密的数据协作。

7. 人类数据将持续发挥重要作用，尤其对于提升更长任务表现和记忆能力至关重要。

8. 机械可解释性仍然存在巨大差距。许多基本问题仍未解决。这门学科更接近神经科学而不是工程学。

9. 但我们可以测量模型中的一切。LLMs产生了前所未有的大量可观察数据，可以用于认知逆向工程。

10. AI需求随AI供应增长——个人和企业使用它的意愿越强，需求就越大。

11. 下一波创业浪潮正从辅助性的「协作者」转向直接的「替代者」，尤其是在对一定错误有容忍度的领域。

12. 他对创始人的建议：构建尚未完全成熟的产品；思考指数级增长的机会可能在哪；准备好深入整合AI到实际场景中。

13. 金融、法律和面向现有业务的AI是有前景的领域。这些领域既有较高的错误容忍度，又对自动化有强烈需求。

6.4 Ndea CEO: François Chollet

1. 仅仅依靠模型规模的扩大并不能解锁流动智能（fluid intelligence）。运行时的自适应行为并非通过预训练更大的模型就能自然涌现。

2. 对AGI有两种愿景：明斯基派认为AGI旨在自动化人类任务；麦卡锡派认为AGI的核心是测试时的适应性。第二种愿景更具挑战性，也更为重要。

3. 智能的体现应该是创新，而不仅仅是自动化。技能才是智能的产物。

4. 人类考试是糟糕的基准，因为它们奖励的是死记硬背。我们真正需要的，是具备流动性、广泛操作范围和信息效率的模型。

5. 模型会根据其训练目标进行优化。如果你用考试数据训练，模型就会倾向于记忆。但如果目标是创新，你就需要着眼于泛化能力和适应性。

6. 真正的通用智能需要从过往经验中提炼出抽象概念，并能即时地将它们重新组合，以应对全新任务。这些抽象概念有两种形式：类型1-价值层面：通过聚类具体示例来形成模式；类型2-程序层面：通过组合函数来构建逻辑。

7. Transformer模型在处理类型1抽象方面表现卓越。但要实现流动智能，我们需要利用类型1的直觉来有效地缩小类型2的可能性空间。需要构建能够执行离散程序搜索的系统：包含运算符/函数的图结构；通过组合搜索进行学习；通过校正循环进行验证。

8. 核心挑战在于函数组合的组合爆炸。流动通用人工智能必须运用类型1的直觉来有效缩小这个搜索空间。

6.5 DeepMind杰出科学家兼诺贝尔奖获得者：John Jumper

1. 在ML中，架构和设计决策对性能的影响往往比仅仅扩展数据大100倍。真正的进步取决于洞察力，而不是蛮力。

2. AlphaFold已被引用35K次以上。它证明了小型、专注的团队如何通过正确的想法来增强数据和计算的影响力。

3. 不要为了追求形式上的优雅而牺牲实际的进展。美感可以稍后雕琢，成果才是第一位的。

4. 为你的ML系统定义一个清晰、聚焦的目标。一个领域的突破往往不具备普遍性。例如，AlphaFold不能直接用于模拟分子动力学。

5. 选择构建什么时，问自己一个问题：「我需要预测什么，才能真正打动你？」这就是你的方向。

6. 降低失败实验的成本，是提高迭代速度的关键。小规模测试能带来更快的学习。

7. 进行大量的小规模实验，并定期进行大规模验证。像梯度下降一样，持续迭代你的想法。

8. 开源工具能够放大你的影响力，让更多人能在你的工作基础上进行构建。

9. 确保你正在构建的系统是人们需要的。缺乏实际需求，技术上的成功将毫无意义。

6.6 Perplexity CEO: Ara vind Srinivas

1. 「我喜欢观看埃隆·马斯克的励志视频。」

2. Perplexity的长远愿景是打造一个集成AI Agent的浏览器——旨在并行运行异步任务，并能访问服务器端模型无法获取的信息。

3. 他们的优势在于专注于搜索和浏览器，而不是像OpenAI那样追求通用聊天，或者像谷歌那样坚持广告驱动的模型。

4. 谷歌在改进核心搜索方面的激励机制很差——因为他们的广告业务运作方式。但创业公司可以更快地行动，并通过OpenAI或Anthropic的API访问更好的模型。

5. Ara vind最初尝试构建更好的推特搜索功能，后来才转向了Perplexity如今的方向。

6. 产品的持续使用——即在稳定状态下的用户留存率——是判断产品真正奏效的最强信号。

7. Perplexity即将推出的浏览器产品将能够访问云模型无法访问的数据，这使其在知识检索方面具有独特的优势。

8. 关于如何利用AI进行开发，Ara vind认为「Vibe coding」是不够的，还需要理解分布式系统等核心概念。

9. 在Perplexity，工程师被要求至少使用一种AI编码工具（例如Cursor）。

10. 「Vibe coding」在前端任务中表现很好，但对更深层次的系统理解仍然很重要。

11. Ara vind对待挫折的看法：「观看埃隆·马斯克的励志视频。」

12. Ara vind对AI创业公司的看法：AI初创公司需要2-3年才能获得真正的市场关注。这是一场持久战。

6.7 斯坦福大学AI研究员&World Labs创始人：李飞飞

1. 语言纯粹是生成性的，但世界不是。智能必须扎根于感知，而不仅仅是预测。

2. 李飞飞最优秀的学生都有一个共同的特质：无畏的求知精神——敢于提出根本性问题并有追求大胆构想的勇气。

3. 「有一段时间，我感觉自己像个机器人。但技术应该让我们更人性化，而不是更少。」

4. 我们的目标不是取代人类，而是提升我们。

5. 「你只管去做就好。」

6.8 特斯拉/SpaceX CEO：Elon Musk

1. 「我从没想过自己能做出什么技术上极其伟大的东西。从概率上讲，这似乎不太可能。但我至少想尝试一下。」

2. 谈及创业的开端，Elon Musk曾向Netscape投递简历，但石沉大海。于是他决定自己动手——最终创办了Zip2。

3. Zip2在发展过程中受到了董事会利益冲突，特别是来自传统媒体的阻力。带来的教训是：不要让自负或整治因素阻碍反馈。

4. 「不要追求荣耀，要追求工作本身。」

5. 如果团队中自我意识与能力的比例过高，创新就会停滞。

6. 谈及成功，Elon Musk表示要理性看待自我。不惜一切代价把事情搞定。

7. 第一性原理思维：从最基本的真相出发，向上推导。在零或无穷的极限下思考，以发现事物的特殊情况。

8. 2001年，Elon Musk曾试图从俄罗斯购买洲际弹道导弹。当谈判失败后，他决定自己制造火箭——这是SpaceX的缘起。

9. 为何离开Dogecoin：「这就像在清理一个满是垃圾的海滩，同时却有一场千尺高的AI海啸正在逼近。是时候把精力放在那场海啸上了。」

10. Grok-3.5正在训练中，它将是一款推理模型。

11. Elon Musk相信，超级智能可能会在今年或明年出现。

12. Neuralink的首批视力植入物将在6-12个月内进行人体测试。此前，一只猴子已使用该植入物超过3年。

13. 地球距离卡尔达舍夫Level 1（能利用其行星全部能源潜力），仅需1%-2%的路程。

14. 火星：预计需要30年才能建成一个自给自足的殖民地。

15. 我们不太可能只有一个占主导地位的智能。更有可能的是，未来将有大约10个主要的AI实体——其中4个将在美国。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：YC AI创业营首日 Andrej Karpathy演讲刷屏全网要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题