主持人: Dan，非常感谢你今天来做客，跟我们讲讲 Engram 的故事。我们对这次对话非常期待。
Dan: 谢谢邀请我。
主持人: 想先从了解你本人开始。你在哪里长大？是怎样一段旅程把你带到了 Engram？你一直都想成为一名创始人和创业者吗？很好奇你是怎么走到这一步的。
Dan: 其实我并不是一开始就想当创始人和创业者。事实上，我原本走的是成为神经科学与 AI 教授的路线，过去十来年我在学术界一直专注于此。我在以色列特拉维夫长大，家里有两个兄弟姐妹，我从小就对科学、人文，以及更广义的"人"本身感兴趣。我曾在以色列情报和特种作战部门服役过一段时间，之后去上学，在哥伦比亚大学理论神经科学中心读了博士，又在斯坦福跟着 Chris Ré 做了 AI agents、效率等方向的博士后。在硅谷的这段时间里，我逐渐清楚地意识到：相比于教书或给公司做顾问，作为一家公司的操盘者、作为一个组织的搭建者，我能做的、能实现的、能贡献的事情要多得多。我越来越确信这才是我真正想做的事。所以，当我们围绕上下文与学习积累出一套在我们看来独特、有差异化、对我们显而易见但对周围人未必如此的想法之后——这些我们可以后面细聊——我意识到这里有一个独特的切入点，而正在聚拢起来的这支团队，足以支撑我做出这次跳跃、改变人生方向。
主持人: 看起来是先跟 Chris Ré 以及他在 Modern 的合伙人 Jen Campbell 合作，然后开始把 Sabri、Jessy 这些了不起的人拉进来。组建团队的早期经历是怎样的？你在寻找这批最初的队友时看重什么？
Dan: 现在创办一家 AI 公司挺有意思的。融资是一项活动——现在 AI 领域既有资本，也有值得去做的东西。但找到对的人非常难，因为机会成本太高了。人们可以去大厂实验室、去 hyperscaler 公司，拿到高得离谱的薪水，以至于自己出来单干、还得听天由命，简直像是疯了。所以，组建这支团队确实费了一番功夫。CTO Sabri 基本上是放弃了其他非常诱人的机会，决定全身心押注在这件事上。还有来自康奈尔的 Jack Morris，为了和我们一起做这件事搬了过来；以及来自伯克利的 Jessy Lin，她是人机协作和 post-training 方面的专家。当整个团队聚齐、每个人都放下了他们本可以去做的那些有意思的事情之后，这就是一支非常清晰而强大的初始团队。我也很感激我从哥大时期就认识的教授 Scott Linderman——他在斯坦福和 Chris 一起做我的联合导师——也决定全职加入我们公司。这支团队非常适合我们要做的任务：尝试构建能够学习并记住超大规模知识库的语言模型，我们认为这正是当下 AI 最主要的瓶颈。这些人多年来一直痴迷于这些问题，如今聚到一起来搭建这样一个系统。
主持人: 在 General Catalyst，我们是 Anthropic 的大投资方。跟你一样，我们看到过去两年里模型质量急剧提升，Anthropic、OpenAI、Google 都是如此，同时也看到开源模型越来越强。但你说得对，我们在自己的 AI 整合（roll-up）业务中也深有体会：这些模型很多时候缺乏对某家公司更广泛背景的理解。这正是你指出的痛点，也是你围绕它组建这支世界级团队的原因，而我们在实践中同样看到，很多模型公司和实验室在这一点上的产品是有短板的。是什么让你确信这支团队能解决这个问题？也许可以再多讲讲你们的思路，以及它和模型公司在改进自身产品时的做法有什么不同。
Dan: 当然。首先，模型公司都很了不起。它们大概是科技史上最庞大、最可怕的在位者。所以我绝不会去赌"有某件事是它们永远做不到的"。话虽如此，它们的主要优先级和我们不同。它们的首要目标是打造那个 AGI——那个能自动化整个经济的、单一的通用模型——并且要以安全的方式做到。那是一项朝着完善数据、完善大规模训练、完善 eval 与推理、完善 RL 等方向去努力的活动。这和我们要问的问题很不一样：我们问的是，有哪些新方法可以把这些超大规模的知识库喂进模型里。从这个意义上说，近年来的创新其实很少。自从 transformer 被发明以来，我们所有人都建立在 in-context learning 这一种技术之上——本质上就是给模型写提示词、把东西塞进去。从根本上说，模型每次对话都是从零开始的。它只是在配合演出，它看到的只是关于我们、我们的工作、我们团队的一些便利贴，然后它必须重新读取文件、临时注入进来、之后再清除掉，转而处理世界另一端下一个用户的下一个查询。这在服务和安全层面上很方便，但并不令人满意，因为反复重读的成本相当高——而人们今年开始注意到，推理成本是个需要担心的问题。
主持人: 确实。
Dan: 而且你喂给模型的东西越多，它反而越困惑，这被称为 context rot（上下文腐烂）问题。这是一个根本性的问题：给它的上下文越多，它就越不准确。我们认为，甚至就在 2026 年，个人每天都会产生数千万个 tokens，其中蕴含着关于他们公司、关于他们自己、关于他们工作的大量宝贵知识，远不止"这人是谁、喜欢什么鞋"这类简单的画像信息。所以，如何把这些知识以极大的体量、并且以真正自动化的方式重新蒸馏（distill）回模型里？这就是我们的挑战。当然，每一家有意思的实验室都有很聪明的人在思考这个问题。我们只是下了这样一个赌注：它们还有其他更紧迫、经济上压力更大的事情要解决，而我们只专注于这个细分点，我们认为它会非常有意思。同时，我们并不是在赌它们的路线或它们的 scaling 会失败——恰恰相反，我们非常看好所有这些模型公司，它们都会做出伟大的东西。我们只是在构建这个新的模型，它处在数据层，是与你的公司、与你（作为个人）的知识对接的那一层。这个模型本质上是通往数据的新接口——所谓"新数据"其实是大脑状态（brain state），而不是文档、不是代码。这就是我们在做的东西。而大的前沿模型随时可以来和我们的模型对话，并叠加在它们之上。
主持人: 是的。
Dan: 它们可以处在一种多智能体协作（multi-agent collaboration）之中。Chris、Sabri 和我发表过相关论文，叫 Minions 等等。所以我们非常有兴趣去探索这里各种有意思的多模态模式。我们绝对不是在赌任何一家前沿实验室会失败。
主持人: 你们所构建的东西非常互补。你们是怎么这么快就把它做出来的？这家公司真的才成立几个月，但你已经组建了这支团队，而且已经在和一些增长最快的 AI 原生公司合作了。如此快速构建背后的策略是什么？是基于你之前已经做过的工作吗？你们是不是很快就把很多基础设施架构搭好了？相信很多创始人都想知道，这是怎么做到的？
Dan: 我得说我们还有很长的路要走。我们并没有一个完全部署好的产品，还有很多东西要摸索。但我们有一些"生命迹象"（signs of life），有了初步方向，我们正在采取非常简单的步骤：基本上就是提供一个非常清晰的模型 API，用最精简的方式与模型对接，只需把你希望模型学习的一堆资源的访问权限交给它，然后模型就可以去"做梦"、消化它们，回来之后被部署给用户。我们努力不让自己在太多产品形态上摊得太薄，因为对我们来说，真正要做对的是模型本身以及与数据的接口。所以确实还有很多东西要摸索。这个团队是一支由"传教士"组成的团队——他们都相信世界应该是这个样子。即便在我们仍需证明商业成功的早期阶段，我们聚拢的这些人，比如来自斯坦福我们实验室的 Maize Chen，她是 LLM 数据与数据配比（data mixing）方面的世界级专家之一；或者来自普林斯顿的 Howard Chen，早在这些话题还没在任何播客里被讨论之前，他就在思考记忆与 continual learning；还有 Cade，他曾在 Databricks 负责 LLM 推理运行时（inference runtime）——这些人都相信有一种新的基础设施、一种新的做事方式，而且从第一性原理出发就必须是这样。所以我认为这是他们加入的原因，也是他们愿意押注这家公司的原因。我们学术上确实有一条可以汲取灵感的工作脉络，但我们远远超越了它。我们后来又对一些东西做了去风险（de-risk），并带着一些直觉一路走来，这让我们能够很快地把东西跑起来。我们的做法可以说是"边飞边修飞机"：我们和客户一起工作，向他们学习。他们各自有自己的数据集、自己与模型对接的方式、以及在他们平台上运行长周期 agents 的新方法，我们基本上是在构建核心技术的同时向他们学习。
主持人: 那给我举个例子吧。很多潜在客户、试点客户或现有客户都是像 Notion、Harvey、Figma 这样的名字，还有很多像 Ramp 这样快速增长的 AI 原生公司。就拿一家典型的、数据散落在许多不同地方的快速增长 AI 原生公司来说，Engram 的增值点是什么？它进来为它们做什么？尤其是它如何改变它们的最终产品，以及它们与终端客户的协作方式？
Dan: 好的。核心在于：如果你有一个模型，它事先已经通过某种形式的训练、某种形式的缓存以及我们做的这一整套东西，为今天的交互做好了准备。那么这个模型能做什么呢？当你让它做某些事，比如"请分诊（triage）工程团队 Slack 里的这个技术问题"，这个模型不需要去对所有不同的 Slack 频道、所有不同的 GitHub PR、所有不同的 Notion 页面逐一发起查询。这个模型凭直觉就知道谁是谁、团队里什么最重要、该怎么处理各种事情；而如果模型不知道，它也知道该去哪里搜索。当前 agentic 系统的主要挑战之一就是：一切都依赖搜索，但有时候你甚至不知道该搜什么。
主持人: 对。
Dan: 而这些直觉，正是我们试图构建进模型里的东西。人们得到的价值是：他们获得了一个能更快解决问题、并且在此过程中消耗更少 tokens（即更便宜）的模型。我们已经看到过 10 倍、100 倍的推理 token 削减。这不是免费的午餐——你只有在事先做了一些训练之后才能得到它，而这带来了一种我们所提供的、有意思的新单位经济模型（unit economics）。但没错，这些就是主要的好处。
主持人: 那能不能给我们一个具体的例子，说明拥有这种上下文非常有用、最终既省成本又能给出更好的结果？你会给潜在客户举的那个经典例子是什么？
Dan: 对我来说，我们在内部以及部分合作中看到的，是这些需要了解一家公司的经典任务。它们往往表现为公司里的分诊类任务。这听起来像是一件非常平凡的事——agents 只是看到某个东西，然后路由给这个人、那个人，听起来根本用不着 AGI。但有趣的是，这些工作流确实需要对"某个地方的事情是怎么做的、由谁在做"有相当微妙的理解。而且往往并没有一份文档写着"这些是团队成员、这是他们过去一个月在做的事、这是本周对他们重要的事"。但如果你有一个模型，以某种只有深度学习才能实现的隐式方式把所有这些东西关联起来，那么这类分诊任务就更像是一种直觉："好，我想这个人应该合适，让我核实一下，对，就是这个人，把它路由给他"——而不是"让我发起查询，查出过去一个月这家公司里所有维护代码的人"（可能有几百人）。
主持人: 完全正确。
Dan: "让我现在读他们的 PR、读读是谁提交的这个 commit……好吧，我们来做。"如果你从零开始做调研，这可能要花掉你 10 万个 tokens。所以我们想搞清楚的是：这种"事先准备"的范式究竟能被推进到多远——如果做得好，它可以在推理时规避掉许多问题。
主持人: 是的。所以有了这个上下文层，你在推理花费上会高效得多，人们在这上面花的时间也是如此。
Dan: 这是它在推理和效率方面的一面，但还有质量的一面。你不会往模型里注入无关的知识，不会让它去对不必要的东西做推理。所以这种有针对性的高效搜索也避免了困惑。这就像一个人或助理：你让他们做件事，一种是他们得先给所有人打电话、跑很多地方才能完成任务；另一种是他们非常精准地知道该去哪里找。而后者往往源于你和这位助理之间的熟悉度、对事情怎么做的一种理解，于是他们能很快把事情解决。所以这也关乎质量。
主持人: 这对我们 General Catalyst 来说是一个很棒的点。我们真正感兴趣的，不是 AI 能在哪里自动化任务、削减成本或把某件事做得更高效，而是它在哪里能让最终产品实现增长。所以，你把 Engram 交给你的客户，他们现在就能为他们的终端客户做更多的事，整体上促进经济增长、促进他们产品和收入的增长。你有没有开始看到这种传导——即通过拥有这种上下文，他们的最终产品像你说的那样突然变得更好了？
Dan: 是的。我们的合作还处于早期阶段，还没看到这一切的全部影响。但我们的打法很清晰，就是与横向的知识工作平台合作，比如 Microsoft、Notion、Harvey，它们背后有大量企业、终端用户和公司在使用。目标是让这些公司所使用的 AI 产品更了解它们、对它们更有效。所以我们瞄准的是为终端用户创造价值，而不是让这家或那家企业内部更"高产"。我认为这也和你们那边希望用整合（roll-up）投资组合去做的事情很契合——即提供工具，再通过服务把它们交付给非常多的人。
主持人: 那在技术层面，是什么让现在成为做这件事的正确时机？因为显然，ChatGPT 在 2022 年底到 2023 年问世，2024 年有大量模型开发，但今天感觉真正缺失的是上下文层。是什么让你在时机上把握得恰到好处？
Dan: 我觉得这是个挺有意思的问题。但我认为一个非常实际、让现在成为好时机的因素是：如今的智能比一年前更"充裕"了，尤其是在开源领域。我们的技术要求我们对模型有这种白盒（white-box）访问权限，因为我们要训练它们、缓存东西、做各种不那么常见的"外科手术"。要做到这些，你需要一个足够聪明、能力足够强的基础模型。而如今的开源模型相当有竞争力，在同等智能水平下，其规模比两年前小了好几个数量级——这也正是很多云推理公司之所以成功的原因。所以，开源模型变好是主要因素之一。第二，我们过去几年在如何把记忆层构建进模型、如何构建这些"神经卡带"（neural cartridges，可以插进/拔出模型的东西）方面开发出了一些技术；再加上我们在 LLM 的记忆容量、学习与遗忘等方面学到的一些东西——这些都是我们此前在学术上研究过的课题，如今整体的知识积累已经足够，足以让我们明白：好，我们可以训练模型、可以从好的模型出发、可以在不像过去那样不加思考就把它们"毁掉"的前提下（即认真对待 catastrophic forgetting 灾难性遗忘问题），而且还有一些新的、有效的参数化方法让整件事变得非常经济高效。所以，从方法论角度是好时机，从基础模型角度是好时机，还有一点是：应用层本身正在走向更长周期、更主动的工作流，这些工作流确实需要时时刻刻触及大量上下文。举个例子，与像 Harvey 这样的客户对接时，你会发现这些人是每一次前沿模型发布的专家。他们知道哪里有问题，知道 GPT 5.3、5.4、5.5 之间的差异，知道每一个细微的变化，他们把这些模型推到极限去检验和测试。
主持人: 是的。
Dan: 和他们合作也让我们理解到：现在真正需要的，不只是纯粹的推理、纯粹的智能，而是一种消化我们前所未有的海量上下文的能力。
主持人: 是的，感觉上下文比以往任何时候都多。你们从哪些不同的地方获取上下文？当你说要为某家公司——比如 Harvey 或 Notion，尤其是你们还在和 Microsoft 做一个大型合作——这些公司里有海量的信息和上下文，你们最先切入的是哪些数据孤岛（silos）？
Dan: 好的。想想 M365（Microsoft 365）——如今这么多企业都在这个生态里工作，它包含 Office 里的一切，比如 Word 文档、Excel、云上的 SharePoint 文件，以及各种通信、消息、会议录音。所有这些都按每个用户、每个团队、每个企业的层级被保存下来，Microsoft 多年来做了大量工作，让这成为一层极有价值的知识。所以我们的主要任务就是：如何把这个庞大的知识图谱、这一大套输入与产出物（artifacts），设法蒸馏成一个"大脑"，再交由这些公司之一去掌控。而且在做这件事时还得考虑权限问题——比如你和我在同一家公司，但你能看到某些关于 HR、别人 offer 的信息，我却看不到。
主持人: 对。
Dan: 所以如何以一种有意思的方式，把这些组合进那个"大脑"里，让每个用户都能获得一个视图，但机密又不会在人与人之间被泄露。这相当有意思。所以我们对数据来源本身是相当不可知（agnostic）的，更关键的是，我们的模型必须自己搞清楚——那些"比特"在哪里，那些"精华"（juicy stuff）在哪里。
主持人: 像 Slack 这样的工具其实积累了大量的上下文和热烈的观点。你需要用一种隐秘的方式去了解它们，这相当有趣。你们最初推出这款产品和这些功能时，发现早期的客户最喜欢哪些方面？他们觉得“嘿，这真的改变了我的日常工作”的领域在哪里？在这种产品中，最引起共鸣的部分是什么？
Dan: 我们在这个阶段看到的主要情况是，人们在看这些帕累托曲线。也就是说，消耗的推理 tokens 数量与他们获得的智能之间的对比，并发现如果你允许一定程度的准备或模型的定制，你就能得到更优的权衡。你基本上可以获得那种思考很少、搜索很少，但懂得它该知道什么的模型。此外，如果需要的话，这些模型不必是巨大的怪物模型，它们也可以自托管（self-hosted），有些人出于安全等原因很看重这一点。但总的来说，我认为是速度的提升、推理 tokens 的减少，以及取代模型在运行中不断实时搜索和查询的传统 RAG 工作流。这就是人们感兴趣的地方。它能让人们做到这一点，因为你消耗了更少的 tokens。这不仅仅意味着你省了钱、少做了事情，它实际上让你能做更多，因为现在你可以让你的 agent 运行一整天而不是一个小时，因为 context window 变得连贯得多。所以这些是我们正在看到的情况。
主持人: 这简直不可思议。我是说公司才成立几个月，但你们已经和 Nvidia 或 Microsoft 的领导层坐在同一个房间里了。看起来，你们不仅是顶尖的学者，而且还拥有一种在这么早的阶段就建立这些合作关系的超能力。或许可以稍微谈谈这点，特别是以 Microsoft 为例。作为一家仅仅成立几个月的小公司，你们是如何去接触这样的巨头并达成合作的？
Dan: 是的。我们还有很长的路要走，但对我们来说重要的事情是，我们充满好奇心，我们想向他们学习，我们想要弄清楚这个根本性的 AI 问题，这对我们来说是比向人们销售产品更紧迫的事情。包括 Microsoft 在内的所有这些公司，他们都想处于 AI 的前沿，他们想尝试那些在 12 到 18 个月后将对 agentic 工作负载至关重要的技术。所以，真正起作用的是这种相互学习的合作方式。我们可以向他们展示我们对技术栈未来走向的预期，这与许多其他人看到的有着根本的不同。尽管我们是对是错还有待观察，但我认为对我们来说，这是出于好奇心。对我们来说，这也是因为这些公司的领导层真的非常亲力亲为，极其笃信 AI，非常精通 AI 的前沿，并且在寻找这些以不同方式做事的团队和人，哪怕这有风险。
主持人: 这真的很令人兴奋。是的，当你现在思考如何扩展 GTM 动作时，到目前为止，你们主要围绕研究、技术以及建立这支由前研究员和教授组成的真正世界级团队。你们获得了非常快速的采用，因为你们在利用上下文、节省推理成本以及让你提到的最终产品变得更好方面，做得非常适时。所以你们正在做的事情真的引起了共鸣。但现在你们正在建立这些合作关系和销售团队，能否给我们谈谈你们的 GTM 计划，以及你们希望在一年后达到什么目标？
Dan: 是的，所以我们还有待建立一个商业化的 GTM 组织。我们目前处于非常早期的阶段，我们自己承担了大部分工作。我们正努力将公司第一阶段的重点放在打造一个尽可能 self-serve（自助式）的产品上。我们为早期的合作伙伴做了很多手把手的支持，因为我们明白可以从他们那里学到很多。但我们的目标真的是：作为任何公司的一名开发者，你如何能玩转这些软件，你把它连接到一些东西上，然后你看着一个模型在你面前成长，就像培养皿里的一组细胞一样。这就是我们的目标。我们基本上首先瞄准的是那些行动更快的 AI 原生初创公司和企业，他们对所有的工具都有经验，他们喜欢冒险，知道什么是难的什么是简单的，他们能给我们提供快速的反馈。所以我认为公司第一阶段实际上是与那些 AI 原生公司密切合作，获得快速反馈。一旦产品稍微更加硬核，并且我们知道这个 API 是稳健的并且可以应用到任何地方，那么我们就会开始把它推向更多更大的企业，并且尝试更多面向开发者的工具，让任何人都可以尝试使用并与模型进行交互。我认为我们可以从那些模型提供商那里学到很多东西，他们为自己的技术提供了超级简单的接口，每个人都可以使用它们，无论在工作还是在家里。这正在以一种前所未有的方式自然增长，所以我们肯定从中汲取了很多灵感。我们也特别兴奋能与你们投资组合中那些更侧重于服务的公司合作，他们可以将这些模型与团队和组织拥有的定制上下文层连接起来，并满足他们定制化的安全需求。我们的团队侧重于研究端和工程端。我们并不是什么企业销售领域的世界级专家。并且我们意识到，这些合作关系可以让我们在继续探索研究前沿的同时进行广泛的分发。
主持人: 是的。我们也非常兴奋能与你们合作，就像我们正在收购的那些公司，比如与 Long Lake 合作的 HOA 管理、与 acrual 合作的会计业务，或是与 Titan MSP 等合作的 MSP（管理服务提供商）。这种需求经常出现，我们认为，通过实际拥有这家公司并掌握他们的所有数据，我们可以比其他人更有效地部署像 Engram 这样的技术，因为我们拥有那些底层的公司所有权和数据。所以我们超级兴奋能和你们组队。
Dan: 这也是我们在第一轮融资中选择与 GC 合作的主要原因之一：就是这种关于 AI 基本上需要在各处创造充裕度的清晰愿景，但同时也拥有将其分发出去的机制，拥有那些真正在日常中与 AI 协作的人，并且去管理他们。而且你们对一线正在发生的事情的可见度，使得我们能够专注于那些硬核技术，并且知道一旦事情准备就绪，它们就可以以前所未有的规模部署，真正为医院、为任何服务行业带来价值。
主持人: 不，我们很喜欢这一点。而且你们对 self-serve 的关注也确实引起了共鸣，因为我认为现在有很多人在采取这种前置部署工程师的模式。是的。就是说：“嘿，让我们去这些传统公司，帮助他们利用 AI 进行转型，用他们自己的内存上下文来帮助他们，构建更好的工具。”但这是一种非常依赖人力、非常依赖前置部署工程师的方式，有时候这可能会进展得比较慢。在你们的情况下，你们是在说：“嘿，我们希望这个产品能够自证其能，如果你接入它，你就可以使用它，并且可以更快地发展和扩展。”是的，这其实是一个相当大胆的假设，因为今天看来，前置部署工程师的模式极其流行。但我们都同意，如果能做对，self-serve 的模式扩展起来要快得多。你们是如何思考这种权衡的，也就是判断 Engram 是应该有前置部署工程师，还是应该真正把产品推向 self-serve 的极限？
Dan: 是的。所以我们在这里其实是相当灵活的。我们有很多朋友所在的公司是非常偏向前置部署的，并且这些都是很棒的公司。所以我们问自己的一个问题是：我们的 DNA 是什么？我们是一家服务公司，还是更像一个前沿实验室？老实说，对我们来说似乎更像前沿实验室。你看看这些前沿实验室，你可以汲取很多灵感。他们现在正与所有这些 PE 公司合作，进行这些前置部署的工作，但他们已经成立 10 年或 5 年了，技术已经相当成熟。现在的核心就是纯粹的分发，并把它送到以前无法使用它的地方。我认为现在 AI 领域的许多前置部署初创公司，是在拿一个我们大致知道其形态、大致知道不同形式的 AI 或 AI 定制化的好处的东西，然后去以新的方式传播它们。这很困难，充满挑战，竞争激烈，需要大量的独创性。对我们来说，我们看着实验室，我们看到：好吧，真正的突破是什么？真正的突破是出现了一些疯狂的技术。
主持人: 是的。
Dan: 而且如果技术是疯狂的，一定程度的用户教育就是可能的，因为他们想学习如何使用这项技术，而且这类事物的增长速度是前所未有的。所以我们希望自我祝愿这种 self-serve 动作会奏效。为了完全实现这一点，我们还有很多工作要做，但我们满怀希望，我们要么在这个方向全力以赴，要么去与更多其他的公司或咨询机构合作，在那些需要更多手把手指导的地方发挥作用。
主持人: 是的。产品和工程团队确实是你们打造的优势。或许可以给我们讲讲你们是如何建立这支团队的。你们引进了来自各行各业的人。你们是如何激励这些人的？他们中的许多人在 Meta、大型实验室以及其他地方都有大额的交叉报价。这是一个我想许多创业者都在问自己的问题。你们是如何在融资完成之前，就设法招募到这些绝对的顶尖人才的？
Dan: 是的。所以我认为这是两方面因素的结合。首先，团队里的每个人都是有使命感的人。大家在他们以前的经历中，无论是作为学者，还是在大型 AI 公司里，都有一种愿景，即未来会与现在不同。未来的模型不会只是一个模型。它将以非常有趣的方式从数据中学习，而这实际上需要新的基础设施和新的算法。所以现在团队的每个人都已经是一个信徒了，这让事情变得容易了。其次就是，这是一群我们相互之间有一些信任的人。我们和那些与我们合作过的人在一起，我们密切关注他们，他们也密切关注我们。而且我们知道我们要共同进退。我认为我们前面会有很多挑战，在这一点之后获得新人才将会充满挑战。我们很多员工都会接到非常著名的大厂打来的电话，他们不得不重新评估。
主持人: 是的。
Dan: 但是，每次有人选择留下来并坚持到底，不仅仅是因为他们在财务上受到激励。这是因为他们想看到一个愿景，他们知道在其他地方这个愿景并没有被那么强调，在其他地方这不是 P0（最高优先级）。它更像是一个产品 P3。所以我们严重依赖有使命感的人，严重依赖那些在这个领域做过工作的人。而现在，随着我们团队的壮大，我们想要引进那些有着不同经验背景的人。他们之前可能没有思考过这些问题，但他们可以为我们带来新视角，关于如何利用这些模型进行大规模运营，这将与我们目前所做的事情形成互补。
主持人: 这非常有道理。我知道现在是非常早期的阶段，但如果你展望明年，你们现在计划真正专注的领域有哪些？我是说，我觉得你们找到了正确的问题集，合适的初创团队，一个非常有前景的早期产品。这些合作关系正在排队，事情进展顺利。显然，我自己创办过公司，我知道在幕后，你肯定在不断地到处救火，里面有很多不为人知的艰辛。
Dan: 是的。
主持人: 但当你展望未来一年时，你认为作为 CEO，你关注的重点会是哪些大块内容？对你来说，前方的主要挑战或阻碍是什么？
Dan: 所以首要的主要任务是，首先进行巨大的研发推进，进入一种模式，也就是我们拥有这些新模型范式的原型。这些模型能够摄入这些非常庞大的知识语料库，并进行适应，同时保持安全、保持一致性，而且对我们来说，为用户提供服务具有成本效益。这是一个五年的研究规划，我们会非常频繁地在沿途设立检查点。但是那里需要投入巨大的努力。然后在客户方面，能够实现更大规模的部署。到今年年底，我们实际创建了数百万个加载好的神经记忆，供比如 Microsoft、Harvey 或 Notion 的客户使用，它可以记住他们的工作空间、他们昨天做了什么、预测他们想做什么以及明天想做什么。
主持人: 当然。
Dan: 所以进入这种部署实际上需要空前的基础设施的努力。目前我们只提供个位数的模型，并且有很多它们的副本，而且它们很庞大。但我们都在排队访问同一个模型，而我们正在谈论的是，以新的方式高效加载所有这些不同的 cartridges 和 adapters。这是极度困难的，但我们在那里看到了良好的生命迹象。这是在技术方面。然后，随着我们扩展到越来越多的知识型工作公司，我们也在思考，开发人员和个人可以使用的产品形态是什么，让他们能够构建出这样的模型：你在它们身上花的时间越多，它们变得越好。就像一个电子宠物，你越是培育它，它就越健康快乐。而现在，即便你从 GC 辞职，你唯一的使命就是为你自己把 GPT 打造成最好的模型。
主持人: 是的，
Dan: 你的努力也是相当徒劳的。因为一旦下一代模型到来，它就会冲刷掉你所做的所有 context engineering，以及你准备的所有便利贴，对吧？我们希望做到这样：如果你选择真正构建自己的模型，你投入它的时间越多，模型就会去学习，第二天回来它就能知道它。这是极其困难的。它还是一个未解的难题。我们还没有解决它，但这是我们正在寻求做到的事情。
主持人: 在可能成为阻碍的因素中，是什么最让你夜不能寐？是招聘吗？是从客户那里获得反馈吗？达到这个目标有哪些挑战？
Dan: 让我夜不能寐的主要事情有：第一，我们是否在为客户提供最大的价值？我们下的大注，即模型需要时刻改变的这种范式是对的吗？我们是否真正找到了合适的产品形态，让人们能在极少的交互中很快看到价值，而且不需要非常复杂的训练运行，不需要大量的悉心指导？这是第一大生存问题，让东西在用户手中用极少的努力就能运转起来。第二是招聘，这并不是指为了扩大而招聘和导致团队臃肿，那不是我们的意图，而是要找到合适的人才。并说服他们在这个时代冒这个风险。从财务上来说加入我们可能也不合理，即使公司正取得巨大的成功，因为他们有 99% 的概率能在别处每年拿到数千万美元。
主持人: 当然。
Dan: 所以，把这些人招进来，和他们一起工作，不仅仅是操纵他们加入，而是真正说服他们，这里有一些在审美上不同、在智力上不同、在经济学上不同的东西。那是第二点。我想第三点则是观察 AI 领域正在发生的一切，并确保我们公司的扩展是有规划的。我们不是在押注 OpenAI 或 Anthropic 的技术进步会停止，我们不能做任何基于进步会停止这一假设的事情。我们需要构建的产品必须是互补的、不同的。当那些模型在改进时，它们也在改进，但它们具有足够的差异性，以至于第二天不会轻易地被模型提供商或其他类似事物完全取代。所以这些是生存层面的约束。
主持人: 对你来说，显然一个巨大的改变是从研究角色转变为现在担任 CEO 并且管理一家公司。因为你曾经就是研究人员，所以你可能很擅长招聘很多这种研究类型的人。你差不多可以向他们解释这里和学术界或者大型公司的区别。在你所处的这个位置上，过去几个月最大的学习是什么？比如当你满腔热情地开始创立这家公司，对作为 CEO 的自己有一个愿景，想象每天的日常会是怎样的。而现在你已经在这个岗位上几个月了，你们推出了产品，你们全面发力。作为创始人和 CEO 的这段个人旅程中，最大的惊喜是什么？
Dan: 我想说的是，我花了一些时间才意识到，我的许多倾向和我喜欢做的许多事情，这个角色都能提供。而在学术界，更多的是埋头苦干，争取在某处发表下一篇论文。在这里，我可以带到谈判桌上的东西，在性格和好奇心上具有更多的多样性。我意识到的主要事情是，虽然学术界是关于这个作品的完美，你非常努力地做，然后你向每个人展示你是大师，这就好像你是天才，而且这个东西在放出来之前，需要被打磨一年、一个月或者三年。然后这就成为了一个永恒的东西，可以被永远冻结在那里。但在公司世界里，你必须学会如何不做一个完美主义者。你需要非常快地对事物进行 设立 checkpoint，然后继续前进。而且这可以说对于在学术界取得成功的人来说也是非常真实的。但在这里节奏有点不同。一件重要的事情是：你可能会想，来自学术界意味着你可以招募这些教授类型的人，他们会来加入你，因为他们想在研究中获得乐趣。但是你怎样才能找到这个疯狂的工程师，或者是这个疯狂的业务人员之类的人呢？虽然我们还有很长的路要走，但我发现研究人员是稀缺资源。许多有能力、聪明的人只是想更加紧密地与那些在 AI 实验室核心被教育和训练过的人进行对接。而且你会获得所有这些才华横溢的人，他们可能有稍微不同的背景，但他们想要贡献，想要参与到一些不仅仅是“一家 AI 公司”的事情中——现在意义上每家公司都是一家 AI 公司——而是想要真正靠近在技术栈最深层次创新的人。所以有很多有趣的人从世界各地来到这里。有很多东西可以向他们学习。
主持人: 是的。我们非常钦佩你们如何建立这支世界级的团队，以及你们推动商业化的速度之快。我认为那是一个惊人的惊喜。我们非常期待在你们继续扩张、并且我们继续从 Engram 学习的过程中，再次邀请你来这里。你们建立了一个非常酷的问题和解决方案。所以，感谢你今天花时间来参加我们的节目。
Dan: 感谢你们从第一天起就支持我们，看到了这个萌芽阶段事物的潜力。希望我们会向你们证明这是值得的。