马斯克之后，谁会是全球新一代的科技领袖？
如果你在美国做个调查，90%的人会选择OpenAI创始人兼CEO 山姆·阿尔特曼（Sam Altman）。比尔·盖茨说，公司的最新产品ChatGPT，意义“不亚于互联网的诞生。”
38岁的阿尔特曼有一路开挂的生涯。19岁从斯坦福大学计算机系辍学创业；26岁与创业伙伴将公司卖了4300万美元，从此财务自由；29岁投资并管理美国最大创业孵化器YC，5年规模扩大十倍；30岁，他与马斯克等人联手创办Open AI，跻身全球顶尖创业者之列。
在YC创始人、硅谷创业教父Paul Graham眼里，Sam是极具魄力的领导者和开拓者。“如果把Sam Altman扔到某个食人族之岛，5年后他会成为这个食人族岛的国王。”
阿尔特曼总结了他眼中的创业秘诀，文章标题平淡无奇《如何取得成功》（How to be successful），但字字珠玑，至今仍被硅谷创投圈奉为圭臬。
01
复利化成长
Sam说，复利有神奇的魔力，指数曲线是创造财富的关键。一家中型企业，如果价值每年增长50%，用不了几年就能成为巨头。
世界上，真正有网络效应和高度扩展性的行业并不多。但技术进步让这一点成了可能，你可以花时间发现和创造这样的机会。
个人职业生涯也是如此。大多数职业发展轨迹都是线性的，而成功需要选择具有复利效应的职业。达成这一目标，有多个途径，包括借力资本、技术、品牌、网络效应，以及从事管理工作。
02
绝对自信
Sam说，自己认识的最成功的人，都是自信到离谱的人。
为什么？因为成功就是超越平庸，需要逆向思维才能创造出最大的价值。而对自己不自信的人很难具备逆向思维能力。
对初创企业CEO来说，一个挑战是激发自己以及团队的士气。如果没有自信，这个任务几乎不可能完成。一个人的志向越远大，遭受的打击就会越多。这个时候，只能靠自信。
自信容易导致自大。怎么克服？
Sam的做法是，强迫自己假设这些批评是正确的，然后在这个基础上调整计划。企业家必须学会保持自信与自我认知之间的平衡，避免过度自信造成与他人脱节。
03
独立思考
创业过程需要原创性思维，学校很难教，只能是自己学。
Sam非常推崇马斯克的“第一性原理”。马斯克建议凡事都从“第一性原理”出发，从问题的本质开始，想出新的创意，并通过与人交流，尝试发现更简便更快捷的方法以解决问题。
除此之外，Sam有两大心得。
第一，对创业者来说，失败是家常便饭，量变导致质变，失败多了，成功就出现了。
第二，把自己逼入绝境，灵感往往就来了。这话可以反过来理解，缺乏灵感，可能就是问题的难度不够大。Sam说，灵感往往来自于压力，这一点他屡试不爽，深信不疑。
04
重视销售
光是自信还不够，创业者需要具备说服他人的能力。
Sam说，干什么工作，本质都是销售，把自己推销出去。当老板，需要把自己推销给投资人、媒体、合作伙伴。打工，要把自己推销给老板，把产品推销给客户。
一个好的销售，需要满足四个条件：好的想法、强大的沟通能力、一点点个人魅力，以及执行力。但做好销售的前提对自己推销的产品抱有绝对的自信。
Sam有几个特别的心得：
- 书面沟通能力。把事情想清楚，再简明扼要地写清楚。
销售和多数技能一样，是可以磨练的。做的时间越久，就越擅长。
创业公司CEO要参与“打单”。这一点非常重要。
05
保持专注
专注可以让工作事半功倍。
Sam说，自己认识的人，都会花很多时间想明白要专注在哪些事情，而且他们的结果都很不错。由此可见，做正确的事比工作时间长短更重要。多数人是将时间花在了无关紧要的事情上。
一旦你想明白了该做什么事情，就快速行动起来，把精力集中在少数几件最重要的事情上。成功人士都是快速行动者。
06
努力工作
如果你在聪明和勤奋中占了一项，就能超过90%的人。但想超过99%的人，必须聪明+勤奋。因为你的竞争对手往往是这样的人。
Sam有两个观点：
第一，做事极端，才可能有超凡的成就。
第二，创业没办法保持工作和生活的平衡。但勤奋有复利效果，往往能带来一个又一个惊人回报，这能产生巨大的生活乐趣。
Sam认为，勤奋要产生复利，也需要尽早开始。越早开始努力工作，获利时间就越长、获利就越多。
当然，勤奋不能透支身体。怎么平衡？Sam说，个人有个人的高招，有一点肯定靠谱，就是与相处愉快的人一起做喜欢的事。
07
任性一点
只要足够任性，坚持下去，世界就有可能以你的意志为转移。
大多数人要么不敢尝试，要么不够努力，要么过早放弃，导致自身潜能没有发挥出来。
Sam认为Airbnb是一个好的案例。无论遇到什么困难，CEO布莱恩·切斯基（Brian Chesky）都能坚持下来，终于等到了时来运转的一天。
怎样才能保持任性和坚定？Sam的建议是保持乐观。乐观这种性格特征是可以通过练习逐步提升的。毕竟，商业上成功的人几乎没有人是悲观的。
08
打造人际网络
一个人事业的天花板，往往取决于他能在身边集结多少优秀的人。
怎样打造一个人际网络？Sam有三点建议：
- 尽可能多帮助别人
Sam取得的工作和投资成就，大多数来自贵人的帮助。而这些人往往是他过去不经意间帮助过的人。
- 保持好名声
这包括：不亏待每一个一起共事的人；与他人慷慨分享资源；慧眼识珠、知人善用，让每个人充分施展自己的才华。
- 结交积极向上、志同道合之人
挖掘人才是建立人际网络的有效途径，方法就是多社交。另外，不能局限于他人过往的工作经验和当前的成就，需要关注的是此人是否有潜力，以及潜力能否短时间内被激发。
每当遇到新人，Sam都会问自己，“这个人有异于常人的能力吗？”对于渴求人才的人来说，这个问题很值得思考。
09
要想发大财
必须“拥有东西”
Sam说，福布斯榜单告诉我们，除了一些艺人，很少有人是靠薪水发财的。挣工资就是出卖自己的时间，而时间换来的财富只会保持缓慢的线性增长，不可能爆发式增长。
Sam认为，拥有能迅速增值的“东西”才能真正致富，可以是企业、房地产，也可以是自然资源、知识产权。
迅速增值的最佳方法就是大量制造出人们想要的东西。创业就是一个途径。
10
独立思考
Sam招聘，先看人是否有内驱力。
他认为，大多数人的工作动力主要是外部驱动，这些人做什么事情都是为了让外人觉得自己很牛。
这种心态是有害的。一是它会导致工作中过于在意他人的看法，人云亦云，因循守旧；二是会对形势出现误判，比如，容易将注意力集中在主要竞争对手，而不是客户。
Sam相信，大多数成功人士都是靠自我驱动。他们做事情是为了让自己满意，他们觉得改变世界是自己的责任。一个人有了金钱和地位，这二者的吸引力就会逐渐消失，只有内驱力才能推动一个人向更高的地方攀登。
延申阅读：没人能复制Chat-GPT
Chat-GPT背后的明星企业OpenAI，始于几个硅谷极客想要“拯救人类”的疯狂念头。
2014年，特斯拉正在为产能问题焦头烂额，来中国求援的马斯克顺便做客央视《对话》栏目，遭到杨元庆灵魂拷问：2013年联想一共卖出了1.15亿台设备，特斯拉卖了几辆车？
同一时期的美国，“AI取代人类”成为了硅谷new money的关键词，这让结过3次婚、生过10个孩子的马斯克深感不安。谷歌创始人拉里·佩奇就曾批评马斯克是一个“物种主义者”，不愿用“硅”创造新物种。
2015年夏天，马斯克找到了他的知音——萨姆·阿尔特曼。
这位名字也能翻译成“奥特曼”的帅哥，是创业孵化器Y Combinator的新任掌门，也是一个标准的科技狂，拥有两家核聚变企业和一家区块链公司。
2009年，YC创始人曾在博客上分享了过去30年最有趣的5位创始人，24岁的阿尔特曼与乔布斯、谷歌创始人、赛普拉斯半导体CEO和Gmail之父并列。
在一次私人聚会上，两位明星企业家宣布掏出10亿美元，筹备一家非盈利导向的AI实验室OpenAI，“让人类以更接近于安全的方式构建真正的AI”。
在Chat-GPT横空出世之前，绝大多数人都不知道这家站在人类智商密度高地上的公司都做了些什么，到底花掉了多少钱。
这是一段用美元堆出来的理想主义故事。
信仰：AGI神教
OpenAI诞生的那场聚会上，马斯克几乎没有招到人。现场所有人都在追问一个问题：此时谷歌、Facebook、百度早已把世界上最顶尖的AI学者搜刮殆尽，你碰什么瓷呢？
这群野心家不肯死心，向蒙特利尔大学一位教授要来了一份10人挖角名单，上面写着圈内最有前途的年轻AI研究员。这其中最为重要的挖角对象，是一个名叫伊利亚·萨特斯基弗的俄罗斯人。
小萨是AI研究宗师杰夫·辛顿的学生。2012年，辛顿带着27岁的小萨和另一个学生发明了一个AI模型，该模型识别图像的准确率高得吓人，在学术界引起了轰动，也直接奠定了小萨产业泰斗的历史地位。
这也让谷歌等企业迅速意识到：AI终于有搞头了，直接把小萨挖走了。
OpenAI给这10人挨个打电话，所有人都表示，除非别的人都答应才入伙。为了搞定小萨一行人，OpenAI将他们骗去了当地的一个葡萄酒之乡，好生伺候了一天。最终，9个人上了“贼船”。
可就在马斯克与阿尔特曼准备召开新闻发布会时，小萨却反悔了。
为了留住小萨，谷歌先给小萨的薪资翻了一番，数字是OpenAI的两到三倍，但对方不为所动。随后，谷歌采取了另一条策略：加更多的钱。
此时的OpenAI急得像热锅上的蚂蚁，但考虑到自身囊中羞涩，只能天天发短信求小萨谈理想。直到阿尔特曼召开新闻发布会的那一天，小萨才决定加入OpenAI，从谷歌的心腹变成了心腹大患。
小萨的决定其实出于一个有些难以启齿的“理想”：他想实现AGI（通用人工智能）。
所谓AGI，即“超级智能”，接近科幻电影中万能的人工智能；与之形成对比的是人脸识别、翻译、下围棋等只能完成单一任务的人工智能。
即便2012年，杰夫·辛顿和小萨的论文让AGI的可行性跨出了一大步，但以当代的科研基础，谈论AGI，依旧就像谈论如何长生不老一样民科。
科学家all in AGI，赌赢，可以在教科书里与比肩牛顿；赌输，成为美版知乎Quaro的民科代表。
但企业all in AGI，大概只有一个结局——成为先烈。庞大的资本支出，让无论是相信“专家算法”的IBM，还是“深度学习”神教的谷歌、百度，无论信奉何种AI路线，巨头们的一切AI研究，都为产业化服务。
愿意成为这个冤大头的，只有OpenAI一家。
阿尔特曼将OpenAI打造成了一个象牙塔：在实验室成立的前15个月，OpenAI都没一个明确的研究目标。平日里，马斯克便带着这群梦想家一起脑暴，探讨AGI将如何实现。
2016年5月，时任谷歌首席AI研究员曾参观过OpenAI，对其工作方式相当困惑。他询问OpenAI的目标是什么，没想到难倒了OpenAI，“我们现在的目标，就是....做点好事[3]。”
然而在数月之后，这位研究员却毅然辞职加入了OpenAI——一起做点好事。
毕竟在当时的硅谷，“放肆做梦”是个极其稀缺的特质。哪怕是AGI曾经的布道者DeepMind，在被谷歌收购后也更实际了些。产业界与学术界的差异，促使了大批科学家的“叛逃”：
从2017年开始，吴恩达、李飞飞等著名AI学者先后回归大学校园。
此般大环境下，高举理想主义大旗的OpenAI，成功抄到了历史的大底，拉拢了不少顶尖人才。
2017年3月，随着团队越来越庞大，阿尔特曼决定给OpenAI设立一个更具体的目标，这时，等待他们的是一个好消息与一个坏消息。
接盘：读作理想，写作美元
2017年是OpenAI命运的分水岭。
好消息是，谷歌帮OpenAI解决了没有具体目标的困扰。2017年，谷歌在一篇论文中开源了“Transformer神经网络架构”。它的革命性在于可以让AI“听懂人话”，而这很可能会是通往AGI的关键钥匙。
一直在做好事的OpenAI，瞬间有了攻坚的方向。
坏消息则是，没钱攻坚了。
一个热知识是，如果没一个出手阔绰的靠山，根本没资格搞AI。光算力——也就是芯片的开销，就是一笔巨额成本。从2012年的AlexNet模型到2017年的AlphaGoZero，算力消耗足足翻了30万倍。同期英伟达股价翻了整整15倍，黄仁勋做梦笑醒好几回。
早些年，一大批科学家纷纷跳槽去硅谷巨头，就是为了找靠山。2010年，还在斯坦福的吴恩达研究出一套新算法，却发现大学的算力条件远远不够。他从美国东海岸找到西海岸，发现只有谷歌符合条件。
2017年，Transformer横空出世后，AI进入大模型阶段。所谓大模型，背后支撑的是大算力、大数据以及大算法，而这也意味着烧大钱。
以OpenAI的GPT-3模型为例，有机构做过测算，发现训练一个GPT-3，需要至少1024张A100显卡持续运转足足一个月[7]。而A100显卡最便宜的版本也要8769美元。
也就是说，什么还没算，就先给英伟达交了900万美元入场费，这还没算搭建机房的成本和后续源源不断的电费。
如今，ChatGPT训练一次的成本高达1千万美元，这是一般企业无法承受的。小冰公司CEO李笛算过一笔账：“如果按照ChatGPT成本来考量的话，每天我要烧3亿人民币，一年要烧一千多亿。”
回到2017年，仍是非盈利机构的OpenAI，根本无力负担这些费用。原本的大靠山马斯克也在2018年初宣布辞职，原因是避免与特斯拉AI业务有所冲突。
风雨飘摇之际，阿尔特曼悄悄修改了OpenAI“非盈利”的使命，开始给OpenAI另谋靠山。
此时，既无科研成果，又无大牛坐镇的微软，进入了阿尔特曼的视野。
作为美国高科技领域老牌列强，微软在AI上的决心不可谓不强，但长期被谷歌的DeepMind来回摩擦。
2019年，恨铁不成钢的微软遇见人才济济的OpenAI。当时，比尔·盖茨本人并不相信OpenAI会成功——投资谈判中，他很直白地对其发展路线表达了悲观，认为Transformer这类大语言模型在过去五年都没什么进展，没人知道它会有什么价值。
但话虽如此，微软还是爽快的掏出了10亿美元。
这次接盘，很可能会成为微软历史上最成功的一笔抄底。
2022年12月，OpenAI沿着Transformer路线开发出了最新款AI，名为Chat-GPT。2个月后，Chat-GPT的全球月活突破了1亿。
这回，该轮到谷歌睡不着觉了。
突围：难以复刻的奢侈品
Chat-GPT登上热搜之后，公众常常会讨论一个问题：为什么又在美国？
事实上，复刻一个Chat-GPT并非难事。Chat-GPT的本质，其实以GPT-3模型为框架，通过“对话”这一场景，搭建了一个普通用户也能使用的AI应用，两者之间的技术进步并不算大。
如果翻一翻前两年的新闻能发现，早在GPT-3时代，中国公司已经在如法炮制，大可不必对各种中国版Chat-GPT冷嘲热讽。在纯粹的技术层面，中国企业落后的并不太多。
我们回到一开始，大模型发展的三要素：算法、算力、数据。
算法，如同人类大脑，决定了AI的学习能力。
一个业内主流观点是，尽管没有率先做出来Transformer、GPT-3，但国内企业在大模型上的技术，距离ChatGPT的差距其实也仅在半年到两年之间。
比如GPT-3发布之后，百度、腾讯、阿里等企业诸如一言、M6、混元等十万亿参数级别的大模型也很快跟进。
算力，这意味着一种资源，决定了算法的运行效率。
AI训练高度依赖英伟达A100、H100等AI专用显卡。常见的消费级显卡通常会将部分算力让渡于光追等功能，相比之下，A100的特点则是从硬件设计到软件配套 all in AI。
尽管从2022年开始，美国已经限制英伟达向中国大陆销售A100/H100显卡，但很快英伟达也推出了A800，成为中国特供版A100平替。
数据，训练算法的优质教材，决定了AI会学到哪些知识。
站在OpenAI背后的，是一座数据富矿，即丰富的高质量英文文本数据。例如在全球最大的百科网站维基百科上，拥有最多百科文章的语言正是英文。
除此之外，英文互联网还有众多类似Github这样的专业论坛、海量的图书、学术论文、专业新闻等数据。尽管，中文互联网的文本质量有待提升，但数据总量却是碾压级别的优势。
无论是算法的调教，还是算力的堆积，本质都是砸钱砸人。在这方面，中国其实并不落后于美国。正如百米赛跑中，冠军和亚军的差距往往不到一秒钟。
然而不到一秒钟的差距，却决定了鲜花与掌声的归属，这可能也是Chat-GPT和“中国版Chat-GPT”的差别。
OpenAI的诞生似乎离不开无数偶然的堆积，但也有着同样多的必然。“造福人类”的AGI神教，聚集了世界上最有才华的青年AI学者；适时出现的技术突破让OpenAI的路径有迹可循，微软的出现组成了最后一块拼图。
Chat-GPT的昂贵之处，既在于天文数字的投资和令人心生畏惧的烧钱速度，也在于一个能够包容疯狂想法的商业环境。正如阿尔特曼所说：
成千上万的创业公司在做社交软件，只有不到20家公司致力于核聚变。然而伟大的事情实际上更容易，因为飞向太空是每一个人的梦想。
梦想并不昂贵，但敢于梦想的勇气却是一件奢侈品。
延伸阅读：如何快速了解一个新东西
以 ChatGPT 为例，如何快速一周覆盖一个赛道的，班门弄斧、仅供参考。
1.遇到新的赛道、概念，首先第一步永远是先弄清楚实际的定义，即到底什么是 ChatGPT？所以我第一步是先看了一遍 ChatGPT 的 Wiki，里面有定义、信息、历史等核心信息。
2.定义弄明白之后是搜 Google（百度意义很低，可以忽略，还是要多用 Google，尤其是海外更领先的赛道），Google 一方面是看最新的一些新闻动向，另外是定向搜投资机构、知名博主的分析文章，比如 A16Z、红杉美国等（还可以搜这个领域最典型公司的创始人及背后投资机构的说法，比如在这个项目里就是 Sam Altman）。
这类热点话题这些机构肯定都已经有很多分析文章、博客、播客等内容，而且是经过筛选、处理以后的认知的输出总结，大概看 10 - 20 篇就差不多了，到这步其实最多就用一天的时间，就能具备超过国内大多数人的认知，国内能看到的信息大多是这个范畴内的信息的翻译、节选。
3.再下一步是搜微信公号、36kr、朋友圈、微信群，会发现有很多相关主题的文章，其中会遇到很多上面看过的英文文章的翻译，也偶尔会有些比较好的集中总结，看 36kr 则是希望能看到一些公司的融资新闻或其他国内投资人的总结（但 ChatGPT 类别太新，暂时没有很好的）。
在这步里，其实很考验你加过什么高质量的人，或者有没有一些比较活跃的群，如果有的话可以很容易在朋友圈找到不错的文章，或者在群里看到一些分享报告。
以上三条是我们所谓的次级研究，即可以不用和外界交流，纯粹自己花时间看就可以学习的东西，这些东西都做好，认知已经会超过市面上 80% 的人（因为绝大多数人不会真的坐下来花时间认真搜索和阅读）。
在这个之后我们自己应该已经对某个概念、赛道有足够的理解，形成了自己的认知和假设，并且了解市面上大概有哪些典型的公司在做，所以再之后主要是验证假设、和人交流的过程，目的是获取非市场化的信息、认知，完善自己的判断，以及对我们来说更重要的，找是否有落地、和参与到其中的机会，即有什么好的资产标的。
在这个时候，一定要要求自己总结出简单的认知，以及形成核心的判断和假设，并且有一个自己的问题清单，这样才能更好地进行下一步，初级研究，即与人交流的环节。
在这个阶段，我的一些基本认知是：
1.ChatGPT 是更领先于上一代文字生成图像等的技术，会有更大的想象空间，比之前的 Web3、metaverse 更有可能是 the next big thing。而未来 ChatGPT 相关的发展，可能可以理解成对人脑功能的 copy，而不只是局限于文字对话或其他的生成。
2.相关的产业链玩家包括底层的芯片、云服务商（基本无创业公司机会），以及上层的模型开发公司（如 OpenAI），还有终端的纯调用模型的应用开发公司。此外要注意的是，这里有一类公司是只做模型，有一类是只做应用，还有一类是自己端到端、既做模型又做应用（比如 Web3和metaverse）。
3.底层模型开发的难度和成本都极高，国内哪怕是大公司也落后海外 2 年左右时间，而应用开发公司基于之前的了解，没有自己的核心壁垒和差异化，所以在这个阶段已经可以有个偏悲观的假设，即这个领域可能近期很难出现好的投资、创业机会。（如果是小的赛道和概念，其实到这步就差不多了，但因为 ChatGPT 极其性感，所以我们可以继续进行下去。）
4.但长期看，ChatGPT 很可能是一个对搜索引擎的颠覆，那自然可以推理出，也很可能是对抖音类似的推荐模型的颠覆。而且国内大概率会禁掉海外的公司，所以这个机会不是一个全球竞争的机会，而是充满了本土化的机会。
而在这个阶段，我的一些希望获得答案的问题或假设是：
1.国内到底有没有人在做大模型，是不是真的落后很多，落后多久，真的是两年吗？那这个机会是当下的机会，还是两年后的机会？如果类比移动互联网来说，现在是 2008 年的机会，还是 2010 年的机会，还是 2012 年的机会？
2.大模型这个东西最终国内到底谁能把这件事做出来，谁是最领先的，创业公司是否有机会？如果有的话，是最考验融资能力？技术能力？还是落地能力？还是什么？
3.大模型这件事是对现有应用和场景的改进和效率的提升，还是一个跨世代的机会，会不会未来所有的 App 都值得被重构？那这里到底是现有玩家的机会，还是新玩家的机会？
4.会是先做应用场景的公司最有机会，然后反向再去做技术，还是先做技术，再找应用场景，还是必须两个同时做？要抓住这波机会的发展路径到底是什么？会有公司能借鉴当初字节的路径，先做产品再积累技术实现弯道超车吗？
5.目前市面上到底有没有人探索出来更创新的应用场景和模式，我没想到的会不会已经有别人想到了？这个机会会不会是一个完全创新的新的交互模式？
6.最终大模型的能力会作为一个基础能力吗？这个能力会被开放和拉平吗？如果会的话，现在的大模型公司的价值会不会其实并不长远？
7.在大模型领域最终会出现类似 iOS 和 Android 这样的生态吗？
8.目前海外最主流、最内部的看法和典型应用场景到底是什么？为什么海外能有创业公司同时做大模型和应用的落地？
9.为什么国内这波会落后这么久，为什么国内的公司和新的创始人没有在更早的时候看到机会？
10.之前做 AIGC（人工智能自动生成内容）、SaaS、ToB、ToC 的公司怎么样了，之前的很多的 SaaS 公司会不会被颠覆，ChatGPT 带来的到底是更多的 ToB的机会，还是 ToC 的机会？先后顺序和时间轴会怎样？
在这个时候，如果你发现自己并没有问题，或者没有值得问的好的问题，那说明你的理解不够深入，还是要长期训练及逼迫自己思考，而这些问题大多来自于你之前对某个领域的理解和积累（对应和比较是最好的方式，比如去比较移动互联网时代的发展历程），和当下对于该领域核心症结和框架的理解。
基于这些认知和假设，后面我做了几件事（初级研究的过程）：
1.去知乎、即刻进行搜索，这个一方面能补齐认知，另外也能通过别人的回答和写的内容，去快速筛选出值得聊的业内人士，然后我通过知乎的问答发现有一个相关主题的圆桌，我大概一共给 7、8 个人发送了私信，其中有四个人加了我的微信，并且约了见面或线上的会议。
之所以有比较高的成功率，一方面是因为我在知乎平台有真实的资料和几十万的粉丝，另外也是因为我具体解释了我的目的、和我对这个领域现有的了解、认知（所以先进行最前面提到的几步是非常必要的，直接约人聊天一方面聊不出来东西，另一方面也很可能会让对方觉得是浪费时间），努力做到让对方觉得和我沟通是一个对等的过程，这个有点像申请留学“陶瓷”的过程。
另外这里也可以看出，经营自己的社交网站和个人 IP 是一个长期看很有收益的事情。
2.去找其他机构可能对这个领域有研究的投资人聊，比如之前看 AI 的、看 metaverse 的、投过 AIGC 公司的、以及比较活跃的美元基金投资人，一般这类的人也都会迅速覆盖这个赛道，而能否约到适合的值得交流的人，也取决于个人长期的积累。
3.去找相关的大厂的人聊，比如我约了百度投资的人、微软研究院的人、以及 Facebook 的高管等交流，其实还可以做的事情是去 linkedIn 等平台搜索 OpenAI 等美国公司的华人高管等，这个能给我带来更内部的大公司的视角，以及海外的一手信息。（我还试图寻找小米、字节、WPS 的相关的人聊，另外也还去问了 36kr 的人，结果被告知概念比较新，还没有人完全专注覆盖，此外也还在联系清华相关的领域实验室的教授或博士等。）
4.我还约了可能对这个领域有认知的、感兴趣的创业者交流，创业者的视角是很不一样的，尤其是历史上有成功经验的有思考的优秀的创业者，他们更多会从产品、业务、创业公司的机会等角度提供很多新的信息和认知。
这里举一个例子：