本期嘉宾 Elizabeth Stone，Netflix 的产品与技术负责人（Product and Technology Officer），统管工程、产品与数据科学。这是她第二次做客《非共识进化论》——上一次（当时她还是 CTO）的那期对谈，在很长一段时间里都是栏目最受欢迎的几期之一。两年半过去，AI 从刚刚冒头变成了重塑一切，她对“接下来什么值得关注”的判断，值得完整听完。

确实听到过。我觉得，每当一项新技术出现，尤其是像生成式 AI 这样具有变革性的技术，你会先经历一个震荡期，然后才进入事物的形成期，我认为我们现在正处在其中。我不认为这意味着我们应该把 AI 重新装回盒子里、说“我们别用它了”，因为这确实在让我们对自身角色的一切先入之见变得复杂。但我确实认为，这意味着我们必须更用心地思考：如何在降低成本的同时拿到收益。人们在尝试这些事情是件好事：我怎样才能更快地发展一个想法、做出一个想法的原型、拼出一套初始代码好让我们能测试它。但我是否因此就相信任何人都可以把代码发布到生产环境、每个人都真的应该什么都做？大概不是。不过我认为，人们去探索什么是可能的，这本身是好的。

把产品团队和技术团队放在一起的好处在于：如果业务问题是清晰的，那么人们所扮演的角色有一定的流动性，我认为这是可以的、也是健康的——因为这样一来，产品与设计人员不必等着工程团队准备好才能把某个东西做成原型，他们可以推进得更快；但他们仍然应该和工程伙伴一起，想清楚我们应该如何把它产品化、如何做规模化、需要设置哪些护栏。所以我不认为这会让职能专长变得过时，我认为这意味着团队要更适应这一点。为了让这一切更连贯、少一些挫败感，有几样必须具备的东西，好让我们拿到收益而不是付出代价：明确 source of truth 数据；在把代码发布到生产环境或做出较大改动之前设置护栏与测试；思考在哪些场景下我们可以信任 AI 的输出，又在哪些场景下我们应该有一套流程或评审来校验结果质量；以及反复强调一件事——人类依然要为所发生的结果负责。代码可能是某个智能体写的，或者我参与做了一项并不属于我专业背景的分析，但这并不会让人们摆脱对自己所创造之物应负的责任。

与几年前相比，PM、设计师和数据科学家现在能够在产品开发生命周期中走得更远，才真正需要工程团队冲到最前面去打通那些卡点。我说这话是带点保留的：如果这些原型并不是瞄准“这是业务上需要解决的重要问题”，那我并不认为突然冒出成千上万个原型是件好事。工程伙伴要知道我们在解决什么问题，设计师和 PM 要带头把想法塑造出来——这不是在真空中工作，也不是把一大把意大利面甩到墙上看看哪根能粘住。但当问题是对的、并且以有思考的方式推进时，我看到产品、设计、数据科学确实能更快地朝着“让我们先做出一个可测试的东西”前进。

另一件非常有价值的事：Netflix 的虚拟墙内流动着大量信息。我们有几十年来跑过的实验，有来自用户研究人员的洞察，有来自业务各处利益相关方的输入——而如何充分利用这段漫长的知识与经验积累，把它应用到当下的问题上，一直是个真正的挑战。而 AI 在提炼信息、横向扫视一大堆材料、围绕它做分析、直抵核心并给出“这里有一些可以作为起点的洞察”这些方面，非常强大。我会对完全依赖它有所保留，但我认为这是一个先手优势。即便在我自己的日常工作中也是如此：我不再需要发一封邮件去打断某个人，问“提醒我一下，我们哪一年做过什么研究？”——我现在几乎可以瞬间就找到答案，然后形成我自己的判断，已经跳过了几个步骤，直接到了“这里面有什么可以行动的东西吗”这一层。对我们来说一个很大的解锁是：坐在财务、内容和广告部门的业务相关方同样可以做到这一点，然后带着一个初步假设回来，在他们希望更深入协作的地方继续推进。

但我仍然看到各自的比较优势。数据科学家依然会是这些方面的专家：我们能信任这份数据吗？我们的解读方式对吗？这里哪些该靠数据、哪些该靠判断？PM 依然会非常擅长提出这样的问题：我们真的把“要做什么”——也就是我们正在解决的问题——界定对了吗？工程师依然保有一门技艺，围绕着：这个东西怎么扩展？高质量是什么样子？基于我们构建和部署的方式，它会给我们带来什么问题？比较优势的内核还在，只是说，我们现在能在很多原本会被卡住的步骤上更流动地推进。

我仍然看到各学科中存在一种非常重要的技艺上的卓越，即便跨职能的工作出现了流动或模糊，我也不认为它在短期内会消失。你依然需要有人来确保我们所做的事情是有意义的，我们在以对 Netflix 会员或业务相关方最好的方式解决正确的问题。而且，当我跟一位工程师、一位数据科学家、一位设计师交谈时——是的，他们现在比以前会说更多种“语言”，因为他们有了这些 AI 工具的加持——但仍然存在某种不可替代的东西，那就是他们关于这门技艺、关于“什么算好”的思考方式。而且我觉得这在各个层级上都成立。是的，我依然觉得优秀的工程能力是稀缺的，优秀的数据科学是稀缺的，出色的创造力是稀缺的。

我不确定它是否与职能划分严格对应，但我可以告诉你我们看到什么在变多：在一个有 AI 的世界里，我们需要更多系统思考者——这在不同职能上表现略有不同。第一个例子是 Netflix 的核心基础设施团队、也就是中央工程部门。Netflix 长期成功的一大原因在于：带着具体业务问题的本地团队可以快速推进、交付成果，他们常常并不觉得自己需要走一条中央铺好的路，而是自己搭建解决问题所需的技术栈。而在 AI 的世界里，智能体要跨多个系统运作、需要 source of truth 数据，这时拥有“推荐铺就的路径”就变得重要——它能带来最大的收益，同时产生一些护栏。通用的基础设施、通用的铺路方案、用一套核心能力把问题解决一次，这些都变得更重要了。所以我们在招更多这样的人：他们能横向审视所有业务领域，并把它抽象成“这就是我们在 AI 世界里将需要的构建模块”。让 Netflix 走到今天的东西，不会把 Netflix 带到那里；为了在未来快速前进，我们将必须拥有一套更强大的基础设施。这意味着工程人才的画像更偏向分布式系统、更偏向基础设施、更偏向系统思考的思维方式，而不只是本地业务专长。当然，我们仍然有人在个性化推荐、广告、内容分发上钻研很深。

再举一个例子，比如设计：极其重要的是，我们的体验设计团队要开发模板——同样也是系统思考——定义在 Netflix 出色的用户设计应该是什么样子。这样他们就能通过培训赋能很多人，包括那些不是设计师的人，去开发连贯一致、能融入最终会员体验的产品。如果出现不同的设计语言、不同类型的用户交互，最后基本上就是发布了一个弗兰肯斯坦式的怪物，这让我非常紧张。所以这里有一种“退后一步去看全局”的动作，我认为这在每一个职能中都在发生，这需要现有团队做一定程度的技能重新定向，也需要招入具备这类专长的人。贯穿这一切的，是一次思维方式的转变：我们不会招那些对探索、尝试新事物不兴奋的人，不会招那些不理解“很多东西都在变”并且在这种模糊性中感到不自在的人。那种好奇心、创新思维，从来没有像现在这样重要过。

我觉得大概是因为速度。平台确实有杠杆效应上的好处：无论有没有 AI，平台都有机会让大多数团队走完 80% 的路，然后他们就不必重新发明那些构建模块——我们在整个业务上下了更多赌注，要构建的东西更多了。对 Netflix 来说，把平台视为一个真正关键的赋能因素，是相对更晚近才有的想法。在 AI 的世界里，还需要有一种“脚手架”的感觉：有更多人在做更多不同类型的工作，随之而来的是风险——你怎么考虑访问与身份问题？安全？高频发布的同时还能有高质量的代码、设计和用户体验？如果让每一个正在做东西的人都自己去搞清楚“这里的‘好’长什么样、应该记住哪些边界或护栏”，这种方式是没法规模化的。我们需要把这些编码进我们的 paved paths（铺好的路）和工作方式里。一个拥有几千人的组织，不能再依赖部落知识，不能再靠“我要去找那个唯一懂这件事的人”。这在 AI 之前就是个挑战，有了 AI 是个更紧迫的挑战。

我们在 Netflix 的一个愿景是：将会有非常多的智能体参与完成工作，以至于你需要能够在其中进行推理和梳理。人类是那个引导“我们需要解决什么问题”的人，但工作将由人类和智能体共同完成。这带来了速度和收益，也带来了风险——我们要搞清楚如何管理这件事，既能让人们快速推进，又不会给公司带来不当的负面影响或风险。

对此我心情比较复杂。我们确实希望通过基础设施和系统思考，让更多人做出优秀的工作，其中也包含强设计——为什么不抓住新技术提供的这个机会呢？但对于我们最重要的优先级事项，设计对于以正确的方式解决问题至关重要，所以我们仍然会为重要的设计工作腾出时间。它可以推进得更快：设计师自己的工具箱里有更多工具，能以更快的速度做出惊艳的工作、展示更多方案、更快地学习、迭代、测试。但我认为，如果说设计和深度的设计专长与思考会被挤掉，仅仅因为我们写代码更快了、做数据分析更快了，那会是个错误。至少对于 Netflix 这样大规模的消费级产品，我们会失去让 Netflix 变优秀的东西之一，也就是产品、技术和设计把大量复杂性隐藏起来，带来无缝的顾客体验。这是一种设计思维，必须是它的核心。工作本身可能看起来不一样了，但我不认为我们会丢掉这种思维。

非常窄而深的专精时代，在我看来局限更明显了。我能举出我们仍然需要它的例子，因为某些行业或技术上的专长，全世界只有少数人真正知道它怎么运作——我们团队里就有这样的例子，比如编码（encoding），或者我们的播放系统怎么工作，这些对 Netflix 来说极其创新和新颖，我仍然相信我们在这些领域需要专精的从业者。但作为一般规律，相比五到十年前，我相信我们的专精人才会更少，而通才、或者能在多个方向适应的人会更多——这种适应可以是跨职能专长的适应，也可以是跨工程领域的适应，比如我能不能同时驾驭后端和前端系统？我认为现在的心态需要是“我能很快学会这个”，这又回到了系统思考。专精人才可以比过去更容易地学会掌握更广泛的工具，所以也许我们的人数需求更少了。

而当你说专精人才——也可能是某个领域知识的组合：我是深度的支付专家、广告 marketplace 设计专家、某个影视制作在用的非常具体的工具的专家。所以专精和主题专长是一种优势，前提是这个人愿意成长和延伸，去思考：这真的还是解决这个问题的正确工具或正确方式吗？从工程角度看技术栈的各层，那里的专精更少了；而那些不太可能静止不变的工具，我们希望有能够创新和想象“它的未来版本是什么样”的人。

对于你试图解决的每一个问题，向外跳出一格，问一句：关于当今更宏观的领域，我默认成立的是什么？比如我接到一个任务，要为 Netflix 会员体验开发某个新功能。让我先停一下，想想我们要解决的更大的消费者问题是什么？这个功能将要支持的内容类型是什么？我原本打算的构建方式，在跨多种内容类型扩展时还说得通吗？或者它可能是某种能力，之后被贡献给来自多个领域的平台能力集合？我用这个功能解决的消费者问题，会不会是 Netflix 未来需要解决的最重要的消费者问题之一？这些都是你不必把整个海洋煮沸的问题——你不必去解决 Netflix 的整体战略。但你拿起你负责的那件事，只对你正在解决的问题做一次拉远视角，然后质疑它。我不会在质疑状态里待太久，因为那样你就卡住了，就没有往前推进。但这能帮助人们以系统的方式思考，并去质疑：我们是不是在用正确的方式解决正确的问题，而且是真正重要的问题。

另一种理解方式是：想想如果你是你的经理，他们会怎么想？他们的视角跨越的不只是你这一个团队、一个问题、一个 KPI，而是更大的图景。多年来我得到过类似的建议：有没有什么方式让我做自己的工作，能帮到我的经理做他们的工作？对工程师来说，去想：我怎么留下一个更好的系统版本？我怎么去考虑那个对他人来说高质量、可扩展的东西？既有“我怎么帮我的经理”，也有“我怎么帮我的同事”，而这是我们一些工程原则的核心：做对更广泛组织正确的事，而不只是对你局部正确的事。所以这不只是资历，而是解决问题和构建东西的方式的广度。让你经理的日子更轻松，在职业上永远是个好策略。

我们到目前为止的做法是，不去试图在每个层级上精确阐明 AI 如何改变那些期望，而是在 Netflix 的所有人才上叠加一层：对 AI fluency（AI 熟练度） 的期望——它长什么样会因职能而异、因职业阶段而异。这是个很难定义的东西：它是指我有实验的心态吗？是指我知道 AI 在哪里有用、在哪里没用吗？是指我真的用 AI 做过东西吗？它在职业阶梯里的呈现方式几乎每个季度都在演变，因为技术本身发展得太快了。所以最有用的做法不是把它做成特定职级或特定角色的要求，而是把所有人推向对 AI 熟练度的期望——这并不意味着为了技术而用技术，而是在有用的地方用技术，对此要有良好的判断，并且要有开放的心态去探索和尝试新东西。这是所有角色的硬性要求（non-negotiable），而且在 Netflix 最资深的层级也是如此：我们这些最资深的人也需要对 AI 有深度的熟练度，即使我们日常工作里不写代码。这也体现在招聘实践里：在面试中要自在地去探查人们是怎么思考 AI 或技术的；甚至像编码面试这类事情，也允许候选人使用 AI 工具，因为那现在已经是工作所需的一部分了。我怀疑这不是一个已经完成的转变，我们正处在其中。

我想到两个。第一个是数据分析、信息提炼、建模——用这些工具去掌控我们拥有的所有洞察：我们跑过哪些实验？对于某个问题我应该看哪些指标？我们做过哪些消费者研究？这块的效率要高得多，质量也高得多，前提是你得检查结果是否有效，要和你本地的数据科学家一起确认是不是在用唯一可信来源的数据。就我个人而言，我会说我最常用这些工具做的就是这件事——它超出了原型开发和编码，延伸到一般的分析性思考，以及把数据转化为行动和洞察。

第二个是在业务的内容制作／创作部分，那里有很多应用。在 gen AI 之前就是这样：ML 和 AI 在很多制作工具里被深度使用，我们用它们来思考如何大规模制作宣传资产，如何在字幕和配音上做本地化。gen AI 在创意构思方面的影响是一个很大的阶跃：我们把那些叫做 previsualization（预演）——在你真正把人带到片场、开始实际走制作流程之前，就把创作者的愿景呈现出来。后期制作里也有很多用例：我们最近收购了一家公司 Inner Positive，是 Ben Affleck 创立的，它构建了一套模型和能力，让你在拍完东西之后可以重新打光、重新构图、重拍、改对白，对获得更高质量的内容非常有效，而整个过程仍然由电影人或创作者主导。再往下，内容如何进入产品：本地化、字幕和配音，还有如何制作高质量的预告片、图片、大规模的艺术图（artwork），帮助作品在全球找到它们的观众——这些在思考 AI 的影响时都是巨大的杠杆。而且你可以想象，就像它们适用于影视的片场制作一样，它们也适用于广告、营销、campaign。这些都是我们在探索的领域。

经常有人问 Netflix 怎么看待 AI，最好提醒大家正是这一点：这对我们来说不是新东西。尤其是对于个性化，它一直是向会员提供优质体验的核心。我们不可能穷尽我们所拥有的内容广度，内容只会越来越多，而让发现变得越来越容易，是 Netflix 面临的挑战之一。使用 AI 和 ML 一直是做到这一点的方式：你想要在正确的时刻为正确的人个性化正确的作品。这个问题会随着内容库越来越精彩、广度越来越大而变得更难——不只是电影和剧集，还有游戏、直播和播客。所以我们可以借鉴大量那段历史，然后说：现在技术更强大了，我们要怎么解决这个问题？这给了我们一个起跑上的领先优势。

公司创意侧的情况也是一样：AI 和 ML 很久以前就已经用在视觉特效、语言本地化这类事情上。我们会问，当技术变得更强大，它的下一个时代是什么？在这两种情况下，最终都依托于 Netflix 的一项优势：把娱乐和技术结合在一起。那时候它叫机器学习，AI 那边的人会说这不是 AI；然后突然之间什么都可以叫 AI，其中有些其实就是机器学习——这取决于当下流行用什么词。总的来说，Netflix 在使用一整套广泛的技术，并且对这些可能性充满兴奋，这应该不会让任何人意外。即便 Netflix 并没有被贴上 AI 公司的标签，AI 也是我们非常得心应手的一个工具。

大家最后都走到了同一个地方，而这正是 Netflix 一直以来的位置。它在理解什么能让人才变得非凡这件事上有点先见之明。我一直把 Netflix 文化的这些方面理解为——这话听起来有点书呆子气——把卓越当成一套操作系统。所有这些文化要素本身不是最终目标，并不是说“我们就确保人们承担尽可能多的责任吧”。它背后是一种非常坚定的观点：你要达到卓越，就要给人们很大的主动权和问责，就要把决策尽可能推到组织的最深处，就要招到那些可以信任其判断力的优秀人才。这最终会推动非凡的结果，还带来更多的动力和责任感——团队里的每个人都能感觉到，我被交给了很多钥匙。当你承载着这种级别的信任和责任时，你就会想做出自己最好的工作。当你拥有优秀的人才，并且给他们做出最好工作的空间，不去微观管理、也不把它淹没在流程里，你实际上会得到好得多的结果。新时代的这些公司正在抓住某种我们非常熟悉的东西。文化不是静态的事，需要随着公司变大而成长演进，但“我们追求卓越”的理念没有变，它一直是我们的一项独门配方。

人才密度是那个不可妥协的东西，你必须从它开始。如果没有它，你就无法做到对组织各个层级的决策都有信心，也就无法让人们敢于冒险、快速创新。这是 Netflix 文化中卓越的一个很大的组成部分：对承担风险非常坦然。我们不会去试图避免失败，我们会在失败发生时快速恢复。我们进军直播就是一个极好的例子：坦然承担巨大的风险，知道它不会完美，知道我们会快速学习并且因此变得更好——看到团队怎么一路走过来的，我从来没有比那一刻更自豪。

你还必须非常清楚地知道，你所做的事情是在为消费者和 Netflix 推动结果——Netflix 的会员是重要的，这不是关乎我个人的成功，也不是关乎我更喜欢什么。所以有一种无私，是这套卓越操作系统的一部分。

然后另一点：这里面有些事情对人类来说其实相当反本能。比如，肯定有些日子我看到正在做出的决定，会觉得我可能会做一个不同的决定——但我的工作，尤其是在 Netflix 的文化里，不是在这些情况里的每一次都插手、去推翻、否决。尤其是当这件事无关紧要、不会把整个地方烧掉的时候：让人们去做那个决定，从中学习，然后再去追问复盘。我自己就感受过这一点，我的老板和同僚会说：这是你的决定，我可以提供意见、可以帮你头脑风暴，但最终它是你的。当风险很高时，让人们去拥抱风险会让人不舒服，这真的不是自然而然就能做到的。

这是另一件反本能的事：不要以为流程能解决问题。当规划很困难的时候，我从来没有听谁说过“我们找到了完美的规划方式”。但每次我们看到这种情况然后加更多的流程，我们花的时间更多，却没有得到更好的结果。每个人的倾向都是，你以为通过加上一大堆约束就能把问题简化，但这其实违背了——有没有更有创造力的方式去做规划、去做人的决策、去做优先级决策，从而真正把我们带到更好的结果上？这是在抵抗那些更大的公司通常会做的事，而且要非常经常地在这种不适中保持坦然。

有人搞砸了，标准动作就是：出问题的地方是什么？加个流程。但你得抵抗这种冲动，因为那会让事情变慢，而最优秀的人不想在一个到处都是清单和流程关卡的地方工作。最优秀的人想要知道的是，这里会有一个不追责的复盘，他们会感到一种强烈的个人责任感：我怎么确保这种事不再发生？不是靠流程，而是——我怎么分享这些经验教训？我怎么换一种工作方式？当你信任人们去进行这些反思、学习和成长，随着时间推移你会得到好得多的结果，也会得到一支强得多的团队。你是在培养一支有韧性、能持久、知道怎么产生巨大影响力的团队，而不是试图控制一切。

它依然是文化的核心部分。它常常被引用成那样一种时刻：你决定让某个人离开，因为他不适合这个角色。但它同样经常被用来展开另外一种对话——关于某个人有多出色。切入点是我对我的某位下属说，或者他们对我说：我在你的留任测试里表现怎么样？而绝大多数时候，我的回答是：我会拼了命地留住你。然后一条条说，你在哪些事情上做得特别好，你的优势是什么，你在哪些地方产生了很大的影响力，这里是你还可以变得更好的地方。所以它是一个通向一段非常积极、非常鼓舞人心的对话的入口。当然也有更难的情况：我现在没有通过——那就伴随着反馈，以及那些里程碑是什么？或者我们真的努力过了，而我看不到通往成功的路径。我喜欢它的一点是，它在反馈和跟进进展方面是一种很好的卫生习惯，有时候会逼着你进行一场艰难的对话，而不是回避它。要留住优秀的人才，你确实需要说出来“你做得很棒”——这是让人们感到被认可、被重视的重要部分，它不只有负面的那一面。

补充解释一下这个概念：Netflix 文化的一部分在于，当你有人向你汇报时，你应该一直在想——如果以我今天对这个人的了解，我还会重新雇用这个人吗？如果不会，那我可能就应该让他离开。用意是保持那条很高的标准线，永远不要就这么将就。它有一个对应的说法：如果这个人今天来跟我说他要走了，我会不会拼命留住他？还是说我的感觉是一种如释重负——那我早就该采取行动，更早进行那场对话了。要维持这些事，你得做很多让人不舒服的事：留任测试是其中之一，维持人才密度、在领导者之间保持上下文而不是控制、高度对齐但松散耦合——轻量流程。所有这些事情都不是人类或者大规模组织倾向于去做的事，所以需要持续的自律，去维持那个让 Netflix 成为一个特别的地方的东西。

我们在人才上一直都有很多竞争，也许现在感觉更明显，但我们团队里有很棒的人才——新招进来的、待了很多年的老员工，我总是被团队正在做的工作打动。我不觉得我们遭受了损失，也不觉得别的公司把所有优秀的人都吸走了，因为我觉得他们当中有很多人就坐在 Netflix。确实感觉我们必须更加明确地说出，哪一类人和哪一类人才在 Netflix 更容易茁壮成长，而不是在其他公司：在 Netflix 的人，必须对技术的应用、对用产品去解决某一类问题充满热情。你必须热爱娱乐，必须热爱大规模的消费级产品，必须热爱它的全球性。有很多非常有才华的人就热爱这个交汇点——技术、产品和娱乐之间，我也是其中之一。反过来，如果你是被前沿模型公司正在做的基础性工作所激励的，那是另一种人设、另一片问题空间。但对技术的应用感到非常兴奋、并且能看到它和自己热爱且每天都在用的东西之间联系的人，并不短缺。

我们仍然在招初级人才，他们对我们的人才战略非常重要。我们依然有实习生项目，依然有应届生项目——几年前我们才新设立的，在那之前我们在所有职能上都只招经验更丰富的人才。现在我们确实会从本科和研究生项目里直接招人，而且会继续这么做。更年轻的人心态更开放，他们对 Netflix 这样的公司里一些新的工作方式更原生、更自然，对娱乐正在怎么变化、消费者行为正在怎么变化也非常熟悉——把这些带进团队里真的非常重要。这里既有“人设”的部分——作为一名刚毕业的工程师你是谁；也包括作为一个二十岁出头的人，你对世界有着极具价值的看法，并且能自在地面对世界正在发生变化这件事。

假设你进入这个岗位，手里拿着五年前根本不存在的 AI 工具——我想说，对手艺的精通依然非常重要。我要为我提交到生产环境的代码质量负责，为我正在构建的产品质量负责，为用户所体验到的东西负责——这些没有一样会消失。所以对更初级的人才，我们需要在“带教”上投入同样多的精力：告诉他们什么叫做“好”，告诉他们怎么用这些工具，但你依然要对结果是什么、产出的质量如何承担责任。我发现这种手艺上的卓越，到今天依然稀缺。这是个合理的担忧：如果我不再像以前那样必须亲自动手，那我要怎么获得这些东西？但你依然承担着审查代码、测试代码、能够诊断问题、知道一个好产品是什么样子的责任。能够判断这是不是一个卓越的产品，是一项非常稀缺的能力。可能需要改变的是我们培养和提升人才的方式。而且我可以保证，那些职业生涯早期的人才，也会教像我这样的老家伙很多新东西——这是双向的。

能用 Python 或 C++ 这样的特定语言写出一行行代码，和理解代码、计算机系统、产品是如何运作的，这两者之间是有区别的。而我认为后者不会消失。因为如果我们完全信任智能体去掌握所有语言、写所有代码，那我们就不会知道某个东西为什么是这样：它是个好产品还是坏产品？它是否像我们预期的那样在工作？当它不像预期那样工作时——我们承担了很多风险，我们快速失败、快速恢复，这需要理解这些系统是如何运作的。我可能会用一个智能体来帮我理解这些东西、帮我更快地发现异常、做分类排查，但我仍然需要一种熟练度：我们正在建的这个东西到底是什么，它是怎么运作的，这样我才能知道它是不是好的，也知道怎么去修它。我确实希望这一点不要消失，因为这就好比我们如何通过我们构建的东西让世界变得更好——这需要对我们所构建的东西有一定的理解。

而且说实话，去看这些模型或智能体写出来的代码，它们非常难读懂——就像我知道我从这个上面得到了更好的性能，但我完全不知道为什么；如果这个东西坏了，我根本不知道怎么修。这让我很不舒服。也许是因为我还在那条学习曲线上。但随着时间的推移，工程会演变到对这件事感到自在，拥有熟练度，并且知道如何去引导新技术、智能体和新的能力，确保我们对产出感到非常踏实。

工程在大约两年里发生了多大的转变，确实让人震惊——过去你坐在 IDE 里写代码，现在你跟智能体对话、审查代码、一天发出 100 个 PR。但如果你回看过去十年或二十年，你也会说同样的话，就像电影制作：回看过去一百年，它已经因为我们带入其中的技术和新工具而变得难以置信地不同——只是感觉这个周期在加速。

这在 Netflix 已经在发生变化了，因为娱乐在未来不会只是一件事，而且现在已经不是一件事了。我们在产品供给上走出电影和电视之外，部分原因就在于：消费者期待着在格式、设备、一天中的不同时刻上有大得多的多样性。所以当我们去想新增的东西——手机端和电视端、云游戏、直播内容、播客，以及和更广泛的创作者群体合作——所有这些东西都拓宽了“娱乐是什么”的边界。我们要怎么向你呈现一段非常无缝的旅程：从我去听 Bill Simmons 的播客，到我去追 Quarterback，再到我去玩最新的 FIFA 云游戏——我希望这件事在电视上和手机上都能做，因为我现在在路上移动。这已经是我们正在构建进 Netflix 的一段旅程。娱乐的未来必须更个性化、更具沉浸感、更具互动性，带着这样一种感觉：这是一个我可以朝着很多不同方向去探索的世界。而 Netflix 面临的挑战是，我们必须让发现和参与变得比今天容易得多——我们有海量的内容，它可能让人感觉非常碎片化。

这个光谱非常宽。所以我们在 Netflix 的角色，是让创作者能够使用他们想用的任何工具，把他们的愿景变成现实。会有一些创作者或者电影人，态度是绝对不行、不要 AI——那不是我做制作的方式，这跟我的愿景不一致。这没关系，我们和这些创作者合作。也有另一些创作者，而且这个数量在增长，他们非常有兴趣去探索：这些生成式 AI 工具能不能做到一些以前做不到的事？我能不能用一种新的方式来讲一个故事？我能不能让这个故事质量更高、更能引起观众共鸣？我们也支持他们，而且我们支持所有处在中间地带的人。这对我们来说是一个非常重要的立场：娱乐不会只是一件事，也不会只有一种格式。这意味着我们在提供的工具上、在我们拥有的合作类型上都需要具备灵活性，并且真正持有一种“赋能创作者”的视角，而不是一种规定性的、我们只按这一种方式做事的视角。

我很难想象一种核心里没有人的娱乐——在故事的创作中有人参与，而我认为这是一项稀缺而宝贵的能力。讲故事和人性是一体的，还包括知道什么能打动人。所以我认为人类会是故事的一部分，会永远是故事的核心部分。看着屏幕上那些不具备这种人性的角色，对我来说就没那么有吸引力——讲故事真正的力量在于，看到另一个人，看他们如何演绎一个角色、如何把一种情感演绎出来，这是非常属于人的元素。AI 会不会帮助把这些变成现实，会不会在其中一些作品里扮演重要角色？是的，肯定会。但我看不到一种不以人为主干的版本。

有一句话，我认为是被错误地归到 Salman Rushdie 名下的：当一个孩子出生时，他们先要食物、水和庇护，然后他们会要求——给我讲个故事。这是一件追溯至时间开端的事情，讲故事一直是社群中关键的一部分，还有社交网络、人类的情感与连接。我很喜欢这样一个想法：技术可以放大它，并且可以用非常崭新、新奇、令人兴奋的方式把它带进现实。但如果说讲故事的中心不再有人性，那感觉就像缺了点什么。未来几年我们会看到一些非常野的东西出现，我敢肯定，其中很多可能非常有娱乐性。但会出现一个很宽的范围，而 Netflix 需要处在——塑造它、把它带进现实的中心，这也是我们的计划。

我想再强调一下——现在是做产品和做娱乐的一个非常令人兴奋的时刻：技术在发生变化，消费者在发生变化，娱乐本身在发生变化，我们正处在一个令人难以置信的高速创新期。这是让我留在 Netflix 的原因。我也认为，作为一个行业，我们有时候花太多时间去谈论纯粹的技术或者能力，然后有点见树不见林：我们是在努力打造人们喜爱的优秀消费产品，我们是在努力做出人们喜爱的优秀娱乐内容，这是我们最喜欢的事，我不想让它在这中间被丢掉。底下当然有非常了不起的技术和产品工作，但最终，最能给人使命感的是——我们给世界各地的人们带来了什么？消费级的新产品、新体验不是过剩，而是极度匮乏，成功者寥寥无几。Netflix 是少数稀有公司之一，持续地交付着很棒的消费产品和生意——我们会继续保持下去。

我得想一些跟上次说的不一样的书，但我还是很喜欢那种怀旧的好书。两本浮现在我脑海里：《Into Thin Air》，John Krakauer；还有《Liars’ Poker》，Michael Lewis——我以前在华尔街工作过，我喜欢提醒人们很久以前那是什么样子。

这个名单非常长。最近看的是《Remarkably Bright Creatures》，是我妈妈推荐之后看的。这是一部让人掉眼泪的作品——这就说到讲故事中属于人的那部分了。

对我的健康和身心状态至关重要：Eight Sleep。

我经常回到我父母在我很小的时候就灌输给我的那些东西。第一句：每天都会有好事发生，去留意它，哪怕是在压力最大的时候。第二句：最后那 5% 的努力，往往决定一切。

我和我丈夫在做一次旅行，在比赛的最后一周沿着 Tour de France 的路线骑行。环法总共三周，最后一周有很多山地赛段，所以我们每天早上可以骑行路线的一部分，然后下午看比赛。这可不是胆小的人能承受的——所以我在努力训练，这样我才能享受那些骑行，毕竟这应该是个假期。它不是比赛，但我不想落在队伍的最后面，所以我得有足够的体能来稳住自己。我很喜欢这跟我的工作差别有多大：它提供了一种很好的平衡，让我走到户外，给我一些很好的视角。

找到我、看到我们在做的一些工作，最好的地方其实是 Netflix tech blog，我们把很多今天讲到的东西都放在上面了。听众能帮上忙的：去试试我们推出的所有新东西——去看直播活动，玩那些游戏，去玩玩我们在手机端新推出的竖版视频流 Clips。给我们反馈，我们想把它做得更好。这些东西中有很多对我们来说是全新的、从 0 到 1 的尝试，所以我们正在努力尽快做到“好”，并且做到“卓越”。我很喜欢今天的作业是“去看 Netflix”——当然你也可以看别的东西，但我肯定更感兴趣的是，我们在 Netflix 可以怎么做得更好。