本期对话的嘉宾是 Joon Sung Park（June），Simile 的联合创始人兼 CEO。在创办 Simile 之前，他是斯坦福的研究者，也是那个广为人知的「生成式智能体小镇」实验的作者——25 个 NPC 在小镇里生活、社交，并在情人节前夜自发办了一场派对。那场实验，正是 Simile 的起点。

那是 2023 年。我们当时有个想法：大语言模型常常被用来做简单任务，比如分类、简单的内容生成，但这些模型实际上有大得多的潜力。我们早期观察到：这些模型是在海量的人类行为数据上训练出来的——人们在网络上表达的情绪与观点。所以，如果你用合适的角度去「戳」它们，能从里面提取出大量真实的人类行为。另一个有意思的地方在于，它是与领域无关的。计算机科学界几十年来的文献里一直有一个愿景：创造具有泛化能力、真正能在任何环境中像人一样行事的智能体。也许我们在这里就遇到了这样一个机会。如果把这件事快进很多年，我们可能拥有的最具野心的愿景是什么？那就是创造一座小镇完整的、真实的生活体验。

我们建造了一座游戏小镇，在里面放进 25 个 NPC。这些角色真的会在早上醒来，做日常事务，去上班，建立人际关系。它们真的会记住彼此的互动、规划自己的一天。这次模拟设定在情人节前一天——你真的会看到这些智能体自发地聚到一起、策划派对、装饰咖啡馆。

那项工作有两个根本性贡献。其一，它是最早创造这类智能体的例子之一——当年这批智能体配备的是 GPT-3.5 的 text-davinci 模型，那时候我们还没有 ChatGPT。其二，记忆、规划与反思第一次被明确地作为架构的一部分呈现出来，成为「智能体工作流」里显式的组成部分。我们为什么会想到这一点？因为如果你让不止一个智能体待在一起，你会希望它们能记住彼此，不会每次碰到室友都说「嘿，很高兴认识你」。

当年的思路相当简单：语言模型非常擅长解析自然语言，所以我们把所有东西都放进 markdown 文本文件里——仅此而已。那套做法当时是管用的。但问题在于上下文窗口。即便今天窗口越变越大，智能体在小镇里能拥有的体验仍然极其庞大；如果带到我们所生活的现实世界，记忆量会非常惊人。于是问题变成：你如何理解这海量的记忆？

想象你一周里去买了五次煎蛋卷，你希望从中提炼出意义，而不是停留在「我买了五次煎蛋卷」。所以我们提出了「反思」：每隔一定的时间间隔——就像你洗澡时突然冒出来的念头——明确要求智能体取出自己的一堆记忆片段进行归纳：为什么这个星期吃煎蛋卷这么频繁？是真的很爱吃吗？慢慢地，它们会形成比事实更高层次的认知：哦，这个研究课题我其实相当投入，这也许跟我童年某些根本性的记忆有关。这实际上塑造了它们作为个体的样子。在创造有性格、对世界有自己立场的智能体这件事上，这最终变成一个非常有用的功能。

说得对。我们是一家在创造人类行为基础模型的公司。这个模型可以用来模拟个体、模拟亚群体，再往后，可以模拟整个生态系统，甚至整个市场。

今天的大语言模型公司，根本任务是创造超级理性的智能机器——擅长编程、自然科学和数学。而 Simile 对这些都不太关心。我们关心的是：如果一个人在这种情境下会犯错，我们希望我们的模型犯同样的错；我们希望模型以和人类相同的方式带有偏见。某种意义上，我们希望成为人们的表征——他们的价值观、偏好与品味的表征，是他们大脑中主观的那一半。那才是我们真正关心的。

言行之间的差距是真实存在的。网络数据本质上记录的是人们「说了什么」而不是「做了什么」，而今天的大语言模型主要在这种数据上训练。我们确实会收集大量行为数据：交易数据、观测数据，也会与客户、供应商合作收集。但我有一个比较尖锐的看法：观测性行为数据最擅长的，是帮你建立「观测到的东西」与「未来可能发生什么」之间的相关性——这对预测任务有用。可是在与这么多客户打交道之后，我的看法是——

想象你的星巴克：告诉他们星冰乐销量两个季度后要崩，并不能真正帮到他们。他们想知道的是：我们怎么才能阻止它？我们现在需要做些什么来改变未来？在那里，你真正需要的是因果机制，需要一个能对因果机制和反事实进行推理的模型。所以我们极为看重随机对照试验，做大量的 A/B 测试，让模型看到：想象人们做了这个而不是那个，他们的行为会如何实际地改变。这成了我们训练资产的核心部分。

数据对 Simile 确实是很重要的一块。我的核心论点是：对当代的 AI 公司而言，你需要一套有趣、并且能构成壁垒的数据策略。我们的数据收集挑战来自两个角度。第一是「找对人」。这一点与其他大语言模型公司不一样——我们不追逐专家级程序员、专家级科学家，我们找的是像我们一样的普通人，过着日常生活的普通人。但我们关心的是：他们是否具有代表性？我们的人群构成，是否真的和现实世界一致？

第二，是向这些人提出正确的问题。什么样的实验、什么样的问题，才能真正触及他们「是谁」的深层核心？我们在数据收集一开始，有时会问：给我们讲讲你人生的故事。你在哪里长大？哪些是你不得不去解决的最棘手的问题、不得不做出的决定？这些能让你对一个人了解很多。我们并不是要去预测未来，只是为了能够如此深入地钻研进去。

当然有价值。他们想知道的原因，正是为了能改变策略——这关系到他们真正需要调动多少资源去服务那个市场。但从根本上说，关键在反事实：假如我们想最大化自己作为公司的价值，需要做些什么，才能确保应对了市场的这一次下滑？我们所做的工作是关于「人」的：在某种情况下，你的消费者、你的人群会怎么做。当你想到这对 CVS 那样的大品牌意味着什么时，这个价值是极其巨大的。

我们试图构建的核心原语非常直接：你告诉我们你对哪个人群感兴趣，我们就去为他们建模。坦白讲，到目前为止这个领域的创新一直停留在工具层面——更好的调查工具、更好的访谈工具。而模拟从根本上讲是不同的东西：创造最具泛化能力的人类模型，大规模地表征人们的观点。我确实认为，模拟正在走向这样一种情境：创造出由许多彼此互动的个体构成的模拟，让你理解自己决策的所有下游影响。想象你有一款即将上市的新产品——你真的能模拟整个发布过程、观众可能如何反应、市场可能如何转变吗？

这也触动我体内科学家的那一面：模拟可以成为许多「棘手问题」的解药。像气候变化这样的问题，需要许多激励各异的利益相关方采取集体行动，困难就在于找到那个正确的均衡状态。我们真的能模拟这些决策过程吗？甚至能模拟「民主在什么条件下会失败」这样的事吗？这些正是模拟最终能够回答的那类问题。

《财富》500 强里的许多董事会成员和他们的高管团队主动找上门来。他们不少人来斯坦福看实验室里的演示，Smallville 的演示发布后他们都看到了。每个人都想：如果我们能像这样模拟一个市场，这会改变我们的运作方式。所以你能立刻感觉到那种产品市场契合。这推动我们去真正验证：我们的模拟不仅是一个有趣的演示，它还必须准确。我们花了大约一年时间证明：我们能创造出经过验证的人类模型，能在问卷、行为实验和真实环境中预测人们的行为——预测人们行为和态度的准确率，可以达到人们自己复现自己水平的 85%。我们在 2024 年底发布了这项工作，它真正开启了围绕合成样本库与模拟的这个领域。

在我看来会超过。部分原因在于，它确实能抬高我们所能回答的问题的上限。今天这个市场其实相当残破：如果我们发布这款产品、采取某项特定战略，或者你是一位科学家想跑一项研究——这些想法里可能只有 5% 能得到回答。剩下那 95% 我们从来不会去做实验：要么没有能力，尤其当事情发生在涌现尺度上；要么没有预算和时间。所以我们作为社会所做的许多决策，都建立在直觉之上。有时候它们是好的，但有时候会因为我们自己狭隘的经验而非常偏颇。模拟要做的，就是打开这层限制，让我们在不得不冲向真实世界之前，真正检验每一个假设。

让我最惊讶的是恰恰相反。我是 2025 年 6 月离开斯坦福的，当时我以为这个市场要过一两年才会对「模拟」热起来，所以计划先打好地基，到 2026 年底再激进发力。但我们经历的并非如此——客户移动得极其快，快到让我改变了对美国企业界的看法。在 CVS，我一直与一位叫 Shree 的领导者共事，他是他们的洞察副总裁，极具远见、极为勤奋。他们在日常工作中感受到的痛苦如此真实、尖锐程度远超我的想象，以至于当他们意识到市场上可能存在能解决其中一些痛点的答案时，即使实验预算之类推进得很慢，他们也愿意抛下一切来试用我们。我们看到世界上最大的一些客户以企业界的「闪电速度」行动——三个月内完成了签约。

对客户来说，速度和准确性，两者都要。今天有太多问题，他们是真的在靠直觉拍板。只要能获得某种证据、至少在方向上把他们引向正确的道路，他们就愿意试一试。我们最早拿下客户的方式之一，是第一次通话时他们手头恰好有一份大型咨询公司做出来的研究结论，他们去查我们的系统：「如果我们重新跑一遍，系统会怎么说？」然后我们预测出了那些原本要花三到六个月才能出结果的研究——只用了两分钟。那非常有说服力。

我看到市场正在朝这个方向走。我们的客户在 Simile 身上发现价值的方式之一，是避开那些可能让他们损失数亿美元的、极具破坏性的决策。所以这是「预防」，而不是「优化」。那种「这本来可能是一场彻头彻尾的灾难，会让我们损失五亿美元。我们跑了模拟，从而避免了它」——这想都不用想。对他们来说，这是一颗真正的止痛药。

我们之间确实有重叠：我们本质上都是对未来感兴趣的公司。但 Simile 的切入点在于，我们不只对「会发生什么」感兴趣，更关注「它会如何发生、为什么发生」。这也是最让客户感到振奋的价值主张：单纯预测是一回事，但你能不能真正展示出来：你的生态体系会经历哪些步骤才走向那个特定结果？你恰恰可以通过这些步骤去阻止它、或者促成它。这归根结底就是力量所在。

我认为确实如此，因为这里有一个数据飞轮：随着我们拿到越来越多的模拟结果，并对照现实中实际发生的情况，学习就不断发生。这也是我们早期合作伙伴获得的核心价值主张之一——在自己的商业场景里，它会变得越来越好。这有点像 AlphaGo：世界上每一天发生的活动和结果，其实都是另一局 AlphaGo，你可以用它来纠正模型——哪里错了、漏掉了什么、什么并没有发生。

确实会有这个问题。但与此同时，我认为模拟拥有更好的机制——世界就是我们的基准真值，我们就生活在真值世界之中。我们可以每一天都生成成千上万个假设，每个假设都映射到一个结局性陈述上：如果这件事发生了，我们就能据此判断模拟是对的还是错的。我们基本上每天都在观察这个世界，看哪些假设在什么时间点可以得到回答。然后我们就可以说：一个月过去了，我们生成了 100 万个假设，其中百分之几成真了。这是了解世界最好的方式。

算力当然是重要的一环，但我们的大量工作是让模拟更高效。初期的大量算力，用在技术的最初突破上——探索不同的训练方式、不同类型的数据集。一旦形成了自己的思路，就能很快让它变得高效。举个例子：现在有一个已经投入生产的模型，它过去运行的成本大约是现在的 100 倍。其中一部分改善，是因为我们找到了不同的建模方式——同样的奖励模型、同样的理念之下，换成了一种在推理时高效得多的方式。不过，大量投入确实花在寻找那个最初的思路上。

我职业生涯的起点是研究，研究者的工作就是为人类服务。我们对模拟这个领域的看法也是这样。眼下我们服务企业客户，原因有几个：其一，坦率地说，他们有预算，而且我们看到了清晰的产品市场契合；其二，这也是验证技术的绝佳方式——让反馈回路尽可能紧凑，我们才能知道模拟什么时候是对的、什么时候是错的，然后每天都在改进它。

我在斯坦福时有一位同事 Pat Hanrahan，Tableau 的创始人之一，拿过图灵奖。他给过我们一条建议：获得反馈最好的方式，就是让人们真的付钱给你。那是 Tableau 的核心哲学，我在 Simile 也看到了同样的道理。企业市场研究是眼下找到的切入点——那里有充足的预算、即时的产品市场契合。但长远来看，我希望这项技术能被社会其他成员使用，因为我们想服务的事情，从根本上讲是帮助人们做出更好的决策。

是有关联的。当一项模拟要回答的东西复杂得多——比如真正理解某个决策的所有下游影响，或者做一项覆盖全美的市场细分研究——那就贵得多。但恰恰是在这些模拟上，用户获得的 ROI 更高，因为如果做错了决策，这些恰恰是代价最沉重的决策。整个圈子都看到推理成本一路上涨，现在又有了思考型模型，一个问题要想上半天，把 token 烧到极限。我认为模拟可能成为这一趋势的下一个前沿。在我的愿景里存在这样一个世界：大约两三年后，我们会运行单个模拟会话——跑一次就要烧掉一两千万美元，但它会极其有价值，以至于人们愿意为它付出一亿美元。它的买家将是全球最大的企业，也会是政府或类似的机构，处在谱系最顶端的那种。

对我来说，这不太关乎「什么还无法模拟」，因为凡是我们要模拟的东西，我们其实都能做出最初的概念验证。但众所周知，AI 的核心挑战之一，恰恰是架起「概念验证」与「真正有价值、可产品化的技术」之间的桥梁。我们看到模拟世界正走向这样一种图景：创建极其复杂的多智能体模拟，或跑一项很长的研究，沿途串起许多不同的模拟步骤。这个领域正是从多智能体模拟起步的——当初做小镇实验时，本质上就是这个愿景。

有趣的是，我和 Michael、Percy 有时会玩一个叫「时光机游戏」的练习：如果我们造一台时光机去到十年后的未来，我们会看到的最疯狂的东西是什么？我们现在能不能就把它做出来？这正是当初做 Smallville 实验的动机。所以问题不是能不能做，而是：我们能评估这些模拟的有效性吗？能把它作为一套可扩展、可产品化的系统真正交付，让人们可以依赖它来做决策吗？那才是那道鸿沟——也是我们看到每天正在被弥合的东西。

第一点，团队必须平衡。我能给团队带来某些能力，但也有太多东西我并不懂。我原本是研究者，不是做企业销售的，所以我需要 Laney 来做联合创始人、主导那一块。让团队保持平衡、并且能看出团队哪里缺人——尤其随着规模扩张，新的缺口会不断冒出来——提前看到它们并确保把缺口补上，这是打造优秀团队的核心基本功之一。与此同时，让团队在价值观和严谨程度上保持一致也非常重要。

这里更适合用画家的类比。我以前是个画家，画人物的。人物画家里有一个不成文的秘密：你画谁其实不重要——画中人多少总会有点像画家本人，至少气质是相近的。我认为组建团队很像这样。在一支最好的团队里、在你深深在意的团队里，你真的应该能看见自己。

对我来说最重要的有两件事。第一：我们是不是成功的「共同因子」？人们会经历人生的不同阶段，每个阶段有不同的职业、不同的工作——他们是不是那个事物成功的原因？仔细端详的话，他们是不是那个共同因子？如果答案是肯定的，那说明两件事：他们有极强的责任感，是那种会走进来说「不管其他一切如何，我本人一定要让它成功」的人；同时也说明他们具备重塑自我的能力。以我的联合创始人 Michael Bernstein 为例：十年前读博时，他在众包、群体智慧领域开辟了自己的方向；随后转向了 AI 的不同分支；现在又进入生成式 AI 智能体与模拟。而每一步，你都能在他做的工作里看出「这非常 Michael」。那是一个很棒的信号。

第二件事，是我的高管和团队是否拥有两种本不该同时出现在一个人身上的「超能力」。任何专家通常只带一种，或者几种相互关联的超能力：一个出色的程序员恰好数学也很强，这很常见。我发现真正特别有说服力的情况是：一个人拥有两种彼此矛盾的超能力。我见到最多的典型，是最顶尖的 CMO——这样的人极少，一只手数得过来——他们对数据严谨得难以置信、方法极其科学，同时又具备创造性的艺术感和想象力。这两种是相对对立的心智方式。一旦你遇到了这样的人，那就是世界级的 CMO。

我的联合创始人之一 Laney，她很「偏执」。她是那种会坐到桌前说「除非我们今天把一切摊在桌上、做尽一切可能，否则我们会输、会落后」的人。但从长期看，她又是个「信徒」：从骨子里相信无论过程如何，我们一定能把它做成。同时平衡这两者相当困难：如果你短期偏执，你很可能对未来极度悲观——你也许擅长做空股票，但作为公司缔造者就不太行；而如果你是「信徒」型，你会自满，会觉得今天不必把一切押上，事情总会没事的。要平衡这两者，需要一个在某种意义上「破碎过」的人——他们不知怎么地找到了既能深度偏执、同时又无视今天这一切的方式：无视今天的偏执，去相信世界会变得非常美好。

完全属实。如今研究人才极度抢手，我有一些最亲近的同事和朋友，入职时总薪酬已经达到几千万美元的量级。而 Simile 对他们非常坦诚：我们做不到。不管融了多少个亿，要在基本工资上跟他们匹配，非常困难。不过，研究者最看重的其实是几样东西。他们看重愿景：这些人亲眼看着 OpenAI 从硅谷的笑柄，长成接近万亿美元市值的公司，也看着 Anthropic 走到同样的境地，所以他们从骨子里清楚：宏大有野心的愿景真的可以成真。他们也深深在意影响力：他们做的技术会带来什么样的社会影响？对他们来说是否真的有趣？

领导者的角色，一方面显然是招到出色的人，另一方面是提供一个平台，让每一位成员都能把他们的超能力发挥到最大程度。留住人是有挑战，但可以做到。作为研究者，我对过去六年的职业轨迹怀有一份小小的骄傲——博士生通常从一个项目跳到下一个项目，整个合作者名单都会换人；而我的所有核心团队成员在过去六年里都没有离开，我们一起从一个项目走到下一个项目。如今当我说「我想创立 Simile」时，我居然能说服 Michael 和 Percy——他们其实是我的博士导师——真的来和我一起干。一部分原因是，我们合作得实在太紧密，彼此之间有真正的信任。同时我也从根本上相信：向团队传达信心与信任、让他们觉得这件事一定会成，是我的职责。

我真正会看的，是他们对一个「问题」着迷，还是对「影响力」着迷。有些研究者高度聚焦于一个问题，被其中某个方面深深吸引，但很多时候那并不能成为一家好公司。但也有这样一类研究者：驱动他们的是他们能在世界上产生的影响力。对他们而言，这意味着要找到能真正触达人的问题、能真正产生营收的问题。你要找的，就是这一类研究者。

大约五个月前，我们完成了那轮一亿美元的融资。而紧接着，我们被内部投资人抢先追加了投资。我们的上一轮是 Shardul 主导、由 Index 领投的。Shardul 见过形形色色的市场，但他几乎从未见过这样的势头、这样的拉力。再加上我们正在取得的技术进展、以及还能调动大量算力进一步加速，这些都促使内部投资人想说「我们是不是现在多投点、比以后再投更好」。我们当时其实并没有打算在那个时点融资，但湾区有几支我特别敬重的团队，如果我们要融资，我很想跟他们聊聊。结果我发现，我心中排第一的其实就是 Greenoaks 的团队——他们一直在深入研究这个市场、研究所有玩家，本来就准备投资，只是在寻找合适的时机。于是我联系了他们：这就是这一轮，我们不搞竞标流程，如果你们有兴趣加入，给我们几天时间敲定。他们很兴奋，于是这轮融资就成形了：我们融了 2 亿美元，过去约六个月累计融资达到 3 亿美元。它给了我们非常可观的资本，去攻克这个雄心勃勃的建模挑战、壮大这支团队。

当然有过这种考虑，我们把它权衡清楚了。做模型确实需要算力，而这恰恰是这项研究里一个根本上有趣的地方：做研究，你未必能控制结果，但你能控制的是投入和过程。而我们正处在一个节点上：我们确实可以大幅提高投入——无论在数据上还是算力支出上——从而切实地加速这一进程。那时我们就觉得，这样做讲得通。

有两点。第一点，我原本对 VC 到底扮演什么角色相当怀疑。但如果你把对的人请进来，他们可以成为最出色的伙伴、非常强大的导师团。我从没经营过公司，这是第一次真正创立公司。我有大量做研究的技术经验，但日常工作中需要我做的太多事都是全新的。起初我和 Mike Volpi 合作——我们的种子轮是他领投，另一家基金 Aster 也共同帮忙领投——在我摸索前行时，他们真的成了我的核心导师。而且其实是 Mike 把我介绍给了 Laney，她在我后来思考业务时变得至关重要。有经验的 VC 见识足够多，确实能给出创始人原本不具备的建议。

第二点：事情总是比你预想的来得更快。刚进来时我脑子里有个模型：融了种子轮，大概一年后再融 A 轮，下一年再融 B 轮。而这一切在一年内都发生了。就「要不要投资你」的兴趣而言，市场总是比你所在的阶段领先一步。为那样的时刻做好准备，是有用的。

我确实认为市场有一部分相当虚热——大量资金涌入，大量兴奋情绪。而正因如此，我特别看重基本面。OpenAI、Anthropic 这类公司之所以成长起来，最有趣的一点在于它们有非常扎实的基本面可以描绘：模型正以这样的速度变强，有这样一种需求。其中一部分是能够预见的——我们在 Simile 也同样能真切看到。

我是一个对技术史深深着迷的人。今天在 AI 领域占据突出地位的，是我所说的「智能的 CPU」：一个规模庞大、极其聪明、能完成非常复杂推理任务的单一语言模型。而我看到即将到来的、并且模拟这个领域能够提供的，是「智能的 GPU」。正如我前面提到的，Simile 并不在意创造极其聪明、超级智能的机器。我们在意的是创造和我们一样聪明的模型——我在很多方面平平无奇，我要确保那个代表我的模型会以同样的方式犯错。而人最美妙的地方在于：作为个体，我们彼此如此多样，对世界有那么多不同的看法；而当他们作为庞大集体汇聚在一起时，能够涌现出的现象，是这个世界上能见到的最美妙的东西之一——它缔造了社会。我们能在模拟中复现这一切吗？

更疯狂的预言是：每个人都会拥有一个可复制的「数字分身」，在一个模拟的世界里像他们一样行动和表现。这里的愿景，再说一次，是「大规模的代表性」。我们作为社会，多年来找到了许多种代表成员的方式：有时是一种政府形式，有时是公司。但如果我们能创造一种产物，以更具扩展性、颗粒度更细的方式去代表每一个个体——那么，能在它的基础上生长出什么样的新政体、新公司？

也许将来 Simile 真的会养一支小规模的对冲基金呢，这是个很酷的想法。我们公司里，一些加入的成员确实有量化背景。不过他们加入，并不是想在 Simile 里开一家量化公司；他们加入，是因为看到 Simile 的愿景与他们的热情高度契合——去建模这个世界。放长远看，这确实是个有意思的想法。而且说实话，如果存在某种完美模拟器，那么世界上很多我们认定理所当然的事都会改变——其中可能就包括股票市场，那时它就不再是一个公平的市场了。

我们对所生活的世界普遍认定的一点是：要获得每个人的视角，从根本上是不可能的，因此我们需要这些人的「代表」来近似他们的观点。迄今为止，这在某些方面行得通，在另一些方面则失败了。我不认为这是我们未来必须承受的局限。我相信存在这样一个世界：我们可以真正创造出「一层」东西，成为我们社会、我们集体智慧的代表层。

我认为爱有不同的形态。就我个人而言，我有点浪漫主义——这其实呼应了我前面讲的「长期信徒」。我相信，爱——至少在人生里——会以更自然的方式自己找到归宿。我很在意遇见那个人的方式，也在意我们共同走过了一段旅程这个事实。一起经历事情、拥有共同的记忆——我认为那是我们建立信任的根本方式。寻找爱情，有点像和这个人「共同创立你的人生」。那么，你能不能找到一个过程，真正把对方带进共同生活的过程中？我确实认为这很重要。

快问快答

人选太多了。但我确实认为，那些更大的实验室里有些非常了不起的人，名字并不为人所知——因为他们在实验室工作、又不发表论文。他们中间真的有极其杰出的人。

那些新实验室——如果没有清晰的愿景说清他们将如何影响世界——我真的认为它们存在风险，最终会变成有趣的研究项目，而不是一家能存续的公司。

我打心底相信，未来的 AI 公司必须拥有有趣的数据战略：你能不能触达别人触达不到的数据？你知不知道如何采集极难采集的数据？当你看到这样的机会时——我现在就会投。除此之外，机器人也算一个显然已经具备这种条件的地方，当然那里已经有大量资金涌入。我还认为推理层、以及芯片层——硬件——非常有意思，那是一个极难切入的领域。不过最近有几支团队做得出色得令人赞叹，比如最近结束隐身状态的 Edged，我想他们会很令人兴奋。

这是个很暖的问题。我是一个在整个职业生涯中都需要大量帮助的人。大学毕业时我搬到了帕洛阿尔托，住在一个车库里。我没有工作，因为我在试图经营一家没做出名堂的创业公司。那是一段我真正感到迷失的日子。我能嗅到空气中 AI 浪潮即将到来，我意识到：如果你想当冲浪者，你得有浪可冲。而我想确保当浪潮真正到来时，我会在那里骑上它，并且从一开始就帮助造出这道浪。

但我没有研究背景——我本科期间没做过任何研究，如果你申请读博又没有研究经历，那会非常难。所以我给一群人发了消息，其中有一位斯坦福的教授 Mary Waters。她碰巧和我毕业于同一所大学，她回复了我。我至今不知道为什么，我想那纯粹出于善意。她非常慷慨地陪了我整整一个上午，跟我讲该如何思考 AI 领域、思考研究，还把我引荐给了最初的一批人。对他们来说，这绝不是一个理所当然的选择。我真的不觉得自己配得上，但那正是他们下的赌注——纯粹是出于他们自己的善意。我非常感激他们那么做了。

从量化基金到模拟世界，再到爱情，这场对话拐了许多道弯。但回到最初：Simile 想做的，始终是那件简单又宏大的事——让每一个人的声音，都能在每一个决策的房间里被听见。