13. 人人都该学编程：「别学编程」的论调是种误导。当年从汇编语言转向高级语言时，人们也曾有过类似的担忧。AI 正让编程的门槛降低，未来更多岗位的人都应该掌握编程能力。
14. 领域知识让 AI 更好：对特定领域的深刻理解，能让你更好地运用 AI。艺术史学家能写出更好的图像提示。医生能塑造更好的健康 AI。创始人应该将领域知识与 AI 素养结合起来。
15. 产品经理现在是瓶颈：现在，新的制约因素不是工程，而是产品管理。吴恩达的某团队甚至建议将产品经理与工程师的配比调整为 2:1，以加速反馈和决策流程。
16. 工程师需要产品思维：具有产品直觉的工程师行动更快，开发出的产品更好。仅有技术能力是不够的，开发者同样需要深刻理解用户需求。
17. 以最快速度获取反馈：吴恩达推崇的速度层级（从最快到最慢）：内部 Dogfood （产品自测） -> 征求朋友意见 -> 询问陌生人 -> 向千名用户小规模发布 -> 进行全球 A/B 测试。创业者应尽快沿此路径向上攀登。
18. 深厚的 AI 知识仍是护城河：AI 素养尚未普及。那些真正理解 AI 技术原理的人依然拥有巨大优势——他们能以更智能、更高效、更自主的方式进行创新。
19. 炒作 ≠ 真相：警惕那些听起来令人印象深刻但主要用于筹款或提升地位的叙事。像 AGI、灭绝和无限智能这类术语，通常是炒作的信号，而非影响力的信号。
20. 安全关乎使用，而非技术本身：「AI 安全」这个概念常被误解。AI 就像电或火，本身无所谓好坏，取决于如何应用。安全关乎使用，而不是工具本身。
21. 唯一重要的是用户是否喜爱：不必过分纠结于模型成本或性能基准。唯一需要关心的问题是：你是否在创造一款用户真正喜爱并愿意持续使用的产品？
22. 教育 AI 仍在探索期：Kira Learning 等公司正在进行大量实验，但 AI 在教育领域的终局形态尚不明朗。我们仍处于转型的早期阶段。
23. 警惕「末日论」和「监管俘获」：对 AI 的过度恐惧正被用来为保护现有企业的法规辩护。要对那些有利于已掌权者的「AI 安全」叙事持怀疑态度。
Physical Intelligence 联创：Chelsea Finn
1. 机器人技术需要全栈思维：你不能只是将机器人技术添加到一个现有公司。你需要从零开始构建整个技术栈——数据、模型、部署。
2. 数据质量胜过数量：来自行业、YouTube 或模拟环境的海量数据集，往往缺乏多样性与真实性。正确、高质量的数据比规模更重要。
3. 最佳模式：预训练 + 微调：先在广泛的数据集上进行预训练，再利用约 1000 个高质量、场景一致的样本进行微调，这种方法能显著提升机器人性能。