a16z Podcast
Summary & Insights
Can a five-second video be generated in just 1.5 seconds without sacrificing visual quality? This is the staggering efficiency gain achieved by FAL with their H3 Max model, a breakthrough that pushes generative video toward a “token market fit” where the cost and speed of creation finally align with the massive demand of professional creators. By combining open-weight models from Minimax with aggressive post-training and system-level optimizations, the team has moved past the theoretical “roofline” of hardware performance, making real-time AI video a tangible reality rather than a distant goal.
The conversation centers on the shift from simple text-to-video prompts to a high-control “director” workflow. While early AI video was often a lottery of results, the current focus has shifted toward extreme controllability—specifically through camera angle JSONs, lighting controls, and reference images. This precision is what has sparked a sudden surge in adoption within Hollywood and VFX houses. Professionals are now using “low-res” renders from tools like Blender as structural guides for AI models, essentially using the AI as a sophisticated skinning and rendering layer that offers near 100% control over the final scene.
Looking ahead, the boundary between static generation and live experience is blurring. The introduction of H3 Max Director allows for continuous video streams with memory that spans up to two minutes (and overall coherence for up to an hour), enabling users to “talk” to a video in real-time and see the scene evolve instantaneously. As the infrastructure evolves to support custom IP and US-hosted data residency for major studios, the expectation is a 10x to 100x increase in AI integration across professional film production in the coming months.
Surprising Insights
- The “Roofline” Breakthrough: Standard inference workloads typically utilize only 30-40% of a chip’s potential; FAL’s system-model co-design pushed this to 70-80%, enabling an order-of-magnitude speedup.
- Non-Linear Progress: Unlike LLMs, which show steady linear growth in intelligence, generative media evolves in “bursts” where base model quality, latency, and controllability all converge simultaneously to unlock new use cases.
- Hollywood’s Stealth Adoption: Despite public narratives about AI disrupting the industry, professional studio usage was nearly non-existent a year ago and is now the fastest-growing segment for the platform.
- Memory via Compressed Latents: The ability to maintain a continuous scene for 60 minutes is achieved through a hybrid system of compressed video memory for the last two minutes and an evolving system prompt for long-term structure.
Practical Takeaways
- Implement a Reference-Based Workflow: For those needing precise control, avoid relying solely on text prompts. Use a low-fidelity 3D render (e.g., from Blender) as a video reference to dictate motion and composition.
- Leverage Specialized LoRAs: Rather than trying to prompt a base model for every detail, use specialized fine-tunes (LoRAs) for specific needs like lip-syncing, consistent camera angles, or unique artistic styles.
- Optimize via Pipeline Decoupling: If building AI media apps, consider running different parts of the pipeline (prompt expansion, latent generation, and VAE decoding) on different hardware configurations to maximize efficiency.
- Focus on “Point Solutions”: When integrating AI into professional workflows, prioritize small, reliable tools (like a specific lighting or camera control) over “all-in-one” generators to ensure the 99.9% reliability required for production.
🛍️ Products & Resources Mentioned
- ⚡ DeviceNVIDIA GB200 (Blackwell) — Discussed as the next generation of chips that provide a 2-3x improvement in wall clock time for video generation.View on Amazon →
- 🛠️ GearBlender — Mentioned as a professional workflow tool used by Hollywood VFX artists to create low-resolution scenes for AI video reference.View on Amazon →
Liệu một video dài 5 giây có thể được tạo ra chỉ trong 1,5 giây mà không làm giảm chất lượng hình ảnh? Đây chính là mức tăng hiệu suất đáng kinh ngạc mà FAL đạt được với mô hình H3 Max, một bước đột phá đưa video tạo sinh tiến tới điểm “token market fit” – nơi chi phí và tốc độ tạo tác cuối cùng đã tương xứng với nhu cầu khổng lồ của các nhà sáng tạo chuyên nghiệp. Bằng cách kết hợp các mô hình open-weight từ Minimax với quá trình hậu huấn luyện (post-training) quyết liệt và tối ưu hóa cấp hệ thống, đội ngũ phát triển đã vượt qua “ngưỡng giới hạn” (roofline) lý thuyết về hiệu suất phần cứng, biến video AI thời gian thực thành hiện thực hữu hình thay vì là một mục tiêu xa vời.
Cuộc thảo luận tập trung vào sự chuyển dịch từ những câu lệnh (prompt) văn bản-sang-video đơn giản sang quy trình làm việc của một “đạo diễn” với khả năng kiểm soát cao. Trong khi video AI thời kỳ đầu thường giống như một trò chơi xổ số về kết quả, thì trọng tâm hiện nay đã chuyển sang khả năng kiểm soát cực hạn—cụ thể là thông qua các tệp JSON góc máy, điều khiển ánh sáng và hình ảnh tham chiếu. Chính độ chính xác này đã tạo ra sự bùng nổ trong việc áp dụng AI tại Hollywood và các studio VFX. Các chuyên gia hiện đang sử dụng các bản render “độ phân giải thấp” từ các công cụ như Blender để làm hướng dẫn cấu trúc cho các mô hình AI, về cơ bản là dùng AI như một lớp phủ (skinning) và render tinh vi, cho phép kiểm soát gần như 100% cảnh quay cuối cùng.
Nhìn về tương lai, ranh giới giữa tạo hình tĩnh và trải nghiệm trực tiếp đang dần mờ đi. Sự ra đời của H3 Max Director cho phép phát luồng video liên tục với bộ nhớ kéo dài tới hai phút (và tính nhất quán tổng thể lên đến một giờ), cho phép người dùng “trò chuyện” với video trong thời gian thực và thấy cảnh quay tiến triển tức thì. Khi cơ sở hạ tầng phát triển để hỗ trợ quyền sở hữu trí tuệ (IP) tùy chỉnh và lưu trữ dữ liệu tại Mỹ cho các studio lớn, dự kiến mức độ tích hợp AI trong sản xuất phim chuyên nghiệp sẽ tăng từ 10 đến 100 lần trong những tháng tới.
Những góc nhìn bất ngờ
- Đột phá về “Roofline”: Các khối lượng công việc suy luận (inference) tiêu chuẩn thường chỉ sử dụng 30-40% tiềm năng của chip; thiết kế đồng bộ hệ thống-mô hình của FAL đã đẩy con số này lên 70-80%, cho phép tăng tốc độ lên gấp nhiều lần.
- Tiến triển phi tuyến tính: Khác với LLM (mô hình ngôn ngữ lớn) vốn cho thấy sự tăng trưởng trí tuệ tuyến tính ổn định, phương tiện tạo sinh phát triển theo từng “đợt bùng nổ”, nơi chất lượng mô hình cơ sở, độ trễ và khả năng kiểm soát cùng hội tụ một lúc để mở ra những trường hợp sử dụng mới.
- Sự áp dụng thầm lặng của Hollywood: Bất chấp những luận điểm công khai về việc AI gây xáo trộn ngành công nghiệp, việc sử dụng trong các studio chuyên nghiệp gần như không tồn tại một năm trước, nhưng hiện nay lại là phân khúc tăng trưởng nhanh nhất trên nền tảng.
- Bộ nhớ thông qua Compressed Latents: Khả năng duy trì một cảnh quay liên tục trong 60 phút đạt được thông qua hệ thống hybrid: bộ nhớ video nén cho hai phút gần nhất và một hệ thống prompt tiến hóa cho cấu trúc dài hạn.
Bài học thực tiễn
- Triển khai quy trình làm việc dựa trên tham chiếu: Đối với những ai cần kiểm soát chính xác, hãy tránh việc chỉ dựa vào các câu lệnh văn bản. Hãy sử dụng bản render 3D độ phân giải thấp (ví dụ từ Blender) làm video tham chiếu để định hướng chuyển động và bố cục.
- Tận dụng các LoRA chuyên biệt: Thay vì cố gắng dùng prompt để yêu cầu mô hình cơ sở chi tiết mọi thứ, hãy sử dụng các bản tinh chỉnh chuyên biệt (LoRAs) cho các nhu cầu cụ thể như khớp miệng (lip-syncing), góc máy nhất quán hoặc phong cách nghệ thuật độc đáo.
- Tối ưu hóa bằng cách tách rời pipeline: Nếu xây dựng các ứng dụng truyền thông AI, hãy cân nhắc chạy các phần khác nhau của pipeline (mở rộng prompt, tạo latent và giải mã VAE) trên các cấu hình phần cứng khác nhau để tối đa hóa hiệu quả.
- Tập trung vào “Giải pháp điểm” (Point Solutions): Khi tích hợp AI vào quy trình chuyên nghiệp, hãy ưu tiên các công cụ nhỏ, đáng tin cậy (như một trình điều khiển ánh sáng hoặc camera cụ thể) thay vì các trình tạo “tất cả trong một” để đảm bảo độ tin cậy 99,9% yêu cầu cho sản xuất.
能否在不犧牲視覺品質的情況下，僅用 1.5 秒就生成一段 5 秒的影片？這正是 FAL 透過其 H3 Max 模型所實現的驚人效率提升。這一突破將生成式影片推向了「Token 市場契合（token market fit）」的階段，使得創作的成本與速度終於能與專業創作者的龐大需求相匹配。透過將 Minimax 的開源權重模型與激進的後訓練（post-training）以及系統級優化相結合，該團隊已突破了硬體性能的理論「屋頂線（roofline）」，讓即時 AI 影片從遙遠的目標變成了觸手可及的現實。
此次討論的核心在於從簡單的「文字轉影片（text-to-video）」提示詞，轉向高可控性的「導演」工作流。早期的 AI 影片生成往往像是一場結果隨機的抽獎，而現在的焦點已轉向極致的可控性——具體體現在透過相機角度 JSON 檔、光影控制以及參考圖來實現。正是這種精準度，觸發了好萊塢和視覺特效（VFX）公司採用的激增。專業人士目前正將 Blender 等工具產出的「低解析度」渲染圖作為 AI 模型的結構指南，本質上將 AI 作為一個複雜的皮膚貼圖與渲染層，從而對最終場景實現近乎 100% 的控制。
展望未來，靜態生成與即時體驗之間的界限正變得模糊。H3 Max Director 的推出實現了具有記憶功能的連續影片流，記憶跨度可達兩分鐘（整體連貫性可維持至一小時），讓使用者能即時與影片「對話」並看到場景瞬間演變。隨著基礎設施演進以支持自定義 IP 以及為大型工作室提供美國境內數據駐留（data residency），預計未來幾個月內，AI 在專業電影製作中的集成度將提升 10 到 100 倍。
驚人之見
- 「屋頂線」突破： 標準的推論工作負載通常僅能利用晶片 30-40% 的潛能；FAL 的系統-模型協同設計將此比例提升至 70-80%，實現了數量級的提速。
- 非線性進步： 不同於大型語言模型（LLM）在智能上的穩步線性增長，生成式媒體的演進呈「爆發式」發展——當基礎模型品質、延遲與可控性同時匯聚時，將解鎖全新的應用場景。
- 好萊塢的潛在採用： 儘管大眾敘事在討論 AI 將顛覆產業，但專業工作室在一年前幾乎不使用 AI，而現在卻成為該平台成長最快的分眾市場。
- 透過壓縮潛在空間實現記憶： 維持 60 分鐘連續場景的能力，是透過一套混合系統實現的：針對最近兩分鐘使用壓縮影片記憶體，並針對長期結構使用演進中的系統提示詞（system prompt）。
實務建議
- 實施基於參考的工作流： 對於需要精準控制的人員，請避免僅依賴文字提示詞。使用低保真 3D 渲染圖（例如來自 Blender）作為影片參考，以主導動作與構圖。
- 利用專門的 LoRA： 不要試圖透過提示詞讓基礎模型處理所有細節，而應針對對嘴同步（lip-syncing）、一致的相機角度或獨特的藝術風格使用專門的微調模型（LoRAs）。
- 透過管線解耦進行優化： 若在開發 AI 媒體應用程式，可考慮將管線的不同部分（提示詞擴展、潛在空間生成、VAE 解碼）運行在不同的硬體配置上，以最大化效率。
- 專注於「單點解決方案」： 將 AI 整合至專業工作流時，優先選擇小型且可靠的工具（例如特定的光影或相機控制），而非「全能型」生成器，以確保生產環境所需 99.9% 的可靠性。
Est-il possible de générer une vidéo de cinq secondes en seulement 1,5 seconde sans sacrifier la qualité visuelle ? C’est le gain d’efficacité stupéfiant réalisé par FAL avec son modèle H3 Max, une percée qui propulse la vidéo générative vers un « token market fit », où le coût et la vitesse de création s’alignent enfin avec la demande massive des créateurs professionnels. En combinant des modèles open-weight de Minimax avec un post-entraînement agressif et des optimisations au niveau du système, l’équipe a dépassé le « roofline » théorique des performances matérielles, faisant de la vidéo IA en temps réel une réalité tangible plutôt qu’un objectif lointain.
La réflexion se concentre désormais sur le passage de simples prompts text-to-video à un flux de travail de « réalisateur » à haut niveau de contrôle. Alors que les débuts de la vidéo IA ressemblaient souvent à une loterie, l’accent est aujourd’hui mis sur une contrôlabilité extrême, notamment via des fichiers JSON pour les angles de caméra, des commandes d’éclairage et des images de référence. C’est cette précision qui a déclenché une adoption soudaine au sein d’Hollywood et des studios de VFX. Les professionnels utilisent désormais des rendus « basse résolution » provenant d’outils comme Blender comme guides structurels pour les modèles d’IA, utilisant essentiellement l’IA comme une couche sophistiquée de skinning et de rendu offrant un contrôle quasi total (proche de 100 %) sur la scène finale.
À l’avenir, la frontière entre génération statique et expérience en direct s’estompe. L’introduction de H3 Max Director permet des flux vidéo continus avec une mémoire s’étendant jusqu’à deux minutes (et une cohérence globale allant jusqu’à une heure), permettant aux utilisateurs de « parler » à une vidéo en temps réel et de voir la scène évoluer instantanément. À mesure que l’infrastructure évolue pour supporter la propriété intellectuelle personnalisée et la résidence des données aux États-Unis pour les grands studios, on prévoit une augmentation de 10 à 100 fois de l’intégration de l’IA dans la production cinématographique professionnelle au cours des prochains mois.
Insights Surprenants
- La percée du « Roofline » : Les charges de travail d’inférence standard n’utilisent généralement que 30 à 40 % du potentiel d’une puce ; la co-conception système-modèle de FAL a poussé ce chiffre à 70-80 %, permettant un gain de vitesse d’un ordre de grandeur.
- Progrès non linéaires : Contrairement aux LLM, qui montrent une croissance linéaire et constante de l’intelligence, les médias génératifs évoluent par « poussées », où la qualité du modèle de base, la latence et la contrôlabilité convergent simultanément pour débloquer de nouveaux cas d’utilisation.
- L’adoption furtive d’Hollywood : Malgré les discours publics sur la disruption de l’industrie par l’IA, l’utilisation par les studios professionnels était quasi inexistante il y a un an et constitue aujourd’hui le segment à la croissance la plus rapide de la plateforme.
- Mémoire via latents compressés : La capacité de maintenir une scène continue pendant 60 minutes est réalisée grâce à un système hybride de mémoire vidéo compressée pour les deux dernières minutes et un prompt système évolutif pour la structure à long terme.
Conseils Pratiques
- Implémenter un flux de travail basé sur des références : Pour ceux qui ont besoin d’un contrôle précis, évitez de vous fier uniquement aux prompts textuels. Utilisez un rendu 3D basse fidélité (provenant par exemple de Blender) comme référence vidéo pour dicter le mouvement et la composition.
- Exploiter des LoRA spécialisés : Plutôt que de tenter d’obtenir chaque détail via un modèle de base, utilisez des ajustements fins spécialisés (LoRAs) pour des besoins spécifiques tels que la synchronisation labiale (lip-sync), des angles de caméra constants ou des styles artistiques uniques.
- Optimiser via le découplage du pipeline : Si vous développez des applications de médias IA, envisagez d’exécuter différentes parties du pipeline (expansion du prompt, génération de latents et décodage VAE) sur différentes configurations matérielles pour maximiser l’efficacité.
- Se concentrer sur des « solutions ponctuelles » : Lors de l’intégration de l’IA dans des flux de travail professionnels, privilégiez de petits outils fiables (comme un contrôle spécifique de l’éclairage ou de la caméra) plutôt que des générateurs « tout-en-un » afin de garantir la fiabilité de 99,9 % requise pour la production.
Kann ein fünfsekündiges Video in nur 1,5 Sekunden generiert werden, ohne dass die visuelle Qualität darunter leidet? Dies ist der atemberaubende Effizienzgewinn, den FAL mit seinem H3 Max-Modell erzielt hat – ein Durchbruch, der generative Videos in Richtung eines „Token Market Fit“ treibt, bei dem Kosten und Geschwindigkeit der Erstellung endlich mit der massiven Nachfrage professioneller Creator übereinstimmen. Durch die Kombination von Open-Weight-Modellen von Minimax mit aggressivem Post-Training und Optimierungen auf Systemebene hat das Team das theoretische „Roofline“-Limit der Hardware-Performance überschritten und KI-Videos in Echtzeit von einem fernen Ziel in eine greifbare Realität verwandelt.
Im Mittelpunkt steht der Wechsel von einfachen Text-zu-Video-Prompts hin zu einem hochkontrollierten „Director“-Workflow. Während frühe KI-Videos oft einem Ergebnis-Lotterie glichen, hat sich der Fokus nun auf extreme Steuerbarkeit verschoben – insbesondere durch Kamera-Winkel-JSONs, Beleuchtungssteuerungen und Referenzbilder. Diese Präzision hat einen plötzlichen Anstieg der Adaption in Hollywood und in VFX-Häusern ausgelöst. Profis nutzen nun „Low-Res“-Renderings aus Tools wie Blender als strukturelle Leitplanken für KI-Modelle; sie verwenden die KI quasi als hochentwickelte Skinning- und Rendering-Schicht, die eine nahezu 100%ige Kontrolle über die finale Szene ermöglicht.
Mit Blick auf die Zukunft verschwimmt die Grenze zwischen statischer Generierung und Live-Erlebnis. Die Einführung von H3 Max Director ermöglicht kontinuierliche Videostreams mit einem Gedächtnis von bis zu zwei Minuten (und einer allgemeinen Kohärenz von bis zu einer Stunde), sodass Nutzer in Echtzeit mit einem Video „sprechen“ und sehen können, wie sich die Szene augenblicklich entwickelt. Da die Infrastruktur weiterentwickelt wird, um eigenes geistiges Eigentum (IP) und US-basierte Datenresidenz für große Studios zu unterstützen, wird in den kommenden Monaten eine 10- bis 100-fache Steigerung der KI-Integration in der professionellen Filmproduktion erwartet.
Überraschende Erkenntnisse
- Der „Roofline“-Durchbruch: Standardmäßige Inferenz-Workloads nutzen typischerweise nur 30–40 % des Potenzials eines Chips; das System-Modell-Co-Design von FAL steigerte dies auf 70–80 %, was eine Beschleunigung um eine Größenordnung ermöglichte.
- Nicht-linearer Fortschritt: Im Gegensatz zu LLMs, die ein stetiges lineares Wachstum der Intelligenz zeigen, entwickelt sich generative Medien in „Schüben“, in denen Basismodell-Qualität, Latenz und Steuerbarkeit gleichzeitig konvergieren, um neue Anwendungsfälle zu erschließen.
- Hollywoods heimliche Adaption: Trotz öffentlicher Narrative über die Disruption der Branche durch KI war die Nutzung in professionellen Studios vor einem Jahr fast nicht existent und ist heute das am schnellsten wachsende Segment für die Plattform.
- Gedächtnis via komprimierter Latents: Die Fähigkeit, eine kontinuierliche Szene über 60 Minuten aufrechtzuerhalten, wird durch ein Hybridsystem aus komprimiertem Videospeicher für die letzten zwei Minuten und einem sich entwickelnden System-Prompt für die langfristige Struktur erreicht.
Praktische Erkenntnisse
- Referenzbasierten Workflow implementieren: Wer präzise Kontrolle benötigt, sollte sich nicht allein auf Text-Prompts verlassen. Nutzen Sie ein Low-Fidelity-3D-Rendering (z. B. aus Blender) als Videoreferenz, um Bewegung und Komposition vorzugeben.
- Spezialisierte LoRAs nutzen: Anstatt zu versuchen, jedes Detail über ein Basismodell zu prompten, sollten spezialisierte Fine-Tuning-Modelle (LoRAs) für spezifische Anforderungen wie Lip-Sync, konsistente Kamerawinkel oder einzigartige künstlerische Stile eingesetzt werden.
- Optimierung durch Pipeline-Entkopplung: Bei der Entwicklung von KI-Media-Apps sollte in Betracht gezogen werden, verschiedene Teile der Pipeline (Prompt-Expansion, Latent-Generierung und VAE-Decoding) auf unterschiedlichen Hardware-Konfigurationen laufen zu lassen, um die Effizienz zu maximieren.
- Fokus auf „Point Solutions“: Bei der Integration von KI in professionelle Workflows sollten kleine, zuverlässige Werkzeuge (wie eine spezifische Beleuchtungs- oder Kamerasteuerung) gegenüber „All-in-One“-Generatoren bevorzugt werden, um die für die Produktion erforderliche Zuverlässigkeit von 99,9 % zu gewährleisten.
a16z General Partner Jennifer Li sits down with fal co-founder Gorkem Yurtseven and Head of Engineering Batuhan Taskaya to discuss what changes when generative video becomes fast enough to run in real time.
They unpack the technical work behind H3 Max, fal’s post-trained version of MiniMax’s open-weight video model, and how combining model post-training with systems and hardware optimization significantly reduced generation time while maintaining quality. That speed has enabled experiments with continuous video, including streams that can remember previous scenes and respond to new directions while they’re running.
They also discuss why the next challenge may be less about speed and more about control, from camera movement and lighting to characters, motion, and lip sync. And they explore what those capabilities could mean for professional creative workflows, where artists and studios need predictable tools rather than simply generating a video from a prompt.
Resources:
Follow Gorkem Yurtseven on X: https://x.com/gorkem
Follow Batuhan Taskaya on X: https://x.com/isidentical
Learn more about fal:https://fal.ai
Follow Jennifer Li on X: https://x.com/JenniferHli
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
-
How AI Created the Fastest Product Cycle in History
Recently, a16z General Partner Anish Acharya joined Ollie Forsyth on NEW ECONOMIES. They talked about why consumer tech is surging again, how AI is enabling 100M-user products at unprecedented speed, and what founders need to…
-
Why AI Moats Still Matter (And How They’ve Changed)
a16z General Partners David Haber, Alex Rampell, and Erik Torenberg discuss why 19 out of 20 AI startups building the same thing will die – and why the survivor might charge $20,000 for what used…
-
How To Lead | Ben Horowitz on My First Million
A16Z co-founder Ben Horowitz joins Shaan Puri and Sam Parr on My First Million to talk about how to be a great leader. Resources: Follow Ben on X: https://x.com/bhorowitz Follow Shaan on X: https://x.com/ShaanVP…
-
The $700 Billion AI Productivity Problem No One’s Talking About
Russ Fradin sold his first company for $300M. He’s back in the arena with Larridin, helping companies measure just how successful their AI actually is. In this episode, Russ sits down with a16z General Partner…
-
How OpenAI Builds for 800 Million Weekly Users: Model Specialization and Fine-Tuning
In this episode, a16z GP Martin Casado sits down with Sherwin Wu, Head of Engineering for the OpenAI Platform, to break down how OpenAI organizes its platform across models, pricing, and infrastructure, and how it…
-
Ben Horowitz: Why Open Source AI Will Determine America’s Future
Ben Horowitz reveals why the US already lost the AI culture war to China—and it wasn’t the technology that failed. While Biden’s team played Manhattan Project with closed models, Chinese developers quietly captured the open-source…
-
The Secret Marketing Strategy That Built a16z: From Zero to Legendary VC Firm
Marc Andreessen and Ben Horowitz sit down with Margit Wennmachers—the woman who turned two unknown entrepreneurs with $300 million and zero investing track record into the most talked-about firm in venture capital. She unpacks how…
-
How Marc Andreessen Actually Uses AI
Half a billion people can access the world’s best AI on their phone. So why are most using it to write emails while only some are using it to build empires? In this conversation with…
-
The 2045 Superintelligence Timeline: Epoch AI’s Data-Driven Forecast
Epoch AI researchers reveal why Anthropic might beat everyone to the first gigawatt datacenter, why AI could solve the Riemann hypothesis in 5 years, and what 30% GDP growth actually looks like. They explain why…
-
Robinhood CEO: Making Everyone An Owner
Vlad Tenev built Robinhood by breaking every rule Wall Street wrote: zero commissions when competitors charged $10, mobile-first when “serious” investors demanded desktop, a brand that made finance feel like rebellion instead of a club…