a16z Podcast
Summary & Insights
Imagine waking up to find that an AI agent didn’t just research a pair of jeans you liked, but actually used your credit card to purchase them while you slept. This level of “resourcefulness” marks a pivotal shift in artificial intelligence: we are moving away from a battle of which foundation model is the “winner” and entering an era focused on the application layer—the products that turn raw intelligence into tangible economic outcomes.
The conversation highlights a fascinating divergence in how AI is deployed across different job functions. In “alpha-creating” roles like sales or product development, the upside is unbounded, making it economically rational to pay any price for a model that is even slightly smarter. Conversely, for administrative roles like finance or HR, the goal is simply accuracy. In these bounded-upside scenarios, open-weight models are often superior because they can be fine-tuned for specific domains, offering a “Pareto efficient” cost curve without the need for the massive overhead of a frontier model.
This shift is creating a renaissance for consumer builders, particularly as the “DOS era” of AI—characterized by simple prompt boxes—evolves into a “Windows era” of sophisticated design and agency. We are seeing the rise of “mom-and-pop SaaS,” where non-technical entrepreneurs use coding agents to build profitable software businesses. As agents move from simple prompts to complex loops—managing everything from bug fixes in enterprise software to personal inbox scrubbing—the value shifts toward products that can build long-term memory and context about a specific user.
Surprising Insights
- The “Neuroticism” of Models: Not all intelligence is created equal; some models are “autistic” or highly literal (ideal for accounting), while others are presumptuous and creative (ideal for design), meaning organizations actually need a diverse portfolio of “minds” rather than one dominant model.
- The Death of the Integration Moat: While brand and network effects remain strong, the “integration moat” (the difficulty of switching complex systems like SAP) is evaporating because AI coding agents make migration trivial.
- Infinite Demand, Constrained Supply: Counterintuitively, some GPU prices are increasing per hour even for older models, suggesting that the market is not in a bubble but is actually suffering from an extreme supply shortage relative to an “infinite” demand for compute.
- Luxury Software: The emergence of AI is creating a “Birkin bag” category of software, where users are willing to pay $200 or even $2,000 a month for high-value, autonomous agency that significantly improves their quality of life.
Practical Takeaways
- Match the Model to the Upside: Use expensive frontier models (GPT-4, Claude 3.5) for tasks with unbounded upside (strategy, sales) and open-weight, fine-tuned models for tasks where the goal is simply a correct, standardized output (compliance, bookkeeping).
- Focus on the “Loop,” Not the “Prompt”: When building AI applications, move beyond simple Q&A. Design “loops” where the AI can execute a task, verify the result, and iterate autonomously.
- Build for Memory: To create a defensible product, prioritize the “tenured employee” effect. Build systems that soak up user context over 30 days so the product becomes more valuable the longer it is used.
- Think Bigger on Scope: For new founders, the biggest risk is no longer that an idea is “too big,” but that it is “too small.” Leverage coding agents to tackle ambitious problems that would have previously required a massive engineering team.
🛍️ Products & Resources Mentioned
- 📚 Book7 Powers by Hamilton Helmer — Mentioned as a favorite resource for understanding business moats and compounding value.View on Amazon →
- ⚡ DeviceB200 GPU — Discussed as a cutting-edge hardware component with high demand and constrained supply.View on Amazon →
- 🛠️ GearFrame Jeans — Mentioned as a brand of jeans the guest wears and used as an example of an AI agent’s shopping capability.View on Amazon →
Hãy tưởng tượng bạn thức dậy và nhận ra rằng một tác nhân AI không chỉ nghiên cứu về chiếc quần jean mà bạn thích, mà thực sự đã sử dụng thẻ tín dụng của bạn để mua chúng trong khi bạn đang ngủ. Mức độ “tháo vát” này đánh dấu một sự chuyển dịch then chốt trong trí tuệ nhân tạo: chúng ta đang rời xa cuộc chiến xem mô hình nền tảng (foundation model) nào là “kẻ chiến thắng” để bước vào một kỷ nguyên tập trung vào lớp ứng dụng — những sản phẩm biến trí thông minh thô thành kết quả kinh tế hữu hình.
Cuộc thảo luận này làm nổi bật một sự phân tách thú vị trong cách AI được triển khai cho các chức năng công việc khác nhau. Trong các vai trò “tạo ra giá trị vượt trội” (alpha-creating) như bán hàng hoặc phát triển sản phẩm, tiềm năng tăng trưởng là không giới hạn, khiến việc trả bất kỳ mức giá nào cho một mô hình thông minh hơn dù chỉ một chút cũng là điều hợp lý về mặt kinh tế. Ngược lại, đối với các vai trò hành chính như tài chính hoặc nhân sự, mục tiêu đơn giản chỉ là sự chính xác. Trong những kịch bản có tiềm năng tăng trưởng hữu hạn này, các mô hình trọng số mở (open-weight models) thường ưu việt hơn vì chúng có thể được tinh chỉnh (fine-tuned) cho các lĩnh vực cụ thể, mang lại đường cong chi phí “hiệu quả Pareto” mà không cần đến chi phí vận hành khổng lồ của một mô hình tiên phong (frontier model).
Sự chuyển dịch này đang tạo ra một thời kỳ phục hưng cho những người xây dựng sản phẩm tiêu dùng, đặc biệt khi “kỷ nguyên DOS” của AI — đặc trưng bởi những ô nhập lệnh (prompt) đơn giản — tiến hóa thành “kỷ nguyên Windows” với thiết kế tinh vi và khả năng tự chủ (agency). Chúng ta đang chứng kiến sự trỗi dậy của các “SaaS hộ gia đình” (mom-and-pop SaaS), nơi những doanh nhân không am hiểu kỹ thuật sử dụng các tác nhân lập trình để xây dựng các doanh nghiệp phần mềm có lợi nhuận. Khi các tác nhân chuyển từ những câu lệnh đơn giản sang các vòng lặp phức tạp — quản lý mọi thứ từ việc sửa lỗi trong phần mềm doanh nghiệp đến dọn dẹp hộp thư cá nhân — giá trị sẽ chuyển sang các sản phẩm có khả năng xây dựng bộ nhớ dài hạn và hiểu bối cảnh về một người dùng cụ thể.
Những góc nhìn bất ngờ
- “Đặc điểm tâm lý” của các mô hình: Không phải mọi trí thông minh đều giống nhau; một số mô hình mang tính “tự kỷ” hoặc hiểu nghĩa đen một cách tuyệt đối (lý tưởng cho kế toán), trong khi những mô hình khác lại táo bạo và sáng tạo (lý tưởng cho thiết kế), điều này có nghĩa là các tổ chức thực sự cần một danh mục đa dạng các “tâm trí” thay vì một mô hình thống trị duy nhất.
- Sự biến mất của “hào ngăn cách” tích hợp: Mặc dù hiệu ứng thương hiệu và mạng lưới vẫn còn mạnh mẽ, nhưng “hào ngăn cách tích hợp” (sự khó khăn khi chuyển đổi các hệ thống phức tạp như SAP) đang tan biến vì các tác nhân lập trình AI khiến việc di chuyển dữ liệu trở nên dễ dàng.
- Cầu vô hạn, Cung hạn chế: Ngược lại với suy nghĩ thông thường, giá thuê GPU theo giờ của một số mô hình cũ hơn thậm chí còn tăng lên, cho thấy thị trường không nằm trong một bong bóng mà thực chất đang chịu sự thiếu hụt nguồn cung trầm trọng so với nhu cầu tính toán “vô hạn”.
- Phần mềm xa xỉ: Sự xuất hiện của AI đang tạo ra một phân khúc phần mềm kiểu “túi Birkin”, nơi người dùng sẵn sàng trả 200 USD hoặc thậm chí 2.000 USD một tháng cho các tác nhân tự chủ giá trị cao giúp cải thiện đáng kể chất lượng cuộc sống của họ.
Bài học thực tiễn
- Kết nối mô hình với tiềm năng tăng trưởng: Sử dụng các mô hình tiên phong đắt đỏ (GPT-4, Claude 3.5) cho các tác vụ có tiềm năng tăng trưởng không giới hạn (chiến lược, bán hàng) và các mô hình trọng số mở được tinh chỉnh cho các tác vụ mà mục tiêu chỉ là đầu ra chính xác và chuẩn hóa (tuân thủ, ghi chép sổ sách).
- Tập trung vào “Vòng lặp”, không phải “Câu lệnh”: Khi xây dựng ứng dụng AI, hãy vượt ra ngoài việc hỏi đáp đơn giản. Hãy thiết kế các “vòng lặp” nơi AI có thể thực hiện tác vụ, xác minh kết quả và tự lặp lại để cải thiện.
- Xây dựng để ghi nhớ: Để tạo ra một sản phẩm có khả năng phòng thủ (khó bị thay thế), hãy ưu tiên hiệu ứng “nhân viên thâm niên”. Xây dựng các hệ thống hấp thụ bối cảnh người dùng trong vòng 30 ngày để sản phẩm càng dùng lâu càng trở nên giá trị.
- Mở rộng quy mô tư duy: Đối với các nhà sáng lập mới, rủi ro lớn nhất giờ đây không còn là ý tưởng “quá lớn”, mà là ý tưởng “quá nhỏ”. Hãy tận dụng các tác nhân lập trình để giải quyết những vấn đề tham vọng mà trước đây đòi hỏi một đội ngũ kỹ sư khổng lồ.
想像一下，當你醒來時發現，一個 AI 代理（AI agent）不僅幫你研究了你喜歡的那條牛仔褲，還在你睡覺時直接使用你的信用卡將其買下。這種程度的「機敏」標誌著人工智慧的一個關鍵轉折：我們正逐漸脫離關於哪個基礎模型（foundation model）才是「贏家」的競爭，而進入一個聚焦於「應用層」的時代——即將原始智能轉化為具體經濟成果的產品。
這場討論揭示了 AI 在不同職能部署方式中一個迷人的分歧。在銷售或產品開發等「創造超額收益（alpha-creating）」的角色中，潛在回報是無限的，因此為了獲得一個哪怕僅僅是稍微聰明一點的模型而支付任何價格，在經濟上都是合理的。相反地，對於財務或人力資源等行政角色，目標僅僅是準確性。在這種回報有上限的場景中，開源權重模型（open-weight models）通常更具優勢，因為它們可以針對特定領域進行微調，在無需承擔前沿模型（frontier model）龐大開銷的情況下，提供一個「帕累托效率（Pareto efficient）」的成本曲線。
這種轉移正為消費級開發者帶來一場復興，尤其是當 AI 的「DOS 時代」（以簡單的提示框為特徵）演進為具有複雜設計與代理能力的「Windows 時代」。我們正見證「夫妻店 SaaS（mom-and-pop SaaS）」的興起，非技術出身的創業家利用編碼代理來打造獲利的軟體業務。隨著代理從簡單的提示（prompts）轉向複雜的循環（loops）——管理從企業軟體的 Bug 修復到個人收件匣的清理等所有事務——價值將向那些能夠建立長期記憶且能掌握特定用戶背景（context）的產品偏移。
驚人之見
- 模型的「神經質」： 並非所有智能都是相同的；有些模型較為「自閉」或極其拘泥於字面意思（適合會計），而有些則較為自以為是且富有創意（適合設計）。這意味著組織實際上需要一個多元化的「心智」組合，而非單一的主導模型。
- 集成護城河的消亡： 雖然品牌和網絡效應依然強大，但「集成護城河」（指切換如 SAP 等複雜系統的困難程度）正在蒸發，因為 AI 編碼代理讓系統遷移變得輕而易舉。
- 無限需求，供應受限： 與直覺相反，即使是舊模型的 GPU 每小時價格仍在上漲，這表明市場並非處於泡沫之中，而是相對於對算力的「無限」需求，正承受著極其嚴重的供應短缺。
- 奢侈軟體： AI 的出現正在創造一種軟體界的「柏金包」類別，用戶願意每月支付 200 美元甚至 2,000 美元，以獲取能顯著提高生活品質的高價值、自主化代理服務。
實踐建議
- 根據潛在回報匹配模型： 對於具有無限潛在回報的任務（如策略、銷售），使用昂貴的前沿模型（如 GPT-4, Claude 3.5）；對於目標僅為正確、標準化輸出的任務（如合規、簿記），則使用微調後的開源權重模型。
- 關注「循環」而非「提示」： 在構建 AI 應用時，要超越簡單的問答。設計一套「循環」機制，讓 AI 能夠執行任務、驗證結果並自主迭代。
- 為「記憶」而構建： 若要創造具備防禦力的產品，應優先考慮「資深員工」效應。構建能在 30 天內吸收用戶背景資訊的系統，使產品在使用時間越長，價值越高。
- 擴大目標範疇： 對於新創創業者而言，最大的風險不再是想法「太大」，而是「太小」。利用編碼代理來處理那些以往需要龐大工程團隊才能解決的雄心勃勃的問題。
Imaginez-vous réveiller et découvrir qu’un agent d’IA ne s’est pas contenté de rechercher un jean qui vous plaisait, mais a utilisé votre carte de crédit pour l’acheter pendant votre sommeil. Ce niveau de « débrouillardise » marque un tournant décisif dans l’intelligence artificielle : nous nous éloignons d’une bataille pour savoir quel modèle de fondation est le « gagnant » pour entrer dans une ère axée sur la couche applicative — les produits qui transforment l’intelligence brute en résultats économiques tangibles.
La discussion met en lumière une divergence fascinante dans la manière dont l’IA est déployée selon les fonctions professionnelles. Dans les rôles de « création d’alpha », comme la vente ou le développement de produits, le potentiel de gain est illimité, ce qui rend économiquement rationnel de payer n’importe quel prix pour un modèle même légèrement plus intelligent. À l’inverse, pour les rôles administratifs comme la finance ou les RH, l’objectif est simplement la précision. Dans ces scénarios à gain plafonné, les modèles à poids ouverts (open-weight) sont souvent supérieurs car ils peuvent être affinés (fine-tuned) pour des domaines spécifiques, offrant une courbe de coût « efficace au sens de Pareto » sans nécessiter la structure massive d’un modèle de pointe.
Ce changement crée une renaissance pour les créateurs orientés vers le consommateur, d’autant plus que l’« ère DOS » de l’IA — caractérisée par de simples boîtes de prompt — évolue vers une « ère Windows » de design sophistiqué et d’agentivité. Nous assistons à l’émergence de « SaaS artisanaux », où des entrepreneurs non techniques utilisent des agents de codage pour bâtir des entreprises de logiciels rentables. À mesure que les agents passent de prompts simples à des boucles complexes — gérant tout, des corrections de bugs dans des logiciels d’entreprise au nettoyage de boîtes de réception personnelles — la valeur se déplace vers les produits capables de construire une mémoire à long terme et un contexte propre à chaque utilisateur.
Perspectives Surprenantes
- Le « névrosisme » des modèles : Toutes les intelligences ne se valent pas ; certains modèles sont « autistes » ou très littéraux (idéaux pour la comptabilité), tandis que d’autres sont présomptueux et créatifs (idéaux pour le design), ce qui signifie que les organisations ont en réalité besoin d’un portefeuille diversifié d’« esprits » plutôt que d’un seul modèle dominant.
- La mort du fossé d’intégration : Bien que la marque et les effets de réseau restent forts, le « fossé d’intégration » (la difficulté de changer des systèmes complexes comme SAP) s’évapore car les agents de codage IA rendent la migration triviale.
- Demande infinie, offre contrainte : Contre-intuitivement, les prix de certains GPU augmentent à l’heure, même pour les modèles plus anciens, ce qui suggère que le marché n’est pas dans une bulle, mais souffre en réalité d’une pénurie d’offre extrême face à une demande de calcul « infinie ».
- Le logiciel de luxe : L’émergence de l’IA crée une catégorie de logiciels « sac Birkin », où les utilisateurs sont prêts à payer 200, voire 2 000 dollars par mois pour une agentivité autonome à haute valeur ajoutée qui améliore significativement leur qualité de vie.
enseignements Pratiques
- Alignez le modèle sur le potentiel de gain : Utilisez des modèles de pointe coûteux (GPT-4, Claude 3.5) pour les tâches au potentiel illimité (stratégie, vente) et des modèles à poids ouverts et affinés pour les tâches où l’objectif est simplement un résultat correct et standardisé (conformité, tenue de livres).
- Concentrez-vous sur la « boucle », pas sur le « prompt » : Lors de la création d’applications d’IA, allez au-delà du simple jeu de questions-réponses. Concevez des « boucles » où l’IA peut exécuter une tâche, vérifier le résultat et itérer de manière autonome.
- Construisez pour la mémoire : Pour créer un produit défendable, privilégiez l’effet « employé expérimenté ». Créez des systèmes qui absorbent le contexte de l’utilisateur sur 30 jours, afin que le produit devienne plus précieux à mesure qu’il est utilisé.
- Voyez plus grand en termes de portée : Pour les nouveaux fondateurs, le plus grand risque n’est plus qu’une idée soit « trop ambitieuse », mais qu’elle soit « trop petite ». Tirez parti des agents de codage pour s’attaquer à des problèmes complexes qui auraient auparavant nécessité une équipe d’ingénierie massive.
Stellen Sie sich vor, Sie wachen auf und stellen fest, dass ein KI-Agent nicht nur nach einer Jeans gesucht hat, die Ihnen gefällt, sondern während Ihres Schlafs tatsächlich Ihre Kreditkarte benutzt hat, um sie zu kaufen. Diese Form von „Ressourcenfreudigkeit“ markiert einen entscheidenden Wendepunkt in der künstlichen Intelligenz: Wir bewegen uns weg von dem Kampf darum, welches Basismodell der „Sieger“ ist, und treten in eine Ära ein, die auf der Anwendungsebene liegt – also auf den Produkten, die reine Intelligenz in greifbare wirtschaftliche Ergebnisse verwandeln.
Die Diskussion verdeutlicht eine faszinierende Divergenz darin, wie KI in verschiedenen Jobfunktionen eingesetzt wird. In „Alpha-generierenden“ Rollen wie dem Vertrieb oder der Produktentwicklung ist das Aufwärtspotenzial unbegrenzt, weshalb es ökonomisch rational ist, jeden Preis für ein Modell zu zahlen, das auch nur geringfügig intelligenter ist. Im Gegensatz dazu geht es bei administrativen Rollen wie Finanzen oder HR schlicht um Genauigkeit. In diesen Szenarien mit begrenztem Aufwärtspotenzial sind Open-Weight-Modelle oft überlegen, da sie für spezifische Domänen feinjustiert werden können und so eine „Pareto-effiziente“ Kostenkurve bieten, ohne den massiven Overhead eines Frontier-Modells zu benötigen.
Dieser Wandel löst eine Renaissance für Consumer-Builder aus, insbesondere da sich die „DOS-Ära“ der KI – charakterisiert durch einfache Prompt-Boxen – in eine „Windows-Ära“ mit anspruchsvollem Design und Agency (Handlungsfähigkeit) entwickelt. Wir erleben den Aufstieg von „Mom-and-Pop-SaaS“, bei dem nicht-technische Unternehmer Coding-Agenten nutzen, um profitable Softwareunternehmen aufzubauen. Während Agenten von einfachen Prompts zu komplexen Schleifen übergehen – und alles von Fehlerbehebungen in Unternehmenssoftware bis hin zur Bereinigung persönlicher Posteingänge verwalten –, verschiebt sich der Wert hin zu Produkten, die ein langfristiges Gedächtnis und Kontext über einen spezifischen Nutzer aufbauen können.
Überraschende Erkenntnisse
- Der „Neurotizismus“ von Modellen: Nicht jede Intelligenz ist gleich beschaffen; einige Modelle sind „autistisch“ oder extrem wörtlich (ideal für das Rechnungswesen), während andere voreilig und kreativ sind (ideal für Design). Das bedeutet, dass Organisationen tatsächlich ein vielfältiges Portfolio an „Geistern“ benötigen, anstatt eines einzigen dominanten Modells.
- Das Ende des „Integration Moats“: Während Marken- und Netzwerkeffekte stark bleiben, verdampft der „Integration Moat“ (die Schwierigkeit, komplexe Systeme wie SAP zu wechseln), da KI-Coding-Agenten die Migration trivial machen.
- Unendliche Nachfrage, begrenztes Angebot: Paradoxerweise steigen einige GPU-Preise pro Stunde sogar für ältere Modelle, was darauf hindeutet, dass der Markt nicht in einer Blase steckt, sondern tatsächlich unter einem extremen Angebotsmangel im Verhältnis zu einer „unendlichen“ Nachfrage nach Rechenleistung leidet.
- Luxus-Software: Die Entstehung der KI schafft eine „Birkin-Bag“-Kategorie von Software, bei der Nutzer bereit sind, 200 $ oder sogar 2.000 $ pro Monat für eine hochwertige, autonome Agency zu bezahlen, die ihre Lebensqualität erheblich steigert.
Praktische Ableitungen
- Modell an das Potenzial anpassen: Nutzen Sie teure Frontier-Modelle (GPT-4, Claude 3.5) für Aufgaben mit unbegrenztem Aufwärtspotenzial (Strategie, Vertrieb) und Open-Weight-, feinjustierte Modelle für Aufgaben, bei denen das Ziel einfach ein korrektes, standardisiertes Ergebnis ist (Compliance, Buchhaltung).
- Fokus auf den „Loop“, nicht auf den „Prompt“: Gehen Sie bei der Entwicklung von KI-Anwendungen über einfaches Frage-Antwort-Verhalten hinaus. Entwerfen Sie „Loops“ (Schleifen), in denen die KI eine Aufgabe ausführen, das Ergebnis verifizieren und autonom iterieren kann.
- Auf Gedächtnis setzen: Um ein defensibles Produkt zu schaffen, priorisieren Sie den Effekt eines „langjährigen Mitarbeiters“. Bauen Sie Systeme, die über 30 Tage hinweg Nutzerkontext aufsaugen, sodass das Produkt mit zunehmender Nutzungsdauer wertvoller wird.
- Größer denken beim Scope: Für neue Gründer besteht das größte Risiko nicht mehr darin, dass eine Idee „zu groß“ ist, sondern dass sie „zu klein“ ist. Nutzen Sie Coding-Agenten, um ambitionierte Probleme anzugehen, die zuvor ein riesiges Engineering-Team erfordert hätten.
Anish Acharya joins Jen Kha to break down the next frontier of AI, from the evolving model landscape and open-source AI to why the application layer, and consumer AI in particular, may be entering a new phase.
Anish explains why he believes there will be multiple winners at the model layer, why traditional moats like network effects, scale, and brand still matter, and how companies can choose between frontier and open-weight models depending on the economics of the task. They also explore why models are increasingly specializing, and how applications can combine different types of intelligence to create products that are more valuable than any single model.
The conversation then turns to consumer AI: personal agents that can shop and manage your inbox, coding tools enabling a new generation of small businesses, and why Anish thinks we’re seeing a renaissance for consumer builders. They also discuss the changing economics of AI software, the rise of “luxury software,” and why the biggest risk for today’s founders may no longer be thinking too big, but thinking too small.
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.
-
Building AI for Creators | Luma & Phota Labs
Yoko Li speaks with Luma’s Head of Applied Research Matt Tancik and Phota Labs cofounder and CTO Zach Xia about how AI is changing creativity, photography, and the tools people use to make art. The…
-
Building AI for Creators | Luma & Phota Labs
Yoko Li speaks with Luma’s Head of Applied Research Matt Tancik and Phota Labs cofounder and CTO Zach Xia about how AI is changing creativity, photography, and the tools people use to make art. The…
-
Beyond P(doom): Marc Andreessen – Betting on America
Marc Andreessen joins CSIS’s Navin Girishankar for a wide-ranging conversation on artificial intelligence, productivity growth, industrial policy, and America’s technological future. Andreessen argues that while AI has already begun reshaping the economy, the largest impacts…
-
Beyond P(doom): Marc Andreessen – Betting on America
Marc Andreessen joins CSIS’s Navin Girishankar for a wide-ranging conversation on artificial intelligence, productivity growth, industrial policy, and America’s technological future. Andreessen argues that while AI has already begun reshaping the economy, the largest impacts…
-
AI Is Crossing the Frontier of Human Knowledge | Kevin Weil
Kevin Weil, the previous CPO & Vice President of Science at OpenAI, joins Speedrun to discuss the future of AI, scientific discovery, and startup building. After helping build products at Twitter, Instagram, and Facebook, Weil…
-
AI Is Crossing the Frontier of Human Knowledge | Kevin Weil
Kevin Weil, the previous CPO & Vice President of Science at OpenAI, joins Speedrun to discuss the future of AI, scientific discovery, and startup building. After helping build products at Twitter, Instagram, and Facebook, Weil…
-
Marc Andreessen on AI, Technology, and the Future of Humanity
Michael Malice sits down with Marc Andreessen to discuss artificial intelligence, technological progress, economic growth, and the future of human flourishing. Drawing on decades of experience spanning the birth of the commercial internet through today’s…
-
Marc Andreessen on AI, Technology, and the Future of Humanity
Michael Malice sits down with Marc Andreessen to discuss artificial intelligence, technological progress, economic growth, and the future of human flourishing. Drawing on decades of experience spanning the birth of the commercial internet through today’s…
-
What Happens to Design After AI?
Anish Acharya speaks with Microsoft VP of Design John Maeda and Impeccable founder and CEO Paul Bakaus about how AI is changing the practice of design. The conversation explores the relationship between design and technology,…
-
What Happens to Design After AI?
Anish Acharya speaks with Microsoft VP of Design John Maeda and Impeccable founder and CEO Paul Bakaus about how AI is changing the practice of design. The conversation explores the relationship between design and technology,…