康奈尔 · AMAZON · META
看见结果背后的结构。
经济学训练我追问因果、选择、激励与约束；产品工作又让这些解释面对一个更硬的问题：它有没有改变真实用户和真实决定？
这条路
很会赢，并不能回答我的生命究竟在为谁的作品积累。
我曾经很擅长在学校和公司里取得好结果。更难的变化，是把最好的注意力放到自己选择的问题、标准与作品上，并承担接下来发生的一切。
腾讯 · 30人数据与AI团队
让判断穿过人、组织与责任。
带团队让我明白，一个人想清楚远远不够。优先级、激励、标准与责任必须彼此咬合，一个想法才可能真正改变组织。
2022年 · 换一种下注
离开一条我已经知道怎样赢的路。
在腾讯带领30人数据与AI团队、连续获得最高绩效之后，我离开那条清晰的管理晋升路径，回美国从IC重新开始，也把原先在主业之外积累的内容与事业，变成自己愿意长期承担的工作。
STATSIG · SUPERLINEAR
让下注持续面对现实。
在Statsig，实验把不断更新判断变成产品工作流的一部分；到了Superlinear，课程、社区、书、工具与公开内容，也一直面对同一个问题：第一次发布以后，它们是否仍然有用？
公开留下的判断
2021年，我解释了旧AI的能力上限。2023年2月、GPT-4发布前，我判断AI已经开始突破那道上限。
2021年的两期视频先把上一代AI的边界落到机制上：它擅长从标注数据中学习对应关系，能很好地自动化窄场景，却缺少对世界的通用理解。ChatGPT出现以后，指令遵循、in-context learning与看似出现的推理能力改变了这个模型；我由此推演推理成本、工具连接、长期记忆、直接交付结果与ChatGPT Native系统。原文里的概率仍在，后来复盘的两处错误也仍在。
阅读原文与后续复盘
