本来比较无感（或者说没关注过），但在听这期的过程中，段永平每说一次“我不知道”，我对他的好感度就+1。

听完Acquired的Alphabet真是深感敬佩

1. world knowledge已经在model中展现
2.text rendering是重要的优化signal，因为当模型学会text structure时，也能学会image structure
3. 另一个优化signal是覆盖足够数量和广度的人类评测
4. interleaved generation中，理解能力和生成能力相辅相成；visual signal中包含了无需显式描述的信息，成为model学习世界的捷径
5. native image generation models可以访问multimodal context（pixel perfect），而后生成image；因此能够把复杂图像用 incremental generation的方式做出来；难怪能做到pixel perfect editing.
7. 目标是always build one model with Gemini
8. 在Twitter上收集用户的失败反馈，作为评测集，brilliant idea : ) Imagen 的同事的审美敏感度高到可以直接判断哪个模型好

我个人认为其中最关键的还是找到且找对了优化信号。

迫切需要一个在播客中“跳过主持人/跳过指定人”的功能，因为这个原因我已经被迫放弃过很多档嘉宾不错但主持人很烂的节目了。

sonnet到底是吃了多少研发才学会这么说话的!!!

在把这个月cursor included request早早用完并且激情燃烧Usage-Based Spend 500刀之后，终于敢说对ai coding有了实在的手感，那就是便宜没好货，一旦用过了更聪明的模型就无法智力降级回去了 ：）））

有海量takeaways（以下混杂大量个人观点）的一期播客，这是在去除CEO蹭GenAI热点的障眼法之后，实实在在从技术角度对AppLovin过去两年做了全面review：

1. 有实力的Tier 1公司MLE（尤其是ads）选择跳槽到Tier2公司，对自己而言是利用技术套利换取绝佳的职业上升快车道，对Tier 2公司而言是后发优势、稳健可持续的增长。遵循前述pattern的成功case和失败case见过好几位，有几位甚至还是同一个bottleneck（深度转化价值预估及后链路数据回传），所以如果发现某些Tier 2公司找不到明显的外部revenue driver，但连续几个quarter以高速率稳定增长，也可以观察在转折点之前在算法侧是否有类似职业路径的人员加入。

2. 预算从游戏向电商拓展对内部来说是扩大规模必须要走的一步，二者的差异其实并没有外界纠结的那么不可逾越。在游戏流量上投游戏预算，实际上是行业内循环，如果能引入电商预算，会给游戏行业带来新的driver，促进行业盘子做大。

3. optimize长期利益即保护开发者利益，这个secret说起来简单做起来难，出高价把量抢过来多容易啊，但他们没有。

4. 推荐广告系统不仅是算法问题，更是工程问题；字节也表达过类似的观点。改进算法时不一味堆叠策略，而是寻求从root上解决，以保证纯净的因果律，做过模型的人都明白这一点有多难坚持。

5. 股价变动相对于业绩增长的反应滞后期大约在半年至一年，猜测是因为大家确实不怎么了解流量汇聚平台。

6. 生成式AI在推荐系统的落地，一可能是动态创意素材生成（目前应该还不能实现），二可能是特征提取。但如果是革命性framework的革新，一定不止是meta所宣扬的5%提升。如果生成式AI未来有一天能取代/增强推荐系统，那需要重新审视和定价的不止是AppLovin这一家公司。

7. 完全没有meeting和people manager的组织文化让人羡慕，一共只有不到100个工程师的结果让人震惊。

切换回飞书办公，效率+200%，终于回到了正常互联网时代。头也不回地逃离企业微信（没用过的人很难想象到底有多难用）、conf（简直是上个世纪的legacy）和notion（曾经好用，但不适应国情）。

但我观察到很多同事十分抗拒迁移到飞书，理由千奇百怪，甚至还恶语相向，满怀敌意和怨气。其实那些理由说到底和飞书无关，也许未来会有那么一天，他们将会直面时代的滚滚车轮而束手无策。

偶然发现这位安迪的访谈（mp.weixin.qq.com）蛮有趣👇，于是顺藤摸瓜找到了他的blogs/公众号一路读下来，他和他的同学们（比如mp.weixin.qq.com）实在是无法掩盖的smart和sharp。在现实生活中已经很久没有遇到这么shining的peers实属可惜，让我想想该怎么改变。