Elon Musk o tym, jak PayPal zdobył swoich pierwszych 100 000 klientów w jeden miesiąc „Nie spodziewałem się, że tempo wzrostu PayPal będzie takie, jakie było, i to rzeczywiście stworzyło poważne problemy,” wyjaśnia Elon. „Zaczęliśmy PayPal na University Avenue [w Palo Alto], a po pierwszym miesiącu działania strony internetowej mieliśmy 100 000 klientów.” Jak wyjaśnia Elon, kluczem do wirusowego wzrostu PayPal był program poleceń: „Na początku oferowaliśmy ludziom 20 dolarów, jeśli otworzyli konto, i 20 dolarów, jeśli polecili kogoś. Potem obniżyliśmy to do 10 dolarów, a następnie do 5 dolarów. W miarę jak sieć stawała się coraz większa, wartość samej sieci przewyższała jakąkolwiek marchewkę, którą mogliśmy zaoferować.” Kontynuuje: „A potem zrobiliśmy wiele rzeczy, aby zmniejszyć tarcie. To jak bakterie w szalkach Petriego. Chcesz, aby jeden klient generował dwóch klientów, lub idealnie trzech klientów. A potem chcesz, aby to działo się naprawdę szybko.” Elon szacuje, że PayPal wydał 60-70 milionów dolarów na napędzenie tego wzrostu, zanim firma została przejęta przez eBay za 1,5 miliarda dolarów. Źródło wideo: @khanacademy (2013)

Założyciel Netflixa, Reed Hastings, wyjaśnia, dlaczego "rodzina" to zła metafora dla Twojego startupu "Klasyczną metaforą firm była rodzina. Zatrudniałeś ich i mówiłeś: "Jesteśmy rodziną. Troszczymy się o siebie nawzajem". I to jest trochę bzdura, bo zwolnisz kogoś w sposób, w jaki nie zwolniłbyś swojej siostry. To tak, jakbyś chciał, aby pracowali dla Ciebie, jakby byli członkami rodziny – za darmo i tanio. Ale jeśli masz być szczery, nie jesteś przygotowany na to, by traktować ich jak członków rodziny". Reed uważa, że zamiast rodziny lepszą metaforą firmy jest profesjonalna drużyna sportowa: "Naprawdę, relacje zawodowe są jak drużyna sportowa. A jeśli chcesz wygrać mistrzostwo, musisz mieć niesamowity talent na każdej pozycji... Dobrze płacimy ludziom. Chcemy, żeby wygrali. A jeśli masz jedną złą grę, nie tracisz swojej pozycji. Ale ostatecznie co roku walczysz o swoją pozycję". Źródło wideo: @GreylockVC (2015)

Jensen Huang o tym, dlaczego rewolucja AI będzie podobna do rewolucji przemysłowej „Produkujemy coś po raz pierwszy, co nigdy wcześniej nie zostało wyprodukowane, i produkujemy to w niezwykle dużych ilościach. A produkcja tej rzeczy wymaga nowego narzędzia, które nigdy wcześniej nie istniało - to GPU. A rzeczą, którą produkujemy po raz pierwszy, są tokeny. Produkujemy liczby zmiennoprzecinkowe w dużych ilościach po raz pierwszy w historii. A powodem, dla którego te liczby zmiennoprzecinkowe mają wartość, jest to, że to inteligencja.” Jensen kontynuuje: „Możesz wziąć te liczby zmiennoprzecinkowe i przekształcić je w taki sposób, że zamieniają się w angielski, francuski, białka, chemikalia, grafiki, obrazy, filmy, artykulację robotów, artykulację kierownicy… Więc teraz świat będzie produkować ogromną ilość tokenów. A te tokeny będą produkowane w nowych typach centrów danych - nazywamy je fabrykami AI.” Porównuje to do rewolucji przemysłowej: „W ostatniej rewolucji przemysłowej woda wchodziła do maszyny, podpalasz wodę, zamienia się w parę, a potem w elektrony. Atomy wchodzą, elektrony wychodzą. W tej nowej rewolucji przemysłowej elektrony wchodzą, a liczby zmiennoprzecinkowe wychodzą. A w ostatniej rewolucji przemysłowej nikt nie rozumiał, dlaczego elektryczność była tak cenna, ale teraz sprzedaje się ją i reklamuje w kilowatogodzinach za dolara. Teraz mamy milion tokenów za dolara. I ta sama logika jest dla wielu ludzi tak niepojęta jak ostatnia rewolucja przemysłowa, ale w ciągu następnych 10 lat będzie to całkowicie normalne. Te tokeny stworzą nowe produkty, nowe usługi, zwiększoną wydajność w całej gamie branż oraz setki bilionów dolarów wartości branż na nas.” Głównym problemem, który powstrzymuje AI przed wieloma z tych zastosowań w tej chwili, jest dokładność, ale Jensen uważa, że to wkrótce zostanie rozwiązane. Sposób myślenia o tych modelach, argumentuje Jensen, polega na tym, że wskaźnik błędów będzie się zmniejszał o połowę co sześć miesięcy do roku. Co oznacza, że dokładność i wiarygodność będą się podwajać w tempie szybszym niż Prawo Moore'a. „Wszystkie testy, którymi obecnie mierzymy te modele, ich wskaźnik błędów zmniejsza się o połowę co sześć miesięcy. I nie ma powodu, dla którego nie powinniśmy oczekiwać, że wkrótce będą one superludzkie.” Źródło wideo: @stripe (2024)