夜雨聆风
这个暑期，24个天大青年把28天写成了自己的日记。
有人记录了第一夜倒时差的失眠，有人在笔记本上画下了肖克利实验室旧址的铭牌，有人在夜话结束后写下了对创业的重新定义。
《硅谷日记》是他们写给自己的备忘录。从1054 Wright Ave到斯坦福草坪，从夜话嘉宾的分享到每日行程的所见所感，每一篇都是第一视角的真心话。
跟着他们的笔尖，感受硅谷的温度。
李阳
人工智能学院 26级博士
来硅谷之前，我对这里的想象，更多来自新闻、书本和互联网上的创业故事。斯坦福、人工智能、创业公司、风险投资，这些词我都很熟悉，但它们在我的认识里一直是分开的。
真正来到这里以后，我才慢慢发现，硅谷最特别的地方，并不是某一项技术有多先进，而是技术、人才、资本、大学和市场之间一直在发生连接。课堂上讲到的理论，可能晚上就在创业者的故事里得到验证；白天参观过的公司和实验室，可能正是某项技术从论文走向产品的起点。
作为一名人工智能专业的学生，这几周给我最大的触动，是让我重新思考了一个问题：我学习人工智能，到底是为了掌握更多模型，还是为了用技术解决真实的问题？
参访图
AI让做产品变快了
但“找到问题”反而更重要了
迟城老师在夜话中提到，过去一个早期创业团队可能需要前端、后端、产品、运营等多个人，现在借助AI工具，一两个人也能把产品做出来。以前一家公司可能需要几年才能完成的验证，现在几个月就可能看到结果。
听到这里，我第一反应是兴奋。
因为我学的就是人工智能。现在我们可以用大模型写代码、生成界面、分析数据、完成内容创作，很多以前需要花费大量时间的工作，确实变得越来越快。对年轻人来说，技术门槛似乎降低了，我们可以用更少的资源做出一个最初版本。
但继续听下去，我又有了一点压力。
当“做出一个东西”变得越来越容易，真正拉开差距的，就不再只是技术能力，而是你能不能发现一个值得解决的问题。
以前做课程项目时，我有时会先想：“最近什么模型比较热门？能不能把这个模型用到项目里？”然后再去寻找应用场景。这样的思路看起来是在做创新，实际上很容易变成“拿着锤子找钉子”。
/硅谷夜话嘉宾分享 迟城/
Steve Ciesinski老师讲产品与市场的关系时提到，创新不只是发明一项技术，而是让技术真正产生价值。当客户不愿意归还你的原型时，才说明你可能真正找到了需求。
这句话让我印象很深。
/ SRIInternational（斯坦福研究院）前总裁、斯坦福商学院创业学讲师 Steve Ciesinski /
一个模型的准确率再高，如果没有人愿意使用，它仍然只是一个实验结果。相反，有些产品使用的技术未必最复杂，但它解决了一个高频、具体、长期存在的问题，就可能真正创造价值。
这也让我开始反思自己的学习方式。以后做项目时，我不能只问“这个模型能做什么”，还应该多问几遍：
这个问题真的存在吗？
谁正在被这个问题困扰？
他们现在是怎么解决的？
我的技术能不能让这个过程变得更简单、更准确或者更便宜？
Traini让我看到
人工智能不是炫技，而是理解真实世界
Arvin Sun老师分享Traini的创业经历时，我感受到了一种和课堂作业完全不同的人工智能。
很多人把Traini理解为“狗语翻译器”，但他一直强调，他们做的并不是把一声狗叫简单翻译成人类语言，而是结合宠物的声音、动作、身体姿态、环境以及行为变化，理解它当时的情绪和意图。
/硅谷夜话嘉宾分享 Arvin Sun/
作为人工智能专业的学生，我对“多模态”这个词并不陌生。我们会学习图像识别、语音处理、自然语言处理，也知道模型可以把不同类型的数据放在一起分析。但过去我对多模态的理解，更多停留在技术概念上。
听完Traini的分享，我第一次更具体地意识到：真实世界的问题，本来就不是单一模态的。
一只狗的叫声不能单独说明全部问题，一个人的一句话也可能需要结合语气、表情和场景理解。模型在实验室中可以处理被整理好的数据，但现实中的数据往往是混乱、缺失而且不断变化的。
Arvin Sun老师提到，他们最困难的部分之一不是搭模型，而是采集、分类和标注大量真实的宠物数据。这个细节让我很有感触。
我们在学习中经常把注意力放在模型结构和最终准确率上，却容易忽略数据是怎么来的、标签是否可靠、模型能不能适应真实环境。很多人工智能项目，真正困难的地方可能并不是训练，而是长期积累高质量数据，以及把行业知识放进数据体系里。
Traini也经历了从App、实时摄像头到智能项圈的变化。每一次产品调整，都不是为了让技术看起来更复杂，而是因为上一种方案在真实使用中出现了新的问题：上传视频不够实时，摄像头又容易跟丢宠物，最后才选择了智能项圈。
这让我明白，产品不是一次设计完成的，技术路线也不是越先进越好。真正的产品，是在用户使用过程中不断暴露问题，再一步步改出来的。
/共享单车上印有大模型 李阳拍摄/
硅谷偏爱年轻人，不只是因为年轻
而是因为敢于重新开始
迟城老师提到，很多投资机构愿意投资二十岁出头的年轻创业者，因为年轻人受旧经验的限制比较少，更容易从零开始思考AI时代的产品。
听到这一点，我既受到鼓舞，也产生了新的理解。
年轻并不自动等于有优势。年轻真正的优势，是还没有被固定的答案限制住，愿意学习，也愿意推翻自己的想法。
过去我会觉得，做项目时如果中途改变方向，可能代表前面的工作失败了。但这次听到多位创业者的经历以后，我发现硅谷对“改变方向”并没有那么负面的看法。很多产品最初的样子和最后完全不同，重要的不是一直坚持最初的方案，而是能不能根据反馈快速调整。
这对我来说是一个很实际的提醒。
在人工智能领域，技术更新很快。现在掌握的工具和方法，几年以后可能就会发生变化。如果只依赖已经学过的知识，很容易被过去的框架限制。比记住某个模型更重要的，是保持学习能力，能够在发现方向不对时及时重新开始。
李飞飞实验室
我看到的硅谷，不只是成功
也包括失败之后还能继续
Chuck Eesley教授讲硅谷创业生态时，有一句话让我记了很久：这里能够让失败者不绝望，也让成功者不离开。
创业失败的人可以重新进入其他公司，成功的创业者则会回来做导师、投资人，把经验和资金重新放回生态里。钱、人才和知识不断流动，才形成了硅谷长期的创新能力。
在肖克利半导体实验室旧址，我对这种流动有了更直观的感受。“八叛逆”离开肖克利后创立仙童半导体，后来又从仙童走出了英特尔、AMD等企业。一次离开和失败，并没有让故事结束，反而成为新产业的开始。
过去我对成功的理解有时比较直接：项目做成了就是成功，做不成就是失败。但来到这里以后，我开始觉得，一次结果并不能定义一个人。做过的尝试、认识的人、积累的经验，都可能在下一次选择中重新发挥作用。
这种对失败相对宽容的环境，也让我意识到，创新不仅需要能力，还需要安全感。当一个人不用因为一次失败彻底退出，他才更愿意尝试真正困难的问题。
交朋友，也是这次学习中
很重要的一部分
这几周除了课堂和参访，我很喜欢的部分是晚上的交流。
白天大家一起听课，晚上围坐在一起讨论。有的人关注技术，有的人关注投资，有的人已经做过创业项目。面对同一个问题，每个人看到的角度都不一样。
我以前学习人工智能时，容易把注意力集中在技术本身。但和不同专业、不同经历的同学交流后，我发现一个产品从来不只是算法问题。它还涉及用户需求、商业模式、行业知识、团队协作和表达能力。
“交朋友”对我来说，不只是多认识几个人，而是通过别人重新看见自己的局限。
有时候，一位同学提出的一个问题，会让我意识到自己对某件事想得过于简单；有时候，创业者讲的一次失败，也比一套完整的方法论更真实。我们不仅是在交换信息，也是在交换看问题的方式。
左图为与OpenAI员工及场地合影
结语：把看见的东西，变成下一步行动
这几周，我确实开了眼界，也长了见识。但我越来越觉得，研学真正的价值不只是“我去过斯坦福”“我听过创业者分享”，而是回来以后，我的学习和行动有没有发生变化。
接下来，我希望自己在人工智能专业的学习中做出几个调整。
第一，做项目时先从真实问题出发，不再只是为了使用某个热门模型而寻找场景。
第二，更重视用户反馈和真实数据，不只关注实验环境中的准确率。
第三，允许自己修改方向。发现问题时及时调整，而不是为了证明最初的想法正确，一直坚持一个不合适的方案。
第四，主动和不同专业、不同背景的人交流。人工智能最终要进入真实行业，只懂技术是不够的。
以前我觉得，学习人工智能就是不断增加知识，学更多模型、框架和代码。现在我开始觉得，真正的学习也包括忘掉一些固定答案，重新观察问题，再用技术给出自己的解决方式。
硅谷没有给我一个标准答案，但它让我开始更认真地思考：我想用人工智能解决什么问题，我愿意为哪个问题持续投入，以及我能不能把今天的所见所闻，真正变成明天的行动。
行动
从此刻开始
开眼界 长见识 交朋友
from 李阳
