Hi 我是 Vicky。
近期,因為老高的最新影片《真正的人生攻略,這一期也許你會看了又看》,提到 2022 年搞笑諾貝爾經濟獎的研究,也讓小站之前寫過同篇研究的科普文章跑了起來,迎來老高時刻(?)
這週,花了比較長的篇幅來聊聊「好運」。除了解釋這項研究是如何進行、結論之外,另個更吸引我的問題是「如何培養好運」。
關於這點,也蠻適合從連續創業家 Naval Ravikant、 Linkedin 共同創辦人 Reid Hoffman 等人身上汲取一些方法。
另則,來聊聊近期 Forbes 公布的 2023 AI 50 榜單,有哪些 AI 新創上榜、背後有哪些值得關注的趨勢。
希望你會喜歡這期的內容,也歡迎邀請朋友一起訂閱 Vicky's newsletter,祝你今天一切順利、生活中有滿滿的綠點(幸運事件)!
碰到綠點:比起才能,抓緊好運才是邁向成功的關鍵
「想要成功,你需要的是才能,還是運氣?」這問題深深吸引義大利學者們,於是他們透過數學模型找到答案。這篇 2018 年的研究成果,也獲得 2022 年搞笑諾貝爾學獎的經濟獎。
如何才能邁向成功人生?成功有什麼秘訣?只要和這些主題沾上邊的文章或書籍,總是有一定的流量與銷量。不外乎會談到幾項成功人士的個人特質:過人才能/技能、心理韌性、勤勞工作、正向樂觀、成長心態等。
但將成功全歸因於個人特質的假設,是正確嗎?
畢竟,現實生活中的財富分配是依照帕雷托法則(Pareto principle,八二法則),也就是 80% 的財富是由 20% 的人擁有。但是,人類的才智、技能是呈現常態分佈。畢竟不會有人的智商是 1000 或 10000。
雖然才能/天賦很重要,但數據表明,如果我們只關注個人特徵來試圖理解成功的決定因素,就會錯過成功畫面中真正重要的部分。
物理和經濟學家聯手,用數學模型來檢驗才能、運氣
這個想法深深吸引義大利物理學家 Alessandro Pluchino、Andrea Raspisarda 和義大利經濟學家 Alessio Biondo 。他們問了一個有趣的問題,「有沒有可能在社會中最成功的人,也是最幸運的人?」
他們認為這不只回答了大多數人的疑問之外,也能重新思考我們的社會是如何分配有限資源。
於是,他們決定量化運氣和才能在成功職業中是如何作用的,來進一步檢驗假設。透過數學模型模擬 1000 人在 40 年的工作生涯中(從 20 到 60 歲)的職涯演變。
在這個模擬世界的代理人(agents,代表現實生活中的個體)都有不同程度的才能。這邊就要稍微解釋一下才能的定義,具備智商、技能、動機、決心和創造性思考等個人特質外,也能善用運氣帶來的機會等。
一開始,每個代理人都有相同的成功程度(10 塊錢)來模擬。每半年,代理人都會接觸到一定數量的幸運事件(綠色),也會接觸到一定數量的不幸事件(紅色)。
當接觸到不幸事件,他們手中的錢會減半。反之,如果接觸到幸運事件,他們的錢就有機會翻倍。主要來反映現實世界中的才能與機會的相互作用。
在這 40 年的職涯模擬中,代理人們每半年就會經歷幸運/不幸事件,一共會遇到 80 次。最後,以代理人剩下多少錢,來判斷他們職涯的成功程度。
最成功的人,也是幸運之神的天選之人
他們發現「雖然才能是常態分布,但成功不是」。因為經過了 40 年的努力,整體代理人的財富分布依然 80-20 法則。
有 20 個最成功者的財富佔總體的 44% 。而有幾乎一半人口的成功水準是低於 10 塊錢的。這也和現實生活中的分布情況相似。
這研究最有趣的地方來了,他們比較這項模擬中的第一名和最後一名,來證明「最成功者是最幸運的」、「最有才能者不見得最成功」。
左圖,是這場模擬當中的最大贏家。雖然他的才能為 T=0.61 (才能分布進行標準化,平均值為 0.6,標準差為 0.1)。
簡單來說,這位人生贏家的才能高於平均值一點點,但在 40 年裡他經歷了 8 次幸運事件,而且每次都緊緊把握住。最終,他的財富從一開始的 10 塊,翻了256倍,達 2560 元。
右圖,則是這場模擬當中的最大輸家。特別的是,他的才能為 T=0.74,比最大贏家還要高。可是在 40 年間,他只遇過一次的幸運事件,卻遭遇了15次的噩運啊。最終,他的錢只剩下 0 元。
雖然這樣的分配好像很不公平,但成功往往不只牽涉單一因素:才能。如同,這項研究的發現,最成功的人往往是那些在才能上略高於平均水準,但生活中很幸運的人。
即便不是最有才能的人,但經歷一連串的幸運事件,最終會讓他們走向成功。
以上只是這項研究的一部分實驗。後續,還有深入研究關於補助方案的策略,有興趣的讀者,非常推薦東海大學應用物理學系施奇廷教授所撰寫的〈【2022年搞笑諾貝爾經濟獎】不想努力的我,把運氣點滿就對了 – PanSci 泛科學〉。
如何培養好運?
看到這裡,大家應該會更想要知道「如何培養運氣」。關於這個問題,在《快樂實現自主富有》《第一次工作就該懂》這兩本書中,都不約而同地談到了「運氣」的主題。
集結矽谷傳奇天使投資人、連續創業家 Naval Ravikant 智慧的《快樂實現自主富有》,他曾討論過讓自己變幸運的四種方式。
矇到的、期待好運找到你。這幾乎只能靠機率,無法由個人全權掌控。
不斷奔波,直到遇見好運。就像大數法則,只要不斷主動出擊,幫自己創造機會,終究會遇到幸運。
讓自己擅長發現幸運。當你越專精特定領域,比起對這領域陌生的人來說,你也就更容易發現幸運。
讓自己成為領域的佼佼者,機會自然會找到你。Naval Ravikant 認為這是最難,但也最奇妙的。打造屬於你的品牌,好讓運氣找到你,也就會打開不同的合作機會。
另個,對幸運的觀點也很有趣。連續創業家 Jason Roberts 提出了「幸運表面積」(Luck Surface Area)的概念:幸運來自你告訴多少人,你正在做的事。
把這概念寫成數學公式的話,就會是這樣:Luck = [Doing Things] * [Telling People]
在你生活中所發生的機遇(serendipity),就是你的運氣表面積。也就是說,你告訴多少人你正在做你熱愛的事情。
當你正在做的事情越多,品質也越好時,告訴的人越多,運氣表面積就越大。你的運氣表面積越大,你就越有可能讓機會找到你。
如同 Linkedin 共同創辦人 Reid Hoffman 在《第一次工作就該懂》(The Start-up of You)提到:「機會是緊黏在人的身上」。他解釋,每個機遇和契機幾乎都會牽涉到某人做了某事。
該如何開始培養自己的好運?行銷工程師 Aaron Francis 在他的部落格中分享了一個方式「發布、分享你的作品」。
練習透過發布、分享你正在做的事,有人會寫信給你,喜歡你的內容,給你不同的回饋等等。或者,慢慢有些人知道你是專門談論特定議題的人,會帶你認識不同人、介紹一些意想不到的機會,開啟各種可能性。
不管是 Naval Ravikant 或是 Reid Hoffman 都認為,「運氣可以自己培養」。後者更在《第一次工作就該懂》用了一整章的篇幅說明「機遇要自己養」,
不只要為自己創造好運,更要在好運來時緊緊掌握住,即便才能不是最頂尖的,還是能夠邁向成功。(至少這篇研究的發現是這樣)
Forbes 2023 AI 50 榜單
上週,Forbes 公布今年的 AI 50,他們從 2018 年開始推出這類榜單。大概是生成式 AI (Generative AI)熱潮的關係,今年他們首次開放除了北美之外的新創報名。
第一眼看到這 50 家上榜的新創,覺得蠻有趣的。光是 OpenAI Startup Fund 投的新創就上了兩間(Descript、Harvey AI)、OpenAI Mafia 也不少,像是 Anthropic 、Adept。
Forbes 邀請紅杉資本合夥人,同時也是 Forbes AI 50 評委的 Konstantine Buhler 寫了一篇《Generative AI Is Exploding. These Are The Most Important Trends You Need To Know》,提到了4 個重要趨勢。
他盤點了目前生成式 AI 的基礎設施、應用程式,以及預測性基礎設施、應用程式的發展。以下節錄重點,再加些我自己的想法。
生成式 AI 基礎設施
生成式 AI 基礎設施:更好的生成式 AI 基礎設施,正在催生更有用的大型語言模型(LLM)
各家所採取的方法也都不太一樣。像是,OpenAI 的 GPT-4、ChatGPT 押注在來自人類反饋的強化學習 (RLHF, Reinforcement Learning from Human Feedback)。
Anthropic 和他們的聊天機器人 Claude 則採取「RL-CAI」的方法。透過原發人工智慧 (Constitutional AI,簡稱 CAI)進行監督、強化學習。這種方式部分符合一組人性化原則,主要限制輸出的濫用等。
此外,在開源的領域裡,有訓練自有模型或 fine-tuned 現有模型的開發人員首選平台的Hugging Face,以及 Stability 的開源產品等。
在這個類別中,Buhler 也放了之前提到蠻多次的消費者應用程序 Inflection,由 DeepMind 的 Mustafa Suleyman 和 Greylock 的 Reid Hoffman 共同創辦的。
預測性基礎設施
在淘金熱潮下,淘金者不見得會賺,但賣鏟子的人有更多機會賺得盆滿缽滿。幫助 AI 和 ML 數據團隊標記、清理和處理對模型訓練關鍵的數據,正屬於這類型,像是 Coactive、Scale(去年只有他在榜上)、Snorkel 和 Surge。
除了標記數據之外,其中值得注意的是,專門幫助 AI 從業者訓練和 fine-tune 模型的 MosaicML 和 Weights & Biases ,這兩間今年第一次上榜。而 Arize 和 Hugging Face 也使得大規模部署模型變得容易。
生成式 AI 應用
相較其他 3 個類型,這類別應該是大眾最熟悉,也比較常接觸的。
不論是只花了兩個月即達 1 億名的每月活躍用戶數的 ChatGPT,或是在社群瘋傳 Midjourney 、Stable Diffusion 等都屬於這類型。
入選這次 AI 50 的新創,有蠻多都是屬於這類。除了有生成式 AI 搜尋引擎 Neeva 之外,還有一大塊都是與各種不同型態內容的應用,從文字、影像、音頻都有提供對應相關服務的新創。
在文字內容上,有運用 GPT-4 撰寫行銷文案的 Jasper、訓練了自家專有模型並專注於企業用戶的 Writer;在影音、音頻上,則有生成、編輯影片效果的 Runway。
其中蠻值得一提的是,OpenAI Startup Fund 在 2022 年 12 月的第一筆投資中,就有兩家入選 AI 50 的榜單,分別是 Descript (使用 AI 技術的音頻、影片編輯平台)、Harvey AI(透過生成語言模型發展更直觀的法律工作流程介面 )。
除了 ChatGPT、Bing 和 Bard 等聊天機器人之外,另個可以和虛擬角色應用的聊天機器人 Character AI 也入選。
用戶能自由選擇 Elon Musk、Mark Zuckerberg 等角色聊天。在先前最新一輪的融資中,拿到由矽谷創投 a16z 領投超過 2 億美元的資金,成為估值上看十億美元的獨角獸。
預測性 AI 應用
這類型匯透過 AI 檢測出異常情況,並由專業人士找到解決它們的方法。
像是,分析公司的電子郵件環境來識別網絡釣魚企圖和其他威脅並刪除惡意電子郵件。在醫療場景中,Viz.ai 快速瀏覽應由專家審查的患者影像,並協調醫護團隊來改善中風病患的情況。
最後,蠻同意 Buhler 對於未來發展的看法。他認為,LLM 的使用將會成熟、從 API 過渡到建立更小、更高效的模型可能成為未來趨勢。
他提到,擁有龐大而獨特數據的公司,會看到將自家模型訓練為護城河的明顯優勢。像是專注處理金融類型的 BloombergGPT。