每月 500 万通电话，房租、看病都在里头。研究负责人做了 15 年弦论：90% 在论文里够看，在这里是一年 600 万次出错。1
这一期在讲什么
EliseAI 的应用研究负责人马里奥·马尔托内，在 MTS 主持人索菲娅·杜的节目里讲了 24 分钟。核心只有一句：论文里写 90% 可靠，落在这家公司每年约 6000 万通电话上，就是每年 600 万次出错。1
他做过 15 年理论物理，研究黑洞与弦论，在伦敦国王学院做助理教授，也是 Pollica 物理中心的共同创办人与主席。2 三年前他离开学术界，先去了一家把 AI 用在住房与医疗的公司。这一期讲的就是这两件事怎么接上。
00:00 片头：一个九成可靠的系统，值不值得上线
- 片头的原话：一个九成时间都能正常工作的 AI 系统，在一篇研究论文里也许很好看；但当你处理的是几百万通关于住房和医疗的对话时，剩下的那一成就是一个巨大的问题。
- 这一句是全片的结构：先把 90% 拆成失败次数，再讲这家公司做了什么。
01:00 两个博士学位，15 年黑洞与弦论
- 主持人介绍他是「双博士」：两个博士学位。
- 他说自己「大概有 15 年是在试着理解宇宙、黑洞、弦论」。
- 他把两边的工作放在一起看：弦论慢，这里每天都是新领域；但都需要那种能真正深入思考、能不断提新想法的人。
02:30 为什么不去前沿实验室
- 他本来想进产业界，也考虑过加入前沿实验室。
- 他的判断是：前沿实验室做的研究和理论物理更像，都是在大问题上推边界。
- 他想要的是另一种东西：大模型在产品里做出的决定，不是屏幕上随便冒出点什么，而是会真的影响人的生活，可能是非常好的影响，也可能是非常坏的。
- 主持人补了一句背景：光有实验室里更强的模型，并不意味着智能会自动扩散进真实行业。
04:30 技术栈：语音、续约、整条栈自己搭
- 公司 2017 年在纽约成立，最初叫 MeetElise，做公寓的租客沟通；2023 年扩到医疗，现在是住房与医疗两条线。3
- 技术栈里最硬的两块：语音延迟，和续约概率的预测。
- 语音这块他们动手很早：「我们在语音上动手非常早，已经做了三年。我们当时确实动手太早了。」
- 续约那块用的是自建的神经网络：「它跟大模型没有任何关系。」
- 为什么自己能写：整条栈是他们自己搭的，「每一个部分我们都完全理解」，所以知道今天的瓶颈在哪。
06:30 大模型不是所有问题的答案
- 他把团队的工具叫「一整套工具谱系」：一边是最前沿的大模型，一边是大量传统机器学习。
- 理由很直接：数据量大，而在续约这类任务上，「大模型并不是答案」。
- 他说很多最近才进入 AI 的人，对所有问题只有一个解法。往下挖一层就会发现，「有些东西其实不太好」。
- 具体差在哪：给出同样的输入、要求同样的行为，大模型做不到；概率也是它很难处理的东西。
- 而住房和医疗里，确定性与概率恰好是刚需。
- 他的排序标准有两条：哪个影响最大；哪个解法能最快地接近最优结果。然后在那上面加倍投入。
08:30 90% 落在 6000 万通电话上
- 主持人提到行业里的说法：每多一个九，就是再爬一座山；99% 不够，要 99.999%。
- 他的落差感来自论文：「他们谈可靠性，会说大模型能做到 90%——然后我们说，90%？」
- 他的算法是：对这个通话量来说，那是一大堆失败，完全无法承受。
- 本期给出的量级：每月 500 万通，折一年约 6000 万通。按 90% 算，一年错 600 万通，平均每天 1.6 万通。这是本刊按他的分母做的算术，不是公司披露的服务水平。
- 他说这也是「在理论上想这个问题的人」和「实际承担这些错误后果的人」的差别。
11:00 语音延迟：两个参数
- 参数一：非常清楚自己的栈。这套栈大部分是他自己搭的，所以知道哪几步最慢。
- 参数二：对外那份清单。外面有新的语音转文字、文字转语音模型，也有能微调的开源模型。
- 决策规则：如果自家某处真的很差、外面正好有能用的新解法，就全力扑上去；否则持续排序，看这一块能怎么改。
- 他说语音难在密度：一轮对话要在约一秒半里完成几十个、而不是几百个操作。
- 第三方公开案例给了更具体的数字：闭源 API 下特定任务 p90 延迟 2.2 秒，而语音管线的硬顶是 1.3 秒；改用 4B 开源模型微调后，p90 降到 250 毫秒，某个核心功能 99% 准确率，推理成本降约 60%。4
12:30 「我连榜单都不看」：自己家的评测
- 他描述的流程：有人在 Slack 上发来一个新模型的帖子；「我不会去相信它，我甚至不看那个榜单」；把它搭起来，在内部跑一个实验。
- 关键是那句：看每个模型在「我们自己的内部基准」上的表现，而不是那些你没法信的基准。
- 主持人问是不是全自动。他说有一部分是，环路已经有了，「但我们正在把它做成完全自动的」。
- 规模让这件事变成硬需求：他给的量级是每天上百万通电话、几十万封邮件和短信。
- 最难的一点：大量对话没有他们介入，而这些又落在住房和医疗上，一犯错就有实质后果。
- 他们要的是「十个人，每天理解这些对话跑得怎么样」。他说这件事「已经大体上攻下来了」。
13:30 从弦论带走的方法：先有想法，再微调开源
- 他承认数学与编程的训练有用，但更值钱的是另一件事：知道「提出一个新想法」是什么感觉。
- 「理论物理处在人类推理和思考的最前沿。如果提新想法很容易，每个人都有了。」
- 过去八个月他们重点投入微调开源模型：怎么做、在哪做、有哪些新东西该试。
- 结果：训练自己的模型，并且交付到了生产环境。
15:30 最难的两件事
- 第一件：判断六个月后哪些问题会变得可解。他把这称作高风险决策，因为早动一步、快动一步，六个月后就站在更好的位置。
- 第二件：给没人看着的对话做评测。自动化的收益越大，这件事越难——没有人旁听，你只能靠评测去「听」。
- 他说团队现在的做法是把评测当成产品的一部分，而不是发布前的检查项。
17:30 两条全自动环路
- 环路一，租赁：从在网站上决定感兴趣，到预约看房、AI 发门锁密码、自己开门、AI 讲这套房子，一直到搬进去，可以字面意义上全自动。
- 环路二，报修：工单能自动判读、自动升级、自动找供应商、自动打电话；但最后一个走进你家把它修好的人，还是人。
- 他的判断：要完全自动化就需要机器人，也许一两年后能到那一步。
19:00 下一个赌注：经济适用房
- 他先给了行业的份量：住房加医疗大约占美国 GDP 的 40%。这是节目里的宽口径；官方数据里，医疗 2024 年占 18.0%，住房相关支出按 BEA 口径大约 12–13%。5
- 下一个方向不是新行业，而是同一行里更难的一段：把经济适用房的运营成本压下来。
- 他的描述：极其复杂，对最没有资源、最脆弱的人群特别相关；「基本上完全没有自动化」，行业里现有的技术深度几乎不存在。
21:30 招人，和最后那句话
- 招两种人。工程师：有非常多工程要做，主要在旧金山和纽约，旧金山这个第二中心「长得非常好」。
- 研究员：有非常强的研究背景，但心里有那团火，想把自己的想法真的变成影响。他把这种人叫「很难找的独角兽」。
- 全片最后一句，也是被剪进片头的引语：「就算是从弦论出来的，我也会说，我们现在做的问题的复杂度，大概比那时候更高。」
几件需要交代的事
- 这是一场自家投资组合公司的访谈：a16z 制作这档节目，也是 EliseAI 2026 年 9 月那轮 3.5 亿美元融资（估值 40 亿美元，a16z 与 Bessemer 领投）的领投方之一。6
- 同一份新闻稿写「每六套美国公寓里有一套」；公司官网 About 页现在写的是「1 in 5」。两个数都出自公司自己，差的是统计口径与时间。
- MTS 是 a16z 在 2026 年 4 月投资并发起的媒体公司，在 X 上全天做访谈。7
- 节目 24 分 25 秒，官方没有章节表；正文与卡片上的时间点是按内容切的。
逐句全文翻译
以下是整集 24 分 25 秒的逐句中文翻译：只保留中文，保留说话人标签，不压缩、不摘要、不删减。底稿是本期整集音频的自动转写，逐句译文按转写整理。
有两处需要说明：开场那句被他重复过的引语，以及 14:50 前后「那个人就是我，直到三年前」的一轮，按语义归到马里奥名下；其余各轮按问答关系归属。转写里有一处数字含混（「一天……百万通电话」），与他自己给出的「一个月 500 万通」对不上，译文按上下文保留，卡片上只用前后都对得上的那个数。
马里奥：这话我没想到——就算是从弦论出来的，我也会说，我们现在做的问题，复杂度大概比那时候更高。
片头：一个九成时间都能正常工作的 AI 系统，在一篇研究论文里也许很好看。但当你处理的是几百万通关于住房和医疗的对话时，剩下的那一成就是一个巨大的问题。本期，EliseAI 应用研究负责人马里奥·马尔托内来到 MTS，讲清楚要把 AI 从实验室搬进关键行业，到底需要什么。
片头：马里奥在理论物理待了 15 年，研究黑洞和弦论这类问题。现在他把同一套研究心态用在生产级 AI 上：他的团队必须决定什么时候用大语言模型、什么时候传统机器学习其实更好，以及如何评估一套跑在几百万次真实互动上的系统。他们聊到了 EliseAI 的语音栈、它微调开源模型的工作，以及这家公司如何把「从找房、看房到最终入住」的流程自动化。
片头：而对马里奥来说，智力上的挑战并没有变简单。他认为，团队在生产级 AI 里啃的那些问题，可能比他在理论物理里遇到的还要复杂。
索菲娅：大家好，欢迎回到 MTS。今天我们的来宾要叫两遍「博士」——因为你有两个博士学位，所以是双博士：马里奥·马尔托内。他是 EliseAI 的应用研究负责人，这家公司为住房和医疗这类关键行业做对话式 AI。他有理论物理的背景，现在带团队把最新的机器学习进展用到真实问题上。马里奥，欢迎来到 MTS。
马里奥：谢谢，很高兴来。
索菲娅：我想先问一点你的背景。你一开始是教授、是理论物理学家，现在你把学到的东西全都用到应用 AI 上。我们上线前刚聊过，为什么把这些能力用起来、尤其是用在住房和医疗这种关键行业如此重要——这大概是最关键的几个行业。所以我想先从你讲起：为什么变了，为什么是 EliseAI，你从那边带走了什么？
马里奥：好。我同意你说的，这里有个很大的缺口。说得准确一点，我大概有 15 年是在试着理解宇宙、黑洞、弦论。所以那和我现在每天在 EliseAI 做的事非常不同。但我觉得有一件事其实很重要：我们正处在这样一个时刻，AI 走得非常快，未来会怎样并不清楚，有非常多开放的问题。我能看到的相似之处是——当然，做弦论的时候什么都慢，比这里的节奏慢得多，这里是砰砰砰每天都在变——但那个简单的问题是：那些能真正深入思考问题、非常有创造力、能不断提出新想法的人，会有巨大的优势，因为 AI 每天都是一个新领域。这就是把我带到这里、也让我能产生很大影响的东西。
索菲娅：跟我讲讲这个领域。我可能有点偏，因为我们上周刚在纽交所请了米娜·宋来聊，聊的正是关键行业，以及为什么把这些智能用起来、让它扩散进这些行业如此重要。光是在实验室里有更强的模型，并不意味着这些智能的影响会自动扩散到真实世界、扩散到真实行业里。
马里奥：对。对我来说，我本来也可以走另一条路——因为我当时确实有兴趣进产业界——比如去加入某家前沿实验室。但你在前沿实验室做的研究，虽然显然跟理论物理不一样，可它其实更像：你在处理那些大问题。但我真正想要的，是在真实世界里产生影响。而 Elise 在这一点上非常独特。因为你可以有这些能力不断增长的大模型，但我们每天面对的是「决策会有后果」这件事的真实挑战。所以大模型在 Elise、在我们的产品里做出的决定，不是屏幕上随便冒出点什么，而是会真的影响人的生活，可能是非常好的影响，也可能是非常坏的影响。这就是让我兴奋的地方，也让 Elise 处在一个很独特的空间里。
索菲娅：完全同意，我也很兴奋。你的角色独特在哪——你在 EliseAI 做应用研究。我记得 EliseAI 的技术栈现在包括预测续约风险，也包括管理语音延迟。因为你正好在这一层——应用研究的负责人——我想请你多讲讲这个技术栈，以及这些工程问题里到底什么最难。
马里奥：很多、很多事情都非常难。我觉得你刚点了几个最好的例子。语音——我们在语音上动手非常早，已经做了三年。我们当时确实动手太早了，这也正是我喜欢米娜和托尼那份愿景的地方之一：技术还没到位的时候，我们就已经在想办法把它做出来。但语音极其困难。你是在大概一秒半的时间里做几十个、而不是几百个操作。
马里奥：你还点到了另一件事：我们真的需要非常精确地理解人的行为。这也是 Elise 独特的地方之一——你提到预测续约，我们一边有最前沿的 AI，也就是大模型那一层，另一边我们也大量使用传统机器学习。因为我们有大量数据，而在那件事上，大模型并不是答案。所以我们真的有一整套工具谱系，而且是全力在用。比如续约概率的预测，我们用的是自己搭的相当精细的神经网络，它跟大模型没有任何关系。所以对我来说，做应用研究的负责人是一种很有利的位置：我不必对某一件东西有隧道视野，我可以真正看到整个 AI 领域在各条线上的进展。
索菲娅：等等，多讲讲你看到的这些进展。我觉得人们习惯把大模型往所有这些问题上砸，但这些问题并不都是纯概率的，你需要一些确定性的角度，你需要把这些不同的东西混起来。而你能有这种鸟瞰视角，看到整个 AI 和研究领域在宏观上往哪走，然后又能真的把它用进公司里。所以多讲讲这个。
马里奥：对，而且不只如此。最重要的事情之一是做决定：好，我们有一个问题——续约，给一个想续租的人算出一个概率。我们该上大模型吗？该上深度神经网络吗？还是该上一个非常简单的机器学习模型？这些是我和其他人必须在很早的时候就做的决定。很多最近才进入 AI 的人，对所有问题只有一个解法：大模型。我理解这种感觉，因为这些大模型能生成很好的回答，看起来聪明得不得了。但你往表面下面再挖一点，就会发现有些东西其实不太好。有些问题上，比如确定性，它就没有——给同样的输入、要同样的行为，大模型做不到。概率也是大模型很难处理的东西。所以我需要看着一个问题，理解两件事：第一，哪一个影响最大；第二，因为我们的交付节奏也非常快——哪个解法能最快地接近最优结果。然后我们就在那上面加倍投入。
索菲娅：能给我一个例子吗，你们团队实际用的方法？你能看出传统产品做法的问题在哪，尤其是在这里风险很高、不能出错的时候。就算 99% 准确也不够，必须是 99.999%。他们还开玩笑说，每多一个九，就是再爬一座山。
马里奥：有意思的是，我现在还会读一些学术界的论文，在那里你能清楚看到差别。他们谈可靠性，会说大模型能做到 90%——然后我们说，90%？对一个月 6000 万通、一年……的电话量来说，那就是一大堆失败，完全无法承受。所以你真的能看出「在理论上想这个问题的人」和「实际承担这些错误后果的人」之间的差别，后者是我们。我们会被投诉淹没，也要面对它对人的生活的实际影响。
马里奥：所以我们做的、我觉得相当特别、至少对我来说是真正让我投入、让我坚持下去的事，是搭出一种专长的混合：我们既有顶尖的学术人才，包括我自己、顶尖大学的教授，也有顶尖的开发者。所以团队里各种眼睛都有，从写代码到更学术的问题都能深看。我们试着用所有这些工具去建立评测，去理解评测——这就是你那些问题的答案。我们每天有几百万次对话，我们在做决定，我们能不能在规模上理解这些决定的影响？一旦你开始做这件事，而且系统性地做，结果会反过来跟你说话。你就真的能看到那个差别：如果只在小规模上试，五六通对话，看起来都挺好。但在规模上，到几百万的时候，不同方法就会明显分岔。
索菲娅：对，很有意思。这几乎就是把科学方法用在产品设计上，用在「你到底怎么把产品做出来」上。
马里奥：我百分百同意。我坚信，科学方法是人类产生过的最好的想法之一。
索菲娅：我还想聊聊 EliseAI 的语音模型，因为你们特别有能力管住语音延迟。我知道你们在做语音和沟通这件事上，比一些前沿实验室还要早。但其中一个很大的问题就是延迟，因为它不只是软件问题，也是硬件问题。你要考虑很多东西，尤其是你们——我不记得确切数字了，但就你们那些在互动的客户来说，是几亿量级……
马里奥：我们大概一个月 500 万通电话。
索菲娅：一个月 500 万通电话。
马里奥：所以一年大约 6000 万通，这个量相当高。
索菲娅：对。面对这些，你不能在语音和这些消费者互动之间出现奇怪的延迟。所以你怎么想这个问题？我很想进到你脑子里、进到团队的脑子里：在 EliseAI，你们怎么想这个问题？怎么拆它？怎么判断第一件该做的事是什么？
马里奥：好。这里有两个参数。一个是，你得非常清楚自己现在这套栈——我很清楚现在的栈，大部分是我自己搭起来的，所以我有很独特的视野。另一个我必须说的巨大优势是，这套栈完全是我们自己搭的，所以每一个部分我们都完全理解。你手里有整条栈，你知道今天的瓶颈在哪，哪几步最慢。
马里奥：然后是对外的视角：外面有很多不同的供应商、不同的变化，比如微调开源模型，或者更新的语音转文字、文字转语音模型。所以你心里有一份可能解法的清单，然后你试着把它和现在的栈对上。基本思路是：如果现在这条栈上某个地方真的很差，而外面正好有能用的新解法，那就全力扑上去；否则，你就持续理解、持续排序——给定市场上已经做出来的东西，我们栈里的这一块可以怎么改。
马里奥：我还要说，我们为了加快这个过程做了另一件事：我们搭了一种做实验的方式。我们有一个很紧的闭环：有新东西出现时，某人在 Slack 上给我发消息说，兄弟，我在 X 上看到这个帖子。我不会去相信它，我甚至不看那个榜单。我们做的是：好，把它搭起来，我们在内部跑一个实验。这样我们能真的看到每个模型在我们自己的内部基准上的表现，而不是那些你没法信的基准。
索菲娅：这太酷了。所以它从 Slack 进来，然后自动……这是全自动的吗，还是你进来做？
马里奥：我们有了一些，是个环路，但我们正在把它做成完全自动的。
索菲娅：哇，太酷了。那讲讲你的研究背景。你是伦敦一所顶级大学的教授。跟我讲讲，你从那整套「怎么做研究」的框架里带走了什么，尤其是理论物理的研究，它又是怎么用到你团队上的？你在内部到底怎么用同一套方法？
马里奥：因为我们确实能……还是那两点。第一，显然，在数学上有某种技术强度、能理解数学是有好处的，编程也一样，这些东西真的有用。但同时，你知道「提出一个新想法」是什么感觉。理论物理处在人类推理和思考的最前沿，所以提出新想法并不容易：你怎么得到一个真正能改变局面的洞见？如果它容易，每个人都有了。所以这里面有一套过程。我觉得这套东西很有用，我们把它带了回来。
马里奥：比如我们把它带到了微调上。过去八个月左右，我们重点投入的一件事就是试开源模型。当时的问题是：好，现在我们有条件在自己这边做真正的微调了，那怎么做？在哪做？有哪些新东西是我们该真的去试的？因为我们有独立生成想法的背景，而且你知道自己啃过外面最难的问题之一，所以你不怕啃。于是我们组织了一组研究员，开始狠狠地攻这件事。我们已经真的拿到了非常好的结果——训练我们自己的模型，并且把它交付到了生产环境。
索菲娅：这很让人兴奋。谢谢你的分享。我也很好奇，你前几天在 LinkedIn 上发了一条帖子，讲「杰出的研究背景，极小的现实影响」。这也正是我们刚才聊的。
马里奥：那个人就是我，直到三年前。对。
索菲娅：就是这样。所以我觉得特别酷的是，就像你说的，我现在能感到你这股劲：把这些科学的严谨性用到真实世界、用到住房和医疗这种关键行业上。那你说，你们团队现在最难的问题是什么？你们在啃的最难的问题有哪些？
马里奥：好，我会说两个。第一个是，大模型跑得很快。所以现在一个非常合理的问题是：六个月之后，哪些问题会变得可以用大模型解决，而现在还不行？再往前推一年、往后推一年，以此类推。所以就是持续地排优先级：哪些事情我们可以用大模型解决、可以自动化。再说一次，我们谈的不是数学题，我们谈的是真实世界的迭代。所以你得确认：这里确实有个很难的东西、是几百万套公寓真实存在的巨大摩擦，而我们现在真的能去迭代它。这是我们一直在花时间的事情之一，而且它很高风险，因为早动、快动，能让我们在六个月后处在好得多的位置。
马里奥：然后我觉得第二件极其困难的事是：再说一次，除非它长得快——但我们公司还是几百人。而我们运营的规模是百万级的，我们自动化了……每天上百万通电话、几十万封邮件和短信。所以我们真的建起了完全自动化的环路。这很美好、很棒、很光荣。但另一方面，你必须真的建立评测，这样你才知道——我们有大量对话是在没有我们介入的情况下进行的，而这些又落在住房和医疗上。这不是随便什么事，这些真的会影响人的生活，我们一犯错就会有实质性的后果发生。所以要建立那种评测，让我们能用很少的人、十个人，就能每天理解这些对话跑得怎么样。这是一件非常、非常难的事，说实话我们已经大体上把它攻下来了。
索菲娅：给我一些具体例子。有什么是你们把整条环路都自动化了的？
马里奥：基本上，语音电话的整条链路都在里面。比如我们自动化的两条主环路，一条是想租公寓的人：从他们看网站、判断自己对公寓有兴趣，一直到搬进去，可以完全、字面意义上的全自动。比如你可以预约看房，AI 给你发门锁密码，你到房子那儿，用密码开门，你和 AI 交互，AI 给你讲这套房子。所以整件事你都是自己在做。
马里奥：另一条是住户服务，比如打电话报修。这里还有一段我们没法自动化，因为要完全自动化就需要机器人。因为有些修复需要真正的人力，大模型做不到。但我们把其中很大一块自动化了：你可以提交一张工单，告诉系统「这个东西我修好了」；AI 能判断它是不是需要马上修，然后升级、找到供应商、打电话给人，最后一步是一个真实的人进到你家把它修好。也许一两年之后我们能把整件事都自动化。
索菲娅：哇，这挺有意思。所以我想知道你们接下来要做什么。我跟米娜聊过一个大话题，是关于纵向还是横向扩张。我觉得 EliseAI 独特的地方在于，尤其在住房这条线上，你们是纵向往下打到底的——你们把每一个问题都走了一遍，除了……我猜除了机器人真的进你家那一步。但你们会到的。现在你们在更横向地用它，也在医疗里往下深挖。下一步呢？你们在想另一个行业，还是在这个纵向的角度上继续往深走？
马里奥：对。我们现在脑袋是满的：医疗。住房加医疗大概占美国 GDP 的 40%，所以我们还有一点成长空间。尤其是，我们确实发现，做出真正重要的 AI 的最好方式，是因为 Elise 有一件独特的东西：我们有这些不可思议的人，比如像我这样的理论物理学家，花了 15 年看星星、想黑洞，再和非常深的领域理解与商业知识结合起来。所以我们真的有这种独特的技能混合。我们想继续往这个方向走，由客户告诉我们下一个大赌注是什么来驱动。
马里奥：比如我们现在正很重地面对的一件事，是真正把经济适用房的运营成本降下来。这看起来是个巨大的问题，因为我们发现经济适用房极其复杂，但对最没有资源、最脆弱的那部分人群特别有影响、特别相关。所以我们真的想让它们更能负担。而它极其复杂，基本上完全没有自动化，这个行业里现有的技术深度几乎不存在。我们在很激进地试，它在整个房地产里占很大一块。如果我们能把经济适用房的成本显著降下来，那影响会很大，会立刻作用到消费者身上，让他们的生活好很多。
索菲娅：有意思。最难的问题会吸引最好的人才。走之前我还想问最后一件事：我知道你们团队在招人，我想更清楚地了解你们在找什么样的人。你前面说你们有各种背景的人、技能的混合，你自己也来自学术界，我想更清楚地了解，在「怎么造东西」这件事上你们看什么。
马里奥：我们在技术和工程上主要在旧金山和纽约招，是因为我们想要最好的人。我们的标准相当高。两件主要的事：第一，我们要最好的工程师。有非常多工程要做，我们太缺了。尤其是在旧金山，我们的第二个中心长得非常好，但我们需要更多，我们长得不够快。第二，我们喜欢——尤其是我——研究员。那里的背景是：有非常强的研究背景，但心里有那团火，想把自己的想法、自己思考的深度，真的变成影响。所以我们要的是很难找的独角兽：学术背景极好，但真的有兴趣把它推到真实的工作里去。所以是那种明确把焦点放在影响人的生活、让生活变好的研究员。
索菲娅：这很让人兴奋。好，非常感谢你今天来，马里奥。这真是一场很迷人的对话。我觉得很有意思的是——这也是我第二次和 Elise 的人聊——能听到你的视角，也听到米娜的视角，还有你从理论物理带来的那种不同的背景和方法，然后再把丰富的学术训练用到我们现在 AI 里最难的一些问题上。
马里奥：我想对大家说一句：这话我没想到。但就算是从弦论出来的，我也会说，我们现在做的问题的复杂度，大概比那时候更高。
索菲娅：这门槛挺高的。你先到这儿的。好，马里奥，非常感谢你今天来到 MTS。
片尾：感谢收听本期 a16z 播客。如果你喜欢这一期，请点赞、评论、订阅、给我们评分或写一条评价，并把它分享给你的朋友和家人。想听更多，请到 YouTube、Apple Podcasts 和 Spotify。在 X 上关注我们 @a16z，并订阅我们的 substack：a16z.substack.com。再次感谢收听，我们下一期见。
片尾：这里的内容仅供参考，不构成买卖任何投资或金融产品的建议。本播客由第三方制作，可能包含付费推广、其他公司信息以及与 a16z 无关的个人。这些广告、公司和个人的观点不代表 AH Capital Management LLC、a16z 或其任何关联方的背书。信息取自发布之日被认为可靠的来源，但 a16z 不保证其准确性。
References
- 1
- 2Pollica Physics Center — Members
pollicaphysics.com
- 3EliseAI — About Us
eliseai.com
- 4
- 5NHE Fact Sheet — CMS
cms.gov
- 6
- 7Monitoring the Situation — a16z
a16z.news
Comments