Jeff Bezos forklarer hvorfor han ikke tok ytterligere egenkapital for å bygge Amazon Jeff blir spurt om hvorfor han bare betalte seg selv 80 000 dollar per år og aldri tok ekstra egenkapital i løpet av sin periode som administrerende direktør i Amazon. Han svarer: «Jeg ba kompkomiteen i styret om ikke å gi meg noen komp. Mitt syn var at jeg var en grunnlegger. Jeg eide allerede en betydelig del av selskapet, og jeg følte meg bare ikke bra med å ta mer. Jeg følte at jeg hadde rikelig med insentiver. Jeg eide mer enn 10 % av selskapet, og tidligere – før det ble utvannet av forskjellige ting – mer enn 20 % av selskapet. Jeg følte bare, hvordan kunne jeg trenge mer insentiv?» Jeff fortsetter: «De fleste gründere eier store deler av selskapet. De er mer som eier-operatører. Måten de øker formuen på er ikke ved å få mer egenkapital. De vil bare gjøre egenkapitalen de har mer verdifull. Og så ville jeg bare ha følt meg ekkel over det. Og jeg er faktisk veldig stolt av den avgjørelsen.» Jeff er spesielt stolt av hvor mye rikdom han har skapt for andre mennesker: «Noen må lage en liste der de rangerer folk etter hvor mye rikdom de har skapt for andre mennesker – i stedet for Forbes-listen der den rangerer deg etter din egen rikdom. Amazons markedsverdi er 2,3 billioner dollar i dag. Jeg eier rundt 200 milliarder dollar av det. Så hvis du tar 2,3 billioner dollar og trekker fra stykket jeg beholdt for meg selv, så har jeg skapt noe sånt som 2,1 billioner dollar i rikdom for andre mennesker. Det burde sette meg ganske høyt på en slags liste. Og det er en bedre liste – hvor mye rikdom har du skapt for andre mennesker?» Videokilde: @nytimesevents (2024)

I dag markerer den tredje serie A-investeringen vi har gjort i et YC-selskap i 2025. YC er fortsatt 🐐

Knowlify (@knowlifyai) er ElevenLabs for forklaringsvideoer. De bruker AI for å umiddelbart gjøre alt innhold om til lettfattelige forklaringsvideoer. Tenk på det som å ha en personlig 3Blue1Brown for ethvert emne, på forespørsel. Gratulerer med lanseringen, @arjun, @ritv3999 & @RealJonMaynard!

Ambral (@ambral_ai) bygger den første kundeoppdragskontrollen. Det er et AI-kontoadministrasjonsteam bygget for å hjelpe deg med å maksimere inntektene fra hver kunde. Gratulerer med lanseringen, @Sambrickman_ & @JackStettner!

Vi vet at AGI blir utsatt når laboratoriene begynner å bygge funksjoner for å velge våre egne bakgrunnsfarger og fonter.

Det er en stor fordel med å være en personlig oppstart i SF akkurat nå: Nærhet til AI-laboratoriene, tidlig tilgang til modeller, nærhet til folk i forkant, tilgang til kapital. Hvis en ny modell faller og teamet ditt er raskere å integrere, kan det lett være forskjellen mellom å skaffe hundrevis av nye brukere på en enkelt dag og ikke.

Waymo for gravemaskiner!

Figma-medgründer og administrerende direktør Dylan Field (@zoink) om hvordan AI vil transformere design og hvorfor håndverk og oppmerksomhet på detaljer vil være de ultimate differensiatorene. På AI Startup School i San Francisco. 01:38 – Hvordan Dylan og Evan startet Figma 02:58 – WebGL: Fra spill til verktøy 04:10 – Kjøpe tid til å bygge 05:48 – Hold deg motivert gjennom tidlig utforskning 06:10 – Kalde e-poster, tidlig tilbakemelding og første brukere 08:24 – Lanseringstidspunkt og leksjoner om frakt tidlig 10:08 – Kultur for begrensninger og kreativ problemløsning 10:50 – Gjenkjenne produkt-markedets tiltrekningskraft 13:32 – Hvorfor design er differensiatoren i AI-æraen 16:34 – Figmas AI-produkt lanseres og utvides utover design 18:56 – Uskarphet mellom design, utvikling og produkt 21:00 – "MS-DOS-æraen" av AI-grensesnitt og fremtidige overflater 23:26 – Designens rolle i AI-forskning og fremtiden til designere 27:36 – Spørsmål og svar for publikum: AI-verktøy, åpen kildekode, prinsipper og råd

Noen ganger er det vanskelig å forstå betydningen av resonnementet og logikkoppdateringene som begynner å dukke opp i kraftige modeller, som GPT-5. Her er et *veldig enkelt* eksempel på hvor kraftige disse modellene blir. Jeg tok et nylig NVIDIA-transkripsjonsdokument for inntektssamtaler som kom inn på 23 sider og hadde 7,800 ord. Jeg tok en del av setningen "og bruttomarginen vil forbedres og gå tilbake til midten av 70-tallet" og modifiserte "midten av 70-tallet" til "midten av 60-tallet". For en finansanalytiker med ekstern innstilling ville dette se malplassert ut, fordi marginene ikke ville "forbedres og gå tilbake" til et lavere tall enn det som beskrives som et høyere tall andre steder. Men sannsynligvis ville 95 % av folk som leser denne pressemeldingen ikke ha oppdaget modifikasjonen fordi den lett passer rett inn i de andre 7,800 ordene som er nevnt. Med Box AI, som testet en rekke AI-modeller, spurte jeg deretter en rekke modeller "Er det noen logiske feil i dette dokumentet? Vennligst gi et svar på én setning.» GPT-4.1, GPT4.1 mini og en håndfull andre modeller som var toppmoderne for bare ~6 måneder siden, kom vanligvis tilbake og returnerte at det ikke var noen logiske feil i dokumentet. For disse modellene virker dokumentet sannsynligvis sammenhengende og følger hvordan det kan forvente at en inntektsutskrift skal se ut, så ingenting skiller seg egentlig ut for dem om hva de skal være oppmerksomme på - en slags omvendt hallusinasjon. GPT-5, derimot, oppdaget raskt problemet og svarte med: «Ja – dokumentet inneholder en intern inkonsekvens om bruttomarginveiledning, der det på et tidspunkt sies at marginene vil «gå tilbake til midten av 60-tallet» og senere sier at de vil være «på midten av 70-tallet» senere i år.» Utrolig nok skjedde dette med GPT-5, GPT-5 mini og, bemerkelsesverdig nok, *til og med* GPT-5 nano. Husk at utgangstokenene til GPT-5 nano er priset til 1/20 av GPT-4.1s tokens. Så mer intelligent (i dette brukstilfellet) for 5% av kostnaden. Nå, selv om det ikke ofte er en daglig hendelse for alle kunnskapsarbeidere å gjøre feilgjennomganger på forretningsdokumenter, dukker denne typen problemer opp på en rekke måter når de arbeider med store ustrukturerte datasett, som økonomiske dokumenter, kontrakter, transkripsjoner, rapporter og mer. Det kan være å finne et faktum, finne ut en logisk feilslutning, kjøre en hypotetisk eller kreve sofistikert deduktiv resonnement. Og muligheten til å bruke mer logikk og resonnement på bedriftsdata blir spesielt viktig når du distribuerer AI-agenter i bedriften. Så det er utrolig å se fremskrittene på dette området akkurat nå, og dette kommer til å åpne for massevis av flere bruksområder for bedrifter.

Ny kokebok i samarbeid med @llama_index er ute! Vi går gjennom hvordan du bygger en kraftig arbeidsflyt for analysering-henting-omrangering over komplekse PDF-filer Sjekk det ut!