从“按下按钮车就出现”到城市操作系统:Travis Kalanick 讲述 Uber 的早期逻辑
这是一场发生在 2012 年的内部分享,Travis Kalanick 以大量一线数据和现场故事,讲清了 Uber 早期为何能高速增长。比商业传奇更重要的,是他对“流动性”“城市物流”“双彩虹指标”等方法论的阐释,展示了一个平台型产品如何从边缘走向主流。
这是一场发生在 2012 年的内部分享,Travis Kalanick 以大量一线数据和现场故事,讲清了 Uber 早期为何能高速增长。比商业传奇更重要的,是他对“流动性”“城市物流”“双彩虹指标”等方法论的阐释,展示了一个平台型产品如何从边缘走向主流。
在这场YC Startup School 2012的分享中,乐天创始人三木谷浩史回顾了自己从1997年创业到推动公司全球化的关键决策。他不仅讲述了在日本创业与硅谷截然不同的现实,还坦诚分享了现金流、耐心、失败并购以及“英语官方语言”等看似反直觉却至关重要的选择。
在2013年的YC Startup School上,Balaji Srinivasan提出一个激进而系统的观点:当体制无法被内部改革时,真正的创新来自“退出”。他从微软、硅谷创业史一路讲到国家治理,提出技术正在降低“退出成本”,甚至可能催生全新的“软件化社会”。
Chris Dixon 在 YC Startup School 的这场演讲,系统解释了一个反直觉但极其重要的创业规律:真正伟大的创业点子,往往在早期看起来“不靠谱”。他通过 Google、Airbnb 等案例,拆解了这些点子为何被低估,以及创业者如何通过“知道一个别人不知道的秘密”找到机会。
这是一篇关于反馈、分发与实验的创业反思。Dan Siroker通过多次失败、谷歌与奥巴马竞选团队的经历,逐步提炼出一套可复用的创业“算法”,并最终打造出Optimizely。
Pinterest搜索团队分享了他们将大语言模型引入搜索排序的完整实践:从相关性建模、内容标注,到用知识蒸馏解决规模与成本问题。这是一套已经在线服务数十亿搜索请求的真实系统,而不是实验室原型。
这场来自LinkedIn AI的分享,讲述了他们如何用一个大语言模型统一推荐、排序与个性化任务,并一步步把它真正部署到线上。它不仅回答了“LLM能不能做推荐”,更详细拆解了在延迟、成本和效果之间反复拉扯的工程现实。
在这场技术分享中,Netflix推荐系统负责人讲述了一次关键转向:放弃碎片化的推荐模型体系,转而用一个基础模型统一承载所有推荐需求。文章还原了这一决策的背景、技术细节与现实约束,解释为什么这不是一次简单的“模型升级”,而是一场组织与工程方式的重构。
这场来自 Instacart 搜索与机器学习团队的分享,讲述了他们如何在真实、高复杂度的杂货电商场景中引入大语言模型,解决传统搜索在冷启动、长尾查询和商品发现上的结构性难题,并在工程约束下找到可落地的平衡点。
这场演讲讲述了YouTube团队如何尝试让Gemini真正理解YouTube世界,并将大语言模型用于视频推荐与检索。核心不在于炫技,而是在规模、约束和产品现实下,重新思考LLM能做什么、不能做什么。