这份来自2008年Airbnb的融资商业计划书，虽然只有短短14页，但是个挺好的BP范例，因此为要写BP的朋友们提供了简单的分页解析，希望能有所帮助：

P1: 标题 一句话说明公司做什么 - “与其预订酒店，不如选择当地人的房间”，吸引注意力，激发兴趣。

最近由于重新研究了一下科技公司的长期激励模式，专门针对OpenAI这个特殊案例做了些分析：

• 背景信息 - OpenAI独特的公司架构
• 由此引发的独特薪酬激励模式 – PPUs
• Bonus – 最近的OpenAI员工股权争议？

总体的点评是：虽然OpenAI的这套公司架构和薪酬激励模式很可能并不适合绝大部分公司，但是依然是个能作为底层思路参考的创新模式案例；

4o的重点是作为一个端到端的原生多模态大模型，所有的输入和输出都由同一个神经网络来处理（不同于例如过往的GPT需要调用另外的语音-文字转换模型来辅助实现语音对话模式）

我印象深刻的亮点是：

原文 - The “it” in AI models is the dataset

我在 OpenAI 工作已近一年。在这段时间里，我训练了大量的生成式模型，数量之多恐怕无人能及。在我花费无数时间观察调整各种模型配置和超参数带来的效果时，有一点让我印象深刻，那就是所有训练过程之间的相似性。

我越来越清楚地认识到，这些模型在以一种令人难以置信的程度逼近它们的训练数据集。这不仅意味着它们学会了什么是狗或猫，还学习到了分布之间那些看似无关紧要的间隙频率，比如人类可能拍摄的照片或经常写下的词语。

如何做出伟大的成就（How to Do Great Work）

作者：Paul Graham

译者：richchat+GPT，部分内容也参考了科技岛读-周钦华的一稿翻译

引言：本文来自硅谷创业教父Paul Graham（YC的创始人）在2023年7月发布的一篇长文博客，我试读过网上好几个不同的翻译版本，感觉都有很多不通顺的地方，同时整体结构上也不利于阅读。去看了英文原文后发现确实原文的行文上就比较灵动，对于习惯看逻辑框架清晰文字的强迫症人士确实是个挑战。由于这篇文章的内容确实很能引发思考，而且隔一段时间重新读一次甚至还会有新的感悟，所以我重新精翻和整理了一轮供大家参考。

重新看了一下这篇关于英伟达的管理风格的内容，感觉其中部分的思路虽然和传统管理方式相左，但确实能理解背后隐含的逻辑。或者说管理可能就是没有“定式”，还是要匹配公司具体情况。

英伟达 (Nvidia) CEO 黄仁勋的独特管理方式：

40个直接下属，无一对一会谈

- 他认为最扁平化的组织结构最能赋予员工权力，这一理念从最高层开始贯彻；

- 不举行一对一会谈，所有事情都在团队环境中讨论；

- 非常重视持续学习，紧跟行业最新趋势和创新。为此，他的一个方法是与那些知识渊博、愿意分享专业见解的人密切交流；

译者按：硅谷创业教父Paul Graham的最新essay精翻，后续计划做个系列。这篇依然是推荐高中生/大学生或者是相关家长们都可以看看，尤其孩子本身就对创业感兴趣的（也可以同时参考之前发过的另外一篇“如果早知道这些就好了！硅谷风投教父Paul Graham给高中生们的建议”）。

(这是我给 14 - 15 岁的学生们做的演讲，主题是如果他们将来想创业，现在应该做些什么。许多学校认为他们应该告诉学生一些关于创业的事情。以下是我认为他们应该告诉学生的内容。)

创业：避免朝九晚五的另一条路

你们中的大多数人可能认为，当你们进入所谓的“现实世界”时，最终必须找份工作。但事实并非如此，今天我要分享一个让你避免找工作的秘诀。

这个秘诀就是创办自己的公司。当然，这并不意味着你可以逃避工作，因为创办自己的公司通常会比打工更加辛苦。但你可以避免打工带来的许多烦恼，包括老板对你的指手画脚。

做自己的项目比为别人打工更令人兴奋。而且，如果成功，你也能赚到更多的钱。事实上，这是成为超级富豪的标准途径。看看媒体不时发布的富豪榜就会发现，他们几乎都是通过创办自己的公司实现财富积累的。

生成式AI在2023年以惊人的速度席卷了消费者市场，创下了超过十亿美元的消费支出记录。展望 2024 年，我们预计企业领域的收入潜力将会数倍增长。

去年，消费者们热衷于与AI情感陪伴机器人交流，或是利用diffusion模型来创作图像和视频，而企业对生成式AI的应用似乎还停留在一些显而易见的场景，以及推出一些简单的“GPT套壳”产品。一些悲观者质疑生成式 AI 是否真的能够在企业中大规模应用。我们是不是只能局限在那几个用例中？这些初创公司真的能盈利吗？这一切会不会只是炒作？

在过去几个月里，我们与众多财富500强和顶尖企业的领导者进行了对话，调查了70多家企业，以了解他们如何使用、采购和为生成式 AI 制定预算。我们惊讶地发现，在过去六个月里，这些领导者对生成式 AI 的资源投入和态度发生了巨大变化。尽管他们对部署生成式 AI 仍持谨慎态度，但他们的预算几乎翻了三倍，用例数量也在增加，更多的实验性工作负载开始转向生产环境。

对于创业者来说，这是一个巨大的机遇。我们认为，那些能够围绕企业以 AI 为中心的战略需求进行构建，并预见到潜在挑战的 AI 初创公司，以及那些从侧重服务的模式转向开发可扩展产品的公司，将能够抓住这一波新的投资浪潮，占据显著的市场份额。

如果你浏览各种提示语/prompt，你会注意到它们在风格和方式上各不相同，而不是固守某一个特定模板。要理解这背后的原因，我想先问你一个问题：要怎样才能最有效地引导Meta的开源Llama 2准确完成数学题呢？请你花点时间猜一猜。

不管你怎么猜，我可以很有信心地告诉你答案是错的。正确的答案居然是 - 根据你想让AI解答的数学题数量，你需要假装成正在《星际迷航》的剧集里或者是在一部政治惊悚片中…

我由于一直在密切跟进大模型领域的发展，因此每次看到有新的大模型发布号称“超越GPT4”的时候都会去试一下，但是基本都是以失望告终（包括寄予了厚望的Gemini Ultra） - 直到使用了上周的Claude 3 Opus。虽然依然不能说Opus全面超越GPT4，但是从个人的实际试用上发现确实在不少方面体现了不弱于甚至超过GPT4的智商。

那么，我们能如何更好地使用Claude 3呢？Anthropic编写了一本非常详尽的Prompt操作指南（依然，我查了一下目前网上现有的少量翻译，感觉质量还不够高，因此重新翻译整理了下面的内容）。如果你仍旧采用与GPT4相同的prompt技巧，那么你可能还没能充分发挥Claude3的全部潜力！