# 丹·科科托夫：人工智慧與人類的語音識別 > 語音識別專家談 AI 語音技術的演進、人類聽覺機制，以及兩者之間的差異與互補。 - 原標題：#151 – Dan Kokotov: Speech Recognition with AI and Humans - 期數：第 151 期 - 釋出日期：2021-01-04 - 嘉賓 / 主題：丹·科科托夫 - 網頁版：https://lex.qiaomu.ai/tw/ep/dan-kokotov/ - 官方頁面：https://lexfridman.com/dan-kokotov/ - 精讀字數：約 9559 字（閱讀約 21 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 Rev 的人工轉錄服務每分鐘收 1.25 美元。它自家的語音識別引擎，在內部測試集上的詞錯率是 14%；一個認真的人類轉錄員，業界公認能做到 2% 到 3%。兩個數字擺在一起，像一場還沒打完的追趕賽。 真正有意思的地方在別處。Rev 用一份收入同時幹了三件事：賣服務收錢、拿到人類校對後的最終文字、還拿到人類校對的過程本身。 丹·科科托夫（Dan Kokotov）是 Rev 的工程副總裁，管著 rev.ai 這個語音識別引擎。他用一句話點破了這家公司的底層結構。 > 我們的商業模式，就是別人付錢請我們標註資料。所以這個飛輪相當神奇。（丹·科科托夫） 做機器學習的人聽到這句話大概會愣一下。資料標註是最貴、最枯燥、最難規模化的一環，Rev 把它變成了收入來源。商業模式談不上多精巧，位置決定了這件事：站在人機交接的那個介面上，資料自己會流過來。 ## 先解決一個特別煩人的問題 Lex 用 Rev 用了兩年多，理由很樸素。他早年做 YouTube 影片，要轉錄就去 Upwork 上找人，來回溝通、催進度、對格式，每次都夠折騰的。後來他發現 Rev：把音訊丟進去，或者直接貼一個 YouTube 連結，一兩天後拿到標準格式的字幕檔案。 他把這種體驗和另一款軟體放在一起類比。iZotope RX，做音訊修復的。拖進去，噪聲、口水音、裝置故障帶來的雜音，一次性清乾淨。在此之前他用過 Audition，用過各種外掛組合，全靠手動調引數。 > 我一直很佩服那種人，把一個問題接過來，然後讓它變得簡單。生活裡有太多你甚至沒意識到有多疼的事情。（萊克斯·弗裡德曼） Rev 的起點跟自由職業市場有關。CEO 傑森是 Upwork 的早期員工，非常熟悉那套模式：客戶上來瀏覽一堆自由職業者的資料，憑感覺挑一個，然後祈禱對方靠譜。客戶之所以要挑，恰恰因為自己不是專家，所以挑不準；自由職業者那一頭也痛苦，一半時間花在琢磨怎麼把個人主頁做得更吸引人，而他們同樣不是這方面的專家。 Rev 的思路是把整個環節拿掉。選幾個足夠標準化的垂直領域，做成一個網站，你交檔案，我們交結果，中間的麻煩事全部隱藏。最早做的是翻譯，後來才加上音訊轉錄。定價也順著這個邏輯，轉錄按音訊分鐘計費，翻譯早年按頁或者按詞。 標準化不只是產品判斷，它決定了資料能不能用。程式設計專案每個都不一樣，沒法套模板，也沒法比較質量。五小時的音訊就是五小時的音訊，五頁的檔案就是五頁的檔案，質量好壞一眼能看出來。Dan 說，Rev 最早接的翻譯單子裡有一批是董事會證明、移民檔案這類東西，格式固定、對錯分明，這讓他們在早期很容易判斷自己幹得好不好。 ## 兩個邊的市場，最難的是平衡 Rev 是個雙邊市場。一邊是客戶，一邊是他們內部叫 Revers 的自由職業者。客戶單子多了，Revers 有活幹、有錢賺；單子少了，Revers 登入工作臺看到空空如也的列表，轉頭就走。 Dan 說這個問題他們做了很多年，到現在還在改方法。它沒有一勞永逸的解，只有持續的調節。 這裡有個詞他不太喜歡，gig economy，零工經濟。他覺得 gig 這個詞把工作說輕了，聽起來有點玩票的意思。在音樂行業 gig 是正經說法，放到勞動上就變味了。 他更願意這樣描述：這是把在家工作這件事做得更自由，去掉地理限制和時間限制。Rev 的 Revers 裡有在家帶孩子的媽媽，不想要朝九晚五，但需要一份收入，也想自己決定每天干幾個小時；也有想住到山裡、住在林中小屋、同時又想賺點錢的人。在舊的就業結構裡，這兩件事通常只能二選一。 Lex 追問 Revers 的人群分佈。Dan 說他們管理層每年會去幾個地方，專門和 Revers 見面，基本上到哪兒都能很容易找到一大群，最近一次在猶他州。人群跨度很大：在家帶娃的、想賺外快的學生、有社交焦慮不願意進辦公室的，還有一位原本職業履歷很漂亮、正在給自己放假的女性，接活的部分原因是想親自體驗一下所謂的零工經濟到底是怎麼回事。 Lex 補了一個自己觀察到的細節。他用 Rev 給 MIT 的深度學習課程做字幕，發現有些 Revers 對技術術語的把握出奇地準，大小寫、專有名詞、模型名字，處理得比預期好得多。Dan 說他們會去查，會 Google，而且對其中一部分人來說，查證本身就是這份工作的樂趣之一。 > 他們會告訴我們，我喜歡幹這個，因為我等於是拿錢看紀錄片，一邊轉錄一邊學到東西。（丹·科科托夫） ## 一個變成沙蟲的暴君 聊技術之前，Lex 先問了科幻。Dan 的答案沒有任何猶豫：《沙丘》（Dune）第一，第二好的是《沙丘之子》，第三好的是《沙丘神皇》。整個系列六本，是 Frank Herbert 寫的一條完整時間線，必須按順序讀。他兒子後來續寫的那一堆，Dan 直接說不必費心。 他真正想講的是第四本里的設定。主角萊託變成了一個巨大的沙蟲與人的混合體，成了統治世界的暴君，壓迫人類很長一段時間。但他有目的：人類過得太舒服了，文明陷入停滯，他要用痛苦把人逼出去，逼他們殖民新的星球，把向前的動量重新點燃。 > 你需要一點壓力和苦難，才能讓人往前走，不至於過得太舒服。也許這是個有點殘酷的結論，但看起來確實如此。（丹·科科托夫） 這個類比放在他自己身上挺貼切。一個從俄羅斯出來的孩子，1991 年離開，在那邊能玩到的最好的電子遊戲是 Pong。他媽媽是程式設計師，所以他有機會坐地鐵去她單位，在一臺相當於 286 的機器上、插著軟盤玩。他說那在當時已經是一種特權。 Lex 說他沒讀過《沙丘》，這是他最大的遺憾之一，尤其新版電影要上映了。他玩過那個即時戰略遊戲。Dan 記得那款遊戲，說他自己在俄羅斯的時候也玩過。兩個人對新電影的判斷倒是接近：預告片看了，有點懷疑。Dan 補了一句，David Lynch 那版雖然有爭議、有點讓人看不懂，但它是所有改編裡最能把原著那種氣氛抓住的。 ## 為什麼機器翻不好俄語詩 話題轉到語言。Dan 的父親寫詩，白天有一份正式工作，寫詩是他一輩子的熱情所在。到了美國之後開始做翻譯，先是從英語詩翻成俄語，後來也反過來。 2020 年諾貝爾文學獎給了露易絲·格麗克（Louise Glück）。他父親翻過她的一本詩集，是少數幾個做過這件事的人之一，還因此接受了自由電臺的採訪，談翻譯詩歌的一些門道。 Dan 說難的地方主要在選詞。俄語的語法結構和英語差別很大，有格的變化，有性，英語裡沒有這些。這也是英俄之間機器翻譯格外吃力的原因之一。另一個方向的麻煩在於，英語的詞彙量比俄語大得多，所以經常找不到那個能承載同樣情緒的對應詞。俄語更愛在詞上做遊戲。 Lex 對這件事的興趣非常具體。他打算等世界重新開放之後去巴黎，找那對翻譯陀思妥耶夫斯基和托爾斯泰的著名夫婦聊。他手上有一批想採訪的俄語人士，包括一位完全不說英語的數學家格里戈裡·佩雷爾曼，還有他自己說一定要想辦法實現的普京。他的俄語能聽懂，但不夠機靈、不夠幽默。 > 我在英語裡已經是個白痴了，在俄語裡是更高階別的、更尷尬的白痴，但我能聽懂。（萊克斯·弗裡德曼） 他真正在琢磨的是採訪的形態。三個人在場，一個人用英語提問，一個人翻給對方，對方用俄語回答，再翻回來。它像一支三人舞，節奏和默契都需要重新設計。他想先從文學譯者入手，因為這些人懂語言裡那些細微的東西、懂來回擺盪的分寸，然後再去考慮實時語音的可能性。 ## 從寫程式碼到寫人 Lex 說接下來的問題大概是他能問出的最糟糕的一個：一個工程師，是怎麼走到管理崗上去的。 Dan 的回答從童年開始。他記得第一次寫程式時那種驚奇，一段程式碼敲進去，有個東西活過來了，而它在此之前並不存在。其他工程領域也有創造，但受物理限制；在計算機上，任何程式你都能造出來。他說這有點接近於神的體驗。 > 那是你創造出來的一件東西。這就是我入行的原因。（丹·科科托夫） 轉變的代價在哪裡，他講得很實在。做獨立貢獻者的時候，反饋極其清晰：你在寫一個東西，它一點一點成形，你知道自己今天 productive 還是不 productive。做了管理者，訊號變彌散了。你希望自己在激勵團隊、在讓團隊更高效、在鼓舞他們，但不會有一行行程式碼寫完那種多巴胺。 > 你靠別人的多巴胺活著。你會看到團隊做出了不起的東西，然後從那裡獲得驕傲。（丹·科科托夫） Lex 分享了他自己帶團隊時的觀察。同樣是高強度批評，有些人被吼一頓之後能爆發出更好的狀態，被推到極限；另一些人本身自我批判已經夠狠，任何一句負面反饋都會壓垮他們，只能不停肯定、不停慶祝那些微小的勝利。人跟人的差別大到這種程度。 Dan 提到一本他們要求新經理去讀的書，《首先，打破一切常規》（First, Break All the Rules）。核心是“按例外管理”：不要預設一套模板，不要假設“我就是這樣給反饋的”，每個人驅動自己的東西不一樣，管理要做的是搞清楚那是什麼，然後為這個人定製。 ## 把指標定在長期幸福上 對話拐到了一個更硬的地方。Lex 說他相信人的智力，主張信任，但平臺也有責任讓世界多一點善意，而它們做得並不好。言論自由和“勸你別當混蛋”之間的界線在哪裡：你有說話的權利，但沒有一條憲法能寫進“最高法院不能判你是個爛人”。 Dan 說這其實是個挺有意思的機器學習問題，機器學習的“讓人友善一點”。他提到 Jack Dorsey 談 Twitter 的願景時用的是“提升對話的健康度”，但他懷疑他們到底有多認真在做。 難的地方在激勵結構。憤怒、或者說憤怒的升級版“憤慨”，驅動參與度，而這些公司被參與度衡量。 > 我的基本信念是，如果你把指標定在使用者的長期幸福上，而不是短期參與度上，長期來看你會賺更多錢。（萊克斯·弗裡德曼） Dan 大體同意，但指出這需要一個極有耐心的人，還需要華爾街給他信任。 這裡 Lex 講了一段他對 Steve Jobs 和 Elon Musk 的理解：你得強到可以把董事會和投資人扣為人質，說要麼按我的方式來，要麼我走，而所有人都因為相信你的願景而不敢讓你走。這要求你真的強到那個程度，所以第三個名字沒那麼容易想出來。 Dan 接過話頭：把公司簡化成一個數字，是這件事走偏的起點。數字在漲，你就說服自己一切正常。可坐在那個位置上的人不是把這個東西做出來的人，他是後來被招進來的產品經理，任務是把某個指標提升 10%。 > 你必須要有願景。你必須希望人們愛上你做的東西，因為愛才是一個公司能長期成功的起點。（丹·科科托夫） 他舉了蘋果的例子，說蘋果最被人稱道的一點是即使規模很大也保持小團隊。他推薦了 Ken Kocienda 寫的《Creative Selection》，作者是參與做 iPhone 鍵盤和自動糾錯的工程師，書裡寫的是給 Steve Jobs 演示的真實過程，比如某個鍵的圓角弧度不對，就得回去改。團隊小，所以人真的在乎。 ## 一個轉錄員的工位長什麼樣 Lex 讓 Dan 講講實際流程：一個 Rever 登入之後看到什麼，多少是自動的，多少是人工的。 Revers 登入自己的工作臺，看到一個待轉錄的音訊列表。系統提供篩選工具，有人偏好長音訊，有人偏好短音訊，有人喜歡某個題材或者某個國家的口音，這些偏好都能設。挑好之後進入 Rev 自己開發的編輯器，效率是專門最佳化過的。 起點是機器生成的草稿。Rev 的語音識別先跑一遍，人的工作是修正。修多少取決於音訊質量。像他們這場對話這種錄音條件，機器草稿會相當不錯；但如果是有人在禮堂後排錄的講座，講者離得遠、還有大量交疊說話，機器識別會垮，轉錄員可能乾脆從零開始打。 說到速度，Dan 估計質量好的音訊大概能做到 2 到 3 倍實時，也就是花兩三倍於音訊時長的時間。實時基本不現實。他提到公司鼓勵每個人都去當一天轉錄員，因為這份工作比外人想的難得多：人說話快，有口音，各種意外。Lex 笑著說，說不定此刻就有人正在給這一期做字幕，聽到這裡會罵“你說錯了，明明要花更久”。 這裡出現了這次對話裡最有趣的一次“元”時刻：他們正談論的這家公司，正在被用來處理這段關於這家公司的談話。 ## 14% 和 3% 之間 ASR，自動語音識別，Dan 給的定義很乾脆：一類機器學習問題，把語音轉成詞序列。 這裡有個關鍵詞，領域。Siri 屬於另一個領域，它的詞彙量受限，你讓它放首歌、訂個披薩，它做得很好，而且它會逐漸適配你的聲音。開放式的、完全無結構的對話是另一回事。Dan 說在這個領域，他們認為自己有世界上最好的引擎。 衡量標準是詞錯率（WER）。演算法是把插入、刪除、替換加起來：多出來的詞算插入，說了但沒出現在文字里的算刪除，把 Apple 認成 able 算替換。Rev 內部測試集的詞錯率現在是 14% 左右。人類認真做，業界普遍認為極限在 2% 到 3%。 Lex 直接問：你們是在跟 YouTube 和 Google 比嗎？ Dan 說 Google 在 ASR 和自然語言處理上的團隊絕對在第一梯隊，他們拿自己跟 Google、Amazon、Microsoft 以及一些更小的對手比，測試集是自己拼的，裡面有播客、影片、訪談、講座，儘量做到有代表性。在他們自己的測試裡，Rev 贏。 順手還聊了價格。人工轉錄以前是每分鐘 1 美元，現在大約 1.25 美元。純機器的自動字幕服務，也就是 Temi，現在每分鐘 25 美分，使用者拿到機器稿和一個編輯器，自己再改。Dan 說 Upwork 上確實能找到更便宜的人，但質量就沒法保證了。 Lex 承認自己幹過一件典型的程式設計師蠢事：他想用 Python 寫指令碼自動下載轉錄結果，折騰一陣之後意識到，以他做字幕的頻率，花在自動化上的時間根本不划算。Dan 笑說，如果你的最大瓶頸是點一下 Rev 的下載按鈕，那你已經在做 Elon Musk 級別的生意了。他們也提供 Zapier 整合、Dropbox 聯動和 API，想要多深就能做到多深。 ## 編輯動作本身就是下一層資料 聊到資料，Dan 的說法很直白：ASR 裡最重要的東西是資料，這在今天大多數機器學習問題裡都成立。資料越多、質量越高、標註越準，結果越好。而 Rev 的資料是別人付錢讓他們生產的。 他承認他們現在只用了飛輪的一部分。最終稿和原始音訊是明確在用的。但轉錄員在編輯器裡做的每一次修改，那些中間過程，原則上同樣是極有價值的資料來源，怎麼用還沒想清楚，這是接下來幾年要做的事。 Lex 從自己的經驗補充了一條。他在做駕駛場景的語義分割標註，讓人繞著物體畫多邊形。他一直覺得那些點選序列裡藏著比最終結果更豐富的資訊：滑鼠怎麼移動，多邊形怎麼被修正，先點哪裡後點哪裡。學術界確實有零星幾篇論文試圖用迴圈神經網路去學人類的勾勒過程，但都是 CVPR 風格的小資料集實驗，沒什麼人認真推下去。 Dan 說直覺上那裡面一定有訊號，包括每一次修改花了多長時間這種細節。聽起來這就是接下來兩年讓他們興奮的地方。 ## 把每一次會議變成可檢索的筆記 rev.ai 是這套引擎對外開放的形態。Rev 的路線圖是這樣的：早期只有人，然後做了 Temi 服務普通消費者，接著把 ASR 引入自己的人工轉錄流程，最後是 rev.ai，把引擎開放給外面。Dan 拿 AWS 做類比：AWS 提供積木，看別人搭出什麼，再把搭得最多的那幾種變得更容易。 他自己最想要的應用場景是會議。做了管理之後，一天大部分時間在開會，經常想回頭查某句話是誰說的、上下文是什麼，而這些資訊基本拿不回來。如果所有會議都被索引、歸檔，可以分享一個片段，這件事的性質就變了。遠端辦公普及之後，需求只會更明顯。 Lex 把同樣的問題指向播客。播客的搜尋和發現幾乎是零，你能做的只有訂閱一個創作者，然後跟著走，找東西靠回憶標題裡的關鍵詞。他提到自己經常聽到某個推薦的產品，想回頭找，基本不可能，除非主播的 show notes 做得特別細。 他提到 Buzzsprout 提出的一份 RSS 擴充套件規範，用標準化的方式在 feed 裡引用轉錄文字。如果大部分播客客戶端都支援，任何一期節目都能直接在播放器裡看文字稿。 然後話題拐到 Spotify 和 Joe Rogan 的獨家協議。Lex 說他做了很久的心理建設，最後還是支援這個決定，但他自己不會做同樣的選擇，因為他相信播客裡那種“海盜電臺”式的自由，那種開源精神。他也承認獨家有另一面：平臺和你綁在一起，希望你成功，Joe 告訴他 Spotify 從不給任何內容上的意見。 對比之下，YouTube 對絕大多數的頂級創作者，給的支援都相當有限。它看 Joe Rogan，看到的是一個可能請來爭議嘉賓的麻煩，而不是一個可能改變公共討論形態的人。這裡的分寸極其難拿：怎麼定義危險的假資訊，怎麼區分惡作劇式的陰謀論和真正有害的那種，一旦開始開會討論“什麼算真”，事情就變得很怪了。 Dan 說他更擔心另一頭，管得太多。Lex 提到了 Sam Harris 和 Jack Dorsey 的那場對話，Sam 問 Jack，你怎麼能不把現任總統封禁。當這個問題本身可以被擺到桌面上討論的時候，所有東西就都可以被討論了。 Dan 的態度偏實用主義：如果一個人會被 YouTube 上某段影片說服，相信政府被外星人接管了，那麼把這段影片下架，大機率也不會讓他恢復清醒。 ## 官僚不用懷惡意也能作惡 兩個人聊電影的時候，反覆繞回同一個母題。 Dan 說他在讀《美麗新世界》（Brave New World），驚訝於赫胥黎的預判力。書裡有基因分層，阿爾法和厄普西隆從出生就被安排好位置。今天能隱約看到類似的機制：婚姻越來越傾向於發生在智識水平、社會經濟地位相近的人之間，比過去更明顯，社會在分層。他順手把它和道金斯的“模因”連起來，說社交媒體上的資訊繭房是同一個過程的另一個版本。 然後是《巴西》（Brazil）。Lex 說這是他最喜歡的反烏托邦電影，Dan 說他一直想看。Lex 的描述是：片子的底色是威權下的無能，系統處處失靈，沒人願意挑戰它，事情就這麼一直爛下去。它比《1984》裡那個高效邪惡的獨裁政權更可信。 Dan 補了一個觀察：電影裡的政府通常被寫得異常能幹，能幹是被當作敘事工具用的，無論正邪。現實裡更常見的劇本是無能，而無能本身會帶來難以預測的後果。 兩個人對《切爾諾貝利》的看法一致。那部劇好看的地方在於，它把災難的成因放在官僚機器上：資訊沿著鏈條向上傳遞時被一層層扭曲，沒有人願意承擔責任，懶惰和恐懼累積成了事故。劇裡沒有哪個角色天生邪惡。Lex 說他一直覺得斯大林的故事比希特勒的更需要被講述，幾千萬人死了，而那種官僚機器的運作方式，今天還可能在某些地方以我們不知道的方式發生。 他提到在節目裡採訪過的歷史學家斯蒂芬·科特金（Stephen Kotkin），普林斯頓的斯大林專家，讀過的東西比斯大林本人還多，現在也開始寫普京。Lex 說他目前為止讀過所有英文的普京傳記，還要再讀俄語的。這是他給自己做心理準備的方式。 他談自己準備重大采訪的方法：儘量不去想問題，到最後一刻才開始，在那之前只是大量吸收材料，讓自己進入那個人的思維模式。他形容這是一種極端的共情能力，像劇集《漢尼拔》裡那個角色，能理解兇手為什麼這麼做，代價是一半時間待在惡人的腦子裡。 ## 播客是一種單向的友誼 Lex 說播客有一種奇怪的力量：單向的人類連線。他跟 Joe Rogan 認識十年，但這十年裡只有一邊認識另一邊。他現在還覺得不真實。 Dan 從進化角度解釋這件事。人類在草原上待了幾百萬年，對“我跟部落裡其他人的關係是好是壞”高度敏感，因為關係壞了，你可能會被落下，然後被獅子吃掉。聲音裡帶著大量這種資訊，語調、停頓、語氣，全是遠古時代用來判斷親疏的線索。 > 你在 Twitter 上連線的不是一個具體的人，是一個抽象物。你聽不到那個聲音，所以很容易給對方安上任何惡意，很容易去人性化。而面對真實的聲音，這要難得多，因為你意識到聲音背後是一個真實的人。（丹·科科托夫） Lex 說這就是為什麼播客裡三四個小時能成立。它跟點選誘餌式新聞正好相反，人們在社交媒體上因為一句稍微有點張力的話就被取消，同時又渴望著完整、不剪下、不設防的長對話。 ## 造一個 HTML 按鈕和造一個孩子 訪談快結束時，Lex 問了那個老問題：意義是什麼。 Dan 說他不太允許自己經常想這個，生活也不太允許。但真要回答，大致的答案是為“人類”這個奇怪的東西做點貢獻。你可以把人類看成活著的、持續演化的有機體，每個人只是靠存在、靠擁有自己那套獨特的慾望和驅力在參與其中。也可以具體一點：做出點了不起的東西，養出獨特而不同的孩子，看著他們加入進來，去做他們要做的。 他說如果一個人不信教，意義大概就在活著和創造裡。 Lex 說那個創造引擎本身就有魔力。哪怕只是一個按鈕上的 JavaScript，把它從無到有帶到世界上，這件事跟進化裡的另一件事有回聲。 > 如果你有宗教背景，你也許會說我們被造得跟神的樣子相似。那其中一部分，大概就是我們自己也有創造的驅力。（丹·科科托夫） 節目最後，Lex 引了維特根斯坦的一句話：我的語言的界限，意味著我的世界的界限。 這句話放在整場對話的結尾，出奇地貼合。Rev 做的生意，本質上是在拓寬這條界限：把說過的話變成可以檢索、可以引用、可以被另一個語言的人讀到的文字。一個人一生中說過的話，絕大多數在說出口的瞬間就消失了，能被留存、被檢索的比例小到可以忽略。如果技術真的能把這件事變成預設設定，改變的不只是工作效率。 Dan 提到他們公司內部的慣例，請每個人都去當一天轉錄員。這個做法值得借用。 - 想真正理解一個 AI 系統現在的能力邊界，去親手做一遍它正在替代的那件事。花一小時聽一段嘈雜錄音打字，你會立刻明白 14% 和 3% 之間的差距到底意味著什麼，也不再會輕易相信“語音識別已經沒問題了”。多數人對模型的信任來自演示影片，而演示影片都挑過素材。 - 去查一下你的業務裡，有沒有一個環節是“別人付錢請你標註資料”。如果有，它大機率正被當成成本中心在管，而它其實是你最深的護城河。Rev 把最貴的一環做成了收入，位置決定了這件事。如果你的產品每天在產生高質量的人工修正結果，卻沒有把這些修正動作存下來、結構化、喂回模型，那是在把每年最值錢的資產扔掉。 - 把指標從短期參與度換成長週期的東西，哪怕只在內部分試一次。Dan 和 Lex 在這件事上難得一致：盯著使用者長期幸福的公司最終會賺更多錢，但這需要一個能扛住董事會壓力的位置。做不到那麼大，也可以做得更小：在一個季度裡，用“三個月後還在用的人有多少”替代“這個月點了多少次”，看結論會不會不一樣。指標換了，產品的形狀會跟著變。 - 給團隊裡的人做一次“例外管理”盤點。寫下每個人需要的反饋型別：誰在高壓批評下狀態更好，誰自我批判已經過重、只能靠肯定推進，誰需要具體的示範而不是抽象的鼓勵。這份東西不用給別人看，寫下來自己清楚就行。大多數管理失敗出在拿一套模板套所有人，而不是能力不足。 - 如果你在做內容，無論是播客、課程還是內部會議，把轉錄當成預設動作。價格已經不是障礙，Rev 的人工轉錄每分鐘 1.25 美元，純機器 25 美分，自己動手改的 Temi 還要更省。真正的收益藏在別處：文字稿讓內容變得可搜尋、可引用、可被另一個語言的人讀到。一期三小時的對話，能被檢索到的部分不到百分之一，剩下的都在說出口的瞬間蒸發了。 - 留意 RSS 裡的轉錄擴充套件這類開放規範。Buzzsprout 提的那份方案如果被主流播客客戶端接受，任何一期節目都能直接在播放器裡看文字稿，不需要平臺方做任何事。這類底層標準的價值被嚴重低估：它把能力下放給所有人，而不是鎖在某一家手裡。做內容分發的，值得盯一眼；做工具的，值得考慮支援一下。 - 剋制住“把一切自動化”的衝動。Lex 花時間寫指令碼自動下載轉錄檔案，最後意識到以自己的使用頻率根本不划算。判斷標準很簡單：這件事你一個月做幾次。低於十次，手動點選的成本遠低於維護指令碼的成本。程式設計師的職業病是把一次性的麻煩當成系統性的麻煩，然後為它寫一個只有自己會用、三個月後就跑不起來的工具。 - 想驗證一個 AI 產品到底行不行，別看宣傳口徑，看它敢不敢讓你看到中間過程。Rev 讓每個員工去當一天轉錄員，這個做法值得抄。你的團隊裡有多少人真正上手用過自己產品的“人工兜底”環節？如果沒有人做過，那對能力邊界的判斷基本靠猜。