(📷 圖說 👉 攝於 2025 AWS re:Invent CEO Keynote Matt 上台前，心裡感謝 2008 年的 Ernest 還在台積 PIE 的忙碌人生，還願意充滿好奇地動手開始玩 EC2 和 S3。就像今天可以開始安裝 Claude 那般，也許十年後也會充滿感謝。圖片來源：Ernest。)

✳️ 董事會不是用來解釋的：Capital One 共同創辦人的 2x2 決策框架

每次陪著創業朋友進董事會或股東會之前，可以體會創辦人面對市場、手上資金與現金流、以及各種利害關係人之間的糾結，今天這篇也算是 縱橫古時候與 AI 時代，來看 Keith Rabois 聊聊如何用三個不討喜，換來真心硬團隊 的延伸閱讀，Keith 推薦可以聽聽 Ramp CEO Eric 的演講，然後 Eric 又推薦了 Capital One 幾百年前的創辦歷史。（最近時間感已經錯亂，就先這樣吧。）

Nigel Morris（Capital One 共同創辦人、QED Investors 共同創辦人，管理資產超過 40 億美元、QED 在 17 年間做了 200 多筆投資）在 Miguel Armaza 訪談裡，把他在 Capital One 當營運者、在 QED 當「偽裝成投資人的營運者」累積起來的整套判斷框架，摘要出四個可以做看看的招式。重點在於：董事會當天要花的不是「解釋時間」，是「決策時間」。

Read More

(圖說：身為業餘攝影師，總會被各種光影給吸引，例如倒影。就說說那沒有下雨就遇不到的倒影，或說那些光影，或說那些暗物質，我們以為的看不到或摸不著，但也許一直都在。2016 出差晚餐前散步，攝於馬德里王宮。圖片來源：Ernest。)

【從美國運通搶走客戶的 Ramp 公司卡：如何從賣金融到賣時間，累積 AI 時代企業軟體的暗物質護城河】

前幾天整理【縱橫古時候與 AI 時代，來看 Keith Rabois 聊聊如何用三個不討喜，換來真心硬團隊】的時候，Keith 推薦可以聽聽 Ramp CEO Eric 的演講。加上他自己在 2019 年 5 月主導 Ramp 的種子輪、9 月就給 term sheet 提前鎖 A 輪，我想看這位讓 Keith 這麼早早下注的創辦人，是怎麼思考的。於是翻出 Eric Glyman 2026 年 2 月在 Stripe 頻道這集，摘錄三個小段落來感受一下。

Read More

(📷 圖說 👉 當年 Bluetooth SIG 工作組年會舉辦在馬德里洲際，碰頭那天有個拆炸彈小遊戲，讓大家可以跨組熱身，不意外成為全組最年輕而負責操作電腦（拆彈員），要在時間內聽懂組員們（都是藍牙界來自各大廠的前輩們啊）的討論並且一邊要翻閱拆彈說明書，印象中好像有完成且沒有墊底，我可能不具備商業敏銳度，但手指敏銳度和抓蟲敏銳度還是有的？！也因為這場互動，與大佬們玩開，而讓後續的規格討論更有節奏。也是一種總能把自己丟進壓力中挑戰揠苗助長，然後試著保持微笑的節奏吧。圖片來源：Ernest。)

✳️ 縱橫古時候與 AI 時代，來看 Keith Rabois 聊聊如何用三個不討喜，換來真心硬團隊

Lenny 這集問 Keith Rabois（Khosla Ventures 董事總經理，PayPal Mafia 一員）一個問題：那些被他早早投資、後來長成 Stripe、Airbnb、YouTube、DoorDash、Ramp、Palantir 的公司，有什麼共同點？

Keith 的答案是：做事節奏（operating tempo）。

那種節奏不只單求快，而且要在會議跟會議之間，就能把問題診斷定位、解法部署出去、成效量測完畢。

Read More

(圖說：前輩說「資料一定有在，但是，在，不一定找得到，找到不一定對」而用了造夢這個詞，頗為貼切，似有邊界，可深可淺，但又共用部分記憶，醒來有時迷惘、有時心領神會而打從心底微笑。圖片來源：Ernest。)

✳️ 造夢沙盒，還有那顆合併按鈕

去年暑假之後，大家都在談 AI Agent（並沒有！大家其實都在 吵 討論 AK LLM Wiki！唉，這又另一題了，讓我醞釀一下寫成我那產量有限的 essay。承蒙大家關愛，這週大家陸續傳訊找我一起取暖。）

多數團隊都會擔心，一開始看到 prototype demo 好像還不錯、正面表列使用情境也都有跑起來，但是沒人敢勇敢放進量產環境。AI Agent 可以幫忙排班、調整行事曆、回答問題、甚至 TTS 打電話，但萬一它改了不該改的資料、看了不該看的欄位呢？Palantir 在 DevCon 5 展示了一個醫療排班系統的 demo，護理師用語音請 agent 排手術、管理員審核、系統自動打電話通知病患，而且 Palantir 團隊僅使用不到一個週末就打造完成這隻 AI Agent。

Read More

(圖說：攝於威尼斯人，每年年底都早起前往享受陽光早餐。主廚 Thomas Keller 打造兩個餐飲品牌，代表極致的 The French Laundry，以及代表對執著細節但放進可日常親近的 Bouchon。這與 ElevenLabs 結構類似，有力量的研究，不該被封存在論文或實驗資料中，而是被放進產品，進入使用者每天會路過的地方。最深的功夫，最後都會往日常走。圖片來源：Ernest。)

✳️ 技術可以單追，組織結構連同文化卻不容易複製

研究型公司常常遇到一個問題：技術做得出來，但產品推不動。或是反過來，市場需求很明確，但研究跟不上節奏。ElevenLabs 從 2021 年兩位波蘭人 Mati Staniszewski 與 Piotr Dabkowski 週末做實驗開始，專做 AI 語音合成，應用涵蓋有聲書、配音、語音助理與遊戲等，合成聲音幾乎能騙過真人。幾年內就走到估值 110 億美元、超過 300 人的團隊，他們不僅技術比別人好，連同組織的運轉架構合體之後形成護城河。技術可以單追，但組織結構連同文化則不容易複製。從 a16z 對 CEO Mati Staniszewski 的這場訪談裡，可以細細觀察三個參考思路。（當然，家家有本難念的經，思路要搭配限制條件與時空場景，各位看官看完千萬別直接硬套。）

Read More

(圖說：探索世界、成為自己（being）的過程中，確保自由，確保底層安全網機制，確保共同介面互通，一邊調整參數（metacognition），一邊放手迎風奔跑。說是這樣說啦，但跑跑還是需要吃吃，吃吃永遠不能放掉。2016 攝於馬德里，據說是世界最早的餐廳，確保有帶魔法小卡，確保溝通介面互通，剩下交給廚房，然後在晚上十一點餐廳關門前五分鐘，舒服地離開餐廳。圖片來源：Ernest。)

MMDP = Multimodal Data Plane

Palantir DevCon 5 會議上，Data Plane Group co-lead Ted 介紹 MMDP，我充滿好奇地想練習拆解看看。

• 一來是功能清單很長，我滿想對比自己現有產品規劃，
• 二來因為他們的設計取捨反映了一個核心問題：當企業資料散在各處，該搬資料還是搬計算？（無關對錯，但想對照思路與參數。）

Read More

(圖說：有人的衣服會同一款樣式買好幾件，我則是有些玩具會同一款式（或品牌）買好幾份，然後搭配不喜歡跟別人一樣的深層龜毛，例如這個使用超過十年的小眾筆記本 Field Notes。是說當年被它的木紋封面吸引，但現在已經停產這款，好險因為這個壞習慣而囤了一些備用。經過深思熟慮的設計決策而使用相同一款式的優點很多，也許也包含在十年之後轉化成我們客戶的超額報酬吧（許願）。照片攝於 2016 年波士頓友人家裡地毯。圖片來源：Ernest。)

✳️ AUM 收費的設計決策

依照 AUM（資產管理規模）百分比收費。幾乎所有財富管理機構都用這個模式，大部分客戶也覺得理所當然。但 a16z Perennial CIO Michel Del Buono 在 Sorcery Podcast 裡說，這不只是一個定價決定，而且是一個影響所有其他事情的設計決策。我們來練習拆解看看：

Read More

(圖說：還沒十二點。晚上九點於皇居最外圍沒有別人的護城河。偶爾理解了別人不理解的事，而嘗試著各種保存記憶的魔法。。圖片來源：Ernest。)

每次看到「某公司裁員 XX%」的新聞，我最想知道的不是為什麼砍，而是：砍完之後，留下來的人怎麼工作？組織長什麼樣子？他們調整了什麼流程？

Block ($XYZ) 於 2025Q1 裁了超過四成的人，而且公開說 AI 是關鍵因素。他們的業務負責人 Owen Jennings 在 a16z 頻道分享了具體做法。Owen 在 Block 待了 12 年，之前是 Cash App 的 CEO，現在負責橫跨 Square、Cash App 和 Afterpay 的產品營運和客戶支援。他講的不是泛泛的「我們擁抱 AI」，而是實際的重建邏輯。

這裡面有三個值得拆解的原則：

Read More

(圖說：雪寶登場。圖片來源：NVIDIA GTC 2026 Keynote。)

✳️ 用 Token 經濟思維看 GTC 2026

每年 GTC 結束，社群上都在比規格。哪顆晶片算力多高、NVLink 頻寬多大、Vera Rubin 比 Blackwell 快幾倍。但 Jensen 今年拿出來說「這是我最好的一張投影片」的，不是某顆晶片的規格表，而是一張涵蓋整個結構化資料生態系的架構圖。上面列了 Snowflake、Databricks、Amazon EMR、Google BigQuery 等等 CSP Engines 以及各式各樣的資料儲存方案，最底下是 NVIDIA 的 cuDF 加速引擎。他說團隊每次都勸他「別放這張」，太複雜了，但他堅持要講。核心觀點：「結構化資料是企業運算的 ground truth」，是所有 AI 的地基。

這張圖的重點不在個別平台，而在加速的理由。過去加速結構化資料是為了做更多、更便宜、更頻繁，「還行就好」。但未來 AI 理解資料和使用資料的速度遠超人類，不加速整理就跟不上。Nestle 用 Watson X 加速供應鏈，5 倍快、降本 83%，速度、規模、成本三重好處。NVIDIA 為此建了兩個基礎平台：cuDF 是「資料框架的 RTX」，處理結構化資料；cuVS 處理非結構化資料。後者更關鍵：全球 90% 的資料是非結構化的，過去「對世界完全沒用」，直到 AI 的多模態理解讓它們變得可搜尋。（我們今年第一季陪製造業客戶一起重新探索他們的 ERP 資料，不做不知道，一做下去也是整個嚇爛，通用模型 Opus 4.6 對資料的理解能力讓人瞠目結舌，有興趣的話我們另外約。）

好，假設貴司將資料層加速到位了，下一個問題是：AI 產出的東西怎麼定價？

Read More

(圖說：層層疊疊都是關鍵，我不入地獄，誰入地獄。就如這放空吹風的，空風火腿，犧牲自己，造福眾生。信任無法一次到位，需要層層疊疊，一層又一層累積疊上去，第一層，就從按個讚開始吧。圖片來源：Ernest。)

✳️ 無聊的管線工程

企業 AI 部署真正卡住的地方，幾乎都不是模型不夠強。Mistral AI 的 CTO Timothée Lacroix 說得直接：現在的模型能力已經足夠解鎖大量企業價值，但你得先把連接器、資料格式、權限管理這些「無聊的管線工程」全部做好，企業端的 token 消耗量才會真正爆發。他用了一個詞：「plumbing」（管線系統，大家都只看到管線，我覺得有必要強調系統）。是說，他在整個訪談裡講了三次 plumbing。他說，我們還處在建設階段，大多數企業連基本的資料連接都還沒做好，更別提讓 AI agent 在背景大規模執行任務了。（我們看到的現場更悲催，許願跟資料對應不上，難怪大家喜歡直上文字接龍（內建強酸模式）。）

Read More