George Sivulka 谈 Hebbia、企业 AI 与工作的未来

Hebbia 创始人兼 CEO George Sivulka 与 Harry Stebbings 讨论他进入 AI 领域的经历、企业应用、模型经济性和工作的未来。他与销售企业 AI 软件的 Hebbia 有直接商业利益。访谈没有独立验证公司的表现主张，也没有验证他对就业和市场的预测。

Sivulka 回忆，自己在一个注重体育的家庭长大，而他更喜欢数学。他说，这种不匹配让他产生了证明自己的愿望。他开玩笑地将创始人背景分为几类，涉及艰难童年、性取向或被收养经历；这些个人概括没有系统证据支持，不应被当作能力的预测因素。

青少年时期，他想在 NASA 实习，并说自己多次遭到拒绝。一个下雪天，他到办公室后被拒之门外，于是逐一拨打电话，直到有人同意见面。他回忆，面试表现不佳后，他研究相关课题并再次前往，获得了一个无薪机会，后来转为有薪工作。

他将进步归功于坚持，认为创始人应在挫折中继续努力。Stebbings 问何时坚持会适得其反；Sivulka 作出更强烈的主张，认为只要决心足够，几乎任何业务都能被推动到很高的收入水平。这是他的信念，并非所有创业项目都能成功或产品市场匹配无关紧要的证据。

在 Stanford 研究元学习时，GPT-3 问世。他说，这促使他把重点放在构建产品上，而不是竞争创建底层模型。进入金融行业的朋友描述了处理非结构化信息的痛苦工作，让他看到 Hebbia 的市场机会。

他暂停博士学业，在合租房内租了一间衣帽间，在狭小空间里交替放置床垫和折叠桌。他描述了经济压力，以及在身后挂着衣服的环境中进行融资电话的经历。这些是他对公司早期的回忆，并非给创始人规定的道路。

Sivulka 说，一次引荐让他与 Peter Thiel 共进长时间早餐，后者投资了早期融资轮。他回忆，由 Thiel 和 Floodgate 参与的种子前融资约为 100 万美元，之后 Index 的 Mike Volpi 又进行了投资。他对这些投资人的称赞来自一位与他们有持续财务关系的创始人。

Sivulka 将检索增强生成描述为搜索相关材料，再将其作为上下文提供给语言模型。他说 Hebbia 较早将这种方法用于企业数据。他关于历史上率先行动的主张没有在访谈中获得独立证实。

他认为，当问题需要跨文档分析，而不是寻找明确的引文时，简单检索往往不够。投资人询问一家企业是否有吸引力，可能需要了解客户集中度、管理层评估等标准，而不只是查看融资演示文稿中的陈述。他将 Hebbia 的方法描述为在原始材料之上开展分析工作。

他回忆，公司约在 2021 年或 2022 年达到 100 万美元收入，并完成 3000 万美元 A 轮融资。他说客户提出的问题中约 90% 不能只靠简单搜索回答。访谈没有说明收入期间、查询样本或测量方法，因此这些是公司的回忆，而非经过独立验证的比例。

Sivulka 称许多企业 AI 活动仍处于实验阶段，演示在实际使用中经常失败。他认为 Hebbia 聚焦具体、可重复的任务和可追溯的引用，包括分析长篇信贷协议。这些是供应商的主张；访谈没有提供经过控制的准确性、可靠性或财务表现比较。

Stebbings 问，商业应用是否会被智能体取代。Sivulka 不同意，预计应用、平台和智能体将共同存在。他将 Hebbia Matrix 描述为对文档编排多次模型调用，并认为工具应让人能够理解其工作。这是符合 Hebbia 业务的产品愿景，并非对所有工作流程都已证明的要求。

他预测，AI 和智能体应用在数十年内可能创造 100 万亿美元的额外市场价值，并最终贡献超过一半的 GDP。Stebbings 质疑这一主张的规模。Sivulka 将其作为技术乐观主义观点；访谈没有提供方法论或可靠时间表，不应将其视为已经确立的经济预测。

谈到企业采用，Sivulka 认为当工具产生明确经济价值时，金融行业可以快速行动，并引用电子表格和另类数据的历史例子。访谈没有证实他对历史采用速度的精确比较。客户能否部署 AI 也取决于其工作流程、安全和组织约束。

Stebbings 担心初级员工可能失去亲自进行详细分析所带来的学习路径。Sivulka 认为 AI 反而可以让他们比较更多过往交易，并用更丰富的信息向资深投资人提出质疑。他举的投资数字例子是假设；访谈没有证明系统输出会带来更好的决策。

当被追问智能体是否会替代人时，Sivulka 预测工作会改变，一些初级或后台任务会被自动化，但认为使用工具的公司可能管理更多资产并雇用更多人。他质疑有关 AI 导致裁员的公开说法。他的就业展望是一位公司创始人的预测，并非岗位不会被替代的证据。

他预计市场能容纳许多竞争者，并将 Hebbia 描述为可以与专业应用互补的平台。其立场所依据的 100 万亿美元机会是他自己的假设。他与 Excel 的比较说明了战略，并不能证明竞争产品一定会增强 Hebbia。

他说 Hebbia 不依赖单一模型，使用主要供应商的模型和公司自己的部分模型。其 Matrix 产品将问题拆解为对文档的多次模型调用，他称之为推理阶段的规模扩展。他称这能产生较高准确率；访谈没有提供条件匹配的独立基准测试，也没有完整的错误和成本分析。

他说不同模型在法律等文档上的表现不同，在速度和准确率之间各有取舍，Hebbia 有时会组合使用不同供应商。他将领域专用微调与更大的通用模型比较，并预测通用模型加推理阶段规模扩展将占上风。他的例子和对未来排名的判断并非全面测试。

Sivulka 区分了预训练更大的模型与回答问题时使用更多算力。他怀疑高质量训练数据可能受到限制，同时承认这是直觉，自己并不从事数据收集。Stebbings 反驳说视频和合成数据可能扩大供应；访谈没有解决这个问题。

他认为，编排多次模型调用可以在不等待更大模型的情况下获得更好的答案。他称固定参数量的推理成本四年下降了七个数量级，并称 Hebbia 准确率领先。访谈没有提供成本基础、工作负载或基准定义，因此不能根据访谈将这两项主张普遍推广。

他预计模型层会商品化，而硬件、基础设施和应用将获得价值。比较模型和云服务时，他认为更换模型可能比迁移云基础设施容易，但也承认模型业务可能会类似云业务。他对转换成本和利润率的估计是商业判断，并非经过验证的市场数据。

被要求在给定估值下选择 AI 实验室时，他认为 xAI 的价值可能在 12 至 24 个月内超过 OpenAI 和 Anthropic，并说自己认为它们都被低估。他提到运营和地缘政治方面的考虑。这些是企业 AI 创始人提出的投机性投资观点，并非经验证的估值或投资建议。

Stebbings 质疑 AI 的采用是否可能快到现有企业尚未适应就受到冲击。Sivulka 回答说，将技术变成有用产品需要工作，但他预测好的界面可以加快转变。他将 Hebbia 与 Excel 比较，表达的是公司的抱负，并不能证明两者的采用程度或影响相当。

他认为聊天是一项有用功能，但不一定是企业 AI 的最终界面。他说，随着智能体承担更多工作，人们需要能够理解、协调和管理它们的方式。他将编排和人类可读的输出视为产品挑战，而不是假设自主智能体不需要界面。

被问及政府效率改革时，他说改革一个非常庞大的组织会很困难，并呼吁为 AI 行业制定清晰规则。被进一步追问时，他拒绝作出更广泛的政治支持表态。他的评论是对政策和执行的看法，并非对结果的报告。

Sivulka 认为 Nvidia 的开发者生态和 CUDA 知识构成强大的人员和网络优势。他预测向推理转变可能有利于 AMD 和其他架构，同时仍看好 Nvidia。这是一项市场预测，访谈没有确立相对性能或未来市场份额。

他估计市场中约 90% 的预算仍用于实验性 AI，早期可重复的价值正在出现。他认为最接近工作流程的业务用户应帮助定义用途，而不是将所有决定交给 IT。这个百分比是他的估计，没有披露调查或分母，而 Hebbia 正向这些企业销售产品。

谈到定价，他列举了按使用量、按席位、类似薪资和固定费用等可能方式。他说 Hebbia 按席位定价，因为人是其产品的核心，他希望鼓励使用，而不是对每次模型调用收费。这描述的是公司当时所称的模式，并非对未来价格或无限服务条款的保证。

在快问快答中，Sivulka 说自己不会以 20 亿美元出售 Hebbia，并讨论了与投资人的关系。他还表达了对不明飞行物和政府掌握的推进技术的看法，但没有提供证据。这些是个人信念，并非已确立的事实。

他说宗教实践和每天早晨一小时的祈祷帮助自己找到目标，并为思考留出空间。他还通过锻炼应对创业压力。这些是个人做法和体验，并非普遍心理健康效果的证据。

虽然 Hebbia 在纽约运营，他认为公司具有硅谷式的技术投资和工作风格。他说自己改变了对推理阶段规模扩展重要性的看法。谈到 Salesforce，他认为即使底层软件变得更容易构建，客户习惯和转换成本仍能支撑业务。

被问及哪家上市公司可能从 AI 中受益时，他基于对推理转变的预期选择了 AMD。这是带有推测性的个人投资观点，并非建议或经过验证的性能比较。他还说，担任纽约市长会很有意思。

他将绘画描述为一种创造性实践，让自己暂时远离干扰并帮助连接想法。被问及父母是否为他感到骄傲时，他回忆父亲的老板曾称赞他的工作。他说，即使得到认可，证明自己的动力仍然存在。