目录
- AI时代，职能边界正在重新定义 [00:00:00 - 00:10:00]
- 系统思维者成为新的核心人才 [00:10:00 - 00:20:00]
- 从专才走向系统思维 [00:20:00 - 00:30:00]
- Netflix如何把AI用于娱乐与产品 [00:30:00 - 00:40:00]
- 以高人才密度抵抗流程膨胀 [00:40:00 - 00:50:00]
- 工艺卓越仍然不可替代 [00:50:00 - 01:00:00]
- 用技术创造人们喜爱的产品 [01:00:00 - 01:06:17]
AI时代，职能边界正在重新定义
Lenny Rachitsky：欢迎收听跨国串门计划,这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的AI声纹克隆技术,我们不仅将内容翻译成中文,还完美保留了原主持人和嘉宾的独特声音,为您呈现全球顶尖的AI财经、健康与科技领域精品内容。我是主播伊凯,一位热衷于AI领域的产品经理,很荣幸能为您搭建这座跨越语言障碍的桥梁。接下来让我为您简单介绍，本期我们克隆的这档节目，本期我们克隆的是，知名播客Lenny's Podcast 在2026年7月的一期深度对谈，主持人Lenny Rachitsky 再次邀请到了Netflix的，首席产品与技术官Elizabeth Stone Elizabeth在两年半前就曾做客节目，当时她还只是CTO 那期节目长期位居该播客，最受欢迎的前列，如今她统管工程，产品和设计，对技术与业务的融合，有着非常独特的视角，这一期，他们主要围绕AI时代下，团队角色的演变，为什么系统思维，变得比专精更重要，以及Netflix 如何用独特的文化，来应对这些变化等话题，展开了讨论，那我们就一起来听听，这期的完整对话，现在好像人人都能包揽一切了，产品经理能上线代码 [00:00:53]
Elizabeth Stone：设计师能写产品需求文档，工程师能做产品决策，结果大家反而困惑又沮丧，我的工作到底是什么，每次新技术出现都会先经历一个混乱期 [00:01:26]
Lenny Rachitsky：然后才会进入稳定成型阶段，我们现在就正处在混乱期，但我不觉得这意味着该把AI塞回盒子里，说咱们别用了，如果我们都变成构建者了，还需要各自独立的职能吗
Elizabeth Stone：我仍然认为工艺卓越非常重要，而且短期内不会消失，我依然觉得优秀的工程能力很稀缺，优秀的数据科学能力很稀缺，优秀的创造力也很稀缺
Lenny Rachitsky：如果你去看Netflix早期的文化文档，高自主性高度自制，按市场最高水平付酬，这些正是我现在不断从顶尖AI实验室那里听到的运作方式 [00:02:02]
Elizabeth Stone：Netflix的文化一直是以卓越作为操作系统，它本质上是在抗拒很多大公司会做的那种事，并且要经常在那种不适感中保持从容，实现这一点的要素是什么
Lenny Rachitsky：人才密度是没得商量的前提，还要对风险承担非常自在，遇到事情进展不顺的时候，不要假设靠流程就能解决问题，在这个AI时代，你们在职业发展阶梯里，加入了什么新要求，我们需要更多系统思维者，就是那些能跨所有业务领域去看问题，然后抽象出，我们到底需要哪些构建模块的人，人们怎么学会这个，一个小技巧，每当你试图解决一个问题时，往外退一步，问问自己，我对这个更宏观的领域，做了哪些前提假设，今天的嘉宾是Elizabeth Stone Netflix的产品与技术官，这是Elizabeth第二次做客本节目，她第一次来的时候还只是CTO 那期节目在很长一段时间里，都是本播客最受欢迎的节目之一，你很快就会明白为什么，这是一场非常精彩的对话，因为两年半前，我们聊的时候 AI才刚刚开始冒头，而作为长期担任工程，产品和数据科学负责人的 Elizabeth 她对未来的走向，以及什么值得关注，有着非常独特的视角，在加入Netflix之前 Elizabeth是LIFT科学副总裁 NUNA的首席运营官 Analysis Group的经济学家 [00:03:07]
Elizabeth Stone：以及美林证券的交易员，话不多说，有请Elizabeth Stone Elizabeth 非常感谢你能来，欢迎回到播客，谢谢,很荣幸能来,一次已经很荣幸了,现在又来第二次
Lenny Rachitsky：没错,这对我来说是难得的享受，不知道你知不知道,你第一次来播客的那期节目,最终成了我第二受欢迎的节目，在很长一段时间里,你仅次于Brian Chesky 哇,我既惊喜又有点暗暗较劲,怎么才能冲到第一，不过这个先放一边，这是他的机会 Brian太厉害了,所以这个我就认了，对它确实厉害，而且现在又有一大堆厉害的AI人物，正在火速赶来，所以到现在已经两年半了，变化很大，显然爱让每个人几乎什么都能做了，产品经理能上线代码，设计师能写产品需求文档，工程师能做产品决策，人人都能包揽一切，这个话题有很多层面，其中一个是我听不少人说，现在有一种困惑和沮丧，就是我的工作到底是什么，作为产品经理，作为设计师，我到底该负责什么，你在公司里感受到这种情况吗，我在Netflix内部，确实听到过这种声音，我觉得每次新技术出现，尤其是像生成式 AI 这么有变革性的技术 [00:04:49]
Elizabeth Stone：团队都会先经历一个震荡期，然后才会进入稳定成型阶段，我们现在就正处在震荡期里，我不认为这意味着，我们应该把AI塞回盒子里，说咱们别用了，因为它打乱了，我们对自己角色的所有预设，但我确实觉得这意味着我们必须更用心地去想，怎么在减少代价的同时获得好处，我觉得大家去尝试是好事，比如怎么更快地形成一个想法，做出原型搭一套初始代码来测试，但这是不是意味着谁都可以把代码直接推到生产环境，是不是每个人都该什么都干，大概不是，但我觉得让大家去探索各种可能性是好的，然后像我之前提到的，把产品和工程团队放在一起的好处是，只要业务问题清晰，大家在角色上有些流动性，我觉得没问题，也是健康的，因为产品经理和设计师，不用干等工程团队就位才能做原型，他们可以自己先快速推进，但他们还是应该跟自己的工程搭档一起想清楚，怎么把这个东西产品化，怎么规模化，防护措施是什么，所以我不觉得这会淘汰掉各职能的专业能力，我觉得这意味着团队必须更适应这样一种状态，也许这能帮我们朝某个方向走得更快，从组织层面看，为了让这件事更有序，少一些挫败感，我觉得有些东西必须到位，我们才能真正获益，而不是只付出代价，这包括明确事实数据源，在代码推到生产环境，或做大规模改动前，要有测试和防护措施，想清楚哪些场景我们可以信任AI的输出，哪些场景需要流程或审核来确保高质量结果，以及反复强调人仍然对最终结果负责，所以代码可以是agent写的或者我帮忙做了分析，哪怕那本来不是我的背景，但这不代表人们就不用为自己创造出来的东西承担责任了 [00:06:47]
Lenny Rachitsky：所以我觉得投入建设这些核心基础设施和实践，并反复强调对结果的责任和担当，有助于在能做什么和该做什么之间找到平衡，能再次请到你上节目真的太好了，我们上次聊的时候 AI还没有在全球引发这么大的变革，所以这次我们可以一起探讨这段很有意思的演变，看看我们共同经历的变化，回到产品和工程团队的角色上，我很好奇过去两年半里，这些角色的变化有多大，想想产品工程设计数据科学用户研究，哪个角色变化最大哪个变化最小，跟两年半前比最大的不同是什么，你刚才已经提到了一些，我先重复一下然后再补充，我发现跟几年前相比，产品经理设计师数据科学家 [00:07:47]
Elizabeth Stone：现在在产品开发流程中能走得更远，然后才需要工程团队冲到一线来解锁下一步，我说这话时有些保留，因为就像我们刚才聊到的，如果突然冒出几千个原型，但他们瞄准的，并不是一个对公司来说，值得解决的重要问题，工程搭档也不知道，我们在解决这个问题，那就不太好，设计师和产品经理，可以牵头去塑造想法，但不能在真空里工作，也不能像往墙上扔意大利面那样，看哪个能粘住，但如果选对了问题，用深思熟虑的方式去推进，并且大家有一定共识，我确实看到产品设计和数据科学，能更快地朝着拿出一个可测试的假设，这个方向推进，这包括做原型写代码，我看到的另一个很有价值的变化是 Netflix内部有海量信息在流转，我们有几十年来积累的实验数据，有来自消费者的洞察，还有公司各部门同事的输入，这其实是个很大的挑战，怎么充分利用这么长时间，积累下来的知识和经验，把它们用到我们现在要解决的问题上，从而更快地判断出哪条路有希望，或者哪些是我们已经有所了解，可以接力的地方 AI在提炼信息扫描大量内容做分析，然后抓住核心洞察方面非常强大，我不会完全依赖它，但我觉得这是个很好的起点，就连我自己日常工作中，以前可能要发邮件打断别人问，提醒我一下，我们哪年做过什么研究，问题是什么，当时跑的测试是什么，现在我几乎可以立刻找到，然后我就能自己形成判断，这里我觉得有意思的地方是什么，这样我就跳过了几个步骤，更快进入这里有没有颗落地的点，所以这是数据分析，建模，信息提炼，我看到越来越多人在做这件事，回到你最初的问题，以前这只能靠那些待了20年 [00:09:48]
系统思维者成为新的核心人才
Elizabeth Stone：以前这只能靠那些待了20年，看过每个实验或者知道去哪找的专家，现在我们在产品和技术内部，跨所有职能都能更快做到，对我们来说一个很大的突破是，我们的业务伙伴，坐在财务内容广告那边的人，也能做到，然后他们可以带着一个初步假设回来，再跟数据科学家工程师深入合作，所以在假设生成，原型设计深入思考问题这些方面，我感觉在加速，而且各个职能之间能更流畅的协作，但我仍然看到各自的比较优势，数据科学家依然是专家，负责判断，我们能信任这份数据吗，我们的解读方式对吗，这里应该用数据还是用判断，产品经理依然擅长问，我们真的把做什么，这个问题框对了吗
Lenny Rachitsky：这个问题值得解决吗，方式对吗，工程师在怎么做上，依然有手艺，怎么规模化，高质量长什么样，基于我们构建和部署的方式，这会给我们带来什么问题，所以我仍然看到这些比较优势的核心，只是我们现在能在很多以前，会被卡住的环节上更流畅地推进，这里面有意思的东西太多了，一个是你最后说的这点，我也一直在想，如果我们都变成构建者，我们还需要分开的职能吗，现在AI领域有个趋势，叫技术成员，就是没有头衔，你可以是任何角色，不用被塞进一个框里，你刚才说的意思是，你相信我们仍然会有专业分工，产品工程师数据科学设计师，虽然他们会做更多其他职能的事，但拥有特定学科，技能和背景仍然很有价值，你告诉我我理解的对不对，我仍然认为，各个学科里的工艺卓越非常重要，我不觉得这会在短期内消失，即使工作内容在职能线之间 [00:11:44]
Elizabeth Stone：变得更流动更模糊，这又回到我之前说的，你仍然需要人来确保我们做的事是合理的，我们在用对Netflix会员或业务伙伴最好的方式，解决正确的问题，如果我跟一个工程师、数据科学家、设计师聊，是的,他们现在会的语言比以前多了，因为他们有这些AI工具加持，但当我想到工艺,想到他们怎么定义，好的时候,仍然有一些东西是无法替代的，这在所有级别都成立,而且我仍然觉得优秀的工程能力很稀缺,优秀的数据科学很稀缺,优秀的创造力很稀缺,所以是的,有些事情变容易了,但这在我心里并没有消解掉。
Lenny Rachitsky：有没有哪些职能，你发现你们现在招的更多了，就像饼图，饼在扩大，比如工程，产品经理，设计师之类的，然后随着AI工具和大语言模型的兴起 [00:12:43]
Elizabeth Stone：哪些职能的需求变少了，我不确定这能完全按职能来对应，但我可以告诉你，我们看到什么需求更多了，在AI的世界里，我们需要更多系统思维者，这在各个职能里表现不太一样，我可以举几个例子，比如在Netflix的核心基础设施团队，和中央工程部门，过去让Netflix成功的一个原因是，有具体业务问题的本地团队，可以快速行动去交付，他们通常不觉得自己需要走一条，中央的标准化路径，他们自己搭建技术站来解决问题，产生影响，但在AI的世界里 agent跨多个系统运行，需要事实数据源，这时候拥有首选的标准化路径，就变得更重要了，这些路径能最大化收益，同时提供一些防护措施，确保我们在做好工作，通用基础设施，通用标准化路径，用一套核心能力，一次性解决问题，这些变得更重要了，所以我们在招更多，能跨所有业务领域去看，然后抽象出在AI世界里，我们需要哪些构建模块的人，这是一个视角，另一个视角是，让Netflix走到今天的东西，不一定能让Netflix走到明天，我们需要一套更强大的基础设施，才能在这个领域快速行动，这意味着工程人才画像，更偏向分布式系统，基础设施那种系统思维的心态，而不是本地业务专长 [00:13:51]
Lenny Rachitsky：当然我们仍然有深入个性化，广告内容交付的人，所以对我们来说，拥有核心基础设施和系统思维，更多是一种加法 [00:14:26]
Elizabeth Stone：再举一个例子，设计我们的体验设计团队正在开发模板，同样是用系统思维去定义Netflix上优秀的用户设计应该是什么样，这样他们就能赋能很多人，包括那些没有受过专业设计训练的人，去开发出连贯的产品，融入端到端的会员体验，如果出现不同的设计语言，不同的用户交互方式，最后拼出一个四不像，我会非常紧张，所以设计师需要成为我们招聘的那种人，同样是为了设计领域的系统思维，我们怎么思考模板和品牌表达，好的用户体验是什么样的 Netflix是什么 Netflix那独特的秘方又是什么，所以现在设计团队里，需要这样思考的人比以前多了，而不是我能不能为某个具体产品，设计一个具体功能，这种退一步看全局的做法，我觉得正在每个职能里发生，这需要对现有团队进行一些技能上的重新定位，也要招进具备这类专长的人，而贯穿这一切的是一种思维模式的转变，我们不会招那些对探索尝试新事物不兴奋的人，不会招那些不理解变化很大，并且对那种模糊性感到不适的人，不会招那些对我们工作方式协作方式变得模糊感到不适的人，这对已经在Netflix的人和我们要加入团队的人，都是用那种好奇心，创新思维 [00:15:32]
Lenny Rachitsky：至少在我从事这个领域的这段时间里，从来没有像现在这么重要过，关于系统思维这一点，它变得越来越重要，是因为大家动作太快了，所以你需要投资平台，框架设计语言，本质上就是受人以鱼，让他们不被卡住，还是有别的原因，我觉得可能是速度平台，确实有杠杆效应带来的好处，总的来说，不管有没有AI平台，都能让大多数团队，完成80%的工作 [00:16:09]
Elizabeth Stone：他们就不用重新发明那些基础模块了，我们在业务上压住更多，想构建的东西也更多，所以平台思维是好的，对Netflix来说把它看作一个真正关键的赋能器，这还是相对近期的事，另外在AI的世界里还有一种搭脚手架的感觉，不只是速度更快了，而是有更多人在做更多不同类型的工作，这些工作跟以前不一样，或者是全新的，就像我们刚才聊到的，这就会带来风险，比如在这种情况下，你怎么考虑访问权限和身份，怎么考虑安全，怎么考虑交付高质量代码，设计和用户体验，我觉得如果让每个做东西的人，都自己去摸索，能不能提醒我一下，这里好的标准是什么，我应该记住哪些边界或防护措施，这样是没法规模化运作的，我们需要把这些编码，进我们的标准化路径和工作方式里，对数据科学或分析领域来说，就是要编码出，这是事实数据源，这是解读它的方法，这是访问它的方式，这是能用它做什么，不能做什么，以及处理某些类型的数据要小心，一个几千人的组织，不能再依赖口口相传的经验，或者我去找那个唯一懂这个的人，这个挑战在AI出现之前就有了，有了AI可能变得更紧迫,我喜欢用AI或任何新技术来推动一件事,就是我们知道这是该做的工作,那现在就是最好的时机在整个团队里加大投入。 [00:17:29]
Lenny Rachitsky：我在想,这变得更有价值的另一个原因,是不是因为现在agent做了很多工作,给他们上下文,给他们脚手架,给他们设计语言,就能让这一切加速? [00:18:16]
Elizabeth Stone：对,我们在Netflix的一个愿景是,未来会有非常多的agent参与工作,你需要能够对整个过程进行推理和合理化。人类负责引导,我们要解决什么问题?我觉得我们产出的东西有影响力,质量高吗?但工作会由人和agent共同完成,这会带来速度和好处,也会带来风险。我觉得很重要的一点是，尤其从工程角度来看，我们要找到管理这件事的方法，既能让大家快速行动，又不会给公司带来，不必要的负面影响或风险
Lenny Rachitsky：这跟Ginny Wen上节目时，聊的内容直接相关，她当时是Claude Code和 Cowork的设计负责人，提出了一个设计流程，已死的论点，她的核心观点是，根本没时间走设计流程，作为设计师，你更多是在引导大家，给他们指方向做调整，然后在有时间的时候思考全局，感觉这跟你现在描述的有点像，就是创建平台让大家快速行动，然后就没有时间去做，某个具体新功能的设计流程了，我对此心情有点复杂，因为我们确实想通过，基础设施和系统思维，让更多人做出优秀的设计作品 [00:19:34]
Elizabeth Stone：新技术提供了这样的机会，为什么不用呢，但对于最重要的优先事项，设计仍然是关键，必须用正确的方式去解决问题，所以我们依然会为重要的设计工作留出时间
从专才走向系统思维
Elizabeth Stone：所以我们依然会为重要的设计工作留出时间，它可以推进得更快，设计师们手里的工具更多了，他们能以更快的速度做出令人惊叹的作品，展示更多方案，学习，迭代，测试都更快，但我认为，如果因为写代码更快了，做数据分析更快了，就把设计和深度的设计专业思考挤掉，那会是个错误，至少对Netflix这样的大规模消费产品来说，我觉得我们会丢掉让Netflix出色的一大原因，产品技术和设计把大量复杂性隐藏起来，创造出无缝的客户体验
Lenny Rachitsky：这种设计思维必须是核心，所以具体的工作方式可能会变，但我不认为我们会丢掉这种思维，这是个很棒的相反观点，那我听到的趋势是，你越来越看重系统思维，以及那种对变化和未来感到兴奋，不顾手自己那一套的心态，那什么在下降呢，哪些你以前很看重的东西，现在没那么看重了 [00:20:49]
Elizabeth Stone：我觉得那种非常狭窄，深度专精的时代越来越有限了，我能举出一些我们仍然需要的例子，比如某些行业或技术领域，全世界只有少数人真正懂，我们团队里就有这样的例子，比如编码方面，或者我们的播放系统如何运作，这些对Netflix来说，极具创新性和独特性，我仍然认为我们需要，这些领域的专精人才，但总体而言，跟五年或十年前相比，我觉得我们的专才变少了，更多是通才，或者能在多个方向上适应的人，这种适应可以是跨智能的，也可以是跨工程方向的，比如我能不能同时驾驭，后端和前端系统，我能不能深入对接基础设施,现在的思维应该是我能快速学会。这又回到了系统思维,所以我觉得专才现在比以前更容易扩展自己的工具级, 因此我们可能不需要那么多专才,因为人才能够朝那个方向成长。而且,固守一个狭窄的专长,可能会让我有点担心。那探索不同方向,不断成长的心态呢?当然,我自己在评估这一点时也不想太狭隘。 [00:21:52]
Lenny Rachitsky：但重要的是,即使是专才,也要有那种意识,我想尝试用新方法解决这些问题,而不是沿用过去的方式。你说的专才,是指前端工程师相对于后端工程师这种吗?还是有其他类型?也可能是某个领域的知识,比如我是支付专家,我是广告市场设计专家,我是某个非常具体的制片厂使用的工具专家。在这些情况下,专长和领域专业知识是优势,前提是这个人愿意成长和延伸,去思考,这个工具或这个思路真的还是对的吗? [00:22:29]
Elizabeth Stone：所以我觉得从工程战的层面来看,专精程度在降低,还有那些不太可能一成不变或者惯性很大的工具,我觉得我们会希望找到能创新,能想象未来版本的人,所以我们更需要这类人才。
Lenny Rachitsky：太棒了，回到系统思维这个话题，听到这里的人可能会想，好我得提升我的系统思维能力了，那人们该怎么培养这种能力呢，是只能靠长期积累，做很多复杂项目吗，我想起那本大家老提到的书，封面上有个弹簧玩具的系统思考，对人们该怎么学呢，一个小技巧，每次你要解决一个问题时，往外退一步，问问自己，在解决这个问题时 [00:23:23]
Elizabeth Stone：我对更大的背景做了哪些假设，比如我接到一个任务，要为Netflix会员体验开发某个新功能，我会花一点时间想一想，我们到底要解决什么更大的消费者问题，这个功能能支持什么类型的内容，我原本打算的开发方式，在扩展到多种内容类型时还合理吗，或者这个能力是不是可以贡献给一个平台，供多个领域使用，随着娱乐世界不断扩展，我们想让体验更个性化，更沉浸，那我要用这个功能解决的消费者问题，会不会是Netflix未来，需要解决的最重要的问题之一，这些问题，你不需要面面俱到，你不需要去解决Netflix的整体战略，或者我们跟竞争对手相比如何，你只需要从你负责的事情出发，对你正在解决的问题，做一次拉远镜头，然后提出疑问，不要在提问状态里停留太久，否则你会卡住，无法推进 [00:24:30]
Lenny Rachitsky：但我认为，这能帮助人们用系统的方式思考，去追问，我们是不是在用正确的方式，解决对终端消费者，真正重要的问题，还有一种方式，按你刚才说的，我理解就是
Elizabeth Stone：假设你是你的经理，他们会怎么看，不只是盯着你自己的团队，你的问题和你的KPI 而是看更大的全局，我这些年得到过类似的建议，就是，我能不能用某种方式，做好自己的工作，同时帮我的经理，做好他们的工作，所以如果我不光想，自己直接负责的事，还从经理的视角去想，不只是产品和技术的视角，还有财务，内容，以及业务其他部分，那我自然就会把镜头拉远，去想这些组件，怎么拼在一起，怎么让整体大于部分之和，我觉得这种思考方式很有用，对工程师来说可以想，我怎么让这些系统变得更好，我怎么做出高质量，能扩展给别人用的东西，这里面既有怎么帮我的经理，也有怎么帮我的同事，这是我们一些工程原则的核心 [00:25:03]
Lenny Rachitsky：做对整个组织有利的事，而不只是对你自己局部有利的事，这也是系统思维，所以不光是看资历，还要看解决问题的广度，构建东西的广度，这个东西对我的同事有用吗，我会不会为未来我们想做的创新，留下一个更强的版本，这个战术建议太棒了，让经理的日子更好过，在职业发展上永远是个好策略，有好几个理由，没错，顺着这个话题往下聊，我知道你们最近新增了职业阶梯和直击体系，这算是个新东西，你们以前没有这些，所以还是顺着这个话题，在这个AI时代，你们在职业阶梯里加了什么，如果有的话，是希望员工更多去投入哪些方面，还是说你们更看重别的，还是说你们其实没有改职业阶梯和绩效标准 [00:26:08]
Elizabeth Stone：我们目前的做法是不去试图在每个级别详细说明AI如何改变那些期望, 而是在Netflix所有人才上面加一层覆盖, 面向团队里的人以及正在招聘的人去谈一个对AI流畅度的追求。这个追求具体长什么样,会因职能而异, 也会因你处于职业生涯的哪个阶段而异, 可能是你在什么级别，或者你在做什么类型的角色和工作，但对AI流畅度的追求这件事，本身就很难定义，它是指我有实验心态吗
Lenny Rachitsky：是指我知道AI在什么地方有用，什么地方没用吗，是指我真的用AI构建过东西吗，我感觉这件事在职业阶梯里怎么体现 [00:27:10]
Elizabeth Stone：我们怎么去谈它，几乎每个季度都在变，甚至每个月每天都在变，因为技术本身进步太快了，所以最有用的做法，不是把它做成按级别或按角色来定，而是鼓励每个人都朝着 AI流畅度这个期望去努力，这也不是说为了用技术而用技术，而是在技术有用的时候，能有好的判断力，并且有开放的心态去探索和尝试新东西，这一点对所有角色来说都是没得商量的，在Netflix最高层也是这样，我们也会说，我们自己也需要对AI有深厚的流畅度，哪怕写代码不是我们日常工作的一部分，所以这一点已经变了，而且这也体现在我们的招聘实践中，在面试里，我们会更自如地去探索，人们是怎么看待AI或技术的，他们在日常工作里在用些什么，他们对变化和探索有多适应，甚至在编程面试里，当然也允许候选人使用AI工具 [00:28:17]
Lenny Rachitsky：因为这本来就是现在工作的一部分要求，这些是我们已经做出的转变，但我不觉得这个转变已经完成了，我们其实正处在转变的过程当中，继续顺着这个话题聊 I对编程的变革作用很明显，对原型开发也是一个巨大的解锁，在Netflix AI还有没有其他特别有影响力的应用场景，可能是大家没想到或者没意识到的
Elizabeth Stone：有两个方向我印象很深，第一个是数据分析，信息提炼和建模，就是用这些工具去把握我们已有的各种洞察，跟我前面说的类似，我们跑过哪些实验，针对某个问题，我该看哪些指标，我们做过哪些消费者调研，现在做这些事的速度快了很多，质量也高了很多，前提是你要验证结果是否可靠，要跟你们团队的数据科学家确认，我用的是不是事实数据员，这个方向非常棒，我个人用这些工具，最多的也是这个场景，所以它已经超出了，原型设计和编程，延伸到了一般的分析性思考，以及把数据转化成行动和洞察，另一个方向是在，内容制作和创作那一端，应用场景非常多，在Gen AI之前就是这样，很多制作工具里，早就深度用到了ML和AI 我们用它们来思考，怎么规模化的制作宣传物料，怎么做字幕和配音的本地化 Gen AI在能产生的影响上，是一个巨大的节约变化，在创意构思阶段，我们管它叫预可实话 [00:29:45]
Netflix如何把AI用于娱乐与产品
Elizabeth Stone：我们管它叫预可实话，基本上就是在你把大家拉到片场，真正开始拍摄之前，先把创作者的构想呈现出来，后期制作里也有很多用力，我们最近收购了一家公司，叫Interpositive 是Ben Affleck创办的，他们做了一套模型和能力，让你在拍完素材之后，可以重新打光，重新构图，重新拍摄，修改对白，这些方式对提升内容质量非常有效，而且仍然是由导演或创作者主导，他们会说，我想试试别的办法，把这个构想更好地呈现出来，这种影响非常有前景，我们看到很多制作项目在用不同的工具，有些是我们内部自研的，有些是我们通过其他供应商提供的，都是服务于这些内容创作场景，再往后当内容要进入产品端的时候，我前面提到了本地化字幕和配音，还有怎么规模化地制作高质量的预告片图片和美术素材，然后用它们来帮助每部作品在全球找到自己的观众，在思考AI能带来的影响时，这些都是巨大的杠杆，所以这同样远远超出了原型设计或编程，延伸到了创意用力，而且你可以想象，就像这些工具，在电影和电视剧的 [00:30:53]
Lenny Rachitsky：制片厂里有效一样，它们对广告也有效，对营销也有效，对站外的推广活动也有效，这些领域我们都在探索，你刚才提到Netflix 很早就开始用AI和ML了，而且用了很久，年轻一点的人，可能不记得了，但你们当年搞过一个优化竞赛，对 Netflix Prize 这本身就说明了，你们在AI和ML上，起步有多早，我记得当时是悬赏100万美元，让大家来优化Netflix的排序算法，哪怕只优化一点点，谁优化的最多谁就拿走奖金，我记得最后获胜的团队，好像是把效果提升了几个百分点，大概是这样，当时是件大事，全世界最聪明的一批人都参与了进来，而且这个比赛好像办了好几届，对吧，你替我把话都说了，经常有人问Netflix是怎么看待AI的，这时候提醒大家这一点就特别好 [00:32:06]
Elizabeth Stone：这对我们来说不是新东西，尤其是在个性化推荐上，它一直是给会员提供好体验的核心，我们内容库的广度太大了，内容还在越来越多，这是我们面临的挑战之一，而让发现内容变得越来越简单，也是Netflix要解决的挑战之一，用AI和ML就是实现这个目标的方式，你要做的是在合适的时间，把合适的作品个性化地推荐给合适的人，这个问题只会越来越难，我们的片库越精彩，内容的广度越大，不光是电影和电视剧，还有游戏、直播和播客，个性化在整体体验里就变得越重要，所以我们可以带着这段历史去问，好,那现在这个问题我们怎么解，因为现在的技术比以前更强大了，但这段历史让我们在明确要解决什么问题，以及Netflix为会员解决这个问题有多重要上，有了一个先发优势，同样在我刚才说的创意那一端 AI和ML用在视觉特效或语言本地化里也已经很久了，现在我们要问的是，当技术更强大时，下一个时代会是什么样，在这两端最终都会发挥Netflix的一个优势，就是把娱乐和技术结合起来，确保我们始终领先一步，做出更好的东西，所以我很高兴，这是我们历史的一部分，它现在仍然是我们的优势，而且未来也必须是一个优势，因为我们在娱乐内容的广度上，面对的挑战很大，同时还要保持出色的体验，对而且我觉得很有意思的是，那时候大家管它叫machine learning 一提到AI就说，不不不，这不是AI AI 永远永远永远不可能实现，这只不过是machine learning 结果突然之间，我们把所有东西都叫AI了 [00:34:00]
Lenny Rachitsky：其中有些其实就是machine learning 没错，所以我也试过，怎么说呢，这取决于当下流行，用什么词来描述，我觉得我们现在是
Elizabeth Stone：把这些都统称为AI了，对，而且AI的用力里，有很多并不是生成式的，真要细说，能聊到很深很深，但总的来说 Netflix在用非常广泛的AI技术，这一点我想大家不会意外，而且我们对各种可能性都特别兴奋，在Netflix工作有意思的地方在于，如果你对技术应用特别有热情，不管是创意产出、消费产品，还是基础设施，我们这里全都有，而AI正是这些问题的核心，这一点值得记住，哪怕Netflix没有被贴上AI公司的标签
Lenny Rachitsky：AI是我们非常顺手的一个工具，用来做出色的娱乐和技术成果，还有一件很有意思的事，我继续夸一下Netflix 如果你去看Netflix早期的文化文档，还有我们上次聊的内容，里面会浮现出一些东西，比如高自主性，这在Netflix一开始就是很核心的一点，高自主性，自主权，高人才密度，非常自下而上的思考方式，极快的实验和上线速度给市场顶心，这些全都是现在每个AI公司，我最近老听到顶级AI实验室，就是这么运作的，所以大家都走到了这里，而Netflix早就在这么做了，对 [00:35:16]
Elizabeth Stone：在理解什么，让人才变得出色这件事上，确实有点先见之明，我思考过Netflix文化里的这些方面，这么说可能有点书呆子气，但我觉得
Lenny Rachitsky：它就像一套卓越作为操作系统，这些文化元素本身，不是最终目的，不是说，我们就确保大家责任越大越好，或者我们不喜欢流程
Elizabeth Stone：所以就确保一点流程都没有，它背后其实是一个非常坚定的观点，通向卓越的路径，是给人们大量的自主权和责任感，把决策推到组织里尽可能深的地方，招那些判断力好，能做对决策，值得信任的优秀人才，这样做最终会带来非常棒的成果，还有更强的动力和责任感，这意味着团队里每个人都能感觉到，我拿到了很多钥匙，也承担了很多责任，我自己也觉得，当你知道自己背负着这种程度的信任和责任时，你会想把工作做到最好，所以Netflix的文化一直瞄准卓越，这一点让人感觉非常自然，当你有了出色的人才，给他们空间去发挥，不去微观管理，也不拿流程把他们淹死，你反而能得到好得多的结果，所以我觉得新一代的公司，正在意识到一些，我们非常熟悉的东西，而且这不是一件容易的事，文化不是静态的，公司变大，要解决的问题类型变了，文化也需要成长和演变，但我们追求卓越，相信出色的人才，需要空间去发挥，这一点没有变，我觉得这仍然是，我们的独门秘方，我很喜欢这个概念，卓越作为操作系统，这可以说是一种，非常系统思维的视角，来看怎么搭建一家公司，没错 Lenny [00:37:14]
Lenny Rachitsky：对于正在听的人，每个人都会想要卓越作为操作系统，谁会不想要呢，让大家听听具体需要哪些要素，会很有帮助，一个显然是高人才密度，只招最好的人，第二是责任感，有点像输入和输出，输入是优秀的人，最顶尖的人留住他们，给他们自主权，你觉得打造这套，卓越作为操作系统的支柱有哪些，如果有创始人在听，我希望他们能做到，人才密度是没得商量的，你必须从这里开始，没有这一点，你就没法做到对组织各个层级的决策，都有信心，也没法让大家去冒险，快速创新
Elizabeth Stone：这在Netflix文化里是卓越的一大组成部分，也就是对风险承担非常坦然，我们不试图避免失败，我们试图在失败时快速恢复，这方面有很多好例子，我们进军直播就是一个很好的例子，我们很坦然地承担了大量风险，知道一开始不会完美，知道我们会学得很快，会越做越好，看到团队是怎么走过那段路的，我从来没这么自豪过，所以你必须有人才密度，坦然接受，大家会运用你给他们的上下文，良好的判断力和风险承担精神，去争取对业务最好的结果，你必须非常清楚，你所做的一切，是为了给消费者和Netflix带来成果，所以是Netflix重要 Netflix的会员重要，不是关于我个人的成功或我偏好什么，所以这套卓越操作系统里包含了一种无私，然后我想说的另一点是，有些事对人类来说是很不自然的，我可以举几个需要去习惯的例子，确实有些时候我看到一些决策正在发生，我心里会想我可能会做不一样的决定，这真的是最好的选择吗，但我的职责尤其是在Netflix的文化里，不是在每一个这样的时刻都介入，去推翻否决或质疑别人，尤其是当这个决定无关紧要，不会把公司烧掉的时候，就让人们自己做决定，从中学习，事后去问他们复盘，结果怎么样，也许我错了，也许那个决定其实很棒，但这跟风险承担有关，就是帮助人们学会，如何坦然做自己的决定，尤其是当这些决定不可能全对，而且他们会从中学到一些，艰难教训的时候，我自己也从老板和同事那里感受过，他们对我说，这是你的决定，我可以提供意见 [00:39:53]
以高人才密度抵抗流程膨胀
Elizabeth Stone：我可以提供意见，可以帮你头脑风暴，但最终是你的，这真的不是自然而然就能做到的，当赌注很高，当我觉得要对整个组织负责的时候，放手让人们去冒险，会让人很不舒服，我还觉得，这也意味着，在事情进展不顺的时候，不要假设流程能解决问题，这是我过去几年学到的一点，当规划变得困难时，我从没听人说过，我们找到了完美的规划方式，或者完美的反馈，定级和薪酬方式，但每次我们遇到这种情况，加了更多流程，我们花了更多时间，却没有得到更好的结果，我觉得当事情又难又复杂的时候，每个人的本能，都是通过加一堆约束来简化问题，但这其实跟另一种思路背道而驰，有没有更有创意的方式来规划，来做人事决策，来做优先级决策，真正让我们得到更好的结果，所以这是一种抵抗，抵抗去做很多大公司会做的事，并且经常要在那种不适感中保持坦然，这是我在自己角色里感受到的 [00:40:53]
Lenny Rachitsky：我相信Netflix很多人也感受到了，因为你会努力不去做那些标准化的东西，这话说起来容易，听起来也容易，但我太懂你的意思了，就是有人搞砸了，然后你就想，好吧，哪里出了问题，我们加个流程，来避免这种事再发生，而你的意思是，你得抵抗这种冲动，因为那会拖慢速度，而且最优秀的人，不想在一个充满各种清单，流程关卡的地方工作，对，我觉得最优秀的人，想知道的是，会有一场不追责的复盘，而且他们会感到，非常强烈的个人责任感，以至于他们会说 [00:41:34]
Elizabeth Stone：我怎么确保这种事不再发生，不是靠流程，而是靠我怎么分享这些教训，我怎么用不同的方式做事，确保下次得到更好的结果，当你信任人们去做这些反思，去学习和成长，我觉得长期下来，你会得到好得多的结果，也会得到一支强得多的团队，我觉得这是我们，作为领导者角色的一部分
Lenny Rachitsky：你在努力培养一支有韧性，经得起考验，知道如何产生巨大影响的团队，你不是在试图控制一切，这也是打造高人才密度团队的关键，这里面有两个方面，我想简单聊聊，一个是招聘，另一个是留住人，你们以留任测试出名，我们上次聊过这个，这也是对人来说，很不自然的一件事，想了解这是什么的人 [00:42:25]
Elizabeth Stone：可以去听我们第一次的对话，但过去这几年，这个做法有演变吗，它仍然是你们文化的核心部分吗，这个留任测试的理念，它经常被引用的方式，会让你觉得留任测试，就是那个你决定让某人离开，觉得他们不适合这个岗位，然后进行那场对话的时刻，但它同样经常被用来进行一场，关于某人有多出色，在岗位上表现有多好的对话，因为切入点是，我对我的某个直接下属说，或者他们对我说，我在你的留任测试里表现怎么样，而绝大多数时候，我的回答是，我会拼命留住你，让我来说说，我觉得你做的特别棒的一系列事情，你的优势是什么，你在哪些地方产生了很大影响，你还可以在哪些方面做得更好，所以它是一个切入对话的入口，这种对话对人们来说
Lenny Rachitsky：是非常积极和鼓舞人心的，但框架是，我通过留任测试了吗，当然也有更困难的情况，就是我在评估某人，是否通过留任测试 [00:43:30]
Elizabeth Stone：或者他们来问我，而这是最难说出口的话，说实话，你现在没有通过，在某些情况下，我觉得你可以达到，这伴随着反馈和那些里程碑是什么，或者在另一些情况下，你会说我们真的试过了，我看不到成功的路径，所以它只是一个，锚点和对话的切入点，可以走向很多不同的方向，我喜欢它的一点是，它在反馈和检查进展方面，是一种很好的习惯，并且有时会迫使你去，进行一场艰难的对话，而不是回避它，或者为了留住优秀人才，你确实需要说，你做得很好，这是让人们感到被认可，和被重视的重要部分，所以我不希望给人留下，我们只看到它消极一面的印象，我觉得这枚硬币
Lenny Rachitsky：也有积极的一面，好为了让听众不用去翻上一期，我简单解释一下，这个概念是Netflix文化的一部分，当你有下属时，你应该始终问自己，以我现在对这个人的了解，我今天还会招他吗 [00:44:35]
Elizabeth Stone：如果不会，那我大概就该让他走了，背后的想法是保持高标准，不要将就，不要觉得这人，反正已经在团队里了，就留着吧，这样理解大致对吗，对，而且可以换个角度来想，如果这个人今天来跟我说，他要离职，我会不会拼命留他，还是说，我心里其实松了一口气，觉得换个人来做这个岗位，可能更好，那就说明，我早该主动找他谈这件事了，我很喜欢你刚才说的 [00:45:03]
Lenny Rachitsky：要维持这种状态，确实得做很多让人不舒服的事，对，留任测试只是其中之一，还有维持人才密度，领导者要做到，给上下文而不是控制
Elizabeth Stone：我们常说高度对齐，松散偶合，也就是用最轻量的流程，确保大家对优先级有清晰共识，能执行到位，这些都不是人类天性会做的事，也不是规模化组织会自然去做的事，所以要持续保持警觉，才能守住让Netflix变得特别的东西，因为说到底，吸引人留住人的是工作和文化，而我们需要这些来支撑一个成功的业务，这正是我接下来想问的，要让这套机制运转，你得吸引最优秀的人，吸引顶尖人才一直很难
Lenny Rachitsky：而现在感觉难到离谱，钱满天飞，各种fancy的AI实验室竞争太激烈了，简直疯狂，你们是怎么说服顶尖人才依然选择来Netflix 而不是去其他那些看起来很酷的地方，对我们在人才竞争上一直压力很大，现在可能感觉更突出，但我们团队里已经有非常优秀的人才 [00:46:19]
Elizabeth Stone：这话可能不用说，但我觉得还是应该大声说出来，因为我相信这一点Netflix有非常出色的人才，无论是最近加入的还是待了很多年的，我每次看到团队做出来的成果都很佩服，所以我不觉得我们吃了亏，也不觉得其他公司把好人都吸走了，因为我觉得很多优秀的人就在Netflix 不过我们确实需要更明确地讲清楚，什么样的人更适合在Netflix发展，而不是去那些前沿实验室之类的公司，在Netflix工作的人必须对技术的应用，对通过打造产品去解决某类问题充满热情，你得热爱娱乐，热爱大规模面向消费者的产品，热爱这件事的全球属性，有很多非常有才华的人，就是喜欢这个，交集技术产品和娱乐的结合点，我也是其中之一，怎么把这些东西融合在一起，做出让人眼前一亮的东西，你可以用AI来做，也可以用其他技术和产品来做，但这必须是你真正有热情的方向，你才会对Netflix的很多岗位感到兴奋，如果你更受那些前沿模型公司做的基础研究吸引，那本身也很令人兴奋，那就是另一种类型的人了，是你想深耕的问题空间不同，但我不觉得缺少那种对技术应用充满热情，并且能看到这些应用和自己每天喜欢用的东西，比如Netflix之间关联的人，这个方向让我每天早上充满动力，我觉得团队里很多人也是这样，我们聊过这一点，这是只有Netflix的人才，才能做的事，或者说只有深耕，某个行业应用的人，才能做的事 [00:47:25]
Lenny Rachitsky：我觉得这本身就很有吸引力，我想聊几个，我最近一直在思考的，跟AI时代相关的话题，一个是初级人才，现在好像大家都在说，你刚才就是个很好的例子，你们招了很多，已经证明过自己的，优秀资深人士，高标准高人才密度，同时让做事情变得太容易了，大家可能反而学不到东西，我想到的是初级工程师，初级产品经理，初级设计师，新人怎么成长为那些优秀的资深人士，你有没有思考过这个问题，你们现在还招初级人才吗，你怎么看这件事，如果初级人才没有学习路径，或者很难学到东西成长为资深版本，那会怎么样，我们仍然在招初级人才，他们对公司的人才战略非常重要，我们还有实习生项目，也有应届生项目 [00:48:58]
Elizabeth Stone：这个项目是几年前才开始的，在那之前，我们所有岗位都只招更有经验的人，现在我们会直接从本科和研究生项目里招人，以后也会继续这么做，所以即便在AI让很多事情变简单的世界里，我们刚才聊到心态 AI流畅度，从我的经验来看，年轻人思想更开放，对这些新的工作方式往往更原生，对Netflix这样的公司来说，他们也非常了解娱乐在怎么变，消费者行为在怎么变，产品和技术在他们用的产品里，是怎么影响这些变化的，团队里有这样的视角非常重要，所以这里面既有角色本身的一面，你作为一个应届生工程师是谁，也有另一面，你作为一个20出头的人 [00:49:10]
工艺卓越仍然不可替代
Elizabeth Stone：你作为一个20出头的人，对世界有非常有价值的看法，而且对世界变化的方式很适应，所以我才说这是我们人才战略里，很关键的一部分，至于你进了岗位之后，手里有五年或十年前不存在的AI工具，我要说的是，对工艺的精通仍然非常重要，回到刚才说的，作为团队成员，我要对提交到生产环境的代码质量负责，要对我做的产品质量负责，对产品怎么设计，用户或消费者的体验是什么负责，这些都不会消失，所以如果我想团队里那些更初级或职业生涯早期的人才,我们在mentorship上的投入一点都不能少,要教他们什么是好的标准,怎么用这些工具,但你仍然要对最终结果,对输出的质量负责。我记得前面也提过，我觉得这种精通和工艺上的卓越，仍然很稀缺，所以我们要确保在教这些东西，大家的担心是有道理的，如果我不像以前那样，必须亲自动手，我怎么获得这些能力，但你仍然要承担审查代码，测试代码，诊断问题，知道好产品长什么样的责任，我觉得这是一种非常稀缺的能力，能判断一个产品在解决重要问题，在设计上做到了卓越，所以我不认为，工艺精通的重要性会消失，可能我们培养人才的方式，必须改变，因为他们会用不同的工具，而且我可以保证 [00:50:49]
Lenny Rachitsky：职业生涯早期的人才，也会教像我这样的老人，很多新东西，所以我觉得这是双向的，你觉得工程这个领域，在五到十年后会走向哪里，你觉得人们还需要懂代码吗，还是说上面会有一层抽象，你甚至不需要学C++ Java Python这些，我觉得能写某种语言，比如Python或C++的代码，和理解代码，计算机系统，产品是怎么运作的 [00:51:25]
Elizabeth Stone：这是两回事，而且我不认为后者会消失，因为如果我们把所有语言都交给agent 让他们写所有代码，我们就没法知道这个东西好不好，是不是按预期在运行，当它出问题的时候，就像我之前说的，我们承担很多风险，我们快速失败，快速恢复，这需要你理解这些系统是怎么运作的，我可能会用agent来帮我理解这些东西，帮我更快地发现异常或故障，并做初步判断，但我仍然需要对我们在构建什么，它是怎么运作的，有足够的理解
Lenny Rachitsky：这样我才能判断它好不好，知道怎么修，我不知道，我希望这种能力不会消失，因为我们要通过我们构建的东西，让世界变得更好，我觉得这需要对我们构建的东西有一定理解，我听下来的意思是，你可能不需要写代码，但你必须理解代码和它背后，在发生什么，这很有道理，但问题是如果你自己不写，要真正把这种理解内化到身上，难度要大得多 [00:52:43]
Elizabeth Stone：我觉得这正是目前学习曲线，非常陡峭的地方之一，看看这些模型，或agent写出来的一些代码，非常难读懂，就是那种感觉，我知道性能更好了，但我完全不知道为什么，如果这个东西坏了，我完全不知道怎么修，这让我很不舒服，也许这是因为我还在学习曲线上，还在摸索我们该怎么在这个世界里运作，需要建立什么样的测试推理和理解体系，才能让自己放心，但第一眼看过去，确实非常陌生，非常让人不安，所以我觉得工程领域会慢慢演化，最终会适应这一点，具备相应的流畅度，知道怎么引导新技术 agent和新能力，确保我们对输出结果真正放心，我在想这个变化的隐喻是什么，我到现在还是对工程领域在两年内的变化感到震惊，完全变了一个样，以前你就是坐在那写代码 [00:53:33]
Lenny Rachitsky：现在你是在跟agent对话审查代码，一天能交付一大堆东西，感觉像是工程变化的速度在加快，但如果你回头看过去十年二十年，你也会说同样的话
Elizabeth Stone：所以只是有些东西在加速，我们很难理解过去几年它到底变得有多快，但工程数据科学或产品领域，出现这种大转变，并不是完全陌生的，就像电影制作一样 [00:54:01]
Lenny Rachitsky：如果你看过去一百年，因为技术和新工具的引入，变化大的惊人，只是感觉这个周期在加速，好我想稍微聊聊娱乐，我很好奇娱乐在未来，比如五年十年会怎么变，你看今天我们打开Netflix 看看节目看看视频，这个模式很久没变了，就是那种好我要看The Pit 一口气看完，我要看部电影，我有TikTok 有Instagram的信息流，你觉得大概五年后，我们娱乐的方式会有多大不同，我觉得在Netflix 这已经在变了，因为未来的娱乐，不会只有一种形式，现在也已经不是了，我们之所以在电影和电视之外，拓展内容，部分原因是消费者，期望有更丰富的种类，跨越不同格式
Elizabeth Stone：设备和一天中的，不同时刻 Netflix需要服务好这些才能满足，甚至在未来超越消费者的期望，所以当我们考虑加入手机和电视，或云游戏直播内容，播客与更多现在在Netflix服务上的，创作者合作，所有这些都让娱乐的广度更大 Netflix能够定义和扩展它，这也对如何为Netflix会员，理清这一切提出了更高的要求，我们怎么给你展示一个非常无缝的旅程，从我听Bill Simmons的播客，到我去看Quarterback 因为我喜欢这个，它是Netflix在更传统的电影或电视领域的一个内容，再到我去玩最新的FIFA云游戏，而且我想在电视和手机上都能做到，因为我现在在移动中，想在一天的不同时刻发现或接触内容，这已经是我们正在构建，进Netflix的旅程，我觉得它会越来越强，所以未来的娱乐，不会只有一种东西，它必须更个性化，更沉浸，更具互动性，有一种这是一个，我可以根据当下需求，从很多不同方向，去探索的世界的感觉 Netflix面临的挑战是，我们必须让发现和参与，比现在容易得多，我们有海量内容，可能会感觉很碎片化，尤其是考虑到外面所有的服务或产品 [00:55:59]
Lenny Rachitsky：我觉得Netflix在理解如何跨娱乐产品和技术解决这个问题上，位置非常好，另一个元素显然是AI 作为外部观察者看到科技圈对AI的态度是，我爱它它是未来它最棒，而好莱坞的态度是不关掉它这很有意思，情况很复杂光谱很广 Netflix在这其中的角色是，用创作者想用的任何工具 [00:56:35]
Elizabeth Stone：帮他们把愿景变为现实，会有一些创作者或电影人，处于光谱的一端，说绝对不行，不用AI 这不是我做制作的方式，不符合我的愿景，那没问题，我们和这些创作者合作，还有另一些创作者，我觉得数量在增长，他们非常有兴趣探索，等等，这些GenAI工具，能不能让以前不可能的事，变成可能 [00:57:01]
Lenny Rachitsky：我能不能用新方式讲故事，能不能让故事质量更高，更能引起观众共鸣，我能不能在思考如何把故事变为现实时，做一些格外有创意的事，我们也支持他们，我们也支持所有处于中间地带的人，这对我们来说是一个非常重要的位置，再说一次，因为娱乐不会只有一种东西，不会只有一种格式
Elizabeth Stone：我觉得会有感觉传统的电影和电视类型，然后会有全新的格式，由令人难以置信的创作者带进现实 Neffler想参与其中，这意味着我们在提供的工具和合作类型上
Lenny Rachitsky：需要有灵活性，要真正持有一种创作者赋能的观点，而不是规定性的，我们只这么做，我觉得人们会对AI内容的质量感到惊讶，就像Spencer Pratt的视频，大家都在说，哇这很有趣，明显是AI做的，但太有意思了，你觉得我们会不会走到一个地步，所有电视节目都是AI做的，而且人们很喜欢，我很难想象，没有人类作为核心的娱乐会是什么样，就是说人类在故事创作中，处于中心位置，我觉得这是一项稀缺，且有价值的技能，讲故事这件事 [00:58:32]
Elizabeth Stone：跟人性本身是一体的，也跟知道什么能与人产生共鸣，是一体的，所以我认为人类，会一直是故事的核心部分，或者说关键部分，而且我觉得，在屏幕上看到那些没有人性的角色，对我来说吸引力会差很多，讲故事真正的力量在于，看到另一个人，看他们如何演绎一个角色，或者如何把一种情感演活，这本身就是非常人性化的元素，还会帮忙把故事呈现出来吗，会在某些制作中扮演重要角色
Lenny Rachitsky：或者帮我们让作品呈现出特定的观感和氛围吗，当然会，但我想象不出一个，没有人类作为支柱的版本，有一句话，我记得好像是，误传成Solomon Rushdie说的，意思是一个孩子出生后，先要食物水和保护，然后就会说，给我讲个故事，从远古时代开始，讲故事就一直是社群，社交网络 [00:59:34]
Elizabeth Stone：人类情感和连接的关键部分，所以我喜欢这个想法，技术可以放大这一点，用非常新颖，激动人心的方式把故事呈现出来，但如果说讲故事可以不以人性为中心
Lenny Rachitsky：那感觉就少了点什么
用技术创造人们喜爱的产品
Lenny Rachitsky：那感觉就少了点什么，未来这些年，我们肯定会看到一些疯狂的东西，从这一切里冒出来，这毫无疑问，而且其中很多可能会非常好看，这点我也不否认，但我觉得会有一个很广的光谱，而Netflix需要站在塑造这一切，把它呈现出来的中心位置，这就是我们的计划，太棒了 Elizabeth 我们聊了很多，在我们进入非常刺激的，快问快答环节之前，你还有什么想分享的，或者想留给听众的话吗，有没有我们今天聊过的，你想再强调一下的，可能贯穿了整个对话，但我想强调一下 [01:00:23]
Elizabeth Stone：现在真的是一个，打造产品和娱乐的，非常激动人心的时代，我们聊到的所有东西，比如技术，消费者在发生什么变化，以及娱乐到底是什么，我们正处在一个，不可思议的高速创新期，这也是我留在Netflix的原因，我觉得这里是个很有趣的地方，如果我不重申这一点，那就不完整了
Lenny Rachitsky：我还觉得作为一个行业，我们有时候花太多时间，讨论纯技术或某种能力，反而只见树木不见森林 [01:01:02]
Elizabeth Stone：我们是在努力打造人们喜爱的，伟大的消费产品，我们是在努力制作，人们喜爱的，伟大的娱乐内容，这是他们最喜欢的东西，我不希望这一点被淹没
Lenny Rachitsky：当然，底层有很棒的技术和产品，做支撑，但归根结底，最能激励人的是，我们能给全世界的人，带来什么，顺着这个思路，现在消费级新产品，新消费体验，可以说是极度匮乏，成功的案例非常少，几乎没有消费类，创业公司能跑出来，而AI感觉像是一个机会，能让一些不一样的东西跑出来，我觉得Netflix是少数几家
Elizabeth Stone：能持续交付出色消费产品和业务的公司和品牌之一，这样的公司真的不多，对我们会努力保持下去，好说到这里，我们到了非常刺激的快问快答环节，有五个问题要问你，准备好了吗，好的准备好了，好有没有两三本，你发现自己最常推荐给别人的书，我得说几本跟上次不一样的书，我不记得上次说的是什么了,但听起来不错。我还是喜欢经典。现在脑子里冒出来两本,进入空气稀薄地带,John Krakauer的,还有说谎者的扑克牌Michael Lewis的。 [01:02:20]
Lenny Rachitsky：我以前在华尔街工作过,我喜欢提醒人们那个年代是什么样子。最近有没有你特别喜欢的电影或电视剧?这个问题对在Netflix工作的人来说可能太难了,但总会聊到。
Elizabeth Stone：清单太长了，最近看的一部是 Remarkably Bright Creatures 我妈推荐我看的，特别催泪，这正好说明了，讲故事里人性的那一面，最近有没有发现什么，你特别喜欢的产品
Lenny Rachitsky：对我的健康和状态至关重要 Ate Sleep 在工作或生活中，你有没有经常回想起来的，人生格言，我经常回想小时候，父母教我的东西，可能有点老生常谈，第一，每天都有好事发生，即使在压力最大的时候，也要留意它，第二，最后5%的努力，往往决定了一切，这两条太棒了，真的说到我心里去了，最后一个问题 [01:03:11]
Elizabeth Stone：我完全不了解情况，但你提到，你要去参加一个骑行活动，跟我们说说，这是怎么回事，你要去干嘛，我和我丈夫，要去参加一个旅行，在环法自行车赛，最后一周，沿着赛道骑行，环法总共三周，最后一周有很多山地赛段，我们每天早上骑一部分路线，下午再看比赛
Lenny Rachitsky：这可不是闹着玩的，所以我正在努力训练，好让自己能享受骑行，毕竟这应该是个假期，天哪，我太喜欢这个假期了，我们就是要去比赛，我热爱骑行，也热爱职业体育，能参与其中是件很有趣的事，所以这算是比赛吗，还是说你们就只是悠闲的骑完全程，是悠闲的骑，但还是非常难
Elizabeth Stone：我想我刚才提到了，对很多坡，对身体和精神都是挑战，而且这虽然不是比赛，但我也不想落在最后，所以我得骑得足够从容，能跟得上队伍 [01:04:17]
Lenny Rachitsky：哇我太喜欢你这种和工作完全不同的状态了，感觉这是我们每个人都需要的，这是一种很好的平衡，它让我走到户外，给我一些不错的视角，所以我很期待 Elizabeth 你太棒了，最后两个问题，如果大家想在网上关注你，或者就今天聊到的内容联系你，去哪里能找到你，还有听众们能怎么帮到你，找到我了解我们正在做的一些工作
Elizabeth Stone：或者联系我的最佳途径，其实是Netflix技术博客，我们把很多今天聊到的东西，都放在上面了，我们正在努力更好地分享，我们做的那些有趣的事，所以那里通常是个不错的起点，至于听众能怎么帮到我，去试试我们推出的所有新东西吧，看直播活动，玩游戏，玩玩我们手机端新出的，数评视频功能clips 给我们反馈，我们想把它做得更好
Lenny Rachitsky：而且这些东西很多对我们来说，都是全新的，从零到一的尝试，所以我们想尽快把它做得足够好，足够出色，我太喜欢这个作业了，就是去看Netflix 还有，你也可以看别的，告诉我们怎么能做得更好 [01:05:23]
Elizabeth Stone：但我确实很想知道，我们怎么能在Netflix上做得更好，我喜欢我会去做的 Elizabeth 非常感谢你来，而且是再次来到我们节目，谢谢你邀请我
Lenny Rachitsky：每次都聊得很开心，大家好，非常感谢收听，如果你觉得这期节目有价值，可以在Apple Podcasts Spotify 或你常用的播客App上，订阅本节目，另外，也请考虑给我们打个分，或留个评论，这真的能帮助其他听众发现我们的播客，你可以在LenisPodcast.com 找到所有往期节目，或了解更多关于节目的信息，我们下期再见