#144 詹雨安 Heptabase CEO/創辦人 - 探索 AI 技術進化之路：從大型語言模型 (LLM/GPT) 到通用人工智慧 (AGI)

電扶梯走左邊 with Jacky (Left Side Escalator) · 108 分鐘 · AI 重點整理 by 聽摘

這集在講什麼

這集在回答兩個看似分開、其實同一條線上的問題：Heptabase 怎麼從「還在找 PMF」走到 1.0 後使用者數暴增 3～4 倍，以及 LLM 為什麼能靠 next token prediction 一路長成 AGI 路上的主角。Alan 的核心立場很清楚：Transformer + self-attention 讓模型能平行處理長序列，配上海量 unlabeled data 與 scaling law，LLM 先成為一個極強的 compressor／pattern matcher，再往上疊 search 才開始像 reasoning。聽完你會帶走一個很實用的框架：看 AI 不要只看「它會不會答」，而是看它是不是已經學到足夠多可壓縮世界的 pattern，以及它還差在哪些人類能力──像 episodic memory、planning、與真正的 world model。

來賓：詹雨安（Alan Chen）／Heptabase CEO、創辦人；他長期做知識工作工具，也親自研究 AI 底層技術，能把產品、創業與模型原理接起來。他這集最核心的主張可以濃縮成一句話：「Transformer decoder 本質上就是一個超強的 sequence predictor，而真正往 AGI 走，還要在這個 prior 上再加 search。」

本集亮點

09:20Alan 用「產品能讀他的心」來形容心流設計：使用者一嘗試動作，預期結果就立刻發生，心流才不會被打斷。這句很值得聽，因為它直接點出 Heptabase 1.0 的產品哲學。

15:17他把 PMF 說得很具體：subscription 產品要看 week 24 usage retention 是否 flatten、customer retention 曲線是否變平，還要算 LTV > acquisition cost。這比「有沒有 PMF」更像可操作的判準。

43:48他解釋 attention 時提到，decoder 不再只看最後一個 hidden state，而是能動態選擇要關注哪些 token；這就是為什麼 Transformer 能處理長序列，而且能平行運算。這段是整集最重要的技術轉折點。

1:30:31Alan 把 O1／O3 這類 reasoning model 說成「LM as a prior + search + reinforcement learning」：先靠 language model 提供直覺，再對 chain of thought 做搜尋與回饋。這段直接連到 AGI 路線，也點出為什麼 test-time compute 會變成關鍵。