Die Leute sagen, KI wird uns inkompetent oder faul machen, aber für mich hebt sie einfach die Messlatte überall: * Ich möchte deinen mittelmäßigen Forschungsbericht nicht mehr * Ich möchte nicht wochenlang auf die nächste Version des Prototyps warten * Ich möchte nicht, dass du vergisst, was in einem Meeting gesagt wurde

Hat jemand etwas über diesen VC-Fonds gehört?

Einige Neuigkeiten: Ich bin jetzt ex-OpenAI (habe gerade mein ChatGPT-Fenster auf meinem Laptop geschlossen) DMs sind offen für VCs, um mir Term Sheets zu senden, danke

Theorie: Die Zeitliste der besten VC-Firmen Amerikas von 2025 ist ein Troll, um zu sehen, welche VCs tatsächlich im August ihre Telefone überprüfen.

Wie man ein geliebtes AI-Produkt entwickelt, mit @meetgranola CEO @cjpedregal Granola ist das seltene AI-Startup, das in eine sehr überfüllte Nische – Meeting-Notizen – eingedrungen ist und es trotzdem geschafft hat, das Produkt zu werden, von dem Gründer (und VCs!) schwärmen. In dieser Episode gibt es viele Produktlektionen. 00:00 - Einführung: Die Granola-Geschichte 01:41 - Ein "lebensveränderndes" Produkt entwickeln 04:31 - Die Vision des "zweiten Gehirns" 06:28 - Augmentationsphilosophie (Engelbart), Werkzeuge, die uns prägen 09:02 - Spät in einem überfüllten Markt: Warum es funktioniert hat 13:43 - Zwei Produktgründer, null ML-PhDs 16:01 - London vs. SF: Aufbau außerhalb des Tals 19:51 - Ein Jahr im Verborgenen: Lernen vor dem Start 22:40 - "Für uns bauen" & erste Nutzer finden 25:41 - Wichtige Designentscheidungen: Kein Meeting-Bot, keine gespeicherten Audioaufnahmen 29:24 - Einfachheit ist schwer: 50 % der Funktionen streichen 32:54 - Intuition vs. Daten bei Produktentscheidungen 36:25 - Kontinuierliche Nutzergespräche: 4-6 Anrufe/Woche 38:06 - Die Zukunft priorisieren: Für die Arbeitsabläufe von morgen bauen 40:17 - Tech-Stack-Tour: Modellrouting & Bewertungen 42:29 - Kontextfenster, Kosten & Inferenzökonomie 45:03 - Audio-Stack: Transkription, Geräuschunterdrückung & Diarisierungsgrenzen 48:27 - Leitplanken & Zitationen: Vertrauen in AI aufbauen 50:00 - Wachstumsloops ohne Viralitäts-Hacks 54:54 - Unternehmenskonformität, Datenfußabdruck & Haftungsrisiko 57:07 - Bindung & Gewohnheitsbildung: Das "500-Millisekunden-Fenster" 58:43 - Konkurrenz mit OpenAI und Legacy-Suiten 1:01:27 - Die Zukunft: Tiefenforschung über Meetings & Fahrplan 1:04:41 - Granola als Karriere-Coach?

1/ @serenawilliams ist unsere neueste Botschafterin bei @Ro. Sie teilt ihre Gewichtsverlustgeschichte, um andere zu inspirieren. Sie hat mehr Willenskraft als die meisten Menschen auf dem Planeten und ist das perfekte Beispiel dafür, dass Gewicht nicht nur eine Frage von "Diät und Bewegung" ist.

👀

VCs: „oh, hartes Nein“

Es gibt zwei Arten von KI-Entwicklern: diejenigen, die Tensor Zero verwenden, und diejenigen, die morgen nicht mehr beschäftigungsfähig sein werden.

Gabriel und ich haben dieses Unternehmen ein Jahr lang in einem kleinen Büro programmiert. Wir begannen mit der Idee, dass KI-Systeme aus realen Erfahrungen lernen müssen, um reale Probleme zu lösen. Schließlich wurde klar, dass es sich hierbei viel mehr um ein System- und Datenproblem als um ein maschinelles Lernproblem handelte. Die Lösung musste eine industrielle Software sein, die kostenlos verfügbar und für einzelne Entwickler leicht zu übernehmen war, aber auch in der Lage sein sollte, den Bedürfnissen großer Organisationen gerecht zu werden. Also haben wir das Projekt Open Source gemacht und unseren frühesten Nutzern gesagt, sie sollten aufhören, uns zu bezahlen. Es fühlte sich verrückt an. Heutzutage machen wir Fortschritte. Wir haben ein kleines, aber unglaubliches technisches Team: Aaron (Rust-Compiler-Maintainer, Svix, AWS), @anndvision (Postdoc an der Columbia, PhD in Oxford) und Alan (PhD an der CMU, VP bei JPM AI Research), der bald von Shuyang (Mitarbeiter SWE für LLM-Infrastruktur bei Google, Palantir) und Cole (Cognition, Windsurf, Stanford) unterstützt wird. Unsere Community ist aktiv und wächst (bald 10k Sterne!). Es gibt einen klaren Weg, um den Agenten zu entwickeln, der jede TensorZero-Bereitstellung anhand des realen Feedbacks, das er sammelt, optimiert. Wenn du mir gesagt hättest, als ich mit meinem PhD begann, dass eines Tages viele Unternehmen freiwillig anfangen würden, RL-Trajektorien in einem Datenmodell zu speichern, das ich mit aufgebaut habe, um ihre Richtlinien gegen die Belohnungen zu optimieren, die ihnen wichtig sind, wäre ich erstaunt gewesen. Bald wird dies nicht mehr von Hand gemacht.