开始， RAG、音讯 retrieval 是一类，属于学问类相干。此外一类则是 workflow 相干◆，咱们抉择用 agent 来界说这件事◆。人们之以是必要集会、日程这些东西是由于咱们必要实行相互大脑之间的“比特传输”，那么我能够借助一个 language model 来实行这件事吗？也许是能够告竣的。最根基的合键即是，人们正在敲定集会时分的那一刻，日程陈设上也做出了对应转变。咱们做的许众事故都涉及到了时分这个纬度，language model 能够助咱们来调解时分陈设吗？我以为是能够的。

　　此日，人们正在行使电脑、和软件交互的办法有岁月会显得很固执，那么咱们能不行创建一种全新的软件，让人们能够去生动调解和定制●◆？这即是咱们创立 Notion 的初志，咱们原来正在从新审视筹划机范畴的前驱们当年商榷过的议题。

　　有了 RAG 之后，团队寻找的体验会所有不相通。我自身就曾经转折了行使 Notion 的办法。譬喻我会提问 “公司什么岁月搬到新办公室●●？”●●，倘若团队中有人正在某个文档中纪录过这件事，Notion 就会恢复我对应音讯◆●，我不必要再像之前那样去问其他人。

　　AI 更像是一个以新的办法来组合、驱动这些积木块的新引擎◆，也正由于咱们无间正在构修、完备这些积木块，咱们才干够敏捷把 AI 和已有成效联络起来。咱们之以是是市道上大领域推出 AI 合营的软件之一，是由于咱们曾经正在文本编辑器上花了许众年时分，也由于咱们曾经做了合连型数据库，以是咱们能够把 AI 和数据库联络起来，咱们不妨疾速推出 Notion Q&A 也是由于咱们正在学问库产物上的加入。

　　宇宙最强盛模子易主！Anthropic揭橥Claude 3系列模子，幻觉题目更少了

　　咱们还能够联念如许一个场景，当我有新的 idea 时●，只必要拍张照片、或者写下来极少东西，然后把它放进 Notion，Notion 就会助咱们机合、收拾这些音讯，倘若将来咱们必要用到这些学问的岁月◆，动作一个完好的追忆助手，Notion 就会助咱们调取它们。这是 Notion 的长远愿景，我部分感应这件事很令人兴奋。

　　Ivan Zhao：我和 Simon 对 AI 都有足够强的 conviction●◆，咱们早些年去 OpenAI 的办公室时，基本不阐明这家公司正在做的事故是什么，但当时咱们曾经睹过很早期的 GPT 的 demo。

　　Ivan Zhao：咱们能够渐渐就不再必要音讯构造化或者雷同观念，咱们之以是必要把机合和摒挡音讯是由于只要做好这些办事才干够检索，咱们必要 index 也是由于 index 就肖似文献夹上的各样标签，不妨助咱们疾速找到各式文献，但由于 embedding 和 RAG ，咱们只必要把全体音讯放进这个“文献袋”，然后就能够遵循必要以苟且办法寻找、找到你念要的音讯。音讯的自正在度会大大提拔●◆。

　　咱们之以是必要疏导是由于有些办事不行由软件自愿实行，必要咱们举行及时处罚。这也许这是一个值得考虑的题目●，跟着 language model 的发扬，咱们将来的疏导会更众仍旧更少？我猜是更少◆●。由于 Agent 根基上依赖于 language model，这即是疏导的将来。

　　关于红利的公司们来说，营业承压只是带来痛感。但关于仍损失的B站而言NotionCEO：RAG是学问办理的来，低增速事合存亡。况且，当平台自己贸易化作用走低时●◆，生态内创作家的创收才略也势必受挫◆。二者一荣俱荣，一损俱损。

　　Language model 和 RAG 映现之前，人们之以是必要筹划机是由于必要一个地方来存储音讯，而且能够随时检索、移用这些音讯，但检索要紧依赖于枢纽词，而且这个词要相当精准◆，于是有的岁月还会央求用户具备极少优化枢纽词的技能。但有了 RAG 之后●●，language model 不妨阐明你输入的实质。

　　Notion 团队里有许众对 interface 和计划感意思的人，前后端也分袂有许众全栈型人才，咱们内部也有一片面特意正在做寻找，但 ML 相干的人才并不众，以至能够说是没有◆。过去一年的时分中●，咱们无间正在练习何如做 AI。

　　我以为，bundling 有许众好处。开始，这很便当，用户不必要正在分别的界面之间来回切换就能实行劳动。其次◆，这有助于减省本钱，有了 Notion，用户就不必购置其他项目收拾和 issue 跟踪的用具，从而裁汰了巨额开支。这一点关于企业来说极度厉重，更加是正在眼前的经济处境下，CFO 也念下降本钱。以是，bundling 确实带来了很众上风●◆。除了便当音讯收拾，还能减省巨额资金。

　　具身智能要来了●！OpenAI、英伟达投资●，呆板人公司Figure AI估值26亿成新独角兽

　　团队中的全体人，无论是计划师、工程师仍旧运营，每天也会正在 slack 和邮件问到雷同题目。要答复这些题目能够要花 10 分钟来写邮件●，正在此之前还要亏损 20 分钟来找到对应谜底，倘若算上各样守候时分，能够必要亏损半个小时以上的时分，但有了 Noton Q&A，这类题目只必要几秒钟就能够办理◆◆。RAG 曾经助咱们进步了办事作用，而这还只是着手。

　　Notion 的代价正在于供应一个同一的音讯空间、一个让人们能够蚁合实行各样分别的劳动的 workspace。于是，这些成效必要协同高效地办事●。这有点像是正在构修一个操作体例或编程言语●，没有人会把计划编程言语的劳动分离给 50 部分来做，凡是这些办事都是由一部分来实行的◆●。

　　Elad Gil ：比来一段时分合于 Agent 的商榷越来越众了，但客观来说由于某些才略还不行告竣，以是 Agent 或者自愿化相干的操纵代价还没真正展现出来。Notion 比来也推出了 Calendar 操纵◆，我很好奇你何如看 AI 和日程收拾之间的联络？

　　相对应的，还会存正在“Back Office”●●，雷同于图书收拾员办事的地方，back office 对应的是此日 Snowflake、过去 IBM 正在做的事故。Notion 不会去碰“back office”相干的片面，咱们仍旧聚焦咱们的上风范畴◆，即是我方才提到了软件界面，UI、UX 这些。

　　你方才也提到，大大批人并不念创修软件◆，更众的是实行老板分派的劳动即可。以是，咱们正在创立 Notion 进程中学到的经历以及由此带来的一个转嫁是，相较于供应一个构修软件的用具，更好的办法是供应给用户各样各样的 blocks 构修的模板●◆，让用户上手即用●●。

　　Elad Gil ：听起来 retrievable 也是全面进程中很枢纽的片面。倘若咱们的日历能够自愿补齐咱们必要分解的合于集会、参会职员或其他相干事项的全体音讯，关于用户来说相当有代价。你以为 Notion Calendar 还能正在哪些合键创建代价？

　　正在 language model 之前，咱们要正在学问库寻找极少实质凡是必要很精准的枢纽词，以至有些岁月还要扣问同事是否记得某个序列、某个音讯存放的数据库是哪个。但现正在能够直接扣问 Notion AI 念要征采的题目，很速 AI 就会给到谜底●◆，这是我部分很兴奋的一个操纵场景，不少人也正在商榷。

　　Ivan Zhao：时间的本色是做 trade off 。Language model 带来了一种全新特色◆◆，这是过往被设定为的确成效的软件所不具备的，但咱们还不太分解它完善的办事道理日AI将SaaS带入新一轮Bundling，以是人们无间正在 Twitter 上商榷要何如才干更好地行使模子的才略。

　　时间层面，模子现正在不妨处罚更广大的上下文音讯，具备更强的推理才略，运转速率更速，同时占用的资源更少。这关于 Notion 来说极度厉重●●，由于咱们必要的即是像 GPT-4 如许既智能又高效的云供职。咱们必要 AI 来助助咱们举行庞大的推理劳动或者疾速地总结文本实质，而且最好本钱够低，速率够速。这即是时间层面上咱们必要合切的宗旨◆。

　　以是 Notion 的计划相当蚁合◆，有点雷同于苹果公司，Apple 软硬件紧繁茂成斥地 OS 的办法正在此日很少睹。正在这种状况下，为了告竣好的产物和优异的用户体验●◆，咱们就必要更横向、周详的考虑，也于是咱们的计划决定是相对蚁合的，更偏 Apple 的作风而不是 Amazon。

　　于是◆，我以为这种众样化的才略对咱们的助助很大，Notion 中的每一部分都正在全力变得“万能”◆，这也使咱们的团队小而精壮。相关于咱们的营业领域，咱们的团队人数很少，但团队中的每部分都能把自身的才略阐扬到极致。咱们没有固定的脚色，也不必要做反复性的办事，民众都很享福这种办事办法◆。然而，假使如许做有许众好处，但找到具备如许才略的人确实更难。

　　Sarah Guo：你很垂青计划，Notion 的计划也无间被外界称道，你以为 Notion 是一个计划驱动的公司吗？你是怎样正在全面团队中保障计划相似性的？

　　时间的本色是 tradeoff，好的tradeoff 不妨胀舞用户来试验行使新产物、指挥他们酿成风气，这是最中心的。咱们会的事故更众●●，相关于其他计划上就更能正在计划上做出好的均衡，再譬喻计划师领会怎样编程，他们就会领会怎样调解计划，使其更容易告竣；倘若你管帐划也是同理●，就像正在挤压气氛泡泡时，找到最容易挤压的宗旨●。

　　以是●，咱们不必要正在 Notion 中特意做音讯的机合收拾，由于无论咱们输入了什么，咱们都能顺畅地寻找出来◆。无论对部分仍旧团队公司来说，RAG 都供应了很完好的追忆才略这关于部分、公司或团队来说，相当于具有了完好的追忆。

　　以是，咱们此日正处于 bundling 阶段，这既是由于宏观经济的趋向，也由于 language model 的内正在需求即是将音讯和成效整合正在沿途。

　　Sarah Guo：倘若咱们提防看 Oracle 这类过去 15 年无间攻陷主导职位的公司，会发明它们有一个合伙政策：收购同范畴中排名第二的产物。由于关于客户来说孑立去布置这些产物是很艰难的，或者说他们更方向于将全体东西都整合到一个简单的数据库中。我以为这与你提到的 language model 有某种相像之处。

　　Sarah Guo ：正在 PC 期间发扬早期，当时人们协商榷 30 或 40 年后，PC 带来的最大转变会是什么？此日你对 AI 将来的发扬有什么希望？

　　Ivan Zhao：是的，这一类办事很像是正在做园林教育，我自身并不会这类办事◆，以是我很必要如许一类人助我做这件事。

　　Notion 是临蓐力用具范畴 AI 政策最为激进的一家公司：正在 ChatGPT 推出 2 个月后，Notion 就布告推出 Notion AI●◆，将 GenAI 的体验直接融入到产物，并遵循分别需乞降场景预设了 prompt，用户只必要空格或“/”即可移用 GPT◆●。

　　Ivan Zhao：原来人们曾经从许众角度举行过试验。譬喻比来很时髦的 No-code 即是从部分斥地者角度来念这件事，No-code 让每部分都能修削他们寻常行使的软件用具。即是底层学问和数据的收拾必要被统沿途来。宏观也是一个视角●，由于倘若商量预算的线 个 SaaS 软件的用度比拟，只给一个供应商付费昭彰要更能减省开支。

　　Elad Gil：有极少人把这个进程总结为概率工程，这会让人感应咱们进入到了一个充满随机性的范畴当中●◆，起码是片面随机的。

　　咱们正在 AI 上的各样试验很像做烘焙的进程：计划好完全原资料、把这些原资料放进烤箱、按下按钮之后就只剩劣等待◆◆，没有人不妨预知制品是什么样的，以是这央求咱们有足够的耐心，同时还要做巨额的调解和计划◆◆。

　　Ivan Zhao：我以为 Notion 仍旧很运气的，咱们原来没有极端一心于某个的确用例的搭修，咱们的中心无间是放正在构修这些用例的乐高积木块上面●◆，这些“积木”中既有文档编辑这类最根基层的“积木”●，很咱们还推出了合连型数据库（Relational database），外格、评论以及分别的拜望权限等等也是很厉重的“积木块”。过去 5 年时分咱们无间正在构修这些积木。

　　这两类 AI 人才的办事才略都很强。Notion 目前还没有许众 AI researchers，这类人才正在我看来也相当厉重。然而 Notion 到底处于操纵层，以是咱们许众时分是花正在推敲怎样用模子上。

　　Notion 必要的此外一类人是富饶好奇心以及疾速练习才略的人。Language model 让每部分能够及时地移用 AI 才略来实行自身的劳动，但怎样用好模子才略原来有许众技能，以及怎样将 LLM 和用户交互做联络也是很厉重的题目。这类人日常被称为 AI 工程师，Notion 的 AI 工程师们都很年青◆，许众以至还不到 21 岁●●。

　　Ivan Zhao：我的许众直觉原来都基于极少对史乘的阐明，史乘不是简易地反复，但总有极少相像次序。我部分以为，咱们目前还处于 bundling 的阶段。《三邦演义》的第一回就提到“久分必合◆●，久合必分”●◆，我感应贸易的运作也是这样。正在 bundling 阶段之前，SaaS 行业原来曾经履历过一个 unbundling 和供职分离的阶段。

　　到此日◆，跟着 AI、language model 的映现和发扬，咱们好像又回到了 bundling 阶段●◆。由于模子本色上央求将音讯蚁合正在一个地方去告竣更高效的音讯处罚●。

　　Ivan Zhao：我以为这个取决于咱们要何如界说计划，起码关于我来说，计划不只仅是外观，更厉重的是一个别例是怎样协同办事的◆。正在这种状况下，咱们必要做出极少 tradeoff，是抉择把计划蚁合仍旧分离到每个板块？有些公司或营业产物适合把计划办事下放到分别板块，更加是那些很重运营的公司。

　　Sarah Guo ：确实正在过去 20 年咱们无间处于太甚分离的 SaaS 宇宙中◆，外面上，做一个通用的用具应当是自然而然的趋向，但为什么没有人来做这件事●●？

　　Notion 能够是市集上斗劲早去大领域供应 RAG 相干成效的公司，但大周围供应 RAG 供职的难度斗劲大，Notion Q&A 还处于 waiting list 的状况，咱们还正在完备◆●。

　　Ivan Zhao：我以为 RAG 会彻底转折学问收拾的办法，让人们脱节繁琐的音讯机合办事。Notion 最受人热爱的成效之一是侧边栏，人们会用它摒挡学问库和部分 workspace。但往后咱们能够不再必要如许的用具来机合学问库了。用户只须简易地将音讯丢到 Notion 中，就能够通过各样办法举行检索。这即是学问收拾的将来。

　　Sarah Guo ：Notion 刚起步时，最先行使 Notion 来构修学问库的是那些始创公司◆◆。此日，正在 Notion 领域获得伸长的同时，咱们所处的宏观处境也爆发了转变，始创公司的预算比以前加倍垂危●。你怎样对待助助企业采用 AI 举行学问收拾这件事？

　　Notion 的成立源于我正在大学时读过的一篇论文， Douglas Engelbart 的 Augmenting Human Intellect: A Conceptual Framework。此日人们行使软件凡是状况下都是的确一款产物对应一类的确劳动，但正在筹划机刚映现的岁月，譬喻 60、70、80 年代●●，人们行使电脑的办法要加倍生动，咱们能够进入到体例层面举行调解◆●，以至是正在操作体例正正在运转的岁月，及时地对其举行修削或调解●◆。这件事对我的策动很大。

　　Back office 的场景和 front office 比拟要加倍笔直●●，譬喻一心于医疗矫健范畴、特定的办事流等等，而且凡是还必要一个特意的地方来存储相干音讯并正在笔直场景中举行整合◆◆，这些场景也是能够被 AI 改制的。正在司法等高度专业化的范畴里，large language model 曾经着手庖代人类处罚极少庞大劳动了。

　　Unbundling 的趋向从 2000 年代中就着手了●，正在这之前全面音讯范畴相干的产物都必要基于 Microsoft 来实行，是 类型的 building 的阶段●。

　　原来 Notion 正在做的这件事并不新，由于正在上世纪 80 年代、以至 70 年代人们就商榷过用 block 逻辑来构修软件这件事。到了此日●，咱们只然而是正在云和 AI 的援救下去告竣这件事、打垮过去以的确成效导向的软件的限度◆●。

　　正在此之上，倘若咱们把产物计划得足够好，还不妨告竣将相宜的音讯正在相宜的时分推送给对应的成员，不只这样，倘若咱们计划妥当，还能够将精确的音讯正在精确的时分推送给精确的人。能够 50% 以上的学问性办事都是这类劳动。

　　除了时间身分，我部分还会合切许众人类动作风气角度的转折，譬喻部分用户的动作惯性、公司的危机承袭才略等●◆，这些也都正在逐步演变。就像 Steve Jobs 常说“你不行做出太新的东西，你必需正在坚持大片面雷同的根基上，转折一两个枢纽点。”

　　Elad Gil ：从 GPT-3 到此日，咱们看到 GPT 才略提拔极端速，而且每一代模子城市带来新的贸易形式●●，你以为要足够诈骗 GPT 的才略还必要做哪些办事？

　　Ivan Zhao：本色上 Notion 会助助用户追忆他们输入到 Notion 中的全体实质，不仅是 Notion 能如许做，绝大大批赐与 RAG 的体例都能做这件事。

　　Language model 才略的提拔，以及把 language model 和 SaaS 软件相联络这两件事应当是同步举行的，由于倘若一会儿转折太大，人们能够会不太适宜，RAG 的好处也正在于它正在现有交互风气根基上给到了更好的输出。

　　咱们能把 RAG 操纵到 Notion 的产物中也是由于咱们做了各样各样的“乐高积木块”，AI 关于 Notion 是一个极端好的机遇●，而咱们正好捉住了这个机遇。

　　Ivan Zhao：分别的公司、产物的宗旨不相通，抉择的模子自然也不相通●。Notion 会试验各样模子，更加当下水准最领先的开源模子，但由于 Notion 很垂青推理才略●◆，以是咱们日常会移用高水准的模子。

　　从基本上说，软件即是咱们全体人的音讯处罚运动●，就像一张纸传到眼前，人类转折几个字Notion CEO：RAG是学问办理的来日AI将SaaS带入新一轮Bundling，，然后推送给另一部分。正在某种水准上，language model 曾经能够助助咱们实行这种音讯处罚。以是◆◆，我信任这将所有转折咱们与筹划机的交互形式●◆。

　　Sarah Guo ：Notion AI 的转机相当速，更加和许众还不领会怎样使用 AI 的产物比。这个进程中你们是怎样做决定以及举行资源分派的？

　　我以为 Notion 更众是从筹划、实质或者说文本相干角度动身来念这件事。譬喻咱们全体人城市阅读和写作●，但关于绝大大批人而言，电脑只是一台打字机或者看 YouTube 的用具，自身并不具有创建力。倘若更众的人不妨更具创建性地行使他们的软件◆●，能够状况就会不相通◆●。创建软件的人和用软件的人供应的代价是所有分别的●◆，这也是旧金山房租这样腾贵的厉重来由。

　　Elad Gil ：Notion 曾经构修了许众中心模板和用例◆，譬喻项目收拾用具、学问库等等●，正在它们之中，你以为有哪些成效受 AI 的影响最大？

　　PC 期间早期原来有许众各样各样的操纵，譬喻《星际争霸》的早期版本，又有各样文本编辑器、dBase数据库软件以及其他分别的数据库软件。到了 90 年代，由于 Microsoft 供应了一个底层的操作体例，咱们也随之进入了一个 bundling 阶段。随后，跟着收集时间的发扬◆◆，软件着手能够正在 Web 上运转，这就带来了过去 10 到 15 年前的解绑和碎片化阶段，与此同时，资金本钱下降带来创业门槛下降，也于是导致了音讯范畴的太甚碎片化●。

　　Ivan Zhao：它能够简化咱们的办事流程，这是一个强大的打破◆●，能够让 Agent 助助咱们实行学问类办事。

　　3% 理念（3 Percent Approach）是时尚品牌 Off White 创始人及计划师 Virgil Abloh 的计划形而上学，这个理念的中心情念是，正在现有计划的根基上只做出不横跨 3% 的转折，从而使产物看起来既熟识又新鲜●。这种办法应承计划师正在敬佩原有计划的同时，通过轻微的调解来创建新的作品，这些转折能够征求颜色、资料、构造或其他计划元素的微小蜕变。

　　关于企业和创业者来说●，面临新时间也要做出极少衡量◆◆，他们要时期分解市集关于各样新模子才略的评判。这个行业目前正正在疾速发扬、不息转变。

　　Sarah Guo：你提到 Notion 能够像大脑那样助助用户举行音讯的机合和收拾，倘若一部分的大脑自身就很零乱、缺乏编制，这会影响他正在 Notion 或者雷同体例中的音讯交互办法吗？用户必要先构造化地构修一个自身的学问库，仍旧只必要把全体音讯以音讯流的办法输入就能够◆◆？

　　此日 language model 曾经不妨很好地阐明人们输入到筹划机中的实质了，这意味着咱们不必要再自身去做音讯的机合来便当将来对音讯的检索，AI 正在这件事上做得比任何人类都要好。

　　别的，我以为咱们不行限定于某一种思想形式，由于许众边界原来是人工设定。Notion 80% 的计划师城市编程，他们既是计划师也是工程师，也于是正在计划中能够做出很好的均衡。

　　Elad Gil ：你提到了要正在推理质地、速率以及本钱之间做均衡，Notion 是怎样用模子的？只行使了 Llama 仍旧会正在分别场景中移用分别模子？

　　筹划机范畴的前驱们正在很早之前曾经商榷过这件事，他们以为操控筹划机有一天会像识字相通普及，然而他们当时能够所有没念到 AI 会成为一个乐趣的变量◆●，language model 不只能够创建软件，还能够助人们实行巨额考虑相干的办事。接下来的发扬会相当乐趣◆。

　　正在那之后，咱们团队根基上就全身心加入到 AI 项目中了。咱们曾经搭修好了许众积木●，接下来即是弄懂得哪些积木能够与 AI 相联络◆，以及公司内部谁对这项时间有深刻分解◆◆。固然咱们有寻找团队，但咱们的 ML 团队并不大，以是，咱们还必要聘请更众的人才，与此同时还要让公司内部的人对这项时间有合伙的信仰◆，如许咱们才干朝着统一个宗旨进展。咱们就像面对小行星撞击地球的恐龙相通，必要为即将到来的巨变做计划。

　　Ivan Zhao：Notion 很难被界说，由于它能够被用来做许众事故，但咱们自身也希冀打制一个万能的用具，用户能够用它来实行寻常糊口中的大片面劳动●，譬喻部分用户能够用 Notion 来记条记、做游历筹备、婚礼兼顾等◆◆，企业用户也能够只通过 Notion 这一个用具就实行文档收拾、劳动追踪以及内部学问库的构修等●◆。咱们之以是念做这件事是由于现正在市道上有巨额的 SaaS 软件用具、市集相当分离，但也许关于用户来说倘若一个产物能让他们 all-in-one 地实行大片面办事是一件好事。

　　Off White 创始人 Virgil Abloh 的理念是●，只必要转折 3%●，但足以促使鸿沟，让人们回收新事物。

　　此外一个我以为很值得希望的是 Work Agent◆，这个范畴也曾经着手有许众人合切到了●。

　　Sarah Guo ：你是何如考虑 Notion 的 AI 政策的？这些政策是否也受到了哪些筹划机时间发扬史乘中的策动？

　　Notion 的愿景是通过构修出各样各样的“积木块”让用户正在平台上搭修出更具脾气化、契合实践需求的定制化操纵，从而告竣“人人都能创制自身的软件”这件事，Ivan 以为，language model 的映现肯定会加快这一进程，更进一步，RAG 还会彻底革命学问型办事和团队疏导的状态，Notion Project、Notion Q&A 和 Notion Calendar 等新成效、产物恰是供职于此。

　　我是这么界说 “Front office” 的：能够先假设倘若咱们身处正在 1960 年代的一间办公室里会看到哪些东西？人们桌子上会有一个用来记东西的记事本，能够还会有一台打印机，旁边两旁还堆着许众文献夹，对应到 Notion，记事本相当于用户文档和条记，文献夹则雷同于 Wiki，人们死后的文献柜则能够对应到 Notion 中的合连数据库●●，文献柜中还会有各样小纸片来助助摒挡音讯。

　　必需招供的是，GPT-3 刚映现的岁月我是看轻了这件事的。固然 GPT-3 曾经能够助助人们举行市集营销规划、实行初稿写作，但我并不以为这能有众大用途，直到我看到 GPT-4 的才略我的念法才爆发了转嫁◆，我发明 GPT-4 曾经能够考虑、推理，能够实行各样各样的事故，能够加倍实践地优化办事流。GPT-4 对我影响很大◆●，它给了我许众信仰，我也于是感应这会是一个壮大的转嫁点。

　　Ivan Zhao：关于 AGI 来说，时分标准放正在 30 或者 40 年能够有点太久了，以至无须比及下一个 10 年，正在将来 1-2 年内 AI 就会有光鲜打破。这之中我以为一个被低估的范畴是 RAG。

　　Notion 告竣这个宗旨的办法并不是把许众成效塞进一个的确的产物里◆◆，而是去构修更底层的 block，用户能够像搭修乐高积木相通，用这些 blocks 来创建性地做出各样各样完好契合部分或团队需求的用例。

　　Front office 对应的劳动是绽放性的，back office 的则更偏特定Notion CEO：RAG是学问办理的来日AI将SaaS带入新一轮Bundling，、的确的劳动，以是我以为二者之间会存正在某种竞赛◆●，但与此同时市集也很大，不肯定是零和逛戏◆。

　　Sarah Guo ：你时常提到 Notion 不只是一个临蓐力用具，更是一个操纵构修平台●。你是怎样念到这个观念的？为什么你以为人们念要去搭修更众的操纵？