--- id: "IZHwulZQixQ" title: "AppLovin 千亿美元广告引擎内幕" channel: "Sourcery with Molly O'Shea" host: ["Molly O'Shea"] guests: ["Adam Foroughi","Giovanni Ge"] date: "2026-08-14" updated: "2026-08-18" duration: "1:26:38" duration_seconds: 5198 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=IZHwulZQixQ" canonical: "https://pod-exp.pages.dev/IZHwulZQixQ/" transcript_jsonl: "https://pod-exp.pages.dev/IZHwulZQixQ/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","商业分析","创业与经营","产品"] series: ["AppLovin"] --- # AppLovin 千亿美元广告引擎内幕 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** 这期对话从 AppLovin 的 Axon 2 技术重构讲到公司如何在约百人规模的工程团队下，把广告预测、用户互动数据和效果闭环做成可扩展系统。Adam Foroughi 与 CTO Giovanni Ge 进一步解释：AI 的真正价值不是迫使公司推倒重来，而是让工程师“坐在 AI 上面”，把同一支团队抬到更高杠杆；决定不做什么、保持工程 taste，比单纯“会构建”更稀缺。节目也详细讨论电商扩张、广告创意、LLM 与 CTV 的广告机会、90% 以上股价回撤后的资本配置，以及走向万亿美元估值所需的现金流与长期执行力。 ## [0:01] 开场：从十亿美元、百亿美元到千亿美元 · YouTube **说话人（源字幕未标注）：** 我们刚开始时，想的是：我要把公司做到 10 亿美元。做到 10 亿后，我们说，好，那就去做 100 亿美元。上市以后，我们想成为一家 1000 亿美元的公司。可上市后的前 18 个月，我们的股价跌了 92%，那个目标一下显得非常、非常遥远。但 Axon 2 上线之后，我们恢复了过来，现在已经是一家 1000 亿美元规模的公司。 **说话人（源字幕未标注）：** 只要我们能让预测更准确，广告主就会看到更好的回报，我们的业务也会随之增长。 **说话人（源字幕未标注）：** 我不希望工程师只是“坐在 AI 旁边”，我希望工程师“坐在 AI 上面”，把 AI 变成自己的杠杆。 **说话人（源字幕未标注）：** AI 抬高了整个团队的能力上限。因此，在解决越来越困难的问题时，我们仍然能保持大致相同的团队规模。如果要我解释 AppLovin 的成功，我会把很大一部分归因于我们决定**不做什么**，而不只是我们做了什么。 **说话人（源字幕未标注）：** 那么，你们准备怎样把公司做到一万亿美元？ ## [0:54] Gio 初到 AppLovin：兴奋、责任感与“清新的空气” · YouTube **说话人（源字幕未标注）：** Adam、Gio，欢迎来到 Sourcery。 **说话人（源字幕未标注）：** 谢谢邀请。 **说话人（源字幕未标注）：** 也谢谢你们让我来到 AppLovin 位于 Palo Alto 的总部。Gio 是 CTO，Adam 是 CEO。我想用一种稍微不同的方式开始。听过你们之前不少访谈后，我很明显地感受到，你们有一个很强的“逆袭者”故事。尤其有一次访谈快结束时，你们开始把公司的“内脏”和机器真正打开来讲：到底是什么引擎，让 AppLovin 变成市场上效率最高、表现最好的公司之一。你们利润率很高，也很赚钱，但转折似乎来自有人开始提出那些很难的问题，而 Gio，你就是那个人。你在 2022 年 11 月加入公司。刚进 AppLovin 时，你的第一印象是什么？ **说话人（源字幕未标注）：** 我刚加入时，第一种感受肯定是兴奋和责任感混在一起。首先，它像一阵清新的空气。我来自大科技公司，那里的流程要重得多；而这里的团队非常精干。当时 Adam 和 CTO Basil 都深度参与每天的决策与执行，直接跟他们工作很容易，他们也都非常平易近人，这让我觉得很新鲜。 **说话人（源字幕未标注）：** 但另一方面，我很快也看见了很多可以改进的地方。公司还小，模型、基础设施、大家思考问题的方式，以及迭代的方法，都有很大的成长空间。更重要的是，我当时观察到最大的一个问题，是年轻工程师没有被真正“抬起来”。他们没有机会理解业务，只是被分配很多低层任务，因此也很难形成自己的想法、提出自己的问题。 **说话人（源字幕未标注）：** 好在我没有把这些看成负面因素。我没有因此挫败，也没有失望，而是把它们看成机会——这本身就是我加入 AppLovin 的原因。让我高兴的是，当时整个团队也非常开放。我带来很多反馈和新想法时，大家都愿意一起工作。于是，我们把这些问题当成机会，开始一点点改变、改进。 ## [3:38] 股价单日跌 30% 时入职：Axon 2 的前夜 · YouTube **说话人（源字幕未标注）：** 回到 Gio 的招聘和面试。当时老 CTO 和我都面试了他。我们开始跟 Gio 谈时，公司市值大约 55 亿美元。广告业务依赖的 Axon 1 模型使用的是已经有些落后的机器学习技术，所以我们想找一位研究型的人才，帮助重新设计 Axon 2。Gio 加入后大概五六个月，Axon 2 就发布了，而他就是这套架构背后的主要设计者。 **说话人（源字幕未标注）：** 面试时我们很喜欢 Gio，我和 CTO 都很卖力地游说他加入。他也很兴奋。然后到了 2022 年 11 月 22 日的财报电话会——他原本应该几天后入职——那天股票直接跌了 30%。我当时心里想：糟了，我们可能招不到 Gio 了。 **说话人（源字幕未标注）：** 结果他是那种很“奇怪”的人：看到股票跌 30%，反而会想，“那我能拿到更多股权了，未来上涨空间更大，我应该加入，甚至应该更快加入。”我们真的很幸运，他在那个时点还是来了。 **说话人（源字幕未标注）：** 很聪明，像做套利一样。你知道自己能把它做上去。 **说话人（源字幕未标注）：** 我当时其实没有这么想。我在大科技公司，如果我只是想待在“稳赢的队伍”里，就根本不会离开。我想找的是一个我能看见机会、而且真的能产生影响的地方。 **说话人（源字幕未标注）：** 那么，你一开始提出了哪些大的问题？ **说话人（源字幕未标注）：** 严格说，我并不是一进来就到处提问。我很清楚自己的位置。我看到了差距，也知道当时的模型不够好；但在训练更好的模型之前，必须先有正确的基础设施。所以加入后的第一个月，我基本上就是直接写代码。我和 Basil 直接协作，没有很多会议。刚开始我其实很不习惯，还主动让 Basil 跟我安排每周一次的一对一；他甚至不太明白那是什么，因为 AppLovin 根本没有这种习惯。后来我们很快就把这个会取消了，因为我们主要通过代码交流，效率高得多。 **说话人（源字幕未标注）：** 从创业的角度看，这也延续了公司的起点。公司最开始大概只有 10 个人，前三四年可能最多也就 50 人，我们一直非常精干。对一家广告公司来说，如果你赚不到钱，那大概就不该做这门生意：你在给广告主创造价值，按照创造的价值获得收入，理论上收入就应该高于成本。我们很早就实现了盈利，部分原因也是融资并不容易，所以不得不很早盈利。 **说话人（源字幕未标注）：** 这种精干文化从第一天就存在。Basil 是最早的首席工程师，四五年后升为 CTO。他的思路一直是“先做出来再说”，遇到任何问题就写代码解决。一直到 Gio 加入前，Basil 一个人可能写了公司 60% 左右的代码。我们的信念一直是：在这么激烈的领域里，强大的个人贡献者可以直接推动公司成功。所以我们从来没有建立那套密集的一对一、会议和流程框架。我想这也是 Gio 加入后会喜欢这里的一部分。 **说话人（源字幕未标注）：** 当然，这种风格也有挑战：如果没有一个能作为团队共同经历困难、共同解决问题的结构，就容易过度依赖个人。过去三年里，Gio 其实把团队一起攻坚的这块“肌肉”练得更强了。而我自己一直是个人贡献者心态：找一群很优秀的人，让他们解决问题；如果需要帮助，他们来找我们，我们就帮，否则就让他们直接冲出去做。 ## [7:39] 约 100 名工程师，重写公司的核心引擎 · YouTube **说话人（源字幕未标注）：** Gio 加入时就是这样一种环境。主持人问：当时工程团队有多大？回答是，和现在差不多，大约 100 人。 **说话人（源字幕未标注）：** 那整个组织呢？当时我们还有后来已经卖掉的游戏业务；如果不算那些，也不算收购后一直没有整合进来的 SaaS 公司 Adjust，AppLovin 核心团队已经有一段时间维持在大约 400 人。大约两三年前，我们曾从 600 人左右降到 400 人，之后整体规模没有太大变化。人会进进出出，但总量大体如此。 **说话人（源字幕未标注）：** Gio 加入后还有一个很有意思的事情：我们建了一个 Slack 房间，里面就是 Basil、Gio 和我。所有问题都在那里直接讨论，反馈几乎是实时的。接下来五六个月，我甚至不知道 Basil 和 Gio 有没有怎么见过太阳，他们基本就是不停写代码、彼此“赛跑”。 **说话人（源字幕未标注）：** 当时的动态是：好，这是条新路，我们实际上要重建公司的引擎。公司已有的数据平台、给开发者用的软件工具、mediation service 等资产都可以继续存在，但作为核心的这套算法引擎，我们要彻底重写。他们几乎就是钻进去写代码，彼此推进，看谁能更快走到他们认为正确的方向。 **说话人（源字幕未标注）：** 对我来说，这很酷；对 Gio 来说则很不一样，因为他过去习惯的是大公司里围绕“工程师能做什么、不能做什么”建立的大量流程。公司早期我跟 Basil 讲过一条很核心的工程原则：技术变化太快，你必须对自己已经拥有的东西保持谦逊。如果外部技术进步速度超过了你做出来的东西，就要敢于扔掉已有系统，重新设计、重新构建。这样的事情可能每隔几年就会发生一次，未来甚至会更快。所以，不要因为“这是我们做出来的”就舍不得；要不断确认自己仍然站在当前、创新、甚至前沿的位置。 ## [9:59] Axon 2 是怎样真正做出来的 · YouTube **说话人（源字幕未标注）：** 主持人问：工程团队只有大约 100 人，而且几乎人人都是所谓的个人贡献者。那么，设计 Axon 2 的过程究竟是什么样？ **说话人（源字幕未标注）：** Gio 说，Axon 2 设计之初的团队和今天很不一样。大家常在采访里问“你做了什么改变 AppLovin”，但很少有人问“AppLovin 是怎么改变我的”。事实上，加入 AppLovin 对我也是一次重置。看到 Adam 和 Basil 的工作方式以后，我对“hands-on、亲自下场”这件事有了新的定义。我以前也觉得自己很 hands-on，也喜欢写代码，但来到这里后才看到另一个级别。 **说话人（源字幕未标注）：** 我原来甚至打算把正式入职时间往后推两个月，因为圣诞节前已经安排了一个月的欧洲旅行，觉得旅行中没多少时间工作，想回来再开始。但 Basil 和 Adam 一直劝我先入职。Basil 说：“你先做一周，做完再去度假。”我说，好吧。结果就是那一周从根本上改变了我。我没有取消旅行，却决定整个假期继续工作。 **说话人（源字幕未标注）：** 那时 ChatGPT 刚刚出现，远远还做不到替你写完代码，大家依然得用传统方式自己写。我飞去意大利，航程大约 12 小时，在飞机上继续写 Axon 2.0 的代码，当时主要是在做训练基础设施。飞到一半时，我需要查文档、Google 一些工具的用法，可飞机没有网络。好在我的开发环境里有所有相关库的源码，我只能一路钻进源码里，自己理解这些东西到底怎么工作。 **说话人（源字幕未标注）：** 那是一段很有意思的体验：我好像被关在飞机上，时间变得“无限”，却没有任何外部帮助，只能一直写。到了意大利，我整个一个月的假期也继续写。我的岳母是一位很可爱的意大利女士，她完全不能理解为什么有人度假还要这么拼，一直问：“Giovanni，你还好吗？你是不是要丢工作了？”我说：“没有，没有，我只是对正在做的事情非常有热情。” **说话人（源字幕未标注）：** 我原来以为自己真正开始在 AppLovin 工作会是 2023 年。没想到等那次旅行结束回来时，Axon 2.0 的基础设施部分已经基本准备好了；我一回来，我们就开始训练第一代模型。 **说话人（源字幕未标注）：** 主持人说，这对你真是一次大的重置。Gio 回答，是的。那种工作哲学可能本来就在我性格里，我也确实喜欢那种氛围，只是在加入 AppLovin 以前没有机会以这种模式工作。那一个月让我非常确定：这就是我想工作的地方。 **说话人（源字幕未标注）：** 主持人感叹，大科技公司真的很不一样。Gio 说，是的，非常不一样。接下来话题转向：那么，真正重新设计算法本身时，你们到底做了什么？ ## [14:02] 从树模型到 embedding：Axon 2 的技术转折 · YouTube **说话人（源字幕未标注）：** 话题继续深入到真正的算法重构，因为这是 AppLovin 一个非常大的转折点。主持人问，这段经历对你来说是什么样？ **说话人（源字幕未标注）：** Gio 解释说，先讲清楚 Axon 2 实际在解决什么问题。推荐系统面对的是很多很多用户和很多很多物品，任意一个用户和任意一个物品组合起来，可能性都是巨大的，而系统必须学习每一种组合之间的关系。上一代模型的办法，是把这些组合聚成不同的簇，然后用树模型去刻画。你可以把它想成几十万条 if-else 分支，每一类“用户—物品”组合落在树的某个叶子上。 **说话人（源字幕未标注）：** 问题是，真实世界太复杂，而且关系是动态变化的：时间会变，天气会变，会有促销、节假日，各种因素一直在变化。树模型很难准确刻画用户和物品之间这种不断变化的动态关系。 **说话人（源字幕未标注）：** Axon 2 使用了今天因为大语言模型而广为人知的概念——semantic embedding，也就是语义嵌入。我们用可学习的 embedding table，把原本本身没有意义的 user ID、item ID 编码成带有统计信息、具有语义含义的向量；再把这些信息送进深度神经网络，让模型学习用户和物品之间复杂的交互。 **说话人（源字幕未标注）：** 这种模型更擅长识别模式，也更能把学到的模式外推到没有见过的数据、没有见过的用户—物品配对。预测一旦更准确，广告主的回报就更好，我们的业务就会增长。而且从基础设施成本看，这套新模型反而更便宜。 **说话人（源字幕未标注）：** 主持人问，为什么会更便宜？Gio 说，这和推理方式的底层细节有关。神经网络大量使用标准 GEMM，也就是通用矩阵乘法，而现代 GPU 正是为这类运算高度优化的。上一代的选择树结构却很难在 GPU 上高效优化。所以，新一代模型在现代 GPU 架构上不仅更强，也更高效。 **说话人（源字幕未标注）：** 主持人打趣：“所以你们不是在 token maxing？”Gio 纠正说，token maxing 是自然语言模型里的概念，这里不是同一个术语。主持人又开玩笑说，每次听 Gio 讲技术自己都在“token max”，得把他说的话扔进 LLM 让模型翻译一下；然后问 Adam 能不能翻译。Adam 笑着说：“可惜我没聪明到那个程度。” **说话人（源字幕未标注）：** 接着主持人追问：如果深入到底层基础设施、深度学习、树模型这些东西，你们到底从哪些主要类别的数据里抽取模式？Gio 说，最重要的数据其实是用户和广告之间的交互。我们每向用户展示一次广告，都是一个重要的反馈点：用户会作出反应，或者完全不作出反应。把这些信息持续收集起来，就能形成一个非常强的预测机器，用来推断用户下一步可能做什么。 ## [18:02] 一条广告如何形成闭环数据：从 60 秒互动到收入 · YouTube **说话人（源字幕未标注）：** Adam 补充说，理解这里的“广告”很重要。AppLovin 游戏里的广告并不是静态原生广告或 banner，它更像电视广告，但又比电视更可互动。尤其在游戏里，用户可能会在一条广告上停留大约 60 秒，而且不是干坐着，而是在玩我们提供的小游戏。这个小游戏本身就代表了之后可以下载的内容，因此整个过程会产生大量互动数据。 **说话人（源字幕未标注）：** 如果拿成功的网站或社交产品作比较，一个用户每天可能在很成功的社交平台上花 40 分钟。假设一个用户一天在我们的平台上看 10 条广告，每条大约一分钟，那就相当于和“广告网站”发生了 10 分钟的深度互动。它很像一个不断提供小游戏的网站，因此可以从这些互动中提取非常多的数据。 **说话人（源字幕未标注）：** 主持人问：你们服务的用户规模大约有 10 亿，这些人每次坐在那里 60 秒看、玩一条广告。那你们还能看到哪些数据？典型的点击行为又是怎么判断的？ **说话人（源字幕未标注）：** 回答是：第一层就是互动本身——用户怎么玩、和什么互动。然后我们一路跟踪整个转化漏斗。广告展示后，用户可能参与互动，也可能根本不理它；有人只会按“跳过”，设备上什么都不点，这就非常明确地告诉你：这个人真的不喜欢这条广告。 **说话人（源字幕未标注）：** 另一端，有人会一路从广告进入 App Store 并下载应用，这说明兴趣已经相当“温”。但对我们来说，下载本身几乎没有意义。我们真正要给广告主带来的是持续的参与和收入。要变成一个“很热”的用户，他之后还需要经常使用产品，并为客户创造收入——可能是广告收入，也可能是应用内购买收入。 **说话人（源字幕未标注）：** 我们模式的优势，是既能服务转化漏斗最开头，又能一直把闭环追到最末端。广告主会把后端数据给我们，帮助把这个环闭合。然后 Gio 的系统把全业务量级的海量反馈再送回模型：现在已经知道这个用户对某一类东西非常“热”，那还有哪些用户像他？接下来应该给这些相似用户预测和推荐什么？ ## [20:24] 为什么 AppLovin 不需要传统的大销售团队 · YouTube **说话人（源字幕未标注）：** 主持人说，进一步了解 AppLovin 后，一个很有意思的地方是：它的商业模式建立在 performance，也就是可量化的效果上。广告本质上是为了让客户赚更多钱。你们从一开始就是这样设计的吗？让一个商家投入更多广告费、拿回更多收入，再用更多收入继续投，从而形成强化循环？ **说话人（源字幕未标注）：** 回答是，完全是。我们希望广告主能在平台上花钱、测量结果，并且知道自己最后从这笔支出里得到更多收入和利润。如果你能给一个广告主带来用户，而且这个用户是赚钱的，那广告主自然就会把预算放大到很大的数字。这件事根本不需要靠销售人员去“说服”。 **说话人（源字幕未标注）：** 我们一开始之所以选择这条路，也和我自己的能力有关。我知道自己并不擅长销售，也没有耐心去建立传统意义上庞大的销售队伍。多数广告公司一旦发现产品有点效果，就会扩大 go-to-market 团队；而我们想做的是另一种系统：对面的公司自己就知道它有效，于是自然愿意继续投入。我们创造的价值足够大，以至于对方会急着跟我们合作，而不是我们追着对方卖东西。 **说话人（源字幕未标注）：** 最终的逻辑非常简单：你获得用户，获得利润，觉得满意。这种模式还有一个很酷的结果——平台经常能把一些你几乎从没听过的小企业放大。它们在大众认知里可能很小，但损益表却能做得非常大，而像 AppLovin 这样的方案让这种增长成为可能。这件事一直让我们非常有成就感，而且也很符合公司的 DNA。 ## [21:59] 从游戏广告扩展到电商：先证明架构是通用的 · YouTube **说话人（源字幕未标注）：** 主持人问：你们什么时候有足够信心，不再只做游戏广告，而是扩展到电商？回答是，大约在 Axon 2.0 扩大规模一年以后。那时我们意识到，这套模型架构不仅适用于游戏。新业务当然还需要新管线、新产品流程和其它建设，但我们认为核心技术足够通用，可以支撑不同垂直行业。 **说话人（源字幕未标注）：** Adam 说，其实 Gio 在设计 Axon 2 时就知道，这套东西原则上能服务任何行业。但分析师、投资人以及任何审视公司的人都会质疑：“你们只有游戏数据，怎么可能在别的领域有效？”这里忽略了一点：另一端是 10 亿个真实的人，而不是 10 亿个“只玩游戏、其它什么都不干的人”。只要真正理解这些人，就能在“游戏给游戏导流”之外给他们提供价值，不过这要求模型足够复杂。 **说话人（源字幕未标注）：** 另外，广告主会和平台共享数据。这也是 Facebook 多年来建立广告能力的重要基础。Facebook 上市时也有人质疑：一块社交网络的“空白画布”怎么变现？答案是，他们有大量人群，然后通过这些人在广告主网站上的行为进一步理解他们。给网站装 pixel，就能得到数据。我们采取了类似方法：给网站埋 pixel、获得数据，从而理解用户不只是怎么玩游戏，也理解他在其它场景里做什么。 **说话人（源字幕未标注）：** 例如，很多手机休闲游戏用户其实是家庭中的主要决策者。人群略偏女性，重度移动休闲游戏玩家大体集中在 30 到 50 岁。于是，我们一边拥有这样一群质量很好的用户，一边用沉浸式广告让他们深度参与，再收集模型可以解释的数据，去做新的推荐，结果就逐渐跑通了。Gio 从一开始就认为这是可行的，因为底层架构不是为某一个垂直行业硬编码出来的“行业模型”。 **说话人（源字幕未标注）：** Gio 说，一个优秀工程团队的价值还在于，很多事情不必长期停留在猜测。我们做过分析和讨论，既有理由支持“它会成功”，也有理由说明“它可能失败”。那怎么办？答案就是尽快做一个 prototype。几个月内，我们就做出第一版模型，找少量广告主测试。结果好得非常明显，于是有了信心，开始真正建设这条业务线。 ## [24:47] 从餐巾纸草图到可用产品：工程师自己定义产品 · YouTube **说话人（源字幕未标注）：** 主持人问，具体测试流程是什么？Gio 说，最开始与其说是“测试电商”，不如说是在“先把东西做出来”。当时 CTO Basil 和几位公司资深负责人在拉斯维加斯参加 Google 的一个会议。一天早上吃早餐时，大家讨论新产品的第一版 data-flow engine 应该怎么建。菜单还没上来，手边也没有纸，他们就找了一张餐巾纸，直接在上面画设计。 **说话人（源字幕未标注）：** Adam 说自己以前甚至没听过这个故事。Gio 笑着说，你应该多跟 Basil 混一混。等早餐端上来时，大家已经有了一个相当不错的设计。随后各自回酒店房间；甚至还没回到旧金山，第一版 data engine prototype 就已经做出来了。 **说话人（源字幕未标注）：** 接下来大约又花了几个月——更准确说可能两三个月——把数据、模型和基础设施搭起来，并找来少量广告主上线测试。因为初期数据极少，模型其实还非常不成熟。但即便是这样，我们已经看到有人真的下单购买，ROI、ROAS 也都还不错。于是大家说：“好，这东西能跑通。” **说话人（源字幕未标注）：** Adam 说，这个自己第一次听到的故事，恰好体现了 AppLovin 一条很重要的文化原则：公司几乎没有传统产品管理层，工程师必须对业务问题理解到足以自己写架构、自己定义产品，甚至去解决连业务团队都还没意识到的问题。 **说话人（源字幕未标注）：** 这里没有“产品团队先访谈客户—写 PRD—把 spec 交给工程师—工程师照 spec 写代码”的链条。实际发生的是：几个甚至还没跟业务人员聊过的工程师，在早餐桌上用一张餐巾纸为一个从没正式讨论过的问题设计了解法，而这最后可能长成一门大生意。直到今天，Gio 的组织里产品经理可能也就寥寥几个，绝大多数人都是能够判断自己该开发什么的工程师。 **说话人（源字幕未标注）：** 随后进入 Brex 赞助内容。主持人说，自己不愿把时间花在本不该存在的工作上，例如报销单、追收据、手工关账。Vercel、OpenAI、Anthropic、Granola、Deepgram 等公司都使用 Brex。广告把 Brex 描述为把公司卡、费用管理和银行服务放在同一套栈里的智能金融平台，并用 AI agent 自动处理费用、在支出发生前执行政策、帮助快速关账；Sourcery 自己也使用 Brex。广告给出的地址是 brex.com/sourcery。 **说话人（源字幕未标注）：** 接着是 Turing 的赞助内容：Turing 用需要真实专业知识和现实判断的任务训练下一代 AI，并称 Nvidia、Anthropic、Salesforce、Gemini 等与其合作。它构建现实的强化学习环境和基于真实运营轨迹的数据系统，广告称这些是前沿实验室训练更强模型所需要的基础设施，并给出 turing.com/sourcing。 **说话人（源字幕未标注）：** 广告结束后，主持人继续追问：那么，你们是直接和广告主一起调产品、确认效果，还是要通过另一支团队去了解客户关系、判断实际运行得好不好？ ## [28:48] 工程师必须理解业务：用 ROAS 把问题变成清晰指标 · YouTube **说话人（源字幕未标注）：** Gio 说，和广告主的日常沟通主要通过业务团队完成，但数据、决策以及“业务真正需要什么”，工程师自己必须理解。工程师有时也会直接和广告主交流、开会；借助业务团队是一种扩展工程组织的方式，但不能因此让工程师失去对产品重要性的判断。 **说话人（源字幕未标注）：** Adam 补充，如果只是告诉广告主“我给你一群受众”，结果其实很模糊，很难知道究竟发生了什么。要让工程师有明确方向，就必须有非常清楚的指标来判断“有效还是无效”。如果整个系统按收入、按 ROAS（广告支出回报）来衡量，和广告主之间就没太多可争论的：ROAS 好，他们会继续加钱；ROAS 不好，他们就不会。 **说话人（源字幕未标注）：** 举个很简单的例子：有人卖一支 10 美元的口红，成本是 5 美元，中间只有 5 美元毛利，那么为了卖出这支口红，他的获客广告成本就不能超过 5 美元，否则就亏钱。这很容易写进一个公式，然后直接告诉工程团队：“我们现在在这里，要么达标，要么没达标；如果要让这件事可规模化，我们就必须把指标做到这里。” **说话人（源字幕未标注）：** 主持人问，这种直觉是你一直都有，还是后来逐步建立起来的？Gio 说，肯定是后来建立起来的。加入 AppLovin 前，我在上一份工作里已经同时承担工程和产品职责。但就像节目开头说的，我刚来时发现工程师和业务彼此有些脱节。因此，我工作的一部分就是让工程师得到完整上下文，而不是只给他们一张任务单、告诉他们严格照做。 **说话人（源字幕未标注）：** 我会把“这项工作将怎样影响业务”解释给他们。我们的工程师都很有能力，一旦有了这样的背景，他们往往比被逐条指挥时更清楚到底应该做什么。 ## [30:54] 新人 onboarding 最常见的两个错误 · YouTube **说话人（源字幕未标注）：** 主持人问：公司招来新人才、把他们带进团队时，最常犯什么错？Gio 先强调，他不想泛泛评价所有公司，只能说自己在团队里看到的情况。 **说话人（源字幕未标注）：** 第一个错误，是不给年轻人足够的上下文。很多人天然假设 junior 需要大量 hand-holding，于是只给他们非常颗粒化、非常具体的任务。但这样做并不是帮助他们成长的好办法，因为他们永远没有机会理解“为什么做”。 **说话人（源字幕未标注）：** 第二个错误几乎相反，也是 Gio 最近才更强烈意识到的：一个年轻成员一旦做得不错，团队有时会给太多鼓励，却没有继续给足挑战。这样可能让他的 ego 过快膨胀，慢慢失去谦逊，也不再主动质疑自己。对职业早期成长来说，这同样会成为问题。 **说话人（源字幕未标注）：** 主持人问，那你们内部怎样持续挑战彼此？Adam 先回到上一个问题。他说，自己见过的最大错误，也是对新人保护过度、让他们一点点慢慢“被带起来”。AppLovin 有个相当不一样的地方：无论你是实习生，还是刚毕业入职的全职员工，都可能在第一周就把代码推到真实环境。 **说话人（源字幕未标注）：** 归根结底，我们是一家广告公司。你去找顶尖大学里 IQ 很高的毕业生，对他说“你来做广告”，和他面前尤其是 AI 领域的其它机会相比，这件事本身不一定很性感。但在这里，他进来就在数学和工程的交叉点上做模型、数据和支撑模型运行的底层 plumbing，而且很快就能亲手部署代码。 **说话人（源字幕未标注）：** 当然，系统里有很多控制措施，确保一个新人写的代码不会把整套系统炸掉。但他前面没有一条很长的流程：不是先培训、再看十几份材料、再和 15 个人聊、六个月后才碰一点真实系统、一年半后才允许做第一次实验。这里可能一周内就能推一个 test，并立即看到结果。 **说话人（源字幕未标注）：** 那一刻会带来很强的多巴胺反馈：一个人刚刚想到、刚刚做出来的东西，很快就进入生产环境、触达大量用户，然后现实世界给你一条直接反馈回路。这不只发生在工程端，业务团队也一样。我们没有传统 onboarding 手册，没有人坐在旁边逐条告诉你下一步做什么。我们希望新成员非常好奇，并主动自己学习。 **说话人（源字幕未标注）：** Adam 说，以自己的学习经验，别人“规定我该学什么”时，自己几乎记不住；真正亲手做时反而会记得。进入 AI 时代后，这更强了：新人完全可以说，“这里没有训练手册，那我就自己做一本。”他可以不断 prompt AI，提出自己需要的问题；真遇到学习障碍，再去找团队成员。这样既能用好奇心把自己带得更快，也在向组织证明：“我虽然刚来，但愿意举手、愿意开口。”我们发现，只要给这种自主权，人会成长得快得多。 **说话人（源字幕未标注）：** 主持人说，不用为打断道歉，这是个很好的回答。 ## [34:37] “AI-native” 的含义：人坐在 AI 上面，而不是旁边 · YouTube **说话人（源字幕未标注）：** 主持人说，你一直非常强硬地要求团队做到 AI-active、AI-enabled、AI-first——叫什么都可以。那你怎么评价一个人是否真正做到了？又如何确保他们持续升级技能？ **说话人（源字幕未标注）：** Gio 说，AI 在业务团队和工程团队里的用法不同，我可以重点谈工程。过去几年 AI 进步极快，但今天依然存在一条边界：哪些事情 AI 很擅长，哪些还不擅长。比如现在的 AI 已经特别擅长回答问题、写代码，也可能很擅长做研究、帮你形成观点；但它仍然不擅长 long-horizon planning，也就是跨很长时间跨度的规划，而我们的很多工作恰恰需要这种能力，所以人仍然必须参与。也许有一天 AI 会把这一块也做得更好。 **说话人（源字幕未标注）：** 我理解工程师和 AI 的关系是：我不希望工程师坐在 AI 旁边，我希望工程师坐在 AI **上面**。AI 的能力边界一直向外移动，人就随之把自己的注意力继续往上移，专注在 AI 还不擅长的部分。 **说话人（源字幕未标注）：** 以前 AI 写代码时最多帮你纠正语法错误；后来它能补全一个短语、一整个段落；到今天，你给它一个想法，它甚至可以写完整个 PR。AI 越强，人就越应该站在它上面工作，而不是和它并排做同一种事。正因为如此，过去几年几乎每一位工程师的产出和生产力都被成倍放大。只要 AI 继续进步，我相信工程师的输出效率还会继续提高。 ## [36:38] 现在还要不要学编程？要，因为人仍要为 AI 的决定负责 · YouTube **说话人（源字幕未标注）：** 主持人提到，自己也问过 Max Levchin 同一个问题。Max 是那种非常 hands-on、非常技术型的 CEO/CTO：“现在的人还需要学会写代码吗？” **说话人（源字幕未标注）：** Gio 回答：**此刻，我认为需要。此刻需要。** 但我不保证未来答案永远一样。今天 AI 仍然经常会做出糟糕的决定，包括代码层面的错误。如果工程师自己不会写代码，就没有能力判断和纠正这些错误。 **说话人（源字幕未标注）：** 主持人说，否则系统就会炸掉。Gio 回答，是，这可能也是很多公司正在看到的问题。我们目前没有这个问题，内部代码仍然相当干净。 **说话人（源字幕未标注）：** 公司内部也会区分两种系统：一种只是 prototype，另一种是必须绝对保持干净的核心系统。如果只是临时做个 dashboard、做个演示项目，大家想怎么用 AI 都可以，不一定要特别健壮、特别易维护。但只要涉及核心基础设施和核心系统，我对团队的要求非常明确：你可以用任何方式调用 AI，但最终作为人，你必须为 AI 替你做出的**每一个决定**负责。 **说话人（源字幕未标注）：** 所以，如果我走到一个工程师面前问：“为什么这个系统要这样实现？”对方回答：“我不知道，AI 这么写的。”这是绝对不能接受的。 **说话人（源字幕未标注）：** Adam 补充，AI 显然让每个人都更容易写代码，也让很多纯编码能力变得 commodity。但公司仍然必须从某个地方创造 alpha。最聪明的工程师不能只是对 AI 说“给我一个现成答案”。如果所有人都这样做，所有公司的技术最终都会长得一样。 **说话人（源字幕未标注）：** 广告创意也是同理。如果所有广告都由同样的 AI 自动生成，最终它们会越来越相似，用户反而不响应。那么 alpha 从哪里来？来自真正理解系统的人：他们知道自己究竟要求 AI 输出什么，能有意识地制造差异；不是用一个人人都能复制的简单 prompt 得到同一个答案，而是理解产品、自己承担产品判断，并把 AI 朝一个特定方向驱动。想让公司长期领先，这会成为关键技能，否则很多职能最终都会收敛到同一个地方。 **说话人（源字幕未标注）：** 主持人接着问了一个“显而易见的问题”：自己听过一家广告代理机构的节目，专门教人怎样做最好的 AppLovin 广告。节目里说，一次要做 20 到 50 条、甚至 100 条视频。她很惊讶，完全不知道需要这么多创意素材。 **说话人（源字幕未标注）：** Adam 解释，因为 AppLovin 的广告和用户相处的时间很长。大约一半广告发生在关卡之间，像传统 commercial break，可以比较快跳过；但另一半是用户主动选择看的 rewarded ad。比如拼图游戏里你死了一条命，可以付 1 美元续命，也可以完整看一条广告换一条命。因为广告给了真实的货币价值，用户就会完整观看 60 秒。 **说话人（源字幕未标注）：** 这给广告主非常长的用户时间。其次，第一条广告通常不会直接转化，用户会在转化漏斗中看到多条。假设最终要看到 10 条才完成转化，那品牌实际上获得了整整 10 分钟的用户注意力。如果你要给人 10 分钟内容，它必须足够有趣，否则不仅不能转化，反而会把人赶走。 **说话人（源字幕未标注）：** 但怎样做出好广告没有一个简单公式。我做广告大约 21 年，测试过无数素材，也不认为自己能准确预测消费者究竟会对什么产生反应。所以你首先需要大量 shots on goal——不断尝试很多不同的东西。 ## [40:38] 广告创意的 alpha：一周做 30 条，可能只有一条真正有意思 · YouTube **说话人（源字幕未标注）：** 如果一周做 30 条广告，可能只有其中一条真正有意思。测试时往往要改非常小的东西，也要提出彼此足够不同的 concept，才能发现：对于这个具体品牌，用户到底会对什么作出反应。 **说话人（源字幕未标注）：** 而且，一个品牌有效的东西不会自动复制到另外 10 个品牌上。每个品牌都要在 AppLovin 这种“拥有很长用户时间”的框架里重新寻找自己的答案，然后在有效方向上做出多种变体，因为在最终转化前，它拥有很多次和用户互动的机会。 **说话人（源字幕未标注）：** 所以这里没有特别漂亮的“标准答案”。人们总想写一份“十条最佳实践”，把问题简化掉，但广告创意本身恰恰是自动化广告系统里仍然可以创造 alpha 的变量之一。那些真正愿意投资 creative、而且擅长创意的广告主——无论素材由 AI 工具辅助，还是由人来制作——都能在其它环节已经高度自动化的系统里继续创造额外提升。 ## [41:41] UGC 会取代传统广告吗？不同场景里用户的“脑回路”不同 · YouTube **说话人（源字幕未标注）：** 主持人问，UGC 是否已经开始取代传统广告。她举了自己的例子：自己每天都发内容，之前买过一种益生元/益生菌能量棒，吃完后发推说“天啊，这感觉像 Ozempic”。品牌后来直接把那条 tweet 做成广告，据说做出了大约 4 倍 ROI，赚了很多钱；她本人一分钱没拿。如今 clipping、UGC、看起来就像普通社交 feed 的内容越来越多，那么到底什么样的广告更有效？ **说话人（源字幕未标注）：** Adam 说，有些广告主确实能在 AppLovin 上把这种形式做成功，因为有效的素材类型很多。但社交媒体本身是一个极度 ADD、注意力极碎的环境，所有人都想立刻进入重点。通常社交广告会告诉你：“只有 3 秒抓住注意力，否则这个用户就没了。” **说话人（源字幕未标注）：** AppLovin 的世界不一样。用户会和广告相处更长时间，而且用户本身也不同。正在玩 Solitaire 或麻将的人，不一定是一天到晚刷 Instagram、TikTok 的重度社交用户。这里面对的是另一种人，可能年龄更大，思维方式也和在今天的短内容文化里长大的人不完全一样。 **说话人（源字幕未标注）：** 主持人开玩笑说：“所以你们的用户更聪明？”回答是，不一定叫更聪明，只能说他们的大脑“布线方式”不同。主持人说，这里面有 alpha。Adam 说，确实是不同，但这也意味着必须教育市场。 **说话人（源字幕未标注）：** 我们做游戏广告已经大约 12 年。游戏客户大概 10 年前就把 playable——广告里的迷你游戏预览——真正带进市场，而这种形式此后一直相当稳定，因为它本身就是一种非常好的广告：先玩一个小版本，再进入下载。 **说话人（源字幕未标注）：** 但我们进入 consumer，尤其电商，大约才 18 个月。市场这么早期，就必须教育广告主什么有效。这里的 alpha 恰恰属于那些早期愿意认真投入的人：他们不是简单把社交平台上同一条 UGC 素材搬过来，而是先学习 AppLovin 用户怎样行动、这些人是谁、愿意买什么、应该为他们做什么样的广告。 **说话人（源字幕未标注）：** 这些早期认真学习的人，可以在成功指标下把 campaign 放大得比“直接搬社交 UGC”的客户大得多。因为这里不是只有 3 秒；你本来有更长时间让用户参与、记住品牌。如果你不利用这段时间，其实是主动放弃了机会。让代理机构和广告主真正理解这一点需要时间，但也正因为如此，平台早期认真研究的人可以创造 alpha。 **说话人（源字幕未标注）：** 主持人又问，AI 怎样改变广告制作？Adam 说，现在还很早。大模型已经能做出不错的短 clip、短广告，但要它稳定做出 30 到 60 秒、适合一个真实品牌投放的视频，难度要高得多。长视频里不能“有一点点错”，因为品牌不会批准；同时还得持续有吸引力，而且要撑住相当长的一段时间。 **说话人（源字幕未标注）：** 所以现在还没有到“AI 自动涌进海量、多样、富有创意、能显著提升 campaign 的广告”这个阶段。不过，AI 工具已经让人类以更低成本、更快速度做广告，因此系统里确实看到了更多素材。只是普通 marketer 还不能简单在一个框里输入一句话，就得到“一条好广告和 alpha”。 ## [45:42] AI 生成广告仍要 human in the loop：品牌信任不能出错 · YouTube **说话人（源字幕未标注）：** Gio 说，从产品数据里确实已经看到很多广告主使用 AI-assisted 内容。但 human in the loop 仍然很重要，人要给整个生成过程设置 guardrail。因为广告是一门关于信任的生意：如果生成内容破坏了品牌形象，就会破坏信任，之后更难让用户购买。 **说话人（源字幕未标注）：** AI 广告大致有两条路线。第一条是做成完全自动化工具。如果 AppLovin 要做这种产品，最终目标必然是这个方向，因为我们不是只服务一个广告主，而是服务所有广告主，需要一个可以大规模自动处理一切的工具。第二条则是做协作式工具，让广告主自己和 AI 互动，一起做内容。当前第二类已经被相当广泛地采用，而第一类仍有更多难题，我们也还在继续解决。 **说话人（源字幕未标注）：** 主持人问，你们是否考虑过收购这类公司，并提到一家字幕识别为 “Heggsville” 的公司，想知道你们怎样规划这个新市场的 R&D。 **说话人（源字幕未标注）：** 回答是，短内容容易得多。今天如果要做一条 10 秒视频投 TikTok 或 Instagram，很多工具开箱即用，而且这类产品往往是为社交和 UGC 优化的。比如刚才提到的那个工具更偏 influencer；但 AppLovin 产品另一端真正面对的是广告主。 **说话人（源字幕未标注）：** 如果客户是 Wayfair 这么大的品牌，你给它一条“开箱即用”却不符合品牌标准的素材，它会失去对平台的信任，你当然也不能擅自替它投放。素材必须足够打动人、质量至少接近人类制作、保持品牌信任，而且还能在更长时间里成立。我们目前还没看到市场上有产品真正解决了这个组合问题。通常，当一个问题既很难、又高度特定于我们的场景，而不是整个市场的通用需求时，就需要自己的团队去做。 ## [47:56] AI 时代不等于推倒重来：在已有系统上继续向上构建 · YouTube **说话人（源字幕未标注）：** 主持人把话题拉回宏观：很多公司现在都试图为了 AI 时代“重建自己”。Adam 过去常说，公司要按照未来三四五年的需求建设。那 2022、2023 年做出来的东西，现在还成立吗？在变化这么快的时代，究竟应该怎样重建？ **说话人（源字幕未标注）：** Gio 回答，我其实并不想重建。过去三年我们做了很多自己非常骄傲的东西。AI 很强，但这不构成把它们全部推倒的理由。AI 真正帮助我们的，是在今天已经拥有的基础上继续往上盖，并让我们做到更多。 **说话人（源字幕未标注）：** 我一直在想公司的增长轨迹。前面说过，今天工程团队的规模和三年前基本相同。通常公司经历这么大的业务增长后，业务规模扩大，解决的问题也会复杂很多，这类增长往往需要同步增加 headcount 和团队规模。 **说话人（源字幕未标注）：** 我们比较幸运的是，这段增长几乎和 AI 的进步同步发生。问题越来越复杂，但团队的能力也被 AI 抬高，所以我们能在差不多相同的团队规模下，处理更困难的问题。三年前我们做出了那一代模型；今天有 AI 协助，同一支团队又能去做下一代、更强的模型。因此，我不认为需要“重建一切”，但我们确实在今天的基础上继续向上构建。 **说话人（源字幕未标注）：** Adam 说，业务团队同样维持得很精干。按过去的团队配置，其实不可能把现在想扩张的产品做到这么大；所以每当业务团队里有人在做一个流程，都应该继续追问：这件事能不能自动化，并一次性服务整个广告主基础？ **说话人（源字幕未标注）：** 如果个人懂得使用 AI，或者中央团队能替他们制作工具、dashboard 和自动化，就可以把一个个流程真正产品化。希望再过几年，大多数流程都能自动运行。届时，人际技能反而更重要。 **说话人（源字幕未标注）：** 例如你不能用 AI 完全替代一次 QBR 里真正坐到客户对面、理解对方业务的过程。企业内部的 AI 可以理解我们自己的业务，但不可能天然理解每一个广告主的业务。所以我们一直说，自己的职责是做客户的 growth consultant：先理解客户需要什么，再通过平台交付与其需求匹配的价值。关系、信任、理解客户这些能力，AI 还替代不了。 **说话人（源字幕未标注）：** 我们想达到的状态是：团队本身可规模化，大部分流程自动化，而人真正把时间花在和客户坐下来、产生影响、建立关系上。 **说话人（源字幕未标注）：** 主持人追问，那么其他公司现在急着“重建”，是不是因为它们更多在被动反应，而不是提前规划？它们最容易犯什么错？Gio 说，这是个很有意思的问题。大家都同意，AI 正在极大提升每位工程师和业务人员的生产力，但这并不意味着每家公司都真的把 AI 的生产力转化成了更大的组织产出。 ## [51:56] AI 让“做东西”更便宜，也让坏品味和无效建设更便宜 · YouTube **说话人（源字幕未标注）：** Gio 说，一个大错误是：因为 AI 让构建东西变得更容易，人反而做出了大量坏决定。bad taste、浪费性的 idea，会抵消 AI 给你的效率提升。你把东西做得更快，但如果方向本身很差，最终结果未必更好。 **说话人（源字幕未标注）：** 这也是我为什么不认为“有了 AI，就必须重建一切”。首先要理解我们真正需要解决的问题。AI 会帮助我们更有效地解决它，但 AI 本身并没有改变那个问题是什么。 **说话人（源字幕未标注）：** Adam 说，我的判断是——注意，这只是一个大概估计——今天使用 AI 的人可能有 99% 只是把它当搜索引擎。这意味着，对组织来说，“大家都有账号”远远不是你真正想要的状态，因为工具本身其实能做得多得多。真正困难的是，怎样让组织里的人学会更深入地使用这些工具。 **说话人（源字幕未标注）：** AI-native 公司是在这个时代直接出生的，因此比较简单：它们会按这种能力招人、按这种方式组织。AppLovin 一路都很精干，也一直维持很高的人才标准，所以理论上大多数人都应该能成为 AI-native、自己把工具用起来。如果做不到，很可能会在这里逐渐掉队。 **说话人（源字幕未标注）：** 更困难的是那些原本不是 AI-native、员工也没有这种习惯的公司。有些人甚至会本能地抵触 AI，因为需要证明自己的岗位仍然有存在价值。那你怎么把这种组织转成 AI-native？真的非常难。 **说话人（源字幕未标注）：** 你不能简单裁掉一批人，然后说“剩下的人自己会学会”，因为你怎么知道该裁谁、不该裁谁？也不能只是给一笔预算，然后说“去 token max，自己想办法”。那样很容易得到一堆 slop：业务人员做一套 dashboard，工程师又做一套 dashboard，所有人同时给 Anthropic、OpenAI 付钱，重复造同样的东西。最后只能问一句：“我们到底在干什么？” **说话人（源字幕未标注）：** 这会是很多公司的真正难题，而且我不认为目前有特别漂亮的答案。理论上，你几乎得替换掉接近整个组织，再从文化底层重建，才能真正适应今天的世界；但对绝大多数公司来说，这显然不现实。所以它们怎样走到那里，并没有一条清晰路线。 **说话人（源字幕未标注）：** 主持人说，这听起来挺让人沮丧。Gio 接着说，很多人以为好公司和普通公司的最大差异是“构建能力”，但我觉得真正的差异不是这个，而是 **taste——品味和判断力**：知道什么值得做，也知道什么不该做。 ## [54:53] Gio 的日常技术栈，以及 LLM 广告为什么更像搜索广告 · YouTube **说话人（源字幕未标注）：** 主持人问 Gio，现在每天用哪些工具，这些工具又怎样变化？Gio 说自己非常喜欢开源。IDE 用 VS Code。谈到编码工具时，源字幕记录为 “cloud for coding”，结合上下文可能指某一 AI 编码产品，但字幕本身没有给出足够确定的拼写；文本任务方面，他最近使用 ChatGPT。 **说话人（源字幕未标注）：** Gio 说，自己以前更偏 Gemini，但最近又切回 ChatGPT。现在的 ChatGPT 经常挑战我、甚至直接不同意我的说法，但会提供很好的另一个视角。不过这些工具变化太快。一年前我恰好有相反的感受，当时从 GPT 切到 Gemini。所以几个月以后会怎样，谁也不知道。 **说话人（源字幕未标注）：** 随后进入 VCX / Fundrise 赞助内容。广告把 VCX 描述为“private tech 的公开 ticker”，让不同规模的投资者都可以投资 venture capital，并给出 getvcx.com。 **说话人（源字幕未标注）：** 接着是 Public 的 Generated Assets 广告。主持人介绍，用户可以输入一个投资想法，例如“自由现金流为正的 AI 驱动供应链公司”，或者“收入同比增长超过 25% 的国防科技公司”。Public 的 AI 会派出一组 agent 扫描美国股票、评估候选项，并围绕这个 thesis 自动建立一个自定义指数。 **说话人（源字幕未标注）：** 广告还强调，它会解释每只股票为什么被纳入，并允许在真正投资前拿自己的想法和 S&P 500 做 backtest。Public 还提供股票、债券、期权和加密资产等投资入口，并宣传从其它平台转入资产可获得不封顶的 1% match。广告地址是 public.com/sorcery，并提醒完整披露见节目描述。 **说话人（源字幕未标注）：** 随后是 Deel 的短赞助：广告称创业者可以用 Deel 在数分钟内为任何国家设置 payroll、全球招聘、处理签证，然后把时间重新放回建设公司，地址为 deel.com/sorcery。 **说话人（源字幕未标注）：** 主持人也分享自己的模型使用习惯：做这些节目时，她会把 transcript 丢给模型，让它总结、一起做 newsletter。她先大量用 ChatGPT，后来切到 Claude；但上周花了整整一天“对着 Claude 喊”，觉得非常累，还开玩笑说希望模型不要报复自己。 **说话人（源字幕未标注）：** Gio 说 Claude 很有逻辑，但在某些文本任务上并不完美。主持人抱怨它突然开始使用英式英语的措辞和日期、编号方式，让她非常恼火。几人笑过后，主持人把话题带到 LLM 和 chatbot 广告：AppLovin 过去主要是在游戏 app 里做广告，那么未来会不会扩展到 LLM、chatbot？ **说话人（源字幕未标注）：** Adam 说，如果谈广告，现在仍然很早。假如前面那个“99% 使用场景还是搜索”的估计大体成立，那么 chatbot 里的广告很可能首先长得像搜索广告。 **说话人（源字幕未标注）：** 广告大体可以分两类。第一类是 bottom-of-funnel，搜索通常属于这一类。用户走进搜索引擎，直接说“我想买这种鞋”，搜索结果就给他这双鞋和若干其它鞋。用户也许会点别的东西，但很多时候它只是在把已经存在的购买意图闭环：消费者知道自己要买什么，搜索引擎把他送到正确的地方，交易完成。这当然非常有价值，因为消费者不希望—— ## [58:53] Chatbot 广告更偏漏斗底部，AppLovin 更看重“发现式”广告 · YouTube **说话人（源字幕未标注）：** ——因为在搜索里，你当然不希望用户最后落到竞争对手那里，但关键是：用户在进搜索引擎前往往已经知道自己想买什么。另一类则是 top-of-funnel 广告：消费者一开始根本不知道自己想买某样东西，是看到之后才“发现”自己想要。 **说话人（源字幕未标注）：** Instagram 是最典型、规模最大的例子之一。很多人会说，“我现在是在 Instagram 上 window shopping，顺便发现自己想买什么。”这就是漏斗上层：用户打开 Instagram 时并没有预先决定要买那条裙子，是刷到裙子后才产生购买并完成交易。 **说话人（源字幕未标注）：** AppLovin 想做的也是这种发现：给消费者展示他们原本并不知道自己想要的东西，可能是从没见过的游戏，也可能是购物商品。我们的目标是**启动**转化漏斗，再一路把它闭环，而不是只做高度相关、意图已经很明确的漏斗底部广告。 **说话人（源字幕未标注）：** 如果未来 chatbot 广告在 frontier lab 和大型 LLM 入口之外也形成巨大市场，我们当然会继续观察；但那里已经有非常成熟的搜索广告模式，很可能自然延伸过去。对 AppLovin 来说，更有吸引力的问题是：还有哪些场景可以创造这种“用户自己都不知道想要什么”的 discovery？ **说话人（源字幕未标注）：** 一个我们正在研发、判断平台能否延伸过去的例子是 Connected TV。看电视时，用户并不知道自己要买什么；如果你能从这里启动一条消费路径，并最终把人转化，价值非常高。 **说话人（源字幕未标注）：** 另一个方向是 open web，以及开放网页里的视频广告位。比如用户在看一个菜谱网站，最显而易见的广告可能是和菜谱直接相关的东西；但不那么显而易见、甚至完全无关的东西，反而可能创造更大价值。这些都是我们按 3 年、5 年、10 年时间尺度观察的扩展方向。 **说话人（源字幕未标注）：** 所以我们肯定会跟踪 chatbot 的实际使用情况，因为它确实有明确流量，但它未必是最适合 AppLovin 当前广告模型的场景。 **说话人（源字幕未标注）：** 主持人提到自己听过 Adam 在 2022 年和 Patrick O’Shaughnessy 的一场对话。当时 Adam 讲过移动游戏生态既脆弱、又动态、竞争也激烈：AppLovin 一方面和 Apple 合作，很多游戏应用依赖 App Store；另一方面也和 Google 在广告上合作。有没有其它环境可以复制这种关系？ **说话人（源字幕未标注）：** Adam 说，不清楚。移动端的特殊之处是它几乎处于双寡头状态。今天任何面向消费者的业务——即使广告本身是 B2B，本质上也是 B2B2C——大概率都会建立在 Apple 或 Google 其中一个平台上，通常两个都要覆盖。 **说话人（源字幕未标注）：** 但 Connected TV 完全碎片化，没有一个操作系统像移动端那样占统治地位；open web 顾名思义就是开放的。因此，我们未来真正走出去的地方反而可能更 open。至于 chatbot、LLM，如果某个 frontier lab 最后真的变成“操作系统”，情况会不一样；但目前看并没有明显朝那条路走，所以那里也很可能保持碎片化，并出现大量不同站点和入口。 ## [1:02:17] 一万亿美元公司意味着什么：先倒推出 300 亿美元以上年现金流 · YouTube **说话人（源字幕未标注）：** 主持人说，好，我来问一个难题：你们到底怎么变成一家 1 万亿美元的公司？ **说话人（源字幕未标注）：** Adam 说，作为广告业务，还是前面那句话：你必须赚钱，否则你就不是一个真正好的广告平台。幸运的是，我们能产生大量现金。用传统金融语言来说，我们倾向于认为，公司最终值多少钱，取决于扣除 SBC（股票薪酬）后的现金流、你预期很多年后这条现金流能到哪里，以及终值。 **说话人（源字幕未标注）：** 如果看今天，我们按 EBITDA 计算的 run-rate，我认为已经超过 **70 亿美元**。EBITDA 每 1 美元大约可以转化成 **75% 左右的现金**，这个口径大体也是在考虑 SBC 之后。三年前，这个数字小得多，大概只有今天的 **二十分之一**。 **说话人（源字幕未标注）：** 要从今天的规模走到 1 万亿美元估值，我们必须相信公司能够做到**每年 300 亿美元以上现金流**。如果真的做到 300 亿美元以上，最终值多少还取决于做到这一步的速度；但投资者很可能愿意给这条现金流相当不错的 multiple，从而把估值推到那个量级。 **说话人（源字幕未标注）：** 因此，我们现在做的每一件事都必须对应非常大的经济机会。投资人通常会用 TAM——total addressable market——去想。游戏是我们做得非常好的领域，我们已经建立了移动游戏开发者推广自己的第一大渠道；但仅靠移动游戏的 user acquisition 预算，市场不够大，支撑不了一家 1 万亿美元公司所需要的现金流。 **说话人（源字幕未标注）：** 所以才要进入更广的 consumer 领域，大幅扩展可获取的广告美元和可服务的公司种类。但即便 consumer 本身，在所谓“较短期”里也未必足够。这里我说的“短期”仍然是 **5 年以上**。因此必须继续问：再往外还有什么？ **说话人（源字幕未标注）：** 如果看那些 B2B2C 或 B2C、估值超过 1 万亿美元的公司，会发现一个共同模式：先从一个核心产品开始，从这个产品创造巨大价值，然后向相邻类别扩张，而且在新类别里也执行得极其好。对我和 Gio 来说，作为这门生意里的搭档，职责就是一边继续把核心业务做好，一边思考未来 **5 到 10 年**还要在上面叠加哪些新东西。 **说话人（源字幕未标注）：** Gio 说，工程侧也必须提前为这种增长准备。比如设计数据基础设施时，就要反推：如果未来要支撑一家 1 万亿美元价值的公司，系统设计从第一天必须考虑什么规模？设计销售产品时，也要考虑：这套架构能不能扩展到不同垂直行业？ **说话人（源字幕未标注）：** 主持人问，所以你们不会去建 hyperscaler？回答是，大概率不会，我们也没有太多 capex。Adam 接着说，自己早期还学到一件事：高管必须对方向有足够信心，而且要敢于设目标。每加一个零，目标都更难，但最开始我们说要做 10 亿美元公司；做到后就说 100 亿；上市时目标是 1000 亿。 **说话人（源字幕未标注）：** 上市后的前 18 个月，我们跌了 92%，当时 1000 亿美元的梦想显得非常遥远；Axon 2 以后公司恢复了，现在已经站在 1000 亿美元这个量级。再加一个零当然更难，但规模做大以后，另一面也会变得更有利：公司的影响力更大，技术更有吸引力，能接触到的数据规模更大，也开始出现 network effect。有些事情反而会越来越容易。所以即便目标看起来吓人，只要你有一套计划，而且人们相信你能把公司往那个方向带—— ## [1:06:18] 规模目标的延续 · YouTube **说话人（源字幕未标注）：** ——最终，你还是可能一步一步到达那里。 ## [1:06:19] 从 90% 以上跌幅里爬出来：控制稀释，并成为自己最坚定的投资者 · YouTube **说话人（源字幕未标注）：** 主持人把话题拉回股价。你们曾经跌过 90% 以上，现在市场也很波动，SaaS 被打得很厉害。但你们当时选择继续进攻。今天环境不同吗？一家公司想从 90% 的跌幅里爬出来，究竟需要什么？ **说话人（源字幕未标注）：** Adam 说，首先取决于商业模式。股价大跌后一个很现实的问题，是 stock-based compensation 相对于公司总价值会突然变得非常昂贵。很多公司每年会向团队发大约 **2% 到 3% 的股权**，这背后对应一个美元价值。可如果股价跌了 90%，你难道每年要用 **30% 的稀释**去维持原来同样的美元薪酬吗？那样公司永远恢复不了。 **说话人（源字幕未标注）：** 我们一直从固定美元金额去思考薪酬。我们愿意让优秀员工赚得非常好，但不想过度支付，而且团队保持精干，因此这件事一直可控。另一方面，我们本身能产生很多现金。 **说话人（源字幕未标注）：** 所以股票崩掉时，我们没有去说“赶紧说服投资人来买”。在股价底部的很长一段时间——**超过一年**——我们几乎没有做 investor relations。因为那时能跟投资人说什么？“我们在重建技术，股票便宜得离谱”？人们通常不会仅仅因为某样东西很便宜就买。投资人希望看到的是愿景、长期机会和增长前景。无论公募还是私募，大家都会追逐预期快速增长的资产，很少只因为“便宜”买入；资产通常会交易在它当时应有的位置。 **说话人（源字幕未标注）：** 我们于是把思路反过来：既然自己最相信自己的未来，那就**买自己的股票，做自己最好的投资者**。继续给团队有吸引力的股权激励，但不过度，因为承受不起过度稀释；同时把赚到的钱、甚至更多资本，持续用于回购自己的股票。 **说话人（源字幕未标注）：** 这只有在两个信念同时存在时才做得到：相信正在建设的东西，也相信未来增长机会。公开市场当时和我们内部最大的分歧，就是外部认为 AppLovin 没有增长机会，而内部从根本上相信，只要技术正确，这门业务还能释放非常大的增长。 **说话人（源字幕未标注）：** 但不是每家公司都一样。有的没有这样的现金流，有的根本没有继续增长的能力，市场给它那个价格正是因为增长前景不存在。尤其 enterprise SaaS，平台可能很成熟，但它不是 algorithmic 的。那你怎样在不扩张 go-to-market 团队的情况下加速收入？如果必须继续招更多销售人员，而你的股票又很低、burn 又越来越高，就会进入向下螺旋。因此，这是非常 company-specific 的问题，有些公司恢复会很难。 **说话人（源字幕未标注）：** 主持人问，那这些公司最后会怎样？Adam 说，当一家公司困难到一定程度，收入倍数和潜在现金流倍数都很低，而且通过大规模裁员可能释放现金流时，它往往会被 private equity 慢慢收走，或者直接从公开市场摘走私有化。 **说话人（源字幕未标注）：** 因为那时唯一现实的恢复路径往往是重组：裁很多人，把业务转成以现金流为中心，再给公司加杠杆。这非常符合 private equity 的模型，却不再特别适合公开市场。只要一家公司无法再向市场证明自己面对的是一个巨大市场、拥有足够的增长或 pricing power，公开市场通常就会把它的 multiple 压掉，它也就不再是一家理想的 public company。 ## [1:09:48] 接下来 12 个月最兴奋什么？一个人说成长，一个人说“我不兴奋” · YouTube **说话人（源字幕未标注）：** 主持人问，如果看未来 12 个月——当然也不知道你们是不是按 12 个月思考，有些人现在甚至只看下一周——最让你们兴奋的是什么？ **说话人（源字幕未标注）：** Gio 说，过去三年让我兴奋的东西其实一直相当稳定：团队持续修改模型、改进基础设施。更特别的是，业务一直增长，但人数几乎没变。这意味着每一个团队成员必须和公司一起成长。 **说话人（源字幕未标注）：** 这并不常见。很多非常强的公司当然也在增长，但它们通常同时扩大 headcount，于是单个成员不必以和公司同样的速度成长。AppLovin 不一样：公司不增加很多人，所以每个人都会经历 outsized growth。看到公司成长、看到自己成长、看到团队成员学会更多、变得更成熟，这一直让我兴奋。 **说话人（源字幕未标注）：** Adam 的答案完全不同：“我不太懂那种感觉。我不怎么会‘兴奋’。”主持人问，那你会感觉什么？ **说话人（源字幕未标注）：** Adam 举例说，公司上市时，很多人会庆祝：“我们上市了，多棒的里程碑。”而我的反应是：“这些人刚按大约 30 美元的价格买了我们的股票，天啊，我们得替他们赚钱。”我从来不太用“兴奋”来理解世界，但另一方面我也不会很低落。对我来说，一切都是 grind。 **说话人（源字幕未标注）：** 我们想做的是一个在我和 Gio 都离开以后还能继续存在很多年的东西，因此时间尺度放得很远。如果太兴奋，你很容易过度重视一个短期事件，而那件事长期可能根本不重要；如果太沮丧，同样会妨碍判断。所以我学会把两端情绪都压平，回到几个问题：这里是不是有对的人？方向是不是对的？只要这些成立，剩下的会慢慢就位。 **说话人（源字幕未标注）：** 主持人问，AI 加速、市场动荡或其它宏观变化里，有什么会让你担心、晚上睡不着？Adam 笑着说，昨晚我的 sleep score 是 **92**，所以睡得还不错。 **说话人（源字幕未标注）：** 他继续说，在这样的竞争领域，担心周围发生什么没有意义。我们最早以 **400 万美元估值**出去找 seed funding 时，就有人说大公司会把我们干掉，甚至说我们连比 400 万多 100 万都不值。竞争始终存在，你不能因为周围的东西失眠。 **说话人（源字幕未标注）：** 真正要做的是，对周围一切保持非常高的感知，同时具备一点 visionary 的能力，能比别人早一点看见拐角后面发生什么，然后用长期正确的方式去建设。某种意义上，我们一直处于劣势，然后被迫把劣势变成优势，所以公司里大概没人会因为“周围是谁”而睡不着。 **说话人（源字幕未标注）：** 真正会让我紧张的是技术世界跑得极快，而公司却背着大量 tech debt、不愿意一起移动，那就可能输。但我们的组织方式恰好适应今天的世界，也有一点运气：很多早年相信的东西，到了今天刚好特别合适。正如 Gio 前面说的，如果没有 AI 作为伙伴、没有 AI 帮团队提高速度，我们不可能用今天这支团队做到现在做的事。 **说话人（源字幕未标注）：** 因此，世界上很多变化对我们反而是令人振奋的，因为它们正好符合我们被构造成的样子。但我之所以不会过度兴奋，是因为最终仍然必须执行。execution 的负担从未消失：要有对的人，要保持 hunger，也要继续用力往前推。 ## [1:13:44] 如果真的出现 singularity，人类价值怎么办？ · YouTube **说话人（源字幕未标注）：** 主持人说，听到这里必须问两位一个问题：如果我们真的到达所谓 singularity，会发生什么？两位嘉宾先反问，“你说的 singularity 到底是什么意思？”并表示自己也不确定。主持人说，有人甚至认为我们已经到了，也有人把它理解成 AI “接管一切”的时刻。 **说话人（源字幕未标注）：** Gio 说，这个问题比 AppLovin 本身要大得多。有时候我必须相信，那个 singularity 时刻永远不会到来。我要明确说，这**不是一个基于事实得出的观点，而是来自我的立场**。作为一个人，我必须捍卫人类的价值。 **说话人（源字幕未标注）：** 但如果只看公司层面，看到 AI 现在的进步速度，我整体非常乐观。原因也和我们的组织结构有关：这套结构让 AppLovin 能比很多竞争对手更充分地从 AI 进步中获益。如果 AI 只是继续以当前速度提升，我认为对公司是一件正面的事。 **说话人（源字幕未标注）：** Adam 说，现在去 Twitter 上，大概马上就能找出 100 个非常聪明的人告诉你“我们已经进入 singularity”。问题在于，科技圈很多人住在 Twitterverse 里，但世界远比 Twitter 大。 **说话人（源字幕未标注）：** 我们经常被问：“以后 chatbot 会不会直接告诉每个人该买什么、替他完成交易，于是再也没人因为广告去做电商？”这种说法忽略了一点：人其实喜欢 shopping。人喜欢看不同商品，喜欢在购物网站上点来点去，喜欢亲手按下购买，喜欢看物流，喜欢收到箱子、打开箱子。归根结底，我们仍然是人。 **说话人（源字幕未标注）：** 不同的人对这些技术能做什么，理解程度会完全不同。现实世界里的绝大多数人，可能根本不会像 Twitter 科技圈那样理解技术细节。所以无论我们最终是否真的到达那个点，它对不同人的影响都会不同。最后仍然必须承认：人需要人与人的互动，也需要 human solutions。 **说话人（源字幕未标注）：** 主持人说，好，还剩两个问题。 ## [1:15:50] 两位嘉宾的 hot take：AI 时代最稀缺的是 taste · YouTube **说话人（源字幕未标注）：** 主持人问，第一个：也许前面已经回答过了，但你现在最想表达的 hot take 是什么？ **说话人（源字幕未标注）：** Gio 说，在这个时代，AI 让几乎每个人都能做出几乎任何想做的东西，因此 **taste——品味和判断力——变得极其重要，而且被低估了**。 **说话人（源字幕未标注）：** 主持人提到自己刚听 David 采访 Mickey Malker，后者说 Silicon Valley 已经失去“做出漂亮东西”的能力。Gio 说，我这里说的 taste 不只是 aesthetics，也包括 **engineering taste**。 **说话人（源字幕未标注）：** 从我个人经验看，Axon 的成功很大一部分来自我们决定**不做什么**，而不是我们做了什么。我见过很多小公司挑战巨头时犯同一种错误：它们试图把巨头做的每一件事都完整复制出来。但你的团队小得多、资源少得多，如果完全按巨头的方式做，你根本没有胜算。 **说话人（源字幕未标注）：** 这正是 taste 发挥作用的地方。你必须知道自己和巨头有什么不同，知道自己的强项在哪里，然后有意识地决定把资源集中在哪些事情上，也明确决定哪些事情**不做**。 **说话人（源字幕未标注）：** 主持人问，这种判断的灵感从哪里来？外部信息、抽象事物，还是别的？Gio 说，first principles。不断问 what、how、why。 **说话人（源字幕未标注）：** 很多人过度关注 what。看到 AI，就说“公司也得做点 AI”，然后立刻招一大团队做 AI；却没有先问 how——AI 到底怎样嵌进产品？更没有问 why——你的产品真的需要它吗？这不只是 AI 的问题，上一代技术也一样。 **说话人（源字幕未标注）：** 做 Axon 2.0 时，团队非常小。我自己有很多行业经验，知道很多大公司里的推荐系统长什么样。但如果当时我们决定招一个巨大团队，把那些大公司的每个部件一一复制过来，我认为那会是一个非常、非常大的错误。 **说话人（源字幕未标注）：** 真正重要的是滤掉所有噪音，找到**最重要的那一件事**，然后把团队能调动的一切都集中在那里。 **说话人（源字幕未标注）：** Adam 的 hot take 回到 marketing。他说，现在世界上对 AI 有不少敌意；但在 Twitterverse 里，人们又不断说 AI 多么神奇。如果——仍然只是前面的近似判断——99% 的普通用户其实只把它当搜索引擎，同时又不断听聪明人说 AI 会抢工作、会带来各种损失，那普通人凭什么支持 AI？ **说话人（源字幕未标注）：** 我认为这最终是个 marketing 问题。改变人们态度的办法，通常是把一个东西的正面价值讲清楚，让人即使不理解技术，也能真实感受到它带来的好处。 **说话人（源字幕未标注）：** 这和我们的广告业务很像。我们提供广告，很多人会觉得广告烦，甚至根本不会注意广告。如果只出去说“我们就是投广告的”，没人会兴奋。但一条有效广告实际上创造了一笔原本不会发生的交易，因此创造了新的经济活动：帮助经济扩大，帮助公司增长，也帮助公司雇更多人。 **说话人（源字幕未标注）：** 所以，一个真正好的广告系统可以成为经济里的正向催化剂。当我们学会用这种语言去理解自己的业务，并珍惜那些具体时刻——比如某个开发者、某家小店因为在我们平台上获得了可盈利增长，因此真的能够多雇人——团队就会觉得这份工作有意义。 **说话人（源字幕未标注）：** AI 也是一样。只有当普通人真正理解“除了搜索之外，我还能从 AI 得到哪些额外的正面使用场景”，他们才有理由成为 AI 的支持者。在那之前，没有理由期待他们天然支持它。 ## [1:19:50] “Locked in” 从哪里来：减少一切分心，只把一件事做到最好 · YouTube **说话人（源字幕未标注）：** 节目再次带到 Brex 赞助。主持人借“performance corporate credit card”的说法转到个人 performance：Michael Barton 曾说 Adam 是自己见过最 “locked in”、最专注的人。她问两位，这种状态是怎么形成的？有没有一直激励你们的人？ **说话人（源字幕未标注）：** Adam 先开玩笑说：“我不知道自己算不算 locked in，不过这确实是一条很棒的 native ad。”然后认真回答：我一直在优化自己的生活，尽可能移除所有分心，把注意力集中在自己真正擅长的一件事上——也就是在我所在的领域把公司建好。 **说话人（源字幕未标注）：** 对我来说，早期最重要的是先找到 passion。我也不知道为什么最后广告成了 passion，但它其实延续了我以前做过的东西：衍生品交易、金融、数学、算法、placement、prediction。这些东西最后都在广告里汇合了。 **说话人（源字幕未标注）：** 找到 passion 以后，我尽量不去做那些会制造干扰的事。我不怎么活跃在社交媒体，不到处做一大堆其它投资，也不频繁参加各种会议和演讲。我基本上是 **100% wired in**，只想把这件事做到自己能做到的最好。如果能做好，我就觉得自己成功了。 **说话人（源字幕未标注）：** Gio 说，自己加入 AppLovin 时其实只是一个比较 junior、或者中层的团队成员。参加大会、以高管身份讲话之类的事情，对我都很新，我也没认真想过太多。 **说话人（源字幕未标注）：** 但我觉得自己成功里一个很重要的部分，是小时候不知怎么形成了一种“不要让别人失望”的欲望。我很不喜欢让人失望。所以当身边的人、领导、Adam 对我有某种期待时，我会想尽办法把它做成。 **说话人（源字幕未标注）：** 主持人问，为什么大多数人不会这样？Gio 说，我也不知道，也许这是小时候就有的一种“维生素”，也许只是性格。 **说话人（源字幕未标注）：** 主持人追问，这会不会也变成障碍？Gio 说，会。有时候我发现自己很难按下暂停键，好好享受已经取得的成果。AppLovin 的成功过去带来过很多令人兴奋的时刻，但我自己就是很难停下来真正享受那一刻。 **说话人（源字幕未标注）：** 主持人说，不过你们前面还有 1 万亿美元的里程碑。接着有人说，新的目标永远就是“下一个”。这其实是很多能力非常强、很成功的人身上的共同特征：几乎没有一个可以长期享受的终点，因为每到一个目标，马上又开始下一个。 **说话人（源字幕未标注）：** 如果一个人从小生活在“A 还不够好，你得拿 A+”的家庭里，这种模式很容易被塑造出来。坏处是，你更难获得满足感、幸福感，或者很多普通人会自然拥有的情绪；但好处是，你会一直推动自己追求更多，因为任何一个时刻都“不够好”。 **说话人（源字幕未标注）：** 主持人问，那你们挑选队友时还看哪些特质？Gio 说，我真正喜欢的团队成员通常至少有两个特征。第一是 intelligence：聪明、学得快、对自己标准高、能把事情做成。这一条很多公司都会看。 **说话人（源字幕未标注）：** 第二条却经常被忽视：**low ego**。 ## [1:23:50] Low ego、逆境与高绩效者最大的危险 · YouTube **说话人（源字幕未标注）：** Gio 说，一个人 ego 低，就更愿意倾听，更愿意给团队授权，也更愿意帮助别人。更重要的是，他们能接受 feedback，也会主动反过来质疑自己。这对成长非常重要。 **说话人（源字幕未标注）：** Adam 补充，我通常还会看第三件事，而且面试时经常会问：这个人面对 adversity、面对逆境时是什么反应？世界上没有什么事情真的容易。有些人成长环境更顺利，有些人更艰难；通常那些知道怎样在逆境里作出良好反应的人，最终会做得非常好。 **说话人（源字幕未标注）：** Gio 说，这恰恰也是高绩效者的危险。一个人长期表现很好，周围的人会把他视为 high performer，会信任他，于是越来越少有人真正质疑他。因此，对这种人来说，**自己质疑自己**变得格外重要。 **说话人（源字幕未标注）：** 我见过一些人非常擅长这样做，也见过另一些人慢慢忘了：当所有人都不再挑战你时，你必须成为那个继续挑战自己的人。 ## [1:24:47] “AppLovin 之后是什么？”——现在还没有“之后” · YouTube **说话人（源字幕未标注）：** 主持人说，我知道自己已经问过一个难题，差点漏掉最后这个。Adam，你做了一家游戏广告公司，而游戏领域里也走出过其他很特别的创业者：Torsten 后来创办了 Helsing，Palmer Luckey 后来创办了 Anduril。那么，AppLovin 之后，你还会做什么？ **说话人（源字幕未标注）：** Adam 停顿了一下，大家笑了。他说，这是个很难的问题。希望如果我做得足够好，也能持续赢得周围人的信任，我还会当很长时间的 CEO。因此，以一个正在经营这么大规模上市公司的 CEO 身份，我现在其实并不思考“之后”。 **说话人（源字幕未标注）：** 我的想法确实一路发生过变化。公司还很小时，我曾经会想，未来是不是再从零做一次。我也确实很喜欢 very early stage。但世界上没有多少人有这样的机会：能和一群人一起，把一个东西从 **0 做到 1000 亿美元以上**。 **说话人（源字幕未标注）：** 而我们今天面前还有这么多机会，所以我根本没有办法坐在那里认真想“AppLovin 之后是什么”。 **说话人（源字幕未标注）：** 主持人说，这真是一个很好的收尾。Gio、Adam，这是一场很有意思、很不一样、也很有思考的对话。谢谢你们把 AppLovin 工程内部以及公司增长背后的东西讲得这么深入。 **说话人（源字幕未标注）：** 嘉宾回应，谢谢再次邀请我们。 **说话人（源字幕未标注）：** 最后 Molly 做节目尾声推广：如果喜欢这些访谈，可以订阅 sorcery.vc 的 newsletter；每周会发送重要交易和科技头条，也会继续深入播客访谈内容。她同时提醒听众在 YouTube、Spotify、Apple 或其它播客平台订阅节目，注册链接放在节目描述中。