Patrick Collison：为什么硅谷最有才华的人应该离开

今天很高兴请到 Stripe CEO Patrick Collison。Patrick，第一个问题：你的博客里有一份给 10 到 20 岁年轻人的精彩建议合集。你说等自己 35 岁以后，会再写一份给二十多岁人看的建议。我们这些二十多岁的人现在该怎么做？那篇文章什么时候来？

我其实还没认真想过。不过我最近一直在琢磨一条建议。我以前说，十几岁的人应该去旧金山；现在我反而在想，二十多岁的人是不是不应该去旧金山。当然，这只是泛化判断。确实有一大群人应该去旧金山，但也有一些职业道路，既能让从业者获得最大满足、又对世界很有价值，而那些道路要求你积累大量专业知识，极其深入地研究一个领域。

旧金山会褒扬“自己闯出一条路”、以反传统姿态否定既有智慧。这也是旧金山的一大优点。这里赞美 Steve Jobs、Bill Gates 等人的创业原型和传奇。我的成就远不如他们，但 Stripe 在某种程度上也符合这种模式。世界上有这种现象当然很好，我也很高兴；可世界还需要很多其他东西。这里的“旧金山”是一种文化取向的转喻，而这种文化并不鼓励人们追求真正深厚的技术知识。

我们现在是在南旧金山录制。企业界提到这里，最著名的就是 Genentech 总部。Genentech 由 Bob Swanson 和 Herb Boyer 共同创办，他们第一次利用重组 DNA 制造出廉价胰岛素。Herb Boyer 不可能在 23 岁时完成这件事。他必须在数十年的职业生涯里积累所需的知识和技能。我不知道他真正发明这项技术时具体多大，但肯定不是二十多岁。我觉得旧金山的文化并不鼓励一个人成为 Herb Boyer。

再比如，我们录制节目的前一天，Arc 的联合创始人 Patrick Hsu 宣布了一种叫“桥式编辑”（bridge editing）的新现象。Arc 是我们几年前成立的生物医学研究机构。这是一种新的重组酶，可以把 DNA 插入基因组。现在还很早，但它可能非常重要。要做出这种工作，你必须长时间学习，获得大量技术能力。

我还不知道怎么把这些想法完全综合起来。谈到给二十多岁人的建议，我不会假装自己有资格规范性地告诉别人该走哪条人生道路。几乎每一种策略都有成功案例。你 23 岁就在做播客，我很高兴你做这件事。

对，我有个播客。

信息传播对世界非常有价值。上次我听说，Nat Friedman 的“卷轴奖”（Scroll Prize）领先者，就是通过你的播客知道这个项目的。扩大某些信息的“催化接触面”，本身就是有价值的事，所以我很高兴你在做播客。

我不敢断言别人该怎样生活。但如果有人恰好读的是我的建议，而不是别人的，可能说明他在考虑与我的人生方向类似的职业道路。那我的建议也许是：“你可以做一些类似我曾做或正在做的事，但也存在其他道路。”世界上很多真正重要的发明，以及很多最令我高兴的进展，都要求一条与我完全不同的轨迹。也存在一些反事实版本的人生：如果我走了那条路，谁知道结果会怎样。

还有一点，旧金山非常看重地位。当然，所有地方都看重地位，所以这句话多少有点同义反复。但我觉得，旧金山给予创业者的尊崇过高。我喜欢创业者这个群体，也觉得 Stripe 上建立起来的公司都很棒；可旧金山对创业的强调有点奇怪，不该让它成为人们唯一的执念。

我喜欢并且佩服你的一点，是你有很强的逆向意识，经常挑战人们在某个时刻期待从你嘴里听到的答案，反而告诉他们相反的东西。有效利他主义（EA）比较流行时，你谈它的问题；它陷入低谷时，你又说“大家还是应该关注它”。但就这条建议来说……

Michael Nielsen 说，科学中的每个领域，要么追随者太多，要么太少，市场几乎从不处于恰当均衡。EA 可能也是如此。但为了逆向而条件反射式地逆向，同样令人厌倦。如果你只是反对主流情绪，那仍然是在跟随主流情绪，只不过把符号位翻转了。我也不赞成那样。

群体效应非常强大。我成年后学到的一件事是：人人都知道、也经常听到“要警惕追随主流浪潮、情绪和一时风向”，可真正做起来难得要命。

那么在需要长期积累的学科里，实际应该怎样磨炼技艺？你谈过、也发推批评过现代大学的一些问题。如果一个人想成为 Arc 那样优秀的生物学家，大学仍然是事实上的必经之路吗？

很多领域我都不知道答案。比如硬件是个很大的领域，但我没有能力和经验。如果一个人想成为极其出色的硬件实践者，最佳路径是什么？我不知道。也许是退学去 SpaceX。我的意思不是一定要走最体制化、最看重资历的道路。人们应该在自己最在意的领域里，寻找“学习梯度”最大的地方；问题只是那个地方究竟在哪里。

以生物学为例——我本人不是生物学家——要做好工作，显然必须掌握大量实验台上的技能，也要学习大量具体知识。生命系统不像物理学那样，仿佛由整洁的基本原理设计出来。它是演化、偶然、混乱而复杂的，所以有很多具体事实要学。正因为这两点，生物学里成功的纯自学者非常少。

据我所知，几乎所有案例里，一个人迟早都需要进入顶尖实验室，直接看人们在实践中究竟如何工作。这也呼应了我们之前谈的：创始人彼此之间会学到什么。有一本很有意思的书叫《Apprentice to Genius》，追踪了三代科学家：一个人指导另一个人，后者再指导下一位科学家，而且三代人都极其成功。书里既描述他们做了什么，也追问：“究竟有什么东西被传递下去了？”

科学中最重要、也最微妙的问题之一，是课题选择：你该研究什么？没人告诉你答案，而且你一生要多次回答。创办公司在某种意义上只需做一次大的选择，然后不断迭代；科学家却经常要转向完全新的问题。你必须选一个足够重要、足够困难，成功后真正有价值的问题，但又不能复杂到根本无法取得进展。按照那本书的说法，这正是学生从导师那里学到的东西之一。

书里还谈到“高标准”究竟是什么。和其他领域的人交谈时，我经常听到这样的故事：他们曾与某个人合作、在某个组织工作、身处某种环境，于是第一次真正见识了“伟大是什么样子”。那段经历永久改变了他们对自己工作标准的判断。

所以，给二十多岁人的一种建议是：先大致找到自己感兴趣的领域，然后弄清楚最高标准在哪里被真实体现，自己能去哪里亲身经历它、学习它。

在回到 Stripe 和 Arc 之前，我想谈一下 Parker 那项研究。有一种观点认为：即使把 NIH 改善 10% 或其他比例，真的能改变“新想法越来越难发现”这个事实吗？机构到底能造成多大差异？是不是主要取决于研究者数量，以及社会能把多少人投入科研？新加坡似乎也不可能仅靠设计更高效的科研机构，就在科学上与美国竞争。这个直觉错在哪里？

Noah Smith 等人谈过一种观念，我记不清他用的词，也许类似“moneyism”。这个观念假定，某项投入和某项产出之间存在近似固定的弹性：比如在亚利桑那建半导体厂、修一座桥，投入多少钱，就对应多少结果。

第一，投入和产出之间的转换率不是宇宙常数。也许同样的事情可以用一半、甚至十分之一的成本完成。第二，还有更深的问题：这件事究竟能不能完成？要让它成为可能，还必须改变什么？真正的约束是什么？当我们只用资金和美元讨论问题时，就隐含地假定唯一相关的约束是钱；但现实里可能是许可、劳动力短缺或其他因素。

放到 NIH、科学和研发上，我非常怀疑只讨论“我们花了多少钱”，然后把它当成产出的有效指标。粗略说，二战前美国的职业科学家人数，大约只有二战后、比如 1950 年的 1%。论文、专利等伴随指标也大致遵循类似比例，但二十世纪上半叶仍然产生了大量好成果。后来科研投入增加了两个、甚至略多于两个数量级，可我看不出支出与产出之间存在直接线性关系。

所以分析 NIH 或其他科研政策时，我更愿意具体、触觉化地问：成功究竟是什么样？微观层面今天实际发生什么？具体问题是什么？微观层面的成功可能是什么样？又如何把它扩大？

Fast Grants 结束后，我们调查了受资助者，问的是他们平时的研究，而不是 Fast Grants 本身。我们问：如果你拥有可以自由支配的经费，能按照自己的判断安排现有研究资金，你的研究计划会改变多少？选项是“不多”“一点”和“很多”。五分之四、准确说 79% 的人回答“会改变很多”。

因此，问“NIH 预算应该是 X、1.1X 还是 1.2X”，在我看来不如问：“NIH 受资助者在选择研究议程时应该被束缚到什么程度？”也许研究者自己的判断远好于委员会——我不是断言如此，只是没人知道。也许仅仅切换这一项制度，就能产生 5X（五倍）改善。我对这些以财务为中心的框架非常怀疑。

“财务”也许不是最准确的词，但你自己也在比较二战前后的投入和产出。假如问题只来自某些科研机构，那些与 NIH 制度无关的领域理应显示不同趋势。可你也谈过，各行业都越来越难找到高影响力成果。摩尔定律显然不是 NIH 运营的，但就连那里也需要指数增长的研究者，才能维持同样的进步速度。

遇到 COVID 这种事件时，一次性的“水平效应”显然重要，我们会说现在就需要提升。但如果把视野放到几百年，改革机构真的会提高增长率吗？各行业都在放缓，而且似乎与经济和科学随时间演进的方式一致。这个问题在那种语境下该怎么理解？

简短答案是：我不知道。这非常令人困惑。美国 GDP 增长率长期近乎恒定，是最奇怪的现象之一，我没有解释。一个直觉是耸耸肩说：“好吧，这被很多因素共同决定，国家就是这样运作的。”但看看其他国家，显然并非如此。美国究竟有什么特殊之处？

我常想：如果我们增加的并不是“生产能力”，而只是越来越多“非生产性能力”，也可以得到许多观察到的系统特征。用一个简化模型说，如果你指数级增加没有生产力的容量，很多现象自然就会出现。我不是断言我们一定在这样做；即使边际加入的人、事物或组织本身并不坏，也可能因为组件之间的互动方式，整体上形成低效。

既然“不断增加非生产性容量”足以解释指数级递减回报，我就不认为“低垂果实已经摘完”必然是真的，也会给结构、文化和组织层面的解释更多权重。

举一个非常基础的微观例子：把 SpaceX 的研发预算和 NASA 的研发预算放在同一张时间序列图上很有意思。也许这又回到了财务比较，但 NASA 效能的轨迹显然没有完全跟随投入轨迹。

但也可能只是，后来投入科研的边际资源没有以前那么高质量。过去的 1X 是高质量的 1X，现在的 100X 质量低得多。若社会里 John von Neumann 这种人数量有限，而他们已包含在二战前的那 1X 里，你也不可能再塞进 100 倍的“冯·诺依曼型物理学家”。那该怎么修？

如果真正的约束就是 John von Neumann 的数量，那确实是坏消息，边际上能做的事不多。但我不确定约束真在那里。我总会回到文化和社会学因素。

Gerty Cori 和 Carl Cori 在圣路易斯华盛顿大学经营过一个实验室。我没记错的话，他们的六名学生后来获得了诺贝尔奖。那当然是知名实验室，能招到好学生，但并不是世界上最有声望、每年都能挑走最有前途单个人才的实验室，所以里面一定发生了某些特别的事。

有一本书专门研究这个实验室，试图解释原因。我也不敢说自己已经弄清楚。他们进入分子生物学的时机很好，当然有运气成分；但这些仍然是令人抱有希望的数据点。那些人都非常聪明，可真正把他们和学生区分开的，并不是他们是“七个标准差之外的火星人”，而是他们找到了有效的组织结构和文化实践。至少原则上，这些东西比天才本身更可复制。

你仍然可以追问：“理论上可以复制，但实际怎么做？”这正是那个尚未解决的大问题。

这正好可以转到 Arc Institute。生物学研究并不是社会忽视的领域，资金也有数百亿美元。Arc 的改变理论是什么？是不是和 Stripe 类似：关键不在缺钱，而在能否聚集正确的人、形成正确的文化和培养机制？

虽然科学家和大学很多，但今天科学研究——尤其是基础生物医学研究——的组织方式高度同质化。通常是在大学里做基础研究，距离商业化还很远。这个模型不一定坏，我们也不是说它坏；但“大学—实验室—PI（首席研究员）—申请 NIH 项目经费—由委员会和 study section 按僵硬标准评分”的结构，在我看来并不理想。

在任何生态系统里，同质化通常都不好；当生态系统追求的是尾部成果时尤其如此。我们从第一性原理出发，认为还应该存在其他模型，并对一种可与现状互补的具体模型有一些想法。

Arc 最简要的不同有三点。第一，资金给科学家本人，让他们按照好奇心研究自己想研究的事；NIH 主要为具体项目拨款。第二，我们建设大量内部基础设施、平台和能力，科学家可以直接调用，不必每个实验室自己建设和维护。传统大学实验室几乎总要自己做这些事，而单个实验室的规模天然有限，结果也限制了研究计划的野心。

第三，我们为那些热爱科学、却不想成为 PI 的人提供长期职业道路。大学体系把“训练”与“执行”混在一起：真正做研究的往往是研究生和博士后，而制度名义上假定他们最终都要成为 PI。可很多人出于完全合理的原因，喜欢研究本身，却不想管理实验室、决定整个研究计划、处理行政工作和不断写经费申请。今天几乎没有为这类人设计的职业路径。

Arc 很重视聘用那些完成博士或博士后、并且清楚自己想继续做实验科学的人。昨天公布的桥式编辑技术就很能说明这一点：主导工作的是一位完成博士后训练的高级科学家。我不确定他是否想成为 PI，但他热爱科学，也是出色研究者，所以可以在 Arc 继续这条职业道路。

此外，把可移动遗传元件用于基因组插入，本来是非常投机、很“远”的想法。如果他向 NIH 申请经费会怎样？他没有申请，所以我不知道反事实结果。但 Jennifer Doudna 研究 CRISPR 的 NIH 申请据我记忆曾被拒绝，后来由 DARPA 支持；Katalin Karikó 关于 mRNA 疫苗的 NIH 申请也著名地被拒绝过。因此，这项昨天宣布的工作在另一种环境里可能不会发生，或者发生概率会更低。所有这些反事实都有随机性，我不能下确定结论，但这种可能性相当真实。

往后看 10 到 20 年，如果我们不仅理解遗传结构如何影响性状，还能任意编辑、翻转和插入 DNA；像镰状细胞贫血这样的明显目标已经解决以后，这条研究线会通向什么？你最兴奋的是什么？

最有意思的地方，是把基因编辑当作一种新望远镜。人们听到 CRISPR，最自然的兴奋是把它直接用于人体、治疗疾病。但 CRISPR 也可以用来系统地理解细胞和细胞培养物里究竟发生什么。

人体里有一块由大约 20,000 个基因构成的“调音台”，有点像 DJ 的复杂混音设备。利用 CRISPR，可以逐个扰动每个基因，像按顺序猛敲所有琴键一样，观察改变这个基因和那个基因分别造成什么结果。你可以在细胞培养中施加某种压力或处理，再比较不同扰动如何改变细胞结局；也可以更广泛地用它生成合成数据：做完大量扰动后测序，观察细胞内部发生了什么。单细胞测序也已经进步很多。

所以基因编辑不仅能治疗，也能用于发现和数据生成。这一点很有吸引力，因为很多疾病在专业术语里是“复杂疾病”：它们不仅在日常意义上复杂，也不是单纯的感染性疾病，更不是像 Huntington 病那样由一个特定突变造成的单基因病。它们通常由环境因素和若干遗传因素共同作用。大多数自身免疫病、大多数癌症，以及一定程度上的心血管和神经退行性疾病，都属于我们仍未解决的这类大问题。

功能基因组学令人兴奋之处，是理解这些疾病的遗传组成究竟怎样运作。即使遗传因素只占很小一部分，也可能照亮整体生物通路。一个投机性问题是——这尚未真正实现——如果我们弄清基因之间的相互作用与 Alzheimer 病的关系，能否由此理解 Alzheimer 病究竟如何产生？今天我们并不知道。一旦理解机制，也许就可以用传统技术抑制或调节相关通路。这是我们在功能基因组学上真正兴奋的方向；这里也有 AI 角度，想谈的话可以展开。

你怎么看生物技术的双重用途？对搜索引擎或计算机，事先也能想象很多双重用途，但历史总体对我们还算仁慈，似乎元教训是“继续做科学”。可生物技术里，哪怕不谈具体操作，也很容易想象某些恶意用途。为什么不先集中精力降低风险？

我不认为今天有害生物技术或生物武器的关键约束，是前沿生物能力本身。如果一群极有能力、很聪明的人想用病原体或其他生物手段制造巨大伤害，他们未必需要发明任何新东西，只需恶意地运用已知技术。

真正值得担忧的一类进步，是不发明新技术，却让现有技术更容易获得。比如，如果出现一个足够先进的 LLM，能帮助任何人合成并传播天花，会怎样？我不知道有什么物理定律禁止这种 LLM 存在，想必没有。这样的模型若被广泛分发，世界会没事吗？也许会，也许不会。这确实是威胁因素；但我的重点是，生物学知识前沿本身并不是最相关的边际。

即使不诉诸疯狂的 AI 风险，世界本身就完全有能力产生严重流行病和病原体，还有大量非传染性疾病。所以无论我们关心潜在恶意用途，还是只关心现存问题，降低两类风险都需要提升我们的生物能力。

今天很多生物问题根本不知道怎么解决。如果按照你说的，把重点放在防御一侧，我也不确定实际要做的基础研究会有多大不同，因为我们缺的是一些根本能力。努力解决现有人类疾病，很可能也正是在建立应对未来恶意制造疾病所需的最佳能力。

说得通。把视角从生物风险拉远一点：你现在怎么看 AI？

每个人都应该高度困惑。假如让人分别在 2023 年初、2021 年，乃至过去八年里的不同时间点作判断，结论大概都会很不一样。我们现在接近 2024 年初。也许从 2019 年左右开始，Gwern 的预测成绩最好；但整体来说，这个领域极难预测。因此第一层立场必须是某种谦逊。

正如你博客里指出的，眼下的大问题是缩放定律能维持到什么程度。假如它们继续成立，我们究竟在接近什么？说“渐近线”也许太武断，因为未必真是渐近，但我们甚至不知道所接近对象的形状。一个人该乐观还是担忧，应该对那些曲线的精确参数极其敏感，可我不认为有人知道参数的真实值。

AI 显然会很重要，而且今天已经重要，对 Stripe 和 Arc 都有核心影响。接下来只能看事情怎么发展。

我同意这种总体态度。但 COVID 和 Fast Grants 给我们的元教训，会不会是：你当然无法事先预测危机，可除了提前准备某些具体对策，更重要的是危机真正发生时，有一批能综合信息、组织行动的能干个体，也有能力快速建立新倡议和新机构。未来十年，对适应性的溢价可能会大幅上升。

按这个思路，我知道你已有不止一份全职工作，但当时机到来，应该有人做一个类似 Fast Grants 的项目。考虑到你横跨很多领域的知识、声望和领导能力，你会是最合适的人之一。至少把它放在脑后——甚至放在脑子正中央——毕竟转变已经走到这里。

Fast Grants 其实就是“三只心爱的松鼠穿着一件风衣”。我是其中一只，另外两只是 Tyler Cowen——他是了不起的人，也是我的好朋友——以及我的妻子，她也是 Arc 联合创始人。Fast Grants 并不是一个拥有巨大办公室、能证明我适合领导所有事情的庞大机构。

但要产生那种巨大影响，并不需要组织本身很大，对吧？

客观说是这样。John 和我一直尽量清楚认识自己专业能力的边界，而且那些边界离我们很近。如果真的需要做类似的事……看看“曲速行动”（Operation Warp Speed）：他们选择了极其有效的领域专家 Moncef Slaoui 负责，结果成功得惊人，确实非同寻常。

我不知道某个未来问题对应的 Moncef Slaoui 是谁，要看具体问题。但我的建议会是：“找到那个 Moncef，然后雇用他。”任何认为我是那个问题的 Moncef 的人，大概都判断错了。

我觉得你太谦虚了。继续谈 Fast Grants：现在我们已经能回顾受资助者的成效，也能与 NIH、NSF 等机构在疫情期间发出的其他经费比较。据你所知，这些机构如何看待速度与效果之间的差距？它们有没有分析自己的流程和疫情期间发生的事？

据我所知没有，但我不希望这听起来像指控。也许它们做了大量反思，只是我不知道；即使真的发生，我也未必会知道。所以答案就是不知道。我不了解 CDC、FDA、NIH、NSF 或任何相关组织及其国际对应机构内部做了什么。

因此，我说的内容不只是“不是批评”，甚至不能算对它们作评论。我真的不知道。

一般来说，组织不擅长自我反省。我会把这个当作默认先验，并猜测我们开头讨论的一些动力就来自这里。今天那些机构里，已经没有当初创建它们的人。现任领导者的激励究竟是什么？谁有动力以完全客观、严厉自我批判的方式盘点哪些做得好、哪些做得差？这并不清楚。

我保证不一直执着于 AI，但再问一个。长期无法预测，中期也许也不行；可近期开来，我们可能会有某种 AI agent，而 agent 也需要交易。AI agent 的金融基础设施会是什么样？

这是个很有意思的问题。自动或自治交易今天已经在一定程度上存在。许多服务按用量计费，很多支出本来就是自动发生的。当 Stripe 使用云计算并产生云服务成本时，并没有一个人每次按按钮。以极其原始的形式，它已经发生了。

我猜它会沿着某条梯度发展：越来越多决策由 LLM 或同类系统作出，从今天一直平滑过渡到很高程度的自治，过程可能几乎不引人注意。不会有某个月大家突然醒来惊呼：“天哪，机器人今天终于被放出来了。”

接下来听起来会很琐碎、很贴近行业，但会出现很多重要实务问题：法律上 agent 由谁负责？责任全部归所有者，还是 agent 获得某种独立性？责任如何划分？什么支付轨道最合适？交易速度有多高？如果每秒十亿笔交易，系统性质就应与每天一笔巨额分层交易完全不同。

按用量服务提供了一个类比：负债以极小增量持续累积，月底付款时再集中结算。agent 交易也许会有这种结构。实务问题很多，但你说自治交易可能成为经济的重要维度，我认为非常真实，可能是未来十年经济变化和扩张的有趣方式之一。

加密货币也可能在这里发挥某种作用。对人类，我们非常认真地做 KYC 和 AML，希望知道某项金融活动对应的是哪个人；可面对 AI agent，这个问题显然更模糊。

如果我们在某种模糊意义上，把加密金融看作金融服务中“按设计事实上免于传统 AML”的部分，那么它也许会在 agent 经济里占据角色。

Stripe 创立之前多少年，一个类似 Stripe 的产品其实就已经可以被发明出来？

这是个好问题，取决于你怎样定义 Stripe。某种意义上，PayPal 就是一种 Stripe，而 PayPal 之前也有很多支付公司。甚至可以一路追溯到收银机，所以答案取决于定义。

Stripe 受益的特殊长期顺风，包括应用商店兴起、按需经济、YC 之后的创业潮，以及金融危机后的环境。这些因素非常具体。全球金融危机发生在 2008、2009 年，Stripe 创办于 2010 年；如果把这些顺风视为核心条件，那么它确实不可能早很多。

但我更常把 Stripe 的故事理解为市场低效：我确实会疑惑，为什么很多东西没有更早发生。尤其有意思的是，有些领域并不是“早一点也可以做，只是市场上没人”，而是市场上已经有很多参与者，而且不是随机的小公司，而是总部就在旧金山的技术公司。为什么它们没有想到？

我不愿过度概括，因为我的经验也许只有 n=1。把单个案例外推很危险。现在有 Arc，也许算 n=2，尽管它是完全不同的组织；如果把 Stripe 内部不同产品都算进去，也许样本能到 10 或 20。

我的总体看法是：多数产品和企业都可以做得好得多。护城河通常被高估。支付就是很好的例子：从逻辑上看，它有大量防御来源——账户持有人的网络效应、反欺诈中的数据网络效应和规模经济、监管壁垒等等。可 Stripe 不仅出现了，今天还有整个金融科技生态。

最终问题是：世界里“有效组织”的数量受什么约束？为什么一个行业里是这么多家公司，而不是两倍？原因涉及动机、想法、组织人才的意愿和决心，更多是社会文化层面的解释。

Hamilton Helmer 可能是研究企业防御来源最重要的学者。他有一本在小圈子里非常知名的书《Seven Powers》，把市场力量的不同来源拆开分析。它在自己的范围内很重要；但即使如此，我仍然觉得，在 Stripe 之前居然没人做出 Stripe，是件奇怪的事。

既然护城河被高估，“把事情真正做好”被低估，那么 Stripe 自己的护城河是什么？你会因此用不同方式理解它吗？

会。我认为组织和文化也能构成护城河。这也许和刚才的话矛盾，也可能是一致的：它仍然是文化解释。假如 Stripe 真有护城河，那是因为我们对所在领域理解很深，有一群真正关心解决问题的人，并且持续担心自己会不会遗漏重要事物。

我们会不断寻找可能取代 Stripe 现有方法的关键东西，并努力先把它做出来。

你知道 Conquest 的定律。第三定律大意是：“应该像分析一个由敌人秘密集团经营的组织那样分析组织。”这话大概带有玩笑成分，但值得追问它为什么有一小块真实内核。

多数组织刚成立时，确实在努力实现宣称的目标。有人出于某个理由创办组织，而那个理由通常就是公开说的理由。可随着时间推移，创始人和最初成员离开，新人接替，然后一代又一代持续更换。到了第五代，成员为什么在那里？他们的个人激励与组织最初的目标到底对齐到什么程度？这里很容易产生巨大偏差。

即使是组织领导者，也可能沿着局部最优路径行动，并非出于恶意。他们只是人，有自己的激励，而那些激励可能与组织最初的“宪法性激励”不同。这是组织生活的基本事实。对我来说，这些解释比许多抽象理论更有助于理解某些事情为什么发生或不发生。

回到 Stripe 的护城河：别人可以判断它在实践中到底有多真实，我当然有偏见。但我认为核心是，Stripe 的人真的在乎解决我们公开说要解决的问题。

你谈到几代人之后的错位。有没有机构在几十年、甚至几百年里，不仅保住原始使命，也保住组织能力？科技公司历史都不长，而企业中位寿命又很短。什么算好例子？

有些关于股东资本主义的解释认为，它会改变组织激励和长期命运。这些理论有一定可信度，甚至可能缩短组织寿命。我不是说一定如此，但它完全可能，令人惊讶。

即使属实，也不清楚这一定是坏事。我们究竟站在人类一边、站在全世界总创新一边，还是站在公司这种准法律实体一边？我认为应该选前两者，而不是第三者。

另一方面，欧洲一些地方、比如丹麦，因为税制原因，很多组织由非营利基金会控制或大量持股。Novo Nordisk——做 GLP 类药物的公司——Maersk 航运公司，我想 Lego 也是如此。很多企业由基金会控制，而这常常带来第二个效果：使命被写进具有法律约束力的章程。

我不是 Novo Nordisk 专家，只是感恩节时碰巧拿到一本关于它的书，也看过一本关于丹麦产业基金会的书。它们的章程规定，必须广泛、低价地提供胰岛素，至少在斯堪的纳维亚国家如此；在其他地方可以按市场价收费，但法律上必须把利润重新投入研发。

这种结构是否导致它们做出了过去 20 年最重要的药理发现之一——GLP-1 受体激动剂？很有可能。企业中位年龄为什么是现在这样，确实是个有趣问题，我怀疑答案部分取决于美国今天组织大型公司的方式。

你说的这种公司，听起来很像亚洲的出口导向增长模式。

完全是。

也类似关税和产业政策：指定一家公司做汽车，没有国内竞争，但它必须做出世界上最好的汽车。

对。我们都赞赏 Adam Smith 和 Ricardo，但他们本人都没有今天人们想象得那么教条地坚持自由贸易。Friedrich List 以及其他差不多时代的思想家，相对而言被低估了。

如果你相信社会学、文化技能、乃至人际层面的模糊对齐非常重要，那就很自然会认真考虑美国以往讨论过的一些产业政策思想。

听你这样说很有意思，因为 Stripe 的使命是促进全球贸易，让印度的一家公司能与尼日利亚的公司竞争。Stripe 存在以后，本地企业以较低效率沿学习曲线成长的空间应该更少。Stripe 难道不是最“反 List”的公司吗？

取决于你说的是哪个版本的 List。先说明，我不是具体赞成关税或贸易壁垒；它们的历史表现好坏参半，甚至更差。但如果某个特定行业目标清晰，确实存在可信的成功路径，并且几个必要命题同时成立，那么某种积极贸易政策也许有益。我不认为大多数国家、大多数时期的大多数行业都符合这些条件。

这和 Stripe Climate 很有联系。东亚国家曾为国内企业补贴学习曲线，而 Stripe Climate 也在补贴学习曲线，只是没有指定某一家碳移除公司必然成为赢家。你怎么理解这种相似性？

把这两点统一起来的一种方式，是 Say 定律里“需求创造供给”的思想。Stripe 聚合的全球需求越多，随之产生的供给扩张效应就可能越重要。把它称为“Stripe 理论”显得太自我抬高，但这确实是我们的一种模糊直觉。

Stripe Climate 是把同一假设应用在比 Stripe 本身小得多、但仍然真实而可能重要的尺度上。基本想法是：2018 年时，几乎所有人都同意碳移除会很重要。即使按最乐观的时间表给经济脱碳，空气中仍有历史累积的碳存量，需要处理。

但奇怪的是，2018 年全世界几乎没有碳移除公司，也许只有两三家；而且从来没有企业真正向它们采购，那些项目更像科研实验。我们想，总得有人开始。除了转移资金，第一批购买者也许还能给这个行业一些可信度。Stripe 并不是世界上最有信誉的公司，但总比什么都没有好。

于是我们开始与一些碳移除公司签约。进展不错，它们也很感激，我们就继续思考。2021 年，我们成立了 Frontier，这是一个 AMC——预先市场承诺。它受到第一个 AMC 的启发：提前承诺为发展中国家采购疫苗，解决一些疾病因利润不足、制药公司不愿开发而形成的市场失灵。

我们决定把同样机制用于碳移除，筹集了 10 亿美元。Stripe 是第一个承诺购买的公司——严格说不是投资，而是采购。后来 Shopify、Alphabet、Meta、JPMorgan 等公司加入。现在碳移除已经形成相当活跃的行业。

Frontier 已与 40 到 50 家公司签约，其中绝大多数在我们开始时还不存在。去年底，我们匿名调查这些公司，问 Frontier 的存在在多大程度上促成了它们创办。我记得有 74% 的公司回答，Frontier 对其成立具有因果作用。这说明需求诱导效应可以非常显著。

这很惊人。你还见过哪些技术领域适合用 AMC 推进？

这是个好问题。我们内部一直在讨论。不是说一定由我们亲自做，而是想知道：有没有人值得分享我们的经验，帮助他们启动类似机制？这里不只是分享某项“技术”，更多是分享方法和经验。

生物医学里还有很多机会。专利在能覆盖的范围内很有用，但存在大量对社会有益、却无法靠专利补偿研发成本的创新。

几年前，大家曾对甘露糖（mannose）很兴奋。它是一种糖。有一篇或少数几篇论文提示，肿瘤细胞可能会优先摄取甘露糖而不是葡萄糖，却无法正确代谢，最后死亡；也许这能成为一种肿瘤治疗方法。

但甘露糖是通用糖，已经被认识一百多年，关键是不能申请专利。于是没有人显然有动力资助工作，去验证它在真实临床里是否有效。我不是在为甘露糖背书；我的意思是，有一类问题看起来可能很有益，却无法从现有市场经济结构中得到开发动力。整个生物医学领域仍有许多这种例子。

还有不少理论上可以存在、但今天不存在的疫苗，比如 Lyme 病疫苗。曾有一种疫苗因安全担忧退出市场，我认为那些担忧可能并不成立；但今天仍没有疫苗。

连这种病本身都没完全理解，对吧？有人说自己有慢性 Lyme 病，我们甚至不知道这个诊断是否成立。

正是如此。你的问题很好。也许听众会想到哪些领域迫切需要 AMC。

回到 Stripe。你以欣赏工艺和美感著称，同时又重视规模、增长——

还有速度。

对，速度。有没有某种工艺，天然无法与速度、增长和规模兼容？比如日本厨师可能先用十年学煮饭，再开始做寿司。在现代世界里，这种模式是不是没有竞争力？

工艺、规模和速度不一定在每个案例里严格冲突，但它们确实经常彼此拉扯，所以简短答案是“有”。可与此同时，许多最成功的公司，恰恰因为高度重视并善于实现工艺与美感而脱颖而出。

LVMH 是世界最大公司之一，而工艺与美感就是它的业务。Tesla 在这方面做得很好，当然它也擅长很多其他东西。还有 Apple。TSMC 不是你说的日本寿司师傅，但它像台湾的“芯片寿司师傅”：拥有大量默会知识和难以转移的技能。

也许工艺及对工艺的追求，从未像今天这样重要。至少 Stripe 变大以后，我们对此越来越确信。

美学品质有意思的一点是，它通常无法量化。我不知道它是否本质上不可量化——也许以后可以训练模型来打分——但今天大体上如此。尽管如此，它会显著影响人。人们明显在意美感；企业也在意自己产品的审美特征。直觉上所有人都知道这是真的，可组织很难管理它，因为没有一条独立 P&L；即使搞砸，也不会看到一条整齐下滑的时间序列。

Stripe 过去 14 年并非纯粹靠试错，而是不断研究哪些案例做得好、哪些较差、客户对什么反应更积极。我们由此理解到，即使主要卖给企业，美感与工艺也真正重要。

回到文化和社会学层面的防御力：最优秀的人会把自己视为本领域的手艺人，他们最想与其他最优秀的人共事。即使市场不直接奖励面向客户的工艺，你仍可能应该建立一个极度重视工艺的组织，因为只有这样才能吸引最好的人。事实上，我认为客户确实也重视它，现有证据总体一致。若不认真对待工作的实践本身，就很难聚集一群最优秀的人。

哪种美感、工艺或简洁更重要：界面还是实现？有篇著名文章说 Unix 成功是因为实现简单，而不是界面简单。界面虽然看起来简洁，却没有替你处理很多边缘情况。但 Stripe 会处理，对吧？

要看你在做什么。对 TikTok，界面简单可能更重要；即使内部实现一团乱，也许没关系——我不是说它真的乱，我不知道。

但对 Stripe，客户在某种程度上购买的是我们的架构，或者说购买“能够做这组事情，而不是另一组事情”的能力，因为架构决定哪些行为容易、哪些可能。如果你说的界面仅指 GUI，也许可以把它和实现分开；可我们并不这样看。我们认为 Stripe 的界面就是它的架构。

似乎没人同意我，但我常把 Stripe 类比成 Mathematica。我们都在提供一个自洽的世界，让用户按照自己的兴趣建立模型。我们给出一些原语、接口和工具，支持你完成建模；本质上，是帮助你按自己的方式做事。因此，架构和界面未必可分。

这个类比很有意思。不过 Mathematica 带你接近的是数学里的柏拉图对象，而 Stripe 带你接近的是 Visa 错误码，终极对象并不“柏拉图式”。

对，这个类比在若干地方会失效。但“交易”这个概念也非常基础，大概和二次方程一样古老——也许交易还更古老。Mathematica 今天支持大量疯狂而冷门的功能。翻到最偏门的包，你会发现一些东西比 Visa 错误码更少见、更少人理解。

所以它们当然不完全一样，我只是觉得 Mathematica 提供了很有用的直觉。Wolfram 在 Mathematica 上做到的事非常了不起。

还有一个差异：Mathematica 改一下语法，最坏也只是有人要重新学；Stripe 改错一下，可能有数十亿美元的交易无法完成。这会怎样改变你对初始架构和风险的思考？

这是个好问题。我先补充一点架构美感，再回答。

作为一个旁注，API 设计竟然没有成为更受系统研究的学科和实践，非常有意思。API 可以显著决定平台命运——不一定总是决定性因素，但如果设计正确，会产生持续复利的正面效果；反过来也一样。

移动应用开发是过去 10 到 15 年最活跃的生态之一。可在 iPhone 历史的大部分时间里，iOS 开发中的大量对象和类都带着 `NS` 前缀。Swift 之后少一些，但 `NS` 来自 1990 年代 NeXT 的 NeXTSTEP/AppKit。API 设计和架构一旦做对，即使周围一切疯狂演进，也可能真正延续几十年。

Unix 也是例子。它有很多缺点，但其架构已工作超过半个世纪。我们努力让 Stripe 的人理解“跨数十年的抽象”有多重要。有些人听到后觉得这是极其高远、不现实的夸张说法；其实不是——真正把这种东西做对以后，它就是会发生。

平台设计正确，建立在上面的用户就能在很长时间里持续获益。Mathematica 也极重视向后兼容：20 年前写的程序，今天仍可以不改一行运行。这显然大幅提高 API 初始设计的风险和重要性。

Stripe 也有同样问题。我们考虑引入新东西时，不只问：“它是否解决今天紧迫的具体需求？”还要问：“到 2044 年我们还能支持它吗？世界会如何演化，才能让整个体系依然连贯？”我们当然不可能每次都判断正确，但这是努力方向。

Visa 是不是也说明了另一面？一种实现能持续几十年固然很好，可一旦生态在其周围形成均衡、各方都有局部激励，就可能无法修改，最终困在比其他可能状态更差的均衡里。

总体而言，Visa 和 Mastercard 所处的均衡其实相当不错。今天站在 2024 年回头看，很容易只盯着现有缺陷；更公平的比较，是看它们创立时的世界，以及当时试图解决的具体问题。把美国和西方的金融体系与其他地区相比，我并不觉得美国抽到了一手坏牌，或被卡在某种严重失灵的状态里。

卡网络最初是为了取代商店赊账，所以它首先是“信用卡”，不是借记卡。结构化消费信贷的广泛可得性是一件大事，尤其对低收入人群很有价值。后来随着喷气式旅行、大众旅游兴起，它又取代了旅行支票，以及把现金装在包里带来带去之类更糟的选择。再后来互联网出现，它们在很大程度上使线上交易成为可能。

核心架构一次又一次适配新用途，这非常了不起。设计这套体系的 Dee Hock 是个非凡的人。

人们会抱怨 interchange，也就是交换费。为了避免听起来像在替卡生态辩护，我得指出：很多人甚至会认为 Stripe 处在交换费方程式中“不利”的一边，因为我们把这部分收入交给其他公司。所以我并没有结构性动机去支持交换费。

但交换费使一些很有意思的事情成为可能。它本质上是一种分销激励费：你付钱给其他机构，请它们招募持卡人、说服人办卡、让用户持续使用，并在月底还款。飞机落地后有人告诉你“来办一张 United 信用卡”，交换费就在支付这种分销活动。

那个人很烦我。

我们马上会谈反事实。除了纯分销，交换费还要覆盖实际的信贷发放、客户支持、争议处理，以及周边服务。

看看那些由于历史偶然没有形成强大卡网络的地方也很有启发。德国是经典案例。以我们服务线上经济的视角看，德国相比美国糟糕得多。假如 Stripe 能按一个按钮，让德国拥有美国那样广泛采用的卡体系，我们会毫不犹豫地把那个按钮按到底。

中国则有支付宝、微信支付等极普及的数字支付工具，从交易数字化角度看很先进；但这些产品通常没有同等成熟的消费信贷。转自己的钱当然很便宜，可必须按“完全加载”的成本来比较：最初让消费者获得信用、从而有能力购买的成本是多少？信用卡提供的正是这一部分。

看过其他国家的反事实以后，我会更感激 Dee Hock、Visa、Mastercard 和卡网络创造了什么。我不是说它们完美，也不是说不能批评；只是最值得听的批评，往往来自真正研究过其他国家金融生态的人，因为我们很容易低估这项发明带来的东西。

也许这里有一点“切斯特顿的栅栏”。但如果今天从第一性原理重新设计支付，把信用风险、欺诈概率和争议裁决都算进去，整个经济里每笔交易真的应该付 2% 或 3% 吗？

许多国家正在进行几十年来第一次真正的现场实验：中央银行开始主动设计国家支付系统。巴西的 PIX 在 2020 年末上线；你肯定听说过印度 UPI，它与 Aadhaar 国家身份体系等基础设施联系在一起，并启发其他国家的央行去建自己的 UPI。

PIX 2020 年才上线，如今巴西成年人中已有显著多数每周使用，采用速度极快。瑞典有 Swish，东亚、日本、泰国、瑞士等地也有类似例子。一个又一个央行都在说：“我们也应该有自己的版本。”这相当于从头重做支付体系。

但出于一些很难完全解释的原因，一旦把客户支持、消费者保护、反欺诈、反洗钱控制和信贷都叠加进去，系统似乎会趋近大约 2% 或 3%。

还必须注意，交换费并不只是覆盖成本。至少在不少国家，其中很大一部分最终又以积分和奖励的形式返还给消费者。看看美国各家银行的公开报告，它们从每笔交易获得看似诱人的交换费收入，但许多钱又直接流回持卡人。因此，究竟该把它算作交易税，还是一种奇怪的循环关系，并不明确。

我没见过证据表明大约 2% 的水平在整体体系里极度低效。我不是说它一定最优，也许 1% 更好；但在 1% 到 3% 这个范围里，可能都算合理。

相比这些按交易额计费的数字，我们眼下更关注的变化其实是全球税收结构。过去一个世纪，税制已有不少创新：所得税变得很高，后来又增加增值税等。线上经济中的新现象，是司法管辖区开始向在当地没有任何实体据点的企业征收销售税。

假设你是湾区的一名播客主，经营“Dwarkesh 周边商店”。瑞典乌普萨拉市可能对棒球帽有一项特殊税。你必须知道这项税；每卖一顶帽子给当地消费者，就要从买家那里代收、向乌普萨拉申报，最后还要把钱汇过去。

这会形成买家所在地、产品类型和各个收款辖区的组合爆炸。金额也不是三四个基点，而经常是 5% 或 10%，绝非小事。因此，当我思考互联网资金流将如何演变时，税法变化其实比交易本身的经济性更重大。

顺便纠正一下，它不叫 Dwarkesh Podcast，而是 Lunar Society Podcast LLC，而且是通过 Stripe Atlas 注册的。以后我卖周边，Stripe 会替我处理这些。

好。要是有人对 Stripe 有抱怨——

没有，真的很好用。说实话，没有它，我把业务运营起来会困难得多。

抱歉，本来应该是你采访我，但我很好奇：Stripe 是否哪怕只在边际上，对你开始收费、开始商业化起了反事实作用？我们说“增加互联网 GDP”，不是把已有 GDP 搬到自己的轨道上，而是问：在哪里可以促成原本不会发生的经济活动？

你确实在注册公司前就开始做节目了；但在卖周边或其他商业化行为上，我们有没有发挥因果作用？

如果 Substack 没有把收款做得这么方便，我很可能不会开始为 newsletter 收费。还有，假如我要接广告，而我没有已经通过 Stripe 建好的 LLC 和独立银行账户，我甚至不知道该从哪里开始收钱。所以，是的，Stripe 大概对很多商业化活动具有反事实责任。

这很酷。

未来还有哪些出人意料的支付互补品？Atlas、身份验证、欺诈检测，回头看都很合理，可当初未必显而易见。五年或十年后，会出现什么类似东西？

我们的问题恰恰是，看起来像互补品的东西远多于我们能做的。几乎每家企业都有收入，我们当然想帮助它们创造、接受、管理并编排与收入有关的一切。一旦进入这条流程，经营企业的许多其他环节也会直接关联进来。

Stripe 刚成立时一点也不酷，恰恰相反，只是几个人试图做一个更好的支付 API。在历史的大部分时间里，Stripe 吸引的都是喜欢不光鲜的基础设施挑战的人。我们不是制造漂亮汽车的公司，我们修路。

这和“互补品”问题有关。内部讨论中，相当大一部分仍在问：我们最核心、最基础的工作里，还有哪些现实缺陷和限制？“支付处理”甚至是个过窄的词。更准确地说，我们做的是全球可编程资金编排。

它包括消费者对企业的支付，比如你通过 Substack 收款；也包括企业对企业支付，包含信贷或借款的交易；还包括如何持有资金、如何在不同货币间转换、如何表示由不同法律实体持有的资金，以及如何让个人和小企业也能像“微型跨国公司”一样行动。

我们刚才几句话带过的问题并不小。即使只把这些与资金流动直接相关的事情真正解决好，Stripe 也会成为非常有影响力的组织和力量。

随着我们进入服务更差的新市场，建设这些东西的反事实重要性反而在上升。在美国，Stripe 之前已有支付公司；即使 Stripe 从未存在，你最终可能也会找到某种方式为 newsletter 收费。但如果你在阿尔巴尼亚，可用选项会少得多。我们越向全球扩展，边际影响越大。

所以，尽管我们确实在做一些相邻产品，全球资金编排这个核心问题依然巨大，而且没有解决。

未来看起来更像是为所有复杂性提供更好的界面，把它们隐藏在七行代码下面；还是要直接替换底层轨道和基础设施，让整个体系更高效？

前者。建立自我封闭的金融生态并没有那么有用。一个金融孤岛价值有限；更有价值的是建立一张金融“航空网络”——这个比喻有点混杂，但意思是连接一切。

我们更希望 Stripe 接入每个既有系统、轨道和本地机构，而不是取代它们。这从一开始就是 Stripe 有意识的策略。当时许多公司都想另起炉灶、自建体系；我们的看法是，经典的梅特卡夫定律仍然成立：增强现有生态的能力，往往能创造更多价值。

Stripe 是一种写作文化，主要是为了作者，还是为了读者？

两者都可以。

但哪一边的收益更大？

两边都有非常显著的收益。对读者来说，文字不仅可能更高效——很多时候确实如此——还具有跨时间价值。未来的读者可以理解一路走到今天的思想脉络和决策过程，这一点非常重要。

同时，我和很多人写东西也是为了整理自己的思考。假如这种能力被拿走，我会明显没那么有效率。两者到底如何权衡很难说，实际上也不能分开。这就是我的答案。

“有文字的文化”本身就是另一种东西。我不是在用某种装腔作势的知识分子意味说“有文化”；“文本文化”也许是更准确的词。

Bruno Latour 讨论过，古腾堡印刷革命可能部分促成了科学革命，因为它让知识变得更固定。以前，如果一项观察与某个主张对不上，人们总可以耸耸肩说：“可能是抄写的人弄错了。”当东西变得更固定，也就更容易被明确地推翻；你更容易看见理论和现实之间的差异。

组织里也有某种类似动态，我不是说二者完全相同。口述文化和文本文化在本质上不同，它们允许的协作类型、能够达到的一致程度都不同。

问自行车前轮和后轮哪个更有价值，意义不大。理论上可以骑独轮车，但现实里通常两个轮子都需要。

我知道我说不再问 AI，但这一点似乎很相关。写作很多的公司，可能最先获得 AI 的生产率收益；其他公司有大量模型无法直接访问的背景信息。你预期会这样吗？

大概会。假如模型真的非常好，也许它能很快补齐背景。但大多数组织出于各种原因不会录下所有会议；既然没录，就会出现一个问题：语料库在哪里？模型怎样快速理解组织？所以我的猜测是，你说的趋势会成立。

说说你们建立的内部 LLM。

我们没有训练一个内部 LLM。我们建立的是内部 LLM 工具，让员工很容易把模型接进生产服务，也接进人类的日常工作流。

我们提供标准聊天界面，也把它与查询、访问数据的一些工具整合起来。更有意思的是，我们允许员工共享提示词，让别人发现和复用。一个我很喜欢的例子，是有人做了一个优化 SQL 查询的提示词。它不总是有效，但有时确实能给出好建议；而问一句“这条 SQL 有什么优化办法吗？”成本很低。

这种协作能力的回报出乎意料地高。我们还建立了一个中央总线，统一路由所有模型访问，从而可以试不同模型，并观察各自的表现趋势和不同用例的使用情况。

随着模型数量迅速增加，这套基础设施越来越有价值。我们能针对不同用例判断哪个模型最有效，不管是自托管、优化过的模型，还是其他候选。

我不知道调用总量的精确数字，但现在每天应该有数百万次调用，Stripe 内部已有数十个实际生产用例。

金融服务生态在某种意义上是一场巨大的“模拟到数字”转换。人、意图、身份都是模拟的，带有不确定性和噪声；交易则是数字的。在这类转换中，我们经常发现 LLM 是很有意思的增强工具。

从人类如何以各种边缘方式与系统互动来看，Stripe 像一个风险极高的漏洞赏金计划。有人攻破它，或者只是部署错了，不只是资金受到影响，全球 GDP 的相当一部分都可能在宕机期间停摆。你们怎样承担这种责任，同时既保持可靠性又快速部署？

这是我们投入时间最多的事情之一。它也回到“要成为拥有最好人才的地方”以及重视工艺的价值。软件开发者讨厌两件事：第一，开发周期很慢，比如“下个月的版本才会发布”；第二，凌晨两点因事故被叫醒。

Stripe 服务的企业活动粗略约占全球经济的 1%。这并不完全容易测量，因为 GDP 定义的是最终产品，而 Stripe 也不只处理最终产品，理论上可能有重复计算。不过 Stripe 大部分处理的确实是最终产品，而不是巨型供应链货运。也许测量误差有 10% 或 20%，但长话短说，大概是全球 GDP 的 1%，每年约 1 万亿美元。

正因为如此，我们极度害怕宕机。我们花大量精力，试图在不引发事故的前提下实现快速迭代和开发。

给出一些数字：我们每天大约向核心扣款流程部署 1,000 次。大多数服务自动部署；任何生产就绪的变更都会进入生产环境，但过程被精细编排。先只让很小一部分流量经过，再逐步扩大，直到覆盖全部流量。

在这种部署频率下，我们维持略高于“五个半九”的可靠性，也就是约 99.9995%。换算下来，一年大约只有两到两分半钟不可用。并不是连续宕机两分半钟，而更像整年里的“背景辐射”累计起来达到这个量。

达到这一点需要巨大投资。安全性还有一些不那么容易量化、但性质相似的指标。

硅谷——也许我又不公平地把现象归给硅谷——或者更广义的科技行业，并不总是重视流程和运营卓越。我们的文化更赞赏自发、创造性、反传统和开辟新路的东西。

但建立能够在规模上极可靠地提供重要服务的机制，消除那些会让大量人度过糟糕一天的波动源，并没有得到同样多的文化荣誉。

这些都不是什么火箭科学。先定义我们在意什么；建立自动测量系统，持续检查现实中是否做到；找到没有达到标准的案例，确定原因；再干预并改善系统，使同类问题不再发生。

还要建立第二层控制，在偏差真正引发生产问题很久以前就发现它。你必须足够细致地理解系统行为，才能在上游布置仪表和监测。刚才说的大部分原则，20 世纪 30 年代的生产工程师都已经懂。

所以我不是宣称这是某种激进突破。但我们发现，持续多年、极其坚韧地采用这些实践，会获得很高回报。或许也有其他组织同时保持这种发布速度、开发者效率、规模、可靠性和安全性，但我认为不会很多。这是 Stripe 许多出色同事的成就。

最后补一点：你们已经有庞大的内部工具和测试体系。等 AI 工程师能自己提交代码时，基础设施已经准备好，可以立即评估它们。

对。所有这些最终都回到一个问题：若我们真想构建最好的软件，哪些条件必须成立？“做最好的软件”很容易变成高远、含糊、挥手式的愿景；可一旦认真把它当目标，就必须问：我们要测量什么？真正产出最好软件的组织具有什么特征？

比如，客户必须真的喜欢你的产品。那怎么测？如何把“不要让体验退步”系统化？我们有一个叫“experience journeys”的概念，指贯穿 Stripe 的关键路径。我们要求这些路径始终保持很高质量，同时又必须让开发者能够快速迭代。前面谈的部署与可靠性机制，就是实现这一点的方法。

今天所有话题里都有一条共同主线：认真对待目标。我觉得 Stripe 很多工作的本质——我不声称其中有什么天才之处——就是诚恳、反复、严肃并长期地把目标当真。

再问几个 Stripe 问题。全球 GDP 的 1% 是个惊人的数字。Stripe 下一步增长主要来自互联网经济本身扩张，还是 Stripe 占互联网经济的份额上升？如果把互联网增长视为 beta，Stripe 增长得更快的 alpha 又来自哪里？

Stripe 客户整体的增长速度仍高于互联网经济。出于明显的数学原因，两者最终必须收敛；但 14 年过去了，还没有收敛，前面仍有很大空间。

假设 Stripe 每年处理约 1 万亿美元。Stripe 创立时，全球经济大约是 60 万亿到 70 万亿美元；现在大约 100 万亿美元。距离 Stripe 的活动量真正撞到全球经济增长上限，还有很远。

而且全球经济增长也不存在固定天花板。甚至不必假设新技术或 AI，仅仅问“如果每个人的人均收入都达到美国水平会怎样”，就能看见巨大空间。

我如此愿意做 Stripe，部分原因是 Lucas 那句老话：一旦开始思考不同国家发展速度为何不同，就很难再想别的事。为什么巴西是当前收入和 GDP 水平？为什么波兰是那个水平？为什么爱尔兰从“欧洲病夫”变成最富裕的国家之一？

Stripe 像是在实践中处理这类问题的应用版本。表面上我们在造软件，但它会触及：为什么没有更多公司？公司增长率由什么决定？你的周边商店为什么有 X 个买家，而不是 2X？这些仍是很有产出的提问。

我们还没有把“商业的元系统”优化到多高水平。绝大多数历史时期，企业都是线下、低效、模拟式的。只有过去一到两个十年，显著份额的商业活动才真正数字化，仍有大量优化空间没有被探索。

我们会发现极其基础的干预就有效。比如给企业提供资金：我们不是为了从贷款里赚利润，而是因为接受资金的企业之后会持续增长得更快。

再比如，企业怎样决定去哪些国家销售？从最小企业到世界最大企业，答案往往非常临时、未经深入思考。“为什么不在墨西哥或巴西卖？”——“看起来很复杂，所以一直没做。”

所以你问增长从哪里来，答案之一就是：在这些最基本的问题里，仍然有大量低垂果实。

未来增长显然会涉及很多大企业。你们现在处理相当多的 Amazon 交易量，也在与其他大型企业合作。指数增长的创业公司为何能让 Stripe 指数增长很好理解；但合作对象变成既有大企业以后，Stripe 如何维持相同轨迹？

还有第二个问题。支持创业公司的理由很有说服力：新事物正在诞生，我们应该帮助它发生。但让 Amazon 更高效地履约，为什么同样值得？

两个问题都很好。第一个问题上，你说得对：Stripe 终究“注定”要以整个经济的速度增长，问题只在于多久以后。好消息是，这可能需要很长时间，因为刚才说的低垂果实实在太多。我认为还要很多个十年才会发生，但最终确实会发生。

第二个问题是：扶持新生创业公司、成为反在位者力量，显然令人兴奋；那为什么要支持成熟企业？

对小企业，特别是我们称为创业公司的那些企业，通常有一项内嵌创新。这项创新几乎就是公司的全部：它有一个新想法，要把某件事做得更好或不同。一般来说，我们喜欢创新，所以自然对创业公司有好感。

但大量创新也来自成熟大企业。创新不是它们做的全部，它们还要运营既有业务；所以创新占其活动的比例可能更小，可成熟企业在全社会创新中的总份额依然很大。创业公司更显眼，这会造成认知偏差。

例如涡轮机、晶圆厂工艺或隔热材料的改进，很多都来自既有企业。随便选一个经济部门，过去 10 年或 20 年的重要发明中，显著一部分会来自在位者。

Tyler 写过一本书讨论这个主题：作为一个类别，大企业被低估了。调查里，人们往往非常喜欢创业公司和小企业，对大企业的感受相对较差——绝对值未必很负，但明显没那么正面。

可事实是，成熟企业通常工资更高、效率更高，经济中的许多创新来自它们，也创造大量消费者剩余。

Stripe 与大企业合作的具体理由是，它们通常不是为了把已有业务原样搬到 Stripe 上。更多时候，是想做今天没有做的新事物：启动一条新业务线、新产品或新发明；或者发现机会，要显著改变现有产品的提供方式。

抽象地说，这是创造消费者剩余。现实里，通常表现为把一个市场里的产品卖到更多市场，或者把原本只通过某种方式提供的产品，改成移动端等更方便的渠道。假如成功、很多人愿意买，这就是经济给出的去中心化信号：现在出现了一项过去没有提供的价值。

回顾正在迁移到 Stripe 或过去一年已迁移的企业，无论是大型零售商、全球制造企业还是航运公司，通常都符合两个模式之一：推出新产品，或把现有产品卖给以前没有购买的人。

社会解决大问题所需的长期趋势——摩尔定律、太阳能成本下降——往往依靠几十年的边际改善。大科技公司和大企业也有能力投入大量 R&D。

对，持续、无情的迭代改进被低估了。

我能问一下 John 吗？

当然。

你们最近出版了《穷查理宝典》，随后 Charlie Munger 去世了。Munger 有没有评价过你和 John 的关系，或者说它是否让他想到自己和 Buffett？

没对我说过，但他和 John 更熟，所以也许对 John 说过。我不知道。

你从和 John 的关系里学到了什么关于婚姻的事？这是一段平等、密集而漫长的合作关系，最接近的类比似乎就是婚姻。

我自己结婚时间还不长，也许再过十年才能提炼出可泛化的共同点。

我能说的一般原则是：和亲近的人共事被低估了。我和 Patrick Hsu、Silvana 一起做 Arc；Fast Grants 是和 Tyler、Silvana 一起做；Stripe 显然是和 John 一起做。还应该说，John 对 Arc 的成立也起了关键作用，没有他，Arc 不会发生。

我还能举更多例子。回头看，我生命中所有有分量的事业，不只是与别人共同完成，而且都是和我非常亲近的人完成。我拥有、也希望继续拥有一段比这些事业本身更长久的关系。

人们有时会建议不要和朋友共事，也不要和伴侣共事。所有情形都有其特殊性，每种组合都能找到成功或失败的例子。但对我来说，这一直是非常有回报的经历。

人生无法预知，不过我想 John 和我大概还会一起工作几十年。这既是意义和满足的重要来源，也有真实的互补性。没有我们任何一个人，Stripe 都会是一家效率更低的公司。我说的不只是多一个人的带宽，而是我们确实各自带来了不同的东西。

Patrick，我觉得这是很好的结束点。非常感谢你来做客。

谢谢。

各位，希望你喜欢这一期。和往常一样，最能帮助节目的事就是分享：把它发给可能喜欢的人，放到 Twitter、群聊等地方。这真的会让节目触达更多人。感谢收听，下次见。Cheers。