AI har nå konsumert all verdens skriftlige kunnskap. Så hvordan blir ChatGPT og Claude smartere? Menneskelige eksperter lager nye treningsdata fra bunnen av. → biologi PhD finner hvor ChatGPT bryter på proteinfolding, og skriver deretter den riktige trinnvise løsningen som ikke finnes noe sted på nettet → fysikkdoktorgrad oppdager at ChatGPT mislykkes på kvantefeltberegninger, og gir deretter det fullstendige matematiske beviset med riktig metodikk → Hver ekspert får betalt $150-200/time for dette arbeidet Fra samtalen min med @GarrettLord: AI-laboratorier har skiftet fra «pre-training» (eksisterende data) til «post-training» (mennesker som fyller ut kunnskapshull). Dette krever hundretusenvis av eksperter på tvers av alle felt. @JoinHandshake innså at deres proprietære 20M studentnettverk (500K+ PhDs, 3M masterstudenter) var akkurat det frontier labs trengte, og på under et år bygde de en virksomhet på 100 millioner dollar som koblet disse ekspertene til alle større AI-laboratorier. Dette er nå et av de raskest voksende selskapene i Silicon Valleys historie – og akselererer. En av mine mest opplysende samtaler i år:
Lenny Rachitsky
Lenny Rachitsky24. aug., 23:30
Null til 50 millioner dollar om 4 måneder. $100M+ på 12 måneder. Det er historien om hvordan @JoinHandshake oppdaget at de satt på AIs mest verdifulle ressurs: 20 millioner studenter og eksperter. I et tiår bygde @GarrettLord et karrierenettverk for studenter og doktorgrader. En flott virksomhet som vokser godt. Så skjedde AI. Sist jul innså Garrett at nettverket hans på 500 000 doktorgrader og 3 millioner mastergrader er akkurat det grense-AI-laboratorier desperat trengte for å trene modellene sine. Han fløy rundt i landet i løpet av ferien, snakket med laboratorieledere og lanserte en ny virksomhet i sitt eksisterende selskap. Åtte måneder inn jobber de nå med alle de 7 store grense-AI-laboratoriene og har blitt en av de raskest voksende virksomhetene i Silicon Valleys historie. I samtalen vår deler Garrett: 🔸 Hvordan Handshake fant denne muligheten 🔸 Hvorfor AI-modeller trenger menneskelige eksperter (f.eks. fysikk-doktorer) for å forbedre 🔸 Hva denne "datamerkingen" faktisk innebærer 🔸 Inne i selve arbeidet: hva en biologi-PhD gjør i 8 timer som gjør GPT-5 smartere 🔸 Spilleboken for å bygge en oppstart i en oppstart: separate team, separate kontorer, skille alt 🔸 Hvorfor skiftet fra «generalist» til «ekspert»-datamerking skapte en forretningsmulighet en gang i livet 🔸 Hvorfor AI ikke vil eliminere nybegynnerjobber – det skaper «Iron Man-drakter» som gjør junioransatte 10 ganger mer produktive Lytt nå 👇 • YouTube: • Spotify: •Eple: Takk til våre fantastiske sponsorer for å støtte podcasten: 🏆 @coderabbitai — Halver kodegjennomgangstiden og feilene. Momentant: 🏆 @orkesio – Bedriftsplattformen for pålitelige applikasjoner og agentiske arbeidsflyter: 🏆 @AnthropicAI — AI for problemløsere og bedrifter:
38K