Netflix 在 AI 時代要的是系統思考者:產品與技術長 Elizabeth Stone 的看法
- 講者
- Elizabeth Stone
- 來源
- YouTube
- 原片日期
- 筆記日期
- 閱讀時間
- 約 24 分鐘
本文有 16 個章節
當產品經理能寫程式、設計師能寫需求文件、工程師能做產品決策,每個人的工作到底是什麼,公司又該多找哪種人?Netflix 產品與技術長 Elizabeth Stone 的回答是:職能之間的界線確實在流動,但各專業的功力沒有過時,好的工程、資料科學和創意仍然稀缺。真正變多的需求是「系統思考者」,也就是能橫跨各業務領域、抽象出共用基礎建設和設計系統的人;過去那種只守著很窄一塊的深度專才,則比五到十年前少了。
這是她第二次上 Lenny Rachitsky 的節目,上一次是兩年半前,當時生成式 AI 才剛起步。她先前在 Lyft 當科學副總裁,更早做過營運長、經濟顧問和交易員。訪談 2026 年 7 月上傳。
角色在重組,但「人人什麼都做」不是答案
Lenny 說他聽到很多人的困惑和挫折:我現在到底負責什麼?Elizabeth 說 Netflix 內部也聽得到。她的看法是,任何新技術出現,尤其像生成式 AI 這麼有變革性的,都會先經過一段動盪期才進入成形期,現在正在動盪期中間。這不代表該把 AI 收回盒子裡,而是要更用心想怎麼拿到好處、壓低代價。
她認為大家實驗「怎麼更快把點子發展出來、做出原型、寫出能拿去測試的初版程式」是好事。但這是否代表任何人都該把程式碼送上正式環境、每個人都該什麼都做?大概不是。只要要解的業務問題清楚,角色之間有些流動是健康的:產品和設計不必等工程團隊有空就能先做原型,但仍應和工程夥伴一起想怎麼產品化、怎麼擴展、護欄在哪裡。所以專業沒有過時,只是團隊要習慣用這種方式往某個方向走得更快。
從組織角度,要拿到好處而不是代價,她列了幾件必須到位的事:哪份資料是唯一可信來源要講清楚;程式碼上正式環境要有護欄,大改動前要測試;要分辨哪些情況可以信任 AI 的產出,哪些需要流程或審查把關;還要反覆強調人仍然要為結果負責。程式可能是 agent 寫的,分析可能是一個非本行的人靠工具做的,但做出來的東西責任仍在人身上。
兩年半來變了什麼:非工程職能走得更遠,幾十年的知識變得查得到
哪些角色變最多?Elizabeth 的觀察是,產品經理、設計師、資料科學家現在可以在產品開發流程裡走得比兩年前更遠,之後才需要工程站到最前面解鎖。她加了但書:一下子冒出幾千個原型並不好,除非它們瞄準的是對業務重要的問題,工程夥伴也知道大家在解這個問題、知道設計和產品會先帶頭把點子塑形。這不是在真空裡工作,也不是亂槍打鳥。問題選對、方法有共識的時候,她看到產品、設計、資料科學能更快走到「有個可以測試假設的東西」。
第二個變化她認為很有價值。Netflix 內部累積了大量資訊:幾十年跑過的實驗、消費者洞察、各業務方的意見。過去的難題是怎麼把這段長歷史用在眼前的問題上。AI 很擅長萃取資訊、橫向比對、做分析、抓出可以起步的洞察。她不會只依賴它,但這是很好的起跑。她自己每天的工作也是這樣:以前要寄信打擾別人,問「我們哪一年做過什麼研究、問題是什麼、跑了什麼測試」,現在幾乎立刻查得到,然後她可以形成自己的看法,直接跳到「這裡有沒有可以行動的東西」。
以前這件事只有在公司待了二十年、看過每個實驗或知道去哪找的專家做得到,現在產品與技術的所有職能都做得更快。對他們來說更大的突破是,財務、內容、廣告等業務單位的人也能自己做,帶著初步假設回來,再和資料科學家、工程師深入合作。
但她仍然看得到各職能的比較優勢。資料科學家仍是判斷「這份資料能不能信、解讀對不對、哪裡該靠資料哪裡該靠判斷」的專家。產品經理仍然最擅長問「我們有沒有把『做什麼』,也就是值得解的問題,定義對」。工程師的功力在「怎麼做」:怎麼擴展、高品質長什麼樣、這樣建置和部署會製造什麼問題。差別只是很多以前會卡住的步驟,現在可以流動地往前走。
Lenny 追問:如果大家都變成 builder,還需要分職能嗎?AI 公司流行「技術幕僚成員」這種不分頭銜的做法。Elizabeth 說,即使工作跨越職能界線而變得模糊,她仍看到各專業裡很重要的功力,短期內不會消失。工程師、資料科學家、設計師靠 AI 工具會說的「語言」比以前多,但他們對「好是什麼樣子」的判斷無法被取代,這在各個層級都成立。她的原話是:
“I still find great engineering to be scarce, great data science to be scarce, great creativity to be scarce.”
我仍然覺得出色的工程很稀缺,出色的資料科學很稀缺,出色的創意很稀缺。
需求變多的是系統思考者
問到哪些職能需要更多人、哪些更少,Elizabeth 說答案不完全對得上職能,但她能說他們需要更多什麼:在有 AI 的世界裡,他們需要更多系統思考者(systems thinkers)。
她舉了兩個例子。第一個是中央工程裡的核心基礎設施團隊。Netflix 過去成功的一大原因,是各個手上有具體業務問題的在地團隊能快速交付。他們多半不覺得需要走一條中央鋪好的路(paved path),而是自己搭出解決問題所需的技術堆疊。到了 AI 的世界,agent 會跨多個系統運作,需要唯一可信的資料來源,也需要有偏好的標準路徑來拿到大部分好處並提供護欄。於是共用基礎設施、共用路徑、「一個問題只解一次」的核心能力變得更重要。所以他們正在多找能橫看所有業務領域、抽象出「在 AI 世界裡我們需要哪些積木」的人。她補了一句:帶 Netflix 走到今天的做法,不會帶它走到下一步。反映在工程人才的樣貌上,就是更多分散式系統、更多基礎設施、更多系統思考,相對少一點在地業務專精。個人化、廣告、內容傳遞這些領域仍有深耕的人,這是加上去的,不是取代。
第二個例子是設計。體驗設計團隊現在很重要的工作是發展範本和系統思維,定義「Netflix 的好設計長什麼樣」,讓很多人,包括不是設計出身的人,都能做出一致、能融入整體會員體驗的產品。她很怕出現各說各話的設計語言和互動方式,她形容那等於「出貨科學怪人」。所以設計團隊也要找有設計系統思維的人:怎麼思考範本、品牌表達、好的使用體驗,以及什麼是 Netflix 獨有的東西。現在設計團隊裡要這樣想的人,比「幫某個產品設計某個功能」的人多。
她認為這種退一步看全局的轉變正在每個職能發生,既需要現有團隊調整技能,也需要找有這類專長的人。貫穿這一切的是心態。他們不會錄用對探索和嘗試新事物不感興趣、無法接受大量變動與模糊、不能接受工作與合作方式界線變模糊的人,這對現有員工和新進員工都一樣。她說在她從業的這段時間裡,好奇心和創新心態從沒有像現在這麼重要。
Lenny 問系統思考變重要是不是因為大家動得太快,所以要投資平台和框架。Elizabeth 說速度是一個原因。平台本來就有槓桿:不管有沒有 AI,平台能把多數團隊帶到八成,不必重造積木。Netflix 現在跨業務下的注更多、想做的東西更多,而把平台當成關鍵推手,對 Netflix 來說是相對近期才有的想法。
另一個原因是 AI 世界需要鷹架。不只是速度變快,而是更多人在做更多種不同的、新的工作,風險隨之而來:存取權限和身分怎麼管?資安怎麼想?怎麼確保出貨的程式、設計和使用體驗品質夠高?她認為讓每個動手做東西的人自己去問「這裡的好標準是什麼、護欄在哪裡」是擴展不了的,必須把這些寫進標準路徑和工作方式裡。資料分析也一樣,要寫明哪份是可信資料、怎麼解讀、怎麼存取、可以和不可以拿來做什麼、哪些資料要特別小心。一個幾千人的組織不能再靠口耳相傳,或「我去找那個唯一知道的人」。這個問題在 AI 之前就存在,現在只是更急迫,而她喜歡借新技術當動機,把早就該做的事加碼做完。
Lenny 補充另一個理由:agent 現在做很多工作,給它們脈絡、鷹架和設計語言會讓一切更快。Elizabeth 說 Netflix 的願景之一是會有非常多 agent 參與工作,多到你必須能在其中推理、釐清來龍去脈。人負責引導:要解的問題是什麼、產出夠不夠有影響力和品質;工作則由人和 agent 一起完成。這帶來速度和好處,也帶來風險,工程上要想出辦法,讓人動得快又不替公司製造不必要的風險。
設計流程不會消失
Lenny 提到曾負責 Claude Code 和 Cowork 設計的 Jenny Wen在他節目上提出「設計流程已死」:沒時間走設計流程了,設計師只是引導方向、隨時調整,有空時再想大局。他問這是不是和她講的一樣。
Elizabeth 說她的感受是複雜的。他們確實想用基礎建設和系統思維,讓更多人做出設計紮實的好作品,新技術給了這個機會,沒理由不用。但對最重要的優先事項,設計是把事情做對的關鍵,所以他們仍然會為重要的設計工作留時間。設計師自己的工具變多了,可以更快做出出色的東西、展示更多選項、更快學習和迭代。但她認為,只因為寫程式和資料分析變快,就說設計和深度設計專業會被擠掉,是錯的。至少對 Netflix 這種大規模消費性產品,那樣會失去 Netflix 之所以好的原因之一:產品、技術和設計把大量複雜性藏起來,讓顧客感受到順暢的體驗。那是設計思維的核心。工作的樣子可能改變,思維不會丟。
需求下降的是又窄又深、不願延伸的專精
什麼在走下坡?Elizabeth 說,非常窄而深的專精,空間變小了。她舉得出仍然需要的例子:有些產業或技術知識全世界只有少數人真正懂,Netflix 團隊裡就有編碼和播放系統方面的人,那些是很有創新性的成果,這類領域仍需要專門的實務者。
但一般而言,和五到十年前相比,他們的專才變少,通才或能往多個方向適應的人變多。適應可以是跨職能,也可以是跨不同類型的工程:能不能同時處理後端和前端、能不能很內行地接上基礎設施。她認為現在需要的心態是「我可以很快學會」,這又回到系統思考。專才要學會更廣的工具組比過去容易,所以需要的專才或許變少,因為人才可以往那個方向長。
她也坦白,死守窄專業這件事會讓她擔心對方有沒有往不同方向成長和探索的心態。她提醒自己不要判斷得太窄,但重要的是,專才也要有「我想試試用新的方式解這些問題」的意願。她說的專才不只是前端或後端之分,也包括領域知識:支付專家、廣告市集設計專家、某個影視製作專用工具的專家。這些專長是優勢,前提是這個人願意去問「這還是不是對的工具、對的思考方式」。
怎麼練系統思考:把問題往外退一格
Lenny 問這個能力怎麼培養。Elizabeth 給了一個她稱為小技巧的做法:
“Each problem you’re trying to solve, step out one click to the, what am I assuming is true about the broader space?”
你手上的每個問題,都往外退一格去問:關於更大的範圍,我預設了哪些事是真的?
例如你被交辦替 Netflix 會員體驗做一個新功能。先停一拍想:我們要解的更大的消費者問題是什麼?這個功能能支援哪些類型的內容?我打算的做法,能不能擴展到多種內容類型,或者它其實可以變成一項貢獻給平台的能力?隨著娛樂的範圍擴大、Netflix 想做得更個人化和沉浸,這個功能解的消費者問題會不會是最重要的那幾個之一?
她強調不必把整片海煮沸,不必去解 Netflix 的整體策略或競爭定位。只要拿你負責的東西,把問題拉遠一格去質疑。也別在質疑的狀態停太久,否則會卡住、沒有進展。
Lenny 換了個說法:想像你是你的主管,他的視野比你這個團隊、這個問題、這個指標更廣。Elizabeth 說她多年來收到過類似的建議:有沒有辦法把我的工作做成能幫主管把他的工作做好?如果她從主管的角度去看自己負責的所有事,也就是不只產品和技術,還有財務、內容和其他業務,自然就會拉遠,去想這些零件要怎麼組起來、整體怎麼大於部分之和。
對工程師,她的版本是:我怎麼留下一個更好的系統?怎麼做出對別人也高品質、能擴展的東西?所以除了幫主管,還有幫同事。這也是他們的工程原則之一:做對整個組織對的事,而不只是對自己這一塊對的事。她說這同樣是系統思考,而且和資歷無關,重點在廣度:我這樣解問題、這樣建東西,對同事有沒有用,有沒有替未來的創新留下更強的基礎。
職涯階梯沒有逐級改寫,而是全員加上「AI 流暢度」
Lenny 提到 Netflix 近年才開始有職涯階梯和職級,問他們在其中加了什麼和 AI 有關的東西。Elizabeth 說他們沒有逐級寫明 AI 怎麼改變各級的期待,而是在全體人才上疊一層「對 AI 流暢度的期許」,適用於現有員工和招募中的人。
具體樣貌依職能、職涯階段和角色而不同,而且這本身就難定義:是有實驗心態?知道 AI 哪裡有用、哪裡沒用?還是真的用 AI 做出過東西?她說這在職涯階梯裡的呈現幾乎每季都在變,甚至每月、每天,因為技術本身進步太快。所以最有用的做法不是綁職級或角色,而是鼓勵每個人朝這個期待前進。它不是為了用技術而用技術,而是在有用的地方用、對此有好的判斷,並保持願意探索和嘗試的開放心態。
這是所有角色不可妥協的要求,包括 Netflix 最高層。他們也談到,即使日常工作不寫程式,高層同樣要對 AI 有深入的熟悉。招募上也跟著變:面試時會探索對方怎麼看 AI 和技術、現職日常用些什麼、對變動和探索有多自在;程式面試也允許候選人使用 AI 工具,因為那就是工作的一部分。她說這個轉變還沒完成,他們正在中途。
寫程式之外,AI 在 Netflix 影響最大的兩塊
第一塊是資料分析、資訊萃取和建模,也就是前面說的把所有洞察攏在一起:跑過哪些實驗、某個問題該看哪些指標、做過哪些消費者研究。速度和品質都高得多,前提是你要確認結果有效,並和所屬的資料科學家確認用的是可信資料。她說這是她個人最常用這些工具做的事。
第二塊在內容製作與創作。這在生成式 AI 之前就存在:製作工具早就深度使用機器學習和 AI,用來大量製作宣傳素材、做字幕和配音的在地化。生成式 AI 讓創意發想階段的影響跨了一大步,例如他們稱為預視覺化(pre-visualization)的工作,在把人帶到片場、真正開拍之前,先把創作者的構想呈現出來。
後期製作也有很多用途。她提到 Netflix 最近收購了 Ben Affleck 創辦的公司 Interpositive,它做了一套模型和能力,讓人在拍攝完成後可以重新打光、重新構圖、重拍、修改對白。主導的仍是電影人或創作者,由他們決定「我想試試別的方式呈現這個構想」。她說很多製作已經在用各種工具,有些是內部開發的,有些透過外部廠商提供。
再往下是內容怎麼進到產品裡:除了在地化的字幕和配音,還有怎麼大量製作高品質的預告片、圖像和主視覺,幫每部作品在全球找到觀眾。這些做法對影視製作有用,對廣告、行銷和站外宣傳同樣有用,都是他們正在探索的範圍。
AI 對 Netflix 不是新東西
Lenny 提起當年的 Netflix Prize:懸賞一百萬美元(他的印象),看誰最能改善 Netflix 的推薦排序演算法,最後贏家大約改善了幾個百分點。Elizabeth 說每當有人問 Netflix 怎麼看 AI,她都樂於提醒這一點:這對他們不是新東西,尤其在個人化上,AI 一直是提供好體驗的核心。
內容越來越多,要讓「發現」越來越容易,本身就是 Netflix 的難題。把對的作品在對的時刻推給對的人,目錄越精彩、內容越廣,就越難;現在不只影集和電影,還有遊戲、直播和 podcast。這段歷史讓他們在「問題是什麼、替會員解決它有多重要」上有助跑優勢。創作面也一樣,視覺特效和語言在地化用 AI 和機器學習很久了,現在問的是技術更強之後的下一個時代是什麼。她認為兩邊都建立在 Netflix 的同一個長處上:把娛樂和技術結合。
Lenny 笑說當年那叫機器學習,大家還說那不是 AI。Elizabeth 說現在則是什麼都叫 AI,其中有些其實是機器學習,她自己也是看當下怎麼說方便;而且很多 AI 用途並不是生成式的。她認為對在 Netflix 工作的人來說有趣的地方是,不管你熱衷的是技術在創作、消費性產品還是基礎設施上的應用,這裡三種問題都有,AI 都在中心。Netflix 雖然不以 AI 公司為品牌,卻很自在地把 AI 當工具。
「卓越作為作業系統」:Netflix 文化的幾個條件
Lenny 說 Netflix 早期文化簡報裡的東西,高自主、高人才密度、由下而上、快速實驗、給市場頂薪,正是他現在不斷聽到頂尖 AI 實驗室的運作方式。Elizabeth 說 Netflix 在理解什麼讓人才發揮這件事上有點先見之明。
她把這些文化元素理解成「卓越作為作業系統」(excellence as an operating system)。這些元素本身不是目的,不是為了讓人背最多責任,也不是因為不喜歡流程所以一律不要。背後是一個強烈的信念:要達到卓越,就要給人很多自主權和當責,把決策盡量往組織深處推,並雇用可以信任其判斷的優秀人才。這會帶來很好的成果,也帶來更強的動機和責任感。她自己的體會是,當你知道自己背著那種程度的信任,就會想做出最好的作品。她也提醒文化不是靜態的,要隨公司變大、問題改變而演進,但「追求卓越、相信優秀人才需要能放手做事」這一點沒變。
Lenny 請她替創辦人列出要件。她說第一項是人才密度,那是不可妥協的前提。沒有它,就沒辦法對組織各層級的決策有信心,也沒辦法放手讓人冒險和快速創新。
第二是對冒險非常自在。他們不試圖避免失敗,而是在失敗時快速復原。她舉 Netflix 進軍直播為例:明知會不完美,仍然承擔大量風險,相信會學得很快、變得更好。她說看團隊怎麼走過那一段,是她最驕傲的時刻。
第三是相信人會拿著你給的脈絡,用好的判斷去冒險,並為對業務最好的結果爭取。同時要非常清楚做事是為了消費者和 Netflix 的成果,不是個人的成功或偏好。她說這套作業系統裡有一種無私。
第四是幾件違反人性的事。她舉了兩個。一是有些日子她看到某個決定,心想自己會做不同的選擇,但她的工作不是每次都介入、推翻、否決或質疑,尤其那個決定不重大、不會把公司燒掉的時候。讓人做決定、從中學習,事後再請對方回顧結果如何,也許錯的是她。她自己也從上司和同儕那裡感受過:這是你的決定,我可以給意見、陪你想,但最後是你的。事關重大、又覺得自己要為組織負責時,放手讓人冒險並不自然。
二是事情不順的時候,不要假設流程能修好它。她這幾年學到,規劃很難做,她從沒聽誰說「我們找到完美的規劃方式了」,回饋、定級、薪酬也一樣。但每次他們遇到這種困難而加上更多流程,結果都是花了更多時間,成果卻沒有變好。人在事情困難複雜時的本能,是以為加上一堆限制就簡化了問題,但那其實妨礙了去找更有創意的方式來規劃、做人事決定或排優先順序。所以這是在抗拒很多大公司會做的事,並且經常要在那種不舒服裡保持自在。
Lenny 說他懂那種衝動:有人搞砸了,就想訂個流程防止再犯,而最好的人不想在滿是檢查表和關卡的地方工作。Elizabeth 修正了一下:她認為最好的人想知道會有一場不究責的檢討(blameless retro),而他們個人的責任感強到會自己問「我怎麼確保這不再發生」。答案不是流程,而是怎麼分享學到的東西、下次怎麼換個方式做。信任人會這樣反思和成長,長期會得到更好的成果和更強的團隊。她說主管的角色是養出一支有韌性、耐久、知道怎麼發揮影響力的團隊,不是控制一切。
Keeper test 多數時候是一場正面的對話
Lenny 問著名的 keeper test 這兩年有什麼演變,並替聽眾解釋:主管要一直問自己,以我現在對這個人的了解,今天還會不會雇用他;不會的話大概該讓他走,目的是維持高標準、不將就。Elizabeth 補了一個對應的問法:如果這個人今天來說要離職,我會不會力留?如果我的感覺是鬆一口氣,覺得換個人來做可能更好,那我早就該採取行動、早點談。
她想糾正的印象是,大家總把 keeper test 當成決定請人走的那一刻。它同樣常被用來談一個人有多出色。對話的起點是她問直屬部屬,或部屬問她:「我在你的 keeper test 上表現如何?」絕大多數時候她的回答是「我會拚命留你」,然後說明對方哪些事做得很好、強項是什麼、在哪裡影響力很大,以及怎樣可以更好。當然也有困難的情況,要說出最難開口的話:老實說,你現在沒有通過。有時她認為對方做得到,那就附上回饋和里程碑;有時是「我們真的試過了,我看不到成功的路」。
她喜歡這個做法的地方是,它是回饋上的好習慣,逼人去談難談的事而不是閃躲。而要留住優秀的人,你也確實需要開口說「你做得很好」。
她順著列了幾件要持續維持的事:keeper test、人才密度、主管給脈絡而不是控制,以及他們所謂的「高度對齊、鬆散耦合」,也就是只保留最少的流程,夠讓大家清楚優先順序並能執行就好。這些都不是人或大型組織自然會做的事,所以要一直很勤於維護。她說最終吸引人、留住人的是工作和文化。
和 AI 實驗室搶人:講清楚什麼樣的人適合 Netflix
現在錢滿天飛、AI 實驗室很搶手,怎麼說服頂尖的人來 Netflix?Elizabeth 說搶人一直都很激烈,現在也許更明顯,但她不覺得好人才被別的公司吸光了,Netflix 的新進和資深員工都很強。
改變的是他們必須更明確地說出哪種人在 Netflix 會如魚得水,哪種人更適合前沿實驗室。在 Netflix 的人要對技術的「應用」有熱情,喜歡做產品去解特定的問題:要愛娛樂、愛大規模的消費性產品、愛它的全球性。很多很有才華的人正喜歡技術、產品和娛樂交會的這個甜蜜點,她自己就是。如果你是被前沿模型公司的基礎研究所激勵,那是另一種人、另一個問題領域,同樣令人興奮。她不認為對應用感到興奮的人會短缺。
仍然招新人,功力仍然要教
Lenny 問在 AI 讓事情變容易的情況下,新人怎麼成長為資深的人。Elizabeth 說 Netflix 仍在招初階人才,而且這對人才策略很重要:實習生計畫還在,應屆畢業生計畫是幾年前才開始的;在那之前,所有職能都只招有經驗的人。
她看重年輕人的理由有兩層。就她的經驗,年輕人心態更開放,對新的工作方式更像原生使用者。對 Netflix 這樣的公司,他們也很熟悉娛樂和消費行為正在怎麼變、產品和技術怎麼影響他們自己在用的東西。所以除了「你是一位應屆工程師」,還有「你是一個二十出頭、對世界有自己觀點、對世界的變化感到自在的人」這一層價值。
進來之後,手上有五到十年前不存在的 AI 工具,但她認為對專業的精通仍然非常重要。我要為自己送上正式環境的程式品質負責,為自己做的產品、它的設計和使用體驗負責,這些都不會消失。所以對初階人才,他們在導師指導上的投入不能少:這是好的樣子,這是工具的用法,但結果和產出品質仍由你負責。她重複了一次,這種精通和功力仍然稀缺。
她承認「不像以前那樣親手做,要怎麼學會」是合理的擔憂。但你仍然要負責審查程式、測試程式、診斷問題、知道好產品長什麼樣;能說出「這是一個解決了重要問題、設計也出色的產品」,是很稀缺的能力。訓練和培養人才的方式大概得改,因為他們用的工具不同了。她也確信初階人才會反過來教她這樣的老一輩很多新東西。
工程師可以不寫每一行,但必須懂系統怎麼運作
五到十年後還需要懂程式嗎?Elizabeth 區分了兩件事:能用 Python 或 C++ 這類特定語言寫出一行行程式,和理解程式、電腦系統、產品是怎麼運作的。她認為後者不會消失。如果我們全交給 agent 去懂所有語言、寫所有程式,我們就不知道一個東西為什麼是這樣、是好產品還是壞產品、有沒有照預期運作。Netflix 冒很多險、快速失敗、快速復原,這需要理解系統怎麼運作。她可能會用 agent 幫她理解、更快偵測異常或故障並分流處理,但她自己仍要懂「我們在蓋的這個東西是什麼、怎麼運作」,才知道它好不好、壞了怎麼修。
Lenny 說不親手寫卻要把理解內化,難很多。Elizabeth 同意這是目前學習曲線很陡的地方。她看過一些模型或 agent 寫的程式,非常難讀:
“It’s like I know I’m getting better performance from this, but I have no idea why. And if this thing breaks, I’m going to have no idea how to fix it.”
我知道這樣效能比較好,但完全不知道為什麼。萬一它壞了,我也完全不知道怎麼修。
她說這讓她不安,也許是因為她還在學怎麼在這種世界裡運作,還在摸索需要哪一套測試和理解才能安心。乍看之下那很陌生、很令人不安。她認為工程這一行會逐漸適應,學會引導新技術和 agent,讓人對產出有把握。
Lenny 感嘆工程在兩年內徹底變樣。Elizabeth 說這是加速,但把時間拉到十年、二十年,你也會說同樣的話。工程、資料科學、產品出現大轉變並不陌生,電影製作也一樣,一百年來因為技術和新工具已經面目全非。只是循環變快了。
娛樂不會只有一種形式,而她難以想像沒有人的故事
未來五年娛樂會怎麼變?Elizabeth 說 Netflix 已經在變,因為娛樂現在就已經不是單一的東西。他們之所以跨出影集和電影,是因為消費者期待在格式、裝置、一天中不同時刻上有更多變化。手機與電視上的雲端遊戲、直播、podcast、和更多類型的創作者合作,都在擴大「娛樂」的範圍。
這也拉高了門檻:怎麼替會員把這一切串成順暢的旅程?她的例子是從聽 Bill Simmons 的 podcast,到看 Netflix 的《Quarterback》,再到玩最新的 FIFA 雲端遊戲,而且在電視和手機上都能接續。她認為未來的娛樂必須更個人化、更沉浸、更互動,像一個可以依當下心情往各個方向探索的世界。Netflix 的挑戰是讓「發現」和「投入」比現在容易得多,因為內容很多,加上市面上的各種服務,感覺很零碎。
談到 AI,Lenny 說科技圈覺得它是未來,好萊塢卻想把它關掉。Elizabeth 說其實看法分布很廣。Netflix 的角色是替創作者提供他們想用的工具來實現構想。有些創作者站在光譜的一端,完全不用 AI,那不符合他們的製作方式和理念,Netflix 照樣合作。另一些創作者(她說人數在增加)很想探索生成式 AI 能不能做到以前做不到的事、用新的方式說故事、讓故事品質更高、更能打動觀眾,Netflix 也支持,中間地帶的人同樣支持。她認為會有感覺傳統的影視類型,也會有創作者帶出來的全新格式,所以 Netflix 在工具和合作方式上要保持彈性,站在協助創作者的立場,而不是規定只能用一種做法。
會不會出現整部都由 AI 生成、觀眾也喜歡的影集?她的回答是:
“I have a hard time picturing entertainment that doesn’t have humans at the heart of it.”
我很難想像一種核心裡沒有人的娛樂。
她認為說故事是稀缺而有價值的能力,和人性、和知道什麼能打動人是同一件事。看著螢幕上沒有那種人性的角色,對她比較沒有吸引力;故事的力量在於看見另一個人怎麼演繹一個角色、把一種情感帶出來。AI 會不會幫忙實現這些、在某些製作裡扮演重要角色、影響畫面的樣貌和質感?她說一定會。但她看不到一個沒有人當骨幹的版本。她也同意接下來會出現很多瘋狂的東西,其中不少可能很好看,範圍會很廣,而 Netflix 打算站在塑造這件事的中心。
收尾時她補了兩點。一是現在是做娛樂產品非常令人興奮的時候,這也是她留在 Netflix 的原因。二是整個產業有時花太多時間談純技術或能力,見樹不見林:他們要做的是人們喜愛的消費性產品和娛樂,底下當然有很厲害的技術和產品,但最能激勵人的是最後帶給全世界的人什麼。
快問快答
- 常推薦的書:Jon Krakauer 的《Into Thin Air》和 Michael Lewis 的《Liar’s Poker》。她在華爾街工作過,喜歡提醒大家以前是什麼樣子。
- 最近看的作品:《Remarkably Bright Creatures》,她母親推薦的,很催淚。
- 最近愛用的產品:Eight Sleep。
- 人生信條來自父母:每天都會有好事發生,即使在壓力最大的時候也要留意它;以及最後 5% 的努力往往決定一切。
- 即將去做的事:和先生參加一趟行程,在環法自行車賽最後一週沿途騎車。那一週有很多山地賽段,他們每天早上騎一部分路線,下午看比賽。她正在訓練,因為那不是比賽,但她不想落在隊伍最後面。
她說要找她和團隊的工作,最好的地方是 Netflix Tech Blog。對聽眾的請求是去試 Netflix 的新東西:看直播、玩遊戲、用手機上新的直式短片動態 Clips,然後給他們回饋,因為其中很多對 Netflix 是從零到一的嘗試。