AI时代创业与说服的底层逻辑：从“我懂了”到“Wow”

 

现场合影 

8月25日，硅谷传奇投资人Bill Reichert 携斯坦福大学、加州大学伯克利分校资深学者做客清华大学，与杨斌教授进行高峰对话，带来跨越互联网与AI浪潮的三十余年一线投资洞察。

随后，何平教授主持圆桌交流，清华大学邢春晓研究员、加州软件协会主席Niki Gastinel女士与斯坦福大学Walter Greenleaf教授把讨论带到具体运用场景，共同探讨数据基础设施、数字医疗、跨境合作和科研成果转化。

同期，清华大学博士博士后科技创新创业大赛正式启动。

本期活动由清华大学技术创新研究中心和清华大学可持续社会价值研究院主办，清华大学博士后联谊会、清华MBA创业俱乐部、清华x-lab、清华大学iCenter和清华大学学生创业协会联合承办。。

Bill没有给出一套可以照抄的路演模板。他反复提醒创业者：技术会变，热点会变，投资周期也会变；人做判断、建立信任并采取行动的机制，却没有那么容易改变。

一场有效的推介，要让人听懂，让人心动，还要经得住直觉检验。

整场活动围绕一个很实际的问题展开：当技术更新越来越快，创业者究竟靠什么穿过噪声、建立可信度，并把一个想法变成行动？Bill从“头脑、心与直觉”讲起；对谈和圆桌则补上了技术壁垒、数据治理、医疗场景、产学合作与团队能力。

开场 · 全球AI格局迭代，中美行业大咖共探全新创业机遇

 

陈劲教授开场致辞

清华大学陈劲教授作为主办方发表开场致辞，以全球化视野锚定行业趋势，为整场对话拉开序幕。

陈劲教授表示，在大模型飞速普及的当下，以ChatGPT为代表的新一代人工智能技术，不仅重塑中国AI产业生态，更让全球AI行业格局迎来深刻变革。在这样的行业大背景下，一场链接中美、联动创业者与投资人的深度对话，恰逢其时。陈劲教授在致辞中抛出行业核心命题：下一波AI创业浪潮将在何处迸发？从业者如何挖掘、创造全新行业机会？中美行业从业者能否携手共生、共创未来？

陈劲教授期待，依托本次对话搭建沟通桥梁，深化中美AI领域的交流协作，探索更多合作可能。随后，舞台正式交给Bill。

第一部分 · 主题演讲  ：一场好推介，要同时抵达头脑、心与直觉

 

Bill Reichert主题分享

每次开口，都是一场只有20秒的路演

很多创业者把路演等同于PPT、演示文稿、执行摘要、Demo或视频。Bill给出的定义完全不同：路演是你在别人心中创造的印象，以及你促使对方采取的行动。

面对客户，你希望对方愿意尝试或购买；面对潜在员工，你希望他愿意加入；面对投资人，第一步往往只是让他同意再见一次，最终才可能开出支票。路演的目标不是把所有知识讲完，而是让沟通对象清楚地记住你，并愿意向前走一步。

你的路演，不只是你的PPT。它是你创造的印象，以及你激发的行动。

按照这个定义，每个人只要开口介绍自己和正在做的事，就已经开始了一场路演。Zoom会议上的一句自我介绍、展会上的短暂碰面、与陌生人的第一次交谈，留给你的时间往往极短。

Bill把这个窗口压缩成一个具体数字：20秒。如果无法在20秒内让人产生继续了解的意愿，后面准备得再完整，也可能没有机会展开。

你人生中大多数的路演，都只有20秒。要想清楚，怎样用好这20秒。

也正是在这里，他顺势提出了接下来的核心框架：要在极短时间里形成清晰印象并推动行动，一场有效的沟通必须同时连接人的头脑、心与直觉。

头脑让人听懂，心让人行动，直觉决定信不信

沿着“20秒路演”的框架，Bill接着抛出一个看似特别的问题：一场有效的沟通，需要连接听众的哪三个身体部位？

第一个是头脑。创业者必须把事情讲清楚，让对方能在已有的知识框架中理解你的产品、商业逻辑和价值。数据、证据、统计和逻辑都很重要，但在Bill看来，这些只是进入对话的基本条件。

他回忆，自己早年在硅谷连续创办过四家公司，其中两家上市。那时的他也曾相信，路演的秘诀是把五十多页幻灯片塞满数据、证言和逻辑，用信息量让投资人“无从反驳”。转型成为风险投资人后，他观察同行如何做决定，才意识到：让人理解，只完成了第一步。

第二个是心。投资人听过的大部分项目，都能让他们达到“我大概明白了”；难得的是那个让人脱口而出“Wow”的瞬间。这个反应并不来自理性分析，而是一种情绪上的兴奋：产品足够重要，收益足够鲜明，可能性足够令人期待，让人愿意立刻追问“下一步怎么做”。

第三个是直觉，也就是Bill所说的“gut check”。面对一个新人、新观点或新项目，人会迅速判断：这可信吗？我能相信这个人吗？一旦创业者夸大其词，可信度就会在这个环节坍塌。

数据和逻辑让人点头；推动决定的，是心动与信任。

“我们要颠覆一个万亿市场”，往往是最先失去可信度的一句话

创业者很容易用宏大叙事表达雄心：“我们将重塑一个数万亿美元的行业”“我们面对的是一个无限广阔的市场”。Bill的判断很直接：如果承诺远远超过现有证据，听众的第一反应通常不是兴奋，而是怀疑。

他特别区分了“市场规模”和“市场机会”。一个市场很大，只能说明那里存在需求；它并不能证明某家公司有能力切下一块市场、建立渠道并成长为大企业。投资人想知道的是：你抓住了哪一个具体机会？为什么是你？你准备如何把机会转化为业务？

同样的问题也出现在技术表达中。一端是充满“革命性、颠覆性、范式转移”等词语、却没有实质内容的宣传；另一端是堆满协议、位数和技术术语、让非专业投资人无法进入的说明。两种表达看似相反，结果却一样：都没能与听众建立连接。

夸张不会放大你的价值，只会缩短别人相信你的时间。

别急着讲所有问题，先告诉对方你带来了什么

许多路演模板要求创业者从“痛点”讲起。Bill并不否认问题的重要性，但他提醒，很多团队花了几分钟证明“癌症是严重问题”“电商购物车经常被放弃”，听众早已知道这些事实，却仍不知道这家公司究竟能做什么。

他的建议是：如果问题广为人知，就尽快切入解决方案，再用客户能够获得的具体收益说明你解决了什么。故事也一样有力量，但并非每次推介都适合从漫长的创业缘起讲起。表达的顺序，应服务于听众当下最需要理解的内容。

这并不意味着省略背景，而是把注意力用在最有区分度的地方：你的方案是什么，它给谁创造了什么价值，现有方案为什么无法同样做到。

投资人不需要再听一遍世界上有什么问题。他们更想尽快知道：你的解法有什么独特之处？

三句话，把项目从“听过”推向“想继续谈”

Bill给出了一套简洁的3C自检框架：clear、compelling、credible——清楚、有吸引力、可信。

第一句话，清楚说明你为谁做什么。语言不必简单到让所有人都懂，但必须让眼前这群听众准确理解。

第二句话，给出最有吸引力的核心收益。不要一次罗列五项优势、八条收入来源；找到那个最能改变客户决定、也最能让投资人心跳加快的价值。

第三句话，给出可信的验证。它可以是一项已经完成的试点、一个关键客户、一组效果数据，或一项别人难以复制的成果。投资人听过成千上万个项目，一旦你开口，他们会立刻在记忆里寻找相似公司。你需要尽早说明：别人也许做过相近的事，但你有哪些不同，而且这种不同已经如何被验证。

Bill并不要求所有人机械套用三句话。创业者可以用类比，可以用一句“Imagine if…”让听众在脑中看到未来，也可以用一个短故事呈现场景。不过，无论采用什么形式，这三项答案都必须存在。

清楚，让我知道你在做什么；有吸引力，让我想要它；可信，让我相信你做得到。

用一个画面进入记忆，用一个证据关闭怀疑

Bill分享了一个来自西非的案例。一位拥有医学和商学背景的创业者发现，当地医院之间的血液库存信息无法有效协同。他把110家医院的库存接入线上，并用一句话描述公司：“我们是西非血液供应的SAP。”

这个类比当然要求听众知道SAP是什么，但对于熟悉企业软件的投资人，它瞬间建立了清晰画面：一套管理血液供应的区域性ERP系统。

另一个团队则把最有分量的信息留到了第55分钟——联合创始人中有一位诺贝尔奖得主。Bill的反应是：为什么不一开始就说？如果一项成果真实、相关而且足够惊人，它不该被埋在演示文稿的最后。

好的表达并不追求把所有内容提前说完。它先找到那个最值得被记住的事实，再用证据支撑，让听众愿意继续听。

如果你已经完成了一件真实、相关而且足够惊人的事，不要把它藏到第55分钟。

同一个项目，需要不止一种推介

创业者还要根据场景调整表达。Bill把它们区分为：十秒左右的“握手推介”、约一分钟的电梯推介、通常只有几分钟的Demo Day路演，以及提前发送或会后留下的完整材料。

现场讲解用的幻灯片应该减少文字，画面只负责支撑讲述；供投资人独立阅读的材料则需要更多上下文。两套材料视觉上可以一致，信息密度却不应完全相同。

最重要的数字也要经过选择。与其堆积一串统计，不如说清产品究竟快了十倍、成本降到十分之一，还是使用寿命提高了十倍。最有价值的量化指标，是能够直接证明客户收益的那一个。

第二部分 · 高峰对话：AI标签不再稀缺，什么才是可持续优势

 

杨斌教授与Bill Reichert高峰对话

每一轮技术浪潮，都有人把热点词当作护身符

对谈中，杨斌教授把问题带到AI时代：今天的AI创业者，与互联网时代的创业者有什么不同？

Bill先谈相似之处。互联网兴起时，团队强调自己是“互联网公司”；云计算到来后，大家成了“云公司”；移动互联网阶段，“mobile first”一度成为标准表述。如今，越来越多团队自称“AI-native”或拥有“Agentic AI”。

这些标签能说明使用了什么技术，却很难说明公司为什么值得投资。当大多数人都能调用相近的模型和工具，单纯强调“我们是一家AI公司”，已经无法形成区分。

当四分之三的项目都在说自己有智能体，“Agentic AI”本身就不再是优势。

AI让软件的成本结构发生了反转

传统软件有一个极具吸引力的特点：产品开发完成后，多服务一位客户的边际成本往往接近于零。互联网服务、云软件和移动应用都曾依靠这一逻辑快速扩张。

生成式AI带来了新的矛盾。一个团队可能在周末做出智能体应用，周一就能发布；与此同时，每一次推理都在消耗算力和token。软件突然重新变得昂贵。模型能力普及得越快，技术同质化越明显，应用公司的成本、毛利和规模化路径就越需要重新计算。

Bill因此提出了一个更尖锐的问题：当多数团队都能获得相似的基础模型，AI初创公司靠什么保持优势？

他给出的方向首先是难以复制的市场进入能力，例如独特的客户关系、行业合作伙伴、渠道或工作流。数据可能构成优势，但“我们拥有若干万条标注数据”并不自动等于护城河，因为竞争者也可能获得相近来源。数据需要持续积累、合法可用、难以迁移，还要不断回到产品中产生反馈，才可能成为长期壁垒。

在技术侧，他特别看好小模型和边缘模型的机会：如果团队可以在特定任务中，以更低成本提供接近基础模型的效果，就可能建立有价值的差异化。

AI会越来越普及。稀缺的，可能是客户入口、行业关系、专有工作流，以及把效果变成低成本交付的能力。

“五年后会怎样”是判断，不是答案

谈到模型演进，Bill给出了现场最具争议、也最有想象力的判断之一：他认为当前依靠大规模算力的模型路线，大约五年内可能被更高效的新范式替代。

他用一只黄蜂作比：一个极小的生物体能够实时感知环境、飞行并躲避人的拍打，人类却需要巨大的数据中心才能让机器完成远为有限的任务。这个对比让他相信，今天的智能实现方式还远非终局。

Bill也明确承认，他不知道下一种范式究竟是什么。他期待研究型大学中的科学家找到更接近真实智能运行机制、计算效率提高约两个数量级，也就是达到百倍左右的新方法。

对创业者来说，结论并不抽象：不要把某个短期技术窗口误当作永久壁垒。基础模型会升级，平台可能原生加入你的功能，成本曲线也可能重写。产品必须在技术之外建立生存理由。

技术会流动，资本和市场却可能被边界分开

杨斌教授把话题进一步推向全球AI产业格局。Bill认为，知识和技术很难被完全封闭，它们终究会通过人才、论文、开源社区和产业实践扩散；资本与市场准入则呈现出更明显的分隔。中美创业公司进入彼此市场的难度增加，跨境风险投资也不像从前那样活跃。

即便如此，他仍对人与人之间的连接保持乐观。像这次活动一样持续交流，至少保留了建立关系与理解彼此的可能。

谈到AI治理，杨斌教授强调，先进模型的安全与治理无法由单一国家独立解决。Bill对此表示认同，同时也提醒：提出警告相对容易，形成可执行方案很难。即使询问一千位签署风险公开信的专家，也可能得到一千种答案。更现实的路径，是建立合作机制，在不同环境中测试方案，根据已经暴露的风险不断修正。

AI治理没有一张现成答卷，但这恰恰构成了跨机构、跨行业、跨国家合作的理由。

创新发生在边界相撞的地方

话题随后落到AI for Science。双方谈到了计算机科学、生物医学、生物工程、材料科学等领域的交叉。Bill认为，许多突破来自不同学科的碰撞，很少沿着单一知识体系直线推进。

另一堵需要打破的墙，存在于大学和产业之间。杨斌教授介绍了清华在人工智能学科建设、产业园区和师生创新方面的探索。Bill回应说，大学与产业协作正是硅谷的底层架构之一。二战后的美国创新体系，也长期依赖大学、企业与政府科研资助之间的互动。

这与当天启动的清华大学博士博士后科技创新创业大赛形成呼应：科研成果走出实验室，不只需要更成熟的技术，还需要对客户、市场、组织和资本的理解。

AI时代，博士创业者需要一支互补的团队

围绕博士创业，Bill讲起硅谷早年的一种偏见：过去曾有知名投资人认为，愿意花多年完成博士训练的人未必具备创业所需的速度与冒险精神；硅谷也流传过“成绩普通的学生创业，再雇成绩最好的学生”的说法。

AI时代正在改变这个叙事。越来越多公司直接生长于科研成果，博士创始人掌握着理解前沿技术所必需的专业深度。不过，技术能力不会自动转化为商业规模。

对谈中还出现了一个AI博士创业者的案例：对方聪明得令人惊叹，也已经吸引了一批用户，却并不清楚如何扩大业务。随后，双方谈到博士与MBA等不同背景的成员可以组成互补团队。

深技术创业需要科学洞察，也需要把产品带入市场、建立组织和持续交付的能力。“一个人包办一切”的创始人想象，在复杂的AI产业里越来越不现实。

第三部分 · 现场问答：在狂热周期里，如何下注与被记住

 

活动现场

AI是一轮投资周期，也会经历退潮

面对现场投资人的提问，Bill把今天的AI热潮定义为一轮投资周期——既然是周期，就会有结束或调整的时刻。他认为流入AI的部分资金已经出现“非理性繁荣”，大量获得融资的公司最终无法存活，这在历次科技周期中并不罕见。

他的应对方式是分散地进行多笔相对克制的早期投资，在看见持续验证后再追加，而不是把巨大资金集中押在单一公司或单一技术路线上。他以机构早年投资SpaceX、后来参与Anthropic等经历说明：如果进入得足够早，上行空间明显高于下行风险，一笔规模适度的投资仍有意义；但它必须允许投资者在范式发生变化时保留余地。

Bill同时强调，失败的公司也可能留下人才、经验和技术进步。创新体系的价值，不能只用单个项目是否成功来计算。

在范式快速变化的阶段，重要的不是假装知道唯一答案，而是控制单次风险，并保留继续下注的能力。

最好的推介，在几秒内完成“清楚、有吸引力、可信”

一位现场创业者问，Bill听过最令人印象深刻的推介是什么。

Bill讲起一次活动后的交谈。一位创业者走到面前，只说了一句话：“如果我告诉你，我们不更换硬件，就能把大数据分析速度提升100倍，你会怎么想？”

Bill的第一反应是：“我会说你在撒谎。”这位创业者随即补上第二句话：“如果我告诉你，我们去年夏天已经在美国职业棒球大联盟证明了呢？”

这一次，Bill立即邀请团队到办公室进一步交流。两句话正好击中了他的三个标准：大数据分析加速，足够清楚；100倍，足够有吸引力；美国职业棒球大联盟的验证，提供了可信度。

他还提到另一位创业者的开场：“我们为电影行业开发特效软件，去年获得了奥斯卡奖。”听到这里，投资人的注意力已经被牢牢抓住。后续三分多钟的路演，只需要回答公司如何把这项成就转化为持续业务。

不要把最惊艳、最可信的事实留到最后。

第四部分 · 圆桌交流：AI进入真实世界，难题不再只在模型

 

圆桌对话:（左起）何平、邢春晓、Niki Gastinel和Walter Greenleaf

Bill与杨斌教授的对谈及现场问答结束后，清华大学经济管理学院副院长何平教授主持圆桌交流。清华大学人工智能产业研究院副院长邢春晓教授、加州软件协会主席Niki Gastinel以及斯坦福大学Walter Greenleaf教授，分别从数据、医疗和跨境创新谈AI如何进入真实世界。

圆桌没有继续追逐“下一个模型会是什么”。嘉宾们更关心模型之外的条件：数据能否可信流通，技术能否嵌入医疗现场，中美之间能否重建合作所需的信任，科研成果又能否找到可持续的商业位置。

从“能说会道”到“能行会动”，先补数据底座

邢春晓教授把AI的变化概括为：它正在从“能说会道”走向“能行会动”。当智能体开始调用工具、作出判断并参与现实流程，模型参数和token不再是全部。行动需要记忆，记忆依赖数据，数据又离不开能够支撑流通、确权、安全和治理的基础设施。

在他看来，今天值得投入的新基建，是智能可信数据基础设施。医疗数据尤其典型：价值很高，敏感性也高，分散在医院、科研机构和不同系统中。技术发展得很快，卡住数据流动的往往是制度、责任和信任安排。

AI正从“能说会道”走向“能行会动”；越接近真实行动，越需要可信的数据底座。

这也回应了Bill在对谈中对“数据壁垒”的提醒。拥有数据只是起点。数据能否合法使用、持续更新、在不同主体之间安全流动，并转化为产品反馈，决定了它究竟是资产，还是沉睡在系统里的库存。

AI可以提供实时测量，医生的角色不会消失

Walter Greenleaf关注的是AI、可穿戴设备与虚拟现实如何改变医疗健康。他认为，心理健康、行为健康和认知评估正迎来新的测量工具。过去，临床工作很大程度上依赖患者自述和医生观察；现在，系统可以结合语音语调、面部表情、眼动、注意力、疲劳和认知负荷等信号，获得更连续、更接近实时的反馈。

AR眼镜、虚拟环境和生成式AI还能补上“情境”。它们让系统知道一个人在看什么、做什么、与谁互动，也能更快生成过去需要大量人工制作的训练或治疗场景。

何平追问：这是否意味着AI会取代医生？Walter立即纠正了这种理解。临床专家和医护团队仍然重要，只是工作重心可能逐渐转向监督、解释、教练、激励和复杂决策；耗费人力的重复环节则交给技术辅助完成。

医疗AI首先改变的是测量和服务方式。医生不会退场，但角色会发生变化。

中美数字健康最薄弱的环节，是信任

谈到中美数字健康合作，Niki的回答很直接：眼下最薄弱的环节是信任，不是技术。美国在基础研究、产品转化、市场和资本方面积累深厚；中国拥有巨大的应用规模、工程人才和执行速度。能力可以互补，合作却绕不开隐私、数据治理、数据主权和网络安全。

她认为，双方需要创造更多能够一起工作的空间，逐步建立共同标准，在保护患者隐私的前提下释放医疗数据的价值。只要信任框架能够向前推进，中美优势结合有机会产生“1+1=10”的效果。

最薄弱的环节是信任，不是技术。合作首先要让数据、规则和责任都变得可信。

科研转化的“死亡之谷”，常常始于产品设计

何平教授把问题转向科研成果转化：一项医疗技术从实验室走向市场，最危险的环节是临床验证、支付，还是医生教育？Walter给出的答案更靠前——糟糕的产品设计，以及对经济价值缺乏理解。

很多开发者和临床科学家为技术效果兴奋，却没有想清楚产品放进一家繁忙诊所后如何运行：谁来使用，谁来付费，成本能否承担，健康收益如何量化，现有工作流是否愿意接纳。技术即使有效，无法进入医疗生态也会失败。

Walter把解决办法称为学会“双语”：既懂科学，也懂商业。工程、计算机、医学与商业人才需要更早接触，开发者也要走出学术环境，理解市场需求。这与杨斌教授此前谈到的产学协同形成了自然呼应。

到了2026年，只说“我们有AI”已经不够

圆桌最后，何平教授借用Bill的“20秒路演”追问Niki：哪些医疗科技故事已经失效，什么样的表达仍能打动投资人？

Niki说，单纯介绍“我们是一家AI医疗公司”，已经很难获得关注。创业者需要讲清楚，AI究竟改变了医疗工作流中的哪一个环节：有没有更快、更好、更便宜、更可及，结果是否可衡量，单位经济模型能否成立。只是在现有模型上套一层智能体或Copilot，也不足以构成价值。

这和Bill的3C框架几乎落在同一点上。技术标签不能代替具体问题，可量化的结果和可信证据才会让故事成立。

好的创业者，要痴迷于客户的问题，而不是痴迷于技术。

给下一代创业者：建基础设施，也要看见终点

圆桌收尾时，三位嘉宾各自留下了一条建议。邢春晓邀请年轻人投身可信数据基础设施建设，在新型基础设施周期中寻找机会；Niki提醒大家保持终身学习，把注意力放在客户问题上，回报会随价值而来；Walter则建议创业者“从终点倒推”，尽早想清楚产品可能进入什么市场、由谁接手，并用影响力和关键进展衡量成长，而不只盯着眼前收入。

何平教授最后把这些观点收束成一句话：创业已经不是单打独斗。数据治理、技术研发、临床场景、商业设计与跨境规则彼此牵连，一支团队要同时理解多个世界，才有机会把技术带到需要它的人面前。

结尾 · 从20秒的“Wow”，走向一场长期协作

圆桌结束时，何平教授说：“创业不再是一项单打独斗的运动。”这句话也为整场活动补上了最后一块拼图。

Bill讲的是如何在20秒里让人听懂、心动并建立信任；杨斌教授与Bill的对谈讨论一家公司怎样穿过技术周期；圆桌则把问题落到数据、医疗、治理、产品和团队。一个“Wow”可以换来下一次见面，把公司做出来，还需要许多人长期协作。

对AI时代的创业者来说，演示文稿上多一页“AI能力”并不能解决根本问题。更值得反复追问的是：

• 我究竟为谁解决什么问题？

• 这件事为什么重要到值得对方立刻行动？

• 有什么证据证明，我能够兑现承诺？

• 数据、场景和团队能否支撑它长期运行？

答案足够清楚、有吸引力且可信，“Wow”才不只是一声惊叹。它会带来下一场会面、下一次试点，也可能成为一家公司开始生长的时刻。

现场 · 清华大学博士博士后科技创新创业大赛启动

活动现场，举行了清华大学博士博士后科技创新创业大赛的启动仪式，10位嘉宾共同为首届“两新融合·转化赋能——清华大学博士博士后科技创新创业大赛”按下启动键，也为理论与实践相结合做出了最好的注解。此后，来自4个不同院系的博士博士后创业项目进行了现场路演，收获了Bill等硅谷嘉宾的犀利点评。

 

启动仪式：（左起）宁芸司、陈子晗、何平、邢春晓、杨斌、比尔·赖克特、张琦、肖书阳、吴国伟、屈书红

金句摘录

一场有效的推介，要让人听懂，让人心动，还要经得住直觉检验。

数据和逻辑是入场券；“Wow”是一种情绪反应。

夸张不会放大你的价值，只会缩短别人相信你的时间。

投资人更想尽快知道：你的解法有什么独特之处？

清楚，让我知道你在做什么；有吸引力，让我想要它；可信，让我相信你做得到。

市场很大，不等于你有机会建立一家大公司。

当四分之三的项目都在说自己有智能体，“Agentic AI”本身就不再是优势。

不要把一个短期技术窗口误当作永久壁垒。

创新往往发生在不同学科、大学与产业的边界相撞之处。

深技术创业既需要科学洞察，也需要把产品带入市场的能力。

在范式快速变化时，要控制单次风险，并保留继续下注的能力。

如果你已经完成了一件真实、相关而且足够惊人的事，不要把它藏到第55分钟。

最薄弱的环节是信任，不是技术。合作首先要让数据、规则和责任都变得可信。

好的创业者，要痴迷于客户的问题，而不是痴迷于技术。