图片来源：a16z
Z Highlights：
-
作为一家公司，我们专注于三件事：预训练、微调和对齐。我们使用自有数据集进行预训练，这一点非常关键，而很多公司并不具备这样的能力。然后，我们用专家手工整理的数据进行微调。最有趣、最重要的部分在于对齐，这与简单地寻找“当前最优解”是截然不同的。
-
当前的模型在成为“优秀助手”方面的进步速度远远快于在“成为优秀治疗师”方面的进步速度，这还是因为它们的训练目标并不在这块。但总的来说，行业的进步对我们来说是巨大的推动力。
-
对我们来说，重要的衡量标准是：用户的自主感、能力感和与他人联系或连接感的增加。
-
我们希望帮助人们提升自主性、能力感和关联感。在我的设想中，我们的目标不是告诉人们什么对他们是最好的，而是提供他们真正需要的帮助，让他们最终能够自主决策，具备能力，并与他人建立有意义的联系。
Daniel Cahn和Neil Parikh是Slingshot AI公司的联合创始人，Slingshot AI是一家心理健康初创公司，其主要产品是一个名为Ash的AI心理咨询应用，旨在帮助用户管理情绪、应对生活挑战、改善人际关系和培养健康习惯。本文为Neil Parikh、Daniel Cahn与a16z普通合伙人Julie Yoo在a16z节目中的访谈实录。
Slingshot AI的创立与独特优势
Daniel：我关注这个领域很久了，专注于AI在心理学领域的应用。就公司的起源而言，我的背景是训练特定任务的生成模型，但我也是一位心理学家和一位社会工作者的儿子。所以我一直痴迷于这样一个问题：我们能否训练模型来模拟人类思维？我们可能终于到了一个可以尝试的时刻。
我遇见了Neil，当时他也在尝试创办几乎相同的公司。他与许多投资人会面，想弄清楚如何正确投资或加入这样一家公司，机缘巧合之下，他遇到了我在红杉资本当合伙人的哥哥，我哥哥觉得他和我非常合拍，建议我们立即开始这个项目。
Neil：我曾从医学院退学。原本我是要成为一名医生的，而且我一直对医疗保健感兴趣。老实说，那是我唯一听说过的职业。我的父亲是医生，我的妹妹是医生，我的家人几乎都在医疗行业。但在医学院时，我意识到当时的创新机会非常有限，更像是在军队里——坐下、闭嘴、死记硬背，而这完全不适合我。所以我最终退学，创办了一家名为Casper的睡眠公司，希望通过打造一个品牌，让人们更加重视睡眠。
在这个过程中，坦白说，我对心理健康了解不多，我的家庭几乎从未讨论过心理治疗。但后来，我踏上了一段个人探索之旅，发现了一个全然不同的世界——探索心理健康、自我成长，并理解许多大多数人甚至不了解的东西。当GPT-3发布时，我意识到也许时机到了，我们或许终于可以训练一个模型来映射大脑，帮助改善并扩大心理健康服务的可及性。
Julie：很高兴你们能走到一起做这件事。Daniel，我想深入探讨你刚才提到的一点。你的愿景是创建一个大脑模型，而这样的模型有着广阔的应用空间，可以用于很多不同的领域。那么，是什么让你选择了面向消费者的心理治疗场景，而不是其他可能的应用，比如研究领域、药物研发，或者其他方向？是什么促使你做出这个选择？
Daniel：如果从科幻的角度回看未来，很明显，我们正处在一个转折点——有些事情已经超出了人类的能力范围，或者至少说，我们发展方式的重大变革不再由人类推动，而是由AI推动。这可能还需要200年，但也可能不需要。即使真的是200年以后，这依然值得现在就开始投入。这是从AI的整体发展来看。但如果更具体地问，我们现在到底处于什么阶段？答案是现在我们有了神经网络。
让我对大脑建模感到兴奋的是语言模型的能力范围。语言模型会产生幻觉，这并不奇怪。真正令人惊讶的是，它们有时候居然不会幻觉，而是能生成真实的事实，并且可以在“正确”的策略空间内运作很长时间。它们真正擅长的是对概率分布建模，这几乎就是它们的全部能力。心理过程恰好符合这一点。换句话说，语言模型或许非常适合用于建模心理过程。如果这一点成立，那就可以通过人们在心理治疗和心理健康探索中的表现来验证。治疗师无法精准预测你会说什么、什么内容会真正触动你、你会有什么感受，但他们可以做出合理的猜测，他们可以建模概率分布，并沿着这个方向思考。
还有一点，这可能是这个领域里最显而易见的事情——我们的做法没有什么特别隐秘或出人意料的地方。通常来说，大家会觉得应该强调“我们发现了一个别人没想到的独特见解”，但事实并非如此。这可能是最明显的研究方向，只是实现起来极其困难。
Julie：即使在Slingshot之前，你们在一些面向消费者的通用基础模型中观察到的也是“涌现行为”——消费者在使用这些产品时，他们用它来做什么？心理治疗。你们打造了一家面向消费者的企业，而消费者心理的复杂性使得人们很难理解如何真正吸引用户，并确保他们在这样的平台上能长期获得高价值的体验。当你考虑Character. AI能实现的功能，以及Slingshot能做到的事情时，你会如何区分它们？
Neil：在我看来，现有模型被人们用来做心理治疗，这本身就很惊人。这实际上证明了需求非常巨大。当有人告诉我，“嘿，我试过了，我有一个AI治疗师，它是ChatGPT或Claude。”我的反应是：“太棒了！”首先，这说明你确实有这个需求，而这恰恰证明了市场对这一领域的巨大需求。更重要的是，这也反映出心理健康领域的资源极度匮乏。人们居然会去找一个通用AI模型，并对它说：“嘿，帮我解决这个对我人生至关重要的问题。”所以，我们对这个现象持非常积极的态度。
如果我们能简单地通过Prompt让GPT来完成这项任务，那可就容易太多了。但事实并非如此，我们尝试过，我们有一整个团队专门负责优化Prompt，研究每一种提示词的迭代和组合。
Daniel：在某种程度上，Character.AI可能是一个很好的类比，因为它们的工作方式非常直观——基于不同人物的对话数据进行训练，然后尝试模拟他们。基本的区别在于，它们训练的数据来源是电影剧本，我指的是它们的思维模式——它们的目标是创造角色。在《Ready Player Two》中，主角拥有一个AI治疗师，而这个治疗师是《心灵捕手》里的Robin Williams，他坐在公园的长椅上。听起来确实很酷，我完全能理解为什么人们会喜欢这种体验。这是一种完全不同的方式，它的核心目标只是“让它看起来真实”。
这仍然是朝着正确方向迈出的重要一步，我不认为这种方式在长期甚至短期内是正确的选择，主要有三个原因：
首先，最核心的问题就是训练数据。如果你是一家像OpenAI这样的公司，你的目标是实现AGI，那么你更关注的是打造通用模型。他们曾告诉我们，他们衡量成功的标准就是token处理量和吞吐率——也就是说，他们希望模型能够处理尽可能多的数据流量。至于具体使用哪种模型，比如GPT-4是否适合对话，这对他们来说并不重要。对于OpenAI而言，用户使用ChatGPT还是其他基于其平台构建的模型，并没有本质区别。但他们确实有一个强烈的动机，那就是尽量避开那些可能带来麻烦的复杂领域。
第二点是RLHF（强化学习+人类反馈）。当前的大型模型公司主要使用RLHF来优化模型，而它的核心应用是打造“有帮助的助手”，强调真实和有用性。大公司通常会找第三方标注员，让他们在两个回答中选择哪个更有帮助。如果训练得当，你就会得到一个非常“有帮助的助手”，但这些助手的回答往往很长，并不倾向于为用户提供长期引导。
第三点是，这根本不是这些大公司所追求的方向。
Julie：总结来说，你的意思是，有目标导向和单纯对话导向之分，尤其是在长期效果上。另外，你也提到，在某些领域，专家的介入是必要的。一个普通的RLHF训练员和真正理解目标的专家之间是有区别的。
Daniel：更具体来说，我们的目标是尽可能减少人为干预。作为一家公司，我们专注于三件事：预训练、微调和对齐。
我们使用自有数据集进行预训练，这一点非常关键，而很多公司并不具备这样的能力。
然后，我们用专家手工整理的数据进行微调。OpenAI也可以这样做，这并不容易，他们需要主动去做，同时还要克服这一策略可能与他们核心目标相冲突的现实。然而，微调数据的效果仍然是“单回合”的，也就是说，它只能优化模型在单次对话中的表现。
最有趣、最重要的部分在于对齐，这与简单地寻找“当前最优解”是截然不同的。如果用国际象棋来类比，许多AI的策略目标是“尽快将对方将死”，也就是找到最快的最佳走法。但现实情况是，最优解并不总是直奔“将死”而去。有时候，你需要移动兵卒，做一些长期布局。而ChatGPT不会这么做，它不会“移动兵卒”。即便你雇佣专家，他们也不会去做这个，因为这根本不是这些模型的设计目标。
模型与技术发展带来的影响
Julie：当你回顾Sunshot的模型演进过程，有没有什么例子是过去一年里非常难实现，但现在却变得微不足道的？还有什么事情是目前LLMs仍然难以做到的，但你预测在12个月内会变得相对简单？
Daniel：我们取得了巨大的进展，这很大程度上要归功于整个行业的发展红利，得益于所有其他团队的努力。我对所有新模型的发布都感到非常兴奋，比如刚刚推出的Llama 3.3。我们确实会进行预训练，但我们的预训练是基于已有模型的检查点，进行持续训练。所以，每当有更好的新模型发布，比如Llama 3.3，我们就能直接拿过来，结合我们的数据集，然后——哇！我们的模型就在一夜之间变得更强了。这带来了巨大的提升，每次我们升级底层模型时，效果都会显著改善。
不过，我们发现，当前的模型在成为“优秀助手”方面的进步速度远远快于在“成为优秀治疗师”方面的进步速度，这还是因为它们的训练目标并不在这块。但总的来说，行业的进步对我们来说是巨大的推动力。此外，我们与OpenAI合作，每次他们推出新的前沿模型，对我们来说都是一件非常棒的事情。
Neil：目前我们在探索的一项技术是如何通过语音创造真正有吸引力的交互体验。但这个流程其实非常复杂，因为在整个pipeline中，每个环节都存在挑战。要精准、准确地转录用户的语音内容，再用文本模型进行处理，最后再生成自然的语音回应，这整个过程既复杂又昂贵。更大的难题在于延迟控制和对话节奏的把握。比如，在面对面的交流中，我们可以打断彼此，可以停顿、等待，或者说“嗯……”，这些细节对现在的AI语音交互来说仍然是很难做到的。因此，我们正在寻求合作伙伴，希望能大幅改善这些问题。
Daniel：是的，语音就是一个典型的例子，它属于一个广泛的技术领域。我们不会尝试从头训练端到端的语音模型，因为这个技术发展太快了。但我们关注的是那些别人无法触及的关键环节，比如轮流对话的问题。像OpenAI这样的大公司，未来的高级语音模式可能会变得非常擅长提供“智能助手”服务。但我们不认为会有人去专门优化“治疗师风格的轮流对话”——他们不会专门去调整AI的语气、语调，甚至不会考虑语音本身的细腻表达。
我们发现，几乎所有优秀的治疗师都有一种“魔力般的声音”。我不知道该怎么形容，它并不是固定的一种嗓音，而是千差万别的，但他们说话的方式确实带有某种特殊的魅力。而这种微妙之处，在现有的语音平台上是完全没有的，因为它的目标根本不同——它不是一个销售机器人或客服助手。
Neil：而且，这种能力往往是治疗师经过数千小时的实践才逐步形成的。
语音交互与文本交互
Julie：作为用户，我其实很好奇，语音模式下的提问方式和回答方式明显与文本模式不同，这是有意为之的吗？你们是这样思考的吗？最终，语音和文本是否会发展成两种完全不同的交互范式，而其中某一种会更适合用于心理治疗？
Daniel：是的，文本和语音显然是不同的，我们也在持续探索这个问题。说实话，大部分的改进最终都取决于模型本身的进步，但确实，由于我们同时训练文本和语音，最终的交互体验也是不同的。
比如，文本和语音的回答长度不同，停顿的插入方式也不同。在文本模式下，你可能是在地铁上发送消息，而在语音模式下，你可能在开车，或者在家中独自一人，在更私密的环境里进行交谈。交互的模式完全不同。还有一个关键问题是用户的“回归行为”——如果你在语音交互中暂停，很可能是因为你在思考。但如果你在文本模式下暂停，则不一定，有可能是你临时去做别的事情了，这取决于你多久之后才返回继续对话。这些差异带来了更高的复杂性，我们也在思考如何针对不同的用户群体进行优化。
另外需要说明的是，我们目前还处于产品预发布阶段，现有的用户仅仅是我们模型早期测试版的用户。但即便如此，我们已经发现文本模式和语音模式各自都有一批忠实用户，并且这些用户往往是不同的人群。年长用户往往更偏好语音模式，而年轻用户则更喜欢文本交互。当然，我们并没有强烈的倾向性，因为两种模式各有优势。很多人会在不同情境下切换使用文本或语音，从而获得不同的体验和好处。
如何衡量心理治疗的成功
Julie：谢谢你确认了我是中年人。在你们的早期用户群体中，是否观察到了一些出乎意料的行为，或者是一些你们没有预见到的现象？
Daniel：作为一家AI公司，我们经常会遇到这样一个有趣的情况：用户总会问，“你们对模型做了什么改动？你们加了什么新功能？”似乎大家默认认为我们是在手动编程一些东西进去。但坦白讲，我们并没有这样做。我们更像是在见证模型的“魔法”——有时候，用户的行为会超出我们的预期，而这些变化并非源自我们刻意调整模型，而是自然涌现出来的。举个例子，我们有一部分用户是自愿匿名分享数据的。对于这些用户，我们会让心理学家进行分析，试图理解他们的互动方式，以及从中能学到什么。有时候，心理学家甚至会发现一些连他们自己都难以解释的现象，但从用户的反馈来看，这些现象对他们的影响却是巨大的。
就拿最近几天的例子来说，今天有一位用户告诉我们：“这是有史以来最棒的应用之一。”这让我们大吃一惊。昨天，另一位用户一开始给我们的反馈是：“我讨厌你们。”语气相当强烈，毫无保留地表达了负面情绪。但有趣的是，这位用户之后继续使用了应用，并最终表示：“这真的很有帮助。”
Julie：这可能反映了人们对待治疗师的方式吧？对吧？
Neil：是的，完全正确。我们团队的Derek非常兴奋，他说：“当你看到用户的情绪反应时，那就是黄金。”如果治疗师结束一节课后觉得，“哇，我真的产生了影响”，那就是一种非常宝贵的体验。
Daniel：我觉得作为心理学家，没有什么比听到别人说他们讨厌你更让人感到成就感，尤其是在他们没有立刻离开的时候，因为这意味着某些事情真的发生了。我觉得这一点真的让我们很惊讶。我们也遇到过几次，用户说的有点像我之前提到的价值观内容，他们说某个事情很糟糕，然后模型就会问：“那为什么觉得它糟糕呢？”这种情况其实很有趣，虽然我们并没有在模型中进行这种编程，但有时候模型会提出一个非常明显的问题，而且不是以否定的方式。它不是说“你错了”，而是让用户有时候重新思考，可能会让用户更加深入地思考这个问题。
我们意识到的一个重要的点是，成功的衡量标准，尤其是在进行长期轨迹的强化学习时，是：我们并不是在优化模型能说出多聪明的话，而是恰恰相反，我们是在优化模型从而让用户说出令人惊讶的话。治疗中的成功似乎完全由用户来衡量。我们非常看重自我决定理论，我们非常看重用户定义什么是好的，而且你必须正确地提出问题，这里有更多的细微差别。但最重要的是，是用户来决定过程的进展。
Julie：用户、患者决定什么是好的。这是永远都会是这样吗？在人类的心理健康中，是否会有一个客观的衡量标准？
Daniel：有一种直觉上的理论，认为治疗师比患者更知道什么对他们有益。这从AI的角度来看真的很可怕，如果一个AI决定什么对你是正确的。幸运的是，这似乎并没有在证据中得到支持,它似乎更多的是民间的看法。而根据证据，似乎是这样的：如果你问患者，“你觉得这次治疗适合你吗？”其实这是一个很好的衡量标准。当然，我不是说这很简单，但我们确实倾向于认为，对我们来说，重要的衡量标准是：用户的自主感、能力感和与他人联系或连接感的增加，这些都是基于自我决定的理论原则。最重要的是，我们相信用户知道自己的身体状况。
AI对心理治疗师工作的影响
Julie：那现有心理治疗师们的终极状态是什么？让我们来角色扮演一下。我是一名心理治疗师，我对你们的做法非常怀疑。你们会怎么向我推销你们的产品，告诉我这会在未来五年内如何改善或改变我的生活？
Neil：有几点是很重要的。
首先，我们想要与亚临床人群合作。我们对世界的看法是，当三分之二的大学生报告自己有焦虑症时，他们中的一半以上人有时、经常或总是感到焦虑，还有低度抑郁、关系问题、适应障碍等问题。这些并不是每个人都能诊断出的疾病，但确实有一些问题是每个人都在经历的，几乎每个人都会面临这些问题。
因此如果这一情况确实存在，而且问题正在显著恶化，那么AI可能是唯一能够帮助数亿甚至数十亿人的方式，因为我们没有足够的资源来培训足够多的治疗师去帮助所有人。如果未来的某一天，更多患有严重疾病的人能够真正接受治疗师的帮助，而其他人可以通过AI获得帮助，那么这将是一个理想的局面。最终我们会进入一个深度协作的未来，我们坚信，在应对这一领域的非临床问题时，AI是不可或缺的。
Daniel：此外，我们最初以为治疗师会反对我们，担心我们的工作会影响他们。然而，我们发现，没有人选择成为治疗师是因为他们认为这是一份赚钱的好工作，人们进入这个行业是因为他们希望帮助他人，而且一个治疗师同时能够接待的患者数量有限。这些从业者的工作目标十分明确。因此，每当我们提出可以帮助更多人时，他们通常是支持的。
这一点在医疗领域也是一样的。在整个医疗保健行业中，没有医生会在听到“我们要推动预防医学发展”时担心患者会被抢走。相反，他们的反应往往是：“我已经忙得不可开交了，如果有任何方法能够改善整体医疗状况，我一点也不担心自己的工作。”因为永远会有人需要帮助。
Julie：未来是否有可能出现一种Slingshot AI治疗师，作为我诊所的一部分？我们可以分配不同类型的病例，共同参与治疗，并采用一种互动式的护理模式，一起照顾同一批患者？
Neil：很多人都向我们提出这个想法，我们接触到大量希望建立这种AI辅助协作护理模式的群体。但目前，我们还没有实现这一点。
Daniel：如果你去看医生，目前医生在法律上有义务根据医学共识向你提供信息。如果某种疾病有明确的最佳治疗方法，医生必须遵循这个标准，像机器人一样执行。在医疗行业的许多领域，人们去看医生，医生的表现就像是机器人。
我期待的是，第一道医疗防线（不仅仅是心理健康，而是整个医疗体系）首先是一个AI，患者可以向AI描述自己的症状、回答一系列问题，并进行交互式问诊。如果AI的帮助就能解决问题，那很好，患者可以直接离开。如果不能解决，那么专业的医疗人员就能腾出时间，真正发挥他们的专业意见，推动医学进步。
在医疗行业，如果医生的观点与医学共识不符，他们实际上没有自由按照自己的想法行医或进行相关研究。医生不能随意表达对现有医学文献的个人见解，否则可能会面临法律诉讼。从这个角度来看，AI有很大的潜力，可以将那些机械化、重复性的工作从人类医生手中解放出来，使他们能够基于自身经验和专业知识进行更深入的实践。这或许也是Neil当初辍学离开医学院的原因，同时也是他可能会考虑回去的理由——如果医生不必再像机器人一样行医。
未来发展规划与愿景
Julie：你们认为在未来10年内，Slingshot的成功会是因为你们在传统医疗体系之外建立了足够大的市场空间，还是最终的成功需要与传统医疗体系深度整合？如果是后者，这种整合会以何种形式出现？
Neil：我们可以参考一些成功案例。商业上的成功和实现我们的使命是两个不同的概念。我们的使命是帮助人们以他们想要的方式改变自己的思维和生活，希望能够影响10亿人。为了实现这一目标，我们需要探索多种商业模式，并最终深入融入现有体系。
但与此同时，像BetterHelp这样的公司已经成功地建立了完全独立于传统医疗体系之外的业务模式，每年营收达到10亿美元。用户每月支付360美元即可获得心理咨询服务。因此既可以构建面向消费者的业务，也可以构建企业级和医疗体系整合的业务。
从消费者需求出发是一个很好的起点，因为这样可以完全围绕他们的需求来设计服务模式。类似的成功案例已经存在，比如Calm、Headspace等医疗健康消费品牌，它们起初专注于直接面向用户的产品，然后逐步考虑如何更深地融入医疗体系。这些成功模式为我们提供了可借鉴的经验。
Julie：你们的模式在医疗报销体系中涉及两个关键变量。首先，你们依赖AI而非人类治疗师。其次，大多数报销体系是围绕“就诊”这一概念设计的，即基于预约和时间收费，而你们的模式显然更加连续化、随时可用。目前有没有任何信号让你们相信，这两种模式会在未来几年内进入主流医疗报销体系？或者，你们认为保险体系需要具备哪些条件，才能接受这些模式作为主流的报销方式？
Neil：我们并不是唯一在思考这个问题的人。现实情况是，很多人找到我们，对此激动不已，尤其是从支付方的角度来看，我相信这个问题最终会得到解决。因为当市场对某种产品有强烈需求时，人们总会想办法支付它的费用。我们从未处于这样一个时代，可以用极低的成本实现同样的效果。在运营杠杆方面，以前做远程医疗能获得大约20%的额外运营杠杆，而现在，我们讨论的是将定价能力提高一个到两个数量级的情况。
Daniel：比如，BetterHelp的费用是每月360美元，这意味着他们支付给医疗服务提供者的费用大约是每小时25到50美元，而这个行业的平均时薪通常在125到250美元之间。这意味着他们雇佣的是成本最低的治疗师，或者至少是愿意接受低薪并尽可能多接诊的治疗师。但即便如此，价格仍然是每月360美元，而我们的模式可以做到每月20美元。
但问题在于，很多公司很容易被忽悠去为质量不佳的产品买单。我们了解到，现在保险公司支付的某些产品，是五年前开发的聊天机器人，只因为它们获得了FDA批准。这些公司向我们炫耀他们的FDA认证，但事实上，几乎没人真正使用他们的技术。他们只是靠实验性预算让一些机构买单，但现在却不敢迭代更新，因为一旦切换到新版本，哪怕只是做一些调整，都可能导致失去FDA认证。而我们目前的处境是，保险公司不会为此买单。
Julie：产品最纯粹的验证方式是最终用户愿意自己掏钱购买。当你们展望未来几年，每个人口袋里都有一个Slingshot时，你们最希望看到心理健康领域发生哪些变化？你们之前提到，现有的心理健康体系甚至不能称之为“系统”，那么在一个Slingshot成为核心角色的心理健康体系中，会有哪些不同？
Daniel：这是个很好的问题。我最关注的是自我决定，目前我们对治疗过程中具体发生的事情其实知之甚少。有件事很有趣——你无法起诉治疗师。医生通常可以被起诉，但在很多情况下，治疗师是受保护的。那么，如果我们能看到治疗过程中到底发生了什么会怎么样？如果我们有数据来理解真正有效的治疗方法又会怎么样？
我预计，一旦心理健康护理变成一个数据驱动的领域，它的本质将发生重大变化。我们不只是用AI来复制人类治疗师的工作模式，而是在改变心理健康护理和治疗的本质，甚至可能是在创造一种全新的模式。这是我最关注的事情。当然，这也涉及到预防性治疗——我们可以在问题发生之前帮助人们，而不是等问题出现后再干预。
关于自我决定，我们希望帮助人们提升自主性、能力感和关联感。自主性在这里指的是，人们相信自己有能力应对问题。这不是去找治疗师，让他们告诉你“你应该和你的男朋友和好”，而是你能自己得出结论：“我不需要找治疗师来告诉我该怎么处理我的感情问题，我能自己解决。”能力感意味着，人们不会在接受治疗后觉得自己一无所知，比如：“原来呼吸有18种方式，我以前竟然不会任何一种，我的心理健康状况太糟糕了。”相反，他们会觉得：“我其实有很多擅长的事情。”关联感则意味着，人们能与他人建立联系，而不是仅仅把治疗师当作唯一的情感支持。
我们希望通过这种方式改变心理健康护理，推动一种积极的愿景。在AI时代，这种愿景将变得尤为重要，因为人们会越来越关注自己的自主性、能力感和社交联系，尤其是在他们对自己的工作感到不安、对AI的能力感到担忧时。因此，在我的设想中，我们的目标不是告诉人们什么对他们是最好的，而是提供他们真正需要的帮助，让他们最终能够自主决策，具备能力，并与他人建立有意义的联系。
Julie：这是个很棒的总结，我们期待未来每个人都能使用你们的平台。感谢你们的分享！
Daniel, Neil：谢谢！
原视频：Scaling Mental Health Access through AI with Neil Parikh and Daniel Cahn
https://a16z.com/podcast/scaling-mental-health-access-through-ai-with-neil-parikh-and-daniel-cahn/
编译：Jiawen Fu
请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。
Z Potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。
（文：Z Potentials）