为 AI 智能体构建搜索基础设施 (Will Bryk)

---

🎧 完整中文译文 (Translated Transcript)

01. 终极梦想：构建完美的文明信息入口

布里克： 搜索是通往人类信息世界的终极入口。如果你能把搜索做到完美，那么对于整个人类世界而言，它将产生无法估量的 downstream（下游）巨大正向红利。

莎拉： 在过去的几十年里，“谷歌”几乎成了“搜索”的同义词，对吧？它是近几十年来最伟大的科技垄断帝国之一。

布里克： 但每当你想要深入理解某个极其硬核或复杂的课题时，谷歌就会失效。绝大多数人都渴望看清这个世界的真实面貌，但他们目前每天被喂食的信息，要么带有某种误导性，要么干脆就是彻底错误的。我相信，如果每个人都能在需要时轻而易举地获取准确、真实的信息，绝大多数讲道理的人都会变得非常理性。

莎拉： 我记得有一家使用我们投资的 AI 产品的公司，他们想要给他们的模型（比如 Claude）提供网页实时访问权限，而该模型的开发者直接对他们说：“我强烈推荐使用 Exa。”

布里克： 因为智能体（Agent）在网络世界中进行搜索的逻辑，与人类有着天壤之别。智能体不仅仅满足于只拿到 10 个网页链接，它们渴望吞噬所有的相关数据。在 Exa 上，你发起一次检索，能得到的绝不仅仅是 10 个或 100 个结果，而是 1,000 个甚至 10,000 个穿透性的结构化结果。为什么我们这个规模一直保持在 100 人以下的紧凑团队，能够构建出一个在各个维度都超越谷歌的专业搜索引擎？嗯，因为大模型和 Transformer 彻底重塑了底层的技术范式。

莎拉： 欢迎你，Will。非常感谢你来到我们的节目。

布里克： 谢谢你，Sarah。很高兴能来到这里。

莎拉： 我想从你的创业起点聊起。你对搜索的关注已经有非常长的时间了。事实上，你和你的联合创始人 Jeff（Jeffrey Wang）在大学时就亲自动手构建过一个微型的搜索引擎，这可不是普通大学生在学校里会干的事。能和我们分享一下你最初是对搜索产生兴趣的契机，以及为什么你一定要解决这个问题吗？

布里克： 没问题。这可以说是我的终身使命。从我很小的时候起，我就对“如何获取世界上最高质量的知识”有着近乎执拗的迷恋。在高中时，我想创办一种完全不同于传统的媒体新闻机构。因为我觉得非常讽刺——作为一个能够实现载人登月、能够分裂原子并掌握核能的人类文明，我们在面对一些前沿科学进展或者日常地缘新闻时，居然无法搞清楚最真实的真相是什么。为什么我们无法真正、彻底地理解任何一个严肃话题？

到了大学，我和我的舍友 Jeff 决定直接联手去写一个搜索引擎。当时的思路非常朴素——通过 crowdsourcing（众包）全网最高质量的外部链接来对抗垃圾网页。我们确实做出了一个非常扎实的系统。

但真正改变一切的节点发生在五年前，也就是 2021 年。当时，Transformer 架构在大语言模型上的语义理解能力开始呈现指数级爆发，我敏锐地意识到：利用纯粹的神经网络去重构一个超越谷歌的搜索引擎在技术上已经完全可行。

这是一个极其宏大的历史机遇。因为搜索不仅是一个商业工具，更是人类文明获取信息的总入口。如果能将搜索做到完美，它会产生无法估量的文明级杠杆红利。但在当时，硅谷几乎没有任何人朝这个方向努力，大家都在继续做传统的应用。我对自己说：“这就是我愿意为之奉献一生的使命，因为我所关心的万事万物，其本质都是关于信息的。”于是我创立了 Exa。如今，我们距离那个最初的梦想已经近了非常多，虽然前面还有漫长而兴奋的路要走，但回头看我们已经跨过了很多当时被认为不可能的技术关卡。

莎拉： 让我们往深处探一步。在公众的认知中，谷歌就是搜索的代名词，它是过去几十年里最稳固的科技垄断实体之一。一个初创公司居然能做出一套比谷歌更优秀的搜索体验，这确实非常神奇。那么，在你的定义中，什么才叫“完美的搜索”？谷歌当前的极限和痛点在哪里？特别是在刚刚过去的谷歌 I/O 大会上，他们大谈特谈 AI 搜索和所谓的“信息智能体（Information Agents）”。你如何看待你们与传统谷歌、以及正在演进中的新谷歌之间的竞争？

布里克： 谷歌是一项伟大的发明。对于它原本被设计去解决的问题——也就是“让海量大众消费者快速拿到日常琐碎问题的答案”，它做得无懈可击。这也是它的底层系统所优化的终极指标：人类的点击率（Human Clicks）。

当你在精疲力竭或大脑一片空白的时候，在搜索框里输入几个风马牛不相及的破碎关键词，谷歌却能神奇地预测你想问什么并给出答案。这非常魔幻，因为它的底层躺着全球数十亿人无数次相似点击的历史数据。

但在很多时候，你需要的是“深度”。在创立 Exa 之前，我曾经想写一本关于人类历史的书。我当时产生了一个偏执的念头：我想彻底搞清楚，在过去 5,000 年的历史长河中，生活在每一个不同历史时期的普通人，他们日常的真实体感是什么样的。

莎拉： 我真的很想读这本书，它现在写完了吗？

布里克： 它非常好，如果我一直写下去，大概现在应该完稿了（笑）。但在写作的过程中，我遇到了一个极其让人抓狂的瓶颈——每当我想要深度研究一个极其具体且垂直的课题时（例如公元 100 年罗马帝国普通市民的日常起居），谷歌就彻底失效了。那些高价值的数据是真实存在的，但它们极其分散地隐匿在互联网的各个角落，而谷歌的推荐算法只会给你推送前几页充满 SEO 垃圾、浅薄且同质化严重的导流网页。这让我意识到：我们需要一个能提供“完美深度理解力”的搜索引擎。

每次谷歌召开 I/O 大会，我们 Exa 团队都会全程盯着。我发现，无论谷歌口头上如何标榜自己转向 AI，它们的改动本质上依然是在优化“大众消费者的日常即时查询”。

这种大众路线与专业探索存在着天然的分野。例如，一个企业如果想检索“我们在欧洲和亚洲的所有潜在竞争对手”，或者一个 HR 想在旧金山寻找“具有早期创业公司背景的机器学习工程师”，你绝对不会去用谷歌。因为谷歌不是为了这种高精度、大吞吐量的专业检索设计的。这就为我们创造了一个巨大的蓝海：为一个为 AI 智能体和深度商业决策而生的新型搜索引擎提供生存空间。

---

02. “人类与树懒”：智能体搜索的全新范式

莎拉： 你提到在 2021 年开始从零构建 Exa，而在随后的五年里，大模型的技术浪潮彻底颠覆了整个科技界。这对你们来说应该是一个极大的利好，因为你们可以直接采用最新的一代底层架构，而不需要像大公司那样去面对痛苦的“创新者窘境”（Innovator's Dilemma）。能和我们分享一下你们当时从零设计 Exa 时的技术决策吗？其中最硬核的挑战是什么？随着 LLM 的演进，你们的架构发生了什么改变？

布里克： 在 2021 年动工时，我们坚信大模型技术能颠覆搜索。我们当时有一个非常兴奋的思想实验（Thought Experiment）：

如果我不计成本，我想构建一个完美的搜索引擎，应该怎么做？最简单粗暴的方法是：每当用户发起一次查询，我把全网所有的万亿级网页文档全部拿出来，用 GPT-3 逐个跑一遍，问它：“这个文档和查询匹配吗？”最后筛选出最完美的 10 个文档。这在逻辑上绝对无懈可击，但问题是，这样做单次查询的计算开销将高达 100 亿美元。

于是，这本质上变成了一个极致的工程优化问题（Optimization Problem）。但这个思想实验给了我们一个坚实的“存在性证明（Existence Proof）”——完美的语义检索在物理上是完全成立的。

我们坚信信息检索领域的“苦涩的教训”（The Bitter Lesson）——即随着时间推移，单纯堆砌算力、扩大模型参数和数据规模的通用神经网络，必然会击败人类设计的各种精巧的特征工程与手工规则。当我们于 2022 年 11 月向世界首次发布我们的第一代系统时，行业感到了震惊。OpenAI 的安德烈·卡帕西（Andrej Karpathy）甚至专门转发了我们的推特。人们第一次意识到，原来在谷歌的框框之外，还有一种能完全理解长句语义的搜索方式。有趣的是，仅仅两周后，ChatGPT 就发布了。

当时我正在 NeurIPS 会议上，看到 ChatGPT 的发布，我尝试了一下，心想：“这感觉就像是套了个更好用 UI 的 GPT-3 嘛。”然后我又默默回去读我的学术论文了（笑）。但对于整个世界来说，那是他们第一次遇见这个全新的“AI 物种”。ChatGPT 极易使用的对话界面极大地教育了市场，也彻底重构了我们的产品方向。

到了 2023 年初，大量的开发者开始疯狂地敲我们的门，要求给他们的 AI 流程和产品提供 API 接口。在那一刻，我们猛然意识到：我们之前为自己这些硬核“书虫”设计的深度搜索引擎，在底层逻辑上与 AI 智能体（Agents）对检索的渴求达成了完美的契合。

布里克： 我们把智能体与人类的差别，比作人类与“树懒（Sloth）”的差别。

如果一个世界的主宰是行动极其迟缓的树懒，你为它们设计了一个搜索框，它们可能需要花一个小时才能爬过来按一下回车。然后有一天，行动敏捷的人类诞生了，人类绝对不可能去用给树懒设计的工具。

AI 智能体就是那一群精力无限的超级生物。它们对搜索有着完全不同的维度要求：

首先是极其复杂的自然语言输入。智能体不需要把问题压缩成“罗马 历史 100年”这样的破碎关键词，它们会直接输入一大段包含背景、逻辑链条甚至精确代码的数据，并要求你直接返回高匹配度的文档。

其次是无遗漏的彻底检索（Comprehensiveness）。人类只需要谷歌给出最显眼的 10 个答案，而一个正在做行业研究的投资智能体，或者一个正在寻找代码 Bug 的开发智能体，要求拿到全网所有符合条件的 1,000 个甚至 10,000 个穿透数据。任何遗漏都可能导致投资决策的错误或代码的崩溃。

再者是完全的白盒控制权（Controllability）。智能体拥有极强的计算耐心，它们需要你可以让它们微调各种开关——“在这个域名下用语义检索，在那个域名下用精准关键词过滤，再排除掉某个月份之前的所有文档”。这要求底层的搜索引擎是一套高可配置的 API，而不是一个把所有逻辑封死、充满广告的消费级网页。这些底层设计维度的彻底不同，决定了你必须从第一行代码起，就为智能体专门重写一套搜索引擎。

---

03. 算法重构：为什么谷歌 20 年的点击数据护城河失效了？

莎拉： 这确实是一个非常重大的范式转移。作为风投机构，我们目前也在深度思考：在很多垂直赛道里，决定一个开发工具胜出的关键，甚至已经不是人类开发者，而是那些自发进行工具选择的 AI 智能体。

我之前给你分享过一个真实的段子——我们投资的某个智能体产品（我们管它叫 Michael Claudeberg，Claude 家族的衍生），我们想给它提供网页实时检索能力，它在底层自动调用并向我们反馈：“我强烈推荐 Exa 作为网络数据检索底层。”这证明了智能体在自发地选择最适合它们数据结构的接口。但从你的角度来看，为了完美迎合这种“非人”的超级物种，你们是如何做技术取舍和系统优化的？

布里克： 我们从第一天起就在为此进行深度的系统研发。

这里有一个非常核心的认知反转：很多人认为谷歌积累了 20 年的人类点击率（CTR）数据是一道牢不可破的壁垒，任何人都无法在搜索质量上挑战它。

但我们发现，人类的点击数据对于 AI 智能体来说，其价值几乎为零。

布里克： 谷歌的点击数据优化的是“人类眼球的局限”。人类容易被标题党、情绪化的文案或者网页顶端的广告位所吸引，谷歌的点击数据记录并强化了这些偏见。但智能体没有这些本能，它们需要的是最纯粹的事实、代码接口和高价值的源文档。

在技术实现上，大模型的发展极大地降低了我们与巨头抗衡的门槛。在以前，如果你想做一个具备高可用重排（Re-ranking）能力的搜索引擎，你需要几百名工程师去手动微调极其复杂的搜索重排公式。

而在今天，我们可以利用 Transformer 强大的隐藏状态（hidden states），让 1 到 2 名顶尖的算法工程师直接训练我们专属的重排器模型（neural re-rankers），并在准确度上实现对传统手写重排公式的代际超越。这使得我们能以不到 100 人的精益团队，在极低 latency（延迟）的情况下，向智能体输出极高纯净度的数据检索服务。

当然，这也对我们的工程可靠性提出了极其变态的挑战。对于人类而言，一个网页搜索如果出了点小错，或者返回了 99.9% 相关的结果，人类自己能辨别并过滤掉。但智能体在执行自动化任务时，它们对“垃圾数据”的容忍度极低，这会产生严重的级联错误。因此，智能体客户要求我们必须把系统的召回率（recall）和精确度（precision）提升到 99.999% 的极限水平。

---

04. 宏大叙事：搜索是解决社会撕裂的终极药方

莎拉： 当我们在这个赛道做行业调研时，很多投资人和从业者抛出了一个观点：随着开源向量数据库的普及和各种 API 的泛滥，底层的数据获取和搜索正在迅速被“商品化（commoditized）”。你怎么看待这个挑战？在你的认知中，什么是可以轻易被取代的，什么才是真正的技术与数据壁垒？

布里克： 我认为，大语言模型（LLMs）本身的商品化速度，实际上会远快于底层搜索和检索层。

因为对于世界上 90% 的知识工作（Knowledge Work）而言，你并不需要时时刻刻调用最聪明、最昂贵的闭源巨型模型。一个足够优秀的开源中等模型，在经过特定任务的微调后，配合精准的外部数据检索，就能极其廉价地解决问题。

相比之下，高质量的语义检索是极其难以被商品化的。因为它的底层高度依赖于你是否拥有全网最完整的数据集索引，以及你的检索模型能否在万亿网页的庞大噪声中，以极低延迟把那一两个最关键的知识片段精准地打捞出来。

很多伟大的社会学难题，本质上都可以被归结为“搜索问题”的不同变体：

布里克： 很多人以为搜索只是一个框，你在里面输入一个词，弹出一堆蓝色的链接。不，搜索是整个人类物种协同进化（coordinating the human species）的底层神经元。无论是寻找你的下一个创业合伙人、寻找能治愈某种疾病的代码、还是在极化的社会中还原客观事实，其本质都是在庞大的文明数据库中进行高精准度的“多维检索”。谁能提供最完美、最便宜、最客观的检索接口，谁就掌握了 AI 时代信息流动的底层高速公路。

---

05. Token 末日逃生：如何用检索把开发成本降低 20 倍？

莎拉： 让我们聊聊具体的应用场景。为什么在编码（Coding）和 AI 程序员（如 Cognition 发布的 Devin）这个细分用例上，Exa 成为了行业里的现象级配置？

布里克： 编写代码是一个对“时效性”和“精准度”要求极高的事情。一个 AI 程序员在写代码时，必须能够实时检索最新的 SDK 变更、API 接口文档以及各种极其小众的报错日志。如果它只能使用被封死在参数权重里的陈旧训练数据，它写出的每一行代码都可能包含低级的致命错误。

我们在编码和技术文档检索上进行了极其严苛的定制化数据清理与向量建模。像 Cognition 的 Devin 这样最前沿的 AI 程序员在接入 Exa 之后，其调试和编写代码的准确率得到了质的跃升。

这直接关联到了目前在 Twitter 上被热烈讨论的话题——“Token 末日（Token Apocalypse / Token Maxing）”。

很多企业级用户发现，随着他们部署越来越多的智能体，由于频繁调用最昂贵的 GPT-4 等模型，他们的 Token 预算在第一季度就彻底超支了。微软、Uber 等公司都开始痛苦地清理和缩减他们的 AI 授权和 API 额度。

布里克： 这就是为什么“小模型 + 精准语义检索”将彻底统治下一阶段的企业级 AI 架构。

我们帮助大量客户将他们繁重的推理任务转移到了开源的小型模型上，同时通过 Exa 检索层为这些小模型实时喂入最精准的事实上下文。这种架构在实现相同或更优表现的前提下，将客户的 Token 消耗和计算账单降低了整整 20 倍。我坚信，在 2026 年下半年到 2026 年底，这一降本趋势将彻底成为全行业的共识。

---

06. 科学实验与 Exa 的强化学习（RL）探索

莎拉： 很多人可能没有意识到，Exa 在技术圈里其实被很多研究员看作是一个专注搜索的“前沿技术实验室”，而不仅仅是一家应用公司。你们最近分享了关于将强化学习（RL）应用于搜索调优的成果，能和我们详细分享一下你们在这一研究方向上的进展吗？

布里克： 没错。我们发现，许多被广泛用于训练前沿大语言模型（LLM）的方法，比如预训练（Pre-training）、后训练（Post-training）以及强化学习（RL），在我们的语义搜索模型上同样能产生非常美妙的化学反应。

我们做了一个有趣的实验，对比了 AI 智能体在进行强化学习（RL）任务时，使用传统搜索引擎（SERP 关键词搜索包装）与使用 Exa 原生语义 API 的表现。

实验结果非常明显：在 Exa 基础上进行 RL 训练的智能体，不仅最终的任务达成性能显著提高，而且在执行任务时所需的外部 API 调用次数大幅度减少。

这背后的逻辑其实非常直观——Exa 从第一天起就是针对智能体友好的语义数据格式进行优化的。AI 智能体在进行策略寻优时，能直接通过 Exa 的长句查询和丰富的语义返回快速锁定最优知识边界，而不需要像面对谷歌那样，痛苦地将自己的高维推理状态压缩成破碎的关键词并进行多次无用的试错尝试。

我们在工程和算法层面始终遵循“Bitter Lesson（苦涩的教训）”——我们尽量避免在模型里加入人类主观猜测的规则，而是专注于构建能够随着算力和数据规模无上限扩展的底层语义召回系统。

莎拉： 在这个过程中，你们是如何评估自己的检索质量并进行自我改进的？现在很多公司都在进行 benchmark-maxing（刷榜），你们如何保持对“真实效果”的诚实？

布里克： 这是一个非常普遍的行业痛点。在信息检索和向量检索领域，目前标准的学术评测集（Evals）非常匮乏，且大都脱离了真实的 AI 智能体应用场景。这也导致很多同行发布的“超越 Exa”或“超越谷歌”的刷榜报告在实际的业务部署中毫无意义。

对于我们而言，唯一的 Ground Truth（地面真理）就是我们大客户的 A/B 测试。

当一家日活巨大的 AI 公司（比如 Cognition 或 Perplexity）在他们的核心生产线上，将我们与传统的搜索引擎或向量数据库进行实时的灰度测试时，留存率的变化、单次会话的成功率、以及最终计算账单的降幅是无法作假的。

我们乐于接受这些最苛刻的物理检验，这也驱使着我们每天起床去解决那些从 5,000 多家真实企业客户反馈中涌现出来的、极其具体的检索边界痛点。

---

07. 30年代展望：智能体搜索将超越谷歌广告帝国

莎拉： 你曾做过一个非常大胆的预测：到了 2030 年代，为 AI 智能体提供检索的商业规模（TAM）将彻底超越目前的整个谷歌广告帝国。能和我们分享一下你得出这个结论背后的推导算式吗？

布里克： 这个推导其实非常简单，你只需要算两组简单的数字。

第一，人类网民每天平均发起的搜索次数是有限的，大概每人每天几次。而当每个人的手机里都跑着 24 小时在线的 AI 助手，并且每个企业软件系统都在通过检索去自我纠错和验证时，AI 智能体发起的搜索次数将呈指数级暴涨，其总体检索频次将是人类的数千倍甚至数万倍。

第二，虽然单次智能体搜索的单价可能低于面向人类的广告竞价，但当搜索频次扩大了万倍，且每一次检索都直接决定了一笔巨额商业决策（比如自动比价、自动采购、自动投资筛选）的成功率时，企业为了获取这部分“高精度确定性数据”所愿意支付的软件服务费将极其惊人。

搜索将不再是点缀在网页旁的灰色广告链接，它会成为像“电力”一样不可或缺的底层公共基础设施。如果你相信大模型会重塑所有软件，你就必须相信作为大模型外置硬盘的语义搜索引擎，将成为 AI 时代最庞大的基础支柱之一。

莎拉： 听起来非常宏伟。那么，你们面临的下一个物理瓶颈是什么？

布里克： 最大的瓶颈首先是基础设施（Infrastructure）。

全球现有的向量数据库和检索架构，根本无法承载未来比谷歌大上万倍的恐怖检索吞吐量。因此，我们正在从最底层的硬件和内核逻辑出发，研发具有极高吞吐量和极低内存占用的新型向量数据存储与流式读取技术。

其次是数据的边界。

世界上有太多有价值的数据并没有以网页的形式呈现在公开的互联网上。如何 unearth（发掘）那些保存在人类大脑中、保存在企业封闭数据库中、或者保存在各种卫星图像和实时物联网传感器中的原始信息，并把它们变成可以通过语义检索无摩擦获取的知识，是我们需要探索的庞大处女地。

莎拉： 我知道你之前在 SpaceX 实习过，那段经历对你今天作为 Exa 的 CEO 有什么领导力上的启发吗？

布里克： 那段经历非常神奇。我至今仍清晰地记得，在 SpaceX 任务控制中心外，目睹猎鹰九号火箭首次成功在海面回收驳船上平稳降落的那一刻。那种成百上千人为了一件不可思议的硬核物理梦想共同欢呼的纯粹状态，给年轻的我带来了极大的精神洗礼。

我从 Elon 身上学到了两点：

第一，对底层细节的极度偏执。无论是底层的向量数据库算法，还是我们办公室里的空间布局、海报设计和 swag，我都极其关注细节。这能向团队和外界传递我们对这门手艺的纯粹热爱。我把这比作“飞鹰”——平时飞翔在公司的高空，一旦发现关键的局部细节出现硬伤，就立刻俯冲下去参与解决，然后再飞回高空。

第二，极具模因效应（Memetic）的使命凝聚力。SpaceX 的使命不是“造出更好的运载火箭”，而是“让构建人类多行星文明成为可能”。在 Exa，我们每逢周一都会站在两层贯通的 stadium（阶梯大厅）里举行全员 stand-up，我一直致力于把我们繁琐的算法探索简化成一个极具模因说服力的统一信念：“为整个人类物种重新整理并组织最完美的物理世界信息入口。”

---

08. 极客文化：为什么我们在周五晚上 8 点充满欢声笑语？

莎拉： 提到文化，有一点让我印象非常深刻。当我前几天在晚上 8 点多去拜访 Exa 办公室时，我惊讶地发现你们的办公室依然灯火通明，而且大家不是在疲惫地“混脸熟”，而是聚在一起非常兴奋地讨论和争论，甚至笑声大到需要戴上耳机。在硅谷关于“996”和“Grind Slop（垃圾无效内卷）”大打口水仗的今天，你们是如何在小团队里建立这种充满活力的文化生态的？

布里克： 我非常反感为了面子而进行的“无效加班（grind slop）”。但在 Exa，大家之所以愿意在晚上八点甚至更晚留在这里，是因为我们建立了一个极度自由且完全对齐兴趣的特种突击队架构。

在 Exa，优秀的工程师不需要被框死在特定的流水线岗位上。如果一个负责写底层向量数据库的工程师跑来对我说：“Will，我想去训练重排序大模型。”我会直接对他说：“去吧，我相信你能在两周内搞懂一切，并做出惊人的工作。”

结果确实非常神奇——大家自发选择的兴趣项目，与我们业务推进中所面临的工程难关达成了一种近乎魔幻的契合。当一个聪明人每天都在解决世界上最硬核的信息科学难题，并且身边有一群同样聪明、同样真诚且没有任何官僚心机的伙伴一起大笑时，工作本身就变成了一种极具吸引力的游戏。

莎拉： 我知道你至今仍坚持对每一个进入 Exa 的候选人进行最后一轮面试。你在最优秀的精英身上寻找的最核心的特质是什么？

布里克： 尽管这个词现在听起来有点烂大街，但我寻找的依然是**“眼里的火花”（fire in the eye）与纯粹的激情（passion）**。

在拥有如此丰富 AI 开发工具的今天，一个工程师的编码速度或者写材料的速度已经不再是瓶颈，AI 可以填补所有的技能空隙。最关键的，是这个个体对于“交付最终成果”有着多么狂热的渴望，以及他是否对重构人类的信息系统抱有真正的理想主义情怀。

在这个 meritocratic（唯才是用）的时代，只有眼里有火花的人，才能在未来走得极快，并带领我们一起构建起那个完美的文明信息入口。

莎拉： 这是一个完美的收尾。非常感谢你，Will，这是一次非常美妙的对话。

布里克： 谢谢你，Sarah。我非常享受这次交流。

---