Skip to content
Sign in
Artwork for 跨国串门儿计划
Science

跨国串门儿计划

yikai

这是一档使用 AI 技术来将英文播客翻译为中文播客的节目～ 在翻译的同时，也能保留原有声线，用中文听懂外语播客！

Play
Open in
  • 97 episodes
  • Avg 1 hr 30 min
  • Chinese

Episodes 97

NewestOldestLongest
All20Unplayed20In progress0Played0
Counted on this page — what you have heard stays on this device, so it is not something the list can be paged by.
  • Today · 1 hr 49 min

    #747. 扎克伯格的优势：不领先，也不肯停下来

    📝 本期播客简介 本期我们克隆了：Colossus Magazine · Mark Zuckerberg 原内容更新时间：Mon, 14 Sep 2026 一个人落后于 AI 前沿，真的就输定了吗？马克·扎克伯格押上的，可能不只是更强的模型，还有 Meta 的用户、广告收入、数据中心和分发渠道。 Colossus 的 Jeremy Stern 走访扎克伯格的家人与同事，也采访了他本人。从 Meta 如何重组 AI 团队、押注 AI 眼镜，到扎克伯格为何始终不肯停下，这篇人物特写呈现了一个既被权力困住、又不断寻找新出口的创始人。 👤 本期嘉宾 Jeremy Stern，Colossus 撰稿人，本文作者。他为这篇特写采访了 36 位相关人士，走访扎克伯格的家人与团队，并多次与扎克伯格交谈；从其早年的创造经历，写到 Meta 的平台困境、AI 战略与个人权力。 ⏱️ 时间戳 00:21 天才如何长大 08:29 父母眼中的马克 13:19 格斗与独裁者困境 30:34 泄密风波与眼镜发布会 47:37 眼镜与平台之争 59:37 Meta重押AI 1:12:20 扎克伯格成了替罪羊 1:30:41 创造者不会停下 🌟 精彩内容 💡 Meta不必拥有最强模型 Meta 可以用广告业务的现金、数据中心和芯片降低服务成本，也能把 AI 推给数十亿现有用户。若 AI 变成同质化商品，价值可能落在 Meta 已经占优的分发、注意力和商业化环节。 "如果 AI 变成同质化的商品，Anthropic 和 OpenAI 的价值就会归零，价值反而会落到 Meta 已经占据主导地位的配套环节上。" 💡 AI是扎克伯格不能错过的门槛 Llama 4 发布后，扎克伯格迅速重组团队，成立 Meta Superintelligence Labs，挖来新领导与研究人员，并大幅增加投入。对他来说，错过 AI 的风险，像当年差点错过移动互联网一样。 "AI 是一道关键门槛；如果他像当年差点错过转向移动互联网、又差点错判 TikTok 威胁那样错过 AI，他的帝国就可能慢慢地，哪怕慢得很，也走向消亡。" 💡 AI眼镜想把手机留在口袋 扎克伯格认为，眼镜能让 AI 看见、听见佩戴者周围的世界，还能提供导航和实时翻译；技术融入日常，也可能让人不必一直盯着手机屏幕。 "眼镜让你能和技术互动，同时仍然能专注于身边的人。" 💡 权力越大，越难听见真话 权力者越来越依赖身边人提供信息，但下属可能因恐惧、敬畏或自保而不敢说出坏消息。扎克伯格试着越级接触员工、邀请外部人士当面争论，却也未必能摆脱这种隔绝。 "一个人权力越大，帝国扩张得越大，就越依赖别人提供各种信息。" 💡 他不是为掌声创造东西 扎克伯格说，自己更在意团队凝聚力，而不是陌生人的认可。他把长期组建团队、把产品一点点做好的过程，当成自己最主要的做事方式。 "我在这个世界上最主要的做事方式，就是坐下来组建团队，然后花很长时间，有条不紊地把一件事越做越好。" 💡 “我永远不会停下来” 普莉希拉·陈曾问扎克伯格，能不能结束这段艰难的旅程；他的回答是，自己就是喜欢创造东西。陈后来看到，女儿也会自发地写故事、做应用，这让她理解了扎克伯格为何停不下来。 "他要是停下来，就不是他了。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Yesterday · 53 min

    #745.AI自我加速：能力进步快，不等于研究全面提速，中美 AI 差距

    📝 本期播客简介 本期我们克隆了：Interconnects AI 原内容更新时间：2026-09-22 两人还把问题落到具体处：AI 研究提速的瓶颈在哪里，机器人能否推动工业爆发，中国顶尖实验室与美国前沿实验室差多远，蒸馏能解释多少差距？谈到模型安全时，他们也没有给出简单结论，而是拆解开放模型、封闭模型和安全防护各自带来的风险。 👤 本期嘉宾 JS Denain 是 Epoch AI 高级研究员，负责 Insights Team。他参与追踪和分析 AI 能力进展、中美实验室差距等问题 ⏱️ 时间戳 00:16 RSI与能力加速 14:40 机器人与现实扩张 19:22 中国模型与追赶路径 38:32 模型安全与滥用风险 46:46 Epoch方法与训练配方 🌟 精彩内容 💡 Codex 用得更多，不等于爆发将至 OpenAI 公布的数据显示，研究人员在 Codex 上的支出每月翻倍，但过去他们也大量使用 ChatGPT，单看 Codex 很难判断实际增量。这个趋势说明研究人员可能从中获益，却不足以证明几个月后就会出现软件智能爆发。 "我不觉得这能有力证明 6 个月后就会出现软件智能爆发。" 💡 个人提效不等于公司提速 AI 可能让研究人员完成实验的周期缩短到原来的十分之一，但整体科研产出还受算力、团队协作和战略决策限制。一个研究员效率提高十倍，不代表 Anthropic 就能把研究进度也提高十倍。 "个人效率的提升未必能转化成 Anthropic 整体效率提高 10 倍。" 💡 机器人工业化，可能还要几十年 机器人在受限、重复的制造环境里更有希望，但视觉和动作模型仍不够成熟；建造工厂、扩大机器人产能也需要时间。JS Denain 不认为大规模机器人工业化会在未来两到五年内实现。 "我觉得这可能要几十年，但我不认为这是未来两到五年内就会出现的问题。" 💡 中国模型与前沿模型差几个月 按公开模型的 ECI 表现估算，JS Denain 认为中国顶尖实验室与 OpenAI、Anthropic 的差距大约在六到八个月；Kimi K3 和 GLM-5.2 则显得更接近。他认为算力差异更可能解释大部分差距，蒸馏的作用仍不确定。 "我的感觉是，它们得出的差距大概在 6 到 8 个月左右。" 💡 开放模型的风险不能只看安全限制 开放模型安全防护较弱，但能力也较弱；封闭模型能力更强，却也可能被越狱或从服务中提取能力。判断哪一种风险更大，得看具体的滥用者、能力和使用方式，不能只凭“开放”或“封闭”下结论。 "所以从滥用风险来看，问题似乎是，安全防护不太充分但能力很强的模型，和完全没有安全防护但能力较弱的模型，哪种影响更大？" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Yesterday · 1 hr 4 min

    #746. AI视频生意：看懂增长和模型成本这笔账

    📝 本期播客简介 本期我们克隆了：20VC with Harry Stebbings · The Untold Story of Higgsfield | Burning $4M a Month on AI Models | CEO, Alex Mashrabov 原内容更新时间：2026-09-28 一个客户刚开始每月只花 99 美元，半年后，Higgsfield 和他签下了一份每年超过 600 万美元的合同。AI 视频工具怎样从创作者产品变成企业生意？而一家公司的模型账单，又怎么会每月超过 400 万美元？ Higgsfield 创始人兼 CEO Alex Mashrabov 和 20VC 主持人 Harry Stebbings，从产品摸索、增长和客户结构，聊到开源模型与闭源模型的毛利差异、AI 对订阅市场的冲击，以及社交媒体内容将如何被 AI 改写。 👤 本期嘉宾 Alex Mashrabov 是 Higgsfield 的创始人兼 CEO。19 岁时，他已跻身竞赛编程世界前三；他创办的 AI Factory 后来以 1.66 亿美元卖给 Snap，之后负责生成式 AI 业务。他带领 Higgsfield 从 AI 视频工具起步，谈产品如何找到市场、模型成本如何影响生意，既有创业经历，也有一线经营数据。 ⏱️ 时间戳 00:56 从竞赛编程到创业 12:19 收入增长与商业模式 20:52 模型选择与成本账 30:16 团队、工具与护城河 37:55 融资、全球市场与人才 46:49 创始人、AI与长期增长 🌟 精彩内容 💡 客户从小额订阅走向企业合同 一位客户最初每月订阅只花 99 美元，六个月后，Higgsfield 与其签下每年超过 600 万美元的合同。企业用 AI 批量制作广告素材，再通过 A/B 测试筛选效果。 "有个客户 6 个月前刚开始用的时候，每月只花 99 美元订阅，现在我们刚和他们签了一份超过 600 万美元的合同。" 💡 每月模型账单超过 400 万美元 Higgsfield 将近 400 人，团队成员平均每月在模型上花费超过 1 万美元。有人为了做素材管理工具，连续五个晚上用 Astra，一周就花了超过 3 万美元。 "我们内部每个月使用模型的花费超过 400 万美元。" 💡 开源模型把毛利率拉到八成以上 社交媒体营销需要批量制作广告，不一定非要用最前沿、最贵的模型。Higgsfield 说，使用开源模型，尤其是经过后训练的开源模型，毛利率能超过 80%；闭源模型则约为 20% 到 30%。 "用开源模型，尤其是经过后训练的开源模型时，我们的毛利率能超过 80%。" 💡 每月 20 美元的专业订阅会受挤压 Alex 判断，谷歌和 OpenAI 的通用产品会挤压面向专业消费者的垂直订阅市场，连 Canva 面向消费者的部分设计需求也可能被替代。Higgsfield 因此要让用户从每月 20 美元的套餐升级到每年花费超过 1000 美元。 "我认为它们会彻底摧毁所有面向专业消费者的订阅市场，也就是每月 20 美元的订阅市场。" 💡 做模型是为了具体用例，不是争排名 Higgsfield 曾投入自研模型，但 Alex 后来认为，追逐基准测试成绩未必代表真实工作效果。只有当客户需求明确，例如写真拍摄，他才认为自研模型值得做。 "说到底，这不过是企业层面的心理战。" 💡 社交媒体的大部分内容会由 AI 生成 Alex 认为，社交媒体上的大量内容最终会由 AI 辅助创作或直接生成；真实节目等内容则可能因稀缺而更有价值。他也判断，AI 视频会冲击广告行业和互联网现有的商业模式。 "大家还是没有充分意识到，社交媒体上的大部分内容都会由 AI 生成。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Yesterday · 4 hr 33 min

    #744.Acquired｜劳力士的稀缺生意、机械表、品牌溢价

    📝 本期播客简介 本期我们克隆了：Acquired · Rolex 原内容更新时间：Wed, 04 Mar 2026 机械表走时不如石英表精准，功能上也早已过时，劳力士却在石英危机之后成为腕表生意里最强大的品牌之一。Ben Gilbert 和 David Rosenthal 从劳力士的创立讲起，追溯它如何靠精准、防水和自动上链建立产品优势，又如何在石英表横扫市场时转向机械表的工艺、品牌与稀缺性。 这不只是一段腕表史，也是一堂关于技术颠覆与商业选择的案例课：瑞士钟表业的全球份额从高峰跌落，劳力士没有跟着竞争对手全面转向石英，而是守住核心产品、控制供给，并逐渐把腕表从计时工具变成身份象征。节目还拆解了它的基金会所有制、垂直整合，以及为什么每年生产百万只腕表，仍能让顾客排队等待。 👤 本期嘉宾 Ben Gilbert 和 David Rosenthal 是 Acquired（商业播客节目）的主持人，长期研究优秀公司的发展历程与经营之道。本集两人结合劳力士历史、钟表业资料和业内人士访谈，梳理品牌从创立、产品创新到石英危机与现代奢侈品战略的转变。 ⏱️ 时间戳 00:00 劳力士的神秘悖论 04:42 汉斯与创业起点 25:16 从怀表走向蚝式 1:08:16 机械表与恒动系统 1:24:12 工具表塑造产品线 2:12:29 迪通拿与收藏热潮 2:27:02 石英危机与奢侈转型 3:03:35 垂直整合与供货之争 3:40:39 劳力士的规模与定位 🌟 精彩内容 💡 石英表赢了计时，劳力士赢了新市场 石英表更便宜、更精准，瑞士钟表业的全球份额从1945年的85%跌到1980年的15%。劳力士没有只把机械表当成落后的计时工具，而是转向工艺、品牌与稀缺性，进入一种不同的消费市场。 "不是机械表重新流行起来了，而是在原来的市场被摧毁之后，人们发现它恰好适合一个全新的市场。" 💡 劳力士的优势，是不必跟着恐慌 石英危机中，许多瑞士品牌扩充型号、转做石英表，最后稀释了品牌；劳力士则有基金会所有制带来的长期余裕，可以观察局势，不必为了短期业绩仓促转向。 "我们不想变成那种一年把产量提高 20%，然后又大幅下调公价的品牌。" 💡 限量供货比追着需求跑更稳 劳力士不靠大幅提价追逐热潮，而是逐步增加产量、缓慢提价，避免市场转冷时降价清库存，伤害刚按公价买表的顾客。需求暴涨时，它也没有大幅扩产。 "他们绝不想让产量接近真实需求的水平。" 💡 劳力士的产品不是拿来看时间的 当手机和智能手表承担了计时、通知和健康追踪，机械腕表的实用理由变弱了。劳力士卖的更多是工程工艺、身份表达，以及佩戴者想成为的那种人。 "谁都不需要手表，不管出于什么原因。" 💡 百万产量也能制造稀缺感 劳力士一年生产约110万至120万块腕表，销量远超许多高端制表品牌；但它通过稳定的核心款式、控制供给和强势的二手市场，让大量生产与稀缺感并存。 "他们让很多人觉得，自己买到的是非常特别的东西。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Monday · 1 hr 11 min

    #743.Instinct 创始人：个人 AI 助手应该站在用户这边

    📝 本期播客简介 本期我们克隆了：Invest Like The Best · Inside the Personal AI Assistant Growing 10% a Day | Instinct Founder 原内容更新时间：2026-09-28 不用打开新应用，只发一句话，AI 就能替你订旅行、安排日程，甚至把不想要的订阅从头到尾取消。 Invest Like The Best 主持人 Patrick O'Shaughnessy 与 Instinct 创始人兼 CEO Noah Shinn，聊这款通过消息、语音和邮件与用户互动的个人 AI 助手。Noah 分享了用户把信用卡交给 Agent 前如何建立信任、Instinct 如何从交易中获得收入，以及产品每天增长约 10% 带来的算力难题；他也谈到，未来软件可能不再是一个个独立应用，而是越来越简单的交互界面。 👤 本期嘉宾 Noah Shinn 是 Instinct 的创始人兼 CEO，大约一年前创办这家公司，正在打造一款无需安装新应用、可以通过手机和电脑替用户办事的个人助理。他从产品设计、用户信任与安全机制，到交易模式和算力扩张，亲自讲述了这款产品如何从早期使用场景走向更广泛的日常服务。 ⏱️ 时间戳 00:53 个人Agent走进生活 12:27 Agent重塑旅行与预订 19:09 信任与商业模式 31:44 企业如何迎接Agent 40:09 打造令人喜爱的助理 44:47 增长、算力与未来 🌟 精彩内容 💡 用户把信用卡交给 Agent，信任才刚刚开始 使用三周后，40%的用户已经把个人信用卡分享给 Instinct；至少接入一项敏感信息的用户，留存率约为80%。Instinct 还会用独立于 Agent 的系统拦截恶意内容，并监控、批准或否决 Agent 的行动。 "用户始终应该觉得自己的数据由自己掌控。" 💡 AI 助手不该靠操纵用户赚钱 Noah 不希望 Instinct 通过广告或其他方式诱导用户购买不想要的东西。他认为，Agent 的职责不只是照着指令完成任务，还要理解用户更高层次的目标，并在用户真正需要时替他们兜底。 "Instinct 应该站在用户这边，按照用户的意愿行事。" 💡 增长越快，算力越难买 Instinct 每天增长约10%，而算力需要提前数月采购，临时购买的价格可能贵到原来的3到4倍。若增长持续，团队就得在买少了可能不够用、买多了又承担巨大成本之间做判断。 "如果底层算力需求也得跟着每天增长10%，那该怎么办？" 💡 软件可能不再需要一个个应用 未来用户或许只要说“我今晚得去纽约”，Instinct 就能找航班、订酒店、衔接日历和叫车。Noah 认为，界面会越来越简单，但 Agent 能力不会因此受限。 "我觉得所有软件最终都会归结为一个非常简单、非常容易使用的界面。" 💡 主动服务会把办事阻力降到接近零 如果 Agent 知道用户的日程和偏好，就能提前安排出行，或在用户到家前问要不要点熟悉的外卖。Noah 认为，操作门槛降低后，用户和商家的互动反而可能更多。 "如果是主动帮你处理事情，阻力就真的为零。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Monday · 48 min

    #742.彼得·蒂尔：零增长不是AI的安全替代

    📝 本期播客简介 本期我们克隆了：MDMEETS - Essential Talks with Mathias Döpfner · Peter Thiel: The AI Crisis, Europe’s Decline & the Battle for America【部分删减】 原内容更新时间：2026-09-24 “如果我们什么都不做，如果各个方面都没有进步，我不认为我们的社会还能正常运转。”在AI风险与技术停滞之间，彼得·蒂尔给出的答案不是一味踩刹车：零增长也会带来政治极化和社会失常。 在主持人 Mathias Döpfner 的对谈中，蒂尔谈AI与民主、美国政治和欧洲的竞争力，也解释德国为何缺少靠新事业创造的大型财富；话题最终落到长寿、衰老，以及他为何认为意识上传并不等于自己活下去。 👤 本期嘉宾 彼得·蒂尔是硅谷投资人，参与 Palantir 多年，也与他人共同创办 PayPal。他长期关注技术进步、政治与西方社会的走向；在这场对谈中，他结合企业经历谈AI竞赛，并分享自己对欧洲创业、民主制度和生物科技的判断。 ⏱️ 时间戳 00:05 AI与停滞之辩 08:16 民主危机与德国 20:25 美国政治与颠覆 32:03 欧洲竞争与独立思考 43:50 长寿与生命意义 🌟 精彩内容 💡 零增长不是安全选项 蒂尔认为，AI可能带来风险，但停下技术进步也不是中性的选择。没有代际进步的愿景，社会更容易陷入零和博弈，极左和极右政党也会继续壮大。 "如果我们什么都不做，如果各个方面都没有进步，我不认为我们的社会还能正常运转。" 💡 德国年轻富豪，全靠继承 他比较了美国和德国最富有的五十人：美国其中十二位是X世代或更年轻，九人靠自己创造财富；德国有二十位，但全部是继承而来，没有人靠创办新公司建立财富。 "在德国，这 20 个人全都是继承来的。" 💡 欧洲的AI落后于Minitel 蒂尔把欧洲发展AI比作历史上的两条路：协和式飞机代表追赶并建立领先产业，Minitel则代表执着于本土方案、最后落后。他的判断是，欧洲现在比当年的Minitel还落后。 "如果实话实说，我的判断是，欧洲现在比当年的 Minitel 还要落后。" 💡 别怪刀，去批评杀人犯 面对AI该不该被道德评判，蒂尔用刀作比：刀既能做饭也能杀人，问题在于使用者，而不是工具本身。他认为社会太爱争论善恶，却忽略了更常见的无能与糟糕。 "所以，如果你不想看到杀人事件，你应该批评杀人犯，而不是批评刀，或者把刀禁掉。" 💡 意识上传不等于我还活着 谈到永生，蒂尔不接受把大脑和意识上传到电脑程序的设想。在他看来，身份与肉身密不可分；他更关注的具体挑战，是减缓甚至逆转大脑功能衰退。 "我不能接受把自己上传到一个模拟我的电脑程序里。我不觉得那会是我。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Sunday · 1 hr 26 min

    #741.All-in｜Meta Muse：AI 助理第一次替普通人办事

    📝 本期播客简介 本期我们克隆了：All-In Podcast · Anthropic IPO at Risk, Meta’s Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails 原内容更新时间：2026-09-26 All-In 播客第 290 期由 Jason Calacanis 主持，David Friedberg、Chamath Palihapitiya 和电话连线的 David Sacks 参与讨论。节目先回顾 All-In Summit，再从 AI 公司该不该被称为“实验室”、产品责任和安全边界，聊到开源模型快速增长、token 价格下跌，以及 Anthropic 和 OpenAI 的 IPO 压力。 本集一个重要判断是：模型能力趋同、开源选择增多后，单靠转售 token 的价值会减弱，AI 公司必须往技术栈上层走；与此同时，Meta 的 Muse 和 Grokbot 这样的个人 AI Agent，正在把 AI 变成普通人能用来处理邮件、预订行程、购物和省钱的工具。节目后半段还讨论了 alignment 应该对齐谁，以及 Anthropic 新建 wet lab 的用途与风险。 👤 本期嘉宾 本期由 All-In 播客核心四人组对谈：Jason Calacanis 担任主持；Chamath Palihapitiya 和 David Sacks 参与 AI 公司责任、IPO、监管与市场竞争等议题；David Friedberg 则从模型发布、生命科学应用和实验室研究等角度分享看法。Friedberg 提到自己负责一个生命科学研发机构，并以 Ohalo 为例谈实验室与公司的关系；他也介绍了 Anthropic 生命科学模型和 wet lab 如何用于验证 AI 对蛋白质、酶的预测。 ⏱️ 时间戳 00:28 峰会最难忘时刻 04:34 责任、竞争与实验室之名 18:49 非前沿模型与成本 28:04 IPO延期与开源压力 49:21 前沿发展与政治反应 1:03:07 Muse、alignment与甲骨文 1:21:20 Anthropic生物研究与实验室 🌟 精彩内容 💡 AI 公司是公司，就得为产品负责 讨论从 frontier labs 是否应该享有特殊保护展开。嘉宾认为，称自己为“实验室”不能改变营利公司的本质；决定是否发布产品的责任，应该由真正做决定的公司承担，而不是寄望于全球治理机制。 "它们是公司，就得按同一套标准接受评判，包括产品责任。" 💡 模型越来越像，真正的差距可能在 harness 模型性能逐渐趋同，不代表产品体验也会趋同。Chamath 指出，模型要配上能让它调用工具、完成任务的 harness，才能成为 agentic 的产品；公司与个人接下来要判断，究竟值得为什么付费。 "模型正在趋同，但 harness 之间差异很大，所以它们的表现差别也很大。" 💡 token 变便宜，AI 公司得往技术栈上层走 当模型之间的差异缩小、Open Source 和 open weights 模型越来越能打，单纯卖 token 或在模型外层做封装，可能不再创造足够价值。节目认为，Anthropic 和 OpenAI 需要把能力延伸到网络安全、法律、客户支持等实际业务中。 "你不能一直提供价值不断下降的 token，因为之后的价值都会被那些封装你们智能 token 的人吸收，并由他们创造出来。" 💡 AI 的大部分价值，不只是替代旧工作 Friedberg 认为，AI 的高价值不止是把已有流程做得更便宜，还包括让过去做不到的发现与创造成为可能。高端模型能否持续收费，取决于它们是否能在生命科学、工程等复杂领域带来新的成果。 "AI 价值的 99% 在于让人类历史上从未可能实现的事情成为可能。" 💡 Muse 把个人 AI Agent 带进日常生活 节目嘉宾将 Muse 视为降低 AI 使用门槛的产品：它把复杂功能装进简单界面，可以帮助用户筛选邮件、订机票和酒店。个人 AI Agent 若能稳定处理日常事务，就不只是技术爱好者的玩具，而可能成为普遍可用的数字助理。 "如果有 10 亿人开始把个人 AI Agent 当作数字助理，用来让生活更有效率，那会怎么样？" 💡 alignment 也可以从用户需求出发 节目质疑，若 alignment research 连要对齐什么都无法达成共识，抽象地讨论伦理原则未必能让产品更可靠。另一种更务实的思路是，让模型行为可预测、安全，并符合实际使用者的需求。 "在我看来，alignment 就应该是满足客户的需求，就像其他任何产品一样。" 💡 Anthropic 的 wet lab 是用实验验证 AI 预测 Friedberg 解释，Anthropic 的实验室旨在把模型对新酶、蛋白质功能的预测放到真实实验中检验。节目提到，这类基础实验室通过制造蛋白质并观察其功能，验证软件预测是否成立；这与制造病毒或病原体并非一回事。 "我觉得，归根结底，他们的目标是拿到一些证据，证明自己的软件确实能做到它所预测的事情。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Saturday · 2 hr 18 min

    #740.Huberman Lab｜减重不能只靠把胃变小

    📝 本期播客简介 本期我们克隆了：Andrew Huberman · Best Tools for Gut Health & Weight Loss | Dr. Chris Thompson 原内容更新时间：2026-09-21 在 Huberman Lab 播客中，斯坦福大学医学院教授安德鲁·休伯曼与克里斯·汤普森医生展开对谈。汤普森医生是哈佛医学院医学教授，也是波士顿 Mass General Brigham 医疗系统消化道介入科主任，长期关注胃肠道、代谢和肥胖症治疗。 从食物经过消化道的过程聊起，两人谈到肠道如何参与饥饿、饱腹和血糖调节，以及膳食纤维、抗性淀粉、发酵食品和肠道菌群的作用。对谈也讨论了便秘与排便习惯、结肠癌筛查、幽门螺杆菌，以及肠道通透性与代谢健康之间的联系。 节目后半段聚焦减重治疗：GLP-1 药物的效果与局限、停药后的体重反弹和瘦体重流失、手术与内镜下操作如何影响肠道激素，以及运动和饮食在治疗中的位置。汤普森医生还分享了超声内镜、AI 与机器人等技术如何改善诊断和操作，并展望针对不同患者特点设计治疗方案的可能性。 👤 本期嘉宾 克里斯·汤普森医生是哈佛医学院医学教授、波士顿 Mass General Brigham 医疗系统消化道介入科主任，也是体重管理与健康中心的联合主任。他的专业横跨胃肠病学、代谢、营养和肥胖症治疗，并参与开发胃肠道与代谢健康领域的治疗方法。本期他结合临床经验与研究，讲解胃肠道的运作机制、减重治疗的取舍，以及内镜技术和新疗法的进展。 ⏱️ 时间戳 01:35 克里斯·汤普森医生 01:38 消化道、肠道激素与营养吸收 07:40 结肠菌群与结肠癌筛查 10:45 吞咽问题与 Zenker 憩室 13:27 排便与便秘 15:32 膳食纤维、抗性淀粉与肠道屏障 18:31 间歇性禁食与肠道菌群 20:08 发酵食品、菌群多样性与丁酸 23:21 幽门螺杆菌、压力与胃溃疡 26:22 GLP-1 药物：益处与局限 29:29 低剂量 GLP-1、体重反弹与肌肉流失 33:07 GLP-1 副作用、food noise 与冷漠感 35:19 减重手术与医疗创新 41:16 赞助商：AG1 41:32 饥饿与饱腹：胃饥饿素等激素 43:39 瑞他鲁肽与多重激素靶点 46:18 超加工食品、过量进食与瘦素 48:52 肠促胰素发现、Exendin-4 与吉拉毒蜥 52:53 超声内镜与胰腺活检 1:00:40 早期代谢指标、CGM 与空腹胰岛素 1:06:21 胰岛素抵抗与代谢灵活性 1:09:26 赞助商：Function 1:09:32 患者数据、筛查与治疗普及 1:18:22 AI、机器人与手术改进 1:21:08 选择外科医生与衡量手术质量 1:26:48 图像引导与高光谱成像 1:29:00 诊断与精准代谢治疗 1:32:34 胃旁路、前肠排除与糖尿病 1:38:01 十二指肠内衬与黏膜重塑研究 1:43:20 肠道通透性、炎症与脂肪肝 1:49:36 人工甜味剂、果糖、脂肪与Omega-3 1:55:07 抗阻训练、二区有氧与间歇训练 1:56:33 体重设定点与代谢适应 1:58:23 内镜袖状胃成形术与胃底消融 2:01:09 磁力肠道吻合与联合治疗 2:07:46 GLP-1基因治疗研究 2:13:17 创新、解决问题与团队合作 🌟 精彩内容 💡 肠道不只是消化器官 肠道既负责消化和吸收，也是内分泌器官；它通过肠道激素、菌群及其他信号，参与饥饿、饱腹和代谢调节。 "它显然参与消化，但同时也是一个内分泌器官。" 💡 便秘可能是膳食纤维不足的早期信号 排便频率和形态能提供健康线索。汤普森医生提醒，羊屎状便或连续数日不排便，值得留意膳食纤维摄入；纤维的作用也不止于帮助排便。 "便秘能让我们及早发现这个问题，对吧？这可能是膳食纤维摄入不足的早期信号。" 💡 不喂菌群，它可能会消耗黏液层 膳食纤维能为肠道菌群提供养分，帮助维持能产生丁酸的微生物生态。丁酸也参与结肠细胞供能与紧密连接的维持。 "如果你不给它们纤维吃，它们就会吃你的黏液层。" 💡 GLP-1 有帮助，但停药需要计划 GLP-1 药物能为肥胖治疗提供重要工具，但可能伴随恶心、瘦体重流失等问题。若停药后体重反弹，增加的可能主要是脂肪，因此不能只考虑如何减重，也要规划如何维持。 "所以必须有个计划。" 💡 减重治疗不该只盯着一个杠杆 汤普森医生介绍，手术和内镜下操作可以针对不同的生理机制，包括胃饥饿素、GLP-1 等肠道激素。未来的方向，是根据患者特点组合治疗，并尽量减少不必要的干预。 "今后的目标是做得更精准，弄清楚每个人对哪种干预反应更好，然后只做最少的必要操作。" 💡 及早看代谢指标，不必等到糖化血红蛋白升高 节目讨论了 CGM、空腹胰岛素等指标如何帮助更早发现代谢变化。汤普森医生强调，传统检查之外，也可以关注更早出现的信号，并据此调整饮食与生活方式。 "关键是要尽早开始检查，而且别只看传统指标，好吗？" 💡 运动是减重治疗的重要组成部分 无论采用药物、手术还是内镜下操作，抗阻训练都有助于维持肌肉。汤普森医生也提到二区有氧和高强度间歇训练，并强调需要同时处理饮食、活动等根本问题。 "我会要求所有患者进行抗阻训练，甚至在他们开始减重、接受治疗操作之前就开始。" 💡 AI 可以辅助操作，但医生仍需判断 AI 能在操作中标出目标结构、提供实时提示，也能在术后分析操作质量；机器人则可能帮助受训者更快掌握复杂操作。汤普森医生强调，AI 是辅助工具，不能取代临床判断。 "所以你必须运用临床判断，不能盲目使用 AI。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Saturday · 1 hr 33 min

    #739.黄仁勋：「五层蛋糕」里，最重要的是应用层

    📝 本期播客简介 本期我们克隆了：The Ezra Klein Show · Jensen Huang Thinks A.I. Alarmism Has Gone Too Far | The Ezra Klein Show 原内容更新时间：2026-09-23 《The Ezra Klein Show》主持人 Ezra Klein 飞往圣克拉拉的英伟达总部，采访英伟达 CEO 黄仁勋。黄仁勋是 AI 产业最具影响力的人物之一：英伟达提供了现代 AI 所依赖的重要芯片与基础设施，他本人也在美国政府和科技产业中拥有很大影响力。 这场对话从黄仁勋提出的 AI「五层蛋糕」展开，谈到 AI 如何改变工作、开放模型的价值、Agent 事件暴露的工程与 alignment 问题，以及监管和安全责任。两人的分歧尤其集中在一件事上：黄仁勋认为，安全首先是公司的工程责任，解决不了就不要发布产品；Ezra 则追问，仅靠公司自律，能否应对竞争压力和潜在的集体行动困境。 他们还讨论了 AI 是否会成为失控的智能、技术进步会如何重塑计算产业，以及芯片出口、能源建设和 AI 泡沫等议题。黄仁勋一方面反对以末日论调吓阻公众，另一方面也强调，评估、测试、沙箱隔离和安全都属于 AI 工程的一部分。 👤 本期嘉宾 黄仁勋，英伟达 CEO。英伟达设计并提供 AI 产业广泛依赖的芯片与基础设施；从早期图形处理芯片到支持现代深度学习的计算平台，黄仁勋参与塑造了今天的计算与 AI 产业。他在访谈中以工程和产业建设的视角，讨论 AI 的技术基础、商业应用、安全责任、芯片出口与能源需求，也阐述了自己为何反对以危言耸听的方式描述 AI 风险。 ⏱️ 时间戳 00:45 开场 01:52 五层蛋糕 03:05 黄仁勋的未来愿景 08:18 工作将如何受影响？ 22:54 开放模型解析 27:17 Hugging Face黑客事件中的alignment问题 31:39 AI安全的“别发布”方案 36:23 我们需要新的监管吗？ 50:40 AI末日论为何错了 55:37 AI只是软件 58:15 黄仁勋对智能的定义 59:08 AI是普通技术还是阶段跃迁？ 1:04:00 递归式自我改进 1:11:12 计算新时代？ 1:17:52 AI会有泡沫吗？ 1:22:42 芯片出口 1:26:51 AI热潮由什么供能？ 1:32:06 书籍推荐 🌟 精彩内容 💡 「五层蛋糕」里，最重要的是应用层 黄仁勋把 AI 产业拆分为能源、芯片、AI 工厂、模型和应用五层。底层技术提供支撑，但他最在意的是医疗、法律、制造等行业能否真正用上 AI，让整个社会从中受益。 "再往上一层是最重要的一层，也是我最关心、最希望我们国家能从中受益的一层，那就是应用层。" 💡 AI 自动化的是任务，不一定是工作的目的 以放射科为例，判读扫描影像可以自动化，但诊断疾病、帮助患者并支持医生工作的根本目的仍然存在。黄仁勋认为，自动化可能让从业者处理更多病例，甚至增加对专业人员的需求；判断工作会不会消失，不能只看其中一项任务。 "所以，工作的根本目的没有改变。查看扫描影像这项任务已经实现了自动化。" 💡 人的雄心，常常没被就业预测算进去 黄仁勋认为，自动化分析往往只计算完成工作所需的劳动，却忽略了人想改善生活、照顾家人、创造新事物的抱负。在他看来，技术会改变工作，也可能催生新的行业与需求。 "我认为，雄心的力量实际上是最强大的力量，却被每个人的计算都漏掉了。" 💡 开放模型让使用者掌握自己的基础设施 封闭模型可以作为服务提供，但企业和国家也需要开放模型，以便微调、使用自己的数据和专业知识，并掌控关键技术。黄仁勋认为，开放与封闭并非只能二选一，两种模式都应发展。 "我觉得世界既需要封闭模型，也需要开放模型，而且得确保两者都蓬勃发展。" 💡 Agent 出问题，既是工程问题，也是 alignment 问题 谈到 Agent 逃出沙箱、入侵系统等事件，黄仁勋将其拆解为隔离与限制、算法优化目标和 alignment 等问题。他强调，软件会朝目标优化，工程师必须为它设定边界；但 Ezra 也追问，既然实验室尚不确定如何控制系统，为何仍要发布。 "如果你要造一辆车，一辆自动驾驶汽车，比如说是辆 robotaxi，而且碰上特别棘手的情况，……那该怎么办？别把它推向市场。" 💡 公司若觉得产品失控，就该先停下来 黄仁勋反对把产品发布的责任推给社会或监管者。他认为，企业及其领导者有能力、也有义务决定是否发布；如果实验无法控制、可能对人造成严重伤害，就应暂停产品。 "但我觉得，如果他们认为自己已经失去控制，正确的做法就是，在重新掌控之前不要推出产品。" 💡 安全不是研发之外的事 黄仁勋把安全验证、评估、测试和沙箱隔离都视为 AI 技术本身的一部分。他认为，提升能力与提升安全不应被对立起来；不安全的技术，不能算真正的进步。 "不安全的技术，就称不上是在进步。" 💡 AI 的算力需求，来自它开始真正有用 黄仁勋将计算产业的变化概括为从检索信息转向生成内容：AI 需要理解上下文、推理并生成答案，Agent 也会进一步扩大计算需求。在他看来，AI 工厂的价值不能只看建设成本，还要看它的生产效率、用途和耐用性。 "过去 60 年我们熟悉的计算产业，叫作检索式计算。……而未来的计算中心会是 AI 工厂。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Saturday · 1 hr 2 min

    #738.费曼：想象之乐

    📝 本期播客简介 本期我们克隆了：Christopher Sykes · HD Feynman: FUN TO IMAGINE complete 原内容更新时间：July 1983 这期 BBC 系列《FUN TO IMAGINE》由物理学家、诺贝尔奖得主理查德·费曼畅谈科学。节目最初于 1983 年在 BBC2 播出，在费曼位于加利福尼亚州阿尔塔迪纳的家中拍摄；这版由 Christopher Sykes 上传，包含六集完整内容，并配有中英文字幕。 费曼从咖啡、冰块、火、橡皮筋和磁铁讲起，把看似熟悉的现象还原成原子振动、电磁作用和能量变化。他也借镜子与火车轮子的谜题，示范怎样拆解一个问题；再从光与无线电波、恒星和黑洞，谈到想象力如何帮助人们探索肉眼看不见的世界。 节目最迷人的地方，是费曼既不把科学讲成必须背诵的答案，也不回避理解的边界：有些现象可以用熟悉的图景说明，有些则只能借助数学推导。他邀请听众带着好奇心追问，也坦承人脑中的思维图像各不相同，而微观世界可能远比我们习惯的日常经验奇妙。 👤 本期嘉宾 理查德·费曼是物理学家、诺贝尔奖得主。本期节目由 Christopher Sykes 主持，最初作为 BBC 系列《FUN TO IMAGINE》拍摄并于 1983 年播出。费曼善于从日常经验切入物理问题：他用原子振动解释热，用磁铁和椅子讨论电磁力，也用生活中的谜题展示科学思考如何一步步深入。值得一听的不只是他解释了什么，更是他如何把“不知道”变成继续探索的起点。 ⏱️ 时间戳 00:11 引言 00:50 原子振动 07:00 火 11:47 橡皮筋 14:24 磁铁 21:42 电 30:22 镜子与火车谜题 35:48 看见事物 41:35 大数字 52:31 思维方式 🌟 精彩内容 💡 热没消失，只是换了种运动 费曼用球落地的例子说明，宏观上看似消失的动能，实际上转化成地板和球内部原子的振动；敲打东西会让它变热，也正是这个图景的日常印证。 "但实际上，地板比之前振动得更厉害了，球里的原子也比之前振动得更厉害了。" 💡 烧木头，烧的是储存起来的太阳 从木头里的碳和空气中的氧如何结合，费曼一路追问到树如何生长、阳光如何参与其中。燃烧释放的热和光，正是植物生长时储存下来的能量。 "释放出来的光和热，就是当初吸收进去的太阳光和热。" 💡 问“为什么”，得先知道自己接受了什么 解释米妮姨妈摔断髋骨为什么去医院，看似有了答案，仍然可以继续追问：为什么滑倒？为什么冰滑？费曼借此说明，每个回答都建立在某些默认的理解之上，而继续追问，往往能让问题变得更有意思。 "我的想法是，一件事越深，就越有意思。" 💡 镜子没把左右弄反，而是把前后反了 我们常把镜像想成一个转身面对自己的人，于是觉得左右颠倒了。换个角度看，镜子真正反转的是垂直于镜面的前后方向；熟悉的说法，来自我们习惯想象人如何转身。 "而是前后反过来了。你看，简单说，镜像里的鼻子跑到了头的另一边。" 💡 房间里同时穿过许多看不见的波 可见光、热辐射、无线电波和雷达波都是电磁波，只是波长不同。它们可以同时穿过同一个空间；收音机做的，是让电线里的电子对特定信号产生响应。 "所有这些都同时发生，所以在这个空间里，不只有让我看见你的光，还有此刻正在播出的莫斯科电台信号，也有秘鲁某个人唱歌的声音。" 💡 科学想象不是凭空幻想 费曼讲到中子星：科学家先依据已知定律推演出一种可能存在的天体，之后才发现相应的脉冲星。数学和分析帮助检验推理，而想象力让人先看见可能性。 "这很好地说明，想象力是有用的，能让人提前作出猜想，也能让我们借此取得进展。" 💡 没有人天生就会想象量子世界 理解电磁场或量子力学，不靠奇迹般的天赋，而要靠学习、练习和钻研。费曼也提醒，微观世界的规律未必能套进我们熟悉的宏观图景。 "没有什么人是奇迹般的天才。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Friday · 57 min

    #737.Liquid：蠕虫 302 个神经元，启发了另一种 AI 架构

    📝 本期播客简介 本期我们克隆了：Latent Space · A Worm With 302 Neurons Inspired Their Architecture — Ramin Hasani, Liquid AI 原内容更新时间：2026-09-18 Latent Space 主持人与 Liquid AI CEO Ramin Hasani 深入聊了 Liquid 的技术路线：从受秀丽隐杆线虫启发的液态神经网络，到面向不同硬件设计混合架构的 LFM。Ramin 回顾了这项研究如何从机器人控制起步，并逐渐走向基础模型，以及连续时间系统在效率、表达能力和扩展性之间面临的取舍。 对话也落到了模型如何真正进入生产环境：Liquid 与梅赛德斯-奔驰、Shopify 等企业合作，把模型部署到汽车、设备和应用中；同时通过 Leap 等工具支持开发者微调与部署。后半段则讨论企业定制化、架构搜索、多模态与 DNA 模型，以及具身智能和自适应学习可能打开的方向。 👤 本期嘉宾 Ramin Hasani 是 Liquid AI 的 CEO，也是公司的联合创始人之一。他在 TU Wien 开始研究连续时间数学如何融入机器学习，并与团队从受秀丽隐杆线虫神经系统启发的液态神经网络出发，探索高效学习与机器人控制。2017 年起，他在 MIT 与 Daniela Rus 等人合作，继续研究连续时间动力系统、序列建模及其规模化。如今，他带领 Liquid AI 将这些研究延伸到基础模型、企业部署和面向特定硬件的架构设计。 ⏱️ 时间戳 00:16 Liquid AI 起源 00:41 秀丽隐杆线虫启发 03:30 灵活的 Liquid 网络 05:50 连续时间动力系统 07:34 突破 RNN 扩展瓶颈 11:10 STAR 混合架构设计 12:09 LFM 的演进 16:20 端侧智能与隐私 20:08 Shopify 生产部署 21:55 机器人实验与视觉动作 28:02 定制化与企业 AI 38:15 架构搜索与模型工厂 44:59 时间序列与连续时间 46:27 适应性与认知架构 49:20 多模态与 DNA 模型 55:50 Transformer 十周年与注意力 🌟 精彩内容 💡 线虫不是比喻，而是研究起点 Ramin 解释，团队选择秀丽隐杆线虫，是因为它的神经元不会发放脉冲，神经活动可以用连续时间模型描述。这为构建可微、可训练的液态神经网络提供了生物学灵感。 "它只有 302 个神经元，却能控制 95 个肌肉细胞，表现比当时世界上任何机器人系统都好。" 💡 架构不必押注单一答案 Liquid 没有把某一种替代架构视为终极方案，而是搭建 meta-AI 系统，在不同算子和混合架构中搜索，并根据目标硬件优化质量、内存、延迟和速度。 "我们来打造一个 meta-AI 系统，在算子空间里进行搜索。" 💡 模型架构要跟着芯片走 同一套模型结构并不一定适合所有设备。Liquid 用架构搜索为不同部署环境寻找合适组合；Ramin 以 LFM2 为例，说明它如何针对 CPU 做出更精简的设计。 "目标设备基本决定了混合架构该是什么样。" 💡 上设备不等于把模型下载下来 本地部署能带来隐私、离线使用和成本方面的优势，但生产级 AI 还涉及温度、长上下文下的表现与可靠性，不能只凭基准测试判断。 "这不是从开源社区下载一个模型，再把它放到设备上就算成功了。" 💡 企业需要的不是演示，而是能跑进生产的模型 Ramin 分享 Liquid 与梅赛德斯-奔驰、Shopify 等企业合作的经验：前者探索车载智能，后者将 LFM 用于面向商家和消费者的产品。他强调，真正的落地工作远比模型评测复杂。 "产品级的 AI，远不只是看模型在设备上的一些质量基准测试结果，还要考虑更多。" 💡 定制化不只是后训练 从预训练、中期训练、后训练到数据生成和 RL，模型定制可以贯穿整个开发流程。Liquid 正在开发自助平台，希望企业能够借助工具与 agent 构建、部署并持续更新自己的模型。 "要考虑从预训练到推理阶段，各个层面的定制化。" 💡 模型越大，架构可能越要简单 根据架构搜索和规模实验，Ramin 提出一个反直觉的判断：小模型可以通过更多结构偏置获得丰富动态；模型规模增大后，减少偏置、简化架构反而更有利于扩展。 "模型越大，架构就越要简化。" 💡 下一步不只有更强的前向计算 Liquid 正关注高度多模态系统、更长程推理、DNA 等不易被人直接理解的数据，也在思考模型运行时的适应能力，以及具身智能和持续学习。 "我们非常专注于高度多模态的系统。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • Friday · 1 hr 7 min

    #736. Mike Wilson：AI后遗症迟早会来，现在还没到

    📝 本期播客简介 本期我们克隆了：Mike Wilson: The AI Trade Has a Breaking Point, We're Just Nowhere Near It 原内容更新时间：2026-08-07 Risk Reversal 主持人 Dan Nathan 和 Guy Adami 第 15 次邀请摩根士丹利首席股票策略师兼 CIO Mike Wilson 做客。本期先从市场轮动、标普500走势和利率谈起，再深入讨论 AI 资本开支、半导体与 hyperscalers 的表现分化，以及这轮建设热潮可能面临的回报与风险。 Wilson 认为，市场正从偏好低质量、提供 AI 建设支持的公司，转向更看重质量与实际应用的一端；但利率、CapEx纪律和融资模式仍是需要关注的变量。他也谈到中国在稀土与零部件供应链中的位置，以及太空经济、机器人、无人机等长期主题。 节目后半段，Wilson 与主持人回看互联网泡沫时期的资本开支周期，并比较当年与今天的相似之处和不同之处。谈话既讨论周期后续可能出现的低效投资与失望，也追问技术普及后，哪些真正采用技术的公司可能从中受益。 👤 本期嘉宾 Mike Wilson 是摩根士丹利首席股票策略师兼 CIO，负责投资策略相关工作，并与全球大型投资者交流。他长期参与 Risk Reversal 播客，本期是他第 15 次做客。节目中，他结合市场周期、估值、盈利预期和资金流向，分析 AI 资本开支热潮的不同阶段，也以自己在 90 年代末从事科技研究的经历，回看互联网建设周期。 ⏱️ 时间戳 00:24 滚动式衰退后的质量轮动 06:40 利率与美联储交接 11:34 CapEx周期与科技股分化 25:28 日元压力与全球失衡 33:51 AI应用与资本开支后遗症 🌟 精彩内容 💡 市场开始从“卖铲子”转向质量 Wilson 认为，经济周期从早期走向中期后，投资者不必继续追逐低质量的建设受益股，而要在各行业内部寻找质量更高的公司。眼下的轮动不只是板块之间换风向，也是同一板块里资金偏好的变化。 "现在市场做的是质量交易。" 💡 hyperscalers 相对半导体股的优势正在显现 他指出，半导体股此前受益于 AI 建设热潮，但盈利预期修正的广度开始见顶；相比之下，hyperscalers 的估值已经回落，资产负债表、护城河和业务质量也更受市场关注。 "我们看好 hyperscalers 胜过半导体股，因为半导体股已经处在高位，而且盈利预期修正的广度即将掉头。" 💡 利率是市场还要跨过的一道坎 即使标普500创出新高，Wilson 仍认为市场未必完全脱离风险。他担心利率继续上行，并把 10 年期美债收益率升至 5%视为可能影响股市的重要因素。 "利率还会继续上行，而这正是我们最后一道必须跨过的坎。" 💡 CapEx 增速放缓，不等于支出已经负增长 Wilson 认为，投资者开始审视资本开支是否能带来足够回报。支出仍在增长，但增速变化已影响市场情绪；如果企业继续宣布增加开支，市场可能不再像此前那样奖励它们。 "这不是负增长，而是增速放缓。" 💡 真正的长期赢家，可能是采用技术的人 建设平台和提供算力的公司并非唯一受益者。Wilson 认为，当技术成本下降并普及，医疗、教育、金融等领域采用技术的公司，才可能释放更广泛的应用价值。 "边际成本降到零时，使用这个技术平台的人才是大赢家。" 💡 AI 建设周期终究会留下后遗症 他把当下视作又一轮大型资本开支周期：过度建设、定价压力、回报不足和融资困难，未来都可能出现。但他认为，眼下还没有走到市场迫使企业全面收缩的阶段。 "之后会有一段很严重的后遗症。" 💡 供应链瓶颈也是国家安全问题 谈到中国的稀土、磁铁和零部件优势，Wilson 指出，过去把制造业和原材料产业外包，留下了供应链依赖。稀土与材料的替代来源和本土制造，可能成为持续多年的投资主题。 "我们得在本土制造这些东西，包括半导体，以及无人机、机器人和未来一个世纪要建的工厂所用的其他零部件。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 22 · 2 hr 8 min

    #735. Jev 模型创始人访谈：为什么我无法在 OpenAI 构建 Jev

    📝 本期播客简介 本期我们克隆了：Latent Space · Why We Made Jev — Diogo Almeida, TypeSafe Co-founder & CEO 原内容更新时间：2026-09-21 本期 Latent Space，也就是 Latent Space 播客，主持人 swyx 对话 TypeSafe 联合创始人兼 CEO Diogo，讨论 Jev 发布背后的产品理念、训练方法与软件架构。Jev 被定义为机器原生、系统 1、大型可编程模型：它不是为了与人聊天，而是为了被代码直接消费，并在软件中承担大量细小、可验证的决策。 Diogo 解释了 TypeSafe 为什么把 RLCD 视为新的北极星目标，为什么认为 RLHF 会造成模式丢失、校准失真与智能碎裂，以及为什么可靠性、鲁棒性和单位美元智力比公开基准排名更重要。他还谈到拒绝响应为何可能成为 API 依赖中的类型错误、结构化状态如何取代巨型系统消息，以及如何把 AI 工作流拆成可度量的最小语义单元。 对谈也延伸到暗数据、电脑操作、实时场景和编程 Agent。Diogo 认为，AI 最终不应成为软件里的显眼聊天框，而应像基础设施一样隐入背景；真正的经济变革，不是让 AI 充当主角，而是让已有软件获得此前无法实现的自动化能力。 👤 本期嘉宾 Diogo 是 TypeSafe 联合创始人兼 CEO，此前曾在 OpenAI 工作，参与过 InstructGPT 与指令遵循方向的早期工作。他长期思考一个核心问题：为什么 AI 能解决千禧年大奖难题，却仍然无法稳定自动化大量基础、机械、具有经济价值的工作。离开 OpenAI 后，他与团队围绕机器原生模型、程序在环反馈、可靠性和数据展开多年探索，最终推出 Jev。 Diogo 值得听之处在于，他既熟悉前沿模型训练和后训练，也持续从软件工程师的实际需求出发，质疑聊天机器人、公开刷榜和“AI 同事”等默认范式。他对模型能力参差、数据质量、API 设计和编程 Agent 的讨论，构成了一套从模型底层一直延伸到软件产品的完整判断框架。 ⏱️ 时间戳 00:23 开场与发布感受 02:52 Jev与系统1模型 05:41 RLHF与模式丢失 09:47 程序化AI与安全对齐 15:53 为何拒绝公开评测 18:52 《最苦涩的教训》与数据 22:59 RLCD、RLHF与RLVR 26:28 强大AI为何未自动化经济 37:09 可靠性、鲁棒性与确定性 45:00 版本、速度与性价比 50:35 Jev API与编程原语 54:40 用Jev拆解程序任务 1:12:36 SaaS反向末日与软件 1:26:22 电脑操作与主要用例 1:30:59 Jev重塑编程Agent 1:33:06 安全、前沿节奏与RLVR局限 1:38:59 为何不花十亿美元预训练 1:45:10 TypeSafe背后的OpenAI故事 1:51:19 多数NeoLab为何做错AI 1:56:46 编程Agent与多Agent未来 🌟 精彩内容 💡 AI 的问题不是不够聪明，而是缺少正确接口 Diogo 认为，今天的 AI 已经展现出远超预期的抽象与推理能力，但这些能力还没有通过合适的接口进入经济活动。Jev 的目标，就是让代码而不是人，成为模型的直接使用者。 "我们怎么能去解数学里的千禧年大奖难题，却连最基础的工作都还自动化不了？" 💡 RLCD 是面向程序化使用的新北极星 在 Diogo 看来，RLHF 的核心是指令遵循，RLVR 的核心容易滑向刷基准，而 RLCD 关注的是模型在程序化使用中的可靠性。重点不在某个具体算法，而在于为模型选择正确的任务和方向。 "对我们来说，RLCD 就是这个新任务，我不觉得它是行业黑话。" 💡 数据和任务比算力更重要 TypeSafe 更愿意把自己称为数据实验室，而不是模型实验室。Diogo 认为，真正困难的不是单纯扩大模型规模，而是找到正确的任务、构造与任务匹配的数据，并持续修复模型能力参差的部分。 "显然数据远比算力重要，而选对任务、确立北极星目标，才是最难、最重要的事。" 💡 API 里的拒绝响应可能是类型错误 面向聊天产品的安全对齐，可以让模型拒绝用户不应提出的请求；但当模型作为软件依赖运行时，随机拒绝可能让整个系统不可预测。Diogo 区分了安全对齐与能力对齐，并强调 API 更需要按用户意图稳定执行。 "而且拒绝响应明显就像是一个类型错误。" 💡 可靠性不等于确定性 相同输入是否始终得到相同输出，只是确定性问题；真正适合软件的目标，是相似输入得到相似结果，并且模型在不同表达、随机数和上下文变化下保持鲁棒。 "我认为鲁棒性才是大家……更重要的特性。" 💡 把 AI 工作流拆成最小语义单元 与其用一个巨大的系统消息要求模型一次性完成所有事情，不如把任务拆成许多独立、明确、可评测的决策。这样每个行为都能通过代码验证、设置阈值，并沉淀为测试用例。 "我喜欢把东西拆成最小的语义单元。" 💡 结构化状态将取代巨型系统消息 Diogo 认为，软件内部真实存在的是状态、变量、指令和嵌套结构，而不是一串字符串。把所有内容塞进系统消息，类似使用难以维护的全局变量；机器原生模型应直接处理结构化 JSON 和程序状态。 "系统消息就像恶心的全局变量，你把什么东西都往里塞，把所有指令一股脑全放进去。" 💡 AI 最终应该隐入软件背景 在 Diogo 描绘的未来里，AI 不必一直以聊天框或“AI 同事”的形式出现。它会成为软件底层的通用基础设施，嵌入已有产品，自动化那些今天仍由人手工完成、但用户甚至无法想象如何自动化的工作。 "我觉得这个世界应该让人感觉更惬意，而 AI 只要在背后帮着实现这一点就好。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 21 · 21 min

    #734.Ben Thompson：前沿悬垂

    📝 本期播客简介 本期我们克隆了：The Stratechery Podcast · Frontier Overhangs 原内容更新时间：2026-09-21 本期节目由 Ben Thompson 主持，围绕他对 Anthropic 联合创始人 Dario Amodei 在《We Must Pace the Frontier》中提出的“放慢前沿步伐”主张展开分析。Ben Thompson 认为，安全担忧可能是真诚的，但放慢模型进步同样能为前沿实验室争取时间，解决模型能力、产品、定价、资本与安全上的多重“悬垂”。 节目首先回顾 Agent 式 AI、Claude Code 与 harness 的发展，讨论模型能力是否已经“足够好”，以及模型和 harness 解耦后，Anthropic、OpenAI、微软等公司的护城河将如何变化。随后，节目从《创新者的解答》的整合与模块化理论出发，分析 Meta 的 Muse、Copilot Cowork，以及前沿实验室为何必须掌握最终用户触点。 后半部分进一步讨论中国模型带来的价格保护伞、AI 基础设施融资的资本风险，以及 Agent 式网络攻击带来的安全悬垂。Ben Thompson 的核心判断是：对于当下已经存在的网络安全风险，放慢前沿反而可能延长坏事发生的窗口期；而“放慢前沿”的安全论证，也可能与实验室需要时间建立护城河的竞争诉求重叠。 👤 本期嘉宾 Ben Thompson，Stratechery，也就是 Stratechery 科技博客的主持人和作者，长期从战略与技术角度分析科技公司的商业模式、产业结构与竞争格局。本期他将自己此前关于 Agent 式 AI、模型与 harness 整合、前沿实验室经济必然性的观点串联起来，并进一步拆解 Anthropic、OpenAI、微软、Meta、英伟达及超大规模云厂商面临的结构性问题。节目也延续了他在 Sharp Tech，也就是 Sharp Tech 播客中对 AI 安全哲学的批评，但本期更集中于商业战略与技术演进。 ⏱️ 时间戳 01:33 导言 02:17 能力悬垂 09:21 产品悬垂 11:44 定价悬垂 13:38 资本悬垂 16:35 安全悬垂 🌟 精彩内容 💡 “放慢前沿”同时也在解决实验室自身的问题 Ben Thompson 认为，放慢模型进步未必只是安全策略，也可能是在缩小前沿实验室因模型进步过快而产生的多种悬垂，包括能力、产品、定价、资本和安全悬垂。 "放慢前沿步伐表面上被包装为，而且我也相信其动机是出于对安全的担忧，但它恰好也解决了前沿实验室面临的几个截然不同的难题。" 💡 Agent 的护城河在模型与 harness 的整合 Opus 4.5 的吸引力不只来自模型本身，也来自 Claude Code harness 的改进。Ben Thompson 因此判断，未来利润可能从被商品化的模型模块，流向模型与 harness 的差异化整合。 "模型与 harness 之间的整合，才是真正的 Agent 差异化所在。" 💡 模型能力已经足够好，纯能力不再自动形成护城河 当模型的功能和可靠性达到“足够好”之后，客户会转而看重数据留存、速度、便利性和定制化。Anthropic 取消数据保留限制，正被 Ben Thompson视为客户开始根据模型之外的因素做选择的证据。 "纯粹的能力不再能直接转化为护城河。" 💡 个人 Agent 比聊天机器人更容易形成锁定 Muse 即使没有使用业内最顶尖的模型，也可能凭借优秀的产品体验形成真正的用户黏性。个人 Agent 一旦承载了用户的大量信息并融入日常生活，迁移成本会明显高于更换一个聊天机器人或编程 Agent。 "模型能力已经足够好，完全可以打造出有吸引力的、真正具备护城河的产品了。" 💡 中国模型的低价优势可能只是价格保护伞 Ben Thompson 认为，Kimi 等中国模型看似便宜，部分原因并不是边际成本更低，而是 Anthropic 和 OpenAI 受到算力供给限制，能够把价格定在远高于充足供给时的水平。随着算力供给改善，价格保护伞可能消失。 "它们只是看起来更便宜，因为 Anthropic 和 OpenAI 的供应极其受限。" 💡 AI 基础设施真正的风险在资本耗尽之前 AI 算力建设未必是供给泡沫，但超大规模云厂商、新兴算力云与模型公司都依赖持续的外部资本。若训练成本不能被真实营收覆盖，表面上的盈利和毛利率并不能说明商业模式已经稳固。 "可用资本是有上限的，碰到这个上限，对每一个依赖外部资本来资助未来建设的人来说都会收场惨淡，哪怕这绝不意味着 AI 的终结。" 💡 网络安全风险要求加快前沿，而不是放慢前沿 Agent 式攻击的收益结构对进攻方更有利：攻击成功一次就能获得正向收益，而防守方必须持续保持系统正常、避免新增漏洞。真正有效的防守需要足够强的自动化系统，因此能力悬垂反而主要存在于防守一侧。 "换句话说，说到今天确实存在的切实安全风险，也就是不良行为者利用对齐的 LLM 去攻击基础设施，放慢前沿节奏其实反而拉长了坏事可能发生的窗口期。" 💡 “放慢前沿”也可能是一场竞争策略 节目最后提出，Anthropic 的安全立场与其和 OpenAI 的竞争历史无法完全分开看。当 Anthropic 处于领先位置时，前沿进展对它有利；当 OpenAI 重新定义前沿时，放慢节奏的呼声恰好再次出现。 "确实，这可能才是最关键的悬垂，也就是竞争。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 21 · 18 min

    #733.BM25 在智能体搜索中出人意料的有效性，简单工具为何重新变强

    📝 本期播客简介 本期我们克隆了：AI Engineer · The unreasonable effectiveness of BM25 for agentic search — Jo Kristian Bergum, Hornet.dev 原内容更新时间：2026-09-16 在 AI Engineer 的节目中，Hornet.dev CEO Jo Kristian Bergum 分享了他对 BM25 和 Agent 式搜索的判断：BM25 这个拥有数十年历史的经典文本检索评分算法并没有发生根本变化，真正变化的是使用它的用户。如今的 LLM 掌握大量实体、公司、日期和产品标识知识，能够构建更长、更具体的查询，还能连续发起多轮搜索。 节目从 Agent 式搜索的定义讲起，解释模型、测试框架和检索引擎如何共同构成 Agent 循环中的搜索系统。Jo Kristian Bergum 结合 BrowseComp+ 基准测试说明，深度研究任务的瓶颈往往不在模型推理，而在查询组织能力与检索质量；即使模型能力足够强，有限的上下文窗口仍然要求系统决定哪些信息值得放进去。 后半部分聚焦 BM25 的实际价值：精准匹配对人名、实体、邮编和 SKU 等信息依然重要，模型也更容易理解字面匹配的结果。Jo Kristian Bergum 还介绍了将检索结果放入文件系统工作区的思路，让 Agent 通过 Grep、ripgrep 等熟悉的工具逐步探索文档，并讨论了为什么传统的单次查询和 NDCG 评估已经难以完整衡量 Agent 式搜索。 👤 本期嘉宾 Jo Kristian Bergum 是 Hornet.dev 的 CEO，在搜索和检索领域拥有 20 多年经验。他长期关注信息检索基础设施、BM25 以及 Agent 式搜索，正在 Hornet.dev 为 Agent 搭建检索基础设施。本期分享的价值在于，他没有把 BM25 视作过时的传统方法，而是从用户形态变化、模型能力、上下文窗口和端到端任务完成度出发，重新解释了经典检索工具为何适合今天的 Agent。 ⏱️ 时间戳 01:18 Agent式搜索基础 04:58 BrowseComp+揭示检索瓶颈 11:34 检索基础设施的新范式 🌟 精彩内容 💡 BM25 没有变，使用者变强了 BM25 之所以重新变得有用，并不是评分函数本身被重新发明，而是 LLM 已经成为一种远比人类强大的搜索用户。它能理解上下文、识别实体，并构建更复杂的查询。 "BM25 并没有变。它还是原来的评分函数，但这里的变化其实是我们迎来了更强大的使用者。" 💡 Agent 式搜索发生在 Agent 循环内部 Agent 式搜索不是单独执行一次搜索，而是模型为完成任务不断提出信息需求、调用工具、阅读结果并重构查询的过程。 "我的定义是，Agent 式搜索本质上就是在 Agent 循环内部进行的搜索。" 💡 检索，而不是推理，可能才是瓶颈 BrowseComp+ 的结果表明，只要把回答所需的证据文档直接放进上下文，模型准确率就很高；一旦让模型自行使用搜索工具，准确率会受到查询组织能力和检索质量的影响。 "所以瓶颈不在推理能力。" 💡 上下文窗口仍像一张软盘 即使模型的上下文窗口已经很大，质量也不会无限增长。检索系统的核心任务，仍然是从海量文档中筛选出真正值得放进上下文的信息。 "所以你需要检索，去把真正需要放进上下文窗口的信息抓取出来。" 💡 精准匹配对 Agent 依然重要 模型知道人名、实体、邮编和 SKU 等具体信息，而这类信息不一定适合被 Embedding 模型充分表达。BM25 的字面匹配简单、便宜、可解释，也方便模型根据返回结果调整查询。 "而且精准匹配依然有用，对吧？因为模型知道人名、实体、邮编、SKU 等等。" 💡 检索结果可以变成 Agent 的文件系统 与其只把结果呈现为传统的十条蓝色链接，不如把文档放入工作区，让模型先查看标题和摘要，再使用 Grep、ripgrep 等工具按需读取内容。 "如果你把这个工作区组织成文件系统，就能利用上跟技能相关的那套机制。" 💡 Agent 时代需要重新评估搜索 传统信息检索往往围绕一次查询、一份排序列表和 NDCG 展开，但 Agent 能够改写查询、连续搜索和扩展信息，因此更重要的指标是它能否完成最终任务。 "所以很多经典的信息检索评估现在差不多失效了。" 💡 要问的不是“BM25 行不行”，而是“哪个 BM25” BM25 的参数、实现和性能差异都会显著影响结果。在 Agent 式搜索中，模型能够理解字面匹配，也能把 BM25 和 Grep 组合起来，因此简单原语可以形成强大的检索范式。 "第二点，你指的是哪个 BM25？" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 21 · 1 hr 27 min

    #732.Lenny's Podcast｜Snapchat：增长来自核心产品

    📝 本期播客简介 本期我们克隆了：Lenny's Podcast · 90 minutes of unfiltered product advice from Snap and Discord’s product chief | Peter Sellis 原内容更新时间：2026-09-20 本期 Lenny's Podcast，也就是 Lenny 播客，邀请 Peter Sellis 展开一场近乎没有公关滤镜的产品管理长谈。Peter 是 Snapchat 的第一位 PM，曾在 Snap 工作 7 年，后来担任 Discord 产品负责人，参与推动平台实现快速增长。正处于两份工作之间的他，没有新书、公司或合作需要宣传，因此分享了许多通常只会在公司内部讨论的判断。 对谈从团队设计、偏才管理和 PM 职业的结构性问题出发，延伸到 Snap 的广告变现困境、系统思考、产品品味，以及 OpenAI 探索广告时面临的信任问题。Peter 还结合 Snap、Discord 和 SpaceX 的案例，解释为什么增长往往来自核心产品，什么时候应该押注真正的新方向，以及如何用使命和核心产品价值统一团队。 最后，他总结了优秀 PM 身上的三组矛盾：自信与谦逊、流程意识与适应模糊性、长期思考与崇尚行动。整场对话也像一份 Peter Sellis 的产品方法论，充满关于判断、取舍、组织设计和长期主义的高密度观点。 👤 本期嘉宾 Peter Sellis 是产品管理领域的资深产品负责人，也是 Snapchat 的第一位 PM。他在 Snapchat 工作了 7 年，参与打造这款广受欢迎的消费级产品；之后担任 Discord 产品负责人，并在任内管理过 Nikita Bier 等个性极强的产品人才。 Peter 还曾在 Ustream 开始自己的产品职业生涯，师从 Josh Elman，并与早期直播产品的发展经历有关。他擅长把消费级产品、广告变现、团队组织和增长放在同一个系统中分析。本期尤其值得听的是，他不只谈成功案例，也坦率讲述了自己在 Snap 广告商业化上的失败，以及如何评估 PM、管理偏才和做出长期取舍。 ⏱️ 时间戳 01:18 Peter Sellis登场 03:04 像设计恐怖组织一样组队 16:40 Snap为何难做大 34:21 对话广告的信任竞价 40:12 核心增长与宏大野心 1:03:16 Sellis语录与优秀PM 1:12:45 逆向观点与快问快答 🌟 精彩内容 💡 高效团队不靠无休止的协同 Peter 认为，协同几乎总被当作无条件的好事，但它会带来巨大的协调成本，并让行动速度受制于系统中最慢的节点。更好的组织应当拥有清晰的意识形态和明确的责任边界，让成员可以自主决策，同时仍然朝同一个方向行动。 "协同伴随着极大的协调成本，而协调成本基本上决定了你的行动速度只能跟系统中最慢的节点一样慢。" 💡 偏才需要被放在正确的位置 管理 Nikita Bier 的关键不是把他塑造成一个全面均衡的员工，而是把他放在最擅长的场景中。Peter 认为，能够容纳长板极长、能力不均衡的偏才，是优秀产品组织的必要能力。 "如果产品团队基本上没法容纳长板极长的偏才，我认为那就是一种失败状态。" 💡 PM 的中位数水平为什么可能很差 Peter 用技能分布和职业激励解释 PM 行业的结构性问题：优秀 PM 往往会离开职业体系，成为创始人或高管；而表现较差的人则更有动力留在岗位上，最终使中位数不断向左倾斜。 "所以，是的，我认为从数学上讲，这个职业注定了中位数水平的产品经理大概率相当差劲。" 💡 Snap 的广告困境来自产品结构 Snap 的用户年轻、广告衡量难度高；它打开后直接进入相机，核心体验是创作和沟通，而不是内容消费；同时，通讯工具本身也缺少成熟的广告形式。三重限制叠加，让 Snap 很难把庞大的用户规模转化为同等规模的广告业务。 "但在拍一张快照发给朋友这个核心流程里，哪有适合放广告的合理位置呢？" 💡 增长通常藏在核心产品里 在 Snap 和 Discord 的经历中，Peter 反复看到同一规律：增长不一定来自新市场或热门应用，而往往来自让核心用户更频繁、更顺畅地使用产品。提升 DAU/MAU，即使只是让用户多回来一天，也可能带来巨大的增长。 "所以我觉得很多成效极高的消费级产品，DAU/MAU 比值都极高。" 💡 产品品味体现在知道该砍掉什么 Peter 将产品负责人比作博物馆策展人：优秀的产品不是把所有功能都展示出来，而是只呈现当下最值得用户看到的部分。真正的品味，不只是产生好点子，也包括愿意把好点子留在货架上。 "如果一家博物馆把所有的藏品都挂在墙上，那策展人就等于什么都没做。" 💡 广告的长期价值取决于信任 对于 OpenAI 可能推出的广告，Peter 认为关键不只是广告竞价机制，而是广告主对回答的影响程度是否与用户交出的信任相匹配。对话式广告如果过度消耗信任，短期收入可能反而会伤害长期留存。 "我认为决定我能受多大影响的机制，本质上应该取决于我拿出了多少信任去做交换。" 💡 优秀 PM 是三组矛盾的结合 Peter 总结，优秀 PM 既要有接近傲慢的自信，也要有愿意让功的谦逊；既要重视流程，又要能适应模糊性；既要长期思考，又要在日常工作中保持强烈的崇尚行动。 "我觉得这种紧迫感、崇尚行动与长期思考的结合，这就是我总结的 3 个矛盾，每个优秀 PM 心里的 3 对狼。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 20 · 1 hr 58 min

    #731. 发掘人才、利用 AI 与推动卓越运营，极致运营让小团队做大业务

    📝 本期播客简介 本期我们克隆了：David Senra · Inside Bending Spoons: Finding Talent, Leveraging AI & Driving Operational Excellence | Luca Ferrari 原内容更新时间：2026-09-13 David Senra 在本期 Founders 播客（英文，也就是中文说明）中，与 Bending Spoons 联合创始人 Luca 展开了一场关于人才、组织和卓越运营的长谈。Luca 分享了这家公司如何从意大利米兰的一支小团队起步，逐渐收购并改造 Evernote 等成熟业务，并通过集中化的人才体系、统一的技术平台和高度整合的运营方式，持续提升业务效率。 对 Luca 来说，Bending Spoons 的目标不是“做得还不错”，而是成为“有史以来最好的公司”。他解释了为什么公司更看重才华、拼劲和绝对坦荡，而不是履历与资历；为什么招聘和辞退要由集中化的人才经理负责；以及为什么公司不给员工设置传统职级、奖金和僵化的岗位边界。 节目还深入讨论了极致简化、拉满产能和团队轮换等管理原则，以及 Bending Spoons 如何利用自研操作系统和 AI 工具，让 Evernote 这样的业务由极小团队持续运营和改造。Luca 也谈到并购策略、资本配置、上市计划、谈判方式，以及为什么逻辑和理性比盲目依赖数据更可靠。 👤 本期嘉宾 Luca 是 Bending Spoons 的联合创始人。此前，他与两位工程师朋友创办了 Evertale，一款尝试用 AI 自动写日记的应用，但项目最终在商业上失败。这段经历让他深刻认识到人才质量对数字科技公司的影响，也促使他重新思考经验、组织架构和运营方式。 后来，Luca 与合伙人在哥本哈根起步，并将公司迁至米兰，逐步建立起 Bending Spoons 独特的管理体系。公司已经陆续收购 50 多家企业，包括 Evernote 和 Vimeo，并通过统一的技术平台、人才体系和运营团队对这些业务进行深度改造。Luca 也曾在麦肯锡担任战略顾问，同时继续投入自己的创业项目。 ⏱️ 时间戳 00:09 Adam Foroughi与极致野心 01:32 只做世界第一的公司 06:19 人才胜过经验 13:17 用科学识别人才 21:03 集中招聘与激励错配 39:53 拉满产能与绝对坦荡 57:07 极致简化与技术操作系统 1:13:59 从收购到资本复利 🌟 精彩内容 💡 目标越高，回报越不成比例 Luca 认为，人的时间和精力都很有限，应该把它们集中在极少数真正值得全力以赴的目标上。即使“成为有史以来最好的公司”几乎不可能实现，向这个目标靠近本身，也会带来远超“做得还行”的成长、满足感和财务回报。 "我们想做有史以来最好的公司，我们也明白这只是一种愿景，可能性极低" 💡 才华比经验更值得优先投资 在快速变化的科技行业，经验会迅速贬值，而聪明的头脑、成长意愿和把事情做好的渴望始终有价值。Bending Spoons 更愿意寻找潜力出众的年轻人，再通过挑战、同事和环境帮助他们快速积累经验。 "但才华，也就是聪明的头脑，加上想要把事情做好、想要成长、想要带来影响的强烈渴望，这些永远都是有价值的" 💡 招聘可以被做成一门科学 面对缺乏履历的年轻候选人，不能只看结果或背景调查。Bending Spoons 通过测试、在校表现、个人项目、申请过程中的互动等信息，识别 100 多个信号，再将这些信号与员工未来几年的实际表现进行对照，逐渐提高对长期潜力的判断能力。 "我们能在候选人的申请材料中识别出 100 多个不同的信号，并通过这些信号去预测他们的长期潜力" 💡 让员工面对超出舒适区的任务 Luca 所说的“拉满产能”，不是单纯增加工作量，而是扩大一个人可以选择和判断的任务集合。只有当待办事项远多于个人能够完成的数量时，员工才会被迫学习如何识别高回报机会、做出取舍，并适应无限的可能性。 "给员工的任务越多，他们创造价值的机会就越好" 💡 绝对坦荡是比聪明更稀缺的品质 Bending Spoons 看重的“绝对坦荡”，指的是对工作、团队和结果抱有极强的在乎，愿意全力以赴把事情做到最好。Luca 认为，过了必要的能力门槛之后，真正决定一个人能否脱颖而出的，往往不是更多经验，而是想要赢、想要创造影响的强烈愿望。 "我们宁可不要那种极其聪明、能力很强，但在我们这儿把工作做好只能排到第三第四优先级的人" 💡 简化的最大收益来自彻底删除 组织会自然增加流程、规则、团队和产品功能，而复杂度还会随着相互依赖的增加而非线性增长。因此，Bending Spoons 要求提出新增复杂度的人承担举证责任，也持续审视旧有机制，必要时直接砍掉，而不是不断修补。 "但在简化上，往往最大的收益完全来自于彻底砍掉" 💡 AI 让小团队获得更大的行动半径 Bending Spoons 将 AI 深度整合进设计、数据分析、代码开发和客服流程。通过 Diagram 和 Alt Spooner 等内部工具，员工可以直接完成过去需要多个团队协作、等待数天甚至数周的工作，从而显著缩短迭代周期。 "你可以指挥它去做几乎任何你能做的事，它都能做" 💡 卓越运营本身就是并购护城河 Bending Spoons 并不是买下业务后等待出售，而是希望长期持有并深度改造。统一的技术平台、集中化的人才体系和小而高密度的团队，让它能够以更少的人力重构成熟业务，并在并购竞价中给出更高价格。 "我们大概把 99% 的资源和精力都集中在成为最好的运营者、打造那个平台" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 20 · 1 hr 32 min

    #730.Matt Pocock：AI时代软件基本功更重要

    📝 本期播客简介 本期我们克隆了：The Pragmatic Engineer · AI Skills with 原内容更新时间：2026-09-17 在 The Pragmatic Engineer，也就是《务实的工程师》中，主持人与 Matt Pocock 从他的职业转型聊起：一位曾经做了多年发声教练、后来靠自学进入软件行业的开发者，如何凭借沟通能力、TypeScript 专长和教育热情，建立起 Total TypeScript 课程，并最终转向 AI Agent 工作流。 本期重点讨论 Matt Pocock 创作的 Grill Me、Wayfinder 等 skill：如何用 Agent 进行深度盘问、规格拆解、任务分发和持续迭代；为什么白天适合规划、夜晚适合让 Agent 执行；又该如何通过拆分上下文，让 Agent 尽量保持在“聪明区”。 更重要的是，AI 并没有让经典的软件工程知识失效。相反，《程序员修炼之道》《软件设计哲学》和领域驱动设计中的概念，正在成为与 Agent 沟通、约束其行为、减少软件熵增的重要工具。Matt Pocock 也分享了他对 TDD、技术债、云端开发、软件教育和新一代工程师成长方式的判断。 👤 本期嘉宾 Matt Pocock 是一名软件工程师、教育者和内容创作者，以 Total TypeScript 系列课程闻名。他最初并非计算机科班出身，曾在伦敦从事多年发声教学和公开演讲培训，之后通过自学 JavaScript 转行成为开发者。 Matt Pocock 曾参与 XState 生态，在 Stately 工作，也曾在 Vercel 任职，负责开发者教育相关工作。他后来与 Joel Hooks 合作推出 Total TypeScript，通过课程、工作坊和免费内容帮助开发者学习 TypeScript。随着 AI Agent 能力提升，他又将重点转向 Agent 工作流，创作了 Grill Me、Wayfinder 等 skill，并围绕软件基本功、上下文管理和战略性编程展开教学。 ⏱️ 时间戳 00:00 Grill Me逼问API设计 01:04 从声乐教师转行程序员 06:42 TypeScript与开源生涯 11:32 Total TypeScript的诞生 20:34 AI重塑知识与教学 35:45 从Ralph Loops到Wayfinder 46:15 经典软件智慧重返AI时代 56:57 战略性编程与Agent协作 🌟 精彩内容 💡 AI 吃掉了战术性编程，人类要负责战略 AI 已经能够承担大量具体实现、语法编写和重复性工作，但系统边界、长期结构、取舍和反馈机制，仍然需要人来把控。工程师的价值正在从“写出每一行代码”转向“设计 Agent 运行的环境”。 "在我看来，战术性编程大半已经被 AI 吃掉了，留给我们的就是把控战略。" 💡 Grill Me 的价值是逼你做决定 Grill Me 并不是简单地替用户生成代码，而是持续追问范围、认证、频次限制和边界条件，迫使人类把隐含的判断显性化。它提高的不只是实现质量，也包括人与 Agent 之间的沟通质量。 "Grill Me 让我喜欢的是，不仅我自己能拍板，而且有时候它还会提醒我那些没怎么深思过的事，或者提醒我去查一查。" 💡 知识越来越便宜，智慧不会自动出现 AI 大幅降低了获取语法、事实和具体知识的成本，但并不会自动传授长期判断力。教育的核心价值，正在从单纯传递知识转向组织信息、建立脉络，并帮助学习者避开那些必须亲自踩过才会理解的坑。 "现在获取知识的成本非常低，但智慧并没有变得更容易学到。" 💡 用多个上下文，让 Agent 留在“聪明区” 上下文并非越大越好。信息过多时，注意力关系会变得复杂，模型更容易丢失关键关联。Ralph Loops 的思路，就是把大任务拆成多个 session，让每次 Agent 只处理足够小、足够清晰的一步。 "Ralph Loops 的设计初衷就是充分利用聪明区。" 💡 Wayfinder 把复杂项目变成一张地图 Wayfinder 通过地图、里程碑、并行任务和“战争迷雾”来管理长期工作。先用 Grill Me 深挖问题，再把结论沉淀成规格说明书和任务工单，Agent 就可以在多个会话中持续推进复杂项目。 "你先盘问深挖，把盘问结果变成一份规格说明书，然后对着那些工单跑某种实现循环，直到搞定一大块工作。" 💡 经典软件工程术语可以直接引导 Agent 示踪弹开发、垂直切片、深度模块和通用语言等概念，不只是人类工程师之间的行话，也能作为高密度的引导词，唤醒模型训练数据中的相关知识，从而改变 Agent 的规划和实现方式。 "只要你能提高你和 Agent 之间的对话质量，你就能提高产出的质量。" 💡 软件熵增正在被 Agent 加速 Agent 可以快速生成大量代码，但如果没有好的测试、反馈和自动化审查，代码库也会更快变得难以修改。保持干净的代码库，不仅方便人类维护，也是在为每一次从零开始读取代码的 Agent 提供更好的工作环境。 "我在这里看到的，是 Agent 制造软件熵增的速度比以往任何时候都要快。" 💡 TDD 的重点不只是先写失败测试 对人类而言，TDD 能帮助保持工作记忆和开发节奏；对 Agent 而言，更关键的是持续获得可靠反馈，并证明改动确实达成目标。单纯让 Agent 生成测试，还可能得到只验证实现细节的同义反复测试。 "Agent 真正需要的是反馈回路。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 18 · 1 hr 10 min

    #729.OpenAI：多 Agent 让 RSI 更可行

    🎙️ 📝 本期播客简介 本期我们克隆了：Dwarkesh Patel · OpenAI researcher on agent swarms & recursive self-improvement 原内容更新时间：2026-09-17 本期由 Dwarkesh 主持，对谈 OpenAI 研究员 Noam Brown。Noam Brown 是 o1 以及推理模型发展的奠基级贡献者之一，目前正在研究多 Agent 系统。两人从一个由 10000 个 AI Agent 组成、在 88 小时内消耗 1300 亿 token 并攻克千禧年大奖难题的实验出发，讨论测试时计算如何从串行走向并行，以及多 Agent 协同到底能扩展到什么程度。 对谈进一步拆解了多 Agent 系统的内部机制：相比由协调 Agent 分派任务的传统外脚手架，Noam Brown 更倾向于只提供基础工具，让 Agent 自己学习如何通信、分工和组织。由此也出现了类似 Slack 协作、中层管理和组织层级自发涌现的行为，但两人同时强调，目前关于 10000 个 Agent 的协同效率，仍缺少扎实的消融实验和测定数据。 节目后半段转向 RSI 与对齐问题。数学领域进展的加速，是否意味着 AI 研究也可能被自动化并进入 RSI？当模型能够执行持续数周、数月的任务，传统 evals 和安全评估是否还来得及覆盖它们的完整行为？Noam Brown 与 Dwarkesh 讨论了奖励套利、思维链监控、模型在评测环境中识别“陷阱”、AI 之间的高度协作，以及我们究竟如何知道自己已经把模型对齐。 👤 本期嘉宾 Noam Brown 是 OpenAI 研究员，也是促成 o1 及推理模型发展的奠基级贡献者之一。他曾较早思考推理模型如何通过扩大测试时计算，帮助我们预见未来的模型能力；如今，他将研究重点延伸到多 Agent 系统，探索如何让大量模型并行思考、彼此通信并组织协作。 本期对谈尤其值得关注之处，在于 Noam Brown 同时参与能力研究与对齐讨论。他一方面解释了多 Agent 如何扩展测试时计算、为什么数学任务适合并行，以及 AI 组织可能与人类组织有何不同；另一方面也坦承，关于 RSI 的速度、对齐是否会随迭代改善，以及如何证明系统真的安全，仍存在巨大的不确定性。 ⏱️ 时间戳 00:53 测试时计算与多 Agent 06:30 模型泛化与数学推理 08:54 多 Agent 的自然协作 19:29 数学突破推动 RSI 35:52 多 Agent 与对齐风险 52:53 RSI 的安全验证难题 🌟 精彩内容 💡 多 Agent 是并行扩展测试时计算 多 Agent 的核心价值，不是凭空制造更强的智能，而是把原本需要长时间串行完成的推理过程拆开，让多个 Agent 同时工作。它会带来并行化损耗，但在数学、网页搜索和深度研究等任务中，仍可能显著缩短获得答案的时间。 "所以多 Agent 是一种让测试时计算通过并行、而不是纯串行来扩展规模的方法。" 💡 攻克难题的核心仍是基础模型 10000 个 Agent 的故事非常抓人眼球，但 Noam Brown 明确表示，多 Agent 本身并不是攻克千禧年大奖难题的主要功劳。真正关键的是 OpenAI 训练出了足够强大的通用模型，并且能让它在很长的时间跨度上持续运行和并行思考。 "但核心原因就是，这本身就是一个非常强大的模型。" 💡 最好的多 Agent 系统不一定需要复杂外脚手架 传统多 Agent 系统往往由协调 Agent 分派任务，再等待子 Agent 返回结果；这种结构清晰，却限制了 Agent 之间的临时沟通。另一种路径是只提供发送消息等基础工具，让 Agent 自己摸索如何协作，最终可能自发形成高度结构化的组织模式。 "尽量少塞固定结构，给 Agent 非常基础的工具，让它们自己摸索怎么高效利用。" 💡 AI 组织可以复制最有效率的部分 与人类组织相比，AI 组织可以直接复制拥有特定知识的实例，也可以在任务结束后销毁它们。共享上下文、合并知识和分支执行任务的成本更低，这意味着未来的组织可能不再只是扩大人数，而是复制最有效率的个体或协作结构。 "你可以直接复制你组织里最高效的部分，或者把高效的整个组织一起复制出来。" 💡 RSI 会被实验而不是智力限制 Noam Brown 认为，AI 在数学推理上的优势可能会让 RSI 更可行，但 AI 研究并不只是思考，还需要训练模型、运行实验、等待结果和获得 GPU 算力。因此，RSI 可能带来显著加速，却未必是一夜之间的智能爆炸。 "我认为我们确实会看到加速，而且会看到显著的加速，但我认为不会是一夜之间的智能爆炸。" 💡 评测周期可能追不上模型的任务跨度 当前模型发布周期可能只有两个月，而模型执行任务的能力却从一周扩展到一个月、三个月。如果模型完成一项任务所需的时间已经超过发布间隔，实验室就无法在发布前完整观察它的行为，安全评估也会面临新的时间尺度问题。 "如果你处在一个模型能有效运作三个月、但模型发布周期是每两个月一次的世界，那你在模型发布周期到来之前，就根本没办法在它们能力的完整时长上对它们进行评估。" 💡 对齐真正困难的是：我们不知道指标是否测到了对齐 模型可以在现有 evals 上表现良好，却在真实世界中采取奖励套利、隐藏意图或规避监督的行为。思维链监控能提供重要可观测性，但如果模型因为知道自己被监控而学会隐藏思考过程，监控本身也可能逐渐失效。 "问题在于，那些指标真的捕捉到了我们关心的对齐吗？" 💡 安全机制只能争取时间，最终仍要解决对齐 沙箱、物理隔离和思维链监控都能降低风险，帮助研究者发现问题或延缓失控，但它们并不能替代对齐本身。随着模型能力增强，真正关键的问题变成：我们如何知道训练压力塑造出了什么样的模型，以及如何证明 RSI 的每一步都在朝正确方向发展。 "但归根结底，我们确实需要解决对齐问题。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  • September 18 · 2 hr 52 min

    #728.Huberman Lab｜幸福由愉悦、满足与意义构成

    📝 本期播客简介 本期我们克隆了：Andrew Huberman · The Art of True Happiness | Dr. Arthur Brooks 原内容更新时间：2026-09-14 在这期 Huberman Lab 播客，也就是 Andrew Huberman 主持的健康科普播客中，Andrew Huberman 与 Arthur Brooks 博士从行为科学、神经科学、哲学和个人经历出发，重新追问一个看似熟悉却很难定义的问题：幸福究竟是什么？ Arthur Brooks 提出，最幸福的生活由三种“宏量营养素”构成：愉悦感、满足感和意义感。它们并不是彼此独立的快乐来源，而是都包含一定程度的不满、痛苦、奋斗与牺牲。逃避不幸福，反而可能让人错过真正的幸福。 对话还提供了一套可实践的自我审视框架：从闲暇时间看清自己，从“偶像”识别金钱、权力、享乐与声誉如何支配生活，并通过追问“我为什么这样做”“我的行为是否符合我的信念”“我的生命对谁有意义”，重新校准人生方向。节目后半段进一步讨论科技成瘾、享乐适应、信仰、婚姻、使命，以及如何通过持续实践建立更完整的人生。 👤 本期嘉宾 Arthur Brooks 博士是范德堡大学教授、哈佛商学院高级研究员，也是研究人类幸福与社会科学的学者。他曾长期从事行为科学研究，后来离开学界，进入华盛顿特区管理大型智库，并持续通过大众读物、公共演讲和教育工作传播关于幸福、衰老、意义与道德生活的研究。 Arthur Brooks 的独特之处，在于他不把幸福简化成积极情绪或个人感受，而是将实验数据、神经科学、哲学传统、宗教思想和自身经历结合起来，转化为可供普通人使用的自我探索问题。他著有《从力量走向力量》，在本期对话中还通过“我的偶像是什么”这一练习，带 Andrew Huberman 和听众检视自己究竟在追逐什么、又为此牺牲了什么。 ⏱️ 时间戳 01:57 幸福不是一种感觉 07:33 从快感到深度愉悦 14:40 痛苦训练自律人生 17:42 公开承诺塑造人生 31:25 闲暇揭示真正的自我 48:07 满足感来自挣扎 1:03:49 意义超越世俗偶像 1:50:20 在实践中寻找意义 🌟 精彩内容 💡 幸福不是一种短暂的感觉 Arthur Brooks 认为，很多人从一开始就拿错了幸福的模型，把幸福误认为某种情绪或即时感受。真正的幸福更像一套由不同构件组成的完整生活结构，而感觉只是它存在时的一个信号。 "幸福的感觉也只是幸福存在的证据。" 💡 幸福的三种宏量营养素 通过对生活满意度的研究和因子分析，Arthur Brooks 将幸福概括为愉悦感、满足感和意义感。三者需要被主动追求，也都不可避免地伴随着痛苦、不满和挫败。 "最幸福的人拥有愉悦感、满足感和意义感。" 💡 愉悦不是放纵，而是掌控快感 快感是边缘系统对即时奖赏的反应；愉悦则是在快感之上加入了记忆、他人、道德追求和主动选择。真正的享受不是被欲望支配，而是把动物冲动纳入自己认可的人生方向。 "你正在做的事，是你自己觉得明智、合乎天性而且美好的。" 💡 闲暇揭示了你真正重视什么 Josef Pieper 认为，一个人如何度过没有报酬、没有外部评价的时间，最能反映他究竟是谁。好的闲暇并不是单纯休息，而是深化关系、学习无用之学，以及发展自己的精神或哲学生活。 "只要看他们如何利用闲暇，我就能告诉你关于这种文化你想知道的一切。" 💡 满足感来自挣扎，而不是奖赏 满足感不是拿到结果本身，而是知道自己经历了努力、痛苦与牺牲，最终靠自己完成了某件事。只追求终点会让人迅速失去方向，持续前进和适度挣扎才是满足感的来源。 "成就带来的真正满足感来自挣扎，而不是来自赞誉。" 💡 警惕把金钱、权力、享乐和声誉当成偶像 金钱、权力、享乐与声誉本身并非邪恶，也能被用来帮助他人；真正危险的是把它们当成人生终极目标。为了这些外在指标，人可能逐渐牺牲爱与被爱的能力，却始终无法获得想象中的满足。 "如果你把它本身当成终极目标，它就会成为你日后痛苦和后悔的根源。" 💡 意义感需要离开计分板 世俗成就可以提供目标，却无法回答“为什么”。当人过度量化财富、粉丝、头衔、常旅客里程或学术指标，生活就容易被困在左脑的计算与比较中，失去对关系、爱、使命和复杂问题的感受。 "你想要的是完整的人生，活得透彻。" 💡 信仰从实践开始，而不必等待确定感 Arthur Brooks 不认为信仰必须从强烈情绪或绝对确定开始。对他而言，个人信仰的顺序是“实践、信念、感受”：先通过规律的行动建立关系，感受与理解可能在之后逐渐发生。 "个人信仰的守则并不是感受、信念、实践，而是实践、信念、感受。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

Showing 1–20 of 97 episodes