065.GPU 编程从冷门到爆满，以及识货的人为什么更贵了

本期要点

· 本期解读 Latent Space 对话 MIT 博士生亚历克斯·张：递归语言模型、GPU Mode 社区与研究品味。

· 四千万美元买一个答案：88 小时跑一万个智能体、1300 亿词元，嘉宾认为真正的惊喜不是便宜，而是人类第一次拥有「把 4000 万美元指向一个问题并解掉」这个选项。

· 能力过剩与短板在脚手架：现有前沿模型还做不到「持续、稳定、出色」地干完一个月的工作，瓶颈不在智力而在能否可靠地跑完。

· 懂行的人为什么更值钱了：GPU 排行榜前十名里，只有那位资深用户（用提示词把模型往特定方向引导）写的核函数能在真实端到端系统里稳定运行。

· 一万亿词元换一句点拨：专家的价值是当「强验证者」——集群靠算力碰运气，懂行的人靠一眼看出哪条路是死胡同。

· 递归语言模型一句话定义：运行框架里唯一的工具就是代码，上下文不进提示词、放在代码环境（文件系统/交互式 Python）的记忆里。

· 局部分布内：整个任务可以分布外，但每一次单独的模型调用都回到分布内，让每一小步都在模型的舒适区。

· 不同任务的解法长得一样：检索任务与聚合任务在普通模型/主流框架下轨迹迥异，但递归语言模型把它们看成同一个问题，训练一个立刻能解另一个。

· 多智能体集群的真相：嘉宾估计约 95% 的探索毫无价值，难的不是拉起一群智能体，而是让它们收敛到一个目标。

· 下大注：博士生最大的不对称优势是可以研究任何人都不看的问题——如果不去利用它，就干脆去资源更多的企业实验室。

· 本期节目由两位主播转述解读，仅代表对访谈内容的理解，不构成对嘉宾观点的背书。内容源自公开播客，版权归原作者所有。