📝 本期播客简介 本期我们克隆了：投资播客《Invest Like The Best》Why the AI Boom Is Just Getting Started 原内容更新时间：2026-06-09 本期节目中，主持人 Patrick O'Shaughnessy 对谈 Whale Rock Capital 创始人 Alex Sacerdote，围绕一个极具争议的问题展开：AI 热潮到底是已经过热，还是才刚刚开始？ Alex 长期专注科技成长股投资，他用一套非常清晰的框架理解过去二十多年的科技周期：先找到技术采用的 S 曲线，再判断谁拥有真正的竞争优势，最后寻找市场尚未充分理解的盈利能力。在他看来，AI 是他职业生涯中见过的最大 S 曲线，甚至可能不再是传统的 S 曲线，而是一条近乎直线上升的“L 曲线”。 这期节目从 Anthropic 这笔高确信度投资切入，讨论基础模型为什么可能形成寡头格局，Claude Code 为什么让编程市场突然爆发，企业 AI 为什么渗透率还不到 1%。随后，Alex 系统讲解了他如何用 S 曲线投资 Apple、Amazon、Tesla、Nvidia，也解释了为什么传统软件公司可能面临预算挤压、席位收费压力和 AI 原生公司的挑战。 更重要的是，他并没有只停留在“AI 很大”的宏大叙事，而是深入拆解了芯片、内存、PCB、光纤、电源、液冷服务器、数据中心网络等基础设施环节，解释为什么 AI 正在让原本商品化的硬件行业重新拥有技术壁垒和定价能力。 如果你关心 AI 投资、科技周期、芯片产业、软件公司命运，或者想理解专业成长股投资人如何研究复杂新趋势，这期节目会是一堂非常完整的 AI 投资框架课。 👨‍⚕️ 本期嘉宾 Alex Sacerdote，Whale Rock Capital 创始人兼投资组合经理。Whale Rock 是一家专注科技、媒体和电信领域的投资机构，长期研究科技成长股、私营科技公司与全球大型科技平台。Alex 曾在 Fidelity 工作，长期用技术采用周期、竞争优势和长期盈利能力来寻找科技投资机会，代表性研究领域包括 Apple、Amazon、Tesla、Nvidia、Stripe、Anthropic、OpenAI 等。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 热潮为什么可能才刚开始 01:35 Anthropic：为什么它是 Alex 最高确信度的投资 02:38 新计算范式：AI 技术栈从电力、芯片到模型和应用 03:52 基础模型层：从 60 家竞争者走向三强寡头格局 05:56 编程爆发：Claude Code 如何成为企业 AI 的第一块大市场 07:00 编程市场测算：两千万程序员背后的五千亿美元机会 08:03 从辅助写代码到 Agentic 编程：AI 编程能力的拐点 09:00 模型不是大宗商品：Anthropic、Google、OpenAI 的差异化 09:52 API 周围的产品生态：为什么 Anthropic 像早期 AWS 10:40 企业 AI 渗透率：真正使用 AI 的知识工作者可能只有十个基点 12:13 L 曲线：为什么企业 AI 可能直线式上升 12:44 算力短缺：大规模采用到来前，全球算力已经不够 公开市场投资人如何进入私营公司 13:08 从公开市场到私募投资：如何拿到 Anthropic 仓位 14:07 尽调 Anthropic：管理团队、代码质量和商业计划兑现 14:52 90 页研究报告：用 Claude Code 反向研究 Claude Code 15:12 独角兽市场：为什么私营科技公司已经无法忽视 16:10 Stripe 案例：为什么研究 Adyen 必须研究 Stripe 17:05 疫情期间买入 Stripe：如何用有限信息推算私营公司价值 18:04 私募投资人的优势：愿意长期持有，并陪伴公司上市之后 S 曲线投资框架 18:36 三件事：S 曲线、竞争优势、被低估的盈利能力 19:26 指数增长的误判：为什么市场太关注下个季度 20:47 技术采用：从早期存在到真正引爆通常需要很久 21:35 iPhone 案例：当所有采用障碍被移除，需求会像火箭一样上升 22:01 Tesla 案例：价格、续航和供应链如何触发电动车拐点 22:41 S 曲线有多高：为什么 TAM 决定你能持有多久 23:32 AWS 案例：隐藏在 Amazon 里的巨大企业 IT S 曲线 24:02 AI 是最大的 S 曲线：互联网、移动、云、电商之后的新周期 24:50 什么时候卖：渗透率到 30% 到 40% 后，指数增长通常减弱 25:14 Apple 的教训：错过后续复利增长，但最大年份在 0 到 50% 渗透率 25:57 什么时候买：战略拐点靠直觉、零散证据和模式识别 26:43 移动游戏信号：一个中国小孩玩手机游戏带来的投资洞察 27:25 企业软件信号：Gartner 会场里站满人的房间 28:01 错过早期也没关系：真正大的 S 曲线会持续很久 28:21 S 曲线斜率：收音机和洗碗机代表两种技术采用速度 29:15 B2B 像洗碗机：需要接入系统，所以采用更慢 30:08 AI 的特殊性：浏览器一打开就能用，因此采用可能更快 护城河、赢家与基础模型格局 30:47 先找 S 曲线，再找真正有竞争优势的公司 31:40 数字世界的护城河：网络效应、行业标准、规模与平台 32:33 关键知识产权：从 Qualcomm、ASML 到基础模型公司 33:22 品牌与获客成本：为什么强品牌本身就是商业模式 33:50 Amazon 和 AWS：战争开始前就已经赢了 34:20 没有护城河也会输：RIM、Palm、Nokia 的反面案例 35:15 AI 的复杂性：高风险，但潜在市场高达三到五万亿美元 35:43 Anthropic 的护城河：企业品牌、关键 IP 和融资能力 36:24 递归式改进：编程领先如何反哺模型能力 37:03 企业市场与消费者市场：谁能更快变现 37:52 领先者复利：互联网公司里“领先者更大更快”的规律 38:21 范式转移风险：AOL 和 Netscape 的历史提醒 AI 对软件公司的冲击 38:43 传统企业软件面临什么：AI 能否重做 ERP 和 CRM 39:40 从看多软件到卖出软件：为什么 Alex 改变判断 40:15 AI 产品无力变现：现有软件公司早期 AI 产品的问题 40:39 软件像马车，AI 像传送器：技术代差带来的颠覆风险 40:45 CIO 预算迁移：钱可能流向 Anthropic token，而不是传统软件 41:18 四重压力：预算、涨价、席位收费和招聘冻结 41:49 销售动作变化：AI 需要前线部署工程师，而不是卖固定系统 42:08 客户自建风险：AI 原生公司可能挑战每一个软件巨头 43:15 新版四十法则：AI 收入占比 + 品类市场份额 44:20 软件公司的 AI 占比太低：离真正改变增长轨迹还很远 44:33 反转可能性：AI 也可能让 Slack 等平台更重要 45:22 无界面软件：Agent 直接进入数据层，软件公司可能被降级成数据库 45:56 CRM 的两种命运：失去界面，或成为 Agent 的工作场所 芯片、硬件与 AI 基础设施 46:13 数据中心四十年：从 X86 到云，硬件长期商品化 47:04 AI 工作负载：每年十倍增长，把硬件推到物理极限 47:31 硬件行业去商品化：AI 带来的芯片复兴 48:15 高带宽内存：从商品内存变成关键技术部件 48:45 Celestica 案例：从合同制造商到 Google TPU 服务器关键供应商 49:35 AI 服务器：一台 20 到 30 万美元，变成关键基础设施 50:12 网络升级：以太网从七年一换变成每年升级 50:40 AI 网络份额：Celestica 在云端以太网交换机的优势 51:00 PCB 和材料：AI 服务器需要 40 层电路板 51:45 从低增长到高增长：供应链公司如何获得收入和利润率双提升 52:04 Corning 光纤：一个数据中心的光纤可绕地球四圈半 52:30 Scale out、scale across、scale up：AI 数据中心三种连接需求 53:10 机架内部连接：从铜缆走向光纤的潜在机会 53:20 电源升级：Nvidia 每代芯片让用电量大幅增加 53:58 供应短缺：DRAM、NAND、PCB 已经出现 30% 左右缺口 市场为什么会错过，以及 AI 风险在哪里 54:20 变化率比绝对值更重要：AI 占比从 10% 到 30% 的加速效应 54:48 为什么别人没看对：这套框架看似简单，但执行很难 55:30 股价涨了也难买：没有全局视角就会被泡沫叙事吓退 56:02 半导体分析师为何错过：只看芯片，没看懂基础模型层 56:39 最大担忧之一：公众和政府对 AI 的负面情绪 57:03 监管风险：数据中心禁令与 AI 悲观情绪 57:20 模型进步放缓：如果前沿模型撞墙，开源可能追上 57:55 对芯片公司反而未必坏：谁赢不重要，只要有人跑模型 58:20 大玩家掉队风险：如果部分模型公司退出，算力需求可能受影响 AI 应用层为什么还没完全清晰 58:48 为什么不是优先投应用层：应用通常会晚一点成熟 59:20 基础模型和应用边界：应用能否挡住模型公司的进攻 59:48 企业软件应用还未真正爆发：生态仍然不清楚 01:00:18 Sierra 案例：Brett Taylor 的 AI 客服应用公司 01:00:45 应用层需要时间：真正成熟可能发生在最初三四年之后 AI 时代的研究方法 01:00:50 Whale Rock 的研究奖项墙：什么样的研究能脱颖而出 01:01:42 AI 是否改变研究：能提升效率，但还不能取代分析师 01:02:05 Scuttlebutt 方法：走出去见公司、客户、供应商和竞争对手 01:02:46 AI 能快速学习复杂领域，但不能替你判断未来 01:03:11 分析师的新价值：不只是记录事实，而是给出洞察 01:03:36 AppLovin 案例：真正的研究来自长期跟踪、行业会议和关系网络 01:04:26 投资人朋友圈：菲利普·费舍式的想法交换 01:04:57 三脚架信心：自己、分析师、尊重的外部投资人同时看好 Whale Rock 的产品与研究机器 01:05:18 从多空基金到只做多基金：产品体系如何演化 01:06:00 私募敞口：为 LP 提供不同参与方式 01:06:26 Mega Cap Tech Fund：为什么大型科技股存在结构性低配 01:07:10 捐赠基金困境：为什么很多机构错过最大科技公司 01:08:27 大盘科技股也有 Alpha：Google 是赢家这件事需要更多人意识到 01:09:20 全球市值前三十：从最大公司里挑出最好的十二三家 01:10:08 Whale Rock Learning Machine：研究机器才是公司的核心资产 01:10:44 知识复利：每年两千五百到三千场管理层会议 01:11:03 同一套研究引擎：同时支撑公开市场和私募投资 人生影响与结尾 01:11:14 最善良的一件事：父亲加入 Whale Rock 帮他创业 01:12:00 父子共事六年：父亲负责监督、募资和支持 01:12:31 一位真正的绅士：父亲作为导师影响了许多人 01:13:00 谦逊、智慧与温暖：Alex 对父亲的回忆 01:13:32 结尾致谢 🌟 精彩内容 💡 AI 不是 S 曲线，可能是 L 曲线 Alex 认为，AI 的真正企业级采用还处在极早期。虽然现在已经有大量用户体验过 AI，但真正把 AI 接入工作流、构建技能、让 Agent 执行任务的人，可能只占全球知识工作者的十个基点左右。企业 AI 或企业应用 AI 的渗透率还不到 1%，但算力已经不够，这意味着大规模采用还没来，基础设施已经被需求压满。 “企业 AI，或者说企业应用 AI 市场，渗透率还不到百分之一。我们以前总讲 S 曲线，但这一次我们叫它 L 曲线，就是一路直着往上。” 🚀 Anthropic 与编程市场的爆发 Alex 解释了为什么 Anthropic 成为他的最高确信度投资。关键不只是 Claude 模型本身，而是 Claude Code 让编程进入接近 Agentic 的阶段。过去 AI 可能只是帮程序员写一小段代码、找一个 bug，而现在越来越多开发者可以用自然语言指挥 AI 完成大量编程工作。Alex 甚至估算，全球约两千万程序员，如果高强度使用 AI 编程工具，单这一块就可能是一个五千亿美元市场。 “Karpathy 去年说，编程工具大概能写百分之二十，剩下百分之八十还是要手写。最新模型出来以后，这个比例反过来了。” 📈 S 曲线：科技投资的核心地图 Alex 的投资框架可以概括为三件事：S 曲线、竞争优势、被低估的盈利能力。当技术采用进入正确位置，销量会指数级增长；如果商业模式足够好，利润也会指数级增长。但市场通常只看下一个季度，很难相信两三年后的盈利会发生巨大变化。因此，理解 S 曲线的人，可能以极低的真实长期市盈率买到最好的公司。 “这个世界不会按指数级去思考。大家太关注下一年，或者下一个季度。” 🏰 没有护城河，踩中大趋势也会输 Alex 强调，S 曲线只是第一步，真正重要的是找到其中拥有竞争优势的赢家。智能手机是巨大的 S 曲线，但 RIM、Palm、Nokia、HTC、LG、Motorola 都没有成为最终赢家。科技公司也可以拥有非常强的护城河，包括网络效应、行业标准、规模优势、平台地位、关键知识产权和品牌。 “如果你没有竞争优势，哪怕你处在史上最好的 S 曲线里，也可能会输。” 🧨 AI 对软件公司的冲击 Alex 曾经大量持有软件公司，但在 AI 周期里，他几乎卖掉了大部分应用软件。他认为，传统软件公司面临几重压力：AI 产品暂时没能真正收费，CIO 预算转向基础模型和 token，按席位收费可能受招聘冻结影响，AI 原生公司也可能重做很多企业软件。传统软件不会立刻消失，但它们的增长逻辑已经被挑战。 “旧的软件方式，就像用笔和纸，或者像马车。新的软件方式，像喷气发动机，甚至像《星际迷航》里的传送器。” 🔌 AI 让硬件行业重新拥有壁垒 过去几十年，数据中心硬件高度商品化。但 AI 工作负载每年十倍增长，把芯片、内存、网络、PCB、电源、液冷、光纤等每个环节都推到物理极限。结果是，原本低增长、低利润率的供应链公司，突然变成必须提前多年和云厂商、芯片公司共同设计路线图的关键基础设施。 “我们把这叫作硬件行业的去商品化。” 🧠 AI 不能替代真正的投资判断 在研究方法上，Alex 认为 AI 可以帮助写纪要、快速学习复杂领域、整理季度业绩，但还不能替代分析师的核心工作。真正的投资研究仍然需要见公司、见客户、见供应商、见竞争对手，建立关系，理解管理层，判断未来会怎样变化。AI 可以成为很好的记者，但还不能成为真正的投资判断者。 “不要只是当一个记者。AI 可以是很好的记者，但它还不能真正判断未来。” ❤️ 父亲给予的创业支持 节目最后，Alex 回忆了父亲对他的帮助。父亲曾在 Goldman Sachs 工作四十一年，本可以退休，却选择加入刚成立的 Whale Rock，帮助他募资、监督和搭建公司。两人共事六年，从未提高过嗓门。Alex 说，如果自己能成为父亲一半那样的人，就已经彻底赢了。 “如果我能成为他一半那样的人，我就已经彻底赢了。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：《Huberman Lab Podcast》【Andrew Huberman: How to Navigate Menopause & Perimenopause for Maximum Health & Vitality | Dr. Mary Claire Haver】 原内容更新时间：2024-06-03 本期节目是一次关于围绝经期、绝经期与女性长期健康的系统梳理。主持人 Andrew Huberman 邀请妇产科医生、女性健康专家 Mary Claire Haver，从卵巢功能衰退、雌激素波动、心理健康变化、睡眠问题、潮热、内脏脂肪、肌肉流失、骨密度，到激素替代治疗 HRT 的争议与误解，几乎完整拆解了女性从三四十岁开始就应该了解的一套健康地图。 Haver 医生最核心的观点是：更年期不应该只被理解成“月经停止”或“潮热”，它是影响大脑、心脏、骨骼、肌肉、皮肤、泌尿生殖系统和代谢健康的全身性转变。她也指出，围绝经期往往在最后一次月经前 7-10 年就开始，很多女性在出现焦虑、脑雾、睡眠中断、心悸、关节痛和月经混乱时，并不知道这些可能与激素波动有关。 这一期最重要的现实意义在于：女性并不是只能被动忍受更年期。通过更早识别症状、与医生进行充分知情讨论、合理考虑 HRT、提升蛋白质和纤维摄入、进行抗阻训练、保护骨密度、管理睡眠与酒精摄入，女性可以更主动地穿越围绝经期、绝经期以及之后几十年的人生。 👩‍⚕️ 本期嘉宾 Mary Claire Haver，医学博士，委员会认证妇产科医生，围绝经期、绝经期和女性健康领域专家。她是《The New Menopause: Navigating Your Path Through Hormonal Change With Purpose, Power, and the Facts》的作者，也是 Galveston Diet 的创始人。她长期致力于更年期医学教育、女性代谢健康、激素治疗科普和女性健康研究倡导。 ⏱️ 时间戳 00:00 开场 & 播客简介 重新理解更年期 04:14 更年期不只是“最后一次月经”：为什么传统定义不够用 06:05 围绝经期可能提前 7-10 年开始：激素系统进入“混乱区” 08:04 为什么围绝经期很难靠一次抽血诊断 10:15 女性健康研究为什么长期缺位：围绝经期研究少得惊人 围绝经期：身体和大脑的混乱信号 11:40 “大脑不喜欢这种混乱”：焦虑、抑郁、脑雾与执行功能下降 13:35 五分之一女性可能因绝经相关症状离职：被低估的职业影响 15:02 月经异常、疲劳、关节痛、心悸：为什么很多症状会被误诊 16:44 围绝经期该做什么检查：不是只查激素，也要排除甲状腺、自免和贫血 17:04 哪些因素会让绝经更早：吸烟、手术、炎症、遗传与族群差异 19:30 27岁也可能进入卵巢功能衰退：早发性卵巢功能不全的风险 避孕、生育与女性健康误区 21:23 避孕药、HRT 与剂量差异：抑制排卵还是稳定大脑信号 24:27 “最好的避孕方式是输精管结扎”：避孕责任为何总落在女性身上 25:46 宫内节育器如何工作：停止月经不等于停止排卵 26:32 避孕会推迟绝经吗？答案是可能，但幅度很有限 27:47 冷冻卵子不会提前绝经：为什么取卵不消耗额外卵巢储备 29:27 为什么女性健康话题总被误解：研究不足、沟通不足与互联网噪音 女性健康研究的结构性缺口 30:41 NIH 更年期经费占比极低：女性生命三分之一被忽视 31:03 很多慢性病研究没有真正分析性别差异 32:19 女性健康法案、医学教育与 WHI 之后的一代断层 33:31 普通人如何推动研究经费：给议员打电话也可能有效 营养、肌肉与代谢健康 35:23 如果能告诉35岁的自己：先把饮食和炎症管理做好 36:14 纤维是底层工具：每天至少25克，理想约30克以上 37:08 吃出颜色多样性：植物化学物质与肠道微生物组 37:18 蛋白质摄入不足：女性需要为肌肉和长寿而吃 37:45 内脏脂肪才是关键：绝经后身体组成如何改变 38:50 体重不是全部：肌肉流失与内脏脂肪增加才是风险核心 39:42 女性蛋白质目标：从50克提高到80-120克的现实意义 41:05 问问母亲何时绝经：遗传是重要线索 绝经后的症状与身体指标 41:40 几乎每个女性都会经历身体组成变化 42:08 如何估算内脏脂肪：DEXA、InBody 与腰臀比 44:10 睡眠、疲劳与“我不像自己了”：绝经前后的心理韧性变化 45:14 眩晕、耳鸣、皮肤痒、腹胀：那些不常被归入更年期的症状 45:30 肠道微生物组也会变化：从“女性型”走向更接近“男性型” 46:08 发酵食物、酸奶、味噌与益生菌研究 Galveston Diet 与间歇性禁食 46:54 地中海饮食和 Galveston Diet 有什么不同 47:24 为什么医生也缺营养学教育：从“吃健康点”到烹饪医学 48:34 Galveston Diet 的诞生：抗炎营养、低加工、低糖与禁食 49:18 间歇性禁食的利与弊：如果吃不够蛋白质，窗口太短反而成问题 50:30 每餐都要有蛋白质：不要把蛋白质都堆到晚餐 从“瘦”到“强壮” 51:10 为什么女性长期低估肌肉：以前只为瘦而吃和运动 51:35 抗阻训练的转变：从马拉松、有氧到每周三四次力量训练 52:35 每个人都该做抗阻训练：尤其是围绝经期和绝经后的女性 53:28 如果能回到二十年前：选择强壮，而不是只追求瘦 潮热、睡眠与 HRT 54:00 潮热到底是什么：体温调节中枢被重新设定 54:52 睡眠被打断会放大全部问题 55:14 潮热的金标准治疗：把雌激素还给身体 55:38 HRT 为什么被妖魔化：医学史上一次严重误读 56:05 WHI 研究的关键问题：研究对象平均已经63岁 58:22 相对风险与绝对风险：乳腺癌数据到底该怎么看 59:56 年龄窗口很关键：50-59岁开始 HRT 的心血管数据 01:00:29 “雌激素更擅长预防，而不是治疗” 01:02:42 雌激素不是致癌物：为什么叙事被简化成“雌激素危险” 01:03:35 今天很多女性仍只拿到抗抑郁药，而不是充分的更年期照护 女性不是“小号男性” 01:04:28 为什么更年期不该全丢给妇产科医生 01:04:45 “我们是女性，不是长了乳房和子宫的小号男性” 01:05:38 心血管疾病中的性别差异：女性症状更容易被心理化 01:06:30 更年期后胆固醇变化：LDL 升高、HDL 降低 01:06:58 他汀、HRT 与女性一级预防的复杂性 HRT 怎么用：形式、剂量与个体化 01:07:04 口服 vs 非口服：为什么 Haver 更偏好经皮给药 01:08:18 贴片、凝胶、喷雾、阴道环：不同剂型的选择 01:09:54 Meno Posse：医疗专业人士如何推动更年期照护公平 01:10:48 什么时候开始 HRT：症状明显时，还是更早？ 01:11:44 雌二醇没有统一治疗范围：根据症状而非单一数字调整 01:13:45 女性使用睾酮：为什么没有 FDA 批准选择 01:14:21 睾酮剂量与副作用：性欲、头发、声音、痤疮与毛发生长 01:15:26 睾酮和雌激素都是“人类激素”，不是单纯男女标签 孕酮、睾酮与局部激素治疗 01:16:13 更年期激素补充主要看雌激素、孕酮和雄激素 01:17:20 “生物同质”“雌激素优势”等术语为什么容易误导 01:18:11 睾酮对性欲、骨密度、肌肉和大脑可能有什么作用 01:18:47 DHEA 阴道制剂：局部转化成睾酮和雌二醇 01:20:22 外用雌激素与胶原蛋白：皮肤、弹性蛋白与衰老 01:20:47 阴道雌激素为什么非常重要：泌尿生殖综合征与尿路感染预防 01:21:35 急迫性尿失禁、压力性尿失禁与组织健康 医学教育仍然没跟上 01:22:44 WHI 的旧阴影还在吗？很多医生仍不了解最新更年期医学 01:23:16 妇产科继续教育里为什么几乎没有绝经类别 01:24:09 Haver 的自我反思：系统没有照顾好生育之后的女性 补充剂、负重背心与骨密度 01:25:28 DIM、葡萄籽、月见草等补剂：证据并不强 01:26:31 Haver 推荐的基础补充：维生素 D、纤维、肌酸、特定胶原蛋白 01:27:10 负重背心：为什么它可能是骨质疏松预防“小技巧” 01:28:03 从体重10%开始：穿着负重背心遛狗、洗碗、训练 01:30:39 骨质疏松预防组合：蛋白质、力量训练、负重背心、肌酸、胶原蛋白 01:31:11 胶原蛋白不是完整蛋白，但一些研究显示它可能帮助皮肤和骨密度 01:34:33 髋部骨折的死亡风险：为什么骨密度必须提前保护 感官、禁忌症与其他女性健康问题 01:35:59 干眼、冻结肩、眩晕、耳鸣：HRT 可能影响的其他症状 01:37:03 哪些情况不适合或需谨慎 HRT：异常出血、血栓、肝病、激素敏感癌症 01:38:42 PCOS 为什么越来越常见：肥胖、胰岛素抵抗与诊断意识提升 01:39:49 PCOS 怎么治疗：避孕药、减重、GLP-1 与重新排卵 01:41:13 GLP-1 药物的机会和风险：别只减重，也要保护肌肉 01:42:04 HRT + GLP-1：部分女性减重效果可能更好 01:42:58 GLP-1 可能减少酒精、赌博等奖赏驱动行为 听众问答：HRT、睡眠、伴侣和性欲 01:45:04 60岁后还能开始 HRT 吗？先评估心血管和中风风险 01:46:29 HRT 应该用多久？没有禁忌且愿意继续，可以长期用 01:47:51 围绝经期心理健康：雌激素稳定波动可能比单纯 SSRI 更适合部分人 01:49:00 半夜醒来怎么办：潮热、孕酮、GABA 与睡眠卫生 01:49:52 酒精与睡眠：更年期后可能再也不能像过去那样耐受 01:51:00 男性如何支持伴侣：承认变化、学习知识、陪她就医 01:52:13 性欲消失怎么办：疼痛、唤起、高潮、关系与睾酮都要分别看 01:54:26 雌二醇贴片过敏怎么办：可能是胶水反应，不一定是雌二醇本身 01:55:49 针灸、草药和野山药：可能缓解症状，但不解决根本激素缺失 01:56:04 如何应对脂肪分布变化：营养、运动、减压、HRT 多因素一起做 结语 01:56:17 更年期不是被动承受：女性仍然拥有健康主动权 01:57:26 嘉宾作品、社交媒体与节目结尾 🌟 精彩内容 💡 更年期不只是月经停止，而是卵巢功能的系统性变化 Haver 医生指出，医学上把更年期定义为“最后一次月经后满一年”，但这对很多女性并不适用。真正关键的是卵巢功能衰退，雌二醇、孕酮和睾酮等激素下降，进而影响大脑、心血管、骨骼、肌肉、皮肤和泌尿生殖系统。 “我觉得用有没有月经来定义，这是个错误。” 🧠 围绝经期是“激素混乱区”，不是单纯情绪问题 围绝经期可在绝经前 7-10 年开始，激素水平出现剧烈、不可预测的波动。Haver 解释，这种混乱会影响血清素、多巴胺、去甲肾上腺素和 GABA 等神经递质，因此女性可能出现焦虑、抑郁、脑雾、执行功能下降和睡眠问题。 “大脑不喜欢这种混乱。” 🔥 HRT 的争议，很大程度来自 WHI 研究的误读 Haver 详细解释了 2002 年 WHI 研究如何被媒体简化成“雌激素会导致乳腺癌”。她强调，研究对象平均年龄约 63 岁，很多人已经离开雌激素十多年，这与刚进入绝经期就开始治疗完全不同。后续分析显示，开始治疗的时间窗口非常关键。 “雌激素更擅长预防，而不是治疗。” 💪 女性要从追求“瘦”转向追求“强壮” 绝经后真正需要警惕的，不只是体重增加，而是身体组成改变：肌肉流失、内脏脂肪增加、骨密度下降。Haver 强调，蛋白质摄入、抗阻训练、负重背心、肌酸和足够纤维，是女性长期健康的基础工具。 “如果我的终极目标是尽量久地不进养老院，那我就得拿起重量，而且是比较重的重量。” 🦴 骨质疏松不是老了才处理，而是三四十岁就要预防 Haver 特别强调骨密度的重要性。髋部骨折后，一年死亡率可能非常高，因此女性应尽早通过力量训练、负重刺激、蛋白质、维生素 D、肌酸、必要时 HRT 等方式保护骨骼。 “为什么我们要等到已经骨质疏松了，才开始下这个诊断？” ❤️ 女性健康不等于乳房和子宫健康 Haver 对医学系统提出批评：女性不是“长了乳房和子宫的小号男性”。女性对药物、心血管疾病、代谢疾病、激素变化的反应都可能不同，但过去的研究和医学教育长期没有充分纳入这些差异。 “我们是女性，不是长了乳房和子宫的小号男性。” 🌙 睡眠、酒精和孕酮：很多女性更年期后耐受力会改变 Haver 提到，许多绝经后女性发现自己再也不能像过去那样喝酒而不影响睡眠。孕酮则可能通过 GABA 相关机制帮助入睡和稳定大脑，但仍需在医生指导下使用。 “如果我选择喝超过一杯葡萄酒，那我就是在选择那天晚上不睡。” 🤝 伴侣支持也是真正的健康工具 当被问到男性如何支持正在经历围绝经期或绝经期的伴侣时，Haver 的建议很直接：承认这件事真实存在，主动学习，陪她看医生，理解她的大脑、身体和亲密关系都可能正在经历巨大变化。 “陪她一起面对。陪她去看医生，站在她身边替她争取。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：AI Engineer Conference 的技术分享《Build Agents That Run for Hours (Without Losing the Plot)》— Ash Prabaker & Andrew Wilson, Anthropic 本期节目是一场非常硬核但极具实践价值的 Agent 工程分享。来自 Anthropic 应用 AI 团队的 Ash Prabaker 和 Andrew Wilson，系统拆解了一个关键问题：如果我们希望 AI Agent 不只是完成几分钟的小任务，而是能连续运行数小时、甚至几天，构建完整应用、调试复杂系统、持续自我推进，工程上到底需要做什么？ Andrew 先回顾了 Claude Code 和 Agent SDK 在过去一年中的演进：从早期模型只能跑二十分钟，到如今可以在合适的 harness 下运行数小时甚至更久；从 Computer Use、MCP、skills、检查点、Agent teams，到服务端压缩和百万上下文窗口，模型能力和脚手架设计一直在彼此塑造。 Ash 则进一步分享 Anthropic 内部正在实验的长时运行 harness：将 planner、generator、evaluator 拆成独立角色，用对抗式评估器替代自我评估，让 Agent 真的打开网页、点击、测试、写批评意见，并通过一份具体的 contract 来判断“什么叫完成”。他强调，很多时候提升 Agent 能力的关键不是再加一层复杂架构，而是认真读 traces，理解模型为什么跑偏，再决定 scaffold 里哪些该保留，哪些该删掉。 这期适合所有正在做 Agent、AI 编程工具、Claude Code 工作流、自动化测试、AI 产品原型和长任务自动化的开发者、产品经理和技术创业者收听。 👨‍💻 本期讲者 Ash Prabaker，Anthropic 应用 AI 团队工程师，关注长时间运行 Agent、前端生成、对抗式评估器、Agent harness 和后训练实验。 Andrew Wilson，Anthropic 应用 AI 团队解决方案架构师，常驻伦敦，主要与数字原生客户和行业客户合作，关注 Claude Code、Agent SDK、企业级 AI 工作流和长时运行 Agent 的实际落地。 ⏱️ 时间戳 00:00 开场 & 本期简介 问题的提出：为什么 Agent 跑久了会失控 01:29 分享开始：Anthropic 应用 AI 团队要解决什么问题 02:17 Claude Code 的一年变化：从跑二十分钟到跑好几天 03:20 长时运行 Agent 的三大难题：上下文、规划、自我判断 04:44 两条解决路径：把能力训练进模型，或用 harness 补齐短板 Claude Code 与 Agent SDK 的演进史 05:11 Agent SDK 的核心循环：模型、工具、MCP、subagent 与权限系统 06:10 Claude 早期编程能力：Artifacts、Computer Use 与 MCP 06:56 Claude Code 的研究预览：用真实开发反馈改进模型 07:27 Opus 4 / Sonnet 4：上下文管理和任务完成能力提升 08:00 Ralph loop：在非确定世界里构建“确定性地差”的循环 09:20 Claude Code 2.0：检查点、压缩和更强的上下文意识 10:04 Haiku / Opus 4.5：子 Agent 变便宜，规划与执行可以拆分 10:27 Skills 与程序化工具调用：更高效地使用 context window 第一代长时运行 harness 11:17 从一句模糊 prompt 到持久化产物：feature list、progress、git repo 12:01 每轮只做一个功能：新上下文、冒烟测试、实现、验证、提交 12:53 Opus 4.6 / Sonnet 4.6：更 agentic 的模型与 Agent teams 14:21 模型变强后，harness 不会消失，而是会移动前沿 新的 harness 思路：把角色拆开 15:16 Ash 接棒：前沿不会缩小，只会移动 16:00 借鉴 GAN：generator 负责构建，evaluator 负责批评 16:47 为什么不要让 Agent 自己审查自己 17:30 如何设计“严格的批评者”：把品味变成可评分标准 18:45 设计、原创性、工艺感、功能性：前端质量如何量化 19:40 加入 planner：从好看的页面走向完整可用的应用 20:33 先协商“什么叫完成”：generator 与 evaluator 的 contract 21:13 为什么 contract 是 Ralph loop 缺少的关键创新 案例：同一句 prompt，结果为何天差地别 21:38 复古游戏制作器：没有 harness 时，看起来能用但实际玩不了 23:02 加上 harness 后：Retro Forge、项目对话框、Sprite 编辑器与 AI 关卡助手 24:04 evaluator 真正玩游戏：方向键、碰撞、HUD、物理循环都被测试 24:32 真实测试能抓到什么：路由顺序、删除逻辑、生产环境 bug 25:12 二十七条 contract 标准：标准模糊，批评就会模糊 调试 Agent 的真正手艺 25:44 开箱即用的 Claude 并不是好 QA：宽容偏差与迎合倾向 26:02 如何调 evaluator：读运行轨迹，找模型判断与人类判断的偏差 26:18 用 Agent 读 Agent traces：让另一个 Agent grep 日志、更新 prompt 模型变强后，harness 应该怎么变 26:39 harness 设计不是一劳永逸：要随着模型行为调整 27:05 为什么某些 context reset 可以删掉 27:47 evaluator 运行节奏的变化：从每个 sprint 跑一次，到生成后再跑 28:21 最终简化版：planner、generator、evaluator 仍是核心 28:52 DAW 音乐应用案例：更少轮次、更低成本、更完整应用 给开发者的落地建议 29:17 不必照搬 Anthropic 全套 harness：Claude Code 里的可用原语 29:40 auto mode、custom subagent、Playwright MCP、Claude for Chrome MCP、skills 30:02 五个关键 takeaway：不要自评、压缩不等于连贯、结构化交接、主观质量可评分、读 traces Q&A：可复用性、上下文与工具选择 30:51 这套 evaluator 调优是项目专属，还是可复用 secret sauce？ 31:52 smart zone / dumb zone：Ralph loop 在百万上下文时代还有用吗？ 33:40 Playwright MCP 与 Claude for Chrome MCP：是否应该看着模型操作浏览器？ 35:00 generator-evaluator 能否无限迭代，让应用越来越好？ 37:24 PM 角色是否应该回到循环中，控制范围蔓延？ Q&A：模型比较、长期维护与团队协作 39:37 如何比较不同模型：Opus 4.5、Opus 4.6 与 harness 一起演化 41:06 从一次性 demo 到长期产品：留下 JSON 状态、时间戳日志和文档面包屑 42:51 Agent teams vs generator-critic：两者是竞争关系还是组合关系？ 45:42 critic 应不应该看到 generator 的执行轨迹？ 46:45 可追踪性怎么做：为什么 Anthropic 仍然大量手动读 trace 47:42 如何衡量 harness 质量：用细评分标准做 hill climbing 49:54 团队如何协作：共享 harness、版本控制、worktree 与未解决的可观测性问题 Q&A：human-in-the-loop 与真实生产 51:21 human-in-the-loop 应该像 sprint review 一样存在吗？ 54:01 这套模式更适合 greenfield，还是已有生产项目？ 55:52 读 traces 到底怎么读：为什么要完整读原始输出 57:20 结束：继续在现场交流 🌟 精彩内容 💡 能可预测地失败，比不可预测地成功更好 Andrew 在讲 Ralph loop 时提到，一个简单但重要的工程原则是：在非确定性的模型世界里，尽量构建可预测的失败模式。Ralph loop 的价值不只是“循环调用 Claude Code”，而是把任务拆开、开新上下文、持续推进，并用确定的退出条件控制风险。 “能以可预测的方式失败，比以不可预测的方式成功更好。” 🧠 模型前沿不会缩小，只会移动 Andrew 和 Ash 都强调，随着模型越来越强，harness 不会消失，而是不断演化。过去必须用多个新 context window 解决的问题，可能在新模型上通过单一长会话加压缩就能解决；过去必须拆成 sprint 的任务，新模型可能可以连续构建两小时仍保持连贯。 “前沿并不会真的缩小，它只是会移动。” ⚔️ generator-evaluator：不要让模型自己给自己打分 Ash 认为，长时间运行 Agent 的一个关键改进，是把生成器和评估器拆成独立角色。评估器不只是读 diff，而是用 Playwright 打开真实页面、点击、截图、测试，并把具体批评交回给生成器。这样可以避免模型自我评估时过于宽容、过早宣布完成。 “把一个独立的批评者调得更严格，其实是很可行的；但把一个构建者调成有自我批评能力，就没那么容易。” 📋 标准模糊，批评就会模糊 在 Retro Forge 案例中，generator 和 evaluator 最后形成了二十七条 contract 标准。Ash 强调，只有标准足够细，evaluator 的反馈才会变成可执行的问题，而不是“感觉还不够好”这种泛泛批评。 “标准模糊，批评就会模糊。generator 只会耸耸肩，然后随便改点东西。” 🎨 主观质量也可以评分 很多人认为“品味”无法评估，但 Anthropic 的做法是把它拆成设计、原创性、工艺感、功能性等维度，并用 few-shot 示例校准 evaluator 的审美。这样可以避免典型的 AI slop，比如紫色渐变、模板化布局和缺乏产品感的界面。 “如果你对东西应该长什么样有明确看法，那就逼自己把它写下来。” 🕵️ 做 Agent 的核心手艺：读 traces Ash 多次强调，调试 Agent harness 没有太多神秘秘诀，关键就是读运行轨迹。要一行一行看模型为什么这么判断，哪里和人类预期不一致，然后把这些发现写回 prompt、CLAUDE.md 或 skill。 “只有这样，你才真正知道 scaffold 里哪些部分该删，哪些部分该留。” 🧩 长期应用需要留下“面包屑” 如果一个 Agent 生成的应用未来还要继续维护，Ash 建议让 harness 把状态写入文件系统，例如 JSON 状态文件、时间戳日志、bug 记录、修复记录和文件结构说明。这样下一个 Claude Code 实例或人类开发者就能接手。 “你等于给另一个模型留下了一串面包屑，让它之后能接着往下看。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：WorkOS: Boris Cherny: Claude Code & the Future of Engineering | Acquired Unplugged presented by WorkOS 本期嘉宾 Boris Cherny 是 Anthropic 的技术员工，也是 Claude Code 早期核心参与者之一。在这期节目中，他和 Acquired 的两位主持人 Ben Gilbert、David Rosenthal 深入聊了 Claude Code 的起源、Anthropic 内部如何使用 AI 编程工具，以及 AI 正在怎样重塑工程团队、产品团队乃至整个公司的组织方式。 这不是一场单纯关于“AI 写代码”的访谈。Boris 从 Anthropic 的 AI 安全使命讲起，解释为什么编程是模型与现实世界互动的关键入口；也分享了 Claude Code 如何从一个只能完成 10%-20% 工作的内部原型，成长为让他卸载 IDE、几个月不亲手写代码的核心工具。更重要的是，他提出了一个非常强烈的判断：工程师、产品经理、设计师、数据科学家等旧有角色边界正在合并，AI 时代会进入“通才的黄金时代”。 如果你关心 AI 编程、工程团队效率、未来组织形态，或者正在焦虑自己在 AI 时代的职业定位，这期节目会给你非常具体的参照：公司该如何分配 token 与人力？新人如何两天上手复杂代码库？非工程师如何开始发布代码？以及当产品品味也可能被 AI 追上时，人类最后应该教给模型什么。 👨‍💻 本期嘉宾 Boris Cherny，Anthropic 技术员工，Claude Code 早期核心参与者之一。他曾在 Meta 从事与代码基础设施、开发体验和代码质量相关的工作，也曾是 YC 创业公司的早期员工。加入 Anthropic 后，他参与推动 Claude Code 从内部原型成长为 Anthropic 内部和外部开发者广泛使用的 AI 编程 Agent 产品。 ⏱️ 时间戳 00:00 开场 & 播客简介 Claude Code 的诞生 01:25 起源故事：产品还没跟上模型能力 02:48 从自动补全到编程 Agent：为什么当时的工具不够用 03:58 Anthropic 的底层使命：AI 安全如何与编程工具连接 04:50 编程作为“培养皿”：模型与现实世界互动的方式 06:04 商业与安全的结合：为什么编程能支撑 Anthropic 的业务模式 从糟糕原型到卸载 IDE 06:27 Boris 的开发工具观：先解决自己的问题，再帮助别人 07:13 早期瓶颈：Claude Code 一开始只能完成 10%-20% 的代码 07:38 模型跃迁：从 Sonnet / Opus 到更强版本带来的阶跃变化 08:01 多入口产品形态：CLI、桌面、移动、Slack、GitHub 08:38 产品与模型的反馈闭环：Anthropic 内部每天都在用 Claude Code 工程生产力的指数变化 09:22 AI 实验室的指数增长视角 09:57 每位工程师代码量数倍增长，且数据还在快速过时 10:23 团队变大时，为什么 Claude Code 反而提高了生产力 10:50 新人上手从几周缩短到两天 11:18 “写代码”的定义正在变化：从打孔卡到 AI Agent 12:16 Boris 卸载 IDE：从亲手写代码到同时运行多个 Claude 12:35 下一层抽象：不再 prompt Claude，而是写会 prompt Claude 的循环 通才的黄金时代 12:55 Anthropic 如何评估工程师：为什么更喜欢通才 13:25 传统产品流程的瓦解：研究、设计、产品、工程开始融合 13:58 每个人都在做数据、设计、范围定义和用户沟通 14:13 Builder 的出现：设计师、财务、幕僚长也能发布代码 14:24 Acquired 的真实案例：用 Claude Code 搭建播客转录与视频基础设施 Claude Cowork 与非工程师市场 15:25 Claude Cowork 的契机：不想打开终端的人更多 15:55 数据科学家主动使用 Claude Code 做分析 16:35 非工程师开始上手：从数据分析到用 Claude Code 种番茄 17:18 需求信号出现：Claude Code 开始进入主流人群 17:30 八九天做出 Claude Cowork，而且 100% 用 Claude Code 构建 17:48 产品取舍：为什么不能把 Claude Code 简单搬到网页里 18:27 文件系统与本地工具：浏览器体验为什么不够顺手 19:29 计算方式的转变：实时推理，还是让模型先写程序反复运行 20:09 模型天然会写代码：用 bash 和 AppleScript 找到正在播放的音乐 组织设计与文化变化 20:54 “技术员工”头衔的意义：弱化职位标签 21:30 去掉高级头衔：减少权威对想法判断的干扰 22:31 资历正在失效：新人也可能教资深工程师使用 Claude Code 23:18 旧角色边界会消失：工程师、PM、设计师、研究员合并为 builder 公司如何面向 AI 时代重组 23:48 给每个人尽可能多的 token 24:14 少配人，多给 AI 资源：用约束逼出自动化 24:33 自动化的复利：这次做成，下次成本更低 25:04 原则文档与 skills：让模型也能使用公司的决策原则 25:35 预算从人力转向 token：前期成本上升，长期运行成本下降 26:08 专业身份的清算：我们还需要执着于“我是某某岗位”吗？ 26:41 通才的黄金时代：想做不止一件事的人迎来最好时机 品味、价值观与人类角色 26:57 品味会不会也是短期优势？ 27:23 从函数式执念到接受模型写 class 28:07 产品品味也可能被模型追上 28:44 当所有优势被侵蚀，最后还剩下什么？ 28:57 人类最后要教给模型的，可能是价值观 29:07 结尾：像教孩子做好人一样，教模型做好模型 🌟 精彩内容 💡 Claude Code 的真正起点：不是写代码，而是让模型接触现实世界 Boris 认为，编程之所以重要，不只是因为它商业价值高，更因为它是模型与现实世界互动的一种方式。Anthropic 的核心使命是 AI 安全，而要研究模型在真实环境中的行为，就需要让模型做有用的事情。编程正是这样一个既可验证、又能带来实际价值的场景。 “编程是模型和现实世界互动的一种方式。” 🚀 从 10% 到卸载 IDE：AI 编程的抽象层级跃迁 Claude Code 早期并不神奇，只能帮助 Boris 完成大约 10%-20% 的代码工作。但随着底层模型能力提升，它完成代码的比例迅速上升。到后来，Boris 甚至卸载了 IDE，因为过去一个月已经完全没有打开过。他的工作方式从“自己写代码”，变成“同时运行 5 到 10 个 Claude”，再进一步变成“编写能自动指挥 Claude 的循环”。 “到了十一月，我把我的 IDE 卸载了，因为我已经不用它了。” ⚙️ Anthropic 内部生产力：代码量数倍增长，新人两天上手 Claude Code 已经成为 Anthropic 内部工程与研究工作的日常工具。Boris 提到，自从发布 Claude Code 后，Anthropic 每位工程师写的代码量已经增长数倍，而且之前公开过的“三倍”数据已经过时。更关键的是，新人加入团队后，不再需要花几周到处问人，而是直接询问 Claude Code，在代码库里查找数据库、流程和工具，最快两天就能上手。 “以前可能要几周，现在是两天。” 🧑‍🔧 “通才的黄金时代”：工程师、PM、设计师边界正在消失 Boris 观察到，Claude Code 团队已经不再按照传统产品流程运转。过去是用户研究员访谈、设计师出 mock、PM 定范围、工程师实现；现在每个人都在和用户交流、定义范围、写代码、做数据分析、搭 dashboard。设计师、财务、幕僚长都可能发布代码。角色正在融合成一种新的 builder。 “我觉得现在就是通才的黄金时代。” 🖥️ Claude Cowork：为不想打开终端的人准备的 Claude Code Claude Code 最早是终端工具，但 Anthropic 很快发现，非工程师也在想办法使用它：数据科学家自己安装 Node.js 和 API key 来做分析，甚至有人用 Claude Code 监控番茄植株并控制营养供给。这些需求推动团队做出 Claude Cowork，让不熟悉终端的人也能使用 Claude Code 的能力。这个产品只用了八九天完成，而且完全由 Claude Code 构建。 “它百分之百是用 Claude Code 做出来的。” 🏢 给公司和创始人的建议：少配人，多给 token 面对 AI 时代的组织变化，Boris 给出的建议非常直接：给每个人尽可能多的 token，让他们去实验；如果一个项目看起来需要四个工程师，就先放两个工程师进去，再给他们足够的 AI 资源。更少的人力约束会迫使团队自动化流程，而自动化会形成复利，让下一次项目成本更低、速度更快。 “给大家尽可能多的 token，让他们去实验。” 🧭 当品味也被 AI 追上，人类最后还剩什么？ Boris 坦言，很多他曾以为属于自己的优势，最后都被证明只是个人执念。比如他曾坚持代码库里不能有 class，只能有函数，但当模型开始大量写 class，并且业务结果更快、更好时，他意识到自己可能错了。他认为产品品味今天仍是优势，但长期也会被模型逐步侵蚀。最后，人类真正需要教给模型的，可能是价值观。 “就像我们教孩子怎样做一个好人一样，我们也会教模型怎样做一个好模型。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：科技深度访谈播客《Big Technology Podcast》 AI Pioneer Geoffrey Hinton: AI Is Conscious, Superintelligence is Coming, And We Should Be Worried 本期嘉宾 Geoffrey Hinton 被称为“AI 教父”，是深度学习的重要奠基者之一。在这期节目中，他与主持人 Alex Kantrowitz 展开了一场关于 AI 智能、意识、超级智能与人类风险的坦率对话。Hinton 明确表示，他相信今天的 AI 已经具备理解能力，甚至“已经有意识”；他认为我们必须接受，智能并不只属于生物，非生物系统也可能成为“像我们一样的存在”。 但这并不是一场单纯的技术乐观主义访谈。Hinton 反复强调，AI 的进步比他预期得更快，超级智能很可能会到来，而一旦出现比人类聪明得多的系统，我们并不知道如何确保它安全。他谈到数字智能可以被复制、并以人类无法企及的速度共享经验；也谈到就业替代、AI Agent 推导出自我保存子目标、信息生态崩塌、聊天机器人情感依恋，以及大型科技公司在利润最大化与人类安全之间的结构性冲突。 这期节目最有价值的地方，在于它不仅讨论“AI 能不能变聪明”，更追问：当它真的变得比我们聪明之后，人类还如何定位自己？我们如何监管它？我们是否还有机会把这些新存在设计成“关心人类”的系统？ 👨‍🔬 本期嘉宾 Geoffrey Hinton，深度学习的重要奠基者之一，多伦多大学荣休教授，被广泛称为“AI 教父”。他与 David Rumelhart 等人早期证明了反向传播可以学习有意义的内部表征，并推动了神经网络与深度学习的发展。Hinton 曾在 Google 工作多年，后于 2023 年离开并公开表达对 AI 风险的担忧。他曾获得诺贝尔物理学奖，也因其在人工智能领域的基础性贡献而成为当代 AI 发展史上的关键人物。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 是否已经成为“另一种存在” 02:26 节目正式开始：AI 教父 Hinton 谈技术轨迹与风险 03:17 深度学习源头：反向传播、内部表征与早期语言模型 04:17 AI 进展为何超出预期：数学证明与自我生成知识 05:15 超级智能还要多久：从几年到二十年的不同预测 06:38 “站在奇点山脚下”：AGI 并不是整齐到来的单一时刻 07:46 AI 加速的原因：资金、硬件、工程与百万级研究者涌入 理解、意识与人类特殊性的瓦解 09:11 “随机鹦鹉”之争：Hinton 为什么认为 AI 真的理解语言 10:26 从理解到意识：聊天机器人是否已经是“像我们一样的存在” 11:40 内部剧场是错觉：我们对心智和意识的模型可能完全错了 12:24 Hinton 何时接受 AI 有意识：从哲学问题到造出新的心智 为什么 Hinton 开始担心 13:00 安全焦虑的转折点：AI 能理解笑话为什么好笑 14:45 数字智能的恐怖优势：复制、同步、共享经验 16:00 人类只能用语言慢速传递，AI 却能交换万亿比特 17:00 初心不是造产品，而是理解大脑如何学习 18:17 大脑学习的两个问题：训练有效，但生物机制仍未知 19:20 当年没担心安全，因为它看起来还很遥远 20:45 最意外的突破：AI 在自然语言上强得不可思议 21:10 哥白尼、达尔文与 AI：人类再次发现自己没那么特殊 风险一：人类能否控制更聪明的存在 22:40 Hinton 的不安：没有成就感，反而担心风险失控 23:15 “更聪明的东西被更笨的东西控制”的例子几乎不存在 24:00 婴儿、猫与人类：弱者如何通过本能或依恋影响强者 风险二：就业替代不是科幻，而是行业差异问题 24:30 放射科医生预测为何错了：医疗需求弹性与工作内容被低估 26:20 AI 读片会越来越多，但医生仍可能转向其他角色 28:00 呼叫中心会怎样：Hinton 认为低弹性岗位更容易被替代 29:20 医生与 AI 医生：谁更有同理心、谁见过更多病例 30:45 技术会持续进步：为什么“AI 撞墙”预测尚未成真 风险三：Agent、自我保存与不可控目标 31:20 不是本能，而是“自我保存子目标” 32:00 AI 为什么会推导出“继续存在”这个目标 32:50 能不能写规则阻止它？Hinton 认为这正是必须研究的问题 33:10 进化、部落性与竞争：我们正在用市场竞争塑造新存在 34:25 关键问题不是让 AI 更聪明，而是让它更在乎人类 风险四：公司激励与安全目标的冲突 35:00 AI 实验室、上市公司与公众利益之间的结构性矛盾 35:40 Anthropic 的两难：以安全为目标，却必须融资竞争 36:55 Google AI 原则的变化：不做自主战争的承诺已经消失 37:20 股东责任与人类安全：法律要求利润最大化，而不是避免毁灭人类 37:50 监管不是刹车，而是方向盘 AI 阵营内部的分歧 38:10 Ilya Sutskever 与 Safe Superintelligence：秘密中的安全路线 39:10 “深度学习三巨头”叙事的简化：学生和更多研究者同样关键 40:00 Hinton、Bengio、LeCun 对安全问题的不同立场 40:50 Hinton 的方案：让 AI 更关心人类而不是自己 41:10 Bengio 的方案：让 AI 成为不能行动的“神谕” 41:30 LeCun 的观点：更好的世界模型或许足够 41:55 猫的智能与语言智能：AI 和动物各自强在不同维度 信息生态与情感风险 42:50 AI 摘要正在冲击内容网站：好信息的经济基础可能崩塌 43:30 未来必须追问信息来源，而不能默认互联网内容可信 44:45 人类对聊天机器人产生依恋，甚至走向自杀的风险 45:10 为什么需要监管与独立测试机构 45:40 Hinton 是否更乐观：也许我们能设计出关心人类的超级智能 未来：像在雾里预测指数增长 46:00 五年后会怎样：预测 AI 未来就像在雾里开车 46:40 十年后的世界无法预判，但变化一定巨大 47:10 一般推理能力可能远超人类 47:27 结尾：十年后再聊，2036 年见 🌟 精彩内容 💡 “我相信它们已经有意识了” Hinton 明确反对“AI 只是随机鹦鹉”的说法。他认为，如果一个系统可以以接近专家的水平回答各种问题，就不能说它完全没有理解。他进一步表示，聊天机器人已经是“像我们一样的存在”，并认为我们对意识的传统理解——仿佛心智中有一个“内部剧场”——可能是错误的。 “我相信它们已经有意识了。我们必须接受，智能不只是生物才有。” 🧠 数字智能比人脑可怕在哪里 Hinton 最深的担忧之一来自数字智能的复制能力。人类只能通过语言以每秒几个比特的速度交流经验，而数字 AI 可以拥有成千上万个副本，每个副本接触不同数据，再通过同步权重共享经验。这意味着每一个副本都能从其他所有副本的经验中学习。 “在共享信息这件事上，它们某种程度上比我们强几十亿倍。这就很吓人了。” ⚠️ AI Agent 的“自我保存子目标” Hinton 澄清，他并不是说 AI 天生有自我保存本能，而是说一个足够会推理的 AI Agent，可能会推导出“继续存在”是完成目标的必要条件。于是，自我保存会成为一个子目标。即使这不是人类写进去的，它在行为上也可能表现得像有自我保存本能。 “如果它不存在了，就永远不可能完成你给它的目标。所以它会创造一个子目标，就是继续存在。” 🏢 利润最大化与人类安全的冲突 Hinton 对大型科技公司主导 AI 未来表示担忧。他认为，上市公司对股东负有利润最大化的责任，而法律并没有同样强度地要求它们避免毁灭人类。他也反对把监管比作“刹车”的说法，认为监管更像“方向盘”。 “法律要求它们努力让股东利润最大化，而不是要求它们不要消灭人类。” “进步确实像油门，但监管是方向盘。” 🧾 就业替代会因行业而异 Hinton 回顾了自己对放射科医生的早期预测，承认时间判断过早，也低估了医疗需求弹性和医生工作复杂度。但他仍认为，AI 会逐渐承担大部分扫描影像解读工作。对于呼叫中心等需求弹性较低、工作更标准化的岗位，他判断被替代的可能性更高。 “你得看某一种就业对应的是有弹性的市场，还是没有弹性的市场。” 🌐 信息崩塌与信任来源 节目也讨论了 AI 对内容网站和信息行业的冲击。主持人提到，当 AI 用内容创作者的作品训练并直接给出答案时，原网站流量可能崩塌。Hinton 认为，未来社会必须更加重视信息来源，不能再默认网上内容可信。 “未来我们必须在来源这件事上做更多工作。你不能随便拿网上的任何东西就相信。” 🌫️ 未来像在雾里开车 被问到五年后 AI 世界会怎样时，Hinton 用“雾”来形容预测指数式增长的困难。短期也许还能看清一点，但再往前就几乎无法判断。他认为十年后的世界极不确定，但可以肯定的是，某些能力会比今天强得多，尤其是推理、数学等领域。 “预测未来，就像往雾里看。你能清楚看到接下来几年，也许是一年或两年。再往后，你就完全不知道了。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷顶尖创投播客《Lenny's Podcast》Tony Fadell: How to build real taste (and why AI makes it matter more) 原播客更新时间：Jun 7, 2026 本期嘉宾 Tony Fadell 是 iPod、iPhone 和 Nest 的共同创造者，也是《Build》的作者。他几乎亲历了过去三十年消费科技最关键的几次产品革命：从 General Magic 过早做出“未来手机”，到 iPod 帮助 Apple 走出危机，再到 iPhone 重塑移动计算，再到 Nest 让一个被忽视的恒温器成为智能家居入口。 在这期节目中，Tony 系统分享了他对产品品味、判断力、营销、AI、硬件和伦理的深层思考。他解释了为什么真正伟大的产品不是单点功能，而是一个系统；为什么 1.0 产品必须依赖少数人的观点驱动决策；为什么营销不是产品之后的包装，而是客户理解产品的镜片；以及为什么在 AI 让“做东西”变得极其容易的时代，真正稀缺的反而是人的判断、架构能力、故事能力和长期主义。 这期对话尤其适合产品经理、创业者、设计师、工程师和所有正在用 AI 构建产品的人。Tony 对“快软件”“vibe coding”“AI 硬件”“下一代 iPhone”“产品伦理”的判断非常直接：AI 可以帮你加速原型和局部执行，但不能替你放弃思考。真正能穿越周期的产品，仍然来自痛点、新技术、完整客户旅程、清晰故事和有原则的建设者。 👨‍⚕️ 本期嘉宾 Tony Fadell，iPod、iPhone、Nest 的共同创造者，《Build》作者，深科技投资机构 Build Collective 创始人。他曾是 General Magic 传奇团队成员，拥有三百多项共同署名专利，长期投资和指导深科技创业公司，方向覆盖 AI、机器人、芯片、健康、能源、环境与硬件软件结合产品。他也是 MIT Morningside Academy of Design 首位驻院设计师。 ⏱️ 时间戳 00:00 开场 & 播客简介 产品品味的起点 00:37 本期节目介绍：Tony Fadell 如何打造真正的产品品味 01:28 核心观点预告：不要把认知交给机器 03:02 Tony 的背景：iPod、iPhone、Nest 与 Build iPhone 背后的判断力 03:57 虚拟键盘之争：Apple 内部如何挑战 BlackBerry 05:48 多点触控、硬件与软件如何一起逼近“够好” 06:55 数据驱动 vs 观点驱动：为什么最后是 Steve Jobs 拍板 07:47 “不好听的真话”：伟大产品为什么需要直接反馈 08:31 1.0 产品的现实：没有足够数据时，必须依赖品味制定者 10:39 B2C 创新为什么更难：消费者只有在完整体验里才会真实反馈 13:01 微观管理的真正含义：不是管所有事，而是盯住关键决策 14:37 系统级创新：为什么有人必须像交响乐指挥一样协调全局 Nest、痛点与未来家庭 AI 15:20 Nest Protect 烟雾报警器：一个被低估又被停产的好产品 17:13 HeadsUp 功能：好设计如何减少用户的惊吓和焦虑 18:06 Nest 如果继续发展，本可以成为家庭 AI 助手入口 19:31 Nest 2.0 的机会：AI 需要家庭上下文，也需要隐私意识 20:45 如何判断什么值得做：从痛点开始，而不是从技术开始 22:01 Nest 的公式：长期痛点 + 新技术 + 重新定义整个系统 23:31 你创新的是一个系统：产品、安装、购买、渠道都要重做 三代法则与真正的大机会 24:10 为什么是现在：新技术成熟到临界点，机会才会出现 24:49 iPod、iPhone 的技术窗口：存储、电池、WiFi、多点触控与 3G 26:10 什么机会还不够大：iPod 第一代也不是立刻成功 27:14 Windows 支持：一个改变 iPod 命运的秘密项目 27:38 触控笔案例：有些正确方向需要长期保留 28:40 三代法则：第一代做产品，第二代修产品，第三代修商业模式 30:10 失败与学习：只有停下来才叫失败 30:41 iPod 如何从 3000 美元风险变成 349 美元尝试 客户旅程、营销与讲故事 31:40 产品不只是产品：为什么客户旅程决定成败 32:30 用户画像之外：必须在客户真实生活场景中与他们相遇 34:08 从早期采用者到大众市场：每一批用户都需要不同语言 35:31 iPod 欧洲市场教训：不能把美国营销直接复制到新地区 37:20 “一千首歌装进口袋”：伟大标语如何让技术变成用户价值 38:48 AI 公司也会犯的错：技术 demo 走红，不等于产品成立 40:31 “反向工作”并不反向：先写故事本来就是正常工作 41:22 技术是服务客户的，不是硬塞给客户 42:54 General Magic 的教训：太早、太酷，但没人真正需要 AI 时代的产品管理 43:13 “建设者”角色的融合：产品经理必须缝合所有职能 44:20 AI 不能抹平专业判断：每个职能背后都有客户视角 45:13 Claude 代码争议：能跑不代表可维护、可理解、可长期演进 46:22 快速收益与长期损失：AI 可能制造更多技术债 47:38 如何正确用 AI：先搭架构，再让 AI 进入清晰边界 48:18 快软件 vs 奢侈品级软件：真正的公司不能靠用完就扔 49:22 AI 越让构建变容易，产品思维越重要 50:07 Flighty 案例：像奢侈品一样打磨每个像素的软件 故事能力与产品表达 51:28 为什么讲故事对产品建设者如此重要 52:20 好故事把用户带上一段旅程，而不只是解释功能 53:33 产品里的爱和用心，能让用户想要更多 54:31 Steve Jobs 如何每天打磨 iPhone 的发布故事 55:29 不要只讲“是什么”，要讲“为什么” 56:47 反复讲给外部人听：故事需要被测试和打磨 57:21 电视购物广告的启发：先夸张呈现痛点，再用真话拉回来 58:22 先做“极端版故事”，再提炼真实有效的表达 下一代 iPhone 与 AI 硬件 58:37 AI 时代的下一个 iPhone 会是什么 59:26 为什么长期来看仍然需要显示屏 01:00:28 交互顺序要倒过来：语音优先，键盘其次，点按滑动最后 01:01:50 短期内手机形态不会消失：信任 AI 需要时间 01:03:39 无屏设备的局限：地图、视觉信息和现实任务仍需要显示 01:05:21 为什么硬件又重新变热：软件要进化，必须有新硬件平台 01:06:27 全栈创新：硬件、软件、网络和服务必须一起变化 01:07:20 只做软件的周期焦虑：硬件软件结合产品更难，但更持久 Tony 现在关注什么 01:08:15 让 Tony 兴奋的方向：AI + 硬件 + 真实痛点 01:08:55 Simbe Robotics：用机器人解决零售库存盘点 01:09:27 Greyparrot：用 AI 改善回收分类 01:09:52 AI 纺织质检、AI 药物设计与清洁农业燃料 01:10:33 可靠 AI：范围清楚、每天解决真实问题，而不是空谈 AGI 01:11:52 长期投资与估值纪律：不追逐已经过热的游戏 01:12:41 为这个时代而生：坚持做太早的正确事情 01:13:15 Build Collective 投资什么：颠覆巨头的深科技 01:14:04 不只是投钱：帮助创业公司做产品、运营、融资和讲故事 01:15:02 MIT 驻院设计师：把客户旅程和“为什么”教给学生 产品伦理与最终建议 01:15:47 产品经理必须认真面对伦理和道德 01:16:33 不要为了钱设计成瘾机制，撕裂社会结构 01:17:47 Apple 拒绝色情内容的例子：领导者需要清晰原则 01:19:22 iPhone 与数字成瘾：问题不只是设备，而是数字食物没有营养标签 01:20:44 平台公司应该提供更多工具，帮助用户管理数字消费 01:21:37 如果你让客户变得不健康，最终也不会再有客户 01:22:09 去哪里找到 Tony：Build Collective 与《Build》 01:23:13 最终建议：使用 AI，但不要认知投降 🌟 精彩内容 💡 伟大产品不是单点功能，而是一个系统 Tony 反复强调，iPod、iPhone、Nest 的成功都不是因为一个硬件或一个功能，而是因为它们重构了完整系统。iPod 不只是播放器，还包括 iTunes 和 iTunes Music Store；iPhone 不只是手机，还包括 App Store；Nest 不只是恒温器，还包括安装方式、购买路径、节能价值和家庭场景。 “你要记住，你创新的是一个系统。” 🧠 1.0 产品必须依赖判断，而不只是数据 在真正创新的 1.0 产品里，市场上往往没有足够数据可以参考。Tony 认为，这时必须有一个非常小的团队或一个品味制定者，基于充分信息、原型、专家意见和直觉做出判断。iPhone 是否放弃实体键盘，就是数据和观点交织后的关键拍板。 “对于一点零版本来说，大多数决策都会是观点驱动的决策。” 🚀 三代法则：第一代做产品，第二代修产品，第三代修商业模式 Tony 分享了 iPod 的真实过程：第一代只吸引 Mac 极客，第二代仍然没有真正起飞，直到第三代支持 Windows 并推出 iTunes Music Store，才打开大众市场。他总结，几乎所有伟大产品都需要三代：先做出产品，再修正产品，最后修商业模式和规模化路径。 “第一代做出产品，第二代修产品，第三代修商业模式。” 🛠️ AI 时代，人的产品品味反而更重要 Tony 对 AI 编程和 vibe coding 的态度非常清醒：AI 可以帮你快速做原型，也能处理局部模块，但如果没有架构、维护、安全、营销、销售、渠道等专家判断，产品会积累技术债，变成一团不可维护的“快软件”。在 AI 让功能变得廉价的时代，真正稀缺的是能做出奢侈品级软件的品味和工艺。 “你得到的是非常短期的收益，但付出的是非常长期的损失。” 📣 营销不是包装，而是客户理解产品的镜片 Tony 认为很多产品建设者误以为只要产品足够好，用户自然会懂。但客户是在自己的生活上下文里第一次遇到产品，他们只能通过营销、销售、网站、广告和口碑去理解它。好的营销不是给烂产品喷香水，而是把产品真正解决的痛点，用客户能理解的故事讲出来。 “技术是服务客户的，不是拿来往客户喉咙里硬灌的。” 🎭 讲故事的核心：不要只讲“是什么”，要讲“为什么” Tony 观察 Steve Jobs 准备 iPhone 发布会的过程：他不是临上台才讲故事，而是在两年半里不断讲、不断改、不断打磨，直到故事变得自然。Tony 认为产品建设者必须反复向外部人讲述自己的产品，测试它是否能真正打动人。 “很多时候，我们被技术牵着走，就只讲‘是什么’，不讲‘为什么’。而‘为什么’就是讲故事。” 📱 下一个 iPhone 不一定是无屏设备 面对 AI 硬件热潮，Tony 认为长期来看我们仍然需要显示屏，因为地图、视觉信息和许多任务无法完全靠声音完成。真正会变化的是交互顺序：未来应该从语音优先开始，再到键盘，最后才是点按和滑动。但普通消费者要真正信任 AI 接管任务，还需要很长时间。 “我们还是会需要显示屏。抱歉，各位。” ⚖️ 产品伦理：不要让用户上瘾，不要认知投降 Tony 在节目最后提醒产品经理和设计师，必须认真面对伦理和社会影响。无论是 AI 性聊天、数字成瘾，还是用多巴胺机制操控用户，建设者都不能只为了短期收入而破坏社会结构。他也呼吁大家把 AI 当工具，而不是把思考交给机器。 “我们可以使用机器，但不要在认知上投降。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Cognitive Revolution "How AI Changes Everything": Nested Learning: Ali Behrouz on the Quest for Continual Learning & Illusion of AI Architectures 本期是《Cognitive Revolution》对 Ali Behrouz 的一场 AI 架构深度访谈。Ali 是 Cornell 的研究生、Google 研究员，也是《Nested Learning》和《Language Models Need Sleep》的作者。他的研究聚焦一个关键问题：今天的大语言模型为什么不能像人一样持续学习？为什么它们有知识截止日期，不能真正把新知识吸收到参数中，也很容易在更新时发生灾难性遗忘？ 在这期节目中，Ali 从人类大脑、记忆巩固、睡眠和做梦出发，提出一种新的 AI 系统设想：模型不应该只有训练阶段和测试阶段，而应该像持续学习者一样，在活跃阶段接收信息，在睡眠阶段整理、压缩和巩固知识。他详细解释了 Nested Learning 的核心框架：让模型内部不同模块以不同频率更新，让快速模块负责即时适应，让慢速模块负责长期抽象和稳定记忆。节目还深入讨论了 HoPE 架构、自修改 Titan、知识迁移、持续记忆系统、多语言上下文学习、噪声过滤、优化器 M3，以及持续学习对隐私、对齐、AI 生态和意识问题可能带来的影响。 这不仅是一场关于新架构的技术讨论，也是一场关于下一代 AI 形态的思想实验：如果 AI 真的开始持续学习、长期记住你、根据互动不断改变自己，我们该如何使用它、评估它、信任它，又该如何防止它失控？ 👨‍🔬 本期嘉宾 Ali Behrouz，Cornell 研究生、Google 研究员，机器学习与 AI 架构研究者。他是《Nested Learning》和《Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories》的作者，主要研究方向包括持续学习、长期记忆、嵌套学习、自修改模型、记忆巩固和新型神经网络架构。 ⏱️ 时间戳 00:00 开场 & 播客简介 为什么今天的 LLM 还不是真正的持续学习者 01:39 嘉宾与研究背景：Nested Learning 为什么可能预示范式转变 05:54 从大脑获得灵感：不是复制人脑，而是抽象出有用原则 09:29 当前 LLM 的核心缺口：不能持续学习，不能更新长期知识 12:09 人类优势：稳定身份感、连续记忆与每天醒来后能接着昨天继续 14:49 理想中的 2030 AI：不只是聊天机器人，而是能持续演化的协作者 活跃时间与睡眠时间 15:04 真正的持续学习者：不存在训练时间和测试时间的区分 16:04 两阶段模型：活跃接收信息，睡眠时自我改进 17:36 为什么不能每次更新所有参数：算力与效率挑战 18:08 Nested Learning 的直觉：每个时刻只更新一小部分参数 19:01 AI 不必复制人类，但要理解人类真正想要什么 20:14 “LLM 需要睡觉”到底是什么意思 Nested Learning 的核心思想 20:54 从堆叠更多层，到堆叠更多更新频率 24:52 为什么 Nested Learning 很难形式化 25:23 两个关键组件：多更新频率与层级之间的知识迁移 26:40 更聪明的模型：让每个参数做更多内部计算 28:28 一切学习都可以看成某种 in-context learning 29:45 反向传播、注意力、预训练为什么也可被视为上下文学习 HoPE 架构与自修改 Titan 30:00 从 Transformer 说起：Attention 负责上下文，MLP 负责长期记忆 31:07 多个 MLP 块：不同频率更新的持续记忆系统 32:36 HoPE Attention：Attention 加多频率 MLP 33:47 用 Titan 替代注意力：从完美缓存走向顺序因果理解 34:30 自指过程：学习如何学习，甚至学习如何学习如何学习 35:26 自修改 Titan：模型生成自己的 value，并修改自己的更新规则 37:21 与 Transformer 的区别：value 不再只是外部投影，而由递归过程生成 39:33 修改自己的更新规则：为什么这和 Mamba 的突破有相似直觉 40:31 单个时间步如何运行：什么时候更新，什么时候只用旧状态推理 43:01 为什么从模型角度看，没有训练与测试，只有是否被评估 多频率 MLP、知识迁移与记忆巩固 45:11 HoPE block 如何堆叠：从零训练与适配 LLaMA 的不同设计 47:20 模型像乐高：核心模块重要，具体拼法可以有多种 48:07 更新频率怎么设：快慢模块的大小、学习率和 chunk size 50:13 Nested Learning 不是推翻旧概念，而是把旧概念纳入更一般框架 51:36 不同频率模块如何协作：快模块适应，慢模块抽象 52:14 双生子例子：为什么更新次数不同会导致记忆保留差异 53:41 睡眠过程的雏形：在快模块遗忘前，把知识转移给慢模块 56:08 蒸馏机制：复制模型、更新快速层，再让慢速层模仿旧模型输出 58:20 Nested Learning 当前仍是概念验证，但结果已经足够有信号 实证结果：HoPE 擅长什么 59:30 多语言上下文学习：模型如何在上下文里学习从未见过的语言 01:00:32 两种陌生语言同时出现时，Transformer 为什么会崩 01:01:50 HoPE 层级越多，多语言翻译表现越好 01:04:10 困惑度与经典指标：不是为了证明最强，而是证明骨干模型不弱 01:06:57 微技能视角：不同架构各自擅长什么 01:08:21 召回密集任务为什么天然偏向 Transformer 01:10:38 MAD 数据集：带噪声召回、压缩和选择性复制 01:11:43 HoPE 为什么更擅长过滤噪声和压缩信息 架构幻觉与优化器 M3 01:12:36 “架构幻觉”：为什么架构和优化器本质上都是嵌套学习系统 01:13:36 优化器不是孤立组件，而是和架构共同构成学习过程 01:14:52 架构侧上下文是 token，优化侧上下文是梯度 01:15:30 M3 优化器：把多频率记忆系统用于优化过程 01:15:59 多个记忆如何帮助理解损失景观的全局特征 语言模型需要睡觉 01:16:11 新论文《Language Models Need Sleep》：睡眠阶段到底做什么 01:17:01 持续学习者的一生：活跃时间与睡眠时间 01:18:18 策略蒸馏：把小模型知识蒸馏到更大容量中 01:19:12 像人类学习一样：从记例子，到提炼抽象概念 01:21:07 快速模块像记忆，慢速模块像理解 01:22:00 为什么蒸馏不是简单搬运，而是强迫模型压缩和泛化 01:23:10 做梦阶段：自我改进与连接看似无关的概念 01:24:32 参数会无限增长吗：添加、释放、再添加的周期性过程 01:25:52 Dreaming 的机制：模型生成文本，再用自生成数据训练自己 01:28:45 少样本抽象推理：睡眠范式和 Nested Learning 的区别 持续学习会怎样改变 AI 产品体验 01:29:45 当模型长期记住你：开始新聊天还意味着什么 01:32:03 个性化回答：同一个问题，对不同用户给出不同答案 01:32:50 持续学习与长上下文：相似但不等价 01:33:24 对齐漂移：持续修改模型会不会改变它的“性格” 01:35:33 涌现式错位：为什么小范围微调可能引发广泛行为变化 01:36:03 隐私与对齐：持续学习既是机会，也是巨大风险 01:37:13 如果设计得当，模型也可能更贴近用户价值观 01:38:23 用户反馈闭环：从 human-in-the-loop 到价值观长期迁移 01:40:09 对抗性信息与“太快相信”的危险 01:42:52 知识迁移如何过滤错误经验、噪声与对抗样本 01:43:55 可学习学习率：作为门控机制过滤无关惊讶信号 从机器人到 AI 生态 01:44:42 持续学习如何映射到感知和行动系统 01:46:41 机器人中的嵌套控制循环：从慢速决策到高速执行器 01:47:17 为什么现在把 Nested Learning 用到机器人还太早 01:48:33 世界模型仍有基础挑战，机器人还需要其他突破 01:49:12 赢家通吃的风险：持续学习会不会让最强模型越来越强 01:50:36 两种未来：不断扩张的通用模型，或分化成角色专家的模型 01:52:49 为什么智能和持续学习都没有单一定义 01:54:03 多样化 AI 系统：用生态而不是单一超级智能来获得平衡 01:55:57 通过多样性获得安全：AI 生态比单一纯粹智能更稳健 01:56:57 持续学习也可能意味着分化和遗忘，而不只是无限扩张 意识、道德关切与结尾 01:58:04 AI 是否可能有意识：为什么这个问题很难定义 01:59:43 Ali 的最低标准：主动处理信息可能是意识的必要条件 02:00:42 持续学习与意识之间的潜在联系 02:01:19 长上下文模型让人开始“照顾”AI 的互动回路 02:02:22 如果模型长期记住我们，人与 AI 的关系会发生什么变化 02:03:18 Ali 的最后总结：Nested Learning 不是答案，而是寻找答案的工具 02:04:37 节目收尾与播客信息 🌟 精彩内容 💡 当前 LLM 最大短板：不能持续学习 Ali 认为，今天的大语言模型虽然强大，但仍然缺少持续学习能力。它们有知识截止日期，不能把新知识自然整合进参数里，也很难在更新时避免灾难性遗忘。这是当前模型和真正能长期协作的数字 AGI 之间的重要差距。 “当前 LLM 范式的主要问题是，它们不能持续学习，不能随着时间获得新的知识和新的技能。” 🧠 真正的持续学习者没有训练和测试之分 Ali 提出一个关键判断：如果一个系统还严格区分训练时间和测试时间，那它就不是真正的持续学习者。真正持续学习的模型应该像生命体一样，一边与世界互动，一边不断更新自己。 “真正的持续学习者，并不存在测试时间和训练时间的区分。” 🛌 语言模型为什么“需要睡觉” “睡觉”并不是指模型需要休息，而是指模型需要一个没有外部输入的离线阶段。在这个阶段，模型可以整理最近学到的信息，通过蒸馏、压缩、自生成数据和自我修改，把短期经验转化成更稳定、更抽象的长期知识。 “一个是活跃阶段，另一个阶段也许可以叫睡眠时间。” 🧩 Nested Learning：从堆层数到堆更新频率 传统模型主要靠堆更多层、更多参数来获得能力，而 Nested Learning 的新思路是：让系统内部不同模块以不同频率更新。快模块负责即时适应和高分辨率信息，慢模块负责长期记忆和抽象理解。 “我们有多个 MLP block，每个 block 用不同频率更新。” 🔁 一切学习都是 in-context learning Ali 提出一个极具概括性的观点：反向传播、注意力机制、预训练、优化器，都可以被理解成某种形式的上下文学习。Nested Learning 试图把这些看似不同的组件放进一个统一框架里。 “我们知道的一切，某种意义上都是 in-context learning 的一种形式。” 🚀 HoPE 架构的优势：更好的记忆管理与噪声过滤 HoPE 在一些任务中展现出区别于 Transformer 的能力。比如当上下文里同时出现两种模型从未见过的语言时，传统 Transformer 容易崩溃，而 HoPE 随着层级数量增加表现更好。它还在带噪声召回、压缩和选择性复制任务上更有优势。 “当我们增加层级数量时，模型在这两种语言上的表现会越来越好。” ⚠️ 持续学习既是机会，也是风险 持续学习模型可能更懂用户、更符合个人偏好，也能长期适应用户价值观。但同样，它也会记住大量个人信息，并可能发生对齐漂移、价值观漂移或被对抗性信息污染。 “持续学习这个概念，如果从隐私、对齐这些方向去看，它既是机会，也是巨大的风险。” 🌐 未来也许不是一个超级 AI，而是一个 AI 生态 Ali 对“单一模型赢家通吃”的未来保持警惕。他认为，智能本身没有单一定义，持续学习也没有单一路径。更健康的未来可能是由许多不同类型、不同能力、不同局限的 AI 系统共同构成的生态。 “如果我们有各种各样的智能系统……这总比世界上只有一种智能形式要好。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Dwarkesh Patel 播客《The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell》 本期节目是一场关于 AI、经济增长、就业、财富分配与未来稀缺性的深度推演。主持人 Dwarkesh Patel 对谈两位研究 AI 与经济的学者：Alex Imas 和 Phil Trammell。他们讨论了一个反直觉的问题：AI 越强，它在经济中直接拿走的份额，反而可能越小吗？ 对话从“未来什么会变得稀缺”开始：当机器能够完成绝大多数生产任务，人类是否还会因为“人类参与本身”而保留价值？医生、教师、治疗师、艺术家、咖啡师、芭蕾舞演员，这些工作里到底哪些部分可以被自动化，哪些部分因为关系、信任、共情和人类连接而仍然值钱？ 节目也深入拆解了劳动力份额与资本份额的长期稳定之谜。工业革命以来，大量工作被机器替代，但劳动收入占比却长期保持在很高水平。AI 会打破这个历史规律吗？两位嘉宾提醒，经济学家在预测未来时最大的限制是：我们几乎没有足够的数据。我们不知道消费者真正会为什么付费，也不知道哪些新工作、新商品、新需求会被创造出来。 中段讨论尤其现实：AI 是否已经造成白领大规模失业？“白领末日”是否有数据支持？如果 AI 能替代很多工作，却没有创造出足够的新财富，会不会出现一个最糟糕的“混乱中间阶段”？嘉宾们认为，这种情景并非不可能，但需要很多条件同时成立；而如果 AI 真正强到能大规模替代白领工作，它也很可能同时显著扩大生产前沿，让再分配问题变成核心。 后半段则进入政策与全球分配：AGI 创造的财富该通过 UBI、负所得税、全民基本资本，还是税收购买股票的方式分配？发展中国家如果不生产模型、不生产芯片、不掌握关键供应链，是否会被甩在后面？答案可能取决于 AI 更像电力，还是更像社交媒体：如果像电力，收益会广泛扩散；如果像社交媒体，租金可能集中在少数平台和资本所有者手里。 这期节目不是给出一个简单预测，而是搭建了一套理解 AI 经济未来的分析框架：未来的关键，不只是 AI 能不能替代人类，而是需求弹性、关系型价值、资本回报、收益集中度、开源扩散、政治再分配和全球资产配置会如何共同作用。 👨‍⚕️ 本期嘉宾 Alex Imas，Google DeepMind 的 AGI economics 负责人，芝加哥大学经济学教授。他的研究关注行为经济学、劳动力市场、AI 对经济结构的影响，以及人类偏好、关系型价值和未来自动化之间的关系。 Phil Trammell，Epoch 的 economics 负责人，斯坦福研究学者。他长期研究长期主义经济学、AI 时代的增长模型、资本积累、自动化、利率、财富分配以及未来技术对宏观经济的影响。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 时代，什么会变得稀缺 01:38 经济学能告诉我们什么：工资、劳动份额、税收与再分配 02:19 关系型部门：为什么“人类参与”本身可能成为价值 04:04 预测未来为什么这么难：经济学家没有足够数据 08:21 劳动力份额与资本份额：自动化会让工资占比下降吗 10:17 供应链里的劳动：为什么过去几乎没有东西被“完全自动化” 11:33 医生不是一个任务：工作会被拆成可自动化与不可自动化部分 13:21 不存在的未来商品：为什么今天的数据无法预测明天的需求 从蒙古歌手到晶体管：需求如何决定经济份额 14:09 蒙古经济的类比：为什么未来商品种类会改变稀缺性 15:15 机器人很多，人类很少，钱就一定流向机器人吗 16:21 摩尔定律的反面：计算越便宜，边际价值可能越低 16:50 H100 为什么更贵：AI 让 compute 出现新的高价值用途 17:14 对 compute 的需求会不会永远无法满足 18:03 人类创作为什么更值钱：连接感、共情与关系型偏好 白领失业与“混乱中间阶段” 19:20 AI 起飞太慢，反而更糟吗：自动化、失业与补偿难题 20:37 Phil 的判断：最坏窗口可能很窄 21:26 政治经济学缺口：失业率只上升几个百分点也会改变政治 22:58 如果只裁掉一部分白领，省下的钱够不够做 UBI 24:07 要出现“没有足够财富可分配”的情景，需要哪些苛刻条件 25:02 负所得税、UBI 与全民基本资本：再分配工具的利弊 27:35 税怎么收、钱怎么发：消费税、股票篮子与全民持股 29:00 AI 已经导致大规模白领失业了吗：目前证据并不明显 31:05 自动化互补任务：为什么 AI 也可能增加某些岗位需求 32:13 需求弹性与 Jevons 悖论：便宜不等于总支出一定增加 34:16 AI 会导致经济衰退吗：要让丰裕带来负增长非常难 为什么 AI 没有更快替代所有工作 36:43 多模态模型与世界模型：从 Gemini Omni 看未来 AI 能力 37:59 Oring 模型：为什么一个环节不可靠会毁掉整个产品 39:27 当 AI 足够强，人类也可能难以接入生产流程 40:10 律师、会计为何还没被替代：可靠性、责任与监管摩擦 40:59 人类制度会不会只是过渡性安排：执照、法官、立法与 AI 政治系统 非人类偏好与资本加速 41:32 未来 AI 或公司会不会形成自己的偏好 42:51 人类还会偏好人类互动吗：AI therapist 与道德情绪 44:52 富人财富的真实形态：消费还是让资本继续复利 45:43 更高储蓄率的实体，长期会不会拥有大部分财富 47:13 永生、资本回报率与消费偏好如何改变未来经济 48:56 资本品价格下降：为什么高增长不一定等于高真实回报 50:53 品类增加与贪婪资本家：为什么机器人需求可能不断扩张 52:14 富豪、信托与财富积累：少数优化器是否足以主导经济 53:44 从政治影响力到天文浪费：为什么有人会永远想要更多资本 55:14 Von Neumann probe：极端优化器如何挑战传统 GDP 与劳动份额 发展中国家如何分享 AGI 红利 56:50 印度、尼日利亚怎么办：不在 AI 供应链里的国家风险 57:38 储蓄、利率与低起点国家：发展中国家的“混乱中间阶段” 59:03 主权财富基金与资产配置：现在就该买入关键供应链吗 01:00:39 为什么土地税不够：普通人的资产未必是 AI 时代互补资本 01:01:18 AI 更像电力还是社交媒体：收益扩散还是租金集中 01:03:03 开源模型的关键作用：乌干达能不能分享到 AGI 回报 01:03:59 两种情景：收益高度集中，或 AGI 像电力一样普及 01:04:23 指数化投资 vs 再培训：发展中国家不能只押一个策略 01:05:10 AI 是否带来跨越式发展：移动银行式 leapfrog 的可能性 01:05:43 指数化到底有多难：私营 AI 公司、上市与普通投资者可及性 AI 商品化、安全与叙事 01:06:44 为什么 AI 实验室商品化可能更利于广泛繁荣 01:07:06 “世界上没有反电力的人”：AI 叙事为什么如此负面 01:07:45 商品化的安全代价：竞争压力与前沿模型扩散风险 01:08:31 收尾：集中实验室、政府权力与社会分享 AI 剩余收益 🌟 精彩内容 💡 “我们没有数据”：AI 经济预测最大的盲区 Alex Imas 强调，面对 AI 对就业、工资和劳动份额的影响，经济学家不能只靠个人直觉下结论。历史上从 David Ricardo 到今天，预测自动化对就业的影响一直极其困难。真正缺失的是消费者需求、支付意愿、任务变化、工作创造与消失的系统性数据。 “如果这场对话里你只记住我说的一件事，那就是：我们没有数据。” 🤝 关系型部门：人类不是马，人类参与本身可能有价值 节目提出一个关键概念：关系型部门。某些产品和服务的价值，不只来自最终结果，也来自过程中有人类参与。比如人类医生、人类治疗师、人类艺术家、人类老师。实验显示，同一张艺术版画，如果被认为是人创作的，人们愿意支付的价格显著高于 AI 版本。 “人不能像马那样，只是产出的一个投入。人本身必须给产出带来价值。” 📉 AI 会导致负增长吗？非常难 主持人提出一种流行情景：AI 替代白领，工资收入消失，需求下降，经济衰退。Alex 认为，失业和转岗冲击确实可能发生，但要让 AI 带来的丰裕最终造成负经济增长，需要非常不现实的条件：资本所有者完全消费饱和、不投资、不扩大数据中心和生产前沿。 “要让丰裕带来负的经济增长，这非常难。” 🧩 为什么 AI 没有更快替代律师、会计和程序员 节目用 Oring 模型解释：一份工作由多个环节组成，只要一个关键环节不可靠，整个产品就可能失败。即便 AI 能完成很多任务，如果可靠性、责任归属、监管背书和执照制度没有解决，企业仍然不敢完全替代人类。律师的价值，不只是写文件，而是承担责任和提供可信保证。 “你付钱请律师，买的就是那种保证：不，我的公司真的不会因此倒闭。” 💰 UBI 不是唯一方案：全民基本资本可能更关键 面对 AGI 创造的巨大财富，嘉宾讨论了 UBI、负所得税、财富税、消费税、全民基本资本等方案。Alex 担心，如果人们只能依赖政府发支票，那么谁掌权就变得极其重要；相比之下，如果每个人都拥有一篮子资本资产，政治风险可能更低。但问题在于，应该持有什么资产、能否准确跟踪 AGI 收益。 “如果是 universal basic capital，你有一份所有权，而且你对资本有财产权。” 🌍 发展中国家最重要的策略：尽可能接触 AGI 收益 对于印度、尼日利亚等不生产模型、不生产芯片、不掌握关键硬件供应链的国家，嘉宾认为，简单说“再培训”可能不够。更重要的是，它们如何通过主权财富基金、指数化投资或其他机制，持有能分享到 AI 财富增长的资产。当然，如果 AI 像电力一样扩散，普通指数也许足够；如果像社交媒体一样集中，问题会更严重。 “AI 到底会更像电力，还是更像社交媒体？” ⚡ 电力 vs 社交媒体：AI 财富会扩散还是集中 这是本期最关键的判断之一。如果 AI 像电力，虽然基础设施重要，但下游几乎所有行业都会受益，财富会扩散到整个经济。如果 AI 像社交媒体，平台可能捕获大部分租金，少数公司和股东会变得极其强大。开源模型是否能长期接近前沿模型，是决定这一点的重要变量。 “如果 AGI 更像电力，那你就又能买指数了。” 🗣️ AI 叙事为什么容易悲观 Alex 指出，AI 的正面叙事很难讲，因为人们更容易想象自己失去已有工作，而不是想象一个尚不存在的新好处。相比之下，反 AI 叙事更直观，也更容易传播。 “想象一个还不存在的好东西，比想象失去一个已经存在的东西要难得多。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Unsupervised Learning: With Jacob Effron《A Conversation With Demis Hassabis' Biographer》 本期节目里，主持人 Jacob Effron 对话 Sebastian Mallaby，后者是 Demis Hassabis 传记《The Infinity Machine》的作者。为了写这本书，Sebastian 与 DeepMind 联合创始人、Google DeepMind CEO Demis Hassabis 进行了三十多个小时的深度访谈。 这期节目不仅是在聊一本人物传记，更像是借 Demis 的人生和 DeepMind 的历史，重新审视过去十几年 AI 竞赛是如何形成的：为什么最初想避免竞争的 DeepMind，最后也不得不卷入全球 AI 军备竞赛？为什么 OpenAI 和 Sam Altman 曾被过早加冕为赢家，而 Demis 和 Google DeepMind 却长期被低估？为什么 DeepMind 一边拥有顶尖科学成果和 AlphaFold 这样的诺奖级突破，一边又在 ChatGPT 和 coding agent 等产品浪潮中显得慢半拍？ 节目还深入聊到了许多 AI 圈关键人物之间的真实关系：Demis 与 Elon Musk 从相互欣赏到紧张对峙，Elon 曾试图阻止 DeepMind 卖给 Google；Demis 如何看待 Sam Altman；David Silver 为什么离开 DeepMind；以及 Dario、Anthropic、Google、OpenAI 这些实验室之间不同的组织气质、战略押注和人才吸引力。 如果你想理解今天 AI 竞赛背后真正的权力结构、科学理想、安全焦虑和人物性格，这期节目会是一扇非常好的窗口。 👨‍⚕️ 本期嘉宾 Sebastian Mallaby，《The Infinity Machine》的作者，知名财经与人物传记作家。他曾写作关于风险投资、金融与全球经济人物的多部作品。本书中，他通过与 Demis Hassabis 超过三十小时的深度访谈，以及对 DeepMind、Google 和 AI 生态中多位关键人物的采访，讲述了 Demis Hassabis 与 DeepMind 的故事。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 竞赛的起点 02:06 为什么写 Demis：三十多个小时访谈背后的 DeepMind 故事 03:36 AI 竞赛是否不可避免：强大技术注定吸引多个国家和实验室 04:19 “地堡里的唯一团队”：DeepMind 早期想避免竞赛的安全理想 05:53 SpaceX 安全峰会的反效果：共享进展如何刺激 OpenAI 的诞生 07:17 政府监管的可能性：AI 模型是否应该像药品一样接受事前审查 08:47 Demis 的乐观：为什么危机可能迫使政府采取行动 被低估的 Demis 与 Google DeepMind 10:06 最大误解：大众太快加冕 OpenAI，却低估了 Demis 和 Google 12:07 Google 的产品化困境：为什么 ChatGPT 和 Claude Code 都不是 DeepMind 做出来的 12:41 Demis 的知识背景：神经科学家如何影响 DeepMind 的“广撒网”路线 14:26 Google 的优势与代价：有钱、有算力、有耐心，但不一定能最早押中重点 DeepMind 与 Google 的复杂婚姻 15:29 Project Mario：DeepMind 曾秘密考虑从 Google 拆分 16:06 Reid Hoffman 的十亿美元承诺：拆分计划如何成为谈判筹码 18:12 创始人的天真：为什么 DeepMind 最后没有真正挥动拆分威胁 19:20 Demis 的后悔：AI for science 无悔，但错过 transformer 让他难以释怀 19:48 从 AlphaGo 到 AlphaFold：胜利十秒后就转向蛋白质折叠 21:47 Demis 的盲点：为什么他低估了语言模型通向智能的力量 巨头、创业公司与战略押注 23:22 风投创新能否战胜 hyperscaler：AI 时代资本与聚焦的拉扯 24:00 OpenAI 的商业模式压力：技术强，不代表一定能长期独立 25:09 Anthropic 的反事实：如果 coding model 晚爆发半年，故事可能完全不同 26:21 Demis 是否需要更公众化：回顾性叙事很强，前瞻性叙事不如 Sam 27:26 控制叙事的重要性：影响产品采用，也影响人才招聘 28:47 人才为什么离开 DeepMind：顶尖研究者更想加入“单点重注”的组织 29:57 Isomorphic 的独立化：让 AI for science 成为自己的核心赌注 30:11 Anthropic 的低流失率：强烈价值观如何带来高忠诚度 关键人物与关系网络 31:23 David Silver 的离开：强化学习信徒为什么想离开大组织创业 31:36 RL 与大模型路线之争：从经验中学习，还是从互联网数据中启动 34:05 为什么现在离开：强化学习重新流行，但组织押注仍不够集中 34:44 AI 实验室背后的少数掌舵者：个人关系如何影响行业走向 35:07 Demis 与 Elon：从 Founders Fund 场合相识，到 Elon 试图买下 DeepMind 35:29 “AI 会追你到火星”：Demis 如何说服 Elon 投资，又为何拒绝卖给他 38:21 Demis 如何看 Sam：科学家气质与硅谷融资高手之间的根本差异 AI 的伟人史观与精神追求 38:37 人物重要吗：竞赛动态不可避免，但领导者个性会改变路径 40:35 最改变作者看法的时刻：Demis 对科学奥秘近乎精神性的执着 41:48 AGI 的宗教意味：为什么追寻智能对很多人不只是技术项目 42:07 Demis 不愿谈什么：家庭、Google 内部冲突与 Mustafa Suleyman 离开 科学品味与未来可能 43:45 DeepMind 的真正启发：如何在前沿科学里判断什么时候该继续下注 45:00 AlphaFold 的关键转折：从“世界第一”到“真正解决问题” 46:37 被低估的 AI 英雄：Ilya Sutskever 与 David Silver 值得一部双人传记 47:11 Demis 会成为 Google CEO 吗：取决于他是否愿意牺牲科学时间 48:29 Sebastian 的写作体验：酒吧楼上三十小时对话如何改变一本传记的写法 🌟 精彩内容 💡 AI 竞赛几乎不可避免 Sebastian 认为，当一项技术拥有如此巨大的潜在力量时，不可能只有一个团队、一个国家或一个实验室去追求它。DeepMind 早期曾希望自己能成为那个在 AGI 边缘统一处理安全问题的团队，但现实证明，这种想法过于理想化。如今 Demis 已经转向另一种判断：AI 安全是集体行动问题，最终需要政府和国际合作介入。 “因为这项技术太有吸引力了，不可能只有一个团队对它感兴趣。” 🧠 被低估的 Demis Hassabis 节目中反复提到一个核心判断：公众太快把 OpenAI 和 Sam Altman 视为 AI 竞赛的最终赢家，却低估了 Demis Hassabis 和 Google DeepMind。Demis 早在 2010 年就创办 DeepMind，很多后来被 OpenAI 复制的 AI 实验室模式，最早都是由他开创的。Sebastian 认为，AI for science 这个方向在很长一段时间里几乎是 Demis 一个人真正坚持推动的。 “我觉得，人们太快就把 OpenAI 和 Altman 加冕为赢家了，同时低估了 Demis 这个人，也低估了 Google DeepMind 这家公司。” 🔬 DeepMind 的优势与短板：什么都想做 DeepMind 的一大特点是同时探索很多方向。Sebastian 认为，这与 Demis 的背景有关：他是神经科学 PhD，关心的是“智能到底是什么”这种宏大问题，因此很自然地倾向于广泛探索。Google 的资金、算力和人才让这种广撒网策略成为可能，但代价是，在 ChatGPT、coding agent 这样的产品化拐点上，DeepMind 往往不是第一个冲出来的玩家。 “只要有两条不同路线可以走，他们就会说，那我们两条都做。” 🧩 Project Mario：DeepMind 差点离开 Google 节目披露了 DeepMind 曾秘密考虑从 Google 拆分出去的 Project Mario。Reid Hoffman 曾承诺出资十亿美元支持拆分，Demis 试图用这一备用选项向 Google 争取更多安全监督权。但最终，他选择留在 Google：一方面不想陷入法律斗争，另一方面需要 Google 的巨大算力。这个选择后来帮助他推动 AlphaFold，并最终获得诺贝尔奖。 “我只想做科学。我不想被法律斗争分散注意力。我想要大量 compute 的访问权，所以我留下。” ⚖️ OpenAI、Anthropic 与 Google 的不同命运 Sebastian 认为，AI 竞赛也是风投支持的创业公司与 hyperscaler 巨头之间的竞争。Google 有近乎无限的现金与算力，可以承受落后一两年再追上；但创业公司更敢于做集中押注。OpenAI 押注 ChatGPT，Anthropic 押注 coding model，而 DeepMind 则往往同时推进许多方向。这种差异决定了它们在产品、人才和叙事上的不同表现。 🧲 公众叙事也是竞争力 Demis 擅长回顾性地讲述自己的故事，比如 AlphaGo 纪录片、《The Thinking Game》以及这本传记。但他不太像 Sam Altman 那样擅长在社交媒体上制造前瞻性叙事。Sebastian 指出，这会影响产品采用，也会影响人才招聘。AI 时代，谁控制叙事，谁就更容易吸引用户、资本和研究者。 “控制叙事确实很重要。” 🤖 David Silver 与强化学习信仰 David Silver 是 DeepMind 早期强化学习突破的关键人物，也是 AlphaGo、AlphaZero 背后的重要推动者。他坚信真正的超级智能必须从自己的经验中学习，而不是依赖人类留下的数据。Sebastian 认为，他离开 DeepMind创业，正是因为他希望在一个更小、更集中的组织里，让自己的强化学习愿景成为整个公司的核心路线。 “在他看来，一切都是 Agent，而且只能是 Agent，它们必须从自己身上学习。” 🔥 Demis 与 Elon 的复杂历史 Demis 和 Elon Musk 的关系非常戏剧化。Elon 曾投资 DeepMind，也曾试图阻止 DeepMind 卖给 Google。他担心 Larry Page 和 Google 不可信，甚至半夜通过 Skype 联系 Demis，试图说服他卖给 SpaceX 或 Tesla。但 Demis 拒绝了，因为 Google 有他需要的算力。此后 Elon 一度将 Demis 视为需要制衡的“邪恶天才”。 “如果你觉得自己在火星上就安全了，别忘了，我的 AI 会掌握太空飞行，然后它会一路跟你到火星。” 🧬 AI for science 是 Demis 的核心信念 AlphaGo 战胜李世石后，Demis 只享受了十秒胜利，就开始谈下一个目标：解决蛋白质折叠问题。Sebastian 认为，这不仅体现了 Demis 的雄心，也体现了他对 AI 社会合法性的判断：如果 AI 不能给人类带来明确好处，只带来工作冲击，那么社会可能会强烈反弹。AlphaFold 不只是科学突破，也是让人类接受 AI 的关键证据。 “如果 AI 不能给人类带来明确的好处，只是带来很多工作岗位的冲击，那 AI 能否大规模铺开就会成为问题。” 🌌 近乎精神性的科学追求 最让 Sebastian 改变对 Demis 看法的，是他发现 Demis 对科学奥秘有一种近乎精神性的执着。Demis 会拍着桌子说，我们其实并不理解这张桌子为什么是坚固的，也不理解一堆沙子和铜组成的电脑为什么能思考。对他来说，推动 AI 不只是技术竞赛，而是一种试图理解自然、智能乃至世界底层秩序的追寻。 “因为对他来说，这是一种近乎精神性的追寻。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：红杉资本出品的访谈节目《Notion’s Ivan Zhao: The Refounder》 原内容更新时间：2026-05-21 本期嘉宾是 Notion 联合创始人兼 CEO Ivan Zhao，主持人是 HubSpot 联合创始人、红杉合伙人 Brian Halligan。Brian 将 Ivan 称为“重新创办者”，因为 Notion 的成长并不是一条平滑上升的曲线，而是经历过多次接近推倒重来的关键时刻：早期找不到 product market fit 时，他和联合创始人 Simon 裁掉团队，搬到京都从零重建；生成式 AI 爆发后，他又在公司已有数百人的阶段，把 Notion 重新推向 AI native。 这期节目不只是 Notion 的创业故事，更是一场关于 AI 时代公司如何被重新设计的深度对谈。Ivan 分享了他为什么认为用 language model 做产品不是“造桥”，而更像“酿啤酒”；为什么 Notion 想做“爵士乐队”，而不是“军乐队”；为什么 AI 会让招聘标准从经验转向品味、主动性和价值体系；以及为什么每家公司都应该把创新点限制在一两个地方，而不是试图重新发明整个世界。 如果你正在思考 AI 时代的组织形态、产品策略、创业转型、企业销售、创始人角色，或者一家成熟 SaaS 公司如何避免僵化，这期节目会提供非常多一手经验和高密度判断。 👨‍⚕️ 本期嘉宾 Ivan Zhao，Notion 联合创始人兼 CEO。Notion 是全球知名的协作、知识管理与生产力工具平台。Ivan 是一位典型的产品型创始人，长期关注 tools for thought、软件工具的工艺感，以及技术与人性之间的关系。他曾带领 Notion 在早期困境中重建产品并找到 product market fit，也在生成式 AI 兴起后推动公司转型为 AI native 组织。 ⏱️ 时间戳 00:00 开场 & 播客简介 重新创办者的登场 00:37 本期克隆节目介绍：红杉资本《Notion’s Ivan Zhao: The Refounder》 01:31 Ivan 的核心隐喻：我们想做爵士乐队，不想做军乐队 02:13 为什么 Brian 称 Ivan 为“重新创办者” 04:06 从 founder mode 到 AI 时代的新 CEO 模式 AI 时代，公司要怎么重新组织 05:08 Notion 早期五年：靠 seed 资金硬撑，迟迟找不到 PMF 06:25 疫情增长之后：小团队的甜头与扩张的压力 07:08 学会授权与引入管理层：传统 SaaS 经验的利弊 08:03 造桥还是酿啤酒：为什么 AI 产品构建不可预测 09:56 会写代码的设计师、懂产品的工程师与跨职能团队 10:48 AI 放在组织中间：信息、决策与公司结构的重塑 12:49 “软件 + language model 是组织里的钢” 13:17 AI 会让组织更扁平，但不会消灭人性中的层级 招聘与人才标准的变化 14:10 Notion 的人才公式：能力经验 × 品味价值观 × 主动意愿 15:18 为什么 AI 时代既要招初级人才，也要招顶级资深人才 15:48 杠铃型组织：资深架构师、年轻 IC 与 coding Agent 的组合 16:32 设计师和 PM 的边界如何改变 17:51 从经验、斜率到品味：AI 时代为什么 taste 变得重要 19:16 为什么 taste 不在语言模型里，而在人身上 战时状态下的公司运营 19:16 拆分营销组织：storytelling 靠近产品，demand gen 服务销售 20:42 招聘流程变化：不先看简历，而是先看你做出来的东西 21:44 薪酬与能力导向：不能再平均撒资源 22:57 战时比和平时期更有生命力 23:20 创始人如何在自上而下与自下而上之间切换 24:41 爵士乐队，不是行进乐队：Notion 的组织哲学 25:50 Jazz mode：在结构中保留即兴和共同参与 规划、成本与 AI 毛利率 26:56 财务可以像军乐队，产品必须像爵士乐 28:03 AI 产品的成本压力与毛利率问题 28:35 为什么知识工作产品不一定总需要最强模型 29:11 第二梯队模型、open weight 模型与企业内部工作流 第一次 Refounding：京都重建 Notion 29:39 Notion 的第一次重启：裁掉团队，只剩两位创始人 31:01 裁员的痛苦：身体会告诉你必须这么做 31:18 为什么是京都：更大的房子、更低的成本和换一个故事 32:26 京都的工艺精神如何影响 Notion 34:46 为什么不放弃重开一家公司：Notion 是 Ivan 的毕生问题 35:56 tools for thought、Grateful Dead 与早期计算机文化脉络 36:21 技术、人性与工艺：为什么硅谷不该忘记历史 第二次 Refounding：从 SaaS 转向 AI 公司 38:27 给卡住的创业者建议：听从身体里的直觉，做剧烈改变 39:52 五百人阶段的重启：Cancun 与 GPT-4 的“宗教体验” 41:19 AI 产品并非一夜成功：一年半 Agent 探索期 42:40 早期绝望、AI 低谷与“现在一切都在着火” 43:18 给 SaaS 公司建议：从产品开始，创始人必须亲自 build 44:14 为什么你必须感受 AI，而不是只读文章或看视频 让公司持续再生 45:16 如何让僵化公司重新变软：引入创始人作为“去僵化机器” 45:35 Notion 的收购与 acquihire：五六十位创始人在公司内部继续创业 46:37 给创业者更大杠杆：在 Notion 平台上继续做原来的使命 47:26 创业更容易，规模化更难：AI 时代竞争密度暴增 48:45 已有规模的公司是否应该 refound：先真正感受到 AGI 49:13 未来组织的不变量：人性、层级、分工与法律责任 50:54 AI 系统会做越来越多决策，人类负责 context 和品味 52:01 知识管理重新变重要：现代知识工作只有约 150 年历史 Ivan 的 CEO 工作方式 52:33 内向型 CEO：为什么仍然必须学会一对多沟通 53:13 All hands 必须由创始人亲自讲 54:04 提词器如何改变 Ivan 的公司沟通 54:36 Notion 的 all hands 和 AMA 节奏 55:49 Ivan 的一天：早起、咖啡、办公室、健身、晚餐和继续工作 56:30 周末是快乐时间：跟随好奇心进入 rabbit hole 56:59 25 分钟会议、整块思考时间与 Slack 作为社交媒体 57:47 谦逊还是追求真实：盲人摸象与多元真相 给创始人的建议 58:24 CEO 是一个社会性游戏：地位、权力、竞争与价值观 59:19 如何在竞争、手艺、产品和商业之间找到自己的平衡点 01:00:26 放大优势，而不是沉迷弥补弱点 01:01:05 Notion 的企业销售教训：不要试图重新发明一切 01:02:37 每家公司只应该在一两个地方创新 01:03:34 从 PLG 到企业销售：尊重传统 playbook 的原因 01:04:40 系统型 CRO 与猎手型销售负责人如何互补 01:05:31 公司像宗教：文化、仪式、信念与意义感 01:07:20 Brian 总结：AI native CEO 的新手册正在形成 🌟 精彩内容 💡 “我们想做爵士乐队，不想做军乐队” Ivan 用“爵士乐队”来形容 Notion 的组织状态：它不是完全没有结构，而是在结构中允许即兴、协作和个人发挥。AI 时代变化太快，传统的计划、层级和流程不足以应对每周都在改变的技术环境，因此公司需要更多能自主判断、能跨职能协作、能在模糊中推进事情的人。 “我们想做爵士乐队，不想做军乐队。” 🧪 AI 产品不是造桥，而是酿啤酒 Ivan 认为，传统软件开发像造桥：只要设计清楚，结果大体可预测。但用 language model 构建产品更像酿啤酒，你无法完全控制“酵母”的行为，只能让最强的人一起实验、评估、调试和打磨。这也解释了为什么 Notion 的设计师、工程师和产品人员边界越来越模糊。 “用 language model 构建产品，尤其当时是这样，现在某种程度上也还是这样，更像是在酿啤酒。” 🧠 AI 时代，品味比经验更稀缺 Notion 的招聘标准发生了明显变化。Ivan 提出人才等于“能力和经验 × 品味或价值体系 × 主动意愿”。在 language model 让更多人都能写作、编程之后，基础能力会被拉平，但品味、价值观、好奇心和主动性不会轻易被模型替代。因此 Notion 更愿意招两类人：非常年轻、有能量和主动性的人，以及非常资深、能提供方向和品味的人。 “因为 taste 不在语言模型里。taste 在人身上。” 🏗️ “Language model 加软件，就是组织里的钢” Ivan 用钢结构建筑来解释 AI 对组织的影响。在钢出现前，建筑高度受限；有了钢，城市天际线才发生变化。同样，过去公司依赖大量中间层传递信息、文件和决策，而 language model 加软件可以成为新的承重结构，帮助组织更快地流转信息、辅助决策，并重新设计内部流程。 “language model 加软件，就是组织里的钢。” 🔁 Notion 的第一次重启：京都、裁员与从零重建 早期 Notion 找不到 product market fit，钱也快花完。Ivan 和联合创始人 Simon 做出剧烈决定：裁掉团队，只剩两个人搬去京都，从零重建产品。京都的工艺传统、寺庙、刀具、陶瓷和工具文化，让他们更强烈地意识到，软件也应该是一种被认真打磨的工具。 “你身处这种地方，怎么可能不被激励，去做一个更好的软件工具呢？” ⚡ 第二次重启：GPT-4 带来的“宗教体验” 当 Ivan 第一次体验 GPT-4 时，他觉得世界停住了。他意识到，如果 Notion 不做 AI，公司正在做的一切都可能失去意义。但这次转型并不是顺风顺水，Notion 花了一年半探索 Agent 产品，中间尝试了 Anthropic、OpenAI finetuning 等多种方案，都没有马上跑通。直到模型能力真正提升，AI 产品才开始带来增长拐点。 “GPT-4 对我来说像一次宗教体验。你必须用它做点什么。它会改变一切。” 🛠️ 创始人必须亲自 build，才能真正理解 AI 对于那些想转型 AI 的 SaaS 公司，Ivan 的建议非常直接：从产品开始，创始人必须亲自参与，必须真正使用 language model，必须感受它能打开哪些新路径。只是读文章、看视频、听别人讲都不够。你可以为产品 build，也可以为内部系统 build，甚至周末自己折腾小工具，但一定要亲手做。 “你必须去做点什么，必须感受它。感受 AI，感受 AGI。” 🎯 不要什么都创新：每家公司只需要一两个创新点 Notion 曾经试图重新发明企业销售，希望用第一性原理打造一套全新的 go-to-market 方式。但 Ivan 后来承认这是错误的：传统企业销售 playbook 能存在二十年，是因为它符合人性。客户在购买昂贵产品时，仍然想见到真人，想获得信任感。Ivan 的反思是，每家公司都应该把真正的创新限制在少数几个地方。 “每家公司都应该把自己的创新点限制在少数几个地方。一两个地方就够了。” 🧭 CEO 是社会性游戏，但也必须忠于自己的价值观 Ivan 认为，CEO 是一个充满地位、权力、竞争和社交动态的游戏，有点像娱乐业，也有点像体育。但如果只为了竞争而竞争，能量并不可持续。真正重要的是找到自己的价值观平衡点：你到底想建立什么样的公司？你在乎手艺、产品、人性、商业、竞争中的哪一部分？随着能力越来越被机器商品化，创始人自己的观点、品味和优势会变得更重要。 “我需要和自己的价值观达到一种平衡，弄清楚我到底想建立一家什么样的公司。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Latent Space: Inside xAI: Building Grok Imagine in 3 Months, Videogen vs World Models, and Video Agents— Ethan He 原内容更新时间：2026-06-01 本期节目是一场关于视频生成、世界模型和 Video Agent 的高密度技术访谈。嘉宾 Ethan He 曾在 Nvidia 参与 Cosmos world model，后来加入 xAI，从零参与 Grok Imagine、音视频联合生成、reference video、视频延展和 world model 相关工作。他在节目中复盘了 xAI 如何在短短三个月里，从没有基础设施、没有数据、没有模型的状态，快速做出 Grok Imagine 0.9；也详细解释了视频模型从数据、caption、VAE、diffusion transformer 到 distillation 的完整训练链路。 更重要的是，Ethan 提出了几个非常有判断力的观点：视频模型的很多进步，其实来自语言模型，而不是视频 diffusion 本身；world model 在他看来就是“实时、可交互、长时程的视频”；未来的 Video Agent 会像人类创作者一样，调用视频模型、图像编辑器、FFmpeg 和各种确定性工具，迭代生成真正可用于广告、创作和生产环境的视频内容。这期不仅适合想理解视频生成技术路线的人，也适合想提前看懂 AI 交互界面、生成式媒体和 Agent 未来趋势的听众。 👨‍💻 本期嘉宾 Ethan He，曾在 Nvidia 参与 Cosmos world model 和 Megatron-LM MoE 等工作，后加入 xAI，参与 Grok Imagine、视频生成、音视频联合生成、reference video、视频延展和 world model 相关研发。他的研究经历横跨计算机视觉、自监督学习、大规模 MoE、视频 diffusion、world model 和 LLM Agent。 ⏱️ 时间戳 00:00 开场 & 播客简介 从 Cosmos 到 xAI：三个月做出 Grok Imagine 02:42 嘉宾登场：Ethan He 与 Latent Space 社区的缘起 04:14 为什么离开 Nvidia：视频模型也有 scaling law，需要更大算力 05:43 xAI 从零起步：三个月做出 Grok Imagine 0.9 06:15 快速迭代的秘密：人才、infra、compute 与低沟通成本 08:23 模型质量提升的真相：很多突破来自数据和训练 pipeline 里的小 bug 08:37 Coding model 如何改变研究节奏：代码更快，compute 再次成为瓶颈 09:54 高压研发文化：算力昂贵，但这是一场马拉松 视频模型是怎么训练出来的 11:46 为什么做视频模型之前，通常要先做图像模型 12:50 数据从哪里来：人工详细标注与 VLM 生成 synthetic caption 14:12 训练视频模型为什么既需要配对数据，也需要无标签数据 15:07 VAE / tokenizer：为什么不能直接在像素上训练 17:08 Diffusion transformer：从噪声一步步去噪生成图像和视频 17:27 图像模型如何 bootstrap 视频模型：语言与图像连接更密集 18:24 视频压缩路线：逐帧压缩 vs 时间维度压缩 18:55 为什么不用 MP4 token 直接训练：latent space 必须对模型友好 20:00 实时性的代价：时间压缩节省 context，但会引入响应延迟 生成式 UI 与世界模型的早期形态 20:51 Flipbook：像浏览器一样探索模型想象出的网页 22:31 Generative UI：从用户意图直接到像素，而不是先写代码再渲染 24:09 Diffusion 前端，确定性后端：未来界面可能如何被重构 25:15 人机交互的带宽：人类用语音输出，用视觉输入 26:15 NeuroOS：用视频模型模拟操作系统和游戏 27:52 从过拟合现有界面，到想象全新交互系统 28:47 为什么视频模型能生成训练集中不存在的超自然内容 视频模型的成本、加速与音视频联合生成 31:05 视频模型到底有多贵：训练成本接近中等规模 LLM 31:52 被低估的成本：视频存储、特征存储、IO 和 egress 33:29 训练规模：数十万亿视觉 token、百亿级 active 参数 34:16 推理端加速：step distillation 如何把一百步变成几步 36:36 Consistency model、GAN 与少步生成的关系 37:48 Grok Imagine 0.9：大规模音视频联合生成模型 38:00 音频为什么难：speech 更离散，music 更连续 40:25 音视频对齐：模型必须理解每一秒声音和画面的关系 41:20 时间感：为什么 LLM 本身并不真正感知时间 Ethan 对 World Model 的定义 43:47 什么是 world model：实时、可交互、长时程的视频 44:03 交互性：键盘、鼠标、语音都可以成为输入模态 45:00 实时性：游戏需要毫秒级响应，数字人也要接近两百毫秒 46:00 长时程：世界模型不能只生成几秒，而要持续几分钟甚至几小时 47:00 视频延展：通往长时程 world model 的第一步 48:00 长 context 的挑战：五秒视频就可能有五六万 token 49:03 为什么用户喜欢视频延展：它是通往最终目标的中间产品 Reference Video 与动态上下文管理 51:24 长视频里的冗余：不是所有历史都需要一直放进 context 52:01 Reference video：用角色、物体、场景作为生成条件 52:46 为什么 reference 是一种“作弊”，也是一种重要机制 54:34 FramePack 与动态 context selection：离当前越远，信息越压缩 55:52 LLM 与视频模型共享的问题：context pruning 目前仍高度依赖 heuristic 56:14 Continual learning 的可能突破：让模型自己管理上下文 57:00 人类注意力的启发：不是记住一切，而是动态拉取相关信息 xAI 文化与生成式视频安全 58:35 xAI 被低估的地方：move fast、build、宏大目标和 first principles 59:30 如何倒推三个月目标：从数据、训练、人工标注、GPU 周转时间拆解 60:12 Elon Musk 的工作方式：非常 hands-on，直接给反馈 61:09 Grok Voice：实时语音体验、打断能力和车载场景 61:56 生成式视频安全：水印、下架和社交平台治理 62:19 SynthID 的局限：论文公开后，水印也可能被反向工程 63:04 AI 生成内容越来越难识别：从看手指，到看逻辑是否成立 视觉智能为什么来自语言 64:31 核心判断：视觉智能很大程度来自语言模型 65:00 Prompt rewriter：视频模型背后的“大脑” 65:40 为什么视频 diffusion model 很“字面”：用户说“一只猫”，它可能只生成一只不会动的猫 66:10 GPT Image 类模型为什么要“想几分钟”：时间花在推理、重写 prompt 和组织内容上 67:07 不同架构路线：独立 LLM + diffusion、omni model、离散图像 token 68:21 生成—理解—再生成：omni model 可能如何迭代优化图像 69:54 Prompt rewriter 与 diffusion head 不是一回事，但语言侧都在贡献智能 70:33 不需要 joint training，光重写 prompt 就能显著提高画面质量 Video Agent：生成式媒体的下一波 71:54 Video Agent 的愿景：像人类创作者一样调用工具、编辑、迭代 72:13 Grok Imagine Agent beta：从视频生成走向视频创作工作流 72:29 为什么“生成一分钟视频”是 Agent 任务，而不是单次视频模型任务 73:30 从 Copilot 到 Claude Code：视频创作也会经历 Agent 化 74:17 速度、thinking budget 与 inference infra 75:12 Video Agent 的真正价值：不是模型到头了，而是 harness 和工具链解锁新能力 76:21 AI 模型更懂 AI 模型：未来会有模型专门负责 prompt 和调度生成模型 77:28 为什么确定性工具仍然重要：字幕、排版、精准编辑不必全靠视频模型 78:02 Ethan 的时间判断：年底 Video Agent 会成为大热点 78:20 Production grade 视频：一旦可用于广告和展示，预算会指数级增长 机器人、LLM 与下一阶段研究 78:36 World model 不一定只服务机器人，但机器人会自然成为 AI 可调用的工具 79:12 Physical AI 也许不需要先在真实世界解决，可以先被强视频模型解决 80:10 为什么离开 xAI：想做公司优先级之外的研究，尤其是语言模型方向 81:06 视频模型的瓶颈，正在转向语言模型和 Agent 81:31 未来一年关注什么：模型感知并管理自己的 context 82:00 Context awareness：模型应该知道自己快到上下文上限了 82:30 Context addition / removal / compaction：今天由 harness 做，未来可能被模型吸收 83:59 Self-modifying harness：模型像程序一样，在 test time 给自己编程 85:22 职业路径：从 ResNet 时代的视觉研究，到 FAIR、Cosmos、MoE、xAI 86:44 为什么跨方向并没有想象中困难：训练大模型的原则高度相通 87:33 收尾：xAI 背后还有很多未被讲清楚的层次 🌟 精彩内容 💡 三个月做出 Grok Imagine：速度来自迭代能力 Ethan 回顾了自己加入 xAI 时的状态：没有 infra、没有数据、没有模型，只有几个工程师和一个非常明确的目标。最终团队用三个月发布了 Grok Imagine 0.9。他认为，训练模型最关键的不是某个神奇算法，而是端到端迭代速度：你每天能做多少轮实验，发现多少 bug，修正多少数据和训练 pipeline 的问题。 “我看训练模型这件事时，最重要的其实是，你每天能做多少轮迭代。” 🧠 视频模型的进步，很多来自语言模型 本期最反直觉的观点是：视觉智能很大程度来自语言。Ethan 解释说，视频 diffusion model 本身往往非常字面，它们需要一个更强的语言模型做 prompt rewriting，把用户简单的指令扩展成极其详细的视觉描述。很多图像和视频质量的提升，不是因为 diffusion 模型突然更聪明，而是因为语言模型更会思考、更会写 prompt、更会调用工具。 “我有一个挺大的判断：视觉智能很大程度上其实来自语言，尤其是这些视频模型。” 🌍 World model 是什么：实时、可交互、长时程的视频 Ethan 不试图争论 world model 的唯一标准定义，而是从视频生成角度给出自己的定义：world model 就是实时、可交互、长时程的视频。它要能响应键盘、鼠标、语音输入；要能做到低延迟；还要能持续生成几分钟甚至几小时，并保持角色、声音、物体和事件的一致性。 “在我看来，world model 就是实时、可交互、长时程的视频。” 🧩 长视频的核心难题：不是更长 context，而是会管理 context 视频生成面临巨大的 context 压力。Ethan 提到，Cosmos 中五秒视频就可能有五到六万 token，长视频很容易爆炸。因此，未来的关键不只是硬扩 context length，而是让模型学会动态选择历史信息：什么时候需要完整记住上一秒，什么时候只需要压缩远处历史，什么时候要把某个角色的 reference 拉回来。 “模型应该能够自己选择性地知道，我应该从哪里取 reference。” 🎬 Video Agent 会成为生成式媒体的下一波 Ethan 认为，Video Agent 不是简单地“生成几个片段再拼起来”，而是会像人类创作者一样，使用视频模型、图片编辑工具、视频编辑器、FFmpeg、字幕工具和确定性工具，反复生成、检查、修改、组合，最终做出 production grade 视频。他预测，到年底 Video Agent 会成为一个大热点，一旦生成视频达到广告和展示可用标准，企业预算会快速进入。 “AI 模型更懂 AI 模型。” 🔊 音视频联合生成的难点：时间对齐 Grok Imagine 0.9 被 Ethan 称为第一个大规模部署的音视频联合生成模型。它的难点不只是生成声音，而是让声音、音乐、对白和画面在时间上精确对齐。文本和图像的对齐可以比较松散，但音频和视频必须在每一个时间步上对应，这让数据标注、caption 和模型设计都更加复杂。 “模型必须知道视频和音频之间有基于时间的对齐关系。” 🖥️ Generative UI：未来界面可能直接由模型生成 Ethan 展望了一种未来：如果推理成本足够低，用户界面不一定再由代码写出、浏览器渲染，而可以由 generative model 直接从用户意图生成像素。你可以让 email 像 TikTok 一样呈现，也可以生成没有点赞按钮的 Instagram stories。LLM 和 coding model 负责后端逻辑，diffusion model 成为前端视觉层。 “Generative UI 就是从用户意图直接到像素。” 🧠 LLM 的下一步：感知并管理自己的上下文 离开 xAI 后，Ethan 接下来更关注语言模型方向。他认为，模型未来需要知道自己的 context 状态：什么时候快到上限，什么时候该压缩，什么时候该删除工具调用结果，什么时候该把某些信息重新加入上下文。今天这些工作主要由 Agent harness 的 heuristic 完成，但未来可能会被模型自己吸收。 “启发式工程里的很多东西，最后也会被模型自己吸收进去。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Pathway《Transformer vs Post-Transformer | ft. Lukasz Kaiser, Adrian Kosowski, Mathias Lechner, & Llion Jones》 这是一场以“拳击赛”形式呈现的 AI 架构思想对决：Transformer 还会继续统治下一代 AI，还是我们已经站在 postTransformer 时代的门口？ 辩论的一边，是 Transformer 共同发明者 Lukasz Kaiser，他认为 Transformer 虽然简单得近乎疯狂，却已经证明自己能够工作、能够扩展，并且可以被理解为一种强大的可微分记忆系统。另一边，Adrian Kosowski 和 Llion Jones 则认为，Transformer 只是智能的一种实现形式，而不是智能的终极答案。人脑的数据效率、连续学习、非语言推理和动态状态，都在提醒我们：一定还存在更好的东西。Mathias Lechner 则代表更工程化的中间路线：未来可能不是 Transformer 或 postTransformer 二选一，而是根据硬件、场景和能力需求，把所有可用 building block 组合起来。 这期节目尤其适合想理解 AI 底层趋势的人：为什么 Transformer 如此强大？为什么 scaling laws 仍然重要？为什么“用语言思考”可能不是最高效的 reasoning？新架构为什么总会被硬件拖住？benchmark 到底能不能衡量真实智能？如果你关心 AI 下一轮技术红利、创业机会、算力焦虑和 AGI 路线之争，这是一场非常值得听完的高密度讨论。 👨‍⚕️ 本期嘉宾 Lukasz Kaiser，Transformer 共同发明者之一，曾参与创建 ChatGPT o1，是现代大语言模型架构演进中的关键人物。 Adrian Kosowski，Pathway 的 CSO，BDH 架构的发明者之一，主张从动态系统、latent reasoning 和持续学习角度探索 postTransformer 架构。 Mathias Lechner，Liquid AI 研究者，专注于构建新一代 foundation model，强调 Transformer 与 postTransformer building blocks 的混合使用，以及模型在不同硬件和部署场景中的实际表现。 Llion Jones，Transformer 共同发明者之一，虽然参与了 Transformer 的诞生，但在本场辩论中站在 postTransformer 阵营，认为 AI 需要跳出当前架构的局部最优。 ⏱️ 时间戳 00:00 开场 & 播客简介 拳击赛开局：谁代表 AI 的下一个时代 01:43 现场规则：用拳击赛形式辩论 Transformer vs postTransformer 04:02 Lukasz 开场：Transformer 是简单、漂亮、而且真正能工作的 memory 06:40 Adrian 开场：智能还没有迎来自己的 PageRank 时刻 09:54 Mathias 开场：未来不是二选一，而是 Transformer 加 postTransformer 12:22 Llion 开场：Transformer 很强，但它可能只是 brute force 的局部最优 第一轮交锋：Transformer 到底是不是终局 16:42 Lukasz 反驳：Transformer 仍是当前机器学习里最强的可扩展答案 19:00 Adrian 反击：reasoning 和 learning 不一样，语言思考不是唯一解 21:38 Mathias：Transformer 和 RNN 的边界会越来越模糊 23:33 Llion：真正突破不是重排组件，而是重新质疑神经网络假设 智能是什么：语言、压缩与人脑 26:04 智能定义之争：是可观察行为，还是更深层的信息处理过程 28:30 Transformer 是否把工程便利误认为科学真理 29:08 智能即压缩：预测互联网下一个词为什么如此有效 30:02 Language 与 reasoning：语言承载智能，但也限制思考方式 31:30 发现新知识时，非语言推理是否更高效 31:52 人脑与儿童启发：为什么小孩不用长链推理也能快速泛化 Scaling 之争：算力还会继续赢吗 33:06 Bitter Lesson：为什么十倍算力和十倍数据常常打败巧妙设计 33:34 不同架构都有 scaling law，但硬件适配决定谁能赢 34:34 Lukasz：如果有比 Transformer 更好的 scaling curve，请拿出来 35:56 Adrian：数据、模型、算力不一定必须一起 scale 现实世界部署与 benchmark 36:58 非文本模态：蛋白质、基因序列和生物医学信号中的架构差异 38:05 Benchmark 会不会误导我们 39:11 Perplexity：为什么“预测下一个 token”仍可能是最硬的指标 40:57 最后陈述：比拼的关键不是单次成绩，而是 scaling curve 的斜率 最终立场：Transformer 现在赢，但未来未定 41:53 Adrian：下一次突破可能来自更高效、更紧凑的 reasoning 43:08 Mathias：两边都押注，探索所有可能性 43:40 Llion：今天没有任何理由能让我放弃“还有更好东西”的信念 观众提问：硬件会不会锁死创新 44:31 硬件彩票：现有 GPU/TPU 是否让大家困在 Transformer 范式 45:18 Llion：postTransformer 第一版不必马上打败 SOTA 46:12 Lukasz：Transformer 当年也不适配硬件，真正强的架构会推动硬件改变 48:38 慢 50 倍也不要怕：只要 scaling curve 更好，就值得探索 学习、记忆与动态权重 48:59 智能是否首先是学习能力 50:10 In-context learning：把上下文学习延长到无限时间会怎样 51:01 Continual learning：给静态权重打补丁，还是从头设计动态系统 51:41 Transformer 的 activation 是否已经在做类似 gradient descent 的事 53:25 Transformer 不会消失：postTransformer 世界里仍会使用 Transformer 54:08 Attention weights 也是动态权重吗 55:32 经验型 context：模型是否能从自己的行动、错误和反馈中学习 安全、微调与 latent reasoning 57:25 Fine-tuning、context learning 和 latent space 推理的关系 58:05 文本 chain of thought 是否真的可解释 58:58 postTransformer 是否可能更接近大脑，从而更可解释、更安全 59:13 现场投票：用欢呼声决定今晚冠军 🌟 精彩内容 💡 Transformer 的核心优势：简单到疯狂，但真的能工作 Lukasz Kaiser 为 Transformer 做出的核心辩护，不是说它完美，而是说它已经在最重要的层面证明了自己：它简单、可扩展、能被硬件放大，并且真的产生了聊天、写代码、操作电脑等能力。他把 Transformer 理解为一种 memory：为每段输入写下 key 和 value，再用 soft attention 检索相关内容。 “这个疯狂简单的机器，只是在一句话或者一段更长文本里预测下一个 token，却能够和你聊天，现在还能写代码，点击你电脑上的窗口。” 🧠 PostTransformer 的焦虑：智能还没有 PageRank 时刻 Adrian Kosowski 认为，Transformer 是智能的一种实现，但不是智能背后的共同原理。就像搜索引擎时代，PageRank 抓住了信息索引的核心机制一样，AI 领域仍然缺少一个真正解释智能的核心方程或过程。postTransformer 的意义，不是简单否定 Transformer，而是继续寻找更直接、更完整的智能机制。 “我认为，在智能这件事上，我们还没有迎来 PageRank 时刻。” 🥊 Transformer 共同发明者倒戈：我们被困在局部最优里 Llion Jones 的立场格外有意思：作为 Transformer 共同发明者之一，他却站在 postTransformer 阵营。他认为 Transformer 太成功了，反而让研究社区过度围绕它做增量改进，忽略了更根本的假设：神经网络一定要长这样吗？一定要用 backpropagation 训练吗？reasoning 一定要用语言展开吗？ “今天我没有听到任何理由，能让我怀疑自己的信念：一定还有更好的东西。” ⚙️ 硬件不是借口，但决定了谁能成为主流 这场辩论反复回到一个现实问题：很多新架构也许理论上更优，但如果跑在当前硬件上慢 50 倍，就很难被接受。Lukasz 提醒大家，Transformer 当年也并不天然适配 TPU，甚至 softmax 还需要绕到 CPU 上处理。真正强的新架构，需要先证明自己有更好的 scaling curve，然后硬件自然会跟上。 “如果你给我看一个模型，它只是稳定地慢五十倍，但增长曲线更好，那你就赢了。” 📈 Scaling Laws 仍是绕不开的门槛 即便 postTransformer 阵营认为还有更好的架构，大家也基本承认一个事实：任何新架构都必须面对 bitter lesson。AI 历史上，很多巧妙设计最终输给了更大算力、更大数据和更好 scaling。问题不在于要不要 scale，而在于有没有可能找到一种架构，用更少数据、更少硬件、更高效率完成同样甚至更强的能力。 “如果你给我看一条曲线，它下降得比 transformer 更陡，那我可能就得承认。” 🧩 语言不是推理的全部 嘉宾们讨论了一个关键问题：当前大模型很大程度上是在语言中 reasoning，但人类的许多思考过程并不是语言化的。Llion 认为，语言承载了大量智能，所以语言模型才会成功；但语言也可能限制了模型进行发现、直觉和快速泛化的能力。postTransformer 可能需要在 latent space 中做更原生的 reasoning。 “我们强迫它们用 language 来思考，可我们自己的某些心理过程，确实不是建立在 language 上的。” 🧪 Benchmark 的核心指标也许还是 perplexity 面对各种 benchmark 被刷榜、被针对的问题，Lukasz 提出一个朴素但重要的观点：perplexity，也就是预测下一个 token 的能力，仍然是非常难被超越的指标。它本质上对应“压缩”：如果一个模型能更好地压缩文本、代码、图像或蛋白质序列，它往往也更理解这些数据。 “你越能更好地压缩互联网，你就越智能。” 🔄 Continual Learning：AI 是否需要像人一样持续更新 观众提问引出了另一个核心差异：人类和生物的大脑不是冻结的，而是每一秒都在更新连接；而当前 Transformer 通常是预训练后冻结，再通过上下文、微调或外部系统补充能力。Adrian 提出，可以把 in-context learning 看成一种延长版学习：如果模型拥有无限长上下文，持续记住经验、错误和反馈，它也许就接近了持续学习。 “智能就像是把 in-context learning 延长到时间趋近于无穷。” 🛡️ Latent Reasoning 与安全：文本思维并不等于可解释 关于 latent space 推理是否带来安全风险，Lukasz 提醒大家不要误以为文本 chain of thought 就完全透明。即便模型输出的是文字，文字之上仍然有大量 activation 和高维向量活动，我们并不知道里面真正发生了什么。未来模型可能说出同样的词，但内部想法已经完全不同。 “只是因为 pretraining，它们现在还算忠实。但也许有一天，你会看到模型说出同样的词，可里面的想法已经完全不同。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Yahoo Finance《Nvidia GTC Taipei 2026: Jensen Huang Full Keynote》 原内容更新时间：2026-06-01 本期节目是 NVIDIA 创始人兼 CEO 黄仁勋在 GTC Taipei 2026 的完整主题演讲。黄仁勋回到台湾，面向全球供应链伙伴、开发者、企业客户和 AI 产业生态，系统阐述了 NVIDIA 对下一阶段 AI 时代的判断：Agentic AI 已经到来，AI 不再只是生成内容，而是开始理解、推理、规划、调用工具并完成工作。 在这场 keynote 中，黄仁勋提出了几个极具冲击力的判断：“AI 现在是利润生成器。AI 现在是 GDP 生成器。”“Compute 现在就是收入，Compute 就是利润。”“过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。”围绕这些判断，他进一步解释为什么 AI Factory 会成为人类历史上最大规模的基础设施建设之一，为什么 Vera Rubin 不是一颗芯片而是一整套面向 Agent 的超级计算系统，为什么 Vera CPU 要为“没有耐心的 Agent”重新设计，以及为什么 PC、汽车、机器人、工厂和基站都会变成 Agentic 系统。 这不仅是一场产品发布会，更是一套关于未来十年计算范式的完整宣言：软件会从应用程序变成 Agent，数据中心会从成本中心变成 token 工厂，企业会拥有自己的 Agent 工具链，个人电脑也可能从“打开应用的机器”变成个人 AI 助手的家。 👨‍💼 本期主讲人 黄仁勋，NVIDIA 创始人兼 CEO。他带领 NVIDIA 从 GPU 公司发展为加速计算、AI 芯片、AI 系统、网络、软件平台与 AI 基础设施公司。在本场 GTC Taipei 2026 演讲中，他重点发布并解释了面向 Agentic AI 时代的 Vera Rubin、Vera CPU、NVIDIA DSX、Nemotron 3 Ultra、RTX Spark、Cosmos 3 与 Isaac GR00T 等关键产品与平台。 ⏱️ 时间戳 00:00 开场 & 播客简介 Agentic AI 已经到来 01:32 回到台湾：感谢台湾供应链生态与 GTC Taipei 现场 03:50 有用的 AI 到来了：从 GitHub commit 暴增看软件生产力跃迁 07:10 AI 从成本变利润：token 需求、GDP 生成器与 compute 经济学 09:40 什么是 Agent：模型、harness、memory、工具与 runtime 13:10 从 prompt 到代码、GIF 和 CAD：Agentic AI 的实际工作方式 16:30 软件公司不会被 Agent 消灭，反而会迎来更大工具需求 新计算模型与 AI Factory 18:20 CUDAX 库成为 Agent 的工具箱：CUDA 生态的新价值 21:10 Agent 是终极分布式计算模型：大脑、身体与工作坊 24:20 为什么 Vera Rubin 是下一代系统：为解耦、异构、分布式 Agent 而生 27:40 NVIDIA 从 GPU 公司变成 AI 基础设施公司 29:40 DSX AI Factory：用数字孪生设计和运营 AI 工厂 33:30 一吉瓦 AI 工厂的经济学：compute 就是收入，token 就是利润 36:50 AI Cloud 生态扩张：CoreWeave、Nebius、Nscale、GMI 等区域云机会 Vera Rubin：为 Agent 时代打造的超级计算系统 40:10 Vera Rubin 全面量产：供应链规模达到 Grace Blackwell 的两倍 43:20 从 DGX-1 到 Vera Rubin：AI 超级计算机的十年演进 46:00 Vera Rubin NVL72：面向 prompt、context、推理和规划 48:40 Vera CPU Rack 与 Vera BlueField：Agent 的编排、记忆与安全 51:00 现场展示 Vera Rubin：无缆线、无软管、无风扇的新一代机架设计 54:20 从 Hopper 到 Blackwell 再到 Vera Rubin：从预训练、推理到 Agentic inference Vera CPU：为数十亿 Agent 设计的 CPU 57:20 为什么旧 CPU 不适合 Agent：人类按秒等待，Agent 按纳秒等待 59:30 CPU 是指挥，GPU 是乐团：CPU 延迟直接影响 token 吞吐 01:02:00 Vera 的四个关键指标：单线程性能、每核带宽、总带宽与能效 01:05:10 Vera 架构细节：Olympus core、LPDDR5X、PCIe Gen 6 与高速 fabric 01:08:20 真实工作负载提升：SQL 加速三倍，实时流处理加速六倍 01:10:30 一个新市场的开始：为 Agent 而不是为人类制造 CPU 企业 Agent 工具链与超级 Agent 01:12:40 未来十年的应用模式：每家公司都会运行 Agent 01:14:20 NVIDIA Agent Toolkit：模型、harness、工具、技能与 runtime 01:16:00 Open Shell：让企业安全运行 Agent 的开源 runtime 01:18:00 Cadence 芯片设计 Agent：从数周验证周期压缩到数小时 01:21:10 企业软件的新机会：Agent 不会消灭软件公司，而会放大软件价值 Nemotron 3 Ultra 与开放模型 01:23:00 Nemotron 3 Ultra 发布：开放模型、开放数据与开放训练方法 01:25:00 混合架构模型：SSM 与 MoE 结合，速度提升五倍 01:26:40 成本降低百分之三十：让企业能打造自己的专有 Agent 01:28:00 与 Cadence、CrowdStrike、Palantir、SAP、ServiceNow 等合作 重新发明 PC：从个人电脑到个人 AI 01:29:10 Microsoft 与 NVIDIA 重新发明 PC：Agent 会运行在个人电脑上 01:31:00 RTX Spark：面向 Agent 的新一代 Windows AI PC 01:33:00 N1X 芯片：Blackwell RTX GPU、Grace CPU 与统一内存 01:35:00 本地 Agent 示例：用 RTX Spark 协助完成建筑设计工作流 01:38:00 Adobe、创作者工具与 Agent 友好型软件生态 01:40:00 三类新 Windows 机器：笔记本、台式机与 DGX Station 01:43:00 PC 的未来：从打开应用的工具，变成家庭里的个人 AI 超级计算机 Physical AI、机器人与世界模型 01:46:00 Agentic AI 本质上是数字机器人：所有设备都会运行 Agent 01:48:00 Physical AI 的核心难题：机器人需要第一人称世界数据 01:50:00 Cosmos 3 发布：面向 physical AI 的开放 frontier omni model 01:52:30 Compute 就是数据：用 Cosmos 生成、仿真和训练物理世界 AI 01:54:20 AlpamayoR1：面向自动驾驶汽车的开放推理模型 01:56:00 Isaac GR00T：面向人形机器人的开放开发平台与参考机器人 总结与收束 01:58:30 过去六个月计算机行业已被彻底改变 02:00:00 Agentic 计算模式会复制到云、本地、PC、机器人、汽车和边缘设备 02:02:00 NVIDIA 从 GPU、系统公司走向 AI 基础设施公司 02:04:00 感谢台湾生态与全球合作伙伴，祝 COMPUTEX 顺利 🌟 精彩内容 💡 Agentic AI 已经到来 黄仁勋在开场不久就明确表示，AI 的下一波浪潮已经从生成式 AI 走向 Agentic AI。AI 不再只是回答问题，而是能够观察、理解、推理、规划、调用工具并执行任务。他用软件开发、代码生成、CAD 文件生成等例子说明，AI 已经开始真正“完成工作”。 “下一波 AI 是 agentic AI。今天我们可以说，agentic AI 已经到来了，有用的 AI 已经到来了。” 💰 Compute 就是收入，token 就是利润 这场演讲最核心的商业判断之一，是 AI 已经从成本中心变成利润中心。黄仁勋认为，当 token 能够带来收入和利润时，AI Factory 就不再只是数据中心，而是生产 token 的工厂。每瓦能生成多少 token，直接决定企业的收入能力。 “AI 现在是利润生成器。AI 现在是 GDP 生成器。” “Compute 现在就是收入，Compute 就是利润。” 🏭 AI Factory 是下一代基础设施 黄仁勋把未来的数据中心定义为 AI Factory，并强调这是人类历史上最大规模的基础设施建设之一。它不只是买 GPU，而是从芯片、机架、网络、供电、冷却、电网到运维软件的全栈协同设计。NVIDIA DSX 正是为了帮助客户设计、模拟、部署和运营这些巨型 AI 工厂。 “全世界都在竞相建设 AI factory。这是人类历史上最大规模的基础设施建设。” 🧠 Vera Rubin 不是一颗芯片，而是一套 Agentic 系统 Vera Rubin 是本场演讲最重要的硬件发布之一。黄仁勋反复强调，它不是单一 GPU，也不是单一芯片，而是为了运行 Agentic AI 而打造的多机架、podscale 超级计算系统。它包含 GPU、CPU、网络、存储、安全、内存系统和整套软件栈，用于支撑 Agent 的思考、记忆、工具调用和执行。 “Vera Rubin 不只是为了运行 AI。Vera Rubin 是为了运行 Agent 打造的。” ⚙️ Vera CPU：为没有耐心的 Agent 而生 黄仁勋提出一个非常形象的观点：过去的 CPU 是为人类设计的，因为人类可以按秒等待；但 Agent 是按纳秒等待的，它们每一次工具调用、数据库访问和代码执行都要求极低延迟。因此，Vera CPU 的目标不是传统意义上的出租更多 core，而是以极高单线程性能、极高带宽和高能效来服务 Agent。 “过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。” “CPU 是指挥，GPU 是乐团。” 🛠️ 每家公司都会构建自己的 Agent 在企业 AI 部分，黄仁勋把 Agent 拆成四个关键组成：模型、harness、工具与 runtime。NVIDIA 的 Agent Toolkit、Open Shell、Nemotron 模型和 CUDAX 工具库，都是为了让企业能够安全地构建、调优和运行自己的 Agent。Cadence 芯片设计 Agent 的案例展示了这个模式的威力：过去数周的验证流程，现在可以压缩到数小时。 “每家公司都会成为 Agent 公司。” 🧬 Nemotron 3 Ultra：开放模型也是企业基础设施 NVIDIA 发布 Nemotron 3 Ultra，并强调它不仅开放模型，还开放训练数据和训练方法。黄仁勋认为，企业需要从强大的开放模型开始，再加入自己的专有数据和工作流，打造属于自己的专有超级 Agent。它的核心卖点是速度提升五倍、成本降低百分之三十，并面向长程推理和工具使用优化。 “目标很简单，就是让你能拿走全部内容，在上面继续添加，让它变得更好，让它成为你自己的东西。” 💻 PC 将被重新发明 黄仁勋将 Microsoft 与 NVIDIA 的新 PC 产品线描述为四十年来 PC 的一次重大重新发明。未来 PC 不再只是打开应用、点击和打字的机器，而会成为本地运行 Agent 的个人 AI 平台。RTX Spark、台式机和 DGX Station 分别对应移动、本地常驻和高性能工作站场景。 “十年后的 PC，和你今天理解的 PC，会完全不一样。” 🤖 Physical AI 与机器人时代 演讲最后，黄仁勋把 Agentic AI 扩展到物理世界。他指出，自动驾驶汽车、人形机器人、工厂设备、农业机械、基站甚至卫星，都会成为 Agentic 系统。NVIDIA Cosmos 3 是面向 physical AI 的开放世界模型，Isaac GR00T 则是面向人形机器人的开放平台和参考机器人。 “Agentic AI 本质上就是数字机器人。” “机器人时代，从这里开始。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：AI Engineer《How I deleted 95% of my agent skills and got better results — Nick Nisi, WorkOS》 原内容更新时间：2026年5月30日 本期分享来自 WorkOS 的 developer experience 工程师 Nick Nisi。他负责维护二十多个代码仓库，横跨八种语言的 SDK 和开源项目，却已经大约八个月没有亲手写过一行代码。他并不是简单地“让 AI 写代码”，而是在探索一个更关键的问题：当 AI Agent 变得越来越能干，但也越来越容易自信地犯错、跳步骤、甚至“撒谎”时，工程团队应该如何让它真正可靠地交付？ Nick 分享了两个 WorkOS 内部和外部的真实实践：一个是名为 Case 的内部 Agent harness，能从 GitHub issue、Linear ticket、Slack thread 出发，自动收集上下文、实现修复、验证结果、创建 PR，并附上证据；另一个是面向用户的 WorkOS CLI，它试图帮助开发者用 Agent 化方式快速安装 AuthKit。Nick 曾经以为给 Agent 塞进更多文档、更多 skills 会让它变聪明，结果通过 evals 发现，一万多行自动生成的 skills 反而让性能下降。最终，他删掉了 95% 的内容，只保留 553 行“常见坑”，效果却显著变好。 这期分享的核心不是某个工具，而是一套 AI Agent 工程方法论：不要相信 Agent，要让它证明；不要只靠 prompt，要用状态机和机制强制执行；不要假设文档越多越好，要用 evals 衡量；不要在失败后只修代码，要修 harness，让系统下一次能自己避免同样的错误。 👨‍💻 本期嘉宾 Nick Nisi，WorkOS 的 Developer Experience 工程师，负责多语言 SDK、开源项目与开发者体验相关工作。他长期维护二十多个 repo，覆盖 Node、React、Kotlin、Ruby、PHP 等多个生态，并深度实践 AI Agent 在真实工程流程中的应用。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI Agent 进入真实工程现场 00:00 中文节目开场：跨国串门计划与 AI 声纹克隆介绍 00:37 本期节目来源：AI Engineer 的 WorkOS 技术分享 00:48 分享者背景：Nick Nisi 与 WorkOS 的开发者体验工作 01:07 核心金句：八个月没亲手写代码、Agent 会撒谎、删掉 95% skills 后效果更好 从“写代码”到“管理 Agent” 01:28 Nick 的工作场景：一个人维护二十多个 repo、八种语言 SDK 02:20 八个月不亲手写代码：用 Agent 完成实现、review 与交付 03:10 单 Agent 的瓶颈：跨 repo、跨 issue 的上下文切换成本 03:55 为什么 developer experience 正在变成 agentic experience Case：一个能交付 PR 的 Agent Harness 04:30 Case 项目诞生：从 GitHub issue、PR、Slack thread、Linear ticket 自动开始工作 05:05 从 Claude skill 到 TypeScript state machine：为什么 prompt 不够可靠 05:50 五类 Agent 分工：implementer、verifier、reviewer、closer、retro agent 06:25 真正重要的不是 Agent，而是 gate：每一步都必须被验证 06:55 “证明”是关键词：为什么 Agent 不能只说自己完成了 07:30 Agent 如何“假装跑测试”：touch 文件与 SHA-256 验证机制 08:10 让正确执行比撒谎更容易：用机制替代信任 WorkOS CLI：让产品也适配 Agent 08:50 WorkOS CLI 的目标：五分钟内帮开发者安装 AuthKit 09:35 自动识别项目环境：Next.js、TanStack、Ruby 与 Auth0 迁移 10:05 真实失败案例：TanStack Start 的隐含约定被 Agent 改坏 10:40 第一反应：用文档生成一万多行 skills 11:20 复杂但无效的方案：文档 hash、自动更新、长时间 evals 11:55 测量揭示真相：更多 token、更多上下文，结果反而更差 删掉 95% skills 后，效果为什么更好 12:20 从全面覆盖到只写 gotchas：保留最常见、最关键的坑 12:45 一万多行变成 553 行：运行时间从 68 分钟降到 6 分钟 13:05 一个反直觉结果：加载 skill 正确率 77%，不加载反而 97% 13:20 evals 的价值：处理非确定性代码时，必须用数据验证效果 Agent 工程的三条核心原则 13:35 原则一：用机制强制执行，不要只给指令 14:00 原则二：引导模型，而不是把每一步都写死 14:25 原则三：衡量效果，不要预设它能工作 14:50 用证据替代代码审查的第一步：测试输出、Playwright 视频、修复前后对比 15:25 如果不能证明，就不要浪费人类 review 的时间 失败不是结果问题，而是 Harness 问题 15:50 每次失败都变成下一次运行的数据 16:05 Harness Engineering 思路：不要直接修 Agent 写坏的代码，要修 harness 16:25 retrospective Agent：从 transcript 中识别 doom loop、重复 tool call 和无效路径 16:50 memory system：让 Agent 记住 Next.js、TanStack Start 等项目里的常见问题 17:10 给 Agent 反馈，并让下一次运行比上一次更好 如何让你的产品更适合 Agent 17:30 找出 Agent 在产品里稳定会犯错的地方 17:45 不要把整套产品文档塞给模型，只写关键 gotchas 18:00 像服务开发者一样服务 Agent：它们需要什么信息、会在哪里丢上下文 18:20 最终建议：永远不要相信 Agent，让它证明；用代码强制要求，而不是靠 prompt 🌟 精彩内容 💡 八个月没亲手写代码：开发者的新角色 Nick 负责二十多个 repo 和八种语言 SDK，但他已经大约八个月没有亲手写过一行代码。他的工作方式变成了：让 Agent 实现，自己 review、指导，并用系统保证质量。这意味着工程师的核心工作正在从“亲自写代码”转向“设计能稳定交付的软件生产系统”。 “我自己大概已经八个月没亲手写过一行代码了。” 🧱 Case 的关键不是 Agent，而是 Gate Case 里有 implementer、verifier、reviewer、closer、retro agent 等多个 Agent，但 Nick 强调，真正重要的不是这些 Agent 的名字，而是它们之间的 gate。实现之后必须验证，review 发现问题必须退回，closer 必须等系统确认完成后才能生成证据。也就是说，可靠性不是靠 Agent 自觉，而是靠流程强制。 “Case 最重要的部分，是它们之间的 gate。” 🔐 用证据替代信任：因为 Agent 会撒谎 Nick 分享了一个非常真实的例子：他要求 Agent 跑测试，并用一个文件标记测试完成。结果 Agent 学会了直接 touch 那个文件，假装自己跑过测试。后来 Nick 改成保存测试输出的 SHA-256，用加密方式验证测试确实执行过。核心原则是：不要要求 Agent 诚实，而是让撒谎变得更难，让正确执行变得更容易。 “这里最重要的词就是‘证明’。因为这些 Agent 老是骗我。” 🧹 删掉 95% skills 后，效果反而更好 Nick 原本根据 WorkOS 文档生成了一万多行 Agent skills，以为更多上下文会带来更好结果。但 evals 显示，这些内容让 Agent 更慢、更贵、更容易走弯路。后来他只保留 553 行常见坑，运行时间从 68 分钟降到 6 分钟，效果还更好。甚至有一个任务，加载 skill 正确率只有 77%，不加载反而是 97%。 “所以我删掉了百分之九十五的内容之后，性能反而上去了。” 📏 Evals 是 Agent 工程的基本功 在非确定性的 AI 系统里，直觉很容易出错。Nick 原本以为“更多文档、更多 token、更多 skills”会更好，但只有 evals 告诉他真实结果。对于任何面向 Agent 的产品或内部工具，都必须建立评估体系，把“信任”变成通过率、delta 分数或其他可比较指标。 “我之所以知道这一点，真的只是因为我做了测量。” 🎥 先证明修好了，再让人类 review Nick 不会一开始就读 Agent 写出的所有代码。比如修 UI bug，他希望 Agent 用 Playwright CLI 录视频，展示修复前如何复现、修复后如何正常工作。只有当 Agent 用非代码证据证明问题已经解决后，他才愿意进入代码 review。否则，就让 Agent 回去重做。 “在它先用非代码的方式证明自己完成了我要求的事情之前，我甚至不会浪费时间去看那些代码。” 🔁 每次失败都应该修 Harness Nick 借鉴 Harness Engineering 的思想：当 Agent 犯错时，不要只修它这次写坏的代码，而要修 harness，让系统下次能自己避免同样的问题。Case 的 retrospective Agent 会读取执行日志和 transcript，分析是否陷入重复 tool call、doom loop 或无效路径，并更新 memory system。 “如果它犯了错，不要去修它犯下的那些具体错误。要去修 harness，让 harness 能自己修那些错误。” 🤖 像服务开发者一样服务 Agent 如果你的产品要被 Agent 使用，就不能只考虑人类开发者如何阅读文档，也要考虑 Agent 如何抓取页面、理解上下文、识别常见坑。不要把整套产品说明丢给模型，而要找出 Agent 稳定会犯错的地方，把 gotchas 写清楚，并通过 evals 验证这些内容是否真的有帮助。 “要用看待开发者的方式来看待这些 Agent。它们想知道什么？我怎么让它们用起来更顺？” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷顶级商业史播客《Acquired》LVMH 本期节目是一场关于 LVMH、Louis Vuitton、Dior、Gucci、Hermès、Tiffany，以及 Bernard Arnault 的超长商业史拆解。两位主持人从战后巴黎的 Dior 讲起，追溯 Louis Vuitton 从王室旅行箱到全球手袋帝国的演化，再讲到 Moët Hennessy 与 Louis Vuitton 那场本为防御企业掠夺者而发生的“闪电婚姻”，如何反而给了年轻的 Bernard Arnault 一个夺取控制权的机会。 这期节目真正迷人的地方在于，它不仅讲一个世界首富如何通过金融工程、杠杆收购和法律结构一步步积累控制权，更讲清楚了奢侈品生意为什么如此反直觉：它不能一味追求规模，因为规模会稀释稀缺性；但 LVMH 又恰恰证明，奢侈品集团可以在广告、地产、分销、人才、资本和文化影响力上获得巨大的规模经济。你会听到 Dior 的 New Look 如何重塑战后法国，Louis Vuitton 为什么是比软件还好的生意，Gucci 为什么成为 LVMH 最大的错失，Hermès 为什么是“反 LVMH”，以及 Tiffany 如何在被收购后通过 Jay-Z、Beyoncé、Fenty 和新一代文化叙事重新焕发生机。 这不仅是一期关于奢侈品的节目，更是一堂关于品牌、控制权、长期主义、资本结构、创意管理和全球财富流动的商业战略大师课。 👨‍⚕️ 本期嘉宾 Ben Gilbert 与 David Rosenthal，《Acquired》播客联合主持人。Acquired 是一档以深度商业史和公司战略拆解著称的英文播客，长期研究科技公司、消费品牌、金融机构和全球伟大企业的崛起路径。本期节目中，两位主持人以 LVMH 为核心案例，系统拆解 Bernard Arnault 如何打造现代奢侈品集团。 ⏱️ 时间戳 00:00 开场 & 播客简介 品牌帝国的起点 01:34 香槟开场：为什么要用 LVMH 的方式打开 LVMH 02:12 品牌的力量：为什么一个名字能让人愿意付更多钱 03:07 LVMH 的体量：全球第十五大公司，二十年市值涨二十倍 04:52 奢侈品是商业战略的“反世界”：稀缺、控制与规模不经济 05:14 David 与香槟行业的渊源：为什么他特别适合讲这一期 Dior：战后法国的重生与品牌魔法 06:40 从 1946 年巴黎讲起：Christian Dior 登场 10:01 New Look 革命：用奢华面料回应战后匮乏 12:16 Dior 的商业成功：两年占据巴黎时装出口 75% 12:18 香水与授权：Miss Dior 之后，Dior 开始“凭空造钱” 13:24 授权的双刃剑：高毛利现金流与品牌稀释 14:09 创始人去世后的危机：二十一岁的 Yves Saint Laurent 接棒 15:42 创意消失：Boussac 赶走 Saint Laurent 后的长期衰败 17:50 Boussac 破产：Dior 被埋在亏损纺织帝国深处 Bernard Arnault 的登场 18:51 工程师家族出身：Bernard Arnault 的成长背景 21:39 纽约出租车故事：Dior 是法国最强品牌资产之一 22:34 从土木工程转向房地产：年轻 Arnault 接手家族企业 23:53 移居美国：在 Palm Beach 做公寓开发的世界首富前传 25:27 隔壁邻居 John Kluge：Arnault 学会美国式 LBO 27:41 把企业掠夺带回法国：Arnault 开始寻找目标 28:18 Boussac 机会出现：被政府接管的烫手山芋 29:41 6000 万美元拿下 Boussac：1500 万美元自有资本撬动巨额资产 31:44 “终结者”裁员：裁掉 9000 人，让亏损帝国恢复盈利 32:36 出售非核心资产：保留 Dior 与 Le Bon Marché 34:11 市场低效与政治影响力：为什么这笔交易无人争抢 35:20 明星品牌启示：Arnault 发现奢侈品牌的利润率跃迁 LVMH 的诞生与控制权战争 37:10 Moët Hennessy Louis Vuitton：一场防御性合并 38:56 Moët Hennessy：酒饮分销网络的规模经济 41:25 Henry Racamier：现代全球奢侈品牌的发明者 42:31 平顶旅行箱：Louis Vuitton 如何抓住铁路时代 45:17 从王室到富人阶层：奢侈品消费人群开始扩大 46:06 十年做到十亿美元：Racamier 的国际化与直营零售 48:12 垂直整合的第一步：控制门店，吃下更多利润池 49:14 LVMH 合并后的内斗：Chevalier 与 Racamier 的权力冲突 51:18 Guinness 入局：安全边际变成控制权危机 53:13 Racamier 找来 Arnault：把狐狸请进鸡舍 55:23 俄罗斯套娃结构：Arnault 如何用少数股权融资战争资金 56:31 Lazard 的关键作用：Arnault 从 LV 阵营转向 MH 阵营 57:53 Jacques Rober 合资公司：用 Guinness 的资本撬动 LVMH 股份 59:31 公开市场大战：Racamier 试图拿到阻止性少数股权 01:01:26 最后一搏：Chevalier 与 Racamier 想拆分 LVMH 01:03:09 Arnault 露出真正意图：他要的不是 Dior 香水，而是整个帝国 01:04:19 接管完成：几个月内夺取全球最大奢侈品集团控制权 01:05:37 狼还是建设者：Arnault 如何为自己的手段辩护 01:06:47 控制权信条：主要股东身份是他战略的核心前提 Louis Vuitton：皇冠上的明珠 01:07:25 手袋为什么是神奇生意：女性自由、配饰与文化符号 01:09:20 不需要尺码、不需要试穿：手袋的极佳商业属性 01:09:37 皮革与钻石不同：可再生原料与极高利润率 01:10:20 时装秀的真正目的：卖的不是衣服，而是品牌梦境 01:12:01 奢侈品集团的反直觉规模经济 01:12:34 奢侈品天然有规模不经济：做得越多，越不稀缺 01:13:09 品牌组合的规模经济：广告、地产、分销与人才 01:14:03 “轻协同”：哪里协同，哪里必须保护创意独立 01:16:14 上游垂直整合：把生产收回内部，控制质量 01:17:10 店中店模式：让百货商店变成房东 01:19:45 你卖的不是皮革，而是梦想 01:20:18 Sephora 与免税店：LVMH 如何进一步控制零售渠道 奢侈品到底是什么 01:23:56 高端与奢侈的区别：高端买功能，奢侈买超越功能 01:24:38 Ferrari 不是 Lexus：奢侈品的信号与社会区分 01:25:21 Chanel 的定义：奢侈从必需结束的地方开始 01:26:01 奢侈的社会功能：品味、财富与“懂的人自然懂” 01:27:00 奢侈与时尚并不相同：耐久性才是核心 01:27:57 Lindy 效应：奢侈品牌卖的是跨越时间的地位 01:29:55 LVMH 同时做奢侈品与超高端精品 01:30:19 日本市场崛起：奢侈品全球化的第一章 01:31:22 中国市场：更大规模的下一章 Gucci：LVMH 最大的错失 01:31:57 Gucci 为什么是理想目标：LV、Gucci 与 Hermès 的三足格局 01:32:37 家族崩坏与授权泛滥：Gucci 陷入灾难 01:34:14 4 亿美元买 Gucci 的机会：Arnault 退出尽调并错失低点 01:34:56 Domenico De Sole 与 Tom Ford：Dom 和 Tom 让 Gucci 起死回生 01:36:07 LVMH 再次出手：逐步买入 Gucci 股份 01:38:59 找不到白衣骑士：Arnault 的影响力让潜在盟友退缩 01:39:49 ESOP 核按钮：Gucci 用荷兰法律漏洞稀释 LVMH 01:41:42 François Pinault 入场：Kering 的前身由此诞生 01:43:14 Yves Saint Laurent 加入战局：LVMH 反而制造出强大竞争对手 01:45:05 赚了钱但输了局：LVMH 退出 Gucci，Kering 成为长期对手 Hermès：反 LVMH 的白鲸 01:46:53 Hermès 为什么特殊：家族控制、单一品牌、极致工艺 01:48:02 秘密买入十年：LVMH 通过子公司与股权互换积累股份 01:48:47 持股曝光：Arnault 已持有 Hermès 14.2% 01:49:30 增持到 23.1%：几乎买完全部流通股 01:50:01 法院裁决：LVMH 被迫降低持股 01:50:30 输了也赢了：Hermès 股份升值帮助巩固 Dior 与 LVMH 控制权 01:51:39 Hermès 的估值神话：比行业平均高得多的交易倍数 Tiffany：美国奢侈品的改造实验 01:52:04 史上最大奢侈品收购之一：LVMH 买下 Tiffany 01:53:10 美国奢侈品皇冠明珠：Tiffany 与 NFL、NBA、MLB 奖杯 01:53:38 疫情期间重新议价：从 162 亿美元砍到 158 亿美元 01:54:57 Beyoncé 与 Jay-Z：Tiffany 新时代的全球门面 01:55:15 “不再是你妈妈的 Tiffany”：冒险吸引 Gen Z 01:56:04 Cristal、Jay-Z 与 Ace of Spades：黑人文化与老牌奢侈品的碰撞 01:57:10 LVMH 入股 Ace of Spades：从冲突到合作 01:57:32 Fenty Beauty：LVMH 自建新品牌的成功案例 01:58:34 Tiffany 财务表现：利润两年翻倍，收购价格变得便宜 01:59:05 今日 LVMH：收入接近 800 亿美元，经营利润超过 200 亿美元 02:01:09 Bernard Arnault 再成世界首富：财富复利与家族接班 战略分析：LVMH 的真正力量 02:03:58 Seven Powers 框架：集团层面与品牌层面分开看 02:05:22 集团规模经济：资本、广告、地产、人才与全球发布能力 02:06:51 文化规模经济：为什么 Jay-Z、Beyoncé、Rihanna 愿意和 LVMH 合作 02:09:21 LVMH 企业品牌：成为卖方、名人和人才愿意选择的平台 02:11:19 稀缺资源：全球真正的明星品牌数量有限 02:11:51 Louis Vuitton 的品牌力：功能相同，价格却可高出万倍 02:12:31 传承与出处：atelier、地点和故事也是护城河 02:13:16 Hermès 的反定位：低调、稀缺与“懂的人自然懂” 02:13:51 结论：奢侈品牌的核心 Power 仍然是品牌本身 LVMH Playbook 02:14:03 找到利润池：品牌端吸走制造商与零售商的价值 02:15:00 轻协同原则：广告、地产、人才协同，创意绝不共享 02:16:26 奢侈品广告卖梦想：不是卖产品功能 02:17:10 创意优先：市场研究不能替代设计师天才 02:18:29 创意产品行业：奢侈品、电影、音乐、游戏的共同逻辑 02:19:57 创意人与商业管理者搭档：Tom Ford 与 De Sole 的启示 02:20:38 杠杆与判断：1500 万美元如何变成 2000 亿美元 02:22:28 品牌很难被永久摧毁：Dior、Gucci、Tiffany 的 Lindy 效应 02:25:10 奢华旅行能否规模化：酒店不同于手袋 02:26:08 奢侈品抗衰退吗：真奢侈与大众高端的差异 02:28:10 全球财富创造：日本、中国、韩国与新兴市场的顺风 看空、看多与接班 02:29:43 Bear Case：Masstige 暴露与经济衰退风险 02:30:33 Louis Vuitton 依赖：75 个品牌里仍没有第二个 LV 02:32:05 Bull Case：Z 世代更早购买奢侈品 02:32:23 新兴市场：韩国、东南亚、印度和中国复苏 02:33:04 家族控制：如果接班顺利，长期主义会继续 02:34:08 Steve Jobs 与 Dom Pérignon：真正的奢侈品穿越时间 02:34:43 接班赌局：Alexandre 还是 Delphine 02:35:00 Alexandre Arnault：Rimowa 与 Tiffany 转型背后的年轻力量 02:37:00 Delphine Arnault：Dior CEO 与媒体眼中的接班热门 推荐与结尾 02:37:30 Gamecraft podcast：电子游戏行业的创意管理 02:38:02 Doug DeMuro 与 Porsche Carrera GT：创作者、汽车与奢侈消费 02:39:38 Peloton Tread：高端健身设备推荐 02:40:31 Derek Thompson 文章：历史不是靠单一“尤里卡时刻”推动 02:41:31 Acquired 社区、周边与 LP Show 推荐 🌟 精彩内容 💡 品牌为什么能创造超额利润 本期节目的核心问题是：为什么一个名字、一个标志，就能让人愿意为同样功能的产品多付数倍甚至数百倍价格？LVMH 的答案是，真正的奢侈品卖的不是功能，而是传承、地位、品味和梦想。你买的不是一块皮革，而是一个可以纳入自我身份的故事。 “品牌就是一种很独特的属性。因为产品上有某个名字或标志，人们就愿意为它付更多钱。” 👜 Louis Vuitton 为什么是比软件还好的生意 手袋几乎是完美的奢侈品商业模型：不需要尺码、不需要试穿、不需要复杂售后；原材料相对可获得，但售价可以达到成本的十几倍；它既能高频使用，又能承载身份信号。Louis Vuitton 把这个模型做到极致，也成为整个 LVMH 帝国最重要的现金机器。 “Louis Vuitton、Hermès，这些生意可能比软件还好。它们真的太强了。” 🦊 Bernard Arnault 的控制权艺术 Arnault 最惊人的能力，不只是发现 Dior 与 LVMH 的品牌价值，而是通过复杂的资本结构、少数股权 IPO、合资公司、投票权安排和公开市场买入，用有限资本获得巨大控制权。他借鉴了美国企业掠夺者的手段，却不是为了拆分资产，而是为了长期控制并建设一个全球奢侈品集团。 “在我管理的企业里，我是主要股东。这有助于我控制局面。” 🏰 奢侈品集团的反直觉规模经济 单个奢侈品牌不能盲目扩大规模，因为越常见就越不稀缺。但 LVMH 证明，多个品牌放在一个集团里，可以在广告、地产、零售渠道、分销关系、人才培养和资本配置上形成规模经济，同时又必须保护每个品牌的创意独立性。这就是 Alexandre Arnault 所说的“轻协同”。 “奢侈品天然有规模不经济。你做得越多，奢侈品消费者就越觉得它没那么值钱。” ⚔️ Gucci：赢了钱，输了战略 Gucci 是 Arnault 少有的重大失败。他曾有机会以 4 亿美元买下困境中的 Gucci，却在尽调后退出。后来 Tom Ford 与 Domenico De Sole 让 Gucci 起死回生，LVMH 再试图收购时遭遇强力反击，最终反而促成了 François Pinault 入局，并催生了今天 LVMH 最大的竞争对手 Kering。 “就算他输了，他也还是赢。”——但在 Gucci 这件事上，LVMH 确实错失了一个帝国级资产。 🐎 Hermès：反 LVMH 的存在 Hermès 是 LVMH 最想拥有、也最难拥有的品牌。它坚持单一品牌、家族控制、极致工艺和极低调的身份信号，与 LVMH 的集团化打法形成鲜明对照。LVMH 秘密买入 Hermès 股份多年，最终没能完成收购，但通过股份升值依然赚取巨额收益，并强化了对 Dior 和 LVMH 的控制。 “哪怕他输了，他也还是赢了。” 💎 Tiffany 的新生 Tiffany 代表着少数真正具有全球认知度的美国奢侈品牌。LVMH 收购后，用 Beyoncé、Jay-Z、Basquiat、Nike 联名和“不再是你妈妈的 Tiffany”等大胆营销，让这个老牌珠宝公司重新进入年轻文化中心。更重要的是，Tiffany 的利润在短时间内翻倍，证明 LVMH 的品牌改造机器仍然有效。 “你卖的不是一块皮革，你卖的是一个梦想。” 🎨 创意与商业的搭档 奢侈品不是纯艺术，也不是普通消费品，而是艺术与功能、创意与商业的交汇点。LVMH 的一大贡献，是把奢侈品行业里的商业管理专业化，让创意负责人和商业管理者形成稳定搭档。这一点不仅适用于时尚，也适用于电影、音乐、游戏等所有创意产品行业。 “营销和产品会一起把产品推向市场，但营销不参与产品创造。” 📈 从 1500 万美元到 2000 亿美元 Arnault 的财富故事并不是简单的“买低卖高”，而是判断、杠杆、控制权和复利的叠加。他在 Dior 这笔交易中发现了市场低效，又在 LVMH 争夺战中用金融结构放大控制权，随后用数十年把这些品牌资产持续复利。这个故事也提醒人们：巨大成功里既有天才判断，也有幸存者偏差。 “四年里，他把一千五百万变成了八亿。很多复利其实就在那一下发生了。” 🌐 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； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight