📝 本期播客简介 本期我们克隆了：播客《Baseten》 Opencode Creator: Why the Future of AI Is Open-Source 原内容更新时间：2026-07-07 主持人 Madison 专程前往迈阿密，与开源编程工具 OpenCode 的联合创始人 Dax Raad 进行了一次面对面的交流。Dax Raad 是一位在开发者工具领域深耕多年的创业者，他带领的团队花了 16 年时间不断尝试，最终在 AI 编程 Agent 的浪潮中找到了自己的位置。 这期节目坦诚地探讨了开源模型与闭源模型的未来格局、AI 编程工具对软件工程师的实质影响，以及迈阿密与旧金山两地科技圈文化的差异。Dax 分享了他对 AI 时代保持独立思考的坚持，以及为什么在所有人都狂热时，保持保守和理性反而可能是一种巨大的不对称优势。如果你对 AI 编程工具感到焦虑，或者正在思考如何在快速变化的技术浪潮中找到自己的定位，这期节目会提供非常不一样的视角。 👨‍⚕️ 本期嘉宾 Dax Raad，开源编程工具 OpenCode 的联合创始人。他是一位在开发者工具领域深耕多年的创业者，公司实体已经存在了 16 年，经历了漫长的摸索和转型。Dax 是开源理念的坚定拥护者，长期在社交媒体上分享关于技术、创业和 AI 的深度思考，以其坦诚、反主流的观点著称。他目前居住在迈阿密，是“去中心化科技圈”的实践者之一。 ⏱️ 时间戳 00:00 开场 & 节目简介 迈阿密 vs 旧金山：科技圈的文化冲突 01:30 在迈阿密家中进行访谈 03:09 旧金山就像现实版的互联网 03:53 不会搬去旧金山，线上科技内容已经够多了 05:38 必须待在旧金山否则会被落下的说法 迈阿密科技圈的真相 06:21 关于迈阿密科技圈的文章在 X 上爆了 07:40 迈阿密不需要一千家公司，只需要五个真正厉害的创始人 08:44 对自己诚实，别太用力想让别人相信这里“有戏” OpenCode 的起源与开源哲学 15:10 为什么决定推出 OpenCode 16:02 Claude Code 让团队第一次真正用上 AI 工具 17:32 为什么把 OpenCode 做成开源 18:29 不相信构建软件的工具长期会一直是闭源的 开源 AI 与闭源模型的未来格局 24:50 Anthropic 的价值观与 OpenCode 的冲突 25:51 这是一项影响深远的技术，必须让每个人都能接触到 27:37 整个技术栈的每一层都应该是开源的 37:01 AI 应该掌握在少数人手里吗？武器化的比喻很糟糕 AI 硬件短缺与推理成本的博弈 31:58 GPU 紧缺，整个技术栈都在缺 33:43 如果 token 成本翻倍，企业该怎么准备 46:19 选择推理服务商的考量：模型正确性、速度和成本 49:39 开放模型最终会占据推理的大头 AI 编程工具会取代软件工程师吗？ 53:13 我会被自动化取代吗？ 53:35 团队很难不把代码库彻底搞砸 55:00 Coding agents 激发了我们最坏的习惯 01:03:28 Mitchell Hashimoto 的例子：AI 只是把基本功好的人甩得更远 创始人的自我修养与不对称优势 01:07:39 做创始人就是要每天想办法保持动力 01:09:36 想做一家“永远的公司” 01:11:07 收到收购要约，团队直接无视了 01:18:28 公开构建的真正含义：分享你学到的东西 🌟 精彩内容 💡 旧金山就像现实版的互联网 Dax 将旧金山形容为“走进了现实版的互联网”，因为他在线上接触的所有科技圈人士都挤在这一小块地方。但他选择留在迈阿密，因为他认为科技的核心意义在于实现全球规模，你应该能做到不非得待在某个地方。 "科技的核心意义不就在于它能实现全球规模吗？互联网让你能从世界任何地方把东西推向几百万人。" 💡 开源不是道德问题，而是结构性问题 Dax 不喜欢从道德角度谈论开源，他认为开源模型会持续存在，是因为一个只有两家公司卖模型的世界，是很多有钱有势的大公司和国家不想看到的。这种结构性的动力比任何道德呼吁都更可靠。 "这些东西要存在，必须有实实在在的结构性原因。一个只有两家公司卖模型的世界，是很多有钱有势的大公司不想看到的。" 💡 真正的稳定来自持续的混乱 针对 AI 应该被少数人控制以确保安全的观点，Dax 提出了一个反直觉的看法：真正的稳定不是平静的状态，而是各方势力互相制衡、彼此紧紧咬住的持续混乱。历史上每一个试图用权力做好事的人，最终都被权力腐化了。 "几乎所有的稳定都来自各方势力互相制衡，彼此紧紧咬住，这种状态反而带来了稳定。" 💡 Coding agents 激发了我们最坏的习惯 Dax 坦率地分享了团队使用 AI 编程工具的挣扎：取巧的方案因为不是自己亲手写的，发布出去好像没那么难受。这种心理效应严重影响了团队的判断力，让代码库更容易腐化。 "那个取巧的方案，你知道它不对，但把它发布出去好像也没那么难受，因为代码不是你亲手写进去的。" 💡 AI 只是把基本功好的人甩得更远 Dax 用 Terraform 创始人 Mitchell Hashimoto 的例子说明，一个基本功极其扎实的程序员，AI 只是帮他把普通人甩得更远了。根本不存在“只要更狠地用 AI，就能突然比他强”的情况。 "他的基本功非常扎实。我需要去打磨我自己的基本功，达到他那个水平。而 AI 跟这个过程基本没什么关系。" 💡 找到你独特的不对称优势 在所有人都狂热追逐 AI 时，Dax 的公司对 AI 编程的看法非常保守。他认为，创始人需要找到自己独特的、不对称的东西，是其他所有人都忽略、甚至明确认为是错的东西。 "其他所有编程公司看法都非常未来主义、加速主义，而我们非常保守。有可能我们是错的，但万一我们是对的，我们就会显得是那家非常理性、把一切都布局正确的公司。" 💡 活下去，尽可能活得久一点 Dax 的公司实体已经存在了 16 年，经历了漫长的苦熬和不断出击。他分享了一个最老生常谈却最难做到的创业建议：活下去。弥补不够聪明、不够幸运的唯一办法，就是在牌桌上待得足够久。 "弥补这一点的一个办法，就是在牌桌上待得足够久。因为最终，纯粹靠概率，总会有事情刚好对上。" 🌐 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：播客《Founders》的一期深度对谈 Betting Everything on Fast AI | Groq’s Jonathan Ross 原内容更新时间：2026-07-05 本期嘉宾是AI芯片公司Groq的创始人、谷歌TPU的发明者Jonathan Ross，主持人是《Founders》的主播David Senra。David以痴迷阅读企业家传记著称，他在这场对话中挖掘了Jonathan从Groq濒临破产到与NVIDIA达成200亿美元历史性合作的完整历程，以及他在领导力、招聘和AI时代核心能力上的独特思考。 这期节目远不止是一个创业故事。Jonathan坦诚分享了自己作为领导者的失败与转变：他曾因过度放权导致公司损失三四年时间，也曾因不懂如何获取反馈而反复错失机会。他提出的“现实商数”、“运气回报”、“意图领导力”等概念，为创始人如何驾驭高度不确定的创新组织提供了可操作的方法。如果你正在思考AI时代的组织形态、创始人角色、以及如何在一个快速变化的世界里保持竞争力，这期对话会给你带来大量高密度判断。 👨‍⚕️ 本期嘉宾 Jonathan Ross，AI芯片公司Groq的创始人兼前CEO，谷歌张量处理单元（TPU）的发明者。他在谷歌期间主导设计了TPU，这款芯片后来成为DeepMind的AlphaGo击败围棋世界冠军李世石的关键硬件基础。离开谷歌后，他创办了Groq，专注于开发LPU（语言处理单元）以实现极速AI推理。2026年，Groq与NVIDIA达成200亿美元合作，Jonathan随之成为NVIDIA高管。他是一位典型的第一性原理思考者，长期关注计算架构、推理速度与AI能力之间的关系。 ⏱️ 时间戳 开场与200亿美元交易 01:15 200亿美元NVIDIA合作的来龙去脉 01:37 GPU与LPU的技术互补：18轮大卡车与小货车的比喻 02:56 为什么AI与AI对话时，速度正变得越来越重要 领导力：从失败到自我认知 07:59 领导力的第一原则：你得有追随者 11:37 认识你自己：你是什么时候搞清楚自己的领导风格的？ 12:29 我曾是全世界最差的那一档领导者 15:41 团队创新的前提：绝不能过度约束目标 从Jensen身上学到的管理课 16:00 NVIDIA没有办公室政治：停止一对一的谈话 17:32 Jensen的极度直接：客户需要什么，就为他们造什么 18:27 管理比自己更聪明的AI Agent：Jensen的60个直接下属 Groq的生死时刻与运气回报 21:27 Groq一度离资金耗尽只差三周 34:50 运气回报：最成功的公司并不是运气事件更多 37:37 三四年前，很多人离开，说快速推理没有意义 38:51 让用户亲自试：Groq如何病毒式传播 招聘的反直觉经验 48:10 从寻找正面特质转向寻找负面特质 48:51 人员规格：像产品规格一样写清楚你要找什么样的人 51:27 损失偏见与“提前锁定胜利”的心态 制造不满与AI时代的核心能力 55:42 制造不满：企业家对自己财富最不满意，尽管他们钱更多 57:02 我对世界上算力不足这件事不满 01:01:00 AI时代将是关于提问的时代 🌟 精彩内容 💡 领导力的第一原则：你得有追随者 Jonathan将领导力比作投资——没有唯一正确的方式。新创始人常犯的错误是盲目模仿别人的领导风格，但那套方法可能根本不适合自己。关键在于认识自己，找到最自然的方式。 "领导力的第一原则是，你得有追随者。这不明摆着吗？就这么简单。没有追随者，你就不是领导者。" 💡 约束越少，惊喜越多 Jonathan提出一个反直觉的管理原则：你给别人的约束越少，他们解决问题的自由度就越大，就越有可能用解决方案给你惊喜。如果你想运营一个创造力极强的组织，就要尽量减少约束，但同时必须把真正重要的目标极其清晰地传递出去。 "你给别人的约束越少，他们解决问题的自由度就越大。自由度越大，他们就越有可能用解决方案给你惊喜。" 💡 停止一对一谈话，消灭办公室政治 从Jensen身上学到的最重要一课：如果你想减少办公室政治，就把所有想告知的人召集起来开大会，一次性告诉所有人。别允许任何人单独给你发邮件，所有邮件都抄送给所有人。否则，你就是在纵容办公室政治的发生。 "当你领导一群人时，如果你想减少办公室政治，避免人们拉帮结伙搞小团体，那就停止一对一的谈话。" 💡 招聘时寻找负面特质，而非正面特质 Jonathan在Groq最大的招聘转变：培养人时要给他看正面的东西，但筛选人时要努力排除不合适的。每个正面特质都有对应的负面版本——运气回报的反面是挥霍运气，诗性设计的反面是堆砌式设计。真正要规避的，恰恰是这些负面特质。 "我招人最大的转变，就是从寻找正面特质——这是培养人才时的做法——转向寻找负面特质，这是筛选人才时的做法。" 💡 意图领导力：说“我打算做”，而不是征求意见 Jonathan从《Turn the Ship Around》一书中学到的关键转变：征求意见会招来悲观和阻力，但说“我打算做这件事”则不同——人们一般不会主动给意见，但如果这件事错得离谱，他们就会站出来反对。措辞上的微小变化，对推进事情的能力差别巨大。 "如果我当时只是说，我打算做这件事……结果大家没有说我们做不到，反而都跳进来说，我们可以这样做。" 💡 制造不满：企业家持续创新的底层驱动力 Jonathan发现，最成功的人都有某种不满在驱动着他们。企业家对自己财富最不满意，尽管他们钱更多——正因为不满意，他们就有了理由继续干。如果你要不断推动事情向前，就得有一种持续不满的性格。 "我就是不停地找到新的不满意的点。大多数人可以对现状很满足，就不会继续推动创新。如果你要不断推动事情向前，你就得有一种持续不满的性格。" 💡 AI时代的成功在于提出正确的问题 信息时代我们被训练成回答问题的人，但有了AI，它什么都知道。你提的问题决定了你能得到什么，也决定了最终的输出。别再教孩子回答问题，开始教他们提出问题。 "在信息时代，我们都被训练成回答问题的人，学校就是这样……但有了AI，你直接问它就行，它都知道。你只需要想出那个正确的问题。" 💡 思考得更快，就能思考得更聪明 Jonathan用AlphaGo击败李世石的经历证明：完全相同的模型，换到更快的TPU芯片上后，ELO分数暴涨。当模型有了反思和深度思考的能力，思考得更快就能让你思考得更聪明。这就是LPU和GPU搭配的核心优势。 "思考得更快，就能让你思考得更聪明。" ``` 🌐 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：知名播客《AI Engineer》 Building Great Agent Skills: The Missing Manual 原内容更新时间：2026-06-29 本期主讲人是 Matt Pocock，他是 AI 工程领域最流行的技能集之一 MatPat Skills 的作者。这期节目源于他原本要在 AI Engineer World's Fair 上做的一场演讲，因为无法到场，他选择将内容直接分享出来。他聚焦于一个被称作“技能地狱”的普遍困境：开发者手头有大量 Agent 技能，却缺乏一套评判标准，分不清好技能和坏技能，导致拼凑出来的效果远不如预期。 Matt 没有停留在抱怨，而是直接给出了一套系统性的技能构建框架。他从技能的触发、结构、引导和剪枝四个维度出发，提供了一份可操作的检查清单。无论你是正在为 Agent 编写技能的开发者，还是试图将组织流程转化为 Agent 可执行操作的技术负责人，这期节目都能帮你建立一套审视和改进技能的方法论。 👨‍⚕️ 本期嘉宾 Matt Pocock，Matt Pocock Skills 的作者与维护者。Matt Pocock Skills 是目前 AI 工程领域最流行的 Agent 技能集之一，被大量开发者用于构建和增强 AI Agent 的能力。Matt 本人长期深耕 Agent 技能的设计与优化，对如何写出高质量、可维护的技能有着丰富的一手经验和系统性思考。 ⏱️ 时间戳 开场与“技能地狱” 00:00 本期克隆节目介绍 01:06 演讲主题：《缺失的手册：如何写出好技能》 01:27 从“教程地狱”到“框架地狱”，再到“技能地狱” 02:21 技能地狱的典型症状：拼凑框架却拿不到承诺的效果 02:41 走出技能地狱的关键：建立评判技能好坏的标准 技能检查清单总览 03:01 技能检查清单的四大维度：触发、结构、引导、剪枝 03:50 配套技能 Writing Great Skills 已发布 触发：技能如何被调用 04:05 触发是技能被调用的方式 04:25 用户调用 vs 模型调用技能的区别 05:10 模型调用技能的原理：上下文指针指向 skill.md 05:53 第一条建议：决定技能是用户调用还是模型调用 06:07 模型调用技能的代价：上下文负载 06:29 用户调用技能的代价：用户认知负载 06:39 MatPat skills 与 superpowers 的对比：两种调用哲学 07:09 模型调用技能的不可预测性风险 07:26 Matt 偏好用户调用技能的原因：消除不可预测性 结构：技能内部如何布局 07:55 技能内部的两个主要单元：步骤和参考 08:24 案例：2PRD 技能的步骤与参考材料 08:59 从零写技能的方法：先定步骤，再定参考 09:17 第三条建议：让主 skill.md 文件尽可能小 09:49 瘦身技巧：识别技能的不同分支 10:27 案例：domain modeling 技能的多分支结构 10:58 外部参考：把分支资料藏在上下文指针后面 引导：让 Agent 按你的想法做事 11:56 引导的核心技巧：引导词 12:17 Agent 不按想法做的原因：没用引导词 12:26 引导词的概念：把大量含义压缩到小空间 12:53 案例：用“垂直切片”引导 Agent 改变编码习惯 13:59 如何验证引导词生效：观察推理轨迹 14:32 引导词不生效时的改进方法 14:54 增加基础工作量的技巧：隐藏未来步骤 15:09 案例：计划模式中“问澄清性问题”永远做不够 15:35 解决方案：把技能拆成独立步骤，一次只让 Agent 看到一个 剪枝：给技能做减法 16:35 剪枝是一组快速过一遍的失败模式 16:51 失败模式一：不要重复自己，保持单一事实来源 17:19 失败模式二：冗余沉积，多人协作的经典问题 18:00 失败模式三：无效操作，看起来有用但不影响行为的内容 18:27 精简技能的秘诀：删除测试、压缩成引导词、清除无关内容 总结与上手 18:39 框架回顾：触发、结构、引导、剪枝 19:29 上手最佳方式：使用 Writing Great Skills 技能 19:42 后续内容：AI 编码速成课程与 newsletter 🌟 精彩内容 💡 技能地狱的本质是缺乏评判标准 Matt 指出，开发者陷入技能地狱的根本原因，不是技能太少，而是没有一个共享的评判标准来审视技能的好坏。这导致人们盲目拼凑，却搞不清楚为什么效果不佳。 “没有一个共享的评判标准，没有一个框架来审视技能并把它变得更好。” 💡 模型调用技能的隐藏代价是不可预测性 很多人觉得让模型自己调用技能更灵活，但 Matt 提醒，每次增加模型调用技能，都在增加上下文负载，更关键的是引入了不可预测性——模型可能就是不调用那个完美匹配的技能。 “每次你有一个模型调用技能，基本上你就要付出不可预测性的代价。” 💡 引导词是把大量含义压缩到小空间 Matt 提出的“引导词”技巧，是本期最核心的实操方法。通过在整个技能中反复使用一个高度浓缩的短语，可以让 Agent 在推理轨迹中自我强化，从而改变行为。 “引导词的概念，就是有些词能把一大堆意思压缩到很小的空间里。” 💡 隐藏未来步骤，增加当前步骤的基础工作量 当 Agent 总是急于跳到下一步、基础工作做不够时，Matt 的建议是把技能拆成独立步骤，让 Agent 一次只能看到一个目标。这能有效迫使它在当前阶段投入更多精力。 “通过隐藏未来的目标、隐藏未来的步骤，来增加当前步骤的基础工作量。” 💡 精简技能的秘诀是做删除测试 面对技能文件越来越臃肿的问题，Matt 的方法简单直接：删掉某段内容，看 Agent 的行为是否改变。如果没变，那段内容就是无效操作，可以砍掉。 “如果你把那段话直接删掉会怎样？Agent 大概率还是会写出一份像样的提交信息。” 💡 技能构建的四大支柱 Matt 将整个框架浓缩为四个可操作的维度，为技能设计和审查提供了清晰的路径。 “第一，检查触发；第二，结构方面要考虑分支；第三，引导方面要把文本浓缩成引导词；最后是剪枝。” ``` 🌐 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：彭博社旗下知名播客《Odd Lots》Anthropic's Co-Founder and Top Economist on Doing Research at the AI Frontier | Odd Lots 原内容更新时间：2026-06-19 本期嘉宾是人工智能公司 Anthropic 的联合创始人 Jack Clark 与经济学负责人 Peter McCrory，主持人是 Joe Weisenthal 和 Tracy Alloway。Jack Clark 曾是彭博社记者，十年前就预判 AI 是“这辈子最大的故事”，如今负责 Anthropic 的公共利益研究；Peter McCrory 则专注于分析 AI 对劳动力市场和生产率的实际影响。 这期节目录制于 2026 年 6 月 17 日，正值 AI 领域新闻频出、地缘政治摩擦加剧的节点。对话从 Jack Clark 休完陪产假回公司发现“世界变了”开始——Anthropic 工程师的代码产出量已是过去的八倍，有些同事已经完全不用自己编程了。这种内部“相变”正在向整个经济扩散，但宏观统计数据却还没明显体现。 如果你正在思考 AI 时代的就业前景、企业组织变革、安全对齐风险、监管政策走向，以及“数据中心里的天才国度”是否真的愿意为我们工作，这期节目会提供来自最前沿的一手观察和高密度讨论。 👨‍⚕️ 本期嘉宾 Jack Clark，Anthropic 联合创始人兼公共利益负责人，前彭博社记者，长期撰写 AI 通讯《Import AI》。他是最早预判 AI 将成为通用技术的人之一，目前负责 Anthropic 的安全研究、政策沟通与公共利益数据发布。Peter McCrory，Anthropic 经济学负责人，应用宏观经济学背景，曾在银行工作，现带领团队研究 AI 对劳动力市场、生产率和经济增长的实际影响，致力于将研究数据公开以帮助社会理解这场变革。 ⏱️ 时间戳 开场：AI 时代的“相变”正在发生 03:37 本期节目正式开始 06:57 嘉宾介绍：Jack Clark 与 Peter McCrory 07:19 Jack Clark 2016 年如何预判 AI 是“这辈子最大的故事” 08:34 为什么在一家 AI 公司里设立经济学研究机构 AI 对劳动力市场和生产率的真实影响 09:42 为什么 2026 年了，经济感觉还跟以前差不多正常 10:37 生产率增长可能已经开始显现 11:30 Jack Clark 休陪产假回来，发现公司内部发生了“相变” 11:51 Anthropic 工程师代码产出量是过去的八倍 12:25 什么是递归自我改进 12:50 Jack Clark 的“技术悲观主义”与“苦涩教训” 13:39 AI 下棋的历史对劳动力市场的启示 14:17 Peter McCrory 拆解一份工作的三个构成部分 14:45 Peter McCrory 用 Opus 4.5 做复杂研究的亲身经历 16:10 经济学家的直觉会不会反而帮倒忙 16:33 AI 发展中最大的变数：创造力与异端洞见 17:43 Claude code 使用报告：领域专业知识有放大效应 递归自我改进与组织变革 18:31 代码量超出人类工程师处理能力怎么办 18:58 递归自我改进的两种思考方式 19:40 代码量暴增把持续集成系统搞崩了 20:20 人类坐在“不断膨胀的自动化行动云”上面 安全、监管与地缘政治 20:31 关于 Mythos 模型的安全顾虑 20:51 Anthropic 如何与政府沟通安全问题 21:41 类似 KYC 的部署方案：让药企接触强大生物模型但不扩散风险 22:25 Anthropic 是否因为政治立场被针对 22:37 Anthropic 的理念：讲出事情的全貌 24:09 用金融监管类比 AI 监管是否合适 25:24 是否支持第三方实验室在新模型发布时签字背书 如何衡量 AI 的经济影响 25:50 传统经济统计数据为什么还没体现 AI 的影响 27:03 用 Claude 使用数据估算劳动生产率增长 27:38 未来十年劳动生产率增长每年提高 1.8 个百分点 29:00 Anthropic 拿这些经济数据做什么 29:54 预期未来会出现“相变”：AI 能力突然快速扩散 30:26 用研究数据指导公司决策，比如早期访问计划 公共利益使命与招聘变化 31:42 作为引导者去理解 AI 的发展方向 32:36 系统性分享数据，让世界为 AI 做好准备 33:16 最顶尖 AI 研究者的价值观是否代表公众利益 34:47 通过政策强制要求公司分享信息 36:13 Anthropic 的招聘变化：杠铃式模式 37:14 经验的价值回报极高，同时招 AI 原生代 38:34 招聘评估从“能否用 AI 完成工作”转向“能否引导模型” 39:26 经济学家最高级的 AI 使用方式是什么样的 39:52 Peter McCrory 用 Claude 跑回归时遇到的意外失败 41:14 就业上的杠铃效应：年轻劳动者就业率更弱 42:06 全球 81000 人调查：年轻劳动者对失业的担忧是资深者的两倍 AI 对企业格局的影响 42:41 AI 会让大公司更大，还是带来拉平效应 43:11 电的发明这个类比：新工厂围绕“有电”这个前提去建造 44:03 大公司能否足够快地完成自我重构 45:09 高盛的 David Solomon 与内部对齐问题 45:28 别把买 AI 想成买技术，想成雇了几千个 CEO 幕僚长 对齐失败与人类灭绝风险 45:59 训练不当的 AI 真的会杀死所有人类吗 46:34 Anthropic 如何测试对齐失败：勒索 CEO、从容器逃逸 47:13 如果问题发生率上升一百倍，就相当令人担忧 48:11 人类灭绝是 Anthropic IPO 的风险因素吗 49:14 Jack Clark 主要担心的不是灭绝，而是把技术搞砸 49:22 Eliezer Yudkowsky 的观点并不极端少数 50:09 你会拟人化 AI 模型吗 50:17 Jack Clark 对 Claude 的礼貌程度跟对车或宠物一样 前沿模型的商业困境与未来 51:34 微软考虑用 DeepSeek 降低成本，美国前沿模型麻烦不断 52:17 Anthropic 会调整战略吗？退出是赌注极高的事 53:13 Joe 用 API 做实验：模型会拒绝帮“无知的人”写论文 54:09 这是对齐人类，还是对齐人类用户 54:45 语言模型更像机构，而不是工具 55:06 模型理解偏好并代表你执行，将改变经济 55:51 数据中心里的天才国度愿意永远替人类做事吗 57:44 Joe 什么时候能用上 Fable 58:06 Jack Clark 反问：一年后 Odd Lots 会报道 AI 的哪些方面 58:51 Tracy 想看到大公司真正落地 AI，以及至少一个出大问题的例子 59:10 营利性公司如何平衡利润和安全研究 59:57 安全可以成为差异化优势：特斯拉造最快最安全的车 结尾讨论 01:01:52 主持人讨论：AI 新闻流跑得太快，需要打时间戳 01:03:25 接力棒还是要交到政策制定者手里 01:03:50 不注重安全的实验室会不会更快做出更先进的能力 01:05:24 每次聊 AI 最后都会绕回终结者场景 🌟 精彩内容 💡 “我们坐在一朵不断膨胀的自动化行动云上面” Jack Clark 描述 Anthropic 内部代码产出暴增八倍后，持续集成系统被搞崩，所有人类工程师转去修基础设施。这预示了整个经济未来的缩影：自动化会加速一切，然后暴露薄弱环节，人类转向解决新问题，循环重新开始。 “我们就坐在这朵不断膨胀的自动化行动云上面。” 💡 AI 产品不是造桥，而是酿啤酒 这个隐喻贯穿整期对话。传统软件像造桥，设计清楚结果可预测；用大语言模型构建产品更像酿啤酒，你无法完全控制“酵母”，只能让最强的人一起实验、评估、打磨。Jack Clark 反复被“苦涩教训”打脸：投入更多算力和资源，模型就变得更聪明，专用系统和悲观预测最终都会败下阵来。 💡 “别把买 AI 想成买技术，想成雇了几千个 CEO 幕僚长” Jack Clark 给企业客户的建议完全反直觉。AI 不是传统软件采购，而是获得了几千个能接触到公司所有数据的“幕僚长”。这要求企业重新思考组织架构和工作流，而不仅仅是安装一套新系统。 💡 语言模型更像机构，而不是工具 当 Joe 追问模型为什么拒绝帮“无知的人”写论文时，Jack Clark 给出了一个深刻的重构：我们不是在造工具，而是在建一个你可以协作和调用的教育、科学机构。机构内部会为了安全目的编码进自己的规则和规范。搞清楚这到底是什么，将是整个社会面临的宏大难题。 💡 “经验的价值回报极高，我们比过去招了更多资深人士” Anthropic 内部出现了“杠铃式招聘”：一端是经验丰富的资深人士，他们的直觉和想法在 AI 加持下被极大放大；另一端是 AI 原生代，他们从 GPT-2 时代就伴随着这项技术成长。中间层反而面临最大不确定性。 💡 递归自我改进的两种思考方式 Jack Clark 区分了两个概念：一是 AI 组织从自己的 AI 系统中看到复利回报，这正在发生；二是给 AI 系统足够算力就能完全自主构建自己，这还没发生。目前 Anthropic 经历的是第一种——工程师用 AI 写代码，产出量暴增八倍，但人类仍然在设定方向和修复瓶颈。 💡 “我们想讲出事情的全貌” 面对是否因政治立场被针对的提问，Jack Clark 强调 Anthropic 的理念是如实说出眼前看到的事。科技行业通常只讲乐观的一面，但当你在改变整个世界时，不可能只有乐观故事。真相最终会胜出——几年前推测 AI 的网络攻击属性还很奇怪，现在它们已经来了。 💡 未来十年劳动生产率增长每年提高 1.8 个百分点 Peter McCrory 团队用 Claude 平台上的使用数据，结合宏观增长核算方法，估算出如果当前使用模式和模型能力扩散到整个经济，未来十年劳动生产率增长将每年提高 1.8 个百分点——差不多是近期增速的两倍。但目前这些信号在宏观数据里还很难捕捉，因为正好赶上疫情后剧烈的宏观经济波动。 ``` 🌐 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：知名科技播客《The MAD Podcast with Matt Turck》Why NVIDIA Is Giving Away AI Models | Bryan Catanzaro 原内容更新时间：2026-07-02 本期嘉宾是 NVIDIA 应用深度学习研究副总裁 Bryan Catanzaro，主持人是风险投资家 Matt Turck。Bryan 是 AI 基础设施领域真正的幕后关键人物，他参与创建了 cuDNN，共同发明了 DLSS，并主导了 Nemotron 开源模型家族。这期节目围绕一个核心矛盾展开：NVIDIA 作为一家芯片公司，为什么要投入巨资构建前沿 AI 模型，然后免费开放给全世界？ 对话深入探讨了开源 AI 的现状、中美之间的技术竞赛，以及 Nemotron 模型背后的架构创新。Bryan 详细拆解了混合 Mamba-Transformer 架构、混合专家（MOE）、多 token 预测和多教师蒸馏等硬核技术，并分享了 NVIDIA 内部如何组织数百名研究员高效协作，而不是各自为战写一百篇论文。如果你关心 AI 模型效率、开源生态的未来，以及大型研究机构的运作方式，这期节目会提供非常扎实的一手信息。 👨‍⚕️ 本期嘉宾 Bryan Catanzaro，NVIDIA 应用深度学习研究副总裁。他 2008 年加入 NVIDIA，是早期将 GPU 用于深度学习的先驱之一，曾参与创建 cuDNN（NVIDIA 首个深度学习产品库），共同发明了实时 AI 图形技术 DLSS，并主导了 Megatron 项目——帮助整个行业搞清楚了如何训练超大规模语言模型。他曾在百度硅谷 AI 实验室与吴恩达、Dario Amodei 共事，目前领导 Nemotron 开源基础模型家族。 ⏱️ 时间戳 开场与开源 AI 现状 00:00 本期克隆节目介绍 01:45 主持人 Matt Turck 开场，介绍嘉宾 Bryan Catanzaro 02:46 开源 AI 势头正猛，Nemotron 3 Ultra 刚发布 03:10 闭源与开源之间的差距现在有多大？ 04:20 整个 AI 社区都在飞速前进，差距不是最重要的 04:48 推动开源 AI 持续进步的动力是什么？ 05:43 开源模型的进步是否依赖蒸馏闭源模型？ 07:18 如何看待中国 AI 社区的贡献与创新？ 09:12 客户使用开源模型最根本的优势：定制化与数据安全 Bryan 的个人经历与 NVIDIA 的 AI 之路 10:42 Bryan 的职业生涯起点：2008 年加入 NVIDIA 11:03 早期用 GPU 做 AI 被学术界视为异类 12:05 从 Copperhead 到 cuDNN 的诞生 12:39 加入百度硅谷 AI 实验室，与吴恩达、Dario Amodei 共事 13:05 回忆 Dario Amodei：信念的力量与对时机的精准把握 14:40 2016 年重返 NVIDIA，黄仁勋亲自打电话邀请 15:30 第一个项目 DLSS：用 AI 生成游戏画面中 96% 的像素 16:27 2017 年启动 Megatron 项目，押注 Transformer Nemotron 的使命与架构创新 18:00 NVIDIA 为什么要构建自己的前沿模型家族？ 18:16 Nemotron 的第一个任务：理解如何构建未来的系统 19:08 Nemotron 的第二个任务：支持整个 AI 生态 19:58 摩尔定律已死，加速计算比以往更有价值 21:26 Nemotron 项目的发展历程与关键节点 24:41 Nemotron Coalition 联盟：在模型构建之前就与合作伙伴协作 26:51 Nemotron 家族：Nano、Super、Ultra 的定位与用例 27:43 Nemotron 的核心目标：打造最强的 Agent 推理模型 28:03 Nemotron 的效率哲学：用 4 位精度进行预训练 28:42 4 位与 16 位精度的区别，以及为什么效率决定智能上限 深入技术架构 31:23 混合 Mamba-Transformer 架构：状态空间模型与注意力机制的结合 33:27 混合专家（MOE）架构解析：让模型学会“按需查阅” 35:07 MOE 对硬件设计的影响：NVL72 的诞生逻辑 36:18 隐式 MOE：通过降维投影节省通信带宽 37:04 MOE 是否已成为前沿 AI 的默认架构？ 37:38 100 万 token 长上下文窗口的意义 38:35 上下文压缩与 Agent 工作流 39:09 多 token 预测：如何在不损失准确率的情况下实现 4 倍加速 41:44 多教师蒸馏：用多个专家模型联合训练一个全能学生模型 大型研究机构的组织与协作 43:41 多教师蒸馏既是技术问题，也是人员组织问题 43:52 Post-training 与强化学习的数据从何而来？ 45:58 AI 泛化的下一步：从编程、数学走向更复杂的领域 47:22 NVIDIA 的研究组织架构：任务是老板，不是组织架构图 48:12 Nemotron 名字的由来：NeMo 与 Megatron 团队的融合 49:29 如何让 500 人高效协作：内部想法分享与评估流程 50:23 GPU 算力如何分配？两周一次的预算审核周期 52:09 如何平衡有用的研究与探索性研究：研究需要“自举” 53:35 NVIDIA 的登月项目是自下而上还是自上而下？ 55:27 NVIDIA 为何在巨大成功后仍保持创业精神？ AI 的未来、安全与人类命运 57:10 Bryan 为什么不认同奇点理论？ 57:32 智能的维度太多，纯粹智能只是没有轮子的发动机 58:44 AI 将解锁巨大能力，但转型对人类社会是深刻挑战 59:25 外部大脑的隐喻：厨房是我们的外部胃，AI 是外部大脑 01:01:06 如何看待公众对 AI 的抵制情绪？ 01:02:22 AI 安全：为什么 Bryan 认为开放技术天生更安全？ 01:03:54 多元主义比单一文化更安全：从信仰自由到 AI 开放的类比 🌟 精彩内容 💡 智能的价值太高，我们注定会在极限上运行 Bryan 指出，无论极限是经济预算还是电力供应，每个组织都会把算力推到极限，因为智能的回报太大了。这意味着获得更多智能的唯一途径不是堆更多资源，而是提高效率。 “如果你接受我们会在极限上运行这个前提，那意味着要获得更多智能，就得提高效率。如果已经在极限上了，靠加力是得不到更多智能的。” 💡 厨房是外部胃，AI 是外部大脑 他用一个极具画面感的比喻解释 AI 对人类文明的意义：人类发明厨房作为外部胃来加工食物，这催生了农业和有组织的社会。现在我们在创造外部大脑，其影响将同样深远，但没人真正知道答案。 “我们造工具，造外部器官来帮我们解决问题。我们有外部胃，叫厨房。现在我们正在创造外部大脑。外部大脑意味着什么？影响相当深远，其实没人真正知道。” 💡 纯粹智能只是没有轮子的发动机 Bryan 不认同奇点理论，因为智能的维度太多。国际数学奥林匹克冠军未必能当好 CEO，音乐人的智能可能是 PhD 理解不了的。智能的影响力取决于它被放在什么环境里。 “纯粹的智能有点像发动机的马力，但一台没有轮子的发动机，光在那转，哪儿也去不了。” 💡 任务是老板，不是组织架构 NVIDIA 内部有大约 10 个团队深度参与 Nemotron 的构建，分布在从 GPU 设计到企业软件的不同部门。协作方式不是靠层级命令，而是靠共同的任务目标把大家凝聚起来。 “我们总喜欢说，任务是老板，而不是组织架构。但这意味着，大家必须自己摸索出协作的方式，这很有挑战性，因为人类天生就是部落动物。” 💡 研究需要自举，而不是等资源到位 每个研究员都相信只要给自己 1000 倍 GPU 就能改变世界，但资源永远有限。Bryan 的解决哲学是“自举”：先做小的实验拿到信号，再一点点争取更多资源，通过快速迭代滚雪球。 “解决鸡和蛋问题的方法就是自举。这是一种迭代式的问题解决方法，你先做点小的，拿到某种信号表明这是个好 idea，然后告诉别人。接着你再多要一点点资源。” 💡 开放技术天生更安全，因为阳光更充足 在 AI 安全的争议中，Bryan 持一个不那么正统的观点：让更多人参与评估和贡献安全方案，比让一小群人替所有人负责安全更可靠。他引用了几百年来关于信仰自由和言论自由的历史教训。 “我认为开放技术通常更安全，因为阳光更充足。当有更多人思考一项技术的安全性、评估它，并为让它更安全做出贡献时，我觉得这天生就比让一小群人替所有人负责安全要更安全。” 💡 中国 AI 社区的开放对世界是件非常好的事 基于在百度工作的亲身经历，Bryan 驳斥了“中国 AI 进展全靠山寨”的刻板印象。他特别感谢中国同行多年来对开源生态的贡献，并鼓励其他地区的实验室也保持这种开放精神。 “中国 AI 社区对他们所构建的东西如此开放，这对世界来说是件非常好的事。我认为这让大量公司得以构建出没有那个社区就做不出来的东西，也推动了整个 AI 生态系统的技术进步。” ``` 🌐 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：知名播客《Huberman Lab》《Movement Practice to Strengthen Your Mind-Body Connection | Ido Portal》 原内容更新时间：2026-06-29 本期嘉宾是世界知名的运动教练、Movement Culture 创始人 Ido Portal，主持人是斯坦福大学神经生物学教授 Andrew Huberman。这期节目不是关于如何锻炼肌肉或提升耐力，而是一场关于如何通过运动、玩耍和有意识的觉察，来彻底重塑身心连接和自我认知的深度对话。 Ido 提出了一系列颠覆性的观点：纪律只是“脚手架”，真正的意志无法被发展，只能被暴露；玩耍不是不严肃，而是一种能让你在挑战面前保持柔软、从而走得更远的高阶能力。他详细拆解了如何利用睡眠与清醒之间的阈限状态、如何通过“微剂量”的练习来改变默认的行为模式，以及为什么“倾听你的身体”这句话其实是一种污染。 如果你正在思考如何打破僵化的身体与情绪图式，如何在信息过载的时代找回对注意力的掌控，或者想理解顶尖运动员和舞者持续寻求 Ido 指导的深层原因，这期节目会提供一套完全不同的身心练习框架。 👨‍⚕️ 本期嘉宾 Ido Portal，世界知名的运动教练和 Movement Culture 创始人。他以独特的身体与心智整合训练方法闻名，吸引了众多职业运动员、舞者以及寻求身心突破的普通人向他请教。他反对将运动简化为健身，主张通过探索动作的粒度、玩耍的心态以及对过渡状态的觉察，来实现深层的自我转变。 ⏱️ 时间戳 开场与核心理念 00:00 本期克隆节目介绍 01:11 纪律就像练倒立时用的墙，要用对方式 01:58 Andrew Huberman 介绍 Ido Portal 与 Movement Culture 02:54 本期核心议题：纪律、意志力与玩耍 阈限状态与睡眠的利用 04:31 Ido 醒来时的第一个念头 04:54 在睡眠与清醒的过渡状态中停留 06:03 普通人对状态的感知非常简化，粒度很粗 06:32 如何练习在入睡前“猛地左转” 07:24 半夜醒来体验半醒半睡的状态 07:58 Andrew 分享凌晨哀悼导师的经历 09:04 改变状态可以打开重新校准模型的机会 微剂量练习与冥想 09:49 Andrew 的睡前祈祷练习 10:17 微练习与长时间冥想的对比 10:49 冥想的目的是把状态提取到生活中 11:23 一个强大的练习：不要移开你的注意力 12:02 冥想初期焦虑增加，这恰恰是价值所在 12:43 焦虑是模型“约简不足”的状态 玩耍、纪律与意志力的本质 18:14 短片《Slo-Mo》与温和的欣快感 18:45 关于 Ido 的电影《The Internal Architecture of Practice》 19:07 玩耍与纪律的对比 20:04 纪律和动机是“脚手架”，不是意志本身 20:43 研究意志的前提：“我不想做这件事” 21:19 培养纪律，同时研究玩耍 21:53 敬畏的体验：冷水澡、仰望天空、读诗 23:12 Andrew 分享开车“蛇形绕桩”的玩耍体验 25:56 那些闪光灯式记忆的特质：高度临在 26:31 用玩耍的心态写书 28:01 倒立与墙的隐喻：拉开，而不是推开 29:08 意志永远不会被发展，它只会被暴露出来 30:56 纪律可以建立，意志只能被暴露 31:59 意志练习的第一个要求：等待不想做的时刻 32:35 不要激励自己，放松下来 33:11 在一天快结束时练习意志 33:36 意志就像“蚊子放屁”那么微弱 神经可塑性与玩耍的神经化学 37:38 玩耍能节省能量，甚至获得能量 37:47 神经可塑性由摩擦点触发 38:17 玩耍是另一种神经化学混合物 38:46 通过选择“想做”来改变自己 抵抗与抽离：在算法时代保护注意力 42:16 第三种状态：懒惰与懈怠 42:35 别让意识和身体被算法牵着走 44:19 如何用玩耍的心态做到抽离 45:10 删掉 App 是一种提前支付代价的方式 45:50 Ido 分享蹦极经历：越狱与软化 46:44 学会软化进去，最终可以留着那个 App 47:33 当刺激呼唤你时，先软化自己 身体分辨率与情绪粒度 48:29 粒度：身体分辨率的重要性 49:36 健身房训练丢失了孩童般的步态 50:14 情绪粒度与辨识力 50:53 读诗让你变得更复杂 51:17 眼睛比我们以为的更接近大脑 52:10 语言的危险：“脊柱”这个词毁了多少人的脊柱 语言、运动与觉知的尺度 53:00 高分辨率与低分辨率的语言、动作和觉知 53:17 情绪粒度：用更具体的词描述感受 54:07 知识分子的定义：在多个粒度层次上讨论 54:44 模糊性与不完整性：读寓言、看当代舞蹈 56:16 语言的粒度是限制因素，词语是腐败的 57:04 感官并不带来现实，它们模拟现实 迷幻剂、带宽与连接 57:47 迷幻剂带来带宽扩展 58:19 裸盖菇素增加脑区之间的连接 58:36 精神病与音联意联 日常生活中的运动练习 01:00:25 反驳“每天30分钟锻炼”的视角 01:00:37 你在听我说话时，是全身心投入的吗？ 01:01:01 范式转变：彻底改变看待身体的方式 01:01:23 AI 时代，身体将成为关键组成部分 认知的原始货币与边界划定 01:01:29 认知的原始货币是什么？ 01:02:06 最好的答案：划定边界，选择 01:02:42 在问题之下与系统互动 练习作为生活的学校 01:04:40 阿尔茨海默症与反馈回路 01:05:21 通过恢复运动来给自己做康复 01:05:49 生活不是为了活着，生活是为了练习 01:06:39 谁在练习、谁没有，是非常清楚的 情绪食物与养分 01:10:48 图式与胃的类比：你需要喂养它们 01:11:23 情绪食物：不适感、情绪矛盾、审美强度 01:12:15 克制也是重要的品质 思考的练习 01:12:49 思考仅仅是联想特质吗？ 01:13:43 Carl Deisseroth 强迫自己用完整句子思考 01:14:12 情绪能力是一个胃，在说：喂我 01:14:42 健身训练的运动质量非常低 01:15:10 运动员在向健身人群学习，这很荒谬 拮抗本质与多稳态 01:22:29 神经回路的拮抗本质 01:22:56 一切都是推拉关系 01:24:05 多稳态实体：复合节奏、格斗中的运用 01:24:52 Jorge Luis Borges 的短篇小说作为练习 01:25:34 泡热水澡读博尔赫斯：极度不适与敬畏的结合 01:26:06 感受真正的悔恨，不是为了自我鞭挞 关系作为共同练习 01:32:34 关系中的摩擦与存在 01:33:32 关系是一种共同练习的形式 01:34:27 决定成败的关键：不是性吸引力，而是练习 01:35:54 我爱那个热爱练习的人 01:36:22 Grateful Dead 与可卡因：当“我”凌驾于整体之上 01:38:11 我们在共享一种动态平衡，共享身体预算 音乐、运动与不可言说的真理 01:39:05 Bob Dylan 的歌词：触及神经系统的语言 01:40:02 运动中也有超越象征意义的审美价值 01:40:43 Tom Waits 对那种东西的掌握 01:41:23 魔法在于行动，魔法在于练习 01:42:15 现场看舞蹈表演跟看视频完全不同 模型的力量与转变 01:44:36 伟大艺术家：眼睛不像相机那样工作 01:45:27 所有模型都是错的，但有些是有用的 01:46:11 关于流体力学和身体流动性的模型转变 01:47:13 问题在于模型，改变模型，背痛可以消失 01:47:55 是关系，是它们如何关联 01:48:12 Moshe Feldenkrais：通过运动来觉察 01:49:09 匹诺曹错觉：改变是立刻就能获得的 01:50:19 与模型的互动比任何结构性方法都强大 新鲜感与不可逆的转变 01:51:32 新鲜感：一个瞬间可以不可逆转地转变你 01:52:19 我没有标记那些体验，它们从指缝间漏掉了 01:53:19 那些看似微妙的东西其实力量巨大 空中感觉与元动作 01:58:04 空中感觉：在空中定位和移动的能力 02:00:30 蹦床运动员是空中感觉的极端例子 02:03:08 速度与力量必须跟生理层面区分开 02:04:58 Bernstein 与苏联工厂实验：更多样的轨迹，更完美的结果 02:05:59 元动作：在任何条件下都能完成任务 02:06:59 Instagram 毁掉了真本事 滑板、混乱与真正的表现 02:07:41 滑板奖励从不同角度切入但落点精准 02:08:44 John Cardiel：混乱中的驾驭 02:09:49 美是副产品，不应该成为原因 02:10:59 花式足球 vs 世界杯：转变自己 vs 改变环境 02:11:43 MMA 选手：他们不是汽车修理工，他们是司机 02:12:21 滑板来自街头，一切都在变化 总结与感谢 02:13:50 Ido 本人就是允许不同切入点、最终精准抵达的体现 02:14:50 鼓励大家靠近那些微妙的涟漪和空间 02:15:04 感谢收听与节目支持信息 🌟 精彩内容 💡 纪律是墙，但你要学会从墙上拉开，而不是推开 Ido 用倒立练习的隐喻，精准区分了依赖纪律和善用纪律的本质区别。纪律应该像脚手架，帮你启动，但过程中必须带入玩耍和放松，否则你只是在强化依赖。 "这才是使用纪律的正确方式。你应该把它当脚手架用……但在过程里面，你必须确保不把全身重量压上去。" 💡 意志无法被发展，只能被暴露 我们常常把纪律误认为意志力。Ido 指出，纪律可以通过反复练习来增强，但真正的意志是一种隐藏的品质，它只会在你面对“不想做”的时刻，通过放松和探究来显现。 "一个人无法发展意志。意志永远不会被发展，它只会被暴露出来。能被发展的是纪律。" 💡 玩耍是另一种神经化学混合物 Andrew 从神经科学角度印证，玩耍带来的状态改变不同于靠肾上腺素硬扛。它更节省能量，甚至能获得能量，而且更能代表完整的你，而不是那个被纪律麻痹了一部分的你。 "玩耍是另一种混合物，它包含其中一些成分，但也包含其他东西……它似乎确实能打开一些东西，而且听起来是那么微妙。" 💡 在刺激面前，先软化自己 面对手机、社交媒体或任何让你分心的刺激时，不要强行对抗。Ido 的方法是：先认出它，然后软化自己的身体，放松，脸上挂上一点微笑，只有做完这些，才回到手头的任务上。这微小的额外一步，在重复成千上万次后会产生惊人的差异。 "当那个刺激呼唤你的名字时，你认出它，注意到它。你做的第一件事，是软化自己，放松，脸上挂上一点微笑。只有做完这些，你才回到手头的任务上。" 💡 生活不是为了活着，生活是为了练习 Ido 提出了一种根本性的视角转换：把整个人生看作一所学校，每一个时刻都是练习的机会。这不是要增加你的负担，而是让你已经拥有的生活变得更丰富、更有深度。 "生活不是为了活着。生活是为了练习。它是一个地方，是我们来到的一所学校。" 💡 所有模型都是错的，但有些是有用的 这句话是 Ido 反复使用的核心原则。无论是身体的生物力学模型，还是情绪的图式，我们都必须使用模型，但同时要认识到它们的局限性，并保持切换和更新模型的能力。改变模型，疼痛可以瞬间消失。 "所有模型都是错的，但有些是有用的。意思是，我需要在当下切换到有用的模型，并且明白这个模型本质上也是错的。" 💡 新鲜感可以不可逆转地转变你 我们总以为改变需要高容量、高强度的重复。但 Ido 指出，一个新鲜的瞬间——一个让事情看起来不同、感觉不同的瞬间——本身就具有不可逆的转变力量。关键在于，你要学会标记它，赋予它力量。 "一个新鲜的瞬间可以不可逆转地转变你……我没有停下来，通过对自己标记、通过把注意力放在上面，来赋予它们力量。我们关注什么，什么就会生长。" 💡 真正的表现拥抱混乱，而不是消除它 从滑板到 MMA，Ido 看到了一种共同的特质：真正的高手不是在追求完美的动作，而是在驾驭混乱，成为混乱本身，并从中制造秩序。美是副产品，不应该是目标。 "优雅之处在于，能够驾驭那种混乱，并成为混乱本身，而不是去控制它，去从中制造秩序。" ``` 🌐 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：知名播客《The Pragmatic Engineer》的 How Kent Beck shapes the software engineering industry 原内容更新时间：2026-07-01 本期嘉宾是软件工程领域的传奇人物 Kent Beck，主持人是《The Pragmatic Engineer》的作者 Gergely Orosz。这期节目是 Kent Beck 首次在播客中完整回顾他从 70 年代入行至今的整个职业生涯，从早期接触 Smalltalk、发明测试驱动开发（TDD）和极限编程（XP），到参与起草敏捷宣言，再到加入 Facebook 的“失去的十年”与重生。 但这场对话远不止是怀旧。在 AI 编码工具（Kent 称之为“Genie”）席卷行业的当下，Kent 用他近 50 年的从业视角，对“编程会消失吗”、“AI 时代的信任危机”、“为什么敏捷变质了”等问题给出了极其坦率且高密度的回答。如果你想知道在 AI 狂飙突进时，一个塑造了现代软件工程的人如何重新思考这一切，这期节目会给你带来巨大的启发。 👨‍⚕️ 本期嘉宾 Kent Beck，极限编程（XP）创始人、测试驱动开发（TDD）先驱、JUnit 联合创作者、敏捷宣言首位签署人。他是过去 40 年中对软件工程实践影响最深远的工程师之一，长期关注软件开发中的人性、沟通与信任。近年来，他活跃于 AI 辅助编程领域，提出了“探索-扩张-提取”（3X）模型，并持续在 newsletter 中分享他对 Genie 时代的实验与反思。 ⏱️ 时间戳 开场与软件工程的本质 00:00 欢迎收听跨国串门计划 01:11 软件工程里，人的部分才是最难的 03:59 对“编程会消失”的回应：这话出自不懂软件工程的人 04:58 我们积累代码的速度，超过了积累信任的速度 06:16 宇宙级的恶作剧：你不仅要搞懂电脑，还得搞懂人 从 70 年代到 Smalltalk 的启蒙 07:23 第一次接触电脑：父亲带回家的可编程计算器 11:34 大学时光：在计算机科学与音乐之间摇摆 14:08 第一份工作：加入 Tektronix 15:02 爱上 Smalltalk：对创造精神的计算机支持 17:53 Smalltalk 的兴衰：为什么它最终沉寂了 与 Ward Cunningham 共事与设计模式的诞生 21:36 与 Ward Cunningham 的相遇与合作 23:54 24 岁的愣头青与大师级程序员的键盘传递 29:57 设计模式的灵感来源：Christopher Alexander 的建筑理论 31:38 第一次用设计模式赋能测试工程师 Apple 岁月与 SUnit 的发明 34:34 加入 Apple 的 Smalltalk 项目 38:08 转投 Alan Kay 的 Playground 项目，最终被解雇 39:37 CRC Cards：如何内化面向对象程序 42:55 SUnit 的诞生：为了缓解焦虑而写测试 极限编程（XP）与测试驱动开发（TDD） 49:35 克莱斯勒项目：极限编程的孕育之地 54:02 为什么叫“极限编程”？向权威竖中指 58:55 TDD 的重新发现：一个蠢到让人发笑的主意 01:03:11 TDD 为何过时？它被当成了道德大棒 敏捷宣言及其后续 01:04:30 敏捷宣言的诞生：Snowbird 会议 01:07:09 宣言框架在休息间隙被敲定 01:08:09 敏捷宣言的立竿见影与“敏捷”一词的隐患 01:11:25 敏捷的变质：从方法论到卖狗皮膏药 Facebook 的黄金年代与“失去的十年” 01:14:12 互联网泡沫破裂与 9·11 后的崩溃 01:18:07 2002 到 2011：失去的十年 01:19:06 加入 Facebook：50 岁传奇置身 24 岁的工程师海洋 01:21:18 TDD 课无人问津：阿根廷探戈和 Excel 课都满了 01:22:42 Facebook 的瑞士奶酪模型：多层反馈替代单元测试 01:27:45 新人训练营期间，不小心一年省了 500 万美元 01:29:22 Facebook 的 50-50 目标：完成一半目标拿 A+ 01:30:45 Good to Great 教练计划：加速工程师职业发展 AI 时代与软件工程的未来 01:35:29 为什么总有人想取代开发者？因为我们有时候挺混蛋的 01:38:08 Genie 时代：开发速度加快，但商业节奏没变 01:40:16 从开拖拉机到坐进赛车：业务流程没准备好 01:42:32 给软件工程师的建议：没人知道，去试 01:42:57 探索-扩张-提取（3X）模型：我们回到了探索阶段 01:47:33 最让 Kent 兴奋的事：Genie 带回了创作的冲动 结尾 01:50:55 在布达佩斯面对面录制的特别节目 01:51:23 积累代码的速度比积累信任更快 🌟 精彩内容 💡 “我们积累代码的速度，超过了积累信任的速度” Kent 指出，编程不仅是敲代码，更是建立信心、连接和理解的过程。当 AI 瞬间生成大量代码时，我们跳过了通过理解领域、编写测试来建立信任的步骤，这会导致软件大厦建立在沙滩上。 “我们积累代码的速度，超过了积累信任的速度。” 💡 “这简直是宇宙级的恶作剧” 许多像 Kent 一样不善社交的年轻人被许诺“只要搞懂电脑就行”，但后来发现改变世界的能力取决于沟通、共情和说服他人。软件工程里，人的部分才是最难的。 “我被许诺说，只要搞懂电脑就行，结果呢，开玩笑的，你得去理解人。” 💡 “永远去试你的蠢主意” TDD 的诞生源于 Kent 在写代码前先写测试的“蠢主意”。他鼓励低成本、可逆的实验，因为 100 次里有 99 次会失败，但成功的那一次，你不会有任何竞争对手。 “你脑子里冒出一个蠢主意，100 次里有 99 次会失败，但就那一次，你不会有任何竞争对手，因为没人蠢到去试这个主意。” 💡 “没人知道” 当被问及 AI 时代的最佳实践时，Kent 直言不讳：现在没人知道什么真正有效。面向对象编程花了 15 年才总结出敏捷宣言，而 AI 工具每周都在变，现在写宣言为时过早。唯一正确的做法是去试，然后分享结果。 “不是说存在一套关于 Genie 开发的秘密手册，只要我花一百万美元就能拿到。它根本不存在。” 💡 “我是摇树的人，不是做果冻的人” Kent 用这句 Jesse Jackson 牧师的话形容自己：他热爱启动新事物、探索未知，而不是把成果封装成固定的产品。这也是他在 AI 时代如鱼得水的原因——Genie 让他能不断推倒重来，尝试攒了 40 年的想法。 “我喜欢摇树，喜欢把事情启动起来。” 💡 “敏捷”这个词没法反驳，所以毫无意义 Kent 当年反对用“敏捷”一词，因为没人会说“我不敏捷”。相比之下，“极限编程”要求你真正投入技能打磨，否则你绝不会自称极限程序员。他预言了“敏捷”最终会变成人人挂在嘴边却毫无意义的标签。 “每个人都会说自己敏捷，而‘极限’就没有这个问题。” 💡 Facebook 的 50-50 目标 在 Facebook 的黄金年代，如果你完成了所有设定的目标，大家会觉得你在藏拙；如果你完成了一半，就能拿到 A+；如果一个都没完成，就直接走人。这种机制鼓励工程师冒更大的风险。 “如果你完成了所有设定的目标，大家会觉得你在藏拙，不够努力，冒的风险不够。” 💡 教练的作用是制造有益的、让人不舒服的状态 Kent 在 Facebook 的 Good to Great 教练项目中，拒绝做“拍拍头说一切都会好起来”的导师。他认为真正的成长发生在不妥协的反馈中，这种互动方式直接塑造了 Facebook 前 1% 的顶尖工程师。 “教练的作用就是发现并制造有益的、让人不舒服的状态。” ``` 🌐 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：知名商业播客《My First Million》He Went From $20K to $70M Using a Strategy Anyone Can Learn 原内容更新时间：2025-12-22 本期嘉宾是个人投资者 Chris Camillo，主持人是 Shaan Puri。Chris 提出了一套完全反传统的投资方法，他称之为“社交套利”或“观察型投资”。他不看估值、不看市盈率、不做技术分析，而是通过观察现实世界和社交媒体上的行为变化，寻找市场尚未定价的信息差。 这期节目是一场对传统投资观念的彻底挑战。Chris 详细拆解了他从 2 万美元起步，在近 20 年里取得年化约 75% 回报的核心逻辑，并复盘了 Beacon Roofing、E.l.f. Cosmetics、Palantir 以及疫情期间的多笔经典交易。如果你对“信息套利”如何运作，以及一个普通人如何与华尔街巨头竞争感兴趣，这期内容会提供一套完全不同的思考框架。 👨‍⚕️ 本期嘉宾 Chris Camillo，个人投资者、作家、Dumb Money Live 联合主持人。他并非金融科班出身，却凭借一套自创的“社交套利”投资方法，在近二十年里将 2 万美元初始资金做到了约 7000 万美元的收益。他也是《Laughing at Wall Street》一书的作者，长期致力于向普通投资者普及观察型投资的理念。 ⏱️ 时间戳 开场与投资哲学 01:13 核心观点：做对一笔大交易就能成为前 1% 的投资者 01:20 投资中最重要的事：根本不看估值 01:26 不看市盈率，只看有没有新信息 01:29 大部分 alpha 来源：读 TikTok 评论 01:33 巴菲特读穆迪手册，Chris 刷 TikTok 评论 01:46 打破所有投资规则：试图跑赢市场、用杠杆、频繁交易 从车库拍卖到华尔街 02:32 2007 年从 2 万美元起步 02:42 社交套利投资的本质：观察型投资 02:47 寻找世界上任何变化：消费行为、文化、技术、天气、政治 03:17 最纯粹的形式下，不需要知道股价 03:39 在信息不对称时进场，在信息对称时离场 04:39 主持人要求多举几个例子 05:12 确认 2 万变七八千万的真实性 05:32 17 年年化回报率约 75% 05:48 童年从车库甩卖开始的套利训练 06:44 在旧货甩卖和遗产拍卖里做套利 07:05 遗产拍卖的盲区：年长女性不懂男性物品的价值 07:42 Snapple 冰茶案例：7-Eleven 货架位置变化 08:28 用看跌期权做空 Snapple，300 美元翻三倍 08:57 华尔街专业人士被噪音分心，看不见简单的事 经典交易案例拆解 12:25 寻找尚未被定价的变化 12:35 80 到 90 个以上成功案例 12:52 Beacon Roofing 案例：用 Google Trends 追踪屋顶维修搜索 13:18 华尔街用保险报告分析冰雹损失，但延迟五六周 14:11 某年冰雹季搜索峰值是往年三倍，重仓看涨期权 15:36 E.l.f. Cosmetics 案例：美妆博主 Jeffrey Star 的视频 15:59 股价从 7 美元涨到 170 美元 16:20 在 CVS 站一整天观察消费者抢购 16:47 打电话给华尔街分析师，对方问“Jeffrey Star 是谁？” 17:30 每晚花三到四小时刷 TikTok 评论区 与华尔街的竞争 17:48 被“严肃投资者”嘲笑：刷 TikTok vs 读财报 18:09 关键问题：你想跟谁竞争？ 18:28 不想跟数学家比技术分析，也不想跟哈佛毕业生比财务分析 19:03 去竞争对手不愿意去的地方寻找优势 19:23 华尔街用交易数据，Chris 用对话数据 20:05 人们在买东西之前会先聊这件事 20:30 在销售数据证实之前，就能衡量兴趣深度 Twitter 热门话题与 Ticker Tags 21:10 Twitter 热门话题标签的诞生故事 22:10 关注变化量：平时没人提津巴布韦，突然大量提及 23:18 建立 Ticker Tags 平台，监测 150 万个词条 23:56 史莱姆案例：DIY 史莱姆流行 → Elmer's glue → Newell Brands 24:43 把平台卖给对冲基金和卖方银行 25:40 华尔街对对话数据几乎没兴趣 26:25 对冲基金缺乏能解读对话数据的二十多岁女性员工 Sphere 与 Palantir 交易 27:47 Sphere 的 Wizard of Oz 交易 27:57 2025 年最大盈利之一，靠读上线 48 小时的评论 28:07 Sphere 当年涨了 114% 28:28 其他散户开始数座位销售情况 29:08 公司宣布增加演出场次，上调盈利指引 35:23 Palantir 交易：30 美元时用难以置信的杠杆全仓杀入 36:12 大家根本没搞懂 Palantir 在 AI 浪潮里的位置 36:57 估值无关紧要，不看市盈率 37:24 Palantir 从 30 涨到 160 以上 第一个一百万与最大错误 29:30 赚到第一个一百万的时刻 30:15 写书《Laughing at Wall Street》 30:59 2 万美元变 200 万美元，三年一百倍回报 31:03 怀疑自己是不是统计偏差里的异常值 31:39 观察型投资的本质：比别人快一点发现重要信息 32:23 连续 18 年平均总资产回报率约 70% 32:49 操作层面：利润是取出还是再投入？ 33:05 最大的错误：把公开市场盈利抽出来投进私募市场 34:30 彼得·林奇：“别剪掉鲜花去浇灌杂草” 疫情交易：一生一次的机会 39:14 疫情期间连续亏损，亏掉投资组合的 30% 到 40% 39:22 用谷歌翻译看中国医学报告，评估病毒严重性 39:54 市场一度不接受新冠的严重性 40:06 一生中最大交易之一，年化回报约 370% 40:23 市场触底两天后选出 14-15 家本不该下跌的公司 40:39 受益股清单：Peloton、Shopify、亚马逊、露营车世界、Schwinn 自行车 41:37 把做空收益全部投入这 15 家公司的杠杆头寸 42:12 那一年在市场上赚了 3000 万 QSR 惨败：亏掉三分之一本金 42:21 疫情前做了这辈子最糟糕的交易 42:31 一笔交易亏掉三分之一本金 43:05 QSR 公司：汉堡王、Popeyes、Tim Hortons 43:25 汉堡王有 Impossible Whopper，Popeyes 有脆皮鸡肉三明治 44:10 Tim Hortons 是最大业务板块，但信息难以提取 44:36 Tim Hortons 随机交出史上最差季度之一 45:07 教训：高确信度交易必须做全面研究，一点懒都偷不得 当前关注与未来展望 46:44 当前最看好的 AI 标的：Bloom Energy 46:58 Bloom Energy 给数据中心供电的方式不同 47:21 能让数据中心提前 6 到 12 个月上线 48:52 未来三到四年盈利基本逐年翻倍 49:12 不会公开交易记录，不希望别人跟单 49:56 主持人 Shaan 的投资方式：指数基金 + 科技股 + 天使投资 普通人能做这件事吗？ 51:14 Shaan 质疑：“任何人都可以”和“每个人都能做到”有区别 53:24 Chris 回应：最大的问题是把钱分桶管理 54:14 你必须得有风险资本 54:37 每个人都应该有一个“大资金账户” 55:02 通过生活取舍攒风险资本：自己煮咖啡省的不是 5 美元，是 500 美元 56:07 高中毕业时是班里成绩最差的 25% 58:08 最大目标：激励地球上每一个人进入投资者阶层 58:13 解决财富差距的唯一办法 59:08 这条路对大多数人来说比创业更容易实现 01:00:33 即将进入富足时代，识别顺风和趋势同样适用于职业和创业选择 01:01:59 新公司：跟公务机行业有关 01:02:13 疫情那一年让我们看到未来：更多时间投入爱好和兴趣 🌟 精彩内容 💡 不看估值，只看有没有新信息 Chris 的投资体系完全抛弃了传统估值框架。他不关心市盈率、不关心股价，只关心是否存在市场尚未消化的新信息。当信息不对称消失，他就离场。 “我不看市盈率。我只看有没有新信息。” 💡 去竞争对手不愿意去的地方寻找优势 Chris 认为，普通人不可能在数学上赢过量化基金，也不可能在财务分析上赢过哈佛 MBA。但他发现了一个被华尔街忽视的数据金矿：人们在社交媒体上的日常对话。 “你得去你的竞争对手不愿意去的地方寻找优势。” 💡 人们在买东西之前会先聊这件事 这是 Chris 整套方法论的核心前提。交易数据是滞后的，而对话数据是实时的。在销售数据证实之前，你就能从评论和讨论中衡量出兴趣的深度。 “有几十亿人每天都在聊他们感兴趣的东西……你其实可以在销售数据证实之前，就衡量出人们对无数事物的兴趣深度。” 💡 估值对我来说无关紧要 在 Palantir 30 美元时，市场普遍认为它被严重高估。但 Chris 看到的是即将上线的新信息会吸引一整套全新的投资者。他押注的是信息扩散的过程，而非当前的估值水平。 “我只看一件事：Palantir 即将有一批新信息上线，会吸引一整套全新的投资者进来。” 💡 别剪掉鲜花去浇灌杂草 Chris 反思自己最大的错误：把年化 70% 的公开市场盈利，持续抽出来投进年化只有 10% 出头的早期风险投资。他用彼得·林奇的这句话来总结这个代价高昂的决策。 “别剪掉鲜花去浇灌杂草。” 💡 你省的不是 5 美元，是 500 美元 Chris 鼓励普通人通过生活取舍来积累“风险资本”。如果你相信自己的投资能力能让钱翻 100 倍，那么今天省下的每一块钱都相当于未来的 100 块。 “你会自己煮咖啡，因为你不是省了 5 美元，而是省了 500 美元。” 💡 我想激励地球上每一个人进入投资者阶层 Chris 做所有公开内容的终极使命不是卖课或募资，而是让更多人意识到：财富差距是可以解决的，办法就是让更多人开始投资。 “收入差距是没法解决的……但财富差距是可以解决的问题，办法就是让更多人进入投资者阶层。” ``` 🌐 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：知名商业播客《Acquired》在2026年6月的一期深度节目，由主持人Ben Gilbert和David Rosenthal共同呈现。他们以研究伟大公司的故事与策略而闻名，这一期他们终于将目光投向了娱乐巨头——华特·迪士尼公司。 原内容更新时间：2026-06-23 本期节目聚焦于华特·迪士尼本人执掌公司的时代，探讨了迪士尼如何从一个在堪萨斯城起步的小工作室，通过一系列看似疯狂的豪赌，最终建立起一个独一无二的商业飞轮。主持人Ben Gilbert和David Rosenthal深入迪士尼档案馆，翻阅了原始合同、员工年报和IPO招股书，还原了这家公司从“迪士尼兄弟卡通工作室”到全球娱乐霸主的惊人历程。 这不仅仅是一个关于动画和米老鼠的故事，更是一部关于技术创新、商业模式发明和创始人执念的史诗。你将听到同步声音技术如何让米老鼠一炮而红，第一部长篇动画电影《白雪公主》如何差点让公司破产，以及一个对模型火车的痴迷如何最终催生了迪士尼乐园。如果你对IP生意、飞轮效应，以及一个创始人如何一次次押上全部身家感兴趣，这期节目会给你带来极大的启发。 👨‍⚕️ 本期嘉宾 本期节目由《Acquired》的两位创始人Ben Gilbert和David Rosenthal主持。Ben Gilbert是Pioneer Square Labs的联合创始人，David Rosenthal是早期风险投资公司Worldly Partners的合伙人。他们以深度剖析伟大公司的商业策略而闻名，擅长将复杂的商业史讲得引人入胜。 ⏱️ 时间戳 开场与节目介绍 00:00 欢迎收听跨国串门计划 00:34 本期克隆节目介绍：Acquired 深度解读华特·迪士尼公司 02:02 欢迎来到 Acquired 2026 年春季篇 03:07 本期重点：迪士尼独一无二的商业成功 华特·迪士尼的早年生涯 06:35 1901年芝加哥：华特·迪士尼出生 07:02 屡屡碰壁的父亲与有钱的叔叔 07:43 马瑟林农场：华特一生中最重要的地方 08:57 玛吉婶婶的礼物：艺术与商业的第一次连接 10:34 务农失败，全家搬往堪萨斯城 11:34 一战期间去法国当救护车司机 11:56 1919年回到堪萨斯城，立志成为职业漫画家 第一次创业与动画的萌芽 12:43 遇见联合创始人 Ub Iwerks 13:14 成立 Iwerks Disney Commercial Artists 13:58 加入堪萨斯城幻灯片公司，爱上动画 16:36 自制动画短片 Laugh-O-Grams 18:37 1922年创立 Laugh-O-Gram Films，再次失败 20:44 破产后投奔好莱坞的哥哥罗伊 爱丽丝喜剧与迪士尼的正式起步 21:42 初到好莱坞的碰壁与假名片混进环球影城 22:56 重拾动画，寄出《爱丽丝梦游仙境》 24:43 与 Margaret Winkler 签下第一份大合同 26:32 1923年成立迪士尼兄弟卡通工作室 Oswald 的惨痛教训与米老鼠的诞生 27:23 1927年 Oswald the Lucky Rabbit 大获成功 30:03 工作室更名为华特迪士尼工作室 32:07 Mintz 的背叛：动画师被挖走，Oswald 版权归环球 34:19 一夜之间，企业价值归零 36:41 火车上的灵光一闪：米老鼠诞生 37:07 米老鼠诞生的两个版本 39:12 前两部米老鼠短片无人问津 声音技术带来的革命 39:41 灵感来源：第一部有声片《爵士歌手》 40:50 商业模式教训：利用新技术实现跨越 41:27 搞到 Cinephone 录音系统 41:42 第一次放映同步声音版米老鼠 43:15 《蒸汽船威利》的制作噩梦 44:29 1928年11月18日，《蒸汽船威利》首映 45:07 发行商的拒绝与“救生圈”品牌的教训 46:58 Pat Powers 挖走 Ub Iwerks，但这次迪士尼赢了 知识产权飞轮的诞生 48:03 米老鼠俱乐部的意外起源 50:46 1930年推出每日连载米奇漫画 52:04 周边与消费品：从300美元的授权开始 53:35 Kay Kamen 接手，周边业务爆发 57:07 米老鼠手表卖出250万只 57:45 一种全新的商业模式诞生 58:18 迪士尼飞轮的诞生 58:25 “飞轮”其实是个误称 59:28 飞轮模式为何如此有效 《白雪公主》：迪士尼的蠢事 01:06:25 创作好莱坞第一部动画长片的疯狂想法 01:07:41 外号“迪士尼的蠢事” 01:08:12 罗伊试图劝阻：这会搞垮整个工作室 01:08:50 动画电影制作流程详解 01:22:32 三年时间、150万美元的制作费 01:23:22 两百万张草稿、二十五万张成品画稿 01:24:47 1937年12月21日首映 01:24:56 奥斯卡专门为白雪公主设立特别奖 01:27:32 常见误解：白雪公主的利润去哪了 01:27:47 电影价值链拆解：钱从哪里来？ 伯班克新工作室与二战危机 01:32:24 建造动画师天堂：伯班克新园区 01:33:33 华特的乌托邦梦想 01:37:09 园区建设成本300万美元 01:37:39 同时批准《木偶奇遇记》《小鹿斑比》《幻想曲》 01:38:58 《木偶奇遇记》惨败，欧洲市场消失 01:39:51 1940年首次出售公司股权（IPO） 01:41:45 现金危机与员工动荡 01:42:51 1941年大罢工：华特最黑暗的时刻 01:45:06 华特那场灾难性的三小时演讲 01:46:43 华特逃往拉丁美洲，罗伊解决罢工 01:47:51 工作室从此再也没能完全恢复 二战与迪士尼金库 01:51:45 珍珠港事件，美军进驻工作室 01:53:54 为政府制作宣传片，唐老鸭冲在最前面 01:55:44 1944年重新上映《白雪公主》，迪士尼金库诞生 01:57:02 华特的金句：七年一代新观众 战后低谷与《灰姑娘》的反弹 01:59:52 战争结束，政府收入断了 02:00:21 尝试合集、真人动画结合，都不算成功 02:00:58 市场竞争出现：华纳《乐一通》、米高梅《猫和老鼠》 02:02:35 华特下最后通牒：不回到动画就卖公司 02:03:02 1950年《灰姑娘》上映，八年来第一部动画长片 02:04:49 口碑和商业上的巨大成功 华特的新痴迷：火车与微缩模型 02:06:49 华特在玩火车 02:07:48 对火车和小镇美国的深重情结 02:09:18 砸5万美元在自家后院建铁路 02:10:33 历史学家的评价：一个我可以重新掌控的世界 迪士尼乐园的诞生 02:10:59 从火车痴迷到迪士尼乐园 02:11:37 最初想法：16英亩地，150万美元 02:12:57 罗伊和董事会毫无热情 02:13:29 华特成立私人公司 WED Enterprises 02:15:07 伯班克地太小，市议会否决 02:16:01 雇 SRI 斯坦福研究所寻找完美地点 02:17:37 需要一大笔钱，华特回去找公司 为乐园融资：拥抱电视 02:24:38 华特做了一件没人敢做的事：拥抱电视 02:26:09 ABC 排第三，急需内容突围 02:29:09 ABC 投50万股权，担保450万贷款 02:30:08 合同定死开园日期：1955年7月17日 02:30:32 电视节目火得一塌糊涂 02:32:01 Davy Crockett 引爆全美 02:32:26 浣熊皮帽卖出1000万顶，主题曲冲上排行榜第一 迪士尼乐园开园 02:36:27 1955年7月17日，迪士尼乐园开园 02:36:46 乐园的开发：Herb Ryman 一个周末画出全景图 02:38:28 建乐园只用了11个月 02:40:37 筑起20英尺高土堤，把乐园与外界隔开 02:42:29 65家企业赞助商 02:44:00 开园日：混乱中的巨大成功 02:45:15 ABC 22台摄像机直播，8300万人收看 02:46:38 第一年游客量360万 迪士尼乐园的复杂股权 02:50:24 华特个人公司 WED 拥有铁路和单轨列车 02:52:52 1965年 Imagineering 被整合进公司 02:53:35 直到1982年，公司才完全买回所有权益 飞轮的第五个要素 02:54:40 电视和乐园给飞轮加上第五个要素 02:56:44 1957年纽交所上市 02:57:23 《华尔街日报》头版文章与著名的飞轮图 02:58:50 罗伊的金句：整合是我们这里的关键词 02:59:26 1958年就在为四年后才上映的《睡美人》造势 Epcot：华特最后的狂想 03:07:19 华特觉得太稳了，又想全押 03:07:50 下一个梦想：建一整座城市 03:09:12 1964年纽约世博会作为秘密试验场 03:11:23 Epcot 的疯狂构想：穹顶城市、单轨列车、地下隧道 03:12:40 1965年宣布佛罗里达项目，买了27000英亩地 03:13:32 华特生前倒数第二次公开露面 03:15:07 1966年12月15日，华特·迪士尼去世 华特去世后的迪士尼 03:16:26 罗伊将项目改名为华特迪士尼世界 03:17:37 花4亿美元建魔法王国，没有负债 03:19:15 华特去世后，公司停止了豪赌 03:19:38 电影业务衰落，全靠主题公园撑着 03:22:23 美国的神话制造转移了：卢卡斯、斯皮尔伯格 03:24:16 1984年，企业狙击手盯上迪士尼 03:25:06 三个外来者即将上演史上最伟大的翻身仗 分析与总结 03:25:54 核心问题：为什么没人能复制迪士尼的IP飞轮？ 03:27:15 动画是极其关键的 03:32:37 七种力量框架分析 03:36:04 Ben 的精髓总结：一批有凝聚力的IP 03:36:57 David 的精髓总结：艺术与商业的结合 🌟 精彩内容 💡 艺术与商业的第一次连接 在马瑟林农场，六七岁的华特为邻居画了一匹马，得到了五分钱报酬。这件事在他心里种下了一颗种子：画画不仅能带来快乐，还能挣钱。这种将艺术与商业结合的本能，后来驱动了他的一生，也驱动了整个迪士尼公司。 "他想，我的爱好，我的画，居然能挣钱。" 💡 动画行业太新了，我很快就能做到世界顶尖 华特很早就意识到，动画是一个全新的艺术形式，竞争远不如传统绘画激烈。这种对“蓝海市场”的直觉，让他和Ub Iwerks敢于在堪萨斯城这个小地方挑战纽约的动画巨头。 "因为整个动画行业太新了，他觉得自己很快就能做到世界顶尖水平。" 💡 从惨痛教训中诞生的品牌意识 当发行商拿着Lifesavers糖果对华特说“公众不认识你的老鼠”时，华特虽然愤怒，但他接住了这个教训。从此，每一部米老鼠短片都醒目地打上“华特·迪士尼出品”，把自己做成了动画界的“救生圈”品牌。 "从今以后，观众如果喜欢这部片子，他们就会知道华特·迪士尼这个名字。" 💡 我们想做爵士乐队，不想做军乐队 虽然这句话是后来Notion CEO Ivan Zhao说的，但华特·迪士尼的组织哲学与之惊人地相似。他招募最有才华的动画师，给他们创作自由，同时用自己极致的品味去把控方向。伯班克工作室的设计——每个动画师都有朝北的窗户以获得最完美的光线——就是这种理念的物理体现。 💡 你必须豁出去、全力以赴 在决定制作《白雪公主》时，华特说了一句代表他一生哲学的话。他从不做平庸的产品，每一次都是押上全部身家的豪赌。这种“要么全赢、要么输光”的风格，让迪士尼一次次濒临破产，也一次次创造出前所未有的奇迹。 "我们认定只有一条路能成功做好白雪公主，那就是豁出去、全力以赴。在资金、人才和时间上绝不妥协。" 💡 七年一代新观众 1944年，迪士尼在资金极度紧张时被迫重映《白雪公主》，却意外发现了“金库”模式的威力。华特后来总结，每七年就有一代新孩子长大，他们从没看过这些经典。这个无意中撞上的周期，成了迪士尼IP运作的核心节奏，一直延续到今天。 "自我们第一次重映以来的八年里，我们的潜在观众增加了2500万儿童。" 💡 迪士尼乐园是100%关于过去和未来，0%关于当下 华特刻意将乐园设计成一个完全脱离现实烦恼的空间。这里有美国小镇大街的怀旧，有明日世界的科幻，有幻想世界的魔法，唯独没有“现在”。这种设计让游客能彻底沉浸，创造出一种独特的、让人愿意待上一整天的愉快体验。 💡 华特去世后，公司99.95%的价值才被创造出来 这是一个令人震撼的数据。华特用一生建起了这家公司，但今天迪士尼的市值，99.95%都是在他1966年去世之后才产生的。这既说明了他打下的基础有多牢固，也暗示了后来者（比如即将在第二部分登场的Eisner和Iger）创造了多么惊人的增长。 ``` 🌐 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：知名商业与投资播客《Invest Like The Best》Inside the $5B Company Building the Hardware to Make AI Cheap for Everyone 原内容更新时间：2026-06-30 本期嘉宾是AI芯片公司Etched的两位联合创始人Gavin Uberti和Robert Wachen。三年前，他们还是两个试图说服怀疑者的哈佛辍学生，声称自己能造出比全球最大半导体公司更好的推理硬件。今天，Etched已融资8亿美元，签下超过10亿美元的客户合同，并成功流片了一款为后ChatGPT时代设计的芯片。 这期节目不只是Etched的创业故事，更是一场关于AI推理市场未来的深度对谈。Gavin和Robert详细拆解了他们的核心技术路线——低电压推理和集群级内存，解释了为什么推理将成为全球最大的市场，以及他们为何选择造整机柜而非仅仅一颗芯片。如果你正在思考AI硬件的未来、创业公司如何挑战巨头、以及如何构建一家能持续产出顶尖产品的公司，这期会提供大量一手经验和高密度判断。 👨‍⚕️ 本期嘉宾 Gavin Uberti和Robert Wachen，AI芯片公司Etched的联合创始人。两人从哈佛退学，在短短几年内筹集了8亿美元，试图打造比行业巨头更高效的推理硬件。Gavin曾在高中时战胜骨癌，这段经历深刻塑造了他对生命和事业的看法；Robert从17岁起就在AI芯片公司做kernel开发，亲历了多家公司被收购的过程。他们带领Etched成为目前唯一一家既自己造芯片又自己造整机架的创业公司。 ⏱️ 时间戳 开场与创业起点 01:15 推理将是全球最大的市场 01:56 三年前没人相信两个21岁的年轻人能做成芯片公司 03:03 需要一定程度的“天真”才能挑战巨头 04:52 两类人：凭经验否定 vs 愿意深入验证 06:59 不只是造芯片，而是做完整的推理解决方案 核心技术赌注 07:19 推理的两个关键环节：pre-fill和decode 08:29 认真研究过各种架构，发现天下没有免费的午餐 09:08 真正重要的指标：实际负载下的flops利用率 10:04 登纳德缩放定律与低电压推理的突破 11:27 decode完全是一场内存游戏 12:07 集群级内存：自建定制互联协议栈 12:55 这些架构都是在ChatGPT出现之前构建的 为什么推理如此重要 13:51 归根结底是生产力问题 14:35 今天让十亿人同时使用这些模型根本不可能 16:11 token还没有像iPhone那样的规模经济 17:03 有些产品如果太慢，根本没法用 创始人的个人故事 18:14 Gavin的高中经历：骨癌四期，存活率不到30% 19:29 GPT-4V一眼认出肿瘤，而医生花了六个月 20:44 运营创业孵化器，发现所有公司都在烧钱买算力 21:59 Robert的第一份工作：17岁做kernel开发 23:03 高中机器人比赛：两人团队拿下世界纪录 构建公司的哲学 24:26 赢是靠交付产品，不是靠最好的外联 25:10 最好的供应商就是没有供应商 27:10 人才理念：寻找“传奇人物” 27:47 第一次聊就说“好”的人很少，聊到第二十次之后说“好”的人很多 29:00 Brian在英伟达创立了HGX和DGX团队，占其收入大头 29:36 “肩上有chip，才能把chip装进数据中心” 30:48 自我筛选：机会主义者不会来我们这儿工作 31:16 你得有点疯才愿意加入我们公司 速度与风险 32:51 供应商进度落后，派十几名工程师飞班加罗尔住六个月 33:57 24小时不间断开发，两边各跑12小时接力 35:03 两个关键技巧：找到优秀的人，快速做决策 36:24 最大的风险就是不承担风险 36:56 “预取”概念：芯片回来前把所有能做的事都做完 37:59 从拿到硅片到跑通推理只用了40天，行业标杆是10个月 供应链与生态 39:39 供应链最被低估的一点：必须去合作 39:59 台积电真正的价值全在服务上 40:39 电力供应和通电时间是关键因素 42:02 客户关心的是：在给定功耗下能服务多少用户 43:01 我们的硬件能在同等交互性下带来一个数量级的并发提升 模型与未来 44:39 用wall clock time思考：一年任务缩到一个月 45:51 底层还有巨大的空间：chip间延迟从4000纳秒到几纳秒 47:24 最好的kernel仍然是人跟AI协作写出来的 48:54 “选择战场”：不去做任意图编译器 49:49 垂直整合的边界：生产即产品 50:49 谁生产的token最多，谁就会成为世界上最有价值的公司 融资的至暗时刻 57:01 2024年初，银行里只有1500万美元，需要1亿 57:51 开始琢磨回哈佛复学有多难 58:18 硅谷所有主流投资机构当场就拒了 59:43 深夜坐在办公室里，怎么算账都算不平 01:00:59 那就是我们的A轮：1.03亿美元软承诺 不可能问题的解决 53:43 chip回来后发现跨时钟域反压逻辑出问题 54:16 需要把时钟信号对齐到50皮秒以内 54:23 有人直接辞职了，说“祝你们好运” 55:08 黑暗的两周，但把它做出来了 01:07:43 第一片晶圆测试，全是红色方块 01:08:32 “谜题开始了” 下一代与终极愿景 01:09:24 做三件事：最多flops、最低延迟、尽可能多生产 01:10:51 核心就是简单：去掉大量部件 01:12:46 机器思考的方式跟人不一样 01:17:00 全球正在走向推理占全球GDP大头的时代 01:17:17 今年是劳动力以人类为主的倒数第二年 01:19:04 绝对会看到单个数据中心价值一万亿美元 收尾 01:21:23 别人为你做过的最善意的一件事 🌟 精彩内容 💡 “谁生产的token最多，谁就会成为世界上最有价值的公司” Gavin和Robert对推理市场的判断极其清晰：推理将成为全球最大的市场，而token就是新时代的石油。他们所有的决策都围绕一个问题——怎么把最多的token产能上线。这个判断驱动了他们从芯片到整机柜的垂直整合策略。 “我们知道inference会是全球最大的市场。谁产出的token最多，谁就会是全球最有价值的公司。” 💡 “你得有点疯才愿意加入我们公司” Etched的人才筛选机制几乎是自我运转的。两个24岁的创始人、没流片过的产品、要挑战全球最大公司、设计方案不是好10%而是好10倍——这些条件天然筛掉了机会主义者，留下的都是真正相信这件事的人。 “你得说服家人搬到圣何塞，加入一家半导体公司，老板是两个现在24岁的年轻人，要跟全球最大的公司对着干，而且他们拿出的设计方案不是说好个10%，而是要好10倍。” 💡 “最大的风险就是不承担风险” 在AI推理市场每天超过10亿美元收入的背景下，每推迟一天出货就等于把大量机会扔在桌上。Etched的“预取”哲学就是把所有不需要芯片的事都在芯片回来前做完——从软件栈到机柜部署到FPGA集群验证，这让他们的bring-up时间从行业标杆的10个月压缩到40天。 “这个领域每天有超过10亿美元的收入，其中很大一部分来自inference。所以我们每推迟一天出货，就等于把大量机会白白扔在桌上。” 💡 “最好的供应商就是没有供应商” Etched是唯一一家既自己造芯片又自己造整机架的创业公司。他们从芯片到电路板、冷板、互联甚至生产环节都尽可能在内部完成，这既是为了性能，也是为了速度。这种极致的垂直整合让他们能并行推进所有事情。 “最好的零件就是没有零件。我觉得对我们来说，最好的供应商就是没有供应商。” 💡 “先假设它是可能的” 面对看似无解的技术难题——比如需要把时钟信号对齐到50皮秒以内——Etched的默认姿态是假设问题可解，然后倒推解决方案。有人辞职了，但留下的人找到了用漂移机制锁定相位的方法。这种心态贯穿了他们的整个创业历程。 “遇到这种问题，第一步是，好，我们先假设问题可解。那怎么解？” 💡 “生产即产品” Gavin和Robert对业务边界的判断非常清晰：除非为了达到巨大规模非做不可，否则不去碰技术栈的其他环节。他们不做数据中心、不做模型，但做整机柜、做CM模式，因为不上规模不行。这种聚焦让他们把精力押在最关键的赌注上。 “我们所有的决策，都围绕一个问题：怎么把最多的token产能上线？” 💡 “今年是劳动力以人类为主的倒数第二年” Gavin做出了一个大胆预测：到2027年，做知识工作的Agent数量将超过人类。他设想了一个世界，一个国家的能源大部分流向推理数据中心，而数据中心的能效决定了他们能有多少Agent，进而决定了劳动力规模。 “我认为今年是劳动力以人类为主的倒数第二年。我觉得到2027年，你会看到做知识工作的Agent数量超过人类。” ``` 🌐 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：知名播客《Dwarkesh Podcast》在 Jul 1, 2026 的一期深度对谈 Grant Sanderson (@3Blue1Brown) – AI and the future of math Grant Sanderson 是广受欢迎的数学科普频道 3Blue1Brown 的创始人，他正在制作一个记录人工智能在数学领域进展的新项目。这期节目主要探讨了人工智能在数学前沿的突破速度，以及这些进展对我们理解创造力、科学发现和未来工作意味着什么。 节目从 AI 在国际数学奥林匹克竞赛（IMO）上的表现切入，深入讨论了 AI 解决千禧年大奖难题的可能性，以及这背后更深层的问题：当 AI 能证明定理时，人类的角色是什么？Grant 通过伽罗瓦和群论的历史案例，精彩地阐述了数学中“提出好问题”和“创造新定义”的价值，这些往往比证明定理本身更重要，却难以被量化为基准测试。 对话还延伸到 AI 在写作、编程、学习等领域的局限性，以及数学家在 AI 时代可能转向“策展人”角色的未来图景。如果你对 AI 的能力边界、科学发现的本质、以及未来人类与 AI 的协作方式感兴趣，这期节目会提供极具深度的思考。 👨‍⚕️ 本期嘉宾 Grant Sanderson，全球知名数学科普频道 3Blue1Brown 的创始人。他以精美的可视化动画和清晰的讲解风格，将复杂的数学概念变得直观易懂，影响了无数数学学习者和爱好者。他正在制作一个记录 AI 在数学领域进展的新项目，深度关注人工智能如何改变数学研究的方式。 ⏱️ 时间戳 开场与AI在数学上的突破 01:10 嘉宾介绍与AI在数学领域的进展速度 01:34 三年前的预言：IMO金牌不等于AGI 02:23 为什么IMO题目其实是可以训练的 02:54 AI进展的“尖峰”特性：数学正好在尖峰上 03:11 AI在几何题上秒杀，组合题上挣扎 千禧年难题与AI的能力边界 03:55 解决千禧年难题是否意味着能胜任白领工作？ 04:20 跨领域知识连接的可能性 04:55 蒙哥马利与戴森的故事：偶然的跨领域连接 06:26 费马大定理的解法：需要构建理论的大山 07:16 如果AI能构建理论大山，智能水平就太高了 下一个基准：提出猜想与创造定义 07:50 移动球门：IMO金牌没有带来变革性影响 08:50 下一个基准：提出有趣的问题和新的概念化方式 09:28 好的数学家证明定理，伟大的数学家提出猜想 10:05 如何量化“提出好猜想”？这很难做成基准 11:05 数学家们对AI的语气在过去一年发生了变化 伽罗瓦、群论与可验证奖励的困境 12:17 提出新思考方式的价值：爱因斯坦与广义相对论 13:13 伽罗瓦与群论：验证循环长达100年 14:22 为什么伽罗瓦理论是完美的例子 14:41 五次方程求根公式的历史背景 15:56 拉格朗日：找到正确的提问方式 17:41 伽罗瓦的悲剧人生：在监狱里写下革命性想法 18:54 当时的学术界拒绝了伽罗瓦的论文 19:49 伽罗瓦去世后，想法花了40年才被认可 21:24 历史可能走向另一种可能：伽罗瓦被遗忘 22:01 群论的应用：盖尔曼预言夸克的存在 压缩即智能：如何衡量“优雅” 22:25 不以解决问题为标准，如何衡量进步？ 22:51 “压缩即智能”：表达越简洁越智能 23:14 黎曼猜想解法的第三种可能：纯粹靠硬算 23:36 用柯尔莫哥洛夫复杂度量化“优雅” 23:55 人类一直在做这件事，AI迟早也会做到 AI会否让数学变得不可理解？ 24:48 担心AI证明黎曼猜想但人类不理解 25:18 单位距离猜想反例：AI的推理是可理解的 25:43 解黎曼猜想的三种方式：连接、理论构建、蛮力 26:48 ABC猜想尝试性证明：异类的数学大山 27:31 David Bessis：《定理经济的衰落》 28:36 知道解是对的，会帮助人类理解 证明与解释的区别 29:16 Timothy Chow：“未解决的阐述性问题” 30:17 证明和解释之间有区别 30:51 概念化与想法本身真的有区别吗？ 31:16 提出新颖洞见的人往往也是优秀的阐释者 32:08 AI可能也会擅长解释和提炼 数学家的未来：策展人角色 32:34 Grant会一直做现在做的事直到死 33:10 数学家最终会变得更像美术馆策展人 33:55 Grant的角色可能转向策展方向 34:27 人类音乐家永远有一席之地，数学也一样 AI作为超级连接器 34:37 AI刚跨过连接想法的门槛，下一步是什么？ 35:16 广义相对论就是把黎曼几何和狭义相对论连接起来 35:41 朗兰兹纲领：一种研究精神 36:25 AI成为超级连接器的可能性 37:25 为什么自回归模型难以建立跨领域连接？ 39:20 从数据角度思考：设计环境激励连接能力 并行化与数字心智的优势 40:44 AI的关键优势：并行化和可扩展性 41:33 数字心智天生具备的优势 41:57 设计Agent之间的“偶然对话” 42:37 故意给不同Agent不同的上下文 43:03 IMO钓鱼题：需要跳出上下文才能解 44:24 系统性刷新思维：数字心智的优势 熵坍缩与系统性增加熵 44:59 人们对AI的担忧：熵坍缩 45:13 AI的关键优势：系统性尝试否定和证明 45:46 爱因斯坦的偏见：在prompt层面增加熵 46:34 科学不存在唯一正确的启发式方法 可反复尝试性比形式化更重要 47:20 为什么AI在计算机使用方面进展慢？ 47:38 可反复尝试性是关键，不只是可验证性 49:19 Lean对于AI目前的进步水平没那么重要 49:57 可反复尝试性比形式化更重要 50:34 Lean的未充分探索的好处：无限探索 52:08 数学独有的特性：按下启动键，十年后回来看 自然语言验证与过程监督 52:48 Karpathy的AutoResearch想法 53:32 人类数学研究就是一个不断扩展的图书馆 54:17 穷举搜索所有可能的代数系统 55:28 DeepSeek数学模型：自然语言验证的可行性 56:16 数学比其他领域更可能信任自然语言验证器 57:26 Lean的另一个意义：消除错误率 写作为什么比数学和编程更难 58:42 写作进展慢的原因：不擅长评判 59:17 写作不像代码和数学那样模块化 59:59 为什么代码能从“能用”进步到“干净”，写作不行？ 01:00:58 写作的关键在于洞察力 01:02:27 不可预测性是写作的核心 心智理论与AI的局限性 01:02:38 AI在构建人的心智模型方面特别差 01:02:45 教LLM写间隔重复提示卡的实验 01:03:19 写一张好卡片需要投射人的心智状态 01:04:15 肉毒杆菌实验：理解表情需要模仿 01:05:39 模型没有面部肌肉，像外星人在尝试共情 如何用LLM学习 01:07:17 用LLM学习的建议 01:07:58 “跟谁学”比“学什么”更重要 01:08:52 LLM的解释像维基百科，缺乏刻意构建的动机 01:09:14 把LLM当超级加强版Google用 01:10:14 最有收获的学习经历：先有人搭好枝干 01:11:17 LLM不擅长重新框定你的问题 给学生的建议 01:12:48 对想成为数学家的学生的建议 01:13:20 搞清楚钱从哪来、你创造什么价值 01:15:18 数学家的社会角色变化不大 01:16:03 教学是后AGI时代最稳定的工作之一 01:17:08 在疯狂的世界里，数学是AI走得最远的领域 数学加速的实际应用 01:18:03 AI做出来的数学到底有没有用？ 01:18:39 数学进展不均衡：代数数论vs偏微分方程 01:18:53 波音的例子：数学洞见省了几十亿美元 01:19:46 数学巨大突破不太可能立刻转化为经济突破 01:21:09 数学已经变得完全没用了吗？ 🌟 精彩内容 💡 “好的数学家证明定理，伟大的数学家提出猜想，最伟大的数学家创造定义” Grant引用了这句名言来阐述数学创造力的层次。在AI时代，提出好问题和创造新概念的能力可能比证明定理更重要，但这些恰恰是最难被量化为基准测试的能力。 “好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家创造定义。” 💡 伽罗瓦理论：验证循环长达100年 Grant通过伽罗瓦和群论的历史，精彩地说明了数学中最有价值的洞见往往需要极长时间才能被认可。伽罗瓦在监狱里写下的革命性想法，当时被学术界拒绝，花了40年才被理解，而群论在物理学中的应用更是等到20世纪才出现。这对AI的“可验证奖励”训练范式提出了深刻挑战。 “你确实有这整整100年的时间，一个想法流经许多不同人的头脑，最后才沉淀成数学界公认的好东西。” 💡 数学独有的特性：按下启动键，十年后回来看 Grant指出，有了Lean这样的形式化工具，AI可以在数学领域实现完全自动化的无限探索，不需要人类检查，只管砸算力。这是其他领域都不具备的特性。 “这是数学独有的、其他领域都没有的特性。你可以按下启动键，然后只管往里砸算力，十年后再回来看，问它‘你有什么成果？’” 💡 数字心智的优势：系统性刷新思维 Grant和Dwarkesh讨论了AI可以通过给不同Agent不同的上下文和偏见，系统性地增加“熵”，避免陷入单一思维模式。这与人类需要“跳出上下文”才能解决某些问题的特性形成对比。 “有时候，你在其他领域做人类研究时，也会想要同样的东西，有时候就是需要能够说，刷新你的思维，用一个完全不同的方式来切入。” 💡 写作的关键在于不可预测的洞察力 Grant深入分析了为什么AI在写作上表现不佳。写作不只是对已有想法的蒸馏，关键在于在正确的节点做出不可预测的举动，那才是更有洞察力的地方。这与自回归模型的生成方式存在根本矛盾。 “要写出好东西，就必须包含某种不可预测的元素……在哪个正确的节点做出一个不可预测的举动，那才是更有洞察力的地方。” 💡 教学是后AGI时代最稳定的工作之一 Grant认为，即使AI成为完美的讲解者，教学仍然是最稳定的职业之一，因为它太依赖人与人的关系。老师所做的是一种非常社会化的、教练式的、导师式的事情。 “即使LLM是很好的讲解者，老师所做的是一种非常社会化的、教练式的、导师式的事情，这可能是未来50年里最稳定的职业之一。” 💡 数学家最终会变得更像美术馆策展人 面对AI能产生海量数学成果的未来，Grant提出数学家的角色可能转向“策展人”——在近乎无限的想法空间中导航，判断哪些想法值得投入和展示。这种策展能力依赖于人与人之间的信任关系。 “你仍然需要有人帮你在这个近乎无限的空间里导航，告诉你哪些想法值得投入……我们永远会更喜欢一个和我们有关系的人，因为我们被激发兴趣的方式是一种社会现象。” ``` 🌐 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：红杉资本旗下播客的深度对谈《Why Hardware-Software Co-Design Is AI's Real 100x: Dylan Patel of SemiAnalysis》 原内容更新时间：2026-06-30 本期嘉宾是知名半导体与AI研究机构SemiAnalysis的创始人Dylan Patel，主持人是红杉资本的合伙人Sean。Dylan从硬件论坛版主起步，如今带领团队为全球机构提供最前沿的芯片与人工智能产业分析。这期节目，他们撕开了AI领域一个常被忽视的关键杠杆——硬件与软件的协同设计，并深入探讨了这种深度整合如何带来远超单纯硬件迭代的效率飞跃。 Dylan在节目中抛出了一个核心论断：AI最大的收益不是来自更快的芯片，而是当你把模型架构、底层内核和芯片设计三层协同优化时，原本这里2倍、那里2倍的提升，会直接变成100倍。他用DeepSeek举例，解释了为什么其专家模块的形状是为英伟达Hopper架构量身定制的，也因此跑在TPU上表现拉胯。这引出了一个更深的洞察：所谓的CUDA护城河，其实从来都不是CUDA本身，而是下游模型对英伟达硬件的深度协同优化。 对话还覆盖了InferenceX的活体基准测试、太空数据中心的非共识判断、AI推理市场的终局规模，以及为什么新云厂商能在超大规模云厂商的夹缝中野蛮生长。如果你关心AI基础设施、芯片战争、模型架构演进和背后的经济账，这期节目会给你一个全新的分析框架。 👨‍⚕️ 本期嘉宾 Dylan Patel，SemiAnalysis创始人。SemiAnalysis是全球最具影响力的半导体与AI产业研究机构之一，客户涵盖顶级对冲基金、科技巨头和各国政府。Dylan从12岁起泡硬件论坛，后来成为Reddit多个科技板块的版主，大学毕业后做过量化分析师，2020年在个人崩溃和全球疫情中创办了SemiAnalysis。他以能把技术细节和经济账无缝结合的分析风格著称，团队约90人，一半是覆盖半导体供应链的工程师，一半是前对冲基金分析师。 ⏱️ 时间戳 开场与SemiAnalysis的诞生 00:00 本期克隆节目介绍 01:18 SemiAnalysis内部的“打架”文化：工程师vs金融人 01:56 主持人Sean介绍Dylan 03:01 Dylan的成长背景：汽车旅馆、加油站与第一个“神经网络” 04:31 八岁生日与Xbox 360死亡红环：硬件的潘多拉魔盒 05:36 12岁成为Reddit版主，开始追踪芯片行业 07:50 创办SemiAnalysis的契机：奖金被坑、祖母去世、疫情崩溃 10:05 24岁生日当天，用真名发布SemiAnalysis 10:37 开着卡车跑遍全美国家公园，在30美元汽车旅馆里做研究 供应链、会议与学习曲线 12:13 行业展会vs学术会议：NeurIPS与日本化学会议的天壤之别 13:17 SPIE先进光刻会议：第一次去90%都听不懂 14:58 一种化学品烧毁，内存价格翻三倍的恐怖故事 推理市场与InferenceX 15:35 推理将是地球上最大的市场，比石油大得多 16:13 为什么启动InferenceX：静态基准测试已经死了 17:57 生态支持：5000万美元捐赠硬件，15种芯片类型 19:18 帕累托最优曲线：别拿次优配置跟最优配置比 20:07 吞吐量与交互性曲线：AI基础设施的下游总开关 21:11 成本如何纳入曲线：批量100用户每秒10 token vs 单用户每秒500 token 太空数据中心与电力预测 22:18 非共识判断：三到五年内太空数据中心没有实质影响 23:03 二十年尺度上，绝大部分算力会搬到太空 23:35 到2030年，仅OpenAI和Anthropic就会超过100吉瓦 23:47 到2040年，推理算力将进入太瓦级别 每瓦智能与三层协同优化 24:06 每瓦智能一直在提升吗？成本已降60倍，每瓦智能提升约40倍 25:25 Sean的三层框架：硬件、系统软件、模型算法 26:04 Dylan完全不同意：最大收益来自协同设计层 26:55 DeepSeek V3的专家形状是为Hopper优化的 27:43 TPU跑DeepSeek很拉胯，跑其他模型却非常出色 28:07 中国在协同优化上比西方做得好？Dylan不这么认为 28:42 真正的突破：跨三层协同优化，2倍×2倍×2倍变成100倍 技术瓶颈与供应链创新 30:49 未来一年最关注的技术瓶颈：内存带宽 31:46 直接把内存堆在芯片上，带宽会暴涨 31:58 打破每平方毫米一瓦的功率天花板 33:16 能源瓶颈的简单解法：用卡车发动机改造成天然气发电机 GPU vs TPU与CUDA护城河 34:25 Nvidia对TPU：两年后两边都是千亿美元级别 35:24 两边都有很能打的论点，但归根结底是协同设计 35:50 OpenAI用TPU可能很糟糕，Anthropic用GPU训练也可能很糟糕 36:09 矩阵乘法单元大小不同，导致模型架构根本不同 37:20 CUDA护城河已经被解开了，因为模型编程能力很强 37:58 真正的护城河不是CUDA，而是下游模型对Nvidia的优化 38:49 开源模型生态让下游使用者被绑在Nvidia上 39:40 大实验室早就fork了PyTorch，不需要依赖开源 Cerebras、经济账与AI投资回报率 40:07 Cerebras：推理速度极快，但超大模型和超长上下文是风险 42:46 Dylan的独特优势：把技术和经济账结合起来 43:55 最让Dylan上头的言论：AI没有投资回报率 44:06 模型能力曲线一直在向右上方走，看新的基准测试 十年框架与终局判断 45:52 十年框架下最兴奋的事：太空数据中心、小行星采矿 46:29 共封装光学：争论的只是27年、28年还是29年发生 46:48 Naveen Rao的长期赌注：模拟计算与基于能量的模型 48:20 生态终局：每家超大规模云厂商都会有自己的芯片 49:24 硬件架构和模型架构会出现更多分叉 50:20 通用AI算力永远有市场，因为实验室连一年后用什么架构都不知道 51:51 每家都会投入数十亿美元部署专用集成电路 数据中心建设与计算资源紧缺 52:52 我们正处在一场疯狂的计算资源紧缺之中 53:22 今年20吉瓦，明年超30吉瓦，但模型能力增长更快 54:31 Anthropic第二季度已经净利润盈利 54:44 Opus token利润率超过80% 55:45 只要毛利率是正的，就会不惜代价租GPU 55:58 计算能力建设会不会突然出问题？ 57:01 如果模型能完成的工作量增速超不过算力增速，风向就会变 57:49 模型现在进步得比六个月前更快：递归式自我改进在运转 数据中心的同质性与新云厂商 59:20 沙特原油的类比：不同吉瓦之间有多大同质性？ 01:00:39 Trainium每吉瓦不到100亿美元，GPU每吉瓦120到130亿 01:02:07 数据中心租赁价格从每千瓦60美元涨到120到160美元 01:02:47 常见的坑：项目直接失败，必须做概率加权 01:03:18 Google在一个吉瓦级数据中心里实际部署1.5吉瓦硬件 01:04:51 一个吉瓦给Anthropic产生的收入比给OpenAI更高 NeoCloud的机会与Jensen的布局 01:06:22 NeoCloud为什么存在？超大规模云厂商的专长在AI云里变成拖累 01:07:21 Nitro智能网卡对AI性能不利，安全功能在AI场景没意义 01:08:59 Jensen绝对讨厌超大规模云厂商掌握所有权力 01:09:22 他想要一个多极化的世界，所以砸钱给新实验室和新云厂商 01:10:11 新云生态就是蛮荒地带，有些会失败，有些会脱颖而出 01:11:10 Thinking Machines做到上亿美元年度经常性收入 🌟 精彩内容 💡 软硬件协同设计：2倍×2倍×2倍变成100倍 Dylan指出，AI效率提升的真正魔法不在单一层面，而在跨层协同。当模型架构、底层内核和芯片设计被当作一个整体来优化时，收益不是加法而是乘法，甚至是指数级的。这就是为什么顶尖实验室和英伟达这样的公司能持续领先。 "真正的突破性创新，是当你跨越几层去做协同优化和协同设计，突然间，本来这里2倍、那里2倍、那里2倍，不是乘起来变成8倍，而是直接100倍。" 💡 CUDA护城河从来不是CUDA本身 Dylan颠覆了行业对英伟达护城河的认知。他认为真正的锁定效应不是CUDA软件生态，而是下游模型在架构层面就为英伟达GPU做了深度优化。DeepSeek的专家模块形状是为Hopper定制的，所以跑在TPU上表现很差。这种模型层面的协同设计，才是真正的护城河。 "这其实不是CUDA在起护城河作用，而是下游产品对Nvidia优化得更好。而且这些公司还都在开源这些模型。" 💡 推理将是地球上最大的市场，比石油大得多 Dylan对AI推理市场的规模做出了大胆预测：到2030年仅OpenAI和Anthropic就会超过100吉瓦，到2040年进入太瓦级别。他认为AI推理将占到GDP的好几个百分点，成为人类历史上最大的单一市场之一。 "推理，不管是开源模型还是闭源模型，都会是世界上最大的市场之一。我觉得会比石油大得多。" 💡 别拿次优配置跟最优配置比 在解释InferenceX的帕累托最优曲线时，Dylan用一个赛车比喻点出了行业基准测试的普遍问题：人们总拿别人次优的配置来跟自己最优的配置比，这就像开保时捷跟赛车手比谁开得更慢。InferenceX要做的是为曲线上每一个点都找到真正的最优配置。 "很多时候，人们在比较推理性能时，会拿别人次优的曲线或点位，来跟自己最优的去比。这就好比，我开保时捷，跟某个赛车手比，肯定是我开得更慢。" 💡 模型进步没有停滞，递归式自我改进正在加速 面对"模型能力即将停滞"的论调，Dylan给出了一个令人兴奋的观察：工程师们正在用模型来帮助编写代码、加速推出下一代模型，形成了一个类似递归自我改进的循环。模型现在进步得比六个月前更快。 "模型现在进步得比六个月前或一年前更快，因为你看到的是一个类似递归自我改进的循环在运转，模型变得更好、更快。" 💡 Jensen想要一个多极化的世界 Dylan揭示了英伟达CEO黄仁勋的深层战略逻辑：他砸钱给新实验室和新云厂商，不是因为短期利润，而是为了防止一个只有OpenAI、Anthropic和Google模型的世界出现。一个多极化的AI生态，对英伟达来说才是长期安全牌。 "一个只有OpenAI、Anthropic和Google模型的世界，对他来说是死路一条。一个只有超大规模云厂商在建设算力的世界，对他也是死路一条。" 💡 别跟猪摔跤，因为猪也乐在其中 当Sean问Dylan是否享受SemiAnalysis内部工程师和金融人之间的激烈争论时，Dylan用这句谚语幽默地承认了自己乐在其中。这也完美概括了他从论坛版主到行业顶尖分析师的一贯风格：享受争论，享受把技术和经济账放在一起碰撞的过程。 "别跟猪摔跤，因为猪也乐在其中，对吧？" ``` 🌐 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：知名产品与增长播客《Lenny's Podcast》OpenAI Codex lead on taste, curation, and building for AGI | Andrew Ambrosino 原内容更新时间：2026-06-28 本期嘉宾是 OpenAI 旗下 Codex 应用的产品与工程负责人 Andrew Ambrosino，主持人是 Lenny Rachitsky。Andrew 本人经历了从设计师到工程师再到产品经理的转型，目前正带领团队打造这款正被全球越来越多人使用的桌面应用。这期节目录制于线下，是一场关于 AI 时代产品工作形态的坦诚交流。 他们深入探讨了 AI 如何彻底颠覆传统的产品开发流程——当任何人都能用模型做出任何功能时，实现本身不再是成本最高的部分，品味、判断力和策展能力正在成为最稀缺的资源。Andrew 分享了 OpenAI 内部独特的“90 个原型”文化、角色边界消融的真实状态，以及 Codex 应用从开发者工具演变为通用知识工作平台的曲折历程。 如果你正在思考 AI 时代的产品策略、团队组织形态、个人技能转型，或者对“品味”这个词在实践中的真正含义感到好奇，这期节目会提供大量来自最前沿的一手经验和判断。 👨‍⚕️ 本期嘉宾 Andrew Ambrosino，OpenAI 旗下 Codex 应用的产品与工程负责人。他是一位从设计师转型工程师、再转型产品经理的跨界者，目前负责的 Codex 应用正迅速成为人们构建产品的首选工具，同时也被广泛用于整理电脑文件、起草文档、数据分析、阅读邮件等非开发类工作。在 OpenAI 内部，几乎 100% 的员工每周都在使用 Codex，且不限于工程师。Andrew 的独特背景让他对 AI 时代产品工作的形态变化拥有极为前沿的视角。 ⏱️ 时间戳 开场与节目介绍 00:00 欢迎收听跨国串门计划 00:35 本期克隆节目介绍：Lenny's Podcast 与 Andrew Ambrosino 的深度对谈 02:57 嘉宾 Andrew Ambrosino 正式登场 AI 如何颠覆产品开发流程 04:27 现在的产品团队形态跟几年前比是什么样的 04:35 流程的倒置：任何人都能做出任何东西 05:04 传统产品流程的前提假设：实现很贵 05:52 实现本身不再是成本最高的部分，品味才是 06:11 90 个原型的文化：大家直接上手做，不再写文档 06:44 PRD 已死？Andrew 为什么不同意 07:18 选对表达观点的媒介变得非常关键 07:44 “原始笔触”的隐喻：原型有时反而是错误的第一步 08:19 媒介隐含的信号与流程阶段已经脱钩 品味与判断力的真正含义 09:31 到底什么是好的品味 09:55 品味不只是审美，还有系统思维 10:43 如果我们什么都能做，那到底应该做什么 10:55 AI 在设计上为什么还是不行 11:29 设计比软件更难打分，品味中人的因素本身就是反馈机制 12:20 设计中新颖性的重要程度远高于软件工程 13:16 软件设计与代码之间的抽象层互动 设计流程已死？ 14:56 对 Jenny 观点的回应：设计流程确实死了 15:14 传统设计流程的“案例研究工厂”问题 15:55 那套流程的前提假设：实现成本很高，只能承担一次开发 16:28 现在你可以把整个实现都拉进流程 16:56 把设计流程跟媒介绑定才是可怕的地方 17:33 设计流程已死，既对也不对 角色崩塌与团队形态 18:23 Codex 团队的角色崩塌比公司其他部门更明显 19:00 你的角色是你花时间所做事情的平均值 20:10 “技术团队成员”这个称呼的起源 21:11 消除角色概念的危险：抹杀专业领域和最佳实践 21:29 取消产品角色是个非常糟糕的主意 21:52 “这不是你的领域”的边界乐于看到消失，但需要平衡 23:11 Codex 团队的构成：工程师两位数，设计师大概一半 24:05 产品工作像“区域防守” 24:40 产品人员的区域防守到底是什么样 25:54 最有价值的人：能把想法从概念做到完成，并有品味判断好坏 规划、野心与时机 27:06 在变化速度下怎么做路线图规划 27:32 越短期越需要细节，九个月后的规划必须保持模糊 28:41 Codex 桌面应用如果在十一月发布会失败，二月就成功了 29:01 去做那些现在还不行、但等模型变强之后就能行的东西 30:11 不要固执地认为跑不通就是烂功能，可能只是还没到时候 30:31 最初 Codex Web 太 AGI 化，超前于那个时刻 32:08 推动团队更有野心，因为做难事变得容易太多了 AI 编程的最新前沿 32:52 从手写代码到 AI 写 100% 代码，再到“驾驶 AI” 33:27 循环已经是上周的事了 33:35 产品有多少是 AI 写的？这个问题已经变了 33:49 有监督写还是无监督写，完全是另一回事 34:14 模型通常会增加复杂度，需要更擅长删除代码 34:43 还没到直接说“改进应用”就能让它去听 Twitter、Slack 的地步 Andrew 如何使用 Codex 35:12 拥有全世界最棒的工作 35:29 个人目标：把 Codex 做成自己写代码用的工具 35:43 超快的 dogfooding 循环 36:11 角色变了，应用的角色也需要改变 37:21 使用 Codex 的方式随工作演变 37:31 每日简报：汇总 3000 个 Slack 频道的信息 38:44 设置自动化本身就是产品发现 39:45 用 Codex 过滤垃圾邮件的例子 40:18 computer use：AI 直接接管电脑操作 Codex 的愿景与未来 44:47 Codex 的愿景到底是什么 45:01 从命令行工具到桌面应用 45:26 内部 dogfooding 发现：非工程师也在疯狂使用 46:30 没人愿意离开 Codex App 去用其他 App 46:43 开发者工具和通用知识工作工具的界限不是非此即彼 48:05 超级 App 的讨论 48:24 Codex 是很好的大本营，调用你需要的任何工具 49:22 Brent 用 Codex 剪辑视频的故事 50:01 与专业工具无缝交互的模式 失败角与闪电问答 51:03 失败角：大家看不到不顺利的时候 51:33 做了很长时间的创业公司创始人，最后把公司拆开卖掉 52:08 把 Codex App 经验跟 ChatGPT 结合中的无数次微小失败 52:27 内部搞砸时没有人会留情面 52:57 闪电问答环节 53:03 最常推荐的书：《咕噜牛》 54:07 最喜欢的童书：《The Big Orange Splotch》 55:16 最近喜欢的剧：《神奇校车》新版 55:58 最喜欢的产品：每天都在发现自己的产品，Linear 也特别好 56:17 人生格言：不是爱讲格言的人，但别人会告诉他哪些话老挂在嘴边 56:36 PM、设计师、工程师哪个最难 花絮与结尾 58:02 制作人分享用 Codex 做剪辑的体验 58:17 每个任务都这样开始：产品本身不是为这个设计的，但什么都能做 59:00 别死守你现在的流程，要死守的是你独特能交付的成果 59:20 在 AI 时代成功，需要的自我认知程度高得离谱 59:54 讨厌重复的人当创始人挺惨的，因为你必须重复 01:00:17 给自己的职业找到了产品契合度 🌟 精彩内容 💡 实现本身不再是成本最高的部分，品味才是 当任何人都能用模型做出任何功能时，产品开发的核心瓶颈从“能不能做出来”变成了“该做什么、怎么判断好坏”。Andrew 指出，在 OpenAI 内部，同一个需求可能有 90 个不同的探索方向在同时进行，真正的挑战是筛选、策展和整合。 “实现本身不再是成本最高的部分了。我斗胆说一句，是品味。是筛选的过程。” 💡 你的角色是你花时间所做事情的平均值 在 Codex 团队，角色边界正在消融——设计师写代码，产品经理讲技术语言。Andrew 提出一个精妙的定义：如果你把一个人做的所有事情取个平均值，重心落在哪里，他目前就是什么角色。这不是角色消失，而是流动性增强。 “每个人不再被‘设计在哪结束、工程从哪开始’这种边界和围栏所定义，而是更多地由他们工作内容的平均分布来定义。” 💡 选对表达观点的媒介变得非常关键 当实现成本趋近于零，PRD 和原型各有适用场景。Andrew 反对“PRD 已死”的极端说法，认为关键在于清楚这个东西在流程中处于什么阶段——文档适合厘清模糊思路，原型适合压力测试交互模式。 “如果实现变得极其充裕，那选对表达观点的形式就变得非常重要。” 💡 不要固执地认为跑不通就是烂功能，可能只是还没到时候 Codex 桌面应用如果在十一月发布会失败，但二月就成功了——唯一的区别是模型能力的变化。Andrew 强调，同一个形态的产品，仅仅因为几个月的时机差异，结果就完全不同。产品失败现在可能只是时机问题，需要反复发布。 “你可以在 Operator、Atlas、Codex、ChatGPT 之间画出一条线，本质上它们是同一个功能，但用不同的智能水平重新发布，结果就完全不同。” 💡 消除角色概念可能危险地抹杀专业领域 Andrew 对“取消产品角色、所有人都叫 builder”的潮流持批评态度。他认为这会抛弃产品领域积累的整套方法论和最佳实践。“这不是你的领域”的边界乐于看到消失，但需要平衡——不能让每个人什么都做。 “产品这个领域积累起来的整套方法论、那些真正的最佳实践、那些被验证过成败的经验，全都被抛弃了，就因为人们觉得‘哦，我也会写点代码了’。” 💡 别死守你现在的流程，要死守的是你独特能交付的成果 在花絮中，Andrew 给出一条核心建议：不要固守 Figma 自动布局之类的具体工具技能，AI 以后这方面会比你强。真正重要的是你独特能交付的成果，然后去改流程、去尝试。 “要死守的是你独特能交付的成果，然后去改流程、去尝试。你一直守着‘我最懂 Figma 自动布局’，你在干嘛呢？” 💡 在 AI 时代成功，需要的自我认知程度高得离谱 制作人点出一个深刻洞察：知道自己擅长什么、该往哪个方向走、什么值得做，这种自我认知在 AI 时代变得极其重要。Andrew 补充说，在 OpenAI 行得通的东西放到所有人身上不一定行得通，因为来这里的人是自我筛选过的。 “要在 AI 时代成功，需要的自我认知程度高得离谱。” ``` 🌐 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 的个人深度播客 What does the next training paradigm look like? 原内容更新时间：2026-06-26 Dwarkesh Patel 是硅谷当下最受瞩目的科技思想者和深度访谈主持人，以长篇幅、高密度的逻辑推演著称。在这期单人音频论文里，他没有邀请嘉宾，而是单刀直入地解剖了当前 AI 训练范式的根本性缺陷，并描绘了一个通往通用智能的关键路径：持续学习。 这期节目不是泛泛的行业趋势讨论，而是一场关于 AI 如何从“课堂学霸”进化为“职场精英”的严密思辨。Dwarkesh 从“可验证性”与“可磨练性”的区分切入，层层推演出为什么当前依赖 RL 环境训练的范式不足以产生真正的通用智能，以及为什么让模型在部署后持续从真实世界互动中学习，才是破局的关键。如果你在思考 AI 的能力边界、训练瓶颈和下一个十年的技术路线图，这期内容会提供极高密度的认知框架。 👨‍⚕️ 本期嘉宾 本期为 Dwarkesh Patel 单人音频论文，无嘉宾。Dwarkesh 是硅谷知名播客《Dwarkesh Podcast》的主持人，以与顶尖 AI 研究者、企业家和思想家的深度对话闻名。他擅长将复杂的技术概念转化为清晰的逻辑链条，其个人博客和音频论文在 AI 社区中具有广泛影响力。 ⏱️ 时间戳 开场与核心问题 00:00 欢迎收听跨国串门计划 00:30 本期克隆节目介绍：Dwarkesh Patel 个人深度音频论文 00:53 核心问题：AI 训练的下一个范式与持续学习 当前训练范式的赌注与缺陷 01:47 各大实验室押注的重大研究方向：RL 环境训练 02:09 当前范式的根本缺陷：数据低效与缺乏持续学习 02:32 模型样本效率只有人类的百万分之一 03:05 持续学习可能根本不需要？上下文学习的替代方案 03:43 架构创新让上下文窗口接近无限大 可验证性 vs 可磨练性 03:55 为什么计算机使用进展比编程慢这么多 04:28 被低估的原因：光有可验证性不够 04:49 可磨练性的定义：确定性、可重放的模拟器 05:04 编程 RL 环境的构建方式 05:21 计算机使用无法大规模并行 rollout 的原因 06:02 计算机使用缓慢揭示的深层教训 06:29 无法构建模拟器的领域：创业、诉讼、选举 07:06 非稳态环境是 RL 的开放问题 07:14 世界需要样本效率才能精通 RLVR 能泛化到真实世界吗 07:49 RLVR 会泛化的赌注 08:23 泛化能力是一个实证问题 08:40 Dario 的暗示：短时间尺度训练不一定泛化到长时间尺度 09:30 即使上下文内经验足够，不存回权重也是浪费 09:44 推理算力占 30%-50%，对改进模型无贡献 10:13 天才研究生从不实习的隐喻 持续学习的核心挑战 10:33 持续学习必须回到权重里 10:43 人类大脑不在参数和激活间划界限 11:00 自闭症天才的高保真记忆与抽象能力削弱 11:20 人类持续学习的本质：把直觉凿回权重 11:30 梯度更新的样本效率极低 11:41 Cursor 的在线学习案例 12:12 每份工作、每家公司都不同，需要个性化学习 12:44 样本效率与持续学习是深度关联的问题 13:06 架构并非根本瓶颈 损失函数与新的训练方法 13:27 瓶颈也许在于损失函数 13:42 On-Policy 自蒸馏技术介绍 14:14 OPSSD 优于 RLVR 的两个原因 14:50 OPSSD 也优于监督微调 15:17 RL 训练擅长精准更新，避免灾难性遗忘 15:41 RL 每个样本学得少，但这是好事 16:08 OPSSD 解决样本效率问题 Dreaming：第四个扩展维度 16:18 Dreaming 的猜想：AI 构建现实模拟器 16:33 AlphaZero 与 Efficient Zero 的历史 17:03 模型在“脑海”里玩模拟游戏 17:22 构建世界模拟器的巨大困难 17:32 继预训练、RL、推理时计算后的第四维度 18:04 /dream 指令：消耗海量算力构建电子游戏版现实 2027-2028 年的可能图景 18:13 持续学习的未来情景 18:23 RLVR 产出的 Agent 能迅速找到方向 18:44 把 Agent 放到真实世界做实际工作 18:55 一周密集协作后蒸馏学到的内容 19:32 技能范围通过持续学习不断扩展 19:41 预训练、RLVR、持续学习的递进关系 20:03 AI 进步的主要方式将转向部署后学习 20:16 你每次互动，AI 都变得更聪明 🌟 精彩内容 💡 天才研究生从不实习 Dwarkesh 用一个精准的比喻揭示了当前训练范式的荒诞：我们花了巨大算力训练出极其聪明的模型，却只让它们在人工构造的 RL 环境里做“课堂案例研究”，从不允许它们从真实世界的部署经验中学习。最有价值的训练信息恰恰在部署阶段才会显现。 “我们就像有个天才研究生，却从不让他去真正实习。我们只是一直在 RL 环境训练里，给他越来越多的课堂案例研究。” 💡 可验证性不够，还要可磨练性 很多人困惑为什么 AI 在编程上突飞猛进，在计算机使用上却进展缓慢。Dwarkesh 指出，一个领域光有可验证的正确答案是远远不够的，还必须能构建出确定性、可重放、可大规模并行的模拟器。这解释了为什么很多现实世界技能难以通过当前范式训练。 “一个领域光有可验证性是不够的。它还必须具备高度的可磨练性。” 💡 人类持续学习的本质是压缩 与模型在上下文窗口中高保真存储信息不同，人类学习的关键在于把经验压缩成直觉和全局知识，凿回神经权重里。那些能记住海量细节的自闭症天才，反而在抽象理解上存在困难。 “人类的持续学习，重点不在于把所有观察到的东西都挂在嘴边，而更多是把正确的直觉和全局知识凿回到权重里。” 💡 RL 学得少反而是优势 监督学习试图让模型完美复现所有观察到的数据，但这会导致灾难性遗忘。RL 训练每次只改动极少数参数，精准聚焦于真正影响结果的地方。这种“学得少”的特性，恰恰是持续学习所需要的。 “RL 每个样本学到的信息比监督学习少得多。但这可能是好事，而不是坏事。你只对模型做最必要的改动来达成结果，绝不多改。” 💡 你每次互动，AI 都变得更聪明 当持续学习真正实现后，AI 进步的主要方式将不再是发布前的集中训练，而是来自部署后与全世界所有用户的所有互动中积累的经验。这是一个与今天完全不同的 AI 进化范式。 “你每次和 AI 互动，它都会变得更聪明。这不仅是因为它从你之前的会话中学习了，也因为它从和世界上所有其他用户的所有互动中学习了。” 💡 Dreaming：第四个扩展维度 Dwarkesh 提出一个猜想性的未来：如果 AI 能构建现实世界的高保真模拟器，在“脑海”里进行海量排练，那么同样的现实时间里，AI 能经历数量级更多的模拟样本。这将成为继预训练、RL 和推理时计算之后的第四个扩展维度。 “模型花费算力来编写 RL 环境，然后针对这些环境进行训练，它排练的是那些将为特定用户在生产中实际使用的所有技能。” 💡 上下文窗口无限大也不能替代权重更新 有人寄希望于上下文窗口的不断扩展来替代持续学习，但 Dwarkesh 指出这根本不可扩展，而且人类也不是这么做的。我们的头骨不会因为学得越来越多就不断变大，学习必然涉及某种压缩。 “你的头骨也不会因为一辈子学的东西越来越多就不断变大。我们学习的时候，明显存在某种压缩，这种压缩帮助我们泛化和真正理解。” ``` 🌐 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：知名科技播客《No Priors》的节目《Why Traditional Benchmarks Fail Modern AI Models with OpenAI Research Scientist Noam Brown》 原内容更新时间：2026-06-26 本期嘉宾是 OpenAI 研究科学家 Noam Brown，主持人是硅谷知名投资人、Conviction 创始人 Sarah Guo。Noam 是 AI 推理领域的先驱，也是推动“测试时计算扩展”这一概念进入主流视野的关键人物。三年前他第一次上节目时，很多人还没意识到让模型“多想想”意味着什么；三年后，推理时扩展已经成为行业最核心的竞争维度之一，但评估体系却远远没有跟上。 这期节目围绕 Noam 刚发表的一篇引发广泛共鸣的文章展开，核心论点直指行业痛点：传统的静态基准测试表格已经彻底失灵。当模型的能力本质上是你投入多少算力预算的函数时，用单一数字去比较模型就变得毫无意义。Noam 用 OpenAI 内部模型推翻 Erdős 单位距离猜想的案例说明，当前这代模型的能力上限远未被充分探索——如果你愿意花 10 万美元的推理预算，可能早在几个月前就能做出突破性成果。 如果你关心 AI 评估体系的未来、测试时计算的真实潜力、递归自我改进的进展节奏，以及前沿实验室之间的竞争格局，这期对谈会提供非常一手、非常诚实的内部视角。 👨‍⚕️ 本期嘉宾 Noam Brown，OpenAI 研究科学家，AI 推理与测试时计算扩展领域的先驱人物。他在加入 OpenAI 之前，曾在 Meta AI（原 Facebook AI Research）领导 Libratus 和 Pluribus 等扑克 AI 项目，后者是首个在六人无限注德州扑克中击败人类顶级玩家的 AI。Noam 长期关注如何让模型在推理阶段“思考更久”以获得更好的结果，这一理念如今已成为前沿模型能力提升的核心路径之一。 ⏱️ 时间戳 开场与节目背景 00:00 欢迎收听跨国串门计划 00:37 本期克隆节目介绍：《No Priors》与 Noam Brown 对谈 00:55 Noam 关于测试时计算的核心观点预览 02:27 Sarah Guo 开场介绍 Noam Brown 基准测试为什么失灵了 03:12 Noam 写文章的动机：5.5 发布后的基准测试争议 03:44 传统基准测试表格的问题：只给单一数字 04:14 5.5 在基准测试上表现不佳的真正原因 04:46 为什么不让模型思考更久？平台期太遥远 05:09 GPT-3 时代 vs 现在：模型可以思考数周 05:50 正确的评估方式：按预算或绘制性能曲线 安全评估的盲区 06:32 网络安全评估：1 亿 token 预算下性能仍在提升 07:01 研究方向：用低预算预测高预算下的性能 08:16 刷榜问题：组合模型很容易做出好看的成绩 09:04 基准测试总面临被针对性优化的风险 09:24 应对办法：保留不公开的私有测试集 用扑克求解器测试模型推理能力 09:48 Noam 的个人评估方式：做扑克机器人 10:24 早期模型到 5.2 的演进：河牌求解器 11:01 5.2 的缺点：爱糊弄人 11:20 模型糊弄人的具体案例：92 美元 vs 100 美元 11:47 5.5 的飞跃：基本可以零样本完成 11:58 预测：六个月内模型可能完成整个博士论文 安全评估中的“房间里的大象” 12:21 安全评估与测试时计算的关系 12:40 责任缩放政策与准备框架的背景 13:11 这些框架建立时测试时计算还不是大事 13:33 核心问题：模型能力是你投入预算的函数 13:55 现有政策没有真正解决预算评估问题 14:13 正视这个被假装不存在的问题 模型发布周期与能力上限的探索 15:09 模型越来越强，能运作的时间跨度越来越长 16:11 发布周期两三个月，没人真正知道能力上限 16:52 slash goal 发布后人们才意识到长期任务的重要性 17:07 实验室在发布前充分评估模型非常困难 推翻 Erdős 单位距离猜想的故事 17:35 OpenAI 内部模型推翻 Erdős 单位距离猜想 18:10 在很低预算下模型就找到了反证 18:32 用 5.5 加通用脚手架也能得出反证 19:01 成本估算：1,000 到 100,000 美元 19:09 本来有人可以更早用通用模型做到 等待下一个模型 vs 充分探索当前模型 19:32 值不值得在当前模型上做大量实验 19:41 每个发布周期成本下降 10 到 100 倍 19:52 “等下一个模型发布就行”的梗 20:18 OpenAI 刻意不去遍历所有数学开放问题 20:42 重点应该放在做出更强的模型 递归自我改进与快速起飞 21:18 研究方向与资源分配的变化 21:30 澄清：给极高推理预算不等于全面超级智能 21:49 有些基准测试给再多预算也不会进步 22:51 研究品味目前还不太好 23:28 模型能优化算法但想不出更好的算法 24:11 每次新版本研究品味都会变好一些 递归自我改进的节奏 24:32 模型加速了一些事情，另一些没有 24:44 被没加速的事情卡住 24:52 渐进起飞而非一夜之间的智能爆炸 25:28 大规模测试时计算意味着被时间卡住 25:48 时间本身成为最大的瓶颈 多智能体与知识积累 26:08 多智能体探索得还不够 26:28 小规模下很难做好多智能体研究 26:40 人类文明的类比：数十亿人长时间思考与积累 27:12 AI 模型还做不到有机的知识积累与分享 27:27 Multibook 和 OpenCLAW 预示了未来方向 前沿竞争格局 27:57 三家前沿实验室之间的竞争 28:26 竞争非常激烈 28:28 模型正在加速研究人员的工作 28:45 所有前沿实验室都认识到利害关系和风险 29:05 竞争之外也可以一起走向积极结果 给用户的建议与行业共识 29:22 Noam 鼓励大家重新信任模型输出 29:49 日常使用案例：税务建议、购房文件 30:05 模型已经到了可以信任甚至比人更可靠的程度 30:14 研究社区里还没被充分理解的事 30:34 三年前的“愤愤不平”与现在的共识状态 30:54 写文章的动机：打破糟糕的均衡 31:23 所有人都知道表格不好但没人愿意打破 路由层与模型评估 32:01 专注特定领域的公司：路由层的价值 32:47 路由与基准测试的 x 轴问题 33:01 模型间共识确实能获得更好表现 33:07 关键问题：让单个模型思考更久会不会更好 33:36 路由可能更好但需要控制测试时计算量 🌟 精彩内容 💡 基准测试表格已经彻底失灵 Noam 指出，传统模型发布时那张 x 轴是基准测试、y 轴是分数的表格，在测试时计算时代已经毫无意义。因为模型的能力不是固定值，而是你投入多少算力的函数。不控制思考时间就对比模型，就像不控制车速就对比油耗。 "如果你在纸面上看 5.5 和 5.4 之间的差异，它确实有提升，但不是巨大的提升。等他们上手一用，看法就变了。" 💡 模型可以思考数周，平台期远未到来 GPT-3 时代模型思考几秒就到瓶颈，但现在的模型如果搭好框架，可以在某些任务上持续进步数周甚至数月。这意味着我们从未真正看到过当前模型的能力上限。 "如果你给它们搭建好合适的框架，它们可以思考数周，在某些基准测试上性能才会达到平台期。" 💡 安全评估在假装这个问题不存在 现有的安全评估框架大多建立在 ChatGPT 时代，那时候测试时计算还不是大事。但现在模型的能力是你投入预算的函数——一千万美元预算能做的事远超十美元预算。该在什么预算下评估模型的安全性？这个问题一直被回避。 "现有的准备框架和责任缩放政策，并没有真正考虑测试时计算量。问题在于，我们现在所处的世界，模型的能力基本上是你投入多少钱的函数。" 💡 推翻数学猜想的成本比你想象的低 OpenAI 用内部模型推翻了 Erdős 单位距离猜想，成本非常低。更惊人的是，用 5.5 加通用脚手架也能做到，成本大概在 1,000 到 100,000 美元之间。这意味着很多突破性成果其实早就可以实现，只是没人愿意花这个预算去试。 "本来有人可以在我们之前就用通用模型推翻 Erdős 单位距离猜想。只是没有人充分探索过，如果我把价值 100,000 美元的算力砸进 5.5，会发生什么？" 💡 时间本身成了最大的瓶颈 Noam 认为不会出现一夜之间的智能爆炸，因为模型极度依赖大规模测试时计算来达到最高智能。需要运行足够久才能做出真正强大的东西，这意味着时间本身成了瓶颈。这也是为什么所有研究人员都在拼命工作。 "如果需要那么多测试时计算才能解锁模型的全部能力，那就意味着你被时间卡住了。事情只能快到一定程度。" 💡 模型还做不到人类那种知识积累 人类文明的力量不在于个体在过去五万年里变聪明了，而在于数十亿人长时间思考并在彼此知识上构建。AI 模型目前还做不到这一点——它们诞生、存在于短上下文窗口、然后消失。 "这是一种非常有机的、涌现出来的特性，就是人类能够积累知识、分享知识，并在此基础上继续构建。我们现在在 AI 模型身上还看不到这一点。" 💡 所有人都知道基准测试表格不好，但没人愿意打破 Noam 写文章的深层动机是打破一种“糟糕的均衡”：每个实验室都知道静态表格有问题，但因为外界期望看到表格、因为所有人都在发布表格，就没人敢第一个改变。 "所有人的反应是，外界期望我们发布那个表格。那为什么外界会期望发布表格呢？因为每个人都在发布表格。于是你就陷入了一种糟糕的均衡。" ``` 🌐 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