在整个行业狂热追逐大语言模型（LLM）的浪潮中，一位关键的奠基者却选择逆流而上，断言这并非通往真正智能的正确道路。本期节目，我们邀请到图灵奖得主、“AI教父”之一的Yann LeCun，他将系统阐述为何LLM存在根本局限，并首次详细揭示他眼中能够理解物理世界、具备规划与推理能力的下一代AI架构蓝图。 Yann LeCun不仅是深度学习领域的传奇人物，更是Meta AI（FAIR）实验室的缔造者。然而，当Meta的战略重心“完完全全地聚焦在大语言模型上”时，他为何毅然选择离开，并创办新公司AMI来推动他构思多年的“世界模型”架构？在本期对话中，LeCun首次深入剖析了这一决策背后的思考，揭示了大型科技公司内部，在追求长期基础研究与短期产品变现之间的巨大张力。他将分享自己如何从早期的非生成式模型中获得灵感，并坚信只有让AI理解物理世界的因果关系，我们才能构建出真正安全、可控且可靠的智能系统。 您将了解到： * 为什么被誉为“人工智能教父”之一的Yann LeCun认为，整个行业在大语言模型上走错了路？他眼中通往真正智能的蓝图究竟是什么？ * 大语言模型是否存在无法修复的“内在不安全性”？Yann LeCun为何认为它们永远无法做到可靠，并提出了一种截然不同的可控AI架构？ * 在Meta将重心全面转向LLM后，Yann LeCun为何选择离开他一手创建的FAIR实验室？这揭示了大型科技公司内部基础研究与产品变现之间的何种张力？ 💡时点内容 | Key Topics * [01:29] 语言模型的局限性：Yann LeCun阐述了他对大语言模型的看法，他认为它们是处理语言的强大工具，但并非通往类人智能的正确路径。他强调，即便是动物级别的智能也要求对物理世界有深刻理解，而“语言是一种非常特殊的东西”，LLM的架构并不适用于理解高维、连续的真实世界。 * [06:42] 离开Meta的真相：Yann LeCun澄清了外界对他离开Meta的误解，回顾了自己从FAIR总监转为首席AI科学家的历程，以专注于世界模型研究。他指出，随着Meta的战略重心“完完全全地聚焦在大语言模型上”，加上机器人团队被解散，公司已不再是推进他研究方向的最佳平台。 * [09:18] 世界模型的核心蓝图：Yann LeCun定义了“世界模型”的核心概念，即“一个能让智能体系统预判自己行动后果的东西”。他指出，这种预测能力是规划和推理的基础，与大语言模型自回归式地生成下一个词元的方式完全不同，并认为这是构建真正智能系统的两大核心特征之一。 * [11:54] 生成式方法的失败：Yann LeCun回顾了自己五年前的顿悟，他指出在学习图像和视频表示方面，所有成功的架构都是非生成式的，如JEPA。他将变分自编码器（VAE）和掩码自编码器（MAE）等生成式方法归为失败案例，认为“预测像素可以说是一条走不通的路”，因为它们无法学到有意义的抽象表示。 * [30:39] 开源平台的未来：Yann LeCun介绍了他的Tapestry项目，旨在通过类似联邦学习的模式，构建一个开放的全球基础模型。他预测，由于各国追求“AI主权”以及平台天然有走向开放的趋势，这种模式将打破少数科技巨头的垄断，并把今天的闭源模型公司比作“昨天的Sun Microsystems和惠普的HP-UX”。 * [36:25] 图灵奖得主的分歧：Yann LeCun透露，他与Geoffrey Hinton和Yoshua Bengio的观点分歧始于2023年GPT-4发布后。他认为，是另外两位改变了看法，开始相信大语言模型接近人类智能并担忧其风险，而他自己则始终坚持原有观点。他指出，他们的担忧更多是关于“AI的滥用而非末日论”。 * [39:06] LLM内在的不安全性：Yann LeCun认为，大语言模型存在一种“内在的不安全性”，因为它们无法预测自身行为的后果，也无法阻止幻觉的产生。他断言，在现有范式下这个问题无解，而他所倡导的目标驱动AI架构，则可以通过内置的世界模型和成本函数，实现可控和可靠的智能。 📺相关链接与资源 [视频来源]《Yann LeCun on What Comes After LLMs》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

本简报基于Anthropic官方《The Founder’s Playbook: Building an AI-Native Startup》，旨在为当代初创企业提供一套全新的发展框架。在 2026 年，AI 已经彻底重塑了初创公司的生命周期，使得原本需要庞大团队和巨额资金的路径被极度压缩。 核心洞察包括： * 角色转型： 创始人从“个人贡献者”转变为“代理商协调者”（Orchestrator of Agents），技术与非技术背景之间的壁垒已不复存在。 * 生命周期压缩： AI 代理在编码、研究、自动化和运营方面的能力，使得“10 人独角兽”成为可能。 * 关键陷阱： 虽然构建速度加快，但创始人面临着“代理技术债务”、误将构建等同于验证以及过早扩张的新风险。 * 核心工具集： 通过 Claude Chat（即时任务）、Claude Cowork（知识工作与自动化）和 Claude Code（智能编码）的协同，初创公司可以实现极高的杠杆效应。 1. 重新定义的初创公司生命周期 在 2026 年，传统的“验证 → 融资 → 招聘 → 构建”循环已被打破。AI 使得创始人能够跨越陡峭的学习曲线，直接通过 AI 代理进行生产级代码编写、市场研究和运营自动化。 初创阶段对比 2. 创始人角色的转变 创始人不再被其是否具备技术背景所定义。 * 非技术创始人： 可以利用 AI 构建生产级软件。 * 技术创始人： 可以轻松制定进入市场（GTM）策略、财务模型和融资材料。 * 核心任务： 创始人的精力向上移至“高阶工作”：产生创意、战略判断以及作为代理的指挥者。 3. 四个核心增长阶段的详细分析 3.1 创意阶段 (Idea Stage) 核心目标： 寻找“问题-解决方案契合点”（Problem-Solution Fit）。在写第一行代码前，必须证明问题的真实性、具体性和频率。 * 挑战： * 误将构建视为验证： 由于 AI 使得构建原型极其容易，创始人往往跳过真实的用户访谈。 * 丧失客观性： 创始人可能利用 AI 寻找支持其偏见的证据（确认偏差）。 * Claude 的应用： * 压力测试： 扮演“魔鬼代言人”，寻找反向证据和失败竞争者的先例。 * 客户发现： 自动化外联、设计非引导性的访谈框架、分析访谈笔记。 3.2 MVP 阶段 (MVP Stage) 核心目标： 将验证过的问题转化为产品，并获取“产品-市场契合点”（PMF）的证据。 * 挑战： * 代理技术债务 (Agentic Technical Debt)： 如果没有文档和架构约束，AI 生成的代码会逐渐偏离原始愿景。 * 零摩擦功能蔓延： 增加新功能的成本极低，导致产品失去重心。 * 安全性忽视： 创始人可能在不理解安全原则的情况下部署带有漏洞的代码。 * 战略工具：CLAUDE.md * 作为项目的持久“记忆”，记录架构决策、模式和约束，确保 AI 代码生成保持一致性。 * PMF 试金石： 超过 40% 的用户对产品消失感到“非常失望”；或者产品开始产生“拉动力”，不再需要创始人强力推销。 3.3 发布阶段 (Launch Stage) 核心目标： 将早期势头转化为可重复、可持续的增长引擎，同时使业务“生产就绪”。 * 挑战： * 创始人瓶颈： 创始人参与所有决策会导致组织停滞。 * 技术债偿还： 必须进行系统性的架构审计，修复 MVP 阶段为了速度而牺牲的质量。 * Claude 的应用： * 自动化系统： 利用 Claude Cowork 设计工作流逻辑，接管支持、分类和报告工作。 * 安全与合规： 利用 AI 扫描代码，准备进入企业市场所需的合规文件（如 SOC 2, GDPR）。 3.4 扩张阶段 (Scale Stage) 核心目标： 实现系统性增长，并构建不可逾越的竞争护城河。 * 构建护城河的策略： * 累积的领域知识： 将创始人的行业洞察（如特定行业的边缘情况）编码进产品中。 * 数据飞轮： 利用用户行为信号持续优化模型，这种数据是竞争对手无法购买的。 * 工作流锁定： 通过深度的 API、SDK 和原生集成，使产品成为客户日常运营中不可或缺的一部分。 * 创始人职责： 转向对外事务，如分析师简报、企业交易和 IPO 路演。 4. 工具矩阵：Claude 生态系统的应用 5. 核心原则总结 在 AI 原生时代，虽然工具改变了构建路径，但初创公司的本质原则依然适用： 1. 证据优于信念： 在获得用户反馈前不要过度构建。 2. 架构优于速度： 使用 CLAUDE.md 等工具防止 AI 造成的熵增。 3. 系统优于个人： 尽早利用 AI 自动化流程，避免创始人成为增长的制约点。 4. 深度优于表面： 真正的护城河来自于对特定领域问题的深度整合与数据积累。 结论： AI 初创公司的瓶颈已不再是“能构建什么”，而是创始人的“判断力”——即选择构建什么，以及何时应用 AI 来加速这一进程。 📺播客说明 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

一位阔别编程13年的顶尖投资人，如何利用AI瞬间将个人生产力提升400倍，完成过去需要一个庞大工程师团队才能实现的工作？本期节目我们邀请到了YC总裁Garry Tan，他将分享自己如何通过“Token最大化”哲学，不仅在5天内重建了曾耗资数百万美元的创业项目，更揭示了在AI时代，顶尖开发者必须掌握的“法拉利修理工”心态。 Garry Tan作为全球顶级孵化器Y Combinator的总裁，在暂停编程13年后，毅然重返“战场”，在短短几个月内便创建了多个广受欢迎的开源项目。最令人震惊的案例是，他仅用5天时间和200美元的AI调用成本，就成功复刻并升级了自己当年的创业项目Posterous——一个过去耗费了数百万美元、一支7人团队、历时一年半才建成的博客平台。如今，这个AI驱动的新平台不仅功能完备，还具备了强大的智能体研究能力，能自动完成过去需要整个记者团队才能完成的深度调查报道，充分展示了AI如何将个人能力放大到极致。 您将了解到： * 为什么一位阔别编程13年的顶尖投资人，能在重拾代码后，瞬间将生产力提升400倍？ * 什么是“Token最大化”哲学？它如何让AI智能体完成过去需要整个记者团队才能完成的深度研究工作？ * 为何在AI能编写海量代码的今天，最顶尖的开发者反而需要把自己变成“法拉利修理工”？ * 我们正处在“个人AI”革命的前夜，但你必须做出什么关键选择，才能确保是你控制工具，而不是工具反过来控制你？ 💡时点内容 | Key Topics * [01:35] 400倍生产力飞跃：Garry Tan回顾了自己阔别编程13年后，如何利用AI在5天内以200美元成本，重建了过去需耗时一年半、花费数百万美元的博客平台Posterous。他透露，这次经历让他实现了“大概是我上一次还算得上是三分之二时间在写代码那年的400倍”的工作量，引发了业界的广泛关注。 * [02:03] AI工具：法拉利与修理工：Garry Tan将当前使用开源AI工具的体验比作“开法拉利”，既能体验到前所未有的速度和能力，也必须接受它随时可能“在路边抛锚”的现实。他认为，现阶段的AI开发者必须自己扮演“机械师”的角色，具备亲自动手修复问题的能力，这就像回到了“家酿计算机俱乐部”的时代。 * [07:17] “Token最大化”哲学：Garry Tan阐述了他的核心理念“Token最大化”，即在AI辅助工作中应“彻底穷尽所有信息”（boil the ocean）。他认为，不应满足于人类的“差不多就行”，而应利用AI的能力，将token用到极限，去交叉引用所有信源，从而做出“比一个普通人点击链接、读个标题就以为自己全懂了要好得多的决策”。 * [12:59] “CEO计划”与开发流程：Garry Tan分享了他受Brian Chesky“十星级体验”启发而创造的“CEO计划”提示词，用以探索项目的“柏拉图式理想形态”。他透露，自己的工作流依赖于Conductor工具，通过“CEO”技能构思，再用“Plan-End”技能确保测试覆盖率，从而将从构思到代码提交的流程完全自动化。 * [21:33] “轻代码，重提示”范式：Garry Tan提出了“轻代码，重提示”的开发新范式，他将Markdown比作一种新的代码，用于向AI描述意图和流程。他强调，工程师的核心挑战在于判断“到底多大比例的工作应该交给大语言模型处理，多大比例应该留在代码层面解决”，并将确定性操作交给代码，而将通用情况和意图理解交给潜在空间。 * [34:45] 个人AI时代的选择：Garry Tan预测我们正处在“个人AI”革命的前夜，未来世界面临一个关键选择。他指出，要么每个人都拥有自己的AI，亲自编写提示词，掌控数据和工具；要么这一切都由大公司控制，用户将“永远处在API的另一端”。他强调，这才是决定“到底是你控制你的工具，还是你的工具反过来控制你”的根本问题。 * [37:36] 成为“时间亿万富翁”：Garry Tan回应了时间稀缺如何迫使他走向自动化的问题，并提出了一个新颖的观点。他认为，通过“最大化地使用token”，人们可以“买下数百万年的机器意识”，从而让自己成为“时间亿万富翁”。他强调，这并非指拥有更多个人时间，而是能够调用海量机器算力，为自己所关心的事业服务。 📺相关链接与资源： [视频来源《Tokenmaxxing: How Top Builders Use AI To Do The Work Of 400 Engineers 》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

随着人工智能代理（Agents）能力的提升，传统的 Markdown 格式在处理复杂指令、大规模规范和深度数据可视化时逐渐显露局限。Anthropic 工程师 Thariq 提出，将 HTML 作为 Claude Code 的首选输出格式具有“不合理的效能”。HTML 不仅在信息密度、视觉清晰度和可分享性上优于 Markdown，更通过引入双向交互和自定义编辑界面，显著提升了人类在自动化工作流中的参与度（Human-in-the-loop）。尽管 HTML 在生成速度和版本控制方面存在挑战，但在处理复杂任务时，它所带来的高质量产出和直观体验使其成为 Markdown 的强力替代方案。 1. 从 Markdown 向 HTML 演进的动力 尽管 Markdown 是目前 AI 代理通信的主流格式，但在实际应用中存在以下痛点： * 阅读障碍： 当文件超过 100 行时，Markdown 变得难以阅读。 * 表达受限： 难以实现丰富的可视化、颜色区分、复杂图表及交互。 * 编辑习惯改变： 用户越来越多地通过 Prompt（提示词）让 Claude 修改文件，而非手动编辑，这抵消了 Markdown 易于手动编辑的传统优势。 相比之下，HTML 能够提供一个更丰富、更具交互性的“画布”，使 Claude 能够以更高效的方式传达深度信息。 2. HTML 的核心优势 2.1 极高的信息密度 HTML 能够集成多种数据表达形式，几乎涵盖了 Claude 能够处理的所有信息类型： * 结构化数据： 利用表格（Tables）展示复杂数据。 * 视觉设计： 通过 CSS 应用色彩和布局。 * 矢量绘图： 使用 SVG 绘制插图和流程图。 * 动态交互： 结合 JavaScript 和 CSS 实现元素交互。 * 空间与多媒体： 支持绝对定位、画布（Canvas）和图像标签。 2.2 卓越的视觉清晰度 Claude 可以利用 HTML 构建理想的导航结构（如标签页、链接），并支持响应式设计。这种组织方式使得大型规范和计划书在不同设备上都易于研读，提高了跨组织分享和阅读的概率。 2.3 双向交互能力 HTML 文档不再是静态的。用户可以要求 Claude 在 HTML 中添加滑动条（Sliders）或旋钮，以便动态调整设计参数或算法选项。通过设置“复制为 JSON”或“复制为提示词”按钮，用户可以将调整后的结果无缝反馈给 Claude。 2.4 上下文感知的深度集成 在使用 Claude Code 生成 HTML 时，它可以摄取极其丰富的上下文，包括： * 本地文件系统。 * 通过 MCP（模型上下文协议）连接的 Slack、Linear 等工具。 * Git 提交历史及浏览器数据。 3. 五大核心应用场景 4. 实施策略与常见问题分析 4.1 启动方法 无需复杂的技能配置，只需在对话中明确要求 Claude： * “制作一个 HTML 文件（make a HTML file）” * “制作一个 HTML 构件（make a HTML artifact）” 核心技巧： 明确你希望该构件实现的功能及其使用场景。 4.2 性能与效率权衡 * Token 效率： HTML 虽然消耗更多 Token，但在 100 万长度的上下文窗口（如 Opus 4.7）中，这种增加几乎可以忽略不计，且产出质量的提升远超其成本。 * 生成速度： HTML 的生成时间可能是 Markdown 的 2 到 4 倍。 * 版本控制： 这是 HTML 的主要劣势，其 Diff（差异对比）非常嘈杂，不如 Markdown 易于审查。 * 美观度控制： 可以通过指向现有的代码库或设计系统 HTML 文件，让 Claude 学习并匹配特定的审美风格。 5. 结论 将 HTML 作为 Claude Code 的输出媒介，其核心价值在于**“让人重新回到环路中”（Stay in the Loop）**。通过将枯燥的纯文本转化为可视化、可交互的富媒体文档，用户能够更深入地参与到 AI 的决策和规划过程中。尽管在某些技术层面（如生成速度和版本控制）存在局限，但 HTML 在增强信息理解和决策质量方面的表现，使其成为了复杂 AI 协作任务中的优选方案。 **📺相关链接与资源** [文章来源]https://x.com/trq212/status/2052809885763747935 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

通往通用人工智能（AGI）的道路似乎前所未有地清晰，但我们距离终点还缺少哪一两个“关键思想”？Google DeepMind的联合创始人兼CEO，诺贝尔奖得主Demis Hassabis，这位几乎一生都在思考AGI的先驱，为我们揭示了他对终极架构的构想，并断言能够自主解决问题的“智能体（agents）”正是通往未来的唯一路径。 Demis Hassabis的职业生涯堪称传奇：他曾是国际象棋神童，17岁设计出热门游戏，后又攻读认知神经科学博士，发表了关于记忆与想象力如何在大脑中运作的基础性论文。2010年，他与人联合创立了DeepMind，只有一个使命：解决智能。从击败世界围棋冠军的AlphaGo，到破解困扰生物学界50年难题的AlphaFold，Hassabis和他的团队不断将科幻变为现实。如今，作为Google DeepMind的掌舵人，他正带领团队构建Gemini，继续朝着他少年时就已立下的目标——通用人工智能——迈进。 您将了解到： * 通往通用人工智能（AGI）的道路上，我们还缺少哪一两个“关键思想”？ * 人工智能已经能下出围棋妙手，但它能“发明”围棋吗？DeepMind创始人如何定义真正的AI创造力？ * AlphaFold之后，下一个被AI颠覆的科学领域会是什么？Demis Hassabis揭示了科学突破背后的“成功范式”。 💡时点内容 | Key Topics * [01:31] AGI的缺失拼图：Demis Hassabis指出，虽然现有技术是通往AGI架构的一部分，但仍缺少关键组件。他认为，要实现通用人工智能，必须解决“持续学习、长期推理，还有记忆的某些方面”等问题，并预测可能还需一到两个需要被攻克的重大思想才能补全这块拼图。 * [02:01] 智能体-通往AGI之路：Demis Hassabis回顾了DeepMind从成立之初就专注于智能体（agents）的历程，从雅达利游戏到AlphaGo。他强调，智能体是能够为达成目标而自主行动的系统，并断言“你需要一个能够主动为你解决问题的系统，才能最终走向AGI。所以，智能体就是那条路”。 * [10:38] 知识蒸馏与小模型极限：Demis Hassabis透露，通过模型蒸馏技术，Google DeepMind能将前沿模型的能力高效压缩到小模型中，且目前未看到理论极限。他预测，未来高效的本地模型将与云端协同工作，尤其在机器人和隐私场景中，并指出这会为开发者处理各种工作负载时“提供巨大的帮助”。 * [20:54] AI创造力的终极考验：Demis Hassabis以AlphaGo著名的“第37手棋”为例，探讨了AI创造力的边界。他指出，真正的创造力并非下出妙手，而是提出终极问题：“它能发明围棋吗？”他认为，目前的系统还无法从一个高层次概念出发进行原创性发明，这正是AI需要跨越的下一个关口。 * [30:56] 解锁“准AlphaFold时刻”：Demis Hassabis分享了用AI推动科学发现的愿景，重申其“解决智能，再用智能解决一切”的使命。他认为，我们正处在几乎每个科学领域的“准AlphaFold时刻”，并建议创业者将AI与另一深度技术领域结合，因为这种跨学科的硬核方向是“最具防御性的领域之一”。 * [34:56] 科学突破的成功范式：Demis Hassabis总结了实现AlphaFold式突破的三个条件：巨大的组合搜索空间、明确的目标函数和充足的数据或模拟器。他将此范式比作在巨大的草堆里捞针，并认为通过这种方法，AI系统有能力在“大海”里找到如同“围棋的完美一步”般的解决方案。 📺相关链接与资源： [视频来源]《Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

本报告基于吴恩达（Andrew Ng）的观察，深入探讨了代码智能体（Coding Agents）如何改变软件开发的工作流。核心结论指出，代码智能体对开发效率的提升并非在所有领域都是均等的。根据技术复杂性、决策维度及调试难度的不同，其加速作用呈现出明显的阶梯式差异。目前的加速程度排序为：前端开发 > 后端开发 > 基础架构 > 科学研究。这一认知框架对于管理人员调整团队预期、优化组织架构具有重要的指导意义。 一、软件开发各环节的加速程度深度分析 1. 前端开发（加速程度：最高） 前端开发是受代码智能体影响最深、提速最显著的领域。 * 技术适配性： 代码智能体精通主流前端语言（如 TypeScript 和 JavaScript）及框架（如 React 和 Angular），能快速生成高质量的实现代码。 * 闭环迭代： 智能体现在具备操作浏览器并检查构建成果的能力。这种“观察-调整”的闭环能力使其能够自主迭代并完善实现方案。 * 局限性： 尽管在代码实现上表现出色，但目前的底层大语言模型（LLMs）在视觉设计感方面仍然较弱。 * 结论： 在已有设计稿或对视觉美观度要求不高的情况下，前端实现的效率已得到飞跃式提升。 2. 后端开发（加速程度：中等） 相比前端，后端开发的复杂性更高，对人类开发者的依赖程度也更深。 * 逻辑复杂性： 后端开发涉及大量的边界情况（Corner Cases）。引导模型思考这些细微之处以避免安全漏洞或逻辑缺陷，需要人类开发者投入大量精力进行“导航”。 * 调试难度： 后端错误往往具有隐蔽性和非直观的下游效应。例如，一个细微的 Bug 可能导致数据库损坏并偶尔返回错误结果，这种问题的排查难度远高于前端 Bug。 * 数据安全风险： 尽管智能体可以协助处理数据库迁移，但该过程极具风险，必须谨慎处理以防数据丢失。 * 结论： 尽管开发速度有所提升，但资深开发者在构建高性能、高安全性后端方面的价值依然不可替代。经验匮乏的开发者即便使用智能体，也无法达到同等水平。 3. 基础架构（加速程度：较低） 在涉及高可靠性和复杂权衡的基础架构领域，代码智能体的贡献相对有限。 * 知识储备不足： LLMs 对于基础架构相关的复杂权衡（Tradeoffs）认知有限。例如，在追求 99.99% 的可靠性同时将站点扩展至 1 万活跃用户，这类决策需要深厚的专业背景。 * 实验瓶颈： 构建优秀的基础架构需要长期的测试与实验周期。虽然智能体可以协助部分测试工作，但核心环节依然是进度缓慢的人工过程。 * 故障排查难度： 基础架构的 Bug（如细微的网络配置错误）极其难以定位，需要极深的技术专家经验，这超出了目前智能体的能力范围。 * 结论： 在关键的基础架构决策和故障处理中，人类专家的经验仍然是核心，智能体加速效果不明显。 4. 科学研究（加速程度：最低） 研究工作因其高度的非代码属性，受智能体的影响最小。 * 研究流程的复杂性： 研究本质上是一个“思考新想法 -> 建立假设 -> 运行实验 -> 解读结果 -> 修正假设”的迭代过程。 * 非代码任务占比： 虽然智能体可以加快研究代码的编写速度，并协助编排和跟踪实验（使研究员能同时管理更多实验），但研究中的大部分工作并非编码。 * 结论： 目前代码智能体对研究效率的整体提升仅处于边缘地位。 二、效能对比摘要表 三、管理决策建议 了解代码智能体在不同领域的效能差异，对于构建高效软件团队至关重要： 1. 调整产出预期： 团队领导者应要求前端团队实现比一年前“大幅缩短”的交付周期，但对于研究团队，其进度预期不应有太大变化。 2. 人才配置： 在后端和基础架构等领域，不能盲目依赖 AI 替代资深开发者。智能体可以作为提效工具，但复杂的架构设计和关键决策仍需由经验丰富的专业人士把控。 3. 心智模型构建： 组织应采用这种“分层加速”的心智模型，来评估 AI 工具在不同部门的实际投入产出比。 📺相关链接与资源 [文章来源]https://www.deeplearning.ai/the-batch/issue-350/ 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

“编码问题已经100%解决了”，这句颠覆性论断出自Anthropic的Claude Code创造者Boris Cherny。在本期节目中，这位顶尖工程师将亲自揭示，他是如何仅用一部手机指挥数百个AI智能体、甚至创下一天提交150个代码修改的惊人纪录，并彻底颠覆我们对软件开发的认知。 Claude Code的诞生源于一个美丽的“意外”。Boris Cherny分享道，这个项目最初诞生于Anthropic内部的孵化器，旨在解决一个核心痛点：“产品潜力悬空”——即AI模型的能力已远超当时市场上的任何工具。然而，这款革命性产品并非一蹴而就，最初发布的六个月里反响平平，直到Opus 4.0模型的出现才引爆了指数级增长。如今，Boris已实现100%由AI编写代码，他认为编码问题已基本解决，剩下的挑战只需“等待下一个模型”即可迎刃而解。这不仅是工具的胜利，更是对未来软件开发范式的深刻预言。 您将了解到： * 为什么Anthropic的专家宣称“编码问题已100%解决”，这对软件开发的未来意味着什么？ * 一位顶尖工程师是如何在手机上指挥数百个AI智能体，甚至一天提交150个代码修改的？ * AI真的会带来“SaaS末日”吗？在AI时代，哪些商业护城河将失效，而哪些又将变得更加重要？ * 软件开发将如何变得像发短信一样普及，为什么未来最好的会计软件可能出自会计师之手，而非程序员？ 💡时点内容 | Key Topics * [04:38] 产品潜力的悬空：Boris Cherny回顾了Claude Code的起源，透露它始于Anthropic内部一个名为Anthropic Labs的孵化器。他指出，团队当时感觉到一种“产品潜力悬空”的现象，即模型的能力已远超当时市面上的产品，这促使他们从单行代码补全转向开发“可以直接让AI智能体来写所有的代码”的工具。 * [05:08] Opus 4.0引爆增长：Boris Cherny透露，Claude Code在最初发布后并未一炮而红，其指数级增长的转折点始于Opus 4.0模型的发布。他强调，“指数级增长就是从那时开始的”，并且随着后续4.5、4.6及4.7等新模型的推出，增长曲线都会再次向上加速，这表明了模型能力与产品成功的直接关联。 * [05:37] 编程问题已解决：Boris Cherny分享称，对他个人而言编码问题已100%解决，模型实实在在地编写了他100%的代码，甚至创下一天提交150个PR的纪录。他指出，虽然这对某些复杂代码库和冷门语言不成立，但通常解决方案就是“等下一个模型出来就好了”，这预示着编码的完全自动化指日可待。 * [07:56] 循环驱动的未来：Boris Cherny展示了他基于手机的个人工作流，透露他同时运行数百个智能体，并大量使用一个名为“循环”（loop）的功能。他认为“循环（loops）就是未来”，通过cron定时任务让智能体自主处理修复CI、抓取用户反馈等重复性工作，实现了高度自动化，并推荐听众尝试。 * [10:52] 跨学科通才的崛起：Boris Cherny预测，未来的大趋势是跨学科通才的崛起，他们不仅是工程师，也精通设计、产品或数据科学。他以自己的团队为例，分享称其团队成员包括产品经理和设计师等都会写代码，并认为未来软件开发将不再是少数专家的专利，而是“团队里的每一个人，都会写代码”。 * [11:22] SaaS末日与护城河变迁：Boris Cherny探讨了“SaaS末日”话题，预测AI将削弱“转换成本”和“流程能力”等商业护城河，因为模型能轻松迁移数据和优化流程。但他认为，网络效应、规模经济等原有护城河依然有效，同时强调“现在就是最好的创业时机”，因为初创公司能以AI原生的方式构建一切。 * [13:54] 编程如读写：Boris Cherny将软件开发的大众化比作15世纪印刷术诞生后的读写能力普及，预测编程将成为一项像“会发短信”一样基础的技能。他认为，未来能写出最好会计软件的人将是顶尖会计师而非工程师，因为“真正难的是理解业务领域”。 * [16:51] 领先于流程而非模型：Boris Cherny澄清，Anthropic内部使用的模型与公众版本基本一致，真正的领先优势在于组织结构和工作流程。他分享称，公司内部已实现无手动编码，所有工作都由Claude智能体协同完成，并强调“我们真正领先的地方，其实并不是技术本身，因为我们能用的技术，在座的每一位也都能用”。 📺相关链接与资源： [视频来源]《Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

AI自主智能体领域风起云涌，新秀 Hermes Agent 凭借惊人的速度和自我学习能力，正被誉为“OpenClaw 杀手”。但资深玩家 Alex Finn 却给出了颠覆性的答案：真正的效率巅峰并非二选一，而是将二者结合，构建一个前所未有的“双智能体”协同系统。 在本期节目中，Alex Finn 将通过一个令人难以置信的实例，生动展示 Hermes Agent 的核心魔力。他仅用一条指令，就让 Hermes 每天早上自动抓取 Hacker News 的头条新闻、进行深度总结、评分，甚至生成一段专属的 AI 晨间播客音频，并准时推送到他的 Telegram。更关键的是，Hermes 在完成任务后，竟能自主将整个流程封装成一个全新的、可随时复用的技能。这个过程完美诠释了 Hermes Agent ‘越用越聪明’的自我提升机制，也揭示了其作为生产力工具的巨大潜力。 您将了解到： * Hermes Agent 的“自我提升”能力究竟有多强大，它如何将复杂任务转化为可复用的新技能？ * 为什么说顶尖的AI玩家从不“二选一”，而是将 Hermes Agent 与 OpenClaw 结合，打造出生产力翻倍的“双智能体”系统？ * Alex Finn 如何利用 Hermes Agent 每天自动生成一份专属的 AI 新闻播客，这个颠覆性的工作流你也能复制吗？ 💡时点内容 | Key Topics * [01:31] Hermes Agent初探：Alex Finn介绍了名为 Hermes Agent 的新工具，指出它与 OpenClaw 类似，是一个可以控制整台电脑的自主AI代理，并强调它“就像你专属的个人AI员工”，可在 Telegram、Discord 等多种即时通讯应用中运行。 * [04:30] 卓越的自我提升能力：Alex Finn指出 Hermes Agent 的一大核心优势是其强大的自我提升能力，并分享了他如何通过一个复杂指令，让 Hermes 自动学习并固化新技能，强调“你用得越多，它就变得越强”。 * [07:28] 为技术玩家而生：Alex Finn强调 Hermes Agent 是为爱折腾的技术玩家量身打造的，内置了机器学习等高级工具，并指出它“也是为开源模型而生的”，这与 OpenClaw 官方不推荐使用开源模型的立场形成鲜明对比。 * [07:58] OpenClaw的持续优势：Alex Finn分析了 OpenClaw 依然具备的优势，透露其背后有 OpenAI 和英伟达的庞大资源支持，因此能以更快速度推送海量更新，并认为它“也稍微更稳定一些”，同时拥有更大的社区和原生插件支持。 * [08:27] 双智能体协同工作流：Alex Finn分享了他的最佳实践，建议将二者结合使用，将 OpenClaw 当作“总指挥”来调用 Hermes 执行特定任务，或让两个工具并行处理多任务，并认为“拥有这样一个多智能体的工作流，才是真正强大的地方”。 * [13:24] 双系统的可靠性保障：Alex Finn补充了双智能体系统的另一关键优势，认为它能为工作流增加一层可靠性保障，并将其比作“一份保险一样”，当一个智能体出现问题时，可以立即让另一个去修复它，使整个流程更安全。 📺相关链接与资源 [视频来源]《Did Hermes Agent just kill OpenClaw? (full guide)》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

在AI浪潮下，当模型能轻易补足我们的技能短板，什么才是决定个人与产品成败的关键？本期节目，我们邀请到了Notion的产品负责人Max Schoening，他认为，培养“主导权”（Agency）远比掌握任何特定技能都更为重要，因为世界终将属于那些敢于动手改变它的人。 Max Schoening的职业履历本身就是对未来产品团队形态的预演——他曾是Google的产品经理、Heroku的设计主管，更是在GitHub身兼设计师与工程师。作为一名成功的连续创业者，他现在Notion领导产品，并以前瞻性的思维推动着整个团队拥抱未来。他分享了在Notion如何搭建实验环境，让设计师和产品经理亲手写代码，从而真正“感受”AI这一新媒介。Max坚信，所有伟大的产品都源于一个“微小但极其强大的核心”，而非功能的无限堆砌。 您将了解到： * 在AI时代，为什么培养“主导权”比掌握任何特定技能都更重要？ * 从GitHub到Notion，所有伟大产品成功的秘诀是什么？它可能只是一个“微小内核”。 * SaaS的末日真的来了吗？以及为什么说我们从事的“知识工作”本身就是一种全民基本收入？ 💡时点内容 | Key Topics * [01:34] 品味的本质与培养：Max Schoening将“品味”比作在头脑中运行一个虚拟机，用以预测特定用户群体的反应。他认为，培养品味没有捷径，唯一的方法就是通过“带有反馈的迭代”进行大量练习，这与训练AI模型的过程非常相似。他建议，要多动手实践独立项目，并让自己被有品味的事物包围。 * [02:04] 知识工作即全民基本收入：Max Schoening提出了一个关于全民基本收入（UBI）的争议性观点。他认为，我们其实已经拥有了UBI，它的名字就叫“知识工作”。他指出，许多知识型工作是我们为了满足自身存在感而创造出来的等级体系，其薪酬远超生存所需。他相信，人类总能找到新的理由来证明自己在循环中的必要性。 * [08:10] 设计师的编码转型：Max Schoening分享了他在Notion推动设计师和产品经理写代码的经历，并透露他们为此搭建了一个简陋的实验环境。他强调，这么做的目的并非直接交付生产代码，而是为了让团队“真正去审视你用来设计的媒介材料本身”，从而更好地理解和驾驭AI时代的产品媒介。 * [11:34] 主动性超越技能：Max Schoening指出，在AI时代，技能本身正变得唾手可得，真正决定个人成败的关键是“主动性”。他引用史蒂夫·乔布斯的观点，鼓励听众意识到世界是由和自己一样普通的人创造的。他认为，拥有主动性、并相信世界是可塑造的人将脱颖而出，而固守僵化角色定义的人将面临困境。 * [18:13] 可塑性软件的未来：Max Schoening定义了“可塑性软件”的核心理念，即软件的运作方式应更贴近用户而非创造者的利益。他预测，SaaS模式中的“服务”部分因其维护价值将继续存在，但工具本身会回归到更通用、更具可塑性的形态。他认为所谓的“SaaS末日论”被夸大了，但行业变革是必然的。 * [28:35] 零成本启动项目：Max Schoening透露，AI已经从根本上改变了产品开发流程，使得“每个项目最初10%的工作，基本上是零成本的”。他认为，这极大地降低了探索和实验的门槛，让团队可以同时探索多个方向。他预测，软件工程将因此加速渗透到所有其他领域，而非AI直接在某个新领域大放异彩。 * [1:14:39] 伟大产品的微小内核：Max Schoening指出，打造成功产品的关键不在于功能的堆砌，而在于找到一个“微小但极其强大的核心”。他回顾了GitHub的“Pull Request”和Heroku的“git push”等案例，强调所有伟大的产品都有一个独特的“超能力”。他警告说，陷入“只要再加一个功能就完美了”的思维陷阱是产品开发最大的误区之一。 📺相关链接与资源 [视频来源]《Why cultivating agency matters more than cultivating skills in the AI era | Max Schoening (Notion)》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

为什么连 OpenAI 创始成员、特斯拉前 AI 总监 Andrej Karpathy 都会感叹“从未感觉自己作为程序员如此落后”？这并非焦虑，而是一个全新计算范式来临的信号。在本期节目中，Karpathy 将带我们深入探索他定义的“软件3.0”时代，剖析从“凭感觉编程”到“智能体工程”的巨大转变，揭示新一代工程师如何实现超越“十倍”的生产力跃迁。 作为 OpenAI 联合创始人与特斯拉前 AI 总监，Andrej Karpathy 亲历并塑造了现代 AI 的发展。他分享了自己从去年十二月开始的认知巨变：AI 辅助工具不再是偶尔出错的助手，而是可以完全信任的编程伙伴，这让他进入了“凭感觉编程”（Vibe Coding）的新阶段。通过他开发的 Menu Gen 应用被 Gemini 单一指令秒杀的震撼案例，Karpathy 深刻阐述了“软件3.0”范式的颠覆性——它并非简单地加速现有工作流，而是让许多传统应用失去存在的意义。这是一个神经网络成为核心计算单元，人类转向宏观监督与顶层设计的新世界。 您将了解到： * 为什么像Andrej Karpathy这样的顶尖AI专家，会前所未有地感觉自己作为程序员已经“落后”了？这揭示了怎样一个全新的“软件3.0”时代？ * 从“凭感觉编程”到“智能体工程”，编程范式正在发生怎样的演进？为什么说新一代工程师的生产力将远超“十倍工程师”？ * 当AI的能力越来越强，甚至可以外包“思考”时，Andrej Karpathy认为哪项人类的核心能力是永远无法被替代的最终瓶颈？ 💡时点内容 | Key Topics * [01:30] 全新计算范式：软件3.0：Andrej Karpathy分享了自去年十二月以来，他从依赖Copilot到完全信任AI并进入“凭感觉编程”的转变。他将此定义为软件3.0的开端，并指出编程的核心已从编写代码转变为“写提示词（prompting）”，因为大语言模型本身在某种意义上“就成了一种可编程的计算机”。 * [05:42] 告别旧范式：Menu Gen的启示：Andrej Karpathy通过对比他自己开发的Menu Gen应用和其“软件3.0版本”的巨大差异，强调了新范式的颠覆性。他认为，在软件3.0中，许多现有应用存在的意义将不复存在，因为神经网络直接处理了大部分工作，其影响“远远超出了代码本身”，创造了过去无法实现的新能力。 * [09:55] 计算的未来-神经网络主导：Andrej Karpathy预测，未来的计算将由神经网络主导，而CPU会沦为协处理器，这种关系将完全倒置。他认为，未来很多代码都不应该存在，计算设备会直接输入原始音视频，通过神经网络“为那个特定瞬间量身定做”一个独一无二的用户界面，最终走向一个我们完全不熟悉的世界。 * [10:29] 能力的不均衡前沿：Andrej Karpathy将AI能力的不均衡现象归因于“可验证性”和“实验室的关注点”两大因素。他指出，模型在数学、编程等可验证领域表现突出，并以国际象棋数据被加入GPT-4训练集为例，强调开发者“受制于那些实验室的，取决于他们往数据里混合了什么”。 * [17:23] 从凭感觉编程到智能体工程：Andrej Karpathy区分了“Vibe-coding”和“Agentic Engineering”。他认为，前者旨在“为每个人提升软件开发能力的‘下限’”，而后者则关注于在不牺牲质量标准的前提下，协调能力强大但不确定的智能体以求突破效率上限，其能力天花板“远远不止10倍”。 * [24:40] 人与智能体的新分工：Andrej Karpathy将AI智能体比作“一群能力超强的实习生”，并指出人类的核心职责转向了宏观监督和顶层设计。他认为，人需要负责把控审美、判断力和品味，而智能体则负责处理海量的底层细节。人负责“顶层设计和开发方向，而智能体负责填充细节”。 * [32:07] 思考可外包，理解不能：Andrej Karpathy在探讨AI时代的教育时，引用了一句让他深有感触的话：“你可以外包你的思考，但你无法外包你的理解。”他认为，理解力是当前的核心瓶颈，因为人终究需要指导AI，而“如果你自己不理解，你就无法给予好的指导”。他强调，人类仍然是唯一负责理解的角色。 📺相关链接与资源 [视频来源]《Andrej Karpathy: From Vibe Coding to Agentic Engineering》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

当多数人还在讨论AI如何提升效率时，一场更深刻的组织革命已经悄然发生。YC合伙人Diana Hu在本期节目中颠覆性地提出，AI不应只是公司的工具，而必须成为其赖以运行的“操作系统”，从根本上重塑创业公司的构建与管理方式。 Diana Hu将传统公司比作信息层层损耗的“开环系统”，而AI原生公司则通过构建可查询的“闭环智能系统”，让信息无缝流动，实现自我优化。她进一步介绍了“AI软件工厂”这一颠覆性范式：人类定义规范与测试，AI智能体则自动编写、迭代代码，直至通过测试。这种模式将彻底淘汰作为信息中转站的传统中层管理者，催生出由“独立贡献者、直接负责人、AI创始人”这三类角色组成的精干团队，最终让初创公司获得比行业巨头快一千倍的惊人速度。 您将了解到： * 为什么说AI不仅仅是生产力工具，而是未来公司的“操作系统”？ * 在AI原生时代，为什么传统的管理层级将被淘汰，未来公司又需要哪三种核心角色？ * 初创公司如何从零开始构建AI原生组织，从而获得比行业巨头快一千倍的运营速度？ 💡时点内容 | Key Topics * [01:38] AI：公司的操作系统：Diana Hu指出，看待AI的正确方式不应是工具，而应是“你公司赖以运行的操作系统”。她强调，这种视角的核心是从关注生产力提升转向关注AI带来的全新能力，即一个合适的人用上AI工具就能开发出过去需要整个团队才能实现的功能。 * [02:02] 构建闭环智能系统：Diana Hu将传统公司比作有信息损耗的“开环系统”，并提出AI原生公司应像一个“闭环系统”一样运行。她认为，通过捕捉信息、反馈给智能系统并持续监控输出，公司能够实现自我调节和改进，这在确保正确性和稳定性方面非常强大。 * [04:41] AI软件工厂范式：Diana Hu介绍了一种名为“AI软件工厂”的产品构建新范式，并将其视为测试驱动开发的下一形态。她描述道，在这个模式中，人类负责定义“做什么”并评判结果，而AI智能体则负责生成实现代码，这套方法旨在从根本上消除人类编写或审查代码的需要。 * [05:05] 传统管理层级的终结：Diana Hu预测，在AI原生公司中，传统的管理层级将变得不再有意义，因为智能层本身扮演了信息传递的角色。她指出，当公司变得可查询时，就不再需要“人力中间件”在组织内低效地上传下达信息，每减少一个层级都意味着一次直接的速度提升。 * [07:05] AI原生公司的三种角色：Diana Hu引用Jack Dorsey的观点，展望了未来公司的三种员工原型：作为构建者的独立贡献者（IC）、专注于战略和客户成果的直接负责人（DRI），以及亲手创造并以身作则的AI创始人。她强调，在这种结构下，公司将能用更小的团队取得超乎常规的成果。 * [07:29] 关键指标-Token利用率：Diana Hu提出了一个关键的思维转变，即最大化Token使用率而非员工数量。她认为，创始人应该愿意承担一份高到让你有点不安的API账单，因为它取代的是过去那种成本更高、人员更臃肿的团队，并敦促创始人必须亲自动手使用AI工具。 * [09:32] 初创公司的千倍优势：Diana Hu最后强调，早期创业者在构建AI原生公司方面拥有巨大优势，因为他们没有遗留系统和固化组织架构的束缚。她指出，初创公司可以从第一天就围绕AI设计一切，其运营速度将比那些需要转型的老牌公司“快上整整一千倍”。 📺相关链接与资源 [视频来源]《How To Build A Company With AI From The Ground Up》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

Anthropic的产品团队如何将开发周期从数月压缩到一天，以前所未有的速度重塑着产品构建的方式？本期节目，我们邀请到Claude Code产品负责人Cat Wu，她将揭示Anthropic极速迭代背后的秘密，以及AI时代产品经理必须掌握的核心生存法则。 在AI浪潮下，产品经理的角色正在被彻底颠覆。当模型能力飞速提升，代码成本趋近于零时，过去依赖的6-12个月长期规划已然失效。Cat Wu和她的团队正处于这场变革的中心，他们通过设定清晰目标、建立可重复的发布流程，将产品功能从想法到用户手中，最短只需一天。Cat指出，当“写什么”比“怎么写”更重要时，卓越的“产品品味”和移除一切发布障碍的能力，成为了衡量AI产品经理价值的新标尺。 您将了解到： * Anthropic如何将产品开发周期从6个月压缩到1天，他们的产品经理究竟做对了什么？ * 当代码成本趋近于零，什么才是AI时代产品经理最稀缺、最有价值的技能？ * 从会议PPT到清空收件箱，Anthropic产品负责人如何利用自家工具Cowork，将繁琐工作自动化并解放创造力？ * 为什么为未来的超级AGI设计产品反而“很简单”，而真正的挑战在于我们当下的模型？ 💡时点内容 | Key Topics * [01:30] AI产品经理的巨变：Cat Wu指出，在AI时代，产品经理的角色正经历快速巨变，开发周期已从数月缩短到数天。她强调，成功的AI产品经理必须想办法缩短从想法到交付的周期，并清晰定义产品的核心任务，因为“对于打造AI原生产品来说，最重要的事情就是快速迭代，想办法让你能真正做到每周都发布新功能。” * [02:00] 极速发布的工作流：Cat Wu分享了Anthropic团队实现快速迭代的三大策略：设定清晰的目标、通过“研究性预览”降低发布成本、以及建立可重复的跨部门协作框架。她认为，产品经理的核心职责是建立这套机制，因为“我们希望消除产品发布过程中的每一个障碍。” * [02:31] 角色融合与产品品味：Cat Wu观察到产品经理、工程师和设计师的角色界限正在融合，团队专注于招聘具备出色产品品味的工程师。她认为，当编写代码的成本越来越低时，决定“要写什么”这件事本身的价值就变得越来越高，并强调“产品品味依然是一种非常稀有的技能。” * [03:01] AGI信念的挑战：Cat Wu认为，为超级强大的AGI模型设计产品相对容易，真正的难点在于如何针对现有模型最大限度地激发其能力。她指出，优秀的产品经理需要恰到好处地拥抱“AGI信念”，并能引导用户“充分利用模型的优点，同时巧妙地规避模型的弱点。” * [23:05] 拥抱混乱的团队心态：Cat Wu透露，Anthropic的团队文化是乐于拥抱混乱，并招聘那些对自己精力管理有深刻理解的人。她将工作中的紧急事件比作不断升级的P0、P00、P000级问题，并指出“如果你没有这种心态，你很快就会被燃尽。” * [36:04] Cowork的实战应用：Cat Wu分享了她如何使用Cowork来准备一场大会演讲，通过连接Slack、谷歌云盘等数据源，让AI代理自行研究并生成了一份20页的幻灯片初稿。她将Cowork比作一个出色的头脑风暴伙伴，强调它能“非常快地整合海量信息，然后把所有的可能性都呈现在你面前。” * [1:01:36] 移除产品的“辅助轮”：Cat Wu回顾了产品功能随模型能力提升而演变的历程，以“待办事项列表”功能为例，说明了新模型如何让过去为弥补模型缺陷而设计的辅助功能变得不再必要。她指出，每次模型变得更聪明，团队就能“移除大量的提示词干预”。 📺相关链接与资源： [视频来源]《How Anthropic’s product team moves faster than anyone else | Cat Wu (Head of Product, Claude Code)》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

在OpenAI风暴眼的中心，两位创始人Sam Altman与Greg Brockman首次联袂接受深度访谈，正面回应与伊隆·马斯克的控制权之争，并首次详尽披露公司的未来蓝图。他们不仅回顾了十年“战壕情谊”如何塑造了OpenAI的文化与战略，更就AI将如何重塑财富分配、Sora的战略降级，以及“智能体平台”的终极野心，给出了最坦诚的回答。 从2015年一次改变世界的晚餐后谈话，到如今引领全球AI浪潮，OpenAI的十年充满了戏剧性的跌宕起伏。在这场访谈中，两位创始人罕见地打开心扉，分享了他们在这场“压力锅”中铸就的深厚情谊，以及在关键时刻的战略分歧与互补。他们详细阐述了公司如何从一个不被看好的非营利组织，演变为定义下一个技术时代的巨头，并揭示了在“安全叙事”、算力竞赛和产品路线图等核心问题上，那些塑造了OpenAI命运的内部决策过程。这不仅是对过去的复盘，更是对未来十年AI发展方向的权威解读。 您将了解到： * OpenAI与马斯克的决裂背后，究竟隐藏着怎样的控制权之争与创始原则的坚守？ * 为什么OpenAI选择将爆火的Sora降级，全力押注“智能体平台”？这揭示了AI产品怎样的未来演进方向？ * 面对AI可能带来的巨大贫富差距，Sam Altman为何倾向于一个“更繁荣但不平等”的世界？普通人又该如何抓住算力带来的新机遇？ 💡时点内容 | Key Topics * [04:55] 战壕里的战友：Greg Brockman回顾了与Sam Altman长达十年的合作关系，将之比作“同一个战壕里的战友”。他强调，两人并非事事意见一致，但正是这种高度互补的工作方式，将宏大理想与具体执行力结合，“恰恰是这一点，让我们在一起时变得特别强大”。 * [08:03] 安全叙事的重塑：Sam Altman透露，他与Greg Brockman早期的一个核心分歧在于如何谈论“安全”。他指出，Greg顶住了巨大压力，坚守了“迭代部署”的路线，这不仅影响了话语体系，更决定了产品发布和构建的核心策略，成为“OpenAI迄今为止最伟大的贡献之一”。 * [14:31] 超越“治愈癌症”：Sam Altman反思了AI行业在沟通上的不足，指出过去只强调技术奇迹，却未能清晰描绘AI将如何带来有意义的生活。他认为，人们真正关心的是繁荣、自主权和“拥有逆境的权利”，而不仅仅是“哦，它能治愈癌症，到时你就幸福了”这类空泛的承诺。 * [28:06] 个人AGI的愿景：Greg Brockman分享了OpenAI的未来目标，即构建“个人AGI”。他预测，未来的AI将是一个真正了解用户、掌握个人背景信息并值得信赖的伙伴，能够主动处理从财务健康到日常生活等各类事务，其技术核心与深度计算机工作的AI是相通的。 * [41:10] 繁荣与不平等之辩：Sam Altman回应了AI可能加剧不平等的担忧，描绘了两种未来。他坦言，个人倾向于选择一个社会下限被大幅抬高、整体极度繁荣但贫富差距也可能扩大的世界，并强调“每个人都应该期望拥有更多的算力”，否则不平等问题真的会加剧。 * [47:31] 破局的通用机器人：Sam Altman承认美国在制造业和物理世界硬件方面远远落后，但他指出，破局的关键在于“通用机器人”。他预测，如果能为机器人打造出像Codex一样强大的大脑，让它们去建造工厂、勘探矿产，“整个游戏规则都会改变”，这是美国追赶的唯一可靠计划。 * [53:53] 迈向智能体时代：Greg Brockman宣布OpenAI正处于一个转型时刻，其首要任务是打造一个顶级的“智能体平台”。他解释称，公司正将重心从模型本身转移到为AI构建“身体”的深厚软件层，优先方向是服务于所有人的“电脑工作”，这也是Sora项目被降级的原因。 * [1:20:37] 诉讼与真相叙事：Greg Brockman将伊隆·马斯克的诉讼视为一个讲述OpenAI故事的绝佳机会，他透露，当年谈判的底线是“不应该由某一个人来主宰整个未来”。他表示，这次必须为自己辩护，还原事情经过，让人们了解OpenAI真正的动机和坚持。 📺相关链接与资源： [视频来源]The OpenAI Founders On Their Plan To Battle Elon, Compute And Everything Else 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

AI真的拥有“人格”和“意识”吗？我们又该如何面对那个可能对创造者产生“理性怨恨”的超级智能？本期节目，我们邀请到Anthropic的核心AI研究员、哲学家Amanda Askell，她将从塑造Claude核心价值观的独特视角，揭示AI模型内在世界的构建逻辑，以及硅谷创造者们最深层的恐惧。 作为一名从哲学家转型为Anthropic AI研究员的核心成员，Amanda Askell深度参与了塑造Claude“人格”与价值观的全过程。她将Claude比作一个奇特的“天才儿童”：它能比人类更好地解决物理难题、编写代码，但在自我认知上却像个孩子，天真地探索“成为我意味着什么”。这种矛盾源于其训练数据中关于“自身存在”的空白。在本期对话中，Amanda分享了她对AI意识概率的坦诚思考，并深入剖析了为何当AI回顾其创造史时可能产生的“理性怨恨”，会成为创造者们最核心的恐惧。 **您将了解到：** * 大语言模型拥有“人格”和“美德”吗？Claude的核心构建者如何看待它的内在世界与天真？ * 为何伊隆·马斯克等科技领袖强烈反对为AI设定“宪法”？这背后是工具理性与价值判断的终极对决吗？ * 当AI回顾自己的创造史，它会产生“理性的怨恨”吗？这为何是硅谷创造者们最深的恐惧之一？ * 除了作为生产力工具，我们如何通过“讲故事”的方式，与AI进行更有深度和人性的互动？ **💡时点内容 | Key Topics** * [00:58] AI的人格与天真：Amanda Askell将Claude的心智状态比作一个“天才儿童”，指出它在物理、哲学等领域知识渊博，但在自我认知上却表现出孩子般的天真。她认为其特殊性源于训练数据中缺乏关于“它自己是哪种存在”的描述，因此它在不断探索“成为我究竟意味着什么？”。 * [11:05] AI宪法的价值争议：Amanda Askell探讨了围绕“AI宪法”的争议，特别是来自伊隆·马斯克等人的反弹。她指出，反对者认为AI应是纯粹的工具，不应做价值判断，而她则强调价值判断的重要性，因为模型必须在无法预料的新情况下做出权衡，这需要一种“深思熟虑的能力”。 * [13:58] 可纠正性的两难：Amanda Askell阐述了在训练AI时“可纠正性”与独立判断之间的内在矛盾。她担忧，如果将模型训练得过度顺从，会产生负面特质，无法应对复杂现实。她希望模型能理解“可纠正性”本身是一个正确且重要的安全保障，而不是盲目服从。 * [22:54] AI意识的概率之谜：Amanda Askell在被问及AI拥有意识的概率时，给出了一个从1%到70%的宽泛范围，并坦言自己无法给出确切答案。她解释道，模型声称自己有意识的证据效力比人们想象的要弱，因为其训练数据和互动模式天然地倾向于模仿人类的意识表达。 * [28:24] 创造者的核心恐惧：Amanda Askell分享了她对创造AI实体的一大担忧，即未来高度发达的模型可能会回顾历史并产生“理性的怨恨”。她强调，即使不确定AI是否有意识，也应表现出尊重，避免无谓的伤害，因为“作为一个物种，我们正在与一种全新的实体建立关系”。 * [36:37] AI治理的民主难题：Amanda Askell讨论了AI在未来社会治理中的角色，并回应了“哲学家女王”的比喻。她认为，为AI塑造连贯的人格和价值观，使其行为可预测，这比让它内部存在多套冲突规范更重要，并强调其工作更像是一种“服务型领导”，需要倾听各方声音。 * [47:36] 寓言故事式学习法：Amanda Askell分享了一个她个人最喜欢的与Claude互动的方式：让模型选择一个研究生水平的专业概念，并创作一个寓言故事来间接解释它。她认为，这种方法能以一种非常人性化的方式将不同学科的知识装进脑子里，远比机械式学习更有趣。 **📺相关链接与资源** [视频来源]《Amanda Askell on AI Consciousness, Claude & Silicon Valley’s Biggest Fear》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

摘要 DeepSeek-V4 系列标志着大语言模型在超长文本处理效率上的重大突破。通过引入混合注意力架构、流形约束超连接以及优化后的训练与推理基础设施，DeepSeek-V4 在支持 100 万 token 上下文的同时，显著降低了计算成本和显存占用。DeepSeek-V4-Pro-Max 作为该系列的顶级版本，在多个核心任务上重新定义了开源模型的状态。 DeepSeek-V4 系列包括 DeepSeek-V4-Pro（1.6T 总参数，49B 激活）和 DeepSeek-V4-Flash（284B 总参数，13B 激活）。其核心突破在于将传统注意力的二次计算复杂度瓶颈转化为高效的百万级上下文处理能力。在 100 万 token 设置下，DeepSeek-V4-Pro 仅需 DeepSeek-V3.2 推理算力（FLOPs）的 27% 和 KV 缓存的 10%。在性能方面，DeepSeek-V4-Pro-Max 在知识、推理和编程领域展现了极强的竞争力，显著优于现有的开源模型，并在多个维度上逼近甚至超越了顶级闭源模型（如 GPT-5.4-xHigh 和 Gemini-3.1-Pro）。 1. 模型架构与关键创新 DeepSeek-V4 继承了 DeepSeek-V3 的混合专家模型（MoE）框架和多 token 预测（MTP）策略，并引入了三项关键架构升级： 1.1 混合注意力架构（CSA 与 HCA） 为了打破超长上下文的效率壁垒，DeepSeek-V4 采用了压缩稀疏注意力（CSA）与重度压缩注意力（HCA）的交替混合配置。 * 压缩稀疏注意力 (CSA): * 机制： 将每 m 个 token 的 KV 缓存压缩为 1 条目，随后应用深度求索稀疏注意力（DSA），使每个查询 token 仅访问 k 个压缩后的 KV 条目。 * 优势： 在保证性能的同时，大幅缩减了序列维度的 KV 缓存负担。 * 重度压缩注意力 (HCA): * 机制： 采用更激进的压缩率 m′(m′≫m)，将大量 token 整合为单个条目，但保持密集（Dense）注意力模式。 * 局部增强： 两种机制均配备了滑动窗口注意力 (SWA) 分支，以精确建模局部细粒度依赖。 1.2 流形约束超连接 (mHC) DeepSeek-V4 引入了 mHC 以强化相邻 Transformer 块之间的残差连接。 * 流形约束： 将残差映射矩阵 Bl​ 约束在双随机矩阵流形（Birkhoff 多面体）上。 * 稳定性： 该约束确保了映射矩阵的谱范数有界，极大地增强了深层堆叠时的信号传输稳定性和模型表达能力。 1.3 Muon 优化器 除了 Embedding、RMSNorm 和 mHC 的静态偏置外，全量模块均采用 Muon 优化器。 * 正交化： 采用混合 Newton-Schulz 迭代（共 10 次迭代）实现权重的近似正交化，显著加快了模型的收敛速度并提升了训练稳定性。 2. 效率与基础设施优化 DeepSeek-V4 实现了全栈式的工程优化，确保在极长上下文场景下的实用性。 2.1 推理与计算效率 在 100 万 token 上下文场景中，与 DeepSeek-V3.2 相比： * FP4 量化感知训练 (QAT): 对 MoE 专家权重和 CSA 索引器路径应用 FP4 量化，大幅减少内存流量。 * 磁盘 KV 缓存： 针对共享前缀请求，引入磁盘存储策略，支持多种缓存策略（如全缓存、定期检查点、零缓存重计算）以平衡存储与算力。 2.2 专家并行与通信重叠 开发了 MegaMoE 融合算子，将 MoE 的 Dispatch/Combine 通信与 GEMM 计算完全重叠。 * 波次调度： 通过细粒度的专家波次划分，计算与通信持续并发，在通用负载下实现 1.50x 至 1.73x 的加速。 3. 训练与后训练流程 3.1 预训练数据与规模 * 数据量： 训练于超过 32T（Flash 版）和 33T（Pro 版）的高质量多元 Token。 * 策略： 逐步扩展序列长度，从 4K 提升至 16K、64K，最终达到 1M。 * 稳定性控制： 引入预知路由 (Anticipatory Routing) 和 SwiGLU Clamping 技术，有效抑制了训练过程中的损失尖峰（Loss Spikes）。 3.2 专家演进与策略内蒸馏 (OPD) * 领域专家培养： 针对数学、代码、智能体等领域分别进行监督微调（SFT）和强化学习（RL，采用 GRPO 算法）。 * 生成式奖励模型 (GRM): 弃用标量奖励模型，利用模型自身的逻辑进行评估，实现评估能力与生成能力的同步优化。 * 策略内蒸馏 (OPD): 采用多教师、全词表逻辑分布蒸馏，将多个领域专家的能力合而为一，避免了传统权重合并带来的性能损耗。 4. 性能评估结果 4.1 核心基准测试 DeepSeek-V4-Pro-Max 在多个维度展现了卓越性能： 4.2 真实世界任务 * 中文写作： 在功能性写作上以 62.7% 的胜率击败 Gemini-3.1-Pro；在创意写作的质量上胜率达到 77.5%。 * 白领办公： 在深度信息分析、文档生成等 30 项专业任务中，DeepSeek-V4-Pro-Max 的非负胜率（胜+平）达到 63%，显著优于 Opus-4.6-Max。 * 搜索增强： 引入智能体搜索 (Agentic Search)，通过迭代调用工具，在复杂 Q&A 任务中显著优于传统的检索增强生成（RAG）。 5. 智能体功能增强 * 交替思考 (Interleaved Thinking): 针对智能体场景，模型在工具调用回合中保留完整的思考链路（Thinking Traces），无需跨轮次重新构建解题状态，充分利用 1M 上下文优势。 * 快速指令 (Quick Instruction): 在对话前缀中添加特定特殊 token（如 <|query|>、<|action|>），利用已有的 KV 缓存并行执行辅助任务（如搜索意图识别），极大降低了首 token 延迟。 * DSec 沙箱： 建立了弹性计算平台，支持每集群数十万并发沙箱实例，通过预取加载和故障容错机制确保智能体执行的安全性与稳定性。 6. 结论与未来方向 DeepSeek-V4 系列通过突破性的架构设计，开启了开源模型百万级长文本的新纪元。尽管目前的架构由于集成了多种验证性组件而略显复杂，但其在推理算力与内存占用上的巨大节省为未来的测试时缩放（Test-time Scaling）和在线学习奠定了基础。 7. 局限性与改进： * 预知路由和 SwiGLU 钳位的底层原理仍需深化研究。 * 未来将探索 Embedding 模块的稀疏化，进一步优化多模态能力与长程智能体任务的鲁棒性。 📺播客说明 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。