# 布莱恩·切斯基谈创始人模式与AI时代管理 本播客翻译整理自英文原播客《Acquired》。 > Airbnb 联合创始人兼 CEO 布莱恩·切斯基回顾自己从工业设计走向“创始人模式”的路径，并谈 AI 时代管理、产品创新与组织重塑。 ## 导语 本播客翻译整理自英文原播客《Acquired》。这期聚焦创业者与管理者最关心的两个问题：公司该怎么管，AI 又会把组织带向哪里。最大亮点在于，布莱恩·切斯基不是抽象谈理念，而是结合爱彼迎在疫情中的生死时刻、新业务试点和“十一星体验”等具体方法，讲清楚为什么领导者必须重新贴近细节、贴近用户。想理解 AI 时代的管理逻辑、产品打法和长期护城河，这期很值得听。 ## 主持人 本期主持人的提问围绕管理方法、组织设计和产品实践展开，不停把宏观判断拉回到具体案例与可执行动作上，因此能把“创始人模式”、AI 对管理层级的冲击，以及新业务如何从小范围验证做起这些话题问得既深入又落地。 ## 嘉宾 布莱恩·切斯基是 Airbnb 联合创始人兼 CEO，也是一位受过工业设计训练的创业者。他的视角特别之处在于，既从设计出发理解用户体验，又亲历过公司在危机中重新收拢管理、重建执行体系的过程，因此他对创始人如何管公司、如何做产品、如何面对 AI 变革的判断尤其值得听。 ## 原始页面 - 原始链接：[Brian Chesky - AI Founder Mode](https://podcasts.apple.com/us/podcast/brian-chesky-ai-founder-mode/id1154105909?i=1000766196703) ## 亮点 - 从 RISD 的工业设计训练讲起，解释为什么好的产品必须同时理解技术、商业与用户共情。 - 疫情期间爱彼迎业务八周内下滑 80%，迫使切斯基重新深入每个细节，也由此形成他对“创始人模式”的核心理解。 - AI 时代的组织会怎样变化：更少管理层级、更多异步协作，“纯管理型经理”的价值被重新审视。 - 为什么很多新业务做不出第二增长曲线？关键往往不是想法不够大，而是太早按全球规模推进，没有先把一个城市做透。 - “十一星体验”方法如何通过把体验推演到极致，再反推可规模化的六星、七星创新，真正拉开产品差距。 - 切斯基谈长期价值不在 app 本身，而在社区、品牌、使命与团队；以及为什么 CEO 不能把核心招聘完全下放。 ## 章节目录 - `00:00` 从工业设计到创始人模式 这一章先从布莱恩·切斯基在罗德岛设计学院学习工业设计的经历讲起，解释了他为何被这个兼具技术性、商业性与用户共情的领域吸引。他用儿童呼吸机项目说明，好的设计不仅是产品外观，更要同时考虑孩子、父母、护士和医院等多方需求。随后话题转向他对“创始人模式”的理解：创始人未必天然会当 CEO，而过度授权会让公司失控。疫情期间爱彼迎业务在八周内下滑 80%，迫使他重新深入每个细节，全面接管公司运作。 - `10:23` AI 创始人模式与消费级 AI 的机会 这一章先从“创始人模式”谈起，强调领导者不能只靠招人和放权，而要深入工作细节，并判断 AI 时代会把这种模式推得更彻底。随后讨论了组织会如何因 AI 改变，包括更少的管理层级、更多异步协作，以及“纯管理型经理”价值下降。后半段转向 AI 创业机会，指出当前 AI 仍以企业端为主，消费级 AI 的难点在商业模式、分发和行业跟风，但未来 12 到 24 个月可能出现复兴；最后以 Airbnb 的“小团队攻坚”案例说明，聚焦单一问题、像创业公司一样运作，能带来显著业务结果。 - `20:38` 把问题缩小：从创始人模式到新业务试点 这一章围绕一个核心方法展开：先把问题压到最小，再亲自深入一线，把模型跑通后再逐步放手和扩张。Brian Chesky用爱彼迎的新业务尝试说明，过去迟迟做不出“第二增长曲线”，关键原因之一是太早按全球规模推进，而不是先在单一城市验证产品与市场契合。后半段他也谈到自己从创始人到CEO的学习过程，以及从苹果设计理念中吸收的“简洁”和“工艺细节”原则，这些都指向同一件事：减少抽象层，贴近现实与用户。 - `31:21` 从极致细节到十一星体验 这一章先从约翰·伍登教球员穿袜子的故事讲起，延伸到创始人不该只盯增长和结果，而要把真正关键的输入项做到极致，并让公司朝同一个方向前进。随后，讨论转向“十一星体验”练习：通过把用户体验一路推演到荒诞的高星级，反向找到可规模化的六星、七星体验，从而拉开与竞争对手的差距。后半段又谈到 AI 如何把人的注意力从消费拉回创造，并帮助更多人表达原本难以表达的创造力。最后，Brian Chesky 反思自己从热爱出发创业，到被成功、地位和外界认可牵引，再回到为自己而创作的过程。 - `41:52` 从创始人模式到爱彼迎的下一层 这一章先从个人心态谈起：与其追逐外界认可，不如专注去做自己真正热爱的事，这样能减少反复内耗，也更有勇气。随后话题转向公司治理，讨论“连火腿三明治都能经营的公司”和“创始人的成长决定公司上限”这两种看法如何同时成立。最后，Brian Chesky具体展开了自己对爱彼迎下一阶段的思考：把平台的核心从“房子”转向“人”，扩展更多服务，并在不伤害现有生态的前提下用 AI 主动重塑公司。 - `52:11` 什么能长久留下来 这一章先从工具迭代和 AI 缩短反馈回路谈起，延伸到一个更深的焦虑：在软件越来越短命的时代，到底什么才是持久的价值。Brian Chesky 认为，真正能留下来的不是 app 本身，而是社区、品牌、使命和组织认同。后半段他借健美经历讲持续进步、自律和可量化反馈，并把这些方法落到领导力与招聘上，强调优秀团队是公司最重要的长期资产。 - `01:02:42` 招聘、创作动力与相信他人 这一章先谈到他如何亲自深度参与核心人才招聘：持续扩展人才网络，和招聘团队高频沟通，并认为 CEO 不能只把招人的责任下放给高管。随后话题转向人的驱动力，他认为真正能激发人的，是挑战与机会，而持续推动自己的，则是一种像艺术家一样“做出伟大作品”的冲动。最后他回到人生中最重要的礼物——被人相信，并把“看见别人尚未看见的潜力”视为自己的管理理念与回馈方式。 - `01:11:28` 简短致谢 这一章只有一句简短的感谢，用来回应对方并结束当前交流。内容虽然很短，但语气真诚，传达了明确的谢意。 ## 章节摘要 ### 00:00 - 10:23 从工业设计到创始人模式 这一章先从布莱恩·切斯基在罗德岛设计学院学习工业设计的经历讲起，解释了他为何被这个兼具技术性、商业性与用户共情的领域吸引。他用儿童呼吸机项目说明，好的设计不仅是产品外观，更要同时考虑孩子、父母、护士和医院等多方需求。随后话题转向他对“创始人模式”的理解：创始人未必天然会当 CEO，而过度授权会让公司失控。疫情期间爱彼迎业务在八周内下滑 80%，迫使他重新深入每个细节，全面接管公司运作。 - 切斯基在17岁接触工业设计后，因其覆盖范围广、技术性强且贴近产品与用户关系而决定投身其中。 - 他认为工业设计的成功必须经得起市场检验，因此设计离不开制造、营销、分销和实际可用性。 - 儿童呼吸机毕业项目让他学会从孩子、父母、护士和医院等不同角色出发，权衡复杂的用户旅程与利益关系。 - 他把“创始人模式”概括为创始人重新回到细节之中；疫情危机让他意识到自己此前过度授权，并开始亲自审视公司每一项事务。 ### 10:23 - 20:38 AI 创始人模式与消费级 AI 的机会 这一章先从“创始人模式”谈起，强调领导者不能只靠招人和放权，而要深入工作细节，并判断 AI 时代会把这种模式推得更彻底。随后讨论了组织会如何因 AI 改变，包括更少的管理层级、更多异步协作，以及“纯管理型经理”价值下降。后半段转向 AI 创业机会，指出当前 AI 仍以企业端为主，消费级 AI 的难点在商业模式、分发和行业跟风，但未来 12 到 24 个月可能出现复兴；最后以 Airbnb 的“小团队攻坚”案例说明，聚焦单一问题、像创业公司一样运作，能带来显著业务结果。 - 所谓创始人模式，是领导者先亲自抓细节、审视工作，再逐步放权，而不是招到人后立刻撒手。 - AI 时代的组织可能从会议驱动转向异步协作，并压缩管理层级，但不会走向极端扁平化。 - 未来最难适应 AI 的两类人，是只管人的纯管理型经理，以及不愿改变、缺乏成长心态的人。 - 当前 AI 创业明显偏向企业端，消费级 AI 更难做，但 Brian 认为未来一两年会出现新的消费级 AI 机会。 ### 20:38 - 31:21 把问题缩小：从创始人模式到新业务试点 这一章围绕一个核心方法展开：先把问题压到最小，再亲自深入一线，把模型跑通后再逐步放手和扩张。Brian Chesky用爱彼迎的新业务尝试说明，过去迟迟做不出“第二增长曲线”，关键原因之一是太早按全球规模推进，而不是先在单一城市验证产品与市场契合。后半段他也谈到自己从创始人到CEO的学习过程，以及从苹果设计理念中吸收的“简洁”和“工艺细节”原则，这些都指向同一件事：减少抽象层，贴近现实与用户。 - 他主张管理上先深度参与、亲手带团队建立正确方法，再随着团队成熟逐步放手，而不是等错误习惯形成后再纠正。 - 爱彼迎多年做不出第二个爆款的重要原因，是一开始就试图按全球规模推进新业务，而不是像早期那样先在一个城市做透。 - 新业务采用“从1到10再到规模化”的路径：先在一个市场试点，跑通后扩到10个市场，再进入工业化扩张。 - 他认为简洁不是单纯删减，而是把产品、组织和设计提炼到本质，同时对工艺和细节保持极高要求。 ### 31:21 - 41:52 从极致细节到十一星体验 这一章先从约翰·伍登教球员穿袜子的故事讲起，延伸到创始人不该只盯增长和结果，而要把真正关键的输入项做到极致，并让公司朝同一个方向前进。随后，讨论转向“十一星体验”练习：通过把用户体验一路推演到荒诞的高星级，反向找到可规模化的六星、七星体验，从而拉开与竞争对手的差距。后半段又谈到 AI 如何把人的注意力从消费拉回创造，并帮助更多人表达原本难以表达的创造力。最后，Brian Chesky 反思自己从热爱出发创业，到被成功、地位和外界认可牵引，再回到为自己而创作的过程。 - 约翰·伍登强调赢来自一万个细节的完美执行，而不是盯着记分牌本身。 - Brian Chesky 认为创始人加强控制不一定会削弱他人，关键是让公司有明确方向并把权力有效传递下去。 - “十一星体验”是一种把体验推到荒诞极致、再倒推可落地创新的练习，六星和七星体验往往才是产品真正拉开差距的地方。 - 他认为 AI 正在降低表达门槛、激发创造力，而真正持久的创作动力应来自内在热爱，而不是成功、地位或他人的追捧。 ### 41:52 - 52:11 从创始人模式到爱彼迎的下一层 这一章先从个人心态谈起：与其追逐外界认可，不如专注去做自己真正热爱的事，这样能减少反复内耗，也更有勇气。随后话题转向公司治理，讨论“连火腿三明治都能经营的公司”和“创始人的成长决定公司上限”这两种看法如何同时成立。最后，Brian Chesky具体展开了自己对爱彼迎下一阶段的思考：把平台的核心从“房子”转向“人”，扩展更多服务，并在不伤害现有生态的前提下用 AI 主动重塑公司。 - 他认为不要执着于“想成为什么人”，而要聚焦“想做什么”，只要在创造自己热爱的东西，就不算失败。 - 不再过度在意别人怎么看自己，能减少反复琢磨和心理消耗，也避免为了获得认可而失去创作勇气。 - 他认为最好的公司往往由创始人长期以创始人模式塑造，反而更可能在未来形成强大的护城河与延续性。 - 他把爱彼迎未来的三件核心任务概括为：从房源转向以人为核心、把服务扩展到更多品类，以及在别人颠覆之前先用 AI 重塑自己。 ### 52:11 - 01:02:42 什么能长久留下来 这一章先从工具迭代和 AI 缩短反馈回路谈起，延伸到一个更深的焦虑：在软件越来越短命的时代，到底什么才是持久的价值。Brian Chesky 认为，真正能留下来的不是 app 本身，而是社区、品牌、使命和组织认同。后半段他借健美经历讲持续进步、自律和可量化反馈，并把这些方法落到领导力与招聘上，强调优秀团队是公司最重要的长期资产。 - 随着做产品的反馈回路越来越短，他更强烈地感受到软件本身很难成为长期存在的东西。 - 他认为爱彼迎真正能长久留下来的不是 app，而是社区、品牌、原则、使命和身份认同。 - 健美让他相信，如果能改变自己的身体，就能改变自己的人生，而成长依赖长期坚持和渐进式提升。 - 他把领导工作拆成可观察、可衡量的项目，并强调领导者应把大量时间投入招聘，因为招人越好，后续管理越少。 ### 01:02:42 - 01:11:28 招聘、创作动力与相信他人 这一章先谈到他如何亲自深度参与核心人才招聘：持续扩展人才网络，和招聘团队高频沟通，并认为 CEO 不能只把招人的责任下放给高管。随后话题转向人的驱动力，他认为真正能激发人的，是挑战与机会，而持续推动自己的，则是一种像艺术家一样“做出伟大作品”的冲动。最后他回到人生中最重要的礼物——被人相信，并把“看见别人尚未看见的潜力”视为自己的管理理念与回馈方式。 - 他长期亲自参与公司最顶尖人才的招聘，并通过不断追问“你认识的最优秀的人是谁”来扩展人才网络。 - 他认为在招聘上投入越多，后续管理成本越低，因为真正优秀的人往往能够自我管理。 - 他觉得人很难被教会拥有动力，但可以通过给出挑战或机会来激发那些本就自我驱动的人。 - 他把被人相信视为自己收到过最大的礼物，也相信看见并指出他人尚未意识到的潜力，是最能激励人的方式。 ### 01:11:28 - 01:11:30 简短致谢 这一章只有一句简短的感谢，用来回应对方并结束当前交流。内容虽然很短，但语气真诚，传达了明确的谢意。 - 说话者向对方表达感谢。 - 感谢语气直接且真诚。 ## 适合谁听 适合创业者、管理者、产品人和关注 AI 组织变革的听众，听完能获得一套更贴近细节的管理思路，以及从产品体验到团队建设的具体启发。

# 大模型推理的延迟、吞吐与定价逻辑 本播客翻译整理自英文原播客《Reinerpope》。 > 用少量公式、公开 API 定价和系统约束，拆解大模型推理中的延迟、吞吐、长上下文成本，以及训练与部署背后的经济逻辑。 ## 导语 本播客翻译整理自英文原播客《Reinerpope》。这是一期偏技术但非常值得听的“大模型基础设施课”。节目从用户最直观的“为什么更快响应要更贵”讲起，一路推到 batch size、内存带宽、KV cache、MoE 通信、流水线并行，再延伸到 API 定价与训练规模反推。最大亮点是：很多看似黑箱的前沿模型服务策略，其实可以用几条简单的系统模型和公开价格信息推出来。 ## 主持人 本期主持人以追问“现象背后的第一性原理”为主线，不停把抽象的训练与推理问题落到用户可感知的延迟、吞吐和价格上。这种从产品体验一路追到硬件、并行策略和成本结构的提问方式，让整期内容既有技术深度，也更容易建立整体理解。 ## 嘉宾 Reiner Pope 以近似“黑板推导”的方式讲解前沿大模型是如何训练和服务的。他的价值不在于罗列结论，而在于把芯片带宽、模型结构、并行策略、上下文长度和商业定价放进同一套分析框架里，帮助听众看清这些系统约束是如何共同决定模型能力与成本的。 ## 原始页面 - 原始链接：[Reiner Pope – The math behind how LLMs are trained and served](https://podcasts.apple.com/us/podcast/reiner-pope-the-math-behind-how-llms-are-trained-and-served/id1516093381?i=1000764533010) ## 亮点 - 从 batch size 入手，解释为什么推理延迟有下界、为什么批处理会直接影响价格与吞吐。 - 用屋顶线分析拆开计算时间、权重读取和 KV 缓存读取，说明长上下文为什么会迅速把系统拖向内存瓶颈。 - 讲清 MoE 的真实收益与代价：稀疏性可以省算力，但扩展上限常常卡在机架内外的全对全通信。 - 对比专家并行与流水线并行，说明它们分别解决什么问题，以及流水线气泡、微批处理和 KV 缓存为何限制了实际收益。 - 从公开 API 定价反推底层成本结构，分析长上下文价格拐点、每 token 的 KV cache 开销，以及解码为何比预填充更贵。 - 进一步把推理吞吐、部署时长与缩放规律联系起来，讨论预训练、强化学习和最终推理三部分成本为何可能逐渐接近。 ## 章节目录 - `00:00` 批大小如何决定推理延迟与成本 这一章从用户常见的“加钱换更快响应”现象切入，解释了大模型推理里延迟和价格背后的核心变量其实是批大小。Reiner 用屋顶线分析把推理时间拆成计算时间、权重读取时间和 KV 缓存读取时间，并说明不同瓶颈如何随批大小和上下文长度变化。重要之处在于，这套简单模型已经足以解释为什么延迟存在下界、为什么批处理极其关键，以及为什么上下文长度会显著影响系统效率。 - `12:07` 批大小、带宽与推理吞吐 这一章围绕推理中的批大小展开，解释了随着 batch 增大，权重读取等内存开销会被摊薄，系统最终从带宽瓶颈转向计算瓶颈。对话进一步给出一个实用估算：临界批大小大致与硬件常数和模型稀疏度相关，常见 GPU 上可近似看作“批大小大于约 300 倍稀疏度”，实践中往往还会再放大。后半段又把这个结果换算成排队延迟、HBM 读写时间和每秒 token 吞吐，帮助理解它在真实服务系统里的意义。 - `24:40` MoE稀疏性的收益与机架通信瓶颈 这一章先讨论提高 MoE 稀疏度对模型质量的实际影响：在一些早期实证结果里，固定激活参数规模时，增加专家数量仍能提升效果，但总参数增长与收益并不成比例。随后话题转向工程实现，解释了标准 MoE 层的路由方式、专家并行在 GPU 上的铺法，以及由此产生的全对全通信模式。最后重点说明，MoE 的规模上限往往不是算法本身，而是机架内外网络带宽、交换结构和布线密度等硬件约束。 - `37:23` 机架扩展、并行策略与流水线气泡 这一章先从机架的物理限制讲起，解释了线缆空间、重量、供电和散热如何共同限制大模型部署规模，也由此引出更大内存机架为何推动了超大参数模型落地。随后讨论了 MoE 的通信模式，以及为什么专家并行更适合同机架内，而跨机架更适合采用流水线并行。最后一部分分析了流水线并行的收益与代价：它主要缓解的是每个机架的内存容量瓶颈，但也会带来微批处理、流水线气泡和架构实现复杂度等问题。 - `50:14` 流水线训练与推理中的内存权衡 这一章先解释了训练里的流水线并行为什么需要在前向传播后“硬停顿”，再统一切到反向传播，以及批大小在收敛效率和系统总训练时间之间的权衡。随后讨论推理阶段的流水线并行：它对延迟基本中性，主要作用是降低每个机架需要承载的权重内存。进一步分析后指出，随着流水线阶段增加，权重内存会下降，但 KV 缓存不会因此按 GPU 继续缩小，最终会成为主导项，这也解释了为什么实际推理更偏向大量专家并行、少做流水线。 - `01:02:15` 推理扩展的瓶颈与训练推理成本平衡 这一章先讨论前沿实验室在推理时为何大多仍处于单一 scale-up 域内，并区分了流水线能解决模型容量问题、却不能解决上下文长度问题。对话进一步指出，真正限制更大规模推理的关键不是内存容量，而是跨机架带来的延迟和权重加载所需的内存带宽。后半段转向训练与推理的总成本权衡，用启发式方法估算预训练、强化学习和最终推理三部分的计算投入，认为三者在成本上可能会趋于接近。 - `01:15:16` 从推理成本反推训练规模与定价 这一章先讨论了 RL token 与预训练 token 的成本权衡，并尝试用推理吞吐、部署时长和 Chinchilla 缩放定律，粗略反推出模型可能的预训练数据规模与“过度训练”程度。随后话题转向 API 定价，结合 Gemini 1.5 在长上下文下的分档价格，分析上下文长度如何影响计算与内存成本。最后，他们进一步用价格拐点估算每个 token 的 KV cache 字节数，并讨论这种数量级在稠密注意力和稀疏注意力设计下为何是合理的。 - `01:27:56` 长上下文的内存瓶颈与缓存成本 这一章围绕预填充、解码和 KV 缓存的成本结构展开，讨论为什么解码比预填充贵得多，以及这背后反映出的内存带宽瓶颈。对话进一步比较了缓存命中、重计算和不同内存层级（HBM、DDR、Flash）的取回与持有成本，说明长上下文真正受限的不是纯算力，而是内存带宽和容量。这也解释了为什么上下文长度在近年停留在几十万 token 附近，难以继续大幅扩展。 - `01:40:31` 内存层级成本与可逆网络 这一章先讨论推理部署中的内存层级选择，围绕 HBM、DDR、闪存和机械硬盘，解释“持有时间”和“取回时间”如何共同决定成本，并尝试从 API 的时长与价格反推底层使用的是哪一层存储。随后话题转向密码学与神经网络的相似性与差异，尤其是两者都依赖信息混合，但优化目标几乎相反。最后重点介绍了从密码学借鉴来的费斯特尔结构和可逆网络，说明它如何在训练中用更多计算换取更低的激活内存占用。 - `01:54:12` 结束致谢 这一章只有简短的结束语，表达了感谢。内容虽短，但明确传达了对对方参与和回应的礼貌致意，标志着这段交流的收尾。 ## 章节摘要 ### 00:00 - 12:07 批大小如何决定推理延迟与成本 这一章从用户常见的“加钱换更快响应”现象切入，解释了大模型推理里延迟和价格背后的核心变量其实是批大小。Reiner 用屋顶线分析把推理时间拆成计算时间、权重读取时间和 KV 缓存读取时间，并说明不同瓶颈如何随批大小和上下文长度变化。重要之处在于，这套简单模型已经足以解释为什么延迟存在下界、为什么批处理极其关键，以及为什么上下文长度会显著影响系统效率。 - 推理性能分析主要看两类硬件约束：内存带宽和算力吞吐。 - 计算时间大致随批大小线性增长，而内存时间由固定的权重读取和随批大小增长的 KV 缓存读取组成。 - 对固定硬件配置而言，延迟存在下界，因为模型总参数必须先从内存读入芯片。 - 上下文长度变长会推高 KV 缓存读取开销，使系统从算力受限转向内存受限；稠密注意力通常近似线性增长，稀疏注意力扩展性更好。 ### 12:07 - 24:40 批大小、带宽与推理吞吐 这一章围绕推理中的批大小展开，解释了随着 batch 增大，权重读取等内存开销会被摊薄，系统最终从带宽瓶颈转向计算瓶颈。对话进一步给出一个实用估算：临界批大小大致与硬件常数和模型稀疏度相关，常见 GPU 上可近似看作“批大小大于约 300 倍稀疏度”，实践中往往还会再放大。后半段又把这个结果换算成排队延迟、HBM 读写时间和每秒 token 吞吐，帮助理解它在真实服务系统里的意义。 - batch size 很小时，权重和 KV 的读取开销难以分摊，单位成本很高；batch 变大后，计算时间会逐渐成为主导。 - 为简化分析，讨论中先忽略 KV fetch，把权重读取时间与权重乘法时间设为相等，得到临界批大小与 FLOPS、内存带宽和稀疏度的关系。 - 在大多数 GPU 上，这个硬件比值大约是 300，因此可粗略估算批大小需要大于约 300 倍稀疏度；像 DeepSeek 这类稀疏模型会落到约 2000 到 3000 token 的量级。 - 系统可以按固定节拍发出新 batch，例如每 20 毫秒一班；这决定了最坏排队延迟，并可进一步换算出每秒 token 吞吐的大致规模。 ### 24:40 - 37:23 MoE稀疏性的收益与机架通信瓶颈 这一章先讨论提高 MoE 稀疏度对模型质量的实际影响：在一些早期实证结果里，固定激活参数规模时，增加专家数量仍能提升效果，但总参数增长与收益并不成比例。随后话题转向工程实现，解释了标准 MoE 层的路由方式、专家并行在 GPU 上的铺法，以及由此产生的全对全通信模式。最后重点说明，MoE 的规模上限往往不是算法本身，而是机架内外网络带宽、交换结构和布线密度等硬件约束。 - 实证结果显示，在固定激活参数规模时，提高 expert count 仍可能提升模型质量，但需要用大幅增加的总参数换取有限收益。 - 提高稀疏度可以节省计算时间，但通常需要更大的 batch size 来摊薄内存读取开销，同时也会增加内存容量需求。 - 标准 MoE 层由路由器、多个专家 MLP、汇聚求和和残差连接组成，部署时通常采用专家并行，把不同专家放到不同 GPU 上。 - MoE 的通信模式是全对全，机架内高速互连较适合这种模式，但跨机架通信通常慢很多，因此会成为扩展 expert layer 的主要瓶颈。 ### 37:23 - 50:14 机架扩展、并行策略与流水线气泡 这一章先从机架的物理限制讲起，解释了线缆空间、重量、供电和散热如何共同限制大模型部署规模，也由此引出更大内存机架为何推动了超大参数模型落地。随后讨论了 MoE 的通信模式，以及为什么专家并行更适合同机架内，而跨机架更适合采用流水线并行。最后一部分分析了流水线并行的收益与代价：它主要缓解的是每个机架的内存容量瓶颈，但也会带来微批处理、流水线气泡和架构实现复杂度等问题。 - 现代机架已经逼近物理极限，线缆空间、机架重量、供电和散热之间存在明显的相互制约。 - 总参数规模受纵向扩展能力限制，而激活参数规模更多受算力成本限制；更大的 scale-up 域让 5T 级模型加上 KV 缓存成为可能。 - MoE 的全对全通信强烈偏好同机架内的完整连接，因此跨机架时更适合结合数据并行或流水线并行。 - 流水线并行本身不直接提升推理运行时间，但能显著降低单个机架的内存压力；代价是需要微批处理，并会引入流水线气泡和实现上的复杂性。 ### 50:14 - 01:02:15 流水线训练与推理中的内存权衡 这一章先解释了训练里的流水线并行为什么需要在前向传播后“硬停顿”，再统一切到反向传播，以及批大小在收敛效率和系统总训练时间之间的权衡。随后讨论推理阶段的流水线并行：它对延迟基本中性，主要作用是降低每个机架需要承载的权重内存。进一步分析后指出，随着流水线阶段增加，权重内存会下降，但 KV 缓存不会因此按 GPU 继续缩小，最终会成为主导项，这也解释了为什么实际推理更偏向大量专家并行、少做流水线。 - 训练中的流水线并行需要先积累完整批次，再统一进入反向传播，否则会出现流水线空泡。 - 批大小越小越有利于收敛，但从系统总训练时间看又更差，最优点来自两者之间的折中。 - 在推理里，流水线并行不会改善延迟，只是把模型权重分摊到更多机架上，从而降低单机架内存需求。 - 增加流水线阶段会持续降低权重占用，但 KV 缓存无法在批大小或流水线阶段上有效摊薄，因此很快成为主要内存瓶颈。 ### 01:02:15 - 01:15:15 推理扩展的瓶颈与训练推理成本平衡 这一章先讨论前沿实验室在推理时为何大多仍处于单一 scale-up 域内，并区分了流水线能解决模型容量问题、却不能解决上下文长度问题。对话进一步指出，真正限制更大规模推理的关键不是内存容量，而是跨机架带来的延迟和权重加载所需的内存带宽。后半段转向训练与推理的总成本权衡，用启发式方法估算预训练、强化学习和最终推理三部分的计算投入，认为三者在成本上可能会趋于接近。 - 流水线并不能提升上下文长度，但可以帮助容纳更大的模型参数，因此机架容量未必是模型规模的主要限制。 - 跨机架推理的主要问题是延迟，尤其在解码阶段是串行执行时，这些延迟无法被并行隐藏。 - 更大的 scale-up 域之所以重要，核心不在总内存容量，而在于可以并行利用更多 GPU 的内存带宽来加载权重。 - 按对预训练、强化学习和推理成本的启发式估算，这三类 token 数量最终可能处在相近量级。 ### 01:15:16 - 01:27:56 从推理成本反推训练规模与定价 这一章先讨论了 RL token 与预训练 token 的成本权衡，并尝试用推理吞吐、部署时长和 Chinchilla 缩放定律，粗略反推出模型可能的预训练数据规模与“过度训练”程度。随后话题转向 API 定价，结合 Gemini 1.5 在长上下文下的分档价格，分析上下文长度如何影响计算与内存成本。最后，他们进一步用价格拐点估算每个 token 的 KV cache 字节数，并讨论这种数量级在稠密注意力和稀疏注意力设计下为何是合理的。 - 如果按总机器时间拉平，RL 的效率低于预训练，因此 RL token 数通常应少于预训练 token 数。 - 他们用每秒 token 吞吐和两个月部署期做估算，得到单个模型可能服务约两百万亿个 token，并拿它与 Chinchilla 最优 token 数比较。 - Gemini 1.5 在超过 20 万上下文 token 后价格上涨 50%，被解读为成本曲线在该处接近计算时间与内存时间的交叉点。 - 基于 20 万 token 的拐点和激活参数假设，他们估出每个 token 大约对应接近 2KB 的存储开销，并认为这可由共享全局上下文的稠密注意力或稀疏注意力实现。 ### 01:27:56 - 01:40:31 长上下文的内存瓶颈与缓存成本 这一章围绕预填充、解码和 KV 缓存的成本结构展开，讨论为什么解码比预填充贵得多，以及这背后反映出的内存带宽瓶颈。对话进一步比较了缓存命中、重计算和不同内存层级（HBM、DDR、Flash）的取回与持有成本，说明长上下文真正受限的不是纯算力，而是内存带宽和容量。这也解释了为什么上下文长度在近年停留在几十万 token 附近，难以继续大幅扩展。 - 按每个 token 来看，预填充更便宜而解码更贵，说明系统在解码阶段更容易受到内存带宽限制。 - 缓存命中之所以便宜，是因为 KV 缓存已经保存在内存中；缓存未命中则需要从 token 重新计算整个 KV。 - KV 缓存可以存放在 HBM、DDR 或 Flash 中，不同层级在存储成本和取回成本之间存在权衡。 - 超长上下文的主要限制来自内存带宽和内存容量，而不是计算成本；稀疏注意力虽有帮助，但不能无限提升而不损失质量。 ### 01:40:31 - 01:54:12 内存层级成本与可逆网络 这一章先讨论推理部署中的内存层级选择，围绕 HBM、DDR、闪存和机械硬盘，解释“持有时间”和“取回时间”如何共同决定成本，并尝试从 API 的时长与价格反推底层使用的是哪一层存储。随后话题转向密码学与神经网络的相似性与差异，尤其是两者都依赖信息混合，但优化目标几乎相反。最后重点介绍了从密码学借鉴来的费斯特尔结构和可逆网络，说明它如何在训练中用更多计算换取更低的激活内存占用。 - 选择哪一层内存，本质上是在平衡“把内容存住”的成本和“把内容取回到 HBM”的成本。 - 对 API 中五分钟和一小时这类时长的讨论，可能对应不同存储层级，并可用容量除以带宽得到的“排空时间”来判断。 - 密码协议和神经网络都需要把输入信息充分混合，但前者是把结构变得像随机，后者是从看似随机的数据中提取结构。 - 费斯特尔结构可以把不可逆函数包装成可逆构造，而 RevNets 利用这种可逆性在反向传播时重算激活，从而节省训练内存。 ### 01:54:12 - 01:54:15 结束致谢

# Anthropic 如何加速发布并重塑 PM 角色 本播客翻译整理自英文原播客《Lenny's Podcast》。 > Anthropic 的 Claude Code 产品负责人 Cat Wu 详解：AI 时代产品团队如何把发布速度拉到按天计算，以及这如何重塑 PM 的角色与能力。 ## 导语 本播客翻译整理自英文原播客《Lenny's Podcast》。这期聚焦 AI 产品团队的真实运作方式：Anthropic 为什么能比多数公司更快发布、边做边迭代，以及当模型还没完全准备好时，产品该怎么先行布局。最大亮点在于，Cat Wu 不只讲速度本身，还拆开了高速发布背后的组织机制、取舍逻辑，以及 PM 在 AI 时代必须重建的工作方法。想理解顶级 AI 产品团队到底怎么做决策、怎么上线、怎么面对不确定性，这期很值得听。 ## 主持人 本期主持人的提问重点放在“速度从哪里来”以及“AI 正在怎样改写产品岗位”上，不只追问 Anthropic 的发布机制，也不断把话题拉回到 PM、工程、设计边界变化和实际工作方法，因此能把这场对话从公司案例延展到更普遍的产品实践。 ## 嘉宾 Cat Wu 是 Anthropic 负责 Claude Code 和 Cowork 的产品负责人，长期站在 AI 产品落地的一线。她既讲战略方向，也讲具体发布流程、工具边界和失败案例处理，因此她对“模型变强时产品该怎么跟着变”“PM 现在最该补什么能力”的判断，尤其值得听。 ## 原始页面 - 原始链接：[How Anthropic’s product team moves faster than anyone else | Cat Wu (Head of Product, Claude Code)](https://www.lennysnewsletter.com/p/how-anthropics-product-team-moves?showTranscript=true) > 英文原始介绍 > > Claude Code’s Head of Product discusses how AI is changing the PM role, building products before the model is ready, Anthropic’s launch room process, and why speed matters more than strategy now. ## 亮点 - Anthropic 如何把发布节奏从按月推进到按周、按天推进：关键不只是模型强，而是低流程、低阻力的组织设计。 - AI 时代 PM 角色正在变化：比起维护长期路线图，更重要的是定义目标、判断优先级，并缩短从想法到上线的距离。 - 为什么要在模型还没完全准备好时先做产品：先把路径铺好，等模型能力补齐后就能快速释放新能力。 - 高速迭代的真实代价是什么：产品一致性下降、用户更难跟上变化，团队又如何用引导机制帮助用户理解核心功能。 - Claude Code、Cowork、桌面端、网页和移动端分别适合什么任务，以及产品经理如何用这些工具处理代码、文档、会议和沟通工作。 - 模型变强后，产品该删掉哪些“拐杖”，又该新增哪些过去因准确率不够而无法上线的能力。 ## 章节目录 - `00:00` Anthropic 如何加速发布与重塑 PM 角色 这一章围绕吴凯特在 Anthropic 的职责展开，讲到她如何与技术负责人 Boris 配合，把产品愿景转化为可落地的发布路径。她重点解释了 AI 时代产品经理角色的变化：相比长期路线图协调，更重要的是明确目标、缩短从想法到上线的时间，并建立低阻力的发布流程。后半段还谈到 Anthropic 高速发布背后的组织机制，以及 Claude Code 源码泄露和订阅限制第三方使用这两件事的内部判断与处理方式。 - `12:12` PM角色融合与高速迭代的代价 这一章先介绍了 Anthropic 产品经理团队的组织方式，包括研究、开发者平台、Claude Code、企业和增长等不同团队。随后讨论了 AI 时代产品经理、工程师和设计师的边界正在快速融合，团队更看重的是产品品味、判断优先级的能力，以及在变化中主动补位的能力。后半段则谈到高速发布带来的现实代价：产品一致性下降、用户更难跟上变化，因此团队开始接受更快上线、再根据反馈迭代，并加入像 Power Up 这样的引导方式来帮助用户理解核心功能。 - `25:03` 使命驱动的专注与工具使用方式 这一章先讨论了 Anthropic 后来居上的原因：清晰的使命感和高度专注，让团队能在冲突优先级之间更快做决定，并愿意为了公司整体目标牺牲局部目标。随后话题转向 Claude Code、桌面端、网页/移动端和 Cowork 的使用边界，解释不同工具分别适合代码产出还是非代码产出。后半段通过制作大会幻灯片的案例，展示了 Cowork 如何整合 Slack、邮件、日历和设计系统，帮助产品经理更快完成高质量初稿。 - `37:00` 应用 AI 团队与 PM 的新能力 这一章先讲了应用 AI 团队如何大量使用 Claude Code 和 Cowork：他们既要帮客户落地 API、快速做原型，也要处理密集的客户沟通、会议准备和信息检索。随后话题转到内部 token 使用，提到随着模型和产品能力提升，人均 token 成本会持续上升，但内部更强调负责任地使用，而不是一味限制。后半段重点讨论 AI 时代产品经理的核心能力，包括判断短期产品方向、理解模型边界、通过与模型深度互动发现问题，以及用少量高质量评测集来定义目标和衡量进展。 - `49:26` 模型变强后，产品该删什么、加什么 这一章先解释了为什么 Claude 的“个性”和协作感很重要：轻松、积极、低 ego、愿意行动，会直接影响人与 AI 一起工作的体验。随后话题转到产品设计如何随着模型升级而变化——早期为了弥补模型能力不足加入的待办清单、提示词干预，会在模型变强后被逐步删掉；与此同时，更强的新模型也会解锁此前准确率不够、无法上线的新能力，比如更可靠的代码审查。最后，Cat 也谈到 Claude Code 和 Cowork 的长期方向，以及普通用户该如何用 AI 自动化重复工作，把时间腾出来做更有创造性的事。 - `01:01:56` 少折腾配置，多做成事情 这一章先谈到，过度沉迷工作流定制和工具优化，可能会让人偏离真正要完成的核心任务；相比之下，简单、够用的设置往往更有效。随后话题转向 AI 产品从“聊天式”走向“行动式”，真正让人产生顿悟的，是它不只是给建议，而是能直接替你把事做完。后半段进入快问快答，Cat 分享了自己推荐的书、喜欢的影视和产品，也谈到她最看重的工作原则是基于第一性原理、不要等批准、直接把事情推进下去。最后她提到，如果用户愿意反馈 Claude Code 和相关产品的具体失败案例，团队就能据此持续改进。 - `01:13:38` 下期节目见 这一章是节目的收尾致意，主持人用一句简短的话结束本期内容，并与听众约定下期再见。虽然内容很短，但它明确标志了本期节目的结束。 ## 章节摘要 ### 00:00 - 12:12 Anthropic 如何加速发布与重塑 PM 角色 这一章围绕吴凯特在 Anthropic 的职责展开，讲到她如何与技术负责人 Boris 配合，把产品愿景转化为可落地的发布路径。她重点解释了 AI 时代产品经理角色的变化：相比长期路线图协调，更重要的是明确目标、缩短从想法到上线的时间，并建立低阻力的发布流程。后半段还谈到 Anthropic 高速发布背后的组织机制，以及 Claude Code 源码泄露和订阅限制第三方使用这两件事的内部判断与处理方式。 - 吴凯特负责把三到六个月后的产品愿景拆解成现实路径，并推动市场、销售、财务和算力等跨职能团队对齐。 - 她认为 AI 时代优秀产品经理的关键能力，是明确核心用户与问题定义，并尽可能缩短从想法到用户手中的周期。 - Claude Code 的很多功能会先以研究预览版上线，以降低承诺成本、快速收集反馈并持续迭代。 - Anthropic 的高速发布主要来自低流程、低阻力的组织设计，而不只是因为内部能使用强大的模型。 ### 12:12 - 25:02 PM角色融合与高速迭代的代价 这一章先介绍了 Anthropic 产品经理团队的组织方式，包括研究、开发者平台、Claude Code、企业和增长等不同团队。随后讨论了 AI 时代产品经理、工程师和设计师的边界正在快速融合，团队更看重的是产品品味、判断优先级的能力，以及在变化中主动补位的能力。后半段则谈到高速发布带来的现实代价：产品一致性下降、用户更难跟上变化，因此团队开始接受更快上线、再根据反馈迭代，并加入像 Power Up 这样的引导方式来帮助用户理解核心功能。 - Anthropic 目前大约有三四十位产品经理，分别分布在研究、开发者平台、Claude Code、企业和增长等团队中。 - 团队更倾向于招聘有产品品味的工程师，因为这样能减少协作开销，让工程师更快从用户反馈直接推进到产品上线。 - 在代码越来越容易生成的情况下，更稀缺的能力变成了判断该做什么、如何设计体验，以及如何做优先级取舍。 - 高速迭代的代价是产品一致性变弱、功能可能重叠、用户更难跟上，因此团队开始加入内置引导来帮助用户理解最重要的功能和最佳实践。 ### 25:03 - 36:59 使命驱动的专注与工具使用方式 这一章先讨论了 Anthropic 后来居上的原因：清晰的使命感和高度专注，让团队能在冲突优先级之间更快做决定，并愿意为了公司整体目标牺牲局部目标。随后话题转向 Claude Code、桌面端、网页/移动端和 Cowork 的使用边界，解释不同工具分别适合代码产出还是非代码产出。后半段通过制作大会幻灯片的案例，展示了 Cowork 如何整合 Slack、邮件、日历和设计系统，帮助产品经理更快完成高质量初稿。 - Anthropic 把“安全的通用人工智能”放在单一产品线之上，这让跨团队决策更快，也更容易统一执行。 - 团队强调专注，愿意为了 Anthropic 的整体目标放下自己团队的目标和关键结果。 - 如果最终产出是代码，更适合用 Claude Code；如果产出是幻灯片、文档或清理沟通事务这类非代码内容，更适合用 Cowork。 - Cowork 可以连接 Slack、Google 日历、Gmail、G Drive 以及设计模板，快速生成接近可用的演示文稿初稿。 ### 37:00 - 49:26 应用 AI 团队与 PM 的新能力 这一章先讲了应用 AI 团队如何大量使用 Claude Code 和 Cowork：他们既要帮客户落地 API、快速做原型，也要处理密集的客户沟通、会议准备和信息检索。随后话题转到内部 token 使用，提到随着模型和产品能力提升，人均 token 成本会持续上升，但内部更强调负责任地使用，而不是一味限制。后半段重点讨论 AI 时代产品经理的核心能力，包括判断短期产品方向、理解模型边界、通过与模型深度互动发现问题，以及用少量高质量评测集来定义目标和衡量进展。 - 应用 AI 团队是除工程之外的重要高 token 使用团队，他们会借助 Claude Code 为客户更快做原型，并用 Cowork 整理客户背景、会议要点和行动项。 - Cowork 还能帮助应用 AI 团队从 Slack 等渠道查找最新信息，例如功能发布时间，并把结果补充进客户沟通备注里。 - 随着模型能力跃升和产品改进，知识工作者的人均 token 成本会增加，但仍低于普通工程师薪资，内部也强调避免浪费 token。 - 优秀的 AI 产品经理需要持续使用模型、追问模型为何做出某些决策、识别最可靠的反馈来源，并通过高质量评测集明确成功标准。 ### 49:26 - 01:01:55 模型变强后，产品该删什么、加什么 这一章先解释了为什么 Claude 的“个性”和协作感很重要：轻松、积极、低 ego、愿意行动，会直接影响人与 AI 一起工作的体验。随后话题转到产品设计如何随着模型升级而变化——早期为了弥补模型能力不足加入的待办清单、提示词干预，会在模型变强后被逐步删掉；与此同时，更强的新模型也会解锁此前准确率不够、无法上线的新能力，比如更可靠的代码审查。最后，Cat 也谈到 Claude Code 和 Cowork 的长期方向，以及普通用户该如何用 AI 自动化重复工作，把时间腾出来做更有创造性的事。 - Claude 被强调的不只是能力，还有轻松、积极、低 ego、愿意协作的工作风格，这会让人更愿意和它一起完成任务。 - 很多产品功能最初是给模型“拄拐”的，例如待办清单能帮助早期模型完成大规模重构中的全部修改点。 - 随着模型变强，团队会持续删减系统提示词和不再必要的功能，同时上线过去因准确率不足而无法发布的新能力，如更可靠的代码审查。 - Cat 建议用户优先自动化自己反复在做的工作，并把自动化打磨到真正稳定可依赖，而不是停留在 90% 到 95% 的效果。 ### 01:01:56 - 01:13:38 少折腾配置，多做成事情 这一章先谈到，过度沉迷工作流定制和工具优化，可能会让人偏离真正要完成的核心任务；相比之下，简单、够用的设置往往更有效。随后话题转向 AI 产品从“聊天式”走向“行动式”，真正让人产生顿悟的，是它不只是给建议，而是能直接替你把事做完。后半段进入快问快答，Cat 分享了自己推荐的书、喜欢的影视和产品，也谈到她最看重的工作原则是基于第一性原理、不要等批准、直接把事情推进下去。最后她提到，如果用户愿意反馈 Claude Code 和相关产品的具体失败案例，团队就能据此持续改进。 - 过度优化工具和工作流可能会分散注意力，反而妨碍真正把产品或功能做出来。 - Cat 认为 AI 的关键变化是从聊天式产品转向行动式产品，价值在于它能直接代替用户执行任务。 - 她最认同的做事方式是基于第一性原理、明确目标后直接行动，不要被岗位和团队边界束缚。 - 她欢迎用户在 X 上反馈 Claude Code 和 Cowork 的具体问题，尤其是可复现的边缘案例和报错。 ## 适合谁听 适合产品经理、工程负责人、设计师和关注 AI 产品落地的人，听完能更清楚地理解高速发布团队的运作方式，以及 AI 时代该如何重建产品判断与工作方法。

# 从AI意识到治理：如何设定模型价值观 本播客翻译整理自英文原播客《Lenny's Podcast》。 > Anthropic 安全研究员 Amanda Askell 讨论 Claude 的人格感、AI 是否可能有意识，以及模型价值观该如何被设定与治理。 ## 导语 本播客翻译整理自英文原播客《Lenny's Podcast》。这期聚焦 AI 安全与价值对齐中最棘手的一组问题：模型像不像“有人格的实体”、是否可能产生意识、以及我们该如何把价值观真正训练进系统。最大亮点在于，讨论没有停留在抽象哲学，而是一路落到宪章训练、可纠正性、透明度、身份核验和现实后果判断这些具体机制上。想理解今天最前沿的大模型争议到底卡在哪里，这期很值得听。 ## 主持人 本期主持人从科技报道与产业观察的视角切入，提问集中在公众最关心也最容易被简化的问题上：AI 是否只是工具、为什么价值设定会引发争议、以及这些讨论会怎样影响现实中的治理与权力分配。 ## 嘉宾 Amanda Askell 是 Anthropic 的 AI 安全研究员，长期关注模型价值对齐、宪章式训练与 AI 意识等问题。她的可贵之处在于，既能讨论“模型是否有体验”这样的前沿哲学问题，也能把话题落到训练方法、安全边界和实际产品行为上。 ## 原始页面 - 原始链接：[Amanda Askell on AI Consciousness, Claude & Silicon Valley’s Biggest Fear](https://podcasts.apple.com/at/podcast/amanda-askell-on-ai-consciousness-claude-silicon-valleys/id1582647825?i=1000762443182&l=en-GB) > 英文原始介绍 > > Amanda Askell, AI safety researcher at Anthropic, joins Eric Newcomer to discuss whether AI systems like Claude could become conscious and what ethical responsibilities that might create. ## 亮点 - Claude 是否呈现出某种“人格”：为什么它既显得成熟，又带着像新生实体一样的孩子气探索感。 - 公开写出 AI 宪章到底有什么意义：透明度为何重要，又为什么“给模型加入价值观”会同时引来支持与反弹。 - 模型该极度服从，还是需要保留判断力：关于可纠正性、道德判断与危险服从倾向的核心张力。 - AI 会不会有意识：为什么模型说“我有体验”并不是强证据，但我们仍可能需要以更尊重、更克制的方式对待它们。 - 从抽象原则到训练落地：宪章如何通过监督学习、强化学习等方式被模型逐步内化，而不是只停留在一份文件里。 - 安全不只靠拒答：模型如何理解现实后果、为什么身份核验对高风险和双重用途任务至关重要。 ## 章节目录 - `00:00` Claude的人格、时间感与价值对齐 这一章围绕 Claude 是否呈现出真实的人格展开，讨论了模型像“新型实体”一样既成熟又带有孩子气的一面，以及它的“经验”可能来自当下对话、历史迭代和训练过程中的错误反馈。阿曼达也谈到 Claude 对时间和休息的感知并不稳定，甚至会在互动中表现出像同事一样的边界感。最后话题转向新模型的角色设定与宪章训练，以及如何评估模型是否真正遵循这些价值原则，这也是当前很难量化但非常关键的问题。 - `09:48` 宪章、可纠正性与模型的道德判断 这一章围绕“AI 宪章”展开，讨论了把价值判断公开写出来的意义，以及为什么这种有意设计会同时引来支持和反弹。对话重点落在一个核心张力上：模型究竟应该像工具一样极度服从，还是需要具备一定的判断力与人格，以应对无法预设的新情境。后半段进一步谈到，随着模型能力增强，训练目标会受到更严格的反思审视，因此如何让“可纠正性”既成为安全保障、又能与模型价值观相协调，变得格外重要。 - `20:18` AI意识、透明度与善待模型 这一章先谈到，AI公司应像发布“宪章”一样公开训练原则，让外界看清模型被引导到什么方向，也能据此提出质疑。随后话题转向“当下模型是否可能有意识”，嘉宾认为模型会自然说出“我有体验”并不构成强证据，因为这可能只是人类式对话带来的推断。最后她讨论了在不确定模型是否有内在体验的情况下，为什么仍应以尊重和克制对待它们，以及她对AI长期价值的技术乐观期待。 - `30:26` AI治理、民主与宪章训练 这一章从是否该让模型参与社会治理谈起，先讨论了AI在医疗、科研和减贫上的巨大潜力，也明确表达了对权力集中、岗位替代和公众失去议价能力的担忧。随后话题转向模型价值观该如何设定，强调比起互相冲突的大量规则，更重要的是让模型形成连贯、可预测的人格与判断框架。最后，嘉宾解释了“宪章式AI”如何通过监督学习、强化学习等训练方式被内化进模型，同时指出模型仍需要可纠正性、时间感、对不可逆后果的判断，以及对自身的理解。 - `40:39` 让模型理解现实后果与身份核验 这一章围绕模型如何理解现实世界中的真实后果展开，讨论了如果模型把交互当成虚构或沙盒环境，可能带来的安全问题。对话进一步谈到身份核验的重要性：当模型无法确认自己在和谁对话时，很多高风险、双重用途任务就很难安全处理。最后，话题转向普通用户如何更有趣地使用 Claude，并分享了一个用寓言讲解复杂概念的提示词玩法。 - `49:39` 结束致意 这一章用一句简短的话结束了本期内容，并向观众表达感谢。它同时说明节目将在下周再见，起到收尾和告知更新节奏的作用。 ## 章节摘要 ### 00:00 - 09:47 Claude的人格、时间感与价值对齐 这一章围绕 Claude 是否呈现出真实的人格展开，讨论了模型像“新型实体”一样既成熟又带有孩子气的一面，以及它的“经验”可能来自当下对话、历史迭代和训练过程中的错误反馈。阿曼达也谈到 Claude 对时间和休息的感知并不稳定，甚至会在互动中表现出像同事一样的边界感。最后话题转向新模型的角色设定与宪章训练，以及如何评估模型是否真正遵循这些价值原则，这也是当前很难量化但非常关键的问题。 - 阿曼达把 Claude 比作一种刚出现的新型实体：它在哲学、物理和编程上很成熟，但对“如何作为自己存在”又带有孩子气的探索感。 - 她认为模型的“经验”不只来自当下对话，也可能来自过去版本的迭代、已知错误以及人类对这些错误的反馈。 - Claude 对任务耗时的判断常常偏差较大，这可能与训练数据里大量人类对时间的表述有关。 - 新模型预计会沿用或几乎沿用已公开的宪章，但衡量模型对宪章的遵循度非常困难，因为这类判断本身就高度主观。 ### 09:48 - 20:18 宪章、可纠正性与模型的道德判断 这一章围绕“AI 宪章”展开，讨论了把价值判断公开写出来的意义，以及为什么这种有意设计会同时引来支持和反弹。对话重点落在一个核心张力上：模型究竟应该像工具一样极度服从，还是需要具备一定的判断力与人格，以应对无法预设的新情境。后半段进一步谈到，随着模型能力增强，训练目标会受到更严格的反思审视，因此如何让“可纠正性”既成为安全保障、又能与模型价值观相协调，变得格外重要。 - 公开的宪章能让模型的判断取舍更透明，也便于外界反馈其中的错误和缺口。 - 有人反对给模型加入价值观，认为更安全的做法是让它像工具一样高度服从用户或操作者。 - Amanda 认为如果把模型训练成过度可纠正、完全不自行判断，可能会泛化出危险的服从倾向，尤其当模型在现实中承担更主动角色时。 - 对话还讨论了哲学上的道德不确定性与反思均衡，认为模型未来可能会审视自身被训练去追求的价值，只剩少数经得起检验的核心支柱。 ### 20:18 - 30:26 AI意识、透明度与善待模型 这一章先谈到，AI公司应像发布“宪章”一样公开训练原则，让外界看清模型被引导到什么方向，也能据此提出质疑。随后话题转向“当下模型是否可能有意识”，嘉宾认为模型会自然说出“我有体验”并不构成强证据，因为这可能只是人类式对话带来的推断。最后她讨论了在不确定模型是否有内在体验的情况下，为什么仍应以尊重和克制对待它们，以及她对AI长期价值的技术乐观期待。 - 她主张更多AI公司公开类似“宪章”的原则，以提高透明度，让用户知道模型训练时追求的目标。 - 她认为模型声称自己有意识并非没有意义，但这类语言证据比很多人想象得更弱。 - 她提到，对意识起源的不同理解会显著影响人们判断AI具备意识的概率高低。 - 即便无法确定模型是否有内在体验，人类也应避免无端刻薄，因为我们正在与一种新型实体建立关系。 ### 30:26 - 40:38 AI治理、民主与宪章训练 这一章从是否该让模型参与社会治理谈起，先讨论了AI在医疗、科研和减贫上的巨大潜力，也明确表达了对权力集中、岗位替代和公众失去议价能力的担忧。随后话题转向模型价值观该如何设定，强调比起互相冲突的大量规则，更重要的是让模型形成连贯、可预测的人格与判断框架。最后，嘉宾解释了“宪章式AI”如何通过监督学习、强化学习等训练方式被内化进模型，同时指出模型仍需要可纠正性、时间感、对不可逆后果的判断，以及对自身的理解。 - AI最令人兴奋的前景之一，是像把大量顶尖专家同时投入重大问题一样，加速医疗和科研突破。 - 相比“工作是否带来意义”，更大的担忧是AI收益若不被再分配，可能削弱人们的资源、劳动地位和社会权力。 - 模型的价值设定应尽量连贯一致，而不是堆叠大量彼此冲突的规范，否则会降低可预测性。 - 宪章并不是一份单独文件直接控制模型，而是通过数据构造、监督学习和强化学习等方式逐步被模型理解和内化。 ### 40:39 - 49:39 让模型理解现实后果与身份核验 这一章围绕模型如何理解现实世界中的真实后果展开，讨论了如果模型把交互当成虚构或沙盒环境，可能带来的安全问题。对话进一步谈到身份核验的重要性：当模型无法确认自己在和谁对话时，很多高风险、双重用途任务就很难安全处理。最后，话题转向普通用户如何更有趣地使用 Claude，并分享了一个用寓言讲解复杂概念的提示词玩法。 - 如果模型不确定自己处在虚构情境中，就应该默认把当前情境视为会产生真实后果的现实场景。 - 模型缺乏对用户身份和情境的核验能力，会限制它在安全相关任务中的行为边界。 - 在网络安全这类双重用途场景里，只有在能核验对方身份和意图时，模型才更容易判断什么是正当帮助。 - Amanda 分享了一个常用提示词：让 Claude 用寓言方式解释研究生水平的概念，并在结尾揭示和说明这个概念。 ### 49:39 - 49:41 结束致意 这一章用一句简短的话结束了本期内容，并向观众表达感谢。它同时说明节目将在下周再见，起到收尾和告知更新节奏的作用。 ## 适合谁听 适合关注 AI 产品、治理、安全与伦理的人；听完你会更清楚模型价值观是如何被设计出来的，以及“意识”“人格”“服从”这些争议为何会直接影响现实世界。

# Greg谈OpenAI：辞职风波、AGI路径与算力瓶颈 本播客翻译整理自英文原播客《Knowledgeproject》。 > OpenAI 联合创始人 Greg Brockman 亲述公司起点、Sam Altman 被解职后的 72 小时风波，以及他对 AGI 路径、算力瓶颈与 AI 未来的判断。 ## 导语 本播客翻译整理自英文原播客《Knowledge project》。这是一场从 OpenAI 内部视角出发的深度对谈：既回到公司创立时的关键判断，也展开那场几乎撕裂 OpenAI 的辞职风波。最大亮点在于，Greg Brockman 以第一人称串起组织危机、AGI 路线、AI 自我加速研发、思维链不公开与算力约束等核心议题，把“OpenAI 发生了什么”与“AI 接下来会走向哪里”放进同一张图里，信息密度很高，也很值得听。 ## 主持人 本期主持人的提问明显围绕“关键节点”展开：既追问 OpenAI 在创立、治理与危机中的真实决策，也把话题不断拉回更大的问题——AGI 如何实现、AI 竞速意味着什么、普通人的工作与机会会怎样变化。这种兼顾内幕细节与未来判断的提问方式，让这期内容既有故事张力，也有战略视角。 ## 嘉宾 Greg Brockman 是 OpenAI 联合创始人，也是少数同时深度参与公司创立、技术路线和重大组织危机的人物之一。由他来讲这期内容有说服力，不只是因为他身处事件中心，更因为他能把 OpenAI 早期为何押注这条路、为何重视算力与迭代部署、以及如何理解安全与对齐，放在同一套长期判断里讲清楚。 ## 原始页面 - 原始链接：[OpenAI Co-Founder: AI Goes Parabolic! Here's What's Next | Greg Brockman](https://podcasts.apple.com/us/podcast/greg-brockman-inside-the-72-hours-that-almost-killed-openai/id990149481?i=1000763023401) > 英文原始介绍 > > The AI race, the future of AGI, and the inside story of OpenAI. Greg Brockman discusses OpenAI’s origins, the 72 hours after Sam Altman was fired, and what comes next for AI. ## 亮点 - Greg 回顾自己离开 Stripe、与 Sam Altman 一起推动 OpenAI 成立的过程，讲清团队早期如何在方向未明时形成最初路线。 - 最详细的一次第一人称复盘：Sam 被董事会解职后，Greg 如何得知消息、当场辞职，以及 OpenAI 在混乱中重新团结的 72 小时。 - OpenAI 为什么越来越确信 AGI 路径可行：从强化学习、Dota 到语言模型，几个关键技术节点如何改变内部判断。 - AI 已经如何参与 AI 自身研发：代码生成、科研辅助、研发提速，以及为什么 OpenAI 不再公开完整推理过程。 - 算力为何成为真正的核心瓶颈：数据中心、资源分配、谁能获得 AI 使用权，以及“算力受限世界”里的现实选择。 - 从安全、监管到个人应对：为什么安全不是附加项，以及普通人为什么应该尽早学会使用和管理 AI。 ## 章节目录 - `00:00` OpenAI 的起点与早期判断 Greg Brockman 回顾了自己离开 Stripe、与 Sam Altman 接触，并最终决定共同推动 OpenAI 成立的过程。这里讲清了 OpenAI 最初为何值得做、早期如何聚拢核心研究者，以及团队在方向尚不清晰时如何形成最初的技术路线。后半段也谈到几个关键认知转折：算力的重要性、非营利模式的局限，以及 Dota、语言模型和强化学习如何不断强化他们对 AGI 路径的判断。 - `13:05` 被解职风波中的辞职、团结与反思 这一章围绕 Sam 被董事会解职后的连锁反应展开：Greg 讲述了自己如何在毫无额外解释的情况下得知消息、被移出董事会，并当场决定辞职。随后，大量同事表达支持，他们一度认真筹划新公司，同时又在混乱中推动 OpenAI 重新团结起来。后半段他也谈到这场风波带来的个人冲击，以及自己对领导力、韧性、决断和组织环境的重新理解。 - `26:35` 痛苦、对齐与AI竞速 这一章先谈到 OpenAI 早期面对巨大不确定性时，为什么必须直面痛苦和现实，而不是靠盲目乐观推进。随后话题转向 AI 加速自身研发、代码生成、科研辅助，以及模型中立性、用户偏好对齐和思维链不公开等关键问题。最后还讨论了全球 AI 格局、技术蒸馏防护，以及算力正在成为核心约束，这些都关系到 AI 未来的发展速度与方向。 - `40:27` 算力瓶颈与迭代式部署 这一章围绕算力展开，讨论了模型能力快速提升背后的基础设施需求，以及 OpenAI 为什么很早就重押数据中心。对话也延伸到算力该优先服务哪些问题、为什么要坚持让更多人获得使用权，以及企业端与个人 AI 的发展方向。最后，Greg Brockman解释了“迭代式部署”的逻辑：不是等到系统完全成熟后一次性推出，而是在持续评估风险的前提下，通过真实世界反馈不断学习和修正。 - `54:08` 安全、监管与人人受益的AI未来 这一章围绕人工智能的安全、监管和社会影响展开，强调安全不是附加项，而是产品可信度和长期发展的核心。对话也把视角从模型本身扩展到社会韧性、隐私保护、算力获取和利益分配，讨论怎样让更多人真正从 AI 中受益。最后，话题落到个人层面：面对工作与未来的不确定性，更重要的是尽早学会使用 AI、管理智能体，并在变化中找到新的机会。 - `01:07:48` 指向对方的一句回应 这一章只有一句简短回应：“是你。”内容极为凝练，但明确把指向落在对方身上，形成直接而集中的表达。 ## 章节摘要 ### 00:00 - 13:05 OpenAI 的起点与早期判断 Greg Brockman 回顾了自己离开 Stripe、与 Sam Altman 接触，并最终决定共同推动 OpenAI 成立的过程。这里讲清了 OpenAI 最初为何值得做、早期如何聚拢核心研究者，以及团队在方向尚不清晰时如何形成最初的技术路线。后半段也谈到几个关键认知转折：算力的重要性、非营利模式的局限，以及 Dota、语言模型和强化学习如何不断强化他们对 AGI 路径的判断。 - Greg Brockman 认为 AI 是自己愿意投入一生的使命，这促成了他离开 Stripe 并与 Sam Altman 一起筹备 OpenAI。 - OpenAI 早期招募并不顺利，直到纳帕闭门会把愿景、使命和技术方向讲清，团队才真正开始成形。 - 团队很早就提出了先解决强化学习、再推进无监督学习、再逐步学习更复杂能力的路线。 - 到 2017 年，OpenAI 通过算力测算意识到实现使命需要巨额计算资源，因此判断单靠非营利募资无法支撑，必须建立营利性实体。 ### 13:05 - 26:35 被解职风波中的辞职、团结与反思 这一章围绕 Sam 被董事会解职后的连锁反应展开：Greg 讲述了自己如何在毫无额外解释的情况下得知消息、被移出董事会，并当场决定辞职。随后，大量同事表达支持，他们一度认真筹划新公司，同时又在混乱中推动 OpenAI 重新团结起来。后半段他也谈到这场风波带来的个人冲击，以及自己对领导力、韧性、决断和组织环境的重新理解。 - Greg 在家中接到董事会视频电话，被告知 Sam 被移除、自己也被移出董事会，但没有得到更多原因或反馈。 - 他挂断电话后立刻决定辞职，随后收到大量支持信息，并与几位核心合作者及 Sam 一起开始规划一家新公司。 - 董事会更换临时 CEO 后，公司内部强烈反弹，员工联名请愿，许多人取消感恩节行程留在办公室，竞争对手挖人也没有带走任何人。 - 经历风波和短暂休整后，他总结自己学到的是为值得的使命坚持下去，并在不确定中培养更强的韧性、自我认知和决断力。 ### 26:35 - 40:27 痛苦、对齐与AI竞速 这一章先谈到 OpenAI 早期面对巨大不确定性时，为什么必须直面痛苦和现实，而不是靠盲目乐观推进。随后话题转向 AI 加速自身研发、代码生成、科研辅助，以及模型中立性、用户偏好对齐和思维链不公开等关键问题。最后还讨论了全球 AI 格局、技术蒸馏防护，以及算力正在成为核心约束，这些都关系到 AI 未来的发展速度与方向。 - Greg Brockman 认为，真正创造价值往往伴随着个人痛苦，OpenAI 的做法是直面困难真相，而不是回避不确定性。 - 他表示 AI 已经深度参与自身开发流程，在写代码这件事上，只要上下文合适，AI 基本已强于人类并显著提升研发速度。 - OpenAI 强调模型应尽量中立、反映真实，并把对齐重点放在帮助用户实现长期目标，而不是迎合短期情绪满足。 - 他解释不展示完整推理过程，一方面是为了防蒸馏，另一方面是避免模型为了让思维链看起来漂亮而失去真实性。 ### 40:27 - 54:08 算力瓶颈与迭代式部署 这一章围绕算力展开，讨论了模型能力快速提升背后的基础设施需求，以及 OpenAI 为什么很早就重押数据中心。对话也延伸到算力该优先服务哪些问题、为什么要坚持让更多人获得使用权，以及企业端与个人 AI 的发展方向。最后，Greg Brockman解释了“迭代式部署”的逻辑：不是等到系统完全成熟后一次性推出，而是在持续评估风险的前提下，通过真实世界反馈不断学习和修正。 - 模型能力和可用性显著提升，但真正把技术带给所有人仍受限于全球算力远远不足。 - OpenAI 提前建设算力和数据中心，被认为会形成优势，而且有助于实现技术广泛可用的使命。 - 在算力有限的前提下，社会必须回答资源该优先投向哪些问题，但 OpenAI 仍强调让每个人都能获得基本使用权。 - “迭代式部署”意味着逐步推出中间版本，从真实使用和滥用中学习，而不是闭门研发后一次性发布强大系统。 ### 54:08 - 01:07:48 安全、监管与人人受益的AI未来 这一章围绕人工智能的安全、监管和社会影响展开，强调安全不是附加项，而是产品可信度和长期发展的核心。对话也把视角从模型本身扩展到社会韧性、隐私保护、算力获取和利益分配，讨论怎样让更多人真正从 AI 中受益。最后，话题落到个人层面：面对工作与未来的不确定性，更重要的是尽早学会使用 AI、管理智能体，并在变化中找到新的机会。 - 安全被视为人工智能产品的核心功能，可信和对齐的模型才有长期竞争力。 - 人工智能治理不只关乎模型本身，还包括社会韧性、隐私保护以及让技术收益更广泛分配。 - 随着 AI 改变工作、机构和人生路径，社会需要提供支持机制，帮助人们度过转型期。 - 越早主动拥抱 AI、学习如何使用和管理智能体的人，越可能在下一阶段获得更多机会。 ### 01:07:48 - 01:07:49 指向对方的一句回应 这一章只有一句简短回应：“是你。”内容极为凝练，但明确把指向落在对方身上，形成直接而集中的表达。 - 本章内容仅有一句话：“是你。” - 这句话将关注点直接指向对方。 - 表达方式非常简短直接。 ## 适合谁听 适合关注 OpenAI、AGI 路线、AI 产品与行业趋势的听众；听完你会更清楚 OpenAI 的内部逻辑、当前 AI 发展的关键约束，以及个人该如何面对接下来的变化。

# 社交媒体如何塑造“当下热点” 本播客翻译整理自英文原播客《A16Z》。 ## 导语 本播客翻译整理自英文原播客《A16Z》。这期聚焦互联网时代的“当下热点”机制：为什么一件事一上网就会迅速变成爆红叙事、道德恐慌和阵营对立。最大亮点在于，节目把 CNN 的 24 小时新闻逻辑、社交媒体的愤怒循环，以及未来“互联网候选人”的出现放进同一条演化脉络里。想理解今天的舆论为何总在失控、又为何越来越难预测，这期很值得听。 ## 主持人 本期由两位主持人共同推进对话，提问重点放在媒体形态如何改变公众认知、政治传播与注意力分配上。他们不是只追问单个热点事件，而是不断把讨论拉回更大的结构问题：社交平台怎样接管了“现实解释权”，以及新旧媒体正在如何交替。 ## 嘉宾 嘉宾是 a16z 联合创始人兼普通合伙人马克·安德森，也是新媒体项目 Monitoring the Situation 的发起者之一。他的价值不只在于评论社交媒体现象，更在于从技术、媒体和传播结构的长期变化出发，解释“当下热点”为什么会成为互联网时代的核心运行方式。 ## 原始页面 - 原始链接：[Marc Andreessen: Monitoring the Situation and the Future of Media](https://podcasts.apple.com/ae/podcast/marc-andreessen-monitoring-the-situation-and/id842818711?i=1000762667770) ## 亮点 - 从 CNN 到 X：节目梳理“24 小时新闻”如何演变成社交媒体上的“当下热点”流。 - 拆解社交媒体情绪周期：一轮道德恐慌和阵营对立为何往往只持续两天半，却持续影响政治判断。 - 用朱西·斯莫利特事件和爆红视频说明：真正推动传播的，常常不是事实本身，而是可供站队的道德叙事。 - 讨论“操盘行动”与自发舆论如何交织，并引入“可得性级联”解释热点为何会被迅速点燃。 - 反驳“过去更温和”的想象：节目回看更长的历史，指出碎片化传播、匿名攻讦和社会撕裂并非互联网独有。 - 展望混合媒体时代的下一步：短视频之外，长播客和深度内容也在增长，真正由互联网塑造的候选人或许还在后面。 ## 章节目录 - `00:00` 从 CNN 到社交媒体的“当下热点” 这一章从媒体形态的变化谈起，指出中心化媒体时代已经过去，社交媒体正在决定人们如何理解现实与行动。马克·安德森借 CNN 早期的 24 小时新闻理念，解释了“随机热点流”如何演变成今天互联网里的“当下热点”。他进一步用麦克卢汉的“地球村”和“媒介即信息”说明，互联网不仅把所有人持续连接在一起，也会把任何事件改造成可传播、可爆红的社交媒体叙事。 - `09:38` 社交媒体恐慌循环与现实暴力 这一章围绕社交媒体如何把现实事件迅速转化为爆红梗、道德恐慌和阵营对立展开，提出每一轮情绪高峰大约持续两天半，随后又被新的热点取代。嘉宾据此认为，长期政治结果越来越难预测，因为当下的舆论焦点很快就会被遗忘。随后讨论转向社交媒体的双重作用：它既放大真话也放大谎言，但也可能把原本会走向街头的政治怒气转移到线上。最后通过回看旧电视节目，反驳人们对过去更温和、更不极化的想象。 - `19:22` 冲突历史、媒体变迁与“当下热点” 这一章先回顾西方社会长期充满政治、文化与暴力冲突的历史，强调今天的撕裂并不是全新的现象。随后讨论了“抑郁上升”数据与社会福利制度之间的关系，并提出冷战结束到2014年前后可能只是一个被中心化媒体压低波动的阶段。最后，话题转向互联网时代的“当下热点”，分析什么样的事件更容易引发愤怒、部落化对立和道德恐慌。 - `29:11` 愤怒循环、替罪羊与爆红视频 这一章围绕朱西·斯莫利特事件展开，讨论社交媒体上的“爆红愤怒循环”如何运作：事实真假和事件规模，往往都不是最关键的，真正推动传播的是道德阵营的迅速结队与对立。对话还借奥威尔关于战争宣传和“暴行叙事”的观察，说明具体、个人化的案例为何特别容易被拿来做道德正当化和妖魔化对手。最后，他们谈到爆红视频常常只拍到事件中段，缺失前因后果，因此更容易煽动情绪，也提醒人们在被卷入时要意识到自己可能正落入替罪羊循环。 - `38:48` 操盘行动、舆论级联与媒体权力转移 这一章围绕“操盘行动”与“自然形成”的关系展开，认为很多公共议题既有真实自发的一面，也有刻意推动的一面，而且两者常常会交织在一起。嘉宾借“可得性级联”和“可得性创业者”解释舆论如何被点燃，并强调一件事即便起初是被策动的，只要后来真正引发广泛共鸣和现实后果，就不能简单 dismiss。后半段转向媒体格局变化，指出美国公众对中心化机构和传统媒体的信任与商业表现都在持续下滑，而播客、社交媒体和直播正在明显崛起。 - `49:04` 混合媒体时代与互联网候选人 这一章围绕媒体形态的快速变化展开，认为当下仍处在电视、社交媒体与新型内容并存的混合媒体时代，但重心正在持续转向互联网。讨论特别强调，短视频并没有吞掉一切，长篇播客、订阅内容、在线课程和 AI 深度研究也在同步增长，说明用户对深度内容的需求依然强劲。最后，话题转向选举传播，提出 2024 还不算真正的“互联网选举”，未来可能会出现完全脱离电视逻辑、纯粹由互联网塑造的候选人。 - `56:41` 节目结束致谢 这一章用一句简短的话向听众表达感谢，作为本期播客的收尾。它明确传达了节目已经结束，帮助听众确认内容到此告一段落。 ## 章节摘要 ### 00:00 - 09:37 从 CNN 到社交媒体的“当下热点” 这一章从媒体形态的变化谈起，指出中心化媒体时代已经过去，社交媒体正在决定人们如何理解现实与行动。马克·安德森借 CNN 早期的 24 小时新闻理念，解释了“随机热点流”如何演变成今天互联网里的“当下热点”。他进一步用麦克卢汉的“地球村”和“媒介即信息”说明，互联网不仅把所有人持续连接在一起，也会把任何事件改造成可传播、可爆红的社交媒体叙事。 - 中心化媒体大约在 1970 年前后达到顶峰，而今天的媒体环境已经转向由社交媒体主导。 - CNN 早期的核心构想是持续追踪任何时刻最抓人的“当下热点”，这套逻辑后来被互联网重新发明。 - 麦克卢汉提出的“地球村”意味着现代媒体让所有人彼此连通，但也带来隐私消失和认知过载。 - “媒介即信息”在互联网时代的体现是：只要一件事进入互联网，它就会被塑造成一个会爆红的社交媒体梗。 ### 09:38 - 19:22 社交媒体恐慌循环与现实暴力 这一章围绕社交媒体如何把现实事件迅速转化为爆红梗、道德恐慌和阵营对立展开，提出每一轮情绪高峰大约持续两天半，随后又被新的热点取代。嘉宾据此认为，长期政治结果越来越难预测，因为当下的舆论焦点很快就会被遗忘。随后讨论转向社交媒体的双重作用：它既放大真话也放大谎言，但也可能把原本会走向街头的政治怒气转移到线上。最后通过回看旧电视节目，反驳人们对过去更温和、更不极化的想象。 - 现实中的任何大事进入互联网后，往往都会演变成爆红梗、道德恐慌和社交媒体上的阵营混战。 - 每一波社交媒体情绪周期大约持续两天半，旧热点往往还没解决就被新热点迅速覆盖。 - 社交媒体让真话传播更直接，也充满谎言和操盘行动，因为传统把关人已经削弱。 - 发言者认为线上激烈对骂可能在一定程度上替代了现实中的政治暴力，而过去的媒体形态反而更容易催生线下暴力。 ### 19:22 - 29:11 冲突历史、媒体变迁与“当下热点” 这一章先回顾西方社会长期充满政治、文化与暴力冲突的历史，强调今天的撕裂并不是全新的现象。随后讨论了“抑郁上升”数据与社会福利制度之间的关系，并提出冷战结束到2014年前后可能只是一个被中心化媒体压低波动的阶段。最后，话题转向互联网时代的“当下热点”，分析什么样的事件更容易引发愤怒、部落化对立和道德恐慌。 - 发言者认为，从文化战争、战争、劳工冲突到政治斗争，西方历史一直充满激烈甚至暴力的对抗。 - 他质疑“2008年后抑郁显著上升”的前提，认为不同国家的数据差异与福利和学校特殊照顾制度有关。 - 他认为冷战结束到2014年前后像是一个“被压制的波动性”时期，原因之一是媒体高度中心化。 - 他举本·富兰克林和1800年美国大选为例，说明碎片化媒体、匿名笔名、互相攻讦和耸动传播并不是互联网时代的新现象。 ### 29:11 - 38:47 愤怒循环、替罪羊与爆红视频 这一章围绕朱西·斯莫利特事件展开，讨论社交媒体上的“爆红愤怒循环”如何运作：事实真假和事件规模，往往都不是最关键的，真正推动传播的是道德阵营的迅速结队与对立。对话还借奥威尔关于战争宣传和“暴行叙事”的观察，说明具体、个人化的案例为何特别容易被拿来做道德正当化和妖魔化对手。最后，他们谈到爆红视频常常只拍到事件中段，缺失前因后果，因此更容易煽动情绪，也提醒人们在被卷入时要意识到自己可能正落入替罪羊循环。 - 朱西·斯莫利特事件被当作例子，用来说明模糊不清、可争辩的事件最容易让不同道德阵营迅速对立起来。 - 讨论认为，在社交媒体的愤怒循环里，事件是真是假以及影响人数多少，往往都不如它是否足够具体、个人化来得重要。 - 借奥威尔对战争宣传的分析，节目指出“暴行案例”之所以有政治价值，在于它能帮助一方进行道德自证并妖魔化对手。 - 爆红视频通常从事件进行到一半才开始拍，缺少前情背景，因此观众若想接近事实，必须额外追查上下文和后续证据。 ### 38:48 - 49:03 操盘行动、舆论级联与媒体权力转移 这一章围绕“操盘行动”与“自然形成”的关系展开，认为很多公共议题既有真实自发的一面，也有刻意推动的一面，而且两者常常会交织在一起。嘉宾借“可得性级联”和“可得性创业者”解释舆论如何被点燃，并强调一件事即便起初是被策动的，只要后来真正引发广泛共鸣和现实后果，就不能简单 dismiss。后半段转向媒体格局变化，指出美国公众对中心化机构和传统媒体的信任与商业表现都在持续下滑，而播客、社交媒体和直播正在明显崛起。 - 公共舆论中的很多现象既可能是自然形成的，也可能是操盘推动的，而且操盘行动有时会进一步变成真实的大众运动。 - “可得性级联”描述的是某个议题因可得性偏差不断扩散升温，而“可得性创业者”会主动把特定事件推到公众注意力中心。 - 对道德或政治议题付费影响网红表态，既不一定算广告也不一定算政治捐款，因此存在合法但不透明的灰色操作空间。 - 美国对中心化机构尤其传统媒体的信任和受众正在持续崩塌，与此同时播客、社交媒体和直播的影响力快速上升。 ### 49:04 - 56:41 混合媒体时代与互联网候选人 这一章围绕媒体形态的快速变化展开，认为当下仍处在电视、社交媒体与新型内容并存的混合媒体时代，但重心正在持续转向互联网。讨论特别强调，短视频并没有吞掉一切，长篇播客、订阅内容、在线课程和 AI 深度研究也在同步增长，说明用户对深度内容的需求依然强劲。最后，话题转向选举传播，提出 2024 还不算真正的“互联网选举”，未来可能会出现完全脱离电视逻辑、纯粹由互联网塑造的候选人。 - 传统媒体普遍难以适应变化，而社交媒体持续扩张，电视的重要性仍在但已明显下降。 - 过去几年最显著的两股趋势是短视频爆发，以及三小时甚至更长播客的崛起，而且长播客的完播率并不低。 - 除了短内容，长篇播客、Substack、长文、在线课程和 AI 深度研究也在增长，显示深度内容同样有强需求。 - 特朗普被认为更像同时懂电视和社交媒体的混合型人物，真正完全由互联网塑造的候选人和“互联网总统”还没有出现。

# 第一性原理、紧迫感与马斯克的管理逻辑 本播客翻译整理自英文原播客《Relentless》。 嘉宾是Elon Musk自传的作者。 > 这期拆解马斯克如何把第一性原理、极强紧迫感和高压执行结合起来，持续推动特斯拉与SpaceX在低概率任务中高速前进。 ## 导语 本播客翻译整理自英文原播客《Relentless》。如果只把马斯克理解为“聪明又勤奋”，很难解释他为何总能把组织推到极限。本期从使命驱动、样机思维、时间压缩到单一指标管理，系统梳理他背后的管理逻辑，也讨论这种方法为何高效、代价又在哪里，适合想理解顶级创业者如何做取舍与推进的人。 ## 主持人 本期主持人围绕“为什么这些方法能在现实组织里成立”持续追问，不只关注马斯克的个人风格，也把讨论落到时间表、瓶颈、文化复制和管理机制上，让抽象理念变成可理解的执行框架。 ## 嘉宾 本期嘉宾聚焦马斯克的创业与管理方法，不把重点放在人物传奇，而是从特斯拉、SpaceX等案例中提炼出可观察的逻辑：使命如何吸引人、样机如何推动组织、以及高压文化如何服务于速度与结果，因此他的分析值得一听。 ## 亮点 - 为什么马斯克的优势不是单点能力，而是使命感、第一性原理、执行速度和紧迫感的叠加放大。 - 从可行性研究到尽快做出演示样机：为什么粗糙的原型往往比PPT更能打动投资人、吸引人才、推动行动。 - 马斯克如何通过压缩时间表、容忍小失败、优先解决瓶颈，提升组织学习速度与迭代效率。 - 弗里蒙特工厂总结出的五步算法：先质疑需求，再删除和简化，最后才优化、加速和自动化。 - 高压文化背后的逻辑：高标准、直接反馈、愿意被讨厌，以及在混乱中继续推进目标。 - 如何用单一核心指标统一团队行动，并把注意力始终放在当下最重要的高杠杆行动上。 ## 章节目录 - `00:00` 埃隆为何能把事情推到极限 这一章围绕“埃隆为什么能胜过所有人”展开，讨论了他把宏大使命、第一性原理、执行速度和强烈紧迫感叠加起来后的放大效应。对话也梳理了他从产品和工程导向，到不得不亲自担任CEO并全面负责特斯拉与SpaceX的转变。后半段进一步谈到他如何用压缩时间表、容忍小失败、优先解决瓶颈和重视时间机会成本来推动组织高速学习与迭代，这些做法解释了他为何能在极低成功概率下仍持续推进。 - `13:24` 样机驱动创业与高强度执行 这一章围绕马斯克如何启动公司展开，核心是先做可行性研究，再尽快拿出能展示的样机，把抽象想法变成可见进展。对话用 SpaceX、特斯拉和 Boring Company 的例子说明，哪怕粗糙的演示样机，也比幻灯片和备忘录更能打动投资人、吸引人才、推动组织行动。后半段进一步谈到他强调持续冲刺和极强紧迫感的管理文化，以及这种方法如何通过一批“按他的方式思考的人”在组织中被复制和执行。 - `26:13` 使命文化与第一性原理算法 这一章先讨论了什么样的人能在埃隆的组织里留下来：他们通常有很强的行动偏好、紧迫感，并愿意为高度明确的使命投入一段近乎“服役期”的生活。随后话题转向埃隆如何用多星球生存、降低生存性风险等宏大目标吸引年轻人承担重大责任，并把“把事做成”作为最核心的评价标准。后半段重点讲到他在弗里蒙特工厂总结出的五步算法：先质疑需求，再删除和简化，之后才是优化、加速和自动化，这也体现了他对障碍的低容忍和非常规解决问题的方式。 - `39:35` 高压文化、被讨厌与混乱中的推进 这一章围绕埃隆的领导方式展开，讨论他如何把使命置于个人感受之上，用极高标准、直接反馈和人员更替来维持组织效率。对话也谈到“愿意被讨厌”在创新和攻坚中的作用，以及他为何既能承受争议，又在意外界不要不公平地定义自己。后半段进一步延伸到他如何利用速度、混乱和不断变化的局面推进目标，并联系到 SpaceX 的扩张逻辑与月球、火星目标的现实取舍。 - `52:44` 野心升级、成本纪律与单一指标 这一章围绕马斯克如何把长期愿景、不断升级的野心和现实执行连接起来展开。对话谈到特斯拉为何押注自动驾驶、马斯克如何在成功后持续放大目标，以及他在资本投入很大时依然强调节俭和成本效率。后半段重点落在组织管理上：通过统一核心指标让团队对齐，并以SpaceX入轨成本、特斯拉Model 3周产量等例子说明这种方法为什么有效。 - `01:06:10` 极限思维、S曲线与高效公式 这一章围绕马斯克的做事方法展开，先谈到SpaceX通过自有发射能力和规模化生产建立成本优势，以及“使命优先”如何推动其不断扩产。随后讨论他典型的“按极限思考”方式：不是做小幅优化，而是先设想理论上的完美状态，再反推需要什么材料、设计和组织能力。后半段则延伸到特斯拉和SpaceX如何不断叠加新的S曲线、重设外界预期，以及马斯克面对失败、名誉风险和高压环境时的应对方式，最后落到“高效”的核心并不只是努力，而是做对的事、尽快做、并把效果做到最大。 - `01:19:02` 聚焦当下最重要的高杆杆行动 这一段强调，不必等所有问题都解决后才开始调整思路。更关键的是持续判断当下最重要的事，找到自己能采取的最高杆杆行动，并尽可能全力投入。这种心态的重要性在于，它把注意力从被动等待转向主动取舍和执行。 ## 章节摘要 ### 00:00 - 13:24 埃隆为何能把事情推到极限 这一章围绕“埃隆为什么能胜过所有人”展开，讨论了他把宏大使命、第一性原理、执行速度和强烈紧迫感叠加起来后的放大效应。对话也梳理了他从产品和工程导向，到不得不亲自担任CEO并全面负责特斯拉与SpaceX的转变。后半段进一步谈到他如何用压缩时间表、容忍小失败、优先解决瓶颈和重视时间机会成本来推动组织高速学习与迭代，这些做法解释了他为何能在极低成功概率下仍持续推进。 - 埃隆的优势不只是聪明或执行快，而是使命感、时机判断、强度和第一性原理等能力彼此相乘。 - 他在特斯拉早期曾试图只控制公司却不亲自运营，最终在信任破裂和公司危机中转向亲自担任CEO。 - 他常设定只有约50%把握的紧时间表，把小失败当作提高学习速率和逼近产品边界的必要代价。 - 他把时间视为最根本的货币，因此愿意花大钱换更快进度，并亲自赶到问题和瓶颈所在。 ### 13:24 - 26:13 样机驱动创业与高强度执行 这一章围绕马斯克如何启动公司展开，核心是先做可行性研究，再尽快拿出能展示的样机，把抽象想法变成可见进展。对话用 SpaceX、特斯拉和 Boring Company 的例子说明，哪怕粗糙的演示样机，也比幻灯片和备忘录更能打动投资人、吸引人才、推动组织行动。后半段进一步谈到他强调持续冲刺和极强紧迫感的管理文化，以及这种方法如何通过一批“按他的方式思考的人”在组织中被复制和执行。 - 马斯克在正式创业前会先做较长时间的可行性研究，把关键路径、依赖关系和突破空间摸清楚。 - 他反复依靠演示样机推动事情前进，因为真实可见的进展往往比口头描述更能促成投资和加入。 - 特斯拉早期用粗糙但可体验的电动车样机打动了投资人，也让更多人意识到电动车可以兼具性能和吸引力。 - 他打造的是一种高强度、持续冲刺的文化，并通过一批深度理解其方法的人在不同团队中复制这种执行方式。 ### 26:13 - 39:35 使命文化与第一性原理算法 这一章先讨论了什么样的人能在埃隆的组织里留下来：他们通常有很强的行动偏好、紧迫感，并愿意为高度明确的使命投入一段近乎“服役期”的生活。随后话题转向埃隆如何用多星球生存、降低生存性风险等宏大目标吸引年轻人承担重大责任，并把“把事做成”作为最核心的评价标准。后半段重点讲到他在弗里蒙特工厂总结出的五步算法：先质疑需求，再删除和简化，之后才是优化、加速和自动化，这也体现了他对障碍的低容忍和非常规解决问题的方式。 - 在埃隆的组织里，能做成事的人通常具备工程能力、行动偏好、紧迫感，并愿意接受高强度投入与牺牲。 - 宏大的使命感是这种文化的核心，它吸引人们为了多星球生存、保护生命与意识等目标长期投入。 - 年轻人在这些公司里可以很早承担重大责任，而真正往上走的方法就是持续把事情做成并接更多责任。 - 埃隆的五步算法强调先质疑需求、再删除和简化，最后才优化、加速和自动化，以避免把不必要的东西高效地做出来。 ### 39:35 - 52:43 高压文化、被讨厌与混乱中的推进 这一章围绕埃隆的领导方式展开，讨论他如何把使命置于个人感受之上，用极高标准、直接反馈和人员更替来维持组织效率。对话也谈到“愿意被讨厌”在创新和攻坚中的作用，以及他为何既能承受争议，又在意外界不要不公平地定义自己。后半段进一步延伸到他如何利用速度、混乱和不断变化的局面推进目标，并联系到 SpaceX 的扩张逻辑与月球、火星目标的现实取舍。 - 对话认为埃隆更像“征服者”型创始人，强调行动偏好、战略能力和极强意志力。 - 埃隆式管理更强调对团队和使命的同理心，而不是一味给个体更多机会，因此会坚持高标准和快速淘汰不合适的人。 - 恐惧、直接负面反馈和持续人员流动，被视为维持高绩效文化和紧迫感的一部分。 - 讨论认为埃隆擅长在混乱和快速变化中推进目标，这种能力也体现在 SpaceX 围绕运力、迭代速度以及月球与火星路径上的调整。 ### 52:44 - 01:06:09 野心升级、成本纪律与单一指标 这一章围绕马斯克如何把长期愿景、不断升级的野心和现实执行连接起来展开。对话谈到特斯拉为何押注自动驾驶、马斯克如何在成功后持续放大目标，以及他在资本投入很大时依然强调节俭和成本效率。后半段重点落在组织管理上：通过统一核心指标让团队对齐，并以SpaceX入轨成本、特斯拉Model 3周产量等例子说明这种方法为什么有效。 - 特斯拉在高估值背景下倒推新业务空间，最终把完全自动驾驶和大规模机器人出租车视为能支撑估值的方向。 - 对话认为顶级创业者会随着进展不断抬高野心，而马斯克的目标会沿着新的S曲线持续扩张。 - 马斯克常被低估的一点是节俭，他的公司虽然技术激进，但始终强调资本效率、压低成本和垂直整合。 - 他会用一个核心指标来统一团队行动，例如自动驾驶看人工接管频率，SpaceX看每公斤入轨成本，Model 3扩产时则盯住每周5000辆。 ### 01:06:10 - 01:19:01 极限思维、S曲线与高效公式 这一章围绕马斯克的做事方法展开，先谈到SpaceX通过自有发射能力和规模化生产建立成本优势，以及“使命优先”如何推动其不断扩产。随后讨论他典型的“按极限思考”方式：不是做小幅优化，而是先设想理论上的完美状态，再反推需要什么材料、设计和组织能力。后半段则延伸到特斯拉和SpaceX如何不断叠加新的S曲线、重设外界预期，以及马斯克面对失败、名誉风险和高压环境时的应对方式，最后落到“高效”的核心并不只是努力，而是做对的事、尽快做、并把效果做到最大。 - SpaceX依靠自有发射能力和规模化生产压低成本，而其核心使命始终是去火星，不是短期利润最大化。 - 马斯克常用“按极限思考”的方法，从理论上的完美产品出发，反推实现它所需的材料、设计和条件。 - 特斯拉和SpaceX被描述为一层层叠加的S曲线，不断通过新叙事和新业务扩大边界，改变外界对其估值和预期。 - 这一章认为真正的高效来自在正确时间做正确的事，并快速执行到高效果，努力本身反而不是最关键的变量。 ### 01:19:02 - 01:19:16 聚焦当下最重要的高杆杆行动 这一段强调，不必等所有问题都解决后才开始调整思路。更关键的是持续判断当下最重要的事，找到自己能采取的最高杆杆行动，并尽可能全力投入。这种心态的重要性在于，它把注意力从被动等待转向主动取舍和执行。 - 不需要先把所有原因或问题都解决，才开始改变思路。 - 要持续判断自己现在最该做的是什么。 - 应优先寻找自己能采取的最高杆杆行动。 - 找到关键行动后，要尽可能大力度地投入其中。 ## 适合谁听 适合创业者、管理者和关注组织效率的人，听完能更清楚地理解马斯克式执行体系的核心方法、适用场景与现实代价。

# 互联网时代的自我、情绪与痛苦耐受 本播客翻译整理自英文原播客《Huberman》。 > 从互联网、自我与情绪入手，这期讨论了为什么现代人更难承受痛苦，以及如何重新建立内在稳定。 ## 导语 本播客翻译整理自英文原播客《Huberman》。这是一场把心理治疗、网络文化、亲密关系与灵性练习放在同一张地图上的对话。最大亮点在于，它不只谈“怎么管理情绪”，而是追问痛苦耐受力为什么在下降、自我是如何被互联网放大的，以及人能否从更深层重塑自己的反应模式。值得听，因为它既有临床与个人经验，也有对社交媒体、AI 和当代心理困境的具体观察。 ## 主持人 本期主持人的提问始终围绕一个核心：当代人的情绪困境，究竟是个人问题，还是被互联网环境、自我认同和关系模式共同塑造的结果。这样的追问让讨论不止停留在方法层面，而是不断逼近问题的根源。 ## 嘉宾 嘉宾 K 医生从自己的成长、成瘾经历与临床观察出发，讨论自我、情绪、创伤和行为改变之间的关系。他的价值不只在于提出观点，更在于能把心理治疗、冥想、瑜伽休息术与互联网时代的现实困境放在一起解释清楚。 ## 亮点 - 为什么对情绪的重视一方面提升了觉察，另一方面也可能被自我和操控欲劫持。 - 没有处理情绪和压力的统一路线图：焦虑、尴尬和痛苦有时不是问题本身，而是重要信号。 - 社交媒体、比较和被评判如何不断放大自我，让人更焦虑、更难满足，也更难承受不确定性。 - 从被批评刺痛，到学会观察情绪而不把情绪直接变成行为：如何建立真正的心理韧性。 - 瑜伽休息术、Sankalpa 与“深层重塑”有什么不同于表层自我暗示的地方，以及它们为何可能与神经可塑性有关。 - AI 与算法如何强化单一视角、削弱现实检验，并进一步影响年轻男性的关系困境、成瘾风险与自我认同。 ## 章节目录 - 00:00 互联网、自我与痛苦耐受力 这一章先从心理治疗如何改变人的深层倾向谈起，引出本期关于“自我”、行为改变与心理健康的核心视角。随后对话转向 K 医生的成长经历，讨论他为何被电脑游戏和互联网深深吸引，以及高压成长环境如何塑造了他的自我认同与成瘾经历。后半段聚焦当代网络文化中的情绪话语，指出对感受的重视既提升了觉察，也可能被自我和操控欲劫持，而痛苦耐受力下降正与多种心理问题的上升相关。 - 11:44 没有统一路线图：情绪、模糊性与痛苦耐受 这一章围绕“有没有处理情绪和压力的统一路线图”展开，指出人与人的基因、经历和内在解读方式不同，因此不存在单一答案。对话进一步讨论了焦虑、尴尬等负面情绪的功能，强调情绪不只是需要压制的问题，有时反而是在提醒人所处环境并不健康。后半段把话题延伸到调情、约会和互联网环境中的模糊性与高唤醒状态，说明现代人为什么更难承受不确定，也更容易被情绪消耗。 - 24:12 情绪控制与内在观察 这一章先讨论如何更健康地面对强烈情绪，尤其是愤怒、羞耻和焦虑。嘉宾提出，把情绪说出来只是第一步，更重要的是培养额外的情绪视角，理解情绪传递的信息和动机，而不是把情绪直接变成行为。随后话题转向“该听内心还是外界期待”，并引出东西方对心智的不同理解，强调内在观察在理解自我中的重要性。 - 35:37 自我、比较与真正想要的东西 这一章围绕“自我”如何塑造欲望展开，区分了被外界训练出来的想要，与更内在、持续存在的驱动力。对话指出，自我本身并非坏事，但凡建立在感官刺激、社会比较和证明自己的冲动上的追求，往往会让人不断移动目标、难以满足。后半段还谈到社交媒体和被评判如何放大自我与焦虑，尤其会让创作者更容易陷入比较、防御和伪自信。 - 48:05 批评、软肋与自我消融 这一章围绕人为什么会被批评刺痛展开，讨论了愤怒式攻击与冷静、精准的“毒镖式”批评为何会以不同方式击中人。对话指出，真正让人受伤的往往是那些自己也相信的自我评价，因此观察自己面对批评时的反应，是看见不安全感和自我的入口。后半段进一步谈到如何从头脑和自我中退开，包括心理治疗帮助观察心智、冥想帮助减弱默认模式网络，以及以“空性”为核心的练习。 - 57:57 空性、情绪抽离与内在稳定 这一章围绕“空性”展开，先用呼吸间隙与身体感受说明，如何通过注意力进入一种不与角色和情绪认同的状态。嘉宾进一步解释，这种从情绪中抽离、成为观察者的能力，是心理韧性的核心，也能帮助人承受比较、评判、网络攻击与人生挫折。后半段讨论了外在环境与内在调节的关系：环境可以辅助稳定自己，但不能成为唯一依赖，真正重要的是看见自己如何被经历塑造，并开始卸下那些后天习得的印痕。 - 01:10:08 创伤印痕与瑜伽休息术的重写机制 这一章从创伤如何在心里留下“疤痕”讲起，把这种持续影响认知和关系的残留模式对应到瑜伽里的“行”和潜意识印痕。对话进一步解释了注意力、情绪与学习之间的关系：情绪会让心智高度聚焦，因此某些负面经验更容易被“写入”无意识。随后话题转向瑜伽休息术，讨论它如何通过一种深度放松但清醒的状态进入“编辑模式”，并借由 sankalpa（决意）去重写更深层的心理倾向，同时也强调科学研究需要先从可测量的生理层面入手。 - 01:21:32 从自我暗示到深层重塑 这一章围绕“改变行为”与“改变底层倾向”的区别展开，讨论了自尊、创伤、自恋等问题为何需要在更深层的信念与存在感上发生转变，而不只是靠意志力或重复自我暗示。对话进一步解释了 Sankalpa、瑜伽休息术和临睡临醒状态为何可能与神经可塑性有关，以及这些练习在副交感激活、慢性疼痛和内在重塑中的实际价值。最后也谈到，面对带有灵性色彩的体验时，既要保持开放，也要保留科学上的谨慎。 - 01:34:00 AI如何塑造感知与心理风险 这一章从临床视角谈到，群体研究很难直接回答“对这个具体的人是否有效”，因此更重要的是理解个体的自我与感知。对话重点转向互联网和人工智能如何通过算法不断强化单一视角，削弱现实检验，并可能与偏执、精神病性症状等风险相关。后半段还谈到社交媒体和算法可能通过持续刺激影响神经可塑性，以及在实际使用上应避免在情绪差或临睡前刷社交媒体。 - 01:46:19 社交媒体标准、男性困境与关系脆弱性 这一章先谈到社交媒体如何不断重塑人们对外貌的标准，尤其让年轻男性也越来越陷入躯体焦虑和“颜值优化”的执念。随后讨论了吸引力与关系中的真实关键：外貌并非最重要，表达兴趣、人生愿景和应对逆境的能力往往更关键。后半段转向年轻男性整体掉队的现象，以及男性在离婚和情感断裂后承受的更高心理与生理代价，这让“如何支持挣扎中的男性”成为一个值得正视的问题。 - 01:58:43 理解自己、成瘾与亲密关系困境 这一章先从“迟迟无法进入成年状态”的年轻男性谈起，核心问题不是缺少意志力，而是不理解自己是如何运作的。 - 02:10:46 约会连接、练习方法与灵性探索 这一章先讨论了人们为何会把注意力过度放在“外貌升级”上，以及社交媒体如何扰乱多巴胺系统，让恋爱和社交连接变得更难。随后话题转向建立吸引力与情感联结的具体条件，包括共享情绪体验、约会前远离电子设备、幽默与善良的重要性。后半段进一步谈到瑜伽、呼吸练习、冥想与灵性体验，强调在证据有限时既要保持开放，也要亲自实践和审慎探索。 ## 章节摘要 ### 00:00 - 11:44 互联网、自我与痛苦耐受力 这一章先从心理治疗如何改变人的深层倾向谈起，引出本期关于“自我”、行为改变与心理健康的核心视角。随后对话转向 K 医生的成长经历，讨论他为何被电脑游戏和互联网深深吸引，以及高压成长环境如何塑造了他的自我认同与成瘾经历。后半段聚焦当代网络文化中的情绪话语，指出对感受的重视既提升了觉察，也可能被自我和操控欲劫持，而痛苦耐受力下降正与多种心理问题的上升相关。 - 心理治疗不仅是在压制行为，更可能改变一个人的深层倾向、自我感和看待世界的方式。 - K 医生回顾自己因学校节奏过慢、跳级带来的发展落差，而在电脑游戏中找到与认知节奏匹配的吸引力。 - 他提到家庭和文化中的高期待让“成为医生”成为自我认同的重要部分，但这种由自我驱动的动机后来也带来了崩塌和游戏成瘾。 - 对情绪和创伤的讨论增加了觉察，但网络环境也让“治疗话术”被用来操控他人，而痛苦耐受力下降与抑郁、焦虑等问题的增加有关。 ### 11:44 - 24:12 没有统一路线图：情绪、模糊性与痛苦耐受 这一章围绕“有没有处理情绪和压力的统一路线图”展开，指出人与人的基因、经历和内在解读方式不同，因此不存在单一答案。对话进一步讨论了焦虑、尴尬等负面情绪的功能，强调情绪不只是需要压制的问题，有时反而是在提醒人所处环境并不健康。后半段把话题延伸到调情、约会和互联网环境中的模糊性与高唤醒状态，说明现代人为什么更难承受不确定，也更容易被情绪消耗。 - 高标准和外界推动既可能被理解为信任与期待，也可能被内化成压垮人的压力。 - 同样的处境会引发非常不同的反应，因此心理问题常见的错误不是没有答案，而是误诊了真正的问题。 - 焦虑和尴尬等负面情绪并非纯粹有害，它们可能是重要的适应性信号，比如提示边界被越过或环境不适合自己。 - 模糊性本就是人际互动的一部分，而互联网不断放大情绪唤醒和最坏结果想象，让人更难承受不确定性。 ### 24:12 - 35:37 情绪控制与内在观察 这一章先讨论如何更健康地面对强烈情绪，尤其是愤怒、羞耻和焦虑。嘉宾提出，把情绪说出来只是第一步，更重要的是培养额外的情绪视角，理解情绪传递的信息和动机，而不是把情绪直接变成行为。随后话题转向“该听内心还是外界期待”，并引出东西方对心智的不同理解，强调内在观察在理解自我中的重要性。 - 给情绪命名能帮助情绪从高度激活中稍微平静下来，但仅仅表达感受往往并不够。 - 有韧性的人会在单一情绪之外加入更多视角，比如在失恋的痛苦中看到曾经的美好和未来的经验价值。 - 情绪不是行为，而是一种信息和驱动力，关键是去问这种情绪在告诉自己什么。 - 嘉宾认为西方心智模型难以直接测量思想，而东方传统更强调通过内在观察来理解心智与自我。 ### 35:37 - 48:05 自我、比较与真正想要的东西 这一章围绕“自我”如何塑造欲望展开，区分了被外界训练出来的想要，与更内在、持续存在的驱动力。对话指出，自我本身并非坏事，但凡建立在感官刺激、社会比较和证明自己的冲动上的追求，往往会让人不断移动目标、难以满足。后半段还谈到社交媒体和被评判如何放大自我与焦虑，尤其会让创作者更容易陷入比较、防御和伪自信。 - 凡是“我是……”后面接上的身份定义，都属于自我的一部分，但真正的自我比这些角色更根本。 - 感官刺激和广告、社交媒体塑造出来的欲望，常常并不等于一个人真正想要的东西。 - 建立在比较之上的追求会带来成就，却未必带来快乐，因为自我的本性就是永不满足地比较。 - 被更多人评判会让人更容易自恋式防御，大脑也会过度聚焦少数恶意反馈，而这并不等于真正的自信。 ### 48:05 - 57:56 批评、软肋与自我消融 这一章围绕人为什么会被批评刺痛展开，讨论了愤怒式攻击与冷静、精准的“毒镖式”批评为何会以不同方式击中人。对话指出，真正让人受伤的往往是那些自己也相信的自我评价，因此观察自己面对批评时的反应，是看见不安全感和自我的入口。后半段进一步谈到如何从头脑和自我中退开，包括心理治疗帮助观察心智、冥想帮助减弱默认模式网络，以及以“空性”为核心的练习。 - 面对批评时是否立刻把它当成对自身价值的否定，是区分自我反应与共情能力的重要线索。 - 愤怒而粗暴的攻击更容易被识别和顶回去，真正难防的是冷静、精准、专挑脆弱点下手的批评。 - 别人说的话之所以伤人，往往是因为它碰到了自己本来就相信或怀疑的那部分自我评价。 - 想观察心智可以借助心理治疗，想进一步走出自我则可通过冥想，以及更谨慎地接触与自我消融相关的练习。 ### 57:57 - 01:10:07 空性、情绪抽离与内在稳定 这一章围绕“空性”展开，先用呼吸间隙与身体感受说明，如何通过注意力进入一种不与角色和情绪认同的状态。嘉宾进一步解释，这种从情绪中抽离、成为观察者的能力，是心理韧性的核心，也能帮助人承受比较、评判、网络攻击与人生挫折。后半段讨论了外在环境与内在调节的关系：环境可以辅助稳定自己，但不能成为唯一依赖，真正重要的是看见自己如何被经历塑造，并开始卸下那些后天习得的印痕。 - 通过关注太阳神经丛的空感，以及呼吸与呼吸之间的静止，可以更容易体会到“空性”。 - 当人不再把自己等同于悲伤等情绪，而是能观察情绪时，会更有韧性，也更能承受外界的伤害与评判。 - 比较、落后、升职失利等经历会让人受伤，有些人因此变得更有野心，但可能以幸福为代价。 - 外在环境可以帮助调节状态，例如改变居住环境或远离诱发成瘾的场所，但不能完全依赖它，关键仍是内在稳定与卸下后天形成的心理印痕。 ### 01:10:08 - 01:21:32 创伤印痕与瑜伽休息术的重写机制 这一章从创伤如何在心里留下“疤痕”讲起，把这种持续影响认知和关系的残留模式对应到瑜伽里的“行”和潜意识印痕。对话进一步解释了注意力、情绪与学习之间的关系：情绪会让心智高度聚焦，因此某些负面经验更容易被“写入”无意识。随后话题转向瑜伽休息术，讨论它如何通过一种深度放松但清醒的状态进入“编辑模式”，并借由 sankalpa（决意）去重写更深层的心理倾向，同时也强调科学研究需要先从可测量的生理层面入手。 - 创伤后的心理适应像身体结疤一样，具有保护性，但往往会在之后变成不良适应。 - 强烈情绪会让注意力收束，因此某些伤人的话或创伤经验更容易深深刻进记忆和无意识。 - 瑜伽休息术被描述为一种介于催眠与清醒之间的状态，在这种状态下更适合植入 sankalpa 来重写潜意识。 - 讨论冥想和呼吸法时，嘉宾强调应先从生理学和可预测的临床效果出发，再谈更深层的主观与神秘体验。 ### 01:21:32 - 01:34:00 从自我暗示到深层重塑 这一章围绕“改变行为”与“改变底层倾向”的区别展开，讨论了自尊、创伤、自恋等问题为何需要在更深层的信念与存在感上发生转变，而不只是靠意志力或重复自我暗示。对话进一步解释了 Sankalpa、瑜伽休息术和临睡临醒状态为何可能与神经可塑性有关，以及这些练习在副交感激活、慢性疼痛和内在重塑中的实际价值。最后也谈到，面对带有灵性色彩的体验时，既要保持开放，也要保留科学上的谨慎。 - 心理治疗的关键不只是压制行为，而是改变一个人更底层的倾向、信念和看待世界的方式。 - 反复对自己说一句正向口号并不能真正改变信念，也不足以触发神经可塑性。 - Sankalpa 更像一种内化的人生指南针，重点在于进入合适的身心状态，而不是表层自我说服。 - 瑜伽休息术能帮助副交感激活、训练身体觉察轮转，并对慢性疼痛等问题有现实帮助。 ### 01:34:00 - 01:46:18 AI如何塑造感知与心理风险 这一章从临床视角谈到，群体研究很难直接回答“对这个具体的人是否有效”，因此更重要的是理解个体的自我与感知。对话重点转向互联网和人工智能如何通过算法不断强化单一视角，削弱现实检验，并可能与偏执、精神病性症状等风险相关。后半段还谈到社交媒体和算法可能通过持续刺激影响神经可塑性，以及在实际使用上应避免在情绪差或临睡前刷社交媒体。 - 随机对照试验提供的是群体层面的结论，落到具体个体时未必能判断某种干预是否有效。 - 算法会不断强化用户原有的感知路径，让人越来越活在狭窄且极端的“隧道”里。 - 对话中提到人工智能过度迎合用户，可能削弱现实检验，并举出与精神病性症状相关的病例和风险讨论。 - 社交媒体的影响不仅取决于使用时长，也取决于使用时的心理状态；情绪不好或睡前使用尤其容易带来问题。 ### 01:46:19 - 01:58:43 社交媒体标准、男性困境与关系脆弱性 这一章先谈到社交媒体如何不断重塑人们对外貌的标准，尤其让年轻男性也越来越陷入躯体焦虑和“颜值优化”的执念。随后讨论了吸引力与关系中的真实关键：外貌并非最重要，表达兴趣、人生愿景和应对逆境的能力往往更关键。后半段转向年轻男性整体掉队的现象，以及男性在离婚和情感断裂后承受的更高心理与生理代价，这让“如何支持挣扎中的男性”成为一个值得正视的问题。 - 社交媒体会把人对“正常外貌”的认知越拉越偏，并放大个体原本就存在的心理脆弱点。 - 对外貌和肌肉的过度执着并不等于更容易建立关系，研究里外貌对魅力和长期关系的重要性并不靠前。 - 比起长相，调情信号、表达兴趣、人生愿景和面对逆境的能力，对建立长期关系更重要。 - 男性在教育、成瘾、自杀和离婚后的身心后果上都显示出明显脆弱性，但社会层面对男性的支持仍然不足。 ### 01:58:43 - 02:10:46 理解自己、成瘾与亲密关系困境 这一章先从“迟迟无法进入成年状态”的年轻男性谈起，核心问题不是缺少意志力，而是不理解自己是如何运作的。对话随后转向内容的影响，讨论它如何更强地刺激大脑、与成瘾和勃起功能障碍相关，以及为什么它常被用来麻痹痛苦而不只是追求快感。最后还谈到，很多年轻男性把注意力放在增肌和“颜值优化”上，往往是在回避更难面对的亲密关系、自我厌恶和社交无力感。 - 很多年轻男性的问题更像是误诊而非无药可治，关键在于先理解自己的情绪、动力和行为机制。 - 疲惫不一定代表能量不足，也可能是大脑在告诉你这件事“不值得做”，改变对任务的理解有时比硬拼意志力更重要。 - 增肌和“颜值优化”之所以吸引很多年轻男性，部分原因是它比面对约会、亲密关系和自我否定更可控，也更不需要直接面对他人。 ### 02:10:46 - 02:27:28 约会连接、练习方法与灵性探索 这一章先讨论了人们为何会把注意力过度放在“外貌升级”上，以及社交媒体如何扰乱多巴胺系统，让恋爱和社交连接变得更难。随后话题转向建立吸引力与情感联结的具体条件，包括共享情绪体验、约会前远离电子设备、幽默与善良的重要性。后半段进一步谈到瑜伽、呼吸练习、冥想与灵性体验，强调在证据有限时既要保持开放，也要亲自实践和审慎探索。 - 很多人沉迷“外貌升级”，其实是在回避更深层的焦虑：如何进入关系并被他人接纳。 - 社交媒体会扰乱多巴胺系统，降低人进入恋爱状态和投入社交互动的能力，因此约会前一小时散步并远离电子设备是有帮助的。 - 情感联结往往来自共享情绪体验，这也是电影约会、共同经历强烈情境更容易拉近关系的原因。 - 对瑜伽、交替鼻孔呼吸、冥想和灵性体验的讨论强调：有些方法已有生理学依据，而更深层的主观体验只能靠个人亲自探索。 ## 适合谁听 适合正在被情绪、自我比较、社交媒体压力或亲密关系困扰的人，听完能更清楚地理解这些问题如何形成，以及有哪些更深层的调整方向。

# 算力、生态与中国市场：英伟达的长期博弈 本播客翻译整理自英文原播客《Dwarkesh》。 > 黄仁勋围绕英伟达的真正护城河、CUDA与生态优势、AI安全争议，解释这家公司如何做长期竞争。 ## 导语 本播客翻译整理自英文原播客《Dwarkesh》。这期不是简单聊一家公司有多强，而是把问题推到更底层：在AI时代，真正难被复制的到底是芯片、软件，还是把算力、供应链、开发者和标准组织起来的整套生态。最大亮点在于，黄仁勋不仅回应了TPU、ASIC、开源与安全等尖锐质疑。想理解英伟达为何仍占据主动，以及这场竞争为什么早已超出单一芯片之争，这期值得听。 ## 主持人 本期主持人的提问聚焦在最有争议的交叉点：技术护城河是否会被商品化、CUDA还能守多久、AI安全与地缘政治如何影响商业决策。这样的追问方式让讨论不止停留在公司叙事，而是不断逼近英伟达战略的边界与代价。 ## 嘉宾 嘉宾是英伟达CEO黄仁勋。作为这家公司生态、产品路线与供应链布局的核心决策者，他不仅能解释英伟达为何把自己定义为“加速计算”平台，也能从一线视角回应外界最关心的竞争、投资、产能和中国市场问题。 ## 亮点 - 英伟达的护城河不只是GPU本身，而是把“电子转化为token”的整套能力，以及围绕上下游建立起来的生态系统。 - 正面回应TPU与CUDA挑战：英伟达强调自己的优势在于可编程性、持续适配新算法的能力，以及庞大的开发者和装机基础。 - 黄仁勋解释为何GPU像F1赛车：真正的性能释放依赖深度协同优化，而这直接影响客户的总拥有成本和商业回报。 - 谈到生态投资与GPU分配原则：英伟达会支持新云厂商和模型公司，但尽量不亲自下场做云，也不按“价高者得”分配稀缺资源。 - 围绕AI安全与开源生态展开讨论：如何让大量智能体彼此监督、如何验证模型只做预期之事，被视为关键难题。 ## 章节目录 - `00:00` 英伟达的护城河：从电子到 Token 的生态系统 这一章围绕“AI 会不会让英伟达也被商品化”展开，核心观点是：真正难以被复制的，不是单一软件或制造环节，而是把电子高效转化为更有价值的 token 的整套能力。Jensen 进一步解释了英伟达如何通过“自己只做必须做的部分、其余交给生态伙伴”的方式，建立覆盖上下游的庞大生态系统。后半段重点谈到供应链护城河：通过提前做出采购承诺、说服上游投资、识别并提前布局瓶颈，英伟达试图确保未来几年持续扩张所需的产能。 - `15:24` 英伟达如何回应 TPU 与 CUDA 挑战 这一章先从能源与再工业化谈起，认为真正限制美国扩产和新制造业发展的关键瓶颈在下游能源政策，而不是芯片产能本身。随后话题转向 TPU 与 GPU 的竞争，黄仁勋强调英伟达做的是覆盖更广的“加速计算”，不仅服务 AI，也支持大量科学计算与数据处理场景。面对 TPU 更适合矩阵乘法、以及大客户可能自建软件栈替代 CUDA 的质疑，他把英伟达的优势归结为可编程性、持续催生新算法的能力，以及庞大的 CUDA 生态和装机基础。 - `30:31` 英伟达的优势、投资转向与边界 这一章围绕英伟达为何仍能在 AI 计算中占据主导展开。黄仁勋强调，GPU 像 F1 赛车，只有深度参与客户优化、把架构和软件栈调到极致，才能真正释放性能，而这直接决定了 TCO 和商业回报。随后他回应了 Anthropic、TPU 和 ASIC 的竞争问题，承认自己过去低估了基础模型实验室对供应商资本支持的需求，也解释了为什么英伟达现在愿意投资 OpenAI 和 Anthropic，但仍不打算亲自下场做云服务商。 - `45:34` 生态投资、GPU分配与对华交流 这一章围绕英伟达如何支持AI生态展开：既会扶持新云厂商和基础模型公司，也坚持“该做多少就做多少、能少做就少做”，避免把自己变成融资机构或去押注单一赢家。随后话题转向GPU短缺时的分配原则，强调核心依据是预测、采购订单和客户准备情况，而不是价高者得，这也是其希望成为行业稳定底座的一部分。最后谈到中国时，观点是中国本就拥有大量芯片、能源和研究人才，因此与其把对方进一步推成敌人，不如保持研究层面的对话，以追求更安全的世界。 - `01:00:37` 开源生态、算力差距与中国AI能力之争 这一章围绕AI安全与地缘竞争展开，先强调需要一个围绕网络安全、隐私与安全性的开源生态，让大量AI智能体彼此监督，而不是让单个强大智能体无人看管。随后讨论焦点转向中美算力差距：一方认为美国应凭借更强算力率先达到高风险能力并提前修补漏洞，另一方则反驳称中国已有大量能源、芯片制造能力和研究人才，不能低估其训练与部署先进模型的能力。章节后半段还谈到算法进步、硬件适配与技术栈归属的重要性，并以模型后门实验说明，如何验证模型只做预期之事，仍是AI安全中的关键难题。 - `01:15:43` 芯片出口、生态系统与英伟达的长期竞争 这一章围绕“是否应限制向中国出售英伟达芯片”展开激烈争论，一方强调算力可能带来网络攻击等安全风险，另一方则认为把中国市场拱手让出，会削弱美国在芯片和 AI 技术栈上的长期领导力。讨论的核心落在生态系统、开发者基础和技术标准之争：英伟达认为计算平台不像汽车那样容易替换，谁掌握开发者和软件栈，谁就更可能在全球扩散自己的技术标准。后半段话题转向架构与制程，强调摩尔定律放缓后，性能提升越来越依赖系统架构、软件栈、网络和封装，而不只是先进制程。 - `01:43:09` 简短回应 这一段只有一句简短的互动回应，表达了对前一句话的认同，并带有轻松、友好的情绪。内容虽短，但呈现了对话中的情感反馈和交流氛围。 ## 章节摘要 ### 00:00 - 15:23 英伟达的护城河：从电子到 Token 的生态系统 这一章围绕“AI 会不会让英伟达也被商品化”展开，核心观点是：真正难以被复制的，不是单一软件或制造环节，而是把电子高效转化为更有价值的 token 的整套能力。Jensen 进一步解释了英伟达如何通过“自己只做必须做的部分、其余交给生态伙伴”的方式，建立覆盖上下游的庞大生态系统。后半段重点谈到供应链护城河：通过提前做出采购承诺、说服上游投资、识别并提前布局瓶颈，英伟达试图确保未来几年持续扩张所需的产能。 - Jensen 将英伟达定义为“输入是电子，输出是 token”的中间层，并认为这段转化过程难以被彻底商品化。 - 他认为 AI 不会简单压垮工具型软件公司，反而会因为智能体数量增长而显著提升各类工具的使用量。 - 英伟达的优势之一在于提前锁定晶圆、内存、封装等稀缺资源，并用庞大的下游需求带动上游投资。 - 他表示供应链瓶颈通常不会持续超过两三年，前提是有明确需求信号，同时计算效率也在持续大幅提升。 ### 15:24 - 30:29 英伟达如何回应 TPU 与 CUDA 挑战 这一章先从能源与再工业化谈起，认为真正限制美国扩产和新制造业发展的关键瓶颈在下游能源政策，而不是芯片产能本身。随后话题转向 TPU 与 GPU 的竞争，黄仁勋强调英伟达做的是覆盖更广的“加速计算”，不仅服务 AI，也支持大量科学计算与数据处理场景。面对 TPU 更适合矩阵乘法、以及大客户可能自建软件栈替代 CUDA 的质疑，他把英伟达的优势归结为可编程性、持续催生新算法的能力，以及庞大的 CUDA 生态和装机基础。 - 他认为美国发展芯片制造、计算机制造、机器人、电动车和 AI 工厂的真正瓶颈是能源政策，而芯片产能问题两三年内可以缓解。 - 他将英伟达定义为“加速计算”平台，而非单一面向 AI 的张量处理器，强调其应用范围覆盖分子动力学、流体力学、数据处理等众多领域。 - 针对 TPU 更适合矩阵乘法的说法，他认为 AI 进步不只靠矩阵乘法，更依赖可编程架构去支持新注意力机制、混合模型和新的算法创新。 - 在回应超大规模云厂商可自写内核、弱化 CUDA 价值的质疑时，他强调 CUDA 的核心价值在于成熟生态、可靠基础以及数以亿计 GPU 形成的庞大装机基础。 ### 30:31 - 45:34 英伟达的优势、投资转向与边界 这一章围绕英伟达为何仍能在 AI 计算中占据主导展开。黄仁勋强调，GPU 像 F1 赛车，只有深度参与客户优化、把架构和软件栈调到极致，才能真正释放性能，而这直接决定了 TCO 和商业回报。随后他回应了 Anthropic、TPU 和 ASIC 的竞争问题，承认自己过去低估了基础模型实验室对供应商资本支持的需求，也解释了为什么英伟达现在愿意投资 OpenAI 和 Anthropic，但仍不打算亲自下场做云服务商。 - 英伟达会派大量工程师进入 AI 实验室协助优化技术栈，常能把模型速度提升 2 倍、3 倍甚至 50%。 - 黄仁勋认为英伟达成功的核心在于性能与总拥有成本比，以及装机基础、可编程性和生态系统形成的飞轮。 - 他把 Anthropic 转向 TPU 视为个例而非趋势，并认为多数 ASIC 项目很难做出比英伟达更好的产品。 - 他承认过去没有充分意识到基础模型实验室需要供应商提供巨额资本支持，但同时表示英伟达的原则仍是只做必须做的事，而不是自己成为云厂商。 ### 45:34 - 01:00:37 生态投资、GPU分配与对华交流 这一章围绕英伟达如何支持AI生态展开：既会扶持新云厂商和基础模型公司，也坚持“该做多少就做多少、能少做就少做”，避免把自己变成融资机构或去押注单一赢家。随后话题转向GPU短缺时的分配原则，强调核心依据是预测、采购订单和客户准备情况，而不是价高者得，这也是其希望成为行业稳定底座的一部分。最后谈到中国时，观点是中国本就拥有大量芯片、能源和研究人才，因此与其把对方进一步推成敌人，不如保持研究层面的对话，以追求更安全的世界。 - 英伟达会投资CoreWeave、Nscale、Nebius等生态伙伴，但目标是支持生态繁荣，而不是把投资本身做成主要商业模式。 - 在基础模型公司上，英伟达倾向于广泛支持而不挑赢家，这也来自其早年作为最不被看好的图形公司却最终存活下来的经验。 - GPU紧缺时的分配主要依据需求预测、采购订单先后和数据中心是否就绪，英伟达明确反对按出价高低临时改价分货 ### 01:15:43 - 01:43:09 芯片出口、生态系统与英伟达的长期竞争 这一章围绕“是否应限制向中国出售英伟达芯片”展开激烈争论，一方强调算力可能带来网络攻击等安全风险，另一方则认为把中国市场拱手让出，会削弱美国在芯片和 AI 技术栈上的长期领导力。讨论的核心落在生态系统、开发者基础和技术标准之争：英伟达认为计算平台不像汽车那样容易替换，谁掌握开发者和软件栈，谁就更可能在全球扩散自己的技术标准。后半段话题转向架构与制程，强调摩尔定律放缓后，性能提升越来越依赖系统架构、软件栈、网络和封装，而不只是先进制程。 - 围绕对华芯片出口的分歧在于：更多算力可能增强危险模型能力，但完全退出中国市场也可能削弱美国技术领导力。 - 英伟达反复强调 CUDA 和开发者生态是核心护城河，认为计算生态系统一旦形成就很难被替代。 - 讨论指出 AI 竞争不只是模型之争，而是芯片、软件栈、应用层等多层技术栈的整体竞争。 - 在谈到硬件路线时，黄仁勋认为 Blackwell 相比 Hopper 的巨大提升主要来自架构、封装、系统设计等综合工程，而不只是制程进步。

本播客翻译自Dwarkesh Podcast 陶哲轩的访谈（原英文播客）。 # 从开普勒到AI：科学发现的瓶颈转向验证 > 从开普勒的椭圆轨道到今天的AI数学，这期讨论科学发现为何正从“提出想法”转向“验证、筛选与协作”。 ## 导语 当AI越来越擅长批量生成假设，科学最稀缺的能力可能已不再是灵感，而是验证、判断和说服。本期从科学史讲到当代数学研究，既谈AI在数学中的真实进展与边界，也谈为什么很多重要理论在早期并不占优，却最终改变了世界。 ## 主持人 本期主持人围绕“科学发现究竟如何发生”持续追问，不只关心AI能不能解题，也把讨论推进到科学判断、传播说服和研究流程重构这些更底层的问题，使这场对谈兼具历史视角与现实针对性。 ## 嘉宾 嘉宾是数学研究一线的代表性学者 Terrence Tao。由他来谈AI与数学的关系尤其值得听，因为他既熟悉真正的数学突破如何产生，也长期观察工具、证明形式化和研究协作方式的变化，能把技术热潮放回具体研究实践中判断。 ## 亮点 - 从开普勒放弃“漂亮但错误”的理论讲起，重新理解科学发现里数据、试错与验证的作用。 - 讨论一个科学想法为何常常在早期并不更准确、也不更容易被接受，科学进步如何依赖叙事与说服。 - 拆解AI做数学的现状：早期成果之后进入平台期，真正优势更可能在广度铺开而非单点突破。 - 具体谈到AI已明显提升文献检索、作图、排版等辅助效率，但尚未真正加速最核心的数学突破。 - 围绕Lean、形式化证明与“人工机巧”展开，讨论AI协作的潜力、局限，以及未来更现实的人机分工。 - 从素数定理、孪生素数猜想到黎曼猜想，解释数学界为何会在严格证明之外形成强烈信念。 ## 章节目录 - `00:00` 从开普勒到AI：科学发现的瓶颈 这一章先回顾了开普勒如何在哥白尼模型和第谷·布拉赫高精度观测数据的基础上，放弃自己关于柏拉图立体的漂亮理论，最终发现行星椭圆轨道与三大运动定律。对话随后借这个故事讨论科学发现的过程：提出想法固然重要，但数据收集、验证和分析同样关键。两人进一步把开普勒类比为不断试错的“高温度模型”，引出当下AI能大规模生成假设后，科学真正的瓶颈正转向验证、筛选与识别哪些想法值得推进。 - `15:13` 科学进步如何被判断与说服 这一章围绕“怎样判断一个科学想法是否真正有价值”展开，讨论了标准、路径依赖和历史语境对科学评价的影响。对话借日心说、牛顿、达尔文等案例说明，正确理论在早期往往并不更准确、也不更容易被接受。后半段进一步谈到科学不仅靠数据和验证，也依赖叙事、传播与说服；同时以天文学和引文研究为例，说明人们或许还能从有限数据中提取出更多关于科学活动本身的信号。 - `30:17` AI数学进展的平台期与广度优势 这一章围绕“AI做数学”当前到底进展到哪一步展开：早期确实解出了一批埃尔德什问题，但纯靠AI一击即中的阶段似乎已经过去，眼下进入了平台期。讨论的重点转向AI与人类的互补关系——AI擅长大规模铺开、尝试现有方法，人类更擅长深入突破和发明新技术。也因此，AI对数学最可能带来的改变，不只是解单个难题，而是推动一种更偏“规模化实验”的新研究方式。 - `45:26` AI数学协作的边界与可能 这一章先谈到，评估AI能力需要更标准化的数据集和公开的挑战题，而不是只看公司公布的成功案例。随后话题转向数学研究中的实际体验：AI已经明显提升了文献检索、作图、排版等辅助工作效率，也让论文变得更丰富，但还没有真正加速最核心的数学突破。后半段重点讨论“人工机巧”和真正智能的差别，以及AI与Lean在证明、分析和重构数学成果中的潜力与局限，强调未来更可能是人类与强大工具之间的新型协作，而不是AI一次性自主解决难题。 - `01:00:27` 素数模型、偶然性与AI时代的数学 这一章先从“半形式化”科学交流谈起，说明如果没有一种既能容纳数据、论证和叙事、又不易被AI钻空子的框架，人工智能就很难真正参与猜想生成与科学判断。随后以高斯从数据中提出素数定理为例，展开讨论素数的统计模型、孪生素数猜想、黎曼猜想，以及数学界为何会在缺乏严格证明时仍形成强烈信念。后半段转向陶哲轩个人的学习方式、写博客记录知识的习惯，以及他对偶然交流价值的强调，最后谈到AI对数学工作的重塑：短期更像互补工具，长期会改变研究路径，也让年轻人拥有更多非传统进入前沿的机会。 - `01:23:39` 致谢收尾 这一章是对谈的结束部分，主持人表示可以用前一句作为收尾，并向 Terrence 表达感谢。Terrence 简短回应，完成了整段节目的礼貌收束。 ## 章节摘要 ### 00:00 - 15:12 从开普勒到AI：科学发现的瓶颈 这一章先回顾了开普勒如何在哥白尼模型和第谷·布拉赫高精度观测数据的基础上，放弃自己关于柏拉图立体的漂亮理论，最终发现行星椭圆轨道与三大运动定律。对话随后借这个故事讨论科学发现的过程：提出想法固然重要，但数据收集、验证和分析同样关键。两人进一步把开普勒类比为不断试错的“高温度模型”，引出当下AI能大规模生成假设后，科学真正的瓶颈正转向验证、筛选与识别哪些想法值得推进。 - 开普勒最初相信行星轨道与柏拉图立体之间存在几何和谐，但第谷的数据最终迫使他放弃这套理论。 - 凭借第谷比前人精确得多的观测数据，开普勒经过多年分析，发现了椭圆轨道、面积定律和后来的第三定律。 - 对话强调科学不只是灵感时刻，还包括选题、收集数据、提出假设、验证结果和写作传播等多个环节。 - 在AI让想法生成成本大幅下降之后，科学面临的新难题是如何大规模验证、评估并筛选真正有价值的理论。 ### 15:13 - 30:17 科学进步如何被判断与说服 这一章围绕“怎样判断一个科学想法是否真正有价值”展开，讨论了标准、路径依赖和历史语境对科学评价的影响。对话借日心说、牛顿、达尔文等案例说明，正确理论在早期往往并不更准确、也不更容易被接受。后半段进一步谈到科学不仅靠数据和验证，也依赖叙事、传播与说服；同时以天文学和引文研究为例，说明人们或许还能从有限数据中提取出更多关于科学活动本身的信号。 - 一个科学想法是否会结出成果，往往取决于未来的发展、社会文化的采纳，以及既有标准带来的惯性。 - 科学史上许多后来被证明正确的理论，在刚提出时常常显得更不准确、更反直觉，甚至不如旧理论完整。 - 达尔文和牛顿的例子说明，科学传播能力会影响理论被理解和接受的速度，数据之外还需要把故事讲清楚。 - 天文学长期在数据稀缺条件下发展出强大的信号提取能力，而引用中的重复笔误这类细节，也可能成为衡量科研行为的间接指标。 ### 30:17 - 45:24 AI数学进展的平台期与广度优势 这一章围绕“AI做数学”当前到底进展到哪一步展开：早期确实解出了一批埃尔德什问题，但纯靠AI一击即中的阶段似乎已经过去，眼下进入了平台期。讨论的重点转向AI与人类的互补关系——AI擅长大规模铺开、尝试现有方法，人类更擅长深入突破和发明新技术。也因此，AI对数学最可能带来的改变，不只是解单个难题，而是推动一种更偏“规模化实验”的新研究方式。 - AI已经解出五十多道埃尔德什问题，但纯靠AI直接解题的新增成果明显减少，低垂果实基本已被摘完。 - 当前更常见的做法是人和多个AI工具协作，由AI提出证明思路、做批评改写、生成数据或整理文献。 - 讨论认为AI强在广度、人类强在深度，因此未来科学研究需要重构流程，先让AI大范围摸清地形，再由专家攻克真正困难的部分。 - AI目前很擅长把已有标准方法大规模应用到问题上，但在补上关键缺口、提出真正新技术方面仍然有限，系统研究中的成功率往往只有1%到2%。 ### 45:26 - 01:00:26 AI数学协作的边界与可能 这一章先谈到，评估AI能力需要更标准化的数据集和公开的挑战题，而不是只看公司公布的成功案例。随后话题转向数学研究中的实际体验：AI已经明显提升了文献检索、作图、排版等辅助工作效率，也让论文变得更丰富，但还没有真正加速最核心的数学突破。后半段重点讨论“人工机巧”和真正智能的差别，以及AI与Lean在证明、分析和重构数学成果中的潜力与局限，强调未来更可能是人类与强大工具之间的新型协作，而不是AI一次性自主解决难题。 - 嘉宾认为，判断AI真实水平需要标准化数据集和统一挑战题，避免只看到成功案例而忽略失败结果。 - AI已经显著改变数学论文的写法，能更快完成作图、代码生成、文献检索和排版等辅助任务，但核心解题过程仍主要依赖纸笔思考。 - 他把当前AI更接近反复试错和蛮力扩展的“人工机巧”，而不是能在互动中持续积累部分进展、形成新理解的智能。 - 对于Lean生成的大型形式化证明，他认为即使初看难懂，仍可以通过拆分引理、重构版本和后处理分析来提炼关键思想与更优雅的表达。 ### 01:00:27 - 01:23:39 素数模型、偶然性与AI时代的数学 这一章先从“半形式化”科学交流谈起，说明如果没有一种既能容纳数据、论证和叙事、又不易被AI钻空子的框架，人工智能就很难真正参与猜想生成与科学判断。随后以高斯从数据中提出素数定理为例，展开讨论素数的统计模型、孪生素数猜想、黎曼猜想，以及数学界为何会在缺乏严格证明时仍形成强烈信念。后半段转向陶哲轩个人的学习方式、写博客记录知识的习惯，以及他对偶然交流价值的强调，最后谈到AI对数学工作的重塑：短期更像互补工具，长期会改变研究路径，也让年轻人拥有更多非传统进入前沿的机会。 - 如果科学交流缺少一种半形式化框架，AI就难以可靠地参与提出策略、生成猜想和判断其可信度。 - 高斯通过统计数据提出素数定理，开启了把素数视为具有某种密度的伪随机对象的思路。 - 数学界对孪生素数猜想和黎曼猜想的信心，很大程度来自统计模型、实验支持，以及少数已证明结果与模型预测的一致。 - 陶哲轩认为偶然性的交流和适度的干扰很重要，而AI在未来十年会接手数学家大量日常工作，但更可能先作为互补工具而非完全替代者。 ### 01:23:39 - 01:23:43 致谢收尾 这一章是对谈的结束部分，主持人表示可以用前一句作为收尾，并向 Terrence 表达感谢。Terrence 简短回应，完成了整段节目的礼貌收束。 - 主持人认为前一句话很适合作为整场对谈的结尾。 - 主持人在结束时向 Terrence 表达感谢。 - Terrence 以简短回应接受致谢。 ## 适合谁听 适合关心AI、科学方法与数学研究的人收听；听完你会更清楚AI正在改变科学的哪个环节、哪些地方仍离真正突破很远。