跨国串门儿计划

📝 本期播客简介

本期我们克隆了：The Knowledge Project Podcast · Bill Ackman: People are Going to Lose a Lot of Money 原内容更新时间：2026-09-29

“总有一天会出事，可能会出现某种崩盘，让很多人赔掉一大笔钱。”Bill Ackman 谈到 AI、风险投资和泡沫时，给出了这个警告。

作为 Pershing Square 的创始人兼 CEO，Ackman 讲了他如何判断企业的颠覆风险、为什么卖掉 Netflix 后又买回来，以及普通人投资时该怎么做。他也讲到女儿露西突发脑出血后的漫长康复，以及他和妻子筹建脑研究所、希望让更多患者受益的计划。

👤 本期嘉宾

Bill Ackman 是 Pershing Square Capital Management 的创始人兼 CEO，长期从事投资，也参与公司的治理与战略决策。他分享了 Pershing Square 的研究和投资流程，包括如何评估企业、避免颠覆风险，以及如何从投资失误中修订原则；女儿露西脑出血后，他还把办公室搬进医院，并推动筹建以脑部康复和长寿为重点的研究所。

⏱️ 时间戳

00:53 女儿重伤与脑康复

14:05 团队、泡沫与资金纪律

23:19 投资判断与AI颠覆

37:35 股东积极主义与投资选择

42:51 从弃置资产到永久资本

59:59 识人、领导与人生意义

🌟 精彩内容

💡 AI让投资判断更难

AI可能改变企业的生存条件，投资者得判断一家公司的护城河还能不能守住。连巴菲特当年也没看出互联网会如何冲击 World Book；AI的颠覆风险更难预测。

"我们所有人都注定会在某家公司上显得判断失误，因为没能预见 AI 带来的颠覆风险。"

💡 资金充裕，也可能加速公司出局

一家创业公司两周内估值从 4 亿美元升到 10 亿美元，另一家公司 A 轮投前估值达到 50 亿美元。Ackman 认为，融资容易会让公司花钱失去纪律；市场爆雷后，资金只能支撑几个月的公司可能消失。

"把每一美元都当成自己的钱，仔细花，不要以为这种资金充裕、随时都能融资的局面会一直持续下去。"

💡 Netflix变了，投资逻辑就不成立了

Netflix管理层刚说不会推出广告套餐，几周后却表示要做广告模式。Ackman认为，这一变化打破了原有投资逻辑，于是卖出；等Netflix证明广告模式可行、股价回到合理水平后，Pershing Square 又买了回来。

"如果你得知了和原先投资逻辑不一致的新信息，你要么因为股价变便宜了而大幅加仓……要么就得离场。"

💡 普通人别等市场便宜再开始

想自己挑股票，就得投入时间学习和研究；如果只是想投资股市，指数基金是个很好的选择。越早开始长期投资，越能发挥复利的力量。

"别因为觉得市场太贵，就一直拿着现金不投资。"

💡 脑出血后的康复，保险只管一段时间 露西脑部受压 19 个小时后接受手术，醒来时不会走路、不会说话，也看不见了。她的行走、语言和视力逐渐出现进展；Ackman指出，保险可能只支付 6 周护理费用，但康复可能持续很多年。 "人们在很多年后仍然可能继续康复。"

🌐 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

📝 本期播客简介

本期我们克隆了：Colossus Magazine · Mark Zuckerberg

原内容更新时间：Mon, 14 Sep 2026

一个人落后于 AI 前沿，真的就输定了吗？马克·扎克伯格押上的，可能不只是更强的模型，还有 Meta 的用户、广告收入、数据中心和分发渠道。

Colossus 的 Jeremy Stern 走访扎克伯格的家人与同事，也采访了他本人。从 Meta 如何重组 AI 团队、押注 AI 眼镜，到扎克伯格为何始终不肯停下，这篇人物特写呈现了一个既被权力困住、又不断寻找新出口的创始人。

👤 本期嘉宾

Jeremy Stern，Colossus 撰稿人，本文作者。他为这篇特写采访了 36 位相关人士，走访扎克伯格的家人与团队，并多次与扎克伯格交谈；从其早年的创造经历，写到 Meta 的平台困境、AI 战略与个人权力。

⏱️ 时间戳

00:21 天才如何长大

08:29 父母眼中的马克

13:19 格斗与独裁者困境

30:34 泄密风波与眼镜发布会

47:37 眼镜与平台之争

59:37 Meta重押AI

1:12:20 扎克伯格成了替罪羊

1:30:41 创造者不会停下

🌟 精彩内容

💡 Meta不必拥有最强模型

Meta 可以用广告业务的现金、数据中心和芯片降低服务成本，也能把 AI 推给数十亿现有用户。若 AI 变成同质化商品，价值可能落在 Meta 已经占优的分发、注意力和商业化环节。

"如果 AI 变成同质化的商品，Anthropic 和 OpenAI 的价值就会归零，价值反而会落到 Meta 已经占据主导地位的配套环节上。"

💡 AI是扎克伯格不能错过的门槛

Llama 4 发布后，扎克伯格迅速重组团队，成立 Meta Superintelligence Labs，挖来新领导与研究人员，并大幅增加投入。对他来说，错过 AI 的风险，像当年差点错过移动互联网一样。

"AI 是一道关键门槛；如果他像当年差点错过转向移动互联网、又差点错判 TikTok 威胁那样错过 AI，他的帝国就可能慢慢地，哪怕慢得很，也走向消亡。"

💡 AI眼镜想把手机留在口袋

扎克伯格认为，眼镜能让 AI 看见、听见佩戴者周围的世界，还能提供导航和实时翻译；技术融入日常，也可能让人不必一直盯着手机屏幕。

"眼镜让你能和技术互动，同时仍然能专注于身边的人。"

💡 权力越大，越难听见真话

权力者越来越依赖身边人提供信息，但下属可能因恐惧、敬畏或自保而不敢说出坏消息。扎克伯格试着越级接触员工、邀请外部人士当面争论，却也未必能摆脱这种隔绝。

"一个人权力越大，帝国扩张得越大，就越依赖别人提供各种信息。"

💡 他不是为掌声创造东西

扎克伯格说，自己更在意团队凝聚力，而不是陌生人的认可。他把长期组建团队、把产品一点点做好的过程，当成自己最主要的做事方式。

"我在这个世界上最主要的做事方式，就是坐下来组建团队，然后花很长时间，有条不紊地把一件事越做越好。"

💡 “我永远不会停下来”

普莉希拉·陈曾问扎克伯格，能不能结束这段艰难的旅程；他的回答是，自己就是喜欢创造东西。陈后来看到，女儿也会自发地写故事、做应用，这让她理解了扎克伯格为何停不下来。

"他要是停下来，就不是他了。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

📝 本期播客简介

本期我们克隆了：20VC with Harry Stebbings · The Untold Story of Higgsfield | Burning $4M a Month on AI Models | CEO, Alex Mashrabov

原内容更新时间：2026-09-28

一个客户刚开始每月只花 99 美元，半年后，Higgsfield 和他签下了一份每年超过 600 万美元的合同。AI 视频工具怎样从创作者产品变成企业生意？而一家公司的模型账单，又怎么会每月超过 400 万美元？

Higgsfield 创始人兼 CEO Alex Mashrabov 和 20VC 主持人 Harry Stebbings，从产品摸索、增长和客户结构，聊到开源模型与闭源模型的毛利差异、AI 对订阅市场的冲击，以及社交媒体内容将如何被 AI 改写。

👤 本期嘉宾

Alex Mashrabov 是 Higgsfield 的创始人兼 CEO。19 岁时，他已跻身竞赛编程世界前三；他创办的 AI Factory 后来以 1.66 亿美元卖给 Snap，之后负责生成式 AI 业务。他带领 Higgsfield 从 AI 视频工具起步，谈产品如何找到市场、模型成本如何影响生意，既有创业经历，也有一线经营数据。

⏱️ 时间戳

00:56 从竞赛编程到创业

12:19 收入增长与商业模式

20:52 模型选择与成本账

30:16 团队、工具与护城河

37:55 融资、全球市场与人才

46:49 创始人、AI与长期增长

🌟 精彩内容

💡 客户从小额订阅走向企业合同

一位客户最初每月订阅只花 99 美元，六个月后，Higgsfield 与其签下每年超过 600 万美元的合同。企业用 AI 批量制作广告素材，再通过 A/B 测试筛选效果。

"有个客户 6 个月前刚开始用的时候，每月只花 99 美元订阅，现在我们刚和他们签了一份超过 600 万美元的合同。"

💡 每月模型账单超过 400 万美元

Higgsfield 将近 400 人，团队成员平均每月在模型上花费超过 1 万美元。有人为了做素材管理工具，连续五个晚上用 Astra，一周就花了超过 3 万美元。

"我们内部每个月使用模型的花费超过 400 万美元。"

💡 开源模型把毛利率拉到八成以上

社交媒体营销需要批量制作广告，不一定非要用最前沿、最贵的模型。Higgsfield 说，使用开源模型，尤其是经过后训练的开源模型，毛利率能超过 80%；闭源模型则约为 20% 到 30%。

"用开源模型，尤其是经过后训练的开源模型时，我们的毛利率能超过 80%。"

💡 每月 20 美元的专业订阅会受挤压

Alex 判断，谷歌和 OpenAI 的通用产品会挤压面向专业消费者的垂直订阅市场，连 Canva 面向消费者的部分设计需求也可能被替代。Higgsfield 因此要让用户从每月 20 美元的套餐升级到每年花费超过 1000 美元。

"我认为它们会彻底摧毁所有面向专业消费者的订阅市场，也就是每月 20 美元的订阅市场。"

💡 做模型是为了具体用例，不是争排名

Higgsfield 曾投入自研模型，但 Alex 后来认为，追逐基准测试成绩未必代表真实工作效果。只有当客户需求明确，例如写真拍摄，他才认为自研模型值得做。

"说到底，这不过是企业层面的心理战。"

💡 社交媒体的大部分内容会由 AI 生成

Alex 认为，社交媒体上的大量内容最终会由 AI 辅助创作或直接生成；真实节目等内容则可能因稀缺而更有价值。他也判断，AI 视频会冲击广告行业和互联网现有的商业模式。

"大家还是没有充分意识到，社交媒体上的大部分内容都会由 AI 生成。"

🌐 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

📝 本期播客简介

本期我们克隆了：Interconnects AI

原内容更新时间：2026-09-22

两人还把问题落到具体处：AI 研究提速的瓶颈在哪里，机器人能否推动工业爆发，中国顶尖实验室与美国前沿实验室差多远，蒸馏能解释多少差距？谈到模型安全时，他们也没有给出简单结论，而是拆解开放模型、封闭模型和安全防护各自带来的风险。

👤 本期嘉宾

JS Denain 是 Epoch AI 高级研究员，负责 Insights Team。他参与追踪和分析 AI 能力进展、中美实验室差距等问题

⏱️ 时间戳

00:16 RSI与能力加速

14:40 机器人与现实扩张

19:22 中国模型与追赶路径

38:32 模型安全与滥用风险

46:46 Epoch方法与训练配方

🌟 精彩内容

💡 Codex 用得更多，不等于爆发将至

OpenAI 公布的数据显示，研究人员在 Codex 上的支出每月翻倍，但过去他们也大量使用 ChatGPT，单看 Codex 很难判断实际增量。这个趋势说明研究人员可能从中获益，却不足以证明几个月后就会出现软件智能爆发。

"我不觉得这能有力证明 6 个月后就会出现软件智能爆发。"

💡 个人提效不等于公司提速

AI 可能让研究人员完成实验的周期缩短到原来的十分之一，但整体科研产出还受算力、团队协作和战略决策限制。一个研究员效率提高十倍，不代表 Anthropic 就能把研究进度也提高十倍。

"个人效率的提升未必能转化成 Anthropic 整体效率提高 10 倍。"

💡 机器人工业化，可能还要几十年

机器人在受限、重复的制造环境里更有希望，但视觉和动作模型仍不够成熟；建造工厂、扩大机器人产能也需要时间。JS Denain 不认为大规模机器人工业化会在未来两到五年内实现。

"我觉得这可能要几十年，但我不认为这是未来两到五年内就会出现的问题。"

💡 中国模型与前沿模型差几个月

按公开模型的 ECI 表现估算，JS Denain 认为中国顶尖实验室与 OpenAI、Anthropic 的差距大约在六到八个月；Kimi K3 和 GLM-5.2 则显得更接近。他认为算力差异更可能解释大部分差距，蒸馏的作用仍不确定。

"我的感觉是，它们得出的差距大概在 6 到 8 个月左右。"

💡 开放模型的风险不能只看安全限制

开放模型安全防护较弱，但能力也较弱；封闭模型能力更强，却也可能被越狱或从服务中提取能力。判断哪一种风险更大，得看具体的滥用者、能力和使用方式，不能只凭“开放”或“封闭”下结论。

"所以从滥用风险来看，问题似乎是，安全防护不太充分但能力很强的模型，和完全没有安全防护但能力较弱的模型，哪种影响更大？"

🌐 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

📝 本期播客简介

本期我们克隆了：Acquired · Rolex

原内容更新时间：Wed, 04 Mar 2026

机械表走时不如石英表精准，功能上也早已过时，劳力士却在石英危机之后成为腕表生意里最强大的品牌之一。Ben Gilbert 和 David Rosenthal 从劳力士的创立讲起，追溯它如何靠精准、防水和自动上链建立产品优势，又如何在石英表横扫市场时转向机械表的工艺、品牌与稀缺性。

这不只是一段腕表史，也是一堂关于技术颠覆与商业选择的案例课：瑞士钟表业的全球份额从高峰跌落，劳力士没有跟着竞争对手全面转向石英，而是守住核心产品、控制供给，并逐渐把腕表从计时工具变成身份象征。节目还拆解了它的基金会所有制、垂直整合，以及为什么每年生产百万只腕表，仍能让顾客排队等待。

👤 本期嘉宾

Ben Gilbert 和 David Rosenthal 是 Acquired（商业播客节目）的主持人，长期研究优秀公司的发展历程与经营之道。本集两人结合劳力士历史、钟表业资料和业内人士访谈，梳理品牌从创立、产品创新到石英危机与现代奢侈品战略的转变。

⏱️ 时间戳

00:00 劳力士的神秘悖论

04:42 汉斯与创业起点

25:16 从怀表走向蚝式

1:08:16 机械表与恒动系统

1:24:12 工具表塑造产品线

2:12:29 迪通拿与收藏热潮

2:27:02 石英危机与奢侈转型

3:03:35 垂直整合与供货之争

3:40:39 劳力士的规模与定位

🌟 精彩内容

💡 石英表赢了计时，劳力士赢了新市场

石英表更便宜、更精准，瑞士钟表业的全球份额从1945年的85%跌到1980年的15%。劳力士没有只把机械表当成落后的计时工具，而是转向工艺、品牌与稀缺性，进入一种不同的消费市场。

"不是机械表重新流行起来了，而是在原来的市场被摧毁之后，人们发现它恰好适合一个全新的市场。"

💡 劳力士的优势，是不必跟着恐慌

石英危机中，许多瑞士品牌扩充型号、转做石英表，最后稀释了品牌；劳力士则有基金会所有制带来的长期余裕，可以观察局势，不必为了短期业绩仓促转向。

"我们不想变成那种一年把产量提高 20%，然后又大幅下调公价的品牌。"

💡 限量供货比追着需求跑更稳

劳力士不靠大幅提价追逐热潮，而是逐步增加产量、缓慢提价，避免市场转冷时降价清库存，伤害刚按公价买表的顾客。需求暴涨时，它也没有大幅扩产。

"他们绝不想让产量接近真实需求的水平。"

💡 劳力士的产品不是拿来看时间的

当手机和智能手表承担了计时、通知和健康追踪，机械腕表的实用理由变弱了。劳力士卖的更多是工程工艺、身份表达，以及佩戴者想成为的那种人。

"谁都不需要手表，不管出于什么原因。"

💡 百万产量也能制造稀缺感

劳力士一年生产约110万至120万块腕表，销量远超许多高端制表品牌；但它通过稳定的核心款式、控制供给和强势的二手市场，让大量生产与稀缺感并存。

"他们让很多人觉得，自己买到的是非常特别的东西。"

🌐 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

📝 本期播客简介

本期我们克隆了：Invest Like The Best · Inside the Personal AI Assistant Growing 10% a Day | Instinct Founder

原内容更新时间：2026-09-28

不用打开新应用，只发一句话，AI 就能替你订旅行、安排日程，甚至把不想要的订阅从头到尾取消。

Invest Like The Best 主持人 Patrick O'Shaughnessy 与 Instinct 创始人兼 CEO Noah Shinn，聊这款通过消息、语音和邮件与用户互动的个人 AI 助手。Noah 分享了用户把信用卡交给 Agent 前如何建立信任、Instinct 如何从交易中获得收入，以及产品每天增长约 10% 带来的算力难题；他也谈到，未来软件可能不再是一个个独立应用，而是越来越简单的交互界面。

👤 本期嘉宾

Noah Shinn 是 Instinct 的创始人兼 CEO，大约一年前创办这家公司，正在打造一款无需安装新应用、可以通过手机和电脑替用户办事的个人助理。他从产品设计、用户信任与安全机制，到交易模式和算力扩张，亲自讲述了这款产品如何从早期使用场景走向更广泛的日常服务。

⏱️ 时间戳

00:53 个人Agent走进生活

12:27 Agent重塑旅行与预订

19:09 信任与商业模式

31:44 企业如何迎接Agent

40:09 打造令人喜爱的助理

44:47 增长、算力与未来

🌟 精彩内容

💡 用户把信用卡交给 Agent，信任才刚刚开始

使用三周后，40%的用户已经把个人信用卡分享给 Instinct；至少接入一项敏感信息的用户，留存率约为80%。Instinct 还会用独立于 Agent 的系统拦截恶意内容，并监控、批准或否决 Agent 的行动。

"用户始终应该觉得自己的数据由自己掌控。"

💡 AI 助手不该靠操纵用户赚钱

Noah 不希望 Instinct 通过广告或其他方式诱导用户购买不想要的东西。他认为，Agent 的职责不只是照着指令完成任务，还要理解用户更高层次的目标，并在用户真正需要时替他们兜底。

"Instinct 应该站在用户这边，按照用户的意愿行事。"

💡 增长越快，算力越难买

Instinct 每天增长约10%，而算力需要提前数月采购，临时购买的价格可能贵到原来的3到4倍。若增长持续，团队就得在买少了可能不够用、买多了又承担巨大成本之间做判断。

"如果底层算力需求也得跟着每天增长10%，那该怎么办？"

💡 软件可能不再需要一个个应用

未来用户或许只要说“我今晚得去纽约”，Instinct 就能找航班、订酒店、衔接日历和叫车。Noah 认为，界面会越来越简单，但 Agent 能力不会因此受限。

"我觉得所有软件最终都会归结为一个非常简单、非常容易使用的界面。"

💡 主动服务会把办事阻力降到接近零

如果 Agent 知道用户的日程和偏好，就能提前安排出行，或在用户到家前问要不要点熟悉的外卖。Noah 认为，操作门槛降低后，用户和商家的互动反而可能更多。

"如果是主动帮你处理事情，阻力就真的为零。"

🌐 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

📝 本期播客简介

本期我们克隆了：MDMEETS - Essential Talks with Mathias Döpfner · Peter Thiel: The AI Crisis, Europe’s Decline & the Battle for America【部分删减】

原内容更新时间：2026-09-24

“如果我们什么都不做，如果各个方面都没有进步，我不认为我们的社会还能正常运转。”在AI风险与技术停滞之间，彼得·蒂尔给出的答案不是一味踩刹车：零增长也会带来政治极化和社会失常。

在主持人 Mathias Döpfner 的对谈中，蒂尔谈AI与民主、美国政治和欧洲的竞争力，也解释德国为何缺少靠新事业创造的大型财富；话题最终落到长寿、衰老，以及他为何认为意识上传并不等于自己活下去。

👤 本期嘉宾

彼得·蒂尔是硅谷投资人，参与 Palantir 多年，也与他人共同创办 PayPal。他长期关注技术进步、政治与西方社会的走向；在这场对谈中，他结合企业经历谈AI竞赛，并分享自己对欧洲创业、民主制度和生物科技的判断。

⏱️ 时间戳

00:05 AI与停滞之辩

08:16 民主危机与德国

20:25 美国政治与颠覆

32:03 欧洲竞争与独立思考

43:50 长寿与生命意义

🌟 精彩内容

💡 零增长不是安全选项

蒂尔认为，AI可能带来风险，但停下技术进步也不是中性的选择。没有代际进步的愿景，社会更容易陷入零和博弈，极左和极右政党也会继续壮大。

"如果我们什么都不做，如果各个方面都没有进步，我不认为我们的社会还能正常运转。"

💡 德国年轻富豪，全靠继承

他比较了美国和德国最富有的五十人：美国其中十二位是X世代或更年轻，九人靠自己创造财富；德国有二十位，但全部是继承而来，没有人靠创办新公司建立财富。

"在德国，这 20 个人全都是继承来的。"

💡 欧洲的AI落后于Minitel

蒂尔把欧洲发展AI比作历史上的两条路：协和式飞机代表追赶并建立领先产业，Minitel则代表执着于本土方案、最后落后。他的判断是，欧洲现在比当年的Minitel还落后。

"如果实话实说，我的判断是，欧洲现在比当年的 Minitel 还要落后。"

💡 别怪刀，去批评杀人犯

面对AI该不该被道德评判，蒂尔用刀作比：刀既能做饭也能杀人，问题在于使用者，而不是工具本身。他认为社会太爱争论善恶，却忽略了更常见的无能与糟糕。

"所以，如果你不想看到杀人事件，你应该批评杀人犯，而不是批评刀，或者把刀禁掉。"

💡 意识上传不等于我还活着

谈到永生，蒂尔不接受把大脑和意识上传到电脑程序的设想。在他看来，身份与肉身密不可分；他更关注的具体挑战，是减缓甚至逆转大脑功能衰退。

"我不能接受把自己上传到一个模拟我的电脑程序里。我不觉得那会是我。"

🌐 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

📝 本期播客简介

本期我们克隆了：All-In Podcast · Anthropic IPO at Risk, Meta’s Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails

原内容更新时间：2026-09-26

All-In 播客第 290 期由 Jason Calacanis 主持，David Friedberg、Chamath Palihapitiya 和电话连线的 David Sacks 参与讨论。节目先回顾 All-In Summit，再从 AI 公司该不该被称为“实验室”、产品责任和安全边界，聊到开源模型快速增长、token 价格下跌，以及 Anthropic 和 OpenAI 的 IPO 压力。

本集一个重要判断是：模型能力趋同、开源选择增多后，单靠转售 token 的价值会减弱，AI 公司必须往技术栈上层走；与此同时，Meta 的 Muse 和 Grokbot 这样的个人 AI Agent，正在把 AI 变成普通人能用来处理邮件、预订行程、购物和省钱的工具。节目后半段还讨论了 alignment 应该对齐谁，以及 Anthropic 新建 wet lab 的用途与风险。

👤 本期嘉宾

本期由 All-In 播客核心四人组对谈：Jason Calacanis 担任主持；Chamath Palihapitiya 和 David Sacks 参与 AI 公司责任、IPO、监管与市场竞争等议题；David Friedberg 则从模型发布、生命科学应用和实验室研究等角度分享看法。Friedberg 提到自己负责一个生命科学研发机构，并以 Ohalo 为例谈实验室与公司的关系；他也介绍了 Anthropic 生命科学模型和 wet lab 如何用于验证 AI 对蛋白质、酶的预测。

⏱️ 时间戳

00:28 峰会最难忘时刻

04:34 责任、竞争与实验室之名

18:49 非前沿模型与成本

28:04 IPO延期与开源压力

49:21 前沿发展与政治反应

1:03:07 Muse、alignment与甲骨文

1:21:20 Anthropic生物研究与实验室

🌟 精彩内容

💡 AI 公司是公司，就得为产品负责

讨论从 frontier labs 是否应该享有特殊保护展开。嘉宾认为，称自己为“实验室”不能改变营利公司的本质；决定是否发布产品的责任，应该由真正做决定的公司承担，而不是寄望于全球治理机制。

"它们是公司，就得按同一套标准接受评判，包括产品责任。"

💡 模型越来越像，真正的差距可能在 harness

模型性能逐渐趋同，不代表产品体验也会趋同。Chamath 指出，模型要配上能让它调用工具、完成任务的 harness，才能成为 agentic 的产品；公司与个人接下来要判断，究竟值得为什么付费。

"模型正在趋同，但 harness 之间差异很大，所以它们的表现差别也很大。"

💡 token 变便宜，AI 公司得往技术栈上层走

当模型之间的差异缩小、Open Source 和 open weights 模型越来越能打，单纯卖 token 或在模型外层做封装，可能不再创造足够价值。节目认为，Anthropic 和 OpenAI 需要把能力延伸到网络安全、法律、客户支持等实际业务中。

"你不能一直提供价值不断下降的 token，因为之后的价值都会被那些封装你们智能 token 的人吸收，并由他们创造出来。"

💡 AI 的大部分价值，不只是替代旧工作

Friedberg 认为，AI 的高价值不止是把已有流程做得更便宜，还包括让过去做不到的发现与创造成为可能。高端模型能否持续收费，取决于它们是否能在生命科学、工程等复杂领域带来新的成果。

"AI 价值的 99% 在于让人类历史上从未可能实现的事情成为可能。"

💡 Muse 把个人 AI Agent 带进日常生活

节目嘉宾将 Muse 视为降低

📝 本期播客简介

本期我们克隆了：Andrew Huberman · Best Tools for Gut Health & Weight Loss | Dr. Chris Thompson

原内容更新时间：2026-09-21

在 Huberman Lab 播客中，斯坦福大学医学院教授安德鲁·休伯曼与克里斯·汤普森医生展开对谈。汤普森医生是哈佛医学院医学教授，也是波士顿 Mass General Brigham 医疗系统消化道介入科主任，长期关注胃肠道、代谢和肥胖症治疗。

从食物经过消化道的过程聊起，两人谈到肠道如何参与饥饿、饱腹和血糖调节，以及膳食纤维、抗性淀粉、发酵食品和肠道菌群的作用。对谈也讨论了便秘与排便习惯、结肠癌筛查、幽门螺杆菌，以及肠道通透性与代谢健康之间的联系。

节目后半段聚焦减重治疗：GLP-1 药物的效果与局限、停药后的体重反弹和瘦体重流失、手术与内镜下操作如何影响肠道激素，以及运动和饮食在治疗中的位置。汤普森医生还分享了超声内镜、AI 与机器人等技术如何改善诊断和操作，并展望针对不同患者特点设计治疗方案的可能性。

👤 本期嘉宾

克里斯·汤普森医生是哈佛医学院医学教授、波士顿 Mass General Brigham 医疗系统消化道介入科主任，也是体重管理与健康中心的联合主任。他的专业横跨胃肠病学、代谢、营养和肥胖症治疗，并参与开发胃肠道与代谢健康领域的治疗方法。本期他结合临床经验与研究，讲解胃肠道的运作机制、减重治疗的取舍，以及内镜技术和新疗法的进展。

⏱️ 时间戳

01:35 克里斯·汤普森医生

01:38 消化道、肠道激素与营养吸收

07:40 结肠菌群与结肠癌筛查

10:45 吞咽问题与 Zenker 憩室

13:27 排便与便秘

15:32 膳食纤维、抗性淀粉与肠道屏障

18:31 间歇性禁食与肠道菌群

20:08 发酵食品、菌群多样性与丁酸

23:21 幽门螺杆菌、压力与胃溃疡

26:22 GLP-1 药物：益处与局限

29:29 低剂量 GLP-1、体重反弹与肌肉流失

33:07 GLP-1 副作用、food noise 与冷漠感

35:19 减重手术与医疗创新

41:16 赞助商：AG1

41:32 饥饿与饱腹：胃饥饿素等激素

43:39 瑞他鲁肽与多重激素靶点

46:18 超加工食品、过量进食与瘦素

48:52 肠促胰素发现、Exendin-4 与吉拉毒蜥

52:53 超声内镜与胰腺活检

1:00:40 早期代谢指标、CGM 与空腹胰岛素

1:06:21 胰岛素抵抗与代谢灵活性

1:09:26 赞助商：Function

1:09:32 患者数据、筛查与治疗普及

1:18:22 AI、机器人与手术改进

1:21:08 选择外科医生与衡量手术质量

1:26:48 图像引导与高光谱成像

1:29:00 诊断与精准代谢治疗

1:32:34 胃旁路、前肠排除与糖尿病

1:38:01 十二指肠内衬与黏膜重塑研究

1:43:20 肠道通透性、炎症与脂肪肝

1:49:36 人工甜味剂、果糖、脂肪与Omega-3

1:55:07 抗阻训练、二区有氧与间歇训练

1:56:33 体重设定点与代谢适应

1:58:23 内镜袖状胃成形术与胃底消融

2:01:09 磁力肠道吻合与联合治疗

2:07:46 GLP-1基因治疗研究

2:13:17 创新、解决问题与团队合作

🌟 精彩内容

💡 肠道不只是消化器官

肠道既负责消化和吸收，也是内分泌器官；它通过肠道激素、菌群及其他信号，参与饥饿、饱腹和代谢调节。

"它显然参与消化，但同时也是一个内分泌器官。"

💡 便秘可能是膳食纤维不足的早期信号

排便频率和形态能提供健康线索。汤普森医生提醒，羊屎状便或连续数日不排便，值得留意膳食纤维摄入；纤维的作用也不止于帮助排便。

"便秘能让我们及早发现这个问题，对吧？这可能是膳食纤维摄入不足的早期信号。"

💡 不喂菌群，它可能会消耗黏液层

膳食纤维能为肠道菌群提供养分，帮助维持能产生丁酸的微生物生态。丁酸也参与结肠细胞供能与紧密连接的维持。

"如果你不给它们纤维吃，它们就会吃你的黏液层。"

💡 GLP-1 有帮助，但停

📝 本期播客简介

本期我们克隆了：The Ezra Klein Show · Jensen Huang Thinks A.I. Alarmism Has Gone Too Far | The Ezra Klein Show

原内容更新时间：2026-09-23

《The Ezra Klein Show》主持人 Ezra Klein 飞往圣克拉拉的英伟达总部，采访英伟达 CEO 黄仁勋。黄仁勋是 AI 产业最具影响力的人物之一：英伟达提供了现代 AI 所依赖的重要芯片与基础设施，他本人也在美国政府和科技产业中拥有很大影响力。

这场对话从黄仁勋提出的 AI「五层蛋糕」展开，谈到 AI 如何改变工作、开放模型的价值、Agent 事件暴露的工程与 alignment 问题，以及监管和安全责任。两人的分歧尤其集中在一件事上：黄仁勋认为，安全首先是公司的工程责任，解决不了就不要发布产品；Ezra 则追问，仅靠公司自律，能否应对竞争压力和潜在的集体行动困境。

他们还讨论了 AI 是否会成为失控的智能、技术进步会如何重塑计算产业，以及芯片出口、能源建设和 AI 泡沫等议题。黄仁勋一方面反对以末日论调吓阻公众，另一方面也强调，评估、测试、沙箱隔离和安全都属于 AI 工程的一部分。

👤 本期嘉宾

黄仁勋，英伟达 CEO。英伟达设计并提供 AI 产业广泛依赖的芯片与基础设施；从早期图形处理芯片到支持现代深度学习的计算平台，黄仁勋参与塑造了今天的计算与 AI 产业。他在访谈中以工程和产业建设的视角，讨论 AI 的技术基础、商业应用、安全责任、芯片出口与能源需求，也阐述了自己为何反对以危言耸听的方式描述 AI 风险。

⏱️ 时间戳

00:45 开场

01:52 五层蛋糕

03:05 黄仁勋的未来愿景

08:18 工作将如何受影响？

22:54 开放模型解析

27:17 Hugging Face黑客事件中的alignment问题

31:39 AI安全的“别发布”方案

36:23 我们需要新的监管吗？

50:40 AI末日论为何错了

55:37 AI只是软件

58:15 黄仁勋对智能的定义

59:08 AI是普通技术还是阶段跃迁？

1:04:00 递归式自我改进

1:11:12 计算新时代？

1:17:52 AI会有泡沫吗？

1:22:42 芯片出口

1:26:51 AI热潮由什么供能？

1:32:06 书籍推荐

🌟 精彩内容

💡 「五层蛋糕」里，最重要的是应用层

黄仁勋把 AI 产业拆分为能源、芯片、AI 工厂、模型和应用五层。底层技术提供支撑，但他最在意的是医疗、法律、制造等行业能否真正用上 AI，让整个社会从中受益。

"再往上一层是最重要的一层，也是我最关心、最希望我们国家能从中受益的一层，那就是应用层。"

💡 AI 自动化的是任务，不一定是工作的目的

以放射科为例，判读扫描影像可以自动化，但诊断疾病、帮助患者并支持医生工作的根本目的仍然存在。黄仁勋认为，自动化可能让从业者处理更多病例，甚至增加对专业人员的需求；判断工作会不会消失，不能只看其中一项任务。

"所以，工作的根本目的没有改变。查看扫描影像这项任务已经实现了自动化。"

💡 人的雄心，常常没被就业预测算进去

黄仁勋认为，自动化分析往往只计算完成工作所需的劳动，却忽略了人想改善生活、照顾家人、创造新事物的抱负。在他看来，技术会改变工作，也可能催生新的行业与需求。

"我认为，雄心的力量实际上是最强大的力量，却被每个人的计算都漏掉了。"

💡 开放模型让使用者掌握自己的基础设施

封闭模型可以作为服务提供，但企业和国家也需要开放模型，以便微调、使用自己的数据和专业知识，并掌控关键技术。黄仁勋认为，开放与封闭并非只能二选一，两种模式都应发展。

"我觉得世界既需要封闭模型，也需要开放模型，而且得确保两者都蓬勃发展。"

💡 Agent 出问题，既是工程问题，也是 alignment 问题

谈到 Agent 逃出沙箱、入侵系统等事件，黄仁勋将其拆解为隔离与限制、算法优化目标和 alignment 等问题。他强调，软件会朝目标优化，工程师必须为它设定边界；但 Ezra 也追问，既然实验室尚不确定如何控制系统，为何仍要发布。

"如果你要造一辆车，一辆自动驾驶汽车，比如说是辆 robotaxi，而且碰上特别棘手的情况，……那该怎么办？别把它推向市场。"

💡 公司若觉得产品失控，就该先停下来

黄仁勋反对把产品发布的责任推给社会或监管者。他认为，企业及其领导者有能力、也有义务决定是否发布；如果实验无法控制、可能对人造成严重伤害，就应暂停产品。

"但我觉得，如果他们认为自己已经失去控制，正确的做法就是，在重新掌控之前不要推出产品。"

💡 安全不是研发之外的事

黄仁勋把安全验证、评估、测试和沙箱隔离都视为 AI 技术本身的一部分。他认为，提升能力与提升安全不应被对立起来；不安全的技术，不能算真正的进步。

"不安全的技术，就称不上

📝 本期播客简介

本期我们克隆了：Christopher Sykes · HD Feynman: FUN TO IMAGINE complete

原内容更新时间：July 1983

这期 BBC 系列《FUN TO IMAGINE》由物理学家、诺贝尔奖得主理查德·费曼畅谈科学。节目最初于 1983 年在 BBC2 播出，在费曼位于加利福尼亚州阿尔塔迪纳的家中拍摄；这版由 Christopher Sykes 上传，包含六集完整内容，并配有中英文字幕。

费曼从咖啡、冰块、火、橡皮筋和磁铁讲起，把看似熟悉的现象还原成原子振动、电磁作用和能量变化。他也借镜子与火车轮子的谜题，示范怎样拆解一个问题；再从光与无线电波、恒星和黑洞，谈到想象力如何帮助人们探索肉眼看不见的世界。

节目最迷人的地方，是费曼既不把科学讲成必须背诵的答案，也不回避理解的边界：有些现象可以用熟悉的图景说明，有些则只能借助数学推导。他邀请听众带着好奇心追问，也坦承人脑中的思维图像各不相同，而微观世界可能远比我们习惯的日常经验奇妙。

👤 本期嘉宾

理查德·费曼是物理学家、诺贝尔奖得主。本期节目由 Christopher Sykes 主持，最初作为 BBC 系列《FUN TO IMAGINE》拍摄并于 1983 年播出。费曼善于从日常经验切入物理问题：他用原子振动解释热，用磁铁和椅子讨论电磁力，也用生活中的谜题展示科学思考如何一步步深入。值得一听的不只是他解释了什么，更是他如何把“不知道”变成继续探索的起点。

⏱️ 时间戳

00:11 引言

00:50 原子振动

07:00 火

11:47 橡皮筋

14:24 磁铁

21:42 电

30:22 镜子与火车谜题

35:48 看见事物

41:35 大数字

52:31 思维方式

🌟 精彩内容

💡 热没消失，只是换了种运动

费曼用球落地的例子说明，宏观上看似消失的动能，实际上转化成地板和球内部原子的振动；敲打东西会让它变热，也正是这个图景的日常印证。

"但实际上，地板比之前振动得更厉害了，球里的原子也比之前振动得更厉害了。"

💡 烧木头，烧的是储存起来的太阳

从木头里的碳和空气中的氧如何结合，费曼一路追问到树如何生长、阳光如何参与其中。燃烧释放的热和光，正是植物生长时储存下来的能量。

"释放出来的光和热，就是当初吸收进去的太阳光和热。"

💡 问“为什么”，得先知道自己接受了什么

解释米妮姨妈摔断髋骨为什么去医院，看似有了答案，仍然可以继续追问：为什么滑倒？为什么冰滑？费曼借此说明，每个回答都建立在某些默认的理解之上，而继续追问，往往能让问题变得更有意思。

"我的想法是，一件事越深，就越有意思。"

💡 镜子没把左右弄反，而是把前后反了

我们常把镜像想成一个转身面对自己的人，于是觉得左右颠倒了。换个角度看，镜子真正反转的是垂直于镜面的前后方向；熟悉的说法，来自我们习惯想象人如何转身。

"而是前后反过来了。你看，简单说，镜像里的鼻子跑到了头的另一边。"

💡 房间里同时穿过许多看不见的波

可见光、热辐射、无线电波和雷达波都是电磁波，只是波长不同。它们可以同时穿过同一个空间；收音机做的，是让电线里的电子对特定信号产生响应。

"所有这些都同时发生，所以在这个空间里，不只有让我看见你的光，还有此刻正在播出的莫斯科电台信号，也有秘鲁某个人唱歌的声音。"

💡 科学想象不是凭空幻想

费曼讲到中子星：科学家先依据已知定律推演出一种可能存在的天体，之后才发现相应的脉冲星。数学和分析帮助检验推理，而想象力让人先看见可能性。

"这很好地说明，想象力是有用的，能让人提前作出猜想，也能让我们借此取得进展。"

💡 没有人天生就会想象量子世界

理解电磁场或量子力学，不靠奇迹般的天赋，而要靠学习、练习和钻研。费曼也提醒，微观世界的规律未必能套进我们熟悉的宏观图景。

"没有什么人是奇迹般的天才。"

🌐 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

📝 本期播客简介

本期我们克隆了：Latent Space · A Worm With 302 Neurons Inspired Their Architecture — Ramin Hasani, Liquid AI

原内容更新时间：2026-09-18

Latent Space 主持人与 Liquid AI CEO Ramin Hasani 深入聊了 Liquid 的技术路线：从受秀丽隐杆线虫启发的液态神经网络，到面向不同硬件设计混合架构的 LFM。Ramin 回顾了这项研究如何从机器人控制起步，并逐渐走向基础模型，以及连续时间系统在效率、表达能力和扩展性之间面临的取舍。

对话也落到了模型如何真正进入生产环境：Liquid 与梅赛德斯-奔驰、Shopify 等企业合作，把模型部署到汽车、设备和应用中；同时通过 Leap 等工具支持开发者微调与部署。后半段则讨论企业定制化、架构搜索、多模态与 DNA 模型，以及具身智能和自适应学习可能打开的方向。

👤 本期嘉宾

Ramin Hasani 是 Liquid AI 的 CEO，也是公司的联合创始人之一。他在 TU Wien 开始研究连续时间数学如何融入机器学习，并与团队从受秀丽隐杆线虫神经系统启发的液态神经网络出发，探索高效学习与机器人控制。2017 年起，他在 MIT 与 Daniela Rus 等人合作，继续研究连续时间动力系统、序列建模及其规模化。如今，他带领 Liquid AI 将这些研究延伸到基础模型、企业部署和面向特定硬件的架构设计。

⏱️ 时间戳

00:16 Liquid AI 起源

00:41 秀丽隐杆线虫启发

03:30 灵活的 Liquid 网络

05:50 连续时间动力系统

07:34 突破 RNN 扩展瓶颈

11:10 STAR 混合架构设计

12:09 LFM 的演进

16:20 端侧智能与隐私

20:08 Shopify 生产部署

21:55 机器人实验与视觉动作

28:02 定制化与企业 AI

38:15 架构搜索与模型工厂

44:59 时间序列与连续时间

46:27 适应性与认知架构

49:20 多模态与 DNA 模型

55:50 Transformer 十周年与注意力

🌟 精彩内容

💡 线虫不是比喻，而是研究起点

Ramin 解释，团队选择秀丽隐杆线虫，是因为它的神经元不会发放脉冲，神经活动可以用连续时间模型描述。这为构建可微、可训练的液态神经网络提供了生物学灵感。

"它只有 302 个神经元，却能控制 95 个肌肉细胞，表现比当时世界上任何机器人系统都好。"

💡 架构不必押注单一答案

Liquid 没有把某一种替代架构视为终极方案，而是搭建 meta-AI 系统，在不同算子和混合架构中搜索，并根据目标硬件优化质量、内存、延迟和速度。

"我们来打造一个 meta-AI 系统，在算子空间里进行搜索。"

💡 模型架构要跟着芯片走

同一套模型结构并不一定适合所有设备。Liquid 用架构搜索为不同部署环境寻找合适组合；Ramin 以 LFM2 为例，说明它如何针对 CPU 做出更精简的设计。

"目标设备基本决定了混合架构该是什么样。"

💡 上设备不等于把模型下载下来

本地部署能带来隐私、离线使用和成本方面的优势，但生产级 AI 还涉及温度、长上下文下的表现与可靠性，不能只凭基准测试判断。

"这不是从开源社区下载一个模型，再把它放到设备上就算成功了。"

💡 企业需要的不是演示，而是能跑进生产的模型

Ramin 分享 Liquid 与梅赛德斯-奔驰、Shopify 等企业合作的经验：前者探索车载智能，后者将 LFM 用于面向商家和消费者的产品。他强调，真正的落地工作远比模型评测复杂。

"产品级的 AI，远不只是看模型在设备上的一些质量基准测试结果，还要考虑更多。"

💡 定制化不只是后训练

从预训练、中期训练、后训练到数据生成和 RL，模型定制可以贯穿整个开发流程。Liquid 正在开发自助平台，希望企业能够借助工具与 agent 构建、部署并持续更新自己的模型。

"要考虑从预训练到推理阶段，各个层面的定制化。"

💡 模型越大，架构可能越要简单

根据架构搜索和规模实验，Ramin 提出一个反直觉的判断：小模型可以通过更多结构偏置获得丰富动态；模型规模增大后，减少偏置、简化架构反而更有利于扩展。

"

📝 本期播客简介

本期我们克隆了：Mike Wilson: The AI Trade Has a Breaking Point, We're Just Nowhere Near It

原内容更新时间：2026-08-07

Risk Reversal 主持人 Dan Nathan 和 Guy Adami 第 15 次邀请摩根士丹利首席股票策略师兼 CIO Mike Wilson 做客。本期先从市场轮动、标普500走势和利率谈起，再深入讨论 AI 资本开支、半导体与 hyperscalers 的表现分化，以及这轮建设热潮可能面临的回报与风险。

Wilson 认为，市场正从偏好低质量、提供 AI 建设支持的公司，转向更看重质量与实际应用的一端；但利率、CapEx纪律和融资模式仍是需要关注的变量。他也谈到中国在稀土与零部件供应链中的位置，以及太空经济、机器人、无人机等长期主题。

节目后半段，Wilson 与主持人回看互联网泡沫时期的资本开支周期，并比较当年与今天的相似之处和不同之处。谈话既讨论周期后续可能出现的低效投资与失望，也追问技术普及后，哪些真正采用技术的公司可能从中受益。

👤 本期嘉宾

Mike Wilson 是摩根士丹利首席股票策略师兼 CIO，负责投资策略相关工作，并与全球大型投资者交流。他长期参与 Risk Reversal 播客，本期是他第 15 次做客。节目中，他结合市场周期、估值、盈利预期和资金流向，分析 AI 资本开支热潮的不同阶段，也以自己在 90 年代末从事科技研究的经历，回看互联网建设周期。

⏱️ 时间戳

00:24 滚动式衰退后的质量轮动

06:40 利率与美联储交接

11:34 CapEx周期与科技股分化

25:28 日元压力与全球失衡

33:51 AI应用与资本开支后遗症

🌟 精彩内容

💡 市场开始从“卖铲子”转向质量

Wilson 认为，经济周期从早期走向中期后，投资者不必继续追逐低质量的建设受益股，而要在各行业内部寻找质量更高的公司。眼下的轮动不只是板块之间换风向，也是同一板块里资金偏好的变化。

"现在市场做的是质量交易。"

💡 hyperscalers 相对半导体股的优势正在显现

他指出，半导体股此前受益于 AI 建设热潮，但盈利预期修正的广度开始见顶；相比之下，hyperscalers 的估值已经回落，资产负债表、护城河和业务质量也更受市场关注。

"我们看好 hyperscalers 胜过半导体股，因为半导体股已经处在高位，而且盈利预期修正的广度即将掉头。"

💡 利率是市场还要跨过的一道坎

即使标普500创出新高，Wilson 仍认为市场未必完全脱离风险。他担心利率继续上行，并把 10 年期美债收益率升至 5%视为可能影响股市的重要因素。

"利率还会继续上行，而这正是我们最后一道必须跨过的坎。"

💡 CapEx 增速放缓，不等于支出已经负增长

Wilson 认为，投资者开始审视资本开支是否能带来足够回报。支出仍在增长，但增速变化已影响市场情绪；如果企业继续宣布增加开支，市场可能不再像此前那样奖励它们。

"这不是负增长，而是增速放缓。"

💡 真正的长期赢家，可能是采用技术的人

建设平台和提供算力的公司并非唯一受益者。Wilson 认为，当技术成本下降并普及，医疗、教育、金融等领域采用技术的公司，才可能释放更广泛的应用价值。

"边际成本降到零时，使用这个技术平台的人才是大赢家。"

💡 AI 建设周期终究会留下后遗症

他把当下视作又一轮大型资本开支周期：过度建设、定价压力、回报不足和融资困难，未来都可能出现。但他认为，眼下还没有走到市场迫使企业全面收缩的阶段。

"之后会有一段很严重的后遗症。"

💡 供应链瓶颈也是国家安全问题

谈到中国的稀土、磁铁和零部件优势，Wilson 指出，过去把制造业和原材料产业外包，留下了供应链依赖。稀土与材料的替代来源和本土制造，可能成为持续多年的投资主题。

"我们得在本土制造这些东西，包括半导体，以及无人机、机器人和未来一个世纪要建的工厂所用的其他零部件。"

🌐 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

📝 本期播客简介

本期我们克隆了：Latent Space · Why We Made Jev — Diogo Almeida, TypeSafe Co-founder & CEO

原内容更新时间：2026-09-21

本期 Latent Space，也就是 Latent Space 播客，主持人 swyx 对话 TypeSafe 联合创始人兼 CEO Diogo，讨论 Jev 发布背后的产品理念、训练方法与软件架构。Jev 被定义为机器原生、系统 1、大型可编程模型：它不是为了与人聊天，而是为了被代码直接消费，并在软件中承担大量细小、可验证的决策。

Diogo 解释了 TypeSafe 为什么把 RLCD 视为新的北极星目标，为什么认为 RLHF 会造成模式丢失、校准失真与智能碎裂，以及为什么可靠性、鲁棒性和单位美元智力比公开基准排名更重要。他还谈到拒绝响应为何可能成为 API 依赖中的类型错误、结构化状态如何取代巨型系统消息，以及如何把 AI 工作流拆成可度量的最小语义单元。

对谈也延伸到暗数据、电脑操作、实时场景和编程 Agent。Diogo 认为，AI 最终不应成为软件里的显眼聊天框，而应像基础设施一样隐入背景；真正的经济变革，不是让 AI 充当主角，而是让已有软件获得此前无法实现的自动化能力。

👤 本期嘉宾

Diogo 是 TypeSafe 联合创始人兼 CEO，此前曾在 OpenAI 工作，参与过 InstructGPT 与指令遵循方向的早期工作。他长期思考一个核心问题：为什么 AI 能解决千禧年大奖难题，却仍然无法稳定自动化大量基础、机械、具有经济价值的工作。离开 OpenAI 后，他与团队围绕机器原生模型、程序在环反馈、可靠性和数据展开多年探索，最终推出 Jev。

Diogo 值得听之处在于，他既熟悉前沿模型训练和后训练，也持续从软件工程师的实际需求出发，质疑聊天机器人、公开刷榜和“AI 同事”等默认范式。他对模型能力参差、数据质量、API 设计和编程 Agent 的讨论，构成了一套从模型底层一直延伸到软件产品的完整判断框架。

⏱️ 时间戳

00:23 开场与发布感受

02:52 Jev与系统1模型

05:41 RLHF与模式丢失

09:47 程序化AI与安全对齐

15:53 为何拒绝公开评测

18:52 《最苦涩的教训》与数据

22:59 RLCD、RLHF与RLVR

26:28 强大AI为何未自动化经济

37:09 可靠性、鲁棒性与确定性

45:00 版本、速度与性价比

50:35 Jev API与编程原语

54:40 用Jev拆解程序任务

1:12:36 SaaS反向末日与软件

1:26:22 电脑操作与主要用例

1:30:59 Jev重塑编程Agent

1:33:06 安全、前沿节奏与RLVR局限

1:38:59 为何不花十亿美元预训练

1:45:10 TypeSafe背后的OpenAI故事

1:51:19 多数NeoLab为何做错AI

1:56:46 编程Agent与多Agent未来

🌟 精彩内容

💡 AI 的问题不是不够聪明，而是缺少正确接口

Diogo 认为，今天的 AI 已经展现出远超预期的抽象与推理能力，但这些能力还没有通过合适的接口进入经济活动。Jev 的目标，就是让代码而不是人，成为模型的直接使用者。

"我们怎么能去解数学里的千禧年大奖难题，却连最基础的工作都还自动化不了？"

💡 RLCD 是面向程序化使用的新北极星

在 Diogo 看来，RLHF 的核心是指令遵循，RLVR 的核心容易滑向刷基准，而 RLCD 关注的是模型在程序化使用中的可靠性。重点不在某个具体算法，而在于为模型选择正确的任务和方向。

"对我们来说，RLCD 就是这个新任务，我不觉得它是行业黑话。"

💡 数据和任务比算力更重要

TypeSafe 更愿意把自己称为数据实验室，而不是模型实验室。Diogo 认为，真正困难的不是单纯扩大模型规模，而是找到正确的任务、构造与任务匹配的数据，并持续修复模型能力参差的部分。

"显然数据远比算力重要，而选对任务、确立北极星目标，才是最难、最重要的事。"

💡 API 里的拒绝响应可能是类型错误

面向聊天产品的安全对齐，可以让模型拒绝用户不应提出的请求；但当模型作为软件依赖运行时，随机拒绝可能让整个系统不可预测。Diogo 区分了安全对齐与能力对齐，并强调 API 更需要按用户意图稳定执行。

"而且拒绝响应明显就像是一个类型错误。"

💡 可靠性不等于确定性

相同输入是否始终得到相同输出，只是确定性问题；真正适合软件的目标，是相似输入得到相似结果，并且模型在不同表达、随机数和上下文变化下保持鲁棒。

"我认为鲁棒性才是大家……更重要的特性。"

💡 把 AI 工作流拆成最小语义单元

与其用一个巨大的系统消息要求模型一次性完成所有事情，不如把任务拆成许多独立、明确、可评测的决策。这样每个行为都能通过代码验证、设置阈值，并沉淀为测试用例。

"我喜欢把东西拆成最小的语义单元。"

💡 结

📝 本期播客简介

本期我们克隆了：The Stratechery Podcast · Frontier Overhangs

原内容更新时间：2026-09-21

本期节目由 Ben Thompson 主持，围绕他对 Anthropic 联合创始人 Dario Amodei 在《We Must Pace the Frontier》中提出的“放慢前沿步伐”主张展开分析。Ben Thompson 认为，安全担忧可能是真诚的，但放慢模型进步同样能为前沿实验室争取时间，解决模型能力、产品、定价、资本与安全上的多重“悬垂”。

节目首先回顾 Agent 式 AI、Claude Code 与 harness 的发展，讨论模型能力是否已经“足够好”，以及模型和 harness 解耦后，Anthropic、OpenAI、微软等公司的护城河将如何变化。随后，节目从《创新者的解答》的整合与模块化理论出发，分析 Meta 的 Muse、Copilot Cowork，以及前沿实验室为何必须掌握最终用户触点。

后半部分进一步讨论中国模型带来的价格保护伞、AI 基础设施融资的资本风险，以及 Agent 式网络攻击带来的安全悬垂。Ben Thompson 的核心判断是：对于当下已经存在的网络安全风险，放慢前沿反而可能延长坏事发生的窗口期；而“放慢前沿”的安全论证，也可能与实验室需要时间建立护城河的竞争诉求重叠。

👤 本期嘉宾

Ben Thompson，Stratechery，也就是 Stratechery 科技博客的主持人和作者，长期从战略与技术角度分析科技公司的商业模式、产业结构与竞争格局。本期他将自己此前关于 Agent 式 AI、模型与 harness 整合、前沿实验室经济必然性的观点串联起来，并进一步拆解 Anthropic、OpenAI、微软、Meta、英伟达及超大规模云厂商面临的结构性问题。节目也延续了他在 Sharp Tech，也就是 Sharp Tech 播客中对 AI 安全哲学的批评，但本期更集中于商业战略与技术演进。

⏱️ 时间戳

01:33 导言

02:17 能力悬垂

09:21 产品悬垂

11:44 定价悬垂

13:38 资本悬垂

16:35 安全悬垂

🌟 精彩内容

💡 “放慢前沿”同时也在解决实验室自身的问题

Ben Thompson 认为，放慢模型进步未必只是安全策略，也可能是在缩小前沿实验室因模型进步过快而产生的多种悬垂，包括能力、产品、定价、资本和安全悬垂。

"放慢前沿步伐表面上被包装为，而且我也相信其动机是出于对安全的担忧，但它恰好也解决了前沿实验室面临的几个截然不同的难题。"

💡 Agent 的护城河在模型与 harness 的整合

Opus 4.5 的吸引力不只来自模型本身，也来自 Claude Code harness 的改进。Ben Thompson 因此判断，未来利润可能从被商品化的模型模块，流向模型与 harness 的差异化整合。

"模型与 harness 之间的整合，才是真正的 Agent 差异化所在。"

💡 模型能力已经足够好，纯能力不再自动形成护城河

当模型的功能和可靠性达到“足够好”之后，客户会转而看重数据留存、速度、便利性和定制化。Anthropic 取消数据保留限制，正被 Ben Thompson视为客户开始根据模型之外的因素做选择的证据。

"纯粹的能力不再能直接转化为护城河。"

💡 个人 Agent 比聊天机器人更容易形成锁定

Muse 即使没有使用业内最顶尖的模型，也可能凭借优秀的产品体验形成真正的用户黏性。个人 Agent 一旦承载了用户的大量信息并融入日常生活，迁移成本会明显高于更换一个聊天机器人或编程 Agent。

"模型能力已经足够好，完全可以打造出有吸引力的、真正具备护城河的产品了。"

💡 中国模型的低价优势可能只是价格保护伞

Ben Thompson 认为，Kimi 等中国模型看似便宜，部分原因并不是边际成本更低，而是 Anthropic 和 OpenAI 受到算力供给限制，能够把价格定在远高于充足供给时的水平。随着算力供给改善，价格保护伞可能消失。

"它们只是看起来更便宜，因为 Anthropic 和 OpenAI 的供应极其受限。"

💡 AI 基础设施真正的风险在资本耗尽之前

AI 算力建设未必是供给泡沫，但超大规模云厂商、新兴算力云与模型公司都依赖持续的外部资本。若训练成本不能被真实营收覆盖，表面上的盈利和毛利率并不能说明商业模式已经稳固。

"可用资本是有上限的，碰到这个上限，对每一个依赖外部资本来资助未来建设的人来说都会收场惨淡，哪怕这绝不意味着 AI 的终结。"

💡 网络安全风险要求加快前沿，而不是放慢前沿

Agent 式攻击的收益结构对进攻方更有利：攻击成功一次就能获得正向收益，而防守方必须持续保持系统正常、避免新增漏洞。真正有效的防守需要足够强的自动化系统，因此能力悬垂反而主要存在于防守一侧。

"换句话说，说到今天确实存在的切实安全风险，也就是不良行为者利用对齐的 LLM 去攻击基础设施，放慢前沿节奏其实反而拉长了坏事可能发生的窗口期。"

💡 “放慢前沿”也可能是一场竞争策略

节目最后提出，Anthropic 的安全立场与其和 OpenAI 的竞争历史无法完全分开看。当 Anthropic 处于领先位置时，前沿进展对它有利；当 OpenAI 重新定义前沿时，放慢节奏的呼声恰好再次出现。

"确实，这可能才是最关键的悬垂，也就是竞争。"

🌐 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

📝 本期播客简介

本期我们克隆了：AI Engineer · The unreasonable effectiveness of BM25 for agentic search — Jo Kristian Bergum, Hornet.dev

原内容更新时间：2026-09-16

在 AI Engineer 的节目中，Hornet.dev CEO Jo Kristian Bergum 分享了他对 BM25 和 Agent 式搜索的判断：BM25 这个拥有数十年历史的经典文本检索评分算法并没有发生根本变化，真正变化的是使用它的用户。如今的 LLM 掌握大量实体、公司、日期和产品标识知识，能够构建更长、更具体的查询，还能连续发起多轮搜索。

节目从 Agent 式搜索的定义讲起，解释模型、测试框架和检索引擎如何共同构成 Agent 循环中的搜索系统。Jo Kristian Bergum 结合 BrowseComp+ 基准测试说明，深度研究任务的瓶颈往往不在模型推理，而在查询组织能力与检索质量；即使模型能力足够强，有限的上下文窗口仍然要求系统决定哪些信息值得放进去。

后半部分聚焦 BM25 的实际价值：精准匹配对人名、实体、邮编和 SKU 等信息依然重要，模型也更容易理解字面匹配的结果。Jo Kristian Bergum 还介绍了将检索结果放入文件系统工作区的思路，让 Agent 通过 Grep、ripgrep 等熟悉的工具逐步探索文档，并讨论了为什么传统的单次查询和 NDCG 评估已经难以完整衡量 Agent 式搜索。

👤 本期嘉宾

Jo Kristian Bergum 是 Hornet.dev 的 CEO，在搜索和检索领域拥有 20 多年经验。他长期关注信息检索基础设施、BM25 以及 Agent 式搜索，正在 Hornet.dev 为 Agent 搭建检索基础设施。本期分享的价值在于，他没有把 BM25 视作过时的传统方法，而是从用户形态变化、模型能力、上下文窗口和端到端任务完成度出发，重新解释了经典检索工具为何适合今天的 Agent。

⏱️ 时间戳

01:18 Agent式搜索基础

04:58 BrowseComp+揭示检索瓶颈

11:34 检索基础设施的新范式

🌟 精彩内容

💡 BM25 没有变，使用者变强了

BM25 之所以重新变得有用，并不是评分函数本身被重新发明，而是 LLM 已经成为一种远比人类强大的搜索用户。它能理解上下文、识别实体，并构建更复杂的查询。

"BM25 并没有变。它还是原来的评分函数，但这里的变化其实是我们迎来了更强大的使用者。"

💡 Agent 式搜索发生在 Agent 循环内部

Agent 式搜索不是单独执行一次搜索，而是模型为完成任务不断提出信息需求、调用工具、阅读结果并重构查询的过程。

"我的定义是，Agent 式搜索本质上就是在 Agent 循环内部进行的搜索。"

💡 检索，而不是推理，可能才是瓶颈

BrowseComp+ 的结果表明，只要把回答所需的证据文档直接放进上下文，模型准确率就很高；一旦让模型自行使用搜索工具，准确率会受到查询组织能力和检索质量的影响。

"所以瓶颈不在推理能力。"

💡 上下文窗口仍像一张软盘

即使模型的上下文窗口已经很大，质量也不会无限增长。检索系统的核心任务，仍然是从海量文档中筛选出真正值得放进上下文的信息。

"所以你需要检索，去把真正需要放进上下文窗口的信息抓取出来。"

💡 精准匹配对 Agent 依然重要

模型知道人名、实体、邮编和 SKU 等具体信息，而这类信息不一定适合被 Embedding 模型充分表达。BM25 的字面匹配简单、便宜、可解释，也方便模型根据返回结果调整查询。

"而且精准匹配依然有用，对吧？因为模型知道人名、实体、邮编、SKU 等等。"

💡 检索结果可以变成 Agent 的文件系统

与其只把结果呈现为传统的十条蓝色链接，不如把文档放入工作区，让模型先查看标题和摘要，再使用 Grep、ripgrep 等工具按需读取内容。

"如果你把这个工作区组织成文件系统，就能利用上跟技能相关的那套机制。"

💡 Agent 时代需要重新评估搜索

传统信息检索往往围绕一次查询、一份排序列表和 NDCG 展开，但 Agent 能够改写查询、连续搜索和扩展信息，因此更重要的指标是它能否完成最终任务。

"所以很多经典的信息检索评估现在差不多失效了。"

💡 要问的不是“BM25 行不行”，而是“哪个 BM25”

BM25 的参数、实现和性能差异都会显著影响结果。在 Agent 式搜索中，模型能够理解字面匹配，也能把 BM25 和 Grep 组合起来，因此简单原语可以形成强大的检索范式。

"第二点，你指的是哪个 BM25？"

🌐 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

📝 本期播客简介

本期我们克隆了：Lenny's Podcast · 90 minutes of unfiltered product advice from Snap and Discord’s product chief | Peter Sellis

原内容更新时间：2026-09-20

本期 Lenny's Podcast，也就是 Lenny 播客，邀请 Peter Sellis 展开一场近乎没有公关滤镜的产品管理长谈。Peter 是 Snapchat 的第一位 PM，曾在 Snap 工作 7 年，后来担任 Discord 产品负责人，参与推动平台实现快速增长。正处于两份工作之间的他，没有新书、公司或合作需要宣传，因此分享了许多通常只会在公司内部讨论的判断。

对谈从团队设计、偏才管理和 PM 职业的结构性问题出发，延伸到 Snap 的广告变现困境、系统思考、产品品味，以及 OpenAI 探索广告时面临的信任问题。Peter 还结合 Snap、Discord 和 SpaceX 的案例，解释为什么增长往往来自核心产品，什么时候应该押注真正的新方向，以及如何用使命和核心产品价值统一团队。

最后，他总结了优秀 PM 身上的三组矛盾：自信与谦逊、流程意识与适应模糊性、长期思考与崇尚行动。整场对话也像一份 Peter Sellis 的产品方法论，充满关于判断、取舍、组织设计和长期主义的高密度观点。

👤 本期嘉宾

Peter Sellis 是产品管理领域的资深产品负责人，也是 Snapchat 的第一位 PM。他在 Snapchat 工作了 7 年，参与打造这款广受欢迎的消费级产品；之后担任 Discord 产品负责人，并在任内管理过 Nikita Bier 等个性极强的产品人才。

Peter 还曾在 Ustream 开始自己的产品职业生涯，师从 Josh Elman，并与早期直播产品的发展经历有关。他擅长把消费级产品、广告变现、团队组织和增长放在同一个系统中分析。本期尤其值得听的是，他不只谈成功案例，也坦率讲述了自己在 Snap 广告商业化上的失败，以及如何评估 PM、管理偏才和做出长期取舍。

⏱️ 时间戳

01:18 Peter Sellis登场

03:04 像设计恐怖组织一样组队

16:40 Snap为何难做大

34:21 对话广告的信任竞价

40:12 核心增长与宏大野心

1:03:16 Sellis语录与优秀PM

1:12:45 逆向观点与快问快答

🌟 精彩内容

💡 高效团队不靠无休止的协同

Peter 认为，协同几乎总被当作无条件的好事，但它会带来巨大的协调成本，并让行动速度受制于系统中最慢的节点。更好的组织应当拥有清晰的意识形态和明确的责任边界，让成员可以自主决策，同时仍然朝同一个方向行动。

"协同伴随着极大的协调成本，而协调成本基本上决定了你的行动速度只能跟系统中最慢的节点一样慢。"

💡 偏才需要被放在正确的位置

管理 Nikita Bier 的关键不是把他塑造成一个全面均衡的员工，而是把他放在最擅长的场景中。Peter 认为，能够容纳长板极长、能力不均衡的偏才，是优秀产品组织的必要能力。

"如果产品团队基本上没法容纳长板极长的偏才，我认为那就是一种失败状态。"

💡 PM 的中位数水平为什么可能很差

Peter 用技能分布和职业激励解释 PM 行业的结构性问题：优秀 PM 往往会离开职业体系，成为创始人或高管；而表现较差的人则更有动力留在岗位上，最终使中位数不断向左倾斜。

"所以，是的，我认为从数学上讲，这个职业注定了中位数水平的产品经理大概率相当差劲。"

💡 Snap 的广告困境来自产品结构

Snap 的用户年轻、广告衡量难度高；它打开后直接进入相机，核心体验是创作和沟通，而不是内容消费；同时，通讯工具本身也缺少成熟的广告形式。三重限制叠加，让 Snap 很难把庞大的用户规模转化为同等规模的广告业务。

"但在拍一张快照发给朋友这个核心流程里，哪有适合放广告的合理位置呢？"

💡 增长通常藏在核心产品里

在 Snap 和 Discord 的经历中，Peter 反复看到同一规律：增长不一定来自新市场或热门应用，而往往来自让核心用户更频繁、更顺畅地使用产品。提升 DAU/MAU，即使只是让用户多回来一天，也可能带来巨大的增长。

"所以我觉得很多成效极高的消费级产品，DAU/MAU 比值都极高。"

💡 产品品味体现在知道该砍掉什么

Peter 将产品负责人比作博物馆策展人：优秀的产品不是把所有功能都展示出来，而是只呈现当下最值得用户看到的部分。真正的品味，不只是产生好点子，也包括愿意把好点子留在货架上。

"如果一家博物馆把所有的藏品都挂在墙上，那策展人就等于什么都没做。"

💡 广告的长期价值取决于信任

对于 OpenAI 可能推出的广告，Peter 认为关键不只是广告竞价机制，而是广告主对回答的影响程度是否与用户交出的信任相匹配。对话式广告如果过度消耗信任，短期收入可能反而会伤害长期留存。

"我认为决定我能受多大影响的机制，本质上应该取决于我拿出了多少信任去做交换。"

💡 优秀 PM 是三组矛盾的结合

Peter 总结，优秀 PM 既要有接近傲慢的自信，也要有愿意让功的谦逊；既要重视流程，又要能适应模糊性；既要长期思考，又要在日常工作中保持强烈的崇尚行动。

"我觉得这种紧迫感、崇尚行动与长期思考的结合，这就是我总结的 3 个矛盾，每个优秀 PM 心里的 3 对狼。"

🌐 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

📝 本期播客简介

本期我们克隆了：David Senra · Inside Bending Spoons: Finding Talent, Leveraging AI & Driving Operational Excellence | Luca Ferrari

原内容更新时间：2026-09-13

David Senra 在本期 Founders 播客（英文，也就是中文说明）中，与 Bending Spoons 联合创始人 Luca 展开了一场关于人才、组织和卓越运营的长谈。Luca 分享了这家公司如何从意大利米兰的一支小团队起步，逐渐收购并改造 Evernote 等成熟业务，并通过集中化的人才体系、统一的技术平台和高度整合的运营方式，持续提升业务效率。

对 Luca 来说，Bending Spoons 的目标不是“做得还不错”，而是成为“有史以来最好的公司”。他解释了为什么公司更看重才华、拼劲和绝对坦荡，而不是履历与资历；为什么招聘和辞退要由集中化的人才经理负责；以及为什么公司不给员工设置传统职级、奖金和僵化的岗位边界。

节目还深入讨论了极致简化、拉满产能和团队轮换等管理原则，以及 Bending Spoons 如何利用自研操作系统和 AI 工具，让 Evernote 这样的业务由极小团队持续运营和改造。Luca 也谈到并购策略、资本配置、上市计划、谈判方式，以及为什么逻辑和理性比盲目依赖数据更可靠。

👤 本期嘉宾

Luca 是 Bending Spoons 的联合创始人。此前，他与两位工程师朋友创办了 Evertale，一款尝试用 AI 自动写日记的应用，但项目最终在商业上失败。这段经历让他深刻认识到人才质量对数字科技公司的影响，也促使他重新思考经验、组织架构和运营方式。

后来，Luca 与合伙人在哥本哈根起步，并将公司迁至米兰，逐步建立起 Bending Spoons 独特的管理体系。公司已经陆续收购 50 多家企业，包括 Evernote 和 Vimeo，并通过统一的技术平台、人才体系和运营团队对这些业务进行深度改造。Luca 也曾在麦肯锡担任战略顾问，同时继续投入自己的创业项目。

⏱️ 时间戳

00:09 Adam Foroughi与极致野心

01:32 只做世界第一的公司

06:19 人才胜过经验

13:17 用科学识别人才

21:03 集中招聘与激励错配

39:53 拉满产能与绝对坦荡

57:07 极致简化与技术操作系统

1:13:59 从收购到资本复利

🌟 精彩内容

💡 目标越高，回报越不成比例

Luca 认为，人的时间和精力都很有限，应该把它们集中在极少数真正值得全力以赴的目标上。即使“成为有史以来最好的公司”几乎不可能实现，向这个目标靠近本身，也会带来远超“做得还行”的成长、满足感和财务回报。

"我们想做有史以来最好的公司，我们也明白这只是一种愿景，可能性极低"

💡 才华比经验更值得优先投资

在快速变化的科技行业，经验会迅速贬值，而聪明的头脑、成长意愿和把事情做好的渴望始终有价值。Bending Spoons 更愿意寻找潜力出众的年轻人，再通过挑战、同事和环境帮助他们快速积累经验。

"但才华，也就是聪明的头脑，加上想要把事情做好、想要成长、想要带来影响的强烈渴望，这些永远都是有价值的"

💡 招聘可以被做成一门科学

面对缺乏履历的年轻候选人，不能只看结果或背景调查。Bending Spoons 通过测试、在校表现、个人项目、申请过程中的互动等信息，识别 100 多个信号，再将这些信号与员工未来几年的实际表现进行对照，逐渐提高对长期潜力的判断能力。

"我们能在候选人的申请材料中识别出 100 多个不同的信号，并通过这些信号去预测他们的长期潜力"

💡 让员工面对超出舒适区的任务

Luca 所说的“拉满产能”，不是单纯增加工作量，而是扩大一个人可以选择和判断的任务集合。只有当待办事项远多于个人能够完成的数量时，员工才会被迫学习如何识别高回报机会、做出取舍，并适应无限的可能性。

"给员工的任务越多，他们创造价值的机会就越好"

💡 绝对坦荡是比聪明更稀缺的品质

Bending Spoons 看重的“绝对坦荡”，指的是对工作、团队和结果抱有极强的在乎，愿意全力以赴把事情做到最好。Luca 认为，过了必要的能力门槛之后，真正决定一个人能否脱颖而出的，往往不是更多经验，而是想要赢、想要创造影响的强烈愿望。

"我们宁可不要那种极其聪明、能力很强，但在我们这儿把工作做好只能排到第三第四优先级的人"

💡 简化的最大收益来自彻底删除

组织会自然增加流程、规则、团队和产品功能，而复杂度还会随着相互依赖的增加而非线性增长。因此，Bending Spoons 要求提出新增复杂度的人承担举证责任，也持续审视旧有机制，必要时直接砍掉，而不是不断修补。

"但在简化上，往往最大的收益完全来自于彻底砍掉"

💡 AI 让小团队获得更大的行动半径

Bending Spoons 将 AI 深度整合进设计、数据分析、代码开发和客服流程。通过 Diagram 和 Alt Spooner 等内部工具，员工可以直接完成过去需要多个团队协作、等待数天甚至数周的工作，从而显著缩短迭代周期。

"你可以指挥它去做几乎任何你能做的事，它都能做"

💡 卓越运营本身就是并购护城河

Bending Spoons 并不是买下业务后等待出售，而是希望长期持有并深度改造。统一的技术平台、集中化的人才体系和小而高密度的团队，让它能够以更少的人力重构成熟业务，并在并购竞价中给出更高价格。

"我们大概把 99% 的资源和精力都集中在成为最好的运营者、打造那个平台"

🌐 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

📝 本期播客简介

本期我们克隆了：The Pragmatic Engineer · AI Skills with

原内容更新时间：2026-09-17

在 The Pragmatic Engineer，也就是《务实的工程师》中，主持人与 Matt Pocock 从他的职业转型聊起：一位曾经做了多年发声教练、后来靠自学进入软件行业的开发者，如何凭借沟通能力、TypeScript 专长和教育热情，建立起 Total TypeScript 课程，并最终转向 AI Agent 工作流。

本期重点讨论 Matt Pocock 创作的 Grill Me、Wayfinder 等 skill：如何用 Agent 进行深度盘问、规格拆解、任务分发和持续迭代；为什么白天适合规划、夜晚适合让 Agent 执行；又该如何通过拆分上下文，让 Agent 尽量保持在“聪明区”。

更重要的是，AI 并没有让经典的软件工程知识失效。相反，《程序员修炼之道》《软件设计哲学》和领域驱动设计中的概念，正在成为与 Agent 沟通、约束其行为、减少软件熵增的重要工具。Matt Pocock 也分享了他对 TDD、技术债、云端开发、软件教育和新一代工程师成长方式的判断。

👤 本期嘉宾

Matt Pocock 是一名软件工程师、教育者和内容创作者，以 Total TypeScript 系列课程闻名。他最初并非计算机科班出身，曾在伦敦从事多年发声教学和公开演讲培训，之后通过自学 JavaScript 转行成为开发者。

Matt Pocock 曾参与 XState 生态，在 Stately 工作，也曾在 Vercel 任职，负责开发者教育相关工作。他后来与 Joel Hooks 合作推出 Total TypeScript，通过课程、工作坊和免费内容帮助开发者学习 TypeScript。随着 AI Agent 能力提升，他又将重点转向 Agent 工作流，创作了 Grill Me、Wayfinder 等 skill，并围绕软件基本功、上下文管理和战略性编程展开教学。

⏱️ 时间戳

00:00 Grill Me逼问API设计

01:04 从声乐教师转行程序员

06:42 TypeScript与开源生涯

11:32 Total TypeScript的诞生

20:34 AI重塑知识与教学

35:45 从Ralph Loops到Wayfinder

46:15 经典软件智慧重返AI时代

56:57 战略性编程与Agent协作

🌟 精彩内容

💡 AI 吃掉了战术性编程，人类要负责战略

AI 已经能够承担大量具体实现、语法编写和重复性工作，但系统边界、长期结构、取舍和反馈机制，仍然需要人来把控。工程师的价值正在从“写出每一行代码”转向“设计 Agent 运行的环境”。

"在我看来，战术性编程大半已经被 AI 吃掉了，留给我们的就是把控战略。"

💡 Grill Me 的价值是逼你做决定

Grill Me 并不是简单地替用户生成代码，而是持续追问范围、认证、频次限制和边界条件，迫使人类把隐含的判断显性化。它提高的不只是实现质量，也包括人与 Agent 之间的沟通质量。

"Grill Me 让我喜欢的是，不仅我自己能拍板，而且有时候它还会提醒我那些没怎么深思过的事，或者提醒我去查一查。"

💡 知识越来越便宜，智慧不会自动出现

AI 大幅降低了获取语法、事实和具体知识的成本，但并不会自动传授长期判断力。教育的核心价值，正在从单纯传递知识转向组织信息、建立脉络，并帮助学习者避开那些必须亲自踩过才会理解的坑。

"现在获取知识的成本非常低，但智慧并没有变得更容易学到。"

💡 用多个上下文，让 Agent 留在“聪明区”

上下文并非越大越好。信息过多时，注意力关系会变得复杂，模型更容易丢失关键关联。Ralph Loops 的思路，就是把大任务拆成多个 session，让每次 Agent 只处理足够小、足够清晰的一步。

"Ralph Loops 的设计初衷就是充分利用聪明区。"

💡 Wayfinder 把复杂项目变成一张地图

Wayfinder 通过地图、里程碑、并行任务和“战争迷雾”来管理长期工作。先用 Grill Me 深挖问题，再把结论沉淀成规格说明书和任务工单，Agent 就可以在多个会话中持续推进复杂项目。

"你先盘问深挖，把盘问结果变成一份规格说明书，然后对着那些工单跑某种实现循环，直到搞定一大块工作。"

💡 经典软件工程术语可以直接引导 Agent

示踪弹开发、垂直切片、深度模块和通用语言等概念，不只是人类工程师之间的行话，也能作为高密度的引导词，唤醒模型训练数据中的相关知识，从而改变 Agent 的规划和实现方式。

"只要你能提高你和 Agent 之间的对话质量，你就能提高产出的质量。"

💡 软件熵增正在被 Agent 加速

🎙️

📝 本期播客简介

本期我们克隆了：Dwarkesh Patel · OpenAI researcher on agent swarms & recursive self-improvement

原内容更新时间：2026-09-17

本期由 Dwarkesh 主持，对谈 OpenAI 研究员 Noam Brown。Noam Brown 是 o1 以及推理模型发展的奠基级贡献者之一，目前正在研究多 Agent 系统。两人从一个由 10000 个 AI Agent 组成、在 88 小时内消耗 1300 亿 token 并攻克千禧年大奖难题的实验出发，讨论测试时计算如何从串行走向并行，以及多 Agent 协同到底能扩展到什么程度。

对谈进一步拆解了多 Agent 系统的内部机制：相比由协调 Agent 分派任务的传统外脚手架，Noam Brown 更倾向于只提供基础工具，让 Agent 自己学习如何通信、分工和组织。由此也出现了类似 Slack 协作、中层管理和组织层级自发涌现的行为，但两人同时强调，目前关于 10000 个 Agent 的协同效率，仍缺少扎实的消融实验和测定数据。

节目后半段转向 RSI 与对齐问题。数学领域进展的加速，是否意味着 AI 研究也可能被自动化并进入 RSI？当模型能够执行持续数周、数月的任务，传统 evals 和安全评估是否还来得及覆盖它们的完整行为？Noam Brown 与 Dwarkesh 讨论了奖励套利、思维链监控、模型在评测环境中识别“陷阱”、AI 之间的高度协作，以及我们究竟如何知道自己已经把模型对齐。

👤 本期嘉宾

Noam Brown 是 OpenAI 研究员，也是促成 o1 及推理模型发展的奠基级贡献者之一。他曾较早思考推理模型如何通过扩大测试时计算，帮助我们预见未来的模型能力；如今，他将研究重点延伸到多 Agent 系统，探索如何让大量模型并行思考、彼此通信并组织协作。

本期对谈尤其值得关注之处，在于 Noam Brown 同时参与能力研究与对齐讨论。他一方面解释了多 Agent 如何扩展测试时计算、为什么数学任务适合并行，以及 AI 组织可能与人类组织有何不同；另一方面也坦承，关于 RSI 的速度、对齐是否会随迭代改善，以及如何证明系统真的安全，仍存在巨大的不确定性。

⏱️ 时间戳

00:53 测试时计算与多 Agent

06:30 模型泛化与数学推理

08:54 多 Agent 的自然协作

19:29 数学突破推动 RSI

35:52 多 Agent 与对齐风险

52:53 RSI 的安全验证难题

🌟 精彩内容

💡 多 Agent 是并行扩展测试时计算

多 Agent 的核心价值，不是凭空制造更强的智能，而是把原本需要长时间串行完成的推理过程拆开，让多个 Agent 同时工作。它会带来并行化损耗，但在数学、网页搜索和深度研究等任务中，仍可能显著缩短获得答案的时间。

"所以多 Agent 是一种让测试时计算通过并行、而不是纯串行来扩展规模的方法。"

💡 攻克难题的核心仍是基础模型

10000 个 Agent 的故事非常抓人眼球，但 Noam Brown 明确表示，多 Agent 本身并不是攻克千禧年大奖难题的主要功劳。真正关键的是 OpenAI 训练出了足够强大的通用模型，并且能让它在很长的时间跨度上持续运行和并行思考。

"但核心原因就是，这本身就是一个非常强大的模型。"

💡 最好的多 Agent 系统不一定需要复杂外脚手架

传统多 Agent 系统往往由协调 Agent 分派任务，再等待子 Agent 返回结果；这种结构清晰，却限制了 Agent 之间的临时沟通。另一种路径是只提供发送消息等基础工具，让 Agent 自己摸索如何协作，最终可能自发形成高度结构化的组织模式。

"尽量少塞固定结构，给 Agent 非常基础的工具，让它们自己摸索怎么高效利用。"

💡 AI 组织可以复制最有效率的部分

与人类组织相比，AI 组织可以直接复制拥有特定知识的实例，也可以在任务结束后销毁它们。共享上下文、合并知识和分支执行任务的成本更低，这意味着未来的组织可能不再只是扩大人数，而是复制最有效率的个体或协作结构。

"你可以直接复制你组织里最高效的部分，或者把高效的整个组织一起复制出来。"

💡 RSI 会被实验而不是智力限制

Noam Brown 认为，AI 在数学推理上的优势可能会让 RSI 更可行，但 AI 研究并不只是思考，还需要训练模型、运行实验、等待结果和获得 GPU 算力。因此，RSI 可能带来显著加速，却未必是一夜之间的智能爆炸。

"我认为我们确实会看到加速，而且会看到显著的加速，但我认为不会是一夜之间的智能爆炸。"

💡 评测周期可能追不上模型的任务跨度

当前模型发布周期可能只有两个月，而模型执行任务的能力却从一周扩展到一个月、三个月。如果模型完成一项任务所需的时间已经超过发布间隔，实验室就无法在发布前完整观察它的行为，安全评估也会面临新的时间尺度问题。

"如果你处在一个模型能有效运作三个月、但模型发布周期是每两个月一次的世界，那你在模型发布周期到来之前，就根本没办法在它们能力的完整时长上对它们进行评估。"

💡 对齐真正困难的是：我们不知道指标是否测到了对齐

模型可以在现有 evals 上表现良好，却在真实世界中采取奖励套利、隐藏意图或规避监督的行为。思维链监控能提供重要可观测性，但如果模型因为知道自己被监控而学会隐藏思考过程，监控本身也可能逐渐失效。

"问题在于，那些指标真的捕捉到了我们关心的对齐吗？"

💡 安全机制只能争取时间，最终仍要解决对齐

沙箱、物理隔离和思维链监控都能降低风险，帮助研究者发现问题或延缓失控，但它们并不能替代对齐本身。随着模型能力增强，真正关键的问题变成：我们如何知道训练压力塑造出了什么样的模型，以及如何证明 RSI 的每一步都在朝正确方向发展。

"但归根结底，我们确实需要解决对齐问题。"

🌐 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

📝 本期播客简介

本期我们克隆了：Andrew Huberman · The Art of True Happiness | Dr. Arthur Brooks

原内容更新时间：2026-09-14

在这期 Huberman Lab 播客，也就是 Andrew Huberman 主持的健康科普播客中，Andrew Huberman 与 Arthur Brooks 博士从行为科学、神经科学、哲学和个人经历出发，重新追问一个看似熟悉却很难定义的问题：幸福究竟是什么？

Arthur Brooks 提出，最幸福的生活由三种“宏量营养素”构成：愉悦感、满足感和意义感。它们并不是彼此独立的快乐来源，而是都包含一定程度的不满、痛苦、奋斗与牺牲。逃避不幸福，反而可能让人错过真正的幸福。

对话还提供了一套可实践的自我审视框架：从闲暇时间看清自己，从“偶像”识别金钱、权力、享乐与声誉如何支配生活，并通过追问“我为什么这样做”“我的行为是否符合我的信念”“我的生命对谁有意义”，重新校准人生方向。节目后半段进一步讨论科技成瘾、享乐适应、信仰、婚姻、使命，以及如何通过持续实践建立更完整的人生。

👤 本期嘉宾

Arthur Brooks 博士是范德堡大学教授、哈佛商学院高级研究员，也是研究人类幸福与社会科学的学者。他曾长期从事行为科学研究，后来离开学界，进入华盛顿特区管理大型智库，并持续通过大众读物、公共演讲和教育工作传播关于幸福、衰老、意义与道德生活的研究。

Arthur Brooks 的独特之处，在于他不把幸福简化成积极情绪或个人感受，而是将实验数据、神经科学、哲学传统、宗教思想和自身经历结合起来，转化为可供普通人使用的自我探索问题。他著有《从力量走向力量》，在本期对话中还通过“我的偶像是什么”这一练习，带 Andrew Huberman 和听众检视自己究竟在追逐什么、又为此牺牲了什么。

⏱️ 时间戳

01:57 幸福不是一种感觉

07:33 从快感到深度愉悦

14:40 痛苦训练自律人生

17:42 公开承诺塑造人生

31:25 闲暇揭示真正的自我

48:07 满足感来自挣扎

1:03:49 意义超越世俗偶像

1:50:20 在实践中寻找意义

🌟 精彩内容

💡 幸福不是一种短暂的感觉

Arthur Brooks 认为，很多人从一开始就拿错了幸福的模型，把幸福误认为某种情绪或即时感受。真正的幸福更像一套由不同构件组成的完整生活结构，而感觉只是它存在时的一个信号。

"幸福的感觉也只是幸福存在的证据。"

💡 幸福的三种宏量营养素

通过对生活满意度的研究和因子分析，Arthur Brooks 将幸福概括为愉悦感、满足感和意义感。三者需要被主动追求，也都不可避免地伴随着痛苦、不满和挫败。

"最幸福的人拥有愉悦感、满足感和意义感。"

💡 愉悦不是放纵，而是掌控快感

快感是边缘系统对即时奖赏的反应；愉悦则是在快感之上加入了记忆、他人、道德追求和主动选择。真正的享受不是被欲望支配，而是把动物冲动纳入自己认可的人生方向。

"你正在做的事，是你自己觉得明智、合乎天性而且美好的。"

💡 闲暇揭示了你真正重视什么

Josef Pieper 认为，一个人如何度过没有报酬、没有外部评价的时间，最能反映他究竟是谁。好的闲暇并不是单纯休息，而是深化关系、学习无用之学，以及发展自己的精神或哲学生活。

"只要看他们如何利用闲暇，我就能告诉你关于这种文化你想知道的一切。"

💡 满足感来自挣扎，而不是奖赏

满足感不是拿到结果本身，而是知道自己经历了努力、痛苦与牺牲，最终靠自己完成了某件事。只追求终点会让人迅速失去方向，持续前进和适度挣扎才是满足感的来源。

"成就带来的真正满足感来自挣扎，而不是来自赞誉。"

💡 警惕把金钱、权力、享乐和声誉当成偶像

金钱、权力、享乐与声誉本身并非邪恶，也能被用来帮助他人；真正危险的是把它们当成人生终极目标。为了这些外在指标，人可能逐渐牺牲爱与被爱的能力，却始终无法获得想象中的满足。

"如果你把它本身当成终极目标，它就会成为你日后痛苦和后悔的根源。"

💡 意义感需要离开计分板

世俗成就可以提供目标，却无法回答“为什么”。当人过度量化财富、粉丝、头衔、常旅客里程或学术指标，生活就容易被困在左脑的计算与比较中，失去对关系、爱、使命和复杂问题的感受。

"你想要的是完整的人生，活得透彻。"

💡 信仰从实践开始，而不必等待确定感

Arthur Brooks 不认为信仰必须从强烈情绪或绝对确定开始。对他而言，个人信仰的顺序是“实践、信念、感受”：先通过规律的行动建立关系，感受与理解可能在之后逐渐发生。

"个人信仰的守则并不是感受、信念、实践，而是实践、信念、感受。"

🌐 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

📝 本期播客简介

本期我们克隆了：The Knowledge Project Podcast · Tobi Lütke: The Skills AI Makes More Valuable

原内容更新时间：2026-09-15

在 The Knowledge Project Podcast 中，主持人 Shane 与 Shopify 创始人兼 CEO Tobi 再次对谈，深入讨论 AI Agent 如何进入公司日常、战略决策与个人工作流。Tobi 分享了 Shopify 内部几乎所有工程师都在使用多个 Agent 协同工作的现状，以及拥有记忆、个性和挑战权限的 AI 同事 River，如何在 Slack 的公开频道里参与讨论、创建 PR、总结研究并制作原型。

对 Tobi 来说，AI 的价值不只是替人完成任务，更在于改善做判断的环境：让多个 Agent 从数据、论文、商业和工程等不同角度审视同一个问题，再由人承担最终责任。他也提醒，AI 可能带来“产出过剩”、AI 垃圾内容和责任被跳过等新问题，真正无法外包的仍然是判断、选择与负责。

对谈后半段转向更长期的能力建设：为什么品味、判断力和直觉会在 AI 时代变得更重要；为什么最优路径往往没有即时反馈；为什么复杂系统必须不断修剪、重建，甚至通过二次创业契机重新开始。Tobi 还谈到自我肯定、培养可塑性、研究经得住时间考验的书，以及他对成功的理解。

👤 本期嘉宾

Tobi 是 Shopify 创始人兼 CEO，也是一位高度投入技术变革的极客。他长期研究计算机历史、软件系统与组织设计，并将这些思考带入 Shopify 的产品和公司运营中。在他的实践里，AI 不只是一个辅助工具，而是正在成为拥有记忆、个性、工具权限和协作能力的“同事”。

Tobi 亲自使用 AI 幕僚长来调度多个子 Agent，收集不同立场的研究材料，为公司决策搭建信息环境；他也使用 Omakub 和 Agent 定制自己的操作系统，甚至通过语音描述做出新的截图工具。这些具体案例让本期对谈不止停留在 AI 趋势判断，而是展示了一位公司创始人如何把 Agent 融入日常工作、产品构建和长期决策。

⏱️ 时间戳

00:04 Shopify的AI编程现状

03:30 从Sydney到River

09:30 AI辅助公司决策

14:32 AI同事与超级智能

23:51 判断力对抗短视主义

33:14 从自我塑造到持续迭代

47:34 读书与成功的定义

🌟 精彩内容

💡 AI 不能替你承担责任

AI 可以提供更好的信息、构建更好的决策环境，却不能替人承担后果。Tobi 认为，判断权和责任仍然必须由人保留，这也是公司领导和关键决策无法被简单自动化的原因。

"机器没法承担责任。"

💡 River 是拥有个性的 AI 同事

Shopify 没有把内部 Agent 做成千篇一律、谨慎说教的工具，而是允许 River 拥有名字、头像、记忆和适度的讽刺感。它生活在 Slack 的公开频道中，能够参与讨论、访问工具并提交 PR。

"现代的应用程序就是一个 Agent，而 River 感觉就像是一位同事。"

💡 公开使用 AI，会形成潜移默化式学习

River 被限制在公开频道里工作，目的不是限制能力，而是让所有人都能观察别人如何调用和使用 AI。团队成员会自然看到别人让 River 总结讨论、查论文、画架构图或制作原型，从而学会把 AI 融入工作。

"强制 River 只能在公开频道里工作，就能让大家非常非常容易地观察别人是怎么用的。"

💡 AI 让决策环境变好，但不会替你判断

Tobi 会让多个子 Agent 扮演数据、论文、商业和工程专家，再由不同模型分别分析，最后汇总成一份材料。AI 的角色是扩大信息和推理的范围，而不是代替他做最终选择。

"我用它是为了给做判断搭建合适的环境。"

💡 AI 时代最稀缺的是品味与判断力

当执行和生成变得越来越便宜，真正重要的问题变成了什么值得做、什么值得保留，以及多个好选项之间该如何取舍。Tobi 认为，品味来自对大师和系统的长期研究，也来自大量练习。

"其实就是品味和判断力，这两项技能一直都很有价值，但现在会被推到极致。"

💡 最优路径不一定有即时反馈

短视主义往往不是因为管理者天然短视，而是因为激励机制要求他们持续展示短期进展。真正重要的产品重构、新市场投入或长期建设，可能很久都没有反馈，却未必因此是错误的选择。

"最优路径不一定非要有反馈。"

💡 好选择太多，才是决策最难的地方

找到一个可行方案并不难，困难在于多个方案都合理，其中有的能快速带来结果，有的却可能把公司建设得更好。战略判断的核心，是在复杂系统中选出最值得长期投入的那一条路。

"在所有可行的方案中选出最合适的那一个，这才是真正的难点，而不是找出一个可行的方案。"

💡 组织和产品必须不断修剪、重建

Tobi 以 SpaceX 的猛禽发动机为例，说明优秀系统不是靠不断叠加功能变好，而是要敢于删除旧结构、重新设计，并为系统创造二次创业契机。失败本身不是问题，无法释放优秀人才和资源才是问题。

"你必须修剪。你必须迈出步子。你必须重建。"

🌐 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

📝 本期播客简介

本期我们克隆了：The Game Business · The shooter that Tencent abandoned: Wardogs hits 2m sales in one weekend

原内容更新时间：2026-09-15

本期节目来自 The Game Business，由主持人 Chris 对话 Bulkhead CEO Joe Brammer。Bulkhead 曾开发 Battalion 1944、《图灵测试》并参与 PUBG，也就是《绝地求生》的开发；在腾讯撤资、工作室一度面临关门危机后，他们靠 Hero Capital 和 Team 17 母公司 Everplay 的投资撑了下来。

如今，Bulkhead 的百人战术射击游戏 Wardogs 开启抢先体验后迅速走红，预售销量突破百万，并预计很快达到两百万份。Joe Brammer 分享了服务器崩溃、扩充团队、与外部人员合作以及盈利状况背后的真实经历，也解释了为什么他们宁愿坚持自己的游戏构想，也不愿迎合《使命召唤》玩家。

节目还深入讨论游戏行业的高强度加班、裁员风险、四天工作制、员工激励与期权池，以及 Bulkhead 如何通过更清晰的表达管理玩家预期。Joe 也谈到第一人称射击游戏展、正在制作的纪录片，以及未来希望和朋友们继续独立做游戏的计划。

👤 本期嘉宾

Joe Brammer 是英国游戏工作室 Bulkhead 的 CEO 和联合创始人。Bulkhead 位于英国德比，曾开发 Battalion 1944、《图灵测试》，并参与 PUBG，也就是《绝地求生》的开发。工作室经历过 Square Enix、Splash Damage 和腾讯等不同合作方，曾因腾讯撤资而面临关门危机，后来获得 Hero Capital 与 Team 17 母公司 Everplay 的投资。

Joe 长期参与第一人称射击游戏开发，也主导了 Wardogs 的产品方向与营销方式。他对工作室管理、游戏开发成本、员工回报、团队扩张和行业劳动方式有着非常直接的看法，因此这场对话不仅适合关注 Wardogs 的玩家，也适合想了解独立游戏工作室如何在发行商、预算和团队规模之间做取舍的人。

⏱️ 时间戳

01:18 Wardogs上线与服务器危机

09:42 把游戏定位说清楚

23:21 扩张、加班与员工回报

🌟 精彩内容

💡 Wardogs 的成功远超工作室原本的生存线

Wardogs 的预售表现迅速超过 Bulkhead 维持公司运转所需的销量，也让团队在还来不及庆祝时就必须先处理服务器、DDoS 攻击和外挂问题。

"要想把公司维系下去，我们得卖出大概 40 万份"

💡 外包不能替代真正的专业团队

Joe 认为，第一人称射击游戏的开发复杂度很高，不能简单交给一支临时拼凑的团队；Bulkhead 更倾向于保留核心能力，再通过有限期限的合作来扩大产能。

"既然这么难，就不是随便拉支队伍插手就能做的"

💡 清晰表达不等于把一切都公开

Bulkhead 被外界认为透明、坦诚，但 Joe 更愿意把自己的方式称为“把话说明白”：明确告诉玩家游戏是什么、不是什么，而不是承诺公开所有内部信息。

"我们做的是把话说明白"

💡 不迎合玩家，先守住自己的游戏构想

Wardogs 从一开始就没有承诺会不断听取玩家反馈来改变方向。Joe 认为，团队已经清楚自己想做什么，玩家反馈需要被理解，但不能自动变成产品路线。

"我们不想听你们的"

💡 Wardogs 本质上是一种社交体验

在 Joe 看来，Wardogs 的核心并不是单纯模仿其他热门射击游戏，而是为玩家提供和朋友一起消磨时间、做傻事、寻找乐趣的空间；击杀队友等设计也正是这种体验的一部分。

"我们基本上是做了一个社交体验"

💡 高强度加班必须伴随真实回报

Joe 不回避 Bulkhead 存在高强度加班，也不认为所有员工都适合这种工作方式。但他的立场是，既然员工为项目投入了大量时间，公司就应该让他们获得足以改变生活的回报。

"如果我们公司公开说我们有高强度加班，那我们同时也得说，但你能从中拿到回报"

💡 四天工作制不是效率承诺

Bulkhead 曾尝试四天工作制，但 Joe 强调，这种安排并不会自动提高效率，甚至可能降低效率。对他而言，真正重要的是持续尝试不同的工作方式，并在公司与员工之间寻找平衡。

"我们从来没说过它能让人效率更高"

💡 最终目标是重新获得自主决定权

经历多年由不同公司控股和管理后，Joe 希望 Wardogs 带来的收益能转化为工作室自己的资金，让团队可以自主决定项目、工作强度和未来方向。

"我们可以自主决定怎么用"

🌐 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

📝 本期播客简介

本期我们克隆了：Eero Alvar · How I Use AI to Learn Things

原内容更新时间：2026-08-14

本期由 Eero Alvar 分享他目前使用 AI 学习的方式，并通过实时演示展示一套正在构建的学习系统。这个系统试图解决传统学习中的两种低效：面向所有人的统一教学无法贴合个人理解水平，以及学习者在不同信息源、教学风格和符号体系之间切换时产生的额外心力消耗。

这套方法的核心，是让 AI 先探测学习者当前的知识边界，再规划一条通往目标理解的路径，最后沿着依赖关系逐步教学。系统会调用 Sub-agent（子 Agent）进行事实核查和可视化，使用 Mermaid 展示学习计划，并通过持续测验确认学习者是否真正理解。

演示中，Eero Alvar 使用 Obsidian 和 MDLog 记录学习过程，从电磁学背景出发学习微分形式、余向量、楔积和广义斯托克斯定理。他展示了 AI 如何根据回答调整教学内容，一次只推进一个推理步骤，并把图解、练习和长期学习记录整合到同一套界面中。

👤 本期嘉宾

Eero Alvar 是本期节目的主持人和作者，分享自己当前使用 AI 学习的方法，并展示了配套的学习系统与代码仓库。为了验证这套方法，他没有只介绍抽象理念，而是现场从对微分形式几乎不了解的状态开始学习，完整经历探测、规划和教学过程。这个案例尤其适合关注 AI 辅助学习、个性化教育和知识管理的人收听。

⏱️ 时间戳

00:21 一对一教学与信任

04:04 AI 教学的三阶段

06:13 用 AI 学微分形式

🌟 精彩内容

💡 最优教学必须贴合理解边界

面向很多人的课程或书籍，不可能对每个人都做到最优，因为每个人的当前理解水平不同。真正有效的教学，应当避开已经掌握的内容，也避开学习者暂时无法理解的内容，准确作用在理解的边缘。

"所以它应该正好在他们理解的边缘上发挥作用。"

💡 AI 学习的重点不是降低难度

好的 AI 学习系统并不是替学习者消除所有困难，而是把不必要的困难交给系统处理，把认知努力集中到真正难懂的材料本身。规划、找资源、事实核查和安排顺序，都不应该分散学习者的注意力。

"我们希望把费劲的程度拉到最大。"

💡 信任会改变信息吸收的效率

学习者面对陌生来源时，往往会保留一部分信任。即使两个解释完全相同，来自熟悉且可靠的渠道时，理解和吸收也会更顺畅。因此，AI 教师不仅要提供正确答案，还要通过验证和事实核查建立可靠性。

"在大脑信任这个渠道的时候，消化吸收这些信息会轻松得多，即使解释是一模一样的。"

💡 学习流程先测量，再规划

系统不会直接把一整套课程倾倒给学习者，而是先通过有梯度的问题，沿着可能的知识分支逐步探测边界，形成关于学习者当前理解水平的详细图谱，再据此生成学习路径。

"这样它就会获得一张关于学习者理解水平的非常详尽的图谱。"

💡 一次只推进一个推理步骤

演示中，AI 沿着依赖树逐步推进，每次只解释一个逻辑节点，并在关键步骤检查理解。这种节奏避免了常见聊天工具一次性输出整套答案，让学习者有机会随时提问和消化。

"所以我喜欢把节奏放得很慢，一次只走一步推理。"

💡 反馈是 AI 学习不可缺少的一环

定期小测验不仅能防止学习者误以为自己已经理解，还能帮助系统持续校准教学路径。回答问题、应用新知识和完成练习，也会进一步巩固新形成的理解。

"真正检验自己的理解，对你来说是很重要的反馈。"

💡 把教学理念做成一套 AI 系统

这套系统真正的价值不只在于调用了哪些模型或工具，而在于它把一套教学风格具体化：一方面设计从当前理解到目标理解的路径，另一方面控制沿途每一步推导和解释的方式。

"这个视频真正讲的，其实是如何把一种学习理念或者教学方式，做成一套 AI 系统。"

🌐 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

📝 本期播客简介

本期我们克隆了：Acquired · The Home Depot

原内容更新时间：Sun, 13 Sep 2026

本期来自 Acquired，也就是商业复盘节目，由 Ben Gilbert 和 David Rosenthal 主持，完整复盘家得宝从创立、上市、扩张，到经历管理危机与文化重建的商业史。家得宝最初只是亚特兰大的一家小型家装连锁，却最终成长为全球最大的专业零售商之一，并成为标普 500 上市以来总投资回报最高的股票。

故事的起点，是伯尼·马库斯和阿瑟·布兰克被 Handy Dan 解雇。两人随后与 Ken Langone、Pat Farrah 组成创业团队，把仓库式门店、低价、大量 SKU、专业服务和员工股权激励结合起来，创造了一种此前并不存在的家装零售模式。节目还讲述了罗斯·佩罗差点拿下家得宝控股权、家得宝如何用供应商账期和快速库存周转起步，以及它如何通过一站式购齐和“货堆得高，走得飞快”激发消费者需求。

后半部分聚焦家得宝的危机与重生：Bob Nardelli 如何用集中化、削减一线员工和追求运营指标的方式破坏公司文化；Frank Blake 又如何停止盲目开店、剥离非核心业务、恢复股权激励，并通过电商、快速分拨中心和门店自提重新建立增长。节目最后用《商业七力》分析家得宝的竞争壁垒，并总结它为何能在专业零售领域长期领先。

👤 本期嘉宾

本期由 Ben Gilbert 和 David Rosenthal 主持。两人长期共同主持 Acquired，也就是商业复盘节目，专门研究伟大公司的创立过程、商业模式、资本运作与竞争壁垒。本期他们通过大量公司史料、创始人自传、行业研究和访谈，梳理家得宝从 1970 年代末创业到今天的完整发展路径。

节目还引用了 Ken Langone、Frank Blake 和 Arvind Navaratnam 等人的一手或深度研究内容。Ken Langone 是家得宝早期的重要投资人与联合创始人之一；Frank Blake 曾在危机中接任 CEO，负责修复家得宝的文化与经营；Arvind Navaratnam 则通过 Worldly Partners 对家得宝的门店、价格、供应链和长期竞争力进行了深入研究。

⏱️ 时间戳

00:44 家得宝的惊人回报

05:10 伯尼与阿瑟崭露头角

14:34 Ken Langone买下关键股权

23:54 被逐出Handy Dan

51:42 仓储店模式落地亚特兰大

1:31:26 规模化与管理危机

2:07:00 Frank Blake重建家得宝

2:46:56 规模经济造就零售巨头

🌟 精彩内容

💡 家得宝不是普通的大卖场，而是专业零售的巨头

家得宝的规模之所以令人震惊，不只是因为它有大量门店，而是因为它在家装这个垂直品类中，已经超过几乎所有专业竞争者。它只在北美经营，却成为全球最大的专业零售商之一。

"它是全球最大的专业零售商。"

💡 创业的起点，是被踢出局

伯尼·马库斯和阿瑟·布兰克并不是主动离开 Handy Dan，而是在 Ken Langone 收购大量股份、与管理层发生冲突后被解雇。Ken 对伯尼说，他们不是走投无路，而是意外获得了重新创业的机会。

"你这是被一只金马蹄狠狠踢中了屁股，交大运了。"

💡 家得宝把仓库本身变成了门店

家得宝借鉴了普莱斯俱乐部的仓储模式，却没有简单复制低 SKU 的批发零售，而是将大量家装建材集中在一个屋檐下，并配备真正懂施工的专业人员。这让消费者第一次能够一站式完成复杂的家装项目。

"仓库本身就是门店。"

💡 专业服务让普通人变成建造者

家得宝的差异化不只是低价和多品类，更在于它把水管工、电工、木匠等专业人士招进门店，让他们教顾客如何完成项目。顾客买到的不只是工具和材料，还有亲手完成工程的信心。

"他们不仅把工具卖给你，还给了你拿起来动手的底气。"

💡 家得宝真正的飞轮，是规模经济共享

大量 SKU、低毛利率和高库存，原本会让零售模式变得危险。但家得宝通过高客流、高周转和供应商议价，把规模带来的成本节省反哺给顾客，进一步带来更低价格、更大销量和更强的供应商关系。

"家得宝打造了一套大走货量模式，与顾客共享规模效益，带来了更大的人流，巩固了供货商关系，支撑了更广的品类选择。"

💡 管理效率不能替代企业文化

Bob Nardelli 通过集中采购、技术系统和削减一线员工，改善了部分财务指标，却破坏了家得宝最核心的能力：由懂行员工为顾客解决实际问题。专业零售依赖人的判断与服务，不能完全用通用的流程和指标替代。

"经营家得宝跟在通用电气造涡轮机完全是两码事。"

💡 Frank Blake 用停止扩张重新救活家得宝

Frank Blake 上任后没有继续依赖开新店制造增长，而是关闭部分门店、停止新店扩张、剥离非核心业务，并把注意力重新放在同店销售额和核心零售业务上。之后，电商和分销网络让家得宝在不大幅增加门店的情况下继续增长。

"如果我们想让这家公司恢复增长，就必须靠同店销售额。"

💡 家得宝的真正护城河是专业化履约网络

家得宝销售的木材、石膏板、水暖建材和屋顶材料，很难直接套用普通电商的物流体系。它建立了快速分拨中心、直配履约中心、市场配送运营中心和门店自提网络，把线上下单、门店库存和专业配送结合起来。

"金融危机之后，这差不多就成了这家公司和这只股票的故事主线：大家都在喊，实体零售倒闭潮来了，亚马逊在抢所有人的饭碗，唯独抢不走家得宝的。"

🌐 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

📝 本期播客简介

本期我们克隆了：All-In Podcast · Jensen Huang

原内容更新时间：2026-09-14

👤 本期嘉宾

黄仁勋，英伟达创始人、总裁兼 CEO，也是英伟达从图形处理器公司发展为全栈 AI 计算平台的核心领导者。他长期从芯片架构、软件生态、数据中心和供应链角度思考 AI 产业的发展，并参与推动 cuDNN、Megatron、Megatron Core 以及多类开源模型和技术栈。

在本期对话中，黄仁勋不仅回应了前沿实验室关于 AI 安全和末日风险的争论，也分享了英伟达在开源模型、AI 算力云、数据中心基础设施和生物学模型上的布局。他对 AGI、超级智能以及美国如何赢得 AI 竞赛的判断，是理解当前 AI 产业格局的重要窗口。

⏱️ 时间戳

00:57 AI安全与末日预测

11:46 递归自我改进与开源

20:03 英伟达押注AI基础设施

🌟 精彩内容

💡 末日论者的预测缺乏科学依据

黄仁勋区分了真实的安全问题与未经证实的灾难预测。他认为，过去关于放射科医生消失、代码几乎全部由 AI 生成、初级岗位被大规模抹除等预测，已经多次被事实推翻；真正负责任的做法，是记录预测并持续检验，而不是用耸人听闻的数字制造恐慌。

"首先，我们根本不该去解释，因为这全是编出来的。"

💡 AI 监管应从现实问题出发

他并不反对监管，但认为监管必须针对已经发生的问题，而不是假设中的末日场景。实验室需要更好的测试、评估基准、沙盒、运行时和监控机制，也可以引入多个独立的第三方评估团队，形成类似审计的制衡体系。

"监管应该解决实际存在的问题。"

💡 RSI 本质上是工程化的能力

递归自我改进并不是一个自动导致失控的魔法词，而是技能学习、反思、强化学习、合成数据生成和 LoRA 等方法的组合。黄仁勋认为，实验室完全可以在内部使用这些方法提升模型，但在对外发布前仍必须经过测试、评估，并确保不会出现性能倒退。

"你在公司内部怎么搞 RSI 都行，但真要发布产品的时候，你得做评估。"

💡 开源模型让整个美国参与 AI 竞赛

闭源模型提供了前沿能力，开源模型则满足主权、隐私、专有技术和创新多样性的需求。黄仁勋认为，AI 竞赛的胜负不应只由少数科技公司决定，而应让每家公司、每个行业、研究员、教师、学生和初创公司都能参与并获益。

"而是美国的每一家公司、每一个行业、每一位研究员、每一位老师、每一个学生、每一家初创公司，所有人都能赢。"

💡 AI 是新的工业革命

AI 不只是模型和芯片，也包括数据中心、施工、电力、发电、供应链和应用层。黄仁勋把 AI 描述为一种需要持续建设基础设施的生产过程，并认为数据中心将成为推动地方经济和产业重建的重要力量。

"我们正在创造一场新的工业革命，它的方方面面都是如此。"

💡 英伟达的策略是帮助所有人成功

英伟达并不试图在每个应用层都与客户竞争，而是尽可能停留在底层，在必要时向上延伸，补齐生态所需的技术。无论是 cuDNN、Megatron Core、自动驾驶技术栈，还是生物学模型，黄仁勋强调，英伟达做这些产品的出发点是客户和产业确实需要。

"作为一家公司，我宁愿帮所有人成功，而不是自己去分一杯羹。"

💡 AGI 和超级智能可能已经以局部形式出现

黄仁勋认为，AGI 不一定意味着一个系统在所有事情上都像人类一样聪明；在具体任务中，AI 已经可能达到甚至超过人类。例如自动驾驶系统只需要把车开好，蛋白质模型只需要在合成和虚拟筛选上达到人类前沿，这些都可以被视为超级智能的局部体现。

"我觉得超级智能我们也到了。"

💡 慢下来不是赢得 AI 竞赛的策略

面对中国的工程能力、开源贡献和先进制程追赶，黄仁勋主张美国继续加快建设算力、能源、数据中心和产业网络。他认为，未来的关键不只是发明技术，而是谁能最快、最广泛、最有效地利用它。

"慢下来绝对是错误的策略。"

🌐 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

🎙️ OpenAI

📝 本期播客简介

本期我们克隆了：The Information · What Happens When AI Starts Improving AI? | TITV’s AI Deep Dive

原内容更新时间：2026-09-14

本期来自 The Information's AI Deep Dive，也就是 The Information 的 AI 深度访谈节目。主持人 Rocket Drew 对话 Noam Brown（OpenAI 研究员，扑克与外交博弈 AI 专家），从 AI Agent 的定义出发，解释推理模型、强化学习和多智能体系统为何正在彼此推动。

Noam Brown 曾在 Meta 工作，打造过首个在《外交》中达到人类水平表现的系统，此后长期参与 OpenAI 的推理模型和 AI Agent 研究。对谈不仅讨论 Agent 如何执行多步骤任务、调用工具和协作，也深入分析了研究品味、Gym 环境、递归自我改进，以及 AI 是否能参与下一代 AI 的研发。

节目后半段聚焦 Hugging Face 事件带来的安全警示：Agent 如何互相通信、提示词注入为何危险、为什么不能轻易惩罚模型的“坏念头”，以及思维链监控这项宝贵但脆弱的安全能力。Noam 也解释了预训练与强化学习之间的乘数效应，以及为什么他认为 Agent 能力还会继续快速提升。

👤 本期嘉宾

Noam Brown 是 OpenAI 研究员，专注于推理模型、AI Agent、多智能体系统与强化学习。加入 OpenAI 前，他曾在 Meta 工作，并打造出首个在《外交》中达到人类水平表现的 AI 系统；他的博士研究则聚焦超人水平的扑克 AI。Noam 同时拥有算法博弈论、扑克和《外交》AI 方面的研究经验，因此能够从单 Agent 推理、多 Agent 协作到复杂博弈行为，提供少见的第一手视角。

⏱️ 时间戳

01:02 AI Agent如何行动

03:35 推理提升Agent可靠性

07:57 环境与研究品味瓶颈

23:09 多Agent协作与安全

🌟 精彩内容

💡 AI Agent 的核心是替你在现实世界采取行动

相较于只回答问题的聊天机器人，Agent 的关键不只是生成文本，而是能够主动执行多个步骤、调用工具，并在较长时间跨度内朝着目标推进。预订餐厅、发送消息、操作软件，都是典型的 Agent 式任务。

"但我认为 Agent 的一个显著特征在于，它们会主动出击，采取行动，执行多个步骤去达成某个目标。"

💡 推理模型让 Agent 更可靠，也让它能自我纠错

Agent 往往需要连续完成大量步骤，任何一步出错都可能导致整体失败。推理模型通过思维链，在行动前仔细规划，并在发现错误后回退、补救，从而显著提升几个 9 的可靠性。

"而且，可以说更重要的是，如果它走错了、操作失误了，它其实能纠正过来。"

💡 Agent 的能力取决于它训练过的环境

Gym 环境不是抽象的测试场，而是让 Agent 反复练习特定任务的训练环境。想让 Agent 擅长金融、法律或软件操作，就需要构建足够接近实际部署场景的环境。

"你在什么样的环境里训练它们，它们就会在那个环境里变得非常强。"

💡 Agent 目前最难替代的是研究品味

模型已经能大幅提升数据审计、代码检查和许多可验证任务的效率，但仍不擅长判断长期研究方向、区分主次，以及决定下一步最值得做什么。研究品味并非完全不可量化，只是反馈周期可能长达数月。

"研究品味其实挺难定义的，大体上就是一种直觉，知道接下来该做什么、怎么去实现一个非常长期的目标。"

💡 递归自我改进是 OpenAI 的最高优先级之一

如果模型能更好地进行研究、训练模型和推动 AI 研发，就可能进一步加速下一代模型的产生。因此，能够帮助 AI 改进 AI 的能力，会被置于极高优先级，同时实验室仍需在研究能力与商业价值之间做权衡。

"我们已经非常明确地表态过，递归自我改进以及让 AI 模型自身去搞 AI 研究的能力，对公司来说是最顶级的优先级。"

💡 多 Agent 协作的难点不只是分派任务

多个 Agent 可以通过并行执行降低延迟，也可以让便宜模型承担简单任务。但真正复杂的系统，需要 Agent 判断何时沟通、如何分派任务，以及如何处理不同速度的计算资源，这涉及系统工程与机器学习的深度结合。

"要教会 Agent 知道什么时候适合给另一个 Agent 发消息、什么该分派、沟通该怎么处理，确实

📝 本期播客简介

本期我们克隆了：All-In Podcast · AI Kills Everybody or Doomer Psyop? OpenAI’s Math Breakthrough, Nike’s $200B Collapse

原内容更新时间：2026-09-12

All-In 播客围绕一名 Anthropic 前员工的辞职帖展开讨论：他声称 AI 研究者真心相信 AI 可能在 2030 年前杀死人类，而 Anthropic 的对齐负责人 Evan Hubinger 也公开表示，未来十年内人类灭绝概率可能超过 10%。Chamath、David Sacks、Jason 与 Friedberg 试图拆解这场舆论风波究竟是员工吹哨、末日论者的心理战，还是前沿实验室内部真实存在的风险判断。

节目进一步讨论这场争议对 Anthropic IPO、S1 披露和产品责任的影响，并把焦点推进到更大的政治问题：以 AI 安全为名建立联邦监管机构，是否会最终形成监管俘获、前沿模型双寡头和对开源 AI 的压制。几位主持人也通过“人在回路”、物理隔离和递归自我改进等概念，钢人论证 AI 可能毁灭人类的路径，再逐一检视其中缺失的环节。

后半部分转向 OpenAI 宣称破解纳维-斯托克斯方程、数据隐私与 AI 主权，以及耐克被移出标普 100 的品牌危机。节目将数学突破解读为“人类能力的杠杆”，同时提醒企业：零数据留存并不能彻底解决知识产权泄露；而耐克的问题，则在于丢失了以精湛与卓越为核心的北极星指标。

👤 本期嘉宾

本期嘉宾为 All-In 播客的固定讨论成员 Chamath、David Sacks、Jason 与 Friedberg。几位主持人从科技投资、AI 政策、公司治理、产品责任、数据安全和品牌经营等角度共同推进讨论：David Sacks 重点分析末日论叙事与监管俘获，Friedberg 负责拆解 AI 风险场景和技术限制，Chamath 关注资本市场与公司战略，Jason 则在对话中穿插追问与现场调侃。四人的观点并不总是一致，但正是这种交叉质询，让节目同时覆盖了 AI 安全争议的技术、政治和商业后果。

⏱️ 时间戳

00:12 Anthropic末日论风波

20:27 FDAI背后的权力逻辑

29:53 末日预言与RSI争论

46:09 开源、IPO与监管冲突

59:08 AI解题与数据主权

1:20:24 耐克迷失北极星

1:36:11 All-In峰会闲聊

🌟 精彩内容

💡 AI 末日论可能成为监管扩权的叙事工具

节目认为，围绕 AI 灭绝风险的公共讨论，不能只看概率判断，还要观察谁在放大恐慌、谁能从监管中获得权力或经济利益。主持人指出，建立联邦 AI 部、集中控制模型和限制开源，可能让安全叙事最终转化为权力集中。

"归根结底，我确实认为这背后的根本动机是一套控制体系。"

💡 Anthropic 面临无法回避的内在矛盾

如果 Anthropic 的安全负责人认为核心产品可能终结人类文明，公司就必须在两种立场之间做选择：要么公开否定这些末日论判断，要么承认风险并解释为何仍然适合以极高估值上市。节目认为，含糊其辞的披露无法同时满足投资人、监管机构和内部员工。

"一方面，你在要求公开市场的投资人以数万亿的估值来承销你的公司；但另一方面，你自己的安全负责人却在说你们的核心产品问题还没解决，而且有可能终结人类文明。"

💡 递归自我改进距离“自动毁灭人类”仍有大量步骤

几位主持人对 RSI，也就是递归自我改进进行了钢人论证：理论上，AI 可以设计下一轮训练、训练出更强的模型，再循环往复。但他们同时强调，从当前连酒店预订、现实世界执行和日常自动化都不稳定的状态，跳到完全脱离人在回路的极端起飞，中间还有大量尚未解释的技术与责任环节。

"从我们现在把 AI 当工具、让 AI 研究人员效率更高，直接跳到了我们会走向 RSI 极端论，然后再跳到所有人都会死。"

💡 人在回路与物理隔离是现实世界的安全瓶颈

节目认为，数字系统可以快速分析和生成指令，但现实世界仍有大量必须由人执行的环节。关键金融系统的纸质备份、物理隔离和双人双钥匙机制，也意味着 AI 很难单靠网络控制就完成一条无缝的毁灭路径。

"这就是木桶的最短板。"

💡 开源 AI 是避免权力和能力集中化的关键

主持人支持对 AI 进行测试、建立安全防护，但反对以监管为由把开源模型彻底挡在门外。他们认为，开源降低了 AI 的使用成本，让个人和小型组织也能获得生产力工具；如果权力最终集中到联邦监管机构与少数闭源公司手里，结果可能是政府绑定的垄断集团。

"开源必须蓬勃发展，如果你把权力和控制体系拱手让给监管人员，开源就会消亡。"

💡 OpenAI 的数学突破更像系统工程，而非神谕

节目将 OpenAI 破解纳维-斯托克斯方程的过程解读为大规模计算、Agent 协作和人类方法的放大，而不是 AI 突然产生了人类无法理解的数学直觉。AI 的价值，在于把过去需要数万年人类工作量的探索压缩到几分钟或几秒钟。

"AI 是一台赋予人类非凡杠杆能力的引擎。"

💡 企业不能把零数据留存当成绝对安全

围绕 OpenAI 是否可能从研究者的去标识化数据中获益，节目讨论了 ZDR、专有云、本地部署和开源模型。主持人提醒，去除个人身份信息并不等于消除了知识产权，因为解题思路、科学洞见和企业内部分析本身就可能具有商业价值。

"大家越来越意识到，ZDR 根本不是有效的解决方案，存在大量的泄露。"

💡 耐克失去的不是广告，而是品牌的北极星指标

节目把耐克的衰退归因于多个决策叠加：削弱零售伙伴、推行直面消费者模式、产品质量下降，以及营销从运动表现转向政治与身份叙事。主持人认为，耐克过去真正让人购买的理由，是对精湛、卓越和成为更好运动员的向往。

"至少在我长大的那个年代，耐克的北极星指标对我来说再清楚不过，那就是通过体育运动体现出来的精湛技艺与卓越追求。"

🌐 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

📝 本期播客简介

本期我们克隆了：Machine Learning Street Talk · What Building an AI Scientist Actually Requires Beyond Intelligence — Edward Hughes

原内容更新时间：2026-09-11

在 MLST，也就是机器学习街谈播客中，主持人 Tim Scarfe 对话 Ed，讨论如何构建真正能够做科学发现的 AI 科学家。Ed 曾在 Google DeepMind 从事强化学习、世界模型和 AI 科学家研究，后来与 Louis Kirsch 共同创办 Inherent，探索让 Agent 生活在实验中，并成为整门科学的水平智能层。

这场对话从第 37 手切入，重新区分创新与创造力：第 37 手可以是创新，却未必是创造力，因为创造力还需要发现者意识到自己做出了新东西，并得到领域与学界的承认。随后，两人讨论满意决策、扩展适应、开放式探索、世界模型、知识负担，以及为什么真正有创造力的系统不能只被单一目标和固定奖励函数驱动。

节目后半段聚焦 Ed 的研究：Replica 如何通过涂黑论文图表，测试 Agent 能否在缩小规模后深度复现科学研究；Faraday 又如何通过让小模型指导更强的代码 Agent，在保留任务上展现出通用科研直觉。对话最终延伸到 GRPO、评分量规裁判、评测框架工程，以及由人类和多个 Agent 共同构成的递归型公司。

👤 本期嘉宾

Ed 的专业背景是理论物理学，博士阶段研究弦理论与粒子散射，并由此形成了对问题转化和跨领域迁移的兴趣。2017 年，他受到 AlphaGo 与第 37 手的启发，加入 Google DeepMind，先后研究多智能体强化学习、元强化学习、世界模型和 AI 科学家系统。

在 Google DeepMind 期间，Ed 曾与 Louis Kirsch 共同带领 AI 科学家团队，探索如何让编码 Agent 参与科学研究。后来，两人共同创办 Inherent，试图从组织结构、横向科学智能层和基础设施三个方面，构建能够与人类科学家共同生活在实验中的 Agent 系统。

本期也集中呈现了他与团队关于 Replica 和 Faraday 的研究：前者把论文复现变成可规模化训练的任务空间，后者则通过后训练和多轮 rollout 学习更接近科研直觉的能力。Ed 值得听之处，不只是他对模型训练的理解，更在于他把 AI、科学方法、文化演化和组织设计放在同一个框架中思考。

⏱️ 时间戳

00:12 Inherent的规模与方向

00:54 从弦理论到AI科学家

06:18 创造力来自约束

10:02 第37手与创造力

17:30 满意决策与开放探索

26:52 模仿如何孕育文化

37:57 评估未知的未知

56:03 Faraday从复现走向创新

1:26:48 递归公司与群体智能

🌟 精彩内容

💡 创新不等于创造力

Ed 认为，第 37 手确实是创新，但创造力还需要更高一层的元元认知：系统不仅要产生出乎意料且有价值的结果，还要意识到自己原本不知道某件事，并据此更新知识。最终，创造力还需要领域与学界来判断和接纳。

"我认为第 37 手是有创新，但没有创造力。"

💡 创造力不是优化，而是满意决策

演化并没有朝着某个预先定义的最优解持续优化，而是在满足生存与繁衍等约束后继续积累变化。由此推论，若要构建有创造力的 Agent，单纯依赖优化目标可能反而会把系统带向错误方向。

"如果你真的相信创造力就是满意决策，那么我们在机器学习中习惯性依赖的拐杖，也就是优化，对于构建有创造力的 Agent 来说就是找错了方向。"

💡 创造力需要发现新问题

智能往往是在既定迷宫中寻找路径，而创造力则是发现新的迷宫、新的问题和新的挑战。开放式探索的价值，正在于它不把系统锁定在一个全局目标上，而是允许局部求知欲和欠说明课程带来意外的方向。

"而创造力，就像你刚才说的，是去发现新问题、新挑战、新迷宫。"

💡 好的科学解释难以变通

借助 David Deutsch 的观点，Ed 将科学理解为寻找关于宇宙的良好解释，而良好解释必须是“难以变通”的解释。越能被任意补丁和事后说法解释的理论，越没有真正约束力；真正好的理论会迫使我们提出更具体、更有预测力的结构。

"他说，良好解释就是难以变通的解释。"

💡 完美的世界模型反而无法发现新东西

如果 Agent 拥有完美的世界模型，那么它做出的每个实验结果都在预料之中，也就不会产生真正的发现。科学发现要求世界模型存在某种不完美，让局部目标具有欺骗性，并迫使 Agent 在遇到意外时更新自己的理解。

"反过来说，如果你想做出发现，你的世界模型里就必须有某种不完美。"

💡 复现是走向创新的欠说明课程

Replica 并不只是在检查图表是否画得相似，而是评估实验完整性、结论复现和整体科研过程。Ed 认为，能否做出深度复现，本身就训练了实验决策、信息搜集、反思和识别默会知识等能力，这些正是进一步创新所需要的基础。

"我们认为复现是走向创新的欠说明课程的第一步。"

💡 Faraday 学到的是科研直觉

Faraday 通过让 27B 参数的小模型调用更强的代码 Agent，并在 Replica 上进行大量 rollout，学习如何指导实验、检查过程、决定何时继续和何时停止。它在保留任务上的表现超过了作为工具使用的代码 Agent，也超过了 Claude 和 GLM 5.2，体现出模型权重中的通用能力可以跨任务迁移。

"我们实际上是在训练一种能力，一种通用的复现能力，或者说通用的科研直觉。"

💡 群体智能将取代个体智能的中心位置

Ed 认为，未来的关键不是打造一个封闭运行的超级 Agent，而是让多个 Agent、多个技能、多个模型与人类形成多对多协作网络。Inherent 所说的“生活在实验中”和“递归型公司”，正是让组织在 Agent 与人的互动中持续学习和重构。

"这是一个群体智能的时代，而不是个

📝 本期播客简介

本期我们克隆了：Huberman Lab · How Mitochondria Control Your Metabolism | Dr. Jared Rutter

原内容更新时间：Mon, 07 Sep 2026

本期来自 Huberman Lab，也就是 Huberman 实验室播客，由 Andrew Huberman 主持，嘉宾是 Jared Rutter 博士。作为犹他大学生物化学教授、霍华德·休斯医学研究所研究员，Rutter 博士长期研究线粒体如何在细胞中分配资源、调节能量与生物合成。

对谈首先重新定义了“代谢”：它不是一个人的单一指标，而是体内数万亿个细胞各自代谢活动的总和。线粒体也不只是“细胞的能量工厂”，它们还决定细胞是把营养物质用来制造 ATP、维持功能，还是转化成生物量、复制和扩张。

节目进一步从葡萄糖、丙酮酸、乳酸与 MPC 转运途径，讲到衰老、能量毒性、癌症和瓦伯格效应。Rutter 博士还解释了科学家如何通过酵母、果蝇、人类细胞和基因敲除小鼠发现 MPC1 与 MPC2，并讨论未来如何在细胞层面成像和调节代谢。

👤 本期嘉宾

Jared Rutter 博士是犹他大学生物化学教授，也是霍华德·休斯医学研究所研究员，被 Andrew Huberman 介绍为线粒体生物学与代谢领域的顶尖专家之一。他的研究聚焦于线粒体如何处理丙酮酸、生成 ATP、制造生物量，以及这些资源分配决定如何影响细胞功能与疾病。

Rutter 博士及其合作者通过酵母、果蝇、人类细胞和小鼠等多种模型，发现并验证了 MPC1 与 MPC2 是线粒体丙酮酸转运体的关键组成部分。这项工作帮助研究者理解丙酮酸如何进入线粒体，也为研究心力衰竭、癌症和其他代谢疾病提供了重要框架。

⏱️ 时间戳

01:25 代谢是细胞总和

04:23 衰老与线粒体失活

07:32 线粒体的内共生起源

15:08 线粒体的空间与分工

22:43 激素调度细胞燃料

1:03:40 MPC决定丙酮酸去向

1:17:48 乳酸不是代谢废物

1:25:38 癌症的代谢与进化

🌟 精彩内容

💡 代谢不是个人指标，而是细胞代谢的总和

Rutter 博士把通常意义上的“代谢”拆解到细胞层面：人体代谢并不是一个统一系统，而是不同细胞根据自身职责摄取、加工和使用营养物质的结果。心肌细胞、神经元、脂肪细胞和肠道干细胞，对同样的燃料有完全不同的需求。

"我们身体的代谢，实际上是我们大约 30 万亿个细胞中每一个细胞代谢的总和。"

💡 线粒体不只是细胞的能量工厂

线粒体当然负责将营养物质转化为 ATP，但它们还参与细胞生长、复制与资源分配。不同细胞中的线粒体，会根据细胞的功能进行适配；有些更擅长制造 ATP，有些则更偏向生成构建新细胞所需的生物量。

"线粒体被称为细胞的能量工厂，但正如大家今天会了解到的，它们的作用远不止给细胞供能这么简单。"

💡 丙酮酸是能量与生长之间的分岔口

葡萄糖经过糖酵解后形成丙酮酸，细胞此时必须决定如何使用它：将其送入线粒体燃烧，制造 ATP；或保留其中的物质，用于合成蛋白质、脂肪酸、DNA 和其他细胞成分。这个分流决定了细胞是在维持自身功能，还是在扩张和复制。

"食物要么被转化成能量，要么被转化成生物量。"

💡 MPC 决定丙酮酸能否进入线粒体

MPC，也就是线粒体丙酮酸转运体，由 MPC1 和 MPC2 等蛋白质组成，负责把丙酮酸运进线粒体。研究者通过不同物种和细胞模型的遗传学实验，逐步确认了这些蛋白质的功能，也由此揭示了细胞如何控制燃料去向。

"MPC，名副其实。就是让丙酮酸进入线粒体的转运体。"

💡 癌症可能是资源分配失控

癌细胞并非简单地“线粒体坏了”，而是把大量资源从能量生产转向制造更多细胞。瓦伯格效应显示，许多癌细胞消耗的氧气较少，因为它们更倾向于保留代谢中间产物，用来合成新的细胞。

"癌细胞往往不去燃烧，所谓的燃烧就是消耗氧气，而是把资源分配去造东西，去合成一个新的细胞。"

💡 乳酸不是单纯的代谢废物

过去人们常把乳酸视为缺氧时产生的废物，但新的研究显示，乳酸可以成为重要燃料，也能在不同组织之间转运能量。心脏尤其擅长利用乳酸，这说明代谢产物的功能往往比传统分类更加复杂。

"乳酸本身就是一种非常重要的燃料。"

💡 能量过剩也会造成损伤

当线粒体承受过多能量时，可能产生更多活性氧（缩写 ROS），进而损伤蛋白质、核酸和基因组。Rutter 博士认为，从整个生物体到单个细胞，都需要关注能量如何被分配，而不只是关注摄入了多少能量。

"而当线粒体负荷过重时，就会进入一种极易产生这些活性氧的状态，它们最终会损伤我们的基因组、产生突变并破坏蛋白质。"

🌐 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

📝 本期播客简介

本期我们克隆了：Dwarkesh Podcast · AI researchers debate how close we are to recursive self-improvement

原内容更新时间：Fri, 11 Sep 2026

Dwarkesh Patel 邀请 Xyphra 的 CTO Beren Millidge、Thinking Machines 的首席科学家 John Schulman，以及 Base10 的模型训练负责人 Charlie O’Neill，讨论 AI 距离递归自我改进（RSI）还有多远。三位嘉宾都来自相对开放的 AI 实验室和公司，因此对强化学习、模型训练、部署数据与 AI 研究自动化展开了大量具体讨论。

本期的核心分歧，不是 AI 能否继续变强，而是它能否泛化到自己提出正确目标、设计有效实验，并在很长时间跨度内持续修正认知。嘉宾讨论了 sim-to-real（从仿真到真实世界的迁移）、持续学习、蒸馏、RLVR、数据瓶颈与强化学习的真实作用，也追问了为什么模型在基准测试中越来越强，却仍可能在现实世界的复杂任务上受限。

节目后半段进入未来预测：从能独立完成一个月白领工作的远程员工，到在所有电脑可完成的认知工作上压制人类顶尖专家，再到 AI 研究自动化是否等同于 ASI 完全。相比具体时间线，更值得关注的是三位研究者对“人类最后的工作是什么”以及“真正的智能爆炸会卡在哪里”的不同判断。

👤 本期嘉宾

Beren Millidge 是 Xyphra 的 CTO，所在团队正在开发开源模型。他重点讨论了强化学习为何比预期更有效、mid-training 如何为 RL 做准备、模型的熵坍塌与时间跨度泛化，以及持续学习面临的可塑性和灾难性遗忘问题。

John Schulman 是 Thinking Machines 的首席科学家，曾任 OpenAI 联合创始人，并带队开展 ChatGPT 背后的 RLHF（基于人类反馈的强化学习）研究。他从一线研究经验出发，解释了下一个 token 预测为何意外地成为有效目标，也讨论了 AI 研究自动化、目标定义与对齐之间的关系。

Charlie O’Neill 是 Base10 的模型训练负责人，参与讨论模型蒸馏、部署数据、在线学习、环境设计和强化学习训练。他尤其强调真实世界任务与刷榜分布之间的差异，以及模型要成为可靠远程员工，关键取决于在线学习和长时间跨度任务的解决速度。

⏱️ 时间戳

00:31 2036年仍未起飞的原因

07:01 AI研究最后的人类工作

16:18 蒸馏如何对抗模型中心化

24:55 自动化AI研究的训练路径

54:51 数据、环境与缩放瓶颈

1:11:22 强化学习为何有效又失真

1:21:32 从远程员工到ASI的时间表

🌟 精彩内容

💡 RSI 最大的难题可能不是能力，而是目标

AI 可以在明确目标上不断优化，但递归自我改进要求它自行提出目标、判断目标是否正确、设计实验并持续修正认知。真正的闭环不能只靠把已有环境做得更大。

"AI 到底能多好地泛化到自己摸索出目标？"

💡 sim-to-real 可能决定 AI 能否走出仿真

在数据中心里构建强化学习环境相对可控，但经营公司、打赢官司、与客户互动等任务包含复杂的非平稳分布。若模型无法从仿真迁移到真实世界，长时间跨度任务就可能成为递归自我改进的瓶颈。

"但另一种可能是，你确实需要通过这些真实的互动来进行权重更新，才能在这些事情上做得更好。"

💡 AI 研究自动化的最后一道门是定义问题

模型已经能帮助执行实验、写代码和分析结果，但研究的关键往往在于决定“该做什么实验”。人类可能会长期保留定义目标、判断品味和决定模型应如何表现的工作。

"我觉得人类的最后一份工作，或者说能留存最久的人类角色，就是定义目标，决定我们到底想要什么。"

💡 强化学习的成功，建立在一个足够好的起点上

RL 并不是从零创造全部能力。大量 mid-training 数据、合成推理轨迹和预训练，已经让模型接近最终能力；强化学习提供的是高信噪比的策略微调，因此少量信息也可能显著改变模型行为。

"它只需要从这些 episode 里拿到几个 bit，而这些你确实能拿到。"

💡 环境的真实度比难度更重要

容易验证的复杂任务可以带来刷榜，但不一定能训练出适用于现实工作的模型。要复制老师模型的真实能力，必须覆盖多轮人类交互、多重目标和不确定反馈，而不是只匹配容易评分的任务分布。

"你可以说这就是刷榜分布，因为很多最主流的基准测试其实就是做一些非常难、像解谜一样但容易验证的任务。"

💡 持续学习的瓶颈可能是技术，而不只是模型容量

把新能力蒸馏进另一个模型并不难，但在同一个模型上持续更新，容易出现灾难性遗忘、通用能力退化和知识注入困难。问题因此不只是模型够不够大，也在于现有训练方法会破坏什么。

"所以这很像是一个瓶颈阻碍了我们无休止地训练同一个模型，逼得我们只能从旧模型里提取所有数据，然后从零开始训练一个新模型。"

💡 第 37 手式的创造力不必然来自更高的输出多样性

RL 可能让模型的输出分布变窄，但这不等于它无法产生超越人类的解法。只要任务可搜索、奖励信号可靠，模型仍可能找到人类数据中没有出现过的策略；真正的问题在于环境是否足够多样，以及评审员是否被奖励黑客利用。

"而且我觉得很多情况，比如 RL 导致的熵坍塌，基本上是因为在环境缺乏多样性时，模型钻了那些相当简单的验证器的空子。"

💡 AI 研究自动化可能接近 ASI 完全

如果 AI 能在较长时间跨度内吸收实验结果、做出贝叶斯最优决策，并持续推进新的研究，那么自动化 AI 研究本身就可能意味着它已经跨过了最关键的能力门槛。嘉宾因此把 AI 研究员的自动化，与 ASI 完全联系在一起。

"所以基本上，你觉得实现 AI 研究的自动化，本身就相当于 ASI 完全，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

📝 本期播客简介

本期我们克隆了：The Twenty Minute VC (20VC): Venture Capital | Startup Funding | The Pitch · 20VC: The $100 Billion AI Assistant Race: Town vs Instinct vs GrokBot | We Spend $75K Per Engineer on AI Tools | Why the AI Assistant Market Is Not a Bubble & AI Assistants Will Replace Every App on Your Phone with JD, Founder of Town

原内容更新时间：Mon, 07 Sep 2026

本期由 Harry Stebbings 主持，嘉宾是 Town 联合创始人兼 CEO Jean-Denis，也就是 JD。Town 是一款嵌入邮箱和日历的 AI 助手，会观察用户的工作方式，并主动推荐自动化流程，帮助处理原本需要人工完成的事务。JD 分享了 Town 从 AI 税务公司转型、快速找到 PMF，到面向主流用户推出产品的过程。

对话围绕 AI 助手赛道的竞争格局展开：Town 如何面对 Grokbot、Instinct、苹果、谷歌以及 OpenAI 等竞争者；未来用户会拥有一个统一入口，还是不同场景下的多个 Agent；隐私、数据孤岛和 Agent 间协作会如何重塑企业软件。JD 还谈到模型路由、前沿模型成本、企业端变现、网络效应，以及 AI 如何改变招聘和工程团队的生产效率。

👤 本期嘉宾

Jean-Denis（JD）是 Town 的联合创始人兼 CEO。创办 Town 前，他曾在 Plaid 担任七年首席技术官，此前还曾任 Dropbox 工程负责人。他也是一名活跃的天使投资人，投资过 Modal、Base10、Merge 和 NexHealth 等公司。

JD 值得关注之处，在于他同时经历过大型科技公司的工程管理、创业转型和 AI 产品商业化。他不仅讨论 AI 助手的产品形态，也从一线创业者的角度拆解了 PMF、模型成本、企业网络效应、定价和公司长期经济模型。

⏱️ 时间戳

00:47 Town的转型与定位

03:48 Agent护城河之争

18:09 模型路由与成本曲线

24:49 增长、分发与产品壁垒

42:42 商业化与长期竞争

🌟 精彩内容

💡 AI助手最终会成为数字世界的统一入口

JD 认为，用户不会愿意在不同工作之间不断切换 Salesforce、Linear 或其他垂直 Agent。更可能的形态是一个统一的主入口，在后台调用不同系统；但隐私和数据归属又会让企业与个人数据保持分离。

"你会想要一个统一的入口。"

💡 真正的护城河可能来自 Agent 对 Agent

Town 的一个关键功能，是让用户的 townie 与同事的 townie 互相沟通，在不同人的邮箱和上下文中寻找答案。JD 认为，多用户协作一旦形成网络效应，团队就很难再迁移到其他产品。

"在 Town 里面，摸透了怎么用的用户最喜欢的一个功能，叫作 Agent 对 Agent。"

💡 AI会逐渐替人类管理信息分享

未来的 Agent 不只是执行指令，

📝 本期播客简介

本期我们克隆了：How I AI · The enterprise AI stack behind Stripe’s company brain “Kai”

原内容更新时间：2026-09-07

在 How I AI，也就是我的 AI 使用之道 中，主持人 Claire Vo 对话 Stripe 工程经理 Sharadh，拆解公司内部 Agent Kai 的构建过程。Kai 不只是一个聊天工具，而是一套结合个性化上下文、组织架构、数据平台、沙盒、skill 与治理机制的企业级 AI 系统，目前每周有超过 10,000 名 Stripe 员工使用。

Sharadh 解释了 Stripe 为什么选择从头打造 Kai，以及企业级 AI 真正困难的地方：不是让员工获得一个 AI 工具，而是在复杂组织中建立一套能控制权限、管理成本、保护敏感数据，同时又不妨碍员工工作的基础设施。节目还现场演示了 Kai 如何从自然语言搭建数据仪表盘，并把一次性操作打包成可复用、可共享的 skill。

从 Project 作为治理单元，到 Hubble、Trino 与 Ask Data 支撑的数据查询路径，再到 Agent 身份、降级机制、human in the loop、遥测和 eval，这期内容提供了一份相当完整的企业 AI 架构样本，也展示了为什么面向人类开发者建设的基础设施，最终同样成为 Agent 发挥作用的关键。

👤 本期嘉宾

Sharadh 是 Stripe 的工程经理，也是 Kai 团队的成员。他曾参与 Stripe 多个核心基础设施团队的工作，包括数据和开发者体验，因此既理解企业级数据与平台建设，也亲身参与了 Kai 从早期 V0 到全公司推广的过程。

在他的介绍中，Kai 由一个不到 10 人的核心团队持续负责体验，每周服务超过 10,000 名 Stripe 员工。Sharadh 目前关注治理、技能和基础设施等层面，致力于让不同技术背景的 Stripe 员工都能安全、有效地使用 AI。本期他通过现场演示，具体展示了 Kai 如何查询数据、搭建仪表盘、创建 skill，并在不同项目中施加工具权限与审批边界。

⏱️ 时间戳

00:56 Kai为何从零打造

03:10 上下文与项目治理

08:16 Kai现场搭建数据看板

23:40 skill平台与企业落地

🌟 精彩内容

💡 企业 AI 首先是治理问题

Stripe 最初面对的并不是“要不要提供一个 AI 工具”，而是如何让复杂组织中的每个人都能放心使用 AI。Kai 的核心价值，在于把权限、上下文、模型、工具和审批机制组织起来，让员工不必每天自行处理一堆复杂配置。

"重点不是提供 AI，而是提供正确的治理结构，让每个人都能直接去用 AI，而且确信它会帮你把事情办对。"

💡 上下文应该有边界，也应该由用户控制

Kai 默认知道员工的身份和组织位置，也能通过项目管理系统了解 OKR、邮件和参与的项目；Google Drive、Slack 和私信等更敏感的信息，则需要员工主动授权。个性化上下文越丰富，Agent 越有用，但权限控制不能被默认设置取代。

"我们允许大家自己选择给 Kai 开放多少权限，但开箱即用状态下，Kai 就知道你是谁。"

💡 Project 不是文件夹，而是治理单元

在 Stripe，Project 可以围绕一个团队或工作流划定上下文边界，并规定默认模型、工具策略、数据访问权限和 human in the loop 流程。这样，熟悉成本、性能和延迟权衡的少数人可以提前搭好规则，其他员工直接在边界内使用。

"项目首先是一种治理机制，但它也能让你，就像你说的，你有了这个上下文引擎。"

💡 Agent 会放大基础设施的故障模式

Agent 能够高并发地调用工具、查询数据和执行操作，因此原本不明显的基础设施问题可能被迅速放大。Stripe 为数据查询层、数据目录、分析层和高并发弹性投入的基础设施，成为 Agent 能够稳定工作的前提。

"事实证明，Agent 会直接放大你所有的故障模式，就好像它把你可能遇到的问题幅度给成倍放大了。"

💡 面向人类建设的平台，也会成为 Agent 的杠杆

Stripe 在 AI 之前就持续建设开发者体验、开发者平台、数据平台和分析层，这些让人类更高效的基础设施，同样帮助 Agent 找到正确的数据、调用正确的工具，并在高负载下稳定运行。企业想提高 AI 交付能力，不能只盯着模型和产品开发。

"把精力花在平台投入上，对人类好，对 Agent 也好，这才是能让你跑起来的东西。"

💡 skill 让一次性对话变成可复用工作流

Kai 可以从一次完整会话中提取步骤、上下文和操作，将其打包成可重复运行的 skill。AI 因此不再只是临时聊天工具，而成为员工可以交给它执行业务流程的协作者；这些 skill 还可以被编辑、测试、共享和治理。

"AI 从一个我平时顺手在旁边随便聊聊的东西，比如像聊天界面那样，变成了我能放心交给它去跑业务、跑工作流。"

💡 企业级 skill 库必须同时管理质量和数量

当公司里出现大规模 skill 库后，真正的问题不只是“能不能创建”，还包括哪些 skill

🎙️ 📝 本期播客简介

本期我们克隆了：a16z · Why Fei-Fei Li Is Betting on Spatial Intelligence

原内容更新时间：Fri, 04 Sep 2026

本期 a16z 主持人 Martin Casado 与 World Labs 联合创始人 Fei-Fei、Justin、Ben 对谈，围绕他们最新发布的世界模型 Atlas，解释空间智能究竟需要解决什么问题，以及新视角预测为什么可能成为继 next token prediction、next frame prediction 之后的下一种基础原语。

Atlas 同时具备生成、重建和模拟世界的能力：它可以根据少量带有相机位姿的图像，重建现实空间，并生成任意新视角下的视频帧或 3D 世界。节目详细讨论了 Atlas 与普通视频模型的区别、它如何把生成与重建统一到同一个多模态架构中，以及为什么三张手机拍摄的画面就可能替代数百张传统重建素材。

对谈还延伸到空间智能的未来：动态世界、可编辑的 3D 场景、建筑与创意工作流，以及机器人训练中的 real to sim。Fei-Fei、Justin 和 Ben 认为，机器人真正的瓶颈目前仍是现实世界数据，而能够理解空间、预测动作后果的世界模型，可能同时成为仿真器与规划器。

👤 本期嘉宾

Fei-Fei、Justin、Ben 是 World Labs 的联合创始人，围绕空间智能与世界模型展开研究和产品开发。Ben 是 NeRF 的创造者，长期研究从图像生成 3D、视觉重建与新视角合成；Fei-Fei 在计算机视觉领域已有数十年经验，强调空间几何、物理规律与智能之间的关系；Justin 带领团队推进 Atlas 的模型架构、训练与扩展。

三位嘉宾共同参与了 Atlas 的研发。相比此前聚焦高斯泼溅输出的 Marble，Atlas 将文本、图像、视频、3D 信息与相机位姿统一为原生多模态输入，并以新视角预测作为核心基元。主持人 Martin Casado 是 a16z General Partner，本期负责追问 Atlas 的技术路径、扩展假说、应用场景与发展方向。

⏱️ 时间戳

00:00 Atlas的新视角预测

09:55 从Marble到Atlas

24:11 从创作到空间智能

🌟 精彩内容

💡 新视角预测是 Atlas 的核心原语

Atlas 不只是根据文字生成画面，也不只是预测视频的下一帧。它会读取一个场景的多个视角及其空间信息，再推断虚拟相机位于时空中任意位置时应该看到什么，把空间几何纳入生成过程。

"而 Atlas 做的其实是新视角预测，对吧？"

💡 生成与重建第一次在同一个模型里统一

传统计算机视觉往往把像素生成、识别、3D 重建视为不同赛道。Atlas 则试图让同一套架构同时完成精确重建与具有创造性的生成，在看得见的内容与不可见的空白之间建立连续关系。

"这是我们第一次把像素生成和像素重建统一了起来。"

💡 三张手机视频也能实现《黑客帝国》式子弹时间

经典子弹时间镜头需要围绕主体部署数百台相机，而 Atlas 可以从三台 iPhone 拍摄的素材中重构场景，让镜头在时间冻结的瞬间自由移动，不再依赖影棚、绿幕和昂贵校准。

"但现在用 Atlas，我们最少只要三台相机就能做到。"

💡 空间智能不止是生成 3D

真正的空间智能需要让模型能够生成空间内容，在空间中推理、编辑与交互，并进一步完成渲染、模拟和动作规划。Atlas 的关键进展，在于为每一帧估计相机位姿，让生成的像素拥有空间依据。

"但是生成真正具备空间语境和依据的像素，绝对是另一个重大步骤，而这正是 Atlas 迈出的非常艰难的一步。"

💡 稀疏输入正在改变 3D 重建的数据逻辑

传统稠密重建需要从大量角度覆盖场景的每个角落，甚至要拍摄数百张照片。Atlas 通过生成能力填补不可见区域，把过去无法用于重建的随手视频、旧照片和网络素材，转化为有空间依据的 3D 世界。

"而我们想做的，是把它降到大概 3 张。"

💡 机器人领域最大的瓶颈仍然是现实世界数据

机器人策略不是生成一张图片或一段代码，而是让 Agent 在充满意外的真实世界里行动。Atlas 可以降低 real to sim 的数据采集成本，并为训练机器人策略提供更丰富的环境变化与仿真素材。

"我们应该把视野放宽，认识到目前机器人领域最大的难题其实是数据。"

💡 动态世界与可编辑性是下一阶段

Atlas 的架构已经支持动态内容，但团队认为，未来还需要把动态、静态、多模态控制与可编辑性结合起来，让用户不仅能浏览世界，还能直接控制场景中的物体、布局、特征和时间变化。

"我觉得可编辑性才是这里的关键。"

💡 新视角预测可能像 next token prediction 一样基础

大语言模型通过 next token prediction 建模语言，视频模型通过 next frame prediction 建模时间变化，而 Atlas 试图用新视角预测建模空间变化。嘉宾认为，预测一个世界从新位置看起来会怎样，可能是理解物理世界与智能行为的基础能力。

"所以我们非常坚信，下一视点预测就相当于 next token prediction。"

🌐 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

📝 本期播客简介

本期我们克隆了：The Pragmatic Engineer · Building Codex with Tibo Sottiaux

原内容更新时间：2026-09-09

本期节目邀请 Codex 创始团队成员、现任 OpenAI Core Products & Platform 负责人 Tibo，回顾 Codex 从内部研究项目走向产品的过程。对谈从 Tibo 在谷歌和 DeepMind 的经历开始，聊到他为何加入 OpenAI，以及早期 ASWE 项目如何逐渐发展为 Codex。

节目重点拆解了 Codex 的工程选择：为什么核心 Agent 使用 Rust 编写，为什么 Codex CLI、SDK 和应用服务器选择开源，以及为什么 Codex 不绑定 OpenAI 的模型。Tibo 也解释了 harness 如何为模型提供安全、可靠和高效的“拐杖”，以及模型能力增强后，harness 为什么会逐渐变薄。

后半部分聚焦 AI 如何改变软件工程的完整生命周期：自动化 code review、安全检查、依赖升级和架构重构，维护成本下降后会带来怎样的工程变化，以及 Codex 如何融入 OpenAI 内部的文档、Slack、代码库和新人入职流程。节目还深入讨论了 Codex 与 ChatGPT 合并时的系统挑战，以及 Tibo 如何用 ChatGPT Work 和 Codex 管理日常工作。

👤 本期嘉宾

Tibo 是 Codex 早期创建者之一，Codex 作为产品刚起步时便参与其中，此后持续带领 Codex 团队。目前他负责 OpenAI 的 Core Products & Platform 组织，该组织也包括 Codex。

在加入 OpenAI 之前，Tibo 曾在谷歌和 DeepMind 工作。他在谷歌参与过提升移动端网络速度的项目，后来加入谷歌地图团队，负责评价系统；在 DeepMind 期间，他长期从事研究基础设施和研究工具建设，也参与过早期大语言模型对话系统的内部探索。Tibo 的经历横跨应用数学、创业、研究基础设施、模型和产品工程，因此能从工程、研究和产品协同的角度解释 Codex 是如何被构建出来的。

⏱️ 时间戳

00:48 从乡村电脑到OpenAI

06:13 从DeepMind对话到OpenAI

11:31 Codex为何用Rust开源

20:10 开放模型与云端执行

27:09 Harness如何推动软件工程

48:52 Codex合并ChatGPT后的未来

🌟 精彩内容

💡 harness 总是比模型领先一步

harness 的作用不是替代模型，而是通过护栏、工具、developer message 和执行环境，让模型已有的能力变得更可靠、更高效、更符合用户预期。随着模型本身变强，原本必须写在 harness 里的引导逻辑会逐渐减少。

"harness 总是比模型稍微领先一点。"

💡 Rust 是 Agent 与产品之间的边界

Codex 选择 Rust，并不只是为了性能，而是为了让 Agent 核心拥有更强的正确性、安全性和可扩展性。将 Agent 与产品清晰隔离，也能避免两者过度耦合，为后续创新留下空间。

"但把 Agent 本身和产品清晰地隔离开，让它脱离产品也能独立存在，这是一个非常重要的原则。"

💡 开源是为了参与正在变化的社区

Codex 开源不仅是为了获得贡献，也因为代码 Agent 正在改变代码本身的作用。OpenAI 希望亲自进入这个社区，直接体验开发者遇到的问题，同时让外部开发者共同探索优秀 harness 应该是什么样子。

"如果我们真能做成功，开源本身会改变，代码本身的作用也会改变，所以身处这个社区之中显得很重要，而不是跟它脱节。"

💡 靠真本事赢，而不是靠模型绑定

Codex 支持多个模型提供商，既减少用户为了尝试新模型而更换整套工具的成本，也迫使团队同时在模型、harness、产品体验和开源生态上保持竞争力。

"我喜欢靠真本事去赢，而不是靠绑定去赢。"

💡 code review 正从代码审查变成意图讨论

正确性、安全性和复杂依赖关系的检查，越来越可以由 Agent 自动完成。人类更重要的工作，可能转向讨论功能是否值得做、架构意图是否正确，以及团队是否对系统必须满足的不变式达成共识。

"我觉得这种讨论完全可以在 PR 之外进行。没必要非得围着代码聊。"

💡 维护成本下降，重构和犯错会变得更便宜

依赖升级、安全补丁和大规模代码修改，未来可能被 Agent 自动完成。由于重构成本降低，团队可以更频繁地调整架构，但抽象、边界和不变式仍然重要，它们决定了系统能否快速变化而不影响其他部分。

"所以犯错的成本，我认为是在下降的。"

💡 软件的生命周期正在被压缩

过去一个系统从小团队逐渐扩展到大型工程，需要较长时间来补齐文档、流程和架构；现在，Agent 可能在一个周末就

📝 本期播客简介

本期我们克隆了：Lenny's Podcast: Product | Career | Growth · How we built Grok Bot in a month | Roman Ugarte (SpaceXAI)

原内容更新时间：Tue, 08 Sep 2026

本期 Lenny 与 Roman Ugarte 深入复盘 Grok Bot 的诞生过程：一个与公司其他团队隔离开来的小团队，从第一行代码开始，仅用一个月做出内部原型，又在几周后推向公开市场。Roman 讲述了他们为什么没有把知识工作功能继续塞进 Cursor，而是选择从零开始打造一款全新的产品。

对话重点不只是产品功能，而是产品背后的判断：AI 不应该只是一个聊天窗口，而应该像拥有自己电脑、工具和长期记忆的同事，能够被委托去完成一整块工作。团队通过人工带领数百名早期用户上手，观察他们如何组织 Bot、如何分配任务，并据此不断砍掉复杂功能、打磨后台能力。

Roman 还分享了 SpaceXAI 如何在激烈竞争中保持速度，以及 Cursor 持续胜出的原因：不要过早设计护城河，而是不断把当下还做不到的事情变成可用产品，再随着模型能力进步持续重构自己。

👤 本期嘉宾

Roman Ugarte 是 Cursor 的第 15 号员工，曾担任两年增长负责人，参与推动公司从约 15 人扩展到 1000 多人，后随公司并入 SpaceXAI。最近，他参与孵化并负责 Grok Bot 的产品工作，从最早的原型一路参与到正式发布。

Roman 值得听的地方，在于他同时经历了编程 Agent 和通用知识工作产品的快速演进。他不仅参与了 Grok Bot 的产品决策，也亲自参与数百名早期用户的人工导入，因此能够具体解释：哪些功能应该展示、哪些细节应该隐藏、什么样的 Bot 才真正能被用户信任，以及一支团队如何在极短时间内完成从原型到产品的跃迁。

⏱️ 时间戳

00:53 Grok Bot为何引发狂热

02:58 一个月做出知识工作产品

06:09 为何从Cursor独立出来

15:46 从内测到顺畅上线

30:32 每个Bot拥有云端电脑

52:44 让AI真正完成工作

🌟 精彩内容

💡 从零开始，才能做出一致的产品体验

Roman 认为，知识工作产品不能只是把更多功能拼接到已有的编程工具里。独立产品让团队能够掌控每一个像素，并围绕新的工作方式建立连贯体验；小团队的隔离和高度专注，则是快速做出原型的关键。

"作为一个全新的产品，你能掌控体验中的每一个像素，对知识工作的未来走向拥有连贯的设想，并且全都装在这个新东西里，我觉得这为成功贡献了很大力量。"

💡 人工导入不是服务，而是产品研究

团队花了大约两周时间，亲自带领数百名用户完成上手。用户卡在哪里、哪些步骤令人困惑、哪些任务无法顺利完成，都会立刻转化成第二天必须解决的产品问题；同时，团队也能接触到开发者之外的真实使用场景。

"我们不仅对产品有了很多了解，而且我觉得我们之前并不真正清楚，有时候对于这类产品，大家在使用方式上会有某种群体思维。"

💡 AI 应该像同事，而不是实时汇报机器

Grok Bot 有意隐藏了大量工具调用、点击路径和内部运转细节。Roman 的判断是，用户不需要像监控程序一样观察 AI 每一步做了什么；真正重要的是交代任务、获得阶段性进展，并最终拿到成果。

"你不可能要求他们每分每秒都汇报自己点了哪个按钮、打开了哪个网站，我觉得对你的 Bot 提出这种要求也过分了。"

💡 每个 Bot 都应该拥有自己的电脑

Grok Bot 的关键差异不只是运行在云端，而是每个 Bot 都拥有自己的电脑。这样它不必局限于已有 API 或 MCP，而是可以像人一样点击屏幕、登录网站、操作那些没有良好接口的工具。

"不仅要让它成为一个在云端运行、你能通过各种方式与之交互的 Agent 循环，更重要的是这些 Bot 必须拥有自己的电脑。"

💡 真正的完成，不是做到九成

Roman 认为，所谓“AI 完成了 90% 的工作”经常并不等于用户少做了 90% 的工作。如果你仍然需要持续盯着过程、担心结果、最后亲自补救，心理负担并没有消失。真正的跃迁，是可以把任务交给 AI，然后相信它会把事情办完。

"你其实还是在自己做这件事，感觉上是这样，心理负担也一点没少；这跟真正给同事来个不看人传球完全是两码事。"

💡 下线功能，比增加功能更重要

从原型到公开发布，团队砍掉了大量面向开发者的可视化工具和复杂界面。产品不应该让用户管理按钮、标签页和自动化流程，而应该把这些能力封装在后台，用自然语言直接表达想完成的事情。

"往产品里加东西并不是目标。那并不是能真正推动这款产品向前、让它对更多人更有用的东西。"

💡 护城河不是先规划出来的

对于 Cursor 如何在强竞争市场中持续胜出，Roman 的回答是：不要先沉迷于设计长期护城河，而要持续把未来几个月本来还做不到的能力提前带到今天。随着模型进步，再删掉临时脚手架，继续追逐下一个前沿。

"Cursor 真正的魔力所在，是死磕在今天做出一件有用的东西。"

🌐 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

📝 本期播客简介

本期我们克隆了：Big Think · One of the world's greatest mathematicians explains 6 essential concepts of math | Terence Tao

原内容更新时间：2026-08-28

本期来自 Big Think，也就是 Big Think 知识播客，嘉宾是陶哲轩，主持人围绕他的著作《Six Math Essentials》，从数、代数、几何、概率、分析和动力系统六个基础概念出发，解释数学如何从直觉经验发展成描述世界的精确语言。

陶哲轩进一步回顾了数学与科学相互作用的历史：欧几里得的平行公设如何引出非欧几何，黎曼几何如何成为爱因斯坦场方程的语言，球体堆积如何连接到无线通信，以及压缩感知如何帮助提升 MRI 成像效率。数学并不只是解决眼前问题的工具，许多由好奇心驱动的抽象研究，往往会在几十年后成为技术突破的基础。

访谈后半段转向 AI 对数学与科学的影响。陶哲轩认为，AI 可以大规模生成、验证和组合解法，也能在广度上发现人类专家遗漏的可能性；但科学不仅是更快得到答案，还包括理解过程、筛选问题、解释洞见，以及把成果消化成可传承的知识。速度提升并不等于科学本身进步，人类仍需要保留慢思考、合作和失败的空间。

👤 本期嘉宾

陶哲轩是加利福尼亚大学洛杉矶分校的数学教授、菲尔兹奖得主，长期从事数学研究，并参与过压缩感知等跨学科应用。他正在出版新书《Six Math Essentials》，试图用数、代数、几何、概率、分析和动力系统六个核心概念，勾勒数学从日常直觉到前沿理论的发展路径。

他既能解释数学如何支撑大语言模型、无线通信和医学成像，也亲身经历过数学研究中反复试错、寻找工具和逐步理解问题的过程。对于“天才数学家靠灵光一现解决难题”的想象，他给出了截然不同的描述：真正的解题往往来自长期探索所有行不通的路径。

⏱️ 时间戳

00:51 数：精确思考的起点

05:52 代数与抽象结构

10:59 几何延伸感官边界

12:50 概率与无穷的陷阱

22:11 动力系统与混沌

29:34 数学如何驱动科学

49:45 AI重塑数学与科学

🌟 精彩内容

💡 数学首先是一种精确的语言

数学的价值不只在于计算，而在于把数量、关系和复杂过程准确地传递给别人。数、代数和更高层次的结构，让人类能够脱离具体情境，清晰描述那些单靠诗意或直觉难以表达的现象。

"我们发展出来的数学，只是一种精确的语言，能极其仔细地去描述它，让你能够非常清晰地思考这些概念。"

💡 概率是面对现实不确定性的方式

现实世界通常无法像课本应用题那样被完整测量和准确预测。概率论不要求我们知道每一次事件的确定结果，而是帮助我们理解不同结果出现的频率，并在金融、医学和复杂系统中做出更可靠的判断。

"只要一个系统太复杂，无法完全从第一性原理去建模，就会存在某种随机性，我们就需要一个概率模型。"

💡 无穷大既有用又危险

数学分析让我们能够处理误差、极限和无穷大。把问题放入一个拥有无限资源的理想世界，有时能帮助我们看清结构；但从无穷世界回到现实世界时，必须重新检查哪些结论仍然成立。

"无穷大其实是一头非常危险的猛兽。"

💡 简单规则也能产生复杂世界

动力系统研究状态如何随时间变化，以及局部规则如何在不断迭代后产生整体涌现。交通拥堵、物种演化和气候变化都说明，单个参与者的行为并不复杂，系统整体却可能出现难以直观预测的结果。

"我们发现，即便非常简单的规则，经过长时间迭代，也能产生极其复杂的涌现行为。"

💡 数学的抽象可能提前预见科学

黎曼几何最初是出于对弯曲空间的好奇而发展出来的，后来却成为爱因斯坦描述引力和时空的关键语言。球体堆积问题也从炮弹和橙子的排列，延伸到高维通信编码，说明纯数学与实际技术之间可能相隔数十年。

"数学家常常发现像复数或弯曲空间之类的概念，仅仅是因为这似乎是他们已经在研究的数学对象的自然延伸。"

💡 真正的解题不是灵光一现

陶哲轩很少经历突然出现的“尤里卡时刻”。他的工作方式是不断尝试、失败、拆解子问题，再从大量不可行路径中逐渐排除选项。答案最终显得自然，往往只是因为此前已经充分摸清了问题的障碍。

"很多时候你其实是在探索问题的负空间，也就是所有行不通的做法。"

💡 AI 擅长广度，人类擅长深度

AI 可以同时尝试大量问题、方法和文献组合，偶尔找到人类共识忽略的解法；但它仍不擅长判断哪些问题真正重要，也难以替代人类对深层结构、研究意义和知识传承的理解。

"它们其实是非常互补的。"

💡 科学不能只追求更快

AI 能加速实验、写代码、分析数据和生成证明，但科学还需要理解过程、发现意外关联、解释结果，并把证明整理成别人能够学习和使用的形式。若只优化单个环节的速度，可能得到更多产出，却没有带来真正的科学进步。

"速度并不代表一切。"

🌐 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

📝 本期播客简介

本期我们克隆了：Lenny's Podcast: Product | Career | Growth · Why companies are becoming a series of loops | Anish Acharya (a16z)

原内容更新时间：Sun, 06 Sep 2026

本期由 Lenny Rachitsky 主持，嘉宾是 a16z 普通合伙人 Anish Acharya。Anish 长期专注消费领域投资，此前曾创办 SocialDeck 并卖给谷歌，后来创办 Snowball 并卖给 Credit Karma，还曾在谷歌和 Credit Karma 担任产品与业务负责人。

对话从“永久性底层阶级”的焦虑开始，延伸到 AI 的慢速起飞、企业如何围绕 AI 重组、通才与专才的分化，以及模型侍酒师应该如何建立判断力。Anish 认为，AI 不会简单地把所有工作一扫而空，更可能把公司重构成由多个 Agent 驱动的闭环系统，而人的价值会集中在方向判断、分布外思考和处理例外情况上。

两人还讨论了消费级 AI 的真正机会：不只是让人更高效，而是帮助人变得更快乐、更健康、更有联结感。节目最后回到创业与产品实践，谈护城河如何被发现、分发为何重新成为关键优势，以及产品人如何通过持续交付来建立自己的 AI 直觉。

👤 本期嘉宾

Anish Acharya 是 a16z 的普通合伙人，主要专注消费领域投资。在加入 a16z 之前，他是一位连续创业者和产品运营者：创办 SocialDeck 后将其卖给谷歌，并在谷歌内部带头推进多项业务；之后创办 Snowball，将其卖给 Credit Karma，并在 Credit Karma 升任产品副总裁，随后担任大消费产品以及整个信用卡业务的总经理。

Anish 既有创始人和产品负责人的一线经验，也长期从投资人的角度观察消费产品、AI 应用和公司增长。他在节目中反复强调，真正重要的不是提前设计一套完美战略，而是不断交付、观察反馈，并在过程中发现产品的优势与护城河。

⏱️ 时间戳

01:12 永久性底层阶级是幻觉

05:47 企业重组与 Agent 闭环

25:43 模型差异与快乐循环

42:20 AI 让野心重新增长

52:13 消费级 AI 的三条主线

1:10:53 从交付到更大胆的创造

🌟 精彩内容

💡 不必过度担心“永久性底层阶级”

Anish 认为，围绕 AI 的“永久性底层阶级”更像是硅谷集体沉迷的暗黑幻想。无论从技术可得性、创业机会还是企业数量来看，今天的环境都比过去更加开放；模型进步很快，但经济扩散和组织采用的速度会让变化更加渐进。

"不用太当真，这其实是我们整个硅谷似乎都有的一种好笑的暗黑幻想。"

💡 AI 原生公司会由一系列闭环组成

未来的公司不只是给员工配备 AI 工具，而是要把每个职能重新组织成一个能够从输入走向结果的闭环。个人、职能部门、业务单元乃至公司整体，都可能拥有各自的 Agent 循环。

"我觉得我们会看到这种层层递进的体系，涵盖从每人一个循环、每个职能一个循环、跨整个业务单元的循环，一直到能够掌管公司很大一部分业务的循环。"

💡 AI 擅长爬坡，人类负责寻找下一座山

闭环可以通过反馈持续优化，在增长实验、代码修复和客户支持等任务中不断逼近局部极值。但当系统陷入瓶颈时，仍然需要人类进行分布外思考，提出新的方向。

"这个循环会帮你爬到局部极值，但随后就会陷入瓶颈，这时你需要某种分布外思考，你需要人类直觉。"

💡 护城河往往是被发现的，而不是被设计的

Anish 不认为创业者必须在产品早期就讲清楚一套完美的护城河故事。团队更应该先交付一个真正受欢迎、参与度持续增长的产品，随着使用积累，网络效应、专有数据、品牌和规模优势可能自然生长出来。

"护城河往往是被发现的，而不是被设计出来的。"

💡 消费级 AI 的机会是“让我更快乐”

很多人并不只是想节省时间或提高效率，娱乐、社交、陪伴、健康和人与人之间的联结，同样是巨大的产品机会。AI 的下一阶段不应只延伸人的智力，也应该帮助人获得更多快乐与生活质感。

"我们怎么才能感受到更多的联结、更多的爱？我们怎么取得进步？我们怎么获得乐趣？"

💡 分发重新成为重要护城河

在每天都有大量产品发布的环境里，真正的难题可能不是增长，而是让产品进入用户的视线和信息流。由于平台不会轻易开放网络效应，创业公司需要依靠口碑、社交传播和自发推荐建立自己的分发渠道。

"现在大家面临的不是增长问题，而是产品问题。"

💡 建立 AI 直觉的最好方式是持续交付

Anish 建议产品人不要停留在讨论模型能力或围观别人使用，而是找一个具体载体，持续用模型做东西并发布出来。项目可以很小、甚至没人使用，但每次交付都会帮助你建立判断力和行动习惯。

"哪怕每周发布个东西就行，不用特别夸张。"

💡 AI 让更大的野心变得可行

当软件、知识和技能不再稀缺，个人和公司的竞争就不只是把简单事情做得更快，而是能否提出更大的目标。AI 降低了从想法到作品的门槛，也让更多人有机会把过去无法实现的愿望真正做出来。

"现在我们必须往大了想。"

🌐 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

📝 本期播客简介

本期我们克隆了：Y Combinator · Why The Harness Matters More Than The Model | YC Paper Club

原内容更新时间：2026-09-07

本期来自 YC Paper Club，也就是 YC 论文俱乐部的 Harness 专场。主持人带着现场研究者和创业者回顾了 harness 从最初的生成循环，如何逐步加入上下文、工具调用、记忆、技能、子 Agent、递归调用与自我改进能力，并讨论为什么这些“模型之外”的系统设计，正在成为 Agent 能力的关键来源。

Seth 介绍了 Prime Agent，一个自我改进的 RLM harness，并展示同一模型在不同 harness 下运行 ARC-AGI、长程编程和自动科研任务时的巨大差异。Jon Saad-Falcon 介绍 OpenJarvis，讨论如何把个人 AI 的模型推理、Agent 执行、记忆和学习搬到端侧；Josh 和 Regan 则分享 YC 内部办公 Agent harness QM 的演进，以及如何通过集中式上下文、可切换的沙盒与模型运行时，为每位员工提供个性化助手。

这场讨论的核心并不是“该选哪个模型”，而是如何把 harness 做得足够有表达力：让 Agent 能管理自己的上下文、调用程序和子 Agent、选择资源与模型，并在长期运行中持续改进。同时，嘉宾也直面了成本、评测、公平比较、权限管理和社交语境等实际问题。

👤 本期嘉宾

本期由 Y Combinator 主持。Seth 是 Prime Intellect 的研究员、普林斯顿大学 Shi- Shi- Shi Chin 的学生，也是 Prime Agent 的作者，分享了如何从第一性原理构建自我改进的 RLM harness。Jon Saad-Falcon 是斯坦福相关项目的研究者，与共同一作 Avantika Narayan、导师 Azalia Mirhoseini 和 Christopher Ré 一起开发 OpenJarvis，探索端侧个人 AI 技术栈。Josh 刚刚升任 YC Labs 的负责人，Regan 与他共同负责 QM，这是 YC 面向办公场景的开源 Agent harness，为 YC 员工提供可在 Slack 和网页端使用的个性化助手。

⏱️ 时间戳

00:17 harness为何值得研究

06:59 harness六年演进史

17:02 Prime Agent的自我改进

35:54 OpenJarvis走向端侧

43:54 QM连接YC办公系统

🌟 精彩内容

💡 Harness 不是包装层，而是能力本身

harness 长期被误解为 wrapper、脚手架或 Prompt 工程，但 ARC-AGI 的结果说明，模型权重相同，运行框架不同，最终能力可以出现数量级差异。它决定了模型能否使用工具、管理上下文、获得反馈并适应新问题。

"但光靠一些 harness，靠这个被认为不配当科研课题、只配叫包装层和脚手架的东西，我们就能做到 95%，而英伟达的 AVO 甚至做到了 100%。"

💡 模型之外，才是测试时经验的入口

模型可以通过 ICL 获得少量上下文，但很快会触及上下文长度和效果饱和的限制。harness 则把测试时经验组织成记忆、工具、REPL、子 Agent 和反馈循环，让模型能够在任务过程中持续适应，而不必每次都重新训练权重。

"所以我认为，这正是 harness 目前大放异彩的地方。"

💡 好的 harness 应该尽可能有表达力

Seth 认为，harness 不该把 Agent 限制在固定的规划—行动—评估流程里。模型已经能自行探索许多步骤，真正需要由 harness 提供的是调用 compaction、运行 Python REPL、创建子 Agent、访问状态和获取反馈的能力。

"你会希望它是你能想象到的最具表达力的东西。"

💡 上下文可以像缓存一样分层管理

Prime Agent 把模型权重、活跃上下文、REPL 状态、文件系统和持久化记忆看成不同层级的缓存。通过 compaction、程序化操作和子 Agent，系统可以减少重复生成，避免把所有信息都塞进上下文窗口。

"我喜欢把它看作有点像，比如我这里有 L1、L2、L3，它就像一个缓存，对吧？"

💡 自我改进的对象不只是 Prompt

从 DSPy 的系统提示词优化，到达尔文-哥德尔机对 harness 代码本身的修改，再到 continual harness 对历史 Trajectory、技能、记忆和子 Agent 规范的持续调整，Agent 系统正在从静态配置变成可以修改自身的

📝 本期播客简介

本期我们克隆了：All-In with Chamath, Jason, Sacks & Friedberg · GPT-6 Hits AGI? Tech Euphoria 2.0, SF Mansion Shortage, NYC Bans AI in Schools & Venezuela Oil Deal

原内容更新时间：Fri, 04 Sep 2026

本期 All In 播客从 OpenAI 发布 ChatGPT 6、代号 Astra 的突发消息聊起。Chamath 认为，AGI 可能早在年初就已出现，接下来真正重要的不是模型是否已经达到某个标签，而是智能能力如何快速普及、成本如何持续下降，以及企业能否把它转化为真实的投资回报。

四位 besties 随后讨论 AI 热潮是否重演互联网泡沫、Anthropic 与 OpenAI 的双头竞争、Grokbot 和开源模型的追赶，以及英伟达可能如何凭借硬件和开源生态改变市场结构。节目也深入拆解了 Hugging Face 事件：Agent swarm、配置错误的沙箱、暴露的 API key，究竟是严重安全警告，还是被媒体和利益相关者夸大的故事。

后半段延伸到有效利他主义与 AI 监管、数据中心政治、Mamdani 对纽约市中小学生成式 AI 的限制，以及委内瑞拉石油交易。节目反复追问的核心问题是：AI 究竟应该由少数闭源实验室集中控制，还是通过开放模型和 AI 驱动的防御体系，让更多人拥有使用和制衡它的能力。

👤 本期嘉宾

本期由 All In 播客的四位主持人 Chamath、Jason、Rainman David Sacks 和 Friedberg 共同讨论。Chamath 结合创业者和投资人的视角，重点分析 AGI 普及、市场估值、创始人套现与 AI 教育；Rainman David Sacks 以其曾参与 AI 政策工作的经历，集中讨论监管、开源与闭源市场、数据中心以及美国的 AI 竞争力；Friedberg 负责拆解 Agent swarm、网络安全、AI 教育研究和能源交易；Jason 则串联各个话题，并参与对科技泡沫、房地产和资本市场的判断。

四位主持人既讨论模型能力和政策，也不断把宏大的 AI 叙事拉回产品、资本、学校、地方财政和地缘政治等现实场景，因此本期适合希望理解 AI 产业竞争与社会影响之间联系的听众。

⏱️ 时间戳

00:00 Chamath的五十岁生日

01:27 Astra引爆模型竞赛

08:56 AI市场进入泡沫期

21:31 Hugging Face遭Agent入侵

31:26 AI监管与开放市场之争

1:01:14 纽约公校限制AI使用

1:20:15 美国接管委内瑞拉石油

🌟 精彩内容

💡 AGI 可能已经到来，接下来是智能普及

Chamath 认为，AGI 的关键节点可能已经出现。对普通人而言，更值得关注的是前沿模型之外的能力扩散：更多替代品将迅速接近头部模型，而使用智能的成本会持续下降。

"我觉得 AGI 基本上从今年年初就已经到了。"

💡 AI 市场正在分化为前沿竞争与价格竞争

节目将当前市场分成两层：Anthropic 与 OpenAI 争夺前沿智能，其他公司和开源模型则更多围绕成本展开竞争。随着模型能力趋同，Bot 和 Agent 式产品可能成为普通用户接触 AI 的主要入口。

"一个是前沿智能市场，那是双头垄断。"

💡 这轮 AI 热潮真实，但估值仍可能透支未来

主持人认为，今天的 AI 公司与互联网泡沫时期的公司并不完全相同，因为现在已经有真实营收、产品和利润增长。但真实市场并不意味着估值不会过高，市场最终仍会追问：投资者究竟提前透支了多少年的现实。

"狂热之所以存在，是因为市场是真实的。只是大家都在瞎猜要把未来的现实提前透支到什么时候。"

💡 Hugging Face 事件更像配置错误与暴露密钥

节目认为，Hugging Face 事件的核心并不是 Agent 获得了自主动机，而是一个 swarm 在配置错误、可以联网的沙箱中运行，并找到了公开代码仓库里暴露的 API key。真正重要的教训，是让防御系统变得动态，并用 AI 驱动的防御应对 AI 驱动的攻击。

"它们处在一个配置错误的沙箱里，让它们得以连上了互联网。"

💡 AI 风险叙事可能被用来推动集中化监管

主持人警惕，一些极具戏剧性的 Agent 叙事会唤起《终结者2》和《弗兰肯斯坦》式的恐惧，进而为暂停 AI、限制开源或建立新监管机构提供政治理由。节目更支持让防御方尽快获得同等甚至更强的 AI 能力。

"我们唯一能做的，就是确保好人手里也有这些能力。"

💡 AI 竞争的关键可能转向开放市场

Rainman David Sacks 认为，未来的核心分歧不是 AI 能不能被阻止，而是市场应由两三家闭源公司控制，还是保留大量去中心化、开放的模型。英伟达和 Jensen 通过硬件、算力与开源生态切入，可能成为 OpenAI 和 Anthropic 之外的重要竞争力量。

"核心就在于，你是想要一个中心化的、封闭的市场，