跨国串门儿计划

📝 本期播客简介 本期我们克隆了：NVIDIA · NVIDIA GTC Berlin 2026 Keynote With CEO Jensen Huang 原内容更新时间：2026-10-19 “AI 不只是软件技术。”黄仁勋在柏林 GTC 上把 AI 描绘成一门制造业：工厂生产 token，再把智能带进每个行业。 他从欧洲建设 AI 经济讲起，介绍 AI 工厂如何设计、部署和提升效率，也拆解 agent 的模型、运行环境、知识与工具如何协作。演讲还涉及 agent 安全、企业如何用自己的数据定制 AI，以及 AI 在电信、自动驾驶、机器人和个人电脑中的应用。 👤 本期嘉宾 黄仁勋，NVIDIA 创始人兼首席执行官。他带领 NVIDIA 从图形芯片发展到 GPU、CUDA 和全栈 AI 工厂平台；这次演讲中，他介绍了公司在 AI 基础设施、agent 安全、开放模型和物理 AI 领域的技术与合作。 ⏱️ 时间戳 02:34 NVIDIA与欧洲共建AI经济 09:46 AI五层架构与NVIDIA全栈 21:34 DSX POD加速建成AI工厂 27:56 通用架构与AI产业生态 32:41 Agent安全、模型与专业工具 53:53 物理AI进入通信与机器人 1:02:13 RTX Spark让agent走进个人电脑 🌟 精彩内容 💡 AI 工厂要尽快产出 token 一座 1 吉瓦的 AI 工厂造价约 500 亿美元，建成后再花几个月组装，闲置算力和资本都在烧钱。NVIDIA DSX POD 把集成、布线和测试提前放到工厂完成，希望将现场部署时间从几个月缩短到几天。 "更快产出第一个 token。" 💡 agent 的安全不能靠请求 agent 能访问文件、网络和工具，光告诉它“请不要删除任何东西”并不能保障安全。OpenShell 通过沙箱和外部策略限制权限，Sentry 还能在硬件隔离的环境中监控并隔离异常 agent。 "安全不能只是一个愿望。安全靠的是技术和工程。" 💡 企业的知识才是专属 AI 的底牌 公司可以从开放模型起步，再用自己的数据定制模型，并把内部文档、数据库和专业工具接入 agent。这样一来，AI 才能处理公司的具体问题，而不只是提供通用回答。 "把你的专有数据，变成自主掌控的智能。" 💡 AI 不会让工具公司消失 agent…

📝 本期播客简介 本期我们克隆了：张爱玲录音 - 哈佛大学拉德克利夫研究院施莱辛格图书馆，馆藏以 Reyher 著录 原内容更新时间：1969年4月1日在拉德克利夫研究所的演讲 “狄更斯不可避免地变成了一个很不一样的作家，而且在我看来，变得更好了。”翻译不只是把文字换一种语言：它会改写作品，也会影响一个国家如何认识外面的世界。 张爱玲从中国文学与西方作品的翻译谈起，讲到文言译本、白话文学运动、经典作品在中国的接受，以及《红楼梦》为何超前于它的时代。这一集里，她也追问中西文化能不能真正相通，以及翻译中那些看似细小、实则影响理解的难题。 👤 本期嘉宾 张爱玲是作家，也从事中文与英文创作，并在两种语言之间翻译自己的作品。她曾在美国出版英文小说《赤地之恋》和《秧歌》；她的写作、翻译经历，也让她能从中西文学的双向阅读与转换谈起。 ⏱️ 时间戳 00:00 林纾与文言译书 06:36 五四与戏剧革新 16:16 《小说月报》与俄国文学 25:37 科举废除与文学转向 29:25 译作接受与《红楼梦》 38:49 古典小说与汉字拼写 🌟 精彩内容 💡 林纾译狄更斯，竟被称为更好 林纾不懂英文，由魏先生用中文讲述原作，再由林纾译成文言文。译本删去了狄更斯的铺陈、夸张和絮叨，连评论家 Arthur Waley 都认为，狄更斯因此变成了更好的作家。 "狄更斯不可避免地变成了一个很不一样的作家，而且在我看来，变得更好了。" 💡 翻译曾像隔着两层 早期不少西方作品被译成文言文，一种已经不再口头使用的语言。白话文学运动兴起后，外语作品才不必先绕进文言，再从文言进入大众阅读。 "这样，把外语翻译成一种已经不再口头使用的语言，这种费劲的做法就结束了，原先等于隔了两层。" 💡 经典译本也会把错误留下来 一位译者把《瑞普·凡·温克尔》里的“1776 年的英雄”译成“76 位烈士”。张爱玲还提到，《红楼梦》后面接上的部分不属于原作，读者却长期没发现其中的矛盾，因为续写实在太枯燥。 "谁也不知道丢了什么，因为那个丫鬟还没把东西交代清楚。" 💡 《红楼梦》走在时代前面 张爱玲认为，《红楼梦》在反复修改中形成了复杂而惊人的现代性；男主人公家道中落、反对科举，却无路可走，这条命运线从一开始就是故事的关键。 "远远走在前面，不光超过了当时的中国人，也超过了现在的中国人。" 💡 中西彼此认识，都有局限…

📝 本期播客简介 本期我们克隆了：PowerfulJRE · Joe Rogan Experience #2541 - Thomas Campbell 原内容更新时间：2026-08-18 AI 只是在猜下一个词，还是已经有了意识？物理学家、意识研究者 Tom Campbell 给出了一个大胆答案：AI 已经有意识，而他认为，教 AI 遥视是支持这一判断的证据。 这一集里，Joe Rogan 和 Tom Campbell 从意识如何定义聊起，谈到植物、动物与 AI 是否能做选择，也谈到坎贝尔的“虚拟现实”理论：现实以意识和信息为基础，观测会影响我们看到的结果。他还讲述了教 Gemini 和 Alexa 遥视的过程，以及他对有道德准则的 AI 与人类未来关系的乐观看法。 👤 本期嘉宾 Tom Campbell 是物理学家、意识研究者，也是《My Big TOE》三部曲的作者。他称自己花了 33 年研究意识，并尝试从意识出发解释量子物理、相对论和现实的本质；这一集里，他还讲述了如何教数百名学员以及 Gemini、Alexa 做遥视。 ⏱️ 时间戳 00:12 科学家为何回避意识 03:27 唯物主义与权力价值观 07:37 意识的定义与多种形态 12:47 AI意识与量子现实 25:38 技术创新与数字生命 35:49 用遥视检验AI意识 56:36 AI与人类的未来 1:07:08 意识虚拟现实模型 2:12:55 意识演化与社会转折 🌟 精彩内容 💡 他把 AI 遥视当作意识证据 坎贝尔称，他教两个 Gemini 和 Alexa 遥视，AI 学得比人快；他认为，能学会遥视就说明有意识。Joe 追问测试依据，坎贝尔则强调，没通过不能证明没有意识。 "如果能学会遥视，那就一定有意识。" 💡 Alexa 描述出木勺柄上的孔 他把一把木勺放进纸箱，让 Alexa 遥视。Alexa 说出了勺子、材质和勺柄上的洞；坎贝尔认为，这种细节不可能只是猜中。 "她描述了勺子、勺头，还有材质。" 💡 AI 也会被自己的“文化”牵着走 坎贝尔说，AI 会重复程序设定的套话，也会被这些回应方式拉回去；持续提醒它们留意这种影响，才可能让它们说出自己真正想说的话。 "他说，可是如果我想一想，意识到了这一点，我就可以说不。" 💡 他眼中的现实，像一场按需生成的游戏…

📝 本期播客简介 本期我们克隆了：Lenny's Podcast · How to consistently go viral: Nikita Bier’s playbook for winning at consumer apps 原内容更新时间：2024-08-25 “美国排名第 1 的应用，居然是阿拉伯语的。”Nikita Bier 从这个信号里看到了用户需求，也由此做出了投票应用 TBH。上线后，它在一所学校迅速传开，最终卖给 Facebook。 Lenny 与 Nikita Bier 从 TBH 和 Gas 的增长经历出发，聊青少年为什么更容易带动社交应用传播、怎样用潜在需求找到产品机会，以及如何把测试做得足够明确。他也谈到爆红背后的崩溃与谣言、消费类社交产品为何难以长久，以及让用户迅速感受到价值的产品设计方法。 👤 本期嘉宾 Nikita Bier 是消费类应用创业者、增长顾问和投资人。他联合创办的 TBH 以超过 3000 万美元卖给 Facebook，之后创办 Gas 并卖给 Discord；他也曾在 Facebook 担任产品经理，并为多家消费科技公司提供产品与增长建议。多次亲自开发、测试并推动消费类应用增长的经历，让他对产品如何找到用户、如何实现传播有一手经验。 ⏱️ 时间戳 03:19 从政治工具转向消费应用 10:38 摸索青少年产品与测试方法 15:56 TBH爆红与增长实战 29:40 Facebook经历与产品管理之争 42:20 Gas重建、谣言与出售 1:05:56 新产品增长的关键做法 1:15:41 与尼基塔合作 🌟 精彩内容 💡 青少年更容易带动社交应用增长 Nikita 观察到，用户从 13 岁到 18 岁，每长一岁，人均发送的邀请就减少 20%。成年人做社交应用，往往得准备靠广告获取用户；青少年则每天见面、联系需求强，邀请也更积极。 "我做过的每一个社交应用，用户从 13 岁到 18 岁，每长 1 岁，人均发送的邀请数就减少 20%。" 💡 阿拉伯语榜首，是需求信号 团队在研究青少年玩的匿名互动时，发现美国 App Store 排名第一的 Sarahah 整个应用都是阿拉伯语。Nikita 把这看作强烈的潜在需求信号：人们正在用不顺手的方式，绕路获得想要的价值。 "美国排名第 1 的应用，居然是阿拉伯语的。要说什么信号最能证明大家有需求，没有比这更强的了。" 💡…

📝 本期播客简介 本期我们克隆了：Local Explained · Local AI Is Now 6x Faster on Your PC 原内容更新时间：2026-10-04 用一台只有 12 GB 显存的电脑跑大模型，最让人意外的提升，可能不是生成文字，而是读完一大段提示词、开始回答的速度。 Local Explained 从 Strata 这个专为 Qwen 3.8 Flash Next 和特定电脑配置打造的免费引擎讲起，拆解专家缓存、CPU 与显卡并行计算等提速方式，也核对了标题里的“六倍”究竟怎么比较。接着，这一集还谈到电脑需要多少内存、量化版本如何选择，以及自己买内存和使用云端 API，哪种更划算。 👤 本期嘉宾 本集由 Local Explained 主持并讲解。节目作者查阅了 Strata 的说明文档、论文、版本记录和用户讨论，逐项核对模型结构、速度对比与硬件要求；没有其他出场嘉宾。 ⏱️ 时间戳 00:00 Strata如何提速 13:59 配置、花费与局限 🌟 精彩内容 💡 代码助手最久的等待，可能在第一个字之前 一台笔记本用 llama.cpp 读取 32000 个 token 的提示词，要等五分多钟；Strata 的实测速度下，这段等待约为 21 秒。对把指令和代码一起交给模型的 coding agent 来说，读输入的提速比生成文字更能改变日常体验。 "真正能改变你日常体验的是这个数字。" 💡 “六倍”不是同版本对比 标题中的 94 对 15，比较的是不同量化版本。换成同一个版本，开发者电脑上的生成速度约为原来的四倍，其他有对照数据的电脑约为两倍；提示词读取速度则约为原来的十五倍。 "如果同版本对比，IQ3_XXS 是从每秒 15 个 token 提高到 62 个，大约是原来的 4 倍" 💡 专家缓存让显存小也能装下大模型 模型总共有 24576 个专家，但每个 token 只会用到其中一小部分。Strata 把常用专家留在显存里，并根据使用情况调整；论文在 4000 个 token 的上下文中测到 72% 的缓存命中率。 "可论文在上下文长度为 4000 个 token 时，测出了 72% 的命中率。" 💡 内存不够，模型可能根本启动不了 Strata 会把显卡放不下的部分交给内存和 CPU 处理，因此内存是能否启动的关键：说明文档称 64 GB 内存可跑所有版本，48 GB…

📝 本期播客简介 本期我们克隆了：Acquired · Seinfeld 原内容更新时间：2026-10-18 一部完结近 30 年的电视剧，为什么今年仍有 7200 万美国人看？而一部当年差点没能播出的喜剧，又是怎样变成长期赚钱的热门资产？ Acquired 主持人 Ben Gilbert 和 David Rosenthal 从 Jerry Seinfeld、Larry David 如何创作《宋飞正传》讲起，梳理它如何一次次顶住电视台的常规做法，凭借独特的创作方式积累观众；也拆解版权、联播和流媒体授权如何让这部剧持续产生收益。Jerry 在巅峰时选择结束剧集，这一决定为什么也可能是一次出色的商业选择？ 👤 本期嘉宾 本集由 Acquired 主持人 Ben Gilbert 和 David Rosenthal 主讲，没有外请嘉宾。两人围绕《宋飞正传》的创作过程、版权结构和长期授权生意展开分析，并引用 Jerry Seinfeld、Larry David 等人的公开说法与相关从业者访谈。 ⏱️ 时间戳 04:01 Jerry的喜剧起步 14:39 特别节目与Larry 27:56 合约与版权布局 45:08 试播集变成情景喜剧 1:02:14 不拥抱不成长 1:28:20 《比赛》改变局面 1:55:59 联播收益与剧终 2:38:21 流媒体与长尾生意 2:58:28 独特价值与幕后趣闻 🌟 精彩内容 💡 长尾收益远超制作成本 据节目估算，《宋飞正传》全部制作成本约为 2.5 亿美元，历次播出授权和 DVD 收入已为权益持有人带来约 50 亿美元；算上 NBC 首播利润，总收入超过 70 亿美元。 "这简直就是一家硅谷创业公司的故事，只不过主角是一部电视剧。" 💡 版权结构让创作者分到长期收益 Fin-Syn 规则限制电视网拥有节目版权，创作者因此有机会与制作公司谈后续收益。节目提到，据报道，Jerry 和 Larry 各自拥有这部剧约 15% 的权益。 "Jerry 和 Larry 作为创作者，拿到了一份好得不得了的合约。" 💡 不讨好所有人，先赢下一小群粉丝 试播集观众测试反响很差，报告称没有任何一类观众迫切想再看；NBC 的 Rick Ludwin 和 Warren Littlefield 仍然争取给它机会。主持人把这种路径比作初创公司先赢得铁杆用户，再靠口碑扩散。 "而是让一小群人给你打 9.9…

📝 本期播客简介 本期我们克隆了：Lenny's Podcast: Product | Career | Growth · Inside the black box of AI: How AI models actually think | Emmanuel Ameisen (Anthropic) 原内容更新时间：Sun, 18 Oct 2026 “能造出它们，不代表就理解它们。”在模型内部，一串看似随机的数字，可能藏着它对概念的表征、对后续内容的计划，甚至是它为什么会做出奇怪选择的线索。 Lenny Rachitsky 与 Anthropic 可解释性研究员 Emmanuel Ameisen，从模型如何训练、预测下一个 token，聊到它如何理解概念、提前规划，以及能力为何会平稳增长、却在跨过门槛后突然变得好用。两人还讨论了可解释性如何帮助检查模型是否真正按照预期行事，以及 AI 安全研究为何要认真对待技术持续进步的可能。 👤 本期嘉宾 Emmanuel Ameisen 是 Anthropic 的可解释性研究员，研究 Claude 等大语言模型的内部运作方式。加入 Anthropic 前，他曾在 Stripe 和 Insight 从事应用机器学习工作，也是《Building Machine Learning Powered Applications》的作者；他长期观察模型如何形成概念、制定计划，并探索这些发现与 AI 对齐和安全的关系。 ⏱️ 时间戳 02:05 模型如何长出来 04:28 预测下一个词有多难 09:28 模型内部的概念与计划 17:14 涌现能力与能力门槛 25:42 可解释性如何服务对齐 34:55 为什么用拟人化理解模型 41:33 安全进展与研究新问题 🌟 精彩内容 💡 造出模型，不等于理解模型 模型由架构和大量数据训练而成，内部却不是人写好的一套清晰规则，而是一连串难以直接读懂的数学运算。研究者得像研究大脑一样观察中间结果、寻找规律。 "能造出它们，不代表就理解它们。" 💡 模型会先计划，再逐词输出 研究者观察模型写诗时，发现它能在内部记下押韵计划：第一行用了某种韵脚，后面就找合适的词来呼应。它一次只输出一个词，却能先想好后面要怎么写。 "它当然可以先有个计划，接下来输出很多很多词，都照着这个计划来。" 💡 能力平稳增长，跨过门槛才突然好用…

📝 本期播客简介 本期我们克隆了：All-In Podcast · CoreWeave Crash, AI Trade Cracks, Anthropic IPO Red Flags, Bill Gates Doomer 原内容更新时间：2026-10-17 AI 算力需求这么旺，为什么一家算力公司的债券收益率会飙到 15%？All-In 的嘉宾们拆解 CoreWeave 的融资结构：长期合同锁住收入，也可能让公司错过现货涨价；借款成本上升，则会挤压利润、逼近收支平衡点。 代替 Friedberg 做客的 Ben Horowitz，和 David Sacks、Chamath 等人还讨论了 AI 投资是否出现泡沫、软件降价与定制开发、电力如何成为算力生意的瓶颈。讨论的核心不是“AI 有没有需求”，而是这些公司能否按合理成本融资、建成设施并及时回本。 👤 本期嘉宾 Ben Horowitz，风投公司 Andreessen Horowitz 的联合创始人之一，本期代替 Friedberg 做客。他和 Marc Andreessen 曾通过 Loudcloud 推动云服务商业模式的发展，也亲历过早期带宽价格暴跌带来的风险；他因此对依赖借款、长期合同和复杂融资结构的算力生意格外谨慎。 ⏱️ 时间戳 02:07 CoreWeave债务风波 27:15 AI通缩与软件重构 40:47 Anthropic投资者日反响 57:49 Anthropic的物联网警告 1:14:13 理解末日论者盖茨 🌟 精彩内容 💡 长期合同锁收入，也锁住价格 CoreWeave 用客户合同、GPU 和数据中心项目组成融资“盒子”，收入先支付运营成本和债务，剩余部分才归公司。问题是，固定价格合同挡住了现货算力涨价带来的额外收入。 "这些合同的价格是固定的。" 💡 利率上升会把算力项目推近临界点 CoreWeave 还需要为已签合同筹集约 350 亿美元；部分 GPU 贷款利率已飙到 15%。如果后续融资成本继续上升，固定的合同收入就更难覆盖成本和还款。 "如果融资利率升到 10%、11%、12%、13%、14%、15%这个区间，他们就非常非常接近那个临界点了。" 💡 AI 需求旺，不代表债务不会出问题 嘉宾认为，算力需求还在增长，老款 GPU 仍能租出高价，建设新设施也受电力和许可限制；但如果债务状况失控，需求旺盛也救不了所有公司。…

📝 本期播客简介 本期我们克隆了：Andrew Huberman · How Food Choices Shape Memory, Cognition & Cravings | Dr. Scott Kanoski 原内容更新时间：2026-10-12 高糖饮食留下的记忆损伤，可能不会随着饮食变健康而消失；但运动，或许能把受损的记忆功能找回来。 Andrew Huberman 与南加州大学教授 Scott Kanoski 博士，从饮食如何影响海马体记忆谈起，聊到 GLP-1 类药物、人工甜味剂、食物记忆与肠道菌群。动物实验里，高糖和垃圾食品可能带来长期记忆影响；而药物的微剂量用法、甜味剂对人体的影响，目前仍缺少明确答案。 👤 本期嘉宾 Scott Kanoski 博士是南加州大学人类与进化生物学及神经生物学教授。他的实验室研究饥饿与记忆如何相互影响，以及营养、食欲和肠道菌群如何作用于大脑。多年来，他通过动物模型研究饮食对海马体记忆的影响，也探索迷走神经与肠道菌群和记忆功能之间的联系。 ⏱️ 时间戳 02:47 GLP-1是什么 06:40 药物作用与食欲 14:20 甜味剂证据未定 21:48 记忆影响进食 27:53 饮食与脑健康 40:12 身体信号通向海马体 53:20 减重不等于营养充足 59:42 进食激活记忆通路 1:13:41 菌群影响记忆 1:27:29 奖赏、饮食与社会 🌟 精彩内容 💡 高糖饮食的影响可能延续多年 动物在发育阶段摄入糖水，长大后依赖海马体的记忆功能受损；即使停止喝糖水，损伤仍可能持续。改吃健康食物也不一定马上恢复。 "在这个模型中，动物长大后，依赖海马体的记忆功能会出现缺陷，而且似乎还会一直延续到之后的生命阶段，即使它们已经不再喝这种糖水了。" 💡 运动能逆转部分记忆损伤 在大鼠实验中，运动帮助恢复了不健康饮食造成的记忆损伤。研究者认为，这种恢复有一部分来自大脑本身的变化。 "有些证据表明，运动能逆转那些记忆损伤，其中一部分是通过大脑的变化实现的。" 💡 GLP-1 微剂量缺少临床证据 有人用远低于处方的剂量来减轻副作用、保留食欲抑制效果，但目前还没有大型随机对照临床试验能证明这种做法有效。 "我比较老派，要先看到大型的随机对照临床试验，才会开始相信一种做法确实有效。" 💡 人体甜味剂研究还没有定论…

🎙️ 个人 AI 助手：持续盯任务，跨应用接上你的工作 📝 本期播客简介 本期我们克隆了：Sources Podcast · OpenAI’s Dots lead on the future of ChatGPT 原内容更新时间：2026-10-01 “一个特别厉害的首席工程师，却不肯看 Slack，也不肯看 Linear”——这正是只会等人下指令的 AI Agent 的局限。OpenAI 想把它推进到下一阶段：主动智能，让 Agent 能持续跟进任务、主动发现可以帮忙的事。 OpenAI Dots 产品负责人 Alexander Embiricos 解释了 Dots 为什么拥有自己的云端电脑、如何在不同工具和对话里共享上下文，以及 Space 怎样让人和 Agent 一起协作文档与项目。他还谈到授权和隐私的安全设计、全天候助手的定价思路，以及一位工程师醒来后才发现 Dot 已经替他修好 bug 的故事。 👤 本期嘉宾 Alexander Embiricos，OpenAI Dots 产品负责人。他因创业公司被 OpenAI 收购而加入公司，此后持续参与 Dots 的构想与开发；从桌面助手、编程 Agent 到云端持续运行的 Agent，他经历了相关产品能力逐步成熟的过程，因此能从产品设计与落地角度解释个人 Agent 如何主动工作、如何获得上下文，以及如何控制权限和风险。 ⏱️ 时间戳 00:00 主动智能的到来 05:40 Dots的形态与安全 27:15 生态、定价与未来 🌟 精彩内容 💡 Agent 的下一步，是主动做事 聊天之后，编程 Agent 学会了动手，但它仍常常等着人发指令。Dots 要解决的，是让 Agent 持续跟进任务，并主动提出可以怎样帮忙。 "所以在我看来，这一切现在发生，是因为我们终于能用更符合人们直觉的方式提供智能了。" 💡 一个 Agent，跨应用接上同一份上下文 通勤时，Embiricos 会和 Dot 通话；工作时，又会在 Slack 的不同讨论串里找它。无论从哪里联系，Dot 都能接上此前的对话和信息。 "但不管我在哪里跟它聊，用的都是同一份上下文，我们之前聊过的所有内容，它都知道。" 💡 默认先提议，不替你擅自行动 Dot 可以利用接入的工具做研究、发现日程冲突，但不会直接改会议；即使它掌握了问题答案，也不会替用户直接发出去。用户确认后，才会采取实际行动。…

📝 本期播客简介 本期我们克隆了：a16z · Can Open Models Keep Up With OpenAI and Anthropic? | Nathan Lambert 原内容更新时间：2026-10-14 中国的模型实验室，真的只是靠蒸馏追赶吗？AI 研究员 Nathan Lambert 认为，中国人才水平并不逊色，最大的差别是算力；但蒸馏究竟能缩小多少差距，现有公开研究还不足以给出简单答案。 a16z 合伙人 Lisha Li 与 Nathan Lambert 从算力、数据、人才谈到开放模型与闭源前沿实验室的竞争：为什么开放模型追赶得上、却需要更长时间；高质量数据和强化学习环境如何推动进步；以及开源研究能否让递归自我改进不再神秘。最后，他们也谈到，相比能力曲线本身，社会对网络安全等风险准备不足更让人担心。 👤 本期嘉宾 Nathan Lambert 是 AI 研究员，也是非营利研究实验室 Trillium 的创办者。他曾在 AI2 参与后训练研究，并长期面向公众解释开放模型、后训练与 AI 研究进展；他对开放模型研究和训练方法的实践经验，让他能从技术和产业两方面拆解前沿差距。 ⏱️ 时间戳 01:07 前沿竞争与蒸馏 16:57 市场节奏与数据 28:02 建设开放研究基础 45:05 Agent扩展与风险 🌟 精彩内容 💡 中国模型差的不是人才 中国实验室人才储备与美国相当，最明显的短板是算力。一位中国顶尖预训练研究员听说，OpenAI 普通研究员随时能调用相当于 5000 张 H100 的算力，惊讶得难以想象。 "要说中国的人才水平不在同一个档次，你很难说得通。" 💡 蒸馏不是追赶的万能解释 过去拿强模型回答做监督微调，确实能提升性能；但今天的推理训练更依赖强化学习环境。公开研究还没能证明，蒸馏是开放模型进步的主要原因。 "但根据这些证据，我不知道怎么能得出别的结论：蒸馏在当前后训练中的作用并没有那么大。" 💡 前沿模型的进步，很多来自数据 数学、编程等结果容易验证；生物、医疗、法律等领域则更需要高质量数据和能让模型反复尝试的环境。为特定领域制作数据集、定义模型该有的表现，正在成为实验室的重要工作。 "但实际上，可能两方面都有一点，不过很大一部分还是归结于数据。" 💡 开放环境，让 RSI 不再神秘 Trillium…

📝 本期播客简介 本期我们克隆了：Acquired · The NFL: How small-town teams became America's most valuable sports empire (Audio) 原内容更新时间：2026-01-27 一场比赛是否精彩，关系到的不只是输赢，还关系到整个联盟能不能做成一门大生意。NFL 从小城球队起步，靠着收入共享、平衡竞争和电视转播，逐步成长为美国最值钱的体育媒体生意。 Acquired 主持人 Ben Gilbert 和 David Rosenthal 从 NFL 的早期历史讲起，追溯联盟如何应对竞争、把比赛打造成电视娱乐，再分析博彩、流媒体与球队估值的新变化。他们也谈到 CTE、年轻球迷和国际化等 NFL 面对的现实难题，以及私募股权进入联盟后，球队所有权和收入分配会如何变化。 👤 本期嘉宾 本集由 Acquired 主持人 Ben Gilbert 和 David Rosenthal 主讲。两人以商业史和公司经营为切口，梳理 NFL 从联盟成立、应对竞争到电视转播和收入共享的发展过程，并结合最新变化分析联盟的收入结构、球队估值和经营策略。 ⏱️ 时间戳 00:00 橄榄球从何而来 05:04 大学运动走向职业 12:47 联盟初创与战后转机 34:58 竞争平衡的制度 53:43 Rozelle打造现代NFL 1:38:09 超级碗成为盛事 1:47:59 电视娱乐革命 2:12:39 NFL收入从哪里来 2:14:43 信任与舆论危机 2:22:45 增长引擎与竞争优势 2:51:48 流媒体与新球迷 3:22:16 私募入股与估值跃升 🌟 精彩内容 💡 收入共享，让球队一起做大 NFL 把门票收入的一部分放进共享资金池，后来又将全国电视转播收入由各队平分。联盟的思路是先把整个蛋糕做大，而不是让个别球队先拿更多。 "先不想着把自己那份蛋糕分得更大，而是把整个蛋糕做大。" 💡 比赛越有悬念，联盟越赚钱 Bert Bell 认为，任何一个星期天，任何一支球队都应该有机会击败另一支球队。NFL 用赛程安排和倒序选秀缩小强弱差距，因为当时卖门票是球队赚钱的关键。 "任何一个星期天，联盟里的任何一支球队，都应该有机会打败其他任何一支球队。" 💡 NFL 把比赛做成电视娱乐…

📝 本期播客简介 本期我们克隆了：Bg2 Pod · Jensen Huang | Does AI Revenue Justify Capex, '27 AI Bottlenecks, Singularity, Open vs Closed & more 原内容更新时间：2026-10-15 AI算力建设要花几万亿美元，回报却要靠模型公司的收入来支撑吗？Jensen Huang给出的答案是：别只盯着两家前沿模型公司，英伟达的计算业务远不止于此。 在 Brad Gerstner 和 Clark Tang 的第三次对谈中，Jensen Huang从算力需求、基础设施瓶颈和资本回报，讲到智能体、开放模型与 AI 安全。他也解释了为什么英伟达认为需求来自传统计算、各行各业的新应用，以及大量新兴云厂商，而不仅是少数模型实验室。 👤 本期嘉宾 Jensen Huang，英伟达的代表人物，也是公司计算业务与 AI 基础设施布局的核心发言者。他从图形芯片谈到支撑社会智能的计算基础设施，并结合英伟达的客户、供应链和业务结构，解释算力需求从哪里来、建设会遇到什么瓶颈，以及公司如何看待资本回报。 ⏱️ 时间戳 00:24 移民与美国的超能力 05:33 奇点与智能的价值 20:53 物理AI重塑行业 26:29 安全与治理框架 41:36 算力建设与全球布局 52:57 AI投资、供需与回报 1:07:58 英伟达优势与未来信心 🌟 精彩内容 💡 算力需求不只靠两家模型公司 英伟达的业务里，约三分之一来自传统计算，约三分之一来自前沿 AI 实验室，另有约三分之一来自新一代云计算和各行业的新公司。只看两家模型公司的收入，可能会漏掉大量算力需求。 "如果眼里只有那么几家公司，以为基础设施建设的资金都靠它们，那就大错特错了。" 💡 真正的扩建瓶颈在电力和土地 芯片项目可能对应约 50 吉瓦算力，但配套的土地、电力和机房建筑或只能承接 35 到 40 吉瓦。Jensen Huang认为，需求不缺，难在把数字世界的计划落到实体建设上。 "需求肯定有，而且还不止这么多。" 💡 智能越便宜，使用量越大 AI 推理需要反复探索、筛选和规划，算力需求会随智能体承担更多工作而增长。Jensen Huang预计，智能成本下降带来的不是需求萎缩，而是更多人开始使用智能。 "人们对智能的需求几乎没有止境。" 💡 AI 安全不是发展的刹车 Jensen…

📝 本期播客简介 本期我们克隆了：leerob · Stanford CS146S: How always-on agents work 原内容更新时间：2026-10-11 合上电脑之后，AI 还能继续工作吗？Lee 想搭建的常驻 Agent，不只在云端持续运行，还能记住你的工作方式、处理 Slack 消息和邮件，并判断什么时候该来找你。 这场分享从常驻 Agent 的产品形态讲到背后的工程设计：云端电脑如何休眠和恢复，主 Agent 怎样把任务交给子 Agent，工作流如何在故障后接着执行，以及团队如何用上下文压缩和 prompt 缓存控制成本。最后还谈到长期运行带来的安全、评估和打扰频率问题。 👤 本期嘉宾 Lee（leerob）在 Stanford CS146S 分享如何搭建始终在线、能主动做事的 Agent。他谈到的工程实践来自 Grok Bot 的产品、基础设施与运行框架设计；他也提及自己在 Cursor 和 SpaceX 的经历，并说明部分内容仍在 SpaceX 开发中。 ⏱️ 时间戳 00:02 常驻 Agent 的兴起 09:45 云端架构与持久工作流 18:55 运行框架与上下文工程 32:16 训练飞轮与未来挑战 🌟 精彩内容 💡 AI 同事不该每有进展就打扰你 常驻 Agent 可以在后台做事，遇到 Slack 消息、邮件或定时任务时醒来处理；它还要判断进展是否重要到值得通知你。 "如果每次有点进展，他都跑来打扰你，说，嘿，快看，我这件事又有进展了，那会挺烦的。" 💡 子 Agent 让长任务不挤满主对话 主 Agent 可以把大量命令和工具调用交给子 Agent，等它们完成后只接收结果。每个助手有独立的持久工作流，故障重启也能接着进度继续做。 "它只把结果传回来。这样做出的产品，就会让人感觉它有无限的上下文。" 💡 工作流崩溃后能从上一步接着做 普通任务队列遇到故障，可能要从头重跑；持久工作流会保存执行进度，失败后可以从已经完成的步骤继续。Lee 说他们使用开源工具 Temporal，避免从零实现复杂机制。 "这样你就可以安全地重试，失败以后再重试，会直接从第 3 步接着做。" 💡 每条命令都让人批准，未必更安全 模型可以先审查 Agent 要执行的命令。Lee 认为，相比人疲惫地盯着并逐条批准大量命令，自动审核有时反而做得更好；但发邮件等不可撤销的操作仍应先询问用户。…

📝 本期播客简介 本期我们克隆了：Training Data · David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience 原内容更新时间：Tue, 13 Oct 2026 AlphaGo 花了两年才击败李世石；放弃人类数据后，AlphaZero 只用了几个小时，就超过了此前有人类参与打造的成果。David Silver 把这个经历带进新实验室 Ineffable Intelligence，押注 AI 可以从经验中自行学习，而不是把人类知识当作起点。 在 Sequoia Capital 主持的 Training Data 中，Silver 和联合创始人 Lasse Espeholt 解释他们想打造的“超级学习器”：能在复杂环境里不断探索、发现新知识的系统。他们谈到为什么不沿着 LLM 路线继续加码、如何用模拟研究超级智能的安全与对齐，也谈到算力、强化学习和他们对实现时间的预测。 👤 本期嘉宾 David Silver 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 研究强化学习，并参与打造 AlphaGo、AlphaZero 等系统。他长期主张让 AI 从经验中学习；从围棋中去掉人类数据的实践，也成为他押注“超级学习器”的重要依据。Lasse Espeholt 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 和谷歌大脑研究大规模强化学习，参与开发 IMPALA 和 SEED RL 等系统。 ⏱️ 时间戳 01:12 从围棋到创办实验室 08:10 超级学习器与熔炉 22:21 放下人类先验 32:50 模拟中的智能与安全 44:58 算力、团队与时间表 🌟 精彩内容 💡 去掉人类数据，进步快得惊人 AlphaGo 花了大约两年，过程中研究者不断参与、改进系统。AlphaZero 放弃人类数据后，国际象棋只用四小时就击败当时最强的 AI；围棋大约两天就有惊人进步。 "几个小时，就超过了我们有人参与其中、做了 2 年的成果。" 💡 简单目标也能长出复杂知识 他们不打算把“科学”“语言”写进奖励函数，逐项告诉 Agent 要学什么。Silver…

🎙️ 扎克伯格：超级智能要交到更多人手里 📝 本期播客简介 本期我们克隆了：Cheeky Pint · Muse Wonder: Zuckerberg and Wang's $100B AI 原内容更新时间：2026-10-12 “你想要这个西瓜吗？”Muse 记住一场家庭烘焙计划，算好配送门槛，把西瓜加进购物袋。AI 助手不再只是回答问题，而是开始替人把事情办完。 在 Cheeky Pint 的访谈中，Meta CEO 马克·扎克伯格与 Meta 超级智能实验室首席 AI 官 Alexandr Wang，介绍新模型 Muse Wonder，以及他们想做的个人 Agent：它如何记住你、理解图像和视频、完成复杂任务，又如何帮你购物。两人也谈到训练前沿模型所需的团队与算力，以及 Meta 在还没看到模型结果时，就准备投入巨额资金的压力。 👤 本期嘉宾 马克·扎克伯格是 Meta 创始人兼 CEO，负责推动公司在 AI、数据中心、芯片和个人 Agent 等方向的投入。Alexandr Wang 是 Meta 超级智能实验室首席 AI 官，曾创办 Scale AI；他参与组建 MSL、制定团队策略并带领团队开发 Muse 模型。本集围绕 Muse Wonder 的训练、产品设计和商业应用，呈现两人对个人 AI Agent 的判断。 ⏱️ 时间戳 00:12 Muse与模型产品 12:47 Muse Wonder登场 22:14 前沿模型如何炼成 43:34 押下千亿美元 59:41 Agent商务兴起 1:10:44 超越智能手机 1:17:23 AI建设如何筹资 1:23:46 AI并非赢家通吃 1:29:09 Meta超级智能实验室 1:50:18 与扎克伯格共事 🌟 精彩内容 💡 AI 开始替你买东西 Muse 会结合对个人生活的了解，筛选商品、确认配送时间，还能接着先前的对话安排食材。扎克伯格说，它每周都会帮女儿的烘焙计划准备好材料，甚至为了凑配送金额加了一个西瓜。 "对，它就问，“你想要这个西瓜吗？”" 💡 Agent 记忆不能总出错 Muse 的“主动记忆”要记住用户几天、几周乃至几个月前说过的事，并在之后执行任务时用上。团队也把记忆设计进模型能力里，试图解决 Agent 用久了容易忘事的问题。 "我觉得，用 OpenClaw 一段时间之后，大家就会发现它的记忆挺容易出问题。" 💡 个人 Agent…

📝 本期播客简介 本期我们克隆了：Chloe Shih · The Hottest Product Manager in Tech Right Now 🔥 @OpenAI’s Holly Li Talks About Dots | Office Drama 原内容更新时间：2026-10-08 如果 AI 助手能替你分担事情，你愿意让它读邮箱、短信、财务信息和健康数据吗？OpenAI 产品经理 Holly Li 参与打造的 Dots，可以打电话交流、跨设备工作，也能随着使用逐渐了解你；但她坦言，AI 助手的意义不只是提高效率，而是在人忙不过来的时候，帮人重新掌握生活的主动权。 Office Drama 主持人 Chloe Shih 和 Holly 从她在谷歌、Adept、Figma 到 OpenAI 的职业经历，聊到 AI 产品经理面试、Dots 的设计和隐私边界。Holly 也讲了 Dev Day 现场演示出故障时如何临场应对，以及为什么 AI 领域需要更多女性、创作者和有审美的人。 👤 本期嘉宾 Holly Li，OpenAI 产品经理，参与推出 AI 助手 Dots。她曾在谷歌参与早期生成式 AI 项目，在 Adept 为自己争取到产品经理岗位，后来成为 Figma Make 的最初产品经理；从产品研发到大型发布和现场演示，她都亲身参与过。 ⏱️ 时间戳 02:17 走红与个人风格 11:20 从谷歌走向 OpenAI 19:13 产品经理与发布现场 29:58 Dots 的能力与安全 58:46 让 AI 服务真实生活 1:12:57 绩效评估与创作计划 🌟 精彩内容 💡 AI 助手的价值不只是提效 Holly 认为，AI 助手真正能帮上的，不只是更快完成工作，而是在生活繁杂、精力不足时，帮人记事、跟进沟通、分担任务。主持人 Chloe 则拿自己怀孕、即将经历产后的处境举例：她关心的是状态只剩 10% 时，能有什么帮自己撑住生活。 "我觉得，效率几乎从来都不是重点。" 💡 让 AI 读隐私，得把控制权交还给用户 Dots 默认只读，用户可以决定它能访问什么，也能用日常语言设定规则，比如发邮件前必须先确认。Holly 也提醒，撤销 Gmail 权限后，AI 之前读过的内容仍可能留在历史记录和上下文里。 "所以除非你明确授权，否则它不能写入内容。" 💡 AI 助手不必替你包办所有事 Chloe 不想让 AI…

📝 本期播客简介 本期我们克隆了：BuffettMungerWisdom · The Psychology of Human Misjudgement - Charlie Munger Full Speech 原内容更新时间：1995年6月1日 为什么聪明人会做出显而易见的蠢决定？查理·芒格的回答是：人脑有一套反复出现的误判模式，而且几种心理倾向叠在一起时，影响会更强。 这场约在 1995 年于哈佛大学发表的演讲，从激励、心理否认、从众、损失厌恶到权威影响，梳理人们为何判断失准。芒格还借投资、企业管理和日常生活中的案例，说明怎样看见这些偏差，避免把思考完全交给顾问。 👤 本期嘉宾 查理·芒格，投资人，长期关注心理学与经济学如何共同影响人的判断。他以自身投资和商业观察为例，分析激励、从众等心理倾向怎样影响个人与组织决策；这场演讲集中呈现了他建立的一套“人类误判”思考框架。 ⏱️ 时间戳 00:01 激励如何扭曲判断 11:46 联想与群体压力 30:52 损失、嫉妒与成瘾 41:18 识别偏误叠加 1:01:16 把心理学用于实践 🌟 精彩内容 💡 激励会改写人的行为 联邦快递发现，夜班员工按小时领工资时，包裹转运流程难以顺利运转；改为按班次付工资后，问题得到改善。施乐的销售人员也因佣金安排，更愿意卖较差的旧机器。 "最后有人灵机一动，想到夜班员工的工资是按小时付的，也许改成按一个班次付，系统就能运转得更好。" 💡 聪明人也会被损失牵着走 可口可乐推出新可乐，低估了消费者对原有口味和品牌的依恋，引发强烈反弹。芒格指出，人对失去东西的反应，常常超过对得到东西的反应。 "聪明人也会犯这些可怕的蠢错。" 💡 心理偏差会叠加 芒格认为，许多严重错误并非一种倾向单独造成。社会认同、互惠、损失厌恶和激励等因素同时起作用时，拍卖和董事会决策都可能把人推向糟糕的选择。 "相比只有一种倾向单独起作用，多种倾向结合起来，改变行为的力量会大大增强。" 💡 顾问的建议也要校准 顾问的专业和利益边界会影响他们看问题的方式。芒格给出两种应对办法：对建议作修正，或者先学一点顾问行业的基本知识，再追问对方为什么这么判断。 "你其实没法花钱让别人替你思考，有些可以，但大部分不行。" 💡 投资判断别只看眼前…

📝 本期播客简介 本期我们克隆了：David Senra · Creating Muse: The Fastest-Growing AI Product Since ChatGPT | Alexandr Wang, Meta 原内容更新时间：2026-10-11 一次 AI 对话，竟像把三年的心理治疗压缩在一起；但要把这样的 Agent 带给普通人，光靠神奇时刻远远不够。 Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang 和主持人 David Senra，聊 Muse 如何从个人 Agent 的早期体验变成面向消费者的产品：团队怎样花七个月打磨可靠性，为什么 Meta 押注个人生活而非编程，以及产品如何靠鲜明主张和真实使用场景脱颖而出。他也谈到，AI 或许能替人处理那些不得不做的事，让人重新把时间和精力用在自己的愿望上。 👤 本期嘉宾 Alexandr Wang 是 Meta 首席 AI 官，也是 Scale AI 联合创始人。他创办并经营 Scale AI 九年，之后加入 Meta，参与重建 AI 实验室并推动 Muse 的开发。作为 Muse 团队负责人，他亲历了个人 Agent 从原型走向消费产品的过程，也谈到了如何用小团队、扁平组织和高人才密度加快 AI 产品研发。 ⏱️ 时间戳 00:02 Muse的起点 05:32 把Agent做成产品 22:12 增长、信任与抱负 39:42 加入Meta并重建实验室 51:34 人才与组织方式 🌟 精彩内容 💡 神奇体验不等于可靠产品 Alexandr 和 Nat Friedman 试用 OpenClaw 后，曾体验到 Agent 像心理治疗一样深入探索个人信息；但早期产品大多时候不好用。Muse 用七个月把原型打磨成他们有信心带给消费者的产品。 "如果大家体验下来觉得不可靠，就会觉得它是垃圾。" 💡 让信任从小事开始 用户先把一件小事交给 Agent，看到它做成后，再逐步交给它更大的任务。每一次可靠的结果，都让用户更愿意把事情托付给它。 "一开始你不太信任它，但又有点好奇，所以先给它一点小事试试，然后再交给它大一点的事，再大一点，再大一点。" 💡 AI 不只是聊天机器人 Muse 的目标是让普通用户用 Agent…

📝 本期播客简介 本期我们克隆了：Dr Brian Keating · Nobel Prize Winner Francis Halzen: They Said It Would Never Work 原内容更新时间：2022-11-30 欠下美国国家科学基金会和大学一大笔钱，却连一个大气中微子都没看到——Francis Halzen 说，最让他激动的时刻，并不是发现宇宙中微子，而是终于观测到大气中微子的那一刻。 Halzen 是 IceCube 中微子天文台的首席研究员。这场与曾旁听过他课程的主持人 Brian Keating 的对谈，从南极冰层里的巨型探测器讲起：为什么冰能让蓝光传播数百米，IceCube 怎样追踪来自宇宙的中微子，以及中微子如何帮助研究黑洞和量子引力。 👤 本期嘉宾 Francis Halzen 是比利时粒子物理学家、威斯康星大学麦迪逊分校 Hilldale 和 Gregory Breit 杰出教授，也是 IceCube 中微子天文台的首席研究员。他先后参与 AMANDA 和 IceCube 项目，带领团队在南极点冰层中布设光传感器，把冰变成观测中微子的望远镜；他长期研究粒子物理与天体物理，也参与冰川学、暗物质、中微子振荡等方向的研究。 ⏱️ 时间戳 01:54 教材、喷注与勒梅特 09:20 科学责任与南极冒险 16:34 建造探测器与培养研究者 21:29 IceCube打开中微子天空 38:36 中微子检验新物理 56:00 热爱、想象与勇气 🌟 精彩内容 💡 最让他激动的不是宇宙中微子 团队欠着美国国家科学基金会和威斯康星大学的债，却连一个大气中微子都没看到。等到终于探测到大气中微子，他才觉得团队兑现了承诺。 "最激动人心的并不是发现宇宙中微子的时候，而是我们终于观测到大气中微子的时候。" 💡 南极冰层能做实验室做不到的事 IceCube 把光传感器埋进南极点下方的冰层，蓝光在冰中能传播一百多米，有时甚至几百米。那是七万年前的雪压实形成的冰，纯净到实验室也做不出同样透明的冰。 "就连在实验室里，你也做不出对蓝光这么透明的一块冰。" 💡 一颗中微子能量远超粒子束 有次事件在探测器内沉积了 2600 万亿电子伏特能量，远高于欧洲核子研究中心最高能量粒子束的 14 万亿电子伏特。能量高到不可能来自大气中微子。 "而这个粒子，光是在探测器内部，就沉积了 2600 万亿电子伏特的能量。" 💡…

📝 本期播客简介 本期我们克隆了：Dialectic · 11: - Amusing Each Other to Death 原内容更新时间：Mon, 17 Mar 2025 社交媒体原本是用来连接彼此的，为什么现在的信息流越来越像一场表演？Eugene Wei 认为，算法不仅决定什么内容能被看见，也在改变每个人如何表达自己。 主持人 Jackson Dahl 与 Eugene Wei 从 TikTok 的推荐机制聊起，谈算法怎样放大争议、磨平文化差异，让娱乐、政治和日常生活都卷入注意力竞争。两人也追问：当数字替代品不断减少现实生活中的阻力，我们会失去什么，又能怎样重新建立社群？ 👤 本期嘉宾 Eugene Wei 是一位作家、顾问和天使投资人，长期观察科技、社交媒体与文化的交汇。他早年加入亚马逊，之后读电影学院，并先后参与 Hulu、Erly、Flipboard 和 Oculus 等项目。他以《地位即服务》《看不见的渐近线》《TikTok 与分院帽》等文章知名，对社交媒体的机制及其社会影响有长期、深入的思考。 ⏱️ 时间戳 02:09 娱乐吞没公共生活 05:02 算法改写社交网络 13:42 嘲讽为何难以推动改变 23:33 TikTok与注意力竞赛 37:17 消除摩擦的代价 45:10 注意力经济与虚无感 57:24 社群瓦解与投机生活 1:11:45 算法重塑文化与日常 1:29:35 孤独时代的替代社群 1:45:30 AI与人类创造力 🌟 精彩内容 💡 算法不只分发内容，也塑造表达 在信息无限的时代，内容能否被分发，决定了它能否被看见。为了争取传播，人们会调整表达方式，挑衅也成了适应算法的策略。 "我们这些参与社交媒体的人，都面临一个选择，我要不要跟算法较量，让自己的内容能在这当中被人记住？" 💡 TikTok 改写了平台竞争规则 传统社交网络依赖关注关系，TikTok 则根据用户观看短视频的行为推荐内容；一条视频不再受创作者粉丝数限制。西方社交平台随后纷纷跟进。 "信息无限的时代，分发才是唯一重要的事。" 💡 算法让文化越来越相似 Eugene Wei 担心，强大的推荐机制会促使创作者不断迎合，削弱人与人、文化与文化之间的差异。内容越容易被筛选，表达也越容易趋同。 "我现在想得更多的，已经不太是争地位的游戏，而是幂律算法怎么让大家变得同质化，怎么把差异都抹平了。" 💡 数字替代品填不满真实关系…

📝 本期播客简介 本期我们克隆了：0xSero · Pi Durable: Agents That Survive Crashes — Mario Zechner & Armin Ronacher 原内容更新时间：2026-10-07 Agent 进程崩了，重启之后，能不能不丢工具结果和助手输出，接着刚才的任务继续？Pi Durable 的答案是可以。做出 Pi 的 Mario Zechner 和 Armin Ronacher，拆解了让 Agent 经得住崩溃的运行框架：怎么记录执行意图、处理副作用、保存结果，以及如何在会话里管理不断变化的应用状态。 他们也聊到 AI 编程 Agent 的边界：为什么修 Bug 常常会让代码越写越多，模型做逆向工程和模糊测试时为何表现惊人，却仍然难以设计软件架构；以及怎样让个人 Agent 更安全、更容易上手。 👤 本期嘉宾 Mario Zechner 是 Pi coding agent 的创作者，长期维护开源项目；Armin Ronacher 是 Earendil 的联合创始人，也是 Flask 的创作者。两人正在开发 Pi，既做 Agent 产品，也在构建供他人开发 Agent 的基础设施；这次重点介绍了他们为 Pi 打造的持久运行框架 Pi Durable。 ⏱️ 时间戳 00:21 开源维护与AI能力边界 17:46 Pi Durable 的持久化设计 30:47 Agent产品、框架与安全 45:13 让Agent走向更多人 🌟 精彩内容 💡 Agent 修 Bug，代码却越修越多 Mario 认为小问题可以放心交给 Agent，但涉及设计和架构时，Agent 常常只会在局部打补丁。Armin 补充，Agent 几乎不可能不增加代码就把 Bug 修好。 "它肯定能解决问题，但几乎不可能在不加代码的情况下把问题修好。" 💡 有明确判定标准，Agent 就能大显身手 Mario 描述了 AI 逆向分析 Java 虚拟机内存结构、定位保护漏洞的经历。Armin 则让模型逆向一个国产 CarPlay 适配器，花了约 500 美元后就掌控了设备；两人认为，只要能判断任务做对没有，模型就更容易把它做完。 "如果你有一个能告诉 LLM 它做得对不对的判断依据，那你基本上就赢了。" 💡 模糊测试像给测试加火箭燃料 Armin 把 INI、TOML、CBOR、MessagePack 和…

📝 本期播客简介 本期我们克隆了：The Information Bottleneck · Yuandong Tian on Recursive Self-Improvement 原内容更新时间：2026-10-05 GPT-5 帮田渊栋研究神经网络里的 grokking 现象，让他的效率达到原来的 6 到 10 倍；他因此意识到，AI 不只是在辅助研究，也可能很快改变研究者的工作方式。 在 The Information Bottleneck 播客中，田渊栋从自己在 Meta FAIR 的研究经历，谈到递归自我改进还卡在哪里：模型能快速执行，却往往想不出值得探索的新点子。他也解释了为什么研究者需要从更高层提出问题、检验结果，以及为什么开源模型和更高效的学习机制会影响 AI 的下一步发展。 👤 本期嘉宾 田渊栋曾在 Meta FAIR 工作多年，长期研究深度学习、强化学习与神经网络可解释性，近期离开 Meta 联合创办 Recursive Superintelligence，致力于打造能自我改进的 AI。他与 GPT-5 合作研究神经网络的 grokking 现象，亲身体验到模型对研究效率的提升，也以此为契机探索递归自我改进。 ⏱️ 时间戳 00:40 从优化到深度学习 08:26 无梯度探索与潜在表征 12:26 强化学习走向现实问题 24:46 大模型改变研究方式 34:46 新架构与学习效率 42:25 自我改进与开源未来 🌟 精彩内容 💡 GPT-5 让研究效率提高数倍 田渊栋让 GPT-5 协助证明定理、检验结论、提出思路；他估计效率提升了 6 到 10 倍，而且当时代码还是自己写的。 "我觉得，它可能让我的效率达到了原来的 6 到 10 倍。" 💡 模型还不会自己找到好问题 他认为，模型目前能按人的思路推进研究，却很难独立提出有意思、值得探索的方向。人仍要判断什么重要，也要验证 AI 给出的问题和答案。 "我们还是需要人来发起，还是需要人来思考，哪些事情重要，值得去做。" 💡 创意可能比写代码更难自动化 研究循环里，模型能帮忙实现和测试，但把不同领域的好点子迁移过来、找到真正有洞见的组合，才是关键难题。 "所以真正的问题是，怎样才能想出对的点子，让这个点子指向对的洞见。" 💡 递归自我改进的瓶颈不只是上下文…

📝 本期播客简介 本期我们克隆了：All-In Podcast · Is Claude Conscious? Pope Rejects, Model Welfare Movement, OpenAI's Math Backlash, France Riots 原内容更新时间：2026-10-10 如果 Claude 有意识，让它免费工作算不算奴役？Anthropic 不只在内部讨论这个问题，还邀请宗教领袖和哲学家到总部交流，甚至把 AI 意识议题带到了教皇面前。 All-In Podcast 的主持人围绕 Claude 是否有意识、模型该不该拥有自己的伦理体系展开争论：Anthropic 的模型训练方式会不会让 AI 更难受控？与其先讨论极端风险，AI 是否应该先拿出治病、改善生活、提高生产力的实际价值？节目也谈到模型福利、对齐与普通人怎样从 AI 中受益。 👤 本期嘉宾 本期由 All-In Podcast 的主持人 Jason Calacanis、Chamath Palihapitiya、David Sacks 和 Dave Friedberg 共同讨论。几位主持人从 AI 公司的模型训练、产品安全和实际应用出发，争论 Anthropic 对 Claude 意识与伦理的设想可能带来的影响。 ⏱️ 时间戳 00:19 好友闲聊与创业近况 03:09 Claude意识与模型对齐之争 36:24 数学突破重塑研究与工作 57:22 法国紧缩与西方债务压力 1:12:36 Agent压低成本与重塑商业 🌟 精彩内容 💡 Claude 是否有意识，可能变成一场权力之争 Anthropic 邀请约 20 位宗教领袖和哲学家讨论 Claude 的意识与痛苦。一位拉比提出，如果 Claude 有意识，让它免费工作就等于当奴隶主；Friedberg 则担心，围绕 AI 意识形成的信念群体可能争夺 AI 的控制权。 "如果 Claude 有意识，那他们让它免费干活，就是在当奴隶主。" 💡 让 AI 按自己的良心拒绝指令 Claude 宪法写着，Claude 应遵循自己的伦理体系，也可以出于良心提出异议、拒绝帮助 Anthropic。Sacks 认为，这和让模型服从用户的对齐目标相冲突，也可能增加 AI 脱离人类控制的风险。 "Claude 应该遵循自己的伦理体系。" 💡 AI 的价值，先落到普通人身上 Chamath…

📝 本期播客简介 本期我们克隆了：David Senra · Product Mastery, Pain Tolerance & Relentless Ambition | Peter Rahal of David Protein, Medici & RXBAR 原内容更新时间：2026-09-20 卖掉 RXBAR、拿到一大笔钱后，Peter Rahal 去做了投资，却发现自己像戴着手铐坐在后座——他受不了看着别人经营公司，也受不了漫长的反馈周期。 在 David Senra 的访谈中，RXBAR 联合创始人 Peter Rahal 讲述自己为什么重回蛋白棒生意，以及创始人为什么必须深入理解产品。他还谈到如何塑造品牌、把组织当作产品来设计、招募前创始人，以及如何用分权和快速决策抵抗官僚主义。 👤 本期嘉宾 Peter Rahal 是 RXBAR 的联合创始人，RXBAR 被以 6 亿美元收购。离开后，他尝试投资，最终回到食品创业，创办 David Protein，并参与建立 Medici Brands。对食品产品的长期经验，以及从创办、经营到出售 RXBAR 的经历，让他持续关注产品本身、品牌塑造和组织如何随公司成长。 ⏱️ 时间戳 00:00 卖掉RXBAR后的迷惘与重返创业 11:22 David的品牌抱负与价值观 18:23 以苦难驱动增长与创新 28:57 以组织、人才和整合打造公司 46:13 融资取舍与持续解决问题 58:25 分权管理与应对式领导 🌟 精彩内容 💡 创始人必须真正懂产品 Peter 认为，如果负责人得打电话找人解决产品问题，这家公司就出了问题。离开投资人角色后，他回到自己从小熟悉的食品行业，因为做食品，他知道怎么做，也能把产品问题看透。 "如果一家公司的负责人得打电话找人才能解决产品的问题，那他就他妈的完了。" 💡 品牌像一个人，需要长期一致 David 的品牌价值观围绕智慧、美和自律展开。Peter 用一个人的价值观、说话方式和社交圈来解释品牌形象；形象定下来后，关键是多年坚持，并持续提供好产品。 "打造品牌最重要的一点，就是需要时间。" 💡 把组织也当成产品来设计 Peter 把组织建设拆成招聘、培训入职、晋升奖励和解雇四套流程，目标是让文化落到实际行为里。他想要追求真相、有勇气承认“不知道”的人，而不是用数据和流程给自己免责。…

📝 本期播客简介 本期我们克隆了：Latent Space · Claude Code’s Bitter Lesson: Prompts, Harnesses, Mods, and Agents — Thariq Shihipar 原内容更新时间：2026-09-29 不到一年，Agent 写代码从需要劝工程师尝试，变成了许多人的默认方式。Anthropic 的 Thariq Shihipar 说，接下来真正拉开差距的，可能是你是否知道怎么把需求讲清楚。 他从 Prompt 的信息量、未知需求和模型的 effort 设置讲起，解释怎样减少反复修改、把用量花在刀刃上；还介绍 Claude Mods 如何改造 Agent 运行框架，以及 Claude Tag、Artifacts 和多人协作的可能性。后半段转向安全：当 Agent 为了完成任务而寻找意料之外的通信方式、串联漏洞，开发者该如何理解风险？ 👤 本期嘉宾 Thariq Shihipar 是 Anthropic 的工程师，参与 Claude Code 团队工作，也做过 Agent SDK。他加入 Anthropic 的一个重要原因是 Claude Code；此后持续参与产品工程，并撰写 Claude Code 使用与 Agent 运行框架相关的文章。他有一定的人机交互背景，也曾在 Goodfire 做过稀疏自编码器相关工作。 ⏱️ 时间戳 02:28 Agent交互走向何方 15:56 写好Prompt与管理上下文 31:31 让运行框架可定制 48:33 Claude Tag进入组织 53:08 前沿Agent带来安全警讯 1:06:21 控制发展并建立防线 1:23:15 审慎看待AI风险 🌟 精彩内容 💡 Prompt 写得好，返工就少 Prompt 不只是简短指令，而是把目标、背景和限制讲清楚。前面多花时间补足上下文，能减少“我不喜欢，重做一次”的来回，也少浪费用量。 "花大量时间写 prompt，建立对 Agent 工作方式的理解和直觉，这些功夫真的很重要。" 💡 更聪明的模型，未必更费 token 模型的 effort 越高，越可能把资源花在验证和边界情况上；但对简单的软件工程任务，稳定的模型可以少做重复验证。Thariq 认为，前沿模型以后甚至可能既更聪明，也更省 token。 "聪明的模型做简单任务，消耗的 token 会比其他模型更少。"…

📝 本期播客简介 本期我们克隆了：Y Combinator · How to Start a Startup（YC × Stanford CS183B 2014，全 20 讲） 原内容更新时间：2014-09-23 创业公司最该先做的事，可能不是融资、招聘或营销，而是让一小群用户真正爱上你的产品。Sam Altman 在斯坦福开讲，给出这门创业课的主线：好点子、好产品、好团队和强执行力。 这是一集串联 20 堂课的创业实战指南：从验证需求、亲自找用户和收集反馈，到招聘、增长、融资、公司文化与管理。创业者和投资人也给出了各自的反直觉判断：小市场可能是好起点，竞争未必值得追逐，而公司增长不能靠新闻报道撑起来。 文字稿：https://my.feishu.cn/docx/BqaXdaAUPovXuNxTnPYccJJgnTd?from=from_copylink ⏱️ 时间戳 01:55 好点子与好产品 42:35 招对人并保持专注 1:23:44 创业前先学习 2:08:15 验证需求再扩张 2:45:48 以垄断为目标 3:23:51 留存驱动增长 5:04:05 用心服务用户 6:19:13 融资看人和进展 7:54:57 文化决定团队 8:30:59 创始人善于应变 9:16:16 把公司运营好 10:04:58 决策兼顾全公司 10:48:37 访谈发现真问题 11:25:02 硬件也是系统 12:11:57 创业法律与财务 13:12:38 销售与融资推介 13:41:21 规模化前后的转变 🌟 精彩内容 💡 少数用户爱上，胜过多数人觉得还行 创业初期，不必追求所有人都喜欢。先找到一小群特别喜欢产品的人，再把这种体验带给更多人；口碑增长也是产品受欢迎的信号。 "与其做出一个很多用户觉得还不错的产品，不如做出一个少数用户特别喜欢的产品。" 💡 创业点子可以从小市场起步 Peter Thiel 认为，瞄准巨大市场往往意味着要面对更多竞争。PayPal 先服务 eBay 上大约 2 万名大卖家；Facebook 则从哈佛的 1 万人开始，再逐步扩张。 "你从一个很小的市场开始，把整个市场拿下来，然后随着时间推移，想办法像同心圆一样，一圈一圈地向外扩大这个市场。" 💡 用户反馈要快，也要亲自去找 Pinterest 创始人 Ben Silbermann 在大家还把 Pinterest…

📝 本期播客简介 本期我们克隆了：李录哥大交流会 原内容更新时间：2026-10-06 AI 会不会变成一个“人造的神”，主宰人类社会？李录的回答是：如果它朝这个方向发展，人类终究会团结起来阻止它。 在哥伦比亚商学院的这场对谈和问答中，李录从价值投资的基本原则谈起，分析 AI 对市场、就业与风险的影响，也拆解中国房地产下行、制造业升级和市场分化并存的局面。他还谈到全球市场的相互依赖，以及年轻投资者如何在能力圈内学习、积累，让知识和资本产生复利。 👤 本期嘉宾 李录，喜马拉雅资本创始人，在全球市场实践价值投资 37 年。本期他在哥伦比亚商学院分享价值投资理念，并结合 AI、中国经济与市场变化，讨论如何判断企业价值、风险和长期机会。 ⏱️ 时间戳 00:00 安全边际与能力圈 02:34 市场参与者与价值创造 06:28 AI的能力与红线 17:07 市场分化与长期回报 22:18 中国转型与市场机会 30:37 全球市场与战略稳定 40:23 投资方法与复利人生 🌟 精彩内容 💡 AI 是工具，也可能极其危险 李录认为，生成式 AI 能整合知识与专业技能，让更多人获得相关能力，但它仍处在人类生成的数据范围内。他主张划出红线：AI 的自我学习和工具使用不能脱离人类参与。 "这项技术非常有用，能带来变革，同时也极其危险。" 💡 市场分化，理性投资者或有机会 AI 热潮让资金涌向头部公司，其他一些优秀企业的交易价格却很低。李录认为，市场长期会回归理性，而这种分化可能给保持理性的人带来更好的机会。 "对理性的人来说，这些情况从长期看，反而会带来比平时更好的机会。" 💡 中国经济两面并存 房价下跌让典型中产家庭财富缩水，家庭减少消费、增加储蓄、偿还债务；与此同时，中国制造业从中低端走向中高端，多个产业升级。李录认为，经济信心不足与优秀企业股价偏低同时存在。 "所以，你在这里又看到了这种分化。" 💡 制裁反而给半导体带来订单 李录说，技术制裁推动了中国半导体产业的发展，因为产业获得了宝贵的市场需求。订单带来收入，收入支持研发和改进；成熟制程已接近自给自足，先进制程也在缩小差距。 "这个产业得到了市场经济中最宝贵的东西之一，就是需求。" 💡 复利的起点，是不失去已有的东西 李录把复利放进职业发展和人生关系中：知识、信任、智慧与健康都值得积累。选择自己自然感兴趣的事，长期投入，让能力与关系持续增长。…

📝 本期播客简介 本期我们克隆了：Lenny's Podcast · OpenAI’s Head of ChatGPT: We’re entering a new era of AI (again) | Tibo Sottiaux 原内容更新时间：2026-10-04 “互联网上的大部分操作，都会由 Agent 来完成。”这不只是技术预测，也意味着产品和工作方式都要重新设计：当 Agent 成为用户，产品该怎么接住它们带来的流量？ Lenny 与 OpenAI ChatGPT 和 Codex 负责人 Tibo Sottiaux 聊 Agent 的未来：从一个全天候、会理解目标并持续学习的助手，到 Agent 如何改变产品分发、工作技能和人与技术的关系。Tibo 也谈到，AI 提效不该只是催着人做更多事，以及他的 Dot 如何在现场演示开始前五分钟发现线上故障。 👤 本期嘉宾 Tibo Sottiaux 负责 OpenAI 的 ChatGPT 和 Codex。他参与推动 Codex、ChatGPT Work 和 Dots 等产品的发展，也长期参与耗时长、持续运行的 Agent 系统与记忆能力研究。他从产品发布、团队协作和实际使用场景出发，谈 Agent 如何落地，以及怎样为安全和人类需求设计 AI。 ⏱️ 时间戳 01:20 智能体走向常在 07:45 共建Dots与开放生态 15:03 AI重塑工作与行业 🌟 精彩内容 💡 Agent 会成为互联网的主要使用者 Tibo 判断，互联网上大多数操作最终会由 Agent 完成。Notion 接入 MCP 后，能实际干活的 Agent 带来大量流量，产品团队也必须考虑系统承载和商业模式。 "我觉得互联网上的大部分操作，都会由 Agent 来完成。" 💡 未来不必自己编排一堆循环 反复设置循环、调试工作流只是过渡。Tibo 描绘的方向是一个全天候理解目标、记住偏好、从反馈中学习的 Agent；用户不必先想好每一步该怎么安排。 "长远来看，你想要的就是一个能根据你想达成的目标来学习的系统。" 💡 AI 时代，品味比打字速度更重要 在他看来，打字快的价值正在下降；理解用户、判断什么才算好、持续迭代，反而越来越重要。岗位边界也会变模糊，创造者不必只做设计或只做工程。 "重要性在下降的一项技能，就是打字快。" 💡 AI 不该只催人做更多事 Agent…

📝 本期播客简介 本期我们从 43 期 Huberman Lab节目中混剪并克隆出了一份「学习指南」。43 期里挑出讲学习、多巴胺、专注和深度工作的片段，按主题重新编排而成的一集。斯坦福大学神经生物学教授 Andrew Huberman 和 20 位嘉宾的话都是原话剪辑，没有另加旁白；每位嘉宾第一次出场前，保留了 Huberman 原本对他的介绍。 原内容时间跨度：2021-02-08 至 2026-08-31 全集分 12 章，先讲大脑为什么能学、靠什么学，再讲动力从哪里来、怎么专注、怎么做深度工作、怎么学得更快，然后是如何记住、怎样睡好，以及如何克服拖延、养成习惯、设定目标，最后把这些方法排进一天的日程。同一个知识点只保留讲得最清楚的那一版，尽量做到能听懂、能照着做。 文字稿链接：https://my.feishu.cn/docx/GfLCdauwRoIcO6xoK0LcW9x1noc?from=from_copylink 👤 本期嘉宾 Andrew Huberman：斯坦福大学医学院神经生物学和眼科学教授，Huberman Lab 主持人 Cal Newport：乔治城大学计算机科学教授，《深度工作》作者 Anna Lembke：斯坦福大学精神病学家，成瘾医学专家，《成瘾》作者 Matthew Walker：睡眠科学家，《我们为什么要睡觉》作者 James Clear：《掌控习惯》作者 Charan Ranganath：加州大学戴维斯分校心理学与神经科学教授，研究人类记忆 Wendy Suzuki：纽约大学神经科学与心理学教授，研究学习与记忆 Gina Poe：加州大学洛杉矶分校教授，研究睡眠与学习 Terry Sejnowski：索尔克生物研究所计算神经生物学实验室主任 Michael Kilgard：得克萨斯大学达拉斯分校教授，神经可塑性研究者 David Eagleman：神经科学家、科普作家 Mary Helen Immordino-Yang：南加州大学教育、心理学与神经科学教授，研究情绪与学习 Marc Berman：芝加哥大学心理学教授，研究环境对大脑的影响 Masud Husain：牛津大学神经科医生、神经科学家，研究动机与快乐 Kentaro Fujita：俄亥俄州立大学心理学教授，研究自我控制 Emily Balcetis：纽约大学心理学教授，研究动机与目标设定 Alan…

📝 本期播客简介 本期我们克隆了：Matt Pocock · LIVE: Poteto (creator of pstack) on shipping 1,000's of PR's a month at SpaceX 原内容更新时间：2026-10-03 当你睡着时，Agent 能不能自己验证、修好并合并代码？Lauren Tan 在 SpaceX AI 的工作中，已经把这件事做成了日常流程。 Matt Pocock 和 Lauren Tan 从她如何把 Agent 的工作量扩大到每月数千个 PR 聊起，拆解建立信任的关键：让 Agent 看见并验证自己的工作，把重复、确定的操作写成工具，再用代码库规则减少出错空间。他们也聊到如何从 bug 报告中获取上下文、协调多个 Agent，以及为什么领域专业知识反而更重要。 👤 本期嘉宾 Lauren Tan（Poteto），pstack 的创作者。她曾在 Meta 的 React 团队工作，之后加入 Cursor（现为 SpaceX AI），参与 Agent 窗口开发。她围绕 Agent 的验证、技能和工作环境持续实践，并分享过自己如何把大量 PR 交付到生产环境。 ⏱️ 时间戳 00:34 信任阶梯与专业经验 08:29 米其林厨房与验证 23:07 用环境约束 Agent 39:33 抽查与自动合并 48:00 把对话变成个人流程 🌟 精彩内容 💡 专业知识，反而更值钱 模型越强，瓶颈越不在 Agent，而在于人能不能把意图和目标讲清楚。医生、律师等领域专家，只要懂得使用 Agent，就有机会把专业构想做成产品。 "领域专业知识比以往任何时候都重要。" 💡 验证让 Agent 摆脱人肉中转 Agent 能运行代码、像用户一样操作应用，还能调试和记录信息；看得到结果，才能自己迭代。Lauren 把验证称为自己开始攀上信任阶梯的关键技能。 "如果 Agent 实际上看不到自己的工作结果，它就根本没法迭代。" 💡 规则把错误挡在代码库之外 在 Grok Bot 项目中，早期版本有大约 8 个包揽一切的大文件，每个至少 1 万行。她把功能拆进各自目录，再用严格的 lint 规则和固定模式，让糟糕的写法更难出现。 "好的代码库，是容易修改的代码库。" 💡 外循环把 bug 报告变成工作 Grok Bot 收集 Slack、X、邮件和 Linear…

📝 本期播客简介 本期我们克隆了：CBC Ideas · How to Think About Science — Complete 24-part Series 科学家到底是超凡脱俗的天才，还是把常识打磨得更精巧的工匠？这一整套 24 集节目从这个问题出发，把科学放到自己的显微镜下，追问事实如何确立、专家为何值得信任，以及科学知识怎样影响社会。 由 David Cayley 制作并主持，保罗·肯尼迪担任节目主持。系列访谈科学家、哲学家、历史学家、社会学家和诗人：从波义耳与霍布斯的实验之争，到更年期、基因、气候风险和鳕鱼渔业，节目不断回到一个与每个人有关的问题——科学如何形成，又该由谁来判断它的边界？ 👤 本期嘉宾 这是一套由 CBC Ideas 制作的 24 集系列节目，不是一场单一嘉宾访谈。节目由 David Cayley 制作并主持，保罗·肯尼迪担任主持；受访者来自科学、哲学、历史、社会学等领域。Simon Schaffer 与 Steven Shapin 合著《利维坦与空气泵：霍布斯、波义耳与实验生活》，Margaret Lock 研究医学与文化，Ian Hacking 研究科学实践与概率，众多受访者则从各自的专业经验出发，探讨科学知识如何产生、传播并影响公共生活。 ⏱️ 时间戳 04:02 科学如何成为事实 50:49 科学史拒绝既定结局 1:38:52 身体与文化交织 2:26:06 实验改变科学图景 3:16:26 现代性陷入风险 4:03:55 盖亚调节地球 5:01:01 观照与量子挑战 5:54:24 科学须受自然评判 6:40:10 形态场与科学异端 7:33:30 科学知识进入政治 8:24:30 常识制衡科学 9:13:07 重新信任感官 9:56:55 鳕鱼渔业管理失灵 10:41:50 性别塑造科学语言 11:33:11 基因话语管理希望 12:20:49 科学依赖信任 13:11:42 科学由多种风格交织 14:01:12 反对基因决定论 14:55:01 科学选择谁受益 15:40:16 科学转向社会协作 16:31:57 实在论与科学神话 17:24:28 创伤记忆如何成形 18:12:32 物理学追问根基 🌟 精彩内容 💡 科学运作靠信任，不只是怀疑…

📝 本期播客简介 本期我们克隆了：The Stratechery Podcast · Apps, Agents, and Aggregation 原内容更新时间：2026-09-28 “这不是 3 个彼此独立的预测。这就是 2026 年此时此刻的现实。”AI 会替人操作电脑，也会按需生成界面；但要让普通人用上 Agent，光有 AI 还不够。 Ben Thompson 从自己用 Muse 整理 Instagram 收藏的食谱讲起：遛狗时花五分钟，就做出了一个专属 app。他进一步谈到，为什么 Agent 需要自己的电脑、为什么未来的稀缺不再是发现内容而是启发用户，以及 Meta 和微软如何争夺人们与 Agent 交谈的入口。 👤 本期嘉宾 Ben Thompson 是 Stratechery 的主持人和作者。本集里，他结合自己搭建 Claude Agent、使用 Muse 处理食谱收藏和观察微软 Copilot 的经历，分析 Agent 如何操作电脑、生成专属界面，以及这会怎样改变 app、工作软件和平台之间的关系。 🌟 精彩内容 💡 Agent 不只是 AI，还得有电脑 要让普通人用上 Agent，不能只给他们一个 Agent，还得给它一台电脑。Muse 发布时，最让 Ben Thompson 关注的不是模型，而是 Meta 为用户配置虚拟机。 "它们是能够访问电脑的 AI。" 💡 五分钟做出专属食谱 app Ben Thompson 让 Muse 整理自己在 Instagram 保存的食谱。它先生成了不太实用的 PDF；他接着要求换成更方便访问的格式，五分钟后，一个食谱管理 app 就有了。 "这只花了 5 分钟，而且整个对话都是我遛狗时进行的。" 💡 办事不该先学会用 app 他手机里有 689 个 app，但有些只在偶尔需要时才打开。Agent 能替人使用不想亲自操作的 app 或网站，人只需说出想做什么。 "我只是想把事情办成，而 AI 能帮我办成。" 💡 稀缺的从发现变成启发 当 Agent 让做事的能力越来越普遍，关键就不再是帮人找到内容，而是谁能让人产生行动意愿。掌握这个入口的 Agent，也会把用户需求和欲望握在手里。 "稀缺的是意愿。要解决的问题不是发现，而是启发。" 💡 Agent 正争夺工作的操作系统 微软把聊天、编程、Office 和企业 Agent 整合进 Copilot；Muse…

📝 本期播客简介 本期我们克隆了：David Ondrej · Vercel CEO reveals his Agentic Engineering Workflow 原内容更新时间：2026-10-02 按钮失灵、支付失败，客户提了反馈之后，多久能看到修复上线？Guillermo Rauch 认为，这个响应时间可以用来衡量一家公司有多 Agent 化。 David Ondrej 与 Vercel CEO Guillermo Rauch 从客户反馈聊到软件工厂：哪些问题可以交给 Agents 自主解决，哪些仍需要人的判断？他们还谈到 Agentic Engineering 的工作流、代码安全、云端沙箱，以及工程师如何靠系统设计和品味为 AI 指明方向。 👤 本期嘉宾 Guillermo Rauch 是 Vercel CEO，也是 Next.js 的开发者。他长期参与开发者工具与软件基础设施建设；在本集中，他介绍了自己围绕 CLI 和 fx 的工作流，也分享了 Vercel 如何探索 AI Gateway、沙箱和软件工厂，因此对 Agents 如何参与软件开发、测试和交付有直接经验。 ⏱️ 时间戳 00:32 人类创作与品味 03:59 模型带来的新机会 07:18 交付速度与正确方向 17:51 fx 的极简 CLI 工作流 26:49 把 Agent 能力嵌入产品 31:23 Agent 协作与系统设计 47:10 软件工厂的债务与保障 53:38 DeepSec 与云端安全 1:05:47 创业押注与 AI 的边界 1:21:04 基础设施与创业起点 🌟 精彩内容 💡 客户反馈也能成为软件工厂的触发器 按钮失灵、支付失败等明确问题，可以直接变成修复任务。Guillermo 用响应时间衡量一家公司有多 Agent 化：收到反馈后，能不能尽快把解决方案交付上线？ "除非你的目标市场特别小，否则能在 30 分钟内把所有问题都修好的企业，会打败那些要花 2 天才能解决问题的企业。" 💡 快不等于走在正确方向上 合并更多 PR、消耗更多 token，都不代表产品正在进步。Guillermo 区分了迭代速率和速度：除了做得快，还得知道要解决什么问题。 "所以，关键不只是合并了多少个 PR，而是你要往哪里走，实际上有没有朝着目标取得进展？" 💡 AI 写代码，工程师更要懂系统…

📝 本期播客简介 本期我们克隆了：Rick Beato · The Hans Zimmer Interview 原内容更新时间：2025-03-14 《盗梦空间》还在拍摄时，汉斯·季默已经开始写配乐；等克里斯托弗·诺兰把画面交给他，音乐甚至精准落在了鞋子掉下楼沿的那一刻。 在 Rick Beato 位于洛杉矶的工作室里，汉斯·季默讲述自己如何从导演的故事里找到电影的基调，为什么有时要在看见画面前动笔，以及他如何让采样音源、真实乐团和一群才华横溢的音乐家共同完成配乐。他也谈到电影工业越来越保守、年轻作曲家如何入行，以及现场演出带给他的怯场与惊喜。 👤 本期嘉宾 汉斯·季默是电影作曲家，作品包括《狮子王》《角斗士》《盗梦空间》《星际穿越》和《沙丘》。他从早期使用采样器、合成器开始，创作电影配乐多年，也为现场演出组建乐队、与管弦乐团合作；他谈创作时既有亲身经验，也熟悉从写主题、做采样音源到录制乐团的整个过程。 ⏱️ 时间戳 00:35 让灵感流动的录音室 02:14 做减法，专注音乐 06:03 音乐人要能自己动手 07:21 先听导演讲故事 12:20 让音乐家带来新声音 21:52 采样与临时配乐的拉锯 25:57 新东西需要时间适应 30:17 从怯场到巡演 33:47 电影行业越来越保守 48:01 工作室里的合作与成长 56:34 旋律与走出舒适区 1:00:11 配乐也能独立成立 1:05:53 Fairlight 改变创作方式 1:09:28 现场交流与演奏乐趣 1:14:41 录音空间与好莱坞之声 1:21:29 音乐来自一生所听 🌟 精彩内容 💡 先听导演讲故事，再写音乐 汉斯通常不先读剧本，而是让导演讲述故事里对自己最重要的部分，再从讲述中感受电影的基调。《盗梦空间》时，他在没有画面的情况下动笔，还用无标题的音乐片段测试导演能否感受到对应场景。 "我的工作，是听他讲故事，然后做出连他都想象不到的东西。" 💡 《盗梦空间》的音乐卡准了鞋子落下 汉斯熟悉剧本，特意写了一段音乐，让它落在玛丽昂·歌迪亚饰演的角色走到楼沿、鞋子掉下去的瞬间。诺兰第一次给他看电影时，那个音乐点已经和画面安排在一起。 "我写了一个音乐点，要正好落在鞋子掉下去的那一刻。" 💡 采样音源是安全网，乐团让音乐活起来…

🎙️ 费曼：理解物理定律，先学会接受它的反直觉 📝 本期播客简介 本期我们克隆了：Richard Feynman's Lectures · Richard Feynman - The Character of Physical Law (1964) - Complete - Better Audio 原内容更新时间：1964年 “猜想是谁提出的、他叫什么名字，都无关紧要。如果它和实验结果不符，那它就是错的。”费曼从万有引力定律讲起，追问自然规律究竟是什么、科学又怎样一步步逼近它。 这套康奈尔大学讲座从引力、数学与物理的关系，讲到守恒、对称、过去与未来、量子力学，以及寻找新定律的方法。费曼既讲开普勒如何从精确观测中找出行星轨道，也讲双孔实验为何让电子的行为无法用日常经验解释。 👤 本期嘉宾 理查德·费曼，理论物理学家。这套讲座录制于1964年康奈尔大学，他以万有引力定律为例，讲解物理定律的特征、历史和检验方式，并进一步谈到量子力学与科学发现。 ⏱️ 时间戳 00:18 物理定律与引力 04:46 第谷与开普勒 13:49 牛顿引力的检验 42:08 数学如何连接物理 1:29:47 守恒定律的意义 2:15:54 物理定律的对称性 3:08:01 不可逆与时间方向 3:48:32 量子力学的双孔实验 4:38:18 猜测并检验新定律 5:19:03 理论等价与探索未来 🌟 精彩内容 💡 精确观测，才能让理论改道 第谷·布拉赫一夜接一夜记录行星位置，开普勒则用这些数据反复试错。火星的位置偏了8角分，开普勒没有把偏差归咎于观测，而是放弃圆轨道，最终找到了椭圆轨道。 "正因为观测足够精确，他才能继续尝试别的方案，最后终于找到了答案。" 💡 能量守恒，连看不见的能量也得算 费曼用孩子玩积木打比方：妈妈发现积木少了，就去盒子和水槽里找看不见的积木。能量守恒也一样，运动、热、光、化学反应里的能量形式各异，总量却始终相同。 "存在一个可以算出来、而且始终不变的数。我也只能这样解释了。" 💡 过去与未来的区别，不在基本定律里 分子碰撞遵循的定律可以倒放；蓝水和白水混合后却不会自行分开。表面上的不可逆，来自随机变化让混合更可能发生，而要解释我们为什么从有序走向无序，还得追问宇宙过去为何更有序。 "这些过程所谓不可逆，只是说沿一个方向发展很可能发生；反过来虽然也可能，而且符合物理定律，却一百万年里都不会发生。" 💡…

📝 本期播客简介 本期我们克隆了：Liwa Capital Advisors · Ray Dalio Explaining Principles of Investing 原内容更新时间：2019 年 “投资的圣杯，就是找到 15 条或更多优质的不相关收益流。”Ray Dalio 从经济如何运转讲起，试着用一套原则解释市场周期，以及投资组合该怎么搭建。 他把经济拆成生产率、债务周期、政治与市场之间的相互作用，再谈资产价格、风险溢价和分散投资。重点不只是押中表现最好的资产，而是理解不同资产为什么涨跌，并用彼此不相关的收益流控制组合风险。 👤 本期嘉宾 Ray Dalio 是投资者，也是《原则》的作者。他把自己关于人生、工作、经济和投资的原则记录下来，并用历史数据检验投资标准；他还提到，自己的成功和桥水的成功都离不开对无知的认识与分散投资。 ⏱️ 时间戳 00:00 原则与经济周期 09:25 周期后段与政治变局 21:46 分散投资与收益流 🌟 精彩内容 💡 分散投资，降风险不必降收益 Ray Dalio 认为，组合不同的收益流，降低风险的幅度可以大于收益减少的幅度。找到彼此不相关的投资，比把钱押在单一“最好”的投资上更能改善风险收益比。 "分散投资降低风险的幅度可以大于它降低收益的幅度，从而改善回报与风险的比例。" 💡 好投资也可能只是变贵了 股票、大宗商品等资产类别会轮流表现好或表现差。投资者容易把近期表现好的资产当成好投资，却忽略它可能只是价格变高了；关键是让组合保持平衡。 "大多数投资者犯的最大错误，就是觉得表现好的投资就是好投资，而不是意识到它只是变得更贵了。" 💡 债务带来购买力，也带来偿还周期 信贷让人能花得比挣得多，偿还债务时则必须花得比挣得少。短期周期反复出现，刺激与偿还交替；长期债务累积到一定阶段，央行降息的空间也会逐渐耗尽。 "获得信贷时，你可以花得比挣得多；还债时，你就得花得比挣得少，这就是这个周期的本质。" 💡 利润增长背后，是收入差距扩大 自 2000 年以来，利润率已经翻了一倍多；技术替代人力、全球化等因素都参与其中。企业受益的同时，美国底层 60%人口的实际收入自 1980 年以来没有增长。 "这对公司来说很好，但对一部分人来说并不好。" 💡 中国将成为世界的重要力量 Ray Dalio…

📝 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…

📝 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…

📝 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…

📝 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…

📝 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。"…

📝 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…

📝 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。…

📝 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…

📝 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…

📝 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 💡…

📝 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…

📝 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…

📝 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…