跨国串门儿计划

#747. 扎克伯格的优势：不领先，也不肯停下来

Wed, 30 Sep 2026 08:47:22 GMT

📝 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

#746. AI视频生意：看懂增长和模型成本这笔账

Tue, 29 Sep 2026 23:00:00 GMT

📝 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

#745.AI自我加速：能力进步快，不等于研究全面提速，中美 AI 差距

Tue, 29 Sep 2026 23:00:00 GMT

📝 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

#744.Acquired｜劳力士的稀缺生意、机械表、品牌溢价

Tue, 29 Sep 2026 07:33:21 GMT

📝 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

#743.Instinct 创始人：个人 AI 助手应该站在用户这边

Mon, 28 Sep 2026 16:14:17 GMT

📝 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

#742.彼得·蒂尔：零增长不是AI的安全替代

Mon, 28 Sep 2026 15:32:11 GMT

📝 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

#741.All-in｜Meta Muse：AI 助理第一次替普通人办事

Sun, 27 Sep 2026 09:49:11 GMT

📝 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 AI 使用门槛的产品：它把复杂功能装进简单界面，可以帮助用户筛选邮件、订机票和酒店。个人 AI Agent 若能稳定处理日常事务，就不只是技术爱好者的玩具，而可能成为普遍可用的数字助理。

"如果有 10 亿人开始把个人 AI Agent 当作数字助理，用来让生活更有效率，那会怎么样？"

💡 alignment 也可以从用户需求出发

节目质疑，若 alignment research 连要对齐什么都无法达成共识，抽象地讨论伦理原则未必能让产品更可靠。另一种更务实的思路是，让模型行为可预测、安全，并符合实际使用者的需求。

"在我看来，alignment 就应该是满足客户的需求，就像其他任何产品一样。"

💡 Anthropic 的 wet lab 是用实验验证 AI 预测

Friedberg 解释，Anthropic 的实验室旨在把模型对新酶、蛋白质功能的预测放到真实实验中检验。节目提到，这类基础实验室通过制造蛋白质并观察其功能，验证软件预测是否成立；这与制造病毒或病原体并非一回事。

"我觉得，归根结底，他们的目标是拿到一些证据，证明自己的软件确实能做到它所预测的事情。"

🌐 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

#740.Huberman Lab｜减重不能只靠把胃变小

Sat, 26 Sep 2026 17:19:15 GMT

📝 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，但停药需要计划

GLP-1 药物能为肥胖治疗提供重要工具，但可能伴随恶心、瘦体重流失等问题。若停药后体重反弹，增加的可能主要是脂肪，因此不能只考虑如何减重，也要规划如何维持。

"所以必须有个计划。"

💡 减重治疗不该只盯着一个杠杆

汤普森医生介绍，手术和内镜下操作可以针对不同的生理机制，包括胃饥饿素、GLP-1 等肠道激素。未来的方向，是根据患者特点组合治疗，并尽量减少不必要的干预。

"今后的目标是做得更精准，弄清楚每个人对哪种干预反应更好，然后只做最少的必要操作。"

💡 及早看代谢指标，不必等到糖化血红蛋白升高

节目讨论了 CGM、空腹胰岛素等指标如何帮助更早发现代谢变化。汤普森医生强调，传统检查之外，也可以关注更早出现的信号，并据此调整饮食与生活方式。

"关键是要尽早开始检查，而且别只看传统指标，好吗？"

💡 运动是减重治疗的重要组成部分

无论采用药物、手术还是内镜下操作，抗阻训练都有助于维持肌肉。汤普森医生也提到二区有氧和高强度间歇训练，并强调需要同时处理饮食、活动等根本问题。

"我会要求所有患者进行抗阻训练，甚至在他们开始减重、接受治疗操作之前就开始。"

💡 AI 可以辅助操作，但医生仍需判断

AI 能在操作中标出目标结构、提供实时提示，也能在术后分析操作质量；机器人则可能帮助受训者更快掌握复杂操作。汤普森医生强调，AI 是辅助工具，不能取代临床判断。

"所以你必须运用临床判断，不能盲目使用 AI。"

🌐 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

#739.黄仁勋：「五层蛋糕」里，最重要的是应用层

Sat, 26 Sep 2026 10:10:29 GMT

📝 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，就称不上是在进步。"

💡 AI 的算力需求，来自它开始真正有用

黄仁勋将计算产业的变化概括为从检索信息转向生成内容：AI 需要理解上下文、推理并生成答案，Agent 也会进一步扩大计算需求。在他看来，AI 工厂的价值不能只看建设成本，还要看它的生产效率、用途和耐用性。

"过去 60 年我们熟悉的计算产业，叫作检索式计算。……而未来的计算中心会是 AI 工厂。"

🌐 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

#738.费曼：想象之乐

Sat, 26 Sep 2026 09:03:22 GMT

📝 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

#737.Liquid：蠕虫 302 个神经元，启发了另一种 AI 架构

Fri, 25 Sep 2026 10:38:48 GMT

📝 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。

"模型越大，架构就越要简化。"

💡 下一步不只有更强的前向计算

Liquid 正关注高度多模态系统、更长程推理、DNA 等不易被人直接理解的数据，也在思考模型运行时的适应能力，以及具身智能和持续学习。

"我们非常专注于高度多模态的系统。"

🌐 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

#736. Mike Wilson：AI后遗症迟早会来，现在还没到

Fri, 25 Sep 2026 07:49:01 GMT

📝 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

#735. Jev 模型创始人访谈：为什么我无法在 OpenAI 构建 Jev

Tue, 22 Sep 2026 08:10:30 GMT

📝 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。"

💡 结构化状态将取代巨型系统消息

Diogo 认为，软件内部真实存在的是状态、变量、指令和嵌套结构，而不是一串字符串。把所有内容塞进系统消息，类似使用难以维护的全局变量；机器原生模型应直接处理结构化 JSON 和程序状态。

"系统消息就像恶心的全局变量，你把什么东西都往里塞，把所有指令一股脑全放进去。"

💡 AI 最终应该隐入软件背景

在 Diogo 描绘的未来里，AI 不必一直以聊天框或“AI 同事”的形式出现。它会成为软件底层的通用基础设施，嵌入已有产品，自动化那些今天仍由人手工完成、但用户甚至无法想象如何自动化的工作。

"我觉得这个世界应该让人感觉更惬意，而 AI 只要在背后帮着实现这一点就好。"

🌐 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

#734.Ben Thompson：前沿悬垂

Mon, 21 Sep 2026 19:08:54 GMT

📝 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

#733.BM25 在智能体搜索中出人意料的有效性，简单工具为何重新变强

Mon, 21 Sep 2026 09:03:38 GMT

📝 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