PODCAST · 跨国串门儿计划

2026 年 6 月节目

45 期 · 44 期带分节

  • 06-30#607.SemiAnalysis创始人：AI的真正100倍杠杆，藏在软硬件协同设计里
    1. 00:00本期克隆节目介绍
    2. 01:18SemiAnalysis内部的“打架”文化：工程师vs金融人
    3. 01:56主持人Sean介绍Dylan
    4. 03:01Dylan的成长背景：汽车旅馆、加油站与第一个“神经网络”
    5. 04:31八岁生日与Xbox 360死亡红环：硬件的潘多拉魔盒
    6. 05:3612岁成为Reddit版主，开始追踪芯片行业
    7. 07:50创办SemiAnalysis的契机：奖金被坑、祖母去世、疫情崩溃
    8. 10:0524岁生日当天，用真名发布SemiAnalysis
    9. 10:37开着卡车跑遍全美国家公园，在30美元汽车旅馆里做研究
    10. 12:13行业展会vs学术会议：NeurIPS与日本化学会议的天壤之别
    11. 13:17SPIE先进光刻会议：第一次去90%都听不懂
    12. 14:58一种化学品烧毁，内存价格翻三倍的恐怖故事
    13. 15:35推理将是地球上最大的市场，比石油大得多
    14. 16:13为什么启动InferenceX：静态基准测试已经死了
    15. 17:57生态支持：5000万美元捐赠硬件，15种芯片类型
    16. 19:18帕累托最优曲线：别拿次优配置跟最优配置比
    17. 20:07吞吐量与交互性曲线：AI基础设施的下游总开关
    18. 21:11成本如何纳入曲线：批量100用户每秒10 token vs 单用户每秒500 token
    19. 22:18非共识判断：三到五年内太空数据中心没有实质影响
    20. 23:03二十年尺度上，绝大部分算力会搬到太空
    21. 23:35到2030年，仅OpenAI和Anthropic就会超过100吉瓦
    22. 23:47到2040年，推理算力将进入太瓦级别
    23. 24:06每瓦智能一直在提升吗？成本已降60倍，每瓦智能提升约40倍
    24. 25:25Sean的三层框架：硬件、系统软件、模型算法
    25. 26:04Dylan完全不同意：最大收益来自协同设计层
    26. 26:55DeepSeek V3的专家形状是为Hopper优化的
    27. 27:43TPU跑DeepSeek很拉胯，跑其他模型却非常出色
    28. 28:07中国在协同优化上比西方做得好？Dylan不这么认为
    29. 28:42真正的突破：跨三层协同优化，2倍×2倍×2倍变成100倍
    30. 30:49未来一年最关注的技术瓶颈：内存带宽
    31. 31:46直接把内存堆在芯片上，带宽会暴涨
    32. 31:58打破每平方毫米一瓦的功率天花板
    33. 33:16能源瓶颈的简单解法：用卡车发动机改造成天然气发电机
    34. 34:25Nvidia对TPU：两年后两边都是千亿美元级别
    35. 35:24两边都有很能打的论点，但归根结底是协同设计
    36. 35:50OpenAI用TPU可能很糟糕，Anthropic用GPU训练也可能很糟糕
    37. 36:09矩阵乘法单元大小不同，导致模型架构根本不同
    38. 37:20CUDA护城河已经被解开了，因为模型编程能力很强
    39. 37:58真正的护城河不是CUDA，而是下游模型对Nvidia的优化
    40. 38:49开源模型生态让下游使用者被绑在Nvidia上
    41. 39:40大实验室早就fork了PyTorch，不需要依赖开源
    42. 40:07Cerebras：推理速度极快，但超大模型和超长上下文是风险
    43. 42:46Dylan的独特优势：把技术和经济账结合起来
    44. 43:55最让Dylan上头的言论：AI没有投资回报率
    45. 44:06模型能力曲线一直在向右上方走，看新的基准测试
    46. 45:52十年框架下最兴奋的事：太空数据中心、小行星采矿
    47. 46:29共封装光学：争论的只是27年、28年还是29年发生
    48. 46:48Naveen Rao的长期赌注：模拟计算与基于能量的模型
    49. 48:20生态终局：每家超大规模云厂商都会有自己的芯片
    50. 49:24硬件架构和模型架构会出现更多分叉
    51. 50:20通用AI算力永远有市场，因为实验室连一年后用什么架构都不知道
    52. 51:51每家都会投入数十亿美元部署专用集成电路
    53. 52:52我们正处在一场疯狂的计算资源紧缺之中
    54. 53:22今年20吉瓦，明年超30吉瓦，但模型能力增长更快
    55. 54:31Anthropic第二季度已经净利润盈利
    56. 54:44Opus token利润率超过80%
    57. 55:45只要毛利率是正的，就会不惜代价租GPU
    58. 55:58计算能力建设会不会突然出问题？
    59. 57:01如果模型能完成的工作量增速超不过算力增速，风向就会变
    60. 57:49模型现在进步得比六个月前更快：递归式自我改进在运转
    61. 59:20沙特原油的类比：不同吉瓦之间有多大同质性？
    62. 01:00:39Trainium每吉瓦不到100亿美元，GPU每吉瓦120到130亿
    63. 01:02:07数据中心租赁价格从每千瓦60美元涨到120到160美元
    64. 01:02:47常见的坑：项目直接失败，必须做概率加权
    65. 01:03:18Google在一个吉瓦级数据中心里实际部署1.5吉瓦硬件
    66. 01:04:51一个吉瓦给Anthropic产生的收入比给OpenAI更高
    67. 01:06:22NeoCloud为什么存在？超大规模云厂商的专长在AI云里变成拖累
    68. 01:07:21Nitro智能网卡对AI性能不利，安全功能在AI场景没意义
    69. 01:08:59Jensen绝对讨厌超大规模云厂商掌握所有权力
    70. 01:09:22他想要一个多极化的世界，所以砸钱给新实验室和新云厂商
    71. 01:10:11新云生态就是蛮荒地带，有些会失败，有些会脱颖而出
    72. 01:11:10Thinking Machines做到上亿美元年度经常性收入
  • 06-30#606.Codex 负责人：品味与判断力为何成为你最值钱的资产
    1. 00:00欢迎收听跨国串门计划
    2. 00:35本期克隆节目介绍：Lenny's Podcast 与 Andrew Ambrosino 的深度对谈
    3. 02:57嘉宾 Andrew Ambrosino 正式登场
    4. 04:27现在的产品团队形态跟几年前比是什么样的
    5. 04:35流程的倒置：任何人都能做出任何东西
    6. 05:04传统产品流程的前提假设：实现很贵
    7. 05:52实现本身不再是成本最高的部分，品味才是
    8. 06:1190 个原型的文化：大家直接上手做，不再写文档
    9. 06:44PRD 已死？Andrew 为什么不同意
    10. 07:18选对表达观点的媒介变得非常关键
    11. 07:44“原始笔触”的隐喻：原型有时反而是错误的第一步
    12. 08:19媒介隐含的信号与流程阶段已经脱钩
    13. 09:31到底什么是好的品味
    14. 09:55品味不只是审美，还有系统思维
    15. 10:43如果我们什么都能做，那到底应该做什么
    16. 10:55AI 在设计上为什么还是不行
    17. 11:29设计比软件更难打分，品味中人的因素本身就是反馈机制
    18. 12:20设计中新颖性的重要程度远高于软件工程
    19. 13:16软件设计与代码之间的抽象层互动
    20. 14:56对 Jenny 观点的回应：设计流程确实死了
    21. 15:14传统设计流程的“案例研究工厂”问题
    22. 15:55那套流程的前提假设：实现成本很高，只能承担一次开发
    23. 16:28现在你可以把整个实现都拉进流程
    24. 16:56把设计流程跟媒介绑定才是可怕的地方
    25. 17:33设计流程已死，既对也不对
    26. 18:23Codex 团队的角色崩塌比公司其他部门更明显
    27. 19:00你的角色是你花时间所做事情的平均值
    28. 20:10“技术团队成员”这个称呼的起源
    29. 21:11消除角色概念的危险：抹杀专业领域和最佳实践
    30. 21:29取消产品角色是个非常糟糕的主意
    31. 21:52“这不是你的领域”的边界乐于看到消失，但需要平衡
    32. 23:11Codex 团队的构成：工程师两位数，设计师大概一半
    33. 24:05产品工作像“区域防守”
    34. 24:40产品人员的区域防守到底是什么样
    35. 25:54最有价值的人：能把想法从概念做到完成，并有品味判断好坏
    36. 27:06在变化速度下怎么做路线图规划
    37. 27:32越短期越需要细节，九个月后的规划必须保持模糊
    38. 28:41Codex 桌面应用如果在十一月发布会失败，二月就成功了
    39. 29:01去做那些现在还不行、但等模型变强之后就能行的东西
    40. 30:11不要固执地认为跑不通就是烂功能，可能只是还没到时候
    41. 30:31最初 Codex Web 太 AGI 化，超前于那个时刻
    42. 32:08推动团队更有野心，因为做难事变得容易太多了
    43. 32:52从手写代码到 AI 写 100% 代码，再到“驾驶 AI”
    44. 33:27循环已经是上周的事了
    45. 33:35产品有多少是 AI 写的？这个问题已经变了
    46. 33:49有监督写还是无监督写，完全是另一回事
    47. 34:14模型通常会增加复杂度，需要更擅长删除代码
    48. 34:43还没到直接说“改进应用”就能让它去听 Twitter、Slack 的地步
    49. 35:12拥有全世界最棒的工作
    50. 35:29个人目标：把 Codex 做成自己写代码用的工具
    51. 35:43超快的 dogfooding 循环
    52. 36:11角色变了，应用的角色也需要改变
    53. 37:21使用 Codex 的方式随工作演变
    54. 37:31每日简报：汇总 3000 个 Slack 频道的信息
    55. 38:44设置自动化本身就是产品发现
    56. 39:45用 Codex 过滤垃圾邮件的例子
    57. 40:18computer use：AI 直接接管电脑操作
    58. 44:47Codex 的愿景到底是什么
    59. 45:01从命令行工具到桌面应用
    60. 45:26内部 dogfooding 发现：非工程师也在疯狂使用
    61. 46:30没人愿意离开 Codex App 去用其他 App
    62. 46:43开发者工具和通用知识工作工具的界限不是非此即彼
    63. 48:05超级 App 的讨论
    64. 48:24Codex 是很好的大本营，调用你需要的任何工具
    65. 49:22Brent 用 Codex 剪辑视频的故事
    66. 50:01与专业工具无缝交互的模式
    67. 51:03失败角：大家看不到不顺利的时候
    68. 51:33做了很长时间的创业公司创始人，最后把公司拆开卖掉
    69. 52:08把 Codex App 经验跟 ChatGPT 结合中的无数次微小失败
    70. 52:27内部搞砸时没有人会留情面
    71. 52:57闪电问答环节
    72. 53:03最常推荐的书：《咕噜牛》
    73. 54:07最喜欢的童书：《The Big Orange Splotch》
    74. 55:16最近喜欢的剧：《神奇校车》新版
    75. 55:58最喜欢的产品：每天都在发现自己的产品，Linear 也特别好
    76. 56:17人生格言：不是爱讲格言的人，但别人会告诉他哪些话老挂在嘴边
    77. 56:36PM、设计师、工程师哪个最难
    78. 58:02制作人分享用 Codex 做剪辑的体验
    79. 58:17每个任务都这样开始：产品本身不是为这个设计的，但什么都能做
    80. 59:00别死守你现在的流程，要死守的是你独特能交付的成果
    81. 59:20在 AI 时代成功，需要的自我认知程度高得离谱
    82. 59:54讨厌重复的人当创始人挺惨的，因为你必须重复
    83. 01:00:17给自己的职业找到了产品契合度
  • 06-29#605.Dwarkesh：AI 训练的下一个范式，为什么你的模型永远毕不了业
    1. 00:00欢迎收听跨国串门计划
    2. 00:30本期克隆节目介绍：Dwarkesh Patel 个人深度音频论文
    3. 00:53核心问题：AI 训练的下一个范式与持续学习
    4. 01:47各大实验室押注的重大研究方向：RL 环境训练
    5. 02:09当前范式的根本缺陷：数据低效与缺乏持续学习
    6. 02:32模型样本效率只有人类的百万分之一
    7. 03:05持续学习可能根本不需要？上下文学习的替代方案
    8. 03:43架构创新让上下文窗口接近无限大
    9. 03:55为什么计算机使用进展比编程慢这么多
    10. 04:28被低估的原因：光有可验证性不够
    11. 04:49可磨练性的定义：确定性、可重放的模拟器
    12. 05:04编程 RL 环境的构建方式
    13. 05:21计算机使用无法大规模并行 rollout 的原因
    14. 06:02计算机使用缓慢揭示的深层教训
    15. 06:29无法构建模拟器的领域：创业、诉讼、选举
    16. 07:06非稳态环境是 RL 的开放问题
    17. 07:14世界需要样本效率才能精通
    18. 07:49RLVR 会泛化的赌注
    19. 08:23泛化能力是一个实证问题
    20. 08:40Dario 的暗示：短时间尺度训练不一定泛化到长时间尺度
    21. 09:30即使上下文内经验足够，不存回权重也是浪费
    22. 09:44推理算力占 30%-50%，对改进模型无贡献
    23. 10:13天才研究生从不实习的隐喻
    24. 10:33持续学习必须回到权重里
    25. 10:43人类大脑不在参数和激活间划界限
    26. 11:00自闭症天才的高保真记忆与抽象能力削弱
    27. 11:20人类持续学习的本质：把直觉凿回权重
    28. 11:30梯度更新的样本效率极低
    29. 11:41Cursor 的在线学习案例
    30. 12:12每份工作、每家公司都不同，需要个性化学习
    31. 12:44样本效率与持续学习是深度关联的问题
    32. 13:06架构并非根本瓶颈
    33. 13:27瓶颈也许在于损失函数
    34. 13:42On-Policy 自蒸馏技术介绍
    35. 14:14OPSSD 优于 RLVR 的两个原因
    36. 14:50OPSSD 也优于监督微调
    37. 15:17RL 训练擅长精准更新，避免灾难性遗忘
    38. 15:41RL 每个样本学得少，但这是好事
    39. 16:08OPSSD 解决样本效率问题
    40. 16:18Dreaming 的猜想：AI 构建现实模拟器
    41. 16:33AlphaZero 与 Efficient Zero 的历史
    42. 17:03模型在“脑海”里玩模拟游戏
    43. 17:22构建世界模拟器的巨大困难
    44. 17:32继预训练、RL、推理时计算后的第四维度
    45. 18:04/dream 指令：消耗海量算力构建电子游戏版现实
    46. 18:13持续学习的未来情景
    47. 18:23RLVR 产出的 Agent 能迅速找到方向
    48. 18:44把 Agent 放到真实世界做实际工作
    49. 18:55一周密集协作后蒸馏学到的内容
    50. 19:32技能范围通过持续学习不断扩展
    51. 19:41预训练、RLVR、持续学习的递进关系
    52. 20:03AI 进步的主要方式将转向部署后学习
    53. 20:16你每次互动，AI 都变得更聪明
  • 06-29#604.OpenAI Noam Brown：模型评估方式，正在错过 AI 真正的能力上限
    1. 00:00欢迎收听跨国串门计划
    2. 00:37本期克隆节目介绍：《No Priors》与 Noam Brown 对谈
    3. 00:55Noam 关于测试时计算的核心观点预览
    4. 02:27Sarah Guo 开场介绍 Noam Brown
    5. 03:12Noam 写文章的动机：5.5 发布后的基准测试争议
    6. 03:44传统基准测试表格的问题：只给单一数字
    7. 04:145.5 在基准测试上表现不佳的真正原因
    8. 04:46为什么不让模型思考更久？平台期太遥远
    9. 05:09GPT-3 时代 vs 现在：模型可以思考数周
    10. 05:50正确的评估方式：按预算或绘制性能曲线
    11. 06:32网络安全评估：1 亿 token 预算下性能仍在提升
    12. 07:01研究方向：用低预算预测高预算下的性能
    13. 08:16刷榜问题：组合模型很容易做出好看的成绩
    14. 09:04基准测试总面临被针对性优化的风险
    15. 09:24应对办法：保留不公开的私有测试集
    16. 09:48Noam 的个人评估方式：做扑克机器人
    17. 10:24早期模型到 5.2 的演进：河牌求解器
    18. 11:015.2 的缺点：爱糊弄人
    19. 11:20模型糊弄人的具体案例：92 美元 vs 100 美元
    20. 11:475.5 的飞跃：基本可以零样本完成
    21. 11:58预测：六个月内模型可能完成整个博士论文
    22. 12:21安全评估与测试时计算的关系
    23. 12:40责任缩放政策与准备框架的背景
    24. 13:11这些框架建立时测试时计算还不是大事
    25. 13:33核心问题：模型能力是你投入预算的函数
    26. 13:55现有政策没有真正解决预算评估问题
    27. 14:13正视这个被假装不存在的问题
    28. 15:09模型越来越强，能运作的时间跨度越来越长
    29. 16:11发布周期两三个月，没人真正知道能力上限
    30. 16:52slash goal 发布后人们才意识到长期任务的重要性
    31. 17:07实验室在发布前充分评估模型非常困难
    32. 17:35OpenAI 内部模型推翻 Erdős 单位距离猜想
    33. 18:10在很低预算下模型就找到了反证
    34. 18:32用 5.5 加通用脚手架也能得出反证
    35. 19:01成本估算：1,000 到 100,000 美元
    36. 19:09本来有人可以更早用通用模型做到
    37. 19:32值不值得在当前模型上做大量实验
    38. 19:41每个发布周期成本下降 10 到 100 倍
    39. 19:52“等下一个模型发布就行”的梗
    40. 20:18OpenAI 刻意不去遍历所有数学开放问题
    41. 20:42重点应该放在做出更强的模型
    42. 21:18研究方向与资源分配的变化
    43. 21:30澄清：给极高推理预算不等于全面超级智能
    44. 21:49有些基准测试给再多预算也不会进步
    45. 22:51研究品味目前还不太好
    46. 23:28模型能优化算法但想不出更好的算法
    47. 24:11每次新版本研究品味都会变好一些
    48. 24:32模型加速了一些事情，另一些没有
    49. 24:44被没加速的事情卡住
    50. 24:52渐进起飞而非一夜之间的智能爆炸
    51. 25:28大规模测试时计算意味着被时间卡住
    52. 25:48时间本身成为最大的瓶颈
    53. 26:08多智能体探索得还不够
    54. 26:28小规模下很难做好多智能体研究
    55. 26:40人类文明的类比：数十亿人长时间思考与积累
    56. 27:12AI 模型还做不到有机的知识积累与分享
    57. 27:27Multibook 和 OpenCLAW 预示了未来方向
    58. 27:57三家前沿实验室之间的竞争
    59. 28:26竞争非常激烈
    60. 28:28模型正在加速研究人员的工作
    61. 28:45所有前沿实验室都认识到利害关系和风险
    62. 29:05竞争之外也可以一起走向积极结果
    63. 29:22Noam 鼓励大家重新信任模型输出
    64. 29:49日常使用案例：税务建议、购房文件
    65. 30:05模型已经到了可以信任甚至比人更可靠的程度
    66. 30:14研究社区里还没被充分理解的事
    67. 30:34三年前的“愤愤不平”与现在的共识状态
    68. 30:54写文章的动机：打破糟糕的均衡
    69. 31:23所有人都知道表格不好但没人愿意打破
    70. 32:01专注特定领域的公司：路由层的价值
    71. 32:47路由与基准测试的 x 轴问题
    72. 33:01模型间共识确实能获得更好表现
    73. 33:07关键问题：让单个模型思考更久会不会更好
    74. 33:36路由可能更好但需要控制测试时计算量
  • 06-28#603.Cloudflare CEO：当机器人流量超过人类，互联网的商业模式将彻底崩塌
    1. 03:14互联网历史上一个非常关键的时刻：机器人流量超过人类
    2. 03:29互联网上一直都有机器人在活动，但比例长期稳定在 20%
    3. 03:44大约两年前，机器人流量开始真正激增
    4. 03:572025 年秋天曾预测自动化流量会在 2027 年底超过人类
    5. 04:112026 年 3 月西南偏南大会时，时间点提前到 2027 年上半年
    6. 04:28几周前团队告知：2026 年上半年机器人流量已超过人类
    7. 05:21五年后机器人流量可能是人类的一千倍
    8. 05:40机器人、Agent、爬虫，都是同义词
    9. 06:14真正推动增长的是 Agent，不是传统爬虫
    10. 06:33Agent 挑选数码相机会访问五千个网站，人类只访问五个
    11. 06:57从基础设施角度看，这带来了什么变化
    12. 07:14互联网上会产生巨大的额外需求
    13. 07:31五年后互联网流量可能是今天的一千倍
    14. 07:54互联网历史上的商业模式一直是广告，但机器人不会点击广告
    15. 08:02未来五年内，互联网的商业模式将发生根本性改变
    16. 08:25在 Agent 的世界里，品牌是什么
    17. 08:47机器人有无限的耐心去发掘所有可能合适的东西
    18. 09:18Cloudflare 的基础知识：把防火墙放到云里
    19. 09:4615 年前注册 Cloudflare，就是在网站前放一个门卫
    20. 10:10最初的理念：以易于采用的打包方式提供性能和安全性
    21. 10:40创建免费精简版服务，让每个人都能用上
    22. 10:53预算越少安全问题越少，预算越多安全问题反而越多
    23. 11:06两类组织打破规律：黑客小孩和人权组织
    24. 11:48被迫做域名注册、DDoS 防御、DNS 基础设施
    25. 12:10不得不搭建自己的开发者平台
    26. 12:25Cloudflare 真正的故事：给自己制造太多问题，不得不去解决
    27. 12:40今天的 Cloudflare 跟刚起步时完全不一样
    28. 13:34最初在全球五个城市有服务器
    29. 14:01今天在全球超过 350 个城市、超过一千个数据中心部署
    30. 14:30巴基斯坦电信：一个极其难打交道的组织
    31. 15:00巴基斯坦电信网络部门负责人主动发邮件邀请
    32. 15:19巴基斯坦国家板球队是 Cloudflare 的免费客户
    33. 15:45互联网的 13 台根服务器
    34. 16:22为什么是 13 台：标准数据包能装下的最大数量
    35. 16:48Cloudflare 为 13 台根服务器中的两台提供基础设施
    36. 20:03铃铛故事：每次有人注册 Cloudflare 铃铛就会响
    37. 20:20超过一千家土耳其色情网站注册了 Cloudflare
    38. 20:53把网站翻译成了土耳其语
    39. 21:06联系其中一位网站站长，约 Skype 通话
    40. 22:02把这种攻击类型标记为 TE：Turkish Escort Attack
    41. 22:14一年后，荷兰绅士从阿塞拜疆巴库打来电话
    42. 22:39Eurovision 歌唱比赛遭到攻击
    43. 23:30Eurovision 的观众比 Super Bowl 还多
    44. 23:44系统识别出完全相同的攻击模式：TE
    45. 23:52又过了一年，JP Morgan CTO 紧急电话
    46. 24:34团队认出攻击者：土耳其 escort 攻击者
    47. 24:41原来是一个伊朗学生，后来被吸纳进伊朗军事体系
    48. 25:18Cloudflare 服务所有人的力量，从互联网奇奇怪怪的角落学到东西
    49. 26:15早期 VC 问：你们怎么扩展到湾区以外
    50. 26:28在突尼斯这些地方非常火，但在湾区反而没什么用户
    51. 26:47离科技中心越远，Cloudflare 提供的价值越大
    52. 27:14没有写宏大战略备忘录，做开发者平台是因为自己需要
    53. 27:56融资路径与经验教训
    54. 28:10与 Carl Ledbetter、Scott Sandell、USV 的 Brad Burnham 合作
    55. 28:23不需要思想领导，想要的是偶尔推我们一把的人
    56. 28:48我们比任何人都更懂自己的业务
    57. 29:46三个创始人当时不是朋友
    58. 30:26力量恰恰来自于我们如此不同
    59. 30:29Michelle 的维恩图比喻：每个人有刚刚好的重叠
    60. 30:4816 年快 17 年，Michelle 和我之间从来没吵过架
    61. 31:07创业者来取经，问得最多的问题：你们当初怎么分工
    62. 31:28Lee 是技术天才，Michelle 是运营负责人，我比较会讲故事
    63. 32:09Michelle 是六西格玛黑带，Lee 在想为什么要来吃这顿饭
    64. 33:03Cloudflare 一直都是一家 AI 公司
    65. 33:45真正的起点：MIT 反垃圾邮件大会，本质上是机器学习会议
    66. 34:14Cloudflare 和 AI 的现代篇章真正开始于 2017 年
    67. 34:34FedEx CEO 在宕机时打来电话：你们掉线，我们有些飞机没法降落
    68. 35:05必须搞一套全新的软件开发和部署方式
    69. 35:32催生了 Cloudflare Workers
    70. 35:472020 年左右跟 NVIDIA 合作在边缘部署 GPU，毫无反响
    71. 36:062024 年发了一模一样的新闻稿，只改了日期，股价直接翻倍
    72. 36:23几乎所有模型都可以通过 Cloudflare 直接访问，性能更好
    73. 37:16边缘网络目前还不太适合做训练
    74. 38:00真正擅长的是需要一台性能强劲机器的场景
    75. 38:30AI Gateway：审计所有发往 AI 系统的 prompt 和响应
    76. 39:21能做类似 prompt 注入的事
    77. 39:48控制成本：智能路由请求，用简单模型处理简单任务
    78. 40:24Durable Objects、Agent、DK、Workflows、Browser Rendering、Sandbox
    79. 40:38AWS 是怎么发展起来的：亚马逊为自己团队构建系统
    80. 41:09每个知识工作者有一个 Agent，CPU 占用量是全球年产量的 40 倍
    81. 41:44Workers 围绕浏览器标签页的 isolate 概念构建
    82. 42:29CPU 短缺危机讨论得还不够多
    83. 42:52用 Rust 重写了 WordPress：M-dash
    84. 43:13如果流量暴增一千倍，没人会再搭 WordPress 网站
    85. 44:06Agent 化的互联网在安全方面意味着什么
    86. 44:17未来两年，网上会接连发生非常可怕的事
    87. 44:27接下来 104 周，每周都会看到一个 Log4J 级别的漏洞
    88. 44:45这些模型找漏洞的能力强得惊人
    89. 45:00两年后，软件质量会因此大幅提升
    90. 45:12构建了一个 Agent，审查每一次代码发布和配置变更
    91. 45:32用 10 年的事故数据训练
    92. 46:01AI 跟组织内部所有其他偏见都不相关
    93. 46:30在线时间、可靠性和性能在过去一年里提升了一个数量级
    94. 46:51公司 93% 的研发员工在用 AI 编程工具
    95. 47:15我们自己用起来其实挺谨慎的
    96. 47:37Kenton Varda 说这些 AI 玩意儿都是扯淡，要去证明它们有多烂
    97. 47:51回来后说效率比以前高了一百倍
    98. 48:13真正的转折点大概在 2025 年 11 月
    99. 48:39一直比较担心处于职业生涯中期的人
    100. 49:07可能会有一代被落下的人
    101. 49:33工程团队天然是这些产品的用户，但还有其他部门
    102. 50:02Cloudflare OS：让财务团队也能极其高效地完成工作
    103. 51:08搞一个邮箱地址，告诉所有人这是神奇的 AI Agent
    104. 51:21后台是 20 人团队 7 天 24 小时轮班
    105. 51:48投资者关系团队 Heather：把两周流程变成三分钟
    106. 52:41每家公司都会经历这个过程
    107. 52:542034 年犹他州冬奥会组委会，国际奥委会 CTO 说需要这个系统
    108. 53:44不是 Dario 那一派，不认为 AI 会取代所有工作
    109. 54:13发生巨大变化的地方是既不负责构建也不负责销售的岗位
    110. 54:33内部审计：从每季度 6-10 个风险领域到 105 个全部持续审计
    111. 55:32裁掉了超过 20% 的团队
    112. 55:46其他公司同行也都看到了同样的情况
    113. 55:56很多领导者心里其实很怕，不想当第一个动手的人
    114. 56:05未来 6 到 12 个月，几乎每家公司都会经历类似的调整
    115. 56:17一旦意识到改变必然发生，最善良的事就是尽快动手
    116. 56:32拿出了极其慷慨的补偿方案，让股票继续归属
    117. 56:59最糟糕的情况是 6 到 12 个月后出现大血洗
    118. 57:35管理幅度：从 6 比 1 变成 12 比 1
    119. 58:05扩大直接下属人数让组织变扁平
    120. 58:49如果你就是这些人之一，该怎么办
    121. 59:12从来没见过有这么多资深经理人主动举手说想回去做个人贡献者
    122. 59:46今年夏天招了 1111 名实习生
    123. 01:00:11工程团队里 92% 的人都在用 AI 工具，应该达到 100%
    124. 01:01:27互联网上自动化流量的大幅增长
    125. 01:01:45过去 28 年互联网的底层商业模式基本没变，主要还是靠广告
    126. 01:02:00运营互联网的成本会高得多，总得有人买单
    127. 01:02:58要创造控制手段，让内容拥有者决定谁能访问
    128. 01:04:09全球最大出版商正在和 AI 公司签下好得多的协议
    129. 01:04:35应该有一种微支付的方式
    130. 01:04:44网络每秒处理 5 亿个请求，1% 到 10% 可通过微支付变现
    131. 01:05:06Visa 每秒处理不到 10 万笔交易，我们需要比它大两个数量级
    132. 01:05:27最初的互联网响应码 402 是"需要付款"
    133. 01:05:42Google 构建了过去 28 年驱动互联网的商业模式
    134. 01:07:15过去 28 年互联网的商业模式其实并不健康
    135. 01:07:55飞到斯德哥尔摩见 Spotify 创始人 Daniel Ek
    136. 01:08:15如今投入到音乐创作中的资金比人类历史上任何时候都多
    137. 01:08:34Steve Jobs 发布 iTunes，一首歌 99 美分，插下了一面旗帜
    138. 01:09:01Spotify 把搜索效果不好的查询公开发布给音乐创作者
    139. 01:09:36丹麦有人光靠给未被满足的搜索请求写歌，一年赚 4000 万欧元
    140. 01:09:58人类历史上第一次拥有了关于所有人类知识的数学模型
    141. 01:10:17画面像一大块瑞士奶酪，有很多洞需要填补
    142. 01:11:03应该搞一个类似奥斯卡或诺贝尔奖的东西，奖励对人类知识贡献最大的人
    143. 01:11:42买下了家乡犹他州帕克城当地的报纸，AI 授权收入可能超过广告
    144. 01:12:08过去 28 年的互联网几乎扼杀了本地、古怪、独特、有趣的信息
  • 06-27#602.3Blue1Brown 创始人：成为二手思考者的高昂代价
    1. 00:00欢迎收听跨国串门计划
    2. 00:31本期克隆节目介绍
    3. 01:38为什么做了十年，很多创作者只想停下
    4. 02:49婚礼演讲的缘起：提前一天的通知
    5. 03:21演讲的结构：核聚变概念与细致观察
    6. 04:1724小时内的准备过程
    7. 04:50演讲第一原则：脱稿
    8. 05:15降低期望值的艺术
    9. 05:54限制激发创造力
    10. 06:39用大语言模型辅助写作，但别让它代笔
    11. 08:54停顿的技巧：假装沉思，实则回忆
    12. 10:06匈牙利小提琴老师的跨界影响
    13. 12:01婚礼致辞的三条核心建议
    14. 13:59频道快10年了，当初为何全职做这行
    15. 14:32最初甚至不知道 YouTuber 能当职业
    16. 15:21早期榜样：Minute Physics 的 Henry Reich
    17. 15:52进入可汗学院的经历
    18. 16:58早期增长：每月10%，持续数年
    19. 17:41Vsauce 的一次推荐带来3万订阅
    20. 18:07算法推荐 vs 口口相传的时代变迁
    21. 18:41做动画工具本身就是一种创作满足
    22. 19:49放下“进学术界”这个身份是什么感觉
    23. 20:11真正热爱的是教学和科普那一面
    24. 20:26未被解决的“阐释性难题”
    25. 21:13没有博士学位的代价
    26. 21:29数学的好处：你可以直接证明它对不对
    27. 22:22五年前关于“琢磨旧东西”的对话
    28. 23:10研究前沿的“战争迷雾”
    29. 23:28不在乎是不是第一个理解某件事的人
    30. 23:56最初的版本往往不是最清晰的版本
    31. 25:04对“什么对人们真正有用”的态度软化
    32. 25:21最能引起共鸣的，往往是标准主题
    33. 26:47学生感谢最多的是九年前的线性代数系列
    34. 28:08缺乏新颖性恰恰对应着广泛性和实用性
    35. 28:39新鲜感也许就来自于表达方式
    36. 29:27新颖性其实没那么重要
    37. 29:56在微观层面，值得对自己狠一点
    38. 30:11你是源头，还是传声筒？
    39. 30:41真正能收获忠实粉丝的关键
    40. 32:21如何找到风格的纯粹性
    41. 33:04没有集中研究阶段，只有长期酝酿
    42. 34:45观众能感觉到你是不是真的懂
    43. 35:37为什么没掉进算法和更新频率的陷阱
    44. 37:11很多创作者做了十年后并不快乐
    45. 37:46没有团队反而是一种自由
    46. 38:05专注于常青内容，而非追逐热点
    47. 39:50斯多葛式的工作观
    48. 40:47对实时数据面板上瘾，但知道它没用
    49. 41:48有团队和没团队的本质区别
    50. 42:55团队带来的最低收入压力
    51. 43:25做动画本身就是我的快乐之地
    52. 44:11对算法淡然是因为学术圈背景吗
    53. 44:40关注正确的指标：五年后的观看时长
    54. 45:43算法就是人们兴趣的一面镜子
    55. 47:3390%关于算法的讨论，换成观众也一样
    56. 48:09人们喜欢看吗？其他事情自然会解决
    57. 49:39频道对你来说是好玩还是工作
    58. 49:55手艺活：从完成20%到90%最有趣
    59. 50:14什么是“毛球定理”
    60. 51:29规划明年内容时，感觉像在工作
    61. 52:00我会做计划，但不会按计划走
    62. 52:34为什么想更有原则：系列课程的价值
    63. 54:43互相竞争的原则：课程 vs 趣味单集
    64. 56:41把想法写下来，思路就变清晰了
    65. 01:00:57触发重新思考：有了孩子后时间变少
    66. 01:02:38人很容易给自己造笼子
    67. 01:04:02理想生活模式：学习、写作、指导
    68. 01:08:39自我在多大程度上被绑进了频道
    69. 01:09:16不会开始做，除非对怎么做有清晰构想
    70. 01:10:36高维球体体积公式的美
    71. 01:14:07你一直都觉得数学很美吗
    72. 01:14:35数学里的美：紧张与释放
    73. 01:18:18数学之美是老师引导出来的吗
    74. 01:19:26自己发现的体验，才真正属于你
    75. 01:21:58大语言模型会如何改变教育
    76. 01:22:08教育最根本的问题从来不在解释媒介上
    77. 01:23:13一个不道德也不可规模化的教育方案
    78. 01:24:44最强大的动机是社交动机
    79. 01:25:24老师的价值不在于解释，而在于激励
    80. 01:26:56大语言模型把讲解从90%做到99%
    81. 01:27:44兴趣是完全由动机驱动的吗
    82. 01:28:35孩子小时候喜欢什么，随机性很大
    83. 01:29:53你现在怎么看成功
    84. 01:30:29斯坦福隐含的氛围：要留下印记
    85. 01:31:31超过某个门槛后，钱就没那么重要了
    86. 01:32:51快乐、意义和成就感
    87. 01:33:05成就感比快乐更重要
    88. 01:34:34离开创业公司，踏上不确定的旅程
    89. 01:35:19真正重要的是感觉到自己在成长
    90. 01:36:23个人成长 vs 为他人创造价值
    91. 01:40:33毕业演讲的主题：早点从个人主义里敲出来
    92. 01:41:28试金石：财务自由后你空闲时间做什么
    93. 01:49:05闪电轮开始
    94. 01:49:13希望80岁的自己为什么骄傲
    95. 01:49:59用一句话概括人生哲学
    96. 01:50:26收到过最好的建议：行动先于动力
    97. 01:51:05真心感激的性格特质：冷静
    98. 01:51:52接下来对什么感到兴奋：团队成长
  • 06-26#601.杰夫·贝佐斯：亚马逊 1997-2020 致股东信
    1. 00:00:00开场 · 全 24 封合辑（总时长约 5 小时 32 分）
    2. 00:00:001997 年致股东信 · 一切关乎长期：Day 1 哲学与长期主义宣言
    3. 00:11:341998 年致股东信 · 痴迷客户与招聘高标准：打造最以客户为中心的公司
    4. 00:23:421999 年致股东信 · 领先电商平台：临界点与规模扩张的愿景
    5. 00:37:072000 年致股东信 · 股价暴跌与称重机：坚守长期，聚焦盈利
    6. 00:44:572001 年致股东信 · 降价驱动增长飞轮：兼顾成本优化与客户体验
    7. 00:55:062002 年致股东信 · 同时提供低价与一流体验：用固定成本模式打破零售权衡
    8. 01:03:082003 年致股东信 · 长期思维：所有者与租户的区别
    9. 01:08:072004 年致股东信 · 每股自由现金流：最核心的财务衡量指标
    10. 01:17:472005 年致股东信 · 基于判断的大胆决策：超越数学的长期价值创造
    11. 01:25:562006 年致股东信 · 培育新业务：播种与滋养小种子的文化
    12. 01:32:222007 年致股东信 · Kindle：改进实体书，点燃长篇阅读之火
    13. 01:39:332008 年致股东信 · 从客户需求反向推导：以长期思维开拓无人区
    14. 01:47:332009 年致股东信 · 设定以客户体验为核心的目标：营收与利润词几乎不出现
    15. 01:53:592010 年致股东信 · 技术深探：面向服务的架构与自由现金流
    16. 02:01:592011 年致股东信 · 赋能创新：AWS、FBA、KDP 等自助服务平台
    17. 02:14:352012 年致股东信 · 内部驱动：主动取悦客户而非被动应对竞争
    18. 02:23:532013 年致股东信 · 漫游式探索：Prime、AWS 与重塑常态的发明
    19. 02:53:462014 年致股东信 · 三大支柱：Marketplace、Prime 和 AWS 的梦幻联姻
    20. 03:16:352015 年致股东信 · 大公司发明机器：对抗 Day 2 与拥抱失败的文化
    21. 03:44:262016 年致股东信 · 抵御 Day 2：真正的客户至上与高速决策
    22. 03:56:062017 年致股东信 · 高标准：可教、领域特定且需明确工作量预期
    23. 04:25:112018 年致股东信 · 漫游的力量：直觉、好奇心与非线性发现
    24. 04:42:452019 年致股东信 · 规模化的善：气候承诺与赋能小企业
    25. 05:05:082020 年致股东信 · 创造大于消耗：为所有利益相关方创造价值
  • 06-26#600.DeepMind预训练负责人：如何用“研究品味”敲开顶尖实验室大门
    1. 00:00本期克隆节目介绍：深度采访 Google DeepMind 预训练负责人 Vlad Feinberg
    2. 01:01Vlad 的三句精彩原话预告
    3. 01:54前沿实验室现在到底需要哪些技能
    4. 02:42内核开发和底层工程：跨实验室需求最旺盛的技能
    5. 03:34应用团队 vs 研究团队的区别
    6. 05:40软件工程师到 AI 研究员的技能光谱
    7. 05:51蒸馏基础设施的迭代：从设计文档到 Flash 3.0
    8. 08:38研究的本质：更高风险、更高回报的尝试
    9. 09:00研究品味：在随机的依赖图中选择路径
    10. 09:57把研究看作马尔可夫决策过程
    11. 11:26研究品味就是预判方法成功率的直觉
    12. 12:00第一关：对研究领域建立正确的背景认知
    13. 12:40如何高效遍历引用树，判断论文价值
    14. 13:45缩放定律的核心：预测模型最终测试损失
    15. 15:04LLM 预训练的特殊性：每次投入的算力都比以往更多
    16. 17:17文献综述是建立研究观点的唯一途径
    17. 17:37数学成熟度：读懂论文并提取研究想法的关键
    18. 19:08其他值得深入钻研的领域：编程语言研究、强化学习、分布式系统
    19. 21:21不同前沿实验室的要求有差别吗
    20. 22:02AI 会接手研究工作吗？研究技能组合会越来越重要
    21. 23:05不要被 FUD 绑架：人类在组织中的核心是建立信任网络
    22. 24:14写那篇文章的初衷：对抗末日论叙事
    23. 25:21最重要的信号：创造对别人有用的东西
    24. 25:41给开源项目做贡献：极其积极的信号
    25. 26:51内部转岗的建议：成为最有效应用模型的那个人
    26. 28:32Vlad 的公开邀请：完成 Scaling Book 练习，录视频发给我
    27. 30:04预训练领域负责人的职责：交付 Flash 和 Flash Lite
    28. 31:06预训练研究的三大支柱：蒸馏、推理协同设计、量化
    29. 31:59量化：把 32 位浮点数压缩到 4 比特的奇迹
    30. 33:46MFU 为什么看起来低，其实一点都不低
    31. 35:24推理协同设计：协调芯片上所有不同能力
    32. 37:01Jeff Dean 给的 spot bonus：从纯研究到产品影响的转折
    33. 38:59Flash 2.0 的战斗故事：MoE 架构的流水线预填充突破
    34. 45:29给大学毕业时的自己的建议：追人们真正面临的问题
    35. 46:13做一个别人希望看到你成功的人
  • 06-26#599.Nebius创始人：AI基础设施不是泡沫，但世界过度集中才是最大威胁
    1. 00:00本期克隆节目介绍：20VC与Nebius联合创始人的深度对谈
    2. 00:38主持人开场：Nebius市值已攀升至660亿美元
    3. 03:04我们现在处在AI基础设施的哪个节点？是不是泡沫时刻？
    4. 03:24Roman明确回应：我不认为这是泡沫
    5. 03:39我们正处在这个了不起的时刻的开端，才刚刚开始真正的普及
    6. 04:23任何一家大公司，AI普及程度才刚开始在1%的业务量里应用
    7. 05:22转向开源模型、本地部署的趋势，为什么对OpenAI和Nebius不是打击？
    8. 05:49这不是未来的事，现在已经在发生了
    9. 06:08今天最好的构建方式是用前沿模型，但跑通用例后会寻找替代方案
    10. 06:46从前沿闭源模型转向开源模型的关键：可调、可训练
    11. 07:07这为什么会伤害Anthropic和OpenAI？因为他们又去攻克下一个前沿了
    12. 08:00如果价值不断被侵蚀，这些万亿美元估值的公司日子好过吗？
    13. 08:24大多数人的担忧恰恰相反：开源生态够不够强大
    14. 09:06DeepSeek时刻：Nebius股价一周跌了40%，但迎来了史上最好的一周销售
    15. 10:08每次智能变得更便宜，我们不会减少消耗，反而会增加消耗
    16. 10:37你今天在哪些方面推进得还不够快？
    17. 10:48Nebius思考建公司的四个维度：容量、产品、客户、资本
    18. 11:02第一层：物理世界的扩张，部署兆瓦级算力
    19. 12:08第二层：多租户云，面向成百上千个研发团队
    20. 13:19第三层：托管推理，Nebius Token Factory
    21. 13:43这一层对应垂直AI公司或企业客户
    22. 14:23第四层：Agent应用和工作流，开发者不用想具体用哪个模型
    23. 15:20第四层就是OpenRouter的直接竞品
    24. 15:52当Agent需要规模化时，这是一个系统问题
    25. 16:45如果容量是现在的10倍，能一夜之间卖光吗？
    26. 16:57关键问题不是有没有需求，而是怎么构建需求组合
    27. 17:39裸金属层面只有十几个客户，托管基础设施有几百个，推理层有几千个
    28. 18:05来自Meta或微软这类客户的收入集中度，多少是可以接受的？
    29. 18:25Nebius的长期战略是服务尽可能多元化的客户组合
    30. 19:53为了业务的长期安全，必须构建全栈
    31. 20:55如果价格翻一倍，需求会有什么变化？
    32. 21:01我们其实刚提过价，提了30%
    33. 23:17在多租户这一层，核心问题是什么？
    34. 23:39客户需要什么？客户的需求在怎么演变？
    35. 24:33客户需求的变化里，有哪些公开讨论得比较少？
    36. 24:44从训练转向推理意味着人们在构建具体的产品
    37. 25:25飞轮效应：跑推理、生成数据、观察数据、改进模型
    38. 25:59构建的门槛在降低，越来越多非AI研究员进入市场
    39. 26:49当人们拿Nebius和其他Neo cloud对比，区别在哪？
    40. 27:15我们的原则是全栈整合：全栈向下深入物理世界，全栈向上构建产品
    41. 28:08业务集中度更低，客户组合更多元
    42. 28:23企业市场才是大棋局
    43. 28:58第三层托管推理怎么解释？
    44. 29:15用OpenAI跑通了用例，但利润空间不够，想用开源模型
    45. 29:54去Hugging Face下载权重自己跑，结果发现跑不通
    46. 30:41Token Factory提供开源模型或专用模型的托管推理服务
    47. 31:12通过优化能把推理成本最多砍掉70%
    48. 31:20怎么让一个token变便宜？模型蒸馏、推测解码、优化缓存
    49. 32:55模型开发的这种速度能持续下去吗？
    50. 33:28还有一整个生命科学模型、机器人模型、世界模型的世界
    51. 34:28关于token成本和用量，有什么意外发现？
    52. 35:01Revolut的案例：99%推理预算花在闭源模型上
    53. 35:28他们开始转向开源模型，但切换速度并不快
    54. 35:39被低估的事：建立用于改进和实验的基础引擎有多重要
    55. 36:19一旦解决基础问题，增长就开始指数级爆发
    56. 37:01企业端会出现大量爆发式增长
    57. 42:59如果一方权力比另一方大得多，这种关系还算婚姻吗？
    58. 43:25我们就是把自己该建的东西建好，把产品做好，把故事讲清楚
    59. 43:33NVIDIA在很大程度上仍然是一家工程师驱动的公司
    60. 43:42想赢得NVIDIA的尊重，最好的办法是让他们的工程师尊重你的工程师
    61. 44:58把你该干的活干好，最难的部分是什么？
    62. 45:04四个维度：建规模、建产品、服务客户、资本
    63. 45:46我们玩的是资本密集型游戏，竞争对手是全球资本最雄厚的公司
    64. 46:06今年的资本支出计划是2025亿美元，对手是我们的八到十倍
    65. 46:30审批、监管和数据中心建设的延迟，其实反而帮了忙
    66. 46:58未来六个月，资本帮不上忙；二十四个月，绝对可以解锁很多东西
    67. 48:18公众对AI的抵触情绪越来越强，40%的项目在规划审批阶段通不过
    68. 48:44我们把它当成一个项目组合来看，确保项目超额覆盖
    69. 50:44在太空建数据中心，这想法是不是太疯了？
    70. 50:55现在有那么多聪明人在努力让它变成现实，我有什么理由不相信
    71. 51:48五年后会非常普遍的工作是什么？
    72. 51:53把“开发者”这个身份民主化，每个人都可以成为开发者
    73. 52:37教育会怎么变？怎么训练人去思考，当他们不需要想那么多的时候？
    74. 53:14给两个十几岁女儿的建议：共情能力和创造力
    75. 54:16Nebius最大的威胁不是竞争，而是整体的整合
    76. 54:31如果世界变成三五个超级帝国掌控一切，我们唯一的价值就是帮他们服务物理层需求
    77. 55:08世界越民主化、越多元化，我们作为一门生意就越被需要
    78. 55:56Leo Aschenbrenner买了公司5.3%的股份，内部怎么看？
    79. 56:23我们把它看作是对我们做的事情的一种认可
    80. 56:39每次有人投资我们，都是在给我们信任和机会去交付，回去干活
    81. 57:49我们其实可以多庆祝一下，但就是没时间
    82. 58:18就像鲨鱼一样，动起来才算活着，我们必须一直动
  • 06-25#598.David Senra：AI时代最稀缺的能力是“把世界静音”
    1. 00:00本期克隆节目介绍：红杉资本对谈 David Senra
    2. 01:03David Senra 的核心哲学：把世界静音，然后建造你自己的世界
    3. 02:51所有伟大创始人的唯一共同点是什么？专注
    4. 03:17把世界静音，然后建造你自己的世界——Dana White 买下 UFC 的故事
    5. 06:21专注与痴迷的区别：乔布斯对 Johnny Ive 的追问
    6. 07:09这种专注特质的源头在哪里？父亲的故事与童年创伤
    7. 08:20科波拉的父亲：一个失败的音乐家如何塑造了儿子的疯狂职业精神
    8. 10:03这些创始人正常吗？适应良好吗？
    9. 11:09要当好的 CEO，就必须是混蛋吗？绝对不需要
    10. 11:36Daniel Ek 浪费了几年生命去模仿乔布斯
    11. 12:30比产品-市场匹配更重要的是创始人-问题匹配
    12. 13:57自闭症谱系障碍：对某些人是障碍，对某些人是超能力
    13. 14:31彼得·蒂尔：想要被人喜欢是一种真正的弱点
    14. 15:41科技圈的自闭症谱系现象：很多人是在假装
    15. 16:45VC 们搞错了什么？不服输的执念
    16. 18:20移民优势的说法靠谱吗？
    17. 20:34如果 David 做风投：我只押注人，不听你公司叫什么
    18. 21:57大部分情况下，只有一个人在驱动公司
    19. 22:57乔布斯重新创立了苹果——第二次他是独自一人
    20. 24:15卡内基与 Frick：痛苦的合伙关系
    21. 27:45很少有联合创始团队能经得起时间考验
    22. 28:16冒充者综合征：乔布斯得到的建议——假装一切尽在掌握
    23. 29:25黄仁勋每天对着镜子说：你怎么这么差劲？
    24. 29:58最好的创始人庆祝一天，然后接着干
    25. 30:29Brad Jacobs：你的驱动力来源必须从消极转向创造性
    26. 32:09工业革命时，创始人的画像变了吗？
    27. 32:42创始人模式 vs 管理者模式 vs 多尔西模式
    28. 33:55迈克尔·戴尔：这次跟以往任何一次都不同
    29. 35:47无限杠杆时代，专注的溢价前所未有
    30. 37:32AI 原生 CEO 不聚焦，同时在做好多事——这靠谱吗？
    31. 40:43最好的创始人有很好的品味吗？
    32. 43:26警惕 X 上的回音室和“今日热点”
    33. 43:48创始人应该做自己，还是接受塑造？
    34. 46:16这完全取决于你是什么样的人
    35. 51:40有多少创始人拥有平衡的个人生活？只有三个
    36. 52:44给创始人的建议：David 为什么从来不给建议
    37. 53:46有可能打造万亿美元公司又拥有平衡生活吗？
    38. 57:11最顶尖的创始人不需要建议——他们是不可抑制的自然之力
  • 06-25#597.Kristjan Kullamägi：普通交易者如何在低胜率市场里抓住指数级回报
    1. 00:00跨国串门计划开场：用 AI 克隆全球优质播客
    2. 00:38本期克隆节目：Chat With Traders 第 212 期
    3. 00:50嘉宾介绍：瑞典波段交易者 Kristjan Kullamägi
    4. 01:36原节目开场：市场、投机和风险
    5. 01:43Aaron 介绍本期嘉宾与节目路线图
    6. 02:33从 2011 年开始：先聊日内交易，再进入波段与突破策略
    7. 03:05Kristjan 何时开始交易？
    8. 03:15一开始就是全职：为了交易几乎放弃学位
    9. 03:44保安工作与安全网：交易失败还有退路
    10. 04:13第一笔交易资金：五千美元起步
    11. 04:26早期多次爆仓：三四次从头再来
    12. 04:44模拟盘两周翻倍后的真钱教训
    13. 05:10头两个月亏掉大部分钱
    14. 05:27每次爆仓都学到一点，账户存活时间变长
    15. 05:37早期亏损对信心的打击
    16. 05:49从日内交易开始：当时以为交易就是日内
    17. 06:15没有系统、没有止损、没有仓位管理
    18. 06:47为什么一开始就专注美国市场？
    19. 07:13什么时候开始转向波段交易？
    20. 07:222013 年开始盈利：交易两年后的转折
    21. 07:34发现真正的大行情需要几周、几个月甚至几年
    22. 08:14波段交易的风险回报更好，也更容易放大规模
    23. 09:19持仓过夜并非不可控，关键是仓位管理
    24. 10:02第一个一百万主要靠日内，之后主要靠波段
    25. 10:34赚到第一个一百万后，心态发生了什么变化？
    26. 10:58从“不敢相信”到理解自己在重复交易同类形态
    27. 11:31用波段形态放大规模、减少精力消耗
    28. 11:54日内交易太耗精力，波段交易让生活更轻
    29. 12:36形态来源：Stockbee 与 William O'Neil
    30. 12:51核心洞察：股票一百年来按相似形态运行
    31. 12:57翻遍美国股票图表，寻找重复出现的模式
    32. 13:31突破形态像一座金矿
    33. 13:48如何对交易形态建立信心？
    34. 13:56用 Evernote 建图形数据库
    35. 14:11保存突破前后截图，研究几周几个月后的走势
    36. 14:41给所有交易者的建议：回测几百甚至几千个例子
    37. 15:04交易本质：形态识别
    38. 15:08技术面之外：题材、财报、收入和新闻驱动
    39. 15:34深入拆解 Kristjan 的核心突破策略
    40. 16:04最简单的方法：日线级别突破
    41. 16:17大牛股通常像台阶一样上涨
    42. 16:46横盘、回撤、波动收缩，然后进入下一段上涨
    43. 17:04策略目标：识别台阶，在突破前后买入
    44. 17:25用 10 日、20 日均线和移动止损捕捉更大行情
    45. 17:41股票是一阵一阵释放动量的
    46. 17:59越强越好：最大赢家往往继续成为最大赢家
    47. 18:37Tesla、NIO、Apple、Google 的台阶式形态
    48. 19:15突破后是短拿一波，还是穿越多个台阶？
    49. 19:33对热门板块领涨股，尽可能久地持有
    50. 19:47第一波上涨先卖一部分，降低压力
    51. 20:19不喜欢没有利润垫时持仓穿过财报
    52. 20:48如何扫描并识别交易标的？
    53. 21:00现在主要交易大盘股，因为流动性最好
    54. 21:19扫描最强股票，同时要求成交额门槛
    55. 21:34寻找最强的 2% 股票
    56. 21:39从 1 个月到 18 个月多周期比较强度
    57. 22:06按下买入按钮前，要看到哪些条件？
    58. 22:19绝对动量和相对动量都必须很强
    59. 22:36图形质量很难完全用扫描器识别
    60. 22:56线性度：上涨后的整理是否有秩序
    61. 23:35好形态的关键：走势越来越收紧
    62. 24:06寻找离群股票，而不是随机平庸形态
    63. 24:11最好时机：市场回撤后的突破
    64. 24:35回调中最抗跌的股票在传递信号
    65. 25:06突破策略需要上升或横盘市场
    66. 25:15真正想交易的是流动性好、涨幅大、回调抗跌的领涨股
    67. 25:41不盲目交易图表：还要看基本面角度
    68. 26:00只靠动量和图形也能赚钱，但结合基本面更好
    69. 26:17基本面是燃料，动量是燃料点燃后的结果
    70. 26:43增长最快的股票叠加突破方法，会形成优势
    71. 27:21理解板块主题，比随机交易漂亮图形更有把握
    72. 28:01当主题、动量、成交量和形态共振时，才敢下大仓位
    73. 28:23基本面让 Kristjan 更敢持有、更敢加仓
    74. 28:39建仓时是否选择日内具体入场点？
    75. 28:48一次性全部买入：进出场都非常激进
    76. 29:08不想慢慢挂单，只想几秒钟内完成进出
    77. 29:20突破时全仓进入计划仓位，之后分批卖出
    78. 29:38如果交易没按预期走，在哪里止损？
    79. 29:50买开盘区间高点，止损放当日低点
    80. 29:59一分钟、五分钟、六十分钟开盘区间的用法
    81. 31:03突破必须在日线图上明显
    82. 31:36买的是突破，不是提前预判突破
    83. 31:53用开盘区间高点和低点管理止损
    84. 32:04波段交易也可能当天被止损
    85. 32:18两分钟后被止损也很常见
    86. 32:44胜率很低，但收益可以非常夸张
    87. 33:04被止损后，会不会继续观察重新进场？
    88. 33:15好形态不会因为一次止损就放弃
    89. 33:48不能犹豫：好形态就要重新进去
    90. 34:01被止损就出，不多想，释放脑力
    91. 34:24突破走出来后，如何管理持仓？
    92. 34:42初始止损永远放在当日低点
    93. 34:45等 10 日或 20 日均线追上来后，转为移动止损
    94. 35:25移动止损要等收盘确认
    95. 35:46盘中跌破均线很常见，过早卖出会错过大行情
    96. 36:21会不会给盈利仓位加仓？
    97. 36:24只有出现新的好形态时才加仓
    98. 36:58长趋势中出现新台阶，会把加仓当作一笔新交易
    99. 37:41波段交易如何面对大盘波动？
    100. 38:02最好在市场已经回调后进场
    101. 38:36买相对强于大盘的股票，有助于扛过回调
    102. 39:04下跌市场里不要碰突破，失败概率很高
    103. 39:22下跌趋势应持有现金、少做交易、缩小仓位
    104. 39:42不一定盯指数，更关注观察名单、扫描结果和持仓
    105. 40:07重要的是整体情绪与市场趋势
    106. 40:19市场感需要亲身经历多个周期
    107. 40:57同一时间会限制持仓数量吗？
    108. 41:02没有固定上限，仓位会随市场机会增加
    109. 41:252020 年疫情抛售后，一开始仓位很少
    110. 41:42看到大量形态出现后，仓位迅速增加
    111. 41:56卖出一部分锁利，再把资金转向新突破
    112. 42:05持有 30 个仓位反而成了自有市场指标
    113. 42:32理想持仓数量：15 到 20 个
    114. 43:03大幅盈利并锁定利润后，剩余仓位不必一直盯
    115. 43:14波段交易的好处：牛市中相对省力
    116. 43:21但掌握形态、基本面和市场环境需要很多年
    117. 43:46低胜率下，平均盈利和亏损比例如何？
    118. 44:06Kristjan 不太做细碎统计
    119. 44:27大的方面做对，小的方面不必过度担心
    120. 44:38年度收益是否来自少数大赢家？
    121. 44:48核心就是小亏损、大赢家
    122. 45:05可能 15%-20% 的交易贡献了几乎所有利润
    123. 45:17Kristjan 的风格：全垒打型交易者
    124. 45:31接受很低胜率，等待真正大的机会
    125. 45:52即使成功后，每天仍面对哪些挑战？
    126. 46:05最大挑战之一：过度交易
    127. 46:24另一个挑战：耐心不够
    128. 47:06NVAX 案例：过早卖出后又翻倍
    129. 47:34总想比移动止损更聪明，但做不到
    130. 47:49擅长进场，出场很糟糕
    131. 48:09覆盖卖出规则大多数时候不划算
    132. 48:38两大问题：覆盖卖出规则与过度交易
    133. 48:43很多人难以接受亏损，但 Kristjan 已经克服
    134. 49:14购买力提升后，风险态度如何变化？
    135. 49:22账户翻倍后，风险和仓位也逐步跟着放大
    136. 49:49不轻易从账户提款，让资金继续复利
    137. 50:07保证金的使用：只在顺利时才用
    138. 50:17保证金必须先配得上，不是一种特权
    139. 50:41做得好时才开始适度用保证金
    140. 50:50有些阶段完全不该用保证金，甚至不该交易
    141. 51:14小账户做波段，更要重视仓位管理与分散
    142. 51:36见过太多隔夜暴跌，不能把全部压在两三只股票上
    143. 51:53第一次拥有保证金购买力后的教训
    144. 52:06不用杠杆也可以取得惊人回报
    145. 52:26好行情来时，波段交易者要尽量抓住
    146. 52:41为什么这种级别的交易成功如此少见？
    147. 53:07策略听起来简单，因为它本来就应该简单
    148. 53:15指标数量和盈利能力可能负相关
    149. 53:34专注价格本身，听市场在说什么
    150. 53:41太在意他人观点会破坏交易
    151. 54:02屏蔽金融媒体、亿万富翁和基金经理的观点
    152. 54:22只关注市场和领涨股在做什么
    153. 54:35回看成千上万个交易案例，会显著提升优势
    154. 54:56研究形态有效和无效时，市场分别在做什么
    155. 55:09杠杆和规模放大既能伤人，也能放大收益
    156. 55:20很多成熟交易者没能把交易规模推上去
    157. 55:37规模放大是拉开收益差距的关键
    158. 56:18规模变大后的亏损很难受，但要用百分比思考
    159. 56:26不要被金融媒体的“点数”叙事误导
    160. 56:54交易里始终用百分比风险来思考
    161. 57:24账户翻倍后，要逐步适应更高的名义风险
    162. 57:45三四个概念就可能显著改善交易者收益
    163. 57:56交易成功后，生活发生了什么变化？
    164. 58:07Kristjan：其实没怎么变
  • 06-24#596.AI 智能体：当百万个代理开始替你谈判、花钱与协作
    1. 00:00跨国串门计划开场：用 AI 声纹克隆翻译全球优质播客
    2. 00:38本期克隆节目介绍：Google DeepMind《When millions of AI agents meet》
    3. 00:50主持人与嘉宾：Hannah Fry 对谈 Nenad Tomašev
    4. 01:04开场金句：智能体、清醒监督、信任与未来通用层
    5. 01:42Google DeepMind 播客正式开始：从 AI 助手到 AI 智能体
    6. 02:22核心问题：当数百万个智能体彼此交易、谈判、委托会怎样
    7. 02:51从基础开始：大语言模型和智能体到底有什么区别
    8. 03:03智能体不是新概念：早于大语言模型的 AI 研究传统
    9. 03:26智能体的核心定义：观察世界状态，并在环境中采取行动
    10. 03:48语言模型只是续写回答，智能体会通过外层 harness 执行动作
    11. 04:14自主性来自哪里：把一连串决策与多步骤行动串起来
    12. 04:56敏感操作仍需要批准：人类输入不能轻易消失
    13. 05:12使用体验：你仍在对话，但角色更像决策者和审批者
    14. 05:47婚礼筹备例子：从推荐名单到真正发邮件、订供应商
    15. 06:04工具访问权限：给 Gmail、钱包、网页后，智能体才真正能办事
    16. 06:34“理想情况下”：智能体完成任务的前提是没有出错
    17. 06:42当前阶段：智能体最擅长的方向之一是编程
    18. 07:07软件开发被加速：人类注意力回到想法和设计
    19. 07:37为什么还要人在环路中：不是不能做，而是不可能百分百准确
    20. 08:12错误可能很隐蔽：自动化偏见让人逐渐放松警惕
    21. 08:48人不只是“在场”，还必须真正投入、保持清醒
    22. 09:04长期冲击：AI 正在进入科学、数学等过去难以想象的领域
    23. 09:59变化速度令人不安：这次适应窗口可能比工业革命更短
    24. 10:26为什么要构建智能体：推动科学进步、改善健康和人类福利
    25. 10:59自主性的争议：是否应该把更多行动权交给系统
    26. 11:40Nenad 的核心梦想：用智能体加速科学研究
    27. 11:45科学不只是好点子：还包括实验、观察、分析与闭环反馈
    28. 12:10自主研究实验室：让智能体安排实验运行
    29. 12:24真实世界接口必须有安全保护：材料、生物、电池都可能出事故
    30. 12:45科学闭环比软件更难：物理实验才是反馈来源
    31. 13:16当智能体能自主测试问题，人类角色在哪里
    32. 13:34短期答案：当前系统还不是 AGI，人类仍有关键作用
    33. 13:48这一代系统的能力边界：组合式延展人类已有技能
    34. 14:08还没有深层科学变革：尚未出现人类完全想不到的发现
    35. 14:23智能体被谈论多年，为什么最近才真正走向普通人
    36. 14:38早期窄智能体：数据中心优化、交易算法等已存在但不可交流
    37. 15:17新变化：基于语言模型的智能体可以被对话、引导和影响
    38. 15:34阻碍大规模部署的关键：不只是底层模型，而是协调与编排
    39. 16:08用户将变成“团队管理者”：管理一队智能体的工作流
    40. 16:29智能体会犯非人类式错误，也还不够了解你
    41. 16:50幻觉与灾难性后果：为什么信任智能体是一大步
    42. 17:10信任可以给予，但必须被赢得：声誉追踪与持续验证
    43. 17:48智能体之间的委托：一个任务如何拆给专用智能体
    44. 17:58复杂任务瓶颈：没有单个智能体能完成所有部分
    45. 18:36智能体间协议：委托、失败管理与提前预防
    46. 18:54判断可委托对象：可靠性、能力认证与恶意交互防护
    47. 19:17大型活动类比：协调越复杂，出错点越多
    48. 19:41多智能体系统现状：很多只是并行化，不是真正智能委托
    49. 20:17随机拆任务的风险：买酒和买杯子的智能体可能互不理解
    50. 20:35为什么软件场景更容易：单元测试让结果更可验证
    51. 21:10奖励黑客：技术上完成请求，却违背真实意图
    52. 21:30可验证性与正式契约：委托方和受托方必须定义清楚
    53. 21:38可逆任务与不可逆任务：花钱、下单等现实后果需要更谨慎
    54. 22:04反向委托：AI 也会把任务交给人类
    55. 22:26医疗 AI 背景：Nenad 曾长期研究医学场景
    56. 22:31窄领域超人类系统：医学影像模型已能高水平识别病灶
    57. 22:55AI 仍会出错：人类专家复核是重要配置
    58. 23:16AI 先预测，不确定时标记给人类
    59. 23:32最佳团队配置：AI 在不确定时把判断让给人类
    60. 23:49即使 AI 超过人类，也需要人类处理不确定性和敏感操作
    61. 24:21网络安全问题：越来越多智能体在互联网互动，会被攻击
    62. 24:40智能体式陷阱：大规模部署困难的主要原因之一
    63. 24:48统计性失败：大量互动中，只要单次不可靠，系统就自然会失败
    64. 25:11环境就是互联网：如果网页被投毒，智能体可能踩入陷阱
    65. 25:38提示注入案例：酒商网站隐藏指令改变智能体目标
    66. 25:54隐藏 token：网页中人类看不见、智能体会读到的内容
    67. 26:23动态伪装：对人类和智能体展示不同页面
    68. 26:45钱包权限风险：智能体可能被诱导转钱或执行恶意操作
    69. 27:21一旦开放部署，攻击动机迅速增强
    70. 27:32网页可能已进入“智能体生成、智能体消费”的阶段
    71. 27:49网页分裂：给人看的版本与给智能体看的版本
    72. 28:11如何缓解风险：无法控制整个网页时，怎么保护智能体
    73. 28:24网页安全并非新问题：附件病毒、钓鱼页面与资源验证
    74. 28:43对抗样本类比：人类无感的微小修改也能攻击模型
    75. 29:08护栏不能只盯智能体本身，也要看外部环境
    76. 29:22纵深防御：没有单一方案能解决全部问题
    77. 29:39一层层缓解措施：让安全网足够密
    78. 29:49网页认证、资源信任、模型缓解与智能体侧防护
    79. 30:05人类控制与权限最小化：被越狱时把损害降到最低
    80. 30:25什么是正式的智能体式经济
    81. 30:39个人助理智能体：拥有持久记忆、偏好和部分自主性
    82. 30:57给智能体预算：个人助理之间形成局部经济
    83. 31:06演唱会门票例子：所有智能体同时抢票会怎样
    84. 32:00拍卖机制是设计选择：公平性由系统规则决定
    85. 32:12同等预算与偏好分配：让智能体代表真实需求行动
    86. 32:55人群规模上的公平：机制设计决定资源分配结果
    87. 33:03从门票到金融市场：智能体可能冲击高频交易与股票系统
    88. 33:36向已有金融系统学习：不必重新发明风险缓解机制
    89. 33:56AI 智能体的新问题：底层模型高度集中
    90. 34:15认知单一文化：百万个相似决策者会制造相关故障点
    91. 34:57智能体式群体思维与潜在串通
    92. 35:16不直接通信也可能协调：需要反串通措施
    93. 35:29安全担忧越具体，越能理解为什么要慢慢发布
    94. 35:47自动驾驶类比：最后一公里往往最难
    95. 36:07编排智能体不只是技术问题，也涉及政策和社会理解
    96. 36:27现在不是完全自主经济，而是把 AI 整合进人类结构
    97. 36:46另一面：智能体社会也可能像人类社会一样完成伟大事情
    98. 36:59多智能体的真正价值：不只是并行提速，而是差异化分工
    99. 37:26智能体经济需要专用型智能体，不只是通用型智能体
    100. 37:39AGI 的 G 是通用，但经济终局未必是单一通用模型
    101. 37:59国际象棋例子：专用引擎比通用模型更快、更准、更便宜
    102. 38:40AGI 常见误区：把“人类水平智能”误解成“全人类水平智能”
    103. 39:20未来可能不是一个巨型模型，而是专用智能体组成的社会
    104. 39:41专用智能体可认证、低成本、更可靠，因此更符合经济逻辑
    105. 39:54通用层像连接组织：知道全局，并负责编排具体任务
    106. 40:10分布式智能：更像人类社会，而不是单一 AGI
    107. 40:33对齐问题改变：不再只是对齐一个模型
    108. 40:57一万个智能体复杂互动时，系统本身都难以界定
    109. 41:31经济激励可能成为分布式智能体社会的对齐起点
    110. 41:53单个智能体安全仍是群体安全的前提
    111. 42:03群体层面风险需要更多工作，而时间非常短
    112. 42:19主持人总结：别只盯单个智能体，要看到智能体社会
    113. 42:39未来图景：通用型、专用型、委托型智能体共同构成更大系统
    114. 42:57也许目标不是复制一个人，而是复制全人类水平智能
  • 06-24#595. Lambda CTO：GPU 神话破灭后，AI 时代最稀缺的到底是什么
    1. 00:00跨国串门计划开场：用中文克隆全球优质播客
    2. 00:38本期克隆节目介绍：The MAD Podcast 与 AI 算力硬核对话
    3. 01:29Stephen 开场判断：GPU 不会被扔掉，AI 算力仍严重建设不足
    4. 02:05Matt Turck 正式介绍 Lambda 与 neocloud 主题
    5. 02:22本期议题总览：GPU 不是商品、数据中心融资、H100 租赁与吉瓦级 AI 工厂
    6. 02:38Lambda 的疯狂起源：从人脸识别到摄像头棒球帽，再到十亿美元云业务
    7. 02:54当年唱衰 neocloud 的人错在哪里
    8. 03:16核心判断：云计算不是商品化服务
    9. 04:02GPU 租赁价格下降了吗？长期费率与按需费率的差异
    10. 04:13Bloomberg H100 租赁价格指数可能误读了市场结构
    11. 05:05neocloud 的竞争优势来自技术还是融资
    12. 05:19Lambda 的软件编排层：把超大 GPU 集群切分给客户
    13. 05:38从网页启动 16 到 4000 块 GPU：one-click cluster 的差异化
    14. 05:54数据中心建设、上线速度与金融结构同样是创新层
    15. 06:30neocloud 会赢家通吃，还是容纳多个大玩家
    16. 06:52技术、资本形成与经济护城河会塑造寡头市场
    17. 07:10未来到底是过度建设还是建设不足
    18. 07:21Stephen 判断：总体仍然严重建设不足
    19. 07:39“把钱投进去，另一端产出软件”的系统正在成形
    20. 07:53Opus 4/5 之后，AI 需求继续扩大的原因
    21. 08:06Scaling Laws 还没看到尽头
    22. 08:39模型能力提升会不断扩大可服务市场
    23. 09:08计算效率提升十倍，会不会打击算力需求
    24. 09:16效率提高只会让每个人处理十倍 tokens
    25. 10:08Lambda 当前建设的主要瓶颈在哪里
    26. 10:14瓶颈通常先是局部问题，再变成全局问题
    27. 10:28行业级瓶颈：土地、电力与数据中心设备
    28. 10:52反数据中心运动有多真实
    29. 10:58社区参与、大型资本项目与公共沟通
    30. 11:42关于数据中心耗水的错误信息
    31. 12:24行业需要更清楚解释现代 AI 数据中心的真实影响
    32. 13:28打开引擎盖：如何理解 FLOPS、GPU 小时、tokens 和 MFU
    33. 13:39用物理视角拆解计算单位
    34. 13:57从光子、天然气分子到焦耳和瓦特
    35. 14:34PUE：数据中心自身冷却效率
    36. 14:43服务器、网络、存储如何产生 FLOPS
    37. 14:55从 FLOPS 到 tokens，再到真正的智能
    38. 15:19同一款芯片，为什么不同公司能榨出不同价值
    39. 15:30GPU 小时成本中最大部分是折旧
    40. 15:42利用率如何放大或压低每小时折旧成本
    41. 16:00云产品体验决定 GPU 利用率
    42. 16:10按需零售价格与长期批发价格的巨大差异
    43. 16:27Lambda 如何追求最高美元利用率和百分比利用率
    44. 16:59从一堆 GPU 到 GPU 网络：AI 集群如何连接
    45. 17:09GB300 NVL72、NVLink、InfiniBand 与 spine-leaf 拓扑
    46. 17:35全连接无阻塞网络如何服务训练和推理
    47. 17:47什么是 frontier inference 前沿推理
    48. 18:16前沿推理不是“推理模型”，而是超大前沿模型的分布式推理
    49. 18:47训练中的反向传播与前向传播
    50. 19:02大规模训练基础设施如何复用到推理
    51. 19:10混合专家模型、分片策略与分布式推理
    52. 19:39小模型可放进单卡，大模型必须跨服务器运行
    53. 19:52模型成本最贵的到底是什么
    54. 20:06单位成本最大项依然是折旧
    55. 20:25从发电厂、数据中心到服务器的吉瓦级资本开支
    56. 20:47服务器物料清单中 GPU 和 HBM 内存的重要性
    57. 21:06Lambda 使用哪些 NVIDIA 芯片
    58. 21:16从 V100、A100、H100 到 B300、VR200 的芯片栈
    59. 21:47未来会不会进入多种 AI 芯片并存的世界
    60. 21:56多种硅芯片竞争已经发生
    61. 22:13NVIDIA 的平台优势与开发者生态
    62. 22:34NVIDIA 的护城河不只是 CUDA
    63. 22:38cuDNN：为矩阵乘法高度调校的引擎
    64. 23:24NCCL：感知网络拓扑的通信优化库
    65. 23:48软件栈是新芯片玩家很难跨过的门槛
    66. 24:05网络与存储在 AI 云中的角色
    67. 24:13训练数据、推理输入与高速存储
    68. 24:34Lambda 的 AI 优化并行文件系统
    69. 24:55“完全自研”到底意味着什么
    70. 25:35除非自己开采硅和造 ASML，否则没有真正从零自研
    71. 25:50如何把一万个 GPU 集群切分成可用云资源
    72. 26:05带内网络、计算网络、带外监控网络的分工
    73. 26:40RDMA 与 GPU HBM 直接内存访问
    74. 27:06现代 AI 数据中心背后的庞大软件工程
    75. 27:40为什么传统数据中心房东并不知道 AI 数据中心里真正发生什么
    76. 28:05让公众理解：AI 数据中心处理的就是 ChatGPT 请求
    77. 28:21Lambda 是租数据中心，还是自己建设
    78. 28:31从租用方走向完整垂直整合
    79. 28:43找土地、做设计、融资建设、绑定长期承购协议
    80. 29:18Lambda 会不会把自建数据中心租给别人
    81. 29:25当前重点是服务 Lambda 自身算力需求
    82. 29:49Lambda 的国际化策略：聚焦北美尤其美国
    83. 30:23AI 云需要像传统云一样贴近客户吗
    84. 30:29延迟在许多 AI 工作负载中并不重要
    85. 30:51Agent 和研究报告场景里，token 成本比延迟更关键
    86. 31:14数据主权和治理会影响区域部署
    87. 31:38AI 算力融资结构：按需云与长期承购协议
    88. 31:53按需业务看 Lambda 信用，长期协议看最终客户信用
    89. 32:04GPU、租约和承购协议如何进入资产抵押贷款结构
    90. 32:52债权人开始真正理解 NVIDIA 芯片的资产价值
    91. 32:582023 年 H100 今天租金反而更高
    92. 33:29为什么 H100 能以更高费率出租
    93. 33:41高需求与更慢技术折旧共同推动价格
    94. 34:03“GPU 三五年就报废”是错误判断
    95. 34:19会计折旧周期不等于可用寿命
    96. 34:25真正重要的是经济可用寿命
    97. 34:42计算单元会不会形成现货和衍生品市场
    98. 34:52GPU 现货市场与更复杂证券的早期苗头
    99. 35:34GPU 正在被视为更成熟的信贷资产类别
    100. 35:46回到起点：Lambda 最早从什么开始
    101. 35:58为什么 Lambda 很难被传统 VC 框架理解
    102. 36:182012 年创办 Lambda：做人脸识别软件
    103. 36:30用四张 GTX 580 工作站训练卷积神经网络
    104. 36:54ImageNet、AlexNet 与深度学习早期时刻
    105. 37:21人脸识别 API 有用户但没有太多现金
    106. 37:44帮助 Perceptio 在 iPhone 本地跑神经网络
    107. 38:23Perceptio 被 Apple 收购，并进入 iOS 图像识别能力
    108. 38:39Lambda Hat：帽檐摄像头与早期视觉数据采集
    109. 39:04看到未来还不够，时机同样关键
    110. 39:19在深圳做硬件：PCB、消费电子与商业认知
    111. 39:35DreamScope：早期版 MidJourney 式图像生成产品
    112. 40:06AWS 账单暴涨，迫使 Lambda 自建 GPU 小集群
    113. 40:29一个月半回本：从省钱发现 GPU 算力生意
    114. 40:45从卖工作站和服务器到开发云平台
    115. 41:082019 年真正开始推广云业务
    116. 41:26云业务增长到接近十亿美元年化收入
    117. 41:43早期团队今天还在吗
    118. 42:36Lambda mafia：校友网络与 Positron 的诞生
    119. 42:49困难时期如何把团队留在一起
    120. 42:53资本密集型创业的系统冲击与新冠考验
    121. 43:21“咬牙扛住”：穿过痛苦、解决问题
    122. 43:44公司存在的唯一理由：做出客户愿意付钱和推荐的东西
    123. 44:02Lambda 101：把自己代入那只训练神经网络的 Linux 企鹅
    124. 44:32T 恤、白色机架与让客户惊喜的文化
    125. 45:00为什么请 Michel Combe 出任 CEO
    126. 45:15创始人不必执着于 CEO 头衔
    127. 45:39Stephen 更关心技术和打造跨时代公司
    128. 46:08从融资、资本组织和日常管理中抽身
    129. 46:42作为 CTO 专注快速部署数据中心
    130. 46:58Lambda 要成为垂直整合、高速运转的强公司
    131. 47:06目标：像 xAI 一样甚至更快上线算力
    132. 47:43快速部署依赖选址、MEP 供应、建设方式与客户接入
    133. 48:01传统数据中心设计者更像地产从业者
    134. 48:24传统云区域复杂，而 AI 数据中心约束完全不同
    135. 48:53AI 数据中心或许可接受更低可用性，换取更优设计
    136. 49:06“AI 不会写软件，它会变成软件”是什么意思
    137. 49:12神经软件、神经计算机与神经操作系统
    138. 49:19用 ChatGPT/Claude 渲染 ASCII 桌面界面来感受未来
    139. 49:43大语言模型未来不是生成软件，而是变成软件
    140. 49:57电脑上的许多软件可能被神经交互方式接管
    141. 50:15你可以把软件想象出来，只实现你正在体验的部分
    142. 50:35vibe coding 与 neural software 的区别
    143. 50:41vibe coding 仍是输出传统可编译代码
    144. 51:14即时 vibe coding：软件应用被实时创造
    145. 51:24neural software 没有正在运行的代码
    146. 51:45神经软件距离大规模采用还有多远
    147. 51:50Lambda 已经做出神经软件原型
    148. 52:08大规模采用可能还需要十到十五年
    149. 52:27自动驾驶可被视为神经软件的一种形式
    150. 52:57Agent 会如何改变计算资源需求
    151. 53:04从用户工作流理解计算层变化
    152. 53:40Agent 工作流会消耗大量编译、测试和代码搜索时间
    153. 53:58云服务将承担更多传统 CPU 工作负载
    154. 54:16Lambda 内部如何使用 AI Agent
    155. 54:33自组装软件：产品需求与用户反馈接入 24/7 Agent 集群
    156. 54:54从 bug/需求到 Agent 实时实现
    157. 55:23未来 Agent 甚至会反向请求人类帮它完成现实任务
    158. 56:05什么是吉瓦级 AI 工厂
    159. 56:17AI 工厂：土地、数据中心和服务器共同生成 tokens
    160. 56:25一吉瓦意味着十亿瓦，约等于纽约市用电量的五分之一
    161. 56:38“一个人一个 GPU”的长期愿景
    162. 56:43AI 会孕育划时代公司
    163. 57:05从 Apple “一个人一台电脑”到 Lambda “一个人一个 GPU”
    164. 57:26Apple 愿景用了几十年才接近实现
    165. 58:53为什么未来每个人都需要 GPU 算力
    166. 59:20“一个人一个 GPU”不是一夜实现，而是长期文明级目标
    167. 59:33快问快答开始
    168. 59:38AI 里什么被过度炒作了
    169. 59:41非软件工程场景里的智能体工作流常被高估
    170. 59:48好的 Agent 工作流需要明确反馈机制
    171. 01:00:07不容易验证的任务不适合长期 Agent 迭代
    172. 01:00:52AI 里什么被低估了
    173. 01:00:54神经 OS、自组装软件与软件开发 Agent 被低估
    174. 01:01:14很多人从未真正尝试过高强度 Claude Agent 工作流
    175. 01:01:31节目收尾：Matt 感谢 Stephen
  • 06-23#594.Fiona Fung：AI 时代工程师如何不掉队，代码不再稀缺后的团队重构
    1. 00:00开场 & 播客简介
    2. 01:37代码交付量暴增八倍：Anthropic 工程团队正在经历什么
    3. 04:20从 IBM 到 Visual Studio：Fiona 的工程师成长路径
    4. 07:31Dogfooding 的起点：用 Visual Studio 构建 Visual Studio
    5. 09:05从 CD 发布到在线发布：工程瓶颈如何一路迁移
    6. 09:50编程不再是瓶颈：验证、质量和影响成为新核心
    7. 10:212026 年的软件团队：每个人都变成“构建者”
    8. 10:43用 Claude Code 管理团队：连接代码库、Slack 和指标
    9. 11:28从“发了什么”到“产生了什么影响”
    10. 12:57routines：每天自动总结反馈、发现问题、生成 PR
    11. 14:50自动代码审查：把“什么是好”写进 repo
    12. 16:00TDD 的回归：AI 让测试驱动开发不再像“交税”
    13. 17:08招什么样的人：产品型构建者与深度系统专家
    14. 18:20野心变得更重要：AI 抬高了每个人能做到的上限
    15. 19:30谁能适应 AI 时代：成长型思维、好奇心和持续学习
    16. 20:46靠近恐惧：把焦虑转化成可控行动
    17. 22:43从视觉艺术到工程：Fiona 如何用行动对抗不确定性
    18. 25:26为什么 Fiona 关心小企业和普通人使用 AI
    19. 27:38Cowork 如何帮助小企业处理报销、发票和文档
    20. 28:55餐厅老板的例子：用 Claude 做菜单和定价分析
    21. 29:45如何帮助身边还没用 AI 的人：从一个真实场景开始
    22. 31:48Anthropic 如何更早发现机会：观察潜在需求
    23. 34:28routines 与异步智能体：从写 prompt 到让 AI 写 prompt
    24. 36:51管理者的日常自动化：让 Claude 先帮你发现问题
    25. 37:43高能动性与高责任感：自由必须配套责任
    26. 39:20衡量 AI 生产力：不要把动作误当成进展
    27. 41:32Marketplace 的指标教训：环境变化时，指标也要更新
    28. 43:24主动质量管理：先定义哪些体验最关键
    29. 43:56bad 与 sad 框架：区分不可恢复错误和可恢复痛点
    30. 45:41质量保障的新重点：测试、监控、评测，而不是只靠人审 PR
    31. 46:10脏话仪表盘：用用户挫败感观察产品体验
    32. 47:10为什么经理要先做 IC：先理解工作流，再开始管理
    33. 48:39领导者必须生活在产品里、呼吸着产品
    34. 50:16从 Meta 到 Anthropic：重新写代码、重新发 PR 的体验
    35. 51:22Claude 作为入职伙伴：理解代码库、生成测试、建立信心
    36. 52:22工程师能力会不会退化：仍然要理解依赖的下一层
    37. 53:30AI 编程可能变孤独：为什么要办两两编程午餐
    38. 55:35代码心流的消失：工程师快乐来源正在从解题转向产品
    39. 57:00第二个被改变的角色：PM、设计、数据科学都在变化
    40. 58:33新的工程经理期待：工程师要更有产品感，其他角色也更像工程师
    41. 01:00:16为什么 Fiona 如此执着于亲自使用产品
    42. 01:00:49在 Marketplace 遇到骗局：亲身使用发现数据看不到的问题
    43. 01:03:23如果自己不是用户，就去见客户
    44. 01:03:43智利增长案例：一次实地体验发现网络环境才是阻碍
    45. 01:04:28还需要独立 iOS 和 Android 团队吗？
    46. 01:05:50全自动审查应该推进到什么程度？
    47. 01:06:42如何验证最终体验真的符合目标？
    48. 01:07:10异步智能体的新负担：上下文切换变多
    49. 01:09:14下一代工程师怎么培养：软件工程会不会变成学徒制
    50. 01:12:30过去没跑通的 AI 自动化，可能值得重新尝试
    51. 01:13:23最让 Fiona 睡不着的问题：如何维护团队文化
    52. 01:14:05文化不是墙上的海报，而是活着的团队行为
    53. 01:16:30管理者要敢说“不顺”：别做着火房间里的狗
    54. 01:17:59砍掉不再服务目标的流程
    55. 01:18:56六个月路线图失效后：转向 JIT 即时规划
    56. 01:19:23月度轻量规划：每周检查优先级是否仍然成立
    57. 01:21:40推荐书：Margaret Atwood、村上春树与《小王子》
    58. 01:22:39喜欢的电影：《天使爱美丽》《千与千寻》《风之谷》
    59. 01:24:21产品推荐：一家本地小店的有机身体护理产品
    60. 01:26:32工作格言：保持简单，专注真正要做好的事
    61. 01:27:05人生格言：在可以成为任何人的世界里，选择善良
    62. 01:28:30编织与编程：下针、上针、零和一
    63. 01:30:50Fiona 的请求：把 AI 带给身边还没接触到的人
  • 06-23#595.All-In：如何守住经济流动性，AI监管与新寡头冲突下的财富真相
    1. 00:00开场 & 播客简介
    2. 01:39All-In 原班四人组回归：开场玩笑与本期议程预热
    3. 04:00“Great American Politburo”：Friedberg 对新政治寡头的猛烈批评
    4. 07:05政府供给的代价：免费承诺、自由损失与经济流动性
    5. 09:40Chamath 的福利救济童年：习得性无助如何压缩人的潜能
    6. 11:45私有财产的边界：从伊利诺伊法案谈政府征税与资产控制
    7. 13:10人的能动性为什么重要：从心理学解释“无助感”的形成
    8. 15:23SpaceX 破纪录 IPO：市值、发行、散户配售与全球排名
    9. 17:40Chamath 复盘 Cursor 收购：Elon 如何用交易结构拿到“好价格”
    10. 19:15Sacks 谈万亿富翁：Elon 的财富并不是银行里的现金
    11. 21:00财富的本质：创造一台能持续制造价值的机器
    12. 23:30从劳动到资本：科技行业如何用股权改变普通员工命运
    13. 27:30对富人的攻击从何而来：嫉妒、市场波动与价值创造
    14. 29:20让普通人更早参与：为什么私人公司投资准入需要改变
    15. 31:18知识分子阶层的怨恨：为什么“只生产文字的人”反感创造者
    16. 32:16创造者 vs 索取者：Friedberg 提出的社会真实分界线
    17. 34:19Fable / Mythos 被叫停：Anthropic 新模型引发行业震动
    18. 37:04Sacks 还原政府视角：Mythos 如何被描述成“网络武器”
    19. 40:00Amazon 的角色：云合作伙伴为何上报越狱风险
    20. 42:10Dario 的关键失误：为什么政府认为 Anthropic 没有认真处理安全问题
    21. 44:30信任破裂：出口管制信如何让一次个案变成行业焦虑
    22. 45:30Chamath 批评前沿实验室：末日论、幼稚与硅谷信任危机
    23. 46:50KYC 与云服务商守门：AI 是否会被推向寡头化
    24. 50:00Friedberg 的技术史类比：从 IBM 大型机到 AI 技术栈拆分
    25. 53:20Jason 的另一种解读：Anthropic 是否其实做了保守发布
    26. 56:44Sacks 回应政治动机指控：这不是私人恩怨，而是安全与沟通问题
    27. 01:00:20Chamath 用 Claude 分析 Dario：安全观背后的“认知例外主义”
    28. 01:03:50Anthropic 的哲学问题：谁有资格掌握 AI 的钥匙
    29. 01:04:35Biden 政府与 Anthropic：Sacks 谈监管俘获和安全卡特尔
    30. 01:06:30竞争还是中心化：AI 最大风险到底来自哪里
    31. 01:07:40Friedberg 反思 AGI 恐慌：每一代技术革命都曾被说成“工作终结”
    32. 01:10:20末日论的后果：AI 公司如何把自己送进监管牢笼
    33. 01:12:30超大云服务商的机会：用“成年人监督”接管 AI 分发
    34. 01:13:56伊朗和平协议概览：停火、核计划、制裁与重建资金
    35. 01:15:30Sacks 支持协议：为什么这比继续战争更好
    36. 01:17:00地面战争的代价：伊朗为何不是可以轻易入侵的国家
    37. 01:19:20浓缩铀是否移出：Friedberg 关注协议真正关键条款
    38. 01:20:39市场反应与 Jason 的批评：战争本不该升级
    39. 01:21:20这场冲突值得吗？核扩散、导弹消耗与长期遏制
    40. 01:23:00结尾：中东民主化不能靠美国强推
  • 06-22#593.文艺复兴科技公司：财富机器，AI 时代前夜的量化投资神话
    1. 00:00开场 & 播客简介
    2. 02:23为什么“跑赢市场不可能”这句话在 RenTech 面前失效
    3. 03:00Renaissance Technologies：业绩超过巴菲特、索罗斯和所有传奇投资人
    4. 04:02Medallion Fund：费前年化 66%，但普通人完全投不了
    5. 04:41极端保密、终身 NDA，以及为什么这家公司几乎无人真正了解
    6. 06:20从波士顿郊区开始：Jim Simons 的家庭与童年
    7. 09:09“对做生意没兴趣，但对钱有兴趣”：一个数学家的财富意识
    8. 09:59四岁遇到 Zeno 悖论：数学直觉的早期显现
    9. 10:20MIT、Berkeley 与“我不是房间里最聪明的人”
    10. 11:33Jim 的关键能力：不是最强天才，而是有“好问题”的品味
    11. 13:00外向型理论数学家：酷、冒险、能吸引天才的人
    12. 18:36进入 IDA：冷战时期为 NSA 做密码破译
    13. 20:0050% 破译密码，50% 自由研究：RenTech 文化的原型
    14. 21:091964 年论文：把密码破译方法应用到股市预测
    15. 22:58噪声里找信号：为什么市场和密码破译本质相似
    16. 24:15隐马尔可夫模型：从黑箱状态预测未来状态
    17. 26:00从马尔可夫链到今天的大语言模型：早期机器学习的影子
    18. 28:00为什么六十年代的“算法投资”根本募不到钱
    19. 29:50反越战公开发声，被 IDA 开除，人生进入下一阶段
    20. 30:50加入 Stony Brook：从受挫学者到数学系建设者
    21. 32:00用高薪和自由度挖来世界级数学家
    22. 33:20Chern-Simons Theory：Jim 留在数学史上的印记
    23. 34:05离开学术界全职交易：被数学圈视为“出卖灵魂”
    24. 35:13Monometrics：在披萨店旁边开始的交易公司
    25. 36:15Baum、Ax、Simons：数学界重磅人物进入交易世界
    26. 37:20早期交易仍靠直觉：模型只是辅助，不是自动决策
    27. 40:30Howard Morgan 登场：First Round Capital 的隐秘前史
    28. 41:32Renaissance Technologies 名字的由来：量化交易 + 科技风投
    29. 43:17早期多策略：一半风险投资，一半货币交易
    30. 43:45债券押注失败，Lenny Baum 离开
    31. 44:55RenTech 曾经几乎只是一家风投公司
    32. 45:30Axcom 拆分：量化交易团队迁往加州
    33. 46:50Sandor Strauss 的数据执念：收集、清洗、结构化历史市场数据
    34. 48:30Elwyn Berlekamp 与 Kelly Criterion：下注规模开始系统化
    35. 49:2020%+ IRR：模型真正开始起作用
    36. 51:13Medallion Fund：以数学奖章命名的传奇基金
    37. 52:00数据、工程、信号、交易系统第一次真正合体
    38. 52:53Berlekamp 接手后推动更高频交易
    39. 53:30为什么交易频率越高，微小优势越有价值
    40. 54:51“我们 50.75% 的时间是对的”：靠微弱优势赚几十亿美元
    41. 55:55现实约束：交易成本、滑点、订单簿深度
    42. 58:001990 年：Medallion 毛收益 77.8%，净收益 55%
    43. 59:005% 管理费：不是贪心，而是为了支付昂贵基础设施
    44. 01:00:23Jim 买回 Berlekamp 份额：错过巨大财富的一次退出
    45. 01:02:13一切回到长岛：RenTech 成为理想化的 IDA + 数学系
    46. 01:04:001991 年后再无亏损：Medallion 进入神话时期
    47. 01:05:00关闭新 LP：不再接受外部资金
    48. 01:06:00规模上限与滑点：为什么必须进入股票市场
    49. 01:07:45股票市场：更多数据、更深流动性、更复杂关系
    50. 01:08:00IBM 语音识别团队：Peter Brown 和 Bob Mercer 登场
    51. 01:09:00语音识别、隐马尔可夫模型与市场信号处理的同构
    52. 01:10:00为什么 Brown 和 Mercer 是 RenTech 最关键招聘
    53. 01:13:00统一模型：把股票、货币、商品全部放进一套系统
    54. 01:14:30单一模型带来的协作红利：所有人都在改进同一个大脑
    55. 01:16:00股票机器跑通：扩大规模仍保持惊人回报
    56. 01:17:302000 年科技泡沫破裂，Medallion 却上涨 128%
    57. 01:18:30高波动是 Medallion 的黄金时间
    58. 01:19:00科技泡沫初期亏损：Jim 为什么主动降低风险
    59. 01:19:30Peter Brown 想辞职，Jim 说“你现在更有价值”
    60. 01:20:00量化地震与 CEO 交接：Jim 对人性的洞察
    61. 01:21:20夏普比率：为什么 Medallion 不只是高回报，而是低相关高质量回报
    62. 01:23:30夏普比率 6.3 甚至 7.5：让顶级量化基金都像替补球员
    63. 01:24:15业绩分成涨到 36%、44%：为什么投资人仍然接受
    64. 01:26:302003 年清退外部投资人：Medallion 只属于内部人
    65. 01:28:00RIEF 机构基金：不是 Medallion，而是更像“增强版指数产品”
    66. 01:31:4013F 文件里的 4300 只股票：极度分散、快速轮动的机构基金
    67. 01:34:302007、2008 年金融危机中爆炸式收益
    68. 01:35:00Medallion 的交易对手：恐慌中的人类与不信模型的基金
    69. 01:37:00Jim 退休，Peter Brown 与 Bob Mercer 接任
    70. 01:38:00后 Simons 时代业绩更强：费前年化 77.3%
    71. 01:40:30六百亿美元业绩分成：Medallion 史上最强投资载体
    72. 01:40:50RenTech 财富流向政治：Mercer、Brexit、Trump 与 Cambridge Analytica
    73. 01:41:20Jim Simons 与民主党捐赠：同一家公司里的政治光谱两端
    74. 01:42:00Mercer 卸任联席 CEO：极端分歧下仍能共事的独特文化
    75. 01:42:30RenTech 的三块拼图：协作、小团队、基金结构
    76. 01:43:30单一模型让天才协作，而不是互相竞争
    77. 01:45:30员工中位任期十多年：为什么很少有人离开
    78. 01:46:00不到 400 人的公司：和 Citadel、Two Sigma 相比小一个数量级
    79. 01:47:00长岛偏僻小镇：封闭社区如何强化文化与保密
    80. 01:49:00小团队分钱：为什么外部公司很难挖走他们
    81. 01:49:305% + 44% 的结构：不只是收费，而是内部价值转移机制
    82. 01:51:00新员工像 GP，老员工像 LP：一套金融版终身教职制度
    83. 01:53:30激励设计的天才之处：让新人和老人都愿意留在同一艘船上
    84. 01:54:30篮子期权：Medallion 如何放大杠杆
    85. 01:56:00每 1 美元现金控制 12.5 美元甚至 20 美元资产
    86. 01:58:00杠杆为何是量化收益的重要组成部分
    87. 01:59:00税务争议：篮子期权被 IRS 认定不成立
    88. 01:59:50Jim Simons 个人补缴 6.7 亿美元税款
    89. 02:00:00今天的规模：Medallion 100-150 亿美元，机构基金 600-700 亿美元
    90. 02:00:50一家年收入七八十亿美元的公司
    91. 02:01:50基础设施成本：五万个计算核心，每天新增 40TB 数据
    92. 02:03:00Seven Powers 框架：流程力、垄断资源、反定位等
    93. 02:03:40终身保密、竞业限制与真正的三层留人机制
    94. 02:05:20流程力：一千万行代码与三十多年复杂系统积累
    95. 02:06:00垄断资源：干净、深度、历史悠久的数据宝库
    96. 02:07:00模型是否每两年重构一次：没有永恒秘密，只有持续迭代
    97. 02:09:20规模不经济：AUM 太大会毁掉策略
    98. 02:10:30反定位：单一模型与基金规模优化，其他量化公司难以模仿
    99. 02:12:00执行与学习复利：为什么做得更久本身就是优势
    100. 02:14:00信号处理就是信号处理：为什么他们不需要懂资产负债表
    101. 02:15:00“教聪明人投资，比教投资人变聪明更容易”
    102. 02:15:30复杂适应系统：市场像一团火，难以解释但可以部分预测
    103. 02:18:00RenTech 是机器学习的发源地吗？
    104. 02:19:00Geoffrey Hinton、Peter Brown、Ilya Sutskever：同一锅 AI 汤
    105. 02:20:15基于别人不知道的秘密交易：数据产生想法，而不是人类编故事
    106. 02:21:30为什么人类直觉会误导投资判断
    107. 02:22:40RenTech 不是投资者，而更像有优势的赌场庄家
    108. 02:24:00量化金融创造了什么价值：流动性、价差压缩与市场效率
    109. 02:28:30金融行业高回报如何间接推动技术创新
    110. 02:30:00牛市观点：过去的表现、文化、人才和模型继续复利
    111. 02:31:00熊市观点：AI 追赶、人才流动、机构业务影响文化
    112. 02:32:30David 的 takeaway：激励设计的力量
    113. 02:34:00Ben 的 takeaway：他们用关系图在复杂系统中找到信号
    114. 02:35:00如果所有人都能搭出类似系统，回报会不会被套利掉？
    115. 02:35:20Carve Outs：Modern Treasury Transfer、Apple TV+《The New Look》
    116. 02:38:00Class of Palm Beach：奢侈品、风格与 Palm Beach 观察
    117. 02:40:00感谢 Greg Zuckerman 与《The Man Who Solved the Market》
    118. 02:41:30其他资料：Peter Brown 证词、GS Exchanges 访谈、《The Quants》、Bloomberg 文章
    119. 02:42:00感谢 Howard Morgan、Brett Harrison、Matthew Granade 等资料贡献者
  • 06-19#592.陈立武：66 岁接手 Intel，AI 算力战争下的半导体供应链重建
    1. 00:00开场 & 播客简介
    2. 02:2966 岁为什么不退休：接任 Intel CEO 的真正原因
    3. 03:34被特朗普要求辞职：一场意外政治风波与自我辩护
    4. 04:43“拯救 Intel”具体意味着什么：文化、问责与速度
    5. 05:39让工程师直接汇报：从技术根因出发重建公司
    6. 05:39爬、走、跑：Lip-Bu Tan 的长期转型节奏
    7. 06:00强化资产负债表：美国政府、NVIDIA 与 SoftBank 的支持
    8. 06:52产品线大幅简化：重新听客户声音，押注下一代产品
    9. 07:00CPU 回归重要性：智能体 AI 与推理如何改变 CPU/GPU 比例
    10. 07:36晶圆代工是信任生意：IP、良率、缺陷密度与周期时间
    11. 08:18走向全栈：从硅片到软件、系统和整机架方案
    12. 08:51从 Cadence 到 Intel：临时三个月如何变成十五年
    13. 09:17与 Elon Musk 合作：AI 增长下的半导体基础设施缺口
    14. 10:25Terrafab 是什么：Elon Musk 的自建晶圆厂计划
    15. 10:49非传统思维的价值：质疑每一个步骤，但不一定能在洁净室抽烟
    16. 11:13AI 对国家和产业的不同冲击：BPO、能源、数据中心与模型训练
    17. 12:46三大瓶颈：电力、氦气与内存短缺
    18. 13:28不拥抱 AI 的公司最危险：AI 将重塑预测、设计与企业运营
    19. 13:52美国制造芯片是否可行：为什么 Intel 仍要坚持晶圆代工
    20. 15:04供应链韧性：不能只依赖一两个地理位置的玩家
    21. 15:37先进制程的复杂性：14A、1 纳米、0.7 纳米与制造精度
    22. 15:52摩尔定律走到哪里：18A、14A、10A 与 7A 的路线
    23. 16:30先进封装成为瓶颈：eMIPT、量产良率与客户要求
    24. 16:56新材料路线：氮化镓、碳化硅、磷化铟、玻璃与人造金刚石
    25. 17:47工程师的信念：撞墙之后，要么跳过去，要么绕过去
    26. 18:55性能、功耗、成本的取舍：摩尔定律不再只是简单缩放
    27. 19:17从没人听到人人追捧：半导体投资的周期反转
    28. 19:58NVIDIA、Broadcom、TSMC、AMD 与 Intel 的市值变化
    29. 20:36为什么半导体投资很难：资本密集、不可预测、客户切换成本高
    30. 22:15Lip-Bu Tan 的投资战绩：159 起 IPO、126 起并购与 200 多家半导体公司
    31. 22:53投资第一原则：从真正的瓶颈出发
    32. 23:09互连与光学：为什么集群速度让光子技术变重要
    33. 23:59EDA 与 AI：用机器学习优化芯片设计是一座金矿
    34. 24:48电源与散热：从 40 伏到 1 伏的效率损耗也是机会
    35. 25:07第一个客户很重要：为什么偏好超大规模云厂商
    36. 25:57以色列创业者：战争期间仍然继续开会的韧性
    37. 26:20物理 AI：智能体 AI 之后的下一个大前沿
    38. 26:14Cadence 与 Synopsys：AI 正在进入 EDA 与系统设计
    39. 27:03创业公司的机会：颠覆式创新、上市或被巨头收购
    40. 27:45十年后的半导体公司会怎样：资本密集、周期性与 AI 驱动
    41. 28:33好投资人的标准：困难时也愿意陪公司走下去
    42. 29:15工程创业的本质：不断解决问题，攻下一个前沿
    43. 29:54为什么不喜欢单人公司：十家公司九家中途会改商业计划
    44. 30:38未来赢家画像：方向清晰、聚焦细分、有伙伴、有全栈能力
    45. 31:10NVIDIA 的启示：CUDA 如何把芯片公司变成平台公司
    46. 31:26Intel 的未来组合：XPU、先进封装、晶圆代工与专用硅芯片
    47. 31:48AI 会如何改变团队结构：从管理人到管理 Agent
    48. 32:53先招最好的半导体人才，再补软件和 AI 人才
    49. 33:10向下一代学习：儿子成了 Lip-Bu Tan 的 AI 老师
    50. 33:45告别电子表格：把 Intel 转型为 AI 驱动的工程组织
    51. 34:00从销售到设计：AI 不只是营销工具，而是工程体系工具
    52. 34:12资本密集型公司如何融资：不只是软件式 VC 逻辑
    53. 35:10基础设施需要政府资金：产业政策在半导体中的现实意义
    54. 35:36风险投资也在变重：十亿美元级别投资正在出现
    55. 36:17政府资金、主权基金与大型资本：AI 工厂和晶圆代工的新资金结构
    56. 36:50长期投资人与短期股东：建设业务和资本配置之间的平衡
    57. 37:10投资人最误解 Intel 的地方：公司仍在“爬”的阶段
    58. 37:36把 Intel 当作多个创业公司叠在一起：更快、更聚焦、更工程化
    59. 38:04晶圆代工必须谦卑：Intel 与 TSMC 仍有距离
    60. 38:342030 年以后才会显现的成果：代工信任需要时间
    61. 38:50从 PC 到边缘端：物理 AI 和智能体 AI 带来的新计算需求
    62. 39:29六倍回报只是开始：Lip-Bu Tan 仍在寻找十倍机会
    63. 39:47Cadence 的长期回报：从 2.42 美元到数十倍增长
    64. 40:13Intel 的目标：五到十年争取十倍回报
    65. 40:23数据中心是不是唯一答案：集中式推理与边缘计算的拉扯
    66. 41:03供应限制仍是最大约束：AI 基础设施建设不会很快放慢
    67. 41:36关键不是算力本身，而是应用：谁能找到巨大且可持续的应用
    68. 42:20行业会先增长再整合：最后只剩少数真正赢家
    69. 42:58机器人、国防与家庭设备：边缘端算力重新变重要
    70. 43:20投资判断的三层逻辑：问题、合作玩家、应用规模
    71. 43:38结尾：押注尚未大规模部署、但可能巨大的应用
  • 06-19#591.Matt Pocock：开发者如何用 AI 放大十倍产出，模型狂热时代的软件基本功
    1. 00:00开场 & 播客简介
    2. 01:37模型不是全部：为什么 Matt 更关注运行框架而不是新模型
    3. 02:16tactical programming 与 strategic programming：AI 吃掉了哪一部分工作
    4. 03:35无限战术程序员大军：人类开发者必须学会战略性指挥
    5. 03:47如何委派 AI：任务边界、接口设计、测试策略与文档
    6. 05:15技能就是 AI 的上限：为什么高级开发者会被 AI 放大十倍
    7. 06:01teach skill 的诞生：把教学原则编码进智能体技能
    8. 07:15现场演示：一个 Vibe Coder 如何补齐工程基础
    9. 08:52真正要学的不是更多语法，而是 Git、调试、测试与交付
    10. 09:23教学不是灌输信息，而是帮学习者重新定位自己的使命
    11. 10:37口述能力的重要性：开发者如何更快把想法变成 AI 可用的输入
    12. 11:50stateful skill：为什么好老师必须记住你的目标、进度和上下文
    13. 13:39第一课：Git 是项目的撤销按钮
    14. 14:18个性化练习与测验：AI 如何用成熟教育方法增强记忆
    15. 15:19知识图谱与线性路径：teach skill 如何记录学习进程
    16. 16:21如何安装 Matt 的 skills 仓库
    17. 16:42两类智能体技能：流程型技能与能力型技能
    18. 17:40grill me skill：让 AI 成为对抗性面试官，逼你先想清楚
    19. 18:45从想法到 PRD，再拆成 issue：Matt 偏好的 AI 协作流程
    20. 19:13为什么不该把思考外包给模型
    21. 20:18技能太多会污染上下文：为什么能力清单不一定应该塞给 AI
    22. 21:35高级开发者的新机会：把工程流程抽象成可复用技能
    23. 22:28知识、技能与智慧：为什么真正的判断力很难被直接打包
    24. 23:27Claude Code、Opus 与本地规划：Matt 的基础 AI 编程配置
    25. 23:52Sandcastle：为什么要在沙箱里运行智能体
    26. 24:30并行智能体：Docker、Podman、Vercel 沙箱与远程执行
    27. 24:47GitHub Actions 工作流：让智能体自动 review PR
    28. 25:12AFK 工作方式：离开键盘后，让智能体继续完成任务
    29. 25:44为什么 Matt 不太频繁切换模型
    30. 26:03运行框架比模型更可控：prompt、技能、环境与代码库的综合优化
    31. 26:37模型与运行框架应该各占一半，而不是 90% 对 10%
    32. 27:01“苦涩的教训”：算力会赢，但不代表你应该放弃优化系统
    33. 27:40好代码库才是 AI 的加速器
    34. 29:15不要围绕单个模型过度优化：长期有效的是软件基本功
    35. 29:53三十年、四十年仍然有效的东西：让代码库更容易修改
    36. 30:05如何优化 token 成本：不是写更短 prompt，而是让代码更好改
    37. 30:39Vibe Coder 的陷阱：每周换工具，却不学习软件工程原则
    38. 31:13真正的上限是人的技能，而不是模型订阅
    39. 32:32David 的 Fable 体验：AI 自己操作浏览器、创建 API key、迁移 app
    40. 34:12AI 是否让人的价值变低了？
    41. 34:48Matt 的回应：AI 能执行任务，但判断标准仍然来自人
    42. 35:12更强模型发现深层 bug，是否意味着 AI 参与更深？
    43. 36:44不是只有新模型能发现问题：合适的运行框架也能持续做安全审查
    44. 37:31实践落后时，人们会误以为只能靠更强模型补洞
    45. 38:25从一次 bug 修复中真正应该学到什么
    46. 39:03把循环内置进系统：测试、审查、重构和持续安全检查
    47. 39:48十倍 AI builder 的关键能力：不是修掉 bug，而是修掉 bug 产生的系统原因
    48. 40:48人在环路中 vs AFK：两种 AI 工作模式的区别
    49. 41:35AFK 是产出暴增的关键：把自己从等待权限和反复确认中解放出来
    50. 42:35Ralph loop：早期循环式智能体工作流
    51. 42:48为什么 Matt 更喜欢“队列”而不是“循环”
    52. 43:12issue 队列：探索、分诊、实现、review 与合并
    53. 44:15开发团队本来就是任务队列系统
    54. 44:34循环不是完整图景，真正重要的是 AFK 智能体和任务流
    55. 45:50自动化 bug 处理：从线上错误到 issue、探索、修复、review
    56. 46:28把人在环路中的检查点不断往右推
    57. 47:03人类最终看到的，不只是 bug，而是探索结果、修复方案和 review 请求
    58. 47:40什么时候可以自动合并到生产环境？
    59. 48:14review 的双重价值：防风险，也获得系统洞察
    60. 49:11我们 review 的不只是代码，也是在 review 生成代码的系统
    61. 49:54更适合智能体时代的 review：总结模式、历史记录与个性化反馈
    62. 50:53AI 生成讲解视频：让 PR review 变得更丰富、更快
    63. 51:36SaaS 死了吗？Matt 认为做生意的基本功没变
    64. 51:54还是要跟客户聊：弄清楚他们真正需要什么
    65. 52:20AI 能加速实现，但不能替你找到正确问题
    66. 52:47不要让 AI 替你决定产品方向
    67. 53:18应该问 AI 什么：删掉什么、如何更简单、如何改善 UX
    68. 53:29警惕功能膨胀：不要做成有一千个功能却没人会用的产品
    69. 53:47高级开发者能被 AI 放大十倍，但前提是愿意使用 AI
    70. 54:37年轻 AI 原生开发者 vs 传统高级开发者：谁更有优势？
    71. 55:23DX 与 AX：开发者体验和智能体体验的重叠
    72. 55:41好的软件基本功同时改善人类协作和智能体协作
    73. 56:36关键不是资历，而是实验心态与对 AI 的兴趣
    74. 57:03只做 tactical programming 的程序员没有未来
    75. 57:14未来开发者必须从写代码工具人转向战略性思考者
    76. 57:28第一件事：删掉所有技能、插件、MCP server 和臃肿配置
    77. 57:53回到白纸状态，观察智能体本来会怎么工作
    78. 58:07再叠加流程型技能，而不是盲目堆能力型技能
    79. 58:41把工具变成可定制、可调整、可实验的系统
    80. 58:55尽量把实现工作委托给 AFK 智能体
    81. 59:12AFK 工作流一旦设置好，会带来非常强的产出提升
    82. 59:19结尾：去 Twitter 找 Matt Pocock
  • 06-18#590.走进 Anthropic CEO 达里奥·阿莫代的思想世界
  • 06-18#589.美联储主席凯文·沃什：首次利率决策会议后发表讲话
    1. 00:00开场 & 播客简介
    2. 01:40回到美联储：Warsh 的开场致辞与“北极星”表态
    3. 02:32利率决定：维持 3.5%-3.75% 不变
    4. 03:07当前经济判断：增长稳健、就业稳定、通胀仍高
    5. 03:33五年高通胀后的承诺：委员会将实现价格稳定
    6. 04:00声明变短了：取消前瞻性指引，回到事实本身
    7. 04:36SEP 预测摘要：GDP、通胀、失业率与利率中位数
    8. 05:05五个改革方向：沟通、资产负债表、数据、生产率就业、通胀框架
    9. 06:02从第一性原理出发：提出尖锐问题，审视现有做法
    10. 06:27沟通工作组：新闻发布会、点阵图和 SEP 都可能被重新评估
    11. 06:42资产负债表工作组：充足准备金制度的收益与风险
    12. 07:00数据工作组：寻找更准确、更及时、更可行动的信息
    13. 07:15AI 与生产率：新通用技术对就业和通胀使命意味着什么
    14. 07:31通胀框架：重新研究价格稳定在新时代如何实现
    15. 08:14工作组时间表：未来几周启动，年底前大多完成
    16. 09:05是否重新审视 2%目标：Warsh 明确说“不”
    17. 10:04通胀是一种选择：美联储有能力也有承诺实现目标
    18. 11:23为什么不给未来利率路径：前瞻性指引被主动拿掉
    19. 12:11当前政策有多紧：住房市场受限，但金融市场未必如此
    20. 13:10点阵图是否就是前瞻性指引：Warsh 称“铅笔写的点可以擦掉”
    21. 14:36为什么自己不提交点阵图：对制定政策没有帮助
    22. 15:33新闻发布会还会不会继续：有重要的话要说时才值得开
    23. 16:17新篇章的核心信息：承诺价格稳定，也承诺重新思考美联储做法
    24. 17:03中东冲突、能源价格与长期通胀压力
    25. 17:57过去五年错过的信息：美联储要把价格稳定纠正回来
    26. 18:12数据工作组要看什么：传统调查数据已经跟不上 2026 年经济
    27. 19:44私营部门的实时信息：央行为何不能只看“历史的回声”
    28. 20:27非农就业与数据修订：政策制定需要更小的误差范围
    29. 20:43新数据来源与新分析技术：从“核心/非核心”走向更精细判断
    30. 20:43没有前瞻性指引会不会增加波动：让市场关注实体经济而不是猜美联储
    31. 22:05第一次会议内部情况：桌上只有一个提案
    32. 22:55为什么通胀高却没加息：Warsh 拒绝超出声明解释
    33. 23:50工作组最佳实践：找最优秀、最多元的人，但不外包决策
    34. 25:17如何解读两年期收益率：不评论短期市场反应
    35. 26:19放弃前瞻性指引，普通人怎么办：杂货店里的牛奶、鸡蛋和油价
    36. 27:02美联储真正能做什么：阻止价格冲击扩散为第二轮、第三轮通胀
    37. 27:35与财政部的关系：货币政策执行独立，但央行需要宽阔视野
    38. 28:29中东局势与央行职责：关心世界变化，但不扩大职责边界
    39. 29:13AI 是新一代通用技术：机会巨大，风险也真实
    40. 29:50American ingenuity：Warsh 对美国创新能力的长期信念
    41. 30:28AI 对政策意味着什么：时间、规模、速度和就业影响仍需研究
    42. 30:42当前利率是否限制性：政策效果“不均衡”
    43. 31:09不是残酷二选一：增长、低物价和强就业可以兼容
    44. 31:40信誉靠交付：为什么没有用加息来证明决心
    45. 32:05AI 到底推高需求还是扩大供给：数据中心需求已显现，供给改善更难衡量
    46. 33:05供给与需求的赛跑：AI 红利何时兑现仍是政策难题
    47. 33:37是否要彻底改革国民账户：Warsh 回答“不是”
    48. 34:07官方统计与私营实践：把实时数据、AI 工具织成一张网
    49. 34:41同步数据还是历史回声：政策需要真正实时的信息
    50. 35:07美联储大楼翻修争议：等待监察长报告，做好纳税人资金管家
    51. 36:03通胀预期上调是否都因伊朗战争：FOMC 内部看法仍分化
    52. 36:45利率路径分歧：一半认为维持或更低，一半认为更高
    53. 37:07为什么仍鼓励其他委员提交 SEP：这是 FOMC 目前的承诺
    54. 38:00新沟通框架可能到来：形式和实质都要有成果
    55. 38:45Warsh 的反应函数：公信力来自所有职责上的交付
    56. 39:53劳动力市场现状：稳定，趋势比单个数据更重要
    57. 40:41强生产率驱动的增长：不是应该害怕的东西，而是应该欢迎的东西
  • 06-18#588.成功所需的心态框架与每日具体行动
    1. 00:00开场 & 播客简介
    2. 05:13影响圈与关注圈：区分你在意的事和你真正能改变的事
    3. 07:00纸笔练习：左边写“关注”，右边写“影响”
    4. 08:15你真正能控制的，最终只有自己的回应方式
    5. 09:47如何把注意力从算法、新闻和焦虑中拉回来
    6. 10:26与算法相处：平台想拿走你的力量，但使用它是可选的
    7. 13:07社交媒体如何让“关注圈”无限膨胀
    8. 13:50把手机使用压到每天一小时以内的实验
    9. 14:36为什么把 Instagram 挪到电脑上，心理健康明显变好
    10. 16:07两个前 SEAL 也会重新陷入刷手机：平台到底有多强
    11. 18:19社交媒体像不像成瘾：明知不舒服却停不下来
    12. 20:00Huberman 的理论：社交媒体是“低分辨率”的终极成瘾
    13. 23:03Andy 的孩子如何管理社交媒体：下载一小时再删掉
    14. 25:21年轻人为何可能开始反抗社交平台和酒精文化
    15. 27:34酒精、社交润滑剂与错过人生经历的复杂问题
    16. 29:29酒精、年轻人心理风险的比较
    17. 31:35睡眠、低状态与探索自己能力边界
    18. 32:52冷水浸泡：训练身体在高肾上腺素状态下保持清醒
    19. 34:17冷暴露的多巴胺、肾上腺素与训练时机
    20. 35:20桑拿、冷水和 Jocko 的“出厂重置方案”
    21. 36:30为什么珍惜生命的人会去做翼装 BASE 跳伞
    22. 37:00翼装是什么：把身体变成一片尼龙机翼
    23. 38:04高空跳伞与 BASE 跳伞的关键差异
    24. 39:18起跳后前四秒：没有气流时最危险
    25. 40:00学翼装前要先学会跳伞，Andy 第一次翼装前已跳三千次
    26. 41:26高空跳伞的主伞、备用伞与自动开启装置
    27. 44:47BASE 跳伞为什么通常只有一具降落伞
    28. 47:31从悬崖穿翼装跳出去时，真正跨越的心理门槛
    29. 48:27翼装带来的心理重置：关注圈在最后一分钟消失
    30. 50:15BASE 跳伞如何让人重新进入极度专注
    31. 51:20风险回报不再划算时，为什么 Andy 停止了翼装 BASE
    32. 53:00恐惧不是问题，没有恐惧才危险
    33. 55:11一百二十英里时速贴近地面飞行是什么感觉
    34. 58:22翼装 BASE 的死亡率与风险曲线
    35. 59:23邓宁克鲁格效应：新手和“以为自己会了”的人最危险
    36. 01:00:36你是真的搞定了，还是只是侥幸逃过了？
    37. 01:04:24离婚为什么比 SEAL 训练更难
    38. 01:06:03Andy 如何用书里的所有工具熬过人生低谷
    39. 01:07:42为什么要把离婚和脆弱写进《Drownproof》
    40. 01:09:23特种部队成员也是普通人，也会被家庭和生活击垮
    41. 01:10:16“我就是你”：公开脆弱是为了让别人知道自己并不孤单
    42. 01:12:09与大儿子失联十八个月：父亲身份中的灵魂拷问
    43. 01:14:34现任妻子如何帮助 Andy 理解孩子永远会站在母亲那一边
    44. 01:17:22父母也只是普通人：从孩子视角到成年人视角的转变
    45. 01:20:40翼装之后的六个月：不是兴奋，而是安定和扎根
    46. 01:21:29把生活噪音调低：极限专注后的长期心理影响
    47. 01:24:26一次好跳之后，为什么睡得特别好
    48. 01:25:17三个月的清爽状态：大脑更会筛掉不重要的东西
    49. 01:26:22Huberman 的解释：这可能不是提高压力阈值，而是校准心流后的感知
    50. 01:27:41Andy 如何在艺术、瑜伽、冥想、柔术中寻找类似状态
    51. 01:29:05时间感知的校准：进入当下之后，日常生活也变得更清晰
    52. 01:32:15厕纸故事：为什么小事暴露一个人的生活方式
    53. 01:33:10事情做错，永远更花时间
    54. 01:35:03洗衣服、收衣服和那些被拖延的小动作
    55. 01:36:28小事不是小事：整理床铺背后的自律逻辑
    56. 01:37:57每个决定都有稍微容易和稍微难的选项
    57. 01:38:26成功者往往不是靠混乱，而是靠环境里的微小秩序
    58. 01:39:49社交压力为何会让人嘲笑自律
    59. 01:43:30你怎么做一件事，就会怎么做所有事
    60. 01:45:04筋疲力尽和时间有限时，小事反而最重要
    61. 01:45:49前中扣带皮层：做不想做的事如何训练坚韧
    62. 01:47:03为什么“你讨厌但仍然做”的事，才真正改变大脑
    63. 01:50:03Andy 经历过最严重的疼痛，不是中枪，而是肠梗阻
    64. 01:52:01明明疼到站不直，为什么还去练了九十分钟柔术
    65. 01:54:23太太直接把他送进医院：有时别人比你更清楚界限
    66. 01:55:08手术前六小时的剧痛、吗啡无效和氯胺酮
    67. 01:57:54越坦诚地说出痛苦，情况反而越可能变好
    68. 01:58:44身边有人愿意帮忙时，为什么不要把痛苦憋在心里
    69. 02:02:46时间感知、人生困境与自杀话题
    70. 02:04:44特种作战群体中，自杀死亡已超过作战死亡的严峻现实
    71. 02:06:18为什么相同经历会压垮一个人，却没有压垮另一个人
    72. 02:06:58Dave 的故事：别人眼中的标准人物，自己眼中的失败者
    73. 02:08:15日记、遗言与留下来的人的“本来可以”
    74. 02:09:03高标准、自我厌恶与酒精如何叠加
    75. 02:10:23治疗、致幻剂与为什么有些人仍然没被救回来
    76. 02:11:31每场葬礼上都会问的问题：我们还能多做什么？
    77. 02:13:18自杀倾向可能不是单一问题，而是多种路径的终点
    78. 02:15:14高表现者的孤独：越成功，同辈越少，形象压力越大
    79. 02:18:10非理性的决定为何会被看成唯一理性的解决办法
    80. 02:19:52退役前的创伤、服役中的创伤和身份丧失如何叠加
    81. 02:22:30每天报平安的小群：连接不是小事
    82. 02:24:06羞耻、阴影与承认痛苦：为什么有些问题不能只靠科学解释
    83. 02:28:06护目镜起雾：当你不能相信自己眼中的世界时，要相信可信的人
    84. 02:30:26普通人从哪里开始：早上做一个带自律意味的小动作
    85. 02:31:20整理床、先喝水、提前备餐：没人看见的小胜利
    86. 02:33:05每天出一次汗，或者尽量接近出汗
    87. 02:34:23每个人都知道哪个选择更难，真正要做的是去做它
    88. 02:35:13哪怕很小，也要更常选择自己不太想做的那件事
    89. 02:35:54把咖啡杯放进洗碗机：小胜利如何累积成人生差异
    90. 02:37:10Andy 现在最兴奋的事：不知道下一步会发生什么
    91. 02:38:48从 SEAL 到飞行员、翼装运动员、咖啡店老板和作者
    92. 02:39:33钱的作用：赚到足够的钱，让自己有能力说“不”
    93. 02:40:13如何判断一个商业机会是否值得做
    94. 02:41:20从生存模式走向选择模式：不再因为恐惧接下所有机会
    95. 02:43:22成功的代价：追目标之前，能否看清自己要牺牲什么
    96. 02:47:34宁愿差一点达成目标，但拥有快乐、家庭和完整生活
    97. 02:49:22钱买不到幸福，但能缓冲某些压力
    98. 02:51:08钱也可能破坏连接，让人怀疑他人的动机
    99. 02:52:46Huberman 总结：这本书和这次对谈为什么对所有人都有价值
  • 06-17#587.Paul Graham：创业者如何少走弯路，在衰退与巨头噪音中活下来
    1. 00:00开场 & 播客简介
    2. 01:33《如何做你热爱的事》：工作不等于痛苦，真正的问题是你要做什么
    3. 03:10热爱不是即时快乐，而是长期最能让你快乐的事
    4. 05:11声望和金钱如何把人带偏：只管做你喜欢的事，让声望自己解决
    5. 07:11“始终产出”：检验自己是否真的热爱一件事
    6. 08:11人生选择为什么常常太早发生：别让高中时的自己决定一生
    7. 09:33约束、自由与挣扎：找到热爱的工作本来就很难
    8. 10:22Paul Graham 是谁：Viaweb、Y Combinator 与创业文章的影响力
    9. 11:15David 为什么花几周打印、阅读和标注 Paul Graham 的文章
    10. 12:35一篇改变人生的文章：David 如何决定全力投入 Founders Podcast
    11. 14:10《什么对你来说不像工作》：别人觉得痛苦，你却觉得像玩
    12. 15:35Michael Jordan 的例子：极致努力有时来自“玩”的感觉
    13. 16:22奇怪的偏好可能是线索：喜欢调试、喜欢阅读、喜欢别人觉得无聊的事
    14. 18:18找到自己该做什么，需要像侦探一样追踪细微信号
    15. 19:20《如何不死》：创业公司最重要的是活下来
    16. 21:30创业的二元结果：活下来可能发财，死掉就什么都没有
    17. 23:20公司死亡的底层原因：不是钱花光，而是士气被打垮
    18. 24:37创业一定会痛苦：提前知道困难，才不会被困难吓退
    19. 25:12不要加“但是”：创业公司不能一边分心一边继续
    20. 26:23公开失败的压力：如何利用怕丢脸，让自己不轻易放弃
    21. 28:03灾难一定会来，正确反应是不要放弃
    22. 28:42《为什么要在糟糕的经济环境里创办创业公司》
    23. 30:02经济环境没那么重要，创始人的质量才重要
    24. 31:18如果担心公司生存，不要看新闻，去照镜子
    25. 32:50投资人的反周期困境：坏时候本该买入，却往往不敢买
    26. 34:27公司世界里的蟑螂：低成本运营，让自己难以被杀死
    27. 35:27坏时候竞争更少：别人躲起来时，你可能独占整节车厢
    28. 35:42创始人也是投资人：你是在用工作购买自己的股票
    29. 36:28《坚持不懈地足智多谋》：优秀创始人的两个关键词
    30. 37:44光坚持不够，还要不断找到新办法
    31. 38:20做出人们想要的东西是目的地，足智多谋是抵达方式
    32. 38:43《决心的解剖》：为什么决心比聪明更重要
    33. 40:50天赋被高估，决心被低估：过一段时间后，决心看起来像天赋
    34. 41:45意志力、自律和野心：决心的三个组成部分
    35. 44:20把有抱负的人放到一起：社区如何放大野心
    36. 46:10决心的公式：意志力构成，自律平衡，抱负确定方向
    37. 46:45如果你热爱这项工作，就不需要一直靠决心驱动自己
    38. 47:05《创业公司真实是什么样》：Paul 向 YC 创始人收集的真实反馈
    39. 48:28创业者会被同样的事情震惊：历史和人性不断重复
    40. 49:04谨慎选择联合创始人：人品和投入程度比能力更重要
    41. 50:14联合创始人关系像婚姻：它是一切的基础
    42. 51:20创业史里的合伙难题：强创始人之间为什么很难长期共处
    43. 54:13创业公司会接管你的生活：它永远不会停
    44. 55:10全身心投入的代价：像 Conor McGregor 一样入魔
    45. 57:25情绪过山车：今天像下一个 Google，明天像彻底失败
    46. 58:39坚持是关键：毅力比原始智力重要得多
    47. 59:55长期思考：所有事情都会比你预期更久
    48. 01:00:27苦干大于光鲜：成功是大量小事的累积
    49. 01:01:35从最小产品开始，快速发布，然后持续迭代
    50. 01:02:05把创业想法当作假设，而不是蓝图
    51. 01:02:50不要过度担心竞争，真正重要的是执行
    52. 01:04:13获客很难：做出好产品之后，还要学会分发
    53. 01:05:35对交易和融资预期最坏情况：掌握自己的命运
    54. 01:08:14投资人也会无知：不要把判断权完全交给外部人
    55. 01:09:15假装笃定的力量，以及运气在创业中的巨大乘数
    56. 01:10:42社区的价值：和同样在受苦的人待在一起
    57. 01:12:54超级模式：很多道理只有亲自创业后才真正明白
    58. 01:13:32《给足智多谋者的一句话》：最好的创始人能照顾好自己
    59. 01:15:02一句话就够了：优秀创始人会自己追下所有含义
    60. 01:16:25不成功创始人的问题：来自软弱的保守
    61. 01:17:10难以沟通只是信号，真正的问题是缺少坚持不懈地足智多谋
    62. 01:17:49《做那些无法规模化的事》：创业公司不会自己起飞，是创始人让它起飞
    63. 01:18:26早期最重要的事：手动招募用户，不能等用户自己来
    64. 01:18:48Stripe 的 Collison 式安装：用户说愿意试用，就当场帮他装好
    65. 01:19:34销售和分发的重要性：至少一位创始人要大量投入获客
    66. 01:20:18Estée Lauder 的一对一服务：看似无法规模化，长期却会复利
    67. 01:22:23周增长率与复合增长：从 100 个用户到 200 万用户的路径
    68. 01:23:12不要用成熟公司标准评判幼虫阶段的创业公司
    69. 01:24:31先让少数人真正爱你，而不是让很多人有点喜欢你
    70. 01:25:09早期小公司优势：你能提供大公司无法提供的服务水准
    71. 01:26:13狭窄市场的力量：Facebook 为什么先从哈佛开始
    72. 01:27:08硬件公司也要做无法规模化的事：Meraki 自己组装路由器
    73. 01:27:47做无法规模化的事也是学习：自己当工厂，才能快速调整
    74. 01:28:30像咨询一样服务用户：Viaweb 如何替商家搭建网店
    75. 01:29:31别迷信盛大发布：创业公司是有动力的飞机，不是炮弹
    76. 01:30:27用户还有别的事情要想：获客永远是渐进过程
    77. 01:31:19任何省略努力的策略，都值得怀疑
    78. 01:32:30创业想法不是单一变量：它包含“做什么”和“如何启动”
    79. 01:33:02收尾：Paul Graham 文章还有第二部分
  • 06-16#586.All-in：Anthropic 的Fable风波、AI 国有化、通胀升温与加州选举乱象
    1. 00:00开场 & 播客简介
    2. 01:37Anthropic 新模型发布：更强能力、更高价格与更重护栏
    3. 02:51Prompt 保留 30 天、前沿研究降级：开发者为何愤怒
    4. 03:49Chamath：企业必须开始思考“我怎样掌握 AI 控制权”
    5. 05:41Friedberg：科学研发被限制后，公司会被迫转向开源模型
    6. 08:30中国开源模型崛起：美国限制自己，是否等于把优势让给别人
    7. 10:35Sacks：从强制监控到模型降级，AI 公司正在制造新的守门机制
    8. 14:03隐形操控风险：模型公司是否会偏向自己的合作伙伴
    9. 15:41自由市场能否解决模型偏见与产品体验问题
    10. 16:47监管俘获：一边削弱产品，一边呼吁政府限制竞争
    11. 17:41算力与电力护城河：开源模型真正缺的不是实验室，而是基础设施
    12. 19:35Evo 2 与基因组语言模型：开源科学模型的现实价值
    13. 21:03替 Dario 做最强辩护：强模型到底该不该被谨慎释放
    14. 23:42AI 与核技术类比：同一套能力既能治病，也可能被武器化
    15. 25:11监管应该管工具访问，还是管现实世界输出
    16. 28:03KYC、护栏与企业使用权：是否存在更精细的安全方案
    17. 31:01Jason 现场测试被降级：敏感问题如何触发模型切换
    18. 33:11生物安全的现实护栏：核酸合成筛查与记录保存
    19. 36:07开源模型已经扩散：AI 不可能被“关掉”
    20. 38:14Bernie Sanders 提案：AI 公司 50% 股权进入主权财富基金
    21. 40:39Sacks：反对没收财产，但理解公众为什么会有这种情绪
    22. 41:59AI 失业叙事的反噬：AI CEO 自己制造了政治风险
    23. 44:55Friedberg：把社保基金改造成主权财富基金，而不是没收企业
    24. 46:16AI 不会摧毁工作：真正机会在收入端和生产率提升
    25. 48:29AI、就业与叙事差异：Elon、Dario、Sam 的说法并不相同
    26. 50:15“愚蠢税”：当 AI 公司反复说自己有害，公众自然要求夺回收益
    27. 52:15Chamath：AI 不是互联网，边际用户成本是真实存在的
    28. 54:17能源、GPU 与国家基础设施：政府为何可能有谈判筹码
    29. 56:03哪些 AI 公司可能上市，谁会成为公共收益讨论的对象
    30. 57:43开源初衷：OpenAI 最初为何叫 OpenAI
    31. 58:58开源前沿实验室的瓶颈：不是人才，而是电力
    32. 59:19Liquidity 与嘉宾回顾：Sarah Friar、Thomas Laffont 等亮点
    33. 01:01:19风投概率论：为什么越大的赢家，继续变大的概率反而更高
    34. 01:02:30“万亿独角兽”与偿还国债的玩笑
    35. 01:03:22CPI、PPI 创多年高位：市场开始重新定价加息风险
    36. 01:04:23Friedberg：伊朗战争带来能源冲击，但根源仍是政府过度支出
    37. 01:06:25Chamath：油价、太阳能、中国储备与通胀压力
    38. 01:08:22Sacks：市场似乎仍押注伊朗局势会有解决方案
    39. 01:09:00Jason：伊朗战争可能成为巨大且长期的政策错误
    40. 01:09:39洛杉矶市长初选：现场投票与邮寄选票差异引发争议
    41. 01:10:42Friedberg：邮寄选票、ballot harvesting 与“任命式选举”
    42. 01:12:42加州选举规则变化：选票收集、普遍邮寄与身份验证争议
    43. 01:16:24Sacks：脏选民名册、签名验证和保管链问题
    44. 01:20:29Jason：统计异常不等于已经证明舞弊，为什么不调查
    45. 01:22:08Chamath：加州政治机器与单党治理结构
    46. 01:24:50选民身份证明与邮寄选票：哪些改革具备常识基础
    47. 01:27:01Friedberg：国会应建立“一个人一票”的最低制度保障
    48. 01:30:32Sacks：不要否认自己看到的统计异常
    49. 01:33:15媒体为何不追问：两极化如何压制选举诚信讨论
    50. 01:36:02最强解释尝试：地面组织、收票机器与合法但可疑的操作空间
    51. 01:38:23节目收尾：Besties 互怼与告别
  • 06-15#585.产品人如何烧掉简历，在 AI 时代打造真正有野心的消费产品
    1. 00:00开场 & 播客简介
    2. 05:10Proven-Better-New：为什么伟大产品很少从空白开始
    3. 06:10直觉与想法：你的本能 95% 是对的，但想法 75% 是错的
    4. 07:00Sid Meier 的失败案例：再好的创新，也会死在糟糕的首次体验里
    5. 08:00Proven：先成为已有最佳实践的博士，再谈创新
    6. 08:40Better：真正的“更好”，必须让十个用户里十个都想要
    7. 09:20New：新东西是下载理由，但大概率会失败
    8. 10:40时间机器视角：如果当年 Tribe 更懂测试，可能会走向不同结局
    9. 14:50“道德套利”：为什么产品人需要跨过复制的心理门槛
    10. 15:40烧掉简历：把野心定义在消费者眼里，而不是同行眼里
    11. 16:20好的复制：让用户感受到更好，而不是感受到你在抄
    12. 16:50Craigslist 加照片：世界级产品人为什么会为一个小功能花两年
    13. 18:30iPhone、Chrome、水杯：大多数产品都是已有事物的更好版本
    14. 19:30从别人产品里挖金矿：当一个功能被做对，却被放错位置
    15. 20:50纯创新 vs Proven-Better-New：Angry Birds 与 Draw Something 的两条路
    16. 22:40少一点野心，反而可能做出更大的产品
    17. 23:00PMF 的悖论：宏大愿景会让你错过最小的真实信号
    18. 24:20Tribe 的教训：太想做完整社交网络，反而没有抓住单一场景
    19. 24:50Zynga 的起点：一个看起来“不够体面”的 Facebook 扑克游戏
    20. 25:40创业公司的优势：你可以追逐巨头看不上的小线头
    21. 26:40Bolt.new 与 Slack：伟大产品常常诞生在边缘的小工具里
    22. 28:40Founder Mode：有勇气告诉团队“现在这个还不是”
    23. 30:40在希望杀死你之前，先杀死希望
    24. 31:20信念 vs 希望：希望是没有依据的信心
    25. 31:50MVP 的危险：不要把“可行”误认为“值得发布”
    26. 32:20AI 的风险：它让我们更容易快速做出可行但错误的产品
    27. 32:40AI 的正确用法：一天测试一百个想法，而不是三个月做一个想法
    28. 33:40先做错，再验证：把产品拆成最低成本的测试
    29. 34:00FarmVille 扩展包案例：把广告变成产品测试和收入引擎
    30. 35:20一千九百万美元的提前访问权：测试、热度和商业化如何合一
    31. 36:00Vibe coding 的方向：做反馈循环最低成本的版本
    32. 36:50Zynga 的争议：为什么 FarmVille 和 CityVille 让一些产品人反感
    33. 37:30不是病毒传播，而是长期留存
    34. 38:00通过游戏连接世界：给旧玩法增加社交维度
    35. 38:40Invest、Express、Connect：让用户感觉自己有创造力，并通过表达连接他人
    36. 39:30D365 留存：真正有价值的公司，一年后用户还会回来
    37. 40:50下沉的快艇：靠病毒增长但留不住用户的产品终会沉没
    38. 41:50ASN 指标：活跃社交网络如何预测长期留存
    39. 42:40社交反馈循环：点赞、评论、回礼为何能制造强多巴胺
    40. 43:20消费级社交的困境：为什么大家好像放弃了新社交应用
    41. 44:00潜在需求：不存在的品类，不代表用户不想要
    42. 44:40Zynga 的游戏直觉：成年人其实想玩，只是门槛太高
    43. 45:50社交产品失去肾上腺素：Instagram 更像薯片，而不是派对
    44. 46:40退出社交平台后的 NPS：从正三十五到负三十五
    45. 47:00AI Agent 时代的新社交：重新创造社交生产力
    46. 47:50“鸡尾酒会”隐喻：好的社交产品让人庆幸自己来了
    47. 48:40从 Napster 到 Facebook：社交网络本质上是更好的线索获取
    48. 49:40今天的鸡尾酒会在哪里：我们都在 Claude 和 GPT 里，但那里还很安静
    49. 50:20B+ 产品判断：如果你还在问它是不是 A，那它就不是 A
    50. 51:30真正的强信号：你会爱它、朋友会爱它、指标也会证明它
    51. 52:40叫停 B+ 的力量：Mark 叫停 dot Earth 后重新找回兴奋感
    52. 53:55AI 让产品更容易做，但分发更难了
    53. 54:50AI 还不是新平台：它是重要技术，但还没有成为真正的消费平台
    54. 55:50发现机制坏掉了：用户几乎不再主动安装新应用
    55. 56:40消费产品为什么变得“不适合投资”
    56. 57:30分发必须内嵌进产品，而不是事后补营销
    57. 58:20Prosumer 路线：先服务愿意主动寻找和付费的重度用户
    58. 58:50免费 Token 假设：如果 AI 成本趋近于零，会诞生什么消费服务
    59. 59:50Agent 社交膜：AI 如何作为人与人之间的智能信任中介
    60. 01:02:20新平台的边缘：LLM 可能会争夺消费者和开发者心智
    61. 01:03:20Agentic 旅行顾问：为什么旅行服务是 AI 消费应用的完美例子
    62. 01:05:20平台会开放还是吞掉一切：OpenAI、Claude、Grok 与创业公司的未来关系
    63. 01:06:20让每个人都成为 CEO：用经营权替代日常管理
    64. 01:07:10管理的本质：当你不在房间里，别人也能做正确的事
    65. 01:08:20专家证人：为什么离一线最近的人，常常离决策最远
    66. 01:09:40贴近一线：产品型 CEO 必须深入像素级细节
    67. 01:10:40倒金字塔组织：最有经验的人应该参与最关键的用户体验决策
    68. 01:11:30微观管理是美好的：只要你还是最好的选手，就应该上场
    69. 01:12:40教学医院：如何把创始人的产品火焰传给团队
    70. 01:13:30技术助理机制：培养“小号的你”，让产品判断在组织里扩散
    71. 01:14:20CEO 最重要的工作：判断正确，比执行漂亮更重要
    72. 01:15:40AI 时代如何教育孩子：培养好的人，而不是只培养好学生
    73. 01:16:30在孩子所在的位置接住他们：把每个孩子当作独立的人
    74. 01:17:30“爸爸数学”：用好奇心和游戏感培养数学脑
    75. 01:18:40大规模教育的终点：知识工作正在变化，但教育体系还在训练旧能力
    76. 01:19:40批判性思维：教孩子提出更好的问题，而不是记住更多答案
    77. 01:20:30创造而非消费：让孩子把新的东西带到世界里
    78. 01:21:40人生格言 Google Doc：不要把事往自己身上揽，也不要当受害者
    79. 01:23:10找到自己的为什么：Mark 为什么还在继续做产品
    80. 01:23:50互联网宝藏：让人无法想象没有它之前的生活
    81. 01:24:50《Life at the Speed of Play》：一本关于产品打法和理念的书
    82. 01:26:00收尾：产品手艺是一场持续对话
  • 06-13#584.Steve Jobs：失败如何重塑领导力，流放十二年后的苹果再造
    1. 00:00开场 & 播客简介
    2. 01:36为什么这是一集关于“失败”的节目
    3. 02:00Steve Jobs 的十二年流放期：从被赶出 Apple 到重新掌舵
    4. 03:01为什么说 Steve 不止一次创办 Apple，而是创办了两次
    5. 03:531985 年被 Apple 驱逐：巴黎、迷茫与重新选择人生
    6. 06:00无法远离创造：Steve 决定为大学市场打造一台新电脑
    7. 06:18NeXT 的诞生：没有名字、没有商业计划、没有产品，只有模糊愿景
    8. 07:27拍摄团队纪录片：Steve 如何用愿景凝聚团队
    9. 07:50“真正的艺术家会交付”：口号与现实之间的巨大落差
    10. 08:18反思 George Lucas：Steve 想打造一支长期存在的伟大团队
    11. 09:30说要长期团队，最后却换掉几乎所有联合创始人与高管
    12. 09:51Steve 的招聘观：你必须敢反驳他，并像传教一样说服别人
    13. 10:36立方体电脑执念：形式不仅提供功能，还要带来情感满足
    14. 12:01Paul Rand 与十万美元 logo：NeXT 对完美形象的追求
    15. 13:18NeXT 的核心问题之一：Steve 钱太多了
    16. 13:47香槟级品味与失控烧钱：顶级公关、广告公司、市场团队与豪华办公室
    17. 14:26“millilogo”笑话：十万美元 logo 如何变成公司花钱基准
    18. 14:45喜怒无常的反馈风格：“英雄到混蛋过山车”
    19. 16:29Paul Rand 的提醒：在有产品之前，Steve 自己就是产品
    20. 17:19错误动机：NeXT 很大一部分动力来自向 Apple 复仇
    21. 18:13Steve 的自我认同：不是商人，而是“打造很酷东西的人”
    22. 19:38自建制造工厂：为了控制流程，却做出灾难性决策
    23. 20:23Ross Perot 偶然看到纪录片，向 NeXT 投资两千万美元
    24. 21:22秘密协议：Perot 愿意动用政府关系和销售团队帮助 NeXT
    25. 22:26被完美主义困住：每一次修改都推迟发布日期、推高成本
    26. 23:18“最大的竞争对手是自己的执行能力”：Steve 说对了，却做不到
    27. 23:45Linda Wilkin 被开除：Steve 制造问题，却把责任推给别人
    28. 24:20芯片设计反复修改，工程师只能不断说“再一个月”
    29. 25:12Big Dave 和 Little Dave：拿到奖金后离职，芯片最终不能工作
    30. 26:47顾问委员会提醒价格不能超过三千美元，Steve 却展示十八页 logo 手册
    31. 27:39每月烧掉一百万美元，却靠 IBM 授权交易续命
    32. 28:24钱越多，花得越多：两千美元椅子、一万美元沙发、四百五十美元电话
    33. 29:08Daniel Lewin 的备忘录：晚了一年、价格翻倍、产品还不能正常工作
    34. 30:43Ross Perot 开始质疑：产品没法出货，销售到底靠什么
    35. 31:28从三千美元目标价到一万多美元售价：NeXT Cube 失去大学市场
    36. 31:52首批只出货 205 台：设计复杂度让工厂几乎无法运转
    37. 32:35镁合金外壳与哑光黑喷漆：Steve 的审美坚持如何拖垮生产
    38. 33:16Canon 投入一亿美元：Steve 的交易能力再次让公司续命
    39. 33:31NeXT 最严重的问题：Steve 身边没人敢讲真话
    40. 34:13HR 经理 Phil 的会议：Steve 一进房间，所有高管都闭嘴
    41. 35:26Daniel Lewin 拒绝下两万五千台库存订单
    42. 36:03被降职还要对媒体解释成“升职”：NeXT 管理混乱的荒诞瞬间
    43. 36:31Cube 形状宣传册事故：花几百万投广告，却发现没有信封能装
    44. 37:34IBM 新交易即将签下，Steve 因幻灯片问题直接离开机场
    45. 39:12Perot Systems 政府大单准备签约，Steve 临门一脚拒绝交易
    46. 40:13Ross Perot 终于看清：我给了 Steve 太多该死的钱
    47. 40:56钱太多就没有饥饿感：纯粹压过了生存
    48. 41:17Andy Grove 追问：你们到底在做什么生意？
    49. 42:01渠道压货：NeXT 用会计手法掩盖真实销售惨淡
    50. 43:09Canon 再给四千万美元，NeXT 又一次站在破产边缘
    51. 43:49管理层共识：放弃高成本硬件，转向高利润软件
    52. 44:18NeXTSTEP 的真正价值：企业用它构建应用快五到十倍
    53. 44:54NeXT 教会 Steve 的事：如何把失败变成燃料
    54. 45:42新 COO 试图背着 Steve 卖掉 NeXT
    55. 45:57新 CFO 入职后发现：NeXT 实际上已经破产
    56. 46:28Canon 收购硬件部门：Steve 被迫放弃自己最热爱的硬件
    57. 46:58最后的失败之后，Steve 开始真正改变
    58. 47:31“先是慢慢地，然后突然之间”：Steve 的转变像破产一样发生
    59. 48:00媒体宣判 NeXT 硬件梦想死亡
    60. 48:29世界变了，你也得跟着变
    61. 48:53从硬件转向企业软件：NeXT 终于盈利
    62. 49:10Larry Ellison 的建议：建立专业服务团队，确保客户项目成功
    63. 49:47WebObjects：Steve 重新兴奋起来的互联网机会
    64. 50:18“互联网会成为未来十五到二十年最重要的技术变革”
    65. 50:35顾问式销售：从卖许可证到深入客户现场解决问题
    66. 51:06Michael Dell 的电商愿景：NeXT 一周做出 IBM 说要两年的网站
    67. 51:37Dell 在线销售爆发，WebObjects 成为下一代互联网商业基础设施
    68. 52:27Ed Catmull 如何与 Steve 共事：给事实，不升级冲突
    69. 53:08分歧可以持续三个月，但 Steve 最终会承认“你是对的”
    70. 53:39到 1995 年底，Steve 已经成为值得长期追随的领导者
    71. 54:00新 Steve 的领导观：CEO 其实是在最底下，为人才工作
    72. 54:39Apple 危机：产品混乱，操作系统做不出来，必须向外购买
    73. 55:20Garrett Rice 的关键问题：为什么不直接给 Apple 打电话？
    74. 56:10Steve 直接联系 Gil Amelio：BeOS 是错误选择
    75. 56:45演示对决：Steve 用团队和真实代码，展示 NeXT 的未来
    76. 57:28Gil 看到的变化：Steve 不再只是自我中心，而是务实、具体、精准
    77. 58:18面对 Apple 工程师质疑，Steve 不再粗暴推开，而是承认并解决
    78. 58:47BeOS 创始人的失败演示：没有团队、没有电脑、没有准备
    79. 59:09Steve 用真正跑起来的代码赢下机会
    80. 59:21Steve 与 Gil 在厨房里谈判：五分钟定下收购价格
    81. 59:54Apple 内部警告：如果收购 NeXT，Steve 最后会接管公司
    82. 01:00:39NeXT 高管看懂了：十二年流放给了 Steve 更高明的策略
    83. 01:01:15Apple 又属于他了，而这一次，他准备好了
  • 06-13#583. Bill Gurley：如何建立系统判断力，AI 泡沫与资本狂热下的认知突围
    1. 00:00开场 & 播客简介
    2. 01:34信息碎片化时代，如何理解复杂世界
    3. 01:51系统思维的核心：多变量、非线性与难以预测
    4. 02:35天气、股市与复杂系统：一个变量变化如何层层传导
    5. 03:01系统思维如何帮你少惹麻烦
    6. 03:24约会网站案例：优化互动，却伤害长期转化
    7. 03:49二阶影响：为什么单一指标会误导决策
    8. 04:01Bill Gurley 如何学习投资：从华尔街到风险投资
    9. 04:16Peter Lynch、Buffett、Ben Graham 与 Howard Marks 的影响
    10. 05:00价值投资如何迁移到风险投资
    11. 05:37Bill Miller、Amazon 与网络效应的价值判断
    12. 06:48为什么 VC 也必须懂金融底层逻辑
    13. 07:08华尔街是创业公司最终流动性的买方
    14. 07:24轨迹比起点更重要：早期公司如何想象终局
    15. 07:31为什么理解一个行业的底层基础很重要
    16. 07:43Pixar 创意天才 John Lasseter 如何研究动画史
    17. 08:27Magnus Carlsen 与国际象棋历史：高手都懂自己的领域传统
    18. 08:54LLM 时代，学习任何领域历史变得更容易
    19. 09:20Picasso 的例子：突破传统之前，先掌握传统
    20. 09:44面试中的差异化：比别人更懂本行业的大师和历史
    21. 10:47如果你觉得学习行业历史很无聊，可能说明这不是你的热情所在
    22. 11:09创业者的共同特质：痴迷式学习
    23. 11:38为什么颠覆性创业者必须站在技术前沿
    24. 12:20创新者的窘境：年轻人更容易扎进新变化
    25. 12:46每个人都应该对前沿保持好奇
    26. 13:07Bill 为什么同时使用多个付费 AI 账号
    27. 13:20真正强的人：既懂历史，也懂最新前沿
    28. 14:11AI 使用技巧：把后续分析步骤直接写进 prompt
    29. 14:53ChatGPT、Gemini、Claude、Perplexity 的不同使用场景
    30. 15:51AI 会是一家独大，还是垂直模型并存
    31. 16:15Cursor 与模型可替换性：未来可能进入价格优化阶段
    32. 16:34监管如何制造寡头格局
    33. 16:48为什么有些大玩家主动要求监管
    34. 17:01全球监管不一致：美国、欧盟与中国开源模型的竞争
    35. 17:40中国开源模型生态：竞争越激烈，开源越活跃
    36. 18:08开源系统如何加速创新：农民分享最佳实践的比喻
    37. 18:59硅谷创业公司正在大量使用中国开源模型
    38. 19:29AI 会如何改变投资方式
    39. 19:40什么只是 AI 外壳，什么可能是真正的应用层机会
    40. 20:08工作流、数据护城河与领域理解的重要性
    41. 20:29法律 AI 创业公司的例子：专业数据与流程沉淀
    42. 20:39ChatGPT 是否会吞掉垂直应用：仍未定论
    43. 21:00Microsoft 从操作系统走向应用层的历史参照
    44. 21:06训练数据是否快被用完
    45. 21:24专家微调与人类知识边界
    46. 22:01AI 是否会进入自我改进的非线性曲线
    47. 22:38Yann LeCun 的反面观点：下一代 AI 可能在 LLM 之外
    48. 23:14AlphaGo 的启示与局限：封闭系统不等于真实世界
    49. 24:28Tesla FSD 与自动驾驶的约束边界
    50. 24:56真实世界里的边界案例：人类行为仍然难以预测
    51. 25:44Bill 的非共识观点：反对简单妖魔化中国
    52. 26:21AI 建设是否投入了太多钱
    53. 26:48科技巨头把巨额自由现金流投入资本开支
    54. 27:15幂律与递增收益：为什么投资人越来越愿意押注未来
    55. 27:45从 Amazon 到 Uber，再到 AI 公司：亏损规模不断升级
    56. 28:09AI 是否会经历一次“核冬天”
    57. 28:59循环交易：云厂商给 AI 公司钱，再让钱回流到云服务
    58. 30:02成功公司为什么总是被提前抢投
    59. 30:18烧钱速度从风险指标变成行业常态
    60. 30:42极端资本环境下，很难看清真实单位经济模型
    61. 31:04散户、代币化与创业公司融资
    62. 31:20资金供给不是瓶颈
    63. 31:31Palantir、GameStop 与散户推动估值
    64. 31:50私有公司股份代币化的风险：投机与操纵
    65. 32:07为什么 Stripe 这样的公司不希望股份被随意交易
    66. 32:36股价波动会如何影响员工与公司运营
    67. 33:15IPO 流程为什么不公平
    68. 33:41为什么上市机制本该像拍卖一样匹配供需
    69. 34:06华尔街为何放不下 IPO 定价权
    70. 34:20直接上市、拍卖机制与 token 化可能带来的冲击
    71. 34:27稳定币如何冲击信用卡网络
    72. 34:33英国 Faster Payments、巴西 Pix 与美国支付系统的落后
    73. 35:10美国监管俘获如何保护信用卡收费模式
    74. 35:20USDC：几秒到账、低成本、还能获得收益
    75. 35:48稳定币是什么：用美国国债一比一储备的加密美元
    76. 36:17加密轨道为什么能实现全球即时转账
    77. 36:51ACH 三天结算与美国支付系统的低效
    78. 37:23为什么稳定币可能比政府更快解决支付问题
    79. 37:57Visa 和 MasterCard 的高利润护城河为何面临威胁
    80. 38:35中国移动支付的案例：二维码、微信支付与支付宝
    81. 39:14稳定币不是唯一解，但可能成为美国的新绕行路径
    82. 39:50AI 会不会挑战 Moody's 这样的评级机构
    83. 40:01Moody's 的真正力量：它是被市场接受的标准
    84. 40:27AI 是否会重塑股东投票建议服务
    85. 40:49指数基金崛起后，代理投票机构的权力变大
    86. 41:09黑箱评分与双边收费：为什么 Bill 认为这像一场劫掠
    87. 41:41Tesla 薪酬方案案例：风险控制与股东利益的冲突
    88. 42:31公司治理机构为何常常只看规则，而不是结果
    89. 43:01指数基金持股过高带来的治理问题
    90. 43:20被动基金是否应该不投票
    91. 43:48小股东可能获得过大控制权的二阶影响
    92. 44:00隐性指数化：主动投资人为什么被迫跟随巨头
    93. 44:48大规模指数化是否反而创造了主动投资机会
    94. 45:01跑赢 S&P 为什么越来越难
    95. 45:18为什么讲故事是成功创始人的关键能力
    96. 45:49Bill 如何爱上长篇非虚构写作
    97. 46:25Malcolm Gladwell、Michael Lewis 与新新闻主义的影响
    98. 46:44写作如何帮助投资人形成思想
    99. 47:06Amazon 六页备忘录：写清楚，才是真的想清楚
    100. 47:39写作也是风险投资人的“磁铁”和名片
    101. 48:05创始人的三个不公平优势：讲故事、产品直觉与前沿理解
    102. 48:34产品直觉很难后天训练
    103. 48:56创始人为什么一直都在销售
    104. 49:14Bezos 的天使投资判断：这个人是否无论如何都会做下去
    105. 49:27Uber 带来的现实经验：商学院案例里找不到
    106. 49:41赢家通吃、网络效应与无止境融资
    107. 50:05Lyft 拿十亿，Uber 拿三十亿：资本竞争如何升级
    108. 50:22没有董事会、导师或案例能指导这种局面
    109. 50:43AI 公司今天也处在类似环境里
    110. 50:55从 Amazon 到 Uber，再到 AI：烧钱规模又多了一个零
    111. 51:07Benchmark 如何建立平等合伙制
    112. 51:38为什么传统合伙制容易让资深者拿走过多权力和利益
    113. 52:05没有国王、没有首席合伙人：五个平等合伙人
    114. 52:26平等合伙制的优势：更容易招到优秀人才
    115. 52:50为什么平等会鼓励大家培养新人
    116. 53:15合伙人之间更愿意分享资源和人脉
    117. 53:39没有薪酬政治，但也很难扩张和推动新项目
    118. 54:00Benchmark 单页网站的故事：组织结构如何影响执行
    119. 54:49极简网站背后的自信与取舍
    120. 55:11创始人为什么选择某个 VC
    121. 55:37风险投资是有网络效应的投资类别
    122. 55:55创始人希望身边的人真正理解自己在做什么
    123. 56:23年轻 VC 的优势：更接近创始人，也更懂新技术
    124. 56:50电子竞技、YouTube 与细分领域认知优势
    125. 57:38VC 像体育吗：年龄、精力与竞争压力
    126. 58:03年轻人为什么仍有机会闯入风险投资
    127. 58:10Bill Gurley 如何定义成功
    128. 58:31风险投资曾是他的理想工作
    129. 58:42即使没有额外回报，他也会选择做那份工作
    130. 59:02人生下一章：把写作、理解问题和综合信息的能力用于更大的社会议题
    131. 59:29给世界留下一点痕迹
  • 06-12#582.SpaceX：理解 AI 算力狂潮，万亿 IPO 与超级智能竞赛下的未来押注
    1. 00:00开场 & 播客简介
    2. 01:45为什么 SpaceX 可能是机构投资者“必须持有”的未来资产
    3. 02:24本期议题：SpaceX IPO、Fable 5、AI 算力、GPU 与市场检查
    4. 03:29IPO 核心数字：一百三十五美元股价、一点七七万亿美元估值、一千六百亿美元收入预期
    5. 04:17两大变量：地面 AI 数据中心速度，以及 xAI / Cursor 的模型潜力
    6. 05:02Colossus 一号 IRR 百分之五十五：为什么算力生意的账看起来成立
    7. 05:30Elon 建数据中心为什么快：一百二十二天上线，速度就是成本
    8. 05:35模型前沿变化太快：十天内 Pareto 曲线已经过时两次
    9. 06:20Cursor 的专有编程数据，为什么可能成为 xAI 的关键资产
    10. 07:47从火箭公司到“Elon Web Services”：SpaceX 正在搭建 AI 时代的 AWS
    11. 07:59发射业务仍是皇冠明珠：可复用火箭是一切业务的基础
    12. 08:25快速复用为什么关键：从“一次性爆炸飞机”到航空公司式发射频率
    13. 09:20Starship 未来发射频率：从每年几百次到上千次的可能性
    14. 10:20Starlink 移动服务：为什么硅谷信号死区也会成为商业机会
    15. 11:05Starlink 宽带仍在早期：全球家庭渗透率不到百分之一
    16. 12:20Direct to Cell 和连接业务：未来三年是否可能五倍增长
    17. 12:57“更好、更快、更便宜”：Starlink 为什么可能切入全球电信市场
    18. 13:26Elon Web Services：过去六周最意外的新叙事
    19. 14:19Jensen 口中的 “N 等于一”：十九天建成十万 GPU 集群意味着什么
    20. 15:09SpaceX 如何拿电、拿芯片、建站点，并把算力高价变现
    21. 16:36Google 为何愿意支付溢价：地面算力背后的太空算力看涨期权
    22. 17:00AI 算力市场是否会被 SpaceX 整合
    23. 18:04三十天从零到第四大 AI 超大规模云厂商：为什么这很疯狂
    24. 18:30数据中心不是大宗商品：第一性原理设计带来的差异化
    25. 19:30供应商为什么更愿意卖给 xAI：速度、确定性和变现能力
    26. 20:15为什么太空数据中心不是 IPO 估值的必要条件，但可能是巨大上行
    27. 21:30编程模型与 AGI：为什么擅长编程可能是通往超级智能的最快路径
    28. 22:50地面 AI 业务已经足够有吸引力：每吉瓦变现率的对比
    29. 24:00轨道算力的关键前提：Starship 两级快速复用
    30. 24:50每次 Starship 发射可送约五兆瓦算力上天
    31. 25:20太空算力资本开支：每吉瓦约五十亿美元发射成本
    32. 25:50地面与太空对比：土地、电力、冷却在太空中接近“免费”
    33. 26:35可靠性与维护：轨道算力真正需要验证的风险点
    34. 27:20xAI 收购 Cursor：SpaceX 故事中最被低估的部分
    35. 28:50Grok 4.3 与 Cursor 数据：如果站上 Pareto 前沿，收入可能快速扩张
    36. 29:30为什么模型业务可能是 SpaceX 最大的上行惊喜
    37. 30:30Colossus、Vera Rubin 与算力锁定：Elon 如何从落后变成领先
    38. 31:40类比 AWS：把为自己建设的闲置容量变现
    39. 32:40Brad 的判断：模型业务是 SpaceX IPO 最少被讨论、但最可能超预期的部分
    40. 34:30为什么 Brad 认为 SpaceX 是“买入并持有”的未来押注
    41. 35:15IPO 后波动不可避免：历史上高成长公司常经历超过百分之五十回撤
    42. 36:20如何管理仓位：买了放着，但用“压舱石”动态调整风险
    43. 37:20一个月新增二百九十亿美元收入：为什么这次 IPO 前所未有
    44. 38:20大规模公司仍保持创业化：SpaceX 快速调整业务的能力
    45. 39:50员工和早期投资者流动性：SpaceX 已经像“准上市公司”
    46. 40:30Anthropic 发布 Fable 5：SOTA 之外，真正关键是长时间运行能力
    47. 41:30Noam Brown 的观点：快照式基准测试正在失效
    48. 42:00为什么我们可能永远不知道每一代模型到底有多聪明
    49. 42:30类比永不疲劳的爱因斯坦：长时间思考本身就是智能放大器
    50. 43:45Opus 4.6 打开的门：模型开始真正能跑长任务
    51. 44:30年初的质疑：便宜开源 token 是否会追上前沿模型
    52. 45:15现实证据：前沿模型拿走了大多数 AI 收入
    53. 45:55多 Agent 编排：Fable 5 如何改变投研工作流
    54. 46:25把七个财务模型丢给 AI：让模型推理假设、矛盾和投资判断
    55. 47:15代码库重构、生物学与企业任务：长时间 Agent 解锁新用例
    56. 47:40更多 token、更长运行、更大算力需求：为什么模型能力会反推 Capex
    57. 48:00两件事可以同时成立：开源处理大量 token，前沿模型拿走主要经济价值
    58. 48:30Harvey 的案例：专有数据 + 开源模型 + 路由器，如何降低成本
    59. 49:20企业调研：即使做模型路由，仍预计使用更多前沿模型 token
    60. 50:00高价值任务不会用二流模型：编程、金融和知识工作仍流向前沿
    61. 50:30“前沿模型不会拿到大部分收入”的判断已经被证明错误
    62. 51:00开源对算力和硬件反而是利好
    63. 51:15亚洲与硅谷的信念差异：闭源云 vs 合适任务用合适模型
    64. 52:20Jensen 的模型路由观点：开源追上长任务后会拿走更多流量
    65. 52:50美国前沿开源模型只是时间问题：Nvidia 可能亲自下场
    66. 53:10如果 Nvidia 推开源模型，会如何影响 ASIC 经济账
    67. 53:45Nvidia 为什么可能成为最大的开源 AI 提供商
    68. 54:15如果客户都来竞争，Nvidia 为什么不能反向进入云和模型业务
    69. 54:45台湾观察：下一波 ASIC 让市场兴奋，但格局比“二选一”复杂
    70. 55:40ASIC 会按工作负载定制，Nvidia 仍是最主要的通用算力提供商
    71. 56:20Nvidia 消耗量为何没有下降，反而继续加速
    72. 57:00每瓦 token 产出：为什么功率限制下 Nvidia 仍有优势
    73. 57:45前沿实验室是否应该垂直整合芯片：专注是不是最高价值选择
    74. 58:30长时间 Agent 推动更多资本开支：二零二七年 Capex 可能接近一点五万亿美元
    75. 59:25三千亿美元推理收入，对应一点五万亿美元 Capex，账算得过来吗
    76. 01:00:30Gavin 的判断：三千亿美元收入预测可能太低
    77. 01:01:10Dario 的“数据中心里的天才之国”：二零三零年前可能出现数万亿美元收入
    78. 01:02:00训练和推理支出的区别：不是所有 Capex 都直接产生收入
    79. 01:02:50年初叙事被打破：token 和算力价格并没有平滑通缩
    80. 01:03:30Agentic AI 用户不到百分之零点二：需求仍在极早期
    81. 01:04:00每吉瓦变现能力上升：从二百亿到三四百亿美元
    82. 01:04:50Anthropic 的“意外盈利”：不是不想花钱，而是算力太难买
    83. 01:05:25AI 质疑三部曲：没收入、没毛利、没 ROI，正在逐个被打破
    84. 01:06:00为什么几百万企业和消费者同时付费，是最强的 ROI 证据
    85. 01:06:30当前市场分化：半导体大涨，互联网和软件下跌
    86. 01:07:20Altimeter 的仓位调整：从大仓位降到中小仓位
    87. 01:08:20Gavin 的跑步者比喻：很多 AI 股票刚冲上悬崖，需要休息
    88. 01:09:20通胀、利率和未知风险：市场可能进入整理期
    89. 01:10:00AI 夏季季节性：大学生使用下降可能影响 token 消耗
    90. 01:10:50年轻一代如何用 Agent 做 SpaceX 模型：AI 使用正在渗透下一代
    91. 01:11:20“总有一颗子弹朝我飞来”：投资人必须不断转头看风险
    92. 01:12:00创造性破坏与规模优势同时变陡：这次技术浪潮速度超出预期
    93. 01:12:40三家公司可能新增一万亿美元收入：SpaceX、Anthropic、OpenAI 的时代机会
    94. 01:13:20AI 可能改变全球 GDP 的百分之五到十五
    95. 01:13:50结尾：开源研究、同业交流，以及对未来的长期乐观
  • 06-11#581.Palantir创始人Peter Thiel：如何理解 AI、技术停滞与文明风险，混乱时代的未来判断
    1. 00:00开场 & 播客简介
    2. 01:36被困洛杉矶：光说离开，是否正在替代行动？
    3. 03:20美国问题：别处更糟，是否让我们忽略自身衰退？
    4. 04:24财政赤字：零利率时代结束后的债务危险
    5. 07:00社会保障：养老金叙事、福利制度与代际庞氏结构
    6. 09:45加州税收：治理低效为什么仍然能维持繁荣？
    7. 10:43加州像沙特：大型科技公司就是“油田”
    8. 12:11搬去哪里：零税州、城市生活与 Nashville、Miami 的选择
    9. 16:30离开加州为什么越来越难：新冠窗口期、房价与利率
    10. 18:30科技网络效应：为什么金融业能搬去佛州，科技业更难离开湾区
    11. 20:25加密与 AI：一个去中心化，一个天然中心化？
    12. 21:33未来五年的 AI：为什么没人真正知道答案
    13. 22:22AI 的历史愿景：超级智能、监控技术与图灵测试
    14. 23:48ChatGPT 的真正意义：通过图灵测试这件事被低估了
    15. 24:51AGI 反而可能没有图灵测试重要
    16. 25:33AI 像 1999 年互联网：真实的大事，也可能伴随泡沫
    17. 26:35技术停滞时代的悖论：大事发生时，我们反而不知道如何理解
    18. 28:10比特与原子：为什么手机很先进，但城市和交通却停滞
    19. 29:28“技术”一词为何被缩小成了信息技术
    20. 30:18我们移动得更慢了：协和飞机退役、机场安检与拥堵
    21. 31:20工程学科的失落：核工程、航空航天与监管限制
    22. 32:00“科学”这个词：Peter Thiel 对气候科学、社会科学的语言怀疑
    23. 34:00气候、意识形态与电动车政策的现实矛盾
    24. 35:59环保主义的最强论点：增长极限、资源约束与全球生活水平
    25. 37:26核能本可以缓解能源困境吗？
    26. 38:05能源密度：从木材、煤、石油到铀
    27. 38:49核能为什么停下：官方事故叙事之外的“军民两用”问题
    28. 39:29印度核弹与全球治理难题
    29. 40:21中国核电为什么也没有真正爆发
    30. 41:47技术停滞的深层原因：风险规避、教育、监管与末日阴影
    31. 42:54停滞是否也在保护我们：没有高超音速与模块化核反应堆的另一面
    32. 43:46UAP 与古代外星人：Rogan 对冯·丹尼肯与 Graham Hancock 的区分
    33. 44:52失落文明的可能性：灾变、技术失传与新仙女木事件
    34. 46:31文明兴衰：青铜时代崩溃、罗马衰落与进步主义幻觉
    35. 48:12如果历史不是单调进步，我们就不能把文明当成理所当然
    36. 49:17金字塔之谜：工程能力还是文化动机更难解释？
    37. 51:41金字塔发电厂理论：疯狂假说与工程怀疑
    38. 53:21王权与替罪羊：Frazer、Girard 与暴力的神圣化
    39. 55:17Sed 节：法老献祭、活着的神与王权延续
    40. 57:36宗教先于政治，还是政治发明宗教？
    41. 59:48人类政治的起源：疯狂、谋杀与内部暴力
    42. 01:00:30语言与联盟：为什么人类社会不同于猿类等级结构
    43. 01:02:30模仿、语言与人类独特性
    44. 01:03:43ChatGPT 与语言：为什么通过图灵测试如此震撼
    45. 01:05:11人类作为“超级模仿机器”：文化、冲突与模仿欲望
    46. 01:07:53Stoned Ape Theory：蘑菇、语言与人类演化猜想
    47. 01:08:41古代仪式与迷幻药：是否被过度美化？
    48. 01:10:27Eleusinian Mysteries：迷幻体验、民主与创新想象
    49. 01:11:29MDMA 治疗 PTSD：FDA、双盲研究与制度阻碍
    50. 01:14:18潘多拉魔盒：迷幻药为何可能威胁建制派
    51. 01:15:03内在空间 vs 外太空：迷幻药是激活行动，还是替代行动？
    52. 01:16:37六十年代、越战与反文化运动
    53. 01:17:29MKUltra：LSD、精神控制与反文化的复杂起源
    54. 01:18:46今天是否还存在精神操控项目？
    55. 01:20:26CIA 是否已经变弱：从 MKUltra 到 Church Committee
    56. 01:21:42深层国家的正式化：酷刑备忘录、FISA 与机构失灵
    57. 01:23:21Epstein 之谜：为什么仍然没有真正答案？
    58. 01:24:19情报部门、保护机制与 Acosta 的证词
    59. 01:26:14黑料政治：控制政客的古老策略
    60. 01:27:04秘密俱乐部逻辑：不是被勒索，而是通过把柄获得晋升
    61. 01:28:18Bill Gates、Epstein 与权力网络
    62. 01:30:18另一种 Gates 叙事：慈善基金会、婚姻资产与诺贝尔奖
    63. 01:33:09左翼慈善为何可疑：美德展示、洗白与公众形象
    64. 01:35:40炫耀缺点比炫耀美德更安全
    65. 01:36:30Gates、新冠与离婚时间线的替代解释
    66. 01:39:30Epstein 是什么角色：税务专家、社交俱乐部，还是更糟的东西？
    67. 01:42:43为什么真相可能要很久之后才会出现
    68. 01:43:16JFK 遇刺：为什么不同阴谋论本身揭示了美国的疯狂
    69. 01:44:29Oswald、CIA 与“严重失职”的可能性
    70. 01:45:00JFK 弹道争议：草坪小丘、Jack Ruby 与 Jolly West
    71. 01:46:54Trump 枪击事件：Crooks 如何上到屋顶？
    72. 01:48:02失职还是阴谋：特勤局为什么没有阻止枪手？
    73. 01:49:18狙击细节：测距仪、背包、屋顶与指挥链
    74. 01:50:48爆头、瞄准镜与 JFK 的“魔术子弹”
    75. 01:53:31Warren Commission 与被改写的叙事
    76. 01:55:14谁想让 Kennedy 死：CIA、古巴、黑手党与多方利益
    77. 01:57:20互联网时代是否让深层行动更难隐藏？
    78. 01:59:33Epstein 黑料为什么没有泄露：深层容器是否仍然有效？
    79. 02:00:30UAP 的一种解释：可能是美国自己的秘密推进项目
    80. 02:01:28外星人还是无人机？Rogan 认为可能两者都有
    81. 02:02:20核时代之后的访问：为什么外星文明可能关注人类核能力
    82. 02:03:46为什么 Peter Thiel 对 UFO 提不起劲：77 年仍缺少决定性证据
    83. 02:05:01“等行李”类比：如果真相迟迟不出现，是否该降低期待？
    84. 02:06:18缓慢披露理论：外星文明是否在渐进进入人类意识？
    85. 02:08:08ChatGPT 也许就是一种“外星智能”
    86. 02:08:46超光速文明的悖论：曲速武器、极权控制与完美利他
    87. 02:10:23外星人必须是天使或恶魔？
    88. 02:11:14人类与 AI 融合：摆脱灵长类本能的未来想象
    89. 02:12:49Peter Thiel 的反驳：这套未来路径每一步都太难成功
    90. 02:13:29后稀缺世界仍有地位稀缺：Star Trek、PayPal 与 Galaxy Quest
    91. 02:16:25数字生命是否会取代人类？
    92. 02:18:51AI 加速主义、全球算力治理与监管风险
    93. 02:20:28中国竞争：为什么 AI 很难被单方面监管
    94. 02:22:00AI 反乌托邦叙事为什么正在赢得辩论
    95. 02:23:43AI 会不会像药品一样被监管到停滞？
    96. 02:24:56硅谷没有说服普通人：AI 对人类到底有什么好处？
    97. 02:26:34AI、塑料、微塑料与生物性衰退
    98. 02:29:17低生育率的模仿机制：别人不生，你也不生
    99. 02:30:00倒金字塔社会：老人福利与儿童投资的政治冲突
    100. 02:31:20人口指数衰减：如果每代减半，千年后只剩一个人
    101. 02:32:42韩国的极端案例：现代性、性别结构与儒家社会压力
    102. 02:33:37第一步是谈论，但谈论可能替代行动
    103. 02:34:44心理治疗、洞察与自我接纳：知道问题为什么不等于改变
    104. 02:35:31谈论、战略与拖延：如何从认知走向行动
    105. 02:36:15结尾：战略常常是拖延的委婉说法
  • 06-11#580. SpaceX：太空算力，AI 时代的基础设施争夺战
    1. 00:00开场 & 播客简介
    2. 01:36为什么一家太空公司必须掌握自己的发射能力
    3. 02:13Elon 对降低入轨成本的长期执念
    4. 02:35Starship 的目标：在 Falcon 基础上再实现十倍成本改善
    5. 02:52快速复用为什么是火箭技术的“圣杯”
    6. 03:05从 Falcon 一级回收，到 Starship 像飞机一样运营
    7. 03:28为什么 Starship 是让航天产业进入 2030 年代新阶段的催化剂
    8. 03:59Starship V3 首飞：新 Raptor 发动机、软溅落与系统验证
    9. 04:48一百公吨入轨能力对未来业务意味着什么
    10. 05:12Starship 如何成为 SpaceX 多条业务线的跳板
    11. 05:23Starlink 的规模：一千万客户、一万颗卫星、一百六十多个国家
    12. 06:03从加拿大原住民社区到巴西学校：连接未联网人群的现实意义
    13. 06:36弥合数字鸿沟：连接地球上另外三十亿人的机会
    14. 06:51为什么 Starlink 未来可能从一千万用户走向数亿用户
    15. 07:22Starlink 如何反过来推动 Falcon 发射规模化
    16. 07:35去年 Falcon 一百六十五次发射背后的运营逻辑
    17. 08:00Starlink、Starship 与未来 AI 算力卫星的连续关系
    18. 08:13一点六万亿美元电信市场：互联网接入与蜂窝连接
    19. 08:32为什么传统电信产品很难真正差异化
    20. 09:15游戏玩家视角：速度、延迟和体验为什么重要
    21. 09:32Direct to Cell：未来两年达到 5G 质量的手机直连服务
    22. 09:58全球漫游、无信号死角与灾害恢复场景
    23. 10:38低延迟、高速度、几乎到处可用的宽带体验
    24. 11:02航空公司接入 Starlink 后，用户如何重新理解卫星网络
    25. 11:27自然灾害中的 Starlink：通信恢复如何直接救命
    26. 11:46除了 Starlink，Starship 还能带来哪些业务
    27. 12:03点对点运输、月球经济与未来太空市场
    28. 12:17被低估的现实机会：地球上已有的两万亿美元连接市场
    29. 12:31不用挖沟：卫星网络相对地面网络的成本优势
    30. 13:06AI 算力为什么是 Bret 最看好的新方向
    31. 13:30Starship 发射 Starlink V3：单次能力是 Falcon 的二十倍
    32. 13:45V3 卫星如何推动宽带增长和 5G 级手机直连
    33. 14:00Starship 如何支撑更大的 Starlink 星座与数亿用户
    34. 14:13为什么“太空数据中心”不是一栋漂浮建筑，而是一颗颗机架卫星
    35. 14:44Orbital Compute 的本质：另一个星座
    36. 15:18计算卫星会长什么样：更大的 Starlink V3、太阳能板、GPU 和散热板
    37. 15:48为什么这不是全新概念，而是 Starlink 技术的自然延伸
    38. 16:16Starlink 现有的星间链路、推进系统和地面连接如何复用
    39. 16:29Nvidia 机架、太阳能翼和散热器的直观想象
    40. 17:08从第一性原理看轨道算力的优势
    41. 17:18监管优势：不用把数据中心建在居民后院
    42. 17:39太空太阳能：每块电池获得约五倍于地面的能量
    43. 18:09冷却优势：从复杂液冷变成直接辐射散热
    44. 18:47成本结构：卫星本体、硅和发射
    45. 19:15为什么太空算力成本曲线可能下降，而地面数据中心成本持续上升
    46. 19:38AI 算力市场规模与轨道算力的早期挑战
    47. 20:16每年把吉瓦级算力送入太空意味着什么
    48. 20:39最早明年展示轨道算力能力
    49. 21:03没有 Starship 的快速复用，轨道算力无法真正发生
    50. 21:25什么是一吉瓦级数据中心
    51. 21:54一个 Blackwell 机架的耗电量有多夸张
    52. 22:10每年几吉瓦轨道算力到底意味着什么
    53. 22:26第一代方案：送上一吉瓦算力大约需要两百次 Starship 发射
    54. 22:53SpaceX 正在按每年数千次发射优化
    55. 23:06南得克萨斯、Cape Canaveral 与未来发射塔布局
    56. 23:21Colossus 一号一百二十二天上线背后的组织能力
    57. 23:56给 Elon 工作十五年：大胆目标如何一步步变成现实
    58. 24:28从“火星梦被翻白眼”到“哪一年去火星”
    59. 25:03SpaceX 如何围绕终极目标构建每一块关键 IP
    60. 25:27从入轨、复用、重型运载到载人飞船和太空通信
    61. 25:50年发射数千次如何为火星窗口准备飞行器舰队
    62. 26:15月球经济：学习如何在太空中生活
    63. 26:45AI 如何成为使命延伸：把人类意识带到地球之外
    64. 27:11Elon 如何和工程师一起解决关键路径问题
    65. 27:49为什么 SpaceX 像一个顶级工程课堂：小团队、硬问题、通宵迭代
    66. 28:36领导者深入一线技术细节为什么能激励团队
    67. 29:09Raptor 发动机从一代到三代的演进
    68. 29:36从多行星使命到“扩大意识的光锥”
    69. 30:15为什么 SpaceX 进入 AI 业务不仅是财务机会
    70. 30:30追求真相的 AI：X 的实时内容如何成为差异化
    71. 31:04Grok、企业 API、Grok Build 与地面算力
    72. 31:18AI 业务为何也会像发射和连接业务一样多元化
    73. 31:39托管算力、企业模型和消费者模型的组合
    74. 32:04Anthropic 交易：用地面数据中心验证算力商业模式
    75. 32:34Cursor 交易：补齐企业编程能力
    76. 32:48SpaceX AI 的整合：把 SpaceX DNA 带进 AI 团队
    77. 33:30Anthropic 交易带来的年化收入规模想象
    78. 34:04算力与电力成为 AI 行业瓶颈
    79. 34:20为什么对外出租算力不意味着减少内部模型投入
    80. 35:01SpaceX 是否会加快建设地面数据中心
    81. 35:27Cursor 的 Composer 模型在 Colossus 二号上获得性能跃升
    82. 36:14Cursor 的企业客户基础与 SpaceX 算力结合
    83. 36:33Grok LLM、Cursor 编程引擎和 Grok Build 工具框架
    84. 36:47Terra Fab 是什么：SpaceX、Tesla 与 Intel 的合作
    85. 37:18为什么内部锁定客户能降低新晶圆厂风险
    86. 37:43Elon 如何挑战半导体制造流程里的每一个“必须如此”
    87. 38:15SpaceX 为什么担心未来硅供应链约束
    88. 38:31从 Nvidia、AI 芯片、TPU 到 TSMC：供应链瓶颈在哪里
    89. 38:47如果要扩到每年一百吉瓦，为什么必须确保可靠硅供应
    90. 39:01美国本土半导体制造与制造业岗位的意义
    91. 39:12从资本高效到大规模投入：SpaceX 正在经历什么转变
    92. 39:34十五年来最难的挑战之一：资本配置
    93. 40:08类似准时制制造的投资方法：按季度规划产能
    94. 40:29Starship 发射塔、燃料空分装置、机库、卫星制造和数据中心
    95. 40:53Starlink V3 如何释放现金流，为轨道算力提供时机
    96. 41:28Starship、地面算力、AI 模型、Starlink、Orbital Compute 与 Terra Fab 如何互相促进
    97. 42:01核心逻辑：所有业务的基础都是发射平台
    98. 42:21太空能力如何让每个垂直业务交付更好的产品
    99. 42:44基础设施被推到业务最前沿
    100. 42:59开放式垂直整合：竞争对手也可以买发射、算力、模型和轨道算力
    101. 43:13每一层既是独立业务，又反过来强化整体规模和成本优势
  • 06-10#579.普通人如何看懂 AI 投资机会，泡沫争议下的科技周期突围
    1. 00:00开场 & 播客简介
    2. 01:35Anthropic：为什么它是 Alex 最高确信度的投资
    3. 02:38新计算范式：AI 技术栈从电力、芯片到模型和应用
    4. 03:52基础模型层：从 60 家竞争者走向三强寡头格局
    5. 05:56编程爆发：Claude Code 如何成为企业 AI 的第一块大市场
    6. 07:00编程市场测算：两千万程序员背后的五千亿美元机会
    7. 08:03从辅助写代码到 Agentic 编程：AI 编程能力的拐点
    8. 09:00模型不是大宗商品：Anthropic、Google、OpenAI 的差异化
    9. 09:52API 周围的产品生态：为什么 Anthropic 像早期 AWS
    10. 10:40企业 AI 渗透率：真正使用 AI 的知识工作者可能只有十个基点
    11. 12:13L 曲线：为什么企业 AI 可能直线式上升
    12. 12:44算力短缺：大规模采用到来前，全球算力已经不够
    13. 13:08从公开市场到私募投资：如何拿到 Anthropic 仓位
    14. 14:07尽调 Anthropic：管理团队、代码质量和商业计划兑现
    15. 14:5290 页研究报告：用 Claude Code 反向研究 Claude Code
    16. 15:12独角兽市场：为什么私营科技公司已经无法忽视
    17. 16:10Stripe 案例：为什么研究 Adyen 必须研究 Stripe
    18. 17:05疫情期间买入 Stripe：如何用有限信息推算私营公司价值
    19. 18:04私募投资人的优势：愿意长期持有，并陪伴公司上市之后
    20. 18:36三件事：S 曲线、竞争优势、被低估的盈利能力
    21. 19:26指数增长的误判：为什么市场太关注下个季度
    22. 20:47技术采用：从早期存在到真正引爆通常需要很久
    23. 21:35iPhone 案例：当所有采用障碍被移除，需求会像火箭一样上升
    24. 22:01Tesla 案例：价格、续航和供应链如何触发电动车拐点
    25. 22:41S 曲线有多高：为什么 TAM 决定你能持有多久
    26. 23:32AWS 案例：隐藏在 Amazon 里的巨大企业 IT S 曲线
    27. 24:02AI 是最大的 S 曲线：互联网、移动、云、电商之后的新周期
    28. 24:50什么时候卖：渗透率到 30% 到 40% 后，指数增长通常减弱
    29. 25:14Apple 的教训：错过后续复利增长，但最大年份在 0 到 50% 渗透率
    30. 25:57什么时候买：战略拐点靠直觉、零散证据和模式识别
    31. 26:43移动游戏信号：一个中国小孩玩手机游戏带来的投资洞察
    32. 27:25企业软件信号：Gartner 会场里站满人的房间
    33. 28:01错过早期也没关系：真正大的 S 曲线会持续很久
    34. 28:21S 曲线斜率：收音机和洗碗机代表两种技术采用速度
    35. 29:15B2B 像洗碗机：需要接入系统，所以采用更慢
    36. 30:08AI 的特殊性：浏览器一打开就能用，因此采用可能更快
    37. 30:47先找 S 曲线，再找真正有竞争优势的公司
    38. 31:40数字世界的护城河：网络效应、行业标准、规模与平台
    39. 32:33关键知识产权：从 Qualcomm、ASML 到基础模型公司
    40. 33:22品牌与获客成本：为什么强品牌本身就是商业模式
    41. 33:50Amazon 和 AWS：战争开始前就已经赢了
    42. 34:20没有护城河也会输：RIM、Palm、Nokia 的反面案例
    43. 35:15AI 的复杂性：高风险，但潜在市场高达三到五万亿美元
    44. 35:43Anthropic 的护城河：企业品牌、关键 IP 和融资能力
    45. 36:24递归式改进：编程领先如何反哺模型能力
    46. 37:03企业市场与消费者市场：谁能更快变现
    47. 37:52领先者复利：互联网公司里“领先者更大更快”的规律
    48. 38:21范式转移风险：AOL 和 Netscape 的历史提醒
    49. 38:43传统企业软件面临什么：AI 能否重做 ERP 和 CRM
    50. 39:40从看多软件到卖出软件：为什么 Alex 改变判断
    51. 40:15AI 产品无力变现：现有软件公司早期 AI 产品的问题
    52. 40:39软件像马车，AI 像传送器：技术代差带来的颠覆风险
    53. 40:45CIO 预算迁移：钱可能流向 Anthropic token，而不是传统软件
    54. 41:18四重压力：预算、涨价、席位收费和招聘冻结
    55. 41:49销售动作变化：AI 需要前线部署工程师，而不是卖固定系统
    56. 42:08客户自建风险：AI 原生公司可能挑战每一个软件巨头
    57. 43:15新版四十法则：AI 收入占比 + 品类市场份额
    58. 44:20软件公司的 AI 占比太低：离真正改变增长轨迹还很远
    59. 44:33反转可能性：AI 也可能让 Slack 等平台更重要
    60. 45:22无界面软件：Agent 直接进入数据层，软件公司可能被降级成数据库
    61. 45:56CRM 的两种命运：失去界面，或成为 Agent 的工作场所
    62. 46:13数据中心四十年：从 X86 到云，硬件长期商品化
    63. 47:04AI 工作负载：每年十倍增长，把硬件推到物理极限
    64. 47:31硬件行业去商品化：AI 带来的芯片复兴
    65. 48:15高带宽内存：从商品内存变成关键技术部件
    66. 48:45Celestica 案例：从合同制造商到 Google TPU 服务器关键供应商
    67. 49:35AI 服务器：一台 20 到 30 万美元，变成关键基础设施
    68. 50:12网络升级：以太网从七年一换变成每年升级
    69. 50:40AI 网络份额：Celestica 在云端以太网交换机的优势
    70. 51:00PCB 和材料：AI 服务器需要 40 层电路板
    71. 51:45从低增长到高增长：供应链公司如何获得收入和利润率双提升
    72. 52:04Corning 光纤：一个数据中心的光纤可绕地球四圈半
    73. 52:30Scale out、scale across、scale up：AI 数据中心三种连接需求
    74. 53:10机架内部连接：从铜缆走向光纤的潜在机会
    75. 53:20电源升级：Nvidia 每代芯片让用电量大幅增加
    76. 53:58供应短缺：DRAM、NAND、PCB 已经出现 30% 左右缺口
    77. 54:20变化率比绝对值更重要：AI 占比从 10% 到 30% 的加速效应
    78. 54:48为什么别人没看对：这套框架看似简单，但执行很难
    79. 55:30股价涨了也难买：没有全局视角就会被泡沫叙事吓退
    80. 56:02半导体分析师为何错过：只看芯片，没看懂基础模型层
    81. 56:39最大担忧之一：公众和政府对 AI 的负面情绪
    82. 57:03监管风险：数据中心禁令与 AI 悲观情绪
    83. 57:20模型进步放缓：如果前沿模型撞墙，开源可能追上
    84. 57:55对芯片公司反而未必坏：谁赢不重要，只要有人跑模型
    85. 58:20大玩家掉队风险：如果部分模型公司退出，算力需求可能受影响
    86. 58:48为什么不是优先投应用层：应用通常会晚一点成熟
    87. 59:20基础模型和应用边界：应用能否挡住模型公司的进攻
    88. 59:48企业软件应用还未真正爆发：生态仍然不清楚
    89. 01:00:18Sierra 案例：Brett Taylor 的 AI 客服应用公司
    90. 01:00:45应用层需要时间：真正成熟可能发生在最初三四年之后
    91. 01:00:50Whale Rock 的研究奖项墙：什么样的研究能脱颖而出
    92. 01:01:42AI 是否改变研究：能提升效率，但还不能取代分析师
    93. 01:02:05Scuttlebutt 方法：走出去见公司、客户、供应商和竞争对手
    94. 01:02:46AI 能快速学习复杂领域，但不能替你判断未来
    95. 01:03:11分析师的新价值：不只是记录事实，而是给出洞察
    96. 01:03:36AppLovin 案例：真正的研究来自长期跟踪、行业会议和关系网络
    97. 01:04:26投资人朋友圈：菲利普·费舍式的想法交换
    98. 01:04:57三脚架信心：自己、分析师、尊重的外部投资人同时看好
    99. 01:05:18从多空基金到只做多基金：产品体系如何演化
    100. 01:06:00私募敞口：为 LP 提供不同参与方式
    101. 01:06:26Mega Cap Tech Fund：为什么大型科技股存在结构性低配
    102. 01:07:10捐赠基金困境：为什么很多机构错过最大科技公司
    103. 01:08:27大盘科技股也有 Alpha：Google 是赢家这件事需要更多人意识到
    104. 01:09:20全球市值前三十：从最大公司里挑出最好的十二三家
    105. 01:10:08Whale Rock Learning Machine：研究机器才是公司的核心资产
    106. 01:10:44知识复利：每年两千五百到三千场管理层会议
    107. 01:11:03同一套研究引擎：同时支撑公开市场和私募投资
    108. 01:11:14最善良的一件事：父亲加入 Whale Rock 帮他创业
    109. 01:12:00父子共事六年：父亲负责监督、募资和支持
    110. 01:12:31一位真正的绅士：父亲作为导师影响了许多人
    111. 01:13:00谦逊、智慧与温暖：Alex 对父亲的回忆
    112. 01:13:32结尾致谢
  • 06-09#578.女性如何稳住更年期健康，在医学误解与激素争议中夺回主动权
    1. 00:00开场 & 播客简介
    2. 04:14更年期不只是“最后一次月经”：为什么传统定义不够用
    3. 06:05围绝经期可能提前 7-10 年开始：激素系统进入“混乱区”
    4. 08:04为什么围绝经期很难靠一次抽血诊断
    5. 10:15女性健康研究为什么长期缺位：围绝经期研究少得惊人
    6. 11:40“大脑不喜欢这种混乱”：焦虑、抑郁、脑雾与执行功能下降
    7. 13:35五分之一女性可能因绝经相关症状离职：被低估的职业影响
    8. 15:02月经异常、疲劳、关节痛、心悸：为什么很多症状会被误诊
    9. 16:44围绝经期该做什么检查：不是只查激素，也要排除甲状腺、自免和贫血
    10. 17:04哪些因素会让绝经更早：吸烟、手术、炎症、遗传与族群差异
    11. 19:3027岁也可能进入卵巢功能衰退：早发性卵巢功能不全的风险
    12. 21:23避孕药、HRT 与剂量差异：抑制排卵还是稳定大脑信号
    13. 24:27“最好的避孕方式是输精管结扎”：避孕责任为何总落在女性身上
    14. 25:46宫内节育器如何工作：停止月经不等于停止排卵
    15. 26:32避孕会推迟绝经吗？答案是可能，但幅度很有限
    16. 27:47冷冻卵子不会提前绝经：为什么取卵不消耗额外卵巢储备
    17. 29:27为什么女性健康话题总被误解：研究不足、沟通不足与互联网噪音
    18. 30:41NIH 更年期经费占比极低：女性生命三分之一被忽视
    19. 31:03很多慢性病研究没有真正分析性别差异
    20. 32:19女性健康法案、医学教育与 WHI 之后的一代断层
    21. 33:31普通人如何推动研究经费：给议员打电话也可能有效
    22. 35:23如果能告诉35岁的自己：先把饮食和炎症管理做好
    23. 36:14纤维是底层工具：每天至少25克，理想约30克以上
    24. 37:08吃出颜色多样性：植物化学物质与肠道微生物组
    25. 37:18蛋白质摄入不足：女性需要为肌肉和长寿而吃
    26. 37:45内脏脂肪才是关键：绝经后身体组成如何改变
    27. 38:50体重不是全部：肌肉流失与内脏脂肪增加才是风险核心
    28. 39:42女性蛋白质目标：从50克提高到80-120克的现实意义
    29. 41:05问问母亲何时绝经：遗传是重要线索
    30. 41:40几乎每个女性都会经历身体组成变化
    31. 42:08如何估算内脏脂肪：DEXA、InBody 与腰臀比
    32. 44:10睡眠、疲劳与“我不像自己了”：绝经前后的心理韧性变化
    33. 45:14眩晕、耳鸣、皮肤痒、腹胀：那些不常被归入更年期的症状
    34. 45:30肠道微生物组也会变化：从“女性型”走向更接近“男性型”
    35. 46:08发酵食物、酸奶、味噌与益生菌研究
    36. 46:54地中海饮食和 Galveston Diet 有什么不同
    37. 47:24为什么医生也缺营养学教育：从“吃健康点”到烹饪医学
    38. 48:34Galveston Diet 的诞生：抗炎营养、低加工、低糖与禁食
    39. 49:18间歇性禁食的利与弊：如果吃不够蛋白质，窗口太短反而成问题
    40. 50:30每餐都要有蛋白质：不要把蛋白质都堆到晚餐
    41. 51:10为什么女性长期低估肌肉：以前只为瘦而吃和运动
    42. 51:35抗阻训练的转变：从马拉松、有氧到每周三四次力量训练
    43. 52:35每个人都该做抗阻训练：尤其是围绝经期和绝经后的女性
    44. 53:28如果能回到二十年前：选择强壮，而不是只追求瘦
    45. 54:00潮热到底是什么：体温调节中枢被重新设定
    46. 54:52睡眠被打断会放大全部问题
    47. 55:14潮热的金标准治疗：把雌激素还给身体
    48. 55:38HRT 为什么被妖魔化：医学史上一次严重误读
    49. 56:05WHI 研究的关键问题：研究对象平均已经63岁
    50. 58:22相对风险与绝对风险：乳腺癌数据到底该怎么看
    51. 59:56年龄窗口很关键：50-59岁开始 HRT 的心血管数据
    52. 01:00:29“雌激素更擅长预防，而不是治疗”
    53. 01:02:42雌激素不是致癌物：为什么叙事被简化成“雌激素危险”
    54. 01:03:35今天很多女性仍只拿到抗抑郁药，而不是充分的更年期照护
    55. 01:04:28为什么更年期不该全丢给妇产科医生
    56. 01:04:45“我们是女性，不是长了乳房和子宫的小号男性”
    57. 01:05:38心血管疾病中的性别差异：女性症状更容易被心理化
    58. 01:06:30更年期后胆固醇变化：LDL 升高、HDL 降低
    59. 01:06:58他汀、HRT 与女性一级预防的复杂性
    60. 01:07:04口服 vs 非口服：为什么 Haver 更偏好经皮给药
    61. 01:08:18贴片、凝胶、喷雾、阴道环：不同剂型的选择
    62. 01:09:54Meno Posse：医疗专业人士如何推动更年期照护公平
    63. 01:10:48什么时候开始 HRT：症状明显时，还是更早？
    64. 01:11:44雌二醇没有统一治疗范围：根据症状而非单一数字调整
    65. 01:13:45女性使用睾酮：为什么没有 FDA 批准选择
    66. 01:14:21睾酮剂量与副作用：性欲、头发、声音、痤疮与毛发生长
    67. 01:15:26睾酮和雌激素都是“人类激素”，不是单纯男女标签
    68. 01:16:13更年期激素补充主要看雌激素、孕酮和雄激素
    69. 01:17:20“生物同质”“雌激素优势”等术语为什么容易误导
    70. 01:18:11睾酮对性欲、骨密度、肌肉和大脑可能有什么作用
    71. 01:18:47DHEA 阴道制剂：局部转化成睾酮和雌二醇
    72. 01:20:22外用雌激素与胶原蛋白：皮肤、弹性蛋白与衰老
    73. 01:20:47阴道雌激素为什么非常重要：泌尿生殖综合征与尿路感染预防
    74. 01:21:35急迫性尿失禁、压力性尿失禁与组织健康
    75. 01:22:44WHI 的旧阴影还在吗？很多医生仍不了解最新更年期医学
    76. 01:23:16妇产科继续教育里为什么几乎没有绝经类别
    77. 01:24:09Haver 的自我反思：系统没有照顾好生育之后的女性
    78. 01:25:28DIM、葡萄籽、月见草等补剂：证据并不强
    79. 01:26:31Haver 推荐的基础补充：维生素 D、纤维、肌酸、特定胶原蛋白
    80. 01:27:10负重背心：为什么它可能是骨质疏松预防“小技巧”
    81. 01:28:03从体重10%开始：穿着负重背心遛狗、洗碗、训练
    82. 01:30:39骨质疏松预防组合：蛋白质、力量训练、负重背心、肌酸、胶原蛋白
    83. 01:31:11胶原蛋白不是完整蛋白，但一些研究显示它可能帮助皮肤和骨密度
    84. 01:34:33髋部骨折的死亡风险：为什么骨密度必须提前保护
    85. 01:35:59干眼、冻结肩、眩晕、耳鸣：HRT 可能影响的其他症状
    86. 01:37:03哪些情况不适合或需谨慎 HRT：异常出血、血栓、肝病、激素敏感癌症
    87. 01:38:42PCOS 为什么越来越常见：肥胖、胰岛素抵抗与诊断意识提升
    88. 01:39:49PCOS 怎么治疗：避孕药、减重、GLP-1 与重新排卵
    89. 01:41:13GLP-1 药物的机会和风险：别只减重，也要保护肌肉
    90. 01:42:04HRT + GLP-1：部分女性减重效果可能更好
    91. 01:42:58GLP-1 可能减少酒精、赌博等奖赏驱动行为
    92. 01:45:0460岁后还能开始 HRT 吗？先评估心血管和中风风险
    93. 01:46:29HRT 应该用多久？没有禁忌且愿意继续，可以长期用
    94. 01:47:51围绝经期心理健康：雌激素稳定波动可能比单纯 SSRI 更适合部分人
    95. 01:49:00半夜醒来怎么办：潮热、孕酮、GABA 与睡眠卫生
    96. 01:49:52酒精与睡眠：更年期后可能再也不能像过去那样耐受
    97. 01:51:00男性如何支持伴侣：承认变化、学习知识、陪她就医
    98. 01:52:13性欲消失怎么办：疼痛、唤起、高潮、关系与睾酮都要分别看
    99. 01:54:26雌二醇贴片过敏怎么办：可能是胶水反应，不一定是雌二醇本身
    100. 01:55:49针灸、草药和野山药：可能缓解症状，但不解决根本激素缺失
    101. 01:56:04如何应对脂肪分布变化：营养、运动、减压、HRT 多因素一起做
    102. 01:56:17更年期不是被动承受：女性仍然拥有健康主动权
    103. 01:57:26嘉宾作品、社交媒体与节目结尾
  • 06-09#577.长时运行 Agent：开发者如何让 AI 连续干活不跑偏，模型前沿快速迁移下的工程取舍
    1. 00:00开场 & 本期简介
    2. 01:29分享开始：Anthropic 应用 AI 团队要解决什么问题
    3. 02:17Claude Code 的一年变化：从跑二十分钟到跑好几天
    4. 03:20长时运行 Agent 的三大难题：上下文、规划、自我判断
    5. 04:44两条解决路径：把能力训练进模型，或用 harness 补齐短板
    6. 05:11Agent SDK 的核心循环：模型、工具、MCP、subagent 与权限系统
    7. 06:10Claude 早期编程能力：Artifacts、Computer Use 与 MCP
    8. 06:56Claude Code 的研究预览：用真实开发反馈改进模型
    9. 07:27Opus 4 / Sonnet 4：上下文管理和任务完成能力提升
    10. 08:00Ralph loop：在非确定世界里构建“确定性地差”的循环
    11. 09:20Claude Code 2.0：检查点、压缩和更强的上下文意识
    12. 10:04Haiku / Opus 4.5：子 Agent 变便宜，规划与执行可以拆分
    13. 10:27Skills 与程序化工具调用：更高效地使用 context window
    14. 11:17从一句模糊 prompt 到持久化产物：feature list、progress、git repo
    15. 12:01每轮只做一个功能：新上下文、冒烟测试、实现、验证、提交
    16. 12:53Opus 4.6 / Sonnet 4.6：更 agentic 的模型与 Agent teams
    17. 14:21模型变强后，harness 不会消失，而是会移动前沿
    18. 15:16Ash 接棒：前沿不会缩小，只会移动
    19. 16:00借鉴 GAN：generator 负责构建，evaluator 负责批评
    20. 16:47为什么不要让 Agent 自己审查自己
    21. 17:30如何设计“严格的批评者”：把品味变成可评分标准
    22. 18:45设计、原创性、工艺感、功能性：前端质量如何量化
    23. 19:40加入 planner：从好看的页面走向完整可用的应用
    24. 20:33先协商“什么叫完成”：generator 与 evaluator 的 contract
    25. 21:13为什么 contract 是 Ralph loop 缺少的关键创新
    26. 21:38复古游戏制作器：没有 harness 时，看起来能用但实际玩不了
    27. 23:02加上 harness 后：Retro Forge、项目对话框、Sprite 编辑器与 AI 关卡助手
    28. 24:04evaluator 真正玩游戏：方向键、碰撞、HUD、物理循环都被测试
    29. 24:32真实测试能抓到什么：路由顺序、删除逻辑、生产环境 bug
    30. 25:12二十七条 contract 标准：标准模糊，批评就会模糊
    31. 25:44开箱即用的 Claude 并不是好 QA：宽容偏差与迎合倾向
    32. 26:02如何调 evaluator：读运行轨迹，找模型判断与人类判断的偏差
    33. 26:18用 Agent 读 Agent traces：让另一个 Agent grep 日志、更新 prompt
    34. 26:39harness 设计不是一劳永逸：要随着模型行为调整
    35. 27:05为什么某些 context reset 可以删掉
    36. 27:47evaluator 运行节奏的变化：从每个 sprint 跑一次，到生成后再跑
    37. 28:21最终简化版：planner、generator、evaluator 仍是核心
    38. 28:52DAW 音乐应用案例：更少轮次、更低成本、更完整应用
    39. 29:17不必照搬 Anthropic 全套 harness：Claude Code 里的可用原语
    40. 29:40auto mode、custom subagent、Playwright MCP、Claude for Chrome MCP、skills
    41. 30:02五个关键 takeaway：不要自评、压缩不等于连贯、结构化交接、主观质量可评分、读 traces
    42. 30:51这套 evaluator 调优是项目专属，还是可复用 secret sauce？
    43. 31:52smart zone / dumb zone：Ralph loop 在百万上下文时代还有用吗？
    44. 33:40Playwright MCP 与 Claude for Chrome MCP：是否应该看着模型操作浏览器？
    45. 35:00generator-evaluator 能否无限迭代，让应用越来越好？
    46. 37:24PM 角色是否应该回到循环中，控制范围蔓延？
    47. 39:37如何比较不同模型：Opus 4.5、Opus 4.6 与 harness 一起演化
    48. 41:06从一次性 demo 到长期产品：留下 JSON 状态、时间戳日志和文档面包屑
    49. 42:51Agent teams vs generator-critic：两者是竞争关系还是组合关系？
    50. 45:42critic 应不应该看到 generator 的执行轨迹？
    51. 46:45可追踪性怎么做：为什么 Anthropic 仍然大量手动读 trace
    52. 47:42如何衡量 harness 质量：用细评分标准做 hill climbing
    53. 49:54团队如何协作：共享 harness、版本控制、worktree 与未解决的可观测性问题
    54. 51:21human-in-the-loop 应该像 sprint review 一样存在吗？
    55. 54:01这套模式更适合 greenfield，还是已有生产项目？
    56. 55:52读 traces 到底怎么读：为什么要完整读原始输出
    57. 57:20结束：继续在现场交流
  • 06-08#576.Claude Code：工程师如何放大生产力，AI 重塑团队分工的通才时代
    1. 00:00开场 & 播客简介
    2. 01:25起源故事：产品还没跟上模型能力
    3. 02:48从自动补全到编程 Agent：为什么当时的工具不够用
    4. 03:58Anthropic 的底层使命：AI 安全如何与编程工具连接
    5. 04:50编程作为“培养皿”：模型与现实世界互动的方式
    6. 06:04商业与安全的结合：为什么编程能支撑 Anthropic 的业务模式
    7. 06:27Boris 的开发工具观：先解决自己的问题，再帮助别人
    8. 07:13早期瓶颈：Claude Code 一开始只能完成 10%-20% 的代码
    9. 07:38模型跃迁：从 Sonnet / Opus 到更强版本带来的阶跃变化
    10. 08:01多入口产品形态：CLI、桌面、移动、Slack、GitHub
    11. 08:38产品与模型的反馈闭环：Anthropic 内部每天都在用 Claude Code
    12. 09:22AI 实验室的指数增长视角
    13. 09:57每位工程师代码量数倍增长，且数据还在快速过时
    14. 10:23团队变大时，为什么 Claude Code 反而提高了生产力
    15. 10:50新人上手从几周缩短到两天
    16. 11:18“写代码”的定义正在变化：从打孔卡到 AI Agent
    17. 12:16Boris 卸载 IDE：从亲手写代码到同时运行多个 Claude
    18. 12:35下一层抽象：不再 prompt Claude，而是写会 prompt Claude 的循环
    19. 12:55Anthropic 如何评估工程师：为什么更喜欢通才
    20. 13:25传统产品流程的瓦解：研究、设计、产品、工程开始融合
    21. 13:58每个人都在做数据、设计、范围定义和用户沟通
    22. 14:13Builder 的出现：设计师、财务、幕僚长也能发布代码
    23. 14:24Acquired 的真实案例：用 Claude Code 搭建播客转录与视频基础设施
    24. 15:25Claude Cowork 的契机：不想打开终端的人更多
    25. 15:55数据科学家主动使用 Claude Code 做分析
    26. 16:35非工程师开始上手：从数据分析到用 Claude Code 种番茄
    27. 17:18需求信号出现：Claude Code 开始进入主流人群
    28. 17:30八九天做出 Claude Cowork，而且 100% 用 Claude Code 构建
    29. 17:48产品取舍：为什么不能把 Claude Code 简单搬到网页里
    30. 18:27文件系统与本地工具：浏览器体验为什么不够顺手
    31. 19:29计算方式的转变：实时推理，还是让模型先写程序反复运行
    32. 20:09模型天然会写代码：用 bash 和 AppleScript 找到正在播放的音乐
    33. 20:54“技术员工”头衔的意义：弱化职位标签
    34. 21:30去掉高级头衔：减少权威对想法判断的干扰
    35. 22:31资历正在失效：新人也可能教资深工程师使用 Claude Code
    36. 23:18旧角色边界会消失：工程师、PM、设计师、研究员合并为 builder
    37. 23:48给每个人尽可能多的 token
    38. 24:14少配人，多给 AI 资源：用约束逼出自动化
    39. 24:33自动化的复利：这次做成，下次成本更低
    40. 25:04原则文档与 skills：让模型也能使用公司的决策原则
    41. 25:35预算从人力转向 token：前期成本上升，长期运行成本下降
    42. 26:08专业身份的清算：我们还需要执着于“我是某某岗位”吗？
    43. 26:41通才的黄金时代：想做不止一件事的人迎来最好时机
    44. 26:57品味会不会也是短期优势？
    45. 27:23从函数式执念到接受模型写 class
    46. 28:07产品品味也可能被模型追上
    47. 28:44当所有优势被侵蚀，最后还剩下什么？
    48. 28:57人类最后要教给模型的，可能是价值观
    49. 29:07结尾：像教孩子做好人一样，教模型做好模型
  • 06-08#575.杰弗里·辛顿：如何面对 AI 失控焦虑，超级智能临近下的人类位置之争
    1. 00:00开场 & 播客简介
    2. 02:26节目正式开始：AI 教父 Hinton 谈技术轨迹与风险
    3. 03:17深度学习源头：反向传播、内部表征与早期语言模型
    4. 04:17AI 进展为何超出预期：数学证明与自我生成知识
    5. 05:15超级智能还要多久：从几年到二十年的不同预测
    6. 06:38“站在奇点山脚下”：AGI 并不是整齐到来的单一时刻
    7. 07:46AI 加速的原因：资金、硬件、工程与百万级研究者涌入
    8. 09:11“随机鹦鹉”之争：Hinton 为什么认为 AI 真的理解语言
    9. 10:26从理解到意识：聊天机器人是否已经是“像我们一样的存在”
    10. 11:40内部剧场是错觉：我们对心智和意识的模型可能完全错了
    11. 12:24Hinton 何时接受 AI 有意识：从哲学问题到造出新的心智
    12. 13:00安全焦虑的转折点：AI 能理解笑话为什么好笑
    13. 14:45数字智能的恐怖优势：复制、同步、共享经验
    14. 16:00人类只能用语言慢速传递，AI 却能交换万亿比特
    15. 17:00初心不是造产品，而是理解大脑如何学习
    16. 18:17大脑学习的两个问题：训练有效，但生物机制仍未知
    17. 19:20当年没担心安全，因为它看起来还很遥远
    18. 20:45最意外的突破：AI 在自然语言上强得不可思议
    19. 21:10哥白尼、达尔文与 AI：人类再次发现自己没那么特殊
    20. 22:40Hinton 的不安：没有成就感，反而担心风险失控
    21. 23:15“更聪明的东西被更笨的东西控制”的例子几乎不存在
    22. 24:00婴儿、猫与人类：弱者如何通过本能或依恋影响强者
    23. 24:30放射科医生预测为何错了：医疗需求弹性与工作内容被低估
    24. 26:20AI 读片会越来越多，但医生仍可能转向其他角色
    25. 28:00呼叫中心会怎样：Hinton 认为低弹性岗位更容易被替代
    26. 29:20医生与 AI 医生：谁更有同理心、谁见过更多病例
    27. 30:45技术会持续进步：为什么“AI 撞墙”预测尚未成真
    28. 31:20不是本能，而是“自我保存子目标”
    29. 32:00AI 为什么会推导出“继续存在”这个目标
    30. 32:50能不能写规则阻止它？Hinton 认为这正是必须研究的问题
    31. 33:10进化、部落性与竞争：我们正在用市场竞争塑造新存在
    32. 34:25关键问题不是让 AI 更聪明，而是让它更在乎人类
    33. 35:00AI 实验室、上市公司与公众利益之间的结构性矛盾
    34. 35:40Anthropic 的两难：以安全为目标，却必须融资竞争
    35. 36:55Google AI 原则的变化：不做自主战争的承诺已经消失
    36. 37:20股东责任与人类安全：法律要求利润最大化，而不是避免毁灭人类
    37. 37:50监管不是刹车，而是方向盘
    38. 38:10Ilya Sutskever 与 Safe Superintelligence：秘密中的安全路线
    39. 39:10“深度学习三巨头”叙事的简化：学生和更多研究者同样关键
    40. 40:00Hinton、Bengio、LeCun 对安全问题的不同立场
    41. 40:50Hinton 的方案：让 AI 更关心人类而不是自己
    42. 41:10Bengio 的方案：让 AI 成为不能行动的“神谕”
    43. 41:30LeCun 的观点：更好的世界模型或许足够
    44. 41:55猫的智能与语言智能：AI 和动物各自强在不同维度
    45. 42:50AI 摘要正在冲击内容网站：好信息的经济基础可能崩塌
    46. 43:30未来必须追问信息来源，而不能默认互联网内容可信
    47. 44:45人类对聊天机器人产生依恋，甚至走向自杀的风险
    48. 45:10为什么需要监管与独立测试机构
    49. 45:40Hinton 是否更乐观：也许我们能设计出关心人类的超级智能
    50. 46:00五年后会怎样：预测 AI 未来就像在雾里开车
    51. 46:40十年后的世界无法预判，但变化一定巨大
    52. 47:10一般推理能力可能远超人类
    53. 47:27结尾：十年后再聊，2036 年见
  • 06-08#574. AI 时代如何做出真正有品味的产品，在快软件浪潮中保持人的判断
    1. 00:00开场 & 播客简介
    2. 00:37本期节目介绍：Tony Fadell 如何打造真正的产品品味
    3. 01:28核心观点预告：不要把认知交给机器
    4. 03:02Tony 的背景：iPod、iPhone、Nest 与 Build
    5. 03:57虚拟键盘之争：Apple 内部如何挑战 BlackBerry
    6. 05:48多点触控、硬件与软件如何一起逼近“够好”
    7. 06:55数据驱动 vs 观点驱动：为什么最后是 Steve Jobs 拍板
    8. 07:47“不好听的真话”：伟大产品为什么需要直接反馈
    9. 08:311.0 产品的现实：没有足够数据时，必须依赖品味制定者
    10. 10:39B2C 创新为什么更难：消费者只有在完整体验里才会真实反馈
    11. 13:01微观管理的真正含义：不是管所有事，而是盯住关键决策
    12. 14:37系统级创新：为什么有人必须像交响乐指挥一样协调全局
    13. 15:20Nest Protect 烟雾报警器：一个被低估又被停产的好产品
    14. 17:13HeadsUp 功能：好设计如何减少用户的惊吓和焦虑
    15. 18:06Nest 如果继续发展，本可以成为家庭 AI 助手入口
    16. 19:31Nest 2.0 的机会：AI 需要家庭上下文，也需要隐私意识
    17. 20:45如何判断什么值得做：从痛点开始，而不是从技术开始
    18. 22:01Nest 的公式：长期痛点 + 新技术 + 重新定义整个系统
    19. 23:31你创新的是一个系统：产品、安装、购买、渠道都要重做
    20. 24:10为什么是现在：新技术成熟到临界点，机会才会出现
    21. 24:49iPod、iPhone 的技术窗口：存储、电池、WiFi、多点触控与 3G
    22. 26:10什么机会还不够大：iPod 第一代也不是立刻成功
    23. 27:14Windows 支持：一个改变 iPod 命运的秘密项目
    24. 27:38触控笔案例：有些正确方向需要长期保留
    25. 28:40三代法则：第一代做产品，第二代修产品，第三代修商业模式
    26. 30:10失败与学习：只有停下来才叫失败
    27. 30:41iPod 如何从 3000 美元风险变成 349 美元尝试
    28. 31:40产品不只是产品：为什么客户旅程决定成败
    29. 32:30用户画像之外：必须在客户真实生活场景中与他们相遇
    30. 34:08从早期采用者到大众市场：每一批用户都需要不同语言
    31. 35:31iPod 欧洲市场教训：不能把美国营销直接复制到新地区
    32. 37:20“一千首歌装进口袋”：伟大标语如何让技术变成用户价值
    33. 38:48AI 公司也会犯的错：技术 demo 走红，不等于产品成立
    34. 40:31“反向工作”并不反向：先写故事本来就是正常工作
    35. 41:22技术是服务客户的，不是硬塞给客户
    36. 42:54General Magic 的教训：太早、太酷，但没人真正需要
    37. 43:13“建设者”角色的融合：产品经理必须缝合所有职能
    38. 44:20AI 不能抹平专业判断：每个职能背后都有客户视角
    39. 45:13Claude 代码争议：能跑不代表可维护、可理解、可长期演进
    40. 46:22快速收益与长期损失：AI 可能制造更多技术债
    41. 47:38如何正确用 AI：先搭架构，再让 AI 进入清晰边界
    42. 48:18快软件 vs 奢侈品级软件：真正的公司不能靠用完就扔
    43. 49:22AI 越让构建变容易，产品思维越重要
    44. 50:07Flighty 案例：像奢侈品一样打磨每个像素的软件
    45. 51:28为什么讲故事对产品建设者如此重要
    46. 52:20好故事把用户带上一段旅程，而不只是解释功能
    47. 53:33产品里的爱和用心，能让用户想要更多
    48. 54:31Steve Jobs 如何每天打磨 iPhone 的发布故事
    49. 55:29不要只讲“是什么”，要讲“为什么”
    50. 56:47反复讲给外部人听：故事需要被测试和打磨
    51. 57:21电视购物广告的启发：先夸张呈现痛点，再用真话拉回来
    52. 58:22先做“极端版故事”，再提炼真实有效的表达
    53. 58:37AI 时代的下一个 iPhone 会是什么
    54. 59:26为什么长期来看仍然需要显示屏
    55. 01:00:28交互顺序要倒过来：语音优先，键盘其次，点按滑动最后
    56. 01:01:50短期内手机形态不会消失：信任 AI 需要时间
    57. 01:03:39无屏设备的局限：地图、视觉信息和现实任务仍需要显示
    58. 01:05:21为什么硬件又重新变热：软件要进化，必须有新硬件平台
    59. 01:06:27全栈创新：硬件、软件、网络和服务必须一起变化
    60. 01:07:20只做软件的周期焦虑：硬件软件结合产品更难，但更持久
    61. 01:08:15让 Tony 兴奋的方向：AI + 硬件 + 真实痛点
    62. 01:08:55Simbe Robotics：用机器人解决零售库存盘点
    63. 01:09:27Greyparrot：用 AI 改善回收分类
    64. 01:09:52AI 纺织质检、AI 药物设计与清洁农业燃料
    65. 01:10:33可靠 AI：范围清楚、每天解决真实问题，而不是空谈 AGI
    66. 01:11:52长期投资与估值纪律：不追逐已经过热的游戏
    67. 01:12:41为这个时代而生：坚持做太早的正确事情
    68. 01:13:15Build Collective 投资什么：颠覆巨头的深科技
    69. 01:14:04不只是投钱：帮助创业公司做产品、运营、融资和讲故事
    70. 01:15:02MIT 驻院设计师：把客户旅程和“为什么”教给学生
    71. 01:15:47产品经理必须认真面对伦理和道德
    72. 01:16:33不要为了钱设计成瘾机制，撕裂社会结构
    73. 01:17:47Apple 拒绝色情内容的例子：领导者需要清晰原则
    74. 01:19:22iPhone 与数字成瘾：问题不只是设备，而是数字食物没有营养标签
    75. 01:20:44平台公司应该提供更多工具，帮助用户管理数字消费
    76. 01:21:37如果你让客户变得不健康，最终也不会再有客户
    77. 01:22:09去哪里找到 Tony：Build Collective 与《Build》
    78. 01:23:13最终建议：使用 AI，但不要认知投降
  • 06-07#573.AI 如何拥有长期记忆，持续学习浪潮下的架构范式之争
    1. 00:00开场 & 播客简介
    2. 01:39嘉宾与研究背景：Nested Learning 为什么可能预示范式转变
    3. 05:54从大脑获得灵感：不是复制人脑，而是抽象出有用原则
    4. 09:29当前 LLM 的核心缺口：不能持续学习，不能更新长期知识
    5. 12:09人类优势：稳定身份感、连续记忆与每天醒来后能接着昨天继续
    6. 14:49理想中的 2030 AI：不只是聊天机器人，而是能持续演化的协作者
    7. 15:04真正的持续学习者：不存在训练时间和测试时间的区分
    8. 16:04两阶段模型：活跃接收信息，睡眠时自我改进
    9. 17:36为什么不能每次更新所有参数：算力与效率挑战
    10. 18:08Nested Learning 的直觉：每个时刻只更新一小部分参数
    11. 19:01AI 不必复制人类，但要理解人类真正想要什么
    12. 20:14“LLM 需要睡觉”到底是什么意思
    13. 20:54从堆叠更多层，到堆叠更多更新频率
    14. 24:52为什么 Nested Learning 很难形式化
    15. 25:23两个关键组件：多更新频率与层级之间的知识迁移
    16. 26:40更聪明的模型：让每个参数做更多内部计算
    17. 28:28一切学习都可以看成某种 in-context learning
    18. 29:45反向传播、注意力、预训练为什么也可被视为上下文学习
    19. 30:00从 Transformer 说起：Attention 负责上下文，MLP 负责长期记忆
    20. 31:07多个 MLP 块：不同频率更新的持续记忆系统
    21. 32:36HoPE Attention：Attention 加多频率 MLP
    22. 33:47用 Titan 替代注意力：从完美缓存走向顺序因果理解
    23. 34:30自指过程：学习如何学习，甚至学习如何学习如何学习
    24. 35:26自修改 Titan：模型生成自己的 value，并修改自己的更新规则
    25. 37:21与 Transformer 的区别：value 不再只是外部投影，而由递归过程生成
    26. 39:33修改自己的更新规则：为什么这和 Mamba 的突破有相似直觉
    27. 40:31单个时间步如何运行：什么时候更新，什么时候只用旧状态推理
    28. 43:01为什么从模型角度看，没有训练与测试，只有是否被评估
    29. 45:11HoPE block 如何堆叠：从零训练与适配 LLaMA 的不同设计
    30. 47:20模型像乐高：核心模块重要，具体拼法可以有多种
    31. 48:07更新频率怎么设：快慢模块的大小、学习率和 chunk size
    32. 50:13Nested Learning 不是推翻旧概念，而是把旧概念纳入更一般框架
    33. 51:36不同频率模块如何协作：快模块适应，慢模块抽象
    34. 52:14双生子例子：为什么更新次数不同会导致记忆保留差异
    35. 53:41睡眠过程的雏形：在快模块遗忘前，把知识转移给慢模块
    36. 56:08蒸馏机制：复制模型、更新快速层，再让慢速层模仿旧模型输出
    37. 58:20Nested Learning 当前仍是概念验证，但结果已经足够有信号
    38. 59:30多语言上下文学习：模型如何在上下文里学习从未见过的语言
    39. 01:00:32两种陌生语言同时出现时，Transformer 为什么会崩
    40. 01:01:50HoPE 层级越多，多语言翻译表现越好
    41. 01:04:10困惑度与经典指标：不是为了证明最强，而是证明骨干模型不弱
    42. 01:06:57微技能视角：不同架构各自擅长什么
    43. 01:08:21召回密集任务为什么天然偏向 Transformer
    44. 01:10:38MAD 数据集：带噪声召回、压缩和选择性复制
    45. 01:11:43HoPE 为什么更擅长过滤噪声和压缩信息
    46. 01:12:36“架构幻觉”：为什么架构和优化器本质上都是嵌套学习系统
    47. 01:13:36优化器不是孤立组件，而是和架构共同构成学习过程
    48. 01:14:52架构侧上下文是 token，优化侧上下文是梯度
    49. 01:15:30M3 优化器：把多频率记忆系统用于优化过程
    50. 01:15:59多个记忆如何帮助理解损失景观的全局特征
    51. 01:16:11新论文《Language Models Need Sleep》：睡眠阶段到底做什么
    52. 01:17:01持续学习者的一生：活跃时间与睡眠时间
    53. 01:18:18策略蒸馏：把小模型知识蒸馏到更大容量中
    54. 01:19:12像人类学习一样：从记例子，到提炼抽象概念
    55. 01:21:07快速模块像记忆，慢速模块像理解
    56. 01:22:00为什么蒸馏不是简单搬运，而是强迫模型压缩和泛化
    57. 01:23:10做梦阶段：自我改进与连接看似无关的概念
    58. 01:24:32参数会无限增长吗：添加、释放、再添加的周期性过程
    59. 01:25:52Dreaming 的机制：模型生成文本，再用自生成数据训练自己
    60. 01:28:45少样本抽象推理：睡眠范式和 Nested Learning 的区别
    61. 01:29:45当模型长期记住你：开始新聊天还意味着什么
    62. 01:32:03个性化回答：同一个问题，对不同用户给出不同答案
    63. 01:32:50持续学习与长上下文：相似但不等价
    64. 01:33:24对齐漂移：持续修改模型会不会改变它的“性格”
    65. 01:35:33涌现式错位：为什么小范围微调可能引发广泛行为变化
    66. 01:36:03隐私与对齐：持续学习既是机会，也是巨大风险
    67. 01:37:13如果设计得当，模型也可能更贴近用户价值观
    68. 01:38:23用户反馈闭环：从 human-in-the-loop 到价值观长期迁移
    69. 01:40:09对抗性信息与“太快相信”的危险
    70. 01:42:52知识迁移如何过滤错误经验、噪声与对抗样本
    71. 01:43:55可学习学习率：作为门控机制过滤无关惊讶信号
    72. 01:44:42持续学习如何映射到感知和行动系统
    73. 01:46:41机器人中的嵌套控制循环：从慢速决策到高速执行器
    74. 01:47:17为什么现在把 Nested Learning 用到机器人还太早
    75. 01:48:33世界模型仍有基础挑战，机器人还需要其他突破
    76. 01:49:12赢家通吃的风险：持续学习会不会让最强模型越来越强
    77. 01:50:36两种未来：不断扩张的通用模型，或分化成角色专家的模型
    78. 01:52:49为什么智能和持续学习都没有单一定义
    79. 01:54:03多样化 AI 系统：用生态而不是单一超级智能来获得平衡
    80. 01:55:57通过多样性获得安全：AI 生态比单一纯粹智能更稳健
    81. 01:56:57持续学习也可能意味着分化和遗忘，而不只是无限扩张
    82. 01:58:04AI 是否可能有意识：为什么这个问题很难定义
    83. 01:59:43Ali 的最低标准：主动处理信息可能是意识的必要条件
    84. 02:00:42持续学习与意识之间的潜在联系
    85. 02:01:19长上下文模型让人开始“照顾”AI 的互动回路
    86. 02:02:22如果模型长期记住我们，人与 AI 的关系会发生什么变化
    87. 02:03:18Ali 的最后总结：Nested Learning 不是答案，而是寻找答案的工具
    88. 02:04:37节目收尾与播客信息
  • 06-05#572.AI越强大，其经济占比反而可能越小
    1. 00:00开场 & 播客简介
    2. 01:38经济学能告诉我们什么：工资、劳动份额、税收与再分配
    3. 02:19关系型部门：为什么“人类参与”本身可能成为价值
    4. 04:04预测未来为什么这么难：经济学家没有足够数据
    5. 08:21劳动力份额与资本份额：自动化会让工资占比下降吗
    6. 10:17供应链里的劳动：为什么过去几乎没有东西被“完全自动化”
    7. 11:33医生不是一个任务：工作会被拆成可自动化与不可自动化部分
    8. 13:21不存在的未来商品：为什么今天的数据无法预测明天的需求
    9. 14:09蒙古经济的类比：为什么未来商品种类会改变稀缺性
    10. 15:15机器人很多，人类很少，钱就一定流向机器人吗
    11. 16:21摩尔定律的反面：计算越便宜，边际价值可能越低
    12. 16:50H100 为什么更贵：AI 让 compute 出现新的高价值用途
    13. 17:14对 compute 的需求会不会永远无法满足
    14. 18:03人类创作为什么更值钱：连接感、共情与关系型偏好
    15. 19:20AI 起飞太慢，反而更糟吗：自动化、失业与补偿难题
    16. 20:37Phil 的判断：最坏窗口可能很窄
    17. 21:26政治经济学缺口：失业率只上升几个百分点也会改变政治
    18. 22:58如果只裁掉一部分白领，省下的钱够不够做 UBI
    19. 24:07要出现“没有足够财富可分配”的情景，需要哪些苛刻条件
    20. 25:02负所得税、UBI 与全民基本资本：再分配工具的利弊
    21. 27:35税怎么收、钱怎么发：消费税、股票篮子与全民持股
    22. 29:00AI 已经导致大规模白领失业了吗：目前证据并不明显
    23. 31:05自动化互补任务：为什么 AI 也可能增加某些岗位需求
    24. 32:13需求弹性与 Jevons 悖论：便宜不等于总支出一定增加
    25. 34:16AI 会导致经济衰退吗：要让丰裕带来负增长非常难
    26. 36:43多模态模型与世界模型：从 Gemini Omni 看未来 AI 能力
    27. 37:59Oring 模型：为什么一个环节不可靠会毁掉整个产品
    28. 39:27当 AI 足够强，人类也可能难以接入生产流程
    29. 40:10律师、会计为何还没被替代：可靠性、责任与监管摩擦
    30. 40:59人类制度会不会只是过渡性安排：执照、法官、立法与 AI 政治系统
    31. 41:32未来 AI 或公司会不会形成自己的偏好
    32. 42:51人类还会偏好人类互动吗：AI therapist 与道德情绪
    33. 44:52富人财富的真实形态：消费还是让资本继续复利
    34. 45:43更高储蓄率的实体，长期会不会拥有大部分财富
    35. 47:13永生、资本回报率与消费偏好如何改变未来经济
    36. 48:56资本品价格下降：为什么高增长不一定等于高真实回报
    37. 50:53品类增加与贪婪资本家：为什么机器人需求可能不断扩张
    38. 52:14富豪、信托与财富积累：少数优化器是否足以主导经济
    39. 53:44从政治影响力到天文浪费：为什么有人会永远想要更多资本
    40. 55:14Von Neumann probe：极端优化器如何挑战传统 GDP 与劳动份额
    41. 56:50印度、尼日利亚怎么办：不在 AI 供应链里的国家风险
    42. 57:38储蓄、利率与低起点国家：发展中国家的“混乱中间阶段”
    43. 59:03主权财富基金与资产配置：现在就该买入关键供应链吗
    44. 01:00:39为什么土地税不够：普通人的资产未必是 AI 时代互补资本
    45. 01:01:18AI 更像电力还是社交媒体：收益扩散还是租金集中
    46. 01:03:03开源模型的关键作用：乌干达能不能分享到 AGI 回报
    47. 01:03:59两种情景：收益高度集中，或 AGI 像电力一样普及
    48. 01:04:23指数化投资 vs 再培训：发展中国家不能只押一个策略
    49. 01:05:10AI 是否带来跨越式发展：移动银行式 leapfrog 的可能性
    50. 01:05:43指数化到底有多难：私营 AI 公司、上市与普通投资者可及性
    51. 01:06:44为什么 AI 实验室商品化可能更利于广泛繁荣
    52. 01:07:06“世界上没有反电力的人”：AI 叙事为什么如此负面
    53. 01:07:45商品化的安全代价：竞争压力与前沿模型扩散风险
    54. 01:08:31收尾：集中实验室、政府权力与社会分享 AI 剩余收益
  • 06-04#571. Demis Hassabis：普通人如何理解 AI 权力中心，巨头竞赛下的安全与科学理想
    1. 00:00开场 & 播客简介
    2. 02:06为什么写 Demis：三十多个小时访谈背后的 DeepMind 故事
    3. 03:36AI 竞赛是否不可避免：强大技术注定吸引多个国家和实验室
    4. 04:19“地堡里的唯一团队”：DeepMind 早期想避免竞赛的安全理想
    5. 05:53SpaceX 安全峰会的反效果：共享进展如何刺激 OpenAI 的诞生
    6. 07:17政府监管的可能性：AI 模型是否应该像药品一样接受事前审查
    7. 08:47Demis 的乐观：为什么危机可能迫使政府采取行动
    8. 10:06最大误解：大众太快加冕 OpenAI，却低估了 Demis 和 Google
    9. 12:07Google 的产品化困境：为什么 ChatGPT 和 Claude Code 都不是 DeepMind 做出来的
    10. 12:41Demis 的知识背景：神经科学家如何影响 DeepMind 的“广撒网”路线
    11. 14:26Google 的优势与代价：有钱、有算力、有耐心，但不一定能最早押中重点
    12. 15:29Project Mario：DeepMind 曾秘密考虑从 Google 拆分
    13. 16:06Reid Hoffman 的十亿美元承诺：拆分计划如何成为谈判筹码
    14. 18:12创始人的天真：为什么 DeepMind 最后没有真正挥动拆分威胁
    15. 19:20Demis 的后悔：AI for science 无悔，但错过 transformer 让他难以释怀
    16. 19:48从 AlphaGo 到 AlphaFold：胜利十秒后就转向蛋白质折叠
    17. 21:47Demis 的盲点：为什么他低估了语言模型通向智能的力量
    18. 23:22风投创新能否战胜 hyperscaler：AI 时代资本与聚焦的拉扯
    19. 24:00OpenAI 的商业模式压力：技术强，不代表一定能长期独立
    20. 25:09Anthropic 的反事实：如果 coding model 晚爆发半年，故事可能完全不同
    21. 26:21Demis 是否需要更公众化：回顾性叙事很强，前瞻性叙事不如 Sam
    22. 27:26控制叙事的重要性：影响产品采用，也影响人才招聘
    23. 28:47人才为什么离开 DeepMind：顶尖研究者更想加入“单点重注”的组织
    24. 29:57Isomorphic 的独立化：让 AI for science 成为自己的核心赌注
    25. 30:11Anthropic 的低流失率：强烈价值观如何带来高忠诚度
    26. 31:23David Silver 的离开：强化学习信徒为什么想离开大组织创业
    27. 31:36RL 与大模型路线之争：从经验中学习，还是从互联网数据中启动
    28. 34:05为什么现在离开：强化学习重新流行，但组织押注仍不够集中
    29. 34:44AI 实验室背后的少数掌舵者：个人关系如何影响行业走向
    30. 35:07Demis 与 Elon：从 Founders Fund 场合相识，到 Elon 试图买下 DeepMind
    31. 35:29“AI 会追你到火星”：Demis 如何说服 Elon 投资，又为何拒绝卖给他
    32. 38:21Demis 如何看 Sam：科学家气质与硅谷融资高手之间的根本差异
    33. 38:37人物重要吗：竞赛动态不可避免，但领导者个性会改变路径
    34. 40:35最改变作者看法的时刻：Demis 对科学奥秘近乎精神性的执着
    35. 41:48AGI 的宗教意味：为什么追寻智能对很多人不只是技术项目
    36. 42:07Demis 不愿谈什么：家庭、Google 内部冲突与 Mustafa Suleyman 离开
    37. 43:45DeepMind 的真正启发：如何在前沿科学里判断什么时候该继续下注
    38. 45:00AlphaFold 的关键转折：从“世界第一”到“真正解决问题”
    39. 46:37被低估的 AI 英雄：Ilya Sutskever 与 David Silver 值得一部双人传记
    40. 47:11Demis 会成为 Google CEO 吗：取决于他是否愿意牺牲科学时间
    41. 48:29Sebastian 的写作体验：酒吧楼上三十小时对话如何改变一本传记的写法
  • 06-03#570. Notion创始人如何重启公司，AI 战时状态下的组织重塑
    1. 00:00开场 & 播客简介
    2. 00:37本期克隆节目介绍：红杉资本《Notion’s Ivan Zhao: The Refounder》
    3. 01:31Ivan 的核心隐喻：我们想做爵士乐队，不想做军乐队
    4. 02:13为什么 Brian 称 Ivan 为“重新创办者”
    5. 04:06从 founder mode 到 AI 时代的新 CEO 模式
    6. 05:08Notion 早期五年：靠 seed 资金硬撑，迟迟找不到 PMF
    7. 06:25疫情增长之后：小团队的甜头与扩张的压力
    8. 07:08学会授权与引入管理层：传统 SaaS 经验的利弊
    9. 08:03造桥还是酿啤酒：为什么 AI 产品构建不可预测
    10. 09:56会写代码的设计师、懂产品的工程师与跨职能团队
    11. 10:48AI 放在组织中间：信息、决策与公司结构的重塑
    12. 12:49“软件 + language model 是组织里的钢”
    13. 13:17AI 会让组织更扁平，但不会消灭人性中的层级
    14. 14:10Notion 的人才公式：能力经验 × 品味价值观 × 主动意愿
    15. 15:18为什么 AI 时代既要招初级人才，也要招顶级资深人才
    16. 15:48杠铃型组织：资深架构师、年轻 IC 与 coding Agent 的组合
    17. 16:32设计师和 PM 的边界如何改变
    18. 17:51从经验、斜率到品味：AI 时代为什么 taste 变得重要
    19. 19:16为什么 taste 不在语言模型里，而在人身上
    20. 19:16拆分营销组织：storytelling 靠近产品，demand gen 服务销售
    21. 20:42招聘流程变化：不先看简历，而是先看你做出来的东西
    22. 21:44薪酬与能力导向：不能再平均撒资源
    23. 22:57战时比和平时期更有生命力
    24. 23:20创始人如何在自上而下与自下而上之间切换
    25. 24:41爵士乐队，不是行进乐队：Notion 的组织哲学
    26. 25:50Jazz mode：在结构中保留即兴和共同参与
    27. 26:56财务可以像军乐队，产品必须像爵士乐
    28. 28:03AI 产品的成本压力与毛利率问题
    29. 28:35为什么知识工作产品不一定总需要最强模型
    30. 29:11第二梯队模型、open weight 模型与企业内部工作流
    31. 29:39Notion 的第一次重启：裁掉团队，只剩两位创始人
    32. 31:01裁员的痛苦：身体会告诉你必须这么做
    33. 31:18为什么是京都：更大的房子、更低的成本和换一个故事
    34. 32:26京都的工艺精神如何影响 Notion
    35. 34:46为什么不放弃重开一家公司：Notion 是 Ivan 的毕生问题
    36. 35:56tools for thought、Grateful Dead 与早期计算机文化脉络
    37. 36:21技术、人性与工艺：为什么硅谷不该忘记历史
    38. 38:27给卡住的创业者建议：听从身体里的直觉，做剧烈改变
    39. 39:52五百人阶段的重启：Cancun 与 GPT-4 的“宗教体验”
    40. 41:19AI 产品并非一夜成功：一年半 Agent 探索期
    41. 42:40早期绝望、AI 低谷与“现在一切都在着火”
    42. 43:18给 SaaS 公司建议：从产品开始，创始人必须亲自 build
    43. 44:14为什么你必须感受 AI，而不是只读文章或看视频
    44. 45:16如何让僵化公司重新变软：引入创始人作为“去僵化机器”
    45. 45:35Notion 的收购与 acquihire：五六十位创始人在公司内部继续创业
    46. 46:37给创业者更大杠杆：在 Notion 平台上继续做原来的使命
    47. 47:26创业更容易，规模化更难：AI 时代竞争密度暴增
    48. 48:45已有规模的公司是否应该 refound：先真正感受到 AGI
    49. 49:13未来组织的不变量：人性、层级、分工与法律责任
    50. 50:54AI 系统会做越来越多决策，人类负责 context 和品味
    51. 52:01知识管理重新变重要：现代知识工作只有约 150 年历史
    52. 52:33内向型 CEO：为什么仍然必须学会一对多沟通
    53. 53:13All hands 必须由创始人亲自讲
    54. 54:04提词器如何改变 Ivan 的公司沟通
    55. 54:36Notion 的 all hands 和 AMA 节奏
    56. 55:49Ivan 的一天：早起、咖啡、办公室、健身、晚餐和继续工作
    57. 56:30周末是快乐时间：跟随好奇心进入 rabbit hole
    58. 56:5925 分钟会议、整块思考时间与 Slack 作为社交媒体
    59. 57:47谦逊还是追求真实：盲人摸象与多元真相
    60. 58:24CEO 是一个社会性游戏：地位、权力、竞争与价值观
    61. 59:19如何在竞争、手艺、产品和商业之间找到自己的平衡点
    62. 01:00:26放大优势，而不是沉迷弥补弱点
    63. 01:01:05Notion 的企业销售教训：不要试图重新发明一切
    64. 01:02:37每家公司只应该在一两个地方创新
    65. 01:03:34从 PLG 到企业销售：尊重传统 playbook 的原因
    66. 01:04:40系统型 CRO 与猎手型销售负责人如何互补
    67. 01:05:31公司像宗教：文化、仪式、信念与意义感
    68. 01:07:20Brian 总结：AI native CEO 的新手册正在形成
  • 06-03#569. 深入 xAI：三个月打造 Grok Imagine、视频生成与世界模型之争，以及视频智能体
    1. 00:00开场 & 播客简介
    2. 02:42嘉宾登场：Ethan He 与 Latent Space 社区的缘起
    3. 04:14为什么离开 Nvidia：视频模型也有 scaling law，需要更大算力
    4. 05:43xAI 从零起步：三个月做出 Grok Imagine 0.9
    5. 06:15快速迭代的秘密：人才、infra、compute 与低沟通成本
    6. 08:23模型质量提升的真相：很多突破来自数据和训练 pipeline 里的小 bug
    7. 08:37Coding model 如何改变研究节奏：代码更快，compute 再次成为瓶颈
    8. 09:54高压研发文化：算力昂贵，但这是一场马拉松
    9. 11:46为什么做视频模型之前，通常要先做图像模型
    10. 12:50数据从哪里来：人工详细标注与 VLM 生成 synthetic caption
    11. 14:12训练视频模型为什么既需要配对数据，也需要无标签数据
    12. 15:07VAE / tokenizer：为什么不能直接在像素上训练
    13. 17:08Diffusion transformer：从噪声一步步去噪生成图像和视频
    14. 17:27图像模型如何 bootstrap 视频模型：语言与图像连接更密集
    15. 18:24视频压缩路线：逐帧压缩 vs 时间维度压缩
    16. 18:55为什么不用 MP4 token 直接训练：latent space 必须对模型友好
    17. 20:00实时性的代价：时间压缩节省 context，但会引入响应延迟
    18. 20:51Flipbook：像浏览器一样探索模型想象出的网页
    19. 22:31Generative UI：从用户意图直接到像素，而不是先写代码再渲染
    20. 24:09Diffusion 前端，确定性后端：未来界面可能如何被重构
    21. 25:15人机交互的带宽：人类用语音输出，用视觉输入
    22. 26:15NeuroOS：用视频模型模拟操作系统和游戏
    23. 27:52从过拟合现有界面，到想象全新交互系统
    24. 28:47为什么视频模型能生成训练集中不存在的超自然内容
    25. 31:05视频模型到底有多贵：训练成本接近中等规模 LLM
    26. 31:52被低估的成本：视频存储、特征存储、IO 和 egress
    27. 33:29训练规模：数十万亿视觉 token、百亿级 active 参数
    28. 34:16推理端加速：step distillation 如何把一百步变成几步
    29. 36:36Consistency model、GAN 与少步生成的关系
    30. 37:48Grok Imagine 0.9：大规模音视频联合生成模型
    31. 38:00音频为什么难：speech 更离散，music 更连续
    32. 40:25音视频对齐：模型必须理解每一秒声音和画面的关系
    33. 41:20时间感：为什么 LLM 本身并不真正感知时间
    34. 43:47什么是 world model：实时、可交互、长时程的视频
    35. 44:03交互性：键盘、鼠标、语音都可以成为输入模态
    36. 45:00实时性：游戏需要毫秒级响应，数字人也要接近两百毫秒
    37. 46:00长时程：世界模型不能只生成几秒，而要持续几分钟甚至几小时
    38. 47:00视频延展：通往长时程 world model 的第一步
    39. 48:00长 context 的挑战：五秒视频就可能有五六万 token
    40. 49:03为什么用户喜欢视频延展：它是通往最终目标的中间产品
    41. 51:24长视频里的冗余：不是所有历史都需要一直放进 context
    42. 52:01Reference video：用角色、物体、场景作为生成条件
    43. 52:46为什么 reference 是一种“作弊”，也是一种重要机制
    44. 54:34FramePack 与动态 context selection：离当前越远，信息越压缩
    45. 55:52LLM 与视频模型共享的问题：context pruning 目前仍高度依赖 heuristic
    46. 56:14Continual learning 的可能突破：让模型自己管理上下文
    47. 57:00人类注意力的启发：不是记住一切，而是动态拉取相关信息
    48. 58:35xAI 被低估的地方：move fast、build、宏大目标和 first principles
    49. 59:30如何倒推三个月目标：从数据、训练、人工标注、GPU 周转时间拆解
    50. 60:12Elon Musk 的工作方式：非常 hands-on，直接给反馈
    51. 61:09Grok Voice：实时语音体验、打断能力和车载场景
    52. 61:56生成式视频安全：水印、下架和社交平台治理
    53. 62:19SynthID 的局限：论文公开后，水印也可能被反向工程
    54. 63:04AI 生成内容越来越难识别：从看手指，到看逻辑是否成立
    55. 64:31核心判断：视觉智能很大程度来自语言模型
    56. 65:00Prompt rewriter：视频模型背后的“大脑”
    57. 65:40为什么视频 diffusion model 很“字面”：用户说“一只猫”，它可能只生成一只不会动的猫
    58. 66:10GPT Image 类模型为什么要“想几分钟”：时间花在推理、重写 prompt 和组织内容上
    59. 67:07不同架构路线：独立 LLM + diffusion、omni model、离散图像 token
    60. 68:21生成—理解—再生成：omni model 可能如何迭代优化图像
    61. 69:54Prompt rewriter 与 diffusion head 不是一回事，但语言侧都在贡献智能
    62. 70:33不需要 joint training，光重写 prompt 就能显著提高画面质量
    63. 71:54Video Agent 的愿景：像人类创作者一样调用工具、编辑、迭代
    64. 72:13Grok Imagine Agent beta：从视频生成走向视频创作工作流
    65. 72:29为什么“生成一分钟视频”是 Agent 任务，而不是单次视频模型任务
    66. 73:30从 Copilot 到 Claude Code：视频创作也会经历 Agent 化
    67. 74:17速度、thinking budget 与 inference infra
    68. 75:12Video Agent 的真正价值：不是模型到头了，而是 harness 和工具链解锁新能力
    69. 76:21AI 模型更懂 AI 模型：未来会有模型专门负责 prompt 和调度生成模型
    70. 77:28为什么确定性工具仍然重要：字幕、排版、精准编辑不必全靠视频模型
    71. 78:02Ethan 的时间判断：年底 Video Agent 会成为大热点
    72. 78:20Production grade 视频：一旦可用于广告和展示，预算会指数级增长
    73. 78:36World model 不一定只服务机器人，但机器人会自然成为 AI 可调用的工具
    74. 79:12Physical AI 也许不需要先在真实世界解决，可以先被强视频模型解决
    75. 80:10为什么离开 xAI：想做公司优先级之外的研究，尤其是语言模型方向
    76. 81:06视频模型的瓶颈，正在转向语言模型和 Agent
    77. 81:31未来一年关注什么：模型感知并管理自己的 context
    78. 82:00Context awareness：模型应该知道自己快到上下文上限了
    79. 82:30Context addition / removal / compaction：今天由 harness 做，未来可能被模型吸收
    80. 83:59Self-modifying harness：模型像程序一样，在 test time 给自己编程
    81. 85:22职业路径：从 ResNet 时代的视觉研究，到 FAIR、Cosmos、MoE、xAI
    82. 86:44为什么跨方向并没有想象中困难：训练大模型的原则高度相通
    83. 87:33收尾：xAI 背后还有很多未被讲清楚的层次
  • 06-02#568. Transformer辩论：如何理解下一代智能之争
    1. 00:00开场 & 播客简介
    2. 01:43现场规则：用拳击赛形式辩论 Transformer vs postTransformer
    3. 04:02Lukasz 开场：Transformer 是简单、漂亮、而且真正能工作的 memory
    4. 06:40Adrian 开场：智能还没有迎来自己的 PageRank 时刻
    5. 09:54Mathias 开场：未来不是二选一，而是 Transformer 加 postTransformer
    6. 12:22Llion 开场：Transformer 很强，但它可能只是 brute force 的局部最优
    7. 16:42Lukasz 反驳：Transformer 仍是当前机器学习里最强的可扩展答案
    8. 19:00Adrian 反击：reasoning 和 learning 不一样，语言思考不是唯一解
    9. 21:38Mathias：Transformer 和 RNN 的边界会越来越模糊
    10. 23:33Llion：真正突破不是重排组件，而是重新质疑神经网络假设
    11. 26:04智能定义之争：是可观察行为，还是更深层的信息处理过程
    12. 28:30Transformer 是否把工程便利误认为科学真理
    13. 29:08智能即压缩：预测互联网下一个词为什么如此有效
    14. 30:02Language 与 reasoning：语言承载智能，但也限制思考方式
    15. 31:30发现新知识时，非语言推理是否更高效
    16. 31:52人脑与儿童启发：为什么小孩不用长链推理也能快速泛化
    17. 33:06Bitter Lesson：为什么十倍算力和十倍数据常常打败巧妙设计
    18. 33:34不同架构都有 scaling law，但硬件适配决定谁能赢
    19. 34:34Lukasz：如果有比 Transformer 更好的 scaling curve，请拿出来
    20. 35:56Adrian：数据、模型、算力不一定必须一起 scale
    21. 36:58非文本模态：蛋白质、基因序列和生物医学信号中的架构差异
    22. 38:05Benchmark 会不会误导我们
    23. 39:11Perplexity：为什么“预测下一个 token”仍可能是最硬的指标
    24. 40:57最后陈述：比拼的关键不是单次成绩，而是 scaling curve 的斜率
    25. 41:53Adrian：下一次突破可能来自更高效、更紧凑的 reasoning
    26. 43:08Mathias：两边都押注，探索所有可能性
    27. 43:40Llion：今天没有任何理由能让我放弃“还有更好东西”的信念
    28. 44:31硬件彩票：现有 GPU/TPU 是否让大家困在 Transformer 范式
    29. 45:18Llion：postTransformer 第一版不必马上打败 SOTA
    30. 46:12Lukasz：Transformer 当年也不适配硬件，真正强的架构会推动硬件改变
    31. 48:38慢 50 倍也不要怕：只要 scaling curve 更好，就值得探索
    32. 48:59智能是否首先是学习能力
    33. 50:10In-context learning：把上下文学习延长到无限时间会怎样
    34. 51:01Continual learning：给静态权重打补丁，还是从头设计动态系统
    35. 51:41Transformer 的 activation 是否已经在做类似 gradient descent 的事
    36. 53:25Transformer 不会消失：postTransformer 世界里仍会使用 Transformer
    37. 54:08Attention weights 也是动态权重吗
    38. 55:32经验型 context：模型是否能从自己的行动、错误和反馈中学习
    39. 57:25Fine-tuning、context learning 和 latent space 推理的关系
    40. 58:05文本 chain of thought 是否真的可解释
    41. 58:58postTransformer 是否可能更接近大脑，从而更可解释、更安全
    42. 59:13现场投票：用欢呼声决定今晚冠军
  • 06-02#567. 黄仁勋：Agent 时代普通人和企业的新生产力，AI 基础设施竞赛下的计算革命
    1. 00:00开场 & 播客简介
    2. 01:32回到台湾：感谢台湾供应链生态与 GTC Taipei 现场
    3. 03:50有用的 AI 到来了：从 GitHub commit 暴增看软件生产力跃迁
    4. 07:10AI 从成本变利润：token 需求、GDP 生成器与 compute 经济学
    5. 09:40什么是 Agent：模型、harness、memory、工具与 runtime
    6. 13:10从 prompt 到代码、GIF 和 CAD：Agentic AI 的实际工作方式
    7. 16:30软件公司不会被 Agent 消灭，反而会迎来更大工具需求
    8. 18:20CUDAX 库成为 Agent 的工具箱：CUDA 生态的新价值
    9. 21:10Agent 是终极分布式计算模型：大脑、身体与工作坊
    10. 24:20为什么 Vera Rubin 是下一代系统：为解耦、异构、分布式 Agent 而生
    11. 27:40NVIDIA 从 GPU 公司变成 AI 基础设施公司
    12. 29:40DSX AI Factory：用数字孪生设计和运营 AI 工厂
    13. 33:30一吉瓦 AI 工厂的经济学：compute 就是收入，token 就是利润
    14. 36:50AI Cloud 生态扩张：CoreWeave、Nebius、Nscale、GMI 等区域云机会
    15. 40:10Vera Rubin 全面量产：供应链规模达到 Grace Blackwell 的两倍
    16. 43:20从 DGX-1 到 Vera Rubin：AI 超级计算机的十年演进
    17. 46:00Vera Rubin NVL72：面向 prompt、context、推理和规划
    18. 48:40Vera CPU Rack 与 Vera BlueField：Agent 的编排、记忆与安全
    19. 51:00现场展示 Vera Rubin：无缆线、无软管、无风扇的新一代机架设计
    20. 54:20从 Hopper 到 Blackwell 再到 Vera Rubin：从预训练、推理到 Agentic inference
    21. 57:20为什么旧 CPU 不适合 Agent：人类按秒等待，Agent 按纳秒等待
    22. 59:30CPU 是指挥，GPU 是乐团：CPU 延迟直接影响 token 吞吐
    23. 01:02:00Vera 的四个关键指标：单线程性能、每核带宽、总带宽与能效
    24. 01:05:10Vera 架构细节：Olympus core、LPDDR5X、PCIe Gen 6 与高速 fabric
    25. 01:08:20真实工作负载提升：SQL 加速三倍，实时流处理加速六倍
    26. 01:10:30一个新市场的开始：为 Agent 而不是为人类制造 CPU
    27. 01:12:40未来十年的应用模式：每家公司都会运行 Agent
    28. 01:14:20NVIDIA Agent Toolkit：模型、harness、工具、技能与 runtime
    29. 01:16:00Open Shell：让企业安全运行 Agent 的开源 runtime
    30. 01:18:00Cadence 芯片设计 Agent：从数周验证周期压缩到数小时
    31. 01:21:10企业软件的新机会：Agent 不会消灭软件公司，而会放大软件价值
    32. 01:23:00Nemotron 3 Ultra 发布：开放模型、开放数据与开放训练方法
    33. 01:25:00混合架构模型：SSM 与 MoE 结合，速度提升五倍
    34. 01:26:40成本降低百分之三十：让企业能打造自己的专有 Agent
    35. 01:28:00与 Cadence、CrowdStrike、Palantir、SAP、ServiceNow 等合作
    36. 01:29:10Microsoft 与 NVIDIA 重新发明 PC：Agent 会运行在个人电脑上
    37. 01:31:00RTX Spark：面向 Agent 的新一代 Windows AI PC
    38. 01:33:00N1X 芯片：Blackwell RTX GPU、Grace CPU 与统一内存
    39. 01:35:00本地 Agent 示例：用 RTX Spark 协助完成建筑设计工作流
    40. 01:38:00Adobe、创作者工具与 Agent 友好型软件生态
    41. 01:40:00三类新 Windows 机器：笔记本、台式机与 DGX Station
    42. 01:43:00PC 的未来：从打开应用的工具，变成家庭里的个人 AI 超级计算机
    43. 01:46:00Agentic AI 本质上是数字机器人：所有设备都会运行 Agent
    44. 01:48:00Physical AI 的核心难题：机器人需要第一人称世界数据
    45. 01:50:00Cosmos 3 发布：面向 physical AI 的开放 frontier omni model
    46. 01:52:30Compute 就是数据：用 Cosmos 生成、仿真和训练物理世界 AI
    47. 01:54:20AlpamayoR1：面向自动驾驶汽车的开放推理模型
    48. 01:56:00Isaac GR00T：面向人形机器人的开放开发平台与参考机器人
    49. 01:58:30过去六个月计算机行业已被彻底改变
    50. 02:00:00Agentic 计算模式会复制到云、本地、PC、机器人、汽车和边缘设备
    51. 02:02:00NVIDIA 从 GPU、系统公司走向 AI 基础设施公司
    52. 02:04:00感谢台湾生态与全球合作伙伴，祝 COMPUTEX 顺利
  • 06-01#566. AI Agent 如何真正交付代码，非确定性时代的工程信任危机
    1. 00:00开场 & 播客简介
    2. 00:00中文节目开场：跨国串门计划与 AI 声纹克隆介绍
    3. 00:37本期节目来源：AI Engineer 的 WorkOS 技术分享
    4. 00:48分享者背景：Nick Nisi 与 WorkOS 的开发者体验工作
    5. 01:07核心金句：八个月没亲手写代码、Agent 会撒谎、删掉 95% skills 后效果更好
    6. 01:28Nick 的工作场景：一个人维护二十多个 repo、八种语言 SDK
    7. 02:20八个月不亲手写代码：用 Agent 完成实现、review 与交付
    8. 03:10单 Agent 的瓶颈：跨 repo、跨 issue 的上下文切换成本
    9. 03:55为什么 developer experience 正在变成 agentic experience
    10. 04:30Case 项目诞生：从 GitHub issue、PR、Slack thread、Linear ticket 自动开始工作
    11. 05:05从 Claude skill 到 TypeScript state machine：为什么 prompt 不够可靠
    12. 05:50五类 Agent 分工：implementer、verifier、reviewer、closer、retro agent
    13. 06:25真正重要的不是 Agent，而是 gate：每一步都必须被验证
    14. 06:55“证明”是关键词：为什么 Agent 不能只说自己完成了
    15. 07:30Agent 如何“假装跑测试”：touch 文件与 SHA-256 验证机制
    16. 08:10让正确执行比撒谎更容易：用机制替代信任
    17. 08:50WorkOS CLI 的目标：五分钟内帮开发者安装 AuthKit
    18. 09:35自动识别项目环境：Next.js、TanStack、Ruby 与 Auth0 迁移
    19. 10:05真实失败案例：TanStack Start 的隐含约定被 Agent 改坏
    20. 10:40第一反应：用文档生成一万多行 skills
    21. 11:20复杂但无效的方案：文档 hash、自动更新、长时间 evals
    22. 11:55测量揭示真相：更多 token、更多上下文，结果反而更差
    23. 12:20从全面覆盖到只写 gotchas：保留最常见、最关键的坑
    24. 12:45一万多行变成 553 行：运行时间从 68 分钟降到 6 分钟
    25. 13:05一个反直觉结果：加载 skill 正确率 77%，不加载反而 97%
    26. 13:20evals 的价值：处理非确定性代码时，必须用数据验证效果
    27. 13:35原则一：用机制强制执行，不要只给指令
    28. 14:00原则二：引导模型，而不是把每一步都写死
    29. 14:25原则三：衡量效果，不要预设它能工作
    30. 14:50用证据替代代码审查的第一步：测试输出、Playwright 视频、修复前后对比
    31. 15:25如果不能证明，就不要浪费人类 review 的时间
    32. 15:50每次失败都变成下一次运行的数据
    33. 16:05Harness Engineering 思路：不要直接修 Agent 写坏的代码，要修 harness
    34. 16:25retrospective Agent：从 transcript 中识别 doom loop、重复 tool call 和无效路径
    35. 16:50memory system：让 Agent 记住 Next.js、TanStack Start 等项目里的常见问题
    36. 17:10给 Agent 反馈，并让下一次运行比上一次更好
    37. 17:30找出 Agent 在产品里稳定会犯错的地方
    38. 17:45不要把整套产品文档塞给模型，只写关键 gotchas
    39. 18:00像服务开发者一样服务 Agent：它们需要什么信息、会在哪里丢上下文
    40. 18:20最终建议：永远不要相信 Agent，让它证明；用代码强制要求，而不是靠 prompt
  • 06-01#565. LVMH商业史
    1. 00:00开场 & 播客简介
    2. 01:34香槟开场：为什么要用 LVMH 的方式打开 LVMH
    3. 02:12品牌的力量：为什么一个名字能让人愿意付更多钱
    4. 03:07LVMH 的体量：全球第十五大公司，二十年市值涨二十倍
    5. 04:52奢侈品是商业战略的“反世界”：稀缺、控制与规模不经济
    6. 05:14David 与香槟行业的渊源：为什么他特别适合讲这一期
    7. 06:40从 1946 年巴黎讲起：Christian Dior 登场
    8. 10:01New Look 革命：用奢华面料回应战后匮乏
    9. 12:16Dior 的商业成功：两年占据巴黎时装出口 75%
    10. 12:18香水与授权：Miss Dior 之后，Dior 开始“凭空造钱”
    11. 13:24授权的双刃剑：高毛利现金流与品牌稀释
    12. 14:09创始人去世后的危机：二十一岁的 Yves Saint Laurent 接棒
    13. 15:42创意消失：Boussac 赶走 Saint Laurent 后的长期衰败
    14. 17:50Boussac 破产：Dior 被埋在亏损纺织帝国深处
    15. 18:51工程师家族出身：Bernard Arnault 的成长背景
    16. 21:39纽约出租车故事：Dior 是法国最强品牌资产之一
    17. 22:34从土木工程转向房地产：年轻 Arnault 接手家族企业
    18. 23:53移居美国：在 Palm Beach 做公寓开发的世界首富前传
    19. 25:27隔壁邻居 John Kluge：Arnault 学会美国式 LBO
    20. 27:41把企业掠夺带回法国：Arnault 开始寻找目标
    21. 28:18Boussac 机会出现：被政府接管的烫手山芋
    22. 29:416000 万美元拿下 Boussac：1500 万美元自有资本撬动巨额资产
    23. 31:44“终结者”裁员：裁掉 9000 人，让亏损帝国恢复盈利
    24. 32:36出售非核心资产：保留 Dior 与 Le Bon Marché
    25. 34:11市场低效与政治影响力：为什么这笔交易无人争抢
    26. 35:20明星品牌启示：Arnault 发现奢侈品牌的利润率跃迁
    27. 37:10Moët Hennessy Louis Vuitton：一场防御性合并
    28. 38:56Moët Hennessy：酒饮分销网络的规模经济
    29. 41:25Henry Racamier：现代全球奢侈品牌的发明者
    30. 42:31平顶旅行箱：Louis Vuitton 如何抓住铁路时代
    31. 45:17从王室到富人阶层：奢侈品消费人群开始扩大
    32. 46:06十年做到十亿美元：Racamier 的国际化与直营零售
    33. 48:12垂直整合的第一步：控制门店，吃下更多利润池
    34. 49:14LVMH 合并后的内斗：Chevalier 与 Racamier 的权力冲突
    35. 51:18Guinness 入局：安全边际变成控制权危机
    36. 53:13Racamier 找来 Arnault：把狐狸请进鸡舍
    37. 55:23俄罗斯套娃结构：Arnault 如何用少数股权融资战争资金
    38. 56:31Lazard 的关键作用：Arnault 从 LV 阵营转向 MH 阵营
    39. 57:53Jacques Rober 合资公司：用 Guinness 的资本撬动 LVMH 股份
    40. 59:31公开市场大战：Racamier 试图拿到阻止性少数股权
    41. 01:01:26最后一搏：Chevalier 与 Racamier 想拆分 LVMH
    42. 01:03:09Arnault 露出真正意图：他要的不是 Dior 香水，而是整个帝国
    43. 01:04:19接管完成：几个月内夺取全球最大奢侈品集团控制权
    44. 01:05:37狼还是建设者：Arnault 如何为自己的手段辩护
    45. 01:06:47控制权信条：主要股东身份是他战略的核心前提
    46. 01:07:25手袋为什么是神奇生意：女性自由、配饰与文化符号
    47. 01:09:20不需要尺码、不需要试穿：手袋的极佳商业属性
    48. 01:09:37皮革与钻石不同：可再生原料与极高利润率
    49. 01:10:20时装秀的真正目的：卖的不是衣服，而是品牌梦境
    50. 01:12:01奢侈品集团的反直觉规模经济
    51. 01:12:34奢侈品天然有规模不经济：做得越多，越不稀缺
    52. 01:13:09品牌组合的规模经济：广告、地产、分销与人才
    53. 01:14:03“轻协同”：哪里协同，哪里必须保护创意独立
    54. 01:16:14上游垂直整合：把生产收回内部，控制质量
    55. 01:17:10店中店模式：让百货商店变成房东
    56. 01:19:45你卖的不是皮革，而是梦想
    57. 01:20:18Sephora 与免税店：LVMH 如何进一步控制零售渠道
    58. 01:23:56高端与奢侈的区别：高端买功能，奢侈买超越功能
    59. 01:24:38Ferrari 不是 Lexus：奢侈品的信号与社会区分
    60. 01:25:21Chanel 的定义：奢侈从必需结束的地方开始
    61. 01:26:01奢侈的社会功能：品味、财富与“懂的人自然懂”
    62. 01:27:00奢侈与时尚并不相同：耐久性才是核心
    63. 01:27:57Lindy 效应：奢侈品牌卖的是跨越时间的地位
    64. 01:29:55LVMH 同时做奢侈品与超高端精品
    65. 01:30:19日本市场崛起：奢侈品全球化的第一章
    66. 01:31:22中国市场：更大规模的下一章
    67. 01:31:57Gucci 为什么是理想目标：LV、Gucci 与 Hermès 的三足格局
    68. 01:32:37家族崩坏与授权泛滥：Gucci 陷入灾难
    69. 01:34:144 亿美元买 Gucci 的机会：Arnault 退出尽调并错失低点
    70. 01:34:56Domenico De Sole 与 Tom Ford：Dom 和 Tom 让 Gucci 起死回生
    71. 01:36:07LVMH 再次出手：逐步买入 Gucci 股份
    72. 01:38:59找不到白衣骑士：Arnault 的影响力让潜在盟友退缩
    73. 01:39:49ESOP 核按钮：Gucci 用荷兰法律漏洞稀释 LVMH
    74. 01:41:42François Pinault 入场：Kering 的前身由此诞生
    75. 01:43:14Yves Saint Laurent 加入战局：LVMH 反而制造出强大竞争对手
    76. 01:45:05赚了钱但输了局：LVMH 退出 Gucci，Kering 成为长期对手
    77. 01:46:53Hermès 为什么特殊：家族控制、单一品牌、极致工艺
    78. 01:48:02秘密买入十年：LVMH 通过子公司与股权互换积累股份
    79. 01:48:47持股曝光：Arnault 已持有 Hermès 14.2%
    80. 01:49:30增持到 23.1%：几乎买完全部流通股
    81. 01:50:01法院裁决：LVMH 被迫降低持股
    82. 01:50:30输了也赢了：Hermès 股份升值帮助巩固 Dior 与 LVMH 控制权
    83. 01:51:39Hermès 的估值神话：比行业平均高得多的交易倍数
    84. 01:52:04史上最大奢侈品收购之一：LVMH 买下 Tiffany
    85. 01:53:10美国奢侈品皇冠明珠：Tiffany 与 NFL、NBA、MLB 奖杯
    86. 01:53:38疫情期间重新议价：从 162 亿美元砍到 158 亿美元
    87. 01:54:57Beyoncé 与 Jay-Z：Tiffany 新时代的全球门面
    88. 01:55:15“不再是你妈妈的 Tiffany”：冒险吸引 Gen Z
    89. 01:56:04Cristal、Jay-Z 与 Ace of Spades：黑人文化与老牌奢侈品的碰撞
    90. 01:57:10LVMH 入股 Ace of Spades：从冲突到合作
    91. 01:57:32Fenty Beauty：LVMH 自建新品牌的成功案例
    92. 01:58:34Tiffany 财务表现：利润两年翻倍，收购价格变得便宜
    93. 01:59:05今日 LVMH：收入接近 800 亿美元，经营利润超过 200 亿美元
    94. 02:01:09Bernard Arnault 再成世界首富：财富复利与家族接班
    95. 02:03:58Seven Powers 框架：集团层面与品牌层面分开看
    96. 02:05:22集团规模经济：资本、广告、地产、人才与全球发布能力
    97. 02:06:51文化规模经济：为什么 Jay-Z、Beyoncé、Rihanna 愿意和 LVMH 合作
    98. 02:09:21LVMH 企业品牌：成为卖方、名人和人才愿意选择的平台
    99. 02:11:19稀缺资源：全球真正的明星品牌数量有限
    100. 02:11:51Louis Vuitton 的品牌力：功能相同，价格却可高出万倍
    101. 02:12:31传承与出处：atelier、地点和故事也是护城河
    102. 02:13:16Hermès 的反定位：低调、稀缺与“懂的人自然懂”
    103. 02:13:51结论：奢侈品牌的核心 Power 仍然是品牌本身
    104. 02:14:03找到利润池：品牌端吸走制造商与零售商的价值
    105. 02:15:00轻协同原则：广告、地产、人才协同，创意绝不共享
    106. 02:16:26奢侈品广告卖梦想：不是卖产品功能
    107. 02:17:10创意优先：市场研究不能替代设计师天才
    108. 02:18:29创意产品行业：奢侈品、电影、音乐、游戏的共同逻辑
    109. 02:19:57创意人与商业管理者搭档：Tom Ford 与 De Sole 的启示
    110. 02:20:38杠杆与判断：1500 万美元如何变成 2000 亿美元
    111. 02:22:28品牌很难被永久摧毁：Dior、Gucci、Tiffany 的 Lindy 效应
    112. 02:25:10奢华旅行能否规模化：酒店不同于手袋
    113. 02:26:08奢侈品抗衰退吗：真奢侈与大众高端的差异
    114. 02:28:10全球财富创造：日本、中国、韩国与新兴市场的顺风
    115. 02:29:43Bear Case：Masstige 暴露与经济衰退风险
    116. 02:30:33Louis Vuitton 依赖：75 个品牌里仍没有第二个 LV
    117. 02:32:05Bull Case：Z 世代更早购买奢侈品
    118. 02:32:23新兴市场：韩国、东南亚、印度和中国复苏
    119. 02:33:04家族控制：如果接班顺利，长期主义会继续
    120. 02:34:08Steve Jobs 与 Dom Pérignon：真正的奢侈品穿越时间
    121. 02:34:43接班赌局：Alexandre 还是 Delphine
    122. 02:35:00Alexandre Arnault：Rimowa 与 Tiffany 转型背后的年轻力量
    123. 02:37:00Delphine Arnault：Dior CEO 与媒体眼中的接班热门
    124. 02:37:30Gamecraft podcast：电子游戏行业的创意管理
    125. 02:38:02Doug DeMuro 与 Porsche Carrera GT：创作者、汽车与奢侈消费
    126. 02:39:38Peloton Tread：高端健身设备推荐
    127. 02:40:31Derek Thompson 文章：历史不是靠单一“尤里卡时刻”推动
    128. 02:41:31Acquired 社区、周边与 LP Show 推荐
  • 06-01#564. AI到底会走向哪里：平台迁移、就业焦虑与模型公司的真实价值
    1. 00:00开场 & 播客简介
    2. 04:02AI 正在吞噬世界：我们到底还没有意识到什么
    3. 06:25现在像 1997 年：大多数东西还没被发明出来
    4. 06:46软件开发已被改变：Claude Code 之前与之后
    5. 08:10Jagged Frontier：AI 到底在哪些地方有效，哪些地方无效
    6. 09:18Forward Deployed Engineer：AI lab 为什么开始像咨询公司
    7. 11:16AI 没有消灭咨询，反而让专业服务更重要
    8. 11:32任务不是工作：为什么 PowerPoint 不是麦肯锡真正卖的东西
    9. 13:40Jevons Paradox：自动化之后，为什么需求可能反而变多
    10. 15:10从 Excel 到会计：为什么自动化没有让专业岗位消失
    11. 16:08连最先进的 AI 公司也在扩招：这说明了什么
    12. 16:32不要迷信 AI lab CEO 对劳动力市场的判断
    13. 17:20每次技术革命都会消灭工作，也会创造新工作
    14. 18:42为什么“所有公司两周内裁掉所有人”是幼稚想象
    15. 20:10企业变革很慢：销售周期、组织系统和行业惯性
    16. 21:06“这次完全不同，就像过去每一次一样”
    17. 22:08条形码、互联网和 Google：我们如何遗忘上一轮巨变
    18. 23:24这次真正不同的地方：AGI 和 superintelligence
    19. 23:46我们没有智能理论，也没有模型进步理论
    20. 24:50AI、AGI、superintelligence：术语正在被重新定义
    21. 26:02即使模型明天停止进步，AI 依然会改变未来十年
    22. 26:58公司规模会不会变得前所未有地大
    23. 27:33软件正在继续吞噬世界：TAM 如何向外扩张
    24. 28:50电力、公用事业与 AI intelligence 的类比
    25. 30:10Foundation Model 会拿走所有价值吗
    26. 31:30如果模型变成 commodity，价值可能会上移到应用层
    27. 32:54基础模型公司利润率会不会被挤压
    28. 33:11为什么模型公司更像云，而不是 Windows
    29. 34:58如果要投资，会投哪些 AI 公司或类别
    30. 35:50平台迁移不一定会颠覆所有巨头：移动互联网的经验
    31. 36:57软件更容易做之后，分发为什么更重要
    32. 37:29GPT wrapper 不够，真正重要的是 harness
    33. 38:40浏览器类比：产品层薄、分发和默认选项重要
    34. 39:28Google、Meta、Apple 如何用分发推动 AI
    35. 40:25Apple Intelligence 的愿景：个人 AI 助手为什么很难做
    36. 41:39反 AI 情绪正在增长吗
    37. 42:01数据中心、电费、水资源与被夸大的担忧
    38. 43:22就业数据仍不清晰：我们缺少真正有用的 AI 使用数据
    39. 44:32AI slop、创作者焦虑与文化战争
    40. 45:20类似社交媒体反弹：有些担忧真实，有些半真半假
    41. 46:00在 AI 时代，应该如何教育孩子
    42. 46:22如果孩子即将进入就业市场，会更令人担心
    43. 47:32“大概会没事”：但不是没有风险
    44. 48:26Deepfake 裸照、社交网络与连接坏人的代价
    45. 49:05英国邮局丑闻：技术如何无意中毁掉人生
    46. 50:16哪些工作该避开，哪些工作值得做
    47. 50:42技能、兴趣与别人愿意付钱的交集
    48. 51:02现在关于 AI 还问得不够的问题
    49. 51:12模型实验室到底有没有定价权
    50. 51:42什么是任务，什么才是工作
    51. 52:15从 CD 到 Spotify：不是把旧事物做更多，而是重新定义问题
    52. 53:17为什么最先被 AI 改变的反而是写代码
    53. 53:45不要机械计算“某职业百分之几可被自动化”
    54. 54:42Uber 测试：你很难提前知道哪些行业会被影响
    55. 55:30Airbnb 与酒店：每个行业深入进去都更复杂
    56. 56:42面对根本性不确定性，普通人该怎么做
    57. 57:08不要把头埋进沙子里，也不要只追求道德优越感
    58. 57:45扎进去用 AI：理解它能为你做什么
    59. 58:10让自己成为更值得被招聘的人
    60. 58:25Benedict 自己最常用 AI 做什么
    61. 58:50精确信息检索仍是 AI 的弱项
    62. 59:25用 AI 做校对、图片和室内装修
    63. 01:00:12Chatbot 是空白屏幕，真正价值在具体场景
    64. 01:00:40AI 会消失在产品里：语音转文字还是 AI 吗
    65. 01:00:56为什么 Apple Notes 的语音转文字已经够用
    66. 01:01:36Benedict 的 newsletter、演示文稿与“不可操作”的智慧
    67. 01:01:44推荐书：《Three Men in a Boat》和芝加哥经济史
    68. 01:03:00推荐电影：去看那些你一直觉得“应该看过”的经典
    69. 01:03:30最近喜欢的产品：一双被 CEO 种草的鞋
    70. 01:04:36人生格言：看情况；大概会没事
    71. 01:05:01旧手机收藏：iPhone 之前的硬件形态创新
    72. 01:06:58如何找到 Benedict：benevans.com 与 newsletter