PODCAST · 硅谷101

2025 年 9 月节目

4 期 · 4 期带分节

  • 09-24E208｜量产CEO这事儿，是怎么被宝洁办成的？
    1. 05:10宝洁的招人逻辑，更重先天特质而非后天技能
    2. 11:10怎样的面试和互动，更能发现优秀人才？
    3. 18:30挖人才、留人才，开哪些条件更管用？
    4. 26:03宝洁的Coach机制，是怎么帮助员工成长的？
    5. 31:04培养人才时，大多数公司的“盲区”
    6. 34:06所谓的“领导力”，到底怎么个培养法？
    7. 36:49源源不断的职场导师，源于好的企业文化
    8. 40:38关于一个优秀Coach的职业素养
    9. 42:29唯快不破的商业社会，怎么学宝洁的“慢培养”？
    10. 49:17中美商业社会，还有哪些人才培养超级公司？
    11. 51:53闪亮亮的空降高管，怎么就不好用了？
    12. 57:41给空降高管多少时间练手算合适？
    13. 59:13空降高管的“磨合加速剂”是什么？
    14. 1:04:27想成为能被培养的潜力股，嘉宾给了些锦囊
  • 09-18E207｜智能体创业者们的成本突围与商业落地
    1. 01:36今年智能体最火的赛道：编程类、垂直类、通用类
    2. 06:35如何在调用工具方面帮助语言模型降低成本？
    3. 09:12智能体将优先解决播客创作者的哪些刚需工作？
    4. 11:14当Chat Bot取代前端网页，工具生态的开放是无法撤回的趋势
    5. 12:55提升体验的关键下一步：Human-in-the-loop
    6. 14:09身份智能体不是为了doing something，而是关心你的being
    7. 15:12身份类智能体，会是下一个时代的Facebook主页吗？
    8. 16:49智能体收集个人数据，需要什么样的生活记录器？
    9. 18:01与文生图工具相比，设计类智能体需要了解你的审美偏好，实现个性化的创作
    10. 20:04设计师在画布上直接调整AI产出品，快速灵活地迭代
    11. 20:52"NanoBanana们"的出现，对设计智能体是冲击还是利好？
    12. 22:00调用模型占成本80%～90%，单次复杂任务8～10美元，做C端都在亏钱
    13. 25:14C端公司如何在保证体验的前提下优化推理成本？
    14. 28:43从财报看编程类智能体Cursor：风光无限下隐藏着双重危机
    15. 32:01SFT（监督微调）受制于数据和标记，RFT（强化学习微调）路径亦会面对诸多问题
    16. 35:35在SFT"撞南墙"之后，过去没人愿意做的Exploration越来越重要
    17. 37:14强化学习中两种更新模式的差异：Training time 和Inference time
    18. 37:57盈利展望：B端、垂直领域有望打平，C端看模型厂商脸色
    19. 38:56产品驱动型公司的方法论：重视社群，寻找需求共通性，避免成为咨询公司
    20. 40:17身份智能体的商业化：参考社交网络，不当工具，尽可能少收费，押注增长
    21. 43:46AI创始人都在讲科幻故事的时候，科幻小说家没有小说可以写了
    22. 44:50AI行业市场活动过于雷同，KOL拉流量的做法还能走多远？
    23. 46:54Pine：一个结果导向型的Agent，处理争议账单
    24. 47:28Claude Code SDK：或成为新时代的NVIDIA
    25. 48:44Lovable：提升产品设计沟通效率
    26. 50:00Cluely：使人在复杂性会议中提升自信
  • 09-09E206｜临近机器人GPT-3时刻，具身智能开源模型的加速演进
    1. 05:362025年关键进展：模型通用性提升，开始泛化能力探索
    2. 07:38何为模型泛化能力：从熟悉环境到陌生环境的能力一致性
    3. 11:44泛化核心难点：长尾问题、数据采集与缺乏标准评测体系
    4. 16:04如何评判具身智能模型能力：对比任务学习数据量与现实应用表现
    5. 17:17其他两大难点：数据质量与数量平衡、硬件维护缺乏统一平台
    6. 20:03为何需要至少100万小时的数据，才能构成优秀的大模型？
    7. 23:06人类VS机器人学习机制对比：人类的进化已包含了“预训练”
    8. 27:14合成数据在机器人领域的应用：降低数据收集成本，但难以模拟现实物理交互
    9. 31:35具身智能开源模型WALL-OSS发布：上万小时真实数据，补足当前开源模型的欠缺能力
    10. 35:36WALL-OSS模型开源动机与优势：降低研究门槛，加速生态创新
    11. 38:03架构之争：端到端统一训练VS分层系统设计，模型技术路径尚未统一
    12. 40:58从VLA（视觉语言模型）出世后，具身智能模型路线开始走向趋同化
    13. 44:10具身模型已达到GPT-2的水平，将在1～2年时间达到GPT-3水平
    14. 45:31中美机器人技术路径区别：美国自上而下、先做大模型，中国从现实需求出发、双轨并行
    15. 52:31抓到耗子的都是好猫：算法与操控的难度平衡
    16. 54:12模型高频控制的意义：对未来情况做决策，但更高频率无意义
    17. 58:13视觉难以对未来做精确的预测和建模，但能弥补触觉缺失与力的反馈
    18. 01:00:20传感器比想象更成熟，但机器人还是依赖视觉作为主要训练参数
    19. 01:01:31家用机器人预测：2～3年内进入半结构化场景，5～10年全场景使用
    20. 01:05:29如何平衡商业化与研发：尽可能服务于开放式场景，提高公司组织能力
    21. 01:08:43现实部署的机器人量越大、场景越多样，数据反馈和模型迭代效果将越好
  • 09-01E205｜和丛乐聊基因编辑：碳基生命如何面对硅基挑战？
    1. 00:08硅谷101创业挑战赛报名
    2. 02:442013年Science的CRISPR-CAS9论文为何重要？
    3. 05:51求学之路：从George Church的读基因到张锋实验室写基因
    4. 09:05基因编辑研发之路：锌指蛋白到CRISPR技术，成本降低1000倍
    5. 12:15灵感起源：09年的一篇报告、一篇论文与一次深刻的聊天
    6. 17:50原创科研，很多人没看清楚路的时候，极好的眼光与判断力
    7. 18:33一场速度的竞赛：过于完美的准备是否正确
    8. 21:03诺奖风波：褒奖理论研究者还是应用？
    9. 21:49张锋实验室论文疯狂发表期：底层技术突破后应用全面开花
    10. 23:40专利之战：上亿美元的诉讼费
    11. 25:55基因编辑的应用：让土豆保存时间更长；改造蚊子不再传播疾病
    12. 27:52硅机进化速度过快，为什么碳基生命进化速度这么慢？
    13. 30:58基因编辑如何治愈疾病：地中海贫血、肝脏与心脑血管罕见病
    14. 32:51喝酒脸红可以改变，单个基因影响的细胞基因编辑更容易
    15. 36:30基因编辑的三重难点：安全问题、递送最难、方案设计
    16. 42:15线粒体蛋白RNA编辑，下一个类似于Cas9的范式改变？
    17. 44:01与王梦迪教授+Deepmind联合开发的CRISPR-GPT：设计实验流程
    18. 45:06如何避免幻觉：真人数据强化学习+评测+多智能体审核员
    19. 51:13CRISPR-GPT如何帮助研究者编辑阿兹海默的影响基因ApoE4
    20. 59:53基因编辑的使用边界与人类未知的蛋白
    21. 63:04顶级研究者：独立思考、快速失败、批判性思维
    22. 64:43频繁陷入争议的George Church：倾向于说yes的性格
    23. 68:28从更底层价值观上重新思考硅基智能与碳基生命