跨国串门儿计划 音频下载

📝 本期播客简介 本期我们克隆了：硅谷思想家 Naval Ravikant 的个人播客《Naval Podcast》On Artificial Intelligence 当“英语”成为全球最火的编程语言，当“氛围编程”（Vibe Coding）让产品经理直接取代传统的开发流程，我们该如何重新定位自己的价值？在这场行走中的对话里，Naval Ravikant 深入探讨了 AI 如何重塑软件工程、创业精神以及人类的学习方式。他认为，AI 不会抢走企业家的工作，反而会成为每个人的“魔杖”，让每个人都成为拥有极高杠杆的“施法者”。这不仅是一场关于技术的讨论，更是一场关于主体意识（Agency）、创造力解放以及如何通过深入理解底层逻辑来消除 AI 焦虑的哲学课。 👨‍⚕️ 本期嘉宾 Naval Ravikant，AngelList 联合创始人，著名投资人、思想家。他以对财富、幸福和技术的深刻见解著称，其推特语录被汇编为《纳瓦尔宝典》。 Nivi，AngelList 联合创始人，Naval 的长期对话伙伴。 ⏱️ 时间戳 00:00 开场：行走中的对话与“第一天”心态 氛围编程与产品开发的革命 01:56 氛围编程（Vibe Coding）：英语是最新最火的编程语言 03:47 应用海啸：当平庸不再有市场，利基市场如何爆发 05:19 聚合器 vs. 长尾：AI 时代的市场权力结构 编程的范式转移 06:01 调优模型：在“弹珠机”里寻找程序，而非编写逻辑 08:16 模糊的正确：AI 如何处理传统计算机无法解决的创意问题 09:13 软件工程师会失业吗？深度理解底层逻辑的竞争优势 11:41 赢家通吃：为什么在 AI 时代你必须成为利基领域的“世界第一” 人与 AI 的协作艺术 12:58 别学提示词（Prompt）技巧：让 AI 来适应你 15:53 聪明的“懒惰”：优化人的效率，而非机器的效率 16:54 恶意的不是 AI，而是掌握 AI 的人 杠杆、主体性与财富 17:53 每个人都是“施法者”：程序员将如何吞噬其他行业 20:21 企业家不担心 AI：主体意识（Agency）是核心护城河 23:46 摄影与艺术的启示：AI 如何解放人类去做“怪异”且伟大的创作 25:32 愿景：一个每个人都是工程师的富足世界 智能的本质与学习神器 28:42 智能的唯一测试：你是否得到了你想要的生活 30:32 零和博弈与 AI 竞争：为什么超额收益最终仍归于人类 34:28 终极导师：AI 如何精准匹配你的知识边界 36:36 AI 具有创造力吗？史蒂夫·乔布斯与“连接事物”的局限 总结：行动是焦虑的解药 41:00 深入引擎盖：通过深度理解来克服 AI 焦虑 42:43 焦虑的解决方案永远是行动 🌟 精彩内容 💡 氛围编程（Vibe Coding）的崛起 Naval 观察到，随着 Claude Code 等工具的出现，人们可以仅凭英语描述就构建出端到端的产品。这标志着“氛围编程”时代的到来，品味和想法直接跳过繁琐的编码阶段，转化为可运行的 App。 “你不再是通过告诉工程师该做什么来管理产品，而是告诉计算机该做什么。计算机是不知疲倦的，且没有自尊心。” 🛠️ 软件工程师的新杠杆 尽管 AI 能写代码，但 Naval 强调传统工程思维依然重要。由于“抽象是有漏洞的”，只有理解底层架构的人才能在 AI 犯错时“堵住漏洞”。优秀的工程师将利用 AI 获得 10 倍甚至 100 倍的杠杆。 “AI 不会取代程序员，而是会让程序员更容易地取代其他所有人。” 🚀 企业家的“主体意识”护城河 Naval 认为企业家不需要担心 AI，因为 AI 缺乏“主体意识”（Agency）和真实的生存欲望。企业家是在未知领域行使自主权的人，AI 是他们解决难题的盟友，而非竞争对手。 “企业家在尝试做不可能的事情……任何出现的 AI 都是他们的盟友，帮助他们解决这些难题。” 💻 智能的定义与 AI 的局限 Naval 提出了一个极具争议的观点：智能的唯一测试是你是否得到了想要的生活。由于 AI 没有欲望，它在这一测试上瞬间失败。AI 的价值在于作为人类的代理人，帮助人类在竞争中获胜。 “智能唯一的真实测试就是你是否从生活中得到了你想要的东西。” ❤️ 终极导师与自主学习 AI 是人类历史上最耐心的导师，它能将复杂的科学论文拆解到你能理解的水平。Naval 认为，现在学习手段已经极大丰富，唯一的匮乏在于学习的欲望。 “学习手段变得更加丰富了，而且更重要的是，它处于‘正确的水平’。AI 能精准匹配你所在的水平。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷思想家 Naval Ravikant 的个人播客《Naval Podcast》On Artificial Intelligence 当“英语”成为全球最火的编程语言，当“氛围编程”（Vibe Coding）让产品经理直接取代传统的开发流程，我们该如何重新定位自己的价值？在这场行走中的对话里，Naval Ravikant 深入探讨了 AI 如何重塑软件工程、创业精神以及人类的学习方式。他认为，AI 不会抢走企业家的工作，反而会成为每个人的“魔杖”，让每个人都成为拥有极高杠杆的“施法者”。这不仅是一场关于技术的讨论，更是一场关于主体意识（Agency）、创造力解放以及如何通过深入理解底层逻辑来消除 AI 焦虑的哲学课。 👨‍⚕️ 本期嘉宾 Naval Ravikant，AngelList 联合创始人，著名投资人、思想家。他以对财富、幸福和技术的深刻见解著称，其推特语录被汇编为《纳瓦尔宝典》。 Nivi，AngelList 联合创始人，Naval 的长期对话伙伴。 ⏱️ 时间戳 00:00 开场：行走中的对话与“第一天”心态 氛围编程与产品开发的革命 01:56 氛围编程（Vibe Coding）：英语是最新最火的编程语言 03:47 应用海啸：当平庸不再有市场，利基市场如何爆发 05:19 聚合器 vs. 长尾：AI 时代的市场权力结构 编程的范式转移 06:01 调优模型：在“弹珠机”里寻找程序，而非编写逻辑 08:16 模糊的正确：AI 如何处理传统计算机无法解决的创意问题 09:13 软件工程师会失业吗？深度理解底层逻辑的竞争优势 11:41 赢家通吃：为什么在 AI 时代你必须成为利基领域的“世界第一” 人与 AI 的协作艺术 12:58 别学提示词（Prompt）技巧：让 AI 来适应你 15:53 聪明的“懒惰”：优化人的效率，而非机器的效率 16:54 恶意的不是 AI，而是掌握 AI 的人 杠杆、主体性与财富 17:53 每个人都是“施法者”：程序员将如何吞噬其他行业 20:21 企业家不担心 AI：主体意识（Agency）是核心护城河 23:46 摄影与艺术的启示：AI 如何解放人类去做“怪异”且伟大的创作 25:32 愿景：一个每个人都是工程师的富足世界 智能的本质与学习神器 28:42 智能的唯一测试：你是否得到了你想要的生活 30:32 零和博弈与 AI 竞争：为什么超额收益最终仍归于人类 34:28 终极导师：AI 如何精准匹配你的知识边界 36:36 AI 具有创造力吗？史蒂夫·乔布斯与“连接事物”的局限 总结：行动是焦虑的解药 41:00 深入引擎盖：通过深度理解来克服 AI 焦虑 42:43 焦虑的解决方案永远是行动 🌟 精彩内容 💡 氛围编程（Vibe Coding）的崛起 Naval 观察到，随着 Claude Code 等工具的出现，人们可以仅凭英语描述就构建出端到端的产品。这标志着“氛围编程”时代的到来，品味和想法直接跳过繁琐的编码阶段，转化为可运行的 App。 “你不再是通过告诉工程师该做什么来管理产品，而是告诉计算机该做什么。计算机是不知疲倦的，且没有自尊心。” 🛠️ 软件工程师的新杠杆 尽管 AI 能写代码，但 Naval 强调传统工程思维依然重要。由于“抽象是有漏洞的”，只有理解底层架构的人才能在 AI 犯错时“堵住漏洞”。优秀的工程师将利用 AI 获得 10 倍甚至 100 倍的杠杆。 “AI 不会取代程序员，而是会让程序员更容易地取代其他所有人。” 🚀 企业家的“主体意识”护城河 Naval 认为企业家不需要担心 AI，因为 AI 缺乏“主体意识”（Agency）和真实的生存欲望。企业家是在未知领域行使自主权的人，AI 是他们解决难题的盟友，而非竞争对手。 “企业家在尝试做不可能的事情……任何出现的 AI 都是他们的盟友，帮助他们解决这些难题。” 💻 智能的定义与 AI 的局限 Naval 提出了一个极具争议的观点：智能的唯一测试是你是否得到了想要的生活。由于 AI 没有欲望，它在这一测试上瞬间失败。AI 的价值在于作为人类的代理人，帮助人类在竞争中获胜。 “智能唯一的真实测试就是你是否从生活中得到了你想要的东西。” ❤️ 终极导师与自主学习 AI 是人类历史上最耐心的导师，它能将复杂的科学论文拆解到你能理解的水平。Naval 认为，现在学习手段已经极大丰富，唯一的匮乏在于学习的欲望。 “学习手段变得更加丰富了，而且更重要的是，它处于‘正确的水平’。AI 能精准匹配你所在的水平。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：顶尖商业传记播客《Founders Podcast》How Elon Thinks 本期嘉宾 Eric Jorgenson 花费五年时间，投入几千个小时研究埃隆·马斯克，并将其思想精髓浓缩成了新书《马斯克之书》（The Book of Elon）。在这场与 David Senra 的深度对谈中，你将听到马斯克是如何在 SpaceX 和特斯拉内部推行那套著名的“五步算法”的。这不仅是一套工程学准则，更是一套关于如何识别瓶颈、对抗官僚主义、以及在“疯狂边缘”保持高强度产出的行动指南。你会听到为什么“最好的零件就是没有零件”，为什么马斯克认为时间是唯一的真实货币，以及他如何通过第一性原理，将看似不可能的科幻梦想变成现实。 👨‍⚕️ 本期嘉宾 Eric Jorgenson，作家、投资人。他曾撰写了广受好评的《纳瓦尔宝典》，他的新书《马斯克之书》通过整理马斯克过去几十年的公开言论和内部记录，提炼出了马斯克最实用的商业和工程思想。 ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 马斯克的创业哲学：为什么而战 02:04 拒绝 ROI 陷阱：做那些“必须发生”的事情 04:13 工程学即魔法：创造世界上本不存在的东西 08:27 破釜沉舟：为什么 B 计划应该是让 A 计划奏效 11:39 苦难的价值：从被霸凌的童年到“为战争而生”的创始人 核心干货：马斯克的“五步算法” 14:21 第一步：质疑需求，让每个需求都落实到具体的人名 24:07 第二步：删除、删除、再删除，最好的零件就是没有零件 28:16 第三步：简化与优化，不要在砍树前忘了磨斧头 31:15 第四步：加速循环，在挖坟墓时千万别挖得更快 34:34 第五步：自动化，揭秘马斯克在特斯拉犯下的最大错误 垂直整合与制造业护城河 38:44 降低“白痴指数”：为什么火箭 98% 的成本曾是浪费的 42:59 拒绝寡头垄断：为什么美国需要更具成本效益的运载工具 46:50 速度是最好的防御：SR-71 黑鸟侦察机的竞争启示 52:10 财务与工程的统一：为什么决策必须在“一个脑袋”里完成 极限领导力与未来愿景 58:46 沟通的艺术：如何用一个核心指标对齐几万名工程师 01:03:03 制造业被低估了：少搞点金融，多造点东西 01:13:00 疯狂的边缘：为什么马斯克必须睡在工厂地板上 01:23:07 物理学是唯一的裁判：在荒谬之中寻找可能的极限 🌟 精彩内容 💡 著名的“五步算法” (The Algorithm) Eric 详细拆解了马斯克在所有公司推行的五步法。最关键的教训是：绝不要在还没执行前两步（质疑需求和删除）时，就去进行第三步（简化优化）。马斯克坦言自己曾犯过巨大的错误，花了几百个小时去优化一个最后发现根本不该存在的流程。 🛠️ 时间是唯一的真实货币 马斯克对时间的痴迷近乎疯狂。他会将 SpaceX 每天 10 万美元的烧钱率，与十年后每天 1000 万美元的预期收入挂钩。这意味着每一天的延迟，本质上都是在损失未来的千万美金。这种视角让他愿意花 6 万美元油费派私人飞机运送一个零件，只为节省一个工作日。 🚀 垂直整合与“白痴指数” 马斯克发现火箭原材料成本仅占总价的 2%，剩下的钱都消失在了层层分包商的利润中。他通过垂直整合，把原本需要几层分包的事情收回自研。他认为制造业本身就是护城河，如果你依赖现有的供应链，你永远无法实现两个数量级的技术突破。 💻 团队的“向量和”理论 马斯克将团队看作一组向量。每个员工都是一个箭头，箭头的长度是能力，方向是目标。领导者的唯一工作就是让所有箭头的方向对齐。如果方向不一致，再强的能力也会在内耗中抵消。 ❤️ 制造业的情书 马斯克对那些“干实事”的人充满敬意。他批评现在的才华分配过度倾斜向金融和法律领域，而忽略了真实的产出。他认为提高人类生存标准的唯一方式就是制造更多、更好的实物产品。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：顶尖商业传记播客《Founders Podcast》How Elon Thinks 本期嘉宾 Eric Jorgenson 花费五年时间，投入几千个小时研究埃隆·马斯克，并将其思想精髓浓缩成了新书《马斯克之书》（The Book of Elon）。在这场与 David Senra 的深度对谈中，你将听到马斯克是如何在 SpaceX 和特斯拉内部推行那套著名的“五步算法”的。这不仅是一套工程学准则，更是一套关于如何识别瓶颈、对抗官僚主义、以及在“疯狂边缘”保持高强度产出的行动指南。你会听到为什么“最好的零件就是没有零件”，为什么马斯克认为时间是唯一的真实货币，以及他如何通过第一性原理，将看似不可能的科幻梦想变成现实。 👨‍⚕️ 本期嘉宾 Eric Jorgenson，作家、投资人。他曾撰写了广受好评的《纳瓦尔宝典》，他的新书《马斯克之书》通过整理马斯克过去几十年的公开言论和内部记录，提炼出了马斯克最实用的商业和工程思想。 ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 马斯克的创业哲学：为什么而战 02:04 拒绝 ROI 陷阱：做那些“必须发生”的事情 04:13 工程学即魔法：创造世界上本不存在的东西 08:27 破釜沉舟：为什么 B 计划应该是让 A 计划奏效 11:39 苦难的价值：从被霸凌的童年到“为战争而生”的创始人 核心干货：马斯克的“五步算法” 14:21 第一步：质疑需求，让每个需求都落实到具体的人名 24:07 第二步：删除、删除、再删除，最好的零件就是没有零件 28:16 第三步：简化与优化，不要在砍树前忘了磨斧头 31:15 第四步：加速循环，在挖坟墓时千万别挖得更快 34:34 第五步：自动化，揭秘马斯克在特斯拉犯下的最大错误 垂直整合与制造业护城河 38:44 降低“白痴指数”：为什么火箭 98% 的成本曾是浪费的 42:59 拒绝寡头垄断：为什么美国需要更具成本效益的运载工具 46:50 速度是最好的防御：SR-71 黑鸟侦察机的竞争启示 52:10 财务与工程的统一：为什么决策必须在“一个脑袋”里完成 极限领导力与未来愿景 58:46 沟通的艺术：如何用一个核心指标对齐几万名工程师 01:03:03 制造业被低估了：少搞点金融，多造点东西 01:13:00 疯狂的边缘：为什么马斯克必须睡在工厂地板上 01:23:07 物理学是唯一的裁判：在荒谬之中寻找可能的极限 🌟 精彩内容 💡 著名的“五步算法” (The Algorithm) Eric 详细拆解了马斯克在所有公司推行的五步法。最关键的教训是：绝不要在还没执行前两步（质疑需求和删除）时，就去进行第三步（简化优化）。马斯克坦言自己曾犯过巨大的错误，花了几百个小时去优化一个最后发现根本不该存在的流程。 🛠️ 时间是唯一的真实货币 马斯克对时间的痴迷近乎疯狂。他会将 SpaceX 每天 10 万美元的烧钱率，与十年后每天 1000 万美元的预期收入挂钩。这意味着每一天的延迟，本质上都是在损失未来的千万美金。这种视角让他愿意花 6 万美元油费派私人飞机运送一个零件，只为节省一个工作日。 🚀 垂直整合与“白痴指数” 马斯克发现火箭原材料成本仅占总价的 2%，剩下的钱都消失在了层层分包商的利润中。他通过垂直整合，把原本需要几层分包的事情收回自研。他认为制造业本身就是护城河，如果你依赖现有的供应链，你永远无法实现两个数量级的技术突破。 💻 团队的“向量和”理论 马斯克将团队看作一组向量。每个员工都是一个箭头，箭头的长度是能力，方向是目标。领导者的唯一工作就是让所有箭头的方向对齐。如果方向不一致，再强的能力也会在内耗中抵消。 ❤️ 制造业的情书 马斯克对那些“干实事”的人充满敬意。他批评现在的才华分配过度倾斜向金融和法律领域，而忽略了真实的产出。他认为提高人类生存标准的唯一方式就是制造更多、更好的实物产品。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：AI Engineer Workshop 深度技术分享 Jack Morris: Stuffing Context is not Memory, Updating Weights is 目前的 AI 助手虽然博学，但面对你公司的私有文档或最新的行业代码时，往往表现得像个“局外人”。本期嘉宾 Jack Morris 是一位顶尖的 AI 研究员，他曾任职于 Meta，目前正致力于解决 AI 记忆的终极难题。在这场干货满满的分享中，Jack 挑战了目前被视为行业标准的 RAG（检索增强生成）技术，提出了一个更具野心的方向：把知识直接“训练”进模型的神经元里。你会听到为什么超长上下文往往是一种“欺诈”，为什么你的向量数据库可能存在安全漏洞，以及如何利用合成数据让模型真正“吃透”你的私有知识库。这不仅是一场技术演进的预判，更是一次关于 AI 架构如何从“查字典”转向“长脑子”的深度探索。 👨‍⚕️ 本期嘉宾 Jack Morris，资深 AI 研究员，康奈尔大学博士生。他曾任职于 Meta AI 团队，专注于大语言模型的安全性、记忆机制及微调技术。他目前正创办一家专注于“可教模型”的 AI 初创公司，致力于让模型能够高效、无损地吸收特定领域的专业知识。 ⏱️ 时间戳 00:00 开场 & 嘉宾背景介绍 AI 记忆的现状与困境 02:00 ChatGPT 的盲区：为什么它不知道你公司的门禁卡密码？ 04:30 知识注入的三条路径：上下文、RAG 与训练权重 06:50 “上下文欺诈”：为什么模型没崩溃，但推理失效了？ 08:43 成本与速度的博弈：Transformer 架构的二次方诅咒 拆解 RAG 的根本局限 10:18 向量数据库：今天的文件系统，而非未来的文件系统 12:39 Embedding 的安全隐患：你的私有数据能被轻易还原吗？ 14:02 缺乏适应性：为什么信用卡文档在向量空间里都挤在一起？ 17:28 RAG 的推理天花板：它无法关联那些“隐含”在文档间的逻辑 把知识训练进权重（Training into Weights） 19:45 为什么最笨的微调方法会让模型变“傻”？ 22:46 3M 财报实验：当模型开始机械复述，它就失去了诗意 24:58 破局之道：利用合成数据打破“过拟合”魔咒 27:46 “自适应语言模型”：让 AI 自己决定该学什么 技术架构的终极对决 28:36 灾难性遗忘：如何让模型学新知识而不丢旧本事？ 30:04 LoRa vs. 全量微调：谁更擅长“少学多留”？ 31:48 记忆层（Memory Layers）：给模型装一个可微分的查找表 34:53 规模化部署：如何为一千万个用户提供个性化模型？ 深度问答：RAG 真的会被取代吗？ 36:46 经济账：什么时候该用 RAG，什么时候该训练？ 40:48 联邦学习的回归：小参数更新带来的新机会 42:45 “零提示词”理想：把百万 token 压缩进权重的诱惑 46:06 哲学争论：模型应该是全能天才，还是熟练的工具使用者？ 🌟 精彩内容 💡 警惕“上下文欺诈” Jack 提出了一个扎心的观察：模型在塞进大量 token 时“不崩溃”，和它能进行“有效推理”是两码事。随着上下文增加，模型解决问题的能力往往会呈指数级下降。 🛠️ Embedding 并不是保险箱 很多人认为只存储 Embedding（向量）是安全的，但 Jack 的研究证明，通过特定算法可以从向量中还原出 90% 以上的原始文本。这对处理敏感数据的企业来说是一个巨大的安全警示。 🚀 合成数据：微调的“点金石” 直接在私有文档上进行“下一个词预测”训练，往往会导致模型只会复述原句。Jack 发现，先让 AI 把文档转化成大量的问答对、重述文本等合成数据，再进行微调，效果甚至能超过 GPT-4。 💻 LoRa 的“中庸之道” 在对比多种微调技术时，Jack 指出 LoRa（低秩自适应）的精髓在于“学得少，忘得也少”。它对模型原有知识的破坏最小，且在强化学习（RL）场景下，甚至只需训练 14 个参数就能达到极高准确率。 ❤️ 走向“专业化模型” 与其追求一个知道塔吉克斯坦省会、又知道你公司代码的通用模型，未来的趋势可能是极度专业化的模型——它们在特定领域极其敏锐，而在无关领域则保持“无知”以节省容量。 🌐 播客信息补充 翻译克隆自：AI Engineer Workshop：Memory in LLMs_ Weights and Activations - Jack Morris, Cornell 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：AI Engineer Workshop 深度技术分享 Jack Morris: Stuffing Context is not Memory, Updating Weights is 目前的 AI 助手虽然博学，但面对你公司的私有文档或最新的行业代码时，往往表现得像个“局外人”。本期嘉宾 Jack Morris 是一位顶尖的 AI 研究员，他曾任职于 Meta，目前正致力于解决 AI 记忆的终极难题。在这场干货满满的分享中，Jack 挑战了目前被视为行业标准的 RAG（检索增强生成）技术，提出了一个更具野心的方向：把知识直接“训练”进模型的神经元里。你会听到为什么超长上下文往往是一种“欺诈”，为什么你的向量数据库可能存在安全漏洞，以及如何利用合成数据让模型真正“吃透”你的私有知识库。这不仅是一场技术演进的预判，更是一次关于 AI 架构如何从“查字典”转向“长脑子”的深度探索。 👨‍⚕️ 本期嘉宾 Jack Morris，资深 AI 研究员，康奈尔大学博士生。他曾任职于 Meta AI 团队，专注于大语言模型的安全性、记忆机制及微调技术。他目前正创办一家专注于“可教模型”的 AI 初创公司，致力于让模型能够高效、无损地吸收特定领域的专业知识。 ⏱️ 时间戳 00:00 开场 & 嘉宾背景介绍 AI 记忆的现状与困境 02:00 ChatGPT 的盲区：为什么它不知道你公司的门禁卡密码？ 04:30 知识注入的三条路径：上下文、RAG 与训练权重 06:50 “上下文欺诈”：为什么模型没崩溃，但推理失效了？ 08:43 成本与速度的博弈：Transformer 架构的二次方诅咒 拆解 RAG 的根本局限 10:18 向量数据库：今天的文件系统，而非未来的文件系统 12:39 Embedding 的安全隐患：你的私有数据能被轻易还原吗？ 14:02 缺乏适应性：为什么信用卡文档在向量空间里都挤在一起？ 17:28 RAG 的推理天花板：它无法关联那些“隐含”在文档间的逻辑 把知识训练进权重（Training into Weights） 19:45 为什么最笨的微调方法会让模型变“傻”？ 22:46 3M 财报实验：当模型开始机械复述，它就失去了诗意 24:58 破局之道：利用合成数据打破“过拟合”魔咒 27:46 “自适应语言模型”：让 AI 自己决定该学什么 技术架构的终极对决 28:36 灾难性遗忘：如何让模型学新知识而不丢旧本事？ 30:04 LoRa vs. 全量微调：谁更擅长“少学多留”？ 31:48 记忆层（Memory Layers）：给模型装一个可微分的查找表 34:53 规模化部署：如何为一千万个用户提供个性化模型？ 深度问答：RAG 真的会被取代吗？ 36:46 经济账：什么时候该用 RAG，什么时候该训练？ 40:48 联邦学习的回归：小参数更新带来的新机会 42:45 “零提示词”理想：把百万 token 压缩进权重的诱惑 46:06 哲学争论：模型应该是全能天才，还是熟练的工具使用者？ 🌟 精彩内容 💡 警惕“上下文欺诈” Jack 提出了一个扎心的观察：模型在塞进大量 token 时“不崩溃”，和它能进行“有效推理”是两码事。随着上下文增加，模型解决问题的能力往往会呈指数级下降。 🛠️ Embedding 并不是保险箱 很多人认为只存储 Embedding（向量）是安全的，但 Jack 的研究证明，通过特定算法可以从向量中还原出 90% 以上的原始文本。这对处理敏感数据的企业来说是一个巨大的安全警示。 🚀 合成数据：微调的“点金石” 直接在私有文档上进行“下一个词预测”训练，往往会导致模型只会复述原句。Jack 发现，先让 AI 把文档转化成大量的问答对、重述文本等合成数据，再进行微调，效果甚至能超过 GPT-4。 💻 LoRa 的“中庸之道” 在对比多种微调技术时，Jack 指出 LoRa（低秩自适应）的精髓在于“学得少，忘得也少”。它对模型原有知识的破坏最小，且在强化学习（RL）场景下，甚至只需训练 14 个参数就能达到极高准确率。 ❤️ 走向“专业化模型” 与其追求一个知道塔吉克斯坦省会、又知道你公司代码的通用模型，未来的趋势可能是极度专业化的模型——它们在特定领域极其敏锐，而在无关领域则保持“无知”以节省容量。 🌐 播客信息补充 翻译克隆自：AI Engineer Workshop：Memory in LLMs_ Weights and Activations - Jack Morris, Cornell 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷知名创业家 Greg Eisenberg 的播客 How I Use Obsidian + Claude Code to Run My Life 你是否觉得 AI 智能体（Agent）虽然强大，但总是“记不住”你的偏好，或者无法理解你复杂的思维模式？本期嘉宾 Vin（Internet Vin）带来了一套令人震撼的解决方案。他将 Obsidian 的双向链接知识库与 Claude Code 的自主执行能力结合，创造出了一个能陪你思考、挑战你偏见、甚至能根据你的笔记自动编写代码工具的“第二大脑”。 在这期节目中，Vin 现场演示了多个自定义 AI 指令：从追踪一个想法在 13 个月里的演变轨迹，到自动发现知识库中被遗忘的灵感闪光点。你会听到为什么 Markdown 文件是大语言模型的“氧气”，以及为什么在 AI 时代，花时间进行个人反思和知识建模将成为你获取“超额收益”的最强武器。这不仅是一场技术演示，更是一场关于人类如何与计算机建立全新协作关系的哲学探讨。 👨‍⚕️ 本期嘉宾 Vin (Internet Vin)，资深 AI 工作流专家、内容创作者。他擅长探索人类创造力与 AI 工具的边界，是 Obsidian 和 Claude Code 早期深度使用者，致力于通过技术手段优化人类的思考与决策过程。 ⏱️ 时间戳 00:00 开场 & 播客简介 定义新一代 AI 工作流 01:41 什么是 Claude Code：用自然语言控制电脑的智能体 02:55 整个游戏的关键：为 AI “怪兽”喂食高质量的上下文 04:39 重新认识 Obsidian：为什么双向链接比文件夹更像大脑 07:12 游戏规则改变者：Obsidian CLI 如何让 AI 看见思维图谱 AI 作为“思维伙伴”的实战演示 08:28 自动化上下文加载：一键让 AI 进入你的生活与工作状态 10:41 进阶指令集：如何让 AI 挑战你的偏见（/challenge）与发现隐含模式（/emerge） 13:24 惊人的思维追踪：AI 如何在几秒内理清你 13 个月的想法演变 17:00 写作的新维度：笔记不仅是反思，更是向 AI 委派任务的媒介 构建个人操作系统 18:59 范式转移：管理知识库（Vault）而非管理智能体 21:10 跨领域连接：当 AI 把“电影制作”与“创业”联系在一起 24:34 隐私与边界：在“第二大脑”面前，我们该保留多少秘密？ 27:18 创意生成报告：让 AI 扫描你的“孤儿文件”并提供行动建议 从反思到自动执行 30:11 自动构建工具：AI 如何根据你的笔记习惯编写自己的代码 35:11 提升抽象层次：让 AI 建议它该为你做什么 37:40 总结：为什么 Markdown 文件是 AI 时代的“氧气” 40:55 最后的建议：在 99% 的人行动前，搭建你的个人 OS 🌟 精彩内容 💡 为什么 AI 总是“差点意思”？ Greg 和 Vin 讨论了大多数人使用 AI 的误区：缺乏上下文。Claude Code 的强大不在于它能写代码，而在于它能通过 Obsidian CLI 读取你整个知识库的关联。当 AI 知道你过去一年的思考路径时，它给出的建议才具有真正的启发性。 🛠️ 令人惊叹的自定义指令集 Vin 展示了他开发的多个“斜杠命令”： - `/challenge`：让 AI 寻找你笔记中的逻辑矛盾，压力测试你的信念。 - `/trace`：追踪某个特定想法（如“对 AI 的看法”）随时间的演变轨迹。 - `/drift`：对比你声明的目标与实际行为，揭示你在逃避什么。 🚀 笔记即委派（Note as Delegation） 这是一个核心的哲学转变。Vin 认为，未来的工作流不再是反复给 AI 发指令，而是通过完善自己的 Obsidian 知识库。如果 AI 做错了，你不需要去纠正 AI，而是去修正库里的信息。知识库成为了 Agent 的“说明书”。 💻 Markdown 是 AI 时代的氧气 Greg 提出一个深刻的观点：大语言模型是以 Markdown 文件为记忆的。虽然 Token 是计算单位，但结构化的纯文本才是人类灵魂在数字世界的完美映射。谁拥有最丰富的个人 Markdown 库，谁就在 AI 时代拥有最高的生产力“复利”。 🌐 播客信息补充 翻译克隆自： 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight ```

📝 本期播客简介 本期我们克隆了：硅谷知名创业家 Greg Eisenberg 的播客 How I Use Obsidian + Claude Code to Run My Life 你是否觉得 AI 智能体（Agent）虽然强大，但总是“记不住”你的偏好，或者无法理解你复杂的思维模式？本期嘉宾 Vin（Internet Vin）带来了一套令人震撼的解决方案。他将 Obsidian 的双向链接知识库与 Claude Code 的自主执行能力结合，创造出了一个能陪你思考、挑战你偏见、甚至能根据你的笔记自动编写代码工具的“第二大脑”。 在这期节目中，Vin 现场演示了多个自定义 AI 指令：从追踪一个想法在 13 个月里的演变轨迹，到自动发现知识库中被遗忘的灵感闪光点。你会听到为什么 Markdown 文件是大语言模型的“氧气”，以及为什么在 AI 时代，花时间进行个人反思和知识建模将成为你获取“超额收益”的最强武器。这不仅是一场技术演示，更是一场关于人类如何与计算机建立全新协作关系的哲学探讨。 👨‍⚕️ 本期嘉宾 Vin (Internet Vin)，资深 AI 工作流专家、内容创作者。他擅长探索人类创造力与 AI 工具的边界，是 Obsidian 和 Claude Code 早期深度使用者，致力于通过技术手段优化人类的思考与决策过程。 ⏱️ 时间戳 00:00 开场 & 播客简介 定义新一代 AI 工作流 01:41 什么是 Claude Code：用自然语言控制电脑的智能体 02:55 整个游戏的关键：为 AI “怪兽”喂食高质量的上下文 04:39 重新认识 Obsidian：为什么双向链接比文件夹更像大脑 07:12 游戏规则改变者：Obsidian CLI 如何让 AI 看见思维图谱 AI 作为“思维伙伴”的实战演示 08:28 自动化上下文加载：一键让 AI 进入你的生活与工作状态 10:41 进阶指令集：如何让 AI 挑战你的偏见（/challenge）与发现隐含模式（/emerge） 13:24 惊人的思维追踪：AI 如何在几秒内理清你 13 个月的想法演变 17:00 写作的新维度：笔记不仅是反思，更是向 AI 委派任务的媒介 构建个人操作系统 18:59 范式转移：管理知识库（Vault）而非管理智能体 21:10 跨领域连接：当 AI 把“电影制作”与“创业”联系在一起 24:34 隐私与边界：在“第二大脑”面前，我们该保留多少秘密？ 27:18 创意生成报告：让 AI 扫描你的“孤儿文件”并提供行动建议 从反思到自动执行 30:11 自动构建工具：AI 如何根据你的笔记习惯编写自己的代码 35:11 提升抽象层次：让 AI 建议它该为你做什么 37:40 总结：为什么 Markdown 文件是 AI 时代的“氧气” 40:55 最后的建议：在 99% 的人行动前，搭建你的个人 OS 🌟 精彩内容 💡 为什么 AI 总是“差点意思”？ Greg 和 Vin 讨论了大多数人使用 AI 的误区：缺乏上下文。Claude Code 的强大不在于它能写代码，而在于它能通过 Obsidian CLI 读取你整个知识库的关联。当 AI 知道你过去一年的思考路径时，它给出的建议才具有真正的启发性。 🛠️ 令人惊叹的自定义指令集 Vin 展示了他开发的多个“斜杠命令”： - `/challenge`：让 AI 寻找你笔记中的逻辑矛盾，压力测试你的信念。 - `/trace`：追踪某个特定想法（如“对 AI 的看法”）随时间的演变轨迹。 - `/drift`：对比你声明的目标与实际行为，揭示你在逃避什么。 🚀 笔记即委派（Note as Delegation） 这是一个核心的哲学转变。Vin 认为，未来的工作流不再是反复给 AI 发指令，而是通过完善自己的 Obsidian 知识库。如果 AI 做错了，你不需要去纠正 AI，而是去修正库里的信息。知识库成为了 Agent 的“说明书”。 💻 Markdown 是 AI 时代的氧气 Greg 提出一个深刻的观点：大语言模型是以 Markdown 文件为记忆的。虽然 Token 是计算单位，但结构化的纯文本才是人类灵魂在数字世界的完美映射。谁拥有最丰富的个人 Markdown 库，谁就在 AI 时代拥有最高的生产力“复利”。 🌐 播客信息补充 翻译克隆自： 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight ```

📝 本期播客简介 本期我们克隆了：Redpoint 旗下的深度访谈播客《Unsupervised Learning》OpenAI’s Chief Scientist on Continual Learning Hype, RL Beyond Code, & Future Alignment Directions 本期嘉宾 Jakub Pachocki 的身份举足轻重——他是 OpenAI 的首席科学家，也是决定这家全球最受关注 AI 公司技术走向的关键人物。在这场深度对话中，Jakub 首次详尽地拆解了 OpenAI 关于“自动化 AI 研究员”的时间表：从 2024 年实现“研究实习生”水平，到 2028 年迈向全自动化。他不仅分享了为什么数学和编程是 AI 进化的“北极星”，还深入探讨了模型如何从简单的“模式匹配”进化到具备真正的科学洞察力。此外，他还揭秘了 OpenAI 为何在 O1 等模型中选择隐藏“思维链”，以及这背后的 AI 安全与可解释性深谋。无论你是开发者、创业者，还是对 AGI 进程感到好奇的观察者，这期节目都将为你提供一份来自 AI 变革最前沿的真实路线图。 👨‍⚕️ 本期嘉宾 Jakub Pachocki，OpenAI 首席科学家。他接替了 Ilya Sutskever 的职位，负责领导 OpenAI 的核心研究工作。他曾是 GPT-4、OpenAI Five（Dota 2 机器人）以及 Codex 等里程碑式项目的关键贡献者。在加入 OpenAI 之前，他拥有哈佛大学计算机科学博士学位，并在算法理论和机器学习领域有着深厚的造诣。 ⏱️ 时间戳 00:00 开场 & 播客简介 AGI 的进化时间表 03:56 2024 vs 2028：从“研究实习生”到“全职自动化研究员” 05:19 衡量标准：自主工作的时间跨度与任务描述的模糊度 06:04 编程工具的爆发：Codex 如何改变了 OpenAI 内部的工作流 寻找智能的“北极星” 06:26 为什么是数学：可衡量、易验证且极具挑战的基准 07:37 从 IMO 竞赛到现实世界：模型智能如何转化为经济价值 09:05 跨越领域：RL 强化学习在医疗、法律等非确定性领域的潜力 12:08 开发者建议：不要盲目做 RL，上下文学习（In-context Learning）可能更高效 研究组织的管理与算力哲学 14:35 范式转移：当模型质量成为研究速度的决定性因素 16:31 算力分配心法：宁可放弃“低垂的果实”，也要押注最具扩展性的路径 18:06 独立性：为什么研究部门的优先级要与短期产品策略“脱钩” 20:13 开发者技能的终局：从写代码转向“愿景设定” AI 助力科学与“模式匹配”之争 23:32 “首次证明”挑战：当模型在一小时内解决博士水平的数学难题 26:05 证伪“模式匹配器”：从 AlphaGo 到科学发现的原创性火花 28:26 未来实验室：AI 科学家与人类研究员的自然协作 安全、对齐与 OpenAI 的进化 30:12 思维链（CoT）监控：为什么隐藏推理过程对 AI 安全至关重要 33:17 避免“训练信号”作对：解耦推理与输出的深层逻辑 35:31 对齐的新希望：研究价值观如何退回到预训练数据 38:06 OpenAI 的四个阶段：从学术实验室到部署通用人工智能 社会影响与未来展望 39:45 调和张力：当理论算法真正开始大规模渗透现实生活 41:06 隐忧：财富集中、治理难题与自动化公司的社会契约 42:32 下一代教育：在 AI 时代，什么才是人类不可替代的自主权 🌟 精彩内容 💡 自动化研究员的“实习期”与“转正期” Jakub 明确了 OpenAI 对 AI 能力演进的判断标准。他认为“研究实习生”与“全职研究员”的本质区别在于自主性。目前的模型已经能处理具体的技术想法，但未来的目标是让 AI 能在只接收“解决对齐问题”这种模糊指令的情况下，自主运行数天甚至数月并产出成果。 🛠️ 为什么隐藏“思维链”是安全策略？ 在 O1 等推理模型中，OpenAI 选择不展示详细的推理过程。Jakub 解释这并非单纯为了防范蒸馏，更核心的是为了“解释性”。如果将思维链作为产品展示，就必须对其进行人类偏好的监督（RLHF），这会干扰模型真实的推理逻辑。保持思维链的“私密空间”，有助于研究员通过监控模型真实的动机来确保长期的安全对齐。 🚀 算力分配的“惨痛教训” OpenAI 依然是“缩放定律”（Scaling Laws）的坚定信徒。Jakub 提到，在管理海量算力时，他们会强迫自己将大部分资源投入到“最具扩展性”的方法上，即便这意味着要放弃一些短期内能见效、但无法通向 AGI 的优化方案。这种对“未来路径”的极度专注是其保持领先的秘诀。 💻 科学发现不再是“暴力计算” 针对“AI 只是在用暴力破解数学”的批评，Jakub 并不担心。他认为模型已经展现出比人类更短、更优雅的证明路径。他预测未来不会是 AI 完全取代科学家，而是实验室生态的进化——AI 负责设计高质量实验，人类负责设定方向，双方在 STEM 领域开启协作新范式。 ❤️ 创始人的紧迫感与社会责任 随着模型在编程和数学上取得突破，Jakub 感到了前所未有的紧迫感。他认为社会必须开始思考：当一个由极少数人组成的“自动化公司”拥有改变世界的力量时，治理结构该如何设计？教育应该如何转向培养“设定方向”的能力而非纯技术技能？ 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Redpoint 旗下的深度访谈播客《Unsupervised Learning》OpenAI’s Chief Scientist on Continual Learning Hype, RL Beyond Code, & Future Alignment Directions 本期嘉宾 Jakub Pachocki 的身份举足轻重——他是 OpenAI 的首席科学家，也是决定这家全球最受关注 AI 公司技术走向的关键人物。在这场深度对话中，Jakub 首次详尽地拆解了 OpenAI 关于“自动化 AI 研究员”的时间表：从 2024 年实现“研究实习生”水平，到 2028 年迈向全自动化。他不仅分享了为什么数学和编程是 AI 进化的“北极星”，还深入探讨了模型如何从简单的“模式匹配”进化到具备真正的科学洞察力。此外，他还揭秘了 OpenAI 为何在 O1 等模型中选择隐藏“思维链”，以及这背后的 AI 安全与可解释性深谋。无论你是开发者、创业者，还是对 AGI 进程感到好奇的观察者，这期节目都将为你提供一份来自 AI 变革最前沿的真实路线图。 👨‍⚕️ 本期嘉宾 Jakub Pachocki，OpenAI 首席科学家。他接替了 Ilya Sutskever 的职位，负责领导 OpenAI 的核心研究工作。他曾是 GPT-4、OpenAI Five（Dota 2 机器人）以及 Codex 等里程碑式项目的关键贡献者。在加入 OpenAI 之前，他拥有哈佛大学计算机科学博士学位，并在算法理论和机器学习领域有着深厚的造诣。 ⏱️ 时间戳 00:00 开场 & 播客简介 AGI 的进化时间表 03:56 2024 vs 2028：从“研究实习生”到“全职自动化研究员” 05:19 衡量标准：自主工作的时间跨度与任务描述的模糊度 06:04 编程工具的爆发：Codex 如何改变了 OpenAI 内部的工作流 寻找智能的“北极星” 06:26 为什么是数学：可衡量、易验证且极具挑战的基准 07:37 从 IMO 竞赛到现实世界：模型智能如何转化为经济价值 09:05 跨越领域：RL 强化学习在医疗、法律等非确定性领域的潜力 12:08 开发者建议：不要盲目做 RL，上下文学习（In-context Learning）可能更高效 研究组织的管理与算力哲学 14:35 范式转移：当模型质量成为研究速度的决定性因素 16:31 算力分配心法：宁可放弃“低垂的果实”，也要押注最具扩展性的路径 18:06 独立性：为什么研究部门的优先级要与短期产品策略“脱钩” 20:13 开发者技能的终局：从写代码转向“愿景设定” AI 助力科学与“模式匹配”之争 23:32 “首次证明”挑战：当模型在一小时内解决博士水平的数学难题 26:05 证伪“模式匹配器”：从 AlphaGo 到科学发现的原创性火花 28:26 未来实验室：AI 科学家与人类研究员的自然协作 安全、对齐与 OpenAI 的进化 30:12 思维链（CoT）监控：为什么隐藏推理过程对 AI 安全至关重要 33:17 避免“训练信号”作对：解耦推理与输出的深层逻辑 35:31 对齐的新希望：研究价值观如何退回到预训练数据 38:06 OpenAI 的四个阶段：从学术实验室到部署通用人工智能 社会影响与未来展望 39:45 调和张力：当理论算法真正开始大规模渗透现实生活 41:06 隐忧：财富集中、治理难题与自动化公司的社会契约 42:32 下一代教育：在 AI 时代，什么才是人类不可替代的自主权 🌟 精彩内容 💡 自动化研究员的“实习期”与“转正期” Jakub 明确了 OpenAI 对 AI 能力演进的判断标准。他认为“研究实习生”与“全职研究员”的本质区别在于自主性。目前的模型已经能处理具体的技术想法，但未来的目标是让 AI 能在只接收“解决对齐问题”这种模糊指令的情况下，自主运行数天甚至数月并产出成果。 🛠️ 为什么隐藏“思维链”是安全策略？ 在 O1 等推理模型中，OpenAI 选择不展示详细的推理过程。Jakub 解释这并非单纯为了防范蒸馏，更核心的是为了“解释性”。如果将思维链作为产品展示，就必须对其进行人类偏好的监督（RLHF），这会干扰模型真实的推理逻辑。保持思维链的“私密空间”，有助于研究员通过监控模型真实的动机来确保长期的安全对齐。 🚀 算力分配的“惨痛教训” OpenAI 依然是“缩放定律”（Scaling Laws）的坚定信徒。Jakub 提到，在管理海量算力时，他们会强迫自己将大部分资源投入到“最具扩展性”的方法上，即便这意味着要放弃一些短期内能见效、但无法通向 AGI 的优化方案。这种对“未来路径”的极度专注是其保持领先的秘诀。 💻 科学发现不再是“暴力计算” 针对“AI 只是在用暴力破解数学”的批评，Jakub 并不担心。他认为模型已经展现出比人类更短、更优雅的证明路径。他预测未来不会是 AI 完全取代科学家，而是实验室生态的进化——AI 负责设计高质量实验，人类负责设定方向，双方在 STEM 领域开启协作新范式。 ❤️ 创始人的紧迫感与社会责任 随着模型在编程和数学上取得突破，Jakub 感到了前所未有的紧迫感。他认为社会必须开始思考：当一个由极少数人组成的“自动化公司”拥有改变世界的力量时，治理结构该如何设计？教育应该如何转向培养“设定方向”的能力而非纯技术技能？ 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：CNBC 全新科技播客《Tech Download》首期节目 The Man Behind Google's AI Machine | Demis Hassabis Interview 在这场深度对话中，Google DeepMind 的联合创始人兼 CEO Demis Hassabis 揭秘了 Google 如何在激烈的 AI 竞赛中重回巅峰。作为全球 AI 研究的领军人物，Demis 不仅分享了 Google 内部架构大重组背后的逻辑，还对目前火热的“缩放法则”（Scaling Laws）是否撞墙、大语言模型（LLM）的局限性，以及通往通用人工智能（AGI）的关键钥匙——“世界模型”进行了深度拆解。 你将听到他如何评价中国 AI（如 DeepSeek）的崛起速度，为什么他认为“能源几乎等同于智能”，以及他作为一名“谨慎的乐观主义者”，如何看待 AI 泡沫与人类未来的科学黄金时代。这不仅是一场关于技术的对谈，更是一次关于人类文明进化方向的深刻思考。 👨‍⚕️ 本期嘉宾 Demis Hassabis：Google DeepMind 联合创始人兼 CEO。他曾是国际象棋神童、顶尖游戏设计师（《主题公园》开发者），也是神经科学家。他领导团队开发了 AlphaGo 和 AlphaFold，后者解决了困扰生物学界 50 年的蛋白质折叠难题。他是全球公认的 AI 领域最具影响力的人物之一。 ⏱️ 时间戳 00:00 开场 & 播客简介 Google 的 AI 保卫战 01:58 红色警报：从 ChatGPT 的冲击到 Google 的架构大重组 04:42 豪赌 DeepMind：十年前的 5 亿美元收购，如今价值几何？ 05:41 科学底色：为什么 DeepMind 不只是做消费产品 通往 AGI 的路线图 06:35 缩放法则（Scaling Laws）撞墙了吗？Demis 的最新观察 07:42 “锯齿状智能”：为什么现在的 AI 逻辑依然不稳？ 09:15 世界模型（World Models）：超越文本，让 AI 理解物理世界的因果 10:31 AGI 时间表：为什么 Demis 依然坚持“5 到 10 年”的预判 物理限制与效率革命 10:59 能源即智能：AI 如何反哺核聚变与超导体研发 11:45 模型蒸馏：如何让小模型拥有大模型的“灵魂” 12:39 工业革命 x10：AI 对经济冲击的规模与速度 全球竞争与市场泡沫 19:33 竞技场心态：从下象棋到在 AI 竞赛中“为了竞争而活” 21:11 AI 泡沫论：这会是又一次 2000 年的互联网泡沫吗？ 22:51 对话中国 AI：DeepSeek 与阿里巴巴带来的震撼与差距 23:36 模仿 vs 发明：为什么原创性创新比规模化难 100 倍 DeepMind 的内部运作与未来 24:47 动力舱：DeepMind 如何与 Sundar Pichai 每日同步战略 26:35 杀手级应用：智能眼镜与边缘计算的结合点 28:04 摇滚明星 CEO 的日常：与黄仁勋聊科学，靠玩《英雄联盟》解压 29:44 科学黄金时代：AlphaFold 之后的下一个十年突破 31:48 分发优势：安卓、三星与苹果如何成为 Gemini 的护城河 🌟 精彩内容 💡 能源与智能的等式 Demis 提出了一个深刻的观点：在通往 AGI 的道路上，能源几乎等同于智能。虽然物理限制真实存在，但他认为 AI 是解决能源问题的终极工具，从优化电网到辅助核聚变控制，AI 正在加速能源革命。 🛠️ “世界模型”是 AGI 的最后拼图 他指出大语言模型（LLM）虽然擅长处理文本，但缺乏对物理世界因果关系的理解。未来的突破将来自于 LLM 与“世界模型”的融合，让 AI 具备长期规划能力和在脑中模拟物理实验的能力，从而实现真正的原创性科学发现。 🚀 中国 AI 的追赶速度 Demis 坦言，中国公司（如 DeepSeek 和阿里巴巴）与西方最前沿模型的差距比预想中要小得多，可能仅剩几个月。但他强调，中国团队目前的强项在于快速跟进与工程实现，能否产生像 Transformer 这样的“原创性创新”仍是待解之题。 💻 Google 的“创业公司”回归 面对 OpenAI 等对手的压力，Google 通过整合 DeepMind 和 Google Brain，找回了创业公司的节奏。现在，DeepMind 的最新研究成果（如 Gemini）可以在 24 小时内直接部署到拥有数十亿用户的 Google 产品矩阵中。 ❤️ 谨慎的乐观主义 尽管面临地缘政治竞赛和技术风险，Demis 仍称自己为“谨慎的乐观主义者”。他认为 AI 是人类应对气候变化、人口老龄化和疾病的唯一希望。他坚信只要给科学家和社会足够的时间，人类有能力为这项“历史上最重要的发明”设好护栏。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：CNBC 全新科技播客《Tech Download》首期节目 The Man Behind Google's AI Machine | Demis Hassabis Interview 在这场深度对话中，Google DeepMind 的联合创始人兼 CEO Demis Hassabis 揭秘了 Google 如何在激烈的 AI 竞赛中重回巅峰。作为全球 AI 研究的领军人物，Demis 不仅分享了 Google 内部架构大重组背后的逻辑，还对目前火热的“缩放法则”（Scaling Laws）是否撞墙、大语言模型（LLM）的局限性，以及通往通用人工智能（AGI）的关键钥匙——“世界模型”进行了深度拆解。 你将听到他如何评价中国 AI（如 DeepSeek）的崛起速度，为什么他认为“能源几乎等同于智能”，以及他作为一名“谨慎的乐观主义者”，如何看待 AI 泡沫与人类未来的科学黄金时代。这不仅是一场关于技术的对谈，更是一次关于人类文明进化方向的深刻思考。 👨‍⚕️ 本期嘉宾 Demis Hassabis：Google DeepMind 联合创始人兼 CEO。他曾是国际象棋神童、顶尖游戏设计师（《主题公园》开发者），也是神经科学家。他领导团队开发了 AlphaGo 和 AlphaFold，后者解决了困扰生物学界 50 年的蛋白质折叠难题。他是全球公认的 AI 领域最具影响力的人物之一。 ⏱️ 时间戳 00:00 开场 & 播客简介 Google 的 AI 保卫战 01:58 红色警报：从 ChatGPT 的冲击到 Google 的架构大重组 04:42 豪赌 DeepMind：十年前的 5 亿美元收购，如今价值几何？ 05:41 科学底色：为什么 DeepMind 不只是做消费产品 通往 AGI 的路线图 06:35 缩放法则（Scaling Laws）撞墙了吗？Demis 的最新观察 07:42 “锯齿状智能”：为什么现在的 AI 逻辑依然不稳？ 09:15 世界模型（World Models）：超越文本，让 AI 理解物理世界的因果 10:31 AGI 时间表：为什么 Demis 依然坚持“5 到 10 年”的预判 物理限制与效率革命 10:59 能源即智能：AI 如何反哺核聚变与超导体研发 11:45 模型蒸馏：如何让小模型拥有大模型的“灵魂” 12:39 工业革命 x10：AI 对经济冲击的规模与速度 全球竞争与市场泡沫 19:33 竞技场心态：从下象棋到在 AI 竞赛中“为了竞争而活” 21:11 AI 泡沫论：这会是又一次 2000 年的互联网泡沫吗？ 22:51 对话中国 AI：DeepSeek 与阿里巴巴带来的震撼与差距 23:36 模仿 vs 发明：为什么原创性创新比规模化难 100 倍 DeepMind 的内部运作与未来 24:47 动力舱：DeepMind 如何与 Sundar Pichai 每日同步战略 26:35 杀手级应用：智能眼镜与边缘计算的结合点 28:04 摇滚明星 CEO 的日常：与黄仁勋聊科学，靠玩《英雄联盟》解压 29:44 科学黄金时代：AlphaFold 之后的下一个十年突破 31:48 分发优势：安卓、三星与苹果如何成为 Gemini 的护城河 🌟 精彩内容 💡 能源与智能的等式 Demis 提出了一个深刻的观点：在通往 AGI 的道路上，能源几乎等同于智能。虽然物理限制真实存在，但他认为 AI 是解决能源问题的终极工具，从优化电网到辅助核聚变控制，AI 正在加速能源革命。 🛠️ “世界模型”是 AGI 的最后拼图 他指出大语言模型（LLM）虽然擅长处理文本，但缺乏对物理世界因果关系的理解。未来的突破将来自于 LLM 与“世界模型”的融合，让 AI 具备长期规划能力和在脑中模拟物理实验的能力，从而实现真正的原创性科学发现。 🚀 中国 AI 的追赶速度 Demis 坦言，中国公司（如 DeepSeek 和阿里巴巴）与西方最前沿模型的差距比预想中要小得多，可能仅剩几个月。但他强调，中国团队目前的强项在于快速跟进与工程实现，能否产生像 Transformer 这样的“原创性创新”仍是待解之题。 💻 Google 的“创业公司”回归 面对 OpenAI 等对手的压力，Google 通过整合 DeepMind 和 Google Brain，找回了创业公司的节奏。现在，DeepMind 的最新研究成果（如 Gemini）可以在 24 小时内直接部署到拥有数十亿用户的 Google 产品矩阵中。 ❤️ 谨慎的乐观主义 尽管面临地缘政治竞赛和技术风险，Demis 仍称自己为“谨慎的乐观主义者”。他认为 AI 是人类应对气候变化、人口老龄化和疾病的唯一希望。他坚信只要给科学家和社会足够的时间，人类有能力为这项“历史上最重要的发明”设好护栏。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight