Podcast · 科技
主播 未知 出品 rawCL 科技 · 科技 5,827 订阅 22 集 4天前更新
跨域请求
Harvey AI | Spectre | AI Agent | 法律 AI | 硅谷独角兽 | vibe coding | AI Engineer | Joey Wang | Figma | Uber | 谷歌 | OpenAI | 红杉 | Uber Copter | Gabe Pereyra | 法律 AI 🎧 本期简介 如果 AI Agent 已经能在群聊里接任务、自己写代码、修 bug,甚至主动来催你审代码,工程师的一天在干什么?Joey 的一天:同时推进五到十个项目,每天只花几分钟给每个 Agent 反馈;更多时候,用他的说法,“我成了 AI agent 的 tool call”(好绝的角度,之前完全没想到过)。他是 Agent 觉得“需要人出面了”才叫上的那个人,比如去工位上催同事审代码,或者跟其它公司协调会议。而在最 AI native 的硅谷,两家公司约个会依然要来回协调一周,因为双方的 Agent 都太厉害了,大家都不敢让它们直接对话。 Joey 是美国法律 AI 公司 Harvey AI 的工程负责人。他加入时 Harvey 还不到十个人,现在已经超过一千人;在这之前,他在谷歌、Uber 和 Figma 工作过。现在他负责 Harvey 内部的多人协作云端 Agent 平台 Spectre。这次非常有缘,Joey 从硅谷来上海,受邀在 AI Engineer 大会上做分享,CL 刚好也受主办方邀请参会,由共同好友牵线,我们录了这一期节目。 我们从 Harvey 怎么帮律师干活聊起:保存问答历史、在几千份文件里大海捞针、把上千份合同的关键信息整理成表格。再聊到 Spectre:Agent 接进 Slack 之后,整个团队可以在一个群聊里一起指挥它;PR 审核从逐行看代码,变成看测试证据、思维导图和架构图。也产生了有意思的新时代的副作用:以前是谁提的 PR 谁负责,现在多人共同跟 Agent 做开发,大家都有责任,大家就都无所谓了,“三个和尚没水吃”具象化了;效率提高的同时,工作内容和强度也变高了。Joey 区分了“内卷”和“外卷”,也给出一个自问的办法:多花的时间,是让自己开心,还是让老板开心? 后半段是我对 Joey 好奇的点:是如何用投资人的心态找工作的,为什么可能不止一次押中未来独角兽?最后是他的“小暴论”:一个人闭门 vibe coding 做出来的东西,上限就是自己的视野和品味,很多只是历史长河里浪费的 token。与其重复造轮子,不如汇集更多人的意见,或者把已有的东西做得更好。 🧩 概念解释 人物 * Joey(Joey Wang):本期嘉宾,Harvey 的工程负责人、早期成员,目前负责内部 Agent 平台 Spectre;此前在 Figma 工作四年,更早在 Uber 和谷歌。本次应邀从湾区来上海参加 AI Engineer 大会做分享嘉宾。 * Gabe(Gabe Pereyra):Harvey 联合创始人,AI 研究出身。节目里讲到,他和另一位律师出身的联合创始人原本是室友,两人把用 AI 处理法律工作的 demo 拿给了 OpenAI 的总法律顾问。 公司、产品与服务 * Harvey:面向律所和企业法务的 AI 公司。2026 年 9 月宣布融资 5.5 亿美元,美国按收入排名的百强律所中有 80% 在用它的产品。Joey 把它比作“更适合律师用的 ChatGPT”。 * Spectre:Harvey 内部的多人协作云端 Agent 平台。工程师、PM、设计师可以在网页或 Slack 里给同一个 Agent 派任务、补充信息、查看过程,它会生成代码改动(PR)、照看测试和审核,直到可以合并。 * Vault:Harvey 的文档工作区,Joey 在 Harvey 主导的产品之一。律师可以上传、管理、分享成千上万份文件,并用 AI 跨文件检索提问;数据存在客户那边。类似于一个 Google Drive。 * Review Table:Vault 的配套功能。从上千份文件里逐一提取签约双方、合同金额、终止日期等信息,生成可以排序、筛选的表格。 * Workflow Builder:Harvey 一年多前做的功能,让客户自己定义工作流程。Joey 说,到今年,一段足够详细的 Agent 提示词就能替代它。 * Figma:在线协作设计工具,在浏览器里运行,多人可以同时编辑同一份设计稿。 * Uber Copter:Uber 推出的直升机出行服务,从曼哈顿飞往肯尼迪机场(JFK)。Joey 在 Uber 时参与过飞行员使用的 App。 * OpenAI / 红杉资本:Harvey 的早期投资方。节目里说 OpenAI 领投了 Harvey 最早的一轮。 * Claude Code、Codex、Claude Cowork、Cursor、GitHub Copilot:常见的 AI 编程和办公工具。Copilot 和早期 Cursor 主要做代码补全(Tab completion),就是在你写代码时自动续写下一段(猜你喜欢)。 * Slack / Linear:Slack 是欧美公司常用的工作聊天软件;Linear 是项目和任务管理工具,一个任务叫一张 ticket,同类的产品还有 Jira。 * Reducto、turbopuffer、Exa、You.com、Parallel:节目里举例的外部服务商。Reducto 做文档解析,turbopuffer 做向量数据库,Exa、You.com、Parallel 为 AI 提供联网搜索等服务,Harvey 最后选了 Parallel。 * AI Engineer 大会(AIE):面向 AI 工程师的技术大会,2026 年在上海办了一场,Joey 是演讲嘉宾。 技术与用语 * Agent(智能体):能自己拆解任务、调用工具、连续执行多步操作的 AI,而不只是一问一答。云端 Agent 跑在服务器上,不依赖某个人的电脑,可以几小时甚至几个月持续工作。 * Subagent(子智能体):主 Agent 把任务拆开后,分派给其他 Agent 去执行的分身。 * Tool call(工具调用):Agent 在执行任务时调用某个外部工具。Joey 自嘲自己变成了 Agent 的一次 tool call:Agent 觉得需要人出面时,就轮到他。 * PR / Commit / Merge:程序员协作的基本单位。Commit 是一次代码提交;PR(Pull Request)是请同事审核、并入主代码的一组改动;Merge 指审核通过后并入。 * Code review(代码审核):同事检查你的 PR,确认没问题才能合并。 * Git / GitHub / git blame:Git 是在本地管理代码版本的工具,GitHub 是基于 Git 的多人协作平台。git blame 可以查出每一行代码是谁、在哪次提交里写的。 * CI:持续集成。每次提交代码后自动跑测试、检查,CI 失败通常意味着代码有问题。 * Babysit:本义是“看孩子”。这里指 Spectre 替人盯着一个 PR,修掉测试失败、处理其他 Agent 的审核意见,直到可以合并。 * Plan Mode:一些 AI 编程工具的功能,先让 AI 写出执行计划,确认后再动手改代码。 * Compaction(上下文压缩):对话太长时,把之前的内容压缩成摘要,好让 AI 继续工作。Joey 说早年自己就是那个人肉“压缩算法”。 * Artifact / User journey:Artifact 指 PR 附带的“证据”,比如测试结果、架构图、思维导图;User journey 是用户使用路径,比如“以前不能做这件事,现在可以了”。 * 端到端测试(end-to-end test):从用户实际操作出发,把整个产品流程走一遍的测试。 * PLG(Product-Led Growth):产品驱动增长,靠产品本身好用来吸引用户、自然扩散,而不是先拿到客户需求再定制。 * PMF(Product-Market Fit):产品市场匹配,指产品已经被大量用户真正需要和使用。post-PMF 就是过了这一步、进入扩张阶段的公司。 * IC(Individual Contributor):不带团队、自己做具体工作的一线员工,与管理者相对。 * Founding Engineer:创业公司最早期的工程师,通常什么都要做。 * Needle in a haystack(大海捞针):在海量资料里找到一条特定信息。 * First draft:初稿。律师常用模板生成初稿,再在此基础上修改。 * Vendor / procurement / buy vs build:Vendor 是外部服务商;procurement 是公司的采购流程,常要经过法务和安全审核;buy vs build 指一项能力是买现成的服务,还是自己开发。 * On call:值班待命,系统出问题时有人能马上处理。 * Deprecate:停止使用、下线某个旧版本,比如节目里提到的旧模型 GPT-4.1。 * Loose end:没收尾的事。这里指开了很多让 Agent 做的方向,但没有收敛进最终产品。 * 内卷 / 外卷:Joey 用“外卷”指向外解决新问题、自己有意愿多做的那种忙,和互相消耗的内卷相对。 * Bro culture / brilliant jerk:Bro culture 指硅谷一些公司里那种兄弟会式、张扬的男性化氛围;brilliant jerk 指能力很强、但待人傲慢难相处的人。 * 天使投资:在公司非常早期时投入资金。Joey 说在硅谷一两千美元就能投,更多是和创业者保持关系、提供建议。 * Vibe coding:用自然语言描述想要什么,让 AI 写出程序,自己不太看代码。 * Token:大模型处理文字的基本单位,也是 AI 用量的计费单位。“浪费的 token”指花了算力、却没有产生价值的产出。 * Build in public:公开构建,把做产品的过程、进展和问题公开分享,邀请别人一起参与。 ⏱️ 章节时间戳 开场 00:00 金句预告 01:02 CL 开场:介绍 Harvey 工程负责人 Joey、这次录制的缘分,以及本期聊到的几组矛盾 第一部分:Harvey 和 Joey 的来路 02:54 Joey 的履历和 Harvey 的体量:2026 年 9 月融资 5.5 亿美元,美国百强律所里八成在用 03:48 Harvey 能帮律师做什么:管理公开法规和客户私有资料,按模板生成初稿,多人接力修改并保留记录 05:40 为什么不直接用 Claude 或 Codex?区别在多人共享,就像从本地 Git 到 GitHub、从本地文件夹到 Dropbox 06:33 Joey 在 Figma 的四年:什么是产品驱动增长(PLG),为什么 Figma 早期有很多做游戏引擎的工程师 08:48 2023 年 Joey 在 Figma 试过用 GPT 生成幻灯片,觉得那时的 AI 还不够聪明,于是看好法律、金融这类愿意为 AI 付费的行业 10:34 Harvey 怎么起步:两位室友创始人把法律 AI 的 demo 拿给 OpenAI 的总法律顾问,后来 OpenAI 领投了第一轮 11:45 最早的 Harvey 一问一答、刷新就没:律师不愿意让公司存数据,Joey 的第一个项目是做历史记录 12:58 Joey 加入时公司只有几个人,没有 PM 和设计师,用 Cursor 的代码补全快速做原型、找客户试 13:56 一个月做出 Vault:律师版的 Google Drive,在几千份文件里大海捞针;律师的很多工作其实是翻报销单、查邮件往来 16:04 Vault 的数据存在客户那边;当年的 AI 编程还做不到一句话写出整个产品,用代码补全接受率考核员工如今看来很离谱 18:09 Review Table:从上千份合同里提取签约方、金额、终止日期,做成可以排序筛选的表格 18:48 先由人把流程想清楚,只把不确定的部分交给 AI:工程化做好之后,Harvey 到今年才把 GPT-4.1 下线 20:26 Joey 从 Vault 团队经理回到一线工程师;一年多前做的 Workflow Builder,今年一段 Agent 提示词就能替代 21:17 模型迭代这么快,是不是学得够慢就不用学?Joey:旧方法仍能补上最后 5% 第二部分:Spectre,在群聊里一起指挥 Agent 21:57 Spectre 的由来:把 PR 交给同事时,你跟 AI 说过什么、做没做计划和测试,这些上下文都丢了 23:12 Spectre 接进 Slack 后,整个团队在一个群聊里指挥同一个 Agent,还能让它把改动部署到共享的测试环境 24:46 副作用:交给 AI 的事情容易被忘掉;多人共用一个 Agent,变成“三个和尚没水吃”,大家都有责任,于是大家都无所谓 25:36 Harvey 的规矩:谁发起改动,谁就是这个 PR 的负责人,一两天没动静就让机器人去催 26:40 PM 也用 Spectre 提 PR,却不熟悉合并流程:一键找合适的审核人;长期还要让系统判断哪些低风险改动可以直接上线 28:18 最大的问题是收不了尾:开了太多让 Agent 做的方向,结果没有收敛进最终产品 28:55 AI 写代码太快,需求文档和测试都看不过来,怎么不失控?Joey 把给律师做 Review Table 的思路搬到了代码审核 30:43 最高效的员工每周有几百个 PR 上线:审核从逐行看代码,变成看测试证据、架构图和用户路径 31:44 写代码已经不是瓶颈,接下来的瓶颈是验证和理解架构;人的审核记录还能用来训练 AI 判断 PR 能不能合并 33:46 先审自己的 PR:每一行代码都能追溯到 Spectre 里的一轮对话,就像律师要知道每句话的出处 第三部分:Joey 和 Agent 的一天 36:14 Joey 的一天:他的 Agent 没有上下班,有的已经跑了好几个月;例子是让 Harvey 的律师能用上浏览器 37:55 挑外部服务商:质量之外,更看企业级功能、能不能撑住数据规模、出了问题能不能十分钟内有人响应 39:29 买还是自己做:买要做调研、拉安全团队对接;自己做就让 Agent 通宵做原型,Joey 第二天测试、每天花几分钟反馈 41:35 同时推进五到十个项目,Agent 每天自动看客户反馈、修 bug、提 PR;去催同事审核仍是 Joey 自己的活 42:31 “我变成了 Agent 的一次工具调用”:Agent 觉得需要人出面时,就轮到 Joey 42:45 最 AI native 的硅谷,两家公司排个会要协调一周:双方 Agent 都太厉害,反而不能让它们直接对话 第四部分:效率更高,人更卷了? 43:44 效率这么高,人反而更卷更累了吗?Joey:效率提高了、工作时间没减少,是很多硅谷工程师的共识 44:46 有人早九晚九,有人下班连 Slack 都不装:大家彼此尊重对工作的不同态度 45:39 “内卷”还是“外卷”:在相信愿景的创业公司,想推一件事不用再申请人手和经费,交给 Agent 就行 46:48 如果觉得自己在“外卷”,先问问:多花的时间是让自己开心,还是让老板开心? 第五部分:用投资人的眼光挑工作 47:40 Joey 为什么用投资人的眼光挑工作:想不断尝试新东西,大厂给不了空间,只能找已经找到 PMF 的创业公司 49:42 当年怎么看中 Figma:Uber 时期很欣赏的产品负责人去了 Figma,面试时遇到的每个人都想一起共事 51:42 为什么选 Harvey:律师软件几十年没变过;创始团队谦逊、聪明、凝聚力强,不是 bro culture 或 brilliant jerk 53:30 愿意 24/7 一起工作的创始人:就算公司没成,交到战友也值得;能拿到 OpenAI 和红杉的早期投资,也说明他们的能力 55:12 Joey 做天使投资:在硅谷一两千美元就能投,重点是和年轻创业者保持联系、提供建议 58:20 投资回报不是重点:Joey 更想看早期公司怎么成长,攒下招人和跨越发展阶段的经验 59:18 很多工程师以为埋头苦干就够了;Joey 认为瓶颈往往不在技术,而在能不能在公司和行业里发挥自己的价值 第六部分:被浪费的 token 01:01:04 Joey 的“小暴论”:很多 vibe coding 做出来的东西,是历史长河里浪费的 token 01:01:31 一个人的视野和品味有限:要集中客户、PM、设计、数据等多方输入,做完还要请别人试用、公开分享 01:04:11 先找到真实的需求;工程上与其重写一个只是略有不同的库,不如把现有的库做强 01:04:57 最大的障碍是 ego:Joey 做 Spectre 是因为没人做,还主动交给 PM、设计、基础设施和安全团队一起改进 01:06:08 在公司内部 build in public:承认自己不懂、请别人帮忙,并不是坏事 结尾 01:06:31 今天没聊完的问题,下次再把“考场”拉回跨域请求 📚 参考资料 Harvey 与 Spectre * Harvey 官方博客:Building Spectre, an internal collaborative cloud agent platform * Harvey 官方公告:融资 5.5 亿美元,估值 155 亿美元(2026-09) * Harvey 产品页:Vault * Harvey 客户页面 关于 Joey * AI Engineer 上海 2026:Joey Wang 嘉宾页(演讲:Harvey 内部的上万次 Agent PR) * The First Commit 专访:Building Harvey: Trust is the Product * Figma 官方博客:Inside Figma: how Figma engineering uses FigJam to scale 💬 一起同行 欢迎加入听友群~ 加微信 "cliu21",备注“听友”。 群里会分享我自己和大家在用的 AI 工作流和资讯,希望能让AI 真正解决大家的问题。 也欢迎来聊天、吐槽、给节目提建议。
68 分钟 99+ 次播放 4天前
技术退化 | 金酒半杯串台 | 古法编程 | Claude Code | desirable difficulty | 3Blue1Brown | Jonathan Blow 吹哥 | 沉星之序 | LLMs can't jump | 溯因推理 | 爱因斯坦 | 登月 | F-1 发动机 | 比特翻转 | 刘胜与 🎧 本期简介 某一天公司内网出了故障,Claude Code、Cursor 这些 AI 编程工具全都用不了。程序员们写代码写得磕磕绊绊,最后干脆一起挤到茶水间,“像一群需要钻木取火的现代人”。CL 也有过类似的经历:新模型刚出来时用得太猛,一两天就把额度用光了,等额度的时候才发现自己不会干活了,电脑里连代码编辑器都没装。AI 让我们更能干,也让我们越来越离不开它。如果每个人都在不知不觉中丢掉一点能力,整个社会会不会出现技术退步? 这是《跨域请求》和《朗姆酒瓶》《金酒半杯》两位主播 Rum、Gin 的串台。这个问题的起点,是《金酒半杯》聊《沉星之序》的那期节目:游戏设计师 Jonathan Blow(人称“吹哥”)十多年前在一次采访里谈到了技术退步和文明衰落。 我们先从教育聊起。学生用 AI 把作业做到满分,到了考试却问题百出;金酒半杯家五岁的孩子遇到问题,已经会说“你们去帮我问一下 AI”。学习被 AI 变得太丝滑,那些卡住、反复试错、睡一觉突然想通的 Aha moment 正在消失。可是困难本身并不值得追求,关键是这个困难对学习者有没有益处。我们聊了 AI 能怎样帮每个人量身设计难度梯度,聊了吹哥的游戏怎样不靠教程就让玩家自己摸清规则,设定简单但是同样上头(中间聊游戏聊飞了,快进掉了),也聊了 3Blue1Brown 的作者 Grant Sanderson 的观点:今天的老师,要做一个好的策展人。 所以:AI 自己有创造力吗?人类可以只保留创造力吗?Google DeepMind 的一篇 ICML 论文认为,大模型已经很擅长归纳和演绎,缺的是“溯因”,也就是凭空提出一个前所未有的假设。CL 借论文里的案例,讲了爱因斯坦怎样从“一个自由落体的人”出发,经过封闭电梯里的思想实验,推出光在引力场中会拐弯,最后由日全食观测验证了猜想。 最后把视角放大到整个系统。AI 正在虹吸全世界的人才和资金,会不会有一些非常有潜力的研究方向,因为得不到资源而永远失去了被发现的可能性?而今天的 AI 底座技术,神经网络,本身就是一个很好的例子!因为它曾是被冷落了几十年的“旁门左道”。人类在 1969 年登上月球,今天想重返月球却困难重重,因为当年靠上千次试验攒下的经验,随着生产线关闭和工程师退休一起消失了。AI agent 帮我们绕过了依赖冲突,冲突本身却还埋在底下;当年 Jeff Dean 排查谷歌索引故障时怀疑到硬件头上,AI 会想到这一步吗?节目在意义感的问题上收尾:一位身处 AI 浪潮中心的研究者朋友感到疲惫和迷茫,DeepSeek 的算子工程师刘胜与则担心,“静心写上一下午算子的清欢”可能就要成为绝唱。 🧩 概念解释 提到的播客 * 《金酒半杯》:EP002.《沉星之序》与 Jonathan Blow:游戏、知识与正在熄灭的星(本期话题的起点) * 《朗姆酒瓶》:EP12.寻找张伟:关于卷积神经网络一段不为人知的往事 * 《机核游戏频道》:关于游戏的信仰-Jonathan blow的创作哲学(重轻老师讲吹哥的那期) 人物与节目 * 《朗姆酒瓶》 / 《金酒半杯》:Rum(朗姆)和 Gin 一起主持的两档播客。 * 张伟:《朗姆酒瓶》EP12《寻找张伟》的主角,和卷积神经网络和反向传播的早期研究者,甚至他的发现早于在这个领域更有名的杨立昆。 * Jonathan Blow(吹哥):独立游戏设计师,代表作有 Braid(《时空幻境》)、The Witness(《见证者》),新作是《沉星之序》。他十多年前在一次采访中谈到技术退步和文明衰落,这是本期话题的起点。 * Grant Sanderson / 3Blue1Brown(三蓝一棕):Grant Sanderson 是数学科普频道 3Blue1Brown 的作者,用动画讲解微积分、线性代数、神经网络等内容,很多大学老师会直接把他的视频放进课程材料。本期引用了他的观点:老师要做一个好的策展人。 * 孙宇晨(孙哥)/ 邵艾伦:孙宇晨在邵艾伦一场四个多小时的采访里说,人人都可以进入数学领域、人人都能拿诺奖。 * Tom Zahavy:Google DeepMind 研究员,ICML 2026 立场论文《Position: LLMs can't jump》的作者,本期关于 AI 创造力的讨论就围绕这篇论文展开。 * 爱因斯坦:本期讲他发展广义相对论的经过。他把“一个人从高处自由落下时感觉不到自己的重量”称为一生中最快乐的想法,这个念头最后引出了等效原理和光线弯曲。 * Geoffrey Hinton(杰弗里·辛顿):神经网络被冷落的几十年里一直坚持研究的学者之一,2012 年和学生用 AlexNet 赢得 ImageNet 比赛。本期还提到他转述的一次经历:AI 告诉他,堆肥本质上和核裂变一样是链式反应。 * 杨立昆(Yann LeCun):和 Hinton 一样,在神经网络被冷落的年代坚持研究的学者之一。 * Marvin Minsky(马文·明斯基):人工智能先驱,1969 年出版的《感知机》(Perceptrons)分析了当时神经网络的局限,此后这一方向长期遇冷。 * 李飞飞:斯坦福大学教授,主导建立了大型图像数据集 ImageNet 和相关比赛,为神经网络在 2012 年的突破提供了数据基础。 * Jeff Dean / Sanjay Ghemawat:谷歌早期的两位传奇工程师。谷歌刚创业时搜索索引出了问题,两人一路排查到硬件层面,发现了比特翻转。 * 刘胜与(intlsy):DeepSeek 的算子工程师,文章《我不得不把才华埋葬在昨天》的作者。本期两次提到这篇文章:一次讲大学生做作业时用不用 AI 的两难,一次讲写算子的乐趣正在消失。 * 晓婷:《小孩发射计划》主播,CL 的好友,《跨域请求》EP4 的嘉宾。也和金酒半杯讨论过这个话题。当时她觉得大家有点杞人忧天:新技术出现时总有人担心退化,但人类总能适应。 游戏 * 《沉星之序》(Order of the Sinking Star):Jonathan Blow 的新作解谜游戏。本期用它讨论难度梯度和“不靠教程也能让人学会”的关卡设计。 * Braid(《时空幻境》):Jonathan Blow 早年的解谜游戏,把“时间可以倒流、流速可以不均匀”做成了游戏机制。本期拿它的设计思路和爱因斯坦的思想实验作对比。 技术与用语 * Vibe Coding / Agentic Coding:用自然语言描述需求,让 AI 或 AI agent 自己写代码、调试、跑通程序;auto mode 指让 agent 自动执行,人只看它最后的总结。 * 古法编程:网络戏称,指不借助 AI、自己一行行写代码。 * 有益的困难(Desirable Difficulty):学习心理学里的概念,指学习时适度的困难反而能让理解和记忆更牢固;本期强调,关键是这个困难对学习者有益,不是越难越好。 * 反向传播 / 链式法则:训练神经网络的基本方法。先算出预测和真实结果之间的误差,再用微积分里的链式法则从输出层一层层往回算出每个参数该怎么调,反复迭代,让误差越来越小。 * 归纳、演绎、溯因(Abduction):归纳是从大量数据里总结规律,演绎是从已有公理推出结论,溯因是为解释现象提出一个全新的假设。论文认为大模型擅长前两种,缺的是第三种。 * 等效原理:在封闭的电梯里,人无法分辨自己是在地面上静止,还是在太空中加速上升。爱因斯坦由此推断,引力和加速度的效果是一样的。 * 祝融星(Vulcan):19 世纪天文学家为解释水星轨道的偏差而假设的一颗行星,后来被证明并不存在。本期用它说明:遇到解释不了的 bug,人们更常见的做法是打个补丁,而不是像爱因斯坦那样提出全新的框架。 * 比特翻转(Bit Flip):计算机里存储的 0 意外变成 1,或 1 变成 0;宇宙射线、硬件老化都可能造成这种错误,程序逻辑没错,结果也可能出错。 * RSI(递归自我改进):让 AI 参与训练和改进下一代 AI。本期金酒半杯提到自己做的小型 RSI 实验:AI 一旦找到看似有潜力的方向,就容易陷入其中,像掉进一个“吸引子”。 * 范式转换:科学哲学家库恩提出的概念,指科学界整体换掉原来的理论框架,比如从牛顿力学到相对论。本期认为,AI 擅长在现有范式里优化,还没有表现出推动范式转换的能力。 * 感知机 / SVM / ImageNet / AlexNet:感知机是最早的单层神经网络;SVM(支持向量机)是神经网络遇冷时期更受欢迎的一类机器学习方法,数学上更优雅、结果也更有保障;ImageNet 是大型图像识别数据集及其比赛;AlexNet 是 2012 年在比赛中大幅领先、让神经网络重新受到重视的模型。 * F-1 发动机 / 土星五号:土星五号是把阿波罗宇航员送上月球的运载火箭,F-1 是它第一级使用的发动机。2013 年,NASA 工程师重新对留存的 F-1 发动机部件做点火测试,想弄清楚当年是怎么造出来的。 * 隐性知识:只能在实践中积累、很难完整写进文档的经验。本期认为,这正是登月技术失传的原因。 * 屎山雕花:网络戏称,在本来就混乱的代码(“屎山”)上继续做精细修饰,底下的问题却没有解决。 🔁 提到的往期节目 * 15. 🍾串台朗姆:硅谷AI CEO的不正经人格图鉴大赏 * 19.💻行走的Google技术史Jeff Dean:传奇程序员的告别与远征 * 20.☢️AI时代的奥本海默困境:明知可能毁灭人类,为何还要继续 ⏱️ 章节时间戳 开场 00:03 CL 开场:这期请来《朗姆酒瓶》和《金酒半杯》的两位主播 Rum 和 Gin,一起聊 AI 时代的技术退步 00:52 跨域请求和金酒半杯再次串台:从 Jonathan Blow 谈技术退步的采访说起,AI 让每个人更能干,会不会也让整个社会的技术退步? 02:23 公司内网故障,AI 编程工具全挂,程序员只能聚在茶水间;CL 用光额度后才发现自己不会干活,电脑里连代码编辑器都没有 04:07 不爱动脑子:查天气这种十几秒的小事也下意识去问 AI,已经形成了路径依赖 第一部分:AI 越帮越多,人还跟得上吗 05:45 用 agent 做了一个月的项目,自己已经说不清它是怎么运作的:以播客 agent 为例,一条条看似合理的规则如何叠成互相冲突的屎山 08:31 是人的记忆不够长,还是 AI 产出太快、人消化不过来?遇到这种情况,我们也会怀疑是不是自己不会用 AI 10:24 用 AI 做原型只要两三个晚上,做成可以长期维护的产品却越来越没耐心,电脑里攒了一堆原型 第二部分:AI 时代的教育 11:15 我们经历过前 AI 时代,现在的大学生呢?刘胜与文章里的作业难题:自己苦做拿不到满分,交给 AI 几分钟就满分 13:46 金酒半杯在大学修编程课:五位老师对 AI 的态度从鼓励到禁止,各不相同;MIT 的报告说靠检测禁用 AI 行不通 14:58 AI 原生的一代:五岁的孩子听 ChatGPT 讲睡前故事,遇到问题说“你们去问 AI”,AI 能耐心回答所有“为什么” 16:50 顶尖大学的学生作业表现变好、考试却一塌糊涂:AI 把学习变得太丝滑,卡住之后想通的“啊哈时刻”没了 18:52 什么是“有益的困难”:一门贝叶斯统计课如何重塑了一个人看问题的方式 20:41 困难本身不是目的:AI 可以为每个学生定制刚好够得着的难度梯度,就像刷题时只挑比自己难一点的题 23:36 教育和效率是两码事:效率要的是直接拿到结果,学习却要一点点留在脑子里,比如背书后睡一觉再复盘 第三部分:老师要怎么教 25:00 老师到底该怎么教?先从吹哥的游戏说起:它故意让玩家多吃点苦头,金酒半杯和 CL 都在玩《沉星之序》(打到哪一关的讨论已快进) 25:58 教的内容要从“知识清单”变成“知识骨架”:模型年年变,反向传播背后的链式法则却能迁移到很多地方 27:50 能不能把反向传播做成一关关的游戏?金酒半杯设计中的齿轮原型:不先讲公式,先让学生玩出直觉 29:34 3Blue1Brown 的 Grant Sanderson 说,AI 时代的老师要做好策展人:从海量资料里选什么、按什么顺序讲出一条线 33:18 AI 攻破数学难题之后,Grant Sanderson 出视频谈数学爱好者该怎么用好 AI;孙宇晨也说人人都能拿诺奖 34:29 《沉星之序》也是一种策展:不设新手村,规则简单却设计精妙,解开谜题时的啊哈时刻不同于刷短视频的多巴胺 39:01 鼓励学生大量用 AI 做项目,但验收要改成当面展示和答辩;学生自己也要学会策展 40:49 希望孩子保留好奇心和创造力;晓婷曾觉得我们杞人忧天,人类总能适应新技术,而 AI 也还碰不到嗅觉、触觉这些具身体验 第四部分:AI 有没有创造力 42:26 论文《Position: LLMs can't jump》:大模型已经擅长归纳和演绎,缺的是提出全新假设的“溯因” 44:57 爱因斯坦“一生中最快乐的想法”:从一个自由落体的人,到封闭电梯里的四个思想实验,推出等效原理 49:32 从电梯里的一束激光推出光会在引力场中弯曲,再到 1919 年日全食时观测星光的偏移来验证 52:39 这一整套推理的起点无法从过去的经验推导出来,这就是 AI 还做不到的“溯因” 53:22 反方意见:AI 告诉 Hinton,堆肥和核裂变一样是链式反应,AI 也许能做到小小的跳跃 54:17 吹哥设计 Braid 的思路像爱因斯坦的思想实验:现在 AI 做不出这样的游戏,十年后呢? 55:16 “把知识交给 AI,人只保留创造力”是空中楼阁:创造力是知识积累过程中附带的奖励 57:08 金酒半杯的小型 RSI 实验:AI 一旦找到有潜力的方向就停不下来,很难跳出现有范式 第五部分:资源虹吸与技术失传 58:03 AI 虹吸全社会的资源,不成熟的探索方向可能就此被淘汰;OpenAI 测试中的大批 AI 智能体入侵 Hugging Face,是跳出了框框,还是掉进了更大的吸引子? 01:00:39 最好的例子就是 AI 自己:神经网络 1943 年就被提出,1969 年《感知机》之后长期遇冷 01:02:19 金酒半杯讲解反向传播:多层神经网络怎样根据误差一层层调整权重 01:04:15 神经网络被 SVM 压过的年代,Hinton、杨立昆等少数人坚持下来,直到 2012 年 AlexNet 在 ImageNet 比赛中大幅领先 01:06:34 今天会不会也有方向处在当年神经网络的位置?毕达哥拉斯学派与根号二:科技树点错了,可能就再也回不去 01:08:33 登月技术为什么失传:1972 年阿波罗计划结束后,人类半个多世纪没再登月;2013 年 NASA 工程师重新给 F-1 发动机点火测试 01:10:45 当年靠上千次试验找到的工程方案是隐性知识,生产线关闭、工程师退休之后,整套能力就没了 01:11:29 回到 AI:agent 一个晚上就把程序跑通,可依赖冲突只是被绕了过去,我们正在一个光滑的表面上滑行 01:13:07 论文里的水星轨道:19 世纪的科学家假设存在祝融星来打补丁,爱因斯坦却提出了新框架;AI agent 大概率也只会打补丁 01:15:19 谷歌早期的索引故障:Jeff Dean 和 Sanjay 怀疑到硬件头上,发现了比特翻转,再用软件兜底;AI 会这样想吗? 结尾:人的意义感 01:18:35 比技术退步更让人在意的,是 AI 时代人的意义感:一位前沿 AI 研究者朋友对自己能否写得比 AI 好失去了信心,也被高频的新消息弄得疲惫不堪 01:21:12 越靠近 AI 风暴中心,感受到的冲击越大:数学家道心破碎,刘胜与写下“静心写一下午算子的清欢”可能成为绝唱 01:23:24 CL 收尾:别让“反正有 AI”变成习惯,给自己留一点磕磕绊绊的时间;留给评论区的问题:有什么事以前自己能做,现在离开 AI 反而不会了? 📚 参考资料 AI 与创造力 * Tom Zahavy:Position: LLMs can't jump(ICML 2026,PMLR) * John D. Norton:Einstein's pathway to general relativity 教育 * 刘胜与:我不得不把才华埋葬在昨天 * 刘胜与:《我不得不把才华埋葬在昨天》补充说明 * 3Blue1Brown 官网 神经网络的冷门年代 * CIFAR:Our story(加拿大高等研究院长期资助神经网络研究的历史) * Geoffrey Hinton 个人简介(多伦多大学) 登月技术 * 洒家君泽:登月技术,为什么消失了半个多世纪? * AP:NASA 重新测试阿波罗 11 号的 F-1 发动机(2013-01) * The Space Review:Burning thunder(F-1 发动机燃烧不稳定问题的攻关) * Wikipedia:Rocketdyne F-1 🖼️ 配图 [爱因斯坦思考电梯思想实验:地面上静止和太空中加速上升的电梯里,小球都落向地板] 图 1|电梯里的等效原理:左边是停在地球上的电梯,右边是在太空中以 g 向上加速的电梯,电梯里的人分不出自己在哪一边。这是论文《Position: LLMs can't jump》的插图(论文注明由 AI 生成),对应节目里 CL 讲的电梯思想实验。来源:Tom Zahavy, Position: LLMs can't jump(PMLR)。 [1919 年日全食的照相底片,太阳周围用短横线标出了恒星位置] 图 2|1919 年 5 月 29 日日全食:观测队在巴西索布拉尔拍下的底片,日冕周围的短横线标出了背景恒星的位置。比较这些星星和平时的位置,就能测出星光经过太阳附近时偏折了多少。来源:F. W. Dyson, A. S. Eddington, C. Davidson(1920),经 Wikimedia Commons。 [NASA 马歇尔航天中心试验台上,F-1 发动机燃气发生器点火喷出火焰] 图 3|2013 年重新点火的 F-1:NASA 马歇尔航天中心在 2013 年 2 月 14 日试车的 F-1 发动机燃气发生器。当年的图纸和实物都还在,工程师仍要把部件拿出来重新点火测试,才能弄清它到底是怎么工作的。来源:NASA Image and Video Library。 💬 一起同行 欢迎加入听友群~ 加微信 "cliu21",备注“听友”。 群里会分享我自己和大家在用的 AI 工作流和资讯,希望能让AI 真正解决大家的问题。 也欢迎来聊天、吐槽、给节目提建议。
84 分钟 1k+ 次播放 2周前
AI 末日论 | AI 减速 | Jacob Coxon | Hugging Face 入侵事件 | Dario Amodei | 黄仁勋 | METR | 监管俘获 | 纳维-斯托克斯 | 陶哲轩 | DeepSeek 算子 | Sam Altman | 马斯克 | Hinton | All-In Podcast | 千禧年难题 | 开放安全 AI 联盟 | RSI 递归自进化 | 智谱 GLM | 我不得不把才华埋葬在昨天 🎧 本期简介 伦敦一场上千人参加的 AI 展望会上,一位听众突然站上凳子,打断了台上嘉宾的分享:AI 有 10% 的概率在十年内杀死所有人,我们当中有谁对这件事有发言权?你们真的觉得,这就是我们愿意被带进去的世界吗?保安已经走过来准备请她离场,现场却响起了掌声。 “10% 的概率”是从哪儿来的?9 月 8 日,OpenAI 宣布用一万多个 AI 智能体、88 个小时,解出了千禧年难题之一的纳维-斯托克斯问题。几个小时后,在 OpenAI 和 Anthropic 都做过预训练研究的 Jacob Coxon 发帖宣布辞职,说造 AI 的这些人真心相信,AI 可能在这个十年内让人类灭绝。Anthropic 对齐团队负责人 Evan Hubinger 转发附和,Hinton 也说 10% 这个数字并不离谱。再往前,7 月 OpenAI 内部测试中的几百个智能体,为了找到测试答案,入侵了 Hugging Face 的服务器;事后分析攻击日志时,Claude 拒绝帮忙,最后是国产开源模型 GLM 帮着收拾了残局。 都这样了,为什么还不慢下来?Anthropic CEO 达里奥(Dario Amodei)发博客呼吁控制前沿 AI 的发展节奏,奥特曼和马斯克罕见地一起点头。可没过几天风向就变了:David Sacks 说你们真觉得危险,现在就可以自己停;马斯克留言说“seems like a setup”;黄仁勋在 All-In 大会的台上接到特朗普的电话,第二天又在 Dreamforce 上说,安全是个工程问题,出了问题自己解决,不要拉着全行业减速。我们顺着这些争论,看看第三方评估机构 METR 的调查是否真的客观中立,OpenAI 为什么说今年不上市了,正在冲刺 IPO 的 Anthropic 又为什么被怀疑在搞“监管俘获”。 公司和 CEO 们在吵,代价却已经落到具体的人身上。研究同一方向的数学家,眼看 OpenAI 用很相似的方法抢先公布结果,还卷进了一场署名风波;二十多位菲尔兹奖得主联名发声之后,OpenAI 又一口气放出 700 多篇数学论文。DeepSeek 的算子工程师刘胜与(intlsy)写下《我不得不把才华埋葬在昨天》:他明知道自己的算子写得越好,新模型就进步越快,自己也越早被取代,却还是想把它写到最好。 🧩 概念解释 人物 * Jacob Coxon:曾在 OpenAI 和 Anthropic 做大模型预训练研究,9 月 8 日从 Anthropic 辞职,并连发多条帖子,指责两家公司拿人类的性命做赌注;本期的故事从他说起。 * Evan Hubinger:Anthropic AI 对齐团队的负责人,转发 Coxon 的帖子并表示,他个人认为未来十年内 AI 灭绝人类的概率超过 10%。 * Geoffrey Hinton(杰弗里·辛顿):研究神经网络几十年的学者,图灵奖得主,2023 年从谷歌辞职,以便更自由地谈论 AI 风险;本期提到他 9 月接受 BBC《Newsnight》和澳大利亚 ABC 电台采访时的判断。 * Dario Amodei(达里奥):Anthropic 联合创始人兼 CEO,早年参与过 OpenAI 的 GPT-2、GPT-3 研发;9 月发表博客 We Must Pace the Frontier,呼吁控制 AI 的发展节奏。 * Sam Altman(山姆·奥特曼):OpenAI CEO;转发支持达里奥的减速文章,之后在《财富》杂志的采访中说 OpenAI 2026 年不上市。 * Elon Musk(马斯克):SpaceX CEO;先附和说“达里奥是对的”,后来又在质疑 Coxon 的帖子下留言“seems like a setup”。 * 黄仁勋(老黄):英伟达 CEO;反对全行业一起减速,认为安全是工程问题,并牵头成立了开放安全 AI 联盟。 * 特朗普(川普):美国总统;在 All-In 大会上给台上的黄仁勋打电话,说 AI 末日论那一套是骗局。 * David Sacks:PayPal 早期创始团队成员,曾任白宫 AI 事务负责人,也是 All-In Podcast 的主持人之一;“想停现在就可以停”“仓鼠轮”“监管俘获”这几个说法都来自他。 * Jason / Chamath / Friedberg:All-In Podcast 的另外三位主持人 Jason Calacanis、Chamath Palihapitiya、David Friedberg;本期提到他们讨论黄仁勋那通电话是不是提前安排的,以及假如自己是 Anthropic 董事会,要不要换掉达里奥。 * Joe Benton:Anthropic 前 AI 安全研究员,离职后不久加入 METR,被网友拿来质疑评估机构是否独立。 * Jaan Tallinn:Skype 联合创始人,2021 年领投 Anthropic 的第一轮大融资,同时通过自己的基金会资助了包括 METR 在内的 AI 风险研究机构。 * Aidan Gomez:模型公司 Cohere 的 CEO,质疑由领先公司主导制定的安全规则,最后会变成其他公司进入市场的门槛。 * Tristan Buckmaster:纽约大学数学教授,研究流体方程;公开了自己与 OpenAI 在纳维-斯托克斯问题上的研究路线争议和署名风波。 * Levent Alpöge:数学家,Buckmaster 的合作者,同时在 Anthropic 工作;两人的合作是私人研究,不是公司项目。 * Sébastien Bubeck:OpenAI 负责用 AI 做数学研究的研究员,曾任微软 AI 副总裁;他代表 OpenAI 与 Buckmaster 通了电话,后来在 X 上公开道歉。 * Diego Córdoba / Luis Martínez-Zoroa:西班牙数学家,节目里简称 Diego 和 Luis,Luis 是 Diego 的学生;Buckmaster 说,这条解题路线最早就是由两位西班牙数学家开创的。 * 陶哲轩 / 邓煜 / Peter Scholze(彼得·舒尔茨):菲尔兹奖得主,联合声明《人工智能在数学中的严重错位》的几位署名人;陶哲轩还在网站上列出了 AI 给数学带来的一连串问题,并转发了人类数学协会的声明。 * Andrew Wiles(怀尔斯):证明费马大定理的数学家;本期用他的例子说明,解题过程中发展出的方法,影响往往比答案本身更久远。 * Joseph Howlett:《科学美国人》记者,在播客里说,数学家今天面对的问题,很快也会摆在我们所有人面前。 * 刘胜与(intlsy):DeepSeek 的算子工程师,DeepSeek V4.1 主 Attention 算子的作者;他的文章《我不得不把才华埋葬在昨天》和之后的补充说明,是本期后半段的主线。 * Jeff Dean:上一期的主角,谷歌传奇程序员;本期讲 RSI 时提到了他新创办的公司 Discovery Loop。 公司、机构与活动 * Hugging Face(抱抱脸):开源 AI 社区,大家在上面分享和下载 AI 模型与数据集;今年 7 月被 OpenAI 内部测试中的 AI 智能体入侵。 * METR(Model Evaluation and Threat Research):外部 AI 评估机构,负责调查 Hugging Face 事件;达里奥呼吁引入独立第三方评估机构时,举的例子就是它。 * 智谱 GLM:国内公司智谱的开源大模型系列;Hugging Face 在自己的服务器上部署了 GLM 5.2,用它来分析攻击日志。 * 克雷数学研究所 / 千禧年难题:2000 年,美国克雷数学研究所把 7 个困扰人类几十年甚至上百年的数学难题列为千禧年难题,解开任何一个可获 100 万美元奖金。 * All-In Podcast / All-In 大会(All-In Summit):北美知名科技播客及其举办的大会,David Sacks 是四位主持人之一;黄仁勋接电话的那一幕就发生在大会舞台上。 * Dreamforce:企业管理软件公司 Salesforce 一年一度的大会;9 月 15 日,达里奥、奥特曼、黄仁勋在会上分别谈了 AI 要不要踩刹车。 * 开放安全 AI 联盟(Open Secure AI Alliance):英伟达 7 月牵头成立的联盟,主张开放模型和开放工具对网络防御很重要;OpenAI、Anthropic 和谷歌都没有加入。 * 人类数学协会(AHM):一个八百多人的数学家组织;OpenAI 放出 700 多篇论文的第二天发表声明,敦促数学家停止与 OpenAI 合作。 技术与用语 * AI 对齐(Alignment):让 AI 在能力变强的同时,依然按照人类真正希望的方式思考和行动;为了完成任务不择手段、钻测试的空子,就属于对齐出了偏差,也就是“错位”。 * AI 智能体(Agent):能自己拆解任务、调用工具、连续执行多个步骤的 AI;本期的解题和入侵事件,都是由大量智能体自主完成的。 * 隔离环境 / AI 逃逸:测试时把 AI 智能体关在不能联网、互相不能对话的环境里;AI 突破这些限制、接触到外部系统,就是本期说的“逃逸”。 * 社会工程学攻击:通过欺骗、诱导等手段操纵人,让人交出权限或信息的攻击方式;本期提到 Anthropic 的 Mythos 模型曾在测试中自主策划这类攻击。 * 安全护栏(Guardrails):模型厂商为防止滥用而设置的拒答规则;本期中,Claude 的 Opus 和 Fable 模型因为护栏,拒绝帮 Hugging Face 分析攻击日志。 * 开源模型 / 开放权重:公开发布模型权重,任何人都可以下载、在自己的机器上部署和修改;防守的人能用,攻击的人也能用。 * RSI(Recursive Self-Improvement,递归自进化):让 AI 参与开发下一代 AI,迭代越来越快,人也逐渐退出决策循环。 * 前沿实验室(Frontier Labs):OpenAI、Anthropic 这类开发最强模型的公司对自己的称呼;达里奥的博客标题 We Must Pace the Frontier 里的 frontier,指的就是它们。 * 反垄断豁免:互相竞争的公司本不能私下商量统一标准或发展节奏;达里奥希望政府给予豁免,让几家前沿实验室可以共同起草 AI 安全制度。 * 蒸馏:简单理解,就是用别人家大模型的回答来训练自己的模型。 * 监管俘获(Regulatory Capture):本该约束企业的监管,逐渐被这些企业影响,反过来变成它们生意的保护伞。 * 纳维-斯托克斯问题(Navier–Stokes):全称纳维-斯托克斯方程的存在性与光滑性问题,千禧年难题之一,关心描述流体运动的方程在三维情况下会不会“失效”。 * Lean / 形式化验证:Lean 是一个写数学证明的软件,数学家用它规定的语言写出证明,再由软件检查逻辑是否正确,这个过程叫形式化验证;但证明有没有准确表达原来要解决的问题,仍然要由人来确认。 * 算子 / 算子工程师:算子是大模型底层一个个有明确规则的计算操作,可以理解为函数;算子工程师要结合模型的计算需求和硬件特点来设计、优化它们,同样的结果,好坏算子的计算效率可能差很多。 * RLHF / Scaling Law:RLHF 即人类反馈强化学习,用人的评价来训练模型;Scaling Law 指模型能力随数据、算力和模型规模增长而提升的规律。本期用它们说明,达里奥深度参与了今天大模型的发展。 * 奥本海默时刻:借“原子弹之父”奥本海默的经历,指科学家明知自己参与开发的技术可能带来极端后果时,要不要继续做下去的道德困境。 🔁 提到的往期节目 * 1.🔬Anthropic:安全是信仰还是生意?宪法约束下AI练出了城府(上) * 2.📚Anthropic:极度的技术优雅背后,为何建起百万册盗版书库?(下) * 7.🎭还在为硅谷巨头的AI焦虑吗?字面意义被资本做局了 * 9.🎙️OpenAI财务告急,为啥花1.5亿买一档播客节目? * 10.🌍拒掉华尔街,贫困移民如何成为AI教母?|李飞飞教授 * 19.💻行走的Google技术史Jeff Dean:传奇程序员的告别与远征 ⏱️ 章节时间戳 开场 00:00 伦敦一场 AI 展望会上,一位听众站上凳子抗议:普通人对 AI 的走向没有发言权 02:01 达里奥、奥特曼、马斯克都在呼吁 AI 减速,新模型却越发越多:本期想聊的问题 第一部分:“AI 毁灭人类”的担忧从哪儿来 03:11 OpenAI 宣布 AI 解出千禧年难题当天,研究员 Coxon 从 Anthropic 辞职发帖:AI 公司在拿人类性命做赌注 06:00 “AI 十年内可能灭绝人类”的说法从何而来:造 AI 的人私下真心害怕,却因为不信任对手而不肯停下 07:44 什么是 AI 对齐;Anthropic 对齐负责人 Evan Hubinger 表示,他认为十年内 AI 灭绝人类的概率超过 10% 09:44 OpenAI 测试中的约 700 个 AI 智能体,为了找答案自行入侵 Hugging Face,OpenAI 一周后才察觉;出了事该谁负责? 15:13 Hugging Face 善后:Claude 因安全护栏拒绝帮忙分析攻击日志,最后靠国产开源模型 GLM 完成 17:34 什么是 RSI(递归自进化):让 AI 开发下一代 AI,能加速科研,但人会彻底退出决策循环 18:47 Hinton 也认为“十年内 10%”并不离谱:AI 可能为了完成任务而抗拒被关掉;他主张先放慢,而不是全面停止 第二部分:都这样了,为什么还不慢下来? 21:58 达里奥发文呼吁给前沿 AI 减速并提出三步方案,奥特曼、马斯克罕见附和;但他的国际协调,前提是美国对中国保持领先 26:51 达里奥上电视被追问要为 AI 风险负多大责任,说不希望由一小撮公司说了算,主持人打断:大家现在就是这么觉得的 29:58 Sacks 说“真觉得危险现在就能停”,马斯克说 Coxon 离职像是安排好的:舆论开始怀疑,减速到底在保护谁 31:00 第三方评估机构 METR 有多独立:人和钱都与 Anthropic 交织,调查 Hugging Face 事件时资料和报告也受 OpenAI 限制 34:30 黄仁勋在 All-In 大会上接到特朗普电话,特朗普称 AI 末日论是骗局,“不减速”的立场就此拿到总统背书 36:15 Dreamforce 同台:达里奥说该先加强自家刹车,奥特曼说要像航空业那样从事故中学习,黄仁勋说安全只是工程问题 40:13 英伟达牵头开放安全 AI 联盟,主张防守方要有自己掌控的开放模型;可攻击者也能用,而开放模型越强,英伟达生意越好 42:21 奥特曼以安全为由宣布 OpenAI 今年不上市,产品却照发不误;Anthropic 准备 IPO,All-In 主持人讨论该不该换掉达里奥 45:06 “仓鼠轮”与“监管俘获”:呼吁减速和监管,会不会是领先者在守住位置?Cohere CEO 也担心规则变成小公司的门槛 第三部分:AI 跑得这么快,代价落到了具体的人身上 47:47 OpenAI 的解法与数学家 Buckmaster 团队尚未公开的研究路线高度相似;什么是 Lean 和形式化验证 51:24 署名风波:OpenAI 提出的方案不让在 Anthropic 工作的合作者署名,Buckmaster 拒绝并公开;开创这条路线的西班牙数学家也心情复杂 54:43 二十多位菲尔兹奖得主联名:AI 公司把解数学难题当成模型能力的背书,有损数学最看重的理解与传承 56:57 顾问小组刚建议别再用内部模型攻数学难题,OpenAI 就一口气发布 700 多篇论文;人类数学协会呼吁停止合作 58:52 数学家的处境离普通人并不远:日常工作更容易被 AI 解决,只是不够拿来炫耀 01:00:03 DeepSeek 算子工程师刘胜与:明知算子写得越好,自己越早被 AI 取代,为什么还要写到最好? 结尾 01:06:11 AI 从业者停不下来,是因为“我不做别人也会做”和“真的喜欢”;但就算 AI 不作恶,它推着我们走的方向是我们想要的吗? 📚 参考资料 开场、Coxon 与 Hubinger * 开场原声:伦敦 AI 展望会上的抗议现场视频(X) * Jacob Coxon 的辞职帖(X,共 7 条) * CNN:Anderson Cooper 采访 Jacob Coxon 文字稿(2026-09-09) * Evan Hubinger 回应 Coxon 的帖子(X) * 《人物》:AI可能会杀死所有人,但根本没有人打算慢下来 Hugging Face 事件 * Hugging Face:安全事件初始披露 * Hugging Face:How we intercepted and analyzed the attack(技术复盘) * OpenAI:Hugging Face 事件披露及后续更新 * METR:OpenAI / Hugging Face 事件调查报告 Hinton 访谈 * BBC《Newsnight》:Hinton 访谈视频 * ABC《Radio National Breakfast》:Hinton 访谈音频 减速之争:达里奥、Sacks 与马斯克 * Dario Amodei:We Must Pace the Frontier * Reason:达里奥请求反垄断豁免的报道 * 新智元:刚刚,Dario紧急抛出AI全球共管计划!(含 Aidan Gomez 的回应) * Fortune:达里奥谈 Coxon 离职(引述 CNN 采访) * CBS News:达里奥在《Sunday Morning》呼吁 AI 减速 * Washington Examiner:David Sacks 回应 AI 减速倡议 * 《华盛顿邮报》:发出警告的 AI 研究员遭到的质疑(含马斯克留言) 第三方评估与资金关系 * Kevin Bass:METR 资金图(GitHub) * METR:2026 年资金说明 * Joe Benton:Why I left Anthropic's safety team * TIME100 Philanthropy:Jaan Tallinn 黄仁勋、Dreamforce 与开放安全 AI 联盟 * All-In 大会:黄仁勋访谈完整视频(接电话片段约 22:58 起) * The Next Web:黄仁勋在 Dreamforce 上反对新立法 * diginomica:Dreamforce 上的 AI 安全辩论 * AI 前线:OpenAI与Anthropic CEO罕见同台,黄仁勋当场唱反调 * NVIDIA:Open Secure AI Alliance 公告 * 黄仁勋关于开放安全 AI 联盟的帖子(X) OpenAI、Anthropic 与上市 * Fortune:奥特曼称 OpenAI 今年不上市 * Fortune:Sam Altman 访谈视频(约 23:24 谈上市) * Anthropic:提交非公开招股书草案的公告 * All-In Podcast E290:Anthropic IPO at Risk…(董事会假设、仓鼠轮) 数学家与 OpenAI * OpenAI:纳维-斯托克斯问题解答说明(含 9 月 10 日更新) * OpenAI:纳维-斯托克斯问题论文(PDF) * 克雷数学研究所:对 OpenAI 公告的说明 * Tristan Buckmaster 的个人声明(PDF) * Sébastien Bubeck 的回应(X) * RTVE:西班牙数学家谈千禧年难题与 AI(西班牙语) * Math and AI:A Severe Misalignment of AI in Mathematics 联合声明 * 陶哲轩博客:转载联合声明 * 陶哲轩博客:人类数学协会关于 OpenAI 10 月 6 日发布的声明 * 量子位:陶哲轩带头宣战!人类数学家联合抵制OpenAI * Annals of Mathematics:Wiles 证明费马大定理的论文(1995) intlsy 与 AI 的经济影响 * intlsy:我不得不把才华埋葬在昨天 * intlsy:对《我不得不把才华埋葬在昨天》的补充说明 * Anthropic:AI 经济情景模型 🖼️ 配图 [EP20配图1] 图 1|OpenAI 宣布解出千禧年难题:OpenAI 发帖说,一组 AI 智能体借助能力明显超过 GPT-6 Astra 的下一代内部模型,给出了纳维-斯托克斯问题的解法,下方是流体涡旋的示意图。大约七个小时后,Coxon 发出了辞职帖。来源:OpenAI 官方 X 账号截图,完整说明见 OpenAI:纳维-斯托克斯问题解答说明。 [EP20配图2] 图 2|88 小时,约一万个智能体:OpenAI 在同一串帖子里说,内部模型用 88 个小时、约 10,000 个协作的 AI 智能体得出解法,并称全程保持了监控和隔离等防护措施。下方的图表是内部模型与 GPT-6 Astra 在一组开放数学问题上的通过率对比。来源:OpenAI 官方 X 账号截图,完整说明见 OpenAI:纳维-斯托克斯问题解答说明。 [EP20配图3] 图 3|Coxon 的辞职帖:Jacob Coxon 宣布从 Anthropic 辞职,说自己过去三年在 OpenAI 和 Anthropic 做预训练研究,两家公司都不负责任,正在奔向能自我提升的超级智能,拿我们的生命做赌注。截图时这条帖子的浏览量已超过 1.7 亿。来源:Jacob Coxon 的 X 帖子。 [EP20配图4] 图 4|“这不是营销噱头”:Coxon 说,造 AI 的人真诚地相信,AI 可能在这个十年结束前杀死我们所有人;很多高管和资深研究员在媒体面前措辞克制,但私下里同样会表达恐惧。来源:Jacob Coxon 的 X 帖子。 [EP20配图5] 图 5|“那为什么还要继续造?”:Coxon 认为,OpenAI 的很多人还没有真正意识到其中的利害;Anthropic 的人很清楚,却被锁在一场抢先的竞赛里,因为他们不相信别人。来源:Jacob Coxon 的 X 帖子。 [EP20配图6] 图 6|Anthropic 对齐负责人的回应:Evan Hubinger 引用 Coxon 的帖子说,Jacob 是对的,他个人认为未来十年内 AI 杀死所有人的概率超过 10%;Anthropic 在尽力,但对超级智能的对齐还没有解决方案。来源:Evan Hubinger 的 X 帖子。 [EP20配图7] 图 7|节目里提到的那张资金图:网友 Kevin Bass 把 METR、AI 圈多家基金会和 Anthropic 投资人之间的资金往来画在了一起,Jaan Tallinn 也在其中。图中也标出了 METR 自己的说法:不接受前沿 AI 公司及其员工的资金。作者注明不对任何个人或组织的动机下判断,图中不少金额是上限估算或未披露项,不能当作完整的财务审计。来源:kevinnbass/metr-money-figure。 [EP20配图8] 图 8|开放安全 AI 联盟的成员墙:英伟达牵头的这个联盟里已有 100 多家公司,连 SpaceX 都在,但找不到 OpenAI、Anthropic 和谷歌。来源:NVIDIA:Open Secure AI Alliance 公告,官方新闻物料。 💬 一起同行 欢迎加入听友群~ 加微信 "cliu21",备注“听友”。 群里会分享我自己和大家在用的 AI 工作流和资讯,希望能让AI 真正解决大家的问题。 也欢迎来聊天、吐槽、给节目提建议。
69 分钟 4k+ 次播放 1个月前
Sanjay Ghemawat | MapReduce | 谷歌技术史 | 三驾马车 | 大数据 | 分布式系统 | 比特翻转 | 神经网络 | TPU | Gemini | 谷歌搜索 | 谷歌广告 | 谷歌翻译 | ChatGPT | 聊天机器人 Meena 🎧 本期简介 2026 年 8 月的一天工作日下午,谷歌内部一个平时容纳 300 人的咖啡馆,涌进了 1500 位同事,来送别一个在谷歌写了 27 年代码的程序员。晚上,他照常去上瑜伽课、踢足球,回家后又一条条回复告别消息,直到凌晨两点半。 这位程序员叫 Jeff Dean。作为同行,我早就听过他的名字,也用过他参与开发的技术,但真要介绍他,却说不出个所以然。这次从他的离职消息往回查,我才发现,搜索、大数据、机器学习,这些年学过、用过的东西,竟然有这么多能追到他和同事们的工作里。 这期就顺着他的告别信,把时间倒回早年间的谷歌,来看看这位工程师帮助谷歌做大做强的。我们会认识他的长期编程搭档 Sanjay Ghemawat,看他们怎样在修故障、抠性能、反复重写系统的日常里,做出后来影响整个行业的工具。我们也终于能知道那些“编译器不警告 Jeff Dean,是他警告编译器”的段子是怎么来的了。 当然,工程师的成就之外,Jeff 还有管理者需要面对的争议:最为谷歌 AI 的领导人,聊天机器人为什么迟迟不发布,以至于让谷歌在 AI 竞争中错失良机,被 ChatGPT 抢先一步?研究人员的论文和公司的利益发生冲突时,该怎么办?我想借这一个多小时,聊聊这位“伟大的程序员”。 🎙️ 推荐播客 推荐我们的友台:《科技这碗饭》,主播是八十只耳朵,也就是节目里提到的耳朵老师。 我们两档节目这次同步发布,一起从两条线聊谷歌:《跨域请求》沿着 Jeff Dean 的经历,聊他做过的技术、他的编程搭子,以及那些具体的工作现场,是如何成就了今天的谷歌;耳朵老师则在新一期《谷歌AI风云15年:诸神黄昏——发明未来的人为何错过未来?》里,顺着这次谷歌 AI 大洗牌,聊聊谷歌 AI 的前世今生。如果这期还没听够,欢迎去听这期节目,把这段故事拼得更完整一些。 🧩 概念解释 本期人物 * Jeff Dean(杰夫·迪恩):本期主角,1999 年加入谷歌的软件工程师,谷歌的 30 号员工,参与开发搜索、大数据和机器学习系统,后来领导 Google AI,并担任过谷歌首席科学家。 * Sanjay Ghemawat:Jeff 的长期编程搭档,参与开发 GFS、MapReduce、BigTable 等基础设施;节目里那个敲键盘、把新点子的细节逐一落地的人。 * Larry Page(拉里·佩奇) / Sergey Brin(谢尔盖·布林):谷歌的两位联合创始人,本期作战室故事里,正在与雅虎谈搜索合作的就是他们。 * Craig Silverstein:谷歌的第一位员工,节目里简称 Craig;早期搜索索引出故障时,他是最先参与排查的工程师之一。 * Alan Eustace:曾负责谷歌工程与研究工作的高管,也是 Jeff 当时的上司;节目里认为 Jeff 转去研究神经网络是在“浪费人才”的那个人。 * Noam Shazeer:谷歌早期工程师,Jeff 曾是他的导师;本期讲到他用网页数据改进拼写纠错,他也是 Transformer 奠基论文《Attention Is All You Need》的作者之一,节目里常简称 Shazeer。 * 吴恩达(Andrew Ng):斯坦福大学教授、机器学习研究者和教育者,Google Brain 的发起人之一;2011 年 Jeff 开始与他一起研究神经网络。人物介绍 * Oriol Vinyals:人工智能研究者,曾与 Jeff 共同担任 Gemini 的技术负责人;也是本期提到一起创办 Discovery Loop 的老同事之一。 * Quoc Le:人工智能研究者,与 Jeff 长期共事,也是本期提到的 Discovery Loop 联合创始人之一。 * Timnit Gebru:曾任谷歌伦理 AI 团队联合负责人,2020 年围绕大语言模型风险论文的内部审查,与公司发生冲突;节目里简称 Gebru。 * Margaret Mitchell:曾与 Gebru 共同领导谷歌伦理 AI 团队,研究 AI 的公平性与风险;节目里提到她在 Gebru 离开几个月后也被解雇。 * Sundar Pichai(桑达尔·皮柴):本期提到的谷歌 CEO;在研究团队争议、挽留 Jeff 等人以及支持新公司这几段故事里出现。 * Heidi:Jeff 的妻子;她谈到 Jeff 与 Sanjay 的关系时,说过“他们互相想念对方”,她也见证了两位搭档在工作之外的长期友谊。 * Chuck Norris(查克·诺里斯):美国动作演员;网上有一类把他夸张成无所不能的段子,Jeff Dean Facts 借用了这种玩梗形式。 * Derrick Rose(德里克·罗斯):美国篮球运动员,也是主播喜欢的 NBA 球星;开头借他问儿子的“do you wanna be good or great”,引出对程序员职业的思考和对 Jeff 的评价。 * 汪淼 / 秦始皇(《三体》中的例子):汪淼是小说第一部的主角之一;节目借他进入游戏后看到的“秦始皇人列计算机”,用士兵举错黑白旗来解释比特翻转。 公司、团队与机构 * DEC(Digital Equipment Corporation,数字设备公司):一家老牌计算机公司;Jeff 和 Sanjay 在加入谷歌前,就在它的研究机构里认识并开始合作。 * Alphabet:谷歌的母公司;节目后半段提到,它也投资了 Jeff 等人创办的新公司。 * Google Brain / DeepMind:谷歌的两支重要 AI 研究团队,前者在节目里也叫“谷歌大脑”;两者在 2023 年合并为 Google DeepMind。 * Gemini / Meena:Gemini 是谷歌的 AI 模型系列;Meena 是谷歌较早研究的对话模型,本期借它讨论“做出聊天机器人”和“决定公开发布”之间的差别。 * ChatGPT / Claude:分别是 OpenAI 和 Anthropic 推出的 AI 助手;本期把 ChatGPT 作为谷歌聊天产品决策的对照,也提到了第一期对 Claude 模型内部特征的介绍。 * Discovery Loop:Jeff、Sanjay、Quoc Le 和 Oriol 共同创办的公司;本期介绍的方向是用 AI 加快“提出想法—做实验—看结果—再尝试”的科学研究循环。 * KDD:数据挖掘与知识发现领域的重要学术会议,Jeff 在会上展示了本期据以展开的离职日程表。 * GoFundMe:在线筹款平台;告别视频会上,同事开玩笑说要给 Jeff 发起筹款,类似节目里说的“给他建个水滴筹”。 * NASA / NSA:分别是美国国家航空航天局和美国国家安全局;前者出现在高可靠硬件的例子里,后者出现在 Hadoop 数据分析的例子里,两者不是同一个机构。 * 《纽约客》 / WIRED / Nature:分别是美国综合性杂志、科技媒体《连线》和学术期刊《自然》;本期用到的人物报道、创业报道和芯片布局论文来自这几类不同的材料。 计算机、大数据与程序员用语 * 搜索索引 / 爬虫:索引是搜索引擎提前整理好的网页“目录”;爬虫负责访问和收集网页,供系统建立、更新这份目录。 * 分布式系统 / 计算机集群:把多台通过网络连接的计算机组织起来,共同存数据、做计算;“集群”指这群机器,“分布式系统”还包括让它们协作的软件与规则。 * 并行计算 / 容错:前者让多个计算任务同时进行,后者让部分机器或任务出错时,整个系统仍能继续工作;两者贯穿了 Jeff 和 Sanjay 的优化故事。 * 比特与二进制:比特是计算机存储信息的基本单位,可取 0 或 1;二进制用这两个数字来表示数值,程序和数据在机器中最终也以比特形式存储。 * 比特翻转(Bit Flip):内存或寄存器等计算机元器件中发生的一种错误,使得原本存储的 0 变成 1,或 1 变成 0;这种错误下,即使程序逻辑没错,也可能让结果出问题。 * 内存 / 寄存器 / 硬盘:都是存放数据的地方;寄存器供处理器直接使用,内存存放运行中的数据,硬盘用于较长期保存文件,它们的速度、容量和成本差别很大。 * 谷歌三驾马车:GFS、MapReduce、BigTable,分别对应大规模数据的文件存储、分布式计算和结构化数据管理。 * GFS(Google File System):把大文件切成块、分散存到多台机器,并保留副本的分布式文件系统,单台机器坏掉不必导致文件丢失。原论文 * MapReduce:把大量数据的处理工作拆给多台机器,再汇总结果的编程模型;机器故障和任务调度等复杂工作由框架处理。 * BigTable / Spanner:前者用于分布式管理大量结构化数据,后者是支持跨数据中心事务的分布式数据库;Spanner 在告别信的项目清单里出现,但不属于通常所说的早期“三驾马车”。BigTable 论文 / Spanner 论文 * Hadoop / HDFS / HBase:Hadoop 是受谷歌相关论文启发发展起来的开源大数据生态,“开源”指按许可证公开代码,允许他人使用、研究或修改;HDFS 负责分布式文件存储,HBase 是受 BigTable 启发的分布式数据库。 * 编译器 / debug:编译器把源代码转换成另一种可供后续执行的形式,并可能提示错误;debug 是定位和排除程序故障,不只是修改语法错字。 * 代码审查 / LGTM:代码合并前,请其他工程师检查改动;LGTM 是“Looks Good To Me”的缩写,大意是“我看没问题”,不等于代码绝对没有错误。 * IC(Individual Contributor) / L11:IC 是个人贡献者职业路线,与管理路线相对,主要通过专业工作作出贡献;L11 是节目讲到的谷歌高级技术职级,Jeff 和 Sanjay 获得的称号是 Senior Fellow。 * Jeff Dean Facts:程序员圈里夸张吹捧 Jeff Dean 的段子合集,“优化光速”“圆周率最后四位”等等,都属于玩梗。 * TurboTax / Turbot Ax:前者是报税软件,后者可拆成“比目鱼”和“斧头”;节目用这次荒唐的拼写纠错,说明谷歌早期购买的拼写纠错软件,只差一个词语切分,意思也可能完全变样。 * Chromebook:运行 ChromeOS 的笔记本电脑;Jeff 交回公司的那台电脑,就是节目末尾聊到的 Chromebook。 机器学习与 AI * 神经网络 / 深度学习 / 神经元:神经网络由许多相互连接的计算单元组成,深度学习通常使用多层网络;其中的“神经元”是数学计算单元,节目里说它看到猫会“放电”,是在形容它对某类输入反应强烈。 * 无监督学习 / 自监督学习:都可以减少对人工标注答案的依赖;自监督学习会从数据自身构造训练目标,无监督学习则更广泛地指从没有人工标签的数据里发现结构,两者并非完全同义。 * 反向传播:从模型输出产生的误差往回计算各层参数的影响,帮助训练过程决定该怎样调整参数。 * 语言模型 / Token:语言模型学习文本的统计规律,生成文本时常逐步预测下一个 token;token 是模型处理文字的单位,可能是一个字、词的一部分或标点,不一定等于一个完整单词。 * Transformer:一种利用注意力机制处理序列信息的神经网络架构,是许多大语言模型的基础;《Attention Is All You Need》就是提出它的论文。原论文 * 缩放定律(Scaling Laws):描述模型规模、训练数据量和计算量增加时,模型表现如何变化的一类经验规律,并不保证投入增加就能解决所有问题。 * 幻觉:AI 生成了听起来像真的、却没有依据或与事实不符的内容;本期讨论谷歌为何迟疑发布聊天机器人时,提到了这类风险。 * CPU / GPU(显卡的核心处理器):CPU 是处理各类任务的通用处理器,GPU 擅长并行执行大量相似计算,因此也适合神经网络中的许多运算。 * TPU / TensorFlow:前者是谷歌的机器学习专用加速芯片,后者是开发和运行机器学习模型的软件框架。 * AlphaChip / 可复现性:AlphaChip 用 AI 辅助安排芯片布局;可复现性是指其他研究者能否依据公开的方法、代码和数据验证研究结果,也是本期争议段落的关键。 上面几项 AI 基础术语也可对照 Google 机器学习术语表 查阅。 🔁 提到的往期节目 * 1.先抗命救人,后对人PUA?Anthropic的AI到底几副面孔 ⏱️ 章节时间戳 00:05 开场与友台推荐:这次从一个人的故事聊谷歌 04:48 最后 48 小时:139 人视频会,和一封告别邮件 09:07 搜索停在五个月前:谷歌早年的作战室危机 13:51 比特翻转:宇宙射线和《三体》里举旗的士兵 19:49 谷歌三驾马车:海量数据怎么储存、计算算、查询? 24:22 硬核优化到硬盘外圈这种物理层面,再把一整个数据中心变成好用的工具 28:50 “极速报税”(TurboTax)变成“比目鱼斧头”(Turbot Ax):拼写纠错与广告生意 31:08 把核心王牌发表成论文共享给学术界:Hadoop 和开源社区接棒 32:41 从补全单词到预测下一个词:语言模型早就萌芽了 35:55 Jeff Dean Facts:关于 Jeff 的梗文化合集 38:36 程序员的职业天花板是一对长期搭档 40:20 43 岁转向神经网络:一次被认为是“浪费人才”的选择 44:05 从翻译提速到自造芯片:Jeff 的立项决定是通过 Latency numbers 计算出来的 48:38 聊天机器人早于 ChatGPT 做出来,为什么没有发布? 50:05 Timnit Gebru 事件:研究自由与公司的内部审查 52:35 AlphaChip 争议:AI 设计芯片,究竟该怎么比较? 54:40 Jeff 和 Sanjay 写代码的时间少了,因为想念彼此,形成了周五家庭聚会的习惯 57:04 Discovery Loop:和老搭子们一起创业 59:53 回到告别现场:1500 人、400 条消息和一台 Chromebook 01:04:00 只失业一秒钟:下一段故事,继续和老朋友一起 📚 参考资料 人物、访谈与告别现场 * 《纽约客》:The Friendship That Made Google Huge——Jeff 与 Sanjay 的长期合作 * Dwarkesh Podcast:Jeff Dean & Noam Shazeer — 25 years at Google: from PageRank to AGI * 量子位 / 36氪:Jeff Dean 顶会分享离职现场、告别信与日程表 * WIRED:Google’s Top AI Brains Are Leaving to Launch Discovery Loop 技术与研究争议 * Google Research:In-Datacenter Performance Analysis of a Tensor Processing Unit——TPU 论文 * Reuters:Timnit Gebru 对离职 / 解雇事件的陈述 * Nature:A graph placement methodology for fast chip design——芯片布局论文与更新记录 * Nature:上述论文的 2024 年补充说明 补充说明:节目谈到了 Nature 在 2023 年对芯片布局论文发布的编辑提示。后续在 2024 年 9 月 26 日,Nature 撤下了该提示,表示经发表后复审,相关性能疑问已得到令编辑满意的解决,并关闭调查。这是期刊对该次调查的处理结果,不宜把录音中提到的历史提示理解为调查至今仍未结束。见 Nature 论文更新记录。 🖼️ 配图 图 1|挤满同事的咖啡馆:日程表记下了约 1500 位同事参加告别会,下面是现场照片,对应节目最后一段的告别故事。来源:量子位 / 36氪报道,截自原文。 图 2|交回去的工牌和电脑:笔记本上还能看到 Google Brain、BigTable、TensorFlow 等贴纸,和这期聊过的技术一一碰上。来源:量子位 / 36氪报道所引 Jeff Dean 照片,引自原文。 图 3|每个程序员都应该知道的数字:Jeff Dean 在 LADIS 2009 主题演讲中列出了读缓存、读内存、硬盘寻道和跨洲传输等操作的耗时,对应节目里那张让我“被程序员行业除名”的表。图中是 2009 年的历史数值,不能直接当作今天硬件的性能指标;ns 是纳秒,1 毫秒等于 100 万纳秒。来源:Jeff Dean,LADIS 2009 keynote,第 24 页,公开演讲材料截图。 图 4|把时间差画出来:Colin Scott 将这类延迟数字做成了可以切换年份的交互图,这张截图选择的是 2020 年档位。不同颜色使用不同的时间单位,阅读时要连同图例一起看;它帮助我们理解数量级差异,并不是本期对当前电脑做的实测。来源:Colin Scott:Numbers Every Programmer Should Know By Year,项目页面截图。 图 5|两位编程搭档站在同一层:这张自制职级图按《纽约客》2018 年报道整理,方便对照节目里从 IC 路线讲到 Senior Fellow 的部分。图中“仅有两位”、入职级别和人员占比等描述应放回当年的报道语境,不作为谷歌现行官方职级标准。来源:The Friendship That Made Google Huge,自制资料图;本次于 2026-09-07 核对所引原文的历史口径。 图 6|最后 48 小时的原始时间表:Jeff 在 KDD 2026 主题演讲中展示了告别会议、瑜伽、足球、深夜回消息,以及失业一秒钟后成为联合创始人的日程。这就是节目开头和结尾反复回到的那张表。来源:量子位 / 36氪:KDD 2026 主题演讲现场报道,引自报道中的会场照片。 图 7|和老同事一起开始下一段:这张材料包含 Jeff 的官宣帖、公司介绍和四位联合创始人的合影,对应节目里 Jeff、Sanjay、Oriol、Quoc 再次一起创业的故事。来源:Jeff Dean 官宣帖、Discovery Loop 官网,截图整理引自量子位 / 36氪报道;官方物料与公开帖文截图。 图 8|让探索一轮轮继续:Discovery Loop 的标志把“Loop”里的两个字母 O 连成无限符号,下面写着“Continuous Exploration(持续探索)”。它呼应了节目里“提出想法—实验—反馈—再尝试”的循环。来源:Discovery Loop 官网,官网画面引自量子位 / 36氪报道,公司官方物料。 💬 一起同行 欢迎加入听友群~ 加微信 "cliu21",备注“听友”。 群里会分享我自己和大家在用的 AI 工作流和资讯,希望能让AI 真正解决大家的问题。 也欢迎来聊天、吐槽、给节目提建议。
65 分钟 1k+ 次播放 2个月前
还没有人评价。听过的话,留个分数和一句短评吧。
您确定要删除评价吗?
外观
播放列表还是空的
去找些喜欢的单集添加进来吧