跨国串门儿计划

📝 本期播客简介 本期我们克隆了：知名播客 Y Combinator Jeff Dean: The 1% Rule for Building in AI 原内容更新时间：2026-07-30 本期节目是 Y Combinator 在 Startup School 2026 上的特别对话，主持人是 YC 合伙人 Diana Hu，嘉宾是谷歌首席科学家 Jeff Dean。Jeff Dean 是 MapReduce、BigTable、TensorFlow、TPU 等多项关键技术的缔造者，也是谷歌 AI 领域的核心人物。这期节目围绕他过往的"餐巾纸估算"故事展开，聊到了 AI 推理硬件、智能体系统、以及小团队如何在 AI 时代找到自己的机会。 从 2001 年"整个搜索索引装进内存"的颠覆性认识，到 2013 年"语音识别三分钟"催生 TPU 的传奇故事，Jeff Dean 用一个个具体案例，展示了第一性原理思考如何带来数量级的性能提升。他还给出了 2026 年 AI 版的"延迟数字清单"，并深入探讨了上下文工程、多智能体系统、以及创始人该如何培养"品味"。 这期节目特别适合正在思考 AI 创业方向的人。Jeff Dean 给出了非常实用的判断标准：去找那些通用模型成功率是 0% 或 1% 的问题，而不是 20% 的。他还分享了如何通过写"skills"让 Agent 像他一样做性能优化，以及为什么"说清楚你想要什么"在 AI 时代变得比以往更重要。 👨‍⚕️ 本期嘉宾 Jeff Dean，谷歌首席科学家，谷歌 AI 领域的核心人物。他参与缔造了 MapReduce、BigTable、TensorFlow、TPU、Gemini 等多项关键技术，是分布式系统和机器学习领域的传奇工程师。他的"餐巾纸估算"能力闻名业界，曾多次通过粗略计算做出影响深远的硬件和系统决策。他也是著名的《The Latency Numbers Every Engineer Should Know》清单的作者。 ⏱️ 时间戳 开场 & 播客简介 00:00 节目开场与嘉宾介绍 01:13 Jeff Dean 对 2025 年"AI 相当于初级工程师"预测的回顾 02:24 对 2027 年的新预测：ML 系统自动化程度将大幅提高 从餐巾纸估算到 TPU 的诞生 03:03 2001 年"搜索索引装进内存"的颠覆性时刻 04:21 人们还没意识到的：Agent 可以跑上几天甚至几周 05:18 2013 年语音识别估算与 TPU 的起源故事 07:48 给未来创始人的建议：如何做有分量的估算 2026 年 AI 版延迟数字清单 09:01 2026 年 AI 系统最重要的数字：带宽、能耗、互联 09:39 搬数据的能耗比计算贵一千倍 11:06 批处理本质上是数据输入输出问题 11:45 推理硬件专门化的巨大空间 上下文工程与 Agent 系统 12:56 从模型规模到上下文工程的转变 14:48 如何做好上下文工程：写 skills、给指导 15:40 实例：为性能优化写的 skill 和《Performance Hints》 17:35 Agent 跑偏的瓶颈与多智能体系统 创业公司在哪里赢 19:46 谷歌持续构建的 vs 两三人团队能胜出的 21:06 如何判断该挑什么事情来做：找 0% 成功率的问题 23:23 垂直模型的例子：AlphaFold 与材料科学 24:14 成为 AI 原生创始人：清晰规格说明的重要性 品味、思想实验与自我改进系统 26:01 什么技能会变得稀缺：品味与高层智慧 26:51 如何培养品味：经验、预测、思想实验 27:53 疯狂思想实验：用每天出错 20 次的晶体管构建系统 30:24 从思想实验到现实：TPU 与 MapReduce 的起源 AI 构建 AI 与超级加速的科学方法 32:19 AlphaChip 与 AlphaEvolve：让 AI 构建 AI 32:44 自动化实验循环：从科学方法到机器学习 33:48 用学出来的验证模型加速科学发现 35:23 超级加速科学方法能解决的领域 给未来创始人的建议 36:30 被拒绝的故事：蒸馏论文被会议拒稿 38:24 如果 25 岁的 Jeff Dean 来到今天会做什么 40:45 如何与聪明人共事、找到聪明人 42:10 希望未来创始人去解决的问题 🌟 精彩内容 💡 "餐巾纸是好东西" Jeff Dean 的传奇之处在于，他能在信封背面做粗略估算，然后造出改变行业的东西。从"搜索索引装进内存"到"语音识别三分钟"催生 TPU，核心都是先看到瓶颈，再从第一性原理出发想完全不同的解法。 "去想想你看到的问题，不管你在琢磨什么，看看瓶颈在哪里。然后有没有完全不同的思路去解决其中某些问题，能让你拿到一个数量级、甚至两个数量级的性能提升。" 💡 搬数据比算数据贵一千倍 这个能耗差距塑造了机器学习里几乎所有的设计决策。没有这一千倍的差距，你根本不需要做批处理。理解这类底层物理约束，才能真正理解为什么系统被设计成今天这样。 "把数据从加速器上的 HBM 搬进处理器，它才能真正在上面算。这个差距非常显著，它塑造了我们在机器学习里做的很多事。" 💡 模型只是你要做的事里的一块 Jeff Dean 强调，真正重要的是搭一个能解决有趣问题的完整系统：会用工具的模型、能检索信息、有历史记录、能拆解任务。上下文工程让信息对模型来说非常清晰，远胜于训练数据那锅"几万亿 token 的汤"。 "模型其实只是你要做的事里的一块，你要做的是搭一个能解决真正有趣问题的完整系统。" 💡 找 0% 成功率的问题，而不是 20% 的 给创始人的核心判断标准：如果通用模型已经能做 20%，那随着更多数据和更大规模，它很快就会做得更好。你要找的是模型完全做不了、成功率是 0% 或 1% 的事情——那才是你的机会。 "你要找的是模型成功率是百分之零或百分之一的事情，而不是百分之二十的。" 💡 说清楚你想要什么，比以往更重要 以前你把任务交给一个聪明人，他可以追问；现在 Agent 也会猜，但猜出来的往往跟你脑子想的不一样。清晰的规格说明是让 Agent 成功的关键，这也是为什么"把 Python 翻译成 Go"这类任务模型特别擅长——因为规格太清晰了。 "你越清楚自己想要什么，Agent 就越有指导原则、规则，也就是一个它要完成什么的大纲。" 💡 品味是 AI 时代最稀缺的技能 当所有代码都能由 Agent 写好，真正的较量在于你要把时间花在哪个问题上。选对问题并成功解决它，远比把一个无聊问题研究得漂漂亮亮要好得多。培养品味的方法之一，是写下你预测未来十二个月可能重要的事情，然后回头评估。 "如果你选对了问题并且成功解决了它，那远比你把一个相当无聊的问题研究得漂漂亮亮要好得多。" 💡 被拒绝也没关系，继续往前走 那篇关于蒸馏的论文被欧洲会议拒了，理由是"不太可能产生重大影响"。但 Jeff Dean 和团队知道这是个极其重要的问题，他们把它放到 arXiv 上，大家读它、用它，今天它已经成了业界人人都在用的招数。 "时不时被拒一次，也没关系。我们把它放到 arXiv 上，大家读它，用它，一切都好。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 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：知名播客 David Perell 171 Years of Writing Knowledge in 90 Minutes 原内容更新时间：2025-01-10 本期节目是 David Perell 对 2024 年全年采访的精华回顾，浓缩了多位世界级写作专家的核心洞见。嘉宾阵容堪称豪华：小说家 Amor Towles 分享如何让场景活起来，修辞学家 Mark Forsyth 拆解令人难忘句子的公式，文化评论家 Ted Gioia 剖析多巴胺文化对写作的冲击，公关专家 Lulu Cheng Meservey 讲解叙事框架的力量，还有 37signals CEO Jason Fried 现场拆解自己的文案创作过程。 这期节目最打动人的地方在于，它展示了写作的多样性——正如 David 所说，"你想怎么写，就可以怎么写"。从文学创作到商业文案，从修辞技巧到笔记方法，每位专家都带来了自己独特的视角和实战经验。无论你是专业写作者、内容创作者，还是只想提升表达能力，这期节目都能给你带来启发。 👨‍⚕️ 本期嘉宾 David Perell，知名写作教练、播客主持人，以"Write of Passage"写作课程闻名。本期他邀请了多位世界级专家：小说家 Amor Towles（《莫斯科绅士》作者）、修辞学家 Mark Forsyth（《修辞的要素》作者）、文化评论家 Ted Gioia、公关专家 Lulu Cheng Meservey、37signals CEO Jason Fried，以及多位在写作领域有深厚造诣的实践者。他们的写作经验合计超过 171 年。 ⏱️ 时间戳 00:00 开场 & 节目介绍 David Perell 的年度回顾 01:13 2024年写作心得：多样性与卓越 01:58 本期节目定位：写作精华合集 让故事活起来：Amor Towles 的写作哲学 02:24 场景写作：从孩子的视角观察 03:48 冻豌豆的细节：让场景真实可感 04:48 情感层次：母亲的故事如何影响场景 07:22 第一稿写给自己，编辑时转向读者 修辞的力量：Mark Forsyth 的公式 08:56 Diacope：三明治式重复的魔力 12:01 Chiasmus：对称句式的说服力 13:16 修辞手法的实际应用与滥用 多巴胺文化与写作的困境 14:39 多巴胺文化：消遣时代的到来 16:58 写作者的应对：忠于价值观 18:31 食品趋势对写作的启示 叙事框架与说服力 19:22 故事 vs 统计数字：为什么故事总是赢 21:26 框架之争：谁掌握叙事谁就掌握主动权 笔记方法与写作工具 21:57 Sam Altman 的笔记策略 23:02 笔记本与笔的选择 23:24 撕页式笔记的灵感来源 讲故事的技巧与结构 26:14 《Storyworthy》的核心观点 26:33 风险：好故事的必要元素 27:43 五秒钟的改变瞬间 商业文案的创作过程 30:10 Jason Fried 拆解文案创作 32:50 "房东—租客"隐喻的由来 36:44 从问题到解决方案的过渡 38:34 Once 产品的五个要点 广告文案的迭代过程 50:12 从 1% 到 2%：文案价值的论证 51:06 冲突框架与大众汽车广告的启发 53:12 25 稿迭代：从想法到成品 写作的深层智慧 01:02:53 主题与细节：全息图式的写作 01:04:17 普遍性藏在特殊性里 01:09:03 写作的兴奋感与编辑的重要性 01:11:53 英语的双语能力：拉丁语与盎格鲁-撒克逊语 🌟 精彩内容 💡 "你想怎么写，就可以怎么写" David Perell 在回顾 2024 年采访时最大的感悟是：写作没有唯一正确的路径。学校里教的那些规则只是众多可能性中的一种，市场容得下每一种风格、每一种兴趣、每一种性格。但前提是，你必须做到非常出色。 "市场里容得下每一种风格、每一种兴趣、每一种性格，应有尽有。但不管你选哪条路，都得做到非常、非常出色。" 💡 冻豌豆的细节：从孩子的视角写活场景 Amor Towles 用"冻豌豆"这个例子展示了如何让场景真实可感。与其堆砌时代标志物（冰箱、披头士），不如从角色的真实视角出发，捕捉那些真正会吸引注意力的细节。孩子会看到冷冻豌豆从袋子里滑出来、在锅沿上敲碎、几颗弹跳着滚过台面——这些才是让场景活起来的关键。 "如果你想从孩子的视角把这个场景写活，你不会提冰箱、Bird's Eye、披头士，而是这些别的东西。" 💡 Diacope：改变记忆的修辞公式 Mark Forsyth 揭示了"三明治式重复"（diacope）的强大力量——"邦德，詹姆斯·邦德"、"生存还是毁灭"都是这个公式的产物。更惊人的是，《绿野仙踪》里那句"飞吧，我的宝贝们，飞吧"其实根本不存在，但所有人都记得，因为这种修辞手法强大到能改写我们的记忆。 "我们全都记得是这句。我们都把它记成那样，因为 diacope 这种修辞手法太强大了，强大到我们自己去改写了记忆。" 💡 多巴胺文化与写作的长期主义 Ted Gioia 警告说，社交媒体平台设计的滑动刷屏界面本质上是成瘾机制，每 15 秒一次的多巴胺刺激让人无法自拔。但他坚信，追逐这种文化潮流是死路一条——那些要求"降智、更快、更短"的编辑现在全都失业了。真正的长期关系建立在深度内容之上。 "如果你试图去追逐科技平台和那些预消化过的东西，你可能会有一阵短暂的爆发式成功，但你没法像我这样，在几十年里建立起一份事业。" 💡 故事 vs 统计数字：为什么指控总是赢 Lulu Cheng Meservey 用北约和自由贸易的例子说明：指控通常是一个故事，而辩护通常是一个统计数字。一个人的死亡是悲剧，一百万人的死亡是统计数字。拿统计数字去对抗故事，你永远在输。这就是为什么框架如此重要——谁掌握叙事，谁就掌握主动权。 "你要是拿统计数字去对抗故事，你永远在输。" 💡 五秒钟的改变瞬间 《Storyworthy》作者的核心观点：所有好故事都围绕一个五秒钟的改变瞬间展开。浪漫喜剧的开头是花花公子不想安定，结尾一定是他求婚；斯克鲁奇讨厌圣诞节，最后爱上圣诞节。如果你不知道主角那五秒钟的转变瞬间是什么，你就没有一个真正的好故事。 "故事就是五秒钟的改变瞬间。你讲故事的一切都汇聚到这一个瞬间，这五秒钟里人物发生了转变。" 💡 文案就是论证：从 1% 到 2% 的迭代 Jason Fried 现场拆解了一则广告的 25 稿迭代过程。从"1% 和 2% 的差别不只是 1%，而是 100%"这个想法种子出发，经过大众汽车广告的视觉启发、冲突框架的构建、无数次的改写和反馈，最终打磨成一件简洁有力的作品。文案不是鱼饵，而是简洁沟通的艺术。 "文案就是论证。它就是一个论证。学文案最好的论证是什么？你有两个选择。" 💡 写作是孤独的，但回报是深远的 Robert Greene 坦言，写作过程中那种兴奋感十次里有九次会把你带进糟糕的地方。真正的写作发生在编辑阶段。写作是孤独的、无聊的、令人沮丧的，但当整本书完成时，那种"我明天死了也没关系"的满足感，是任何即时快感都无法比拟的。 "如果你进入写作是因为你觉得那是一种快感，那哥们儿，你要是这么想，你入错行了。写作是孤独的。" 🌐 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：知名播客 Lenny's Podcast This CPO regrets that product management exists | Tom Verrilli (CPO of Whatnot) 原内容更新时间：2026-08-02 本期嘉宾是直播购物平台 Whatnot 的首席产品官 Tom Verrilli，主持人是知名产品社区 Lenny's Podcast 的创始人 Lenny。Tom 在科技行业拥有超过十五年的产品领导经验，曾长期担任 Twitch 的 CPO 和 Twitter 的产品增长总监。这期节目围绕 Tom 提出的一个颇具争议的观点展开——他公开表示"为产品管理的存在感到遗憾"，并深入探讨了 AI 时代产品经理角色的未来、团队结构的变化，以及他招人时真正看重的能力。 这期对话信息密度极高，涵盖了产品管理的本质、AI 对产品团队的重塑、个人贡献者与管理者角色的转变、如何与强势创始人共事、以及 Whatnot 独特的组织文化等多个维度。无论你是产品经理、工程师、设计师，还是创业者，都能从中获得关于产品工作本质的深刻洞察和实用建议。 👨‍⚕️ 本期嘉宾 Tom Verrilli，Whatnot 首席产品官。Whatnot 是史上增长最快的美国市场电商平台，GMV 超过 80 亿美元。在此之前，Tom 长期担任 Twitch 的 CPO，并在 Twitter 担任产品增长总监，经历了该公司历史上最动荡的时期之一。他以其犀利、反直觉的产品管理观点著称，是产品领域最具影响力的声音之一。 ⏱️ 时间戳 开场 & 播客简介 00:00 节目开场与嘉宾介绍 00:34 本期克隆节目介绍：Lenny's Podcast 对话 Tom Verrilli 01:18 Tom 的核心观点："我们为产品管理的存在而感到遗憾" 产品管理的本质与演变 02:05 产品管理是一门手艺，而不是一种资格 04:39 产品管理岗位的历史起源与演变 07:39 人力资源配比模式的出现与问题 08:28 工程师和设计师是否想做产品经理的工作 AI 时代的产品团队重构 12:34 AI 对产品经理角色转变的驱动 15:03 Whatnot 产品团队的实际结构与运作方式 16:52 招产品经理时看重什么特质 17:21 哪些特质正在走下坡路 个人贡献者与管理者角色的转变 21:23 产品经理转向个人贡献者式的工作 21:39 为什么把所有 A 级人才都提拔到不再做事的位置 24:44 个人贡献者工作具体指什么 25:47 对"回去做个人贡献者"的看法 薪酬、招聘与产品技能的未来 27:39 个人贡献者能否拿到副总裁级别的薪酬 28:08 产品最终会做得更好还是人更少 30:56 对正在找产品经理工作的人的建议 33:44 AI 让产品团队跑得更快的三个方式 数据科学、角色演变与产品团队的未来 38:22 数据科学家面临的挑战与机遇 39:46 哪些角色会往下走，哪些会往上走 41:25 未来几年产品团队的整体形态 42:49 产品经理的核心技能是否成了最有价值的东西 与创始人共事的艺术 49:21 CPO 在创始人主导的公司中的角色 49:55 "两个爸爸问题"与不重复劳动 51:41 自上而下与微管理的真正含义 53:23 给想给创始人打工的产品人的建议 "拉手风琴"思维模型与电商未来 57:22 "拉手风琴"思维模型 01:00:26 具体场景中的"拉手风琴"应用 01:02:17 Whatnot 与 Agent 电商的对比 01:05:00 在 Twitter 的经历与学到的教训 失败角落与快问快答 01:08:05 失败角落：平均值对个体毫无意义 01:10:36 对听众的寄语 01:12:46 快问快答：推荐书籍、电影、产品 01:16:28 在 Whatnot 上买活龙虾的经历 🌟 精彩内容 💡 "我们为产品管理的存在而感到遗憾" Tom 用这句话作为 Whatnot 产品团队的核心理念，不是为了否定产品经理的价值，而是为了逼自己记住：不要为了招产品经理而招产品经理。只有在确实有明确需求的时候才招，而不是默认每个地方都需要产品经理。 "我们之所以这样表述，是为了逼自己记住：不要为了招产品经理而招产品经理。" 💡 产品管理是一门手艺，而不是一种资格 Tom 认为，想让产品管理成为一门专职职能的唯一理由，是它是一门手艺——靠做才能做好的东西，是一块肌肉。但反过来，你越是把工程师和设计师从这件事里抽离出来，他们的这块肌肉就越萎缩。 "想让产品管理成为一门专职职能的唯一理由，其实是——它是一门手艺，而不是一种资格。" 💡 招这么多产品经理，反而把工程师和设计师"婴儿化"了 Tom 指出，随着科技公司扩张，那种"每招六个工程师就配一个设计师、一个产品经理"的配比模式凭空出现。结果就是工程师和设计师完全有能力做出好的决策，只是从来不需要做，因为总有产品经理在旁边盯着他们。 "雇这么多产品经理反而把工程师和设计师给'婴儿化'了，他们完全有能力做出好的决策，只是从来不需要做。" 💡 我们把所有 A 级选手都提拔到不再做具体事情的位置上去了 Tom 对产品经理被提拔成总监后不再亲自动手的现象提出尖锐批评。他主张，副总裁和总监应该把 90% 以上的时间花在个人贡献者工作上，因为资深产品人对什么能成的直觉已经磨得很准，能更快做决定、产生实际影响。 "你为什么不希望梅西在你的球队里踢球，而是一直指望青训营出人？" 💡 没有微观，你就做不好宏观决策 Tom 强调，如果你不逼自己下沉，跟个人贡献者工程师、设计师、产品经理坐在一起干活，你根本不会知道系统到底怎么运作。他主张做 T 型人才——需要的时候能扎得非常深，大多数时候在各个板块之间保持广度。 "没有微观，你就做不好宏观决策。" 💡 "拉手风琴"思维模型 Tom 用钢琴手风琴来比喻产品开发的节奏：在弹出一个音符之前，你得先把它完全拉开，把空气吸进来——想清楚我们到底想做成什么。但直到你按下琴键、把它一路推回去，推到 V1，音乐才真正产生。你得习惯这个动作：拉开本身不创造价值，所有的价值都在推回去的时候产生。 "你得不断地拉远、再推回来，拉远、再推回来。" 💡 大多数时候你听到"这事真的很复杂"，其实并不复杂，就是领导层太弱 Tom 分享在 Twitter 的经历时指出，很多看似复杂的问题，其实只是领导层缺乏拍板的勇气。他举例说，所有人都知道迟早要放开 140 字的限制，但一个接一个的工作组就是没人愿意拍板，结果拖了一年半才真正实施。 "大多数时候你听到'这事真的很复杂'，其实并不复杂，就是领导层太弱。" 💡 平均值对个体来说毫无意义 Tom 分享他职业生涯中最大的失败教训：在任何一个规模不小的群体里，去看某个东西的平均效用或平均采用率是特别有吸引力的事，但平均值一直在骗你。如果只依赖平均值，而不去想藏在下面的那些个体使用场景，你可能会把某群人的核心用例给炸掉。 "平均值对个体来说毫无意义，这大概是我被伤得最深的一点。" 🌐 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：知名播客 Unsupervised Learning: With Jacob Effron xAI Co-Founder: Igor Babuschkin Unpacks the Future of Model Development 原内容更新时间：2026-07-31 本期嘉宾是xAI联合创始人、River AI创始人Igor Babuschkin，主持人是Redpoint投资人Jacob Effron。Igor的职业生涯几乎横跨了所有顶级AI实验室：在DeepMind主导星际争霸和AlphaCode项目，在OpenAI推理团队早期加入、参与了o1模型诞生前的研究，随后联合创办xAI，在约120天内建成Colossus数据中心，并推动Grok系列模型达到前沿水平。 这期节目里，Igor首次深度分享了离开xAI后创办River AI的完整思考，以及他在企业AI、个人AI和本地硬件上的三个核心押注。他还坦诚聊到了与Elon Musk共事的真实体验、对Cursor收购的看法、为什么他认为闭源模型厂商作为生意正陷入困境，以及他对AI对齐、开源模型和人类未来的深刻反思。如果你关心AI行业的走向、模型训练的瓶颈，或者想了解顶级AI研究者如何看待这个时代的变革，这期节目会给你大量一手判断。 👨‍⚕️ 本期嘉宾 Igor Babuschkin，River AI创始人兼CEO，xAI联合创始人。他的职业生涯横跨DeepMind、OpenAI和xAI三大顶级AI实验室：在DeepMind主导了星际争霸AI项目和AlphaCode项目，在OpenAI参与了推理方向的早期研究，随后联合创办xAI并主导了Colossus数据中心的建设。2025年离开xAI后创办River AI，专注于企业AI、个人AI和本地硬件三个方向。他是一位兼具研究深度和工程能力的AI领域领军人物，对模型训练、强化学习和AI对齐有极深的理解。 ⏱️ 时间戳 00:00 开场 & 播客简介 嘉宾登场与背景介绍 01:10 主持人Jacob Effron介绍Igor的传奇经历 02:18 Igor接受邀请，对话正式开始 从科幻小说到AI愿景 02:56 Igor谈为何写科幻小说：编程Agent的爆发 04:17 现代版《魔法师的学徒》：AI失控的隐喻 05:11 个人AI是Agent的下一个迭代方向 AI的下一步：从可验证到不可验证 05:57 科学发现是AI的下一个明确方向 07:16 数据瓶颈：物理世界实验的挑战 08:09 超级AI与日常AI的分化 River AI的三个赌注 09:26 创办River AI的动机：分发AI的控制权 11:20 三个项目：企业API、个人AI、本地硬件 11:36 第一个赌注：River API强化学习服务 12:12 第二个赌注：个人AI与个性化对齐 13:10 第三个赌注：本地硬件与推理算力 本地AI的隐私与控制 14:47 控制权是本地AI的核心动机 15:02 本地设备的低延迟优势 15:23 个人AI的隐私问题与数据安全 模型个性化与端到端训练 15:57 个人模型的持续学习与定制 16:24 端到端训练的重要性 17:08 以个体幸福感为奖励函数 企业AI与开源模型的未来 19:19 企业定制模型的成本与速度考量 19:50 专有模型与开源模型的竞争格局 20:36 开源模型变强带来的趋势变化 21:42 专有模型厂商的困境：两头受压 开源模型与地缘政治 27:48 中国开源模型的优势与风险 28:13 开源模型降低门槛的价值 29:03 对模型后门风险的评估 29:37 美国需要最好的开源模型 从DeepMind到OpenAI的旅程 30:38 回顾AI进展的惊人时刻 30:55 从物理学家到AI研究者的转变 32:04 星际争霸项目的技术挑战 33:04 AlphaCode：编程是下一个大方向 33:49 加入OpenAI推理团队 OpenAI与DeepMind的比较 34:50 两家实验室的文化差异 35:11 OpenAI的优势：人才密度与共识 35:42 对AI权力集中的担忧 xAI的创立与Colossus 37:11 与Elon Musk的相遇与共鸣 37:49 xAI的创立与人才聚集 38:26 Colossus数据中心：120天的奇迹 39:10 质疑传统数据中心建设方式 与Elon共事的体验 40:10 Elon对工程师的尊重 40:46 深入工程细节的领导风格 41:08 高能量与团队动力 Cursor收购与编程模型 41:25 Cursor收购是极其聪明的一步 41:52 真实世界编程数据的价值 42:24 强化学习环境的重要性 模型训练的瓶颈与突破 43:08 最大瓶颈：长时域与不可验证奖励 43:39 编程赛道的陷阱与长时域领域 44:04 Agent rollout时间对训练的限制 不可验证领域的进展 44:37 LLM裁判方法的兴起 44:50 模型自身判断力的可靠性 45:18 配方已存在，等待大规模实验 AI的变革时刻与未来 45:41 编程Agent的变革超出预期 46:22 阶跃变化时刻的不可预测性 人类与机器的共生 46:50 人类在AI时代的位置 47:12 与机器建立正确的共生方式 47:58 对齐需要更深层次的进展 AI安全与放缓的呼吁 49:17 对放缓AI发展的公开信的看法 49:32 AI已太大，难以慢下来 50:02 在安全技术上加速 开源模型与对齐研究 50:15 开源模型对安全研究的价值 50:35 网络安全能力是当前最大风险 AI的风险评估 50:55 AI放大不平等的直接风险 51:18 模型接管一切的远期风险 结尾与感悟 51:40 《向机器神祈祷》中的动人句子 51:57 第一次让模型跑起来的神奇感觉 52:39 收尾与感谢 🌟 精彩内容 💡 "我们想做爵士乐队，不想做军乐队" Igor用"爵士乐队"形容Notion的组织状态：不是没有结构，而是在结构中允许即兴、协作和个人发挥。AI时代变化太快，传统计划与层级不足以应对每周都在变的技术环境。 "我们想做爵士乐队，不想做军乐队。" 💡 AI产品不是造桥，而是酿啤酒 传统软件像造桥，设计清楚结果可预测；用language model构建产品更像酿啤酒，你无法完全控制"酵母"，只能让最强的人一起实验、评估、打磨。 "用language model构建产品，更像是在酿啤酒。" 💡 编程Agent的爆发是所有人都没预料到的变革 Igor坦言，他原本预期编程模型会平稳进步，但2025年11月、12月编程Agent突然跨过能力门槛，使用量爆发式增长，这种阶跃变化完全超出预期。 "使用量的突然爆发，那真的是另一回事。" 💡 闭源模型厂商正被两头挤压 前沿模型强到可能不被允许发布，而开源模型每个月都在变强。Igor认为做专有模型其实不是个好位置，出路在于创新和走向分布式。 "你把模型做得太好了，不让你发布；但开源就在你身后，每个月都在变强。" 💡 个人AI的核心是端到端训练个体幸福感 Igor认为，未来的个人AI应该针对每个个体进行端到端训练，以最大化一个人的幸福感为奖励函数，而不是让模型在平均用户上表现良好。 "你真的要针对你想优化的那个真实信号去做端到端训练——也就是个体的幸福感。" 💡 本地硬件是AI控制权的根本 Igor强调，把推理算力带到用户本地，让模型真正属于个人，是解决AI权力集中的根本一步。这既是研究问题，也是工程问题。 "我们能不能把推理算力带到用户本地？要真正在办公室、在家里放一台小设备就能跑前沿模型，需要做到什么？" 💡 美国需要拥有最好的开源模型 Igor认为，美国拥有最好的开源模型至关重要，这既是地缘政治的需要，也是让更多人参与AI对齐研究的基础。 "我们应该都想办法，怎么让一个美国团队训练出全世界最好的开源模型，没有之一。" 💡 人类需要与机器建立深层次的共生 面对"机器能做所有工作，人类还剩什么"的问题，Igor认为关键在于找到与机器的正确共生方式，这需要对齐方面的新进展，甚至可能包括神经接口。 "我们应该努力的方向，是想办法让共生继续下去。而对我来说，这需要对齐方面的新进展。" 🌐 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