跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了知名英文科技播客《Decoder》的一期深度对谈 What comes after smartphones, with Evan Spiegel of Snap 主持人 Nilay Patel 与 Snap 公司联合创始人兼 CEO Evan Spiegel 在酒吧里边下棋边聊，坦诚分享了 Snap 的最新进展、Spectacles 眼镜的研发历程，以及他对增强现实、人工智能和社交网络未来的深刻洞见。从十二年 AR 之路的技术攻坚，到 AI 如何彻底改变软件开发，再到社交与媒体为什么要彻底分开——Evan Spiegel 用他的人本主义技术观，描绘了一幅不随大流的科技蓝图。 👨‍💼 本期嘉宾 Evan Spiegel，Snap Inc. 联合创始人兼 CEO，Spectacles 眼镜的缔造者。他自 2014 年起带领团队投入 AR 眼镜研发，同时将 Snapchat 打造成月活近十亿的即时通讯平台。他以对产品的不妥协和对人本设计的坚持闻名，是少数敢于挑战主流社交模式、并持续押注下一代计算的创始人之一。 ⏱️ 时间戳 开场 00:00 开场 & 播客简介 AR 之路与 Spectacles 01:35 Snap 的“熔炉时刻”：十亿月活、净利润盈利在即 02:22 Spectacles 首次面向消费者：十二年磨一剑 03:04 技术挑战：为什么把计算机塞进眼镜这么难？ 07:51 全栈自研：从 Snap OS 到光学引擎，为什么弃用安卓？ 12:34 何时普及？1984 年 Macintosh 式的早期尝鲜者 15:23 拍照眼镜的教训：“好十倍”原则与护城河 未来计算与人机交互 04:25 后手机时代：先转移大屏，再创造全新体验 09:52 以人为本的设计哲学：为什么眼镜是计算的必然归宿 16:08 “杀手级应用已死”：AI 时代，人们为自己量身打造软件 18:10 Lens Studio：让任何人都能快速构建 AR 体验 社交网络的设计哲学 20:31 Snapchat 的核心：即时通讯与年超万亿自拍的相机帝国 24:35 网络不是越大越好：为什么密友圈带来更强幸福感 27:06 最大的错误：把社交和媒体结合，制造反常激励 29:35 短暂性的价值：默认删除，保存例外 31:05 未来的沟通：通过 Spectacles 在真实世界中连接 商业、青少年与责任 21:38 营收双引擎：广告 + Snapchat Plus（2500 万订阅，年化十亿美元） 22:16 当 AI 推理成本上升，直接收入为何越发重要 33:05 孩子与屏幕：健康平衡胜过一刀切 36:10 澳大利亚禁令的失效：克隆应用与系统级控制缺失 38:20 社交媒体与心理健康：为什么 Snapchat 呈正相关？ 41:09 内容准则：在源头审核，而非依赖算法纠偏 产品创新与领导力 43:15 保持“酷”的秘诀：不追求酷，追求持久价值 43:59 每周几百个创意：设计师直接提交代码的设计评审 45:42 连续互发（Streaks）的转变：从反对到被用户故事打动 47:33 跨职能协作：设计、工程与产品的平等对话 47:58 挪威奇迹：高网络渗透 + 重视亲密关系，点燃早期增长 50:12 领导力进化：从打造产品到激励人攻克最难问题 制造与知识产权 51:23 美国制造：关键光学组件本土化，保护核心 IP 52:33 结尾：酒吧飞镖与下棋，轻松收官 🌟 精彩内容 💻 AI 席卷代码库 “现在 Snap 超过三分之二的新代码都是 AI 写的，这个转变发生得非常非常快。……我们写软件和运营公司的方式正在发生翻天覆地的变化。” Evan 透露，Claude 等工具正在彻底改变全公司的软件开发，而这也让 Snap 在 AI 时代拥有更独特的竞争优势。 🔀 社交与媒体必须分开 “最大的错误就是把社交和媒体结合在一起，这制造了很多反常的激励。” Snap 从一开始就将好友沟通与公共内容严格分开，避免为了填充信息流而迫使用户加更多好友，从而保护了密友圈的私密、自在与真实表达。 ❌ 我们不想让你盯着一堆数字看 “我们不想让你盯着一堆数字看，我们想退后一步，帮你跟朋友好好交流。” Evan 解释 Snap 为何抵制显式的粉丝数、点赞数等量化指标，甚至多次想砍掉 Streaks 功能，最终却被无数用户来信说服——一个简单的连续互发标记，成了维系远方友谊的生命线。 👓 眼镜是计算的必然 “如果让计算更人性化，它必须从口袋里拿出来，放在眼前和耳旁。” 从十几年前开始做 Spectacles，Evan 就坚信眼镜是能融入人类生活、解放双手、理解环境的最佳形态，而非一块让人低头的屏幕。 💡 “好十倍”铁律 “如果做不到比现有方案好十倍，那投资进去就没意义。” 早期拍照眼镜的失败让 Snap 立下这条产品铁律，也是为什么 Spectacles 不满足于做 GoPro 替代品，而是瞄准真正的空间计算平台。 🌐 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：一档以人工智能为核心的英文对谈播客 Andrej Karpathy: From Vibe Coding to Agentic Engineering 本期嘉宾 Andrej Karpathy 是 OpenAI 联合创始人、特斯拉 Autopilot 前 AI 负责人，也是“软件 2.0”理念的提出者和“vibe coding”一词的创造者。在离开前沿大厂后，他以更犀利的视角重新审视 AI 编程的爆发。他为何说自己作为程序员从未感到如此落后？Vibe coding 如何从一个玩笑变成真正的工程实践？软件 3.0 时代，编程的本质被改写成什么？Andrej 用亲身案例、可验证性框架以及“动物与幽灵”的比喻，为听众描绘了一幅从编码到智能体工程的认知地图。他还强调：无论 AI 如何进化，“你不能外包你的立场”。这是一场关于技术变革与人类定位的深度对话。 👨‍⚕️ 本期嘉宾 Andrej Karpathy，人工智能领域最具影响力的思想者与教育者之一。他是 OpenAI 的联合创始人，曾在特斯拉主导 Autopilot 的 AI 研发，被广泛认为是“软件 2.0”理念的提出者。他创造的“vibe coding”一词，精准捕捉了 AI 辅助编程的文化变迁，引发了全球开发者圈的广泛讨论。目前他致力于 AI 教育，以清晰透彻的讲解著称。 ⏱️ 时间戳 00:00 开场 & 本期播客简介 01:39 嘉宾登场：OpenAI 联合创始人 Andrej Karpathy 从“落后感”到 Vibe Coding 02:18 作为顶尖程序员，为何突然感到从未如此落后？ 03:13 Vibe Coding 的诞生：12月，一个决定性的转折点 软件三点零：编程的重新定义 03:54 软件1.0→2.0→3.0的演化：提示成为编程，上下文成为杠杆 04:44 实例一：用一段文字安装 OpenCL，告别膨胀的脚本 05:44 实例二：menu gen 的命运——一个简单的提示秒杀了整个应用 07:08 超越代码：AI 正在自动化广义的信息处理 可验证性：AI 自动化背后的引擎 09:39 锯齿状智能：为什么 AI 能解复杂方程却不会去洗车？ 10:52 强化学习与验证奖励：模型能力的底层逻辑 12:50 给创业者的启发：在可验证的蓝海领域，你还有机会 从 Vibe Coding 到 Agent Engineering 14:31 Vibe Coding 抬高下限，Agent Engineering 拉高上限：十倍加速不是梦 15:21 智能体像“带刺的实习生”：如何驾驭其随机性与脆弱性 16:48 招聘革命：用“部署推特并抵御攻击”代替白板谜题 17:29 人类的领地：品味、判断与对“实习生”的监督 智能体的本质与世界的重构 20:46 动物还是幽灵？理解大语言模型的真实形态 22:04 把世界看作传感器与执行器：智能体原生时代 22:20 基础设施的“智能体优先”革命：别再让我手动部署 教育、理解与“不能外包的立场” 23:51 “你可以外包你的思考，但你不能外包你的立场” 24:23 为什么理解仍是瓶颈？用 AI 增强而非替代人类的认知 🌟 精彩内容 💡 “我作为程序员从未感到过如此落后” Andrej Karpathy 坦言，在去年12月，AI 编程工具的连贯性发生了质变，让他进入了“vibe coding”状态。他不再纠正代码，而是完全信任系统。“我已经好几个月没写过 HTML 或 JavaScript 了，都是 AI 在处理。”这种从怀疑到全盘接受的体验，定义了新一代编程文化的起点。 🛠️ 软件3.0：一行提示消灭一个应用 通过 menu gen 的例子，Andrej 揭示了软件3.0的可怕潜力。当他用复杂的开发流程做了一个菜单可视化应用后，却发现用 Gemini 的一个简单提示“用 Nana Banana 把这些东西覆盖到菜单上”就直接生成了最终图片，应用本身变得毫无必要。这让他惊呼：“我做的 menu gen 完全是多余的……那个应用根本不应该存在。”它标志着从编写代码到编写上下文的根本迁移。 🚀 可验证性：AI 的“锯齿状”真相 为什么顶尖模型能重构十万行代码，却会建议你走路去洗车？Andrej 用“可验证性”和强化学习训练机制解释了 AI 能力的参差不齐。他指出，模型在可被验证的领域（如数学、编程）表现超群，但在未经强化学习打磨的常识上则显得笨拙。理解这种锯齿状，是创业者选择 AI 应用方向的关键。 ❤️ 不能外包的立场 面对 AI 自动化一切的未来，Andrej 强调，人类最后的价值不在于计算，而在于判断。“有一条推文让我大为震撼：你可以外包你的思考，但你不能外包你的立场。”他认为，即使智能体再强大，理解仍是创作者的瓶颈，而用 AI 工具增强理解，才是保持航向的核心。 🌐 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硬核科技播客《Dwarkesh Patel》How GPT-5, Claude, and Gemini are actually trained and served – Reiner Pope 嘉宾 Reiner Pope 是芯片初创公司 Maddox 的 CEO，更早之前曾在谷歌负责 TPU 架构设计。整期节目采用“黑板讲座”的形式，Reiner 从最基础的 roofline 模型出发，一步步推导出批次大小如何影响大模型推理的延迟与成本，揭示了“内存墙”为什么是上下文长度的真正枷锁。他还结合 Gemini、DeepSeek 等前沿模型的公开定价，反向推算出隐藏的技术架构，甚至连 KV 缓存存储在哪一层内存都能猜出来。对话后半段更跨界到密码学，探讨神经网络与密码协议在结构上的惊人相似。这是一堂 AI 基础设施的实战大师课，听完你会对“为什么 API 定价是这样”“为什么模型扩展变慢了”这些问题豁然开朗。 👨‍⚕️ 本期嘉宾 Reiner Pope，AI 芯片公司 Maddox 的创始人兼 CEO，曾在谷歌领导 TPU 架构设计，对分布式训练、推理系统和芯片设计有极其深厚的工程与研究积淀。他还是《Scaling》一书的作者。 ⏱️ 时间戳 开场与技术形式 00:00 Yikai 开场及节目介绍 01:26 Dwarkesh 介绍嘉宾与“黑板讲座”设置 Roofline 模型与批次大小的艺术 02:53 为什么要从“批次大小”开始？它对延迟和成本的决定性影响 04:33 批处理为什么能节省上千倍成本？ 07:04 一张延迟图看懂内存时间与计算时间的平衡 10:25 稀疏注意力与最优批次大小的代数推导 12:00 单用户推理为什么贵？成本曲线揭示的无穷大起点 15:20 最优批次大小≈300×稀疏度，一个跨硬件稳定的常数 17:08 推理引擎的“火车模型”：每 20 毫秒固定发车 19:35 从每秒 12.8 万 token 反推前沿模型的多大用户量 21:38 增加稀疏度划算吗？《路由语言模型统一法则》告诉你答案 模型架构与硬件拓扑 24:15 混合专家层如何分片到 GPU 机架上 27:47 机架内的 NVLink 高速网络与机架间慢八倍的“瓶颈” 32:33 为什么 GPT‑4 之后模型规模扩展变慢了？不是计算，是内存容量在等机架 35:40 流水线并行真的省了内存吗？通信模式的代数拆解 39:45 流水线气泡：训练中的微批次权衡与推理中的“不费脑”设计 内存墙、过度训练与规模法则 45:12 内存容量真的过剩吗？为何大家还在砸钱买 HBM？ 49:03 为什么流水线并行对 KV 缓存无效？内存容量的死结 52:00 过度训练 100 倍？从 Chinchilla 最优到真实世界的偏离 58:23 预训练、强化学习与推理 token 的最优成本分配 01:04:24 惊人反推：预训练数据量其实约等于模型整个生命周期的推理 token 数 从 API 定价反推技术架构 01:05:26 Gemini 长上下文加价 50%的硬件解释 01:09:50 价格如何泄露秘密：每个 token 的字节数、KV 缓存大小都能算出来 01:12:47 输出 token 为什么比输入贵 5 倍？解码与预填充的内存带宽真相 01:14:51 KV 缓存命中便宜 10 倍：HBM、DDR 与机械硬盘的角色分配 01:22:00 5 分钟 vs 1 小时：定价时长正好对应闪存与机械硬盘的“排空时间” 交叉学科火花 01:24:17 神经网络与密码学：同样的“混合”结构，相反的训练目标 01:27:06 对抗攻击与后门：神经网络里的“雪崩效应” 01:28:45 从密码学借来的可逆网络：用计算换内存，反向传播不用存激活值 结尾 01:30:50 结语与致谢 🌟 精彩内容 💡 “火车模型”：理解推理延迟的钥匙 Reiner 把大模型推理比作固定时刻表的火车：每 20 毫秒发车一次，能上多少用户就上多少。这直接解释了为什么多付钱可以得到更快流式输出的“快速模式”，以及为什么存在“慢速模式”都无法突破的成本下限。 🛠️ 内存墙：限制上下文长度的真正元凶 “内存墙没有真正的解决方案”，Reiner 直言。通过 roofline 分析，他展示了为什么超出 20 万 token 左右后成本会急剧上升——不是因为算力不够，而是因为内存带宽被 KV 缓存吃满。这也是 Gemini 等模型长上下文定价加价 50%的根本原因。 🚀 用公开价格反推绝密架构 Reiner 现场演示了如何通过 API 每百万 token 的定价，推导出模型中每 token 的 KV 缓存字节数（约 2KB）、注意力头的维度，甚至推断出缓存是放在 HBM、DDR 还是机械硬盘里。一堂震撼的技术情报分析课。 💻 批次大小：从千倍成本差到硬件常数 如果不做批处理，单用户推理的成本可能比批处理高上千倍。而最优批次大小竟然可以通过一个简单的硬件常数（算力 / 内存带宽）乘以模型稀疏度直接估算出来，这个常数在不同 GPU 世代间保持惊人稳定。 ❤️ 密码学与神经网络：同构的两面 神经网络通过梯度下降学习结构，密码学却拼命制造随机性的“雪崩效应”。Reiner 指出，这恰恰是同一个混合架构的两个极端用途，而可逆网络正是从密码学中借来、用于节省训练内存的巧妙设计。 🌐 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 本期我们克隆的是 Y Combinator 官方播客的一期深度对谈。Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough 主持人 Gary 是 YC 的 CEO，嘉宾 Demis Hassabis 是 DeepMind 的联合创始人兼 CEO，他因破解生物学上长达五十年的蛋白质结构预测难题，在去年获得了诺贝尔化学奖。 在这期节目里，你将听到 Demis Hassabis 从国际象棋神童、游戏设计师到诺奖得主的传奇经历，以及他对通用人工智能的终极思考。对话深入探讨了当前 AI 系统缺失的关键组件——持续学习、长期推理和记忆；他独家披露了 DeepMind 如何将其在 AlphaGo 上验证过的强化学习和搜索哲学，融入当今最先进的 Gemini 大模型。此外，他还分享了小模型的“蒸馏”艺术、智能体的真实进展，以及 AI 将在未来五年如何彻底变革材料科学、药物发现等基础科学领域。对于每一位正在科技前沿探索的创始人，Demis 给出了一条至关重要的建议：在 AGI 可能于途中降临的时代，你该如何预判技术走向，构建真正具有防御性的深度科技公司。 👨‍⚕️ 本期嘉宾 Demis Hassabis，Google DeepMind 联合创始人兼 CEO，2024年诺贝尔化学奖得主。他从小是国际象棋神童，17岁便设计了畅销游戏《主题公园》，后来获得认知神经科学博士学位，并于2010年创立 DeepMind，致力于“解决智能问题”。他领导的团队开发了击败世界围棋冠军的 AlphaGo 和破解蛋白质结构预测难题的 AlphaFold，后者已被全球超过三百万研究人员使用，被誉为 AI 加速科学发现的里程碑。目前，他正带领团队打造 Gemini 模型，并继续朝着通用人工智能的宏大目标前进。 ⏱️ 时间戳 开场与嘉宾传奇 00:00 开场：Y Combinator播客简介与Demis Hassabis的非凡成就 03:30 Demis的职业生涯回顾：从棋坛神童到认知神经科学博士，再到DeepMind创立 05:00 AlphaGo与AlphaFold：两个改变世界对AI认知的里程碑 06:30 诺奖背后：免费开放AlphaFold，赋能全球每一位科学家 AGI架构的未来拼图 07:15 当前范式的局限：大模型还缺什么？持续学习、长期推理与记忆 09:45 “梦境循环”与海马体：神经科学启发下的经验重放技术 12:30 上下文窗口是终极方案吗？工作记忆的蛮力模拟与信息检索成本 15:00 生物大脑不是机器：完美记忆的承诺与逻辑成本困境 从AlphaGo到Gemini：强化学习的回归 17:45 智能体的原始基因：Atari游戏与AlphaGo如何定义自主系统 19:45 “想太多”的模型：在思维链中如何避免循环错误 22:00 强化学习被低估了吗？将游戏策略泛化到世界模型 24:00 AlphaZero的旧思想与当今基础模型的新结合 超高效的小模型：蒸馏的艺术 26:30 从庞大前沿模型到轻量级Flash：蒸馏技术的极限在哪？ 28:30 为何必须极致高效：服务数十亿用户的谷歌生态与低延迟刚需 30:30 速度优于绝对能力：迭代效率如何弥补5%的能力差距 32:00 隐私与安全：设备端小模型的战略意义 智能体时代的黎明 35:00 智能体真实能力：到底是炒作还是真正的起步？ 37:00 人机协作：为什么还没出现“AI造出的爆款游戏”？ 38:45 失踪的创造火花：一个能发明“围棋”的系统何时到来？ 40:15 工具的灵魂：人类品味与创造力的不可或缺 多模态、开源与设备端模型 43:30 从Gemini到Gemma：开放科学基因与开源模型战略 46:00 为何开放边缘模型？部署风险与安卓、机器人的全球布局 48:00 多模态先见：如何让AI理解物理世界并遥遥领先 AI与基础科学的下一个突破口 51:00 AlphaFold的范式：组合搜索空间、清晰目标函数与合成数据 53:30 迈向虚拟细胞：我们需要什么样的活细胞成像技术？ 56:00 未来五年最具变革潜力的科学领域：材料、气候与数学 58:00 根节点问题：如何用AI解锁全新科学发现的分支 给深科技创始人的忠告 01:00:30 预测AI走向与跨学科结合：如何构建不被基础模型吞没的护城河 01:03:00 拥抱深度科技：真正有价值的事从不简单，相信你的另类视角 01:06:30 为自己热爱的事业而战：即使技术未成，你也会找到继续的路 01:08:30 终极建议：在AGI终点途中启动你的深科技征程 终极挑战：科学推理与AI的创造力 01:10:30 系统能否自己提出“黎曼假设”？超越模式匹配的科学推理 01:13:00 “爱因斯坦测试”：训练截止1901年的模型，它会发现狭义相对论吗？ 01:16:00 通用工具与专用系统的未来：为何AGI不应是一个巨无霸大脑 🌟 精彩内容 💡 AGI的最终架构：还缺哪几块拼图？ Demis 明确指出，尽管当前的大规模预训练、RLHF和思维链范式已非常强大，但要实现完全的通用智能，我们还必须攻克持续学习、长期推理和更高效稳定的记忆机制。“我觉得现有的组件会是AGI最终架构的一部分，但可能还需要一两个重大的想法去突破。” 🧠 从神经科学借来的AI灵感 Demis 结合其认知神经科学的博士背景，解释了DeepMind早期突破的核心概念——“经验重放”如何源于对大脑海马体在睡眠中巩固记忆的研究。这一在2013年被用于Atari游戏AI DQN的 “远古时期”突破，至今仍对克服模型的“无状态”难题具有深刻启发。 🚀 小模型的大智慧与蒸馏的极限 当被问及小模型的聪明程度是否有极限时，Demis 乐观地表示目前远未触及信息密度的天花板。“我们的一款前沿模型发布半年到一年后，你就能在那种非常小、几乎能跑在设备端的模型里看到同样的能力。” 这不仅关乎成本，更关乎速度与隐私，他认为设备端高效模型加云端强大模型协调将是理想的终局。 ♟️ 当AI“想太多”：从国际象棋的错误说开去 Demis 分享了与Gemini下棋的有趣观察：模型有时会意识到某步是臭棋，但因找不到更好的选择而依然走出那一步。“在一个精确的推理系统里，你根本不应该看到这种事……我总觉得它对自己的思考过程缺少一种内省。” 这反映了当前系统推理能力的“锯齿状”特征。 🔬 科学发现的下一个“AlphaFold时刻” Demis 提出了他所寻找的科学突破范式：一个巨大的组合搜索空间、一个明确定义的目标函数、以及足够的数据或合成数据模拟器。他预测在材料科学、药物发现等领域，我们正处于类似AlphaFold爆发前的“临门一脚”时刻，并给出了“十年内实现完整虚拟细胞”的具体时间线。 💎 创始人的黄金法则：预判AI，拥抱深科技 对于创业者，Demis 的建议直击要害：“你必须预判 AI 技术的发展走向。” 他认为，将AI与某个深度技术领域（如材料、医药）相结合的跨学科团队，将最具防御性，不会轻易被基础模型的下一次更新淹没。此外，他鼓励所有人将生命投入到“如果你不做就不会有人去推动、真正能改变世界的事情”上。 🌐 播客信息补充 翻译克隆自：Y Combinator 官方播客 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 本期我们克隆的是知名英文播客《Naval》 On Vibe Coding ，由硅谷传奇投资人 Naval Ravikant 与联合主持人 Nivi 共同主持。 他们在这场对话中深入探讨了 vibe coding——利用 AI 直接编写代码、甚至一句话生成个性化应用的新潮流。Naval 从自己沉迷于用 AI 构建个人应用商店的亲身经历出发，剖析了 AI 编程智能体如何降低创造门槛，并大胆预言：纯软件已不再适合风险投资，而苹果在 AI 上的落后将导致其统治地位终结。这不仅是技术趋势的解读，更是对未来个人创造力、创业格局和科技巨头命运的深刻洞察。 在这期节目中，你将听到 Naval 如何仅凭自然语言指挥 AI 生成完全定制的健身应用，体验“比打电子游戏更上瘾”的编程快感；他将首次详细对比 Claude、ChatGPT、Gemini 和 Grok 四大前沿模型的使用体验；更重要的是，他将揭示 AI 编程对风险投资、软件创业乃至苹果公司市值的深远冲击。这是一场充满洞见的思维盛宴。 👨‍⚕️ 本期嘉宾 Naval Ravikant，硅谷著名天使投资人、企业家与思想家。他是 AngelList 的联合创始人，早期投资了包括 Uber、Twitter 等在内的众多明星公司。他以其深刻的第一性原理思考闻名于世，播客《Naval》在全球拥有大量忠实听众。 Nivi，Naval 的常规联合主持人，多次与 Naval 搭档探讨科技、投资与人生哲学，以犀利的提问和见解著称。 ⏱️ 时间戳 开场介绍 00:00 节目介绍：跨国串门计划，AI 声纹克隆技术跨越语言障碍 00:39 本期克隆《Naval》播客，嘉宾 Naval Ravikant 简介 01:15 精彩预告：vibe coding 比游戏更好玩，苹果统治地位终结 爱上 Vibe Coding：从零到个人应用商店 01:38 Nivi 开场，抛出 vibe coding 话题 02:00 拐点到来：Claude Opus 4.5 让 AI 编程智能体变得可靠 03:06 上瘾的开始：AI 真的能干活了，编程启动门槛骤降 04:01 智能体的秘密：长期存活在 Unix 环境中，像有初级程序员随时待命 05:34 个人应用商店诞生：一句话生成应用，直接装到 iPhone 上 08:24 最难的是清晰愿景：讲述重做社交应用 Air Chat 的缘起 无妥协创作：AI 编程的核心魔力 09:37 像自动驾驶一样无拘无束，再也不用迁就任何人 10:01 原型纯粹性：完全忠实于创造者愿景，可能催生更多《我的世界》式作品 12:47 比电子游戏更上瘾：真实世界的反馈闭环，让人每晚沉浸 纯软件已死？对创业与风投的冲击 11:49 断言：纯软件不可投资，风投应转向硬件、网络效应和 AI 模型 12:00 两大原因：AI 让软件拼凑太过容易，且智能体进步足以构建可扩展软件 13:00 个人软件创作者的复兴，但“职业”概念正在松动 AI 编程智能体的现状：模型对比与局限性 14:06 AI 纠错能力：从思考到协作，智能体如何学习 15:09 锯齿状智能：多智能体协作为何难以奏效 16:53 四大模型横向对比：Claude 善沟通，ChatGPT 最全面，Gemini 数据强，Grok 讲真话 18:05 群体思维与讨好倾向：模型缺乏真正主见，需人类引导 19:29 上下文窗口瓶颈：复杂项目下模型开始“失忆”，出权宜之计 21:24 未来可期：一次性生成复杂应用指日可待 苹果的危机：AI 如何终结 App Store 模式 23:23 对话式智能体崛起，手机应用变得可有可无 26:08 最大战略错误：苹果放弃 AI，统治地位开始终结 未来软件世界：自动修复与一人公司 27:00 自动修复 bug 系统：AI 每日审查并修复，人类只需把关 28:27 一人公司的时代：两三个人即可服务数千万用户，赚取数十亿美元 🌟 精彩内容 💡 Vibe Coding：比游戏更上瘾的创造体验 Naval 详细描述了 vibe coding 如何让他重拾编程乐趣。只需自然语言描述，AI 智能体就能生成功能完整的应用，并直接推送到个人手机。他坦言：“Vibe coding 比打电子游戏更好玩，它更有生产力，更有建设性，有更好的反馈循环。”这种即时反馈和零妥协的自由度，让 Naval 每晚都沉浸其中，甚至从社交媒体上完全消失。 🛠️ 四大 AI 编程模型横向测评 Naval 分享了他日常使用四款前沿模型的真实体验：Claude 善于匹配用户水平、沟通最顺畅；ChatGPT 仍是综合能力最强的“老大哥”；Gemini 凭借谷歌索引在搜索和数据获取上优势明显；Grok 则最少审查、敢说真话，且在科学难题上表现出色。他还揭示了模型间的群体思维和讨好倾向，提醒用户仍需充当“品味引领者”，亲自介入架构与设计。 💻 纯软件不可投资：风投行业的警钟 Naval 抛出重磅观点：“纯软件不可投资，我就把话撂这儿了。”他认为 AI 让软件的供给端急剧膨胀，单纯靠代码质量的优势已无法形成护城河。风险投资必须转向硬件、网络效应或基础 AI 模型。与此同时，这也为个人创作者打开了新时代——只需一两人就能做出服务数千万用户的软件公司，Notch 和中本聪式的传奇将更为常见。 🍏 苹果放弃 AI：十年最大战略错误 Naval 尖锐指出，随着 AI 智能体成为人机交互的核心，手机应用层的价值将大幅削弱，苹果软硬一体的优势会逐步瓦解。他直言：“我认为苹果放弃 AI，将成为这十年科技行业最大的战略错误，这也是苹果统治地位终结的开始。”他预言苹果市值将收缩，而新的巨头将从 AI 原生体验中崛起。 🌐 播客信息补充 翻译克隆自：On Vibe Coding 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：硅谷头部产品播客《Lenny's Podcast》 How to build a defensible company in the AI era | Evan Spiegel (Snapchat CEO) 本期嘉宾 Evan Spiegel 是 Snap 的联合创始人兼 CEO。十五年前他打造了 Snapchat，如今月活近十亿，是极少数能够持续创新的消费社交产品掌舵人之一。在这期节目中，你将听到 Evan 首次系统阐述：为什么在 AI 时代，分发成为比产品市场契合度更关键的护城河；Snapchat 如何连续十五年被抄袭却依然引领创新；他对 AR 眼镜这一下一代计算平台的执着与思考；以及他如何通过极扁平的创新组织，在巨头林立中持续推出 Stories、Spectacles 等改变规则的产品。这不仅是关于 Snapchat 生存与演化的深度复盘，更是一堂关于创始人如何平衡创新与规模、理想与现实的领导力大师课。 👨‍💼 本期嘉宾 Evan Spiegel，Snap 联合创始人兼 CEO。他于 2011 年与 Bobby Murphy 共同创建了 Snapchat，此后十五年一直领导公司创新，推出 Stories、AR 镜头、Spectacles 眼镜等里程碑产品。Snapchat 目前月活用户超过 10 亿，年营收超 60 亿美元，是全球最成功的社交消费平台之一。 ⏱️ 时间戳 00:00 开场 & 播客简介 消费社交的生死线：为什么分发比产品市场契合度更重要 01:37 为何 15 年来难有新社交产品成功？TikTok 和 Threads 的例外 03:59 分发：消费科技里最被低估的一课 05:23 砸钱砸出生态：TikTok 如何用数十亿美元解决分发 05:57 产品市场契合度之外，创始人该思考什么 06:24 亲密朋友的网络价值：Snapchat 的早期增长密码 Snapchat 的“原创者诅咒”：被抄袭与反超 08:31 从 Stories 到 AR 眼镜：Snapchat 被抄的历史清单 09:11 Snapchat+ 订阅被 Meta 抄袭：连名字都一样 09:39 被抄是一种福气？Evan 的反思与策略 09:55 十五年前就明白：软件本身不是护城河 10:12 构建生态系统：让抄袭者难以复制 硬件与 AR 眼镜：为下一代计算平台播下种子 11:41 硬件投入的初衷：把人们从孤独的屏幕中拉回来 12:02 Spectacles 到 Specs：十年的 AR 眼镜演进 14:10 新电脑形态：解放双手，连接真实世界 15:31 AR 不是通知屏幕：Evan 对人机交互的思考 构建创新组织：从《Loonshots》到 Snap 的实践 16:15 《Loonshots》的启示：大公司与小团队如何共存 19:14 设计团队作为创新引擎：9-12 人的扁平先锋队 19:40 没有层级的设计室：从第一天就要展示作品 22:05 想有好点子，先有大量点子：速度压倒完美 设计驱动一切：速度、评审与用户共情 22:30 该不该和用户交谈？Evan 的共情方法论 23:34 Stories 诞生记：倾听但不盲从用户需求的经典案例 26:39 截图检测：一个早期功能如何引爆增长 28:12 等了 200 名员工才招 PM：设计团队的产品经理角色 30:39 AI 时代：设计师终于被正名了？ 32:00 设计是“瓶颈”，也是品质的保障 AI 如何重塑产品团队：设计师写代码、智能体接管工作流 34:53 招聘设计师：只看作品集，不看履历 41:03 设计师写代码：从好奇到提交 PR 42:23 十亿用户规模的 AI 应用：自动化代码审查与 bug 修复 44:23 智能体改变公司运作：从产品想法到市场推广的自动化 50:52 Evan 的 AI 副驾驶：如何用 Glean 掌握整个公司的脉搏 创始人的进化：从做产品到当“首席解释官” 43:05 十五年 CEO 角色的蜕变：从回复客户邮件到战略 44:10 沟通是最核心的技能：克林顿的“首席解释官”之说 45:13 爱上冲突：从抵触全员大会到享受尖锐问题 Snap 的“关键时刻”与未来 47:21 为什么今年被称为“坩埚时刻”？十亿用户后的盈利压力与眼镜生意 48:40 “中间的小孩”：Snap 在巨头夹缝中的定位与挑战 49:50 家庭屏幕政策：四个男孩的不同数字生活 快问快答 55:08 反共识观点：人性远比技术重要，AI 推广必有社会反弹 56:43 推荐书籍：《苹果前五十年的故事》与《世界末日只是开始》 57:31 最近最爱的电影：《Marty Supreme》 58:02 重新迷上宝可梦：与孩子一起发现 IP 魅力 58:28 人生格言：你有两只耳朵，一张嘴巴——按比例使用它们 58:40 最爱的镜头：呕吐彩虹；最不爱的：换脸 结尾 59:34 让计算更具人情味：Evan 的临别寄语 🌟 精彩内容 💡 分发才是新护城河 Evan Spiegel 指出，在 AI 让软件构建门槛大幅降低的未来，分发将成为最难被复制的竞争壁垒。他以 TikTok 砸巨资补贴市场两端为例，说明解决分发问题比单纯寻找产品市场契合度更重要。这一观点对当下消费创业者极具冲击力。 “消费者科技行业里，太多人在关注产品市场契合度。但人们花在思考分发、搞懂分发上的时间，远远不够。” 🛡️ 十五年前就悟到的真理：软件本身不是护城河 Evan 回顾 Snapchat 被无数次抄袭的历史，坦承正是意识到软件功能极易复制，团队才早年押注生态建设和硬件。这一反思与当下 AI 时代“软件正在被商品化”的共识不谋而合，也解释了 Snap 为何在 AR 眼镜上投入十年之久。 “十五年前，我们本质上就认识到，软件本身不是护城河。而这一点，今天所有人正在通过 AI 重新发现。” 👓 AR 眼镜：为被屏幕隔离的人们重新连接 Evan 分享了他对计算设备演进的深刻思考：手机让我们孤独地盯着屏幕，而 AR 眼镜能将数字体验锚定在真实世界，让人们共同互动。他透露 Spectacles 的演进路线，并认为现在正是推出这种“新电脑”的最佳时机。 “我注意到电脑——以及今天的手机——有一个问题：它们在很多方面让我们彼此隔离……所以，我觉得这里有一个巨大的机会，去构建那种真正能把我们聚在一起、让我们扎根于现实世界的技术。” 🏢 从《Loonshots》学到的创新组织学 Evan 将《Loonshots》一书奉为圭臬，详细拆解 Snap 内部如何平衡 10 亿用户的稳定运营与极小型设计团队的疯狂创新。他描述了一种“双组织”结构：让纯粹扁平、高速试错的团队与纪律严明的大部队和谐共生。领导者的任务就是管理好双方的紧张关系。 🎨 设计评审的速度哲学：想要好点子，先有大量点子 Evan 介绍他每周与设计团队碰面数小时，看到上百个想法，鼓励设计师从入职第一天就展示作品。他强调，只有当点子不再被视为珍宝时，真正的创造力才会爆发。这一做法或许能启发所有创意驱动的团队。 “想出一个好点子的前提，是你得先有大量的点子。” 💬 倾听但不盲从：Stories 功能的诞生故事 Evan 生动还原了 Stories 如何从用户“给我个群发按钮”的请求中，演变成一个按时间线、阅后即焚、零压力的分享形式。这个案例完美诠释了“共情用户，再给出意想不到的解决方案”的产品哲学。 “我们从用户那里听到的所有这些洞察，对产品设计过程产生了巨大的影响。但我们并没有完全按照他们要求的来做。我们是先共情，然后提出了全新的、完全不一样的东西。” 🌐 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 本期我们克隆了挪威主权财富基金CEO Nicolai Tangen主持的《好公司相伴》Xiaomi CFO: From Smartphones to EVs, Speed to Market and AI | Podcast | In Good Company 他邀请了小米集团首席财务官Alain Lam，深入探讨小米从手机起步到构建“人车家全生态”的扩张历程，以及AI、智能汽车、人形机器人和全球化战略。Alain分享了小米如何用不到三年时间造出第一款车，为什么集中十倍资源只做一款车，以及AI如何在制造、销售、研发中落地。他还透露了创始人雷军的管理哲学——亲自试驾150款车、考取赛车执照，并阐述了对“中国速度”、欧洲电动化差距及未来物理世界AI的独到见解。 👨‍💼 本期嘉宾 Alain Lam，小米集团首席财务官。他拥有丰富的国际金融与战略经验，在小米负责财务、战略投资及全球业务拓展，深度参与小米从手机到智能汽车的跨界布局，是公司核心管理团队的关键成员。 ⏱️ 时间戳 00:00 开场 & 播客简介 小米的创业基因与手机业务 00:01:56 小米简介：一家年营收超4500亿元的十六岁年轻公司 00:03:15 从MIUI到小米1：用一年时间打造第一款智能手机 00:04:22 本土供应链与“高品质、诚实价格”的初心 00:05:26 小米17的创新：双面屏幕的突破性设计 00:06:00 智能家居生态：从空调、洗衣机到智能门锁的万物互联 造车：从手机思维到智能电动车 00:07:19 2021年决定造车，不到三年推出首款车型 00:08:23 集中十倍资源，只做一款车的产品哲学 00:09:17 30分钟卖5万辆：未试驾即下单的忠诚用户 00:10:44 手机与造车的异同：软件定义硬件与供应链复用 00:12:01 欧洲电动车落后在哪？小米把焦点放在“智能” 00:13:51 福特CEO开SU7：“开了六个月就甩不掉了” 00:14:05 电动车市场未来：渗透率持续上升，欧美收缩只是暂时 AI、机器人与技术愿景 00:15:32 人形机器人：2019年开始布局，先用于自家工厂提效 00:16:52 灵巧手的进化：自由度、散热与接近真人手的尺寸 00:18:13 AI在小米的全方位应用：编程、销售预测、压铸检测 00:19:47 小米自研大语言模型：开源、低成本与排行榜高分 00:21:58 未来愿景：物理世界的AI与全球十亿台设备互联 创始人、文化与全球化 00:22:53 雷军：亲自试驾150款车、考取赛车执照的产品狂人 00:23:59 工作文化：“既要努力干活，也要聪明地干活” 00:25:26 “中国速度”的秘诀：成熟供应链、前沿创新与超长投入 00:26:21 欧洲计划：明年出口电动汽车，设立慕尼黑研发中心 个人洞见与建议 00:27:18 CFO的放松之道：阅读商业历史、跑马拉松与享受美食 00:29:24 给年轻人的建议：理解趋势，99%的问题已有现成答案 00:30:31 结语与感谢 🌟 精彩内容 💡 从手机到全生态的扩张逻辑 Alain Lam回顾了小米16年的发展历程，从MIUI操作系统起家，到推出小米1、布局智能家居，再到汽车和机器人，始终秉持“高品质、诚实价格”的理念。目前小米已形成“人车家全生态”，拥有全球超十亿台联网设备。 “我们想给用户提供高品质的解决方案，但价格要实惠。” 🚗 十倍投入，集中精力造一款车 面对造车新战场，小米没有分散尝试，而是用超3000人的研发团队、十倍于行业平均的投入，死磕第一款车SU7。这种做法让小米一举打破市场，创造了发布即爆款的纪录。 “与其朝多个方向分散、做很多款车，不如把所有精力集中在一款车上。” 🤖 人形机器人与物理AI的未来 小米从2019年就开始布局人形机器人，目前主要用于内部制造场景，以提升效率。Alain认为，物理世界的数据仍稀缺，而小米庞大的硬件生态将成为训练物理AI的关键，未来可能会彻底重塑制造流程。 “我们把焦点放在‘智能’上，而不是仅仅盯着电动。” 🧠 雷军的管理密码：做产品的狂热信徒 雷军不仅是一位远见者，更是极致的“产品人”。他亲自试驾150多款车、考取职业赛车执照，并要求管理层深入体验产品——Alain在首款车发布前就开了3000公里。这种“热爱产品”的文化深深塑造了小米的工作方式。 “你必须了解产品，必须爱你的产品，你才能做这个业务。” 🌍 给年轻人的成长哲学 Alain建议年轻人保持学习兴趣，跟上AI等前沿趋势，同时多读商业历史，从成功和失败中寻找答案。他分享了一句古话：“百分之九十九的问题，其实都已经有现成的答案了，你只需要把它找出来。”而AI工具或许能加速这一过程。 🌐 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开发者 Matt Pocock 在 AI Engineer 大会上的深度工作坊。Full Walkthrough: Workflow for AI Coding from Planning to Production — Matt Pocock (@mattpocockuk ) Matt 是 TypeScript 专家、在线教育平台 AI Hero 的创始人，过去半年他全身心探索如何将软件工程的基本功与 AI 工具高效结合。在这期播客中，你将听到 Matt 如何通过严谨的软件工程实践，让 AI 编程不再是“氛围编程”，而是可控制、可预测、高质量的工程流程。从理解大语言模型的局限性，到运用“追问”技巧对齐需求，再到将任务拆分、测试驱动开发、代码审查，Matt 提供了一套完整的工作流，帮助你真正驾驭 AI，而不是被 AI 驾驭。 👨‍🏫 本期嘉宾 Matt Pocock，TypeScript 专家，在线教育与开发工具 AI Hero 创始人。他以深刻的软件架构理解和丰富的 TypeScript 教学经验闻名，长期致力于帮助开发者提升代码质量与工程效率。 ⏱️ 时间戳 开场 & 播客简介 00:00 主播一恺介绍节目与本期克隆的AI编程工作坊 00:37 Matt Pocock与原话亮点：软件工程基本功与AI的化学反应 软件工程基本功：AI时代的基石 01:31 Matt开场：AI是新范式，但软件工程基本功同样关键 02:41 现场调查：多数开发者每天用AI编程，但也常被AI气疯 大语言模型的“阿喀琉斯之踵” 03:57 聪明区与蠢笨区：为什么上下文越长AI越蠢？ 06:33 多阶段计划：如何拆分大任务避开蠢笨区 07:54 记忆碎片：LLM的遗忘特性与上下文重置 09:20 压缩 vs 清空：哪种上下文管理方式更好？ 规划与对齐：让AI听懂你的想法 11:58 练习项目：为课程平台添加游戏化功能 12:29 “追问我”技巧：远离“规格直接转代码”的误区 14:55 实战grill me技能：与AI进行深度盘问，达成共同理解 18:20 子代理的作用：隔离上下文，降低主窗口压力 21:31 问答环节：如何将追问技巧融入团队协作 从想法到产品需求文档（PRD） 26:48 盘问结束后，为什么需要一份PRD来记录设计概念？ 28:09 自动生成PRD：用户故事、实现决策与模块划分 31:34 为什么不读PRD？信任对齐过程，把时间花在QA上 任务拆分：看板、垂直切片与并行开发 34:28 看板方法：将PRD拆成独立任务，理清阻塞关系 36:38 垂直切片与曳光弹开发：避免AI“水平编码”，尽早获得反馈 43:38 创建任务依赖图，规划多智能体并行执行 实现阶段：自动智能体与测试驱动开发 45:45 白班与夜班：人类完成规划，AI火力全开自动实现 46:54 Ralph全自动智能体循环：任务优先级与反馈回路 50:31 问答：如何管理AI产出的大量代码审查？ 56:50 AI对AI的QA：让AI自审代码，但记得清空上下文 58:15 测试驱动开发（TDD）：从AI身上榨取最大价值的关键 代码审查、规范与架构优化 01:00:32 人工QA：重新注入人的品味，避免产出“渣滓” 01:04:18 浅模块 vs 深模块：好代码库让AI更聪明 01:09:53 改善代码库架构技能：扫描耦合，创建可测试的深模块 01:11:47 文档腐烂：为什么PRD完成就应丢掉？ 01:15:42 编码规范策略：对实现者“拉取”，对审查者“推送” 01:17:15 Sandcastle：跨智能体并行开发的TypeScript框架 总结与建议 01:20:41 完整工作流回顾：想法→对齐→PRD→看板→实现→审查 01:22:19 核心建议：多读经典软件工程书籍，它是一座纯金矿 🌟 精彩内容 💡 软件工程基本功是AI时代的放大器 Matt强调，AI是新范式，但模块化、测试、代码审查这些基本功在与AI协作时更为重要。糟糕的代码库造出糟糕的智能体，优秀的架构才能让AI发挥威力。 💡 聪明区与蠢笨区：LLM的核心约束 理解大语言模型的“注意力衰减”是高效使用AI编程的前提。上下文超过一定长度后，模型性能急剧下降，因此必须将任务拆小，避免一脚踩进蠢笨区。 💡 “追问我”技巧：与AI深度对齐的秘密武器 Matt独创的“grill me”技能，通过不断向开发者提问的方式，强迫AI与人在设计概念上达成一致。这远比直接产出计划文档更能确保后续实现不跑偏。 💡 TDD：让AI写出高质量代码的钥匙 测试驱动开发（红-绿-重构）是让AI编程产生价值的绝对关键。它提供了即时反馈循环，避免AI盲目编码，并显著提升代码库的测试覆盖率。 💡 垂直切片与深模块：设计AI友好的系统 AI倾向于一层一层水平编码，导致迟迟无法集成测试。采用垂直切片（曳光弹）和深模块设计，能让人和AI在开发早期就获得完整反馈，大幅提升效率。 💡 人机协作的终极工作流 Matt分享了一套完整打法：人工负责规划和需求对齐，生成PRD与看板任务；然后交给AI自动实现；最后人工进行QA和审查。这套流程将AI的效率与人的品味完美结合。 🌐 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 本期我们克隆了播客《Into Asia》的一期深度对谈A Year Inside ByteDance's AI Lab 【编者述：该内容存在争议，x 上有评论认为该研究者并未接触到字节AI 的核心项目，仅作为信息和视角补充】 主持人 Cheche 与北京大学助理教授、前字节跳动研究员 Chu Chu 坦诚交流了中国人工智能领域的竞争与挑战。Chu Chu 曾深度参与大语言模型的研发，对中美 AI 差距有着一线观察。在节目里，他揭示了中国 AI 公司内部刷榜文化的真相，分析了芯片禁令下数据蒸馏的无奈，并尖锐指出中美 AI 差距其实正在拉大。从字节跳动的 IMO 数学竞赛项目，到北大推理效率算法的新方向，再到具身智能与 AI Agent 的中国机会，这场对话带来了一位圈内人最真实的反思与预判。 👨‍🔬 本期嘉宾 Chu Chu，北京大学助理教授，前字节跳动 Seed 部门研究员，加州大学洛杉矶分校（UCLA）博士。他曾先后在北京通用人工智能研究院（通院）和字节跳动工作，亲历了中国大语言模型从追赶 GPT-4o 到被 DeepSeek 冲击的全过程，目前专注于 AI 推理效率与具身智能的研究。 ⏱️ 时间戳 00:00 开场 & 节目简介 嘉宾背景与 AI 之路 01:33 从吴恩达课程到 UCLA 博士 03:10 跟随朱松纯归国：数据驱动与规模假设的争论 04:12 在通院的日子：ChatGPT 如何改变 AI 研究格局 05:51 加入字节跳动：SEED 的诞生与 DeepSeek 的震撼 字节的 AI 战场：刷榜、资源与隐形压力 07:23 “我们以为追上了 GPT-4o，直到 DeepSeek 出现” 08:07 形式化数学与 IMO 金牌项目：公关还是科研？ 09:35 SEED 内部结构：LLM、VLM 与数学组的分工 11:04 刷榜文化：基准分数如何定义你的成败 12:35 午休两小时、九小时工作制：字节 AI 研究员的一天 14:11 从银牌到交付：当研究兴趣被工程琐事消磨 17:16 谷歌三个月迭代一轮，我们要半年：速度差距的背后 18:16 特供版 H20、禁运前抢购的 H100：字节的芯片家底 19:43 国产芯片为什么训练用不上？ 21:14 追赶者缺乏创新：中美差距真的在缩小吗？ 差距拉大的本质：蒸馏、数据与基础设施 21:57 Claude Code 让我不想再招博士生：编程智能体的震撼 22:48 用户反馈循环：美国模型的真正护城河 24:25 离开字节的原因：大厂 LLM 工程其实很无聊 26:04 北大新方向：推理效率提升 5%，就能省下天量成本 27:50 捷径的代价：中国公司为何沉迷数据蒸馏？ 29:01 什么是蒸馏？用 GPT 的答案训练自己的模型 30:06 AGI 信仰与现实：智能体如何重构工程师的角色 具身智能与下一代 Agent 31:16 制造业优势：中国可能在具身智能赛道领先 32:20 宇树机器人擅舞却不擅“思”：运动控制与智能操作的鸿沟 33:31 如何让机器拥有灵巧操作的能力？ 34:12 Open Claw 与 Vibe Research：当研究生开始让智能体帮自己盯实验 35:23 智能体的隐私陷阱与使用边界 36:17 中国程序员正在用 Claude Code 写中国的大语言模型？ 37:05 结语 🌟 精彩内容 💡 中美 AI 差距反而在拉大？ Chu Chu 坦言，尽管在部分基准上中国模型看似追平，但实际体验和智能涌现上的差距仍在扩大。核心原因是用户反馈循环的断裂和基础设施的全面落后。“我认为我们还远远落后，而且差距还在越拉越大，这真的很让人难过。” 💡 刷榜文化才是真正的压力 在字节等大厂，每个团队紧盯着自己负责的基准分数，却没有将表现转化为真实场景中的好用体验。“从论文上看，中国的每一家大厂都有一个不错的模型，但以我自己的使用体验来说，我并不觉得它们真的够好。” 💡 蒸馏：被卡住脖子的中国 AI 在走捷径 为快速获取高质量训练数据，不少中国公司直接查询 GPT、Claude 等模型，将答案塞进自己的训练集。这种蒸馏虽然省时省钱，却让企业迟迟建不起自主的数据管道，形成恶性循环。 💡 推理成本才是烧钱大户 训练模型的成本固然高昂，但 Chu Chu 指出，真正吃掉利润的是部署后的推理算力。“如果能从算法上让推理效率提高一点点，哪怕百分之五，给公司省下的钱也会非常可观。” 这也是他回归北大后的主攻方向。 💡 具身智能：中国的下一张王牌 凭借全球领先的硬件制造能力，尤其在电机和本体方面，中国在具身机器人领域优势明显。但如何让宇树这样的机器人拥有真正的大脑——灵巧地拿起杯子、走进千家万户——仍是待解难题。 💡 智能体正在承包科研工作 他的学生已经开始用 Open Claw 监控模型训练、自动调试 Bug，团队甚至提出“Vibe Research”的概念：设定一个监控任务，就让智能体去完成，自己直接去睡觉。 🌐 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：硅谷顶尖投资与科技播客《Invest Like The Best》The Supply and Demand of AI Tokens | Dylan Patel Interview 本期嘉宾 Dylan Patel 是顶尖芯片与 AI 分析机构 SemiAnalysis 的联合创始人，主持人则是一位长期追踪算力经济的资深记者。两人围绕 AI 模型进展、Token 经济与企业竞争力展开了一场信息密度极高的对话。Dylan 分享了 SemiAnalysis 自身 Token 用量从几万美元飙升至七百万美元的疯狂内幕，展示了一个人用几千美元 Token 就替代整个团队完成逆向工程、宏观经济分析的惊人案例。他深入剖析了 Token 供需的严重错配，揭示了前沿模型 Mythos 强大到让开发者推迟发布的真实原因。更发出振聋发聩的警告：当执行成本趋近于零，只有持续用更多 Token 创造并捕获价值，才能避免坠入“永久的下层阶级”。 👨‍⚕️ 本期嘉宾 Dylan Patel，SemiAnalysis 联合创始人。SemiAnalysis 是全球顶尖的芯片、AI 基础设施与算力经济研究机构，其分析报告深受华尔街与科技界决策者信赖。Dylan 本人以极深的技术洞见和对供应链的敏锐判断而闻名。 ⏱️ 时间戳 00:00 开场 & 播客简介 执行与创意的逆转 01:34 过去执行极难创意廉价；现在执行极容易，真正好的创意才值得落地 Token 用量爆炸：SemiAnalysis 内部故事 02:43 非技术人员用 Claude Code 一天花掉几千美元写代码 03:46 逆向工程芯片：一个人几千美元 Token 替代一个专业团队 04:49 经济学家 Malcolm 一人完成两百人的工作量，发明“幽灵 GDP”指标 06:01 公司 Token 支出从几万飙升至七百万美元，远超人力成本增幅 AI 重构企业竞争 07:10 “如果我不采用 AI，别人就会用，然后打败我”——生死存亡的抉择 08:04 能源模型：一个人三周抓取全美电网数据，做出百人公司十年的产品 10:14 更快行动、更聚焦，才能在 AI 商品化浪潮中存活 Token 的需求侧：无尽的饥渴 10:30 Anthropic 营收从 90 亿暴涨至 400 亿+，毛利率超 72% 13:36 人们对最前沿模型的执念：宁可多付费也绝不降级 15:08 成本暴跌，但需求完全由新用例驱动 Mythos：让人恐惧的模型 15:39 Mythos 强大到 Anthropic 不敢公开发布，已相当于 L6 工程师 17:04 实施成本极低，关键变成挑选值得花钱的好创意 18:00 社会如何重塑？执行力不再稀缺，创意与资本才是新核心 Token 不平等：永久下层阶级的警告 19:22 最前沿模型只会开放给越来越少数的客户，资源进一步集中 28:27 “用更多 Token，否则永远逃不出永久的下层阶级”——必须用 Token 产生并捕获价值 供给端全链条紧绷 29:37 需求爆炸，GPU、存储、CPU 全线涨价，使用寿命逆势延长 31:47 存储产能新增需至 2028 年，DRAM 价格或从当前位置再翻一倍 34:55 CPU 完全卖断货：强化学习环境与推理部署双重驱动 难以量化的价值与幽灵 GDP 37:20 Token 经济学最难之处：如何度量 AI 为经济创造的隐性价值 38:47 “幽灵 GDP”——AI 大幅通缩效应下，传统 GDP 无法反映真实增长 未来展望：抗议、公关与希望 39:29 三个月内可能出现针对 AI 的大规模抗议 40:28 Sam Altman 和 Dario 必须停止空洞宣导，转而展示 AI 当下的振奋应用 41:34 结尾 🌟 精彩内容 💡 执行成本趋近于零，好创意才值钱 Dylan 指出，过去商业世界最看重执行力，因为把一件事做成难得要命，而创意很便宜。但现在 AI 让执行变得极其容易且廉价，导致泛滥的创意中只有那些真正出色的才值得投入资金。“现在实施非常容易——虽然贵，但很容易。关键就变成了你决定去实施哪些想法。” 💡 一个人碾压整个团队：Token 用量的现实神话 SemiAnalysis 的内部案例令人瞠目：从未写过代码的员工用 Claude Code 一天烧掉几千美元，搭建出原本需要整支团队维护的逆向工程分析系统；一位经济学家独自完成过去需要两百位经济学家干一年的宏观经济评估，并创造了“幽灵 GDP”这一全新指标。而公司的 Token 开支已从几万美元飞到七百万美元，占人力成本的四分之一以上。 💡 Mythos 的恐惧：模型能力正在以月为单位暴涨 Anthropic 在二月份就内部拥有了 Mythos，但它强到公司不敢公开发布——因为怕对社会产生冲击。它在上代还是新手工程师的水平，两个月后直接跳到 L6 资深工程师。“我们两个月内从 L4 跃迁到 L6……模型进步的速度还在加快。” 💡 “用更多 Token，否则永远逃不出永久的下层阶级” Dylan 提出了一个冷酷的三步生存法则：你必须使用更多的 Token，从这些 Token 中产生超额价值，并且成功地捕获住这些价值。如果你做不到，随着能力最强的模型被装在越来越多的资本手里，你将彻底被甩出经济价值的循环，坠入“永久的下层阶级”。 💡 全供应链历史性紧绷：存储、CPU、GPU 都在疯抢 需求暴增正沿着整条供应链向上传导，价格飞涨、交货期拉长。存储芯片产能新增需要等到 2028 年，DRAM 价格可能还要翻倍；CPU 因为强化学习和推理部署的双重需求而全面卖断；就连 PCB 用的铜箔、玻璃纤维都在被预付款抢购。Dylan 判断这轮短缺的深度和广度将是史无前例的。 🌐 播客信息补充 翻译克隆自：Invest Like The Best: The Supply and Demand of AI Tokens 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科技播客《Cognitive Revolution》的一期深度对谈。主持人Nathan Labenz与AI笔记应用Granola的联合创始人兼设计师Sam Stevenson，深入探讨了这款近期估值突破10亿美金、以极简体验著称的产品背后的设计哲学、增长策略以及AI产品设计的未来。Sam分享了他如何从Oxo厨房工具获得灵感，刻意将产品做得“令人惊讶地没野心”，专注于服务那些会议连轴转、无暇他顾的职场人。你将听到他们如何通过口碑和分享笔记实现病毒式增长，以及他们为何做出不保存音频、不让机器人加入会议等独特抉择。这期节目既是一堂产品设计课，也是一场关于如何在AI浪潮中保持产品初心的深度对话。 👨‍💼 本期嘉宾 Sam Stevenson，AI笔记应用Granola的联合创始人兼设计师。他带领团队打造了一款专为忙碌职场人设计的极简AI笔记工具，以简洁的产品体验和独特的隐私设计广受好评。Granola近期以15亿美元估值完成1.25亿美元融资，成为AI应用赛道最受瞩目的新星之一。 ⏱️ 时间戳 00:00 开场 & 本期简介 产品哲学与初期口碑 01:39 嘉宾登场：Sam Stevenson与估值10亿的Granola 02:15 “令人惊讶地没野心”：Granola的产品原则 05:44 增长的第一驱动力：几乎完全来自用户口碑传播 06:32 理想用户画像：那些“一个会接一个会”的职场人 07:32 从Oxo厨房工具学到的设计课：为极端用户设计，让所有人喜爱 08:57 拥抱混乱：针对“系统一”思维状态的软件设计 10:13 别再问用户了：如何捕捉他们真实的慌乱状态 12:05 产品设计的核心矛盾：帮用户进入深度思考，还是适应现状？ AI助理的现实挑战 15:21 通往深度情境的障碍：碎片化信息与企业权限 18:01 智能体个性化与记忆：被严重低估的能力 19:11 “情境即服务”：可能的下一个创业机会 技术架构、成本与隐私 21:57 为何不设使用限制？Granola的推理成本策略 26:30 实时转录技术揭秘：与Deepgram等的合作与冗余设计 29:52 隐私优先：不保存原始音频，不做可见的会议机器人 31:30 隐私与同意的文化转变：从疑虑到逐渐接受 38:22 遗忘刻在人性里：让智能体也随时间淡忘细节 增长飞轮与产品极简 39:27 对抗功能膨胀：极简界面背后的自律艺术 41:54 recipes功能：用户共创的病毒传播利器 46:51 笔记分享如何成为自然获客循环的核心引擎 AI驱动的设计流程与团队文化 48:11 AI如何重塑设计：Figma的角色变迁与原型编码 51:26 快速原型的价值：从想法到可评估原型，时间大幅缩短 53:03 内部演示与产品决策：周五演示日和与用户的深度合作 54:48 招聘哲学：谦逊、好奇心与高度贴近用户 未来忧虑与积极愿景 58:22 Beta测试的真实作用：抓虫与常识检查，而非验证假设 01:00:17 最大担忧：“大科技奇点”与基础模型平台的垄断风险 01:04:06 积极愿景：让知识工作者更少做电脑的奴隶，更活在当下 🌟 精彩内容 💡 为极端用户设计：Oxo的启示 Sam从厨房工具品牌Oxo汲取灵感——Oxo专门为手部不便的人设计产品，却意外地让所有人都觉得好用。Granola同样瞄准那些“会议一个接一个、根本没时间喘气”的极端用户，为他们创造的平静体验，最终让所有职场人都受益。 💡 不存音频、不做机器人：独特的隐私观 Granola刻意不保留任何原始音频，也不以一个可视的机器人身份加入会议，而是在操作系统音频层面运行。这不仅仅是为了降低用户的“被监视感”，更是一种产品伦理选择——在AI工具日益侵入生活的当下，这种克制反而获得了用户的深度信任。 💡 让增长自然发生：recipes与笔记分享的病毒循环 Granola几乎完全依靠口碑增长。用户创建的recipes（如“盲点发现器”“个人辅导”等）激发了大量主动分享，而会议结束后立刻分享到Slack的漂亮笔记，则成为了最有效的获客钩子，实现了低成本的指数级传播。 💡 AI加速设计，但Figma未死 Sam分享了团队如何借助AI编程工具在几小时内将想法变成可体验的原型，极大缩短了评估周期。但他也强调，Figma在构思和多方案对比上仍有不可替代的价值，设计师的角色正在向“建造者”演变，边界变得模糊。 🌐 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 本期我们克隆了知名产品播客《Lenny's Podcast》的一期深度对谈 How Anthropic’s product team moves faster than anyone else | Cat Wu 主持人 Lenny 与 Anthropic 旗下 Claude Code 和 CoWork 的产品负责人 Cat Wu 坦诚交流，探讨 AI 时代产品经理角色的剧变。Cat 从工程和风投背景出发，正站在 AI 产品构建的最前沿。她分享了 Anthropic 如何以惊人速度发布产品、团队如何组织、工具栈如何搭建，以及个人如何在这场变革中蓬勃发展。 👨‍💻 本期嘉宾 Cat Wu，Anthropic 旗下 Claude Code 和 CoWork 的产品负责人。她拥有多年工程经验，曾短暂从事风险投资，目前带领团队打造改变开发者工作方式的 AI 原生产品。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI时代PM角色的根本转变 04:16 面试上千PM，为何大多做错了？ 06:04 从季度规划到按天发布：PM的核心新能力 13:38 角色融合：工程师、PM、设计师的边界消失 15:23 “决定去编写什么”：产品品味成为最稀缺技能 Anthropic的光速发布秘籍 09:16 如何清除发布障碍：从研究预览到跨职能流程 08:00 告别传统PRD？指标通晒与团队原则的力量 10:36 处理意外：源码泄露与OpenClaw决策反思 Anthropic的成功密码 23:43 从落后到领先：统一使命与极致专注 25:35 组织架构揭秘：产品、研究、增长如何协同 产品实战：Claude Code/CoWork改变工作 26:36 什么时候用哪个工具：CLI、桌面版、移动端、CoWork 29:19 实战案例：一小时生成二十页演讲幻灯片 34:05 个性化工作软件爆发：销售团队自建定制工具 模型迭代如何重塑产品 46:28 新模型如何“吃掉”旧功能：待办清单的演变 48:41 解锁新品：代码审查从梦想到可靠工具 49:50 愿景前瞻：从单任务到数百智能体并行的未来 给产品人与创业者的建议 51:42 拥抱AI杠杆：把繁琐工作交给AI，专注创意 53:20 自动化要打磨到100%，而非95% 55:17 构建你真正使用的应用，避免过度定制 闪电问答 57:44 推荐书单：《亚洲大趋势》《技术陷阱》《折纸动物园》 58:22 纪录片与爱好：《疾速争胜》《徒手攀岩》和Waymo 01:00:32 人生格言：“做就对了” 01:02:16 最喜欢的Claude思考词：manifesting 01:02:43 AGI后的生活：攀岩、读书、帮助世界跟上 🌟 精彩内容 💡 产品经理的新角色：“当编写代码的成本变得极其低廉时，真正变得更重要的，是决定去编写什么。” 产品品味成为最稀缺的能力。 🛠️ 光速发布背后的秘密：Anthropic 用“研究预览”机制降低发布承诺，将功能周期从六个月压缩到一天。通过清晰目标、团队原则和极简流程，每个成员都有权在当周把想法送到用户手中。 🧠 恰到好处的AGI信念：Cat 指出，难的不是为超级AGI构建产品，而是为当前模型激发最大能力，引导用户走上“黄金路径”。 🚀 CoWork 的魔力：连接 Slack、Gmail、Google 日历等所有工作数据源，CoWork 可以在几个小时内生成一份符合公司设计系统的二十页演讲稿，让 PM 从繁琐的汇报准备中解脱出来。 🏆 从落后到领先：Anthropic 的统一使命“安全地将 AGI 带给全人类”让团队愿意牺牲单个产品利益，追求整体成功，这是其超越巨头的核心原因。 💬 “做就对了”：最被低估的成功法则。Cat 强调，角色和边界是虚的，理解约束后直接动手，从错误中学习，比等待批准重要得多。 🔧 自动化要100%完成：95%的自动化没有价值，只有教会 AI 你的偏好、打磨到可以完全信赖，才能获得真正的杠杆效应。 🌐 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