跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了：硅谷知名科技播客《No Priors》NVIDIA’s Jensen Huang on Reasoning Models, Robotics, and Refuting the “AI Bubble” Narrative 本期嘉宾是身处全球 AI 风暴中心的英伟达（NVIDIA）创始人兼 CEO 黄仁勋。在这场长达一小时的深度对话中，老黄不仅回顾了过去一年 AI 技术的惊人飞跃，还对当前最尖锐的争议——如 AI 泡沫论、就业取代危机、能源短缺以及中美技术竞争——给出了极其务实且具洞察力的解答。 你将听到老黄如何用“五层蛋糕”模型拆解 AI 产业，为什么他认为“末日论者在晚宴上聪明，而乐观主义者推动进步”，以及他为何坚信开源是 AI 生态不可或缺的基石。这不仅是一场关于技术的讨论，更是一堂关于如何理解未来十年全球经济范式转移的公开课。 👨‍⚕️ 本期嘉宾 黄仁勋（Jensen Huang），英伟达（NVIDIA）创始人兼 CEO。他带领英伟达从一家显卡公司转型为全球加速计算与 AI 基础设施的霸主。他是 AI 浪潮中最具影响力的领袖之一，以其对技术趋势的精准预判和对“第一性原理”的坚持而闻名。 ⏱️ 时间戳 00:00 开场 & 播客简介 风暴中心的一年：从技术飞跃到 Token 经济 01:53 2025 回顾：推理能力与“接地气”的巨大突破 03:36 Token 经济学：为什么高质量 Token 正在产生 90% 的毛利 04:25 奔波的一年：地缘政治、出口管制与一万七千英尺的平均海拔 AI 与工作的真相：任务 vs. 目的 05:25 驳斥末日论：为什么最努力搞 AI 的人反而最悲观？ 06:33 AI 基础设施催生的“三种工厂”：芯片厂、计算机厂与 AI 工厂 08:46 放射科医生的启示：AI 自动化了“任务”，但强化了“目的” 11:53 填补劳动力缺口：从卡车司机短缺到庞大的机器人维修业 AI 的五层蛋糕与开源的力量 14:15 拆解 AI 架构：能源、芯片、基础设施、模型、应用的五层模型 17:09 捍卫开源：如果没有开源，传统工业和初创公司将被扼杀 19:26 拒绝“上帝 AI”：为什么用极端科幻场景制定政策是有害的 22:35 监管俘获风险：公司不应利用政府规制来扼杀竞争 成本的坍缩与效率的奇迹 25:07 成本降幅：GPT-4 级别的推理成本一年下降了 100 倍 28:00 学习 DeepSeek：为什么美国的 AI 实验室也在向中国开源模型学习 29:30 护城河的真相：规模化与算法创新的复合收益 展望 2026：生物学、机器人与能源 32:40 软件工程的未来：当编码变成任务，解决问题才是目的 37:17 数字生物学的“ChatGPT 时刻”：蛋白质生成的突破 39:22 自动驾驶的四个时代：从数字轨道到具备推理能力的端到端模型 42:54 机器人垂直化：为什么未来五年是垂直 AI 应用的大爆发 46:08 能源危机解药：AI 需求正是可持续能源创新的最大驱动力 宏观视角：中美关系与泡沫论 49:49 务实的中美观：脱钩是天真的，深度耦合才是现实 54:11 驳斥 AI 泡沫论：从通用计算向加速计算的范式转移 57:32 研发范式的改变：两万亿美元的湿实验室投入正转向超级计算机 01:01:33 总结：用系统框架理解 AI，保持根植于现实的乐观 🌟 精彩内容 💡 任务（Task）与目的（Purpose）的辩证法 黄仁勋提出了一个深刻的职业观察：一份工作由“任务”组成，但由“目的”定义。AI 可能会取代看片子（任务），但无法取代诊断疾病（目的）。这种视角的转变解释了为什么技术进步往往带来更忙碌的医生和更多的就业机会。 🍰 AI 的“五层蛋糕”模型 为了理清复杂的 AI 生态，老黄将其比作五层蛋糕：底层是能源，往上依次是芯片、软硬结合的基础设施、多样化的模型系统，顶层则是垂直行业应用。他强调，美国和企业应该追求在每一层都赢，而不是只盯着某一个“万能模型”。 🚀 Token 经济学的崛起 他指出，2024 年是 Token 质量达到“可购买”门槛的一年。当 Cursor、Harvey 等工具能产生极高利润率时，证明了 AI 生成的内容已经具备了真正的商业价值，而不仅仅是实验性的玩具。 🛡️ 性能即安全 老黄认为，产品的首要安全是“性能符合预期”。与其担心 AI 变成导弹，不如投入技术让它在 99.99% 的时间里不产生幻觉、能够溯源。他提倡用“AI 监控 AI”的方式，利用边际成本的下降来构建更安全的社会防御体系。 📉 成本下降十亿倍的野心 他预测，在硬件架构（如 Blackwell, Rubin）、算法和模型架构的三重优化下，未来十年 Token 生成的成本可能会降低十亿倍。这将彻底改变人类处理信息和进行科学研发的成本结构。 🌐 播客信息补充 翻译克隆自：No Priors: NVIDIA’s Jensen Huang on Reasoning Models, Robotics, and Refuting the “AI Bubble” Narrative 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：Lattice 创始人 Jack Altman 主持的播客《The Path》Helping Founders Go Direct in a New Era of PR & Comms with Lulu Cheng Meservey | Ep. 25 本期嘉宾 Lulu Cheng Meservey 是硅谷顶尖的沟通专家，曾任 Substack 和动视暴雪的副总裁，被誉为明星公司背后的“沟通军师”。在 AI 席卷全球的今天，Lulu 提出了一个震撼的观点：沟通能力是人类最后的堡垒。在这场深度对谈中，她拆解了如何通过科学的叙事弧线让人们“脑补”你的成功，如何利用人类心理学中的“风险规避”来扭转销售话术，甚至分享了拿破仑如何通过高超的品牌包装成为史上最强招聘官。这不仅是一场关于公关和传播的讨论，更是一堂关于如何洞察人心、建立信任并获取“叙事超额收益”的实战课。 👨‍⚕️ 本期嘉宾 Lulu Cheng Meservey，资深沟通策略专家，前 Substack 及动视暴雪副总裁。她擅长帮助高增长科技公司和创始人直接与公众沟通，建立独特的品牌叙事。目前她经营着自己的咨询业务，致力于为科技行业建立一套沟通的“通用理论”。 ⏱️ 时间戳 00:00 开场 & 播客简介 沟通：人类最后的堡垒 01:51 为什么沟通在 AI 时代变得前所未有的重要 03:01 “气场”的本质：沟通能力的代号 05:37 成功的关键：让全世界都希望你赢 07:21 为什么在说服人类这件事上，我们永远会选择人类 叙事弧线与名声管理 08:14 叙事科学：如何定位你在弧线上的位置 11:15 创始人必修课：如何做到“高调地被低估” 12:55 “声誉纠察队”：人类如何通过识别差异获得快感 14:45 稳态设定点：设计人们对你“应得赞誉”的预期 沟通的实战框架 17:45 流量与存量：基于“三个圈子”理论的沟通方子 20:08 警惕“作弊”陷阱：所有新闻都是好新闻吗？ 22:52 真实性悖论：如何在保持真实的同时进行定位 26:38 为什么重复自己是市场营销的必要手段 心理学与用词心法 27:47 词语的重量：发音与比喻如何影响思维模式 30:08 顺应心理学：利用前景理论扭转销售话术 32:14 从“默认死亡”到“坚实陆地”的叙事转换 从拿破仑到现代招聘 34:46 拿破仑的招聘秘诀：赋予宏大的事业与品牌化 38:53 创始人如何通过“身先士卒”建立绝对忠诚 40:57 人才护城河：领导者原型如何塑造组织形象 未来的超额收益 41:44 沟通的“广义相对论”：从单点突破到行业赋能 44:58 寻找叙事 Alpha：在模仿者到来前跨越边界 47:21 科技与媒体的爱恨情仇：回归合作的新平衡 🌟 精彩内容 💡 沟通是人类最后的堡垒 Lulu 坚信，无论 AI 如何进化，说服他人、赢得人心、让人为另一些人着迷的能力，将永远是人类独有的。在技术门槛降低的未来，沟通将成为区分顶尖领导者的核心技能。 📈 叙事弧线与“被低估”策略 人们对每个故事都有结局执念。如果你让人们觉得你已经到达巅峰，他们会默认你将走下坡路；但如果你能让人们觉得你被低估了，他们会产生一种“纠正宇宙错误”的冲动，主动帮你成功。 “如果你希望人们看好你，你就得让他们觉得你被低估了。” 🛠️ 沟通的“三个圈子”理论 Lulu 提出了一个实战框架：沟通内容必须处于“真实的”、“相关的”和“对业务有战略帮助的”这三个圈子的交集。仅仅追求病毒式传播而忽略战略意义，可能会为业务埋下隐患。 ⚔️ 拿破仑：史上最强招聘官 拿破仑通过给部队起名（如“无畏者”）和重新定义战役（如“金字塔战役”），赋予了士兵超越生死的宏大意义。现代创始人应学习如何将自己深度融入公司，通过身先士卒和赋予愿景来吸引顶尖人才。 🚀 寻找“叙事超额收益（Narrative Alpha）” 创始人的工作是让叙事使公司的价值超过其基本面。这需要不断实验和跨越边界，在某种叙事方式达到饱和、被大众模仿之前，寻找下一个能触达人心的新前沿。 🌐 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：全球顶级访谈类播客《提姆·费里斯秀》（The Tim Ferriss Show） 原播客更新时间：2023年9月7日 这是一场关于“不确定性”的巅峰对话。主持人 Tim Ferriss 邀请到了《黑天鹅》作者、著名思想家纳西姆·塔勒布，以及《华尔街日报》资深记者斯科特·帕特森。三人从塔勒布如何从交易员转型为学者的往事聊起，深入探讨了在“复合危机”时代，个人与组织应如何识别并防范那些足以致命的“尾部风险”。塔勒布在节目中犀利地指出，我们正处在一个由于高度互联而导致风险指数级增长的世界，从新冠疫情到气候变化，从金融崩溃到转基因争议，传统的风险模型正在失效。你将听到如何利用“预防原则”在迷雾中决策，理解什么是让财富爆炸式增长的“凸性”，以及为什么普通人最该做的事情是“专注本行”。这不仅是一期关于金融投资的节目，更是一部关于如何在充满黑天鹅的世界里保持强韧的生存指南。 👨‍⚕️ 本期嘉宾 纳西姆·尼古拉斯·塔勒布 (Nassim Nicholas Taleb)，《黑天鹅》、《反脆弱》、《随机漫步的傻瓜》等畅销书作者，著名风险管理专家、思想家。他曾是一位成功的量化交易员，现专注于研究不确定性、概率和风险。 纳西姆·尼古拉斯·塔勒布著作《黑天鹅》《反脆弱》套装购买地址：https://item.jd.com/10025646193457.html?spmTag=YTAyNDAuYjAwMjQ5My5jMDAwMDQwMjcuMTAlMjNza3VfY2FyZA&pvid=843881476b2840b5af087f5252fc8638 ⏱️ 时间戳 00:00 开场 & 播客简介 缘起：从交易员到学者 01:35 二十年前的相遇：帕特森如何挖掘出塔勒布的“秘籍” 03:33 身份认同：为什么塔勒布希望墓碑上写的是“学者”而非“交易员” 05:40 跨越二十年的友谊：Tim 与塔勒布的“鸡蛋与香槟”往事 尾部风险与 Universa 策略 07:38 核心洞察：重点不是“押注”，而是不被“沉默的风险”伤害 08:27 风险管理：Universa 基金如何通过“保险”模式实现 4000% 的回报 12:39 纯粹主义：为什么“优化”策略往往是破产的开始 14:38 事实核查：用审计数据打破关于“黑天鹅”的都市传说 预防原则：在危机时代生存 15:38 复合危机（Polycrisis）：为什么极端事件正在加速重叠 17:26 疫情启示录：为什么我们要“趁早恐慌” 19:57 历史的智慧：奥斯曼帝国与威尼斯人的隔离策略 22:21 奖金制度的诅咒：为什么银行总是重蹈覆辙 23:55 伪效率：供应链过度优化的阴暗面 哲学、强韧性与怀疑精神 24:38 职场心法：为什么你应该在抽屉里放一封“未注明日期的辞职信” 25:14 强韧 vs 脆弱：艺术家与政客对待批评的不同维度 26:30 独立思考：只在乎那些你真正尊重的人的评价 30:52 深度怀疑：怀疑上帝是小事，怀疑骗子才是大事 35:46 跨学科视野：从陀思妥耶夫斯基到斯多葛学派 科学、凸性与未来 40:57 预防原则入门：如果你对飞行员的技术不确定，就别上飞机 42:38 肥尾效应：为什么埃博拉比车祸更值得防范 47:42 疫苗 vs 转基因：基于风险类别的不同应对逻辑 55:53 气候变化：不确定性恰恰是采取预防措施的理由 01:00:30 凸性（Convexity）：为什么我们的系统需要波动性 01:16:17 终极建议：牙医就该专注于牙科，普通人别轻易交易 🌟 精彩内容 💡 证据的缺失不等于没有伤害 塔勒布强调，在面对具有系统性风险的领域（如流行病、转基因、气候变化）时，不能因为“目前没有证据表明有害”就掉以轻心。这种不对称性是“预防原则”的核心：如果一个行为可能导致文明层面的毁灭，那么举证责任应该在推行者身上。 🛠️ “一招鲜”的纯粹主义 Universa 基金之所以成功，是因为他们几十年如一日只做一种交易——买入深度虚值看跌期权。塔勒布认为，很多竞争对手试图通过“优化”或“对冲”来降低成本，结果却在危机来临时因为相关性失效而爆仓。真正的专家应该像李小龙所说，把一种踢法练一万遍。 🚀 风险共担（Skin in the Game） 为什么银行系统如此脆弱？因为决策者（CEO、基金经理）在赚钱时拿走巨额奖金，在亏损时却由纳税人买单。塔勒布认为，缺乏“风险共担”会导致严重的道德风险和“伪效率”。相比之下，对冲基金因为管理人自己的钱也在里面，反而具有更好的过滤和自我约束机制。 💻 凸性：波动性是你的朋友 塔勒布深入浅出地解释了“凸性”：即在错误时损失有限，在正确时收益爆炸。他认为不仅金融需要凸性，生物系统也一样。心率变异性、间歇性禁食都是利用波动性来增强系统的反脆弱性。一个完全稳定的系统往往是死亡的前兆。 ❤️ 时代偏见与意义的刚性 在节目的最后，塔勒布谈到了他正在撰写的新书《大全》。他提出了“时代偏见”的概念，警惕用今天的价值观去回溯性地审判历史人物。他追求的是“意义的刚性”，即无论在什么语境下，核心概念的指向都应当保持一致，以此来识别科学和对话中的“废话（BS）”。 🌐 播客信息补充 翻译克隆自：Tim Ferriss:Nassim Taleb — How Traders Make Billions in The New Age of Crisis (feat. Scott Patterson) 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：Anthropic 官方技术分享 AI Engineer Workshop: Claude Agent SDK [Full Workshop] — Thariq Shihipar, Anthropic 构建一个强大的 AI Agent 到底需要什么？是更多的工具接口，还是更聪明的 Prompt？Anthropic 的 Thariq Shihipar 给出了一个“观点鲜明”的答案：基于 Unix 基本元素的 Bash 工具和文件系统。在本期深度分享中，Thariq 揭秘了 Claude Code 背后的一套工程逻辑。你将听到为什么 Agent 循环更像是一门艺术而非科学，为什么你应该像对待“马”一样引导模型，以及为什么在 AI 时代，扔掉代码的速度要比写代码快十倍。无论你是想构建自动化的 GitHub 机器人，还是复杂的电子表格分析助手，这期节目都将为你提供最前沿的 Agent 开发范式。 👨‍⚕️ 本期嘉宾 Thariq Shihipar，Anthropic 创始团队成员，Claude agent SDK 的核心负责人。他深度参与了 Claude Code 的开发，致力于定义下一代 AI Agent 的交互与工程标准。 ⏱️ 时间戳 00:00 开场 & 播客简介 Agent 的演进与 SDK 诞生 01:40 从单一 LLM 到自主 Agent：AI 功能的演变历程 04:31 为什么需要 Claude Agent SDK：拒绝重复造轮子 06:07 核心组件拆解：工具、Prompt、文件系统与技能（Skills） 核心哲学：Bash 与文件系统 07:58 观点鲜明的框架：为什么 Bash 是 Agent 最强大的武器 10:48 瑞士奶酪防御模型：如何为高权限 Agent 构建安全护栏 13:49 降维打击：用 Bash 处理非编程任务（如邮件账单分析） 实战心法：Agent 循环设计 17:31 Agent 循环的三大支柱：收集上下文、执行操作、验证工作 20:01 武器库对比：工具（Tools）vs Bash vs 代码生成（Code Gen） 23:42 渐进式上下文披露：如何利用“技能”和子 Agent 节省 Token 31:48 框架的“React 时刻”：为什么 SDK 的复杂性是必要的权衡 工程挑战与最佳实践 35:52 Agent 通信协议：它们会像人类一样在“论坛”里交流吗？ 48:51 状态机思维：为什么 Git 是完美的可逆环境，而 UI 自动化很难 52:34 应对“百万行”挑战：大数据的导航、搜索与草稿本模式 56:59 持续验证：在每一个环节插入确定性的启发式规则 原型演示：构建宝可梦 Agent 01:00:37 从零开始：用 Claude Code 自动生成 API 库 01:03:44 只有工具 vs 代码生成：两种开发范式的实测对比 01:07:30 复杂数据分析：基于 Smogon 文本文件的竞技对战策略生成 01:14:20 终极建议：关注今天有效的技术，不要害怕扔掉昨天的代码 🌟 精彩内容 💡 既然写代码快了十倍，扔代码也要快十倍 Thariq 提出了一个极具冲击力的观点：AI 工程师不应该赌未来，而应关注今天什么有效。由于模型能力每六个月就会发生质变，开发者必须保持敏捷，随时准备推翻旧的架构。 🛠️ Bash 是第一个“代码模式” 很多人试图为 Agent 开发成百上千个专用工具，但 Anthropic 发现，给 Agent 一个 Bash 环境，它就能通过 grep、jq、ffmpeg 等成熟工具自行组合出无限可能。这种“可发现性”和“组合性”是传统 API 无法比拟的。 🚀 收集上下文是一门艺术 Agent 就像被困在房间里的人，你给它一堆纸（静态上下文）不如给它一台联网的电脑（搜索工具）。Thariq 强调，优秀的开发者应该思考如何将“分布外”的问题，通过预处理或工具转换，变成模型熟悉的“分布内”问题。 🔄 可逆性是 Agent 的生命线 为什么代码 Agent 发展最快？因为 Git 提供了完美的撤销机制。Thariq 建议，在设计非编程 Agent 时，工程师的首要任务是思考如何构建一个可逆的状态机，让 Agent 在犯错时能够“时间旅行”回上一个检查点。 🌐 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：硅谷深度访谈播客 Dwarkesh Podcast - Andy Matuschak — The reason most learning tools fail 原播客更新时间为 2023 年 7 月 12 日 本期嘉宾 Andy Matuschak 的经历极具跨界色彩。他曾是苹果公司的资深工程师，负责过 iOS 系统的核心功能开发；如今，他是一位独立研究员，专注于构建“思维工具”（Tools for Thought）。在这期节目中，Andy 深入剖析了人类大脑吸收知识的底层机制。他不仅挑战了我们对“记忆”的刻板印象，还分享了他在苹果工作期间观察到的巨头决策逻辑。你将听到：为什么我们越依赖 AI 就越需要锻炼记忆力？为什么大多数教育软件只是在“掩盖”痛苦而非解决问题？以及一个研究者如何在追求真理与市场营销之间寻找平衡。这不仅是一场关于学习方法的讨论，更是一次关于人类如何增强自身认知能力的深度探索。 👨‍⚕️ 本期嘉宾 Andy Matuschak，著名“思维工具”研究员、工程师与设计师。他曾任苹果公司（Apple）资深工程师，参与了 iOS 系统的多项重要研发。离开苹果后，他与 Michael Nielsen 合作开发了《Quantum Country》等增强型阅读媒介，致力于通过技术手段提升人类的理解力和记忆力。 ⏱️ 时间戳 00:00 开场 & 播客简介 记忆、理解与学习的本质 02:05 记忆被低估了：为什么它是深度理解的基石 05:23 《如何阅读一本书》：主动阅读与“攀岩者”隐喻 07:20 察觉困惑：如何培养提问的元认知习惯 思维工具与学习设计 08:21 元认知外包：教学大纲与 Quantum Country 的设计实验 12:19 学习的“脚手架”：何时该遵循大纲，何时该跳着学 22:52 LLM 时代，记忆是变得更重要还是更不重要了？ 26:37 遗忘的价值：大脑的“权重剪枝”与预测效用理论 从工程到研究的跨越 31:30 苹果工程师 vs. 独立研究员：心流与“应该做什么”的难题 34:58 沉浸式学习与间隔重复：为什么你需要明确的练习 40:42 为什么视频和游戏没能彻底改变教育？ 43:36 《从与非门到俄罗斯方块》：主动参与的力量 教育体系与创新 53:24 教育系统在逼中等生实现不属于他们的目标 01:04:30 “非学校化”教育的挑战：如何不让孩子成为冲动的奴隶 01:09:17 教育的进步与天花板：为什么我们没能培养出更多冯·诺依曼 知识的传播与苹果的秘密 01:18:47 超文本的局限：为什么维基百科没能改变写作 01:28:39 快速行动的陷阱：研究者如何避免被 MVP 心态腐蚀 01:42:15 众筹研究的真相：营销对诚实探究的“毒性” 01:54:53 苹果的组织黑盒：两万亿巨头如何通过授权与责任圆环运作 02:00:37 间隔重复为何没能成为主流？ 🌟 精彩内容 💡 记忆是理解的“燃料” Andy 认为，很多人排斥记忆是因为将其等同于死记硬背。但实际上，如果你想搞懂复杂的事物，必须在长时记忆中储存足够的基础知识。这种“知识储备”能让你在阅读或思考时，瞬间察觉到不同信息之间的联系或矛盾。 “灵光一闪只有当相关信息就在你记忆里时才可能发生。” 🛠️ 元认知的“外包” 学习之所以痛苦，是因为大脑在处理新知识的同时，还要分心去规划学习路径（元认知）。Andy 建议通过使用高质量的教学大纲或带有嵌入式问题的“助记媒介”，将这些管理工作外包出去，让大脑专注于理解本身。 🚀 视频与游戏的教育假象 虽然像 3Blue1Brown 这样的视频非常吸引人，但 Andy 提醒，观众往往会产生“听懂了”的错觉。真正的理解需要主动的认知参与。他推崇像《The Witness》或《从与非门到俄罗斯方块》这样的项目，因为它们强迫学习者在环境中通过“做”来构建知识。 💻 苹果公司的决策艺术 Andy 分享了苹果如何处理复杂的权衡。苹果并不是由一个人控制所有细节，而是通过“责任同心圆”结构：高管只对极少数核心决策保持绝对控制，而将 95% 的技术和产品决策授权给各领域的专家。这种“推拉”机制是其保持产品凝聚力的关键。 ❤️ 研究者的“诚实”代价 在众筹研究的过程中，Andy 坦言营销具有腐蚀性。为了获得更多赞助，研究者很容易倾向于发表“最小可行论文”或夸大结果。他选择保持低调和慢节奏，以确保自己能诚实地面对那些尚未解决的难题。 🌐 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：四年前巴菲特的一期访谈内容 Warren Buffett's Investment Strategy: How to Live and Invest like a Legend (Full Interview) 在这场罕见的真诚对话中，沃伦·巴菲特（Warren Buffett）放下了报表与数字，带我们走进他那充满智慧的精神世界。你将听到这位“奥马哈先知”如何从一个做空老师股票、甚至偷窃和离家出走的叛逆少年，成长为影响全球的投资大师。巴菲特深入探讨了影响他一生的“内在记分卡”，解释了为什么“嫉妒”是七宗罪里最愚蠢的一项，并分享了他衡量成功的终极标准——当你老了，有多少人愿意“把你藏起来”。这不仅是一场关于如何赚钱的对话，更是一堂关于如何选择伴侣、如何面对衰老、以及如何在这个充满诱惑的世界里保持专注的人生大师课。 👨‍⚕️ 本期嘉宾 沃伦·巴菲特（Warren Buffett），伯克希尔·哈撒韦公司董事长兼 CEO。全球最成功的投资家之一，以其长期价值投资哲学和极度简朴的生活方式闻名。他不仅是财富的创造者，更是著名的慈善家，与比尔·盖茨共同发起了“捐赠誓言”（The Giving Pledge）。 ⏱️ 时间戳 00:00 开场 & 播客简介 塑造传奇的底色 02:17 父亲的遗产：无条件的爱与“内在记分卡” 02:42 卵巢彩票：承认运气是人生成功的基石 03:24 早期正义感：从奥马哈到华盛顿的种族隔离观察 06:34 马丁·路德·金的震撼：那场撼动未来的演讲 12:33 反精英主义：为什么美国的一半人才曾被晾在冷板凳上 英雄、导师与伴侣 15:20 英雄的力量：为什么你应该和比你更优秀的人在一起 16:38 改变命运的四小时：与 GEICO 传奇人物的偶遇 11:14 凯瑟琳·格雷厄姆：一位在颤抖中改变新闻史的女性 52:51 苏茜·巴菲特：那个拿着喷壶不断滋润我灵魂的人 商业与人性的博弈 19:22 资本主义的残酷面：解雇朋友是我工作中最痛苦的事 25:44 专注的艺术：比尔·盖茨和我写下了同一个词 28:40 嫉妒之罪：为什么它是七宗罪里唯一没有任何好处的 33:14 极简日程表：没有委员会、没有PPT、只有大量的阅读 叛逆少年到投资大师 41:44 叛逆期往事：做空老师的养老股、偷窃与离家出走 45:37 早期商业课：十岁时从杂货店送货路线中学到的利益博弈 48:14 哈佛的拒绝：那是我人生中遇到过最幸运的事 51:06 戴尔·卡耐基课程：用100美元现金克服足以致呕的演讲恐惧 财富的终极归宿 20:56 成功的终极衡量：到了八十岁，有多少人愿意“藏起你”？ 58:41 财富的无用性：金钱买不到爱，它只是复利游戏的积分 01:03:08 捐赠誓言：让超级富豪们开始思考“如何聪明地散财” 01:06:42 投资建议：保持耐心，不要试图在复利的游戏里做太多 01:07:21 乐观主义：你无法阻止一个正在释放潜力的体系 🌟 精彩内容 💡 成功的终极标准：“把你藏起来” 巴菲特分享了一个集中营幸存者的故事，以此定义成功：当你老了，衡量你一生的不是银行余额，而是有多少人真正爱你，甚至愿意在危难时刻把你藏起来。 “如果你到了那个年纪，人们为你举办表彰晚宴，但却没有一个人愿意把你藏起来，那你就是失败的。” 🛠️ 明确你的“能力圈” 巴菲特引用IBM创始人的话，强调明确边界的重要性。他认为聪明人自我毁灭往往是因为走出了自己的能力圈。 “我不是天才，但我只在某些领域聪明，我就待在那些领域里。” 🚀 嫉妒是最低级的负面情绪 在巴菲特看来，贪婪尚有动力，但嫉妒只会带来痛苦。 “在七宗罪里，嫉妒是唯一没有任何好处的。暴食和色欲至少还有乐趣，但嫉妒只会让你自己难受，而你嫉妒的那个人甚至感觉不到。” 💻 复利与时间的魔力 他认为赚钱不需要极高的智商，只需要耐心和正确的体系。 “赚钱最重要的一点就是时间……那些不试图做太多事的人，通常比那些花更多精力的人做得更好。” ❤️ 关于爱的“守恒定律” 巴菲特对爱的理解极具哲学色彩，认为爱是越付出越拥有的东西。 “爱是一种很奇怪的东西，你越是想付出，得到的就越多；你越是想抓住它，它就越会溜走。” 🌐 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：硅谷顶尖创投播客《Lenny's Podcast》We replaced our sales team with 20 AI agents—here’s what happened | Jason Lemkin (SaaStr) 本期嘉宾 Jason Lemkin 的分享可能会让很多销售从业者感到“背脊发凉”。作为全球最大的 B2B 创始人社区 SaaStr 的掌门人，Jason 亲手拆解了他如何将原本 10 人的市场销售团队，激进地改造为由 1.2 个人类和 20 个 AI Agent 组成的“数字军团”。 在这场对话中，Jason 毫无保留地分享了他对 AI 彻底重塑 GTM（进入市场）策略的预判。他认为，传统的初级 SDR 岗位即将消失，而能够驾驭 AI 工具的“GTM 工程师”将迎来年薪 25 万美金的黄金时代。无论你是担心被取代的销售人员，还是渴望极致效率的创业者，这期节目都将为你揭示未来三年的商业生存法则：如何训练你的数字员工、如何选择 AI 供应商，以及为什么“会跟人打交道”在 AI 时代已经不再是一项足够的技能。 👨‍⚕️ 本期嘉宾 Jason Lemkin，SaaStr 创始人兼 CEO。他是一位传奇的连续创业者，曾创办 EchoSign 并将其卖给 Adobe。他被公认为全球最顶尖的 B2B 销售与市场专家之一，其创办的 SaaStr Annual 是全球规模最大的 SaaS 行业盛会。目前，他正站在 AI 改造销售流程的最前沿。 ⏱️ 时间戳 00:00 开场 & 播客简介 激进的实验：1.2 个人类与 20 个 Agent 01:45 现状揭秘：10 张办公桌，坐的全是 AI Agent 07:00 转型导火索：当顶尖销售在大会现场集体辞职 09:10 效率革命：产出持平，但实现了无限规模化与 24/7 工作 12:06 “0.2 个人”的含义：首席 AI 官 Amelia 的协调艺术 销售职业的终结与新生 19:28 消失的岗位：为什么初级 SDR 和线索筛选员明年将绝迹 23:55 职业建议：如何通过亲手训练一个 Agent 成为“GTM 工程师” 30:35 数字克隆人：从 Delphi 机器人谈到 AI 的“人味儿” 42:41 拒绝垃圾邮件：如何用 AI 写出超越人类平均水平的销售信 实战工具栈与增长心法 29:19 避坑指南：为什么除了 Vercel，大多数公司都不该自己建 AI GTM 工具 33:09 供应商选择：为什么“前线部署工程师 (FDE)”比软件功能更重要 38:37 激活沉睡线索：Agent Force 如何实现 70% 的惊人回复率 01:04:54 角色演变：从销售工程师到确保客户成功的 FDE 给创始人的未来备忘录 01:13:59 提高期望门槛：在客户付款前就交付投资回报率 01:18:01 勤奋的真相：AI 时代不是工作变少了，而是更卷了 01:23:07 无痕模式测试：一个让创始人“哭出来”的产品自检法 01:32:14 终极忠告：最好的创业公司就是你正在做的这一家 🌟 精彩内容 💡 1.2 个人类 vs 10 个人类 Jason 分享了 SaaStr 办公室的奇观：原本坐满销售的桌子现在贴着 Repli、Quali 等 AI Agent 的名字。通过 20 个 Agent 的协作，他实现了与 10 名全职员工相当的业绩，但彻底摆脱了初级员工频繁离职、培训成本高昂的噩梦。 🛠️ 拒绝平庸：AI 正在取代“不想干的工作” Jason 犀利地指出，AI 淘汰的是那些表现平平、不上不下的人。那些只会发模板邮件、不懂产品技术细节、仅靠“擅长跟人打交道”的销售将失去竞争力。未来的超级销售是那些能像管理团队一样管理 10 个 Agent 的人。 🚀 训练 Agent 的“前线部署”哲学 Jason 强调，AI Agent 不是开箱即用的“天才”，它们需要长达一个月的深度训练。他建议企业在选择供应商时，要看对方是否提供“前线部署工程师 (FDE)”。成功的关键在于把你最顶尖销售的话术和逻辑“喂”给 AI，并进行持续 30 天的 QA 迭代。 💻 创始人的“无痕模式测试” 这是一个极具实操性的建议：创始人应该在假期用全新的 Gmail 地址，以无痕模式体验自家产品的全流程。Jason 预言，你会为糟糕的客服响应和断裂的销售环节感到“想哭”，而这正是你引入第一个 AI Agent 的最佳切入点。 📈 25 万美金年薪的 SDR 时代 Jason 描绘了一个乐观的未来：虽然低端岗位在消失，但赢家公司会以更高的薪水聘请能够驾驭 AI 的人才。一个人管理 20 个 Agent，其创造的价值将远超传统销售，这将推动整个行业向更高人效、更高薪资的方向进化。 🌐 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 - Building Intelligent Research Agents with Manus Manus 到底是什么？它被定义为一个“行动引擎”（Action Engine）。在本期节目中，Manus 团队成员 Ivan Leo 将带我们深入技术前沿，展示 AI 智能体如何不再仅仅停留于“给出答案”，而是像真人一样在各种应用中执行复杂的自动化任务。 你将听到 Ivan 现场演示如何利用 Manus API 在几分钟内构建出功能强大的 Slack 机器人、网页应用，并处理复杂的企业报销流程。从法语学习助手到自动抓取 70+ 活动信息的“粗野主义”网站，Manus 展示了其作为通用 Agent 的恐怖实力。无论你是开发者、产品经理，还是对 AI 自动化感兴趣的极客，这期节目都将为你打开 AI 智能体应用的新大门。 👨‍⚕️ 本期嘉宾 Ivan Leo，Manus 团队成员（现 Meta Superintelligence 成员）。他是一位资深的 AI 工程师，致力于构建能够自主执行任务的通用智能体。在本次工作坊中，他通过现场编码和深度 Demo，揭示了 Manus API 的核心能力与设计哲学。 ⏱️ 时间戳 00:00 开场：欢迎来到跨国串门计划 什么是“行动引擎”？ 01:57 重新定义 Manus：不只是聊天，更是执行任务的“行动引擎” 03:13 设计理念：到用户所在的地方去（Slack, Email, Browser, Office 365） 04:21 Demo 1：法语学习助手——AI 如何通过交互构建你的个人画像 07:05 Demo 2：浏览器操作器——让 AI 在你的本地浏览器里“跑腿” 08:34 Demo 3：从抓取到建站——几分钟内生成一个功能完备的 Web 应用 10:12 开发者福利：支持 Docker 镜像、Stripe 集成与 Redis 队列 Manus API 实战教学 11:50 API 入门：沙盒环境、计费逻辑与任务 ID 管理 15:12 异步生命周期：如何通过轮询（Polling）监控任务状态 19:30 文件与上下文：支持 PDF OCR、Base64 图片及 48 小时自动删除机制 25:07 进阶玩法：为什么 Webhook 是大规模构建 Agent 的最佳实践 构建一个“有手有脚”的 Slack 机器人 29:26 实战演示：利用 Modal 快速部署 Slack 机器人端点 33:52 多轮对话逻辑：如何利用 KV 存储实现线程记忆 44:41 复杂流处理：AI 如何识别发票、查询 Notion 政策并完成自动化报销 48:16 总结：把杂事交给 Manus，你只需关注核心业务逻辑 深度问答与未来展望 49:04 入门建议：先玩转网页版，再探索 API 沙盒 49:55 幕后故事：那个“粗野主义”风格网站是怎么迭代出来的？ 51:47 隐私与安全：数据存在哪？谁能看到我的聊天记录？ 52:33 趣味用例：用 Manus 抢订新加坡竞争最激烈的匹克球场 53:21 路线图：浏览器 API 授权、PPT 导出与长效记忆功能 🌟 精彩内容 💡 Manus：从对话到执行的跨越 Ivan 强调，Manus 的核心竞争力在于其“通用性”。它不是一个垂直领域的工具，而是一个自带沙盒环境、能写代码、能操作浏览器的通用 Agent。 “如果你构建的是一个通用的 AI agent，而不是垂直领域的产品，你能做的事情会多得多。” 🛠️ 开发者友好的 API 设计 Manus API 提供了与网页版完全一致的能力。通过提供独立的 Docker 镜像环境，开发者可以在上面安装任何库（如 Redis, BullMQ），这使得构建一个复杂的 MVP（最小可行产品）变得前所未有的简单。 🚀 现场演示：自动报销机器人 最令人惊叹的演示是，Ivan 展示了一个 Slack 机器人如何接收一张贝果店的收据图片，通过 OCR 提取金额，然后自主去 Notion 查询公司的报销政策，最后更新报销表格。整个过程无需人工干预，展示了 AI Agent 处理模糊任务的能力。 🔐 隐私与数据安全 针对开发者最关心的隐私问题，Ivan 明确表示：数据存储在美国，团队不会主动读取用户记录。只有在用户主动分享报错信息时，工程师才会介入调试。此外，API 上传的文件会在 48 小时内自动删除。 📈 未来路线图：记忆与多端对齐 Manus 正在开发“长效记忆”功能，让 Agent 能够记住用户的偏好。同时，很快用户就能通过 API 获得与 UI 界面一致的体验，例如直接导出 AI 生成的 PPT 或 PDF 报告。 🌐 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：全球顶尖访谈播客《Lex Fridman Podcast》Infinity, Paradoxes, Gödel Incompleteness & the Mathematical Multiverse | Lex Fridman 数学是真理的终极语言，还是人类构建的一场华丽游戏？本期嘉宾乔尔·大卫·哈姆金斯（Joel David Hamkins）的成就堪称传奇——他不仅是集合论与无穷本质研究领域的顶尖学者，更是数学界著名社区 Math Overflow 历史排名第一的“大神”。 在这场深度对谈中，哈姆金斯将带我们走入那个让康托尔发疯、让希尔伯特痴迷的“无穷天堂”。我们将从能够塞进无限客人的“希尔伯特旅馆”聊起，揭开实数不可数背后的对角线秘辛；探讨罗素悖论如何差点毁掉数学大厦，以及哥德尔如何用不完备性定理揭示了真理与证明之间永恒的鸿沟。更令人震撼的是，哈姆金斯提出了一种颠覆性的哲学视角：相比于捉摸不透的物理世界，抽象的数学世界反而更加清晰真实。这是一场关于逻辑、真理与现实本质的头脑风暴，它将彻底重塑你对这个世界底层逻辑的认知。 👨‍⚕️ 本期嘉宾 乔尔·大卫·哈姆金斯（Joel David Hamkins），圣母大学数学与哲学教授。他是集合论、逻辑学和数学哲学领域的权威专家，著有《证明与数学的艺术》、《数学哲学讲座》等著作。他在 Math Overflow 社区拥有历史第一的声望值，以其对复杂数学概念极具洞察力且优雅的解释而闻名。 ⏱️ 时间戳 00:00 开场 & 播客简介 无穷的诱惑与危机 05:11 康托尔的遗产：为什么有些无穷比另一些更大？ 11:24 希尔伯特旅馆：如何在一个住满客人的旅馆里再塞进无穷个人 15:03 希尔伯特公交车与火车：无穷多个无穷相加的奇妙结果 22:33 实数的不可数性：康托尔如何用对角线论证打破直觉 数学大厦的根基 34:47 集合论的崛起：作为所有数学学科的统一基础 48:08 罗素悖论：那个“不包含自身的集合”如何引发了数学内战 52:47 拟人化思维：用“委员会”和“水果沙拉”理解深奥的集合论 58:43 逻辑主义的梦想：弗雷格的心碎与 ZFC 公理系统的诞生 逻辑的极限与真理 59:52 希尔伯特纲领：试图证明数学永远不会出错的宏伟计划 01:12:07 哥德尔不完备性定理：为什么数学中总有无法证明的真理 01:17:11 塔斯基的真理观：句子“雪是白的”是真的，当且仅当雪是白的 01:26:16 停机问题：图灵如何证明有些事情是计算机永远无法预知的 数学哲学与现实本质 01:41:06 抽象vs物理：为什么数学对象比物理对象更真实、更清晰 01:46:30 结构主义视角：尤利乌斯·凯撒到底是不是一个数字？ 02:15:05 连续统假设：那个让康托尔崩溃的难题到底在问什么 02:25:21 集合论多元宇宙：不存在唯一的数学真理，只有不同的宇宙 数字的奇幻游戏 02:36:31 超现实数：康威如何从“无”中创造出庞大的数字系统 02:47:06 生命游戏：细胞自动机中的可计算性与复杂性 02:51:00 停机问题的“黑洞”：为什么随机程序几乎总是容易预测的 03:16:09 无穷象棋：在一个无限棋盘上，白方如何保证在有限步内获胜 03:33:24 终极之美：超穷序数与超越无穷的计数艺术 🌟 精彩内容 🛠️ 希尔伯特旅馆的魔力 哈姆金斯生动地解释了无穷的特性。在希尔伯特旅馆，即使房间全满，只要让每位客人挪到 n+1 号房，就能空出 0 号房给新客人。这种违反欧几里得“整体大于部分”原则的直觉，正是无穷大世界的入场券。 💻 哥德尔的致命一击 哈姆金斯深入浅出地讲解了不完备性定理。它终结了希尔伯特试图将数学变成“死记硬背的计算程序”的梦想。它告诉我们，数学研究永远需要创造力和想象力，因为没有任何一套公理系统能捕捉到所有的真理。 🌌 数学多元宇宙观 这是本期最震撼的哲学观点。哈姆金斯认为，就像物理学中可能存在平行宇宙一样，数学也存在“多元宇宙”。在某些宇宙中，连续统假设是真的；在另一些宇宙中则是假的。我们不应该寻找唯一的真理，而应该探索不同宇宙间的联系。 🍎 抽象比物理更真实 “我不认为我们对物理对象的本质有如此清晰的存在概念。”哈姆金斯挑战了常识。他认为物理世界（如夸克、波函数）极其神秘且不断被推翻，而数学对象（如空集、数字）的逻辑属性却永远清晰、稳定且可被彻底理解。 ♟️ 无穷象棋与序数 通过无穷象棋，哈姆金斯展示了“序数”的力量。黑方可以控制输掉比赛的时间（比如要求白方必须花一百万步才能将死），但白方依然拥有确定的获胜策略。这展示了数学如何精确地处理“有限但无界”的复杂情况。 🌐 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：硅谷深度对话播客《Dwarkesh Podcast》Adam Marblestone – AI is missing something fundamental about the brain 为什么人类大脑只需极少的数据就能学会复杂的技能，而大语言模型（LLM）即便吞噬了整个互联网的文本，在逻辑推理上依然显得“笨拙”？本期嘉宾 Adam Marblestone 带来了一个颠覆性的视角：AI 缺少的可能不是参数，而是大脑中那套由进化精心编码的“损失函数”。 Adam 是 Convergent Research 的 CEO，也是神经科学与 AI 交叉领域的领军人物。在这场深度对话中，他拆解了大脑的“双系统”架构：一个负责全向推理的“学习子系统”（皮层），以及一个内置了千万年生存智慧、负责引导学习方向的“操纵子系统”。从连接组学的技术挑战，到用 Lean 语言实现数学证明的自动化，再到如何通过“专注研究组织”（FRO）填补科学基础设施的空白，Adam 展示了一幅通往通用人工智能（AGI）的全新路线图。这不仅是一场关于神经科学的科普，更是一次关于智能本质的终极追问。 👨‍⚕️ 本期嘉宾 Adam Marblestone，Convergent Research 首席执行官，前 MIT 物理学家，曾任 Google DeepMind 研究员。他致力于通过“专注研究组织”（FROs）推动科学基础设施的变革，目前正领导包括 E11 bio（大脑连接组图谱绘制）和 Lean（形式化数学语言）在内的多个前沿项目。 ⏱️ 时间戳 00:00 开场 & 播客简介 大脑与 AI 的效率之争 02:01 千万亿美金的问题：为什么大脑比 AI 更高效？ 04:54 进化的“课程表”：大脑如何内置复杂的损失函数 08:10 皮层：一个拥有“全向推理”能力的通用预测引擎 11:39 为什么 LLM 擅长预测下一个词，却不擅长“填空”？ 进化的秘密：奖励函数与泛化 14:12 “摊销式推理”：为什么大脑反应飞快而 AI 需要思维链？ 18:29 基因组的瓶颈：为什么区区 3GB 数据能构建出智能？ 23:06 操纵子系统：进化如何把“怕蜘蛛”编码进你的神经元 28:25 奖励函数的“下游”：如何把抽象概念连接到本能反应 生物硬件与数字心智 33:19 20 瓦的奇迹：大脑的能效优势与硬件协同设计 35:55 突触 vs 代码：细胞层面的复杂性是在做“胶水”工作吗？ 42:24 逆向工程大脑：我们离“全脑仿真”还有多远？ 解密大脑：连接组学与技术革命 49:43 绘制大脑地图：从电子显微镜到光学连接组学的跃迁 53:58 行为克隆：能不能把大脑的内部状态“蒸馏”给 AI？ 56:59 为什么我们需要几十亿美金去画一张小鼠大脑图谱？ 数学自动化与可证明的未来 01:00:37 Lean 语言：当数学证明变成强化学习的信号 01:04:30 自动化的“聪明” vs 智能：黎曼猜想能被机器攻克吗？ 01:06:26 可证明软件：如何打造一个“不可黑掉”的数字世界 科学的基础设施：FRO 与差距地图 01:11:16 为什么科学家不只需要白板，还需要“哈勃望远镜”？ 01:12:30 差距地图：寻找那些被风投和政府忽视的科学盲区 01:15:03 结语：科学的未来在于规模化与基础设施的协同 🌟 精彩内容 💡 大脑的“双系统”理论 Adam 提出，大脑并非一个单一的学习算法。皮层（学习子系统）是一个极其通用的预测机器，但它需要被皮层下区域（操纵子系统）引导。进化虽然没有给大脑预装知识，但它预装了一套极其精密的“奖励函数”，告诉大脑哪些信息是关键的。 “进化可能在损失函数里内置了大量的复杂性……就像有大量的 Python 代码，为大脑不同部分生成了一套特定的‘课程表’。” 🛠️ 摊销式推理（Amortized Inference） 为什么人类看到危险会瞬间躲避，而 AI 往往需要多步推理？Adam 解释了“摊销”的概念：大脑通过长期的演化和学习，将复杂的贝叶斯推理固化成了前馈的神经反应。 “大脑把一些东西‘固化’进了近似的前向传播里，而不需要像 AI 那样在测试时进行大量的采样计算。” 🚀 连接组学：大脑的“哈勃望远镜” Adam 正在推动的 E11 bio 项目旨在通过降低成本来绘制完整的大脑连接组。他认为，如果我们能像人类基因组计划那样，将大脑图谱的绘制成本降低几个数量级，我们将能直接看清智能的物理结构。 “如果你能用几十亿美元就全面解决这个问题，在 GPU 价值数万亿美元的宏大背景下，这笔投资是极其合理的。” 💻 形式化数学与 Lean 作为 Lean 的董事会成员，Adam 认为数学证明是强化学习的完美赛道。因为证明的正确性是可以被机器自动验证的，这为 AI 提供了一个清晰的奖励信号。 “我们将能够拥有搜索证明并找到它们的工具，就像我们有 AlphaGo 一样。有了可验证的信号，它就能行。” ❤️ 科学的“差距地图” Adam 提出了“专注研究组织”（FRO）的概念，旨在解决那些“对研究生太难，对初创公司太亏”的科学工程问题。他认为，现代科学正处于一个需要“规模效应”的转折点。 “很多科学领域都需要规模。我们缺少一些可扩展的基础设施，这在几乎每个领域都存在，甚至包括数学。” 🌐 播客信息补充 翻译克隆自：Dwarkesh Podcast 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：硅谷顶级科技风投播客《No Priors》Scaling Legal AI and Building Next-Generation Law Firms with Harvey Co-Founder and President Gabe Pereyra 本期嘉宾 Gabe Pereyra 的经历是技术理想主义与商业敏锐度结合的典范。作为 Harvey 的联合创始人兼总裁，他带领公司在短短三年半内，从两个人的 Airbnb 宿舍发展到拥有 500 名员工、服务上千家顶尖律所与财富 500 强企业的行业巨头。 在这期节目中，Gabe 将带我们深入法律 AI 的“深水区”。你将听到为什么法律文件本质上是“非结构化的代码”，以及 Harvey 如何通过构建法律 IDE 和智能体工作流，解决大模型在专业领域中的“幻觉”与上下文缺失问题。Gabe 还会揭秘他们独特的“前线部署工程师”模式，以及为什么在 AI 时代，组织生产力的提升远比个人 Copilot 更具颠覆性。无论你是关注 AI 落地应用的开发者，还是寻求行业转型的专业人士，这期关于“AI 如何啃下最硬骨头”的对话都不容错过。 👨‍⚕️ 本期嘉宾 Gabe Pereyra，Harvey 的联合创始人兼总裁。在创办 Harvey 之前，他曾是 DeepMind 和 Meta 的顶级 AI 研究员，专注于强化学习和大语言模型。他凭借深厚的技术背景和对法律行业的独特洞察，将 Harvey 打造成为法律 AI 赛道的领头羊。 ⏱️ 时间戳 00:00 开场 & 嘉宾背景介绍 定义法律 AI 的新形态 02:14 规模与现状：从 1000 家客户看 Harvey 的增长曲线 03:52 拒绝平庸：为什么 Harvey 不是另一个 ChatGPT 包装盒？ 05:46 法律即代码：如何像理解分布式系统一样理解大型并购案 08:06 协作平台化：连接财富 500 强法务部与顶级律所的纽带 智能体与法律推理的未来 09:51 模拟初级律师：将法律任务分解为智能体逻辑树 11:39 强化学习的挑战：在无法“单元测试”的法律界，如何构建奖励函数？ 13:59 专家经验的数字化：顶级合伙人的“推理链”如何转化为模型能力 16:18 验证的艺术：如何判断一个持续三年的并购案是否“正确”？ 商业实战与部署策略 19:21 前线部署工程师（FDE）：为什么 AI 公司也需要“重度交付”？ 22:34 快速普及的秘诀：法律行业为何对 AI 展现出惊人的接纳度 24:14 终极追问：Harvey 为什么不直接开一家 AI 驱动的律所？ 26:18 市场天花板：从一万亿法律市场到五万亿专业服务市场 创始人进化论 28:11 身份转变：从 DeepMind 研究员到 500 人公司的 CEO 31:47 早期信念：在 GPT-4 诞生前，如何坚定押注 AI+法律？ 34:10 产品形态的演进：从文档上传到精准引文的“啊哈时刻” 38:11 预测未来：为什么组织生产力才是 AI 的下一个主战场 40:18 协作式 AI：人类与模型如何在大规模组织中高效协同 🌟 精彩内容 💡 法律文件的“代码属性” Gabe 提出了一个深刻的见解：法律工作本质上是处理极其复杂的非结构化信息。一个大型基金的组建或跨国并购，其复杂程度不亚于架构一个分布式软件系统。Harvey 的价值在于将这些“文字代码”结构化，让 AI 能够像 IDE 辅助程序员一样辅助律师。 🛠️ 智能体（Agentic）工作流 Harvey 正在尝试将初级律师的工作模式“智能体化”。通过强化学习（RL），模型不再只是生成一段文字，而是学会去文档库找资料、查判例、起草备忘录，并根据合伙人的反馈进行迭代。这种对复杂任务的拆解和执行是法律 AI 走向深度的关键。 🚀 “前线部署”的重公司模式 与传统的轻量化 SaaS 不同，Harvey 成立了前线部署工程师团队。Gabe 认为，要让 AI 真正进入大银行或大律所的血液，必须有人坐在客户身边，帮他们梳理业务逻辑并连接计费、治理等内部系统。这种“重交付”模式正在成为企业级 AI 成功的标配。 ❤️ 组织生产力 vs 个人生产力 Gabe 指出，目前很多人关注的是让个人效率提升 20%，但这并不直接等于公司产出提升 20%。未来的核心在于“组织生产力”——即如何通过 AI 基础设施，让成千上万人的大型组织（如沃尔玛或顶级律所）以全新的方式协同工作。 🌐 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