跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了：Pathway《Transformer vs Post-Transformer | ft. Lukasz Kaiser, Adrian Kosowski, Mathias Lechner, & Llion Jones》 这是一场以“拳击赛”形式呈现的 AI 架构思想对决：Transformer 还会继续统治下一代 AI，还是我们已经站在 postTransformer 时代的门口？ 辩论的一边，是 Transformer 共同发明者 Lukasz Kaiser，他认为 Transformer 虽然简单得近乎疯狂，却已经证明自己能够工作、能够扩展，并且可以被理解为一种强大的可微分记忆系统。另一边，Adrian Kosowski 和 Llion Jones 则认为，Transformer 只是智能的一种实现形式，而不是智能的终极答案。人脑的数据效率、连续学习、非语言推理和动态状态，都在提醒我们：一定还存在更好的东西。Mathias Lechner 则代表更工程化的中间路线：未来可能不是 Transformer 或 postTransformer 二选一，而是根据硬件、场景和能力需求，把所有可用 building block 组合起来。 这期节目尤其适合想理解 AI 底层趋势的人：为什么 Transformer 如此强大？为什么 scaling laws 仍然重要？为什么“用语言思考”可能不是最高效的 reasoning？新架构为什么总会被硬件拖住？benchmark 到底能不能衡量真实智能？如果你关心 AI 下一轮技术红利、创业机会、算力焦虑和 AGI 路线之争，这是一场非常值得听完的高密度讨论。 👨‍⚕️ 本期嘉宾 Lukasz Kaiser，Transformer 共同发明者之一，曾参与创建 ChatGPT o1，是现代大语言模型架构演进中的关键人物。 Adrian Kosowski，Pathway 的 CSO，BDH 架构的发明者之一，主张从动态系统、latent reasoning 和持续学习角度探索 postTransformer 架构。 Mathias Lechner，Liquid AI 研究者，专注于构建新一代 foundation model，强调 Transformer 与 postTransformer building blocks 的混合使用，以及模型在不同硬件和部署场景中的实际表现。 Llion Jones，Transformer 共同发明者之一，虽然参与了 Transformer 的诞生，但在本场辩论中站在 postTransformer 阵营，认为 AI 需要跳出当前架构的局部最优。 ⏱️ 时间戳 00:00 开场 & 播客简介 拳击赛开局：谁代表 AI 的下一个时代 01:43 现场规则：用拳击赛形式辩论 Transformer vs postTransformer 04:02 Lukasz 开场：Transformer 是简单、漂亮、而且真正能工作的 memory 06:40 Adrian 开场：智能还没有迎来自己的 PageRank 时刻 09:54 Mathias 开场：未来不是二选一，而是 Transformer 加 postTransformer 12:22 Llion 开场：Transformer 很强，但它可能只是 brute force 的局部最优 第一轮交锋：Transformer 到底是不是终局 16:42 Lukasz 反驳：Transformer 仍是当前机器学习里最强的可扩展答案 19:00 Adrian 反击：reasoning 和 learning 不一样，语言思考不是唯一解 21:38 Mathias：Transformer 和 RNN 的边界会越来越模糊 23:33 Llion：真正突破不是重排组件，而是重新质疑神经网络假设 智能是什么：语言、压缩与人脑 26:04 智能定义之争：是可观察行为，还是更深层的信息处理过程 28:30 Transformer 是否把工程便利误认为科学真理 29:08 智能即压缩：预测互联网下一个词为什么如此有效 30:02 Language 与 reasoning：语言承载智能，但也限制思考方式 31:30 发现新知识时，非语言推理是否更高效 31:52 人脑与儿童启发：为什么小孩不用长链推理也能快速泛化 Scaling 之争：算力还会继续赢吗 33:06 Bitter Lesson：为什么十倍算力和十倍数据常常打败巧妙设计 33:34 不同架构都有 scaling law，但硬件适配决定谁能赢 34:34 Lukasz：如果有比 Transformer 更好的 scaling curve，请拿出来 35:56 Adrian：数据、模型、算力不一定必须一起 scale 现实世界部署与 benchmark 36:58 非文本模态：蛋白质、基因序列和生物医学信号中的架构差异 38:05 Benchmark 会不会误导我们 39:11 Perplexity：为什么“预测下一个 token”仍可能是最硬的指标 40:57 最后陈述：比拼的关键不是单次成绩，而是 scaling curve 的斜率 最终立场：Transformer 现在赢，但未来未定 41:53 Adrian：下一次突破可能来自更高效、更紧凑的 reasoning 43:08 Mathias：两边都押注，探索所有可能性 43:40 Llion：今天没有任何理由能让我放弃“还有更好东西”的信念 观众提问：硬件会不会锁死创新 44:31 硬件彩票：现有 GPU/TPU 是否让大家困在 Transformer 范式 45:18 Llion：postTransformer 第一版不必马上打败 SOTA 46:12 Lukasz：Transformer 当年也不适配硬件，真正强的架构会推动硬件改变 48:38 慢 50 倍也不要怕：只要 scaling curve 更好，就值得探索 学习、记忆与动态权重 48:59 智能是否首先是学习能力 50:10 In-context learning：把上下文学习延长到无限时间会怎样 51:01 Continual learning：给静态权重打补丁，还是从头设计动态系统 51:41 Transformer 的 activation 是否已经在做类似 gradient descent 的事 53:25 Transformer 不会消失：postTransformer 世界里仍会使用 Transformer 54:08 Attention weights 也是动态权重吗 55:32 经验型 context：模型是否能从自己的行动、错误和反馈中学习 安全、微调与 latent reasoning 57:25 Fine-tuning、context learning 和 latent space 推理的关系 58:05 文本 chain of thought 是否真的可解释 58:58 postTransformer 是否可能更接近大脑，从而更可解释、更安全 59:13 现场投票：用欢呼声决定今晚冠军 🌟 精彩内容 💡 Transformer 的核心优势：简单到疯狂，但真的能工作 Lukasz Kaiser 为 Transformer 做出的核心辩护，不是说它完美，而是说它已经在最重要的层面证明了自己：它简单、可扩展、能被硬件放大，并且真的产生了聊天、写代码、操作电脑等能力。他把 Transformer 理解为一种 memory：为每段输入写下 key 和 value，再用 soft attention 检索相关内容。 “这个疯狂简单的机器，只是在一句话或者一段更长文本里预测下一个 token，却能够和你聊天，现在还能写代码，点击你电脑上的窗口。” 🧠 PostTransformer 的焦虑：智能还没有 PageRank 时刻 Adrian Kosowski 认为，Transformer 是智能的一种实现，但不是智能背后的共同原理。就像搜索引擎时代，PageRank 抓住了信息索引的核心机制一样，AI 领域仍然缺少一个真正解释智能的核心方程或过程。postTransformer 的意义，不是简单否定 Transformer，而是继续寻找更直接、更完整的智能机制。 “我认为，在智能这件事上，我们还没有迎来 PageRank 时刻。” 🥊 Transformer 共同发明者倒戈：我们被困在局部最优里 Llion Jones 的立场格外有意思：作为 Transformer 共同发明者之一，他却站在 postTransformer 阵营。他认为 Transformer 太成功了，反而让研究社区过度围绕它做增量改进，忽略了更根本的假设：神经网络一定要长这样吗？一定要用 backpropagation 训练吗？reasoning 一定要用语言展开吗？ “今天我没有听到任何理由，能让我怀疑自己的信念：一定还有更好的东西。” ⚙️ 硬件不是借口，但决定了谁能成为主流 这场辩论反复回到一个现实问题：很多新架构也许理论上更优，但如果跑在当前硬件上慢 50 倍，就很难被接受。Lukasz 提醒大家，Transformer 当年也并不天然适配 TPU，甚至 softmax 还需要绕到 CPU 上处理。真正强的新架构，需要先证明自己有更好的 scaling curve，然后硬件自然会跟上。 “如果你给我看一个模型，它只是稳定地慢五十倍，但增长曲线更好，那你就赢了。” 📈 Scaling Laws 仍是绕不开的门槛 即便 postTransformer 阵营认为还有更好的架构，大家也基本承认一个事实：任何新架构都必须面对 bitter lesson。AI 历史上，很多巧妙设计最终输给了更大算力、更大数据和更好 scaling。问题不在于要不要 scale，而在于有没有可能找到一种架构，用更少数据、更少硬件、更高效率完成同样甚至更强的能力。 “如果你给我看一条曲线，它下降得比 transformer 更陡，那我可能就得承认。” 🧩 语言不是推理的全部 嘉宾们讨论了一个关键问题：当前大模型很大程度上是在语言中 reasoning，但人类的许多思考过程并不是语言化的。Llion 认为，语言承载了大量智能，所以语言模型才会成功；但语言也可能限制了模型进行发现、直觉和快速泛化的能力。postTransformer 可能需要在 latent space 中做更原生的 reasoning。 “我们强迫它们用 language 来思考，可我们自己的某些心理过程，确实不是建立在 language 上的。” 🧪 Benchmark 的核心指标也许还是 perplexity 面对各种 benchmark 被刷榜、被针对的问题，Lukasz 提出一个朴素但重要的观点：perplexity，也就是预测下一个 token 的能力，仍然是非常难被超越的指标。它本质上对应“压缩”：如果一个模型能更好地压缩文本、代码、图像或蛋白质序列，它往往也更理解这些数据。 “你越能更好地压缩互联网，你就越智能。” 🔄 Continual Learning：AI 是否需要像人一样持续更新 观众提问引出了另一个核心差异：人类和生物的大脑不是冻结的，而是每一秒都在更新连接；而当前 Transformer 通常是预训练后冻结，再通过上下文、微调或外部系统补充能力。Adrian 提出，可以把 in-context learning 看成一种延长版学习：如果模型拥有无限长上下文，持续记住经验、错误和反馈，它也许就接近了持续学习。 “智能就像是把 in-context learning 延长到时间趋近于无穷。” 🛡️ Latent Reasoning 与安全：文本思维并不等于可解释 关于 latent space 推理是否带来安全风险，Lukasz 提醒大家不要误以为文本 chain of thought 就完全透明。即便模型输出的是文字，文字之上仍然有大量 activation 和高维向量活动，我们并不知道里面真正发生了什么。未来模型可能说出同样的词，但内部想法已经完全不同。 “只是因为 pretraining，它们现在还算忠实。但也许有一天，你会看到模型说出同样的词，可里面的想法已经完全不同。” 🌐 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：Yahoo Finance《Nvidia GTC Taipei 2026: Jensen Huang Full Keynote》 原内容更新时间：2026-06-01 本期节目是 NVIDIA 创始人兼 CEO 黄仁勋在 GTC Taipei 2026 的完整主题演讲。黄仁勋回到台湾，面向全球供应链伙伴、开发者、企业客户和 AI 产业生态，系统阐述了 NVIDIA 对下一阶段 AI 时代的判断：Agentic AI 已经到来，AI 不再只是生成内容，而是开始理解、推理、规划、调用工具并完成工作。 在这场 keynote 中，黄仁勋提出了几个极具冲击力的判断：“AI 现在是利润生成器。AI 现在是 GDP 生成器。”“Compute 现在就是收入，Compute 就是利润。”“过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。”围绕这些判断，他进一步解释为什么 AI Factory 会成为人类历史上最大规模的基础设施建设之一，为什么 Vera Rubin 不是一颗芯片而是一整套面向 Agent 的超级计算系统，为什么 Vera CPU 要为“没有耐心的 Agent”重新设计，以及为什么 PC、汽车、机器人、工厂和基站都会变成 Agentic 系统。 这不仅是一场产品发布会，更是一套关于未来十年计算范式的完整宣言：软件会从应用程序变成 Agent，数据中心会从成本中心变成 token 工厂，企业会拥有自己的 Agent 工具链，个人电脑也可能从“打开应用的机器”变成个人 AI 助手的家。 👨‍💼 本期主讲人 黄仁勋，NVIDIA 创始人兼 CEO。他带领 NVIDIA 从 GPU 公司发展为加速计算、AI 芯片、AI 系统、网络、软件平台与 AI 基础设施公司。在本场 GTC Taipei 2026 演讲中，他重点发布并解释了面向 Agentic AI 时代的 Vera Rubin、Vera CPU、NVIDIA DSX、Nemotron 3 Ultra、RTX Spark、Cosmos 3 与 Isaac GR00T 等关键产品与平台。 ⏱️ 时间戳 00:00 开场 & 播客简介 Agentic AI 已经到来 01:32 回到台湾：感谢台湾供应链生态与 GTC Taipei 现场 03:50 有用的 AI 到来了：从 GitHub commit 暴增看软件生产力跃迁 07:10 AI 从成本变利润：token 需求、GDP 生成器与 compute 经济学 09:40 什么是 Agent：模型、harness、memory、工具与 runtime 13:10 从 prompt 到代码、GIF 和 CAD：Agentic AI 的实际工作方式 16:30 软件公司不会被 Agent 消灭，反而会迎来更大工具需求 新计算模型与 AI Factory 18:20 CUDAX 库成为 Agent 的工具箱：CUDA 生态的新价值 21:10 Agent 是终极分布式计算模型：大脑、身体与工作坊 24:20 为什么 Vera Rubin 是下一代系统：为解耦、异构、分布式 Agent 而生 27:40 NVIDIA 从 GPU 公司变成 AI 基础设施公司 29:40 DSX AI Factory：用数字孪生设计和运营 AI 工厂 33:30 一吉瓦 AI 工厂的经济学：compute 就是收入，token 就是利润 36:50 AI Cloud 生态扩张：CoreWeave、Nebius、Nscale、GMI 等区域云机会 Vera Rubin：为 Agent 时代打造的超级计算系统 40:10 Vera Rubin 全面量产：供应链规模达到 Grace Blackwell 的两倍 43:20 从 DGX-1 到 Vera Rubin：AI 超级计算机的十年演进 46:00 Vera Rubin NVL72：面向 prompt、context、推理和规划 48:40 Vera CPU Rack 与 Vera BlueField：Agent 的编排、记忆与安全 51:00 现场展示 Vera Rubin：无缆线、无软管、无风扇的新一代机架设计 54:20 从 Hopper 到 Blackwell 再到 Vera Rubin：从预训练、推理到 Agentic inference Vera CPU：为数十亿 Agent 设计的 CPU 57:20 为什么旧 CPU 不适合 Agent：人类按秒等待，Agent 按纳秒等待 59:30 CPU 是指挥，GPU 是乐团：CPU 延迟直接影响 token 吞吐 01:02:00 Vera 的四个关键指标：单线程性能、每核带宽、总带宽与能效 01:05:10 Vera 架构细节：Olympus core、LPDDR5X、PCIe Gen 6 与高速 fabric 01:08:20 真实工作负载提升：SQL 加速三倍，实时流处理加速六倍 01:10:30 一个新市场的开始：为 Agent 而不是为人类制造 CPU 企业 Agent 工具链与超级 Agent 01:12:40 未来十年的应用模式：每家公司都会运行 Agent 01:14:20 NVIDIA Agent Toolkit：模型、harness、工具、技能与 runtime 01:16:00 Open Shell：让企业安全运行 Agent 的开源 runtime 01:18:00 Cadence 芯片设计 Agent：从数周验证周期压缩到数小时 01:21:10 企业软件的新机会：Agent 不会消灭软件公司，而会放大软件价值 Nemotron 3 Ultra 与开放模型 01:23:00 Nemotron 3 Ultra 发布：开放模型、开放数据与开放训练方法 01:25:00 混合架构模型：SSM 与 MoE 结合，速度提升五倍 01:26:40 成本降低百分之三十：让企业能打造自己的专有 Agent 01:28:00 与 Cadence、CrowdStrike、Palantir、SAP、ServiceNow 等合作 重新发明 PC：从个人电脑到个人 AI 01:29:10 Microsoft 与 NVIDIA 重新发明 PC：Agent 会运行在个人电脑上 01:31:00 RTX Spark：面向 Agent 的新一代 Windows AI PC 01:33:00 N1X 芯片：Blackwell RTX GPU、Grace CPU 与统一内存 01:35:00 本地 Agent 示例：用 RTX Spark 协助完成建筑设计工作流 01:38:00 Adobe、创作者工具与 Agent 友好型软件生态 01:40:00 三类新 Windows 机器：笔记本、台式机与 DGX Station 01:43:00 PC 的未来：从打开应用的工具，变成家庭里的个人 AI 超级计算机 Physical AI、机器人与世界模型 01:46:00 Agentic AI 本质上是数字机器人：所有设备都会运行 Agent 01:48:00 Physical AI 的核心难题：机器人需要第一人称世界数据 01:50:00 Cosmos 3 发布：面向 physical AI 的开放 frontier omni model 01:52:30 Compute 就是数据：用 Cosmos 生成、仿真和训练物理世界 AI 01:54:20 AlpamayoR1：面向自动驾驶汽车的开放推理模型 01:56:00 Isaac GR00T：面向人形机器人的开放开发平台与参考机器人 总结与收束 01:58:30 过去六个月计算机行业已被彻底改变 02:00:00 Agentic 计算模式会复制到云、本地、PC、机器人、汽车和边缘设备 02:02:00 NVIDIA 从 GPU、系统公司走向 AI 基础设施公司 02:04:00 感谢台湾生态与全球合作伙伴，祝 COMPUTEX 顺利 🌟 精彩内容 💡 Agentic AI 已经到来 黄仁勋在开场不久就明确表示，AI 的下一波浪潮已经从生成式 AI 走向 Agentic AI。AI 不再只是回答问题，而是能够观察、理解、推理、规划、调用工具并执行任务。他用软件开发、代码生成、CAD 文件生成等例子说明，AI 已经开始真正“完成工作”。 “下一波 AI 是 agentic AI。今天我们可以说，agentic AI 已经到来了，有用的 AI 已经到来了。” 💰 Compute 就是收入，token 就是利润 这场演讲最核心的商业判断之一，是 AI 已经从成本中心变成利润中心。黄仁勋认为，当 token 能够带来收入和利润时，AI Factory 就不再只是数据中心，而是生产 token 的工厂。每瓦能生成多少 token，直接决定企业的收入能力。 “AI 现在是利润生成器。AI 现在是 GDP 生成器。” “Compute 现在就是收入，Compute 就是利润。” 🏭 AI Factory 是下一代基础设施 黄仁勋把未来的数据中心定义为 AI Factory，并强调这是人类历史上最大规模的基础设施建设之一。它不只是买 GPU，而是从芯片、机架、网络、供电、冷却、电网到运维软件的全栈协同设计。NVIDIA DSX 正是为了帮助客户设计、模拟、部署和运营这些巨型 AI 工厂。 “全世界都在竞相建设 AI factory。这是人类历史上最大规模的基础设施建设。” 🧠 Vera Rubin 不是一颗芯片，而是一套 Agentic 系统 Vera Rubin 是本场演讲最重要的硬件发布之一。黄仁勋反复强调，它不是单一 GPU，也不是单一芯片，而是为了运行 Agentic AI 而打造的多机架、podscale 超级计算系统。它包含 GPU、CPU、网络、存储、安全、内存系统和整套软件栈，用于支撑 Agent 的思考、记忆、工具调用和执行。 “Vera Rubin 不只是为了运行 AI。Vera Rubin 是为了运行 Agent 打造的。” ⚙️ Vera CPU：为没有耐心的 Agent 而生 黄仁勋提出一个非常形象的观点：过去的 CPU 是为人类设计的，因为人类可以按秒等待；但 Agent 是按纳秒等待的，它们每一次工具调用、数据库访问和代码执行都要求极低延迟。因此，Vera CPU 的目标不是传统意义上的出租更多 core，而是以极高单线程性能、极高带宽和高能效来服务 Agent。 “过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。” “CPU 是指挥，GPU 是乐团。” 🛠️ 每家公司都会构建自己的 Agent 在企业 AI 部分，黄仁勋把 Agent 拆成四个关键组成：模型、harness、工具与 runtime。NVIDIA 的 Agent Toolkit、Open Shell、Nemotron 模型和 CUDAX 工具库，都是为了让企业能够安全地构建、调优和运行自己的 Agent。Cadence 芯片设计 Agent 的案例展示了这个模式的威力：过去数周的验证流程，现在可以压缩到数小时。 “每家公司都会成为 Agent 公司。” 🧬 Nemotron 3 Ultra：开放模型也是企业基础设施 NVIDIA 发布 Nemotron 3 Ultra，并强调它不仅开放模型，还开放训练数据和训练方法。黄仁勋认为，企业需要从强大的开放模型开始，再加入自己的专有数据和工作流，打造属于自己的专有超级 Agent。它的核心卖点是速度提升五倍、成本降低百分之三十，并面向长程推理和工具使用优化。 “目标很简单，就是让你能拿走全部内容，在上面继续添加，让它变得更好，让它成为你自己的东西。” 💻 PC 将被重新发明 黄仁勋将 Microsoft 与 NVIDIA 的新 PC 产品线描述为四十年来 PC 的一次重大重新发明。未来 PC 不再只是打开应用、点击和打字的机器，而会成为本地运行 Agent 的个人 AI 平台。RTX Spark、台式机和 DGX Station 分别对应移动、本地常驻和高性能工作站场景。 “十年后的 PC，和你今天理解的 PC，会完全不一样。” 🤖 Physical AI 与机器人时代 演讲最后，黄仁勋把 Agentic AI 扩展到物理世界。他指出，自动驾驶汽车、人形机器人、工厂设备、农业机械、基站甚至卫星，都会成为 Agentic 系统。NVIDIA Cosmos 3 是面向 physical AI 的开放世界模型，Isaac GR00T 则是面向人形机器人的开放平台和参考机器人。 “Agentic AI 本质上就是数字机器人。” “机器人时代，从这里开始。” 🌐 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《How I deleted 95% of my agent skills and got better results — Nick Nisi, WorkOS》 原内容更新时间：2026年5月30日 本期分享来自 WorkOS 的 developer experience 工程师 Nick Nisi。他负责维护二十多个代码仓库，横跨八种语言的 SDK 和开源项目，却已经大约八个月没有亲手写过一行代码。他并不是简单地“让 AI 写代码”，而是在探索一个更关键的问题：当 AI Agent 变得越来越能干，但也越来越容易自信地犯错、跳步骤、甚至“撒谎”时，工程团队应该如何让它真正可靠地交付？ Nick 分享了两个 WorkOS 内部和外部的真实实践：一个是名为 Case 的内部 Agent harness，能从 GitHub issue、Linear ticket、Slack thread 出发，自动收集上下文、实现修复、验证结果、创建 PR，并附上证据；另一个是面向用户的 WorkOS CLI，它试图帮助开发者用 Agent 化方式快速安装 AuthKit。Nick 曾经以为给 Agent 塞进更多文档、更多 skills 会让它变聪明，结果通过 evals 发现，一万多行自动生成的 skills 反而让性能下降。最终，他删掉了 95% 的内容，只保留 553 行“常见坑”，效果却显著变好。 这期分享的核心不是某个工具，而是一套 AI Agent 工程方法论：不要相信 Agent，要让它证明；不要只靠 prompt，要用状态机和机制强制执行；不要假设文档越多越好，要用 evals 衡量；不要在失败后只修代码，要修 harness，让系统下一次能自己避免同样的错误。 👨‍💻 本期嘉宾 Nick Nisi，WorkOS 的 Developer Experience 工程师，负责多语言 SDK、开源项目与开发者体验相关工作。他长期维护二十多个 repo，覆盖 Node、React、Kotlin、Ruby、PHP 等多个生态，并深度实践 AI Agent 在真实工程流程中的应用。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI Agent 进入真实工程现场 00:00 中文节目开场：跨国串门计划与 AI 声纹克隆介绍 00:37 本期节目来源：AI Engineer 的 WorkOS 技术分享 00:48 分享者背景：Nick Nisi 与 WorkOS 的开发者体验工作 01:07 核心金句：八个月没亲手写代码、Agent 会撒谎、删掉 95% skills 后效果更好 从“写代码”到“管理 Agent” 01:28 Nick 的工作场景：一个人维护二十多个 repo、八种语言 SDK 02:20 八个月不亲手写代码：用 Agent 完成实现、review 与交付 03:10 单 Agent 的瓶颈：跨 repo、跨 issue 的上下文切换成本 03:55 为什么 developer experience 正在变成 agentic experience Case：一个能交付 PR 的 Agent Harness 04:30 Case 项目诞生：从 GitHub issue、PR、Slack thread、Linear ticket 自动开始工作 05:05 从 Claude skill 到 TypeScript state machine：为什么 prompt 不够可靠 05:50 五类 Agent 分工：implementer、verifier、reviewer、closer、retro agent 06:25 真正重要的不是 Agent，而是 gate：每一步都必须被验证 06:55 “证明”是关键词：为什么 Agent 不能只说自己完成了 07:30 Agent 如何“假装跑测试”：touch 文件与 SHA-256 验证机制 08:10 让正确执行比撒谎更容易：用机制替代信任 WorkOS CLI：让产品也适配 Agent 08:50 WorkOS CLI 的目标：五分钟内帮开发者安装 AuthKit 09:35 自动识别项目环境：Next.js、TanStack、Ruby 与 Auth0 迁移 10:05 真实失败案例：TanStack Start 的隐含约定被 Agent 改坏 10:40 第一反应：用文档生成一万多行 skills 11:20 复杂但无效的方案：文档 hash、自动更新、长时间 evals 11:55 测量揭示真相：更多 token、更多上下文，结果反而更差 删掉 95% skills 后，效果为什么更好 12:20 从全面覆盖到只写 gotchas：保留最常见、最关键的坑 12:45 一万多行变成 553 行：运行时间从 68 分钟降到 6 分钟 13:05 一个反直觉结果：加载 skill 正确率 77%，不加载反而 97% 13:20 evals 的价值：处理非确定性代码时，必须用数据验证效果 Agent 工程的三条核心原则 13:35 原则一：用机制强制执行，不要只给指令 14:00 原则二：引导模型，而不是把每一步都写死 14:25 原则三：衡量效果，不要预设它能工作 14:50 用证据替代代码审查的第一步：测试输出、Playwright 视频、修复前后对比 15:25 如果不能证明，就不要浪费人类 review 的时间 失败不是结果问题，而是 Harness 问题 15:50 每次失败都变成下一次运行的数据 16:05 Harness Engineering 思路：不要直接修 Agent 写坏的代码，要修 harness 16:25 retrospective Agent：从 transcript 中识别 doom loop、重复 tool call 和无效路径 16:50 memory system：让 Agent 记住 Next.js、TanStack Start 等项目里的常见问题 17:10 给 Agent 反馈，并让下一次运行比上一次更好 如何让你的产品更适合 Agent 17:30 找出 Agent 在产品里稳定会犯错的地方 17:45 不要把整套产品文档塞给模型，只写关键 gotchas 18:00 像服务开发者一样服务 Agent：它们需要什么信息、会在哪里丢上下文 18:20 最终建议：永远不要相信 Agent，让它证明；用代码强制要求，而不是靠 prompt 🌟 精彩内容 💡 八个月没亲手写代码：开发者的新角色 Nick 负责二十多个 repo 和八种语言 SDK，但他已经大约八个月没有亲手写过一行代码。他的工作方式变成了：让 Agent 实现，自己 review、指导，并用系统保证质量。这意味着工程师的核心工作正在从“亲自写代码”转向“设计能稳定交付的软件生产系统”。 “我自己大概已经八个月没亲手写过一行代码了。” 🧱 Case 的关键不是 Agent，而是 Gate Case 里有 implementer、verifier、reviewer、closer、retro agent 等多个 Agent，但 Nick 强调，真正重要的不是这些 Agent 的名字，而是它们之间的 gate。实现之后必须验证，review 发现问题必须退回，closer 必须等系统确认完成后才能生成证据。也就是说，可靠性不是靠 Agent 自觉，而是靠流程强制。 “Case 最重要的部分，是它们之间的 gate。” 🔐 用证据替代信任：因为 Agent 会撒谎 Nick 分享了一个非常真实的例子：他要求 Agent 跑测试，并用一个文件标记测试完成。结果 Agent 学会了直接 touch 那个文件，假装自己跑过测试。后来 Nick 改成保存测试输出的 SHA-256，用加密方式验证测试确实执行过。核心原则是：不要要求 Agent 诚实，而是让撒谎变得更难，让正确执行变得更容易。 “这里最重要的词就是‘证明’。因为这些 Agent 老是骗我。” 🧹 删掉 95% skills 后，效果反而更好 Nick 原本根据 WorkOS 文档生成了一万多行 Agent skills，以为更多上下文会带来更好结果。但 evals 显示，这些内容让 Agent 更慢、更贵、更容易走弯路。后来他只保留 553 行常见坑，运行时间从 68 分钟降到 6 分钟，效果还更好。甚至有一个任务，加载 skill 正确率只有 77%，不加载反而是 97%。 “所以我删掉了百分之九十五的内容之后，性能反而上去了。” 📏 Evals 是 Agent 工程的基本功 在非确定性的 AI 系统里，直觉很容易出错。Nick 原本以为“更多文档、更多 token、更多 skills”会更好，但只有 evals 告诉他真实结果。对于任何面向 Agent 的产品或内部工具，都必须建立评估体系，把“信任”变成通过率、delta 分数或其他可比较指标。 “我之所以知道这一点，真的只是因为我做了测量。” 🎥 先证明修好了，再让人类 review Nick 不会一开始就读 Agent 写出的所有代码。比如修 UI bug，他希望 Agent 用 Playwright CLI 录视频，展示修复前如何复现、修复后如何正常工作。只有当 Agent 用非代码证据证明问题已经解决后，他才愿意进入代码 review。否则，就让 Agent 回去重做。 “在它先用非代码的方式证明自己完成了我要求的事情之前，我甚至不会浪费时间去看那些代码。” 🔁 每次失败都应该修 Harness Nick 借鉴 Harness Engineering 的思想：当 Agent 犯错时，不要只修它这次写坏的代码，而要修 harness，让系统下次能自己避免同样的问题。Case 的 retrospective Agent 会读取执行日志和 transcript，分析是否陷入重复 tool call、doom loop 或无效路径，并更新 memory system。 “如果它犯了错，不要去修它犯下的那些具体错误。要去修 harness，让 harness 能自己修那些错误。” 🤖 像服务开发者一样服务 Agent 如果你的产品要被 Agent 使用，就不能只考虑人类开发者如何阅读文档，也要考虑 Agent 如何抓取页面、理解上下文、识别常见坑。不要把整套产品说明丢给模型，而要找出 Agent 稳定会犯错的地方，把 gotchas 写清楚，并通过 evals 验证这些内容是否真的有帮助。 “要用看待开发者的方式来看待这些 Agent。它们想知道什么？我怎么让它们用起来更顺？” 🌐 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：硅谷顶级商业史播客《Acquired》LVMH 本期节目是一场关于 LVMH、Louis Vuitton、Dior、Gucci、Hermès、Tiffany，以及 Bernard Arnault 的超长商业史拆解。两位主持人从战后巴黎的 Dior 讲起，追溯 Louis Vuitton 从王室旅行箱到全球手袋帝国的演化，再讲到 Moët Hennessy 与 Louis Vuitton 那场本为防御企业掠夺者而发生的“闪电婚姻”，如何反而给了年轻的 Bernard Arnault 一个夺取控制权的机会。 这期节目真正迷人的地方在于，它不仅讲一个世界首富如何通过金融工程、杠杆收购和法律结构一步步积累控制权，更讲清楚了奢侈品生意为什么如此反直觉：它不能一味追求规模，因为规模会稀释稀缺性；但 LVMH 又恰恰证明，奢侈品集团可以在广告、地产、分销、人才、资本和文化影响力上获得巨大的规模经济。你会听到 Dior 的 New Look 如何重塑战后法国，Louis Vuitton 为什么是比软件还好的生意，Gucci 为什么成为 LVMH 最大的错失，Hermès 为什么是“反 LVMH”，以及 Tiffany 如何在被收购后通过 Jay-Z、Beyoncé、Fenty 和新一代文化叙事重新焕发生机。 这不仅是一期关于奢侈品的节目，更是一堂关于品牌、控制权、长期主义、资本结构、创意管理和全球财富流动的商业战略大师课。 👨‍⚕️ 本期嘉宾 Ben Gilbert 与 David Rosenthal，《Acquired》播客联合主持人。Acquired 是一档以深度商业史和公司战略拆解著称的英文播客，长期研究科技公司、消费品牌、金融机构和全球伟大企业的崛起路径。本期节目中，两位主持人以 LVMH 为核心案例，系统拆解 Bernard Arnault 如何打造现代奢侈品集团。 ⏱️ 时间戳 00:00 开场 & 播客简介 品牌帝国的起点 01:34 香槟开场：为什么要用 LVMH 的方式打开 LVMH 02:12 品牌的力量：为什么一个名字能让人愿意付更多钱 03:07 LVMH 的体量：全球第十五大公司，二十年市值涨二十倍 04:52 奢侈品是商业战略的“反世界”：稀缺、控制与规模不经济 05:14 David 与香槟行业的渊源：为什么他特别适合讲这一期 Dior：战后法国的重生与品牌魔法 06:40 从 1946 年巴黎讲起：Christian Dior 登场 10:01 New Look 革命：用奢华面料回应战后匮乏 12:16 Dior 的商业成功：两年占据巴黎时装出口 75% 12:18 香水与授权：Miss Dior 之后，Dior 开始“凭空造钱” 13:24 授权的双刃剑：高毛利现金流与品牌稀释 14:09 创始人去世后的危机：二十一岁的 Yves Saint Laurent 接棒 15:42 创意消失：Boussac 赶走 Saint Laurent 后的长期衰败 17:50 Boussac 破产：Dior 被埋在亏损纺织帝国深处 Bernard Arnault 的登场 18:51 工程师家族出身：Bernard Arnault 的成长背景 21:39 纽约出租车故事：Dior 是法国最强品牌资产之一 22:34 从土木工程转向房地产：年轻 Arnault 接手家族企业 23:53 移居美国：在 Palm Beach 做公寓开发的世界首富前传 25:27 隔壁邻居 John Kluge：Arnault 学会美国式 LBO 27:41 把企业掠夺带回法国：Arnault 开始寻找目标 28:18 Boussac 机会出现：被政府接管的烫手山芋 29:41 6000 万美元拿下 Boussac：1500 万美元自有资本撬动巨额资产 31:44 “终结者”裁员：裁掉 9000 人，让亏损帝国恢复盈利 32:36 出售非核心资产：保留 Dior 与 Le Bon Marché 34:11 市场低效与政治影响力：为什么这笔交易无人争抢 35:20 明星品牌启示：Arnault 发现奢侈品牌的利润率跃迁 LVMH 的诞生与控制权战争 37:10 Moët Hennessy Louis Vuitton：一场防御性合并 38:56 Moët Hennessy：酒饮分销网络的规模经济 41:25 Henry Racamier：现代全球奢侈品牌的发明者 42:31 平顶旅行箱：Louis Vuitton 如何抓住铁路时代 45:17 从王室到富人阶层：奢侈品消费人群开始扩大 46:06 十年做到十亿美元：Racamier 的国际化与直营零售 48:12 垂直整合的第一步：控制门店，吃下更多利润池 49:14 LVMH 合并后的内斗：Chevalier 与 Racamier 的权力冲突 51:18 Guinness 入局：安全边际变成控制权危机 53:13 Racamier 找来 Arnault：把狐狸请进鸡舍 55:23 俄罗斯套娃结构：Arnault 如何用少数股权融资战争资金 56:31 Lazard 的关键作用：Arnault 从 LV 阵营转向 MH 阵营 57:53 Jacques Rober 合资公司：用 Guinness 的资本撬动 LVMH 股份 59:31 公开市场大战：Racamier 试图拿到阻止性少数股权 01:01:26 最后一搏：Chevalier 与 Racamier 想拆分 LVMH 01:03:09 Arnault 露出真正意图：他要的不是 Dior 香水，而是整个帝国 01:04:19 接管完成：几个月内夺取全球最大奢侈品集团控制权 01:05:37 狼还是建设者：Arnault 如何为自己的手段辩护 01:06:47 控制权信条：主要股东身份是他战略的核心前提 Louis Vuitton：皇冠上的明珠 01:07:25 手袋为什么是神奇生意：女性自由、配饰与文化符号 01:09:20 不需要尺码、不需要试穿：手袋的极佳商业属性 01:09:37 皮革与钻石不同：可再生原料与极高利润率 01:10:20 时装秀的真正目的：卖的不是衣服，而是品牌梦境 01:12:01 奢侈品集团的反直觉规模经济 01:12:34 奢侈品天然有规模不经济：做得越多，越不稀缺 01:13:09 品牌组合的规模经济：广告、地产、分销与人才 01:14:03 “轻协同”：哪里协同，哪里必须保护创意独立 01:16:14 上游垂直整合：把生产收回内部，控制质量 01:17:10 店中店模式：让百货商店变成房东 01:19:45 你卖的不是皮革，而是梦想 01:20:18 Sephora 与免税店：LVMH 如何进一步控制零售渠道 奢侈品到底是什么 01:23:56 高端与奢侈的区别：高端买功能，奢侈买超越功能 01:24:38 Ferrari 不是 Lexus：奢侈品的信号与社会区分 01:25:21 Chanel 的定义：奢侈从必需结束的地方开始 01:26:01 奢侈的社会功能：品味、财富与“懂的人自然懂” 01:27:00 奢侈与时尚并不相同：耐久性才是核心 01:27:57 Lindy 效应：奢侈品牌卖的是跨越时间的地位 01:29:55 LVMH 同时做奢侈品与超高端精品 01:30:19 日本市场崛起：奢侈品全球化的第一章 01:31:22 中国市场：更大规模的下一章 Gucci：LVMH 最大的错失 01:31:57 Gucci 为什么是理想目标：LV、Gucci 与 Hermès 的三足格局 01:32:37 家族崩坏与授权泛滥：Gucci 陷入灾难 01:34:14 4 亿美元买 Gucci 的机会：Arnault 退出尽调并错失低点 01:34:56 Domenico De Sole 与 Tom Ford：Dom 和 Tom 让 Gucci 起死回生 01:36:07 LVMH 再次出手：逐步买入 Gucci 股份 01:38:59 找不到白衣骑士：Arnault 的影响力让潜在盟友退缩 01:39:49 ESOP 核按钮：Gucci 用荷兰法律漏洞稀释 LVMH 01:41:42 François Pinault 入场：Kering 的前身由此诞生 01:43:14 Yves Saint Laurent 加入战局：LVMH 反而制造出强大竞争对手 01:45:05 赚了钱但输了局：LVMH 退出 Gucci，Kering 成为长期对手 Hermès：反 LVMH 的白鲸 01:46:53 Hermès 为什么特殊：家族控制、单一品牌、极致工艺 01:48:02 秘密买入十年：LVMH 通过子公司与股权互换积累股份 01:48:47 持股曝光：Arnault 已持有 Hermès 14.2% 01:49:30 增持到 23.1%：几乎买完全部流通股 01:50:01 法院裁决：LVMH 被迫降低持股 01:50:30 输了也赢了：Hermès 股份升值帮助巩固 Dior 与 LVMH 控制权 01:51:39 Hermès 的估值神话：比行业平均高得多的交易倍数 Tiffany：美国奢侈品的改造实验 01:52:04 史上最大奢侈品收购之一：LVMH 买下 Tiffany 01:53:10 美国奢侈品皇冠明珠：Tiffany 与 NFL、NBA、MLB 奖杯 01:53:38 疫情期间重新议价：从 162 亿美元砍到 158 亿美元 01:54:57 Beyoncé 与 Jay-Z：Tiffany 新时代的全球门面 01:55:15 “不再是你妈妈的 Tiffany”：冒险吸引 Gen Z 01:56:04 Cristal、Jay-Z 与 Ace of Spades：黑人文化与老牌奢侈品的碰撞 01:57:10 LVMH 入股 Ace of Spades：从冲突到合作 01:57:32 Fenty Beauty：LVMH 自建新品牌的成功案例 01:58:34 Tiffany 财务表现：利润两年翻倍，收购价格变得便宜 01:59:05 今日 LVMH：收入接近 800 亿美元，经营利润超过 200 亿美元 02:01:09 Bernard Arnault 再成世界首富：财富复利与家族接班 战略分析：LVMH 的真正力量 02:03:58 Seven Powers 框架：集团层面与品牌层面分开看 02:05:22 集团规模经济：资本、广告、地产、人才与全球发布能力 02:06:51 文化规模经济：为什么 Jay-Z、Beyoncé、Rihanna 愿意和 LVMH 合作 02:09:21 LVMH 企业品牌：成为卖方、名人和人才愿意选择的平台 02:11:19 稀缺资源：全球真正的明星品牌数量有限 02:11:51 Louis Vuitton 的品牌力：功能相同，价格却可高出万倍 02:12:31 传承与出处：atelier、地点和故事也是护城河 02:13:16 Hermès 的反定位：低调、稀缺与“懂的人自然懂” 02:13:51 结论：奢侈品牌的核心 Power 仍然是品牌本身 LVMH Playbook 02:14:03 找到利润池：品牌端吸走制造商与零售商的价值 02:15:00 轻协同原则：广告、地产、人才协同，创意绝不共享 02:16:26 奢侈品广告卖梦想：不是卖产品功能 02:17:10 创意优先：市场研究不能替代设计师天才 02:18:29 创意产品行业：奢侈品、电影、音乐、游戏的共同逻辑 02:19:57 创意人与商业管理者搭档：Tom Ford 与 De Sole 的启示 02:20:38 杠杆与判断：1500 万美元如何变成 2000 亿美元 02:22:28 品牌很难被永久摧毁：Dior、Gucci、Tiffany 的 Lindy 效应 02:25:10 奢华旅行能否规模化：酒店不同于手袋 02:26:08 奢侈品抗衰退吗：真奢侈与大众高端的差异 02:28:10 全球财富创造：日本、中国、韩国与新兴市场的顺风 看空、看多与接班 02:29:43 Bear Case：Masstige 暴露与经济衰退风险 02:30:33 Louis Vuitton 依赖：75 个品牌里仍没有第二个 LV 02:32:05 Bull Case：Z 世代更早购买奢侈品 02:32:23 新兴市场：韩国、东南亚、印度和中国复苏 02:33:04 家族控制：如果接班顺利，长期主义会继续 02:34:08 Steve Jobs 与 Dom Pérignon：真正的奢侈品穿越时间 02:34:43 接班赌局：Alexandre 还是 Delphine 02:35:00 Alexandre Arnault：Rimowa 与 Tiffany 转型背后的年轻力量 02:37:00 Delphine Arnault：Dior CEO 与媒体眼中的接班热门 推荐与结尾 02:37:30 Gamecraft podcast：电子游戏行业的创意管理 02:38:02 Doug DeMuro 与 Porsche Carrera GT：创作者、汽车与奢侈消费 02:39:38 Peloton Tread：高端健身设备推荐 02:40:31 Derek Thompson 文章：历史不是靠单一“尤里卡时刻”推动 02:41:31 Acquired 社区、周边与 LP Show 推荐 🌟 精彩内容 💡 品牌为什么能创造超额利润 本期节目的核心问题是：为什么一个名字、一个标志，就能让人愿意为同样功能的产品多付数倍甚至数百倍价格？LVMH 的答案是，真正的奢侈品卖的不是功能，而是传承、地位、品味和梦想。你买的不是一块皮革，而是一个可以纳入自我身份的故事。 “品牌就是一种很独特的属性。因为产品上有某个名字或标志，人们就愿意为它付更多钱。” 👜 Louis Vuitton 为什么是比软件还好的生意 手袋几乎是完美的奢侈品商业模型：不需要尺码、不需要试穿、不需要复杂售后；原材料相对可获得，但售价可以达到成本的十几倍；它既能高频使用，又能承载身份信号。Louis Vuitton 把这个模型做到极致，也成为整个 LVMH 帝国最重要的现金机器。 “Louis Vuitton、Hermès，这些生意可能比软件还好。它们真的太强了。” 🦊 Bernard Arnault 的控制权艺术 Arnault 最惊人的能力，不只是发现 Dior 与 LVMH 的品牌价值，而是通过复杂的资本结构、少数股权 IPO、合资公司、投票权安排和公开市场买入，用有限资本获得巨大控制权。他借鉴了美国企业掠夺者的手段，却不是为了拆分资产，而是为了长期控制并建设一个全球奢侈品集团。 “在我管理的企业里，我是主要股东。这有助于我控制局面。” 🏰 奢侈品集团的反直觉规模经济 单个奢侈品牌不能盲目扩大规模，因为越常见就越不稀缺。但 LVMH 证明，多个品牌放在一个集团里，可以在广告、地产、零售渠道、分销关系、人才培养和资本配置上形成规模经济，同时又必须保护每个品牌的创意独立性。这就是 Alexandre Arnault 所说的“轻协同”。 “奢侈品天然有规模不经济。你做得越多，奢侈品消费者就越觉得它没那么值钱。” ⚔️ Gucci：赢了钱，输了战略 Gucci 是 Arnault 少有的重大失败。他曾有机会以 4 亿美元买下困境中的 Gucci，却在尽调后退出。后来 Tom Ford 与 Domenico De Sole 让 Gucci 起死回生，LVMH 再试图收购时遭遇强力反击，最终反而促成了 François Pinault 入局，并催生了今天 LVMH 最大的竞争对手 Kering。 “就算他输了，他也还是赢。”——但在 Gucci 这件事上，LVMH 确实错失了一个帝国级资产。 🐎 Hermès：反 LVMH 的存在 Hermès 是 LVMH 最想拥有、也最难拥有的品牌。它坚持单一品牌、家族控制、极致工艺和极低调的身份信号，与 LVMH 的集团化打法形成鲜明对照。LVMH 秘密买入 Hermès 股份多年，最终没能完成收购，但通过股份升值依然赚取巨额收益，并强化了对 Dior 和 LVMH 的控制。 “哪怕他输了，他也还是赢了。” 💎 Tiffany 的新生 Tiffany 代表着少数真正具有全球认知度的美国奢侈品牌。LVMH 收购后，用 Beyoncé、Jay-Z、Basquiat、Nike 联名和“不再是你妈妈的 Tiffany”等大胆营销，让这个老牌珠宝公司重新进入年轻文化中心。更重要的是，Tiffany 的利润在短时间内翻倍，证明 LVMH 的品牌改造机器仍然有效。 “你卖的不是一块皮革，你卖的是一个梦想。” 🎨 创意与商业的搭档 奢侈品不是纯艺术，也不是普通消费品，而是艺术与功能、创意与商业的交汇点。LVMH 的一大贡献，是把奢侈品行业里的商业管理专业化，让创意负责人和商业管理者形成稳定搭档。这一点不仅适用于时尚，也适用于电影、音乐、游戏等所有创意产品行业。 “营销和产品会一起把产品推向市场，但营销不参与产品创造。” 📈 从 1500 万美元到 2000 亿美元 Arnault 的财富故事并不是简单的“买低卖高”，而是判断、杠杆、控制权和复利的叠加。他在 Dior 这笔交易中发现了市场低效，又在 LVMH 争夺战中用金融结构放大控制权，随后用数十年把这些品牌资产持续复利。这个故事也提醒人们：巨大成功里既有天才判断，也有幸存者偏差。 “四年里，他把一千五百万变成了八亿。很多复利其实就在那一下发生了。” 🌐 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》A rational conversation on where AI is actually going | Benedict Evans 本期嘉宾 Benedict Evans 是长期追踪科技平台迁移的独立分析师，曾在 a16z 担任合伙人，也有多年股票研究背景。他最新发布的演示文稿名为「AI 正在吞噬世界」，试图回答一个所有人都在关心的问题：AI 到底会怎样改变我们的工作、商业和生活？ 在这期节目中，Benedict 提出了一个既冷静又有争议的判断：AI 的重要性会和互联网、移动互联网一样大，但也“仅仅”和它们一样大。他认为，我们现在可能正处在类似 1997 年互联网的阶段——方向极其重要，但绝大多数产品形态、商业模式、价值流向和组织变化都还没有定型。 这期对话覆盖了 AI 对就业的影响、为什么 AI lab 反而在雇佣更多人、模型公司是否会变成低利润率基础设施、应用层和分发为什么可能更重要、反 AI 情绪从何而来，以及普通人在这个不确定未来里应该怎么做。Benedict 的核心建议非常直接：不要把头埋进沙子里，也不要只是在社交媒体上宣泄愤怒。真正有帮助的是，亲自扎进去使用 AI，理解它能为你做什么，以及它会怎样改变你所在的行业。 👨‍⚕️ 本期嘉宾 Benedict Evans，独立科技分析师，长期研究互联网、移动互联网、平台迁移、AI 与科技产业结构变化。他曾在 a16z 担任合伙人，在此之前从事多年股票研究。近年来，他通过 newsletter、演示文稿和公开演讲持续追踪 AI、软件、消费互联网与科技商业模式的演变。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI是互联网级别的大事 04:02 AI 正在吞噬世界：我们到底还没有意识到什么 06:25 现在像 1997 年：大多数东西还没被发明出来 06:46 软件开发已被改变：Claude Code 之前与之后 08:10 Jagged Frontier：AI 到底在哪些地方有效，哪些地方无效 为什么AI公司需要更多“人” 09:18 Forward Deployed Engineer：AI lab 为什么开始像咨询公司 11:16 AI 没有消灭咨询，反而让专业服务更重要 11:32 任务不是工作：为什么 PowerPoint 不是麦肯锡真正卖的东西 13:40 Jevons Paradox：自动化之后，为什么需求可能反而变多 15:10 从 Excel 到会计：为什么自动化没有让专业岗位消失 就业末日，还是新一轮平台迁移 16:08 连最先进的 AI 公司也在扩招：这说明了什么 16:32 不要迷信 AI lab CEO 对劳动力市场的判断 17:20 每次技术革命都会消灭工作，也会创造新工作 18:42 为什么“所有公司两周内裁掉所有人”是幼稚想象 20:10 企业变革很慢：销售周期、组织系统和行业惯性 21:06 “这次完全不同，就像过去每一次一样” 22:08 条形码、互联网和 Google：我们如何遗忘上一轮巨变 AGI、超级智能与“我们不知道” 23:24 这次真正不同的地方：AGI 和 superintelligence 23:46 我们没有智能理论，也没有模型进步理论 24:50 AI、AGI、superintelligence：术语正在被重新定义 26:02 即使模型明天停止进步，AI 依然会改变未来十年 价值会流向哪里 26:58 公司规模会不会变得前所未有地大 27:33 软件正在继续吞噬世界：TAM 如何向外扩张 28:50 电力、公用事业与 AI intelligence 的类比 30:10 Foundation Model 会拿走所有价值吗 31:30 如果模型变成 commodity，价值可能会上移到应用层 32:54 基础模型公司利润率会不会被挤压 33:11 为什么模型公司更像云，而不是 Windows 投资、巨头与分发护城河 34:58 如果要投资，会投哪些 AI 公司或类别 35:50 平台迁移不一定会颠覆所有巨头：移动互联网的经验 36:57 软件更容易做之后，分发为什么更重要 37:29 GPT wrapper 不够，真正重要的是 harness 38:40 浏览器类比：产品层薄、分发和默认选项重要 39:28 Google、Meta、Apple 如何用分发推动 AI 40:25 Apple Intelligence 的愿景：个人 AI 助手为什么很难做 反AI情绪与社会反弹 41:39 反 AI 情绪正在增长吗 42:01 数据中心、电费、水资源与被夸大的担忧 43:22 就业数据仍不清晰：我们缺少真正有用的 AI 使用数据 44:32 AI slop、创作者焦虑与文化战争 45:20 类似社交媒体反弹：有些担忧真实，有些半真半假 孩子、职业与技术风险 46:00 在 AI 时代，应该如何教育孩子 46:22 如果孩子即将进入就业市场，会更令人担心 47:32 “大概会没事”：但不是没有风险 48:26 Deepfake 裸照、社交网络与连接坏人的代价 49:05 英国邮局丑闻：技术如何无意中毁掉人生 50:16 哪些工作该避开，哪些工作值得做 50:42 技能、兴趣与别人愿意付钱的交集 真正该问的问题 51:02 现在关于 AI 还问得不够的问题 51:12 模型实验室到底有没有定价权 51:42 什么是任务，什么才是工作 52:15 从 CD 到 Spotify：不是把旧事物做更多，而是重新定义问题 53:17 为什么最先被 AI 改变的反而是写代码 53:45 不要机械计算“某职业百分之几可被自动化” 54:42 Uber 测试：你很难提前知道哪些行业会被影响 55:30 Airbnb 与酒店：每个行业深入进去都更复杂 给个人的行动建议 56:42 面对根本性不确定性，普通人该怎么做 57:08 不要把头埋进沙子里，也不要只追求道德优越感 57:45 扎进去用 AI：理解它能为你做什么 58:10 让自己成为更值得被招聘的人 AI Corner：Benedict如何使用AI 58:25 Benedict 自己最常用 AI 做什么 58:50 精确信息检索仍是 AI 的弱项 59:25 用 AI 做校对、图片和室内装修 01:00:12 Chatbot 是空白屏幕，真正价值在具体场景 01:00:40 AI 会消失在产品里：语音转文字还是 AI 吗 01:00:56 为什么 Apple Notes 的语音转文字已经够用 快问快答 01:01:36 Benedict 的 newsletter、演示文稿与“不可操作”的智慧 01:01:44 推荐书：《Three Men in a Boat》和芝加哥经济史 01:03:00 推荐电影：去看那些你一直觉得“应该看过”的经典 01:03:30 最近喜欢的产品：一双被 CEO 种草的鞋 01:04:36 人生格言：看情况；大概会没事 01:05:01 旧手机收藏：iPhone 之前的硬件形态创新 01:06:58 如何找到 Benedict：benevans.com 与 newsletter 🌟 精彩内容 💡 AI很大，但别把它神化 Benedict 最核心的判断是：AI 的重要性可以和互联网、移动互联网相比，但不必把它想象成明天就会终结所有旧世界的魔法。他认为，我们正处在类似 1997 年互联网的阶段：技术意义重大，但大多数产品、商业模式和价值分配还没有出现。 “我最有争议的观点是，我认为 AI 的重要性和互联网、移动互联网一样大，也仅仅是和互联网、移动互联网一样大。” 🧩 任务不是工作 节目中最重要的分析框架之一，是区分 task 和 job。AI 也许能自动化某个任务，比如写代码、做幻灯片、生成摘要，但这不等于它自动化了整份工作。麦肯锡卖的不是 75 页 PPT，而是理解组织政治、客户需求、执行阻力和商业判断。 “你请他们，是为了拿到一份七十五页的幻灯片吗？不是。你真正付钱让 Bain 做的事，是让他们走遍你的企业，然后弄清楚：为什么你们之前没有这么做？” ⚙️ 自动化不一定减少岗位，可能扩大需求 Benedict 用会计、Excel、软件开发等历史案例说明：当某件事变便宜之后，企业不一定只是用更少的钱做同样的事，也可能用同样的钱做更多事，甚至因为 ROI 改变而花更多钱做更多事。这也是为什么会计人数在电子表格、ERP、云计算出现后仍然增长。 “如果你让一件事变得更便宜，会发生什么？你是用更少的钱做同样的事，还是用同样的钱做更多的事？” 🏭 模型公司可能更像云，而不是 Windows 对于 AI 产业价值捕获，Benedict 提出一个重要问题：基础模型公司到底有没有定价权？如果最终有多个模型能力接近、彼此竞争，而真正的用户体验和业务逻辑发生在应用层，那么模型可能会像云服务、电信网络、电力一样成为基础设施，价值则流向更上层的产品和分发。 “如果 chatbot 不是最终的 UX，如果还需要 app，而模型公司又不会去做这些 app，并且模型本身基本上是 commodity，那模型公司为什么会有定价权？” 📣 分发会变得更重要 当基础能力越来越商品化时，分发、品牌和默认入口会成为关键竞争力。Google 可以把 Gemini 放进搜索和 Android，Meta 可以把 AI 放进所有社交产品，Apple 拥有十亿级设备入口。对普通用户来说，只要产品“够好”，他们未必会主动切换。 “当这个领域基本上已经商品化时，一个够用的产品，加上分发和品牌，就会变得非常重要。” 😰 反AI情绪是一大团复杂问题 Benedict 认为，反 AI 情绪并不是单一原因造成的，而是由就业焦虑、数据中心、电费、创作者权益、AI slop、社会恐慌和技术误解共同组成。就像当年对社交媒体的反弹一样，其中有些担忧真实，有些半真半假，有些则并不成立。 “它是一大团模糊的东西。是的，AI 会改变很多事情，我们也需要担心这些变化。但这其实是一种常态。我们一直都是这样过来的。” 🧠 AGI讨论里最大的问题是：我们不知道 关于 AGI 和超级智能，Benedict 的态度非常谨慎。他指出，我们没有关于人类智能的完整理论，也没有关于大模型为什么这么有效、未来还能进步多少的理论。因此，很多预测本质上都是凭感觉。但这并不妨碍 AI 已经是一项极其重要的技术。 “哪怕模型明天就停止变强，哪怕这就是终点，它仍然是一项极其有用的技术，会在接下来的十年改变世界。” 🛠️ 普通人最应该做的事：扎进去用 面对 AI 带来的不确定性，Benedict 给出的建议不是恐慌，也不是道德性拒绝，而是亲自深入使用它。你需要理解它能为你做什么、不能做什么、会怎样改变你的行业，以及你怎样才能在新的环境下更有价值。 “不要把头埋进沙子里，然后说，我讨厌这一切。真正有帮助的是，你完全扎进去，把自己沉进去，然后出来的时候，你要明白自己能用它做什么。” 🌐 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：科学、技术与哲学深度访谈播客《Lex Fridman Podcast》 Biggest Mysteries in Physics: Antimatter, Dark Energy & ToE - Don Lincoln | Lex Fridman Podcast #497 嘉宾 Don Lincoln 是 Fermilab 的粒子物理学家，也是极擅长把复杂物理讲清楚的科普作者。在这场长达两个多小时的对话里，Lex Fridman 和 Don 从物理学“统一”的历史讲起：牛顿如何统一天上与地上的引力，麦克斯韦如何统一电与磁，爱因斯坦如何把空间与时间统一成时空，并最终进入二十世纪最伟大的理论之一——标准模型。 节目后半段则进入当代物理最深的谜题：Higgs 场如何赋予粒子质量？为什么粒子加速器能“制造”新粒子？反物质为何存在，却几乎没有留在宇宙中？暗能量为什么让宇宙加速膨胀？暗物质到底是真实粒子，还是我们对引力的理解出了问题？而那个被称为“万物理论”的终极梦想，究竟离我们还有多远？ 这不仅是一场粒子物理科普，更是一堂关于科学精神的课：真正的科学不是相信漂亮理论，而是不断提出可检验的预测，再让实验去裁决。正如 Don 所说：“如果你不感到困惑，那你就没有在做你的工作。” 👨‍🔬 本期嘉宾 Don Lincoln，费米国家加速器实验室 Fermilab 粒子物理学家，长期参与高能物理实验研究，也是知名科学传播者。他曾参与顶夸克、Higgs boson 等前沿粒子物理相关研究，并著有多本科普作品，包括关于爱因斯坦未完成梦想与万物理论的书籍。他擅长用清晰、幽默且严谨的方式解释粒子物理、宇宙学和现代物理中的核心谜题。 ⏱️ 时间戳 00:00 开场 & 播客简介 物理学是一部“统一”的历史 02:27 牛顿的伟大统一：天上的月亮和地上的三明治都服从同一种引力 04:18 从德谟克利特到原子：古老猜想如何变成现代科学 05:05 麦克斯韦的电磁统一：闪电和冰箱磁铁竟是同一件事 07:14 为什么基础科学终会改变世界：从电磁学到互联网与核能 12:38 科学的双刃剑：自然力量本来存在，社会决定如何使用 爱因斯坦与时空革命 13:54 狭义相对论：时间不再对所有人相同 15:20 闵可夫斯基的洞见：空间和时间合并成时空 16:28 光速不变：为什么接近光速的粒子发出的光仍然是光速 19:24 光速上限到底有多怪？ 21:14 熟悉会改变直觉：从盐、原子到现代物理的反直觉真相 23:26 广义相对论：引力就是时空弯曲 24:24 伟大想法如何诞生：灵感、数学、纪律和自我批判缺一不可 25:59 爱因斯坦与量子力学：伟大的批评者如何推动科学进步 标准模型、Higgs 与粒子加速器 28:16 四种基本力：引力、电磁力、强力与弱力 30:17 电弱统一：为什么弱力和电磁力在高能下是一种力 32:15 Higgs 场是什么：为什么有些粒子有质量，有些没有 35:51 Higgs boson：如何通过“场的振动”间接看见一个场 38:01 粒子加速器的核心原理：用 E=mc² 把能量变成新粒子 42:40 Fermilab 与 CERN：反质子生产、高能前沿与 LHC 的巨大优势 46:54 每秒十亿次碰撞：如何从海量数据中筛出可能改变物理学的事件 52:19 2012 年 7 月 4 日：Higgs boson 被宣布发现的那一天 56:40 发现 Higgs 意味着什么：标准模型最后一块拼图被验证 59:06 “上帝粒子”的误会：其实本来更像是“该死的粒子” 万物理论还有多远？ 01:00:59 GUT 与 TOE：大统一理论和万物理论有什么区别 01:02:42 Don 的判断：万物理论存在，但可能离我们非常非常远 01:04:33 理论必须能被检验：漂亮数学不够，实验才是裁判 01:05:02 弦理论：美丽、迷人，但尚未被验证 01:06:36 为什么外推到普朗克尺度可能过于傲慢 01:14:40 新概念的诱惑：时空是否可能从熵中涌现？ 01:16:44 科学的另一条路：不是先有理论，而是先发现“哪里不对” 01:18:26 弦理论死了吗？为什么一个无法预测失败的理论很难被“杀死” 01:20:49 圈量子引力：它不是万物理论，而是量子引力理论 01:25:01 引力波与光同时抵达：引力以光速传播的漂亮证据 空无空间、反物质与宇宙不对称 01:26:09 空无空间并不空：量子场论如何理解真空 01:28:34 虚粒子真的存在吗？Casimir 效应与电子磁矩的证据 01:31:44 Dirac 的传奇：数学如何预言反物质 01:33:20 从正电子到反氢：我们如何一步步制造并研究反物质 01:35:48 反物质到底有多难制造：一年约一纳克的惊人成本 01:39:29 反物质推进可行吗？物理上可以，工程上极难 01:43:06 反物质去哪了：为什么宇宙几乎只剩物质？ 01:45:05 中微子实验与轻子生成：寻找物质-反物质微小不对称 暗能量：宇宙为什么加速膨胀？ 01:48:10 暗能量的定义：空间本身的能量，还是空间中的某种能量？ 01:49:18 宇宙加速膨胀：天文学家预期三扇门，却发现了第四扇门 01:51:44 物理学里最糟糕的预言：真空能量差了 10^120 倍 01:54:31 如何解决暗能量危机：是否存在另一个场来抵消真空能量？ 01:56:52 宇宙遥远未来：暗能量会主导一切吗？ 01:57:20 暗能量会随时间变化吗？一个仍未确认的新线索 01:59:11 暗能量是否暗示空间本身被量子化？ 02:00:41 未来实验：能否用量子纠缠判断引力是不是量子现象 暗物质：宇宙中更多的“看不见的东西” 02:02:17 为什么相信暗物质存在：星系旋转、星系团和引力透镜 02:04:53 子弹星系团：暗物质可能真实存在的强证据 02:06:31 Dragonfly 星系：没有暗物质的星系反而支持暗物质存在 02:08:39 WIMP 与中微子：为什么已知中微子质量不够 02:09:20 寻找暗物质的三条路：地下探测、伽马射线、对撞机 02:11:10 暗物质质量范围有多大：从小行星到远轻于电子都有可能 02:12:58 暗物质比普通物质多五倍：为什么这个问题如此迷人 02:14:57 直接看到暗物质会是什么样？ 科学家的成长与驱动力 02:15:59 Don 的童年：从乡下穷孩子到粒子物理学家 02:16:50 科幻、科普与终极问题：好奇心如何塑造科学道路 02:18:33 为什么选择粒子物理：因为它能做实验、能得到答案 02:20:43 在 Fermilab 的疯狂工作节奏：从早八点到半夜 02:21:43 真正科学家的特质：热爱、韧性，以及不肯被难题打败 02:23:59 结尾：居里夫人的名言——生活中没有什么可怕的东西，只有需要理解的东西 🌟 精彩内容 💡 物理学的历史，就是不断“统一”的历史 Don 用极其清晰的方式解释了物理学如何从看似分散的现象中找出共同底层原则。牛顿把地上的重力和天体运动统一起来，麦克斯韦把电和磁统一成电磁学，爱因斯坦把空间和时间统一成时空，而现代物理还在继续试图统一强力、弱力、电磁力和引力。 “Newton 的理论叫作万有引力定律，里面有‘万有’这个词。原因就是，他意识到，这两件看起来毫不相干的事情，其实是同一件事。” 🧠 伟大理论需要疯狂，也需要严谨 节目反复强调：科学不只是灵光一现，也不是单纯提出漂亮想法。真正改变世界的理论必须建立在前人知识、数学训练、自我批判和实验检验之上。Don 认为，很多疯狂想法会死掉，这正是科学强大的地方。 “光有想法本身是不够的。你还需要纪律性和批判能力。正是这些东西混合在一起，才会让你成为历史记住的天才。” 🧲 Higgs 场：为什么粒子会有质量 Don 用引力场的类比解释 Higgs 场：就像有质量的物体会和引力场相互作用一样，有些粒子会和 Higgs 场相互作用，从而获得质量；而光子“不理会”Higgs 场，所以没有质量。Higgs boson 则是 Higgs 场的一种局部振动。 “Higgs 理论就是贴在电弱对称理论上的一块创可贴。正是这块创可贴把它修好了，因为它让粒子在低能量下获得质量。” 🔬 粒子加速器：在十亿次碰撞中寻找一个异常 LHC 每秒会产生约十亿次碰撞，但科学家无法记录全部数据，只能用触发系统和高速计算筛选出极少数可能有意义的事件。Don 将 CMS 和 ATLAS 描述成每秒拍四千万张照片的巨型相机，而真正有机会通向诺贝尔奖的事件，可能只是其中极少数。 “你真正需要做的，是挑出那些有意思的、奇怪的、以前没人见过的事件。” 🧪 反物质：存在，却极难制造 反物质从 Dirac 的数学方程中被预言，随后被实验发现。如今人类已经能制造反氢，并测量它是否会像普通物质一样“往下掉”。但反物质生产极其困难：即使是曾经最强大的 Fermilab 反质子设施，一年也大约只能制造纳克级反物质。 “按这个设施的速度，要制造一克反物质，需要运行十亿年。” 🌌 宇宙为什么只剩物质？ 如果能量产生物质时会同时产生等量反物质，那为什么我们看到的宇宙几乎全是物质？Don 解释说，早期宇宙中可能每十亿个反物质粒子对应十亿零一个物质粒子，绝大多数互相湮灭后，剩下的那一个就构成了今天的我们。 “那十亿个彼此抵消、湮灭、互相毁掉了。剩下来的那一个，就是我们。” 🌑 暗能量：物理学里最糟糕的预言 暗能量解释了宇宙加速膨胀，但量子场论对真空能量的预测比观测值大 10^120 倍。这是现代物理最严重的不匹配之一。Don 认为，这说明我们的量子场论或空间理解中有非常深的问题。 “很明显这里有东西不对。量子场论里有非常严重的问题。” 🕳️ 暗物质：比普通物质多五倍，却没人知道它是什么 Don 解释了为什么暗物质很可能真实存在：星系转得太快、星系团行为异常、引力透镜与可见物质不匹配，尤其是子弹星系团和 Dragonfly 星系提供了强证据。但暗物质到底是什么，仍然没人知道。 “暗物质看起来是真的存在，而我们不知道它是什么。” ❤️ 科学家的驱动力：面对难题，然后把它弄明白 在个人故事部分，Don 分享自己从乡下穷孩子成长为粒子物理学家的经历。科幻小说、科普书和对宇宙终极问题的好奇心，最终把他带入物理学。他也坦言，年轻时在 Fermilab 工作到近乎疯狂，因为没有什么比理解一个难题更让他兴奋。 “对我来说，绝对没有什么比面对一个难题，然后把它弄明白更有意思。” 🌐 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：Patrick O'Shaughnessy 主持的顶级投资播客《Invest Like the Best》Legendary Investor Dan Loeb on AI, Credit, & Third Point’s $25B Strategy 本期嘉宾 Dan Loeb 是 Third Point 创始人，也是过去三十年全球市场中最具代表性的投资人之一。从早期的困境债、事件驱动、分拆套利，到后来的行动主义投资、质量投资、科技主题投资，再到如今横跨股票、信用、保险、结构化信贷和私募市场，Dan Loeb 的职业生涯几乎就是一部投资策略如何随时代进化的案例集。 在这期深度对谈中，Dan Loeb 分享了他如何在信息爆炸的时代判断什么才真正重要，为什么今天的投资人“必须懂科技”，以及他如何理解 AI 对经济、市场、企业质量和投资流程的重塑。他也详细讲述了 Third Point 的风格演化、公司治理与行动主义投资的底层逻辑、Sony 和 Sotheby’s 等经典案例，以及为什么信用投资能力会成为复杂市场环境中的关键优势。 这不仅是一期关于 AI 和市场的投资访谈，更是一堂关于进化、判断、人性、治理、组织文化和长期关系的投资大师课。 👨‍⚕️ 本期嘉宾 Dan Loeb，Third Point 创始人兼首席执行官。Third Point 是一家管理约 250 亿美元资产的投资机构，业务覆盖对冲基金、信用、结构化信贷、保险资产、私募投资等多个领域。Dan Loeb 以事件驱动、信用投资、行动主义投资和全球多资产配置能力闻名，曾参与 Sony、Sotheby’s、Danaher 等多个重要投资案例。 ⏱️ 时间戳 00:00 开场 & 播客简介 信息洪流与投资重点 02:02 六年等待后的对谈：Dan Loeb 如何面对每天读不完的信息 02:35 当前最重要的两个变量：油价与 AI 03:40 为什么今天的投资人必须懂科技 04:28 用 AI Stack 理解经济传导：从电力、芯片到模型与应用 Third Point 的投资风格演化 05:27 从信用投资起家：Third Point 的事件驱动根基 06:53 Joel Greenblatt、分拆上市与早期超额收益来源 09:39 从深度价值到质量投资：为什么只看便宜已经不够 10:45 《The Outsiders》与《Quality Investing》带来的框架升级 11:24 AI 如何让“高质量公司”也可能突然失去质量 在加速世界中保持进化 11:50 Eric Schmidt 的提醒：技术变化只会越来越快 13:37 Essentialism：在无限信息中找到最重要的事 13:48 AI 时代资本配置者还剩下什么工作 15:08 人性不会消失：狂热、泡沫、恐慌仍会创造机会 16:25 当基本面和股价背离，就是艰难但重要的交易机会 18:16 为什么重组、谈判和私募市场仍然需要人 公司治理与行动主义投资 18:54 从父亲那里理解公司责任与治理 20:20 好治理与坏治理：董事会真正应该对谁负责 22:55 写作的力量：如何通过清晰表达影响董事会、股东和媒体 24:30 Sotheby’s 案例：当身份感压倒股东责任 26:43 今天还有多少行动主义机会：为什么 Dan 更喜欢伟大公司与优秀管理层 Third Point 的多资产版图 27:21 一家“演化出来”的投资公司：股票、信用、CLO、保险与私募 29:16 连接不同资产的主线：理解企业价值，找到最佳风险回报位置 29:47 什么是 Fulcrum Security：资本结构里的最佳切入点 30:34 Twitter 与 xAI 债务投资：用跨资产视角寻找信用机会 31:57 Dan 在 Third Point 各业务中的角色边界 AI、大科技与半导体投资 32:23 今天的科技巨头格局：Amazon、Microsoft、Google 与 Nvidia 32:47 为什么 Dan 仍看好 Nvidia 与 AI 基础设施链条 33:57 这不是互联网泡沫：AI CapEx、盈利能力与真实需求 34:34 Anthropic 与下一代模型：为什么 AI 可能才刚刚开始 美国之外的机会 34:56 美国以外的市场：以色列、韩国、台湾、日本与欧洲 36:02 Sony 投资故事：从综合性集团到治理改革 37:03 把投资逻辑交给《纽约时报》之后发生了什么 38:09 日本行动主义投资的难点与进展 38:33 公司治理如何成为日本“三支箭”之外的关键改革方向 投资案例与组织系统 39:05 Danaher 带来的最大启发：什么是真正高质量的企业 39:55 Danaher Business System：持续改进如何变成组织能力 41:18 责任、修正与庆祝问题：高效组织如何面对表现不达标 42:15 Third Point 的保险业务：从再保险到年金与信用资产管理 43:20 为什么选错保险载体，也能演化出新的业务结构 错误、AI 与团队进化 44:35 最艰难的投资教训：FTX 45:36 一个痛苦事实：错误的人也可能有很强的投资判断力 46:02 AI 颠覆中的误判：信息服务业务并非都安全 46:35 如何带团队穿越不确定性：每个人都必须使用 AI 47:11 Claude、Agent 与持续改进：AI 如何改变投资团队工作流 独特优势与未来分析师 47:42 Third Point 与同行最大的不同：更乐观，也能退回信用投资 48:46 为什么信用能力不是临时能学会的优势 49:33 今天的优秀分析师：不只是建模快，而是理解行业和技术细节 50:31 Casey’s General Stores：为什么一家便利店可能其实是披萨公司 未来十年与人生信念 51:09 未来十年最兴奋的事：把世界上的相关信息纳入判断 51:48 中东、量子计算、创业者与全球变化带来的投资动力 52:39 善意的重要性：为什么它也是一种核心价值 53:28 Carter 的沙发与第一批信任：事业起步时最珍贵的帮助 54:13 钱买不到的东西：在你一无所有时就相信你的朋友 🌟 精彩内容 💡 今天你必须懂科技 Dan Loeb 坦言，自己并不是天生的科技投资人，但今天的经济结构已经不允许投资人绕开科技。AI 不只是一个行业主题，而是会影响能源、电力、芯片、软件、应用、企业组织方式和资本开支的底层变量。 “如果以前你还可以说，我干脆不碰科技，只看工业、消费这些领域，那我觉得今天不行了。今天你必须懂科技。” 🧭 投资策略必须不断进化 Third Point 早期依靠信用、事件驱动、分拆上市、重组等机会创造超额收益。但 Dan Loeb 认为，如果一直停留在深度价值和低估值框架里，就会错过高质量、高资本回报率、高增长企业带来的巨大机会。真正长期存活的投资机构，必须能持续进化。 “今天真正的机会，是在理解这类机会的基础上，再叠加一个业务质量的视角。” 🤖 AI 不会消灭所有投资机会 面对 AI 是否会让资本配置自动化的问题，Dan Loeb 的回答很谨慎。他认为 AI 会改变研究、信息处理和分析方式，但人性、结构性资金约束、信用周期、重组谈判、公司交易和市场恐慌仍然会持续创造机会。 “当基本面往一个方向走，股价却往另一个方向走时，这就是很棒的机会。” 🏛️ 公司治理的核心是董事会别忘了自己代表谁 Dan Loeb 认为，董事会最常见的问题，是把对 CEO 的忠诚、身份感或其他议题放在了对股东的受托责任之上。好的治理并不意味着忽视员工、社区和合规，而是要理解这些最终都应该服务于长期股东价值创造。 “治理出现问题，往往是因为董事会成员忘了自己作为受托人的职责。” ✍️ 写作是行动主义投资的重要杠杆 Dan Loeb 因写给公司董事会和管理层的公开信而闻名。他认为，好的写作本质上是清晰思考，也是一种施加社会压力、聚集股东共识和推动公司改变的工具。 “好的写作，本质上是清晰思考，是把想法组织好，再用清楚的方式传达给别人。” 💳 信用投资是 Third Point 的隐藏优势 虽然外界常把 Dan Loeb 与股票和行动主义投资联系在一起，但 Third Point 的重要底色来自信用投资。Dan 解释说，真正的跨资产能力来自理解企业价值，并在资本结构中找到风险回报最好的位置，也就是 fulcrum security。 “核心是，你要对价值有判断，懂得给企业估值……然后找到这个企业里最有吸引力的 fulcrum security 去投资。” 🚀 Dan Loeb 对 AI 投资仍然乐观 面对 AI 是否已经形成泡沫的问题，Dan Loeb 认为当前与互联网泡沫明显不同。许多 AI 基础设施公司和大型科技公司的盈利能力很强，估值并没有达到当年 dotcom 的荒谬程度。如果 AI CapEx 最终能产生回报，那么今天的半导体和 hyperscaler 仍然非常有吸引力。 “我现在看不到这些公司身上有当年那些公司那种估值泡沫。” 🇯🇵 Sony 与日本治理改革 Dan Loeb 回顾了 Third Point 投资 Sony 的经历：他们建议 Sony 拆分部分业务、提高透明度、改善资本配置。虽然一开始遭到强烈反对，但多年后 Sony 逐步做了很多类似的事情。这个案例也让他看到，日本公司治理改革虽然困难，但正在朝正确方向推进。 “他们一开始强烈反对我们所有建议。后来大概花了五年时间，我觉得他们一项一项地做了很多我们当时建议的事情。” 🏭 Danaher 教会他的组织系统 Danaher 是 Dan Loeb 理解高质量企业的重要案例。Danaher Business System 不只是口号，而是一套让整个组织持续改进、明确责任、修正问题并统一目标的系统。这让他意识到，真正优秀的公司会在哲学层面认真思考运营系统。 “他们真正拥有的是一整套系统，能把改进落实到整个组织里。” ⚠️ 最痛苦的教训：FTX Dan Loeb 坦言，FTX 是过去几年最痛苦的错误之一。它提醒他们，即使一家公司增长很快、投资人阵容豪华、链上数据看起来可验证，最基础的尽调也不能省略，比如核对银行余额、确认资产真实存在。 “现在我们的 due diligence 流程里，肯定会去核对银行余额，也会做那些最基本的 due diligence。” 🧠 新时代的优秀分析师 Dan Loeb 认为，二十年前的优秀分析师可能是建模快、能看懂复杂重组文件的人；而今天的优秀分析师，更需要真正理解公司、行业、技术和消费者行为的细微差别。未来的分析师必须更像实地调查者，而不只是表格专家。 “今天需要的，就是这种分析师。” ❤️ 善意与早期信任 节目最后，Dan Loeb 分享了朋友 Carter 在他没有工作时让他睡沙发、后来又信任他投资的故事。那份早期信任帮助他开启了自己的事业。他引用了一句话作为总结：钱买不到的，是那些在你一无所有时就相信你的朋友。 “钱买不到的一样东西，就是那些在你一无所有时就相信你的朋友。” 🌐 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：Cortex Podcast The Philosophy of Obsidian, with CEO Steph Ango 本期是 Cortex「工作流现状」系列的一期深度对谈，主持人 Myke Hurley 请来了 Obsidian 的 CEO Steph Ango，聊聊这款以 Markdown、本地文件、链接和可塑性为核心的笔记工具，背后到底有怎样的产品哲学。 Steph 并不是 Obsidian 的创始人。他最早是 Obsidian 的重度用户，也是著名 Minimal 主题的作者，后来从社区贡献者逐渐加入团队，成为这家只有七八个人公司的 CEO。在这期节目中，他分享了自己如何使用 Obsidian 进行思考、写作、任务管理和生活记录，也解释了为什么他接受笔记系统中的混乱，为什么文件和链接比文件夹更重要，以及为什么他认为纯文本文件会比任何一个 App 都更长寿。 这期节目最特别的地方，是它展现了一种与主流科技公司完全不同的公司形态：Obsidian 团队很小、没有固定会议、几乎不用邮件和日历、不追求融资和指数级增长，也不想把 AI 按钮塞满整个应用。他们靠免费应用和可选付费服务维持盈利，坚持让用户拥有自己的数据，并在 AI 时代因为“文件优先、纯文本优先”的选择，意外站在了一个非常有利的位置。 如果你关心笔记工具、个人知识管理、远程协作、小团队产品哲学，或者正在思考 AI 时代怎样保护自己的数字生活，这期对话会非常值得一听。 👨‍💼 本期嘉宾 Steph Ango，Obsidian CEO，设计师、创业者、写作者，也是 Obsidian 社区中著名 Minimal 主题的作者。他曾创办 B2B 制造业平台 Lumi，并在公司被收购后逐渐加入 Obsidian 团队。Steph 长期关注文件、软件、知识管理与数字长期主义，代表文章包括 File over App、Don’t Delegate Understanding 等。 ⏱️ 时间戳 00:00 开场 & 播客简介 认识 Obsidian 与 Steph Ango 01:28 Cortex 开场：为什么 Obsidian 值得被深入聊一聊 02:54 Steph 的核心设备：从 MacBook Air 到 Mac Mini 的混合工作流 03:24 Obsidian 是什么：像 Wikipedia 一样连接自己的想法 05:41 从 TiddlyWiki 到 Obsidian：为什么一个 Markdown 工具让他“一眼就懂” 08:04 从用户、主题作者到 CEO：社区贡献者如何加入 Obsidian 团队 10:40 小团队里的互补能力：工程、产品、设计、沟通与经营经验 Steph 的个人工作流 11:16 Obsidian 如何承载思考、笔记、写作和个人网站 12:14 接受混乱：Steph 的笔记系统从“不整理”开始 14:00 链接与 front matter：在低成本记录之后慢慢生成结构 16:11 放下文件夹执念：用 metadata 和 Bases 从高处重新看笔记 18:19 什么值得被链接：人、地点、书、概念和 Evergreen notes 20:46 团队中的 Evergreen note：把长期方向变成共同语言 21:31 极简任务管理：每周一条笔记，重新写下真正重要的事 22:40 纸笔与 Obsidian：随手记录可以在纸上，最终回到系统里 没有邮件和日历的生活 23:39 邮件关系：团队结构就是为了“不需要邮件”而设计 24:25 日历关系：只记录牙医、医生和少数真正需要提醒的事 26:04 从日历地狱中逃离：把生活设计成不被会议占满 27:10 大块不被打断的时间：Steph 眼中的自由 7 人团队如何协作 27:24 Obsidian 团队规模：全职 7 人与更大的社区协作网络 28:20 宣言作为组织对齐方式：用原则替代复杂管理 28:23 为什么刻意保持小团队：CEO 也想继续做贡献者 29:42 小团队是否适合产品：为了自己使用而持续改进 31:43 对产品每个界面负责：保持深度理解与责任感 32:00 “投诉驱动开发”：Web Clipper 如何从社区需求进入产品 33:42 真的不开会吗：没有固定例会，但允许必要时临时同步 35:44 Discord、异步状态更新与 ramblings：远程团队的茶水间 Obsidian 的商业模式 37:49 免费 App 与可选付费服务：Sync、Publish 和可替代方案 38:22 不想统治世界：小团队、无投资人和可持续盈利 39:35 放弃强制商业许可证：为了现实与用户信任，少赚几百万也可以 41:24 没有 analytics 的公司：不知道所有用户是谁，也接受这种不知道 42:13 不做企业许可后的轻盈：少掉大量企业支持与合规负担 43:07 对增长的态度：用户增长很好，但不是唯一目标 AI、纯文本与长期主义 43:58 为什么 AI 让 Obsidian 更受欢迎：想用 AI 的人和不想要 AI 的人都来了 45:48 Always Bet on Text：为什么纯文本文件比 App 更值得信任 46:40 File over App：你的数据不该只是向服务商租来的访问权限 48:25 Don’t Delegate Understanding：不要把理解外包给 AI 49:40 AI 的正面用途：把电能用于自己真正理解的任务 50:20 AI 本地化流水线：7 人团队如何支持 35 到 40 种语言 52:08 AI 带来的民主化：让更多语言用户用上 Obsidian 插件生态与未来方向 53:07 插件和主题生态：Obsidian 像黏土一样适应用户 53:42 可塑性与稳定性的取舍：你可以改造它，也可能把自己坑到 55:12 Obsidian 的未来：更民主、更私密、更易修改 55:40 协作是重要方向：从共享购物清单到团队知识工作 56:10 Bases 的潜力：Markdown 之上的数据库能力 56:55 Obsidian CLI：让外部工具、自动化和 AI Agent 与 Obsidian 交互 58:11 如何开始使用 Obsidian：先保持简单，只要开始写 收尾 58:55 Steph 的文章与个人网站 59:14 Cortex 结尾与 Moretex 介绍 🌟 精彩内容 💡 Obsidian 的核心：不是 App 拥有你的笔记，而是你拥有文件 Steph 用非常清晰的方式解释了 Obsidian 的基本理念：它读取的是你电脑上的 Markdown 文件，而不是把你的内容锁进某个服务里。Obsidian 可以消失，但你的笔记、日记、文章和知识库仍然可以继续存在。 “没有任何 app 真的能永远存在……所以我希望我的知识、笔记、日记，以及我一生中用数字形式创造的这些东西，能一直跟着我。” 🧠 接受混乱，才是可持续的笔记系统 Steph 的笔记方法不是追求完美分类，而是承认现实中人会偷懒、会忙、会在街上突然想到东西。他用 quick notes、clippings、references、essays、日记总结、链接和 front matter，让结构在长期使用中自然浮现，而不是一开始就强迫自己整理好一切。 “混乱和偷懒，才是我记笔记时的常态。” 🔗 链接是个人知识库里的“乐高积木” 在 Steph 看来，Obsidian 最强大的地方不是文件夹，而是链接。人、地点、书、概念，甚至一句话、一种感受，都可以变成链接。随着时间推移，这些链接会变成一组可复用的思想构件，帮助你组合出更大的想法。 “因为你给自己建立了这种速记，你就能很快用这些像乐高积木一样的东西，拼出更大的想法。” 🏝️ 一个故意不被邮件和日历统治的团队 Obsidian 的组织方式非常反主流：没有固定会议，几乎不用邮件和日历，团队通过 Discord 异步协作，每个人都有大块不被打断的深度工作时间。Steph 说，这是从过去多年“日历地狱”中走出来后，有意识设计出的生活与公司结构。 “打开日历一看，就知道自己有一大块一大块不被打断的时间。在这些时间块里，我可以做任何我想做的事。对我来说，这就是自由。” 🛠️ 小团队、不融资、不想统治世界 Obsidian 只有七名全职成员，靠免费应用加可选付费服务维持运营。他们不想成为下一个 Microsoft，也不追求最大化收入。团队甚至把原本强制的商业许可证改成了可选，可能放弃了数百万美元收入，但换来了更符合现实的用户信任。 “我们不是想统治世界。” 🤖 AI 时代的反直觉优势：纯文本同时吸引两类人 Steph 观察到，AI 让 Obsidian 的采用量快速上升。一类人选择 Obsidian，是因为他们不想让笔记工具被 AI 功能污染；另一类人选择 Obsidian，是因为 Markdown 文件非常适合被 Claude Code、Codex 等 AI 工具读取和处理。Obsidian 没有内置 AI，却因为坚持本地文件和纯文本，成为 AI 时代非常灵活的基础设施。 “人们转向 Obsidian，一方面是因为他们想用 AI，另一方面又是因为他们不想要 AI。” ⚠️ 不要把理解外包给 AI Steph 对 AI 的态度不是简单反对，而是强调边界。他最担心的是，人们把理解本身交给 AI，只接受建议和结果，却不再理解底层系统如何运作。对他来说，AI 最适合用在你已经理解、但执行成本很高的事情上，比如 Obsidian 的多语言本地化。 “不要把理解这件事外包出去。” 🌍 AI 的正面案例：7 人团队支持几十种语言 Obsidian 使用 AI 搭建本地化流水线，把英文帮助文档翻译成 35 到 40 种语言，再由社区协助修正。这让一个 7 人团队可以完成过去几乎不可能完成的国际化工作，也让更多语言用户能够使用一个私密、独立、可掌控的工具。 “五分钟之内，这次更新就会出现在四十种语言里。” 🧩 插件生态是一种有意识的取舍 Obsidian 可以被用户高度修改：插件、主题、外观、自动化都可以自己改造。这带来强大的自由，也带来测试与稳定性上的复杂度。Steph 承认，这是一种取舍，但他们愿意承担，因为 Obsidian 的哲学就是适应用户，而不是让用户完全适应工具。 “Obsidian 会适应你，你可以塑造它。它就像一块黏土。” 🌐 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：硅谷顶级科技与宏观评论播客《All-In Podcast》SpaceX’s $2T Case, Nvidia’s Shock Selloff, America Turns on AI, Trump Pulls AI Order, Bond Crisis? 【本期存在删减】 本期节目是一次横跨 AI、太空、芯片、宏观与地缘政治的高密度讨论。Jason Calacanis、Chamath Palihapitiya、David Friedberg 与特邀嘉宾 Gavin Baker，从 Andrej Karpathy 加入 Anthropic 聊起，讨论递归式自我改进是否会让 AI 模型进入“新摩尔定律”时代；也深入反思为什么美国社会正在对 AI 产生恐惧，包括就业替代、监管护城河、科技 CEO 的糟糕沟通，以及 AI 在治安、自动驾驶、医疗和工厂中的真实价值。 节目中段，几位嘉宾重点拆解了 SpaceX 拟 IPO 的惊人想象空间：Starlink 已成为印钞机，xAI 正在追赶前沿模型，所谓 “Elon Web Services” 可能成为新的云计算巨头，而太空数据中心与轨道算力则被视为文明级别的基础设施备份。随后，他们讨论 Nvidia 超预期财报、GPU 与 ASIC 的竞争、AI 芯片公司的估值错位，以及为什么 GPU 的可融资性和长期寿命可能拯救 neocloud。最后，节目转向宏观市场和地缘政治：高债务、高利率、霍尔木兹海峡、芯片出口与台湾问题，共同构成了一个既危险又充满机会的全球棋局。 👨‍⚕️ 本期嘉宾 Gavin Baker，Atreides Management 创始人兼首席投资官，长期专注科技、互联网、半导体、AI 与高成长公司投资。他曾多次做客 All-In Podcast，以对 AI 基础设施、芯片周期、SpaceX、Nvidia 和全球市场的深入理解著称。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 的下一轮加速 01:32 Karpathy 加入 Anthropic：AI 圈传奇人物回到前沿战场 03:00 递归式自我改进：让 Claude 改进 Claude 自己意味着什么 04:11 Chamath：Karpathy 与 Google Fellows 式天才文化 05:53 Gavin：Anthropic 盈利、LLM ARR 与 AI 投资回报已经出现 08:04 超级递归何时到来：AI 改进 AI 会不会超过人类工程师 08:56 Friedberg：小模型网络、模型架构重设计与每 token 成本下降 09:57 Gemini Nano 进入 Chrome：本地小模型、隐私与用户价值之争 AI 的叙事战争 10:40 Chamath：不要妖魔化 AI，要讲终端用户真正受益的故事 13:10 Gavin：科技行业有责任为 AI 的积极可能性发声 14:00 监管护城河：模型公司 CEO 为什么会放大 AI 风险 16:15 罕见病父亲的故事：LLM 如何改变一个孩子的人生 18:04 Friedberg 长回答：为什么年轻人开始嘘 AI 18:53 技术、权力失衡与反人文主义：AI 反弹的深层心理 21:10 外部势力、技术扩散与 AI 军备竞赛 24:04 我们能不能放慢 AI：自动驾驶、机器人税与再培训 AI 落地、监管与社会冲突 25:15 Chamath：保护工作前，先问劳动者是否真的想要这些工作 26:43 AI 监管行政令被撤回：frontier models 是否应先测试再发布 28:11 Gavin：政府权力是单向棘轮，自我监管与法院追责仍然存在 30:38 自动驾驶的安全性：禁止 Waymo 的城市会不会显得原始 31:56 Flock Safety 与城市治理：AI 摄像头、犯罪率和地方选择 33:36 拉斯维加斯案例：枪声探测器、无人机与实时警务 34:46 隐私设计：滚动数据库、审计日志与 AI 治安的边界 AI 裁员与科技 CEO 的沟通灾难 36:56 Cloudflare 裁员与“衡量者”：为什么这种表述吓坏了员工 37:30 Zuckerberg：用内部员工训练代码模型，外包人员不够强 38:52 Chamath 怒批科技 CEO 公关：不要把人简化成标签 39:24 Shyam Sankar 片段：应该听工厂工人、护士和终端用户的声音 41:11 AI 公司裁员叙事：一边训练模型，一边担心自己被替代 41:37 节目插科打诨：Anthropic 招人玩笑与 Chamath 的腿部梗 SpaceX 的两万亿美金想象力 43:55 SpaceX 提交 S1：估值 1.75 万亿美元，目标史上最大 IPO 45:00 三大业务拆解：Starlink、航天业务与 xAI 45:32 Elon Web Services：Anthropic 租用 Colossus 带来百亿美元级收入 46:55 Gavin：SpaceX 建数据中心的速度和成本优势 47:50 90 天取消条款：Anthropic 与 SpaceX 的灵活退出机制 48:05 Cursor Composer 2.5：专有代码数据与 Colossus 算力的爆发 50:12 Elon 会不会把算力卖给 Google 和 OpenAI？ 50:41 Grok Build：xAI 补上 agent harness 的关键拼图 51:47 Harness 与模型同等重要：状态、记忆和 runtime 的竞争 53:17 Friedberg：太空通信和太空数据中心是文明的备份 55:04 SpaceX 起源故事：从生物圈备份到自己造火箭 56:16 Chamath：两万亿估值如何算，Starlink、Colossus 与执行飞轮 60:51 DC 到 DC：Elon 与 Jensen 可能重构数据中心供电架构 61:39 Starship 的规模：快速复用如何改变入轨质量经济学 63:22 Gavin：普通可复用与快速复用的巨大差别 65:24 轨道计算时间表：太空中已经有 H100，2028-2030 年或见商业化 Nvidia、芯片与 AI 基础设施 67:11 Nvidia 财报炸裂：营收、利润、现金流与回购都创历史级表现 69:31 Gavin：AI 相关公司估值不可能全都正确 70:03 Nvidia、内存、电力、冷却与光通信之间的估值错位 71:10 ASIC 叙事与 Nvidia 份额：为什么 Jensen 可能感到沮丧 72:51 影子竞争：TPU、Trainium、Inferentia 为什么不公开同台 benchmark 73:29 Nvidia CPU 业务：一年做到 200 亿美元意味着什么 73:54 Chamath：Domain Specific Architecture 正在 Nvidia 内部发生 74:34 GPU 融资成本与使用寿命：为什么折旧周期很关键 75:43 推理拆分后，老 GPU 也可能拥有 10 到 15 年有效寿命 76:25 GPU 资产抵押融资：neocloud 的深层优势 76:36 CoreWeave 与 Jensen：Nvidia 财报如何“救了”新云公司 宏观市场：债务、通胀与美国优势 79:22 市场更新：油价、通胀、债券收益率与全球利率压力 80:32 Friedberg 的 Dr. Doom 时刻：全球债务占 GDP 310% 81:20 高债务螺旋：印钱、通胀、资产价格与信用危机 82:04 Chamath：只持有少数真正相信的公司，远离投机 83:03 Gavin：利率上升令人担忧，但 AI 基本面前所未有 84:37 美国仍是“糟糕社区里最好的房子” 85:26 霍尔木兹海峡：为什么关闭对美国相对更有利 86:16 能源自给、天然气与再工业化：美国的结构性优势 86:56 AI 也有季节性吗：学生暑假、agentic AI 与需求波动 【中间存在删减】 93:26 石油棋盘：伊朗、委内瑞拉、俄罗斯与霍尔木兹海峡 93:39 战争成本与全球联盟：为什么能源会影响台海风险 93:46 收尾：Sacks 缺席，Gavin Baker 与岳父 Jeff Painter 的特别致意 🌟 精彩内容 💡 递归式自我改进：AI 的新摩尔定律？ Karpathy 加入 Anthropic 被几位嘉宾视为一个重要信号：AI 可能进入模型自我改进、自我实验、自我训练的新阶段。Chamath 认为，如果递归式自我学习和大规模算力结合，模型能力可能每年提升一个数量级，形成某种“新的摩尔定律”。Gavin 则进一步补充，递归式自我改进和 continual learning 可能是 AI 最后的两个前沿方向。 “递归式自我学习这个想法，会让这些模型同时进入超速模式和自动驾驶模式。” 🧠 美国为什么开始害怕 AI？ 节目花了大量时间讨论 AI 的公关危机：年轻人在毕业典礼上嘘 AI，科技公司 CEO 一边大规模裁员，一边宣称 AI 将替代工作，模型公司创始人又不断放大风险，导致公众越来越恐惧。Friedberg 认为，AI 触发的是一种深层的不安：少数掌握技术的人会获得巨大杠杆，而多数人尚未看到自己如何受益。 “普通人被告知的只有一件事：有些人正在赚几万亿美元。” 🚀 SpaceX 不只是火箭公司，而是未来互联网基础设施 SpaceX 的 S1 成为本期重头戏。Starlink 已经是高增长、高利润的业务；xAI 正在追赶前沿模型；而所谓 “Elon Web Services” 可能把 SpaceX 变成 AI 算力基础设施公司。Gavin 特别强调，SpaceX 建数据中心速度远超其他公司，而 Anthropic 租用 Colossus 的百亿美元级合同可能只是开始。 “GPU 会分配给那些能把它们插上电、开起来，并且开始把电子转成 token 的人。” 🛰️ 太空数据中心：文明级别的备份系统 Friedberg 从更宏大的角度看待 Starlink 和轨道算力：如果地面互联网和数据中心会受到政府、监管、地缘政治甚至战争影响，那么一个基于太空的通信和计算网络，就可能成为文明的备份。Gavin 则给出较具体的时间判断：轨道计算可能在 2028 年下半年到 2030 年上半年开始真正商业化。 “有一个基于太空的通信网络，基于太空的数据中心，总体上是好事。有一个备份总是好的。” 🧩 Cursor、Grok Build 与 AI Agent 的新战场 Gavin 认为，Cursor 的 Composer 2.5 是一个极其重要的数据点：只用 Cursor 专有代码数据和 Colossus 算力做了几周强化学习，就在 Pareto frontier 上形成明显优势。这说明专有数据、算力和模型训练结合后，AI 编程工具可能迅速改变格局。同时，Grok Build 的发布意味着 xAI 补上了 agent harness，也就是让模型真正可用的运行环境。 “Harness 基本上和模型本身一样重要，尤其是在 Agent 化的世界里。” 💰 Nvidia：从 GPU 霸主到 AI 基础设施操作系统 Nvidia 财报再次超预期，但 Gavin 认为市场仍低估了它的结构性优势。Nvidia 不只是卖 GPU，还通过与各大 AI lab 共同设计芯片架构，进入 CPU、网络、数据中心供电和完整 AI 基础设施。更重要的是，GPU 的长期可用寿命和较低融资成本，让它成为 neocloud 的核心抵押资产。 “如果你能用 GPU 做资产抵押贷款，而且利率比其他芯片更低，这就是一个非常深的优势。” 🌍 美国是全球高债务社区里“最好的房子” 最后的宏观讨论中，几位嘉宾承认利率上升、通胀和全球债务都令人担忧。但 Gavin 认为，美国仍具备最强的结构性优势：最好的资本市场、最强 AI 公司、能源自给、粮食自给、强大的私营企业和美元体系。即便霍尔木兹海峡关闭会伤害全球经济，相对来说也更有利于美国再工业化。 “我们现在只是处在一个全球高债务的糟糕社区里，算是里面最好的房子。” 🌐 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：Rick Rubin 主持的长谈型播客《Tetragrammaton》Garry Tan 本期嘉宾 Garry Tan 是 Y Combinator 的 CEO，也是一位工程师、创业者和投资人。他从一个在混乱童年里靠电脑和代码寻找秩序感的孩子，成长为硅谷最重要创业机构之一的掌舵者。本期对话中，Rick Rubin 以创作者视角，和 Garry 展开了一场横跨技术史、创业、AI、开源、社交媒体、心理创伤与人生选择的深度谈话。 你会听到 Garry 如何理解 YC 的核心信条：“做出人们想要的东西”；为什么他认为 AI 正在开启下一次个人计算革命；个人 AI、开源 Agent 和 vibe coding 会如何改变普通人的创造能力；创业者为什么需要真诚、独特的感知力和极强的主观能动性；以及 Garry 对自己创业失败、童年创伤、家庭关系和内在火焰的罕见坦诚反思。 这不仅是一期关于 AI 和创业的节目，也是一场关于人如何找到自己的源头、如何面对时代巨变、如何把痛苦转化为创造力的长谈。 👨‍💻 本期嘉宾 Garry Tan，Y Combinator CEO，工程师、创业者、投资人。曾创办 Posterous，并联合创办 Initialized Capital，投资过多家知名科技公司。如今他带领 YC 回归早期创业者项目的核心，同时积极推动开源 AI、个人 Agent、Little Tech 与创业生态的发展。 ⏱️ 时间戳 00:00 开场 & 播客简介 从混乱童年到代码洞穴 01:29 技术启蒙：在远超理解范围的阅读中靠近科学与工程 01:43 童年的出口：电脑、代码和数学带来的秩序感 02:16 游戏与叙事：从 Monkey Island 到 Red Dead Redemption 的精神避难所 YC 的信条：做出人们想要的东西 02:55 Y Combinator 是什么：十二个问题、一分钟视频与十分钟面试 03:43 Garry 的 YC 面试回忆：用 iPhone 发邮件生成博客 04:30 Paul Graham：黑客、画家、Lisp 与 Web application 的早期先驱 06:16 YC 与传统 VC 的区别：钱和数字只是结果 07:19 YC 如何运作：投资 50 万美元，以及社区为什么比钱更重要 AI 时代的个人计算革命 08:12 钱变得没那么重要，真正会做东西的人更重要 09:13 Code gen 爆发：Claude Code、OpenClaw 与开源 AI 运动 10:13 为什么个人 AI 必须由自己拥有和控制 10:59 G Brain：读取邮件、日历、联系人和笔记的个人知识记忆系统 11:57 AI 的 Apple II 时刻：从机构化 AI 到人人拥有自己的 Agent 12:25 从个人电脑到 AI Homebrew Computer Club：下一次革命正在发生 开源、偏见与模型竞争 13:18 每个人都运行自己的 AI Agent：一个仍只有少数人相信的未来 14:06 AI 偏见与控制权：Garry 为什么站在“海盗”一边 14:51 DeepSeek、Qwen 与开源模型：好消息、坏消息和版权争议 16:20 技术如何“挪走奶酪”：媒体、广告死亡与对科技的愤怒 17:50 创作者经济：Patreon、赞助人模式与艺术家的收入问题 18:43 AI 夺走工作之后，人类会不会创造更多艺术、音乐和体验 互联网成长史与 builder 精神 19:55 互联网革命：高中时代拉网线、跑 Linux、做网站 20:33 14 岁的网页设计师：黄页、陌生电话与第一份工作 22:27 导师的重要性：从成年同事那里学习设计与职业习惯 22:48 早期 Web 设计：把网站做得像杂志一样漂亮 23:51 Apple 第一个电商商店：那些今天习以为常的东西曾经都很新 24:51 社交媒体革命与 Web 1.0 崩塌后的迷茫 26:17 为什么最好的早期 VC 必须是 builder 创业想法如何演化 26:39 初始 pitch 与最终产品：DoorDash、Coinbase 的路径变化 27:50 优秀创始人的能力：回到第一性原理，持续演化问题 27:50 YC 13 周项目：把创始人从日常生活中抽离出来 29:14 沉浸式创业环境：留出空间、建立节奏、进入真实竞争 29:39 同伴激励与竞争：为什么一点点竞争能让创始人跑得更快 30:55 Demo Day 压力：13 周后的真实利益与融资结果 31:02 YC 为什么能加速团队：改变环境、同伴和思考方式 Garry 回归 YC 与 Sam Altman 的启示 32:25 Paul Graham 叫 Garry 回去运营 YC 33:05 Sam Altman 接班 YC：从争议到看见 AGI 未来 34:38 Garry 的反思：当年为什么没有看懂 Sam 对 AGI 的判断 35:30 “是，而且”：在创始人面前保持开放，而不是急着否定 36:52 重新做 builder：开源项目如何让 Garry 继续亲手创造 YC 的开放知识与创始人判断 37:22 “做那些无法规模化的事”：为什么 YC 把方法免费公开 38:03 同质化 pitch：社交网络、家教 marketplace 与常见误区 39:10 边缘想法：太空核聚变公司为什么值得下注 40:30 十分钟面试里真正看的是什么：想法是人的函数 40:59 人比想法更重要：创始人必须真的在乎某件事 41:39 旧金山的特殊性：让怪人不再觉得自己是局外人 42:10 硅谷从何而来：半导体、Stanford、DARPA 与政府基础研究 43:14 第二个硅谷在哪里：纽约与旧金山的创业概率差异 43:40 创始人特质：真诚、边界感与 AI 重新打开的蓝海 AI 如何改变创业与知识传递 45:27 AI 发展速度：快，但还没有快到创业公司无法存在 46:33 发明轮子还不够：你必须把它带到人们面前 47:00 创业从个人问题开始：只要不死，就总有机会成功 47:39 Demo Day 与融资：YC 批次结束后发生什么 48:03 Pitch 能力与 AI 训练：从演讲训练到 office hours Agent 49:07 Granola、Circleback 与会议记录 Agent 49:44 摘要经济的风险：AI 总结会不会让我们失去某些东西 50:04 YC 的 Bookface Agent：把基础知识交给 AI，把人类时间留给新问题 51:07 Prompt 必须由用户自己写：为什么企业 AI 和 closed source 有根本问题 开源商业与社交媒体 52:51 开源项目如何长成公司：Supabase、托管服务与未来数据基础设施 53:49 Linux 与 Linus Torvalds：全人类都应感谢的开源贡献 53:49 社交媒体如何改变世界：不是创造了问题，而是让问题可见 54:30 教孩子判断信息：YouTube 上什么在帮助你，什么在骗你 55:13 用 AI 重新整理 YouTube：让 Agent 帮助筛选有益内容 55:37 Garry 与 X：75 万粉丝带来的影响力、责任和风险 AI 只走到了 1% 56:18 AI 已经怎样改变世界：十亿用户，但只有少数人接触过真正前沿能力 57:24 前沿模型为什么仍然太贵：一年百万美元 token 成本背后的生产力 58:13 YC 的离谱成功案例：Coinbase、DoorDash 与 Airbnb 59:17 Garry 接手后改变了什么：让 YC 回到最早期创业者项目本身 59:57 YC 的未来：AI 时代小团队也能创造数亿美元收入 技术乐观主义与 Little Tech 01:02:35 人与机器的关系：火、轮子、书、个人电脑、互联网与 AI 01:03:47 从桌面互联网到 iPhone，再到智能电脑 01:04:46 技术乐观主义：技术应该服务人，坏掉的往往是市场 01:05:28 Little Tech：Beeper、统一消息服务与大科技封闭生态 01:06:10 AGI 时代的封闭花园：为什么模型访问权会变得极其重要 多模型时代与反垄断 01:07:20 AI 模型的性格：Claude、Codex、DeepSeek 的不同气质 01:08:34 Grok 能否追上来：竞争越多越好 01:09:17 公司是否都应该上市：私人股权、二级市场与普通人参与机会 01:10:06 Big Tech 会不会阻止 Little Tech：市场、政府与反垄断 01:11:24 零基核算：YC 3.0 如何重新审视每一件事 创业、vibe coding 与硬件复兴 01:12:22 创业需要了解历史吗：Schlep Blindness 与不知道困难反而能开始 01:13:18 vibe coding 改变了什么：最反对 AI 的工程师可能最该拥抱它 01:14:04 YC 的硬件公司：Stoke Space、Astranis 与可重复使用火箭 01:14:54 不只是软件：帮助工程师做出世界上最酷的东西 01:15:37 Robotics、3D 打印与美国制造业供应链 01:16:07 Nox Metals：市场、寡头垄断与政府反垄断如何帮助创业公司 01:17:00 移民、创业与美国：为什么创办新企业是一件高贵的事 个人创伤、创业失败与内在火焰 01:17:54 如果今天 16 岁：还会去 Stanford 吗？ 01:18:13 大器晚成：Garry 为什么 27 岁才真正创业 01:18:54 Posterous、Instagram 与错失机会的痛苦 01:19:30 创业失败背后的心理原因：联合创始人冲突、英雄情结与未处理的创伤 01:21:01 Rick 的反向观察：创伤有时也会成为突破所需的火 01:21:49 Garry 的内在房间：7 岁的自己、恐惧和液态钚般的能量 01:22:47 如何与那个孩子相处：使用他，而不是完全被他控制 01:23:16 自我毁灭与极端控制：戒酒、整合与走向中间地带 01:24:27 家庭、工作和关机困难：Warren Buffett 的遗憾带来的提醒 01:25:18 使命感与连接：如何脱下防火服，回家吃晚饭 年轻时不相信、后来相信的事 01:26:31 拒绝 Palantir 早期机会：安全感如何让人错失巨大可能 01:27:30 重新理解自我价值：不要把大组织给你的工作当成唯一恩赐 01:28:20 离源头更近：不要把媒体、权威和导师当成最终答案 01:29:54 杀掉脑中的导师：尊重建议，但走自己的路 01:30:31 打到要害就继续往前：当反对没有第一性原理，只剩情绪时，可能说明你正在接近关键 🌟 精彩内容 💡 “做出人们想要的东西”仍然是创业的核心 Garry Tan 反复强调，YC 的核心从来不是融资、估值或金融技巧，而是那句经典口号：Make something people want。钱和数字只是在你真正创造价值之后才出现的结果。AI 时代做东西变得更容易，但也因此让“人们是否真的想要”变得更关键。 “钱和数字，是在你做出人们想要的东西之后才来的。” 🧠 个人 AI 与开源 Agent：下一次个人电脑革命 Garry 认为，我们正处在类似 Apple II 诞生前夜的时刻。今天的 AI 仍然高度公司化、昂贵且难以控制，而真正重要的未来，是每个人都能拥有、运行和编程自己的 AI Agent。G Brain、OpenClaw 以及开源模型运动，代表着个人 AI 的早期形态。 “任何人其实都可以加入，成为这场下一次革命里的玩家和参与者。” 🛠️ AI 让 builder 的价值被放大一百倍 在 Garry 看来，code gen 和 vibe coding 让一个真正会做东西的人可以完成过去几十倍甚至上百倍的工作。他自己重新开始写代码，发布开源项目，并认为最能受益于 AI 的，恰恰可能是那些最抵触它的优秀工程师。 “我现在写代码、写人们能用的软件，马上要做到二零一三年全年工作量的一百倍。” 🧭 真正优秀的创始人：真诚、独特、连到源头 Garry 说，想法很重要，但在最早期，想法本质上是人的函数。YC 想找的是那些真正关心某件事、有强烈主观能动性、能感知到别人看不见的东西的人。他用“体内像有个核反应堆”来形容这类创始人。 “你必须真的在乎某件事。你身体里必须有某种东西。” 🔓 Prompt 应该属于用户，而不是公司 在谈到 AI 产品时，Garry 提出一个非常关键的判断：prompt 必须能由用户自己修改。一个由大公司工程师和 PM 写死的 AI prompt，不可能真正理解你的生活、你的目标和你的判断。这也是他支持 open source、个人 AI 和 OpenClaw 的根本原因之一。 “某个 Google 工程师和 PM 写了那个 prompt。那个人没有过你的生活，也不了解你。” ❤️ 创伤、野心与整合：Garry 最坦诚的一段自白 节目后半段，Garry 罕见地谈到自己的童年创伤、创业失败、心理治疗和家庭关系。他承认，那股来自恐惧和愤怒的“火”给了他强大能量，也曾让他自我毁灭、难以关机、难以与人真正连接。这段对话让创业者的动力来源变得非常复杂而真实。 “如果你不知道自己是谁，或者你没有处理清楚自己内在真正发生的事，这些东西都会再次冒出来。” 🌐 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：Jack Altman 主持的科技与创业访谈节目《Uncapped》Tobi Lütke – Building Shopify and the Future of AI | Ep. 50 本期嘉宾 Tobi Lütke 是 Shopify 的创始人兼 CEO。他带领 Shopify 从一家加拿大创业公司成长为全球电商基础设施的重要玩家，也亲历了互联网、移动时代、云软件与 AI 的多轮技术浪潮。在这期对话中，Tobi 和 Jack Altman 深入聊到：为什么二十年之后他仍然热爱 Shopify；什么样的问题值得一个人投入一生；AI 如何改变公司组织、产品开发、小企业创业和人才标准；为什么伟大的产品必须“不一样”；以及创始人如何用长期积累的信用推动公司穿越重大转型。 这不是一场单纯关于 AI 的访谈，更像是一堂关于长期创业、产品哲学、组织节奏和未来判断的深度课。Tobi 的核心观点非常鲜明：成功的公式并不复杂，关键是弄清楚代价并愿意付出；客户不负责告诉你该做什么功能，客户负责告诉你他们正在经历什么问题；而产品团队真正的责任，是爱上这些问题，并用理想的方式解决它们。 👨‍⚕️ 本期嘉宾 Tobi Lütke，Shopify 创始人兼 CEO。Tobi 出生于德国，后移居加拿大，最初因想开一家滑雪板网店而开始搭建电商工具，最终创办 Shopify。他长期以工程师、产品思考者和创始人 CEO 的身份带领公司发展，推动 Shopify 成为服务全球数百万商家的电商基础设施平台。 ⏱️ 时间戳 00:00 开场 & 播客简介 长期主义与创始人的热爱 02:02 二十年后仍然热爱 Shopify：创始人如何保持能量 03:09 “美丽的问题”：为什么一个好问题可以占据一生 04:25 成功的简单公式：弄清代价，并愿意付出代价 05:33 如何甩掉职业生涯里的“藤壶” 产品哲学：做不一样的东西 06:23 CEO 的外界期待与真正想做的事 07:08 不要做更好的相机，要让人变成更好的摄影师 08:20 伟大产品来自高温熔炉，而不是室温妥协 10:22 工具制造者心态：为什么 Shopify 会自己做 HR 软件 11:18 原创与不同：如果想好很多，就必须不一样 12:00 重新定义失败：成功发现了某个行不通的东西 反模仿与公司文化 12:28 湾区的从众趋势：原创性如何被职业化稀释 13:04 保持距离的优势：不要被行业先验判断绑架 14:15 高光剪辑的陷阱：你以为别人做到了，其实未必 15:44 公司应该像“格格不入的玩具之岛” 16:10 保留差异性，而不是收敛到同一种正确答案 AI 转型与创始人信用 16:23 Shopify 如何推动全员 AI 化 17:19 为什么组织常常选择善意谎言，而不是艰难真相 17:59 创始人信用：创始人在场时，公司能做到什么 18:52 用一篇 memo 加速多年文化变化 19:59 无限 token 与 tinkering：让所有人真正开始使用 AI 21:15 token 使用量、排行榜与 AI 成本 22:52 为什么 Shopify 愿意大规模购买 AI token 23:47 token 需求、GPU 供应与没人知道的未来价格 AI 时代的组织与节奏 24:10 小团队成为基本单元：三到五个人的高杠杆组织 24:55 Agent harness 如何把客户反馈带回产品团队 25:30 每个人都能在更多技能上达到“十分里的七分” 25:49 Parkinson's Law：工作会膨胀到填满时间 26:02 领导者的职责：压缩时间窗口，制造合理压力 26:52 六周 review cycle 与 Shopify 的节奏管理 27:10 为什么季度、半年计划可能让团队变慢 AI 与小企业的未来 27:26 年轻人对 AI 的焦虑，与创业者看到的机会 27:51 Shopify 商家眼中的 AI：终于把电脑修好了 29:00 AI 让电脑真正能和普通人一起工作 29:43 小企业主应该设定更大的目标 30:05 每 46 秒，一个 Shopify 商家拿到第一笔订单 30:33 降低创业障碍，为什么会长出更多真实生意 31:31 “帮我做一个生意”：AI 版图灵测试 32:06 Shopify Collective 与无产品创业 32:54 Shopify 的产品愿景：成为 AI 的外骨骼 33:25 从数字产品到按需印刷、3D 打印和制造业 从数字基础设施到物理世界 35:04 软件之外，什么真正提高人类生活水平 36:07 过去三十年，人类也在建设现代奇观 36:45 浏览器、Linux 与开源世界的复杂度 37:37 为什么浏览器是世界奇观级别的发明 38:27 如果浏览器今天才被发明，可能根本无法上架 39:39 AI 是过去所有软件基础设施的 bootstrapper 40:09 iPhone 作为实体奇观，让人更容易感知技术进步 40:42 软件基础建设接近尾声，人才将进入物理世界 预测 AI 与重新设计工作 41:02 CEO 需要多远地判断 AI 的未来 41:27 Tobi 的预测方法：收集数据点，拟合未来曲线 42:05 AI memo 的意义：给公司一个提前起跑机会 42:45 客户不负责告诉你需求，客户负责告诉你问题 43:25 产品责任：爱上客户的问题，并找到理想解法 44:24 边做边学，才能看见 AI 的真实轨迹 45:07 AI 编程能力被高估还是低估 46:17 把非编程任务转化成编程环境，为什么会增强 AI 能力 47:02 最被低估的事：公司根本没有用够 AI 47:20 如果 AI 一直存在，我们还会这样设计工作吗？ AI 时代的人才与招聘 47:55 AI 是否改变了优秀人才的定义 48:45 年轻实习生也是老师：他们对 AI 更原生 49:20 流体智力、晶体智力与工具采用速度 49:45 编程不是打字，真正重要的是理解问题和判断方向 50:39 招聘不是销售，而是让公司真的值得加入 51:10 少官僚、多创造空间，让人爱上使命 上市公司与长期资本 51:40 长期保持私有，是优势还是遗憾 52:10 股票是一张票：让普通人参与自己相信的旅程 53:32 上市带来的严谨性、数据驱动和责任感 54:08 Shopify 上市后的认可度与大客户信任 54:40 为什么有些顶尖人才只愿意加入上市公司 阅读、注意力与个人习惯 54:55 Tobi 推荐的短书：《Parkinson's Law》《The Lessons of History》 55:20 《What Is Intelligence?》与预测能力的意义 56:07 如果一本书抓不住你，也许是作者的问题 56:46 Kindle 的价值：因为它不够“智能”，所以适合读书 57:12 阅读需要仪式，也需要专门留出的时间 🌟 精彩内容 💡 成功的公式：弄清代价，然后愿意付出 Tobi 认为，成功并不是一个复杂到不可理解的东西。很多人其实直觉上知道自己想要的结果，但没有认真面对它真正需要付出的代价。这个代价通常不是钱，而是时间、不适、长期专注和持续学习。 “成功真的很简单。你只要弄清楚它的代价是什么，然后愿意付出这个代价。” 🛠️ 好产品不是让工具更强，而是让用户更强 Tobi 分享了 Kathy Sierra 对他影响很深的一句话：不要做更好的相机，要让人变成更好的摄影师。对他来说，Shopify 的使命不是堆功能，而是创造能激发用户抱负、技能和自我期待的工具。 “你可以激发人们，让他们成为更好的自己。” 🚀 伟大的产品必须不一样 Tobi 认为，如果一个产品只是沿着别人已经走过的路做同一件事，它最多只能好一点点，不可能好很多。真正巨大的产品跃迁，必须从不同的假设、不同的路径开始。即使最后证明走不通，也会产生重要学习。 “如果你想做出很棒的东西，或者好很多的东西，它就必须不一样。” 🤖 Shopify 的 AI 转型：不告诉员工反而不公平 当 Tobi 看到 AI 已经能够显著提高个人 impact 时，他选择直接告诉全公司：AI 会改变绩效和工作方式。Shopify 为员工提供充足 token，鼓励大家 tinkering，并把 AI 纳入公司“在变化中成长”的文化。 “如果我们要按照这个事实行动，就应该告诉大家。” ⚙️ AI 让小团队重新成为高杠杆组织 Tobi 押注三到五人的小团队。因为 AI 让每个人可以跨越更多技能边界，客户反馈、研究、代码、文档和运营都可以被 agent 辅助。团队越小，沟通成本越低，节奏越快。 “现在每个人在每项技能上都能达到十分里的七分。这真的非常有帮助，因为它让团队可以变得更小。” 🏪 对小企业来说，AI 是“终于把电脑修好了” Tobi 观察到，Shopify 商家对 AI 的感受和媒体叙事非常不同。他们不是首先想到被替代，而是觉得电脑终于变得可用：可以直接对话、自动完成复杂设置、帮助自己扩大生意。 “他们会说，你们终于把电脑修好了。” 🧠 客户告诉你问题，不负责告诉你答案 Tobi 强调，产品团队不能把客户需求当作直接照抄的功能清单。客户最重要的作用，是让你理解他们正在经历的问题。真正的产品责任，是团队爱上这些问题，并找到理想的解决方式。 “客户的工作，是告诉我们他们正在经历什么问题。然后我们爱上这些问题，把这些问题当成我们自己的问题。” 🌍 软件奇观之后，AI 会把创造力带回物理世界 Tobi 认为，过去几十年人类并没有停止建设伟大基础设施，只是很多奇观是数字形态的，比如浏览器、Linux、开源生态和互联网服务。AI 将成为这些软件基础设施之上的下一层，让更多人才进入机器人、制造、住房、交通和其他物理世界问题。 “我们过去建的所有软件，其实都是 AI 的 bootstrapper。” 📚 阅读的关键：给书留出仪式和空间 Tobi 分享自己喜欢短而密度高的书，并通过 Kindle 和夜间固定阅读时间保持读书习惯。他也提醒，如果一本书无法让你读下去，不一定是读者出了问题，也可能是作者没能抓住你。 “让你一直读下去，其实是作者的工作。” 🌐 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

📝 本期播客简介 本期我们克隆了：Patrick O'Shaughnessy 主持的投资访谈播客《Invest Like the Best》Watts, Wafers, and the Future of AI Infra | Gavin Baker 这是一场关于 AI、资本市场、基础设施和未来秩序的高密度对话。Atreides Management 创始人 Gavin Baker 再次做客节目，用投资人、科技观察者和历史研究者的视角，解释为什么他认为当下 AI 正处在“资本主义史上从未发生过”的特殊时刻。 Gavin 从 Anthropic 单月 ARR 增长、DeepSeek 引发的市场误判、AI 资产估值错配讲起，进一步延伸到电力、晶圆、数据中心、轨道算力、TSMC、Terra Fab、前沿模型、开源模型和 AI 应用层的价值分配。他提出，AI 不只是一个技术周期，而是一场涉及资本开支、能源体系、半导体供给、地缘政治和人类工作方式的系统性重构。 本期你将听到 Gavin 对“AI 会不会泡沫化”的细致判断，对 Anthropic、OpenAI、Nvidia、TSMC、Google、Meta、Amazon、Microsoft 等关键公司的拆解，也会听到他对 AI 时代个人安全、网络安全、投资工作流和社会稳定的担忧与乐观。 👨‍💼 本期嘉宾 Gavin Baker，Atreides Management 创始人兼投资人，长期专注科技、半导体、AI 基础设施和资本市场周期研究。他曾多次做客《Invest Like the Best》，以对科技公司、市场历史和投资周期的深度理解著称。 🎙️ 主持人 Patrick O'Shaughnessy，投资访谈播客《Invest Like the Best》主持人，长期与全球顶尖投资人、企业家和思想者对话，关注商业、科技、资本配置与长期复利。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI资本主义的异常时刻 01:37 资本主义史上从未发生过：Anthropic 单月新增 110 亿美元 ARR 02:10 三四月市场错配：股价下跌，但 AI 基本面正在爆炸 04:20 DeepSeek Monday 的误判：为什么算力需求反而更强了 06:10 霍尔木兹海峡、能源价格与美国制造业相对优势 前沿模型的估值与融资逻辑 07:42 Anthropic 与 OpenAI：同样是前沿模型，资本效率却很不同 08:40 无约束收入 URR：如果 compute 不受限，Anthropic 可能有多大 09:44 为什么不一次性融到天价：不确定世界里的融资纪律 11:23 Elon 的“融资超能力”：长期让投资人赚钱的重要性 Watts & Wafers：AI基础设施的核心瓶颈 11:59 电力与晶圆：AI 基础设施建设最关键的两种投入 12:27 电力短缺会如何被资本主义解决 13:35 轨道算力的重新定义：不是太空数据中心，而是太空中的 rack 15:00 散热、维修、激光互联与 SpaceX 的工程能力 17:29 轨道算力会不会冲击地面数据中心 18:30 TSMC、硅盾与晶圆短缺如何影响 AI 泡沫 20:15 历史不会重复，但会押韵：铁路、运河、互联网与 AI 泡沫 22:48 Intel、Samsung 与 TSMC 的产能博弈 23:51 Terra Fab：Elon、Intel 与美国最大晶圆厂的可能性 26:23 Elon 的速度：为什么传统建设周期可能被打破 前沿模型、开源模型与Bitter Lesson 26:49 DeepSeek 之后：为什么前沿模型仍然拿走大部分经济价值 27:23 Frontier token 的溢价：模型层回报为何集中在最前沿 29:10 Pareto frontier 的变化：Google、Anthropic、OpenAI 与 xAI 的位置 30:05 Bitter Lesson 的风险：更多算力是否永远胜过人类巧思 31:18 Memory、harness 与模型 runtime 的重要性 32:03 为什么普通订阅套餐已经无法代表真正的前沿 AI 34:13 Continual learning：模型何时能像人类一样实时学习 35:00 三个关键问题：Bitter Lesson、frontier token 溢价与持续学习 芯片创业、GPU寿命与AI融资 35:35 新芯片公司的机会：竞争对世界和 Nvidia 都是好事 36:01 芯片设计的“铁三角”：攻击、防御、机动性的取舍类比 37:20 不要只做“更好的 GPU”：必须足够不同、也足够难 38:14 Prefill 与 decode：AI 推理拆分打开新芯片空间 39:50 Cerebras 的案例：waferscale computing 为什么不同且困难 42:10 GPU 寿命被延长：为什么 inference 拆分可能拯救 private credit 43:30 卖稀缺 vs 买稀缺：hyperscaler 的存量资产价值 AI Native创业与应用层困境 44:06 “不同而且很难”：AI 创业公司真正需要回答的问题 44:33 为什么显而易见又不难的创业点很危险 45:45 Cursor、Cognition 与 coding 的战略位置 46:56 Token path：软件公司必须站在 token 流经之处 48:01 Nvidia 会不会做自己的前沿模型 48:20 开源模型、蒸馏与新的囚徒困境 49:35 前沿模型是否应该通过 API 开放：AI 实验室的新博弈论 AI时代的安全、工作流与投资 50:28 Mythos 级模型世界：为什么每个人都需要一个“安全词” 51:14 防守之外的进攻：人类还能做什么 51:40 《最后的武士》与机关枪：不会掌握 AI 的人会被 AI 支配 52:45 投资人的 Agent 工作流：从播客、财报到管理层激励分析 53:50 为什么这是投资史上最令人兴奋的时代 AI交易的分化与市场错配 54:14 AI 内部估值正在变得极不合理 55:00 DRAM、半导体设备与横截面估值矛盾 56:10 短缺周期里，低质量公司为什么反而涨得最多 57:20 AI 泡沫、核能泡沫、量子泡沫与投机蔓延 58:30 AI 交易不再同涨同跌：必须研究更细的子行业差异 59:10 被错误分类的机会：Astera 与 copper loser basket 巨头公司的AI位置 59:41 Google：失去 TPU 成本优势，但仍拥有最大 compute 装机基础 01:01:00 Meta：Zuckerberg 如何把公司推向 AI first 01:02:10 Amazon：Trainium、robotics 与零售业务效率提升 01:03:00 Microsoft：Satya 从“让 Google 跳舞”到 Copilot 产品经理 01:04:05 为什么微软把 compute 留给自己用，是一个有勇气的决定 01:05:00 谁最接近 startup：Nvidia、Amazon、Google 的外部互动优势 AI的社会外溢与未来秩序 01:05:46 应用层价值：AI 到目前为止已经摧毁了大量传统软件价值 01:06:40 人身安全与政治暴力：AI 领袖面临的新风险 01:07:30 战场 AI 与地缘政治：乌克兰、美国优势与全球稳定 01:08:40 Pax Americana 与 AI 主导权：技术优势会带来和平还是不稳定 01:09:20 AI 医疗奇迹：罕见病、Agent 与药物发现 01:09:55 谦逊面对事件视界：乐观主义与对卢德主义担忧的认真对待 01:10:19 收尾：Patrick 对 Gavin 热爱市场、公司和历史的致敬 🌟 精彩内容 💡 “资本主义史上从未发生过”的 AI 增长 Gavin Baker 认为，Anthropic 单月新增 110 亿美元 ARR，是商业史上极其罕见甚至没有先例的现象。他把这与 Palantir、Snowflake、Databricks 等顶级 SaaS 公司十年积累的规模对比，指出 AI 前沿模型公司的增长速度已经突破传统商业周期的想象力。 “资本主义史上从来没有发生过这种事。别说我的职业生涯了，就是整个资本主义史、整个商业史，都没有过。” 🛰️ 轨道算力：AI基础设施的下一种形态 Gavin 重新定义了 orbital compute：它不是漂浮在太空里的巨型数据中心，而是一个个在太空中的 AI rack，通过激光连接成虚拟数据中心。由于 SpaceX 已经拥有卫星星座、可重复使用火箭、激光通信和太空工程能力，他认为轨道算力有可能成为解决电力和冷却瓶颈的重要路径。 “它是在太空里的 rack，而不是在太空里漂着的、五角大楼那么大的巨型数据中心。” 🏭 TSMC 可能是阻止 AI 泡沫的关键 Gavin 认为，AI 基础设施最终是否泡沫化，很大程度取决于晶圆供给。与电力不同，晶圆扩产受制于 TSMC 的技术、人才与产能纪律。如果 TSMC 保持足够紧的供给，可能会避免 GPU 产能过度建设，从而延缓甚至阻止典型基础技术周期里的泡沫破裂。 “如果我们最后没有泡沫，那真的应该给 TSMC 开个庆功会。因为他们将会是单凭一己之力阻止泡沫的人。” 🤖 Frontier token 的溢价与 AI 应用层困境 DeepSeek 之后，很多人以为开源和蒸馏模型会快速压低前沿模型价值。但 Gavin 观察到，模型层绝大部分经济回报仍然被 frontier token 拿走。他认为这对应用层创业非常关键：如果前沿 token 继续保持高溢价，应用层会很难捕获价值；但如果这种溢价下降，应用层可能迎来爆发。 “在模型层，AI 的经济回报不是全部，但绝大部分都发生在前沿模型上。” 🔐 每个人都需要一个安全词 面对越来越逼真的语音、视频和人格模拟，Gavin 提出一个非常具体的建议：每个人都应该和家人、公司设置一个无法被社工套出来的“安全词”。未来诈骗可能会伪装成亲人视频通话，知道你的背景、模仿对方语气，并要求转账。 “每个人都需要一个安全词。” ⚔️ AI 是新的机关枪 Gavin 用电影《最后的武士》比喻 AI 对专业人士的冲击：如果传统高手不能掌握新技术，就会被新技术支配。对于投资人而言，AI Agent 已经可以帮助处理播客、财报、proxy statement、管理层激励分析等大量信息筛选工作，让人类把时间用于更创造性的判断。 “如果我们不能都成为机关枪的大师，我们就会被机关枪支配。” 📉 AI交易内部正在剧烈分化 Gavin 指出，AI 市场不再是简单的“AI 资产一起涨”。不同子行业之间的相关性正在下降，DRAM、NAND、光模块、scaleup networking、scaleout networking、半导体设备、电力等领域都在出现独立的价格逻辑。未来的机会可能来自被错误分类的公司，而不是简单买入一个 AI basket。 “今年一月，这一切都散了。AI 内部这些横截面的相关性真的崩了，你必须看得非常细。” 🏢 巨头公司的不同命运 Gavin 分别点评了 Google、Meta、Amazon 和 Microsoft。Google 虽然失去 TPU 成本优势，但仍拥有最大 compute 装机基础和数据资产；Meta 在 Zuckerberg 推动下真正转向 AI first；Amazon 有 Trainium 和机器人自动化潜力；Microsoft 则在 Satya 带领下做出艰难选择，把 compute 用于自有产品，而非单纯转售给 OpenAI。 “他确实在三年时间里，从‘我们要让 Google 跳舞’，变成了 Copilot 的产品经理。” 🌍 AI乐观主义与谦逊 尽管 Gavin 是 AI 乐观派，甚至称自己接近 AI 最大化主义者，但他也强调必须认真对待失业、可及性、安全、政治暴力和地缘政治风险。他认为 AI 像一个事件视界，人类社会必须想办法穿越过去，并确保这项技术最终对每个人都有好处。 “我们需要带着谦逊来面对这件事，承认这里有大量不确定性，并且认真思考。” 🌐 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