跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了：The MAD Podcast with Matt Turck: The GPU Myth: State of AI Compute 2026 | Stephen Balaban 原内容更新时间：2026-06-18 本期来自 Matt Turck 主持的 The MAD Podcast，这是一档长期聚焦 AI、数据基础设施与科技创业的深度访谈节目。主持人 Matt Turck 是 FirstMark 投资人，本期嘉宾 Stephen Balaban 是 Lambda 联合创始人兼 CTO。Lambda 是 AI 算力热潮中最受关注的 neocloud 之一，从早年做人脸识别、DeepDream 图像应用、GPU 工作站，到今天运营接近十亿美元年化收入规模的 GPU 云业务，几乎完整穿越了深度学习商业化的多个周期。 这期节目核心讨论一个曾经被广泛误判的问题：GPU 计算会不会像普通云资源一样迅速商品化？Stephen 的答案非常明确：不会。因为 AI 云不是“租几块 GPU”这么简单，而是土地、电力、数据中心、液冷、网络、存储、虚拟化、软件编排、长期承购协议和私人信贷共同构成的超复杂垂直整合业务。节目里大量拆解了为什么 H100 的租赁价格并未像外界指数显示的那样简单下跌，为什么 2023 年部署的 GPU 今天反而可能租得更贵，以及为什么“会计折旧周期”并不等于“经济可用寿命”。 更重要的是，这期对话把 AI 算力从抽象概念拉回到物理世界：能源如何变成 tokens？一个吉瓦级 AI 工厂到底意味着什么？为什么 AI 数据中心的瓶颈正在变成土地和电力？NVIDIA 真正的护城河是芯片本身，还是 CUDA、cuDNN、NCCL 与开发者生态？此外，Stephen 还提出了“AI 不会写软件，而会变成软件”“神经操作系统”“自组装软件”“一个人一个 GPU”等极具想象力的判断，非常适合关注 AI 基础设施、云计算、创业融资、半导体与未来软件形态的听众。 👨‍⚕️ 本期嘉宾 Stephen Balaban，Lambda 联合创始人兼 CTO。Lambda 是面向 AI 训练与推理的 GPU 云服务和 neocloud 公司，长期为 AI 研究者、实验室和企业提供高性能计算资源。Stephen 从 2012 年深度学习早期就开始创业，最初做人脸识别 API，后来做过摄像头棒球帽 Lambda Hat、DeepDream 图像产品 DreamScope，再因高昂 AWS 账单转向自建 GPU 集群，逐步发展出 GPU 工作站、服务器和云业务。相比单纯的云厂商高管，他的特殊价值在于同时理解深度学习工作负载、硬件供应链、数据中心物理层、GPU 网络、云软件编排、资本开支与融资结构，因此这期节目不只是技术访谈，也是一堂 AI 算力产业的底层商业课。 ⏱️ 时间戳 开场与本期问题 00:00 跨国串门计划开场：用中文克隆全球优质播客 00:38 本期克隆节目介绍：The MAD Podcast 与 AI 算力硬核对话 01:29 Stephen 开场判断：GPU 不会被扔掉，AI 算力仍严重建设不足 02:05 Matt Turck 正式介绍 Lambda 与 neocloud 主题 02:22 本期议题总览：GPU 不是商品、数据中心融资、H100 租赁与吉瓦级 AI 工厂 02:38 Lambda 的疯狂起源：从人脸识别到摄像头棒球帽，再到十亿美元云业务 GPU 云为什么没有商品化 02:54 当年唱衰 neocloud 的人错在哪里 03:16 核心判断：云计算不是商品化服务 04:02 GPU 租赁价格下降了吗？长期费率与按需费率的差异 04:13 Bloomberg H100 租赁价格指数可能误读了市场结构 05:05 neocloud 的竞争优势来自技术还是融资 05:19 Lambda 的软件编排层：把超大 GPU 集群切分给客户 05:38 从网页启动 16 到 4000 块 GPU：one-click cluster 的差异化 05:54 数据中心建设、上线速度与金融结构同样是创新层 06:30 neocloud 会赢家通吃，还是容纳多个大玩家 06:52 技术、资本形成与经济护城河会塑造寡头市场 AI 算力需求、Scaling Laws 与瓶颈 07:10 未来到底是过度建设还是建设不足 07:21 Stephen 判断：总体仍然严重建设不足 07:39 “把钱投进去，另一端产出软件”的系统正在成形 07:53 Opus 4/5 之后，AI 需求继续扩大的原因 08:06 Scaling Laws 还没看到尽头 08:39 模型能力提升会不断扩大可服务市场 09:08 计算效率提升十倍，会不会打击算力需求 09:16 效率提高只会让每个人处理十倍 tokens 10:08 Lambda 当前建设的主要瓶颈在哪里 10:14 瓶颈通常先是局部问题，再变成全局问题 10:28 行业级瓶颈：土地、电力与数据中心设备 10:52 反数据中心运动有多真实 10:58 社区参与、大型资本项目与公共沟通 11:42 关于数据中心耗水的错误信息 12:24 行业需要更清楚解释现代 AI 数据中心的真实影响 从能源到 tokens：AI 计算的物理链路 13:28 打开引擎盖：如何理解 FLOPS、GPU 小时、tokens 和 MFU 13:39 用物理视角拆解计算单位 13:57 从光子、天然气分子到焦耳和瓦特 14:34 PUE：数据中心自身冷却效率 14:43 服务器、网络、存储如何产生 FLOPS 14:55 从 FLOPS 到 tokens，再到真正的智能 15:19 同一款芯片，为什么不同公司能榨出不同价值 15:30 GPU 小时成本中最大部分是折旧 15:42 利用率如何放大或压低每小时折旧成本 16:00 云产品体验决定 GPU 利用率 16:10 按需零售价格与长期批发价格的巨大差异 16:27 Lambda 如何追求最高美元利用率和百分比利用率 GPU 网络、前沿推理与成本结构 16:59 从一堆 GPU 到 GPU 网络：AI 集群如何连接 17:09 GB300 NVL72、NVLink、InfiniBand 与 spine-leaf 拓扑 17:35 全连接无阻塞网络如何服务训练和推理 17:47 什么是 frontier inference 前沿推理 18:16 前沿推理不是“推理模型”，而是超大前沿模型的分布式推理 18:47 训练中的反向传播与前向传播 19:02 大规模训练基础设施如何复用到推理 19:10 混合专家模型、分片策略与分布式推理 19:39 小模型可放进单卡，大模型必须跨服务器运行 19:52 模型成本最贵的到底是什么 20:06 单位成本最大项依然是折旧 20:25 从发电厂、数据中心到服务器的吉瓦级资本开支 20:47 服务器物料清单中 GPU 和 HBM 内存的重要性 NVIDIA 护城河与 AI 云技术栈 21:06 Lambda 使用哪些 NVIDIA 芯片 21:16 从 V100、A100、H100 到 B300、VR200 的芯片栈 21:47 未来会不会进入多种 AI 芯片并存的世界 21:56 多种硅芯片竞争已经发生 22:13 NVIDIA 的平台优势与开发者生态 22:34 NVIDIA 的护城河不只是 CUDA 22:38 cuDNN：为矩阵乘法高度调校的引擎 23:24 NCCL：感知网络拓扑的通信优化库 23:48 软件栈是新芯片玩家很难跨过的门槛 24:05 网络与存储在 AI 云中的角色 24:13 训练数据、推理输入与高速存储 24:34 Lambda 的 AI 优化并行文件系统 24:55 “完全自研”到底意味着什么 25:35 除非自己开采硅和造 ASML，否则没有真正从零自研 25:50 如何把一万个 GPU 集群切分成可用云资源 26:05 带内网络、计算网络、带外监控网络的分工 26:40 RDMA 与 GPU HBM 直接内存访问 27:06 现代 AI 数据中心背后的庞大软件工程 27:40 为什么传统数据中心房东并不知道 AI 数据中心里真正发生什么 28:05 让公众理解：AI 数据中心处理的就是 ChatGPT 请求 垂直整合、区域策略与融资结构 28:21 Lambda 是租数据中心，还是自己建设 28:31 从租用方走向完整垂直整合 28:43 找土地、做设计、融资建设、绑定长期承购协议 29:18 Lambda 会不会把自建数据中心租给别人 29:25 当前重点是服务 Lambda 自身算力需求 29:49 Lambda 的国际化策略：聚焦北美尤其美国 30:23 AI 云需要像传统云一样贴近客户吗 30:29 延迟在许多 AI 工作负载中并不重要 30:51 Agent 和研究报告场景里，token 成本比延迟更关键 31:14 数据主权和治理会影响区域部署 31:38 AI 算力融资结构：按需云与长期承购协议 31:53 按需业务看 Lambda 信用，长期协议看最终客户信用 32:04 GPU、租约和承购协议如何进入资产抵押贷款结构 32:52 债权人开始真正理解 NVIDIA 芯片的资产价值 32:58 2023 年 H100 今天租金反而更高 33:29 为什么 H100 能以更高费率出租 33:41 高需求与更慢技术折旧共同推动价格 34:03 “GPU 三五年就报废”是错误判断 34:19 会计折旧周期不等于可用寿命 34:25 真正重要的是经济可用寿命 34:42 计算单元会不会形成现货和衍生品市场 34:52 GPU 现货市场与更复杂证券的早期苗头 35:34 GPU 正在被视为更成熟的信贷资产类别 Lambda 的创业史与团队韧性 35:46 回到起点：Lambda 最早从什么开始 35:58 为什么 Lambda 很难被传统 VC 框架理解 36:18 2012 年创办 Lambda：做人脸识别软件 36:30 用四张 GTX 580 工作站训练卷积神经网络 36:54 ImageNet、AlexNet 与深度学习早期时刻 37:21 人脸识别 API 有用户但没有太多现金 37:44 帮助 Perceptio 在 iPhone 本地跑神经网络 38:23 Perceptio 被 Apple 收购，并进入 iOS 图像识别能力 38:39 Lambda Hat：帽檐摄像头与早期视觉数据采集 39:04 看到未来还不够，时机同样关键 39:19 在深圳做硬件：PCB、消费电子与商业认知 39:35 DreamScope：早期版 MidJourney 式图像生成产品 40:06 AWS 账单暴涨，迫使 Lambda 自建 GPU 小集群 40:29 一个月半回本：从省钱发现 GPU 算力生意 40:45 从卖工作站和服务器到开发云平台 41:08 2019 年真正开始推广云业务 41:26 云业务增长到接近十亿美元年化收入 41:43 早期团队今天还在吗 42:36 Lambda mafia：校友网络与 Positron 的诞生 42:49 困难时期如何把团队留在一起 42:53 资本密集型创业的系统冲击与新冠考验 43:21 “咬牙扛住”：穿过痛苦、解决问题 43:44 公司存在的唯一理由：做出客户愿意付钱和推荐的东西 44:02 Lambda 101：把自己代入那只训练神经网络的 Linux 企鹅 44:32 T 恤、白色机架与让客户惊喜的文化 新 CEO、快速部署与 AI 优先数据中心 45:00 为什么请 Michel Combe 出任 CEO 45:15 创始人不必执着于 CEO 头衔 45:39 Stephen 更关心技术和打造跨时代公司 46:08 从融资、资本组织和日常管理中抽身 46:42 作为 CTO 专注快速部署数据中心 46:58 Lambda 要成为垂直整合、高速运转的强公司 47:06 目标：像 xAI 一样甚至更快上线算力 47:43 快速部署依赖选址、MEP 供应、建设方式与客户接入 48:01 传统数据中心设计者更像地产从业者 48:24 传统云区域复杂，而 AI 数据中心约束完全不同 48:53 AI 数据中心或许可接受更低可用性，换取更优设计 未来软件：神经 OS、自组装软件与 Agent 49:06 “AI 不会写软件，它会变成软件”是什么意思 49:12 神经软件、神经计算机与神经操作系统 49:19 用 ChatGPT/Claude 渲染 ASCII 桌面界面来感受未来 49:43 大语言模型未来不是生成软件，而是变成软件 49:57 电脑上的许多软件可能被神经交互方式接管 50:15 你可以把软件想象出来，只实现你正在体验的部分 50:35 vibe coding 与 neural software 的区别 50:41 vibe coding 仍是输出传统可编译代码 51:14 即时 vibe coding：软件应用被实时创造 51:24 neural software 没有正在运行的代码 51:45 神经软件距离大规模采用还有多远 51:50 Lambda 已经做出神经软件原型 52:08 大规模采用可能还需要十到十五年 52:27 自动驾驶可被视为神经软件的一种形式 52:57 Agent 会如何改变计算资源需求 53:04 从用户工作流理解计算层变化 53:40 Agent 工作流会消耗大量编译、测试和代码搜索时间 53:58 云服务将承担更多传统 CPU 工作负载 54:16 Lambda 内部如何使用 AI Agent 54:33 自组装软件：产品需求与用户反馈接入 24/7 Agent 集群 54:54 从 bug/需求到 Agent 实时实现 55:23 未来 Agent 甚至会反向请求人类帮它完成现实任务 吉瓦级 AI 工厂与“一个人一个 GPU” 56:05 什么是吉瓦级 AI 工厂 56:17 AI 工厂：土地、数据中心和服务器共同生成 tokens 56:25 一吉瓦意味着十亿瓦，约等于纽约市用电量的五分之一 56:38 “一个人一个 GPU”的长期愿景 56:43 AI 会孕育划时代公司 57:05 从 Apple “一个人一台电脑”到 Lambda “一个人一个 GPU” 57:26 Apple 愿景用了几十年才接近实现 58:53 为什么未来每个人都需要 GPU 算力 59:20 “一个人一个 GPU”不是一夜实现，而是长期文明级目标 快速观点与收尾 59:33 快问快答开始 59:38 AI 里什么被过度炒作了 59:41 非软件工程场景里的智能体工作流常被高估 59:48 好的 Agent 工作流需要明确反馈机制 01:00:07 不容易验证的任务不适合长期 Agent 迭代 01:00:52 AI 里什么被低估了 01:00:54 神经 OS、自组装软件与软件开发 Agent 被低估 01:01:14 很多人从未真正尝试过高强度 Claude Agent 工作流 01:01:31 节目收尾：Matt 感谢 Stephen 🌟 精彩内容 💡 云计算不是商品，AI 云更不是 Stephen 反驳了“GPU 计算会被商品化”的常见判断。他认为，AI 云本质上是土地、电力、数据中心、网络、存储、虚拟化、软件编排和融资结构的综合体，不是把 GPU 放到网上出租这么简单。真正的竞争壁垒来自整条垂直整合链条，而不是单一硬件资源。 “最核心的一点是，云计算不是商品化服务。” 💡 我们不是算力过剩，而是仍然建设不足 面对 AI 算力是否过度建设的争论，Stephen 的判断非常明确：只要 Scaling Laws 还在继续、模型能力还在扩大可服务市场，算力需求就会继续被低估。AI 已经从客服、搜索扩展到软件工程、Agent 和更多知识工作场景，需求曲线远没有结束。 “我认为总体上我们仍然建设不足。” 💡 AI 正在变成一台“吃钱吐软件”的机器 Stephen 用一个非常商业化也非常直观的比喻描述大模型时代：投入资本、算力和数据，另一端就能产出软件能力。这不只是技术判断，也解释了为什么算力基础设施会成为 AI 时代最核心的生产资料之一。 “我们有了一个很惊人的系统，可以把钱吃进去，然后输出软件。” 💡 GPU 的寿命不能只看会计折旧 外界常说 GPU 三五年就会被淘汰，但 Lambda 的实际经验是，2023 年部署的 H100 今天反而可能以更高费率出租。Stephen 区分了会计折旧周期、可用寿命和经济可用寿命：真正决定资产价值的，不是账面上几年折完，而是它还能不能产生现金流。 “真正重要的是经济可用寿命。” 💡 从能源到 tokens，AI 不是虚拟的 这期最有启发的部分，是 Stephen 把 AI 计算还原成物理链路：能源进入电厂变成瓦特，数据中心消耗电力并受 PUE 影响，服务器与 GPU 产生 FLOPS，模型把 FLOPS 转化为 tokens，最终用户再把 tokens 转化为智能。AI 看似在云端，底层其实是极其具体的能源与工程系统。 “左边是所有能源生产。右边是某个人正在消耗的 tokens。” 💡 NVIDIA 的护城河不只是芯片，而是整套软件生态 Stephen 认为 NVIDIA 的优势不仅在 GPU 性能，也在 CUDA、cuDNN、NCCL 和开发者生态。尤其 cuDNN 和 NCCL 让矩阵乘法、分布式通信、allreduce 等关键环节被高度优化，这使新芯片玩家很难只靠便宜硬件快速替代。 “CUDA 当然很重要，它就像我们所有人都在里面游泳的水。” 💡 AI 不会只是写软件，它会变成软件 Stephen 提出了“神经软件”与“神经操作系统”的设想：未来用户可能不再打开固定功能的软件，而是直接和模型交互，让模型实时模拟和生成软件行为。传统软件是静态代码，vibe coding 是让模型生成代码，而 neural software 则可能根本没有正在运行的人类代码，只有神经网络的上下文与激活状态。 “大语言模型未来不是生成软件，而是变成软件。” 💡 “一个人一个 GPU”是 AI 时代的长期信条 Stephen 借用 Apple 早年“一个人一台电脑”的愿景，提出“一个人一个 GPU”。这不是短期口号，而是对未来几十年算力普及的判断：每个人的工作、娱乐、创作和信息获取都将需要大量 AI 计算，就像个人电脑和手机最终成为日常基础设施一样。 “我相信未来美国每个人都需要一个 GPU，甚至更多 GPU 的算力。” ``` 🌐 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》What happens after coding is solved? | Fiona Fung (Claude Code and Cowork) 本期嘉宾 Fiona Fung 是 Anthropic 的工程领导者，负责 Claude Code 和 Cowork 背后的团队。她曾在 Microsoft 参与 Visual Studio 与 TypeScript 相关团队，也在 Meta、Instagram 领导过大型工程与产品组织，经历过从传统 IDE、在线发布、移动互联网到 AI 编程智能体的多轮技术变迁。 这期节目讨论的是一个所有产品、工程和管理者都绕不开的问题：当 AI 让“写代码”不再是瓶颈，软件团队到底该怎么工作？Fiona 分享了 Anthropic 团队如何用 Claude Code 跟进代码、总结反馈、生成 PR、做代码审查和质量管理；也讨论了工程师、PM、设计师、数据科学家之间的角色边界如何变模糊。她特别强调，未来最重要的不是堆 token、堆代码行数，而是更清楚地定义问题、验证质量、理解用户体验，并在高速变化中守住团队文化。 如果你正在焦虑 AI 会不会替代工程师、产品经理该不该写代码、团队要不要重构工作流、AI 工具到底怎么衡量 ROI，这期节目会给你很多来自 Anthropic 一线团队的真实答案。 👩‍💻 本期嘉宾 Fiona Fung，Anthropic 工程领导者，负责 Claude Code 和 Cowork 背后的团队。她拥有超过 25 年软件工程与工程管理经验，曾在 Microsoft 参与 Visual Studio 和 TypeScript 相关工作，后在 Meta 创立 Facebook Marketplace 团队，并参与智能眼镜、AR 眼镜 Orion、Instagram 基础设施、增长、诚信与安全等多个大型产品与工程组织的管理。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 改写工程师职业 01:37 代码交付量暴增八倍：Anthropic 工程团队正在经历什么 04:20 从 IBM 到 Visual Studio：Fiona 的工程师成长路径 07:31 Dogfooding 的起点：用 Visual Studio 构建 Visual Studio 09:05 从 CD 发布到在线发布：工程瓶颈如何一路迁移 09:50 编程不再是瓶颈：验证、质量和影响成为新核心 AI 原生团队长什么样 10:21 2026 年的软件团队：每个人都变成“构建者” 10:43 用 Claude Code 管理团队：连接代码库、Slack 和指标 11:28 从“发了什么”到“产生了什么影响” 12:57 routines：每天自动总结反馈、发现问题、生成 PR 14:50 自动代码审查：把“什么是好”写进 repo 16:00 TDD 的回归：AI 让测试驱动开发不再像“交税” 未来工程师的核心能力 17:08 招什么样的人：产品型构建者与深度系统专家 18:20 野心变得更重要：AI 抬高了每个人能做到的上限 19:30 谁能适应 AI 时代：成长型思维、好奇心和持续学习 20:46 靠近恐惧：把焦虑转化成可控行动 22:43 从视觉艺术到工程：Fiona 如何用行动对抗不确定性 别让 AI 拉大差距 25:26 为什么 Fiona 关心小企业和普通人使用 AI 27:38 Cowork 如何帮助小企业处理报销、发票和文档 28:55 餐厅老板的例子：用 Claude 做菜单和定价分析 29:45 如何帮助身边还没用 AI 的人：从一个真实场景开始 31:48 Anthropic 如何更早发现机会：观察潜在需求 异步智能体时代的工作流 34:28 routines 与异步智能体：从写 prompt 到让 AI 写 prompt 36:51 管理者的日常自动化：让 Claude 先帮你发现问题 37:43 高能动性与高责任感：自由必须配套责任 39:20 衡量 AI 生产力：不要把动作误当成进展 41:32 Marketplace 的指标教训：环境变化时，指标也要更新 速度、质量与体验 43:24 主动质量管理：先定义哪些体验最关键 43:56 bad 与 sad 框架：区分不可恢复错误和可恢复痛点 45:41 质量保障的新重点：测试、监控、评测，而不是只靠人审 PR 46:10 脏话仪表盘：用用户挫败感观察产品体验 管理者也要重新变成构建者 47:10 为什么经理要先做 IC：先理解工作流，再开始管理 48:39 领导者必须生活在产品里、呼吸着产品 50:16 从 Meta 到 Anthropic：重新写代码、重新发 PR 的体验 51:22 Claude 作为入职伙伴：理解代码库、生成测试、建立信心 AI 时代会失去什么 52:22 工程师能力会不会退化：仍然要理解依赖的下一层 53:30 AI 编程可能变孤独：为什么要办两两编程午餐 55:35 代码心流的消失：工程师快乐来源正在从解题转向产品 57:00 第二个被改变的角色：PM、设计、数据科学都在变化 58:33 新的工程经理期待：工程师要更有产品感，其他角色也更像工程师 Dogfooding 与真实反馈 01:00:16 为什么 Fiona 如此执着于亲自使用产品 01:00:49 在 Marketplace 遇到骗局：亲身使用发现数据看不到的问题 01:03:23 如果自己不是用户，就去见客户 01:03:43 智利增长案例：一次实地体验发现网络环境才是阻碍 还没解决的新问题 01:04:28 还需要独立 iOS 和 Android 团队吗？ 01:05:50 全自动审查应该推进到什么程度？ 01:06:42 如何验证最终体验真的符合目标？ 01:07:10 异步智能体的新负担：上下文切换变多 01:09:14 下一代工程师怎么培养：软件工程会不会变成学徒制 01:12:30 过去没跑通的 AI 自动化，可能值得重新尝试 文化、规划与组织韧性 01:13:23 最让 Fiona 睡不着的问题：如何维护团队文化 01:14:05 文化不是墙上的海报，而是活着的团队行为 01:16:30 管理者要敢说“不顺”：别做着火房间里的狗 01:17:59 砍掉不再服务目标的流程 01:18:56 六个月路线图失效后：转向 JIT 即时规划 01:19:23 月度轻量规划：每周检查优先级是否仍然成立 快问快答 01:21:40 推荐书：Margaret Atwood、村上春树与《小王子》 01:22:39 喜欢的电影：《天使爱美丽》《千与千寻》《风之谷》 01:24:21 产品推荐：一家本地小店的有机身体护理产品 01:26:32 工作格言：保持简单，专注真正要做好的事 01:27:05 人生格言：在可以成为任何人的世界里，选择善良 01:28:30 编织与编程：下针、上针、零和一 01:30:50 Fiona 的请求：把 AI 带给身边还没接触到的人 🌟 精彩内容 💡 编程不再是瓶颈，真正稀缺的是验证 Fiona 认为，Claude Code 让写代码这件事的瓶颈被大幅削弱。Anthropic 工程师每季度交付的代码量已经显著增长，但这并不意味着团队只需要更快写代码。新的瓶颈变成了：如何验证这些代码真的解决了问题？如何保证质量？如何知道产品体验是否变好？ “编程已经不再是瓶颈。它把每个人能做到的事情上限都抬高了。” 🧠 未来团队里，每个人都更像构建者 在 Claude Code 团队里，不只是工程师提交代码，PM、设计师等角色也开始参与构建。角色边界正在模糊，团队更像是围绕问题聚集的一群“构建者”。这也意味着工程师需要更有产品感，PM 也需要更理解工程。 “团队更像是在往‘构建者’这个方向转。可以说，每个人都开始变成构建者。” 🛠️ 把“什么是好”写进 repo 面对 AI 生成代码带来的代码审查压力，Fiona 的经验是：不要只依赖人类审查者，而要把 spec、内容设计原则、质量标准等“什么算好”的框架写进代码库。这样 Claude Code 做代码审查时，就能基于清晰标准进行验证。 “只要你有一段说明，定义了什么算好，就把它放进 repo。” 🚀 不要把动作误当成进展 当团队开始大量使用 AI，很多人会盯着 token 用量、代码行数、PR 数量等指标。但 Fiona 提醒，这些可能只是“动作”，不等于真正的业务进展。真正应该衡量的是：我们想解决什么问题？这些产出有没有推动结果？ “我很喜欢另一句话：不要把动作误当成进展。” ⚖️ 高能动性必须搭配高责任感 AI 工具让个人能做的事情变多，最有优势的人往往更主动、更有 agency。但 Fiona 强调，团队不能只鼓励大家自由行动，还必须明确责任：你要解决什么问题？你的假设是什么？你如何验证它？ “高能动性也要配高责任感。” 😨 面对 AI 焦虑：靠近恐惧 对于那些在 AI 时代感到沮丧、害怕或被落下的人，Fiona 的建议不是逃避，而是靠近恐惧，问自己哪些事情仍在控制范围内。她用自己年轻时为了支付工程学院学费去做银行柜员的经历说明：行动本身可以对抗不确定性。 “只要有恐惧，我的建议都是靠近它，然后问自己：我能做什么？什么是在我控制范围内的？” 🏪 AI 不该只属于技术圈 Fiona 非常关心小企业主和普通人能否真正用上 AI。她分享了朋友用 Cowork 查找餐厅菜单、分析本地定价的例子，也鼓励已经深度使用 AI 的人主动帮助身边还没接触 AI 的人，从一个具体问题开始打开对话。 “如果你身边有你喜欢的小企业，或者有人你觉得还没有接触到这些东西，可以花点时间，手把手带别人看看 AI 可能怎么帮到他们。” 🧪 bad 与 sad：AI 时代的质量框架 面对更快的开发速度，Fiona 提出 bad 与 sad 框架。bad 是非常糟糕且不可恢复的错误，sad 是痛点但还能恢复。不过多个 sad 累积起来也可能变成 bad。这个框架帮助团队在大量指标中抓住真正影响体验的问题。 “bad 指的是非常糟糕、无法恢复的错误。sad 指的是一个痛点，但还能恢复。” 🤝 AI 编程可能让人变孤独 当每个人都开始和自己的智能体工作，工程协作可能变得更孤独。Claude Code 团队因此开始做“两两编程午餐”和黑客松，让大家重新看见彼此如何使用工具、如何构建产品，也重新建立团队连接。 “它可能会开始变成一种很孤独的体验，因为我们都太多时间在和自己的智能体一起工作。” 🐶 Dogfooding 是领导者的基本功 Fiona 反复强调，领导者必须亲自使用团队做出来的产品。数据和仪表盘很重要，但真实使用中的一次小挫败、一个骗局路径、一次加载失败，都可能揭示数据看不到的问题。 “作为领导，如果你不是每天都真正生活在自己的产品里、呼吸着自己的产品，有时候就会慢慢失去对产品手感的感知。” 🌱 文化是活的，不是墙上的标语 在高速增长和快速变化的 Anthropic，最让 Fiona 睡不着的不是某个工程问题，而是如何维护团队文化。她认为文化不是贴在墙上的海报，而是团队如何讨论问题、如何支持彼此、如何在冲线前回头看看有没有人需要帮助。 “文化是一个有生命、会呼吸的东西。它不是贴在墙上的一张海报。” 📋 从六个月路线图到 JIT 即时规划 Fiona 曾尝试给 Claude Code 团队做六个月路线图，但三个月后发现变化太快，文档已经不再有用。现在团队采用更轻量的 JIT 即时规划：看一个月，每周快速检查优先级是否仍然成立，并持续思考能否进一步自动化。 “要一直问自己：你现在的任何流程，是否还在发挥它本来的作用？” 🌐 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：硅谷投资人与创业者圆桌播客《All-In Podcast》World's First Trillionaire, Anthropic Fable Banned, The New Oligarchs, Iran Peace Deal 这一期《All-In Podcast》火力极猛，几乎把当下美国科技、资本与政治的核心冲突都放到了一张桌上。四位主持人从“美国是否正在形成新的政治局”聊起，讨论经济流动性、福利依赖、私有财产和人的能动性；随后转向 SpaceX 破纪录 IPO 和 Cursor 收购，借 Elon Musk 的万亿富翁争议，重新解释财富到底从哪里来：不是现金，不是奢侈品，而是一台能长期为人类创造东西的机器。 节目后半段围绕 Anthropic 的 Fable / Mythos 模型被政府叫停展开长时间争论：AI 安全到底是必要监管，还是前沿实验室自导自演的末日论叙事？如果模型越来越强，未来是开放竞争、多元技术栈，还是由 Amazon、Microsoft、Google 这样的超大云服务商成为守门人？最后，几位主持人还讨论了伊朗和平协议、核材料移交、战争替代方案，以及美国是否应该继续卷入中东冲突。 这是一场关于财富、自由、AI 安全、监管俘获、技术开放和战争和平的高密度圆桌。 👥 本期主持 Jason Calacanis，创业者、天使投资人，《All-In Podcast》主持人之一，以快节奏追问和议程推进见长。 Chamath Palihapitiya，Social Capital 创始人，前 Facebook 高管，长期关注资本市场、科技创业与宏观趋势。 David Sacks，Craft Ventures 联合创始人，前 PayPal COO，关注企业软件、AI、公共政策与地缘政治。 David Friedberg，企业家、投资人，The Production Board 创始人，长期关注科学、农业、能源、自由市场与技术进步。 ⏱️ 时间戳 00:00 开场 & 播客简介 价值观开场：自由、财富与创造者 01:39 All-In 原班四人组回归：开场玩笑与本期议程预热 04:00 “Great American Politburo”：Friedberg 对新政治寡头的猛烈批评 07:05 政府供给的代价：免费承诺、自由损失与经济流动性 09:40 Chamath 的福利救济童年：习得性无助如何压缩人的潜能 11:45 私有财产的边界：从伊利诺伊法案谈政府征税与资产控制 13:10 人的能动性为什么重要：从心理学解释“无助感”的形成 SpaceX、Cursor 与财富机器 15:23 SpaceX 破纪录 IPO：市值、发行、散户配售与全球排名 17:40 Chamath 复盘 Cursor 收购：Elon 如何用交易结构拿到“好价格” 19:15 Sacks 谈万亿富翁：Elon 的财富并不是银行里的现金 21:00 财富的本质：创造一台能持续制造价值的机器 23:30 从劳动到资本：科技行业如何用股权改变普通员工命运 27:30 对富人的攻击从何而来：嫉妒、市场波动与价值创造 29:20 让普通人更早参与：为什么私人公司投资准入需要改变 31:18 知识分子阶层的怨恨：为什么“只生产文字的人”反感创造者 32:16 创造者 vs 索取者：Friedberg 提出的社会真实分界线 Anthropic 危机：AI 安全、监管与信任破裂 34:19 Fable / Mythos 被叫停：Anthropic 新模型引发行业震动 37:04 Sacks 还原政府视角：Mythos 如何被描述成“网络武器” 40:00 Amazon 的角色：云合作伙伴为何上报越狱风险 42:10 Dario 的关键失误：为什么政府认为 Anthropic 没有认真处理安全问题 44:30 信任破裂：出口管制信如何让一次个案变成行业焦虑 45:30 Chamath 批评前沿实验室：末日论、幼稚与硅谷信任危机 46:50 KYC 与云服务商守门：AI 是否会被推向寡头化 50:00 Friedberg 的技术史类比：从 IBM 大型机到 AI 技术栈拆分 53:20 Jason 的另一种解读：Anthropic 是否其实做了保守发布 56:44 Sacks 回应政治动机指控：这不是私人恩怨，而是安全与沟通问题 01:00:20 Chamath 用 Claude 分析 Dario：安全观背后的“认知例外主义” 01:03:50 Anthropic 的哲学问题：谁有资格掌握 AI 的钥匙 01:04:35 Biden 政府与 Anthropic：Sacks 谈监管俘获和安全卡特尔 01:06:30 竞争还是中心化：AI 最大风险到底来自哪里 01:07:40 Friedberg 反思 AGI 恐慌：每一代技术革命都曾被说成“工作终结” 01:10:20 末日论的后果：AI 公司如何把自己送进监管牢笼 01:12:30 超大云服务商的机会：用“成年人监督”接管 AI 分发 伊朗协议与战争替代方案 01:13:56 伊朗和平协议概览：停火、核计划、制裁与重建资金 01:15:30 Sacks 支持协议：为什么这比继续战争更好 01:17:00 地面战争的代价：伊朗为何不是可以轻易入侵的国家 01:19:20 浓缩铀是否移出：Friedberg 关注协议真正关键条款 01:20:39 市场反应与 Jason 的批评：战争本不该升级 01:21:20 这场冲突值得吗？核扩散、导弹消耗与长期遏制 01:23:00 结尾：中东民主化不能靠美国强推 🌟 精彩内容 💡 财富不是现金，而是“创造机器” Sacks 用 SpaceX IPO 后 Elon Musk 的账面财富解释了一个关键观念：真正的财富不是豪宅、现金或消费品，而是一台能在未来持续创造价值的机器。公司、技术栈、团队和工作流共同构成这种机器，而市场给它的估值，是对未来产出的折现。 “财富不在那些东西本身，而在于创造一台机器，让它在很长时间里为人类持续制造东西。” 🚀 SpaceX IPO 与普通人的股权机会 Jason 强调，SpaceX 把一部分 IPO 配售留给散户，是资本市场民主化的重要一步。他认为，普通人不应该只能在公司成熟上市后才参与，而应该有机会更早买入自己相信的伟大公司。 “我们到现在还用这条规则，让穷人继续穷下去，真是太疯狂了。” 🧠 经济流动性与人的能动性 Friedberg 和 Chamath 都把“经济流动性”视为美国最重要的底层机制。Friedberg 认为，如果政府给得越多，人越可能失去向上走的能力；Chamath 则用自己家庭依靠福利救济的经历说明，习得性无助的门槛可能比想象中低得多。 “经济流动性是美国的关键。” ⚔️ 创造者与索取者 Friedberg 提出，本期最有冲击力的框架之一：社会真正的分界线不是富人和穷人，而是创造者和索取者。创造者可以是艺术家、水管工、工程师、创业者，只要他们做出了别人认为有价值的东西；索取者则通过制造叙事和对立来获得控制权。 “最大的谎言，是把社会分成两边：富人和穷人。而最大的真相是，真正的两边是创造者与索取者。” 🤖 Anthropic Fable 争议：AI 安全还是监管陷阱？ 围绕 Anthropic 的 Fable / Mythos 模型争议，四位主持人展开激烈辩论。Sacks 认为，问题核心在于 Anthropic 先把 Mythos 描述成网络武器，又没有在政府收到安全报告后及时配合；Chamath 则认为，前沿实验室的末日论叙事会给超大云服务商提供成为 AI 守门人的机会。 “他们就是靠末日论炒作，把自己推进了这个局面。” 🏗️ AI 技术栈会走向拆分 Friedberg 用 IBM 大型机时代类比当前 AI 行业。他认为，如果 AI 长期由少数几家公司控制整套技术栈，将不利于创新。历史上，计算产业真正繁荣来自硬件、操作系统、软件和应用的拆分；AI 也可能走向类似路径：更多开源、更多模型、更多云服务商、更多本地运行。 “市场力量太强了。技术栈里的每一层，都会自然流向成本最低、更容易获得、更容易接入的合作供应商。” 🕊️ 伊朗协议：给和平一个机会 在伊朗问题上，Sacks 认为协议虽不完美，但相比继续轰炸或派地面部队，是更现实的选择。Friedberg 则关注浓缩铀是否真正移出伊朗，因为这决定协议是否能实质性延缓核扩散风险。 “我们不妨给和平一个机会。” 🌐 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：《Acquired》的 Renaissance Technologies 这是一集关于金融史上最神秘、最成功，也最难复制的公司之一：Renaissance Technologies 的深度拆解。它的旗舰基金 Medallion Fund，在三十多年里实现了费前年化约 66%、费后年化约 40% 的惊人回报，几乎碾压了历史上所有著名投资人和基金。但这家公司既不研究企业 CEO，也不关心利润表，甚至在很多时候并不知道自己到底持有哪些股票。它靠的是数学、密码破译、信号处理、机器学习、数据工程和极致组织设计。 两位主持人 Ben Gilbert 和 David Rosenthal 从创始人 Jim Simons 的数学人生讲起，追溯他如何从 MIT、Berkeley、冷战密码破译、Stony Brook 数学系，一步步走向量化投资；也讲清楚 Renaissance 如何从早期混乱的货币交易、风险投资、Axcom 拆分，到最终打造出 Medallion Fund 这台“印钞机”。这不只是一个投资传奇，更是关于 AI 前史、组织激励、人才密度、数据护城河和复杂系统预测的商业史。 👥 本期主持 Ben Gilbert，Acquired 联合主持人，投资人，长期研究科技公司、商业模式与资本市场。 David Rosenthal，Acquired 联合主持人，投资人，专注公司史、战略、风险投资与科技商业分析。 ⏱️ 时间戳 00:00 开场 & 播客简介 历史上最神秘的投资机器 02:23 为什么“跑赢市场不可能”这句话在 RenTech 面前失效 03:00 Renaissance Technologies：业绩超过巴菲特、索罗斯和所有传奇投资人 04:02 Medallion Fund：费前年化 66%，但普通人完全投不了 04:41 极端保密、终身 NDA，以及为什么这家公司几乎无人真正了解 Jim Simons 的早年与数学底色 06:20 从波士顿郊区开始：Jim Simons 的家庭与童年 09:09 “对做生意没兴趣，但对钱有兴趣”：一个数学家的财富意识 09:59 四岁遇到 Zeno 悖论：数学直觉的早期显现 10:20 MIT、Berkeley 与“我不是房间里最聪明的人” 11:33 Jim 的关键能力：不是最强天才，而是有“好问题”的品味 13:00 外向型理论数学家：酷、冒险、能吸引天才的人 密码破译、信号处理与量化投资的种子 18:36 进入 IDA：冷战时期为 NSA 做密码破译 20:00 50% 破译密码，50% 自由研究：RenTech 文化的原型 21:09 1964 年论文：把密码破译方法应用到股市预测 22:58 噪声里找信号：为什么市场和密码破译本质相似 24:15 隐马尔可夫模型：从黑箱状态预测未来状态 26:00 从马尔可夫链到今天的大语言模型：早期机器学习的影子 28:00 为什么六十年代的“算法投资”根本募不到钱 29:50 反越战公开发声，被 IDA 开除，人生进入下一阶段 Stony Brook 与第一代天才团队 30:50 加入 Stony Brook：从受挫学者到数学系建设者 32:00 用高薪和自由度挖来世界级数学家 33:20 Chern-Simons Theory：Jim 留在数学史上的印记 34:05 离开学术界全职交易：被数学圈视为“出卖灵魂” 35:13 Monometrics：在披萨店旁边开始的交易公司 36:15 Baum、Ax、Simons：数学界重磅人物进入交易世界 37:20 早期交易仍靠直觉：模型只是辅助，不是自动决策 Renaissance 的诞生与混乱试错 40:30 Howard Morgan 登场：First Round Capital 的隐秘前史 41:32 Renaissance Technologies 名字的由来：量化交易 + 科技风投 43:17 早期多策略：一半风险投资，一半货币交易 43:45 债券押注失败，Lenny Baum 离开 44:55 RenTech 曾经几乎只是一家风投公司 45:30 Axcom 拆分：量化交易团队迁往加州 46:50 Sandor Strauss 的数据执念：收集、清洗、结构化历史市场数据 48:30 Elwyn Berlekamp 与 Kelly Criterion：下注规模开始系统化 49:20 20%+ IRR：模型真正开始起作用 Medallion Fund 的诞生 51:13 Medallion Fund：以数学奖章命名的传奇基金 52:00 数据、工程、信号、交易系统第一次真正合体 52:53 Berlekamp 接手后推动更高频交易 53:30 为什么交易频率越高，微小优势越有价值 54:51 “我们 50.75% 的时间是对的”：靠微弱优势赚几十亿美元 55:55 现实约束：交易成本、滑点、订单簿深度 58:00 1990 年：Medallion 毛收益 77.8%，净收益 55% 59:00 5% 管理费：不是贪心，而是为了支付昂贵基础设施 01:00:23 Jim 买回 Berlekamp 份额：错过巨大财富的一次退出 01:02:13 一切回到长岛：RenTech 成为理想化的 IDA + 数学系 历史级连胜开始 01:04:00 1991 年后再无亏损：Medallion 进入神话时期 01:05:00 关闭新 LP：不再接受外部资金 01:06:00 规模上限与滑点：为什么必须进入股票市场 01:07:45 股票市场：更多数据、更深流动性、更复杂关系 01:08:00 IBM 语音识别团队：Peter Brown 和 Bob Mercer 登场 01:09:00 语音识别、隐马尔可夫模型与市场信号处理的同构 01:10:00 为什么 Brown 和 Mercer 是 RenTech 最关键招聘 01:13:00 统一模型：把股票、货币、商品全部放进一套系统 01:14:30 单一模型带来的协作红利：所有人都在改进同一个大脑 01:16:00 股票机器跑通：扩大规模仍保持惊人回报 01:17:30 2000 年科技泡沫破裂，Medallion 却上涨 128% 波动、风险与人性 01:18:30 高波动是 Medallion 的黄金时间 01:19:00 科技泡沫初期亏损：Jim 为什么主动降低风险 01:19:30 Peter Brown 想辞职，Jim 说“你现在更有价值” 01:20:00 量化地震与 CEO 交接：Jim 对人性的洞察 01:21:20 夏普比率：为什么 Medallion 不只是高回报，而是低相关高质量回报 01:23:30 夏普比率 6.3 甚至 7.5：让顶级量化基金都像替补球员 01:24:15 业绩分成涨到 36%、44%：为什么投资人仍然接受 01:26:30 2003 年清退外部投资人：Medallion 只属于内部人 01:28:00 RIEF 机构基金：不是 Medallion，而是更像“增强版指数产品” 01:31:40 13F 文件里的 4300 只股票：极度分散、快速轮动的机构基金 金融危机、继任与政治影响 01:34:30 2007、2008 年金融危机中爆炸式收益 01:35:00 Medallion 的交易对手：恐慌中的人类与不信模型的基金 01:37:00 Jim 退休，Peter Brown 与 Bob Mercer 接任 01:38:00 后 Simons 时代业绩更强：费前年化 77.3% 01:40:30 六百亿美元业绩分成：Medallion 史上最强投资载体 01:40:50 RenTech 财富流向政治：Mercer、Brexit、Trump 与 Cambridge Analytica 01:41:20 Jim Simons 与民主党捐赠：同一家公司里的政治光谱两端 01:42:00 Mercer 卸任联席 CEO：极端分歧下仍能共事的独特文化 RenTech 的组织织锦 01:42:30 RenTech 的三块拼图：协作、小团队、基金结构 01:43:30 单一模型让天才协作，而不是互相竞争 01:45:30 员工中位任期十多年：为什么很少有人离开 01:46:00 不到 400 人的公司：和 Citadel、Two Sigma 相比小一个数量级 01:47:00 长岛偏僻小镇：封闭社区如何强化文化与保密 01:49:00 小团队分钱：为什么外部公司很难挖走他们 01:49:30 5% + 44% 的结构：不只是收费，而是内部价值转移机制 01:51:00 新员工像 GP，老员工像 LP：一套金融版终身教职制度 01:53:30 激励设计的天才之处：让新人和老人都愿意留在同一艘船上 杠杆、税务与今天的 RenTech 01:54:30 篮子期权：Medallion 如何放大杠杆 01:56:00 每 1 美元现金控制 12.5 美元甚至 20 美元资产 01:58:00 杠杆为何是量化收益的重要组成部分 01:59:00 税务争议：篮子期权被 IRS 认定不成立 01:59:50 Jim Simons 个人补缴 6.7 亿美元税款 02:00:00 今天的规模：Medallion 100-150 亿美元，机构基金 600-700 亿美元 02:00:50 一家年收入七八十亿美元的公司 02:01:50 基础设施成本：五万个计算核心，每天新增 40TB 数据 Power：RenTech 的护城河到底是什么？ 02:03:00 Seven Powers 框架：流程力、垄断资源、反定位等 02:03:40 终身保密、竞业限制与真正的三层留人机制 02:05:20 流程力：一千万行代码与三十多年复杂系统积累 02:06:00 垄断资源：干净、深度、历史悠久的数据宝库 02:07:00 模型是否每两年重构一次：没有永恒秘密，只有持续迭代 02:09:20 规模不经济：AUM 太大会毁掉策略 02:10:30 反定位：单一模型与基金规模优化，其他量化公司难以模仿 02:12:00 执行与学习复利：为什么做得更久本身就是优势 机器学习、复杂系统与“庄家”生意 02:14:00 信号处理就是信号处理：为什么他们不需要懂资产负债表 02:15:00 “教聪明人投资，比教投资人变聪明更容易” 02:15:30 复杂适应系统：市场像一团火，难以解释但可以部分预测 02:18:00 RenTech 是机器学习的发源地吗？ 02:19:00 Geoffrey Hinton、Peter Brown、Ilya Sutskever：同一锅 AI 汤 02:20:15 基于别人不知道的秘密交易：数据产生想法，而不是人类编故事 02:21:30 为什么人类直觉会误导投资判断 02:22:40 RenTech 不是投资者，而更像有优势的赌场庄家 02:24:00 量化金融创造了什么价值：流动性、价差压缩与市场效率 02:28:30 金融行业高回报如何间接推动技术创新 牛熊观点与最终 takeaway 02:30:00 牛市观点：过去的表现、文化、人才和模型继续复利 02:31:00 熊市观点：AI 追赶、人才流动、机构业务影响文化 02:32:30 David 的 takeaway：激励设计的力量 02:34:00 Ben 的 takeaway：他们用关系图在复杂系统中找到信号 02:35:00 如果所有人都能搭出类似系统，回报会不会被套利掉？ 推荐与资料来源 02:35:20 Carve Outs：Modern Treasury Transfer、Apple TV+《The New Look》 02:38:00 Class of Palm Beach：奢侈品、风格与 Palm Beach 观察 02:40:00 感谢 Greg Zuckerman 与《The Man Who Solved the Market》 02:41:30 其他资料：Peter Brown 证词、GS Exchanges 访谈、《The Quants》、Bloomberg 文章 02:42:00 感谢 Howard Morgan、Brett Harrison、Matthew Granade 等资料贡献者 🌟 精彩内容 💡 历史上最强投资载体：Medallion Fund Medallion Fund 从 1988 年到 2022 年，费前年化收益率约 68%，费后年化收益率约 40%。这意味着，即便扣除了 5% 管理费和最高 44% 的业绩分成，它仍然长期创造了远超所有传统投资传奇的回报。 “从 Medallion 诞生至今，扣费之后是 40%。扣费之前是 68%。” 🧠 从密码破译到量化投资：噪声里找信号 Jim Simons 和早期同事最关键的洞察，是把冷战密码破译和信号情报里的方法迁移到金融市场。市场价格看似随机，但就像加密电文一样，里面也可能隐藏着微弱、短暂、可统计利用的信号。 “你是在噪声里找信号，试图用计算机和算法，从那些看起来近乎随机的东西里挖出信号。” 🤖 AI 前史：隐马尔可夫模型、语音识别与机器学习 RenTech 的方法和今天 AI 的底层思想高度相似：不一定理解世界，但能根据状态和概率预测下一个状态。IBM 语音识别团队的 Peter Brown 和 Bob Mercer 加入后，把大规模系统工程、自然语言处理和统一模型思维带进了 RenTech。 “这些大型语言模型未必真的理解英语。它们只是非常擅长预测状态和下一个状态。” 🏛️ 单一模型与协作文化 大多数对冲基金是多团队、多策略、彼此竞争；RenTech 则让所有研究员和工程师围绕同一个模型工作。任何人的改进都会直接让所有人受益。这种结构让顶尖人才之间形成协作，而不是内部竞争。 “所有人都在同一个投资策略、同一套投资基础设施上一起工作。” 💰 5% + 44%：不只是收费，而是激励系统 Medallion 的高管理费和高业绩分成，表面上像是离谱收费；但当外部 LP 被清退后，它更像是一套内部价值转移机制。年轻员工通过 GP 端获得当期贡献回报，老员工通过 LP 端分享长期复利，形成一种金融版“终身教职”结构。 “随着你待得越来越久，你其实是在付钱给更年轻的同事，让他们为你工作。” 🎲 RenTech 不是投资者，而是有优势的庄家 Ben 提出一个尖锐观点：RenTech 不像传统投资人，它并不关心企业价值，而是在市场这个复杂系统里，用微小概率优势反复下注。它更像赌场庄家，靠 50.01% 的胜率和海量交易长期赚钱。 “他们就是庄家，而且有优势。这个优势建立在一张关系图上，图里是这些实体之间的所有关系。” 📊 高波动是 Medallion 的黄金时间 科技泡沫破裂、金融危机、疫情冲击，这些普通投资人最恐慌的时期，反而是 Medallion 表现最亮眼的时候。因为市场越情绪化，模型越能从他人的恐慌、错价和被迫交易中捕捉机会。 “高波动的时候，正是 Medallion 最闪耀的时候。” 🧩 真正的护城河：数据、流程、文化与激励叠加 节目最后认为，RenTech 的护城河不是单一秘密，而是一张织锦：极端干净的数据、长期复利的流程、极小且稳定的团队、统一模型、封闭社区、高激励结构，以及几十年持续迭代形成的组织能力。 “学习会复利。” 🌐 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 AI 与科技创业播客《No Priors: AI, Machine Learning, Tech, & Startups》Re-engineering the Semiconductor Supply Chain with Intel CEO Lip Bu Tan 在 AI 彻底改写科技产业格局的当下，Intel 这家曾经定义个人计算时代的芯片巨头，正站在一次极其艰难的转型关口。本期节目中，No Priors 主持人 Sarah Guo 和 Elad Gil 邀请到了 Intel CEO Lip-Bu Tan。他曾是 Cadence CEO，也是 Walden 的传奇投资人，如今在 66 岁选择接下“科技行业最难的工作”：重建 Intel。 这期对话不仅聊 Intel 的公司转型，也聊到了更大的时代问题：美国还能不能制造最先进芯片？AI 的增长会把半导体供应链推向哪里？CPU 是否会因为智能体 AI 和推理工作负载重新变得重要？晶圆代工到底是不是一门“信任生意”？以及在电力、内存、先进封装、新材料和制造产能都成为瓶颈的时代，创业者和投资人应该如何下注。 Lip-Bu Tan 在节目中多次强调，他的工作不是为了个人头衔，而是“拯救 Intel”。他的转型方法并不花哨：改变文化、强化问责、让工程师更靠近决策、听客户声音、简化产品线、重建资产负债表，并把 Intel 从一家老派、依赖电子表格的公司，改造成一家 AI 驱动的工程公司。这既是一场 Intel 的自救，也是一场关于 AI 时代国家级半导体能力、供应链韧性和下一代计算平台的深度讨论。 👨‍⚕️ 本期嘉宾 Lip-Bu Tan，Intel CEO，前 Cadence CEO，Walden International 创始人及传奇科技投资人。他长期深耕半导体、EDA、芯片设计、制造、新材料与 AI 基础设施领域，曾投资超过两百家半导体公司，并拥有大量 IPO 与并购退出经验。在 Cadence 任内，他带领公司完成长期转型并为股东创造巨大回报。如今，他接任 Intel CEO，目标是在 AI 时代重建这家美国标志性半导体公司。 ⏱️ 时间戳 00:00 开场 & 播客简介 接下“最难工作” 02:29 66 岁为什么不退休：接任 Intel CEO 的真正原因 03:34 被特朗普要求辞职：一场意外政治风波与自我辩护 04:43 “拯救 Intel”具体意味着什么：文化、问责与速度 05:39 让工程师直接汇报：从技术根因出发重建公司 Intel 的重建路线 05:39 爬、走、跑：Lip-Bu Tan 的长期转型节奏 06:00 强化资产负债表：美国政府、NVIDIA 与 SoftBank 的支持 06:52 产品线大幅简化：重新听客户声音，押注下一代产品 07:00 CPU 回归重要性：智能体 AI 与推理如何改变 CPU/GPU 比例 07:36 晶圆代工是信任生意：IP、良率、缺陷密度与周期时间 08:18 走向全栈：从硅片到软件、系统和整机架方案 Terrafab 与新型制造合作 08:51 从 Cadence 到 Intel：临时三个月如何变成十五年 09:17 与 Elon Musk 合作：AI 增长下的半导体基础设施缺口 10:25 Terrafab 是什么：Elon Musk 的自建晶圆厂计划 10:49 非传统思维的价值：质疑每一个步骤，但不一定能在洁净室抽烟 AI 时代的全球供应链 11:13 AI 对国家和产业的不同冲击：BPO、能源、数据中心与模型训练 12:46 三大瓶颈：电力、氦气与内存短缺 13:28 不拥抱 AI 的公司最危险：AI 将重塑预测、设计与企业运营 13:52 美国制造芯片是否可行：为什么 Intel 仍要坚持晶圆代工 15:04 供应链韧性：不能只依赖一两个地理位置的玩家 15:37 先进制程的复杂性：14A、1 纳米、0.7 纳米与制造精度 先进制程、封装与新材料 15:52 摩尔定律走到哪里：18A、14A、10A 与 7A 的路线 16:30 先进封装成为瓶颈：eMIPT、量产良率与客户要求 16:56 新材料路线：氮化镓、碳化硅、磷化铟、玻璃与人造金刚石 17:47 工程师的信念：撞墙之后，要么跳过去，要么绕过去 18:55 性能、功耗、成本的取舍：摩尔定律不再只是简单缩放 半导体重新变热 19:17 从没人听到人人追捧：半导体投资的周期反转 19:58 NVIDIA、Broadcom、TSMC、AMD 与 Intel 的市值变化 20:36 为什么半导体投资很难：资本密集、不可预测、客户切换成本高 22:15 Lip-Bu Tan 的投资战绩：159 起 IPO、126 起并购与 200 多家半导体公司 22:53 投资第一原则：从真正的瓶颈出发 23:09 互连与光学：为什么集群速度让光子技术变重要 23:59 EDA 与 AI：用机器学习优化芯片设计是一座金矿 24:48 电源与散热：从 40 伏到 1 伏的效率损耗也是机会 25:07 第一个客户很重要：为什么偏好超大规模云厂商 25:57 以色列创业者：战争期间仍然继续开会的韧性 AI 如何改变半导体公司 26:20 物理 AI：智能体 AI 之后的下一个大前沿 26:14 Cadence 与 Synopsys：AI 正在进入 EDA 与系统设计 27:03 创业公司的机会：颠覆式创新、上市或被巨头收购 27:45 十年后的半导体公司会怎样：资本密集、周期性与 AI 驱动 28:33 好投资人的标准：困难时也愿意陪公司走下去 29:15 工程创业的本质：不断解决问题，攻下一个前沿 29:54 为什么不喜欢单人公司：十家公司九家中途会改商业计划 30:38 未来赢家画像：方向清晰、聚焦细分、有伙伴、有全栈能力 31:10 NVIDIA 的启示：CUDA 如何把芯片公司变成平台公司 31:26 Intel 的未来组合：XPU、先进封装、晶圆代工与专用硅芯片 把 Intel 变成 AI 驱动公司 31:48 AI 会如何改变团队结构：从管理人到管理 Agent 32:53 先招最好的半导体人才，再补软件和 AI 人才 33:10 向下一代学习：儿子成了 Lip-Bu Tan 的 AI 老师 33:45 告别电子表格：把 Intel 转型为 AI 驱动的工程组织 34:00 从销售到设计：AI 不只是营销工具，而是工程体系工具 资本、政府与产业政策 34:12 资本密集型公司如何融资：不只是软件式 VC 逻辑 35:10 基础设施需要政府资金：产业政策在半导体中的现实意义 35:36 风险投资也在变重：十亿美元级别投资正在出现 36:17 政府资金、主权基金与大型资本：AI 工厂和晶圆代工的新资金结构 36:50 长期投资人与短期股东：建设业务和资本配置之间的平衡 市场误解与十倍目标 37:10 投资人最误解 Intel 的地方：公司仍在“爬”的阶段 37:36 把 Intel 当作多个创业公司叠在一起：更快、更聚焦、更工程化 38:04 晶圆代工必须谦卑：Intel 与 TSMC 仍有距离 38:34 2030 年以后才会显现的成果：代工信任需要时间 38:50 从 PC 到边缘端：物理 AI 和智能体 AI 带来的新计算需求 39:29 六倍回报只是开始：Lip-Bu Tan 仍在寻找十倍机会 39:47 Cadence 的长期回报：从 2.42 美元到数十倍增长 40:13 Intel 的目标：五到十年争取十倍回报 算力会分布在哪里 40:23 数据中心是不是唯一答案：集中式推理与边缘计算的拉扯 41:03 供应限制仍是最大约束：AI 基础设施建设不会很快放慢 41:36 关键不是算力本身，而是应用：谁能找到巨大且可持续的应用 42:20 行业会先增长再整合：最后只剩少数真正赢家 42:58 机器人、国防与家庭设备：边缘端算力重新变重要 43:20 投资判断的三层逻辑：问题、合作玩家、应用规模 43:38 结尾：押注尚未大规模部署、但可能巨大的应用 🌟 精彩内容 💡 66 岁接下 Intel：不是为了职位，而是为了“拯救” Lip-Bu Tan 坦言，很多人觉得他应该退休，而不是去接这份行业里最难的工作。但他认为 Intel 是一家对半导体生态和美国都极其重要的标志性公司，因此决定“再做一次”。即便曾遭遇特朗普总统要求他辞职的风波，他仍强调自己并不需要这份工作，做这件事是为了帮助 Intel。 “我六十六岁了，很多人觉得，你应该退休了，而不是去接这个行业里最难的工作。” “我做这件事，纯粹是为了拯救 Intel。” 🛠️ 重建 Intel 的第一步：文化、问责与工程师 Lip-Bu Tan 认为，Intel 的转型首先不是宏大叙事，而是把公司重新变成一家行动更快、更接近客户、更尊重工程判断的公司。他要求所有工程师向他汇报，以便直接理解问题出在哪里；同时推动更强问责制，减少层层会议，让公司具备创业公司的速度。 “你要以光速往前走，不能有一层又一层官僚式的会议。” “从第一天起，我就决定让所有工程师向我汇报。” ⚙️ CPU 重新重要：智能体 AI 与推理改变算力结构 在训练时代，GPU 是绝对主角；但 Lip-Bu Tan 观察到，随着智能体 AI、推理和强化学习的增长，CPU 的作用正在变强。过去 CPU 和 GPU 的比例可能是 1:8，现在可能变成 1:4，甚至 1:1。尤其在编排大量 Agent 的任务中，CPU 的需求变得非常高。 “现在，智能体 AI 和推理让 CPU 变得非常抢手。” “在强化学习里，在编排所有 Agent 的速度上，CPU 实际上更好。” 🏭 晶圆代工是信任生意：美国制造必须补上 面对外界对 Intel Foundry 的质疑，Lip-Bu Tan 仍然选择继续加码。他认为，对大型半导体公司来说，不能只依赖一两个地理位置的供应链玩家。先进制程和制造能力是国家基础设施，也是产业韧性的关键。但晶圆代工不只是花钱建厂，更是 IP、良率、缺陷密度、周期时间和客户信任的长期积累。 “这是服务业务，也是信任业务。” “你必须有一条稳健且有韧性的供应链。你不能只依赖一两个不同地理位置的玩家。” 🧱 下一代瓶颈：先进封装、新材料、电源和散热 当传统 CMOS 和摩尔定律的红利逐渐变弱，Lip-Bu Tan 开始关注新材料和先进封装。他提到氮化镓、碳化硅、磷化铟、玻璃基板、人造金刚石等方向，也强调封装、电源管理和散热正在成为 AI 基础设施的新瓶颈。 “做工程师有一点很好，你总会撞墙。撞到墙以后，你要么想办法跳过去，要么绕过去，最后拿到更好的结果。” 💰 半导体投资方法论：先问瓶颈在哪里 作为投过两百多家半导体公司的传奇投资人，Lip-Bu Tan 的投资框架非常清晰：先找真正的瓶颈，再判断客户是否痛到愿意付钱。他看好互连、光学、EDA、新材料、电源管理、散热等方向，也特别强调第一个客户的重要性，尤其是超大规模云厂商这类能带来规模化验证的大客户。 “我首先会从投资角度看：瓶颈在哪里？你到底想解决什么问题？” “客户是不是已经为它痛到不行？然后我才开始投。” 🤖 把 Intel 变成 AI 驱动公司 Lip-Bu Tan 认为，AI 不只是 Intel 的外部市场机会，也会改变 Intel 内部的工作方式。他正在把 Intel 从一家老派、依赖电子表格的传统公司，转型为一家由 AI 驱动的公司：在设计、工程、组织、销售和营销中全面使用 AI 工具，同时引入懂前沿模型、开源和工作负载的新型人才。 “过去它更像一家很老派、依赖电子表格的传统公司。现在我在把它转型成一家由 AI 驱动的公司。” 📈 Intel 的十倍目标：风险投资人的内心还在 Lip-Bu Tan 说，自己内心仍然是风险投资人，因此总是在寻找十倍机会。虽然 Intel 的基数比 Cadence 大得多，但他仍希望未来五到十年能为股东创造十倍回报。他认为，市场还没有完全理解 Intel 在产品、边缘计算、智能体 AI、物理 AI 和晶圆代工上的潜力。 “我一直在找十倍机会。内心里做风险投资的人，都会想找十倍机会。” “比赛还没有结束。” 🌐 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：David Ondrej 的 AI 与软件工程访谈《Matt Pocock’s Agentic Engineering Workflow (just copy him)》 原内容更新时间：2026-06-18 本期嘉宾 Matt Pocock 是 TypeScript 与开发者教育领域极具影响力的创作者，他和主持人 David Ondrej 深入讨论了 AI 编程时代，开发者真正应该提升的能力是什么。Matt 的核心观点非常鲜明：AI 已经非常擅长 tactical programming，也就是写代码、改 bug、做 commit 这些战术性工作；但人类开发者必须更擅长 strategic programming，也就是软件设计、代码库架构、任务拆分、测试策略、产品判断和长期方向。 这期节目不是一场单纯的工具盘点，而是一套关于 Agentic Engineering 的实践哲学。你会听到 Matt 如何使用 Claude Code、Opus、Sandcastle、GitHub Actions 和 AFK 智能体，把 AI 放进安全、可并行、可 review 的工程流水线里；也会听到他为什么反对盲目追逐最新模型，认为真正重要的是运行框架、代码库可修改性、软件基本功和人的判断力。 节目中还现场演示了 Matt 的 teach skill：一个能根据学习者目标、当前水平和本地工作区，生成个性化课程的 AI 技能。它不仅能教 Git、调试、测试等基础知识，还会记录学习状态，像一个真正了解你的老师一样持续推进学习路径。除此之外，Matt 还分享了 grill me skill、流程型技能与能力型技能的区别、Agentic Loops 与任务队列的关系、人类 review 如何演化，以及 AI 时代做产品、创业和招聘的底层逻辑。 如果你是开发者、AI builder、产品经理，或者正在思考如何不被 AI 编程浪潮淘汰，这期节目会给你一个很清醒的答案：不要把思考外包给 AI。把战术性交付交给 AI，把战略性判断、产品愿景和系统改进牢牢握在自己手里。 👨‍💻 本期嘉宾 Matt Pocock，知名开发者教育者、TypeScript 与 AI 编程实践领域创作者。他长期面向开发者制作高质量课程和开源工具，尤其关注 TypeScript、开发者体验、智能体技能与 AI 辅助工程工作流。他的 skills 仓库包含 teach、grill me 等多个面向 AI 编程与学习场景的智能体技能。 🎙️ 主持人 David Ondrej，长期关注 AI 工具、智能体工作流和 AI 编程实践的创作者。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 编程时代的人类价值 01:37 模型不是全部：为什么 Matt 更关注运行框架而不是新模型 02:16 tactical programming 与 strategic programming：AI 吃掉了哪一部分工作 03:35 无限战术程序员大军：人类开发者必须学会战略性指挥 03:47 如何委派 AI：任务边界、接口设计、测试策略与文档 05:15 技能就是 AI 的上限：为什么高级开发者会被 AI 放大十倍 AI 个性化学习与 teach skill 06:01 teach skill 的诞生：把教学原则编码进智能体技能 07:15 现场演示：一个 Vibe Coder 如何补齐工程基础 08:52 真正要学的不是更多语法，而是 Git、调试、测试与交付 09:23 教学不是灌输信息，而是帮学习者重新定位自己的使命 10:37 口述能力的重要性：开发者如何更快把想法变成 AI 可用的输入 11:50 stateful skill：为什么好老师必须记住你的目标、进度和上下文 13:39 第一课：Git 是项目的撤销按钮 14:18 个性化练习与测验：AI 如何用成熟教育方法增强记忆 15:19 知识图谱与线性路径：teach skill 如何记录学习进程 16:21 如何安装 Matt 的 skills 仓库 好技能、坏技能与人的主导权 16:42 两类智能体技能：流程型技能与能力型技能 17:40 grill me skill：让 AI 成为对抗性面试官，逼你先想清楚 18:45 从想法到 PRD，再拆成 issue：Matt 偏好的 AI 协作流程 19:13 为什么不该把思考外包给模型 20:18 技能太多会污染上下文：为什么能力清单不一定应该塞给 AI 21:35 高级开发者的新机会：把工程流程抽象成可复用技能 22:28 知识、技能与智慧：为什么真正的判断力很难被直接打包 Matt 的 Agentic Engineering 配置 23:27 Claude Code、Opus 与本地规划：Matt 的基础 AI 编程配置 23:52 Sandcastle：为什么要在沙箱里运行智能体 24:30 并行智能体：Docker、Podman、Vercel 沙箱与远程执行 24:47 GitHub Actions 工作流：让智能体自动 review PR 25:12 AFK 工作方式：离开键盘后，让智能体继续完成任务 25:44 为什么 Matt 不太频繁切换模型 26:03 运行框架比模型更可控：prompt、技能、环境与代码库的综合优化 别只追模型，要优化运行框架 26:37 模型与运行框架应该各占一半，而不是 90% 对 10% 27:01 “苦涩的教训”：算力会赢，但不代表你应该放弃优化系统 27:40 好代码库才是 AI 的加速器 29:15 不要围绕单个模型过度优化：长期有效的是软件基本功 29:53 三十年、四十年仍然有效的东西：让代码库更容易修改 30:05 如何优化 token 成本：不是写更短 prompt，而是让代码更好改 30:39 Vibe Coder 的陷阱：每周换工具，却不学习软件工程原则 31:13 真正的上限是人的技能，而不是模型订阅 Fable、深层 Bug 与系统性改进 32:32 David 的 Fable 体验：AI 自己操作浏览器、创建 API key、迁移 app 34:12 AI 是否让人的价值变低了？ 34:48 Matt 的回应：AI 能执行任务，但判断标准仍然来自人 35:12 更强模型发现深层 bug，是否意味着 AI 参与更深？ 36:44 不是只有新模型能发现问题：合适的运行框架也能持续做安全审查 37:31 实践落后时，人们会误以为只能靠更强模型补洞 38:25 从一次 bug 修复中真正应该学到什么 39:03 把循环内置进系统：测试、审查、重构和持续安全检查 39:48 十倍 AI builder 的关键能力：不是修掉 bug，而是修掉 bug 产生的系统原因 Agentic Loops、AFK 与任务队列 40:48 人在环路中 vs AFK：两种 AI 工作模式的区别 41:35 AFK 是产出暴增的关键：把自己从等待权限和反复确认中解放出来 42:35 Ralph loop：早期循环式智能体工作流 42:48 为什么 Matt 更喜欢“队列”而不是“循环” 43:12 issue 队列：探索、分诊、实现、review 与合并 44:15 开发团队本来就是任务队列系统 44:34 循环不是完整图景，真正重要的是 AFK 智能体和任务流 人类检查点与自动化边界 45:50 自动化 bug 处理：从线上错误到 issue、探索、修复、review 46:28 把人在环路中的检查点不断往右推 47:03 人类最终看到的，不只是 bug，而是探索结果、修复方案和 review 请求 47:40 什么时候可以自动合并到生产环境？ 48:14 review 的双重价值：防风险，也获得系统洞察 49:11 我们 review 的不只是代码，也是在 review 生成代码的系统 49:54 更适合智能体时代的 review：总结模式、历史记录与个性化反馈 50:53 AI 生成讲解视频：让 PR review 变得更丰富、更快 AI 时代做软件与做生意 51:36 SaaS 死了吗？Matt 认为做生意的基本功没变 51:54 还是要跟客户聊：弄清楚他们真正需要什么 52:20 AI 能加速实现，但不能替你找到正确问题 52:47 不要让 AI 替你决定产品方向 53:18 应该问 AI 什么：删掉什么、如何更简单、如何改善 UX 53:29 警惕功能膨胀：不要做成有一千个功能却没人会用的产品 高级开发者、AI 新人与未来招聘 53:47 高级开发者能被 AI 放大十倍，但前提是愿意使用 AI 54:37 年轻 AI 原生开发者 vs 传统高级开发者：谁更有优势？ 55:23 DX 与 AX：开发者体验和智能体体验的重叠 55:41 好的软件基本功同时改善人类协作和智能体协作 56:36 关键不是资历，而是实验心态与对 AI 的兴趣 57:03 只做 tactical programming 的程序员没有未来 57:14 未来开发者必须从写代码工具人转向战略性思考者 给普通 AI 使用者的实用建议 57:28 第一件事：删掉所有技能、插件、MCP server 和臃肿配置 57:53 回到白纸状态，观察智能体本来会怎么工作 58:07 再叠加流程型技能，而不是盲目堆能力型技能 58:41 把工具变成可定制、可调整、可实验的系统 58:55 尽量把实现工作委托给 AFK 智能体 59:12 AFK 工作流一旦设置好，会带来非常强的产出提升 59:19 结尾：去 Twitter 找 Matt Pocock 🌟 精彩内容 💡 AI 已经吃掉了 tactical programming Matt 用 John Ousterhout 的 tactical programming 与 strategic programming 区分，解释了 AI 编程时代最大的变化：写代码、修 bug、提交 commit 这些战术性任务，AI 已经能以更低成本完成。开发者真正要提升的，是如何设计系统、拆分任务、规划路线、管理代码库，并调动这支“无限战术程序员大军”。 “AI 做 tactical programming 就是比你强，因为它做得更便宜。” 🧠 你的技能，就是 AI 的上限 Matt 反复强调，AI 不是独立于人的万能工具，而是人的倍增器。高级开发者之所以能获得巨大提升，是因为他们能给 AI 更清晰的上下文、更好的设计、更明确的判断标准。相反，如果使用者本身技能不足，AI 很难越过这个上限。 “你的技能就是 AI 能做到什么程度的上限。” 🧑‍🏫 teach skill：把 AI 变成真正懂你的老师 Matt 现场演示了 teach skill：它会先理解学习者的使命、目标和当前水平，再生成本地学习材料、速查表、HTML 课程和练习题。它不是简单回答问题，而是像老师一样记住你的进度，并沿着适合你的路径继续推进。 “我理解的教与学，不是把信息塞进你的脑子里，而是帮你在世界里重新定位。” 🧩 grill me skill：在动手之前，让 AI 先质问你 Matt 最喜欢的技能之一是 grill me。它会把模型变成一个对抗性面试官，不断追问你的想法、挖出模糊点、挑战假设，直到你和 AI 对问题达成共同理解。Matt 常用它替代 plan mode，在写代码之前先把奇怪的地方和潜在风险暴露出来。 “在真正动手之前，尽可能把奇怪的地方、意外的东西都挖出来。” 🛠️ Sandcastle 与 AFK 智能体：把自己并行化 Matt 用自己做的 Sandcastle，把智能体放进沙箱中运行，并通过 GitHub Actions 触发 review、实现和探索任务。这样他可以让多个智能体并行处理 issue，而自己只在关键检查点介入。对他来说，AFK 是真正进入 AI 编程状态的标志。 “只要我能把自己从这个等式里拿掉，我就把自己并行化了。” 🏎️ 不要只盯着模型，引擎不是整辆赛车 面对新模型、新工具和 Fable 之类的热潮，Matt 的观点非常冷静：模型当然重要，但运行框架同样重要。prompt、技能、沙箱、代码库结构、测试、文档、review 流程，都是你更能控制、也更能持续优化的部分。 “大家都在看那个又大又亮的新东西，但其实你应该关注那些已经有效了三十、四十年的东西。” 📦 优化 token 成本的真正方法：让代码库更容易修改 很多人问 Matt 如何降低 token 消耗，他的答案不是写更短 prompt，而是让代码库更清晰、更模块化、更容易探索。好的架构能让更便宜的模型也完成同样任务，因为 AI 不需要花大量 token 在混乱代码里撞墙。 “答案是，让你的代码库更容易修改。” 🔁 Agentic Loops 不是全部，更好的比喻是任务队列 Matt 不否认循环有用，但他认为很多人把 Agentic Loops 神化了。软件开发更像任务队列：有人添加 bug report 和 feature request，智能体探索、实现、review，人类在合适节点做判断。与其让智能体无限循环烧 token，不如构建清晰的 AFK 队列系统。 “我大多数时候会把这些东西看成队列。是队列，不是循环。” 👀 Review 的对象不只是代码，也是生成代码的系统 随着 AI 自动修复更多问题，人类 review 的形式会变化。但 Matt 提醒，review 不只是防止坏代码进入生产环境，也是理解系统如何工作的窗口。未来我们需要 review 代码，也要 review 生成代码的那套 AI 流程，并用抽查、总结、视频讲解等方式提高效率。 “我们 review 的不只是代码。我们也在 review 生成代码的那个系统。” 🚀 AI 创业的基本功没有变 谈到 AI 时代做 SaaS 和软件生意，Matt 的回答很朴素：你还是要跟客户聊，理解他们真正的问题，做出能解决问题的原型。AI 能让实现变快，但不能替你决定产品愿景，也不能替你找到真实需求。 “如果你没有同时跟真人交流，没有弄清楚他们想要什么，那 AI 帮不了你。” 🧭 最实用的建议：先清空配置 Matt 给普通 AI 使用者的第一条建议很反直觉：删掉所有技能、插件、MCP server、claude.md、agents.md，回到白纸状态，观察智能体本来会怎么工作。然后再根据真实问题，逐步加回流程型技能和必要配置。 “大家都会往上下文窗口里塞太多东西，塞太多指令，最后变得很臃肿。” 🌐 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：Bloomberg Originals 旗下《The Circuit》Inside the Mind of Anthropic CEO Dario Amodei | The Circuit | Extended Interview 本期节目是 Bloomberg 主持人 Emily Chang 对 Anthropic CEO Dario Amodei 的一次加长访谈。Dario 回顾了自己的成长经历、离开 OpenAI 后创立 Anthropic 的原因，也谈到 Claude、Claude Code、企业级市场、产品迭代速度、算力投入和公司文化。 节目重点不只是产品本身，也包括 AI 公司如何在快速增长中保持清晰的价值判断：什么样的商业模式更适合长期信任，AI 会怎样改变软件开发和白领工作，模型能力持续增强时，公司、用户和监管体系应该如何更稳妥地配合。整体来看，这是一期适合了解 Anthropic、Claude 生态和前沿 AI 公司治理思路的访谈。 👨‍💼 本期嘉宾 Dario Amodei，Anthropic 联合创始人兼 CEO。他曾在百度、OpenAI 等机构工作，是大语言模型和 AI 安全领域的重要人物。离开 OpenAI 后，他与 Daniela Amodei 等人创立 Anthropic，推出 Claude 系列模型，并将公司发展为全球最受关注的前沿 AI 公司之一。 🌟 精彩内容 💡 AI 加速的真实体感 Dario 把当下 AI 行业的节奏形容为一种持续加速的过程：外部变化越来越快，团队必须在更短时间内做出更高质量的判断。 🧭 商业模式必须和价值观相容 Anthropic 选择企业级市场，不只是商业判断，也是价值观判断。Dario 认为，如果商业模式和价值观长期冲突，公司迟早会陷入两难。 💻 软件护城河正在被重写 快速写软件的能力会变得越来越普遍，但客户关系、行业知识、领域经验、信任机制和分发能力会变得更重要。 🧑‍💻 AI 会改变工作，而不是只替代工作 Dario 认为，AI 会重塑很多岗位的具体任务。人类需要更多地转向定义问题、判断结果、协调资源和指挥 AI 完成复杂工作。 🔬 科研和医学中的长期潜力 节目中多次提到 AI 在医学诊断、药物设计、计算化学和科研加速中的可能性。这也是 Dario 对 AI 保持长期乐观的重要原因之一。 🏛️ 前沿 AI 公司需要被约束，也需要承担责任 Dario 不认为任何单一公司天然值得信任。他更强调通过治理结构、外部测试、透明取舍和实际行动来逐步建立信任。 🌐 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