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