跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了：知名播客《The Pragmatic Engineer》的 How Kent Beck shapes the software engineering industry 原内容更新时间：2026-07-01 本期嘉宾是软件工程领域的传奇人物 Kent Beck，主持人是《The Pragmatic Engineer》的作者 Gergely Orosz。这期节目是 Kent Beck 首次在播客中完整回顾他从 70 年代入行至今的整个职业生涯，从早期接触 Smalltalk、发明测试驱动开发（TDD）和极限编程（XP），到参与起草敏捷宣言，再到加入 Facebook 的“失去的十年”与重生。 但这场对话远不止是怀旧。在 AI 编码工具（Kent 称之为“Genie”）席卷行业的当下，Kent 用他近 50 年的从业视角，对“编程会消失吗”、“AI 时代的信任危机”、“为什么敏捷变质了”等问题给出了极其坦率且高密度的回答。如果你想知道在 AI 狂飙突进时，一个塑造了现代软件工程的人如何重新思考这一切，这期节目会给你带来巨大的启发。 👨‍⚕️ 本期嘉宾 Kent Beck，极限编程（XP）创始人、测试驱动开发（TDD）先驱、JUnit 联合创作者、敏捷宣言首位签署人。他是过去 40 年中对软件工程实践影响最深远的工程师之一，长期关注软件开发中的人性、沟通与信任。近年来，他活跃于 AI 辅助编程领域，提出了“探索-扩张-提取”（3X）模型，并持续在 newsletter 中分享他对 Genie 时代的实验与反思。 ⏱️ 时间戳 开场与软件工程的本质 00:00 欢迎收听跨国串门计划 01:11 软件工程里，人的部分才是最难的 03:59 对“编程会消失”的回应：这话出自不懂软件工程的人 04:58 我们积累代码的速度，超过了积累信任的速度 06:16 宇宙级的恶作剧：你不仅要搞懂电脑，还得搞懂人 从 70 年代到 Smalltalk 的启蒙 07:23 第一次接触电脑：父亲带回家的可编程计算器 11:34 大学时光：在计算机科学与音乐之间摇摆 14:08 第一份工作：加入 Tektronix 15:02 爱上 Smalltalk：对创造精神的计算机支持 17:53 Smalltalk 的兴衰：为什么它最终沉寂了 与 Ward Cunningham 共事与设计模式的诞生 21:36 与 Ward Cunningham 的相遇与合作 23:54 24 岁的愣头青与大师级程序员的键盘传递 29:57 设计模式的灵感来源：Christopher Alexander 的建筑理论 31:38 第一次用设计模式赋能测试工程师 Apple 岁月与 SUnit 的发明 34:34 加入 Apple 的 Smalltalk 项目 38:08 转投 Alan Kay 的 Playground 项目，最终被解雇 39:37 CRC Cards：如何内化面向对象程序 42:55 SUnit 的诞生：为了缓解焦虑而写测试 极限编程（XP）与测试驱动开发（TDD） 49:35 克莱斯勒项目：极限编程的孕育之地 54:02 为什么叫“极限编程”？向权威竖中指 58:55 TDD 的重新发现：一个蠢到让人发笑的主意 01:03:11 TDD 为何过时？它被当成了道德大棒 敏捷宣言及其后续 01:04:30 敏捷宣言的诞生：Snowbird 会议 01:07:09 宣言框架在休息间隙被敲定 01:08:09 敏捷宣言的立竿见影与“敏捷”一词的隐患 01:11:25 敏捷的变质：从方法论到卖狗皮膏药 Facebook 的黄金年代与“失去的十年” 01:14:12 互联网泡沫破裂与 9·11 后的崩溃 01:18:07 2002 到 2011：失去的十年 01:19:06 加入 Facebook：50 岁传奇置身 24 岁的工程师海洋 01:21:18 TDD 课无人问津：阿根廷探戈和 Excel 课都满了 01:22:42 Facebook 的瑞士奶酪模型：多层反馈替代单元测试 01:27:45 新人训练营期间，不小心一年省了 500 万美元 01:29:22 Facebook 的 50-50 目标：完成一半目标拿 A+ 01:30:45 Good to Great 教练计划：加速工程师职业发展 AI 时代与软件工程的未来 01:35:29 为什么总有人想取代开发者？因为我们有时候挺混蛋的 01:38:08 Genie 时代：开发速度加快，但商业节奏没变 01:40:16 从开拖拉机到坐进赛车：业务流程没准备好 01:42:32 给软件工程师的建议：没人知道，去试 01:42:57 探索-扩张-提取（3X）模型：我们回到了探索阶段 01:47:33 最让 Kent 兴奋的事：Genie 带回了创作的冲动 结尾 01:50:55 在布达佩斯面对面录制的特别节目 01:51:23 积累代码的速度比积累信任更快 🌟 精彩内容 💡 “我们积累代码的速度，超过了积累信任的速度” Kent 指出，编程不仅是敲代码，更是建立信心、连接和理解的过程。当 AI 瞬间生成大量代码时，我们跳过了通过理解领域、编写测试来建立信任的步骤，这会导致软件大厦建立在沙滩上。 “我们积累代码的速度，超过了积累信任的速度。” 💡 “这简直是宇宙级的恶作剧” 许多像 Kent 一样不善社交的年轻人被许诺“只要搞懂电脑就行”，但后来发现改变世界的能力取决于沟通、共情和说服他人。软件工程里，人的部分才是最难的。 “我被许诺说，只要搞懂电脑就行，结果呢，开玩笑的，你得去理解人。” 💡 “永远去试你的蠢主意” TDD 的诞生源于 Kent 在写代码前先写测试的“蠢主意”。他鼓励低成本、可逆的实验，因为 100 次里有 99 次会失败，但成功的那一次，你不会有任何竞争对手。 “你脑子里冒出一个蠢主意，100 次里有 99 次会失败，但就那一次，你不会有任何竞争对手，因为没人蠢到去试这个主意。” 💡 “没人知道” 当被问及 AI 时代的最佳实践时，Kent 直言不讳：现在没人知道什么真正有效。面向对象编程花了 15 年才总结出敏捷宣言，而 AI 工具每周都在变，现在写宣言为时过早。唯一正确的做法是去试，然后分享结果。 “不是说存在一套关于 Genie 开发的秘密手册，只要我花一百万美元就能拿到。它根本不存在。” 💡 “我是摇树的人，不是做果冻的人” Kent 用这句 Jesse Jackson 牧师的话形容自己：他热爱启动新事物、探索未知，而不是把成果封装成固定的产品。这也是他在 AI 时代如鱼得水的原因——Genie 让他能不断推倒重来，尝试攒了 40 年的想法。 “我喜欢摇树，喜欢把事情启动起来。” 💡 “敏捷”这个词没法反驳，所以毫无意义 Kent 当年反对用“敏捷”一词，因为没人会说“我不敏捷”。相比之下，“极限编程”要求你真正投入技能打磨，否则你绝不会自称极限程序员。他预言了“敏捷”最终会变成人人挂在嘴边却毫无意义的标签。 “每个人都会说自己敏捷，而‘极限’就没有这个问题。” 💡 Facebook 的 50-50 目标 在 Facebook 的黄金年代，如果你完成了所有设定的目标，大家会觉得你在藏拙；如果你完成了一半，就能拿到 A+；如果一个都没完成，就直接走人。这种机制鼓励工程师冒更大的风险。 “如果你完成了所有设定的目标，大家会觉得你在藏拙，不够努力，冒的风险不够。” 💡 教练的作用是制造有益的、让人不舒服的状态 Kent 在 Facebook 的 Good to Great 教练项目中，拒绝做“拍拍头说一切都会好起来”的导师。他认为真正的成长发生在不妥协的反馈中，这种互动方式直接塑造了 Facebook 前 1% 的顶尖工程师。 “教练的作用就是发现并制造有益的、让人不舒服的状态。” ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名商业播客《My First Million》He Went From $20K to $70M Using a Strategy Anyone Can Learn 原内容更新时间：2025-12-22 本期嘉宾是个人投资者 Chris Camillo，主持人是 Shaan Puri。Chris 提出了一套完全反传统的投资方法，他称之为“社交套利”或“观察型投资”。他不看估值、不看市盈率、不做技术分析，而是通过观察现实世界和社交媒体上的行为变化，寻找市场尚未定价的信息差。 这期节目是一场对传统投资观念的彻底挑战。Chris 详细拆解了他从 2 万美元起步，在近 20 年里取得年化约 75% 回报的核心逻辑，并复盘了 Beacon Roofing、E.l.f. Cosmetics、Palantir 以及疫情期间的多笔经典交易。如果你对“信息套利”如何运作，以及一个普通人如何与华尔街巨头竞争感兴趣，这期内容会提供一套完全不同的思考框架。 👨‍⚕️ 本期嘉宾 Chris Camillo，个人投资者、作家、Dumb Money Live 联合主持人。他并非金融科班出身，却凭借一套自创的“社交套利”投资方法，在近二十年里将 2 万美元初始资金做到了约 7000 万美元的收益。他也是《Laughing at Wall Street》一书的作者，长期致力于向普通投资者普及观察型投资的理念。 ⏱️ 时间戳 开场与投资哲学 01:13 核心观点：做对一笔大交易就能成为前 1% 的投资者 01:20 投资中最重要的事：根本不看估值 01:26 不看市盈率，只看有没有新信息 01:29 大部分 alpha 来源：读 TikTok 评论 01:33 巴菲特读穆迪手册，Chris 刷 TikTok 评论 01:46 打破所有投资规则：试图跑赢市场、用杠杆、频繁交易 从车库拍卖到华尔街 02:32 2007 年从 2 万美元起步 02:42 社交套利投资的本质：观察型投资 02:47 寻找世界上任何变化：消费行为、文化、技术、天气、政治 03:17 最纯粹的形式下，不需要知道股价 03:39 在信息不对称时进场，在信息对称时离场 04:39 主持人要求多举几个例子 05:12 确认 2 万变七八千万的真实性 05:32 17 年年化回报率约 75% 05:48 童年从车库甩卖开始的套利训练 06:44 在旧货甩卖和遗产拍卖里做套利 07:05 遗产拍卖的盲区：年长女性不懂男性物品的价值 07:42 Snapple 冰茶案例：7-Eleven 货架位置变化 08:28 用看跌期权做空 Snapple，300 美元翻三倍 08:57 华尔街专业人士被噪音分心，看不见简单的事 经典交易案例拆解 12:25 寻找尚未被定价的变化 12:35 80 到 90 个以上成功案例 12:52 Beacon Roofing 案例：用 Google Trends 追踪屋顶维修搜索 13:18 华尔街用保险报告分析冰雹损失，但延迟五六周 14:11 某年冰雹季搜索峰值是往年三倍，重仓看涨期权 15:36 E.l.f. Cosmetics 案例：美妆博主 Jeffrey Star 的视频 15:59 股价从 7 美元涨到 170 美元 16:20 在 CVS 站一整天观察消费者抢购 16:47 打电话给华尔街分析师，对方问“Jeffrey Star 是谁？” 17:30 每晚花三到四小时刷 TikTok 评论区 与华尔街的竞争 17:48 被“严肃投资者”嘲笑：刷 TikTok vs 读财报 18:09 关键问题：你想跟谁竞争？ 18:28 不想跟数学家比技术分析，也不想跟哈佛毕业生比财务分析 19:03 去竞争对手不愿意去的地方寻找优势 19:23 华尔街用交易数据，Chris 用对话数据 20:05 人们在买东西之前会先聊这件事 20:30 在销售数据证实之前，就能衡量兴趣深度 Twitter 热门话题与 Ticker Tags 21:10 Twitter 热门话题标签的诞生故事 22:10 关注变化量：平时没人提津巴布韦，突然大量提及 23:18 建立 Ticker Tags 平台，监测 150 万个词条 23:56 史莱姆案例：DIY 史莱姆流行 → Elmer's glue → Newell Brands 24:43 把平台卖给对冲基金和卖方银行 25:40 华尔街对对话数据几乎没兴趣 26:25 对冲基金缺乏能解读对话数据的二十多岁女性员工 Sphere 与 Palantir 交易 27:47 Sphere 的 Wizard of Oz 交易 27:57 2025 年最大盈利之一，靠读上线 48 小时的评论 28:07 Sphere 当年涨了 114% 28:28 其他散户开始数座位销售情况 29:08 公司宣布增加演出场次，上调盈利指引 35:23 Palantir 交易：30 美元时用难以置信的杠杆全仓杀入 36:12 大家根本没搞懂 Palantir 在 AI 浪潮里的位置 36:57 估值无关紧要，不看市盈率 37:24 Palantir 从 30 涨到 160 以上 第一个一百万与最大错误 29:30 赚到第一个一百万的时刻 30:15 写书《Laughing at Wall Street》 30:59 2 万美元变 200 万美元，三年一百倍回报 31:03 怀疑自己是不是统计偏差里的异常值 31:39 观察型投资的本质：比别人快一点发现重要信息 32:23 连续 18 年平均总资产回报率约 70% 32:49 操作层面：利润是取出还是再投入？ 33:05 最大的错误：把公开市场盈利抽出来投进私募市场 34:30 彼得·林奇：“别剪掉鲜花去浇灌杂草” 疫情交易：一生一次的机会 39:14 疫情期间连续亏损，亏掉投资组合的 30% 到 40% 39:22 用谷歌翻译看中国医学报告，评估病毒严重性 39:54 市场一度不接受新冠的严重性 40:06 一生中最大交易之一，年化回报约 370% 40:23 市场触底两天后选出 14-15 家本不该下跌的公司 40:39 受益股清单：Peloton、Shopify、亚马逊、露营车世界、Schwinn 自行车 41:37 把做空收益全部投入这 15 家公司的杠杆头寸 42:12 那一年在市场上赚了 3000 万 QSR 惨败：亏掉三分之一本金 42:21 疫情前做了这辈子最糟糕的交易 42:31 一笔交易亏掉三分之一本金 43:05 QSR 公司：汉堡王、Popeyes、Tim Hortons 43:25 汉堡王有 Impossible Whopper，Popeyes 有脆皮鸡肉三明治 44:10 Tim Hortons 是最大业务板块，但信息难以提取 44:36 Tim Hortons 随机交出史上最差季度之一 45:07 教训：高确信度交易必须做全面研究，一点懒都偷不得 当前关注与未来展望 46:44 当前最看好的 AI 标的：Bloom Energy 46:58 Bloom Energy 给数据中心供电的方式不同 47:21 能让数据中心提前 6 到 12 个月上线 48:52 未来三到四年盈利基本逐年翻倍 49:12 不会公开交易记录，不希望别人跟单 49:56 主持人 Shaan 的投资方式：指数基金 + 科技股 + 天使投资 普通人能做这件事吗？ 51:14 Shaan 质疑：“任何人都可以”和“每个人都能做到”有区别 53:24 Chris 回应：最大的问题是把钱分桶管理 54:14 你必须得有风险资本 54:37 每个人都应该有一个“大资金账户” 55:02 通过生活取舍攒风险资本：自己煮咖啡省的不是 5 美元，是 500 美元 56:07 高中毕业时是班里成绩最差的 25% 58:08 最大目标：激励地球上每一个人进入投资者阶层 58:13 解决财富差距的唯一办法 59:08 这条路对大多数人来说比创业更容易实现 01:00:33 即将进入富足时代，识别顺风和趋势同样适用于职业和创业选择 01:01:59 新公司：跟公务机行业有关 01:02:13 疫情那一年让我们看到未来：更多时间投入爱好和兴趣 🌟 精彩内容 💡 不看估值，只看有没有新信息 Chris 的投资体系完全抛弃了传统估值框架。他不关心市盈率、不关心股价，只关心是否存在市场尚未消化的新信息。当信息不对称消失，他就离场。 “我不看市盈率。我只看有没有新信息。” 💡 去竞争对手不愿意去的地方寻找优势 Chris 认为，普通人不可能在数学上赢过量化基金，也不可能在财务分析上赢过哈佛 MBA。但他发现了一个被华尔街忽视的数据金矿：人们在社交媒体上的日常对话。 “你得去你的竞争对手不愿意去的地方寻找优势。” 💡 人们在买东西之前会先聊这件事 这是 Chris 整套方法论的核心前提。交易数据是滞后的，而对话数据是实时的。在销售数据证实之前，你就能从评论和讨论中衡量出兴趣的深度。 “有几十亿人每天都在聊他们感兴趣的东西……你其实可以在销售数据证实之前，就衡量出人们对无数事物的兴趣深度。” 💡 估值对我来说无关紧要 在 Palantir 30 美元时，市场普遍认为它被严重高估。但 Chris 看到的是即将上线的新信息会吸引一整套全新的投资者。他押注的是信息扩散的过程，而非当前的估值水平。 “我只看一件事：Palantir 即将有一批新信息上线，会吸引一整套全新的投资者进来。” 💡 别剪掉鲜花去浇灌杂草 Chris 反思自己最大的错误：把年化 70% 的公开市场盈利，持续抽出来投进年化只有 10% 出头的早期风险投资。他用彼得·林奇的这句话来总结这个代价高昂的决策。 “别剪掉鲜花去浇灌杂草。” 💡 你省的不是 5 美元，是 500 美元 Chris 鼓励普通人通过生活取舍来积累“风险资本”。如果你相信自己的投资能力能让钱翻 100 倍，那么今天省下的每一块钱都相当于未来的 100 块。 “你会自己煮咖啡，因为你不是省了 5 美元，而是省了 500 美元。” 💡 我想激励地球上每一个人进入投资者阶层 Chris 做所有公开内容的终极使命不是卖课或募资，而是让更多人意识到：财富差距是可以解决的，办法就是让更多人开始投资。 “收入差距是没法解决的……但财富差距是可以解决的问题，办法就是让更多人进入投资者阶层。” ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名商业播客《Acquired》在2026年6月的一期深度节目，由主持人Ben Gilbert和David Rosenthal共同呈现。他们以研究伟大公司的故事与策略而闻名，这一期他们终于将目光投向了娱乐巨头——华特·迪士尼公司。 原内容更新时间：2026-06-23 本期节目聚焦于华特·迪士尼本人执掌公司的时代，探讨了迪士尼如何从一个在堪萨斯城起步的小工作室，通过一系列看似疯狂的豪赌，最终建立起一个独一无二的商业飞轮。主持人Ben Gilbert和David Rosenthal深入迪士尼档案馆，翻阅了原始合同、员工年报和IPO招股书，还原了这家公司从“迪士尼兄弟卡通工作室”到全球娱乐霸主的惊人历程。 这不仅仅是一个关于动画和米老鼠的故事，更是一部关于技术创新、商业模式发明和创始人执念的史诗。你将听到同步声音技术如何让米老鼠一炮而红，第一部长篇动画电影《白雪公主》如何差点让公司破产，以及一个对模型火车的痴迷如何最终催生了迪士尼乐园。如果你对IP生意、飞轮效应，以及一个创始人如何一次次押上全部身家感兴趣，这期节目会给你带来极大的启发。 👨‍⚕️ 本期嘉宾 本期节目由《Acquired》的两位创始人Ben Gilbert和David Rosenthal主持。Ben Gilbert是Pioneer Square Labs的联合创始人，David Rosenthal是早期风险投资公司Worldly Partners的合伙人。他们以深度剖析伟大公司的商业策略而闻名，擅长将复杂的商业史讲得引人入胜。 ⏱️ 时间戳 开场与节目介绍 00:00 欢迎收听跨国串门计划 00:34 本期克隆节目介绍：Acquired 深度解读华特·迪士尼公司 02:02 欢迎来到 Acquired 2026 年春季篇 03:07 本期重点：迪士尼独一无二的商业成功 华特·迪士尼的早年生涯 06:35 1901年芝加哥：华特·迪士尼出生 07:02 屡屡碰壁的父亲与有钱的叔叔 07:43 马瑟林农场：华特一生中最重要的地方 08:57 玛吉婶婶的礼物：艺术与商业的第一次连接 10:34 务农失败，全家搬往堪萨斯城 11:34 一战期间去法国当救护车司机 11:56 1919年回到堪萨斯城，立志成为职业漫画家 第一次创业与动画的萌芽 12:43 遇见联合创始人 Ub Iwerks 13:14 成立 Iwerks Disney Commercial Artists 13:58 加入堪萨斯城幻灯片公司，爱上动画 16:36 自制动画短片 Laugh-O-Grams 18:37 1922年创立 Laugh-O-Gram Films，再次失败 20:44 破产后投奔好莱坞的哥哥罗伊 爱丽丝喜剧与迪士尼的正式起步 21:42 初到好莱坞的碰壁与假名片混进环球影城 22:56 重拾动画，寄出《爱丽丝梦游仙境》 24:43 与 Margaret Winkler 签下第一份大合同 26:32 1923年成立迪士尼兄弟卡通工作室 Oswald 的惨痛教训与米老鼠的诞生 27:23 1927年 Oswald the Lucky Rabbit 大获成功 30:03 工作室更名为华特迪士尼工作室 32:07 Mintz 的背叛：动画师被挖走，Oswald 版权归环球 34:19 一夜之间，企业价值归零 36:41 火车上的灵光一闪：米老鼠诞生 37:07 米老鼠诞生的两个版本 39:12 前两部米老鼠短片无人问津 声音技术带来的革命 39:41 灵感来源：第一部有声片《爵士歌手》 40:50 商业模式教训：利用新技术实现跨越 41:27 搞到 Cinephone 录音系统 41:42 第一次放映同步声音版米老鼠 43:15 《蒸汽船威利》的制作噩梦 44:29 1928年11月18日，《蒸汽船威利》首映 45:07 发行商的拒绝与“救生圈”品牌的教训 46:58 Pat Powers 挖走 Ub Iwerks，但这次迪士尼赢了 知识产权飞轮的诞生 48:03 米老鼠俱乐部的意外起源 50:46 1930年推出每日连载米奇漫画 52:04 周边与消费品：从300美元的授权开始 53:35 Kay Kamen 接手，周边业务爆发 57:07 米老鼠手表卖出250万只 57:45 一种全新的商业模式诞生 58:18 迪士尼飞轮的诞生 58:25 “飞轮”其实是个误称 59:28 飞轮模式为何如此有效 《白雪公主》：迪士尼的蠢事 01:06:25 创作好莱坞第一部动画长片的疯狂想法 01:07:41 外号“迪士尼的蠢事” 01:08:12 罗伊试图劝阻：这会搞垮整个工作室 01:08:50 动画电影制作流程详解 01:22:32 三年时间、150万美元的制作费 01:23:22 两百万张草稿、二十五万张成品画稿 01:24:47 1937年12月21日首映 01:24:56 奥斯卡专门为白雪公主设立特别奖 01:27:32 常见误解：白雪公主的利润去哪了 01:27:47 电影价值链拆解：钱从哪里来？ 伯班克新工作室与二战危机 01:32:24 建造动画师天堂：伯班克新园区 01:33:33 华特的乌托邦梦想 01:37:09 园区建设成本300万美元 01:37:39 同时批准《木偶奇遇记》《小鹿斑比》《幻想曲》 01:38:58 《木偶奇遇记》惨败，欧洲市场消失 01:39:51 1940年首次出售公司股权（IPO） 01:41:45 现金危机与员工动荡 01:42:51 1941年大罢工：华特最黑暗的时刻 01:45:06 华特那场灾难性的三小时演讲 01:46:43 华特逃往拉丁美洲，罗伊解决罢工 01:47:51 工作室从此再也没能完全恢复 二战与迪士尼金库 01:51:45 珍珠港事件，美军进驻工作室 01:53:54 为政府制作宣传片，唐老鸭冲在最前面 01:55:44 1944年重新上映《白雪公主》，迪士尼金库诞生 01:57:02 华特的金句：七年一代新观众 战后低谷与《灰姑娘》的反弹 01:59:52 战争结束，政府收入断了 02:00:21 尝试合集、真人动画结合，都不算成功 02:00:58 市场竞争出现：华纳《乐一通》、米高梅《猫和老鼠》 02:02:35 华特下最后通牒：不回到动画就卖公司 02:03:02 1950年《灰姑娘》上映，八年来第一部动画长片 02:04:49 口碑和商业上的巨大成功 华特的新痴迷：火车与微缩模型 02:06:49 华特在玩火车 02:07:48 对火车和小镇美国的深重情结 02:09:18 砸5万美元在自家后院建铁路 02:10:33 历史学家的评价：一个我可以重新掌控的世界 迪士尼乐园的诞生 02:10:59 从火车痴迷到迪士尼乐园 02:11:37 最初想法：16英亩地，150万美元 02:12:57 罗伊和董事会毫无热情 02:13:29 华特成立私人公司 WED Enterprises 02:15:07 伯班克地太小，市议会否决 02:16:01 雇 SRI 斯坦福研究所寻找完美地点 02:17:37 需要一大笔钱，华特回去找公司 为乐园融资：拥抱电视 02:24:38 华特做了一件没人敢做的事：拥抱电视 02:26:09 ABC 排第三，急需内容突围 02:29:09 ABC 投50万股权，担保450万贷款 02:30:08 合同定死开园日期：1955年7月17日 02:30:32 电视节目火得一塌糊涂 02:32:01 Davy Crockett 引爆全美 02:32:26 浣熊皮帽卖出1000万顶，主题曲冲上排行榜第一 迪士尼乐园开园 02:36:27 1955年7月17日，迪士尼乐园开园 02:36:46 乐园的开发：Herb Ryman 一个周末画出全景图 02:38:28 建乐园只用了11个月 02:40:37 筑起20英尺高土堤，把乐园与外界隔开 02:42:29 65家企业赞助商 02:44:00 开园日：混乱中的巨大成功 02:45:15 ABC 22台摄像机直播，8300万人收看 02:46:38 第一年游客量360万 迪士尼乐园的复杂股权 02:50:24 华特个人公司 WED 拥有铁路和单轨列车 02:52:52 1965年 Imagineering 被整合进公司 02:53:35 直到1982年，公司才完全买回所有权益 飞轮的第五个要素 02:54:40 电视和乐园给飞轮加上第五个要素 02:56:44 1957年纽交所上市 02:57:23 《华尔街日报》头版文章与著名的飞轮图 02:58:50 罗伊的金句：整合是我们这里的关键词 02:59:26 1958年就在为四年后才上映的《睡美人》造势 Epcot：华特最后的狂想 03:07:19 华特觉得太稳了，又想全押 03:07:50 下一个梦想：建一整座城市 03:09:12 1964年纽约世博会作为秘密试验场 03:11:23 Epcot 的疯狂构想：穹顶城市、单轨列车、地下隧道 03:12:40 1965年宣布佛罗里达项目，买了27000英亩地 03:13:32 华特生前倒数第二次公开露面 03:15:07 1966年12月15日，华特·迪士尼去世 华特去世后的迪士尼 03:16:26 罗伊将项目改名为华特迪士尼世界 03:17:37 花4亿美元建魔法王国，没有负债 03:19:15 华特去世后，公司停止了豪赌 03:19:38 电影业务衰落，全靠主题公园撑着 03:22:23 美国的神话制造转移了：卢卡斯、斯皮尔伯格 03:24:16 1984年，企业狙击手盯上迪士尼 03:25:06 三个外来者即将上演史上最伟大的翻身仗 分析与总结 03:25:54 核心问题：为什么没人能复制迪士尼的IP飞轮？ 03:27:15 动画是极其关键的 03:32:37 七种力量框架分析 03:36:04 Ben 的精髓总结：一批有凝聚力的IP 03:36:57 David 的精髓总结：艺术与商业的结合 🌟 精彩内容 💡 艺术与商业的第一次连接 在马瑟林农场，六七岁的华特为邻居画了一匹马，得到了五分钱报酬。这件事在他心里种下了一颗种子：画画不仅能带来快乐，还能挣钱。这种将艺术与商业结合的本能，后来驱动了他的一生，也驱动了整个迪士尼公司。 "他想，我的爱好，我的画，居然能挣钱。" 💡 动画行业太新了，我很快就能做到世界顶尖 华特很早就意识到，动画是一个全新的艺术形式，竞争远不如传统绘画激烈。这种对“蓝海市场”的直觉，让他和Ub Iwerks敢于在堪萨斯城这个小地方挑战纽约的动画巨头。 "因为整个动画行业太新了，他觉得自己很快就能做到世界顶尖水平。" 💡 从惨痛教训中诞生的品牌意识 当发行商拿着Lifesavers糖果对华特说“公众不认识你的老鼠”时，华特虽然愤怒，但他接住了这个教训。从此，每一部米老鼠短片都醒目地打上“华特·迪士尼出品”，把自己做成了动画界的“救生圈”品牌。 "从今以后，观众如果喜欢这部片子，他们就会知道华特·迪士尼这个名字。" 💡 我们想做爵士乐队，不想做军乐队 虽然这句话是后来Notion CEO Ivan Zhao说的，但华特·迪士尼的组织哲学与之惊人地相似。他招募最有才华的动画师，给他们创作自由，同时用自己极致的品味去把控方向。伯班克工作室的设计——每个动画师都有朝北的窗户以获得最完美的光线——就是这种理念的物理体现。 💡 你必须豁出去、全力以赴 在决定制作《白雪公主》时，华特说了一句代表他一生哲学的话。他从不做平庸的产品，每一次都是押上全部身家的豪赌。这种“要么全赢、要么输光”的风格，让迪士尼一次次濒临破产，也一次次创造出前所未有的奇迹。 "我们认定只有一条路能成功做好白雪公主，那就是豁出去、全力以赴。在资金、人才和时间上绝不妥协。" 💡 七年一代新观众 1944年，迪士尼在资金极度紧张时被迫重映《白雪公主》，却意外发现了“金库”模式的威力。华特后来总结，每七年就有一代新孩子长大，他们从没看过这些经典。这个无意中撞上的周期，成了迪士尼IP运作的核心节奏，一直延续到今天。 "自我们第一次重映以来的八年里，我们的潜在观众增加了2500万儿童。" 💡 迪士尼乐园是100%关于过去和未来，0%关于当下 华特刻意将乐园设计成一个完全脱离现实烦恼的空间。这里有美国小镇大街的怀旧，有明日世界的科幻，有幻想世界的魔法，唯独没有“现在”。这种设计让游客能彻底沉浸，创造出一种独特的、让人愿意待上一整天的愉快体验。 💡 华特去世后，公司99.95%的价值才被创造出来 这是一个令人震撼的数据。华特用一生建起了这家公司，但今天迪士尼的市值，99.95%都是在他1966年去世之后才产生的。这既说明了他打下的基础有多牢固，也暗示了后来者（比如即将在第二部分登场的Eisner和Iger）创造了多么惊人的增长。 ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名商业与投资播客《Invest Like The Best》Inside the $5B Company Building the Hardware to Make AI Cheap for Everyone 原内容更新时间：2026-06-30 本期嘉宾是AI芯片公司Etched的两位联合创始人Gavin Uberti和Robert Wachen。三年前，他们还是两个试图说服怀疑者的哈佛辍学生，声称自己能造出比全球最大半导体公司更好的推理硬件。今天，Etched已融资8亿美元，签下超过10亿美元的客户合同，并成功流片了一款为后ChatGPT时代设计的芯片。 这期节目不只是Etched的创业故事，更是一场关于AI推理市场未来的深度对谈。Gavin和Robert详细拆解了他们的核心技术路线——低电压推理和集群级内存，解释了为什么推理将成为全球最大的市场，以及他们为何选择造整机柜而非仅仅一颗芯片。如果你正在思考AI硬件的未来、创业公司如何挑战巨头、以及如何构建一家能持续产出顶尖产品的公司，这期会提供大量一手经验和高密度判断。 👨‍⚕️ 本期嘉宾 Gavin Uberti和Robert Wachen，AI芯片公司Etched的联合创始人。两人从哈佛退学，在短短几年内筹集了8亿美元，试图打造比行业巨头更高效的推理硬件。Gavin曾在高中时战胜骨癌，这段经历深刻塑造了他对生命和事业的看法；Robert从17岁起就在AI芯片公司做kernel开发，亲历了多家公司被收购的过程。他们带领Etched成为目前唯一一家既自己造芯片又自己造整机架的创业公司。 ⏱️ 时间戳 开场与创业起点 01:15 推理将是全球最大的市场 01:56 三年前没人相信两个21岁的年轻人能做成芯片公司 03:03 需要一定程度的“天真”才能挑战巨头 04:52 两类人：凭经验否定 vs 愿意深入验证 06:59 不只是造芯片，而是做完整的推理解决方案 核心技术赌注 07:19 推理的两个关键环节：pre-fill和decode 08:29 认真研究过各种架构，发现天下没有免费的午餐 09:08 真正重要的指标：实际负载下的flops利用率 10:04 登纳德缩放定律与低电压推理的突破 11:27 decode完全是一场内存游戏 12:07 集群级内存：自建定制互联协议栈 12:55 这些架构都是在ChatGPT出现之前构建的 为什么推理如此重要 13:51 归根结底是生产力问题 14:35 今天让十亿人同时使用这些模型根本不可能 16:11 token还没有像iPhone那样的规模经济 17:03 有些产品如果太慢，根本没法用 创始人的个人故事 18:14 Gavin的高中经历：骨癌四期，存活率不到30% 19:29 GPT-4V一眼认出肿瘤，而医生花了六个月 20:44 运营创业孵化器，发现所有公司都在烧钱买算力 21:59 Robert的第一份工作：17岁做kernel开发 23:03 高中机器人比赛：两人团队拿下世界纪录 构建公司的哲学 24:26 赢是靠交付产品，不是靠最好的外联 25:10 最好的供应商就是没有供应商 27:10 人才理念：寻找“传奇人物” 27:47 第一次聊就说“好”的人很少，聊到第二十次之后说“好”的人很多 29:00 Brian在英伟达创立了HGX和DGX团队，占其收入大头 29:36 “肩上有chip，才能把chip装进数据中心” 30:48 自我筛选：机会主义者不会来我们这儿工作 31:16 你得有点疯才愿意加入我们公司 速度与风险 32:51 供应商进度落后，派十几名工程师飞班加罗尔住六个月 33:57 24小时不间断开发，两边各跑12小时接力 35:03 两个关键技巧：找到优秀的人，快速做决策 36:24 最大的风险就是不承担风险 36:56 “预取”概念：芯片回来前把所有能做的事都做完 37:59 从拿到硅片到跑通推理只用了40天，行业标杆是10个月 供应链与生态 39:39 供应链最被低估的一点：必须去合作 39:59 台积电真正的价值全在服务上 40:39 电力供应和通电时间是关键因素 42:02 客户关心的是：在给定功耗下能服务多少用户 43:01 我们的硬件能在同等交互性下带来一个数量级的并发提升 模型与未来 44:39 用wall clock time思考：一年任务缩到一个月 45:51 底层还有巨大的空间：chip间延迟从4000纳秒到几纳秒 47:24 最好的kernel仍然是人跟AI协作写出来的 48:54 “选择战场”：不去做任意图编译器 49:49 垂直整合的边界：生产即产品 50:49 谁生产的token最多，谁就会成为世界上最有价值的公司 融资的至暗时刻 57:01 2024年初，银行里只有1500万美元，需要1亿 57:51 开始琢磨回哈佛复学有多难 58:18 硅谷所有主流投资机构当场就拒了 59:43 深夜坐在办公室里，怎么算账都算不平 01:00:59 那就是我们的A轮：1.03亿美元软承诺 不可能问题的解决 53:43 chip回来后发现跨时钟域反压逻辑出问题 54:16 需要把时钟信号对齐到50皮秒以内 54:23 有人直接辞职了，说“祝你们好运” 55:08 黑暗的两周，但把它做出来了 01:07:43 第一片晶圆测试，全是红色方块 01:08:32 “谜题开始了” 下一代与终极愿景 01:09:24 做三件事：最多flops、最低延迟、尽可能多生产 01:10:51 核心就是简单：去掉大量部件 01:12:46 机器思考的方式跟人不一样 01:17:00 全球正在走向推理占全球GDP大头的时代 01:17:17 今年是劳动力以人类为主的倒数第二年 01:19:04 绝对会看到单个数据中心价值一万亿美元 收尾 01:21:23 别人为你做过的最善意的一件事 🌟 精彩内容 💡 “谁生产的token最多，谁就会成为世界上最有价值的公司” Gavin和Robert对推理市场的判断极其清晰：推理将成为全球最大的市场，而token就是新时代的石油。他们所有的决策都围绕一个问题——怎么把最多的token产能上线。这个判断驱动了他们从芯片到整机柜的垂直整合策略。 “我们知道inference会是全球最大的市场。谁产出的token最多，谁就会是全球最有价值的公司。” 💡 “你得有点疯才愿意加入我们公司” Etched的人才筛选机制几乎是自我运转的。两个24岁的创始人、没流片过的产品、要挑战全球最大公司、设计方案不是好10%而是好10倍——这些条件天然筛掉了机会主义者，留下的都是真正相信这件事的人。 “你得说服家人搬到圣何塞，加入一家半导体公司，老板是两个现在24岁的年轻人，要跟全球最大的公司对着干，而且他们拿出的设计方案不是说好个10%，而是要好10倍。” 💡 “最大的风险就是不承担风险” 在AI推理市场每天超过10亿美元收入的背景下，每推迟一天出货就等于把大量机会扔在桌上。Etched的“预取”哲学就是把所有不需要芯片的事都在芯片回来前做完——从软件栈到机柜部署到FPGA集群验证，这让他们的bring-up时间从行业标杆的10个月压缩到40天。 “这个领域每天有超过10亿美元的收入，其中很大一部分来自inference。所以我们每推迟一天出货，就等于把大量机会白白扔在桌上。” 💡 “最好的供应商就是没有供应商” Etched是唯一一家既自己造芯片又自己造整机架的创业公司。他们从芯片到电路板、冷板、互联甚至生产环节都尽可能在内部完成，这既是为了性能，也是为了速度。这种极致的垂直整合让他们能并行推进所有事情。 “最好的零件就是没有零件。我觉得对我们来说，最好的供应商就是没有供应商。” 💡 “先假设它是可能的” 面对看似无解的技术难题——比如需要把时钟信号对齐到50皮秒以内——Etched的默认姿态是假设问题可解，然后倒推解决方案。有人辞职了，但留下的人找到了用漂移机制锁定相位的方法。这种心态贯穿了他们的整个创业历程。 “遇到这种问题，第一步是，好，我们先假设问题可解。那怎么解？” 💡 “生产即产品” Gavin和Robert对业务边界的判断非常清晰：除非为了达到巨大规模非做不可，否则不去碰技术栈的其他环节。他们不做数据中心、不做模型，但做整机柜、做CM模式，因为不上规模不行。这种聚焦让他们把精力押在最关键的赌注上。 “我们所有的决策，都围绕一个问题：怎么把最多的token产能上线？” 💡 “今年是劳动力以人类为主的倒数第二年” Gavin做出了一个大胆预测：到2027年，做知识工作的Agent数量将超过人类。他设想了一个世界，一个国家的能源大部分流向推理数据中心，而数据中心的能效决定了他们能有多少Agent，进而决定了劳动力规模。 “我认为今年是劳动力以人类为主的倒数第二年。我觉得到2027年，你会看到做知识工作的Agent数量超过人类。” ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名播客《Dwarkesh Podcast》在 Jul 1, 2026 的一期深度对谈 Grant Sanderson (@3Blue1Brown) – AI and the future of math Grant Sanderson 是广受欢迎的数学科普频道 3Blue1Brown 的创始人，他正在制作一个记录人工智能在数学领域进展的新项目。这期节目主要探讨了人工智能在数学前沿的突破速度，以及这些进展对我们理解创造力、科学发现和未来工作意味着什么。 节目从 AI 在国际数学奥林匹克竞赛（IMO）上的表现切入，深入讨论了 AI 解决千禧年大奖难题的可能性，以及这背后更深层的问题：当 AI 能证明定理时，人类的角色是什么？Grant 通过伽罗瓦和群论的历史案例，精彩地阐述了数学中“提出好问题”和“创造新定义”的价值，这些往往比证明定理本身更重要，却难以被量化为基准测试。 对话还延伸到 AI 在写作、编程、学习等领域的局限性，以及数学家在 AI 时代可能转向“策展人”角色的未来图景。如果你对 AI 的能力边界、科学发现的本质、以及未来人类与 AI 的协作方式感兴趣，这期节目会提供极具深度的思考。 👨‍⚕️ 本期嘉宾 Grant Sanderson，全球知名数学科普频道 3Blue1Brown 的创始人。他以精美的可视化动画和清晰的讲解风格，将复杂的数学概念变得直观易懂，影响了无数数学学习者和爱好者。他正在制作一个记录 AI 在数学领域进展的新项目，深度关注人工智能如何改变数学研究的方式。 ⏱️ 时间戳 开场与AI在数学上的突破 01:10 嘉宾介绍与AI在数学领域的进展速度 01:34 三年前的预言：IMO金牌不等于AGI 02:23 为什么IMO题目其实是可以训练的 02:54 AI进展的“尖峰”特性：数学正好在尖峰上 03:11 AI在几何题上秒杀，组合题上挣扎 千禧年难题与AI的能力边界 03:55 解决千禧年难题是否意味着能胜任白领工作？ 04:20 跨领域知识连接的可能性 04:55 蒙哥马利与戴森的故事：偶然的跨领域连接 06:26 费马大定理的解法：需要构建理论的大山 07:16 如果AI能构建理论大山，智能水平就太高了 下一个基准：提出猜想与创造定义 07:50 移动球门：IMO金牌没有带来变革性影响 08:50 下一个基准：提出有趣的问题和新的概念化方式 09:28 好的数学家证明定理，伟大的数学家提出猜想 10:05 如何量化“提出好猜想”？这很难做成基准 11:05 数学家们对AI的语气在过去一年发生了变化 伽罗瓦、群论与可验证奖励的困境 12:17 提出新思考方式的价值：爱因斯坦与广义相对论 13:13 伽罗瓦与群论：验证循环长达100年 14:22 为什么伽罗瓦理论是完美的例子 14:41 五次方程求根公式的历史背景 15:56 拉格朗日：找到正确的提问方式 17:41 伽罗瓦的悲剧人生：在监狱里写下革命性想法 18:54 当时的学术界拒绝了伽罗瓦的论文 19:49 伽罗瓦去世后，想法花了40年才被认可 21:24 历史可能走向另一种可能：伽罗瓦被遗忘 22:01 群论的应用：盖尔曼预言夸克的存在 压缩即智能：如何衡量“优雅” 22:25 不以解决问题为标准，如何衡量进步？ 22:51 “压缩即智能”：表达越简洁越智能 23:14 黎曼猜想解法的第三种可能：纯粹靠硬算 23:36 用柯尔莫哥洛夫复杂度量化“优雅” 23:55 人类一直在做这件事，AI迟早也会做到 AI会否让数学变得不可理解？ 24:48 担心AI证明黎曼猜想但人类不理解 25:18 单位距离猜想反例：AI的推理是可理解的 25:43 解黎曼猜想的三种方式：连接、理论构建、蛮力 26:48 ABC猜想尝试性证明：异类的数学大山 27:31 David Bessis：《定理经济的衰落》 28:36 知道解是对的，会帮助人类理解 证明与解释的区别 29:16 Timothy Chow：“未解决的阐述性问题” 30:17 证明和解释之间有区别 30:51 概念化与想法本身真的有区别吗？ 31:16 提出新颖洞见的人往往也是优秀的阐释者 32:08 AI可能也会擅长解释和提炼 数学家的未来：策展人角色 32:34 Grant会一直做现在做的事直到死 33:10 数学家最终会变得更像美术馆策展人 33:55 Grant的角色可能转向策展方向 34:27 人类音乐家永远有一席之地，数学也一样 AI作为超级连接器 34:37 AI刚跨过连接想法的门槛，下一步是什么？ 35:16 广义相对论就是把黎曼几何和狭义相对论连接起来 35:41 朗兰兹纲领：一种研究精神 36:25 AI成为超级连接器的可能性 37:25 为什么自回归模型难以建立跨领域连接？ 39:20 从数据角度思考：设计环境激励连接能力 并行化与数字心智的优势 40:44 AI的关键优势：并行化和可扩展性 41:33 数字心智天生具备的优势 41:57 设计Agent之间的“偶然对话” 42:37 故意给不同Agent不同的上下文 43:03 IMO钓鱼题：需要跳出上下文才能解 44:24 系统性刷新思维：数字心智的优势 熵坍缩与系统性增加熵 44:59 人们对AI的担忧：熵坍缩 45:13 AI的关键优势：系统性尝试否定和证明 45:46 爱因斯坦的偏见：在prompt层面增加熵 46:34 科学不存在唯一正确的启发式方法 可反复尝试性比形式化更重要 47:20 为什么AI在计算机使用方面进展慢？ 47:38 可反复尝试性是关键，不只是可验证性 49:19 Lean对于AI目前的进步水平没那么重要 49:57 可反复尝试性比形式化更重要 50:34 Lean的未充分探索的好处：无限探索 52:08 数学独有的特性：按下启动键，十年后回来看 自然语言验证与过程监督 52:48 Karpathy的AutoResearch想法 53:32 人类数学研究就是一个不断扩展的图书馆 54:17 穷举搜索所有可能的代数系统 55:28 DeepSeek数学模型：自然语言验证的可行性 56:16 数学比其他领域更可能信任自然语言验证器 57:26 Lean的另一个意义：消除错误率 写作为什么比数学和编程更难 58:42 写作进展慢的原因：不擅长评判 59:17 写作不像代码和数学那样模块化 59:59 为什么代码能从“能用”进步到“干净”，写作不行？ 01:00:58 写作的关键在于洞察力 01:02:27 不可预测性是写作的核心 心智理论与AI的局限性 01:02:38 AI在构建人的心智模型方面特别差 01:02:45 教LLM写间隔重复提示卡的实验 01:03:19 写一张好卡片需要投射人的心智状态 01:04:15 肉毒杆菌实验：理解表情需要模仿 01:05:39 模型没有面部肌肉，像外星人在尝试共情 如何用LLM学习 01:07:17 用LLM学习的建议 01:07:58 “跟谁学”比“学什么”更重要 01:08:52 LLM的解释像维基百科，缺乏刻意构建的动机 01:09:14 把LLM当超级加强版Google用 01:10:14 最有收获的学习经历：先有人搭好枝干 01:11:17 LLM不擅长重新框定你的问题 给学生的建议 01:12:48 对想成为数学家的学生的建议 01:13:20 搞清楚钱从哪来、你创造什么价值 01:15:18 数学家的社会角色变化不大 01:16:03 教学是后AGI时代最稳定的工作之一 01:17:08 在疯狂的世界里，数学是AI走得最远的领域 数学加速的实际应用 01:18:03 AI做出来的数学到底有没有用？ 01:18:39 数学进展不均衡：代数数论vs偏微分方程 01:18:53 波音的例子：数学洞见省了几十亿美元 01:19:46 数学巨大突破不太可能立刻转化为经济突破 01:21:09 数学已经变得完全没用了吗？ 🌟 精彩内容 💡 “好的数学家证明定理，伟大的数学家提出猜想，最伟大的数学家创造定义” Grant引用了这句名言来阐述数学创造力的层次。在AI时代，提出好问题和创造新概念的能力可能比证明定理更重要，但这些恰恰是最难被量化为基准测试的能力。 “好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家创造定义。” 💡 伽罗瓦理论：验证循环长达100年 Grant通过伽罗瓦和群论的历史，精彩地说明了数学中最有价值的洞见往往需要极长时间才能被认可。伽罗瓦在监狱里写下的革命性想法，当时被学术界拒绝，花了40年才被理解，而群论在物理学中的应用更是等到20世纪才出现。这对AI的“可验证奖励”训练范式提出了深刻挑战。 “你确实有这整整100年的时间，一个想法流经许多不同人的头脑，最后才沉淀成数学界公认的好东西。” 💡 数学独有的特性：按下启动键，十年后回来看 Grant指出，有了Lean这样的形式化工具，AI可以在数学领域实现完全自动化的无限探索，不需要人类检查，只管砸算力。这是其他领域都不具备的特性。 “这是数学独有的、其他领域都没有的特性。你可以按下启动键，然后只管往里砸算力，十年后再回来看，问它‘你有什么成果？’” 💡 数字心智的优势：系统性刷新思维 Grant和Dwarkesh讨论了AI可以通过给不同Agent不同的上下文和偏见，系统性地增加“熵”，避免陷入单一思维模式。这与人类需要“跳出上下文”才能解决某些问题的特性形成对比。 “有时候，你在其他领域做人类研究时，也会想要同样的东西，有时候就是需要能够说，刷新你的思维，用一个完全不同的方式来切入。” 💡 写作的关键在于不可预测的洞察力 Grant深入分析了为什么AI在写作上表现不佳。写作不只是对已有想法的蒸馏，关键在于在正确的节点做出不可预测的举动，那才是更有洞察力的地方。这与自回归模型的生成方式存在根本矛盾。 “要写出好东西，就必须包含某种不可预测的元素……在哪个正确的节点做出一个不可预测的举动，那才是更有洞察力的地方。” 💡 教学是后AGI时代最稳定的工作之一 Grant认为，即使AI成为完美的讲解者，教学仍然是最稳定的职业之一，因为它太依赖人与人的关系。老师所做的是一种非常社会化的、教练式的、导师式的事情。 “即使LLM是很好的讲解者，老师所做的是一种非常社会化的、教练式的、导师式的事情，这可能是未来50年里最稳定的职业之一。” 💡 数学家最终会变得更像美术馆策展人 面对AI能产生海量数学成果的未来，Grant提出数学家的角色可能转向“策展人”——在近乎无限的想法空间中导航，判断哪些想法值得投入和展示。这种策展能力依赖于人与人之间的信任关系。 “你仍然需要有人帮你在这个近乎无限的空间里导航，告诉你哪些想法值得投入……我们永远会更喜欢一个和我们有关系的人，因为我们被激发兴趣的方式是一种社会现象。” ``` 🌐 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：红杉资本旗下播客的深度对谈《Why Hardware-Software Co-Design Is AI's Real 100x: Dylan Patel of SemiAnalysis》 原内容更新时间：2026-06-30 本期嘉宾是知名半导体与AI研究机构SemiAnalysis的创始人Dylan Patel，主持人是红杉资本的合伙人Sean。Dylan从硬件论坛版主起步，如今带领团队为全球机构提供最前沿的芯片与人工智能产业分析。这期节目，他们撕开了AI领域一个常被忽视的关键杠杆——硬件与软件的协同设计，并深入探讨了这种深度整合如何带来远超单纯硬件迭代的效率飞跃。 Dylan在节目中抛出了一个核心论断：AI最大的收益不是来自更快的芯片，而是当你把模型架构、底层内核和芯片设计三层协同优化时，原本这里2倍、那里2倍的提升，会直接变成100倍。他用DeepSeek举例，解释了为什么其专家模块的形状是为英伟达Hopper架构量身定制的，也因此跑在TPU上表现拉胯。这引出了一个更深的洞察：所谓的CUDA护城河，其实从来都不是CUDA本身，而是下游模型对英伟达硬件的深度协同优化。 对话还覆盖了InferenceX的活体基准测试、太空数据中心的非共识判断、AI推理市场的终局规模，以及为什么新云厂商能在超大规模云厂商的夹缝中野蛮生长。如果你关心AI基础设施、芯片战争、模型架构演进和背后的经济账，这期节目会给你一个全新的分析框架。 👨‍⚕️ 本期嘉宾 Dylan Patel，SemiAnalysis创始人。SemiAnalysis是全球最具影响力的半导体与AI产业研究机构之一，客户涵盖顶级对冲基金、科技巨头和各国政府。Dylan从12岁起泡硬件论坛，后来成为Reddit多个科技板块的版主，大学毕业后做过量化分析师，2020年在个人崩溃和全球疫情中创办了SemiAnalysis。他以能把技术细节和经济账无缝结合的分析风格著称，团队约90人，一半是覆盖半导体供应链的工程师，一半是前对冲基金分析师。 ⏱️ 时间戳 开场与SemiAnalysis的诞生 00:00 本期克隆节目介绍 01:18 SemiAnalysis内部的“打架”文化：工程师vs金融人 01:56 主持人Sean介绍Dylan 03:01 Dylan的成长背景：汽车旅馆、加油站与第一个“神经网络” 04:31 八岁生日与Xbox 360死亡红环：硬件的潘多拉魔盒 05:36 12岁成为Reddit版主，开始追踪芯片行业 07:50 创办SemiAnalysis的契机：奖金被坑、祖母去世、疫情崩溃 10:05 24岁生日当天，用真名发布SemiAnalysis 10:37 开着卡车跑遍全美国家公园，在30美元汽车旅馆里做研究 供应链、会议与学习曲线 12:13 行业展会vs学术会议：NeurIPS与日本化学会议的天壤之别 13:17 SPIE先进光刻会议：第一次去90%都听不懂 14:58 一种化学品烧毁，内存价格翻三倍的恐怖故事 推理市场与InferenceX 15:35 推理将是地球上最大的市场，比石油大得多 16:13 为什么启动InferenceX：静态基准测试已经死了 17:57 生态支持：5000万美元捐赠硬件，15种芯片类型 19:18 帕累托最优曲线：别拿次优配置跟最优配置比 20:07 吞吐量与交互性曲线：AI基础设施的下游总开关 21:11 成本如何纳入曲线：批量100用户每秒10 token vs 单用户每秒500 token 太空数据中心与电力预测 22:18 非共识判断：三到五年内太空数据中心没有实质影响 23:03 二十年尺度上，绝大部分算力会搬到太空 23:35 到2030年，仅OpenAI和Anthropic就会超过100吉瓦 23:47 到2040年，推理算力将进入太瓦级别 每瓦智能与三层协同优化 24:06 每瓦智能一直在提升吗？成本已降60倍，每瓦智能提升约40倍 25:25 Sean的三层框架：硬件、系统软件、模型算法 26:04 Dylan完全不同意：最大收益来自协同设计层 26:55 DeepSeek V3的专家形状是为Hopper优化的 27:43 TPU跑DeepSeek很拉胯，跑其他模型却非常出色 28:07 中国在协同优化上比西方做得好？Dylan不这么认为 28:42 真正的突破：跨三层协同优化，2倍×2倍×2倍变成100倍 技术瓶颈与供应链创新 30:49 未来一年最关注的技术瓶颈：内存带宽 31:46 直接把内存堆在芯片上，带宽会暴涨 31:58 打破每平方毫米一瓦的功率天花板 33:16 能源瓶颈的简单解法：用卡车发动机改造成天然气发电机 GPU vs TPU与CUDA护城河 34:25 Nvidia对TPU：两年后两边都是千亿美元级别 35:24 两边都有很能打的论点，但归根结底是协同设计 35:50 OpenAI用TPU可能很糟糕，Anthropic用GPU训练也可能很糟糕 36:09 矩阵乘法单元大小不同，导致模型架构根本不同 37:20 CUDA护城河已经被解开了，因为模型编程能力很强 37:58 真正的护城河不是CUDA，而是下游模型对Nvidia的优化 38:49 开源模型生态让下游使用者被绑在Nvidia上 39:40 大实验室早就fork了PyTorch，不需要依赖开源 Cerebras、经济账与AI投资回报率 40:07 Cerebras：推理速度极快，但超大模型和超长上下文是风险 42:46 Dylan的独特优势：把技术和经济账结合起来 43:55 最让Dylan上头的言论：AI没有投资回报率 44:06 模型能力曲线一直在向右上方走，看新的基准测试 十年框架与终局判断 45:52 十年框架下最兴奋的事：太空数据中心、小行星采矿 46:29 共封装光学：争论的只是27年、28年还是29年发生 46:48 Naveen Rao的长期赌注：模拟计算与基于能量的模型 48:20 生态终局：每家超大规模云厂商都会有自己的芯片 49:24 硬件架构和模型架构会出现更多分叉 50:20 通用AI算力永远有市场，因为实验室连一年后用什么架构都不知道 51:51 每家都会投入数十亿美元部署专用集成电路 数据中心建设与计算资源紧缺 52:52 我们正处在一场疯狂的计算资源紧缺之中 53:22 今年20吉瓦，明年超30吉瓦，但模型能力增长更快 54:31 Anthropic第二季度已经净利润盈利 54:44 Opus token利润率超过80% 55:45 只要毛利率是正的，就会不惜代价租GPU 55:58 计算能力建设会不会突然出问题？ 57:01 如果模型能完成的工作量增速超不过算力增速，风向就会变 57:49 模型现在进步得比六个月前更快：递归式自我改进在运转 数据中心的同质性与新云厂商 59:20 沙特原油的类比：不同吉瓦之间有多大同质性？ 01:00:39 Trainium每吉瓦不到100亿美元，GPU每吉瓦120到130亿 01:02:07 数据中心租赁价格从每千瓦60美元涨到120到160美元 01:02:47 常见的坑：项目直接失败，必须做概率加权 01:03:18 Google在一个吉瓦级数据中心里实际部署1.5吉瓦硬件 01:04:51 一个吉瓦给Anthropic产生的收入比给OpenAI更高 NeoCloud的机会与Jensen的布局 01:06:22 NeoCloud为什么存在？超大规模云厂商的专长在AI云里变成拖累 01:07:21 Nitro智能网卡对AI性能不利，安全功能在AI场景没意义 01:08:59 Jensen绝对讨厌超大规模云厂商掌握所有权力 01:09:22 他想要一个多极化的世界，所以砸钱给新实验室和新云厂商 01:10:11 新云生态就是蛮荒地带，有些会失败，有些会脱颖而出 01:11:10 Thinking Machines做到上亿美元年度经常性收入 🌟 精彩内容 💡 软硬件协同设计：2倍×2倍×2倍变成100倍 Dylan指出，AI效率提升的真正魔法不在单一层面，而在跨层协同。当模型架构、底层内核和芯片设计被当作一个整体来优化时，收益不是加法而是乘法，甚至是指数级的。这就是为什么顶尖实验室和英伟达这样的公司能持续领先。 "真正的突破性创新，是当你跨越几层去做协同优化和协同设计，突然间，本来这里2倍、那里2倍、那里2倍，不是乘起来变成8倍，而是直接100倍。" 💡 CUDA护城河从来不是CUDA本身 Dylan颠覆了行业对英伟达护城河的认知。他认为真正的锁定效应不是CUDA软件生态，而是下游模型在架构层面就为英伟达GPU做了深度优化。DeepSeek的专家模块形状是为Hopper定制的，所以跑在TPU上表现很差。这种模型层面的协同设计，才是真正的护城河。 "这其实不是CUDA在起护城河作用，而是下游产品对Nvidia优化得更好。而且这些公司还都在开源这些模型。" 💡 推理将是地球上最大的市场，比石油大得多 Dylan对AI推理市场的规模做出了大胆预测：到2030年仅OpenAI和Anthropic就会超过100吉瓦，到2040年进入太瓦级别。他认为AI推理将占到GDP的好几个百分点，成为人类历史上最大的单一市场之一。 "推理，不管是开源模型还是闭源模型，都会是世界上最大的市场之一。我觉得会比石油大得多。" 💡 别拿次优配置跟最优配置比 在解释InferenceX的帕累托最优曲线时，Dylan用一个赛车比喻点出了行业基准测试的普遍问题：人们总拿别人次优的配置来跟自己最优的配置比，这就像开保时捷跟赛车手比谁开得更慢。InferenceX要做的是为曲线上每一个点都找到真正的最优配置。 "很多时候，人们在比较推理性能时，会拿别人次优的曲线或点位，来跟自己最优的去比。这就好比，我开保时捷，跟某个赛车手比，肯定是我开得更慢。" 💡 模型进步没有停滞，递归式自我改进正在加速 面对"模型能力即将停滞"的论调，Dylan给出了一个令人兴奋的观察：工程师们正在用模型来帮助编写代码、加速推出下一代模型，形成了一个类似递归自我改进的循环。模型现在进步得比六个月前更快。 "模型现在进步得比六个月前或一年前更快，因为你看到的是一个类似递归自我改进的循环在运转，模型变得更好、更快。" 💡 Jensen想要一个多极化的世界 Dylan揭示了英伟达CEO黄仁勋的深层战略逻辑：他砸钱给新实验室和新云厂商，不是因为短期利润，而是为了防止一个只有OpenAI、Anthropic和Google模型的世界出现。一个多极化的AI生态，对英伟达来说才是长期安全牌。 "一个只有OpenAI、Anthropic和Google模型的世界，对他来说是死路一条。一个只有超大规模云厂商在建设算力的世界，对他也是死路一条。" 💡 别跟猪摔跤，因为猪也乐在其中 当Sean问Dylan是否享受SemiAnalysis内部工程师和金融人之间的激烈争论时，Dylan用这句谚语幽默地承认了自己乐在其中。这也完美概括了他从论坛版主到行业顶尖分析师的一贯风格：享受争论，享受把技术和经济账放在一起碰撞的过程。 "别跟猪摔跤，因为猪也乐在其中，对吧？" ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：知名产品与增长播客《Lenny's Podcast》OpenAI Codex lead on taste, curation, and building for AGI | Andrew Ambrosino 原内容更新时间：2026-06-28 本期嘉宾是 OpenAI 旗下 Codex 应用的产品与工程负责人 Andrew Ambrosino，主持人是 Lenny Rachitsky。Andrew 本人经历了从设计师到工程师再到产品经理的转型，目前正带领团队打造这款正被全球越来越多人使用的桌面应用。这期节目录制于线下，是一场关于 AI 时代产品工作形态的坦诚交流。 他们深入探讨了 AI 如何彻底颠覆传统的产品开发流程——当任何人都能用模型做出任何功能时，实现本身不再是成本最高的部分，品味、判断力和策展能力正在成为最稀缺的资源。Andrew 分享了 OpenAI 内部独特的“90 个原型”文化、角色边界消融的真实状态，以及 Codex 应用从开发者工具演变为通用知识工作平台的曲折历程。 如果你正在思考 AI 时代的产品策略、团队组织形态、个人技能转型，或者对“品味”这个词在实践中的真正含义感到好奇，这期节目会提供大量来自最前沿的一手经验和判断。 👨‍⚕️ 本期嘉宾 Andrew Ambrosino，OpenAI 旗下 Codex 应用的产品与工程负责人。他是一位从设计师转型工程师、再转型产品经理的跨界者，目前负责的 Codex 应用正迅速成为人们构建产品的首选工具，同时也被广泛用于整理电脑文件、起草文档、数据分析、阅读邮件等非开发类工作。在 OpenAI 内部，几乎 100% 的员工每周都在使用 Codex，且不限于工程师。Andrew 的独特背景让他对 AI 时代产品工作的形态变化拥有极为前沿的视角。 ⏱️ 时间戳 开场与节目介绍 00:00 欢迎收听跨国串门计划 00:35 本期克隆节目介绍：Lenny's Podcast 与 Andrew Ambrosino 的深度对谈 02:57 嘉宾 Andrew Ambrosino 正式登场 AI 如何颠覆产品开发流程 04:27 现在的产品团队形态跟几年前比是什么样的 04:35 流程的倒置：任何人都能做出任何东西 05:04 传统产品流程的前提假设：实现很贵 05:52 实现本身不再是成本最高的部分，品味才是 06:11 90 个原型的文化：大家直接上手做，不再写文档 06:44 PRD 已死？Andrew 为什么不同意 07:18 选对表达观点的媒介变得非常关键 07:44 “原始笔触”的隐喻：原型有时反而是错误的第一步 08:19 媒介隐含的信号与流程阶段已经脱钩 品味与判断力的真正含义 09:31 到底什么是好的品味 09:55 品味不只是审美，还有系统思维 10:43 如果我们什么都能做，那到底应该做什么 10:55 AI 在设计上为什么还是不行 11:29 设计比软件更难打分，品味中人的因素本身就是反馈机制 12:20 设计中新颖性的重要程度远高于软件工程 13:16 软件设计与代码之间的抽象层互动 设计流程已死？ 14:56 对 Jenny 观点的回应：设计流程确实死了 15:14 传统设计流程的“案例研究工厂”问题 15:55 那套流程的前提假设：实现成本很高，只能承担一次开发 16:28 现在你可以把整个实现都拉进流程 16:56 把设计流程跟媒介绑定才是可怕的地方 17:33 设计流程已死，既对也不对 角色崩塌与团队形态 18:23 Codex 团队的角色崩塌比公司其他部门更明显 19:00 你的角色是你花时间所做事情的平均值 20:10 “技术团队成员”这个称呼的起源 21:11 消除角色概念的危险：抹杀专业领域和最佳实践 21:29 取消产品角色是个非常糟糕的主意 21:52 “这不是你的领域”的边界乐于看到消失，但需要平衡 23:11 Codex 团队的构成：工程师两位数，设计师大概一半 24:05 产品工作像“区域防守” 24:40 产品人员的区域防守到底是什么样 25:54 最有价值的人：能把想法从概念做到完成，并有品味判断好坏 规划、野心与时机 27:06 在变化速度下怎么做路线图规划 27:32 越短期越需要细节，九个月后的规划必须保持模糊 28:41 Codex 桌面应用如果在十一月发布会失败，二月就成功了 29:01 去做那些现在还不行、但等模型变强之后就能行的东西 30:11 不要固执地认为跑不通就是烂功能，可能只是还没到时候 30:31 最初 Codex Web 太 AGI 化，超前于那个时刻 32:08 推动团队更有野心，因为做难事变得容易太多了 AI 编程的最新前沿 32:52 从手写代码到 AI 写 100% 代码，再到“驾驶 AI” 33:27 循环已经是上周的事了 33:35 产品有多少是 AI 写的？这个问题已经变了 33:49 有监督写还是无监督写，完全是另一回事 34:14 模型通常会增加复杂度，需要更擅长删除代码 34:43 还没到直接说“改进应用”就能让它去听 Twitter、Slack 的地步 Andrew 如何使用 Codex 35:12 拥有全世界最棒的工作 35:29 个人目标：把 Codex 做成自己写代码用的工具 35:43 超快的 dogfooding 循环 36:11 角色变了，应用的角色也需要改变 37:21 使用 Codex 的方式随工作演变 37:31 每日简报：汇总 3000 个 Slack 频道的信息 38:44 设置自动化本身就是产品发现 39:45 用 Codex 过滤垃圾邮件的例子 40:18 computer use：AI 直接接管电脑操作 Codex 的愿景与未来 44:47 Codex 的愿景到底是什么 45:01 从命令行工具到桌面应用 45:26 内部 dogfooding 发现：非工程师也在疯狂使用 46:30 没人愿意离开 Codex App 去用其他 App 46:43 开发者工具和通用知识工作工具的界限不是非此即彼 48:05 超级 App 的讨论 48:24 Codex 是很好的大本营，调用你需要的任何工具 49:22 Brent 用 Codex 剪辑视频的故事 50:01 与专业工具无缝交互的模式 失败角与闪电问答 51:03 失败角：大家看不到不顺利的时候 51:33 做了很长时间的创业公司创始人，最后把公司拆开卖掉 52:08 把 Codex App 经验跟 ChatGPT 结合中的无数次微小失败 52:27 内部搞砸时没有人会留情面 52:57 闪电问答环节 53:03 最常推荐的书：《咕噜牛》 54:07 最喜欢的童书：《The Big Orange Splotch》 55:16 最近喜欢的剧：《神奇校车》新版 55:58 最喜欢的产品：每天都在发现自己的产品，Linear 也特别好 56:17 人生格言：不是爱讲格言的人，但别人会告诉他哪些话老挂在嘴边 56:36 PM、设计师、工程师哪个最难 花絮与结尾 58:02 制作人分享用 Codex 做剪辑的体验 58:17 每个任务都这样开始：产品本身不是为这个设计的，但什么都能做 59:00 别死守你现在的流程，要死守的是你独特能交付的成果 59:20 在 AI 时代成功，需要的自我认知程度高得离谱 59:54 讨厌重复的人当创始人挺惨的，因为你必须重复 01:00:17 给自己的职业找到了产品契合度 🌟 精彩内容 💡 实现本身不再是成本最高的部分，品味才是 当任何人都能用模型做出任何功能时，产品开发的核心瓶颈从“能不能做出来”变成了“该做什么、怎么判断好坏”。Andrew 指出，在 OpenAI 内部，同一个需求可能有 90 个不同的探索方向在同时进行，真正的挑战是筛选、策展和整合。 “实现本身不再是成本最高的部分了。我斗胆说一句，是品味。是筛选的过程。” 💡 你的角色是你花时间所做事情的平均值 在 Codex 团队，角色边界正在消融——设计师写代码，产品经理讲技术语言。Andrew 提出一个精妙的定义：如果你把一个人做的所有事情取个平均值，重心落在哪里，他目前就是什么角色。这不是角色消失，而是流动性增强。 “每个人不再被‘设计在哪结束、工程从哪开始’这种边界和围栏所定义，而是更多地由他们工作内容的平均分布来定义。” 💡 选对表达观点的媒介变得非常关键 当实现成本趋近于零，PRD 和原型各有适用场景。Andrew 反对“PRD 已死”的极端说法，认为关键在于清楚这个东西在流程中处于什么阶段——文档适合厘清模糊思路，原型适合压力测试交互模式。 “如果实现变得极其充裕，那选对表达观点的形式就变得非常重要。” 💡 不要固执地认为跑不通就是烂功能，可能只是还没到时候 Codex 桌面应用如果在十一月发布会失败，但二月就成功了——唯一的区别是模型能力的变化。Andrew 强调，同一个形态的产品，仅仅因为几个月的时机差异，结果就完全不同。产品失败现在可能只是时机问题，需要反复发布。 “你可以在 Operator、Atlas、Codex、ChatGPT 之间画出一条线，本质上它们是同一个功能，但用不同的智能水平重新发布，结果就完全不同。” 💡 消除角色概念可能危险地抹杀专业领域 Andrew 对“取消产品角色、所有人都叫 builder”的潮流持批评态度。他认为这会抛弃产品领域积累的整套方法论和最佳实践。“这不是你的领域”的边界乐于看到消失，但需要平衡——不能让每个人什么都做。 “产品这个领域积累起来的整套方法论、那些真正的最佳实践、那些被验证过成败的经验，全都被抛弃了，就因为人们觉得‘哦，我也会写点代码了’。” 💡 别死守你现在的流程，要死守的是你独特能交付的成果 在花絮中，Andrew 给出一条核心建议：不要固守 Figma 自动布局之类的具体工具技能，AI 以后这方面会比你强。真正重要的是你独特能交付的成果，然后去改流程、去尝试。 “要死守的是你独特能交付的成果，然后去改流程、去尝试。你一直守着‘我最懂 Figma 自动布局’，你在干嘛呢？” 💡 在 AI 时代成功，需要的自我认知程度高得离谱 制作人点出一个深刻洞察：知道自己擅长什么、该往哪个方向走、什么值得做，这种自我认知在 AI 时代变得极其重要。Andrew 补充说，在 OpenAI 行得通的东西放到所有人身上不一定行得通，因为来这里的人是自我筛选过的。 “要在 AI 时代成功，需要的自我认知程度高得离谱。” ``` 🌐 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：Dwarkesh Patel 的个人深度播客 What does the next training paradigm look like? 原内容更新时间：2026-06-26 Dwarkesh Patel 是硅谷当下最受瞩目的科技思想者和深度访谈主持人，以长篇幅、高密度的逻辑推演著称。在这期单人音频论文里，他没有邀请嘉宾，而是单刀直入地解剖了当前 AI 训练范式的根本性缺陷，并描绘了一个通往通用智能的关键路径：持续学习。 这期节目不是泛泛的行业趋势讨论，而是一场关于 AI 如何从“课堂学霸”进化为“职场精英”的严密思辨。Dwarkesh 从“可验证性”与“可磨练性”的区分切入，层层推演出为什么当前依赖 RL 环境训练的范式不足以产生真正的通用智能，以及为什么让模型在部署后持续从真实世界互动中学习，才是破局的关键。如果你在思考 AI 的能力边界、训练瓶颈和下一个十年的技术路线图，这期内容会提供极高密度的认知框架。 👨‍⚕️ 本期嘉宾 本期为 Dwarkesh Patel 单人音频论文，无嘉宾。Dwarkesh 是硅谷知名播客《Dwarkesh Podcast》的主持人，以与顶尖 AI 研究者、企业家和思想家的深度对话闻名。他擅长将复杂的技术概念转化为清晰的逻辑链条，其个人博客和音频论文在 AI 社区中具有广泛影响力。 ⏱️ 时间戳 开场与核心问题 00:00 欢迎收听跨国串门计划 00:30 本期克隆节目介绍：Dwarkesh Patel 个人深度音频论文 00:53 核心问题：AI 训练的下一个范式与持续学习 当前训练范式的赌注与缺陷 01:47 各大实验室押注的重大研究方向：RL 环境训练 02:09 当前范式的根本缺陷：数据低效与缺乏持续学习 02:32 模型样本效率只有人类的百万分之一 03:05 持续学习可能根本不需要？上下文学习的替代方案 03:43 架构创新让上下文窗口接近无限大 可验证性 vs 可磨练性 03:55 为什么计算机使用进展比编程慢这么多 04:28 被低估的原因：光有可验证性不够 04:49 可磨练性的定义：确定性、可重放的模拟器 05:04 编程 RL 环境的构建方式 05:21 计算机使用无法大规模并行 rollout 的原因 06:02 计算机使用缓慢揭示的深层教训 06:29 无法构建模拟器的领域：创业、诉讼、选举 07:06 非稳态环境是 RL 的开放问题 07:14 世界需要样本效率才能精通 RLVR 能泛化到真实世界吗 07:49 RLVR 会泛化的赌注 08:23 泛化能力是一个实证问题 08:40 Dario 的暗示：短时间尺度训练不一定泛化到长时间尺度 09:30 即使上下文内经验足够，不存回权重也是浪费 09:44 推理算力占 30%-50%，对改进模型无贡献 10:13 天才研究生从不实习的隐喻 持续学习的核心挑战 10:33 持续学习必须回到权重里 10:43 人类大脑不在参数和激活间划界限 11:00 自闭症天才的高保真记忆与抽象能力削弱 11:20 人类持续学习的本质：把直觉凿回权重 11:30 梯度更新的样本效率极低 11:41 Cursor 的在线学习案例 12:12 每份工作、每家公司都不同，需要个性化学习 12:44 样本效率与持续学习是深度关联的问题 13:06 架构并非根本瓶颈 损失函数与新的训练方法 13:27 瓶颈也许在于损失函数 13:42 On-Policy 自蒸馏技术介绍 14:14 OPSSD 优于 RLVR 的两个原因 14:50 OPSSD 也优于监督微调 15:17 RL 训练擅长精准更新，避免灾难性遗忘 15:41 RL 每个样本学得少，但这是好事 16:08 OPSSD 解决样本效率问题 Dreaming：第四个扩展维度 16:18 Dreaming 的猜想：AI 构建现实模拟器 16:33 AlphaZero 与 Efficient Zero 的历史 17:03 模型在“脑海”里玩模拟游戏 17:22 构建世界模拟器的巨大困难 17:32 继预训练、RL、推理时计算后的第四维度 18:04 /dream 指令：消耗海量算力构建电子游戏版现实 2027-2028 年的可能图景 18:13 持续学习的未来情景 18:23 RLVR 产出的 Agent 能迅速找到方向 18:44 把 Agent 放到真实世界做实际工作 18:55 一周密集协作后蒸馏学到的内容 19:32 技能范围通过持续学习不断扩展 19:41 预训练、RLVR、持续学习的递进关系 20:03 AI 进步的主要方式将转向部署后学习 20:16 你每次互动，AI 都变得更聪明 🌟 精彩内容 💡 天才研究生从不实习 Dwarkesh 用一个精准的比喻揭示了当前训练范式的荒诞：我们花了巨大算力训练出极其聪明的模型，却只让它们在人工构造的 RL 环境里做“课堂案例研究”，从不允许它们从真实世界的部署经验中学习。最有价值的训练信息恰恰在部署阶段才会显现。 “我们就像有个天才研究生，却从不让他去真正实习。我们只是一直在 RL 环境训练里，给他越来越多的课堂案例研究。” 💡 可验证性不够，还要可磨练性 很多人困惑为什么 AI 在编程上突飞猛进，在计算机使用上却进展缓慢。Dwarkesh 指出，一个领域光有可验证的正确答案是远远不够的，还必须能构建出确定性、可重放、可大规模并行的模拟器。这解释了为什么很多现实世界技能难以通过当前范式训练。 “一个领域光有可验证性是不够的。它还必须具备高度的可磨练性。” 💡 人类持续学习的本质是压缩 与模型在上下文窗口中高保真存储信息不同，人类学习的关键在于把经验压缩成直觉和全局知识，凿回神经权重里。那些能记住海量细节的自闭症天才，反而在抽象理解上存在困难。 “人类的持续学习，重点不在于把所有观察到的东西都挂在嘴边，而更多是把正确的直觉和全局知识凿回到权重里。” 💡 RL 学得少反而是优势 监督学习试图让模型完美复现所有观察到的数据，但这会导致灾难性遗忘。RL 训练每次只改动极少数参数，精准聚焦于真正影响结果的地方。这种“学得少”的特性，恰恰是持续学习所需要的。 “RL 每个样本学到的信息比监督学习少得多。但这可能是好事，而不是坏事。你只对模型做最必要的改动来达成结果，绝不多改。” 💡 你每次互动，AI 都变得更聪明 当持续学习真正实现后，AI 进步的主要方式将不再是发布前的集中训练，而是来自部署后与全世界所有用户的所有互动中积累的经验。这是一个与今天完全不同的 AI 进化范式。 “你每次和 AI 互动，它都会变得更聪明。这不仅是因为它从你之前的会话中学习了，也因为它从和世界上所有其他用户的所有互动中学习了。” 💡 Dreaming：第四个扩展维度 Dwarkesh 提出一个猜想性的未来：如果 AI 能构建现实世界的高保真模拟器，在“脑海”里进行海量排练，那么同样的现实时间里，AI 能经历数量级更多的模拟样本。这将成为继预训练、RL 和推理时计算之后的第四个扩展维度。 “模型花费算力来编写 RL 环境，然后针对这些环境进行训练，它排练的是那些将为特定用户在生产中实际使用的所有技能。” 💡 上下文窗口无限大也不能替代权重更新 有人寄希望于上下文窗口的不断扩展来替代持续学习，但 Dwarkesh 指出这根本不可扩展，而且人类也不是这么做的。我们的头骨不会因为学得越来越多就不断变大，学习必然涉及某种压缩。 “你的头骨也不会因为一辈子学的东西越来越多就不断变大。我们学习的时候，明显存在某种压缩，这种压缩帮助我们泛化和真正理解。” ``` 🌐 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：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