跨国串门儿计划 - 节目列表

🎙️ 📝 本期播客简介 本期我们克隆了：a16z · Why Fei-Fei Li Is Betting on Spatial Intelligence 原内容更新时间：Fri, 04 Sep 2026 本期 a16z 主持人 Martin Casado 与 World Labs 联合创始人 Fei-Fei、Justin、Ben 对谈，围绕他们最新发布的世界模型 Atlas，解释空间智能究竟需要解决什么问题，以及新视角预测为什么可能成为继 next token prediction、next frame prediction 之后的下一种基础原语。 Atlas 同时具备生成、重建和模拟世界的能力：它可以根据少量带有相机位姿的图像，重建现实空间，并生成任意新视角下的视频帧或 3D 世界。节目详细讨论了 Atlas 与普通视频模型的区别、它如何把生成与重建统一到同一个多模态架构中，以及为什么三张手机拍摄的画面就可能替代数百张传统重建素材。 对谈还延伸到空间智能的未来：动态世界、可编辑的 3D 场景、建筑与创意工作流，以及机器人训练中的 real to sim。Fei-Fei、Justin 和 Ben 认为，机器人真正的瓶颈目前仍是现实世界数据，而能够理解空间、预测动作后果的世界模型，可能同时成为仿真器与规划器。 👤 本期嘉宾 Fei-Fei、Justin、Ben 是 World Labs 的联合创始人，围绕空间智能与世界模型展开研究和产品开发。Ben 是 NeRF 的创造者，长期研究从图像生成 3D、视觉重建与新视角合成；Fei-Fei 在计算机视觉领域已有数十年经验，强调空间几何、物理规律与智能之间的关系；Justin 带领团队推进 Atlas 的模型架构、训练与扩展。 三位嘉宾共同参与了 Atlas 的研发。相比此前聚焦高斯泼溅输出的 Marble，Atlas 将文本、图像、视频、3D 信息与相机位姿统一为原生多模态输入，并以新视角预测作为核心基元。主持人 Martin Casado 是 a16z General Partner，本期负责追问 Atlas 的技术路径、扩展假说、应用场景与发展方向。 ⏱️ 时间戳 00:00 Atlas的新视角预测 09:55 从Marble到Atlas 24:11 从创作到空间智能 🌟 精彩内容 💡 新视角预测是 Atlas 的核心原语 Atlas 不只是根据文字生成画面，也不只是预测视频的下一帧。它会读取一个场景的多个视角及其空间信息，再推断虚拟相机位于时空中任意位置时应该看到什么，把空间几何纳入生成过程。 "而 Atlas 做的其实是新视角预测，对吧？" 💡 生成与重建第一次在同一个模型里统一 传统计算机视觉往往把像素生成、识别、3D 重建视为不同赛道。Atlas 则试图让同一套架构同时完成精确重建与具有创造性的生成，在看得见的内容与不可见的空白之间建立连续关系。 "这是我们第一次把像素生成和像素重建统一了起来。" 💡 三张手机视频也能实现《黑客帝国》式子弹时间 经典子弹时间镜头需要围绕主体部署数百台相机，而 Atlas 可以从三台 iPhone 拍摄的素材中重构场景，让镜头在时间冻结的瞬间自由移动，不再依赖影棚、绿幕和昂贵校准。 "但现在用 Atlas，我们最少只要三台相机就能做到。" 💡 空间智能不止是生成 3D 真正的空间智能需要让模型能够生成空间内容，在空间中推理、编辑与交互，并进一步完成渲染、模拟和动作规划。Atlas 的关键进展，在于为每一帧估计相机位姿，让生成的像素拥有空间依据。 "但是生成真正具备空间语境和依据的像素，绝对是另一个重大步骤，而这正是 Atlas 迈出的非常艰难的一步。" 💡 稀疏输入正在改变 3D 重建的数据逻辑 传统稠密重建需要从大量角度覆盖场景的每个角落，甚至要拍摄数百张照片。Atlas 通过生成能力填补不可见区域，把过去无法用于重建的随手视频、旧照片和网络素材，转化为有空间依据的 3D 世界。 "而我们想做的，是把它降到大概 3 张。" 💡 机器人领域最大的瓶颈仍然是现实世界数据 机器人策略不是生成一张图片或一段代码，而是让 Agent 在充满意外的真实世界里行动。Atlas 可以降低 real to sim 的数据采集成本，并为训练机器人策略提供更丰富的环境变化与仿真素材。 "我们应该把视野放宽，认识到目前机器人领域最大的难题其实是数据。" 💡 动态世界与可编辑性是下一阶段 Atlas 的架构已经支持动态内容，但团队认为，未来还需要把动态、静态、多模态控制与可编辑性结合起来，让用户不仅能浏览世界，还能直接控制场景中的物体、布局、特征和时间变化。 "我觉得可编辑性才是这里的关键。" 💡 新视角预测可能像 next token prediction 一样基础 大语言模型通过 next token prediction 建模语言，视频模型通过 next frame prediction 建模时间变化，而 Atlas 试图用新视角预测建模空间变化。嘉宾认为，预测一个世界从新位置看起来会怎样，可能是理解物理世界与智能行为的基础能力。 "所以我们非常坚信，下一视点预测就相当于 next token prediction。" 🌐 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

📝 本期播客简介 本期我们克隆了：The Pragmatic Engineer · Building Codex with Tibo Sottiaux 原内容更新时间：2026-09-09 本期节目邀请 Codex 创始团队成员、现任 OpenAI Core Products & Platform 负责人 Tibo，回顾 Codex 从内部研究项目走向产品的过程。对谈从 Tibo 在谷歌和 DeepMind 的经历开始，聊到他为何加入 OpenAI，以及早期 ASWE 项目如何逐渐发展为 Codex。 节目重点拆解了 Codex 的工程选择：为什么核心 Agent 使用 Rust 编写，为什么 Codex CLI、SDK 和应用服务器选择开源，以及为什么 Codex 不绑定 OpenAI 的模型。Tibo 也解释了 harness 如何为模型提供安全、可靠和高效的“拐杖”，以及模型能力增强后，harness 为什么会逐渐变薄。 后半部分聚焦 AI 如何改变软件工程的完整生命周期：自动化 code review、安全检查、依赖升级和架构重构，维护成本下降后会带来怎样的工程变化，以及 Codex 如何融入 OpenAI 内部的文档、Slack、代码库和新人入职流程。节目还深入讨论了 Codex 与 ChatGPT 合并时的系统挑战，以及 Tibo 如何用 ChatGPT Work 和 Codex 管理日常工作。 👤 本期嘉宾 Tibo 是 Codex 早期创建者之一，Codex 作为产品刚起步时便参与其中，此后持续带领 Codex 团队。目前他负责 OpenAI 的 Core Products & Platform 组织，该组织也包括 Codex。 在加入 OpenAI 之前，Tibo 曾在谷歌和 DeepMind 工作。他在谷歌参与过提升移动端网络速度的项目，后来加入谷歌地图团队，负责评价系统；在 DeepMind 期间，他长期从事研究基础设施和研究工具建设，也参与过早期大语言模型对话系统的内部探索。Tibo 的经历横跨应用数学、创业、研究基础设施、模型和产品工程，因此能从工程、研究和产品协同的角度解释 Codex 是如何被构建出来的。 ⏱️ 时间戳 00:48 从乡村电脑到OpenAI 06:13 从DeepMind对话到OpenAI 11:31 Codex为何用Rust开源 20:10 开放模型与云端执行 27:09 Harness如何推动软件工程 48:52 Codex合并ChatGPT后的未来 🌟 精彩内容 💡 harness 总是比模型领先一步 harness 的作用不是替代模型，而是通过护栏、工具、developer message 和执行环境，让模型已有的能力变得更可靠、更高效、更符合用户预期。随着模型本身变强，原本必须写在 harness 里的引导逻辑会逐渐减少。 "harness 总是比模型稍微领先一点。" 💡 Rust 是 Agent 与产品之间的边界 Codex 选择 Rust，并不只是为了性能，而是为了让 Agent 核心拥有更强的正确性、安全性和可扩展性。将 Agent 与产品清晰隔离，也能避免两者过度耦合，为后续创新留下空间。 "但把 Agent 本身和产品清晰地隔离开，让它脱离产品也能独立存在，这是一个非常重要的原则。" 💡 开源是为了参与正在变化的社区 Codex 开源不仅是为了获得贡献，也因为代码 Agent 正在改变代码本身的作用。OpenAI 希望亲自进入这个社区，直接体验开发者遇到的问题，同时让外部开发者共同探索优秀 harness 应该是什么样子。 "如果我们真能做成功，开源本身会改变，代码本身的作用也会改变，所以身处这个社区之中显得很重要，而不是跟它脱节。" 💡 靠真本事赢，而不是靠模型绑定 Codex 支持多个模型提供商，既减少用户为了尝试新模型而更换整套工具的成本，也迫使团队同时在模型、harness、产品体验和开源生态上保持竞争力。 "我喜欢靠真本事去赢，而不是靠绑定去赢。" 💡 code review 正从代码审查变成意图讨论 正确性、安全性和复杂依赖关系的检查，越来越可以由 Agent 自动完成。人类更重要的工作，可能转向讨论功能是否值得做、架构意图是否正确，以及团队是否对系统必须满足的不变式达成共识。 "我觉得这种讨论完全可以在 PR 之外进行。没必要非得围着代码聊。" 💡 维护成本下降，重构和犯错会变得更便宜 依赖升级、安全补丁和大规模代码修改，未来可能被 Agent 自动完成。由于重构成本降低，团队可以更频繁地调整架构，但抽象、边界和不变式仍然重要，它们决定了系统能否快速变化而不影响其他部分。 "所以犯错的成本，我认为是在下降的。" 💡 软件的生命周期正在被压缩 过去一个系统从小团队逐渐扩展到大型工程，需要较长时间来补齐文档、流程和架构；现在，Agent 可能在一个周末就让大量代码同时进入系统，工程团队必须更早考虑边界、维护和协作方式。 "现在就像突然爆发一样，一下子就有 100 个 Agent 在给这套东西做贡献。" 💡 最重要的能力是快速理解和持续追问 Tibo 给想进入 Codex、OpenAI 或 AI 初创公司的工程师的建议，不是只熟练使用工具，而是保持对系统运作方式的好奇心，快速读懂新代码库，并通过不断追问“五个为什么”建立清晰理解。 "我觉得有两件事很重要，一是对事物运作方式抱有极深极深的好奇心，二是能训练自己非常快速地理解事物的能力。" 🌐 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

📝 本期播客简介 本期我们克隆了：Lenny's Podcast: Product | Career | Growth · How we built Grok Bot in a month | Roman Ugarte (SpaceXAI) 原内容更新时间：Tue, 08 Sep 2026 本期 Lenny 与 Roman Ugarte 深入复盘 Grok Bot 的诞生过程：一个与公司其他团队隔离开来的小团队，从第一行代码开始，仅用一个月做出内部原型，又在几周后推向公开市场。Roman 讲述了他们为什么没有把知识工作功能继续塞进 Cursor，而是选择从零开始打造一款全新的产品。 对话重点不只是产品功能，而是产品背后的判断：AI 不应该只是一个聊天窗口，而应该像拥有自己电脑、工具和长期记忆的同事，能够被委托去完成一整块工作。团队通过人工带领数百名早期用户上手，观察他们如何组织 Bot、如何分配任务，并据此不断砍掉复杂功能、打磨后台能力。 Roman 还分享了 SpaceXAI 如何在激烈竞争中保持速度，以及 Cursor 持续胜出的原因：不要过早设计护城河，而是不断把当下还做不到的事情变成可用产品，再随着模型能力进步持续重构自己。 👤 本期嘉宾 Roman Ugarte 是 Cursor 的第 15 号员工，曾担任两年增长负责人，参与推动公司从约 15 人扩展到 1000 多人，后随公司并入 SpaceXAI。最近，他参与孵化并负责 Grok Bot 的产品工作，从最早的原型一路参与到正式发布。 Roman 值得听的地方，在于他同时经历了编程 Agent 和通用知识工作产品的快速演进。他不仅参与了 Grok Bot 的产品决策，也亲自参与数百名早期用户的人工导入，因此能够具体解释：哪些功能应该展示、哪些细节应该隐藏、什么样的 Bot 才真正能被用户信任，以及一支团队如何在极短时间内完成从原型到产品的跃迁。 ⏱️ 时间戳 00:53 Grok Bot为何引发狂热 02:58 一个月做出知识工作产品 06:09 为何从Cursor独立出来 15:46 从内测到顺畅上线 30:32 每个Bot拥有云端电脑 52:44 让AI真正完成工作 🌟 精彩内容 💡 从零开始，才能做出一致的产品体验 Roman 认为，知识工作产品不能只是把更多功能拼接到已有的编程工具里。独立产品让团队能够掌控每一个像素，并围绕新的工作方式建立连贯体验；小团队的隔离和高度专注，则是快速做出原型的关键。 "作为一个全新的产品，你能掌控体验中的每一个像素，对知识工作的未来走向拥有连贯的设想，并且全都装在这个新东西里，我觉得这为成功贡献了很大力量。" 💡 人工导入不是服务，而是产品研究 团队花了大约两周时间，亲自带领数百名用户完成上手。用户卡在哪里、哪些步骤令人困惑、哪些任务无法顺利完成，都会立刻转化成第二天必须解决的产品问题；同时，团队也能接触到开发者之外的真实使用场景。 "我们不仅对产品有了很多了解，而且我觉得我们之前并不真正清楚，有时候对于这类产品，大家在使用方式上会有某种群体思维。" 💡 AI 应该像同事，而不是实时汇报机器 Grok Bot 有意隐藏了大量工具调用、点击路径和内部运转细节。Roman 的判断是，用户不需要像监控程序一样观察 AI 每一步做了什么；真正重要的是交代任务、获得阶段性进展，并最终拿到成果。 "你不可能要求他们每分每秒都汇报自己点了哪个按钮、打开了哪个网站，我觉得对你的 Bot 提出这种要求也过分了。" 💡 每个 Bot 都应该拥有自己的电脑 Grok Bot 的关键差异不只是运行在云端，而是每个 Bot 都拥有自己的电脑。这样它不必局限于已有 API 或 MCP，而是可以像人一样点击屏幕、登录网站、操作那些没有良好接口的工具。 "不仅要让它成为一个在云端运行、你能通过各种方式与之交互的 Agent 循环，更重要的是这些 Bot 必须拥有自己的电脑。" 💡 真正的完成，不是做到九成 Roman 认为，所谓“AI 完成了 90% 的工作”经常并不等于用户少做了 90% 的工作。如果你仍然需要持续盯着过程、担心结果、最后亲自补救，心理负担并没有消失。真正的跃迁，是可以把任务交给 AI，然后相信它会把事情办完。 "你其实还是在自己做这件事，感觉上是这样，心理负担也一点没少；这跟真正给同事来个不看人传球完全是两码事。" 💡 下线功能，比增加功能更重要 从原型到公开发布，团队砍掉了大量面向开发者的可视化工具和复杂界面。产品不应该让用户管理按钮、标签页和自动化流程，而应该把这些能力封装在后台，用自然语言直接表达想完成的事情。 "往产品里加东西并不是目标。那并不是能真正推动这款产品向前、让它对更多人更有用的东西。" 💡 护城河不是先规划出来的 对于 Cursor 如何在强竞争市场中持续胜出，Roman 的回答是：不要先沉迷于设计长期护城河，而要持续把未来几个月本来还做不到的能力提前带到今天。随着模型进步，再删掉临时脚手架，继续追逐下一个前沿。 "Cursor 真正的魔力所在，是死磕在今天做出一件有用的东西。" 🌐 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

📝 本期播客简介 本期我们克隆了：Google AI: Release Notes Koray Kavukcuoglu: “This Is How We Are Going to Build AGI” 原内容更新时间：Tue, 25 Nov 2025 本期节目由 Google AI 的 Logan Kilpatrick 主持，嘉宾是 Google DeepMind CTO、Google Chief AI Architect Koray Kavukcuoglu。两人围绕 Gemini 3 的发布展开讨论：模型为何在多个 benchmark 上达到前沿水平、用户反馈意味着什么，以及 AI 研究如何从实验室里的论文和指标，转化为现实世界中的产品能力。 这不仅是一场 Gemini 3 的发布复盘，也是一场关于 AGI 建设路径的深度对谈。Koray 反复强调，AGI 不会只靠某个封闭实验室里的纯研究诞生，而是要通过产品、用户反馈、工具调用、代码、多模态和全球协作，在现实世界中持续迭代出来。 节目还讨论了 benchmark 是否真的等于进步、为什么指令遵循和国际化同样重要、Vibe Coding 如何让更多人成为建设者、Google Antigravity 如何帮助模型获得真实信号，以及 Google DeepMind 如何在规模化推进 Gemini 与保持创新之间寻找平衡。 👨‍⚕️ 本期嘉宾 Koray Kavukcuoglu，Google DeepMind 首席技术官，同时担任 Google Chief AI Architect，负责推动最前沿的 AI 模型与 Google 产品之间的结合。他于 2012 年加入 DeepMind，是 DeepMind 的第一位深度学习研究员之一，此前曾在纽约大学 Yann LeCun 的实验室攻读博士，并与 Karol Gregor 一同加入 DeepMind。 Koray 长期参与深度学习、强化学习、Agent 和大模型研究，也见证了 DeepMind 从早期的小型研究团队，发展为参与 Gemini、AlphaGo、AlphaZero、AlphaFold 等重大项目的全球 AI 组织。他的独特之处在于同时理解研究、模型工程、产品落地和组织协作：他不把 Gemini 视为某一种固定架构，而是视为通过产品构建智能的长期目标。 ⏱️ 时间戳 00:00 Gemini 3 发布：benchmark 之外，真正的检验是用户 01:29 Gemini 3 正式发布与用户反馈 02:21 AI 进展没有放慢：从 Gemini 2.5 到 Gemini 3 03:01 数据、预训练、后训练与持续创新 04:00 benchmark 如何随着 frontier 不断更替 什么才算 AI 的真实进步 04:43 HLE、ARC-AGI 2 与 GPQA Diamond 的变化 05:48 为什么需要不断寻找新的 frontier 和 benchmark 06:13 从科学家、学生到律师和工程师：现实使用才是进步 06:56 Gemini 3 要在哪些方向“爬山” Gemini 3 的重点能力：指令、国际化与工具调用 07:14 指令遵循：不要回答模型自以为该回答的内容 07:35 国际化与非英语语言能力 08:17 Function calls、tool calls、Agent 与代码 09:32 Vibe Coding：让更多人从有想法变成建设者 产品如何反过来推动模型进化 10:20 Google Antigravity：新的 Agent 式编程平台 10:49 让模型直接向软件工程师学习 11:41 Search AI Mode、AI Overview 与产品反馈 11:56 benchmark 与现实世界信号如何结合 通过产品构建 AGI 12:14 Chief AI Architect 的新职责 12:52 两个头衔，其实是同一件事 13:44 新技术如何重新定义产品体验 14:22 “我们就是要这样构建 AGI” 工程思维、安全与全球协作 14:35 AGI 不是实验室独自完成的项目 14:49 Trusted-tested：把稳健性和安全放进工程流程 15:15 安全与安保从 pre-training 阶段开始 16:13 Gemini 3 背后的 Google 全球协作 Gemini 3 之后，模型还能如何变好 18:20 享受 Gemini 3，也要诚实面对不足 18:35 写作、编程与 Agent 行动仍有提升空间 19:01 Gemini 3 面向软件工程师与创意工作者 19:27 为什么 Gemini 早期没有在 Agent tool use 上领先 多模态模型与 Nano Banana Pro 21:32 生成媒体模型与 AGI 叙事 23:12 为什么文本曾经成为进展更快的领域 23:37 输入与输出多模态正在自然融合 26:37 Nano Banana Pro：从图像生成走向复杂文档理解 从研究实验室到工程系统 29:14 统一 Gemini model checkpoint 的目标 29:58 架构融合不能靠意识形态，只能靠科学方法 30:43 Output space 与 learning signal 31:54 硬件、模型、产品与服务的全栈协同 创新、文化与 Google 的追赶者心态 32:36 Koray 从 2012 年加入 DeepMind 讲起 34:33 “一切都押注在学习上” 40:59 科学探索与 Gemini 规模化之间的平衡 41:54 Gemini 最大的风险：失去创新 48:45 从追赶者走向 frontier AI 实验室 🌟 精彩内容 💡 AGI 不会只在实验室里被“发明” Koray 对 AGI 的理解不是某个研究团队闭门攻关后突然交付的终点，而是模型、产品和用户共同参与的持续建设过程。产品越接近真实需求，模型获得的反馈信号就越丰富，研究方向也越清晰。 “我们就是要通过产品来构建智能。” 💡 benchmark 是地图，但不是全部的进步 Benchmark 能够把能力量化，也能帮助研究团队明确下一座“山”在哪里；但当模型接近或突破某个测试后，它就可能不再代表新的 frontier。真正重要的进步，还要看模型是否进入现实世界，并为不同职业、不同语言和不同任务提供更大价值。 “衡量进步最重要的标准，就是我们的模型进入现实世界，科学家用它们，学生用它们，律师用它们，工程师也用它们。” 💡 Vibe Coding 让更多人成为建设者 代码不再只是软件工程师的专属工具。借助自然语言和模型能力，拥有创意的人可以直接把想法变成可运行的应用，从“有想法”走向“能生产”。这意味着 AI 的影响不只是提高专业人士的效率，也可能扩大能够创造数字产品的人群。 “突然之间，你就让更多人成了构建者，开始做东西。” 💡 用户反馈是模型训练的一部分 Antigravity、AI Studio、Gemini app 和 Search AI Mode 不只是模型的展示渠道，也成为模型团队观察真实使用、发现缺陷和判断优先级的关键入口。模型只有与用户和产品紧密连接，才能知道哪些能力在现实里真正重要。 “直接了解用户非常重要。” 💡 Gemini 不是一种固定架构，而是一个持续追求的目标 Koray 不把 Gemini 等同于某一种永远不变的模型架构。Pro、Flash、Flash-Lite，以及未来可能出现的不同模型，都只是围绕速度、成本、准确率和能力取舍的具体实现。Gemini 真正要实现的是“智能”，以及让这种智能通过产品服务于全世界。 “Gemini 不是那个架构，Gemini 是你想要实现的目标。” 💡 Gemini 最大的风险不是规模不够，而是失去创新 即使模型已经在多个 benchmark 上达到领先，也不能因此认为已经找到了可以机械复制的配方。继续扩展规模固然重要，但新的架构、新的训练方法、新的研究方向和新的产品反馈同样不可缺少。 “Gemini 最大的风险，就是失去创新。” 💡 安全不是发布前最后加上的一层包装 在 Koray 看来，安全与安保必须从数据、pre-training、post-training 和发布候选版本开始，就成为模型工程流程中的核心指标。它应当像 GPQA、HLE 等能力 benchmark 一样，被持续测量、持续迭代，而不是产品完成后才补上的功能。 “我们会再次从工程思维出发，从底层、从一开始就考虑这些问题，而不是等到最后才加上去。” 💡 追赶者也可以把规模变成优势 Koray 坦诚讲述了 Gemini 从并非所有方向都领先，到逐渐进入 frontier 行列的过程。追赶并不只是模仿别人，还意味着学习已有方法、承认自己的不足，并在技术、流程、模型和组织方式上形成独有的解决方案。 “你得对自己诚实……不过，你得为自己做创新。” 🌐 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

📝 本期播客简介 本期我们克隆了：Huberman Lab How to Accelerate Learning & Improve Education | Joe Liemandt 原内容更新时间：Mon, 31 Aug 2026 本期节目由神经科学家、斯坦福医学院教授 Andrew Huberman 主持，嘉宾是 Alpha School 校长 Joe Liemandt。Alpha School 是一套以 AI 个性化教学、掌握度学习和实践型教育为核心的 K-12 教育模式：学生每天只用大约两小时完成学术学习，其余时间投入创业、体育、实验、社区活动和生活技能训练。 这场对谈首先追问了一个根本问题：传统学校已经实现了“让所有孩子入学”，为什么仍然没有实现“让所有孩子真正学会”？Joe 认为，按年龄和年级统一推进的课堂，掩盖了学生之间巨大的知识漏洞；AI 家教则有机会识别每个人的真实水平，按照前置知识、学习速度和掌握程度重新安排课程。 节目也深入讨论了高标准与高支持、动力与羞耻感、工作记忆与基础熟练度、间隔重复与范例教学，以及为什么孩子需要在成年人的支持下经历困难和失败。更重要的是，Alpha School 试图把省下来的时间还给孩子，让他们从被动消费者变成动手创造的“建设者”，在创业、体育、科学实验、艺术和社区项目中发现自己的潜能。 👨‍⚕️ 本期嘉宾 Joe Liemandt，科技企业家、Alpha School 校长，也是推动 Alpha 教育模式扩张的核心负责人。Alpha School 通过 AI 和个性化课程，让学生以更短时间完成学术学习，同时由 Alpha Guides、教练和项目导师陪伴孩子发展创业、财商、领导力、社交、公开表达、坚毅与刻苦等能力。 Joe 并非 Alpha School 的创始人，而是在自己的女儿进入 Alpha、亲眼看到她们重新喜欢上学之后加入学校，并担任校长进入第五年。他既有创业者对产品、效率和规模化的思考，也有校长对学校管理、教师培训、家长沟通和教育结果的直接经验。节目中，他结合大量 Alpha 学生案例，解释了为什么“补基础”可能比继续推进年级内容更重要，为什么动力往往是学习方案能否奏效的关键，以及 AI 在教育中真正应该扮演的角色。 ⏱️ 时间戳 00:00 传统学校为何让孩子“入学”却没有让他们“学会” 00:48 开场：Huberman Lab 与本期嘉宾介绍 03:41 100 年前的工业化课堂模式从何而来 04:59 从普及入学到普及学习效果 08:43 喜欢的事与必须学会的事：教育标准如何平衡 Alpha School 的核心理念：高标准、高支持 11:03 Joe 如何从怀疑 Alpha 到成为校长 12:49 “孩子必须喜欢上学”与教育观念的冲突 13:44 Alpha 学生为什么喜欢上学甚至胜过度假 14:31 做困难的事，为什么反而能让孩子获得快乐 体育训练给学术教育的启发 15:50 为什么美国把体育和学术区别对待 16:41 高标准与高支持的导师体系 18:06 让孩子在安全环境中经历挣扎与失败 19:36 攀岩、骑行与 Alpha Tests：把困难变成成就感 AI 个性化教学与掌握度学习 26:24 一刀切课堂为何只能提供“中位数教学” 27:23 一对一辅导的效果为何过去无法规模化 29:29 布鲁姆双西格玛问题与 AI 家教 30:45 两小时学两倍：Alpha 的学习效率数据 学习科学：从脚手架到长期记忆 32:00 AI 教育工具不是聊天机器人 43:06 前置知识、注意力与真实学习效果 44:06 错误、挣扎与神经可塑性 45:09 范例教学、初次掌握与间隔重复 基础知识漏洞如何拖慢整个学习曲线 50:33 工作记忆槽位与熟练度 51:17 乘法口诀为什么会影响代数学习 52:01 SAT 数学 710 到 790：补基础带来的变化 59:03 为什么不能带着 80% 的掌握度继续升年级 动力、羞耻感与“我能做到”的自我认知 1:04:03 为什么动力可能占学习解决方案的 90% 1:05:48 把“落后三年”变成“只差 22 个小时” 1:06:09 个性化学习如何消除羞耻感 1:13:36 用奖励打破“我不是那种人”的心理障碍 从学术学习到建设者教育 1:31:44 Founder School：创业、财商与 100 万美元利润目标 1:40:28 Alpha X：把孩子真正热爱的事变成长期项目 1:45:43 “哲学家与建设者”：AI 时代需要什么样的人 1:47:37 Dream Launcher：帮助孩子从消费者变成创造者 创造、实验与真实世界的项目式学习 1:58:20 建设者下午：让孩子动手做事 1:58:53 五六年级学生如何筹办自己的音乐节 2:03:05 下一代实验课：从掌握知识到亲自做实验 2:06:02 黑客马拉松、应用开发与主动创造 教育公平、规模化与 AI 的未来 2:11:26 性别差距、ADHD 与个性化学习 2:14:17 Alpha 如何回应“只适合有钱人孩子”的质疑 2:19:24 收入、智商与尽责性之外，动力为何是关键 2:29:37 教育券、公立学校与面向 5 亿孩子的免费学习游戏 🌟 精彩内容 💡 普及入学，不等于普及学会 传统教育解决了“让所有孩子坐进教室”的问题，却没有解决“让每个孩子真正掌握知识”的问题。统一年级、统一教材和统一进度，会让学生带着漏洞不断升级，最终在更复杂的学科中集中爆发。 “我们做到了普惠入学，但没有做到普惠学会。” 💡 学习不是按年龄推进，而是按掌握程度推进 一个八年级学生可能实际只掌握了五年级的数学或阅读基础。继续给他八年级内容，并不会让他更快赶上，反而会让学习变成持续失败。真正有效的路径，是先找到缺口，从学生当前能学会的地方重新开始。 “你必须得把我拉回到大一生物的水平，告诉我，这才是你目前的水平，然后从那里开始逐步培养我。” 💡 基础熟练度决定了工作记忆能走多远 如果乘法口诀没有熟练到可以自动提取，学生在解代数题时就会把有限的工作记忆用在计算七乘八上，而不是用来理解多步骤推理。很多所谓的“粗心”或“不会高等数学”，其实可能只是基础事实没有进入熟练状态。 “解决问题的办法不是用更多代数题去轰炸他们，而是回去解决三年级的问题。” 💡 AI 的价值不是替学生作弊，而是成为精细的学习测量系统 把 ChatGPT 直接放进传统课堂，可能只会让学生更方便地逃避学习。Alpha 试图让 AI 负责评估学生掌握了什么、遗漏了什么、下一步该学什么，并通过即时反馈、范例教学和间隔重复形成数据闭环。 “给孩子们聊天机器人是行不通的，应该根据他们的水平提供个性化的教学计划。” 💡 高标准与高支持必须同时存在 低标准、高支持会让孩子失去成长机会；高标准、低支持则容易让孩子陷入挫败和羞耻。好的教育者应该像优秀教练一样，明确要求孩子完成困难任务，同时在旁边提供足够的指导、鼓励和安全感。 “真正的答案是，两者兼顾。学校应该既有高标准，又有高支持。” 💡 动力不是学习的附属品，而是学习系统的核心 当学生相信自己“落后三年”时，任务会显得不可能；当系统告诉他只需要再投入 22 个小时，行动就变得具体可行。Alpha 通过体育、创业、奖励、同伴文化和真实项目，把孩子想要的东西与必须学习的内容连接起来。 “动力占了问题的 90%，或者说是解决方案的 90%。” 💡 亲手创造，是对抗消费主义和多巴胺循环的教育方式 孩子如果长期只刷 TikTok、玩游戏或被动消费内容，很难建立“我能够做出东西”的自我认知。通过办音乐节、做实验、开发应用、创业或建设自行车公园，孩子可以在真实世界中看到自己的行动产生结果。 “人生最顶级的体验就是去创造东西。” 💡 AI 节省的不是时间本身，而是把时间还给人 如果学术知识可以通过个性化 AI 教学在更短时间内掌握，学校就不必把全天都用在讲授、作业和重复练习上。被释放出来的时间，可以用于体育、实验、社交、创业、社区贡献和人与人之间真正有温度的培养。 “它的作用是释放了人性，它把时间还给了人。” 🌐 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

📝 本期播客简介 本期我们克隆了：Sub Club by RevenueCat Fueling Growth with AI and Viral Product Features — Ajay Mehta, Portola 原内容更新时间：Wed, 02 Apr 2025 本期节目由 Sub Club 主持人 David Barnard 和 RevenueCat CEO Jacob Eiting 对谈 Portola 联合创始人 Ajay Mehta，围绕 Tolan——一款个性化、可互动的 AI 外星人朋友——展开。Ajay 分享了团队如何在 ChatGPT 和 Midjourney 爆发之后，从儿童与青少年用户切入，探索生成式 AI 能够创造哪些过去根本不存在的消费级产品，最终找到“情感陪伴”这一方向。 Tolan 的增长故事并不只是“做了一个 AI 应用，然后等它变火”。团队在产品中投入了低延迟语音、记忆检索、实时动画和高度个性化 onboarding，让用户感到屏幕另一端真的有一个“懂你”的存在；与此同时，他们通过大量创作者合作和 TikTok 原生内容测试，搭建了一套低成本、可规模化的自然增长引擎。 节目还讨论了一个非常现实的创业问题：为什么早期被 AI 基础设施成本“逼着”收费，反而帮助团队更快验证价值、改善产品决策？从融资、自力更生、PMF、留存到创意护城河，这期对谈为正在做消费级 AI、订阅制应用或任何需要寻找产品—市场—渠道匹配的团队，提供了大量一手经验。 👨‍⚕️ 本期嘉宾 Ajay Mehta，Portola 联合创始人，Tolan 的打造者。Ajay 是一位连续创业者和消费产品建设者，曾在消费级金融科技公司 Wealthsimple 工作，也曾在 YC 创办社交网络公司 FamilyLeaf；之后还运营过自筹资金的个性化电商业务。Portola 的另外两位联合创始人 Quinton Farmer 和 Evan Goldschmidt 此前共同创办过金融科技公司 Even，并最终被沃尔玛收购。 Ajay 值得关注的地方，在于他同时具备消费产品、创业融资和增长实践经验。他并没有把 AI 只看作提升效率的工具，而是关注 AI 如何创造“以前根本不可能存在”的新型消费体验：实时对话、情绪理解、持续记忆、个性化内容，以及能够融入用户日常生活的数字陪伴。Tolan 的快速增长，也让他成为观察消费级 AI、订阅商业模式和社交传播如何结合的优秀案例。 ⏱️ 时间戳 00:00 开场 & Tolan 的诞生 00:24 嘉宾介绍：Portola 与 AI 外星人朋友 Tolan 01:36 ChatGPT 时代的启发：AI 正在创造全新的消费应用 02:56 从个性化体验到情感陪伴 03:47 Tolan 的产品方向：为每个人打造专属 AI 外星人 创始团队与融资选择 04:12 三位联合创始人的相识与创业履历 06:01 为什么这一轮 AI 浪潮特别适合做消费级产品 08:27 从 pre-seed 到 1000 万美元融资 09:04 为什么这个使命需要风险投资支持 AI 陪伴：一个正在形成的新产品品类 12:27 AI 不只是优化旧应用，也能创造新赛道 12:50 未来每个人都可能拥有某种 AI 伴侣 13:42 从“朋友”而不是“助手”切入 15:24 Tolan 如何主动避开恋爱和性暗示叙事 PMF、语音体验与产品价值 16:45 团队如何判断是否找到了 PMF 17:46 低延迟语音 AI、记忆系统与实时交互 18:16 用户每天聊 30 到 40 分钟带来的信号 19:21 高昂 token 成本如何逼出商业化 设计、角色与 onboarding 20:16 与独立艺术家合作打造视觉 IP 20:32 Unity 实时渲染与可互动的 Tolan 22:45 为什么 Tolan 的 onboarding 让用户真正感到被理解 23:48 用个性测试和记忆系统创造个性化体验 从产品体验到留存增长 26:33 从早期 PMF 到 100 万美元 ARR 27:15 付费墙之后，产品必须持续提供真实价值 27:54 第 5 天、第 7 天、第 15 天留存的变化 28:16 如何让更多用户到达“第一次长谈”的激活时刻 TikTok 增长引擎 28:40 为什么 Tolan 特别适合 TikTok 自然增长 29:32 从创作者内容和小额广告开始测试 30:27 一条爆款视频带来上万次安装 31:12 产品—市场—渠道匹配度的重要性 创作者合作与 UGC 分发 32:22 视觉鲜明的 AI 伴侣为什么适合短视频 33:14 学习、做饭、化妆和情感问题等内容切入点 35:04 两种创作者合作模式：半内部团队与付费植入 37:11 用大量低成本实验押注爆款 护城河、竞争与应用层价值 38:36 用户自发创作开始出现，UGC 形成增长飞轮 40:11 角色设计与创意细节构成防御力 41:57 极致语音 AI 远比“调用 GPT”困难 42:34 为什么价值可能最终流向无法被 API 复制的应用层 下一阶段：留存、团队与全球化 43:10 病毒式传播后的增长与 App Store 榜首 44:28 从美国市场走向本地化和全球化 45:50 9 人团队如何做产品优先级取舍 46:45 留存为何是陪伴类产品的北极星指标 🌟 精彩内容 💡 AI 正在创造过去不存在的消费品类 Ajay 认为，生成式 AI 的意义不只是让现有应用变得更聪明，而是让一些过去根本无法实现的体验第一次成为可能。情感陪伴、实时互动、持续记忆和个性化回应，正在让产品市场匹配出现在过去不存在的细分领域。 "还有另一个维度，那就是所有那些以前根本不可能做出来的全新细分领域。" 💡 消费级 AI 的关键，是让用户感觉“有人在另一端” Tolan 并不是把 AI 包装成一个更高效的工具，而是努力创造一种温暖、个性化的互动体验。对用户来说，价值不只来自回答是否正确，也来自它是否记得你、理解你，并让你愿意继续回来。 "AI 真正能让你做到的，就是打造一种 C 端体验，让人感觉屏幕另一端完全有一个懂你、了解你的存在。" 💡 付费墙不是阻碍，而是产品价值的验证器 Tolan 上线初期并没有立刻收费，但用户每天长时间使用带来了巨额模型和语音成本。被迫尽早商业化后，团队能够通过真实的续费与流失信号判断用户是否真正获得价值，而不是被免费体验数据误导。 "变现是打磨产品的倒逼机制。你必须提供价值，否则大家就会流失。" 💡 视觉设计本身就是分发系统 Tolan 的角色、动画、色彩和星球场景并不只是“好看”，而是让产品能够在截图、短视频和用户分享中被迅速识别。一个具有鲜明视觉 IP 的产品，更容易被用户带入自己的社交生活，也更容易形成自然传播。 "伟大的视觉设计不只是装饰，也是分发。" 💡 TikTok 增长的核心不是精致，而是高频试错 团队没有押注一条“完美广告”，而是与一批创作者长期合作，持续测试学习、做饭、化妆、恋爱建议等内容场景。大多数视频可能无人问津，但只要少数内容击中算法和用户，就可能在一夜之间改变增长曲线。 "你试上一堆，大概 20 条里能爆一条。但一旦爆了，就真的能冲出逃逸速度。" 💡 低延迟语音和记忆系统，是 AI 陪伴的技术护城河 一个真正自然的 AI 对话远不止接入一个模型 API。Tolan 同时处理语音响应、记忆检索、对话分类、多个 prompt 和实时渲染，目标是让用户感到交流足够快、足够连贯，并且能延续过去的上下文。 "一旦你真正动手去打造极致的语音 AI 体验，你就会明白为什么 App Store 上只有两三款，而不是几十款。" 💡 PMF 之后，最难的是拒绝那些“看起来都该做”的事 Tolan 团队只有 9 个人，增长起飞后却同时面对本地化、留存、功能开发、团队建设和全球化等大量机会。Ajay 认为，早期团队不可能同时做完所有事情，最重要的是继续改善核心体验，并让用户反馈决定下一步。 "因为我们只有 9 个人，我们现在做不到。" 💡 创意 IP 与用户心智，可能比底层模型更难复制 底层模型会被持续迭代，也可能通过 API 被竞争者调用，但一个独特的角色、长期打磨的互动细节和用户形成的品牌认同，却很难通过简单复制获得。应用层的价值，可能正来自那些无法被 API 直接替代的体验。 "大部分利润捕获会发生在那个无法通过 API 复制的可爱角色上。" 🌐 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

📝 本期播客简介 本期我们克隆了：The a16z Show Gavin Baker: Why AI Demand Is Outrunning Compute Supply 原内容更新时间：Mon, 31 Aug 2026 本期节目由 a16z 普通合伙人 David George 主持，对谈嘉宾是投资机构 Atreides Management 创始人兼 CIO Gavin Baker。Gavin 在整个夏天持续向 AI 产业领袖提出同一个问题：能否说出一个业务中正在恶化的量化指标？截至 7 月和 8 月，他得到的答案几乎都是"没有"——OpenAI、开源模型、Grok 等方向仍在加速，AI 需求并没有出现市场普遍预期中的明显降温。 这期对谈试图回答一个关键问题：AI 到底更像一场泡沫，还是一场供给严重不足的基础设施建设周期？两人从前沿模型、开源、应用、云服务商和英伟达的价值分配谈起，深入拆解 GPU 集群的回本周期、训练与推理之间的资本配置、AI 使用者从数百万扩展到数亿后的算力需求，以及数据中心对美国再工业化和地方经济的影响。 节目后半段进一步讨论轨道数据中心、可复用火箭、小行星采矿、多模型架构、企业智能抽象层，以及英伟达为何可能同时成为开源和 AI 碎片化趋势中的最大受益者。如果你正在关注 AI 投资、算力供需、芯片产业链、数据中心建设、模型商业化或未来产业格局，这期节目提供了大量来自投资一线的判断与反直觉观点。 👨‍⚕️ 本期嘉宾 Gavin Baker，Atreides Management 创始人兼首席投资官，长期专注于科技、半导体、云计算和 AI 基础设施投资。作为一名深度研究技术产业链与资本市场的投资人，他不仅关注哪家公司会赢，也关注资本如何进入算力建设、客户如何选择芯片、不同模型如何获得真实需求，以及基础设施投资何时能够回本。 Gavin 的独特之处在于，他会把 AI 热潮放回供需、融资、产业周期和企业经营的框架中分析：一方面承认重大技术变革几乎必然伴随泡沫与过度建设，另一方面又指出当前 AI 可能正处于需求刚刚开始扩散、供给却已经受到物理瓶颈限制的阶段。他对英伟达、SpaceX、开源模型和企业级 AI 的判断，也构成了本期最值得关注的投资与产业观察。 ⏱️ 时间戳 00:00 开场：AI 热潮究竟有没有看空理由 01:07 Gavin 为何整个夏天都找不到恶化指标 01:17 本期节目：重新审视 AI 热潮的经济逻辑 03:13 "大家都会赢"：AI 为什么可能不是零和竞争 前沿实验室、商业化与资本配置 03:47 Anthropic 的财务重置与上市博弈 05:48 Anthropic 意外成为企业服务公司 06:09 训练和推理之间的巨大收入取舍 07:51 AI 产业为何可能出现多方共赢 算力建设的经济学：一年以内回本 08:51 实验室为何愿意牺牲自由现金流投入训练 10:44 花得不够会丢份额，花得太多可能破产 11:20 AI 基础设施投资为何拥有极高回报 11:33 Nebius、CoreWeave 与超短回本周期 需求侧才刚刚开始：从千万用户到十五亿知识工作者 13:47 过度建设论点与真实需求来源 14:17 AI 使用中的幂律分布 14:42 全球 15 亿知识工作者意味着什么 15:32 Token 消耗量在数月内增长 100 倍 AI 从辅助工具走向行动代理 16:00 Gavin 如何学习使用 AI 16:32 Claude Code 与 GrokBot 带来的生产力跃迁 17:44 工程师使用 AI 写代码从 20% 到 95% 18:27 从总结信息到自动化执行任务 泡沫、短缺与美国再工业化 19:05 重大技术变革为什么总会制造泡沫 20:31 铜、电力与算力的根本性瓶颈 22:30 数据中心为何可能是美国工薪阶层的机会 23:59 AI 建设如何帮助美国重新工业化 供不应求与算力不平等 27:51 到 2028 年仍可能没有多余算力 28:21 获取智能的价格可能大幅上涨 29:19 严重算力短缺会带来什么后果 30:10 为什么世界仍然需要建设更多数据中心 太空算力与 SpaceX 的未来 31:23 马斯克与黄仁勋正在改变文明结构 32:30 轨道数据中心并不是太空巨型建筑 34:13 轨道算力在物理上为何可行 34:52 星舰可复用性如何改变经济模型 多模型时代与企业智能抽象层 45:08 微软、模型组合与新的竞争格局 45:36 没有任何模型能在所有方面做到最好 47:09 企业为什么要拥有自己的智能 49:42 多模型、路由器与专业化智能的未来 英伟达：AI 产业的中央银行 57:00 黄仁勋为何处在极其有利的位置 57:25 半导体公司最应该对英伟达说什么 59:18 英伟达数据中心为何更容易获得融资 1:01:24 开源为什么反而利好英伟达 🌟 精彩内容 💡 AI 可能不是赢家通吃，而是"大家都会赢" Gavin 反对把 AI 产业理解成一场只能诞生一个赢家的零和竞争。在他看来，前沿模型、上一代模型、开源社区、应用公司、云厂商和英伟达分别占据不同价值层，只要整体智能需求持续增长，多个参与者都可能获得巨大回报。真正需要警惕的不是谁击败谁，而是市场用单一赢家叙事低估了整个产业的扩张空间。 "这不是非此即彼的单选题。这是个兼得的事情。" 💡 AI 基础设施可能不是泡沫，而是建设不足 市场经常担心数据中心和 GPU 投资过热，但两人的讨论指出，需求侧目前可能只来自不到千万级的重度用户，而全球有约 15 亿知识工作者。即便 2028 年前计划中的建设全部完成，也未必会有多余容量；如果需求扩散速度超过供给扩张，结果可能不是算力过剩，而是价格暴涨和算力不平等。 "大家都在担心供过于求。我其实更担心供不应求。" 💡 算力投资的回本周期正在重写资本规则 Nebius、CoreWeave 等公司的案例显示，GPU 集群可以通过客户预付款、现货市场和融资安排实现极短回本周期。与传统重工业相比，部分 AI 基础设施投入可能在一年以内收回，甚至还没有计入模型能力提升后 Token 价值上升带来的额外收益。 "在我的投资生涯里，真没有过多少这样的机会，能有公司投入几百亿、几千亿美元，却能在不到一年内回本。" 💡 数据中心可能成为美国再工业化的引擎 Gavin 认为，数据中心建设会带来电力、工程、建筑、设备和地方税收等一系列真实需求。对一些产业衰退的小镇而言，一个数据中心可能让税收增长数倍，并重新带动就业与基础设施建设。AI 的社会价值不能只用聊天机器人或搜索替代来衡量，也要看它是否为普通人带来可感知的经济收益。 "我们正在让美国重新工业化，这太棒了。" 💡 下一代 AI 用户将天然地使用行动型工具 Gavin 以自己使用 GrokBot、Claude Code 的经历说明，AI 的价值正在从"帮我总结"转向"替我采取行动"：分析信息、创建应用、追踪市场、提出建议，再进一步自动执行工作流。年轻用户可能会以更加原生的方式使用 AI，而当前用户增长的真正爆发点，可能还没有到来。 "我只想知道，怎么让我把工作做得更好。" 💡 企业未来需要拥有自己的智能 在企业场景中，最重要的资产不是一个通用模型本身，而是企业独有的数据、上下文和工作流程。更可能出现的架构是：企业使用高质量开源基座模型，用自己的数据进行微调，再通过路由器调用一两个前沿模型完成规划与校验。这样既能控制数据和成本，也能让智能真正嵌入业务。 "如果智能是你业务里一个极其重要的投入项，你会希望拥有并掌控自己的智能、它的能力以及它的成本。" 💡 英伟达的优势不只是 GPU，而是整套生态与融资系统 英伟达的护城河包括 CPU、GPU、网络、存储、机架、供应链、客户关系和融资能力。它不仅锁定了晶圆、DRAM、NAND、激光器、电容器等关键产能，还能通过残值担保、承购协议和融资安排降低客户建设数据中心的资本成本。竞争对手即便做出一款优秀芯片，也还需要补齐其余系统。 "他是 AI 的中央银行。他是 AI 的美联储。" 💡 轨道算力的关键不在科幻想象，而在发射成本 轨道数据中心并不意味着在太空建造巨型建筑，而可能是搭载芯片、太阳能电池板和散热器的模块化机架。它的经济性取决于星舰能否实现高频、低成本、可复用发射：地面数据中心的电力、冷却和人工成本可能持续上升，而太空可以利用太阳能和辐射散热。地面算力不会消失，但全球算力中进入轨道的比例可能越来越高。 "有了星舰的可复用性，发射成本能降到 10 亿以下，经济模型瞬间就反转了。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺

📝 本期播客简介 本期我们克隆了：The Rest Is History America in ’68 — Complete Series (Parts 1–6) 原内容更新时间：2024-10-28 1968 年的美国，像一部由“疯子剪辑师”剪出来的先锋电影：越南战争持续升级，城市暴动蔓延，马丁·路德·金与罗伯特·肯尼迪先后遇刺，林登·约翰逊突然退出总统竞选，乔治·华莱士以第三党候选人身份崛起，芝加哥民主党全国代表大会演变成警察与抗议者的街头冲突，而理查德·尼克松则在所有人都关注混乱时，完成了一次惊人的政治复出。 这是《The Rest Is History》关于“美国 1968”的完整六集合并版。汤姆·霍兰德与多米尼克·桑德布鲁克从越南战争和 LBJ 的政治崩塌讲起，讲到马丁·路德·金的最后岁月、罗伯特·肯尼迪的竞选与遇刺、乔治·华莱士如何把种族焦虑包装成“法律与秩序”，以及青年国际党人如何用戏剧、幽默与挑衅对抗权威。 这期节目尤其适合想理解美国政治长期转向的听众：为什么白人工人阶级逐渐离开民主党？“法律与秩序”何时成为政治狗哨？第三党候选人如何改变两党竞争？电视、广告、名人和现场表演如何重塑总统竞选？节目也不断将 1968 年与当代美国政治、特朗普、拜登退选以及以色列—加沙战争等现实议题并置，让这段历史不只是过去，而是一套仍在运转的政治模板。 👨‍⚕️ 本期嘉宾 本期由 Goalhanger Podcasts 出品的《The Rest Is History》两位主持人共同展开。汤姆·霍兰德是英国历史学家、作家，研究古代世界与政治文化，擅长用古罗马、希腊悲剧和帝国史的框架观察现代政治人物；多米尼克·桑德布鲁克是英国历史学家、传记作者，长期研究战后英国与美国政治，博士论文正是围绕 1968 年美国政治展开。 两人的组合构成了这期节目的独特张力：桑德布鲁克提供大量档案、传记、口述史与一手采访材料，霍兰德则不断追问人物的性格、修辞和历史隐喻。他们既严肃讨论战争、种族、阶层与制度，也会从“裤子、猪、诗歌、摇滚乐和小便池”这些荒诞细节切入，还原 1968 年那种高度戏剧化、混乱又鲜活的时代气氛。 🌐 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：Lenny's Podcast: Product | Career | Growth AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) 原内容更新时间：Sun, 30 Aug 2026 本期由 Lenny Rachitsky 主持，嘉宾是 OpenAI 产品负责人 Tara Seshan。Tara 目前与工程经理 Andrew Ambrosino 搭档，负责 Codex 与 ChatGPT Work；加入 OpenAI 前，她曾在 Stripe 工作六年，是 Stripe 早期的产品经理之一，也曾负责 Watershed 产品、担任创业者与 Thiel Fellow。她既经历过高速成长的科技公司，也亲身参与过创业、风投孵化与前沿 AI 产品建设。 这场对谈的核心，是 AI 产品正在从“聊天”与“调用 Agent”走向第三个时代：与一个长期在线、能够持续推进任务的 AI 同事共同工作。Tara 分享了 OpenAI 内部如何快速实验、为什么产品经理必须从“划桨”转向“掌舵”、Codex 如何改变知识工作，以及 ChatGPT 的 Chat / Work 模式最终可能如何走向融合。 节目还深入讨论了 AI 时代的职业焦虑：当简单工作被彻底自动化，工程师、设计师、产品经理的边界正在消失，人类究竟还剩下什么不可替代的价值？Tara 的答案包括责任、判断、表达、品味、人与人之间的连接，以及决定未来应该朝哪个方向发展的主见。 👨‍⚕️ 本期嘉宾 Tara Seshan，OpenAI 产品负责人，负责 Codex 与 ChatGPT Work。她曾在 Stripe 工作六年，是 Stripe 早期的产品经理之一，并曾多年位列公司表现最出色的员工之列；之后她负责 Watershed 的产品，也拥有创业经历。Tara 还是 Thiel Fellow，以及首届 Lenny’s Newsletter Fellow 之一。 Tara 值得关注的地方，在于她同时具备产品、创业、企业软件与 AI 前沿实验室的经验。她不仅在打造下一代 AI 工作产品，也在重新思考产品经理、工程师和知识工作者的基本工作方式：在模型能力快速变化的时代，如何定义问题、验证假设、建立反馈闭环，并把野心转化为真正可用的产品。 ⏱️ 时间戳 AI 产品的第三个时代：常驻 AI 同事 00:00 从 Chat 到 Agent，再到常驻 AI coworker 01:28 Tara Seshan 登场：OpenAI、Codex 与 ChatGPT Work 02:46 OpenAI 内部文化：每个人都像一个创始人 从理论推演转向快速实证 05:26 AI 时代，PM 失去了什么 06:23 为什么多产出、靠实证比长篇战略文档更重要 07:51 PM 工作的核心：定义问题、验证假设、跑通闭环 09:40 从划桨到掌舵：人类负责方向，Agent 负责执行 Agent 如何成为真正的同事 13:46 与长期存在的 Agent 协作 15:09 从一对一 Agent 到多人协作的 Agent 群聊 16:45 慢起飞、信任与 Agent 承担更多工作 17:31 数据访问、云基础设施与可靠性同样关键 野心、作者性与人的非对称优势 18:27 AI 让野心从优势变成必需品 19:04 AI 如何把普通人变成“独角兽人才” 20:58 真正的瓶颈不是能力，而是想象力 22:51 PM 的新职责：不断拉高团队的野心 ChatGPT Work、Codex 与 AI 产品设计 25:36 产品应该面向两三个月后的模型 27:35 Chat、Work 与 Codex 到底有什么区别 32:38 如何把 Agent 能力带给十亿 ChatGPT 用户 33:37 AI 产品第三时代：和常驻同事一起把事情做完 从写代码到做判断：职业角色的重构 38:22 当工程师、设计师和 PM 的边界开始消失 41:28 AI 时代人类大脑还剩下什么价值 43:32 Tara 如何在工作中使用 AI：建网站与可视化 48:42 “写作是思考”与“写作是汇报”的区别 产品、营销与 PMF 的可复制方法 54:50 Tara 在 Sutter Hill Ventures 的经历 55:52 找到 PMF 不是玄学：成功背后存在一套打法 57:34 为什么产品与营销的契合要早于产品本身 59:53 知识工作不同于写代码：必须看见过程与工作证明 🌟 精彩内容 💡 AI 产品的第三个时代，是拥有一个常驻同事 Tara 将 AI 产品的发展分为三个阶段：最初是 Chat，接着是与 Agent 协作，而下一阶段则是与一个长期存在、能够持续推进工作的 AI 同事共事。这个 AI 不只是回答一次问题，而是像团队成员一样持续工作、接受反馈，并与其他人的 Agent 协同完成任务。 “那可能很快到来的第三个时代，就是你该如何与一个能和你一起把事情做完的常驻同事协作？” 💡 AI 时代，PM 从划桨者变成掌舵者 当 Agent 可以承担越来越多具体执行工作，人的角色不会因此消失，而是上升到更高的抽象层：确定目标、判断方向、解释反馈，并决定产品与世界应该朝哪里发展。执行可以交给 Agent，但方向感和最终决断仍需要人来提供。 “未来的工作会越来越像掌舵而不是划桨。” 💡 最危险的产品开发方式，是押错模型时间点 AI 产品不能只按照今天的模型能力设计，否则很快会过时；也不能按照一年后的想象设计，因为那样同样可能脱离现实。真正可行的节奏，是紧贴研究进展，在两到三个月的时间窗口里持续调整产品架构与体验。 “如果你按模型现在的水平去开发，你会失败。如果你按自己设想的一年后模型会达到的水平去开发，你也会失败。” 💡 AI 让野心成为新的竞争壁垒 当简单任务变得人人都能完成，人与人、公司与公司之间的差距，就不再主要来自执行能力，而来自对可能性的想象。最会使用 AI 的人，不只是自动化重复劳动，而是借助 AI 把过去无法实现的想法快速变成原型、网站、模型和产品。 “现在把人和人、公司和公司区分开来的，就只是他们能有多大的野心了。” 💡 人类的价值，从亲自执行转向承担责任与表达主见 Agent 可以完成大量工作，但最终必须有人判断结果是否正确、质量是否足够、是否符合目标，并为产出承担责任。除此之外，产品中的作者性、品味、艺术表达，以及人与人之间的关心与连接，仍然是难以被简单自动化的部分。 “到底由谁来对最终的结果负责？最终谁来对最终产出负责？” 💡 “写作是思考”不能外包，“写作是汇报”可以自动化 Tara 将工作写作分成两类：用于整理和形成自己观点的写作，以及用于总结、汇报和格式转换的写作。后者可以尽可能交给 AI，但前者正是人训练判断力、澄清思路和发现问题的过程，不能让模型替自己完成。 “以写作为思考是我永远不会自动化的。” 💡 知识工作必须看见推理过程，而不只是最终结果 写代码可以通过测试判断结果是否运行正确，但知识工作往往不能只看一份漂亮的 PPT 或报告。用户需要了解 AI 使用了哪些信息、如何推理、引用了什么来源，才能真正判断结果是否可信。因此，未来的 AI 产品必须成为协作者，而不是只交付答案的黑箱。 “我真的需要去思考其中的过程、输入的信息、推理逻辑，以及它是如何一步步推导出来的。” 💡 完成好过完美，反馈闭环比上线前打磨更重要 在模型和产品能力高速变化的时代，过度追求上线前的完美可能意味着错过最重要的学习机会。更有效的方法是尽快把产品交给用户，观察真实使用方式，识别哪里行不通，再快速迭代。 “当你非常确信它具有颠覆性的时候，把产品交到用户手里远比追求完美要好得多。” 🌐 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

📝 本期播客简介 本期我们克隆了：David Senra Doug Leone on Sequoia, Fear, Great Founders & Starting Over at 69 原内容更新时间：Sun, 30 Aug 2026 本期嘉宾是红杉资本传奇合伙人 Doug Leone，主持人是 Scicomm Media 的 David Senra。Doug 出生于意大利，移民美国时不会说英语，早年作为“局外人”的不安全感，后来变成了推动他不断重塑自己的动力。他在红杉资本工作 26 年，见证并参与了 Apple、Cisco、Google、NVIDIA 等公司的成长，也曾在 65 岁时主动卸任，为下一代合伙人让出位置。 但离开并没有让 Doug 真正“退休”。四年后，他重新回到红杉资本，放下主席头衔，把自己当成一名低级别分析师，重新学习 AI。他坦言，自己在 69 岁时依然害怕被时代淘汰，甚至在回归 90 天后觉得“自己一无是处”。这场对谈的核心，不是一个成功投资人的回忆录，而是一位顶级投资人如何在新技术革命面前主动归零。 节目还深入讨论了风险投资最重要的判断标准、为什么投资人总是过早卖出赢家、红杉如何识别“极具竞争心且有一颗金子般的心”的创始人，以及投资人真正应该如何帮助创始人。Doug 也分享了与 Michael Moritz 共事 25 年学到的倾听方法、董事会搭建原则、信任如何加速商业决策，以及如何把痛苦和不安全感转化为长期行动力。 👨‍⚕️ 本期嘉宾 Doug Leone，红杉资本传奇投资人，曾担任红杉资本全球管理合伙人，并在机构中工作 26 年。他出生于意大利，年轻时移民美国，经历过语言障碍、身份焦虑与经济困境，甚至在刚成为红杉合伙人时一度睡在车里。 Doug 参与投资和支持过多家改变产业格局的公司，包括 Apple、Cisco、Google、NVIDIA、ServiceNow、Nubank 等。他的投资方法极度聚焦于少数能够带来 100 倍回报的“极端异常值”，同时强调投资人的职责并不是替创始人设计技术，而是帮助他们把产品变成真正可持续的业务。 他值得被反复倾听的地方，在于他既拥有几十年的科技与投资经验，又始终保留着重新开始的危机感。面对 AI，他没有把过去的成功当作护城河，而是愿意承认自己再次成为一名初级分析师，从头学习这个正在重写商业规则的时代。 ⏱️ 时间戳 持续称霸与反复重塑自己 00:03 什么样的人能称霸几十年 00:48 为什么必须一次又一次重塑自己 01:31 69 岁重返红杉：再次从低级别分析师做起 02:55 Jimmy Iovine：不看后视镜，只担心明天 恐惧、不安全感与内驱力 04:10 恐惧究竟是阻力还是动力 04:38 用公开演讲、恐高和根管治疗直面恐惧 07:04 从海滩俱乐部的屈辱感到“我要收拾你们” 09:29 如何把复仇冲动转化为正向动力 财富、苦难与重新开始 09:57 为什么孩子需要一点真实的苦难 12:50 卖掉豪车：从物质享受到简单生活 13:57 重返工作岗位是 Doug 主动给自己找的磨难 15:36 成为红杉合伙人后曾经睡在车里 AI 时代的投资判断 17:49 为什么 65 岁卸任，又在四年后回归 21:25 AI 是否是工业革命级别的变化 22:56 Doug 投资前必问的三个问题 24:30 只做 20 笔投资，只寻找 100 倍回报 赢家、复利与投资人的角色 25:31 为什么最好的投资总会带来意外 25:56 风投最常见的错误：过早卖出赢家 26:46 红杉曾经拥有 Apple、Cisco、Google、NVIDIA 的巨大股份 27:58 投资人不是产品经理，而是帮助创始人把业务做起来 识别真正伟大的创始人 29:20 Doug 喜欢“不服管”的异类创始人 31:01 David Vélez 与 Nubank 的起点 34:01 从 0 到 1 是创始人的黑魔法 34:57 投资人的任务：尽可能长久地保留创始人 信任与组织文化 57:44 信任如何从恐惧开始建立 59:27 信任是商业的加速剂 1:00:00 信任同时包含能力与善意 1:02:55 为什么签过条款清单后就不能反悔 董事会、反馈与高质量分歧 1:12:21 像架构产品一样架构董事会 1:13:05 不要只因为拿到 term sheet 就选择董事 1:16:15 真正的董事会不是争吵，而是把问题摆上台面 1:18:39 如何让困难的反馈真正被创始人听进去 长期关系、倾听与下一次创业 1:26:08 Michael Moritz 教 Doug 听具体的词 1:29:19 如果一切顺利，这家公司能变成什么 1:29:49 结束语：一年后再回来继续验证结果 🌟 精彩内容 💡 恐惧不是阻力，而是前进信号 Doug 并不试图消除恐惧，而是把恐惧当成必须立即行动的提醒。对他来说，害怕被淘汰、害怕落后，意味着不能停留在过去的成绩里，必须主动进入陌生领域、重新证明自己。 "我一感到恐惧，就意味着我他妈现在就得往前冲。" 💡 真正的重启，意味着放下自我 69 岁重返红杉后，Doug 拒绝把“主席”当成自己的真实身份。他把自己重新定位为低级别分析师，接受自己暂时落后、暂时无知，并用这种姿态去面对 AI 带来的新世界。 "我其实就是一个分析师。我是一个低级别的分析师，我必须证明自己。" 💡 顶级风投只寻找极端异常值 Doug 不满足于一笔投资带来两倍、三倍回报，而是把机会压缩到一个极高的标准：如果一生只能做 20 笔投资，这是不是其中一笔？它有没有可能为整支基金带来回报？这种限制迫使投资人拒绝大量“看起来不错”的项目，只把注意力放在真正可能改变基金命运的公司上。 "我只要那些能带来 100 倍回报的。我只对这种感兴趣。" 💡 投资人不是来替创始人做产品的 Doug 认为，伟大的创始人往往比投资人更懂产品和技术，尤其是那些极度聪明、强烈执着的年轻工程师。投资人的价值在于帮助他们补上商业化环节：招募早期团队、建立销售和市场、寻找客户、处理危机，并让产品最终成为一门真正的生意。 "我的职责是帮助创始人把业务做起来，而不是去塑造一家公司的技术。" 💡 信任是商业运转的加速剂 信任并不等于盲目信任。Doug 将信任拆成两个部分：对方是否有能力，以及对方是否有善意。只有能力和意图同时可靠，组织才能快速决策；否则，信息会在层层汇报中变形，企业也会陷入低效和内耗。 "信任包含两个部分：能力和意图。" 💡 董事会要像产品一样被设计 创始人不能因为某个人主动示好、某家机构给出第一份 term sheet，就随意组建董事会。董事会成员是未来五到七年的长期伙伴，需要具备互补的技能、完整周期的经验和合适的性格；适度的不适感，往往正是学习和纠错的来源。 "要像架构产品一样去架构你的董事会。" 💡 最好的分歧，是为了找到正确答案 Doug 不喜欢把高质量的董事会讨论称为“争吵”。真正有效的冲突不是为了证明谁赢了，而是把问题摆到台面上，充分讨论，找到创始人和公司真正需要的答案，然后在走出会议室后统一行动。 "我认为这是一种支持的状态，为了得出创始人需要的答案。" 💡 投资人要问：如果一切顺利，它能变成什么 Doug 从 Michael Moritz 身上学到的一个关键习惯，是不要只盯着风险、问题和最坏情况，也要认真想象一家公司在一切顺利时的上限。伟大投资的巨大回报，往往来自公司持续多年复利，而不是来自短期的成功退出。 "要是所有事情都顺理成章呢？这项业务能做成什么样？" 🌐 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

📝 本期播客简介 本期我们克隆了：Y Combinator Startup Podcast Patrick Collison: "What If You Succeed?" 原内容更新时间：Mon, 03 Aug 2026 本期节目来自 Y Combinator 的 Startup Podcast，由 Harj 主持，对谈 Stripe 联合创始人兼 CEO Patrick Collison。两人早在 20 多年前就相识并共同创业，这次对话从 Patrick 少年时期编写 Lisp 方言的经历出发，讨论 AI 时代年轻人究竟应该学习什么、亲自掌握什么，又该把哪些工作交给 Claude 和各种 Agent。 Patrick 分享了自己两次从 MIT 退学、创办 Stripe 的经历：为什么“退学创业”并不是一条不可逆的单行道，为什么 Stripe 没有遵循“尽早发布”的惯常建议，以及真实生产环境中的早期客户如何一步步推动产品成长。对正在考虑创业、辍学、转型或进入 AI 行业的人来说，这是一期关于时机判断、用户痛点、苦差事与长期主义的实战访谈。 节目后半段进一步进入 AI 创业的核心焦虑：大型模型实验室会不会把初创公司“踩死”？精益创业在 AI 时代是否仍然适用？Stripe 的数据又是否真的显示，现在是创业的黄金时期？Patrick 给出的答案并不依赖宏大预测，而是来自他在支付、企业客户和新公司增长中看到的真实变化。 👨‍⚕️ 本期嘉宾 Patrick Collison，Stripe 联合创始人兼 CEO。Stripe 是全球领先的互联网支付与金融基础设施平台，为从初创公司到大型企业的数字化业务提供支付、收款、公司注册、金融服务等工具。Patrick 与兄弟 John Collison 在 2010 年共同创办 Stripe，此前还曾创办在线拍卖软件公司 Auctomatic。 Patrick 的经历横跨软件工程、创业、金融科技与科学研究。他曾在 MIT 学习物理，并两度从大学退学创业；他既是亲自写代码、重视第一性原理的技术型创始人，也长期观察全球创业生态和企业创新。值得听他的原因在于，他讨论 AI 与创业时不仅谈技术想象，更能结合 Stripe 服务的大量真实企业，提供关于产品、组织、市场与长期选择的一手判断。 ⏱️ 时间戳 开场：从 Lisp 到 AI 时代的学习方式 00:00 开场与 Patrick、Harj 的旧日渊源 00:23 Patrick 高中时期编写 Lisp 方言 Croma 01:25 AI 时代，大学生到底该学什么 01:44 用“缓存”理解知识与 AI 的关系 哪些能力不该外包给 AI 02:17 为什么大脑中的“L1 缓存”仍然重要 02:59 Patrick 为什么坚持自己写作 03:23 LLM 能证明猜想，却还写不出有说服力的文章 两次退学与创办 Stripe 04:10 从 MIT 退学创业的决定 04:31 Patrick 两次退学、又回到大学的经历 05:30 退学创业的代价并没有想象中那么高 06:24 “机会窗口正在关闭”可能是一种错觉 Stripe：一个好点子，也可能是一个坏点子 07:49 Stripe 早期看起来为什么既合理又荒谬 08:06 从具体客户痛点出发，而不是凭空想象需求 08:40 两个年轻人为什么没人相信 09:43 一顿寿司如何促成 Stripe 的创立 为什么 Stripe 等了近两年才发布 10:37 没有急着发布：Stripe 的反常选择 11:21 安全、银行、基础设施与可靠性的复杂性 11:40 从第一位生产环境客户开始迭代 12:31 真实用户反馈如何塑造产品 AI 时代的创业方法 13:04 “尽早发布”为什么不能成为普遍教条 13:16 AI 会不会让第一版产品应该更有野心 13:49 精益创业在 AI 时代可能面临的变化 14:34 为什么今天可以从更激进、更有野心的起点开始 成功之后，你会喜欢自己建立的公司吗 14:52 Stripe 与“苦差事盲视” 15:18 公司成长后不可避免的无趣工作 15:42 创业者为什么应该问“如果我成功了呢” 16:10 Patrick 为什么仍然喜欢 Stripe 大模型实验室会杀死初创公司吗 17:24 大型实验室与初创公司的竞争焦虑 17:48 AI 能力提升与实验室主动扩张的区别 18:03 从“谷歌会不会做这个”看今天的 AI 担忧 18:50 模型能力本身对垂直行业的替代 创业的黄金时期与更分散的未来 19:15 Stripe 数据：创业公司数量正在激增 19:59 Vibe coding 做出来的产品真的成功了吗 20:39 为什么 Patrick 认为现在是前所未有的好时机 21:41 企业害怕被淘汰，反而更愿意采用初创公司的产品 22:54 AI 会走向中心化霸权，还是成千上万个赢家 🌟 精彩内容 💡 不要只问“如果失败了怎么办”，更要问“如果成功了呢” 很多创业者在融资、招人和扩张之前，习惯反复思考失败的风险，却很少认真想象成功后的生活与工作状态。Patrick 提醒，真正重要的问题是：当公司拥有客户、员工和资本之后，你是否仍然愿意为它投入 10 年、17 年，甚至 30 年。 “我觉得你需要问相反的问题，如果你成功了呢？” 💡 知识存在大脑缓存里，调用速度远胜于外部 Agent Patrick 借用计算机体系结构中的缓存概念解释学习：让 Agent 查资料当然有用，但外部调用的延迟远高于已经存储在大脑中的知识。真正掌握基本原理，不只是为了考试，而是为了让思考、推演和迭代变得更快。 “那比起存在你大脑的 L1 缓存里，要慢得太多了。” 💡 AI 可以完成惊人壮举，却未必能写出真正有说服力的文章 Patrick 并不否认大模型的能力，甚至承认它们可以完成证明重大数学猜想等令人震惊的任务。但他仍然坚持自己写作，因为写作涉及现实世界中的人际沟通、论证和复杂语境，这些能力目前仍然难以被简单的奖励函数定义和优化。 “我到现在还没读过一篇让我觉得非常有说服力的 LLM 文章。” 💡 退学不是单行道，创业决定也不必被神化 Patrick 两次从大学退学，又重新回到 MIT 学习，这段经历说明教育与创业并非只能二选一。对喜欢大学的人来说，读完并没有问题；对不喜欢大学的人来说，退学的实际代价也未必像父母和社会想象得那么巨大。 “你可以退学，其实也可以再回去。” 💡 真实痛点，往往比漂亮概念更能拯救一家初创公司 Stripe 的起点并不是一个宏大的金融科技叙事，而是创始人在互联网业务中亲身遇到的支付难题：表格复杂、流程过时、银行服务难用。这个点子既显然合理，又因为两个年轻人缺乏金融行业信誉而显得荒谬；最终支撑它的，是用户确实愿意为解决方案付费。 “我认为，最终恰恰是它扎根于如此具体、实际、真实的用户痛点，才救了我们。” 💡 “尽早发布”不是放之四海而皆准的创业真理 Stripe 从写下第一行代码到公开发布花了将近两年，但团队很早就让真实客户进入生产环境。对支付这类涉及安全、资金、银行合作和可靠性的产品而言，公开发布前的基础建设不可省略；关键不是盲目追求发布速度，而是持续从真实用户和真实使用场景中学习。 “如果你有这样源源不断的现实依据，不那么急着嚷嚷发布发布，可能也没问题。” 💡 AI 时代，创业者或许可以一开始就做得更大 传统精益创业强调从狭窄切口进入市场，再逐步扩张。但 AI 降低了构建复杂产品和组织能力的成本，也让许多小利基市场变得更加拥挤。Patrick 认为，新公司可能需要更激进地与他人区分，直接尝试更有野心的方向。 “而现在我觉得你一开始就可以做更激进、更有野心的东西。” 💡 大型实验室很强，但复杂组织很难同时做好一切 面对“基础模型公司会不会吞掉所有创业机会”的焦虑，Patrick 用谷歌的历史作类比：拥有巨大资源不等于能同时推进所有方向。大型组织会受到优先级、协调成本与内部冲突的限制，因此 AI 时代未必只有少数赢家，反而可能出现大量利用新能力成长的公司。 “人类组织是很复杂的，很难做到同时强力推进 100 个不同的优先级。” 💡 Stripe 的数据表明，创业正在变得更快、更普及 Patrick 观察到，通过 Stripe 和 Atlas 注册的新业务数量显著增长，中位数业务的表现也在改善，达到 100 万、500 万或 1000 万美元营收门槛所需的时间正在缩短。企业对落后和被淘汰的恐惧，也让它们更愿意尝试初创公司的新产品。 “Stripe 的数据表明，现在是前所未有的好时机。” 🌐 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

📝 本期播客简介 本期我们克隆了：All-In with Chamath, Jason, Sacks & Friedberg Nvidia's Historic Quarter, SaaS Comeback, Bessent vs Druck, America's Debt Crisis, Cancer Vaccine 内容存在约 3 分钟的删减 原内容更新时间：2026-08-29 本期是 All-In Podcast 四位核心成员 Chamath Palihapitiya、Jason Calacanis、David Sacks 与 David Friedberg 的长篇讨论。从机器人奥运会、中国社会对 AI 的乐观态度，到英伟达创纪录财报与 Salesforce 的强势反弹，四位主持人试图回答一个问题：AI 这轮浪潮究竟是在制造泡沫，还是正在重写整个商业与经济结构？ 节目随后转向美国财政与债券市场。贝森特试图通过回购长期国债压低收益率，却遭到其导师斯坦利·德鲁肯米勒批评。四位主持人围绕 40 万亿美元债务、未来 10 万亿美元再融资、政府支出、通胀、房贷利率以及美国可能面临的财政危机展开激烈讨论，并进一步推演 2026—2028 年乃至 2030—2032 年可能出现的政治与财政转折。 后半部分则讨论两个极具现实感的话题：德鲁肯米勒使用 AI 撰写观点文章是否辜负读者，以及基于新抗原和 mRNA 的个性化癌症免疫疗法是否应该被少数公司以高价垄断。整期节目横跨科技、资本市场、美国政治、媒体伦理、家庭教育、战争与生物医药，既有数据密集的分析，也有 All-In 一贯的即兴争论与强烈立场。 👨‍⚕️ 本期嘉宾 本期并非单一嘉宾访谈，而是 All-In Podcast 四位固定主持人的圆桌讨论。Chamath Palihapitiya 是连续创业者、投资人，长期关注科技公司、资本市场与宏观经济；Jason Calacanis 是企业家、天使投资人与播客主持人，擅长从创业者和普通用户的视角追问问题；David Sacks 是企业家、投资人，曾参与创办 Yammer，并长期关注 SaaS、AI、政策与地缘政治；David Friedberg 是企业家、投资人及科技评论者，拥有生物科技与农业科技背景，尤其擅长解释生命科学、能源和产业技术。 四位主持人的背景差异，使本期讨论形成了鲜明的互补：Chamath 更关注市场定价与资本流向，Sacks 聚焦软件平台和政治经济，Friedberg 负责技术、科学与财政机制的拆解，Jason 则不断把宏观议题拉回创业者、家庭和普通人的生活体验。 ⏱️ 时间戳 开场：科学、异见与 AI 乐观主义 00:00 All-In 四人组回归与节目开场 00:46 Eric Weinstein、科学界异见与“羊群心态” 02:27 从新冠起源争议看假说、真相与错误信息 04:07 中国机器人奥运会与中美 AI 乐观度差异 机器人、Agent 与 AI 产品形态 07:11 Optimus 的进展与人形机器人真正的难点 08:19 Grokbot、云端 Agent 与桌面 Agent 的差异 09:26 多 Agent 协作、群聊模式与产品传播性 英伟达与 SaaS 的强势回归 10:23 本期核心议题：英伟达财报与 SaaS 反弹 10:26 英伟达创纪录季度：营收、利润与增长指引 12:03 Salesforce 财报大涨与 SaaS 末日论反转 13:59 AI 三阶段：模型、harness 与掌握上下文的 Agent SaaS 末日到底结束了吗 16:43 用 Claude Code 和 Cursor 自建 CRM 的真实经历 18:48 通用平台与垂直行业软件，谁更有价值 20:20 为什么核心记录系统不会轻易被 vibe coding 替代 21:27 Salesforce 接入 Claude：从用户界面到 Agent 界面 从记录系统到 Agent 经济 22:30 SaaS 如何在 AI 浪潮中保住自己的位置 23:19 Agent 如何释放 Salesforce 被困住的功能价值 24:33 API、CLI 与“最好的 Agent 界面” 27:27 垂直 SaaS 的护城河：记录系统还是工作流 英伟达押注开源与商业边界消融 30:34 黄仁勋收购 Hugging Face、Poolside 的战略意图 32:11 英伟达财报为何证明 AI 资本支出远未结束 33:34 英伟达、OpenAI、AMD 与开源生态的竞争 35:05 云厂商、芯片公司与模型公司走向垂直整合 贝森特、德鲁肯米勒与美国债务危机 37:02 贝森特的债券回购策略与德鲁肯米勒的批评 39:29 从疫情时期收益率曲线看美国借贷成本变化 41:38 40 万亿美元债务、再融资海啸与利息负担 42:38 为什么压低收益率无法解决根本性的财政问题 美国财政、政治与住房困境 45:46 两党共同造成的支出问题与债务增长 50:18 国会为何无法控制预算：一场公地悲剧 53:52 2026—2028 与 2030—2032：可能出现的财政转折点 1:01:04 政府支出、房贷利率与普通人买不起房 AI 写作、署名与读者信任 1:07:02 德鲁肯米勒用 AI 写文章引发的争议 1:09:26 AI 写作是否等同于创意表达中的“假唱” 1:11:29 数字工具是在替代人类，还是放大创造力 1:12:21 读者为什么在意内容是不是出自真人 1:14:32 AI 使用披露：校对、调研与代写的边界 战争、社交媒体与癌症免疫疗法 1:22:37 中情局局长访问莫斯科与俄乌停火猜测 1:27:44 Meta 限制未成年人使用 Instagram 1:29:52 Moderna 癌症疫苗与新抗原疗法 1:31:20 DNA 测序、mRNA 与个性化癌症治疗 1:40:06 癌症治疗专利、公共科研资金与医疗普及 1:41:00 早期检测、CAR-T 与癌症治疗的未来 🌟 精彩内容 💡 科学真正需要的是异见，而不是整齐划一 节目从 Eric Weinstein 和科学界的“羊群心态”谈起，指出当科研经费、终身教职和同行评价都奖励主流观点时，科学可能失去最重要的纠错机制。一个理论在被证实之前当然可能是错的，但“尚未被证实”不应自动等同于“错误信息”。 "可科学曾经完全是关于非主流思想的。" 💡 美国在 AI 竞赛中最大的风险，可能是悲观 四位主持人将中美社会对 AI 的态度进行对比：如果一方把 AI 主要看成失业、末日和风险的来源，另一方则把它包装成机器人、产业升级和国家进步的象征，那么技术竞争就不仅是模型和芯片的竞争，也是社会心理与公共叙事的竞争。 "美国在各个方面都领先中国，除了一点，那就是乐观程度。" 💡 SaaS 不是整体消失，而是价值链正在重排 AI Agent 会削弱一部分垂直、流程型软件，但不代表 Salesforce 这类拥有权威数据、合规能力和多年维护经验的记录系统会被轻易替代。新的软件层级可能是：数据库和记录系统提供事实来源，应用与工作流负责执行，Agent 则成为新的用户界面。 "AI 现在就是用户界面了。" 💡 企业软件的核心价值是确定性 在个人工具中，概率性输出和快速试错可能很有吸引力；但在 CRM、财务、权限和合规等核心系统中，企业更在乎系统是否可靠、可审计、可维护。正因如此，AI Agent 更可能先成为记录系统的高级用户，而不是立刻把整个记录系统推倒重来。 "企业要的是确定性。" 💡 美国债务问题不是买债就能解决的 贝森特可以通过买入国债短期压低收益率，但未来 12 个月仍有约 10 万亿美元债务需要再融资。节目认为，真正决定长期利率的不是一次回购操作，而是政府能否控制支出、降低赤字，并重新建立市场对美国财政偿付能力的信任。 "他在接下来的 12 个月里还是得去卖 10 万亿美元的国债。" 💡 简单外推会误判 AI 对软件和就业的影响 “AI 能写代码，所以所有软件都会归零”以及“AI 能做脑力工作，所以所有脑力工作者都会失业”，在节目看来都是过度简化的推论。真正的分化在于：哪些公司拥有不可替代的记录系统和数据，哪些人能够把 AI 纳入自己的工作流程。 "你采用这项技术，就能活下来。你不采用，就得死。" 💡 AI 写作的争议，本质是读者对真实性的期待 争论并不只是“能不能使用 AI”，而是不同场景对作者本人投入程度的期待不同。调研、事实核查、语法修改和润色，与让 AI 从头生成整篇观点文章，在读者心中并不是同一件事。尤其当文章署名的是一位长期被信任的思想者时，是否披露 AI 的参与，会直接影响读者对观点真实性的判断。 "我希望大家提前说清楚：这不是我写的，但这些内容，我挺赞同这个 AI 猜字盒子里写出来的东西。" 💡 癌症“疫苗”更像个性化免疫治疗流程 节目解释了新抗原疗法的基本逻辑：先从患者肿瘤样本中识别独特的 DNA 突变，再找到对应蛋白质，通过 mRNA 或其他方式让免疫系统识别并攻击癌细胞。因此，它并不是传统意义上预防疾病的疫苗，而更接近一套针对个人肿瘤特征定制的治疗流程。 "它是一个过程，它是一个流程。" 💡 公共科研成果是否应该被高价垄断 Friedberg 认为，新抗原免疫疗法经过数十年发展，并大量受益于公共科研资金，因此不应只因为某家公司完成了监管审批，就被包装成高价、专属且难以获得的治疗方案。节目由此提出更大的问题：哪些部分属于企业创新和安全责任，哪些基础技术则应该更加开放、普及到普通医院？ "我觉得它应该更加开源、更加普及。" 🌐 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