主播 未知 出品 育麟Mike 8,089 订阅 44 集 6天前更新
硅基星期一 Silicon Monday
AI泡沫开始破裂了吗？ 一边是万亿IPO，一边是全球科技股暴跌 企业正在为AI花更多的钱，为什么资本市场反而开始卖出AI资产？ 一边是Anthropic冲击万亿美元估值的IPO预期，一边是全球科技股的剧烈调整。企业客户的支出还在增加，模型公司的收入高速增长，但不断扩大的算力投入和长期付款承诺，也让投资者开始重新算账。 这场看似矛盾的局面，究竟意味着AI商业化出了问题，还是资本市场提前透支了太多未来？ 本期《硅基星期一》，我们从Anthropic的企业客户和财务数据出发，沿着“一美元”的流向，从企业购买AI服务，追到模型公司的算力采购，再到云厂商的数据中心投资，看看AI创造的价值，究竟怎样才能变成真实的现金回报。 本期你会听到 * 谁在真金白银地为AI买单？ 从Anthropic的高消费企业客户和净收入留存率，看AI如何从员工手里的工具，进入企业的日常工作流程。 * 一美元投入，如何对应更大的经济价值？ 拆解All-In播客里的价值链推算，分清产业链收入、客户获得的价值、公司利润与投资者回报之间的区别。 * 数千亿美元的算力承诺，锁定了什么？ 模型公司提前争取未来供给，也承担了多年的付款责任。当收入兑现慢于预期，压力会从哪里出现？ * 谁在出钱，谁在收钱，谁又在承担风险？ 当云厂商同时成为投资者、算力供应商、销售渠道和竞争对手，融资环境的变化会怎样沿产业链传递？ * 科技公司一起下跌，背后是同一种问题吗？ 从OpenAI的融资变化、谷歌的资本开支到英特尔的业绩压力，区分估值调整、盈利预期变化与经营困难。 * 这些变化，对中国光通信企业意味着什么？ 从云厂商宣布投入，到供应商拿到订单，再到交付、利润和回款，中间还有哪些环节需要验证？ 技术按月迭代，企业按季度采用，基础设施建设跨越多年，资本市场却可能在一天之内重新定价。当这四条时间线发生错位，技术仍在进步与投资者正在亏钱，完全可以同时发生。 AI拥有怎样的未来，以及我们今天为这个未来付出了什么价格，是这一期想一起算清的两笔账。
17 分钟 1k+ 次播放 6天前
公司用上AI，效率提高了，业务做大了，新人的机会却未必跟着增加。 过去，企业让新人从整理资料、准备初稿开始，一边干活，一边积累经验。当AI逐渐接手这些任务，招聘和培养新人的那笔账，也在发生变化。公司可能继续招人，却更希望来的人已经有经验，能够直接上手。 本期《硅基星期一》，我们从近期关于AI与就业的政策谈起，结合美国招聘市场数据、斯坦福的就业研究，以及宝洁的一项AI实验，一起聊聊： * 同样是用AI提高效率，为什么有的企业继续招人，有的却减少招聘？ * AI能帮助我们提出更好的方案，为什么选择和判断仍然需要练习？ * 对正在求职、入行或转型的人来说，怎样把AI能力变成看得见的竞争力？ * 如果企业都想要有经验的人，下一批能够独当一面的人，又从哪里培养出来？ 当越来越多企业都能用上相近的AI工具，培养人的能力，或许也会成为一项长期竞争优势。 技术降低了完成工作的成本，能不能也帮助新人更快积累经验、更早独当一面？这是本期想和你一起追问的问题。
15 分钟 1k+ 次播放 1周前
Meta正在用AI推翻两道城墙：CUDA生态与软件开发 过去一周，Meta接连公开了两项值得关注的技术进展，分别指向AI产业的两道重要壁垒：英伟达的CUDA生态，以及软件开发的技术门槛。 第一项，是Meta与AMD的联合研究。通过AI Agent与底层工程优化，AMD MI350X在一组真实生产推荐模型上的整体训练吞吐表现，已经达到了英伟达B200系统的水平。更重要的是，Meta正在尝试利用AI降低芯片迁移与性能优化的成本，挑战CUDA生态长期积累的竞争优势。 第二项，是Meta仅用八周时间完成社交应用Forum核心功能的开发实践。借助AI Agent，团队将代码编写、测试、问题定位和修复等环节逐步自动化，让小团队也能实现过去需要大量工程资源才能完成的工作。 这两件事看似发生在不同领域，却指向同一个趋势： AI的价值，正在从帮助人完成任务，走向自主执行、验证和迭代整个工作流程。 本期《硅基星期一》，我们将深入拆解Meta的两项实践，探讨它们如何影响芯片行业与软件行业的竞争格局，以及中国企业和普通创业者能够从中借鉴什么。 当技术迁移和软件开发的成本不断下降，过去依靠工程复杂度建立的护城河还能维持多久？当竞争对手也能使用同样的AI工具，企业又该如何建立真正长期的竞争优势？
16 分钟 1k+ 次播放 2周前
10 月 11 日，开源项目 REA 发布新版本。它让 AI 编程助手借助专业工具，研究现有软件的实现方式，并尝试复现其中的功能。如果追上一个功能变得越来越容易，创业者靠开发难度和功能领先建立的优势，还能维持多久？ 本期《硅基星期一》，我们从老游戏的重构案例说起，看看 AI 怎样沿着线索读懂程序，以及为什么一段通过检查的代码，仍然可能留下错误。随后，我们把问题带到一家假想的汽车厂：面对功能相近、价格减半的新软件，老板为什么未必愿意立刻更换？ 围绕这些案例，本期我们讨论： * 复制功能，距离争取到客户还有多远？ 验证、换用软件的成本与生产风险，都会影响客户的选择。 * 开发门槛下降，谁会受益？ 新公司更容易入场，已有客户的软件供应商，也能用 AI 降低成本、加快跟进。 * 哪些积累可能成为竞争优势？ 行业经验、客户反馈和团队的交付能力，需要怎样转化，才能让客户持续付费？ 节目最后，我们也提出三个值得继续观察的变化：可靠替代品出现的速度、旧软件维护与替换的新机会，以及从开发到稳定使用，整个过程的成本究竟能下降多少。 当竞争对手也能使用同样的 AI，每一次交付结束后，你的团队究竟留下了什么？
15 分钟 1k+ 次播放 3周前
还没有人评价。听过的话，留个分数和一句短评吧。
您确定要删除评价吗？
外观
播放列表还是空的
去找些喜欢的节目添加进来吧
