AI Odyssey

AI Odyssey

探讨人工智能科技的播客

主播 Pong_Pong、Leo宸、张子峰ARK 出品 0x_pongpong 科技 · 科技 1.2 万 订阅 65 集 1个月前更新

在小宇宙收听

简介

『AI Odyssey』是一档探讨人工智能科技的播客。在这个节目中,我们会从 AI 技术、产品、资金,以及中美两大互联网市场之间的机遇和挑战展开讨论。 关于我们: 张子峰ARK:AI应用创业者,全栈产品经理,AI社群主理人,前尼尔森分析师 Leo Zhao:硅谷大厂高级机器学习工程师,GenAI LLM发烧友 PongPong:连续创业者,AI初创公司产品负责人 在各大音频平台都能搜到我们,欢迎点击订阅。 商务合作:+vx「aiodysseyai」添加注明来意 听众反馈:[email protected] 听友群:+vx「aiodysseyai」备注听友群

对话硅谷资深投资人:从 GPU 到 Token Factory,AI Infra 的生意逻辑正在重写

对话硅谷资深投资人:从 GPU 到 Token Factory,AI Infra 的生意逻辑正在重写

AI Odyssey

"收入增长证明的是他买了多少 GPU,而不是他赚了多少钱。" 这句话可能是理解 2026 年 AI 基建这门生意最锋利的一把刀。这一期我们请到Ray,一起把"AI Infra"这个越来越模糊的词,重新钉回到几个具体的问题上:算力公司为什么愿意花几亿美金,收购一个只有二十人的推理优化团队?Nebius 和 Crux 押的是两个截然相反的赌注——一个赌护城河能被买断私有化,一个赌它注定会变成开源的公共品,谁更接近现实?CoreWeave 漂亮的 EBITDA 背后,藏着多少被悄悄排除掉的折旧和利息? 聊到最后我们发现,这个行业里最值钱的东西,可能既不是芯片,也不是模型,而是一块已经拿到并网许可的土地,和一份敢不敢在资产负债表上多背一点风险的胆量。GPU 会折旧,叙事也会,但电表不会说谎。 当所有的技术能力最终都可以被明码标价地买到,真正稀缺的,反而是那些最古老、最不"性感"的东西——电、许可,以及愿意为不确定性买单的资本。 如果你也在这场基建狂潮里投钱、写代码,或者只是隔岸观火,这 40 分钟值得你想清楚一件事:你到底是在为效率付费,还是在替别人的资本开支埋单。 嘉宾介绍 Ray:独立研究员,主要关注 AI Infra 和 Corporate Software。此前曾任职于硅谷早期 VC 及大型科技公司的战略投资团队,管理资产规模超过 10 亿美元。X:@RuuuuuiX 主播介绍 Leo:硅谷大厂高级机器学习工程师,GenAI、LLM 发烧友 核心观点 推理优化正在从少数团队的专有能力变成可以开源、收购或接入的标准能力。真正稀缺的资源,逐渐转向立刻可用的电、并网许可和承担长期资本风险的能力。 对重资产 AI 云公司来说,收入高速增长并不自动等于生意变得更赚钱。折旧、利息和利用率才是决定利润质量的核心变量。 从 GPU hour 转向按 Token 收费,是从长期租赁走向用量零售:毛利率的上限可能更高,但收入久期更短,空置风险和价格波动也重新回到供应商身上。 当模型 API 的切换成本接近于零、价格可以直接比较,第三方推理平台很难只靠“调用模型”建立长期溢价,最终需要向 post-training、专有数据工作流和深度客户绑定继续延伸。 时间轴 * 00:24 嘉宾介绍 * 02:31 收购两年时间差:Nebius 为什么用约 6.43 亿美元收购 Eigen AI,并引入 Clarifai 的团队和技术 * 05:24 买断还是接入:Nebius 自建全栈,与 Crusoe 接入 NVIDIA 开源生态的两条路线 * 08:23 真正的稀缺资源:GPU 和优化能力都能购买后,电力、power land 与资产负债表开始决定竞争力 * 10:54 不同周期的折旧:一年一代的 GPU,如何放进十年以上的数据中心与电力基础设施周期 * 13:51 收入增长的误区:资本开支可以推高营收,却不代表这门生意已经具备稳定利润 * 15:55 EBITDA 看不见什么:用 CoreWeave 财报拆解折旧、利息与调整后经营利润 * 17:08 两种风险配置:Nebius 保留部分短期容量,CoreWeave 用长期合同锁定未来利用率 * 20:19 从 GPU hour 到 Token:收入从长期合约变成即时用量,利润来源从资金差价转向运营效率 * 23:20 推理平台的护城河:开源模型同步上线后,技术分发的时间差正在消失 * 26:36 API 价格战:切换成本接近于零,Fireworks、Together 等平台为什么向 post-training 延伸 * 30:48 模型公司亲自分发:当开源模型厂商具备服务能力,第三方平台与中立网关还剩下什么价值 * 33:48 Power land:有电、有并网许可、有配套设施的土地,为什么可能比 GPU 更难复制 * 35:52 把电变成 Token:从 Panthalassa 的海上节点到太空数据中心,替代能源路径能否绕开陆地瓶颈 * 39:28 热潮结束的信号:未分配算力被提前锁定,以及 Token 收入无法覆盖数据中心运营成本 术语表 * Neocloud:以 GPU 算力和 AI 工作负载为核心的新一代云服务商,通常比传统云更聚焦训练、推理和 AI 数据中心运营 * Token Factory:把 GPU、电力、模型和推理软件组织在一起,持续将算力转化为可计费 Token 的基础设施与服务体系 * GPU hour:按 GPU 使用时长计费的模式,更接近租赁算力;客户通常通过中长期合同锁定容量 * Power land:已经具备或接近具备电力接入、并网许可、变电设施等条件,可快速建设数据中心的土地 * Post-training:模型预训练完成后的微调、对齐、强化学习和专有数据适配,用于让通用模型更适合具体业务 * 调整后 EBITDA:剔除利息、税项、折旧、摊销及部分调整项后的非 GAAP 指标。它能辅助观察经营表现,但不能替代对折旧、融资成本和现金流的分析 * 净多头敞口:主动保留未提前售出的容量,承担未来价格下跌或空置风险,以换取现货价格上涨时的收益空间 相关资源 * Nebius 收购 Eigen AI 的官方公告 * Nebius 引入 Clarifai 核心团队并获得推理技术许可 * Crusoe 与 NVIDIA 在推理栈上的合作 * CoreWeave 2026 年第二季度业绩 * Stripe 宣布收购 OpenRouter * Panthalassa:海上能源与计算平台 本期涉及上市公司、交易、财务指标与行业判断,仅为嘉宾和主播基于公开资料与个人经验的讨论,不构成任何投资建议。相关数据可能随公司后续披露发生变化,请以官方公告和财务文件为准。 以上就是本期的全部内容了,欢迎您的收听,我们下期再见~ PS:AI Odyssey 听友群正式开通了,添加 vx:aiodysseyai,带你一起看 AI。

41 分钟 1k+ 次播放 1个月前

对话 Flourish CEO 赵轩博士:AI 能安慰你,但它真的能改善你的心理状态吗?

对话 Flourish CEO 赵轩博士:AI 能安慰你,但它真的能改善你的心理状态吗?

AI Odyssey

一名 Flourish 的用户在社区留言:我已经好几个月没打开 Flourish 也没找过 Sunnie 了。这个 App 本来是为了我的心理健康,但它有时候却起了反作用——我甚至没有动力打开它,或坚持记录。 这条留言里,藏着这期真正想聊的问题。市面上大多数陪伴类 AI,靠的是"你已经很不容易了""抱抱你"式的安慰——同理心泛滥,但并没有什么实质内容。赵轩博士想做的是完全反过来的一件事:AI 向外寻求知识,向内寻求智慧。 我原以为,心理健康类的 AI 产品拼的是语气够不够温柔、回复够不够及时。聊完发现,真正的分野在看不见的地方——它有没有记住用什么方法曾经真的帮到过你,有没有理解你为什么会卡在这里,又能不能把一次对话继续推到下一步。被安慰一下,和真的往前走一步,是两件完全不同的事。 这期我们从"陪伴类产品为什么留不住人"聊到"AI 怎么像接生婆一样把你心里的答案引出来",再聊到强迫症和妄想症遇上 AI 为什么反而是灾难,最后聊到卖给学校和保险公司时,大家嘴上说的和心里算的账,其实不是一回事。 她说,AI 没有办法爱你,但做 AI 的这群人是真的爱用户——这份爱,得靠设计语言体现出来。这句话可能比任何一个功能点,都更接近这期节目想说的东西。 嘉宾介绍 赵轩:Flourish Science的首席执行官(CEO)及联合创始人,斯坦福大学SPARQ中心的研究科学家。Flourish Science是一家在斯坦福大学孵化的,基于科学和人工智能驱动的心理健康初创企业。赵轩在布朗大学获得心理学博士学位,并在芝加哥大学布斯商学院完成博士后研究。她的研究主要关注人际沟通、共情以及人机互动上,研究成果发表在顶尖国际学术期刊,被作为美国大学课程内容采纳,并且被纽约时报、哈佛商业评论、BBC等众多主流媒体报道。赵博士在高校、企业和国际会议上发表上百次演讲,是心理健康和人工智能安全方面的领军人物。 产品介绍 Flourish(https://www.myflourish.ai/):一款 AI mental health and well-being 应用,已在美国、英国等国家上线。核心是 AI 陪伴角色 Sunnie,把积极心理学、CBT、DBT、动机式访谈等心理咨询中常见的方法拆成可以在日常里完成的小练习,帮用户在没有心理咨询师的时间里,也能及时做情绪调节和习惯养成,同时承担早期干预、自杀预防等安全相关的功能。 主播介绍 Leo:硅谷大厂高级机器学习工程师,GenAI、LLM 发烧友 时间轴 * 00:47 赵轩自我介绍:从布朗到斯坦福,辞职创业做心理健康 AI * 02:16 Flourish 的初衷:把论文里的心理学知识请出来 * 03:34 积极心理学优先:大多数人不是生病,是心理亚健康 * 07:07 走出情绪漩涡:先看见情绪,再换个角度重新认知 * 09:05 拖延症拆解:完美主义、无助感还是精力不够,原因不同解法不同 * 12:50 接生婆式对话:动机式访谈怎么把人心里已有的答案引出来 * 15:41 为什么 AI 能让心理健康行业规模化 * 18:11 有些话人们更愿意讲给 AI 听:给川普投票不敢告诉左翼咨询师 * 20:09 AI 的记忆优势:咨询师见面前几分钟还在回想上次聊了什么 * 22:52 AI 会让哪些精神状态恶化:强迫症与妄想症的警示 * 30:09 千人千方:记忆数据库怎么给每种应对策略打分 * 32:51 留存难题:付费用户 90 天后还有 50% 在用,免费用户只剩 18% * 36:56 toB 要卖两次:学校关心学生不退学,保险公司只算 ROI * 42:21 3 到 5 年后:AI 替代不了开药和诊断,但模型能力强不等于能被推广 术语表 * 反刍思维:反复咀嚼同一件让自己难受的事,越想越钻牛角尖。 * 认知重评:同一件事换个角度看,比如把一次失误看成"下次能答得更好的机会"。 * 行为激活:不等动力来了再行动,而是先做起来——比如先走到窗边呼吸一下,行动本身会带来动力。 * 动机式访谈:不是替对方做决定,而是像接生一样,把对方心里本就有的答案一点点问出来。 * Tiny Habit:借用斯坦福学者的概念,把改变拆成小到不会有压力的一步。 * 阶梯式照护模型:心理需求分层——日常困扰先找 AI 聊聊,真正复杂的问题才留给心理咨询师和精神科医生。 * RCT:验证干预效果最严格的实验设计之一,通过分组对照排除安慰剂效应。 本期内容涉及心理健康与情绪困扰相关话题,仅代表嘉宾结合个人经验与专业背景的分享,不构成医疗或心理诊疗建议~ 以上就是本期的全部内容了,欢迎您的收听,我们下期再见~ PS:AI Odyssey 听友群正式开通了,添加 vx:aiodysseyai,带你一起看 AI。

49 分钟 1k+ 次播放 1个月前

AI时代真正稀缺的人才画像,如何成为新“人才” - 对话HireIO北美合伙人

AI时代真正稀缺的人才画像,如何成为新“人才” - 对话HireIO北美合伙人

AI Odyssey

当知识的获取成本被抹平到 0,一个人真正的壁垒,还剩下什么? 有人说,AI 像一条积累了几千年财富的巨龙,突然把魔力洒向人间——你不会写代码,未必懂法律,却第一次拥有了对这个世界近乎即时的通识入口。 这一期,主播 Leo 请到硅谷一家猎头与人才咨询公司北美合伙人 Jimmy。Jamie常年站在硅谷几百个核心岗位的招聘一线,也帮无数早期创业公司搭团队——最清楚这个时代,公司到底在为哪种"人"疯狂加价。 我们聊了聊顶尖专家和通才这两种被同时押注的极端,聊了职场 OG 最大的敌人其实是路径依赖,也聊了当 AI 能替你写完代码、拍完宣传片,真正决定一件事成不成的,究竟是什么。 技术拆掉了门槛,但门槛之后剩下的——审美、判断力、和人建立信任的能力——依然是最难被替代的人文命题。 嘉宾介绍: Jamie(Jingwen Yu):HireIO 美国区管理合伙人(Managing Partner),深耕硅谷互联网、AI、具身智能及 High Tech 领域的高阶人才招聘与人才解决方案十余年,硅谷百万美元级猎头顾问。Linkedin 主播: Leo:硅谷大厂高级机器学习工程师,GenAI LLM发烧友 产品介绍: HireIO:HireIO 是一家深耕全球、专注于中高端人才搜寻的人力资源服务公司。 时间轴 * 00:15 嘉宾介绍:HireIO 北美合伙人 Jamie 从高阶招聘与早期创业公司人才服务切入 AI 人才市场 * 04:45 人才需求分化:顶尖领域专家与通才正在同时变得更稀缺 * 08:11 知识工作者的冲击:AI 与过去的技术革命有什么不同 * 11:31 经验不再是护城河:工作五到十年的人如何摆脱路径依赖 * 14:37 入门岗位收缩:new grad 招聘减少,会成为长期趋势吗 * 18:26 Startup 的另一面:聪明、有好奇心和执行力的年轻人,反而可能更快追上 senior * 21:54 AI 原生的一代:年轻人在 marketing、growth 和内容生产上的新优势 * 25:01 职业如何不停滞:把自己当成一个没有优势的新人,重新理解业务与协作 * 27:27 面试标准变化:从刷题转向沟通、产品理解与端到端交付能力 * 29:24 通才的现场:一个 founder 如何绕过外包团队,一天拍完融资视频 * 31:44 新岗位崛起:Forward Deployed Engineer 为什么成为 AI 公司争抢的人 * 34:01 简历怎么写:side project、个人兴趣和 builder 人格正在成为加分项 * 38:05 还要不要学计算机:热情比“这个专业更赚钱”更能抵抗 AI 冲击 * 39:46 一人公司的机会:当试错成本降到最低,普通人如何开始自己的项目 * 41:40 最后的门槛:判断力、审美、领域认知,以及把分散能力变成现实价值 以上就是本期的全部内容了,欢迎您的收听,我们下期再见~ PS:AI Odyssey 听友群正式开通了,添加 vx:aiodysseyai 带你一起看 AI。

47 分钟 1k+ 次播放 2个月前

机器人基座模型的瓶颈-数据从何而来?|畅聊物理世界AI数据的生态

机器人基座模型的瓶颈-数据从何而来?|畅聊物理世界AI数据的生态

AI Odyssey

一段坐在会议室里聊天的第一视角视频,完全来自真实世界。它看起来很“真实”,但拿去训练机器人,可能没什么用——镜头里没有发生有效的动作,环境状态也没有改变,模型自然学不到任务是怎么完成的。 这让我意识到,具身智能的数据瓶颈,和大模型时代不太一样。互联网上有大量现成的文字,但物理世界的数据不会自动变成一个干净的数据集。机器人要看见物体、理解状态变化、做出动作,还要承担动作带来的后果。真正难的问题,不只是数据够不够多,而是缺什么、怎么造、怎么验证,以及这些数据能不能回到真实部署里产生价值。 这期我邀请了群核科技北美负责人 Anthony,聊聊机器人基座模型背后的数据生态。他长期与北美的机器人实验室和 AI 团队讨论空间智能、仿真数据与模型训练,也在一线看到不同技术路线对数据需求的变化。 我们从机器人为什么没有自己的“ImageNet 时刻”聊起,聊到 YouTube 视频、第一视角数据、遥操作和 3D 合成数据分别能教会模型什么;也聊到为什么视频生成得再逼真,暂时仍很难稳定提供尺寸、碰撞和关节结构等明确的物理信息。再往后,问题又从技术绕回了商业:机器人没有产生价值,就很难进入真实场景;进不了真实场景,又拿不到下一轮训练需要的数据。 有一点想提前说一下:这期中英文夹杂会比平时多一些,很多行业里的说法本来就是英文在先,硬翻成中文反而绕,所以我们选择保留了不少原话的表达方式,想把当时的思考过程尽量原样留下来。如果听着有点跳,也欢迎多包涵。 听完这期,我更确定的一点是:机器人缺的不是一座更大的数据仓库,而是一套能找到缺口、补上缺口,再把结果带回真实世界验证的方法。 嘉宾介绍 Anthony (ManCee) Zhao:Manycore Tech(群核科技)北美增长与合作负责人,负责在北美的战略合作与生态拓展,专注于空间智能(Spatial Intelligence)、世界模型(World Models)、机器人 AI 与合成数据等方向。目前主要与全球领先的 AI 公司、机器人企业及研究机构合作,推动高质量 3D 空间数据在 Physical AI 和 Embodied AI 中的应用。中美双语背景,毕业于 UC Berkeley。 主播介绍 Leo:硅谷大厂高级机器学习工程师,GenAI、LLM 发烧友 时间轴 * 00:18 嘉宾介绍:Anthony 负责群核科技北美业务,并与机器人及前沿 AI 实验室开展合作 * 04:54 机器人能力栈:本体、模型与训练模型的数据,缺一块都很难走向日常使用 * 06:22 没有“ImageNet 时刻”:通用策略很难由少数任务一次定义,基座模型仍需结合行业数据持续迭代 * 08:26 物理数据为什么难:机器人不只要看见世界,还要理解互动、状态变化和动作后果 * 10:44 预训练数据混合:第三人称视频、第一视角视频、仿真轨迹与遥操作数据分别扮演什么角色 * 13:20 视频的推理边界:看见两次碰撞,不代表模型能理解重量增加后物体可能直接碎裂 * 17:59 遥操作的含金量:采集成本高、数据量小,却仍是落地任务微调中最直接的动作与视觉配对数据 * 19:13 3D 合成数据的价值:明确记录尺寸、距离和结构,同时面对“样板房太干净”、真实生活杂物不足的问题 * 22:57 生成数据的鸡生蛋问题:未来可能由模型生成大部分训练数据,但模型得先靠足够好的数据获得这种能力 * 26:19 真实视频与 3D 互补:碰撞这类稀缺场景可以靠仿真补上,仿真的物理精度不够时再靠真实视频往回校准——两边互相打补丁,不是谁替代谁 * 29:22 部署与数据飞轮:机器人不好用就难以进入产线,无法部署又拿不到继续训练的数据 * 32:09 数据不是一次性交付:客户通常要用 Demo 和训练结果反复验证,合作会随技术路径持续调整 * 35:30 Eval 怎么做:围绕具体任务搭建仿真场景,在真实机器人测试前先排除明显失败的策略 * 39:50 数据创业公司的判断标准:技术之外,先回答自己的价值主张、竞品差异和数据优势是什么 * 43:16 接下来的数据路线:嘉宾判断未来 3-6 个月,会有更多团队重新识别第一视角数据的缺口;再往后,世界模型这块会尝试把真实视频、3D 数据和游戏数据结合起来,去补齐通用物理理解的能力 以上就是本期的全部内容了,欢迎您的收听,我们下期再见~ PS:AI Odyssey 听友群正式开通了,添加 vx:aiodysseyai,带你一起看 AI。

47 分钟 1k+ 次播放 3个月前

评价

还没有人评价。听过的话,留个分数和一句短评吧。

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的节目添加进来吧