硅谷温差

硅谷温差 的全部节目

共 24 集。

22.爆火的Personal AI创业机会在哪里?

22.爆火的Personal AI创业机会在哪里?

硅谷温差

上期我们从使用者出发聊Personal AI,这期换到builder和创业视角:Personal AI爆火,创业的机会到底在哪。切口是亚马逊屏蔽Meta的Muse。Agent替用户逛店,亚马逊就沦为一个API,广告位、用户数据和流量入口一起丢掉。Lewis在Google做Grounding时撞过同一堵墙:把搜索接进API,技术不难,难的是站长的流量怎么分。没有分利益的机制,平台的默认选项就是block。Will觉得这本身就是机会,Agent时代需要自己的DoubleClick来管点击、曝光和分成。谁握住入口,谁就握住排序:Exa靠给Agent做搜索做到1亿美元ARR,OpenAI自建爬虫,抢的都是这一层。 往下拆,Personal AI现在缺三样东西:一是责任:Agent下错单谁负责?特斯拉辅助驾驶出事算车主,Waymo出事算Waymo,而Will接触到的创业公司几乎都还是前一种。谁敢像Waymo一样兜底,谁就能拿到用户的信任。二是协议:A2A不温不火,MCP在Will看来已经可有可无,Lewis说Google联合PayPal做的支付协议还不如A2A,反倒是Anthropic的Skill靠模型训练跑出了飞轮。我们的判断是,协议是大公司的游戏,必须开源免费,小公司推不动,也赚不到钱。三是身份:客服还在靠姓名、生日、地址认人,Vanguard的声纹验证挡不住五秒克隆。Agent到底是冒充你还是代表你,委托授权得重新设计。连跑Agent的沙箱都嫌冷启动慢、共享CPU不够用,有人干脆改用Mac mini。 最后两人各自下注。Lewis看好"像你"的模型:不跟大厂卷benchmark,难题转给Fable或OpenAI,自己做本地部署加硬件,再把你看过、经历过的事都记下来,变成只给自己用的knowledge base。Will押垂直场景,比如懂你全部病史的私人医生。至于Agent identity,两人都觉得现在从头入场已经偏晚,赛道上已经有人跑在前面了。 时间线索引 00:00 亚马逊为何封Muse 06:06 Agent闯祸谁买单 12:40 协议为何推不动 18:45 入口就是竞价权 22:48 Agent身份怎么认 28:07 不卷benchmark的AI 29:59 替你记住一生 34:34 上周趣闻

38 分钟 12k+ 次播放 3周前

53. 为什么不是谷歌做出了Muse?- Lewis|微软 / ex-Gemini

53. 为什么不是谷歌做出了Muse?- Lewis|微软 / ex-Gemini

硅谷温差

硅谷温差 “我们是在 GPT 发布三个月前就开始做这个工作了。” “水龙头形状已经定义下来,后面更多是卷水,不卷水龙头。” “SharePoint 里的数据是整个互联网的很多很多倍。” “Google 太按照规矩来做事情。” “Personal assistant 在两年前 Google I/O 就聊到了,但产品迭代速度不够看。” “很多现在跑在云端的大模型,六七年之后都可以跑在手机上。” “现在头部公司很少发 paper,因为只能保住三个月,发 paper 只能保一周。” 主持:Raymond - 美元二级基金合伙人,苔藓之火主播 视频播客:小红书 |B站 |抖音 |视频号|Youtube 嘉宾:Lewis - 微软 Product Lead,谷歌 Gemini founding PM Linkedin / 小宇宙 播客 / 小红书: 硅谷温差 免责申明:本节目的所有内容都并非旨在提供任何形式的建议,包括但不限于投资、税收、会计或法律上的任何建议。 Show Notes 00:13开场:Lewis 背景,Oracle 公有云到 Google PM 01:55PaLM 2 产品化:GPT 前三个月开始,团队八九人 03:48大模型史前时代:Document AI 泛化,内部 chat 未发布 05:49ChatGPT 冲击:Google 两派、危机感、Bard 与苔藓之火 08:20离开 Google:Gemini 2.5 Pro 高峰,转微软做 agent/knowledge 09:40大公司组织病:层级多、信息 withhold、指令上传下达失真 11:08为什么去微软:企业护城河,SharePoint 数据是互联网很多倍 12:27微软做什么:agent memory、knowledge、context graph、procedure memory 16:40企业 memory 权限:个人/双人/team/公司层级,consolidation 与隐私 24:35Personal agent 兴起:Muse、Grok bot、Instinct、OpenClaw/Aris;读 Gmail/Calendar 32:42为什么不是 Google 先做 Muse:Google 慢、reactive、合规束缚 36:15Google 会封数据吗:开放文化 vs 中国 walled garden,微信/小红书机会 42:46Personal agent 定价:C 端 freemium/token,B 端 ROI 抽成,长期 commodity 51:40端侧模型与硬件:Mac Studio 跑万亿参数,千问 27B,苹果/Google 后发先至 57:17Google 前景与 DeepSeek 冲击:发布慢、SOTA 窗口短、不发 paper 核心观点总结 1. Google 不是没看到 personal agent,而是做得太慢、太 reactive Lewis 认为 Google 在 Gemini/Bard 时代就定义过 personal assistant,但组织层级多、信息 withholding、法律与 Responsible AI 束缚,导致产品迭代速度跟不上 OpenAI、Anthropic,甚至被 Muse 这类新产品弯道超车。 2. 大模型产品化的“史前时代” 2022 年 8-9 月,ChatGPT 发布前三个月,Lewis 已加入 PaLM 2 产品化团队,团队仅八九人。内部早有 chat 产品,但因 legal/responsible AI 没发布。ChatGPT 出来后,Google 内部有明显危机感。 3. 微软的企业护城河:数据量 + 权限 + 场景 SharePoint 里的企业数据是互联网很多倍,但企业找不到、用不上。Agent 要利用这些数据,必须解决 memory、knowledge、权限、consolidation 等复杂问题。 4. 企业 memory 与 C 端 memory 完全不同 C 端主要做 personalization;企业里 CEO、员工、双人 chat、team、公司各有层级权限。什么能 promote 到 team/公司,涉及隐私、法律、当事人控制,不能由模型或 manager 随意决定。 5. Personal agent 兴起,核心是产品导向而非技术导向 Muse、Grok bot、Instinct、OpenClaw、Aris 等产品,技术上很多建立在类似 harness 上,护城河不高。关键是谁能把 Gmail/Calendar 数据变成具体、傻瓜式 use case,如退订、退款、保险追款、生活琐事。 6. 隐私与安全是 personal agent 的核心矛盾 Instinct 条款被质疑可拿用户数据训练,Muse 有自己模型,用户不信扎克伯格,但也不一定信小公司。企业里 99% 公司不会无故看员工 chat,但 Anthropic 等公司 policy 可能不同。 7. 端侧模型与硬件会重新定义 personal agent Mac Studio 已可跑 trillion 参数模型,千问 27B 满足日常。未来六七年,现在云端大模型可能跑在手机上。苹果、Google 可能后发先至,创业公司先打样。 8. Google 仍有底子,但发布节奏和合规文化是最大挑战 Gemini 2.5 Pro 后压力持续增加,SOTA 窗口只有一两周。DeepSeek 出现时 Google 内部惊讶,但 Google 合规严格,不参考/蒸馏,不发 paper,员工不能上播客。技术瓶颈人员发光期可能只有 18 个月。 EP53 中文逐字稿:https://insights.mossfire.xyz/posts/ep53-google-muse/ English transcript:https://insights.mossfire.xyz/en/posts/ep53-google-muse/

64 分钟 6k+ 次播放 1个月前

19.Claude劝退5000万,个人AI是刹车还是神谕?

19.Claude劝退5000万,个人AI是刹车还是神谕?

硅谷温差

从上周孙宇晨的八卦说起:如果你把自己的资产、关系和高风险决策都丢给 Claude Code,问它“5000 万美元该不该给”,AI 劝你别转钱——这个建议靠谱吗? 这一期《硅谷温差》聊的是 Personal AI / 个性化 AI 助理 的真正难题。Lewis 和 Will 都分享了自己把投资账户、资产配置喂给 AI 分析的经历:AI 已经能把很多陌生领域从 0 分拉到 80 分,但这还不等于真正懂你。加一个 memory 不叫个性化,模型能理解你的问题,却未必拿得到你生活里的完整 context。 我们也聊到 AI Chief of Staff、AI coach 和高风险决策。Will 现在把 agent 当成自己的 chief of staff,用来补全助理、PR、投资顾问、跨文化沟通 coach 等角色;但前提是,人必须知道该问什么、如何定义问题,以及如何判断 AI 的答案。 真正危险的地方在于:Personal AI 越懂你,也越可能顺着你。几轮对话之后,模型很容易靠向用户原本的倾向,变成一台高级“确认偏误机器”。所以在重大决策里,我们需要反向 prompt、正反两面分开研究、多模型交叉验证,而不是只问一个 AI:“你觉得我对吗?”最后我们聊到 AI coaching:为什么在跨文化冲突、英文措辞、人际关系处理上,AI 有时候比真人 coach 更实用?以及为什么 AI 能帮你提高执行效率,但它的上限,很多时候仍然取决于人自己。 本期核心问题: 当 AI 开始劝你转不转钱、做不做决定、发不发消息,它到底是理性刹车,还是你的确认偏误放大器? 时间线索引 00:00 孙宇晨的5000万 02:41 懂问题,不懂你 07:29 幕僚长,不是CEO 13:10 瓶颈还是context 16:13 AI只是在顺着你 20:13 哪些决策交给AI 28:43 拿AI当coach 33:51 上周趣闻

36 分钟 99+ 次播放 2个月前

17.Agent自我进化的真机会和假壁垒

17.Agent自我进化的真机会和假壁垒

硅谷温差

这一期《硅谷温差》聊AutoResearch和Self-improving Agent:AI Agent真的能自己变聪明吗?还是只是被包装成自我进化的Workflow Automation? Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发,拆解self-improving agent的真实技术路径:它到底是靠brute force搜索、memory、harness、eval loop、tool refinement,还是模型能力本身的突破? 这一期重点讨论三个问题: 1. Auto Research 的核心价值是“AI 科学家”,还是帮助人类更快探索更多方案? 2. Self-improving Agent 能不能产品化?会成为独立公司,还是被 OpenAI、Anthropic、Google 等大模型平台吃掉? 3. 对创业公司和 AI builders 来说,真正的机会是在通用 Auto Research 平台,还是垂直行业里能自我优化的 AI-native SaaS?= 我们也聊到enterprise software的下一阶段:未来的软件可能不再只是固定功能,而是会随着用户使用、数据反馈和agent loop持续变聪明。但这也带来新的难题:如何定义 ROI?如何定价?如何控制agent的边界?以及它到底是产品、平台,还是一个会被大厂内化的feature? 如果你关心AI Agent、Auto Research、Deep Research、AI 科学家、企业 AI、AI SaaS、agent startup 和 self-improving systems,这一期会帮你区分:哪些是真机会,哪些只是新一轮 AI 叙事包装。 时间线索引 00:00 三个词的分层 03:34 超越人类最优解 06:23 两类自我提升 08:28 穷举还是框架 13:43 卖方案还是卖系统 17:18 自我迭代怎么定价 24:41 会不会被模型吞掉 29:24 上周趣闻

32 分钟 99+ 次播放 2个月前

14.你在用AI还是在烧钱? Impact per Token

14.你在用AI还是在烧钱? Impact per Token

硅谷温差

本集深度简介 这期我们把token这个被讲烂、却没几个人讲透的概念从头拆到底。Lewis用"模型认知世界的最小切片"给它下定义,复盘了当年Gemini坚持用字符定价、最后被整个行业倒逼着改用token的往事。一次典型的技术导向的胜利。 真正的摩擦从agent时代开始:使用方式从chatbot转向agent,token消耗爆炸式增长,一年预算三四个月就见底。更隐蔽的坑是not every token is created equal。同一段输入在OpenAI、Gemini、Anthropic上切出的token数完全不同,Anthropic往往还多一大截。加上它没什么动力帮你省,连阿里内部都一度停用了Claude。 我们真正想回答的是impact per token。算力买来了,价值链却是断的:为什么该回到revenue、KPI这些最原本的商业指标,而不是像Meta那样拿token用量考核工程师、逼出一堆刷token的假动作。从caching、memory、蒸馏到neuro-symbolic和自我进化的agent,提效的技术路径也一并摊开讲透。最后落到一个更大的判断:scaling law本身可能就有bug,大模型的护城河正在消失,而"法拉利模型"与"本田模型"并存的智能霸权,也许才刚刚开始。 时间线索引 00:00 什么是Token 03:38 agent引爆token经济学 04:34 不是每个token都平等 12:03 咨询公司复兴 15:06 别用间接指标考核 18:29 提高impact的技术清单 30:42 上周趣闻 这期我们讲到的内容 Meta Muse Spark: https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/ Scaling law: https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

33 分钟 90 次播放 3个月前

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的单集添加进来吧