课代表立正

完整版1小时50分钟：https://youtu.be/BseWUBpOHY4 2017—2018 年，当不少出资人还把 AI 看成“不靠谱、太烧钱”的赛道，周楠参与筹备的一支 AI 基金，待投项目里已经有 OpenAI、Databricks 和 Cerebras。基金最终没有募成，这些机会也就这样错过。在那前后，她早期投资了 Cerebras；几年后，又参与了 Scale AI 投资。她由此形成了一条很硬的投资纪律：一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 但“在共识之前看见”并不等于凭感觉押注。周楠会看非常具体的信号：为什么八十多位创始工程师、六十多位博士愿意再次追随 Cerebras 创始人；自动驾驶退潮之后，Scale AI 如何迅速转向公共部门；Alexander Wang 又如何用一段 28 分钟的视频，把公司的历史、客户迭代与未来愿景讲清楚。所谓投资直觉，背后其实是对工程、市场、团队和执行风险的一层层拆解。 这期对话也回答了几个创业者更直接的问题：技术团队很强，为什么 VC 可能五分钟就决定不投？AI Agent 即使能赚钱，为什么仍未必是一家适合风险投资的公司？垂直数据不再天然构成优势之后，真正的机会为什么更可能藏在完整、复杂、高价值的工作流里？机器人怎样跨过 Demo、部署、数据闭环与 ROI 之间的鸿沟？以及大厂技术人创业，最容易犯的三个错误是什么？ 嘉宾： 周楠：硅谷科技投资人。录制本期时任高通创投投资合伙人；曾在百度从事 AI 与芯片投资，是 Cerebras 早期投资人，并参与 Scale AI 投资。 章节： 00:00 精彩预告 00:47 为什么共识形成以后再下注已经太晚 04:49 基金规模如何决定投资打法 06:43 十年前注意到 Scale AI，为什么没有立刻投 10:30 Scale AI 如何穿越自动驾驶退潮 14:48 Cerebras：Transformer 之前的算力下注 20:38 投资直觉如何经由风险拆解验证 22:32 什么才是足够大、足够难的问题 25:31 技术很强，为什么 VC 五分钟就会拒绝 30:09 OpenAI、Databricks 与那支没募成的基金 36:53 垂直 Agent 真正还剩什么机会 39:15 Physical AI：Demo、部署与数据闭环 42:32 Token 如何改写硬件商业模式 44:40 能赚钱的产品，为什么未必值得 VC 投 45:35 从 Demo 到量产：什么是“暂时的 PMF” 47:12 这一轮 AI 接近收割，下一个周期在哪里 52:44 为什么正确的建议也可能毫无用处 55:26 大厂技术人创业的三个误区 57:48 什么样的创始人真正 coachable 59:42 不追热点，AI 时代谁不容易被淘汰 1:00:41 现在还该创业吗？一定要拿 VC 钱吗 1:01:50 怎样讲出能打动一线 VC 的故事 #AI投资 #创业 #风险投资 #OpenAI #ScaleAI 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。

假设检验详解（Hypothesis Testing Explained）：从第一性原理理解Alpha（α）、Beta（β）、统计功效（Power）、MDE、标准误与样本量。视频为英文讲解，已提供简体中文字幕；内容也涵盖原假设/备择假设、第一类/第二类错误与临界值。 中文技术伴读（含公式、视频截图与常见误解）： https://www.superlinear.academy/c/posts/hypothesis-testing-alpha-beta-power-mde 【为什么重新上传】 这期视频最早由我和Statsig数据科学团队在2024年共同制作，并发布在Statsig的YouTube频道。后来Statsig不再使用那个频道，原视频也不再在线，所以我把最终版本重新上传到自己的频道，方便需要的人继续观看。 Hypothesis testing explained visually and from first principles: null and alternative hypotheses, standard error, Type I and Type II errors, alpha, beta, statistical power, minimum detectable effect (MDE), critical values, and sample size. Many textbooks blur Fisher’s significance testing with the Neyman–Pearson decision framework. This tutorial separates the two, then reconnects the concepts into one coherent experimental design. You’ll learn: • Null vs. alternative hypotheses • Standard deviation vs. standard error • Type I error, alpha, and critical values • Type II error, beta, and statistical power • How sample size changes power and MDE • Minimum Detectable Effect (MDE) • Common misconceptions about p-values and “accepting” H₀ This video was originally produced with the Statsig data science team in 2024 and refined through six versions. 00:00 Why hypothesis testing matters 02:46 H₀, alpha, and the critical value 06:41 H₁, beta, and statistical power 09:26 Statistical power in three views 11:23 MDE, standard error, and sample size 14:26 Common misconceptions and practical takeaways 15:41 Conclusion Presented by Yuzheng Sun, PhD.

完整版+文字解读：https://www.superlinear.academy/c/recording/wanglu 如果 AI 不会真正地痛苦，它就谈不上“成佛”；如果钱已经够了，我们仍然放不下成功，真正驱动我们的可能也不是钱。 这两个看似很远的问题，在这场对话里被王路用“无我”和“应无所住”串到了一起。在他看来，AI 是否可能成为佛教所说的“有情”，要看它是否拥有无法无损复制的经验和真实的痛苦；而人能否看清自己对成功的不甘，则要先分清收入、流量、title 等代理指标，与被认可、被尊重或创造价值这些更深层的需求。 我们从经、律、论和阿毗达磨讲起，梳理部派佛教、大乘、中观、唯识、如来藏与禅宗之间的关系，也追问：大乘经典即使并非佛陀的逐字原话，为什么仍可能延续了他没有被充分写下的精神？“应无所住”为什么不是把心擦成一面干净的镜子，而是不要把持续变化的人和世界钉死在某一个切片上？ 讨论也落到了一些很具体的生活问题：普通人读《金刚经》到底有什么用；轮回如何作为一种无法证伪、却能改变行为的叙事；禅修为什么不应该以“灵魂出体”等特殊体验作为进步的标准；把商业包装成“发愿”会给自己带来什么问题；以及简历、人设和个人品牌如何既帮助传播，也可能把变化中的人固定成一个标签。 嘉宾： 王路：学者、作者，得到《金刚经》课程主讲人；长期写作佛教议题，主要研究说一切有部阿毗达磨。 章节： 00:00 精彩预告与嘉宾介绍 01:19 阿毗达磨与佛教谱系：大乘如何继续解释佛陀 13:52 “应无所住”：不要把变化中的世界定格 21:28 普通人读《金刚经》有什么用 24:37 唯识、AI 意识与“有情”的边界 30:00 阿罗汉、涅槃与人为什么需要宗教 35:26 禅修为何不该追求特殊体验 42:46 法布施、发愿与人的混合动机 50:58 标签、人设与“凡所有相皆是虚妄” 59:29 内卷、成功焦虑与真正的需求 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy/，或下载App：超线性学院。 频道周边：https://shop.lizheng.ai/

AIE 与热闹的大型科技展有什么不同？这场 AI Engineer 大会要求一线团队用短 Keynote 和真实 Demo 讲清楚已经做出了什么。主播从旧金山 World’s Fair 现场出发，也解释为什么决定把它带到上海。 适合 AI 工程师、研究者、技术创业者和正在判断行业方向的人，帮助你了解中美 AI 团队在开源模型、AI Infra、Agent 与 Physical AI 上有哪些不同实践，以及 AIE 上海想连接哪些人。 这期你会听到 • 为什么主播没有去 CES，却认为 AIE 能持续带来认知更新？ • 短 Keynote、真实 Demo 和一线从业者，如何形成 AIE 的工程师文化？ • 中国开源模型受到全球关注后，中美 AI 生态为什么更需要直接交流？ • Cursor、Ollama、Pydantic、Daytona 与中国模型团队将带来哪些实践视角？ • AIE 如何从技术社区聚会成长为全球大会，上海站又会聚焦哪些主题？ 章节 00:00 — 我为什么不去 CES，却来到 AIE 00:19 — AIE 有何不同：短 Keynote、真 Demo 01:45 — AI Engineer 大会首次来到中国 02:33 — 为什么要连接中美 AI 生态 03:03 — 上海站有哪些参与团队 03:50 — AIE 如何从技术社区走向全球 04:33 — OpenAI Jason：从第一届一路看到今天 05:24 — MiniMax：用户会在现场给什么反馈 05:51 — 上海站主题与参与方式 相关内容 观看本期视频版 阅读本期文字稿 AIE Shanghai 2026 时间：2026 年 11 月 5–6 日 地点：上海虹桥希尔顿 活动详情、报名、演讲与赞助申请： https://www.ai.engineer/shanghai/2026 加入Superlinear Academy免费社区 带上正在开发的 AI 产品、基础设施或真实 Demo，和一线 Builder 交流具体问题与实践。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。