42章经

42章经

和有趣、有独到认知的聪明人聊天

主播 曲凯 出品 KaiQu 科技 · 科技 14.9 万 订阅 71 集 1个月前更新

在小宇宙收听

简介

你好,我是曲凯,42章经的创始人。 小的时候我不太舍得花钱,记得当年一毛钱一袋的牛肉干真的很好吃,但如果偶尔遇到一个很有趣的人,我会欣然花几十、上百块请他吃个饭,还觉得自己赚到了。 后来长大了一些,开始刷人人网、豆瓣、知乎、再到现在的即刻…… 你有没有偶尔在这些平台刷到过一个很有缘的人,然后在一个夏日的午后,把他的发言、转载和收藏全都看了一遍,并觉得心有戚戚焉。 再后来工作和创业以后,每天就是聊各种各样的投资人、创业者。 如果能聊到一个优秀的人,真的会有一种如沐春风的感觉,并真心觉得很幸福。 而同行们见面经常会聊到的问题也是:最近有没有遇到什么有意思的人? 所以,这个播客就是要努力把这些人带到你的身边。 我们只专注和有趣、有独到认知、又愿意坦诚分享的聪明人聊天。 希望你听完每一期都能回到小时候,回到那个因为认识了有趣的人、收获了新知,而感到单纯美好幸福的时刻。 如果听完以后,你还能暗自感慨一句, “我也好想认识这个人啊。” 或者, “哇靠,有被启发到。” 那这个播客也就值了。

AI Trading —— 决策便宜,行动很贵|对谈超 3w Star Vibe-Trading 作者浩哲

AI Trading —— 决策便宜,行动很贵|对谈超 3w Star Vibe-Trading 作者浩哲

42章经

这几年,很多人都在用 AI 炒股。最近,模型厂和大厂也在主推 AI 在金融场景中的应用。 但 AI 到底怎样才能更好地辅助交易?会给市场带来什么变化?用上 AI,人人就都能像巴菲特一样了吗? 这期播客,我们请到了很火的开源项目 Vibe-Trading 的作者和维护者吴浩哲,聊了聊 AI Trading 相关的各种问题。 浩哲本科毕业于武汉大学数学系,目前是香港大学在读博士生、HKUDS 成员,一直在探索 AI 与金融的结合。Vibe-Trading 开源半年,已有 3.4w 个 Star。 节目里,我们就从这个项目讲起,拆解了 AI Trading 到底是什么、由哪些部分组成、哪个环节最关键,以及它和传统量化有什么区别、人又该在交易流程中扮演什么角色。此外,我们也聊了聊最近很火的 Jev 到底能不能在 AI Trading 中发挥作用。 贯穿整期节目,还有浩哲的一个观察: 在金融里,决策很便宜,行动很贵。 你可以轻易获得成百上千个判断和信号,但真要付诸交易,「可解释性」就变得非常重要。你得知道判断是怎么来的、为什么值得相信,才能决定自己是否愿意为它付出真金白银。 节目最后,我们还聊到了一个颇有哲学意味的问题:随着 AI 越来越强,「Human in the loop」或许不是因为 AI 需要人来判断,而是人需要通过参与,来确认自己的意义感和价值…? 【人类博物馆】 导游:曲凯,42章经创始人 53 号珍藏:吴浩哲,Vibe-Trading 作者及维护者,武汉大学数学系本科,香港大学在读博士生、HKUDS 成员,长期探索 AI for Finance 的研究与实践 【时光机】 * 01:26 介绍下 Vibe-Trading:为什么开源不到半年,就能有 3 万多 Star? * 02:20 在金融里,决策很便宜,行动很贵 * 04:35 AI Trading 就是在几乎免费的决策和代价昂贵的行动之间,建立可验证、可审计的通道 * 07:25 AI Trading 和量化的区别 * 09:59 用 AI 抓市场情绪,对 Trading 有帮助吗? * 11:33 AI Trading 里,行业 know-how 都可以由 AI 来判断? * 13:43 存储行情中,用 AI Trading 的一次操作实例 * 15:42 用 AI Trading 的人多起来后,会给市场带来什么变化? * 15:19 「安息吧,财报后漂移!」 * 19:57 AI Trading 系统的四大组成部分,和其中最重要的一件事 * 23:53 数据多,其实真的不等于有 Alpha * 27:23 Jev 对 Trading 的帮助,可能约等于零? * 30:26 交易的本质 * 32:34 Kimi、Workbuddy 等在推的 AI for Finance,和 AI Trading 是两件事 * 34:00 AI 会给人的投资能力带来怎样的变化? * 35:40 不是 AI 需要人做判断,而是人需要 AI 来体现价值? * 37:42 上手 AI Trading 的建议 【The gang that made this happen】 * 制作人:陈皮 * 剪辑:陈皮 * 片头:Mondo Bongo - Joe Strummer & The Mescaleros * 片尾:Carsick Cars - 松

40 分钟 5k+ 次播放 1个月前

一个人、两周、数百美元,如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

一个人、两周、数百美元,如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

42章经

活动预告🥳:9 月 12 日,我们会请到雨鑫做一场线上活动,大家记得翻到 shownotes 末尾查看报名信息! 最近硅谷有了新热点:主权 AI 和 Personal Intelligence。简单来说,就是很多人开始相信,未来会有越来越多的应用公司和个人,训练自己的模型。 对绝大多数人来说,训练模型仍然是一件听起来遥不可及、门槛很高的事,但我们这期节目的嘉宾逯雨鑫却认为,它非常简单,简单到他此前没有 AI Lab 的经历,也不是 AI PhD,只用了 2 周和数百美元,就后训练出了两个登顶 Hugging Face Model Trending 榜首的小模型。 他具体是怎么做到的、摸索出了怎样的 Pipeline?过程中踩过哪些坑?以及无论对个人还是公司来说,训练模型最大的卡点都是数据,那么他是怎么攻克这个难题的?在蒸馏路线、数据来源上,又有哪些 secret sauce? 节目后半段,我们还进一步讨论了主权 AI、Personal Intelligence 和 Local AI 相关的各种问题,比如这些事情普及开来的门槛在哪里、未来 AI Lab 和应用公司的分工与价值会有什么变化等等。 就在一个月前,我们还在讲 AI 应用遭受的冷遇;但录完这期,我们好像又看到了应用的曙光。也许在不久的将来,越来越多的应用公司都会成为 Neo Lab,Local AI 也可能成为一个 PC 级别的机会。而拥抱模型训练和 Local AI,最好的时间可能就是现在。 希望雨鑫摸索出的实践路径,能给应用公司和个人带来一些启发。如果你还想了解更多,也欢迎报名 shownote 末尾的线上活动,来和雨鑫直接交流(尤其欢迎应用创业者!) 【人类博物馆】 导游:曲凯,42章经创始人 52 号珍藏:逯雨鑫,Mind Lab 研究员;以个人开发者身份、数百美元成本微调的模型两次登顶 Hugging Face 热度榜;focus 在 post-training(蒸馏、SFT)与数据工程,近期方向为 continued pre-training 【时光机】 Part 1 训模型的实操经验 * 01:33 非 PhD / AI Lab 背景,凭什么能训出榜一模型? * 03:23 训这两个模型的成本具体有多少? * 06:08 个人训模型的完整 Pipeline 和避坑经验 * 11:33 最大的难点和卡点:数据 * 11:48 合成数据效果并不好? * 12:16 数据从哪来、具体要用多少、如何配比? * 15:34 数据难以提前预估效果的原因:Capacity Gap * 17:18 简评蒸馏的各种路线,以及到底什么叫「聪明地蒸」? * 20:01 自己训、自己用,性价比真的更高吗? * 22:10 坑最少的开源模型是? Part 2 对主权 AI 的思考 * 23:44 自己训模型会成为应用公司的标配吗? * 25:25 训模型可能会成为一件商品化的事情? * 27:01 应用公司反而可能会成为 Neo Lab? * 32:07 AI Lab 和应用公司之间的分工可能会有什么变化? * 33:39 现在 AI Lab 砸钱买数据,就有点像移动互联网早期字节砸钱买用户 * 35:31 如果主权 AI 真的兴起,AI Lab 的价值会有什么变化? * 36:59 Local AI 会不会成为 PC 级别的机会? * 40:17 用户最终会不会还是希望用上 SOTA 级别的智能,而不是 Local AI? 【活动预告🥳】 9 月 12 日,我们会请到雨鑫做一场线上活动,感兴趣的朋友欢迎点击链接或扫描下面的二维码,一起来认识&交流! 【The gang that made this happen】 * 制作人:陈皮 * 剪辑:陈皮 * 片头:Mondo Bongo - Joe Strummer & The Mescaleros * 片尾:Spacemen 3 - Set Me Free (Reprise)

47 分钟 9k+ 次播放 2个月前

从蒸馏到合成数据到 RSI,模型竞争的下一个焦点是什么?|对谈 Evolvent AI 联创孟繁青

从蒸馏到合成数据到 RSI,模型竞争的下一个焦点是什么?|对谈 Evolvent AI 联创孟繁青

42章经

活动预告🥳:8 月 22 日,我们会请到繁青做一场线上活动,还会有数十位 model researchers 参与,大家记得翻到 shownotes 末尾查看报名信息! 近几个月,我们找了很多做模型、算法的人交流,聊下来的感受之一是:数据的重要性再次凸显出来。 市场也有很明确的对应反馈,比如一批合成数据公司在很短时间内做出了可观的收入;无论是模型厂还是互联网大厂,都在数据上更为投入。 这期节目,我们请来了较早抓住这波合成数据机会的 Evolvent AI 联合创始人孟繁青。繁青是 01 年出生的 NUS PhD,曾在 Kimi 做过一年多的 Agent 和 RL Infra。 节目里,我们从他在模型厂做 Post-training 与出来创业的不同感受聊起,也相继把有关后训练、数据、RSI/Self-Evolving/AI for AI、国内模型竞争格局,甚至蒸馏这个相对敏感的话题,都比较完整地梳理了一遍,聊出的一个最大非共识,是繁青对国内外模型差异的判断: 原本我们以为,国内更有优势的会是偏工程的 Post-training;但在他看来,国内模型真正有特色的地方,反而是 Pre-training 阶段被资源限制倒逼出来的架构创新。 基于这个认知,我们也得出了一个让人乐观的结论: 很多人会说国模很依赖蒸馏,但繁青认为,蒸馏只是一个加速手段,并不是国内模型变强的决定性因素。就算有一天海外把所有蒸馏通道都封掉,国模依然可以靠预训练的创新能力,构建起自己的竞争力。 最后,Evolvent AI 最近发布了新的研究成果 RSIBench-Data。如果有朋友想在数据、RSI 方面进行交流,也欢迎联系繁青。 【人类博物馆】 导游:曲凯,42章经创始人 51 号珍藏:孟繁青,Evolvent AI 联合创始人;前 Kimi RL 实习生,foucs 在 RL Infra,参与 Kimi K2.5、Kimi Linear 等重要模型发版 【时光机】 Part 1 后训练与模型竞争 * 01:15 在 Kimi 和出来创业的感受有什么不同? * 02:36 为什么 Post-training 背景的人更容易出来创业?有哪些可能性? * 04:37 今天的 Bench 和 Eval,与过去相比有什么变化? * 07:12 Post-training = 做数据、训模型的门槛在变低? * 10:35 同样是做数据,拉开质量差距的是什么? * 12:48 国内模型 vs 海外模型,优势其实在 Pre-training? * 17:09 国模的竞争格局会怎样发展?最后大家要拼的是什么? Part 2 RSI * 21:50 RSI、Self-Evolving、AI for AI、Auto-Research……该怎么理解这些词? * 24:35 如果 RSI 真的能转起来,模型是不是真的就要吃掉一切了? * 29:09 假设模型真能自我迭代,创业公司为什么不直接做一个更好的基模? * 30:39 要做好 RSI,本质上要解决什么问题? * 33:48 RSI 继续发展下去,会引发怎样的变化? Part 3 数据 * 35:29 模型对数据的需求经历了哪几波变化? * 39:07 模型厂自己也能造数据,为什么还要外采? * 40:36 数据的下一波机会可能是什么? * 43:00 现在是「算法就是数据,数据就是 Infra,Infra 就是算法」? * 46:11 怎么理解合成数据和蒸馏之间的关系?蒸馏技法的区别在哪? Part 4 展望 * 48:18 模型现有的技术路线还有多大空间? * 49:33 为什么最近 AI4S 火了起来? * 51:39 相比于大厂,长期更看好初创模型公司? * 53:58 蒸馏对国内模型追赶的意义到底有多大? * 56:18 从合成数据到 RSIBench-Data,Evolvent AI 最终想做成什么? 【活动预告🥳】 8 月 22 日,我们会请到我们会请到繁青做一场线上活动,还会有数十位 model researchers 参与,感兴趣的朋友欢迎点击链接或扫描下面的二维码,一起来认识&交流! 【The gang that made this happen】 * 制作人:陈皮 * 剪辑:陈皮 * 片头:Mondo Bongo - Joe Strummer & The Mescaleros * 片尾:GeGeGe - 光のサイン

59 分钟 17k+ 次播放 2个月前

AI 发展了 4 年,把应用发展没了?|AI 年中复盘

AI 发展了 4 年,把应用发展没了?|AI 年中复盘

42章经

这是一期单口复盘。 这一波 AI 已经进入第四年。一级市场里,模型势能达到几年来最强,应用市场的冷度却跌到了谷底;二级市场里,智谱和 MiniMax 接连上市,而股价的陡峭变化,也多少折射了当下市场的疯狂。 身处其中,最近我一直在想几个问题: 1)过去四年,市场水温经历了哪些关键变化?最值得关注的是哪些公司? 2)模型与应用的关系是怎么演变成今天这样的?为什么国内跑出来的应用这么少?少数跑出来的公司做对了什么? 3)模型越来越强,那下游的应用创始人到底该怎么办? 4)在高速变化里,有哪些不变的常识,仍能帮助我们理解 AI? 这 20 多分钟,就是我现阶段的一些思考,也是对过去四年的一次复盘。 当然,和大家一样,很多问题我仍然没有答案。比如,故事已经讲到世界模型了,那之后还能讲什么?模型交替领先的局面还会怎么变?Token 成本什么时候才能足够低、真的实现智能平权? 无论如何,可以肯定的是,我们仍处于 AI 剧烈动荡、快速变化的中早期。那如果 GPT 3.5 代表了爆发期的开始,今天我们是否已经站在了狂热期?转折点距离我们到底还会远吗? 【时光机】 Part 1 复盘 AI 四年 * 01:03 快速回顾:过去四年市场变化非常剧烈,且趋势跟喜好非常明显 * 02:10 投资人可能一度比张一鸣更清楚字节里谁最有能力 * 03:18 从业十多年,我还是第一次听到「应用已死」的论断… * 05:39 现在市场确实不大投应用,但这次不能只怪投资人? * 06:50 国内为数不多跑出来的应用公司,做对了什么? * 09:07 不管 Manus、Liblib 承受了多少争议跟骂名,我都真心希望它们好 * 09:34 模型公司里,我觉得最值得研究的不是 Anthropic / OpenAI / DeepSeek Part 2 模型交替领先,那应用创始人该怎么办? * 14:37 一句题外话:为什么红杉投得好? * 15:05 我反而觉得,现在是应用创始人历史上最好的时候 * 17:13 创始人应该默认要「随波逐流」:随模型的波,逐资本的流 * 17:59 建议是不要纯粹为了融资讲故事 * 18:22 Ambi 创始人莫子皓给我的一个启发 * 20:25 「今天所有的产品和创始人,都是模型的期权」 Part 3 在疯狂中,守住常识 * 21:24 一二级市场的疯狂,是 AI 走到阶段性尾声的信号吗? * 22:33 我不相信一家公司会长期独大,也不相信模型会吃掉一切 * 23:16 IBM 收 CPU 钱,恰如今天英伟达和模型公司收 Token 钱 * 24:33 「历史上几波大的科技革命都经历过导入期、转折点和展开期」 【AI 复盘系列】 * 2025.1.4 为什么我们对 25 年 AI 极度乐观|AI 年终复盘 * 2024.1.13 24、25 年会是下一代浪潮最关键的两年 | AI 年终复盘 【Reference】 * 这个男人帮 5 万个 AI 应用接上了大模型 | 对谈 Dify 创始人路宇 * Dify 从被低估到成为明星项目,到底做对了什么|对谈 Dify 创始人路宇 * TikTok 商业化增长从 0 到 1 的幕后经验:关于投放、出海与组织管理等 | 对谈前 TT Ads 首席增长立东 * 信念感与硅谷顶尖孵化器的奇遇:赴美三月,实现千万刀 ARR|对谈 ACE Studio 创始人 Joe * 从图形学到 AI 生成 3D:我们离 3D 版 Midjourney 还有多远? | 对谈 Meshy.AI 创始人渊鸣 * 莫子皓团队的新产品 Ambi:https://mp.weixin.qq.com/s/B94bSY7aai4CM8zZ8iR3Gg * 卡萝塔·佩蕾丝《技术革命与金融资本》:https://www.douban.com/doubanapp/dispatch/book/2326852?dt_dapp=1 【The gang that made this happen】 * 制作人:陈皮 * 剪辑:陈皮 * 片头:Mondo Bongo - Joe Strummer & The Mescaleros * 片尾:太阳光明照我心 - 文兆杰

26 分钟 22k+ 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