跨国串门儿计划

yikai
  • 4.5 (8)
  • Science
  • Updated Daily

这是一档使用 AI 技术来将英文播客翻译为中文播客的节目～ 在翻译的同时，也能保留原有声线，用中文听懂外语播客！

  1. 16h ago

    #695.Stripe CEO：AI 时代别只怕失败，更要提前想清楚“成功以后怎么办”

    📝 本期播客简介 本期我们克隆了：Y Combinator Startup Podcast Patrick Collison: "What If You Succeed?" 原内容更新时间：Mon, 03 Aug 2026 本期节目来自 Y Combinator 的 Startup Podcast，由 Harj 主持，对谈 Stripe 联合创始人兼 CEO Patrick Collison。两人早在 20 多年前就相识并共同创业，这次对话从 Patrick 少年时期编写 Lisp 方言的经历出发，讨论 AI 时代年轻人究竟应该学习什么、亲自掌握什么，又该把哪些工作交给 Claude 和各种 Agent。 Patrick 分享了自己两次从 MIT 退学、创办 Stripe 的经历：为什么“退学创业”并不是一条不可逆的单行道，为什么 Stripe 没有遵循“尽早发布”的惯常建议，以及真实生产环境中的早期客户如何一步步推动产品成长。对正在考虑创业、辍学、转型或进入 AI 行业的人来说，这是一期关于时机判断、用户痛点、苦差事与长期主义的实战访谈。 节目后半段进一步进入 AI 创业的核心焦虑：大型模型实验室会不会把初创公司“踩死”？精益创业在 AI 时代是否仍然适用？Stripe 的数据又是否真的显示，现在是创业的黄金时期？Patrick 给出的答案并不依赖宏大预测，而是来自他在支付、企业客户和新公司增长中看到的真实变化。 👨‍⚕️ 本期嘉宾 Patrick Collison，Stripe 联合创始人兼 CEO。Stripe 是全球领先的互联网支付与金融基础设施平台，为从初创公司到大型企业的数字化业务提供支付、收款、公司注册、金融服务等工具。Patrick 与兄弟 John Collison 在 2010 年共同创办 Stripe，此前还曾创办在线拍卖软件公司 Auctomatic。 Patrick 的经历横跨软件工程、创业、金融科技与科学研究。他曾在 MIT 学习物理，并两度从大学退学创业；他既是亲自写代码、重视第一性原理的技术型创始人，也长期观察全球创业生态和企业创新。值得听他的原因在于，他讨论 AI 与创业时不仅谈技术想象，更能结合 Stripe 服务的大量真实企业，提供关于产品、组织、市场与长期选择的一手判断。 ⏱️ 时间戳 开场：从 Lisp 到 AI 时代的学习方式 00:00 开场与 Patrick、Harj 的旧日渊源 00:23 Patrick 高中时期编写 Lisp 方言 Croma 01:25 AI 时代，大学生到底该学什么 01:44 用“缓存”理解知识与 AI 的关系 哪些能力不该外包给 AI 02:17 为什么大脑中的“L1 缓存”仍然重要 02:59 Patrick 为什么坚持自己写作 03:23 LLM 能证明猜想，却还写不出有说服力的文章 两次退学与创办 Stripe 04:10 从 MIT 退学创业的决定 04:31 Patrick 两次退学、又回到大学的经历 05:30 退学创业的代价并没有想象中那么高 06:24 “机会窗口正在关闭”可能是一种错觉 Stripe：一个好点子，也可能是一个坏点子 07:49 Stripe 早期看起来为什么既合理又荒谬 08:06 从具体客户痛点出发，而不是凭空想象需求 08:40 两个年轻人为什么没人相信 09:43 一顿寿司如何促成 Stripe 的创立 为什么 Stripe 等了近两年才发布 10:37 没有急着发布：Stripe 的反常选择 11:21 安全、银行、基础设施与可靠性的复杂性 11:40 从第一位生产环境客户开始迭代 12:31 真实用户反馈如何塑造产品 AI 时代的创业方法 13:04 “尽早发布”为什么不能成为普遍教条 13:16 AI 会不会让第一版产品应该更有野心 13:49 精益创业在 AI 时代可能面临的变化 14:34 为什么今天可以从更激进、更有野心的起点开始 成功之后，你会喜欢自己建立的公司吗 14:52 Stripe 与“苦差事盲视” 15:18 公司成长后不可避免的无趣工作 15:42 创业者为什么应该问“如果我成功了呢” 16:10 Patrick 为什么仍然喜欢 Stripe 大模型实验室会杀死初创公司吗 17:24 大型实验室与初创公司的竞争焦虑 17:48 AI 能力提升与实验室主动扩张的区别 18:03 从“谷歌会不会做这个”看今天的 AI 担忧 18:50 模型能力本身对垂直行业的替代 创业的黄金时期与更分散的未来 19:15 Stripe 数据：创业公司数量正在激增 19:59 Vibe coding 做出来的产品真的成功了吗 20:39 为什么 Patrick 认为现在是前所未有的好时机 21:41 企业害怕被淘汰，反而更愿意采用初创公司的产品 22:54 AI 会走向中心化霸权，还是成千上万个赢家 🌟 精彩内容 💡 不要只问“如果失败了怎么办”，更要问“如果成功了呢” 很多创业者在融资、招人和扩张之前，习惯反复思考失败的风险，却很少认真想象成功后的生活与工作状态。Patrick 提醒，真正重要的问题是：当公司拥有客户、员工和资本之后，你是否仍然愿意为它投入 10 年、17 年，甚至 30 年。 “我觉得你需要问相反的问题，如果你成功了呢？” 💡 知识存在大脑缓存里，调用速度远胜于外部 Agent Patrick 借用计算机体系结构中的缓存概念解释学习：让 Agent 查资料当然有用，但外部调用的延迟远高于已经存储在大脑中的知识。真正掌握基本原理，不只是为了考试，而是为了让思考、推演和迭代变得更快。 “那比起存在你大脑的 L1 缓存里，要慢得太多了。” 💡 AI 可以完成惊人壮举，却未必能写出真正有说服力的文章 Patrick 并不否认大模型的能力，甚至承认它们可以完成证明重大数学猜想等令人震惊的任务。但他仍然坚持自己写作，因为写作涉及现实世界中的人际沟通、论证和复杂语境，这些能力目前仍然难以被简单的奖励函数定义和优化。 “我到现在还没读过一篇让我觉得非常有说服力的 LLM 文章。” 💡 退学不是单行道，创业决定也不必被神化 Patrick 两次从大学退学，又重新回到 MIT 学习，这段经历说明教育与创业并非只能二选一。对喜欢大学的人来说，读完并没有问题；对不喜欢大学的人来说，退学的实际代价也未必像父母和社会想象得那么巨大。 “你可以退学，其实也可以再回去。” 💡 真实痛点，往往比漂亮概念更能拯救一家初创公司 Stripe 的起点并不是一个宏大的金融科技叙事，而是创始人在互联网业务中亲身遇到的支付难题：表格复杂、流程过时、银行服务难用。这个点子既显然合理，又因为两个年轻人缺乏金融行业信誉而显得荒谬；最终支撑它的，是用户确实愿意为解决方案付费。 “我认为，最终恰恰是它扎根于如此具体、实际、真实的用户痛点，才救了我们。” 💡 “尽早发布”不是放之四海而皆准的创业真理 Stripe 从写下第一行代码到公开发布花了将近两年，但团队很早就让真实客户进入生产环境。对支付这类涉及安全、资金、银行合作和可靠性的产品而言，公开发布前的基础建设不可省略；关键不是盲目追求发布速度，而是持续从真实用户和真实使用场景中学习。 “如果你有这样源源不断的现实依据，不那么急着嚷嚷发布发布，可能也没问题。” 💡 AI 时代，创业者或许可以一开始就做得更大 传统精益创业强调从狭窄切口进入市场，再逐步扩张。但 AI 降低了构建复杂产品和组织能力的成本，也让许多小利基市场变得更加拥挤。Patrick 认为，新公司可能需要更激进地与他人区分，直接尝试更有野心的方向。 “而现在我觉得你一开始就可以做更激进、更有野心的东西。” 💡 大型实验室很强，但复杂组织很难同时做好一切 面对“基础模型公司会不会吞掉所有创业机会”的焦虑，Patrick 用谷歌的历史作类比：拥有巨大资源不等于能同时推进所有方向。大型组织会受到优先级、协调成本与内部冲突的限制，因此 AI 时代未必只有少数赢家，反而可能出现大量利用新能力成长的公司。 “人类组织是很复杂的，很难做到同时强力推进 100 个不同的优先级。” 💡 Stripe 的数据表明，创业正在变得更快、更普及 Patrick 观察到，通过 Stripe 和 Atlas 注册的新业务数量显著增长，中位数业务的表现也在改善，达到 100 万、500 万或 1000 万美元营收门槛所需的时间正在缩短。企业对落后和被淘汰的恐惧，也让它们更愿意尝试初创公司的新产品。 “Stripe 的数据表明，现在是前所未有的好时机。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  2. 1d ago

    #694.All-In：AI 狂潮、美国债务与癌症治疗，谁会成为下一个系统性赢家？

    📝 本期播客简介 本期我们克隆了：All-In with Chamath, Jason, Sacks & Friedberg Nvidia's Historic Quarter, SaaS Comeback, Bessent vs Druck, America's Debt Crisis, Cancer Vaccine 内容存在约 3 分钟的删减 原内容更新时间：2026-08-29 本期是 All-In Podcast 四位核心成员 Chamath Palihapitiya、Jason Calacanis、David Sacks 与 David Friedberg 的长篇讨论。从机器人奥运会、中国社会对 AI 的乐观态度，到英伟达创纪录财报与 Salesforce 的强势反弹，四位主持人试图回答一个问题：AI 这轮浪潮究竟是在制造泡沫，还是正在重写整个商业与经济结构？ 节目随后转向美国财政与债券市场。贝森特试图通过回购长期国债压低收益率，却遭到其导师斯坦利·德鲁肯米勒批评。四位主持人围绕 40 万亿美元债务、未来 10 万亿美元再融资、政府支出、通胀、房贷利率以及美国可能面临的财政危机展开激烈讨论，并进一步推演 2026—2028 年乃至 2030—2032 年可能出现的政治与财政转折。 后半部分则讨论两个极具现实感的话题：德鲁肯米勒使用 AI 撰写观点文章是否辜负读者，以及基于新抗原和 mRNA 的个性化癌症免疫疗法是否应该被少数公司以高价垄断。整期节目横跨科技、资本市场、美国政治、媒体伦理、家庭教育、战争与生物医药，既有数据密集的分析，也有 All-In 一贯的即兴争论与强烈立场。 👨‍⚕️ 本期嘉宾 本期并非单一嘉宾访谈，而是 All-In Podcast 四位固定主持人的圆桌讨论。Chamath Palihapitiya 是连续创业者、投资人，长期关注科技公司、资本市场与宏观经济；Jason Calacanis 是企业家、天使投资人与播客主持人，擅长从创业者和普通用户的视角追问问题；David Sacks 是企业家、投资人，曾参与创办 Yammer，并长期关注 SaaS、AI、政策与地缘政治；David Friedberg 是企业家、投资人及科技评论者，拥有生物科技与农业科技背景，尤其擅长解释生命科学、能源和产业技术。 四位主持人的背景差异，使本期讨论形成了鲜明的互补：Chamath 更关注市场定价与资本流向，Sacks 聚焦软件平台和政治经济，Friedberg 负责技术、科学与财政机制的拆解，Jason 则不断把宏观议题拉回创业者、家庭和普通人的生活体验。 ⏱️ 时间戳 开场：科学、异见与 AI 乐观主义 00:00 All-In 四人组回归与节目开场 00:46 Eric Weinstein、科学界异见与“羊群心态” 02:27 从新冠起源争议看假说、真相与错误信息 04:07 中国机器人奥运会与中美 AI 乐观度差异 机器人、Agent 与 AI 产品形态 07:11 Optimus 的进展与人形机器人真正的难点 08:19 Grokbot、云端 Agent 与桌面 Agent 的差异 09:26 多 Agent 协作、群聊模式与产品传播性 英伟达与 SaaS 的强势回归 10:23 本期核心议题：英伟达财报与 SaaS 反弹 10:26 英伟达创纪录季度：营收、利润与增长指引 12:03 Salesforce 财报大涨与 SaaS 末日论反转 13:59 AI 三阶段：模型、harness 与掌握上下文的 Agent SaaS 末日到底结束了吗 16:43 用 Claude Code 和 Cursor 自建 CRM 的真实经历 18:48 通用平台与垂直行业软件，谁更有价值 20:20 为什么核心记录系统不会轻易被 vibe coding 替代 21:27 Salesforce 接入 Claude：从用户界面到 Agent 界面 从记录系统到 Agent 经济 22:30 SaaS 如何在 AI 浪潮中保住自己的位置 23:19 Agent 如何释放 Salesforce 被困住的功能价值 24:33 API、CLI 与“最好的 Agent 界面” 27:27 垂直 SaaS 的护城河：记录系统还是工作流 英伟达押注开源与商业边界消融 30:34 黄仁勋收购 Hugging Face、Poolside 的战略意图 32:11 英伟达财报为何证明 AI 资本支出远未结束 33:34 英伟达、OpenAI、AMD 与开源生态的竞争 35:05 云厂商、芯片公司与模型公司走向垂直整合 贝森特、德鲁肯米勒与美国债务危机 37:02 贝森特的债券回购策略与德鲁肯米勒的批评 39:29 从疫情时期收益率曲线看美国借贷成本变化 41:38 40 万亿美元债务、再融资海啸与利息负担 42:38 为什么压低收益率无法解决根本性的财政问题 美国财政、政治与住房困境 45:46 两党共同造成的支出问题与债务增长 50:18 国会为何无法控制预算：一场公地悲剧 53:52 2026—2028 与 2030—2032：可能出现的财政转折点 1:01:04 政府支出、房贷利率与普通人买不起房 AI 写作、署名与读者信任 1:07:02 德鲁肯米勒用 AI 写文章引发的争议 1:09:26 AI 写作是否等同于创意表达中的“假唱” 1:11:29 数字工具是在替代人类，还是放大创造力 1:12:21 读者为什么在意内容是不是出自真人 1:14:32 AI 使用披露：校对、调研与代写的边界 战争、社交媒体与癌症免疫疗法 1:22:37 中情局局长访问莫斯科与俄乌停火猜测 1:27:44 Meta 限制未成年人使用 Instagram 1:29:52 Moderna 癌症疫苗与新抗原疗法 1:31:20 DNA 测序、mRNA 与个性化癌症治疗 1:40:06 癌症治疗专利、公共科研资金与医疗普及 1:41:00 早期检测、CAR-T 与癌症治疗的未来 🌟 精彩内容 💡 科学真正需要的是异见，而不是整齐划一 节目从 Eric Weinstein 和科学界的“羊群心态”谈起，指出当科研经费、终身教职和同行评价都奖励主流观点时，科学可能失去最重要的纠错机制。一个理论在被证实之前当然可能是错的，但“尚未被证实”不应自动等同于“错误信息”。 "可科学曾经完全是关于非主流思想的。" 💡 美国在 AI 竞赛中最大的风险，可能是悲观 四位主持人将中美社会对 AI 的态度进行对比：如果一方把 AI 主要看成失业、末日和风险的来源，另一方则把它包装成机器人、产业升级和国家进步的象征，那么技术竞争就不仅是模型和芯片的竞争，也是社会心理与公共叙事的竞争。 "美国在各个方面都领先中国，除了一点，那就是乐观程度。" 💡 SaaS 不是整体消失，而是价值链正在重排 AI Agent 会削弱一部分垂直、流程型软件，但不代表 Salesforce 这类拥有权威数据、合规能力和多年维护经验的记录系统会被轻易替代。新的软件层级可能是：数据库和记录系统提供事实来源，应用与工作流负责执行，Agent 则成为新的用户界面。 "AI 现在就是用户界面了。" 💡 企业软件的核心价值是确定性 在个人工具中，概率性输出和快速试错可能很有吸引力；但在 CRM、财务、权限和合规等核心系统中，企业更在乎系统是否可靠、可审计、可维护。正因如此，AI Agent 更可能先成为记录系统的高级用户，而不是立刻把整个记录系统推倒重来。 "企业要的是确定性。" 💡 美国债务问题不是买债就能解决的 贝森特可以通过买入国债短期压低收益率，但未来 12 个月仍有约 10 万亿美元债务需要再融资。节目认为，真正决定长期利率的不是一次回购操作，而是政府能否控制支出、降低赤字，并重新建立市场对美国财政偿付能力的信任。 "他在接下来的 12 个月里还是得去卖 10 万亿美元的国债。" 💡 简单外推会误判 AI 对软件和就业的影响 “AI 能写代码，所以所有软件都会归零”以及“AI 能做脑力工作，所以所有脑力工作者都会失业”，在节目看来都是过度简化的推论。真正的分化在于：哪些公司拥有不可替代的记录系统和数据，哪些人能够把 AI 纳入自己的工作流程。 "你采用这项技术，就能活下来。你不采用，就得死。" 💡 AI 写作的争议，本质是读者对真实性的期待 争论并不只是“能不能使用 AI”，而是不同场景对作者本人投入程度的期待不同。调研、事实核查、语法修改和润色，与让 AI 从头生成整篇观点文章，在读者心中并不是同一件事。尤其当文章署名的是一位长期被信任的思想者时，是否披露 AI 的参与，会直接影响读者对观点真实性的判断。 "我希望大家提前说清楚：这不是我写的，但这些内容，我挺赞同这个 AI 猜字盒子里写出来的东西。" 💡 癌症“疫苗”更像个性化免疫治疗流程 节目解释了新抗原疗法的基本逻辑：先从患者肿瘤样本中识别独特的 DNA 突变，再找到对应蛋白质，通过 mRNA 或其他方式让免疫系统识别并攻击癌细胞。因此，它并不是传统意义上预防疾病的疫苗，而更接近一套针对个人肿瘤特征定制的治疗流程。 "它是一个过程，它是一个流程。" 💡 公共科研成果是否应该被高价垄断 Friedberg 认为，新抗原免疫疗法经过数十年发展，并大量受益于公共科研资金，因此不应只因为某家公司完成了监管审批，就被包装成高价、专属且难以获得的治疗方案。节目由此提出更大的问题：哪些部分属于企业创新和安全责任，哪些基础技术则应该更加开放、普及到普通医院？ "我觉得它应该更加开源、更加普及。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  3. 1d ago

    #693.牛津神经科学家：如何找回行动力，破解拖延与“低活化能”的大脑机制

    📝 本期播客简介 本期我们克隆了：Huberman Lab How to Improve Motivation & Overcome Procrastination | Dr. Masud Husain 原内容更新时间：2026-08-24 本期节目由斯坦福大学神经生物学与眼科学教授 Andrew Huberman 主持，嘉宾是牛津大学神经内科医生、神经科学家 Masud Husain 博士。两人从一个极端病例出发，讨论动力、冷漠、拖延、注意力、多巴胺、成瘾、帕金森病、ADHD，以及这些看似分散的现象背后可能共享的神经回路。 节目开头讲述了 David 的故事：这位曾经高效、外向、事业顺利的金融从业者，因为基底核两处极小的中风灶，突然失去了主动行动的动力。他并不是悲伤，也不是不知道自己想要什么；他想听音乐，却连安装音响这五分钟的努力都觉得“不值得”。直到针对多巴胺受体的药物起效，他才重新找回生活、工作和社交的动力。 这期对普通人的现实价值在于，它把“懒惰”和“缺乏自律”重新拆解成几个可观察的问题：一件事带来的回报有多大？启动它需要多少努力？我们是否把任务想得过于困难？能不能通过拆分任务、减少选择、改变激励和优化环境，降低行动前的“活化能垒”？节目也提醒我们，多巴胺并不等于快乐，它更多参与“想要”和追求结果的动力，而“喜欢”与获得快感则可能由不同机制支持。 👨‍⚕️ 本期嘉宾 Masud Husain，牛津大学神经内科医生、神经科学家，长期研究注意力、动力、冷漠、空间忽视、阿尔茨海默病与认知衰老。他的临床工作让他接触到大量因脑部疾病而发生行为和自我改变的患者，也因此能够把神经回路、行为实验与真实生活经验联系起来。 Husain 博士的重要贡献之一，是通过对冷漠和动力丧失的研究，揭示基底核—额叶回路如何把“想得到某种结果”的信号转化为实际行动。他还著有《Our Brains, Ourselves》，尝试向大众解释大脑如何运作、如何随时间改变，以及记忆、注意力、疾病和经历如何共同塑造“自我”。这使他不仅是一位临床医生和研究者，也是一位非常出色的科学传播者。 ⏱️ 时间戳 00:00 开场：动力、冷漠与多巴胺回路 00:44 节目介绍：动力与拖延的科学 02:30 Masud Husain 博士登场 02:58 什么是冷漠：它不等于悲伤或不快乐 03:55 David 的病例：从高效人士到完全失去行动动力 “想要”与“行动”为什么会分离 06:02 五分钟的音响安装，为什么变成巨大障碍 06:33 基底核、伏隔核与行动动机 08:06 David 到底是不想要，还是觉得太费力 09:03 冷漠者与有动力者的回报—努力权衡 多巴胺如何重新点燃动力 10:01 多巴胺在行动动机中的作用 10:23 L-多巴为什么没有效果 10:53 直接作用于 D2、D3 受体的药物 11:21 David 的转变：重新工作、社交并建立亲密关系 活化能垒：拖延背后的神经经济学 13:41 同一套回路如何支持不同类型的动机 16:14 行为、社交、情感与认知冷漠 18:07 回报与努力：大脑如何选择下一步行动 19:49 每个行为前都有一座“激活小山” 降低行动门槛的实用方法 20:57 Lauren Case：活化能很低的人 22:27 牛津学生实验：冷漠者为何消耗更多脑力 27:18 改变激励：把“挂画”变成“教别人挂画” 28:17 拆分任务、改变奖励与先迈出第一步 努力、成功与自我认知 29:29 高强度锻炼能否迁移为通用动力 30:56 我们能否训练自己降低活化能 31:41 提前规划如何减少决策成本 37:13 过去的奖励、失败与未来动机 动力、抑郁、躁狂与成瘾 40:37 努力经验如何影响后续行动 43:52 发起行动与坚持到底同样重要 45:32 冷漠和抑郁并不是一回事 1:08:14 多巴胺回路过低与过度活跃：从冷漠到躁狂、成瘾 手机、注意力与“想要”并不等于“喜欢” 1:10:45 社交媒体是否真的让我们获得多巴胺刺激 1:12:15 “想要”与“喜欢”的神经分离 1:14:45 多巴胺、运动、执行控制与帕金森病 1:15:38 无限刷新的社交媒体像一款没有终点的电子游戏 注意力、工作记忆与长期目标 1:29:23 内部注意力与外部注意力 1:30:35 注意力为何有限：大脑资源的竞争 1:35:08 内心碎碎念、心流与降低噪音 1:40:27 多巴胺的倒 U 型曲线与认知表现 1:47:04 ADHD、兴趣驱动的注意力与警觉性衰退 长期目标、自我改变与认知韧性 1:49:52 从短期奖励到多年目标 1:52:38 时间贴现：一年后的大奖励和一周后的普通奖励 1:55:01 阿尔茨海默病不一定等于痴呆症 1:57:21 目标感、社交关系与认知韧性 2:06:31 如何减少分心：改变环境，而不是只靠意志力 2:10:55 Husain 博士如何通过艺术和兴趣充实自己 🌟 精彩内容 💡 冷漠不是“不想要”，而是行动不值得付出 David 并非完全没有愿望，也不是处于典型的悲伤或绝望状态。他想听音乐，却无法承担连接音响、拿出扬声器这几分钟的启动成本。冷漠的关键差异，往往出现在低回报任务上：高回报仍然值得行动，低回报则会被大脑判定为“不值得费力”。 “要把音响的线接好、把扬声器拿出来，这点付出相比于听音乐能获得的快乐，对他来说代价太大了。” 💡 拖延的核心，可能是过高的“活化能垒” 很多人不是不知道该做什么，而是在真正开始前，就已经把任务的困难、复杂性和可能失败的后果计算了太多遍。做决定本身也要消耗大脑能量；当启动成本和实际执行成本叠加，最容易出现的结果就是放弃。 “每种行为都有一座需要翻越的激活小山，我们得翻过去才会觉得，行，我可以开始做这个了。” 💡 降低门槛，比强迫自己更有效 面对一个需要数月完成的大项目，与其要求自己“立刻完成”，不如把它拆成调研一个小问题、写下第一段、完成一个可交付模块。任务被切小后，感知到的难度下降，行动也更容易启动；完成小步骤后，反馈又会进一步提供奖励。 “你可以把它拆成子部分，这样激活的难度看起来就不会那么吓人。” 💡 “想要”和“喜欢”是两套不同体验 多巴胺更多参与对目标的追求、寻找和行动动力，并不等同于获得快乐。成瘾行为中，一个人可能持续寻找某种东西，却已经不再真正享受它；刷手机、赌博和其他强迫性行为，也可能表现为“还在做，但并不好玩”。 “‘想要’，也就是对目标的追求，至少是由多巴胺介导或调节的，而实际上‘喜欢’，也就是你可能从结果中获得的快感，则不是。” 💡 多巴胺不是越多越好，而是存在倒 U 型关系 当基线较低时，增加多巴胺可能改善工作记忆和短时维持信息的能力；但如果本来已经处于较高水平，继续增加反而可能损害表现。这也是为什么兴奋剂、咖啡因或尼古丁并不必然带来认知提升，个体差异和原本的神经化学状态非常关键。 “如果你本身表现就很出色，那你就有变差的风险，这就是所谓的多巴胺倒 U 型曲线。” 💡 训练注意力，首先要停止削弱注意力 目前并没有足够证据证明，通过某一种通用训练，就能让注意力在所有领域整体变强。但我们可以先移除通知、邮件、噪音和手机等持续争夺注意力的刺激，减少不必要的切换，让有限的神经资源重新集中到真正重要的任务上。 “你能做的是排除那些让你分心的事物。” 💡 长期坚持需要把胜利写进自我认知 长期目标不会只靠一次宏大的激励维持。沿途的小胜利、过去完成困难任务的记忆，以及“我能够坚持”的自我判断，会影响下一次遇到困难时的启动成本。适度的自我鼓励并不是欺骗，而可能是一种帮助人持续行动的有用心理机制。 “如果我们让这些记忆更多地渗入我们的自我认知里，就会有点像是，哦对，你能做困难的事。” 💡 目标感不仅关乎幸福，也可能关乎大脑韧性 Husain 博士提到，一些人在大脑中已经存在阿尔茨海默病相关病理，却始终没有发展出痴呆症。除了运动、血压、血糖和心血管健康，维持社交联系、保持好奇心和拥有目标感，也可能帮助人们抵抗认知衰退。 “那些有目标感的人，随着时间推移，对认知衰退的抵抗力也更强。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  4. 1d ago

    #692.Neil Movva：把 AI 推理成本降 10 倍，智能充裕时代如何绕开芯片与电力瓶颈

    📝 本期播客简介 本期我们克隆了：Invest Like the Best with Patrick O'Shaughnessy Neil Movva - Making AI 10x Cheaper - [Invest Like the Best, EP.488] 原内容更新时间：Tue, 25 Aug 2026 本期嘉宾是 Sail Research 创始人 Neil Movva，主持人是 Patrick O'Shaughnessy。Sail 正在构建一个面向长周期 AI Agent 的「token 工厂」：通过 API 提供低成本推理，并托管可以在云端运行数小时、数天甚至数周的 Agent。与优先追求实时响应速度的传统推理服务不同，Sail 更关心如何把每个 token 的成本压到最低，让机器能够持续工作，而不是等待人类一次次发出指令。 这场对话从一个核心判断展开：只要把某样东西便宜十倍，它就可能成为全新的产品品类。Neil 认为，未来的 AI 不应只是遇到难题时才调用的「昂贵顾问」，而应成为在后台持续运行、主动完成任务的基础设施。深度研究、网络安全、互联网索引、科学发现和软件验证，都可能因为廉价且长时间运行的 Agent 而被重新定义。 节目还深入拆解了实现这一愿景所需的完整技术栈：软件如何榨干 GPU 性能，吞吐量与低延迟为何存在根本权衡，Cerebras、Groq、AMD 和新型加速器各自适合什么场景，以及为什么分散的小型数据中心、闲置芯片和间歇性能源，反而可能成为推理时代的优势。Neil 也分享了他对英伟达、开源模型、蒸馏、KV cache、Transformer 扩展定律和 AI 基础设施投资周期的逆向判断。 👨‍⚕️ 本期嘉宾 Neil Movva，Sail Research 创始人，长期专注于 GPU、算子、芯片架构、数据中心与能源系统之间的协同优化。他大学时期曾在英伟达工作，亲历 Tensor Core 从早期实验性设计逐渐成为 GPU 核心能力的过程；此后持续从软件栈、底层硬件和系统部署的角度研究如何提升计算效率。 Neil 的独特之处在于，他并不把推理基础设施局限于某一种芯片或某一座超大规模数据中心，而是采取「拾荒者策略」：购买市场上被低估、被忽视或不符合传统数据中心要求的芯片与电力，再通过自研软件、异构调度和分散式集群把它们组织起来。对于想理解 AI Agent 经济学、芯片供应链、算力投资逻辑和推理成本下降路径的听众，这是一场非常难得的全栈式对谈。 ⏱️ 时间戳 00:00 开场：什么是 token 工厂 01:00 Neil Movva 与 Sail Research 的业务介绍 02:14 Sail 如何通过 API 提供低价 token 02:34 Sailboxes：运行数小时、数天甚至数周的 Agent 02:59 「充裕」为何是公司的核心主题 从实时聊天到后台 Agent 03:23 为什么 token 成本是当前的北极星指标 04:39 开源模型与「智能主权」的兴起 05:24 Agent 的未来为何属于长周期任务 06:04 「最好的延迟就是完全没有延迟」 长时间运行的 Agent 会带来什么 06:58 测试时计算扩展与更长任务时长 08:12 后台工作负载可能从 50% 走向 90% 08:23 深度研究、互联网索引与网络安全 10:52 主动型个人助理与「便宜的智能」 软件、GPU 与吞吐量的重新优化 13:31 Sail 为什么必须从软件做起 14:08 Tensor Core 与矩阵乘法 18:40 GPU 的本质：吞吐量机器 19:13 延迟优化与吞吐量优化的根本权衡 芯片架构：从 NVLink 到 Cerebras 21:19 NVLink 如何降低低延迟推理的成本 22:55 为什么 Sail 没那么在乎低延迟推理 24:12 Cerebras、Groq 与片上 SRAM 28:49 KV cache：动态知识为何成为瓶颈 Transformer、数据与可验证智能 32:08 Transformer 的核心：注意力与序列建模 34:10 为什么 Transformer 像一块极佳的海绵 35:57 互联网是对数据的一次性补贴 37:00 强化学习环境如何成为下一阶段的数据来源 拾荒者策略：芯片、电力与小型数据中心 44:13 芯片稀缺与算力分配 45:17 「没有坏的芯片，只有不合理的价格」 50:52 训练基础设施如何转向推理基础设施 52:29 为什么 1 兆瓦的小型数据中心更适合 Agent 推理 分散式算力与能源创新 53:12 组合不同芯片、性能与数据中心 54:15 用 1000 个小型数据中心对抗 1 吉瓦中心 55:12 为什么后台 Agent 可以接受 95% 的可用性 56:41 太阳能、风能与可预测的间歇性电力 投资判断、开源未来与智能充裕 1:01:20 AI 全栈中最需要提升效率的环节 1:01:59 KV cache 压缩与算力调度 1:07:30 前沿实验室领先三到六个月的溢价 1:10:02 便宜 token 与每个人自己的 Agent harness 公司的未来与 Neil 的逆向观点 1:13:36 短期看好英伟达，但永远不要看空英伟达 1:16:10 芯片初创公司必须理解的四个供应链瓶颈 1:17:31 英伟达为何不直接下场卖 token 1:18:20 导师、性能工程与理解完整技术栈 🌟 精彩内容 💡 让某样东西便宜十倍，它就会成为新产品 Neil 并不把降低 token 成本视为单纯的基础设施优化，而是把它看成创造新需求的前提。当智能变得足够便宜，Agent 就不必只在用户明确提出请求后才工作，而可以主动探索、反复尝试，并持续完成过去因成本过高而无法执行的任务。 「我们认为，只要你把某样东西便宜十倍，它就会成为一个全新的产品品类。」 💡 最好的延迟，是完全没有延迟 传统 AI 产品把延迟理解为用户等待答案的时间，因此追求每秒吐出更多 token。Neil 则提出另一种产品形态：让 Agent 在后台运行，人类不必实时参与。当用户早上醒来时，工作已经在夜里完成，延迟就不再是体验的核心指标。 「一种说法是，最好的延迟就是完全没有延迟。」 💡 Agent 会把人类从工作循环中移开 如果人类每隔几分钟就要给 Agent 一个 prompt、等待回复并继续指挥，人的注意力就会成为系统瓶颈。更理想的协作方式，是像管理一位同事：交代宏观目标，隔天或隔周再回来检查结果。 「随着你不断给 Agent 发 prompt 并等待回复，你在其中参与得越多，实际上，你反而成了决定 Agent 能做多少工作的瓶颈。」 💡 没有坏的芯片，只有不合理的价格 Neil 对算力硬件的判断非常反共识。他不认为只有英伟达芯片才有价值，而是认为不同芯片都有自己的比较优势。只要价格足够低、软件栈足够灵活，AMD、TPU、Trainium 以及各种新型加速器都能在异构推理系统中找到位置。 「没有坏的芯片。只有不合理的价格。」 💡 后台 Agent 不需要传统数据中心的完美可用性 面向实时应用的数据中心必须追求极低延迟、高冗余和严格 SLA；但对于运行数小时甚至数天的后台 Agent，偶发故障只会带来几分钟的额外等待。Sail 因此可以接纳单电源、低冗余、可用性只有 95% 甚至更低的数据中心，用可靠的控制平面把任务迁移到其他算力池。 「我会买 95% 可用性的数据中心。」 💡 未来的算力工厂可能由小型钢厂组成 Neil 用小型钢厂类比 Sail 的基础设施：不追求一座集中式、完全垂直整合的超级数据中心，而是聚合全球各地零散、便宜、别人不愿意使用的芯片和电力。通过软件调度与系统整合，这些分散资源可以形成经济效益更强的推理网络。 「我们正努力建造世界上最好的钢铁厂，但这会通过小型钢厂来实现，而不是通过大型一体化钢铁厂。」 💡 智能不该只是昂贵的咨询服务 Neil 认为，今天人们仍然把 Agent 当成一个价格昂贵、只有遇到难题才会请教的顾问。但如果 token 成本下降几个数量级，人们就可以在没有明确回报保证的情况下，让机器持续探索可验证的问题，智能也会从稀缺资源变成普遍可调用的公共能力。 「看待智能不应该是这种方式。机器能够思考，这太不可思议了，我们应该努力让它走进尽可能多的人手里。」 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  5. 2d ago

    #691.Jen Abel：拿下 10 万美元企业大单的完整路径，别让 AI 热潮掩盖了销售基本功

    📝 本期播客简介 本期我们克隆了：Lenny's Podcast: Product | Career | Growth How to close $100K+ enterprise deals, step by step | Jen Abel 原内容更新时间：Sun, 23 Aug 2026 本期节目由 Lenny Rachitsky 主持，邀请企业级销售专家 Jen Abel，完整拆解一笔 10 万至 100 万美元企业级交易从第一次触达、初次沟通、产品演示、试用期，到采购、合同审查和最终签字的全过程。Jen 曾三次做客 Lenny's Podcast：第一次讨论创始人主导销售，第二次讨论 100 万至 1000 万美元的企业级销售打法，而这一次，她把企业销售从大家熟悉的“五步漏斗”还原成接近 15 个真实步骤。 节目以向 SpaceX 法务部门销售 AI 法律科技为案例，讲清楚如何同时触达高管与 N-1 级别联系人，如何用“钳形模式”建立组织内部的推动力，如何在第一次电话中克制住演示冲动，先获取情报、识别真正的改变需求，再围绕客户语境设计演示和试用。Jen 反复强调，企业级销售不是把客户塞进自己的销售流程，而是帮助客户完成他们自己的采购流程。 这期内容尤其适合创始人、产品经理、企业级销售、客户成功负责人，以及正在从 SMB 转向大客户市场的创业团队。你会听到大量可直接执行的细节：为什么演示前要再打一通准备电话，为什么试用期最好严格控制在两三天，什么时候应该收取试用费用，为什么健康的企业销售赢单率只有约 25% 至 35%，以及如何避免采购、法务和内部意见分歧让交易失去势头。 👨‍⚕️ 本期嘉宾 Jen Abel，JJellyfish 联合创始人，同时担任 State Affairs 企业级销售总经理。她长期专注于早期创业公司的创始人主导销售、企业级客户拓展和高客单价交易，尤其擅长把看似依赖个人天赋的销售经验，拆解成可以理解、练习和复盘的具体步骤。 Jen 的独特之处在于，她并不把销售简化成一套固定话术或 CRM 阶段，而是同时强调流程、项目管理、信息优势和人与人之间的判断力。她认为，最优秀的销售往往不是接受过最多标准化培训的人，而是最会倾听、挖掘信息、理解组织目标，并能让客户对未来产生兴奋感的人。这也是她第三次做客 Lenny's Podcast，依然能提供大量一手经验的原因。 ⏱️ 时间戳 开场：企业级销售为何不是五步漏斗 01:45 Jen Abel 登场：这次要完整走过企业级销售周期 03:26 15 步销售打法的目标：把秘密全部讲清楚 06:20 SpaceX 法务部门案例：从 10 万美元交易开始 07:35 10 万美元与 100 万美元交易，本质上是同一套流程 第一步：找到对的人，并用 Alpha 触达 09:27 第一步：如何约到第一次企业级销售会议 10:28 企业高管真正关心的是“超额收益” 11:49 钳形模式：同时触达高管与 N-1 15:19 用工具寻找关键联系人，但必须靠人工判断核对 第二步：初次沟通电话，先获取情报 18:51 初次沟通是所有电话里最重要的一通 19:53 非正式开场：让对方先说 21:36 不要急着把对话引向产品 23:10 为什么初次沟通千万不要录音 第三至六步：从跟进、准备到精准演示 30:11 初次沟通后的跟进：不要直接跳到 Demo 31:46 演示前的准备电话：和内部推动者一起设计故事线 35:12 最危险的 Demo：没有准备就向一群人展示产品 41:39 只展示 20% 最有价值的功能 试用期：用两三天验证价值并掌控节奏 49:31 确定试用期的推进流程 50:45 两种试用期：轻量验证与深度集成 53:24 和客户共同定义成功标准 54:49 在试用前倒推签约时间线与内部参与者 企业销售的真实漏斗与赢单率 1:03:39 CRM 的五个阶段不是实际销售流程 1:05:14 90% 的人误把 CRM 流水线当成销售打法 1:08:39 健康的企业级销售赢单率约为 25% 至 35% 1:10:58 从合格线索到 Demo，通常会流失一半 采购、合同与最终签字 1:05:37 第十步：试用期后的复盘与真实反馈 1:12:22 第十一步：合同准备与采购时间线 1:15:28 合同审查：把来回邮件变成实时会议 1:17:57 最后一步：确认签字人并完成签署 成交之后：扩张、拒绝与销售的长期价值 1:18:57 签单之后如何思考增购与扩张 1:19:12 企业级销售真正的核心是第二年的扩容 1:20:15 买家如何尽早、清楚地说“不” 1:22:37 销售和产品管理：本质上都是理解人和解决问题 🌟 精彩内容 💡 企业级销售不是五步，而是接近 15 步 Jen 认为，CRM 里的“介绍、演示、方案、合同、赢单”只是用于预测和加权的分类，并不代表客户真实经历的销售步骤。每一个 CRM 阶段背后，往往还需要数次关键沟通、内部协调和决策推动。把五步漏斗误认为真实流程，是企业销售团队最常见的认知错误之一。 “多数人以为销售流程就五步，而我们现在已经讲到第 10 步了，这都还没讲完。” 💡 高管买的不是问题解决，而是不对称的优势 向企业高管触达时，单纯说“我们能帮你解决某个问题”远远不够。高管需要看到的是，引入这套方案后，自己能为组织释放什么新的价值：更多影响力、更大预算、更高效率，或一种能向 CEO、COO 和董事会证明的实质性改变。 “最重要的是超额收益。” 💡 钳形模式：高管和 N-1 必须同时推进 Jen 建议创始人直接触达最高层决策者，同时让 AE 或企业销售负责人联系高管下面一层、最接近执行的人。两条线同时推进，既能获得高管级价值判断，又能拿到一线执行信息，避免销售故事在组织内部层层转述后失真。 “它其实就叫钳形模式，也就是从最顶层切入，找到那一层底线，然后在两者之间推进。” 💡 初次沟通的任务不是展示产品，而是让客户多说 第一通电话决定了客户是否会放下防备，也决定了销售能获得多少真实信息。不要急着打开 PPT、做 Demo 或追问标准化的 BANT 问题，而应该让对方先讲自己的目标、规划、组织变化与成熟度，再根据这些信息组织后续叙事。 “这是所有电话里最重要的一通。” 💡 不要照搬销售话术，真正的优势来自信息差 标准化话术会让销售变得同质化，预算、决策权、需求和时间点应该作为销售脑中的判断框架，而不是机械地逐项询问。谁能比竞争对手多理解客户的潜台词、内部关系和优先级，谁就能把 Demo、试用和商业方案做得更像是为客户量身打造。 “让自己沦为同质化最快的方式，就是套用一些销售话术。” 💡 两三天的试用，往往比两周的试用更有效 轻量试用的目标不是让客户自由探索产品，而是挑选三到四名真正的重度用户，为每个人设定清晰任务、提供上手培训，并与客户共同定义成功标准。把试用严格限制在 48 到 72 小时，既能更快验证价值，也能避免销售周期被无止境拉长。 “改成 48 到 72 小时，就能把你的销售周期缩短两周。” 💡 演示不是产品巡回展示，而是一次精准的叙事与项目管理 企业客户并不需要看到产品的全部功能。销售应该在前期沟通中找出最重要的 20% 价值，再围绕这部分内容组织 Demo，让客户产生“这就是为我们做的”感觉。展示过多无关功能，反而会让客户开始怀疑自己为什么要为一堆用不到的东西付费。 “企业级销售就是极其紧凑的项目管理，极其紧凑的叙事和框架，并且牢牢掌控这个框架。” 💡 健康的赢单率不是越高越好 合格商机从 Demo 到最终签约会持续流失，健康的企业级销售赢单率通常在 25% 至 35% 左右。如果赢单率异常高，可能意味着定价过低，或者团队没有充分筛掉尚未成熟、并不真正需要产品的客户。与其盲目追求更高赢单率，不如保持价格、做好资格审查，并为未来重新进入市场的客户留下空间。 “如果你的赢单率比这还高，说明你定得太便宜了。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 在小宇宙查看该单集文稿

  6. 2d ago

    #690.DHH 狂热转型：手写代码已死，Agent 时代人类只剩品味与愿景

    📝 本期播客简介 本期我们克隆了：Lex Fridman Podcast #501 – DHH: Future of Programming, AI, Agentic Engineering, Vibe Coding & Linux 原内容更新时间：Wed, 26 Aug 2026 本期嘉宾是 Ruby on Rails 缔造者、37signals 联合创始人兼 CTO David Heinemeier Hansson (DHH)。在过去 20 多年里，DHH 一直是手写优美代码与工艺感的头号信徒。然而在过去几个月中，他彻底颠覆了自己的既往认知，全面拥抱 AI Agent 驱动的全新编程范式，甚至以 100% 由 Agent 编写代码的方式打造了全新 Linux 桌面发行版 Omarchy Quattro。 在这场信息密度极高、跌宕起伏的对话中，DHH 与 Lex Fridman 深度探讨了传统程序员角色的终结、Vibe Coding 与严肃系统工程的区别、多智能体并发开发的真实工作流，以及为什么 Linux 将在 Agent 时代彻底统领桌面。同时，两人还就开源社区危机、过度优化的长寿执念、生育率与人类未来的文明走向展开了坦诚且犀利的交锋。 👨‍⚕️ 本期嘉宾 David Heinemeier Hansson (DHH)，知名开源 Web 框架 Ruby on Rails 的创作者，37signals (Basecamp & HEY) 的联合创始人兼 CTO，全新 Linux 发行版 Omarchy 的打造者，勒芒 24 小时耐力赛车手，以及多本畅销商业技术书籍的作者。以极其犀利、敢言、极具美学品味的工程师文化倡导者著称。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 时代的范式转移与心流重塑 08:36 13 个月后的认知反转：从怀疑论到纯粹狂热 12:47 Opus 5 与 Harness 革命：从自动补全到把控全局 15:38 告别驾驶座：当 Agent 开始替人类规划路径 大公司困境与单人超级生产力 22:21 组织带宽陷阱：为什么大公司无法被 AI 加速 26:55 平台颠覆：桌面计算 40 年来首次迎来大洗牌 31:59 开源宗教改革：去中介化与 Agent PR 浪潮 手写代码的黄昏与品味的价值 50:49 重新定义编程：Vibe Coding、系统架构与产品经理素养 57:27 告别死板需求文档：在模糊探索与直觉反馈中迭代 1:03:56 牛仔文化的浪漫化：手写优美代码的经济价值终结 1:15:30 给年轻开发者的解焦虑指南：专注于当下，拒绝妄想 DHH 的多 Agent 极限操作流 1:29:30 单线程转向并发：16 线程 Agent 工作流与 Herder 1:36:59 为什么 Linux 是 Agent 的天生主场：配置即代码与 Unix 哲学 1:48:05 追求卓越不需要解释：60 秒极速装机与迈凯伦式减重 2:09:03 主厨特选与主编思维：如何像指导学徒一样驾驭 AI 前沿模型大比拼与端到端自动化 2:24:21 实测跨语言重构：Fable、Opus 5、Grok 与 DeepSeek 对决 2:33:09 终端 vs 异步协作：Claude Code、OpenCode 与 Basecamp 式 Agent 2:49:28 窥见 AGI 曙光：Omobot 与自我迭代的自动化循环 技术之外的生命沉思 3:00:34 父亲身份与存在主义：为人父母是活在星球上的巅峰体验 3:10:28 社交媒体与政治极化：在回音室之外重拾开放对话 4:30:33 拒绝过度优化：从寿命执念、红酒哲学到死亡警告 4:47:52 永恒轮回：如果重启文明，为什么选择 80 年代 🌟 精彩内容 💡 组织真正的瓶颈从来不是代码实现，而是人的沟通带宽 当一个项目塞满了产品经理、设计师和各级高管，每个人都试图证明自己的存在价值时，生产力就被官僚流程吞噬殆尽。要想获得 10 倍甚至 100 倍的生产力飞跃，人类必须直接与 Agent 进行高带宽交互，去掉中间所有的传递损耗。 "只要是由人类团队一起做一件事，瓶颈就很少出在代码实现上。瓶颈在于人的带宽和沟通。" 💡 手写优美代码正在成为一种被浪漫化的"牛仔文化" 过去 20 年手写代码的经济回报来自于人类维护架构的需要。随着 Agent 全面接管实际编码，手写代码将像骑马一样，不再是最高效的出行方式，而演变成少数人出于对手艺的热爱与限制的怀旧而保留的浪漫体验。 "编程，也就是老派的手写编程，有点像那种被我们浪漫化、拍成电影的牛仔文化。" 💡 追求极致不需要任何借口 无论是追求每秒 7GB 的极速系统安装，还是迈凯伦设计师为了几百克重量反复死磕，将事物推向物理极限本身就能催生意想不到的创新与极大的智识满足感。 "追求卓越不需要任何解释。想要把某样东西做到尽可能好、尽可能快、尽可能漂亮，本就不需要理由。" 💡 策略性的模糊性比死板的精确更能激发系统的智能 对待前沿 AI 系统不该像给机器写死指令，而应该像写诗一样用自然语言传达意图与高层次品味。利用语言内在的留白与隐喻，能让模型深度理解背后的意图，而不是机械僵化地执行字面要求。 "别像对待机器人一样跟它说话。像写诗一样去跟它交流。" 💡 极度优化长寿是现代人焦虑与失控感在身体上的投影 无休止地监控健康数据、为了 0.1% 的风险放弃社交饮酒，本质上是因为在监控社会中退缩到了"未曾真正活过"的状态。欣然接纳生命的有限性，才能真正体会当下创造、生活与连接的充实。 "如果你觉得自己真切地活过了，你就会坦然地想我已经活够了，而且生命有终点并不是一件需要去抗争的事。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 在小宇宙查看该单集文稿

  7. 3d ago

    #689.Dylan Patel：2028 年两家 AI 实验室如何吞下全球算力，并把世界推向高利率时代

    📝 本期播客简介 本期我们克隆了：Dwarkesh Podcast Dylan Patel – Anthropic & OpenAI will have most of the world’s compute by 2028 原内容更新时间：Tue, 25 Aug 2026 本期是 Dwarkesh Patel 与其“双胞胎兄弟”Dylan Patel 的年度对谈。Dwarkesh Patel 主持节目，Dylan Patel 是 SemiAnalysis 创始人，两人从 AI 实验室的收入、算力采购和资本开支出发，推演 Anthropic 与 OpenAI 为什么可能在 2028 年前后控制全球大部分可用 FLOPs。 对谈的核心并不是“AI 会不会继续变强”，而是：谁能把算力变现得更好，谁就能以更高价格买下更多算力；谁拥有更多算力，谁又能训练出更强的模型、创造更高收入，形成越来越强的正反馈。节目详细讨论了每兆瓦算力的收入、晶圆厂与数据中心的扩产瓶颈、推理与训练之间的资源分配，以及中国在算力和芯片供应上的追赶路径。 后半段，两人把视角从产业经济学推向宏观金融与社会结构：到 2029 年可能高达 11 万亿美元的 AI 资本开支将由谁来融资？Hyperscaler 大规模举债会不会推高全球利率、挤压其他国家和行业的融资空间，甚至引发主权债务危机？更令人不安的是，如果 RSI（递归自我改进）或自动化劳动力规模化发生，全球未来的“有效人口”和生产能力，是否会集中在极少数 AI 公司手中？ 👨‍⚕️ 本期嘉宾 Dylan Patel，SemiAnalysis 创始人，长期研究半导体、数据中心、GPU、AI 基础设施与云计算产业链。他擅长把晶圆、HBM、EUV 光刻机、供电、数据中心和融资结构等复杂环节，放进同一个自洽的经济模型中分析。 在这期节目里，Dylan 不只是预测 Anthropic 和 OpenAI 的算力规模，还进一步估算了每吉瓦算力能够产生的收入、不同硬件世代的有效性能差异，以及 AI 资本开支如何沿着芯片、能源、云服务和债券市场传导。对于想理解 AI 产业真正的瓶颈——算力价格、供应链扩张、现金流和资本市场——的人来说，这是一场非常值得听的基础设施与宏观经济推演。 ⏱️ 时间戳 00:00 AI 实验室为何将吞下全球算力 00:00 开场：年度“兄弟播客”与 AI 经济 00:44 AI 基础设施正在成为 GDP 增长的重要组成部分 01:45 Anthropic 与 OpenAI 从烧风投到靠收入支撑增长 03:52 两家实验室为何可能在 2028 年掌控大部分 FLOPs 00:05 算力的超额回报与供应链瓶颈 08:43 1 吉瓦算力需要多少晶圆厂资本开支 09:03 60 亿美元晶圆厂如何对应超过 1 万亿美元终端收入 10:39 光刻机、反射镜与燃气轮机成为新的稀缺资产 11:35 为什么资本主义无法立刻解决算力扩产 00:11 算力价格：谁能捕获 AI 产生的价值 14:20 2028 年 100 吉瓦需求与算力价格暴涨 16:17 每兆瓦 1000 万至 1500 万美元的价格拐点 17:49 实验室可能支付每兆瓦 2500 万至 5000 万美元 20:21 模型、应用、用户与硬件之间的价值分配 00:14 RSI、监管与训练算力的重新分配 30:23 RSI 何时发生，AI 进展会不会起飞 32:17 模型能力提升如何抬高每兆瓦收入 33:47 上市压力下，训练算力与推理收入的冲突 37:21 实验室为何正在把更多算力转向研发 00:16 中国的算力差距与追赶路径 38:34 2028 年中国可能拥有多少 AI 算力 39:14 中国本土新增算力占比为何低于 10% 40:21 国产晶圆厂与芯片产能将在 2028 年形成拐点 41:35 中国制造能力可能带来“曲棍球棒式”增长 00:18 11 万亿美元 AI 资本开支从哪里来 47:34 100 吉瓦算力对应的真实资本开支 48:36 为什么数据中心和电力设施必须提前建设 50:06 2028 至 2029 年数万亿美元的融资缺口 50:33 Hyperscaler 借债支持 AI 基础设施扩张 00:27 AI 会引发主权债务危机吗 54:09 从高回报算力到主权债务危机 54:58 AI 投资如何推高利率并挤出其他借款人 55:30 美国可以通过税收扩大 AI 税基吗 56:42 高利率如何令发展中国家走向违约 00:33 高利率、股市与经济重新定价 59:53 2024 至 2029 年 11 万亿美元资本开支模型 1:02:07 2029 年利率可能上升多少 1:03:18 折现率上升为何会打击非 AI 股票 1:04:15 “第二次沃尔克时刻”与全球违约风险 00:36 AI 劳动力与权力集中 1:15:02 未来的有效 AI 人口可能每年增长十倍 1:15:52 单个实验室的 AI 劳动力超过全人类 1:17:11 RSI 为什么会把算力和权力进一步集中 1:18:46 训练规模效应、算力稀缺与持续学习 00:44 AGI 之后，谁来限制中心化 1:20:03 AGI 之后还有可能实现去中心化吗 1:21:15 私有制是否仍是最高效的经济形态 1:22:08 什么力量能阻止 AI 走向极度集中 1:25:00 沉重问题之后：等 RSI 启动时再见 🌟 精彩内容 💡 两家实验室可能掌控全球大部分可用 FLOPs Anthropic 和 OpenAI 的优势不只是拥有更多 GPU，而是它们比其他买家更擅长将算力转化为收入，因此可以持续支付更高价格。随着新增算力占总算力的比例越来越高，再叠加新一代芯片每瓦性能提升，算力集中会形成明显的乘数效应。 "因此，到了大概 2028 年底，如果这个趋势继续下去，而我看不到任何能阻止它的因素，他们两家就会直接掌控全球大部分可用的 FLOPs。" 💡 1 吉瓦算力背后，可能是千亿美元级年收入 节目用晶圆厂的资本开支与终端 AI 收入做了一次极具冲击力的粗算：约 60 亿美元的晶圆厂资本开支，可能支撑每年新增 1 吉瓦算力，而这部分算力对应的终端收入规模远高于硬件投入。真正的瓶颈因此不是需求，而是扩产速度。 "晶圆厂层面 60 亿美元的 capex，最终将产生超过 1 万亿美元的终端 AI 营收。" 💡 算力价格会从成本定价走向价值定价 当普通企业也能通过部署开源模型获得正毛利时，算力价格就不可能长期停留在每兆瓦 1000 万至 1500 万美元。能够创造更高收入的 AI 实验室会竞价购买算力，迫使供应链、云厂商和数据中心不断提高价格。 "他们确实得开始为每兆瓦支付 2500 万、3000 万、5000 万美元，才是在 2028 年真正吃下全球 70% 的算力。" 💡 AI 实验室可能会牺牲推理收入，优先做研究 如果下一代模型能显著提高实验室的每兆瓦收入，那么把算力用于对外推理、赚取眼前利润，可能反而不如投入内部研发。随着自动化编程、自动化研究员和持续学习出现，训练与研究算力的价值会越来越高。 "我觉得 Anthropic 和 OpenAI 很明显的答案，不仅是高管层，董事会也是，就是去把 AGI 做出来，因为那要赚钱得多。" 💡 11 万亿美元资本开支可能带来全球融资冲击 到 2029 年，AI 基础设施建设可能需要约 11 万亿美元资本开支，其中约 5 万亿美元需要依赖信贷。Hyperscaler、数据中心、芯片厂商和供应链企业同时举债，可能把资金从住房、政府债券、传统企业和消费者贷款中挤出去。 "如果是这样的话，整个生态系统里筹集 5 万亿美元的债务，确实会让利率上升。" 💡 高利率可能让非 AI 国家和资产失去生存空间 AI 基础设施带来的超高回报会抬升资金的机会成本与市场利率，使缺乏 AI 产业、债务负担又高的国家更难借钱。高折现率也会压低依赖长期现金流的股票估值，造成金融市场的广泛重定价。 "所有没有参与 AI 生产的国家都会违约，所有非 AI 的股票基本上都分文不值，因为现金流折现后毫无价值。" 💡 AI 劳动力可能在本世纪末超过人类人口 如果前沿算力每年增长四到五倍，而达到同等能力所需算力降为原来的三分之一，那么有效 AI 劳动力规模可能每年增长十倍。即使模型还没有完全达到人类水平，单个实验室拥有的“等效人口”也可能在几年内超过地球总人口。 "很快，就算算力扩展放缓，用不了多少年，每家公司各自拥有的等效劳动力就会超过地球上的总人口。" 💡 规模效应、持续学习与 RSI 全都指向中心化 训练一次模型可以服务数十亿次会话，领先模型还能利用更大的部署范围获得更多现实世界数据；而最好的模型又可能帮助实验室训练出更好的下一个模型。这些机制叠加起来，使领先者更容易获得算力、收入和数据，去中心化因此越来越难。 "所有这些都指向了中心化。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 在小宇宙查看该单集文稿

  8. 4d ago

    #688.OpenAI 内部视角：从算力重置、超快模式到人手一个个人 AGI 的演进路线

    📝 本期播客简介 本期我们克隆了：Matthew Berman How to Understand the Next Wave of AI Before Everyone Else | Tibo Interview 原内容更新时间：2026-08-24 在这期对话中，主持人 Matthew Berman 邀请到了 OpenAI 的核心团队成员 Tibo，深入探讨了 AI 行业从底层算力架构到顶层产品交互形态的剧烈变革。Tibo 曾就职于 Google DeepMind，亲历了大模型爆发前夕的技术探索与组织掣肘，随后在 OpenAI 深度参与了模型迭代与产品落地。 对话围绕 OpenAI 的自下而上创新文化展开，详细拆解了 Codex 与 ChatGPT 走向深度融合背后的产品逻辑、大模型带来的全新工作流、超快推理模式对人机交互心流的重构，以及前沿模型在推理与基础设施层面的“递归自我改进”。面对算力成本、竞争格局与公众对 AI 未来的焦虑，Tibo 从第一性原理出发，分享了 OpenAI 如何通过死抠效率来推动顶尖智能的普惠化。 👨‍⚕️ 本期嘉宾 Tibo：前 Google DeepMind 基础设施与研究产品成员，现任职于 OpenAI。专注于大模型训练基础设施、模型高效推理以及面向大众和开发者的 Agent 产品化落地，亲历了从早期 LMChat 到 ChatGPT 及 Codex 融合的完整演进过程。 ⏱️ 时间戳 从 DeepMind 到 OpenAI 的文化差异 00:55 亲历 LMChat：谷歌为何错失大模型发布先机 02:21 OpenAI 的自下而上文化与颠覆自己的勇气 04:45 给创业者的建议：倾听反馈与快速重新调配资源 下一代 Agent 与人机交互范式 07:29 下一代模型演进：为什么笔记本电脑成了瓶颈 10:30 并行 Agent 开销 vs 超快模式下的心流体验 12:27 两种智能未来：极致贴合的个人 Agent 与端到端全自动化 13:56 ChatGPT 与 Codex 的融合：消除技术界面的连续光谱 竞争定位、社区善意与算力规划 19:39 面对行业竞争：聚焦自身独特优势与最大化普及 22:23 “实体重置按钮”的由来：补偿机制与社区善意 25:38 算力规划的前瞻性与大模型带来的架构自优化 递归自我改进与超快模式的未来 28:49 处于初期的递归自我改进：用模型重构推理基础设施 30:19 强化学习暂停风波：安全与对齐的必要加固 31:58 14倍超快模式的应用场景：高危排障与实时创意画布 37:04 成本下降与智能普及：六个月后的前沿模型将极其廉价 🌟 精彩内容 💡 顶尖智能走向单一界面的终局 未来的个人 AI 不应该根据用户是否懂代码而强行划分界面，人群是一个连续的光谱，最理想的系统会像水一样自适应每一个独特个体的习惯与需求。 "人群是一个连续的光谱，我们发明的那些标签，像软件工程师、设计师，只是人类为了处理抽象概念而发明的……我们在努力打造一个能适应所有人的完美界面。" 💡 技术应当主动适应人类而非反之 大语言模型真正的突破在于它回归了人类最自然的交流方式。交互体验的终极形态是极度符合人性的无感延伸，而不是逼迫用户去学习复杂的 Prompt 技巧。 "所以我们极力做到不让你去适应它，而是让技术本身被打造得非常自然，像人类在这个世界中行为方式的自然延伸。" 💡 递归自我改进正在基础设施层悄然发生 外界往往将自我改进窄化为模型自己写模型，但实际上，利用当前最强大的模型来重构推理栈、优化底层算子和设计交互系统，已经是极高收益的递归演进。 "但我们看到取得巨大成功的地方，是用这些模型去开发位于使用模型关键路径上的基础设施，这也是一种递归自我改进的形式。" 💡 算力效率的飞跃正在重塑心流状态 极高的推理速度不仅仅是缩短等待时间，它彻底改变了开发者的认知负荷——从疲于管理数十个并发任务的上下文切换，回归到单线程毫秒级反馈的极致心流。 "然后当你有了超快速度，再加上语音，突然之间你就会觉得，好吧，这东西运行起来的速度即使不比你快，也跟你一样快了。这样你就能保持心流状态……" 💡 顶尖智能的普惠化是效率迭代的必然结果 当技术的推理效率与 token 利用率持续提升，曾经昂贵且遥不可及的前沿能力，会在极短的时间周期内迅速下沉为无处不在的基础设施。 "所以我认为，现在不管是处于什么前沿水平，六个月后运行起来都会便宜得多得多。所以我会这么回答这个问题：技术随着时间推移，自然而然会变得非常非常高效。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 在小宇宙查看该单集文稿

See All (700)

Ratings & Reviews

4.5
out of 5
8 Ratings

About

这是一档使用 AI 技术来将英文播客翻译为中文播客的节目～ 在翻译的同时，也能保留原有声线，用中文听懂外语播客！

Information

  • Creator
    yikai
  • Years Active
    2025 - 2026
  • Episodes
    700
  • Rating
    Clean
  • Copyright
    © yikai@小宇宙App
  • Show Website
    跨国串门儿计划

You Might Also Like