AI智识录

RayHu

在科技技术狂奔的时代，有一些文章如同行业的 “思想灯塔”—— 它们不沉迷于复杂公式，却能戳中技术演进范式的核心；不追逐短期热点，却能影响数年甚至数十年的研发方向。《AI智识录》，就是为你打捞这些 “AI 领域最新智识” 的播客阵地。 不必再对着长文屏幕费力精读，通勤路上、午后小憩时，打开《AI智识录》，让清晰的 AI 主播带你走进 AI 技术的 “思想原典”—— 这里没有碎片化的信息堆砌，只有经得起时间检验的深度认知；没有跟风的观点喧嚣，只有能帮你看懂技术本质的底层逻辑。 订阅《AI智识录》，用耳朵 翻阅”AI 行业的 思想年轮，抓住那些真正决定未来的核心智识。 本节目由：https://younavi.me 赞助播出

  1. 3d ago

    Grok Bot 是怎么做成“常驻 Agent”的

    Lee Robinson 在开发者社区里几乎不需要介绍。他2025 年底转投 Cursor 负责 AI 教育，2026 年随 Cursor 被 SpaceX 收购而并入 SpaceXAI，成为 Grok Bot 团队的一员，主攻“模型行为”——教模型怎么调用系统工具、怎么在虚拟环境里干活、怎么跟人配合。2026 年 10 月 8 日，他回到斯坦福，在 CS146S课上做了一场题为《How always-on agents work》的演讲，把 Grok Bot 的内部结构完整摊开。 演讲要回答的问题很朴素：终端里跑得挺好的 Agent，为什么一关电脑就死了？ 他给出的答案是一整套工程。触发器解决“什么时候被唤醒”，Slack、邮件、定时 Routine、异步回调、其他 Agent 的事件都能成为入口；调度层用开源持久化工作流引擎 Temporal 做队列、去重、优先级与崩溃恢复，机器挂了能从断点接着跑；执行层是一台带文件系统、Shell、Chrome 的云端 Linux，跑在 Firecracker 微虚拟机里做隔离与快照，连没有 API 的老旧 SaaS 也能靠 Computer Use 点进去操作。 交互被削到极薄，全程只有一个 send_user 工具，模型闷头干活，只在有确定结论或重大进展时才跨端推送一条像样的更新。上下文是另一场仗：把系统提示词和工具元数据钉在 Prompt 头部吃满缓存命中，趁缓存还温热时在后台做压缩，记忆一律写成 Markdown 文件让模型自己检索。 听完，你对以 Grok Bot 为代表的“常驻 Agent”这四个字的理解，大概会从一句口号变成一张能落地的图纸。 视频链接：https://www.youtube.com/watch?v=L1OBRtfPS34 在小宇宙查看该单集文稿

  2. 4d ago

    2026 国际 AI 科学家大会圆桌论坛：致敬达特茅斯 70 年，智能的下一个前沿

    2026 年 10 月 17 日，第二届国际 AI 科学家大会（ICAIS 2026）在北京中关村学院开幕。恰逢 1956 年达特茅斯会议提出“人工智能”这一名称整整七十年，大会把主题定为“致敬达特茅斯 70 年：智能的下一个前沿”。 首日上午的压轴圆桌，由清华大学教授、前微软研究院副院长刘铁岩主持，请来五位嘉宾同台： 2013 年诺贝尔化学奖得主、斯坦福大学名誉教授 Michael Levitt； LINPACK 与 TOP500 超算基准的提出者、2021 年图灵奖得主 Jack Dongarra； 清华大学教授、智谱 AI 首席科学家唐杰； 中国科学技术大学教授、研究 AI for Math 的马骁； 北京中关村学院研究员、全流程开源研发语言模型 ZGCM-1 的核心开发者何纪言。 这场对话从一个颇具仪式感的环节开始：每位嘉宾为“虚拟 AI 博物馆”捐出一件代表自己学术生涯的展品，并解释为什么是它。Dongarra 捐的是 LINPACK 用户指南和那份改变了整个超算评价体系的天花板基准；Levitt 捐的是一台 90 年代中期的便携 Linux 笔记本；唐杰捐出 AMiner 与 GLM；马骁捐的是一篇偏微分方程论文，外加他构想的下一代数学形式验证系统；何纪言则交出了一张 7B 模型的 loss curve 快照。 随后的讨论沿着几条真正的分歧线展开。 第一条是架构：AI 会不会最终收敛到 Transformer 这一条路上。Levitt 用生物学家的直觉给出回答，进化奖励的是多样性，所有物种都走同一条路径，本身就是危险信号；马骁从计算理论切入，只要一种架构是图灵完备的，它在能力上就是等价的，真正的差别在效率与可学习性；唐杰则把演进分成三段：先学数据，再学人类的工作流，最后是 AI 自己搭建环境、自我训练。 第二条是寒冬：Levitt 关心的是 token 成本与能耗，担心账算不平；Dongarra 认为 AI 已经穿过寒冬，真正要担心寒冬的可能是量子计算；唐杰给出的预警信号也最具体、最能被观测：基准测试上的分数一直在涨，但真实世界的模型调用量（比如 OpenRouter 上的流量）却停住了。 第三条是路线选择：开源与闭源、专用模型与通用模型、AI Native 的自主实验室，以及用“可验证奖励”替代人类反馈这条路到底能走多远。 圆桌的中段留给了年轻人。唐杰转身向两位前辈请教：一个人要怎样才能做出长周期、高价值、非共识的研究。Dongarra 给出的建议朴素得近乎老派：找好的合作者、耐得住寂寞、保持好奇心、追逐你真正热爱的方向。 最后是写给 2036 年的时间胶囊：唐杰认为十年内出现真正的 AGI 的置信度只有 8%；何纪言希望到那时 AI 能胜任一个人 99% 的日常重复工作；马骁认为 AGI 会在 2036 年前到来，标志是 AI 能自主建造航天器，他给了 80% 的置信度；Dongarra 的预测最出人意料：那时候硬件厂商可能会取消 64 位双精度浮点支持；Levitt 只期待人机和平共处，并且把无人机战争当成衡量这件事的标尺。 视频地址：https://www.bilibili.com/video/BV1RSJi6VE8C/?spm_id_from=333.337.search-card.all.click 在小宇宙查看该单集文稿

  3. Oct 12

    陶哲轩最新演讲：Math 2.0

    近期 OpenAI 一口气甩出七百多篇论文，宣称攻克了一堆百年数学猜想，“AI 要取代数学家”的惊呼铺天盖地。但就在一片喧嚣里，当今数学界领军人物、菲尔兹奖得主陶哲轩在加州理工学院做了一场名为《数学 2.0》的重磅演讲，给狂热的科技圈浇了一盆极其清醒的冷水。 传统数学几千年来都运行在“证明极度稀缺”的时代，解题是最高货币；而 AI 却让它一夜之间滑向“证明极度泛滥”。但那些“又秒了某难题”的战报其实充满幸存者偏差，背后天价的算力消耗和无数次失败被悄悄隐去了。 陶哲轩把数学难题比作海上的灯塔：灯塔不是用来撞的，而是照亮周围整片未知海域；探索途中长出的新工具，远比一个冷冰冰的答案珍贵千百倍。他现场还做了一个发人深省的思想实验：如果 AI 递给你一杯能治愈癌症、却没人能搞懂原理的药水，你敢不敢让针头扎进血管？ 真正的“数学 2.0”，不是让 AI 替人解题，而是用 AI 赋能人类理解。答案可以廉价，但理解永远无价。 演讲 Slides：https://teorth.github.io/tao-web/slides/math-2-0-caltech-2026.pdf 在小宇宙查看该单集文稿

  4. Oct 8

    辛顿等最新 RSI 综述：如果 AI 自进化触发了智能爆炸会怎样？

    国庆期间两位图灵奖得主、“AI 教父”杰弗里·辛顿（Geoffrey Hinton）与约书亚·本吉奥（Yoshua Bengio），还有强化学习鼻祖巴尔托，以及 OpenAI 首席科学家帕霍基等 22 位顶尖学者联署了一篇新论文：What if automating AI R&D triggers an intelligence explosion? https://casp.ac/reports/intelligence-explosion 他们极其严肃地推演了一个终极问题：如果 AI 开始自动化参与研发下一代 AI，会不会彻底引爆一场“智能爆炸”？ 早在 1965 年，数学家古德就提出过“递归自我改进”的概念：一旦机器能造出比自己更聪明的机器，就会滚雪球般把人类智力远远甩在身后。过去六十年这只是个科幻设想，但这批学者发现，这个飞轮已经在 Anthropic、OpenAI 等顶级实验室里悄悄咬合上了——AI 生成代码并合并主干的比例一年内冲上了 80%，AI 独立推进端到端研发的比例半年翻了二十多倍。 为什么偏偏是“造 AI”最可能引爆连锁反应？因为这是一场纯粹发生在数字世界里的迭代，没有物理世界的摩擦力；更震撼的是，顶尖人类科学家全球只有几千人、培养需要二十年，而顶尖 AI 研究员却能瞬间云端复制出“几百万个”。论文推演显示：在特定条件下，全球 AI 技术的进步速度可能在一年半里被拉高整整 10 倍，今天干一年的活，未来可能五个星期就能搞定。 不过，学者们随即泼下了四盆冷水：算力瓶颈、数据枯竭、实验的物理等待时间，以及科学本身的边际收益递减。现存证据并不支持智能爆炸必然发生，但它已经从科幻遐想，变成了摆在人类面前必须严肃面对的现实工程课题。 在小宇宙查看该单集文稿

  5. Sep 21

    Jev 模型创始人：我参与做出了 ChatGPT，现在我在构建下一代的东西

    这是 TypeSafe AI 创始人兼 CEO Diogo Almeida 在 AI Engineer World's Fair 2026 上的一场主题演讲。他是 OpenAI 那篇奠定 ChatGPT 基础的 RLHF 论文（InstructGPT）的合著者，也是 GPT-4 技术报告的共同作者——换句话说，他正是那个"教 ChatGPT 说话的人"。而他此番登台，却是来宣告自己亲手参与搭建的这套体系走上了弯路。 演讲的核心，是对当前大模型训练范式的一次正面挑战。Diogo 指出，RLHF 优化的目标从来不是客观真理，而是"貌似合理"和"取悦人类的说服力"。模型的不懂装懂、过度自信与幻觉，不是 bug，而是这套机制刻意练出来的特性。这就造成了一个行业性的分裂：在"人在环中"的辅助场景里，RLHF 体系极其强大；但一旦进入真正的自动化场景——比如让模型独立处理客服退款、信用审批——企业根本不敢放手，因为它无法给出可信的置信度。 在 Diogo 看来，Claude Code 与 ChatGPT 其实属于同一个时代，都还没跨过"真正自动化"的门槛。破局的方向是转向可验证奖励的强化学习（RLVR/RLCD），因为只有当奖励机制实现客观自动化，任务才可能实现自主自动化。这也呼应了萨顿《苦涩的教训》的结论：针对任务的算力搜索，比堆砌人类偏好数据更重要。 配合演讲，TypeSafe AI 同期发布首个"系统一"决策模型 Jev，"教 ChatGPT 说话的人"开始造一个"不说话的模型"，正是这场演讲引爆讨论的原因。 原视频链接：https://www.youtube.com/watch?v=cJ0EOzey--o 在小宇宙查看该单集文稿

  6. Sep 16

    DeepSeek 主Attention 算子工程师：我不得不把才华埋葬在昨天

    最近，这篇题为《我不得不把才华埋葬在昨天》的文章在 AI 从业者中刷屏，作者是北大信息科学技术学院图灵班出身、现 DeepSeek 核心算子工程师，被同事评价为“算子仙人”的刘胜与（网名 intlsy）。这篇文章之所以引发全网共鸣，恰恰在于它出自国内最顶尖的系统级手艺人之手——DeepSeek 最新模型4.1flash的主 Attention 算子，正是他独立设计并手写优化的成果。 他的日常，是在 GPU 汇编、PTX 指令和硬件流水线的最底层，分析每条指令的停顿，像速通玩家打破记录一样，享受反复打磨、把硬件算力榨到极致的快感。然而，正是这份技艺越极致，让AI 跑得越快、进化得越猛；而 AI 进化得越快，它在底层算子优化上的能力就越逼近甚至超越人类。他亲手打造的，是最终会革命掉自己的武器。 于是文章写下了那句戳中无数人的话：明知执着是自我毁灭，却依然要全力冲刺；明知不会失业，却必须转业——从引针穿线的匠人，转型为调度 AI 产出算子的“机甲驾驶员”。那份“坐在工位上静心写上一下午算子的清欢”，也许将在这个夏天成为绝唱。 这不只是一场个人职业的阵痛，更是当下无数高智力技术者共同的隐秘心境。而支撑他坚持留在 DeepSeek 的，是一个更宏大的信念：把顶尖算力与 AGI 拉回开放、普惠、开源的轨道，而不是交给少数闭源寡头垄断。 在小宇宙查看该单集文稿

  7. Sep 8

    YC 研讨会：为什么Harness比模型更重要

    最近一年，只要关注 AI，你刷到的东西基本都绕不开同一个主题：哪个模型又发了新版，上下文更长，推理更强，刷题分更高。这种铺天盖地的宣传慢慢让很多人形成了一种默认想法——只要模型本身够聪明，那些复杂的智能体任务就会跟着迎刃而解。 YC Paper Club 这期研讨，想聊的恰恰是这件事的反面。主持这场的是 YC 的老牌合伙人 Jared Friedman，他把话题直接就摆在了台面上：为什么模型外面的那套"Harness"（业内常说的运行时框架、脚手架）反而比模型本身更能决定一件事成不成。他用一个计算机的比喻来讲这个道理：基础模型就好比一台没有记忆能力的处理单元，它只负责算，而在真实场景里它能不能真正被用起来，靠的是外面那套系统——上下文怎么管理、该调哪些工具、任务跑到一半断了怎么恢复、状态存在哪里。这整套东西，才是让模型从"能算"变成"能干活"的关键。 研讨用几组实打实的工程结果来展示 Harness 的作用。Prime Intellect 的 Seth 分享他们怎么把同一个模型的 ARC-AGI 成绩从大约 30% 提到 95% 以上——底层权重一点没动，改的完全是外面那套运行环境。斯坦福的 John 关心的是怎么把推理放到用户自己的电脑上跑，这样既便宜（成本能省下几百倍），又不用把敏感数据传到云端。YC 内部的 Josh 和 Rean 分享他们支撑的 YC 自己五十多个真正在干活的智能体，踩过的坑都是实打实的——比如一开始让两个智能体互相聊天讨论，看着热闹，结果几分钟就把几百万 token 烧光了，什么实际产出都没有。 总的来看，这一期想表达的东西其实不复杂：模型决定的是一个能力的天花板，但决定你能不能把这个天花板变成实际生产力的，还包括外面那套框架做得够不够扎实。对正在埋头做 Agent 的人来说，这可能是个值得停下来想一想的提醒——与其每个星期都急着换最新的模型，不如先把自己手头这套系统打磨好，后者才是不容易被别人复制走的部分。 原视频链接：https://www.youtube.com/watch?app=desktop&v=n9xKblqyQ28&t=535s （感谢 @庄明浩 老师推荐） 在小宇宙查看该单集文稿

  8. Sep 8

    直升机降落的地方，徒步者已无从抵达：陶哲轩谈 AI 与科学间的悖论

    在陶哲轩看来，科学本是一场结伴徒步的探险：你想去看某处瀑布，带着朋友们出发，途中会走岔路，会迷路，却往往因此发现更壮丽的风景，甚至望见一座现在还到达不了的、更远处的瀑布。抵达目标的过程本身，构成了发现的价值。而如今的 AI 就像一架直升机，把他直接空投到瀑布跟前——他看到了结果，却对"如何抵达"一无所知，也就错过了沿途所有的意外收获。 这正是这支由思想媒体 Big Think 出品的深度访谈里，最尖锐的一记提醒：当算法越来越擅长替人类得到答案时，技能长在了机器身上，人类的科学理解未必同步加深。菲尔兹奖得主、被誉为当今最伟大在世数学家的陶哲轩，结合他研究 AI 三年多的实际经验谈道：人类专注于"深度"，AI 擅长的是"广度"——它能在海量问题里撞见人迹罕至的解，也会制造出无人真正理解、也无力逐一验证的成果洪流。他由此发出追问：当我们在加快产生答案，却也在失去消化答案的能力，我们是否正在用错误的指标，优化整个科学系统？ 陶哲轩的思考并不止于技术。他同样关心这场变革的另一面：若研究生最初上手、用来练功的题目全被 AI 代劳，下一代科学家的苗子又从何而来？这份清醒而略带忧虑的立场，让这场对话在众多"AI 万能"的喧嚣中，显得格外值得细品。 原视频：https://www.youtube.com/watch?v=svl_1upFpQo 在小宇宙查看该单集文稿

See All (151)

About

在科技技术狂奔的时代，有一些文章如同行业的 “思想灯塔”—— 它们不沉迷于复杂公式，却能戳中技术演进范式的核心；不追逐短期热点，却能影响数年甚至数十年的研发方向。《AI智识录》，就是为你打捞这些 “AI 领域最新智识” 的播客阵地。 不必再对着长文屏幕费力精读，通勤路上、午后小憩时，打开《AI智识录》，让清晰的 AI 主播带你走进 AI 技术的 “思想原典”—— 这里没有碎片化的信息堆砌，只有经得起时间检验的深度认知；没有跟风的观点喧嚣，只有能帮你看懂技术本质的底层逻辑。 订阅《AI智识录》，用耳朵 翻阅”AI 行业的 思想年轮，抓住那些真正决定未来的核心智识。 本节目由：https://younavi.me 赞助播出

Information

  • Creator
    RayHu
  • Years Active
    2026
  • Episodes
    151
  • Rating
    Clean
  • Copyright
    © RayHu@小宇宙App
  • Show Website
    AI智识录

You Might Also Like