张小珺Jùn｜商业访谈录

张小珺

努力做中国最优质的科技、商业访谈。 张小珺：财经作者，写作中国商业深度报道，范围包括AI、科技巨头、风险投资和知名人物，也是播客《张小珺Jùn | 商业访谈录》制作人。 如果我的访谈能陪你走一段孤独的未知的路，也许有一天可以离目的地更近一点，我就很温暖：）

  1. -3 H

    124. 年终回顾【站在2025年之外】和戴雨森聊2026年预期、The Year of R、回调、我们如何下注

    不知不觉，我们来到了2025年的最后一个月，在北京的初雪之中，我们希望和大家一起做一个回顾与展望系列：【站在2025年之外】。 今天的嘉宾是真格基金管理合伙人戴雨森。 在122集节目中，朱啸虎声称，三年之内不会有泡沫，泡沫论调纯属无稽之谈，创业者2026年当全速前进。 雨森今天带来全新的看法。在他看来，2026年的关键词是“The Year of R”——回报与研究会再次变得重要。某种意义上，2026年将是一个现实与回调之年。 02:00 复盘2025年 02:00 从模型侧看进展： o1为代表的Thinking Time Scaling带来模型能力大幅提升 OpenAI、Anthropic、Google三家的旗舰模型追赶很紧，又各有特点，预期和叙事轮动 中国模型公司一年下来dominate开源生态 28:13 从应用侧看进展： Agent元年就意味着不是一年解决问题，还属于Early Market的，要跨越鸿沟 Agent来自于Agency，关键是自主性，节省人的时间，能完成新颖的任务和解决没见过的问题 52:31 2025年真格出手了多少项目？20个左右 对比中美AI公司估值，中国公司对于全球来说有很高期权价值： Thinking Machine天使轮估值在没有产品的情况下已是中国AI公司估值总和 模型公司：Mistral 14b，Kimi 4b，Mistral自己都不怎么做Pre-train了，benchmark也就是和Kimi对标 应用公司：在美国Manus这样一家几个月做到100m ARR，几十个点gross margin，MoM20%增长的公司应该是3-5bn 01:03:15 预测2026年：The Year of R The Year of R：Return、Research、Remember、多模态Reasoning 01:03:15 Return： 为什么Return很重要？ ROI，过去3年交易的是investment，因为大家被潜在的大return吸引，但现在随着I越来越大，大家对R的落地越来越关注，因为有才能推动未来的I 为什么我们认为2026年大家会加大对return的关注？ 模型：模型能力进步是这一波AI革命最本质的驱动力，但模型的能力进步正在放缓；美国头部labs的投入（Capex，人工等）大了很多，但无法阻止中国模型低成本跟进，Scaling Law不能简单理解成为投入大力出奇迹 应用：应用故事从AGI到现在的三条主线，梦想在变小 订阅制：针对普通用户提价比较难，低垂的果实已摘得差不多了，竞争在变激烈 广告 + 电商：首先大量是存量分蛋糕，然后对于新形态的应用，速度没那么快 AI Coding/Image Gen等用量模式：用量会增大，但token价格也下降，不frontier的智能会迅速变成flat rate，只有最Sota的任务才能按用量收费；原来值钱的任务会变得不值钱，替代了很多程序员并不意味着能赚到这些程序员的工资 企业服务：这部分早期市场规模有限，尝鲜的多，留存未必有多好，看微软Copilot持续低于预期，大公司没有那么快使用新技术 结论：需要实现Satya说的GDP加速增长，把蛋糕做大才是真正的AGI，比如说AI创造新的药物，发现新的知识等等 投入：现在美国基础设施建设慢，算力贬值快，人员工资高，需要尽快看到return 市场setup：去年底是预期不高，但我们看到ChatGPT增速很快，Coding，Agentic确定性带来应用机会；现在是预期很高，投入很大，但短期模型端看不到革命性的新能力，新的paradigm还在酝酿之中。 对创业者的启示？ negative margin求增长的时间正在过去，需要有quality growth （美国）非常宽松的融资环境可能会放缓 01:16:13 Research： new paradigm：AI历史上都是阶跃提高，需要有新的paradigm从新带来AI 能力的大增长，Ilya：scaling和research是交替的，现在又到了research的时候 目前看online learning、self-play、世界模型等都是重要的研究方向 neo labs：Thinking machines, SSI, Reflection, 到近期的Humans&，Periodic，Isara等） 因为做工程和产品和做研究是很不一样的，需要有宽松的环境，自由探索的文化，不设时间和KPI限制，大家希望neo labs能够探索和现在头部模型公司有差异化的新路径 new benchmark：现在的benchmark已经不能很好体现AI能力的区别，也不利于作为模型训练的目标，如何衡量一个在大多数领域超过人类表现的模型？姚顺雨指出的下半场已到，需要新的benchmark 对创业者的启示：要关注前沿研究的进展，研究的突破可能会解锁新的应用机会 01:21:00 Remember（Memory）： Memory是AI应用关键的差异化，现在的Memory能力已经对ChatGPT留存产生了很大的提高 现在的Memory基本上还是基于retrieval的，没有做到真正的理解，这部分也是研究的兵家必争之地，如果做好会带来进一步的提高 Proactive Agent：有memory和context才能解锁Proactive Agent的机会，而Proactive Agent非常重要，因为人主动去用AI意图有限，AI主动为人服务才能有10x的场景机会 01:24:06 多模态： Visual Reasoning可能会有大的突破，人本质上是Pixel Machine，通过视觉输入理解世界，可以关注Zerobench这个Visual Reasoning Benchmark的表现提升，现在头部模型基本上还是不到10分 Nano Nanana意味着图片生成进入到Sonnet 3.5这样的可用时代，那么Cursor of Image-gen会是什么？ GPT-3.5解锁了ChatGPT，Sonnet 3.5解锁了Cursor，Sonnet 3.7解锁了Manus，Nano Nanana/Veo会解锁什么应用的机会？在ChatGPT里面用Imagegen/Videogen显然不是很舒服的体验 语音是很重要的机会，更好更自然的交互，理解用户的Context，Plaud，Granola，Wispr flow/Typeless，Suno？ 01:30:29 AI Bubble 从二级市场来讲，明年有可能出现大的回调，时间点可能是下半年 《Boom: Bubbles and the End of Stagnation》书中提到了两种泡沫：好的泡沫和坏的泡沫 如果预期是回调，明年的投资策略变化是什么？ 二级会如何传导到一级？ 怎么看朱啸虎说：“至少三年内看不到泡沫”、“他们的论点是无稽之谈”？ “我个人现在是全部空仓的” 中美的估值差距预期会缩短 01:47:38 创业端变化和建议 基于Year of R的理论，对创业者的建议？ AI时代怎么判断创始人？和互联网时代最大不同是什么？ 创业像F1赛车 这两年miss什么项目没？ 有哪些方向是因为AI出现带来增量的？ Chatbot之外不错的交互是什么？ 今年个人聊了150个项目，只投了2个 02:18:31 也谈谈人生 对个人的思考：今年的读书、思考与人生 对VC的思考：年轻的投资人要差异化 对普通人的思考：学会在intelligence abundance（智能过剩）里生活 02:29:50 最后的快问快答 最后一个问题：你提出Year of R，你也清空了二级市场股票，那么你会做空吗？ 02:36:10 在这集节目的结束，我又放了一段和雨森在录节目之前的一场闲谈，比较随意。我们点评了一下那些时常会被议论起的AI公司。如果你觉得有意思，也可以继续听下去 02:36:30 OpenAI 02:46:38 Google（我并不觉得Genimi能阻止ChatGPT的增长，不觉得Google已经脱离危险） 03:06:36 Anthropic 03:11:05 Manus 03:19:47 Thinking Machines Lab、Safe Superintelligence Inc. 年终回顾【站在2025年之外】： 《122. 朱啸虎现实主义故事的第三次连载：人工智能的盛筵与泡泡》 【更多信息】 免责声明：本内容不作为投资建议。

    3 h 23 min

  2. -1 J

    123. 对ONE2X创始人王冠3小时访谈：生成系统、没有中间商赚差价、平台的权力分配

    今天的嘉宾是一位创业者，ONE2X联合创始人兼CEO王冠，他们现在的产品是AI视频生成器Medeo。 王冠是一名产品经理型的创业者，我和他认识了很长时间，那时他刚从Kimi离职出来创业，此前他是Kimi模型产品负责人。（哦对了，上一个Kimi产品离职来我们节目的是明超平。） 除了AI时代应用型公司怎么做产品、搭组织之外，由于我也是一名内容创作者，所以我也很好奇地与他讨论了许多关于新时代的内容平台，生成系统，AI、创作者与平台权力分配的话题。 2025年，期待我们和AI共同进步！ 02:00 自我介绍、产品经理的经历和创业的开端 28:39 第一次听说“压缩即智能”，大为震撼 32:25 从月之暗面第一个离职创业的人 37:11 数据是智能的第一性原理，数据决定的智能的边界 42:23 数据三个阶段：公域数据>领域数据>产品内生数据 01:05:36 为什么选择视频生成方向？ 01:26:15 AI如何重塑现有互联网格局？ 01:30:50 广义AGI vs 狭义AGI 01:41:59 应用公司与模型公司的边界会变得模糊 02:01:44  AI时代的公司最终都是生成系统公司 02:25:49 权力重心向消费者端渗透，平台和创作者会如何演变？ 02:38:11 生成系统和推荐系统的本质区别是？“没有中间商赚差价” 02:50:34 应该怎么做AI产品？北极星指标是智慧程度 03:05:45 一个远程办公的组织 03:20:18 未来的平台会从分销平台到产销平台 我们对AI应用型公司的过往访谈： 《95. 对Manus创始人肖弘的3小时访谈：世界不是线性外推，做博弈中的重要变量》 《103. Lovart创始人陈冕复盘应用创业这两年：这一刻就是好爽啊！！哈哈哈哈哈》 《101. 对YouWare创始人明超平3小时访谈：今天Agent像大猩猩刚拿起一根烧火棍》 本集中提到的其他节目： 《59. 和杨植麟聊大模型创业这一年：人类理想的增量、有概率的非共识和Sora》 《113. 和杨植麟时隔1年的对话：K2、Agentic LLM、缸中之脑和“站在无限的开端”》 《115. 对OpenAI姚顺雨3小时访谈：6年Agent研究、人与系统、吞噬的边界、既单极又多元的世界》

    3 h 43 min

  3. -4 J

    122. 朱啸虎现实主义故事的第三次连载：人工智能的盛筵与泡泡

    2024年3月、2025年2月，我曾两次更新朱啸虎的中国现实主义AIGC故事，现在又过去了快1年时间。 站在2025年的尾巴上，AI产业有泡沫吗？泡沫会破吗？投资人对2026年的预期乐观吗？现在还是投资英伟达、OpenAI的好时候吗？——这里是朱啸虎现实主义故事的第三次连载。 2025年的最后一个月，还想和大家说那句：期待我们和AI共同进步！ 01:40 越来越现实的OpenAI：你看Sam Altman就知道了，今年几乎不太提AGI了，对吧？ 05:46 AI的超级入口之争：必然的就是超级入口之争，而且是日活之争、时长之争 08:34 三年内看不到泡沫：他们讲的这些论点，我觉得都是无稽之谈 13:24 你持有英伟达、OpenAI吗？ 16:16 大家低估了DeepSeek：如果没有DeepSeek，可能人类的AI是被几个私有公司控制的 19:06 和共识错开15度，那性价比一下子拉出来了，是吧？ 24:41 离开大厂三条马路，离开大厂三条马路，对吧？ 30:21 大家知道，我投不投都是十分钟 38:30 今天的VC共识太集中了：每个项目上都是Club Deal（俱乐部交易），每个股份比例都很小，那怎么赚钱？——GP赚不了大钱，LP也很不开心 40:50 手机游戏打个《王者荣耀》，单独抽半小时、二十分钟就够了 《62. 你们要的朱啸虎，来了》 《90. 朱啸虎又来了：中国现实主义AIGC故事的1周年连载》 【更多信息】 本集由语言即世界工作室与微博财经联合呈现。 免责声明：本内容不作为投资建议。

    48 min

  4. 28 NOV.

    121. 对DeepMind谭捷的访谈：机器人、跨本体、世界模型、Gemini Robotics 1.5和Google

    今天的嘉宾是Google DeepMind机器人团队的高级研究科学家兼技术负责人谭捷，他的研究方向是将基础模型和深度强化学习方法应用于机器人领域。 中美在机器人领域一直存在两种叙事：市场普遍认为，中国在硬件上发展更快，美国在机器人大脑设计上更领先。 本期节目中，谭捷将带我们一窥硅谷视角，尤其是Google DeepMind视角下的机器人前沿叙事。 前不久，他们刚发布了新工作 “Gemini Robotics 1.5 brings AI agents into the physical world”（Gemini Robotics 1.5将AI Agents带入物理世界），我们也聊了聊他们的最新发现。 由于嘉宾工作环境的原因，会出现一定程度的中英夹杂，还大家多多包容和支持。 02:00 机器人是在真实世界里做图形学，图形学是在simulation里做机器人嘉宾小传：小时候喜欢打游戏，读博士读的计算机图形学 从图形学转型机器人的变轨 我在Google的第一篇论文《Sim-to-Real: Learning Agile Locomotion For Quadruped Robots》（从仿真到现实：学习四足机器人敏捷运动），开创了强化学习和seem to real在足式机器人上的应用 Paradigm Shift，过去十年第一个是强化学习，第二个是大语言模型 大语言模型对机器人的影响（大语言模型类似大脑，强化学习类似小脑） 13:06 机器人基座大模型到底是不是一个非常独立的学科？So far, not yet今天的机器人发展到什么阶段了？ 从demo到真正落地，隔十年并不是一个非常夸张的事 从我的角度来说，我不得不承认，最近几年的机器人智能发展主要还是依赖于多模态大模型 但多模态模型缺什么呢？缺少robot action的输出 当你真正有一个generalist model（通用模型）的时候，specialized model（专有模型）就完全不能与之竞争 23:44 Robotics最大问题是数据，它在一个非常复杂的unstructured environment里，可以发生任何事情最大的问题还是数据问题 但是robotics是在一个非常复杂的unstructured environment（非结构化环境）里，可以发生任何事情 它需要极大量的、非常diverse（多元）的数据，但这些数据现在是不存在的 现在有很多startup叫data factory（数据工厂） 所谓“数据金字塔”包括哪些？ ​27:52 Gemini Robotics 1.5：我们有一个方法叫motion transfer，这是独门秘诀Gemini Robotics 1.5最重要的发现是什么？ 第一个是我们把“thinking”加入了VLA模型 第二个非常重要的突破是cross-embodiment transfer（跨具身迁移） Gemini Robotics 1.5的工作中，我们做了一个快慢模型的划分 它应该是个过渡的方式，因为现在受制于算力的限制、模型大小的限制 当你要一个unify model（统一模型）的时候，它必须非常大 Motion Transfer？It’s very secret 47:32 生成极大量仿真数据，是弥补它缺点的一个重要手段我们比较重视的一点还是数据、数据、数据 遥操作是非常难以获取的数据 我们会花更多的精力，比如利用simulation数据，利用human video（人类视频），利用YouTube上的一些数据，甚至利用模型生成的数据，比如VEO生成的一些数据 真实数据没有sim-to-real gap（仿真到现实差距），但是泛化性是由数据的coverage（覆盖）导致的，并不是因为它本身是真实数据还是虚拟数据 在不远的将来，传统物理模拟仿真会慢慢地被生成式模型的仿真所取代 我信仰的是scalable data 01:03:48 世界模型就是Vision-Language-Vision，vision和language in，生成下一帧的图像世界模型的定义是：如果给上前一帧，再给上机器人的动作，你可以预测下一帧 从另外一个角度，VEO它是一个视频生成模型，但是Genie它更像一个世界模型 当你在每一帧的时候，可以有一个输入来改变你的下一帧，那个感觉就是世界模型；但是如果它是一个已经生成好的、几秒钟的静态视频，那就不是 世界模型其实就是Vision-Language-Vision，vision和language in，它可以生成下一帧的图像 01:08:29 如果你有灵巧手，触觉就非常重要，之所以我前面觉得触觉不重要，是受限于当时的硬件如果你有灵巧手，触觉就非常重要 之所以我前面觉得触觉不重要，是因为它其实受限于当时的硬件 现在还在夹爪时代 在所有夹爪能完成的任务里，我还是觉得视觉可能可以解决95%的问题 在未来，人形机器人不会成为唯一的形态，但一定是个主流的形态 如果你的目标是solve AGI in the physical world（在物理世界实现AGI），那么我会非常聚焦于最终的形态是什么样子，其他的东西可能都是distraction（干扰） 01:17:35 一个有使命感的人，他不会容忍说“I’m on a wrong ship”这几年Google AI或者robotics的研究文化上有没有发生过变化？ 不管是从promotion、performance review、incentive，还是各种各样的structure上，Google想创造一个环境，使得更多的人可以一起解决更大的事情 像Gemini Robotics，它更多是自上而下 我发觉好像国内不一定比我卷，我一周可能工作70到80个小时 真的，这个时代真的是等不起，不然别人都做出来了 AI有很多是数学，华人数学比较好 《106. 和王鹤聊，具身智能的学术边缘史和资本轰炸后的人为乱象》 《109. 机器人遭遇数据荒？与谢晨聊：仿真与合成数据、Meta天价收购和Alexandr Wang》 【更多信息】 本集的文字版本已发布，请搜索我们工作室的官方公众号： 语言即世界language is world

    2 h 6 min

  5. 18 NOV.

    120. 小鹏新上任的刘先明首次访谈：Language是毒药、拆掉L、简单即美、换帅、小鹏的AI转型

    今天的嘉宾是小鹏汽车自动驾驶中心负责人刘先明。 就在2025年10月9日，小鹏汽车突然宣布，原自动驾驶中心负责人李力耘将卸任，由世界基座模型负责人刘先明接任。 这意味着，刘先明成为小鹏在自动驾驶上，既谷俊丽、吴新宙（现英伟达自动驾驶中国团队负责人）、李力耘之后的第四任负责人。外界对他有诸多的好奇。 这是刘先明上任后首次接受专访。我们访谈的时间是2025年10月30日。这集节目，我们聊了聊他上任后拆掉大模型Language等关键技术决策，以及一家车企的AI战略转型。 02:16 人物小记曾在Meta、Cruise，从事机器学习与计算机视觉研究 恰好Cruise当时是第二名，加入第二名再逆袭的故事永远是令人兴奋的 加入小鹏汽车始末：2024年1月在美国办公室与何小鹏见面1小时 所亲历过的自动驾驶的技术stage 19:00 大模型拆Language我们的做法简单直接，把VLA的Language拆掉就完了 模型是机器，燃料是数据，一旦掺入Language会让效率变得极低 我们干脆把Language全都拆掉好了：输入V-L联合语料，直接输出Action “拆L”的过程、“简单就是美” 关键的数据问题 33:53 小鹏汽车向物理AI战略的转型为什么一家汽车公司的自动驾驶战略需要向AI战略转型？ 转型的开端可能是去年小鹏汽车10周年 自动驾驶企业关心的是KPI、接管率，AI企业关注底层的技术指标，甚至risky的长期指标 刘先明的短期和长期KPI AI对于小鹏汽车意味着什么？“是乘法因子” 除了今年拆Language，之前还拆了激光雷达、规控规则、端到端 人工智能发展为什么一直在经历着拆拆拆的过程？ 世界模型 明年对L4的规划 54:30 换帅的背后过去1年做过“头铁”的事情 看起来我性格很好，我也拍过桌子、发过火 “拆L”过程中遇到很大阻力，因为这很反paper里的常识 DeepSeek-OCR的反共识 现在关注的AI前沿方向 回应地平线创始人余凯的观点（“自动驾驶应该交给供应商”） 为什么国内自动驾驶还没有代际差？ AI是车企下一阶段的重要赛点，做不好会被淘汰 何小鹏对于AI的关注时间、方式和最近的3次话题 制造企业和AI企业的基因问题 接下来，对于我的挑战 小鹏智驾一号位，每个人的历史使命 《70. 和何小鹏聊，FSD、“在血海游泳”、乱世中的英雄与狗熊》

    1 h 49 min

  6. 3 NOV.

    119. Kimi Linear、Minimax M2？和杨松琳考古算法变种史，并预演未来架构改进方案

    今天这集节目，我们将讨论一个在当下非常关键的话题：人工智能的算法与架构创新。 嘉宾是我们的往期嘉宾返场，她是MIT在读博士杨松琳，研究方向是线性注意力机制。 我们将从最新发布的几个模型Kimi Linear、Minimax M2、Qwen3-Next切入。松琳参与讨论Kimi Linear和Qwen3-Next的部分工作，是Kimi Linear论文的作者之一。 算法创新为什么在2025年变得尤为重要？ 它的背后原因是，数据、算力和算法是驱动人工智能的三驾火车，在数据撞墙的无奈前提下，各个模型公司不得不重新开始“雕模型架构”，以期Scaling Law的魔法继续。而由于中国的算力相对美国有限，这反而让中国的AI算法创新走在了世界前沿。 这集节目你将听到，近几年架构最大突破是DeepSeek的MoE（混合专家模型），它让MoE成为了全球共识；而下一个突破的重要方向可能就是Attention（注意力机制）。 中国公司在Attention展开了不同技术bet（押注）： 截至目前已发布模型，DeepSeek正在探索Sparse Attention（稀疏注意力机制）； Kimi正在探索Linear Attention（线性注意力机制）； Minimax在年初的M1版本中探索Linear Attention，而在刚发布的M2版本中又回退到 Full Attention（全局注意力机制）。 节目中，松琳将讲解她参与的这篇《Kimi Linear: An Expressive, Efficient Attention Architecture》的工作，并分析以上这些公司在Attention上的不同抉择； 与此同时，她也将带领大家考古人工智能算法变种史，并预演未来算法与架构的改进方案。 本集比较硬核，会有一些专业难度，大家可以根据自己的实际需要收听嗷:)因为嘉宾的工作环境会出现中英夹杂，希望大家多多理解和支持。 04:00 个人、研究主线与线性注意力机制的探索之路06:27 松琳做过一个开源库：flash-linear-attention（简称FLA）07:04 怎么通俗理解Linear Attention的Linear？11:19 聊聊最近参与的新工作，前几天刚发布的《Kimi Linear: An Expressive, Efficient Attention Architecture》（Kimi Linear：一种具有强表达能力与高效率的注意力架构）（FLA库的另一个作者Zhang, Yu邀请）12:20 为什么Kimi在年初开始需要重新设计注意力机制？设计的背景和目标在Linear Attention下，推理阶段的计算与显存成本都显著降低；而使用Full Attention时，长文本解码的代价会非常高昂14:39 《Kimi Linear》论文重点讲解：KDA模块（Kimi Delta Attention，增量注意力机制）18:56 Kimi内部有一个Scaling Ladder（规模阶梯），在一个规模下面表现好就在下一个规模下面去scale，就像通关20:20 Kimi Linear Attention vs DeepSeek Sparse Attention：Kimi走线性注意力路线，DeepSeek走稀疏注意力路线，都想解决长文本decoding（长上下文生成）的效率问题23:01 Minimax从M1到M2的架构变化，从Linear Attention退回到Full Attention，为什么？27:00 硅谷的注意力机制方案不方便说，但可以浅聊一下OpenAI有paper的方案28:05 Linear Attention从2020年发明出来开始后的前进线索每一次大家关心Linear Attention都是因为大家撞到了Context Wall最近长文本的decoding卷土重来，让人们不由自主审视这一套技术38:16 纯Linear Attention是无效的，混合注意力机制还是有很多全局注意力层，这样下限有保证40:30 Kimi Linear每3层KDA插入1层全注意力层，三比一的比例快变成共识了Minimax之前用的是七比一，但现在大家逐渐回到三比一——这成为不共识的混合注意力机制中的共识了42:32 权衡（Trade-off）表达能力（expressivity）与计算效率（efficiency）Minimax曾经也提到，混合线性注意力/混合滑窗注意力在“多跳推理”上会有缺陷对于“多跳推理”，如果我们开发一些硬件高效但表达能力更好的RNN（循环神经网络），这个GAP有可能缩小46:28 chunkwise algorithm for parallelization（分块并行算法）47:55 如何设计Attention？两条主流和一些非主流路线49:36 结合Linear Attention和Sparse Attention的未来理想方案Linear Attention和Sparse Attention没什么竞争关系，Linear Attention的竞争对手可能是Sliding-Window Attention（滑窗注意力）工业界Linear Attention和Sparse Attention结合的探索似乎还没开始我想象中的理想方案是：把混合注意力的全局注意力（Full Attention）换成稀疏注意力（Sparse Attention）只要Sparse Attention选得准，完全可以取代Full Attention，但现在的问题是它选不准55:36 公平的比较：Linear Attention vs Sliding-Window Attention（滑窗注意力）57:05 Transformer → MoE → Linear/Sparse Attention的算法演变，背后动因是给定你相同的FLOPs（浮点运算量），利用这些FLOPs，取得更低的损失函数MoE（混合专家）是更高效的FNN（前馈神经网络）的替代品58:26 近几年架构方面突破最大的是MoE，下一个突破可能是Attention；Transformer就两个模块，一个是FFN，一个是Attention；现在FFN已经雕成MoE，现在Attention大家也可以雕一下01:01:28 数据、算法、算力是驱动人工智能的三驾马车，当数据遇到数据强，算法创新变得更重要01:02:48 架构的未来：1、能不能干掉全局注意力？它是阻止context window继续scale up的主要瓶颈2、Continue Learning，让AI自己学习01:04:30 如何把Linear Attention的Transformer继续scale up?01:07:43 中国AI的算法创新相比海外肯定是更强的——因为没有那么多卡（不过美国公司更多投入优化器一点，国内在逐步重视01:10:56 其他训练细节：NoPE vs. RoPE01:12:09 DeepSeek-OCR01:12:55 松琳也参与了Qwen3-Next，没有参与Minimax M201:13:39 “雕”架构的人01:15:16 自己的心路：“当你很清楚你要做什么的时候，你是不会遇到什么挫折的”经验分享：PhD还挺顺利的，得益于我入学之前的半年考古01:23:12 说到考古，我们在最后聊聊从Transformer开始的算法变种历史01:29:50 Delta Rule算法、硬件亲和、DeepSeek非常追求硬件和算法的匹配01:42:23 给更年轻的年轻人的建议 嘉宾往期节目： 《逐篇讲解DeepSeek、Kimi、MiniMax注意力机制新论文——“硬件上的暴力美学”》 谈到的论文： 《Kimi Linear: An Expressive, Efficient Attention Architecture》 《MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention》《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》

    1 h 43 min

  7. 30 OCT.

    118. 对李想的第二次3小时访谈：CEO大模型、MoE、梁文锋、VLA、能量、记忆、对抗人性、亲密关系、人类的智慧

    2025年4月，我与理想创始人兼CEO李想录制AI Talk第二季。那次对谈持续了很长时间，播出版仅1小时，今天你看到的是完整版。 这一集节目的发布比预期晚了些。过去几个月实在太忙了，我一度犹豫要不要继续放出。但当我重新整理这些内容时，仍然被它打动——这是一份关于人工智能技术变革的“节点式思考存档”。 你可以结合2024年底我们那场3小时谈话一起观看，感受两次对话之间，思考的延展与呼应。 这次，我把李想当作一个“CEO大模型”来提问。 假设他是一种MoE（Mixture of Experts，专家混合）架构的模型，我在对话的前三个回合调用了他的三位“专家”：技术专家、战略专家、组织专家。而当谈话深入到后半程，我们开始讨论人、能量、亲密关系、记忆程序与人类的智慧。 “AI与人的关系”，是本次对话的母题。 （录制于2025年4月） 02:35 第一章：假若你是一个CEO大模型人类做熵减，AI做熵增 工具的三个分级：“信息工具”、“辅助工具”、“生产工具” “生产工具”重要的衡量是：你愿意为它付钱 梁文锋极简运用了人类最佳实践 按照最佳实践是反人性的，随心所欲才满足人性 我只能做最好的自己，我一直在自己的长板延长线上 理想为什么还做基座大模型？ 当时我们比较担心陈伟团队（基座模型自研团队）怎么想？这个压力挺大的 36:18 第二章：调用MoE之技术专家李想手把手教你训VLA 达到VLA不是突变的过程，是进化的过程，经历了三个阶段 我给你讲一下VLA是怎么训的，以及VLA自己怎么去工作的 我不会做超长CoT，我的CoT链条一般两步到三步 至少5年内不会有通用Agent，但会有一个Agent OS 要顺着人性去说，逆着人性去做 如果大家不想做前面包子的积累，只想吃第10个包子，很像练《葵花宝典》 黑盒、世界模型和定价逻辑 每1万公里的验证成本，我们做到从最开始18万降到4000块钱 01:25:36 第三章：调用MoE之战略专家2025年雁栖湖战略会 如果看战略，中间的圈是规模，圈外边有三个变量：用户需求、技术产品、组织能力 具备这四个特点的，就是AGI时代的终端：360度对物理世界感知的能力、认知决策的能力、Action的能力、反思反馈能力 到了AGI时代的终端，对于能力的要求变得不一样了 如果看到2030年，我们希望能够成为全球领先的人工智能终端企业 这是我们未来的3-6年要去解的题 李想的理想会不会太过于理想？ 构建3-7人能量体 高维组织兼容低维组织 02:09:26 第四章：智慧是我们和万物的关系我的记忆程序 创业不容易，但是没必要苦哈哈的 大女儿 我们家里实现了一个“三人支撑”，这让家里的能量大幅地提升 人是用来发挥的，人不是用来改变的 不要构建那么多亲密关系，亲密关系太多了就证明这个人不会经营关系 把智慧当成一个重要的人类特质去发展 对李想的第一次3小时访谈： 《对李想的3小时访谈（播客版）：宅男、AI、家庭、游戏和天梯》 本集节目同步上线文字版和视频版： 文章：公众号（语言即世界language is world） 视频：Bilibili（张小珺商业访谈录）

    2 h 46 min

  8. 28 OCT.

    117. 开源一段论文探索之旅：模型范式、Infra和数据、语言、多模态的完整变迁史

    今天的嘉宾是谢青池，他是美团光年之外的产品负责人。 一个月前，青池找到我，说他用了一年多的时间一篇一篇地啃完了200多篇AI论文，从开始全然不得要领，到后来逐渐地入门——而他希望将他的论文探索之旅开源给大家。 就这样，我们有了今天这集特别的节目。 他从200多篇论文中精选了36篇经典，4小时讲解，带你穿越AI变迁史。 他说，读论文是“给你打开一扇门”，让你能直接“与这个世界最聪明的头脑对话”。 2025年，期待我们和AI共同进步！ 01:30 探索的缘起 07:25 怎么读论文？（用AI学AI） 10:20 辅助小工具和路书 论文讲解的主干： 19:35 Part 1：模型的范式变迁 故事要从1999年的第一颗GPU开始讲起 Brook: 用GPU进行计算 （2004.08） AlexNet: 深度学习的开端（2012.10） 对序列建模：seq2seq和Attention的引入（2014.09） 蒸馏：模型能被学习吗？（2015.03） ResNet: 比深更深（2015.12） Transformer来了！拉开一个时代的序幕（2017.06） AlphaGo Zero: 强化学习的突破（2017.10） 现代MoE的开端（2017.01） CoT: Prompt Engineering的奠基之作（2022.01） LoRA: 那个我们每天都在用的东西（2021.06） ReAct: Agent从理论到落地（2022.10） The Bitter Lesson: 过去70年的教训（2018.08） 01:52:58 Part 2：Infra与数据的变迁 ZeRO: 大规模的GPU并行计算（2019.10） Scaling Law & Chinchilla: 上帝的指挥棒（2020.01 2022.03） LAION-5B: 开源社区的英雄主义（2022.10） The RefinedWeb: 互联网的数据也很够用（2023.06） MegaScale: 万卡GPU集群的训练（2024.02） 02:21:29 Part 3：语言模型的发展 Word2Vec: 用机器学习将单词向量化（2013.01） Google Translate: 神经网络的大规模线上部署（2016.09） GPT-1，它来了（2018.06） BERT: 曾经的王（2018.10） GPT-2: 是时候告别微调了（2019.02） GPT-3: ChatGPT来临前夜（2020.05） InstructGPT: 给LLM以文明（2022.03） Tulu 3: 后训练的开源（2024.11） 03:08:08 Part 4：多模态模型的发展 DeepVideo: 深度学习进入视频领域，Andrej 初出茅庐（2014.06） 双流网络: Karén和学术重镇牛津登场（2014.06） 图像生成的序章: GAN来了（2014.06） Diffusion: 在GAN的阴影下，悄然成长（2015.03） DDPM: Diffusion重回图像舞台的中央（2020.06） ViT: 当图像遇到Transformer（2020.10） CLIP: 文生图的奠基石（2021.03） Stable Diffusion，它来了（2021.12） DiT: 人们期待一个融合的未来（2022.12） 03:56:38 最后的聊天 架构抱住了硬件的大腿 今天技术的边界到达了哪？ 给“站在AI世界门外张望的人”和“已经在体系中工作多年的人”的建议 【技术之美】系列： 逐句讲解DeepSeek-R1、Kimi K1.5、OpenAI o1技术报告——“最优美的算法最干净” 逐篇讲解DeepSeek关键9篇论文及创新点——“勇敢者的游戏” 逐篇讲解DeepSeek、Kimi、MiniMax注意力机制新论文——“硬件上的暴力美学” 逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA” 逐段讲解Kimi K2报告并对照ChatGPT Agent、Qwen3-Coder等：“系统工程的力量” 【更多信息】 本集的投屏视频版已经同步发布于Bilibili（张小珺商业访谈录）：https://www.bilibili.com/video/BV1pkyqBxEdB/?spm_id_from=333.1365.list.card_archive.click&vd_source=aa7c66a3d015be4b5bfcd520784f2790 50页完整PPT开源地址（所有论文链接附在PPT上）：https://w7py8ou4dk.feishu.cn/wiki/KacewdlmSiSGC9kUOKDch9gwnKf?from=from_copylink

    4 h 23 min
Tout afficher (127)

4,5
sur 5
33 notes

À propos

努力做中国最优质的科技、商业访谈。 张小珺：财经作者，写作中国商业深度报道，范围包括AI、科技巨头、风险投资和知名人物，也是播客《张小珺Jùn | 商业访谈录》制作人。 如果我的访谈能陪你走一段孤独的未知的路，也许有一天可以离目的地更近一点，我就很温暖：）

Informations

  • Création
    张小珺
  • Années d’activité
    2022 - 2025
  • Épisodes
    127
  • Classification
    Tous publics
  • Copyright
    © 张小珺
  • Site web de l’émission
    张小珺Jùn｜商业访谈录

Vous aimeriez peut‑être aussi