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. 13h ago

    #701.AI 如何加速学习与重塑教育

    📝 本期播客简介 本期我们克隆了：Huberman Lab How to Accelerate Learning & Improve Education | Joe Liemandt 原内容更新时间：Mon, 31 Aug 2026 本期节目由神经科学家、斯坦福医学院教授 Andrew Huberman 主持，嘉宾是 Alpha School 校长 Joe Liemandt。Alpha School 是一套以 AI 个性化教学、掌握度学习和实践型教育为核心的 K-12 教育模式：学生每天只用大约两小时完成学术学习，其余时间投入创业、体育、实验、社区活动和生活技能训练。 这场对谈首先追问了一个根本问题：传统学校已经实现了“让所有孩子入学”，为什么仍然没有实现“让所有孩子真正学会”？Joe 认为，按年龄和年级统一推进的课堂，掩盖了学生之间巨大的知识漏洞；AI 家教则有机会识别每个人的真实水平，按照前置知识、学习速度和掌握程度重新安排课程。 节目也深入讨论了高标准与高支持、动力与羞耻感、工作记忆与基础熟练度、间隔重复与范例教学，以及为什么孩子需要在成年人的支持下经历困难和失败。更重要的是，Alpha School 试图把省下来的时间还给孩子，让他们从被动消费者变成动手创造的“建设者”，在创业、体育、科学实验、艺术和社区项目中发现自己的潜能。 👨‍⚕️ 本期嘉宾 Joe Liemandt，科技企业家、Alpha School 校长，也是推动 Alpha 教育模式扩张的核心负责人。Alpha School 通过 AI 和个性化课程，让学生以更短时间完成学术学习，同时由 Alpha Guides、教练和项目导师陪伴孩子发展创业、财商、领导力、社交、公开表达、坚毅与刻苦等能力。 Joe 并非 Alpha School 的创始人，而是在自己的女儿进入 Alpha、亲眼看到她们重新喜欢上学之后加入学校，并担任校长进入第五年。他既有创业者对产品、效率和规模化的思考，也有校长对学校管理、教师培训、家长沟通和教育结果的直接经验。节目中，他结合大量 Alpha 学生案例，解释了为什么“补基础”可能比继续推进年级内容更重要，为什么动力往往是学习方案能否奏效的关键，以及 AI 在教育中真正应该扮演的角色。 ⏱️ 时间戳 00:00 传统学校为何让孩子“入学”却没有让他们“学会” 00:48 开场：Huberman Lab 与本期嘉宾介绍 03:41 100 年前的工业化课堂模式从何而来 04:59 从普及入学到普及学习效果 08:43 喜欢的事与必须学会的事：教育标准如何平衡 Alpha School 的核心理念：高标准、高支持 11:03 Joe 如何从怀疑 Alpha 到成为校长 12:49 “孩子必须喜欢上学”与教育观念的冲突 13:44 Alpha 学生为什么喜欢上学甚至胜过度假 14:31 做困难的事，为什么反而能让孩子获得快乐 体育训练给学术教育的启发 15:50 为什么美国把体育和学术区别对待 16:41 高标准与高支持的导师体系 18:06 让孩子在安全环境中经历挣扎与失败 19:36 攀岩、骑行与 Alpha Tests：把困难变成成就感 AI 个性化教学与掌握度学习 26:24 一刀切课堂为何只能提供“中位数教学” 27:23 一对一辅导的效果为何过去无法规模化 29:29 布鲁姆双西格玛问题与 AI 家教 30:45 两小时学两倍：Alpha 的学习效率数据 学习科学：从脚手架到长期记忆 32:00 AI 教育工具不是聊天机器人 43:06 前置知识、注意力与真实学习效果 44:06 错误、挣扎与神经可塑性 45:09 范例教学、初次掌握与间隔重复 基础知识漏洞如何拖慢整个学习曲线 50:33 工作记忆槽位与熟练度 51:17 乘法口诀为什么会影响代数学习 52:01 SAT 数学 710 到 790：补基础带来的变化 59:03 为什么不能带着 80% 的掌握度继续升年级 动力、羞耻感与“我能做到”的自我认知 1:04:03 为什么动力可能占学习解决方案的 90% 1:05:48 把“落后三年”变成“只差 22 个小时” 1:06:09 个性化学习如何消除羞耻感 1:13:36 用奖励打破“我不是那种人”的心理障碍 从学术学习到建设者教育 1:31:44 Founder School：创业、财商与 100 万美元利润目标 1:40:28 Alpha X：把孩子真正热爱的事变成长期项目 1:45:43 “哲学家与建设者”：AI 时代需要什么样的人 1:47:37 Dream Launcher：帮助孩子从消费者变成创造者 创造、实验与真实世界的项目式学习 1:58:20 建设者下午：让孩子动手做事 1:58:53 五六年级学生如何筹办自己的音乐节 2:03:05 下一代实验课：从掌握知识到亲自做实验 2:06:02 黑客马拉松、应用开发与主动创造 教育公平、规模化与 AI 的未来 2:11:26 性别差距、ADHD 与个性化学习 2:14:17 Alpha 如何回应“只适合有钱人孩子”的质疑 2:19:24 收入、智商与尽责性之外，动力为何是关键 2:29:37 教育券、公立学校与面向 5 亿孩子的免费学习游戏 🌟 精彩内容 💡 普及入学，不等于普及学会 传统教育解决了“让所有孩子坐进教室”的问题，却没有解决“让每个孩子真正掌握知识”的问题。统一年级、统一教材和统一进度，会让学生带着漏洞不断升级，最终在更复杂的学科中集中爆发。 “我们做到了普惠入学，但没有做到普惠学会。” 💡 学习不是按年龄推进，而是按掌握程度推进 一个八年级学生可能实际只掌握了五年级的数学或阅读基础。继续给他八年级内容，并不会让他更快赶上，反而会让学习变成持续失败。真正有效的路径，是先找到缺口，从学生当前能学会的地方重新开始。 “你必须得把我拉回到大一生物的水平，告诉我，这才是你目前的水平，然后从那里开始逐步培养我。” 💡 基础熟练度决定了工作记忆能走多远 如果乘法口诀没有熟练到可以自动提取，学生在解代数题时就会把有限的工作记忆用在计算七乘八上，而不是用来理解多步骤推理。很多所谓的“粗心”或“不会高等数学”，其实可能只是基础事实没有进入熟练状态。 “解决问题的办法不是用更多代数题去轰炸他们，而是回去解决三年级的问题。” 💡 AI 的价值不是替学生作弊，而是成为精细的学习测量系统 把 ChatGPT 直接放进传统课堂，可能只会让学生更方便地逃避学习。Alpha 试图让 AI 负责评估学生掌握了什么、遗漏了什么、下一步该学什么，并通过即时反馈、范例教学和间隔重复形成数据闭环。 “给孩子们聊天机器人是行不通的，应该根据他们的水平提供个性化的教学计划。” 💡 高标准与高支持必须同时存在 低标准、高支持会让孩子失去成长机会；高标准、低支持则容易让孩子陷入挫败和羞耻。好的教育者应该像优秀教练一样，明确要求孩子完成困难任务，同时在旁边提供足够的指导、鼓励和安全感。 “真正的答案是，两者兼顾。学校应该既有高标准，又有高支持。” 💡 动力不是学习的附属品，而是学习系统的核心 当学生相信自己“落后三年”时，任务会显得不可能；当系统告诉他只需要再投入 22 个小时，行动就变得具体可行。Alpha 通过体育、创业、奖励、同伴文化和真实项目，把孩子想要的东西与必须学习的内容连接起来。 “动力占了问题的 90%，或者说是解决方案的 90%。” 💡 亲手创造，是对抗消费主义和多巴胺循环的教育方式 孩子如果长期只刷 TikTok、玩游戏或被动消费内容，很难建立“我能够做出东西”的自我认知。通过办音乐节、做实验、开发应用、创业或建设自行车公园，孩子可以在真实世界中看到自己的行动产生结果。 “人生最顶级的体验就是去创造东西。” 💡 AI 节省的不是时间本身，而是把时间还给人 如果学术知识可以通过个性化 AI 教学在更短时间内掌握，学校就不必把全天都用在讲授、作业和重复练习上。被释放出来的时间，可以用于体育、实验、社交、创业、社区贡献和人与人之间真正有温度的培养。 “它的作用是释放了人性，它把时间还给了人。” 🌐 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. 17h ago

    #700.Ajay Mehta：AI 应用如何从情感陪伴突围，在 TikTok 时代跑出增长曲线

    📝 本期播客简介 本期我们克隆了：Sub Club by RevenueCat Fueling Growth with AI and Viral Product Features — Ajay Mehta, Portola 原内容更新时间：Wed, 02 Apr 2025 本期节目由 Sub Club 主持人 David Barnard 和 RevenueCat CEO Jacob Eiting 对谈 Portola 联合创始人 Ajay Mehta，围绕 Tolan——一款个性化、可互动的 AI 外星人朋友——展开。Ajay 分享了团队如何在 ChatGPT 和 Midjourney 爆发之后，从儿童与青少年用户切入，探索生成式 AI 能够创造哪些过去根本不存在的消费级产品，最终找到“情感陪伴”这一方向。 Tolan 的增长故事并不只是“做了一个 AI 应用，然后等它变火”。团队在产品中投入了低延迟语音、记忆检索、实时动画和高度个性化 onboarding，让用户感到屏幕另一端真的有一个“懂你”的存在；与此同时，他们通过大量创作者合作和 TikTok 原生内容测试，搭建了一套低成本、可规模化的自然增长引擎。 节目还讨论了一个非常现实的创业问题：为什么早期被 AI 基础设施成本“逼着”收费，反而帮助团队更快验证价值、改善产品决策？从融资、自力更生、PMF、留存到创意护城河，这期对谈为正在做消费级 AI、订阅制应用或任何需要寻找产品—市场—渠道匹配的团队，提供了大量一手经验。 👨‍⚕️ 本期嘉宾 Ajay Mehta，Portola 联合创始人，Tolan 的打造者。Ajay 是一位连续创业者和消费产品建设者，曾在消费级金融科技公司 Wealthsimple 工作，也曾在 YC 创办社交网络公司 FamilyLeaf；之后还运营过自筹资金的个性化电商业务。Portola 的另外两位联合创始人 Quinton Farmer 和 Evan Goldschmidt 此前共同创办过金融科技公司 Even，并最终被沃尔玛收购。 Ajay 值得关注的地方，在于他同时具备消费产品、创业融资和增长实践经验。他并没有把 AI 只看作提升效率的工具，而是关注 AI 如何创造“以前根本不可能存在”的新型消费体验：实时对话、情绪理解、持续记忆、个性化内容，以及能够融入用户日常生活的数字陪伴。Tolan 的快速增长，也让他成为观察消费级 AI、订阅商业模式和社交传播如何结合的优秀案例。 ⏱️ 时间戳 00:00 开场 & Tolan 的诞生 00:24 嘉宾介绍：Portola 与 AI 外星人朋友 Tolan 01:36 ChatGPT 时代的启发：AI 正在创造全新的消费应用 02:56 从个性化体验到情感陪伴 03:47 Tolan 的产品方向：为每个人打造专属 AI 外星人 创始团队与融资选择 04:12 三位联合创始人的相识与创业履历 06:01 为什么这一轮 AI 浪潮特别适合做消费级产品 08:27 从 pre-seed 到 1000 万美元融资 09:04 为什么这个使命需要风险投资支持 AI 陪伴：一个正在形成的新产品品类 12:27 AI 不只是优化旧应用，也能创造新赛道 12:50 未来每个人都可能拥有某种 AI 伴侣 13:42 从“朋友”而不是“助手”切入 15:24 Tolan 如何主动避开恋爱和性暗示叙事 PMF、语音体验与产品价值 16:45 团队如何判断是否找到了 PMF 17:46 低延迟语音 AI、记忆系统与实时交互 18:16 用户每天聊 30 到 40 分钟带来的信号 19:21 高昂 token 成本如何逼出商业化 设计、角色与 onboarding 20:16 与独立艺术家合作打造视觉 IP 20:32 Unity 实时渲染与可互动的 Tolan 22:45 为什么 Tolan 的 onboarding 让用户真正感到被理解 23:48 用个性测试和记忆系统创造个性化体验 从产品体验到留存增长 26:33 从早期 PMF 到 100 万美元 ARR 27:15 付费墙之后，产品必须持续提供真实价值 27:54 第 5 天、第 7 天、第 15 天留存的变化 28:16 如何让更多用户到达“第一次长谈”的激活时刻 TikTok 增长引擎 28:40 为什么 Tolan 特别适合 TikTok 自然增长 29:32 从创作者内容和小额广告开始测试 30:27 一条爆款视频带来上万次安装 31:12 产品—市场—渠道匹配度的重要性 创作者合作与 UGC 分发 32:22 视觉鲜明的 AI 伴侣为什么适合短视频 33:14 学习、做饭、化妆和情感问题等内容切入点 35:04 两种创作者合作模式：半内部团队与付费植入 37:11 用大量低成本实验押注爆款 护城河、竞争与应用层价值 38:36 用户自发创作开始出现，UGC 形成增长飞轮 40:11 角色设计与创意细节构成防御力 41:57 极致语音 AI 远比“调用 GPT”困难 42:34 为什么价值可能最终流向无法被 API 复制的应用层 下一阶段：留存、团队与全球化 43:10 病毒式传播后的增长与 App Store 榜首 44:28 从美国市场走向本地化和全球化 45:50 9 人团队如何做产品优先级取舍 46:45 留存为何是陪伴类产品的北极星指标 🌟 精彩内容 💡 AI 正在创造过去不存在的消费品类 Ajay 认为，生成式 AI 的意义不只是让现有应用变得更聪明，而是让一些过去根本无法实现的体验第一次成为可能。情感陪伴、实时互动、持续记忆和个性化回应，正在让产品市场匹配出现在过去不存在的细分领域。 "还有另一个维度，那就是所有那些以前根本不可能做出来的全新细分领域。" 💡 消费级 AI 的关键，是让用户感觉“有人在另一端” Tolan 并不是把 AI 包装成一个更高效的工具，而是努力创造一种温暖、个性化的互动体验。对用户来说，价值不只来自回答是否正确，也来自它是否记得你、理解你，并让你愿意继续回来。 "AI 真正能让你做到的，就是打造一种 C 端体验，让人感觉屏幕另一端完全有一个懂你、了解你的存在。" 💡 付费墙不是阻碍，而是产品价值的验证器 Tolan 上线初期并没有立刻收费，但用户每天长时间使用带来了巨额模型和语音成本。被迫尽早商业化后，团队能够通过真实的续费与流失信号判断用户是否真正获得价值，而不是被免费体验数据误导。 "变现是打磨产品的倒逼机制。你必须提供价值，否则大家就会流失。" 💡 视觉设计本身就是分发系统 Tolan 的角色、动画、色彩和星球场景并不只是“好看”，而是让产品能够在截图、短视频和用户分享中被迅速识别。一个具有鲜明视觉 IP 的产品，更容易被用户带入自己的社交生活，也更容易形成自然传播。 "伟大的视觉设计不只是装饰，也是分发。" 💡 TikTok 增长的核心不是精致，而是高频试错 团队没有押注一条“完美广告”，而是与一批创作者长期合作，持续测试学习、做饭、化妆、恋爱建议等内容场景。大多数视频可能无人问津，但只要少数内容击中算法和用户，就可能在一夜之间改变增长曲线。 "你试上一堆，大概 20 条里能爆一条。但一旦爆了，就真的能冲出逃逸速度。" 💡 低延迟语音和记忆系统，是 AI 陪伴的技术护城河 一个真正自然的 AI 对话远不止接入一个模型 API。Tolan 同时处理语音响应、记忆检索、对话分类、多个 prompt 和实时渲染，目标是让用户感到交流足够快、足够连贯，并且能延续过去的上下文。 "一旦你真正动手去打造极致的语音 AI 体验，你就会明白为什么 App Store 上只有两三款，而不是几十款。" 💡 PMF 之后，最难的是拒绝那些“看起来都该做”的事 Tolan 团队只有 9 个人，增长起飞后却同时面对本地化、留存、功能开发、团队建设和全球化等大量机会。Ajay 认为，早期团队不可能同时做完所有事情，最重要的是继续改善核心体验，并让用户反馈决定下一步。 "因为我们只有 9 个人，我们现在做不到。" 💡 创意 IP 与用户心智，可能比底层模型更难复制 底层模型会被持续迭代，也可能通过 API 被竞争者调用，但一个独特的角色、长期打磨的互动细节和用户形成的品牌认同，却很难通过简单复制获得。应用层的价值，可能正来自那些无法被 API 直接替代的体验。 "大部分利润捕获会发生在那个无法通过 API 复制的可爱角色上。" 🌐 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

    #699.Gavin Baker：AI 需求远未见顶，算力短缺将如何重塑全球产业

    📝 本期播客简介 本期我们克隆了：The a16z Show Gavin Baker: Why AI Demand Is Outrunning Compute Supply 原内容更新时间：Mon, 31 Aug 2026 本期节目由 a16z 普通合伙人 David George 主持，对谈嘉宾是投资机构 Atreides Management 创始人兼 CIO Gavin Baker。Gavin 在整个夏天持续向 AI 产业领袖提出同一个问题：能否说出一个业务中正在恶化的量化指标？截至 7 月和 8 月，他得到的答案几乎都是"没有"——OpenAI、开源模型、Grok 等方向仍在加速，AI 需求并没有出现市场普遍预期中的明显降温。 这期对谈试图回答一个关键问题：AI 到底更像一场泡沫，还是一场供给严重不足的基础设施建设周期？两人从前沿模型、开源、应用、云服务商和英伟达的价值分配谈起，深入拆解 GPU 集群的回本周期、训练与推理之间的资本配置、AI 使用者从数百万扩展到数亿后的算力需求，以及数据中心对美国再工业化和地方经济的影响。 节目后半段进一步讨论轨道数据中心、可复用火箭、小行星采矿、多模型架构、企业智能抽象层，以及英伟达为何可能同时成为开源和 AI 碎片化趋势中的最大受益者。如果你正在关注 AI 投资、算力供需、芯片产业链、数据中心建设、模型商业化或未来产业格局，这期节目提供了大量来自投资一线的判断与反直觉观点。 👨‍⚕️ 本期嘉宾 Gavin Baker，Atreides Management 创始人兼首席投资官，长期专注于科技、半导体、云计算和 AI 基础设施投资。作为一名深度研究技术产业链与资本市场的投资人，他不仅关注哪家公司会赢，也关注资本如何进入算力建设、客户如何选择芯片、不同模型如何获得真实需求，以及基础设施投资何时能够回本。 Gavin 的独特之处在于，他会把 AI 热潮放回供需、融资、产业周期和企业经营的框架中分析：一方面承认重大技术变革几乎必然伴随泡沫与过度建设，另一方面又指出当前 AI 可能正处于需求刚刚开始扩散、供给却已经受到物理瓶颈限制的阶段。他对英伟达、SpaceX、开源模型和企业级 AI 的判断，也构成了本期最值得关注的投资与产业观察。 ⏱️ 时间戳 00:00 开场：AI 热潮究竟有没有看空理由 01:07 Gavin 为何整个夏天都找不到恶化指标 01:17 本期节目：重新审视 AI 热潮的经济逻辑 03:13 "大家都会赢"：AI 为什么可能不是零和竞争 前沿实验室、商业化与资本配置 03:47 Anthropic 的财务重置与上市博弈 05:48 Anthropic 意外成为企业服务公司 06:09 训练和推理之间的巨大收入取舍 07:51 AI 产业为何可能出现多方共赢 算力建设的经济学：一年以内回本 08:51 实验室为何愿意牺牲自由现金流投入训练 10:44 花得不够会丢份额，花得太多可能破产 11:20 AI 基础设施投资为何拥有极高回报 11:33 Nebius、CoreWeave 与超短回本周期 需求侧才刚刚开始：从千万用户到十五亿知识工作者 13:47 过度建设论点与真实需求来源 14:17 AI 使用中的幂律分布 14:42 全球 15 亿知识工作者意味着什么 15:32 Token 消耗量在数月内增长 100 倍 AI 从辅助工具走向行动代理 16:00 Gavin 如何学习使用 AI 16:32 Claude Code 与 GrokBot 带来的生产力跃迁 17:44 工程师使用 AI 写代码从 20% 到 95% 18:27 从总结信息到自动化执行任务 泡沫、短缺与美国再工业化 19:05 重大技术变革为什么总会制造泡沫 20:31 铜、电力与算力的根本性瓶颈 22:30 数据中心为何可能是美国工薪阶层的机会 23:59 AI 建设如何帮助美国重新工业化 供不应求与算力不平等 27:51 到 2028 年仍可能没有多余算力 28:21 获取智能的价格可能大幅上涨 29:19 严重算力短缺会带来什么后果 30:10 为什么世界仍然需要建设更多数据中心 太空算力与 SpaceX 的未来 31:23 马斯克与黄仁勋正在改变文明结构 32:30 轨道数据中心并不是太空巨型建筑 34:13 轨道算力在物理上为何可行 34:52 星舰可复用性如何改变经济模型 多模型时代与企业智能抽象层 45:08 微软、模型组合与新的竞争格局 45:36 没有任何模型能在所有方面做到最好 47:09 企业为什么要拥有自己的智能 49:42 多模型、路由器与专业化智能的未来 英伟达：AI 产业的中央银行 57:00 黄仁勋为何处在极其有利的位置 57:25 半导体公司最应该对英伟达说什么 59:18 英伟达数据中心为何更容易获得融资 1:01:24 开源为什么反而利好英伟达 🌟 精彩内容 💡 AI 可能不是赢家通吃，而是"大家都会赢" Gavin 反对把 AI 产业理解成一场只能诞生一个赢家的零和竞争。在他看来，前沿模型、上一代模型、开源社区、应用公司、云厂商和英伟达分别占据不同价值层，只要整体智能需求持续增长，多个参与者都可能获得巨大回报。真正需要警惕的不是谁击败谁，而是市场用单一赢家叙事低估了整个产业的扩张空间。 "这不是非此即彼的单选题。这是个兼得的事情。" 💡 AI 基础设施可能不是泡沫，而是建设不足 市场经常担心数据中心和 GPU 投资过热，但两人的讨论指出，需求侧目前可能只来自不到千万级的重度用户，而全球有约 15 亿知识工作者。即便 2028 年前计划中的建设全部完成，也未必会有多余容量；如果需求扩散速度超过供给扩张，结果可能不是算力过剩，而是价格暴涨和算力不平等。 "大家都在担心供过于求。我其实更担心供不应求。" 💡 算力投资的回本周期正在重写资本规则 Nebius、CoreWeave 等公司的案例显示，GPU 集群可以通过客户预付款、现货市场和融资安排实现极短回本周期。与传统重工业相比，部分 AI 基础设施投入可能在一年以内收回，甚至还没有计入模型能力提升后 Token 价值上升带来的额外收益。 "在我的投资生涯里，真没有过多少这样的机会，能有公司投入几百亿、几千亿美元，却能在不到一年内回本。" 💡 数据中心可能成为美国再工业化的引擎 Gavin 认为，数据中心建设会带来电力、工程、建筑、设备和地方税收等一系列真实需求。对一些产业衰退的小镇而言，一个数据中心可能让税收增长数倍，并重新带动就业与基础设施建设。AI 的社会价值不能只用聊天机器人或搜索替代来衡量，也要看它是否为普通人带来可感知的经济收益。 "我们正在让美国重新工业化，这太棒了。" 💡 下一代 AI 用户将天然地使用行动型工具 Gavin 以自己使用 GrokBot、Claude Code 的经历说明，AI 的价值正在从"帮我总结"转向"替我采取行动"：分析信息、创建应用、追踪市场、提出建议，再进一步自动执行工作流。年轻用户可能会以更加原生的方式使用 AI，而当前用户增长的真正爆发点，可能还没有到来。 "我只想知道，怎么让我把工作做得更好。" 💡 企业未来需要拥有自己的智能 在企业场景中，最重要的资产不是一个通用模型本身，而是企业独有的数据、上下文和工作流程。更可能出现的架构是：企业使用高质量开源基座模型，用自己的数据进行微调，再通过路由器调用一两个前沿模型完成规划与校验。这样既能控制数据和成本，也能让智能真正嵌入业务。 "如果智能是你业务里一个极其重要的投入项，你会希望拥有并掌控自己的智能、它的能力以及它的成本。" 💡 英伟达的优势不只是 GPU，而是整套生态与融资系统 英伟达的护城河包括 CPU、GPU、网络、存储、机架、供应链、客户关系和融资能力。它不仅锁定了晶圆、DRAM、NAND、激光器、电容器等关键产能，还能通过残值担保、承购协议和融资安排降低客户建设数据中心的资本成本。竞争对手即便做出一款优秀芯片，也还需要补齐其余系统。 "他是 AI 的中央银行。他是 AI 的美联储。" 💡 轨道算力的关键不在科幻想象，而在发射成本 轨道数据中心并不意味着在太空建造巨型建筑，而可能是搭载芯片、太阳能电池板和散热器的模块化机架。它的经济性取决于星舰能否实现高频、低成本、可复用发射：地面数据中心的电力、冷却和人工成本可能持续上升，而太空可以利用太阳能和辐射散热。地面算力不会消失，但全球算力中进入轨道的比例可能越来越高。 "有了星舰的可复用性，发射成本能降到 10 亿以下，经济模型瞬间就反转了。" 🌐 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

  4. 2d ago

    #698.美国 1968：在撕裂与混乱中，谁能赢得“沉默的大多数”？

    📝 本期播客简介 本期我们克隆了：The Rest Is History America in ’68 — Complete Series (Parts 1–6) 原内容更新时间：2024-10-28 1968 年的美国，像一部由“疯子剪辑师”剪出来的先锋电影：越南战争持续升级，城市暴动蔓延，马丁·路德·金与罗伯特·肯尼迪先后遇刺，林登·约翰逊突然退出总统竞选，乔治·华莱士以第三党候选人身份崛起，芝加哥民主党全国代表大会演变成警察与抗议者的街头冲突，而理查德·尼克松则在所有人都关注混乱时，完成了一次惊人的政治复出。 这是《The Rest Is History》关于“美国 1968”的完整六集合并版。汤姆·霍兰德与多米尼克·桑德布鲁克从越南战争和 LBJ 的政治崩塌讲起，讲到马丁·路德·金的最后岁月、罗伯特·肯尼迪的竞选与遇刺、乔治·华莱士如何把种族焦虑包装成“法律与秩序”，以及青年国际党人如何用戏剧、幽默与挑衅对抗权威。 这期节目尤其适合想理解美国政治长期转向的听众：为什么白人工人阶级逐渐离开民主党？“法律与秩序”何时成为政治狗哨？第三党候选人如何改变两党竞争？电视、广告、名人和现场表演如何重塑总统竞选？节目也不断将 1968 年与当代美国政治、特朗普、拜登退选以及以色列—加沙战争等现实议题并置，让这段历史不只是过去，而是一套仍在运转的政治模板。 👨‍⚕️ 本期嘉宾 本期由 Goalhanger Podcasts 出品的《The Rest Is History》两位主持人共同展开。汤姆·霍兰德是英国历史学家、作家，研究古代世界与政治文化，擅长用古罗马、希腊悲剧和帝国史的框架观察现代政治人物；多米尼克·桑德布鲁克是英国历史学家、传记作者，长期研究战后英国与美国政治，博士论文正是围绕 1968 年美国政治展开。 两人的组合构成了这期节目的独特张力：桑德布鲁克提供大量档案、传记、口述史与一手采访材料，霍兰德则不断追问人物的性格、修辞和历史隐喻。他们既严肃讨论战争、种族、阶层与制度，也会从“裤子、猪、诗歌、摇滚乐和小便池”这些荒诞细节切入，还原 1968 年那种高度戏剧化、混乱又鲜活的时代气氛。 🌐 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

  5. 2d ago

    #697.ChatGPT Work产品经理：AI 同事正在接管执行，你的职业价值只剩下野心与判断力？

    🎙️ 📝 本期播客简介 本期我们克隆了：Lenny's Podcast: Product | Career | Growth AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) 原内容更新时间：Sun, 30 Aug 2026 本期由 Lenny Rachitsky 主持，嘉宾是 OpenAI 产品负责人 Tara Seshan。Tara 目前与工程经理 Andrew Ambrosino 搭档，负责 Codex 与 ChatGPT Work；加入 OpenAI 前，她曾在 Stripe 工作六年，是 Stripe 早期的产品经理之一，也曾负责 Watershed 产品、担任创业者与 Thiel Fellow。她既经历过高速成长的科技公司，也亲身参与过创业、风投孵化与前沿 AI 产品建设。 这场对谈的核心，是 AI 产品正在从“聊天”与“调用 Agent”走向第三个时代：与一个长期在线、能够持续推进任务的 AI 同事共同工作。Tara 分享了 OpenAI 内部如何快速实验、为什么产品经理必须从“划桨”转向“掌舵”、Codex 如何改变知识工作，以及 ChatGPT 的 Chat / Work 模式最终可能如何走向融合。 节目还深入讨论了 AI 时代的职业焦虑：当简单工作被彻底自动化，工程师、设计师、产品经理的边界正在消失，人类究竟还剩下什么不可替代的价值？Tara 的答案包括责任、判断、表达、品味、人与人之间的连接，以及决定未来应该朝哪个方向发展的主见。 👨‍⚕️ 本期嘉宾 Tara Seshan，OpenAI 产品负责人，负责 Codex 与 ChatGPT Work。她曾在 Stripe 工作六年，是 Stripe 早期的产品经理之一，并曾多年位列公司表现最出色的员工之列；之后她负责 Watershed 的产品，也拥有创业经历。Tara 还是 Thiel Fellow，以及首届 Lenny’s Newsletter Fellow 之一。 Tara 值得关注的地方，在于她同时具备产品、创业、企业软件与 AI 前沿实验室的经验。她不仅在打造下一代 AI 工作产品，也在重新思考产品经理、工程师和知识工作者的基本工作方式：在模型能力快速变化的时代，如何定义问题、验证假设、建立反馈闭环，并把野心转化为真正可用的产品。 ⏱️ 时间戳 AI 产品的第三个时代：常驻 AI 同事 00:00 从 Chat 到 Agent，再到常驻 AI coworker 01:28 Tara Seshan 登场：OpenAI、Codex 与 ChatGPT Work 02:46 OpenAI 内部文化：每个人都像一个创始人 从理论推演转向快速实证 05:26 AI 时代，PM 失去了什么 06:23 为什么多产出、靠实证比长篇战略文档更重要 07:51 PM 工作的核心：定义问题、验证假设、跑通闭环 09:40 从划桨到掌舵：人类负责方向，Agent 负责执行 Agent 如何成为真正的同事 13:46 与长期存在的 Agent 协作 15:09 从一对一 Agent 到多人协作的 Agent 群聊 16:45 慢起飞、信任与 Agent 承担更多工作 17:31 数据访问、云基础设施与可靠性同样关键 野心、作者性与人的非对称优势 18:27 AI 让野心从优势变成必需品 19:04 AI 如何把普通人变成“独角兽人才” 20:58 真正的瓶颈不是能力，而是想象力 22:51 PM 的新职责：不断拉高团队的野心 ChatGPT Work、Codex 与 AI 产品设计 25:36 产品应该面向两三个月后的模型 27:35 Chat、Work 与 Codex 到底有什么区别 32:38 如何把 Agent 能力带给十亿 ChatGPT 用户 33:37 AI 产品第三时代：和常驻同事一起把事情做完 从写代码到做判断：职业角色的重构 38:22 当工程师、设计师和 PM 的边界开始消失 41:28 AI 时代人类大脑还剩下什么价值 43:32 Tara 如何在工作中使用 AI：建网站与可视化 48:42 “写作是思考”与“写作是汇报”的区别 产品、营销与 PMF 的可复制方法 54:50 Tara 在 Sutter Hill Ventures 的经历 55:52 找到 PMF 不是玄学：成功背后存在一套打法 57:34 为什么产品与营销的契合要早于产品本身 59:53 知识工作不同于写代码：必须看见过程与工作证明 🌟 精彩内容 💡 AI 产品的第三个时代，是拥有一个常驻同事 Tara 将 AI 产品的发展分为三个阶段：最初是 Chat，接着是与 Agent 协作，而下一阶段则是与一个长期存在、能够持续推进工作的 AI 同事共事。这个 AI 不只是回答一次问题，而是像团队成员一样持续工作、接受反馈，并与其他人的 Agent 协同完成任务。 “那可能很快到来的第三个时代，就是你该如何与一个能和你一起把事情做完的常驻同事协作？” 💡 AI 时代，PM 从划桨者变成掌舵者 当 Agent 可以承担越来越多具体执行工作，人的角色不会因此消失，而是上升到更高的抽象层：确定目标、判断方向、解释反馈，并决定产品与世界应该朝哪里发展。执行可以交给 Agent，但方向感和最终决断仍需要人来提供。 “未来的工作会越来越像掌舵而不是划桨。” 💡 最危险的产品开发方式，是押错模型时间点 AI 产品不能只按照今天的模型能力设计，否则很快会过时；也不能按照一年后的想象设计，因为那样同样可能脱离现实。真正可行的节奏，是紧贴研究进展，在两到三个月的时间窗口里持续调整产品架构与体验。 “如果你按模型现在的水平去开发，你会失败。如果你按自己设想的一年后模型会达到的水平去开发，你也会失败。” 💡 AI 让野心成为新的竞争壁垒 当简单任务变得人人都能完成，人与人、公司与公司之间的差距，就不再主要来自执行能力，而来自对可能性的想象。最会使用 AI 的人，不只是自动化重复劳动，而是借助 AI 把过去无法实现的想法快速变成原型、网站、模型和产品。 “现在把人和人、公司和公司区分开来的，就只是他们能有多大的野心了。” 💡 人类的价值，从亲自执行转向承担责任与表达主见 Agent 可以完成大量工作，但最终必须有人判断结果是否正确、质量是否足够、是否符合目标，并为产出承担责任。除此之外，产品中的作者性、品味、艺术表达，以及人与人之间的关心与连接，仍然是难以被简单自动化的部分。 “到底由谁来对最终的结果负责？最终谁来对最终产出负责？” 💡 “写作是思考”不能外包，“写作是汇报”可以自动化 Tara 将工作写作分成两类：用于整理和形成自己观点的写作，以及用于总结、汇报和格式转换的写作。后者可以尽可能交给 AI，但前者正是人训练判断力、澄清思路和发现问题的过程，不能让模型替自己完成。 “以写作为思考是我永远不会自动化的。” 💡 知识工作必须看见推理过程，而不只是最终结果 写代码可以通过测试判断结果是否运行正确，但知识工作往往不能只看一份漂亮的 PPT 或报告。用户需要了解 AI 使用了哪些信息、如何推理、引用了什么来源，才能真正判断结果是否可信。因此，未来的 AI 产品必须成为协作者，而不是只交付答案的黑箱。 “我真的需要去思考其中的过程、输入的信息、推理逻辑，以及它是如何一步步推导出来的。” 💡 完成好过完美，反馈闭环比上线前打磨更重要 在模型和产品能力高速变化的时代，过度追求上线前的完美可能意味着错过最重要的学习机会。更有效的方法是尽快把产品交给用户，观察真实使用方式，识别哪里行不通，再快速迭代。 “当你非常确信它具有颠覆性的时候，把产品交到用户手里远比追求完美要好得多。” 🌐 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. 3d ago

    #696.红杉资本传奇投资人Doug Leone：69 岁重返 AI 战场，如何用恐惧、嗅觉与信任持续称霸

    📝 本期播客简介 本期我们克隆了：David Senra Doug Leone on Sequoia, Fear, Great Founders & Starting Over at 69 原内容更新时间：Sun, 30 Aug 2026 本期嘉宾是红杉资本传奇合伙人 Doug Leone，主持人是 Scicomm Media 的 David Senra。Doug 出生于意大利，移民美国时不会说英语，早年作为“局外人”的不安全感，后来变成了推动他不断重塑自己的动力。他在红杉资本工作 26 年，见证并参与了 Apple、Cisco、Google、NVIDIA 等公司的成长，也曾在 65 岁时主动卸任，为下一代合伙人让出位置。 但离开并没有让 Doug 真正“退休”。四年后，他重新回到红杉资本，放下主席头衔，把自己当成一名低级别分析师，重新学习 AI。他坦言，自己在 69 岁时依然害怕被时代淘汰，甚至在回归 90 天后觉得“自己一无是处”。这场对谈的核心，不是一个成功投资人的回忆录，而是一位顶级投资人如何在新技术革命面前主动归零。 节目还深入讨论了风险投资最重要的判断标准、为什么投资人总是过早卖出赢家、红杉如何识别“极具竞争心且有一颗金子般的心”的创始人，以及投资人真正应该如何帮助创始人。Doug 也分享了与 Michael Moritz 共事 25 年学到的倾听方法、董事会搭建原则、信任如何加速商业决策，以及如何把痛苦和不安全感转化为长期行动力。 👨‍⚕️ 本期嘉宾 Doug Leone，红杉资本传奇投资人，曾担任红杉资本全球管理合伙人，并在机构中工作 26 年。他出生于意大利，年轻时移民美国，经历过语言障碍、身份焦虑与经济困境，甚至在刚成为红杉合伙人时一度睡在车里。 Doug 参与投资和支持过多家改变产业格局的公司，包括 Apple、Cisco、Google、NVIDIA、ServiceNow、Nubank 等。他的投资方法极度聚焦于少数能够带来 100 倍回报的“极端异常值”，同时强调投资人的职责并不是替创始人设计技术，而是帮助他们把产品变成真正可持续的业务。 他值得被反复倾听的地方，在于他既拥有几十年的科技与投资经验，又始终保留着重新开始的危机感。面对 AI，他没有把过去的成功当作护城河，而是愿意承认自己再次成为一名初级分析师，从头学习这个正在重写商业规则的时代。 ⏱️ 时间戳 持续称霸与反复重塑自己 00:03 什么样的人能称霸几十年 00:48 为什么必须一次又一次重塑自己 01:31 69 岁重返红杉：再次从低级别分析师做起 02:55 Jimmy Iovine：不看后视镜，只担心明天 恐惧、不安全感与内驱力 04:10 恐惧究竟是阻力还是动力 04:38 用公开演讲、恐高和根管治疗直面恐惧 07:04 从海滩俱乐部的屈辱感到“我要收拾你们” 09:29 如何把复仇冲动转化为正向动力 财富、苦难与重新开始 09:57 为什么孩子需要一点真实的苦难 12:50 卖掉豪车：从物质享受到简单生活 13:57 重返工作岗位是 Doug 主动给自己找的磨难 15:36 成为红杉合伙人后曾经睡在车里 AI 时代的投资判断 17:49 为什么 65 岁卸任，又在四年后回归 21:25 AI 是否是工业革命级别的变化 22:56 Doug 投资前必问的三个问题 24:30 只做 20 笔投资，只寻找 100 倍回报 赢家、复利与投资人的角色 25:31 为什么最好的投资总会带来意外 25:56 风投最常见的错误：过早卖出赢家 26:46 红杉曾经拥有 Apple、Cisco、Google、NVIDIA 的巨大股份 27:58 投资人不是产品经理，而是帮助创始人把业务做起来 识别真正伟大的创始人 29:20 Doug 喜欢“不服管”的异类创始人 31:01 David Vélez 与 Nubank 的起点 34:01 从 0 到 1 是创始人的黑魔法 34:57 投资人的任务：尽可能长久地保留创始人 信任与组织文化 57:44 信任如何从恐惧开始建立 59:27 信任是商业的加速剂 1:00:00 信任同时包含能力与善意 1:02:55 为什么签过条款清单后就不能反悔 董事会、反馈与高质量分歧 1:12:21 像架构产品一样架构董事会 1:13:05 不要只因为拿到 term sheet 就选择董事 1:16:15 真正的董事会不是争吵，而是把问题摆上台面 1:18:39 如何让困难的反馈真正被创始人听进去 长期关系、倾听与下一次创业 1:26:08 Michael Moritz 教 Doug 听具体的词 1:29:19 如果一切顺利，这家公司能变成什么 1:29:49 结束语：一年后再回来继续验证结果 🌟 精彩内容 💡 恐惧不是阻力，而是前进信号 Doug 并不试图消除恐惧，而是把恐惧当成必须立即行动的提醒。对他来说，害怕被淘汰、害怕落后，意味着不能停留在过去的成绩里，必须主动进入陌生领域、重新证明自己。 "我一感到恐惧，就意味着我他妈现在就得往前冲。" 💡 真正的重启，意味着放下自我 69 岁重返红杉后，Doug 拒绝把“主席”当成自己的真实身份。他把自己重新定位为低级别分析师，接受自己暂时落后、暂时无知，并用这种姿态去面对 AI 带来的新世界。 "我其实就是一个分析师。我是一个低级别的分析师，我必须证明自己。" 💡 顶级风投只寻找极端异常值 Doug 不满足于一笔投资带来两倍、三倍回报，而是把机会压缩到一个极高的标准：如果一生只能做 20 笔投资，这是不是其中一笔？它有没有可能为整支基金带来回报？这种限制迫使投资人拒绝大量“看起来不错”的项目，只把注意力放在真正可能改变基金命运的公司上。 "我只要那些能带来 100 倍回报的。我只对这种感兴趣。" 💡 投资人不是来替创始人做产品的 Doug 认为，伟大的创始人往往比投资人更懂产品和技术，尤其是那些极度聪明、强烈执着的年轻工程师。投资人的价值在于帮助他们补上商业化环节：招募早期团队、建立销售和市场、寻找客户、处理危机，并让产品最终成为一门真正的生意。 "我的职责是帮助创始人把业务做起来，而不是去塑造一家公司的技术。" 💡 信任是商业运转的加速剂 信任并不等于盲目信任。Doug 将信任拆成两个部分：对方是否有能力，以及对方是否有善意。只有能力和意图同时可靠，组织才能快速决策；否则，信息会在层层汇报中变形，企业也会陷入低效和内耗。 "信任包含两个部分：能力和意图。" 💡 董事会要像产品一样被设计 创始人不能因为某个人主动示好、某家机构给出第一份 term sheet，就随意组建董事会。董事会成员是未来五到七年的长期伙伴，需要具备互补的技能、完整周期的经验和合适的性格；适度的不适感，往往正是学习和纠错的来源。 "要像架构产品一样去架构你的董事会。" 💡 最好的分歧，是为了找到正确答案 Doug 不喜欢把高质量的董事会讨论称为“争吵”。真正有效的冲突不是为了证明谁赢了，而是把问题摆到台面上，充分讨论，找到创始人和公司真正需要的答案，然后在走出会议室后统一行动。 "我认为这是一种支持的状态，为了得出创始人需要的答案。" 💡 投资人要问：如果一切顺利，它能变成什么 Doug 从 Michael Moritz 身上学到的一个关键习惯，是不要只盯着风险、问题和最坏情况，也要认真想象一家公司在一切顺利时的上限。伟大投资的巨大回报，往往来自公司持续多年复利，而不是来自短期的成功退出。 "要是所有事情都顺理成章呢？这项业务能做成什么样？" 🌐 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

  7. 4d 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

  8. 4d 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

See All (706)

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
    706
  • Rating
    Clean
  • Copyright
    © yikai@小宇宙App
  • Show Website
    跨国串门儿计划

You Might Also Like