硅谷温差

Lewis Liu, Will Lu
  • 0.0 (0)
  • Technology
  • Updated Weekly

《硅谷温差》是为中文 AI 圈硬核建设者打造的硅谷前沿实战手册，是 Lewis 愿景派与 Will 实战派最终汇合的地方。 我们拒绝泛泛而谈的科普，精准锚定硬核从业者、出海创业者和关注技术深度的投资人。我们希望通过对话可以直击 AI 落地中的结构性摩擦，探讨纸面论文与实际业务代码之间的温差。 节目都聚焦于 Agent 搭建、知识图谱、记忆系统等实战瓶颈，大谈踩坑日常，为你拆解在 AI 领域，哪些是好看的 Demo，哪些是真正在业务里跑得通的壁垒。

  1. 6h ago

    20.NVIDIA买入口，AMD买未来：AI芯片战争进入全栈时代

    NVIDIA花130亿买下Hugging Face，AMD用82亿收了李飞飞的World Labs。同样是芯片厂买模型层，买到的东西完全不同。 Hugging Face作为独立公司很难靠营收扩张，放进NVIDIA才值钱：开发者选模型、测模型的早期信号都在这，抓住源头就能影响inference最后跑在谁的卡上。大厂都在自研芯片，企业却没人造得起TPU，只能买现成的，开源模型的使用者才是GPU的基本盘。小模型已经够用，最贵的token适用场景越来越窄，模型趋近免费，要付钱的只剩GPU。AMD这笔我们觉得风险很大：人很强，但world model连定义都没定下来，离变现还远。 时间轴 00:00 130亿买便宜了 07:03 抢在推理之前 11:43 开源用户是大客户 14:18 Token终将免费 18:18 AMD押注World Model 25:45 Muse证明够用就行 28:45 国内只挖人不并购 30:17 上周趣闻

    20.NVIDIA买入口，AMD买未来：AI芯片战争进入全栈时代

  2. Sep 12

    19.Claude劝退5000万，个人AI是刹车还是神谕？

    从孙宇晨把资产丢进 Claude Code、问 AI“5000 万美元该不该给”说起，这期《硅谷温差》聊 Personal AI 个性化 AI 助理 到底靠不靠谱。 Lewis 和 Will 都分享了自己用 AI 分析投资账户和资产配置的经历：AI 已经能把很多陌生领域从 0 分拉到 80 分，但真正的个性化不只是 memory，而是完整 context、信任和决策边界。模型能读懂你的问题，却未必拿得到你生活里的真实上下文。 Will 现在把 agent 当成自己的 AI Chief of Staff，用来补全助理、PR、投资顾问和跨文化沟通 coach 的能力。但问题是：AI 越懂你，越可能顺着你。几轮对话之后，模型很容易靠向用户原本的倾向，变成一台高级“确认偏误机器”。 所以在重大决策里，我们需要反向 prompt、正反两面分开研究、多模型交叉验证，而不是只问一个 AI：“你觉得我对吗？” 这一期我们讨论：Personal AI 是理性刹车，还是电子神谕？AI coach 为什么有时候比真人 coach 更好用？重大决策能不能交给 AI？以及未来每个人是否都会有一个 AI Chief of Staff。 时间线索引 00:00 孙宇晨的5000万 02:41 懂问题，不懂你 07:29 幕僚长，不是CEO 13:10 瓶颈还是context 16:13 AI只是在顺着你 20:13 哪些决策交给AI 28:43 拿AI当coach 33:51 上周趣闻

    19.Claude劝退5000万，个人AI是刹车还是神谕？

  3. Aug 29

    18.DeepSeek开源harness，新风口还是没得选

    DeepSeek把harness开源，连agent loop都是可换的plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，这是唯一的触达路径。企业侧的温差很实在：现在的harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi靠四个tool和不到1000 token的system prompt走红，但开源harness大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。 时间线索引 00:00 Harness到底是什么 03:14 DeepSeek开源的算盘 08:41 从一个9到三个9 11:33 放权模型还是hardcode 14:59 谁能靠harness赚钱 23:13 决策和执行分层 26:45 Harness会被模型吃掉吗 29:51 上周趣闻

    18.DeepSeek开源harness，新风口还是没得选

  4. Aug 22

    17.Agent自我进化的真机会和假壁垒

    这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？ Self-improving Agent 能不能产品化？会成为独立公司，还是被 OpenAI、Anthropic、Google 等大模型平台吃掉？ 对创业公司和 AI builders 来说，真正的机会是在通用 Auto Research 平台，还是垂直行业里能自我优化的 AI-native SaaS？ 我们也聊到enterprise software的下一阶段：未来的软件可能不再只是固定功能，而是会随着用户使用、数据反馈和agent loop持续变聪明。但这也带来新的难题：如何定义 ROI？如何定价？如何控制agent的边界？以及它到底是产品、平台，还是一个会被大厂内化的feature？ 如果你关心AI Agent、Auto Research、Deep Research、AI 科学家、企业 AI、AI SaaS、agent startup 和 self-improving systems，这一期会帮你区分：哪些是真机会，哪些只是新一轮 AI 叙事包装。 时间线索引 00:00 三个词的分层 03:34 超越人类最优解 06:23 两类自我提升 08:28 穷举还是框架 13:43 卖方案还是卖系统 17:18 自我迭代怎么定价 24:41 会不会被模型吞掉 29:24 上周趣闻

    17.Agent自我进化的真机会和假壁垒

  5. Aug 15

    16.AI不是泡沫，是大多数公司

    接着上期的Stanford EMBA，大家带着三个问题来硅谷：AI是不是泡沫？AI会不会改变员工的工作？VC还赚不赚钱? Lewis的判断是这轮不是泡沫，芯片和能源都不够用，能做这件事的就那么几家公司，巨头互相买是把整条供应链盘活的唯一路径。课上老师那句“AI replaces task, not job”被当场拆穿。Task被吃掉得足够多，那就是工作没了。企业侧的实情更直接，客户把裁员正经立项，叫workforce transformation，目标是砍掉20%到30%。金门大桥的收费员也不是被技术裁的，是被COVID裁的。VC行业三年整体回报只有0.3%。理论半年一换，Vector DB、RAG、harness这些被押注的“未来一层”，回头看大多只是feature不是产品，连吴恩达的Landing AI都栽在这里。 时间线索引 00:00 三个问题 04:25 不是泡沫是溢价 11:07 必须自己动手试 14:17 取代任务就是取代人 16:40 转型只能靠换血 24:45 VC三年只赚0.3% 28:59 别赌技术栈 35:29 上周趣闻

    16.AI不是泡沫，是大多数公司

  6. Aug 10

    15.花9万上斯坦福太值了？

    Lewis刚从斯坦福Stanford Executive Program六周集训回来，这期我们用工程师思维把这个项目当成一个产品来拆：它卖的到底是什么，谁在买单，ROI怎么算。把两年MBA的课表压进六周课表，学费8.9万美元，早上5点45分bootcamp，8点15上课，一直排到晚上9点，一天超过12小时。178个人来自37个国家，卡的不只是年限和履历，还有你从哪儿来。 真正有意思的是课堂内部的错位，教授只负责引路，case study反而是从这个班里输出出去的，最高密度的信息发生在课后的party和晚饭上。ROI这一段我们掰得比较细：脱产、住校、被迫step back，可能才是这8.9万里最贵也最难复制的部分。 时间线索引 00:00 两年MBA压进六周 05:04 9万值不值 06:51 湾区的同质性陷阱 08:16 教授只负责引路 11:24 真正的课在课后 16:29 大佬日程全真模拟 21:38 脱产才是最贵的

    15.花9万上斯坦福太值了？

  7. Jul 19

    14.你在用AI还是在烧钱? Impact per Token

    本集深度简介 这期我们把token这个被讲烂、却没几个人讲透的概念从头拆到底。Lewis用"模型认知世界的最小切片"给它下定义，复盘了当年Gemini坚持用字符定价、最后被整个行业倒逼着改用token的往事。一次典型的技术导向的胜利。 真正的摩擦从agent时代开始：使用方式从chatbot转向agent，token消耗爆炸式增长，一年预算三四个月就见底。更隐蔽的坑是not every token is created equal。同一段输入在OpenAI、Gemini、Anthropic上切出的token数完全不同，Anthropic往往还多一大截。加上它没什么动力帮你省，连阿里内部都一度停用了Claude。 我们真正想回答的是impact per token。算力买来了，价值链却是断的：为什么该回到revenue、KPI这些最原本的商业指标，而不是像Meta那样拿token用量考核工程师、逼出一堆刷token的假动作。从caching、memory、蒸馏到neuro-symbolic和自我进化的agent，提效的技术路径也一并摊开讲透。最后落到一个更大的判断：scaling law本身可能就有bug,大模型的护城河正在消失,而"法拉利模型"与"本田模型"并存的智能霸权,也许才刚刚开始。 时间线索引 00:00 什么是Token 03:38 agent引爆token经济学 04:34 不是每个token都平等 12:03 咨询公司复兴 15:06 别用间接指标考核 18:29 提高impact的技术清单 30:42 上周趣闻 这期我们讲到的内容 Meta Muse Spark: https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/  Scaling law: https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

    14.你在用AI还是在烧钱? Impact per Token

  8. Jul 10

    13.拆OpenRouter不堪一击的护城河

    本集深度简介 这期拆的是被网友点名很久的OpenRouter: 把400多个模型收进一个API的中间商，一年半干到5千万美元ARR，估值13亿。听起来是开发者福音，但越拆分歧越大是本集的看点。Will的判断很冷：这护城河不堪一击。5%抽成对任何认真在model上花钱的公司都是不可接受的，一年在token上花1000万，5%就是50万，够在湾区雇个全职工程师；一旦所有model趋同，选择器只剩一条逻辑：越便宜越好，跟用电一样不看来源只看价格。 Lewis不认：谁握入口谁有议价权利。OpenRouter手里800万开发者、25万亿token，而且两头赚钱，从大厂批发拿折扣，再向散户抽5%，真实赚的不止表面这点。当用户根本分不清模型好坏时，分发方反而攥住了对大厂的议价权，甚至可能演化成Google search式的流量竞价。两人还扒了名字里Router的由来，那个最早的智能模型路由，为什么被创始人亲手放弃。最后落在一道裂缝上：它是独角兽，还是一台注定被迫降价的cash cow，取决于它能不能真正拿到定价权。 时间线索引 00:00 拆OpenRouter 02:48 护城河到底有多深 04:13 5%抽成不堪一击 06:01 个人开发者vs企业 10:22 怎么防守 13:02 智能分发的死局 15:52 越便宜越好？ 20:01 假如你是CEO 31:02 上周趣闻

    13.拆OpenRouter不堪一击的护城河
See All (20)

About

《硅谷温差》是为中文 AI 圈硬核建设者打造的硅谷前沿实战手册，是 Lewis 愿景派与 Will 实战派最终汇合的地方。 我们拒绝泛泛而谈的科普，精准锚定硬核从业者、出海创业者和关注技术深度的投资人。我们希望通过对话可以直击 AI 落地中的结构性摩擦，探讨纸面论文与实际业务代码之间的温差。 节目都聚焦于 Agent 搭建、知识图谱、记忆系统等实战瓶颈，大谈踩坑日常，为你拆解在 AI 领域，哪些是好看的 Demo，哪些是真正在业务里跑得通的壁垒。

Information

  • Creator
    Lewis Liu, Will Lu
  • Years Active
    2026
  • Episodes
    20
  • Rating
    Clean
  • Copyright
    © Lewis Liu, Will Lu
  • Show Website
    硅谷温差