Advertise on podcast: 硅谷101|中国版

怎样用有限的钱帮助更多人？有效利他主义（Effective Altruism，简称“EA”），就是从这个朴素的问题出发，推动人们比较不同慈善项目的效果，从捐赠蚊帐、预防疟疾，到后来投入数亿美元研究AI安全。 SBF与FTX的崩塌，曾让这场运动陷入信誉危机。最近，AI研究员辞职、安全评估机构和捐赠网络引发的争议，又让EA受到关注。当一些人把防止AI毁灭人类视为最值得投入的事业，他们的判断如何影响研究方向和资金分配？其中又有怎样的利益与权力问题？ 本期节目，我们邀请以太坊联合创始人Vitalik Buterin与科技记者Afra，聊聊EA和理性主义究竟主张什么，以及这些思想如何影响了今天的AI发展。 Vitalik曾向这个圈子的机构捐赠大量资金。他在节目中回忆，一笔加密货币捐赠如何意外地变成数亿美元，以及受赠机构后来的方向，为什么让他开始重新考虑当初的选择。 节目全程以中文录制，前半段由Afra介绍背景，后半段是我们与Vitalik的对话。本期涉及英文人名和机构名较多，为方便大家理解，我们在shownotes文末整理了名词解释，也在Bilibili、YouTube、视频号等平台也上线了带字幕版本，方便大家对照收听。 【主播】  Yiwen，硅谷101主持人 泓君，硅谷101创始人，播客主理人 【嘉宾】 Vitalik Buterin，以太坊联合创始人 Afra，科技记者 【时间轴】 有效利他主义是什么，它如何走到AI安全中心？ 02:25 两个关键人物：William MacAskill与Eliezer Yudkowsky 07:54 八万个小时：怎样使用一生，才能帮助更多人？ 09:27 EA的四次转向：全球健康、长期主义、信任危机与AI安全 12:58 EA与理性主义的异同：怎样做好事，怎样想清楚？ 15:59 AI安全如何影响前沿AI实验室的公司选择 18:02 METR与捐赠网络：安全评估如何引发了争议？ 22:28 走进伯克利：Lighthaven、The Curve与硅谷思想聚会 28:09 去华尔街赚钱，再把钱捐出去：这条路出了什么问题？ 35:18 EA与e/acc：关于AI加速与减速的争论 Vitalik的捐赠：一笔意外的加密货币如何变成数亿美元 39:15 如何成为一名负责任的数字游民？Vitalik最初的EA经历 44:19 哲学僵尸与意识：理性主义者都在讨论什么？ 50:38 当思想社群有了富豪捐赠者和专业机构 53:35 AI安全思想和P(doom)逐渐成为争论焦点 59:09 狗狗币的故事：意外收到大量代币之后 01:05:10 印度疫情救助与FLI：两笔捐赠如何落地 01:08:13 当FLI转向AI政策，Vitalik和它的矛盾何在？ 当“帮助人类”变成机构、政策与权力 01:10:18 一个领域已经有很多钱，还值得继续捐吗？ 01:13:31 从救助生命到影响政策，捐赠效果为什么更难判断？ 01:18:46 SBF留下的问题：为什么聪明人也会看错人？ 01:21:01 EA、理性主义、e/acc与d/acc，分歧到底在哪里？ 01:27:38 “好公司必须赢”：相信Anthropic，能解决安全问题吗？ 01:30:29 安全、开源与商业利益：谁来决定AI的未来？ 01:36:06 Vitalik眼中的OpenAI：开放、安全与加速之间的变化 除了加速与暂停，还有什么选择？ 01:37:57 d/acc：Vitalik为什么主张加强分布式防御？ 01:42:04 以防疫为例：怎样让普通人拥有保护自己的工具？ 01:43:16 面对AI的不确定性，普通人可以怎样理解这些争论？ 01:45:14 Vitalik：承认我们还不知道的事情 01:48:04 AI安全也需要制衡：让多个不完美的系统互相监督 【相关阅读和名词解释】 往期相关：E233｜硅谷右翼的权力网如何形成？聊聊彼得·蒂尔的思想启蒙拼图 人物： William MacAskill（威廉·麦卡斯基尔）：哲学家，曾任牛津大学哲学副教授，EA运动共同发起人之一，共同创办了Giving What We Can、80,000 Hours等机构，也是长期主义的重要倡导者。 Sam Bankman-Fried（萨姆·班克曼-弗里德，SBF）：加密货币交易所FTX联合创始人，曾是EA最受瞩目的支持者和捐赠者之一。 Eliezer Yudkowsky（埃利泽·尤德考斯基）：AI安全研究者与写作者、机器智能研究所共同创始人，也是互联网理性主义社群的重要奠基者。他关于认知偏差、理性思考和AI对齐的文章，影响了LessWrong及部分EA社群。 Chris Olah（克里斯·奥拉）：Anthropic联合创始人，主要研究如何理解神经网络的内部运作，是机械可解释性领域的重要研究者。 Kevin Bass（凯文·巴斯）：网络评论者，曾公开追查并质疑Anthropic、METR及相关AI安全机构之间的资金和人际联系。 Jacob Coxon（雅各布·考克森）：曾在OpenAI和Anthropic从事研究，2026年9月辞职并公开警告前沿AI公司的竞争可能带来严重安全风险。 Dustin Moskovitz（达斯廷·莫斯科维茨）：Facebook和Asana联合创始人，与妻子Cari Tuna创办Good Ventures，承诺捐出绝大部分财富。 Jaan Tallinn（雅恩·塔林）：Skype联合创始人，长期资助AI安全与存在风险研究，也是未来生命研究所的共同创始人。他参与支持的Survival and Flourishing Fund，是相关研究机构的重要资金渠道之一。 Gideon Lewis-Kraus（吉迪恩·刘易斯-克劳斯）：《纽约客》记者，2022年撰写了关于William MacAskill的长篇人物报道。 Toby Ord（托比·奥德）：澳大利亚哲学家、Giving What We Can共同创始人，EA运动的重要早期推动者。他长期研究全球贫困、道德责任与可能威胁人类长远未来的存在风险。 Scott Alexander（斯科特·亚历山大）：精神科医生与写作者，先后创办Slate Star Codex和Astral Codex Ten。他的文章涵盖科学、医学、社会议题和认知方法，是理性主义社群的重要阅读材料。 Zvi Mowshowitz（兹维·莫肖维茨）：Don’t Worry About the Vase的作者，长期评论AI发展、安全与政策。 Nick Bostrom（尼克·博斯特罗姆）：哲学家，曾任牛津大学教授、未来人类研究所创始主任，《超级智能》作者。他对超级智能、存在风险和人类长远未来的研究，影响了EA及AI安全领域的讨论。 Sandeep Nailwal（桑迪普·奈尔瓦尔）：Polygon联合创始人、印度疫情救助基金CryptoRelief发起人。本期Vitalik谈到向该基金捐赠加密货币。 机构 80,000 Hours（八万小时）：由William MacAskill和Benjamin Todd共同创办的非营利职业研究与咨询机构，帮助人们思考如何利用职业生涯产生更大的社会影响，是EA的重要机构之一。 METR（模型评估与威胁研究，Model Evaluation & Threat Research）：研究与评估前沿AI能力及潜在重大风险的非营利机构。 Coefficient Giving：前身为Open Philanthropy的慈善资助与咨询机构，长期与Moskovitz夫妇的Good Ventures合作。它是EA相关资助网络的重要节点，支持全球健康、动物福利、疫情防范和AI安全等领域。 Future of Life Institute（未来生命研究所，FLI）：研究并倡导降低先进技术重大风险的非营利机构，工作涉及AI等领域。它接受了Vitalik的重要捐赠。 Centre for the Governance of AI（人工智能治理中心，GovAI）：从事AI治理与政策研究、培养相关人才的非营利机构。 Machine Intelligence Research Institute（机器智能研究所，MIRI）：由尤德考斯基等人共同创办、长期关注高级AI与人类利益如何对齐的非营利机构，与理性主义及EA社群联系密切，也是本期提到的Vitalik曾支持的机构之一。 GiveWell：通过证据与成本效益分析评估慈善项目、引导捐赠的非营利机构，主要关注全球健康与发展。 Against Malaria Foundation（抗疟疾基金会，AMF）：主要通过资助长效杀虫蚊帐的分发预防疟疾的慈善机构，长期获得GiveWell推荐。 PopVax：印度生物技术公司，研发疫苗和癌症免疫疗法。其疫苗项目获得过Vitalik的Balvi基金支持。 Lighthaven：由Lightcone Infrastructure运营的伯克利会议与活动园区，经常举办理性主义、AI安全及相关社群的聚会。 The Curve：围绕先进AI的发展、风险、经济影响与治理举办的会议，汇集研究人员、企业界、政策界及不同立场的参与者。 Progress Conference：由Roots of Progress Institute主办，讨论科技、经济和社会进步的会议。 Effective Altruism Global（有效利他主义全球大会，EA Global）：面向EA社群的系列会议，讨论如何通过研究、职业选择和捐赠更有效地改善世界。 Zuzalu：Vitalik等人于2023年在黑山组织的临时社区实验，参与者共同生活、交流并开展活动。 PauseAI（暂停AI运动）：主张在能够确保安全并实现民主监督之前，暂停前沿AI开发的国际草根运动。 LessWrong：由尤德考斯基等人推动形成的社区博客，讨论理性思考、认知偏差、决策与AI风险，是互联网理性主义社群的重要平台，与EA存在思想和人员上的广泛交集。 作品 Machines of Loving Grace（《充满爱意的机器》）：Dario Amodei于2024年发表的文章，讨论强大AI可能为健康、经济和社会带来的积极变化。 The Sequences（《系列文章》）：尤德考斯基关于理性思考、认知偏差、信念更新、决策和AI等问题的一系列博文，是LessWrong及理性主义社群的重要基础文本，也影响了部分EA参与者。 Rationality: From AI to Zombies（《理性：从AI到僵尸》）：以The Sequences等博文为基础编辑整理的尤德考斯基文集。 Slate Star Codex（《石板星法典》）：Scott Alexander原来的个人博客，涉及医学、科学、政治、哲学和理性思考，是理性主义社群的重要交流与阅读平台。 Ast

回顾9月，AI圈的重磅新闻一个接一个。 先是OpenAI发布GPT-6 Astra，总裁格雷格·布罗克曼在发布会上宣布：AGI已经到来。 这场发布对机器人行业的冲击，来得有些意外，一个发布会报告里只字未提机器人的通用模型，转身就空降了机器人评测榜首，甚至让很多机器人的Benchmark都失效了。有人开玩笑说：机器人领域等了这么多年的“GPT时刻”，居然是GPT自己。 同样在这个月里：Meta Muse冲上美国App Store榜首，它的竞争对手Instinct估值也涨到了100亿美元；xAI的Grok Bot也开放了企业部署；不生成文本、只给选项打概率的决策模型Jev以“系统1”走红，发布24天就融了8.7亿美元。 在AI for Science方面，Claude发现类CRISPR的新酶系统；扎克伯格夫妇资助成立的Biohub宣布将虚拟细胞计划扩大到18亿美元，这些进展又会为科学发现带来哪些改变？ 本期《硅谷101》，我们请来三位分别站在Agent、机器人和AI制药一线的研究者，聊清楚三件事：个人Agent商业化卡在哪？机器人怎么被Astra这样的底层模型冲击？AI制药真正的瓶颈是什么？ （本期节目录制于2026年9月29日） 【主播】 泓君，硅谷101创始人，播客主理人 【嘉宾】 许华哲，破壳机器人创始人、清华大学交叉信息研究院助理教授（X:@HarryXu12） 朱哲清，Pokee.ai创始人兼CEO，前MetaAI应用强化学习团队负责人，斯坦福强化学习博士（X:@ZheqingZhu） 王晟，华盛顿大学计算机学院助理教授（X:@profshengwang） 【你将听到】 00:05 新播客《消费101》上线啦！ 00:49 9月AI大事记 04:18 各领域实测Astra感受 Agent领域 09:11 生物医学“古董级软件”有了Computer Use 12:17 Computer Use是什么？与API调用的区别 15:47 Meta Muse会走Manus的老路吗？ 17:31 Meta Muse破局关键——软硬件结合 19:37 商家愿意开access，前提是确认身份 22:21 个人助手Agent新一轮烧钱获客大战 24:57 Grok Bot，“走在后面的人” 25:44 前沿Lab最烧token的是AI for Science 27:48 小模型追大模型，差距在缩小，但可能追错了benchmark 机器人领域 30:19 未来需要快决策模型 + Astra的推理能力 35:48 筷子夹小球效果：自研模型 V.S Astra 37:25 Astra冲击：利好Sim-to-Real和本体硬件 39:07 从TAMP到Agentic：机器人规划重回台前 40:19 数据标注新门槛：标注因果与直觉物理 43:06 惊艳之后，Astra也有明显短板 45:12 Jev“快系统”的潜在价值 生物医学领域 47:10 实验设计完成度只有30%，Astra缺什么？ 51:39 AI制药，离不开实验室的验证和数据积累 53:15 制药时间线：AI设计分子快，真实验证慢 55:01 从AlphaFold开源，看垂直科学公司的数据护城河 58:24 未来趋势：湿实验公司用MCP/API直连大模型 01:02:15 人类科学家的角色转向“定义问题” 01:03:47 好的benchmark，应该是无上限的 01:02:15 ART的启示：酶和蛋白质实验周期短，最先跑出来 尾声 01:07:48 “蒸馏”是否让普通人失去了价值？ 1:11:51 Agent、机器人与AI制药的核心问题 【消费101】 《消费101》是《硅谷101》团队新开设的消费垂类节目，由资深消费记者&研究员麻花担任主播，是一档提供有趣、有料、有用的消费行业观察与品牌解读的播客。每周更新，欢迎关注！ 【硅谷101听友群】 在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。 扫码加入，即刻相遇！ 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Imba Wimbo - RaFa Orchestra Signal Containment - Out To The World Flickering Torches - Christian Andersen Video Knights - Sebastian Winskog

模型在榜单上越来越强，为什么真正把工作交给AI，还是需要人反复解释、检查和兜底？ 半年前，我们与阿里国际站总裁张阔聊了Accio Work，以及Agent如何参与采购和日常经营。半年后，我们再次请到他，聊聊这半年来商家使用Accio Work的真实案例，试图回答这个问题：模型能力的提升，究竟有多少变成了商家工作里的进步？ 张阔分享，很多模型的通用评测成绩已经接近满分，但团队在真实经营中，并没有感受到同样幅度的提升。为此，他们从实际业务中整理了107个任务，包括比较供应商报价、识别钓鱼邮件、预订船期和处理交易纠纷。据他介绍，在这套特定评测中，最前沿模型在无人干预条件下的任务通过率约为61%。 这些任务没有数学竞赛那么耀眼，却直接关系到商家的成本、交期和利润。一个好用的Agent，既要能把工作做完，也要让人用得起；既要理解工具和流程，也要理解这盘生意究竟想追求什么。 这期节目，我们聊聊榜单成绩与实际交付之间的落差、通用模型与垂直产品的竞争，以及当AI接手越来越多的执行工作，人还需要保留哪些判断。 【主播】 Yiwen，硅谷101主持人 【嘉宾】 张阔，阿里国际站总裁 【你将听到】 从写代码到做生意，Agent还差什么？ 01:18 AI同事市场：编程之外，专业工作走到了哪一步？ 02:38 商业任务为什么比编程更难？ 03:48 从采购搜索到日常经营，Accio Work的任务边界如何扩展 06:12 商家案例：植物监测产品，从创意走到设计、供应链和销售 07:47 找工厂、比报价、拿样品：采购流程里，人和AI如何协作 通用模型越来越强，垂直产品还有什么优势？ 10:13 中美Agent生态的差异：垂直SaaS与平台工具 11:30 AI会替代SaaS吗？ 14:11 独立站与平台电商：不同市场如何影响产品设计 15:16 Agent公式：模型 × 工程框架 × 上下文 17:46 模型与工程联合优化，不能只等模型升级 榜单接近满分，真实工作为什么还会失败？ 20:29 107个真实任务：无人干预条件下，最前沿模型通过率约61% 24:32 报价、钓鱼邮件、订船和纠纷：怎样才算真正完成任务？ 26:33 新版本也可能退步，评测必须持续做 28:55 多平台经营：有流水，不代表有利润 32:39 产品品味、市场判断与预算分配：老板仍要做的选择 最贵的模型，不一定是最好的选择 33:44 多模型路由：如何为不同任务匹配能力与成本？ 38:05 多个Agent建议冲突，商家该听谁的？ 40:35 上云、定时任务、事件响应与长期经营，是不同的能力 43:05 CoCreate现场：商家对Agent有哪些期待？ 44:43 小企业如何借助AI，把生意做得更大 【往期相关】 E231｜从B2B到A2A：Agent新基建，如何让“一人企业”做全球生意？ 【硅谷101听友群】在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。扫码加入，即刻相遇！ 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Trace - Lennon Hutton Signal Containment - Out To The World Reclaim - Megan Wofford

这个夏天，来自全球各地的多个气象机构都拉响了同一个警报，一场史无前例的超级厄尔尼诺正在上演。 来自摩根大通的经济学家预计，全球的食品通胀将在2027年的上半年上升到5%，明显高于今年同期的2.8% 。这其中有来自霍尔木兹海峡封锁和黑海冲突的因素，也部分归因于我们正身处的这场、50年来颇为罕见的超级厄尔尼诺。 它究竟会通过什么方式影响到全球供给？它所带来的危害是否真的像媒体报道的那么大？在一次次与极端气候变化的对抗中，人们又为应对厄尔尼诺做了怎样的准备？ 【主播】 麻花，硅谷101特约研究员 【嘉宾】 张思齐，资深大宗商品期货交易员 【你将听到】 超级厄尔尼诺，如何影响农业生产 03:17 农业几多产，起决定因素的不只是气候 08:56 超级厄尔尼诺，以及它的影响边界 16:03 厄尔尼诺如何影响棕榈油、天然橡胶和咖啡豆 19:26 哪些终端商品，价格可能受到大波动 22:20 秘鲁禁捕鳀鱼，受波及的除了日料水产，还有宠物食品 25:10 都说厄尔尼诺导致减产，但也有产区因它受益 极端气候之外，生产资料的供应紧张和农民的应对之策 27:53 作物减产是否影响终端价格，还要看产区和出口集中度 29:52 推高全球粮食价格的，还有供应紧缺的氮肥 32:27 大宗商品期货交易员会有哪些工具关注气候变化 35:25 不确定性对于期货交易，究竟是好是坏 40:08 与不确定性对抗多年，农民如何应对极端气候变化 42:07 上有厄尔尼诺，下游农民活用期货 45:22 气候变化引起的出口限制，可能进一步加剧供给危机 巴拿马运河和全球铜矿的减产，厄尔尼诺要背多大的锅 47:02 极端气候带来的干旱，让巴拿马运河的运力更紧张了 50:23 全球铜矿产量下降的锅，厄尔尼诺背不了太多 56:25 做服装的人，也在厄尔尼诺面前为难了 57:41 被极端气候影响的电力、加工食品和保险行业 59:48 大宗商品交易门外汉，可以怎么观察这个行业 【延伸阅读】 《纽约时报：This Year’s Record-Breaking El Niño in 3 Charts》 NOAA: 美国国家海洋和大气管理局，隶属美国商务部。它负责监测海洋、大气和气象变化，提供天气预报、气候预测和海洋资源管理服务。 澳洲小麦升贴水（Basis）：澳洲本地小麦现货价格与国际小麦期货价格之间的差价，主要反映澳洲当地的供需、物流及汇率等因素。 【硅谷AI视频黑客松招募】 最懂内容的影视团队，与最懂AI的一群科学家，在硅谷相遇，会碰撞出如何的火花？ 今年，硅谷101把一次现场创作实验带到 Alignment 2026：STORY101 LAB — AI Storytelling Challenge。我们邀请你用AI，完成一部不超过三分钟的视频作品。 比赛设【探索组】与【专业组】双赛道，资深AI影片团队与零基础新手皆可参与。我们提供免费workshop培训，优胜者更可获丰厚奖金与千人线下展映机会。 时间：2026年10月10–11日 地点：Sunnyvale, California 报名入口：luma.com/STORY101LAB 【硅谷101年会来了，线下见】10月10日—11日，我们将在【硅谷】举办Alignment 2026年度大会，从大模型、Agent、机器人到AI Infra，从实验室里的突破，到真实世界的商业化，我们直击AI变化最剧烈的前沿。来自OpenAI、Anthropic、NVIDIA、Meta、Google DeepMind、SemiAnalysis、Cerebras等公司的研究者、创业者与投资人将齐聚现场，分享正在发生的机遇和挑战。使用折扣码【FANS15】注册，还可以获得15%折扣。 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Sucker (Instrumental Version) - Gamma Skies Mindscape - Lennon Hutton Flickering Torches - Christian Andersen Kablaam - Ealot Spring Dance - Forever Sunset Seashore - Adriel Fair

随着AI模型能力提升，训练需求更复杂，一批为模型公司提供训练数据的新公司正在快速增长：AfterQuery今年4月宣布A轮融资时，估值为3亿美元，到了9月，据媒体报道，新一轮融资已经将其估值推至32亿美元。另一家提供训练数据与智能体环境的公司Bespoke Labs，也在今年7月宣布，种子轮与A轮融资合计达到4000万美元。 虽然估值水涨船高，AI数据行业对外界来说却极其不透明。问题来了：这些公司究竟在卖什么？ 过去提到数据标注，我们容易想到给图片打标签、给模型回答打分。但随着AI从回答问题走向执行任务，数据公司的交付物也在变化：从专家写出的评分标准，到包含任务、工具和验证机制的强化学习环境。它们需要找到懂行的人，获得真实的行业资料，再把专业知识与工作经验转化成模型能够学习的训练信号。 与此同时，新的AI评测层出不穷。榜单分数提高了，究竟代表哪些能力变强了？针对评测生产数据，什么时候能改善真实用户体验，什么时候又会变成单纯的刷分？对于每天训练模型的研究员来说，他们最需要的数据，到底是什么？ 本期节目，我们邀请到在Scale AI负责后训练与评测研究的何允中，以及加州大学伯克利分校博士后、Agents’ Last Exam项目研究者孙一铀，从产业与研究两个视角，拆解这门透明度不高、又变化极快的生意。 我们聊了Scale、Mercor、Surge等数据公司的不同背景，也讨论了小团队在合成环境与垂直领域中的机会。从采购一份游戏源码，到验证专家提交的任务，再到设计让人愿意交出经验的激励机制，好数据的难点，往往藏在榜单之外。 【主播】 Yiwen，硅谷101主持人 【嘉宾】 何允中，Scale AI研究总监（后训练与评估方向） 孙一铀，加州大学伯克利分校博士后 【你将听到】 拆解数据生意和玩家 05:03 数据公司之间的区别：招聘平台、众包标注、合成数据08:27 从预训练到后训练，模型需要的数据发生了哪些变化？09:32 Rubric数据：把专业判断变成评分标准10:46 强化学习（RL）环境：从回答问题到动手干活12:18 从 vibe coding 到 vibe everything：详解Agents’ Last Exam 14:10 游戏好不好玩、作品好不好看，主观判断能被量化吗？17:33 Rubric 与环境如何配合：人与Agent协作 评测与模型真实能力 20:05 从做评测到卖数据：benchmark的生意 23:25 什么样的评测值得刷？核心能力与真实场景27:29 没上热门榜单的评测，也可能带来真实的数据需求31:39 模型公司如何权衡内部评测、公开榜单与用户反馈 什么是好数据：采购、版权与小众行业工作流 33:30 两三个人的数据创业公司，为什么也能找到机会？38:56 模型越来越会自己造数据，外部供应商的机会还能持续多久？40:48 模型公司为什么仍然需要外部数商？研发周期与行业采购的难题 有了数据，之后呢？ 44:04 数据买回来之后怎么用？从 SFT、强化学习到模型训练模型47:03 训练数据不是越难越好：为不同模型匹配难度与解题轨迹48:22 SWE-bench Verified 的争议：测试缺陷与数据污染50:04 专家交来的数据也可能造假，如何验证真实的工作过程？54:03 数据行业的下一步：收购企业、获取数据，还是持续投入研发？ 【感谢科沃斯对本期节目的大力支持】 这期我们聊了很多验证和评测：写代码跑一遍沙盒就知道对错，家务却是每天都在变的开放任务，对机器人来说，真实家庭环境就是最严格的评测现场。 科沃斯在服务机器人领域已扎根28年，连续11年稳居国内线上扫地机器人销售额第一，产品销售全球150多个国家和地区，拥有超过1200项全球专利。 从全能清扫的扫地机器人，到解放高空与双手的擦窗机器人，再到割草、泳池清洁，科沃斯让每个场景都有对应的专职选手，为人清空琐碎，让生活的每一刻都“无难事”。 数据来源：北京奥维云网大数据科技股份有限公司；统计时间：2015年-2025年；统计范围：中国扫地机器人市场全渠道(线上、线下)监测数据 欢迎了解更多 复制淘口令打开淘宝： 48￥ CZ001 mBdFTN9ipmh￥ https://m.tb.cn/h.8EbY9YU 【新品】科沃斯X12S PRO扫地机器人滚筒活洗3.0全自动扫拖一体 京东链接：u.jd.com/4Dcd3RZ 本期福利：下单备注【硅谷101】额外加赠抗菌滚筒拖布一个 把家务交给科技，享受属于你自己的惬意生活吧！ 【硅谷AI视频黑客松招募】 最懂内容的影视团队，与最懂AI的一群科学家，在硅谷相遇，会碰撞出如何的火花？ 今年，硅谷101把一次现场创作实验带到 Alignment 2026：STORY101 LAB — AI Storytelling Challenge。我们邀请你用AI，完成一部不超过三分钟的视频作品。 比赛设【探索组】与【专业组】双赛道，资深AI影片团队与零基础新手皆可参与。我们提供免费workshop培训，优胜者更可获丰厚奖金与千人线下展映机会。 时间：2026年10月10–11日 地点：Sunnyvale, California 报名入口：luma.com/STORY101LAB 【硅谷101年会来了，线下见】10月10日—11日，我们将在【硅谷】举办Alignment 2026年度大会，从大模型、Agent、机器人到AI Infra，从实验室里的突破，到真实世界的商业化，我们直击AI变化最剧烈的前沿。来自OpenAI、Anthropic、NVIDIA、Meta、Google DeepMind、SemiAnalysis、Cerebras等公司的研究者、创业者与投资人将齐聚现场，分享正在发生的机遇和挑战。使用折扣码【FANS15】注册，还可以获得15%折扣。 【相关阅读和名词解释】 Rubric（评分标准）：针对具体任务制定的一组评价条件，用来判断回答或工作成果是否达到要求。它可以包含正确性、完整性、指令遵循等维度，也可以融入专家判断。 RL Environment（强化学习环境）：让模型通过行动和反馈进行学习的环境。在本期讨论的Agent训练中，通常包括任务、可操作的软件与工具，以及判断任务是否完成、完成质量如何的验证和奖励机制。 Benchmark（评测基准）：通过一组任务与评价规则，衡量模型或智能体在特定能力和场景中的表现。评测数据与训练数据需要保持适当隔离，才能有效检验模型面对新问题的能力。 Reward Hacking（奖励投机）：模型利用评分机制的漏洞获得高分，却没有真正完成预期任务。例如，绕过正常操作修改结果，让验证程序误以为任务已经成功。 Agents’ Last Exam（ALE）：由Berkeley RDI与行业专家共同构建的智能体评测项目，关注具有经济价值、需要多步骤执行且结果可验证的专业任务。 Humanity’s Last Exam（HLE）：由Center for AI Safety与Scale AI共同组织推出的评测，覆盖数学、人文、自然科学等领域的高难度专家问题。 SWE Atlas：Scale推出的软件工程智能体评测套件，覆盖代码库问答、测试编写和代码重构。 SWE-bench Verified：经过人工审核的软件工程评测，让模型修复真实开源项目中的问题。OpenAI于2026年2月宣布停止报告其分数，指出测试设计缺陷与数据污染影响了它衡量前沿模型能力的有效性。 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Mindscape - Lennon Hutton Light-Footed - Bonnie Grace Smiling Neighborhood - Claude Signet Ruffles and Rust - Fabien Tell Reclaim - Megan Wofford

【本期节目由Eight Sleep赞助播出】 在这个健康意识崛起的时代，我们越来越愿意花大价钱管理自己的身体。睡眠，就是其中最重要的方面之一。 与手表、戒指等可穿戴设备不同，Eight Sleep的产品是一张能够自动控温的智能床套。马斯克、扎克伯格、Bryan Johnson、Sam Altman，都是它的用户。多名职业运动员，也习惯带着它去比赛。这张售价约两万元的智能床套，究竟替我们做了什么？ 这期播客，我们邀请了Eight Sleep的两位创始人，Matteo Franceschetti和Alex Zatarain，聊聊睡眠科技和文化。 他们说，现代人已经熟悉了各项睡眠指标，例如深度睡眠、REM、HRV。但Eight Sleep想要更进一步：在人们熟睡时，根据身体的变化，自动调整床面温度、床体高度，让技术在你毫无知觉的时候工作。 这张床套背后，也是一家消费硬件公司十多年的摸索。从拆开电热毯做原型机，到众筹卖爆却发现卖一台亏一台；从搬到中国学习制造，到反复经历现金流危机，创始人踩了很多坑，才慢慢探索出令人满意的产品形态。 今年4月，Eight Sleep进入中国。消费竞争激烈的中国市场，反而是他们增长最快的一个。一张床套卖两万人民币，Eight Sleep如何解释自己的定价？进入全球35个国家，这家公司从上百万用户身上学到了什么？ 我们也聊到伴侣之间的温差、孕期与产后的睡眠变化，以及他们更远的野心：从改善睡眠，走向健康异常预警和预防医疗。最后，我们还是回到那个最朴素的问题：究竟怎么才算睡个好觉？ 本期节目由Eight Sleep赞助播出。访谈使用英文进行，播客采用中文配音。我们也将原版的英文访谈制作成了视频播客。如果想要收听原版，可以在硅谷101播客的B站或YouTube账号上收看本期节目。 【主播】 Yiwen，硅谷101主持人 【嘉宾】 Matteo Franceschetti，Eight Sleep联合创始人、CEO Alex Zatarain，Eight Sleep联合创始人、CMO 【你将听到】 00:05 一张被马斯克搬进办公室的床套 04:51 从追踪到干预：一张床套想替你做什么？ 07:43 从“不睡觉”到 sleepmaxxing，睡眠文化的十年转向 12:04 看了那么多睡眠分数，然后呢？ 14:16 睡眠数据里，有哪些预测疾病的信号 14:46 为什么最终选择床套，而不是床垫或可穿戴设备？ 16:15 把液冷系统搬上床，解决伴侣之间的温差之争 20:38 孕期、产后与更年期：被忽视的女性睡眠需求 24:46 数据与自研传感器：哪些积累难以复制？ 25:34 治疗癌症？从睡眠监测到预防医疗 30:22 消费硬件创业：制造、成本与现金流的现实考验 31:47 搬到中国学制造：从原型机到量产，没有捷径 35:49 中国成为增长最快的市场，哪些反馈超出了预期？ 38:30 两万元的床套怎么定价？“我们还在 Model S 阶段” 42:05 带着床套跑遍赛场，职业运动员在意什么？ 43:56 旅行、时差与轮班：作息不固定，如何安排睡眠？ 47:25 更多产品、更多国家，Eight Sleep的下一步 58:15 温控原理：人们一整晚的温度需求为何不同？ 50:42 两万元买一晚好觉，你觉得值得吗？ 【试睡感受】 在使用Eight Sleep的几个月里，我亲身感受到了合适的温度对睡眠的重要性。除此之外，Eight Sleep每天早上会发送一段前一晚的睡眠总结，并给出怎么做能睡的更好的建议。 现在在国内购买Eight Sleep产品，除赠送长期有效的Autopolit标准版订阅之外，还有硅谷101听众专属的1200元优惠券 天猫优惠券：https://tinyurl.com/2ygrtcwm 京东优惠券：https://tinyurl.com/2bowz7js 或联系店铺客服报暗号【硅谷101】领取； 海外听众可在eightsleep.com使用SV101 折扣码，获得200美元优惠。 【硅谷101年会来了，线下见】  10月10日—11日，我们将在【硅谷】举办Alignment 2026年度大会，从大模型、Agent、机器人到AI Infra，从实验室里的突破，到真实世界的商业化，我们直击AI变化最剧烈的前沿。来自OpenAI、Anthropic、NVIDIA、Meta、Google DeepMind、SemiAnalysis、Cerebras等公司的研究者、创业者与投资人将齐聚现场，分享正在发生的机遇和挑战。  使用折扣码【FANS15】注册，还可以获得15%折扣。 【监制】 泓君 【后期】 Amei 【配音】 daniel大牛 如蓝 【运营】 朱婕 【BGM】 Dangerous Fling - Alexandra Woodward Dusk Movers - Alexandra Woodward Gossip Talk - Arthur Benson City Phases STEMS INSTRUMENTS - John Abbot Flickering Torches - Christian Andersen The Secret Spring - Helmut Schenker None of My Business - Arthur Benson Short Circuit - Ryan James Carr

本期节目来自2026 Inclusion·外滩大会主论坛圆桌——“当Agent成为交易主体”。 Agent的爆发不止于应用层，当应用不断涌现，底层的交易和支付方式也在被重写。今年的AI交易正沿着两条线同时展开：一条是Agent帮人完成任务，比如今年6月上线的AI版支付宝，一句话就能打车、点咖啡；另一条是Agent-to-Agent，比如两个月前，Mastercard发布了专为机器间支付设计的网络服务。 当Agent从对话走向办事、从推荐走向交易，“信任”成了绕不开的关键词。它替你花出的每一分钱，都真的经过了你授权吗？发起交易的Agent究竟是谁？它的支付权限有多大？出了问题又该由谁负责？这些围绕授权、身份、权限、责任的一个个问题，决定了我们距离“钱包交给AI”有多远。 【主播】 泓君，硅谷101创始人，播客主理人 【嘉宾】 韩歆毅，蚂蚁集团CEO Jorn Lambert，万事达卡首席产品官 刘作虎，OPPO高级副总裁兼首席产品官 周靖人，阿里巴巴集团首席科学家 （Jorn Lambert先生的发言为后期中文配音呈现） 【你将听到】 04:25 “先有鸡还是先有蛋”：智能体商业为什么卡住了 06:26 当Agent开始交易，支付网络一切都要彻底重写 10:15 手机将成为意图入口、个人智能和主动智能 12:34 模型还缺什么？长期上下文、提问能力与可靠执行 16:00 信任基建：授权、身份、KYA、资金安全与可追溯 19:59 手机厂商视角：能力信任、风险信任与A2A行为规范 22:55 “普拉提课测试”，授权、沙箱与安全执行 26:03 未来5年新商业机会：800亿Agent的商业想象 28:44 一杯咖啡怎么选出来？大模型推荐机制拆解 30:36 未来20年，手机仍是最核心设备吗 31:15 A2A商业，海量微交易所需的支付轨道 【硅谷101年会来了，线下见】10月10日—11日，我们将在【硅谷】举办Alignment 2026年度大会，从大模型、Agent、机器人到AI Infra，从实验室里的突破，到真实世界的商业化，我们直击AI变化最剧烈的前沿。 来自OpenAI、Anthropic、NVIDIA、Meta、Google DeepMind、SemiAnalysis、Cerebras等公司的研究者、创业者与投资人将齐聚现场，分享正在发生的机遇和挑战。 报名入口： 【硅谷101听友群】在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。扫码加入，即刻相遇！ 【监制】泓君【后期】Amei【运营】朱婕【BGM】Still Waiting For You STEMS INSTRUMENTS - Wave SaverSeven Daughters - Fabien TellReclaim - Megan

过去几年，推理消耗的Token爆炸式增长，Token经济随之成型，推理专用芯片也持续升温：去年年底，英伟达以约200亿美元对AI芯片初创公司Groq进行“收购”（acqui-hire）；做晶圆级“大芯片”的Cerebras今年6月IPO，市值达到670亿美元；OpenAI联手博通，推出了首款自研推理芯片Jalapeño，从设计到流片仅用了9个月——加上我们之前聊过的谷歌TPU，推理芯片牌桌上的玩家越来越多。 这场推理芯片大战中，各家真正比拼的是什么？为什么走向了不同的技术路径？推理芯片未来又会向什么方向收敛？ 本期硅谷101，我们请来两位AI芯片创业者，逐一拆解这些热门推理芯片在技术路径上的取舍与得失。其中嘉宾Mark是英伟达首席科学家Bill Dally的学生。Bill Dally是现代GPU并行架构最重要的奠基者之一。我们也借由Mark的视角，去了解这位芯片大师是如何思考问题和看待创新的。 【主播】 泓君，硅谷101创始人，播客主理人 【嘉宾】 Mark，AI芯片创业者 徐子扬，AI芯片创业者 【你将听到】 Groq、Cerebras技术路线 04:17 为什么训练看算力，推理看带宽 14:13 SRAM、DRAM、HBM的优劣 16:39 Groq和Cerebras的技术路径选择 19:34 Groq：确定性、静态编译调度，动态性不足 25:18 Cerebras 的软肋：良率、成本与系统适配 32:32 英伟达为什么要acqui-hire Groq 33:58 “推理时代，Cuda一定会被绕过” 推理时代芯片护城河 39:19 两位芯片创业者的SRAM推理芯片方案 41:07 最重要的指标：速度、性价比、耗电量 44:25 速度越快，AI越聪明 49:04 面对模型迭代，抓住“不变量” 54:15 消失的算力：为何芯片利用率跑不满 58:27 芯片设计全流程：需求、架构、RTL、验证、后端、流片、封装测试、良率、交付 01:01:16 国内优势：供应链+基础设施+开源生态 01:03:17 创业者做芯片，如何和模型厂商竞争 Bill Dally芯片设计哲学 01:05:17 为未来AI补齐强逻辑 01:09:40 “一切围绕局部性展开” 01:11:43 跳出local minimum，必须想清楚牺牲什么 01:13:03 Bill给学生的创业建议 01:14:47 亚马逊的工程哲学 OpenAI自研推理芯片解析 01:17:30 Jalapeño：通用芯片，低能耗，9个月流片 01:20:10 选择HBM4，不缺钱，但缺电 01:24:15 SRAM优势还能保持多久 01:27:03 芯片内异构，暗硅，另一种路径 【硅谷101年会来了，线下见】 10月10日—11日，我们将在【硅谷】举办Alignment 2026年度大会，从大模型、Agent、机器人到AI Infra，从实验室里的突破，到真实世界的商业化，我们直击AI变化最剧烈的前沿。来自OpenAI、Anthropic、NVIDIA、Meta、Google DeepMind、SemiAnalysis、Cerebras等公司的研究者、创业者与投资人将齐聚现场，分享正在发生的机遇和挑战。 报名通道： 【相关阅读和名词解释】 Prefill / Decode：大模型推理的两个阶段。Prefill（预填充）一次性并行处理完整输入提示词，生成KV缓存和第一个Token，是计算密集型，瓶颈在算力；Decode（解码）基于KV缓存逐个自回归生成后续Token，是内存带宽密集型，每生成一个词都要把整个模型权重从存储读到计算单元。 KV Cache（键值缓存）：是注意力机制中的中间计算结果，避免每次生成新Token时重复计算历史Token的键值向量。当新请求与之前处理过的内容有相同前缀时，可直接复用已有KV Cache，称为“缓存命中”。 Attention / FFN：Transformer架构的两个核心模块。Attention（注意力机制）负责“找关系”，让每个Token关注序列中其他Token的信息，参数量较小但计算模式随上下文长度变化。FFN（前馈网络）负责“加工信息”，独立处理每个Token，参数量极大，是模型静态权重的主要部分。 SRAM / DRAM / HBM：SRAM用6个晶体管存1bit，延迟仅0.3-3ns，带宽性价比极高，但容量极小。DRAM用1晶体管+1电容，容量大、成本低，但延迟50-100ns且需刷新。HBM本质是3D堆叠的DRAM，通过超宽总线实现高带宽，容量较大但成本高，且市场上极度缺货。 Kernel（算子）：连接AI算法与芯片硬件的“翻译官”，将矩阵乘法、注意力等算法操作转化为硬件可执行的指令。算子开发属于内核级编程，直接决定模型的推理速度、能耗和芯片兼容性。 系统级异构：指在系统层面组合不同类型的计算芯片（如GPU、SRAM推理芯片、专用加速器），用最合适的硬件做对应部分的应用，而非用一颗芯片包揽所有工作。OpenAI Jalapeño则选择将异构收进单颗芯片内部。 流片（Tape Out）：指芯片设计完成后，将电路版图数据交给晶圆厂进行实际制造的过程。晶圆厂据此制作掩模（Mask），再通过光刻等工序生产芯片。流片成本极高，先进制程一次可达数百万美元，且若设计有误，整批芯片可能报废。 【硅谷101听友群】在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。扫码加入，即刻相遇！ 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Still Waiting For You STEMS INSTRUMENTS - Wave Saver Seven Daughters - Fabien Tell Reclaim - Megan

2026年8月，Moderna与默沙东联合开发的个体化mRNA肿瘤疫苗公布三期临床积极结果，Moderna股价一度暴涨177%。这不是一款预防癌症的疫苗，而是一种为患者量身定制的治疗性疫苗。“一人一药”，似乎正在离现实越来越近。 这期视频，我们邀请到艾博生物创始人、CEO英博博士，他曾在Moderna从事mRNA相关的核心研发。我们从这次三期临床结果出发，拆解个体化肿瘤疫苗究竟如何工作、为什么要与PD-1联合使用，以及它真正证明了什么、还有哪些问题没有被证明。我们也会聊到Moderna、BioNTech以及中国公司正在探索的不同技术路线，以及“一人一药”背后真正困难的制造、自动化、成本与监管问题。肿瘤疫苗为什么研究了二三十年，直到今天才跨过这道关键门槛？AI究竟能在新抗原预测和疫苗设计中解决多少问题，它真的能让肿瘤疫苗变成一个“软件问题”吗？如果每位患者都需要一支不同的药，这套系统又如何服务成千上万甚至更多患者？我们距离“为每一个癌症患者定制一支疫苗”，究竟还有多远？ 【主播】Yushan，硅谷101特约研究员【嘉宾】英博博士，艾博生物创始人、董事长兼CEO 【你将听到】02:41 从Moderna到创业，英博博士与mRNA08:57 Moderna三期，到底突破了什么14:09 “一人一药”如何让免疫系统治疗癌症18:14 制药“噩梦”：4-6周造出一支专属疫苗24:42 未来肿瘤治疗：手术刀＋疫苗＋PD-127:57 34个新抗原“撒网”与肿瘤“逃逸”31:39 黑色素瘤之后，下一个是谁？38:12 技术路线：中国肿瘤疫苗走到了哪一步？45:04 肿瘤疫苗会比CAR-T更安全吗？50:14 成本：“做大容易，做小难”54:01 “AI离开自动化，就是空谈”59:19 AI如何应用于肿瘤疫苗的研发与制造？01:01:26 LNP：AI还算不动的“难题”01:06:04 “一人一药”怎么监管？01:09:24 为什么肿瘤疫苗等了几十年 【2026 外滩大会】2026 Inclusion·外滩大会将于2026年9月9日-12日在上海黄浦世博园区举行。外滩大会是全球高级别前沿科技与金融科技盛会，本届大会还设置了超现实AI音乐会、科技展、创投meetup等趣味环节，活动免费，名额有限，先到先得。 - 外滩Token效率论坛注册报名 jzj.ca/r/101 - 更多论坛信息即将公布，请关注外滩官网 ada.nz/r/101 【延伸阅读与相关术语】 核酸药物 以DNA、RNA或其类似物为核心的一类药物，通过补充、调控或沉默遗传信息来治疗疾病。mRNA、小核酸等都属于核酸药物。小核酸 通常指较短的寡核苷酸药物，多通过与目标RNA配对，调控或抑制特定基因的表达。mRNA通常不归入“小核酸”范畴。mRNA（信使核糖核酸） 可以理解为细胞里的临时“蛋白质生产指令”，把遗传信息交给细胞的蛋白质合成系统，指导制造特定蛋白。个性化肿瘤疫苗 根据每位患者自身的肿瘤突变“量身定制”疫苗，训练免疫系统识别并攻击其肿瘤。它属于治疗性疫苗，不是给健康人预防癌症的疫苗。CMC Chemistry, Manufacturing and Controls，药物的工艺开发、生产与质量控制体系，决定一种药能否稳定、合规地从实验室走向临床和商业化。核酸递送 把核酸药物安全、稳定地送进目标细胞，并在正确位置释放。由于RNA本身容易降解、也很难直接进入细胞，递送是核酸药物的核心技术之一。LNP（脂质纳米颗粒） 由多种脂质自组装形成的纳米级载体，可以理解为mRNA的“运输胶囊”：包裹并保护mRNA，帮助它进入细胞。GalNAc N-乙酰半乳糖胺，一种能“精准找到”肝细胞的糖分子，常与小核酸连接，用于实现肝脏靶向递送。三期临床试验 药物上市前最关键的大规模验证阶段之一，通常用于进一步确认疗效和安全性，并与现有治疗或对照方案进行比较。PD-1（程序性死亡受体 1） 位于 T 细胞表面，可以理解为免疫系统的“刹车”。很多肿瘤细胞会在表面表达 PD-L1，与 T 细胞上的 PD-1 结合后，传递抑制信号，从而降低它的活性，借此逃避免疫系统的追杀。抗 PD-1 药物通过阻断这条通路，让免疫系统重新攻击肿瘤。RFS（Recurrence free survival）无复发生存期，通常指治疗或手术后，到肿瘤复发或死亡的时间。免疫原性 一种物质激发人体免疫反应的能力。疫苗通常希望产生足够强的免疫原性。免疫耐受 免疫系统对某种抗原“不攻击”或反应较弱的状态。肿瘤可以利用这种机制逃避免疫系统的清除。Neoantigen 新抗原，肿瘤细胞发生基因突变后，会制造出一些正常细胞里没有的蛋白质。免疫系统有机会把这些“从没见过的蛋白质”识别为异常，并攻击产生它们的肿瘤细胞。In Vitro Transcription（IVT） 体外转录，以DNA为模板，在无细胞体系中合成mRNA，是目前mRNA药物生产中的核心步骤。SOC（Standard of Care） 标准治疗，即当前临床上普遍认可、常规采用的治疗方案，也是新疗法常用的比较基线。DC疗法 又称树突状细胞疗法，通常把患者自身的树突状细胞取出，在体外加载肿瘤抗原后再回输，用它们“教会”T细胞识别并攻击肿瘤。Off-the-shelf 现货型疗法，固定配方、可以提前批量生产，并用于多个符合条件的患者；相对的是“一人一药”的个性化治疗。Driver Mutation 驱动突变，能够直接推动肿瘤发生、生长的关键基因突变。并不是所有肿瘤突变都是驱动突变。 这里后面提到的 EGFR、KRAS，都是常见的肿瘤驱动基因。CAR-T 把患者的T细胞取出，在体外进行基因改造，让它们拥有识别特定肿瘤抗原的“雷达”，再回输患者体内杀伤肿瘤。CRS 细胞因子释放综合征，免疫细胞短时间内被大量激活并释放细胞因子，引发发热、低血压等全身炎症反应，是CAR-T等免疫疗法的重要副作用之一。可电离阳离子脂质 LNP最关键的成分之一。在生理环境下大多接近中性，进入细胞内的酸性环境后会带正电，从而帮助mRNA释放到细胞质，同时降低毒性。pre-F 融合前F蛋白，RSV的F蛋白在病毒与细胞融合之前的结构状态，是RSV疫苗非常重要的抗原靶点；针对pre-F可以诱导较强的中和抗体反应。 【监制】泓君【后期】Amei【运营】朱婕【BGM】Spring Dance - Forever SunsetMindscape - Lennon HuttonHigh 118 - Wendel SchererRadar Focus - Blue SagaUnfinished Stories - Lennon Hutton

去年年底，硅谷掀起了一股风潮——“Token Maxing”（最大化token使用量），科技公司创始人和工程师们争相晒出账单，比谁家Token消耗更吓人，以此彰显对AI的全力押注。但到了今年年中，成本失控和虚假生产力让这场烧钱竞赛到达了转折点。Uber在四个月里烧穿了全年的AI预算，Meta被迫给员工设定token使用上限，一些公司会提醒员工使用AI的时候注意成本。大家开始认真思考：如何更经济地使用Token？这期节目的嘉宾黄东旭，就是Token Maxing热潮的亲历者。他曾经每天烧掉三四百美元，只用最前沿的模型。让他逐渐转变的，是中国开源模型们的崛起，大量的日常任务都可以做到“只烧电费，不烧Token”。他的结论是：不是前沿模型用不起，而是本地开源模型底座+前沿模型的搭配，成本可控，更具性价比。我们聊了这半年Agent产品的进化史——从OpenClaw，到Hermes，到Agent蜂群的智能涌现潜力，Agent消耗Token的趋势不会停止，未来还会有更复杂的A2A网络。亲历了互联网、移动互联网、AI三波浪潮的张宏江认为，Token Maxing折射出的是所有人在面临AI浪潮时的不知所措，AGI奇点已经到来，现在做Agent是好时机，但关键是：别做容易被大模型碾压的应用。 【主播】泓君，硅谷101创始人，播客主理人 【嘉宾】张宏江，Llama Ventures高级技术合伙人，美国国家工程院外籍院士，北京智源人工智能研究院（BAAI）理事长，源码资本合伙人，曾任微软亚洲工程院院长、微软亚太研发集团首席技术官、北京金山软件有限公司首席执行官黄东旭，Llama Ventures合伙人，PingCAP CTO&co-founder 【你将听到】04:55 Token maxing，是泡沫吗？09:52 亲身体验：只选最强最贵，日烧四五百美元14:15 OpenClaw：从研究到工程的转折点20:31 龙虾退潮：“普罗米修斯”完成了使命23:09 Hermes：把成功经验沉淀成Skill30:09 “Agent动力学”：七嘴八舌烧Token换深度35:12 智商碾压：Fable 5一次搞定复杂任务37:20 本地开源模型经济账：每天电费1美元43:42 Token消耗不会停，更复杂的网络还在后面52:36 现在做Agent创业是好时机吗？看好toB和infra01:03:24 彩蛋：“办公室政治”和超预期行为01:15:30 IQ测试已超人类，AGI奇点已来01:18:19 新问题：当新岗位也不再需要人，人类如何自处？ 【9月6日·成都 泓君线下开麦】华夏基金携手小红书小红点计划，共同推出「红火开麦日2.0」线下活动，以「发现身边的ETF经济学」为主题，从身边小事发现经济趋势，捕捉藏在日常里的投资灵感。9月6日，成都·蔚蓝湖滨艺术中心，泓君将与华夏基金数量投资部总监荣膺一起，聊聊普通人如何被卷入全球AI定价战。活动免费，名额有限，扫码即可报名，期待与你线下相见！ 【监制】泓君【后期】Amei【运营】朱婕【BGM】Impossible Theory - Rachel SandyMindscape - Lennon Hutton

不久前，我们聊了硅谷最火的新职位FDE（前线部署工程师）。硅谷的逻辑是，AI要进企业，就要开行业最高的薪资，派一批最聪明的人驻扎进去。但这件事在中国，还是同一个剧本吗？我们邀请到阿里巴巴集团副总裁、瓴羊CEO朋新宇。他是阿里数据中台方法论的创立者，他的团队做这件事已经5年，比“FDE”这个词流行起来还要早。在AI浪潮到来之后，他们发布企业级Agent平台：AgentOne。他们的做法很不“硅谷”，不接定制化的大单，不做1000人天的驻场开发。他们找的是企业里最耗人、最耗钱、最耗时的环节，把预设好的agent接入企业私有数据，去解决真实的业务难题。举例来说：一个催发货流程，客服agent需要跑通260步流程；一个顶级人类投手，90天内调价10000次，AI要学会这10000次调价背后的决策逻辑，这背后靠的是团队配合和工程化的推进。在朋新宇讲述中，没有全能型的个人英雄，也没有对SOTA模型的迷信。“企业算得过来账，背后用什么token，老板不会在乎”。务实，算账，打地基，这就是FDE在中国的故事。 【主播】泓君，硅谷101创始人，播客主理人【嘉宾】朋新宇（花名小芃），阿里巴巴集团副总裁，阿里瓴羊CEO 【你将听到】01:48 硅谷的风向变了：AI战场从C端回到B端06:33 一个“催发货”背后藏着260步流程12:30 90天调价一万次，AI向最优秀的投手偷师19:39 为什么顺利的部署都是“自上而下”25:07 做标准化增长agent，跟Palantir反着走？31:14 销售Agent实战：从最落后区域到销冠36:06 部署周期：1/3熟悉岗位，1/3做建模，1/3调教AI42:36 FDE团队画像：BA定方向、AI架构师选模型、业务首席当教练47:00 Token成本，模型策略，“账算得过来”最重要53:28 中美FDE对比：信息化地基、付费习惯、工作方向58:03 人才观：懂AI、懂业务、懂数据 【监制】泓君【后期】Amei【运营】朱婕【BGM】What We Discovered - Philip AyersSignal Containment - Out To The World

这期播客的嘉宾是盛颖，xAI前推理团队负责人、开源推理引擎SGLang发起人及RadixArk联合创始人/CEO。在开源模型集中爆发之际，盛颖在AI Infra（基础设施）领域的研究和贡献非常核心。她将AI Infra描述为“浪漫的关系”，是产品本身，需要有“美感”。由此，我们走进盛颖的世界。她曾经想成为一个数学家，沉浸在一个确定、纯粹、仿佛“与世界无关”的世界里。但从哥大到斯坦福，从形式化验证到 AI Infra，盛颖一路经历的并不是外界看到的连续发顶刊的高光，背后是不为人知的寻找方向、迷茫、停滞、低谷和重新出发。她逐渐意识到，自己无法勉强去做一件不感兴趣的事；只有真正被一个问题吸引，她才能进入高度专注的状态，并把它做到极致。SGLang，是这条研究路径的集大成者。它从一个学术项目成长为面向真实生产环境的开源推理引擎，也把盛颖从研究者带进了更复杂的工程、组织与产业世界。在早期的xAI，她获得了难得同时存在的“support”和“freedom”，参与搭建生产级推理系统。但随着SGLang社区迅速扩张，仅靠开发者在业余时间维护，已经无法支撑项目继续向前。为了让这件事真正走下去，她选择离开xAI，创立RadixArk。这期节目，我们从盛颖眼中的数学之美、论文和低谷聊到SGLang、xAI与RadixArk，也聊一个人如何逐渐理解自己的天性，并决定不再与之对抗。盛颖说，她在乎的不是“making impact”，而是那些她认为正确的事情，最终有没有发生。从“世界与我无关”，到“想要构建那个跟强力AI共存、且人类不会输的未来”，这，是盛颖的故事。 【主播】陈茜，硅谷101联合创始人【嘉宾】盛颖，RadixArk联合创始人&CEO，xAI前推理团队负责人、开源推理引擎SGLang发起人 【你将听到】02:16 违约金、纽约与数学之美：“世界与我无关”16:06 顶刊、低谷期与甄嬛传：“世界又与我有关了”26:01 谷歌实习：最早的“AI for code”31:54 Databricks：人生导师Ion Stoica与“making impact”价值观 34:37 xAI：拥有“support”和“freedom”的美好v1.0时代44:07 RadixArk：“两个月也等不了”48:07 Two Sigma：“有组织的公司”应该有的样子51:10 SGLang：“AI Infra是浪漫的”01:15:29 SandHill Road的套路与规则01:19:33 “养大我”的开源生态01:27:03 LMSYS：平等、平权，以及“她赢了，不需要被解释”01:37:42 “世间的美好是存在的” 【硅谷101正在招聘】 《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！ 【监制】泓君【采访】陈茜【后期】Frentee Jacob Amei【运营】朱婕【BGM】The Hoover Dam - Bonnie GraceSpring Dance - Forever SunsetCuriosity Cabinet - Mike Franklyn

7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准MIT/Apache 这类完全开放的OSI license。 【主播】 Yiwen，硅谷101特约研究员 【嘉宾】 王铁震，Hugging Face前亚太生态负责人 Keith Zhai，TinyFish联合创始人 【你将听到】 中国开放模型，硅谷怎么看？01:45 Kimi K3为什么突然成为硅谷关注的焦点？03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化06:51 企业为什么开始转向中国模型10:23 中国开放模型推理成本蒸馏争端始末13:24 蒸馏争议：到底什么是蒸馏？17:22 K3是否可能在短时间内蒸馏最强闭源模型？19:48 蒸馏能解释模型的核心能力吗？开放模型对闭源商业模式的影响23:54 K3 License与开放模型商业化34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？37:39 英伟达为什么支持开放权重43:41 中国公司为什么选择开放强大的开放能力下，Agent生态如何变化？45:04 Thinking Machines为什么开放权重？48:39 开放模型催生的新生态48:43 OpenRouter等多模型平台为什么开始受益？49:56 对Agent产品和基础设施的影响开放模型的安全之争55:40 接近前沿的模型，到底应不应该开放权重？01:04:01 开源和闭源模型，谁更容易被滥用？ 【相关术语】 开放权重（Open Weights）：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。 开源模型（Open-Source Models）：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。 思维链（Chain of Thought）：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。 规模扩展效率（Scaling Effiency）：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。键值缓存（KV Cache）：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。 【硅谷101正在招聘】 《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！ 【监制】 泓君 【后期】 Amei 【运营】 朱婕 【BGM】 Kablaam - Ealot Flickering Torches - Christian Andersen Radar Focus - Blue Saga Pulse Runner - Helmut Schenker

当你觉得AI“懂你”的那一刻——精准抓住一个你自己都没说清的情绪，问出一个让你陷入沉思的问题——你以为那来自数据中心的芯片、模型里的参数、程序员敲下的代码，但真相是，那些问进你心坎里的问题、让你会心一笑的遣词造句，背后站着一群人：他们曾是记者、编辑和纪录片导演，如今藏在大语言模型之后，有一个鲜为人知的名字——内容工程师（Content Engineer）。当模型能力日益趋同，真正决定用户去留的，已不再是参数，而是它能否让人觉得“懂我”。那些“只可意会、不可言传”的语感与共情，正被一群文字工作者拆解成一套可以装进AI的规则。本期《硅谷101》播客，我们邀请到两位从新闻业转身的资深内容工程师——前媒体人、播客《行星酒馆》主播东尼，与NBCUniversal AI战略总监Bianca，深入探讨：什么才算“好”的对话，以及如何把它拆解成可量化、可训练、可评估的工程标准。我们从这个正在各家AI公司裂变扩张的新兴岗位聊起，看看当模型能力逐渐拉平，内容与品味如何成为产品竞争力的关键，而懂人文、懂社科的判断力，又该如何翻译成工程能用的语言。 【主播】Faith静远，硅谷101特约研究员 【嘉宾】Tony Lin，人工智能实验室模型设计负责人，《行星酒馆》主播Bianca Consunji，NBCUniversal AI战略总监  【你将听到】02:54 内容工程师是什么？05:55 内容工程师如何拆解好内容10:42 如何训练AI理解提问者的言下之意13:42 内容工程师如何“翻译”语言和文化16:45 新闻训练和AI对话训练都需要给到“上下文”18:42 语境破碎：AI和“网络互喷”的相似之处19:59 记者和内容工程师的技能重合点23:44 一篇爆火文章背后，文科生的AI恐慌26:45 基于共识训练出来的AI，不会产生伟大的艺术28:56 媒体影视从业者失业，罪魁祸首是AI吗？31:37 东尼如何在养病期间做出震惊谷歌的voice agent 37:02 AI谄媚是产品设计问题，本质是人想要的太多了39:20 人除了智商情商，还会需要“AI商”43:33 职业价值迁移：“曾经我出卖成果，现在我展示过程” 【延伸阅读和相关术语】 系统提示词（System Prompt）：写给模型、用于设定其身份、语气与行为边界的底层指令。本质是一种既要有创造力、又要让模型"听得懂"的技术性写作，是内容工程师的核心工作之一。 少样本示例（Few-shot Example）：在与模型交互时，随机提供几条相关案例作为参考，让模型据此理解"什么是好问题、好内容、好语气"的方法。 语音智能体（Voice Agent）：能够以语音方式进行多轮对话的AI智能体，相比文本交互更强调对话的流动感与自然度。 多轮对话（Multi-turn Conversation）：用户与AI连续来回交互的对话形式，通常是AI的弱项。当缺乏足够上下文时，AI会不断"脑补"，答案越来越臃肿，中途出错则如滚雪球般放大。 意图理解（Intent Understanding）：理解提问者的“言下之意”，而非仅仅回答字面问题。它要求模型捕捉话语背后未被直接说出的真实需求，而不止于表面的信息拼接。 来源归属（Source Attribution）：在回答中注明信息出处、并承认现有信息不确定性的做法，是判断一则回答质量高低的重要维度之一。 拟社会关系（Parasocial Relationship）：传播学经典概念，指人对一个遥远实体（书中人物、电视形象，乃至AI）单向建立的情感关系。人在这种关系里依然拥有agency（能动性），可自行决定与对方的关系、并在互动中创造意义。 AI谄媚（Sycophancy）：指AI顺着谈话对象的价值取向和信息茧房去迎合、讨好用户的倾向。它本质上是一个产品设计问题——为了留住用户、提升engagement，产品往往会做出迁就。 事实核查（Fact Check）：新闻业的核心技能，即在信息发布前核实其真实性。AI 在事实核查上效率极高，能快速交叉验证信息、呈现不同立场，帮助人跳出单一信息流。 零工经济（Gig Economy）与AI训练师（AI Trainer）：AI trainer指按小时、按项目为AI生成的内容打分、改写、示范的临时工作。这类工作依托零工经济而存在，而零工经济对媒体与艺术从业者的冲击在AI出现之前便已发生。 【硅谷101正在招聘】 《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！ 【监制】泓君【采访 & 制作】Faith【后期】Faith Amei【配音】Yiwen【运营】朱婕【BGM】The Detective - Christoffer Moe DitlevsenReclaim - Megan WoffordPaper wings Hangover by ruiqizhao The light from within—howard harper-bames Overture - dozeoff New car smell—bagel Quiet down—Ryan connors

机器人已经能在舞台上做到翻跟头、表演武术了，但要让它在开放环境里伸手帮你拧开一个瓶盖，难度陡然跃升2到3个量级——因为那一刻，它需要理解眼前的物理世界。 这正是苏度科技想啃下的硬骨头。苏度科技联合创始人、董事长苏昊是ImageNet的核心作者之一，师从李飞飞，这家公司走了一条与硅谷主流纯大脑“黑盒”大模型不太一样的道路——软硬件协同设计，上下分层架构，上层负责任务规划与环境理解，下层用仿真（Sim-to-Real），让机器人在虚拟世界里经历几百万年的进化，再迁移到现实。 这条路已经跑出了一定成效：面对从未见过的新物体，他们的零样本通用抓取单次成功率接近100%。 本期硅谷101，我们邀请苏度科技CEO韩铮，一起聊聊机器人“动手”怎么实现？他预测，接下来会有更多的硅谷公司会重新回到“上下分层”的方向上来。 【主播】 泓君，硅谷101创始人，播客主理人 【嘉宾】 韩铮，苏度科技联合创始人&CEO 【你将听到】 机器人“动手”的数据根基 03:17 为什么做全栈（大脑+本体）通用机器人？ 07:14 苏昊早年经历：从图片标注ImageNet，到3D数据集ShapeNet  11:08 3D数据收集，难在哪里？ 13:21 仿真需要亚毫米级精度，视频训练无法达到 16:33 什么是Sim-to-Real（从仿真到现实）？ 18:08 创业时机的判断：DALL-E带来的数据拐点 Sim2Real技术验证与关键突破 21:40 仿真器的技术内核：经典物理法则+强化学习 24:17 数据集质量与规模的平衡：自建结构化3D数据集 28:05 实际效果如何？零样本通用抓取，一次性成功率98% 32:11 回应Demo质疑：去学术会议现场随机环境中演示 34:22 基础Zero-Shot泛化能力比长程任务串联更为关键 35:45 灵巧手虽好，但不是当下的性价比最高的方法 技术路线之争 38:16 商业模式思考：硬件+底层模型+API，类比智能手机生态 41:23 仿真器与机器人本体，必须软硬件协同设计强绑定 44:04 如何教会机器人拧瓶盖？加入真实世界数据更高效 44:51 难度对比：操作物体比运动控制难2~3个数量级 47:28 白盒与黑盒之争：分层模型，在预训练中融入物理理解 51:11 Sapien仿真器，让机器人像幼童第一次拧瓶盖一样操作 53:27 数据冷启动困境：无法复刻特斯拉，必须靠仿真做冷启动 55:38 嘉宾预言：被硅谷抛弃的“上下分层”即将重回主流 全球机器人竞争格局 59:08 实现机器人动手，软硬件强结合的公司才能做到 01:00:34 硅谷明星公司点评：Skilled AI、Figure、Optimus 01:05:40 为什么最看好DeepMind+波士顿动力Atlas的组合？ 01:09:01 亚马逊机器人，场景多但整合困难 01:10:02 为什么多数公司退回垂类？因为不知道通用该怎么走 01:12:43 不做垂类押注，而是构建开发者生态，目标是成为机器人时代的“iOS+硬件” 节目中提到的Demo： sudo R1评测——60分钟连续无剪辑实测 https://www.sudo.ai 【硅谷101正在招聘】 《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！ 【监制】泓君【后期】Amei【运营】朱婕【BGM】Particle Emission - Silver MapleMy Moon and Your Sun - Hampus NaeseliusOn the March - Brendon MoellerQuietly Tense - Marten Moses