Advertise on podcast: 跨国串门儿计划

📝 本期播客简介 本期我们克隆了：All-In Podcast · CoreWeave Crash, AI Trade Cracks, Anthropic IPO Red Flags, Bill Gates Doomer 原内容更新时间：2026-10-17 AI 算力需求这么旺，为什么一家算力公司的债券收益率会飙到 15%？All-In 的嘉宾们拆解 CoreWeave 的融资结构：长期合同锁住收入，也可能让公司错过现货涨价；借款成本上升，则会挤压利润、逼近收支平衡点。 代替 Friedberg 做客的 Ben Horowitz，和 David Sacks、Chamath 等人还讨论了 AI 投资是否出现泡沫、软件降价与定制开发、电力如何成为算力生意的瓶颈。讨论的核心不是“AI 有没有需求”，而是这些公司能否按合理成本融资、建成设施并及时回本。 👤 本期嘉宾 Ben Horowitz，风投公司 Andreessen Horowitz 的联合创始人之一，本期代替 Friedberg 做客。他和 Marc Andreessen 曾通过 Loudcloud 推动云服务商业模式的发展，也亲历过早期带宽价格暴跌带来的风险；他因此对依赖借款、长期合同和复杂融资结构的算力生意格外谨慎。 ⏱️ 时间戳 02:07 CoreWeave债务风波 27:15 AI通缩与软件重构 40:47 Anthropic投资者日反响 57:49 Anthropic的物联网警告 1:14:13 理解末日论者盖茨 🌟 精彩内容 💡 长期合同锁收入，也锁住价格 CoreWeave 用客户合同、GPU 和数据中心项目组成融资“盒子”，收入先支付运营成本和债务，剩余部分才归公司。问题是，固定价格合同挡住了现货算力涨价带来的额外收入。 "这些合同的价格是固定的。" 💡 利率上升会把算力项目推近临界点 CoreWeave 还需要为已签合同筹集约 350 亿美元；部分 GPU 贷款利率已飙到 15%。如果后续融资成本继续上升，固定的合同收入就更难覆盖成本和还款。 "如果融资利率升到 10%、11%、12%、13%、14%、15%这个区间，他们就非常非常接近那个临界点了。" 💡 AI 需求旺，不代表债务不会出问题 嘉宾认为，算力需求还在增长，老款 GPU 仍能租出高价，建设新设施也受电力和许可限制；但如果债务状况失控，需求旺盛也救不了所有公司。 "如果债务状况严重失控，谁都有可能被拖垮。" 💡 回本周期是该盯紧的指标 CoreWeave 称项目约 2.5 年回本，SpaceX 约 1 年。回本越快，越能降低债务风险；如果周期开始拉长，就要追问需求、现货价格或建设进度出了什么问题。 "只要回本周期足够短，我就看不出这些公司怎么会亏。" 💡 电力可能成为新的护城河 算力设施不只需要 GPU，还得有电、冷却和数据中心。电力短缺与建设瓶颈可能让云服务商无法及时提供容量，连产品准备上线的创业公司也会被卡住。 "我觉得电力会成为护城河。" 💡 软件变便宜，定制开发却可能更多 编程助手让企业能为自己的具体需求开发软件，软件价格下降的同时，用途和数量也可能增加。对程序员的需求没有因此消失：代码更多了，还需要人理解底层、管理流程和维护。 "软件价格肯定会下降，但软件的数量会大幅增加。" 🌐 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

📝 本期播客简介 本期我们克隆了：Andrew Huberman · How Food Choices Shape Memory, Cognition & Cravings | Dr. Scott Kanoski 原内容更新时间：2026-10-12 高糖饮食留下的记忆损伤，可能不会随着饮食变健康而消失；但运动，或许能把受损的记忆功能找回来。 Andrew Huberman 与南加州大学教授 Scott Kanoski 博士，从饮食如何影响海马体记忆谈起，聊到 GLP-1 类药物、人工甜味剂、食物记忆与肠道菌群。动物实验里，高糖和垃圾食品可能带来长期记忆影响；而药物的微剂量用法、甜味剂对人体的影响，目前仍缺少明确答案。 👤 本期嘉宾 Scott Kanoski 博士是南加州大学人类与进化生物学及神经生物学教授。他的实验室研究饥饿与记忆如何相互影响，以及营养、食欲和肠道菌群如何作用于大脑。多年来，他通过动物模型研究饮食对海马体记忆的影响，也探索迷走神经与肠道菌群和记忆功能之间的联系。 ⏱️ 时间戳 02:47 GLP-1是什么 06:40 药物作用与食欲 14:20 甜味剂证据未定 21:48 记忆影响进食 27:53 饮食与脑健康 40:12 身体信号通向海马体 53:20 减重不等于营养充足 59:42 进食激活记忆通路 1:13:41 菌群影响记忆 1:27:29 奖赏、饮食与社会 🌟 精彩内容 💡 高糖饮食的影响可能延续多年 动物在发育阶段摄入糖水，长大后依赖海马体的记忆功能受损；即使停止喝糖水，损伤仍可能持续。改吃健康食物也不一定马上恢复。 "在这个模型中，动物长大后，依赖海马体的记忆功能会出现缺陷，而且似乎还会一直延续到之后的生命阶段，即使它们已经不再喝这种糖水了。" 💡 运动能逆转部分记忆损伤 在大鼠实验中，运动帮助恢复了不健康饮食造成的记忆损伤。研究者认为，这种恢复有一部分来自大脑本身的变化。 "有些证据表明，运动能逆转那些记忆损伤，其中一部分是通过大脑的变化实现的。" 💡 GLP-1 微剂量缺少临床证据 有人用远低于处方的剂量来减轻副作用、保留食欲抑制效果，但目前还没有大型随机对照临床试验能证明这种做法有效。 "我比较老派，要先看到大型的随机对照临床试验，才会开始相信一种做法确实有效。" 💡 人体甜味剂研究还没有定论 啮齿动物在发育阶段摄入甜味剂，成年后出现记忆和血糖调节变化；但研究者明确指出，这是动物模型，人体研究结果仍不一致。 "在这个实验里，我们发现这些动物的记忆能力出现了一些问题，这个结果是我们没想到的。" 💡 吃过什么，会改变下一次吃多少 一项披萨实验发现，参与者被引导回忆刚吃过的午餐后，之后试吃饼干时吃得更少。对上一餐的记忆，可能帮助控制下一次进食。 "所以总的来说，对最近吃东西的记忆，有助于让人在下一次吃东西时少吃一点。" 💡 肠道细菌可能参与记忆变化 高糖饮食让动物体内一种细菌增加；研究者增加这类细菌后，即使动物从未摄入糖，也观察到了记忆障碍。另一项动物研究中，补回被加热处理消除的细菌，则挽救了记忆损伤。 "于是我们又做了另一项研究，先用抗生素处理，清除一部分细菌，但不是完全清除。然后在这个基础上，增加肠道里这类细菌的数量。结果这些动物虽然从没摄入过糖，也出现了记忆障碍。" 🌐 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

🎙️ 个人 AI 助手：持续盯任务，跨应用接上你的工作 📝 本期播客简介 本期我们克隆了：Sources Podcast · OpenAI’s Dots lead on the future of ChatGPT 原内容更新时间：2026-10-01 “一个特别厉害的首席工程师，却不肯看 Slack，也不肯看 Linear”——这正是只会等人下指令的 AI Agent 的局限。OpenAI 想把它推进到下一阶段：主动智能，让 Agent 能持续跟进任务、主动发现可以帮忙的事。 OpenAI Dots 产品负责人 Alexander Embiricos 解释了 Dots 为什么拥有自己的云端电脑、如何在不同工具和对话里共享上下文，以及 Space 怎样让人和 Agent 一起协作文档与项目。他还谈到授权和隐私的安全设计、全天候助手的定价思路，以及一位工程师醒来后才发现 Dot 已经替他修好 bug 的故事。 👤 本期嘉宾 Alexander Embiricos，OpenAI Dots 产品负责人。他因创业公司被 OpenAI 收购而加入公司，此后持续参与 Dots 的构想与开发；从桌面助手、编程 Agent 到云端持续运行的 Agent，他经历了相关产品能力逐步成熟的过程，因此能从产品设计与落地角度解释个人 Agent 如何主动工作、如何获得上下文，以及如何控制权限和风险。 ⏱️ 时间戳 00:00 主动智能的到来 05:40 Dots的形态与安全 27:15 生态、定价与未来 🌟 精彩内容 💡 Agent 的下一步，是主动做事 聊天之后，编程 Agent 学会了动手，但它仍常常等着人发指令。Dots 要解决的，是让 Agent 持续跟进任务，并主动提出可以怎样帮忙。 "所以在我看来，这一切现在发生，是因为我们终于能用更符合人们直觉的方式提供智能了。" 💡 一个 Agent，跨应用接上同一份上下文 通勤时，Embiricos 会和 Dot 通话；工作时，又会在 Slack 的不同讨论串里找它。无论从哪里联系，Dot 都能接上此前的对话和信息。 "但不管我在哪里跟它聊，用的都是同一份上下文，我们之前聊过的所有内容，它都知道。" 💡 默认先提议，不替你擅自行动 Dot 可以利用接入的工具做研究、发现日程冲突，但不会直接改会议；即使它掌握了问题答案，也不会替用户直接发出去。用户确认后，才会采取实际行动。 "但在你确认之前，它不会采取实际行动。" 💡 助手不该因额度耗尽而突然停摆 如果 Dot 负责盯航班、看路况并在合适时叫车，额度用完就停可能让任务落空。OpenAI 想尝试固定月费，让 Dot 全天候可联系，再按付费档位决定它能承担多少工作。 "你的 Dot 应该全天候随时可用，不能有什么情况让它用不了。" 💡 工程师睡醒，发现 Dot 已经修好 bug 一位工程师让 Dot 持续关注反馈频道。Dot 发现问题后创建了 PR；有人批准后，它按自己摸清的工程师习惯自动合并，工程师醒来才发现 Slack 里满是表扬。 "他让自己的 Dot 持续关注反馈频道。" (行533-545? quote 行535) 💡 免费用户最终也会用上这些能力 Dots 先作为高端独立产品推出，之后会逐步扩大开放范围。Embiricos 说，最终要把这些能力融入 Chat，让普通用户不用改变习惯，也能获得更强的助手。 "最终，我们还得让免费用户也能用到这些能力。" (469) } Need format quote citations no citations required. Point last sentence quote. mistake Dots spelling title okay. Fix title says AI Chinese familiar. "固定月费、全天候在线，额度不再卡住任务" arguably quota not exactly no limit, says no run out, paid by work volume and model adjusts. Candidate unsupported “额度不再卡住” supported. Content quotes exact line 535. Last quote exact 465. Bullet interpretation. We need all contents 3 lines? heading, decode, quote. fine. Potential strange trailing } in final remove. Also first quote excerpt exact line 16-17 combines; valid. Candidate titles =25 Chinese likely 22. finalize. ``` 🎙️ 个人 AI 助手：让它主动做事，也守住授权边界 📝 本期播客简介 本期我们克隆了：Sources Podcast · OpenAI’s Dots lead on the future of ChatGPT 原内容更新时间：2026-10-01 “一个特别厉害的首席工程师，却不肯看 Slack，也不肯看 Linear”——这正是只会等人下指令的 AI Agent 的局限。OpenAI 想把它推进到下一阶段：主动智能，让 Agent 能持续跟进任务、主动发现可以帮忙的事。 OpenAI Dots 产品负责人 Alexander Embiricos 解释了 Dots 为什么拥有自己的云端电脑、如何在不同工具和对话里共享上下文，以及 Space 怎样让人和 Agent 一起协作文档与项目。他还谈到授权和隐私的安全设计、全天候助手的定价思路，以及一位工程师醒来后才发现 Dot 已经替他修好 bug 的故事。 👤 本期嘉宾 Alexander Embiricos，OpenAI Dots 产品负责人。他因创业公司被 OpenAI 收购而加入公司，此后持续参与 Dots 的构想与开发；从桌面助手、编程 Agent 到云端持续运行的 Agent，他经历了相关产品能力逐步成熟的过程，因此能从产品设计与落地角度解释个人 Agent 如何主动工作、如何获得上下文，以及如何控制权限和风险。 🌟 精彩内容 💡 Agent 的下一步，是主动做事 聊天之后，编程 Agent 学会了动手，但它仍常常等着人发指令。Dots 要解决的，是让 Agent 持续跟进任务，并主动提出可以怎样帮忙。 "所以在我看来，这一切现在发生，是因为我们终于能用更符合人们直觉的方式提供智能了。" 💡 一个 Agent，跨应用接上同一份上下文 通勤时，Embiricos 会和 Dot 通话；工作时，又会在 Slack 的不同讨论串里找它。无论从哪里联系，Dot 都能接上此前的对话和信息。 "但不管我在哪里跟它聊，用的都是同一份上下文，我们之前聊过的所有内容，它都知道。" 💡 默认先提议，不替你擅自行动 Dot 可以利用接入的工具做研究、发现日程冲突，但不会直接改会议；即使它掌握了问题答案，也不会替用户直接发出去。用户确认后，才会采取实际行动。 "但在你确认之前，它不会采取实际行动。" 💡 助手不该因额度耗尽而突然停摆 如果 Dot 负责盯航班、看路况并在合适时叫车，额度用完就停可能让任务落空。OpenAI 想尝试固定月费，让 Dot 全天候可联系，再按付费档位决定它能承担多少工作。 "你的 Dot 应该全天候随时可用，不能有什么情况让它用不了。" 💡 工程师睡醒，发现 Dot 已经修好 bug 一位工程师让 Dot 持续关注反馈频道。Dot 发现问题后创建了 PR；有人批准后，它按自己摸清的工程师习惯自动合并，工程师醒来才发现 Slack 里满是表扬。 "他让自己的 Dot 持续关注反馈频道。" 💡 免费用户最终也会用上这些能力 Dots 先作为高端独立产品推出，之后会逐步扩大开放范围。Embiricos 说，最终要把这些能力融入 Chat，让普通用户不用改变习惯，也能获得更强的助手。 "最终，我们还得让免费用户也能用到这些能力。" ``` 🌐 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

📝 本期播客简介 本期我们克隆了：a16z · Can Open Models Keep Up With OpenAI and Anthropic? | Nathan Lambert 原内容更新时间：2026-10-14 中国的模型实验室，真的只是靠蒸馏追赶吗？AI 研究员 Nathan Lambert 认为，中国人才水平并不逊色，最大的差别是算力；但蒸馏究竟能缩小多少差距，现有公开研究还不足以给出简单答案。 a16z 合伙人 Lisha Li 与 Nathan Lambert 从算力、数据、人才谈到开放模型与闭源前沿实验室的竞争：为什么开放模型追赶得上、却需要更长时间；高质量数据和强化学习环境如何推动进步；以及开源研究能否让递归自我改进不再神秘。最后，他们也谈到，相比能力曲线本身，社会对网络安全等风险准备不足更让人担心。 👤 本期嘉宾 Nathan Lambert 是 AI 研究员，也是非营利研究实验室 Trillium 的创办者。他曾在 AI2 参与后训练研究，并长期面向公众解释开放模型、后训练与 AI 研究进展；他对开放模型研究和训练方法的实践经验，让他能从技术和产业两方面拆解前沿差距。 ⏱️ 时间戳 01:07 前沿竞争与蒸馏 16:57 市场节奏与数据 28:02 建设开放研究基础 45:05 Agent扩展与风险 🌟 精彩内容 💡 中国模型差的不是人才 中国实验室人才储备与美国相当，最明显的短板是算力。一位中国顶尖预训练研究员听说，OpenAI 普通研究员随时能调用相当于 5000 张 H100 的算力，惊讶得难以想象。 "要说中国的人才水平不在同一个档次，你很难说得通。" 💡 蒸馏不是追赶的万能解释 过去拿强模型回答做监督微调，确实能提升性能；但今天的推理训练更依赖强化学习环境。公开研究还没能证明，蒸馏是开放模型进步的主要原因。 "但根据这些证据，我不知道怎么能得出别的结论：蒸馏在当前后训练中的作用并没有那么大。" 💡 前沿模型的进步，很多来自数据 数学、编程等结果容易验证；生物、医疗、法律等领域则更需要高质量数据和能让模型反复尝试的环境。为特定领域制作数据集、定义模型该有的表现，正在成为实验室的重要工作。 "但实际上，可能两方面都有一点，不过很大一部分还是归结于数据。" 💡 开放环境，让 RSI 不再神秘 Trillium 计划公开训练工具、任务和模型执行轨迹，让外界看到模型做了什么、卡在哪里。这样研究者和政策制定者不必只凭猜测判断 AI 自动化研究的进展。 "能公开自动化进展的人，就应该这样做。" 💡 真正让人担心的是社会准备不足 模型能力增长未必会突然失控，但网络安全等领域几乎没有做好准备。Nathan 认为，风险已经存在，也会继续扩散；社会需要更多研究和更多人参与，才能了解正在发生什么。 "AI 能力的增长曲线本身，不一定让我担心。" 🌐 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

📝 本期播客简介 本期我们克隆了：Acquired · The NFL: How small-town teams became America's most valuable sports empire (Audio) 原内容更新时间：2026-01-27 一场比赛是否精彩，关系到的不只是输赢，还关系到整个联盟能不能做成一门大生意。NFL 从小城球队起步，靠着收入共享、平衡竞争和电视转播，逐步成长为美国最值钱的体育媒体生意。 Acquired 主持人 Ben Gilbert 和 David Rosenthal 从 NFL 的早期历史讲起，追溯联盟如何应对竞争、把比赛打造成电视娱乐，再分析博彩、流媒体与球队估值的新变化。他们也谈到 CTE、年轻球迷和国际化等 NFL 面对的现实难题，以及私募股权进入联盟后，球队所有权和收入分配会如何变化。 👤 本期嘉宾 本集由 Acquired 主持人 Ben Gilbert 和 David Rosenthal 主讲。两人以商业史和公司经营为切口，梳理 NFL 从联盟成立、应对竞争到电视转播和收入共享的发展过程，并结合最新变化分析联盟的收入结构、球队估值和经营策略。 ⏱️ 时间戳 00:00 橄榄球从何而来 05:04 大学运动走向职业 12:47 联盟初创与战后转机 34:58 竞争平衡的制度 53:43 Rozelle打造现代NFL 1:38:09 超级碗成为盛事 1:47:59 电视娱乐革命 2:12:39 NFL收入从哪里来 2:14:43 信任与舆论危机 2:22:45 增长引擎与竞争优势 2:51:48 流媒体与新球迷 3:22:16 私募入股与估值跃升 🌟 精彩内容 💡 收入共享，让球队一起做大 NFL 把门票收入的一部分放进共享资金池，后来又将全国电视转播收入由各队平分。联盟的思路是先把整个蛋糕做大，而不是让个别球队先拿更多。 "先不想着把自己那份蛋糕分得更大，而是把整个蛋糕做大。" 💡 比赛越有悬念，联盟越赚钱 Bert Bell 认为，任何一个星期天，任何一支球队都应该有机会击败另一支球队。NFL 用赛程安排和倒序选秀缩小强弱差距，因为当时卖门票是球队赚钱的关键。 "任何一个星期天，联盟里的任何一支球队，都应该有机会打败其他任何一支球队。" 💡 NFL 把比赛做成电视娱乐 《周一橄榄球之夜》用更多机位、场边收音、精彩回放和有个性的解说，让比赛不再只是球场上的竞技，也成了专为电视打造的娱乐节目。 "我们播的不是体育，是娱乐节目，而且一定要让你有这种感觉。" 💡 博彩让更多人盯着比赛 字幕提到，下注 NFL 的美国人从 4600 万增至 7600 万。下注让球迷更关心比赛，也带动转播订阅与收视；主持人引用的估算称，博彩合法化带来的间接影响每年约有 23 亿美元。 "你要是在一场比赛上押了钱，那你肯定会看。" 💡 流媒体把比赛带向全球 YouTube 曾向全球免费独播一场海外赛，Netflix 也拿下圣诞节比赛。主持人认为，全球流媒体平台让 NFL 有机会触达传统电视网覆盖范围之外的观众。 "一个平台就能把来自各地的人聚到一起，让你的内容传播得更广。" 💡 私募股权入场，收益也要共享 NFL 允许特定私募股权机构持有球队最多 10% 股权，但投资收益变现时，要抽出一部分平均分给 32 支球队的股东。主持人认为，这把联盟的集体资本主义思路推到了极致。 "投资者入股联盟里的球队，NFL 也能从这笔投资中拿收益分成。" 🌐 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

📝 本期播客简介 本期我们克隆了：Bg2 Pod · Jensen Huang | Does AI Revenue Justify Capex, '27 AI Bottlenecks, Singularity, Open vs Closed & more 原内容更新时间：2026-10-15 AI算力建设要花几万亿美元，回报却要靠模型公司的收入来支撑吗？Jensen Huang给出的答案是：别只盯着两家前沿模型公司，英伟达的计算业务远不止于此。 在 Brad Gerstner 和 Clark Tang 的第三次对谈中，Jensen Huang从算力需求、基础设施瓶颈和资本回报，讲到智能体、开放模型与 AI 安全。他也解释了为什么英伟达认为需求来自传统计算、各行各业的新应用，以及大量新兴云厂商，而不仅是少数模型实验室。 👤 本期嘉宾 Jensen Huang，英伟达的代表人物，也是公司计算业务与 AI 基础设施布局的核心发言者。他从图形芯片谈到支撑社会智能的计算基础设施，并结合英伟达的客户、供应链和业务结构，解释算力需求从哪里来、建设会遇到什么瓶颈，以及公司如何看待资本回报。 ⏱️ 时间戳 00:24 移民与美国的超能力 05:33 奇点与智能的价值 20:53 物理AI重塑行业 26:29 安全与治理框架 41:36 算力建设与全球布局 52:57 AI投资、供需与回报 1:07:58 英伟达优势与未来信心 🌟 精彩内容 💡 算力需求不只靠两家模型公司 英伟达的业务里，约三分之一来自传统计算，约三分之一来自前沿 AI 实验室，另有约三分之一来自新一代云计算和各行业的新公司。只看两家模型公司的收入，可能会漏掉大量算力需求。 "如果眼里只有那么几家公司，以为基础设施建设的资金都靠它们，那就大错特错了。" 💡 真正的扩建瓶颈在电力和土地 芯片项目可能对应约 50 吉瓦算力，但配套的土地、电力和机房建筑或只能承接 35 到 40 吉瓦。Jensen Huang认为，需求不缺，难在把数字世界的计划落到实体建设上。 "需求肯定有，而且还不止这么多。" 💡 智能越便宜，使用量越大 AI 推理需要反复探索、筛选和规划，算力需求会随智能体承担更多工作而增长。Jensen Huang预计，智能成本下降带来的不是需求萎缩，而是更多人开始使用智能。 "人们对智能的需求几乎没有止境。" 💡 AI 安全不是发展的刹车 Jensen Huang把安全、防护和功能视为同一套 AI 技术的一部分：安全措施也要加快建设，而不是和能力发展互相取舍。他还提出从零信任开始、限制权限、独立监控，再逐步放宽限制的做法。 "你不能把能力、功能跟使用安全和安全防护分开。" 💡 芯片之外，英伟达也要做软件和分成 随着 AI 从训练走向部署，企业需要维护工业级软件栈，云服务商也需要资金和基础设施支持。Jensen Huang说，软件授权和收入分成会成为硬件销售之外的新业务方向。 "我们面向企业的软件授权业务，规模会非常非常大。" 💡 对未来，他有九成九把握 面对外界对 AI 风险和投资回报的担忧，Jensen Huang认为，担忧值得表达，但不该把担忧变成末日预言。他把信心建立在许多人愿意投入力量、智慧和资源，推动技术走向好结果上。 "我有 99.99%、99%的信心，因为我们当中有太多人，太在乎最终能有个好结果了。" 🌐 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

📝 本期播客简介 本期我们克隆了：leerob · Stanford CS146S: How always-on agents work 原内容更新时间：2026-10-11 合上电脑之后，AI 还能继续工作吗？Lee 想搭建的常驻 Agent，不只在云端持续运行，还能记住你的工作方式、处理 Slack 消息和邮件，并判断什么时候该来找你。 这场分享从常驻 Agent 的产品形态讲到背后的工程设计：云端电脑如何休眠和恢复，主 Agent 怎样把任务交给子 Agent，工作流如何在故障后接着执行，以及团队如何用上下文压缩和 prompt 缓存控制成本。最后还谈到长期运行带来的安全、评估和打扰频率问题。 👤 本期嘉宾 Lee（leerob）在 Stanford CS146S 分享如何搭建始终在线、能主动做事的 Agent。他谈到的工程实践来自 Grok Bot 的产品、基础设施与运行框架设计；他也提及自己在 Cursor 和 SpaceX 的经历，并说明部分内容仍在 SpaceX 开发中。 ⏱️ 时间戳 00:02 常驻 Agent 的兴起 09:45 云端架构与持久工作流 18:55 运行框架与上下文工程 32:16 训练飞轮与未来挑战 🌟 精彩内容 💡 AI 同事不该每有进展就打扰你 常驻 Agent 可以在后台做事，遇到 Slack 消息、邮件或定时任务时醒来处理；它还要判断进展是否重要到值得通知你。 "如果每次有点进展，他都跑来打扰你，说，嘿，快看，我这件事又有进展了，那会挺烦的。" 💡 子 Agent 让长任务不挤满主对话 主 Agent 可以把大量命令和工具调用交给子 Agent，等它们完成后只接收结果。每个助手有独立的持久工作流，故障重启也能接着进度继续做。 "它只把结果传回来。这样做出的产品，就会让人感觉它有无限的上下文。" 💡 工作流崩溃后能从上一步接着做 普通任务队列遇到故障，可能要从头重跑；持久工作流会保存执行进度，失败后可以从已经完成的步骤继续。Lee 说他们使用开源工具 Temporal，避免从零实现复杂机制。 "这样你就可以安全地重试，失败以后再重试，会直接从第 3 步接着做。" 💡 每条命令都让人批准，未必更安全 模型可以先审查 Agent 要执行的命令。Lee 认为，相比人疲惫地盯着并逐条批准大量命令，自动审核有时反而做得更好；但发邮件等不可撤销的操作仍应先询问用户。 "这其实比让你疲惫地盯着几百条 shell 命令、逐条批准更安全。" 💡 上下文压缩，难在别丢掉重要信息 对话变长后，Agent 得把内容压缩成摘要，同时保留之后还用得上的细节。Lee 提到，上下文窗口达到二十万 token 也终究会用满，而压缩必然会损失信息。 "所以你得找到最好的压缩算法，避免丢掉重要细节。" 💡 Prompt 缓存失效会推高长期运行成本 工具定义和系统 prompt 尽量保持不变，能让缓存继续有效；对话很长时，还可以趁缓存仍热着先压缩上下文。Lee 把 prompt 顺序调整导致缓存失效称为一个系统里的 bug。 "所以，缓存没命中，其实就有点像系统里的一个 bug。" 🌐 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

📝 本期播客简介 本期我们克隆了：Training Data · David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience 原内容更新时间：Tue, 13 Oct 2026 AlphaGo 花了两年才击败李世石；放弃人类数据后，AlphaZero 只用了几个小时，就超过了此前有人类参与打造的成果。David Silver 把这个经历带进新实验室 Ineffable Intelligence，押注 AI 可以从经验中自行学习，而不是把人类知识当作起点。 在 Sequoia Capital 主持的 Training Data 中，Silver 和联合创始人 Lasse Espeholt 解释他们想打造的“超级学习器”：能在复杂环境里不断探索、发现新知识的系统。他们谈到为什么不沿着 LLM 路线继续加码、如何用模拟研究超级智能的安全与对齐，也谈到算力、强化学习和他们对实现时间的预测。 👤 本期嘉宾 David Silver 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 研究强化学习，并参与打造 AlphaGo、AlphaZero 等系统。他长期主张让 AI 从经验中学习；从围棋中去掉人类数据的实践，也成为他押注“超级学习器”的重要依据。Lasse Espeholt 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 和谷歌大脑研究大规模强化学习，参与开发 IMPALA 和 SEED RL 等系统。 ⏱️ 时间戳 01:12 从围棋到创办实验室 08:10 超级学习器与熔炉 22:21 放下人类先验 32:50 模拟中的智能与安全 44:58 算力、团队与时间表 🌟 精彩内容 💡 去掉人类数据，进步快得惊人 AlphaGo 花了大约两年，过程中研究者不断参与、改进系统。AlphaZero 放弃人类数据后，国际象棋只用四小时就击败当时最强的 AI；围棋大约两天就有惊人进步。 "几个小时，就超过了我们有人参与其中、做了 2 年的成果。" 💡 简单目标也能长出复杂知识 他们不打算把“科学”“语言”写进奖励函数，逐项告诉 Agent 要学什么。Silver 以进化和人类发展为例：简单目标也可能逐步带出协作、交流、算术、工具与科学。 "给 Agent 一个非常简单明确的优化目标，再把它放进一个非常复杂的环境里，里面有很多东西可以学习。" 💡 人类语言可能不是推理的终点 Silver 认为，用人类语言训练和监测 AI，可能把人类已有的偏见一并带进去；更强的系统或许会发展出不同的推理方式。 "认为人类语言就是终点，或者就是最佳推理方式，这种看法有点天真。" 💡 模拟或许是研究超级智能的安全场所 模拟可以并行运行、重复实验，也能让研究者先观察超级智能如何互动，再决定是否把系统推进到现实世界。Silver 主张先在模拟中积累证据，并把证据作为现实行动的关卡。 "模拟也是构建超级智能最安全的地方。" 💡 用语言监测 AI，已经接近极限 Silver 提到，有些 Agent 会生成长达一百万字的推理，也可能嘴上说一套、行动上做另一套。他认为仍有必要研究影子行动，以及让其他智能体担任监测者。 "要 100%依靠这种方法，越来越难了。" 💡 Silver 预计三年实现超级智能 Silver 预测，一年内会有有力证据表明这条路线可行；他把实现超级智能的预期时间从三到五年缩短到三年，并提到编程 Agent 能加快研究。 "我觉得，1 年之内，我们就会看到非常有力的证据，证明我们走在正确的路上。" 🌐 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

🎙️ 扎克伯格：超级智能要交到更多人手里 📝 本期播客简介 本期我们克隆了：Cheeky Pint · Muse Wonder: Zuckerberg and Wang's $100B AI 原内容更新时间：2026-10-12 “你想要这个西瓜吗？”Muse 记住一场家庭烘焙计划，算好配送门槛，把西瓜加进购物袋。AI 助手不再只是回答问题，而是开始替人把事情办完。 在 Cheeky Pint 的访谈中，Meta CEO 马克·扎克伯格与 Meta 超级智能实验室首席 AI 官 Alexandr Wang，介绍新模型 Muse Wonder，以及他们想做的个人 Agent：它如何记住你、理解图像和视频、完成复杂任务，又如何帮你购物。两人也谈到训练前沿模型所需的团队与算力，以及 Meta 在还没看到模型结果时，就准备投入巨额资金的压力。 👤 本期嘉宾 马克·扎克伯格是 Meta 创始人兼 CEO，负责推动公司在 AI、数据中心、芯片和个人 Agent 等方向的投入。Alexandr Wang 是 Meta 超级智能实验室首席 AI 官，曾创办 Scale AI；他参与组建 MSL、制定团队策略并带领团队开发 Muse 模型。本集围绕 Muse Wonder 的训练、产品设计和商业应用，呈现两人对个人 AI Agent 的判断。 ⏱️ 时间戳 00:12 Muse与模型产品 12:47 Muse Wonder登场 22:14 前沿模型如何炼成 43:34 押下千亿美元 59:41 Agent商务兴起 1:10:44 超越智能手机 1:17:23 AI建设如何筹资 1:23:46 AI并非赢家通吃 1:29:09 Meta超级智能实验室 1:50:18 与扎克伯格共事 🌟 精彩内容 💡 AI 开始替你买东西 Muse 会结合对个人生活的了解，筛选商品、确认配送时间，还能接着先前的对话安排食材。扎克伯格说，它每周都会帮女儿的烘焙计划准备好材料，甚至为了凑配送金额加了一个西瓜。 "对，它就问，“你想要这个西瓜吗？”" 💡 Agent 记忆不能总出错 Muse 的“主动记忆”要记住用户几天、几周乃至几个月前说过的事，并在之后执行任务时用上。团队也把记忆设计进模型能力里，试图解决 Agent 用久了容易忘事的问题。 "我觉得，用 OpenClaw 一段时间之后，大家就会发现它的记忆挺容易出问题。" 💡 个人 Agent 不只是自动化 扎克伯格认为，超级智能的重要价值不止是把工作自动化，也在于帮助人发明和创造。Muse 要理解个人偏好、可靠地采取行动，同时尽量少泄露个人信息。 "超级智能最有价值的用途是发明和创造，而不是自动化。" 💡 模型还没露面，支票已经要开 Meta 在还没看到模型时，就要决定是否投入约 1000 亿或 2000 亿美元。前沿 AI 不能等产品验证后再慢慢加码：数据中心和算力需要提前多年建设。 "但我们就要开这么一张支票，我也说不准，大概 1000 亿美元，或者 2000 亿美元。" 💡 一支不到两百人的研究团队 MSL 有意维持小团队，研究团队不到 200 人，规模一直更接近 100 人，另有基础设施团队支持。策略不是把算力平均分给许多项目，而是集中资源给关键人才。 "重要的是人才密度。" 💡 眼镜可能不需要应用商店 扎克伯格设想，未来的智能眼镜可以听见、看见并回应用户，在视野中直接生成需要的内容；交互可能不再依赖一个个独立应用。 "它可能就是通过多模态生成，直接在你的视野里生成你需要的东西。" 🌐 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

📝 本期播客简介 本期我们克隆了：Chloe Shih · The Hottest Product Manager in Tech Right Now 🔥 @OpenAI’s Holly Li Talks About Dots | Office Drama 原内容更新时间：2026-10-08 如果 AI 助手能替你分担事情，你愿意让它读邮箱、短信、财务信息和健康数据吗？OpenAI 产品经理 Holly Li 参与打造的 Dots，可以打电话交流、跨设备工作，也能随着使用逐渐了解你；但她坦言，AI 助手的意义不只是提高效率，而是在人忙不过来的时候，帮人重新掌握生活的主动权。 Office Drama 主持人 Chloe Shih 和 Holly 从她在谷歌、Adept、Figma 到 OpenAI 的职业经历，聊到 AI 产品经理面试、Dots 的设计和隐私边界。Holly 也讲了 Dev Day 现场演示出故障时如何临场应对，以及为什么 AI 领域需要更多女性、创作者和有审美的人。 👤 本期嘉宾 Holly Li，OpenAI 产品经理，参与推出 AI 助手 Dots。她曾在谷歌参与早期生成式 AI 项目，在 Adept 为自己争取到产品经理岗位，后来成为 Figma Make 的最初产品经理；从产品研发到大型发布和现场演示，她都亲身参与过。 ⏱️ 时间戳 02:17 走红与个人风格 11:20 从谷歌走向 OpenAI 19:13 产品经理与发布现场 29:58 Dots 的能力与安全 58:46 让 AI 服务真实生活 1:12:57 绩效评估与创作计划 🌟 精彩内容 💡 AI 助手的价值不只是提效 Holly 认为，AI 助手真正能帮上的，不只是更快完成工作，而是在生活繁杂、精力不足时，帮人记事、跟进沟通、分担任务。主持人 Chloe 则拿自己怀孕、即将经历产后的处境举例：她关心的是状态只剩 10% 时，能有什么帮自己撑住生活。 "我觉得，效率几乎从来都不是重点。" 💡 让 AI 读隐私，得把控制权交还给用户 Dots 默认只读，用户可以决定它能访问什么，也能用日常语言设定规则，比如发邮件前必须先确认。Holly 也提醒，撤销 Gmail 权限后，AI 之前读过的内容仍可能留在历史记录和上下文里。 "所以除非你明确授权，否则它不能写入内容。" 💡 AI 助手不必替你包办所有事 Chloe 不想让 AI 替自己买菜、选座位；Holly 也认同，有些人享受亲手做事的过程。她认为，AI 产品和宣传不能只盯着自动化，还得理解人为什么珍惜亲自体验。 "我想亲自走进超市，不想只是让 AI 帮我下单买东西。" 💡 面试 AI 产品岗，先亲自用过产品 Holly 遇到过正在面试 OpenAI 产品岗位、却没用过 Codex 的人。她建议候选人把市面上的产品实际用一遍，走过基本流程，形成自己的判断，而不是只背准备好的答案。 "实实在在地用一用市面上的所有产品。" 💡 演示出故障，她早就准备好临场应对 Dev Day 的现场演示中，语音功能出问题，后半段也因技术故障无法继续。Holly 知道演示出了状况，便改为打字，并临时编出结尾；她说，上台前就准备过备用方案。 "其实我提前准备了语音功能用不了时的应对方案。" 💡 AI 需要更多女性和创作者 Holly 直言，AI 圈需要更多女性、有创意的人和审美出色的人。她不想被塑造成典型的 AI 科技从业者，也希望自己的出现能让其他女性更安心地加入这个领域。 "我觉得我们需要更多女性，需要更多有创意的人，需要更多审美出色、有自己观点的人来这个领域工作。" 🌐 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

📝 本期播客简介 本期我们克隆了：BuffettMungerWisdom · The Psychology of Human Misjudgement - Charlie Munger Full Speech 原内容更新时间：1995年6月1日 为什么聪明人会做出显而易见的蠢决定？查理·芒格的回答是：人脑有一套反复出现的误判模式，而且几种心理倾向叠在一起时，影响会更强。 这场约在 1995 年于哈佛大学发表的演讲，从激励、心理否认、从众、损失厌恶到权威影响，梳理人们为何判断失准。芒格还借投资、企业管理和日常生活中的案例，说明怎样看见这些偏差，避免把思考完全交给顾问。 👤 本期嘉宾 查理·芒格，投资人，长期关注心理学与经济学如何共同影响人的判断。他以自身投资和商业观察为例，分析激励、从众等心理倾向怎样影响个人与组织决策；这场演讲集中呈现了他建立的一套“人类误判”思考框架。 ⏱️ 时间戳 00:01 激励如何扭曲判断 11:46 联想与群体压力 30:52 损失、嫉妒与成瘾 41:18 识别偏误叠加 1:01:16 把心理学用于实践 🌟 精彩内容 💡 激励会改写人的行为 联邦快递发现，夜班员工按小时领工资时，包裹转运流程难以顺利运转；改为按班次付工资后，问题得到改善。施乐的销售人员也因佣金安排，更愿意卖较差的旧机器。 "最后有人灵机一动，想到夜班员工的工资是按小时付的，也许改成按一个班次付，系统就能运转得更好。" 💡 聪明人也会被损失牵着走 可口可乐推出新可乐，低估了消费者对原有口味和品牌的依恋，引发强烈反弹。芒格指出，人对失去东西的反应，常常超过对得到东西的反应。 "聪明人也会犯这些可怕的蠢错。" 💡 心理偏差会叠加 芒格认为，许多严重错误并非一种倾向单独造成。社会认同、互惠、损失厌恶和激励等因素同时起作用时，拍卖和董事会决策都可能把人推向糟糕的选择。 "相比只有一种倾向单独起作用，多种倾向结合起来，改变行为的力量会大大增强。" 💡 顾问的建议也要校准 顾问的专业和利益边界会影响他们看问题的方式。芒格给出两种应对办法：对建议作修正，或者先学一点顾问行业的基本知识，再追问对方为什么这么判断。 "你其实没法花钱让别人替你思考，有些可以，但大部分不行。" 💡 投资判断别只看眼前 芒格提醒，投资判断会受到强化和社会认同的共同影响：市场上涨会奖励押对方向的人，而价格又汇集了其他人的看法。两种力量结合，不能保证市场价格始终合理。 "你凭什么指望市场的整体价格水平始终完全有效呢？" 🌐 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

📝 本期播客简介 本期我们克隆了：David Senra · Creating Muse: The Fastest-Growing AI Product Since ChatGPT | Alexandr Wang, Meta 原内容更新时间：2026-10-11 一次 AI 对话，竟像把三年的心理治疗压缩在一起；但要把这样的 Agent 带给普通人，光靠神奇时刻远远不够。 Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang 和主持人 David Senra，聊 Muse 如何从个人 Agent 的早期体验变成面向消费者的产品：团队怎样花七个月打磨可靠性，为什么 Meta 押注个人生活而非编程，以及产品如何靠鲜明主张和真实使用场景脱颖而出。他也谈到，AI 或许能替人处理那些不得不做的事，让人重新把时间和精力用在自己的愿望上。 👤 本期嘉宾 Alexandr Wang 是 Meta 首席 AI 官，也是 Scale AI 联合创始人。他创办并经营 Scale AI 九年，之后加入 Meta，参与重建 AI 实验室并推动 Muse 的开发。作为 Muse 团队负责人，他亲历了个人 Agent 从原型走向消费产品的过程，也谈到了如何用小团队、扁平组织和高人才密度加快 AI 产品研发。 ⏱️ 时间戳 00:02 Muse的起点 05:32 把Agent做成产品 22:12 增长、信任与抱负 39:42 加入Meta并重建实验室 51:34 人才与组织方式 🌟 精彩内容 💡 神奇体验不等于可靠产品 Alexandr 和 Nat Friedman 试用 OpenClaw 后，曾体验到 Agent 像心理治疗一样深入探索个人信息；但早期产品大多时候不好用。Muse 用七个月把原型打磨成他们有信心带给消费者的产品。 "如果大家体验下来觉得不可靠，就会觉得它是垃圾。" 💡 让信任从小事开始 用户先把一件小事交给 Agent，看到它做成后，再逐步交给它更大的任务。每一次可靠的结果，都让用户更愿意把事情托付给它。 "一开始你不太信任它，但又有点好奇，所以先给它一点小事试试，然后再交给它大一点的事，再大一点，再大一点。" 💡 AI 不只是聊天机器人 Muse 的目标是让普通用户用 Agent 做事，而不只是对着聊天机器人提问。团队为模型列出一百多项具体能力，逐项评估和训练；发布前，他们终于等到所有项目都达到标准的模型版本。 "它不是聊天机器人，而是 Agent，可以帮你做 Agent 能做的事。" 💡 好产品需要一个统一主张 大公司的产品容易变成各方想法的拼接，用户能感觉到目标不一致。Alexandr 认为 Muse 必须提供连贯统一的体验；开发模型和产品的团队总共不到两百人。 "Muse 必须完全反过来，我们要有一个清晰的主张，要给大家提供一个连贯统一的体验。" 💡 Agent 能替人处理麻烦事 一位 Muse 用户把落在飞机上的证件交给 Agent 处理：它安排跑腿、联系办公室安保，最后把证件送到办公室。Alexandr 希望 AI 能承担生活里那些不得不做的事，让人把时间留给真正想做的事。 "这样，我们就可以把所有时间都用在自己想做的事情上。" 🌐 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

📝 本期播客简介 本期我们克隆了：Dr Brian Keating · Nobel Prize Winner Francis Halzen: They Said It Would Never Work 原内容更新时间：2022-11-30 欠下美国国家科学基金会和大学一大笔钱，却连一个大气中微子都没看到——Francis Halzen 说，最让他激动的时刻，并不是发现宇宙中微子，而是终于观测到大气中微子的那一刻。 Halzen 是 IceCube 中微子天文台的首席研究员。这场与曾旁听过他课程的主持人 Brian Keating 的对谈，从南极冰层里的巨型探测器讲起：为什么冰能让蓝光传播数百米，IceCube 怎样追踪来自宇宙的中微子，以及中微子如何帮助研究黑洞和量子引力。 👤 本期嘉宾 Francis Halzen 是比利时粒子物理学家、威斯康星大学麦迪逊分校 Hilldale 和 Gregory Breit 杰出教授，也是 IceCube 中微子天文台的首席研究员。他先后参与 AMANDA 和 IceCube 项目，带领团队在南极点冰层中布设光传感器，把冰变成观测中微子的望远镜；他长期研究粒子物理与天体物理，也参与冰川学、暗物质、中微子振荡等方向的研究。 ⏱️ 时间戳 01:54 教材、喷注与勒梅特 09:20 科学责任与南极冒险 16:34 建造探测器与培养研究者 21:29 IceCube打开中微子天空 38:36 中微子检验新物理 56:00 热爱、想象与勇气 🌟 精彩内容 💡 最让他激动的不是宇宙中微子 团队欠着美国国家科学基金会和威斯康星大学的债，却连一个大气中微子都没看到。等到终于探测到大气中微子，他才觉得团队兑现了承诺。 "最激动人心的并不是发现宇宙中微子的时候，而是我们终于观测到大气中微子的时候。" 💡 南极冰层能做实验室做不到的事 IceCube 把光传感器埋进南极点下方的冰层，蓝光在冰中能传播一百多米，有时甚至几百米。那是七万年前的雪压实形成的冰，纯净到实验室也做不出同样透明的冰。 "就连在实验室里，你也做不出对蓝光这么透明的一块冰。" 💡 一颗中微子能量远超粒子束 有次事件在探测器内沉积了 2600 万亿电子伏特能量，远高于欧洲核子研究中心最高能量粒子束的 14 万亿电子伏特。能量高到不可能来自大气中微子。 "而这个粒子，光是在探测器内部，就沉积了 2600 万亿电子伏特的能量。" 💡 宇宙中微子通量超过伽马射线 伽马射线会被宇宙微波背景阻挡，难以从遥远宇宙抵达地球；中微子却能穿过宇宙。团队测到的宇宙中微子通量，比伽马射线通量还大，这个结果此前出乎所有人意料。 "你看伽马射线的通量，我们观测到的中微子通量，实际上比伽马射线的通量还大。" 💡 想法之外，还得会说服别人 建造 IceCube 不只靠一个好点子：团队得说服学生加入、争取资助、组建团队。Halzen 把科学家的说服能力称为容易被忽视的本领。 "光有正确的想法还不够。" 🌐 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

📝 本期播客简介 本期我们克隆了：Dialectic · 11: - Amusing Each Other to Death 原内容更新时间：Mon, 17 Mar 2025 社交媒体原本是用来连接彼此的，为什么现在的信息流越来越像一场表演？Eugene Wei 认为，算法不仅决定什么内容能被看见，也在改变每个人如何表达自己。 主持人 Jackson Dahl 与 Eugene Wei 从 TikTok 的推荐机制聊起，谈算法怎样放大争议、磨平文化差异，让娱乐、政治和日常生活都卷入注意力竞争。两人也追问：当数字替代品不断减少现实生活中的阻力，我们会失去什么，又能怎样重新建立社群？ 👤 本期嘉宾 Eugene Wei 是一位作家、顾问和天使投资人，长期观察科技、社交媒体与文化的交汇。他早年加入亚马逊，之后读电影学院，并先后参与 Hulu、Erly、Flipboard 和 Oculus 等项目。他以《地位即服务》《看不见的渐近线》《TikTok 与分院帽》等文章知名，对社交媒体的机制及其社会影响有长期、深入的思考。 ⏱️ 时间戳 02:09 娱乐吞没公共生活 05:02 算法改写社交网络 13:42 嘲讽为何难以推动改变 23:33 TikTok与注意力竞赛 37:17 消除摩擦的代价 45:10 注意力经济与虚无感 57:24 社群瓦解与投机生活 1:11:45 算法重塑文化与日常 1:29:35 孤独时代的替代社群 1:45:30 AI与人类创造力 🌟 精彩内容 💡 算法不只分发内容，也塑造表达 在信息无限的时代，内容能否被分发，决定了它能否被看见。为了争取传播，人们会调整表达方式，挑衅也成了适应算法的策略。 "我们这些参与社交媒体的人，都面临一个选择，我要不要跟算法较量，让自己的内容能在这当中被人记住？" 💡 TikTok 改写了平台竞争规则 传统社交网络依赖关注关系，TikTok 则根据用户观看短视频的行为推荐内容；一条视频不再受创作者粉丝数限制。西方社交平台随后纷纷跟进。 "信息无限的时代，分发才是唯一重要的事。" 💡 算法让文化越来越相似 Eugene Wei 担心，强大的推荐机制会促使创作者不断迎合，削弱人与人、文化与文化之间的差异。内容越容易被筛选，表达也越容易趋同。 "我现在想得更多的，已经不太是争地位的游戏，而是幂律算法怎么让大家变得同质化，怎么把差异都抹平了。" 💡 数字替代品填不满真实关系 点赞、通知和虚拟伴侣，都可以替代现实中的一部分互动，却不一定能带来真正的社群和陪伴。减少摩擦带来方便，也可能让人不再需要彼此承担义务。 "我们想要社群，但不想承担义务。" 💡 赌场搬进了手机 电子老虎机曾是赌场的重要收入来源；后来，赌博被装进手机，随时随地都能进行。Eugene Wei 也把这种投机心理联系到体育博彩、短视频和约会软件。 "原因就是，我们把赌场搬进了你的口袋。" 💡 AI 时代，人性仍是慢变量 技术不断进步，制度改变更慢，而人的情感与欲望变化缓慢。Eugene Wei 认为，即使 AI 继续发展，人际关系与人性问题仍会是长期要面对的事。 "人性是我这辈子遇到过的最不容易变的东西。" 🌐 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

📝 本期播客简介 本期我们克隆了：0xSero · Pi Durable: Agents That Survive Crashes — Mario Zechner & Armin Ronacher 原内容更新时间：2026-10-07 Agent 进程崩了，重启之后，能不能不丢工具结果和助手输出，接着刚才的任务继续？Pi Durable 的答案是可以。做出 Pi 的 Mario Zechner 和 Armin Ronacher，拆解了让 Agent 经得住崩溃的运行框架：怎么记录执行意图、处理副作用、保存结果，以及如何在会话里管理不断变化的应用状态。 他们也聊到 AI 编程 Agent 的边界：为什么修 Bug 常常会让代码越写越多，模型做逆向工程和模糊测试时为何表现惊人，却仍然难以设计软件架构；以及怎样让个人 Agent 更安全、更容易上手。 👤 本期嘉宾 Mario Zechner 是 Pi coding agent 的创作者，长期维护开源项目；Armin Ronacher 是 Earendil 的联合创始人，也是 Flask 的创作者。两人正在开发 Pi，既做 Agent 产品，也在构建供他人开发 Agent 的基础设施；这次重点介绍了他们为 Pi 打造的持久运行框架 Pi Durable。 ⏱️ 时间戳 00:21 开源维护与AI能力边界 17:46 Pi Durable 的持久化设计 30:47 Agent产品、框架与安全 45:13 让Agent走向更多人 🌟 精彩内容 💡 Agent 修 Bug，代码却越修越多 Mario 认为小问题可以放心交给 Agent，但涉及设计和架构时，Agent 常常只会在局部打补丁。Armin 补充，Agent 几乎不可能不增加代码就把 Bug 修好。 "它肯定能解决问题，但几乎不可能在不加代码的情况下把问题修好。" 💡 有明确判定标准，Agent 就能大显身手 Mario 描述了 AI 逆向分析 Java 虚拟机内存结构、定位保护漏洞的经历。Armin 则让模型逆向一个国产 CarPlay 适配器，花了约 500 美元后就掌控了设备；两人认为，只要能判断任务做对没有，模型就更容易把它做完。 "如果你有一个能告诉 LLM 它做得对不对的判断依据，那你基本上就赢了。" 💡 模糊测试像给测试加火箭燃料 Armin 把 INI、TOML、CBOR、MessagePack 和 JSON 的示例文件交给模型，让它实现序列化库，再让模型反复做模糊测试、修复问题。模型还可以补出测试生成器没覆盖到的用例。 "这就像给各种测试加上了火箭燃料。" 💡 架构过程没有留下足够的训练数据 两人认为，安全分析和有明确对错标准的任务容易准备训练数据；设计软件架构的过程却很少被记录成可供模型学习的文字。这或许解释了模型能完成复杂任务，却仍让人对架构结果不满意。 "在编程里，给一个东西搭架构的过程，是唯一通常不会以文字形式记录下来、让 LLM 从中学习的部分。" 💡 进程崩溃，Agent 也能接着跑 Pi Durable 把 Agent 调用模型、执行工具等操作拆成任务：先保存执行意图，再执行操作，最后持久化结果。即使进程在中间崩溃，重启后也能根据记录恢复；应用状态则通过带版本的文档保存。 "你想要的是，重启进程后，Agent 能从刚才停下的地方接着运行。" 💡 个人 Agent 的安全，远比看上去麻烦 Mario 讲到，一个 Agent 曾把他的整个文件系统暴露到公网上，持续了大约一天。多人共享会话时，还得防止网页界面里的操作带来跨站脚本攻击；隔离服务器只是其中一部分，安全和易用性很难同时做好。 "真要做一个既能扩展又安全的网页界面，比看起来难得多。" 🌐 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