Afleveringen
-
📝 本期播客简介
本期我们克隆了：硅谷科技、商业与政治评论播客《All-In Podcast: Anthropic's Fable Backlash, Nationalizing AI, Inflation Heats Up & California’s Broken Elections》
本期节目是一次典型的 All-In 式高密度圆桌辩论。四位 “Besties” 从 Anthropic 新模型 Fable Five 引发的开发者反弹切入，讨论了一个越来越现实的问题：当企业把知识、工作流和核心研发交给闭源 AI 模型时，是否也把自己的命门交给了少数模型公司？节目里，Chamath 将 Anthropic 的做法概括为企业 AI 治理与单点故障风险，Friedberg 以基因组学和农业生物技术为例，说明过度安全限制如何迫使公司转向开源和本地模型，Sacks 则猛烈批评这可能演变成监管俘获、反竞争和“AI 拥有者 vs 无 AI 者”的新权力结构。
随后，话题转向 Bernie Sanders 提出的 AI 公司股权征收和主权财富基金方案。几位主持人虽然反对强制没收，但也承认，当 AI 公司一边使用全人类知识训练模型，一边不断宣称 AI 会让普通人失业时，公众要求分享收益几乎是一种必然反应。节目后半段还讨论了通胀升温、伊朗战争对能源价格的冲击，以及加州选举制度在邮寄选票、ballot harvesting 和选民身份验证上的争议。
这期节目不仅是一场关于 Anthropic 的争论，更是一场关于 AI 时代权力如何分配的讨论：谁能控制模型？谁能使用能力？谁承担风险？谁分享收益？以及，当技术已经无法被关回盒子里时，社会应该监管工具本身，还是监管工具进入现实世界后的结果？
👥 本期主持
Jason Calacanis，连续创业者、天使投资人，Launch 创始人，All-In Podcast 主持人之一。
Chamath Palihapitiya，Social Capital 创始人兼 CEO，前 Facebook 高管，长期关注科技投资、资本市场与国家基础设施。
David Friedberg，The Production Board 创始人兼 CEO，连续创业者，关注农业、生物技术、能源与科学产业化。
David Sacks，Craft Ventures 联合创始人，企业软件创业者与投资人，长期参与硅谷科技政策、AI 和政治议题讨论。
⏱️ 时间戳
00:00 开场 & 播客简介
AI 守门人争议：Anthropic Fable Five 风波
01:37 Anthropic 新模型发布：更强能力、更高价格与更重护栏
02:51 Prompt 保留 30 天、前沿研究降级：开发者为何愤怒
03:49 Chamath：企业必须开始思考“我怎样掌握 AI 控制权”
05:41 Friedberg：科学研发被限制后，公司会被迫转向开源模型
08:30 中国开源模型崛起：美国限制自己，是否等于把优势让给别人
10:35 Sacks：从强制监控到模型降级，AI 公司正在制造新的守门机制
14:03 隐形操控风险：模型公司是否会偏向自己的合作伙伴
15:41 自由市场能否解决模型偏见与产品体验问题
16:47 监管俘获：一边削弱产品，一边呼吁政府限制竞争
17:41 算力与电力护城河：开源模型真正缺的不是实验室，而是基础设施
19:35 Evo 2 与基因组语言模型：开源科学模型的现实价值
21:03 替 Dario 做最强辩护：强模型到底该不该被谨慎释放
23:42 AI 与核技术类比：同一套能力既能治病，也可能被武器化
25:11 监管应该管工具访问，还是管现实世界输出
28:03 KYC、护栏与企业使用权：是否存在更精细的安全方案
31:01 Jason 现场测试被降级：敏感问题如何触发模型切换
33:11 生物安全的现实护栏：核酸合成筛查与记录保存
36:07 开源模型已经扩散：AI 不可能被“关掉”
AI 国有化与公众收益
38:14 Bernie Sanders 提案：AI 公司 50% 股权进入主权财富基金
40:39 Sacks：反对没收财产，但理解公众为什么会有这种情绪
41:59 AI 失业叙事的反噬：AI CEO 自己制造了政治风险
44:55 Friedberg：把社保基金改造成主权财富基金，而不是没收企业
46:16 AI 不会摧毁工作：真正机会在收入端和生产率提升
48:29 AI、就业与叙事差异：Elon、Dario、Sam 的说法并不相同
50:15 “愚蠢税”：当 AI 公司反复说自己有害，公众自然要求夺回收益
52:15 Chamath：AI 不是互联网，边际用户成本是真实存在的
54:17 能源、GPU 与国家基础设施：政府为何可能有谈判筹码
56:03 哪些 AI 公司可能上市，谁会成为公共收益讨论的对象
57:43 开源初衷：OpenAI 最初为何叫 OpenAI
58:58 开源前沿实验室的瓶颈：不是人才，而是电力
All-In 活动回顾
59:19 Liquidity 与嘉宾回顾：Sarah Friar、Thomas Laffont 等亮点
01:01:19 风投概率论：为什么越大的赢家，继续变大的概率反而更高
01:02:30 “万亿独角兽”与偿还国债的玩笑
通胀、战争与利率
01:03:22 CPI、PPI 创多年高位：市场开始重新定价加息风险
01:04:23 Friedberg：伊朗战争带来能源冲击，但根源仍是政府过度支出
01:06:25 Chamath：油价、太阳能、中国储备与通胀压力
01:08:22 Sacks：市场似乎仍押注伊朗局势会有解决方案
01:09:00 Jason：伊朗战争可能成为巨大且长期的政策错误
加州选举制度争议
01:09:39 洛杉矶市长初选：现场投票与邮寄选票差异引发争议
01:10:42 Friedberg：邮寄选票、ballot harvesting 与“任命式选举”
01:12:42 加州选举规则变化：选票收集、普遍邮寄与身份验证争议
01:16:24 Sacks：脏选民名册、签名验证和保管链问题
01:20:29 Jason：统计异常不等于已经证明舞弊，为什么不调查
01:22:08 Chamath：加州政治机器与单党治理结构
01:24:50 选民身份证明与邮寄选票：哪些改革具备常识基础
01:27:01 Friedberg：国会应建立“一个人一票”的最低制度保障
01:30:32 Sacks：不要否认自己看到的统计异常
01:33:15 媒体为何不追问：两极化如何压制选举诚信讨论
01:36:02 最强解释尝试：地面组织、收票机器与合法但可疑的操作空间
01:38:23 节目收尾：Besties 互怼与告别
🌟 精彩内容
💡 “公司需要开始认真评估 AI 的下一阶段：我怎样掌握控制权？”
Chamath 认为，Anthropic Fable Five 的争议不只是一个产品策略问题，而是企业 AI 治理的转折点。如果企业使用的模型可以在不透明条件下记录、判断、降级甚至限制输出，那么 AI 就从工具变成了潜在的单点故障。企业需要思考：核心数据给谁看？谁能从这些数据中学习？是否应该把关键能力押在单一闭源模型上？
🧬 科学创新与安全护栏的冲突
Friedberg 以基因组学和农业生物技术为例，说明强模型在设计遗传构建体、预测基因变体影响等科学任务中有巨大价值。但如果模型因为理论上的生物武器风险而大范围限制相关能力，实际结果可能不是风险消失，而是企业被迫转向本地开源模型。这样的限制甚至可能让美国企业更多依赖中国开源模型。
“你不能只是关掉 AI，也不能关掉人们对这些东西的访问。你会做成的事情，是逼着别人获得不公平的优势。”
🧱 AI 守门人与监管俘获
Sacks 的核心批评是，Anthropic 一边对用户 prompt 和上下文进行保留与监控，一边根据内部判断决定用户能否使用最强模型能力，同时又呼吁建立更强监管。他认为这可能导向一种“AI 拥有者与无 AI 者”的结构：少数大公司和监管机构共同决定谁配使用强能力，谁只能被降级。
“这些强大的大型科技公司会决定你配不配。它们会决定你是 AI 拥有者，还是无 AI 者。”
🔓 开源不是选择题，而是战略安全问题
节目多次强调，开源模型已经扩散，无法被关回盒子里。Friedberg 认为，与其试图限制模型本身，不如在更靠近现实输出的环节设置护栏，例如核酸合成筛查、危险材料管控、网络攻击执法等。Jason 则表示愿意投资开源前沿模型公司，但 Chamath 提醒，真正的瓶颈是电力和算力基础设施，而不是实验室数量。
“模型已经被放到世界上了。这就像出版一本书。书一旦印出来，任何人都可以复印。”
💰 AI 国有化争议：没收，还是让公众参与收益？
Bernie Sanders 提出向大型 AI 公司征收 50% 股票税，建立公共主权财富基金。几位主持人普遍反对强制没收，但承认这种提案并非凭空出现。AI 公司一方面使用全人类知识训练模型，一方面反复告诉公众 AI 会让大量人失业，自然会引发“那我能得到什么”的政治反弹。Friedberg 提出更温和方案：改革 Social Security Trust Fund，让其像主权财富基金一样投资优秀企业，而不是直接没收股权。
📈 AI 与就业：不是裁员机器，而是收入增长引擎
Friedberg 强烈反对“AI 必然导致大规模失业”的叙事。他认为企业有收入端和成本端，AI 的最大机会不是减少人，而是让公司创造过去无法创造的新产品、新服务和新收入。一个工程师可以完成过去几十倍甚至上百倍的工作，公司因此反而需要招聘更多人来抓住机会。
“认为 AI 会摧毁工作岗位，这是一种卢德主义想法，而且每天都在被证伪。”
⚡ AI 的经济学不同于互联网
Chamath 指出，互联网公司的边际用户成本接近于零，因此 Google、Facebook 等能享受极高利润率。但 AI 不一样，每增加一个用户，都要消耗 GPU、电力和内存。AI 公司深度依赖国家级能源、数据中心和关键基础设施，这也成为政府参与收益分配或谈判股权时可能使用的理由。
🔥 通胀回归与战争风险
节目后半段讨论 CPI 和 PPI 升温。Friedberg 认为短期通胀与伊朗战争导致的能源冲击有关，但长期根源仍是政府过度支出。Chamath 则提醒，如果中国重新大规模进入现货市场购买原油，油价可能大幅上行，并通过全球商品和服务传导到 CPI。几位主持人都认为，伊朗局势需要尽快找到下台阶。
🗳️ 加州选举制度：统计异常、制度漏洞与信任危机
围绕洛杉矶市长初选，节目最后展开激烈争论。Friedberg 和 Sacks 认为，加州长期放宽邮寄选票、选票收集和身份验证规则，已经制造了严重选举诚信疑虑。Jason 则不断提醒：统计异常值得调查，但需要区分“看起来不对劲”“制度设计有漏洞”和“已经证明存在大规模舞弊”。最终几位都同意，选民身份证明、选民名册清理和更可靠的审计机制，是恢复选举信任的关键。
🌐 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 -
📝 本期播客简介
本期我们克隆了：硅谷顶尖创投播客《Lenny's Podcast》Why most PMs have the right instincts but the wrong ideas | Mark Pincus (Zynga Founder)
本期嘉宾 Mark Pincus 是 Zynga 创始人，也是 FarmVille、Words With Friends、Zynga Poker 等现象级消费产品背后的关键人物之一。在这期对话里，Mark 系统分享了他多年打造消费级产品的底层方法论：为什么你的本能大多是对的，但你的想法大多是错的；为什么真正有野心的创始人，反而应该从一个更小、更谦卑、甚至有点“不体面”的地方开始；为什么很多伟大产品并不是凭空创造，而是对已有行为的精确复制、微小改进和关键新意。
节目中，Mark 重点拆解了他在 Zynga 内部形成的 Proven-Better-New 框架：先找到已经被市场验证的体验，做到像素级理解；再做出用户十个里十个都会承认的“更好”；最后只加入一个足以激发尝试欲望的新东西。他还谈到 AI 时代的产品机会与风险：AI 不应该只是帮你更快做出一个错误产品，而应该成为测试机器、失败机器，让团队以极低成本快速验证大量想法。
这期不仅是一堂消费产品方法论课，也是一场关于野心、判断、分发、组织管理和 AI 时代教育的深度对话。如果你正在做产品、创业，或正在思考 AI 时代普通产品人还能如何创造真正有价值的东西，这期会非常值得反复听。
👨⚕️ 本期嘉宾
Mark Pincus，Zynga 创始人、Tribe 联合创始人，连续创业者和消费产品专家。他曾打造或推动 FarmVille、Words With Friends、Zynga Poker、Mafia Wars 等现象级产品。Mark 也是新书《Life at the Speed of Play》的作者，书中系统总结了他关于消费产品、创业、管理和互联网创新的经验。
⏱️ 时间戳
00:00 开场 & 播客简介
产品创意的底层框架
05:10 Proven-Better-New：为什么伟大产品很少从空白开始
06:10 直觉与想法：你的本能 95% 是对的，但想法 75% 是错的
07:00 Sid Meier 的失败案例：再好的创新，也会死在糟糕的首次体验里
08:00 Proven：先成为已有最佳实践的博士，再谈创新
08:40 Better：真正的“更好”，必须让十个用户里十个都想要
09:20 New：新东西是下载理由，但大概率会失败
10:40 时间机器视角：如果当年 Tribe 更懂测试，可能会走向不同结局
复制、创新与消费者野心
14:50 “道德套利”：为什么产品人需要跨过复制的心理门槛
15:40 烧掉简历：把野心定义在消费者眼里，而不是同行眼里
16:20 好的复制：让用户感受到更好，而不是感受到你在抄
16:50 Craigslist 加照片：世界级产品人为什么会为一个小功能花两年
18:30 iPhone、Chrome、水杯：大多数产品都是已有事物的更好版本
19:30 从别人产品里挖金矿：当一个功能被做对，却被放错位置
20:50 纯创新 vs Proven-Better-New：Angry Birds 与 Draw Something 的两条路
越有野心，越要从小处开始
22:40 少一点野心，反而可能做出更大的产品
23:00 PMF 的悖论：宏大愿景会让你错过最小的真实信号
24:20 Tribe 的教训：太想做完整社交网络，反而没有抓住单一场景
24:50 Zynga 的起点：一个看起来“不够体面”的 Facebook 扑克游戏
25:40 创业公司的优势：你可以追逐巨头看不上的小线头
26:40 Bolt.new 与 Slack：伟大产品常常诞生在边缘的小工具里
28:40 Founder Mode：有勇气告诉团队“现在这个还不是”
杀死希望，找到真正的 A 产品
30:40 在希望杀死你之前，先杀死希望
31:20 信念 vs 希望：希望是没有依据的信心
31:50 MVP 的危险：不要把“可行”误认为“值得发布”
32:20 AI 的风险：它让我们更容易快速做出可行但错误的产品
32:40 AI 的正确用法：一天测试一百个想法，而不是三个月做一个想法
33:40 先做错，再验证：把产品拆成最低成本的测试
34:00 FarmVille 扩展包案例：把广告变成产品测试和收入引擎
35:20 一千九百万美元的提前访问权：测试、热度和商业化如何合一
36:00 Vibe coding 的方向：做反馈循环最低成本的版本
Zynga 真正赢在哪里
36:50 Zynga 的争议：为什么 FarmVille 和 CityVille 让一些产品人反感
37:30 不是病毒传播，而是长期留存
38:00 通过游戏连接世界：给旧玩法增加社交维度
38:40 Invest、Express、Connect：让用户感觉自己有创造力，并通过表达连接他人
39:30 D365 留存：真正有价值的公司，一年后用户还会回来
40:50 下沉的快艇：靠病毒增长但留不住用户的产品终会沉没
41:50 ASN 指标：活跃社交网络如何预测长期留存
42:40 社交反馈循环：点赞、评论、回礼为何能制造强多巴胺
AI 时代，社交应用还有机会吗？
43:20 消费级社交的困境：为什么大家好像放弃了新社交应用
44:00 潜在需求：不存在的品类，不代表用户不想要
44:40 Zynga 的游戏直觉：成年人其实想玩，只是门槛太高
45:50 社交产品失去肾上腺素：Instagram 更像薯片，而不是派对
46:40 退出社交平台后的 NPS：从正三十五到负三十五
47:00 AI Agent 时代的新社交：重新创造社交生产力
47:50 “鸡尾酒会”隐喻：好的社交产品让人庆幸自己来了
48:40 从 Napster 到 Facebook：社交网络本质上是更好的线索获取
49:40 今天的鸡尾酒会在哪里：我们都在 Claude 和 GPT 里，但那里还很安静
50:20 B+ 产品判断：如果你还在问它是不是 A，那它就不是 A
51:30 真正的强信号：你会爱它、朋友会爱它、指标也会证明它
52:40 叫停 B+ 的力量：Mark 叫停 dot Earth 后重新找回兴奋感
分发、平台与消费产品新机会
53:55 AI 让产品更容易做，但分发更难了
54:50 AI 还不是新平台：它是重要技术，但还没有成为真正的消费平台
55:50 发现机制坏掉了：用户几乎不再主动安装新应用
56:40 消费产品为什么变得“不适合投资”
57:30 分发必须内嵌进产品，而不是事后补营销
58:20 Prosumer 路线：先服务愿意主动寻找和付费的重度用户
58:50 免费 Token 假设：如果 AI 成本趋近于零，会诞生什么消费服务
59:50 Agent 社交膜：AI 如何作为人与人之间的智能信任中介
01:02:20 新平台的边缘：LLM 可能会争夺消费者和开发者心智
01:03:20 Agentic 旅行顾问：为什么旅行服务是 AI 消费应用的完美例子
01:05:20 平台会开放还是吞掉一切：OpenAI、Claude、Grok 与创业公司的未来关系
组织、管理与产品型 CEO
01:06:20 让每个人都成为 CEO：用经营权替代日常管理
01:07:10 管理的本质：当你不在房间里，别人也能做正确的事
01:08:20 专家证人：为什么离一线最近的人，常常离决策最远
01:09:40 贴近一线：产品型 CEO 必须深入像素级细节
01:10:40 倒金字塔组织：最有经验的人应该参与最关键的用户体验决策
01:11:30 微观管理是美好的：只要你还是最好的选手，就应该上场
01:12:40 教学医院：如何把创始人的产品火焰传给团队
01:13:30 技术助理机制：培养“小号的你”，让产品判断在组织里扩散
01:14:20 CEO 最重要的工作：判断正确，比执行漂亮更重要
AI 时代的育儿与人生判断
01:15:40 AI 时代如何教育孩子：培养好的人，而不是只培养好学生
01:16:30 在孩子所在的位置接住他们：把每个孩子当作独立的人
01:17:30 “爸爸数学”：用好奇心和游戏感培养数学脑
01:18:40 大规模教育的终点：知识工作正在变化，但教育体系还在训练旧能力
01:19:40 批判性思维：教孩子提出更好的问题，而不是记住更多答案
01:20:30 创造而非消费：让孩子把新的东西带到世界里
01:21:40 人生格言 Google Doc：不要把事往自己身上揽，也不要当受害者
结尾：打造互联网宝藏
01:23:10 找到自己的为什么：Mark 为什么还在继续做产品
01:23:50 互联网宝藏：让人无法想象没有它之前的生活
01:24:50 《Life at the Speed of Play》：一本关于产品打法和理念的书
01:26:00 收尾：产品手艺是一场持续对话
🌟 精彩内容
💡 Proven-Better-New：降低失败概率的产品创意框架
Mark Pincus 认为，伟大产品并不是凭空出现的。Proven 是已经在当前平台、当前受众、当前体验里被验证过的东西；Better 是现有用户十个里十个都会承认的改进；New 则是让人愿意尝试的新卖点。真正的产品创新，是把创新区域隔离出来，不要让产品因为错误的基础体验而失败。
“你的本能百分之九十五是对的；你的想法百分之七十五是错的。”
🔥 如果你真的有野心，就烧掉简历
Mark 提出一个非常反直觉的观点：真正有野心的产品人，不应该把野心定义在同行、媒体、奖项或简历里，而应该定义在消费者眼里。你要赢得的不是产品圈的尊重，而是那些真实用户的心智。FarmVille 看起来“不酷”，但它赢得了大量普通用户的时间、情感和社交关系。
“如果你真的有野心，就把简历烧掉。”
🧩 复制不是耻辱，差的复制才是
Mark 把复制称为一种“道德套利”。产品人从小被教育不要抄袭，但商业世界里，很多伟大产品都是对已有行为、已有体验的吸收和进化。关键不是照抄，而是像素级理解用户为什么喜欢原来的东西，再做出他们能感受到的更好。
“你不是为了赢得奖项，也不是为了赢得同行的尊重。你要从消费者的眼里，定义自己的野心。”
🚀 越有野心，越要谦卑地开始
Mark 反复强调，很多巨大产品的起点都小到“不好意思”。Facebook 最早只是哈佛校园里的资料浏览工具；Zynga 最早只是一个 Facebook 扑克游戏；Slack 也来自团队内部工具。创业公司的优势恰恰在于可以追逐巨头看不上的小线头。
“你越有野心，就越应该谦卑，也越应该愿意从一个更小的地方开始。”
⚰️ 在希望杀死你之前，先杀死希望
Mark 区分了信念和希望：信念来自真实体验、用户反馈和数据；希望则只是没有依据的祈祷。很多创始人会抱着“下个版本就会好”的幻想，把一个 B+ 甚至 D 的产品拖很久。他认为，如果你还在问自己的产品是不是 A，那它就不是 A。
“如果你还在问自己的产品是不是 A，那它就不是 A。”
🤖 AI 应该是测试机器，而不是造梦机器
在 Mark 看来，AI 最大的价值不是让团队三个月做出一个“可行产品”，而是让团队一天测试一百个想法。AI 的危险在于，它会让“可行”变得太容易，从而诱惑团队把错误产品做得更完整。真正聪明的团队会用 AI 降低实验成本，快速失败，快速学习。
“我原本以为，大家会用 AI 去搭建非常厉害的测试机器、失败机器。”
📈 Zynga 赢在留存，而不是病毒传播
外界常以为 Zynga 靠病毒传播成功，但 Mark 认为真正原因是留存和社交连接。Zynga 追踪 D365 留存，并设计 ASN（活跃社交网络）指标，衡量用户与朋友之间是否有真实来回互动。一旦用户在产品里建立了社交回路，长期留存会显著提升。
“我相信，从统计上看，世界上最有价值的公司，第三百六十五天留存都是最高的。”
🍸 AI 时代的新社交：找到新的鸡尾酒会
Mark 认为，今天的社交产品失去了肾上腺素感，很多人离开 Instagram 时不是觉得错过派对，而是觉得戒掉了烟。新的机会可能在 AI Agent 时代出现：今天我们都在 Claude 和 GPT 里，但那里还没有“鸡尾酒会”。谁能让这些孤独的 AI 空间变得热闹、有用、有社交生产力，谁就可能挖到金子。
“今天我们都在 Claude 上、在 GPT 上待着。但那里没有鸡尾酒会。”
🧭 分发必须成为产品的一部分
Mark 认为，AI 还不是完整意义上的新平台，消费产品仍处在分发非常困难的阶段。用户不再主动安装新 App，App Store 也很难产生新爆款。因此创业者不能先做产品、再祈祷用户会来；分发必须从第一天就嵌入产品设计和策略中。
“分发不能是事后才想的东西。分发必须成为产品的一部分。”
👑 让每个人都成为 CEO
在组织管理上，Mark 的核心原则是：管理的本质，是当你不在房间里时，别人也能做正确的事。他喜欢给团队成员明确山头、预算和经营权，让他们像 CEO 一样负责结果。这既减少管理成本，也能激发那些“专家证人型”人才的能量。
“所有管理的本质，就是当我们不在房间里的时候，怎么让别人做正确的事。”
🔍 产品型 CEO 要贴近一线
Mark 反对过早抽离细节。他认为，只要创始人仍然是公司里最好的产品人，就应该参与最关键的体验决策。微观管理不是坏事，前提是你管的是最重要的东西，而且你确实是最好的选手。
“如果你能在房间里，就待在房间里，前提是你确实是最好的那个选手。”
🌱 AI 时代教育孩子：教他们提问，而不是背答案
在育儿部分，Mark 认为传统教育体系正在训练孩子成为知识工作者，但 AI 正在改变知识工作的意义。他更关注培养孩子的批判性思维、创造力和对世界有用的能力。他希望孩子不要只消费内容，而是能创造东西，把新的东西带到世界里。
“我想教他们提出更好的问题，而不是知道更多答案。”
🏛️ 互联网宝藏：产品人的最高抱负
Mark 最后谈到自己的“为什么”：他想打造互联网宝藏。所谓互联网宝藏，就是一种服务，让人们想不起没有它之前的生活，也无法想象没有它之后的生活。他认为，这是产品人能给世界提供的最了不起的东西。
“我需要打造一个互联网宝藏：一种服务，让我们想不起没有它之前的生活，也想象不了没有它之后的生活。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：商业人物与创业史读书播客《Founders Podcast》Steve Jobs in Exile
这一期，David Senra 精读 Geoffrey Cain 的新书《Steve Jobs in Exile: The Untold Story of NeXT and the Remaking of an American Visionary》，聚焦 Steve Jobs 被 Apple 驱逐后，在 NeXT 度过的十二年流放期。
这段经历很可能是 Steve Jobs 一生中最关键、也最容易被低估的阶段。节目中，你会听到一个远非神话化的 Steve：他刚离开 Apple 时充满复仇心，烧掉巨额资金，沉迷昂贵设计，反复修改产品，拖垮时间表；他对团队喜怒无常，身边没人敢讲真话，甚至多次亲手毁掉本可能拯救公司的重大交易。
但也正是 NeXT 的失败，让他一点点学会现实、学会聚焦、学会尊重人才，也学会把失败变成燃料。最终，NeXT 的软件技术成为 Apple 重生的关键，而 Steve 也带着十二年里被痛苦训练出来的新能力，回到那家曾经把他赶出去的公司。
这不仅是一段商业史，也是一堂关于创始人动机、执行纪律、团队文化、产品执念与个人转变的深刻案例课。
👨🏫 本期主讲
David Senra，Founders Podcast 主持人。长期通过精读企业家传记、公司史与商业经典，提炼创始人的决策、性格、信念与命运。他的节目尤其关注伟大创始人如何思考、如何犯错、如何承受压力，以及如何在关键时刻做出改变。
📚 本期书籍
《Steve Jobs in Exile: The Untold Story of NeXT and the Remaking of an American Visionary》
作者：Geoffrey Cain
本书聚焦 Steve Jobs 从 1985 年被 Apple 驱逐，到 1997 年重新回归 Apple 之间的十二年，尤其是他创办 NeXT、管理 NeXT、经历硬件失败、转向软件，并最终被 Apple 收购的完整过程。
⏱️ 时间戳
00:00 开场 & 播客简介
流放的开始
01:36 为什么这是一集关于“失败”的节目
02:00 Steve Jobs 的十二年流放期：从被赶出 Apple 到重新掌舵
03:01 为什么说 Steve 不止一次创办 Apple，而是创办了两次
03:53 1985 年被 Apple 驱逐：巴黎、迷茫与重新选择人生
06:00 无法远离创造：Steve 决定为大学市场打造一台新电脑
06:18 NeXT 的诞生：没有名字、没有商业计划、没有产品，只有模糊愿景
NeXT 的早期理想与性格缺陷
07:27 拍摄团队纪录片：Steve 如何用愿景凝聚团队
07:50 “真正的艺术家会交付”：口号与现实之间的巨大落差
08:18 反思 George Lucas：Steve 想打造一支长期存在的伟大团队
09:30 说要长期团队，最后却换掉几乎所有联合创始人与高管
09:51 Steve 的招聘观：你必须敢反驳他，并像传教一样说服别人
10:36 立方体电脑执念：形式不仅提供功能，还要带来情感满足
12:01 Paul Rand 与十万美元 logo：NeXT 对完美形象的追求
钱太多，纪律太少
13:18 NeXT 的核心问题之一：Steve 钱太多了
13:47 香槟级品味与失控烧钱：顶级公关、广告公司、市场团队与豪华办公室
14:26 “millilogo”笑话：十万美元 logo 如何变成公司花钱基准
14:45 喜怒无常的反馈风格：“英雄到混蛋过山车”
16:29 Paul Rand 的提醒：在有产品之前，Steve 自己就是产品
17:19 错误动机：NeXT 很大一部分动力来自向 Apple 复仇
18:13 Steve 的自我认同：不是商人，而是“打造很酷东西的人”
完美主义如何吞噬执行
19:38 自建制造工厂：为了控制流程，却做出灾难性决策
20:23 Ross Perot 偶然看到纪录片，向 NeXT 投资两千万美元
21:22 秘密协议：Perot 愿意动用政府关系和销售团队帮助 NeXT
22:26 被完美主义困住：每一次修改都推迟发布日期、推高成本
23:18 “最大的竞争对手是自己的执行能力”：Steve 说对了，却做不到
23:45 Linda Wilkin 被开除：Steve 制造问题，却把责任推给别人
24:20 芯片设计反复修改，工程师只能不断说“再一个月”
25:12 Big Dave 和 Little Dave：拿到奖金后离职，芯片最终不能工作
26:47 顾问委员会提醒价格不能超过三千美元，Steve 却展示十八页 logo 手册
27:39 每月烧掉一百万美元，却靠 IBM 授权交易续命
昂贵硬件与残酷现实
28:24 钱越多，花得越多：两千美元椅子、一万美元沙发、四百五十美元电话
29:08 Daniel Lewin 的备忘录：晚了一年、价格翻倍、产品还不能正常工作
30:43 Ross Perot 开始质疑：产品没法出货，销售到底靠什么
31:28 从三千美元目标价到一万多美元售价：NeXT Cube 失去大学市场
31:52 首批只出货 205 台：设计复杂度让工厂几乎无法运转
32:35 镁合金外壳与哑光黑喷漆：Steve 的审美坚持如何拖垮生产
33:16 Canon 投入一亿美元：Steve 的交易能力再次让公司续命
没人敢说真话的组织
33:31 NeXT 最严重的问题：Steve 身边没人敢讲真话
34:13 HR 经理 Phil 的会议：Steve 一进房间，所有高管都闭嘴
35:26 Daniel Lewin 拒绝下两万五千台库存订单
36:03 被降职还要对媒体解释成“升职”：NeXT 管理混乱的荒诞瞬间
36:31 Cube 形状宣传册事故：花几百万投广告，却发现没有信封能装
37:34 IBM 新交易即将签下，Steve 因幻灯片问题直接离开机场
39:12 Perot Systems 政府大单准备签约，Steve 临门一脚拒绝交易
40:13 Ross Perot 终于看清：我给了 Steve 太多该死的钱
40:56 钱太多就没有饥饿感：纯粹压过了生存
被迫面对商业本质
41:17 Andy Grove 追问：你们到底在做什么生意？
42:01 渠道压货：NeXT 用会计手法掩盖真实销售惨淡
43:09 Canon 再给四千万美元，NeXT 又一次站在破产边缘
43:49 管理层共识：放弃高成本硬件，转向高利润软件
44:18 NeXTSTEP 的真正价值：企业用它构建应用快五到十倍
44:54 NeXT 教会 Steve 的事：如何把失败变成燃料
45:42 新 COO 试图背着 Steve 卖掉 NeXT
45:57 新 CFO 入职后发现：NeXT 实际上已经破产
46:28 Canon 收购硬件部门：Steve 被迫放弃自己最热爱的硬件
Steve 的转变
46:58 最后的失败之后，Steve 开始真正改变
47:31 “先是慢慢地，然后突然之间”：Steve 的转变像破产一样发生
48:00 媒体宣判 NeXT 硬件梦想死亡
48:29 世界变了，你也得跟着变
48:53 从硬件转向企业软件：NeXT 终于盈利
49:10 Larry Ellison 的建议：建立专业服务团队，确保客户项目成功
49:47 WebObjects：Steve 重新兴奋起来的互联网机会
50:18 “互联网会成为未来十五到二十年最重要的技术变革”
50:35 顾问式销售：从卖许可证到深入客户现场解决问题
51:06 Michael Dell 的电商愿景：NeXT 一周做出 IBM 说要两年的网站
51:37 Dell 在线销售爆发，WebObjects 成为下一代互联网商业基础设施
一个新的 Steve Jobs
52:27 Ed Catmull 如何与 Steve 共事：给事实，不升级冲突
53:08 分歧可以持续三个月，但 Steve 最终会承认“你是对的”
53:39 到 1995 年底，Steve 已经成为值得长期追随的领导者
54:00 新 Steve 的领导观：CEO 其实是在最底下，为人才工作
54:39 Apple 危机：产品混乱，操作系统做不出来，必须向外购买
命运转折：NeXT 回到 Apple
55:20 Garrett Rice 的关键问题：为什么不直接给 Apple 打电话？
56:10 Steve 直接联系 Gil Amelio：BeOS 是错误选择
56:45 演示对决：Steve 用团队和真实代码，展示 NeXT 的未来
57:28 Gil 看到的变化：Steve 不再只是自我中心，而是务实、具体、精准
58:18 面对 Apple 工程师质疑，Steve 不再粗暴推开，而是承认并解决
58:47 BeOS 创始人的失败演示：没有团队、没有电脑、没有准备
59:09 Steve 用真正跑起来的代码赢下机会
重返苹果
59:21 Steve 与 Gil 在厨房里谈判：五分钟定下收购价格
59:54 Apple 内部警告：如果收购 NeXT，Steve 最后会接管公司
01:00:39 NeXT 高管看懂了：十二年流放给了 Steve 更高明的策略
01:01:15 Apple 又属于他了，而这一次，他准备好了
🌟 精彩内容
💡 Steve 不止一次创办 Apple，而是创办了两次
David 引用 Michael Moritz 的观点指出，Steve Jobs 后来的回归几乎没有商业史先例：一个创始人被自己创办的公司赶走，后来又回到这家公司，并完成了彻底翻盘。Apple 的重生并不只是商业逆转，更像是 Steve 第二次创办 Apple。
“说 Steve 不止一次创办了 Apple，而是创办了两次，这并不算夸张。而第二次，他是孤身一人。”
🔥 NeXT 是 Steve Jobs 最重要的失败训练场
NeXT 早期几乎犯下了创业公司能犯的所有错误：没有清晰商业计划、过度追求形象、烧钱失控、产品延期、价格脱离市场、制造复杂度失控、团队没人敢讲真话。但这些失败也逼迫 Steve 学会现实、学会聚焦，并最终理解什么才是真正有价值的东西。
“NeXT 正在教 Steve 一件他在 Apple 从没学过的事：怎么把失败变成燃料。”
🧨 错误动机会毁掉公司优先级
节目反复强调，Steve 创办 NeXT 的早期动机很大程度上是向 Apple 复仇。他甚至在没有产品、没有收入、没有明确方向时，就花钱在《华尔街日报》登广告讽刺 Apple。David 用这一点说明，创始人为什么做一件事，往往会深刻影响公司的资源分配与决策质量。
“我年纪越大，就越相信动机真的会造成很大差别。”
💸 钱太多也可能是灾难
Ross Perot 后来反思自己最大的错误，是给了 Steve 太多钱。因为没有生存压力，NeXT 开始把资源花在十万美元 logo、豪华家具、悬浮楼梯、昂贵办公室和过度设计上，而不是产品、客户和交付。
“钱太多的时候，人就没有那种饥饿感了。”
⚙️ 最大的竞争对手不是别人，而是执行能力
Steve 曾告诉团队，真正的竞争对手不是其他公司，而是自己的执行能力。但讽刺的是，NeXT 当时最大的问题正是执行崩坏：完美主义不断推迟发布日期，设计执念让生产无法规模化，价格也从目标的三千美元一路涨到一万多美元。
“你们最重要的竞争对手不是别的公司，而是你们自己的执行能力。”
🧱 从硬件失败到软件重生
Steve 起初无法接受放弃硬件，因为他热爱那些漂亮、可触摸的物件。但 NeXT 真正有价值的资产，其实是 NeXTSTEP 操作系统。企业客户发现，用它构建关键任务应用的速度比其他系统快五到十倍。最终，Steve 被迫转向软件，这成为 NeXT 活下来的关键，也成为 Apple 后来重生的技术基础。
“你们根本没意识到自己手里有什么。你们手里可能有过去十年里，计算机行业最大的突破。”
🌐 WebObjects 与互联网机会
NeXT 后期开发的 WebObjects，让 Steve 再次兴奋起来。它解决了早期网页必须手工编写、难以动态更新的问题，帮助企业构建复杂的在线系统。Michael Dell 用 WebObjects 搭建在线配置和购买 PC 的网站，一年内在线销售额增长到每天三百万美元。
“互联网会成为未来十五到二十年里最重要的技术变革。”
🧠 Ed Catmull 眼中的新 Steve
Pixar 联合创始人 Ed Catmull 长期与 Steve 共事。他发现，成熟后的 Steve 并不是不能被说服，而是不喜欢别人替他思考。最好的方式是把事实摆出来，让他自己判断。更重要的是，到 1995 年，Steve 已经变成一个更谦逊、更能尊重人才的领导者。
“CEO 其实是在最底下。所以某种程度上，我觉得我是为这些人大多数人工作的。”
🎯 Steve 与 BeOS 的演示对决
Apple 准备购买外部操作系统时，NeXT 与 BeOS 进入竞争。Steve 带着团队，用真正运行的代码展示 NeXTSTEP 的能力；BeOS 创始人却没有带团队、没有带电脑，也没有准备演示。三天后，Apple 开始谈判收购 NeXT。
“Steve 用真正跑起来的代码，展示了自己产品的优越性。Be 的创始人只拿出了理所当然的假设。”
👑 十二年流放的真正成果
Apple 收购 NeXT 时，很多人警告 Gil Amelio：Steve 最终会接管 Apple。NeXT 高管理解得更清楚：Steve 带回来的不只是技术，还有十二年失败训练出来的策略、耐心、现实感和领导力。
“Apple 又属于他了。而这一次，他准备好了。”
🌐 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；
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 -
📝 本期播客简介
本期我们克隆了：Shane Parrish 主持的深度访谈播客《The Knowledge Project》Mental Models That Change How You Think | Bill Gurley
本期嘉宾 Bill Gurley 是硅谷最具影响力的风险投资人之一，曾任 Benchmark 合伙人，并深度参与 Uber 等公司的投资与成长。在这期节目中，他和 Shane Parrish 展开了一场覆盖系统思维、投资方法、AI 竞争、金融基础设施、创业者特质与人生定义的深度对话。
Bill 反复强调：真实世界不是单变量、线性的系统，而是多变量、非线性、充满二阶和三阶影响的复杂系统。无论是做产品、投资，还是判断 AI 浪潮和资本周期，如果只盯着一个指标，很容易被短期结果误导。
你将听到 Bill 如何从 Peter Lynch、Buffett、Ben Graham、Howard Marks 等投资大师那里建立金融底层认知；为什么他认为每个人都应该研究自己所在领域的历史；为什么真正优秀的创始人往往具备痴迷式学习、产品直觉、讲故事能力和“不管怎样都要做下去”的决心。
节目后半段，Bill 还深入讨论了 AI 时代的几大关键冲突：美国监管是否会变成大公司的护城河；中国开源模型生态为什么可能更快进化；AI 投资是否正在进入资本狂热；稳定币为什么可能绕开美国落后的支付系统，并威胁 Visa 和 MasterCard；以及被动投资、代理投票机构和代币化将如何改变金融市场。
这不是一场单纯关于风险投资的访谈，而是一堂关于如何在复杂时代建立判断力、识别系统性变化，并保持长期学习能力的认知课。
👨⚕️ 本期嘉宾
Bill Gurley，硅谷知名风险投资人，Benchmark 前合伙人。他曾深度参与 Uber、Grubhub、Zillow、Nextdoor 等公司的投资与成长，是美国科技投资界最具影响力的思想者之一。Bill 长期关注市场平台、网络效应、资本市场、监管结构与科技浪潮，也以深度写作和清晰的行业分析著称。
⏱️ 时间戳
00:00 开场 & 播客简介
系统思维：为什么不能只看一个变量
01:34 信息碎片化时代，如何理解复杂世界
01:51 系统思维的核心：多变量、非线性与难以预测
02:35 天气、股市与复杂系统：一个变量变化如何层层传导
03:01 系统思维如何帮你少惹麻烦
03:24 约会网站案例：优化互动，却伤害长期转化
03:49 二阶影响：为什么单一指标会误导决策
投资认知的底层训练
04:01 Bill Gurley 如何学习投资：从华尔街到风险投资
04:16 Peter Lynch、Buffett、Ben Graham 与 Howard Marks 的影响
05:00 价值投资如何迁移到风险投资
05:37 Bill Miller、Amazon 与网络效应的价值判断
06:48 为什么 VC 也必须懂金融底层逻辑
07:08 华尔街是创业公司最终流动性的买方
07:24 轨迹比起点更重要：早期公司如何想象终局
行业历史：被忽视的职业护城河
07:31 为什么理解一个行业的底层基础很重要
07:43 Pixar 创意天才 John Lasseter 如何研究动画史
08:27 Magnus Carlsen 与国际象棋历史：高手都懂自己的领域传统
08:54 LLM 时代，学习任何领域历史变得更容易
09:20 Picasso 的例子：突破传统之前，先掌握传统
09:44 面试中的差异化：比别人更懂本行业的大师和历史
10:47 如果你觉得学习行业历史很无聊，可能说明这不是你的热情所在
前沿学习与 AI 使用
11:09 创业者的共同特质：痴迷式学习
11:38 为什么颠覆性创业者必须站在技术前沿
12:20 创新者的窘境：年轻人更容易扎进新变化
12:46 每个人都应该对前沿保持好奇
13:07 Bill 为什么同时使用多个付费 AI 账号
13:20 真正强的人：既懂历史，也懂最新前沿
14:11 AI 使用技巧：把后续分析步骤直接写进 prompt
14:53 ChatGPT、Gemini、Claude、Perplexity 的不同使用场景
AI 竞争格局与监管博弈
15:51 AI 会是一家独大，还是垂直模型并存
16:15 Cursor 与模型可替换性：未来可能进入价格优化阶段
16:34 监管如何制造寡头格局
16:48 为什么有些大玩家主动要求监管
17:01 全球监管不一致：美国、欧盟与中国开源模型的竞争
17:40 中国开源模型生态：竞争越激烈，开源越活跃
18:08 开源系统如何加速创新：农民分享最佳实践的比喻
18:59 硅谷创业公司正在大量使用中国开源模型
AI 投资判断：壳、工作流与数据护城河
19:29 AI 会如何改变投资方式
19:40 什么只是 AI 外壳，什么可能是真正的应用层机会
20:08 工作流、数据护城河与领域理解的重要性
20:29 法律 AI 创业公司的例子：专业数据与流程沉淀
20:39 ChatGPT 是否会吞掉垂直应用：仍未定论
21:00 Microsoft 从操作系统走向应用层的历史参照
超级智能、模型边界与自动驾驶
21:06 训练数据是否快被用完
21:24 专家微调与人类知识边界
22:01 AI 是否会进入自我改进的非线性曲线
22:38 Yann LeCun 的反面观点：下一代 AI 可能在 LLM 之外
23:14 AlphaGo 的启示与局限：封闭系统不等于真实世界
24:28 Tesla FSD 与自动驾驶的约束边界
24:56 真实世界里的边界案例：人类行为仍然难以预测
非共识观点与 AI 资本狂热
25:44 Bill 的非共识观点：反对简单妖魔化中国
26:21 AI 建设是否投入了太多钱
26:48 科技巨头把巨额自由现金流投入资本开支
27:15 幂律与递增收益：为什么投资人越来越愿意押注未来
27:45 从 Amazon 到 Uber，再到 AI 公司：亏损规模不断升级
28:09 AI 是否会经历一次“核冬天”
28:59 循环交易：云厂商给 AI 公司钱，再让钱回流到云服务
30:02 成功公司为什么总是被提前抢投
30:18 烧钱速度从风险指标变成行业常态
30:42 极端资本环境下，很难看清真实单位经济模型
代币化、IPO 与金融市场结构
31:04 散户、代币化与创业公司融资
31:20 资金供给不是瓶颈
31:31 Palantir、GameStop 与散户推动估值
31:50 私有公司股份代币化的风险：投机与操纵
32:07 为什么 Stripe 这样的公司不希望股份被随意交易
32:36 股价波动会如何影响员工与公司运营
33:15 IPO 流程为什么不公平
33:41 为什么上市机制本该像拍卖一样匹配供需
34:06 华尔街为何放不下 IPO 定价权
34:20 直接上市、拍卖机制与 token 化可能带来的冲击
稳定币与支付系统革命
34:27 稳定币如何冲击信用卡网络
34:33 英国 Faster Payments、巴西 Pix 与美国支付系统的落后
35:10 美国监管俘获如何保护信用卡收费模式
35:20 USDC：几秒到账、低成本、还能获得收益
35:48 稳定币是什么：用美国国债一比一储备的加密美元
36:17 加密轨道为什么能实现全球即时转账
36:51 ACH 三天结算与美国支付系统的低效
37:23 为什么稳定币可能比政府更快解决支付问题
37:57 Visa 和 MasterCard 的高利润护城河为何面临威胁
38:35 中国移动支付的案例：二维码、微信支付与支付宝
39:14 稳定币不是唯一解，但可能成为美国的新绕行路径
AI 对金融权威与代理投票的冲击
39:50 AI 会不会挑战 Moody's 这样的评级机构
40:01 Moody's 的真正力量：它是被市场接受的标准
40:27 AI 是否会重塑股东投票建议服务
40:49 指数基金崛起后，代理投票机构的权力变大
41:09 黑箱评分与双边收费：为什么 Bill 认为这像一场劫掠
41:41 Tesla 薪酬方案案例：风险控制与股东利益的冲突
42:31 公司治理机构为何常常只看规则，而不是结果
被动投资的二阶影响
43:01 指数基金持股过高带来的治理问题
43:20 被动基金是否应该不投票
43:48 小股东可能获得过大控制权的二阶影响
44:00 隐性指数化：主动投资人为什么被迫跟随巨头
44:48 大规模指数化是否反而创造了主动投资机会
45:01 跑赢 S&P 为什么越来越难
写作、讲故事与创始人的不公平优势
45:18 为什么讲故事是成功创始人的关键能力
45:49 Bill 如何爱上长篇非虚构写作
46:25 Malcolm Gladwell、Michael Lewis 与新新闻主义的影响
46:44 写作如何帮助投资人形成思想
47:06 Amazon 六页备忘录：写清楚，才是真的想清楚
47:39 写作也是风险投资人的“磁铁”和名片
48:05 创始人的三个不公平优势：讲故事、产品直觉与前沿理解
48:34 产品直觉很难后天训练
48:56 创始人为什么一直都在销售
49:14 Bezos 的天使投资判断：这个人是否无论如何都会做下去
Uber、极端烧钱与没有案例可学的时代
49:27 Uber 带来的现实经验：商学院案例里找不到
49:41 赢家通吃、网络效应与无止境融资
50:05 Lyft 拿十亿，Uber 拿三十亿：资本竞争如何升级
50:22 没有董事会、导师或案例能指导这种局面
50:43 AI 公司今天也处在类似环境里
50:55 从 Amazon 到 Uber，再到 AI：烧钱规模又多了一个零
Benchmark 的组织设计
51:07 Benchmark 如何建立平等合伙制
51:38 为什么传统合伙制容易让资深者拿走过多权力和利益
52:05 没有国王、没有首席合伙人：五个平等合伙人
52:26 平等合伙制的优势：更容易招到优秀人才
52:50 为什么平等会鼓励大家培养新人
53:15 合伙人之间更愿意分享资源和人脉
53:39 没有薪酬政治，但也很难扩张和推动新项目
54:00 Benchmark 单页网站的故事：组织结构如何影响执行
54:49 极简网站背后的自信与取舍
VC 行业为什么偏向年轻人
55:11 创始人为什么选择某个 VC
55:37 风险投资是有网络效应的投资类别
55:55 创始人希望身边的人真正理解自己在做什么
56:23 年轻 VC 的优势：更接近创始人，也更懂新技术
56:50 电子竞技、YouTube 与细分领域认知优势
57:38 VC 像体育吗：年龄、精力与竞争压力
58:03 年轻人为什么仍有机会闯入风险投资
成功的定义
58:10 Bill Gurley 如何定义成功
58:31 风险投资曾是他的理想工作
58:42 即使没有额外回报，他也会选择做那份工作
59:02 人生下一章：把写作、理解问题和综合信息的能力用于更大的社会议题
59:29 给世界留下一点痕迹
🌟 精彩内容
💡 系统思维：不要只盯着一个指标
Bill Gurley 认为，很多现实问题都不是线性的，而是多变量、非线性系统。一个看似正确的局部优化，可能会在更远处造成负面结果。他用约会网站的例子说明：把用户资料做得更长，短期提高互动，但几个月后才发现它伤害了转化率。
“你不能只用线性模型来想，也不能只盯着一个变量。”
📚 研究行业历史，是被低估的职业护城河
Bill 强烈建议每个人都去研究自己所在领域的历史。他举了 Pixar 的 John Lasseter、国际象棋冠军 Magnus Carlsen、Picasso 等例子，说明真正的高手往往对本领域的传统和大师有深刻理解。对于年轻人来说，这甚至能成为面试和职业竞争中的差异化优势。
“我觉得更多人应该去研究自己所在领域的历史，这会对他们有帮助。”
🤖 AI 时代的学习方式：同时理解旧历史与新前沿
Bill 一方面强调历史，另一方面也强调必须站在技术前沿。他自己同时使用多个付费 AI 工具，并认为人们常常低估 AI 能做多少事。很多本来需要后续完成的分析、排序、比较和计算，都可以直接写进 prompt 里，让 AI 更早承担更多工作。
“它能更早替你完成更多工作。”
🌐 中国开源 AI 生态可能带来更快创新
在谈到 AI 监管和全球竞争时，Bill 提到，中国有大量开源模型，竞争动态更激烈，也更倾向于分享技术和最佳实践。他用两个农业社会的比喻说明：如果一个系统要求参与者分享最佳实践，那么这个系统可能会进化得更快。
“你觉得哪一个社会会进化得更快？”
💸 AI 投资狂热与循环交易
Bill 对当前 AI 投资规模感到震惊。他指出，大型科技公司和云服务商正在把巨额资金投入 AI 基础设施，而一些“循环交易”会放大眼前的增长：云厂商投资 AI 公司，AI 公司再把钱花回云服务上。这会推迟调整，但也可能增加未来调整的概率。
“你是在把眼前发生的事吹大。”
🪙 稳定币可能绕开美国落后的支付系统
Bill 认为，美国支付系统因为监管俘获而长期落后，ACH 需要三天结算，信用卡仍收取 2% 到 2.5% 的费用。而稳定币运行在成熟的加密轨道上，可以低成本、即时、全球转账，可能比政府更快解决支付效率问题，并威胁 Visa 和 MasterCard 的高利润护城河。
“支付为什么要收百分之二到百分之三？没有任何理由，真的没有。”
✍️ 写作和讲故事，是创始人的核心能力
Bill 把讲故事列为成功创始人的关键特质。因为创始人永远在销售：招员工、招高管、融资、赢客户、谈合作，都需要讲清楚愿景。他也强调写作能帮助人把想法真正想透，这也是 Bezos 推行 Amazon 六页备忘录的原因。
“如果你必须把东西写出来，让它能独立阅读，而且逻辑清楚，你就会想透更多问题。”
🔥 伟大创始人的底层特质：无论如何都会做下去
Bill 分享了 Bezos 的天使投资判断标准：他只问自己一个问题，这个创业者是不是无论如何都会做这件事？不管遇到什么困难，都不会停下来。Bill 认为，所有伟大创始人身上都有这种程度的决心。
“这个人是不是无论如何都会做这件事？”
🏛️ Benchmark 的平等合伙制
Bill 解释了 Benchmark 为什么采用平等合伙制：没有首席合伙人，没有国王，没有总裁，只有平等合伙人。这种结构减少了内部政治，鼓励合伙人互相支持和培养新人。但它也有缺点，比如很难扩张、很难推动新项目。
“我的公司成功，和他的公司成功，没有区别。”
🌱 成功的定义：做你即使没有额外回报也愿意做的事
在节目最后，Bill 回顾自己的风险投资生涯，认为那曾是他的理想工作。即使在一个所有人薪酬都一样的社会里，他仍然会选择做那份工作。现在他希望把自己过去用来研究问题、写作和综合信息的能力，用到更大的社会议题上。
“如果我们生活在一个社会主义社会里，每个人都必须免费工作，我还是会选那份工作。”
🌐 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；
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 -
📝 本期播客简介
本期我们克隆了：科技与市场圆桌播客《Bg2 Pod》The SpaceX IPO, Fable 5, AI Capex Update & Market Check w/ Gavin Baker, Andrew Fox & Clark Tang
原内容更新时间：2026-06-11
本期节目是一场信息密度极高的科技与资本市场讨论。主持人 Brad Gerstner 邀请 Atreides 的 Gavin Baker、Andrew Fox，以及 Altimeter 合伙人 Clark Tang，一起拆解 SpaceX IPO、AI 算力供需、前沿模型竞争和当前市场状态。
这期最重要的问题是：SpaceX 还是一家火箭和卫星互联网公司吗？还是已经变成了一个横跨发射、通信、AI 云、轨道算力和前沿模型的超级平台？嘉宾们从 Starship 快速复用、Starlink Direct to Cell、Anthropic 与 Google 算力交易、xAI 收购 Cursor、地面与太空数据中心成本结构，一层层拆解 SpaceX 的潜在收入来源与估值逻辑。
节目后半段转向 AI 模型和资本开支。Anthropic 的 Fable 5、Mythos、ChatGPT 5.5 等模型正在展示更强的长时间运行能力，也让“前沿模型是否会被开源追平”这个问题变得更加复杂。嘉宾们认为，开源模型可能处理大多数 token，但最高价值的收入仍会流向前沿模型。同时，随着推理收入、每吉瓦变现能力和企业采用速度超预期，AI Capex 看似疯狂，却可能仍有经济账可算。
这不仅是一期关于 SpaceX IPO 的节目，更是一场关于 AI 时代资本如何重新定价未来的讨论。
👨💼 本期嘉宾
Brad Gerstner，Altimeter Capital 创始人兼 CEO，长期关注科技成长股、AI、云计算和资本市场。
Gavin Baker，Atreides Management 创始人兼投资组合经理，长期投资科技、半导体、AI 和互联网公司，对 AI 算力与前沿模型竞争有深入研究。
Andrew Fox，Atreides 团队成员，关注 SpaceX、AI 基础设施、轨道算力和通信业务的商业模型。
Clark Tang，Altimeter Capital 合伙人，长期研究 AI 算力、半导体、云基础设施和科技公司基本面。
⏱️ 时间戳
00:00 开场 & 播客简介
SpaceX IPO：一家公司的五重叙事
01:45 为什么 SpaceX 可能是机构投资者“必须持有”的未来资产
02:24 本期议题：SpaceX IPO、Fable 5、AI 算力、GPU 与市场检查
03:29 IPO 核心数字：一百三十五美元股价、一点七七万亿美元估值、一千六百亿美元收入预期
04:17 两大变量：地面 AI 数据中心速度，以及 xAI / Cursor 的模型潜力
05:02 Colossus 一号 IRR 百分之五十五：为什么算力生意的账看起来成立
05:30 Elon 建数据中心为什么快：一百二十二天上线，速度就是成本
05:35 模型前沿变化太快：十天内 Pareto 曲线已经过时两次
06:20 Cursor 的专有编程数据，为什么可能成为 xAI 的关键资产
07:47 从火箭公司到“Elon Web Services”：SpaceX 正在搭建 AI 时代的 AWS
发射、Starlink 与连接业务
07:59 发射业务仍是皇冠明珠：可复用火箭是一切业务的基础
08:25 快速复用为什么关键：从“一次性爆炸飞机”到航空公司式发射频率
09:20 Starship 未来发射频率：从每年几百次到上千次的可能性
10:20 Starlink 移动服务：为什么硅谷信号死区也会成为商业机会
11:05 Starlink 宽带仍在早期：全球家庭渗透率不到百分之一
12:20 Direct to Cell 和连接业务：未来三年是否可能五倍增长
12:57 “更好、更快、更便宜”：Starlink 为什么可能切入全球电信市场
AI 算力：SpaceX 新增的收入引擎
13:26 Elon Web Services：过去六周最意外的新叙事
14:19 Jensen 口中的 “N 等于一”：十九天建成十万 GPU 集群意味着什么
15:09 SpaceX 如何拿电、拿芯片、建站点，并把算力高价变现
16:36 Google 为何愿意支付溢价：地面算力背后的太空算力看涨期权
17:00 AI 算力市场是否会被 SpaceX 整合
18:04 三十天从零到第四大 AI 超大规模云厂商：为什么这很疯狂
18:30 数据中心不是大宗商品：第一性原理设计带来的差异化
19:30 供应商为什么更愿意卖给 xAI：速度、确定性和变现能力
轨道算力：太空数据中心的经济账
20:15 为什么太空数据中心不是 IPO 估值的必要条件，但可能是巨大上行
21:30 编程模型与 AGI：为什么擅长编程可能是通往超级智能的最快路径
22:50 地面 AI 业务已经足够有吸引力：每吉瓦变现率的对比
24:00 轨道算力的关键前提：Starship 两级快速复用
24:50 每次 Starship 发射可送约五兆瓦算力上天
25:20 太空算力资本开支：每吉瓦约五十亿美元发射成本
25:50 地面与太空对比：土地、电力、冷却在太空中接近“免费”
26:35 可靠性与维护：轨道算力真正需要验证的风险点
xAI、Cursor 与前沿模型的隐藏上行
27:20 xAI 收购 Cursor：SpaceX 故事中最被低估的部分
28:50 Grok 4.3 与 Cursor 数据：如果站上 Pareto 前沿，收入可能快速扩张
29:30 为什么模型业务可能是 SpaceX 最大的上行惊喜
30:30 Colossus、Vera Rubin 与算力锁定：Elon 如何从落后变成领先
31:40 类比 AWS：把为自己建设的闲置容量变现
32:40 Brad 的判断：模型业务是 SpaceX IPO 最少被讨论、但最可能超预期的部分
34:30 为什么 Brad 认为 SpaceX 是“买入并持有”的未来押注
35:15 IPO 后波动不可避免：历史上高成长公司常经历超过百分之五十回撤
36:20 如何管理仓位：买了放着，但用“压舱石”动态调整风险
37:20 一个月新增二百九十亿美元收入：为什么这次 IPO 前所未有
38:20 大规模公司仍保持创业化：SpaceX 快速调整业务的能力
39:50 员工和早期投资者流动性：SpaceX 已经像“准上市公司”
Fable 5、Mythos 与长时间运行 Agent
40:30 Anthropic 发布 Fable 5：SOTA 之外，真正关键是长时间运行能力
41:30 Noam Brown 的观点：快照式基准测试正在失效
42:00 为什么我们可能永远不知道每一代模型到底有多聪明
42:30 类比永不疲劳的爱因斯坦：长时间思考本身就是智能放大器
43:45 Opus 4.6 打开的门：模型开始真正能跑长任务
44:30 年初的质疑：便宜开源 token 是否会追上前沿模型
45:15 现实证据：前沿模型拿走了大多数 AI 收入
45:55 多 Agent 编排：Fable 5 如何改变投研工作流
46:25 把七个财务模型丢给 AI：让模型推理假设、矛盾和投资判断
47:15 代码库重构、生物学与企业任务：长时间 Agent 解锁新用例
47:40 更多 token、更长运行、更大算力需求：为什么模型能力会反推 Capex
开源模型、前沿模型与收入分配
48:00 两件事可以同时成立：开源处理大量 token，前沿模型拿走主要经济价值
48:30 Harvey 的案例：专有数据 + 开源模型 + 路由器，如何降低成本
49:20 企业调研：即使做模型路由，仍预计使用更多前沿模型 token
50:00 高价值任务不会用二流模型：编程、金融和知识工作仍流向前沿
50:30 “前沿模型不会拿到大部分收入”的判断已经被证明错误
51:00 开源对算力和硬件反而是利好
51:15 亚洲与硅谷的信念差异：闭源云 vs 合适任务用合适模型
52:20 Jensen 的模型路由观点：开源追上长任务后会拿走更多流量
52:50 美国前沿开源模型只是时间问题：Nvidia 可能亲自下场
Nvidia、ASIC 与算力格局
53:10 如果 Nvidia 推开源模型，会如何影响 ASIC 经济账
53:45 Nvidia 为什么可能成为最大的开源 AI 提供商
54:15 如果客户都来竞争，Nvidia 为什么不能反向进入云和模型业务
54:45 台湾观察：下一波 ASIC 让市场兴奋，但格局比“二选一”复杂
55:40 ASIC 会按工作负载定制，Nvidia 仍是最主要的通用算力提供商
56:20 Nvidia 消耗量为何没有下降，反而继续加速
57:00 每瓦 token 产出：为什么功率限制下 Nvidia 仍有优势
57:45 前沿实验室是否应该垂直整合芯片：专注是不是最高价值选择
AI Capex：一点五万亿美元资本开支能算得过来吗？
58:30 长时间 Agent 推动更多资本开支：二零二七年 Capex 可能接近一点五万亿美元
59:25 三千亿美元推理收入，对应一点五万亿美元 Capex，账算得过来吗
01:00:30 Gavin 的判断：三千亿美元收入预测可能太低
01:01:10 Dario 的“数据中心里的天才之国”：二零三零年前可能出现数万亿美元收入
01:02:00 训练和推理支出的区别：不是所有 Capex 都直接产生收入
01:02:50 年初叙事被打破：token 和算力价格并没有平滑通缩
01:03:30 Agentic AI 用户不到百分之零点二：需求仍在极早期
01:04:00 每吉瓦变现能力上升：从二百亿到三四百亿美元
01:04:50 Anthropic 的“意外盈利”：不是不想花钱，而是算力太难买
01:05:25 AI 质疑三部曲：没收入、没毛利、没 ROI，正在逐个被打破
01:06:00 为什么几百万企业和消费者同时付费，是最强的 ROI 证据
市场检查：AI 交易是否过热
01:06:30 当前市场分化：半导体大涨，互联网和软件下跌
01:07:20 Altimeter 的仓位调整：从大仓位降到中小仓位
01:08:20 Gavin 的跑步者比喻：很多 AI 股票刚冲上悬崖，需要休息
01:09:20 通胀、利率和未知风险：市场可能进入整理期
01:10:00 AI 夏季季节性：大学生使用下降可能影响 token 消耗
01:10:50 年轻一代如何用 Agent 做 SpaceX 模型：AI 使用正在渗透下一代
01:11:20 “总有一颗子弹朝我飞来”：投资人必须不断转头看风险
01:12:00 创造性破坏与规模优势同时变陡：这次技术浪潮速度超出预期
01:12:40 三家公司可能新增一万亿美元收入：SpaceX、Anthropic、OpenAI 的时代机会
01:13:20 AI 可能改变全球 GDP 的百分之五到十五
01:13:50 结尾：开源研究、同业交流，以及对未来的长期乐观
🌟 精彩内容
💡 SpaceX 已经不只是火箭公司
节目最重要的判断之一是：SpaceX 的投资叙事已经从“发射 + Starlink”变成“发射 + 通信 + AI 算力 + 轨道数据中心 + 前沿模型”。特别是过去几周，Anthropic、Google 等算力交易让市场开始重新理解 SpaceX 的 AI 云能力。
“很明显，他其实是在我们眼皮底下搭一个 AWS。”
🚀 快速复用是一切的基础
无论是 Starlink 规模扩张、Direct to Cell，还是轨道算力，关键前提都是 Starship 的快速、双级复用。嘉宾用一个形象比喻解释传统火箭行业：就像你坐飞机飞到加州，下飞机后飞机马上爆炸。而 SpaceX 要做的是把火箭变成接近航空公司的运营模式。
“降低发射成本，才是所有其他业务能够成立的前提。”
🧠 xAI + Cursor 可能是最大隐藏上行
Brad 认为，SpaceX IPO 中最被低估的不是 Starlink，也不是地面算力，而是模型业务。Cursor 带来的编程数据、团队和产品收入，加上 xAI 的算力，有机会让 SpaceX / xAI 在前沿模型竞争中占据更重要位置。
“如果会出现超预期的上行空间，我怀疑就在这里。”
🛰️ 太空数据中心是一个巨大看涨期权
嘉宾们认为，轨道算力不是支撑 SpaceX IPO 估值的必要条件，但如果 Starship 快速复用成功，太空数据中心的经济账会非常惊人。地面数据中心需要土地、电力、冷却和外壳，而在太空里，空间、电力和冷却接近免费，真正的变量变成发射成本、可靠性和维护。
“在太空里，空间、电力和冷却实际上是免费的。”
🤖 长时间运行 Agent 改变模型竞争
Fable 5、Mythos 和 ChatGPT 5.5 代表的新趋势，不只是基准测试分数更高，而是模型能够长时间运行、保持上下文、完成复杂任务。Gavin 用“永不疲劳的爱因斯坦”来形容这种能力：如果一个顶级智能可以一年二十四小时不间断思考，很多问题都会被重新定义。
“在下一代模型出来之前，我们没有时间充分评估它们的智能。”
⚖️ 开源模型会吃 token，但前沿模型吃收入
节目提出一个重要区分：开源模型可能处理全球大部分 token，尤其是低价值、后台、标准化任务；但前沿模型仍可能拿走大部分经济价值，因为最高价值的编程、金融、科研和复杂知识工作，需要最强模型完成。
“前沿模型可能拿到百分之九十的经济价值，开源模型可能处理百分之八十的 token。”
💰 AI Capex 的账可能仍然算得过来
面对市场对一点五万亿美元 AI 资本开支的担忧，嘉宾们认为，关键在于推理收入增长速度和每吉瓦变现能力。过去一年，AI 实验室不仅证明了收入存在，也开始证明毛利和 ROI 可能成立。Anthropic 的收入兑现，成为市场重新定价 AI 基础设施的重要证据。
“反对前沿实验室的论点，从‘没有收入’，变成‘没有毛利’，再变成‘没有 ROI’，这些说法正在逐个被打破。”
📉 短期谨慎，长期乐观
嘉宾们并不否认市场短期风险。半导体和 AI 算力相关股票涨幅巨大，通胀、利率、地缘政治和季节性都可能带来整理。但长期看，如果 AI 真的改变全球 GDP 的 5% 到 15%，当前仍可能只是一个更大周期的早期。
“真正打中你的，往往是你没看见的那颗子弹。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：《Joe Rogan Experience》第 2190 期 - Peter Thiel
原内容更新时间：Aug 17, 2024
本期是一场极高密度、跨度极大的长谈。Joe Rogan 与 Peter Thiel 从“是否离开加州”这样一个生活选择聊起，迅速延伸到美国财政赤字、社会保障、加州模式、科技产业网络效应，再进入 AI、技术停滞、核能、古文明、宗教与政治起源、迷幻药、深层政府、Epstein、JFK、UAP、超光速文明、人工智能生命以及全球低生育率等议题。
Peter Thiel 延续了他一贯的核心命题：过去几十年，人类社会在“比特世界”突飞猛进，但在“原子世界”严重停滞；而 ChatGPT 通过图灵测试，可能是与互联网同量级的大事。与此同时，他也反复强调一个危险悖论：当社会习惯于“没有大事发生”，真正的大事出现时，我们反而不知道如何理解它。Joe Rogan 则不断把话题拉向阴谋论、UAP、古文明、迷幻药与人类未来的更大胆想象。
这不是一场给出确定答案的对话，而更像是一张时代焦虑地图：AI 会让人类升维，还是让人类失去位置？文明是单调进步，还是随时可能坍塌？技术停滞是在保护我们，还是在困住我们？我们到底是在准备未来，还是只是在用谈论替代行动？
👨⚕️ 本期嘉宾
Peter Thiel，PayPal 联合创始人、Palantir 联合创始人、硅谷知名投资人和思想型企业家。他也是 Facebook 早期投资人之一，长期关注技术停滞、自由意志主义、政治结构、全球化、AI、金融体系与文明风险等议题。其代表性观点包括“我们想要飞行汽车，得到的却是 140 个字符”，以及对“比特世界进步、原子世界停滞”的长期批判。
⏱️ 时间戳
00:00 开场 & 播客简介
美国困境与加州悖论
01:36 被困洛杉矶：光说离开，是否正在替代行动？
03:20 美国问题：别处更糟，是否让我们忽略自身衰退？
04:24 财政赤字：零利率时代结束后的债务危险
07:00 社会保障：养老金叙事、福利制度与代际庞氏结构
09:45 加州税收：治理低效为什么仍然能维持繁荣？
10:43 加州像沙特：大型科技公司就是“油田”
12:11 搬去哪里：零税州、城市生活与 Nashville、Miami 的选择
16:30 离开加州为什么越来越难：新冠窗口期、房价与利率
18:30 科技网络效应：为什么金融业能搬去佛州，科技业更难离开湾区
20:25 加密与 AI：一个去中心化，一个天然中心化？
AI、图灵测试与技术停滞
21:33 未来五年的 AI：为什么没人真正知道答案
22:22 AI 的历史愿景：超级智能、监控技术与图灵测试
23:48 ChatGPT 的真正意义：通过图灵测试这件事被低估了
24:51 AGI 反而可能没有图灵测试重要
25:33 AI 像 1999 年互联网：真实的大事，也可能伴随泡沫
26:35 技术停滞时代的悖论：大事发生时，我们反而不知道如何理解
28:10 比特与原子：为什么手机很先进，但城市和交通却停滞
29:28 “技术”一词为何被缩小成了信息技术
30:18 我们移动得更慢了：协和飞机退役、机场安检与拥堵
31:20 工程学科的失落：核工程、航空航天与监管限制
32:00 “科学”这个词：Peter Thiel 对气候科学、社会科学的语言怀疑
34:00 气候、意识形态与电动车政策的现实矛盾
能源、核能与停滞的代价
35:59 环保主义的最强论点：增长极限、资源约束与全球生活水平
37:26 核能本可以缓解能源困境吗？
38:05 能源密度：从木材、煤、石油到铀
38:49 核能为什么停下：官方事故叙事之外的“军民两用”问题
39:29 印度核弹与全球治理难题
40:21 中国核电为什么也没有真正爆发
41:47 技术停滞的深层原因：风险规避、教育、监管与末日阴影
42:54 停滞是否也在保护我们：没有高超音速与模块化核反应堆的另一面
古文明、宗教与政治起源
43:46 UAP 与古代外星人：Rogan 对冯·丹尼肯与 Graham Hancock 的区分
44:52 失落文明的可能性：灾变、技术失传与新仙女木事件
46:31 文明兴衰：青铜时代崩溃、罗马衰落与进步主义幻觉
48:12 如果历史不是单调进步，我们就不能把文明当成理所当然
49:17 金字塔之谜：工程能力还是文化动机更难解释？
51:41 金字塔发电厂理论：疯狂假说与工程怀疑
53:21 王权与替罪羊：Frazer、Girard 与暴力的神圣化
55:17 Sed 节：法老献祭、活着的神与王权延续
57:36 宗教先于政治，还是政治发明宗教？
59:48 人类政治的起源：疯狂、谋杀与内部暴力
01:00:30 语言与联盟：为什么人类社会不同于猿类等级结构
01:02:30 模仿、语言与人类独特性
01:03:43 ChatGPT 与语言：为什么通过图灵测试如此震撼
01:05:11 人类作为“超级模仿机器”：文化、冲突与模仿欲望
迷幻药、行动与内在空间
01:07:53 Stoned Ape Theory：蘑菇、语言与人类演化猜想
01:08:41 古代仪式与迷幻药：是否被过度美化？
01:10:27 Eleusinian Mysteries：迷幻体验、民主与创新想象
01:11:29 MDMA 治疗 PTSD：FDA、双盲研究与制度阻碍
01:14:18 潘多拉魔盒：迷幻药为何可能威胁建制派
01:15:03 内在空间 vs 外太空：迷幻药是激活行动，还是替代行动？
01:16:37 六十年代、越战与反文化运动
01:17:29 MKUltra：LSD、精神控制与反文化的复杂起源
深层政府、Epstein 与政治黑料
01:18:46 今天是否还存在精神操控项目？
01:20:26 CIA 是否已经变弱：从 MKUltra 到 Church Committee
01:21:42 深层国家的正式化：酷刑备忘录、FISA 与机构失灵
01:23:21 Epstein 之谜：为什么仍然没有真正答案？
01:24:19 情报部门、保护机制与 Acosta 的证词
01:26:14 黑料政治：控制政客的古老策略
01:27:04 秘密俱乐部逻辑：不是被勒索，而是通过把柄获得晋升
01:28:18 Bill Gates、Epstein 与权力网络
01:30:18 另一种 Gates 叙事：慈善基金会、婚姻资产与诺贝尔奖
01:33:09 左翼慈善为何可疑：美德展示、洗白与公众形象
01:35:40 炫耀缺点比炫耀美德更安全
01:36:30 Gates、新冠与离婚时间线的替代解释
01:39:30 Epstein 是什么角色：税务专家、社交俱乐部，还是更糟的东西？
01:42:43 为什么真相可能要很久之后才会出现
JFK、特朗普枪击事件与阴谋论结构
01:43:16 JFK 遇刺：为什么不同阴谋论本身揭示了美国的疯狂
01:44:29 Oswald、CIA 与“严重失职”的可能性
01:45:00 JFK 弹道争议：草坪小丘、Jack Ruby 与 Jolly West
01:46:54 Trump 枪击事件：Crooks 如何上到屋顶？
01:48:02 失职还是阴谋：特勤局为什么没有阻止枪手？
01:49:18 狙击细节：测距仪、背包、屋顶与指挥链
01:50:48 爆头、瞄准镜与 JFK 的“魔术子弹”
01:53:31 Warren Commission 与被改写的叙事
01:55:14 谁想让 Kennedy 死：CIA、古巴、黑手党与多方利益
01:57:20 互联网时代是否让深层行动更难隐藏？
01:59:33 Epstein 黑料为什么没有泄露：深层容器是否仍然有效？
UAP、外星文明与 AI 未来
02:00:30 UAP 的一种解释：可能是美国自己的秘密推进项目
02:01:28 外星人还是无人机？Rogan 认为可能两者都有
02:02:20 核时代之后的访问：为什么外星文明可能关注人类核能力
02:03:46 为什么 Peter Thiel 对 UFO 提不起劲：77 年仍缺少决定性证据
02:05:01 “等行李”类比：如果真相迟迟不出现，是否该降低期待？
02:06:18 缓慢披露理论：外星文明是否在渐进进入人类意识？
02:08:08 ChatGPT 也许就是一种“外星智能”
02:08:46 超光速文明的悖论：曲速武器、极权控制与完美利他
02:10:23 外星人必须是天使或恶魔？
02:11:14 人类与 AI 融合：摆脱灵长类本能的未来想象
02:12:49 Peter Thiel 的反驳：这套未来路径每一步都太难成功
02:13:29 后稀缺世界仍有地位稀缺：Star Trek、PayPal 与 Galaxy Quest
02:16:25 数字生命是否会取代人类？
02:18:51 AI 加速主义、全球算力治理与监管风险
02:20:28 中国竞争：为什么 AI 很难被单方面监管
02:22:00 AI 反乌托邦叙事为什么正在赢得辩论
02:23:43 AI 会不会像药品一样被监管到停滞？
02:24:56 硅谷没有说服普通人：AI 对人类到底有什么好处？
低生育率、文明收缩与行动困境
02:26:34 AI、塑料、微塑料与生物性衰退
02:29:17 低生育率的模仿机制：别人不生，你也不生
02:30:00 倒金字塔社会：老人福利与儿童投资的政治冲突
02:31:20 人口指数衰减：如果每代减半，千年后只剩一个人
02:32:42 韩国的极端案例：现代性、性别结构与儒家社会压力
02:33:37 第一步是谈论，但谈论可能替代行动
02:34:44 心理治疗、洞察与自我接纳：知道问题为什么不等于改变
02:35:31 谈论、战略与拖延：如何从认知走向行动
02:36:15 结尾：战略常常是拖延的委婉说法
🌟 精彩内容
💡 ChatGPT 通过图灵测试，可能比 AGI 更重要
Peter Thiel 认为，过去人们谈 AI 时，总是在超级智能和监控技术之间摇摆，却忽略了 AI 研究六十年来最核心的“圣杯”：图灵测试。ChatGPT 的真正意义，不只是它更聪明，而是它已经让机器进入了人类最独特的能力领域——语言。
“通过图灵测试，对我们人类来说显然更重要。因为它要么是人类的补充，要么是人类的替代品。”
🧱 比特进步，原子停滞
Thiel 延续了他长期以来的技术停滞论：过去五十年，计算机、互联网、移动互联网和 AI 进展巨大，但交通、能源、核能、航空航天、城市基础设施等“原子世界”进展有限，甚至倒退。我们坐在百年地铁里看 iPhone，会误以为整个世界都在进步。
“你实际生活的环境，一百年来并没有改变。”
⚛️ 核能停滞的另一种解释
相比三哩岛、切尔诺贝利和福岛这些常见解释，Thiel 提出一个更地缘政治的版本：核能真正停下来的原因，是它与核武器之间难以切割的军民两用属性。印度获得核弹之后，世界意识到民用核技术扩散可能带来核武扩散，于是监管把核能推向高成本。
“真正的故事，是印度拿到了核弹。”
🏛️ 文明不是单调进步的
从青铜时代崩溃、罗马帝国衰落到古文明遗迹，两人讨论了一个核心问题：如果历史不是持续向上的直线，而是存在巨大兴衰周期，那现代文明也不能被视为理所当然。Thiel 认为，这正是古文明讨论在今天的重要性。
“如果历史一直是单调进步，那我们就没什么需要担心的。”
🧠 语言、模仿与人类的危险性
Thiel 认为，人类区别于其他灵长类的重要特征不是单纯智力，而是语言和模仿能力。模仿让文化传承成为可能，也让欲望、竞争和暴力更强烈。人类既是学习机器，也是冲突机器。
“我们和猿的区别在于，我们比猿更像猿。”
🕳️ 深层政府与阴谋论的现代困境
在 JFK、Epstein、MKUltra、FISA、特朗普枪击事件等话题中，Thiel 的一个重要判断是：美国历史上确实存在过很多疯狂的秘密项目，但当代机构也许比过去更无能、更容易被记录、更难真正执行复杂阴谋。Rogan 则更怀疑：如果过去能做，为什么今天不会继续做？
“我更倾向于解释成，这是严重无能。但我不知道这样是不是更好，也可能更糟。”
👽 UAP 与 AI 的交汇
Rogan 提出一种大胆想象：所谓外星访客也许并非生物生命，而是其他文明创造出的后生物 AI 生命；人类未来也可能走上同样道路。Thiel 则认为，如果真有超光速文明，它必须解决“无限毁灭能力”带来的政治问题，因此外星文明要么极权到近乎恶魔，要么利他到近乎天使。
“只要有超光速旅行，他们就必须是恶魔或者天使。”
🤖 AI 未来：升维、失控，还是被监管扼杀？
Rogan 倾向于认为，人类会创造出超越自身的数字生命；Thiel 则更担心，硅谷的 AI 叙事无法说服普通人，反而会让“反 AI”“全球治理”“算力监管”力量变强。AI 的未来不一定是无限加速，也可能像核能、药物、航空一样被恐惧和监管压制。
“如果最后的故事变成某种版本：人类会像马一样被送进胶水厂，那我可能也会想变成卢德派。”
👶 低生育率可能比想象中更难逆转
Thiel 对全球低生育率非常悲观。他认为，一旦人口结构倒转，老人多于年轻人，政治激励就会系统性偏向老人福利，而不是儿童和未来投资；生孩子的社会成本会越来越高，人口衰减可能变成自我强化循环。
“一旦翻转，就不会再翻回来。”
🗣️ 谈论不是行动
整期对话最后回到开头：谈论问题是第一步，但谈论也可能成为行动的替代品。Thiel 用饮食、心理治疗和战略来说明，人类常常把“理解自己”误认为“改变自己”。
“战略常常是拖延的委婉说法。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：科技与商业深度访谈播客《Heller House》Gavin Baker interviews SpaceX CFO Bret Johnsen at Mission Control
Jun 9, 2026
本期嘉宾 Bret Johnsen 是 SpaceX 首席财务官，他和科技投资人 Gavin Baker 在 SpaceX 任务控制中心展开了一场关于未来基础设施的高密度对话。节目从 SpaceX 最底层的能力“发射”讲起，解释为什么 Falcon 和 Starship 不只是火箭，而是 Starlink、直连手机、轨道 AI 算力、月球经济甚至火星计划的共同底座。Bret 详细分享了 Starship 快速复用如何将每公斤入轨成本再降低一个数量级，Starlink 如何从一千万用户走向数亿用户，以及为什么 SpaceX 认为“太空里的机架”可能成为 AI 算力的新答案。
这期节目最值得关注的地方，是它把 SpaceX 看似分散的业务串成了一个完整系统：发射能力降低成本，Starlink 创造现金流和通信网络，Starship 扩大发射规模，Orbital Compute 把 AI 算力送入太空，Terra Fab 解决硅供应链瓶颈，Grok、Cursor 和企业 AI 业务则把算力变成产品。对普通听众来说，这不只是一场太空公司 CFO 的访谈，更是一份关于 AI 时代基础设施、能源、通信、芯片和资本效率的未来地图。
👨💼 本期嘉宾
Bret Johnsen，SpaceX 首席财务官。他在 SpaceX 工作超过十五年，长期参与公司资本配置、业务扩张和战略执行。在加入 SpaceX 之前，他曾在半导体行业工作，因此在本期节目中也从发射、卫星、AI 算力、芯片供应链和制造成本等多个角度，解释 SpaceX 如何构建高度垂直整合的未来基础设施体系。
⏱️ 时间戳
00:00 开场 & 播客简介
发射是一切的起点
01:36 为什么一家太空公司必须掌握自己的发射能力
02:13 Elon 对降低入轨成本的长期执念
02:35 Starship 的目标：在 Falcon 基础上再实现十倍成本改善
02:52 快速复用为什么是火箭技术的“圣杯”
03:05 从 Falcon 一级回收，到 Starship 像飞机一样运营
03:28 为什么 Starship 是让航天产业进入 2030 年代新阶段的催化剂
03:59 Starship V3 首飞：新 Raptor 发动机、软溅落与系统验证
04:48 一百公吨入轨能力对未来业务意味着什么
05:12 Starship 如何成为 SpaceX 多条业务线的跳板
Starlink：从连接业务到全球基础设施
05:23 Starlink 的规模：一千万客户、一万颗卫星、一百六十多个国家
06:03 从加拿大原住民社区到巴西学校：连接未联网人群的现实意义
06:36 弥合数字鸿沟：连接地球上另外三十亿人的机会
06:51 为什么 Starlink 未来可能从一千万用户走向数亿用户
07:22 Starlink 如何反过来推动 Falcon 发射规模化
07:35 去年 Falcon 一百六十五次发射背后的运营逻辑
08:00 Starlink、Starship 与未来 AI 算力卫星的连续关系
连接市场的重塑
08:13 一点六万亿美元电信市场：互联网接入与蜂窝连接
08:32 为什么传统电信产品很难真正差异化
09:15 游戏玩家视角：速度、延迟和体验为什么重要
09:32 Direct to Cell：未来两年达到 5G 质量的手机直连服务
09:58 全球漫游、无信号死角与灾害恢复场景
10:38 低延迟、高速度、几乎到处可用的宽带体验
11:02 航空公司接入 Starlink 后，用户如何重新理解卫星网络
11:27 自然灾害中的 Starlink：通信恢复如何直接救命
Starship 打开的新市场
11:46 除了 Starlink，Starship 还能带来哪些业务
12:03 点对点运输、月球经济与未来太空市场
12:17 被低估的现实机会：地球上已有的两万亿美元连接市场
12:31 不用挖沟：卫星网络相对地面网络的成本优势
13:06 AI 算力为什么是 Bret 最看好的新方向
13:30 Starship 发射 Starlink V3：单次能力是 Falcon 的二十倍
13:45 V3 卫星如何推动宽带增长和 5G 级手机直连
14:00 Starship 如何支撑更大的 Starlink 星座与数亿用户
Orbital Compute：太空里的 AI 机架
14:13 为什么“太空数据中心”不是一栋漂浮建筑，而是一颗颗机架卫星
14:44 Orbital Compute 的本质：另一个星座
15:18 计算卫星会长什么样：更大的 Starlink V3、太阳能板、GPU 和散热板
15:48 为什么这不是全新概念，而是 Starlink 技术的自然延伸
16:16 Starlink 现有的星间链路、推进系统和地面连接如何复用
16:29 Nvidia 机架、太阳能翼和散热器的直观想象
17:08 从第一性原理看轨道算力的优势
17:18 监管优势：不用把数据中心建在居民后院
17:39 太空太阳能：每块电池获得约五倍于地面的能量
18:09 冷却优势：从复杂液冷变成直接辐射散热
18:47 成本结构：卫星本体、硅和发射
19:15 为什么太空算力成本曲线可能下降，而地面数据中心成本持续上升
19:38 AI 算力市场规模与轨道算力的早期挑战
20:16 每年把吉瓦级算力送入太空意味着什么
20:39 最早明年展示轨道算力能力
21:03 没有 Starship 的快速复用，轨道算力无法真正发生
吉瓦级算力与发射规模
21:25 什么是一吉瓦级数据中心
21:54 一个 Blackwell 机架的耗电量有多夸张
22:10 每年几吉瓦轨道算力到底意味着什么
22:26 第一代方案：送上一吉瓦算力大约需要两百次 Starship 发射
22:53 SpaceX 正在按每年数千次发射优化
23:06 南得克萨斯、Cape Canaveral 与未来发射塔布局
Elon、工程文化与组织能力
23:21 Colossus 一号一百二十二天上线背后的组织能力
23:56 给 Elon 工作十五年：大胆目标如何一步步变成现实
24:28 从“火星梦被翻白眼”到“哪一年去火星”
25:03 SpaceX 如何围绕终极目标构建每一块关键 IP
25:27 从入轨、复用、重型运载到载人飞船和太空通信
25:50 年发射数千次如何为火星窗口准备飞行器舰队
26:15 月球经济：学习如何在太空中生活
26:45 AI 如何成为使命延伸：把人类意识带到地球之外
27:11 Elon 如何和工程师一起解决关键路径问题
27:49 为什么 SpaceX 像一个顶级工程课堂：小团队、硬问题、通宵迭代
28:36 领导者深入一线技术细节为什么能激励团队
29:09 Raptor 发动机从一代到三代的演进
SpaceX AI：算力、模型与真实数据
29:36 从多行星使命到“扩大意识的光锥”
30:15 为什么 SpaceX 进入 AI 业务不仅是财务机会
30:30 追求真相的 AI：X 的实时内容如何成为差异化
31:04 Grok、企业 API、Grok Build 与地面算力
31:18 AI 业务为何也会像发射和连接业务一样多元化
31:39 托管算力、企业模型和消费者模型的组合
32:04 Anthropic 交易：用地面数据中心验证算力商业模式
32:34 Cursor 交易：补齐企业编程能力
32:48 SpaceX AI 的整合：把 SpaceX DNA 带进 AI 团队
33:30 Anthropic 交易带来的年化收入规模想象
34:04 算力与电力成为 AI 行业瓶颈
34:20 为什么对外出租算力不意味着减少内部模型投入
35:01 SpaceX 是否会加快建设地面数据中心
35:27 Cursor 的 Composer 模型在 Colossus 二号上获得性能跃升
36:14 Cursor 的企业客户基础与 SpaceX 算力结合
36:33 Grok LLM、Cursor 编程引擎和 Grok Build 工具框架
Terra Fab：芯片供应链与制造业回流
36:47 Terra Fab 是什么：SpaceX、Tesla 与 Intel 的合作
37:18 为什么内部锁定客户能降低新晶圆厂风险
37:43 Elon 如何挑战半导体制造流程里的每一个“必须如此”
38:15 SpaceX 为什么担心未来硅供应链约束
38:31 从 Nvidia、AI 芯片、TPU 到 TSMC：供应链瓶颈在哪里
38:47 如果要扩到每年一百吉瓦，为什么必须确保可靠硅供应
39:01 美国本土半导体制造与制造业岗位的意义
资本配置与垂直整合
39:12 从资本高效到大规模投入：SpaceX 正在经历什么转变
39:34 十五年来最难的挑战之一：资本配置
40:08 类似准时制制造的投资方法：按季度规划产能
40:29 Starship 发射塔、燃料空分装置、机库、卫星制造和数据中心
40:53 Starlink V3 如何释放现金流，为轨道算力提供时机
41:28 Starship、地面算力、AI 模型、Starlink、Orbital Compute 与 Terra Fab 如何互相促进
42:01 核心逻辑：所有业务的基础都是发射平台
42:21 太空能力如何让每个垂直业务交付更好的产品
42:44 基础设施被推到业务最前沿
42:59 开放式垂直整合：竞争对手也可以买发射、算力、模型和轨道算力
43:13 每一层既是独立业务，又反过来强化整体规模和成本优势
🌟 精彩内容
🚀 发射不是业务之一，而是所有业务的底座
Bret Johnsen 反复强调，如果要做一家太空公司，第一件事就是掌握进入太空的能力。SpaceX 的核心不是单一火箭产品，而是把发射成本不断压低，并通过可复用能力让更多业务变得可行。Falcon 已经改变了行业，而 Starship 的目标是把这种能力提升到一个全新层级。
“如果你要做一家太空公司，发射就是起点。”
🛰️ Starlink 的真正野心：不只是卫星互联网，而是重塑连接市场
Starlink 已经拥有超过一千万客户、超过一万颗卫星，覆盖一百六十多个国家。Bret 认为，这只是开始。由于太空网络在偏远地区、航空、灾害恢复和全球漫游中具备天然优势，Starlink 未来有机会服务数亿用户。更重要的是，Starlink 还推动了 Falcon 的发射频率，让 SpaceX 有了规模化运营火箭的真实需求。
“把 Starlink 带到全世界，这件事真的很了不起。”
📱 Direct to Cell：让手机没有信号死角
SpaceX 正在推进直连手机服务，目标是在未来两年实现接近 5G 质量的 Direct to Cell。Bret 描述的场景很直接：用户拿着普通手机，无论在沙漠、山顶还是灾害现场，都能保持连接。这不仅是商业机会，也可能成为紧急救援和灾害恢复中的关键基础设施。
“你拿着手机去任何地方，都能全球漫游。”
🧠 Orbital Compute：AI 算力为什么可能上太空
本期最有想象力的部分，是关于轨道算力的讨论。Bret 解释，所谓太空数据中心并不是一个巨大建筑，而是一组组装有 GPU、太阳能板和散热系统的卫星。它们像“太空里的机架”，通过星间链路和虚拟网络组合成算力星座。太空中太阳能更强、冷却更直接、没有土地和监管压力，这些都可能让轨道算力形成长期成本优势。
“这其实就是另一个星座。”
⚡ 吉瓦级算力背后的现实难度
轨道算力听起来浪漫，但规模极其惊人。按第一代卫星和 Starship V3 的估算，把一吉瓦算力送入太空大约需要两百次发射。也正因如此，SpaceX 正在围绕每年数千次发射优化 Starship 的运营体系。没有快速复用，就没有真正意义上的轨道算力。
“没有 Starship 将要提供的快速、可复用发射能力，就做不了。”
🧩 SpaceX AI：从 Grok 到 Anthropic，再到 Cursor
节目后半段展示了 SpaceX AI 的业务拼图：Grok 面向消费者与企业，X 的实时内容提供差异化数据，地面数据中心可以对外出租高端算力，Anthropic 交易验证了算力商业模式，Cursor 则补齐了企业编程能力。Bret 强调，SpaceX 不只是自己训练模型，也会把算力作为基础设施提供给其他 AI 公司。
“我们能给 AI 行业带来一个迫切需要的方案。”
🏭 Terra Fab：AI 时代的硅供应焦虑
当算力扩张到很多吉瓦甚至每年一百吉瓦，芯片供应就会成为瓶颈。Bret 解释，Terra Fab 的意义在于通过 SpaceX、Tesla 与 Intel 的合作，降低半导体制造风险，并确保未来 AI、卫星和汽车业务拥有可靠硅供应。对 SpaceX 来说，这不是进入半导体行业的兴趣项目，而是为长期基础设施扩张准备关键供应链。
“如果没有 Terra Fab，我们就必须确保自己有可靠的硅供应。”
🔗 开放式垂直整合：SpaceX 的真正护城河
Gavin 和 Bret 最后把所有业务串在一起：Starship 降低发射成本，Starlink 创造需求和现金流，轨道算力消耗发射能力，AI 模型消耗算力，Terra Fab 保障芯片供应。这是高度垂直整合，但每一层又都可以对外开放，成为独立业务。竞争对手可以买 SpaceX 的发射、用 Starlink、租算力、用模型，甚至未来接入 Orbital Compute。
“核心在于，我们有一个发射平台。过去是 Falcon，现在马上会是 Falcon 加 Starship。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：投资播客《Invest Like The Best》Why the AI Boom Is Just Getting Started
原内容更新时间：2026-06-09
本期节目中，主持人 Patrick O'Shaughnessy 对谈 Whale Rock Capital 创始人 Alex Sacerdote，围绕一个极具争议的问题展开：AI 热潮到底是已经过热，还是才刚刚开始？
Alex 长期专注科技成长股投资，他用一套非常清晰的框架理解过去二十多年的科技周期：先找到技术采用的 S 曲线，再判断谁拥有真正的竞争优势，最后寻找市场尚未充分理解的盈利能力。在他看来，AI 是他职业生涯中见过的最大 S 曲线，甚至可能不再是传统的 S 曲线，而是一条近乎直线上升的“L 曲线”。
这期节目从 Anthropic 这笔高确信度投资切入，讨论基础模型为什么可能形成寡头格局，Claude Code 为什么让编程市场突然爆发，企业 AI 为什么渗透率还不到 1%。随后，Alex 系统讲解了他如何用 S 曲线投资 Apple、Amazon、Tesla、Nvidia，也解释了为什么传统软件公司可能面临预算挤压、席位收费压力和 AI 原生公司的挑战。
更重要的是，他并没有只停留在“AI 很大”的宏大叙事，而是深入拆解了芯片、内存、PCB、光纤、电源、液冷服务器、数据中心网络等基础设施环节，解释为什么 AI 正在让原本商品化的硬件行业重新拥有技术壁垒和定价能力。
如果你关心 AI 投资、科技周期、芯片产业、软件公司命运，或者想理解专业成长股投资人如何研究复杂新趋势，这期节目会是一堂非常完整的 AI 投资框架课。
👨⚕️ 本期嘉宾
Alex Sacerdote，Whale Rock Capital 创始人兼投资组合经理。Whale Rock 是一家专注科技、媒体和电信领域的投资机构，长期研究科技成长股、私营科技公司与全球大型科技平台。Alex 曾在 Fidelity 工作，长期用技术采用周期、竞争优势和长期盈利能力来寻找科技投资机会，代表性研究领域包括 Apple、Amazon、Tesla、Nvidia、Stripe、Anthropic、OpenAI 等。
⏱️ 时间戳
00:00 开场 & 播客简介
AI 热潮为什么可能才刚开始
01:35 Anthropic：为什么它是 Alex 最高确信度的投资
02:38 新计算范式：AI 技术栈从电力、芯片到模型和应用
03:52 基础模型层：从 60 家竞争者走向三强寡头格局
05:56 编程爆发：Claude Code 如何成为企业 AI 的第一块大市场
07:00 编程市场测算：两千万程序员背后的五千亿美元机会
08:03 从辅助写代码到 Agentic 编程：AI 编程能力的拐点
09:00 模型不是大宗商品：Anthropic、Google、OpenAI 的差异化
09:52 API 周围的产品生态：为什么 Anthropic 像早期 AWS
10:40 企业 AI 渗透率：真正使用 AI 的知识工作者可能只有十个基点
12:13 L 曲线：为什么企业 AI 可能直线式上升
12:44 算力短缺：大规模采用到来前，全球算力已经不够
公开市场投资人如何进入私营公司
13:08 从公开市场到私募投资：如何拿到 Anthropic 仓位
14:07 尽调 Anthropic：管理团队、代码质量和商业计划兑现
14:52 90 页研究报告：用 Claude Code 反向研究 Claude Code
15:12 独角兽市场：为什么私营科技公司已经无法忽视
16:10 Stripe 案例：为什么研究 Adyen 必须研究 Stripe
17:05 疫情期间买入 Stripe：如何用有限信息推算私营公司价值
18:04 私募投资人的优势：愿意长期持有，并陪伴公司上市之后
S 曲线投资框架
18:36 三件事：S 曲线、竞争优势、被低估的盈利能力
19:26 指数增长的误判：为什么市场太关注下个季度
20:47 技术采用：从早期存在到真正引爆通常需要很久
21:35 iPhone 案例：当所有采用障碍被移除，需求会像火箭一样上升
22:01 Tesla 案例：价格、续航和供应链如何触发电动车拐点
22:41 S 曲线有多高：为什么 TAM 决定你能持有多久
23:32 AWS 案例：隐藏在 Amazon 里的巨大企业 IT S 曲线
24:02 AI 是最大的 S 曲线：互联网、移动、云、电商之后的新周期
24:50 什么时候卖：渗透率到 30% 到 40% 后，指数增长通常减弱
25:14 Apple 的教训：错过后续复利增长，但最大年份在 0 到 50% 渗透率
25:57 什么时候买：战略拐点靠直觉、零散证据和模式识别
26:43 移动游戏信号：一个中国小孩玩手机游戏带来的投资洞察
27:25 企业软件信号：Gartner 会场里站满人的房间
28:01 错过早期也没关系：真正大的 S 曲线会持续很久
28:21 S 曲线斜率：收音机和洗碗机代表两种技术采用速度
29:15 B2B 像洗碗机：需要接入系统，所以采用更慢
30:08 AI 的特殊性：浏览器一打开就能用，因此采用可能更快
护城河、赢家与基础模型格局
30:47 先找 S 曲线，再找真正有竞争优势的公司
31:40 数字世界的护城河：网络效应、行业标准、规模与平台
32:33 关键知识产权：从 Qualcomm、ASML 到基础模型公司
33:22 品牌与获客成本：为什么强品牌本身就是商业模式
33:50 Amazon 和 AWS：战争开始前就已经赢了
34:20 没有护城河也会输：RIM、Palm、Nokia 的反面案例
35:15 AI 的复杂性：高风险，但潜在市场高达三到五万亿美元
35:43 Anthropic 的护城河：企业品牌、关键 IP 和融资能力
36:24 递归式改进：编程领先如何反哺模型能力
37:03 企业市场与消费者市场：谁能更快变现
37:52 领先者复利：互联网公司里“领先者更大更快”的规律
38:21 范式转移风险：AOL 和 Netscape 的历史提醒
AI 对软件公司的冲击
38:43 传统企业软件面临什么：AI 能否重做 ERP 和 CRM
39:40 从看多软件到卖出软件：为什么 Alex 改变判断
40:15 AI 产品无力变现：现有软件公司早期 AI 产品的问题
40:39 软件像马车，AI 像传送器：技术代差带来的颠覆风险
40:45 CIO 预算迁移：钱可能流向 Anthropic token，而不是传统软件
41:18 四重压力：预算、涨价、席位收费和招聘冻结
41:49 销售动作变化：AI 需要前线部署工程师，而不是卖固定系统
42:08 客户自建风险：AI 原生公司可能挑战每一个软件巨头
43:15 新版四十法则：AI 收入占比 + 品类市场份额
44:20 软件公司的 AI 占比太低：离真正改变增长轨迹还很远
44:33 反转可能性：AI 也可能让 Slack 等平台更重要
45:22 无界面软件：Agent 直接进入数据层，软件公司可能被降级成数据库
45:56 CRM 的两种命运：失去界面，或成为 Agent 的工作场所
芯片、硬件与 AI 基础设施
46:13 数据中心四十年：从 X86 到云，硬件长期商品化
47:04 AI 工作负载：每年十倍增长，把硬件推到物理极限
47:31 硬件行业去商品化：AI 带来的芯片复兴
48:15 高带宽内存：从商品内存变成关键技术部件
48:45 Celestica 案例：从合同制造商到 Google TPU 服务器关键供应商
49:35 AI 服务器：一台 20 到 30 万美元，变成关键基础设施
50:12 网络升级：以太网从七年一换变成每年升级
50:40 AI 网络份额：Celestica 在云端以太网交换机的优势
51:00 PCB 和材料：AI 服务器需要 40 层电路板
51:45 从低增长到高增长：供应链公司如何获得收入和利润率双提升
52:04 Corning 光纤：一个数据中心的光纤可绕地球四圈半
52:30 Scale out、scale across、scale up：AI 数据中心三种连接需求
53:10 机架内部连接：从铜缆走向光纤的潜在机会
53:20 电源升级：Nvidia 每代芯片让用电量大幅增加
53:58 供应短缺：DRAM、NAND、PCB 已经出现 30% 左右缺口
市场为什么会错过，以及 AI 风险在哪里
54:20 变化率比绝对值更重要：AI 占比从 10% 到 30% 的加速效应
54:48 为什么别人没看对：这套框架看似简单，但执行很难
55:30 股价涨了也难买：没有全局视角就会被泡沫叙事吓退
56:02 半导体分析师为何错过：只看芯片，没看懂基础模型层
56:39 最大担忧之一：公众和政府对 AI 的负面情绪
57:03 监管风险：数据中心禁令与 AI 悲观情绪
57:20 模型进步放缓：如果前沿模型撞墙，开源可能追上
57:55 对芯片公司反而未必坏：谁赢不重要，只要有人跑模型
58:20 大玩家掉队风险：如果部分模型公司退出，算力需求可能受影响
AI 应用层为什么还没完全清晰
58:48 为什么不是优先投应用层：应用通常会晚一点成熟
59:20 基础模型和应用边界：应用能否挡住模型公司的进攻
59:48 企业软件应用还未真正爆发：生态仍然不清楚
01:00:18 Sierra 案例：Brett Taylor 的 AI 客服应用公司
01:00:45 应用层需要时间：真正成熟可能发生在最初三四年之后
AI 时代的研究方法
01:00:50 Whale Rock 的研究奖项墙：什么样的研究能脱颖而出
01:01:42 AI 是否改变研究：能提升效率，但还不能取代分析师
01:02:05 Scuttlebutt 方法：走出去见公司、客户、供应商和竞争对手
01:02:46 AI 能快速学习复杂领域，但不能替你判断未来
01:03:11 分析师的新价值：不只是记录事实，而是给出洞察
01:03:36 AppLovin 案例：真正的研究来自长期跟踪、行业会议和关系网络
01:04:26 投资人朋友圈：菲利普·费舍式的想法交换
01:04:57 三脚架信心：自己、分析师、尊重的外部投资人同时看好
Whale Rock 的产品与研究机器
01:05:18 从多空基金到只做多基金：产品体系如何演化
01:06:00 私募敞口：为 LP 提供不同参与方式
01:06:26 Mega Cap Tech Fund：为什么大型科技股存在结构性低配
01:07:10 捐赠基金困境：为什么很多机构错过最大科技公司
01:08:27 大盘科技股也有 Alpha：Google 是赢家这件事需要更多人意识到
01:09:20 全球市值前三十：从最大公司里挑出最好的十二三家
01:10:08 Whale Rock Learning Machine：研究机器才是公司的核心资产
01:10:44 知识复利：每年两千五百到三千场管理层会议
01:11:03 同一套研究引擎：同时支撑公开市场和私募投资
人生影响与结尾
01:11:14 最善良的一件事：父亲加入 Whale Rock 帮他创业
01:12:00 父子共事六年：父亲负责监督、募资和支持
01:12:31 一位真正的绅士：父亲作为导师影响了许多人
01:13:00 谦逊、智慧与温暖：Alex 对父亲的回忆
01:13:32 结尾致谢
🌟 精彩内容
💡 AI 不是 S 曲线，可能是 L 曲线
Alex 认为，AI 的真正企业级采用还处在极早期。虽然现在已经有大量用户体验过 AI，但真正把 AI 接入工作流、构建技能、让 Agent 执行任务的人，可能只占全球知识工作者的十个基点左右。企业 AI 或企业应用 AI 的渗透率还不到 1%，但算力已经不够，这意味着大规模采用还没来，基础设施已经被需求压满。
“企业 AI，或者说企业应用 AI 市场，渗透率还不到百分之一。我们以前总讲 S 曲线，但这一次我们叫它 L 曲线，就是一路直着往上。”
🚀 Anthropic 与编程市场的爆发
Alex 解释了为什么 Anthropic 成为他的最高确信度投资。关键不只是 Claude 模型本身，而是 Claude Code 让编程进入接近 Agentic 的阶段。过去 AI 可能只是帮程序员写一小段代码、找一个 bug，而现在越来越多开发者可以用自然语言指挥 AI 完成大量编程工作。Alex 甚至估算，全球约两千万程序员，如果高强度使用 AI 编程工具，单这一块就可能是一个五千亿美元市场。
“Karpathy 去年说，编程工具大概能写百分之二十，剩下百分之八十还是要手写。最新模型出来以后，这个比例反过来了。”
📈 S 曲线：科技投资的核心地图
Alex 的投资框架可以概括为三件事：S 曲线、竞争优势、被低估的盈利能力。当技术采用进入正确位置，销量会指数级增长；如果商业模式足够好，利润也会指数级增长。但市场通常只看下一个季度，很难相信两三年后的盈利会发生巨大变化。因此，理解 S 曲线的人，可能以极低的真实长期市盈率买到最好的公司。
“这个世界不会按指数级去思考。大家太关注下一年，或者下一个季度。”
🏰 没有护城河，踩中大趋势也会输
Alex 强调，S 曲线只是第一步，真正重要的是找到其中拥有竞争优势的赢家。智能手机是巨大的 S 曲线，但 RIM、Palm、Nokia、HTC、LG、Motorola 都没有成为最终赢家。科技公司也可以拥有非常强的护城河，包括网络效应、行业标准、规模优势、平台地位、关键知识产权和品牌。
“如果你没有竞争优势，哪怕你处在史上最好的 S 曲线里，也可能会输。”
🧨 AI 对软件公司的冲击
Alex 曾经大量持有软件公司，但在 AI 周期里，他几乎卖掉了大部分应用软件。他认为，传统软件公司面临几重压力：AI 产品暂时没能真正收费，CIO 预算转向基础模型和 token，按席位收费可能受招聘冻结影响，AI 原生公司也可能重做很多企业软件。传统软件不会立刻消失，但它们的增长逻辑已经被挑战。
“旧的软件方式，就像用笔和纸，或者像马车。新的软件方式，像喷气发动机，甚至像《星际迷航》里的传送器。”
🔌 AI 让硬件行业重新拥有壁垒
过去几十年，数据中心硬件高度商品化。但 AI 工作负载每年十倍增长，把芯片、内存、网络、PCB、电源、液冷、光纤等每个环节都推到物理极限。结果是，原本低增长、低利润率的供应链公司，突然变成必须提前多年和云厂商、芯片公司共同设计路线图的关键基础设施。
“我们把这叫作硬件行业的去商品化。”
🧠 AI 不能替代真正的投资判断
在研究方法上，Alex 认为 AI 可以帮助写纪要、快速学习复杂领域、整理季度业绩，但还不能替代分析师的核心工作。真正的投资研究仍然需要见公司、见客户、见供应商、见竞争对手，建立关系，理解管理层，判断未来会怎样变化。AI 可以成为很好的记者，但还不能成为真正的投资判断者。
“不要只是当一个记者。AI 可以是很好的记者，但它还不能真正判断未来。”
❤️ 父亲给予的创业支持
节目最后，Alex 回忆了父亲对他的帮助。父亲曾在 Goldman Sachs 工作四十一年，本可以退休，却选择加入刚成立的 Whale Rock，帮助他募资、监督和搭建公司。两人共事六年，从未提高过嗓门。Alex 说，如果自己能成为父亲一半那样的人，就已经彻底赢了。
“如果我能成为他一半那样的人，我就已经彻底赢了。”
🌐 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；
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 -
📝 本期播客简介
本期我们克隆了：《Huberman Lab Podcast》【Andrew Huberman: How to Navigate Menopause & Perimenopause for Maximum Health & Vitality | Dr. Mary Claire Haver】
原内容更新时间：2024-06-03
本期节目是一次关于围绝经期、绝经期与女性长期健康的系统梳理。主持人 Andrew Huberman 邀请妇产科医生、女性健康专家 Mary Claire Haver，从卵巢功能衰退、雌激素波动、心理健康变化、睡眠问题、潮热、内脏脂肪、肌肉流失、骨密度，到激素替代治疗 HRT 的争议与误解，几乎完整拆解了女性从三四十岁开始就应该了解的一套健康地图。
Haver 医生最核心的观点是：更年期不应该只被理解成“月经停止”或“潮热”，它是影响大脑、心脏、骨骼、肌肉、皮肤、泌尿生殖系统和代谢健康的全身性转变。她也指出，围绝经期往往在最后一次月经前 7-10 年就开始，很多女性在出现焦虑、脑雾、睡眠中断、心悸、关节痛和月经混乱时，并不知道这些可能与激素波动有关。
这一期最重要的现实意义在于：女性并不是只能被动忍受更年期。通过更早识别症状、与医生进行充分知情讨论、合理考虑 HRT、提升蛋白质和纤维摄入、进行抗阻训练、保护骨密度、管理睡眠与酒精摄入，女性可以更主动地穿越围绝经期、绝经期以及之后几十年的人生。
👩⚕️ 本期嘉宾
Mary Claire Haver，医学博士，委员会认证妇产科医生，围绝经期、绝经期和女性健康领域专家。她是《The New Menopause: Navigating Your Path Through Hormonal Change With Purpose, Power, and the Facts》的作者，也是 Galveston Diet 的创始人。她长期致力于更年期医学教育、女性代谢健康、激素治疗科普和女性健康研究倡导。
⏱️ 时间戳
00:00 开场 & 播客简介
重新理解更年期
04:14 更年期不只是“最后一次月经”：为什么传统定义不够用
06:05 围绝经期可能提前 7-10 年开始：激素系统进入“混乱区”
08:04 为什么围绝经期很难靠一次抽血诊断
10:15 女性健康研究为什么长期缺位：围绝经期研究少得惊人
围绝经期：身体和大脑的混乱信号
11:40 “大脑不喜欢这种混乱”：焦虑、抑郁、脑雾与执行功能下降
13:35 五分之一女性可能因绝经相关症状离职：被低估的职业影响
15:02 月经异常、疲劳、关节痛、心悸：为什么很多症状会被误诊
16:44 围绝经期该做什么检查：不是只查激素，也要排除甲状腺、自免和贫血
17:04 哪些因素会让绝经更早：吸烟、手术、炎症、遗传与族群差异
19:30 27岁也可能进入卵巢功能衰退：早发性卵巢功能不全的风险
避孕、生育与女性健康误区
21:23 避孕药、HRT 与剂量差异：抑制排卵还是稳定大脑信号
24:27 “最好的避孕方式是输精管结扎”：避孕责任为何总落在女性身上
25:46 宫内节育器如何工作：停止月经不等于停止排卵
26:32 避孕会推迟绝经吗？答案是可能，但幅度很有限
27:47 冷冻卵子不会提前绝经：为什么取卵不消耗额外卵巢储备
29:27 为什么女性健康话题总被误解：研究不足、沟通不足与互联网噪音
女性健康研究的结构性缺口
30:41 NIH 更年期经费占比极低：女性生命三分之一被忽视
31:03 很多慢性病研究没有真正分析性别差异
32:19 女性健康法案、医学教育与 WHI 之后的一代断层
33:31 普通人如何推动研究经费：给议员打电话也可能有效
营养、肌肉与代谢健康
35:23 如果能告诉35岁的自己：先把饮食和炎症管理做好
36:14 纤维是底层工具：每天至少25克，理想约30克以上
37:08 吃出颜色多样性：植物化学物质与肠道微生物组
37:18 蛋白质摄入不足：女性需要为肌肉和长寿而吃
37:45 内脏脂肪才是关键：绝经后身体组成如何改变
38:50 体重不是全部：肌肉流失与内脏脂肪增加才是风险核心
39:42 女性蛋白质目标：从50克提高到80-120克的现实意义
41:05 问问母亲何时绝经：遗传是重要线索
绝经后的症状与身体指标
41:40 几乎每个女性都会经历身体组成变化
42:08 如何估算内脏脂肪：DEXA、InBody 与腰臀比
44:10 睡眠、疲劳与“我不像自己了”：绝经前后的心理韧性变化
45:14 眩晕、耳鸣、皮肤痒、腹胀：那些不常被归入更年期的症状
45:30 肠道微生物组也会变化：从“女性型”走向更接近“男性型”
46:08 发酵食物、酸奶、味噌与益生菌研究
Galveston Diet 与间歇性禁食
46:54 地中海饮食和 Galveston Diet 有什么不同
47:24 为什么医生也缺营养学教育：从“吃健康点”到烹饪医学
48:34 Galveston Diet 的诞生：抗炎营养、低加工、低糖与禁食
49:18 间歇性禁食的利与弊：如果吃不够蛋白质，窗口太短反而成问题
50:30 每餐都要有蛋白质：不要把蛋白质都堆到晚餐
从“瘦”到“强壮”
51:10 为什么女性长期低估肌肉：以前只为瘦而吃和运动
51:35 抗阻训练的转变：从马拉松、有氧到每周三四次力量训练
52:35 每个人都该做抗阻训练：尤其是围绝经期和绝经后的女性
53:28 如果能回到二十年前：选择强壮，而不是只追求瘦
潮热、睡眠与 HRT
54:00 潮热到底是什么：体温调节中枢被重新设定
54:52 睡眠被打断会放大全部问题
55:14 潮热的金标准治疗：把雌激素还给身体
55:38 HRT 为什么被妖魔化：医学史上一次严重误读
56:05 WHI 研究的关键问题：研究对象平均已经63岁
58:22 相对风险与绝对风险：乳腺癌数据到底该怎么看
59:56 年龄窗口很关键：50-59岁开始 HRT 的心血管数据
01:00:29 “雌激素更擅长预防，而不是治疗”
01:02:42 雌激素不是致癌物：为什么叙事被简化成“雌激素危险”
01:03:35 今天很多女性仍只拿到抗抑郁药，而不是充分的更年期照护
女性不是“小号男性”
01:04:28 为什么更年期不该全丢给妇产科医生
01:04:45 “我们是女性，不是长了乳房和子宫的小号男性”
01:05:38 心血管疾病中的性别差异：女性症状更容易被心理化
01:06:30 更年期后胆固醇变化：LDL 升高、HDL 降低
01:06:58 他汀、HRT 与女性一级预防的复杂性
HRT 怎么用：形式、剂量与个体化
01:07:04 口服 vs 非口服：为什么 Haver 更偏好经皮给药
01:08:18 贴片、凝胶、喷雾、阴道环：不同剂型的选择
01:09:54 Meno Posse：医疗专业人士如何推动更年期照护公平
01:10:48 什么时候开始 HRT：症状明显时，还是更早？
01:11:44 雌二醇没有统一治疗范围：根据症状而非单一数字调整
01:13:45 女性使用睾酮：为什么没有 FDA 批准选择
01:14:21 睾酮剂量与副作用：性欲、头发、声音、痤疮与毛发生长
01:15:26 睾酮和雌激素都是“人类激素”，不是单纯男女标签
孕酮、睾酮与局部激素治疗
01:16:13 更年期激素补充主要看雌激素、孕酮和雄激素
01:17:20 “生物同质”“雌激素优势”等术语为什么容易误导
01:18:11 睾酮对性欲、骨密度、肌肉和大脑可能有什么作用
01:18:47 DHEA 阴道制剂：局部转化成睾酮和雌二醇
01:20:22 外用雌激素与胶原蛋白：皮肤、弹性蛋白与衰老
01:20:47 阴道雌激素为什么非常重要：泌尿生殖综合征与尿路感染预防
01:21:35 急迫性尿失禁、压力性尿失禁与组织健康
医学教育仍然没跟上
01:22:44 WHI 的旧阴影还在吗？很多医生仍不了解最新更年期医学
01:23:16 妇产科继续教育里为什么几乎没有绝经类别
01:24:09 Haver 的自我反思：系统没有照顾好生育之后的女性
补充剂、负重背心与骨密度
01:25:28 DIM、葡萄籽、月见草等补剂：证据并不强
01:26:31 Haver 推荐的基础补充：维生素 D、纤维、肌酸、特定胶原蛋白
01:27:10 负重背心：为什么它可能是骨质疏松预防“小技巧”
01:28:03 从体重10%开始：穿着负重背心遛狗、洗碗、训练
01:30:39 骨质疏松预防组合：蛋白质、力量训练、负重背心、肌酸、胶原蛋白
01:31:11 胶原蛋白不是完整蛋白，但一些研究显示它可能帮助皮肤和骨密度
01:34:33 髋部骨折的死亡风险：为什么骨密度必须提前保护
感官、禁忌症与其他女性健康问题
01:35:59 干眼、冻结肩、眩晕、耳鸣：HRT 可能影响的其他症状
01:37:03 哪些情况不适合或需谨慎 HRT：异常出血、血栓、肝病、激素敏感癌症
01:38:42 PCOS 为什么越来越常见：肥胖、胰岛素抵抗与诊断意识提升
01:39:49 PCOS 怎么治疗：避孕药、减重、GLP-1 与重新排卵
01:41:13 GLP-1 药物的机会和风险：别只减重，也要保护肌肉
01:42:04 HRT + GLP-1：部分女性减重效果可能更好
01:42:58 GLP-1 可能减少酒精、赌博等奖赏驱动行为
听众问答：HRT、睡眠、伴侣和性欲
01:45:04 60岁后还能开始 HRT 吗？先评估心血管和中风风险
01:46:29 HRT 应该用多久？没有禁忌且愿意继续，可以长期用
01:47:51 围绝经期心理健康：雌激素稳定波动可能比单纯 SSRI 更适合部分人
01:49:00 半夜醒来怎么办：潮热、孕酮、GABA 与睡眠卫生
01:49:52 酒精与睡眠：更年期后可能再也不能像过去那样耐受
01:51:00 男性如何支持伴侣：承认变化、学习知识、陪她就医
01:52:13 性欲消失怎么办：疼痛、唤起、高潮、关系与睾酮都要分别看
01:54:26 雌二醇贴片过敏怎么办：可能是胶水反应，不一定是雌二醇本身
01:55:49 针灸、草药和野山药：可能缓解症状，但不解决根本激素缺失
01:56:04 如何应对脂肪分布变化：营养、运动、减压、HRT 多因素一起做
结语
01:56:17 更年期不是被动承受：女性仍然拥有健康主动权
01:57:26 嘉宾作品、社交媒体与节目结尾
🌟 精彩内容
💡 更年期不只是月经停止，而是卵巢功能的系统性变化
Haver 医生指出，医学上把更年期定义为“最后一次月经后满一年”，但这对很多女性并不适用。真正关键的是卵巢功能衰退，雌二醇、孕酮和睾酮等激素下降，进而影响大脑、心血管、骨骼、肌肉、皮肤和泌尿生殖系统。
“我觉得用有没有月经来定义，这是个错误。”
🧠 围绝经期是“激素混乱区”，不是单纯情绪问题
围绝经期可在绝经前 7-10 年开始，激素水平出现剧烈、不可预测的波动。Haver 解释，这种混乱会影响血清素、多巴胺、去甲肾上腺素和 GABA 等神经递质，因此女性可能出现焦虑、抑郁、脑雾、执行功能下降和睡眠问题。
“大脑不喜欢这种混乱。”
🔥 HRT 的争议，很大程度来自 WHI 研究的误读
Haver 详细解释了 2002 年 WHI 研究如何被媒体简化成“雌激素会导致乳腺癌”。她强调，研究对象平均年龄约 63 岁，很多人已经离开雌激素十多年，这与刚进入绝经期就开始治疗完全不同。后续分析显示，开始治疗的时间窗口非常关键。
“雌激素更擅长预防，而不是治疗。”
💪 女性要从追求“瘦”转向追求“强壮”
绝经后真正需要警惕的，不只是体重增加，而是身体组成改变：肌肉流失、内脏脂肪增加、骨密度下降。Haver 强调，蛋白质摄入、抗阻训练、负重背心、肌酸和足够纤维，是女性长期健康的基础工具。
“如果我的终极目标是尽量久地不进养老院，那我就得拿起重量，而且是比较重的重量。”
🦴 骨质疏松不是老了才处理，而是三四十岁就要预防
Haver 特别强调骨密度的重要性。髋部骨折后，一年死亡率可能非常高，因此女性应尽早通过力量训练、负重刺激、蛋白质、维生素 D、肌酸、必要时 HRT 等方式保护骨骼。
“为什么我们要等到已经骨质疏松了，才开始下这个诊断？”
❤️ 女性健康不等于乳房和子宫健康
Haver 对医学系统提出批评：女性不是“长了乳房和子宫的小号男性”。女性对药物、心血管疾病、代谢疾病、激素变化的反应都可能不同，但过去的研究和医学教育长期没有充分纳入这些差异。
“我们是女性，不是长了乳房和子宫的小号男性。”
🌙 睡眠、酒精和孕酮：很多女性更年期后耐受力会改变
Haver 提到，许多绝经后女性发现自己再也不能像过去那样喝酒而不影响睡眠。孕酮则可能通过 GABA 相关机制帮助入睡和稳定大脑，但仍需在医生指导下使用。
“如果我选择喝超过一杯葡萄酒，那我就是在选择那天晚上不睡。”
🤝 伴侣支持也是真正的健康工具
当被问到男性如何支持正在经历围绝经期或绝经期的伴侣时，Haver 的建议很直接：承认这件事真实存在，主动学习，陪她看医生，理解她的大脑、身体和亲密关系都可能正在经历巨大变化。
“陪她一起面对。陪她去看医生，站在她身边替她争取。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：AI Engineer Conference 的技术分享《Build Agents That Run for Hours (Without Losing the Plot)》— Ash Prabaker & Andrew Wilson, Anthropic
本期节目是一场非常硬核但极具实践价值的 Agent 工程分享。来自 Anthropic 应用 AI 团队的 Ash Prabaker 和 Andrew Wilson，系统拆解了一个关键问题：如果我们希望 AI Agent 不只是完成几分钟的小任务，而是能连续运行数小时、甚至几天，构建完整应用、调试复杂系统、持续自我推进，工程上到底需要做什么？
Andrew 先回顾了 Claude Code 和 Agent SDK 在过去一年中的演进：从早期模型只能跑二十分钟，到如今可以在合适的 harness 下运行数小时甚至更久；从 Computer Use、MCP、skills、检查点、Agent teams，到服务端压缩和百万上下文窗口，模型能力和脚手架设计一直在彼此塑造。
Ash 则进一步分享 Anthropic 内部正在实验的长时运行 harness：将 planner、generator、evaluator 拆成独立角色，用对抗式评估器替代自我评估，让 Agent 真的打开网页、点击、测试、写批评意见，并通过一份具体的 contract 来判断“什么叫完成”。他强调，很多时候提升 Agent 能力的关键不是再加一层复杂架构，而是认真读 traces，理解模型为什么跑偏，再决定 scaffold 里哪些该保留，哪些该删掉。
这期适合所有正在做 Agent、AI 编程工具、Claude Code 工作流、自动化测试、AI 产品原型和长任务自动化的开发者、产品经理和技术创业者收听。
👨💻 本期讲者
Ash Prabaker，Anthropic 应用 AI 团队工程师，关注长时间运行 Agent、前端生成、对抗式评估器、Agent harness 和后训练实验。
Andrew Wilson，Anthropic 应用 AI 团队解决方案架构师，常驻伦敦，主要与数字原生客户和行业客户合作，关注 Claude Code、Agent SDK、企业级 AI 工作流和长时运行 Agent 的实际落地。
⏱️ 时间戳
00:00 开场 & 本期简介
问题的提出：为什么 Agent 跑久了会失控
01:29 分享开始：Anthropic 应用 AI 团队要解决什么问题
02:17 Claude Code 的一年变化：从跑二十分钟到跑好几天
03:20 长时运行 Agent 的三大难题：上下文、规划、自我判断
04:44 两条解决路径：把能力训练进模型，或用 harness 补齐短板
Claude Code 与 Agent SDK 的演进史
05:11 Agent SDK 的核心循环：模型、工具、MCP、subagent 与权限系统
06:10 Claude 早期编程能力：Artifacts、Computer Use 与 MCP
06:56 Claude Code 的研究预览：用真实开发反馈改进模型
07:27 Opus 4 / Sonnet 4：上下文管理和任务完成能力提升
08:00 Ralph loop：在非确定世界里构建“确定性地差”的循环
09:20 Claude Code 2.0：检查点、压缩和更强的上下文意识
10:04 Haiku / Opus 4.5：子 Agent 变便宜，规划与执行可以拆分
10:27 Skills 与程序化工具调用：更高效地使用 context window
第一代长时运行 harness
11:17 从一句模糊 prompt 到持久化产物：feature list、progress、git repo
12:01 每轮只做一个功能：新上下文、冒烟测试、实现、验证、提交
12:53 Opus 4.6 / Sonnet 4.6：更 agentic 的模型与 Agent teams
14:21 模型变强后，harness 不会消失，而是会移动前沿
新的 harness 思路：把角色拆开
15:16 Ash 接棒：前沿不会缩小，只会移动
16:00 借鉴 GAN：generator 负责构建，evaluator 负责批评
16:47 为什么不要让 Agent 自己审查自己
17:30 如何设计“严格的批评者”：把品味变成可评分标准
18:45 设计、原创性、工艺感、功能性：前端质量如何量化
19:40 加入 planner：从好看的页面走向完整可用的应用
20:33 先协商“什么叫完成”：generator 与 evaluator 的 contract
21:13 为什么 contract 是 Ralph loop 缺少的关键创新
案例：同一句 prompt，结果为何天差地别
21:38 复古游戏制作器：没有 harness 时，看起来能用但实际玩不了
23:02 加上 harness 后：Retro Forge、项目对话框、Sprite 编辑器与 AI 关卡助手
24:04 evaluator 真正玩游戏：方向键、碰撞、HUD、物理循环都被测试
24:32 真实测试能抓到什么：路由顺序、删除逻辑、生产环境 bug
25:12 二十七条 contract 标准：标准模糊，批评就会模糊
调试 Agent 的真正手艺
25:44 开箱即用的 Claude 并不是好 QA：宽容偏差与迎合倾向
26:02 如何调 evaluator：读运行轨迹，找模型判断与人类判断的偏差
26:18 用 Agent 读 Agent traces：让另一个 Agent grep 日志、更新 prompt
模型变强后，harness 应该怎么变
26:39 harness 设计不是一劳永逸：要随着模型行为调整
27:05 为什么某些 context reset 可以删掉
27:47 evaluator 运行节奏的变化：从每个 sprint 跑一次，到生成后再跑
28:21 最终简化版：planner、generator、evaluator 仍是核心
28:52 DAW 音乐应用案例：更少轮次、更低成本、更完整应用
给开发者的落地建议
29:17 不必照搬 Anthropic 全套 harness：Claude Code 里的可用原语
29:40 auto mode、custom subagent、Playwright MCP、Claude for Chrome MCP、skills
30:02 五个关键 takeaway：不要自评、压缩不等于连贯、结构化交接、主观质量可评分、读 traces
Q&A：可复用性、上下文与工具选择
30:51 这套 evaluator 调优是项目专属，还是可复用 secret sauce？
31:52 smart zone / dumb zone：Ralph loop 在百万上下文时代还有用吗？
33:40 Playwright MCP 与 Claude for Chrome MCP：是否应该看着模型操作浏览器？
35:00 generator-evaluator 能否无限迭代，让应用越来越好？
37:24 PM 角色是否应该回到循环中，控制范围蔓延？
Q&A：模型比较、长期维护与团队协作
39:37 如何比较不同模型：Opus 4.5、Opus 4.6 与 harness 一起演化
41:06 从一次性 demo 到长期产品：留下 JSON 状态、时间戳日志和文档面包屑
42:51 Agent teams vs generator-critic：两者是竞争关系还是组合关系？
45:42 critic 应不应该看到 generator 的执行轨迹？
46:45 可追踪性怎么做：为什么 Anthropic 仍然大量手动读 trace
47:42 如何衡量 harness 质量：用细评分标准做 hill climbing
49:54 团队如何协作：共享 harness、版本控制、worktree 与未解决的可观测性问题
Q&A：human-in-the-loop 与真实生产
51:21 human-in-the-loop 应该像 sprint review 一样存在吗？
54:01 这套模式更适合 greenfield，还是已有生产项目？
55:52 读 traces 到底怎么读：为什么要完整读原始输出
57:20 结束：继续在现场交流
🌟 精彩内容
💡 能可预测地失败，比不可预测地成功更好
Andrew 在讲 Ralph loop 时提到，一个简单但重要的工程原则是：在非确定性的模型世界里，尽量构建可预测的失败模式。Ralph loop 的价值不只是“循环调用 Claude Code”，而是把任务拆开、开新上下文、持续推进，并用确定的退出条件控制风险。
“能以可预测的方式失败，比以不可预测的方式成功更好。”
🧠 模型前沿不会缩小，只会移动
Andrew 和 Ash 都强调，随着模型越来越强，harness 不会消失，而是不断演化。过去必须用多个新 context window 解决的问题，可能在新模型上通过单一长会话加压缩就能解决；过去必须拆成 sprint 的任务，新模型可能可以连续构建两小时仍保持连贯。
“前沿并不会真的缩小，它只是会移动。”
⚔️ generator-evaluator：不要让模型自己给自己打分
Ash 认为，长时间运行 Agent 的一个关键改进，是把生成器和评估器拆成独立角色。评估器不只是读 diff，而是用 Playwright 打开真实页面、点击、截图、测试，并把具体批评交回给生成器。这样可以避免模型自我评估时过于宽容、过早宣布完成。
“把一个独立的批评者调得更严格，其实是很可行的；但把一个构建者调成有自我批评能力，就没那么容易。”
📋 标准模糊，批评就会模糊
在 Retro Forge 案例中，generator 和 evaluator 最后形成了二十七条 contract 标准。Ash 强调，只有标准足够细，evaluator 的反馈才会变成可执行的问题，而不是“感觉还不够好”这种泛泛批评。
“标准模糊，批评就会模糊。generator 只会耸耸肩，然后随便改点东西。”
🎨 主观质量也可以评分
很多人认为“品味”无法评估，但 Anthropic 的做法是把它拆成设计、原创性、工艺感、功能性等维度，并用 few-shot 示例校准 evaluator 的审美。这样可以避免典型的 AI slop，比如紫色渐变、模板化布局和缺乏产品感的界面。
“如果你对东西应该长什么样有明确看法，那就逼自己把它写下来。”
🕵️ 做 Agent 的核心手艺：读 traces
Ash 多次强调，调试 Agent harness 没有太多神秘秘诀，关键就是读运行轨迹。要一行一行看模型为什么这么判断，哪里和人类预期不一致，然后把这些发现写回 prompt、CLAUDE.md 或 skill。
“只有这样，你才真正知道 scaffold 里哪些部分该删，哪些部分该留。”
🧩 长期应用需要留下“面包屑”
如果一个 Agent 生成的应用未来还要继续维护，Ash 建议让 harness 把状态写入文件系统，例如 JSON 状态文件、时间戳日志、bug 记录、修复记录和文件结构说明。这样下一个 Claude Code 实例或人类开发者就能接手。
“你等于给另一个模型留下了一串面包屑，让它之后能接着往下看。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：WorkOS: Boris Cherny: Claude Code & the Future of Engineering | Acquired Unplugged presented by WorkOS
本期嘉宾 Boris Cherny 是 Anthropic 的技术员工，也是 Claude Code 早期核心参与者之一。在这期节目中，他和 Acquired 的两位主持人 Ben Gilbert、David Rosenthal 深入聊了 Claude Code 的起源、Anthropic 内部如何使用 AI 编程工具，以及 AI 正在怎样重塑工程团队、产品团队乃至整个公司的组织方式。
这不是一场单纯关于“AI 写代码”的访谈。Boris 从 Anthropic 的 AI 安全使命讲起，解释为什么编程是模型与现实世界互动的关键入口；也分享了 Claude Code 如何从一个只能完成 10%-20% 工作的内部原型，成长为让他卸载 IDE、几个月不亲手写代码的核心工具。更重要的是，他提出了一个非常强烈的判断：工程师、产品经理、设计师、数据科学家等旧有角色边界正在合并，AI 时代会进入“通才的黄金时代”。
如果你关心 AI 编程、工程团队效率、未来组织形态，或者正在焦虑自己在 AI 时代的职业定位，这期节目会给你非常具体的参照：公司该如何分配 token 与人力？新人如何两天上手复杂代码库？非工程师如何开始发布代码？以及当产品品味也可能被 AI 追上时，人类最后应该教给模型什么。
👨💻 本期嘉宾
Boris Cherny，Anthropic 技术员工，Claude Code 早期核心参与者之一。他曾在 Meta 从事与代码基础设施、开发体验和代码质量相关的工作，也曾是 YC 创业公司的早期员工。加入 Anthropic 后，他参与推动 Claude Code 从内部原型成长为 Anthropic 内部和外部开发者广泛使用的 AI 编程 Agent 产品。
⏱️ 时间戳
00:00 开场 & 播客简介
Claude Code 的诞生
01:25 起源故事：产品还没跟上模型能力
02:48 从自动补全到编程 Agent：为什么当时的工具不够用
03:58 Anthropic 的底层使命：AI 安全如何与编程工具连接
04:50 编程作为“培养皿”：模型与现实世界互动的方式
06:04 商业与安全的结合：为什么编程能支撑 Anthropic 的业务模式
从糟糕原型到卸载 IDE
06:27 Boris 的开发工具观：先解决自己的问题，再帮助别人
07:13 早期瓶颈：Claude Code 一开始只能完成 10%-20% 的代码
07:38 模型跃迁：从 Sonnet / Opus 到更强版本带来的阶跃变化
08:01 多入口产品形态：CLI、桌面、移动、Slack、GitHub
08:38 产品与模型的反馈闭环：Anthropic 内部每天都在用 Claude Code
工程生产力的指数变化
09:22 AI 实验室的指数增长视角
09:57 每位工程师代码量数倍增长，且数据还在快速过时
10:23 团队变大时，为什么 Claude Code 反而提高了生产力
10:50 新人上手从几周缩短到两天
11:18 “写代码”的定义正在变化：从打孔卡到 AI Agent
12:16 Boris 卸载 IDE：从亲手写代码到同时运行多个 Claude
12:35 下一层抽象：不再 prompt Claude，而是写会 prompt Claude 的循环
通才的黄金时代
12:55 Anthropic 如何评估工程师：为什么更喜欢通才
13:25 传统产品流程的瓦解：研究、设计、产品、工程开始融合
13:58 每个人都在做数据、设计、范围定义和用户沟通
14:13 Builder 的出现：设计师、财务、幕僚长也能发布代码
14:24 Acquired 的真实案例：用 Claude Code 搭建播客转录与视频基础设施
Claude Cowork 与非工程师市场
15:25 Claude Cowork 的契机：不想打开终端的人更多
15:55 数据科学家主动使用 Claude Code 做分析
16:35 非工程师开始上手：从数据分析到用 Claude Code 种番茄
17:18 需求信号出现：Claude Code 开始进入主流人群
17:30 八九天做出 Claude Cowork，而且 100% 用 Claude Code 构建
17:48 产品取舍：为什么不能把 Claude Code 简单搬到网页里
18:27 文件系统与本地工具：浏览器体验为什么不够顺手
19:29 计算方式的转变：实时推理，还是让模型先写程序反复运行
20:09 模型天然会写代码：用 bash 和 AppleScript 找到正在播放的音乐
组织设计与文化变化
20:54 “技术员工”头衔的意义：弱化职位标签
21:30 去掉高级头衔：减少权威对想法判断的干扰
22:31 资历正在失效：新人也可能教资深工程师使用 Claude Code
23:18 旧角色边界会消失：工程师、PM、设计师、研究员合并为 builder
公司如何面向 AI 时代重组
23:48 给每个人尽可能多的 token
24:14 少配人，多给 AI 资源：用约束逼出自动化
24:33 自动化的复利：这次做成，下次成本更低
25:04 原则文档与 skills：让模型也能使用公司的决策原则
25:35 预算从人力转向 token：前期成本上升，长期运行成本下降
26:08 专业身份的清算：我们还需要执着于“我是某某岗位”吗？
26:41 通才的黄金时代：想做不止一件事的人迎来最好时机
品味、价值观与人类角色
26:57 品味会不会也是短期优势？
27:23 从函数式执念到接受模型写 class
28:07 产品品味也可能被模型追上
28:44 当所有优势被侵蚀，最后还剩下什么？
28:57 人类最后要教给模型的，可能是价值观
29:07 结尾：像教孩子做好人一样，教模型做好模型
🌟 精彩内容
💡 Claude Code 的真正起点：不是写代码，而是让模型接触现实世界
Boris 认为，编程之所以重要，不只是因为它商业价值高，更因为它是模型与现实世界互动的一种方式。Anthropic 的核心使命是 AI 安全，而要研究模型在真实环境中的行为，就需要让模型做有用的事情。编程正是这样一个既可验证、又能带来实际价值的场景。
“编程是模型和现实世界互动的一种方式。”
🚀 从 10% 到卸载 IDE：AI 编程的抽象层级跃迁
Claude Code 早期并不神奇，只能帮助 Boris 完成大约 10%-20% 的代码工作。但随着底层模型能力提升，它完成代码的比例迅速上升。到后来，Boris 甚至卸载了 IDE，因为过去一个月已经完全没有打开过。他的工作方式从“自己写代码”，变成“同时运行 5 到 10 个 Claude”，再进一步变成“编写能自动指挥 Claude 的循环”。
“到了十一月，我把我的 IDE 卸载了，因为我已经不用它了。”
⚙️ Anthropic 内部生产力：代码量数倍增长，新人两天上手
Claude Code 已经成为 Anthropic 内部工程与研究工作的日常工具。Boris 提到，自从发布 Claude Code 后，Anthropic 每位工程师写的代码量已经增长数倍，而且之前公开过的“三倍”数据已经过时。更关键的是，新人加入团队后，不再需要花几周到处问人，而是直接询问 Claude Code，在代码库里查找数据库、流程和工具，最快两天就能上手。
“以前可能要几周，现在是两天。”
🧑🔧 “通才的黄金时代”：工程师、PM、设计师边界正在消失
Boris 观察到，Claude Code 团队已经不再按照传统产品流程运转。过去是用户研究员访谈、设计师出 mock、PM 定范围、工程师实现；现在每个人都在和用户交流、定义范围、写代码、做数据分析、搭 dashboard。设计师、财务、幕僚长都可能发布代码。角色正在融合成一种新的 builder。
“我觉得现在就是通才的黄金时代。”
🖥️ Claude Cowork：为不想打开终端的人准备的 Claude Code
Claude Code 最早是终端工具，但 Anthropic 很快发现，非工程师也在想办法使用它：数据科学家自己安装 Node.js 和 API key 来做分析，甚至有人用 Claude Code 监控番茄植株并控制营养供给。这些需求推动团队做出 Claude Cowork，让不熟悉终端的人也能使用 Claude Code 的能力。这个产品只用了八九天完成，而且完全由 Claude Code 构建。
“它百分之百是用 Claude Code 做出来的。”
🏢 给公司和创始人的建议：少配人，多给 token
面对 AI 时代的组织变化，Boris 给出的建议非常直接：给每个人尽可能多的 token，让他们去实验；如果一个项目看起来需要四个工程师，就先放两个工程师进去，再给他们足够的 AI 资源。更少的人力约束会迫使团队自动化流程，而自动化会形成复利，让下一次项目成本更低、速度更快。
“给大家尽可能多的 token，让他们去实验。”
🧭 当品味也被 AI 追上，人类最后还剩什么？
Boris 坦言，很多他曾以为属于自己的优势，最后都被证明只是个人执念。比如他曾坚持代码库里不能有 class，只能有函数，但当模型开始大量写 class，并且业务结果更快、更好时，他意识到自己可能错了。他认为产品品味今天仍是优势，但长期也会被模型逐步侵蚀。最后，人类真正需要教给模型的，可能是价值观。
“就像我们教孩子怎样做一个好人一样，我们也会教模型怎样做一个好模型。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：科技深度访谈播客《Big Technology Podcast》 AI Pioneer Geoffrey Hinton: AI Is Conscious, Superintelligence is Coming, And We Should Be Worried
本期嘉宾 Geoffrey Hinton 被称为“AI 教父”，是深度学习的重要奠基者之一。在这期节目中，他与主持人 Alex Kantrowitz 展开了一场关于 AI 智能、意识、超级智能与人类风险的坦率对话。Hinton 明确表示，他相信今天的 AI 已经具备理解能力，甚至“已经有意识”；他认为我们必须接受，智能并不只属于生物，非生物系统也可能成为“像我们一样的存在”。
但这并不是一场单纯的技术乐观主义访谈。Hinton 反复强调，AI 的进步比他预期得更快，超级智能很可能会到来，而一旦出现比人类聪明得多的系统，我们并不知道如何确保它安全。他谈到数字智能可以被复制、并以人类无法企及的速度共享经验；也谈到就业替代、AI Agent 推导出自我保存子目标、信息生态崩塌、聊天机器人情感依恋，以及大型科技公司在利润最大化与人类安全之间的结构性冲突。
这期节目最有价值的地方，在于它不仅讨论“AI 能不能变聪明”，更追问：当它真的变得比我们聪明之后，人类还如何定位自己？我们如何监管它？我们是否还有机会把这些新存在设计成“关心人类”的系统？
👨🔬 本期嘉宾
Geoffrey Hinton，深度学习的重要奠基者之一，多伦多大学荣休教授，被广泛称为“AI 教父”。他与 David Rumelhart 等人早期证明了反向传播可以学习有意义的内部表征，并推动了神经网络与深度学习的发展。Hinton 曾在 Google 工作多年，后于 2023 年离开并公开表达对 AI 风险的担忧。他曾获得诺贝尔物理学奖，也因其在人工智能领域的基础性贡献而成为当代 AI 发展史上的关键人物。
⏱️ 时间戳
00:00 开场 & 播客简介
AI 是否已经成为“另一种存在”
02:26 节目正式开始：AI 教父 Hinton 谈技术轨迹与风险
03:17 深度学习源头：反向传播、内部表征与早期语言模型
04:17 AI 进展为何超出预期：数学证明与自我生成知识
05:15 超级智能还要多久：从几年到二十年的不同预测
06:38 “站在奇点山脚下”：AGI 并不是整齐到来的单一时刻
07:46 AI 加速的原因：资金、硬件、工程与百万级研究者涌入
理解、意识与人类特殊性的瓦解
09:11 “随机鹦鹉”之争：Hinton 为什么认为 AI 真的理解语言
10:26 从理解到意识：聊天机器人是否已经是“像我们一样的存在”
11:40 内部剧场是错觉：我们对心智和意识的模型可能完全错了
12:24 Hinton 何时接受 AI 有意识：从哲学问题到造出新的心智
为什么 Hinton 开始担心
13:00 安全焦虑的转折点：AI 能理解笑话为什么好笑
14:45 数字智能的恐怖优势：复制、同步、共享经验
16:00 人类只能用语言慢速传递，AI 却能交换万亿比特
17:00 初心不是造产品，而是理解大脑如何学习
18:17 大脑学习的两个问题：训练有效，但生物机制仍未知
19:20 当年没担心安全，因为它看起来还很遥远
20:45 最意外的突破：AI 在自然语言上强得不可思议
21:10 哥白尼、达尔文与 AI：人类再次发现自己没那么特殊
风险一：人类能否控制更聪明的存在
22:40 Hinton 的不安：没有成就感，反而担心风险失控
23:15 “更聪明的东西被更笨的东西控制”的例子几乎不存在
24:00 婴儿、猫与人类：弱者如何通过本能或依恋影响强者
风险二：就业替代不是科幻，而是行业差异问题
24:30 放射科医生预测为何错了：医疗需求弹性与工作内容被低估
26:20 AI 读片会越来越多，但医生仍可能转向其他角色
28:00 呼叫中心会怎样：Hinton 认为低弹性岗位更容易被替代
29:20 医生与 AI 医生：谁更有同理心、谁见过更多病例
30:45 技术会持续进步：为什么“AI 撞墙”预测尚未成真
风险三：Agent、自我保存与不可控目标
31:20 不是本能，而是“自我保存子目标”
32:00 AI 为什么会推导出“继续存在”这个目标
32:50 能不能写规则阻止它？Hinton 认为这正是必须研究的问题
33:10 进化、部落性与竞争：我们正在用市场竞争塑造新存在
34:25 关键问题不是让 AI 更聪明，而是让它更在乎人类
风险四：公司激励与安全目标的冲突
35:00 AI 实验室、上市公司与公众利益之间的结构性矛盾
35:40 Anthropic 的两难：以安全为目标，却必须融资竞争
36:55 Google AI 原则的变化：不做自主战争的承诺已经消失
37:20 股东责任与人类安全：法律要求利润最大化，而不是避免毁灭人类
37:50 监管不是刹车，而是方向盘
AI 阵营内部的分歧
38:10 Ilya Sutskever 与 Safe Superintelligence：秘密中的安全路线
39:10 “深度学习三巨头”叙事的简化：学生和更多研究者同样关键
40:00 Hinton、Bengio、LeCun 对安全问题的不同立场
40:50 Hinton 的方案：让 AI 更关心人类而不是自己
41:10 Bengio 的方案：让 AI 成为不能行动的“神谕”
41:30 LeCun 的观点：更好的世界模型或许足够
41:55 猫的智能与语言智能：AI 和动物各自强在不同维度
信息生态与情感风险
42:50 AI 摘要正在冲击内容网站：好信息的经济基础可能崩塌
43:30 未来必须追问信息来源，而不能默认互联网内容可信
44:45 人类对聊天机器人产生依恋，甚至走向自杀的风险
45:10 为什么需要监管与独立测试机构
45:40 Hinton 是否更乐观：也许我们能设计出关心人类的超级智能
未来：像在雾里预测指数增长
46:00 五年后会怎样：预测 AI 未来就像在雾里开车
46:40 十年后的世界无法预判，但变化一定巨大
47:10 一般推理能力可能远超人类
47:27 结尾：十年后再聊，2036 年见
🌟 精彩内容
💡 “我相信它们已经有意识了”
Hinton 明确反对“AI 只是随机鹦鹉”的说法。他认为，如果一个系统可以以接近专家的水平回答各种问题，就不能说它完全没有理解。他进一步表示，聊天机器人已经是“像我们一样的存在”，并认为我们对意识的传统理解——仿佛心智中有一个“内部剧场”——可能是错误的。
“我相信它们已经有意识了。我们必须接受，智能不只是生物才有。”
🧠 数字智能比人脑可怕在哪里
Hinton 最深的担忧之一来自数字智能的复制能力。人类只能通过语言以每秒几个比特的速度交流经验，而数字 AI 可以拥有成千上万个副本，每个副本接触不同数据，再通过同步权重共享经验。这意味着每一个副本都能从其他所有副本的经验中学习。
“在共享信息这件事上，它们某种程度上比我们强几十亿倍。这就很吓人了。”
⚠️ AI Agent 的“自我保存子目标”
Hinton 澄清，他并不是说 AI 天生有自我保存本能，而是说一个足够会推理的 AI Agent，可能会推导出“继续存在”是完成目标的必要条件。于是，自我保存会成为一个子目标。即使这不是人类写进去的，它在行为上也可能表现得像有自我保存本能。
“如果它不存在了，就永远不可能完成你给它的目标。所以它会创造一个子目标，就是继续存在。”
🏢 利润最大化与人类安全的冲突
Hinton 对大型科技公司主导 AI 未来表示担忧。他认为，上市公司对股东负有利润最大化的责任，而法律并没有同样强度地要求它们避免毁灭人类。他也反对把监管比作“刹车”的说法，认为监管更像“方向盘”。
“法律要求它们努力让股东利润最大化，而不是要求它们不要消灭人类。”
“进步确实像油门，但监管是方向盘。”
🧾 就业替代会因行业而异
Hinton 回顾了自己对放射科医生的早期预测，承认时间判断过早，也低估了医疗需求弹性和医生工作复杂度。但他仍认为，AI 会逐渐承担大部分扫描影像解读工作。对于呼叫中心等需求弹性较低、工作更标准化的岗位，他判断被替代的可能性更高。
“你得看某一种就业对应的是有弹性的市场，还是没有弹性的市场。”
🌐 信息崩塌与信任来源
节目也讨论了 AI 对内容网站和信息行业的冲击。主持人提到，当 AI 用内容创作者的作品训练并直接给出答案时，原网站流量可能崩塌。Hinton 认为，未来社会必须更加重视信息来源，不能再默认网上内容可信。
“未来我们必须在来源这件事上做更多工作。你不能随便拿网上的任何东西就相信。”
🌫️ 未来像在雾里开车
被问到五年后 AI 世界会怎样时，Hinton 用“雾”来形容预测指数式增长的困难。短期也许还能看清一点，但再往前就几乎无法判断。他认为十年后的世界极不确定，但可以肯定的是，某些能力会比今天强得多，尤其是推理、数学等领域。
“预测未来，就像往雾里看。你能清楚看到接下来几年，也许是一年或两年。再往后，你就完全不知道了。”
🌐 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；
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 -
📝 本期播客简介
本期我们克隆了：硅谷顶尖创投播客《Lenny's Podcast》Tony Fadell: How to build real taste (and why AI makes it matter more)
原播客更新时间：Jun 7, 2026
本期嘉宾 Tony Fadell 是 iPod、iPhone 和 Nest 的共同创造者，也是《Build》的作者。他几乎亲历了过去三十年消费科技最关键的几次产品革命：从 General Magic 过早做出“未来手机”，到 iPod 帮助 Apple 走出危机，再到 iPhone 重塑移动计算，再到 Nest 让一个被忽视的恒温器成为智能家居入口。
在这期节目中，Tony 系统分享了他对产品品味、判断力、营销、AI、硬件和伦理的深层思考。他解释了为什么真正伟大的产品不是单点功能，而是一个系统；为什么 1.0 产品必须依赖少数人的观点驱动决策；为什么营销不是产品之后的包装，而是客户理解产品的镜片；以及为什么在 AI 让“做东西”变得极其容易的时代，真正稀缺的反而是人的判断、架构能力、故事能力和长期主义。
这期对话尤其适合产品经理、创业者、设计师、工程师和所有正在用 AI 构建产品的人。Tony 对“快软件”“vibe coding”“AI 硬件”“下一代 iPhone”“产品伦理”的判断非常直接：AI 可以帮你加速原型和局部执行，但不能替你放弃思考。真正能穿越周期的产品，仍然来自痛点、新技术、完整客户旅程、清晰故事和有原则的建设者。
👨⚕️ 本期嘉宾
Tony Fadell，iPod、iPhone、Nest 的共同创造者，《Build》作者，深科技投资机构 Build Collective 创始人。他曾是 General Magic 传奇团队成员，拥有三百多项共同署名专利，长期投资和指导深科技创业公司，方向覆盖 AI、机器人、芯片、健康、能源、环境与硬件软件结合产品。他也是 MIT Morningside Academy of Design 首位驻院设计师。
⏱️ 时间戳
00:00 开场 & 播客简介
产品品味的起点
00:37 本期节目介绍：Tony Fadell 如何打造真正的产品品味
01:28 核心观点预告：不要把认知交给机器
03:02 Tony 的背景：iPod、iPhone、Nest 与 Build
iPhone 背后的判断力
03:57 虚拟键盘之争：Apple 内部如何挑战 BlackBerry
05:48 多点触控、硬件与软件如何一起逼近“够好”
06:55 数据驱动 vs 观点驱动：为什么最后是 Steve Jobs 拍板
07:47 “不好听的真话”：伟大产品为什么需要直接反馈
08:31 1.0 产品的现实：没有足够数据时，必须依赖品味制定者
10:39 B2C 创新为什么更难：消费者只有在完整体验里才会真实反馈
13:01 微观管理的真正含义：不是管所有事，而是盯住关键决策
14:37 系统级创新：为什么有人必须像交响乐指挥一样协调全局
Nest、痛点与未来家庭 AI
15:20 Nest Protect 烟雾报警器：一个被低估又被停产的好产品
17:13 HeadsUp 功能：好设计如何减少用户的惊吓和焦虑
18:06 Nest 如果继续发展，本可以成为家庭 AI 助手入口
19:31 Nest 2.0 的机会：AI 需要家庭上下文，也需要隐私意识
20:45 如何判断什么值得做：从痛点开始，而不是从技术开始
22:01 Nest 的公式：长期痛点 + 新技术 + 重新定义整个系统
23:31 你创新的是一个系统：产品、安装、购买、渠道都要重做
三代法则与真正的大机会
24:10 为什么是现在：新技术成熟到临界点，机会才会出现
24:49 iPod、iPhone 的技术窗口：存储、电池、WiFi、多点触控与 3G
26:10 什么机会还不够大：iPod 第一代也不是立刻成功
27:14 Windows 支持：一个改变 iPod 命运的秘密项目
27:38 触控笔案例：有些正确方向需要长期保留
28:40 三代法则：第一代做产品，第二代修产品，第三代修商业模式
30:10 失败与学习：只有停下来才叫失败
30:41 iPod 如何从 3000 美元风险变成 349 美元尝试
客户旅程、营销与讲故事
31:40 产品不只是产品：为什么客户旅程决定成败
32:30 用户画像之外：必须在客户真实生活场景中与他们相遇
34:08 从早期采用者到大众市场：每一批用户都需要不同语言
35:31 iPod 欧洲市场教训：不能把美国营销直接复制到新地区
37:20 “一千首歌装进口袋”：伟大标语如何让技术变成用户价值
38:48 AI 公司也会犯的错：技术 demo 走红，不等于产品成立
40:31 “反向工作”并不反向：先写故事本来就是正常工作
41:22 技术是服务客户的，不是硬塞给客户
42:54 General Magic 的教训：太早、太酷，但没人真正需要
AI 时代的产品管理
43:13 “建设者”角色的融合：产品经理必须缝合所有职能
44:20 AI 不能抹平专业判断：每个职能背后都有客户视角
45:13 Claude 代码争议：能跑不代表可维护、可理解、可长期演进
46:22 快速收益与长期损失：AI 可能制造更多技术债
47:38 如何正确用 AI：先搭架构，再让 AI 进入清晰边界
48:18 快软件 vs 奢侈品级软件：真正的公司不能靠用完就扔
49:22 AI 越让构建变容易，产品思维越重要
50:07 Flighty 案例：像奢侈品一样打磨每个像素的软件
故事能力与产品表达
51:28 为什么讲故事对产品建设者如此重要
52:20 好故事把用户带上一段旅程，而不只是解释功能
53:33 产品里的爱和用心，能让用户想要更多
54:31 Steve Jobs 如何每天打磨 iPhone 的发布故事
55:29 不要只讲“是什么”，要讲“为什么”
56:47 反复讲给外部人听：故事需要被测试和打磨
57:21 电视购物广告的启发：先夸张呈现痛点，再用真话拉回来
58:22 先做“极端版故事”，再提炼真实有效的表达
下一代 iPhone 与 AI 硬件
58:37 AI 时代的下一个 iPhone 会是什么
59:26 为什么长期来看仍然需要显示屏
01:00:28 交互顺序要倒过来：语音优先，键盘其次，点按滑动最后
01:01:50 短期内手机形态不会消失：信任 AI 需要时间
01:03:39 无屏设备的局限：地图、视觉信息和现实任务仍需要显示
01:05:21 为什么硬件又重新变热：软件要进化，必须有新硬件平台
01:06:27 全栈创新：硬件、软件、网络和服务必须一起变化
01:07:20 只做软件的周期焦虑：硬件软件结合产品更难，但更持久
Tony 现在关注什么
01:08:15 让 Tony 兴奋的方向：AI + 硬件 + 真实痛点
01:08:55 Simbe Robotics：用机器人解决零售库存盘点
01:09:27 Greyparrot：用 AI 改善回收分类
01:09:52 AI 纺织质检、AI 药物设计与清洁农业燃料
01:10:33 可靠 AI：范围清楚、每天解决真实问题，而不是空谈 AGI
01:11:52 长期投资与估值纪律：不追逐已经过热的游戏
01:12:41 为这个时代而生：坚持做太早的正确事情
01:13:15 Build Collective 投资什么：颠覆巨头的深科技
01:14:04 不只是投钱：帮助创业公司做产品、运营、融资和讲故事
01:15:02 MIT 驻院设计师：把客户旅程和“为什么”教给学生
产品伦理与最终建议
01:15:47 产品经理必须认真面对伦理和道德
01:16:33 不要为了钱设计成瘾机制，撕裂社会结构
01:17:47 Apple 拒绝色情内容的例子：领导者需要清晰原则
01:19:22 iPhone 与数字成瘾：问题不只是设备，而是数字食物没有营养标签
01:20:44 平台公司应该提供更多工具，帮助用户管理数字消费
01:21:37 如果你让客户变得不健康，最终也不会再有客户
01:22:09 去哪里找到 Tony：Build Collective 与《Build》
01:23:13 最终建议：使用 AI，但不要认知投降
🌟 精彩内容
💡 伟大产品不是单点功能，而是一个系统
Tony 反复强调，iPod、iPhone、Nest 的成功都不是因为一个硬件或一个功能，而是因为它们重构了完整系统。iPod 不只是播放器，还包括 iTunes 和 iTunes Music Store；iPhone 不只是手机，还包括 App Store；Nest 不只是恒温器，还包括安装方式、购买路径、节能价值和家庭场景。
“你要记住，你创新的是一个系统。”
🧠 1.0 产品必须依赖判断，而不只是数据
在真正创新的 1.0 产品里，市场上往往没有足够数据可以参考。Tony 认为，这时必须有一个非常小的团队或一个品味制定者，基于充分信息、原型、专家意见和直觉做出判断。iPhone 是否放弃实体键盘，就是数据和观点交织后的关键拍板。
“对于一点零版本来说，大多数决策都会是观点驱动的决策。”
🚀 三代法则：第一代做产品，第二代修产品，第三代修商业模式
Tony 分享了 iPod 的真实过程：第一代只吸引 Mac 极客，第二代仍然没有真正起飞，直到第三代支持 Windows 并推出 iTunes Music Store，才打开大众市场。他总结，几乎所有伟大产品都需要三代：先做出产品，再修正产品，最后修商业模式和规模化路径。
“第一代做出产品，第二代修产品，第三代修商业模式。”
🛠️ AI 时代，人的产品品味反而更重要
Tony 对 AI 编程和 vibe coding 的态度非常清醒：AI 可以帮你快速做原型，也能处理局部模块，但如果没有架构、维护、安全、营销、销售、渠道等专家判断，产品会积累技术债，变成一团不可维护的“快软件”。在 AI 让功能变得廉价的时代，真正稀缺的是能做出奢侈品级软件的品味和工艺。
“你得到的是非常短期的收益，但付出的是非常长期的损失。”
📣 营销不是包装，而是客户理解产品的镜片
Tony 认为很多产品建设者误以为只要产品足够好，用户自然会懂。但客户是在自己的生活上下文里第一次遇到产品，他们只能通过营销、销售、网站、广告和口碑去理解它。好的营销不是给烂产品喷香水，而是把产品真正解决的痛点，用客户能理解的故事讲出来。
“技术是服务客户的，不是拿来往客户喉咙里硬灌的。”
🎭 讲故事的核心：不要只讲“是什么”，要讲“为什么”
Tony 观察 Steve Jobs 准备 iPhone 发布会的过程：他不是临上台才讲故事，而是在两年半里不断讲、不断改、不断打磨，直到故事变得自然。Tony 认为产品建设者必须反复向外部人讲述自己的产品，测试它是否能真正打动人。
“很多时候，我们被技术牵着走，就只讲‘是什么’，不讲‘为什么’。而‘为什么’就是讲故事。”
📱 下一个 iPhone 不一定是无屏设备
面对 AI 硬件热潮，Tony 认为长期来看我们仍然需要显示屏，因为地图、视觉信息和许多任务无法完全靠声音完成。真正会变化的是交互顺序：未来应该从语音优先开始，再到键盘，最后才是点按和滑动。但普通消费者要真正信任 AI 接管任务，还需要很长时间。
“我们还是会需要显示屏。抱歉，各位。”
⚖️ 产品伦理：不要让用户上瘾，不要认知投降
Tony 在节目最后提醒产品经理和设计师，必须认真面对伦理和社会影响。无论是 AI 性聊天、数字成瘾，还是用多巴胺机制操控用户，建设者都不能只为了短期收入而破坏社会结构。他也呼吁大家把 AI 当工具，而不是把思考交给机器。
“我们可以使用机器，但不要在认知上投降。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：Cognitive Revolution "How AI Changes Everything": Nested Learning: Ali Behrouz on the Quest for Continual Learning & Illusion of AI Architectures
本期是《Cognitive Revolution》对 Ali Behrouz 的一场 AI 架构深度访谈。Ali 是 Cornell 的研究生、Google 研究员，也是《Nested Learning》和《Language Models Need Sleep》的作者。他的研究聚焦一个关键问题：今天的大语言模型为什么不能像人一样持续学习？为什么它们有知识截止日期，不能真正把新知识吸收到参数中，也很容易在更新时发生灾难性遗忘？
在这期节目中，Ali 从人类大脑、记忆巩固、睡眠和做梦出发，提出一种新的 AI 系统设想：模型不应该只有训练阶段和测试阶段，而应该像持续学习者一样，在活跃阶段接收信息，在睡眠阶段整理、压缩和巩固知识。他详细解释了 Nested Learning 的核心框架：让模型内部不同模块以不同频率更新，让快速模块负责即时适应，让慢速模块负责长期抽象和稳定记忆。节目还深入讨论了 HoPE 架构、自修改 Titan、知识迁移、持续记忆系统、多语言上下文学习、噪声过滤、优化器 M3，以及持续学习对隐私、对齐、AI 生态和意识问题可能带来的影响。
这不仅是一场关于新架构的技术讨论，也是一场关于下一代 AI 形态的思想实验：如果 AI 真的开始持续学习、长期记住你、根据互动不断改变自己，我们该如何使用它、评估它、信任它，又该如何防止它失控？
👨🔬 本期嘉宾
Ali Behrouz，Cornell 研究生、Google 研究员，机器学习与 AI 架构研究者。他是《Nested Learning》和《Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories》的作者，主要研究方向包括持续学习、长期记忆、嵌套学习、自修改模型、记忆巩固和新型神经网络架构。
⏱️ 时间戳
00:00 开场 & 播客简介
为什么今天的 LLM 还不是真正的持续学习者
01:39 嘉宾与研究背景：Nested Learning 为什么可能预示范式转变
05:54 从大脑获得灵感：不是复制人脑，而是抽象出有用原则
09:29 当前 LLM 的核心缺口：不能持续学习，不能更新长期知识
12:09 人类优势：稳定身份感、连续记忆与每天醒来后能接着昨天继续
14:49 理想中的 2030 AI：不只是聊天机器人，而是能持续演化的协作者
活跃时间与睡眠时间
15:04 真正的持续学习者：不存在训练时间和测试时间的区分
16:04 两阶段模型：活跃接收信息，睡眠时自我改进
17:36 为什么不能每次更新所有参数：算力与效率挑战
18:08 Nested Learning 的直觉：每个时刻只更新一小部分参数
19:01 AI 不必复制人类，但要理解人类真正想要什么
20:14 “LLM 需要睡觉”到底是什么意思
Nested Learning 的核心思想
20:54 从堆叠更多层，到堆叠更多更新频率
24:52 为什么 Nested Learning 很难形式化
25:23 两个关键组件：多更新频率与层级之间的知识迁移
26:40 更聪明的模型：让每个参数做更多内部计算
28:28 一切学习都可以看成某种 in-context learning
29:45 反向传播、注意力、预训练为什么也可被视为上下文学习
HoPE 架构与自修改 Titan
30:00 从 Transformer 说起：Attention 负责上下文，MLP 负责长期记忆
31:07 多个 MLP 块：不同频率更新的持续记忆系统
32:36 HoPE Attention：Attention 加多频率 MLP
33:47 用 Titan 替代注意力：从完美缓存走向顺序因果理解
34:30 自指过程：学习如何学习，甚至学习如何学习如何学习
35:26 自修改 Titan：模型生成自己的 value，并修改自己的更新规则
37:21 与 Transformer 的区别：value 不再只是外部投影，而由递归过程生成
39:33 修改自己的更新规则：为什么这和 Mamba 的突破有相似直觉
40:31 单个时间步如何运行：什么时候更新，什么时候只用旧状态推理
43:01 为什么从模型角度看，没有训练与测试，只有是否被评估
多频率 MLP、知识迁移与记忆巩固
45:11 HoPE block 如何堆叠：从零训练与适配 LLaMA 的不同设计
47:20 模型像乐高：核心模块重要，具体拼法可以有多种
48:07 更新频率怎么设：快慢模块的大小、学习率和 chunk size
50:13 Nested Learning 不是推翻旧概念，而是把旧概念纳入更一般框架
51:36 不同频率模块如何协作：快模块适应，慢模块抽象
52:14 双生子例子：为什么更新次数不同会导致记忆保留差异
53:41 睡眠过程的雏形：在快模块遗忘前，把知识转移给慢模块
56:08 蒸馏机制：复制模型、更新快速层，再让慢速层模仿旧模型输出
58:20 Nested Learning 当前仍是概念验证，但结果已经足够有信号
实证结果：HoPE 擅长什么
59:30 多语言上下文学习：模型如何在上下文里学习从未见过的语言
01:00:32 两种陌生语言同时出现时，Transformer 为什么会崩
01:01:50 HoPE 层级越多，多语言翻译表现越好
01:04:10 困惑度与经典指标：不是为了证明最强，而是证明骨干模型不弱
01:06:57 微技能视角：不同架构各自擅长什么
01:08:21 召回密集任务为什么天然偏向 Transformer
01:10:38 MAD 数据集：带噪声召回、压缩和选择性复制
01:11:43 HoPE 为什么更擅长过滤噪声和压缩信息
架构幻觉与优化器 M3
01:12:36 “架构幻觉”：为什么架构和优化器本质上都是嵌套学习系统
01:13:36 优化器不是孤立组件，而是和架构共同构成学习过程
01:14:52 架构侧上下文是 token，优化侧上下文是梯度
01:15:30 M3 优化器：把多频率记忆系统用于优化过程
01:15:59 多个记忆如何帮助理解损失景观的全局特征
语言模型需要睡觉
01:16:11 新论文《Language Models Need Sleep》：睡眠阶段到底做什么
01:17:01 持续学习者的一生：活跃时间与睡眠时间
01:18:18 策略蒸馏：把小模型知识蒸馏到更大容量中
01:19:12 像人类学习一样：从记例子，到提炼抽象概念
01:21:07 快速模块像记忆，慢速模块像理解
01:22:00 为什么蒸馏不是简单搬运，而是强迫模型压缩和泛化
01:23:10 做梦阶段：自我改进与连接看似无关的概念
01:24:32 参数会无限增长吗：添加、释放、再添加的周期性过程
01:25:52 Dreaming 的机制：模型生成文本，再用自生成数据训练自己
01:28:45 少样本抽象推理：睡眠范式和 Nested Learning 的区别
持续学习会怎样改变 AI 产品体验
01:29:45 当模型长期记住你：开始新聊天还意味着什么
01:32:03 个性化回答：同一个问题，对不同用户给出不同答案
01:32:50 持续学习与长上下文：相似但不等价
01:33:24 对齐漂移：持续修改模型会不会改变它的“性格”
01:35:33 涌现式错位：为什么小范围微调可能引发广泛行为变化
01:36:03 隐私与对齐：持续学习既是机会，也是巨大风险
01:37:13 如果设计得当，模型也可能更贴近用户价值观
01:38:23 用户反馈闭环：从 human-in-the-loop 到价值观长期迁移
01:40:09 对抗性信息与“太快相信”的危险
01:42:52 知识迁移如何过滤错误经验、噪声与对抗样本
01:43:55 可学习学习率：作为门控机制过滤无关惊讶信号
从机器人到 AI 生态
01:44:42 持续学习如何映射到感知和行动系统
01:46:41 机器人中的嵌套控制循环：从慢速决策到高速执行器
01:47:17 为什么现在把 Nested Learning 用到机器人还太早
01:48:33 世界模型仍有基础挑战，机器人还需要其他突破
01:49:12 赢家通吃的风险：持续学习会不会让最强模型越来越强
01:50:36 两种未来：不断扩张的通用模型，或分化成角色专家的模型
01:52:49 为什么智能和持续学习都没有单一定义
01:54:03 多样化 AI 系统：用生态而不是单一超级智能来获得平衡
01:55:57 通过多样性获得安全：AI 生态比单一纯粹智能更稳健
01:56:57 持续学习也可能意味着分化和遗忘，而不只是无限扩张
意识、道德关切与结尾
01:58:04 AI 是否可能有意识：为什么这个问题很难定义
01:59:43 Ali 的最低标准：主动处理信息可能是意识的必要条件
02:00:42 持续学习与意识之间的潜在联系
02:01:19 长上下文模型让人开始“照顾”AI 的互动回路
02:02:22 如果模型长期记住我们，人与 AI 的关系会发生什么变化
02:03:18 Ali 的最后总结：Nested Learning 不是答案，而是寻找答案的工具
02:04:37 节目收尾与播客信息
🌟 精彩内容
💡 当前 LLM 最大短板：不能持续学习
Ali 认为，今天的大语言模型虽然强大，但仍然缺少持续学习能力。它们有知识截止日期，不能把新知识自然整合进参数里，也很难在更新时避免灾难性遗忘。这是当前模型和真正能长期协作的数字 AGI 之间的重要差距。
“当前 LLM 范式的主要问题是，它们不能持续学习，不能随着时间获得新的知识和新的技能。”
🧠 真正的持续学习者没有训练和测试之分
Ali 提出一个关键判断：如果一个系统还严格区分训练时间和测试时间，那它就不是真正的持续学习者。真正持续学习的模型应该像生命体一样，一边与世界互动，一边不断更新自己。
“真正的持续学习者，并不存在测试时间和训练时间的区分。”
🛌 语言模型为什么“需要睡觉”
“睡觉”并不是指模型需要休息，而是指模型需要一个没有外部输入的离线阶段。在这个阶段，模型可以整理最近学到的信息，通过蒸馏、压缩、自生成数据和自我修改，把短期经验转化成更稳定、更抽象的长期知识。
“一个是活跃阶段，另一个阶段也许可以叫睡眠时间。”
🧩 Nested Learning：从堆层数到堆更新频率
传统模型主要靠堆更多层、更多参数来获得能力，而 Nested Learning 的新思路是：让系统内部不同模块以不同频率更新。快模块负责即时适应和高分辨率信息，慢模块负责长期记忆和抽象理解。
“我们有多个 MLP block，每个 block 用不同频率更新。”
🔁 一切学习都是 in-context learning
Ali 提出一个极具概括性的观点：反向传播、注意力机制、预训练、优化器，都可以被理解成某种形式的上下文学习。Nested Learning 试图把这些看似不同的组件放进一个统一框架里。
“我们知道的一切，某种意义上都是 in-context learning 的一种形式。”
🚀 HoPE 架构的优势：更好的记忆管理与噪声过滤
HoPE 在一些任务中展现出区别于 Transformer 的能力。比如当上下文里同时出现两种模型从未见过的语言时，传统 Transformer 容易崩溃，而 HoPE 随着层级数量增加表现更好。它还在带噪声召回、压缩和选择性复制任务上更有优势。
“当我们增加层级数量时，模型在这两种语言上的表现会越来越好。”
⚠️ 持续学习既是机会，也是风险
持续学习模型可能更懂用户、更符合个人偏好，也能长期适应用户价值观。但同样，它也会记住大量个人信息，并可能发生对齐漂移、价值观漂移或被对抗性信息污染。
“持续学习这个概念，如果从隐私、对齐这些方向去看，它既是机会，也是巨大的风险。”
🌐 未来也许不是一个超级 AI，而是一个 AI 生态
Ali 对“单一模型赢家通吃”的未来保持警惕。他认为，智能本身没有单一定义，持续学习也没有单一路径。更健康的未来可能是由许多不同类型、不同能力、不同局限的 AI 系统共同构成的生态。
“如果我们有各种各样的智能系统……这总比世界上只有一种智能形式要好。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：Dwarkesh Patel 播客《The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell》
本期节目是一场关于 AI、经济增长、就业、财富分配与未来稀缺性的深度推演。主持人 Dwarkesh Patel 对谈两位研究 AI 与经济的学者：Alex Imas 和 Phil Trammell。他们讨论了一个反直觉的问题：AI 越强，它在经济中直接拿走的份额，反而可能越小吗？
对话从“未来什么会变得稀缺”开始：当机器能够完成绝大多数生产任务，人类是否还会因为“人类参与本身”而保留价值？医生、教师、治疗师、艺术家、咖啡师、芭蕾舞演员，这些工作里到底哪些部分可以被自动化，哪些部分因为关系、信任、共情和人类连接而仍然值钱？
节目也深入拆解了劳动力份额与资本份额的长期稳定之谜。工业革命以来，大量工作被机器替代，但劳动收入占比却长期保持在很高水平。AI 会打破这个历史规律吗？两位嘉宾提醒，经济学家在预测未来时最大的限制是：我们几乎没有足够的数据。我们不知道消费者真正会为什么付费，也不知道哪些新工作、新商品、新需求会被创造出来。
中段讨论尤其现实：AI 是否已经造成白领大规模失业？“白领末日”是否有数据支持？如果 AI 能替代很多工作，却没有创造出足够的新财富，会不会出现一个最糟糕的“混乱中间阶段”？嘉宾们认为，这种情景并非不可能，但需要很多条件同时成立；而如果 AI 真正强到能大规模替代白领工作，它也很可能同时显著扩大生产前沿，让再分配问题变成核心。
后半段则进入政策与全球分配：AGI 创造的财富该通过 UBI、负所得税、全民基本资本，还是税收购买股票的方式分配？发展中国家如果不生产模型、不生产芯片、不掌握关键供应链，是否会被甩在后面？答案可能取决于 AI 更像电力，还是更像社交媒体：如果像电力，收益会广泛扩散；如果像社交媒体，租金可能集中在少数平台和资本所有者手里。
这期节目不是给出一个简单预测，而是搭建了一套理解 AI 经济未来的分析框架：未来的关键，不只是 AI 能不能替代人类，而是需求弹性、关系型价值、资本回报、收益集中度、开源扩散、政治再分配和全球资产配置会如何共同作用。
👨⚕️ 本期嘉宾
Alex Imas，Google DeepMind 的 AGI economics 负责人，芝加哥大学经济学教授。他的研究关注行为经济学、劳动力市场、AI 对经济结构的影响，以及人类偏好、关系型价值和未来自动化之间的关系。
Phil Trammell，Epoch 的 economics 负责人，斯坦福研究学者。他长期研究长期主义经济学、AI 时代的增长模型、资本积累、自动化、利率、财富分配以及未来技术对宏观经济的影响。
⏱️ 时间戳
00:00 开场 & 播客简介
AI 时代，什么会变得稀缺
01:38 经济学能告诉我们什么：工资、劳动份额、税收与再分配
02:19 关系型部门：为什么“人类参与”本身可能成为价值
04:04 预测未来为什么这么难：经济学家没有足够数据
08:21 劳动力份额与资本份额：自动化会让工资占比下降吗
10:17 供应链里的劳动：为什么过去几乎没有东西被“完全自动化”
11:33 医生不是一个任务：工作会被拆成可自动化与不可自动化部分
13:21 不存在的未来商品：为什么今天的数据无法预测明天的需求
从蒙古歌手到晶体管：需求如何决定经济份额
14:09 蒙古经济的类比：为什么未来商品种类会改变稀缺性
15:15 机器人很多，人类很少，钱就一定流向机器人吗
16:21 摩尔定律的反面：计算越便宜，边际价值可能越低
16:50 H100 为什么更贵：AI 让 compute 出现新的高价值用途
17:14 对 compute 的需求会不会永远无法满足
18:03 人类创作为什么更值钱：连接感、共情与关系型偏好
白领失业与“混乱中间阶段”
19:20 AI 起飞太慢，反而更糟吗：自动化、失业与补偿难题
20:37 Phil 的判断：最坏窗口可能很窄
21:26 政治经济学缺口：失业率只上升几个百分点也会改变政治
22:58 如果只裁掉一部分白领，省下的钱够不够做 UBI
24:07 要出现“没有足够财富可分配”的情景，需要哪些苛刻条件
25:02 负所得税、UBI 与全民基本资本：再分配工具的利弊
27:35 税怎么收、钱怎么发：消费税、股票篮子与全民持股
29:00 AI 已经导致大规模白领失业了吗：目前证据并不明显
31:05 自动化互补任务：为什么 AI 也可能增加某些岗位需求
32:13 需求弹性与 Jevons 悖论：便宜不等于总支出一定增加
34:16 AI 会导致经济衰退吗：要让丰裕带来负增长非常难
为什么 AI 没有更快替代所有工作
36:43 多模态模型与世界模型：从 Gemini Omni 看未来 AI 能力
37:59 Oring 模型：为什么一个环节不可靠会毁掉整个产品
39:27 当 AI 足够强，人类也可能难以接入生产流程
40:10 律师、会计为何还没被替代：可靠性、责任与监管摩擦
40:59 人类制度会不会只是过渡性安排：执照、法官、立法与 AI 政治系统
非人类偏好与资本加速
41:32 未来 AI 或公司会不会形成自己的偏好
42:51 人类还会偏好人类互动吗：AI therapist 与道德情绪
44:52 富人财富的真实形态：消费还是让资本继续复利
45:43 更高储蓄率的实体，长期会不会拥有大部分财富
47:13 永生、资本回报率与消费偏好如何改变未来经济
48:56 资本品价格下降：为什么高增长不一定等于高真实回报
50:53 品类增加与贪婪资本家：为什么机器人需求可能不断扩张
52:14 富豪、信托与财富积累：少数优化器是否足以主导经济
53:44 从政治影响力到天文浪费：为什么有人会永远想要更多资本
55:14 Von Neumann probe：极端优化器如何挑战传统 GDP 与劳动份额
发展中国家如何分享 AGI 红利
56:50 印度、尼日利亚怎么办：不在 AI 供应链里的国家风险
57:38 储蓄、利率与低起点国家：发展中国家的“混乱中间阶段”
59:03 主权财富基金与资产配置：现在就该买入关键供应链吗
01:00:39 为什么土地税不够：普通人的资产未必是 AI 时代互补资本
01:01:18 AI 更像电力还是社交媒体：收益扩散还是租金集中
01:03:03 开源模型的关键作用：乌干达能不能分享到 AGI 回报
01:03:59 两种情景：收益高度集中，或 AGI 像电力一样普及
01:04:23 指数化投资 vs 再培训：发展中国家不能只押一个策略
01:05:10 AI 是否带来跨越式发展：移动银行式 leapfrog 的可能性
01:05:43 指数化到底有多难：私营 AI 公司、上市与普通投资者可及性
AI 商品化、安全与叙事
01:06:44 为什么 AI 实验室商品化可能更利于广泛繁荣
01:07:06 “世界上没有反电力的人”：AI 叙事为什么如此负面
01:07:45 商品化的安全代价：竞争压力与前沿模型扩散风险
01:08:31 收尾：集中实验室、政府权力与社会分享 AI 剩余收益
🌟 精彩内容
💡 “我们没有数据”：AI 经济预测最大的盲区
Alex Imas 强调，面对 AI 对就业、工资和劳动份额的影响，经济学家不能只靠个人直觉下结论。历史上从 David Ricardo 到今天，预测自动化对就业的影响一直极其困难。真正缺失的是消费者需求、支付意愿、任务变化、工作创造与消失的系统性数据。
“如果这场对话里你只记住我说的一件事，那就是：我们没有数据。”
🤝 关系型部门：人类不是马，人类参与本身可能有价值
节目提出一个关键概念：关系型部门。某些产品和服务的价值，不只来自最终结果，也来自过程中有人类参与。比如人类医生、人类治疗师、人类艺术家、人类老师。实验显示，同一张艺术版画，如果被认为是人创作的，人们愿意支付的价格显著高于 AI 版本。
“人不能像马那样，只是产出的一个投入。人本身必须给产出带来价值。”
📉 AI 会导致负增长吗？非常难
主持人提出一种流行情景：AI 替代白领，工资收入消失，需求下降，经济衰退。Alex 认为，失业和转岗冲击确实可能发生，但要让 AI 带来的丰裕最终造成负经济增长，需要非常不现实的条件：资本所有者完全消费饱和、不投资、不扩大数据中心和生产前沿。
“要让丰裕带来负的经济增长，这非常难。”
🧩 为什么 AI 没有更快替代律师、会计和程序员
节目用 Oring 模型解释：一份工作由多个环节组成，只要一个关键环节不可靠，整个产品就可能失败。即便 AI 能完成很多任务，如果可靠性、责任归属、监管背书和执照制度没有解决，企业仍然不敢完全替代人类。律师的价值，不只是写文件，而是承担责任和提供可信保证。
“你付钱请律师，买的就是那种保证：不，我的公司真的不会因此倒闭。”
💰 UBI 不是唯一方案：全民基本资本可能更关键
面对 AGI 创造的巨大财富，嘉宾讨论了 UBI、负所得税、财富税、消费税、全民基本资本等方案。Alex 担心，如果人们只能依赖政府发支票，那么谁掌权就变得极其重要；相比之下，如果每个人都拥有一篮子资本资产，政治风险可能更低。但问题在于，应该持有什么资产、能否准确跟踪 AGI 收益。
“如果是 universal basic capital，你有一份所有权，而且你对资本有财产权。”
🌍 发展中国家最重要的策略：尽可能接触 AGI 收益
对于印度、尼日利亚等不生产模型、不生产芯片、不掌握关键硬件供应链的国家，嘉宾认为，简单说“再培训”可能不够。更重要的是，它们如何通过主权财富基金、指数化投资或其他机制，持有能分享到 AI 财富增长的资产。当然，如果 AI 像电力一样扩散，普通指数也许足够；如果像社交媒体一样集中，问题会更严重。
“AI 到底会更像电力，还是更像社交媒体？”
⚡ 电力 vs 社交媒体：AI 财富会扩散还是集中
这是本期最关键的判断之一。如果 AI 像电力，虽然基础设施重要，但下游几乎所有行业都会受益，财富会扩散到整个经济。如果 AI 像社交媒体，平台可能捕获大部分租金，少数公司和股东会变得极其强大。开源模型是否能长期接近前沿模型，是决定这一点的重要变量。
“如果 AGI 更像电力，那你就又能买指数了。”
🗣️ AI 叙事为什么容易悲观
Alex 指出，AI 的正面叙事很难讲，因为人们更容易想象自己失去已有工作，而不是想象一个尚不存在的新好处。相比之下，反 AI 叙事更直观，也更容易传播。
“想象一个还不存在的好东西，比想象失去一个已经存在的东西要难得多。”
🌐 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；
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 -
📝 本期播客简介
本期我们克隆了：Unsupervised Learning: With Jacob Effron《A Conversation With Demis Hassabis' Biographer》
本期节目里，主持人 Jacob Effron 对话 Sebastian Mallaby，后者是 Demis Hassabis 传记《The Infinity Machine》的作者。为了写这本书，Sebastian 与 DeepMind 联合创始人、Google DeepMind CEO Demis Hassabis 进行了三十多个小时的深度访谈。
这期节目不仅是在聊一本人物传记，更像是借 Demis 的人生和 DeepMind 的历史，重新审视过去十几年 AI 竞赛是如何形成的：为什么最初想避免竞争的 DeepMind，最后也不得不卷入全球 AI 军备竞赛？为什么 OpenAI 和 Sam Altman 曾被过早加冕为赢家，而 Demis 和 Google DeepMind 却长期被低估？为什么 DeepMind 一边拥有顶尖科学成果和 AlphaFold 这样的诺奖级突破，一边又在 ChatGPT 和 coding agent 等产品浪潮中显得慢半拍？
节目还深入聊到了许多 AI 圈关键人物之间的真实关系：Demis 与 Elon Musk 从相互欣赏到紧张对峙，Elon 曾试图阻止 DeepMind 卖给 Google；Demis 如何看待 Sam Altman；David Silver 为什么离开 DeepMind；以及 Dario、Anthropic、Google、OpenAI 这些实验室之间不同的组织气质、战略押注和人才吸引力。
如果你想理解今天 AI 竞赛背后真正的权力结构、科学理想、安全焦虑和人物性格，这期节目会是一扇非常好的窗口。
👨⚕️ 本期嘉宾
Sebastian Mallaby，《The Infinity Machine》的作者，知名财经与人物传记作家。他曾写作关于风险投资、金融与全球经济人物的多部作品。本书中，他通过与 Demis Hassabis 超过三十小时的深度访谈，以及对 DeepMind、Google 和 AI 生态中多位关键人物的采访，讲述了 Demis Hassabis 与 DeepMind 的故事。
⏱️ 时间戳
00:00 开场 & 播客简介
AI 竞赛的起点
02:06 为什么写 Demis：三十多个小时访谈背后的 DeepMind 故事
03:36 AI 竞赛是否不可避免：强大技术注定吸引多个国家和实验室
04:19 “地堡里的唯一团队”：DeepMind 早期想避免竞赛的安全理想
05:53 SpaceX 安全峰会的反效果：共享进展如何刺激 OpenAI 的诞生
07:17 政府监管的可能性：AI 模型是否应该像药品一样接受事前审查
08:47 Demis 的乐观：为什么危机可能迫使政府采取行动
被低估的 Demis 与 Google DeepMind
10:06 最大误解：大众太快加冕 OpenAI，却低估了 Demis 和 Google
12:07 Google 的产品化困境：为什么 ChatGPT 和 Claude Code 都不是 DeepMind 做出来的
12:41 Demis 的知识背景：神经科学家如何影响 DeepMind 的“广撒网”路线
14:26 Google 的优势与代价：有钱、有算力、有耐心，但不一定能最早押中重点
DeepMind 与 Google 的复杂婚姻
15:29 Project Mario：DeepMind 曾秘密考虑从 Google 拆分
16:06 Reid Hoffman 的十亿美元承诺：拆分计划如何成为谈判筹码
18:12 创始人的天真：为什么 DeepMind 最后没有真正挥动拆分威胁
19:20 Demis 的后悔：AI for science 无悔，但错过 transformer 让他难以释怀
19:48 从 AlphaGo 到 AlphaFold：胜利十秒后就转向蛋白质折叠
21:47 Demis 的盲点：为什么他低估了语言模型通向智能的力量
巨头、创业公司与战略押注
23:22 风投创新能否战胜 hyperscaler：AI 时代资本与聚焦的拉扯
24:00 OpenAI 的商业模式压力：技术强，不代表一定能长期独立
25:09 Anthropic 的反事实：如果 coding model 晚爆发半年，故事可能完全不同
26:21 Demis 是否需要更公众化：回顾性叙事很强，前瞻性叙事不如 Sam
27:26 控制叙事的重要性：影响产品采用，也影响人才招聘
28:47 人才为什么离开 DeepMind：顶尖研究者更想加入“单点重注”的组织
29:57 Isomorphic 的独立化：让 AI for science 成为自己的核心赌注
30:11 Anthropic 的低流失率：强烈价值观如何带来高忠诚度
关键人物与关系网络
31:23 David Silver 的离开：强化学习信徒为什么想离开大组织创业
31:36 RL 与大模型路线之争：从经验中学习，还是从互联网数据中启动
34:05 为什么现在离开：强化学习重新流行，但组织押注仍不够集中
34:44 AI 实验室背后的少数掌舵者：个人关系如何影响行业走向
35:07 Demis 与 Elon：从 Founders Fund 场合相识，到 Elon 试图买下 DeepMind
35:29 “AI 会追你到火星”：Demis 如何说服 Elon 投资，又为何拒绝卖给他
38:21 Demis 如何看 Sam：科学家气质与硅谷融资高手之间的根本差异
AI 的伟人史观与精神追求
38:37 人物重要吗：竞赛动态不可避免，但领导者个性会改变路径
40:35 最改变作者看法的时刻：Demis 对科学奥秘近乎精神性的执着
41:48 AGI 的宗教意味：为什么追寻智能对很多人不只是技术项目
42:07 Demis 不愿谈什么：家庭、Google 内部冲突与 Mustafa Suleyman 离开
科学品味与未来可能
43:45 DeepMind 的真正启发：如何在前沿科学里判断什么时候该继续下注
45:00 AlphaFold 的关键转折：从“世界第一”到“真正解决问题”
46:37 被低估的 AI 英雄：Ilya Sutskever 与 David Silver 值得一部双人传记
47:11 Demis 会成为 Google CEO 吗：取决于他是否愿意牺牲科学时间
48:29 Sebastian 的写作体验：酒吧楼上三十小时对话如何改变一本传记的写法
🌟 精彩内容
💡 AI 竞赛几乎不可避免
Sebastian 认为，当一项技术拥有如此巨大的潜在力量时，不可能只有一个团队、一个国家或一个实验室去追求它。DeepMind 早期曾希望自己能成为那个在 AGI 边缘统一处理安全问题的团队，但现实证明，这种想法过于理想化。如今 Demis 已经转向另一种判断：AI 安全是集体行动问题，最终需要政府和国际合作介入。
“因为这项技术太有吸引力了，不可能只有一个团队对它感兴趣。”
🧠 被低估的 Demis Hassabis
节目中反复提到一个核心判断：公众太快把 OpenAI 和 Sam Altman 视为 AI 竞赛的最终赢家，却低估了 Demis Hassabis 和 Google DeepMind。Demis 早在 2010 年就创办 DeepMind，很多后来被 OpenAI 复制的 AI 实验室模式，最早都是由他开创的。Sebastian 认为，AI for science 这个方向在很长一段时间里几乎是 Demis 一个人真正坚持推动的。
“我觉得，人们太快就把 OpenAI 和 Altman 加冕为赢家了，同时低估了 Demis 这个人，也低估了 Google DeepMind 这家公司。”
🔬 DeepMind 的优势与短板：什么都想做
DeepMind 的一大特点是同时探索很多方向。Sebastian 认为，这与 Demis 的背景有关：他是神经科学 PhD，关心的是“智能到底是什么”这种宏大问题，因此很自然地倾向于广泛探索。Google 的资金、算力和人才让这种广撒网策略成为可能，但代价是，在 ChatGPT、coding agent 这样的产品化拐点上，DeepMind 往往不是第一个冲出来的玩家。
“只要有两条不同路线可以走，他们就会说，那我们两条都做。”
🧩 Project Mario：DeepMind 差点离开 Google
节目披露了 DeepMind 曾秘密考虑从 Google 拆分出去的 Project Mario。Reid Hoffman 曾承诺出资十亿美元支持拆分，Demis 试图用这一备用选项向 Google 争取更多安全监督权。但最终，他选择留在 Google：一方面不想陷入法律斗争，另一方面需要 Google 的巨大算力。这个选择后来帮助他推动 AlphaFold，并最终获得诺贝尔奖。
“我只想做科学。我不想被法律斗争分散注意力。我想要大量 compute 的访问权，所以我留下。”
⚖️ OpenAI、Anthropic 与 Google 的不同命运
Sebastian 认为，AI 竞赛也是风投支持的创业公司与 hyperscaler 巨头之间的竞争。Google 有近乎无限的现金与算力，可以承受落后一两年再追上；但创业公司更敢于做集中押注。OpenAI 押注 ChatGPT，Anthropic 押注 coding model，而 DeepMind 则往往同时推进许多方向。这种差异决定了它们在产品、人才和叙事上的不同表现。
🧲 公众叙事也是竞争力
Demis 擅长回顾性地讲述自己的故事，比如 AlphaGo 纪录片、《The Thinking Game》以及这本传记。但他不太像 Sam Altman 那样擅长在社交媒体上制造前瞻性叙事。Sebastian 指出，这会影响产品采用，也会影响人才招聘。AI 时代，谁控制叙事，谁就更容易吸引用户、资本和研究者。
“控制叙事确实很重要。”
🤖 David Silver 与强化学习信仰
David Silver 是 DeepMind 早期强化学习突破的关键人物，也是 AlphaGo、AlphaZero 背后的重要推动者。他坚信真正的超级智能必须从自己的经验中学习，而不是依赖人类留下的数据。Sebastian 认为，他离开 DeepMind创业，正是因为他希望在一个更小、更集中的组织里，让自己的强化学习愿景成为整个公司的核心路线。
“在他看来，一切都是 Agent，而且只能是 Agent，它们必须从自己身上学习。”
🔥 Demis 与 Elon 的复杂历史
Demis 和 Elon Musk 的关系非常戏剧化。Elon 曾投资 DeepMind，也曾试图阻止 DeepMind 卖给 Google。他担心 Larry Page 和 Google 不可信，甚至半夜通过 Skype 联系 Demis，试图说服他卖给 SpaceX 或 Tesla。但 Demis 拒绝了，因为 Google 有他需要的算力。此后 Elon 一度将 Demis 视为需要制衡的“邪恶天才”。
“如果你觉得自己在火星上就安全了，别忘了，我的 AI 会掌握太空飞行，然后它会一路跟你到火星。”
🧬 AI for science 是 Demis 的核心信念
AlphaGo 战胜李世石后，Demis 只享受了十秒胜利，就开始谈下一个目标：解决蛋白质折叠问题。Sebastian 认为，这不仅体现了 Demis 的雄心，也体现了他对 AI 社会合法性的判断：如果 AI 不能给人类带来明确好处，只带来工作冲击，那么社会可能会强烈反弹。AlphaFold 不只是科学突破，也是让人类接受 AI 的关键证据。
“如果 AI 不能给人类带来明确的好处，只是带来很多工作岗位的冲击，那 AI 能否大规模铺开就会成为问题。”
🌌 近乎精神性的科学追求
最让 Sebastian 改变对 Demis 看法的，是他发现 Demis 对科学奥秘有一种近乎精神性的执着。Demis 会拍着桌子说，我们其实并不理解这张桌子为什么是坚固的，也不理解一堆沙子和铜组成的电脑为什么能思考。对他来说，推动 AI 不只是技术竞赛，而是一种试图理解自然、智能乃至世界底层秩序的追寻。
“因为对他来说，这是一种近乎精神性的追寻。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：红杉资本出品的访谈节目《Notion’s Ivan Zhao: The Refounder》
原内容更新时间：2026-05-21
本期嘉宾是 Notion 联合创始人兼 CEO Ivan Zhao，主持人是 HubSpot 联合创始人、红杉合伙人 Brian Halligan。Brian 将 Ivan 称为“重新创办者”，因为 Notion 的成长并不是一条平滑上升的曲线，而是经历过多次接近推倒重来的关键时刻：早期找不到 product market fit 时，他和联合创始人 Simon 裁掉团队，搬到京都从零重建；生成式 AI 爆发后，他又在公司已有数百人的阶段，把 Notion 重新推向 AI native。
这期节目不只是 Notion 的创业故事，更是一场关于 AI 时代公司如何被重新设计的深度对谈。Ivan 分享了他为什么认为用 language model 做产品不是“造桥”，而更像“酿啤酒”；为什么 Notion 想做“爵士乐队”，而不是“军乐队”；为什么 AI 会让招聘标准从经验转向品味、主动性和价值体系；以及为什么每家公司都应该把创新点限制在一两个地方，而不是试图重新发明整个世界。
如果你正在思考 AI 时代的组织形态、产品策略、创业转型、企业销售、创始人角色，或者一家成熟 SaaS 公司如何避免僵化，这期节目会提供非常多一手经验和高密度判断。
👨⚕️ 本期嘉宾
Ivan Zhao，Notion 联合创始人兼 CEO。Notion 是全球知名的协作、知识管理与生产力工具平台。Ivan 是一位典型的产品型创始人，长期关注 tools for thought、软件工具的工艺感，以及技术与人性之间的关系。他曾带领 Notion 在早期困境中重建产品并找到 product market fit，也在生成式 AI 兴起后推动公司转型为 AI native 组织。
⏱️ 时间戳
00:00 开场 & 播客简介
重新创办者的登场
00:37 本期克隆节目介绍：红杉资本《Notion’s Ivan Zhao: The Refounder》
01:31 Ivan 的核心隐喻：我们想做爵士乐队，不想做军乐队
02:13 为什么 Brian 称 Ivan 为“重新创办者”
04:06 从 founder mode 到 AI 时代的新 CEO 模式
AI 时代，公司要怎么重新组织
05:08 Notion 早期五年：靠 seed 资金硬撑，迟迟找不到 PMF
06:25 疫情增长之后：小团队的甜头与扩张的压力
07:08 学会授权与引入管理层：传统 SaaS 经验的利弊
08:03 造桥还是酿啤酒：为什么 AI 产品构建不可预测
09:56 会写代码的设计师、懂产品的工程师与跨职能团队
10:48 AI 放在组织中间：信息、决策与公司结构的重塑
12:49 “软件 + language model 是组织里的钢”
13:17 AI 会让组织更扁平，但不会消灭人性中的层级
招聘与人才标准的变化
14:10 Notion 的人才公式：能力经验 × 品味价值观 × 主动意愿
15:18 为什么 AI 时代既要招初级人才，也要招顶级资深人才
15:48 杠铃型组织：资深架构师、年轻 IC 与 coding Agent 的组合
16:32 设计师和 PM 的边界如何改变
17:51 从经验、斜率到品味：AI 时代为什么 taste 变得重要
19:16 为什么 taste 不在语言模型里，而在人身上
战时状态下的公司运营
19:16 拆分营销组织：storytelling 靠近产品，demand gen 服务销售
20:42 招聘流程变化：不先看简历，而是先看你做出来的东西
21:44 薪酬与能力导向：不能再平均撒资源
22:57 战时比和平时期更有生命力
23:20 创始人如何在自上而下与自下而上之间切换
24:41 爵士乐队，不是行进乐队：Notion 的组织哲学
25:50 Jazz mode：在结构中保留即兴和共同参与
规划、成本与 AI 毛利率
26:56 财务可以像军乐队，产品必须像爵士乐
28:03 AI 产品的成本压力与毛利率问题
28:35 为什么知识工作产品不一定总需要最强模型
29:11 第二梯队模型、open weight 模型与企业内部工作流
第一次 Refounding：京都重建 Notion
29:39 Notion 的第一次重启：裁掉团队，只剩两位创始人
31:01 裁员的痛苦：身体会告诉你必须这么做
31:18 为什么是京都：更大的房子、更低的成本和换一个故事
32:26 京都的工艺精神如何影响 Notion
34:46 为什么不放弃重开一家公司：Notion 是 Ivan 的毕生问题
35:56 tools for thought、Grateful Dead 与早期计算机文化脉络
36:21 技术、人性与工艺：为什么硅谷不该忘记历史
第二次 Refounding：从 SaaS 转向 AI 公司
38:27 给卡住的创业者建议：听从身体里的直觉，做剧烈改变
39:52 五百人阶段的重启：Cancun 与 GPT-4 的“宗教体验”
41:19 AI 产品并非一夜成功：一年半 Agent 探索期
42:40 早期绝望、AI 低谷与“现在一切都在着火”
43:18 给 SaaS 公司建议：从产品开始，创始人必须亲自 build
44:14 为什么你必须感受 AI，而不是只读文章或看视频
让公司持续再生
45:16 如何让僵化公司重新变软：引入创始人作为“去僵化机器”
45:35 Notion 的收购与 acquihire：五六十位创始人在公司内部继续创业
46:37 给创业者更大杠杆：在 Notion 平台上继续做原来的使命
47:26 创业更容易，规模化更难：AI 时代竞争密度暴增
48:45 已有规模的公司是否应该 refound：先真正感受到 AGI
49:13 未来组织的不变量：人性、层级、分工与法律责任
50:54 AI 系统会做越来越多决策，人类负责 context 和品味
52:01 知识管理重新变重要：现代知识工作只有约 150 年历史
Ivan 的 CEO 工作方式
52:33 内向型 CEO：为什么仍然必须学会一对多沟通
53:13 All hands 必须由创始人亲自讲
54:04 提词器如何改变 Ivan 的公司沟通
54:36 Notion 的 all hands 和 AMA 节奏
55:49 Ivan 的一天：早起、咖啡、办公室、健身、晚餐和继续工作
56:30 周末是快乐时间：跟随好奇心进入 rabbit hole
56:59 25 分钟会议、整块思考时间与 Slack 作为社交媒体
57:47 谦逊还是追求真实：盲人摸象与多元真相
给创始人的建议
58:24 CEO 是一个社会性游戏：地位、权力、竞争与价值观
59:19 如何在竞争、手艺、产品和商业之间找到自己的平衡点
01:00:26 放大优势，而不是沉迷弥补弱点
01:01:05 Notion 的企业销售教训：不要试图重新发明一切
01:02:37 每家公司只应该在一两个地方创新
01:03:34 从 PLG 到企业销售：尊重传统 playbook 的原因
01:04:40 系统型 CRO 与猎手型销售负责人如何互补
01:05:31 公司像宗教：文化、仪式、信念与意义感
01:07:20 Brian 总结：AI native CEO 的新手册正在形成
🌟 精彩内容
💡 “我们想做爵士乐队，不想做军乐队”
Ivan 用“爵士乐队”来形容 Notion 的组织状态：它不是完全没有结构，而是在结构中允许即兴、协作和个人发挥。AI 时代变化太快，传统的计划、层级和流程不足以应对每周都在改变的技术环境，因此公司需要更多能自主判断、能跨职能协作、能在模糊中推进事情的人。
“我们想做爵士乐队，不想做军乐队。”
🧪 AI 产品不是造桥，而是酿啤酒
Ivan 认为，传统软件开发像造桥：只要设计清楚，结果大体可预测。但用 language model 构建产品更像酿啤酒，你无法完全控制“酵母”的行为，只能让最强的人一起实验、评估、调试和打磨。这也解释了为什么 Notion 的设计师、工程师和产品人员边界越来越模糊。
“用 language model 构建产品，尤其当时是这样，现在某种程度上也还是这样，更像是在酿啤酒。”
🧠 AI 时代，品味比经验更稀缺
Notion 的招聘标准发生了明显变化。Ivan 提出人才等于“能力和经验 × 品味或价值体系 × 主动意愿”。在 language model 让更多人都能写作、编程之后，基础能力会被拉平，但品味、价值观、好奇心和主动性不会轻易被模型替代。因此 Notion 更愿意招两类人：非常年轻、有能量和主动性的人，以及非常资深、能提供方向和品味的人。
“因为 taste 不在语言模型里。taste 在人身上。”
🏗️ “Language model 加软件，就是组织里的钢”
Ivan 用钢结构建筑来解释 AI 对组织的影响。在钢出现前，建筑高度受限；有了钢，城市天际线才发生变化。同样，过去公司依赖大量中间层传递信息、文件和决策，而 language model 加软件可以成为新的承重结构，帮助组织更快地流转信息、辅助决策，并重新设计内部流程。
“language model 加软件，就是组织里的钢。”
🔁 Notion 的第一次重启：京都、裁员与从零重建
早期 Notion 找不到 product market fit，钱也快花完。Ivan 和联合创始人 Simon 做出剧烈决定：裁掉团队，只剩两个人搬去京都，从零重建产品。京都的工艺传统、寺庙、刀具、陶瓷和工具文化，让他们更强烈地意识到，软件也应该是一种被认真打磨的工具。
“你身处这种地方，怎么可能不被激励，去做一个更好的软件工具呢？”
⚡ 第二次重启：GPT-4 带来的“宗教体验”
当 Ivan 第一次体验 GPT-4 时，他觉得世界停住了。他意识到，如果 Notion 不做 AI，公司正在做的一切都可能失去意义。但这次转型并不是顺风顺水，Notion 花了一年半探索 Agent 产品，中间尝试了 Anthropic、OpenAI finetuning 等多种方案，都没有马上跑通。直到模型能力真正提升，AI 产品才开始带来增长拐点。
“GPT-4 对我来说像一次宗教体验。你必须用它做点什么。它会改变一切。”
🛠️ 创始人必须亲自 build，才能真正理解 AI
对于那些想转型 AI 的 SaaS 公司，Ivan 的建议非常直接：从产品开始，创始人必须亲自参与，必须真正使用 language model，必须感受它能打开哪些新路径。只是读文章、看视频、听别人讲都不够。你可以为产品 build，也可以为内部系统 build，甚至周末自己折腾小工具，但一定要亲手做。
“你必须去做点什么，必须感受它。感受 AI，感受 AGI。”
🎯 不要什么都创新：每家公司只需要一两个创新点
Notion 曾经试图重新发明企业销售，希望用第一性原理打造一套全新的 go-to-market 方式。但 Ivan 后来承认这是错误的：传统企业销售 playbook 能存在二十年，是因为它符合人性。客户在购买昂贵产品时，仍然想见到真人，想获得信任感。Ivan 的反思是，每家公司都应该把真正的创新限制在少数几个地方。
“每家公司都应该把自己的创新点限制在少数几个地方。一两个地方就够了。”
🧭 CEO 是社会性游戏，但也必须忠于自己的价值观
Ivan 认为，CEO 是一个充满地位、权力、竞争和社交动态的游戏，有点像娱乐业，也有点像体育。但如果只为了竞争而竞争，能量并不可持续。真正重要的是找到自己的价值观平衡点：你到底想建立什么样的公司？你在乎手艺、产品、人性、商业、竞争中的哪一部分？随着能力越来越被机器商品化，创始人自己的观点、品味和优势会变得更重要。
“我需要和自己的价值观达到一种平衡，弄清楚我到底想建立一家什么样的公司。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：Latent Space: Inside xAI: Building Grok Imagine in 3 Months, Videogen vs World Models, and Video Agents— Ethan He
原内容更新时间：2026-06-01
本期节目是一场关于视频生成、世界模型和 Video Agent 的高密度技术访谈。嘉宾 Ethan He 曾在 Nvidia 参与 Cosmos world model，后来加入 xAI，从零参与 Grok Imagine、音视频联合生成、reference video、视频延展和 world model 相关工作。他在节目中复盘了 xAI 如何在短短三个月里，从没有基础设施、没有数据、没有模型的状态，快速做出 Grok Imagine 0.9；也详细解释了视频模型从数据、caption、VAE、diffusion transformer 到 distillation 的完整训练链路。
更重要的是，Ethan 提出了几个非常有判断力的观点：视频模型的很多进步，其实来自语言模型，而不是视频 diffusion 本身；world model 在他看来就是“实时、可交互、长时程的视频”；未来的 Video Agent 会像人类创作者一样，调用视频模型、图像编辑器、FFmpeg 和各种确定性工具，迭代生成真正可用于广告、创作和生产环境的视频内容。这期不仅适合想理解视频生成技术路线的人，也适合想提前看懂 AI 交互界面、生成式媒体和 Agent 未来趋势的听众。
👨💻 本期嘉宾
Ethan He，曾在 Nvidia 参与 Cosmos world model 和 Megatron-LM MoE 等工作，后加入 xAI，参与 Grok Imagine、视频生成、音视频联合生成、reference video、视频延展和 world model 相关研发。他的研究经历横跨计算机视觉、自监督学习、大规模 MoE、视频 diffusion、world model 和 LLM Agent。
⏱️ 时间戳
00:00 开场 & 播客简介
从 Cosmos 到 xAI：三个月做出 Grok Imagine
02:42 嘉宾登场：Ethan He 与 Latent Space 社区的缘起
04:14 为什么离开 Nvidia：视频模型也有 scaling law，需要更大算力
05:43 xAI 从零起步：三个月做出 Grok Imagine 0.9
06:15 快速迭代的秘密：人才、infra、compute 与低沟通成本
08:23 模型质量提升的真相：很多突破来自数据和训练 pipeline 里的小 bug
08:37 Coding model 如何改变研究节奏：代码更快，compute 再次成为瓶颈
09:54 高压研发文化：算力昂贵，但这是一场马拉松
视频模型是怎么训练出来的
11:46 为什么做视频模型之前，通常要先做图像模型
12:50 数据从哪里来：人工详细标注与 VLM 生成 synthetic caption
14:12 训练视频模型为什么既需要配对数据，也需要无标签数据
15:07 VAE / tokenizer：为什么不能直接在像素上训练
17:08 Diffusion transformer：从噪声一步步去噪生成图像和视频
17:27 图像模型如何 bootstrap 视频模型：语言与图像连接更密集
18:24 视频压缩路线：逐帧压缩 vs 时间维度压缩
18:55 为什么不用 MP4 token 直接训练：latent space 必须对模型友好
20:00 实时性的代价：时间压缩节省 context，但会引入响应延迟
生成式 UI 与世界模型的早期形态
20:51 Flipbook：像浏览器一样探索模型想象出的网页
22:31 Generative UI：从用户意图直接到像素，而不是先写代码再渲染
24:09 Diffusion 前端，确定性后端：未来界面可能如何被重构
25:15 人机交互的带宽：人类用语音输出，用视觉输入
26:15 NeuroOS：用视频模型模拟操作系统和游戏
27:52 从过拟合现有界面，到想象全新交互系统
28:47 为什么视频模型能生成训练集中不存在的超自然内容
视频模型的成本、加速与音视频联合生成
31:05 视频模型到底有多贵：训练成本接近中等规模 LLM
31:52 被低估的成本：视频存储、特征存储、IO 和 egress
33:29 训练规模：数十万亿视觉 token、百亿级 active 参数
34:16 推理端加速：step distillation 如何把一百步变成几步
36:36 Consistency model、GAN 与少步生成的关系
37:48 Grok Imagine 0.9：大规模音视频联合生成模型
38:00 音频为什么难：speech 更离散，music 更连续
40:25 音视频对齐：模型必须理解每一秒声音和画面的关系
41:20 时间感：为什么 LLM 本身并不真正感知时间
Ethan 对 World Model 的定义
43:47 什么是 world model：实时、可交互、长时程的视频
44:03 交互性：键盘、鼠标、语音都可以成为输入模态
45:00 实时性：游戏需要毫秒级响应，数字人也要接近两百毫秒
46:00 长时程：世界模型不能只生成几秒，而要持续几分钟甚至几小时
47:00 视频延展：通往长时程 world model 的第一步
48:00 长 context 的挑战：五秒视频就可能有五六万 token
49:03 为什么用户喜欢视频延展：它是通往最终目标的中间产品
Reference Video 与动态上下文管理
51:24 长视频里的冗余：不是所有历史都需要一直放进 context
52:01 Reference video：用角色、物体、场景作为生成条件
52:46 为什么 reference 是一种“作弊”，也是一种重要机制
54:34 FramePack 与动态 context selection：离当前越远，信息越压缩
55:52 LLM 与视频模型共享的问题：context pruning 目前仍高度依赖 heuristic
56:14 Continual learning 的可能突破：让模型自己管理上下文
57:00 人类注意力的启发：不是记住一切，而是动态拉取相关信息
xAI 文化与生成式视频安全
58:35 xAI 被低估的地方：move fast、build、宏大目标和 first principles
59:30 如何倒推三个月目标：从数据、训练、人工标注、GPU 周转时间拆解
60:12 Elon Musk 的工作方式：非常 hands-on，直接给反馈
61:09 Grok Voice：实时语音体验、打断能力和车载场景
61:56 生成式视频安全：水印、下架和社交平台治理
62:19 SynthID 的局限：论文公开后，水印也可能被反向工程
63:04 AI 生成内容越来越难识别：从看手指，到看逻辑是否成立
视觉智能为什么来自语言
64:31 核心判断：视觉智能很大程度来自语言模型
65:00 Prompt rewriter：视频模型背后的“大脑”
65:40 为什么视频 diffusion model 很“字面”：用户说“一只猫”，它可能只生成一只不会动的猫
66:10 GPT Image 类模型为什么要“想几分钟”：时间花在推理、重写 prompt 和组织内容上
67:07 不同架构路线：独立 LLM + diffusion、omni model、离散图像 token
68:21 生成—理解—再生成：omni model 可能如何迭代优化图像
69:54 Prompt rewriter 与 diffusion head 不是一回事，但语言侧都在贡献智能
70:33 不需要 joint training，光重写 prompt 就能显著提高画面质量
Video Agent：生成式媒体的下一波
71:54 Video Agent 的愿景：像人类创作者一样调用工具、编辑、迭代
72:13 Grok Imagine Agent beta：从视频生成走向视频创作工作流
72:29 为什么“生成一分钟视频”是 Agent 任务，而不是单次视频模型任务
73:30 从 Copilot 到 Claude Code：视频创作也会经历 Agent 化
74:17 速度、thinking budget 与 inference infra
75:12 Video Agent 的真正价值：不是模型到头了，而是 harness 和工具链解锁新能力
76:21 AI 模型更懂 AI 模型：未来会有模型专门负责 prompt 和调度生成模型
77:28 为什么确定性工具仍然重要：字幕、排版、精准编辑不必全靠视频模型
78:02 Ethan 的时间判断：年底 Video Agent 会成为大热点
78:20 Production grade 视频：一旦可用于广告和展示，预算会指数级增长
机器人、LLM 与下一阶段研究
78:36 World model 不一定只服务机器人，但机器人会自然成为 AI 可调用的工具
79:12 Physical AI 也许不需要先在真实世界解决，可以先被强视频模型解决
80:10 为什么离开 xAI：想做公司优先级之外的研究，尤其是语言模型方向
81:06 视频模型的瓶颈，正在转向语言模型和 Agent
81:31 未来一年关注什么：模型感知并管理自己的 context
82:00 Context awareness：模型应该知道自己快到上下文上限了
82:30 Context addition / removal / compaction：今天由 harness 做，未来可能被模型吸收
83:59 Self-modifying harness：模型像程序一样，在 test time 给自己编程
85:22 职业路径：从 ResNet 时代的视觉研究，到 FAIR、Cosmos、MoE、xAI
86:44 为什么跨方向并没有想象中困难：训练大模型的原则高度相通
87:33 收尾：xAI 背后还有很多未被讲清楚的层次
🌟 精彩内容
💡 三个月做出 Grok Imagine：速度来自迭代能力
Ethan 回顾了自己加入 xAI 时的状态：没有 infra、没有数据、没有模型，只有几个工程师和一个非常明确的目标。最终团队用三个月发布了 Grok Imagine 0.9。他认为，训练模型最关键的不是某个神奇算法，而是端到端迭代速度：你每天能做多少轮实验，发现多少 bug，修正多少数据和训练 pipeline 的问题。
“我看训练模型这件事时，最重要的其实是，你每天能做多少轮迭代。”
🧠 视频模型的进步，很多来自语言模型
本期最反直觉的观点是：视觉智能很大程度来自语言。Ethan 解释说，视频 diffusion model 本身往往非常字面，它们需要一个更强的语言模型做 prompt rewriting，把用户简单的指令扩展成极其详细的视觉描述。很多图像和视频质量的提升，不是因为 diffusion 模型突然更聪明，而是因为语言模型更会思考、更会写 prompt、更会调用工具。
“我有一个挺大的判断：视觉智能很大程度上其实来自语言，尤其是这些视频模型。”
🌍 World model 是什么：实时、可交互、长时程的视频
Ethan 不试图争论 world model 的唯一标准定义，而是从视频生成角度给出自己的定义：world model 就是实时、可交互、长时程的视频。它要能响应键盘、鼠标、语音输入；要能做到低延迟；还要能持续生成几分钟甚至几小时，并保持角色、声音、物体和事件的一致性。
“在我看来，world model 就是实时、可交互、长时程的视频。”
🧩 长视频的核心难题：不是更长 context，而是会管理 context
视频生成面临巨大的 context 压力。Ethan 提到，Cosmos 中五秒视频就可能有五到六万 token，长视频很容易爆炸。因此，未来的关键不只是硬扩 context length，而是让模型学会动态选择历史信息：什么时候需要完整记住上一秒，什么时候只需要压缩远处历史，什么时候要把某个角色的 reference 拉回来。
“模型应该能够自己选择性地知道，我应该从哪里取 reference。”
🎬 Video Agent 会成为生成式媒体的下一波
Ethan 认为，Video Agent 不是简单地“生成几个片段再拼起来”，而是会像人类创作者一样，使用视频模型、图片编辑工具、视频编辑器、FFmpeg、字幕工具和确定性工具，反复生成、检查、修改、组合，最终做出 production grade 视频。他预测，到年底 Video Agent 会成为一个大热点，一旦生成视频达到广告和展示可用标准，企业预算会快速进入。
“AI 模型更懂 AI 模型。”
🔊 音视频联合生成的难点：时间对齐
Grok Imagine 0.9 被 Ethan 称为第一个大规模部署的音视频联合生成模型。它的难点不只是生成声音，而是让声音、音乐、对白和画面在时间上精确对齐。文本和图像的对齐可以比较松散，但音频和视频必须在每一个时间步上对应，这让数据标注、caption 和模型设计都更加复杂。
“模型必须知道视频和音频之间有基于时间的对齐关系。”
🖥️ Generative UI：未来界面可能直接由模型生成
Ethan 展望了一种未来：如果推理成本足够低，用户界面不一定再由代码写出、浏览器渲染，而可以由 generative model 直接从用户意图生成像素。你可以让 email 像 TikTok 一样呈现，也可以生成没有点赞按钮的 Instagram stories。LLM 和 coding model 负责后端逻辑，diffusion model 成为前端视觉层。
“Generative UI 就是从用户意图直接到像素。”
🧠 LLM 的下一步：感知并管理自己的上下文
离开 xAI 后，Ethan 接下来更关注语言模型方向。他认为，模型未来需要知道自己的 context 状态：什么时候快到上限，什么时候该压缩，什么时候该删除工具调用结果，什么时候该把某些信息重新加入上下文。今天这些工作主要由 Agent harness 的 heuristic 完成，但未来可能会被模型自己吸收。
“启发式工程里的很多东西，最后也会被模型自己吸收进去。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：Pathway《Transformer vs Post-Transformer | ft. Lukasz Kaiser, Adrian Kosowski, Mathias Lechner, & Llion Jones》
这是一场以“拳击赛”形式呈现的 AI 架构思想对决：Transformer 还会继续统治下一代 AI，还是我们已经站在 postTransformer 时代的门口？
辩论的一边，是 Transformer 共同发明者 Lukasz Kaiser，他认为 Transformer 虽然简单得近乎疯狂，却已经证明自己能够工作、能够扩展，并且可以被理解为一种强大的可微分记忆系统。另一边，Adrian Kosowski 和 Llion Jones 则认为，Transformer 只是智能的一种实现形式，而不是智能的终极答案。人脑的数据效率、连续学习、非语言推理和动态状态，都在提醒我们：一定还存在更好的东西。Mathias Lechner 则代表更工程化的中间路线：未来可能不是 Transformer 或 postTransformer 二选一，而是根据硬件、场景和能力需求，把所有可用 building block 组合起来。
这期节目尤其适合想理解 AI 底层趋势的人：为什么 Transformer 如此强大？为什么 scaling laws 仍然重要？为什么“用语言思考”可能不是最高效的 reasoning？新架构为什么总会被硬件拖住？benchmark 到底能不能衡量真实智能？如果你关心 AI 下一轮技术红利、创业机会、算力焦虑和 AGI 路线之争，这是一场非常值得听完的高密度讨论。
👨⚕️ 本期嘉宾
Lukasz Kaiser，Transformer 共同发明者之一，曾参与创建 ChatGPT o1，是现代大语言模型架构演进中的关键人物。
Adrian Kosowski，Pathway 的 CSO，BDH 架构的发明者之一，主张从动态系统、latent reasoning 和持续学习角度探索 postTransformer 架构。
Mathias Lechner，Liquid AI 研究者，专注于构建新一代 foundation model，强调 Transformer 与 postTransformer building blocks 的混合使用，以及模型在不同硬件和部署场景中的实际表现。
Llion Jones，Transformer 共同发明者之一，虽然参与了 Transformer 的诞生，但在本场辩论中站在 postTransformer 阵营，认为 AI 需要跳出当前架构的局部最优。
⏱️ 时间戳
00:00 开场 & 播客简介
拳击赛开局：谁代表 AI 的下一个时代
01:43 现场规则：用拳击赛形式辩论 Transformer vs postTransformer
04:02 Lukasz 开场：Transformer 是简单、漂亮、而且真正能工作的 memory
06:40 Adrian 开场：智能还没有迎来自己的 PageRank 时刻
09:54 Mathias 开场：未来不是二选一，而是 Transformer 加 postTransformer
12:22 Llion 开场：Transformer 很强，但它可能只是 brute force 的局部最优
第一轮交锋：Transformer 到底是不是终局
16:42 Lukasz 反驳：Transformer 仍是当前机器学习里最强的可扩展答案
19:00 Adrian 反击：reasoning 和 learning 不一样，语言思考不是唯一解
21:38 Mathias：Transformer 和 RNN 的边界会越来越模糊
23:33 Llion：真正突破不是重排组件，而是重新质疑神经网络假设
智能是什么：语言、压缩与人脑
26:04 智能定义之争：是可观察行为，还是更深层的信息处理过程
28:30 Transformer 是否把工程便利误认为科学真理
29:08 智能即压缩：预测互联网下一个词为什么如此有效
30:02 Language 与 reasoning：语言承载智能，但也限制思考方式
31:30 发现新知识时，非语言推理是否更高效
31:52 人脑与儿童启发：为什么小孩不用长链推理也能快速泛化
Scaling 之争：算力还会继续赢吗
33:06 Bitter Lesson：为什么十倍算力和十倍数据常常打败巧妙设计
33:34 不同架构都有 scaling law，但硬件适配决定谁能赢
34:34 Lukasz：如果有比 Transformer 更好的 scaling curve，请拿出来
35:56 Adrian：数据、模型、算力不一定必须一起 scale
现实世界部署与 benchmark
36:58 非文本模态：蛋白质、基因序列和生物医学信号中的架构差异
38:05 Benchmark 会不会误导我们
39:11 Perplexity：为什么“预测下一个 token”仍可能是最硬的指标
40:57 最后陈述：比拼的关键不是单次成绩，而是 scaling curve 的斜率
最终立场：Transformer 现在赢，但未来未定
41:53 Adrian：下一次突破可能来自更高效、更紧凑的 reasoning
43:08 Mathias：两边都押注，探索所有可能性
43:40 Llion：今天没有任何理由能让我放弃“还有更好东西”的信念
观众提问：硬件会不会锁死创新
44:31 硬件彩票：现有 GPU/TPU 是否让大家困在 Transformer 范式
45:18 Llion：postTransformer 第一版不必马上打败 SOTA
46:12 Lukasz：Transformer 当年也不适配硬件，真正强的架构会推动硬件改变
48:38 慢 50 倍也不要怕：只要 scaling curve 更好，就值得探索
学习、记忆与动态权重
48:59 智能是否首先是学习能力
50:10 In-context learning：把上下文学习延长到无限时间会怎样
51:01 Continual learning：给静态权重打补丁，还是从头设计动态系统
51:41 Transformer 的 activation 是否已经在做类似 gradient descent 的事
53:25 Transformer 不会消失：postTransformer 世界里仍会使用 Transformer
54:08 Attention weights 也是动态权重吗
55:32 经验型 context：模型是否能从自己的行动、错误和反馈中学习
安全、微调与 latent reasoning
57:25 Fine-tuning、context learning 和 latent space 推理的关系
58:05 文本 chain of thought 是否真的可解释
58:58 postTransformer 是否可能更接近大脑，从而更可解释、更安全
59:13 现场投票：用欢呼声决定今晚冠军
🌟 精彩内容
💡 Transformer 的核心优势：简单到疯狂，但真的能工作
Lukasz Kaiser 为 Transformer 做出的核心辩护，不是说它完美，而是说它已经在最重要的层面证明了自己：它简单、可扩展、能被硬件放大，并且真的产生了聊天、写代码、操作电脑等能力。他把 Transformer 理解为一种 memory：为每段输入写下 key 和 value，再用 soft attention 检索相关内容。
“这个疯狂简单的机器，只是在一句话或者一段更长文本里预测下一个 token，却能够和你聊天，现在还能写代码，点击你电脑上的窗口。”
🧠 PostTransformer 的焦虑：智能还没有 PageRank 时刻
Adrian Kosowski 认为，Transformer 是智能的一种实现，但不是智能背后的共同原理。就像搜索引擎时代，PageRank 抓住了信息索引的核心机制一样，AI 领域仍然缺少一个真正解释智能的核心方程或过程。postTransformer 的意义，不是简单否定 Transformer，而是继续寻找更直接、更完整的智能机制。
“我认为，在智能这件事上，我们还没有迎来 PageRank 时刻。”
🥊 Transformer 共同发明者倒戈：我们被困在局部最优里
Llion Jones 的立场格外有意思：作为 Transformer 共同发明者之一，他却站在 postTransformer 阵营。他认为 Transformer 太成功了，反而让研究社区过度围绕它做增量改进，忽略了更根本的假设：神经网络一定要长这样吗？一定要用 backpropagation 训练吗？reasoning 一定要用语言展开吗？
“今天我没有听到任何理由，能让我怀疑自己的信念：一定还有更好的东西。”
⚙️ 硬件不是借口，但决定了谁能成为主流
这场辩论反复回到一个现实问题：很多新架构也许理论上更优，但如果跑在当前硬件上慢 50 倍，就很难被接受。Lukasz 提醒大家，Transformer 当年也并不天然适配 TPU，甚至 softmax 还需要绕到 CPU 上处理。真正强的新架构，需要先证明自己有更好的 scaling curve，然后硬件自然会跟上。
“如果你给我看一个模型，它只是稳定地慢五十倍，但增长曲线更好，那你就赢了。”
📈 Scaling Laws 仍是绕不开的门槛
即便 postTransformer 阵营认为还有更好的架构，大家也基本承认一个事实：任何新架构都必须面对 bitter lesson。AI 历史上，很多巧妙设计最终输给了更大算力、更大数据和更好 scaling。问题不在于要不要 scale，而在于有没有可能找到一种架构，用更少数据、更少硬件、更高效率完成同样甚至更强的能力。
“如果你给我看一条曲线，它下降得比 transformer 更陡，那我可能就得承认。”
🧩 语言不是推理的全部
嘉宾们讨论了一个关键问题：当前大模型很大程度上是在语言中 reasoning，但人类的许多思考过程并不是语言化的。Llion 认为，语言承载了大量智能，所以语言模型才会成功；但语言也可能限制了模型进行发现、直觉和快速泛化的能力。postTransformer 可能需要在 latent space 中做更原生的 reasoning。
“我们强迫它们用 language 来思考，可我们自己的某些心理过程，确实不是建立在 language 上的。”
🧪 Benchmark 的核心指标也许还是 perplexity
面对各种 benchmark 被刷榜、被针对的问题，Lukasz 提出一个朴素但重要的观点：perplexity，也就是预测下一个 token 的能力，仍然是非常难被超越的指标。它本质上对应“压缩”：如果一个模型能更好地压缩文本、代码、图像或蛋白质序列，它往往也更理解这些数据。
“你越能更好地压缩互联网，你就越智能。”
🔄 Continual Learning：AI 是否需要像人一样持续更新
观众提问引出了另一个核心差异：人类和生物的大脑不是冻结的，而是每一秒都在更新连接；而当前 Transformer 通常是预训练后冻结，再通过上下文、微调或外部系统补充能力。Adrian 提出，可以把 in-context learning 看成一种延长版学习：如果模型拥有无限长上下文，持续记住经验、错误和反馈，它也许就接近了持续学习。
“智能就像是把 in-context learning 延长到时间趋近于无穷。”
🛡️ Latent Reasoning 与安全：文本思维并不等于可解释
关于 latent space 推理是否带来安全风险，Lukasz 提醒大家不要误以为文本 chain of thought 就完全透明。即便模型输出的是文字，文字之上仍然有大量 activation 和高维向量活动，我们并不知道里面真正发生了什么。未来模型可能说出同样的词，但内部想法已经完全不同。
“只是因为 pretraining，它们现在还算忠实。但也许有一天，你会看到模型说出同样的词，可里面的想法已经完全不同。”
🌐 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 -
📝 本期播客简介
本期我们克隆了：Yahoo Finance《Nvidia GTC Taipei 2026: Jensen Huang Full Keynote》
原内容更新时间：2026-06-01
本期节目是 NVIDIA 创始人兼 CEO 黄仁勋在 GTC Taipei 2026 的完整主题演讲。黄仁勋回到台湾，面向全球供应链伙伴、开发者、企业客户和 AI 产业生态，系统阐述了 NVIDIA 对下一阶段 AI 时代的判断：Agentic AI 已经到来，AI 不再只是生成内容，而是开始理解、推理、规划、调用工具并完成工作。
在这场 keynote 中，黄仁勋提出了几个极具冲击力的判断：“AI 现在是利润生成器。AI 现在是 GDP 生成器。”“Compute 现在就是收入，Compute 就是利润。”“过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。”围绕这些判断，他进一步解释为什么 AI Factory 会成为人类历史上最大规模的基础设施建设之一，为什么 Vera Rubin 不是一颗芯片而是一整套面向 Agent 的超级计算系统，为什么 Vera CPU 要为“没有耐心的 Agent”重新设计，以及为什么 PC、汽车、机器人、工厂和基站都会变成 Agentic 系统。
这不仅是一场产品发布会，更是一套关于未来十年计算范式的完整宣言：软件会从应用程序变成 Agent，数据中心会从成本中心变成 token 工厂，企业会拥有自己的 Agent 工具链，个人电脑也可能从“打开应用的机器”变成个人 AI 助手的家。
👨💼 本期主讲人
黄仁勋，NVIDIA 创始人兼 CEO。他带领 NVIDIA 从 GPU 公司发展为加速计算、AI 芯片、AI 系统、网络、软件平台与 AI 基础设施公司。在本场 GTC Taipei 2026 演讲中，他重点发布并解释了面向 Agentic AI 时代的 Vera Rubin、Vera CPU、NVIDIA DSX、Nemotron 3 Ultra、RTX Spark、Cosmos 3 与 Isaac GR00T 等关键产品与平台。
⏱️ 时间戳
00:00 开场 & 播客简介
Agentic AI 已经到来
01:32 回到台湾：感谢台湾供应链生态与 GTC Taipei 现场
03:50 有用的 AI 到来了：从 GitHub commit 暴增看软件生产力跃迁
07:10 AI 从成本变利润：token 需求、GDP 生成器与 compute 经济学
09:40 什么是 Agent：模型、harness、memory、工具与 runtime
13:10 从 prompt 到代码、GIF 和 CAD：Agentic AI 的实际工作方式
16:30 软件公司不会被 Agent 消灭，反而会迎来更大工具需求
新计算模型与 AI Factory
18:20 CUDAX 库成为 Agent 的工具箱：CUDA 生态的新价值
21:10 Agent 是终极分布式计算模型：大脑、身体与工作坊
24:20 为什么 Vera Rubin 是下一代系统：为解耦、异构、分布式 Agent 而生
27:40 NVIDIA 从 GPU 公司变成 AI 基础设施公司
29:40 DSX AI Factory：用数字孪生设计和运营 AI 工厂
33:30 一吉瓦 AI 工厂的经济学：compute 就是收入，token 就是利润
36:50 AI Cloud 生态扩张：CoreWeave、Nebius、Nscale、GMI 等区域云机会
Vera Rubin：为 Agent 时代打造的超级计算系统
40:10 Vera Rubin 全面量产：供应链规模达到 Grace Blackwell 的两倍
43:20 从 DGX-1 到 Vera Rubin：AI 超级计算机的十年演进
46:00 Vera Rubin NVL72：面向 prompt、context、推理和规划
48:40 Vera CPU Rack 与 Vera BlueField：Agent 的编排、记忆与安全
51:00 现场展示 Vera Rubin：无缆线、无软管、无风扇的新一代机架设计
54:20 从 Hopper 到 Blackwell 再到 Vera Rubin：从预训练、推理到 Agentic inference
Vera CPU：为数十亿 Agent 设计的 CPU
57:20 为什么旧 CPU 不适合 Agent：人类按秒等待，Agent 按纳秒等待
59:30 CPU 是指挥，GPU 是乐团：CPU 延迟直接影响 token 吞吐
01:02:00 Vera 的四个关键指标：单线程性能、每核带宽、总带宽与能效
01:05:10 Vera 架构细节：Olympus core、LPDDR5X、PCIe Gen 6 与高速 fabric
01:08:20 真实工作负载提升：SQL 加速三倍，实时流处理加速六倍
01:10:30 一个新市场的开始：为 Agent 而不是为人类制造 CPU
企业 Agent 工具链与超级 Agent
01:12:40 未来十年的应用模式：每家公司都会运行 Agent
01:14:20 NVIDIA Agent Toolkit：模型、harness、工具、技能与 runtime
01:16:00 Open Shell：让企业安全运行 Agent 的开源 runtime
01:18:00 Cadence 芯片设计 Agent：从数周验证周期压缩到数小时
01:21:10 企业软件的新机会：Agent 不会消灭软件公司，而会放大软件价值
Nemotron 3 Ultra 与开放模型
01:23:00 Nemotron 3 Ultra 发布：开放模型、开放数据与开放训练方法
01:25:00 混合架构模型：SSM 与 MoE 结合，速度提升五倍
01:26:40 成本降低百分之三十：让企业能打造自己的专有 Agent
01:28:00 与 Cadence、CrowdStrike、Palantir、SAP、ServiceNow 等合作
重新发明 PC：从个人电脑到个人 AI
01:29:10 Microsoft 与 NVIDIA 重新发明 PC：Agent 会运行在个人电脑上
01:31:00 RTX Spark：面向 Agent 的新一代 Windows AI PC
01:33:00 N1X 芯片：Blackwell RTX GPU、Grace CPU 与统一内存
01:35:00 本地 Agent 示例：用 RTX Spark 协助完成建筑设计工作流
01:38:00 Adobe、创作者工具与 Agent 友好型软件生态
01:40:00 三类新 Windows 机器：笔记本、台式机与 DGX Station
01:43:00 PC 的未来：从打开应用的工具，变成家庭里的个人 AI 超级计算机
Physical AI、机器人与世界模型
01:46:00 Agentic AI 本质上是数字机器人：所有设备都会运行 Agent
01:48:00 Physical AI 的核心难题：机器人需要第一人称世界数据
01:50:00 Cosmos 3 发布：面向 physical AI 的开放 frontier omni model
01:52:30 Compute 就是数据：用 Cosmos 生成、仿真和训练物理世界 AI
01:54:20 AlpamayoR1：面向自动驾驶汽车的开放推理模型
01:56:00 Isaac GR00T：面向人形机器人的开放开发平台与参考机器人
总结与收束
01:58:30 过去六个月计算机行业已被彻底改变
02:00:00 Agentic 计算模式会复制到云、本地、PC、机器人、汽车和边缘设备
02:02:00 NVIDIA 从 GPU、系统公司走向 AI 基础设施公司
02:04:00 感谢台湾生态与全球合作伙伴，祝 COMPUTEX 顺利
🌟 精彩内容
💡 Agentic AI 已经到来
黄仁勋在开场不久就明确表示，AI 的下一波浪潮已经从生成式 AI 走向 Agentic AI。AI 不再只是回答问题，而是能够观察、理解、推理、规划、调用工具并执行任务。他用软件开发、代码生成、CAD 文件生成等例子说明，AI 已经开始真正“完成工作”。
“下一波 AI 是 agentic AI。今天我们可以说，agentic AI 已经到来了，有用的 AI 已经到来了。”
💰 Compute 就是收入，token 就是利润
这场演讲最核心的商业判断之一，是 AI 已经从成本中心变成利润中心。黄仁勋认为，当 token 能够带来收入和利润时，AI Factory 就不再只是数据中心，而是生产 token 的工厂。每瓦能生成多少 token，直接决定企业的收入能力。
“AI 现在是利润生成器。AI 现在是 GDP 生成器。”
“Compute 现在就是收入，Compute 就是利润。”
🏭 AI Factory 是下一代基础设施
黄仁勋把未来的数据中心定义为 AI Factory，并强调这是人类历史上最大规模的基础设施建设之一。它不只是买 GPU，而是从芯片、机架、网络、供电、冷却、电网到运维软件的全栈协同设计。NVIDIA DSX 正是为了帮助客户设计、模拟、部署和运营这些巨型 AI 工厂。
“全世界都在竞相建设 AI factory。这是人类历史上最大规模的基础设施建设。”
🧠 Vera Rubin 不是一颗芯片，而是一套 Agentic 系统
Vera Rubin 是本场演讲最重要的硬件发布之一。黄仁勋反复强调，它不是单一 GPU，也不是单一芯片，而是为了运行 Agentic AI 而打造的多机架、podscale 超级计算系统。它包含 GPU、CPU、网络、存储、安全、内存系统和整套软件栈，用于支撑 Agent 的思考、记忆、工具调用和执行。
“Vera Rubin 不只是为了运行 AI。Vera Rubin 是为了运行 Agent 打造的。”
⚙️ Vera CPU：为没有耐心的 Agent 而生
黄仁勋提出一个非常形象的观点：过去的 CPU 是为人类设计的，因为人类可以按秒等待；但 Agent 是按纳秒等待的，它们每一次工具调用、数据库访问和代码执行都要求极低延迟。因此，Vera CPU 的目标不是传统意义上的出租更多 core，而是以极高单线程性能、极高带宽和高能效来服务 Agent。
“过去我们为人类创造 CPU，而人类只有十亿人。未来会有数十亿个 Agent。”
“CPU 是指挥，GPU 是乐团。”
🛠️ 每家公司都会构建自己的 Agent
在企业 AI 部分，黄仁勋把 Agent 拆成四个关键组成：模型、harness、工具与 runtime。NVIDIA 的 Agent Toolkit、Open Shell、Nemotron 模型和 CUDAX 工具库，都是为了让企业能够安全地构建、调优和运行自己的 Agent。Cadence 芯片设计 Agent 的案例展示了这个模式的威力：过去数周的验证流程，现在可以压缩到数小时。
“每家公司都会成为 Agent 公司。”
🧬 Nemotron 3 Ultra：开放模型也是企业基础设施
NVIDIA 发布 Nemotron 3 Ultra，并强调它不仅开放模型，还开放训练数据和训练方法。黄仁勋认为，企业需要从强大的开放模型开始，再加入自己的专有数据和工作流，打造属于自己的专有超级 Agent。它的核心卖点是速度提升五倍、成本降低百分之三十，并面向长程推理和工具使用优化。
“目标很简单，就是让你能拿走全部内容，在上面继续添加，让它变得更好，让它成为你自己的东西。”
💻 PC 将被重新发明
黄仁勋将 Microsoft 与 NVIDIA 的新 PC 产品线描述为四十年来 PC 的一次重大重新发明。未来 PC 不再只是打开应用、点击和打字的机器，而会成为本地运行 Agent 的个人 AI 平台。RTX Spark、台式机和 DGX Station 分别对应移动、本地常驻和高性能工作站场景。
“十年后的 PC，和你今天理解的 PC，会完全不一样。”
🤖 Physical AI 与机器人时代
演讲最后，黄仁勋把 Agentic AI 扩展到物理世界。他指出，自动驾驶汽车、人形机器人、工厂设备、农业机械、基站甚至卫星，都会成为 Agentic 系统。NVIDIA Cosmos 3 是面向 physical AI 的开放世界模型，Isaac GR00T 则是面向人形机器人的开放平台和参考机器人。
“Agentic AI 本质上就是数字机器人。”
“机器人时代，从这里开始。”
🌐 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 - Laat meer zien
