Stay Connected全球投资平台拾象科技和开源研究平台「海外独角兽」出品的声音栏目。作为一个开源研究平台，「海外独角兽」在过去 3 年时间中研究并开源发布了近 200 篇深度研究，既有对 150+ 全球头部独角兽公司的深度分析，也有 Top-Down 对行业趋势的宏观研判，还包括我们走访硅谷、和全球头部科技公司从业者、投资人交流后的一线体感。
在这档全新的播客节目中，我们将延续海外独角兽开源精神，用声音传递最先锋的科技观察、链接全球优秀的大脑，抹平信息鸿沟。
欢迎订阅收听。
如果您想对我们有更多了解，可以微信搜索「海外独角兽」（id：unicornobserver）关注我们的公众号，获取更多深度研究、一线观察。
Copyright: © 海外独角兽@小宇宙App
过去几年，AI 的巨大突破赋予了机器语言的力量，而下一个前沿在于赋予 AI 关于世界的记忆。当大模型只能分析短暂的视频内容时，一个根本性的鸿沟依然存在：虽然 AI 能够处理信息，但却无法真正地“记住” 信息。可如今 AI 的发展瓶颈已不再是“看见”，而是如何保留、索引并回忆来构成我们现实世界的视觉数据流。
我们认为，Memories.ai 正在构建一条不同的路径。这家公司成立于 2024 年，由前 Meta Reality Labs 的华人研究科学家沈俊潇（Shawn Shen）博士和周恩旻（Ben Zhou）联合创立，他们致力于打造一个基础性的视觉记忆层，目标是成为所有 AI 的“海马体” 。
上个月，Memories.ai 推出了大型视觉记忆模型 LVMM，这不是单一的端到端模型，而是仿照人脑、通过工程化实现的视频记忆系统，能压缩、索引、查询无限量视频数据，让 AI 不止能看，更能真正记住和回忆。
本期节目，我们邀请到了 Memories.ai 创始人 Shawn。在 Shawn 看来，真正类人的记忆本质上是视觉的，而非文本的。他将结合自己的创业思考，和我们分享 LVMM 的构建理念、技术挑战，以及对 memory 的未来想象。
02:07 视频生成与视频理解的差异，创业公司选择视频理解与记忆的原因
03:55 文本记忆与视觉记忆的本质区别，现有 AI 记忆多为“上下文工程”
05:05 人类长期记忆的类型及与 AI 记忆机制的对应关系
08:43 视频是原始数据（raw data），需通过抽象压缩实现理解与检索
10:02 多模态代理（multimodal agents）将成为未来趋势，multimodal prompting 的重要性
11:43 LVMM（大型视觉记忆模型）的设计理念及人类记忆机制的模拟
15:03 LVMM 的关键模块：压缩层、索引、聚合、数据库服务
17:39 与 RAG 的区别：VRM（视觉检索模型）路径
19:06 记忆与理解的关系，长期看理解力有助于记忆力
21:16 应用场景 1：安防领域的实时检测与商业价值
23:12 应用场景 2：媒体与短剧制作的全流程解决方案
23:46 应用场景 3：视频营销与创意引擎，索引 TikTok 热门视频
24:29 视频营销中的网红达人发现与内容创意支持
>> 对谈 Pokee CEO 朱哲清：RL-native 的 Agent 系统应该长什么样？｜Best Minds
>> 专访 Luma AI 首席科学家：我们更相信多模态的 Scaling Law
>> 专访月之暗面杨植麟：lossless long context is everything
>> 专访 VideoPoet 作者：LLM 能带来真正的视觉智能
>> 专访 Pika Labs 创始人：探索视频生成的 GPT 时刻
Memories.ai： 是一家专注于长期视频语境理解和视觉记忆建模的 AI 初创公司，公司核心技术 Large Visual Memory Model 为 AI 构建类似人类的“视觉记忆层”，让 AI 能在海量视频数据中持续存储、理解、检索并建立关联记忆。与传统仅能处理短视频的系统不同，Memories.ai 的平台可分析高达 1000 万小时的视频内容，实现噪声压缩、索引、自然语言搜索、标签化和内容聚合等功能。
上下文腐败（context corruption）：在大模型领域尤其是注意力机制（attention mechanism）下，指的是当模型处理超长上下文时，原本在上下文中已有的关键信息被逐渐稀释、扭曲或遗忘，导致模型在后续生成中对早期信息的引用不准确甚至错误。
LVMM（ Large Visual Memory Model）：是 Memories.ai 推出的核心技术系统，目的是为 AI 打造类人的视觉记忆能力，被称为所有 AI 的 “海马体”。但这个模型并非单一的端到端模型，而是一个受人脑记忆系统启发的复杂系统，主要功能是通过工程化方式实现对无限量视频数据的压缩、索引、查询和记忆。
VRM（Visual Retrieval Model）：是 Memories.ai 处理视觉记忆的关键模型，用于直接处理视频数据，包含视觉编码过程，需决定如何 “灌入” 数据。它与 RAG 工作路径不同，RAG 是重新组合上下文给大模型处理，而 VRM 对基础设施要求更高，在 LVMM 系统中通过对视频分词等处理，可以为后续聚合、检索等环节提供支持。
AlphaFold 3 获得诺贝尔奖是 AI 在生物领域的重要里程碑，是生命科学领域中“foundation model 时刻”的典型代表，但蛋白质结构预测只是科研闭环的起点，只有当模型的能力从“预测结构”迈向“直接生成分子”，新药开发效率才能实现真正的指数级提升。
Chai Discovery 这家公司正是在 AlphaFold 方向上复现开源最快的公司。去年 9 月获得了 Thrive 和 OpenAI 3000 万美金的种子轮投资，估值达到 1.5 亿美金。他们的模型 Chai-1 选择的技术路线是用 Diffusion 模型做结构预测，和 AlphaFold 路线接近。
今年 6 月 30 日，他们又发布了新模型 Chai-2，它在零样本的前提下能自动生成有效的抗体结构，命中率高达 16%，是传统噬菌体筛选技术命中率的百倍，还具备极强的可扩展性，也就说，可以在几个小时内，为任何一个靶点设计出可实验验证的候选分子。
可见 Chai 的目标并不是 AI 辅助制药，而是构建“AI-native 制药”平台，把科学问题转化成工程问题。
本期内容我们邀请到了 Chai Discovery 的创始科学家乔卓然，卓然曾在 Iambic Therapeutics 担任 Senior Research Scientist，2025 年起，他作为创始团队成员和 AI 科学家加入了 Chai Discovery，是 Chai-2 模型的核心贡献者。他将结合自己科研经历，和我们分享了 Chai-2 的模型架构、实验成果，以及 AI 在药物发现领域真正的突破口。
One More Thing：本期文字稿可见 👉 对谈 Chai-2 核心科学家乔卓然：抗体生成成功率提升百倍，分子生成平台是药物研发的 GPU｜Best Minds
00:06:00 Diffusion Model 带来了建模范式的根本改变
00:08:10 AlphaFold 2 给模型的架构扫平了很多障碍
00:16:28 Chai 团队的最大特点是具备第一性原理
00:18:00 Chai-2 和 AlphaFold 有什么不同？
00:21:42 蛋白质结构设计是结构预测的逆问题
00:29:56 Chai-2 相较于 Chai-1 最大的进步是从预测过渡到了生成
00:34:21 Chai-2 将药物开发周期从数月缩短到两周
00:37:56 在零样本前提下，Chai-2 能设计出具备 binding 活性的抗体，成功率高达 16%
00:45:37 模型的结构预测能力决定了模型上限
00:51:59 在所有 de novo 抗体设计或 binder 设计中，模型早已超越了人类的能力
01:00:04 分子生成平台对药物研发的作用将像 GPU 对 AI 的作用一样
01:04:15 Zero-shot 更接近药物设计的本质
01:05:14 合成数据是连接实验数据和生物学理论的“第三模态”
01:12:43 未来 AI for Science 公司的商业模式是“平台即 IP”
>> 对谈 Chai-2 核心科学家乔卓然：抗体生成成功率提升百倍，分子生成平台是药物研发的 GPU｜Best Minds
>> 对谈斯坦福 Biomni 作者黄柯鑫：AI Scientist 领域将出现 Cursor 级别的机会｜Best Minds
>> Chai Discovery：OpenAI 投资的 AI4Sci 公司，AlphaFold 最快追赶者
>> Isomorphic Labs：DeepMind 创始人再创业，打造制药界的 TSMC
>> FutureHouse 联合创始人：AI Scientist 不是“全自动化科研”
>> AI4Science 图谱，如何颠覆 10 年 x 20 亿美金成本的药物研发模式
>> OpenEvidence，医疗领域诞生了第一个广告模式 Chatbot
>> Flagship 创始人：AI for Science 的下一步是 Multi-agent
>> Anthropic 创始人最看好的领域，AI for Science 深度解读
Chai Discovery：这是一家成立于 2024 年的 AI 初创公司，专注于通过 AI 预测和再编程生化分子结构，加速新药研发进程。去年 9 月获得了 Thrive 和 OpenAI 3000 万美金的种子轮投资，估值达到 1.5 亿美金。他们的模型 Chai-1 选择的技术路线是用 Diffusion 模型做结构预测，和 AlphaFold 路线接近，今年 6 月又发布了最新模型 Chai-2。
Score-based generative modeling：这是一种生成模型方法，核心思想是学习数据分布的“score function”，即对数密度函数的梯度。与传统的生成对抗网络或变分自编码器不同，这种方法不直接生成样本，而是通过一个随机微分方程从噪声出发，逐步将样本转化为数据分布中的真实样本。
Entos AI（现称 Iambic Therapeutics）：是一家 AI 驱动小分子药物发现初创公司，依托自身专有的 OrbNet 平台，将量子力学融入机器学习，加速预筛选化合物、提高准确性。卓然的 PhD 导师 Tom Miller 是创始人兼 CEO。
NeuralPLexer2 和 NeuralPLexer3：这是由 Caltech 的 Thomas F. Miller III 等人在内的研究团队开发的一系列用于大规模分子结构预测和生成的深度学习模型，主要面向量子化学和计算分子科学等领域。这些模型在保留物理精度的同时，大幅提升了计算效率。
酵母展示和噬菌体展示：这是两种常见的体外蛋白筛选技术，用于发现与特定靶标具有高亲和力的抗体或蛋白分子。它们通过将蛋白质或抗体片段表达在微生物（如酵母或噬菌体病毒）表面，然后利用筛选和富集过程找到目标结合物。
Lab-in-the-loop optimization：是一种将实验反馈与机器学习模型相结合的优化方法，常用于蛋白质或药物分子设计流程中。该方法通过迭代过程进行优化，模型首先生成候选序列，随后通过实验验证性能，再将实验数据反馈给模型，来指导下一轮设计。通过这种方式，能够持续提升设计的效率和准确性。这种方法代表了一种“模型+实验”协同进化的设计理念，与完全依赖模型的“零样本生成”策略不同。
DockQ：用于评估蛋白质复合物对接质量的综合评分指标，介于 0 和 1 之间，数值越高表示预测结构越接近真实结构。通常，DockQ > 0.23 被视为是正确对接的阈值，用以判定一个复合结构是否可信。
Humira：这是全球首个由噬菌体展示技术筛选获得并成功商业化的全人源单克隆抗体药物，最初由 Cambridge Antibody Technology（后并入阿斯利康）开发，并由 Abbott（现为 AbbVie）推广上市。
随着 multi-agent 技术的发展，AI 可能不再只是“工具箱”，而是能自主完成跨学科复杂研究，从而推动科学发现走向全新模式。AI 实现科学和科研发现正在走进现实，AI scientist 已经在改写科研和药物开发范式：
今年 5 月，前谷歌 CEO Eric Schmidt 投资的 AI lab FutureHouse 推出了四个 AI scientist agent，一个月后，他们又宣布自己的 AI 系统 Robin 成功开发出了新的 dAMD 药物。就在两天前，OpenAI 也专门发布博客强调 AI 在生物学领域的能力正在不断增强。
本期内容我们邀请到了斯坦福大学 CS 博士生、AI scientist Biomni 核心贡献者黄柯鑫一起聊 AI Scientist。柯鑫的学术背景兼顾了生物和计算机研究，有多篇论文发表在 Nature 系列期刊及 ML 顶会上。
Biomni 是斯坦福研究团队最近发布上线的一个生物医学通用 agent，它整合了 150 种专业工具、59 个数据库和 105 种软件，可以执行生物医学子领域的各种研究任务，打破了传统科研流程中碎片化、低效的壁垒，显著提高了科研效率。感兴趣的朋友可以在biomni.stanford.edu免费注册和使用。
在本期节目中，柯鑫结合自己的科研经历，分享了 AI scientist 的理念，为什么普通 agent 无法胜任科研任务，以及 AI for Science 领域正在发生的重要趋势等话题。
和 AlphaFlod 等生物医学领域的大模型不同，AI Scientist 通常指利用 AI 技术辅助或自动化科学研究过程的系统（或工具），能在数据分析、假设生成、实验设计等方面加速科学发现，这个概念既可以指 AI 作为辅助者，帮助科学家做研究，也可以指 AI 主动、独立承担科研任务。
AI Scientist 一直是头部 AI labs 的重要研究课题：
去年末，Transformer 作者 Llion Jones 参与创立的 Sakana AI 推出首个全自动 AI 科研系统，这个系统能够独立完成从创意生成、编码、实验执行到撰写科学论文的整个研究流程；
今年 2 月，Google 推出了基于 Gemini 2.0 构建的 multi-agent 系统 AI co-scientist，可以协助科研人员做各种繁琐的科研任务，包括科研选题、文献检索和实验设计。
今年 5 月，前 Google CEO Eric Schmidt 投资的 AI lab FutureHouse 推出了四款 AI scientist agent，一个月后，他们又宣布自己的 AI 系统 Robin 在 2.5 个月时间内发现了一种治疗干性年龄相关性黄斑变性（dAMD）的新候选药物。
02:08 AI+生物领域在发生什么？
09:07 AI scientist 和一般的 agent、AlphaFold 等底层模型有什么不同？
11:40 FutureHouse 声称用 agent 能开发了出新的 dAMD 药物
15:04 通用 agent 做不好 AI scientist 是因为缺少合适环境和专家 know-how
20:07 Biomni 的核心是打造了一个 agent 能够执行大量研究任务的环境
26:34 Biomni 是完全依赖 LLM 的能力来使用工具、软件和数据库的
31:55 AI Scientist 是使用 AlphaFold 的 Agent 系统
33:50 AI scientist agent 未来进步的方向是环境和应用落地
37:21 数据是生物领域最大的瓶颈
40:23 Biomni 的使用场景和目标用户有哪些？
43:05 AI Biology 的 benchmark 有很多探索方向
48:37 AI for Science 也会出现自己的 Cursor、 Devin
49:59 到 2050 年，一个 agent 可能就能创造价值十亿美元 Biotech 公司
53:16 Big Pharma 们的 AI 实践：左手 AlphaFold，右手 ChatGPT
57:12 AI scientist 的进展与 AlphaFold 这样的科技突破同样令人兴奋
>> AI4Science 图谱，如何颠覆 10 年 x 20 亿美金成本的药物研发模式
>> OpenEvidence，医疗领域诞生了第一个广告模式 Chatbot
>> Flagship 创始人：AI for Science 的下一步是 Multi-agent
>> Chai Discovery：OpenAI 投资的 AI4Sci 公司，AlphaFold 最快追赶者
>> Anthropic 创始人最看好的领域，AI for Science 深度解读
AlphaFold：Google DeepMind 开发的AI 模型，主要用于蛋白质结构预测，最早在2018年推出，2024年5月发布了 AlphaFold3，将技术扩展到蛋白质折叠之外，能以前所未有的精度准确预测蛋白质、DNA、RNA、配体等生命分子的结构及相互作用。它直接改变了上一代版本的核心架构，用“扩散模块”取代了上一代中非常重要的“结构模块”，标志着AlphaFold在技术上的又一次飞跃。
Biomni：斯坦福大学最近发布的一个生物医学领域的通用 AI agent，整合了 150 种专业工具、59 个数据库和 105 种软件，可以执行生物医学子领域的各种研究任务，打破了传统科研流程中碎片化、低效的壁垒，显著提高了科研效率；
干实验和湿实验：干实验通常指不直接操作生物材料的计算或理论工作，比如用计算机进行基因序列分析、建模模拟等；湿实验是指在实验室中直接操作生物样品（如细胞、蛋白质、DNA）进行的实验，如 PCR、培养、染色等。
CRISPR 技术：一种基因编辑工具，能在特定 DNA 序列上进行高效、精准的剪切和修改，广泛用于基因功能研究和疾病治疗开发。
Virtual cell：是使用多模态、生物与分子数据训练的神经网络模型，目的是在计算机环境中模拟细胞在不同状态下的行为与功能，为预测细胞动态和治疗响应提供虚拟实验平台。
FutureHouse：由前谷歌 CEO 埃里克·施密特支持的非营利组织，成立于 2023 年，目前已推出了一系列专门用于科学研究的 AI agent
GWAS：Genome-Wide Association Study，即全基因组关联研究，这是一种通过比较大量个体的基因组变异与表型差异，寻找与疾病或性状相关的遗传位点的方法
CRISPR 实验：指应用 CRISPR-Cas 系统对特定 DNA 进行剪切、修饰或调控的实验，常用于基因敲除、基因敲入或基因表达调控，广泛应用于基础研究、疾病模型构建及潜在治疗开发
Michael Snyder Lab：斯坦福大学 Michael Snyder 教授领导的研究实验室，该实验室在个人化医疗、基因组学以及利用可穿戴设备进行大规模健康数据监测等前沿领域的研究中处于世界领先地位。
Scanpy：一个基于 Python 的开源分析工具包，专门用于处理和分析单细胞 RNA 测序（scRNA-seq）数据。它是生物信息学领域进行单细胞分析的主流软件之一，能够帮助研究人员对细胞进行聚类、识别细胞类型、发现新的生物学标记等。
Oracle：指理想化的、能为某个特定问题提供绝对正确或黄金标准的模型或系统。
pLDDT Score：这是 AlphaFold 2 输出的一个关键指标，表示模型对所预测的蛋白质结构中每个氨基酸残基位置的置信度，分数越高，代表模型对该局部区域的结构预测越有信心，结构也更可能可靠。
AlphaEvolve：这是 DeepMind 2025 年推出的进化式 coding agent，通过不断生成、评估和优化代码，能够自主改进算法并发现新方案，目前已在矩阵乘法、数据中心调度和芯片设计等领域实现突破。
Popper：这是柯鑫作为核心作者开发的一个 multi-agent 系统，设计灵感源于科学家 Karl Popper 的可证伪性原则，目的是自动化“假设生成-实验验证”的科学发现循环：由一个 agent 负责从海量数据中提出科学假设，另一个 agent 则负责设计实验来验证或证伪这些假设，从而大规模地挖掘潜在的科学洞见。
Era of Experience 这篇在 AI 社区讨论度很高的文章中提出：如果想实现 AGI，构建通用 Agent，就必须依靠“经验”，也就是模型和 Agent 在强化学习过程中自主积累的、人类数据集中没有的高质量数据。
DeepMind 的 AlphaProof 就被认为是这样一个典型案例，它靠 RL 算法自行“做题练习”，最终在数学领域，达到了超越人类的水平。以 AlphaProof 为开端，OpenAI 的 o1、DeepSeek 的 Prover-V2 等模型不断推动数学领域的进展，让数学证明成为了 AI 突破的新高地。
为什么 AI 研究中要特别关注数学证明能力？一方面数学领域的突破是模型能力提升的直接表现；另一方面，数学和代码类任务一样，不仅有严格的规则和格式，明确的推理路径，还有着对逻辑性、可验证性的高要求，这让数学类任务成为 RL 理想的训练环境。
这期内容我们请到了 DeepSeek-Prover 系列核心作者辛华剑，邀请华剑来和我们讲解数学和 AGI 之间的关系。华剑本科毕业于中山大学逻辑学，现在是爱丁堡大学人工智能方向的博士生，他目前专注于大模型在数学定理证明中的创新应用。
友情提示：这期内容同时涉及 AI 和数学领域的硬核干货，点击查看对谈全文文字内容
本期拓展阅读
本节目是全球投资平台拾象科技和开源研究平台「海外独角兽」共同出品的声音栏目。「全球大模型季报」是「海外独角兽」和「张小珺商业访谈录」的共同制作的 AI 领域观察栏目，以季度为单位，梳理行业 LLM 领域的重要信号，预测未来。
2025 Q1 中美 AI 领域都相当火热：DeepSeek R1 催化了 RL model 的热潮，头部模型厂商连续发布 SOTA reasoning models，推出 deep research；Manus 的火爆又把 Agentic AI 的讨论带到 AI 社区中心。本期内容是我们对 2025 年第一季度的回顾以及对 AGI 竞争格局、roadmap 的再思考：
……
本期内容是拾象 CEO 李广密对大模型公司阶跃星辰首席科学家张祥雨的访谈，由「海外独角兽」和「张小珺商业访谈录」的共同制作，
张祥雨专注于多模态领域，他提出了 DreamLLM 多模态大模型框架，这是业内最早的图文生成理解一体化的多模态大模型架构之一，基于这个框架，阶跃星辰发布了中国首个千亿参数原生多模态大模型 Step-1V。此外，他的学术影响力相当突出，论文总引用量已经超过了 37 万次。
一直以来，业界都相当期待一个理解、生成一体化的多模态，但直到今天这个模型还没出现，如何才能达到多模态领域的 GPT-4 时刻？这一期对谈中，祥雨结合自己在多模态领域的研究和实践历程，从纯粹的技术视角下分享了自己对多模态领域关键问题的全新思考，在他看来，虽然语言模型领域的进步极快，但多模态生成和理解的难度被低估了：
……
访谈文字版全文链接。
本期内容由「全球大模型季报」「海外独角兽」和「张小珺商业访谈录」的共同制作。我们以季度为单位，梳理行业 LLM 领域的重要信号，预测未来。
2024 年的 LLM 竞赛是算力、模型和应用三条线并行。正如我们在 2024 年跨年对谈中所预测的，上半年，LLM 竞赛格局基本确定，到了下半年，随着 Sonnet 3.5 经验的 coding 能力、 o1 模型以及 RL 范式的接连出现，LLM 不再是单一的基建竞赛，LLM 的应用范围在扩大、对现有工作流改造的深度不断增强。
2025 年的核心主线一定是 coding 和 agent 。Andrej Karpathy 在 2017 年提出了 Software 2.0 的设想：1.0 时代的软件是把结构化、规则化的工作进行数字化封装，2.0 时代的软件则对 domain knowledge 和工作流进行封装重组，背后变化是如何更加动态地编排软件。这一预想一定会在 2025 年被落地，Agent、multi-agents 不仅会带来新的软件，也会对生产力任务进行重组。
互联网最本质的是对信息的重组，“Google” 是在“分发”这件事上最具代表性的符号，我们认为，今天 AI/LLM 的竞争同样也是一条超越 Google 之路：底层模型及其上层的超级应用是对 token 和智能的重新分发，以 ChatGPT、Perplexity 、Devin 为代表的应用最终将走向所有信息、内容甚至任务的 All-in-one 的分发容器。
本节目是全球投资平台拾象科技和开源研究平台「海外独角兽」共同出品的声音栏目。
作为海外独角兽和「张小珺商业访谈录」的第四期串台，拾象科技 CEO 李广密和商业作者张小珺的围绕 AGI 发展路径展开了猜想，self-play RL 是新的 scaling law。
这期讨论录制于 2 周前，随着今天凌晨 OpenAI o1 模型的发布，我们的猜想得到验证，LLM 正式进入了 self-play RL 范式时代。
o1 的发布只是 AGI 下半场的开始，我们也相当期待接下来 Anthropic Claude 3.5 系列新模型的发布，Claude 3.5 和 o1 的表现会是 RL 进程是否顺利的风向标。
作为关注 AI 最前沿的团队，我们围绕 self-play RL 也已经发布了多篇研究，本期内容是一篇高质量科普，关于 RL 和合成数据会如何帮助模型升级？基于 LLM 的 RL 和 self play 和以前的 RL 有什么不同？模型的 Reasoning 能力提升后会带来什么新机会？等等关键问题都可以找到最完整的答案。
▫️延伸阅读▫️
LLM 新范式：OpenAI o1，self-play RL 和 AGI 下半场
▫️AGIX 指数▫️
AGIX 指数是拾象设计的追踪 AGI 科技革命的指数，是我们在全球科技上市公司中精选出的“高 AI 纯度”公司的组合。AGIX 指数是定位 AI 进程的坐标，也为投资者捕捉 AI-alpha 提供了一个价值工具。
本节目是全球投资平台拾象科技和开源研究平台「海外独角兽」共同出品的声音栏目。
本期内容是我们和「张小珺商业访谈录」的第三期串台，是对今年上半年全球大模型发展的总结。本期内容主要讨论了 AI 应用，对 AI 问答引擎 Perplexity 进行了深度剖析，还对今年年底可能发布的 GPT-5 进行了预测。
点击查看本期对谈的文字内容。
李广密：拾象科技创始人及 CEO。
张小珺：商业作者，曾供职《财经》杂志，目前在腾讯新闻，一直写作关于中国商业的深度报道。
拾象 AGIX 指数
本月拾象正式发布了指数产品 AGIX Index（ Bloomberg Ticker: SOLEAGIX ）。如同纳斯达克 100 通过严密的公司组合成为互联网科技革命的晴雨表一样，拾象 AGIX 指数是我们围绕 AI 革命设计的，代表的是新一轮 AI 革命，通过对上千家公司的层层筛选、最终精选出 50 家左右公司组成，涵盖了 AI Hardware、Infra 和 Application 三个板块。我们希望它成为 AGI 浪潮的新一代价值决策工具。 点击链接了解 AGIX Index 详情。
El Marsiano - Don Bacilon
微信公众号：海外独角兽
全球投资平台拾象科技和开源研究平台「海外独角兽」出品
本期内容是我们和「张小珺商业访谈录」串台节目的第二期。在上期节目中，拾象科技 CEO 李广密和商业作者张小珺一起总结了 2023 年全球大模型竞赛，本期我们选择将“AGI 大基建与马拉松”作为关键词，延续上次内容，对 2024 Q1 全球大模型的发展进行了复盘，主要讨论了模型竞争格局的变化、模型的算力和能源瓶颈、开源模型对闭源模型的冲击，以及全球 AGI 时间线的变化等关键问题。
点击查看本期对谈的文字版内容。
El Marsiano - Don Bacilon
微信公众号：海外独角兽
Alignment 是全球投资平台拾象科技和开源研究平台「海外独角兽」旗下的声音栏目。
本期内容是我们和「张小珺商业访谈录」的串台节目，拾象科技 CEO 李广密和商业作者张小珺一起讨论了 2023 年的大模型军备竞赛、接下来的格局变化，以及在 2024 年大模型领域值得期待的重要事件。拾象团队在过去一年中积极追踪着全球一线大模型公司、顶级 AI research lab 的动态，本期内容也是我们持续研究的浓缩总结，我们相信，“新摩尔定律时代”才刚刚开始，随着模型智能能力的进化和算力成本的持续优化，在 2024 年还会有更多惊喜涌现。
点击查看本期对谈的文字版内容。
李广密：拾象科技创始人及 CEO。
张小珺：商业作者，曾供职《财经》杂志，目前在腾讯新闻，一直写作关于中国商业的深度报道。
El Marsiano - Don Bacilon
微信公众号：海外独角兽
Alignment 是全球投资平台拾象科技和开源研究平台「海外独角兽」旗下的声音栏目。
本期内容来自以 GPT-4 主题的一场闭门讨论会。英伟达 CEO 黄仁勋在 GTC 2023 中提到 AI 领域正迎来自己的 “iPhone 时刻”，创立不到 10 年的 OpenAI 正是推动着一切发生的重要力量之一。而前不久 OpenAI 发布的 GPT-4 又将 AGI 热潮掀高了一层。
在 GPT-4 发布后，海外独角兽组织了一场主题闭门会，在长达 3 小时的讨论中，AI 领域从业者、一线创业者以及一级市场投资人们共同讨论了：
我们将其中的精彩内容进行剪辑，作为 「Alignment」 的第一期内容发布。Enjoy～
注：节目录制时间为 2023 年 3 月 19 日，音频内容根据本次讨论会现场实录剪辑制作，仅代表嘉宾观点，点击链接可查看本次活动完整纪要。
使用音乐
El Marsiano - Don Bacilon
制作出品
联系我们
微信公众号：海外独角兽
Our TOPPODCAST Picks 
![Splunk [Data Fabric Search and Data Stream Processor] 2019 .conf Videos w/ Slides](https://toppodcast.com/wp-content/themes/toppodcast/images/logo.png){kind=logo}
