Science

跨国串门儿计划

这是一档使用 AI 技术来将英文播客翻译为中文播客的节目～在翻译的同时，也能保留原有声线，用中文听懂外语播客！

Latest Episodes:

#776. 中国的模型真的只是靠蒸馏追赶吗？ Oct 16, 2026

Show notes

📝 本期播客简介

本期我们克隆了：a16z · Can Open Models Keep Up With OpenAI and Anthropic? | Nathan Lambert

原内容更新时间：2026-10-14

中国的模型实验室，真的只是靠蒸馏追赶吗？AI 研究员 Nathan Lambert 认为，中国人才水平并不逊色，最大的差别是算力；但蒸馏究竟能缩小多少差距，现有公开研究还不足以给出简单答案。

a16z 合伙人 Lisha Li 与 Nathan Lambert 从算力、数据、人才谈到开放模型与闭源前沿实验室的竞争：为什么开放模型追赶得上、却需要更长时间；高质量数据和强化学习环境如何推动进步；以及开源研究能否让递归自我改进不再神秘。最后，他们也谈到，相比能力曲线本身，社会对网络安全等风险准备不足更让人担心。

👤 本期嘉宾

Nathan Lambert 是 AI 研究员，也是非营利研究实验室 Trillium 的创办者。他曾在 AI2 参与后训练研究，并长期面向公众解释开放模型、后训练与 AI 研究进展；他对开放模型研究和训练方法的实践经验，让他能从技术和产业两方面拆解前沿差距。

⏱️ 时间戳

01:07 前沿竞争与蒸馏

16:57 市场节奏与数据

28:02 建设开放研究基础

45:05 Agent扩展与风险

🌟 精彩内容

💡 中国模型差的不是人才

中国实验室人才储备与美国相当，最明显的短板是算力。一位中国顶尖预训练研究员听说，OpenAI 普通研究员随时能调用相当于 5000 张 H100 的算力，惊讶得难以想象。

"要说中国的人才水平不在同一个档次，你很难说得通。"

💡 蒸馏不是追赶的万能解释

过去拿强模型回答做监督微调，确实能提升性能；但今天的推理训练更依赖强化学习环境。公开研究还没能证明，蒸馏是开放模型进步的主要原因。

"但根据这些证据，我不知道怎么能得出别的结论：蒸馏在当前后训练中的作用并没有那么大。"

💡 前沿模型的进步，很多来自数据

数学、编程等结果容易验证；生物、医疗、法律等领域则更需要高质量数据和能让模型反复尝试的环境。为特定领域制作数据集、定义模型该有的表现，正在成为实验室的重要工作。

"但实际上，可能两方面都有一点，不过很大一部分还是归结于数据。"

💡 开放环境，让 RSI 不再神秘

Trillium 计划公开训练工具、任务和模型执行轨迹，让外界看到模型做了什么、卡在哪里。这样研究者和政策制定者不必只凭猜测判断 AI 自动化研究的进展。

"能公开自动化进展的人，就应该这样做。"

💡 真正让人担心的是社会准备不足

模型能力增长未必会突然失控，但网络安全等领域几乎没有做好准备。Nathan 认为，风险已经存在，也会继续扩散；社会需要更多研究和更多人参与，才能了解正在发生什么。

"AI 能力的增长曲线本身，不一定让我担心。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#774. Acquired｜NFL：联盟优先，球队才能一起赢 Oct 15, 2026

Show notes

📝 本期播客简介

本期我们克隆了：Acquired · The NFL: How small-town teams became America's most valuable sports empire (Audio)

原内容更新时间：2026-01-27

一场比赛是否精彩，关系到的不只是输赢，还关系到整个联盟能不能做成一门大生意。NFL 从小城球队起步，靠着收入共享、平衡竞争和电视转播，逐步成长为美国最值钱的体育媒体生意。

Acquired 主持人 Ben Gilbert 和 David Rosenthal 从 NFL 的早期历史讲起，追溯联盟如何应对竞争、把比赛打造成电视娱乐，再分析博彩、流媒体与球队估值的新变化。他们也谈到 CTE、年轻球迷和国际化等 NFL 面对的现实难题，以及私募股权进入联盟后，球队所有权和收入分配会如何变化。

👤 本期嘉宾

本集由 Acquired 主持人 Ben Gilbert 和 David Rosenthal 主讲。两人以商业史和公司经营为切口，梳理 NFL 从联盟成立、应对竞争到电视转播和收入共享的发展过程，并结合最新变化分析联盟的收入结构、球队估值和经营策略。

⏱️ 时间戳

00:00 橄榄球从何而来

05:04 大学运动走向职业

12:47 联盟初创与战后转机

34:58 竞争平衡的制度

53:43 Rozelle打造现代NFL

1:38:09 超级碗成为盛事

1:47:59 电视娱乐革命

2:12:39 NFL收入从哪里来

2:14:43 信任与舆论危机

2:22:45 增长引擎与竞争优势

2:51:48 流媒体与新球迷

3:22:16 私募入股与估值跃升

🌟 精彩内容

💡 收入共享，让球队一起做大

NFL 把门票收入的一部分放进共享资金池，后来又将全国电视转播收入由各队平分。联盟的思路是先把整个蛋糕做大，而不是让个别球队先拿更多。

"先不想着把自己那份蛋糕分得更大，而是把整个蛋糕做大。"

💡 比赛越有悬念，联盟越赚钱

Bert Bell 认为，任何一个星期天，任何一支球队都应该有机会击败另一支球队。NFL 用赛程安排和倒序选秀缩小强弱差距，因为当时卖门票是球队赚钱的关键。

"任何一个星期天，联盟里的任何一支球队，都应该有机会打败其他任何一支球队。"

💡 NFL 把比赛做成电视娱乐

《周一橄榄球之夜》用更多机位、场边收音、精彩回放和有个性的解说，让比赛不再只是球场上的竞技，也成了专为电视打造的娱乐节目。

"我们播的不是体育，是娱乐节目，而且一定要让你有这种感觉。"

💡 博彩让更多人盯着比赛

字幕提到，下注 NFL 的美国人从 4600 万增至 7600 万。下注让球迷更关心比赛，也带动转播订阅与收视；主持人引用的估算称，博彩合法化带来的间接影响每年约有 23 亿美元。

"你要是在一场比赛上押了钱，那你肯定会看。"

💡 流媒体把比赛带向全球

YouTube 曾向全球免费独播一场海外赛，Netflix 也拿下圣诞节比赛。主持人认为，全球流媒体平台让 NFL 有机会触达传统电视网覆盖范围之外的观众。

"一个平台就能把来自各地的人聚到一起，让你的内容传播得更广。"

💡 私募股权入场，收益也要共享

NFL 允许特定私募股权机构持有球队最多 10% 股权，但投资收益变现时，要抽出一部分平均分给 32 支球队的股东。主持人认为，这把联盟的集体资本主义思路推到了极致。

"投资者入股联盟里的球队，NFL 也能从这笔投资中拿收益分成。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#773. 黄仁勋：从算力需求看英伟达的增长逻辑 Oct 15, 2026

Show notes

📝 本期播客简介

本期我们克隆了：Bg2 Pod · Jensen Huang | Does AI Revenue Justify Capex, '27 AI Bottlenecks, Singularity, Open vs Closed & more

原内容更新时间：2026-10-15

AI算力建设要花几万亿美元，回报却要靠模型公司的收入来支撑吗？Jensen Huang给出的答案是：别只盯着两家前沿模型公司，英伟达的计算业务远不止于此。

在 Brad Gerstner 和 Clark Tang 的第三次对谈中，Jensen Huang从算力需求、基础设施瓶颈和资本回报，讲到智能体、开放模型与 AI 安全。他也解释了为什么英伟达认为需求来自传统计算、各行各业的新应用，以及大量新兴云厂商，而不仅是少数模型实验室。

👤 本期嘉宾

Jensen Huang，英伟达的代表人物，也是公司计算业务与 AI 基础设施布局的核心发言者。他从图形芯片谈到支撑社会智能的计算基础设施，并结合英伟达的客户、供应链和业务结构，解释算力需求从哪里来、建设会遇到什么瓶颈，以及公司如何看待资本回报。

⏱️ 时间戳

00:24 移民与美国的超能力

05:33 奇点与智能的价值

20:53 物理AI重塑行业

26:29 安全与治理框架

41:36 算力建设与全球布局

52:57 AI投资、供需与回报

1:07:58 英伟达优势与未来信心

🌟 精彩内容

💡 算力需求不只靠两家模型公司

英伟达的业务里，约三分之一来自传统计算，约三分之一来自前沿 AI 实验室，另有约三分之一来自新一代云计算和各行业的新公司。只看两家模型公司的收入，可能会漏掉大量算力需求。

"如果眼里只有那么几家公司，以为基础设施建设的资金都靠它们，那就大错特错了。"

💡 真正的扩建瓶颈在电力和土地

芯片项目可能对应约 50 吉瓦算力，但配套的土地、电力和机房建筑或只能承接 35 到 40 吉瓦。Jensen Huang认为，需求不缺，难在把数字世界的计划落到实体建设上。

"需求肯定有，而且还不止这么多。"

💡 智能越便宜，使用量越大

AI 推理需要反复探索、筛选和规划，算力需求会随智能体承担更多工作而增长。Jensen Huang预计，智能成本下降带来的不是需求萎缩，而是更多人开始使用智能。

"人们对智能的需求几乎没有止境。"

💡 AI 安全不是发展的刹车

Jensen Huang把安全、防护和功能视为同一套 AI 技术的一部分：安全措施也要加快建设，而不是和能力发展互相取舍。他还提出从零信任开始、限制权限、独立监控，再逐步放宽限制的做法。

"你不能把能力、功能跟使用安全和安全防护分开。"

💡 芯片之外，英伟达也要做软件和分成

随着 AI 从训练走向部署，企业需要维护工业级软件栈，云服务商也需要资金和基础设施支持。Jensen Huang说，软件授权和收入分成会成为硬件销售之外的新业务方向。

"我们面向企业的软件授权业务，规模会非常非常大。"

💡 对未来，他有九成九把握

面对外界对 AI 风险和投资回报的担忧，Jensen Huang认为，担忧值得表达，但不该把担忧变成末日预言。他把信心建立在许多人愿意投入力量、智慧和资源，推动技术走向好结果上。

"我有 99.99%、99%的信心，因为我们当中有太多人，太在乎最终能有个好结果了。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#772. Grok Bot 的 Personal Agent 实践 Oct 14, 2026

Show notes

📝 本期播客简介

本期我们克隆了：leerob · Stanford CS146S: How always-on agents work

原内容更新时间：2026-10-11

合上电脑之后，AI 还能继续工作吗？Lee 想搭建的常驻 Agent，不只在云端持续运行，还能记住你的工作方式、处理 Slack 消息和邮件，并判断什么时候该来找你。

这场分享从常驻 Agent 的产品形态讲到背后的工程设计：云端电脑如何休眠和恢复，主 Agent 怎样把任务交给子 Agent，工作流如何在故障后接着执行，以及团队如何用上下文压缩和 prompt 缓存控制成本。最后还谈到长期运行带来的安全、评估和打扰频率问题。

👤 本期嘉宾

Lee（leerob）在 Stanford CS146S 分享如何搭建始终在线、能主动做事的 Agent。他谈到的工程实践来自 Grok Bot 的产品、基础设施与运行框架设计；他也提及自己在 Cursor 和 SpaceX 的经历，并说明部分内容仍在 SpaceX 开发中。

⏱️ 时间戳

00:02 常驻 Agent 的兴起

09:45 云端架构与持久工作流

18:55 运行框架与上下文工程

32:16 训练飞轮与未来挑战

🌟 精彩内容

💡 AI 同事不该每有进展就打扰你

常驻 Agent 可以在后台做事，遇到 Slack 消息、邮件或定时任务时醒来处理；它还要判断进展是否重要到值得通知你。

"如果每次有点进展，他都跑来打扰你，说，嘿，快看，我这件事又有进展了，那会挺烦的。"

💡 子 Agent 让长任务不挤满主对话

主 Agent 可以把大量命令和工具调用交给子 Agent，等它们完成后只接收结果。每个助手有独立的持久工作流，故障重启也能接着进度继续做。

"它只把结果传回来。这样做出的产品，就会让人感觉它有无限的上下文。"

💡 工作流崩溃后能从上一步接着做

普通任务队列遇到故障，可能要从头重跑；持久工作流会保存执行进度，失败后可以从已经完成的步骤继续。Lee 说他们使用开源工具 Temporal，避免从零实现复杂机制。

"这样你就可以安全地重试，失败以后再重试，会直接从第 3 步接着做。"

💡 每条命令都让人批准，未必更安全

模型可以先审查 Agent 要执行的命令。Lee 认为，相比人疲惫地盯着并逐条批准大量命令，自动审核有时反而做得更好；但发邮件等不可撤销的操作仍应先询问用户。

"这其实比让你疲惫地盯着几百条 shell 命令、逐条批准更安全。"

💡 上下文压缩，难在别丢掉重要信息

对话变长后，Agent 得把内容压缩成摘要，同时保留之后还用得上的细节。Lee 提到，上下文窗口达到二十万 token 也终究会用满，而压缩必然会损失信息。

"所以你得找到最好的压缩算法，避免丢掉重要细节。"

💡 Prompt 缓存失效会推高长期运行成本

工具定义和系统 prompt 尽量保持不变，能让缓存继续有效；对话很长时，还可以趁缓存仍热着先压缩上下文。Lee 把 prompt 顺序调整导致缓存失效称为一个系统里的 bug。

"所以，缓存没命中，其实就有点像系统里的一个 bug。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#771. AlphaGo Zero：看懂 AI 如何摆脱人类数据、强化学习 Oct 13, 2026

Show notes

📝 本期播客简介

本期我们克隆了：Training Data · David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience

原内容更新时间：Tue, 13 Oct 2026

AlphaGo 花了两年才击败李世石；放弃人类数据后，AlphaZero 只用了几个小时，就超过了此前有人类参与打造的成果。David Silver 把这个经历带进新实验室 Ineffable Intelligence，押注 AI 可以从经验中自行学习，而不是把人类知识当作起点。

在 Sequoia Capital 主持的 Training Data 中，Silver 和联合创始人 Lasse Espeholt 解释他们想打造的“超级学习器”：能在复杂环境里不断探索、发现新知识的系统。他们谈到为什么不沿着 LLM 路线继续加码、如何用模拟研究超级智能的安全与对齐，也谈到算力、强化学习和他们对实现时间的预测。

👤 本期嘉宾

David Silver 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 研究强化学习，并参与打造 AlphaGo、AlphaZero 等系统。他长期主张让 AI 从经验中学习；从围棋中去掉人类数据的实践，也成为他押注“超级学习器”的重要依据。Lasse Espeholt 是 Ineffable Intelligence 联合创始人，曾在 DeepMind 和谷歌大脑研究大规模强化学习，参与开发 IMPALA 和 SEED RL 等系统。

⏱️ 时间戳

01:12 从围棋到创办实验室

08:10 超级学习器与熔炉

22:21 放下人类先验

32:50 模拟中的智能与安全

44:58 算力、团队与时间表

🌟 精彩内容

💡 去掉人类数据，进步快得惊人

AlphaGo 花了大约两年，过程中研究者不断参与、改进系统。AlphaZero 放弃人类数据后，国际象棋只用四小时就击败当时最强的 AI；围棋大约两天就有惊人进步。

"几个小时，就超过了我们有人参与其中、做了 2 年的成果。"

💡 简单目标也能长出复杂知识

他们不打算把“科学”“语言”写进奖励函数，逐项告诉 Agent 要学什么。Silver 以进化和人类发展为例：简单目标也可能逐步带出协作、交流、算术、工具与科学。

"给 Agent 一个非常简单明确的优化目标，再把它放进一个非常复杂的环境里，里面有很多东西可以学习。"

💡 人类语言可能不是推理的终点

Silver 认为，用人类语言训练和监测 AI，可能把人类已有的偏见一并带进去；更强的系统或许会发展出不同的推理方式。

"认为人类语言就是终点，或者就是最佳推理方式，这种看法有点天真。"

💡 模拟或许是研究超级智能的安全场所

模拟可以并行运行、重复实验，也能让研究者先观察超级智能如何互动，再决定是否把系统推进到现实世界。Silver 主张先在模拟中积累证据，并把证据作为现实行动的关卡。

"模拟也是构建超级智能最安全的地方。"

💡 用语言监测 AI，已经接近极限

Silver 提到，有些 Agent 会生成长达一百万字的推理，也可能嘴上说一套、行动上做另一套。他认为仍有必要研究影子行动，以及让其他智能体担任监测者。

"要 100%依靠这种方法，越来越难了。"

💡 Silver 预计三年实现超级智能

Silver 预测，一年内会有有力证据表明这条路线可行；他把实现超级智能的预期时间从三到五年缩短到三年，并提到编程 Agent 能加快研究。

"我觉得，1 年之内，我们就会看到非常有力的证据，证明我们走在正确的路上。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#770. 扎克伯格：超级智能要交到更多人手里 Oct 13, 2026

Show notes

🎙️ 扎克伯格：超级智能要交到更多人手里

📝 本期播客简介

本期我们克隆了：Cheeky Pint · Muse Wonder: Zuckerberg and Wang's $100B AI

原内容更新时间：2026-10-12

“你想要这个西瓜吗？”Muse 记住一场家庭烘焙计划，算好配送门槛，把西瓜加进购物袋。AI 助手不再只是回答问题，而是开始替人把事情办完。

在 Cheeky Pint 的访谈中，Meta CEO 马克·扎克伯格与 Meta 超级智能实验室首席 AI 官 Alexandr Wang，介绍新模型 Muse Wonder，以及他们想做的个人 Agent：它如何记住你、理解图像和视频、完成复杂任务，又如何帮你购物。两人也谈到训练前沿模型所需的团队与算力，以及 Meta 在还没看到模型结果时，就准备投入巨额资金的压力。

👤 本期嘉宾

马克·扎克伯格是 Meta 创始人兼 CEO，负责推动公司在 AI、数据中心、芯片和个人 Agent 等方向的投入。Alexandr Wang 是 Meta 超级智能实验室首席 AI 官，曾创办 Scale AI；他参与组建 MSL、制定团队策略并带领团队开发 Muse 模型。本集围绕 Muse Wonder 的训练、产品设计和商业应用，呈现两人对个人 AI Agent 的判断。

⏱️ 时间戳

00:12 Muse与模型产品

12:47 Muse Wonder登场

22:14 前沿模型如何炼成

43:34 押下千亿美元

59:41 Agent商务兴起

1:10:44 超越智能手机

1:17:23 AI建设如何筹资

1:23:46 AI并非赢家通吃

1:29:09 Meta超级智能实验室

1:50:18 与扎克伯格共事

🌟 精彩内容

💡 AI 开始替你买东西

Muse 会结合对个人生活的了解，筛选商品、确认配送时间，还能接着先前的对话安排食材。扎克伯格说，它每周都会帮女儿的烘焙计划准备好材料，甚至为了凑配送金额加了一个西瓜。

"对，它就问，“你想要这个西瓜吗？”"

💡 Agent 记忆不能总出错

Muse 的“主动记忆”要记住用户几天、几周乃至几个月前说过的事，并在之后执行任务时用上。团队也把记忆设计进模型能力里，试图解决 Agent 用久了容易忘事的问题。

"我觉得，用 OpenClaw 一段时间之后，大家就会发现它的记忆挺容易出问题。"

💡 个人 Agent 不只是自动化

扎克伯格认为，超级智能的重要价值不止是把工作自动化，也在于帮助人发明和创造。Muse 要理解个人偏好、可靠地采取行动，同时尽量少泄露个人信息。

"超级智能最有价值的用途是发明和创造，而不是自动化。"

💡 模型还没露面，支票已经要开

Meta 在还没看到模型时，就要决定是否投入约 1000 亿或 2000 亿美元。前沿 AI 不能等产品验证后再慢慢加码：数据中心和算力需要提前多年建设。

"但我们就要开这么一张支票，我也说不准，大概 1000 亿美元，或者 2000 亿美元。"

💡 一支不到两百人的研究团队

MSL 有意维持小团队，研究团队不到 200 人，规模一直更接近 100 人，另有基础设施团队支持。策略不是把算力平均分给许多项目，而是集中资源给关键人才。

"重要的是人才密度。"

💡 眼镜可能不需要应用商店

扎克伯格设想，未来的智能眼镜可以听见、看见并回应用户，在视野中直接生成需要的内容；交互可能不再依赖一个个独立应用。

"它可能就是通过多模态生成，直接在你的视野里生成你需要的东西。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#769. OpenAI 产品 Holly Li 畅谈 Dots：不只提效，也帮你拿回生活主动权 Oct 12, 2026

Show notes

📝 本期播客简介

本期我们克隆了：Chloe Shih · The Hottest Product Manager in Tech Right Now 🔥 @OpenAI’s Holly Li Talks About Dots | Office Drama

原内容更新时间：2026-10-08

如果 AI 助手能替你分担事情，你愿意让它读邮箱、短信、财务信息和健康数据吗？OpenAI 产品经理 Holly Li 参与打造的 Dots，可以打电话交流、跨设备工作，也能随着使用逐渐了解你；但她坦言，AI 助手的意义不只是提高效率，而是在人忙不过来的时候，帮人重新掌握生活的主动权。

Office Drama 主持人 Chloe Shih 和 Holly 从她在谷歌、Adept、Figma 到 OpenAI 的职业经历，聊到 AI 产品经理面试、Dots 的设计和隐私边界。Holly 也讲了 Dev Day 现场演示出故障时如何临场应对，以及为什么 AI 领域需要更多女性、创作者和有审美的人。

👤 本期嘉宾

Holly Li，OpenAI 产品经理，参与推出 AI 助手 Dots。她曾在谷歌参与早期生成式 AI 项目，在 Adept 为自己争取到产品经理岗位，后来成为 Figma Make 的最初产品经理；从产品研发到大型发布和现场演示，她都亲身参与过。

⏱️ 时间戳

02:17 走红与个人风格

11:20 从谷歌走向 OpenAI

19:13 产品经理与发布现场

29:58 Dots 的能力与安全

58:46 让 AI 服务真实生活

1:12:57 绩效评估与创作计划

🌟 精彩内容

💡 AI 助手的价值不只是提效

Holly 认为，AI 助手真正能帮上的，不只是更快完成工作，而是在生活繁杂、精力不足时，帮人记事、跟进沟通、分担任务。主持人 Chloe 则拿自己怀孕、即将经历产后的处境举例：她关心的是状态只剩 10% 时，能有什么帮自己撑住生活。

"我觉得，效率几乎从来都不是重点。"

💡 让 AI 读隐私，得把控制权交还给用户

Dots 默认只读，用户可以决定它能访问什么，也能用日常语言设定规则，比如发邮件前必须先确认。Holly 也提醒，撤销 Gmail 权限后，AI 之前读过的内容仍可能留在历史记录和上下文里。

"所以除非你明确授权，否则它不能写入内容。"

💡 AI 助手不必替你包办所有事

Chloe 不想让 AI 替自己买菜、选座位；Holly 也认同，有些人享受亲手做事的过程。她认为，AI 产品和宣传不能只盯着自动化，还得理解人为什么珍惜亲自体验。

"我想亲自走进超市，不想只是让 AI 帮我下单买东西。"

💡 面试 AI 产品岗，先亲自用过产品

Holly 遇到过正在面试 OpenAI 产品岗位、却没用过 Codex 的人。她建议候选人把市面上的产品实际用一遍，走过基本流程，形成自己的判断，而不是只背准备好的答案。

"实实在在地用一用市面上的所有产品。"

💡 演示出故障，她早就准备好临场应对

Dev Day 的现场演示中，语音功能出问题，后半段也因技术故障无法继续。Holly 知道演示出了状况，便改为打字，并临时编出结尾；她说，上台前就准备过备用方案。

"其实我提前准备了语音功能用不了时的应对方案。"

💡 AI 需要更多女性和创作者

Holly 直言，AI 圈需要更多女性、有创意的人和审美出色的人。她不想被塑造成典型的 AI 科技从业者，也希望自己的出现能让其他女性更安心地加入这个领域。

"我觉得我们需要更多女性，需要更多有创意的人，需要更多审美出色、有自己观点的人来这个领域工作。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#768. 查理·芒格：人类误判的心理学 - 误判往往不是单一心理在作祟 Oct 12, 2026

Show notes

📝 本期播客简介

本期我们克隆了：BuffettMungerWisdom · The Psychology of Human Misjudgement - Charlie Munger Full Speech

原内容更新时间：1995年6月1日

为什么聪明人会做出显而易见的蠢决定？查理·芒格的回答是：人脑有一套反复出现的误判模式，而且几种心理倾向叠在一起时，影响会更强。

这场约在 1995 年于哈佛大学发表的演讲，从激励、心理否认、从众、损失厌恶到权威影响，梳理人们为何判断失准。芒格还借投资、企业管理和日常生活中的案例，说明怎样看见这些偏差，避免把思考完全交给顾问。

👤 本期嘉宾

查理·芒格，投资人，长期关注心理学与经济学如何共同影响人的判断。他以自身投资和商业观察为例，分析激励、从众等心理倾向怎样影响个人与组织决策；这场演讲集中呈现了他建立的一套“人类误判”思考框架。

⏱️ 时间戳

00:01 激励如何扭曲判断

11:46 联想与群体压力

30:52 损失、嫉妒与成瘾

41:18 识别偏误叠加

1:01:16 把心理学用于实践

🌟 精彩内容

💡 激励会改写人的行为

联邦快递发现，夜班员工按小时领工资时，包裹转运流程难以顺利运转；改为按班次付工资后，问题得到改善。施乐的销售人员也因佣金安排，更愿意卖较差的旧机器。

"最后有人灵机一动，想到夜班员工的工资是按小时付的，也许改成按一个班次付，系统就能运转得更好。"

💡 聪明人也会被损失牵着走

可口可乐推出新可乐，低估了消费者对原有口味和品牌的依恋，引发强烈反弹。芒格指出，人对失去东西的反应，常常超过对得到东西的反应。

"聪明人也会犯这些可怕的蠢错。"

💡 心理偏差会叠加

芒格认为，许多严重错误并非一种倾向单独造成。社会认同、互惠、损失厌恶和激励等因素同时起作用时，拍卖和董事会决策都可能把人推向糟糕的选择。

"相比只有一种倾向单独起作用，多种倾向结合起来，改变行为的力量会大大增强。"

💡 顾问的建议也要校准

顾问的专业和利益边界会影响他们看问题的方式。芒格给出两种应对办法：对建议作修正，或者先学一点顾问行业的基本知识，再追问对方为什么这么判断。

"你其实没法花钱让别人替你思考，有些可以，但大部分不行。"

💡 投资判断别只看眼前

芒格提醒，投资判断会受到强化和社会认同的共同影响：市场上涨会奖励押对方向的人，而价格又汇集了其他人的看法。两种力量结合，不能保证市场价格始终合理。

"你凭什么指望市场的整体价格水平始终完全有效呢？"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#767. David Senra｜Alexandr Wang：打造 Muse、与马克·扎克伯格合作以及人工智能的未来 Oct 12, 2026

Show notes

📝 本期播客简介

本期我们克隆了：David Senra · Creating Muse: The Fastest-Growing AI Product Since ChatGPT | Alexandr Wang, Meta

原内容更新时间：2026-10-11

一次 AI 对话，竟像把三年的心理治疗压缩在一起；但要把这样的 Agent 带给普通人，光靠神奇时刻远远不够。

Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang 和主持人 David Senra，聊 Muse 如何从个人 Agent 的早期体验变成面向消费者的产品：团队怎样花七个月打磨可靠性，为什么 Meta 押注个人生活而非编程，以及产品如何靠鲜明主张和真实使用场景脱颖而出。他也谈到，AI 或许能替人处理那些不得不做的事，让人重新把时间和精力用在自己的愿望上。

👤 本期嘉宾

Alexandr Wang 是 Meta 首席 AI 官，也是 Scale AI 联合创始人。他创办并经营 Scale AI 九年，之后加入 Meta，参与重建 AI 实验室并推动 Muse 的开发。作为 Muse 团队负责人，他亲历了个人 Agent 从原型走向消费产品的过程，也谈到了如何用小团队、扁平组织和高人才密度加快 AI 产品研发。

⏱️ 时间戳

00:02 Muse的起点

05:32 把Agent做成产品

22:12 增长、信任与抱负

39:42 加入Meta并重建实验室

51:34 人才与组织方式

🌟 精彩内容

💡 神奇体验不等于可靠产品

Alexandr 和 Nat Friedman 试用 OpenClaw 后，曾体验到 Agent 像心理治疗一样深入探索个人信息；但早期产品大多时候不好用。Muse 用七个月把原型打磨成他们有信心带给消费者的产品。

"如果大家体验下来觉得不可靠，就会觉得它是垃圾。"

💡 让信任从小事开始

用户先把一件小事交给 Agent，看到它做成后，再逐步交给它更大的任务。每一次可靠的结果，都让用户更愿意把事情托付给它。

"一开始你不太信任它，但又有点好奇，所以先给它一点小事试试，然后再交给它大一点的事，再大一点，再大一点。"

💡 AI 不只是聊天机器人

Muse 的目标是让普通用户用 Agent 做事，而不只是对着聊天机器人提问。团队为模型列出一百多项具体能力，逐项评估和训练；发布前，他们终于等到所有项目都达到标准的模型版本。

"它不是聊天机器人，而是 Agent，可以帮你做 Agent 能做的事。"

💡 好产品需要一个统一主张

大公司的产品容易变成各方想法的拼接，用户能感觉到目标不一致。Alexandr 认为 Muse 必须提供连贯统一的体验；开发模型和产品的团队总共不到两百人。

"Muse 必须完全反过来，我们要有一个清晰的主张，要给大家提供一个连贯统一的体验。"

💡 Agent 能替人处理麻烦事

一位 Muse 用户把落在飞机上的证件交给 Agent 处理：它安排跑腿、联系办公室安保，最后把证件送到办公室。Alexandr 希望 AI 能承担生活里那些不得不做的事，让人把时间留给真正想做的事。

"这样，我们就可以把所有时间都用在自己想做的事情上。"

🌐 播客信息补充

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺

在小宇宙查看该单集文稿

#766. 物理诺奖得主 IceCube 访谈：找到伽马射线看不见的宇宙信号 Oct 11, 2026

Show notes

📝 本期播客简介

本期我们克隆了：Dr Brian Keating · Nobel Prize Winner Francis Halzen: They Said It Would Never Work

原内容更新时间：2022-11-30

欠下美国国家科学基金会和大学一大笔钱，却连一个大气中微子都没看到——Francis Halzen 说，最让他激动的时刻，并不是发现宇宙中微子，而是终于观测到大气中微子的那一刻。

Halzen 是 IceCube 中微子天文台的首席研究员。这场与曾旁听过他课程的主持人 Brian Keating 的对谈，从南极冰层里的巨型探测器讲起：为什么冰能让蓝光传播数百米，IceCube 怎样追踪来自宇宙的中微子，以及中微子如何帮助研究黑洞和量子引力。

👤 本期嘉宾

Francis Halzen 是比利时粒子物理学家、威斯康星大学麦迪逊分校 Hilldale 和 Gregory Breit 杰出教授，也是 IceCube 中微子天文台的首席研究员。他先后参与 AMANDA 和 IceCube 项目，带领团队在南极点冰层中布设光传感器，把冰变成观测中微子的望远镜；他长期研究粒子物理与天体物理，也参与冰川学、暗物质、中微子振荡等方向的研究。

⏱️ 时间戳

01:54 教材、喷注与勒梅特

09:20 科学责任与南极冒险

16:34 建造探测器与培养研究者

21:29 IceCube打开中微子天空

38:36 中微子检验新物理

56:00 热爱、想象与勇气

🌟 精彩内容

💡 最让他激动的不是宇宙中微子

团队欠着美国国家科学基金会和威斯康星大学的债，却连一个大气中微子都没看到。等到终于探测到大气中微子，他才觉得团队兑现了承诺。

"最激动人心的并不是发现宇宙中微子的时候，而是我们终于观测到大气中微子的时候。"

💡 南极冰层能做实验室做不到的事