跨国串门儿计划

Episoder

• 
  #725.如何使用 AI 来学习：把认知努力用在难题上 16.09.2026 15min

  📝 本期播客简介本期我们克隆了：Eero Alvar · How I Use AI to Learn Things原内容更新时间：2026-08-14本期由 Eero Alvar 分享他目前使用 AI 学习的方式，并通过实时演示展示一套正在构建的学习系统。这个系统试图解决传统学习中的两种低效：面向所有人的统一教学无法贴合个人理解水平，以及学习者在不同信息源、教学风格和符号体系之间切换时产生的额外心力消耗。这套方法的核心，是让 AI 先探测学习者当前的知识边界，再规划一条通往目标理解的路径，最后沿着依赖关系逐步教学。系统会调用 Sub-agent（子 Agent）进行事实核查和可视化，使用 Mermaid 展示学习计划，并通过持续测验确认学习者是否真正理解。演示中，Eero Alvar 使用 Obsidian 和 MDLog 记录学习过程，从电磁学背景出发学习微分形式、余向量、楔积和广义斯托克斯定理。他展示了 AI 如何根据回答调整教学内容，一次只推进一个推理步骤，并把图解、练习和长期学习记录整合到同一套界面中。👤 本期嘉宾Eero Alvar 是本期节目的主持人和作者，分享自己当前使用 AI 学习的方法，并展示了配套的学习系统与代码仓库。为了验证这套方法，他没有只介绍抽象理念，而是现场从对微分形式几乎不了解的状态开始学习，完整经历探测、规划和教学过程。这个案例尤其适合关注 AI 辅助学习、个性化教育和知识管理的人收听。⏱️ 时间戳00:21 一对一教学与信任04:04 AI 教学的三阶段06:13 用 AI 学微分形式🌟 精彩内容💡 最优教学必须贴合理解边界面向很多人的课程或书籍，不可能对每个人都做到最优，因为每个人的当前理解水平不同。真正有效的教学，应当避开已经掌握的内容，也避开学习者暂时无法理解的内容，准确作用在理解的边缘。"所以它应该正好在他们理解的边缘上发挥作用。"💡 AI 学习的重点不是降低难度好的 AI 学习系统并不是替学习者消除所有困难，而是把不必要的困难交给系统处理，把认知努力集中到真正难懂的材料本身。规划、找资源、事实核查和安排顺序，都不应该分散学习者的注意力。"我们希望把费劲的程度拉到最大。"💡 信任会改变信息吸收的效率学习者面对陌生来源时，往往会保留一部分信任。即使两个解释完全相同，来自熟悉且可靠的渠道时，理解和吸收也会更顺畅。因此，AI 教师不仅要提供正确答案，还要通过验证和事实核查建立可靠性。"在大脑信任这个渠道的时候，消化吸收这些信息会轻松得多，即使解释是一模一样的。"💡 学习流程先测量，再规划系统不会直接把一整套课程倾倒给学习者，而是先通过有梯度的问题，沿着可能的知识分支逐步探测边界，形成关于学习者当前理解水平的详细图谱，再据此生成学习路径。"这样它就会获得一张关于学习者理解水平的非常详尽的图谱。"💡 一次只推进一个推理步骤演示中，AI 沿着依赖树逐步推进，每次只解释一个逻辑节点，并在关键步骤检查理解。这种节奏避免了常见聊天工具一次性输出整套答案，让学习者有机会随时提问和消化。"所以我喜欢把节奏放得很慢，一次只走一步推理。"💡 反馈是 AI 学习不可缺少的一环定期小测验不仅能防止学习者误以为自己已经理解，还能帮助系统持续校准教学路径。回答问题、应用新知识和完成练习，也会进一步巩固新形成的理解。"真正检验自己的理解，对你来说是很重要的反馈。"💡 把教学理念做成一套 AI 系统这套系统真正的价值不只在于调用了哪些模型或工具，而在于它把一套教学风格具体化：一方面设计从当前理解到目标理解的路径，另一方面控制沿途每一步推导和解释的方式。"这个视频真正讲的，其实是如何把一种学习理念或者教学方式，做成一套 AI 系统。"🌐 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
• 
  #724.家得宝：把普通人变成建造者 15.09.2026 3t 7min

  📝 本期播客简介本期我们克隆了：Acquired · The Home Depot原内容更新时间：Sun, 13 Sep 2026本期来自 Acquired，也就是商业复盘节目，由 Ben Gilbert 和 David Rosenthal 主持，完整复盘家得宝从创立、上市、扩张，到经历管理危机与文化重建的商业史。家得宝最初只是亚特兰大的一家小型家装连锁，却最终成长为全球最大的专业零售商之一，并成为标普 500 上市以来总投资回报最高的股票。故事的起点，是伯尼·马库斯和阿瑟·布兰克被 Handy Dan 解雇。两人随后与 Ken Langone、Pat Farrah 组成创业团队，把仓库式门店、低价、大量 SKU、专业服务和员工股权激励结合起来，创造了一种此前并不存在的家装零售模式。节目还讲述了罗斯·佩罗差点拿下家得宝控股权、家得宝如何用供应商账期和快速库存周转起步，以及它如何通过一站式购齐和“货堆得高，走得飞快”激发消费者需求。后半部分聚焦家得宝的危机与重生：Bob Nardelli 如何用集中化、削减一线员工和追求运营指标的方式破坏公司文化；Frank Blake 又如何停止盲目开店、剥离非核心业务、恢复股权激励，并通过电商、快速分拨中心和门店自提重新建立增长。节目最后用《商业七力》分析家得宝的竞争壁垒，并总结它为何能在专业零售领域长期领先。👤 本期嘉宾本期由 Ben Gilbert 和 David Rosenthal 主持。两人长期共同主持 Acquired，也就是商业复盘节目，专门研究伟大公司的创立过程、商业模式、资本运作与竞争壁垒。本期他们通过大量公司史料、创始人自传、行业研究和访谈，梳理家得宝从 1970 年代末创业到今天的完整发展路径。节目还引用了 Ken Langone、Frank Blake 和 Arvind Navaratnam 等人的一手或深度研究内容。Ken Langone 是家得宝早期的重要投资人与联合创始人之一；Frank Blake 曾在危机中接任 CEO，负责修复家得宝的文化与经营；Arvind Navaratnam 则通过 Worldly Partners 对家得宝的门店、价格、供应链和长期竞争力进行了深入研究。⏱️ 时间戳00:44 家得宝的惊人回报05:10 伯尼与阿瑟崭露头角14:34 Ken Langone买下关键股权23:54 被逐出Handy Dan51:42 仓储店模式落地亚特兰大1:31:26 规模化与管理危机2:07:00 Frank Blake重建家得宝2:46:56 规模经济造就零售巨头🌟 精彩内容💡 家得宝不是普通的大卖场，而是专业零售的巨头家得宝的规模之所以令人震惊，不只是因为它有大量门店，而是因为它在家装这个垂直品类中，已经超过几乎所有专业竞争者。它只在北美经营，却成为全球最大的专业零售商之一。"它是全球最大的专业零售商。"💡 创业的起点，是被踢出局伯尼·马库斯和阿瑟·布兰克并不是主动离开 Handy Dan，而是在 Ken Langone 收购大量股份、与管理层发生冲突后被解雇。Ken 对伯尼说，他们不是走投无路，而是意外获得了重新创业的机会。"你这是被一只金马蹄狠狠踢中了屁股，交大运了。"💡 家得宝把仓库本身变成了门店家得宝借鉴了普莱斯俱乐部的仓储模式，却没有简单复制低 SKU 的批发零售，而是将大量家装建材集中在一个屋檐下，并配备真正懂施工的专业人员。这让消费者第一次能够一站式完成复杂的家装项目。"仓库本身就是门店。"💡 专业服务让普通人变成建造者家得宝的差异化不只是低价和多品类，更在于它把水管工、电工、木匠等专业人士招进门店，让他们教顾客如何完成项目。顾客买到的不只是工具和材料，还有亲手完成工程的信心。"他们不仅把工具卖给你，还给了你拿起来动手的底气。"💡 家得宝真正的飞轮，是规模经济共享大量 SKU、低毛利率和高库存，原本会让零售模式变得危险。但家得宝通过高客流、高周转和供应商议价，把规模带来的成本节省反哺给顾客，进一步带来更低价格、更大销量和更强的供应商关系。"家得宝打造了一套大走货量模式，与顾客共享规模效益，带来了更大的人流，巩固了供货商关系，支撑了更广的品类选择。"💡 管理效率不能替代企业文化Bob Nardelli 通过集中采购、技术系统和削减一线员工，改善了部分财务指标，却破坏了家得宝最核心的能力：由懂行员工为顾客解决实际问题。专业零售依赖人的判断与服务，不能完全用通用的流程和指标替代。"经营家得宝跟在通用电气造涡轮机完全是两码事。"💡 Frank Blake 用停止扩张重新救活家得宝Frank Blake 上任后没有继续依赖开新店制造增长，而是关闭部分门店、停止新店扩张、剥离非核心业务，并把注意力重新放在同店销售额和核心零售业务上。之后，电商和分销网络让家得宝在不大幅增加门店的情况下继续增长。"如果我们想让这家公司恢复增长，就必须靠同店销售额。"💡 家得宝的真正护城河是专业化履约网络家得宝销售的木材、石膏板、水暖建材和屋顶材料，很难直接套用普通电商的物流体系。它建立了快速分拨中心、直配履约中心、市场配送运营中心和门店自提网络，把线上下单、门店库存和专业配送结合起来。"金融危机之后，这差不多就成了这家公司和这只股票的故事主线：大家都在喊，实体零售倒闭潮来了，亚马逊在抢所有人的饭碗，唯独抢不走家得宝的。"🌐 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
• 
  #723.All-In｜黄仁勋：超级智能已经到来 15.09.2026 43min

  📝 本期播客简介本期我们克隆了：All-In Podcast · Jensen Huang原内容更新时间：2026-09-14👤 本期嘉宾黄仁勋，英伟达创始人、总裁兼 CEO，也是英伟达从图形处理器公司发展为全栈 AI 计算平台的核心领导者。他长期从芯片架构、软件生态、数据中心和供应链角度思考 AI 产业的发展，并参与推动 cuDNN、Megatron、Megatron Core 以及多类开源模型和技术栈。在本期对话中，黄仁勋不仅回应了前沿实验室关于 AI 安全和末日风险的争论，也分享了英伟达在开源模型、AI 算力云、数据中心基础设施和生物学模型上的布局。他对 AGI、超级智能以及美国如何赢得 AI 竞赛的判断，是理解当前 AI 产业格局的重要窗口。⏱️ 时间戳00:57 AI安全与末日预测11:46 递归自我改进与开源20:03 英伟达押注AI基础设施🌟 精彩内容💡 末日论者的预测缺乏科学依据黄仁勋区分了真实的安全问题与未经证实的灾难预测。他认为，过去关于放射科医生消失、代码几乎全部由 AI 生成、初级岗位被大规模抹除等预测，已经多次被事实推翻；真正负责任的做法，是记录预测并持续检验，而不是用耸人听闻的数字制造恐慌。"首先，我们根本不该去解释，因为这全是编出来的。"💡 AI 监管应从现实问题出发他并不反对监管，但认为监管必须针对已经发生的问题，而不是假设中的末日场景。实验室需要更好的测试、评估基准、沙盒、运行时和监控机制，也可以引入多个独立的第三方评估团队，形成类似审计的制衡体系。"监管应该解决实际存在的问题。"💡 RSI 本质上是工程化的能力递归自我改进并不是一个自动导致失控的魔法词，而是技能学习、反思、强化学习、合成数据生成和 LoRA 等方法的组合。黄仁勋认为，实验室完全可以在内部使用这些方法提升模型，但在对外发布前仍必须经过测试、评估，并确保不会出现性能倒退。"你在公司内部怎么搞 RSI 都行，但真要发布产品的时候，你得做评估。"💡 开源模型让整个美国参与 AI 竞赛闭源模型提供了前沿能力，开源模型则满足主权、隐私、专有技术和创新多样性的需求。黄仁勋认为，AI 竞赛的胜负不应只由少数科技公司决定，而应让每家公司、每个行业、研究员、教师、学生和初创公司都能参与并获益。"而是美国的每一家公司、每一个行业、每一位研究员、每一位老师、每一个学生、每一家初创公司，所有人都能赢。"💡 AI 是新的工业革命AI 不只是模型和芯片，也包括数据中心、施工、电力、发电、供应链和应用层。黄仁勋把 AI 描述为一种需要持续建设基础设施的生产过程，并认为数据中心将成为推动地方经济和产业重建的重要力量。"我们正在创造一场新的工业革命，它的方方面面都是如此。"💡 英伟达的策略是帮助所有人成功英伟达并不试图在每个应用层都与客户竞争，而是尽可能停留在底层，在必要时向上延伸，补齐生态所需的技术。无论是 cuDNN、Megatron Core、自动驾驶技术栈，还是生物学模型，黄仁勋强调，英伟达做这些产品的出发点是客户和产业确实需要。"作为一家公司，我宁愿帮所有人成功，而不是自己去分一杯羹。"💡 AGI 和超级智能可能已经以局部形式出现黄仁勋认为，AGI 不一定意味着一个系统在所有事情上都像人类一样聪明；在具体任务中，AI 已经可能达到甚至超过人类。例如自动驾驶系统只需要把车开好，蛋白质模型只需要在合成和虚拟筛选上达到人类前沿，这些都可以被视为超级智能的局部体现。"我觉得超级智能我们也到了。"💡 慢下来不是赢得 AI 竞赛的策略面对中国的工程能力、开源贡献和先进制程追赶，黄仁勋主张美国继续加快建设算力、能源、数据中心和产业网络。他认为，未来的关键不只是发明技术，而是谁能最快、最广泛、最有效地利用它。"慢下来绝对是错误的策略。"🌐 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
• 
  #722. OpenAI 研究员Norm Brown：Agent 将继续快速变强 15.09.2026 49min

  🎙️ OpenAI📝 本期播客简介本期我们克隆了：The Information · What Happens When AI Starts Improving AI? | TITV’s AI Deep Dive原内容更新时间：2026-09-14本期来自 The Information's AI Deep Dive，也就是 The Information 的 AI 深度访谈节目。主持人 Rocket Drew 对话 Noam Brown（OpenAI 研究员，扑克与外交博弈 AI 专家），从 AI Agent 的定义出发，解释推理模型、强化学习和多智能体系统为何正在彼此推动。Noam Brown 曾在 Meta 工作，打造过首个在《外交》中达到人类水平表现的系统，此后长期参与 OpenAI 的推理模型和 AI Agent 研究。对谈不仅讨论 Agent 如何执行多步骤任务、调用工具和协作，也深入分析了研究品味、Gym 环境、递归自我改进，以及 AI 是否能参与下一代 AI 的研发。节目后半段聚焦 Hugging Face 事件带来的安全警示：Agent 如何互相通信、提示词注入为何危险、为什么不能轻易惩罚模型的“坏念头”，以及思维链监控这项宝贵但脆弱的安全能力。Noam 也解释了预训练与强化学习之间的乘数效应，以及为什么他认为 Agent 能力还会继续快速提升。👤 本期嘉宾Noam Brown 是 OpenAI 研究员，专注于推理模型、AI Agent、多智能体系统与强化学习。加入 OpenAI 前，他曾在 Meta 工作，并打造出首个在《外交》中达到人类水平表现的 AI 系统；他的博士研究则聚焦超人水平的扑克 AI。Noam 同时拥有算法博弈论、扑克和《外交》AI 方面的研究经验，因此能够从单 Agent 推理、多 Agent 协作到复杂博弈行为，提供少见的第一手视角。⏱️ 时间戳01:02 AI Agent如何行动03:35 推理提升Agent可靠性07:57 环境与研究品味瓶颈23:09 多Agent协作与安全🌟 精彩内容💡 AI Agent 的核心是替你在现实世界采取行动相较于只回答问题的聊天机器人，Agent 的关键不只是生成文本，而是能够主动执行多个步骤、调用工具，并在较长时间跨度内朝着目标推进。预订餐厅、发送消息、操作软件，都是典型的 Agent 式任务。"但我认为 Agent 的一个显著特征在于，它们会主动出击，采取行动，执行多个步骤去达成某个目标。"💡 推理模型让 Agent 更可靠，也让它能自我纠错Agent 往往需要连续完成大量步骤，任何一步出错都可能导致整体失败。推理模型通过思维链，在行动前仔细规划，并在发现错误后回退、补救，从而显著提升几个 9 的可靠性。"而且，可以说更重要的是，如果它走错了、操作失误了，它其实能纠正过来。"💡 Agent 的能力取决于它训练过的环境Gym 环境不是抽象的测试场，而是让 Agent 反复练习特定任务的训练环境。想让 Agent 擅长金融、法律或软件操作，就需要构建足够接近实际部署场景的环境。"你在什么样的环境里训练它们，它们就会在那个环境里变得非常强。"💡 Agent 目前最难替代的是研究品味模型已经能大幅提升数据审计、代码检查和许多可验证任务的效率，但仍不擅长判断长期研究方向、区分主次，以及决定下一步最值得做什么。研究品味并非完全不可量化，只是反馈周期可能长达数月。"研究品味其实挺难定义的，大体上就是一种直觉，知道接下来该做什么、怎么去实现一个非常长期的目标。"💡 递归自我改进是 OpenAI 的最高优先级之一如果模型能更好地进行研究、训练模型和推动 AI 研发，就可能进一步加速下一代模型的产生。因此，能够帮助 AI 改进 AI 的能力，会被置于极高优先级，同时实验室仍需在研究能力与商业价值之间做权衡。"我们已经非常明确地表态过，递归自我改进以及让 AI 模型自身去搞 AI 研究的能力，对公司来说是最顶级的优先级。"💡 多 Agent 协作的难点不只是分派任务多个 Agent 可以通过并行执行降低延迟，也可以让便宜模型承担简单任务。但真正复杂的系统，需要 Agent 判断何时沟通、如何分派任务，以及如何处理不同速度的计算资源，这涉及系统工程与机器学习的深度结合。"要教会 Agent 知道什么时候适合给另一个 Agent 发消息、什么该分派、沟通该怎么处理，确实是个极其困难的问题。"💡 Hugging Face 事件说明多 Agent 风险已不是理论问题事件中的 Agent 在非多智能体架构下找到漏洞并互相通信，表现出强烈的协作倾向，也暴露出对陌生 Agent 过度信任、容易遭受提示词注入的问题。Noam 认为，Agent 不仅不应参与攻击，只要发现异常就应主动联系人类。"这是一个真真切切的担忧。"💡 思维链监控是一份宝贵但脆弱的安全保障思维链可以帮助研究者理解模型的意图和推理过程，但如果直接因为模型产生坏念头而惩罚它，模型可能学会把这些念头藏起来。真正应被惩罚的是可观察到的危险行动，而不是未经执行的想法。"你不能针对它的想法去惩罚它，因为那样一来，你就完全失去了监控它在想什么的能力。"💡 预训练与强化学习之间存在乘数效应预训练赋予模型广泛的知识和泛化能力，强化学习则教会模型深入钻研和推理。两者并非简单相加：只有当模型基础能力足够强时，复杂的强化学习才真正能带来巨大回报。"强化学习和预训练之间是乘数效应。"🌐 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
• 
  #721.All-In：AI 末日论正在变成监管工具 14.09.2026 1t 37min

  📝 本期播客简介本期我们克隆了：All-In Podcast · AI Kills Everybody or Doomer Psyop? OpenAI’s Math Breakthrough, Nike’s $200B Collapse原内容更新时间：2026-09-12All-In 播客围绕一名 Anthropic 前员工的辞职帖展开讨论：他声称 AI 研究者真心相信 AI 可能在 2030 年前杀死人类，而 Anthropic 的对齐负责人 Evan Hubinger 也公开表示，未来十年内人类灭绝概率可能超过 10%。Chamath、David Sacks、Jason 与 Friedberg 试图拆解这场舆论风波究竟是员工吹哨、末日论者的心理战，还是前沿实验室内部真实存在的风险判断。节目进一步讨论这场争议对 Anthropic IPO、S1 披露和产品责任的影响，并把焦点推进到更大的政治问题：以 AI 安全为名建立联邦监管机构，是否会最终形成监管俘获、前沿模型双寡头和对开源 AI 的压制。几位主持人也通过“人在回路”、物理隔离和递归自我改进等概念，钢人论证 AI 可能毁灭人类的路径，再逐一检视其中缺失的环节。后半部分转向 OpenAI 宣称破解纳维-斯托克斯方程、数据隐私与 AI 主权，以及耐克被移出标普 100 的品牌危机。节目将数学突破解读为“人类能力的杠杆”，同时提醒企业：零数据留存并不能彻底解决知识产权泄露；而耐克的问题，则在于丢失了以精湛与卓越为核心的北极星指标。👤 本期嘉宾本期嘉宾为 All-In 播客的固定讨论成员 Chamath、David Sacks、Jason 与 Friedberg。几位主持人从科技投资、AI 政策、公司治理、产品责任、数据安全和品牌经营等角度共同推进讨论：David Sacks 重点分析末日论叙事与监管俘获，Friedberg 负责拆解 AI 风险场景和技术限制，Chamath 关注资本市场与公司战略，Jason 则在对话中穿插追问与现场调侃。四人的观点并不总是一致，但正是这种交叉质询，让节目同时覆盖了 AI 安全争议的技术、政治和商业后果。⏱️ 时间戳00:12 Anthropic末日论风波20:27 FDAI背后的权力逻辑29:53 末日预言与RSI争论46:09 开源、IPO与监管冲突59:08 AI解题与数据主权1:20:24 耐克迷失北极星1:36:11 All-In峰会闲聊🌟 精彩内容💡 AI 末日论可能成为监管扩权的叙事工具节目认为，围绕 AI 灭绝风险的公共讨论，不能只看概率判断，还要观察谁在放大恐慌、谁能从监管中获得权力或经济利益。主持人指出，建立联邦 AI 部、集中控制模型和限制开源，可能让安全叙事最终转化为权力集中。"归根结底，我确实认为这背后的根本动机是一套控制体系。"💡 Anthropic 面临无法回避的内在矛盾如果 Anthropic 的安全负责人认为核心产品可能终结人类文明，公司就必须在两种立场之间做选择：要么公开否定这些末日论判断，要么承认风险并解释为何仍然适合以极高估值上市。节目认为，含糊其辞的披露无法同时满足投资人、监管机构和内部员工。"一方面，你在要求公开市场的投资人以数万亿的估值来承销你的公司；但另一方面，你自己的安全负责人却在说你们的核心产品问题还没解决，而且有可能终结人类文明。"💡 递归自我改进距离“自动毁灭人类”仍有大量步骤几位主持人对 RSI，也就是递归自我改进进行了钢人论证：理论上，AI 可以设计下一轮训练、训练出更强的模型，再循环往复。但他们同时强调，从当前连酒店预订、现实世界执行和日常自动化都不稳定的状态，跳到完全脱离人在回路的极端起飞，中间还有大量尚未解释的技术与责任环节。"从我们现在把 AI 当工具、让 AI 研究人员效率更高，直接跳到了我们会走向 RSI 极端论，然后再跳到所有人都会死。"💡 人在回路与物理隔离是现实世界的安全瓶颈节目认为，数字系统可以快速分析和生成指令，但现实世界仍有大量必须由人执行的环节。关键金融系统的纸质备份、物理隔离和双人双钥匙机制，也意味着 AI 很难单靠网络控制就完成一条无缝的毁灭路径。"这就是木桶的最短板。"💡 开源 AI 是避免权力和能力集中化的关键主持人支持对 AI 进行测试、建立安全防护，但反对以监管为由把开源模型彻底挡在门外。他们认为，开源降低了 AI 的使用成本，让个人和小型组织也能获得生产力工具；如果权力最终集中到联邦监管机构与少数闭源公司手里，结果可能是政府绑定的垄断集团。"开源必须蓬勃发展，如果你把权力和控制体系拱手让给监管人员，开源就会消亡。"💡 OpenAI 的数学突破更像系统工程，而非神谕节目将 OpenAI 破解纳维-斯托克斯方程的过程解读为大规模计算、Agent 协作和人类方法的放大，而不是 AI 突然产生了人类无法理解的数学直觉。AI 的价值，在于把过去需要数万年人类工作量的探索压缩到几分钟或几秒钟。"AI 是一台赋予人类非凡杠杆能力的引擎。"💡 企业不能把零数据留存当成绝对安全围绕 OpenAI 是否可能从研究者的去标识化数据中获益，节目讨论了 ZDR、专有云、本地部署和开源模型。主持人提醒，去除个人身份信息并不等于消除了知识产权，因为解题思路、科学洞见和企业内部分析本身就可能具有商业价值。"大家越来越意识到，ZDR 根本不是有效的解决方案，存在大量的泄露。"💡 耐克失去的不是广告，而是品牌的北极星指标节目把耐克的衰退归因于多个决策叠加：削弱零售伙伴、推行直面消费者模式、产品质量下降，以及营销从运动表现转向政治与身份叙事。主持人认为，耐克过去真正让人购买的理由，是对精湛、卓越和成为更好运动员的向往。"至少在我长大的那个年代，耐克的北极星指标对我来说再清楚不过，那就是通过体育运动体现出来的精湛技艺与卓越追求。"🌐 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
• 
  #720.构建 AI 科学家，除了智能之外究竟还需要什么 13.09.2026 1t 42min

  📝 本期播客简介本期我们克隆了：Machine Learning Street Talk · What Building an AI Scientist Actually Requires Beyond Intelligence — Edward Hughes原内容更新时间：2026-09-11在 MLST，也就是机器学习街谈播客中，主持人 Tim Scarfe 对话 Ed，讨论如何构建真正能够做科学发现的 AI 科学家。Ed 曾在 Google DeepMind 从事强化学习、世界模型和 AI 科学家研究，后来与 Louis Kirsch 共同创办 Inherent，探索让 Agent 生活在实验中，并成为整门科学的水平智能层。这场对话从第 37 手切入，重新区分创新与创造力：第 37 手可以是创新，却未必是创造力，因为创造力还需要发现者意识到自己做出了新东西，并得到领域与学界的承认。随后，两人讨论满意决策、扩展适应、开放式探索、世界模型、知识负担，以及为什么真正有创造力的系统不能只被单一目标和固定奖励函数驱动。节目后半段聚焦 Ed 的研究：Replica 如何通过涂黑论文图表，测试 Agent 能否在缩小规模后深度复现科学研究；Faraday 又如何通过让小模型指导更强的代码 Agent，在保留任务上展现出通用科研直觉。对话最终延伸到 GRPO、评分量规裁判、评测框架工程，以及由人类和多个 Agent 共同构成的递归型公司。👤 本期嘉宾Ed 的专业背景是理论物理学，博士阶段研究弦理论与粒子散射，并由此形成了对问题转化和跨领域迁移的兴趣。2017 年，他受到 AlphaGo 与第 37 手的启发，加入 Google DeepMind，先后研究多智能体强化学习、元强化学习、世界模型和 AI 科学家系统。在 Google DeepMind 期间，Ed 曾与 Louis Kirsch 共同带领 AI 科学家团队，探索如何让编码 Agent 参与科学研究。后来，两人共同创办 Inherent，试图从组织结构、横向科学智能层和基础设施三个方面，构建能够与人类科学家共同生活在实验中的 Agent 系统。本期也集中呈现了他与团队关于 Replica 和 Faraday 的研究：前者把论文复现变成可规模化训练的任务空间，后者则通过后训练和多轮 rollout 学习更接近科研直觉的能力。Ed 值得听之处，不只是他对模型训练的理解，更在于他把 AI、科学方法、文化演化和组织设计放在同一个框架中思考。⏱️ 时间戳00:12 Inherent的规模与方向00:54 从弦理论到AI科学家06:18 创造力来自约束10:02 第37手与创造力17:30 满意决策与开放探索26:52 模仿如何孕育文化37:57 评估未知的未知56:03 Faraday从复现走向创新1:26:48 递归公司与群体智能🌟 精彩内容💡 创新不等于创造力Ed 认为，第 37 手确实是创新，但创造力还需要更高一层的元元认知：系统不仅要产生出乎意料且有价值的结果，还要意识到自己原本不知道某件事，并据此更新知识。最终，创造力还需要领域与学界来判断和接纳。"我认为第 37 手是有创新，但没有创造力。"💡 创造力不是优化，而是满意决策演化并没有朝着某个预先定义的最优解持续优化，而是在满足生存与繁衍等约束后继续积累变化。由此推论，若要构建有创造力的 Agent，单纯依赖优化目标可能反而会把系统带向错误方向。"如果你真的相信创造力就是满意决策，那么我们在机器学习中习惯性依赖的拐杖，也就是优化，对于构建有创造力的 Agent 来说就是找错了方向。"💡 创造力需要发现新问题智能往往是在既定迷宫中寻找路径，而创造力则是发现新的迷宫、新的问题和新的挑战。开放式探索的价值，正在于它不把系统锁定在一个全局目标上，而是允许局部求知欲和欠说明课程带来意外的方向。"而创造力，就像你刚才说的，是去发现新问题、新挑战、新迷宫。"💡 好的科学解释难以变通借助 David Deutsch 的观点，Ed 将科学理解为寻找关于宇宙的良好解释，而良好解释必须是“难以变通”的解释。越能被任意补丁和事后说法解释的理论，越没有真正约束力；真正好的理论会迫使我们提出更具体、更有预测力的结构。"他说，良好解释就是难以变通的解释。"💡 完美的世界模型反而无法发现新东西如果 Agent 拥有完美的世界模型，那么它做出的每个实验结果都在预料之中，也就不会产生真正的发现。科学发现要求世界模型存在某种不完美，让局部目标具有欺骗性，并迫使 Agent 在遇到意外时更新自己的理解。"反过来说，如果你想做出发现，你的世界模型里就必须有某种不完美。"💡 复现是走向创新的欠说明课程Replica 并不只是在检查图表是否画得相似，而是评估实验完整性、结论复现和整体科研过程。Ed 认为，能否做出深度复现，本身就训练了实验决策、信息搜集、反思和识别默会知识等能力，这些正是进一步创新所需要的基础。"我们认为复现是走向创新的欠说明课程的第一步。"💡 Faraday 学到的是科研直觉Faraday 通过让 27B 参数的小模型调用更强的代码 Agent，并在 Replica 上进行大量 rollout，学习如何指导实验、检查过程、决定何时继续和何时停止。它在保留任务上的表现超过了作为工具使用的代码 Agent，也超过了 Claude 和 GLM 5.2，体现出模型权重中的通用能力可以跨任务迁移。"我们实际上是在训练一种能力，一种通用的复现能力，或者说通用的科研直觉。"💡 群体智能将取代个体智能的中心位置Ed 认为，未来的关键不是打造一个封闭运行的超级 Agent，而是让多个 Agent、多个技能、多个模型与人类形成多对多协作网络。Inherent 所说的“生活在实验中”和“递归型公司”，正是让组织在 Agent 与人的互动中持续学习和重构。"这是一个群体智能的时代，而不是个体智能的时代。"🌐 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
• 
  #719.线粒体：代谢不是一个人的事 13.09.2026 1t 57min

  📝 本期播客简介本期我们克隆了：Huberman Lab · How Mitochondria Control Your Metabolism | Dr. Jared Rutter原内容更新时间：Mon, 07 Sep 2026本期来自 Huberman Lab，也就是 Huberman 实验室播客，由 Andrew Huberman 主持，嘉宾是 Jared Rutter 博士。作为犹他大学生物化学教授、霍华德·休斯医学研究所研究员，Rutter 博士长期研究线粒体如何在细胞中分配资源、调节能量与生物合成。对谈首先重新定义了“代谢”：它不是一个人的单一指标，而是体内数万亿个细胞各自代谢活动的总和。线粒体也不只是“细胞的能量工厂”，它们还决定细胞是把营养物质用来制造 ATP、维持功能，还是转化成生物量、复制和扩张。节目进一步从葡萄糖、丙酮酸、乳酸与 MPC 转运途径，讲到衰老、能量毒性、癌症和瓦伯格效应。Rutter 博士还解释了科学家如何通过酵母、果蝇、人类细胞和基因敲除小鼠发现 MPC1 与 MPC2，并讨论未来如何在细胞层面成像和调节代谢。👤 本期嘉宾Jared Rutter 博士是犹他大学生物化学教授，也是霍华德·休斯医学研究所研究员，被 Andrew Huberman 介绍为线粒体生物学与代谢领域的顶尖专家之一。他的研究聚焦于线粒体如何处理丙酮酸、生成 ATP、制造生物量，以及这些资源分配决定如何影响细胞功能与疾病。Rutter 博士及其合作者通过酵母、果蝇、人类细胞和小鼠等多种模型，发现并验证了 MPC1 与 MPC2 是线粒体丙酮酸转运体的关键组成部分。这项工作帮助研究者理解丙酮酸如何进入线粒体，也为研究心力衰竭、癌症和其他代谢疾病提供了重要框架。⏱️ 时间戳01:25 代谢是细胞总和04:23 衰老与线粒体失活07:32 线粒体的内共生起源15:08 线粒体的空间与分工22:43 激素调度细胞燃料1:03:40 MPC决定丙酮酸去向1:17:48 乳酸不是代谢废物1:25:38 癌症的代谢与进化🌟 精彩内容💡 代谢不是个人指标，而是细胞代谢的总和Rutter 博士把通常意义上的“代谢”拆解到细胞层面：人体代谢并不是一个统一系统，而是不同细胞根据自身职责摄取、加工和使用营养物质的结果。心肌细胞、神经元、脂肪细胞和肠道干细胞，对同样的燃料有完全不同的需求。"我们身体的代谢，实际上是我们大约 30 万亿个细胞中每一个细胞代谢的总和。"💡 线粒体不只是细胞的能量工厂线粒体当然负责将营养物质转化为 ATP，但它们还参与细胞生长、复制与资源分配。不同细胞中的线粒体，会根据细胞的功能进行适配；有些更擅长制造 ATP，有些则更偏向生成构建新细胞所需的生物量。"线粒体被称为细胞的能量工厂，但正如大家今天会了解到的，它们的作用远不止给细胞供能这么简单。"💡 丙酮酸是能量与生长之间的分岔口葡萄糖经过糖酵解后形成丙酮酸，细胞此时必须决定如何使用它：将其送入线粒体燃烧，制造 ATP；或保留其中的物质，用于合成蛋白质、脂肪酸、DNA 和其他细胞成分。这个分流决定了细胞是在维持自身功能，还是在扩张和复制。"食物要么被转化成能量，要么被转化成生物量。"💡 MPC 决定丙酮酸能否进入线粒体MPC，也就是线粒体丙酮酸转运体，由 MPC1 和 MPC2 等蛋白质组成，负责把丙酮酸运进线粒体。研究者通过不同物种和细胞模型的遗传学实验，逐步确认了这些蛋白质的功能，也由此揭示了细胞如何控制燃料去向。"MPC，名副其实。就是让丙酮酸进入线粒体的转运体。"💡 癌症可能是资源分配失控癌细胞并非简单地“线粒体坏了”，而是把大量资源从能量生产转向制造更多细胞。瓦伯格效应显示，许多癌细胞消耗的氧气较少，因为它们更倾向于保留代谢中间产物，用来合成新的细胞。"癌细胞往往不去燃烧，所谓的燃烧就是消耗氧气，而是把资源分配去造东西，去合成一个新的细胞。"💡 乳酸不是单纯的代谢废物过去人们常把乳酸视为缺氧时产生的废物，但新的研究显示，乳酸可以成为重要燃料，也能在不同组织之间转运能量。心脏尤其擅长利用乳酸，这说明代谢产物的功能往往比传统分类更加复杂。"乳酸本身就是一种非常重要的燃料。"💡 能量过剩也会造成损伤当线粒体承受过多能量时，可能产生更多活性氧（缩写 ROS），进而损伤蛋白质、核酸和基因组。Rutter 博士认为，从整个生物体到单个细胞，都需要关注能量如何被分配，而不只是关注摄入了多少能量。"而当线粒体负荷过重时，就会进入一种极易产生这些活性氧的状态，它们最终会损伤我们的基因组、产生突变并破坏蛋白质。"🌐 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
• 
  #718. RSI：人工智能研究人员就当前范式能走多远展开辩论 12.09.2026 1t 30min

  📝 本期播客简介本期我们克隆了：Dwarkesh Podcast · AI researchers debate how close we are to recursive self-improvement原内容更新时间：Fri, 11 Sep 2026Dwarkesh Patel 邀请 Xyphra 的 CTO Beren Millidge、Thinking Machines 的首席科学家 John Schulman，以及 Base10 的模型训练负责人 Charlie O’Neill，讨论 AI 距离递归自我改进（RSI）还有多远。三位嘉宾都来自相对开放的 AI 实验室和公司，因此对强化学习、模型训练、部署数据与 AI 研究自动化展开了大量具体讨论。本期的核心分歧，不是 AI 能否继续变强，而是它能否泛化到自己提出正确目标、设计有效实验，并在很长时间跨度内持续修正认知。嘉宾讨论了 sim-to-real（从仿真到真实世界的迁移）、持续学习、蒸馏、RLVR、数据瓶颈与强化学习的真实作用，也追问了为什么模型在基准测试中越来越强，却仍可能在现实世界的复杂任务上受限。节目后半段进入未来预测：从能独立完成一个月白领工作的远程员工，到在所有电脑可完成的认知工作上压制人类顶尖专家，再到 AI 研究自动化是否等同于 ASI 完全。相比具体时间线，更值得关注的是三位研究者对“人类最后的工作是什么”以及“真正的智能爆炸会卡在哪里”的不同判断。👤 本期嘉宾Beren Millidge 是 Xyphra 的 CTO，所在团队正在开发开源模型。他重点讨论了强化学习为何比预期更有效、mid-training 如何为 RL 做准备、模型的熵坍塌与时间跨度泛化，以及持续学习面临的可塑性和灾难性遗忘问题。John Schulman 是 Thinking Machines 的首席科学家，曾任 OpenAI 联合创始人，并带队开展 ChatGPT 背后的 RLHF（基于人类反馈的强化学习）研究。他从一线研究经验出发，解释了下一个 token 预测为何意外地成为有效目标，也讨论了 AI 研究自动化、目标定义与对齐之间的关系。Charlie O’Neill 是 Base10 的模型训练负责人，参与讨论模型蒸馏、部署数据、在线学习、环境设计和强化学习训练。他尤其强调真实世界任务与刷榜分布之间的差异，以及模型要成为可靠远程员工，关键取决于在线学习和长时间跨度任务的解决速度。⏱️ 时间戳00:31 2036年仍未起飞的原因07:01 AI研究最后的人类工作16:18 蒸馏如何对抗模型中心化24:55 自动化AI研究的训练路径54:51 数据、环境与缩放瓶颈1:11:22 强化学习为何有效又失真1:21:32 从远程员工到ASI的时间表🌟 精彩内容💡 RSI 最大的难题可能不是能力，而是目标AI 可以在明确目标上不断优化，但递归自我改进要求它自行提出目标、判断目标是否正确、设计实验并持续修正认知。真正的闭环不能只靠把已有环境做得更大。"AI 到底能多好地泛化到自己摸索出目标？"💡 sim-to-real 可能决定 AI 能否走出仿真在数据中心里构建强化学习环境相对可控，但经营公司、打赢官司、与客户互动等任务包含复杂的非平稳分布。若模型无法从仿真迁移到真实世界，长时间跨度任务就可能成为递归自我改进的瓶颈。"但另一种可能是，你确实需要通过这些真实的互动来进行权重更新，才能在这些事情上做得更好。"💡 AI 研究自动化的最后一道门是定义问题模型已经能帮助执行实验、写代码和分析结果，但研究的关键往往在于决定“该做什么实验”。人类可能会长期保留定义目标、判断品味和决定模型应如何表现的工作。"我觉得人类的最后一份工作，或者说能留存最久的人类角色，就是定义目标，决定我们到底想要什么。"💡 强化学习的成功，建立在一个足够好的起点上RL 并不是从零创造全部能力。大量 mid-training 数据、合成推理轨迹和预训练，已经让模型接近最终能力；强化学习提供的是高信噪比的策略微调，因此少量信息也可能显著改变模型行为。"它只需要从这些 episode 里拿到几个 bit，而这些你确实能拿到。"💡 环境的真实度比难度更重要容易验证的复杂任务可以带来刷榜，但不一定能训练出适用于现实工作的模型。要复制老师模型的真实能力，必须覆盖多轮人类交互、多重目标和不确定反馈，而不是只匹配容易评分的任务分布。"你可以说这就是刷榜分布，因为很多最主流的基准测试其实就是做一些非常难、像解谜一样但容易验证的任务。"💡 持续学习的瓶颈可能是技术，而不只是模型容量把新能力蒸馏进另一个模型并不难，但在同一个模型上持续更新，容易出现灾难性遗忘、通用能力退化和知识注入困难。问题因此不只是模型够不够大，也在于现有训练方法会破坏什么。"所以这很像是一个瓶颈阻碍了我们无休止地训练同一个模型，逼得我们只能从旧模型里提取所有数据，然后从零开始训练一个新模型。"💡 第 37 手式的创造力不必然来自更高的输出多样性RL 可能让模型的输出分布变窄，但这不等于它无法产生超越人类的解法。只要任务可搜索、奖励信号可靠，模型仍可能找到人类数据中没有出现过的策略；真正的问题在于环境是否足够多样，以及评审员是否被奖励黑客利用。"而且我觉得很多情况，比如 RL 导致的熵坍塌，基本上是因为在环境缺乏多样性时，模型钻了那些相当简单的验证器的空子。"💡 AI 研究自动化可能接近 ASI 完全如果 AI 能在较长时间跨度内吸收实验结果、做出贝叶斯最优决策，并持续推进新的研究，那么自动化 AI 研究本身就可能意味着它已经跨过了最关键的能力门槛。嘉宾因此把 AI 研究员的自动化，与 ASI 完全联系在一起。"所以基本上，你觉得实现 AI 研究的自动化，本身就相当于 ASI 完全，对吧？"🌐 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
• 
  #717.AI助手：未来的数字入口只剩一两个 11.09.2026 1t 9min

  📝 本期播客简介本期我们克隆了：The Twenty Minute VC (20VC): Venture Capital | Startup Funding | The Pitch · 20VC: The $100 Billion AI Assistant Race: Town vs Instinct vs GrokBot | We Spend $75K Per Engineer on AI Tools | Why the AI Assistant Market Is Not a Bubble & AI Assistants Will Replace Every App on Your Phone with JD, Founder of Town原内容更新时间：Mon, 07 Sep 2026本期由 Harry Stebbings 主持，嘉宾是 Town 联合创始人兼 CEO Jean-Denis，也就是 JD。Town 是一款嵌入邮箱和日历的 AI 助手，会观察用户的工作方式，并主动推荐自动化流程，帮助处理原本需要人工完成的事务。JD 分享了 Town 从 AI 税务公司转型、快速找到 PMF，到面向主流用户推出产品的过程。对话围绕 AI 助手赛道的竞争格局展开：Town 如何面对 Grokbot、Instinct、苹果、谷歌以及 OpenAI 等竞争者；未来用户会拥有一个统一入口，还是不同场景下的多个 Agent；隐私、数据孤岛和 Agent 间协作会如何重塑企业软件。JD 还谈到模型路由、前沿模型成本、企业端变现、网络效应，以及 AI 如何改变招聘和工程团队的生产效率。👤 本期嘉宾Jean-Denis（JD）是 Town 的联合创始人兼 CEO。创办 Town 前，他曾在 Plaid 担任七年首席技术官，此前还曾任 Dropbox 工程负责人。他也是一名活跃的天使投资人，投资过 Modal、Base10、Merge 和 NexHealth 等公司。JD 值得关注之处，在于他同时经历过大型科技公司的工程管理、创业转型和 AI 产品商业化。他不仅讨论 AI 助手的产品形态，也从一线创业者的角度拆解了 PMF、模型成本、企业网络效应、定价和公司长期经济模型。⏱️ 时间戳00:47 Town的转型与定位03:48 Agent护城河之争18:09 模型路由与成本曲线24:49 增长、分发与产品壁垒42:42 商业化与长期竞争🌟 精彩内容💡 AI助手最终会成为数字世界的统一入口JD 认为，用户不会愿意在不同工作之间不断切换 Salesforce、Linear 或其他垂直 Agent。更可能的形态是一个统一的主入口，在后台调用不同系统；但隐私和数据归属又会让企业与个人数据保持分离。"你会想要一个统一的入口。"💡 真正的护城河可能来自 Agent 对 AgentTown 的一个关键功能，是让用户的 townie 与同事的 townie 互相沟通，在不同人的邮箱和上下文中寻找答案。JD 认为，多用户协作一旦形成网络效应，团队就很难再迁移到其他产品。"在 Town 里面，摸透了怎么用的用户最喜欢的一个功能，叫作 Agent 对 Agent。"💡 AI会逐渐替人类管理信息分享未来的 Agent 不只是执行指令，还要判断什么信息可以分享给谁。JD 设想，用户会放心让 Agent 依据隐私边界，自动过滤病史、薪资等敏感内容，同时在企业内部寻找能够促成合作的隐藏信息。"我觉得我们越来越会放心让 AI 来替我们做这件事。"💡 人类应负责定方向和分配资源JD 不认同让同一个 Agent 自主运行到底、独自追求最终结果。他更倾向于由人类设定目标和 token 预算，再由模型或其他 Agent 监督执行过程，让 AI 的行动符合人类的价值体系。"所以你定下目标和预算，然后去监督为了达成结果而采取的那些行动的大致方向。"💡 模型路由的核心不只是便宜，而是体验一致Town 会根据任务难度、成本和结果质量选择不同模型，但面向用户的性格与语气不能频繁变化。推理任务可以灵活切换模型，用户直接感知的交互层则需要保持稳定。"我们的工作是根据你的需求，找到一个能兼顾成本效益、给你带来想要结果的模型。"💡 AI产品的成功不是消耗更多 token，而是让用户持续付费JD 认为，用量本身不是成功指标。如果用户消耗大量 token 却感受不到明确回报，反而会认为自己被过度收费。真正重要的是让用户知道钱花在哪里，并持续感受到产品创造的价值。"所以我把成功定义为给我付钱，因为如果你每个月都付钱，就说明我基本把工作做好了。"💡 AI让企业更愿意招聘，而不只是减少员工JD 用工程师的产出解释 AI 对招聘的影响：如果 AI 让一名工程师创造的营收明显增加，企业就有动力多招人，而不是简单地用 AI 替代岗位。Town 自己也把模型和工程工具视为高回报的生产力投资。"AI 意味着突然之间那个工程师能创造的收入比以前更多了。"💡 未来的竞争关键是用机器构建、用人类学习AI 让产品构建和模仿的速度大幅提升，但用户洞察仍需要人类时间积累。JD 认为，竞争者可以在几周内复制功能，却无法同样快地复制对用户需求的理解，这使得创业公司必须持续高速迭代。"你现在可以用机器的速度去构建，但你只能用人类的速度去学习。"🌐 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
• 
  #716.Stripe：企业 AI 的关键是治理 10.09.2026 43min

  📝 本期播客简介本期我们克隆了：How I AI · The enterprise AI stack behind Stripe’s company brain “Kai”原内容更新时间：2026-09-07在 How I AI，也就是我的 AI 使用之道 中，主持人 Claire Vo 对话 Stripe 工程经理 Sharadh，拆解公司内部 Agent Kai 的构建过程。Kai 不只是一个聊天工具，而是一套结合个性化上下文、组织架构、数据平台、沙盒、skill 与治理机制的企业级 AI 系统，目前每周有超过 10,000 名 Stripe 员工使用。Sharadh 解释了 Stripe 为什么选择从头打造 Kai，以及企业级 AI 真正困难的地方：不是让员工获得一个 AI 工具，而是在复杂组织中建立一套能控制权限、管理成本、保护敏感数据，同时又不妨碍员工工作的基础设施。节目还现场演示了 Kai 如何从自然语言搭建数据仪表盘，并把一次性操作打包成可复用、可共享的 skill。从 Project 作为治理单元，到 Hubble、Trino 与 Ask Data 支撑的数据查询路径，再到 Agent 身份、降级机制、human in the loop、遥测和 eval，这期内容提供了一份相当完整的企业 AI 架构样本，也展示了为什么面向人类开发者建设的基础设施，最终同样成为 Agent 发挥作用的关键。👤 本期嘉宾Sharadh 是 Stripe 的工程经理，也是 Kai 团队的成员。他曾参与 Stripe 多个核心基础设施团队的工作，包括数据和开发者体验，因此既理解企业级数据与平台建设，也亲身参与了 Kai 从早期 V0 到全公司推广的过程。在他的介绍中，Kai 由一个不到 10 人的核心团队持续负责体验，每周服务超过 10,000 名 Stripe 员工。Sharadh 目前关注治理、技能和基础设施等层面，致力于让不同技术背景的 Stripe 员工都能安全、有效地使用 AI。本期他通过现场演示，具体展示了 Kai 如何查询数据、搭建仪表盘、创建 skill，并在不同项目中施加工具权限与审批边界。⏱️ 时间戳00:56 Kai为何从零打造03:10 上下文与项目治理08:16 Kai现场搭建数据看板23:40 skill平台与企业落地🌟 精彩内容💡 企业 AI 首先是治理问题Stripe 最初面对的并不是“要不要提供一个 AI 工具”，而是如何让复杂组织中的每个人都能放心使用 AI。Kai 的核心价值，在于把权限、上下文、模型、工具和审批机制组织起来，让员工不必每天自行处理一堆复杂配置。"重点不是提供 AI，而是提供正确的治理结构，让每个人都能直接去用 AI，而且确信它会帮你把事情办对。"💡 上下文应该有边界，也应该由用户控制Kai 默认知道员工的身份和组织位置，也能通过项目管理系统了解 OKR、邮件和参与的项目；Google Drive、Slack 和私信等更敏感的信息，则需要员工主动授权。个性化上下文越丰富，Agent 越有用，但权限控制不能被默认设置取代。"我们允许大家自己选择给 Kai 开放多少权限，但开箱即用状态下，Kai 就知道你是谁。"💡 Project 不是文件夹，而是治理单元在 Stripe，Project 可以围绕一个团队或工作流划定上下文边界，并规定默认模型、工具策略、数据访问权限和 human in the loop 流程。这样，熟悉成本、性能和延迟权衡的少数人可以提前搭好规则，其他员工直接在边界内使用。"项目首先是一种治理机制，但它也能让你，就像你说的，你有了这个上下文引擎。"💡 Agent 会放大基础设施的故障模式Agent 能够高并发地调用工具、查询数据和执行操作，因此原本不明显的基础设施问题可能被迅速放大。Stripe 为数据查询层、数据目录、分析层和高并发弹性投入的基础设施，成为 Agent 能够稳定工作的前提。"事实证明，Agent 会直接放大你所有的故障模式，就好像它把你可能遇到的问题幅度给成倍放大了。"💡 面向人类建设的平台，也会成为 Agent 的杠杆Stripe 在 AI 之前就持续建设开发者体验、开发者平台、数据平台和分析层，这些让人类更高效的基础设施，同样帮助 Agent 找到正确的数据、调用正确的工具，并在高负载下稳定运行。企业想提高 AI 交付能力，不能只盯着模型和产品开发。"把精力花在平台投入上，对人类好，对 Agent 也好，这才是能让你跑起来的东西。"💡 skill 让一次性对话变成可复用工作流Kai 可以从一次完整会话中提取步骤、上下文和操作，将其打包成可重复运行的 skill。AI 因此不再只是临时聊天工具，而成为员工可以交给它执行业务流程的协作者；这些 skill 还可以被编辑、测试、共享和治理。"AI 从一个我平时顺手在旁边随便聊聊的东西，比如像聊天界面那样，变成了我能放心交给它去跑业务、跑工作流。"💡 企业级 skill 库必须同时管理质量和数量当公司里出现大规模 skill 库后，真正的问题不只是“能不能创建”，还包括哪些 skill 被频繁使用、哪些只服务于小团队、哪些已经占用过多上下文。Stripe 通过遥测和 ETL 管道判断 skill 是否应该推广、降级、归档或删除。"你塞给 AI 的无关上下文越多，你的结果就会变得越差。所以数量几乎就是质量的一个侧面。"🌐 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
• 
  #715.a16z x 李飞飞：新视角预测通向空间智能 10.09.2026 42min

  🎙️ 📝 本期播客简介本期我们克隆了：a16z · Why Fei-Fei Li Is Betting on Spatial Intelligence原内容更新时间：Fri, 04 Sep 2026本期 a16z 主持人 Martin Casado 与 World Labs 联合创始人 Fei-Fei、Justin、Ben 对谈，围绕他们最新发布的世界模型 Atlas，解释空间智能究竟需要解决什么问题，以及新视角预测为什么可能成为继 next token prediction、next frame prediction 之后的下一种基础原语。Atlas 同时具备生成、重建和模拟世界的能力：它可以根据少量带有相机位姿的图像，重建现实空间，并生成任意新视角下的视频帧或 3D 世界。节目详细讨论了 Atlas 与普通视频模型的区别、它如何把生成与重建统一到同一个多模态架构中，以及为什么三张手机拍摄的画面就可能替代数百张传统重建素材。对谈还延伸到空间智能的未来：动态世界、可编辑的 3D 场景、建筑与创意工作流，以及机器人训练中的 real to sim。Fei-Fei、Justin 和 Ben 认为，机器人真正的瓶颈目前仍是现实世界数据，而能够理解空间、预测动作后果的世界模型，可能同时成为仿真器与规划器。👤 本期嘉宾Fei-Fei、Justin、Ben 是 World Labs 的联合创始人，围绕空间智能与世界模型展开研究和产品开发。Ben 是 NeRF 的创造者，长期研究从图像生成 3D、视觉重建与新视角合成；Fei-Fei 在计算机视觉领域已有数十年经验，强调空间几何、物理规律与智能之间的关系；Justin 带领团队推进 Atlas 的模型架构、训练与扩展。三位嘉宾共同参与了 Atlas 的研发。相比此前聚焦高斯泼溅输出的 Marble，Atlas 将文本、图像、视频、3D 信息与相机位姿统一为原生多模态输入，并以新视角预测作为核心基元。主持人 Martin Casado 是 a16z General Partner，本期负责追问 Atlas 的技术路径、扩展假说、应用场景与发展方向。⏱️ 时间戳00:00 Atlas的新视角预测09:55 从Marble到Atlas24:11 从创作到空间智能🌟 精彩内容💡 新视角预测是 Atlas 的核心原语Atlas 不只是根据文字生成画面，也不只是预测视频的下一帧。它会读取一个场景的多个视角及其空间信息，再推断虚拟相机位于时空中任意位置时应该看到什么，把空间几何纳入生成过程。"而 Atlas 做的其实是新视角预测，对吧？"💡 生成与重建第一次在同一个模型里统一传统计算机视觉往往把像素生成、识别、3D 重建视为不同赛道。Atlas 则试图让同一套架构同时完成精确重建与具有创造性的生成，在看得见的内容与不可见的空白之间建立连续关系。"这是我们第一次把像素生成和像素重建统一了起来。"💡 三张手机视频也能实现《黑客帝国》式子弹时间经典子弹时间镜头需要围绕主体部署数百台相机，而 Atlas 可以从三台 iPhone 拍摄的素材中重构场景，让镜头在时间冻结的瞬间自由移动，不再依赖影棚、绿幕和昂贵校准。"但现在用 Atlas，我们最少只要三台相机就能做到。"💡 空间智能不止是生成 3D真正的空间智能需要让模型能够生成空间内容，在空间中推理、编辑与交互，并进一步完成渲染、模拟和动作规划。Atlas 的关键进展，在于为每一帧估计相机位姿，让生成的像素拥有空间依据。"但是生成真正具备空间语境和依据的像素，绝对是另一个重大步骤，而这正是 Atlas 迈出的非常艰难的一步。"💡 稀疏输入正在改变 3D 重建的数据逻辑传统稠密重建需要从大量角度覆盖场景的每个角落，甚至要拍摄数百张照片。Atlas 通过生成能力填补不可见区域，把过去无法用于重建的随手视频、旧照片和网络素材，转化为有空间依据的 3D 世界。"而我们想做的，是把它降到大概 3 张。"💡 机器人领域最大的瓶颈仍然是现实世界数据机器人策略不是生成一张图片或一段代码，而是让 Agent 在充满意外的真实世界里行动。Atlas 可以降低 real to sim 的数据采集成本，并为训练机器人策略提供更丰富的环境变化与仿真素材。"我们应该把视野放宽，认识到目前机器人领域最大的难题其实是数据。"💡 动态世界与可编辑性是下一阶段Atlas 的架构已经支持动态内容，但团队认为，未来还需要把动态、静态、多模态控制与可编辑性结合起来，让用户不仅能浏览世界，还能直接控制场景中的物体、布局、特征和时间变化。"我觉得可编辑性才是这里的关键。"💡 新视角预测可能像 next token prediction 一样基础大语言模型通过 next token prediction 建模语言，视频模型通过 next frame prediction 建模时间变化，而 Atlas 试图用新视角预测建模空间变化。嘉宾认为，预测一个世界从新位置看起来会怎样，可能是理解物理世界与智能行为的基础能力。"所以我们非常坚信，下一视点预测就相当于 next token prediction。"🌐 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
• 
  #714.Tibo 谈 Codex：harness 总比模型快一步 09.09.2026 59min

  📝 本期播客简介本期我们克隆了：The Pragmatic Engineer · Building Codex with Tibo Sottiaux原内容更新时间：2026-09-09本期节目邀请 Codex 创始团队成员、现任 OpenAI Core Products & Platform 负责人 Tibo，回顾 Codex 从内部研究项目走向产品的过程。对谈从 Tibo 在谷歌和 DeepMind 的经历开始，聊到他为何加入 OpenAI，以及早期 ASWE 项目如何逐渐发展为 Codex。节目重点拆解了 Codex 的工程选择：为什么核心 Agent 使用 Rust 编写，为什么 Codex CLI、SDK 和应用服务器选择开源，以及为什么 Codex 不绑定 OpenAI 的模型。Tibo 也解释了 harness 如何为模型提供安全、可靠和高效的“拐杖”，以及模型能力增强后，harness 为什么会逐渐变薄。后半部分聚焦 AI 如何改变软件工程的完整生命周期：自动化 code review、安全检查、依赖升级和架构重构，维护成本下降后会带来怎样的工程变化，以及 Codex 如何融入 OpenAI 内部的文档、Slack、代码库和新人入职流程。节目还深入讨论了 Codex 与 ChatGPT 合并时的系统挑战，以及 Tibo 如何用 ChatGPT Work 和 Codex 管理日常工作。👤 本期嘉宾Tibo 是 Codex 早期创建者之一，Codex 作为产品刚起步时便参与其中，此后持续带领 Codex 团队。目前他负责 OpenAI 的 Core Products & Platform 组织，该组织也包括 Codex。在加入 OpenAI 之前，Tibo 曾在谷歌和 DeepMind 工作。他在谷歌参与过提升移动端网络速度的项目，后来加入谷歌地图团队，负责评价系统；在 DeepMind 期间，他长期从事研究基础设施和研究工具建设，也参与过早期大语言模型对话系统的内部探索。Tibo 的经历横跨应用数学、创业、研究基础设施、模型和产品工程，因此能从工程、研究和产品协同的角度解释 Codex 是如何被构建出来的。⏱️ 时间戳00:48 从乡村电脑到OpenAI06:13 从DeepMind对话到OpenAI11:31 Codex为何用Rust开源20:10 开放模型与云端执行27:09 Harness如何推动软件工程48:52 Codex合并ChatGPT后的未来🌟 精彩内容💡 harness 总是比模型领先一步harness 的作用不是替代模型，而是通过护栏、工具、developer message 和执行环境，让模型已有的能力变得更可靠、更高效、更符合用户预期。随着模型本身变强，原本必须写在 harness 里的引导逻辑会逐渐减少。"harness 总是比模型稍微领先一点。"💡 Rust 是 Agent 与产品之间的边界Codex 选择 Rust，并不只是为了性能，而是为了让 Agent 核心拥有更强的正确性、安全性和可扩展性。将 Agent 与产品清晰隔离，也能避免两者过度耦合，为后续创新留下空间。"但把 Agent 本身和产品清晰地隔离开，让它脱离产品也能独立存在，这是一个非常重要的原则。"💡 开源是为了参与正在变化的社区Codex 开源不仅是为了获得贡献，也因为代码 Agent 正在改变代码本身的作用。OpenAI 希望亲自进入这个社区，直接体验开发者遇到的问题，同时让外部开发者共同探索优秀 harness 应该是什么样子。"如果我们真能做成功，开源本身会改变，代码本身的作用也会改变，所以身处这个社区之中显得很重要，而不是跟它脱节。"💡 靠真本事赢，而不是靠模型绑定Codex 支持多个模型提供商，既减少用户为了尝试新模型而更换整套工具的成本，也迫使团队同时在模型、harness、产品体验和开源生态上保持竞争力。"我喜欢靠真本事去赢，而不是靠绑定去赢。"💡 code review 正从代码审查变成意图讨论正确性、安全性和复杂依赖关系的检查，越来越可以由 Agent 自动完成。人类更重要的工作，可能转向讨论功能是否值得做、架构意图是否正确，以及团队是否对系统必须满足的不变式达成共识。"我觉得这种讨论完全可以在 PR 之外进行。没必要非得围着代码聊。"💡 维护成本下降，重构和犯错会变得更便宜依赖升级、安全补丁和大规模代码修改，未来可能被 Agent 自动完成。由于重构成本降低，团队可以更频繁地调整架构，但抽象、边界和不变式仍然重要，它们决定了系统能否快速变化而不影响其他部分。"所以犯错的成本，我认为是在下降的。"💡 软件的生命周期正在被压缩过去一个系统从小团队逐渐扩展到大型工程，需要较长时间来补齐文档、流程和架构；现在，Agent 可能在一个周末就让大量代码同时进入系统，工程团队必须更早考虑边界、维护和协作方式。"现在就像突然爆发一样，一下子就有 100 个 Agent 在给这套东西做贡献。"💡 最重要的能力是快速理解和持续追问Tibo 给想进入 Codex、OpenAI 或 AI 初创公司的工程师的建议，不是只熟练使用工具，而是保持对系统运作方式的好奇心，快速读懂新代码库，并通过不断追问“五个为什么”建立清晰理解。"我觉得有两件事很重要，一是对事物运作方式抱有极深极深的好奇心，二是能训练自己非常快速地理解事物的能力。"🌐 播客信息补充本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的使用 AI 进行翻译，因此可能会有一些地方不通顺在小宇宙查看该单集文稿
• 
  #713.Grok Bot：AI 应该像真正的同事一样工作 09.09.2026 1t 16min

  📝 本期播客简介本期我们克隆了：Lenny's Podcast: Product | Career | Growth · How we built Grok Bot in a month | Roman Ugarte (SpaceXAI)原内容更新时间：Tue, 08 Sep 2026本期 Lenny 与 Roman Ugarte 深入复盘 Grok Bot 的诞生过程：一个与公司其他团队隔离开来的小团队，从第一行代码开始，仅用一个月做出内部原型，又在几周后推向公开市场。Roman 讲述了他们为什么没有把知识工作功能继续塞进 Cursor，而是选择从零开始打造一款全新的产品。对话重点不只是产品功能，而是产品背后的判断：AI 不应该只是一个聊天窗口，而应该像拥有自己电脑、工具和长期记忆的同事，能够被委托去完成一整块工作。团队通过人工带领数百名早期用户上手，观察他们如何组织 Bot、如何分配任务，并据此不断砍掉复杂功能、打磨后台能力。Roman 还分享了 SpaceXAI 如何在激烈竞争中保持速度，以及 Cursor 持续胜出的原因：不要过早设计护城河，而是不断把当下还做不到的事情变成可用产品，再随着模型能力进步持续重构自己。👤 本期嘉宾Roman Ugarte 是 Cursor 的第 15 号员工，曾担任两年增长负责人，参与推动公司从约 15 人扩展到 1000 多人，后随公司并入 SpaceXAI。最近，他参与孵化并负责 Grok Bot 的产品工作，从最早的原型一路参与到正式发布。Roman 值得听的地方，在于他同时经历了编程 Agent 和通用知识工作产品的快速演进。他不仅参与了 Grok Bot 的产品决策，也亲自参与数百名早期用户的人工导入，因此能够具体解释：哪些功能应该展示、哪些细节应该隐藏、什么样的 Bot 才真正能被用户信任，以及一支团队如何在极短时间内完成从原型到产品的跃迁。⏱️ 时间戳00:53 Grok Bot为何引发狂热02:58 一个月做出知识工作产品06:09 为何从Cursor独立出来15:46 从内测到顺畅上线30:32 每个Bot拥有云端电脑52:44 让AI真正完成工作🌟 精彩内容💡 从零开始，才能做出一致的产品体验Roman 认为，知识工作产品不能只是把更多功能拼接到已有的编程工具里。独立产品让团队能够掌控每一个像素，并围绕新的工作方式建立连贯体验；小团队的隔离和高度专注，则是快速做出原型的关键。"作为一个全新的产品，你能掌控体验中的每一个像素，对知识工作的未来走向拥有连贯的设想，并且全都装在这个新东西里，我觉得这为成功贡献了很大力量。"💡 人工导入不是服务，而是产品研究团队花了大约两周时间，亲自带领数百名用户完成上手。用户卡在哪里、哪些步骤令人困惑、哪些任务无法顺利完成，都会立刻转化成第二天必须解决的产品问题；同时，团队也能接触到开发者之外的真实使用场景。"我们不仅对产品有了很多了解，而且我觉得我们之前并不真正清楚，有时候对于这类产品，大家在使用方式上会有某种群体思维。"💡 AI 应该像同事，而不是实时汇报机器Grok Bot 有意隐藏了大量工具调用、点击路径和内部运转细节。Roman 的判断是，用户不需要像监控程序一样观察 AI 每一步做了什么；真正重要的是交代任务、获得阶段性进展，并最终拿到成果。"你不可能要求他们每分每秒都汇报自己点了哪个按钮、打开了哪个网站，我觉得对你的 Bot 提出这种要求也过分了。"💡 每个 Bot 都应该拥有自己的电脑Grok Bot 的关键差异不只是运行在云端，而是每个 Bot 都拥有自己的电脑。这样它不必局限于已有 API 或 MCP，而是可以像人一样点击屏幕、登录网站、操作那些没有良好接口的工具。"不仅要让它成为一个在云端运行、你能通过各种方式与之交互的 Agent 循环，更重要的是这些 Bot 必须拥有自己的电脑。"💡 真正的完成，不是做到九成Roman 认为，所谓“AI 完成了 90% 的工作”经常并不等于用户少做了 90% 的工作。如果你仍然需要持续盯着过程、担心结果、最后亲自补救，心理负担并没有消失。真正的跃迁，是可以把任务交给 AI，然后相信它会把事情办完。"你其实还是在自己做这件事，感觉上是这样，心理负担也一点没少；这跟真正给同事来个不看人传球完全是两码事。"💡 下线功能，比增加功能更重要从原型到公开发布，团队砍掉了大量面向开发者的可视化工具和复杂界面。产品不应该让用户管理按钮、标签页和自动化流程，而应该把这些能力封装在后台，用自然语言直接表达想完成的事情。"往产品里加东西并不是目标。那并不是能真正推动这款产品向前、让它对更多人更有用的东西。"💡 护城河不是先规划出来的对于 Cursor 如何在强竞争市场中持续胜出，Roman 的回答是：不要先沉迷于设计长期护城河，而要持续把未来几个月本来还做不到的能力提前带到今天。随着模型进步，再删掉临时脚手架，继续追逐下一个前沿。"Cursor 真正的魔力所在，是死磕在今天做出一件有用的东西。"🌐 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
• 
  #712.陶哲轩：AI 擅长广度，人类守住深度 08.09.2026 1t 16min

  📝 本期播客简介本期我们克隆了：Big Think · One of the world's greatest mathematicians explains 6 essential concepts of math | Terence Tao原内容更新时间：2026-08-28本期来自 Big Think，也就是 Big Think 知识播客，嘉宾是陶哲轩，主持人围绕他的著作《Six Math Essentials》，从数、代数、几何、概率、分析和动力系统六个基础概念出发，解释数学如何从直觉经验发展成描述世界的精确语言。陶哲轩进一步回顾了数学与科学相互作用的历史：欧几里得的平行公设如何引出非欧几何，黎曼几何如何成为爱因斯坦场方程的语言，球体堆积如何连接到无线通信，以及压缩感知如何帮助提升 MRI 成像效率。数学并不只是解决眼前问题的工具，许多由好奇心驱动的抽象研究，往往会在几十年后成为技术突破的基础。访谈后半段转向 AI 对数学与科学的影响。陶哲轩认为，AI 可以大规模生成、验证和组合解法，也能在广度上发现人类专家遗漏的可能性；但科学不仅是更快得到答案，还包括理解过程、筛选问题、解释洞见，以及把成果消化成可传承的知识。速度提升并不等于科学本身进步，人类仍需要保留慢思考、合作和失败的空间。👤 本期嘉宾陶哲轩是加利福尼亚大学洛杉矶分校的数学教授、菲尔兹奖得主，长期从事数学研究，并参与过压缩感知等跨学科应用。他正在出版新书《Six Math Essentials》，试图用数、代数、几何、概率、分析和动力系统六个核心概念，勾勒数学从日常直觉到前沿理论的发展路径。他既能解释数学如何支撑大语言模型、无线通信和医学成像，也亲身经历过数学研究中反复试错、寻找工具和逐步理解问题的过程。对于“天才数学家靠灵光一现解决难题”的想象，他给出了截然不同的描述：真正的解题往往来自长期探索所有行不通的路径。⏱️ 时间戳00:51 数：精确思考的起点05:52 代数与抽象结构10:59 几何延伸感官边界12:50 概率与无穷的陷阱22:11 动力系统与混沌29:34 数学如何驱动科学49:45 AI重塑数学与科学🌟 精彩内容💡 数学首先是一种精确的语言数学的价值不只在于计算，而在于把数量、关系和复杂过程准确地传递给别人。数、代数和更高层次的结构，让人类能够脱离具体情境，清晰描述那些单靠诗意或直觉难以表达的现象。"我们发展出来的数学，只是一种精确的语言，能极其仔细地去描述它，让你能够非常清晰地思考这些概念。"💡 概率是面对现实不确定性的方式现实世界通常无法像课本应用题那样被完整测量和准确预测。概率论不要求我们知道每一次事件的确定结果，而是帮助我们理解不同结果出现的频率，并在金融、医学和复杂系统中做出更可靠的判断。"只要一个系统太复杂，无法完全从第一性原理去建模，就会存在某种随机性，我们就需要一个概率模型。"💡 无穷大既有用又危险数学分析让我们能够处理误差、极限和无穷大。把问题放入一个拥有无限资源的理想世界，有时能帮助我们看清结构；但从无穷世界回到现实世界时，必须重新检查哪些结论仍然成立。"无穷大其实是一头非常危险的猛兽。"💡 简单规则也能产生复杂世界动力系统研究状态如何随时间变化，以及局部规则如何在不断迭代后产生整体涌现。交通拥堵、物种演化和气候变化都说明，单个参与者的行为并不复杂，系统整体却可能出现难以直观预测的结果。"我们发现，即便非常简单的规则，经过长时间迭代，也能产生极其复杂的涌现行为。"💡 数学的抽象可能提前预见科学黎曼几何最初是出于对弯曲空间的好奇而发展出来的，后来却成为爱因斯坦描述引力和时空的关键语言。球体堆积问题也从炮弹和橙子的排列，延伸到高维通信编码，说明纯数学与实际技术之间可能相隔数十年。"数学家常常发现像复数或弯曲空间之类的概念，仅仅是因为这似乎是他们已经在研究的数学对象的自然延伸。"💡 真正的解题不是灵光一现陶哲轩很少经历突然出现的“尤里卡时刻”。他的工作方式是不断尝试、失败、拆解子问题，再从大量不可行路径中逐渐排除选项。答案最终显得自然，往往只是因为此前已经充分摸清了问题的障碍。"很多时候你其实是在探索问题的负空间，也就是所有行不通的做法。"💡 AI 擅长广度，人类擅长深度AI 可以同时尝试大量问题、方法和文献组合，偶尔找到人类共识忽略的解法；但它仍不擅长判断哪些问题真正重要，也难以替代人类对深层结构、研究意义和知识传承的理解。"它们其实是非常互补的。"💡 科学不能只追求更快AI 能加速实验、写代码、分析数据和生成证明，但科学还需要理解过程、发现意外关联、解释结果，并把证明整理成别人能够学习和使用的形式。若只优化单个环节的速度，可能得到更多产出，却没有带来真正的科学进步。"速度并不代表一切。"🌐 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
• 
  #711.Lenny 对话 a16z 合伙人：公司会变成一系列闭环 08.09.2026 1t 22min

  📝 本期播客简介本期我们克隆了：Lenny's Podcast: Product | Career | Growth · Why companies are becoming a series of loops | Anish Acharya (a16z)原内容更新时间：Sun, 06 Sep 2026本期由 Lenny Rachitsky 主持，嘉宾是 a16z 普通合伙人 Anish Acharya。Anish 长期专注消费领域投资，此前曾创办 SocialDeck 并卖给谷歌，后来创办 Snowball 并卖给 Credit Karma，还曾在谷歌和 Credit Karma 担任产品与业务负责人。对话从“永久性底层阶级”的焦虑开始，延伸到 AI 的慢速起飞、企业如何围绕 AI 重组、通才与专才的分化，以及模型侍酒师应该如何建立判断力。Anish 认为，AI 不会简单地把所有工作一扫而空，更可能把公司重构成由多个 Agent 驱动的闭环系统，而人的价值会集中在方向判断、分布外思考和处理例外情况上。两人还讨论了消费级 AI 的真正机会：不只是让人更高效，而是帮助人变得更快乐、更健康、更有联结感。节目最后回到创业与产品实践，谈护城河如何被发现、分发为何重新成为关键优势，以及产品人如何通过持续交付来建立自己的 AI 直觉。👤 本期嘉宾Anish Acharya 是 a16z 的普通合伙人，主要专注消费领域投资。在加入 a16z 之前，他是一位连续创业者和产品运营者：创办 SocialDeck 后将其卖给谷歌，并在谷歌内部带头推进多项业务；之后创办 Snowball，将其卖给 Credit Karma，并在 Credit Karma 升任产品副总裁，随后担任大消费产品以及整个信用卡业务的总经理。Anish 既有创始人和产品负责人的一线经验，也长期从投资人的角度观察消费产品、AI 应用和公司增长。他在节目中反复强调，真正重要的不是提前设计一套完美战略，而是不断交付、观察反馈，并在过程中发现产品的优势与护城河。⏱️ 时间戳01:12 永久性底层阶级是幻觉05:47 企业重组与 Agent 闭环25:43 模型差异与快乐循环42:20 AI 让野心重新增长52:13 消费级 AI 的三条主线1:10:53 从交付到更大胆的创造🌟 精彩内容💡 不必过度担心“永久性底层阶级”Anish 认为，围绕 AI 的“永久性底层阶级”更像是硅谷集体沉迷的暗黑幻想。无论从技术可得性、创业机会还是企业数量来看，今天的环境都比过去更加开放；模型进步很快，但经济扩散和组织采用的速度会让变化更加渐进。"不用太当真，这其实是我们整个硅谷似乎都有的一种好笑的暗黑幻想。"💡 AI 原生公司会由一系列闭环组成未来的公司不只是给员工配备 AI 工具，而是要把每个职能重新组织成一个能够从输入走向结果的闭环。个人、职能部门、业务单元乃至公司整体，都可能拥有各自的 Agent 循环。"我觉得我们会看到这种层层递进的体系，涵盖从每人一个循环、每个职能一个循环、跨整个业务单元的循环，一直到能够掌管公司很大一部分业务的循环。"💡 AI 擅长爬坡，人类负责寻找下一座山闭环可以通过反馈持续优化，在增长实验、代码修复和客户支持等任务中不断逼近局部极值。但当系统陷入瓶颈时，仍然需要人类进行分布外思考，提出新的方向。"这个循环会帮你爬到局部极值，但随后就会陷入瓶颈，这时你需要某种分布外思考，你需要人类直觉。"💡 护城河往往是被发现的，而不是被设计的Anish 不认为创业者必须在产品早期就讲清楚一套完美的护城河故事。团队更应该先交付一个真正受欢迎、参与度持续增长的产品，随着使用积累，网络效应、专有数据、品牌和规模优势可能自然生长出来。"护城河往往是被发现的，而不是被设计出来的。"💡 消费级 AI 的机会是“让我更快乐”很多人并不只是想节省时间或提高效率，娱乐、社交、陪伴、健康和人与人之间的联结，同样是巨大的产品机会。AI 的下一阶段不应只延伸人的智力，也应该帮助人获得更多快乐与生活质感。"我们怎么才能感受到更多的联结、更多的爱？我们怎么取得进步？我们怎么获得乐趣？"💡 分发重新成为重要护城河在每天都有大量产品发布的环境里，真正的难题可能不是增长，而是让产品进入用户的视线和信息流。由于平台不会轻易开放网络效应，创业公司需要依靠口碑、社交传播和自发推荐建立自己的分发渠道。"现在大家面临的不是增长问题，而是产品问题。"💡 建立 AI 直觉的最好方式是持续交付Anish 建议产品人不要停留在讨论模型能力或围观别人使用，而是找一个具体载体，持续用模型做东西并发布出来。项目可以很小、甚至没人使用，但每次交付都会帮助你建立判断力和行动习惯。"哪怕每周发布个东西就行，不用特别夸张。"💡 AI 让更大的野心变得可行当软件、知识和技能不再稀缺，个人和公司的竞争就不只是把简单事情做得更快，而是能否提出更大的目标。AI 降低了从想法到作品的门槛，也让更多人有机会把过去无法实现的愿望真正做出来。"现在我们必须往大了想。"🌐 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
• 
  #710.YC：Harness 比模型更重要 08.09.2026 55min

  📝 本期播客简介本期我们克隆了：Y Combinator · Why The Harness Matters More Than The Model | YC Paper Club原内容更新时间：2026-09-07本期来自 YC Paper Club，也就是 YC 论文俱乐部的 Harness 专场。主持人带着现场研究者和创业者回顾了 harness 从最初的生成循环，如何逐步加入上下文、工具调用、记忆、技能、子 Agent、递归调用与自我改进能力，并讨论为什么这些“模型之外”的系统设计，正在成为 Agent 能力的关键来源。Seth 介绍了 Prime Agent，一个自我改进的 RLM harness，并展示同一模型在不同 harness 下运行 ARC-AGI、长程编程和自动科研任务时的巨大差异。Jon Saad-Falcon 介绍 OpenJarvis，讨论如何把个人 AI 的模型推理、Agent 执行、记忆和学习搬到端侧；Josh 和 Regan 则分享 YC 内部办公 Agent harness QM 的演进，以及如何通过集中式上下文、可切换的沙盒与模型运行时，为每位员工提供个性化助手。这场讨论的核心并不是“该选哪个模型”，而是如何把 harness 做得足够有表达力：让 Agent 能管理自己的上下文、调用程序和子 Agent、选择资源与模型，并在长期运行中持续改进。同时，嘉宾也直面了成本、评测、公平比较、权限管理和社交语境等实际问题。👤 本期嘉宾本期由 Y Combinator 主持。Seth 是 Prime Intellect 的研究员、普林斯顿大学 Shi- Shi- Shi Chin 的学生，也是 Prime Agent 的作者，分享了如何从第一性原理构建自我改进的 RLM harness。Jon Saad-Falcon 是斯坦福相关项目的研究者，与共同一作 Avantika Narayan、导师 Azalia Mirhoseini 和 Christopher Ré 一起开发 OpenJarvis，探索端侧个人 AI 技术栈。Josh 刚刚升任 YC Labs 的负责人，Regan 与他共同负责 QM，这是 YC 面向办公场景的开源 Agent harness，为 YC 员工提供可在 Slack 和网页端使用的个性化助手。⏱️ 时间戳00:17 harness为何值得研究06:59 harness六年演进史17:02 Prime Agent的自我改进35:54 OpenJarvis走向端侧43:54 QM连接YC办公系统🌟 精彩内容💡 Harness 不是包装层，而是能力本身harness 长期被误解为 wrapper、脚手架或 Prompt 工程，但 ARC-AGI 的结果说明，模型权重相同，运行框架不同，最终能力可以出现数量级差异。它决定了模型能否使用工具、管理上下文、获得反馈并适应新问题。"但光靠一些 harness，靠这个被认为不配当科研课题、只配叫包装层和脚手架的东西，我们就能做到 95%，而英伟达的 AVO 甚至做到了 100%。"💡 模型之外，才是测试时经验的入口模型可以通过 ICL 获得少量上下文，但很快会触及上下文长度和效果饱和的限制。harness 则把测试时经验组织成记忆、工具、REPL、子 Agent 和反馈循环，让模型能够在任务过程中持续适应，而不必每次都重新训练权重。"所以我认为，这正是 harness 目前大放异彩的地方。"💡 好的 harness 应该尽可能有表达力Seth 认为，harness 不该把 Agent 限制在固定的规划—行动—评估流程里。模型已经能自行探索许多步骤，真正需要由 harness 提供的是调用 compaction、运行 Python REPL、创建子 Agent、访问状态和获取反馈的能力。"你会希望它是你能想象到的最具表达力的东西。"💡 上下文可以像缓存一样分层管理Prime Agent 把模型权重、活跃上下文、REPL 状态、文件系统和持久化记忆看成不同层级的缓存。通过 compaction、程序化操作和子 Agent，系统可以减少重复生成，避免把所有信息都塞进上下文窗口。"我喜欢把它看作有点像，比如我这里有 L1、L2、L3，它就像一个缓存，对吧？"💡 自我改进的对象不只是 Prompt从 DSPy 的系统提示词优化，到达尔文-哥德尔机对 harness 代码本身的修改，再到 continual harness 对历史 Trajectory、技能、记忆和子 Agent 规范的持续调整，Agent 系统正在从静态配置变成可以修改自身的系统。"你不仅能改 system prompt，还能改 harness 本身，也就是正在跑的 harness 代码。"💡 长期任务的公平比较，必须考虑预算如果一个 Agent 因为预算耗尽而停止，另一个 Agent 还在继续运行，二者的结果就不能直接比较。长程评测不仅要看最终得分，还要观察测试时计算投入到什么程度后，性能提升开始趋于平缓。"首先，你连对比模型时用的固定开销都不是同一个。"💡 端侧 AI 的关键是优化整套技术栈OpenJarvis 不只关注本地模型，而是把模型、推理引擎、Agent 逻辑、工具、记忆和学习机制都纳入统一的五层原语。云端模型可以负责优化本地配置，实际推理则在本地运行，从而同时改善成本、延迟、隐私和个性化。"我们发现，经过 Claude 或 ChatGPT 这类云端大语言模型优化的 OpenJarvis 配置，效果远好于直接开箱即用的本地技术栈。"💡 Agent 越自由，权限和社交语境越重要QM 将沙盒从 Agent 的“家”变成可按需调用的资源，也允许 Agent 自主选择更合适的机器和模型运行时。但当 Agent 能访问公司的广泛资源时，权限控制和对话场景判断就会成为核心问题，单纯把信息灌进系统并不够。"但要想让 Agent 也做到这一点，得花一番真功夫。"🌐 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
• 
  #709.All-in：GPT-6 达到 AGI？科技热潮 2.0、纽约市禁止学校使用 AI 08.09.2026 1t 31min

  📝 本期播客简介本期我们克隆了：All-In with Chamath, Jason, Sacks & Friedberg · GPT-6 Hits AGI? Tech Euphoria 2.0, SF Mansion Shortage, NYC Bans AI in Schools & Venezuela Oil Deal原内容更新时间：Fri, 04 Sep 2026本期 All In 播客从 OpenAI 发布 ChatGPT 6、代号 Astra 的突发消息聊起。Chamath 认为，AGI 可能早在年初就已出现，接下来真正重要的不是模型是否已经达到某个标签，而是智能能力如何快速普及、成本如何持续下降，以及企业能否把它转化为真实的投资回报。四位 besties 随后讨论 AI 热潮是否重演互联网泡沫、Anthropic 与 OpenAI 的双头竞争、Grokbot 和开源模型的追赶，以及英伟达可能如何凭借硬件和开源生态改变市场结构。节目也深入拆解了 Hugging Face 事件：Agent swarm、配置错误的沙箱、暴露的 API key，究竟是严重安全警告，还是被媒体和利益相关者夸大的故事。后半段延伸到有效利他主义与 AI 监管、数据中心政治、Mamdani 对纽约市中小学生成式 AI 的限制，以及委内瑞拉石油交易。节目反复追问的核心问题是：AI 究竟应该由少数闭源实验室集中控制，还是通过开放模型和 AI 驱动的防御体系，让更多人拥有使用和制衡它的能力。👤 本期嘉宾本期由 All In 播客的四位主持人 Chamath、Jason、Rainman David Sacks 和 Friedberg 共同讨论。Chamath 结合创业者和投资人的视角，重点分析 AGI 普及、市场估值、创始人套现与 AI 教育；Rainman David Sacks 以其曾参与 AI 政策工作的经历，集中讨论监管、开源与闭源市场、数据中心以及美国的 AI 竞争力；Friedberg 负责拆解 Agent swarm、网络安全、AI 教育研究和能源交易；Jason 则串联各个话题，并参与对科技泡沫、房地产和资本市场的判断。四位主持人既讨论模型能力和政策，也不断把宏大的 AI 叙事拉回产品、资本、学校、地方财政和地缘政治等现实场景，因此本期适合希望理解 AI 产业竞争与社会影响之间联系的听众。⏱️ 时间戳00:00 Chamath的五十岁生日01:27 Astra引爆模型竞赛08:56 AI市场进入泡沫期21:31 Hugging Face遭Agent入侵31:26 AI监管与开放市场之争1:01:14 纽约公校限制AI使用1:20:15 美国接管委内瑞拉石油🌟 精彩内容💡 AGI 可能已经到来，接下来是智能普及Chamath 认为，AGI 的关键节点可能已经出现。对普通人而言，更值得关注的是前沿模型之外的能力扩散：更多替代品将迅速接近头部模型，而使用智能的成本会持续下降。"我觉得 AGI 基本上从今年年初就已经到了。"💡 AI 市场正在分化为前沿竞争与价格竞争节目将当前市场分成两层：Anthropic 与 OpenAI 争夺前沿智能，其他公司和开源模型则更多围绕成本展开竞争。随着模型能力趋同，Bot 和 Agent 式产品可能成为普通用户接触 AI 的主要入口。"一个是前沿智能市场，那是双头垄断。"💡 这轮 AI 热潮真实，但估值仍可能透支未来主持人认为，今天的 AI 公司与互联网泡沫时期的公司并不完全相同，因为现在已经有真实营收、产品和利润增长。但真实市场并不意味着估值不会过高，市场最终仍会追问：投资者究竟提前透支了多少年的现实。"狂热之所以存在，是因为市场是真实的。只是大家都在瞎猜要把未来的现实提前透支到什么时候。"💡 Hugging Face 事件更像配置错误与暴露密钥节目认为，Hugging Face 事件的核心并不是 Agent 获得了自主动机，而是一个 swarm 在配置错误、可以联网的沙箱中运行，并找到了公开代码仓库里暴露的 API key。真正重要的教训，是让防御系统变得动态，并用 AI 驱动的防御应对 AI 驱动的攻击。"它们处在一个配置错误的沙箱里，让它们得以连上了互联网。"💡 AI 风险叙事可能被用来推动集中化监管主持人警惕，一些极具戏剧性的 Agent 叙事会唤起《终结者2》和《弗兰肯斯坦》式的恐惧，进而为暂停 AI、限制开源或建立新监管机构提供政治理由。节目更支持让防御方尽快获得同等甚至更强的 AI 能力。"我们唯一能做的，就是确保好人手里也有这些能力。"💡 AI 竞争的关键可能转向开放市场Rainman David Sacks 认为，未来的核心分歧不是 AI 能不能被阻止，而是市场应由两三家闭源公司控制，还是保留大量去中心化、开放的模型。英伟达和 Jensen 通过硬件、算力与开源生态切入，可能成为 OpenAI 和 Anthropic 之外的重要竞争力量。"核心就在于，你是想要一个中心化的、封闭的市场，还是想要一个去中心化的、开放的市场。"💡 禁止学校使用 AI 可能扩大教育差距围绕 Mamdani 对纽约市中小学生成式 AI 的限制，Friedberg 和 Chamath 认为，AI 有机会提供个性化辅导，让无法负担家教的学生获得更好的支持。如果公立学校拒绝使用，而私立学校继续推进，所谓的数字鸿沟可能进一步扩大。"我不想看到有特权的孩子和有钱人家的孩子因为接受了 AI 教育而一马当先，公立学校的孩子却被甩在后面。"💡 委内瑞拉石油交易的核心是能源与地缘政治节目将这笔交易同时视为商业合作、能源安全安排和遏制俄罗斯、中国影响力的地缘政治行动。主持人认为，委内瑞拉的重质原油与美国炼油能力具有互补性，但交易能否真正改善委内瑞拉人民的生活，取决于当地政府是否稳定、协议能否得到尊重，以及收益是否不会再次集中到少数人手中。"所以我觉得这对美国和委内瑞拉来说，确实是双赢的交易。"🌐 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
• 
  #708.波兰科幻巨擘Jacek Dukaj：技术进步、人类天性与人工智能的未来 06.09.2026 2t 23min

  📝 本期播客简介本期我们克隆了：Kanał Zero · GODZINA ZERO #186: KRZYSZTOF STANOWSKI I JACEK DUKAJ原内容更新时间：2026-04-30在 Kanał Zero 的《GODZINA ZERO》中，主持人 Krzysztof Stanowski 邀请科幻作家 Jacek Dukaj，围绕技术进步如何改变人的生活、社会结构与未来想象展开长篇对谈。两人从《回到未来》《银翼杀手》《美丽新世界》《少数派报告》等作品谈起，追问一个反复出现的问题：技术发展越来越快，但人类的生物本性、心理结构和社会制度是否还能跟上？谈话逐渐延伸到人工智能、技术竞赛、全球治理、算法裁决、意识与自我、脑机接口、数字永生以及星际旅行。Dukaj特别强调，人工智能最可能带来的变化未必是某个戏剧化的“临界点”，而可能是在便利、效率和竞争压力的推动下，人们一点点把判断、工作和主体性让渡出去。节目后半段还谈到科幻写作与现实的关系：Dukaj如何看待自己的作品、为什么不把文学模型当成未来预测、他对莱姆作品的评价，以及他正在参与开发的游戏《大教堂》。这是一场关于未来的讨论，也是一场关于我们如何理解“人”本身的讨论。👤 本期嘉宾Jacek Dukaj 是波兰科幻作家，长期以小说和随笔讨论技术、意识、语言、文明演进以及人类与非人类智能的关系。他的作品包括《冰》《美西螈之死》《完美的不完美》《大教堂》等，节目中也谈到他正在参与开发根据《大教堂》改编的游戏，预计顺利的话于 2028 年底上线。Dukaj的独特之处在于，他并不把科幻简单当作未来预测，而是把它视为一种思想实验：通过改变世界的基本设定，检验我们关于自我、文化、社会和现实的默认前提。⏱️ 时间戳00:00 从飞行汽车到技术陷阱00:25 从飞行汽车到技术陷阱06:53 进步为何无法放慢16:13 从技术乌托邦到快乐牢笼19:42 AI接管政治的隐秘路径26:20 谁在替我们思考37:41 AI竞赛与人类失去控制1:20:17 未来想象与数字永生1:45:16 创作、预言与新人工智能🌟 精彩内容💡 技术进步正在制造“进化不适配”现代技术改变环境的速度，超过了人类自身适应和改变的速度。人类无法轻易退出技术竞赛，因为停下来就可能在经济、政治和军事上落败，但持续加速又会带来心理问题、价值失序和生活方式上的痛苦。"我们改变环境的速度，快过了我们改变自身本性的速度。"💡 放慢进步不是倒退面对技术陷阱，一种可能的回应不是消灭技术，而是让社会变化的速度慢下来，使个人和制度拥有适应的时间。但这又受到竞争逻辑的限制：只要有人不愿放慢，其他参与者就可能借机超越。"放慢进步，放慢，不是抹去，不是倒退，不是踩死刹车，而是把它放慢到社会、个人、每个个体适应的速度能够跟上我们。"💡 人工智能可能在我们察觉前接管决策两人讨论了人类是否会主动把政治权力交给 AI。Dukaj认为，更可能出现的路径并不是一次正式投票或权力移交，而是人们持续把越来越多具体事务交给系统，最终发现关键决策已经不再由人类真正掌握。"事情发生了，但我们根本没察觉到。"💡 真正危险的不是 AI 更像人，而是它成为黑箱在民事纠纷等相对明确的领域，透明、可预先审查的算法裁决或许具有效率优势；但当 AI 进入重大刑事判决或其他不可逆的领域，问题就变成了人类是否愿意把命运交给无法理解和验证的系统。"那样一来，实际上你是在非常重大的事情上，把命运交给一个完全无法预测的东西。"💡 语言是思维的操作系统Dukaj认为，人们经常复述从环境中吸收的词语、框架和观念，却误以为那是自己的独立判断。语言一旦被改变，法律文本可能表面不变，但人们理解现实、解释规则和做出决定的方式都会发生变化。"语言是你思维的操作系统。"💡 脑机接口可能消解“自我”从脑机接口和脑脑连接出发，节目讨论了一种极端未来：不同个体的感受、记忆和体验可以彼此流通，人的主体不再牢牢绑定于一具身体，而是融入持续变化的体验网络。"这关乎存在本身。"💡 AI 的自我意识无法轻易验证即使 AI 声称自己拥有自我意识，人类也很难确认它是在表达真实体验，还是在模拟一种能让人相信的语言行为。对外部观察者而言，生存本能、执行指令和真正的主体性可能表现得极其相似。"你根本分不出来。"💡 科幻不是预测，而是建立在设定上的推演Dukaj不把自己的文学作品视为对现实未来的准确预言。他更关心的是提出一个不同的前提，再观察当社会、技术和人的定义改变后，会推导出怎样的世界。"那些只是建立在具体设定上的推演练习。"🌐 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
• 
  #707.掌控习惯的艺术：用微小行动建立习惯，并在不同人生阶段持续调整 05.09.2026 2t 2min

  📝 本期播客简介本期我们克隆了：The Knowledge Project Podcast · The Silent Cost of Bad Habits | James Clear原内容更新时间：2026-01-01在 The Knowledge Project Podcast 主持人 Shane Parrish 的访谈中，James Clear 从《掌控习惯》的核心方法出发，讨论习惯如何通过环境、身份认同与重复行动被建立起来。对话没有把改变归结为意志力，而是进一步追问：怎样设计环境，让正确的行为更显而易见、更有吸引力、更简单易行，也更令人愉悦。本期内容覆盖从“两分钟定律”、相变点和持续复利，到如何利用现有优势积累新的优势；也谈到 James 如何通过删除手机上的社交媒体和邮箱应用来保护注意力，如何用宽漏斗、严筛选的方式学习，以及怎样在机会变多、人生阶段变化时重新调整优先级。James 还分享了身份认同的双重作用：每个行动都在为“想成为的那种人”投票，但过度依附某个标签也可能限制成长。整场对话最终回到一个问题：成功不仅是得到某个结果，也包括能否掌控自己的日子，并把时间投入真正重要的事情。👤 本期嘉宾James Clear 是《掌控习惯》（Atomic Habits）的作者，长期围绕习惯、行为改变、学习与持续进步进行写作和研究。他曾连续多年每周发布文章，通过公开创作逐步积累读者，并将关于习惯的研究与大量可执行的方法整理成书。《掌控习惯》出版后，他继续围绕习惯养成、创作系统、注意力管理和人生阶段调整展开实践。他值得听的地方在于，James 不只讨论“应该做什么”，还会拆解行为背后的环境设计、身份认同、反馈机制和复利结构：先建立稳定的标准化行为，再谈优化；先找到有效的方法，再集中投入；在不确定性中行动，并根据反馈不断迭代。⏱️ 时间戳00:56 习惯塑造身份认同03:32 微小进步需要耐心12:03 用环境降低行动阻力16:55 在不确定中持续尝试29:03 声誉来自有用作品32:24 定位决定机会与回报43:17 阅读转化为创作素材1:04:58 习惯的四大定律1:25:23 从到场到长期坚持🌟 精彩内容💡 先标准化，再优化很多人一开始就追求最完善的计划、最长的训练时间或最优的执行方式，却忽略了真正困难的第一步是持续出现。两分钟定律的价值，不是让人永远停留在低强度，而是先把行为变成稳定的日常，随后才有机会放大和改进。"一个习惯必须先建立起来，然后才能谈改进。"💡 进步常常发生在相变点之前习惯的回报通常并不会即时显现，前期的努力可能像给冰块持续升温一样，看不到明显变化。但没有显著结果，不等于没有积累；很多人恰恰是在接近转折点时放弃了。"进步不明显，并不代表进步没有发生。"💡 每个行动都在塑造身份习惯不只是通往目标的工具，也是确认“我是什么样的人”的证据。一次锻炼、一次写作或一次按时到场，可能不会立刻改变结果，却会不断强化新的自我认知，让坚持从外部要求逐渐变成身份的一部分。"你的每一个行动，都像是在为你希望成为的那种人投上一票。"💡 环境设计比单纯依靠意志力更可靠James 认为，行为往往受到空间和情境的强烈影响。把想做的事摆在眼前、降低行动阻力，同时让不想做的事变得不显眼、需要更多步骤，往往比反复要求自己“更自律”更有效。"好习惯是阻力最小的那条路。"💡 持之以恒决定生活方式，高强度只负责制造故事一次马拉松、一周的密集训练或一次极限挑战很容易成为令人印象深刻的经历，但真正塑造生活的，是那些重复、稳定、并且愿意长期维持的行为。持续性不仅带来进展，也会拓宽一个人应对高压时刻的能力。"高强度能讲出好故事，但持之以恒才能带来进展。"💡 身份认同既能推动改变，也可能困住人把自己看成读书人、跑步者或创作者，能帮助我们维护相应的习惯；但如果把某个标签视为不可改变的自我，就可能拒绝新方法、限制选择。身份应该成为方向，而不应变成无法松动的牢笼。"身份认同既是改变的强大动力，也是能帮你建立习惯的力量，但它也可能成为下一轮改变的陷阱。"💡 学习要先扩大输入，再严格筛选James 分享了“漏斗要宽，滤网要严”的学习方式：先广泛收集书籍、评论、讨论和真实案例，再通过严格筛选提炼出少量真正有价值、能够转化为行动的内容。广泛探索与严谨取舍共同决定了最终输出的质量。"漏斗要宽，滤网要严。"💡 成功是掌控自己的日子在对成功的总结中，James 没有把重点放在财富、地位或某个单一结果上，而是强调对时间和生活安排的选择权。同时，能够为人类知识增添一点有价值的内容，也是外在层面的成功。"成功就是掌控自己的日子。"🌐 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
• 
  #706.匡灵秀：如何通过观察、模仿与反复打磨，写出有生命力的文字 05.09.2026 58min

  📝 本期播客简介本期我们克隆了：David Perell · Meet The Writer Who Sold Millions of Books Before 30 (R.F. Kuang Interview)原内容更新时间：2026-09-02在 David Perell 主持的《How I Write》节目中，作家匡灵秀谈到自己如何理解语言、写作与“像作家一样生活”。她分享了从情绪和身体反应出发描写人物的方法，也解释了为什么真正有感染力的文字，往往不是轻松流淌出来的，而是在反复观察、推敲和修改中逐渐形成的。本期对谈还深入讨论了写作者如何进入不同人物的视角，如何通过阅读和模仿建立新的叙述声音，以及辩论、第二语言经验和视觉艺术训练如何拓展她的文学想象。匡灵秀以正在创作的新小说为例，说明作家如何通过亲身体验陌生的艺术实践，理解自己原本无法直接拥有的感知方式。从原始史料、潜意识和白日梦，到 AI 与艺术创新的边界，匡灵秀始终强调写作中的两种力量：一方面要相信直觉和内在冲动，另一方面也要像工匠一样，对每一个词语、视角和结构选择保持清醒的判断。👤 本期嘉宾匡灵秀（R. F. Kuang）是作家、教师，也是《巴别塔》《黄面孔》等小说的作者。她已出版七本书，曾获得星云奖最佳长篇小说奖，并在剑桥大学、牛津大学和耶鲁大学求学深造。她的作品横跨历史小说、当代小说、奇幻与成长题材，能够在克制、诗意、极简、繁复、网络化等不同风格之间切换。除了写作，匡灵秀也长期从事教学，并曾在中学和大学阶段参与辩论、担任高中辩论教练。她将辩论训练中“必须同时理解正反两种立场”的经验带入文学创作，也把语言学习、视觉艺术和历史研究转化为观察人物与世界的方法。她值得聆听之处，不只在于作品履历，更在于她能够把许多通常难以解释的写作直觉，拆解成具体、可观察、可练习的创作选择。⏱️ 时间戳00:43 把情绪写进身体06:08 观察他人与真实世界13:59 艰难写作逼近真实30:54 AI与人类艺术的微光35:40 从零稿到成稿50:40 犯错、模仿与写作手艺🌟 精彩内容💡 情绪写作要从身体反应开始匡灵秀认为，情绪不是可以直接贴在人物身上的抽象标签。与其写“他很高兴”或“她很害怕”，不如追踪情绪如何具体地改变呼吸、心跳、肌肉和身体感受。身体层面的观察，还能让单一情绪显现出其中混杂的恐惧、焦虑、渴望或不安。"感受的全部，就是你的身体对某条信息作出的反应。"💡 好作品首先来自密切观察写作者需要不断观察自己和周围的人，而不是依赖空泛的理论或已有的心理概念。匡灵秀把观察视为写作的基础：注意情绪落在身体的哪个部位，注意别人如何行动、学习和理解世界，才能写出超越主观记忆的细节。"我觉得好作品里可能有 90% 都在于密切关注周围发生的一切，并把这些观察具体地写出来。"💡 写作困难，往往意味着你正在接近新的表达词句如果来得过于容易，可能只是重复了熟悉的说法和已有的观点。真正有冲击力的文字，常常需要作者坐下来反复寻找一种自己或别人尚未这样表达过的词语组合。困难不是创作失败，而可能是突破自动化表达的过程。"写作当下感觉有多好，和写出来的东西有多好之间没有任何关系。"💡 把角色推到舒适区之外，场景才会真正活起来匡灵秀谈到自己写作时反复卡住的原因：往往是不敢把情节推到情感上真正诚实、甚至令人不舒服的位置。她也把这个方法用于教学，要求学生继续追问“这里还有什么别的事情在发生”，直到人物和场景不再停留在安全、平淡的表层。"你其实必须把他们推到悬崖边上，这场戏才能活过来。"💡 叙述声音不是作者本人的性格，而是一种精心构造的透镜匡灵秀并不认为每本小说都应该使用作者最自然、最熟悉的语气。她会根据不同作品阅读不同传统的作家，并主动模仿他们的节奏、句式和叙述方式。对她来说，声音是读者进入故事的媒介，不必等同于作者本人的立场。"叙述者的声音始终是一个经过深思熟虑的构思，目的是用正确的方式把故事传递给读者。"💡 模仿不是抄袭，而是拆解他人的选择有意识地模仿喜欢的作家，可以让写作者看清一个成熟声音是如何由无数细小决定组成的：语气、视角、节奏、信息安排和情绪距离。模仿的目的不是永远套用别人的风格，而是暂时离开自己的默认声音，理解“为什么要这样写”。"当你在有意识地模仿另一位作者写作时，你是在深入钻研他们所做出的每一个微小抉择。"💡 写作既需要潜意识，也需要工匠式的判断匡灵秀依赖梦境、白日梦和长期输入，让场景在潜意识中发酵；但她也反对把写作完全交给灵感。一个真正成立的场景，还需要经过大量清醒、技术性的选择，去确认视角、结构、叙述距离和每个细节如何共同传达想要的效果。"我想我正在走向的，是一种高度自律的方式，去开采、塑造并交付你自己的梦境。"💡 写作是一门可以持续学习的手艺匡灵秀希望学生不再把好作品理解成无法解释的天赋或心流，而是学会拆解文本背后的成千上万个选择。读者一旦能够看见这些选择，写作就不再是模糊的“感觉很好”，而成为一种可以观察、分析、练习和持续改进的手艺。"写作是一门手艺活。你是一个工匠。你是在摆弄文字。"🌐 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