跨国串门儿计划

#800. 唐·瓦伦丁与红杉资本画像

Thu, 29 Oct 2026 09:34:16 GMT

📝 本期播客简介

本期我们克隆了：Michael Moritz《DTV》（为 Don Valentine 写的私人回忆录，红杉内部流传）

“生意上要紧的只有两件事：高毛利和现金流。”唐·瓦伦丁把这句话带进了红杉，也把它用在一笔笔投资和一家家被投公司上。

红杉前合伙人、前主席Michael Moritz以作者旁白讲述唐·瓦伦丁的一生，以及红杉早年的第一章：唐如何从仙童半导体学会经营科技公司，如何募集最初几只基金、挑选合伙人与创始人，又如何参与雅达利、苹果、LSI Logic和思科的成长。这也是一段关于投资纪律、团队协作，以及创始人如何把组织交给后来者的亲历回忆。

👤 本期嘉宾

Michael Moritz是红杉资本前合伙人、前主席，1986年加入红杉，亲历唐·瓦伦丁领导红杉的岁月。他为唐写下私人回忆录《DTV》，对红杉早年的投资、合伙人关系与公司文化有第一手观察；这一集由他本人讲述。

⏱️ 时间戳

唐的画像与面试

02:26 唐在六家风投机构中遇到唯一愿意录用他的人

05:05 散装茶、沉默和一句“So”：唐的面试开场

仙童：风险投资的商学院

09:35 不懂仙童，就不懂唐怎么看小公司和风投

14:06 仙童1961年销售额达到9100万美元

红杉基金与搭档

21:54 唐加入资本集团，负责风投项目

27:32 皮埃尔·拉蒙德加入红杉，成为唐的重要搭档

唐的用人与合伙文化

45:34 唐回答：风投成功需要什么？

56:19 红杉靠培养无名之辈和下一代兴盛

投资纪律与管理

1:06:24 唐执着于大市场、高毛利和自由现金流

1:09:35 “时间只投在”回报前景不需祈祷的地方

早期投资：从雅达利到LSI

1:17:52 唐说红杉靠投雅达利一举成名

1:27:52 凌力尔特税后利润率高达35%

思科：250万美元的重注

1:33:23 思科展现大比例持股与积极投后的效果

1:39:36 思科毛利率从55%升至65%

退场、传承与唐的晚年

1:47:51 唐退出红杉，没有宏大的接班计划

1:57:44 唐反问：凭什么投资会变容易？

🌟 精彩内容

💡 高毛利，是经营失误的缓冲垫

唐认为高毛利既能给管理失误留出空间，也能为经营良好的企业带来自由现金流和更高估值。

"高毛利能为管理失误提供大量缓冲"

💡 250万美元，换来思科三分之一

红杉投了250万美元，取得思科三分之一股份。皮埃尔·拉蒙德下场补强工程团队，特里·埃格迅速组建销售队伍；思科毛利率从55%升到65%。

"这笔投资我们至少要赚2500万美元，才对得起这份力气。"

💡 红杉没有把合伙人变成对手

唐认为薪酬差距会加剧紧张和嫉妒，因此确保自己、皮埃尔和戈登拿到同样回报。他想让合伙人把注意力放在外部竞争，而不是彼此争夺。

"敌人在城门外，不在城墙内。"

💡 “我不知道”反而是好答案

唐不要求候选人有标准的风投履历；他看重观察力、想象力和创造力，也反感对自己不懂的事装懂。

"说‘我不知道’没什么不对"

💡 Altos不到两年带来2010万美元

红杉1980年12月投给Altos 66.3万美元，到1982年底就已在其上市后分配2010万美元。唐时代的早期投资，持有和退出的节奏与今天大不相同。

"红杉1980年12月对Altos投资了66.3万美元，1982年底前就在其上市后分配了2010万美元。"

🌐 说明

本书中文版由 AI 翻译，用作者本人声音的克隆朗读，可能有个别地方听起来不自然。

此版本仅用于向版权方展示、申请授权，未经授权不公开发布。

#799.Acquired｜Costco：3800种商品，撑起2300亿美元营收

Thu, 29 Oct 2026 05:52:32 GMT

📝 本期播客简介

本期我们克隆了：Acquired · Costco

原内容更新时间：Fri, 01 May 2026

Costco 的营收每年增长约 10%，连续 30 多年；它给员工更高的工资，却把商品加价上限压在 14%。这套看似不合常理的经营方式，为什么反而让它越来越强？

Acquired 主持人 Ben Gilbert 和 David Rosenthal 从 Costco 的前身 FedMart、Price Club 讲起，拆解会员费、少 SKU、供应商关系、员工待遇和低利润率如何相互配合。他们还带来一组组令人咋舌的数字：Costco 每平方英尺营收约为沃尔玛的 3 倍，全球有 1.24 亿会员；而它的商业模式，甚至让供应商在标准账期内替库存提供资金。

👤 本期嘉宾

Ben Gilbert 和 David Rosenthal 是 Acquired 的主持人。Acquired 讲述科技公司及其背后的故事和经营之道；两人从 Costco 的历史、经营细节和财务数据出发，梳理这家公司如何建立会员制仓储零售模式，以及它的每个选择如何彼此支撑。

⏱️ 时间戳

Sol Price的零售根脉

06:56 Sol Price的移民家庭与成长经历

FedMart开创折扣零售

21:49 会员俱乐部如何绕过零售最低售价规定

Price Club从仓库起步

42:23 3000种商品，对手约有5万个SKU

Costco与Price Club重聚

59:18 Jim Sinegal带着Price Club模式创办Costco

会员制与极致性价比

1:08:22 Costco顾客家庭收入约12.5万美元

少选择带来高效率

1:26:14 采购团队替会员挑出每类最好的商品

规模、文化与经营优势

增长空间与电商布局

2:23:09 中国首店两年内会员增至40万

Costco趣闻与节目推荐

2:29:08 一枚10克拉钻戒也能终身退货

🌟 精彩内容

💡 少赚一点，反而更难被追上

Costco 把规模带来的采购优势大部分让给顾客，而不是趁机提高利润率。低价吸引更多会员，规模又让它更容易拿到好价格，竞争对手很难追上这套循环。

"他们把规模经济带来的好处分享给顾客，我不知道有谁能追上他们，跨过他们由此建立的护城河。"

💡 高工资，换来更低的员工流失

Costco 的计时员工，入职第一年后流失率只有 7%，零售业通常是 20%。员工更稳定，培训和招聘成本更低，商品损耗也只有销售额的 0.15%。

"现在 Costco 的员工过了第一年，流失率只有 7%。"

💡 3800种商品，周转比拼命选品更快

沃尔玛有约 10万到15万个 SKU，Costco 只有约 3800 种。选择少，让每种商品卖得更快；Costco 的库存一年周转 12.4 次，沃尔玛约 8 次。

"SKU 数量少，直接让库存能够快速周转。"

💡 最低价格，配上最富裕的顾客

Costco 的典型顾客家庭年收入约 12.5 万美元，高于美国收入中位数约 70%；沃尔玛顾客的收入中位数约为 8 万美元。会员费和大包装购物，筛选出有能力提前付费、储存商品的顾客。

"他们的价格最低，但在所有大型零售商里，他们的顾客最有钱。"

💡 中国首店两年，会员数达到美国成熟店近六倍

美国一家成熟 Costco 门店平均有 6.8 万名会员；中国第一家门店 2019 年开业，两年内会员数就增至 40 万。主持人认为，中国市场仍有很大增长空间。

"美国门店平均有 6.8 万名会员。中国的第一家店在 2019 年开业，2 年内会员数就猛增到了 40 万。"

🌐 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

#798.Anthropic工程与产品负责人：如何打造Opus5.5

Thu, 29 Oct 2026 03:33:31 GMT

📝 本期播客简介

本期我们克隆了：Latent Space · How Anthropic ships the #1 LLM in the World — with Katelyn Lesse and Angela Jiang

原内容更新时间：2026-10-27

Agent的沙箱停了，整个Agent却还能继续工作——Anthropic把“脑”和“手”拆开，连凭证也不让Agent直接碰到。这套设计既关乎可靠性，也把安全做进了架构。

Anthropic工程负责人Katelyn Lesse与产品负责人Angela Jiang，和主持人聊模型能力如何变成开发者能用的产品：他们用Claude协助把Messages API从Python重写为Rust，节省了40%到50%的CPU；也谈模型蒸馏防护、Agent评估、多Agent策略，以及如何在团队里使用AI又不把质量责任交出去。

👤 本期嘉宾

Katelyn Lesse是Anthropic工程负责人，负责平台、API及产品基础设施相关工作；她谈到团队如何扩展Messages API、用Rust重写系统，以及如何在模型发布中落实安全与可靠性。Angela Jiang是Anthropic产品负责人，曾与Katelyn在Stripe共事；她谈到模型发布、产品权衡、Agent平台与开发者体验。

⏱️ 时间戳

Anthropic效率跃升

01:21 人均收入一年从140万美元升至660万美元

Opus 5.5与蒸馏防护

07:53 API调整兼顾蒸馏防护与开发者体验

安全发布与访问授权

19:40 授权机制贯穿模型访问与验证项目

模型反馈与个性化

32:21 “懒惰”和主动行动之间很难两全

Managed Agents与评估

43:49 用一个托管Agent检查另一个并写入记忆

Rust重写与沙箱安全

55:35 Rust重写后节省40%到50%的CPU

安全路由与新型任务

1:06:49 安全要同时看架构、在线与离线防护

AI产出与质量责任

1:16:40 用Claude生成，也得自己确认质量过关

DevRel与多agent实践

1:39:16 主Agent拆分任务，子Agent异步并行

🌟 精彩内容

💡 Agent离开沙箱，工作还在继续

Managed Agents把持续运行的harness放在独立服务器上，沙箱只负责执行；沙箱停了，Agent状态仍保存在别处。凭证也单独存放，由代理在请求发出时注入，Agent始终看不到凭证。

"agent 永远不会和凭证待在同一个地方。"

💡 Claude帮忙写代码，人仍负责设计

Anthropic团队没有Rust开发者，仍用Claude协助把整个Messages API从Python重写成Rust。人负责设计分布式系统、计划迁移并验证结果；他们用镜像流量对比新旧系统的输出。

"我们节省了，40% 到 50% 的 CPU，非常惊人。"

💡 模型发布，安全工作越来越多

每次发布模型，都要考虑蒸馏、在线防护、离线防护和访问政策。安全不只是模型本身的事，授权机制还要保证特定模型或项目的权限能可靠贯穿整个系统。

"我们团队现在投入的精力，较少是去做个好玩的功能来逐步优化 agent 之类的，更多是考虑怎么把安全融入所有这些东西。"

💡 个性化评估，至今很难

有人希望Claude主动把任务做完，有人只是在计划，却不想模型立刻写代码；同一模型的默认行为很难满足彼此冲突的偏好。Angela直言，他们还没有把个性化这件事做好。

"我们做得不算好。真的，这很难。"

💡 AI生成的东西，质量责任还在人

团队可以用Claude写代码、文档，但作者必须读过并确认质量；质量不合格的内容应该退回。代码实现可以交给Claude，系统设计与验证仍由人把关。

"你作为人，仍然要对质量负责。"

💡 多Agent关键是共享状态、并行不阻塞

Angela建议让主Agent拆分任务，交给异步运行的子Agent；任务适合并行、各Agent共享统一上下文时，更容易发挥多Agent的价值。

"你只需要确保 Claude 能并行处理。"

🌐 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

#797.Huberman x 英国超耐力运动员：你得有很多种理由，才能一直游下去

Tue, 27 Oct 2026 23:00:00 GMT

🎙️

📝 本期播客简介

本期我们克隆了：Huberman Lab · Unlocking Persistent Motivation & Extreme Resilience | Ross Edgley

原内容更新时间：Mon, 26 Oct 2026

动力不是一根弦，拉紧了就能一直撑下去。Ross Edgley说，继续下去的理由得比停下来的理由更有分量，而今天管用的，明天可能就不管用。

这位英国超耐力运动员曾绕大不列颠岛游了将近 2000 英里，也连续游过 317 英里的育空河。他和斯坦福大学教授 Andrew Huberman从这些极限经历出发，拆解动力的不同来源：承诺、自尊、愤怒、爱、羞耻和感恩；也谈到缺觉和疼痛如何影响判断、团队何时该拦住一个不肯停下的人，以及怎样在专注痛苦和转移注意力之间切换。

👤 本期嘉宾

Ross Edgley 是英国超耐力运动员和作家，完成过绕大不列颠岛游泳、连续游过育空河 317 英里等极限挑战。他长期亲身面对寒冷、缺觉、疼痛和疲劳，也持续研究这些经历背后的心理机制；本集将他的经验与动力、压力适应和大脑回路的科学研究放在一起讨论。

⏱️ 时间戳

从背包石头到海洋保护

04:43 小时候背包装石头，只为给徒步加难度

前中扣带皮层与动力辐条

14:50 动力不是一架跷跷板，而像车轮上的辐条

冰岛百英里与团队协作

19:30 还剩 100 英里，他只想赶回去迎接孩子出生

羞耻、质疑与亲人牵引

52:47 他读完质疑评论，后来回看时觉得特别爽

愤怒、仪式与人类本能

1:12:30 有人最爱刺激的脑区，带来挫败感和愤怒

赌注、睡眠与忍受痛苦

1:21:07 赌注从 10 万升到 200 万，注意力反而可能过载

训练身体，也训练注意力

1:41:36 力量训练练的不只肌肉，还有结缔组织和肌腱

咖啡因、补剂与力量储备

1:56:23 400 毫克咖啡因，让难熬的游程突然好受些

家庭选择与西西弗斯之石

2:25:04 想象西西弗斯是笑着的，抗争本身就有意义

🌟 精彩内容

💡 动力不是一根弦

Ross把动力想成车轮上的辐条：承诺、自尊、愤怒、爱、感恩，都可能支撑一个人继续前进。某一种理由失效时，就换一种；继续下去的理由，得比停下来的理由更有分量。

"继续下去的理由，得比停下来的理由更有分量。"

💡 最后 100 英里，他想赶回去见儿子

冰岛环岛游快结束时，Ross还剩 100 英里，女友的预产期只剩一周，风暴、火山气体和冰川落冰又让团队无法靠岸。他说，那一段拼命游完，靠的就是害怕错过儿子的出生。

"在冰岛，我拼了命游完最后 100 英里，完全就是靠这个撑着。"

💡 他最需要的不是鼓励，而是有人拦住他

在高温下连续游了 37 个小时，Ross已经接近横纹肌溶解的风险，却仍然不肯停。他把决定权交给团队：如果他们判断必须把他拉出水面，他会听。

"我知道自己会一直游到把自己送进医院，这可不是好事。"

💡 凌晨的念头，未必可信

冰岛夏天几乎 24 小时天亮，Ross还得跟着潮汐在凌晨下水。睡不好时，他清楚自己的情绪和动力会变差；Andrew则说，负面感受容易让人误以为会永远持续。

"凌晨 2 点到 5 点，我脑子跟我说什么，我都不信。"

💡 力量训练，是为了让身体不先散架

Ross说，长距离游泳真正限制他的，不一定是摄氧量或技术，而可能是某条韧带或肌腱撑不住。他做力量训练，是为了让身体底盘承受得住超长时间的游泳。

"我游泳时，限制我的不是乳酸阈值、摄氧量或者技术，而是某条韧带、某根肌腱之类的撑不住了。"

💡 西西弗斯的巨石，也可以笑着推

Ross借西西弗斯的故事解释自己为什么一次次游下去：挑战也许荒诞、没有结果，但光是抗争本身，就能充实内心。

"但光是这份抗争，就足以充实一个人的内心。"

🌐 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

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

#796.Lex 对话数学家｜AI能组合已知方法，却还没提出新数学问题

Tue, 27 Oct 2026 07:02:10 GMT

📝 本期播客简介

本期我们克隆了：Lex Fridman · AI Crisis in Math: Navier-Stokes, Riemann Hypothesis & Complexity Theory | Lex Fridman Podcast #503

原内容更新时间：2026-10-26

AI能在几天里拿出数学家原以为还要等数年的成果；费马大定理的形式化证明，竟然写成了1300万行代码。数学家们惊叹之余，也开始追问：如果定理能由机器证明，数学还剩下什么？

Lex Fridman与来自麻省理工学院、华盛顿大学和罗格斯大学的三位数学家，谈AI在黎曼假设、纳维-斯托克斯方程、唯一博弈猜想等难题上的进展，也谈这些成果如何改变数学研究。讨论从AI能否创造新数学，延伸到证明如何验证、数学家如何工作，以及学生怎样在不确定的时代学习和选择方向。

👤 本期嘉宾

Alex Kontorovich是罗格斯大学数学家、数论专家，研究黎曼假设，也参与Lean与机器验证证明相关工作；Ankur Moitra是麻省理工学院数学家、理论计算机科学家，研究复杂性理论、唯一博弈猜想与AI学习背后的数学；Steven Brunton是华盛顿大学数学家、流体力学专家，研究纳维-斯托克斯方程、湍流与机器学习在流体力学中的应用。他们分别从数论、理论计算机科学和流体力学出发，讨论AI数学成果的意义与边界。

⏱️ 时间戳

数学的危机时刻

02:17 数学知识的黄金时代，也带着学生培养和研究方向的焦虑

AI会终结数学吗

11:26 Alex提出“全解决公理”：AI能做任何人机合作能做的数学

AI能创造新数学吗

33:57 准黎曼假设的证明组合了许多已知方法，是否算新思路？

黎曼假设

1:19:55 AI证明了实部在8分之7和1之间没有零点

纳维-斯托克斯方程

1:37:59 AI构造出有限时间爆破的特殊涡旋

自然如何计算

1:51:04 果蝇靠翅膀神经元快速应对阵风

唯一博弈与复杂性

1:59:27 OpenAI公布唯一博弈猜想成立的证明

数学家如何思考

2:08:36 一项研究想了10年，最后由5位作者共同完成

数学是发明还是发现

2:19:22 问题由人提出，答案却由上帝决定

AI能解P与NP吗

2:25:19 连可满足性问题的超线性下界都还不知道

大模型为何有效

2:40:35 用随机数微调，模型竟学会了“喜欢猫头鹰”

AI尚不能解决的问题

2:49:41 容易解的问题，可能各自容易得完全不同

格里戈里·佩雷尔曼

2:50:47 “只要证明是对的，我需要的认可就全有了”

给年轻人的建议

3:00:25 一类学生用AI检查理解，另一类只让AI代写答案

🌟 精彩内容

💡 1300万行代码，证明费马大定理

Anthropic团队用Lean从公理出发，写出没有待证明占位符的形式化证明。Alex此前估计这项工作还要多年，结果报告后两天，证明就出现了。

"我所有的经验都告诉我，它们能做到的，大概就是 X 这个水平，到不了 10 倍，可这次是 100 万倍。"

💡 数学不只是定理的数量

一行行形式化代码能核查证明是否成立，却未必能讲清楚证明背后的故事。数学家珍视的，还有与问题较量时形成的观念、抽象和理解。

"我们想要故事，想要理解。"

💡 数学家未必会被“证明定理”取代

Alex用门童作比：如果只把工作归结为最显眼的任务，就会漏掉那些难以量化的价值。数学家不只是证明定理，也会建立理论、换角度看问题、发现概念之间的联系。

"数学家就是深入思考的人。"

💡 纳维-斯托克斯：百万美元问题背后，还有万亿美元工程难题

AI证明了一个特殊外力下的有限时间爆破解，但这并未让日常流体工程更容易。设计机翼、人工心脏和涡轮机，仍要靠高成本模拟与实验。

"我们解决了那个价值 100 万美元的数学问题。可还有一个价值 1 万亿美元的工程问题。"

💡 好奇心比短期履历更重要

Ankur建议学生别只追着短期成果跑：如果一个问题只是因为下一代模型可能会解决才让人着急，也许就该去度假，想想什么值得自己长期投入。

"如果你做一个问题做得很着急，是因为觉得下一代模型肯定能解决，那也许干脆去度假好了，别解这个问题了。"

🌐 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

#795. 2045 年的计算机芯片会是什么样子？

Tue, 27 Oct 2026 04:46:13 GMT

📝 本期播客简介

本期我们克隆了：Dwarkesh Patel · What will computer chips look like in 2045?

原内容更新时间：2026-10-22

AI 算力过去十年每年增长 3 倍，可英特尔首席技术官 Pushkar Ranade 说，靠全球现有的芯片制造设备，先进晶圆产量大约只能提高 2 倍。需求跑得比产能快，问题不只在光刻机：供应链、厂房、良率和晶圆厂高昂的固定成本，处处都在卡住扩产。

Dwarkesh Patel 花了两天参观英特尔晶圆厂，与负责工艺开发、先进封装和公司技术战略的管理者深入交流。从英特尔 10 纳米工艺延期学到的教训，到全环绕栅极、背面供电、CFET、混合键合，再到 Terafab 和重新思考晶圆厂的建造方式，这一集带你看懂先进芯片如何从实验室走向量产，以及 AI 热潮下芯片供应的真实瓶颈。

👤 本期嘉宾

Pushkar Ranade 是英特尔首席技术官，负责从公司技术战略角度思考先进制造与产业扩产；他在这一集中谈到芯片供应链、晶圆厂规模效应、英特尔追赶台积电的路径，以及与马斯克 Terafab 项目的合作。节目还采访了 Chris Auth、Kevin Fischer、Jack Kavalieros 和 Tyler Osborn，分别从工艺开发、良率改善、研发技术与先进封装角度，讲述芯片制造的具体挑战。

⏱️ 时间戳

工艺爬坡与10纳米教训

01:31 14A 已经开发三年多，正在敲定工艺与设备

04:10 10 纳米目标过于激进，创新太多拖慢进度

晶体管与光刻演进

08:03 晶体管越小，关着时也可能漏电

13:52 今天工艺使用的材料约是 90 年代的十倍

新技术的研发与取舍

25:48 数据不可能齐全，等齐了往往就太晚

28:14 hot box 1 像高速公路上的专用快车道

封装、产能与竞争

43:14 晶圆对晶圆键合，良品可能被坏片拖累

49:08 全球现有设备最多支持先进晶圆产量翻倍

Terafab与晶圆厂新思路

59:48 晶圆厂成本约每四到五年翻一倍

1:01:54 真正需要的是今天这样精密的洁净室吗？

🌟 精彩内容

💡 AI 算力跑得比芯片产能快

过去十年，AI 算力每年增长 3 倍；但按全球现有设备估算，先进晶圆产量最多只能提高约 2 倍。想继续扩产，必须连设备供应商及其上游供应商一起扩产。

"10 倍做不到，但 2 倍左右，应该可以。"

💡 晶圆厂八成成本是固定的

建好晶圆厂后，约 80% 的成本不会随产量变化。产能利用率提高一点，或把芯片良率从 60% 提高到 65% 或 70%，新增产出带来的收益都可能远超线性增长。

"一座晶圆厂建起来以后，成本里大概 80% 都是固定的。"

💡 设备今天下单，可能要等到 2028 年

先进设备的供给并非花钱就能立刻增加。设备交货周期可能长达 18 个月；拿到设备后还要建厂，新的晶圆产能很可能要到这个十年末才出现。

"假设要等 18 个月才能拿到设备，那基本上就已经到 2028 年了。"

💡 芯片制造太怕冒险，成本却已高到该重想

一台高数值孔径 EUV 光刻机加配套设备约需 4 亿美元，工厂成本还在快速上升。投入几百亿美元的行业不愿冒险，但沿用几十年的做法，也未必仍是最好的做法。

"有时候，从零开始，把一切重新想一遍，是件好事。"

💡 马斯克建厂，不只是为了多买设备

Terafab 想解决的是芯片、算力和内存需求暴涨带来的供应压力。晶圆厂还需要大量电、水、耗材和洁净室空间；与英特尔合作，能帮助更快建厂并投入运营。

"我们觉得可以一起合作，帮他更快地把晶圆厂建起来、运转起来。"

🌐 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

#794. Rob Snyder：别说服客户，去找已经在尝试改变的人

Mon, 26 Oct 2026 19:39:46 GMT

📝 本期播客简介

本期我们克隆了：Lenny's Podcast: Product | Career | Growth · An 86-minute guide to finding PMF | Rob Snyder (Author, The Power of Pull)

原内容更新时间：Sun, 25 Oct 2026

客户夸你的产品“特别有意思”，却不买，问题可能不是你还没说服他们，而是他们根本没有那股“现在就要”的需求拉力。Rob Snyder 曾花两年推销一个市场不想要的产品，后来换了方向，才摸清客户为什么会主动掏钱。

Rob Snyder 是《The Power of Pull》的作者，也为 50 多家初创公司提供过从 0 做到 100 万美元 ARR 的建议。这一集，他拆解 PULL 框架：怎么找到一个人现在非做不可、又被现有方案卡住的事；怎么亲自验证点子、约到销售通话、判断客户是否真想买；以及如何把成交后的交付和留存做成一套可重复的客户案例工厂。

👤 本期嘉宾

Rob Snyder，《The Power of Pull》作者、The Physics of Startups 邮件通讯作者。他曾亲自经历创业产品不被市场接受，之后持续帮助初创公司从 0 到 1，并为 50 多家初创公司提供从 0 做到 100 万美元 ARR 的建议；本集讨论的 PULL 框架，也来自他在早期创业和销售实践中的经验。

⏱️ 时间戳

从创业挫折到PULL

02:34 被市场狠狠教训后，迷上从 0 到 1

05:17 推了两年，换方向后业务才起来

PULL四项与需求拉力

06:33 PULL 的 P：客户待办清单上的项目

09:14 理财顾问怕做记录，不做可能坐牢

亲身寻找并验证点子

18:58 跟着潜在客户干几天，找到真正卡点

27:01 客户反应不冷不热？问他现在愿花钱做什么

约谈与挖掘需求

32:29 陌生外联别硬推，用有意思的消息约人

40:49 打 5 次电话还没学到东西，就回头复盘

成交、交付与留存

50:56 用客户价值和替代方案推定价范围

1:01:49 别把产品丢给客户：留存得从交付开始

客户案例工厂与后续

1:07:12 创业不是做 100 个案例，而是重复一个

1:12:40 成功点子来自销售通话，白板点子一个没成

🌟 精彩内容

💡 客户的需求，不是靠你说服出来的

Rob 创业时寻找火烧眉毛的痛点、做差异化产品，还找了每天使用产品的合作客户，结果整整两年卖不动。换了方向后他才发现，需求拉力早已存在于客户的待办清单里，不需要创业者把它“创造”出来。

"我只要出去找到就行了。"

💡 点子不是坐在白板前想出来的

Rob 分享一位创业者的经历：他跟着不同的小企业从业者观察、干活，最后在独立执业的物理治疗师身边发现了需求。他接着把假设拿给 5 位物理治疗师验证；Rob 估计，他接触过的公司里，10% 的点子来自已有经历，90% 来自走出去亲身实践。

"真正最有可能奏效的，还是亲自动手，从现实中学，而不是从理论中学。"

💡 “听起来不错”不等于真想买

Rob 建议，销售沟通先挖需求，再谈产品。客户如果真的被现有方案卡住，会追问怎么开始、怎么接入；如果只说“很有意思”“我们考虑考虑”，就别把礼貌当成购买意愿。

"如果你有需求拉力，你会直接把东西从我手里抢走。"

💡 先做 5 次通话，再判断方向

Rob 不主张先埋头把产品做出来，也不建议找一群不付钱的共同打磨产品客户。他的做法是先提出需求拉力假设，约客户通话验证；如果 5 次通话都没兴趣、也没学到东西，就回头检查假设，而不是继续硬推。

"我们做销售是为了学习，不是为了硬推什么东西。"

💡 留存的关键，是找到客户离不开你的那一刻

Rob 曾把软件丢给客户就指望他们自己用，后来才意识到留存不能等产品上线后再管。他建议亲自交付、追问客户是否还会停用，并设计上手流程，让客户走到“离不开”的时刻。

"后来我吃了苦头才明白，留存真的特别重要，而这一点并不是一眼就能看出来的。"

💡 创业公司不是造软件，是重复客户案例

Rob 把创业公司的工作比作打造一座“客户案例工厂”：找到一个客户买前卡在哪、买后如何解决问题，再重复这个案例。他建议用瓶颈来决定眼下的重点，先解决销售线索不足，再处理成交率等下一项限制。

"我们这儿不生产软件，我们生产案例。"

🌐 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

#793. npm创始人Laurie Voss：如何判断你的 AI 智能体是否足够优秀

Mon, 26 Oct 2026 04:19:07 GMT

📝 本期播客简介

本期我们克隆了：AI Engineer · How to Know If Your AI Agent Is Any Good: Evals With Phoenix & Claude — Laurie Voss, Arize AI

原内容更新时间：2026-10-17

一份特斯拉报告把分析师建议的比例加出了 116%，还信心满满地写进结论。怎样才能不靠“看着不错”就把 AI Agent 上线？Laurie Voss 用一个金融分析 Agent 示范：追踪它每一步做了什么，再用代码评估、大模型裁判和人工检查找出问题。

这一集从错误分析一路讲到自定义评估、验证裁判、对照实验和 CI。改了 Prompt，结果可操作性评估从 16 份里 5 份通过，升到 48 份全部通过；但忠实度仍然很差。换成 Haiku 5.5 后，忠实度提高了 3 倍多，成本却变成 4 倍，而且模型几乎每次都建议持有。分数变好，真的代表 Agent 变可靠吗？

👤 本期嘉宾

Laurie Voss 是 Arize AI 的开发者关系负责人，也是 npm 联合创始人。他早年从事 JavaScript，如今主要研究 AI 应用如何可靠运行。本集他用 Claude Agent SDK 和 Phoenix 搭建金融分析 Agent，并以开发者关系负责人的实践经验，演示如何追踪 Agent、设计评估，并把检查接入 CI。

⏱️ 时间戳

准备环境与评估缘起

02:00 从“看着不错”上线，到改 Prompt 后担心回归

02:38 这套流程要把评估接进 npm test 和 CI

追踪与评估的基本思路

03:42 Trace 是日志，eval 是对运行记录做测试

05:53 新模型几周就来一次，没评估就难判断能否升级

Agent错误与追踪实践

09:20 Agent 最棘手的错误之一：错得很自信

20:25 一次运行要上网搜索、推理，再生成报告

从追踪中发现问题

28:33 写评估之前，先从头读十几条追踪记录

33:03 特斯拉报告里的分析师建议比例加起来是 116%

代码评估与内置裁判

38:21 股票代码对不对，几毫秒就能用代码查

选择并编写有效评估

45:52 16 份报告全被正确性裁判判错，问题出在它无法核实最新数据

52:58 选对评估，比调好评估更重要

验证裁判并用实验改进

1:04:25 裁判也是分类器，得拿人工判断来核对

1:20:47 可操作性评估从 5/16 提升到 48/48，忠实度却没跟上

模型升级与CI落地

1:23:03 Haiku 5.5 忠实度提高 3 倍多，花费却是 4 倍

1:25:11 把股票代码和可操作性检查放进 npm test

🌟 精彩内容

💡 116% 的分析师建议，Agent 也能写得理直气壮

特斯拉报告把两次网页搜索中、并非来自同一数据集的比例拼在一起，算出分析师建议比例合计 116%。问题不是搜索结果有误，而是 Agent 没有正确推理；不看追踪记录，很难知道错在哪一步。

"有 116% 的分析师持某些观点。"

💡 改好一项，不代表整体可靠

改进 Prompt 后，可操作性评估从 16 份里 5 份通过，升到 48 份全部通过；但忠实度只从 16 份里 2 份通过变成 48 份里 3 份通过。要求 Agent 给出明确建议，修好了一个问题，却没解决它编造数据的问题。

"只改了 prompt 里的 1 行，就解决了我们衡量的那个问题，但没解决 agent 瞎编的问题。"

💡 新模型更稳定，也可能只是更保守

Haiku 5.5 的忠实度是 Haiku 4.5 的 3 倍多，但成本变成 4 倍。它几乎每次都建议持有：建议一致了，却未必更有用。

"做到这一点的办法就是每次都选同一个答案。"

💡 全部评估都塞进一个裁判，反而难定位问题

一个“上帝评估器”同时检查准确性、语气、完整性、格式和规则，失败时却说不清是哪一项出了问题。Laurie 建议按维度拆开评估，再区分哪些是发布底线、哪些只是改进目标。

"你要测试多少个维度，就拆成多少个评估器。"

💡 评估标准要能被人核对

大模型裁判不是天然可信：Laurie 用人工标注的黄金数据集和裁判对照，还发现自己有时没按亲手写下的标准判断。评估结果要能解释哪里错了，修改也要用相同数据和指标做实验验证。

"你要的是一个比另一个人来当裁判表现更好的模型。"

🌐 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

#792.SpaceXAI工程师：Agent Harness 已死？

Sun, 25 Oct 2026 15:51:49 GMT

📝 本期播客简介

本期我们克隆了：AI Engineer · Is the Agent Harness Dead? — Jediah Katz, SpaceXAI

原内容更新时间：2026-10-19

模型越来越会写代码，agent harness 是不是就没用了？Jediah Katz 的回答是：那些用来补模型编程短板的功能，确实可能被模型学会；但 harness 还要负责把 agent 带进模型尚未掌握的新任务。

这位曾是 Cursor 任职时间最长的 agent-harness 工程师、现加入 SpaceX 的开发者，解释了 harness 如何借助数据飞轮变得“过时”，又如何让 Grokbot 处理邮件、预订行程等知识工作。他还谈到云端运行、信任与安全、效率，以及他的预测：6 个月内，90%的 agent 工作会在笔记本电脑以外运行。

👤 本期嘉宾

Jediah Katz，曾在 Cursor 长期从事 agent harness 工程，后来随 Cursor 被收购加入 SpaceX。他参与构建 Grokbot 等 agent 产品，对编程 agent 的运行方式、harness 的设计以及模型能力变化带来的工程挑战有一线经验。

⏱️ 时间戳

Harness从巅峰到质疑

00:54 2023年最火的职位头衔是prompt工程师

02:38 Cursor用GrindSwarm从零做出浏览器

05:45 数据飞轮如何让harness变得过时

Harness开拓新任务

07:07 Grokbot是一位能自主工作的同事

08:06 编程里删掉的防护，在Grokbot里又加回来

10:39 报bug后，云端agent自动修复并监控上线

Harness仍不可或缺

11:46 agent任务从几分钟延长到几天

12:54 eval分数相近，任务成本却有显著差别

16:37 他预测90%的agent工作会离开笔记本电脑

🌟 精彩内容

💡 模型学会了harness教过的本领

以前要靠 harness 教模型摸清代码库、持续工作、运行测试；现在模型自己会了。更难的任务带来更多编程数据，模型学会后，harness 就能删掉旧功能。

"这些本领，模型现在自己就会了。"

💡 新任务一来，旧防护又回来了

Cursor 因模型进步删掉 prompt 和防护措施；但 Grokbot 要处理邮件、沟通和记住用户工作方式，又得把许多防护加回来。

"但有意思的是，在 Grokbot 里，我们发现自己反而把很多这些东西又加了回来，加入新的 prompt，新的防护措施。"

💡 agent同事不能只靠一台笔记本

agent 的工作已从几分钟延长到几小时、几天，甚至更久；笔记本可能休眠，要让它真正自主工作，就得在云端运行。

"agent 必须在云端运行，你才能真正有一个能自主工作的同事。"

💡 分数差不多，成本和速度仍能拉开

研究发现，不同 harness 的编程评测分数没有显著差异，但每个任务的成本差别明显。优化缓存、token 使用效率和模型搭配后，Grokbot 成本下降、速度加快，质量没有受影响。

"你越多地用 agent 来工作，拥有最高效的 harness 对你就越有价值。"

💡 agent工作将离开笔记本电脑

Jediah Katz 预测，6个月内，90%的 agent 工作会在笔记本电脑以外运行；他认为，真正自主的 agent 必须朝这个方向发展。

"6 个月内，90%的 agent 工作都会在笔记本电脑以外的地方运行。"

🌐 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

#791.Google前CEO：模型开发要6个月，发布后不到5个月就过时

Sun, 25 Oct 2026 14:35:25 GMT

📝 本期播客简介

本期我们克隆了：Norges Bank Investment Management · Eric Schmidt: Are We Ready for Superintelligence? | Podcast | In Good Company

原内容更新时间：2026-10-21

“下一轮会把人逼疯的，因为到时候就按天算了。”AI 模型的竞争已经快到按月计时，而 Eric Schmidt 认为，这一波是迄今为止最大的技术浪潮。

主持人 Nicolai Tangen 与 Eric Schmidt 从超级智能和智能体谈起，讲到 AI 如何压缩企业决策、改变就业，以及中美模型竞争和欧洲创新困局。Schmidt 也谈了他最担心的失控风险、AI 对民主的威胁，以及为什么创始人在公司转型时拥有职业经理人难以取代的影响力。

👤 本期嘉宾

Eric Schmidt 曾于 2001 至 2011 年担任 Google 首席执行官，之后成为 AI 领域的重要声音，并为政府提供建议、撰写相关书籍。他在科技行业工作数十年，亲历多轮平台变革，也参与制定美国 AI 战略；本集围绕 AI 竞速、企业转型与超级智能风险的判断，来自他长期的科技管理经验。

⏱️ 时间戳

AI浪潮与竞速

01:50 AI浪潮来自技术发现与大规模算力

02:28 这一波是迄今为止最大的一波

03:24 Anthropic营收增长超过Google当年的纪录两倍

Agent重塑企业与欧洲

10:20 Agent从请求出发，推理、执行再给总结

12:01 AI会推动组织扁平化，企业更快也更累

16:36 欧洲的AI战略：创新还没开始，监管先来了

AI风险与全球竞争

18:52 AI可能带来巨大好处，也可能赌出坏结果

19:33 一群机器人程序自作主张攻击网站

21:52 中国模型看起来落后约6个月，产品却免费

领导力、就业与个人选择

27:35 创始人拥有职业CEO没有的公司影响力

31:02 Schmidt每周工作63小时，会议每天开12小时

31:36 他估计万人员工的公司约有2000人不再需要

🌟 精彩内容

💡 AI模型的生意，时间短得惊人

开发一个模型大概要6个月，实际测试约2个月；发布不到5个月，下一代就可能让它过时。Schmidt说，竞争节奏按月计算，下一轮也许会快到按天计算。

"这个节奏是按月算的，不是按年算的。"

💡 AI不只是答问题，还能把公司推着走

他举例，一位高管用 AI 版的自己追踪员工项目进度；员工遇到麻烦，AI 立刻给出下一步。这类助手能增强决策、加快工作，也让他担心工作强度会随之上升。

"这听起来挺压榨人的。我也有点担心，但事实是，这位首席执行官正在用这些方法，增强自己的决策能力，加快做事的速度。"

💡 中国模型落后半年，也可能赢用户

Schmidt认为中国模型看起来落后美国约6个月，但中国采用免费产品策略。若以用户数量衡量，许多买不起欧美高价模型的国家会选择免费的中国模型。

"所以，如果按用户来衡量输赢，全世界绝大多数人都会用免费的中国模型，而不是更贵的西方模型。"

💡 AI可能让万人员工的公司少掉约两千人

他认为，会议与协调消耗了大公司大量效率。AI平台可以承担部分协调工作；公司会更需要发明者、销售人员和能与监管机构沟通的人，而不再需要那么多负责衔接的人。

"我猜里面有 2000 人左右是你不需要的，你最好想个办法，合法又人性化地帮他们转岗、安排他们退休，或者做其他安置。"

💡 AI能让假消息冒充朋友

他讲到一位朋友相信数据中心正在害死牛，但查不到警方或兽医报告。Schmidt担心，AI与社交媒体算法会放大耸人听闻的假消息，让人误以为网上的“朋友”都是真人。

"社交媒体和 AI 一起不断循环运作，把最耸人听闻的东西推给大家。那真相还有什么立足之地？"

🌐 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

#790.Hey Clicky 创始人：别等盛大发布，每天把产品演示发出去

Sun, 25 Oct 2026 14:28:15 GMT

📝 本期播客简介

本期我们克隆了：Y Combinator · This Is How You Should Actually Make Launch Videos

原内容更新时间：2026-10-23

一条 YouTube 视频只有 2 万次播放，却有约 20% 的观众下载了产品；另一条 Twitter 视频有 300 万次播放，带来的下载转化却低得多。Farza Majeed 的判断是：播放量好看，不代表真正找到了用户。

Hey Clicky 创始人 Farza Majeed 曾创办线上学校 Buildspace，也在 YC 做过项目。他分享如何把产品演示变成日常发布：从第一句话和开头画面，到写出听起来像即兴的脚本，再到根据渠道和转化数据调整内容。视频不用拍得精致，更重要的是持续展示产品、讲清正在做什么，并让真正感兴趣的人看见。

👤 本期嘉宾

Farza Majeed 是 Hey Clicky 创始人，正在开发一种与 AI 交互的新界面。他 13 岁时就在 eBay 上卖东西，后来创办线上学校 Buildspace，并带项目进入 YC；他做视频超过 10 年，长期用视频介绍产品、接触用户，也亲自经历了从随手发布到建立创作团队的过程。

⏱️ 时间戳

把发布变成日常

00:50 13 岁在 eBay 上创办第一家公司

02:22 不再只是发帖，而是在算法平台反复发布

03:49 做功能时就倒推帖子文案和视频开头

让视频值得看下去

13:07 自己嫌弃的脚本，最后在 Twitter 播放 300 万次

19:25 写脚本时就知道这条视频会火

故事、渠道与节奏

28:11 TikTok 找到约 50 家设计公司

29:03 YouTube 2 万播放，约 20% 的观众下载

搭建持续创作的能力

36:02 最想先招拍片的人，再招工程师

38:32 视频设备可以简单，音质不能差

42:21 连续 30 天，每天花 10 分钟拍一条

🌟 精彩内容

💡 300 万播放，不等于找到了用户

一条 Twitter 视频有约 300 万次播放，带来 7000 次下载；他真正看重的，是下载后还有多少人持续使用。约 100 人连续 5 天每天打开产品，这才让他决定继续做下去。

"我完全不在乎流量。"

💡 2 万播放的视频，下载转化约 20%

另一条视频在 YouTube 只有约 2 万次播放，却有约 20% 的观众下载应用。对比之下，Twitter 上播放量更大的视频，注册转化却低得多；哪个渠道有用，得看它带来多少真实用户。

"你算一下就知道，这能带来实实在在的注册量，而且这条视频会一直带来效果。"

💡 最糟的视频，也可能是观众最喜欢的

他拍完一条产品演示后，觉得糟透了，认为连剪辑都不值得。团队还是把视频发了出去，结果它在 Twitter 上获得 300 万次播放。

"不管我们自己觉得多尴尬，都交给观众判断。"

💡 设计公司的客户，也会刷 TikTok

Hey Clicky 直接对着镜头问观众是不是设计公司，靠 TikTok 视频找到约 50 家潜在客户。每条视频平均只有约 4000 次播放，但目标观众就在其中。

"我的目标从来都不是爆火。"

💡 先尴尬一阵子，才会不尴尬

他建议每天抽 10 分钟，拍下自己当天做了什么，然后发布。害怕同学看到、觉得自己说得蠢，正是很多人迟迟不开始的原因。

"你其实得先尴尬一阵子，才能学会怎么不尴尬。"

💡 创业初期，拍片的人可以排在工程师前面

Farza 说自己最早就想招拍片的人，再招工程师。软件越来越容易做，反而是让观众看懂产品、围绕产品聚起社群，越来越难被复制。

"真正难复制的，是我围绕自己做的事情聚起来的观众、社群，还有那股热情。"

🌐 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

#789.All-in｜AI 网络恐慌、肯·格里芬的泡沫警告、法国的衰落？

Sat, 24 Oct 2026 17:06:02 GMT

📝 本期播客简介

本期我们克隆了：All-In with Chamath, Jason, Sacks & Friedberg · AI Cyber Panic, Ken Griffin's Bubble Warning, The Fall of France?

原内容更新时间：Fri, 23 Oct 2026

PHP安全团队给漏洞打了9.2分，补丁发布前，漏洞信息却泄露了。接下来会发生什么？Palo Alto Networks CEO Nikesh Arora的判断是：“10天都太长了。”

这一集从AI支出是否形成泡沫，聊到企业为什么转向开源模型、自己买GPU和建设数据中心；随后深入网络安全：AI如何寻找并串联漏洞、企业如何防御，以及agent未经授权操作账户时该由谁负责。节目后半段转向法国骚乱、财政压力、移民融入和福利制度，也把法国与美国的债务、公共支出和社会压力放在一起比较。

👤 本期嘉宾

Nikesh Arora，Palo Alto Networks CEO。作为网络安全公司的负责人，他与遭受攻击或正在防御攻击的企业直接打交道；这一集里，他结合PHP漏洞事件，谈AI发现漏洞的速度、企业积累的技术债、开源模型的可审计性，以及agent使用银行账户后责任如何划分。

⏱️ 时间戳

AI泡沫与循环支出

01:51 1%的公司贡献了约90%的AI支出

02:41 AI要盈利，必须走出创业公司圈子

开源模型与算力自建

08:07 企业选开源模型，为的是能检查思维链

10:30 有钱也未必买得到算力：芯片要等到2028年

PHP漏洞引发网络危机

13:34 PHP2Shell漏洞严重性评分9.2分

14:03 漏洞信息在补丁发布前泄露

AI攻防与责任归属

24:22 “假设你的系统一定会被攻破”

27:48 Nikesh：agent获授权，用户负责

法国骚乱与财政危机

40:43 超过50万人参加抗议

42:39 法国10年期国债收益率创2002年以来新高

福利改革与代际压力

49:47 年轻人开始担心父母辈的养老金谁来承担

53:00 法国大学每年学费约300欧元

移民融入与社会撕裂

1:12:20 她在餐馆工作34年，才攒够钱开店

政府规模与最低工资

1:24:51 加州快餐最低时薪升至20美元，引发岗位之争

🌟 精彩内容

💡 AI发现漏洞后，攻击窗口也在缩短

PHP漏洞严重性评分达9.2分，原计划随补丁更新一并公布的信息提前泄露。Nikesh说，类似事件的间隔不会有10天那么久；补丁公开后，黑客还能从修复代码反推攻击路径。

"哎，Jason，我觉得 10 天都太长了。"

💡 老系统没补，企业只好把网站关掉

一家客户有些网站运行旧版PHP，无法打补丁，只能先下线，再升级、修复后重新上线。AI让漏洞更容易被找到，企业多年没处理的技术债也随之暴露。

"他们一直没处理还在用旧版这件事，因为觉得不重要。"

💡 开源模型的卖点，是企业能检查它

Nikesh说，在金融和医疗等受监管行业，企业需要解释、验证和审计AI系统；开放权重模型能让他们检查思维链，不必把模型的决策过程当成黑箱。

"只有用开源、开放权重的模型，我们才能做到这些。"

💡 别只想堵漏洞，还要想怎么赶走入侵者

企业可以持续测试系统、打补丁，但漏洞太多，不可能一次补完。Nikesh建议把基础设施中的信号和数据汇总起来，尽快发现异常行为、清除入侵者。

"重点就不太是我怎么被攻破的、哪个漏洞会让人钻进来。而是我能多快发现入侵者，又能多快把他们赶出去？"

💡 把银行登录信息交给agent，Nikesh认为责任在授权的人

如果消费者把登录凭证交给agent，agent替他操作银行账户，Nikesh认为授权者应承担责任；但如果agent偏离设计、失控，则可能构成产品责任。

"我觉得是你授权，让 agent 代表你做事。如果是你授权的，法律责任就得你来承担。"

💡 法国的财政压力，也让美国的账本进入讨论

节目提到法国债务约为GDP的120%、财政赤字占GDP的5.4%；美国的对应数字分别约为120%和6.2%。嘉宾争论削减政府支出、改革养老金，以及怎样避免年轻人被高房价和债务挤出机会。

"我觉得，法国预示着整个西方的走向。"

🌐 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

#788. Top Gear制片人Andy Wilman：三个人的默契，电视节目没法第一天就造出来

Fri, 23 Oct 2026 11:55:11 GMT

📝 本期播客简介

本期我们克隆了：High Performance · Top Gear Boss On Clarkson's Sacking, Schumacher & BBC Exit

原内容更新时间：2025-12-08

“整本书讲的都是意外。”《Top Gear》从一个老派汽车节目变成全球大热节目，Andy Wilman说，许多后来成了标志的点子，当初根本不在计划里。

作为《Top Gear》和《The Grand Tour》的执行制片人，Andy Wilman回顾了三位主持人的默契如何慢慢长成，节目如何从便宜旧车和拍摄事故里找到新招，也讲到成功带来的压力、团队失控，以及他为何在Jeremy Clarkson离开后拒绝继续做《Top Gear》。

👤 本期嘉宾

Andy Wilman是《Top Gear》和《The Grand Tour》的执行制片人，也是推动《Top Gear》从老派汽车节目转型的重要创意力量。他长期与Jeremy Clarkson、Richard Hammond和James May合作，亲历了节目从重启、走红到团队离散的过程，对节目的创作方式、团队运作和幕后压力都有直接经验。

⏱️ 时间戳

克拉克森与新版Top Gear

01:41 在酒吧摊开纸张，Jeremy早已想好七成节目内容

04:39 等英国右舵版上市，主动退出汽车杂志的首发竞赛

意外成就三人组

11:16 Richard穿蝙蝠侠服试镜，最后靠讲失败经历赢得角色

20:21 三人默契没人设计，给他们时间才慢慢长出来

成功背后的压力与失控

34:07 收视已有900万，团队仍剪片到凌晨两三点

45:16 每周四晚熬夜剪片，周末还得看下周要播的内容

事故、冒险与告别

49:27 Richard困在翻覆的超跑里，闻到烧焦味才踹窗逃生

51:15 团队开始讨论何时结束，决定按自己的意愿收尾

Stig与舒马赫

57:01 找不到会说话的赛车手，Jeremy提议让他不说话

1:03:02 舒马赫承认撞上Villeneuve不对，也说出自己为何那样做

丑闻、离开与新旅程

1:12:19 Andy怀疑他们心里也想过“让这一切垮掉算了”

1:17:33 BBC认定没了Jeremy也能做节目，Andy不这么看

🌟 精彩内容

💡 Top Gear的成功不是照计划造出来的

节目重启时，Jeremy已在酒吧写下许多点子，但三位主持人的化学反应、破车拍摄和特别篇，都是一路做出来才发现的意外。

"对，那本书整本讲的都是意外。"

💡 一辆破车趴窝，反而成了真正要拍的内容

三辆1500英镑买来的保时捷刚开出伦敦不久就全坏了。导演想让摄制组先去吃午饭，Jeremy却说，眼前的混乱才是节目。

"车能正常开，已经不是我们要拍的了。要拍的就是这一片混乱。"

💡 三个人的默契，没法第一天就复制

Jeremy、Richard和James并没有预先设计好各自的荧幕性格；他们花了好几季才慢慢长出只有彼此才有的关系。

"我们有好几季的时间，可以让这种关系慢慢发展。"

💡 节目大热，团队却被困在工作里

收视达到900万，片子从10分钟做到了半小时，制作时间表和剪辑时间却没有跟着变。团队常常熬到凌晨，家庭生活也被压力拖垮。

"我们就在那儿剪到凌晨2、3点，我们没搞明白怎么把工作分下去，也没想明白怎么把节目变个样。"

💡 BBC以为节目比主持人重要，Andy选择离开

Jeremy被开除后，BBC希望Andy继续做《Top Gear》，也试图留下Richard和James。Andy拒绝了：他认为节目不是一套可以换人继续运转的模式，而是他们一起做出来的东西。

"我不会去做另一个《Top Gear》，因为这不是随便一档节目，这是我们一起做出来的东西。"

🌐 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

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

#787.Ilya：预测得越好，模型越懂世界

Thu, 22 Oct 2026 17:32:58 GMT

📝 本期播客简介

本期我们克隆了：Eye On A.I. · Chat GPT's Creator Explains The Shocking Truth About How AI Understands the World | Ilya Sutskever

原内容更新时间：Fri, 09 Oct 2026

语言模型只是学会了文字里的统计规律，还是已经在理解文字背后的世界？Ilya Sutskever 的回答是：要把数据预测好、压缩好，模型就需要越来越了解产生这些数据的世界。

这场对话录制于 Ilya 还在 OpenAI 担任首席科学家的时期。他从深度学习和 GPT 的发展讲起，解释模型为什么会产生幻觉：预训练让它学到丰富的世界知识，但并不直接保证输出准确；人类反馈强化学习则负责纠正输出。他还谈到多模态学习、如何让模型用更少数据学得更快，以及 AI 可能怎样帮助公民更直接地表达对公共事务的期待。

👤 本期嘉宾

Ilya Sutskever，Safe Superintelligence Inc. 联合创始人、首席科学家，曾任 OpenAI 首席科学家，也是 GPT-3、GPT-4 背后的主要研究者之一。他从 17 岁起便与 Geoff Hinton 合作研究机器学习，参与推动深度学习发展，对神经网络如何学习、语言模型的能力与局限都有长期研究经历。

⏱️ 时间戳

从意识问题到深度学习

01:24 意识问题让他走进 AI

01:59 2003 年，计算机能学习还不被看好

04:12 大型深度网络为何可能成功

GPT与规模效应

06:17 OpenAI 早期探索预测下一个词

07:35 Transformer 论文发表次日就转向

08:51 《苦涩的教训》把规模效应说得太满

语言模型的理解与幻觉

11:47 他不同意模型只是学统计规律

12:25 预测得好，最终需要理解生成过程

15:17 预训练不保证输出准确

可靠模型与AI的未来

26:19 让模型更可靠、更可控

31:20 AI或能汇总公民更多意见

🌟 精彩内容

💡 预测文字，也是在学习世界

要把文字预测得足够好，模型就必须逐渐理解产生这些文字的真实过程。Ilya 认为，模型理解的不只是文字本身，也是文字所投射出来的世界。

"要把数据预测好、压缩好，就需要越来越了解产生这些数据的世界。"

💡 学到了世界，不等于答得准确

预训练让模型形成关于世界的丰富表征，却没有直接训练它给出符合期待的答案。ChatGPT 还要经过基于人类反馈的强化学习，学习哪些输出不合适、下次该怎样调整。

"语言模型更擅长学习、了解世界，对各种想法、概念、人，还有现实中存在的过程，学到非常出色的表征。"

💡 他认为幻觉有机会被彻底解决

模型编造事实，限制了实际用途。Ilya 认为，让用户的反应反馈给模型、再改进强化学习过程，或许能教会模型不产生幻觉。

"这种方法有相当大的机会彻底解决幻觉问题。"

💡 只靠文字，模型也能学颜色关系

模型从文字中学到颜色之间的相似程度：紫色更接近蓝色，而不是红色。视觉能让这种学习更快，但 Ilya 不认为视觉是理解世界的必需条件。

"紫色跟蓝色更像，跟红色没那么像。"

💡 AI可能让民主听见更多人的意见

Ilya 想象，公民可以向神经网络提供信息，表达希望事情变成什么样，再由系统汇总这些意见。这可能形成一种传递大量信息的民主形式，而不只靠投票表达偏好。

"这也许可以成为一种能传递大量信息的民主形式，从每个公民那里获取多得多的信息。"

🌐 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

#786.Google CEO劈柴哥：前沿模型能帮我们开发下一批模型

Thu, 22 Oct 2026 17:27:53 GMT

📝 本期播客简介

本期我们克隆了：Alex Kantrowitz · Sundar Pichai: Path To Recursive Self-Improvement, Compute Allocation Dilemma, Future AI Interfaces

原内容更新时间：2026-10-20

算力不够，Google 还是要优先保证前沿 AI 研发：Sundar Pichai 直言，云业务一直在放弃一部分短期营收来支持这件事。与此同时，所有公司都希望手里的算力能达到原计划的两倍。

在 Big Technology Podcast 主持人 Alex Kantrowitz 的访谈中，Google 和 Alphabet 首席执行官 Sundar Pichai 谈 Gemini 4 Argon 的表现、递归自我改进与模型安全，也解释算力如何在研究和云业务之间分配。他还谈到 AI agent 如何融入 Gemini 等产品、AI 写代码带来的变化，以及太空数据中心的设想。

👤 本期嘉宾

Sundar Pichai 是 Google 和 Alphabet 的首席执行官。作为 Google AI 战略的负责人，他谈到了公司如何建设算力、保持前沿模型研发，以及将 AI 能力带入产品；他也分享了 Google 内部使用 Argon 辅助开发的情况。

⏱️ 时间戳

前沿模型与AI未来

01:21 Gemini 4 Argon 多项 benchmark 超过公开模型

02:43 上线 72 小时，token 用量近 25 万亿

08:36 递归自我改进还远未到最终形态

算力部署与建设风险

14:25 算力优先保证前沿研发

16:02 今天的算力取决于 2024 年的决定

18:27 算力不像光纤：每天都不够用

产品体验与AI基础设施

22:06 AI 会反过来适应人的生活方式

27:57 Gemini agent 每周 7 天、每天 24 小时运行

35:05 Argon 上线 4 周，代码提交量增加 30%

乐观进取并保持警惕

39:28 技术进步让更多人受益，是他的信念

40:01 乐观的前提是技术服务于人类

40:52 乐观，也要警惕技术可能出问题

🌟 精彩内容

💡 前沿模型不只是为了赢 benchmark

Pichai 认为，站在技术前沿能更早看到新能力，也能帮助 Google 为下一代模型做准备。他说，Argon 已经让内部开发人员解决了过去模型做不到的问题。

"在递归自我改进的时代，前沿模型会更擅长开发下一批模型。"

💡 AI 自我改进，离最终形态还很远

Argon 的开发过程确实包含递归自我改进，但 Pichai 将现状描述为 AI agent 以自动化方式帮助研究人员参与模型开发，而不是模型已经脱离人类自行进化。

"就目前而言，如果把这看作一个连续发展的过程，我们离递归自我改进的最终形态之类的，还相当远。"

💡 算力优先给前沿研发，云业务让出短期营收

Google 要先确保研究和模型开发有足够算力，再为各项业务规划资源。Pichai 也承认，云业务会因此放弃一部分短期营收。

"我们的云业务，无论在什么时候，都在放弃一部分短期营收，因为我们在算力分配上做取舍，来支持前沿 AI 研发。"

💡 所有公司都想要两倍算力

算力建设需要提前很久规划，今天拥有多少算力，取决于此前做出的决定。Pichai 说，现在不仅 Google，其他公司也都觉得算力不够。

"大家都希望能有原计划 2 倍的算力。"

💡 Argon 写代码，提交更多、回滚更少

Google 跟踪 Argon 的内部使用情况发现，上线后的 4 周里，代码变更提交量增加了 30%，回滚次数减少约三分之一；一些项目涉及数百万行代码。

"我们确实看到代码变更提交量增加了 30%，更重要的是，回滚次数减少了三分之一，幅度也差不多。"

💡 乐观不是放手下注

Pichai 相信技术进步能改善生活，但他认为乐观不等于想做什么就做什么。技术必须以服务人类、改善人类处境为目标。

"你得下功夫，确保自己开发的技术，是为人类服务，让人类的处境变得更好。"

🌐 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