主题

AI Agents AI Coding Product Startups Research

已经整理好的播客

搜索内容92 条已整理内容

按节目浏览

全部

可以直接阅读

a16z

Why Top Founders Are Racing Into AI Infrastructure

这场访谈的核心判断是：AI 不再主要受模型能力限制，而是受“模型以下”的基础设施约束，瓶颈从算法转向芯片、内存、电力、散热、建筑和施工能力。受访者因此认为，未来 5 到 10 年最重要的投资机会不只是软件，而是围绕“机器智能”重建整套计算与物理基础设施。

8 个关键观点

原节目

Lenny's Podcast

Why AI is going vertical (again) | Dianne Penn (Anthropic)

8 个关键观点原节目

AI Engineer

Which AI startups actually land enterprise contracts? — Brian Lewis, Millennium

9 个关键观点原节目

Latent Space

Next 100x in AI: Inference, Networking, & Self-Optimizing Models — Philip Kiely & Ali Taha, Baseten

这段访谈的核心结论是：推理工程早已不是“把模型跑起来”这么简单，而是量化、投机解码、KV 缓存、并行策略、硬件互联、后训练与运行时调优共同构成的一整套系统工程。更进一步，模型已经开始参与优化自己的推理栈，训练与推理的边界正在快速消失。

9 个关键观点

原节目

AI Engineer

The Agentic Commerce Stack — Ahnaf Prio, Best Buy

这段演讲的核心判断是：Agentic Commerce 已经从浏览器自动化的脆弱实验，转向由协议、商品数据馈送和受控支付组成的可运行体系。当前阶段不是完全自治购物，而是以“human in the loop”为主、向更高自治度逐步演进。

8 个关键观点

原节目

Google DeepMind

Reconstructing Pelé’s lost goal

这段内容讲的不是单纯“还原一个进球”，而是用研究、证词、表演和AI，把一段没有影像存档的足球神话重新变成可被看见的集体记忆。核心主题是：技术只有在尊重历史与人物遗产时，才真正有意义。

7 个关键观点

原节目

更多整理内容

Can LLMs Write Fast Multi-GPU Kernels? — Simran Arora, Together AI

AI Engineer

Can LLMs Write Fast Multi-GPU Kernels? — Simran Arora, Together AI

这场分享的核心结论是：多 GPU AI 内核优化的主要瓶颈已从单卡内存访问转向跨 GPU 通信，而现有前沿模型还不足以可靠推理这类通信权衡。Together AI 试图用一组更小、更清晰的原语和一个新基准，把这件事从“靠高手手搓”变成可系统研究的问题。

Anthropic

AI on campus

这场访谈的核心结论是：AI在大学里已不是“要不要用”的问题，而是“你为何使用、是否仍对成果负责”的问题。真正的分界线不在工具本身，而在动机、所有权、解释能力与制度适配速度。

How to Generate Mergeable Code with a Context Engine — Peter Werry, Unblocked

AI Engineer

How to Generate Mergeable Code with a Context Engine — Peter Werry, Unblocked

这段演讲的核心判断是：Agent 时代真正的瓶颈不是模型本身，而是组织上下文的交付与编排。所谓 context engine，不是把更多资料塞给模型，而是把正确的代码、讨论、决策和专家经验在正确时机交给人和 Agent。

How Cursor Built One of AI’s Fastest-Growing Companies

a16z

How Cursor Built One of AI’s Fastest-Growing Companies

这段访谈的核心判断是：Cursor早期真正押注的不是“更强模型”，而是“人如何把意图高效交给模型”的产品接口。它之所以能在巨头环伺中突围，不只靠产品直觉，还靠极端聚焦、快速自我迭代、反常识增长判断，以及把招聘、销售和并购都做成了同一套高标准执行系统。

AI models can now help run physical science experiments

Anthropic

AI models can now help run physical science experiments

这段内容的核心论点是：科学进步的最大摩擦常常不在理论，而在实验执行；一旦 AI 能通过通用硬件接口安全地操控真实设备，它就可能把科研从“搭系统”转向“问问题”。从显微镜到药物发现，Model Hardware Standard 被呈现为把 AI 带入物理实验闭环的基础层。

[1hr Talk] Intro to Large Language Models

Andrej Karpathy

[1hr Talk] Intro to Large Language Models

讲者把大语言模型解释为“下一词预测器 + 海量参数 + 工具调用系统”：运行它并不神秘，难的是昂贵训练、后续对齐和持续评测。真正决定其上限的，不只是模型本身，还有规模化训练、多模态、工具使用，以及不断扩大的安全攻击面。

How Anthropic Builds: Lessons from Labs — Mike Krieger, Anthropic

AI Engineer

How Anthropic Builds: Lessons from Labs — Mike Krieger, Anthropic

Mike Krieger的核心判断是：模型已经把开发范式从“拆任务”推向“讲清目标并委托执行”，真正的瓶颈正从写代码转向品味、边界、验证与组织协作。与此同时，AI时代的长期竞争力仍然来自垂直理解、快速试错和心理韧性，而不是单纯编码速度。

Rethinking Legacy Data Infrastructure with Eon Co-Founders Ofir Ehrlich and Gonen Stein

No Priors

Rethinking Legacy Data Infrastructure with Eon Co-Founders Ofir Ehrlich and Gonen Stein

这段访谈的核心结论是，AI时代真正稀缺的不是模型和算力，而是企业手里可用、可控、带上下文的数据。与此同时，具备合法权限的AI代理正在把传统安全与合规问题以更高速度放大成新的基础设施危机。

Knowledge Systems: The New GTM Stack — Jeffrey Wang, Exa

AI Engineer

Knowledge Systems: The New GTM Stack — Jeffrey Wang, Exa

这场分享的核心论点是：增长不是“产品或分发”的二选一，而是可以被重构为一个以数据、API 和代理为核心的 AI 工程问题。Exa 的做法是先建立一套可被代理操作的“世界模型”，再用界面和代理把销售、研究、提醒、决策草拟系统化。

Andrej Karpathy

Let's build the GPT Tokenizer

这段内容的核心判断是：分词不是无聊的预处理，而是大模型能力、成本、稳定性与怪异行为的底层约束。很多看似“模型不聪明”的问题，实际先来自 tokenization 的表示方式。

How AI Agents Let GTM Teams Scale — Justin Joyce, Cloudflare

AI Engineer

How AI Agents Let GTM Teams Scale — Justin Joyce, Cloudflare

这场分享的核心观点是：GTM 团队要想把 AI 真正用起来，不能只做一个聊天入口，而要同时搭起“分析扩容、洞察分发、自助执行”三层体系。Cloudflare 的经验表明，决定成败的不是模型本身，而是业务语义、技能治理、审查流程和系统集成能力。

Chasing Trillion-Dollar Companies, Founder Ambition, Token Budgets, & Regulatory Capture

No Priors

Chasing Trillion-Dollar Companies, Founder Ambition, Token Budgets, & Regulatory Capture

这段对话的核心判断是：AI 下一阶段的决定因素不只是模型能力，而是资本、算力与监管如何共同分配速度、收益和控制权。万亿公司叙事、RSI 时间表和安全监管都在被重新定价，但真正稀缺的仍是时间与资源配置。

加载更多