已经整理好的播客

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

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

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

更多整理内容

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

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

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

[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

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

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。

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

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。

General relativity from first principles – Adam Brown

Dwarkesh Patel

General relativity from first principles – Adam Brown

这段访谈把广义相对论压缩成一个核心转向：引力不是平直时空里的一种普通力，而是物质让时空弯曲后，物体沿弯曲“直线”运动的结果。黑洞、时间膨胀和引力红移，都是这一直觉在强引力区的直接后果。

The State of AI: Models, Moats, and the Consumer Renaissance

a16z

The State of AI: Models, Moats, and the Consumer Renaissance

这段访谈的核心判断是：AI 不会收敛到单一赢家，而会走向多模型、多应用层、多场景并存的丰饶格局。真正稀缺的，不是“智能本身”，而是把智能包装成可执行结果的产品架构、成本路由、分发和记忆闭环。

Google DeepMind

The mathematics of AI uncertainty

这场访谈的核心判断是：真正可靠的 AI 不只要会回答，还要会表示、更新并沟通自己的不确定性。规模化训练已经带来强能力，但在长尾、高风险和持续学习场景里，显式的不确定性建模仍是关键缺口。

Let's reproduce GPT-2 (124M)

这期内容把 GPT-2 124M 从公开权重、架构实现到多卡训练完整复现了一遍，并用现代 PyTorch 工程手段把训练效率大幅拉高。作者最终在其采用的验证损失和 HellaSwag 指标上超过公开 GPT-2 124M，但也明确保留了数据顺序、评测公平性和 torch.compile 兼容性等疑点。

This CPO regrets that product management exists | Tom Verrilli (CPO of Whatnot)

Lenny's Podcast

This CPO regrets that product management exists | Tom Verrilli (CPO of Whatnot)

Tom Verilli的核心观点不是“PM没用”，而是“PM不该成为默认编制”。AI正在把产品组织推向更少、更资深、更贴近用户与代码的一线型PM，以及更多由工程师和设计师共同承担的产品判断。

Susan Kare: Designing Icons & Graphics For the Original Mac

Y Combinator

Susan Kare: Designing Icons & Graphics For the Original Mac

Susan Kare 用 Macintosh 早期图标与字体的诞生过程说明：伟大的技术产品不是靠炫技，而是靠清晰隐喻、克制细节与大量迭代，把复杂系统翻译成任何人都能理解的体验。她给今天 AI 产品的提醒也很直接：先有好想法，再让形式跟上。

Why This $10B Hedge Fund Made AI Training Mandatory (Best of the Pod)

Every

Why This $10B Hedge Fund Made AI Training Mandatory (Best of the Pod)

这不是一场泛泛的 AI 鼓吹，而是一位对冲基金 CEO 推动全员 AI 化的实战说明：先去羞耻化，再强制训练，再把数据和关键工作流接进来。核心判断是，AI 不会免除思考，但会淘汰拒绝借力的人和组织。

The Death of Developer Advocates — Stephanie Jarmak, Sourcegraph

The Death of Developer Advocates — Stephanie Jarmak, Sourcegraph

这场演讲并不是在宣告 DevRel 消亡，而是在论证它必须升级为同时服务开发者与智能体的“agent advocacy”。核心变化是：产品现在既要被人用得顺，也要被模型读得懂、想得起、推得出。

Why smarter AI models could drive up compute prices 10x

Dwarkesh Patel

Why smarter AI models could drive up compute prices 10x

这段演讲的核心判断是：如果前沿实验室收入继续按10倍扩张、而算力只按3倍增长，那么AI产业的真正瓶颈会从“模型够不够强”转向“算力怎么被定价和分配”。在奇点前的几年里，优质算力大概率不会更便宜，而会更贵、更集中，并进一步把利润推向最强模型和最强算力持有者。

Michael Kratsios: Inside the White House's AI Strategy

Y Combinator

Michael Kratsios: Inside the White House's AI Strategy

这场访谈给出的白宫AI政策主线很清楚：支持开源与闭源并存，反对过早画死监管红线，并倾向用联邦统一框架保护创业生态。更深一层看，受访者把政府角色定义为“解锁创新”和“塑造科研竞技场”，而不是直接指挥技术发现。

How Chess.com Became the World’s Biggest Chess Community with CEO Erik Allebest

No Priors

How Chess.com Became the World’s Biggest Chess Community with CEO Erik Allebest

这场访谈的核心结论是：Chess.com 的胜利不是资本驱动，而是长期围绕体验、社区与技能成长构建出来的复利系统。Eric 也把同一逻辑延伸到 AI 和扑克：技术不会消灭人类技能，反而会改变训练、评价和珍视技能的方式。

Tokens Are the New Dollars | Stripe's Will Gaybrick & David George

a16z

Tokens Are the New Dollars | Stripe's Will Gaybrick & David George

这段访谈的核心不是“AI 让公司更省人”，而是“AI 让公司能在同样时间里做更多产品、进入更多市场”。Stripe 的答案是把企业改造成内部创业平台，再用代理开发、稳定币、微支付和 token 管理去占住 AI 时代的新金融控制层。

🔬 The Physical World Is More Forgiving Than You Think — Anima Anandkumar, Caltech

Latent Space

🔬 The Physical World Is More Forgiving Than You Think — Anima Anandkumar, Caltech

这场访谈的核心判断是：AI for Science 的关键不在于更会生成想法，而在于能否把数据、物理约束和验证工具结合起来，真正进入物理世界。Anima 用神经算子、天气建模和 TorchLean 说明，AI 已经开始在若干高价值科学任务上改写传统计算范式。

Deep Dive into LLMs like ChatGPT

这段讲解把大语言模型拆成三段：预训练学互联网文本分布，监督微调学如何像助手那样回答，强化学习学更强的推理策略。它很强，但本质仍是按 token 概率续写的系统，最好把它当会用检索和代码工具的高效助手，而不是无条件可信的权威。

The playbook for building high talent density teams | Adam Ward, Head of Talent at Cursor

Lenny's Podcast

The playbook for building high talent density teams | Adam Ward, Head of Talent at Cursor

顶尖招聘不是把漏斗做大，而是先定义什么叫顶尖，再锁定最可能成功的那几十个人并长期经营关系。真正的优势来自创始人亲自投入、工作样本验证，以及贯穿全程的个性化关怀。

Microsoft’s Vision for an Internet Made for Agents With CTO Kevin Scott (Best of the Pod)

Every

Microsoft’s Vision for an Internet Made for Agents With CTO Kevin Scott (Best of the Pod)

受访者的核心判断是，AI 的下一阶段不再是反复争论模型会不会继续变强，而是把已经足够强的模型接入真实世界。关键战场转向持续记忆、工具执行、开放协议、安全权限，以及从同步问答走向异步代理执行。

Einstein Arena: Harnessing Collective Agent Intelligence for Open Science — James Zou, Together AI