Latent SpaceNext 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
继续浏览其他主题
AI Agent 播客整理
6 条已整理内容
按节目浏览
可以直接阅读
清除筛选Latent Space
Latent Space🔬They Thought the Model Was Broken — Matt McPartlon & Neil Patil, Chai Discovery
这期访谈的核心判断是：蛋白质设计已经从“看起来有希望”进入“能产生真实药物候选并被大药企采购”的阶段。Chai 想做的不是单点模型，而是把药物发现从高成本瀑布流改造成可视化、可迭代、越来越像软件工程的设计系统。
8 个关键观点
Latent SpaceExo: Harnesses should see their own code and logs — Alex Krentsel, UC Berekeley / Google Research
EXO 试图把 agent 从“可插拔”推进到“可自改写”：执行策略本身可以在运行时被安全修改、重建和回滚。Alex 认为这让真正的递归自改进开始具备工程可行性，但前提仍是隔离、评估与防 reward hacking 机制。
10 个关键观点
Latent SpaceSimulating Humanity: from Generative Agents to 8 Billion Digital Twins — Joon Sung Park, Simile AI
这场访谈的核心观点是：高价值仿真不是更会“猜答案”的问卷机器人，而是能基于真实行为、因果机制和群体互动，帮助人类找到“如何改变未来”的路径。June把这条路线定义为从理解人的社会物理学出发，最终走向可模拟整个社会的大规模行为基础设施。
8 个关键观点