曹卿云 Qingyun Cao

一场盲测暴露了模型输出的高度同质化：连 OpenAI 研究员也屡屡认不出自家在内的各大模型。 六位嘉宾靠括号、破折号、换行、bullet point 这些“语癖”猜模型，Gemini 3.5 Flash、Claude 4.6 Sonnet、DeepSeek 轮番被认错；主持人 Bessie 的意外发现是：“大家其实很难 reach consensus 哪一个是自家的模型……很多模型就特别特别相像。”这为关注模型差异化的投资者提供了关于模型输出趋同的直接观察。

“新模型发布前旧模型被偷偷变笨”的说法，得到了一项带保留的内部判断。 王森说：“根据我个人的了解，应该不是这样”；更深的解释是人的预期本身不稳定——“即便它给你一个答案，你昨天和今天可能也不一定一样的满意”。团队确实会从 social media 和 user feedback 中寻找线索，证实坏行为后通过迭代 algorithm 尝试消除，建议用户点 thumb down。

Voice agent 已经实打实落地，AGI 替代生活还早。 刚加入 voice agent 创业公司的周奕超说：现在打电话给 Chase 关信用卡，“很大概率已经是 agent 接的，而且很可能已经能很好地完成你的任务”；但要 AI 替代生活中大多数事情“还是比较远的”，“可能还得看 robotics 的出现”。

中美前沿研究“同大于异”。 “前沿模型公司也就中国和美国做得比较好”，在 scaling law 怎么做、怎么做 RL 上“大家的共识很一致”；真正的差异可能是资源（“资源更少……人做得更细一些”）和沟通环境，中国团队更多是华人、交流更集中，美国背景更多元、需要更多 alignment。

嘉宾自己的 AI 工作流：sub-agent、文档、勤开新对话。 不会的问题先让模型列 plan、改完再“spin up multiple sub-agents to carry out”；长对话 compaction 后模型“突然会坠入太虚幻境”，所以要写文档做记录；与其在一个对话框聊到爆 context，不如开新对话，“更快，甚至是更准确”。

公司上市后股票卖不卖，内部观点公开分裂。 一派认为“按现在的估值……都可以长期持有”，另一派直言“肯定卖啊……在非上市公司等了这么久……不能所有都 all in 一个地方”，卖一部分买其他家；FIRE 数字从 200 万美元（回成都或妻子老家、前提是不与人比较）到 1000 万不等。

Prompt 大战的策略：可验证任务加尽可能多的工具调用。 让 ChatGPT 5.5 Thinking High 思考尽可能久的 prompt 是“搜索 NeurIPS 成立以来每年引用量最高的九十篇论文并总结成 doc”——思考 6 分 24 秒；对手的“查询至少一百个网页”只有 1 分 23 秒。核心策略是给明确可验证的目标，避免模型偷懒、输出似是而非的结果或反问用户。

🔗 原始收听与视频来源： 【特别综艺-下】硅谷AI研究员｜模型猜猜乐和Prompt大战

模型能力排位没有形成共识：排序官把 GPT-5.5 放在最上方，但揭晓时它的身份是“顶级”而非“夯”，这一局最终“圆满失败”。 答案包括 Gemini、GPT-5.2、GPT-5.5 和 GPT；有人给 Gemini 人上人（“御三家永远都是第三家”），周奕超却直接写拉完了：“在美国还有哪个模型比它更差的？”并补充：“最拉的是不被人记住。”

薪资一题的全场夯是“Meta TBD”，且被主持人称为“公认的”，讨论落点是薪资两极分化：AI 研究员的工资比之前多得多，非 AI 岗位的增长可能受限。 席间还提到 quant 向 AI 的人才迁移正在发生；如果模型能做 auto research，“它也能做矿的 research，而且可能会做得比人要好很多”。

Job security 一轮排序全对：Apple 被排在夯位、XAI 拉完了。 主持人排序时以“唯一没有裁过员”的 Apple 作判断依据，但随后有嘉宾指出 Apple 其实也裁员。XAI 的评价是“砍人砍太多了”，并有“遇事不决，先 ban 它”的说法。OpenAI 只拿到人上人，理由是：“感觉没有什么大规模的动荡，但是大家都是悄悄地就不见了。”

Work-life balance 一题里，王森解释自己原本想把现在的 OpenAI 和 Anthropic归入“这一代的拉完了”，为避免撞车才改写 Netflix。 收尾的反思更值得记：过去两百年自动化一直试图换取更多自由时间，但“我们确实在干更多的工作，却没有实现更多自己的时间”。

AI 时代技能排序是全场逻辑最硬的一轮：empathy 夯、身体健康顶级、做饭人上人、Photoshop NPC、coding 拉完了。 王森的判据是 coding “非常可验证”，写好测试就能验证；Photoshop 还包含较难验证的审美因素。以自身为例，他说从今年一二月份开始就没有打开过 code editor，完全用 agent 写 code。

最强的能力信号藏在闲聊里：一位嘉宾的牌友把读博时想过、距今已约三十年的概率论 open conjecture 发给 GPT-5.5 Pro，模型“然后就证出来了”；朋友们交叉验证后认为是对的，目前正在发第二版。 这被评为“比较夯的周末活动”。

对 AI 泡沫的判断是一个反身性论证：“什么叫 bubble？ 就是大家都不觉得这个东西是 bubble 的时候，它才是 bubble。现在你每天都会遇到有人说 AI bubble，那它怎么可能是 bubble？” 配套的内部视角是：frontier lab 的员工能比外部更早看到提前一代模型的进展，以及未来十天或一个月可能出现的变化，这被形容为一种特权化体验。

🔗 原始收听与视频来源： 【特别综艺·上】《从夯到拉》｜7位硅谷AI研究员的模型排名游戏

江鋆晨给出全片的核心框架：KV Cache 有三层理解，而工业界多数停在第一层。 第一层是把它当作“可存储的黑盒数据”复用；第二层把它当作有语义（attention）信息的白盒，可做 lossy compression、非前缀复用、跨模型复用；第三层直接改语义——“pay more attention to this, pay less attention to that”，甚至能提高模型输出准确性。“工业界很少有人理解到这一层”，这正是 TensorMesh 创业的原因。

他判断“KV Cache moment”可能比预想来得早——“有可能在今年年底前”就有大量公司涌入。 但他对大厂并不恐慌，优势在于跨学科：能碰到 GPU 数据的 infra 工程师做不了二、三层，懂语义的 ML researcher 又缺第一层工程能力；并援引 Sam Altman 的观点——大公司“人的 attention 分散地方太多了”，可能一个组做两个月就转向。

他拆掉了“input token 便宜所以 prefill 不值钱”的定价错觉：每个 token 的真实计算成本 input 与 output 差不多，定价并不反映成本。 prefill 高度并行，在他举的场景中只占用户等待时间约十分之一，但真实 use case 里 input（几万 tokens）常比 output（几千）长十几倍——agent 应用因模型 stateless，input 只会越来越长，这是 TensorMesh 降本逻辑的地基。

经济逻辑可概括为“用存换算”，但他强调 TensorMesh 做的是硬件之上的软件，不是硬件采购。 KV Cache 存在 CPU、本地 SSD 或 GDS 时，取回复用比重新计算既省 GPU 成本又更快；存到更冷层才出现降本换延迟的 trade-off。他还强调公司与存储硬件周期解耦——存储涨价是供需失衡（订单已排到两年后），长期会回落，客户该算的账是“多少钱花硬件、多少钱花软件”。

对 TAM 的追问他直接拒绝：“total addressable market 是个 misleading word”——因为绝大多数人还没意识到这个市场存在。 在模型和 prompt 都定死的前提下让模型更好理解 prompt，是提高 agent 质量的“第三条路”；最佳场景是企业 shared knowledge（codebase、policy/legal documents）跨 coding、chatbot、RAG 多应用复用。

差异化押在生态与技术上：LMCache 是同类项目里 ecosystem support 最好的，CacheBlend 解决非前缀复用——KV Cache 存储“不仅仅是个 Storage，它是个 Service”，里面要有计算能力。 对投资人提到的相似项目，他只说“确实差不多，good luck”；对架构风险的回应是 KV Cache 只是暂时名字，本质是 model-native data，Mamba（如千问 3.5 仍留约四分之一 Transformer 层）时代照样存在。

两个值得记住的类比：KV Cache 是“AI 时代的大数据”，TensorMesh 想做的是“只有 model 才能看的 data”版 Databricks（Ion Stoica 为其顾问）；空间上则是当年的 CDN——“Akamai 就是当年的 OpenAI”。 现在做的是 data center 内的 mini-CDN，等 edge 与分布式推理起来，就是 internet-scale 的 knowledge delivery network：“我们可能三年前看了六年后的东西”。

大模型格局他押“在线视频”而非“搜索”终局：少数公司 consolidate，但主权 AI 与企业私有部署会养活大量独立服务。 开源侧他很直白：OpenAI、谷歌的开源模型“很难和中国的这些开源模型竞争”，未来几年开源“可能还是得看国内”；xAI 收购 Cursor 只是整合潮的一例，但他也表示对这一具体案例并不了解。

🔗 原始收听与视频来源： 硅谷坐标 x Tensormesh 江鋆晨：AI 的记忆-KvCache的三层理解

AI光互连正处在十倍缺口驱动的超级周期：2022年以来算力增长约300倍，光连接总带宽只增长约30倍。 TeraHop副总裁于让尘用脑灰质（算力）与脑白质（连接）作比——人脑二者体积已近1:1，小猫小狗的白质/灰质比例约为10%-20%；“我们今天可能还在小鼠小猫那个阶段”。光互连目前仅占数据中心资本开支的个位数百分比，但他认为连接投入的增速必须大于算力，“这个间隙要去填补，必须整个业内一起来努力”。

Scale up是行业最大的结构性机会——带宽约为scale out的十倍，而铜缆的物理极限正在逼近。 英伟达NVL72机架内全铜连接"已经在制约大脑发展"，规模正从已开始进入的576颗、1000颗一路推进到谷歌9000个TPU互联；铜现在只能走1.5-2米，到400G/lane时代"一米都很勉强"，远期可能走向光进铜退。

经济账要反着算：不比光和铜的成本，比单位token产出。 于让尘引用"use copper when you can, use optics when you must"，但强调终端客户看的是单位算力、单位token的收益——GPU三到五万美金、光模块几千美金，“省在互联，你牺牲的是你的算力”。

技术路线不是宗教式单选题——“所有的互联网公司他们是很实际的，他们不会做宗教式的选择”。 可插拔、NPO、CPO同一家公司三项都可能选，“成人不做选择题”；谷歌公开说"CPO总是two years away，而且每年都是two years away"。大厂全线自研芯片（TPU、MTIA、Trainium、Maia、OpenAI Titan、xAI）决定了它们欢迎开放光互连生态，而CPO迟迟未规模商用的原因之一，是客户不喜欢垂直整合、供应商议价能力过强，且技术瓶颈挑战很高。

TeraHop以开放标准卡位：12.8T XPO与Open CPO-X两项多源协议带来4-8倍带宽增长，已有约100家公司参与。 可行性来自硅光成熟度——已有一千多个八通道产品，16/32/64通道是自然的演进方向；英伟达今年三月初向Lumentum和Coherent合计投资40亿美金锁定激光器供应，被于让尘解读为担心供应链跟不上十倍增长、“用真金白银来锁定供应链”。

OCS是谷歌约十年前开始布局、其他大厂目前为零或很低的greenfield市场，但电交换不会消失。 光交换省功耗、省时延、省成本，但切换慢、只适合可预测工作流；于让尘明确保守：“未来五年不可能完全取代"纳秒级的电交换，“never say never”、长期共存。OCS带来的2-3dB损耗使coherent light成为好配对，谷歌战投已投初创Celero。

产业最大瓶颈是半导体集成仍在早期，而价值链"很快变成一个万亿级别的问题”。 激光器还在3英寸晶圆、正努力发展到6英寸，对比硅光的12英寸；量子点激光器有望实现直接在硅片上制造光源。五年、十年的方向是半导体化光互连与光电深度集成（TSMC COUPE平台），互联应被视为算力本身的一部分，最终与算力"势均力敌"。

🔗 原始收听与视频来源： 硅谷坐标 x 中际旭创 于让尘：AI 光互连的超级周期