郭莎拉 Sarah Guo

• Arm 已经从 IP 授权跨入实体芯片产品，Meta 是触发因素。 Meta 想要“一颗通用型 agentic CPU”，Arm 认为没有其他公司能提供，于是推出 Arm AGI CPU，并于去年3月发布、在 Hot Chips 上展示。生态方面的反弹小于预期，因为市场上更多基于 Arm 的软件会广泛惠及客户；发布时，Jensen、Rani Borkar、Amin 和 James Hamilton 都向公司表示祝贺。这一转型也让 Arm 补上供应链运营、内存配额、后端、版图、实现和流片启动等能力，而 Sarah 曾提到该业务的毛利率高达98.5%。

• AI 已经渗透 Arm 的工程团队，80%至90%的工程师每天使用，尤其集中在一条24至36个月芯片周期中真正的长板环节：验证、确认、调试和文档。 关掉 AI 就像把1990年代的互联网限时开放，Sarah 说“那会天下大乱”，Haas 则表示“瓶中精灵已经被放出来了”。RTL 生成以及顶尖系统的物理设计仍不够成熟，因为模型依赖公开数据，而关键信息属于专有内容。Haas 认为 Arm 拥有丰富 IP、文档和测试平台，因此具备优势；Elad 的观点是，无法使用、无法测试的 IP “实际上也无法训练”，因而无法用于 AI。

• Haas 认为，5年以上后，从想法直接走到 GDSII 文件对于简单设计完全可能，但不一定只需2至3年。 不过，如果要求一款芯片比 Vera Rubin 快10%、便宜20%、能效高30%，不可能靠按一下按钮解决。

• 只要 Transformer 仍是 AI 训练和推理的能量基本单位，供给至少还会紧张3至5年。 数据中心建设可能成为下一个瓶颈：不少项目既没有提前完工，也没有比预期少用人力，美国部分地区甚至在讨论放慢或限制开发。Haas 认为，这或许还好过晶圆和内存产能成为硬约束。撇开估值不谈，他表示，相对于需求出现供给过剩“远远谈不上”。

• SoftBank 可能为芯片初创公司提供资本、生态接入和潜在落脚点。 Haas 建议，资本开支密集型行业的年轻公司应尽早与供应链参与者、私募股权机构和银行建立战略合作，因为资本获取能力本身就是一道门槛。SoftBank Neo 代表集团打造 neocloud 的意图，可能为拥有芯片技术的公司提供一条路径：不必先拿下 Microsoft 或 Google 的设计导入。Haas 负责 Ampere、Graphcore 和 Stack AV 的发展方向，并协助 Masa 制定和执行机器人、OpenAI、基础设施及 Arm 相关战略。

• 机器人可能在仿人和专用形态上都发展到“几乎像《杰森一家》里的东西”，但成本高企，商业模式仍未验证。 配送中心可能率先实现大规模自动化；Elad 还提到工厂自动化、配送和自动驾驶卡车等早期场景。Haas 表示，Arm 将无处不在地进入机器人，从手指端的传感和感知，到人形机器人内部的计算。

• Haas 支持扩大美国半导体制造，并称出口管制竞赛是一场没有赢家的无限游戏；他警告，关键技术最终可能落在美国之外。 Elad 认为这种结果会很糟，主张继续站在技术前沿。Haas 认为，数据中心遭到反对主要源于对失业的恐惧，并称这种担忧缺乏依据；Elad 还指出有组织的媒体影响，Sarah 则提到电工工会要求不要禁止数据中心。谈到 CPU，Haas 说 ChatGPT 爆发后，市场过度聚焦加速器，忽略了 CPU 持续发挥的作用：随着工作负载从训练转向强化学习和推理，CPU 会与加速器和内存协同，负责调度 token 的去向。这一逻辑从数据中心延伸到边缘设备，而50瓦 GPU 不可能直接戴在人头上。

• 🔗 原始收听与视频来源： 与 Arm CEO Rene Haas 重新定义芯片架构

• Sarah Guo认为，具备竞争力的开源模型早已广泛存在，限制它们只会让美国人自缚手脚。 “木已成舟”（The cat is out of the bag）——中国、美国和欧洲的开源模型已经被广泛使用；如果美国限制这些模型，“基本上只是在限制守法的美国企业”，真正的对手则会无视规则。面对中国模型可能存在类似后门的担忧，她的答案是严格的安全测试，而不是猜测；她预计美国接下来会更多讨论“算力独立”。

• 在Conviction试图保持联系的约250位创业者和研究者中，出现了一种新信念：递归式自我改进可能在1到2年内带来“某种指数级智能”。 她同时引用Karpathy那句自我调侃的话限定这一判断：“我以为还要2年，这件事我已经说了大约10年。”她说，如今有一批研究者要么觉得自己的工作已经无关紧要，因为模型会完成一切；要么认为唯一重要的就是算力规模。

• 她给出的最激进投资组合时间表是：Sunday Robotics相信，到今年年底，通用型半人形机器人将首次以beta版本进入人类家庭并执行任务。 创始人Tony Zhou和Chang Xi曾在Toyota Research、DeepMind和Tesla工作；她认为，过去4年机器人AI领域最有意思的想法，几乎都由他们两人贡献。他们把低成本、匹配真实分布的数据采集视为核心技术问题——不到2年，就从“斯坦福地下室里的纸板模型”走到了在那里制造的全栈系统。

• 在AI+生物学问题上，她已坚定站到“是”这一边：“模型可以在生物学领域创造并捕获巨额价值。” Conviction是最早投资Chai Discovery的机构，后者正与多家全球前10大制药公司合作，加速研发。她提到了一份1000万美元合同和客户采用情况，以回应“靠向制药公司卖软件赚不到钱”的传统观点。行业真正的顿悟时刻，将是某个新适应症或新药的开发轨迹明显被AI改变——“这一定会发生”。

• 投资方面，她最大的担忧是，资本依据出身履历而非基本面判断进行配置。 大规模研究押注越来越依赖“把判断代理给履历或其他容易识别的信号”；一位极其优秀的投资人对一家公司的解释，基本上就是：“你知道这个人的质量吗？”她的结论是：“不可能所有东西都奏效……而且我未必更擅长做判断”，但如果除了一个人的履历之外没有任何观点，“那是危险的”。

• AI的主要约束不是技术或创业能力不足，而是监管、协调和实体供应链产能。 一位超大规模云厂商的基础设施负责人告诉她：“在2030年以前，没有任何东西能以足够大的规模真正改变我们的进展。”能源问题要求说服纽约人接受数据中心、说服公众相信核能安全，只有这样SMR的成本曲线才可能下降。Sarah认为，美国再工业化离不开自动化，因此竞争力是主动选择，而不是必然结果。

• 她对未来1年的希望，是Jevons悖论在现实中显现：软件工程提速能够复制到每个职能部门。 一家被投公司的营销负责人，为一个1.5人团队搭建了“一个自主运行的营销部门”；她和Patrick都表示，借助AI后自己工作得更多而不是更少，这呼应了“Jensen的一条核心判断”：所有人都会拥有更多工作。

• 🔗 原始收听与视频来源： Sarah Guo：构建AI的250人相信什么 — [Invest Like the Best，EP.489]

• Science已于7月在欧洲为其视网膜假体 Prima 获得CE商业上市批准，首批商业销售“将在未来几周内”启动——Hodak称，这是首个以这种方式让盲人恢复某种形式视觉图像的产品。 黄斑变性试验患者已经可以填数独和填字游戏、阅读书籍；Hodak称这是“证明我们走在正确方向上的绝佳概念验证”，工程路线则是增加灰度层次，以及“至少红色和绿色”（蓝色更难）。

• Prima背后的交易引擎是：Science在2022年末认定法国公司 Pixium 源自 Stanford 的植入物“远远领先、代表最先进水平”，随后又花了约2年了解这家公司，最终将其收购。 Hodak称，视觉、生物混合神经接口和 Vessel 灌注项目构成了一个“最低限度的组合”，如果成功，可能在10–15年时间尺度上推动一场重大的医学革命。

• Hodak的核心论点是，“大脑从字面意义上就是一台计算机，而且这一点非常清楚、毫不含糊”，把大脑当作计算机处理，可能带来医学领域罕见的巨大效应量。 小分子药物发现往往要花10年才能“翻开一张牌”，而“答案可能是否定的，然后所有人打道回府”；相比之下，“如果我把电极放进M1，你大概1小时内就能开始使用计算机”。

• Hodak并不认为“脑键盘”是 Science 的重点：“说话或写字就是思考”，而一个经过深度进化形成、约每秒10 bits 的认知瓶颈会一路传导到语言系统。 Science真正关注的是另一端：如果获得视觉、听觉、平衡，以及每秒1 kilobit的运动控制，“就已经走到 Matrix 的一半”。

• Science会“建设性地”使用柏拉图表征假说——即AI模型和大脑可能共享底层表征，并将动物神经记录与AI模型内部表征进行对齐。 “这感觉像物理定律：只要对物质施加足够算力，就会得到某种看起来像智能的东西。”这让Hodak意识到，AI“不是噱头，也没有撞上墙”。

• 定价尚未确定，但可比案例非常丰富：Second Sight 在2010年代中期即使只能让患者看到闪光，也曾实现每位患者约15万美元的收入；一款只能带来约0.1行改善的基因疗法，则能按每只眼睛接近50万美元报销。 Hodak称，到80岁时约每2人中有1人出现某种早期AMD，85岁时实际患病者约为每10人中1人；他估计首版在美国和欧洲对应数十万人，下一版目前正在动物试验中、希望明年进入人体试验，适用人群应扩大至数百万人。

• 未来20年的愿景是实现基底独立性并降低人类脆弱性：随着身体部件变得可升级、可替换，“那种危机感会逐渐消退”。 心血管疾病和会向大脑转移的癌症看起来“真正有机会攻克”，神经退行性疾病“仍然很难”——而且“如果最终是被胰腺杀死，我会相当失望”。

• 🔗 原始收听与视频来源： 从恢复视力到重新构想大脑：Max Hodak 对谈

• Chess.com今年营收将达到“略高于2亿美元”，日活约1000万、月活4000万至5000万、注册会员超过2.5亿；公司依靠Allebest称其2005年以5.6万美元从破产拍卖中买下的域名起家，且未注入原始股权资本。 Sand Hill Road上的投资人把它称为“不可投资”；Allebest按现金流能支撑的速度增长，2007年上线后约18个月便开始收取会员费，直到2024年才认定这是一门大生意。新的目标是：“应该有10亿人在下棋。”

• 需求一波波涌入，不断把基准线抬高，增长由此形成复利。 疫情前网站日活约100万；他原本担心疫情与《后翼弃兵》带来的增长只是“昙花一现，就像跑步机和酸面包一样”，但2023年的第二波增长——短视频内容、Mittens bot、作弊丑闻，以及孩子们在学校下棋——让公司到2024年站上了明显更高的基准线。

• 近期CVC交易仅涉及老股转让；General Atlantic进行了再投资，相关投资均未注入原始资本。 与PE行业的常见叙事相反，Allebest称两家公司都“深入参与产品和社区”，帮助公司提升运营成熟度；而他对大多数其他PE买家则“真的不喜欢”，因为对方“关注的事情都错了”。

• 面对“机器战胜人类”的问题，Allebest的回答是：人类想做人的事，而AI能让国际象棋更有趣。 Stockfish的完美表现一度让顶尖棋局“相当无聊”；神经网络Leela Chess Zero随后以激进、非传统的下法击败Stockfish，“把棋局向前推进”，如今AI已用于教练辅导、棋局复盘和个性化习题。

• 新产品Gambit（gambit.com）把国际象棋的评级机制带到扑克：记分牌不只看筹码，而是看技术评级。 “你到底有多强？不只是能不能买最多的筹码”；他预计玩家最终会“像在乎钱一样在乎评级”，并坦言：“扑克评级掉100分，真的让我很难受。”

• 他的创始人建议来自亲身经历，且与2005年的标准打法完全相反：从San Jose State招来朋友、远程办公、分文未融、获客不花钱，还选择了一个微型市场。 “别再听那些只会告诉你该怎么做的人了，直接去做。”

• 对于超人智能和AGI/ASI，他认为超人智能将以越来越快的速度发展，自己“更乐观而非悲观”，但把风险归因于文化而非技术。 “真正不该掌管世界的人，正在掌管这个世界”；而Guo则把国际象棋的增长视为证据，认为即使AI已达到超人水平，人类技能仍然有价值，并称相反的观点是“胡说八道”。

• 🔗 原始收听与视频来源： Chess.com CEO Erik Allebest：如何无外部融资打造2亿美元营收的国际象棋帝国

• Elad认为，过去5年是一个万亿美元级异常期，Anthropic、OpenAI和SpaceX大致都从接近零跃升至1万亿美元。 这并不意味着新节奏已经形成：一家万亿美元公司可能需要500亿至1000亿美元收入和良好利润率，而他只能指出1家未具名的潜在竞争者可能在3至5年内达到这一门槛。

• Sarah反驳称，投资者仍在低估AI市场扩张，把Harvey或Abridge按每名律师或医生估值，而不是追问结果定价究竟能释放多大空间。 编程已经显示，消费量和交付价值未来可能“从现在起增长100倍”（“a hundred X from here”）；Elad认可机会，但坚持认为投资者混淆了最终市场规模与建设实体产能、实现收入所需的速度。

• Elad看到，一些最优秀的新创始人正在逃离野心：对新型实验室的恐惧正把他们推向小众AI、硬件或所谓实验室难以攻入的市场。 实验室确实会自然吞并部分产品，但不会全部吞并；同时避开这两类市场，等于放弃凭产品和分发取胜的机会。

• Elad称，大多数公司至少都应考虑出售，且许多公司只有12至18个月的价值最大化窗口。 尽管Anthropic和OpenAI近期不应出售，董事会仍应每6个月重新讨论退出，因为“1年的AI时间相当于正常周期的3至4年”；创始人还要计算稀释、最终大概率约10倍或可能15倍的回报倍数，以及被困在一家已经失灵的公司中、耗掉5或6年黄金生产期的不可替代成本。

• Sarah称，实验室内部弥漫着近乎躁狂的预期：编程可能在约6个月内或今年年底前基本被解决，随后在明年年底前后迎来“轻度RSI”。 她接受模型可以帮助改进训练，但不认同对时间表的信心：一些科学家过去5年里每隔18个月就预测一次递归自我改进拐点，而数据和实体算力仍是可信的瓶颈。

• 算力稀缺正在同时制造寡头格局和人的幂律分布：几十名研究员可能贡献约80%的成果，因此实验室日益按“投入Token的回报”分配稀缺算力。 这套逻辑也说明“软件即服务之死”被夸大了——企业可能把Token留给核心产品和大幅提升毛利率的项目，而不是重做便宜软件。

• 一种显著更好的架构可能出现，但Sarah预计，无论架构如何，行业都会耗尽所有可用算力和电力；Elad认为，高概率结果是突破会被现有实验室复制。 政策可能更快重绘地理版图：两人讨论了加州税收提案如何推动人才离开，以及德州如何吸引能源与硬件生态，因为那里更容易做实验。

• Elad的广泛警告是，安全可能演变成监管俘获：高合规负担能够保护那些已经在内部以指数速度推进的实验室。 他的比较对象是核电——法国发电量约70%来自核电，美国为18%，日本为25%——他认为过度的安全政治压制了充沛能源；Sarah反驳称反应堆现在正在建设，Elad则回应：“我们没建多少。”

• 🔗 原始收听与视频来源： 追逐万亿美元公司、创始人野心、Token预算与监管俘获

• Ask DoorDash 已经在改变需求：50%的餐厅订单最终来自用户从未尝试过的商家，杂货订单的购物篮金额约高出40%。 自然语言下单释放了餐厅发现、饮食规划、拍冰箱照片补货和一键复购等场景，因为用户可以“直接把脑子里的想法自然地转成这个界面能理解的表达”。Andy称，餐厅发现率是 DoorDash 历史上最难推动的指标之一。

• DoorDash 认为，智能体商业将成为分发层，而不只是其App里的另一种交互界面。 Ask DoorDash 会吸收互联网和论坛上的最新趋势，DoorDash CLI 还可以让储藏室摄像头在库存见底时自动触发补货。Andy对更长期趋势的判断明确带有推测成分：如果“网站上的智能体流量超过人类流量”，今天重新创建的 DoorDash 会“更加智能体优先”。

• DOT 的存在，是因为时速2–3英里的道路机器人和重达4,000磅的Robotaxi都不适合 DoorDash 常见的3–5英里配送。 这款专门设计的中间形态重约300磅，车身约为汽车的1/10，最高时速20英里，可穿行于道路、自行车道和人行道；它已在 Phoenix 运营约两年，并于去年达到完全自主L4。Andy认为，更准确的比喻是“自动驾驶摩托车、踏板车或自行车形态的车辆”。

• DoorDash 所称的自动驾驶护城河，是10 billion次已完成配送所揭示的真实取货、路径规划和交付行为，而不是泛泛的用户档案。 DoorDash 年配送量超过30亿单，月活消费者超过4,000万，因此可以把郊区订单分配给 DOT、把轻量级农村订单交给无人机，再把复杂杂货订单交给 Dashers。历史上的人工交付记录还解决了标准地图图钉无法处理的“最开始和最后100英尺问题”。

• 随着规模化推进，瓶颈已从证明自动驾驶可行，转向硬件和运营的工业化。 真实部署暴露出摄像头沾污、路边落叶导致轮胎一侧打滑、再生制动带来的电气冲击、仓库和充电需求，以及一个一半时间会崩溃、每次耗时30–45分钟的启动脚本；前100台机器人靠手工制造，但接下来的1,000台或10,000台需要供应链纪律。随着自动驾驶“越来越不再是约束”，DoorDash 与 Rivian 分拆出的 Also 建立了合作。

• DoorDash 的AI支出从1月到6月增长约20倍，随后持平，迫使管理层从庆祝采用转向衡量回报。 DashBench 用真实编码任务比较模型和测试框架，包括更便宜的开放权重模型能否在较简单的工作上保留足够智能。尚未解决的问题是：模型在清洗后的实验室任务上“表现极佳”，面对杂乱的企业数据却只能“勉强可用”。

• Stanley预计，10年后 DoorDash 的 Dashers 会更多而不是更少，尽管届时已有机器人、无人机和AI。 DoorDash 目前拥有超过900万名 Dashers，数量同比增长25%，并希望扩大到5倍或10倍；如果只靠人力，最终意味着“美国一半的人每月都在送货”。他的判断是，所有配送形态会共同增长，而更低成本的配送也可能刺激足够多的新增需求，进而继续扩大人工配送队伍。

• 🔗 原始收听与视频来源： 与 DoorDash 联合创始人 Andy Fang、Stanley Tang 一起打造自主配送体验

• Isaiah Taylor的核心判断是，核能首先是硬件执行问题，而不是反应堆设计问题：要造出核能领域的“Toyota Camry”，不是现场建造而是规模化制造，并从1台迭代到数千台。 Valar Atomics看重简单性和固有安全性，而非峰值效率，因为Taylor认为，能让能源便宜10倍、赋予核能“Ford时刻”的，不是稀有材料或更漂亮的“纸面反应堆”，而是重复生产。

• 监管层面的突破，来自一条几乎被遗忘、且独立于NRC成熟商用电站监管体系之外的DOE测试路径。 在要求3座先进反应堆于7月4日前在美国本土达到临界的EO 14301之下，Valar启动了100 kW的W-250，并报告称其每秒裂变约10^17个原子。Taylor认为，这标志着核能行业“数据—许可”鸡生蛋困局第一次真正被打破：“必须先启动一些电站。”

• Valar的规模化逻辑，依靠的是降低事故后果，而不只是把故障概率工程化地压得更低。 公司计划让W-250满功率运行72小时后紧急停堆，并切断供电、循环器、泵和全部安全系统；此前的Hawthorne满温测试已经显示，被动水循环可在“操作员零输入、没有运动部件、没有电气控制”的情况下移除衰变热，并持续2天。这套以物理机制为先的安全架构，旨在支撑数千座、乃至数十万座反应堆。

• 运营指标是“tick rate”，即连续两次原子裂变里程碑之间的时间间隔。 Valar从在特拉华州提交注册文件到首次实现原子裂变，用时2年4个月；从Project Nova首次裂变到下一个反应堆里程碑，则约用了7个月。Taylor希望把间隔压缩到6个月、4个月、1个月，最终缩短至几分钟。本期节目将W-250称为第1座由初创公司实现发电的先进反应堆，也是2000年以来美国第5台做到这一点的新型核装置。

• 垂直整合既是Valar的提速引擎，也是其针对已萎缩、高利润核能供应链的进攻。 一套报价500万美元、交付周期2.5年的反应堆保护系统，被Joe的团队用约40万美元在6周内造出；一套通常需要3个月安装的模块化78英寸混凝土屏蔽体，则在42小时内完成堆叠。Taylor认为，许多现有供应商报价都是“完全虚假的成本”，只要燃料、场址、监管、屏蔽或仪控成为规模化的阻塞点，他就愿意“迎着枪火冲上去”。

• 融资和商业化策略有意先把风险集中到风险投资股权资本上，等运营证明出现后，再让债务和项目融资进入。 Valar不打算让超大规模云厂商、场址、许可和贷款方围绕一份纸面设计反复谈判，而是计划带着土地和光纤先把1GW装机落地，押注负载会随之而来。Taylor预计，靠股权资金推进的反应堆会让Valar做到第5台左右，而竞争对手还在寻找风险偏好极低的项目资本，由此形成他所称的巨大、甚至可能无法被击穿的护城河。

• AI是眼下的需求催化剂，但Taylor更大的判断是，更便宜的能源会自行创造市场。 Valar曾直接用W-250为NVIDIA Blackwell及临时部署的核能托管网站供电，但Taylor将机会定义为“从根本上无限”：1美分的电价会诱发新用途，0.1美分会诱发更多用途。他的长期判断是明确的——裂变最终会让能源便宜1,000倍，而AI和机器人会把劳动力与制造成本转化为能源成本，推动“基本上一切都免费”。

• 🔗 原始收听与视频来源： Valar Atomics创始人 Isaiah Taylor：核能将如何开启能源丰裕时代

• 没有测试时算力预算的基准分数，已经无法清晰衡量模型质量。 Brown称，标准网格上5.5相比5.4只略有提升，但用户很快发现实际体验的改善幅度要大得多。他将网格结果低估表现归因于没有测量测试时算力，并称5.5的思考效率更高；此外，在控制思考时间后，o3相对o1的跃升也相当可观。替代方案应是成本、token或时间曲线：「应该有一条横轴」（There should be an x-axis）。在实际使用中，他建议需要时快速迭代，问题值得深入处理时则允许模型进行更长时间的思考。

• 行业可能在任何人发现模型能力上限之前，就已经发布了下一代模型。 现代系统在合理搭建脚手架后，可以连续数周获得改进，在1亿个token之后仍处于上升斜率；而新模型每2-3个月就会发布。Brown建议用小规模运行外推昂贵任务的表现，例如用预算上限为10美元或100美元的实验，预测10,000美元推理预算下的结果。

• 安全框架继承了同样的测量失灵，而且 stakes 高得多。 围绕GPT-3设计的政策大体把能力视为模型的内在属性，但如今能力「取决于你投入多少钱」：预算为10,000美元时，模型可能远胜于10美元预算，投入1,000万美元又可能解锁更高能力。现有政策没有清楚回答，评估网络攻击、生物武器或其他危险能力时，究竟应以哪档预算为准。

• Brown的扑克求解器测试表明，模型进步幅度远大于基准分数变化所显示的幅度。 用5.2时，他构建河牌求解器的速度约为独自完成时的5倍，尽管模型仍可能不可靠；5.5在温和引导下已经几乎可以构建完整求解器。若6个月或1年内出现一个模型能够复现「基本上我的整篇博士论文」（basically my entire PhD thesis），他不会感到意外。

• 现有模型可能已经具备有价值的科学能力，只是短期挖掘仍不经济。 Brown称，经过脚手架搭建的5.5，很可能能在OpenAI内部模型之前找到Erdős单位距离猜想的反证，推理成本大致为1,000–100,000美元。如果每次发布都能将这类发现的成本降低10倍或100倍，某些情况下甚至更多，投资问题就变成：何时部署算力，何时等待下一条成本曲线。

• 递归式自我改进看起来是渐进过程，因为研究品味和时间仍是硬约束。 模型可以将现有算法优化10–100倍，却仍然无法发明更好的算法；而最强结果需要长时间运行推理：「时间本身变成了瓶颈」（Time itself becomes a bottleneck）。更大的上行空间可能来自持久化的多智能体知识积累，而不是一夜之间出现的智能爆炸。

• 路由业务必须证明，在同等成本下，它们胜过直接让最强模型进行更长时间的思考。 多模型共识可以提高分数，但Brown追问，在统一测试时算力后是否仍然占优，以及基准上的提升能否经受真实世界使用的检验。这使预算标准化评估成为判断路由、编排和模型选择层价值的核心。

• 🔗 原始收听与视频来源： AI中的超大规模测试时算力正在改变基准、安全与研究：与OpenAI的Noam Brown对谈

• Tan 的转型论从恢复 Intel 的运营本能开始，而不是先宣称技术领先。 66岁接任时，他说自己“纯粹是为了拯救 Intel”，随后将所有工程组织置于自己直接管理之下，砍掉会议层级，要求以创业公司速度决策。他的顺序刻意不追求光鲜：“爬行”、谦逊倾听、修复资产负债表、简化产品，然后再走、跑、冲刺。

• 战略资本与复苏中的 CPU 需求，为 Intel 的执行提供支撑。 Tan 欢迎美国政府成为主要股东，并援引其他国家政府支持半导体基础设施的先例；Jensen Huang 投资了 $5 billion，Tan 说这笔投资“现在已经变成 $25 billion”，SoftBank 也提供了帮助。随着推理和 agentic AI 扩张，他预计训练阶段 CPU 与 GPU 的比例将从 1:8 升至 1:4，甚至可能达到 1:1，因为模型开发者告诉他，CPU 更适合强化学习和 agent 编排。

• Intel Foundry 是一场押注美国供应链韧性与长期信任的持久战。 Tan 曾考虑退出，因为这项业务资本密集且远远落后于 TSMC，但最终认为，供应链韧性需要美国拥有更先进的产能。能否胜出取决于 IP、良率、缺陷密度和周期时间等朴素但可验证的指标，因为晶圆代工“本质上是服务业”，也是“信任生意”；他预计其潜力将在 2030–2032 年左右开始显现。

• TeraFab 将检验 Intel 能否把自身工艺技术，与 Elon Musk 质疑一切惯例的意愿结合起来。 Musk 希望为汽车和机器人所需的芯片建设自有晶圆厂，Intel 正每周与其合作，帮助他更快实现量产。Tan 欢迎这种非传统审视，但表示自己不会走到在洁净室抽烟这一步，同时仍对这个想法持开放态度。

• AI 需求正撞上软件无法消除的物理约束。 Tan 指出电力、氦气和存储器短缺，而新晶圆厂产能需要多年建设，成本上升最终会传导给客户。在 18A 和 14A 之后，他看到了通往 10A 和 7A 的路径，但难度升级正把他推向先进封装、玻璃、人造钻石、氮化镓、碳化硅和磷化铟。

• Tan 的半导体投资公式是：找到痛苦的瓶颈，锁定一家 hyperscaler 客户，并预期计划会改变。 他提到自己多年来参与了 159 次 IPO 和并购，并投资了 238 家公司，其中 38% 在美国；当前关注互连、光链路、EDA、电源转换和散热管理。“我投资的10家公司中，有9家”会在中途改变商业计划，因此，能适应变化的团队，以及愿意陪伴企业熬过濒临破产阶段的投资者，比僵化的预测更有价值。

• 潜在的 10x 逻辑，建立在全栈、应用专用计算之上，而不是无差别增加 AI 基础设施支出。 Tan 希望 Intel 将 XPU 产品、软件、先进封装和晶圆代工整合为面向 PC、边缘计算、agentic AI 和 physical AI 的定制化系统。在他所称的14个月股东回报增长6倍之后，他提出未来5到10年实现 10x 的目标，但也表示，基础设施最终由规模大、可持续且竞争不会拥挤到无法盈利的应用来决定赢家。

• 🔗 原始收听与视频来源： 与 Intel CEO Lip Bu Tan 重构半导体供应链

• Biohub承诺投入5亿美元发展虚拟生物学，是一笔押注“耐心资本”的投资，核心判断是生物学的主要瓶颈在于专门构建的数据，而不只是更大的模型。 与互联网文本不同，生物学所需的大量数据并不存在：研究者必须发明新的成像、细胞工程和传感方法，先把这些数据生产出来。Zuckerberg认为，这需要“前沿生物学与前沿AI”，并以10至15年的时间跨度为支撑。

• Biohub有意将AI与湿实验室融为一体，沿着蛋白质、细胞到完整系统的层级搭建生物学模型。 每一层可能都需要性质完全不同的数据和建模方法，但蛋白质相互作用构成细胞的基础，细胞又有助于解释免疫、炎症等系统。这样的架构试图闭合实验循环：定向实验生成跨层数据，模型则支持预测和设计。

• 最新发布的ESMfold是本期最有力的验证：这一通用蛋白质模型预测了超过11亿种蛋白质的结构，并在没有接受抗体专项训练的情况下支持了设计能力。 团队从数十万条数字轨迹中筛选并合成96种蛋白质，装入96孔板后发现纳摩尔级结合分子。Rives说：“我们刚刚设计出了一个能够理解蛋白质的模型”；蛋白质设计正是这种理解自然涌现出的能力。

• 开源既是Biohub的分发策略，也是其核心非营利逻辑，而不是研究之外的附属选择。 Zuckerberg认为，让更多人更快获得这些模型所产生的影响，会超过模型商业化带来的收益；Chan则认为，中立基础设施能够吸引学术界、生物科技公司和罕见病群体，而这些对象往往会被商业优先级排除在外。唯一明确的前提是：开放生物学模型会带来生物安全问题，仍需在影响力与风险之间取得平衡。

• Biohub的临床终点是机制驱动的个体化医疗：把一个人的遗传信息连接到蛋白质、疾病过程和定制化干预方案。 Chan将其与今天基于队列的猜测式医疗作对比——患者只能问“我在这篇论文里有代表性吗？”——并表示，单细胞图谱最终可能帮助研究者在人类试验前预测肾毒性等脱靶效应。她的目标是“把每个人当作独立的个体来治疗”。

• 药物设计的成本可能大幅下降，但嘉宾并未假设分子研发提速就能自动解决临床开发问题。 主持人将现有流程概括为约15年、15亿美元，其中分子发现和临床前工作只有约5000万美元，开发阶段则要花费14.5亿美元。Chan认为更不清晰的是，临床研究、药物递送、监管和安全部署本身需要如何改变，才能缩短从实验台到患者之间的距离。

• Biohub在执行层面的押注是：一支由12名或20多名顶尖研究者组成的稳定团队，可以在不扩张到数百或数千人的情况下取得实质进展，前提是将前沿AI、前沿生物学、算力、实验和新数据生成能力结合起来。 5年后的成功标准，是产出“明显更好”的分层生物学世界模型，以及独特的知识贡献；Zuckerberg预计，此后下游创意会自然涌现。他更广泛的判断是，AI仍然“按计划推进”于一条加速曲线上，即便这条轨迹在心理上已经难以承受。

• 🔗 原始收听与视频来源： Biohub：生物学的未来是开源的——联合创始人 Mark Zuckerberg、Priscilla Chan 与科学负责人 Alex Rives

• Satya Nadella 的战略判断是，AI 必须成为一个生态系统，而不是“单一模型，甚至不是单一平台”。 平台只有在参与者在其上创造的价值超过平台所有者在平台内部攫取的价值时，才配得上这个称呼；否则，开发者只是在“一个模型的圣坛前膜拜”，几乎没有理由相信会形成可持续的终值。

• Microsoft 的模型战略，是将来源清晰的 MAI 模型与帮助客户打造专用模型的工具链结合起来。 这套技术栈从高质量数据和消融实验起步，再叠加迭代爬坡框架、强化学习、轨迹数据和私有评测。在 Land O’Lakes 的案例中，Microsoft 先使用“GPT-55”收集轨迹数据，再将这些数据用于一个 5B 推理模型，最终取得更高成绩。

• 私有评测可能成为公司最重要的 AI 原生知识产权。 Nadella 的检验标准很简单：企业能否把模型 A 换成模型 B，并在不泄露轨迹数据的情况下，持续围绕自己拥有的评测取得进步；“如果可以，你就在掌控之中；如果不行，你就不在掌控之中。”（“If you can, then you’re in control. If you can’t, you’re not in control.”）

• 智能体扩大了软件创造价值的空间，但也迫使 SaaS 厂商拆解现有资产和定价体系。 稳定的数据模型和业务逻辑依然有价值，而智能体接口会创造新的用量：Work IQ 将 Microsoft 365 原本被锁定的邮件、会议和文档转化为上下文，并据此提出 GitHub 代码库的修改建议。

• 按用户订阅会继续存在，但高强度智能体必须配套用量计量。 按用户定价能带来预算确定性；结果定价听起来诱人，但一旦变成“把版税白送出去”，就会失去吸引力。GitHub Copilot 最初的按用户设计没有预料到客户会全天运行“10,000”个智能体，因此不可能用一种定价模型覆盖所有工作负载。

• 组织获得最高回报的方式，可能是把工作提升为“元工作”，而不只是自动化现有任务。 Microsoft 在15个月内新增的 Azure 容量超过了其前15年建设总量后，网络团队重新定义了自己的工作：“我们的工作不是做 Azure 网络，而是构建负责做 Azure 网络的智能体系统。”

• 数据中心建设只有在社区看到切实收益时，才能获得社会许可。 Nadella 表示，未来12–18个月必须证明广泛参与、就业、培训、税收、更好的健康结果以及其他具体收益，而不能再讲一个“相信我们，我们已经搞定了”的故事。教育仍是亟待重塑的领域，为“一所新大学”留下了空间，将 AI 时代的教学法和学历资质与经济机会连接起来。

• 🔗 原始收听与视频来源： 我们需要一个 AI 生态系统，每家公司都能在其中赢得一席之地

• Nadella 的核心判断是，AI 创造的价值应归于一个能让每家公司“以自身的前沿智能运行”的生态，而不是某一个模型。 他衡量平台的标准，是平台之上创造的价值是否多于平台内部攫取的价值；MAI 的干净血缘、专业化脚手架，以及一款能够爬山式优化的 5B 推理模型，正是 Microsoft 走向这一平衡的路径。

• 真正持久的护城河，可能是公司的私有评测、上下文、工具和 agent 轨迹，而不是对通用模型的访问权。 Nadella 的试金石是：从模型 A 切换到模型 B，能否依靠私有评测继续取得进步；“如果能做到，你就掌握了控制权。”这些轨迹还可以训练出一个“公司元老 agent”，把过去无法写入资产负债表的隐性知识沉淀下来。

• AI 的真正评测标准，是可量化地完成了多少工作，而部署难度仍远高于 scaling law 基准所暗示的水平。 编程已经产生“100个 agent 会话”，转移给人的认知负荷大到需要重做 IDE、画布，最终还需要一个用于审计隔夜自动驾驶 agent 的“ADE”。价值在于压缩工作流，而上下文准备才是“魔法发生的地方”。

• SaaS 更可能被拆包和重新定价，而不是被抹去。 稳定的 schema、业务逻辑和语义模型仍然有价值，agent 则会以新的组合方式把它们暴露出来；例如 Work IQ 可以把 Microsoft 365 的会议纪要连接到 GitHub 代码库。定价将混合按用户收费的确定性与按消耗计量，因为为代码补全设计的订阅，并不是为某人启动“10,000个” agent 而生。

• 组织层面的最高回报，可能流向那些职责范围不断扩大的通才，而基础设施专家的重要性反而会上升。 LinkedIn 建立了“全栈构建者”这一职能，Azure 网络团队也重新定义工作：打造运行网络的 agentic 系统。在 Microsoft 用 15个月建成超过前 15年总量的 Azure 产能后，负责管理 500多名光纤运营商的团队开始要求 tokens，而不是增加人手。

• 数据中心扩张只有在社区能切实看到能源、水、就业、培训和税基方面的收益时，才能获得许可。 Nadella 拒绝“相信我们，我们已经搞定了，未来会无比辉煌”这套说法；在 12–18个月内，人们需要看到参与其中、成为平等参与者的现实路径。高能耗只有转化为广泛的经济和人本价值，才能获得社会接受。

• 教育仍是 AI 尚未充分开发的机会，因为仅仅获得信息，并不能重做激励机制、资格认证或就业路径。 Nadella 仍坚持学习者必须理解概念，并以一个亚洲 CS 指南的例子说明：学生被要求学会应用 softmax，而不是只让 agent 修复训练任务；但他认为，下一家重要的创业公司可能会打造“一所新大学”，或一种把课程与有价值的经济机会连接起来的新教学法。

• 🔗 原始收听与视频来源： Satya Nadella 谈 AI：2026 Microsoft Build 大会 @NoPriorsPodcast x Latent Space 跨界特别节目

访谈摘要与收听要点：Onyx 典型企业的智能体中，自主编码智能体占比超过50%，传统权限工具却无法判断操作是否符合用户意图。Onyx 用微型专用模型筛出需强智能体审查的高风险操作，以控制成本和延迟。其结构性独立、行为历史访问权及异质模型市场或构成护城河，但智能体的独立判断与用户意图冲突仍是未解风险。

• 🔗 原始收听与视频来源： 与 Onyx Security CEO Maxim Bar Kogan 打造企业级 AI 守护者
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：2025年模型真正变得有用后，Cerebras称其晶圆级系统在不同模型上比GPU快15、18乃至20倍，推理延迟由指标变成日常约束。G42的10亿美元订单推动大规模集群实战，Feldman称超过200亿美元的OpenAI协议及AWS部署将检验其今年制造规模提升10倍的交付与扩产能力。

• 🔗 原始收听与视频来源： Cerebras 630亿美元IPO背后的故事：创始人兼CEO Andrew Feldman
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：Pax Silica 在菲律宾的首个工业安全区，将结合外交资产、盟友制造能力和私人运营商，解决超越芯片的供应链集中问题。机器人、关键矿产和自动化生产带来重大机会，但定价协议、执行能力以及跨政府的政策延续性仍未解决。

• 🔗 原始收听与视频来源： Pax Silica：与 Jacob Helberg 深入解读 Trump 政府的科技战略
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：Baseten的30倍增长和预计超过10亿美元的营收，反映AI原生应用正在爆发，而专有工作流反馈正成为定制化生产推理的持久护城河。超过95%的token通过专用推理运行，18朵云上的90个集群接近满载；3至5年算力合同和约20%的TCV预付，使供给、营运资金和更早上市成为核心风险。

• 🔗 原始收听与视频来源： Baseten CEO Tuhin Srivastava谈定制模型与构建推理云
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：USDC正从美元支持的支付产品，演变为覆盖微支付、AI Agent和数亿美元交易的通用结算协议。Arc通过已知验证者、低于1美分的成本和确定性结算瞄准机构信任，而证券代币化与Agent交易可能将需求推向数十亿甚至数万亿笔。

• 🔗 原始收听与视频来源： 与 Circle 联合创始人兼 CEO Jeremy Allaire 讨论 AI Agent 将如何改造金融系统
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：McDermott以“AI负责思考，工作流负责执行”反驳SaaS末日论：复刻简单应用的成本将达10倍，而ServiceNow连接超过850亿条工作流、7万亿笔交易和约800个记录系统。智能体已处理90%的客服案件，智能体辅助与消费量能否持续上升，是经营杠杆和股东价值的关键观察点。

• 🔗 原始收听与视频来源： AI时代的全球组织规模化：与ServiceNow董事长兼CEO Bill McDermott对话
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：Karpathy表示，软件工程已从约80/20的手写代码与代理委托，翻转为20/80，人的编排能力和token吞吐量成为新瓶颈，而持续运行的claw可能抹掉整层应用。当目标可度量时，AutoResearch能够超过资深研究员的手动调参，但判断和评估薄弱仍限制自主性，长期就业影响也未确定。

• 🔗 原始收听与视频来源： Skill Issue：Andrej Karpathy谈代码代理、AutoResearch与AI的Loopy时代
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。

访谈摘要与收听要点：Notion 从 AI Writer 到工作空间问答再到个人代理的进展，体现了以迭代速度为核心的战略；检索质量和针对不同来源的索引，仍是企业自主工作的底层工艺。编码代理扩大的是个体生产率和人才差距，而不只是缩减团队；模型中立基础设施与“审批—信任”循环，则把 Notion 重定位为人类管理自主代理的工作空间。

• 🔗 原始收听与视频来源： 从笔记应用到 AI 工作空间：Simon Last 专访
• 📝 核心文稿归档状态：已完成核心观点智能提炼，原声时长约 45~90 分钟，建议结合上方要点快速阅读。