筛选结果
11 篇排序
32:20EN → 简体中文本地 AI 究竟适合谁？成本、取舍与混合模式的未来Matthew Berman · Forward FutureMatthew Berman 权衡数据控制和自主权，与硬件成本、设置复杂度及推理速度之间的关系。
1:04:14EN → 简体中文
Unsupervised Learning: With Jacob Effron· 2026年7月31日播客帮忙在 120 天内建起 Colossus 的人，正押注一个住在你家里的 AI主持 Jacob EffronxAI 联合创始人 Igor Babuschkin 离开后创办了 River AI。他认为，编程智能体（Agent）已经跨过了一道门槛，闭源实验室正被挤压，而下一个大奖是个人化、本地化的智能。
1:47:38EN → 简体中文
Cognitive Revolution "How AI Changes Everything"· 2026年7月4日播客19 个神经元就能开车，Liquid AI 想把基础模型装进每一块芯片主持 Nathan LabenzRamin Hasani 从线虫只有 300 个细胞的大脑讲起，一直讲到将在梅赛德斯-奔驰汽车里开口说话的 600 兆字节模型，并解释为什么如今的架构搜索，已经胜过那些凭经验拍板的“架构复仇者”。
1:32:38EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2025年12月6日播客波兰语只占前沿训练数据的 1%，所以波兰自己做了一个模型主持 Nathan Labenz波兰国家信息处理研究所的 Marek Kozlowski 讲解 PLLuM 如何借助语言适配、有机指令和本地部署的小模型，让一个中等规模的国家掌握自己的 AI。
5:27EN → 简体中文体验 DeepSeek R1 的方式：托管与本地蒸馏模型Matthew Berman · Forward FutureMatthew Berman 演示 DeepSeek 聊天、Groq 托管的蒸馏版，以及 LM Studio 本地模型。
2:24:18EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年10月30日播客MMLU 在训练后期才脱离随机水平，loss 只是一个警报主持 Nathan LabenzZyphra 的训练负责人讲解了 Zamba 2 的混合架构、真正重要的评测，以及小型实验室仍需重新摸索的那些技术诀窍。
1:16:11EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年7月11日播客把食物舀进餐盒，占了工厂人工的 70%主持 Nathan LabenzChef Robotics 首席执行官 Rajat Bhageria 谈 2000 万份装盘餐食、食品领域的基础模型，以及厨房为什么可能搬出住宅。
34:09EN → 简体中文
No Priors: AI, Machine Learning, Tech, & Startups· 2024年6月27日播客 · 2 人对谈五个独立团队都找到了同一个胜过 Transformer 的 10:1 混合比例主持 Sarah Guo, Elad GilS4 和 Mamba 的作者认为，以状态空间（state-space）层为主、再掺一点注意力（attention）的架构才真正有效，他们首先把它做成了实时语音。
29:09EN → 简体中文No Priors: AI, Machine Learning, Tech, & Startups· 2024年5月9日播客 · 2 人对谈超大规模云厂商投入 2000 亿美元，下一个瓶颈是一座发电厂主持 Sarah Guo, Elad GilSarah Guo 和 Elad Gil 聊了音乐模型、端侧大语言模型、长上下文，以及 AI 资本开支为什么如今可以和石油、宽带建设相提并论。
38:33EN → 简体中文No Priors: AI, Machine Learning, Tech, & Startups· 2024年3月21日播客 · 2 人对谈速度是可以花钱买的：Baseten 押注推理（inference）主持 Sarah Guo, Elad GilTuhin Srivastava 向 Sarah Guo 和 Elad Gil 解释，为什么一家六人的聊天机器人公司，每天要跑十亿个 Token，也不该自己搭建推理服务栈。
1:18:48EN
Lex Fridman播客Data Movement, Not Math: How to Make Deep Learning Fit on Robots and Phones主持 Lex FridmanMIT professor Vivienne Sze explains why moving data dominates the energy cost of neural networks and how co-designing hardware and algorithms can cut it by orders of magnitude.