筛选结果
66 篇排序
2:00:51EN → 简体中文在每个 Token 处重新采样,就能看见模型怎样做决定主持 Nathan LabenzGoodfire 的 Eric Bigelow 谈分叉路径、上下文学习,以及为什么越来越难信任思维链(chain-of-thought)监控。
1:09:44EN → 简体中文1 万块 GB300 跑四周:Reflection 的开源模型账本主持 Sarah Guo, Elad GilMisha Laskin 在 No Priors 节目中讲述 Reflection 如何训练 Beam、为什么强化学习的投入超过了预训练,以及为什么西方需要自己的开源权重。
56:31EN → 简体中文后训练赢在推理:为什么掌控权重,胜过押注某一家实验室主持 Jacob EffronApplied Compute 的 CEO Yash Patil 认为,掌控权、私有评测,以及在最大的工作负载上做后训练,比担心前沿实验室变得恶意更重要。
2:06:11EN → 简体中文Lindy 跑在 DeepSeek 上,CEO 却主张禁用中国模型主持 Nathan LabenzFlo Crivello 向 Nathan Labenz 讲述 Lindy Teammate 如何住在 Slack 里、如何用两次模型调用就调出 20 亿个 token 的记忆,以及他为什么仍想禁止那些目前支撑着这款产品的廉价中国模型。
2:16:29EN → 简体中文从每月两篇到每月六十篇:两周中国行看到的 AI 安全主持 Nathan LabenzNathan Labenz 认为,那句耳熟能详的“中国绝不会慢下来”,一接触到中国真实的 AI 安全生态就站不住了。
51:31EN → 简体中文他们退还了将近 200 万美元,随后 Factory 的 CEO 讲起了“黑灯工厂”(dark factory)Matan Grinberg 谈自己早了两年的布局,为什么与模型无关的调度框架(harness)胜过实验室的联合设计,以及为什么很快就会有 90% 的编码 Token 在熄灯的状态下运行。
1:47:38EN19 Neurons Can Drive a Car. Liquid AI Wants Foundation Models on Every Chip主持 Nathan LabenzRamin Hasani traces liquid neural networks from a worm's 300-cell brain to a 600-megabyte model that will talk from inside a Mercedes, and explains why architecture search now beats architecture avengers.
1:06:36EN → 简体中文账单一夜翻倍,接下来 API 可能会消失主持 Jacob Effron隔了半年,Ari Morcos 和 Rob Toews 再次与 Jacob Efron 碰面,讲了为什么编程智能体终于能用了,为什么接近前沿的开放权重模型可能已经见顶,以及算力短缺为何可能让公开 API 被拔掉插头。
42:57ENInference Is the Last Market: Baseten’s 30x Year主持 Sarah Guo, Elad GilCEO Tuhin Srivastava on a billion-dollar inference cloud, why the app layer survives, and a GPU crunch worse than the narrative.
54:26ENTen Billion Active Parameters, and the Unsexy Work of Making Them Agent-Ready主持 Nathan LabenzMiniMax researcher Olive Song explains how M2 was trained with expert developers as reward models, interleaved thinking, and a perturbation pipeline that treats every scaffold change as the real generalization test.
4:25:13EN → 简体中文架构几乎没变,变的是数据、成本和开放权重主持 Lex FridmanNathan Lambert 和 Sebastian Raschka 带 Lex Fridman 回顾了这一年:训练方法和数据集的变化,远大于模型设计的变化。展望 2026 年,争论的焦点似乎是推理成本、智能体,以及真正开放的模型该归谁。
1:54:30EN → 简体中文癌细胞比例从 1/10 降到百万分之一主持 Nathan LabenzNathan Labenz 独自主持的 AMA(有问必答),更新了儿子淋巴瘤的治疗情况,称 Claude Opus 4.5 为软件层面的通用人工智能(AGI),并盘点了 2026 年初仍具竞争力的玩家。
1:16:21EN → 简体中文黄仁勋的年终论证:Token 成本可以降低十亿倍,工作岗位也不会因此消失主持 Sarah Guo, Elad Gil在 No Priors 节目里,英伟达 CEO 借放射科、开源和 2 万亿美元的研发预算,论证 2025 年那些极端说法都没有看到完整的技术栈。
1:18:40EN → 简体中文当 AI 成了油井:Luke Drago 谈“智能诅咒”(intelligence curse)主持 Nathan LabenzWorkshop Labs 联合创始人在未来生命研究所(FLI)的播客中讲述,非人类生产主导的世界为何可能重演资源诅咒(resource curse),以及私人数据、开放权重(open weights)和登月式的职业选择,或许仍能打破这一局面。
1:32:38EN → 简体中文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。
1:09:48EN → 简体中文中国 AI 实验室从 15 家减到 6 家,算力差距是 15 比 1主持 Jacob EffronJordan Schneider 在《Unsupervised Learning》节目中说,中国的模型是私人资本的故事,北京仍然从硬件的角度看问题。西方真正的优势,在于它能够对外供应的芯片,并非什么国家统筹的总体规划。
1:25:54EN → 简体中文训练结束数小时后,Z.ai 就把权重放上了互联网主持 Nathan LabenzZ.ai 的 Zixuan Li 向 ChinaTalk 讲述中国实验室如何发布 GLM,如何把开放权重当作进入西方生态的门票,以及他们仍然如何看待自己:一家后起之秀。
43:09EN → 简体中文Hugging Face 要为物理 AI 建应用商店:入门机械臂 100 美元,机器人 300 美元Thomas Wolf 在红杉资本的《Training Data》节目中谈到,LeRobot、廉价硬件和开放数据集,是 Hugging Face 押注软件开发者能够成为机器人工程师的赌注。
47:18EN → 简体中文追踪 200 家 GPU 云的分析师,把英伟达拆成了三头龙主持 Sarah Guo, Elad GilSemiAnalysis 创始人 Dylan Patel 谈 OpenAI 的开放权重(open-weight)模型、即将到来的新型 GPU 云(neocloud)大洗牌,以及一家芯片初创公司为什么必须同时在硬件、网络和软件上击败英伟达。
36:48EN → 简体中文DeepSeek 周末发布,白宫打来电话主持 Sarah Guo, Elad GilSriram Krishnan 在 No Priors 节目里讲解了美国的 28 页《AI 行动计划》、以 Token 份额定义的胜利,以及为什么美国对中国的领先小到不能视为理所当然。
2:14:55EN → 简体中文从 Character AI 到 1% 的预警事件:Gabriel Weil 主张用法律责任治理 AI主持 Nathan LabenzTouro University 法学教授在与 Nathan Labenz 的对谈中说明:过失责任、严格责任和惩罚性赔偿,可以如何让前沿实验室把公众风险当作落在自家资产负债表上的损失。
54:53EN → 简体中文一个免费投票榜烧掉 200 万美元,之后却融到了 1 亿美元主持 Jacob EffronDatabricks 联合创始人 Ion Stoica 解释了 LMArena 为何存在,中国为何在开源(open source)模型上占据优势,以及为什么真正拖住 AI 的仍然是可靠性,而不是又一条规模定律(scaling law)。
1:30:57EN → 简体中文蚂蚁集团 3200 亿美元 IPO 在最后一刻被叫停:Angela Zhang 谈中国科技的走钢丝主持 Nathan Labenz一位南加州大学法学教授梳理了支配中国科技的那套动态金字塔,从滴滴上市讲到 DeepSeek 的价格战,并解释了她为什么认为美国正开始越来越像中国。
45:06EN → 简体中文Mike Schroepfer:AI 的瓶颈是电力,一艘超级油轮装的聚变燃料就够美国用一年主持 Jacob EffronMeta 前首席技术官(CTO)对 Redpoint 说,超大规模云厂商(hyperscaler)的需求为何是气候故事的核心,Llama 的本质为何是一场“获取”布局,以及明天的 CTO 为何依然取决于优先级队列(priority queue)。
加载更多已显示 24 篇,共 66 篇









