Aftercasting

节目

排序:时间频道名
筛选:全部已收藏关注的频道
日期:
今天

Ryan Greenblatt——当 AI 能自动化 AI 研究时，会发生什么？Ryan Greenblatt – What happens once AI can automate AI research?

Dwarkesh · 8 月 11 日

Redwood 的 Ryan 为 RSI 钢化：AI R&D 可验证、可容器化 RL，自动化后中位或一年塞进约 4–5 年进度（自动化 AI R&D 中位约 2030–31，全面岗位超人约 2033）。辩论人类专家数据是否主瓶颈、token 价横盘含义、不可验证技能是否必需（或 R&D/机器人已够改天换地）。长辩 Cl

对持续学习时代的 8 个预测8 Predictions for the Era of Continual Learning

Dwarkesh · 8 月 7 日

短独白：若 AI 不能真正持续学习（只靠会话间写 markdown 备忘），就做不到人类级「整份工作」；一旦持续学习到来，训完再部署再评估的监管模板会过时，技术对齐必须覆盖不断改权重与跨用户巩固，心智多样性与个性化上升，同时实验室级蜂巢学习与权力集中风险剧增——现在锁定「部署前一次安全门」可能适得其反。

推理工程大师课——Philip Kiely 与 Ali Taha，BasetenThe Inference Engineering Masterclass — Philip Kiely & Ali Taha, Baseten

Latent Space · 8 月 3 日

这场对谈把“推理工程”从简单的模型托管展开为一整套跨越量化、推测解码、GPU 内核、分布式通信、结构化输出、模型改造与持续学习的系统工程：真正的目标不是让模型勉强吐出 token，而是在接近原始模型质量的前提下，以更高速度、更低成本和更强可靠性服务真实流量。

为什么更聪明的 AI 模型可能使算力价格上涨 10 倍Why smarter AI models could drive up compute prices 10x

Dwarkesh · 8 月 3 日

若前沿实验室营收继续年 10× 而总算力供给大约年 3×，则必须靠提高利润率、提高算力价格、和提高推理（相对训练）占比三者之一或组合；三者已在发生。实验室本不愿让推理吃掉训练预算，但更强模型抬高每瓦特可变现价值后，出价能力上升，算力现货/合约价可能较今日廉价时代上涨约一个数量级——「便宜算力」或将结束。

与 Netic 创始人 Melisa Tokmak 聊打造面向现实世界服务的自主运营企业Building an Autonomous Enterprise for Real-World Services with Netic Founder Melisa Tokmak

No Priors · 7 月 31 日

Netic 创始人兼 CEO Melisa Tokmak 向 Elad Gil 解释：在 HVAC、宠物护理、酒店等「真实世界必要服务」中，用 AI agent 承接客户沟通、调度与派工，使企业聚焦蓝领交付；她主张做可规模化产品而非 AI roll-up，不认为前沿实验室是近期对手，并看好 AI 对教育的平权作用。

#499 – Gary Gallagher：美国内战、奴隶制、林肯、格兰特与李#499 – Gary Gallagher: American Civil War, Slavery, Lincoln, Grant & Lee

Lex Fridman · 7 月 28 日

内战史家 Gary Gallagher 与 Lex 深谈美国内战：奴隶制是无可替代的起因（但士兵动机≠因果）；林肯与格兰特对联邦、李对邦联的个体权重“超乎计算”；解放宣言是战时统帅权下的军事—政治工具；维克斯堡与 1864 选举比重高于大众神话中的葛底斯堡；失落事业与纪念碑是未结束的记忆战争——共和国分裂像 1850

Codex 从 0 到 10M 用户：打造 ChatGPT Work——Akshay Nathan，OpenAICodex from 0 to 10M Users: Building ChatGPT Work — Akshay Nathan, OpenAI

Latent Space · 7 月 28 日

OpenAI 核心产品工程负责人 Akshay Nathan 解释了 ChatGPT Work 如何把 Codex 的AI 智能体（Agent）能力从开发者扩展到所有知识工作者：产品不再按职业划定边界，而是以统一智能体底座、可迭代的 Sites 与表格工件、记忆和子智能体为基础，让用户获得更大杠杆；但真正的瓶颈正从“能

与 DoorDash 联合创始人 Andy Fang 和 Stanley Tang 聊打造自主配送体验Building an Autonomous Delivery Experience with DoorDash Co-Founders Andy Fang and Stanley Tang

No Priors · 7 月 23 日

DoorDash 联合创始人 Andy Fang 与 Stanley Tang 向 Sarah Guo 说明：Ask DoorDash 自然语言订餐/杂货如何改变发现与客单价；公司自 2018 起布局自动驾驶配送，自研 Dot 机器人在凤凰城跑了两年多；强调「用例倒推」与多模态车队，并预测十年后 Dasher 人数不减

走进模型工厂——Eiso Kant，Poolside AIInside the Model Factory — Eiso Kant, Poolside AI

Latent Space · 7 月 22 日

Poolside AI 联合创始人 Eiso Kant 以自己从早期代码语言模型失败、烧掉 1200 万美元，到重新押注强化学习与开放模型的经历为主线，解释了为什么前沿模型竞争的核心不只是算法或 GPU 数量，而是把数据、训练、实验、AI 智能体（Agent）、可复现性和组织协作工业化为一座高吞吐、可信赖的“模型工厂”

🔬因果模型需要因果数据——Xaira 用于药物发现的 X-Cell 模型（首席发现官 Bo Wang 与首席 AI 科学家 Ci Chu）🔬Causal Models Need Causal Data - Xaira’s X-Cell model for Drug Discovery (Bo Wang & Ci Chu, Chief Discovery Officer & Chief AI Scientist)

Latent Space · 7 月 21 日

Xaira 的核心判断是：虚拟细胞的突破不能只靠更大的模型或更多观察性单细胞数据，而要把高通量湿实验、跨细胞类型的因果扰动数据与能够预测干预后基因表达变化的生成模型结合起来；X-Cell 正是这一“自建数据—训练模型—实验验证—服务药物发现”闭环的首次系统化展示。