Latent Space · 10 月 13 日
Dyna Robotics 希望把“预测世界如何变化”与“控制机器人如何行动”放进同一个模型，再通过合适的硬件、少量任务数据和分层智能体系统，让机器人从短时演示走向真实场所中的长时工作。
a16z · 10 月 13 日
AI 数学能力的进展值得密码学界认真测试，但本集嘉宾强调：目前没有证据表明已部署的密码系统被 AI 攻破；当务之急是取得可信的测试结果，而不是仓促迁移资产。
Training Data · 10 月 13 日
David Silver 与 Lasse Espeholt 押注：通向超级智能的关键，不是继续灌入人类知识，而是让 AI 智能体（Agent）在足够丰富的环境中，凭经验持续自主发现。
All-In · 10 月 12 日
Martin Shkreli 从做空量子计算、寻找大药企闲置药物资产，谈到 AI 算力的长期替代技术与自己入狱后的反省；贯穿全场的问题是：一种技术或资产“很有前途”，是否足以证明今天的估值、商业模式和个人判断都正确？
a16z · 10 月 12 日
真正的递归自我改进，不是“用 AI 帮人开发 AI”，而是让参与改进的系统也成为被改进的对象；要判断它是否奏效，还必须同时核算能力增益、资源成本与测量误差。
a16z · 10 月 11 日
Nick Bostrom 主张为超级智能保留“必要时减速”的能力，但反对把无限期暂停当成默认答案：AI 风险、延迟医疗突破的代价，以及权力可能因此更集中，必须放在一起衡量。
The Cognitive Revolution · 10 月 10 日
语言模型的关键决定，可能并非早已藏在一条完整的「思维链」里：某个被采样出的 token 会改变后续上下文，让答案概率骤然转向；而随着推理过程越来越难读，理解这种转向需要同时研究行为分叉和模型内部表征。
a16z · 10 月 10 日
Ben Horowitz 认为，伟大创业者不是没有短板的人，而是在关键问题上拥有世界级长处、并能在极端压力下继续行动的人；AI 正在让更多人有机会把这种长处变成产品。
All-In · 10 月 9 日
本集从 Claude 是否可能有意识谈起，延伸到 AI 的模型治理、数学发现的验证与宣传、法国财政压力，以及能替人办事的智能体究竟会改变什么。
Latent Space · 10 月 9 日
AlphaFold 让蛋白质结构预测取得重大突破，但要理解蛋白质在真实生物环境中的运动、功能与药物作用，仍须重新设计数据、模型和验证方式。
No Priors · 10 月 9 日
Reflection AI CEO Misha Laskin 以新发布的开放权重模型 Beam 为例，解释为什么前沿模型必须把预训练与强化学习一起做，以及开放模型如何在企业部署、商业竞争和安全治理中成为闭源模型的制衡力量。
a16z · 10 月 9 日
AI 可以让芯片设计更快，但从设计走向可用算力，仍受制于制造与封装周期、内存带宽、光互连的量产能力，以及最根本的供电约束。
Latent Space · 10 月 8 日
Periodic Labs 想让 AI 不只提出材料假设，还能借助模拟、实验室设备与连续反馈，学会把材料真正造出来。
The Cognitive Revolution · 10 月 8 日
本集从「AI 能力是否存在不该跨越的上限」谈到内存、芯片、软件和训练数据：能力进步正在加速，但如何衡量、约束与可靠地使用这些能力，仍远没有定论。
a16z · 10 月 8 日
AWS CEO Matt Garman 认为，智能体正在改变云计算的使用方式：云既要承载巨额 AI 算力需求，也要让智能体能够快速、安全、低成本地调用基础设施。
The Cognitive Revolution · 10 月 7 日
OutSystems CEO Woodson Martin 分享如何在 AI 时代延续「永不崩溃」的企业软件承诺，通过抽象模型层实现安全与速度的平衡，并预测未来的软件竞争将走向专业化细分。
Chain of Thought · 10 月 7 日
Walrus Foundation 产品负责人 Kimberly Logan 认为，AI 智能体（Agent）的记忆不应锁在某个模型里：用户需要能持续调用、跨工具携带，并核查其变化的数据。
a16z · 10 月 7 日
Valon 通过“自建服务商-再卖软件”的艰难路径，在监管极其严苛的按揭服务行业完成了从 0 到 400 万笔贷款转移的基础设施重构，证明了在传统金融深水区，唯有亲自下场操作才能构建出真正可用的现代系统。
a16z · 10 月 6 日
Kevin Mandia 认为，AI 已让网络攻击从有限人手寻找单一路径，转向机器速度的并行探索；防守方必须用持续攻击测试来发现真实风险，并逐步建立可控的自主防御。
Training Data · 10 月 6 日
前沿 AI 基础设施的竞争，不是购买更多芯片，而是在电力约束下，把建筑、芯片、网络、模型与运维共同设计成能持续交付有效计算的系统。
