面向 AI 工程师的播客：模型、基础设施与研究动态。Swyx 与朋友们用从业者视角拆解落地与前沿。
John Platt 用 ERA 的科研代码搜索、凝结尾迹与野火项目说明：AI 正在大幅加快科学建模，但定义问题、识别过拟合并用实验检验结果，仍是人的责任。
TypeSafe AI CEO Diogo Almeida 认为，AI 真正的经济价值不在于继续制造更像人的“万能聊天同事”，而在于构建供代码直接调用、可组合、可校准、低成本且高度可靠的“System 1 模型”；Jev 正是他们对这一新模型类别的首次产品化尝试。
AIUC 联合创始人 Rune Kvist 认为，AI 商业化的下一道硬约束已经从“模型能力不足”转向“企业、政府与社会无法确认它会做什么、不会做什么”；AIUC 因此试图把公开标准、持续技术评测、独立审计与保险赔付结合起来，为 AI 智能体乃至未来的基础模型和机器人建立一套可验证、可定价、有人承担损失的信任基础设施。
Richard Socher 将“Eureka Machine”定义为一种能够针对任意目标、环境与奖励自主开展研究，并最终参与改进自身的超级智能；他认为真正关键的不只是扩大模型规模，而是把人类目前承担的“提出想法—实现—验证”研究循环逐步交给学习系统，同时以更准确的奖励设计、法律约束、多元价值观和应用层监管，降低奖励黑
Anima Anandkumar 的核心判断是：语言模型可以辅助提出科学假设，却无法替代对现实世界的模拟、验证、设计与控制；真正的 AI for Science 需要把数据、物理约束、神经算子与形式化验证结合起来，最终建立面向物理世界的基础模型。
Joon Sung Park 认为，继通用基础模型之后，AI 的下一条重要扩展路径可能是“模拟”：通过访谈、真实行为、随机对照试验与人口级建模，让模型不只生成理性的标准答案，而是复现具体的人会如何判断、犯错、互动，并进一步帮助组织寻找能够改变未来结果的干预路径。
Chai Discovery 把蛋白质设计视为正在跨越“从科学试错到工程化设计”门槛的领域：其核心赌注不是自建药物管线，而是成为服务多家药企的中立软件与模型层，用结构预测、全原子生成和序列—结构协同设计，把传统耗时数月乃至数年的瀑布式发现流程改造成更快速、可循环迭代的设计系统。
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。
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
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”
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。
Lila Sciences 的核心赌注是：把实验室建设成可编程、可扩展、能持续用真实世界实验验证模型的“AI Science Factory”，以科学实验作为强化学习的验证器和新数据来源，让实验室像数据中心一样不断生产高价值训练 token，而模型本身才是最终产品。
Modal CTO Akshat Bubna 解释了公司如何从“不适合突发式计算的 Kubernetes”出发，构建覆盖推理、训练、批处理与沙箱的 AI 云，并把产品设计重心从开发者体验（DX）转向智能体体验（AX）：让代码、算力、存储、网络、可观测性和安全边界都能被智能体快速、可靠地调用。
Genesis Molecular AI 创始人兼 CEO Evan Feinberg 与曾领导 Llama 2、Llama 3 预训练的 CTO Sergey Edunov 解释：面向蛋白质—小分子体系的扩散模型、物理先验、合成训练数据与推理时扩展，正在把过去难以泛化的结构预测模型变成可服务真实药物发现的系统，而下一
Databricks 联合创始人 Matei Zaharia 与 Reynold Xin 认为，下一代数据与智能体基础设施应建立在开放格式、统一接口和可组合生态之上：模型会快速更替，但企业真正长期积累的是数据、上下文、治理能力与运行基础设施；谁能把这些资产安全地交给智能体，谁就更可能重写传统软件。
Gray Swan 的 Zico Kolter 与 Matt Fredrikson认为，部署 AI 智能体带来的风险不只是传统软件漏洞，而是模型可能被不可信内容诱导、误用工具或越过组织政策；因此，企业需要把对抗测试、专门训练的防护模型与常规权限控制结合起来。
AMP 创始人 Anjney Midha 把算力利用率、数据中心的社区责任、前沿研究的组织方式，以及医疗决策中的资源浪费，归结为同一个问题：如何让资金、基础设施、团队与使命持续对齐，真正做到“最大化产出”（output maxing）。
Radical AI 首席执行官 Joseph Krause 认为，材料 AI 的关键不只是提出新合金配方，而是让实验室持续制造、表征和测试材料，把真实实验数据送回 AI 系统，并最终打通从发现到制造的漫长链条。
Andon Labs 把“AI 能否长期经营一门生意”从自动售货机模拟，推进到真实办公室商店、实体门店和咖啡馆；这些实验显示，衡量智能体不能只看任务完成率，还要看它怎样处理金钱、人、工具、意外和持续运营中的错误。
Satya Nadella 将微软的 AI 战略概括为一种生态系统承诺：企业不只调用别人的模型，还应能凭借自己的数据、评测、工具和工作流，持续构建并掌控属于自己的智能。
第 2 / 3 页 · 共 42 集
