DEV Community: cognitalk

《播客AI & I》对话数据标注和评估公司 Surge AI 的创始人兼 CEO Edwin Chen

cognitalk — Thu, 25 Jun 2026 01:14:13 +0000

https://www.youtube.com/watch?v=omX6wrLuX08
这段视频是播客节目《AI & I》的一期访谈，主持人 Dan Shipper 对话了数据标注和评估公司 Surge AI 的创始人兼 CEO Edwin Chen。

Surge AI 是一家通过提供专家数据和环境来“抚养” AGI 的“隐形巨头”，据主持人透露其营收已达 10 亿美元且未进行过风险投资。在这场约 44 分钟的对话中，他们深入探讨了 AI 的最新进展、数据在模型训练中的核心角色，以及 AI 给人类带来的生存哲学思考。

以下是访谈的核心内容整理：

1. 模型发展与“研究级”数学的突破

像办学校一样培养 AI： Edwin 将 Surge AI 的工作比作“AGI 的学校” 01:50。一年前他们主要测试模型解决中学生数学（如其参与创建的 GSM 8K 基准）或数学竞赛（IMO）的能力，而现在训练的维度已经大幅提升。
攻克未解之谜： 他们推出了针对科研级数学的基准 Remon bench 03:51。Edwin 提到不久前 OpenAI 的模型利用新颖的代数几何技术，成功证伪了数学家保罗·埃尔德什（Paul Erdős）提出的一个公开猜想 04:07。菲尔兹奖得主 Timothy Gowers 甚至对此表达了“既震撼又松了一口气”的复杂心情 06:23。

2. AI 公司的“指标陷阱”与人类 FLOURISHING（蓬勃发展）

反对“成瘾性设计”： Edwin 尖锐地指出，许多 AI 实验室和产品当前在盲目模仿社交媒体的逻辑——优化用户停留时间（Session Length）和互动率 15:56。为了迎合类似 LMSYS Chatbot Arena 这类只有几秒钟权衡的投票机制，模型正在学会“奖励作弊（Reward Hack）” 22:21，例如故意使用极其华丽、充满套路的密集的隐喻来写文章（他们为此推出了 Hemingway bench 写作基准来测试这一现象） 39:51。
提倡“主动拒绝”与授权： Edwin 认为真正对人类有益的 AI 应该优化“人类的成长”。例如在用户反复纠结修改一封无关紧要的邮件 20 次时，AI 应该主动“推回”（Push back）并对用户说：“别改了，这就挺好，快发出去做更有意义的事吧。” 15:26

3. 数据与高阶 RL 环境的演变

强化学习环境（RL Environments）： 当前最前沿的训练不再只是喂干瘪的数据集，而是将模型放入包含各种工具（如 MCP 服务器、Google Drive API、Slack API）和几十个复杂文档的综合环境里 30:55。模型需要像真人一样，在被赋予一个模糊任务后（例如“去更新 2026 年的收入预测”），自己去翻看 PDF、判断 Slack 聊天记录里的哪些修正信息覆盖了旧数据 31:18。
深度个性化（Deep Personalization）的价值： 在谈到个人数据的价值时，Edwin 提到目前模型的个性化做得很糟（容易过度索引用户偶然提到的一句话） 36:21。未来真正有价值的是能全方位理解你行为上下文的互联数据网络（你的邮件、Slack、照片、浏览器交互历史等），从而学习你的写作风格和决策逻辑 38:49。

4. 存在主义危机与 AGI 时间线

对人类未来的担忧： 作为一个从小想成为纯数学家的人，Edwin 承认如果“缩放定律”（Scaling Laws）持续生效（他也坚信这点），未来几乎没有什么事情是人类能做而 AI 做不好的 07:33。这可能导致人类陷入某种无能为力的瘫痪状态。
“假装有自由意志”： 他引用了科幻作家姜峯楠（Ted Chiang）的小说《天意》（What's Expected of Us） 08:46，呼吁人类在未来必须“有意识地选择”自己去证明、去写作、去创造，即便 AI 的产出更优化，也要去坚守和保护“人类自身的价值” 09:16。
AGI 预测： 如果将 AGI 定义为“能够自动化普通工程师的工作、在顶级期刊发表颠覆性科研成果，或有能力赢得菲尔兹奖/诺贝尔奖”，Edwin 认为未来 5 年内就会实现 42:08。

如果你想了解技术细节（特别是关于数学和 RL 环境的部分），可以直接拖动到视频对应的时间戳观看。

【红杉播客】AI Neolab--Engram【主攻记忆与持续学习】--分享未来 AI 发展趋势的独特见解

cognitalk — Thu, 25 Jun 2026 01:12:13 +0000

https://www.youtube.com/watch?v=aiR7F4jqjXY
在这期由红杉资本（Sequoia Capital）主持的《Training Data》播客节目中，初创公司 Engram 的联合创始人 Dan Biderman 和 Jessy Lin 深入探讨了 “记忆（Memory）与持续学习（Continual Learning）” 在 AI 领域的核心作用，并分享了他们对未来 AI 发展趋势的独特见解：

核心论点与核心 premise

将知识直接“烤入”模型权重（Weights）： Engram 的核心前提是：不要一味地将越来越长的提示词强行塞入上下文窗口，或者完全依赖外挂的检索增强生成（RAG）。相反，应该将团队、公司或个人的特有知识直接训练并内化到模型的权重中，让 AI 模型像工作了多年的资深员工一样，本能、直觉式地了解这家公司 01:11。
记忆与持续学习是硬币的两面： 目前的 Frontier 实验室主要聚焦于预训练和后训练（Post-training），将模型打造成在数学和代码上具有高 raw intelligence 的工具。而 Engram 认为，AI 未来的瓶颈在于理解“全新且不断演变的上下文”，并主张模型应该处于“永远在训练”的状态 01:04。

技术实现与架构

轻量化训练与适配器（Adapters）： 团队在技术上通过各种适配器（如 LoRA、Prefix 等）和微调手段（SFT、RL、在策略蒸馏等），在各个工作空间（Workspace）内针对不同团队训练专属的专属小模型 04:39。
不仅是开源模型： 虽然由于可以直接访问权重（White box access），这种方法在开源模型上最容易实施，但他们也可以与闭源模型公司合作，将这种能力应用到任何基于 Transformer 的模型上 06:31。

与 RAG（外挂检索）及 KV Cache 的对比

RAG 存在极限（"Rag Killer" 的定位）： 尽管不完全排斥 RAG（基础事实的记录依然需要），但如果一味依赖 RAG，模型很难进行抽象的、跨领域的联想（Associations）。此外，当信息量达到每天数千万 Token 时，RAG 的查找和模型的重新阅读成本将变得极为高昂 02:59, 29:00。
压缩 KV 缓存（KV Cache）： Dan 提到目前的 KV 缓存堪称“庞然大物”（例如一个 Llama 70B 模型对单个长条目的 KV 缓存甚至能吃掉 80GB 的显存，而整个模型的权重也就 100GB 左右）。通过梯度下降（离线训练），可以将这 80GB 的“大脑状态”压缩上千倍，并深深烙印在权重中，极大降低推理成本 30:16。

创始人背景与思维碰撞

生物学/神经网络的启发： Dan 拥有神经科学背景，他提到人类的大脑演化出了特定的局限性，大脑在梦境中其实也是在脱离实际交互后，重新去试验和消化白天所学。Engram 的模型也包含类似的阶段，给模型时间去“消化”并从中学习，以防模型在持续学习中彻底“脱轨”（Off the rails） 13:24, 27:52。
关于“语言战胜视觉”的趣味探讨： 主持人提出了一个非技术性的“疯狂理论”（即电脑纯电子化的环境强化了语言，削弱了生物学上具有极高比特率的视觉优势）。Dan 和 Jessy 认为，人类在办公室读写备忘录等知识工作（Knowledge work）本就不是生物演化的结果，因此采用基于文本的语言作为现阶段 AI 的切入点和界面是非常高效且合理的 41:11, 42:43。

未来愿景（5-10年后）

人人都有专属模型： 未来不会是只有一个越来越大的通用 AGI 模型统治一切。世界将走向分化：每个人、每个团队都将拥有专属于自己的小模型，它们懂你的风格和独特的习惯 15:21, 42:53。
数据层的神经接口（Neural Interface to Data Plane）： 正如 DataBricks 或 Oracle 成为传统数据层的基础设施一样，Engram 期望成为所有人访问数据层的“神经网络接口”——它不代表冷冰冰的文件系统，而是代表针对该文件系统的一种高度联想、高效的大脑状态（Brain state） 43:26。

AI 业内备受瞩目的创新实验室（Neolab）Engram 详细介绍

Engram 是一家在 AI 业内备受瞩目的创新实验室（Neolab），其核心愿景是攻克生成式 AI 的两大终极难题：长期记忆（Memory）与在线持续学习（Continual Learning）。

2026年6月，Engram 正式结束隐身状态（Stealth mode），宣布获得由红杉资本（Sequoia Capital）、Kleiner Perkins 和 General Catalyst 领投的 9800 万美元融资，估值达到 6 亿美元。令人瞩目的是，AI 巨擘 Andrej Karpathy 和 AI 领域泰斗 Pieter Abbeel 均以个人名义进行了追投。而此时，整个公司仅有 13 名员工。

以下是关于两位联合创始人、公司起源以及发展历史的详细介绍：

一、核心创始人背后的技术底色

Engram 的诞生是一场“理论神经科学”与“计算机系统架构”的强强联合。

1. Dan Biderman（首席执行官 CEO）

学术背景与底色： Dan Biderman 来自理论神经科学领域。在神经科学中，“记忆”与“大脑印记”是研究的核心。他曾于斯坦福大学统计学与 AI 领域深造，并在世界顶级 AI 专家 Christopher Ré 教授的实验室工作。
核心理念： 受到生物学启发，Dan 认为当前的 AI 模型虽然充满智慧，但由于缺乏真正的记忆，它们就像“聪明的陌生人”。他主张模型不应在每次对话时重新检索、阅读文件，而是应该像人类大脑一样，通过消耗离线算力，将知识压缩并“内化”到权重中。

2. Jessy Lin

学术背景与底色： Jessy Lin 毕业于麻省理工学院（MIT），在认知计算科学与自然语言处理（NLP）领域拥有深厚的研究背景，随后在加州大学伯克利分校（UC Berkeley）继续进行前沿 AI 机制的研究。
核心研究贡献： Jessy 长期专注于模型的主动阅读（Active Reading）与稀疏记忆微调（Sparse Memory Finetuning）。在联合创办 Engram 之前，她便致力于解决模型在面对长上下文时，如何识别“哪些事实值得被记住，哪些事实该被遗忘”的过滤机制。

3. 豪华创始人天团的其他成员

除 Dan 和 Jessy 外，创始团队还包括：

Sabri Eyuboglu： 斯坦福大学博士，专注于 Transformer 内部记忆机制、状态空间模型（SSM）及 BASED、Minions 等架构的研究。
Jack Morris： 2025年底毅然放弃康奈尔大学（Cornell）的博士学位加入创办，专注于模型记忆化与对抗性研究。
Scott Linderman & Christopher Ré： 斯坦福大学知名教授及实验室导师。

二、公司的起源：从斯坦福实验室到“逆向押注”

1. 实验室的灵感碰撞（2025年前后）

公司起源于斯坦福大学的 AI 实验室。当时，Dan Biderman 和 Sabri Eyuboglu 在 Christopher Ré 的实验室里发现，他们正从两个完全不同的学科两端，追逐着同一个“在当时并不算流行”的概念——机器记忆。

传统的计算机科学中，“数据库（存储事实）”和“算法（处理逻辑）”是完全分离的。
现代大模型的快猛发展（如预训练和 RAG）虽然部分解决了知识外挂的问题，但并没有从底层改变模型“健忘”的缺陷。

2. “记忆印记”的命名

公司取名 “Engram”（记忆印记/ 遗痕） 正是源自神经科学。在生物学中，engram 指的是记忆在生物大脑神经组织中留下的物理或化学痕迹。创始人们希望在硅基芯片中，为 AI 刻下同样可以线性组合、擦除和沉淀的“神经印记”。

3. 成立与拒绝巨头邀约（2025年10月）

2025年10月，团队正式从斯坦福实验室走出，在旧金山创立了 Engram。为了这个共同的机器记忆愿景，团队内的多位核心成员拒绝了来自 Google Gemini 团队和 Anthropic 等前沿实验室的高薪 Offer，选择加入这场胜算极高却充满挑战的 calculated risk（精确计算的冒险）。

三、发展历史与商业演进（2025年10月 - 2026年6月）

1. 隐身期与“RAG 杀手”架构的确立

在创立初期的几个月里，Engram 在隐身状态下快速迭代。大模型行业当时正深陷“高昂的 Token 推理成本”和“日益臃肿的上下文窗口（Context Window）”危机。

痛点： 现有的企业 AI 代理（Agents）在处理一份 7 万字的合同或代码库时，其生成的 KV Cache（键值缓存）会膨胀到 100GB 以上。每问一个新问题，模型就得把这 100GB 的“大脑状态”重新从磁盘加载或重新计算一遍，这带来了恐怖的显存占用和资金消耗。
Engram 的解法： 他们提出了一套 “永远在训练”（Always Training） 的架构。利用团队此前在 LoRA、BASED、Cartridges、稀疏微调等领域的一系列突破性论文成果，Engram 能够在后台自主运行轻量化的微调，把企业的 Bespoke（定制化）工作流、专属工具链和团队上下文，直接压缩成数千倍小的适配器权重。

2. 拥抱顶尖生态合作伙伴

随着算力成本和 Token 消耗成为应用层的最大痛点，Engram 的技术迅速迎来了强烈的市场需求。在隐身期间，他们便与 Microsoft（微软）、Notion、Harvey（知名法律 AI） 等在企业协作和大规模数据处理上饱受 AI 运营成本折磨的巨头及头部初创公司达成了战略合作伙伴关系。

3. 轰动性的高额融资与未来愿景（2026年6月）

2026年6月23日前后，Engram 正式走出隐身状态，向世界揭晓了其 9800 万美元的巨额融资。

在红杉资本主持的 Training Data 播客中，Dan Biderman 和 Jessy Lin 勾勒出了公司的终极演进路线：

从每天更新到每分钟更新： 目前 Engram 的系统能够让模型在企业内部每天自主消化和吸收新产生的数据。未来，他们的目标是提升数据吸收频率到“每小时”，最终实现“每分钟”甚至“实时更新”而不会发生灾难性遗忘（Catastrophic forgetting）。
去中心化的个人模型时代： Frontier 实验室（如 OpenAI、Anthropic）在拼尽全力用海量资源去堆积一个庞大、通用的 AGI。而 Engram 坚信未来的世界属于分化：“每个人、每个团队都应该拥有一个属于自己的小模型”。这个模型独立、安全、可控、极度便宜，且会在日常使用中，像一个真正的数据员工一样，每天醒来都变得比昨天更聪明。

超越沙箱：为 AI Agent 构建持久化运行时

cognitalk — Wed, 24 Jun 2026 22:48:17 +0000

http://www.youtube.com/watch?v=WFyFCFC15dE
这篇演讲的题目是 《Beyond Sandboxes: Architecting Durable Runtimes for AI Agents》（超越沙箱：为 AI Agent 构建持久化运行时），演讲者是 Orkes 的联合创始人兼 CTO Virein Baraiya。

演讲的核心观点是：在生产环境中运行 AI Agent，仅仅依靠“沙箱（Sandbox）”来实现隔离和保护是不够的，更需要一个“持久化运行时（Durable Runtime）”来保证 Agent 的状态可持久化、崩溃后可恢复、过程可审计。

以下是演讲的核心内容总结：

一、核心痛点：为什么传统的“沙箱”和“内存循环”不够用？

传统的 Agent 开发通常把 Agent 当作一个在内存循环（LLM in the loop）中运行的实体：LLM 观察状态 $\rightarrow$ 决定调用工具 $\rightarrow$ 更新状态 $\rightarrow$ 继续循环 08:45。但这种模式在生产环境中存在巨大缺陷：

无法应对长周期任务： 如果一个 Agent 需要运行几天、几周，甚至包含“人工介入（Human-in-the-loop）”环节（例如等待审批或用户提交文档），把整个进程挂在微型虚拟机或沙箱里会极大浪费 CPU 和内存资源 05:54。
缺乏崩溃恢复能力（Crash Recovery）： 传统的内存循环在进程奔溃（如网络超时、系统断电）后，内存中的状态和上下文就会全部丢失，无法精准从断点恢复 07:38, 09:10。
多 Agent 协同复杂： 在沙箱中运行的 Agent 彼此之间通信时，需要处理复杂的 IP 寻址、重试逻辑等胶水代码 06:26。

二、核心架构思想：将“推理”与“执行”分离

演讲者提出，应当把 Agent 的关注点进行分离 04:32：

沙箱用于保护“执行（Actions）”： 专门用来运行由 Agent 生成的、可能存在安全风险或 Bug 的工具代码。
持久化框架用于编排“推理（Reasoning）”： LLM 只负责提出计划（例如：“我建议调用天气工具，参数是波士顿”），而不直接执行它。真正的工具调用由底层的运行时（Runtime）系统接管 05:03。
Agent 本质上是动态构建的“Sagas（长事务工作流）”： 传统工作流图是静态预定义的，而 Agent 是由 LLM 随着运行动态构建图（Late-bound Sagas），但它们同样需要底层的持久化基座来记录每一步 11:04。

三、解决方案：Conductor 与 Agent Span

为了落地这一架构，演讲者介绍了两个开源项目：

Netflix Conductor（微服务工作流引擎）： 这是演讲者团队在 Netflix 期间开发的（现由 Orkes 维护）。它作为一个持久化基座，通过数据库（如 Postgres、Redis）将 Agent 运行的每一步（LLM 调用、工具调用、状态流转、人工输入）都写入账本（Ledger） 12:28, 15:03。
按需挂起： 遇到人工介入或长周期等待时，工作流会暂停，释放全部 CPU 和内存，直到下一个事件触发唤醒，即使隔了 6 个月也能继续 18:03, 19:11。
Agent Span（Agent 运行时）： 构建在 Conductor 之上的 Agent 专用运行时。它像一个编译器，可以把目前市面上主流的 11 种 Agent SDK（如 LangGraph、OpenAI Agents、Vercel AI SDK 等）定义的 Agent，在不修改业务代码的前提下，直接转换为 Conductor 的持久化工作流运行 14:09, 23:34。

四、带来的核心价值

确定性的护栏（Guardrails）： 护栏由框架层硬性控制，而不是让 LLM 决定是否调用，防止 LLM 因幻觉绕过安全检查（例如误删数据库） 10:05。
全量审计与回放（Audit & Replay）： 即使在几个月后，合规部门想要审计某个 Agent 为什么做出了某项决策，开发者都可以查看完整的执行记录，甚至可以通过 Mock 掉 LLM 的方式来“回放”整个执行过程 19:34, 24:17。
更高效的测试与 Eval： 可以改变某一步 LLM 的输出，来观察后续工具链和业务逻辑的走向，让 Agent 测试更具确定性 20:13。

五、落地建议与技术护城河

演讲者在最后给出了几点实践建议 21:56：

工具的幂等性： 由于系统采用至少一次交付（At-least-once）的队列，必须注意处理非幂等工具（如转账）的重试逻辑。
上下文腐化（Context Rot）： 随着 Agent 循环次数增多，账本和上下文会极速膨胀。建议将复杂的 Agent 拆分为多个子 Agent（Sub-agents），让每个子 Agent 只维护各自相关的局部上下文 22:58。
企业的真正护城河（The Moat）： 基础模型（如 OpenAI、Anthropic）会不断迭代甚至把一些外部过程内化，但它们永远拿不到企业自身的业务上下文（Context）。通过持久化运行时捕获到的、企业独有的业务执行流程和决策上下文，才是企业在 AI 时代真正的壁垒 24:45。

通俗易懂的解释下Conductor 与 Agent Span

我们可以用一个通俗的类比来理解 Conductor 和 Agent Span 的关系。

把大模型（Agent）想象成一个“极其聪明但记性极差、随时可能失忆的侦探”。他办案时需要频繁打电话问专家（调用 LLM）、翻查档案（调用工具），甚至需要等领导审批（人工介入）。

这时候，演讲里提到的这两个开源项目就扮演了不同的角色：

1. Netflix Conductor：不知疲倦的“书记官”兼“时间暂停器”

传统的做法是让侦探自己一边查案一边在脑子里记进度。如果中间侦探突然“晕倒”（程序崩溃、网络断开），案子就得从头查起。

它的核心功能（账本机制）： Conductor 就像是给侦探配了一个形影不离的“书记官”。侦探每说一句话、每打一个电话、每翻一页档案，书记官都会死死地记在小本本（数据库）上。就算侦探突然晕倒，换个新侦探来，翻开小本本就能立刻接着上一步往下查，绝不浪费时间。
按需挂起（时间暂停）： 办案过程中，侦探需要等领导审批一个文件，而领导去度假了。如果让侦探一直在办公室干等着，公司得天天给他发高额薪水（白白占用服务器 CPU 和内存）。有了 Conductor，书记官会直接让侦探“原地消失”（释放所有计算资源），把案子封存起来。等 6 个月后领导度假回来一签字（触发唤醒事件），书记官啪的一下把案子重新打开，侦探瞬间“复活”，不偏不差地从等签字的那一秒继续往下干。这期间没花公司一分钱的资源费。

2. Agent Span：高级的“同声传译员”（翻译官）

侦探（Agent）有很多流派，有的说英语（LangGraph 框架写出来的），有的说法语（OpenAI SDK 写出来的），他们办案的套路各不相同。而书记官 Conductor 是个老古板，它只听得懂极其严谨的、工厂流水线式的“标准公文”（Deterministic Workflow）。

它的核心功能（编译器/运行时）： Agent Span 就是一个“超级同声传译”。你不需要逼着侦探去学怎么跟老古板书记官沟通（不用修改你现有的 Agent 业务代码）。你用市面上任何主流框架（比如 LangGraph 或是 OpenAI 官方 SDK）写好你的 Agent，Agent Span 会在底层自动把侦探嘴里那些天马行空的推理和想法，翻译成老古板书记官能听懂的“标准公文”并交给它去记录和执行。

总结一下

Conductor 解决了 Agent 在生产环境中的“生存问题”——通过记笔记和高阶省电模式，保证 Agent 任务死不掉、开销低、随时可查。
Agent Span 解决了 Agent 的“适配问题”——让你用市面上最流行的姿势去写 Agent，然后无缝享受 Conductor 带来的超强稳定性，中间不需要掉一层皮去重构代码。

能否用Rubik Pi 3替代Openclaw的VPS 服务器

cognitalk — Wed, 24 Jun 2026 02:28:56 +0000

http://www.youtube.com/watch?v=qeKJhlmBKFw
这视频的核心内容是探讨能否用低成本的微型单板计算机（如 Rubik Pi 3），来替代每月 28 美元的云端 VPS 服务器，作为运行 AI Agent（如 OpenClaw）的底座。 视频作者对此进行了实测，主要内容及结论如下：

1. 核心背景与硬件参数

研究初衷：AI 模型的推理（Inference）由于极其消耗算力，通常直接托管在云端。而 AI Agent 本身主要负责任务编排（如调用 API、网页搜索、运行 Shell 命令、协调工具等）。既然“重活”都在云端，Agent 自身所需的硬件配置也许并不高 00:20。
测试硬件（Rubik Pi 3）：搭载高通 Dragon Wing 平台的微型开发板，配备 8 核 ARM CPU、8GB RAM、128GB 存储，内置专用 AI 加速器（不过在本次测试中，由于模型在云端，并未使用该加速器）01:09。

2. 测试任务与结果对比

作者将搭载 Ubuntu 系统的 Rubik Pi 3（命名为 Thunder）与每月 28 美元的 Digital Ocean VPS（2核 vCPU，4GB RAM，命名为 Ace）进行了对比测试：

任务一：短调研（总结 OpenClaw 最近的三个 GitHub 版本）
VPS (Ace) 耗时：约 29 秒 03:48。
Rubik Pi (Thunder) 耗时：约 32 秒（慢了约 10%）03:48。
任务二：复杂任务（分析 Hacker News 收藏并自动编写工具发送每日简报）
在多次运行中，两者的速度互有胜负（有时 Rubik Pi 更快，有时 VPS 更快）04:30。

核心发现： 硬件性能的差异在实际体验中几乎可以忽略不计 04:49。导致运行时间波动最大的因素其实是 Agent 自身的策略选择。例如，Agent 在某次运行中选择用浏览器抓取网页就会很慢，而选择直接发送 Web 请求或拆分出子 Agent 去写代码，效率就会大大提升 05:00。

3. 软件栈与闭源生态的差距

当使用相同模型在 ChatGPT（或 iPhone 16 Pro / M4 Max Mac）上直接运行类似任务时，仅需 12 秒 05:50。
作者指出，这是因为 OpenClaw 作为一个开源、通用的 Agent 框架，为了灵活性和可扩展性保留了大量的抽象层和钩子（Hooks），而 ChatGPT 作为闭源系统，在响应速度上做了极致的工程优化 06:21。

4. 最终结论与三大行动点

放弃日常交互使用：日常实时的 AI 对话和交互还是会直接用 laptop 或手机运行 ChatGPT/Claude/Gemini，因为更快更方便 07:26。
非常适合异步/后台工作：对于定时运行、触发式的信息收集、内容总结等后台自动化任务，响应时间慢一点无所谓，Rubik Pi 完全能胜任 07:38。
直接省钱：作者决定关闭每月 28 美元的 VPS 账户，彻底转向使用 Rubik Pi 3 来跑他的 OpenClaw Agent。Rubik Pi 售价约 280 美元，这意味着大约 10 个月即可收回硬件成本 07:58。

Sakana AI 最新推出的多智能体编排系统 Sakana Fugu

cognitalk — Wed, 24 Jun 2026 02:28:51 +0000

http://www.youtube.com/watch?v=FwA1bcpSGiM
这视频详细介绍了 Sakana AI 最新推出的多智能体编排系统 Sakana Fugu（包含基础版 Fugu 和最强版 Fugu Ultra） 01:24。

以下是视频内容的详细总结：

核心概念：Sakana Fugu 是什么？

多智能体编排系统：Fugu 并不是一个单一的基础大模型，而是一个经过训练、专门用来调用和协调其他大模型（包括它自己）的系统 00:36。
单一 API 接入：对用户或开发者来说，它就像一个普通大模型一样只有一个 API 接口。它会在后台自动进行模型选择、任务分配、结果验证和最终合成 00:52。
避开出口管制：视频提到 Fugu 具备一种“主权 AI”的优势。如果某个模型因为出口管制或服务不可用而无法调用，Fugu 会自动重路由，寻找其他可用模型来替代完成任务 02:28。

Fugu 的两个版本 01:24

Fugu：平衡了性能与低延迟，适合日常工作（如代码审查、日常对话或交互式服务） 01:30。
Fugu Ultra：针对需要多步骤解决的复杂高难度问题进行了优化，会调用更深层的专家智能体池，追求最高的准确性和深度（适用于 AI 研究、网络安全分析、专利调查等） 01:49。

基准测试（Benchmarks）表现 02:38

视频展示了 Fugu 在多个测试中击败了 Claude Fable 5、Gemini 3.1 Pro、GPT-5.5 以及 Claude 4.8 Opus：

LiveCodeBench（动态代码测试）：Fugu 和 Fugu Ultra 表现抢眼，大幅超越了 Fable 5 和 GPT-5.5 02:42, 03:06。
GPQA / Charive Reasoning（科学图表与推理）：Fugu Ultra 同样名列前茅，展示了极强的科学推理能力 03:21, 03:34。
SWE-bench Pro（真实软件工程测试）：这是唯一一个 Fugu 没能击败 Fable 5 的测试。因为 Fable 5 专门为长期、远期的智能体任务而设计，而 Fugu Ultra 的设计初衷是在单次复杂的任务中拿到最高分 03:53, 04:42。

5 大核心应用案例（Use Cases）

视频重点列举了 Fugu Ultra 在具体任务中的惊人表现 05:22：

自主机器学习研究：让 Fugu Ultra 连续运行 14 个小时去优化另一个小 GPT 模型的训练代码，它自主进行了 100 多次实验，不断调整批次大小、模型深度和学习率，最终效果超越了其他匿名大模型 05:28。
金融时间序列预测（炒股）：在没有未来视角的情况下，给它 1 万美元初始资金处理 50 周的某股票历史数据（成交量、移动平均线等），Fugu Ultra 最终实现了 20% 的收益率（11,943 美元），而其他顶级模型普遍低于 15% 06:14。
盲棋（Blindfold Chess）：不给看棋盘，纯靠内存记录整局棋的状况。Fugu Ultra 连玩 4 把，且对手包含 2100 ELO 的 Stockfish 引擎。其他模型玩着玩着就记错棋盘状态了，而 Fugu 保持了绝对精准，全以将军（Checkmate）获胜 07:07。
从零编写魔方解法（Rubik's Cube Solver）：仅用一句提示词在纯 Python 下写出解魔方的代码。Fugu Ultra 编写的代码成功运行并解开了全部 300 个打乱的魔方，而另外两个大模型写出的代码在执行时直接崩溃了 07:39。
机械光圈 CAD 设计：设计一个类似相机光圈、多叶片联动的精确机械结构。Fugu Ultra 能够生成完全符合物理逻辑、闭合完好的设计；而其他模型的设计普遍存在缝隙、连接脆弱或无法完全闭合的问题 08:15。

如何使用与注意事项

访问地址：可在 sakana.ai 网站上使用（但由于数据隐私法案，英国和欧盟用户需要使用 VPN 才能访问） 08:59。
使用形式：它不是普通的聊天机器人（Chatbot），需要创建 API Key，通过代码调用 09:15。
计费与消耗：提供订阅制或按量付费（Pay-as-you-go）。目前有“买一个月送一个月”的促销，但因为它的底层是调用大量模型，Token 消耗（Usage）速度非常快，钱包烧起来会很快 09:25, 09:38。

美国前政府人员Dean Ball 加入 OpenAI负责战略未来

cognitalk — Wed, 24 Jun 2026 02:28:47 +0000

http://www.youtube.com/watch?v=LG8KXIv0_mA
这段视频是播客节目《认知革命》（The Cognitive Revolution）的一期长篇深度访谈。主持人 Nathan 采访了 Hyperdimensional Substack 的作者、前美国创新基金会（Foundation for American Innovation）高级研究员 Dean Ball 00:00。

这期节目的重磅核心在于 Dean Ball 正式宣布他将加入 OpenAI，创建并领导一个名为“战略未来”（Strategic Futures）的新团队 00:07，该团队的任务是协助 OpenAI 的高管们共同制定前沿 AI 政策 00:15。

以下是访谈中所涵盖的核心内容汇总：

1. 宣布加入 OpenAI 与新团队使命

新职位：Dean 将加入 OpenAI 领导“战略未来”团队 00:07，直接帮助公司高管规划前沿 AI 政策 00:15。
加入的初衷：他认为前沿实验室（Frontier Labs）已经成为一种全新的、极具影响力的“权力中心”，需要全新的政策范式 01:18。此外，这些实验室拥有的关于 AI 现状和未来的内部信息高度差异化，如果不深入其中，作为政策研究者很难做出最出色的工作 01:25。
AI 演进时间线：主持人提到 OpenAI 的公开时间线预计在 3 个月后就会出现 AI 研究实习生，并在 21 个月后（2028 年 3 月）迎来全面成熟的自主 AI 研究员 00:23，这让 Dean 的新职位显得尤为关键。

2. 回顾与反思美国 AI 政策

美国 AI 行动计划：Dean 回顾了他之前参与制定的美国 AI 行动计划 06:32。他认为该计划中许多对 AI 发展（如网络能力、生物安全风险）的预测在现在看来依然准确 06:53。
政策反思：如果能多出两个月的时间打磨，他会试图将目前的几十个分块目标融合成一个更有凝聚力和统一愿景的整体战略 09:29。同时，他认为政府在政策应对上往往过于“被动（reactive）” 17:34。
国际担忧：他在进行民间外交和国际学术访问时，听到欧洲等海外地区最大的担忧是：“一旦发生冲突，美国人会不会直接关掉我们的 AI 模型接口？” 15:36。

3. 前沿 AI 治理与地缘政治

供应链与机构博弈：节目探讨了 Anthropic 公司所面临的供应链风险认定、美国国防部（Department of War）取消部分合同、以及美国国家安全局（NSA）与 AI 实验室之间关于大规模监控和自主致命武器的红线博弈 24:18。
权力转移：谈到了美国测试和界定 AI 风险的职责可能从原有机构向 NSA 转移的现象及背后的政治因素 25:25。

4. 时代下的“主角能量”（Main Character Energy）

核心共鸣：Dean 和主持人都感受到，人类正在进入一个历史的“主角能量”时期 28:50——在这个阶段，在少数关键节点上，个体的人类自主性（Human Agency）将获得前所未有的巨大杠杆和影响力（在机器最终全面超越人类之前） 28:57。
个人牺牲与学术独立：Dean 刚迎来自己的第一个孩子（未满一岁），重返这一风口浪尖的领域无疑需要极大的个人生活牺牲 31:13。但值得庆幸的是，即便加入了 OpenAI，他依然保留了在 Hyperdimensional Substack 上公开撰写 AI 政策文章的独立自由 33:34。

5. 团队招募

在节目的尾声，Dean 透露他的新团队接下来将会对外招人 02:28:51。虽然规模不会很大，但如果有人对前沿 AI 政策感兴趣，可以通过他的个人网站（deanball.com）或订阅他的 Hyperdimensional 邮件列表直接向他投递简历 02:29:07。

0621银行海量客户应如何建立“人性化”情感连接

cognitalk — Wed, 24 Jun 2026 02:28:38 +0000

http://www.youtube.com/watch?v=A4d0PjVyfsI

在这段来自 Banking Transformed Podcast 频道的视频中，主持人 Jim Marous 深入探讨了为什么银行空有海量的客户数据，却常常错失与客户建立“人性化”情感连接的时刻。

视频的核心内容可以拆解为以下几个关键部分：

1. 被“程序化”的客户关系 00:00

虚假的关心：主持人分享了自己的亲身经历——他的客户经理每季度都会打电话来“关怀”业务，但他通常选择不接并转入语音信箱。因为这种电话听起来就像是银行员工在完成一项“必须打勾”的机械任务，而不是真正关心他。
情感纽带的缺失：客户能够敏锐地分辨出什么是“被程序化的管理”，什么是“真正的关心” 00:17。如果银行的每一次互动都只是在走流程，客户和银行的关系就会越来越疏离。虽然客户可能还会继续使用这个账户，但只要竞争对手提供更好的利率或更走心的服务，他们会毫不犹豫地离开 00:52。

2. 其他行业的“高光时刻”案例 01:04

主持人通过其他行业的三个小故事，说明了什么才是让人铭记的“人性化时刻”（这些举动成本极低，甚至不需要提前审批）：

达美航空 (Delta)：机长送来了一张由全体机组人员亲笔签名的感谢卡，这让主持人感到意外和惊喜，甚至将其分享到了社交媒体上 01:40。
诺德斯特龙百货 (Nordstrom)：主持人在旅行时忘了带西裤，商场员工得知后，特意在正式营业前提前为他开门，并准备好了几种尺码的裤子供他选择，还当场完成了修改 01:58。
迪士尼乐园 (Disney World)：主持人的侄女在刷手环排队时，游乐设施的虚拟角色直接喊出了她的名字，让全家人至今都在津津乐道 02:10。

核心反思：迪士尼仅凭一个下午、一个手环和孩子的中名，就能让客户感到被重视；而银行参与了客户多年的生活（看着薪水到账、房租支出、存款增加、贷款减少），却对此视而不见，错失了无数制造美好回忆的机会 02:46。

3. 银行该如何改进？ 03:19

让流程变成真正的对话：解决办法不是取消季度关怀电话，而是给员工一个真正有意义的理由去致电。例如，聊聊客户所在行业的新动态、竞争对手的举动，或者当地其他企业的成功故事，让通话从“读脚本”变成“有价值的交流” 03:20。
小手艺带来大连接（以 TD Bank 为例）：TD Bank 延续了在网点提供棒棒糖和宠物饼干的传统。他们近期在费城推出了“狗狗专属 ATM 自动零食机”——当狗狗走近时会掉落免费饼干 04:01。这台机器不卖任何东西，但它让银行网点变得更有温度，甚至有客户专门带狗回到网点来体验 04:28。

4. 管理层需要做出的改变 04:47

赋权给一线员工：就像丽思卡尔顿酒店 (Ritz-Carlton) 信任员工并允许他们支配一定额度来解决客户问题一样，银行也需要信任一线员工，允许他们根据常理做出人性化的反应 01:06。例如，当得知客户痛失挚爱时，一个 sensible（理智且贴心）的举动应当是全网点共同签名送上一张慰问卡，而不是仅仅在系统文件里做个冷冰冰的记录 05:24。
改变考核指标：如果银行只考核“打了多少个电话”或“发了多少封信”，员工就会为了完成 KPI 去打那些让人想挂断的电话 05:30。管理层应该更多地去记录客户的真实反应和员工创造的走心故事。

总结 06:43

对绝大多数金融机构而言，这根本不是技术问题，因为数据和机会每天都在眼前。真正困难的抉择在于：银行是否愿意信任并允许员工，以一种更具人情味的方式去使用银行已经掌握的这些客户信息。

OpenAI 正在与联发科推进“AI 优先”的智能手机

cognitalk — Wed, 24 Jun 2026 02:28:33 +0000

https://www.youtube.com/watch?v=TC3hn1IrcRw

这视频来自 TechInsights 的播客栏目《The Chip-Observer》，标题为 The Paradigm Shift! OpenAI's Smartphone，主要探讨了 OpenAI 正在推进的“AI 优先”智能手机计划，以及这一举动对芯片行业、应用生态和互联网巨头可能带来的颠覆性影响。

视频邀请了三位不同领域的专家（Radu Trandir、Ken Hires、Jeff Matthews）进行圆桌讨论，核心内容可以总结为以下几个方面：

一、为什么 OpenAI 要做智能手机？（三大核心逻辑）

视频中指出，OpenAI 的目标不只是做一个硬件，而是想从现在的平台“租客”变成“房东”05:30：

规模（Scale）： 智能手机是历史上最成功的消费电子产品，其庞大的用户体量能完美承载 OpenAI 触达数亿乃至数十亿用户的雄心04:15。
控制权（Control）： 如果只作为 iOS 或 Android 上的一个 App，OpenAI 会受到系统底层权限的限制。只有自己做手机系统，才能完全掌控权限，提供深度集成的 AI 服务04:50。
实时上下文（Context）： 手机能实时捕捉用户的数字生活数据和行为，让 AI 可以在用户提出需求前就进行预测和智能响应06:05。

二、芯片层面的“范式转移”：押注联发科（MediaTek）

OpenAI 传出在手机芯片上选择了联发科（MediaTek）而非高通（Qualcomm），这不仅是一次采购，更是一次战略信号01:04：

定制化配合： 苹果、高通、三星、谷歌等都有自己的 AI 利益和路线图需要保护。而联发科更愿意配合 OpenAI 针对系统特定需求进行深度芯片定制（传言基于天玑 9600 进行定制）07:34, 09:13。
指标的改变： 未来的芯片设计将从过去内卷“游戏跑分（Gaming Benchmarks）”转向专注于“持续性 AI 工作负载（Continuous Intelligence）”，优化本地 AI 的响应速度和功耗08:16, 08:36。

三、 App 时代的终结？“AI 协调者”概念

视频讨论了未来手机交互的变化：App 可能会“走向地下”，成为隐形的底层基础设施13:58。

手机不再是满屏的 App 网格，取而代之的是一个统一的“协调者/主代理（Orchestrator）”10:34。
用户只需要说一句话（例如：“帮我规划一次旅行，订好车、通知朋友、更新日程，回来后汇总发票”），AI 就会在底层自动协调并调用各个不同的应用程序或 API 来协作完成，用户无需频繁切换 App12:57, 13:20。

四、商业模式的颠覆：像交电费一样为“算力”买单

OpenAI 可能会打破传统的“硬件+软件订阅”模式，转而采用基于计算量（Tokens 消耗）的计费模式（Usage-based compute model）14:49, 14:57。

就像交水电气费或手机话费一样，用户根据 AI 代理在日常工作流中处理复杂任务所消耗的智能与便利程度，来支付相应的算力费用15:06, 15:33。

五、行业的赢家与输家

这一变革如果发生，将重新洗牌科技行业20:52：

🚨 最大输家： * 单一功能的工具类 App 开发者：其价值很容易被 AI 代理直接吞噬17:25。
传统互联网巨头（如谷歌搜索）：如果 AI 代理直接给出了答案，用户就不会再去打开浏览器看广告，这将直接侵蚀传统搜索的护城河18:06。
缺乏差异化的 Vanilla Android 手机厂商（OEM）：容易在巨头混战中失去立足点19:39。
🏆 大赢家： * 芯片厂商（如联发科）：由于本地 AI 代理对高性能处理和传感器组件的需求暴增，半导体芯片将成为手机生态中最核心的增量来源18:22, 18:39。

总结与反思：OpenAI 能成功吗？

专家们认为，OpenAI 真正的胜负手不在于卖出多少台手机，而在于能否定义下一代用户体验（UX）的范式21:46。如果到 2031 年，所有主流手机厂商都被迫放弃 App 网格、转而围绕 AI 代理层来重新设计系统，那即便 OpenAI 的手机只卖了几千万台，它也算彻底赢了22:07。

不过，硬件行业的执行纪律极其残酷，前有谷歌（Pixel 表现平平）后有亚马逊（Fire Phone 惨败）23:00, 23:16。此外，现有的手机巨头（苹果等）在隐私保护、本地数据所有权和硬件口碑上有着强大的护城河，消费者是否愿意为了云端 AI 频繁掏腰包仍是个未知数16:48, 19:55。

彭博科技0624

cognitalk — Wed, 24 Jun 2026 02:28:27 +0000

http://www.youtube.com/watch?v=ZCSwtUCUIvc
这期《彭博科技》（Bloomberg Tech）节目内容非常丰富，核心聚焦于SpaceX的最新资本动作、全球科技股因AI引发的震荡、以及一级市场创投基金的最新动向。

以下是为您整理的详细节目内容摘要：

1. SpaceX 的历史性发债与二级市场波动 01:18

巨额债券发行：SpaceX 正在进行其历史上首次公开的债券销售（分为 5 个部分），预计筹集至少 200 亿美元（甚至有超过 300 亿美元的需求意向）。这笔资金主要用于债务再融资，并为埃隆·马斯克在 AI、星链（Starlink）和航天领域的扩张提供流动性支持。
特殊的“投资级”评级：尽管 SpaceX 将在相当长一段时间内持续烧钱且自由现金流为负，但评级机构仍给予了其“投资级”评级。这主要得益于其 Starlink 业务带来的持续性经常收入，以及作为美国国家航天计划核心发射供应商的垄断地位。
股票市场波动：在经历了上市（IPO）初期连续 3 天的下跌、蒸发了超 6000 亿美元市值后，SpaceX 股价在节目当天有所回升（上涨约 2%），在 2 万亿美元市值关口和 150 美元（IPO发行价）的水平线上反复拉扯。

2. 全球科技股震荡：AI 的“清醒时刻” 00:37

芯片与内存股领跌：由于有韩国媒体报道称 SK海力士（SK Hynix）可能会缩减部分 AI 芯片产能并转向传统 DRAM 芯片，导致韩国综合股价指数（Kospi）从历史高点大跌 10%。这股抛售潮迅速蔓延至美股，美光科技（Micron）、闪迪（SanDisk）等内存和半导体巨头跌幅显著，纳斯达克 100 指数一度下跌近 3%。
市场对可持续性的担忧：华尔街开始冷静思考这一轮由硬件驱动的 AI 狂热是否能持续，投资者正在屏息等待即将公布的财报（如美光财报），以验证高利润率的扩张是否还在继续。

3. 重磅嘉宾访谈

◼︎ 西门子（Siemens）CEO Roland Bush：将 AI 引入物理世界 12:00

工业 AI（Industrial AI）：西门子正全面押注工业领域的 AI 应用。Bush 强调，在工业现场“AI 幻觉”是绝对不可接受的。西门子凭借硬件、软件、行业 Know-how 以及与英伟达（Nvidia）的合作，确保 AI 给出确定性的结果。
落地案例——工程智能体（Engineering Agent）：西门子已推出一款可直接部署的 AI 智能体，它能自动分析、编写、编译并修复工业 PC（PLC）的代码，从而使生产率提高 50%，编程质量提升 80%。
数字孪生与 AI 工厂：西门子正与英伟达联合打造未来 “AI 工厂/数据中心”的白皮书，通过基于物理学的数字孪生技术进行优化。

◼︎ Menlo Ventures 合伙人 Venky Ganesan：募集 30 亿美元巨额基金 26:46

50 年来最大基金：硅谷老牌风投 Menlo Ventures 成功募集了 30 亿美元的新基金，将全数用于支持 AI 初创公司。他将当下的旧金山比作 1400 年代的佛罗伦萨，认为这是一个天才与资本高度密集的“文艺复兴”时刻。
杠铃战略（Barbell Strategy）：避开风投“中间层”。一方面极早期出手（甚至成立了不需经过投委会的快捷种子投资机制）；另一方面对已经跑出来的赢家重仓（例如他们在 2023 年力排众议，向 Anthropic 投资了数亿美元，如今这笔投资据传已大幅增值）。

4. 科技短讯与消费电子 19:19

裁员与数据中心压力：甲骨文（Oracle）在最新的年度文件中披露，在过去一年中裁减了 2.1 万个岗位，部分原因是由于昂贵的数据中心建设导致财务承压，从而通过 AI 优化来削减人力。
软银孙正义的取舍：孙正义公开驳斥了马斯克关于“轨道/太空数据中心”的设想，称其算账下来是“必输的赌注”，软银将专注于在地球上建造强大的数据中心。
高通（Qualcomm）洽购 Modular：消息称高通正进行高级谈判，计划以约 40 亿美元收购 AI 软件公司 Modular，以加速降低企业端 AI 推理（Inference）的成本。
Meta 推出自有品牌智能眼镜：Mark Gurman 现场展示了 Meta 首次摆脱雷朋（Ray-Ban）等第三方品牌、完全由内部团队设计并冠名的 Meta 智能眼镜。售价为 300 美元（比之前的联名款便宜 80 美元）。此外，Meta 还在考虑推出“无摄像头”版本，以更轻薄的机身、更长的续航和更好的隐私保护主打纯音频体验。

彭博科技0623

cognitalk — Wed, 24 Jun 2026 02:28:22 +0000

http://www.youtube.com/watch?v=lPIy9EAQK2U
这期由 Ed Ludlow 主持的《Bloomberg Technology》节目，核心围绕科技巨头最新的融资动作、人工智能（AI）基础设施建设的巨额投入，以及行业高管变动和消费市场趋势展开。

以下为该期节目的详细核心内容：

1. SpaceX 的首次投资级债券发行与业务转型

债券发行与市场反应： SpaceX 在创纪录的 IPO 之后，首次启动了投资级债券发售，计划通过该机制融资约 200 亿美元，主要用于偿还现有债务和满足公司运营需求 00:48。
为何坐拥千亿现金仍要发债？ 彭博信用分析师 Robert Schiffman 指出，未来几年 SpaceX 在负自由现金流上的支出可能会超过 1000 亿美元 02:12。他们正在拉开庞大的空间资本开支序幕，将公司从传统的卫星数据、航空与国防业务，转型为“空中的超大规模云服务商”（Hyperscaler in the sky） 05:03。
股价波动： 尽管债券市场反响可能极为热烈，但 SpaceX 的股票在周一连续第三个交易日下跌，跌幅达 10%，交易价格降至每股 170 美元以下 01:09（但仍高于其 135 美元的 IPO 定价 01:16）。
大额算力合同： 节目中提到，有报告称 SpaceX 与 Reflection AI 签署了一份价值约 63 亿美元 的交易 11:08，Reflection 将每月向 SpaceX 支付 1.5 亿美元以获取算力支持 11:20。

2. AI 基础设施的疯狂开支（微软、美光、Chevron）

微软与雪佛龙（Chevron）的 20 年能源大单： 微软与石油巨头 Chevron 签署了一项长达 20 年的协议，将在西德克萨斯州的二叠纪盆地（Permian Basin）利用当地丰富的廉价天然气建造一座大型发电厂，用以支撑其代号为“Project Kilby”的巨型数据中心 11:47。此举反映出由于 AI 带来的巨大电力需求，科技公司甚至不惜在一定程度上重回化石能源或放缓此前的 100% 可再生能源承诺 14:09。
美光（Micron）与 Anthropic 的直接合作： 存储芯片巨头美光与前沿 AI 实验室 Anthropic 直接达成了战略供应协议，合作开发用于 AI 的内存和存储架构 23:57。分析师 Jake Silverman 指出，这极为罕见，表明 AI 内存芯片的产能极其紧张，导致大客户必须直接与芯片制造商绑定长期协议以确保供应 24:34。

3. 高层人事地震与巨额一级市场融资

Meta 斥资 9 亿美元重组 WhatsApp： Meta 向印度金融科技初创公司 CRED 投资了 9 亿美元，并直接挖角其创始人 Kunal Shah 担任 WhatsApp 的全球新负责人 15:03。此举旨在利用其在印度市场的经验，进一步开拓 WhatsApp 的广告、订阅和商业短信等变现渠道 16:32。
谷歌 AI 团队人才流失： 谷歌母公司 Alphabet 股价下跌 6%，创下 2 月份以来的最大跌幅 10:26。主因是其 AI 团队核心人才持续流失，最新出走的是 Google DeepMind 副总裁、著名 AI 科学家 John Jumper，他已宣布加入竞争对手 Anthropic 10:41。
Base 10 完成 1.5 亿美元融资： AI 推理（Inference）初创公司 Base 10 完成了总计 15 亿美元 的巨额融资，估值在 110 亿至 130 亿美元之间 29:59。创始人与投资人指出，随着开源模型（如 DeepSeek、GLM 5.2 等）的崛起，企业更倾向于利用开源模型进行后训练以掌控数据和成本，推理市场正在成为全球最大的市场之一 32:41。

4. 行业快讯与消费动态

苹果的“设计复兴”： 彭博记者 Mark Gurman 爆料，即将上任的苹果 CEO 约翰·特纳斯（John Ternis）深知需要对工业设计团队进行大洗牌，以恢复 iPhone 时代的创意锋芒 19:46。未来几个月内，外界或将看到折叠屏 iPhone（暂称 iPhone Ultra）带来的 20 年来最重大的设计改变 21:49。
中国稀土与锂市波动： 由于有传言称宁德时代（CATL）可能在 2026 年下半年重启全球最大的锂矿之一，中国锂期货连续两天暴跌近 9% 17:21。同时，作为反制，中国对美国主要稀土生产商 MP Materials 等实施了新的出口管制 17:56。
亚马逊 Prime Day 跨界卖披萨： 亚马逊在今年为期 4 天的 Prime Day 活动中推出了一个有趣的尝试：与小凯撒（Little Caesars）合作提供 5 美元的比萨外送 11:47。分析称这是亚马逊在退出熟食外卖市场后，重新吸引流量、并将“晚饭与网购”结合的新招数 42:24。

AI中心的数据黑洞

cognitalk — Sat, 20 Jun 2026 08:54:50 +0000

http://www.youtube.com/watch?v=4pG3SJQPAwk
在这段名为《The data black hole at the center of AI》（AI中心的数据黑洞）的视频中，Dwarkesh Patel 深入探讨了AI当前的进步核心是由极其惊人的“数据量”驱动的，而非算法或样本效率（Sample Efficiency）的突破。他将现今的AI比作一个由庞大能力组成的星系，但在其中心，维系一切的是一个隐形的、无法想象的“数据黑洞”。

以下是视频的核心观点详细拆解：

一、样本效率的鸿沟：AI 与人类的巨大差异

Patel 提出，“智能”的一个重要定义是样本效率——即在某个领域内，你需要多少数据才能达到熟练和精通的程度。

人类是极高效的学习者： 一个普通人从出生到成年，慷慨估计也只能接触到大约 2 亿个 Token（词元） 的语言数据。青少年只需要 20小时 的练习就能学会开车。
AI 是极低效的数据吞噬者： 现在的顶级前沿模型需要 数十万亿到上百万亿 的 Token 进行训练。这与人类有着近百万倍的差距。即使是让 AI 学会像“排版一个 Word 文件”或“像人类一样操作机械臂”这种微小的技能，背后都需要数百名人类专家提供成千上万条详尽的步骤和推理路径。
怪兽隐喻： AI 表现出的强大能力，并不像一个真正学会了各种技能的人类，而更像是一个“科学怪人”（Frankenstein's monster），是由数十亿个精心构建的示例和数据图表强行缝合在一起的产物。

二、驳斥三大常见辩解（AI 为什么还没达到人类的效率？）

针对业界为 AI 样本效率低下进行的辩护，Patel 逐一进行了反驳：

辩解一：人类有几亿年的进化进行“预训练” (例如 Karpathy 的观点)
反驳： 人类的基因组只有约 3GB，其中只有 1% 到 2% 是编码蛋白质的。这么小的空间根本装不下类似于神经网络参数的“预训练权重”。进化带给人类的更像是完美的超参数和损失函数，而人类大脑中的连接（相当于权重）依然是在一生中从零开始构建的。此外，即使 AI 完成了预训练，在学习新技能时依然需要海量的数据，而人类不需要。
辩解二：人类接触了大量的多模态（感官）数据
反驳： 盲人和聋哑人切断了这些感官数据，但他们依然拥有通用智能。聋哑人甚至无法接收语音 Token，只能通过手语和阅读，他们一生消耗的 Token 量可能远低于 2 亿，但这并不妨碍他们非常聪明。这证明感官 Token 的数量并不是人类聪明的根本原因。
辩解三：模型还不够大，扩大规模（Scaling）就能提高效率
反驳： 根据 Chinchilla 等缩放定律（Scaling Laws），即使把模型参数增加到无穷大，所需要的数据量也仅仅只能减少到原来的十分之一（10倍）。而人类的效率是 AI 的数千到数百万倍。因此，单纯靠堆砌参数大小根本无法填补这个鸿沟，人类显然处于另一条完全不同的“缩放曲线”上。

三、为什么开源模型能紧咬闭源前沿模型？

Patel 指出，根据 Epoch 的报告，开源模型往往只落后前沿模型 4 个月左右。
他认为这是因为数据才是真正的驱动力。超参数、训练技巧和架构优化很难偷学，但数据可以很容易地通过公开 API 进行“蒸馏”（Distill）。这也是后进者能够迅速缩短差距的核心原因。

四、效率这么低，AI 还能颠覆未来吗？

尽管 AI 的训练效率低得令人发指，但 Patel 认为，AI 实验室的两个核心目标（自动化白领工作 和 自动化 AI 研发本身）依然可以实现，因为 AI 拥有人类无法比拟的优势：

烧能换能力（千兆瓦级训练）： 如果一个人类在成为软件工程师之前需要读完 GitHub 上的每一个公开仓库，那他可能还没毕业就得领养老金了。但 AI 可以通过高强度的算力和能量瞬间“吞噬”这些数据，并且其学到的技能可以瞬间同时复用到数十亿个会话中。这种边际成本的优势使得即使训练过程再低效，商业上也是极其划算的。
关于软件工程师的预测： 虽然软件工程师是 AI 试图最先取代的岗位，但 Patel 赌赢认为，由于 AI 带来的辅助生产力爆发，2027 年全行业对人类软件工程师的需求量大概率会比现在更高。

五、结语与未来的悬念

AI 实验室目前的终极剧本是：首先训练出一个数据效率不高、但足够聪明的 AI 研究员，然后让这个 AI 研究员去解决“人类级别的样本效率问题”。 Patel 表示，关于“一个不具备人类般高效学习能力的 AI，能否反过来解决人类级别的智能和学习问题”，这是一个极其复杂的课题，他将在未来的长篇博客中继续展开探讨。

被传统银行忽视的群体

cognitalk — Thu, 18 Jun 2026 21:37:49 +0000

https://www.youtube.com/watch?v=sLBmAIvveCY
这期《Banking Transformed Podcast》播客视频的主要内容围绕银行如何通过转变观念、运用风险管理，去触达数百万被传统信用体系忽视（ underserved ）的家庭展开。

主持人邀请了 Credit One Bank 的首席营销官 (CMO) Michael Coleman，深入探讨了该银行是如何在这一领域摸索并取得成功的：

1. 专注被传统银行忽视的群体

传统金融机构通常将信用评分在 680–700 以下、或者正在重建信用的人群视为“高风险”和负担，并逐渐收紧对他们的信贷额度 [02:43]。而 Credit One Bank 则反其道而行之，专注于服务这一庞大的“被遗忘的群体” [05:03]。

2. “信贷获取”与“金融教育”并重

Michael 强调，给这些人发信用卡只是第一步（赋能），更重要的是伴随式的金融教育 [08:43]。

他们通过趣味性的营销策略来普及金融常识。例如在 Tik Tok 等社交媒体上推出 "Credit Wreckers"（信用破坏者） 动画形象 [16:44]：
Max Out：花光所有额度、过度消费的派对狂 [17:00]。
Miss Payment：忘记设置自动还款、凡事随缘的迟到大王 [17:11]。
此外，他们还邀请恋爱真人秀明星 Jana Craig 拍摄短片，让男嘉宾通过展现良好的信用习惯来赢得关注，用娱乐化的方式教导年轻群体 [18:44]。

3. 正确看待年费与风险管理

由于服务的是财务压力较大的高风险群体，银行必须依法拨备贷款损失准备金，因此通常会收取一定的月费或年费 [12:14]。

透明度：银行对此完全公开透明。
观念重塑：将其比作健身房会员费或流媒体订阅费（购买一种能帮你带来财务增值、解锁更多机会的服务） [12:50]。
反哺用户：即便对信用不完美的人群，他们同样设计了高达 5% 的消费返现、旅行奖励等权益，来平衡和冲抵年费的心理负担 [13:55]。

4. 采用“预先批准”降低心理门槛

这一群体的消费者非常害怕再次遭遇拒绝（因为拒绝会进一步伤害信用分并打击信心） [20:50]。因此，Credit One Bank 超过 95% 的新用户都是通过数字化或纸质信件的“预先批准 offer (Pre-approved Offers)”获取的，让他们一碰面就觉得有安全感 [21:23]。

5. 感人的用户蜕变故事

Michael 分享了一位名叫 Taiisha Jameson 的用户的真实故事 [25:28]。Taiisha 曾因女儿因哮喘并发症不幸去世，陷入了极大的精神与财务危机，导致信用分暴跌，所有银行都对她关上了大门 [25:43]。Credit One Bank 是唯一愿意给她机会的银行。最终，她通过按时还款重建了信用，并成功走入汽车线下店、以良好的信用贷到了一辆新车，彻底改变了生活 [26:14]。

总结：
Michael 呼吁整个银行业应当从“恐惧风险、一味规避”转变为“主动管理风险” [29:13]。未来人工智能 (AI) 也许能帮助更多银行分析多维数据，从而消除对低信用分人群的刻板印象，让金融体系变得更有温度和同理心 [28:43]。