Show Notes
🎙️ 费曼：理解物理定律，先学会接受它的反直觉 📝 本期播客简介 本期我们克隆了：Richard Feynman's Lectures · Richard Feynman - The Character of Physical Law (1964) - Complete - Better Audio 原内容更新时间：1964年 “猜想是谁提出的、他叫什么名字，都无关紧要。如果它和实验结果不符，那它就是错的。”费曼从万有引力定律讲起，追问自然规律究竟是什么、科学又怎样一步步逼近它。 这套康奈尔大学讲座从引力、数学与物理的关系，讲到守恒、对称、过去与未来、量子力学，以及寻找新定律的方法。费曼既讲开普勒如何从精确观测中找出行星轨道，也讲双孔实验为何让电子的行为无法用日常经验解释。 👤 本期嘉宾 理查德·费曼，理论物理学家。这套讲座录制于1964年康奈尔大学，他以万有引力定律为例，讲解物理定律的特征、历史和检验方式，并进一步谈到量子力学与科学发现。 ⏱️ 时间戳 00:18 物理定律与引力 04:46 第谷与开普勒 13:49 牛顿引力的检验 42:08 数学如何连接物理 1:29:47 守恒定律的意义 2:15:54 物理定律的对称性 3:08:01 不可逆与时间方向 3:48:32 量子力学的双孔实验 4:38:18 猜测并检验新定律 5:19:03 理论等价与探索未来 🌟 精彩内容 💡 精确观测，才能让理论改道 第谷·布拉赫一夜接一夜记录行星位置，开普勒则用这些数据反复试错。火星的位置偏了8角分，开普勒没有把偏差归咎于观测，而是放弃圆轨道，最终找到了椭圆轨道。 "正因为观测足够精确，他才能继续尝试别的方案，最后终于找到了答案。" 💡 能量守恒，连看不见的能量也得算 费曼用孩子玩积木打比方：妈妈发现积木少了，就去盒子和水槽里找看不见的积木。能量守恒也一样，运动、热、光、化学反应里的能量形式各异，总量却始终相同。 "存在一个可以算出来、而且始终不变的数。我也只能这样解释了。" 💡 过去与未来的区别，不在基本定律里 分子碰撞遵循的定律可以倒放；蓝水和白水混合后却不会自行分开。表面上的不可逆，来自随机变化让混合更可能发生，而要解释我们为什么从有序走向无序，还得追问宇宙过去为何更有序。 "这些过程所谓不可逆，只是说沿一个方向发展很可能发生；反过来虽然也可能，而且符合物理定律，却一百万年里都不会发生。" 💡 电子像粒子，却会产生干涉 双孔实验中，电子一个个到达探测器；两个孔都打开时，它们的到达概率却不能由分别通过两个孔的结果相加得到。想知道电子经过哪个孔，就得用光观察，而观察会改变干涉图样。 "电子像粒子一样，一个个地到达；但这些粒子的到达概率，是按波的强度那样的规律决定的。" 💡 科学只能排除错误，不能证明正确 一个理论即使经得起几百年检验，也可能在新实验里露出偏差；牛顿的万有引力定律就是例子。科学要做的不是只在已知范围内验证理论，而是尽可能去那些可能出错的地方找证据。 "所以我们永远不能证明自己是对的，只能确定自己错了。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺
在小宇宙查看该单集文稿
More from 跨国串门儿计划
📝 本期播客简介 本期我们克隆了：High Performance · Top Gear Boss On Clarkson's Sacking, Schumacher & BBC Exit 原内容更新时间：2025-12-08 “整本书讲的都是意外。”《Top Gear》从一个老派汽车节目变成全球大热节目，Andy Wilman说，许多后来成了标志的点子，当初根本不在计划里。 作为《Top Gear》和《The Grand Tour》的执行制片人，Andy Wilman回顾了三位主持人的默契如何慢慢长成，节目如何从便宜旧车和拍摄事故里找到新招，也讲到成功带来的压力、团队失控，以及他为何在Jeremy Clarkson离开后拒绝继续做《Top Gear》。 👤 本期嘉宾 Andy Wilman是《Top Gear》和《The Grand Tour》的执行制片人，也是推动《Top Gear》从老派汽车节目转型的重要创意力量。他长期与Jeremy Clarkson、Richard Hammond和James May合作，亲历了节目从重启、走红到团队离散的过程，对节目的创作方式、团队运作和幕后压力都有直接经验。 ⏱️ 时间戳 克拉克森与新版Top Gear 01:41 在酒吧摊开纸张，Jeremy早已想好七成节目内容 04:39 等英国右舵版上市，主动退出汽车杂志的首发竞赛 意外成就三人组 11:16 Richard穿蝙蝠侠服试镜，最后靠讲失败经历赢得角色 20:21 三人默契没人设计，给他们时间才慢慢长出来 成功背后的压力与失控 34:07 收视已有900万，团队仍剪片到凌晨两三点 45:16 每周四晚熬夜剪片，周末还得看下周要播的内容 事故、冒险与告别 49:27 Richard困在翻覆的超跑里，闻到烧焦味才踹窗逃生 51:15 团队开始讨论何时结束，决定按自己的意愿收尾 Stig与舒马赫 57:01 找不到会说话的赛车手，Jeremy提议让他不说话 1:03:02 舒马赫承认撞上Villeneuve不对，也说出自己为何那样做 丑闻、离开与新旅程 1:12:19 Andy怀疑他们心里也想过“让这一切垮掉算了” 1:17:33 BBC认定没了Jeremy也能做节目，Andy不这么看 🌟 精彩内容 💡 Top Gear的成功不是照计划造出来的 节目重启时，Jeremy已在酒吧写下许多点子，但三位主持人的化学反应、破车拍摄和特别篇，都是一路做出来才发现的意外。 "对，那本书整本讲的都是意外。" 💡 一辆破车趴窝，反而成了真正要拍的内容 三辆1500英镑买来的保时捷刚开出伦敦不久就全坏了。导演想让摄制组先去吃午饭，Jeremy却说，眼前的混乱才是节目。 "车能正常开，已经不是我们要拍的了。要拍的就是这一片混乱。" 💡 三个人的默契，没法第一天就复制 Jeremy、Richard和James并没有预先设计好各自的荧幕性格；他们花了好几季才慢慢长出只有彼此才有的关系。 "我们有好几季的时间，可以让这种关系慢慢发展。" 💡 节目大热，团队却被困在工作里 收视达到900万，片子从10分钟做到了半小时，制作时间表和剪辑时间却没有跟着变。团队常常熬到凌晨，家庭生活也被压力拖垮。 "我们就在那儿剪到凌晨2、3点，我们没搞明白怎么把工作分下去，也没想明白怎么把节目变个样。" 💡 BBC以为节目比主持人重要，Andy选择离开 Jeremy被开除后，BBC希望Andy继续做《Top Gear》，也试图留下Richard和James。Andy拒绝了：他认为节目不是一套可以换人继续运转的模式，而是他们一起做出来的东西。 "我不会去做另一个《Top Gear》，因为这不是随便一档节目，这是我们一起做出来的东西。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
📝 本期播客简介 本期我们克隆了：Eye On A.I. · Chat GPT's Creator Explains The Shocking Truth About How AI Understands the World | Ilya Sutskever 原内容更新时间：Fri, 09 Oct 2026 语言模型只是学会了文字里的统计规律，还是已经在理解文字背后的世界？Ilya Sutskever 的回答是：要把数据预测好、压缩好，模型就需要越来越了解产生这些数据的世界。 这场对话录制于 Ilya 还在 OpenAI 担任首席科学家的时期。他从深度学习和 GPT 的发展讲起，解释模型为什么会产生幻觉：预训练让它学到丰富的世界知识，但并不直接保证输出准确；人类反馈强化学习则负责纠正输出。他还谈到多模态学习、如何让模型用更少数据学得更快，以及 AI 可能怎样帮助公民更直接地表达对公共事务的期待。 👤 本期嘉宾 Ilya Sutskever，Safe Superintelligence Inc. 联合创始人、首席科学家，曾任 OpenAI 首席科学家，也是 GPT-3、GPT-4 背后的主要研究者之一。他从 17 岁起便与 Geoff Hinton 合作研究机器学习，参与推动深度学习发展，对神经网络如何学习、语言模型的能力与局限都有长期研究经历。 ⏱️ 时间戳 从意识问题到深度学习 01:24 意识问题让他走进 AI 01:59 2003 年，计算机能学习还不被看好 04:12 大型深度网络为何可能成功 GPT与规模效应 06:17 OpenAI 早期探索预测下一个词 07:35 Transformer 论文发表次日就转向 08:51 《苦涩的教训》把规模效应说得太满 语言模型的理解与幻觉 11:47 他不同意模型只是学统计规律 12:25 预测得好，最终需要理解生成过程 15:17 预训练不保证输出准确 可靠模型与AI的未来 26:19 让模型更可靠、更可控 31:20 AI或能汇总公民更多意见 🌟 精彩内容 💡 预测文字，也是在学习世界 要把文字预测得足够好，模型就必须逐渐理解产生这些文字的真实过程。Ilya 认为，模型理解的不只是文字本身，也是文字所投射出来的世界。 "要把数据预测好、压缩好，就需要越来越了解产生这些数据的世界。" 💡 学到了世界，不等于答得准确 预训练让模型形成关于世界的丰富表征，却没有直接训练它给出符合期待的答案。ChatGPT 还要经过基于人类反馈的强化学习，学习哪些输出不合适、下次该怎样调整。 "语言模型更擅长学习、了解世界，对各种想法、概念、人，还有现实中存在的过程，学到非常出色的表征。" 💡 他认为幻觉有机会被彻底解决 模型编造事实，限制了实际用途。Ilya 认为，让用户的反应反馈给模型、再改进强化学习过程，或许能教会模型不产生幻觉。 "这种方法有相当大的机会彻底解决幻觉问题。" 💡 只靠文字，模型也能学颜色关系 模型从文字中学到颜色之间的相似程度：紫色更接近蓝色，而不是红色。视觉能让这种学习更快，但 Ilya 不认为视觉是理解世界的必需条件。 "紫色跟蓝色更像，跟红色没那么像。" 💡 AI可能让民主听见更多人的意见 Ilya 想象，公民可以向神经网络提供信息，表达希望事情变成什么样，再由系统汇总这些意见。这可能形成一种传递大量信息的民主形式，而不只靠投票表达偏好。 "这也许可以成为一种能传递大量信息的民主形式，从每个公民那里获取多得多的信息。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
📝 本期播客简介 本期我们克隆了：Alex Kantrowitz · Sundar Pichai: Path To Recursive Self-Improvement, Compute Allocation Dilemma, Future AI Interfaces 原内容更新时间：2026-10-20 算力不够，Google 还是要优先保证前沿 AI 研发：Sundar Pichai 直言，云业务一直在放弃一部分短期营收来支持这件事。与此同时，所有公司都希望手里的算力能达到原计划的两倍。 在 Big Technology Podcast 主持人 Alex Kantrowitz 的访谈中，Google 和 Alphabet 首席执行官 Sundar Pichai 谈 Gemini 4 Argon 的表现、递归自我改进与模型安全，也解释算力如何在研究和云业务之间分配。他还谈到 AI agent 如何融入 Gemini 等产品、AI 写代码带来的变化，以及太空数据中心的设想。 👤 本期嘉宾 Sundar Pichai 是 Google 和 Alphabet 的首席执行官。作为 Google AI 战略的负责人，他谈到了公司如何建设算力、保持前沿模型研发，以及将 AI 能力带入产品；他也分享了 Google 内部使用 Argon 辅助开发的情况。 ⏱️ 时间戳 前沿模型与AI未来 01:21 Gemini 4 Argon 多项 benchmark 超过公开模型 02:43 上线 72 小时，token 用量近 25 万亿 08:36 递归自我改进还远未到最终形态 算力部署与建设风险 14:25 算力优先保证前沿研发 16:02 今天的算力取决于 2024 年的决定 18:27 算力不像光纤：每天都不够用 产品体验与AI基础设施 22:06 AI 会反过来适应人的生活方式 27:57 Gemini agent 每周 7 天、每天 24 小时运行 35:05 Argon 上线 4 周，代码提交量增加 30% 乐观进取并保持警惕 39:28 技术进步让更多人受益，是他的信念 40:01 乐观的前提是技术服务于人类 40:52 乐观，也要警惕技术可能出问题 🌟 精彩内容 💡 前沿模型不只是为了赢 benchmark Pichai 认为，站在技术前沿能更早看到新能力，也能帮助 Google 为下一代模型做准备。他说，Argon 已经让内部开发人员解决了过去模型做不到的问题。 "在递归自我改进的时代，前沿模型会更擅长开发下一批模型。" 💡 AI 自我改进，离最终形态还很远 Argon 的开发过程确实包含递归自我改进，但 Pichai 将现状描述为 AI agent 以自动化方式帮助研究人员参与模型开发，而不是模型已经脱离人类自行进化。 "就目前而言，如果把这看作一个连续发展的过程，我们离递归自我改进的最终形态之类的，还相当远。" 💡 算力优先给前沿研发，云业务让出短期营收 Google 要先确保研究和模型开发有足够算力，再为各项业务规划资源。Pichai 也承认，云业务会因此放弃一部分短期营收。 "我们的云业务，无论在什么时候，都在放弃一部分短期营收，因为我们在算力分配上做取舍，来支持前沿 AI 研发。" 💡 所有公司都想要两倍算力 算力建设需要提前很久规划，今天拥有多少算力，取决于此前做出的决定。Pichai 说，现在不仅 Google，其他公司也都觉得算力不够。 "大家都希望能有原计划 2 倍的算力。" 💡 Argon 写代码，提交更多、回滚更少 Google 跟踪 Argon 的内部使用情况发现，上线后的 4 周里，代码变更提交量增加了 30%，回滚次数减少约三分之一；一些项目涉及数百万行代码。 "我们确实看到代码变更提交量增加了 30%，更重要的是，回滚次数减少了三分之一，幅度也差不多。" 💡 乐观不是放手下注 Pichai 相信技术进步能改善生活，但他认为乐观不等于想做什么就做什么。技术必须以服务人类、改善人类处境为目标。 "你得下功夫，确保自己开发的技术，是为人类服务，让人类的处境变得更好。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
🎙️ AI 数学研究：让工具增强人的能力 📝 本期播客简介 本期我们克隆了：SAIR · Terence Tao & Yu Deng: Why We Build Open Math Model 原内容更新时间：2026-10-20 AI 一口气发布数百个数学证明，数学家真正担心的却不只是机器抢饭碗：证明里的想法能不能理解，功劳该归谁，科学文献中的思想来源还能不能追溯？ 数学教授 Terence Tao 和 Yu Deng 谈 AI 怎样拓展数学研究，也谈大量生成的证明给学术诚信、引用和成果评价带来的难题。他们解释为什么数学需要开放的 AI 工具，以及 AI 可以代做哪些繁琐工作；在 AI 时代，提出好问题、规划证明和发展新想法，仍是人的关键能力。 👤 本期嘉宾 Yu Deng 是芝加哥大学数学教授，研究偏微分方程和概率论。Terence Tao 是加州大学洛杉矶分校数学教授，研究分析、数论和组合数学，也参与 AI 相关工作，思考 AI 对数学领域的影响。 ⏱️ 时间戳 01:01 理解、价值与归属 09:58 建设开放的数学AI 🌟 精彩内容 💡 AI 可以代做繁琐证明 当研究者已经有了解题思路，只是实现细节太复杂，AI 可以接手这些工作，让人把时间留给更根本的问题。 "能帮你省时省力，让你专心思考更根本的问题" 💡 数学不该只奖励答案 过去，解出难题往往也意味着深入理解、能讲清楚并带出新问题；如今解题可能只是训练模型时的副产品。Tao 认为，学术评价需要看见更广泛的理解与洞见。 "我们想要的是更广泛的理解，还有洞见。" 💡 AI 正在切断想法的传承链 科学文献本是共同资源，引用让研究者能够追溯想法来源。但 AI 有时无法说明答案借鉴了哪些前人的工作，解题时学到的思想脉络也就跟着隐去。 "想法传承的链条开始被我们打断了，确实就是这样。" 💡 开放数学工具不必等新模型 SAIR 的 Open Math OS 起步时使用现有开源模型，先把模型与工具整合起来，方便数学家协作，也希望逐步汇集团队、数据和算力，发展自己的模型。 "让大家不用自己部署，也不用自己买 GPU，应该会很有用" 💡 随机偏微分方程，一两天解出 Yu Deng 的合作者 Bjoern Bringmann 已经有了大致的解题思路，用 GPT Astra 尝试一道随机偏微分方程问题，约一到两天就得到了解答；前提是人先理解问题，并规划好证明方向。 "结果大概 1 到 2 天就解出来了。" 💡 AI 时代更要会问问题 AI 解出一个问题后，往往会带出更难、也更有意思的新问题。找到方向、规划探索路线、提出新想法，都是引导 AI 的能力。 "这些都可以说是让你能够引导 AI 的能力" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺
📝 本期播客简介 本期我们克隆了：NVIDIA · NVIDIA GTC Berlin 2026 Keynote With CEO Jensen Huang 原内容更新时间：2026-10-19 “AI 不只是软件技术。”黄仁勋在柏林 GTC 上把 AI 描绘成一门制造业：工厂生产 token，再把智能带进每个行业。 他从欧洲建设 AI 经济讲起，介绍 AI 工厂如何设计、部署和提升效率，也拆解 agent 的模型、运行环境、知识与工具如何协作。演讲还涉及 agent 安全、企业如何用自己的数据定制 AI，以及 AI 在电信、自动驾驶、机器人和个人电脑中的应用。 👤 本期嘉宾 黄仁勋，NVIDIA 创始人兼首席执行官。他带领 NVIDIA 从图形芯片发展到 GPU、CUDA 和全栈 AI 工厂平台；这次演讲中，他介绍了公司在 AI 基础设施、agent 安全、开放模型和物理 AI 领域的技术与合作。 ⏱️ 时间戳 02:34 NVIDIA与欧洲共建AI经济 09:46 AI五层架构与NVIDIA全栈 21:34 DSX POD加速建成AI工厂 27:56 通用架构与AI产业生态 32:41 Agent安全、模型与专业工具 53:53 物理AI进入通信与机器人 1:02:13 RTX Spark让agent走进个人电脑 🌟 精彩内容 💡 AI 工厂要尽快产出 token 一座 1 吉瓦的 AI 工厂造价约 500 亿美元，建成后再花几个月组装，闲置算力和资本都在烧钱。NVIDIA DSX POD 把集成、布线和测试提前放到工厂完成，希望将现场部署时间从几个月缩短到几天。 "更快产出第一个 token。" 💡 agent 的安全不能靠请求 agent 能访问文件、网络和工具，光告诉它“请不要删除任何东西”并不能保障安全。OpenShell 通过沙箱和外部策略限制权限，Sentry 还能在硬件隔离的环境中监控并隔离异常 agent。 "安全不能只是一个愿望。安全靠的是技术和工程。" 💡 企业的知识才是专属 AI 的底牌 公司可以从开放模型起步，再用自己的数据定制模型，并把内部文档、数据库和专业工具接入 agent。这样一来，AI 才能处理公司的具体问题，而不只是提供通用回答。 "把你的专有数据，变成自主掌控的智能。" 💡 AI 不会让工具公司消失 agent 要完成科学实验、工程设计和生产计划，仍然需要专业工具。做工具的公司可以进一步开发擅长使用自家工具的 agent，AI 反而可能带来更多工具使用需求。 "每一家做工具的公司，现在都会成为 AI 公司。" 💡 机器人先在数字世界里学会本领 训练 AI、在数字孪生中学习、再把策略部署到机器人，是物理 AI 的三台计算机。演示中的 Microduck 在云端并行训练，在 Omniverse 数字孪生中学习，最后把验证过的策略下载到实体机器人上。 "每摔一次，就学到一点。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺