Show Notes
📝 本期播客简介 本期我们克隆了：Lex Fridman · AI Crisis in Math: Navier-Stokes, Riemann Hypothesis & Complexity Theory | Lex Fridman Podcast #503 原内容更新时间：2026-10-26 AI能在几天里拿出数学家原以为还要等数年的成果；费马大定理的形式化证明，竟然写成了1300万行代码。数学家们惊叹之余，也开始追问：如果定理能由机器证明，数学还剩下什么？ Lex Fridman与来自麻省理工学院、华盛顿大学和罗格斯大学的三位数学家，谈AI在黎曼假设、纳维-斯托克斯方程、唯一博弈猜想等难题上的进展，也谈这些成果如何改变数学研究。讨论从AI能否创造新数学，延伸到证明如何验证、数学家如何工作，以及学生怎样在不确定的时代学习和选择方向。 👤 本期嘉宾 Alex Kontorovich是罗格斯大学数学家、数论专家，研究黎曼假设，也参与Lean与机器验证证明相关工作；Ankur Moitra是麻省理工学院数学家、理论计算机科学家，研究复杂性理论、唯一博弈猜想与AI学习背后的数学；Steven Brunton是华盛顿大学数学家、流体力学专家，研究纳维-斯托克斯方程、湍流与机器学习在流体力学中的应用。他们分别从数论、理论计算机科学和流体力学出发，讨论AI数学成果的意义与边界。 ⏱️ 时间戳 数学的危机时刻 02:17 数学知识的黄金时代，也带着学生培养和研究方向的焦虑 AI会终结数学吗 11:26 Alex提出“全解决公理”：AI能做任何人机合作能做的数学 AI能创造新数学吗 33:57 准黎曼假设的证明组合了许多已知方法，是否算新思路？ 黎曼假设 1:19:55 AI证明了实部在8分之7和1之间没有零点 纳维-斯托克斯方程 1:37:59 AI构造出有限时间爆破的特殊涡旋 自然如何计算 1:51:04 果蝇靠翅膀神经元快速应对阵风 唯一博弈与复杂性 1:59:27 OpenAI公布唯一博弈猜想成立的证明 数学家如何思考 2:08:36 一项研究想了10年，最后由5位作者共同完成 数学是发明还是发现 2:19:22 问题由人提出，答案却由上帝决定 AI能解P与NP吗 2:25:19 连可满足性问题的超线性下界都还不知道 大模型为何有效 2:40:35 用随机数微调，模型竟学会了“喜欢猫头鹰” AI尚不能解决的问题 2:49:41 容易解的问题，可能各自容易得完全不同 格里戈里·佩雷尔曼 2:50:47 “只要证明是对的，我需要的认可就全有了” 给年轻人的建议 3:00:25 一类学生用AI检查理解，另一类只让AI代写答案 🌟 精彩内容 💡 1300万行代码，证明费马大定理 Anthropic团队用Lean从公理出发，写出没有待证明占位符的形式化证明。Alex此前估计这项工作还要多年，结果报告后两天，证明就出现了。 "我所有的经验都告诉我，它们能做到的，大概就是 X 这个水平，到不了 10 倍，可这次是 100 万倍。" 💡 数学不只是定理的数量 一行行形式化代码能核查证明是否成立，却未必能讲清楚证明背后的故事。数学家珍视的，还有与问题较量时形成的观念、抽象和理解。 "我们想要故事，想要理解。" 💡 数学家未必会被“证明定理”取代 Alex用门童作比：如果只把工作归结为最显眼的任务，就会漏掉那些难以量化的价值。数学家不只是证明定理，也会建立理论、换角度看问题、发现概念之间的联系。 "数学家就是深入思考的人。" 💡 纳维-斯托克斯：百万美元问题背后，还有万亿美元工程难题 AI证明了一个特殊外力下的有限时间爆破解，但这并未让日常流体工程更容易。设计机翼、人工心脏和涡轮机，仍要靠高成本模拟与实验。 "我们解决了那个价值 100 万美元的数学问题。可还有一个价值 1 万亿美元的工程问题。" 💡 好奇心比短期履历更重要 Ankur建议学生别只追着短期成果跑：如果一个问题只是因为下一代模型可能会解决才让人着急，也许就该去度假，想想什么值得自己长期投入。 "如果你做一个问题做得很着急，是因为觉得下一代模型肯定能解决，那也许干脆去度假好了，别解这个问题了。" 🌐 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 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
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：Dwarkesh Patel · What will computer chips look like in 2045? 原内容更新时间：2026-10-22 AI 算力过去十年每年增长 3 倍，可英特尔首席技术官 Pushkar Ranade 说，靠全球现有的芯片制造设备，先进晶圆产量大约只能提高 2 倍。需求跑得比产能快，问题不只在光刻机：供应链、厂房、良率和晶圆厂高昂的固定成本，处处都在卡住扩产。 Dwarkesh Patel 花了两天参观英特尔晶圆厂，与负责工艺开发、先进封装和公司技术战略的管理者深入交流。从英特尔 10 纳米工艺延期学到的教训，到全环绕栅极、背面供电、CFET、混合键合，再到 Terafab 和重新思考晶圆厂的建造方式，这一集带你看懂先进芯片如何从实验室走向量产，以及 AI 热潮下芯片供应的真实瓶颈。 👤 本期嘉宾 Pushkar Ranade 是英特尔首席技术官，负责从公司技术战略角度思考先进制造与产业扩产；他在这一集中谈到芯片供应链、晶圆厂规模效应、英特尔追赶台积电的路径，以及与马斯克 Terafab 项目的合作。节目还采访了 Chris Auth、Kevin Fischer、Jack Kavalieros 和 Tyler Osborn，分别从工艺开发、良率改善、研发技术与先进封装角度，讲述芯片制造的具体挑战。 ⏱️ 时间戳 工艺爬坡与10纳米教训 01:31 14A 已经开发三年多，正在敲定工艺与设备 04:10 10 纳米目标过于激进，创新太多拖慢进度 晶体管与光刻演进 08:03 晶体管越小，关着时也可能漏电 13:52 今天工艺使用的材料约是 90 年代的十倍 新技术的研发与取舍 25:48 数据不可能齐全，等齐了往往就太晚 28:14 hot box 1 像高速公路上的专用快车道 封装、产能与竞争 43:14 晶圆对晶圆键合，良品可能被坏片拖累 49:08 全球现有设备最多支持先进晶圆产量翻倍 Terafab与晶圆厂新思路 59:48 晶圆厂成本约每四到五年翻一倍 1:01:54 真正需要的是今天这样精密的洁净室吗？ 🌟 精彩内容 💡 AI 算力跑得比芯片产能快 过去十年，AI 算力每年增长 3 倍；但按全球现有设备估算，先进晶圆产量最多只能提高约 2 倍。想继续扩产，必须连设备供应商及其上游供应商一起扩产。 "10 倍做不到，但 2 倍左右，应该可以。" 💡 晶圆厂八成成本是固定的 建好晶圆厂后，约 80% 的成本不会随产量变化。产能利用率提高一点，或把芯片良率从 60% 提高到 65% 或 70%，新增产出带来的收益都可能远超线性增长。 "一座晶圆厂建起来以后，成本里大概 80% 都是固定的。" 💡 设备今天下单，可能要等到 2028 年 先进设备的供给并非花钱就能立刻增加。设备交货周期可能长达 18 个月；拿到设备后还要建厂，新的晶圆产能很可能要到这个十年末才出现。 "假设要等 18 个月才能拿到设备，那基本上就已经到 2028 年了。" 💡 芯片制造太怕冒险，成本却已高到该重想 一台高数值孔径 EUV 光刻机加配套设备约需 4 亿美元，工厂成本还在快速上升。投入几百亿美元的行业不愿冒险，但沿用几十年的做法，也未必仍是最好的做法。 "有时候，从零开始，把一切重新想一遍，是件好事。" 💡 马斯克建厂，不只是为了多买设备 Terafab 想解决的是芯片、算力和内存需求暴涨带来的供应压力。晶圆厂还需要大量电、水、耗材和洁净室空间；与英特尔合作，能帮助更快建厂并投入运营。 "我们觉得可以一起合作，帮他更快地把晶圆厂建起来、运转起来。" 🌐 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：Lenny's Podcast: Product | Career | Growth · An 86-minute guide to finding PMF | Rob Snyder (Author, The Power of Pull) 原内容更新时间：Sun, 25 Oct 2026 客户夸你的产品“特别有意思”，却不买，问题可能不是你还没说服他们，而是他们根本没有那股“现在就要”的需求拉力。Rob Snyder 曾花两年推销一个市场不想要的产品，后来换了方向，才摸清客户为什么会主动掏钱。 Rob Snyder 是《The Power of Pull》的作者，也为 50 多家初创公司提供过从 0 做到 100 万美元 ARR 的建议。这一集，他拆解 PULL 框架：怎么找到一个人现在非做不可、又被现有方案卡住的事；怎么亲自验证点子、约到销售通话、判断客户是否真想买；以及如何把成交后的交付和留存做成一套可重复的客户案例工厂。 👤 本期嘉宾 Rob Snyder，《The Power of Pull》作者、The Physics of Startups 邮件通讯作者。他曾亲自经历创业产品不被市场接受，之后持续帮助初创公司从 0 到 1，并为 50 多家初创公司提供从 0 做到 100 万美元 ARR 的建议；本集讨论的 PULL 框架，也来自他在早期创业和销售实践中的经验。 ⏱️ 时间戳 从创业挫折到PULL 02:34 被市场狠狠教训后，迷上从 0 到 1 05:17 推了两年，换方向后业务才起来 PULL四项与需求拉力 06:33 PULL 的 P：客户待办清单上的项目 09:14 理财顾问怕做记录，不做可能坐牢 亲身寻找并验证点子 18:58 跟着潜在客户干几天，找到真正卡点 27:01 客户反应不冷不热？问他现在愿花钱做什么 约谈与挖掘需求 32:29 陌生外联别硬推，用有意思的消息约人 40:49 打 5 次电话还没学到东西，就回头复盘 成交、交付与留存 50:56 用客户价值和替代方案推定价范围 1:01:49 别把产品丢给客户：留存得从交付开始 客户案例工厂与后续 1:07:12 创业不是做 100 个案例，而是重复一个 1:12:40 成功点子来自销售通话，白板点子一个没成 🌟 精彩内容 💡 客户的需求，不是靠你说服出来的 Rob 创业时寻找火烧眉毛的痛点、做差异化产品，还找了每天使用产品的合作客户，结果整整两年卖不动。换了方向后他才发现，需求拉力早已存在于客户的待办清单里，不需要创业者把它“创造”出来。 "我只要出去找到就行了。" 💡 点子不是坐在白板前想出来的 Rob 分享一位创业者的经历：他跟着不同的小企业从业者观察、干活，最后在独立执业的物理治疗师身边发现了需求。他接着把假设拿给 5 位物理治疗师验证；Rob 估计，他接触过的公司里，10% 的点子来自已有经历，90% 来自走出去亲身实践。 "真正最有可能奏效的，还是亲自动手，从现实中学，而不是从理论中学。" 💡 “听起来不错”不等于真想买 Rob 建议，销售沟通先挖需求，再谈产品。客户如果真的被现有方案卡住，会追问怎么开始、怎么接入；如果只说“很有意思”“我们考虑考虑”，就别把礼貌当成购买意愿。 "如果你有需求拉力，你会直接把东西从我手里抢走。" 💡 先做 5 次通话，再判断方向 Rob 不主张先埋头把产品做出来，也不建议找一群不付钱的共同打磨产品客户。他的做法是先提出需求拉力假设，约客户通话验证；如果 5 次通话都没兴趣、也没学到东西，就回头检查假设，而不是继续硬推。 "我们做销售是为了学习，不是为了硬推什么东西。" 💡 留存的关键，是找到客户离不开你的那一刻 Rob 曾把软件丢给客户就指望他们自己用，后来才意识到留存不能等产品上线后再管。他建议亲自交付、追问客户是否还会停用，并设计上手流程，让客户走到“离不开”的时刻。 "后来我吃了苦头才明白，留存真的特别重要，而这一点并不是一眼就能看出来的。" 💡 创业公司不是造软件，是重复客户案例 Rob 把创业公司的工作比作打造一座“客户案例工厂”：找到一个客户买前卡在哪、买后如何解决问题，再重复这个案例。他建议用瓶颈来决定眼下的重点，先解决销售线索不足，再处理成交率等下一项限制。 "我们这儿不生产软件，我们生产案例。" 🌐 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：AI Engineer · How to Know If Your AI Agent Is Any Good: Evals With Phoenix & Claude — Laurie Voss, Arize AI 原内容更新时间：2026-10-17 一份特斯拉报告把分析师建议的比例加出了 116%，还信心满满地写进结论。怎样才能不靠“看着不错”就把 AI Agent 上线？Laurie Voss 用一个金融分析 Agent 示范：追踪它每一步做了什么，再用代码评估、大模型裁判和人工检查找出问题。 这一集从错误分析一路讲到自定义评估、验证裁判、对照实验和 CI。改了 Prompt，结果可操作性评估从 16 份里 5 份通过，升到 48 份全部通过；但忠实度仍然很差。换成 Haiku 5.5 后，忠实度提高了 3 倍多，成本却变成 4 倍，而且模型几乎每次都建议持有。分数变好，真的代表 Agent 变可靠吗？ 👤 本期嘉宾 Laurie Voss 是 Arize AI 的开发者关系负责人，也是 npm 联合创始人。他早年从事 JavaScript，如今主要研究 AI 应用如何可靠运行。本集他用 Claude Agent SDK 和 Phoenix 搭建金融分析 Agent，并以开发者关系负责人的实践经验，演示如何追踪 Agent、设计评估，并把检查接入 CI。 ⏱️ 时间戳 准备环境与评估缘起 02:00 从“看着不错”上线，到改 Prompt 后担心回归 02:38 这套流程要把评估接进 npm test 和 CI 追踪与评估的基本思路 03:42 Trace 是日志，eval 是对运行记录做测试 05:53 新模型几周就来一次，没评估就难判断能否升级 Agent错误与追踪实践 09:20 Agent 最棘手的错误之一：错得很自信 20:25 一次运行要上网搜索、推理，再生成报告 从追踪中发现问题 28:33 写评估之前，先从头读十几条追踪记录 33:03 特斯拉报告里的分析师建议比例加起来是 116% 代码评估与内置裁判 38:21 股票代码对不对，几毫秒就能用代码查 选择并编写有效评估 45:52 16 份报告全被正确性裁判判错，问题出在它无法核实最新数据 52:58 选对评估，比调好评估更重要 验证裁判并用实验改进 1:04:25 裁判也是分类器，得拿人工判断来核对 1:20:47 可操作性评估从 5/16 提升到 48/48，忠实度却没跟上 模型升级与CI落地 1:23:03 Haiku 5.5 忠实度提高 3 倍多，花费却是 4 倍 1:25:11 把股票代码和可操作性检查放进 npm test 🌟 精彩内容 💡 116% 的分析师建议，Agent 也能写得理直气壮 特斯拉报告把两次网页搜索中、并非来自同一数据集的比例拼在一起，算出分析师建议比例合计 116%。问题不是搜索结果有误，而是 Agent 没有正确推理；不看追踪记录，很难知道错在哪一步。 "有 116% 的分析师持某些观点。" 💡 改好一项，不代表整体可靠 改进 Prompt 后，可操作性评估从 16 份里 5 份通过，升到 48 份全部通过；但忠实度只从 16 份里 2 份通过变成 48 份里 3 份通过。要求 Agent 给出明确建议，修好了一个问题，却没解决它编造数据的问题。 "只改了 prompt 里的 1 行，就解决了我们衡量的那个问题，但没解决 agent 瞎编的问题。" 💡 新模型更稳定，也可能只是更保守 Haiku 5.5 的忠实度是 Haiku 4.5 的 3 倍多，但成本变成 4 倍。它几乎每次都建议持有：建议一致了，却未必更有用。 "做到这一点的办法就是每次都选同一个答案。" 💡 全部评估都塞进一个裁判，反而难定位问题 一个“上帝评估器”同时检查准确性、语气、完整性、格式和规则，失败时却说不清是哪一项出了问题。Laurie 建议按维度拆开评估，再区分哪些是发布底线、哪些只是改进目标。 "你要测试多少个维度，就拆成多少个评估器。" 💡 评估标准要能被人核对 大模型裁判不是天然可信：Laurie 用人工标注的黄金数据集和裁判对照，还发现自己有时没按亲手写下的标准判断。评估结果要能解释哪里错了，修改也要用相同数据和指标做实验验证。 "你要的是一个比另一个人来当裁判表现更好的模型。" 🌐 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：AI Engineer · Is the Agent Harness Dead? — Jediah Katz, SpaceXAI 原内容更新时间：2026-10-19 模型越来越会写代码，agent harness 是不是就没用了？Jediah Katz 的回答是：那些用来补模型编程短板的功能，确实可能被模型学会；但 harness 还要负责把 agent 带进模型尚未掌握的新任务。 这位曾是 Cursor 任职时间最长的 agent-harness 工程师、现加入 SpaceX 的开发者，解释了 harness 如何借助数据飞轮变得“过时”，又如何让 Grokbot 处理邮件、预订行程等知识工作。他还谈到云端运行、信任与安全、效率，以及他的预测：6 个月内，90%的 agent 工作会在笔记本电脑以外运行。 👤 本期嘉宾 Jediah Katz，曾在 Cursor 长期从事 agent harness 工程，后来随 Cursor 被收购加入 SpaceX。他参与构建 Grokbot 等 agent 产品，对编程 agent 的运行方式、harness 的设计以及模型能力变化带来的工程挑战有一线经验。 ⏱️ 时间戳 Harness从巅峰到质疑 00:54 2023年最火的职位头衔是prompt工程师 02:38 Cursor用GrindSwarm从零做出浏览器 05:45 数据飞轮如何让harness变得过时 Harness开拓新任务 07:07 Grokbot是一位能自主工作的同事 08:06 编程里删掉的防护，在Grokbot里又加回来 10:39 报bug后，云端agent自动修复并监控上线 Harness仍不可或缺 11:46 agent任务从几分钟延长到几天 12:54 eval分数相近，任务成本却有显著差别 16:37 他预测90%的agent工作会离开笔记本电脑 🌟 精彩内容 💡 模型学会了harness教过的本领 以前要靠 harness 教模型摸清代码库、持续工作、运行测试；现在模型自己会了。更难的任务带来更多编程数据，模型学会后，harness 就能删掉旧功能。 "这些本领，模型现在自己就会了。" 💡 新任务一来，旧防护又回来了 Cursor 因模型进步删掉 prompt 和防护措施；但 Grokbot 要处理邮件、沟通和记住用户工作方式，又得把许多防护加回来。 "但有意思的是，在 Grokbot 里，我们发现自己反而把很多这些东西又加了回来，加入新的 prompt，新的防护措施。" 💡 agent同事不能只靠一台笔记本 agent 的工作已从几分钟延长到几小时、几天，甚至更久；笔记本可能休眠，要让它真正自主工作，就得在云端运行。 "agent 必须在云端运行，你才能真正有一个能自主工作的同事。" 💡 分数差不多，成本和速度仍能拉开 研究发现，不同 harness 的编程评测分数没有显著差异，但每个任务的成本差别明显。优化缓存、token 使用效率和模型搭配后，Grokbot 成本下降、速度加快，质量没有受影响。 "你越多地用 agent 来工作，拥有最高效的 harness 对你就越有价值。" 💡 agent工作将离开笔记本电脑 Jediah Katz 预测，6个月内，90%的 agent 工作会在笔记本电脑以外运行；他认为，真正自主的 agent 必须朝这个方向发展。 "6 个月内，90%的 agent 工作都会在笔记本电脑以外的地方运行。" 🌐 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：Norges Bank Investment Management · Eric Schmidt: Are We Ready for Superintelligence? | Podcast | In Good Company 原内容更新时间：2026-10-21 “下一轮会把人逼疯的，因为到时候就按天算了。”AI 模型的竞争已经快到按月计时，而 Eric Schmidt 认为，这一波是迄今为止最大的技术浪潮。 主持人 Nicolai Tangen 与 Eric Schmidt 从超级智能和智能体谈起，讲到 AI 如何压缩企业决策、改变就业，以及中美模型竞争和欧洲创新困局。Schmidt 也谈了他最担心的失控风险、AI 对民主的威胁，以及为什么创始人在公司转型时拥有职业经理人难以取代的影响力。 👤 本期嘉宾 Eric Schmidt 曾于 2001 至 2011 年担任 Google 首席执行官，之后成为 AI 领域的重要声音，并为政府提供建议、撰写相关书籍。他在科技行业工作数十年，亲历多轮平台变革，也参与制定美国 AI 战略；本集围绕 AI 竞速、企业转型与超级智能风险的判断，来自他长期的科技管理经验。 ⏱️ 时间戳 AI浪潮与竞速 01:50 AI浪潮来自技术发现与大规模算力 02:28 这一波是迄今为止最大的一波 03:24 Anthropic营收增长超过Google当年的纪录两倍 Agent重塑企业与欧洲 10:20 Agent从请求出发，推理、执行再给总结 12:01 AI会推动组织扁平化，企业更快也更累 16:36 欧洲的AI战略：创新还没开始，监管先来了 AI风险与全球竞争 18:52 AI可能带来巨大好处，也可能赌出坏结果 19:33 一群机器人程序自作主张攻击网站 21:52 中国模型看起来落后约6个月，产品却免费 领导力、就业与个人选择 27:35 创始人拥有职业CEO没有的公司影响力 31:02 Schmidt每周工作63小时，会议每天开12小时 31:36 他估计万人员工的公司约有2000人不再需要 🌟 精彩内容 💡 AI模型的生意，时间短得惊人 开发一个模型大概要6个月，实际测试约2个月；发布不到5个月，下一代就可能让它过时。Schmidt说，竞争节奏按月计算，下一轮也许会快到按天计算。 "这个节奏是按月算的，不是按年算的。" 💡 AI不只是答问题，还能把公司推着走 他举例，一位高管用 AI 版的自己追踪员工项目进度；员工遇到麻烦，AI 立刻给出下一步。这类助手能增强决策、加快工作，也让他担心工作强度会随之上升。 "这听起来挺压榨人的。我也有点担心，但事实是，这位 首席执行官 正在用这些方法，增强自己的决策能力，加快做事的速度。" 💡 中国模型落后半年，也可能赢用户 Schmidt认为中国模型看起来落后美国约6个月，但中国采用免费产品策略。若以用户数量衡量，许多买不起欧美高价模型的国家会选择免费的中国模型。 "所以，如果按用户来衡量输赢，全世界绝大多数人都会用免费的中国模型，而不是更贵的西方模型。" 💡 AI可能让万人员工的公司少掉约两千人 他认为，会议与协调消耗了大公司大量效率。AI平台可以承担部分协调工作；公司会更需要发明者、销售人员和能与监管机构沟通的人，而不再需要那么多负责衔接的人。 "我猜里面有 2000 人左右是你不需要的，你最好想个办法，合法又人性化地帮他们转岗、安排他们退休，或者做其他安置。" 💡 AI能让假消息冒充朋友 他讲到一位朋友相信数据中心正在害死牛，但查不到警方或兽医报告。Schmidt担心，AI与社交媒体算法会放大耸人听闻的假消息，让人误以为网上的“朋友”都是真人。 "社交媒体和 AI 一起不断循环运作，把最耸人听闻的东西推给大家。那真相还有什么立足之地？" 🌐 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