Show Notes
欢迎收听《硅谷温差》第三期！最近的 AI 圈简直像是按下了快进键，Lewis 和 Will 从 Andrej Karpathy 的一条推特聊起，面对一个月上千篇的论文和层出不穷的新工具，身处硅谷风暴中心的我们也真真切切地感受到了前所未有的“AI 焦虑”。 当“Link Memory”这样的想法在 48 小时内就能被社区代码化，当一个月像过去的一年一样漫长，身处旋涡中心的我们该如何自处？ 本期节目，我们不仅聊焦虑，更在聊边界的消失与新秩序的建立： 协作关系的瓦解与重组： 为什么曾经 1 个产品经理、1 个设计师配 10 个工程师的“黄金比例”正在消失？ 为什么现在的设计师已经开始写 API Spec？
核心竞争力的回归： 如果 LeetCode 的算法题已经失去了筛选意义，未来的面试会不会变成长达 6 小时的 Agent 协同实战？ 为什么说深厚的计算机科学底层功底，反而在 AI 时代成了更大的“杠杆”？
“一人公司”的兴起： 两人创业就能撬动 18 亿美金年营收？ 我们聊了聊 Base44的案例，探讨如何利用 AI Agent 构建属于自己的数字孪生团队。
信息过载的自救： 面对每天如洪水般的技术推文和论文，我们分享了各自的信息脱水秘籍——从 AI 自动过滤到“让信息飞行一个月”的沉淀法则。
节目中我们聊到的话题： Pessimists Archive
Crunchbase: Q1 2026 Shatters Venture Funding Records As AI Boom Pushes Startup Investment To $300B
Latency Space
Gary Marcus 纽约时报: A.I. Could Change the World. But First It Is Changing Silicon Valley
时间线索引 00:00 信息过载下的防波堤 04:15 VibeCoding与手写代码的黄昏 07:24 黄金比例的坍缩 11:59 单兵能力的指数级放大 14:45 工程师的医生化转型 18:56 一个人的独角兽。 24:39 警惕VibeCoding陷阱 33:16 大厂招聘的底层博弈 36:41 产品经理的硬核壁垒 38:34 专家过滤机制
More from 硅谷温差
Meta的Muse、OpenAI的Dots接连上线，这期从使用者角度拆Personal AI。Will每月在AI上至少花1000美元，但省下的时间并没有回到家人身上：雇主会收走效率红利，人越用越卷。Instinct这类邮件日历助理在VC和创始人圈爆火，出了圈，多数人只把豆包当更强的搜索。真正值钱的是以前贵、做不到的事，比如看病、高尔夫动作分析、几千页工程图纸的进度管理。瓶颈在Context：邮件日历只是生活的一小片，穿戴设备能补，但越懂你越creepy。Lewis也聊到当年在Google做Gemini时没来得及推的端到端加密推理。最后我们把产品形态分成委托、镜子、延伸、挑战四类，Will反对做数字分身，主张为具体任务设计员工。
NVIDIA花130亿买下Hugging Face，AMD用82亿收了李飞飞的World Labs。同样是芯片厂买模型层，买到的东西完全不同。 Hugging Face作为独立公司很难靠营收扩张，放进NVIDIA才值钱：开发者选模型、测模型的早期信号都在这，抓住源头就能影响inference最后跑在谁的卡上。大厂都在自研芯片，企业却没人造得起TPU，只能买现成的，开源模型的使用者才是GPU的基本盘。小模型已经够用，最贵的token适用场景越来越窄，模型趋近免费，要付钱的只剩GPU。AMD这笔我们觉得风险很大：人很强，但world model连定义都没定下来，离变现还远。 时间轴 00:00 130亿买便宜了 07:03 抢在推理之前 11:43 开源用户是大客户 14:18 Token终将免费 18:18 AMD押注World Model 25:45 Muse证明够用就行 28:45 国内只挖人不并购 30:17 上周趣闻
从孙宇晨把资产丢进 Claude Code、问 AI“5000 万美元该不该给”说起，这期《硅谷温差》聊 Personal AI 个性化 AI 助理 到底靠不靠谱。
DeepSeek把harness开源，连agent loop都是可换的plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，这是唯一的触达路径。企业侧的温差很实在：现在的harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi靠四个tool和不到1000 token的system prompt走红，但开源harness大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。
这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？