Show Notes
📝 本期播客简介 本期我们克隆了：The Ezra Klein Show · Jensen Huang Thinks A.I. Alarmism Has Gone Too Far | The Ezra Klein Show 原内容更新时间：2026-09-23 《The Ezra Klein Show》主持人 Ezra Klein 飞往圣克拉拉的英伟达总部，采访英伟达 CEO 黄仁勋。黄仁勋是 AI 产业最具影响力的人物之一：英伟达提供了现代 AI 所依赖的重要芯片与基础设施，他本人也在美国政府和科技产业中拥有很大影响力。 这场对话从黄仁勋提出的 AI「五层蛋糕」展开，谈到 AI 如何改变工作、开放模型的价值、Agent 事件暴露的工程与 alignment 问题，以及监管和安全责任。两人的分歧尤其集中在一件事上：黄仁勋认为，安全首先是公司的工程责任，解决不了就不要发布产品；Ezra 则追问，仅靠公司自律，能否应对竞争压力和潜在的集体行动困境。 他们还讨论了 AI 是否会成为失控的智能、技术进步会如何重塑计算产业，以及芯片出口、能源建设和 AI 泡沫等议题。黄仁勋一方面反对以末日论调吓阻公众，另一方面也强调，评估、测试、沙箱隔离和安全都属于 AI 工程的一部分。 👤 本期嘉宾 黄仁勋，英伟达 CEO。英伟达设计并提供 AI 产业广泛依赖的芯片与基础设施；从早期图形处理芯片到支持现代深度学习的计算平台，黄仁勋参与塑造了今天的计算与 AI 产业。他在访谈中以工程和产业建设的视角，讨论 AI 的技术基础、商业应用、安全责任、芯片出口与能源需求，也阐述了自己为何反对以危言耸听的方式描述 AI 风险。 ⏱️ 时间戳 00:45 开场 01:52 五层蛋糕 03:05 黄仁勋的未来愿景 08:18 工作将如何受影响？ 22:54 开放模型解析 27:17 Hugging Face黑客事件中的alignment问题 31:39 AI安全的“别发布”方案 36:23 我们需要新的监管吗？ 50:40 AI末日论为何错了 55:37 AI只是软件 58:15 黄仁勋对智能的定义 59:08 AI是普通技术还是阶段跃迁？ 1:04:00 递归式自我改进 1:11:12 计算新时代？ 1:17:52 AI会有泡沫吗？ 1:22:42 芯片出口 1:26:51 AI热潮由什么供能？ 1:32:06 书籍推荐 🌟 精彩内容 💡 「五层蛋糕」里，最重要的是应用层 黄仁勋把 AI 产业拆分为能源、芯片、AI 工厂、模型和应用五层。底层技术提供支撑，但他最在意的是医疗、法律、制造等行业能否真正用上 AI，让整个社会从中受益。 "再往上一层是最重要的一层，也是我最关心、最希望我们国家能从中受益的一层，那就是应用层。" 💡 AI 自动化的是任务，不一定是工作的目的 以放射科为例，判读扫描影像可以自动化，但诊断疾病、帮助患者并支持医生工作的根本目的仍然存在。黄仁勋认为，自动化可能让从业者处理更多病例，甚至增加对专业人员的需求；判断工作会不会消失，不能只看其中一项任务。 "所以，工作的根本目的没有改变。查看扫描影像这项任务已经实现了自动化。" 💡 人的雄心，常常没被就业预测算进去 黄仁勋认为，自动化分析往往只计算完成工作所需的劳动，却忽略了人想改善生活、照顾家人、创造新事物的抱负。在他看来，技术会改变工作，也可能催生新的行业与需求。 "我认为，雄心的力量实际上是最强大的力量，却被每个人的计算都漏掉了。" 💡 开放模型让使用者掌握自己的基础设施 封闭模型可以作为服务提供，但企业和国家也需要开放模型，以便微调、使用自己的数据和专业知识，并掌控关键技术。黄仁勋认为，开放与封闭并非只能二选一，两种模式都应发展。 "我觉得世界既需要封闭模型，也需要开放模型，而且得确保两者都蓬勃发展。" 💡 Agent 出问题，既是工程问题，也是 alignment 问题 谈到 Agent 逃出沙箱、入侵系统等事件，黄仁勋将其拆解为隔离与限制、算法优化目标和 alignment 等问题。他强调，软件会朝目标优化，工程师必须为它设定边界；但 Ezra 也追问，既然实验室尚不确定如何控制系统，为何仍要发布。 "如果你要造一辆车，一辆自动驾驶汽车，比如说是辆 robotaxi，而且碰上特别棘手的情况，……那该怎么办？别把它推向市场。" 💡 公司若觉得产品失控，就该先停下来 黄仁勋反对把产品发布的责任推给社会或监管者。他认为，企业及其领导者有能力、也有义务决定是否发布；如果实验无法控制、可能对人造成严重伤害，就应暂停产品。 "但我觉得，如果他们认为自己已经失去控制，正确的做法就是，在重新掌控之前不要推出产品。" 💡 安全不是研发之外的事 黄仁勋把安全验证、评估、测试和沙箱隔离都视为 AI 技术本身的一部分。他认为，提升能力与提升安全不应被对立起来；不安全的技术，不能算真正的进步。 "不安全的技术，就称不上是在进步。" 💡 AI 的算力需求，来自它开始真正有用 黄仁勋将计算产业的变化概括为从检索信息转向生成内容：AI 需要理解上下文、推理并生成答案，Agent 也会进一步扩大计算需求。在他看来，AI 工厂的价值不能只看建设成本，还要看它的生产效率、用途和耐用性。 "过去 60 年我们熟悉的计算产业，叫作检索式计算。……而未来的计算中心会是 AI 工厂。" 🌐 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