播客·视频

Andrej Karpathy 的核心判断是：编程正在从写逻辑变成写提示词，计算架构反转——以前人迁就机器，现在机器迁就人。他管这叫“氛围编程”（vibe coding），本质是软件 3.0 的雏形。关键瓶颈他点得很准：可验证性。AI 生成的代码好不好，得有人能快速判断对错，否则自动化就是空话。他还提了“智能体工程”，就是让模型进业务流程干活。但正文没披露任何运行时、核心主张或可复现的例子，比如“氛围编程”在什么任务上比传统编程快多少、成本低多少、错误率高多少。这点先别太激动，Karpathy 的演讲风格偏概念推演，不是实验报告。如果你关心实操，缺的是：具体 prompt 模板、验证流程设计、以及 agent 在真实业务里的失败案例。

LPM 1.0 主打角色扮演，视频里展示了对话、表情、长时间一致性甚至直播，观感确实好。但正文一个字都没提模型参数量、训练数据来源、推理延迟和成本，也没说评测怎么做的、能不能复现。这意味着目前只能当概念演示看，离产品化还有多远不好判断。如果真要做实时直播角色扮演，延迟和成本是关键瓶颈——视频里没给任何数字，这点先别太激动。另外，角色长时间一致性通常依赖长上下文或记忆机制，但具体用了什么技术（比如外挂资料库还是模型内置记忆）也没披露。整体来说，方向有意思，但信息缺口太大，建议等技术报告或实测数据再下结论。

蔡浩宇在视频里提的LPM1.0，核心是想解决角色一致性、实时响应和表现力三者难兼顾的问题。方案分两层：Base LPM用因果骨干DiT（一种扩散Transformer）做基础生成，实时Online LPM再加一个因果精炼器DiT来提速，配合DMD蒸馏方法降延迟。听起来像把视频生成拆成离线预生成+在线精修两步，思路不新鲜，但米哈游有游戏场景落地，如果真能跑通实时交互角色，对虚拟人、NPC行业是好事。 但正文没披露任何参数、延迟数字、样本量或评测指标，连演示视频的帧率、分辨率都没提。DMD蒸馏后的模型大小和推理成本也是空白。如果是真的，这套方案在游戏里替换传统动画管线能省不少钱，但没数据前只能当技术愿景看。建议等后续论文或开源再认真评估。

Box创始人Aaron Levie的核心论点是AI不会消灭人类工作，竞争本质在API价值和智能体操作员这类新形态，而非替代人。他提到headless（无界面AI）和运营支出变化，但正文没披露任何实测数据、运行时长、智能体操作员的具体机制，也没说多模型并存的条件。安全方面只提了“安全海啸”，没给成本或验证细节。整体更像观点输出，缺可量化证据，适合当行业讨论素材，别当决策依据。

视频标题拿 GPT-5.5、Opus 4.7 和 DeepSeek V4 比编码，还扯上 SemiAnalysis 的分析和“基准测试的猫腻”。但正文一个字没有，来源只有 RSS 摘要。所以具体比了什么任务、总成本怎么算、基准到底怎么作弊，全没披露。SemiAnalysis 的结论也看不到。标题看着热闹，实际信息缺口很大。想看真对比得等视频内容出来，现在只能当个预告片看。

标题说21家硅谷顶级VC错过了Anthropic，还提到Anj Midha、亚马逊AWS和AI的4C卡口，但正文完全空白，连摘要都没给。这意味着所有关键信息——为什么错过、24个月创业地狱具体指什么、人类不对齐的威胁证据——全部缺失。目前能确认的只有Anthropic早期融资确实被多数VC跳过，后来AWS投了40亿美元。但标题里的“4C卡口”和“认知鸿沟”没有出处，无法判断是真实框架还是营销话术。建议等完整内容出来再判断，现在只能当个标题看。

标题列了一堆猛料——十年友谊、分歧、AI安全、个人AGI、Sora、竞争对手、马斯克诉讼——但正文完全空白，连一段话都没有。来源是RSS摘要，可能只是抓了个标题或占位符。 目前能确认的只有话题标签：安全、OpenAI、Sam Altman、Greg Brockman。但具体观点、时间线、证据一概没有。没法判断Altman和Brockman到底说了什么分歧，也没法评估他们对Sora或马斯克诉讼的表态。 如果这是完整内容，那信息量为零。建议等有正文再判断。

小米大模型负责人罗福莉在访谈中放话：AGI两年内可实现，并提到MiMo-V2和OpenClaw有颠覆性。但正文完全缺失，没有披露任何证据、算力卡配置、团队模式或完整访谈细节。关键数字为零——不知道用了多少卡、训练成本多低、样本多省、延迟多高。OpenClaw具体怎么颠覆？MiMo-V2的强泛化性靠什么验证？团队模式独特在哪？全没写。这条信息目前只有标题和标签，判断依据无法核实。建议等完整访谈或论文出来再认真看，现在只能当个观点听，别当事实用。

这是一段李开复与英矽智能CEO Alex Zhavoronkov的对谈视频，讨论AI在生命科学领域的应用前景。正文没有披露具体模型、药物管线、实验数据或业务进展，所以信息量有限。如果你关注AI制药或英矽智能的动向，可以听听两位高层的观点碰撞，但别指望拿到硬核技术细节。

这是一节斯坦福CME296公开课，标题直指扩散模型核心流程：从纯噪声去噪生成图像。列了高斯分布、方差调度、ELBO和KL散度这些数学工具，但正文没披露推导细节、讲师是谁、课时多长，也没有代码或课件链接。适合想理解扩散模型原理框架的人先看标题入个门，但别指望看完就能上手训练。信息缺口明显：没有实际案例或实验数据支撑，数学推导深度未知。如果后续课程能补上具体实现和调参经验，价值会更高。

标题说Meta和微软合计优化近两万个岗位，涉及裁员、自愿买断和AI基建投入。但正文是空的，来源只有YouTube标题和RSS摘要，没有具体时间、部门、买断条件，也没说AI到底替代了哪些岗位。员工被当成AI训练数据这个点值得留意，但细节为零。如果是真的，两万人的规模说明大厂在用人上开始动真格，但没数据支撑前只能当传闻看。

视频标题列了一堆概念：1800 亿美元投资、第八代 TPU、企业 Agent 五层架构、可信上下文、跨云湖仓。但正文几乎没给任何细节——投资是几年周期？TPU 算力提升多少倍？五层架构每层具体干什么？可信上下文是权限控制还是数据隔离？跨云湖仓怎么跨、延迟多高？全都没说。 对 AI 从业者来说，这些方向本身不新鲜：Google 在推自己的 Agent 框架和硬件绑定，1800 亿更像长期资本开支而非短期订单。真正有价值的信息——比如 TPU v8 的推理成本对比、五层架构里有没有开源组件、可信上下文是否兼容第三方云——全部缺失。建议等官方白皮书或实测数据再判断，目前只能当战略口号看。

霍华德·马克斯聊投资常见错误、当前市场位置、买入依据、成长vs价值、卖出时机和复利机器稀缺性，六个话题全列在标题里。但正文是空的，没披露他到底说了什么判断、引了什么数据、举了什么例子。如果你关心的是他对当前市场是贵还是便宜、该买还是该卖，这点先别太激动——信息缺口太大，没法判断他有没有新观点。标题本身不构成信息，只能当话题预告看。

《纽约客》据称用18个月采访100多人，并引用2份内部文件；如果这个取材规模属实，它打到的不是八卦，而是 OpenAI 这套“非营利董事会约束营利冲动”的结构，到了 2023 年后基本已经失灵。视频把大量火力放在 Sam Altman 的人格、撒谎习惯和旧日恩怨上，我不觉得这部分最关键。关键是，董事会在 2023 年 11 月能 5 天开掉 CEO，又在员工和微软施压下 5 天内把人请回去，这已经说明制度没有执行力。一个治理体系如果连自己最重的核按钮都按不稳，后面再补多少声明都像公关修辞。 视频里最硬的一段，是对 Superalignment 资源分配的指控：公开承诺 20% 算力，内部人士称实际只有 1% 到 2%。这组数字外界其实早就闻到味了。Jan Leike 在 2024 年离职时公开写过，安全文化让位于“shiny products”。那条帖文不是匿名爆料，是当事人亲自发的，所以这部分我更愿意当作高可信背景。回头看，OpenAI 在 2024 年到 2025 年的主线一直是产品化提速：ChatGPT 企业功能、语音、多模态、API 商业化全在冲，安全团队边缘化并不反常，反而很符合收入压力下的组织行为。问题不在于一家创业公司把资源给产品，而在于它同时还占着“我们首先是安全机构”这块牌子。牌子和预算如果差 10 倍以上，外界就该默认前者是招人叙事，不是内部 KPI。 我对这条视频本身也有明显保留。它混进了未决诉讼、性侵指控、YC 旧事、微软博弈，情绪浓度很高，但没有附上那两份所谓内部文件，也没有逐段标出《纽约客》原文、法院文件、当事人公开发言各自的边界。这个缺口很要命。因为 2023 年政变之后，围绕 Sam 的叙事已经分成两套：一套把他写成“唯一能把研究变成产品的人”，另一套把他写成“无法被制度约束的权力中枢”。两套都各自挑证据。没有原始材料链路，我不会替任何一方把案子判完。 还有一个上下文，视频讲得不够：OpenAI 的问题不只是 Sam，也不是某几个董事不够强硬，而是混合结构先天冲突。非营利母体控制营利子公司，董事会名义上对全人类负责，资金和算力却高度依赖微软。这个设计在 GPT-4 爆红前还能靠信念维持，到了年化收入、云合同、训练成本都上一个量级后，董事会如果没有清晰的信息权、罢免预案和资本防火墙，CEO 天然会比董事更强。Anthropic 这两年一直拿“可解释的安全过程”和长期主义募资叙事去对冲 OpenAI，我也不把它神化，但至少它在公司结构上没把“使命治理”和“超大商业依赖”拧成这么别扭的一团。 所以我看这条，不会停在“Sam 是不是骗子”。这个问法太省事，也太像人物传记。更实在的问题是：谁能调配万卡级集群，谁能决定安全团队拿 20% 还是 2%，谁能在董事会、投资人、员工联名信同时出现时活下来。如果答案始终是 CEO 本人，那 OpenAI 过去反复讲的治理创新，至少到正文披露的这些情节为止，成色很有限。

OpenAI 把 1100 亿美元基建和 GPT 主线绑在一起，Sora 则因算力约束被放慢。我的判断很直接：这段转述里最硬的信息，不是“AGI 70% 到 80%”，而是 OpenAI 已经把资源分配逻辑说穿了——先保能变现、能留存、能形成日常入口的模型与应用，视频生成排到后面。 我对“AGI 已完成 70% 到 80%”这句话不太买账。先别谈哲学定义，连原始访谈时间都没给，口径也没有可复现标准。文中给的定义是“像人类一样高效操控电脑处理智力工作”。按这个定义，行业过去一年确实在逼近：Anthropic 押代码与 agent，Google 把 Gemini 往工具调用和多模态工作流推，OpenAI 自己也一直把 Codex 式能力往通用助手里塞。但把这些进展折算成“70% 到 80%”是典型的内部信号外放，不是可验证里程碑。没有任务集，没有失败边界，没有成本阈值，这个百分比更像鼓舞组织的语言，不像给外部从业者的技术指标。 我反而相信“暂停 Sora 扩张”这部分。原因很现实。视频生成的训练和推理都吃算力，单位用户价值却未必高过代码、办公、搜索式问答这些高频场景。OpenAI 如果手上真有更强的预训练底座要继续做强化学习、后训练、部署，再叠加 ChatGPT 日活、企业 API、代码产品，算力会先流向主航道。这个取舍并不罕见。去年到今年，几家头部实验室都在把 flashy demo 往后排，把能进工作流、能收 seat fee 或 usage fee 的能力往前推。说真的，这比“统一架构”那套宏大说法更可信。 “大一统 GPT 架构”这句我也留个问号。文中说图像、语音、文本都统一到 GPT 底座，连图像生成都不是传统扩散路线。这个方向我信一半。过去一年，行业确实越来越喜欢把感知、推理、工具调用塞进同一个产品层，让用户感觉自己面对的是一个系统，不是一堆模型拼盘。但产品统一，不等于训练范式已经统一。OpenAI 正文没给架构、loss 设计、数据配比、推理路径，也没给任何 benchmark。没有这些，外部没法判断这是“单一底座”还是“多个专用子系统被包装成一个 GPT 体验”。这两件事差很多，成本结构也差很多。 Spud 这段信息量也有限。正文只说它完成了预训练，是新基础模型，是后续强化学习和后训练的地基。这个描述本身没问题，几乎所有前沿模型都这么走。但只要没有参数规模、训练 token、上下文长度、基准成绩、蒸馏关系，你就没法判断它是一次代际跳跃，还是给产品线补库存。OpenAI 以前就很会把“研究节点”包装成“进步引擎的一部分”。这回我更想知道的是，Spud 服务的是哪条线：通用聊天、代码 agent、研究 agent，还是内部 teacher model。标题给了名字，正文没给角色。 “超级应用”反倒是这条里最像真战略的部分。ChatGPT 早就不是单一聊天框生意了。行业这两年已经证明，用户不会长期为“更聪明一点”单独买单，用户会为“少切三个工具、少走十步流程”买单。Anthropic 把 Claude 往代码和企业工作流推，Microsoft 继续把 Copilot 贴进 Office，Google 也在 Workspace 和搜索入口反复试。OpenAI 若把长期记忆、浏览、代码、表格、代理执行揉成一个前台，这不是新鲜概念，但它确实是最有机会吃到留存和 ARPU 的路线。问题在于，超级应用不是模型问题，而是权限、可靠性、回滚、审计和 UI 问题。Greg 如果承认 OpenAI 过去输在最后一公里易用性，这个自我诊断我基本认同。 自动化 AI 研究员那段，我会更谨慎。让 AI 帮研究员做文献整理、实验设计、结果分析，这件事已经在发生。把它说成“今年秋季见”的端到端研究员，我自己先打个折。过去一年，很多“AI scientist”系统在封闭 benchmark 上都很好看，一碰到开放课题、脏数据、实验异常、负结果解释，就容易掉链子。你可以把它当高强度 research intern，用来并行试错；把它当能独立提出并验证新理论的研究员，正文没有证据。 安全那段也有叙事张力。文中一边强调提示词注入和对齐投入，一边又给“开放参与、韧性治理”站台。这个说法我有点怀疑。OpenAI 这两年的实际路线并不偏开放，至少前沿权重层面是这样。把“广泛参与”当治理原则可以，说成当前做法就不严丝合缝。标题和正文都没有给新的安全评测、红队数据、误用拦截率，所以这部分我只能当价值表态，不能当能力进展。 我的结论是，这条转述最该信三件事：OpenAI 算力仍然紧，GPT 主线优先级继续上升，产品团队开始把易用性当核心工程。最不该直接吞下的是 AGI 百分比、Spud 的代际意义、自动化研究员的时间表。没有原始访谈、没有基准、没有发布时间，这些判断先别替 OpenAI 做完。