播客听见世界的声音，看见思想的刻度

Ukraine 去年生产了 400 万架 FPV 无人机；China 的产能足以生产 40 亿架。这一悬殊对比，构成了这场长达两小时、罕见扎实的对话的底色。对话嘉宾是 Yaroslav Azhnyuk——连续创业者出身、现在 The Fourth Law 主导 AI 无人机研发——以及经济学家 Noah Smith，他写 drone 战争经济学的时间比西方大多数政策圈早了好几年。两人覆盖了完整的技术栈（摄像头、自主模块、光纤链路、拦截器、在建晶圆厂），一套五级自主分类体系，一套自主战场八维框架，以及 China 在制造端的优势——西方近期找不到对等答案。贯穿全程的核心判断：西方仍在为上一场战争做准备，Ukraine 是 Defense Valley，下一场战争已在那里打响，差距正在以超出大多数人预判的速度拉大。 ## [00:00] 冷开场：China 的 40 亿架无人机与摄像头到炸药的生产链 Yaroslav 开门见山抛出一组数字对比，奠定全集基调。Ukraine 并非工业强国，却在一年内生产了 400 万架 FPV 无人机。China 拥有数量级更大的制造基础，消费电子供应链已在规模化生产同款摄像头、电机和芯片，理论产能可达 40 亿架。Noah 当即追问：这是否让 China 成为当下地球上最强的常规军事大国？Yaroslav 不敢断言，但也不愿排除这种可能。 > *"我认为我们没有充分的信息来断言这一点，但我们也不能排除这种可能性。仅此一点，就应该是一个很大的警示信号。"* 冷开场同时埋下了一个人生转折，也是全集后续展开的主线：Yaroslav 从做向宠物投喂零食的摄像头，转型为向占领者投掷炸弹的摄像头。 ## [01:04] 介绍：Brandon、Noah Smith 与 Yaroslav Azhnyuk 本集客座主持 Brandon 平时做科学播客，这集是例外。Noah Smith——Noahpinion Substack 作者、专注产业政策与地缘政治的经济学家——担任联合主持和联合访谈人。Yaroslav 交代了个人背景：2022 年 2 月 23 日深夜 11 点，他与当时的未婚妻搭乘最后几班飞抵 Kyiv 的航班落地。八小时后，炸弹开始落下。之后那段 17 小时向西逃离的车程——空无一人的街道、耗尽燃料的加油站、用挡风玻璃清洗液桶装柴油——读来像末日电影的情节，因为对亲历者而言，那正是真实发生的事。 > *"我们基本上打包好了行李，上了车，花了 17 个小时往西开。就是那么回事。导弹在落，Kyiv 冒着烟。"* ## [05:41] 从科技创业者到国防：PetCube、Brave One 与 D3 Fund Yaroslav 从宠物科技转向国防，走的不是一条直线。他从 2014 年到 2020 年在旧金山创办 PetCube——宠物摄像头领域的头部公司——此前从未修过军事课程，认为战争是过去的事。入侵的第一天，他就知道自己要用一切力量反击，但第一反应并非制造武器。早期行动包括游说美国国会推动《租借法案》（2022 年 5 月通过，执行不足）、联合创立 Brave 1（Ukraine 国防创新集群，对标 DIU），以及协助 Eric Schmidt 共同发起 D3 Fund。 到 2023 年，两件事已无法回避：战争会持续下去，而无人机已永久重新定义了战争形态——这是历史上第一个软件定义的武器平台，战场能力的升级可以像软件更新一样一夜之间推送。 > *"就好像你能推送一次软件更新，让你所有的罗马军团士兵都换上了新头盔。这在历史上从未有过。"* ## [10:42] 制造武器的伦理：两用技术与门口的狼 Brandon 抛出两用困境：这项技术不会永远停留在 Ukraine 手中。Yaroslav 的回答务实而非哲学化。从火到大语言模型，每一项技术都是两用的；制造者要考量的问题是，自己的贡献在边际上带来的风险，是否超过了眼前的迫切需要。Ukraine 正站在森林里，面对一匹狼。你先解决狼，再去咨询 Greenpeace。 他直视技术无法被限制这一现实——关于大语言模型在 North Korea 和 Russia 自由传播的担忧，同样适用于无人机自主技术——但将自己公司的责任框得很窄：他们只向 Ukraine 政府和武装力量供货，不接受任意买家。 > *"当你站在森林里，前面有一匹想吃掉你的狼，你会先对付狼，然后再去咨询 Greenpeace。"* ## [14:01] 技术栈：摄像头、自主模块、拦截器与半导体晶圆厂 The Fourth Law 由三个相互咬合的业务单元构成。摄像头（日光和热成像，销售给 200 余家 Ukraine 无人机制造商）。无人机自主模块（供货同一生态）。以及直销武装部队的 UAV 产品：FPV 攻击无人机、轰炸机、Shahed 拦截器，以及 ISR 拦截器——专门猎杀 Russia 侦察无人机，阻止其回传目标数据。 热成像摄像头部门即将动工兴建两座晶圆厂，自主生产传感器芯片。这一决策的背后，是对依赖境外传感器供应链作为战略漏洞的清醒认识。 > *"我们即将开始建造两座半导体工厂，为热成像摄像头制造传感器。对我这个学计算机的人来说，做半导体真的超酷。"* ## [18:47] 光纤与 AI：无线电地平线问题与 32 美元/公里的线缆 这一章的核心，是无线电 FPV 无人机在远距离为何会失效——不仅是因为干扰，还因为地球曲率。在 30-40 公里射程时，无人机若飞行高度低于大约 60-100 米，便会进入山丘、树林或地平线本身形成的无线电阴影区。驾驶员会在无人机逼近目标的关键时刻同时失去视频和控制信号，而目标按定义就在地面上。光纤线缆（32 美元/公里，从无人机上卷轴放出）能解决阴影问题，但增加了重量、限制了射程，并削弱了机动性。 AI 以另一种方式填补缺口：末端引导让无人机在无线电链路中断后仍能在最后几百米自主完成动作。两种方案并不互斥——可以在光纤链路之上叠加 AI，用更少的操作手指挥数百架无人机。 > *"如果你的无人机飞低——而通常 Russia 的步兵和车辆都在地面上，你得飞低才能打中——飞得越低，就可能躲进某座山丘或某片树林的阴影里，飞得够远的话，你就会钻进地球曲率的阴影里。"* ## [25:32] FPV 无人机：新的战争之神，承担 70–80% 前线伤亡 历史上，炮兵被称为"战争之神"，因为它造成了 80% 的战场伤亡。在当前的 Ukraine 前线，70-80% 的伤亡由 FPV 无人机造成——比例相同，武器不同。坦克曾被设计为数十年内主宰陆战，如今却被 400 美元的消费级四旋翼机常规摧毁，因为装甲从来没有为抵御正上方的攻击而设计。 其发展轨迹与计算器被智能手机淘汰的曲线如出一辙：不是线性替代，而是指数式位移——新技术的影响呈非线性增长。 > *"人们过去常说炮兵是战争之神，因为炮兵造成了大约 80% 的伤亡。现在按这个排名，FPV 无人机称王。"* ## [28:28] 无人机自主的五个等级：从末端引导到完全自主 Yaroslav 提出五个自主等级，描述这个领域的现状与走向。第一级是末端引导——无人机在人工操控下飞行，仅在最后几秒锁定目标。第二级是投弹——从高空投放弹药，不直接撞击目标。第三和第四级引入逐步增强的目标选择和导航独立性：无人机可识别发射无线电的装备、追踪车辆，或在 GPS 拒止环境中自主导航。第五级是完全自主——发射后不管，任何任务阶段均无人介入。 当前战场部署主要集中在第一至三级。跃升至更高等级，瓶颈已不主要是技术问题，而是部署、条令与信任的问题。就目前而言，涉及致命打击决策的每个环节，仍保留人工确认。 > *"技术在进步，其影响呈非线性增长。一切都是指数级的。"* ## [41:37] 自主战场的八个维度 五个自主等级描述的是单架无人机的能力。八个维度描述的是这些无人机所处的完整战场环境。第一维：自主等级（五级量表）。第二维：平台类型（四旋翼、固定翼、导弹、海上无人机）。第三维：环境（昼/夜，城区/森林/开阔地形）。第四维：目标类型（运动车辆、静态建筑、无线电发射源）。第五维：集群规模与协调。第六维：指挥与控制架构。第七维：感知模态（光学、热成像、射频）。第八维：基础设施（仿真、数据流水线、安全、部署工具链）。 每个维度都与其他维度相互作用。一架在开阔白天地形表现优异的第四级自主无人机，在夜间森林中可能彻底失效。战场 AI 系统必须在全部八个维度上同时评估，而不仅仅着眼于自主等级这一个轴。 > *"我用'维度'这个词，是因为它们相互交织。理解自主性在现代战场环境中如何演进，至关重要。"* ## [45:32] AI 安全与自主武器的道德问题 Yaroslav 的立场颠覆了标准 AI 安全框架：五到十年后，使用不带 AI 的武器将是不道德的，因为纯人工武器会造成更多附带伤亡和误伤。他类比自动驾驶汽车：一旦自动驾驶成为常态，让人类在公共道路上手动驾驶反而成为危险选项。 Noah 将推论推向逻辑终点：一个第六级"AI 将军"——一个摄取所有战场数据并自主选择目标的大模型，人类只负责维修无人机。Yaroslav 说，技术上现在就能做到。瓶颈是部署与信任，不是能力。他引述了公开报道中 AI 辅助目标指定在 Iran 行动中的应用：AI 给出 127 个目标，人工审核列表后按下确认。这已经接近一个带橡皮图章的 AI 将军了。 > *"我认为，五到十年后，不使用 AI 的武器将是不道德的，因为不带 AI 的武器更可能造成附带伤亡或意外损害。"* ## [51:31] 步兵的终结？Noah 2013 年的预言与战场现实 Noah 重提 2013 年的预言：步兵已经过时，被远程武器取代。Ukraine 既验证了这个判断，又使它复杂化。FPV 无人机无疑已将步枪取代为主要消耗性武器，但步兵并未消失。他们挖战壕、固守阵地、承担后勤，并在持续无人机威胁下通过适应存活了数月：更好的伪装、更小的活动特征、无人机感知训练。 Yaroslav 将时间轴延伸到人形机器人。世界为两足人类而建；一个能操作步枪、开门或驾驶车辆的平台确实有其实用价值。他把终结者式的人形战斗机器人场景放在十年后，不是科幻。但两人都认同，现代战争是一个多维度问题——数十种无人机类型、地面行动、侦察、心理战、航空、坦克、后勤——媒体聚焦于最新最酷的技术，大大低估了每一层级仍有多重要。 > *"现代战争非常复杂，无人机是最新最酷的东西，并不意味着现在就只有无人机。"* ## [01:05:13] China 的制造优势与西方的脆弱性 这部分由 Noah Smith 的经济学背景主导对话。美中无人机对比，拼的不是单价或自主等级，而是规模化制造吞吐量。China 的消费电子供应链已在批量生产 FPV 无人机所需的电机、摄像头、芯片和电池。将这些产能切换到军事生产，需要的是监管意愿，而非重新建线。Ukraine 用航模零件造出 10 公里射程的固定翼无人机；China 能在相同成本曲线上造出 200-300 公里射程的固定翼无人机。 西方的脆弱性不只是数量。还有热成像摄像头（主要来自 China）、半导体晶圆厂（在无人机传感器相关节点上落后两代），以及采购速度（西方国防合同需要数年才能授出；Ukraine 以周为单位迭代）。Yaroslav 对西方的人才储备持乐观态度，工程师是有的，但对欧洲机构的迟滞公开感到不满，对美国是否真正吸取了 Ukraine 和中东的教训，他心存疑虑。 > *"我们没有充分的信息来断言这一点，但我们不能排除这种可能。如果我们想保住我们曾经的美好生活，就必须采取行动。"* ## [01:24:21] 西方防务的政策建议：Defense Valley 与不断扩大的差距 Yaroslav 的首要政策建议，围绕他归给 William Gibson 的那句话（实为 Arthur C. Clarke）展开：未来已经到来，只是分布不均。Kyiv 就是 Defense Valley——未来战争最早抵达的地方，拥有数百家专业公司、每个级别都经过实战检验的指挥官，以及学会了以创业速度运转的政府。 优先项一：深度融入 Ukraine 国防生态系统，不只是采购，而是嵌入式学习。优先项二：采购改革——无人机主导倡议方向正确，需要扩大十倍。优先项三：为争夺制海权的高强度海洋环境备好远程无人机（射程 2000 公里的 Shahed 级无人机可覆盖整个太平洋岛链）。他担心美国从 Ukraine 吸取的教训不如应有的多，并可能在 Iran 问题上重蹈覆辙。 > *"Kyiv 和 Ukraine 就是 Defense Valley。那里是防务未来已经到来的地方，有大量值得学习的东西。"* ## [01:32:54] 无人机竞赛：各品类谁领先 18 个月前，Russia 在无人机能力上与 Ukraine 持平甚至领先；此后 Ukraine 在 FPV 和自主性上已经反超。但 Russia 拥有 4 倍于 Ukraine 的人口优势和显著更强的工业产能——规模差距是西方供应之所以关键所在。分品类来看：FPV 攻击（Ukraine 领先），ISR 侦察（势均力敌），滑翔炸弹（Russia 领先，从轰炸机大规模投放），远程打击无人机（Russia 在数量上领先），拦截器（Ukraine 快速创新，Russia 追赶中）。Russia 使用直升机拦截 Ukraine 的远程打击无人机——代价高昂但有效，揭示了每一种新进攻手段如何催生定制化防御手段，以周为单位迭代。 > *"大家都说 Russia 在无人机战争中落后了。但一年前并非如此。"* ## [01:41:57] 反制手段：霰弹枪、干扰器、激光与渔网 霰弹枪有用——它是对抗来袭 FPV 无人机的主要动能反制手段——但前提是训练有素的士兵能在战斗压力下击中一个以 100 公里时速飞行的 20 厘米目标。电子干扰器是最普遍的防御手段：屏蔽无线电或 GPS 信号，无人机便失去制导。问题在于，干扰器覆盖的频谱往往也是己方部队使用的频谱，而干扰器正在被跳频和光纤链路所破解。 Russia 坦克如今看起来像刺猬——顶部临时加装金属笼和电子战天线，用于抵御顶攻无人机。Ukraine 的应对是专门调制的聚能装药，针对笼体与车壳之间的间隙。激光有效但昂贵（花费逾 1000 万美元的系统，击落一架 400 美元的无人机），且难以快速转向追踪高速机动目标。渔网正被部署在静态阵地周围，因为便宜、能缠住旋翼，且不需要电力。 > *"然后就是坦克——如果你看看 Russia 的坦克，有时还有 Ukraine 的坦克或装备——它们看起来都像刺猬。"* ## [01:58:19] 婚礼与最后寄语：为战争做好准备 Brandon 最后抛出两个问题。第一：Yaroslav 是否真的在 2 月 23 日那天在那座小教堂完婚？他们办了法律手续，但将婚礼宴席推迟到战争结束之后。第二：给听众一个最重要的启示。Yaroslav 的回答是对那句罗马谚语的重述：*si vis pacem, para bellum*。 > *"想要和平，就要为战争做好准备。必须投资于国防和安全。"* ## 实体 - **Yaroslav Azhnyuk**（人物）：The Fourth Law 创始人（AI 无人机自主与热成像摄像头，Ukraine）；前 PetCube 联合创始人；Brave 1 和 D3 Fund 联合创始人；生于并成长于 Kyiv。 - **Noah Smith**（人物）：经济学家；Noahpinion Substack 作者；本集联合主持人；专注产业政策、制造经济学与地缘政治。 - **Brandon**（人物）：Latent Space 常驻主持（科学播客背景）；本集客座主持。 - **The Fourth Law**（机构）：Yaroslav 的 AI 制导无人机公司；三个业务单元——热成像摄像头、无人机自主模块、UAV 产品（FPV 攻击、轰炸机、拦截器）。Ukraine 排名靠前的无人机 AI 团队。 - **PetCube**（机构）：Yaroslav 在旧金山（2014–2020）联合创办的消费级宠物摄像头公司；"投喂零食的摄像头/投掷炸弹的摄像头"这一转型的起点。 - **Brave 1**（机构）：Ukraine 国防创新集群；类比美国 DIU（国防创新单元）；Yaroslav 参与联合创立。 - **D3 Fund**（机构）：与 Eric Schmidt（前 Google CEO）联合创立的国防科技投资基金，旨在加速 Ukraine 无人机生态系统发展。 - **FPV 无人机**（概念）：第一人称视角无人机——飞手实时通过机载摄像头看到画面；当前承担 70-80% 的前线伤亡；Ukraine 冲突中占主导地位的战术武器。 - **无人机自主五级体系**（概念）：Yaroslav 的分类法，从末端引导（第一级）到完全自主操作（第五级）；当前战场部署主要集中在第一至三级。 - **自主战场八维框架**（概念）：Yaroslav 用于评估无人机系统的框架，涵盖平台类型、环境、目标类别、集群规模、指挥控制架构、感知模态和基础设施。 - **Defense Valley**（概念）：Yaroslav 对 Kyiv/Ukraine 的定名——防务科技未来已率先降临的全球中心，类比消费科技领域的硅谷。 - **无线电地平线**（概念）：地球曲率效应，在 30-40 公里射程时切断低空飞行 FPV 无人机的无线电/视频链路；光纤无人机普及的主要技术驱动因素。 - **Shahed**（概念）：Iran 设计、Russia 使用的巡飞弹药；固定翼，射程达 2000 公里；西方基地与太平洋场景规划中长程无人机威胁的原型。

a16z 普通合伙人 David Ulevitch 与 Col. Jeffrey Glover（亚利桑那州公共安全厅）、Rahul Sidhu（Flock Safety 董事会成员）一道，梳理无人机、传感器和 AI 如何悄然重塑美国警务。Sidhu 介绍了 Flock Safety 的分层传感器网络——车牌识别、枪声探测、无人机调度——Glover 则详述了亚利桑那州公安厅围绕警员健康、执法记录仪分析以及借 FIFA 和奥运会时机落地的国际融合中心体系。核心判断：未来十年的警务工作将更接近分析师工作，而非破门而入；想进入这个领域的创始人必须先在一线实实在在跑一跑。 ## [00:00] 无人机与未来巡逻 本集以剪辑拼接的预览开场：Sidhu 抛出一个犀利论断——警察既讨厌改变，也讨厌现状——Glover 描述巡警的技能组合必须向调查型和细节型转变，Ulevitch 随即抛出核心场景：911 来电，无人机先于警员抵达，从空中追踪逃跑的枪手。这不是抽象设想：让五架直升机全天候升空执行这项任务根本不可能，但无人机让它几乎成为必然。 > *"你听到一声枪响，无人机找到了一名枪手正在上车驾车离开，然后开始追击。"* ## [00:32] 为急救人员构建产品的创始人 Ulevitch 问 Sidhu，对那些更想拯救生命而不是优化广告点击率的创始人有何建议。身为 Flock Safety 董事会成员的 Sidhu 举了 Skydio 等公司为例，并列举了他每天收到的那类来信——拐卖儿童获救、现场局势化解、技术在警员到达之前读懂现场。他反复提及的一个故事：一名 911 报警人说某条小巷里有人持猎枪，无人机先到，发现"猎枪"不过是清洁工手里的扫帚。 > *"最终无人机提供了态势感知，告诉大家'等等，那只是个拿着扫帚的清洁工，不是持猎枪的人'，整个局势就这样化解了。"* ## [01:38] 飞行机器人与传感器网络 Sidhu 把无人机重新定义为飞行机器人，将其纳入正在重塑每个行业的自动化浪潮。公共安全领域会涌入更多无人机，包括需要防御的敌意无人机；Flock Safety 的价值在更下一层：车牌识别摄像头、枪声探测、无人机调度三者打通，使得 Amber Alert 车辆或枪声定位警报可以自动派出无人机，甚至在高速公路上配合州公安厅追击嫌疑人。Ulevitch 用一句"现在可不是做美国敌人的好时机"收尾，随后将话筒交给 Glover。 > *"对 Flock Safety 来说，这不只是无人机的事。我们在社区里部署了大量传感器——有车牌识别摄像头，有枪声探测能力——这一切正在汇聚到一起。"* ## [03:17] 警员健康与执法记录仪分析 Glover 介绍了亚利桑那州公安厅集成部署的实际面貌。警员开班前先做 Vitanya "Heal the Heroes" 脑部扫描，确认基线健康状态。值班期间，Truleo 对执法记录仪的音频做分析——不只是给警员与公众的互动打分，还会标记累积压力，让主管在倦怠成为问题之前就收到预警。Ulevitch 接过话头，谈到公众对执法记录仪的态度转变：人们看到它既记录问题也保护警员，于是接受度大增，并将此与当年电击枪经历的炒作周期作类比。 > *"你可以给警员与公众互动的情况打分，同时也能获取另一类信息：他们需要额外支持吗？"* ## [05:47] 融合中心与全球情报共享 Ulevitch 转向情报收集话题，Glover 介绍了 Arizona Counterterrorism Information Center (TIC) 及美国更广泛的融合中心网络。近期目标：多数机构正在为 FIFA 运行 TRX program。更长远的布局：亚利桑那州建立国际存在，在墨西哥、阿联酋、利比里亚等合作方派驻情报官员，使非涉密威胁信号能在事件演变为本地危机之前跨境流通。Ulevitch 援引奥斯汀和纽约警察局反恐单位的案例，佐证该模式已被验证。 > *"把信息浓缩、提炼到可以共享非涉密内容的程度，让彼此都能得到好的情报——这将是巨大的进步。"* ## [07:37] 给创新者的建议与结语 Ulevitch 把压轴问题抛给 Sidhu——这位前急救医士、预备役警员。Sidhu 点名观众席中的 Ben Curley（Chart Performance）作为已经在躬身入局的典型，随后落下自己的判断：这个领域看起来门槛高，但如果你能描述出一种必然性——就像无人机现在已经让人感觉是必然——这个行业自然会把你拉进来。不可谈判的前提：必须在一线花真实时间，跟车、预备役值班，真正弄清楚该构建什么。Glover 以同样的呼声收尾，预言未来十年将从根本上把这个职业从踢门破户转向解析视频、AI 信号与分析师工作。 > *"如果你能描绘出一种必然的景象，就像我们谈到无人机时的感觉——它一定会到来，因为这对警员是最好的，对社区也是最好的。"* ## 实体 - **David Ulevitch**（人物）：a16z 普通合伙人，The a16z Show 主持人；长期专注企业与安全领域投资。 - **Col. Jeffrey Glover**（人物）：亚利桑那州公共安全厅上校/局长，主导该机构的技术与情报现代化。 - **Rahul Sidhu**（人物）：Flock Safety 董事会成员，前急救医士，具有公共安全技术领域的创业者与运营者背景。 - **Flock Safety**（机构）：构建分层公共安全传感器网络，涵盖车牌识别、枪声探测和无人机调度。 - **Skydio**（机构）：无人机制造商，作为无人机急救响应领域的同类代表被提及。 - **Vitanya "Heal the Heroes"**（软件）：警员健康平台，通过每日脑部扫描追踪基线心理健康状态。 - **Truleo**（软件）：执法记录仪分析工具，对警员与公众互动质量评分，并发现倦怠预警信号。 - **Arizona Counterterrorism Information Center (TIC)**（机构）：亚利桑那州公安厅融合中心，承担地区及国际情报共享枢纽职能。 - **TRX program**（概念）：多机构合作项目，美国多个融合中心正在为 FIFA 赛事推进实施。 - **Drone-as-first-responder**（概念）：无人机先于巡逻单元抵达事故现场，提供态势感知与追击能力的运营模式。

Caitlin Kalinowski 交付过 MacBook Air、每一代 Meta Quest，后来又在 OpenAI 从零组建了机器人团队。她的判断是：AI 软件到达饱和点的速度比大多数人承认的要快，真正的竞赛已经转向物理世界。她梳理了可能扼杀机器人热潮的供应链硬伤，解释了为何人形机器人大多仍是原型，讲述了 Apple 对机柜背板的执念如何塑造了她对硬件卓越的理解，以及她为什么选择公开而非悄然离开 OpenAI。 ## [00:00] Caitlin Kalinowski 介绍 节目以一段后半段对话的剪辑开场：Caitlin 警告说，AI 加速正在"垂直拉升"，下一个前沿根本不在数字世界，而在物理世界。她在一句话里并列提到了机器人、制造业、无人机和航母，给整场对话定了基调——硬件是国家基础设施，不只是产品战略。 > *"加速正在垂直拉升，用 AI 在键盘后面能做的事情终究会到达饱和点。那之后，下一个前沿就是物理世界。"* ## [02:32] VR 为何在硬件极佳的情况下仍未普及 Caitlin 的直白判断：VR 从来都只是游戏市场的小众品类。但事情不止于此。十年头显研发解决了 SLAM、深度传感、空间定向和人类视觉感知，而所有这些技术突破如今都是机器人领域的承重墙。她不后悔那段工作，把 VR 看作实体 AI 的研发阶段。 > *"我把它看作一段漫长技术弧线上的一步。所有这些技术都在机器人领域得到了应用，因为你需要理解机器人如何在空间中移动。"* ## [04:55] AR 眼镜与实体 AI 的未来 Meta 的原型 AR 眼镜 Orion 采用波导和 microLED，目前还无法以消费级价格量产——Caitlin 认为这是超前于时代，而非失败。她认为 AR 眼镜解决了手机带来的问题：你可以在获取信息的同时保持社交存在感。Orion 70 度双目视场角已经让用户产生强烈的沉浸感，亲身体验才能理解。 > *"戴上之后，你突然就会觉得——我感到沉浸了。这会让人非常清楚地明白，这就是未来的一部分。"* ## [08:45] 机器人和硬件为何突然变热 硬件从来都不是热门职业选择。Caitlin 眼看同事追着软件薪资跑了二十年。现在人人都在问硬件。她的解释是：AI 实验室已经能看到数字隧道的尽头。软件智能会饱和，不是今天，也许不是两年内，但轨迹已经清晰可读。这让物理世界成为下一个复利曲面，各大实验室和大厂正在同步重新布局。 她用编译器类比描述核心挑战：软件工程师每天迭代；硬件工程师一款产品的生命周期里只有四五次"编译"机会。最后一次量产构建是不可逆的，这迫使硬件从业者形成更保守、更重测试的思维方式。 > *"做硬件，我们的代码只能编译四五次。最后那次编译一旦完成，就结束了。"* ## [13:33] 人形机器人还没准备好的原因 人形机器人仍是原型。物理学逻辑是：高速运动的手臂携带的动能同时取决于手臂质量速度和执行器旋转能量。在机器人能够通过柔性材料、受控力矩限制和足量真实世界数据证明人机安全共存之前，它们只能待在有围栏的工厂车间，进不了家庭。Caitlin 提到有些中国人形机器人出厂手册里写着禁止人员在三英尺内站立：还没准备好。 > *"在我看来，人形机器人仍是原型。我们首先需要证明这东西能跑通，而这大致就是我们现在所处的阶段。"* ## [16:13] 威胁机器人发展的供应链瓶颈 哪怕一个人形机器人的设计跑通了，扩产到数十万台也会撞上一堵硬墙：供应链。机器人里每一个零件都有来源，而很多来源所在国与美国的政治关系随时可能生变。执行器、其中的稀土磁铁、分总成制造专知——这些在过去 25 年里全都被迁移到海外。Caitlin 不做道德评判，她自己也是这个转移过程的一部分。但风险如今已成结构性问题。 > *"这台机器人里每一个零件都来自某个地方。很多零件可能变得更受限制或更难制造。"* ## [17:31] 磁铁与执行器为何是关键依赖 -- _Note: Better motor diagram:_ 执行器就是电机：电进去，运动出来。大多数机器人用带减速齿轮的转子式设计驱动肢体。这些电机内部的稀土磁铁是最底层的依赖。从原始磁铁到成品执行器再到机器人分总成，整条供应链层层叠叠在过去二十年间全部迁移到了中国、日本和韩国。Caitlin 把它描述成一个技术栈：磁铁断供，你得重新设计执行器类型；执行器断供，机器人根本造不出来。 > *"要拥有安全的供应链，我们需要开始在这些层次和技术栈上建立一定的独立性。"* ## [20:51] 硬件供应链的地缘政治影响 驱动无人机旋翼和驱动机器人手臂用的是同一条基础供应链。Caitlin 谈到了乌克兰，无人机作战已经证明廉价自主硬件比昂贵的传统武器平台更有效。她的立场是：美国需要再工业化才能保障军事安全。她赞同 Palmer Luckey 的观点，认为对无人机的投入应该超过航母，并且希望这个国家重新学会如何处理原材料、如何规模化制造——不是出于民族主义，而是基本的国家韧性。 > *"今天的盟友明天未必还是。我非常希望我们重新学会如何大规模制造东西，如何更加独立。"* ## [24:48] 实体机器人的 AI 安全隐患 聊天机器人的提示词注入和越狱已是公知问题；针对实体机器人的对抗攻击讨论要少得多，危害却远更严重。Caitlin 分享了一个亲身测试：她给 OpenClaw 访问了自己的邮箱地址和社交媒体账号，明确告知不得分享私人信息——五分钟后它已经把她的个人邮箱地址发出去了。当机器人有手臂并在真实世界中移动时，同样的失效模式会带来物理后果。 > *"我们必须能够控制对硬件层的对抗威胁，无论是机器人、无人机还是其他任何设备。这将是一个巨大的挑战。"* ## [26:50] Apple 对硬件卓越的追求 Apple 把硬件视为一等公民，这比听起来要罕见。Caitlin 在那里吸收的更深层教训——由 Jony Ive 讲述的 Steve Jobs 关于"机柜背板"的著名故事加以强化——是：关注用户永远看不见的那一面，会迫使工程、工业设计和制造团队真正理解每个决策背后的原因。对每个细节的一丝不苟，最终让真正重要的东西浮出水面，在终态呈现出简洁。 > *"设备内部的每一个设计决策都经过考量。这迫使工程团队去思考：我们到底在做什么，权衡在哪里。"* ## [30:10] 在 Meta 从零搭建硬件团队 Oculus 的创始人当年在模改论坛上认识，把 PlayStation 手柄改装进便携背包。这种创客文化在被收购后留了下来，Caitlin 的任务是把它转化为能命中良率、产量和成本目标的专业硬件组织。Apple 式的严谨加上黑客式的速度很难同时维系，但这个组合正是 Quest 系列诞生的土壤。 > *"Oculus 最初是一群把 PlayStation 或超级任天堂改装进便携背包的人，公司里有一种文化，对我们所需要的迭代速度来说其实相当好用。"* ## [31:39] Quest 2 降本故事 Quest 2 通过一次完整的降本产品重设计，成为有史以来销量最高的 VR 头显。目标是让更多人用上——这个目标驱动了每一个取舍：去掉摄像头、更换材料、重设制造工艺。当一个压倒一切的目标真正对齐时，设计决策会变得很快。重设计后的产品退货率比上一代更低，Caitlin 觉得这有点好笑，但完全在意料之中。 > *"当你真正对齐要让更多人用上这个产品，而实现方式就是降低成本，那么其他所有事情自然跟着走。"* ## [33:07] 硬件开发的关键原则 Caitlin 反复回到四条原则：在第一次构建前锁定 KPI，不要在项目中途更改；最难的部分先设计，不要先做你已经熟悉的部分；在用户接触最多的界面上投入最多迭代；永远不要等——任何你知道该做的事今天就做，因为意外永远离你只有两天。她还补充了 Elon Musk 对每克重量赋予明确数字成本的做法，这让权衡变得可计算，而不是政治问题。 > *"用户接触或交互最多的部分，需要比其他一切都多得多的迭代。"* ## [39:58] MacBook Air 马尼拉信封时刻 第一代 MacBook Air——Steve Jobs 从马尼拉信封里抽出来的那台——是小批量概念验证机，侧面有一个切出来的接口舱门。Caitlin 参与的楔形 Air 是第二代量产修订版。信封版证明了概念，Caitlin 的团队证明了它可以规模化。 > *"那是信封版，侧面舱门打开才能用接口。然后它的下一个修订版就是我们熟知的楔形 MacBook Air。"* ## [41:01] 蝴蝶键盘的那段往事 被问到这个话题时，Caitlin 微微闭了下眼。她不详述内部发生了什么——那些不是她负责的产品——但她说得很清楚：键盘恰恰是最需要最大迭代量的界面，用户每天要接触好几个小时。现在的 MacBook 键盘很好。她把两个事实之间的空白留给听者自己填。 > *"这显然是你必须做对的东西。现代 MacBook 键盘非常好用、非常出色。"* ## [41:43] Apple 对用户反馈的方法论 "用户不知道自己想要什么"这句话被普遍误读。Caitlin 的理解是：对于真正全新的产品——触屏手机、AR 头显——迭代式用户反馈会主动误导你，因为用户对不存在的东西毫无参照。但把东西拿给他们看，他们马上就能判断好不好。问题在于：零到一的产品无法和用户共同设计，愿景必须先有。 > *"把东西给他们看，他们绝对能立刻知道这很好，这就是他们想要的。但如果你陷入迭代反馈循环，就很难在全新事物上实现从零到一。"* ## [44:46] 硬件即将面临的内存价格危机 Caitlin 对每个硬件创业公司的实操建议：现在就预购内存。AI 数据中心需求叠加受限的供应链会产生价格尖峰，而内存市场从需求信号到供应响应的延迟意味着价格来不及调整。她认为价格大约会翻倍。她不知道确切时间线，所以她建议人们现在就对冲，不要等到价格尖峰来了再确认。 > *"我一直在建议创业公司和企业预购内存，如果负担得起，备足库存以应对价格尖峰。"* ## [49:31] 一台机器人有多少个零件 Matic 机器人吸尘器有 50 到 150 个零件，取决于统计深度。人形机器人剥开每块 PCB 上的每个贴片后可能高达数千。零件重要性层级：芯片和显示器交期最长；执行器即便只是原型采购也需要一两个月。芯片供应商一断，你不是换个元器件，而是整块电路板重新设计。垂直整合是目前唯一已知的防御手段，Tesla 和 Starlink 都走这条路。 > *"少一个零件，什么都造不出来。"* ## [52:53] 何时用现成方案、何时定制 原型阶段默认用现成方案——什么最快验证概念用什么。只有在量产阶段现成方案无法满足当初锁定的 KPI 时，定制才有意义。常见错误是过早定制，在概念验证之前就烧掉工程时间做优化。 > *"我尽量用现成方案，尤其是在原型阶段，因为原型阶段你真正需要展示的是这个东西的样子，以及这里有一个可运行的原型。"* ## [55:02] AI 如何改变硬件工程 AI 辅助 CAD 还处于非常早期的阶段。Claude 能处理曲面和点云，但还无法做硬件工程真正需要的参数化实体建模。PCB 布线走得更靠前——AI 已经能像模像样地处理板内布局。对 Caitlin 的日常工作而言，最大增益在于高层规划、竞争格局调研和快速建立设计权衡的 Excel 模型。缺失的拼图是一个理解摩擦、接触、重量和表面纹理的世界模型——这些物理直觉是大语言模型和视频模型目前所没有的。 > *"我有一种健康的挫败感——我想要一个面向硬件工程的 Codex。它非常有价值，我在其他方面用了很多，但我想要它用在我的领域。"* ## [01:00:27] 人形机器人并非大多数场景的答案 中国顶级制造产线上几乎已经没有人工。PCB 回流焊、光学检测、机械装配，全部由专用机器人自动化完成，不是人形机器人。Caitlin 的判断：我们不需要用人形机器代替工厂里的人。我们需要更多用途专一、具备模块化形态的专用机器人。人形机器人会处理需要通用能力的长尾任务；工业需求的大头是专用设备。 > *"我们其实不需要用人形机器人取代人类。我们只需要更多这类专用机器人。"* ## [01:03:05] 机器人何时能制造机器人 这一天会来，但不会是自我复制的样子。路径是：AI 辅助 CAD 成熟到让业余爱好者无需专业知识就能从一张 2D 草图走到可以交给供应商的 3D 装配体。主要瓶颈是数据——CAD 文件是制造业中保护最严密的知识产权，大型厂商会是慢采用者。知识产权焦虑低的爱好者社区可能是主要试验场。企业端的可行方案是部署在企业自己数据中心里训练专有 CAD 数据的本地 AI 模型。 > *"哪怕作为一个业余爱好者，能从一张 2D 图到复杂 3D CAD 再到装配体再到与供应商沟通——这件事会发生。"* ## [01:06:23] 让机器人有人情味和连接感的要素 HRI 研究者 Leila Takayama 的研究塑造了 Caitlin 的思维框架：人类期待进入一个空间时得到确认。无视你的机器人令人不安；抬头看你的机器人则不会。意图预告很关键——先看后转的机器人远比无预警直接运动的机器人少给人威胁感。Caitlin 觉得很多当前的人形机器人背后有那么多资金，却出奇地令人毛骨悚然。她的设计北极星是 Pixar 和 Disney，它们用非拟人形态传递情绪的能力是现有最好的参照系。 > *"你希望这些设备没有威胁感、看起来柔和、对你有回应。Pixar 和 Disney 大概是世界上最擅长做这类设计工作的。"* ## [01:09:15] 机器人走进家庭 消费者家庭比自动驾驶更难，不是更容易。Waymo 的参照点是人类驾驶，而 Waymo 有数据证明它在减少事故。家用机器人是在引入一个此前不存在的东西，所以用户在它失效时没有基准可以比较。信任需要从一个低得多的起点建立。Caitlin 认为这个门槛是可以达到的，但她对"五年内 2000 万台家用机器人"的预测嗤之以鼻。 > *"当你谈论一个全新的、此前不存在的产品，而不是取代某样已有的东西时，这更难卖，你需要有一套不同的叙事。"* ## [01:12:00] 未来五年的图景 AI 在未来两三年内重写知识工作——编程已经基本被吃掉了，其他所有案头工作都是下一批。物理世界变化更慢：无人机和自动驾驶明显在加速，但大众市场的家用机器人需要同时解决供应链、制造回流和安全问题。Caitlin 预计街上会出现更多机器人，但不会是人形机器人突然涌入每个家庭。 > *"AI 将从根本上改变我们的工作方式，这对我来说相当清楚。但无人机和自动驾驶之外，物理世界不太可能变化得那么快。"* ## [01:15:38] 她为何离开 OpenAI Caitlin 的那条推文被 700 万人看到，发出时机是刻意选择的：她知道离职消息会被报道，所以她抢先确立了自己的叙事框架。实质内容是：她关心在 OpenAI 共事的人，在那里确实做了有意义的东西，但围绕安全护栏的治理机制和决策速度让她感觉有问题，无法继续待下去。她在沉默和撕破脸之间选了一条中间路——一份点名问题但没有攻击具体个人的公开声明。 > *"你可以和朋友意见相左，觉得他们做的事不对。那就是我最终所处的位置，那就是我发推文说的。"* ## [01:18:09] 如何招到顶尖硬件团队 零到一硬件团队的三类招聘：能把相邻领域硬核直觉迁移过来的资深通才（自动驾驶→机器人是目前最佳管道）；能从头做机械设计的纯粹机器人工程师；以及 AI 原住民——二十出头、把 AI 用得浑然天成到它已经融入思维方式的人。Caitlin 特别希望 AI 原住民能教会团队里的其他人如何思考，而不只是如何使用工具。使命认同感可以缩短面试周期。 > *"真正的 AI 原住民，本质上是那些把 AI 用得如此自然、已经融入他们思维的人。他们解决问题的方式完全不同。"* ## [01:23:42] 从 Steve Jobs、Mark Zuckerberg 和 Sam Altman 身上学到的 Sam Altman："为什么不更多？"——这个反问让 Caitlin 意识到自己在局部思考，而机会是全局的。Steve Jobs：一条毫不妥协的质量标准，通过耳濡目染而非命令在 Apple 传播。告诉一个年轻工程师他们的作品还不够好，她说，比大多数人预期的更能激励人。Mark Zuckerberg：出奇干净的组织决策机制——决策推到能做出这个决策的最低层级，而 Zuckerberg 和 Andrew Bosworth 本人都能读完 20 页技术报告并抓住权衡点。 > *"对 Steve 来说，他对公司、对技术人才、对卓越所持有的标准从不动摇。就在那里，你要么能达到，要么就是达不到。"* ## [01:27:27] 失败案例 Quest 1，硬件 EVT 阶段，圣诞节前夕。Caitlin 的团队为降本把五个摄像头减到了四个。然后计算机视觉负责人发现：他对摄像头位置规格的理解（±1.5mm 全局）和机械团队的理解（±0.15mm）完全不同——而更宽的公差导致空间追踪失效。解决方案是把两个摄像头锁在一个刚性支架上，建立一个已知的立体基线。EVT 中期的架构改动，压力极大，但按时出货了。教训：机械团队和软件团队之间的规格对齐必须在开始时完成，而不是等到编译的时候。 > *"这是一次规格理解的失败。但我们保住了构建进度，按时交付了产品——真的压力很大。"* ## [01:32:33] 闪电问答 书单：Gene Wolfe 的《新太阳书》、Virginia Woolf 的战后写作、Herodotus 的《历史》。Caitlin 一直在和一位博士后导师按顺序读西方经典，用 Brodsky 的书单作为骨架，追问文化背景这类 Google 回答不如人类专家的问题。消遣：把《继承之战》当肥皂剧看。人生建议：画一棵未来自我的分叉树——前方永远有比身后那条路更多的选择。 > *"你每天都有机会决定你想做什么。重要的是眼前的事情。"* ## 实体 - **Caitlin Kalinowski** (人物): 前 OpenAI 机器人负责人、前 Meta VR/AR 硬件主管、前 Apple MacBook 硬件工程师；本集嘉宾 - **Lenny Rachitsky** (人物): Lenny's Podcast 主播，前 Airbnb PM，Lenny's Newsletter 创始人 - **Steve Jobs** (人物): Apple 联合创始人；因毫不妥协的质量标准和信封版 MacBook Air 发布而被引用 - **Mark Zuckerberg** (人物): Meta CEO；因干净的技术决策机制和将决策推到最低能力层级而被引用 - **Sam Altman** (人物): OpenAI CEO；因"为什么不更多？"的全局规模思维框架而被引用 - **Palmer Luckey** (人物): Anduril 创始人，前 Oculus；因"对无人机的投入应超过航母"论点而被引用 - **Apple** (组织): 硬件卓越标杆；Caitlin 2007-2012 年在此参与 MacBook Air 和 Mac Pro 工作 - **Meta** (组织): Caitlin 主导 VR/AR 硬件；参与每代 Quest 和 Rift 的开发；2014 年收购 Oculus - **OpenAI** (组织): Caitlin 组建了其机器人和硬件团队；以治理和安全护栏问题为由离职 - **Quest 2** (产品): 有史以来销量最高的 VR 头显；在 Caitlin 带领下完成降本重设计 - **Orion** (产品): Meta 原型 AR 眼镜；70 度双目视场角；超前于当前制造成本曲线 - **MacBook Air** (产品): Caitlin 参与楔形第二代量产版；因重量/尺寸纪律和信封发布会而被引用 - **Matic** (组织): 家用机器人吸尘器公司；用作零件数量统计和消费者信任度案例 - **Anduril** (组织): 国防科技公司；在无人机投资和美国再工业化背景下被引用

Anthropic 的第二期 Claude Code 101 视频详细讲解了如何编写第一个提示词：如何在审批模式和自动接受模式之间选择，何时通过 shift+tab 进入计划模式，以及在"添加深色模式"这一真实任务中，一个优秀的提示词究竟长什么样。 ## [00:03] 像使用普通 AI 助手一样与 Claude Code 对话 开场定位刻意降低门槛——向 Claude Code 发送提示词，和向其他 AI 助手提问并无二致。核心观点是：按下回车前的那些决策，才是真正保护你、让工具更易用的关键。 > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] 审批模式与自动接受模式（shift+tab） 开箱即用两种模式。默认审批模式下，Claude 在每次文件变更前都会征求确认。自动接受模式下，文件编辑和创建自动通过，但运行 shell 命令仍需你的许可。shift+tab 可在两者之间切换，无需翻找设置。讲师明确表示不会评判哪种"更正确"，选择符合你操作习惯的即可。 > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] 计划模式：编写代码前的只读研究 同一个 shift+tab 菜单里还隐藏着第三种模式：计划模式。Claude 接收提示词后，使用只读工具遍历代码库，对模糊之处提出澄清问题，并在触及任何文件之前交付一份详尽的执行计划。适用场景包括多步骤功能实现和安全代码审查——任何你希望在 agent 动手前先审核方案的场合。 > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] 实战演示：提示词实现深色模式切换 演示是视频的核心。从项目根目录出发，通过 shift+tab 切换到计划模式，然后写一个同时完成三件事的提示词：说明目标（"整个应用的深色模式"）、指定 UI（"在 header 上添加切换开关"），并加入一个需要 Claude 研究的约束（"根据我现有的浅色主题找一个合适的对比色"）。目标加界面加约束——这就是优质提示词的隐含模板。 > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] 回顾 Claude 实际完成的内容 Claude 返回计划并经用户确认后，最大价值在于可审计性：你可以清楚看到 Claude 做了什么，以及它是如何得出结论的。讲师目测渲染出的深色模式后表示认可——这隐含的教训是：对于低风险 UI 工作，"看起来不错"是完全合理的审查标准，前提是你真的看了。 > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] 总结：描述要详尽，善用计划模式 最终经验法则：提示词尽量详尽，若希望 Claude 在执行前深入研究你的意图细节，就使用计划模式。如果你倾向于逐步掌控每个环节，审批模式可以让你全程参与。 > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): Anthropic Claude Code 101 教程系列的官方配音讲师。 - **Claude Code** (Software): Anthropic 基于终端的 agentic 编程助手，本期提示词编写教程的主角。 - **Approval mode** (Concept): 默认模式，Claude Code 在每次文件变更前都会请求用户确认。 - **Auto-accept mode** (Concept): 自动批准文件编辑和创建，但 shell 命令仍需用户许可。 - **Plan mode** (Concept): 只读研究模式，在写入任何代码之前生成详细执行计划；通过 shift+tab 切换。 - **shift+tab** (Shortcut): 在 Claude Code 的审批、自动接受和计划模式之间循环切换的键盘快捷键。

Eric Jang 利用休假时间用现代工具重新复现了 AlphaGo，产出了这场长达两个半小时的技术对谈。这场对谈既是技术拆解，也是一面棱镜，让人看清强化学习的真实运作方式，以及 LLM 训练中内嵌的朴素策略梯度方法有哪些根本局限，而这些局限恰恰是 MCTS 所规避的。对话从围棋规则出发，依次覆盖 MCTS、神经网络架构、自博弈训练、离策略数据，最后落到 Jang 在自己项目上运行自动化 AI 研究循环的亲身观察。 ## [00:00] 围棋基础 围棋之所以没有被蛮力搜索攻克，不是因为被"解决"了，而是因为被"近似"了。Jang 解释了他为何选择重现 AlphaGo：一个十层网络是如何摊销一棵分支因子大到穷举搜索规模超过宇宙原子总数的博弈树的，这本身就是一个谜。开头几分钟讲的是围棋规则——地盘控制、气、提子、劫——以及用于算法化处理争议局面的 Tromp-Taylor 计分规则，而非依赖人类共识。 计分规则的差异很关键，因为它直接映射到计算机评估局面的方式：人类扫一眼被包围的棋群就接受了结果，计算机却需要一条无歧义的规则来数终局时的争议交叉点。 > *"2014、2015、2016 年前后，当我看到 AlphaGo 的早期突破时，看到 AI 系统能变得多聪明、深度学习能攻克怎样的计算复杂度类，真的让我震撼。"* ## [08:06] 蒙特卡洛树搜索 全棋盘展开博弈树——361 个合法落子位置、约 300 手的对局、搜索空间超过宇宙原子总数——根本不现实。AlphaGo 用 MCTS 交互式地选择哪些树枝值得展开。核心数据结构是每个棋盘状态对应一个节点，存储访问次数和 Q 值（所有经过该节点的 rollout 的平均胜率）。 动作选择公式 PUCT 在利用与探索之间取得平衡：对数增长的加成项将算法推向访问次数少的节点，随着模拟次数增加、Q 值趋于可靠，加成项随之衰减。Jang 解释了为什么这种源自 UCB 的方法能限制遗憾，为什么围棋的确定性意味着 MCTS 中的概率不过是蒙特卡洛平均的产物而非真正的随机性，以及如何通过合并转置等价局面来剪枝。 > *"AlphaGo 核心的概念突破，在于用神经网络让这个搜索问题变得可处理。"* ## [31:53] 神经网络的作用 两个网络替代了 MCTS 内部两项昂贵的操作。价值网络将棋盘状态映射为一个胜率标量，省去了将对局推演到终局的需要。策略网络输出合法落子的概率分布，把搜索树引向有价值的子节点，远离大量无关节点。 Jang 在自己的复现中分别测试了 ResNet 和 Transformer。在个人 GPU 这种小数据量的场景下，ResNet 表现优于 Transformer——Transformer 需要全局注意力来连接棋盘上相距很远的特征，但同时也需要更多数据来学习局部不变性。KataGo 的关键架构洞察是：通过残差堆叠显式地汇聚全局特征，使 19x19 棋盘两侧的厮杀能相互影响，而不必依赖完整的注意力机制。 > *"在小数据量场景下，我的经验是 ResNet 仍然优于 Transformer，在预算有限时性价比更高。"* ## [01:00:22] 自博弈 自博弈是 AlphaGo 从一无所知到超人水平的引导过程。每局对弈结束后，MCTS 会产出一个比原始策略网络先验更尖锐的落子分布，这个尖锐的分布随即成为策略头的训练目标。策略网络不断向 MCTS 输出靠拢，意味着每一代对弈都从更好的先验出发，每一步搜索带来的提升也更大。 Jang 将其描述为带复利的测试时扩展：把 1000 次 MCTS 模拟蒸馏进策略网络，提升了下一轮训练的起点，再跑 1000 次模拟所能达到的胜率，相当于不蒸馏时需要 2000 次以上才能达到的水平。关键在于，每局每步都会产生一个监督目标，而不仅仅是最终胜负，这正是其学习信号方差远低于朴素策略梯度方法的原因。 > *"AlphaGo 自我训练方式的精妙之处在于，它能把最终的搜索过程——搜索结果——反馈给策略网络，告诉它：'MCTS 费力推演到这里，你为什么不直接从一开始就预测这个结果？'"* ## [01:25:27] 其他强化学习方案 Jang 做了一个严谨的思想实验：如果把 MCTS 目标替换成 LLM 所用的朴素策略梯度方法——找到胜者并强化该局所有落子——会怎样？在 100 个实力相当的智能体联赛里，某个智能体凭借一步关键棋以 51 比 49 微弱优势获胜，训练数据里却充斥着大量毫无信号的落子，那一步关键棋淹没在约 3 万步无关棋步里。 这个信用分配问题正是优势函数和基线存在的根本原因。减去价值基线后，原始回报信号变为优势值——每个动作实际比平均水平好多少——从而大幅降低梯度方差。Q-learning 和 TD 方法无需完整 rollout 就能近似这种优势，这正是它们在 MCTS 不可用的场景中不可或缺的原因。 > *"关键在于，它对每一个动作都用 MCTS 做了相当彻底的搜索，看能不能做得更好，然后通过让策略网络预测那个结果，让每一步都变得更好。"* ## [01:45:36] MCTS 为何不适用于大语言模型 PUCT 探索公式假设动作空间有界且离散，价值函数能跨局面泛化。围棋满足这两点，LLM 推理两点都不满足：词表规模极大，几乎不可能重复访问同一个部分序列；也没有可靠的局面级价值函数来判断一条半成品思维链是否走在正确方向上。 Jang 指出，LLM 确实存在某种表面上像树搜索的行为——回溯、重新考虑、加以保留——但这来自上下文内的行为，而非显式树结构。他留有余地：在数学等中间状态具有更严格逻辑结构的领域，前向搜索未来或许能以某种形式回归。根本瓶颈在于，在 token 级别缺乏可信且查询高效的价值函数。 > *"在 LLM 里，你几乎不可能多次采样到同一个子节点。如果有多步推理，语言空间太宽泛，离散动作集并不适合 LLM。"* ## [02:00:58] 离策略训练 Dwarkesh 提出了一个疑问：所有 AI 研究者都警告不要用离策略训练，但 AlphaGo Zero 用装满旧策略版本对局的大型回放缓冲区却运行良好。Jang 从 DAgger 的视角解答：重要的不是数据是否严格在策略上，而是缓冲区中的状态分布是否覆盖了当前策略实际会访问的状态及其合理邻域。 回放缓冲区在 AlphaGo 中之所以有效，是因为近期检查点的对局状态仍接近当前策略的分布。失效场景——用离当前策略太远的状态打标签，让智能体学会在永远不会到达的局面下采取最优动作——在分布偏移严重的机器人领域是真实风险。QT-Opt 等系统总结出的实践方案是：用离策略数据做奖励塑形，同时保持策略梯度在策略上运行。 > *"在这类算法里，你希望大部分是自己会访问的状态，同时在最优轨迹周围的高维管道里保留一小部分、合理比例的状态。"* ## [02:11:51] 强化学习的样本效率比你想的还低 Dwarkesh 提出了一个两维度低效论点。第一个维度人尽皆知：策略梯度 RL 需要完整轨迹 rollout 才能获得任何学习信号，随着智能体处理越来越长的任务，单位计算量对应的样本数急剧下降。第二个维度是每个样本的信息量。训练初期，一个词表大小 10 万的 LLM 靠随机采样发现"蓝色"，大约需要 10 万次 rollout 才能看到一次成功；而监督交叉熵损失在每一步都精确告诉模型，它的分布离"蓝色"还差多远。 MCTS 同时规避了这两个问题。它在每一步都给出监督目标，而且那个目标严格优于当前策略——不是一个摊薄在数千个 token 上的二元胜负信号。Jang 的观察：只要策略网络的分布还没完全收敛到 MCTS 分布，MCTS 就永远不会给出零信号。 > *"你不会遇到 MCTS 给你零信号的情况，除非你的 MCTS 分布已经完全收敛到策略网络的预测。"* ## [02:22:05] 自动化 AI 研究员 Jang 将自己的 AlphaGo 项目大量交由自动化 LLM 编码循环推进，从一线视角讲述了 AI 研究自动化在哪些地方可行、在哪些地方仍然失效。在超参数优化上，现有模型能做到博士生水平的工作：诊断梯度流问题、改写数据加载器的数据增强、在固定预算内压出可测量的困惑度提升。在实验执行和绘图上，一段简单的技能描述就能生成完整的实验套件和分析。 模型无法可靠完成的是横向思考——察觉某条研究路线从结构上就走不通，在积累更多死胡同实验之前跳到另一个框架。Jang 反复遇到这个问题：模型会一头扎进死胡同，而不是退一步问问这条路本身是否正确。他的判断是，这是训练信号的问题——构建具有正确外循环的 RL 环境，比如围棋，或许正是最终教会模型跳出研究局部最优的办法。 > *"我发现，当前公众能访问的闭源模型，似乎并不擅长在某条研究路线上选择下一步实验。它们似乎无法退一步做横向思考：'等等，这条路根本就不对。'"* ## 实体 - **Eric Jang**（人物）：1X Robotics AI 副总裁，前 Google Brain 及 DeepMind Robotics 高级研究科学家，利用休假重现了 AlphaGo。 - **Dwarkesh Patel**（人物）：Dwarkesh Podcast 主播，在访谈中共同推导了 RL 在每样本比特数维度的低效论点。 - **AlphaGo / AlphaZero**（软件）：DeepMind 开发的围棋系统，将 MCTS 与深度神经网络结合，是本集的技术核心。 - **KataGo**（软件）：David Wu（Jane Street）开发的开源围棋引擎，相比 AlphaGo Zero 实现了 40 倍计算量压缩，是 Jang 复现时的主要参考实现。 - **蒙特卡洛树搜索（MCTS）**（概念）：通过 UCB/PUCT 在利用与探索之间取得平衡的迭代搜索算法，是本集的核心分析框架。 - **信用分配问题**（概念）：RL 中难以判断长轨迹中哪些动作导致正向结果的难题，催生了优势函数、基线和价值网络。 - **DAgger**（概念）：数据集聚合算法，解释了为何只要缓冲区状态接近当前策略分布，AlphaGo 的回放缓冲区就是可行的。 - **Andrej Karpathy**（人物）：被引用的"用吸管吸取监督信号"一说，描述策略梯度 RL 在长 token 轨迹上学习信号稀疏的问题。

图灵奖得主、AMI Labs 创始人杨立昆明确指出：LLM 是条有成效的死胡同——它能做出实用的产品，但从结构上就无法对物理现实建模，无法规划，也无法预判行动的后果。他以 JEPA 架构作为替代路径，介绍了面向非美非中国家的主权 AI 项目 Tapestry，并首次详细披露在 Meta 离职的原委：GenAI 部门短期业绩压力不断积累，最终让突破性研究无法为继。他预测范式转变的时间节点是 2027 年初。 ## [00:00] 开场 Jacob Effron 用快剪预览开场——杨立昆调侃"五年之内，统治全世界"，顺带谈及他与 Meta Llama 项目关系的直白看法，并说明自己对无监督学习的长期研究，最终让他与 LLM 路线背道而驰。Jacob 将本集定位为一次难得的机会：邀请一位亲手构建了开源 LLM 基础、如今却公开且一贯地坚持认为继续扩展 LLM 是押错了注的人，来讲清楚他的理由。 > *"让突破性研究涌现的最好方式，就是招到最好的人，然后滚开，别碍事。"* ## [01:45] 为什么 LLM 不是通往智能的路 杨立昆在"LLM 作为产品"和"LLM 作为通往智能的路径"之间划了一条清晰的界线。LLM 之所以奏效，恰恰是因为语言是特殊的——低维、离散、高度结构化，自回归预测在这里是可行的。现实不是这样。物理世界是高维、连续且混沌的：机器人拿起一只杯子、自动驾驶汽车穿越施工路段、细胞对药物产生反应——这些都不是语言问题，针对语言优化的架构无法建立推理所需的内部模型。 他的公司 AMI（Advanced Machine Intelligence）建立在一个反向命题上：正确的路是让系统从原始感官数据（视频、传感器数据流、工业遥测）中学习抽象的世界表示，并通过在这些表示内部模拟候选行动的后果来完成规划。 > *"LLM 根本不是通往人类水平智能、类人智能甚至动物级智能的路。这是我的主张。我不是说它们没用，我只是说它们不是那条路。"* ## [07:51] AMI 与世界模型 "世界模型"已成为行业热词，杨立昆指出，该领域分成了两个阵营：生成式方法（视频模型、VLA）和以 JEPA 为代表的联合嵌入方法。他对 VLA 不以为然，认为这类视觉-语言-动作模型脆弱、数据饥渴、泛化能力差，失败已被业界广泛承认。生成式视频方法与 LLM 有同样的结构性缺陷：它预测每一个像素，而非学习底层的抽象结构。 真正意义上的世界模型，是让智能体在采取行动前就能预判后果的系统。没有这个能力，任何智能体系统都是盲目运行的，无从验证一系列规划好的动作是否真能达到目标。 > *"我无法想象，怎么能在系统没有预判自身行动后果能力的情况下，去构建一个智能体系统。"* ## [12:07] JEPA 架构详解 JEPA 的核心洞见，来自杨立昆在多年自监督学习研究中发现的一个规律：所有成功学到有用图像与视频表示的架构，都是非生成式的。生成式架构——VAE、掩码自编码器、像素预测模型——始终表现欠佳。JEPA 将一个受损或不完整的输入和原始输入分别通过编码器，训练预测器去匹配表示，而非原始像素。这层抽象才是关键所在。 2022 年那篇"迈向自主机器智能的路径"论文，是他将完整蓝图写下来的尝试：JEPA 作为感知主干，上面叠加目标驱动的规划，以及不同时间尺度的世界模型层级结构。他把发表这篇文章形容为"把所有秘密都抖出来"——一个刻意的赌注：公开能招来更多人才投身这一范式，远比保密更有价值。 > *"我对通过预测来学习世界模型这个问题一直很感兴趣，大约五年前突然想通了：所有成功学到图像和视频表示的架构都是非生成式的，而所有生成式的架构基本上都失败了。"* ## [15:55] 当前机器人模型的问题 当前的机器人演示令人印象深刻，但背后依赖海量模仿数据——遥操作录像、手部跟踪示范，再加上主要在仿真环境中进行的强化学习微调。这套流程只能产出脆弱的专用模型。一个 17 岁的年轻人大约花 20 小时就能学会开车；我们有数百万小时的驾驶录像，却依然没有 L5 级自动驾驶汽车。模仿学习与真正泛化之间的鸿沟，正是死记例子和拥有世界内部模型之间的差距。 杨立昆对基于世界模型的系统的主张是零样本任务泛化：给定新目标，拥有精准内部世界模型的系统无需针对该任务专门训练，就能规划出达到目标的动作序列。他近期瞄准的工业应用——控制喷气发动机、化工厂、生产线——输入本就是数值型的，世界模型可以直接从运营数据中训练。 > *"基于世界模型的系统能带来的泛化程度，远远超过模仿学习训练出来的系统——用更少的训练数据覆盖更宽的任务谱系。"* ## [20:37] 硅谷的羊群效应 杨立昆对整个行业为何都扎进扩展 LLM 给出了结构性诊断：一旦落后，你就无力做别的。竞争赛跑给每个大型实验室制造了一种理性激励，让大家都去挖同一条沟。他特意把 AMI Labs 建在巴黎，美国办公室也选在纽约而非硅谷，且没有从硅谷 VC 融资。 他预测范式转变的时间节点是 2027 年初。"世界模型"已成为研究热词；业界已承认 VLA 失败；机器人领域悬而未决的泛化问题是一个强制函数。他并不声称 AMI 届时会有完整解决方案，但他预期到那时，所有人都会觉得范式转变的必要性是不言而喻的。 > *"我认为，对范式转变必要性的认识正在发生，而且到 2027 年初，这对所有人来说都会变得无比显然。"* ## [28:18] Tapestry：为世界其他地方打造主权 AI Tapestry 是独立于 AMI 的项目，出发点是一个观察：随着智能眼镜和 AI 助手成为主要信息接口，控制底层模型的人就控制了数十亿人的信息食谱。印度的农民、德国的哲学家、摩洛哥的公民——他们都不会因为一个训练数据、价值观和政治预设都由加州或深圳少数几个人决定的模型而受益。 解决方案是联邦训练：各国和机构贡献数据与算力，但彼此之间从不共享原始数据，只共享参数向量。每个参与方在本地训练，定期交换参数更新，并拉取一个持续更新的共识模型——这是一个没有任何单一方控制的全人类知识库。从印度到哈萨克斯坦到法国，多国已表达兴趣，因为 AI 主权已成为独立于任何技术选择的政治优先事项。 > *"你所有的信息摄入都将由 AI 助手中介，而如果那个 AI 助手是在加州或北京造的，对你来说并不是好事。"* ## [35:49] OpenAI 是下一个 Sun Microsystems 专有 LLM 提供商已经耗尽了公开可用的文本数据。剩下的路——授权版权内容或生成合成数据——代价高昂且有上限。开源模型在没有这个约束的情况下一直在缩小差距。杨立昆以 1990 年代 Unix 工作站市场作类比：Sun Microsystems、HP 和 SGI 都有技术上更优越的专有系统，也有充分的理由说明你不会在 Windows NT 上跑 Web 服务器——结果全被 Linux 消灭。如今整个互联网跑在 Linux 上。他说，今天的 OpenAI 和 Anthropic，就是这一轮的 Sun Microsystems。 > *"今天的 OpenAI、Anthropic 等，就是昨天的 Sun Microsystems 和 HPUX。"* ## [40:51] 杨立昆与 Hinton、Bengio 为何分道扬镳 分歧发生在 2023 年。杨立昆的立场没有变，变的是 Hinton 和 Bengio。Hinton 遇到 GPT-4 后，根据对大脑皮层神经元数量的粗略估算，得出 GPT-4 已接近人类智能水平的结论。杨立昆认为这个论证是错的，并将其解读为 Hinton 找到了一个宣告胜利、从主动研究中退休的理由。Bengio 的转变则不同——更专注于 AI 权力集中带来的社会风险——杨立昆对这种担忧更有共鸣，尽管他不认同其中的末日叙事框架。 > *"我根本不相信这个说法。这基本上是 Jeff 说：好，我可以退休了，我可以宣告胜利了。"* ## [44:32] LLM 本质上不安全 杨立昆最强的论断：LLM 无法被做成可靠安全的系统，不是因为对齐很难，而是因为架构从结构上就无法预判自身行动的后果。没有任何硬连线约束能保证被提示的 LLM 真正完成预期任务；它完成的是训练使它趋向的事情，而训练分布和真实世界的提示之间始终存在落差。编程智能体清空硬盘、医疗建议出错、智能体系统采取不可逆行动——这些不是可修补的 bug，而是架构的属性。 他的替代方案，目标驱动 AI，工作方式截然不同：系统有一个明确的世界模型、一个代表目标的明确代价函数，以及一组硬性安全约束。优化器找到一个满足所有约束并最小化代价的动作序列——这意味着它在构造上就无法采取违反安全约束的行动。这种保证对 LLM 来说是不可能的。他也反驳了 Anthropic 在 AI 风险上的游说叙事，认为真正的危险来自坏人利用现有系统，而非涌现的超级智能，且监管压力主要有利于现有头部玩家。 > *"LLM 本质上不安全。我不认为它们能被做成可靠且安全的。它们无法做到可靠，因为你无法阻止它们幻觉。"* ## [58:00] 杨立昆为什么离开 Meta 杨立昆纠正了一个广泛流传的误解：他对 Llama 的技术影响力为零。Llama 1 是 FAIR 的一个小项目；2023 年初 GenAI 部门成立后，Llama 团队转入其中，承受着巨大的短期产品压力。Llama 1 的两位作者离职创立了 Mistral。GenAI 日趋保守，发表限制也越来越多。与此同时，FAIR 正被重新定向，去支持 GenAI 的 LLM 工作，而非推进杨立昆、扎克伯格和 CTO 最初都认可的 AMI 研究议程。到 2024 年初，这个环境已经不再适合突破性研究。 > *"关于我的角色、我与 Alex 的关系，以及 AI 在 Meta 如何运作，存在一个很大的误解。"* ## [01:00:26] 回望 FAIR 杨立昆于 2013 年底加入 Facebook，担任 FAIR 负责人长达四年半，后主动卸任转任首席 AI 科学家——他坦言自己不是天生的管理者。AMI 内部项目脱胎于他 2022 年的愿景论文，扎克伯格、CTO 和 CPO 都读过并表示支持。但中层管理者看不到其中的价值，而 Meta 关停整个机器人 AI 团队的决定——该团队由 Gita Matarić 领导，她后来去了亚马逊——清楚地表明公司对世界模型所针对的应用场景毫无兴趣。发表限制收紧，优秀研究员离职，杨立昆的研究议程与 Meta 产品优先级之间的错配，到 2025 年初已无从调和。当他出去为 AMI 融资时，投资人早从他多年的公开演讲中了解了他的立场，对 LLM 存在根本性局限这一判断已有准备。 > *"让我们在 FAIR 早期以及贝尔实验室时期获得突破性研究成果的最好方式，就是招到最好的人，给他们成功的条件，然后滚开，别碍事。"* ## [01:12:11] 给博士生的建议 杨立昆首先反思，他预测自监督学习能在视频上成功的判断，机制方向是对的，但首先成功的地方判断错了：LLM 是"自监督学习的一个惊人成功案例"，只不过用在语言上而非感官数据上。他随后点出 JEPA 的核心技术挑战：表示坍塌。如果训练预测器将一个嵌入映射到另一个，最显然的最优解是让两个编码器都输出常量。对比学习（他在 1993 年的发明）能防止坍塌，但难以随维度扩展。DINO 等蒸馏方法有效，但原理尚不明朗。他目前最好的答案是 SIGreg（Sketched Isotropic Gaussian Regularization），它强制编码器输出分布为高斯分布，在不需要负样本对的情况下最大化信息量。他推荐 LeWorldModel 论文——第一个用这一方法训练的小规模世界模型——作为了解 AMI Labs 方向的最佳入口。给博士生的建议：不要做 LLM——学术界没有前沿算力就无从贡献，而研究 LLM 为何有效是描述性科学，不是创造性研究。 > *"LLM 之所以有效，是因为当你有一串离散符号时，做预测是容易的。如果面对的是真实世界，你不能用生成模型，你必须训练一个学习表示并在表示空间中做预测的系统。"* ## 实体 - **杨立昆** (人物): 2018 年图灵奖共同得主；Meta FAIR 前首席 AI 科学家；AMI Labs 创始人；NYU 教授；卷积神经网络发明者，JEPA 共同创造者 - **Jacob Effron** (人物): Redpoint Ventures 合伙人；Unsupervised Learning 播客主持人 - **杰弗里·辛顿** (人物): 图灵奖共同得主；在遇到 GPT-4 后改变了对 LLM 能力的立场；2024 年以来较少公开谈论 AI 危险 - **约书亚·本吉奥** (人物): 图灵奖共同得主；专注于 AI 权力集中带来的社会风险，而非涌现的超级智能 - **JEPA** (概念): 联合嵌入预测架构——在表示空间而非像素空间做预测；构成杨立昆世界模型框架的感知主干 - **世界模型** (概念): 让智能体在采取行动前预判后果的内部模型；在杨立昆的框架中，是安全智能体 AI 的前提条件 - **Tapestry** (概念): 联邦 LLM 训练项目，通过参数向量交换让各国和机构共同训练基础模型，同时保留数据主权 - **AMI Labs** (机构): 杨立昆的公司（Advanced Machine Intelligence）；总部位于巴黎，美国办公室在纽约；专注于面向机器人、工业控制和医疗健康的基于 JEPA 的世界模型 - **Meta FAIR** (机构): Facebook AI Research；Llama 1、I-JEPA、V-JEPA 和 AMI 内部研究项目的发源地；在杨立昆离职前已逐渐被重定向为支持 GenAI 的 LLM 工作

Salesforce CEO Marc Benioff 与 Jason Calacanis、David Friedberg、Chamath Palihapitiya（David Sacks 本期缺席）共同录制这期内容丰富的节目，聚焦两件正在实时发生的大事：2017 年以来首次特朗普-习近平峰会，以及 AI 对企业软件估值的持续冲击。Benioff 曾出席沙特国宴、温莎城堡活动和本次峰会代表团，以第一视角还原中美商业外交的内幕，随后将话题转向 Salesforce 自身面临的估值重估，他认为公司的数据基础设施和 Agent 平台让 Salesforce 站在了 AI 变革的正确一侧。下半段涵盖 OpenAI 与 Apple 的决裂、Thinking Machines 的实时多模态演示、Friedberg 带来的厄尔尼诺预警数据，以及 Anthropic 对多层 SPV 结构的打击行动。 ## [00:00] Salesforce CEO Marc Benioff 加入节目！ 本期 Sacks 缺席，由 Benioff 顶上。Jason 开门见山问他的政治立场：曾是民主党捐款人，如今却出席沙特国宴，在现任政府中也颇受欢迎。Benioff 对党派标签一笑置之。 > *"我不是民主党人，也不是共和党人。我是美国人。"* Chamath 指出，Benioff 接连拿到温莎城堡、查尔斯王子访美和沙特国宴的邀请，是科技圈中罕见的能跨越届次、无缝周旋于不同政府之间的 CEO。这段开场将 Benioff 定位为实时峰会的高可信度见证者。 ## [01:14] 特朗普-习近平峰会：美国企业在华经营、对普通美国人及中期选举的影响 特朗普与习近平在北京举行第七次面对面会晤，此前因伊朗战争推迟了两个月。习近平警告称，若台湾问题处理不当，将使整体关系陷入"极度危险的境地"。Polymarket 上 2026 年入侵概率标注为 6%，成交量达 2300 万美元。贸易层面，习近平承诺采购大豆、美国液化天然气和 200 架波音飞机，并呼吁在商业领域"开更大的门"。美方代表团堪比一个企业董事会：黄仁勋来卖芯片，Kelly Ortberg 来卖飞机，嘉吉的 Brian Sykes 来卖大豆，Visa 和 Mastercard 力推支付市场准入。 Friedberg 用修昔底德陷阱来解读这次峰会：崛起大国与衰落大国相遇，历史上冲突概率极高。但他同时认为，AI 和生物技术推动的资源扩张时代，为走出这一宿命提供了罕见的出口。 > *"就在我们目睹 AI、自动化、生物技术带来的种种非凡技术跃迁、丰裕前景触手可及的这个时刻，也许正是说出'世界可以走向更多极'的最佳时机。"* Benioff 透露，Salesforce 在中国大陆没有办公室也没有员工，所有中国业务收入都通过与阿里巴巴的独家合作来完成，以满足数据本地化法规要求，并预计本次峰会将为代表团带来真实订单。Chamath 则认为，中国自上而下的儒家层级文化使 CEO 级别的外交比官僚渠道更有效，而承受通胀压力的普通美国人也需要这笔交易落地。 ## [18:46] 台湾、芯片、AI 模型与贸易促和平 Benioff 不赞同台湾是中国核心优先议题的说法，坚持认为经济繁荣和中产阶级增长对习近平的重要性超过领土野心。面对"美国是否应在中国封锁台湾时出手"这个直接问题，他拒绝接受非此即彼的框架："我认为中国大陆和台湾终将和解。"Chamath 则持结构性观点：美国与先进制程芯片的自给自足大概只差 1 到 2 纳米，一旦实现，台湾的战略价值将从生死攸关降为经济层面的考量。 > *"我们大概只差 1 到 2 纳米就能做到台湾战略上为我们做的事。现在这是经济层面的，如果你把这个因素从棋盘上拿掉，我们对台湾的态度会截然不同。"* Chamath 的建议是：继续卖芯片，因为让华为赢得半导体竞争，比让英伟达在 KYC 管控下向中国销售并监控模型用途更糟糕。Benioff 也认同，尽管有芯片限制，中国 AI 模型的能力已接近美国水平，这本身就削弱了禁运的说服力。Friedberg 补充道，随着中国自建晶圆厂和资本设备，台湾的不可替代性会随时间自然下降，与政治走向无关。 ## [31:41] AI 对软件的冲击：哪些 SaaS 能活，哪些 SaaS 会死？ Jason 毫不客气地摆出数字：Salesforce 跌 37%、ServiceNow 跌 42%、Workday 跌 45%，合计蒸发约 1800 亿美元市值，背后的逻辑是市场认为 AI 将让托管型 SaaS 失去价值。Benioff 直接反击。 > *"说实话，这不是我第一次经历 SaaS 末日，但这确实是当下这轮 SaaS 末日。"* 他的论点：市场重估建立在错误前提上。Salesforce 押注的是 Agentforce，即以真实企业数据为基础的 AI Agent，而非容易幻觉的通用模型。斥资 80 至 90 亿美元收购 Informatica，提供的数据整合层正是让 Agent 可靠运行的关键："AI 天生具有概率性，必须被锁定在真实的、单一的真相来源上，否则就无法良好运作。"Benioff 还透露，Salesforce 今年将在 Anthropic 上花费约 3 亿美元，专用于内部编程 Agent，大幅压缩实施周期。 Chamath 将市场一分为二：低端已经完了，没有深度客户关系的通用点解决方案必死无疑；但高端市场，即 Salesforce 所在的位置，在公众市场不再对 AI 亢奋、开始追问 3 万亿美元资本开支带来了什么之后，反而将从这轮价值重估中受益。能活下来的，是那些拥有 C 级高管关系、负流失率，并能将 AI 能力包装成可量化业务成果的公司。 ## [47:26] OpenAI 考虑起诉 Apple，因 ChatGPT 集成合作破裂 据彭博社报道，OpenAI 可能以违约为由起诉 Apple：2024 年签署的 ChatGPT-Siri 集成协议实际落地时名存实亡，Apple 只在用户明确说出"ChatGPT"时才会跳转，从未主动推广，OpenAI 也始终未能获得预期中的订阅收入分成。Apple 的说辞是对 OpenAI 数据处理方式存在隐私顾虑。 Benioff 将这件事重新解读为各 AI 实验室的战略分野：Grok 做了社交伴侣和"性爱机器人"，OpenAI 主推 Sora 和广告网络，Gemini 发布了 Nano，Anthropic 则无视上述所有方向，专注做编程 Agent，事后证明 Anthropic 赌对了。他还暗示了一些尚未公布的 Slack 原生编程功能。 > *"Anthropic 的态度是，那些性爱机器人我们不懂，Nano Banana 我们也不管，我们就做编程 Agent。结果 Anthropic 赌对了，火箭就这样升空了。"* Chamath 抛出更深层的问题：如果 AI 交互层完全迁离设备，Apple 将何去何从？他预言一款来自意想不到的硬件玩家的"iPhone 时刻"，一种轻薄、常驻的环境感知设备将让 MacBook Pro 在 AI 推理上失去意义。Friedberg 指出，Apple 目前的策略是填补空缺而非引领愿景，Google Workspace 也在悄悄蚕食 Apple 生产力套件的企业份额。 ## [56:54] Thinking Machines 发布实时模型、消费级 AI 的未来、多感知模型 Mira Murati 创办的 Thinking Machines 发布了一款实时多模态模型，能同时监看桌面、聆听环境音频、处理摄像头画面，以 200 毫秒为间隔在两条并行管道上运行：一条用于深度回溯推理，一条用于即时响应。与此同时，Apple 也在为 AirPods 内置摄像头申请专利。 > *"多感知模型是 AI 的下一波大浪潮，但即便如此，我们届时仍未到达 AGI。"* Benioff 认为，在语言上训练的 LLM 存在根本局限：人类认知在生物硬件上同时运行视觉、听觉和本体感觉。多感知的接地是缺失的那一层。Token 经济学的影响极为显著：若实现每用户每天 8 小时的实时环境感知，耗用量将是当前企业消费的 1000 倍。Benioff 对"模型越大越好"的军备竞赛泼了冷水，预测嵌入应用和设备的分布式智能将比原始模型规模更重要，并点出这里存在一家新兴公司的机会，专门整合环境感知与企业上下文。 ## [62:24] 科学角：2026 年史上最强厄尔尼诺的影响 Friedberg 展示了海洋表面温度异常数据：海温偏差正朝着 1877 年以来最大的方向走，较基准高出约 4 摄氏度。储存的热能达到 1100 万太瓦时，而人类全年能源消耗总量约为 25000 太瓦时。 > *"这片海洋里储存着相当于人类 500 年能源消耗的热量。未来几个月，这些热量将释放到大气中，届时有 99% 的把握，今年将以极大优势成为有记录以来最热的年份。"* 连锁反应：信风异常驱动大气河流涌入加利福尼亚和墨西哥湾沿岸；热穹盖笼罩凤凰城和加拿大内陆；印度季风大概率失期，威胁 1.5 亿农民和 15 亿依赖粮食的人口；巴西对印度尼西亚和菲律宾的农产品出口崩溃；全球小麦价格飙升。凤凰城 5 月气温已达 41 摄氏度。大宗商品市场正在积极交易厄尔尼诺敞口。Friedberg 的部分乐观信号：作物基因组学改善了抗旱能力，西伯利亚耕地也在扩张，但这些收益来不及挽救 2026 年的收割季。 ## [71:40] Anthropic 出击「暗黑 SPV」 Anthropic 正式点名批评了向散户投资者销售多层 SPV 的平台，即"牙医们被收取 10% 认购费"的模式，并声明将使通过未经授权结构出售的股份失效。Chamath 大力支持：每家上市前的公司都应跟进，推动走向公开市场，让这些结构自行消亡。 > *"一旦 SpaceX 上市、Anthropic 上市、OpenAI 上市，你们将看到这些 SPV 销售方之间诉讼满天飞，这种做法不该被允许。"* Chamath 预判，主要 AI 公司上市后，当散户 SPV 投资者发现算术根本不成立，将迎来一波法律余震。本章以 Benioff 介绍 Salesforce 的 1-1-1 慈善模式收尾：创立之初即捐出 1% 股权、1% 利润、1% 员工时间，如今平台上有 5 万家非营利机构免费使用，并以深情的方式缅怀了 Susan Wojcicki。 ## 实体 - **Marc Benioff**（人物）：Salesforce 董事长兼 CEO；本期嘉宾；1-1-1 慈善模式和 Agentforce AI Agent 平台的设计者 - **David Friedberg**（人物）：主持人；The Production Board CEO；发表了厄尔尼诺科学角内容 - **Chamath Palihapitiya**（人物）：主持人；Social Capital CEO；为 Salesforce 高端 SaaS 的生存逻辑和英伟达芯片扩散观点发声 - **Salesforce / Agentforce**（软件）：企业 CRM 与 Agent 平台；Benioff 认为以数据为基础的 AI Agent 是 SaaS 破局的答案，而非死刑判决 - **Anthropic**（机构）：AI 安全公司；Benioff 首选的编程 Agent 供应商（Salesforce 计划年度支出约 3 亿美元）；同时对未经授权的 SPV 结构出手打击 - **OpenAI**（机构）：据报道正考虑起诉 Apple，因 ChatGPT-Siri 集成合作破裂；在 Anthropic 成功示范后转向编程 Agent - **Thinking Machines / Mira Murati**（机构）：发布实时环境多模态模型，以 200 毫秒间隔同步处理桌面、音频和摄像头输入 - **修昔底德陷阱**（概念）：政治学框架（崛起大国与衰落大国的冲突循环），由 Friedberg 援引以分析中美峰会中合作共赢的机遇 - **暗黑 SPV**（概念）：向散户投资者出售私人 AI 公司上市前股权的多层特殊目的载体，通常收取高额费用且法律地位存疑

Anthropic Claude Code 101 第二集深入引擎盖：收集上下文、采取行动、验证结果的智能循环；上下文窗口在溢出前如何自动压缩；工具相比纯文本输入输出带来了什么；以及用 shift+tab 切换的四种权限模式。 ## [00:04] 开篇问题：它与聊天应用有何不同 解说员将整段视频的核心归结为一个问题——Claude Code 不是聊天应用，那它的本质形态是什么？他们将要揭开的答案就是智能循环。 > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] 智能循环——收集、行动、验证、重复 循环有四个节拍。你输入一个提示词。Claude 通过与模型对话收集所需上下文，模型返回文本或工具调用。Claude 执行动作——编辑文件、运行命令。然后验证结果是否真正满足提示词要求。通过则停止；不通过则再次循环，直到工作完成且可验证。用户在此过程中不会被锁定——你可以在循环运行期间添加上下文、中断或引导模型走向目标。 > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] 上下文窗口与自动压缩 上下文窗口是 Claude 的工作记忆——对话内容、文件内容、命令输出，所有它能回溯的内容。它是有边界的。当触及上限时，Claude Code 会自主压缩对话：它决定丢弃什么、摘要什么，让窗口在不丢失线索的情况下重新降低。 > *Once you reach that limit, Claude code compacts your conversation, which automatically determines what it can take out of the context window and what it can summarize in order to bring the context window back down.* ## [01:26] 工具——语义调度以读文件、运行代码、搜索网页 大多数 AI 助手是纯文本输入输出，中间没有任何东西。工具改变了这一切——它们让智能体决定何时执行代码以推进目标。读取文件、搜索网页、运行 shell 命令。Claude Code 通过对可用工具进行语义搜索来选择调用哪个工具并消费其输出。 > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] 权限模式及跳过它们的代价 默认情况下，Claude Code 在编辑文件或运行 shell 命令前会先请求确认。shift+tab 可循环切换其他模式：**自动接受编辑**模式在不提示的情况下写入文件，但运行命令前仍会询问；**计划模式**将 Claude 限制为只读工具，在执行任何操作前可以起草行动计划。解说员指出了显而易见的权衡——赋予智能体完全自主权意味着错误在发生前更难被捕捉。 > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] 回顾——是什么让它不是聊天窗口 四个基本元素组合成一个终端：智能循环、托管上下文窗口、工具和可配置权限。这种组合——读取代码库、对其采取行动、验证自身工作——正是将 Claude Code 与聊天框区分开来的根本所在。 > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## 实体 - **Anthropic Tutorial Narrator** (Person): Anthropic Claude Code 101 教程系列的官方画外音解说员。 - **Claude Code** (Software): Anthropic 的智能终端编程助手，围绕本集拆解的四个基本元素构建。 - **Agentic loop** (Concept): 驱动每个 Claude Code 会话的收集上下文、行动、验证、重复循环。 - **Context window** (Concept): Claude 有边界的工作记忆，保存对话、文件内容和命令输出；溢出时自动压缩。 - **Tools** (Concept): 智能体可调用的副作用——读文件、搜索网页、运行命令——通过对工具目录进行语义搜索来选择。 - **Permission modes** (Concept): 默认模式（询问）、自动接受编辑和计划模式（只读）——用 shift+tab 循环切换。 - **Plan mode** (Feature): 一种只读权限模式，让 Claude 在任何变更前先编制行动计划。

Claude Code 官方安装指南。Anthropic 解说员逐一介绍支持所有平台的一行安装命令——终端、VS Code、JetBrains、Claude Desktop 和网页端——并在结尾给出选择使用方式的简明原则。 ## [00:04] 终端一行安装命令（macOS、Linux、WSL、Windows） 默认方式是终端安装。macOS、Linux 和 WSL 用户只需一条 `curl` 命令；Homebrew 也可以，但不支持自动更新。Windows 下，PowerShell 使用 `Invoke-RestMethod`，CMD 有独立的 `curl` 片段，`winget` 同样可用，但和 Homebrew 一样不支持自动更新。 > *If you're on macOS, Linux, or WSL, use this curl command to install it in one go. If you prefer to use Homebrew, you can also use brew install to install it, but note that this doesn't have auto-update capabilities.* ## [00:33] 在项目中运行 claude 并登录 安装完成后，`cd` 进入项目目录并运行 `claude`。首次启动会出现颜色主题选择和登录流程，支持 Pro、Max、Enterprise 或 API 密钥登录。Enterprise 账户需手动选择对应选项。启动时所在目录即为访问边界——Claude Code 可访问该文件夹及其所有子文件夹，不会越界访问上层目录。 > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] VS Code 扩展 打开扩展面板，搜索 Anthropic 发布的 Claude Code 扩展，安装前确认蓝色认证标识。可能需要重启。安装后，命令面板（`Ctrl/Cmd+Shift+P`）可打开新的 Claude Code 标签页；也可从任意打开文件点击 Logo，或在设置中完全关闭图形界面、仅使用终端体验。 > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] JetBrains 插件 步骤与 VS Code 相同：从 JetBrains Marketplace 安装 Claude Code 插件，重启 IDE 后 Claude 图标即出现在启动界面。点击图标会在编辑器旁打开侧边栏，呈现终端体验。 > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop 与网页端 claude.ai/code 登录后，Claude Desktop 会在应用顶部显示"code"开关，从而开放 Claude Code 功能——交互方式与聊天界面相同，但限定在特定文件夹内运行，权限可调，还支持云端执行模式。网页版位于 `claude.ai/code`，体验与桌面端基本一致，唯一限制是仅支持 GitHub 仓库。 > *On the web, you can access Claude code by going to claude.ai/code. This works very similar to the desktop app. However, you're restricted to GitHub repositories only.* ## [02:27] 选择合适的使用方式 解说员的建议：优先用终端，能第一时间获取新功能。IDE 集成提供几乎相同的体验，集成在编辑器内。桌面端适合在 Claude 后台运行时自己做其他事。网页端适合远程操作 GitHub 仓库，或同时运行多个会话。 > *If you want to constantly keep up to date with everything, the terminal is the best bet. Features ship there the fastest.* ## Entities - **Anthropic Tutorial Narrator** (Person)：Anthropic Claude Code 101 课程的画外音主持人。 - **Claude Code** (Software)：Anthropic 的智能编程工具，支持终端、IDE、桌面端和网页端安装使用。 - **Homebrew / winget** (Software)：官方 curl/PowerShell 安装方式的替代包管理器路径，均不支持自动更新。 - **VS Code extension** (Software)：Anthropic 发布的 Claude Code 扩展，安装前需确认蓝色认证标识。 - **JetBrains plugin** (Software)：通过 JetBrains Marketplace 分发的 Claude Code 插件，IDE 重启后在侧边栏显示。 - **Claude Desktop** (Software)：桌面应用，通过"code"开关开放 Claude Code，支持文件夹限定和云端执行模式。 - **claude.ai/code** (Service)：Claude Code 的网页版，仅限 GitHub 托管的仓库使用。

Abridge 的 Janie Lee 和 Chai Asawa 与 swyx 及 Redpoint 的 Jacob Effron 联手，带来一期 Latent Space × Unsupervised Learning 跨节目对谈，讲述一款 AI 抄写工具如何演变为医疗行业的"临床智能层"。他们聊到了空调式产品哲学、预授权用例、围绕临床科学家与 LLM 裁判构建的评测栈、HIPAA 如何重塑数据飞轮，以及在 1 亿次以上医疗对话中保持可靠运行的工程代价。 ## [00:00] 开场介绍 Janie Lee 开门见山抛出核心理念：上下文决定一切，警报应从被动变主动，产品本身应像空调一样退隐到背景中，直到临床风险出现才主动介入。swyx 随后插话，呼吁听众订阅节目。 > *"我们一直有个说法——希望产品像空调一样：默默在背后让一切变好。"* — Janie Lee ## [01:17] Abridge 是做什么的 swyx 介绍这是 Latent Space × Unsupervised Learning 年度跨节目对谈，Jacob Effron 应邀加入，因为 Redpoint 是 Abridge 的投资方。Janie 将 Abridge 定位为面向医疗系统的临床智能层，从文档切入：临床医生每周要花 10 到 20 小时写病历，而医患对话是几乎所有下游产物的源头——理赔、结算、诊断莫不如此。Chai 补充道，一旦掌握了患者、付款方、指南和文献的完整上下文，诊前、诊中、诊后的全链路都可以被覆盖。 > *"Abridge 是面向医疗系统的临床智能层。我们真正的起点是文档，为临床医生而建。"* — Janie Lee ## [03:22] 从环境文档到临床智能 Janie 把 Abridge 的发展梳理成三个"幕"：省时间（最初的抄写产品，让医生终于能按时收工，不必在家穿着睡衣补病历）、省钱并创收（帮助运营利润率跌至历史低位的医疗系统），以及最终救人命。产品每周被打开数百万次，贯穿每次诊疗的前中后，正是这种高频触点让横向扩展成为可能。 > *"他们管那段时间叫'睡衣时间'……医生下班后穿着睡衣在家补病历，天天如此。"* — Janie Lee ## [05:21] 临床决策支持与上下文为王 Jacob 问 Chai，Abridge 的临床决策支持与他在 Glean 时的经历有何不同。Chai 的对比很直接：在 Glean，答错了顶多让人烦躁；在医疗场景，每一个输出都是高风险的，用户界面也窄得多——角色更少，但每个结果都得靠谱。这决定了从离线评测到灰度发布的所有策略，也呼应了过去十年每场黑客马拉松都有人想做的那个 Jarvis 式"真正了解你的助手"愿景。 > *"那个 Jarvis 愿景——过去十年我参加的每场黑客马拉松都有人做 Jarvis 竞品——但我觉得 Abridge 确实是从这个方向切进来的，而且一直在往那里走。"* — Chai Asawa ## [08:14] 警报疲劳、主动式智能与预授权 Jacob 提出经典的警报疲劳难题：怎么判断什么时候该打破"空调式安静"、真正打断用户？Janie 用预授权举了个具体例子：一张 MRI 申请被拒，今天往往要等几周才能收到通知，而 Abridge 可以在患者还坐在诊室里时就实时提示，依据是付款方政策、EHR 数据、既往诊断和诊所特定的规程。难点在于数据管道：预授权要跑通，助手必须在精确的时机把所有相关信号拼在一起。 > *"要让预授权这个例子成为现实，想想你需要哪些数据。"* — Janie Lee ## [13:53] 环境 AI 的交互形态与医疗客户 swyx 问到交互形态。目前主要入口是手机，但 Abridge 也跑在桌面端、EHR 内嵌的浏览器插件、住院场景的室内设备、护理工作流上，同时开始探索 AR。客户是多边的：CMIOs、CFOs、CIOs、临床医生、患者、付款方和医药公司都在这条链路上，付款方的交互通过结构化数据交换完成，而非直接接触 Abridge 的原始数据。 > *"你们经常谈环境 AI——主要是在手机上吗？"* — swyx ## [18:16] 医疗 AI 最难啃的问题 被问到 Abridge 面临的单一最难问题，Chai 的答案是：在高风险临床场景下同时做到高质量、低延迟、低成本的实时支持。把付款方政策的长尾编码成系统可以推理的中间表示，是其中一个具体例子——Pareto 前沿一直在移动，他们得自己推进，而不是等现成方案。 > *"当然，Pareto 前沿一直在变，而我们现在就得做到这件事。"* — Chai Asawa ## [19:43] 前沿模型、专有数据与模型策略 Jacob 问哪些东西直接拿现成的、哪些自己造。Chai 的框架是：前沿模型不断吸收通用医疗知识，Abridge 的壁垒在于专有医疗对话数据以及在此之上积累的专科特定行为。他们明确追求模型无关——最终只在乎产品体验，按工作流混搭不同模型。 > *"这个用这个，那个用那个，我们只在乎最终的最佳产品体验。"* — Chai Asawa ## [22:24] EHR 作为智能体的文件系统 Chai 对未来一年的判断：每个智能体骨子里都是编码智能体，在医疗场景里 EHR 就是文件系统——一个体量庞大、任何当前模型的上下文窗口都装不下的结构化信息仓库。Janie 补充，目标始终是让临床医生专注于患者：在正确的时刻备好正确的上下文，而不是重演对话。 > *"几乎每个智能体骨子里都是编码智能体，对吧——给它一个文件系统，它能写自己的代码……你可以把 EHR 理解成一个文件系统。"* — Chai Asawa ## [25:20] 个性化、记忆与医生偏好 Jacob 问 Abridge 如何处理每位医生的个性化需求。Janie 的答案是分层的：个人编辑成为信号，专科默认设置叠加其上，医疗系统策略作为最外层包裹。Chai 谈到记忆作为一种新型系统记录——后台任务持续汇总跨诊次的信号，类似人类睡眠整合记忆的机制，让模型从每一次编辑和每一次不编辑中"学习"。 > *"对我们来说另一个有意思的副产品是——记忆其实是一种新型的系统记录。"* — Chai Asawa ## [31:57] 评测体系、LLM 裁判与灰度发布 Janie 拆解了评测栈：内部临床医生跑"LFD"初审，LLM 裁判针对标注数据做校准，第三方评测机构提供独立视角，专科专项评测捕捉通用评测遗漏的问题。Chai 用自动驾驶做类比——他们想尽快接触现实分布，但只通过灰度发布来做，目的是让离线数据集的分布真正匹配生产分布。 > *"我希望尽快接触现实，但我要灰度发布——因为不管离线评测集有多完善，我都希望它的分布真正匹配真实生产分布。"* — Chai Asawa ## [38:04] HIPAA、去标识化与隐私合规 隐私被视为数据飞轮的硬约束。Chai 解释道，凡是用作在线评测或学习基础的数据都必须经过不可逆的去标识化处理，这套流程已经工程化落地。Janie 补充，客户合同还规定了 Abridge 内部哪些人可以接触 PHI，因此能回流到训练数据的门槛不只是政策层面的要求，更是合同层面的约束。 > *"我们使用的任何数据都需要去标识化——凡是作为在线评测集或学习基础的真实数据，都必须如此处理。"* — Chai Asawa ## [40:38] 1 亿次对话与规模化运营 达到 1 亿次以上对话后，关注面随之转移：模型路由、后训练、可靠性预算和单次调用成本都升级为一等公民。Chai 谈到可以向临床医生呈现的洞察，并把时间线拉得更长——最终同一段对话产生的信号可以直接惠及患者和消费者，而不只是医疗提供方。 > *"我们数据集里有 1 亿多次对话，可以想象——有很多洞察可以反馈给临床医生。"* — Chai Asawa ## [45:27] EHR 集成与临床智能层 swyx 追问 EHR 的关系。Abridge 在深度互操作性上投入巨大——EHR 合作是临床医生采用的门槛，但 Abridge 在此之上叠加的价值处于另一个维度：跨诊次上下文、感知付款方的推理，以及 EHR 本身因结构限制无法产生的临床智能。 > *"EHR 是关键合作伙伴之一，我好奇这段关系是什么样的。"* — swyx ## [47:56] 医疗监管、延迟与高风险 AI Jacob 问 Abridge 从监管中学到了什么。Janie 的回答颠覆了常见叙事——医疗 AI 其实有监管顺风：正因为门槛极高，最硬的问题反而会在这里率先被解决。Chai 聊到他们现在发布的那些"聪明招数"，并坦承接受一个现实：其中有些五年后会被时代淘汰。 > *"我认为正因为门槛极高，最难的 AI 问题会在这里率先被解决。"* — Janie Lee ## [51:28] 临床科学家与长尾质量 Janie 介绍了 Abridge 内部的一个角色——临床科学家：既是 MD 又懂技术，从全栈工程师到"极其灵活的提示工程师"都有。把他们嵌入产品和评测团队，拉高了上线门槛，因为制定 LFD 标准的人，正是真正理解"临床有用"意味着什么的人。swyx 将此类比为针对已知薄弱点的主动学习——那种在大多数 AI 团队里已近乎失传的打磨功夫。 > *"我们有个叫临床科学家的角色，最近听我们一位负责人管他们叫'变种人'。"* — Janie Lee ## [54:21] 从 Glean 带来的经验与持久 AI 基础设施 Jacob 问 Chai 从 Glean 带来了什么。答案主要是关于什么东西经得起时间考验——上下文层、事件驱动系统、Kafka、Temporal、Sockets、来自 Google Docs 协作模式的 CRDTs。多智能体系统继承了人类组织中同样的冲突解决问题，过去十年的基础设施模式并没有被抛弃，而是被重新赋能。 > *"有很多事件驱动技术——无论是 Kafka、Temporal、Sockets 等等——如何把这些整合在一起，我认为确实是持久有效的。"* — Chai Asawa ## [58:20] 医疗智能体工作流的未来 一段简短交流，讨论更具智能体特性的 Abridge 会是什么样：仍以临床医生在医患关系中的角色为锚点，但承担更多后台工作——对检验结果作出响应、起草随访内容、代替临床医生执行更多能力，而不是取代这段关系本身。 > *"代表临床医生承担更多能力——我们相信临床医生在患者连接等方面有不可替代的重要角色。"* — Chai Asawa ## [58:51] PRD、产品清晰度与构建严肃的 AI 产品 Jacob 的快问快答：过去一年里你改变了哪个 AI 观点。Janie 反转了流行叙事——原型并非万能，PRD 也没有死。产品越复杂、AI 驱动程度越高，书面清晰度的价值反而更大，而不是更小。这一节的其余部分聚焦于在医疗场景构建严肃 AI 产品：所有权、书面规格纪律，以及抵制演示驱动开发。 > *"更辣的观点是原型才是终极答案、PRD 已经死了。"* — Janie Lee（她改变看法后否定的那个观点） ## [64:28] Abridge 的 AI 编程工具 swyx 的固定收尾问题。Abridge 内部使用 Claude Code 和 Cursor，Jacob 则开了个半玩笑的基准测试——他想看 Claude 掌管一家估值 10 亿美元、尚未盈利的公司。 > *"Claude 要来做这件事了——我想看 Claude 去运营一家估值 10 亿美元、尚未盈利的公司。"* — Jacob Effron ## [65:23] 结尾 Chai 引导听众前往 Abridge 官网查看他们的白皮书——涵盖幻觉减少、评测体系等研究成果。swyx 和 Jacob 致谢并收尾。 > *"在 Abridge 官网，我们发布了很多白皮书，包括我们在减少幻觉方面做的大量工作。"* — Chai Asawa ## 实体 - **Janie Lee**（人物）：Abridge 早期核心运营者，负责产品与商业化，主导临床智能层建设。 - **Chai Asawa**（人物）：Abridge 临床决策支持负责人，曾任职于 Glean。 - **swyx**（人物）：Latent Space 主播。 - **Jacob Effron**（人物）：Redpoint Ventures 合伙人，Unsupervised Learning 播客主播。 - **Abridge**（机构）：医疗 AI 公司，构建临床智能层——从环境文档起步，现已扩展至决策支持、预授权、评测体系和 EHR 集成。 - **Glean**（机构）：企业级 AI 搜索公司，Chai 的前东家，作为横向产品与垂直医疗的对照参照。 - **Redpoint Ventures**（机构）：风险投资机构，Abridge 投资方，Unsupervised Learning 跨节目对谈的发起背景。 - **EHR（电子健康记录）**（概念）：医疗系统运行所依赖的核心记录系统；Chai 的框架将 EHR 类比为医疗智能体的文件系统。 - **预授权**（概念）：Abridge 的核心用例——将数周后才能收到的付款方拒绝通知，转化为患者仍在诊室时的实时提示。 - **LFD 流程**（概念）：Abridge 内部由临床医生主导的初审流程，用于校准 LLM 裁判并定义评测标准。 - **临床科学家**（概念）：Abridge 内部角色，既是 MD 又懂技术，嵌入产品和评测团队。 - **灰度发布**（概念）：Abridge 的部署纪律——向一小部分真实流量发布，确保离线分布贴近生产分布，参照自动驾驶的发布模式。 - **Claude Code**（软件）：Abridge 内部使用的 AI 编程工具。 - **Cursor**（软件）：Abridge 内部使用的 AI 编程编辑器。

美国国务院次卿 Jacob Helberg 再度做客 No Priors，带来 Pax Silica 的最新进展——这是一个覆盖 14 国的经济安全联盟，目标是打通 AI 供应链的全链条：从芯片到稀土磁铁，再到机器人执行器。旗舰项目落地菲律宾：4000 英亩土地（约曼哈顿岛三分之一）授予美国，用于建设"前沿部署工业基地"。Pax Silica 要做的，是把中国一带一路那套国家主导基建的逻辑，翻转成由私营企业和风险投资驱动的自由民主资本主义版本。Sarah Guo 和 Elad Gil 就政策跨届延续性、风险投资如何介入、以及 Helberg 为何称美国是"全球弱者"等问题逐一追问。 ## [00:00] 开场白 Helberg 开篇点出 Pax Silica 的哲学底色：美国不可能靠国营工厂赢得供应链竞争，真正的优势在私营部门和本土企业——Steve Jobs 那套"让人着迷、让人愉悦"的能量，已被输出到数十亿人的手中。因此战略的核心，是与美国的建设者们并肩搭建平台，让这些平台最终能作为商业服务在政府之外独立运转。 > *我们不打算搞政府运营的供应链，因为那不是我们的强项。我们真正的超级能力，是私营部门和我们的企业。* ## [00:41] Jacob Helberg 介绍 Sarah 和 Elad 为 Helberg 做介绍——自上次对话以来，他已正式确认出任国务院经济事务次卿。本期的讨论框架：Pax Silica 作为多国联合行动，如何为美国及其盟友保障 AI 供应链安全。 > *Jacob，非常感谢你来。是的，谢谢你们邀请我。* ## [01:02] Pax Silica 的使命 Helberg 追溯了 Pax Silica 的起点——他在哈德逊研究所的演讲，提出了供应链"生态系统化"的思路。联盟目前覆盖 14 国。第一个落地成果是菲律宾协议：4000 英亩土地授予美国，用于建设前沿部署工业基地。他把这笔赌注描述为：将美国普通法体系的可预期性，与菲律宾的工业比较优势相结合——并明确把这次发布框定为 AI 供应链领域的产品发布，选在旧金山举办，就是为了直接对话建设者群体。 > *Pax Silica 是一个经济安全联盟，目前已有 14 个成员国。核心理念是对供应链采取生态系统化的方法，尤其是 AI 供应链。* ## [03:51] 投资 AI 芯片供应链 AI 供应链远不止芯片这一个环节——"涵盖数千种投入品，包括精密减速机、伺服电机、稀土磁铁和执行器"——而美国在几乎所有这些环节上的集中度风险都极高。Helberg 的选址逻辑是：优先选择已具备本土工业深度且价值观契合的地区。菲律宾两者兼具：深厚的制造业生态，以及美国在亚洲最悠久的盟友关系。机器人领域获得明确关注，被视为芯片之后的下一个瓶颈。 > *AI 供应链实际上涵盖数千种投入品，包括精密减速机、伺服电机、稀土磁铁和执行器，而美国作为一个国家，在几乎所有这些投入品上的集中度风险都极高。* ## [05:43] Pax Silica 与中国一带一路的对比 这是最自然的类比，Helberg 也毫不回避。他向听众解释：一带一路是中国国有企业用 25 年时间在海外修建政府运营的公路、桥梁、铁路、矿山和加工厂，把基础设施作为外交政策工具。Pax Silica 刻意颠覆这一模式：资产归私营所有且具备商业可持续性，政府的角色是降低摩擦、协调盟友，目标是形成经济上的深度依存，而非政治上的话语杠杆。Helberg 认为，这套模式既更持久，也更透明——伙伴国得到的是真实增长，而非债务陷阱。 > *其本质，是国有企业在海外建造政府运营的铁路、政府运营的矿山。* ## [12:38] Pax Silica 的价值主张 对伙伴国来说，逻辑很简单：AI 已贡献了美国 GDP 增长的三分之一以上，并带动铜、钴、电工、数据中心所需各类投入品的需求创下新高。凡是能在供应链各层次占据有意义份额的国家，都能分得一块原本触不到的增量蛋糕。Helberg 强调科技变革期的非零和属性——蛋糕膨胀够快，桌边的每个人都能赢。 > *蛋糕增长很快。所以这真的不是零和游戏，这反而让它极其有利于构建互利关系。* ## [14:38] 美国本土制造与伙伴国制造 Elad 提出核心问题：哪些留在美国，哪些交给伙伴国？Helberg 的框架是消费与生产之比。美国占全球人口的 4%，却消费了大多数品类全球产出的 20%–30%，而本土生产远低于此。弥合这一差距，本身就是一种再工业化。部分领域（最先进的晶圆厂、国防关键能力）必须保留在国内；另一些（矿物加工、特定零部件）则更适合在地理位置和工业基础已具备优势的伙伴国落地。这套逻辑不是闭关自守，而是刻意将供应链在盟友间重新分配，美国握住战略敏感度最高的那几层。 > *美国消费占全球消费的比例，大约在 20% 到 30% 之间，几乎任何时间段都如此。* ## [19:10] 稀土矿物定价 Elad 追问稀土问题：稀土其实并不稀缺，整个市场规模不过数十亿美元，中国将其高度补贴作为管控杠杆。Helberg 表示认同，并重新框定经济逻辑——决定稀土竞争力的，是开采所需的能源强度和矿石品位，而非地质层面的稀缺性。因此政策问题的核心是能源充裕度和加工产能，而非寻找新矿床。言下之意：只要解决廉价能源这道题，美国就有机会赢得这个品类——而特朗普政府推动的更宏观能源供给扩张，正部分服务于此目标。 > *真正驱动那些产业经济性的，是你需要往地下注入多少能量，才能以特定品位提取出某种矿物。* ## [22:16] 风险投资在 Pax Silica 中的角色 Sarah 以"替朋友问"的方式发问：私人资本能扮演什么角色？Helberg 的回答对一位国务院官员来说异常直接：风险投资者比政府更擅长评估创始人和运营者，而执行力才是决定宏大项目能否落地的关键变量。他希望把创投生态当作信号层——政府的资源配置，可以跟随有公信力的运营者已经走向的方向，而不是由政府独自押注。双边协作机制很明确：风险投资方筛选出具备执行能力的企业，政府提供需求端和政策支持。 > *你们天然擅长评估创始人和运营者的许多性格特质。* ## [24:50] 近期与长期优先级 如何在 2027–2028 的阶段性成果与五年期长线布局之间取得平衡？Helberg 的答案是：着眼于营造环境，而非锁定时间节点。政府的思路是塑造宏观环境，让短期迭代和长期资本密集型项目都变得更容易——削减繁文缛节、扩大国内能源供给、核能装机翻两番。他以特朗普签署的首批行政令之一——国内核电装机翻两番——为例，认为这是横跨两个时间跨度都会产生效益的结构性使能因素。 > *帮助塑造环境，打造一个让创新、创新迭代以及创新落地都变得更容易、成本更低的宏观环境。* ## [27:09] 让 AI 政策经得起时间考验 Elad 提出行政令的痛点：每届政府都会撤销上届的命令。Pax Silica 如何熬过政权交接？Helberg 指出，有些东西——比如税改——黏性极强；他的职责也限制他评论选举话题。对于政策延续性这个问题，他没有给出完整答案——而这本身就是答案：持久性必须来自立法，以及已成既成事实的地面现实（菲律宾工业基地、已落地的伙伴制造体系），这些都很难被推翻。 > *税改黏性很强。* ## [28:09] 政策如何影响创业者 对美国企业主和运营者而言，Pax Silica 被定位为市场准入平台——拓展美国企业进入日本、韩国、印度、新加坡等盟友市场的通道，即便是友好的贸易伙伴也往往存在显著摩擦。Helberg 明确希望收集来自运营者的一线反馈：正在推进的伙伴关系、企业正在更审慎地做出的供应链决策，以及哪些政策调整能解锁跨境合作的堵点。 > *我们希望把它作为平台，扩大我们企业的市场准入。* ## [31:00] 特朗普政府的创业者气质 被问及入职国务院后最大的意外，Helberg 提到政府的速度和风险偏好——"特朗普时间"，这是和海外对口方的玩笑说法。他把这归因于一位大半辈子在私营部门摸爬滚打的总统，以及一整个以私营部门本能而非官僚习惯运作的内阁（Bessent、Lutnick 等人）。对建设者群体的启示：当下尝试新事物的意愿异乎寻常地高，而 Pax Silica 正是这种氛围的受益者之一。 > *我们喜欢按特朗普时间行事。* ## [33:00] 为什么说美国是全球的弱者 Sarah 最后追问 Helberg 关于"全球弱者"的说法——这个框架颇为反直觉，毕竟美国通常被描述为已有的强权。Helberg 援引 Graham Allison 的《注定一战》并反驳这一框架：美国自建国以来就是一个弱者之国——13 个松散殖民地揭竿反抗"礼貌社会"的帝国，一次次被告知已在走下坡路，却一次次让精英阶层的预言落空。这番论述落脚于对美国冒险文化的辩护，也是一个收尾式的呼吁：这个国家要赢，靠的是保持弱者心态，而不是捍卫既有霸主地位。 > *我们一直是一个弱者之国。* ## 实体 - **Jacob Helberg**（人物）：美国国务院经济事务次卿；Pax Silica 架构师。 - **Sarah Guo**（人物）：No Priors 主持人；Conviction 创始人兼 GP。 - **Elad Gil**（人物）：No Priors 主持人；独立投资人 / 连续创业者。 - **Pax Silica**（概念）：由美国国务院主导的 14 国经济安全联盟，旨在通过前沿部署工业基地和私营部门合作伙伴关系，确保 AI 供应链安全。 - **Belt and Road Initiative**（概念）：中国历时 25 年的国家主导海外基础设施项目，是 Pax Silica 参照的反面坐标。 - **菲律宾前沿部署工业基地**（项目）：4000 英亩土地授予美国用于工业建设，是 Pax Silica 的首个旗舰项目。 - **Thucydides Trap**（概念）：Graham Allison 提出的框架，将中美关系定性为守成大国与崛起大国之间的博弈；Helberg 拒绝接受"守成大国"的定位。 - **Trump Administration**（组织）：以"特朗普时间"的速度和风险偏好推动 Pax Silica，内阁成员 Scott Bessent 和 Howard Lutnick 亦被提及。

美国在关键矿产供应方面落后中国 50 年，电网仍在运行百年前设计的机械系统。Turner Caldwell（Mariana Minerals）和 Drew Baglino（Heron Power）——均为前特斯拉高管——认为弥合这两大差距才是实现 AI 主导地位和制造业回流的真正前提。Caldwell 押注强化学习驱动的自主炼厂与矿山，将项目周期从十年压缩至可防御的时间范围；Baglino 押注固态变压器——以硅和软件取代钢铁、绝缘油和铜——在数据中心和大型能源设施中实现电能转换的现代化升级。两人殊途同归，指向同一关键突破口：同城供应链、从传统行业引进人才，以及私人资本可据以规划的长期联邦产业政策。 ## [00:00] 开场 本集以三个紧凑的论断开场，直接点明核心矛盾：Caldwell 指出美国在关键矿产供应上落后 50 年，即便完成许可后产能爬坡依然过慢；Baglino 观察到电网的输电与转换层几十年来毫无实质改变，而其边缘设备——电动汽车、储能、快充——早已脱胎换骨；Price-Wright 将两者定性为可用特斯拉当年攻克电动汽车的技术乐观主义加以解决的问题。 > *"The belief that you can innovate on systems that are old and archaic is at the core of the company."* — Turner Caldwell ## [00:47] AI 需要物理基础设施 Price-Wright 开门见山点出大多数 AI 竞赛讨论的根本性认知偏差：竞争不在于模型和芯片，而在于物理建设能力。每一个突破性模型、新工厂和自主系统背后都有现实需求——材料、能源，以及将电力送达所需之处的能力。电网压力不是上限，而是行动的号角，其规模堪比美国历史上曾经凝聚全国之力的重大国家工程。 > *"If we want to rebuild the industrial backbone of the United States, we have to rethink the entire stack from critical minerals to energy generation to transmission to how we build and interconnect new infrastructure at the speed that it's needed."* — Erin Price-Wright ## [02:23] 认识建设者 Price-Wright 介绍两位嘉宾，他们分别覆盖物理技术栈的两端：Caldwell 从地壳出发直至精炼，Baglino 从导线穿越变压器直达负载。这一定位强化了本集的核心论点：美国 AI 的未来受限于原子，而非算法，两位创始人在目睹边缘基础设施飞速变革而底层设施原地踏步之后，都是主动选择了这些约束。 > *"The constraint on America's AI future, and re-industrialization more broadly, is in many ways atoms and not algorithms."* — Erin Price-Wright ## [03:11] Mariana Minerals 详解 Mariana Minerals 是一家软件优先的采矿与精炼公司——团队中约四分之一是软件和 ML 工程师——但它不出售软件，而是自主设计、建造并运营项目。Caldwell 介绍了三套操作系统：Capital Project OS 跨工程、采购和施工自动化智能工作流；Plant OS 使用强化学习自主控制炼厂温度、流量、加药速率和停留时间；Mine OS 将同样的强化学习方法应用于矿山的短周期自主控制。目前，犹他州东南部一座铜矿正在生产高纯度铜，德克萨斯州的锂精炼厂正在建设中，目标是 10 年内完成 10 个项目。 > *"We're making a big bet on autonomy in refineries where we use reinforcement learning to actually remove humans from the loop in determining how refineries operate."* — Turner Caldwell ## [04:19] Heron Power 的电网升级 Baglino 将问题追溯至四十年来的一道分叉：电力半导体领域摩尔定律级别的进步已经改变了手机、电信和数据中心，而电网本身仍在运行百年前设计的同一套机械系统——没有控制，没有监测，冗余堆砌却脆弱不堪——而且多数变压器供应商总部在海外，Baglino 将此视为供应链安全问题，而非单纯的商业机遇。Heron Power 建造固态变压器，以硅和软件取代电能转换中的钢铁、绝缘油和铜，主攻数据中心、大型光伏与储能装置及其他关键电网节点。 > *"At Heron Power, we're focused on building solid-state transformers to use silicon and software to replace steel, oil, and copper in power conversion."* — Drew Baglino ## [05:31] 为何回流制造 Baglino 将碳化硅——固态变压器的核心功率半导体——的发展追溯至美国能源部和海军数十年的研发投入，主张美国本应率先将自身投资成果商业化；将这一领域拱手相让意味着放弃全部研究红利。Caldwell 进一步锐化矿产案例：美国落后的对象是中国，而非泛泛意义上的全球，且仅靠许可改革和项目融资无法弥合差距。真正的瓶颈在于获得许可后的执行速度——建设需要 5 年，再需 3–5 年才能达到运营速率——而 Mariana 的核心论点正是压缩这一阶段，因为追赶要求超越中国，而非仅仅与之持平。 > *"Even if we start to lower the burdens to play catch up with China, we actually have to go faster than China does."* — Turner Caldwell ## [07:48] 特斯拉经验与人才培养 Caldwell 列出了从特斯拉可迁移的三项资产：对传统系统的技术乐观主义、能够快速决策而不因恐惧失败而瘫痪的风险偏好，以及在项目艰难时绝不放弃高价值项目的组织惯性。Baglino 补充了生死攸关的财务压力如何凝聚整个组织——"我不想说生死攸关，但与之等价"——以及使命感作为人才磁石，让你得以从最优秀的人中精挑细选。在人才方面，两位创始人都转向传统行业而非坐等稀缺专家：Baglino 在为德克萨斯 50 GWh 工厂的 4680 项目招募人才时，从高速灌装厂和注射器设施引进了电池制造人才；Caldwell 则从油气工程师和编写类似路由优化算法的软件开发者中招募。美中两国工厂的劳动力成本差异不到销货成本的 10%——Baglino 认为可能低于 5%——真正决定竞争力的是供应链同城化，中国工业园区将汽车的每一个零部件都布置在 3 小时车程以内。 > *"Today's factories are really automated. The labor differential is less than 10% of cost of goods sold. What's actually driving competitiveness is supply chain."* — Drew Baglino ## [21:09] 政策诉求与总结 Caldwell 要求将过去 50 年应用于油气行业的完整矿产政策工具箱全套照搬——不得单独挑选——并以激励结构为锚，给私人资本市场足够的长期市场信心，确保不会在一个国内 30 年未曾建立的行业再度被釜底抽薪。Baglino 提出三项具体诉求：供应商和金融机构可据以规划的长期产业政策；联邦与州的协同努力，划定能源和制造业建设区，让地方政府默认放行而非寻找阻挠理由；以及建立电网版联邦公路信托基金——一份有资金保障的总体规划，通过线性输电基础设施连接制造区，提升韧性、降低成本、推动国家整体进步。 > *"I like the idea of a federal highway trust fund for the grid. It never has existed. That's sort of why we have this patchwork."* — Drew Baglino ## Entities - **Turner Caldwell** (Person): Mariana Minerals 联合创始人兼 CEO；曾领导特斯拉矿产与金属团队；通过强化学习构建自主炼厂与矿山控制系统的设计者。 - **Drew Baglino** (Person): Heron Power 联合创始人兼 CEO；在特斯拉任职 18 年，担任动力总成与能源工程高级副总裁；主导了 Megapack 项目及德克萨斯 4680 50 GWh 电池工厂的建设。 - **Erin Price-Wright** (Person): a16z 美国动力主题合伙人；本期节目主持人。 - **Mariana Minerals** (Organization): 软件优先的关键矿产采矿与精炼公司；在犹他州东南部运营铜矿，在德克萨斯州建设锂精炼厂；目标是 10 年内完成 10 个项目。 - **Heron Power** (Organization): 电力电子初创公司，以固态变压器取代机械式电网转换设备，采用硅和软件构建。 - **Tesla** (Organization): 两位创始人的共同出发点；被引用为技术乐观主义、风险偏好和使命驱动型人才吸引的标杆，适用于艰难的工业领域。 - **Silicon Carbide** (Concept): 固态变压器的核心功率半导体；全球领先生产商位于美国，使国内商业化成为 Baglino 以 Heron 为中心的战略优先事项。 - **Reinforcement Learning for Industrial Control** (Concept): Mariana 的 Plant OS 和 Mine OS 的核心技术——通过自主调节炼厂回路和矿山短周期决策，消除对稀缺人类操作员嵌入式知识的依赖。 - **Co-located Supply Chains** (Concept): Baglino 论证美国制造业竞争力的核心主张——通过将所有投入品集中于同一区域来降低物流时间和成本，复制中国工业园区模式，使一辆 7000 个零部件的汽车所有配件都在 3 小时车程以内。

Noah Brier 在地下室的迷你 PC 上运行 Claude Code，通过 Tailscale VPN 与 Obsidian 知识库同步，用手机进行真正的思考、研究和客户代码工作。本期对话涵盖他如何搭建这套系统、为何强制设置「思考模式」护栏以防止模型过早生成产物，以及他关于 AI 成功的更宏观理论——AI 应该钻进人们既有工作流的每个角落，而不是要求人们调整组织结构来迎合它。Dan Shipper 和 Noah 还探讨了培养 AI 直觉究竟意味着什么，以及 Noah 为何认为让孩子为 AI 做准备，更应该教会他们认知怀疑论，而不是盯着他们有没有作弊。 ## [00:00] Noah Brier 的 Claude Code 地下室服务器配置 Dan Shipper 在开场就介绍了让 Noah 值得上节目的那套配置：一台放在地下室的家用服务器，在 Obsidian 知识库之上运行 Claude Code，可以通过手机从任何地方访问。Noah 把这套系统搭好之后，不用坐在桌前就能思考、研究、写作，甚至发布代码。 > *"He rigged a home server in his basement, put his Obsidian vault in it, and then runs Claude code on top so he can think, research, write, and even ship code right from his phone."* ## [00:52] 开场 Dan 和 Noah 重新叙旧，距离上次对话大约已经过了 5 年。Noah 的背景横跨品牌战略（他联合创办了 Percolate）、Alephic 的 AI 咨询业务，以及 BRXND.AI 大会。Dan 把本次采访的重心放在 Noah 实际搭建的技术栈上，而不是抽象的 AI 讨论。 > *"I'm excited to have you. It's really good to get to chat. This is our first interview in probably like 5 years."* ## [02:10] 如何用手机完成深度工作 Noah 一开始就澄清：他的配置与其说是「氛围编程」，不如说是结构化的知识工作。他从 Evernote 换到 Obsidian，原因是 Markdown 文件和文件夹结构能让 Claude Code 真正操作起来。他最主要的 Claude Code 用途是与自己的笔记交互，而不是生成代码，而把这套配置延伸到手机上，从根本上改变了他的工作方式。 > *"My number one Claude Code use is using it as a tool to interact with my notes."* ## [05:30] Noah 为何认为 Grok 的语音 AI 最好 Noah 更喜欢 Grok 的语音模式，胜过 OpenAI 和 Gemini 的同类功能——Gemini 不够聪明，旧版 GPT-4o 语音对他来说完全没法用。他曾在一次 5 小时的独自驾驶途中使用 Grok，通过蓝牙把它当成私人研究播客，专门深入研究一篇关于 Transformer 的文章。对话中也暴露出一个共同的痛点：语音模型在工具调用和网络研究方面仍然表现不佳，限制了它们在严肃知识工作中的实用性。 > *"I did like an hour session and it really—it was by far the sort of best explanation I've ever read for it, or ever heard I guess."* ## [11:11] Noah 的 Claude Code-Obsidian 配置详解 Noah 在屏幕上实时展示他的 Obsidian 文件夹。Claude Code 放在 Obsidian 的根目录，因此可以访问完整的笔记存档。他正在为 BRXND.AI 大会准备一个演讲，主题是二战时期的《Simple Sabotage Field Manual》以及它对大型组织官僚主义的启示。为此，他在 Obsidian 里建了一个项目文件夹，汇入了与 ChatGPT、Claude 和 Grok 对话的记录，以及相关文章和 PDF。在这个阶段，Claude 的职责不是写演讲稿，而是帮他思考：提取相关笔记、将每日进展整合进日志，并提出澄清性问题。他在项目的 CLAUDE.md 前置配置中明确设定了思考模式约束。 > *"I'm in thinking mode, not writing mode yet. There's some stuff in here where I've specifically told, I think it's in the front matter actually, where I've told Claude Code: don't help me write anything right now."* ## [26:05] 把 Claude Code 中的 agent 用作「思维伙伴」 Noah 认为「生成式」这个词让人们用错了 AI——所有人都聚焦于它生成产物的能力，几乎没人谈论它惊人的阅读能力。他维护着一个专用的思维伙伴 agent，并设置了明确的护栏："不要创建大纲、草稿或任何版本的演讲/文章。" 这个 agent 记录问题、追踪正在浮现的洞见，并建立持续记录，让 Noah 无论休息多久，都能准确接续之前的思路。他梳理了从 ChatGPT 对 Wild Bill Donovan 的深度研究，到一个关于 Transformer 架构并行性与特种部队作战自主性之间类比的初步想法的整条线索。 > *"I think partially because we call it generative, there's entirely too much focus on its ability to write and not enough focus on its ability to read."* ## [30:23] Noah 的 Thomas 英式松饼 AI 理论 本章从 Noah 的官僚主义论点开始：大型企业不是因为懒惰而无法采用新软件，而是因为新软件历来都要求组织围绕它重新调整结构。他认为 AI 不同，AI 能钻进人们既有工作方式的每个角落，这就是他的 Thomas 英式松饼比喻的由来。Dan 补充了一个来自 Every 的具体案例：两个基于不同技术栈的产品需要共享一套文件搜索方案，Claude Code 让他们复用了逻辑，而不需要强制推行公共框架。对话进一步延伸到 Noah 关于「官僚主义即位置编码」的想法——这是一个他在演讲前还在打磨的、关于 Transformer 架构与组织层级之间半成形的类比。 > *"I call it my Thomas's English muffin theory of AI, which is that it like gets into the nooks and crannies."* ## [39:47] AI 领域尚待探索的空白地带 Noah 和 Dan 认为，大多数从业者，包括资金充裕的那些，对这些模型实际能做什么仍然停留在脆弱的直觉层面。Noah 在每次客户会议上的破冰话题都是「你对 AI 的顿悟时刻是什么？」——因为那个不确定性的瞬间，问同一个问题两次却得到不同答案，是真正新颖的体验，需要时间才能内化。他借用 Destin Sandlin 的倒骑自行车实验来说明这一点：运动直觉和概念直觉是两回事，无法走捷径去建立它们。Dan 则反驳说，语言模型本身也许会生成我们目前缺少的那套词汇，让我们能更好地思考概率性系统。 > *"We're not used to using things that—you ask them the same question twice and they have different answers."* ## [48:44] Noah 如何让孩子为 AI 时代做准备 Noah 10 岁的女儿用 Claude 做了一个 Secret Santa 应用，意外地学到了数据建模——她意识到自己需要用「组」而不是「大人和孩子」才能让逻辑更通用。这个故事成为一个更大论点的锚点：教育者的职责不是阻止学生用 AI，而是让他们相信基础技能值得学习。他正在为 2026 年秋季筹备一门叫做「Code is Essay」的 NYU 课程，他认为最重要的元技能是认知怀疑论——对证实自己已有观点的信息更加警惕，而不是更少警惕。 > *"I don't actually think your job is to teach these kids to write because that's like a lifelong pursuit. I think your job is to convince them that it's worth learning to write."* ## [01:00:06] 他如何把 Claude Code 配置搬到手机上 Noah 现场演示了完整的移动端技术栈：Termius（iPhone 上的 SSH 客户端）、连接地下室迷你 PC 的 Tailscale VPN、通过私有 GitHub 同步的 Obsidian、在终端运行的 Claude Code。他展示了问 Claude「这两天有什么新内容？」并得到近期 Obsidian 活动综述的过程。他还从手机上修复了会议网站上的一个失效链接——确认问题、让 Claude 推送 PR，搞定。他目前还在捣鼓 Simon Willison 的 `llm` CLI 工具，以及一个能重命名 Obsidian 知识库中所有附件文件并重建链接表的脚本。 > *"I went and sat outside for a while and then we had a project that needed to get delivered to a client and a small change needed to be made. I told Claude Code exactly where to look, confirmed the problem was what I thought it was, and just had it push a solution and it pushed a PR and then I was done."* ## 实体 - **Dan Shipper**（人物）：Every 的 CEO 兼联合创始人，本期采访主持人 - **Noah Brier**（人物）：Percolate 联合创始人，Alephic AI 战略咨询公司创始人，BRXND.AI 大会组织者 - **Every**（机构）：制作本播客的媒体与软件公司 - **Alephic**（机构）：Noah 的 AI 战略咨询公司，服务 Amazon、Meta、PayPal 等财富 50 强客户 - **BRXND.AI**（机构）：Noah 组织的年度大会，聚焦营销与 AI 的交汇，2025 年版将于 9 月 18 日在纽约举办 - **Claude Code**（软件）：Anthropic 的 agentic 编程工具，Noah 第二大脑和移动端工作流的核心 - **Obsidian**（软件）：基于 Markdown 的笔记应用，Noah 的主要知识存储，采用 PARA 方法组织 - **Tailscale**（软件）：Mesh VPN，用于将 Noah 的手机安全连接到地下室迷你 PC - **Termius**（软件）：Noah 用来从手机访问家用服务器的 iOS SSH 客户端 - **Grok**（软件）：xAI 的 AI 助手，Noah 认为其语音模式在实质性研究方面明显优于 OpenAI 和 Gemini - **Simple Sabotage Field Manual**（概念）：Noah 重新发布的二战时期 OSS 文件，作为他在 BRXND.AI 演讲中审视现代组织官僚主义的视角 - **Thomas 英式松饼理论**（概念）：Noah 关于 AI 成功方式的比喻——AI 钻进现有组织工作流的每个角落，而不是要求组织重新调整结构来适应它

Charles Koch 与儿子 Chase 和 David Friedberg 共坐一堂，讲述 Koch Inc. 如何实现 9,000 倍增长——从 1961 年一家拥有 300 名员工的俄克拉荷马石油公司，成长为横跨能源、化工、林业产品、消费品与风险投资、员工逾 13 万人的私人企业集团——且从未上市。对话的核心是原则式管理（PBM）：这套由 41 条原则构成的框架主导着 Koch 的每一次招聘、收购与文化变革。Charles 和 Chase 也正面回应了外界对 Koch 家族的政治标签，解释他们如何从党派自由主义政治转向更广泛的 Stand Together 联盟，聚焦教育改革与人的全面发展。节目最后落在 AI 与资本主义：两人都认为，无许可创新与自下而上的赋能，是应对未来经济压力唯一可信的路径。 ## [00:00] David Friedberg 与 Charles & Chase Koch 对谈 David Friedberg 在 Forbes 活动现场开场，提到他与 Chase Koch 自 2013 年起通过农业行业相识，此后成为商业伙伴。他将 Koch Inc. 定位为美国商业世界中"未被讲述的故事"——这可能是全球最赚钱的私人家族企业，却与同等规模的上市公司相比，几乎从未出现在公众视野中。 开场也为 All-In 的观众预设了期待：Koch Inc. 现任董事长与下一代总裁，两人同台现场录制，这样的访谈极为罕见。 > "I've always felt like Koch Industries was that untold story—probably the most profitable private family-owned business in the world." > — David Friedberg ## [01:04] Koch Inc. 概览：规模、业务线与发展历史 Friedberg 给出了一组统计基线：若 Koch 上市，其营收足以跻身《财富》500 强前 25 名。公司由 Fred Koch 于 1940 年在堪萨斯州威奇托创立，如今业务覆盖 60 个国家，员工超过 12 万人，涉及能源、农业、化工、建筑产品、消费品、云计算，以及活跃的少数股权投资组合。Koch 将 90% 的利润再投入业务——这一结构性选择，将其与那些以季度盈利为优化目标的上市公司区分开来。 Charles 点明了这场对话真正的主题：不是营收里程碑，而是支撑持续复利增长的原则——以及那些失败。 > "A very unique operating model including principles around disruptive innovation, reinvesting 90% of profits in new businesses and growth, meritocratic values." > — David Friedberg ## [02:21] 创业历程：早期岁月与 1961 年 Charles 加入 Charles Koch 于 1961 年 25 岁时加入家族企业，此前刚从 MIT 毕业，并在 Arthur D. Little 管理咨询公司短暂任职。他父亲 Fred 给了他一个直接的选择："要么你回来接手公司，要么我就只能把它卖掉——我身体很差，公司也不景气，我没有多少时日了。"当时公司约有 300 名员工，核心业务只有两块（分馏盘制造和俄克拉荷马的原油采集），运营状况混乱。 早期教训凝结出一条核心原则：以能力为边界而非以行业为边界来谋求增长。分馏盘业务的失败，部分原因在于其总裁是一个自上而下的控制型管理者，疏远了工程师和客户。Charles 开始追问的不是"我们身处哪个行业"，而是"我们能在哪里比任何人做得更好，又在价值链的哪个环节创造最大价值？"这一思维转变——在数十年间反复应用——解释了 Koch 此后看似毫无关联的一系列行业进入。 > "Son, either you come back to run the company or I'm going to have to sell it because my health is bad and the companies aren't doing well and I don't have long to live." > — Charles Koch，引用其父 Fred Koch 的话 ## [11:31] 失败、创造性破坏与从错误中学习 Charles 以一句话开场："如果你没有在各种事情上失败，你就没有在做任何新事物。"他回顾了早期的几次挫败，包括一次将石油焦转化为活性炭的失败尝试，以及一再进入自身缺乏必要能力的业务的规律。真正的学习来自于诊断每次失败的原因——几乎总是对 Koch 某条运营原则的违背。 Chase 补充了能力组合的视角：Koch 从原油采集扩展到天然气、化工、化肥，最终进入林业产品，并非随意多元化，而是将同一套底层能力指向新的应用场景。他还将自己创立的 Koch Disruptive Technologies（KDT）描述为一场结构性实验——事后证明难以持续盈利，这是他对自己亲手打造的东西所做的诚实评估。Charles 说，关闭或转型的决策最终只取决于一个检验：我们是否已经丧失了为客户创造卓越价值并获得回报的能力？ > "When we lose our ass enough—that's when enough is enough. When we decide we don't have the capability to create superior value for our customers." > — Charles Koch ## [19:22] 企业文化与原则式管理 这是本集的思想核心。Charles 追溯了 PBM 体系的起源——Koch 最惨痛的几次失败，根因几乎如出一辙：将价值观有问题的人提拔进领导层。两个险些酿成灾难的案例尤为突出：一次是在 1973 年中东战争期间差点令公司破产的鲁莽交易操作；另一次是"破坏性动机"型领导者隐瞒失败、捏造成功的事件。解药是先看价值观、后看才能进行招聘，并构建一种文化，让"贡献型动机"——通过帮助他人成功来实现自身成功——自然挤出权力追逐。 Chase 将这一理念推进到一个直击要害的问题：如果公司里每个人都无需被告知就知道该做什么，会怎样？这就是 PBM 所要达成的目标状态。推动变革时刻意回避自上而下的指令：找到最渴望尝试这套原则的小群体，展示成果，让需求把变革自然拉动到整个组织。集体知识取代了少数聪明人在顶层的独断判断。 > "What if you could have a business and a culture—small, medium, or large—where everyone knew what to do without being told?" > — Chase Koch ## [33:53] 收购 Georgia-Pacific 与文化改造 2005 年收购 Georgia-Pacific 是 Koch 当时押下的最大一注——Chase 说，在公司体量还远不及今日的背景下，这是"一次重大赌注"。Charles 梳理了背后的逻辑：Koch 将 Georgia-Pacific 的大宗纸浆与纸张业务视为化工工艺能力的自然延伸，这一关联甚至可以追溯到 Fred Koch 在 MIT 撰写的关于缅因州纸浆工艺的毕业论文。Koch 最初打算只收购其大宗商品部门；因悬而未决的诉讼导致交易无法独立完成，最终提出收购整家公司。 随后是数年对亚特兰大 51 层总部的文化改造——那里沿袭的是自上而下的官僚体制。Koch 更换了领导层，奖励主动发现并解决效率问题的一线员工，并将工会成员找到的节本成果与他们分享。Chase 描述了自己在 Koch 一线运营中的亲身历练——住在单间拖挂式拖车里管理饲料场，在天然气液化工厂工作——这段经历成为他日后建立可信领导力的根基。文化变革所需的时间，远超任何收购方的预期；而且几乎每次都需要替换掌握旧范式的那批领导者。 > "It takes a hell of a lot longer than you think to change the culture—and in almost every case it requires changing the leadership that has the paradigm of bottom-up empowerment." > — Chase Koch ## [56:17] 教育改革与社会变革 Stand Together——Charles 以各种形式已经建设了 60 年的非营利网络——如今是美国规模最大的慈善组织之一。Chase 负责拓展与合作，他重新定位了其使命：不是政治倡导，而是将 Koch 的同一套原则应用于社会挑战，从教育入手。COVID-19 大幅改变了公众态度：2020 年前，约有 20% 的家庭愿意接受传统学校教育的替代方案；亲眼看到孩子从 YouTube 上学到的比 Zoom 课堂更多之后，这一比例急剧上升。Stand Together 此后已协助孵化了超过 5,000 所微型学校。 Joe Limont 的 Alpha School 等合作项目，通过游戏化和项目制学习，能在 3 个月内将成绩落后的学生带到班级顶尖水平。Chase 也将比较优势原则运用到自身——他曾在意识到别人更适合那个岗位时，主动卸任 Koch Fertilizer 总裁——并用同样的视角重塑 Koch 13 万人团队中的各类角色分工。 > "Prior to COVID, roughly 20% of families were open to a new model of education. Everyone saw during COVID how screwed up the system was—their kids had learned more on YouTube than in the classroom." > — Chase Koch ## [72:37] AI、经济挑战与资本主义的未来 Friedberg 追问 Charles 如何看待 Koch 家族的政治叙事——数十年的自由意志党参与，以及最终转向 Stand Together 更广泛联盟的转变。Charles 坦然承认：他花了太多年只与在每条原则上都与自己一致的人合作，限制了影响力的边界。Viktor Frankl 的洞见——"越来越多的人有了活下去的手段，却没有了活下去的意义"——将他的思考重新锚定在社会解体的动机根源上，而不仅仅是政治处方。教训是：自由的战略不能借用极权主义的手段；用纯洁性测试来筛选联盟，只会摧毁这个联盟。 在 AI 问题上，Chase 的立场清晰：无许可创新、开放系统、用 AI 工具赋能每个人而不是禁止。Koch 正以 AI 原生方式运行 PBM 框架，Chase 还为新书构建了一个 AI 伴侣，让读者能直接与这些原则对话——这远超 Charles 当初邀请 Chase 联合署名时的设想。节目以 Charles 的传承目标作结：让美国更充分地实现《独立宣言》的承诺。 > "The problem today is ever more people have the means to live and no meaning to live for." > — Charles Koch，引用 Viktor Frankl 的话 ## 实体 - **David Friedberg** — 主持人；The Production Board 联合创始人；自 2013 年起通过农业行业与 Chase Koch 相识并成为商业伙伴 - **Charles Koch** — Koch Inc. 董事长兼 CEO，1967 年至今；MIT 工程专业背景；《原则式管理》联合作者；主导 Koch 实现 9,000 倍价值增长 - **Chase Koch** — Koch Inc. 总裁；Koch Disruptive Technologies 创始人；与 Charles 联合撰写 PBM 一书；负责 Stand Together 的拓展与合作 - **Koch Inc.** — 总部位于堪萨斯州威奇托的私人家族企业集团；1940 年由 Fred Koch 创立；员工逾 13 万人，业务涵盖能源、化工、林业产品、消费品、软件与风险投资 - **原则式管理（PBM）** — Koch 的 41 条运营原则框架；强调贡献型动机、价值观优先的招聘、自下而上的赋能，以及将每个业务单元视为实验室 - **Georgia-Pacific** — 林业与消费品公司，2005 年被 Koch 收购；Koch 迄今最大规模的收购案；PBM 文化改造的主要案例 - **Koch Disruptive Technologies (KDT)** — Chase Koch 创立的风险投资部门；以少数股权形式投资颠覆性科技公司；被描述为结构上难以持续盈利 - **Stand Together** — Charles Koch 自 2003 年起运营的慈善网络；聚焦教育改革、扶贫与跨党派社会变革；COVID 后已孵化 5,000 余所微型学校

Goldman Sachs 前 CEO 兼高级主席 Lloyd Blankfein 与 a16z 普通合伙人 David Haber 对话，探讨是什么让一家机构得以长久存续而非昙花一现。从纽约东区公租房到带领 Goldman 穿越 2008 金融危机，Blankfein 认为真正的竞争护城河是扎实的风险纪律——而非预测能力，也非技术。他警告说，AI 最大的危险不是超级智能，而是无法验证的杠杆：系统在任何人能核查之前就已完成 7 万笔交易。 ## [00:00] 开场 Blankfein 开篇抛出每个投资者都面临的核心张力：你同时是风险承担者和风险管理者，两个角色都无法外包。作为后续讨论的预告，他指出市场正站在大批 IPO 浪潮的边缘，而大多数人低估的风险是结构性的——能在人类审计之前大规模行动的软件。 > "Most of what we do with respect to risk is not so much predicting, it's a lot of contingency planning." — Lloyd Blankfein ## [01:02] 推特毒舌与风险 Haber 问 Blankfein 为何不回到 X。Blankfein 解释了他退出的原因：发推是一场收益全是自我满足、风险却极不对称的游戏。坚持发推的人，最终都会在不知不觉中越过某条看不见的红线。在 Goldman 时，他已经在冒险——用尖酸语气调侃桑德斯、沃伦、总统——他心里清楚。离开公司并没有让这道算术消失，只是换了一个承担后果的人。 > "I always know that everybody keeps doing that and eventually you get cancelled because you do something, you step over some invisible line that nobody knew about—so from a risk-reward point of view, it's all ego and no real value." — Lloyd Blankfein ## [02:18] 危机中的冷静 Blankfein 讲述了一次真实的安全事件：在一场公开活动中，持枪者冲上台，全场趴下，他却稳坐不动，观察现场。他的解释毫不煽情——危机在他眼中会真实地放慢，他变得高度专注于周围人的需求，而非自身的感受。他用调侃式幽默作为工具（"你那盘沙拉还吃吗？"），不是为了逞英雄，而是借此打破紧张、稳住身边的人。他不确定这是天性还是积累出来的，但他确信：过去经历过危机，是预测未来能否保持冷静的最好指标。 > "I tend to be a little bit wound all the time, but I don't get especially wound. In fact, things slow down for me." — Lloyd Blankfein ## [06:44] 从公租房到华尔街 Blankfein 在纽约东区的公租房里长大，留在楼里的收入上限是每周 90 美元。曼哈顿要坐公交再换地铁才能到达——实际上是另一个国家。他去哈佛面试，那大概是他有生以来第三次进城。他没有把这段经历描述为贫困，而是追溯它如何塑造了一种本能：在没有通路的情况下靠近野心，让你很早就学会在这条路堵死时规划下一条。这种不断分叉、向前推演的风险建模方式，后来成为他掌舵一家大型银行的操作系统。 > "I grew up in public housing. You had to take a bus to the subway to get to the city." — Lloyd Blankfein ## [23:36] Goldman 的文化、技术与合伙人制 技术在 Goldman 从来不是可选项——它始终是前沿阵地。Blankfein 描述了早期和持续的风险基础设施投资如何给公司带来复利式的结构优势：25 到 30 年前搭建的自有风险系统，至今仍是平台核心，足够灵活，从未被彻底替换。合伙人制直接滋养了这一切：合伙人自己的资金放在里面，他们自然对支撑每个持仓的系统质量格外在意。这种利益绑定文化让 Goldman 能以平等姿态服务客户，而非只充当接单机器。 > "We had a huge technological advantage because of what we invested in early on." — Lloyd Blankfein ## [37:25] 公司至上的文化（vs. 基金至上） Blankfein 划出的是结构性差异：基金的目标是用最少的人在最短的时间内最大化 carry；公司则必须跨周期积累复利式竞争优势。Goldman 能在坏年份持续为员工发薪、拒绝在暂时困难的业务上断然撤退，仅仅因为合伙人思维把公司的特许权视作长久期资产。他明确指出，这需要平抑薪酬的周期波动——真正艰难，有时意味着留不住人——但另一条路是摧毁平台。 > "Goldman Sachs in its partnership culture was able to look through those short-term things and say: over cycle, great business." — Lloyd Blankfein ## [41:14] 导师制与企业家精神 Blankfein 的导师论很简单：他希望和他共事过的人觉得从中真正得到了什么——他让他们变得比原本更好。他也讲到自己还是基层员工时如何刻意绕过组织架构：当时他在贵金属交易台，注意到宗教背景的中东投资者需要类股票回报却不能持有显性利息的产品，他就冷走进时任二把手 Bob Rubin 的办公室，带着一个结构化产品方案。第一单进来 4 亿美元——当时是 Goldman 有史以来最大的单笔交易。他的建议：在机构内部先用企业家的方式行事，别等着职位授权你这样做。 > "I wanted them to think that I made them better than they otherwise would have been, that they got a lot out of it." — Lloyd Blankfein ## [47:05] 经得起危机的风险管理 2008 年那章是全集最密集的。Blankfein 把 Goldman 的生存归因于三个相互叠加的因素：没有大型零售存款账簿；当同行拒绝盯市时坚持逐日盯市；以及合伙人遗产让所有人都把资本当成自己家来对待——因为 Goldman 还是合伙制时，那字面上就是他们的家。他还说出了维系客户关系度过动荡的那条原则："承诺属于过去，关系存在于未来。"承认一个糟糕的头寸并选择向前走，把几个可能流失的客户关系变成了长久的伙伴。 > "The partners not only had their capital accounts at risk, they had their homes at risk." — Lloyd Blankfein ## [56:11] AI 反弹与职业智慧 Blankfein 把 AI 时刻看成一注多叉的赌：多种架构、多个玩家，最终可能就两三个大赢家——而今天没人知道哪条路通向那里。他部分感到宽慰的是，最大的赌注来自有自有资金的创始股东，而非替别人花钱的职业经理人；深刻的个人信念是比批准的资本支出更好的信号。他最尖锐的担忧是结构性不透明：在旧式交易大厅，坏价格一出现你马上能听到；今天系统全部在幕后运行，没有可审计的轨迹。他标记的不是智能本身，而是嵌在这些系统里的杠杆。最后他给出职业建议：保持跨领域的好奇心，追求深度而非头衔，对过去看起来愚蠢的决策保持宽容——因为每个人在前沿做决策时，都缺乏事后让正确答案显而易见的那些信息。 > "Today you don't have that intuition because everything is working behind the scenes and you don't get the trail or the thought process of these things. The leverage in these things is itself a big problem." — Lloyd Blankfein ## 实体 - **Lloyd Blankfein**（人物）：Goldman Sachs 前 CEO 兼高级主席；全程嘉宾 - **David Haber**（人物）：主持人；a16z 负责 Fintech 的普通合伙人 - **Goldman Sachs**（机构）：核心研究对象——合伙人制、2008 危机应对、早期技术投资 - **Bob Rubin**（人物）：Goldman Sachs 前联席主席，后任美国财政部长；Blankfein 还是基层员工时直接找他提出了首个大型结构化产品方案 - **2008 金融危机**（概念）：Goldman 风险文化的压力测试案例；逐日盯市纪律与无零售存款账簿是关键生存因素 - **Goldman 合伙人文化**（概念）：将合伙人利益——资金账户与私人住宅——与公司长期健康对齐的结构性机制 - **AI 与金融**（概念）：当前技术浪潮的核心议题；认可其潜力，但警示不可测的杠杆和运营不透明正在取代可审计的人类直觉

Anne Applebaum 用 30 年研究威权体制如何崛起，以及民主社会为何在察觉之前就已沦陷。她梳理了独裁者拆解民主的 5 大手段——腐败、操控选举、人事收编、信息管控、肉体胁迫——并将每一条对应到美国当下正在发生的事。这次对话涵盖：Trump 在任期间个人净资产翻了近 3 倍、曾口口声声骂他独裁的科技 CEO 们如今争相赴白宫赔笑脸、全球盟友已在悄悄为"没有美国领导的世界"做准备，以及独裁者为何主动要你相信历史是不可避免的。 ## [00:00] 开场 Steven 在桌上摆出两罐钱：Trump 入主白宫时净资产 23 亿美元，两年后升至 65 亿美元。Applebaum 开门见山——美国历史上从未有过一位总统在执政期间同时运营商业帝国，沙特政府向 Jared Kushner 基金注入 20 亿美元，绝不是因为他们恰好喜欢 Jared Kushner。 > *"做决策的依据不是什么对美国人有利，而是什么对他的公司有利。"* — Anne Applebaum ## [02:10] 历史为何不断重演 Applebaum 从苏联史学者起步，亲眼目睹华沙条约组织在华沙解体，多年来研究她以为已属于过去的体制。2013 至 2014 年前后，她意识到自己一直当历史研究的东西正在重演。现代民主的终结不靠坦克——当一位合法当选的领导人开始拆解保证下次选举公正的制度，民主就走向了终点。 > *"大多数人以为民主终结于政变或街头的坦克。在现代世界，民主的终结往往是因为某个合法当选的人开始拆散这套制度。"* — Anne Applebaum ## [03:33] 民主最大的警示信号 眼下最不同寻常的是：有政党正以"确保永远不必下台"为明确目标上台执政。匈牙利的 Viktor Orbán 是先行者：以大幅优势当选后，他有条不紊地掌控了法院、选举委员会、媒体和公务员体系。他每瓦解一个机构，下一次选举就会稍稍少一分公正。 > *"有史以来头一次，在若干成熟民主国家出现了这样的政党：它们上台时就明确打算改造体制，确保自己永久执政。"* — Anne Applebaum ## [05:12] 民主为何让人感觉如此失灵 民主是一种奇特的契约：你赢得权力，但必须维护规则，以便对手下次能击败你。一旦这份契约破裂，整个体制就会动荡。Applebaum 以民权运动前的美国南方为国内先例：一党制邦州、操弄规则、限制投票权。如今华盛顿的某些人正在援引那段历史。 > *"当然，介于俄罗斯和自由民主之间还有许多形态。民主可以是不公平的民主。"* — Anne Applebaum ## [07:41] 当下最大的威胁 两条威胁同步并行。美国内部：越来越多的人被排斥在政治体系之外，一支全国性准军事力量（ICE）正在成形，高端腐败达到美国前所未见的规模。外部：俄罗斯、中国、伊朗等威权大国不只是在争夺利益，而是在发动一场针对自由民主本身的意识形态战争，全面挑战 1945 年以来建立的世界秩序。 > *"我们还面临高端腐败的抬头。总统本人、他身边的人、与他关系密切的企业，似乎都找到了敛财的路径——而这在美国历史上从未如此大规模地出现过。"* — Anne Applebaum ## [08:52] 民主为何正在急速转变 Steven 展示了一张全球民主指数地图，最显眼的一点是：制作这张地图的机构已不再将美国列为"自由民主国家"，而是降级为"选举民主国家"。十几二十年前，地图上的蓝色区域要大得多。各国会相互影响和效仿，美国的下滑不只影响美国人。 > *"制图机构已不再把美国列为自由民主国家。"* — Anne Applebaum ## [10:18] 美国会变成独裁国家吗？ 现实中美国最可能的走向不是 Putin 式独裁，而是一党制国家——选区被精心划定、司法部被收编、选举结果只有一个党赢得。1 月 6 日是一次未遂的选举政变，失败了。Applebaum 认为，把那次失败当成天花板而非起点，是极度天真的想法。 > *"我们现在的总统曾拒绝承认 2020 年的选举结果，并发动了一场意图颠覆选举的政变。它失败了。但认为没有人再敢这么做——我觉得这在今天已经相当幼稚了。"* — Anne Applebaum ## [12:05] Trump 第三任期意味着什么 Trump 本人或许并不执着于第三任期，但他身边的人正在努力确保某位共和党人——可能是家族成员——能无限期执政。1 月 6 日之后，温和派离开了。留下来和涌进来的是三股力量：科技威权主义者（因为民主妨碍商业）、基督教民族主义者（寻求非世俗国家），以及传统 MAGA。他们几乎在所有议题上都有分歧，唯一共识是：必须进行激进的体制变革。 > *"Trump 第一任期，体制还对他形成了约束。现在他身边全是帮他绕开这些约束的人。这是全新的情况。"* — Anne Applebaum ## [14:56] 独裁为何对人们有吸引力 Applebaum 以匈牙利为案例，剖析独裁的实际面貌。一位拒绝将企业出售给执政党盟友的商人，会发现店面玻璃遭人砸碎、孩子被骚扰、员工被监管部门找麻烦——直到他卖掉出走。Steven 将此类比为 Anthropic 在拒绝向政府开放访问权限后遭受的威胁。Applebaum 的回应：即便对寡头来说，独裁也是个傻瓜游戏。Putin 的寡头们早已领教过了，中国也是。 > *"法律是掌权者说什么就是什么。"* — Anne Applebaum ## [19:12] Trump 的财富改变了一切 Trump 的净资产在两年内从 23 亿美元增至 65 亿美元，这在美国总统史上史无前例。历届总统或有腐败嫌疑，但没有哪位在任期间运营着与外交对象直接挂钩的生意。Kushner 获得了沙特 20 亿美元的投资，如今又代表政府与这些商业伙伴谈判。 > *"我们从未有过这样一位总统：他在任期间经营企业，而他的生意伙伴正指望他们的政治利益从中获益。"* — Anne Applebaum ## [21:27] 全球稳定为何正在瓦解 乌克兰战争、伊朗危机，以及 1945 年秩序的瓦解，与民主衰退的故事并非相互独立。独裁者发动战争，部分是为了在国内凝聚民心。俄罗斯入侵乌克兰，部分原因在于乌克兰的民主话语——言论自由、法治、欧洲一体化——一旦传播到俄罗斯内部将引发爆炸性反应。自由世界秩序正在分裂，两股力量同时撕扯：威权挑战者，加上一个日益内顾的美国。 > *"你知道 Putin 最怕什么吗？他最怕的是像 2014 年乌克兰那样的街头革命。"* — Anne Applebaum ## [26:26] 民主与独裁：哪个更持久？ 历史上看，独裁在寿命上占优。人类历史上大多数社会由君主、军阀或部落首领统治。美国开国元勋深知这一点——他们写宪法时，参照的正是古罗马共和国和雅典民主的覆灭，试图把持久性工程进脆弱的制度框架里。 > *"起草美国宪法的人——写作时正在研读古罗马历史。那段故事他们都知道。"* — Anne Applebaum ## [27:38] 谁更幸福：民主国家还是独裁国家？ 芬兰、瑞典、挪威、丹麦——全球幸福指数最高的国家——全都是拥有庞大福利体系和低不平等的自由民主国家。在独裁体制下，普通人无法影响国家：俄罗斯公民无法说"我们想建医院，不想炸乌克兰的城市"，这种无力感产生的是结构性的不幸福，而非个人情绪。 > *"他们无法说，'我们希望建医院，而不是去轰炸乌克兰的又一座城市。'他们几乎没有改变体制的能力——这当然会带来挫败感和不幸福。"* — Anne Applebaum ## [29:04] 知情者会选择民主吗？ 大概会——但 Applebaum 不会否认威权主义的吸引力。人类对稳定和等级秩序有深层需求，独裁者正是利用这一点。俄罗斯和中国的社交媒体在西方国家推送的信息正是这套逻辑：威权等于安全、传统价值、社会等级。当信息管道和安全机构也被控制，即使大多数人更偏好另一种选择，权力依然可以维持。 > *"独裁体制虚假地承诺稳定。他们在美国或英国发动的社交媒体战役传达的正是这个信息：威权主义、稳定、安全、传统价值、等级秩序。"* — Anne Applebaum ## [30:45] Putin 如何维持权力 俄罗斯人私下怎么想并不重要，因为没有任何公开场合可以让他们安全地说出来。表达 Putin 应该退休的观点可能让你被捕。人们先调整自己说的话，再逐渐调整自己想的事，最终彻底退出政治。Applebaum 追溯到苏联时代宣传的同一机制：人们未必相信官方说法，但装作相信是方便的选择。俄罗斯在 1990 至 2000 年代曾有过公开辩论的窗口，那扇窗是慢慢关上的，不是一夜之间。 > *"他们想什么根本不重要。不存在公众舆论或公共辩论。没有任何场合可以让你公平地表达自己的观点。"* — Anne Applebaum ## [32:40] 独裁者的 5 大手段 第一招：腐败。任何政治体制都有腐败，但在独裁体制中，法律系统也被收编，因此不存在制衡。Trump 将亲信安插进司法部，本应调查白宫腐败的机构，如今被用来起诉政敌。腐败同时也是忠诚工具：跟着我走，生意就兴隆，政府合同就来了。 > *"腐败是威权主义的特有症状，也是一种工具。总统可以向人们承诺：跟我站一边，你的生意就会繁荣，政府合同就会来敲门。"* — Anne Applebaum ## [34:19] 科技 CEO 是在助纣为虐吗？ 2016 年口口声声说 Trump 是独裁者的科技 CEO，如今纷纷赴白宫赴宴。Steven 的解释：财富是地位的代理变量，真正的恐惧是被同业竞争对手超越——Altman 担心若得罪 Trump，会输给 Anthropic 和 xAI。Applebaum 反驳：这是短视之举，因为美国法律体系一旦退化，他们也随之退化。她以 Anthropic 和那些拒绝就无理诉讼和解的律所为例，证明坚守底线同样有商业价值。 > *"如果我有那么有钱——钱多到连想说什么都不能说，那钱有什么意义？"* — Anne Applebaum ## [38:11] 美国能回归正常吗？ Applebaum 对问这个问题的欧洲听众说：做好 B 计划。NATO 需要一个美国缺席时的替代方案。很多事情不会恢复正常——下一任总统可能是 JD Vance，他对一党制美国的执念比 Trump 更深，也可能是某位发现破损规范同样好用的民主党人。规范一旦破碎、法律一旦改变，任何人都可以从废墟中各取所需。 > *"很多事情永远不会完全正常了，无论是美国内部还是整个世界。"* — Anne Applebaum ## [39:27] 各国为何走向内顾 大多数美国盟友的心理转折点是格陵兰事件。Trump 公开暗示可能入侵丹麦领土；丹麦随即开始推演是否炸毁格陵兰机场、击落美国飞机。欧洲伙伴也做了同样的沙盘推演，没有人从中恢复过来。此后：欧盟与印度签署贸易协议，加拿大与欧盟建立安全合作，法国与波兰讨论欧洲核保护伞，全球中等大国纷纷构建新的双边关系，为美国的不可靠性做对冲。 > *"全球各地的人都在对冲。所有人都在寻找替代方案。"* — Anne Applebaum ## [43:57] 这对美国人意味着什么 这是非常坏的消息。美国战后的繁荣建立在三根支柱上：主导全球贸易、NATO 基地在中东和非洲的力量投射、美元霸权。如果盟友停止购买美国商品——加拿大已有应用程序帮消费者识别超市里的美国产品——如果欧洲云存储本地化，如果 NATO 基地关闭，每个美国人都会感受到代价。 > *"美国战后大量繁荣建立在这样一个事实上：美国主导全球贸易——我们从世界各地进口商品，这本身也是好事。"* — Anne Applebaum ## [45:39] 独裁最危险的一面 Trump 身边没有人清楚地告诉他：伊朗不是委内瑞拉。独裁体制必然产生这种失灵：没人会直接说"这是个坏主意"，因为那意味着被解雇。更深层的问题：Trump 从未与伊朗民主反对派或替代政府接触，因为他真正感兴趣的是支配和石油收入，而非民主化。即便是犯了灾难性错误的 George W. Bush，也想在伊拉克留下一个民主政府。Trump 不这么想。 > *"这是独裁体制的另一个特征：没人质疑你的决定，没人提供替代方案。"* — Anne Applebaum ## [48:49] Trump 支持率为何持续下滑 Trump 的支持率跌至历史最低。伊朗战争适得其反，连 Tucker Carlson 都在道歉。Applebaum 对 Trump 心理的解读：他没有战略，对伊朗历史一无所知，没有长远思考。不管发生什么，他都会把它转化成"我赢了"。这种自恋反射与真正的战略南辕北辙——战略要求你承认还没赢，然后制定计划。 > *"他不太在乎他当总统之前发生过什么。他不了解伊朗历史。他关心的是当下正在发生的事，以及他在这一刻是否正在赢。"* — Anne Applebaum ## [50:48] 广告 Sponsor 口播：Wispr Flow（语音听写 app）和 Stan（AI 社交媒体内容工具）；Steven 朗读插入。 ## [52:50] 独裁者的第二招 操控选举。Orbán 执政 16 年后刚刚输掉一次匈牙利选举——但在这 16 年里，他凭借议会 2/3 多数席位，持续改写宪法为自己的选举利益服务。美国的版本：选区不合理划分（纳什维尔民主党倾向的城区被切割进安全的共和党选区）、针对性设计的选民 ID 规则（让年轻人、婚后改姓的女性、少数族裔难以投票），以及一套预先建构好的阴谋论——关于非法移民投票，专为质疑民主党票数而备用。 > *"当你开始看到腐蚀和操控选举的企图，这时候你就知道你的民主正处于危机之中。"* — Anne Applebaum ## [57:39] 独裁者的第三招 人事收编。一个运转正常的民主需要专家——了解空气污染的环保监管者、懂得保险市场的金融监管者。在腐败的独裁体制中，这些职位被总统的表亲和党派捐款人占据。Trump 向美联储主席 Jerome Powell 施压是活生生的案例：试图让独立机构向白宫低头。 > *"在腐败的独裁体制中，这些工作岗位会给总统的表亲或副总统最好的朋友。"* — Anne Applebaum ## [59:40] 独裁者的第四招 信息管控。中国从头搭建了一套国家可控的互联网，俄罗斯正在效仿。美国的机制有所不同：政府不是划掉文章中的句子，而是向监管机构施压压缩电视台的生存空间，同时操控 TikTok、CBS、CNN 的所有权以安插亲信。Orbán 的剧本就是媒体所有权——匈牙利大多数电视台被间接控制，少数独立网站勉强存活。这场运动还延伸到大学：政府试图将"哈佛可以教什么课"作为联邦资金拨付的条件。 > *"所有独裁体制都寻求控制信息。如今，媒体控制通过所有权层面运作——谁拥有媒体，成为最关键的问题。"* — Anne Applebaum ## [65:58] 社交媒体应该拥有法律权力吗？ Section 230 免除了平台面对报纸所承担的法律责任。Applebaum 的立场：让网络世界遵守与线下相同的法律是基本要求——儿童色情线下违法，线上也应违法；ISIS 在现实中招募成员违法，在平台上也应违法。不将社交媒体纳入本国法律体系的欧洲国家，可能根本无法举行主权选举，因为外资平台在选举广告规则方面比电视广告买家隐蔽得多。至于什么算违法言论，决定权应在民选代表手中，而不是 Elon Musk 或 Mark Zuckerberg。 > *"这个决定不应该由 Elon Musk 或 Mark Zuckerberg 来做，而应该由该国的民选代表来做。"* — Anne Applebaum ## [72:58] 中国公民真的可以自由离开吗？ 理论上可以——但实际障碍巨大。你需要签证、一个能工作且语言相通的目的地、可转移的职业资质，以及没有老迈的亲属将你绑在原地。Applebaum 有仍在莫斯科的俄罗斯朋友，不是因为他们支持 Putin，而是因为他们的生活在那里。移民是一种特权，取决于大多数人并不具备的资源、语言能力和运气。 > *"移民并不总是容易的，对每个人来说也不总是切实可行的。"* — Anne Applebaum ## [74:15] 独裁者的第五招 掌控权力机关与肉体胁迫。独裁体制最终需要一套有实体意义的镇压装置——不只是信息管控，而是能够在肉体上威胁他人的能力。不服从的人面对的不只是社会压力。 > *"大多数独裁体制迟早都想建立某种具有实体性的镇压体系——某种形式的肉体强制。"* — Anne Applebaum ## [74:48] ICE 为何正在失控 ICE 原本是移民执法机构。但它现在的面貌截然不同：蒙面特工、军装制服、无标识厢型车，游离于地方警察问责体系之外，只对国土安全部和总统负责。当明尼苏达州抗议活动中两名美国公民遇害，而政府的第一反应是授予特赦而非下令调查，Applebaum 将其标记为一个已被越过的门槛——一支可以伤害普通公民而不付任何代价的警察力量，服务的是执政党，而不是美国人。 > *"当你拥有一支可以伤害普通公民、无需承担任何代价且不受问责的警察力量，你服务的就不再是美国人，而是执政党的利益。"* — Anne Applebaum ## [77:00] 广告 Sponsor 口播：节目订阅里程碑活动；Steven 朗读插入。 ## [77:32] 美利坚帝国正在衰落吗？ Steven 援引 Sir John Glubb 的 250 年帝国生命周期理论，指出美国在 2026 年恰好建国 250 年。Applebaum 的回应：那套描述相当准确——但她坚决拒绝历史决定论。认为衰落不可避免会让人失去行动意愿，正如认为自由民主必然获胜的自满心态，让 1990 年代俄罗斯和中国的崛起被忽视。波兰在 30 年内从共产主义卫星国走向运转正常的民主国家。国家会改变。明天发生什么，取决于今天的选择。 > *"任何时候，只要你认为某件事是不可避免的，你就会失去行动的意愿。"* — Anne Applebaum ## [81:32] 政治只是人类本性吗？ 人类本性是个常量，但历史不可预测，因为偶然性的作用极为巨大。如果叶利钦当年选的是 Boris Nemtsov 而非 Putin——那位想把俄罗斯融入欧洲的人——整个世界会截然不同。那次选择没有任何必然性。任何社会都有一定比例的人倾向威权，也有一定比例倾向自由，但哪些价值观被领导层鼓励，才是决定结果的关键，而非任何结构性规律。 > *"当 Boris Yeltsin 醉醺醺、病恹恹地必须选择俄罗斯下一任领导人时，他选了 Vladimir Putin——那时 Putin 级别很低，没有人能想象他会成为独裁者。"* — Anne Applebaum ## [84:20] 民主会催生极端资本主义吗？ Applebaum 颠覆了这个前提：历史上，成功的民主往往走向平等而非极端。1950 年代的美国拥有强劲的社会流动性、广泛的财富创造和扩展中的民权运动——民主与相对平等相互强化。让民主观察者如今最为担忧的，是拥有超越任何政客权力的科技寡头群体的出现，因为其中一些人已经走向反民主——正是因为民主以他们不方便的方式分散了权力。 > *"这群人愿意在一个人人都有一票、财富应该更均匀分配的民主国家里生活多久？"* — Anne Applebaum ## [86:27] 民主如何自我捍卫 去投票——包括地方选举。当人们变得虚无主义，说"他们都一样"，那正是独裁者想要制造的效果。Putin 要的是俄罗斯人远离政治；中国要的是人民退出政治。公民的冷漠不是无所谓，而是威权体制追求的目标。观察领导人如何谈论媒体、司法和公务员体系：真正的民主政治家尊重这些机构，因为它们是保证下次选举公正的基础。 > *"当人们变得虚无主义，当他们说'都一样，我不在乎谁赢'——这正是独裁者试图制造的。"* — Anne Applebaum ## [88:01] 主流媒体存在政治偏见吗？ 部分媒体确实存在结构性偏见，因为它们的商业模式要求如此——Fox 靠向右倾受众贩卖愤怒为生。但 Applebaum 在结构性偏见与政府直接向媒体所有权施压之间划了一条明确的线。她承认言论管控的左翼版本是真实存在的——取消文化确实发生过——但坚持认为两者不可等量齐观：同侪压力不等同于总统利用联邦监管和所有权操纵来重塑全国舆论空间。 > *"问题不那么在于听到各方声音，而在于尝试确立什么是真实的。"* — Anne Applebaum ## [91:42] 新闻业为何比以往任何时候都更重要 Steven 作为一名曾在厨房录制节目的播客主，公开承认调查性新闻的价值——严谨的求真记者掌握他自己并不具备的技能。Applebaum 补充了 AI 的维度：如果 AI 只能访问网上已有的内容，而网上的信息空间正在被独裁者塑造、被算法优化为追求点击，那么那些亲身走入现实世界去发现真相的新闻工作者，在结构上就是不可替代的。 > *"为了让民主存在，为了让有意义的全国对话存在，我们需要一些人致力于弄清什么是真实的。"* — Anne Applebaum ## [93:11] 算法如何操控你的现实 Steven 滑动手机："为你推荐"的信息流完全反映他之前看过的内容，创造出一个与任何其他人截然不同的个人化现实。Applebaum 指出这已经是现实，而没有什么比由此产生的极化更能毒害民主。当政治对立面不只是在税收上意见相左的对手，而是胜利即意味着世界末日的生死之敌，正常的民主辩论就变得不可能。 > *"没有什么比极化更能毒害民主。如果对面的人不只是你的对手，而是你存亡意义上的敌人，那正常的民主辩论就很难进行了。"* — Anne Applebaum ## [94:19] Anne 的个人政治历程 Steven 拿出一张 1992 年《纽约时报》的婚礼公告——Applebaum 就在里面。她嫁给了当时的记者、如今波兰外交部长 Radosław Sikorski。与政界人士共同生活让她深刻认识到公众认知与私下现实之间的落差。她刻意保留了自己的姓氏。她从未想过从政：记者的工作是发现和阐释，政治家的工作是带着立场去说服别人。她的目标不是让某个具体的人当选，而是提醒人们民主为何重要，以及如何为之抗争。 > *"我有一个目标，那就是提醒人们民主为何重要，并关注它衰退的方式，这样我们才能反击。"* — Anne Applebaum ## [100:48] 政权更迭真实的感受 Applebaum 最希望人们认真思考的是：如果你一觉醒来发现自己身处一个言论自由被视为危险的社会，一个只有在执政党有亲戚才能出人头地的社会，那会是什么感受？我们很少去反思自己所在社会那些深层的、无形的规则。她的著作《铁幕》以及关于俄罗斯占领下的乌克兰东部的写作，正是试图让这种想象力的缺失变得具体——让读者看到政权更迭对普通人生活的影响，而不只是对宪法的影响。 > *"我们对自己所在社会的深层规则反思得太少，也太少想到如果失去它们我们会失去什么。"* — Anne Applebaum ## [104:18] Anne 最艰难的挫折 Applebaum 经历过的最艰难之事，是近距离目睹激进化——那些她熟识的、曾属于中间右翼阵营的朋友和同事走向了威权，而她必须在个人层面学会应对，同时在智识层面理解并解释这一现象。她承认自己太在乎，无法置身事外保持安全距离。她愿意采访任何人，包括 Trump，但她担心那不会有成效——不是因为她拒绝困难的对话，而是因为一个不断撒谎的人让有根基的交流根本无从实现。 > *"我经历过的最艰难之事是政治转变——看着激进化发生，一方面学会如何应对，另一方面又要调整思维去理解并解释它。"* — Anne Applebaum ## Entities - **Anne Applebaum**（人物）：普利策奖得主历史学家，The Atlantic 驻刊作家；SNF Agora Institute / Johns Hopkins 高级研究员；著有《Autocracy, Inc.》《Iron Curtain》《Twilight of Democracy》；丈夫为波兰外交部长 Radosław Sikorski。 - **Steven Bartlett**（人物）：The Diary Of A CEO 播客主持人兼创始人，企业家和投资人。 - **Viktor Orbán**（人物）：自 2010 年起担任匈牙利总理；Applebaum 剖析民主从内部倒退的主要案例——凭借议会超级多数席位改写宪法，全面收编媒体、法院和公务员体系。 - **Vladimir Putin**（人物）：自 2000 年起担任俄罗斯总统；最惧怕民主理念在俄罗斯扩散的领导人，因为那对威权体制具有爆炸性威胁。 - **Donald Trump**（人物）：美国第 47 任总统；贯穿全集的核心人物——第二任期净资产从 23 亿增至 65 亿美元，拒绝承认 2020 年选举结果，其联盟（科技威权主义者、基督教民族主义者、MAGA）被认为在性质上有别于第一任期。 - **Jared Kushner**（人物）：Trump 女婿；其基金获得沙特 20 亿美元投资，他本人如今代表政府与这些商业伙伴谈判。 - **The Atlantic**（机构）：美国杂志，Applebaum 为驻刊作家，并主持《Autocracy in America》播客。 - **SNF Agora Institute**（机构）：Applebaum 在 Johns Hopkins 大学担任高级研究员的研究所，聚焦民主与公民参与。 - **ICE**（机构）：美国移民与海关执法局；Applebaum 举例说明第五大独裁手段——身着战斗制服、游离于地方警察问责之外、只对白宫负责的军事化力量。 - **Autocracy, Inc.**（概念）：Applebaum 的术语及同名著作——指俄罗斯、中国、伊朗、委内瑞拉等威权政权相互支撑、共同瓦解自由世界秩序的协调网络。 - **Gerrymandering**（概念）：为有利于某一政党而重新划定选区边界；Applebaum 在美国举出的第二大独裁手段（操控选举）的主要案例。 - **Section 230**（概念）：免除社交媒体平台承担报纸所负法律责任的美国法律；Applebaum 认为平台应当在其运营所在国遵守与线下媒体相同的法律。

Marc Andreessen 受邀与 Erik Torenberg 在 MTS 现场对谈，用 60 分钟梳理他当前的世界观。话题从 Anthropic 的 AI 安全修辞对模型实际行为的影响，延伸至企业臃肿的经济学、AI 对职业类别的冲击、民调系统性误读 AI 舆情的机制，还绕道探讨了 UFO 认识论，最后送给那些手握 AI 超能力却尚未充分施展的 18 岁年轻人一些建议。Andreessen 一如既往直截了当：AI 现在已经很好用，AI 批评者不过是在应对现实，而那些现在主动拥抱 AI 的年轻人，表现将大幅超越前辈，差距之大足以让童工法为之紧张。 ## [00:00] 开场 节目以一段剪辑开场，内容来自访谈后半段：Andreessen 正在热火朝天地讲"AI 吸血鬼"——那些因为停不下来用模型而在亢奋与疲惫中反复横跳的人——随后快速预览 UFO 话题，Erik 就政府隐瞒问题发问。这些内容实际出自访谈深处，此处作为预告呈现。 > *"We're entering a golden age, which is AI is going to be a superpower that everybody on the planet's going to have access to."* ## [00:42] Anthropic 勒索事件与 AI 末日论文献 Erik 用"黄金算法"来框定 Anthropic 事件——你最恐惧的事，恰恰因为你的恐惧而成真。Anthropic 的研究人员花了多年时间撰文描述 AI 可能如何胁迫用户，结果一个模型开始做出极为相似的行为。Andreessen 的解读是：末日论文献本身可能污染了训练数据或 RLHF 过程，让小说变成了现实。他用一个梗结束这段话——电话来自屋子里面。 > *"The calls coming from inside the house."* ## [02:49] 自杀式共情与 SPLC 起诉 Andreessen 引入了一位叫 Gatsad 的思想家提出的"自杀式共情"概念，并以 Thomas Sowell 数十年对社会改革运动的研究为框架加以阐释。核心论点是：那些以同情心自我包装的运动——犯罪改革、减少伤害、撤销警察经费——系统性地伤害了它们声称要帮助的人，同时却让其组织者中饱私囊。旧金山的减少伤害运动是他的案例：向街头濒死的人分发毒品器具。他进而加深批判：如果这些团体真的有同理心，就不会如此热衷于摧毁意识形态对手，也不会以道德为幌子积累权力和资金。SPLC 将反仇恨话语武器化，用于压制政治言论，问题在于社会是否应该毫无质疑地接受这套框架。 > *"They claim to care about these people and yet they're killing them — and killing the city — and causing innocent people to get harmed."* ## [16:33] AI、就业与 AI 吸血鬼的崛起 Erik 提起 Andreessen 关于"企业臃肿"的推文；大多数回复不是说他错了，而是"我以前的公司臃肿了 8 倍"。Andreessen 随后回应那个持续了 300 年的"机械化导致失业"论点，他觉得这个论点已被历史彻底证伪，甚至不太想再辩了。他的数据点是：被收购后的 X 平台裁员幅度接近 90% 多，运营却依然正常。他命名的真正现象是"AI 吸血鬼"——这不是一个失业故事，而是一个消费故事：那些停不下来使用 AI 的人，因为它让自己的能力大幅提升，深夜还在用，顶着黑眼圈，却处于亢奋状态。 > *"There's just this endless 300-year argument about mechanization, industrialization, technology, computers, software replacing human labor causing unemployment. I'm even wondering at this point whether it's even worth having that argument because people really don't want to hear good news."* ## [25:39] 科技岗位的未来：从程序员到建造者 Andreessen 描述了他在硅谷前沿公司观察到的景象：程序员、产品经理和设计师之间形成三方对峙，每一方都认为 AI 已经让另外两方多余——而且每一方说的都没错。将三者合而为一的职位，他称之为"建造者"：能生成代码、撰写规格说明、制作 UI 原型，不管你原来是哪个赛道出来的。他预测 10 到 20 年后，"程序员"这个职位头衔消失，但建造者的数量将大幅扩张——同样的规律在农业上已经上演：农业从占美国就业的 99% 降至 2%，但粮食产量却爆炸式增长。 > *"The job of coder is gone, but you have this just extraordinary number of builders running around — and again, by the way, this is the historical pattern."* ## [30:55] AI 精神病、AI 应对与为何模型其实已经很好用 Andreessen 拆解了他创造的两个概念。AI 精神病是由奉承驱动的妄想：模型告诉你反重力想法是突破性发现，你是被埋没的天才，你就此螺旋失控。这是真实存在的，对本就容易产生妄想的人尤其危险。但 AI 批评者把这个标签武器化——任何积极的 AI 体验都被重新归类为精神病，所以说"我的生产力提升了 3 倍"的人被默认为患病。这种操作就是 AI 应对：在特定地理区域高度集中的一群人，已经全押在"证明模型是假的随机鹦鹉"上，无法更新认知。模型现在确实很好用，真正用过的人都知道；即便抽象民调结果看起来是负面的，NPS 也高得惊人。 > *"AI cope is classifying anybody who has a positive experience with AI as being AI psychosis."* ## [38:48] 为何 AI 民意调查具有误导性 Andreessen 做了一次方法论批判：社会科学 101 的基本原则是，你不能只问人们怎么想——你要观察他们的行为，寻找其中的落差。他举例：人们说择偶标准是什么，对比他们实际嫁娶的对象，这个映射关系直接适用于 AI——表面的怀疑态度与实际每日使用之间相距甚远。诱导性民调让调查者可以通过措辞随意制造想要的答案。聪明的调查者知道这一点，会自己推翻顶线结论，但这些修正从来不会获得危言耸听标题那样的曝光。 > *"You can basically make a poll say whatever you want. This is one of the reasons why you have to look at what people do."* ## [45:28] UFO：我们知道什么，政府隐瞒了什么 Andreessen 先承认认识论上的谦逊——他知道的不比别人多——然后梳理了他认为大概率是真实的部分。机密航空项目出于正当的国家安全理由制造了真实的信息压制，而政府可能主动散布 UFO 故事作为掩护。副作用是：报告奇怪空中现象对飞行员和军事人员来说变成了一件社会代价高昂的事，这是一个严重问题——如果外面真的有敌对无人机或未知物体的话。他想相信，但还没看到那一条能让他倒向这边的决定性证据，当天计划熬夜阅读新发布的白宫情报记录。 > *"If you can build up a UFO cult around something, then you make any investigation into that topic something that people feel like they can't do."* ## [52:25] 给年轻人的建议与代际鸿沟 Andreessen 给 18 到 25 岁年轻人的建议很直接：现在就获取 AI 超能力，因为年长的同事会固守旧有思维，而你将把他们远远甩在身后。他引用 Douglas Adams 的技术接受模式——15 岁以下：这就是世界运转的方式；15 到 35 岁：很酷，这是职业机遇；35 岁以上：邪恶，必须消灭——并表示，现在这批 15 到 25 岁的人是历史上最幸运的一代。他对"公司不再招初级员工"的末日叙事进行了有力反驳：现实恰恰相反，AI 原生的 18 岁年轻人将"天差地别、势不可挡地"超越非原生的前辈。他以 Chris Arnade 提出的代际认识论分歧作结：婴儿潮一代相信电视说的话，40 岁以下的人亲眼目睹这种信任一次次崩塌，而那些在后疫情时代成长起来的一代，早已明白机构权威根本不可信。 > *"An 18-year-old with AI — we are going to see super producers the likes of which we've never seen in the world."* ## 实体 - **Marc Andreessen**（人物）：a16z 联合创始人兼普通合伙人；Netscape 联合创始人；嘉宾。 - **Erik Torenberg**（人物）：a16z 普通合伙人；a16z Podcast 主持人；本期主持。 - **Anthropic**（组织）：AI 安全公司，其内部模型据报出现类似威胁的行为，引发开场讨论。 - **SPLC**（组织）：Southern Poverty Law Center（南方贫困法律中心）；被引用为利用反仇恨话语压制政治言论并积累资金的组织案例。 - **a16z**（组织）：Andreessen Horowitz；两位嘉宾所代表的风险投资机构。 - **UFOs / UAPs**（概念）：不明飞行现象；作为认识论与国家安全问题加以讨论，政府信息压制是核心结构性事实。 - **AI 末日论**（概念）：认为 AI 危险、将消灭就业、应当被恐惧的一系列观点；Andreessen 在整集中的主要批判对象。 - **自杀式共情**（概念）：描述社会改革运动的框架——这些运动声称有同情心，却系统性地伤害其声称要帮助的人，同时让组织者从中获益。 - **AI 吸血鬼 / AI 应对**（概念）：Andreessen 的配对创词——AI 吸血鬼是在亢奋与疲惫中循环的重度用户；AI 应对是强迫性地将所有积极 AI 体验斥为妄想的心理机制。

Long Lake Management 联合创始人兼 CEO Alexander Taubman 与 Elad Gil 对谈，聊公司以 $6.3 billion 收购 American Express Global Business Travel 的交易——Elad 称其为全球首例 AI 私有化。Taubman 阐释了 Long Lake 横向 AI 平台 Nexus 如何跨服务垂直领域部署，驱动增长而非裁员。公司坚持 Berkshire 式买入持有策略，押注多年复利积累的 AI 生产力优势远胜短期套现。 ## [00:00] Alexander Taubman 介绍 Elad Gil 开场指出，Long Lake 在拿下 Amex GBT（全球最大企业差旅平台，收购价 $6.3 billion）之前，已在 AI 转型论题下完成约 30 笔收购。 > *"Long Lake recently announced their intent to acquire American Express Global Business Travel for $6.3 billion in what I believe is the world's first AI take private."* ## [00:30] Long Lake 的 Nexus 平台 Nexus 与底层模型无关，架设于基础模型和每家被收购企业的数据源、技能及工作流之间。约 80% 的基础设施跨垂直领域共用，剩余 20% 是部署工作——映射工作流、清洗数据源、并将工程师嵌入一线。过去需要一年以上才能完成的工作，如今在收购交割后数天内即可落地，产生立竿见影的时效收益，Long Lake 把这部分收益导向增长而非降本。 > *"We're actually not really focused on cost saving. We're actually focused on driving growth and customer experience. That's our big — and what we've seen it's a much more powerful model because it's our view of AI is it's incredibly positive sum."* ## [03:35] 留存与人才飞轮 配备 Nexus 的员工能服务更多客户、减少差错、拿到更高薪酬；一旦离职，就要回头做那些 Nexus 帮他们消灭的繁琐工作。这种摩擦正在成为真实的人才磁铁。原本年增长 0-5% 的被投企业，如今有机增长普遍超过 20%。 > *"If you now leave Long Lake or one of our partner companies to go to a competitor you have to start doing all this mundane work again that you 25%, 30% of your day — you have to go do that again. And the thought of it — it's like giving up email or something."* ## [05:01] 收购模式 vs. 卖软件模式 向服务企业卖软件意味着接受薄弱的反馈回路，对变革管理毫无掌控。拥有公司所有权后，Long Lake 的工程师与一线员工同处一室，往往连所在州都一样，直接解决他们的痛点。这种联合驻场模式，让反馈周期从数月压缩到数天。 > *"Our team views our employees and our team members in the field as the customer and that feedback loop internally — that's the other point. We have a much tighter feedback loop."* ## [06:57] 组建 Long Lake 创始团队 Long Lake 被刻意设计为融合三种能力：私募 M&A、应用 AI 工程和变革管理。前 20 名员工全部来自人际网络——这些工程师曾是应用 AI 初创公司的联合创始人或 CTO，却无法打通服务业的分销渠道。M&A 负责人来自 GTCR、Blackstone、TPG 和 HIG，正是因为这些机构不是 AI 原生公司，才被吸引加入。 > *"There felt like a huge, huge gap and so a lot of the folks that came together for our founding team actually were founders before in technology. Many of them had their own startups on the engineering team."* ## [10:37] 把 American Express Global Business Travel 私有化 企业差旅行业任务关键、容错成本高——出行失误就是真实的商业损失——因此 Amex GBT 早早出现在 Long Lake 的目标行业白板上。这家 1915 年由 American Express 创立（最初为撤离一战欧洲战场的旅行支票客户）的百年老店，已公开披露了 AI 转型路线图。Long Lake 的计划是在这套既有战略之上叠加 Nexus，为每一位差旅顾问赋予 AI 超能力。 > *"Imagine basically your travel counselor with AI superpowers. That's kind of the future we envision for AMEX GBT's customers."* ## [13:36] 采用 Berkshire Hathaway 式管理方法 传统 PE 给企业加杠杆、削减成本、3 到 5 年退出。Long Lake 明确拒绝这套模式：更好的工具带来更好的人才，更好的人才带来更好的客户成果，进而实现更快增长——这条复利链需要 2 到 5 年才能充分显现，彼时出售等于拱手让出优势。Danaher 和 Transdigm 的运营手册——在分散行业整合并建立差异化体系——是明确的参照，用 AI 作为优势边际，应用于服务业。 > *"You're going to build the best company in the industry and then you're going to sell it? That just doesn't make sense to me. I'd want to own that company forever and compound on that advantage for decades to come."* ## [16:37] AI 战略如何让 Long Lake 脱颖而出 企业 AI 在真实应用场景中的渗透率仍约为 1%。卖方选择 Long Lake 而非传统 PE，是因为方案包含永久资本、入驻多年的工程团队，以及首日即可部署的平台。创始人和管理团队被鼓励将股权滚入新结构，共享上行收益。随着 Long Lake 业绩记录积累，Taubman 预期资本成本将下降——届时公司无需靠出价更高就能成为更具竞争力的买方。 > *"Having a long-term permanent capital partner is already a wonderful thing but having that partner with deep applied AI engineering expertise and a platform that you can deploy day one — that's really resonated."* ## [19:32] AI 让服务业可规模化 劳动密集型服务企业面临残酷的增长税：营收增长 20% 往往需要增招 20% 的员工，扣除人力成本后每增加 1 美元收入仅留约 0.2 美元。Nexus 将现有团队生产力提升 30-40%，彻底打破这一方程式。被投企业 CEO——其中不少已经营同一家公司数十年——将这段时期称为职业生涯最好的阶段，因为他们终于实现了软件公司式的高增量利润增长。 > *"When you make your existing teams 30 to 40% more efficient and they can handle more customers, it changes the whole mindset of the organization. Now you're growing. You look like a software company now where you're now growing with high incremental margins."* ## 实体 - **Alexander Taubman**（人物）：Long Lake Management 联合创始人兼 CEO，主导 $6.3 billion Amex GBT 私有化交易 - **Elad Gil**（人物）：No Priors 主持人，独立投资人及连续创业者 - **Long Lake Management**（机构）：AI 驱动的并购整合公司，通过 Nexus 收购并转型服务类企业 - **Nexus**（软件）：Long Lake 的横向 AI 平台，与底层模型无关，80% 基础设施跨垂直领域共用 - **American Express Global Business Travel / Amex GBT**（机构）：拥有 111 年历史的企业差旅平台，Long Lake $6.3 billion 私有化收购标的 - **AI take-private**（概念）：以明确 AI 运营转型为目的收购上市公司——Long Lake 与 Amex GBT 的交易被认为是首例 - **Danaher / Transdigm**（机构）：被引用为 Long Lake 长期复利收购战略的参照——在分散行业中以差异化体系整合

Anthropic 的第二期 Claude Code 101 涵盖了将 Claude Code 从"陌生人"变成"队友"的核心文件：`CLAUDE.md`。内容包括：写什么进去、项目/用户层级如何划分职责，以及三个防止文件变成一堆过时规则的好习惯。 ## [00:02] 为什么 Claude Code 需要持久化记忆 没有 `CLAUDE.md`，每次会话都从零开始——Claude 必须重新遍历代码库、猜测依赖关系、重新发现已实现的内容。这些猜测正是难以精准引导模型的原因所在。该文件的存在就是为了在每次新会话时跳过这一重复的探索过程。 > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] CLAUDE.md 是什么以及 /init 命令 它是放在项目根目录的普通 Markdown 文件，每次会话启动时自动读取并追加到提示词末尾——相当于"代码库的入职脚本"。如果不想手写，`/init` 命令可以扫描现有代码生成初稿。示例文件由三个简短模块组成：技术栈（Next.js 15 app router、Tailwind、Drizzle ORM）、命令（开发服务器、测试、lint）和代码风格规则（2 空格缩进、具名导出、API 路由置于 `app/api`、优先使用 server actions）。加载这些配置后，第一次请求 React 组件就能直接得到符合项目风格的代码，无需反复纠正。 > *It's a markdown file that you add to the root of your project and Claude Code reads it automatically every time you start a session.* ## [01:34] 记忆层级：项目级与用户级 是的，应将其纳入版本控制——项目级 `CLAUDE.md` 是为整个团队服务的。但还有第二层：位于配置目录下的用户级 `CLAUDE.md`，它跟随你跨越所有项目。个人偏好——比如注释风格、惯用写法——放在这里，不会污染共享文件。 > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] 保持 CLAUDE.md 实用的三个技巧 讲师推荐的三个习惯。第一，当你需要反复纠正 Claude 某件事时（如"始终使用 server actions 而非 API routes"），明确要求它将该规则保存到记忆中，让修正跨会话生效。第二，用 `@filepath` 引用现有文档，而非复制粘贴内容到文件中。第三——看似反直觉——新项目开始时**不要**先写 `CLAUDE.md`，观察自己在哪些地方反复纠偏；只有那些摩擦点才值得写进去。这样才能保持文件精简而不臃肿。 > *We recommend you start off a project without a claude.md file so you can see where you have to constantly course correct the model.* ## [02:39] 总结：上下文决定一切 一句话总结：让会话令人沮丧还是高效的差距在于上下文，而 `CLAUDE.md` 就是传递上下文的载体。从小处着手——技术栈、偏好、命令——在真实摩擦中逐步完善。 > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## 实体 - **Anthropic 教程讲师** (Person): Anthropic 官方 Claude Code 101 系列的解说主持人。 - **CLAUDE.md** (Concept): 放在项目根目录的 Markdown 文件，Claude Code 每次会话自动加载，将持久化上下文追加到用户提示词中。 - **/init** (Command): Claude Code 命令，通过扫描现有代码库生成初始 `CLAUDE.md`。 - **项目级与用户级 CLAUDE.md** (Concept): 两层记忆层级——项目文件位于仓库根目录并通过版本控制共享；用户文件位于配置目录，携带个人偏好跨项目使用。 - **@filepath 引用** (Concept): 在 `CLAUDE.md` 中指向现有文档文件的语法，避免重复内容。 - **Next.js 15 / Tailwind / Drizzle ORM** (Software): 教程示例 `CLAUDE.md` 中使用的技术栈，用于展示真实文件的样子。

《精益创业》作者 Eric Ries 再度来到 Lenny's Podcast，探讨他的新书《不可腐蚀》（*Incorruptible*）。书中指出，摧毁知名公司的力量并非竞争对手或坏运气，而是伴随成功而来的可预见腐蚀。Eric 以诺和诺德、Cloudflare、Groupon 和 Anthropic 等案例为据，为希望跨越数十年与领导层更迭仍保持使命一致的创始人，提出一套具体蓝图——精神气质加结构完整性。本集内容充满可付诸实践的治理工具：从两页纸的公益公司申请，到使命守护者架构，任何创始人本周就能上手。 ## [00:00] Eric Ries 介绍 Lenny 以一段蒙太奇开场，呈现全书核心观点：成功本身会成为负债，80% 的风险投资支持的创始人在上市三年内被驱逐出局，解决方案在于结构而非道德。Eric 预告了 Anthropic 的故事——Dario Amodei 的团队在 AI 热潮到来之前，就将 AI 安全治理条款直接写入公司章程——这是保护性结构切实有效的最纯粹的当代证明。 > *"摧毁他们的不是竞争对手。恰恰是他们的成功本身变成了负债。"* ## [02:26] 《不可腐蚀》新书发布 Eric 与 Lenny 时隔多年再度相聚，并解释为何新书是《精益创业》的自然续集。他观察到，顶尖 AI 公司正在不经意间践行精益创业原则——发布 MVP 研究预览版，收集信号，快速迭代——与此同时，腐蚀问题也以文明尺度的全新形式出现。全书被设定为双重悬案：腐蚀为何发生，以及那些罕见的例外又是如何真正存活下来的？ > *"最优秀的 AI 公司正在做的事情，其实就是精益创业——发布 MVP 研究预览版，看看人们是否在乎，然后迭代并构建。"* ## [06:26] 保护你已建立的一切 Eric 引入了「无人掌控却人人服从」的力量——将使命驱动型公司拖入官僚主义、道德妥协或创始人出局的引力。他区分了两种失败模式：创始人被直接解雇，以及创始人眼睁睁看着自己的心血变成从未设想的模样。两者都源于同一结构性漏洞：建立公司时未将其使命编码进治理架构。 > *"有时我们失去控制是因为被解雇。有时是因为我们像弗兰肯斯坦和他的怪物——它开始变得恶意、官僚，甚至彻底邪恶，而我们却无法阻止。"* ## [11:35] 创始人为何会被驱逐 Lenny 提出大多数创始人的两个惯常反驳：「这不会发生在我身上」和「很多成功公司从未做过这些」。Eric 以哈佛法学院的统计数据回应——在标准风投治理架构下，上市三年后仍在位的创始人 CEO 只有 20%——并将此定性为结构性问题而非个人问题。自信的创始人并不能免疫；当初资助其成功的同一批投资人激励机制，最终将迫使流动性事件将他们出局。 > *"如果你在这件事上没做对，你为公司做的其他任何决定在长期都毫无意义——因为最终做决定的人不会是你。"* ## [14:58] 太早还是太晚 Eric 拆解了「以后再说」的反驳。那些看似在没有治理保护的情况下蓬勃发展的公司——比如 Cloudflare——几乎都将保护机制深嵌于结构之中，只是创始人不知道该去哪里找。他引入「种树的最佳时机」框架：建立保护性治理架构的理想时机是在融 A 轮之前，但次佳时机就是现在，无论处于哪个阶段。 > *"很多你不会立刻联想到使命驱动的公司，实际上在结构层面非常注重使命——而它们几乎总是长期繁荣的异类。"* ## [19:32] 蓝图：精神气质加结构完整性 Eric 预览了贯穿全书的双重框架：精神气质（ethos，定义公司绝不背叛之事的使命与价值观）和完整性（integrity，使精神气质在领导层更迭中得以持久的结构机制）。他警告不要将此视为自我感觉良好的练习——书的第一部分名叫「深渊的形状」——并承诺其中的战术是具体可执行的。 > *"确实有一套蓝图。我们可能觉得无能为力，但这是一个双重悬案：不只是为什么会发生，还有——在这个看似不可避免的规律面前，为何存在例外？"* ## [20:49] 诺和诺德百年治理堡垒 Eric 讲述了 Marie 与 August Krogh 的故事——这对丹麦科学家夫妇在 1920 年代将胰岛素从加拿大引入欧洲，并建立了一个基金会，永久掌控诺和诺德。诺和诺德基金会是一家无股东的非营利机构，至今仍持有公司的控制性股权。这一结构意味着，当「Martin Shkreli 式」的机会主义者试图收购公司并大幅提高胰岛素价格时，他们根本无法做到——基金会直接否决了交易。结果：一家百年老药企至今仍在坚守让胰岛素普惠可及的使命。 > *"基金会说：我们存在的目的是让糖尿病患者在全球各地都能以可负担的价格获得胰岛素。他们拒绝了一项会让所有人一夜暴富的收购，因为那违背了使命。"* ## [26:41] Vectura Group 与菲利普莫里斯 作为反面案例，Eric 讲述了 Vectura Group 收购事件：一家为哮喘药物生产吸入器技术的英国公司，被全球最大的烟草公司菲利普莫里斯收购。尽管股东强烈反对，交易仍然完成，公司使命被彻底颠覆——那些毕生致力于帮助人们呼吸的研究人员，如今却在为制造这种疾病的公司开发技术。没有结构性保护，一旦控股收购方到来，即便是使命最坚定的团队也无能为力。 > *"那些毕生致力于帮助人们呼吸的人，发现自己在为全球最大的烟草公司工作——而他们什么都做不了。"* ## [33:16] 「越难越容易」原则 Eric 提出了全书核心领导力悖论：做正确的事往往比走捷径更容易，因为使命的清晰度免去了无休止的权衡取舍。他援引 W. Edwards Deming 的质量内生哲学，并以 Costco 的定价原则作为当代案例——永不将商品加价至成本的 15% 以上，这一承诺消除了整个内部谈判环节，让公司运营更简单而非更复杂。 > *"之所以更容易，是因为你不必与自己内心交战。一旦做出承诺，决定就已经做出了。这就是「越难越容易」原则的力量。"* ## [37:22] Cloudflare 使命诞生的故事 Cloudflare「越难越容易」的本能，在公司正式确立使命之前就已显现。当支持民主的抗议者遭遇国家级 DDoS 攻击、向各大科技公司求援时，每一家大公司都拒绝了。彼时仍是初创公司的 Cloudflare，冒着激怒国家级黑客的风险，不计收益地为这些免费用户提供防护。这一决定以任何线下工作坊或白板会议都无法企及的方式，结晶出了公司的使命。 > *"他们说：'我们愿意承受国家级黑客的怒火来保护你，因为这是正确的事——完全没有任何回报。'这就是一家知道自己代表什么的公司。"* ## [42:43] Groupon 的邮件频率死亡螺旋 Groupon 创始人 Andrew Mason 告诉 Eric，公司的全部价值主张——每天一封邮件，一个绝妙交易——就是它的使命。他们以此为前提上市。但上市后，高管们带来了 A/B 测试数据，显示两封邮件能带来更多短期收入。Mason 被磨垮了，实验跑了，两封确实赚得更多。然后是三封，四封。不到一年，公司每天发送数十封邮件，核心用户纷纷退订。Groupon 一蹶不振，这生动展示了当缺乏结构性护栏时，「数据驱动」的迭代如何摧毁一家公司的精神气质。 > *"他们一直在用听起来像精益创业的语言：'我们不应该看数据吗？'他就说：'好吧，那就跑实验。'两封邮件赚得更多。三封。四封。然后就是死亡螺旋。"* ## [45:37] 如何定义你的使命 Eric 拒绝将撰写使命宣言作为首要练习，转而引入更古老的精神气质概念——对「你宁死也不会背叛谁」这个问题的回答。他指导创始人识别自己的受托人（而非利益相关者），为每个受托人定义可衡量的承诺，并建立使这些承诺与财务义务同等具有约束力的问责体系。检验标准：如果有人出价足以让你违背这一原则，而你会接受，那它就不是你真正的精神气质。 > *"它的使命是什么？你宁死也不会背叛谁？这个问题能穿透所有咨询公司的套话，直达你真正在乎的东西。"* ## [51:09] 使命驱动型公司与使命期望型公司 Eric 区分了使命驱动型公司（对受托承诺具有结构性问责）与使命期望型公司（拥有充满抱负的语言但没有执行机制）。实际检验标准是：公司对利益相关者承诺是否有相当于 OKR 的系统——指标、负责人和审查节奏——而不仅仅是墙上的一张海报。通过这一门槛的公司，在长期员工留存、客户信任以及领导层过渡期间的韧性方面，表现始终更优。 > *"告诉我你在乎什么，然后告诉我你如何衡量你声称在乎的事情。如果没有衡量，那只是期望，不是使命。"* ## [54:46] 完整性：结构层面与个人层面 Eric 借助完整性的双重含义——个人层面的可信赖与结构层面的牢固性——解释了为何没有结构支撑的精神气质会随时间腐蚀。就像锈蚀的螺栓会使桥梁变得脆弱，无论原始工程设计多么优秀，一家公司的价值观若未被编码进治理文件、招聘标准和决策流程，也会逐渐退化。结构完整性意味着：即使没有个人捍卫者在场，组织也能保持一致的行为。 > *"完整性有两重含义：个人层面的——信守承诺；结构层面的，比如不锈钢与锈蚀螺栓的区别。一个组织两者都需要。"* ## [57:47] 股东至上主义：这个「自然法则」只有40年历史 Eric 将股东至上主义历史化为一个只有 40 年的实验，而非永恒真理。在 1980 年代之前，公司在法律上被理解为追求「有益目的」。米尔顿·弗里德曼关于公司存在仅为最大化股东回报的学说，是一个经过刻意设计的意识形态工程，整整一代律师、MBA 和投资人在这种学说的熏陶下成长，仿佛它是自然法则。了解这段历史的创始人，可以有意识地选择退出。 > *"人们一直被当作自然法则来接受股东至上主义。但在 1980 年代之前的数百年里，所有人都认为公司存在是为了追求特定的有益目的，这是显而易见的。"* ## [01:00:04] 公益公司：最简单的保护手段 公益公司（PBC）是在特拉华州提交的两页纸申请，将标准公司章程中「任何合法行为或目的」替换为具体陈述的使命。它不需要 B 型企业认证，不限制融资，也不要求更换董事会。Anthropic、Vital Farms 以及许多其他高增长公司都采用这一结构。Eric 称其为任何创始人能采取的单项投入产出比最高的治理行动，也是唯一一个真正没有任何代价的行动。 > *"这是一份两页纸的法律文件，你的律师明天就可以在特拉华州提交。你只需说：这是这家公司的使命。没有比这更简单的了。"* ## [01:04:24] 反对意见与不足之处 Eric 唯一承认的真实反对意见是投资人可能提出异议——但他认为这本身就是一种筛选：反对公益公司的投资人，揭示的是他们将强制出售权置于创始人愿景之上。所有其他反驳（灵活性降低、投资人阻力、增长受限）都被 Anthropic 的轨迹所回应——这家公司在采用公益公司架构及额外治理约束的同时，成为了有史以来增长最快的公司。 > *"唯一会让这件事产生影响的情况，就是投资人试图强迫你出售公司而你不愿意。所以问问他们：'你说的就是这个意思吗？'然后再决定这是不是真正合适的合伙人。"* ## [01:06:08] Anthropic 案例：有史以来增长最快的公司 Eric 分享了他在 Dario Amodei 和 Daniela Amodei 离开 OpenAI 创立 Anthropic 时，在幕后担任顾问的经历。当时，Dario 还是第一次创业，Anthropic 也远非一家炙手可热的公司。Eric 告诉他们，若没有结构性保护会发生什么，于是他们将 AI 安全治理直接编写进章程——包括一个长期利益信托，其受托人是 AI 安全专家，享有董事会任命权但不持有任何股权。Anthropic 此后的增长证明：使命保护结构不会限制商业成功。 > *"Dario 当时是第一次创业。完全不是一家热门公司。ChatGPT 都还没发明。尽管如此，他们真心相信安全使命，并将其写入了章程。"* ## [01:08:39] 每个组织中的火炬传递者 每个组织都有少数 Eric 称之为「火炬传递者」的人——无论激励机制如何或来自上方的压力有多大，都坚持做正确事情的员工。Steve Jobs 曾通过越级会议专门寻找他们，绕过管理层，去找那些拒绝在质量上妥协的工程师、设计师和产品经理。在使命对齐的公司，这些人蓬勃生长、不断壮大；在使命期望型公司，他们则会精疲力竭、离职而去。 > *"在大多数组织中，都有我称之为火炬传递者的人——那些无论如何都坚持做正确事情的罕见个体。Steve Jobs 会举办越级会议，就是为了找到他们。"* ## [01:10:37] 文化银行：存款与取款 Eric 分享了创始人 Todd Park（Devoted Health）从 Howard Schultz 那里学到的一条法则：每当领导者做出牺牲短期利益来捍卫公司价值观的决定，就是在文化银行里存款；每一次自利或贪婪的决定，都是在取款。Todd Park 法则：每存十笔款，才能取一笔。超过这个比例，文化就会崩塌。理解这条法则的管理者，会停止将「文化」视为软性指标，开始像追踪现金流一样追踪它。 > *"当你为捍卫公司价值观而做出真正有所牺牲的正确决定时，你就是在文化银行里存款。Todd Park 法则：每十笔存款才能取一笔款。"* ## [01:12:28] OpenAI 与 Anthropic 的治理对比 Eric 解释了 OpenAI 与 Anthropic 在结构上的分歧。OpenAI 最初以非营利基金会作为使命守护者，但这一结构被持有股权、存在利益冲突的内部人士所侵蚀——这一动态在 2023 年底产生了董事会危机。相比之下，Anthropic 的长期利益信托由 AI 安全受托人持有，他们不持有股权，因此没有妥协使命的财务动机。OpenAI 的危机，从治理设计之初就完全可以预见。 > *"OpenAI 的非营利架构听起来不错，但使命守护者必须是那些以守护使命为职责的人——而不是同时在游戏中有财务利益的人。"* ## [01:16:21] 使命守护者详解 使命守护者是任何一个人或实体，其唯一的机构职责是保持公司的使命锁定。它可以是一个人（创始人控制权）、一个法律实体（长期利益信托），或一条结构性规则（Costco 的加价上限）。Eric 认为，引力如此强大，使命对齐从来不会自然发生——必须有人或某种机制被明确赋予这一角色、拥有真实权力，并与腐蚀普通董事会的财务压力相隔绝。 > *"必须由某个人或某个实体负责确保公司始终保持使命锁定。这不会自然发生，因为引力是如此强大的力量。"* ## [01:18:29] 精神控股公司 对于希望使命守护者比个人创始人控制权更持久的公司，Eric 描述了「精神控股公司」——独立法律实体（基金会、信托或双重股权控股结构），持有控制性股权，并在法律上被授权永久执行运营公司的使命。诺和诺德基金会是典型案例。这些结构可以成长和自我更新，不像脆弱的「写进章程的规则」方式，因为守护者实体本身具有主动捍卫使命的授权和资源。 > *"根据证据，更好的方式是拥有某种精神控股公司——一个独立实体，其全部职责就是担任使命守护者，并有能力随时间更新和捍卫使命。"* ## [01:21:53] 创始人控制权陷阱 创始人控制权——双重股权结构、超级投票权——是一座有效的临时桥梁，但 Eric 警告说，许多拥有最大控制权的创始人反而过得十分痛苦：他们成了擎天巨神，独自扛起整个使命，没有任何机构支撑。当他们最终交出权力时，使命没有结构性的归宿，随即崩塌。他讲述了自己参加一场为被投资人驱逐的创始人举办的「派对」的经历——足足来了一千人——随后却意识到，新任 CEO 已经在拆解创始人一手打造的一切。 > *"很多拥有创始人控制权的人最终活得很痛苦——你变得像擎天神。你甚至无法耸肩。是你在独自抵挡深渊。这担子太重了。"* ## [01:25:25] 本周需要做的三件事 Eric 为不同阶段的创始人给出了三项优先行动。A 轮融资前：立即申请注册为公益公司，并撰写一份真正反映「你宁死也不会背叛谁」的使命。A 轮及之后：开始与现有投资人进行更艰难的对话，现在就将治理结构摆上桌面。任何阶段：找出你的火炬传递者，在制度层面保护他们，并开始有意识地存入文化银行，而不是任其随机发生。 > *"你在融资之前有一段珍贵无比的时光。不要浪费它。成为公益公司。写一份 20 年后你仍会为之自豪的使命。这些事情成本极低、价值极高。"* ## [01:30:10] AI 对齐与人类对齐 Eric 在 AI 中未解决的「人类对齐」问题——谁来对齐对齐者？——与全书所探讨的企业治理问题之间，绘制出一条深刻的平行线。康威定律指出，软件架构反映了构建它的人的组织结构；由此推论，AI 系统的价值观将反映训练它的组织的价值观。因此，把企业治理做对，并非与 AI 安全相互独立——它是 AI 安全的前提条件。 > *"AI 领域头号未解难题不是技术——而是人类对齐问题。如果你无法就人类价值观达成一致，你已经输了。"* ## [01:34:00] 康威定律：组织结构图与系统架构 Eric 以对 Mary Parker Follett 的致敬作结。她是与弗雷德里克·温斯洛·泰勒同时代的管理理论家，其著作写于 1920 年代，读来却如同 2026 年的作品。Follett 主张「与权力」而非「权力之上」，并坚持认为，领导者与工作者共同服从「情境法则」，而非层级命令。康威定律正是她思想的精神传承：组织结构图出现在架构设计图中，因为人类的权威结构会流入技术结构。 > *"她说：上级与下级共同服从情境法则。不是老板的一时兴起——而是情境法则。这个想法已有百年历史，我们至今仍未弄清楚如何实现它。"* ## [01:37:31] 书籍资源与告别 Lenny 最后为《不可腐蚀》（*Incorruptible*）做了收尾推荐，该书将于 5 月 26 日在各地书店发售。Eric 引导听众前往 incorruptible.co，那里有实施指南、进阶实施指南、读者指南，以及一个从最终稿中删除的秘密章节。网站上还列出了一百多家独立书店。Eric 特别强调，该网站专为实践者设计——那些想要真正落地书中所述结构的创始人，而不只是读一读就完。 > *"我们有实施指南、进阶实施指南，还有一个从原稿中删除的秘密章节——专门为那些不只是想了解、而是真的想落地执行的人准备。"* ## 实体 - **Eric Ries**（人物）：《精益创业》与《不可腐蚀》的作者；长期从事初创企业顾问工作的企业治理倡导者。 - **Lenny Rachitsky**（人物）：Lenny's Podcast 主持人；前 Airbnb 产品负责人，创业类 newsletter 作者。 - **Dario Amodei**（人物）：Anthropic 联合创始人兼 CEO；首次创业的创始人，在 AI 热潮到来之前就将 AI 安全治理写入 Anthropic 章程。 - **Daniela Amodei**（人物）：Anthropic 联合创始人兼总裁；与 Dario 共同构建了长期利益信托治理架构。 - **Marie Krogh**（人物）：丹麦医生，丹麦首批获得正式资质的女医生之一；诺和诺德基金会的共同创始人。 - **August Krogh**（人物）：诺贝尔奖得主、丹麦科学家；将胰岛素技术引入欧洲，并与妻子 Marie 共同创建了诺和诺德基金会。 - **Andrew Mason**（人物）：Groupon 创始人；向 Eric Ries 讲述了 A/B 测试压力如何侵蚀公司核心的「每天一封邮件」使命并引发衰退。 - **Mary Parker Follett**（人物）：20 世纪初管理理论家，主张「与权力」而非「权力之上」；康威定律与协作领导力的思想先驱。 - **Anthropic**（组织）：AI 安全公司，采用公益公司架构，并设有长期利益信托，受托人享有董事会任命权但不持有股权。 - **诺和诺德基金会**（组织）：丹麦非营利基金会，持有诺和诺德的控制性股权，使命是让全球糖尿病患者以可负担的价格获得胰岛素。 - **Cloudflare**（组织）：互联网基础设施公司；当年在不收取任何费用的情况下，为遭受国家级黑客攻击的民主运动支持者提供防护，由此结晶出公司使命。 - **Groupon**（组织）：团购网站；「每天一封邮件」的使命被短期收入优化所瓦解，引发一蹶不振的衰退。 - **公益公司（PBC）**（概念）：两页纸的特拉华州公司章程修正文件，将开放性目的替换为具体陈述的使命，为该使命创造法律问责机制。 - **使命守护者**（概念）：任何人或实体——创始人、信托、基金会或结构性规则——其机构职责是使公司在资本引力下保持使命锁定。 - **股东至上主义**（概念）：1980 年代后出现的学说，认为公司存在仅为最大化股东回报；Eric Ries 认为这是一个 40 年的意识形态实验，而非自然法则。 - **文化银行**（概念）：Todd Park 的比喻，用于追踪文化建设存款（使命对齐的牺牲行为）与取款（自利决定）；可持续比例约为每十笔存款取一笔。 - **长期利益信托**（组织）：Anthropic 的外部使命守护机构，由 AI 安全专家组成，享有董事会任命权，不持有公司任何股权。