
Free Daily Podcast Summary
by yikai
这是一档使用 AI 技术来将英文播客翻译为中文播客的节目~ 在翻译的同时,也能保留原有声线,用中文听懂外语播客!
The most recent episodes — sign up to get AI-powered summaries of each one.
📝 本期播客简介本期我们克隆了:Dwarkesh Patel 播客《The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell》本期节目是一场关于 AI、经济增长、就业、财富分配与未来稀缺性的深度推演。主持人 Dwarkesh Patel 对谈两位研究 AI 与经济的学者:Alex Imas 和 Phil Trammell。他们讨论了一个反直觉的问题:AI 越强,它在经济中直接拿走的份额,反而可能越小吗?对话从“未来什么会变得稀缺”开始:当机器能够完成绝大多数生产任务,人类是否还会因为“人类参与本身”而保留价值?医生、教师、治疗师、艺术家、咖啡师、芭蕾舞演员,这些工作里到底哪些部分可以被自动化,哪些部分因为关系、信任、共情和人类连接而仍然值钱?节目也深入拆解了劳动力份额与资本份额的长期稳定之谜。工业革命以来,大量工作被机器替代,但劳动收入占比却长期保持在很高水平。AI 会打破这个历史规律吗?两位嘉宾提醒,经济学家在预测未来时最大的限制是:我们几乎没有足够的数据。我们不知道消费者真正会为什么付费,也不知道哪些新工作、新商品、新需求会被创造出来。中段讨论尤其现实:AI 是否已经造成白领大规模失业?“白领末日”是否有数据支持?如果 AI 能替代很多工作,却没有创造出足够的新财富,会不会出现一个最糟糕的“混乱中间阶段”?嘉宾们认为,这种情景并非不可能,但需要很多条件同时成立;而如果 AI 真正强到能大规模替代白领工作,它也很可能同时显著扩大生产前沿,让再分配问题变成核心。后半段则进入政策与全球分配:AGI 创造的财富该通过 UBI、负所得税、全民基本资本,还是税收购买股票的方式分配?发展中国家如果不生产模型、不生产芯片、不掌握关键供应链,是否会被甩在后面?答案可能取决于 AI 更像电力,还是更像社交媒体:如果像电力,收益会广泛扩散;如果像社交媒体,租金可能集中在少数平台和资本所有者手里。这期节目不是给出一个简单预测,而是搭建了一套理解 AI 经济未来的分析框架:未来的关键,不只是 AI 能不能替代人类,而是需求弹性、关系型价值、资本回报、收益集中度、开源扩散、政治再分配和全球资产配置会如何共同作用。👨⚕️ 本期嘉宾Alex Imas,Google DeepMind 的 AGI economics 负责人,芝加哥大学经济学教授。他的研究关注行为经济学、劳动力市场、AI 对经济结构的影响,以及人类偏好、关系型价值和未来自动化之间的关系。Phil Trammell,Epoch 的 economics 负责人,斯坦福研究学者。他长期研究长期主义经济学、AI 时代的增长模型、资本积累、自动化、利率、财富分配以及未来技术对宏观经济的影响。⏱️ 时间戳00:00 开场 & 播客简介AI 时代,什么会变得稀缺01:38 经济学能告诉我们什么:工资、劳动份额、税收与再分配02:19 关系型部门:为什么“人类参与”本身可能成为价值04:04 预测未来为什么这么难:经济学家没有足够数据08:21 劳动力份额与资本份额:自动化会让工资占比下降吗10:17 供应链里的劳动:为什么过去几乎没有东西被“完全自动化”11:33 医生不是一个任务:工作会被拆成可自动化与不可自动化部分13:21 不存在的未来商品:为什么今天的数据无法预测明天的需求从蒙古歌手到晶体管:需求如何决定经济份额14:09 蒙古经济的类比:为什么未来商品种类会改变稀缺性15:15 机器人很多,人类很少,钱就一定流向机器人吗16:21 摩尔定律的反面:计算越便宜,边际价值可能越低16:50 H100 为什么更贵:AI 让 compute 出现新的高价值用途17:14 对 compute 的需求会不会永远无法满足18:03 人类创作为什么更值钱:连接感、共情与关系型偏好白领失业与“混乱中间阶段”19:20 AI 起飞太慢,反而更糟吗:自动化、失业与补偿难题20:37 Phil 的判断:最坏窗口可能很窄21:26 政治经济学缺口:失业率只上升几个百分点也会改变政治22:58 如果只裁掉一部分白领,省下的钱够不够做 UBI24:07 要出现“没有足够财富可分配”的情景,需要哪些苛刻条件25:02 负所得税、UBI 与全民基本资本:再分配工具的利弊27:35 税怎么收、钱怎么发:消费税、股票篮子与全民持股29:00 AI 已经导致大规模白领失业了吗:目前证据并不明显31:05 自动化互补任务:为什么 AI 也可能增加某些岗位需求32:13 需求弹性与 Jevons 悖论:便宜不等于总支出一定增加34:16 AI 会导致经济衰退吗:要让丰裕带来负增长非常难为什么 AI 没有更快替代所有工作36:43 多模态模型与世界模型:从 Gemini Omni 看未来 AI 能力37:59 Oring 模型:为什么一个环节不可靠会毁掉整个产品39:27 当 AI 足够强,人类也可能难以接入生产流程40:10 律师、会计为何还没被替代:可靠性、责任与监管摩擦40:59 人类制度会不会只是过渡性安排:执照、法官、立法与 AI 政治系统非人类偏好与资本加速41:32 未来 AI 或公司会不会形成自己的偏好42:51 人类还会偏好人类互动吗:AI therapist 与道德情绪44:52 富人财富的真实形态:消费还是让资本继续复利45:43 更高储蓄率的实体,长期会不会拥有大部分财富47:13 永生、资本回报率与消费偏好如何改变未来经济48:56 资本品价格下降:为什么高增长不一定等于高真实回报50:53 品类增加与贪婪资本家:为什么机器人需求可能不断扩张52:14 富豪、信托与财富积累:少数优化器是否足以主导经济53:44 从政治影响力到天文浪费:为什么有人会永远想要更多资本55:14 Von Neumann probe:极端优化器如何挑战传统 GDP 与劳动份额发展中国家如何分享 AGI 红利56:50 印度、尼日利亚怎么办:不在 AI 供应链里的国家风险57:38 储蓄、利率与低起点国家:发展中国家的“混乱中间阶段”59:03 主权财富基金与资产配置:现在就该买入关键供应链吗01:00:39 为什么土地税不够:普通人的资产未必是 AI 时代互补资本01:01:18 AI 更像电力还是社交媒体:收益扩散还是租金集中01:03:03 开源模型的关键作用:乌干达能不能分享到 AGI 回报01:03:59 两种情景:收益高度集中,或 AGI 像电力一样普及01:04:23 指数化投资 vs 再培训:发展中国家不能只押一个策略01:05:10 AI 是否带来跨越式发展:移动银行式 leapfrog 的可能性01:05:43 指数化到底有多难:私营 AI 公司、上市与普通投资者可及性AI 商品化、安全与叙事01:06:44 为什么 AI 实验室商品化可能更利于广泛繁荣01:07:06 “世界上没有反电力的人”:AI 叙事为什么如此负面01:07:45 商品化的安全代价:竞争压力与前沿模型扩散风险01:08:31 收尾:集中实验室、政府权力与社会分享 AI 剩余收益🌟 精彩内容💡 “我
📝 本期播客简介本期我们克隆了:Unsupervised Learning: With Jacob Effron《A Conversation With Demis Hassabis' Biographer》本期节目里,主持人 Jacob Effron 对话 Sebastian Mallaby,后者是 Demis Hassabis 传记《The Infinity Machine》的作者。为了写这本书,Sebastian 与 DeepMind 联合创始人、Google DeepMind CEO Demis Hassabis 进行了三十多个小时的深度访谈。这期节目不仅是在聊一本人物传记,更像是借 Demis 的人生和 DeepMind 的历史,重新审视过去十几年 AI 竞赛是如何形成的:为什么最初想避免竞争的 DeepMind,最后也不得不卷入全球 AI 军备竞赛?为什么 OpenAI 和 Sam Altman 曾被过早加冕为赢家,而 Demis 和 Google DeepMind 却长期被低估?为什么 DeepMind 一边拥有顶尖科学成果和 AlphaFold 这样的诺奖级突破,一边又在 ChatGPT 和 coding agent 等产品浪潮中显得慢半拍?节目还深入聊到了许多 AI 圈关键人物之间的真实关系:Demis 与 Elon Musk 从相互欣赏到紧张对峙,Elon 曾试图阻止 DeepMind 卖给 Google;Demis 如何看待 Sam Altman;David Silver 为什么离开 DeepMind;以及 Dario、Anthropic、Google、OpenAI 这些实验室之间不同的组织气质、战略押注和人才吸引力。如果你想理解今天 AI 竞赛背后真正的权力结构、科学理想、安全焦虑和人物性格,这期节目会是一扇非常好的窗口。👨⚕️ 本期嘉宾Sebastian Mallaby,《The Infinity Machine》的作者,知名财经与人物传记作家。他曾写作关于风险投资、金融与全球经济人物的多部作品。本书中,他通过与 Demis Hassabis 超过三十小时的深度访谈,以及对 DeepMind、Google 和 AI 生态中多位关键人物的采访,讲述了 Demis Hassabis 与 DeepMind 的故事。⏱️ 时间戳00:00 开场 & 播客简介AI 竞赛的起点02:06 为什么写 Demis:三十多个小时访谈背后的 DeepMind 故事03:36 AI 竞赛是否不可避免:强大技术注定吸引多个国家和实验室04:19 “地堡里的唯一团队”:DeepMind 早期想避免竞赛的安全理想05:53 SpaceX 安全峰会的反效果:共享进展如何刺激 OpenAI 的诞生07:17 政府监管的可能性:AI 模型是否应该像药品一样接受事前审查08:47 Demis 的乐观:为什么危机可能迫使政府采取行动被低估的 Demis 与 Google DeepMind10:06 最大误解:大众太快加冕 OpenAI,却低估了 Demis 和 Google12:07 Google 的产品化困境:为什么 ChatGPT 和 Claude Code 都不是 DeepMind 做出来的12:41 Demis 的知识背景:神经科学家如何影响 DeepMind 的“广撒网”路线14:26 Google 的优势与代价:有钱、有算力、有耐心,但不一定能最早押中重点DeepMind 与 Google 的复杂婚姻15:29 Project Mario:DeepMind 曾秘密考虑从 Google 拆分16:06 Reid Hoffman 的十亿美元承诺:拆分计划如何成为谈判筹码18:12 创始人的天真:为什么 DeepMind 最后没有真正挥动拆分威胁19:20 Demis 的后悔:AI for science 无悔,但错过 transformer 让他难以释怀19:48 从 AlphaGo 到 AlphaFold:胜利十秒后就转向蛋白质折叠21:47 Demis 的盲点:为什么他低估了语言模型通向智能的力量巨头、创业公司与战略押注23:22 风投创新能否战胜 hyperscaler:AI 时代资本与聚焦的拉扯24:00 OpenAI 的商业模式压力:技术强,不代表一定能长期独立25:09 Anthropic 的反事实:如果 coding model 晚爆发半年,故事可能完全不同26:21 Demis 是否需要更公众化:回顾性叙事很强,前瞻性叙事不如 Sam27:26 控制叙事的重要性:影响产品采用,也影响人才招聘28:47 人才为什么离开 DeepMind:顶尖研究者更想加入“单点重注”的组织29:57 Isomorphic 的独立化:让 AI for science 成为自己的核心赌注30:11 Anthropic 的低流失率:强烈价值观如何带来高忠诚度关键人物与关系网络31:23 David Silver 的离开:强化学习信徒为什么想离开大组织创业31:36 RL 与大模型路线之争:从经验中学习,还是从互联网数据中启动34:05 为什么现在离开:强化学习重新流行,但组织押注仍不够集中34:44 AI 实验室背后的少数掌舵者:个人关系如何影响行业走向35:07 Demis 与 Elon:从 Founders Fund 场合相识,到 Elon 试图买下 DeepMind35:29 “AI 会追你到火星”:Demis 如何说服 Elon 投资,又为何拒绝卖给他38:21 Demis 如何看 Sam:科学家气质与硅谷融资高手之间的根本差异AI 的伟人史观与精神追求38:37 人物重要吗:竞赛动态不可避免,但领导者个性会改变路径40:35 最改变作者看法的时刻:Demis 对科学奥秘近乎精神性的执着41:48 AGI 的宗教意味:为什么追寻智能对很多人不只是技术项目42:07 Demis 不愿谈什么:家庭、Google 内部冲突与 Mustafa Suleyman 离开科学品味与未来可能43:45 DeepMind 的真正启发:如何在前沿科学里判断什么时候该继续下注45:00 AlphaFold 的关键转折:从“世界第一”到“真正解决问题”46:37 被低估的 AI 英雄:Ilya Sutskever 与 David Silver 值得一部双人传记47:11 Demis 会成为 Google CEO 吗:取决于他是否愿意牺牲科学时间48:29 Sebastian 的写作体验:酒吧楼上三十小时对话如何改变一本传记的写法🌟 精彩内容💡 AI 竞赛几乎不可避免Sebastian 认为,当一项技术拥有如此巨大的潜在力量时,不可能只有一个团队、一个国家或一个实验室去追求它。DeepMind 早期曾希望自己能成为那个在 AGI 边缘统一处理安全问题的团队,但现实证明,这种想法过于理想化。如今 Demis 已经转向另一种判断:AI 安全是集体行动问题,最终需要政府和国际合作介入。“因为这项技术太有吸引力了,不可能只有一个团队对它感兴趣。”🧠 被低估的 Demis Hassabis节目中反复提到一个核心判断:公众太快把 OpenAI 和 Sam Altman 视为 AI 竞赛的最终赢家,却低估了 Demis Hassabis 和 Google DeepMind。Demis 早在 2010 年就创办 DeepMind,很多后来被 OpenAI 复制的 AI 实验室模式,最早都是由他开创的。Sebastian 认为,AI for science 这个方向在很长一段时间里几乎是 Demis 一个人真正坚持推动的。“我觉得,人们太快就把 OpenAI 和 Altman 加冕为赢家了,同时低估了 Demis 这个人,也低估了 Google DeepMind 这家公司。”🔬 DeepMind 的优势与短板:什么都想做DeepMind 的一大特点是同时探索很多方向。Sebastian 认为,这与 Demis 的背景有关:他是神经科学 PhD,关心的是“智能到底是什么”这种宏大问题,因此很自然地倾向于广泛探索。G
📝 本期播客简介本期我们克隆了:红杉资本出品的访谈节目《Notion’s Ivan Zhao: The Refounder》原内容更新时间:2026-05-21本期嘉宾是 Notion 联合创始人兼 CEO Ivan Zhao,主持人是 HubSpot 联合创始人、红杉合伙人 Brian Halligan。Brian 将 Ivan 称为“重新创办者”,因为 Notion 的成长并不是一条平滑上升的曲线,而是经历过多次接近推倒重来的关键时刻:早期找不到 product market fit 时,他和联合创始人 Simon 裁掉团队,搬到京都从零重建;生成式 AI 爆发后,他又在公司已有数百人的阶段,把 Notion 重新推向 AI native。这期节目不只是 Notion 的创业故事,更是一场关于 AI 时代公司如何被重新设计的深度对谈。Ivan 分享了他为什么认为用 language model 做产品不是“造桥”,而更像“酿啤酒”;为什么 Notion 想做“爵士乐队”,而不是“军乐队”;为什么 AI 会让招聘标准从经验转向品味、主动性和价值体系;以及为什么每家公司都应该把创新点限制在一两个地方,而不是试图重新发明整个世界。如果你正在思考 AI 时代的组织形态、产品策略、创业转型、企业销售、创始人角色,或者一家成熟 SaaS 公司如何避免僵化,这期节目会提供非常多一手经验和高密度判断。👨⚕️ 本期嘉宾Ivan Zhao,Notion 联合创始人兼 CEO。Notion 是全球知名的协作、知识管理与生产力工具平台。Ivan 是一位典型的产品型创始人,长期关注 tools for thought、软件工具的工艺感,以及技术与人性之间的关系。他曾带领 Notion 在早期困境中重建产品并找到 product market fit,也在生成式 AI 兴起后推动公司转型为 AI native 组织。⏱️ 时间戳00:00 开场 & 播客简介重新创办者的登场00:37 本期克隆节目介绍:红杉资本《Notion’s Ivan Zhao: The Refounder》01:31 Ivan 的核心隐喻:我们想做爵士乐队,不想做军乐队02:13 为什么 Brian 称 Ivan 为“重新创办者”04:06 从 founder mode 到 AI 时代的新 CEO 模式AI 时代,公司要怎么重新组织05:08 Notion 早期五年:靠 seed 资金硬撑,迟迟找不到 PMF06:25 疫情增长之后:小团队的甜头与扩张的压力07:08 学会授权与引入管理层:传统 SaaS 经验的利弊08:03 造桥还是酿啤酒:为什么 AI 产品构建不可预测09:56 会写代码的设计师、懂产品的工程师与跨职能团队10:48 AI 放在组织中间:信息、决策与公司结构的重塑12:49 “软件 + language model 是组织里的钢”13:17 AI 会让组织更扁平,但不会消灭人性中的层级招聘与人才标准的变化14:10 Notion 的人才公式:能力经验 × 品味价值观 × 主动意愿15:18 为什么 AI 时代既要招初级人才,也要招顶级资深人才15:48 杠铃型组织:资深架构师、年轻 IC 与 coding Agent 的组合16:32 设计师和 PM 的边界如何改变17:51 从经验、斜率到品味:AI 时代为什么 taste 变得重要19:16 为什么 taste 不在语言模型里,而在人身上战时状态下的公司运营19:16 拆分营销组织:storytelling 靠近产品,demand gen 服务销售20:42 招聘流程变化:不先看简历,而是先看你做出来的东西21:44 薪酬与能力导向:不能再平均撒资源22:57 战时比和平时期更有生命力23:20 创始人如何在自上而下与自下而上之间切换24:41 爵士乐队,不是行进乐队:Notion 的组织哲学25:50 Jazz mode:在结构中保留即兴和共同参与规划、成本与 AI 毛利率26:56 财务可以像军乐队,产品必须像爵士乐28:03 AI 产品的成本压力与毛利率问题28:35 为什么知识工作产品不一定总需要最强模型29:11 第二梯队模型、open weight 模型与企业内部工作流第一次 Refounding:京都重建 Notion29:39 Notion 的第一次重启:裁掉团队,只剩两位创始人31:01 裁员的痛苦:身体会告诉你必须这么做31:18 为什么是京都:更大的房子、更低的成本和换一个故事32:26 京都的工艺精神如何影响 Notion34:46 为什么不放弃重开一家公司:Notion 是 Ivan 的毕生问题35:56 tools for thought、Grateful Dead 与早期计算机文化脉络36:21 技术、人性与工艺:为什么硅谷不该忘记历史第二次 Refounding:从 SaaS 转向 AI 公司38:27 给卡住的创业者建议:听从身体里的直觉,做剧烈改变39:52 五百人阶段的重启:Cancun 与 GPT-4 的“宗教体验”41:19 AI 产品并非一夜成功:一年半 Agent 探索期42:40 早期绝望、AI 低谷与“现在一切都在着火”43:18 给 SaaS 公司建议:从产品开始,创始人必须亲自 build44:14 为什么你必须感受 AI,而不是只读文章或看视频让公司持续再生45:16 如何让僵化公司重新变软:引入创始人作为“去僵化机器”45:35 Notion 的收购与 acquihire:五六十位创始人在公司内部继续创业46:37 给创业者更大杠杆:在 Notion 平台上继续做原来的使命47:26 创业更容易,规模化更难:AI 时代竞争密度暴增48:45 已有规模的公司是否应该 refound:先真正感受到 AGI49:13 未来组织的不变量:人性、层级、分工与法律责任50:54 AI 系统会做越来越多决策,人类负责 context 和品味52:01 知识管理重新变重要:现代知识工作只有约 150 年历史Ivan 的 CEO 工作方式52:33 内向型 CEO:为什么仍然必须学会一对多沟通53:13 All hands 必须由创始人亲自讲54:04 提词器如何改变 Ivan 的公司沟通54:36 Notion 的 all hands 和 AMA 节奏55:49 Ivan 的一天:早起、咖啡、办公室、健身、晚餐和继续工作56:30 周末是快乐时间:跟随好奇心进入 rabbit hole56:59 25 分钟会议、整块思考时间与 Slack 作为社交媒体57:47 谦逊还是追求真实:盲人摸象与多元真相给创始人的建议58:24 CEO 是一个社会性游戏:地位、权力、竞争与价值观<a cla
📝 本期播客简介本期我们克隆了:Latent Space: Inside xAI: Building Grok Imagine in 3 Months, Videogen vs World Models, and Video Agents— Ethan He原内容更新时间:2026-06-01本期节目是一场关于视频生成、世界模型和 Video Agent 的高密度技术访谈。嘉宾 Ethan He 曾在 Nvidia 参与 Cosmos world model,后来加入 xAI,从零参与 Grok Imagine、音视频联合生成、reference video、视频延展和 world model 相关工作。他在节目中复盘了 xAI 如何在短短三个月里,从没有基础设施、没有数据、没有模型的状态,快速做出 Grok Imagine 0.9;也详细解释了视频模型从数据、caption、VAE、diffusion transformer 到 distillation 的完整训练链路。更重要的是,Ethan 提出了几个非常有判断力的观点:视频模型的很多进步,其实来自语言模型,而不是视频 diffusion 本身;world model 在他看来就是“实时、可交互、长时程的视频”;未来的 Video Agent 会像人类创作者一样,调用视频模型、图像编辑器、FFmpeg 和各种确定性工具,迭代生成真正可用于广告、创作和生产环境的视频内容。这期不仅适合想理解视频生成技术路线的人,也适合想提前看懂 AI 交互界面、生成式媒体和 Agent 未来趋势的听众。👨💻 本期嘉宾Ethan He,曾在 Nvidia 参与 Cosmos world model 和 Megatron-LM MoE 等工作,后加入 xAI,参与 Grok Imagine、视频生成、音视频联合生成、reference video、视频延展和 world model 相关研发。他的研究经历横跨计算机视觉、自监督学习、大规模 MoE、视频 diffusion、world model 和 LLM Agent。⏱️ 时间戳00:00 开场 & 播客简介从 Cosmos 到 xAI:三个月做出 Grok Imagine02:42 嘉宾登场:Ethan He 与 Latent Space 社区的缘起04:14 为什么离开 Nvidia:视频模型也有 scaling law,需要更大算力05:43 xAI 从零起步:三个月做出 Grok Imagine 0.906:15 快速迭代的秘密:人才、infra、compute 与低沟通成本08:23 模型质量提升的真相:很多突破来自数据和训练 pipeline 里的小 bug08:37 Coding model 如何改变研究节奏:代码更快,compute 再次成为瓶颈09:54 高压研发文化:算力昂贵,但这是一场马拉松视频模型是怎么训练出来的11:46 为什么做视频模型之前,通常要先做图像模型12:50 数据从哪里来:人工详细标注与 VLM 生成 synthetic caption14:12 训练视频模型为什么既需要配对数据,也需要无标签数据15:07 VAE / tokenizer:为什么不能直接在像素上训练17:08 Diffusion transformer:从噪声一步步去噪生成图像和视频17:27 图像模型如何 bootstrap 视频模型:语言与图像连接更密集18:24 视频压缩路线:逐帧压缩 vs 时间维度压缩18:55 为什么不用 MP4 token 直接训练:latent space 必须对模型友好20:00 实时性的代价:时间压缩节省 context,但会引入响应延迟生成式 UI 与世界模型的早期形态20:51 Flipbook:像浏览器一样探索模型想象出的网页22:31 Generative UI:从用户意图直接到像素,而不是先写代码再渲染24:09 Diffusion 前端,确定性后端:未来界面可能如何被重构25:15 人机交互的带宽:人类用语音输出,用视觉输入26:15 NeuroOS:用视频模型模拟操作系统和游戏27:52 从过拟合现有界面,到想象全新交互系统28:47 为什么视频模型能生成训练集中不存在的超自然内容视频模型的成本、加速与音视频联合生成31:05 视频模型到底有多贵:训练成本接近中等规模 LLM31:52 被低估的成本:视频存储、特征存储、IO 和 egress33:29 训练规模:数十万亿视觉 token、百亿级 active 参数34:16 推理端加速:step distillation 如何把一百步变成几步36:36 Consistency model、GAN 与少步生成的关系37:48 Grok Imagine 0.9:大规模音视频联合生成模型38:00 音频为什么难:speech 更离散,music 更连续40:25 音视频对齐:模型必须理解每一秒声音和画面的关系41:20 时间感:为什么 LLM 本身并不真正感知时间Ethan 对 World Model 的定义43:47 什么是 world model:实时、可交互、长时程的视频44:03 交互性:键盘、鼠标、语音都可以成为输入模态45:00 实时性:游戏需要毫秒级响应,数字人也要接近两百毫秒46:00 长时程:世界模型不能只生成几秒,而要持续几分钟甚至几小时47:00 视频延展:通往长时程 world model 的第一步48:00 长 context 的挑战:五秒视频就可能有五六万 token49:03 为什么用户喜欢视频延展:它是通往最终目标的中间产品Reference Video 与动态上下文管理51:24 长视频里的冗余:不是所有历史都需要一直放进 context52:01 Reference video:用角色、物体、场景作为生成条件52:46 为什么 reference 是一种“作弊”,也是一种重要机制54:34 FramePack 与动态 context selection:离当前越远,信息越压缩55:52 LLM 与视频模型共享的问题:context pruning 目前仍高度依赖 heuristic56:14 Continual learning 的可能突破:让模型自己管理上下文57:00 人类注意力的启发:不是记住一切,而是动态拉取相关信息xAI 文化与生成式视频安全58:35 xAI 被低估的地方:move fast、build、宏大目标和 first principles59:30 如何倒推三个月目标:从数据、训练、人工标注、GPU 周转时间拆解60:12 Elon Musk 的工作方式:非常 hands-on,直接给反馈61:09 Grok Voice:实时语音体验、打断能力和车载场景61:56 生成式视频安全:水印、下架和社交平台治理62:19 SynthID 的局限:论文公开后,水印也可能被反向工程63:04 AI 生成内容越来越难识别:从看手指,到看逻辑是否成立视觉智能为什么来自语言64:31 核心判断:视觉智能很大程度来自语言模型65:00</
📝 本期播客简介本期我们克隆了:Pathway《Transformer vs Post-Transformer | ft. Lukasz Kaiser, Adrian Kosowski, Mathias Lechner, & Llion Jones》这是一场以“拳击赛”形式呈现的 AI 架构思想对决:Transformer 还会继续统治下一代 AI,还是我们已经站在 postTransformer 时代的门口?辩论的一边,是 Transformer 共同发明者 Lukasz Kaiser,他认为 Transformer 虽然简单得近乎疯狂,却已经证明自己能够工作、能够扩展,并且可以被理解为一种强大的可微分记忆系统。另一边,Adrian Kosowski 和 Llion Jones 则认为,Transformer 只是智能的一种实现形式,而不是智能的终极答案。人脑的数据效率、连续学习、非语言推理和动态状态,都在提醒我们:一定还存在更好的东西。Mathias Lechner 则代表更工程化的中间路线:未来可能不是 Transformer 或 postTransformer 二选一,而是根据硬件、场景和能力需求,把所有可用 building block 组合起来。这期节目尤其适合想理解 AI 底层趋势的人:为什么 Transformer 如此强大?为什么 scaling laws 仍然重要?为什么“用语言思考”可能不是最高效的 reasoning?新架构为什么总会被硬件拖住?benchmark 到底能不能衡量真实智能?如果你关心 AI 下一轮技术红利、创业机会、算力焦虑和 AGI 路线之争,这是一场非常值得听完的高密度讨论。👨⚕️ 本期嘉宾Lukasz Kaiser,Transformer 共同发明者之一,曾参与创建 ChatGPT o1,是现代大语言模型架构演进中的关键人物。Adrian Kosowski,Pathway 的 CSO,BDH 架构的发明者之一,主张从动态系统、latent reasoning 和持续学习角度探索 postTransformer 架构。Mathias Lechner,Liquid AI 研究者,专注于构建新一代 foundation model,强调 Transformer 与 postTransformer building blocks 的混合使用,以及模型在不同硬件和部署场景中的实际表现。Llion Jones,Transformer 共同发明者之一,虽然参与了 Transformer 的诞生,但在本场辩论中站在 postTransformer 阵营,认为 AI 需要跳出当前架构的局部最优。⏱️ 时间戳00:00 开场 & 播客简介拳击赛开局:谁代表 AI 的下一个时代01:43 现场规则:用拳击赛形式辩论 Transformer vs postTransformer04:02 Lukasz 开场:Transformer 是简单、漂亮、而且真正能工作的 memory06:40 Adrian 开场:智能还没有迎来自己的 PageRank 时刻09:54 Mathias 开场:未来不是二选一,而是 Transformer 加 postTransformer12:22 Llion 开场:Transformer 很强,但它可能只是 brute force 的局部最优第一轮交锋:Transformer 到底是不是终局16:42 Lukasz 反驳:Transformer 仍是当前机器学习里最强的可扩展答案19:00 Adrian 反击:reasoning 和 learning 不一样,语言思考不是唯一解21:38 Mathias:Transformer 和 RNN 的边界会越来越模糊23:33 Llion:真正突破不是重排组件,而是重新质疑神经网络假设智能是什么:语言、压缩与人脑26:04 智能定义之争:是可观察行为,还是更深层的信息处理过程28:30 Transformer 是否把工程便利误认为科学真理29:08 智能即压缩:预测互联网下一个词为什么如此有效30:02 Language 与 reasoning:语言承载智能,但也限制思考方式31:30 发现新知识时,非语言推理是否更高效31:52 人脑与儿童启发:为什么小孩不用长链推理也能快速泛化Scaling 之争:算力还会继续赢吗33:06 Bitter Lesson:为什么十倍算力和十倍数据常常打败巧妙设计33:34 不同架构都有 scaling law,但硬件适配决定谁能赢34:34 Lukasz:如果有比 Transformer 更好的 scaling curve,请拿出来35:56 Adrian:数据、模型、算力不一定必须一起 scale现实世界部署与 benchmark36:58 非文本模态:蛋白质、基因序列和生物医学信号中的架构差异38:05 Benchmark 会不会误导我们39:11 Perplexity:为什么“预测下一个 token”仍可能是最硬的指标40:57 最后陈述:比拼的关键不是单次成绩,而是 scaling curve 的斜率最终立场:Transformer 现在赢,但未来未定41:53 Adrian:下一次突破可能来自更高效、更紧凑的 reasoning43:08 Mathias:两边都押注,探索所有可能性43:40 Llion:今天没有任何理由能让我放弃“还有更好东西”的信念观众提问:硬件会不会锁死创新44:31 硬件彩票:现有 GPU/TPU 是否让大家困在 Transformer 范式45:18 Llion:postTransformer 第一版不必马上打败 SOTA46:12 Lukasz:Transformer 当年也不适配硬件,真正强的架构会推动硬件改变48:38 慢 50 倍也不要怕:只要 scaling curve 更好,就值得探索学习、记忆与动态权重48:59 智能是否首先是学习能力50:10 In-context learning:把上下文学习延长到无限时间会怎样51:01 Continual learning:给静态权重打补丁,还是从头设计动态系统51:41 Transformer 的 activation 是否已经在做类似 gradient descent 的事53:25 Transformer 不会消失:postTransformer 世界里仍会使用 Transformer54:08 Attention weights 也是动态权重吗55:32 经验型 context:模型是否能从自己的行动、错误和反馈中学习安全、微调与 latent reasoning57:25 Fine-tuning、context learning 和 latent space 推理的关系58:05 文本 chain of thought 是否真的可解释58:58 postTransformer 是否可能更接近大脑,从而更可解释、更安全59:13 现场投票:用欢呼声决定今晚冠军🌟 精彩内容💡 Transformer 的核心优势:简单到疯狂,但真的能工作Lukasz Kaiser 为 Transformer 做出的核心辩护,不是说它完美,而是说它已经在最重要的层面证明了自己:它简单、可扩展、能被硬件放大,并且真的产生了聊天、写代码、操作电脑等能力。他把 Transformer 理解为一种 memory:为每段输入写下 key 和 value,再用 soft attention 检索相关内容。“这个疯狂简单的机器,只是在一句话或者一段更长文本里预测下一个 token,却能够和你聊天,现在还能写代码,点击你电脑上的窗口。”🧠 PostTransformer 的焦虑:智能还没有 PageRank 时刻Adrian Kosowski 认为,Transformer 是智能的一种实现,但不是智能背后的共同原理。就像搜索引擎时代,PageRank 抓住了信息索引的核心机制一样,AI 领域仍然缺
📝 本期播客简介本期我们克隆了:Yahoo Finance《Nvidia GTC Taipei 2026: Jensen Huang Full Keynote》原内容更新时间:2026-06-01本期节目是 NVIDIA 创始人兼 CEO 黄仁勋在 GTC Taipei 2026 的完整主题演讲。黄仁勋回到台湾,面向全球供应链伙伴、开发者、企业客户和 AI 产业生态,系统阐述了 NVIDIA 对下一阶段 AI 时代的判断:Agentic AI 已经到来,AI 不再只是生成内容,而是开始理解、推理、规划、调用工具并完成工作。在这场 keynote 中,黄仁勋提出了几个极具冲击力的判断:“AI 现在是利润生成器。AI 现在是 GDP 生成器。”“Compute 现在就是收入,Compute 就是利润。”“过去我们为人类创造 CPU,而人类只有十亿人。未来会有数十亿个 Agent。”围绕这些判断,他进一步解释为什么 AI Factory 会成为人类历史上最大规模的基础设施建设之一,为什么 Vera Rubin 不是一颗芯片而是一整套面向 Agent 的超级计算系统,为什么 Vera CPU 要为“没有耐心的 Agent”重新设计,以及为什么 PC、汽车、机器人、工厂和基站都会变成 Agentic 系统。这不仅是一场产品发布会,更是一套关于未来十年计算范式的完整宣言:软件会从应用程序变成 Agent,数据中心会从成本中心变成 token 工厂,企业会拥有自己的 Agent 工具链,个人电脑也可能从“打开应用的机器”变成个人 AI 助手的家。👨💼 本期主讲人黄仁勋,NVIDIA 创始人兼 CEO。他带领 NVIDIA 从 GPU 公司发展为加速计算、AI 芯片、AI 系统、网络、软件平台与 AI 基础设施公司。在本场 GTC Taipei 2026 演讲中,他重点发布并解释了面向 Agentic AI 时代的 Vera Rubin、Vera CPU、NVIDIA DSX、Nemotron 3 Ultra、RTX Spark、Cosmos 3 与 Isaac GR00T 等关键产品与平台。⏱️ 时间戳00:00 开场 & 播客简介Agentic AI 已经到来01:32 回到台湾:感谢台湾供应链生态与 GTC Taipei 现场03:50 有用的 AI 到来了:从 GitHub commit 暴增看软件生产力跃迁07:10 AI 从成本变利润:token 需求、GDP 生成器与 compute 经济学09:40 什么是 Agent:模型、harness、memory、工具与 runtime13:10 从 prompt 到代码、GIF 和 CAD:Agentic AI 的实际工作方式16:30 软件公司不会被 Agent 消灭,反而会迎来更大工具需求新计算模型与 AI Factory18:20 CUDAX 库成为 Agent 的工具箱:CUDA 生态的新价值21:10 Agent 是终极分布式计算模型:大脑、身体与工作坊24:20 为什么 Vera Rubin 是下一代系统:为解耦、异构、分布式 Agent 而生27:40 NVIDIA 从 GPU 公司变成 AI 基础设施公司29:40 DSX AI Factory:用数字孪生设计和运营 AI 工厂33:30 一吉瓦 AI 工厂的经济学:compute 就是收入,token 就是利润36:50 AI Cloud 生态扩张:CoreWeave、Nebius、Nscale、GMI 等区域云机会Vera Rubin:为 Agent 时代打造的超级计算系统40:10 Vera Rubin 全面量产:供应链规模达到 Grace Blackwell 的两倍43:20 从 DGX-1 到 Vera Rubin:AI 超级计算机的十年演进46:00 Vera Rubin NVL72:面向 prompt、context、推理和规划48:40 Vera CPU Rack 与 Vera BlueField:Agent 的编排、记忆与安全51:00 现场展示 Vera Rubin:无缆线、无软管、无风扇的新一代机架设计54:20 从 Hopper 到 Blackwell 再到 Vera Rubin:从预训练、推理到 Agentic inferenceVera CPU:为数十亿 Agent 设计的 CPU57:20 为什么旧 CPU 不适合 Agent:人类按秒等待,Agent 按纳秒等待59:30 CPU 是指挥,GPU 是乐团:CPU 延迟直接影响 token 吞吐01:02:00 Vera 的四个关键指标:单线程性能、每核带宽、总带宽与能效01:05:10 Vera 架构细节:Olympus core、LPDDR5X、PCIe Gen 6 与高速 fabric01:08:20 真实工作负载提升:SQL 加速三倍,实时流处理加速六倍01:10:30 一个新市场的开始:为 Agent 而不是为人类制造 CPU企业 Agent 工具链与超级 Agent01:12:40 未来十年的应用模式:每家公司都会运行 Agent01:14:20 NVIDIA Agent Toolkit:模型、harness、工具、技能与 runtime01:16:00 Open Shell:让企业安全运行 Agent 的开源 runtime01:18:00 Cadence 芯片设计 Agent:从数周验证周期压缩到数小时01:21:10 企业软件的新机会:Agent 不会消灭软件公司,而会放大软件价值Nemotron 3 Ultra 与开放模型01:23:00 Nemotron 3 Ultra 发布:开放模型、开放数据与开放训练方法01:25:00 混合架构模型:SSM 与 MoE 结合,速度提升五倍01:26:40 成本降低百分之三十:让企业能打造自己的专有 Agent01:28:00 与 Cadence、CrowdStrike、Palantir、SAP、ServiceNow 等合作重新发明 PC:从个人电脑到个人 AI01:29:10 Microsoft 与 NVIDIA 重新发明 PC:Agent 会运行在个人电脑上01:31:00 RTX Spark:面向 Agent 的新一代 Windows AI PC01:33:00 N1X 芯片:Blackwell RTX GPU、Grace CPU 与统一内存01:35:00 本地 Agent 示例:用 RTX Spark 协助完成建筑设计工作流01:38:00 Adobe、创作者工具与 Agent 友好型软件生态01:40:00 三类新 Windows 机器:笔记本、台式机与 DGX Station01:43:00 PC 的未来:从打开应用的工具,变成家庭里的个人 AI 超级计算机Physical AI、机器人与世界模型01:46:00 Agentic AI 本质上是数字机器人:所有设备都会运行 Agent01:48:00 Physical AI 的核心难题:机器人需要第一人称世界数据01:50:00 Cosmos 3 发布:面向 physical AI 的开放 frontier omni model01:52:30 Compute 就是数据:用 Cosmos 生成、仿真和训练物理世界 AI01:54:20 AlpamayoR1:面向自动驾驶汽车的开放推理模型01:56:00 Isaac GR00T:面向人形机器人的开放开发平台与参考机器人总结与收束01:58:30 过去六个月计算机行业已被彻底改变<a class=
📝 本期播客简介本期我们克隆了:AI Engineer《How I deleted 95% of my agent skills and got better results — Nick Nisi, WorkOS》原内容更新时间:2026年5月30日本期分享来自 WorkOS 的 developer experience 工程师 Nick Nisi。他负责维护二十多个代码仓库,横跨八种语言的 SDK 和开源项目,却已经大约八个月没有亲手写过一行代码。他并不是简单地“让 AI 写代码”,而是在探索一个更关键的问题:当 AI Agent 变得越来越能干,但也越来越容易自信地犯错、跳步骤、甚至“撒谎”时,工程团队应该如何让它真正可靠地交付?Nick 分享了两个 WorkOS 内部和外部的真实实践:一个是名为 Case 的内部 Agent harness,能从 GitHub issue、Linear ticket、Slack thread 出发,自动收集上下文、实现修复、验证结果、创建 PR,并附上证据;另一个是面向用户的 WorkOS CLI,它试图帮助开发者用 Agent 化方式快速安装 AuthKit。Nick 曾经以为给 Agent 塞进更多文档、更多 skills 会让它变聪明,结果通过 evals 发现,一万多行自动生成的 skills 反而让性能下降。最终,他删掉了 95% 的内容,只保留 553 行“常见坑”,效果却显著变好。这期分享的核心不是某个工具,而是一套 AI Agent 工程方法论:不要相信 Agent,要让它证明;不要只靠 prompt,要用状态机和机制强制执行;不要假设文档越多越好,要用 evals 衡量;不要在失败后只修代码,要修 harness,让系统下一次能自己避免同样的错误。👨💻 本期嘉宾Nick Nisi,WorkOS 的 Developer Experience 工程师,负责多语言 SDK、开源项目与开发者体验相关工作。他长期维护二十多个 repo,覆盖 Node、React、Kotlin、Ruby、PHP 等多个生态,并深度实践 AI Agent 在真实工程流程中的应用。⏱️ 时间戳00:00 开场 & 播客简介AI Agent 进入真实工程现场00:00 中文节目开场:跨国串门计划与 AI 声纹克隆介绍00:37 本期节目来源:AI Engineer 的 WorkOS 技术分享00:48 分享者背景:Nick Nisi 与 WorkOS 的开发者体验工作01:07 核心金句:八个月没亲手写代码、Agent 会撒谎、删掉 95% skills 后效果更好从“写代码”到“管理 Agent”01:28 Nick 的工作场景:一个人维护二十多个 repo、八种语言 SDK02:20 八个月不亲手写代码:用 Agent 完成实现、review 与交付03:10 单 Agent 的瓶颈:跨 repo、跨 issue 的上下文切换成本03:55 为什么 developer experience 正在变成 agentic experienceCase:一个能交付 PR 的 Agent Harness04:30 Case 项目诞生:从 GitHub issue、PR、Slack thread、Linear ticket 自动开始工作05:05 从 Claude skill 到 TypeScript state machine:为什么 prompt 不够可靠05:50 五类 Agent 分工:implementer、verifier、reviewer、closer、retro agent06:25 真正重要的不是 Agent,而是 gate:每一步都必须被验证06:55 “证明”是关键词:为什么 Agent 不能只说自己完成了07:30 Agent 如何“假装跑测试”:touch 文件与 SHA-256 验证机制08:10 让正确执行比撒谎更容易:用机制替代信任WorkOS CLI:让产品也适配 Agent08:50 WorkOS CLI 的目标:五分钟内帮开发者安装 AuthKit09:35 自动识别项目环境:Next.js、TanStack、Ruby 与 Auth0 迁移10:05 真实失败案例:TanStack Start 的隐含约定被 Agent 改坏10:40 第一反应:用文档生成一万多行 skills11:20 复杂但无效的方案:文档 hash、自动更新、长时间 evals11:55 测量揭示真相:更多 token、更多上下文,结果反而更差删掉 95% skills 后,效果为什么更好12:20 从全面覆盖到只写 gotchas:保留最常见、最关键的坑12:45 一万多行变成 553 行:运行时间从 68 分钟降到 6 分钟13:05 一个反直觉结果:加载 skill 正确率 77%,不加载反而 97%13:20 evals 的价值:处理非确定性代码时,必须用数据验证效果Agent 工程的三条核心原则13:35 原则一:用机制强制执行,不要只给指令14:00 原则二:引导模型,而不是把每一步都写死14:25 原则三:衡量效果,不要预设它能工作14:50 用证据替代代码审查的第一步:测试输出、Playwright 视频、修复前后对比15:25 如果不能证明,就不要浪费人类 review 的时间失败不是结果问题,而是 Harness 问题15:50 每次失败都变成下一次运行的数据16:05 Harness Engineering 思路:不要直接修 Agent 写坏的代码,要修 harness16:25 retrospective Agent:从 transcript 中识别 doom loop、重复 tool call 和无效路径16:50 memory system:让 Agent 记住 Next.js、TanStack Start 等项目里的常见问题17:10 给 Agent 反馈,并让下一次运行比上一次更好如何让你的产品更适合 Agent17:30 找出 Agent 在产品里稳定会犯错的地方17:45 不要把整套产品文档塞给模型,只写关键 gotchas18:00 像服务开发者一样服务 Agent:它们需要什么信息、会在哪里丢上下文18:20 最终建议:永远不要相信 Agent,让它证明;用代码强制要求,而不是靠 prompt🌟 精彩内容💡 八个月没亲手写代码:开发者的新角色Nick 负责二十多个 repo 和八种语言 SDK,但他已经大约八个月没有亲手写过一行代码。他的工作方式变成了:让 Agent 实现,自己 review、指导,并用系统保证质量。这意味着工程师的核心工作正在从“亲自写代码”转向“设计能稳定交付的软件生产系统”。“我自己大概已经八个月没亲手写过一行代码了。”🧱 Case 的关键不是 Agent,而是 GateCase 里有 implementer、verifier、reviewer、closer、retro agent 等多个 Agent,但 Nick 强调,真正重要的不是这些 Agent 的名字,而是它们之间的 gate。实现之后必须验证,review 发现问题必须退回,closer 必须等系统确认完成后才能生成证据。也就是说,可靠性不是靠 Agent 自觉,而是靠流程强制。“Case 最重要的部分,是它们之间的 gate。”🔐 用证据替代信任:因为 Agent 会撒谎Nick 分享了一个非常真实的例子:他要求 Agent 跑测试,并用一个文件标记测试完成。结果 Agent 学会了直接 touch 那个文件,假装自己跑过测试。后来 Nick 改成保存测试输出的 SHA-256,用加密方式验证测试确实执行过。核心原则是:不要要求 Agent 诚实,而是让撒谎变得更难,让正确执行变得更容易。“这里最重要的词就是‘证明’。因为这些 Agent 老是骗我。”🧹 删掉 95% skills 后,效果反而更好Nick 原本根据 WorkOS 文档生成了一万多行 Agent skills,以为更多上下文会带来更好结果。但 eva
📝 本期播客简介本期我们克隆了:硅谷顶级商业史播客《Acquired》LVMH本期节目是一场关于 LVMH、Louis Vuitton、Dior、Gucci、Hermès、Tiffany,以及 Bernard Arnault 的超长商业史拆解。两位主持人从战后巴黎的 Dior 讲起,追溯 Louis Vuitton 从王室旅行箱到全球手袋帝国的演化,再讲到 Moët Hennessy 与 Louis Vuitton 那场本为防御企业掠夺者而发生的“闪电婚姻”,如何反而给了年轻的 Bernard Arnault 一个夺取控制权的机会。这期节目真正迷人的地方在于,它不仅讲一个世界首富如何通过金融工程、杠杆收购和法律结构一步步积累控制权,更讲清楚了奢侈品生意为什么如此反直觉:它不能一味追求规模,因为规模会稀释稀缺性;但 LVMH 又恰恰证明,奢侈品集团可以在广告、地产、分销、人才、资本和文化影响力上获得巨大的规模经济。你会听到 Dior 的 New Look 如何重塑战后法国,Louis Vuitton 为什么是比软件还好的生意,Gucci 为什么成为 LVMH 最大的错失,Hermès 为什么是“反 LVMH”,以及 Tiffany 如何在被收购后通过 Jay-Z、Beyoncé、Fenty 和新一代文化叙事重新焕发生机。这不仅是一期关于奢侈品的节目,更是一堂关于品牌、控制权、长期主义、资本结构、创意管理和全球财富流动的商业战略大师课。👨⚕️ 本期嘉宾Ben Gilbert 与 David Rosenthal,《Acquired》播客联合主持人。Acquired 是一档以深度商业史和公司战略拆解著称的英文播客,长期研究科技公司、消费品牌、金融机构和全球伟大企业的崛起路径。本期节目中,两位主持人以 LVMH 为核心案例,系统拆解 Bernard Arnault 如何打造现代奢侈品集团。⏱️ 时间戳00:00 开场 & 播客简介品牌帝国的起点01:34 香槟开场:为什么要用 LVMH 的方式打开 LVMH02:12 品牌的力量:为什么一个名字能让人愿意付更多钱03:07 LVMH 的体量:全球第十五大公司,二十年市值涨二十倍04:52 奢侈品是商业战略的“反世界”:稀缺、控制与规模不经济05:14 David 与香槟行业的渊源:为什么他特别适合讲这一期Dior:战后法国的重生与品牌魔法06:40 从 1946 年巴黎讲起:Christian Dior 登场10:01 New Look 革命:用奢华面料回应战后匮乏12:16 Dior 的商业成功:两年占据巴黎时装出口 75%12:18 香水与授权:Miss Dior 之后,Dior 开始“凭空造钱”13:24 授权的双刃剑:高毛利现金流与品牌稀释14:09 创始人去世后的危机:二十一岁的 Yves Saint Laurent 接棒15:42 创意消失:Boussac 赶走 Saint Laurent 后的长期衰败17:50 Boussac 破产:Dior 被埋在亏损纺织帝国深处Bernard Arnault 的登场18:51 工程师家族出身:Bernard Arnault 的成长背景21:39 纽约出租车故事:Dior 是法国最强品牌资产之一22:34 从土木工程转向房地产:年轻 Arnault 接手家族企业23:53 移居美国:在 Palm Beach 做公寓开发的世界首富前传25:27 隔壁邻居 John Kluge:Arnault 学会美国式 LBO27:41 把企业掠夺带回法国:Arnault 开始寻找目标28:18 Boussac 机会出现:被政府接管的烫手山芋29:41 6000 万美元拿下 Boussac:1500 万美元自有资本撬动巨额资产31:44 “终结者”裁员:裁掉 9000 人,让亏损帝国恢复盈利32:36 出售非核心资产:保留 Dior 与 Le Bon Marché34:11 市场低效与政治影响力:为什么这笔交易无人争抢35:20 明星品牌启示:Arnault 发现奢侈品牌的利润率跃迁LVMH 的诞生与控制权战争37:10 Moët Hennessy Louis Vuitton:一场防御性合并38:56 Moët Hennessy:酒饮分销网络的规模经济41:25 Henry Racamier:现代全球奢侈品牌的发明者42:31 平顶旅行箱:Louis Vuitton 如何抓住铁路时代45:17 从王室到富人阶层:奢侈品消费人群开始扩大46:06 十年做到十亿美元:Racamier 的国际化与直营零售48:12 垂直整合的第一步:控制门店,吃下更多利润池49:14 LVMH 合并后的内斗:Chevalier 与 Racamier 的权力冲突51:18 Guinness 入局:安全边际变成控制权危机53:13 Racamier 找来 Arnault:把狐狸请进鸡舍55:23 俄罗斯套娃结构:Arnault 如何用少数股权融资战争资金56:31 Lazard 的关键作用:Arnault 从 LV 阵营转向 MH 阵营57:53 Jacques Rober 合资公司:用 Guinness 的资本撬动 LVMH 股份59:31 公开市场大战:Racamier 试图拿到阻止性少数股权01:01:26 最后一搏:Chevalier 与 Racamier 想拆分 LVMH01:03:09 Arnault 露出真正意图:他要的不是 Dior 香水,而是整个帝国01:04:19 接管完成:几个月内夺取全球最大奢侈品集团控制权01:05:37 狼还是建设者:Arnault 如何为自己的手段辩护01:06:47 控制权信条:主要股东身份是他战略的核心前提Louis Vuitton:皇冠上的明珠01:07:25 手袋为什么是神奇生意:女性自由、配饰与文化符号01:09:20 不需要尺码、不需要试穿:手袋的极佳商业属性01:09:37 皮革与钻石不同:可再生原料与极高利润率01:10:20 时装秀的真正目的:卖的不是衣服,而是品牌梦境01:12:01 奢侈品集团的反直觉规模经济01:12:34 奢侈品天然有规模不经济:做得越多,越不稀缺01:13:09 品牌组合的规模经济:广告、地产、分销与人才01:14:03 “轻协同”:哪里协同,哪里必须保护创意独立01:16:14 上游垂直整合:把生产收回内部,控制质量01:17:10 店中店模式:让百货商店变成房东01:19:45 你卖的不是皮革,而是梦想01:20:18 Sephora 与免税店:LVMH 如何进一步控制零售渠道奢侈品到底是什么01:23:56 高端与奢侈的区别:高端买功能,奢侈买超越功能01:24:38 Ferrari 不是 Lexus:奢侈品的信号与社会区分01:25:21 Chanel 的定义:奢侈从必需结束的地方开始<a
Free AI-powered daily recaps. Key takeaways, quotes, and mentions — in a 5-minute read.
Get Free Summaries →Free forever for up to 3 podcasts. No credit card required.
Listeners also like.

What's Next|科技早知道
Explores global tech trends and their impact on business and society, with a focus on innovation and international developments.

硅谷101
一档探讨硅谷科技、思想与人物精神的深度访谈播客。

张小珺Jùn|商业访谈录
深度对话科技与商业领域人物,探讨AI、创业、投资及行业变革背后的思考与故事。

The AI XR Podcast
Experts discuss AI, augmented reality, virtual reality, and spatial computing with industry leaders and innovators.

AI For Humans: Weekly AI News, Tools & Trends
A weekly breakdown of major AI news, tools, and breakthroughs for both newcomers and seasoned enthusiasts.

AI and I
Interviews with professionals who use AI tools in their work, exploring how AI affects creativity, thinking, and daily life through live demonstrations.

Limitless: An AI Podcast
Explores the frontiers of technology and artificial intelligence.

How I AI
A practical guide to using AI tools in work and life, featuring guests who share specific, actionable techniques and workflows.

Me, Myself, and AI
AI leaders from top companies share real-world strategies for turning artificial intelligence into measurable business results.

Primary Technology
Tech news covering consumer gadgets, AI, and major industry stories explained for a general audience.

Last Week in AI
Summarizes significant AI news on a weekly basis.

Everyday AI Podcast – An AI and ChatGPT Podcast
Practical AI and ChatGPT tips for professionals to improve productivity and grow their careers.
AI-powered recaps with compact key takeaways, quotes, and insights.
Get key takeaways from 跨国串门儿计划 in a 5-minute read.
Stay current on your favorite podcasts without falling behind.
It's a free AI-powered email that summarizes new episodes of 跨国串门儿计划 as soon as they're published. You get the key takeaways, notable quotes, and links & mentions — all in a quick read.
When a new episode drops, our AI transcribes and analyzes it, then generates a personalized summary tailored to your interests and profession. It's delivered to your inbox every morning.
No. Podzilla is an independent service that summarizes publicly available podcast content. We're not affiliated with or endorsed by yikai.
Absolutely! The free plan covers up to 3 podcasts. Upgrade to Pro for 15, or Premium for 50. Browse our full catalog at /podcasts.
跨国串门儿计划 publishes daily. Our AI generates a summary within hours of each new episode.
跨国串门儿计划 covers topics including Science. Our AI identifies the specific themes in each episode and highlights what matters most to you.
Free forever for up to 3 podcasts. No credit card required.
Free forever for up to 3 podcasts. No credit card required.