本集節目導讀 Charles R. Morris 的《The Tycoons》，透過 Andrew Carnegie、John D. Rockefeller、Jay Gould 與 J.P. Morgan 四人的職涯，說明美國經濟在南北戰爭後的擴張歷程。主持人（本身是商業史讀者，過去曾撰寫 Rockefeller 與 Carnegie 相關內容，並在節目中提及與 Charlie Munger 的一頓晚餐對話）把這本書定位為一套論證，而非四本傳記的合集：這四個人打造了現代商業所賴以運作的經濟平臺。書名上的四個名字確實撐起了整集節目，但這本書真正的主題，是他們創造出來的那套體系——大量生產、大量配
這集節目基本上就是黃仁勳帶隊的臺北美食之旅，不是什麼科技訪談。主持人 Lex Fridman 把大部分時間花在跟黃仁勳一起逛夜市、吃餐廳，真正有料的科技、商業與政策內容，集中在穿插於各餐之間的幾段對話裡。對專業讀者來說，最有價值的部分包括：黃仁勳談 1990 年代中期為何選擇台積電當輝達的代工廠、他主張出口管制應該在「保住技術與財富飛輪」之間取得平衡，以及他描述輝達目前的硬體（全面液冷的 Grace Blackwell、Vera CPU）與在臺灣的招募計畫。 黃仁勳表示，輝達在臺灣約有 1,000 名員工，並計畫在臺灣蓋一棟可容納 4,000 人的新大樓，等於還要再招募約 3,000 人。他
華爾街第三季銀行財報說了一個與債券交易員預期相反的故事：撐起這一季的是股票交易，不是固定收益。高盛在股票交易繳出亮眼成績，領先同業；摩根大通在這塊同樣強勁；富國銀行則靠創紀錄的放貸收入優於預期。花旗下跌 4.3%，因為投資人細看後發現固定收益與費用專案偏弱。銀行分析師 Herman Chan 在 2026 年 10 月 13 日的節目中，向主持人 Tim 與 Carol 逐一拆解這些財報數字，而貫穿全場的主軸是：這波交易收入的大補帖來自股票，固定收益部門則在一旁觀望，等待利率表態。 本集標題點出了這個反轉，但「債券與股票交易此消彼長」只佔了幾個段落中的第一段。整小時的節目大多花在聯準會的利率
路透社記者 Echo Wong 於 2026 年 9 月下旬報導的一份外洩 Anthropic IPO 招股書顯示，該公司 2025 年營收 40 億美元，營業費用卻高達 120 億美元——營業虧損 80 億美元——並在算力與基礎建設上花了約 70 億美元。這些數字遠低於兩位主持人的預期，而它們所支撐的，是外傳 3 兆美元估值、相當於 500 倍歷史營收的定價。Asianometry 的 Jon Y 與 Culpium 的 Tim Culpan 在本集大部分時間裡，推演這些數字對 AI 建設、硬體供應鏈，以及上市時機的意涵。招股書外洩只是切入點，不是整場對話的全部：後半段轉向「放慢前沿步調」（
Dyna Robotics 共同創辦人暨首席科學家 Jason Ma 表示，機器人最難的不是做出展示，而是讓客戶驗證價值、並把機器人部署到多個場域。照他的說法，Dyna 與餐飲集團 Dinton 合作的摺餐巾部署，是通用型機器人公司首次跨過這條線，而公司現在正與 Best Western 合作，切入飯店洗衣服務。本集在 Dyna 灣區辦公室現場錄製，主持人 swyx（Latent Space）在現場看到機器人從冰箱拿飲料、切食材、摺衣服。標題中的「預測未來」並非虛言，但範圍其實很窄：世界動作模型的討論大約只佔對話前三分之一，其餘談的是部署經濟學、資料來源、硬體取捨與公司經營。 Ma 的核心技
Shawn Wang 經營 AI Engineer 會議業務與 Inspace，他在 2026 年辦了一場名為「Kill My SaaS」的公開競賽，測試 AI 程式開發代理（coding agent）能否取代一套真正的中階商用工具。目標是 Sessionboard——一套活動管理軟體，四場活動的報價是每年 4.3 萬美元。共有 72 支隊伍報名，56 個應用程式跑過自動化評測，最終評選則交由 Wang 真實的活動團隊決定，由營運主管 Kelsey 領軍。最受矚目的結論是：複製軟體本身是簡單的部分，難的是品味、整合，以及後續擁有與維護它的責任。本集大致是這場實驗的檢討：參賽者做了什麼、如何把工
推薦理由：實驗揭示 AI coding agent 雖能複製功能，但仍需人類品味與維護，提醒企業在採用時需重視責任與整合成本，並兼顧成本效益
《宅男行不行》、《男人兩個半》和《少年謝爾頓》的創作者 Chuck Lorre 對 Joe Rogan 說，多鏡情境喜劇正在消亡，原因不是觀眾不再想看，而是這個產業把它經營壞了——而他自己的職涯，挺過了在 Scientology（山達基）的十年、挺過了《男人兩個半》因 Charlie Sheen 而崩解，也挺過了一場漫長的內心掙扎：外在的成功填不滿內在的空洞。這一集主要是職涯回顧，以及一場關於名氣、自我毀滅與戒癮的對話；標題把它框在情境喜劇的歷史上是合理的，但真正有份量的內容，是 Lorre 談這個生意怎麼運作、Scientology 承諾了他什麼又讓他付出什麼代價，以及他為什麼相信，唯有靈性
Jellyfish 研究的企業中，AI 支出較去年同期成長 60 倍，每位工程師合併的 PR 數同期增加 43%——但這兩個數字，無論單看或合併來看，都無法回答財務與工程主管在預算季真正面對的問題。Jellyfish 的 AI 研究與工程負責人 Steve Jamison 主張，缺漏的那一項是開發者薪資；把薪資與 AI 支出併入單一「每個合併 PR 的智慧成本」指標後，會發現過去一年每個合併 PR 的美元成本下降了 26%，即使 Token 帳單暴增也一樣。他的核心結論是：AI 約佔產出一個單位合併程式碼成本的 2.5%，薪資佔另外的 97.5%；而在觀察到的區間內，投入更多 Token 持續
推薦理由：瞭解 AI 研究成本中薪資佔主導、Token 只佔 2.5%，有助於管理者在預算季調整投入與成本結構。
本集節目的核心主張是：一個能運作的 AI 代理，不等於一個能被信任的代理；而信任必須在部署前就設計進去，而不是上線後才期待它自然出現。Michele Grant 自述擁有超過 20 年的企業轉型經驗，並領導媒體、科技與消費品產業的併購整合逾十年。她用一個情境來鋪陳這個問題：一樁 150 億美元的併購案，目標是 4 億美元的淨綜效，而代理負責為整合管理辦公室（IMO）自動化每週的綜效追蹤報告。代理產出的草稿與分析師的報告逐行吻合，技術上已獲驗證——而這正是真正考驗的起點。Grant 的答案是給高階主管的三個提問：這個代理創造什麼價值、誰為它負責、以及什麼證據能讓它以更高的自主性運作。 這場討論
Google 的 Gemini 4 Argon 發表，是這一集《Every》「vibe check」的由來，但本集真正的重點是一個具體且可驗證的主張：這個模型是貨真價實的前沿級寫作與結構編輯模型，卻被自家工具鏈拖累。Dan Shipper、Katie Parrott、Mike Taylor、Jack 與 Kieran 在 2026 年 10 月正式發布前花了幾天測試 Argon，涵蓋寫作、程式開發、3D 生成、遊戲、PowerPoint 與設計，共識是 Google 已經補上大部分的模型落差，產品落差卻依然大開。標題下的定調——「Google 回來了」——對模型來說算公道，對生態系則是過譽：整
推薦理由：原文從多維度實測給出前沿模型的表現落差，讀者可藉此評估基礎模型與產品生態間的落差。
示範成功了，模型也沒問題，專案卻始終沒能進入正式環境。這就是 Peyton Gale 這場 15 分鐘演講的核心教訓。Gale 待過 Accenture、Bloomberg 與 Google，如今是新創共同創辦人，正在為 O'Reilly 寫一本關於進階工程實作的書。他的論點是：在銀行內部部署 AI 之所以失敗，問題不在模型品質，而在於一堆沒人回答的組織問題——資料歸誰管、誰核可使用、誰驗證風險、誰簽核，以及系統出錯時誰負責。標題的框架（「不是工程問題」）是刻意的挑釁，而非字面主張：Gale 真正的立場是，探索（discovery）本身就是工程，而界定範圍、限縮自主權、建立證據包這些工程工作，
Apple 於 2026 年 10 月在 Tribeca 一棟連排別墅舉辦的「體驗」活動，發表了 Home View——一款售價 299 美元的方形智慧顯示器，同時推出改款的 Apple TV 4K、HomePod Mini 2，以及由 LG 與施耐德電機（Schneider Electric）操刀的「Apple Home」配件系列。《The Verge》的 David Pierce、Jen Tuohy 與 Nilay Patel 在本集節目中花了大部分時間論證：Home View 是一臺為 Apple 生態系內的智慧家庭新手打造的裝置，而它最核心的承諾——流暢的多使用者辨識——同時也是它最大
Point One Navigation 已從一家 RTK 差分修正服務商，成長為全棧定位公司。共同創辦人 Aaron Nathan 在本集節目中主張，公分級定位已成為實體 AI 的水平基礎設施層——這種東西機器人新創應該直接買，而不是自己打造。距離上次受訪約兩年後，Nathan 與主持人 Grayson Brulte 對談時表示，目前已有超過 10 萬輛量產車輛採用其技術，營收年增率超過一倍，並完成由 Khosla Ventures 領投的 3,500 萬美元 C 輪募資。整場對話大致是一趟精準定位應用場景的導覽——自動割草機、最後一哩配送、農業、人形機器人、無人機——中間穿插一小段關於 G
推薦理由：原文透過 Point One Navigation 創辦人的訪談揭示定位基礎設施的發展現狀，讀者可藉此評估實體 AI 的供應鏈分工與發展趨勢。
中國出口商在高盛（Goldman Sachs）研究的幾乎每一個產業都在搶下市佔，但最驚人的進展出現在新興市場，而非美國或歐洲——而且價格走勢與通縮敘事正好相反。這是本集高盛 Exchanges 節目的核心發現，主持人 Allison Nathan 在節目中專訪高盛大中華區股票研究共同主管 Trina Chen。Chen 的團隊檢視了十多個產業、約 40 家中國與全球企業，涵蓋白色家電、電動車，到手術機器人、電力裝置與快遞。本集節目主要談的是這波市佔爭奪的運作機制：哪些地方正在發生、價格實際上如何隨時間變化、哪些現有業者能守住防線，以及市場如何評價贏家與輸家。美中貿易關係與存取限制直到最後幾分鐘
房地產是地球上最大的資產類別——全球規模約 400 兆美元，比全球股票、債券與黃金加總還大——但支撐這一切的建築物每隔數年才更新一次，而以它們為標的寫出的金融工具卻是每季結算。這個落差，正是 Spranic 創辦人 Jordi Spranger 在 AI Engineer NYC 2026 發表的這場演講的核心論點，該場次由 Spranic 與圖資料庫公司 Neo4j 合作。Spranger 的主張是：用一臺現成感測器走一遍建築物、辨識裡面的資產，再把結果存成可逐次走訪比對的時序圖（temporal graph），就能讓一棟建築物像帳冊一樣可查詢。 本集是單一講者的短講，談產品與論點，而非廣
同一筆交易，可能得到 0.04 分，也可能得到 0.91 分，差別只在模型看不看得到它的鄰域。這正是 EXL 兩位實務專家在這場 20 分鐘技術演講中的核心示範——AI 工程副總 Somya Rai 與首席 AI 架構師 MD Sharique 主張，詐欺不是某一筆交易資料列的屬性，而是它所處圖網路的屬性。他們的說法是：在既有的 XGBoost 模型上加入一組由 GraphSAGE 衍生的嵌入向量（embedding），在固定警示預算下，真陽率（TPR）相對提升 27–33%；換算到兩個信用卡產品組合，推估每年可多攔截約 6,500 萬美元的詐欺金額，而推論延遲 p99 僅 3.1 毫秒。
AlphaGo 與 AlphaZero 背後的推手 David Silver 已離開 DeepMind，與人共同創辦 Ineffable Intelligence。這家實驗室押注的是：超智慧將從強化學習代理中誕生，而這些代理會從經驗中自行發掘一切知識，而非仰賴人類語言資料。在這場與主持人 Sonya Huang 的對談中，Silver 與共同創辦人 Lasse Espeholt 完整鋪陳了捨棄 LLM 路線的技術論據、他們正在打造的架構，以及罕見地具體的時間表：一年內取得該方法可行的強力證據，三年內實現真正的超智慧。本集內容主要圍繞研究哲學與基礎設施；標題所稱的「超級學習者」框架確實貼切，但當
Corey Gallon 在 Rexmore 負責代理營運，他說自己相信代理告訴他的每一件事——但前提是他建立了一套三層審查機制，在錯誤傳到他手上之前就先攔下來。本集的核心發現是：在他把超過 1,070 億個 Token 送進代理、並分析 2026 年截至目前的代理工作階段後，大約每十次代理工作階段就有四次，代理在某件要緊的事情上出了錯。本集大部分內容是在拆解他為此打造的審查方法，分成三個層級，每一層針對一種特定的失敗模式，並用三個真實案例說明。標題的框架——相信代理——是收尾的點題，而不是主題本身；真正的內容是這套審查架構與三個案例。 Gallon 的方法把三種觀察到的失敗模式各自對應到一
推薦理由：三層審查架構可幫助工程師在部署代理前提前發現錯誤，降低失敗率。
Nubank 創辦人暨執行長 David Vélez 向主持人 Patrick O'Shaughnessy 表示，銀行業從實體分行轉向數位平臺的遷移，大約落後媒體從 Blockbuster 轉向 Netflix 的變革十年左右——全球規模 10 兆美元的消費金融產業，仍有約 90% 透過傳統銀行執行，而所有純網銀與金融科技公司加總起來的市佔不到 10%。本集節目大致上就是圍繞這個論點及其後果展開：Nubank 如何以 1 萬名員工達到 1.4 億客戶，而競爭對手以 10 萬名員工、6,000 家分行才做到 1 億客戶；Vélez 為何將 AI 定位為智慧型手機浪潮之上的第二層效率乘數；以及他如
Meta 推出了一款模型，首度讓 OpenAI 與 Anthropic 以外的實驗室躋身前沿模型之列。主持人 Theo Browne 是開發者、也是 AI 模型評測者，主持 T3 Code 專案。他花了四到五天實測 Muse Wonder 與較大的 Muse Wonder Full，結論是：Muse Wonder Full 是他第一個願意日常使用、且非出自 Anthropic 或 OpenAI 的模型——它速度快、Token 效率高、特別擅長排程子代理（sub-agent），而且「低階失誤」的發生率低得驚人；不過在困難推理上的天花板仍低於 Opus 5.5，UI 與 3D 輸出也很差。他明白表
Ryan Serhant 靠著把時間當成貨幣、對潛在客戶長年跟進，以及把社群媒體的觸及轉化為商業資產，在紐約房地產界闖出一片天。在這場與 Shane Parrish 的對談中，這位仲介、《Million Dollar Listing》實境秀明星說明，他的核心行事原則不是「假裝成功直到真的成功」，而是把自己當成未來那個已經成功的版本來行動——這套自律讓他在 2010 年贏得 Bravo 電視臺的選角，後來又在疫情正熾時創立自己的房仲公司。本集標題聚焦銷售技巧，Serhant 確實談到成交的技術面，但對話範圍更廣：時間管理、個人品牌、內容帶動商務的經濟邏輯，以及面對尷尬的心理素質。 對專業讀者最
DeepMind 時期主導 AlphaGo 與 AlphaZero 的研究員 David Silver，與人共同創辦了一家名為 Ineffable Intelligence 的新實驗室，要走一條刻意揚棄當前主流大型語言模型（LLM）典範的超智慧（superintelligence）路線。在這場 67 分鐘、由主持人 Sonya Hua 進行的訪談中，Silver 與共同創辦人 Lasse Espeholt 主張，通往真正「超級學習者」（super learner）的唯一途徑——一個能像人類集體那樣，從經驗中自主發現所有知識的系統——就是從零開始的強化學習，不倚賴 LLM 公司所仰仗的兆級 To
抖音在 2026 年 2 月 10 日上線獨立 App「抖省省」，用半年時間把日活做到 2,000 萬以上，逼近大眾點評做了二十年才累積的 3,000 萬出頭日活。這意味著美團利潤率最高的到店團購券業務，第一次遇到一個專門衝著它最後「付錢那一步」來的對手——而這塊業務過去十多年幾乎沒有競爭壓力，是美團補貼外賣、支撐多線作戰的現金奶牛。本集《瘋投圈》由主持人黃海與 Rio 對談，把美團的業務拼圖補全：先前節目已聊過外賣大戰（第一曲線）與即時零售（第二曲線），這次聚焦到店團購券，並延伸到阿里在團購券上的試水，以及體驗型消費作為破解內卷的可能解法。 標題聚焦的「抖省省突襲美團到店」，在節目中大約佔
生技製藥業的併購交易在 2026 年第三季降溫，但仍維持在歷史上的強勁水準；與此同時，在 Mesa 舉行的細胞與基因治療會議（Cell & Gene Meeting on the Mesa）上，一場由美國投資人組成的座談小組點名中國生技產業是競爭威脅——但也附帶說明，中國的 MeBetter 分子在細胞與基因治療領域還算不上真正的對手。這是本週節目裡最具實質內容的兩條主線；節目其餘部分還談到 Vaxcyte 旗下 31 價肺炎鏈球菌疫苗的第三期試驗報捷、西班牙難以把科研產出轉化為商業規模，以及塩野義製藥（Shionogi）以 20 億美元收購 IntraBio。標題所稱「五件必知大事」的說法名
Arcutis Biotherapeutics 執行長 Frank Watanabe 表示，公司第三度找名人合作——這次是體操選手 Simone Biles，於本集錄製前一週對外公佈——這是一套刻意設計的疾病認知推廣劇本的一環，瞄準的是一個大多數乾癬、脂漏性皮膚炎與異位性皮膚炎患者根本沒在用處方藥治療的市場。本集標題聚焦在 DTC 監管緊縮下的名人行銷，但這個框架只涵蓋了整段對話的前三分之一。真正的主體是一份商業化案例研究：Arcutis 如何為了用藥可及性而非最高標價來訂定 Zoryve 的價格、如何與其他品牌非類固醇藥物競爭，以及臨床社群——而非產業界——如何推動「類固醇管理」運動，而這場
Andrew Beer，一家管理期貨領域 ETF 發行商的執行長，在 Systematic Investor 系列節目中與主持人 Niels Kaastrup-Larsen 對談，主張趨勢跟隨型 CTA 是資產配置者手上最被低估的分散工具之一，而 60/40 股債配置模型的霸主地位，靠的是過去 20 年的一場歷史偶然，而非什麼顛撲不破的真理。本集標題雖然指向「讓 CTA 走向主流」，但整段對話其實更像是一套有條理的資產類別論證：SocGen CTA 指數的六項統計特性、三場危機的回顧，以及一大段關於敘事與術語的討論。至於「走向主流」這個問題本身——究竟什麼才會逼得配置者改變——只在接近尾聲時簡
生技類股進入 2026 年第四季時，上半年的動能已經熄火。本集節目的核心發現是：第三季的回檔，主因與其說是該季幾樁備受矚目的臨床失敗，不如說是 Moderna 的一場軋空，逼得多空策略的專業基金出清手上其他無關、但被廣泛持有的生技持股。BioCentury 首席金融記者 Stephen Hansen 表示，為了該媒體的第四季公開市場展望，他訪談了約十幾位買方與投資銀行人士，得到的結論是這一季會很清淡，併購與 IPO 活動可能要等到新年才會回溫。標題所下的「暴風雨前的寧靜」對市場討論而言相當貼切，而市場討論佔了本集大部分篇幅；不過節目也談了另外兩條線：三項後期臨床失利之後，心血管二級預防試驗該如
Ambi 創始人莫子皓（子皓）在這集 86 分鐘的對談中，給出了一個與當前輿論相反的判斷：Personal AI 這一波之所以在 2026 年下半年真正具備爆發條件，不是因為模型突然變強，而是因為「產品與傳播鏈路」終於補上了 OpenClaw 缺的那一塊，加上模型能力已逼近「所有可數位化的任務成功率趨近 100%」的臨界點。他認為真正的非共識機會不在 Computer Use、memory 這些兩個月後就會變成理所當然的技術概念，而在「人跟 AI 的互動方式」——尤其是把互動成本降到零之後，需求會被急劇放大。 子皓的背景橫跨六年的工具類創業（融三輪後被收購）、四年保險與創新支付與 SaaS
本集節目的頭條話題——川普總統據傳將達成協議，讓俄羅斯柴油流入全球市場——在 54 分鐘的節目中只佔了幾分鐘。對話的主體是一份三部分的簡報：(1) 兩場仍在進行中的戰爭及其周邊政治，(2) 由 AI 代理帶動、持續加速的資料中心資本支出競賽，以及 (3) 已完成的 Paramount–Skydance 合併案，以及這對 Netflix 和 CNN 的意義。柴油這則新聞主要是作為期中選舉前的燃料價格操作而浮現，已引來跨黨派的反彈，包括前副總統 Mike Pence。 節目由 Bloomberg 的 Carol Massar 與 Tim Stenovec 主持，Charlie Pellet 負責
Meta 的 Muse Wonder 發表會是這場 134 分鐘對話的契機，但整集節目主要還是一份難得而詳盡的紀錄，說明一家前沿 AI 實驗室如何從零開始打造——招募人才、算力押注、訓練流程、產品哲學，以及經濟模型。Meta 創辦人暨執行長馬克·祖克柏，以及領導 Meta Superintelligence Labs（MSL）的汪滔，逐一拆解 Muse Wonder 背後的技術與組織機器；這款新的前沿模型驅動 Meta 的個人代理產品 Muse。標題中的「$100B AI」點出本集最驚人的一刻——祖克柏與汪滔描述 2025 年底的一項決定：在模型尚未獲得驗證之前，就承諾投入約 1,000 億至
推薦理由：此影片詳述 Meta 投入 1000 億美元打造 Muse Wonder，讀者可瞭解大規模 AI 投資與產品落地策略。
一座 AI 資料中心造價高得驚人，這是本集的切入點，但真正的論點在於：超大規模業者的擴建潮已經演變成一場廣泛的原物料通膨故事，而不只是晶片的故事。Bloomberg News 科技總編輯 Lynn Doan 與美國半導體記者 Ian King 在舊金山加入主持陣容，拆解 Doan 在終端機上的報導（King 亦參與協助）。報導指出，Meta、Amazon、Microsoft 與 Alphabet 的資本支出合計將達到約 7,500 億美元——Doan 說，這個數字明年將朝兆元等級邁進。標題聚焦的單一資料中心細項成本雖有觸及，但對話範圍更廣：晶片廠的經濟結構、電力與散熱的瓶頸、「已通電土地」的市
Lockheed Martin 在 AUSA 大會展場上發表 PAC-3 Edge，這是新一代愛國者（Patriot）攔截彈，計畫團隊主管表示，其設計目標是飛得比現役 PAC-3 MSE 更高、更快、更遠。發表本身是頭條，但對投資人與國防觀察者更有價值的內容，是背後支撐的生產與成本架構：Lockheed Martin 高階主管 Tim Cahill 過去曾主掌 PAC-3 計畫，如今負責對外說明飛彈產品組合，他在訪談大部分時間談的是公司打算如何把 PAC-3 MSE 的產量拉高到接近數千枚、PAC-3 ACE 如何以「三分之二效能、一半成本」的定位卡進中間層，以及為何固體火箭馬達與先進尋標器仍
這集節目最關鍵的脈絡，並不是標題所標示的那一條。AI 生成程式碼的形式驗證（formal verification）——標題主打的題目——大約只佔整段對話的中間三分之一，那是對 Runtime Verification 執行長 Everett Hildenbrandt 與伊利諾大學教授 Grigore Roșu 的訪談，談的是他們如何在 Linux 核心中揪出一個靜默的身分對映（identity-mapping）缺陷。剩下的 158 分鐘，則是一場未經剪輯的即時工作實況：主持人 Nathan Labenz 播放一份 AI 生成的專題演講（投影片、講稿、複製人聲旁白一應俱全），準備拿去芝加哥某個
Flywire 的 AI 平臺團隊打造了一套內部代理式自動化平臺 Orbit，在最近一個 30 天區間內執行超過 11,000 次工作流程，成功率達 99%，其中包含 9,700 多次自動程式碼審查，平均每件合併請求（merge request）花不到三分鐘。由 Flywire AI 平臺體驗團隊的 Eduardo Simon 與 Javier Casal 主講的核心論點是：企業級代理式 AI 應該以結構化工作流程的形式打造——用確定性的程式碼處理可預測的步驟，只在真正需要推理的地方插入 LLM 呼叫——而不是做成開放式的自主代理。標題的「工作流程，而非自動駕駛」這個框架精準到位，也撐起了整集
Perpetual 的技術長 Karthic Rao 主張，受監管金融領域匯入 AI 的核心設計問題，不是「該給多少代理權」，而是「確定性控制與模型判斷之間的界線要畫在哪裡」。Perpetual 是一家財富管理整併集團，專門收購傳統顧問公司，再用 AI 拉高其產能；Rao 的分享立基於受監管環境下的實際生產經驗，不是思想實驗。標題的框架——為金融、財富管理與保險打造可靠、聰明的流程——與內容相符：整集幾乎只談一套架構和一個例項，也就是追討 IRS W-9 表，保險只在「受監管垂直領域」的分類裡被順帶提及。 讀者能帶走的是具體架構：一個以模型為基礎的規劃器（planner），負責產出有型別的語
Martin Shkreli，這位因哄抬藥價而成為全美象徵人物的製藥業高層，在這段 25 分鐘的對談中，大半時間都在主張量子運算是一場商業騙局，而非技術故事，並認為 AI 熱潮真正的錢在光子矩陣乘法，而非量子位元。本集標題誇大了製藥內容的比重：藥價與 Turing Pharmaceuticals 那段往事只佔一小段，討論的主體其實是以避險基金風格拆解量子運算的估值、AI 資本支出，以及矽谷的創業倫理。與 Shkreli 對談的是主持人 Jason Calacanis、Chamath Palihapitiya 與 David Friedberg。 Shkreli 談量子運算的資格，來自他的妻子
Hrishi Olickel 是 Southbridge AI 的共同創辦人。他主張，過去十年支撐多數資料基礎設施的核心假設——轉換（transformation）很貴——已被便宜、隨取即用的模型智慧打破；而正確的回應不是打造一套通用 schema，而是在決策已知的當下才建構「即時本體」（just-in-time ontology）。這場演講大致上是一位實務工作者對自家團隊如何運作自我最佳化管線的第一手描述：模型扮演的三種角色、為什麼模型先驗（prior）如今是最大宗的資料錯誤來源，以及「帕雷托衝浪」（Pareto surfing）如何讓他們只花 795 美元就完成俄亥俄州競選財務紀錄的解析，而
IQVIA 正在打造一系列以生命科學資料訓練的基礎模型——涵蓋數百萬筆長期病患紀錄，外加公開的臨床試驗資料——該公司聲稱，這套模型能在試驗實際執行前模擬試驗結果，而 IQVIA 的賣點是，這能把業界的成功率從大約十分之一推升到五分之一或六分之一。IQVIA 人工智慧與技術解決方案部門機器學習副總裁 Raja Shankar 向主持人 Irena Luo 解釋其運作機制：模型會為病患、疾病與醫療事件學習內部表徵（「嵌入向量」），再預測病患歷程中的下一個事件，或病患在特定療效指標上的反應。本集大致上是一場技術與方法論的對談，談這類模型如何建構、驗證與建立信任；標題所框定的「改善臨床試驗決策」說得通
Mahmoud Abdelwahab 是 Railway 的開發者，他花了幾個月時間，把一整疊內部 SaaS 訂閱服務換成單一一個由代理（agent）打造的工具——而他最核心的發現是：難的從來不是程式碼。這一集的標題把它包裝成對粗糙的一次性 SaaS 替代品的抱怨，而這個框架確實撐起了整場演講，但實質內容是一套具體可循的作戰手冊：代理什麼都蓋得出來，但除非你明確要求一組特定的產品行為與驗證迴圈，否則它們不會做出你真的想用的軟體。Abdelwahab 這個all-in-one 工具如今負責 Railway 的網站內容、更新日誌、部落格、電子郵件寄送、跨平臺社群發文、媒體管理、給外部創作者用的迷你
推薦理由：代理工具可統一多項 SaaS 功能，關鍵在於明確需求與驗證迴圈，確保輸出符合預期，並可節省開發成本。
兩位研究員正以遞迴自我改進（recursive self-improvement，RSI）為主題創業，他們主張這個詞已被稀釋到近乎毫無意義，真正重要的區別在於：最佳化者（optimizer）的位置上坐的是誰、或什麼。Dhaval Adjodah 是物理學出身，在 MIT Media Lab 取得強化學習博士；Owen He 主修數學，博士期間研究持續學習與元學習，之後在 DeepMind 擔任研究科學家數年。兩人與主持人 Martin Casado 同臺，完整說明他們的框架。他們的核心主張是：先前的技術時代——用晶片打造晶片、網際網路加速協調、蒸汽機讓煤礦開採更快——都只是自催化（autocat