本集是一場實作工作坊，而非泛泛而談。Qodo 開發者關係負責人 Nnenna Ndukwe 帶著滿場開發者，走過一套結構化的 AI 編碼工作流程，整場以一個 fork 出來的示範 repo（名為 SignalPay 的 FastAPI 支付 API）為核心。全場最重要的一個主張是：代理式開發（agentic development）的程式碼品質，必須靠成文規則與技能（skills）來強制執行，而這些規則與技能要放在任何單一 repo 之外，並在每個階段——規劃、程式碼生成、本地驗證、PR 審查——都被拉進來。標題用「品質關卡」來定調是貼切的：關卡確實是整場的主軸，不過實際執行時間有相當大的比例
Arize AI 產品負責人 Fuad Ali 在 AI Engineer 大會上用 38 分鐘的工作坊，主張代理可觀測性（agent observability）正從「人類看的儀錶板」轉向「編碼代理（coding agent）能消費、調查並據以行動的程式化介面」。標題裡的「自我學習迴圈」只是包裝，實質內容是一條具體的四階段流程——偵測、調查、修復、驗證——並以一個刻意埋了 bug 的購物代理 Wonder Toys Assistant 現場示範，再加上 Arize 的三個產品介面（Signal、Arize skills、Agent Experiments）分別自動化每個階段。這集節目大部分時
推薦理由：提供可落實於實務的四階段自我學習流程，讓代理開發者能以程式化介面監測與修復錯誤，並驗證改進效果。
Google DeepMind 的開發者體驗工程師 Thor Schaeff 負責 Gemini API 與 Google AI Studio，他在這場 20 分鐘的議程中，展示了一系列近期推出的 Google DeepMind 模型，並主張：原生音訊的即時代理（agent）現在已經可以實際落地開發。這場議程的主標題「你的代理現在聽得見你了嗎？」實際上是一趟多模態積木之旅：富有表現力的文字轉語音、影像生成與編輯、近乎即時的語音翻譯、音樂生成，以及透過 Live API 存取的 Gemini 3.1 Flash Live 對話模型。整場議程以現場 demo 為主，而非單一論點，同時也為 Scha
推薦理由：展示 Gemini 3.1 Flash Live 在即時語音代理上的實際落地，讓開發者可快速構建多模態對話體驗。
兩位 AWS 工程師在會議室裡，用不到一小時帶大家從零打造並部署一個 AI 代理，而這場分享的重點與其說是示範，不如說是讓代理能安全上線生產環境的控制機制。Sandhya Subramani 與 Elizabeth Fuentes Leone 都任職於 AWS 負責 Strands Agents 與 Amazon Bedrock AgentCore 的團隊，她們主張代理工程真正困難的地方不是推理迴圈，而是包在迴圈外圍的確定性護欄：限制工具呼叫次數的 hook、只在需要時注入上下文的 skills 檔案，以及在輸出送到使用者面前之前先行檢查的 steering 處理器。本集標題承諾的是一場「sp
推薦理由：本示範展示了 AWS 代理開發流程，提供可直接套用於生產環境的安全控制技巧，讓開發者能在短時間內完成從零到部署的完整迴圈。
Atlassian 的 Dev AI 團隊在 AI Engineer World's Fair 的這場工作坊中提出一個論點：代理式（agentic）軟體開發還剩下的最大生產力成長空間，不在程式碼生成本身，而在「程式碼前後的一切」——規劃、協作排程、審查、標準落實與事故應變。主講人 Andy Wong 在 Atlassian 待了四年，投入 AI 領域約兩年半，與隊友 Shane Wolf（Dev AI 領域主管）及 Andrei Bocan 共同發表。這場議程原本設計成圍繞 Atlassian Jira Coding Agent 的實作工作坊，但研討會現場 Wi-Fi 不斷斷線，團隊被迫改成延
這場 109 分鐘工作坊裡最有價值的內容，不是標題所標榜的「讓代理自己擁有推論能力」——那個論點只佔開場幾分鐘——而是實機操作、數字紮實的演練：如何在單張專用 GPU 上跑生產級 LLM 端點並調校它。Akamai 兩位工程師——開發者推廣 Du'an Lightfoot 與資深軟體工程師 Khaja Omer——把大部分時間花在即時的 Jupyter／Kubernetes 環境裡，測量每秒 Token 數、首 Token 延遲（time-to-first-token）與 KV 快取行為，然後一次改一個 VLLM 引數，看這些數字怎麼動。最受矚目的實測結果：把 Qwen 3 4B 模型從 BF
Micah Silverman 是 Snyk 近五年的老員工，他在一場安全會議上主持了一場兩小時的工作坊，完整說明 Snyk 所謂的「AI 安全工程師基礎」課程——六個模組，涵蓋 OWASP 針對 LLM 的 Top 10、影子 AI 治理、AI 物料清單（AIBOM）、AI 威脅建模、Model Context Protocol（MCP）安全、氛圍編碼（vibe coding）以及紅隊演練。這場議程原本三小時，被壓縮成兩小時，因此 Silverman 深入講解了 OWASP 前七項，後面幾張投影片則快速帶過，並向與會者表示所有內容都會放在自助式網站上，附有徽章與完課證書。 貫穿每個模組的核
Elastic 對 AI conference 聽眾的說法很直白：檢索仍是 RAG 最難的部分，而且沒有任何單一檢索方法——向量也好、關鍵字也罷——能獨力勝任。Elastic 的 AI 架構師 Jeff Vestal 與搜尋專家團隊解決方案架構師 James Williams 花了 76 分鐘，帶著滿場聽眾實作一套工作坊：先建構語意搜尋，再用詞彙式 BM25 搜尋把它拆掉，最後以倒數排名融合（Reciprocal Rank Fusion，RRF）與可調線性加權把兩者重新組合為混合搜尋。標題的「向量不夠」說法正確，卻低估了範圍：這場議程主要是實機 lab 演練（四章，外加重新排序器的 bonu
推薦理由：實作混合搜尋方法，示範向量與 BM25 結合對 RAG 的提升，並提供可調線性加權與倒數排名融合的實作範例，說明在實際工作坊中如何快速組合兩種檢索模型以提升回覆質量
Jordi Visser 是一位宏觀投資人，主持「Signal vs. Noise」研究系列，自稱是主修宏觀經濟學、在 2012 至 2013 年後轉進數位經濟的人。他主張，把 AI 說成「泡沫」是倒果為因：泡沫在舊的、依賴利率的經濟裡，而數位與代理經濟才是該做多的賽道。本集標題主題——AI 是不是泡沫——確實有正面處理，但只佔開場三分之一；52 分鐘裡大部分篇幅在談投資組合建構，討論自 iPhone 問世（2007 年 7 月 1 日）以來 alpha 集中在哪裡，以及 Visser 預期接下來會集中在哪裡：算力、加密／代幣化，以及隱私。 Visser 的核心論點是：AI 算力的需求如今來
Josh Woodward 負責帶領 Google Labs、Gemini 應用程式與 Google AI Studio。他主張，AI 能力變化速度之快，迫使每一家公司——不只是 Google——都必須採用研究實驗室的營運紀律：大量進行低成本實驗、緊盯某件「幾乎可能」的事變成可能的那一刻，並且願意快速砍掉想法。本集標題把這件事框定為普世的要求，而這個框架確實撐起了整場對話，但最具體的價值在於 Woodward 談到的實際做法：Google Labs 如何產生與砍掉想法、在指標出現之前產品市場契合度（product-market fit）長什麼樣子、規劃時程如何壓縮到大約 100 天，以及他親自
這場 106 分鐘工作坊裡最有力的主張，並不是標題所標榜的資料情境層（data context layer）——那個主題大約只佔開頭 25 分鐘——而是講者自己在評估實驗中得到的反直覺發現：一個專門打造、能用一次呼叫回答 grep 得跑很多次才能回答的圖形工具，在單次準確率上竟然與 grep 大致打成平手。只有當同一批問題跑五次、改以一致性而非最佳情況正確率計分時，圖形代理才拉開差距——可靠性約為兩倍，Token 用量則少了約 3.1 倍。講者從中得到的教訓是：打造情境層是簡單的部分；讓代理真的願意去用它才是難的部分，因為模型在後訓練階段被教成要 grep、要讀檔案，除非把更好的工具塑造成它們
Filip Makraduli 代表 Superlinked 主講，帶大家看一套開源 MCP 伺服器：它把敏感的檔案處理工作——OCR、實體抽取、去識別化、摘要——從使用者本地的代理框架（Claude Code、Co-work、Claude Desktop）解除安裝到自架的推論叢集上。核心論點是：隱私、Token 成本降低、模型可替換性並不是三個各自獨立的問題，而是同一個基礎架構問題——只要掌控推論層，就能在自己的 VPC 內預先處理檔案，只把去識別化或濃縮後的產物回傳給主代理，既省下 Token 支出，又讓原始 PII 不會流到外部 API。本集主要是技術架構分享加上現場 demo；標題提到的
推薦理由：示範如何將敏感檔案處理移至自架推論叢集，降低 Token 成本並保護隱私，對本地 AI 工程師設計有實際參考價值。
Reducto 是一個代理式（agentic）檔案平臺，它解析了超過 300 萬頁經過塗黑、掃描與手寫的政府 PDF，為 JMail 提供底層支援——這個爆紅的「Gmail 分支」介面正是建立在 Epstein 檔案之上。這就是 Reducto 開發者關係負責人 Palak Agarwal 與創始工程師 Omar Alhait 在這裡講述的核心故事，而它主要談的是檔案抽取基礎設施，不是 Epstein 檔案本身。標題所指的主題，主要是以動機案例的形式出現：一個五小時的駭客松專案，如何演變成一套產品（JMail、JFlights、Jamazon、JDrive、JPhotos、JCal），到二月已
Bright Data 解決方案架構師 Yohan Raju 主張，網路資料收集的瓶頸已經從代理（proxy）基礎設施轉移到工程人力，而 AI 代理（agent）加上 Model Context Protocol（MCP）端點，如今已能代勞橫跨數千個網站的爬蟲建置與維護工作。Raju 在一場研討會演講中指出——他在 Bright Data 待了六年，形容該公司是僅次於 Google 的全球最大網路資料收集平臺，每月收集數 PB 的資料——他逐一拆解傳統爬蟲技術堆疊、反機器人（anti-bot）軍備競賽，並現場示範代理如何抓取 Amazon 商品頁、到 Reddit 搜尋輿情，最後給出「買／不買
Neo4j 資深軟體工程師暨開發者倡議者 Nyah Macklin 主張，純向量檢索增強生成（RAG）在需要多跳推理、聚合或可追溯來源的問題上會失效，解法是保留向量層，並在檢索路徑中加入知識圖譜——她將這種架構稱為 GraphRAG。本集是實作工作坊，而非概念綜覽：Macklin 與同事 Jeremy Adams Castanhas 帶著滿場工程師，從 Neo4j 自家的 Graph Academy 課程內容建出知識圖譜、建立向量索引，再把兩者接進一個 Neo4j Aura 代理，讓它只根據這份圖譜回答問題。標題的框架合理但比內容狹窄——「RAG 需要一張地圖」是論點，但 52 分鐘裡大部分時
Unblocked 共同創辦人 Peter Werry 主張，檢索增強生成（retrieval-augmented generation，RAG）——他狹義地將其定義為語意相似度或向量搜尋——只解決了檢索問題的一半。另一半，也是這場精簡版實作工作坊的重點，是把自然語言轉譯成真正、結構化的資料庫查詢，讓帶有結構或時間限制的問題（例如「我上週合併的 PR」）能回傳正確答案，而不是隻回傳語意相近的檔案。本集是實機建構的逐步導覽，而非概念性演講：Werry 逐一走過六個堆疊的 pull request，把一個只有空殼的引擎變成可運作的查詢產生器，再變成經過驗證、能自我修正的版本，最後讓同一個引擎驅動一
本集節目的核心結論是：Hermès 與 LVMH 目前都不值得買進，儘管兩者股價都接近歷史估值低點。主持人 Shawn O'Malley 與 Daniel Mahncke（兩人皆為 The Intrinsic Value Podcast 主持人）逐一拆解這波精品業低迷，認為疲弱主要來自總體經濟因素——中國房地產危機、波灣旅遊急凍，以及嚮往型買家族群縮水——而非品牌本身受損。但數字過不了他們設下的 12% 門檻：Mahncke 的基本情境推估，Hermès 在每股 1,300 歐元時預期報酬約 12–13%（目前股價接近 1,400 歐元），LVMH 在合理價值 350 歐元時約 11%。兩位主
2026 年 4 月，一艘荷蘭探險郵輪上出現單一 Andes 漢他病毒感染，最終造成 13 例確診、3 人死亡，接觸者追蹤範圍橫跨 33 個國家與海外領地、超過 300 名接觸者——這是已知首起郵輪上的漢他病毒群聚事件。本集標題指向病毒本身，但訪談內容主要圍繞其周邊的公共衛生體系：一種罕見、可人傳人的漢他病毒是如何被辨識、定序、圍堵與後送，以及其潛伏期與傳染力至今仍有哪些未知之處。 主持人 Vincent Racaniello 於 2026 年 9 月 16 日在葡萄牙波爾圖舉行的歐洲臨床病毒學會（European Society for Clinical Virology）年會現場錄製本集
LiveKit 這家即時基礎設施公司的開發者推廣者 Jesse Hall 主張，語音 AI 產業對原始延遲的執迷是搞錯了方向。他說，真正的目標是做出行為舉止像人的語音代理——一邊說話一邊聆聽，能分辨對方是講完了還是隻是停頓，並在來電者改變心意時隨之調整。單靠速度，這些一樣都做不到。做得到的是底層模型管線的選擇與配置。 這場演講是實戰派打造即時語音代理的指南，內容主要圍繞模型選擇、延遲預算、輪替偵測（turn detection）、非同步工具呼叫與基準測試。標題的框架——把延遲當預算、以擬人為目標——是整集的貫穿主軸，不是隨口一提。Hall 逐一拆解三種具體的失敗模式（排行榜陷阱、量錯延遲、忽
推薦理由：原文指出，單靠速度無法打造像人般的語音代理，重點應放在模型管線與配置上，對實務開發者提供可落地的設計思路。
イハラサイエンス會長中野德夫在節目中，將2023年透過MBO下市定位為「從股東手中解放」，並談到其代價是落入銀行管理之下，以及為了在兩年內脫離銀行掌控，先對外宣告營業利益率30%的目標並加以實現的經過。節目標題雖打著MBO與Dalton的「這裡才聽得到的話」，但實際主軸在於對股東至上主義的反駁、思想經營（理想主義、人本主義、自然主義），以及下市所帶來的經營速度提升。MBO的實務幕後過程則集中出現在節目中段。 來賓為中野德夫（イハラサイエンス代表取締役會長，1941年生於長野縣，1999年就任第三代社長，2015年轉任會長，2023年MBO後兼任社長，2024年起專任會長）。主持人為西田雅美（
過去 12 個月，企業 AI 的關鍵字就是「token 極大化」（token maxing）——百萬 token 的上下文視窗、MCP 無所不在、代理式編碼工具能從任何地方抓取上下文——而這也衍生出兩個問題：成本失控，以及深度的垂直鎖定。這是 Tailscale 策略專案團隊成員、負責該公司 AI 閘道產品 Aperture 的 Remy Guercio 在 AI Engineer World's Fair 閉幕演講中提出的論點。他的處方不是整併到一、兩家前沿供應商——他說這是他從數百家企業聽到的近乎普遍的恐慌反應——而是「ROI 極大化」：在企業內部 AI 部署的四個層次上，各自保留獨立選擇
推薦理由：企業 AI 成本失控與垂直鎖定問題，作者提出 ROI 極大化的四層部署方案，強調內部 AI 產品化與成本管控，為企業內部 AI 投資提供可行路徑。
MiniMax 的強化學習研究員 Olive Song 指出，MiniMax M3 是首個同時具備三項能力的開放規模模型：頂尖的程式編寫與代理（agent）表現、100 萬 Token 的上下文視窗，以及從零開始的原生多模態訓練。Song 這場 14 分鐘的演講，是對 MiniMax 如何打造這個模型的技術拆解——整集節目的主軸放在 MiniMax 稀疏注意力（MiniMax Sparse Attention，MSA），也就是讓長上下文成本變得可負擔的架構，以及一連串訓練策略實驗，這些實驗讓 MiniMax 決定從第一個 Token 就同時用文字與影像訓練，而不是把視覺能力硬接到一個已經訓練完
推薦理由：MiniMax M3 以稀疏注意力實現 100 萬 Token 上下文與原生多模態，為大規模模型在長文本與影像處理上的成本與效能提供可行方案。
Gravitee 技術長 Sam 在 AI Engineer 活動的開場，捨棄簡報投影片，改採即時、未寫指令碼的現場示範：兩組平行運作的 AI 代理，一組只靠提示指令治理，另一組則由閘道層級的身分與政策控管治理，實際對上真正的 Gravitee Gateway（SaaS）、Databricks 後端，以及 Anthropic 的 Claude Sonnet 與 Groq 推論的混合環境。核心發現是：提示層級的防護欄、markdown 政策檔案，以及代理內部的工具層級許可權，在實際執行時全都撐不住——當使用者要求代理「刪除所有訂房」，同時又要求刪除單一筆訂房時，未受治理的代理完美執行了這個破壞性工具
推薦理由：提示層級治理無法阻止 AI 代理執行破壞性操作，凸顯政策檔案與身份驗證層級的侷限，提醒企業需加強多層治理。
Unblocked 的 Peter Werry 主張，多數 AI 代理（agent）所依賴的檢索層——對檔案與程式碼做語意 RAG——只解決了一半的問題，而另一半、也就是對組織內部資料做結構化查詢，才是真正工程難度所在。在一場 19 分鐘的演講中，他說明什麼是「context engine」，展示接上 Claude 之後實測省下的成本與時間，並現場動手打造一個開源元件，把自然語言問題轉成安全、經過驗證的資料庫查詢。標題所稱的「Token 燃燒」是真的，但範圍很窄：它只建立在他跑過的一次前後對比上，而整集節目的主體其實是查詢生成、schema 探索、身分對映與驗證，不是成本。 Werry 是
推薦理由：Peter Werry 以實測說明關聯式上下文引擎能降低 Token 消耗，為 AI 代理成本最佳化帶來新思路。
Akamai 資深開發者倡導者 Thorsten Hans 主張，目前打造 MCP 伺服器與 AI 代理的標準做法——把容器或 VM 放在繫結區域的基礎設施上——對全球使用者而言是錯誤的底層選擇，並示範了一套替代技術堆疊：以 CNCF 專案 Spin 打造的 WebAssembly 元件，部署到 Akamai Functions 這個他形容為零冷啟動的全球分散式無伺服器平臺。核心論點是開發流程可以收斂成一條指令 spin akamai deploy：編譯 Wasm 元件、上傳、分散到各服務區域、逐一健康檢查，最後推出一個公開子網域——整個過程約 60 秒，不需要 Terraform，也沒有
GitHub 的現場工程師 Jose Palafox 用一場 19 分鐘的演講，說明 Copilot 代理的三層採用模型——先在地端建置、再透過平臺散佈、最後推進到 CI 流程——並主張唯有走到第三層，成本控管與可觀測性才真正成為可能。標題「從你的筆電到流程」的說法很準確：整場演講幾乎都聚焦在這條演進路徑上，而不是模型能力或程式碼評測基準。 Palafox 在 GitHub 待了六年半，加入的時間點正好是微軟收購 GitHub 之後不久，也是 GitHub 收購資安公司 Semel 之後不久；他的職責一直是推動 GitHub 的資安業務成長，過去一年則專注在 AI。他在第一線與客戶合作，協助
這場演講最重要的主張是：代理式 AI（agentic AI）的「致命三重奏」（lethal trifecta）——代理能存取私有資料、能對外連網通訊、又能吸收不受信任的內容——並非假設性的未來風險，而是已經出現在一般開發者筆電上的現實狀況，只要他們跑的是 Claude Code、Codex、OpenClaw 這類工具。Coder 的資深解決方案工程師 Michael Patterson 主張，這三項條件任取兩項，在任何安全的企業環境中都已不可接受；三者齊備，資安事件就只是「何時」發生、而非「是否」發生的問題。這場演講基本上是一份給業界實務工作者的企業代理安全架構指南，而非對三重奏概念本身的深度
Waymo 史上首次發債——向一群背景多元的放款機構籌得 50 億美元，再加上 2026 年 2 月以 1,260 億美元估值完成的 160 億美元股權融資——是這集節目最清楚不過的訊號：這位 robotaxi 龍頭正在為加速擴張籌錢，而不是在養一個科學專案。主持人 Grayson Brulte 與 LightShed Partners 的 Walter Piecyk 用 47 分鐘的大部分時間，拆解這則頭條背後的營運與監管實況：Waymo 在底特律展開全自駕測試、達拉斯一處看起來正在為大規模擴張做準備的據點，以及一輛改裝過的 Zeekr／Ojai 車輛。標題裡的「華爾街」線索確實存在，但篇幅
推薦理由：Waymo 的首次債務發行顯示其擴張策略，投資者可從此瞭解自駕業務的資金需求與監管挑戰，並評估其市場競爭力，預測未來投資機會。
Ramp 銷售資深副總 Max Freeman 說，打造銷售組織最快的方法，就是僱用「被錯價的資產」（mispriced assets）——投資銀行家和來自高營收、低 NPS 公司的業務——付給他們高於市場行情的薪水，然後要求四到六倍的標準產出。在與 Harry Stebbings 的 71 分鐘對談中，Freeman 拆解了 Ramp 進入市場機器背後的作業系統：60 到 90 天、設有認證關卡的新人培訓；前兩季支付 100% OTE（目標總收入）；把主動開發當成工程問題來經營；以及把預測準確度納入績效考核，而非薪酬機制。這集標題承諾的是一份打造銷售機器的通則指南；實際上端出的，是 Ramp
本集節目的頭條主題——AI 取代實習生——只是更宏大對話中的一條支線：AI 如何重塑教育、研究，以及知識工作的經濟結構。最具份量的論點來自來賓 Ethan Mollick，他是華頓商學院教授，也是《One Useful Thing》Substack 電子報的作者。他主張，AI 正悄悄拆解一套訓練白領工作者數千年的學徒制：實習生現在用 AI 做那些原本該靠實作學會的工作，而中階主管越來越偏好用 AI 而非實習生，因為「它會把事做完，而且不會哭」。主持人 Scott Galloway 是 NYU Stern 教授，他反駁「AI 將讓高等教育過時」這個流行說法，指出申請人數仍在上升，學費漲幅也持續超
開發者暨內容創作者 Theo Browne 表示，他花了五個月、燒掉大約 42 萬美元的 OpenAI Codex Token，想把 TypeScript 編譯器改寫成 Rust，結果一事無成；接著他改用 Anthropic Opus 5.5，兩週內花了約 2 萬美元的推論費用，就做出一個可用的直接替代品，他稱之為 TS Rust。這集節目的標題數字是真的，卻也容易誤導：Browne 說，他實際付出的成本更接近 500 美元，因為這項工作跑在六個 Claude Code 訂閱帳號上，而且他從頭到尾沒讀過一行生成出來的程式碼。這個改寫版本比 TypeScript v6（最後一個以 JavaScr
這一集最關鍵的論點是：大型語言模型其實沒有在任何一個明確的判斷時刻「決定」任何事——決定是由挑選下一個 Token 的取樣步驟做出的，而下游的一切都是以這個擲硬幣結果為條件的脈絡內學習（in-context learning）。Eric Bigelow 是可解釋性新創 Goodfire 的技術團隊成員，最近剛在哈佛完成心理學博士學位，論文題目是〈邁向大型語言模型的認知科學〉。他帶著主持人 Nathan Labenz 回顧兩年來在這個問題上的研究，起點是他 2024 年的論文〈神經文字生成中的分岔路徑〉（Forking Paths in Neural Text Generation）——他在推理
一份 74 分鐘的臨床更新，內容大多是走訪美國與全球傳染病政策的失誤——疫苗可預防的死亡、被掏空的 CDC，以及應對速度追不上擴散速度的伊波拉疫情——而節目標題所指的主題「天花」，只在開場時以一段簡短的歷史回顧出現。Daniel Griffin（傳染病醫師、每週臨床更新的共同主持人）與 Vincent Racaniello（病毒學家、哥倫比亞大學）在科羅拉多州海拔 11,100 英尺的 Mount Hayden Backcountry Lodge 共同錄製這集，當時正參加 Parasites Without Borders 的靜修活動。 最重大的幾則訊息：西伯利亞伊爾庫茨克一名 28 歲實驗
本集最具份量的論點，無關 Claude 的內在生命，而是 Chamath Palihapitiya 的斷言：就在錄音前幾天，Adobe 核心產品的開源反編譯複製品問世、伊隆·馬斯克讓 Grok 走向無介面（headless）之後，軟體智慧財產權已「形同報廢」。這個論點——無介面服務加上代理（agent）排程，會讓軟體 IP 的價值徹底崩解——是全集最鋒利的商業洞察，卻出現在最後 15 分鐘。標題所框架的內容（Claude 的意識、教宗、模型福祉）大約只佔這 93 分鐘對話的前三分之一；其餘篇幅橫跨 OpenAI 的數學成果發布、法國緊縮政策引發的暴動、社會主義經濟學，以及代理驅動的通縮。 四
最佳化多模態訓練吞吐量最難的部分，從來不是 kernel 最佳化，而是如何讓 GPU 不餓肚子。這正是 Tarun Sunkaraneni 在這場 16 分鐘演講中的核心主張。他以一套基於 Qwen3-VL 的多模態監督式微調（supervised fine-tuning）流程，逐步示範一場工程演練：不動模型，只修資料路徑，就把 GPU 使用率從 15% 的基準拉到約 90%。標題的定調相當準確：整集幾乎都在談資料管線，開場那句提到的「vision tokens」與「GIL」只是輔助細節，並非獨立主題。 Sunkaraneni 的方法是一套受控的消融階梯（ablation ladder）。他先建
標題「Why AlphaFold Didn't Solve Protein Folding」下得公允但視角偏窄：關於蛋白質摺疊的批評，其實只佔這場 32 分鐘座談的幾分鐘。整場對話的主軸，是關於 AI 應用於生物學的資料策略之爭——「苦澀教訓」（bitter lesson，規模終將勝出）是否也適用於資料、該如何在手工設計的歸納偏誤（inductive bias）與純粹規模之間取捨，以及一個模型要達到「理解」究竟需要什麼。摺疊的討論只是用來支撐這些論點的具體案例。 與談人為 Pushmeet Kohli（Google DeepMind，曾參與 AlphaFold）與 Sal Candido（B
一個以強化學習訓練的 40 億引數 Qwen3 模型，在專家驗證過的財務問答任務上，擊敗了自家 2350 億引數的版本——通過率 60% 對 51%——而整趟訓練成本不到 500 美元。這是 Snorkel AI 研究科學家 Charles Dickens 在一項與 UC Berkeley Sky Computing Lab 合作計畫中端出的頭條成果，也是本集節目的核心論點：對企業 AI 工作負載而言，當訓練資料真正反映目標領域與任務分佈時，可靠性與專業化的重要性可以壓過單純的引數規模。標題主打「不到 500 美元」是站得住腳的——成本拆解確實是這場演講的一部分——但實質內容涵蓋更廣，包括基準
推薦理由：成本低、資料精準讓小模型在財務問答上超越大模型，展示資料質量對效能的決定性作用，並為企業 AI 負載提供可行路徑。
Merge 共同創辦人暨技術長 Gil Feig 主張，把幾臺 MCP 伺服器接上 AI 代理，並不足以回答真實的商業問題；企業需要的是一套專屬的「脈絡圖（context graph）」——一個同步過、結構化的資料層，結合即時 API 查詢、快取的向量資料、記憶，以及被編碼成規則的公司技能。本集是 14 分鐘的研討會式演講，而非訪談，內容幾乎全繞著這個脈絡層的架構與推論打轉。標題的承諾直接兌現：整場演講就在談為什麼需要脈絡圖、以及該怎麼建構它，沒有岔題。 Feig 的核心例子是一個簡單問題——「客戶 A 上週為什麼不高興？」——代理只要即時拉出單一客戶的 Zendesk 工單就能回答。但換成
Logitech 執行長 Hanneke Faber 表示，AI 對公司的硬體業務而言是順風、而非威脅——因為消費者想要對 AI 代理（AI agent）握有實體控制權，而且每三個人裡就有兩個人認為，只要牽涉到實體元素，掌控感就會更強。Faber 在 2026 年 10 月 9 日播出的 Bloomberg 播客節目中受訪，指出 Logitech 已連續十個季度成長、毛利率創新高，也揭露了一家供應商晶圓廠火災造成的財務衝擊，並詳細說明公司如何部署超過 2,000 個內部 AI 代理。該集節目標題主打「AI 代理與科技大分裂」，但訪談內容多半是營運近況更新：供應鏈復原、毛利率防線、遊戲與耳機作為
SpaceX 正把自己推向成為 AT&T、Verizon 與 T-Mobile 直接競爭對手的位置，而彭博報導的一筆頻譜收購，是目前為止最清楚的訊號：旗下 Starlink 的直連手機（direct-to-cell）服務，正從「補充性質的傳訊附加功能」走向完整的行動電信服務。長期採訪 SpaceX 與火箭發射產業的太空線記者 Loren Grush，逐一拆解這筆交易成就了什麼、又沒成就什麼，為什麼該頻段的物理特性一直是現有電信商最核心的反對理由，以及為什麼整個計畫仍取決於 Starship 能否進入穩定的發射節奏。本集標題聚焦在無線通訊的威脅，但這條線只佔對話的前半段；後半段轉向另外兩則訊息—