行業關鍵人物在想什麼：創始人訪談、研究者論戰、投資人判斷的觀點集合。
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。
推薦理由：作者闡述 AI 進步速度遠超政策制定，呼籲加速治理以免失控，並指出缺口需立即縮短，強調跨部門協作與透明度，並提供三項具體對策
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—
這集最實用的內容是一套 AI 入門實戰組：該付費訂閱哪三個模型、「代理式 AI」到底是什麼意思，以及大型實驗室之間的競爭格局怎麼看。標題下得還算貼切——整段對話確實大多圍繞模型選擇與各家實驗室的現況——只是「入門實戰組」的部分只佔了開頭幾分鐘，之後話題就轉向規模化定律（scaling laws）、模型個性，以及長期情境推演。 主持人 Scott Galloway 追問來賓 Ethan Mollick（AI 研究者暨作家）AI 與代理式 AI 的差別，接著問新手到底該訂閱什麼。Mollick 的答案很具體：每月花 20 美元訂閱三大陣營其中之一——Google 的 Gemini、Anthrop
本集節目的核心發現是：AI 建設的關鍵瓶頸已從算力轉向資料中心容量，如今又轉向融資——而整座大廈目前是靠超大規模雲端業者（hyperscaler）與輝達的資產負債表「以服務形式」對外提供，才讓 neocloud 與 AI 實驗室的債務變得可被銀行接受。SemiAnalysis 新成立的「運算資本市場」（Compute Capital Markets）團隊負責人 Daniel Nishball 在節目中推估，這波建設在 2024 至 2029 年間需要累計 11.3 兆美元的資本支出，且到 2029 年將有7 兆美元的未償債務，而當今的放貸市場只懂得如何承作投資等級信用。
Gabriel Martinez 是 G2i 的工程經理，自稱「專職廢碼糾察隊」，他主張 AI 輔助開發真正的危險不在於機器產出爛東西，而在於人類判斷力的消失——而這個產業當前的誘因機制，獎勵的是生成速度，而非昂貴又無可迴避的評估工作。他以親身經驗現身說法：他曾合併自己沒有好好審查過的程式碼，只因為同事合併的速度快到讓他焦慮，而他認為這是系統性失靈，不是個人問題。本集節目大致上是在診斷團隊如何陷入他所謂的「AI 醉茫狀態」，並提出一套處方：當責、慣例、縮小可審查的範圍，以及用圖表作為壓縮過的審查素材。 標題的框架——「生成很便宜，審查很昂貴」——其實就是本集的核心論點，在節目約十分鐘處明確說
OpenAI 近期大規模釋出近 400 篇 AI 生成的數學論文，涵蓋 700 多篇手稿，涵蓋組合學、幾何、數論、電腦科學等多個領域。 - 數量與範圍：近 400 篇結果，分佈於 700 多篇手稿，涉及 10 個數學領域。
推薦理由：OpenAI 近期大規模發布數百篇 AI 生成數學論文，為學術界帶來前所未有的挑戰與機遇，讀者可評估其對研究流程與學術文化的影響。
代理記憶不是更大的上下文視窗，不是草稿紙，也不是一疊 markdown 檔案——它是一個系統性問題，需要記憶形成、混合檢索、整併、治理與回饋迴圈，而且全部要有持久化儲存撐底。這就是甲骨文 AI Database 開發者推廣者 Anders Swanson 在這場 18 分鐘演講中的核心論點。標題的框架（「從上下文到記憶」）說得沒錯，但低估了涵蓋範圍：這一集主要是技術架構的逐步拆解——記憶型別、儲存結構、混合搜尋機制與失效模式——而不是產品推銷，甲骨文自家的內容只出現在結尾簡短帶到的 Python SDK 與開發者中心。 Swanson 的核心主張是：上下文視窗是當前這次執行的輸入，不是持久化
倫敦商學院（London Business School）財務學教授 Alex Edmans 主張，市場價格的變動，情緒與氛圍的影響不亞於基本面，而散戶投資人之所以可能比專業人士更具優勢，正是因為他們不受基準指標、季度績效考核與職涯風險的束縛。本集標題點出「瘋狂決策」，但對話內容多半是行為財務學研究及其實務應用的導覽：Edmans 逐一說明他自己將運動賽事結果與 Spotify 收聽資料連結到股票報酬的研究，接著談到動能、處置效應、整數價格障礙，以及「大市場錯覺」。標題的主題——聰明投資人為何做出不理性的選擇——是貫穿全場的主線，但實質內容是一組可加以利用的偏誤，以及專業人士往往無法據此行動的
Reflection AI 共同創辦人暨執行長 Misha Laskin 表示，公司過去 12 個月從零打造了一座前沿實驗室——團隊從一年前約 30 人成長到現在約 300 人——並推出了 Beam，一個 500B 引數的開放權重模型（活躍引數 23B），以 6,000 顆 GB300 訓練數週完成，強化學習階段則動用超過 10,000 顆 GB300、跑了四週。本集節目主要是一份實作紀錄：在美國打造前沿開放模型需要什麼、開放與閉源模型各自如何商業化，以及 Laskin 為何認為開放是更安全的預設值。標題的「偉大的美國開放模型」框架說得通，但視角偏窄：整場對話橫跨訓練成本膨脹、中國開放權重模型
Airbyte 軟體工程師 Pedro Lopez 帶我們看他團隊如何在公司共用平臺與 API 之上，打造兩個面向代理（agent）的介面——託管的 Model Context Protocol（MCP）伺服器與命令列介面（CLI）——以及他們在「為代理而非人類設計」這件事上學到什麼。本集標題聚焦 CLI 設計，但整場分享在 MCP 與 CLI 之間大致各半，而最有遷移價值的經驗同時適用於兩者：工具介面要小、預設走 OAuth、附上 skill 讓代理能發現工具，以及永遠不要假設有人類在場能回答提示。 Airbyte 最初是資料搬遷的開源標準，把 Zendesk、Stripe、GitHub
本集最重要的故事，是美國 FDA 的一場治理衝突：HHS 準備拍板一項臨時命令，讓調劑藥局（compounding pharmacy）得以調變特定未經核准的胜肽（peptide），此舉無視 FDA 自家藥品審查人員明示的反對意見——他們警告這些產品缺乏足夠的臨床試驗，此例一開恐將動搖整個藥品核准體系。本集標題也點出 FDA 透明度與 ibogaine 試驗規劃兩條線，兩者都確實佔有篇幅——但胜肽之爭才是制度風險最高的一環，節目也由此開場，投注最多時間討論。 本集由 Derrick Gingery（《The Pink Sheet》執行編輯）主持，與談人包括總編輯 Bridget Silverm
一份由 Peter Fonagy 領軍、King's College London 精神科醫師 Simon Wessely 擔任副主席的 600 頁英格蘭 ADHD 與自閉症獨立調查報告結論指出：整個體系辜負了病人、家庭與專業人員——但診斷數量暴增，主因並不是「診斷過度」。Wessely 在《BMJ》總編輯 Cameron Abassi 的訪談中表示，真正的問題是診斷瓶頸：需求只能透過診斷才能被承接，等候名單動輒數年，而私部門如今產出 60–70% 的診斷，卻幾乎不受監管、也缺乏透明度。本集主要在談這個體系失靈、「被認可」與臨床診斷之間的區別，以及以需求為先的照護模式會是什麼樣子。標題聚焦 A
標普 500 的估值高低，完全取決於你挑哪個指標，而這些指標彼此嚴重矛盾。主持人 Richard 逐一走過歷史本益比、週期調整本益比與預估本益比，發現這個指數在某些指標下顯得昂貴，在另一些指標下卻顯得便宜——而這種分歧主要來自你信不信分析師對未來五年獲利成長約 27% 的預測。本集標題承諾要對這個指數是否高估給出定論；實際內容卻是一趟估值方法論及其極限的導覽，而 Richard 最後給出的誠實答案是：這個問題沒辦法乾淨俐落地回答。 Richard 是本集唯一的講者，以市場解說影片的風格進行單人分析。他選擇標普 500 為題，是因為它涵蓋美國總市值約 83%，早已成為「股市」的預設代表。他的結
標普 500 週二收在歷史新高，是 8 月以來首見，而且是在 10 年期美國公債殖利率突破 5.3%（2002 年以來最高）、油價重返每桶 100 美元之上的背景下達成的。這樣的組合通常會壓垮股市，而本集最有價值的一段，是 John Mowry 解釋為什麼這次沒有：標普前瞻獲利成長率接近 38%，這種水準歷史上只在走出衰退時出現過。Mowry 是 NFJ Investment Group 投資長，他在 Prof G Markets 向 Ed Elson 提出論點：AI 這筆交易可能是榮景而非泡沫，但他也承認，大型 AI 公司之間的迴圈融資，以及靠舉債支應的資料中心建置，是必須留意的真實風險。
Every 團隊用一場直播發表會來主張：以 Slack 為基礎的公司代理，是把 AI 匯入整間組織最有效的方式——不是向抱持懷疑的同事解釋工具有多好，而是在公開頻道裡實際示範，讓所有人都能看到產出。Every 執行長 Dan Shipper 開場就點出核心論點：要讓整間公司「AI 上身」，最好的辦法是一個共享代理，棲息在工作本來就發生的地方，因為「要讓人採用新工具，示範永遠比說明有效」。本集內容主要是示範導向的 Every Agent 功能導覽——技能共享、素材生成、新人上手與定價——而不是抽象討論 Slack 代理；標題講的主題是它的載體，不是它的論證。 具體案例才是這份簡報的重點。Eve