NVIDIA

178: 与田渊栋聊 RSI：模型自进化如何到来？

2026年8月7日 · 1:29:02

田渊栋做客《晚点聊》谈他联合创立的 Recursive SuperIntelligence（缩写同为 RSI）如何让 AI 自我进化：这家公司刚完成6.5亿美元融资、估值超46亿美元，他认为 RSI 比 coding agent 大得多，完全自动化短期不会到来。他讲述从去年用 GPT-5 合写论文到决定创业的过程，称模型已强到「不用再招实习生」，并对比十年前 AutoML：现在大模型能理解 AI 本身，搜索空间不再由人定义。关于公司6月初的 First Steps，他说系统在 NanoChat 的 BPB 与 Speedrun、英伟达 SOL-ExecBench 算子优化上取得 SOTA：Speedrun 比社区两年成绩再快约两秒，算子优化比专注 GPU 的以色列团队 Double AI 高10%；他也评价 Anthropic《When AI builds itself》更多是提效而非递归自进化。对「领先者会越甩越远」的假设，他提出变量：智能提升可能是阶梯式跳跃而非平滑曲线，若 scaling law 不是全部，初创公司仍有空间；他还谈到大公司超过150人后变慢，RSI 目前缺数据、算力与可解释性。他坚持可解释性是关键，相信 AI 研究终将变成科学，但承认这是少数派观点。

177: 详解Kimi K3：强到冲击Anthropic估值的模型什么样？

2026年8月3日 · 1:55:18

《晚点聊》由曼祺主持，邀请RadixArk与SGLang创始成员赵晨阳、华盛顿大学博士生曾致远，从Infra与算法两条线拆解Kimi K3：这款近3T参数的开放权重模型以混合注意力架构逼近并部分超越Claude Opus 4.8等闭源前沿，同时引发对Anthropic估值的冲击与开源安全辩论。节目指出，K3用KDA线性注意力与MLA全局注意力按3:1混合，靠循环状态压缩历史，在百万上下文下获得6.3倍解码加速；其Quantile Balancing以分位数估计替代固定步长调整，支撑896个路由专家中选16个的极端稀疏负载均衡，Per-head Muon则通过逐注意力头正交化提升大规模训练稳定性。后训练部分，K3先用MOPD多教师在线蒸馏合并9个领域专家模型，既降低合版压力又提升迭代速度；在Kimi CodeBench 2.0上，K3得分仅低最强模型4分，成本却只有对方的38%。嘉宾还拆解了Attention Residuals如何让深层模型选择性读取浅层信息，以及Kernel Development Agent如何让早期checkpoint自主优化内核，甚至为国产GPGPU写Kernel。讨论也点明，K3开放了权重、MuonEP、Flash KDA和agent-inv，但未开源RL环境、知识图谱任务系统与原始专家checkpoint——权重是一次训练的产物，环境才是能反复产生下一代权重的'流水线'，构成开源模型真正的护城河。最后，嘉宾判断开源模型短期内仍难超越闭源，因为OpenAI与Anthropic内部最强模型通常比已发布版本领先半代到一代，但KDA这类线性注意力混合架构已证明'条条大路通罗马'。

174: AI冲击企业软件巨头？与SAP原欣聊大模型to B的颠覆与边界

2026年7月27日 · 1:31:43

本期《晚点聊》访谈SAP大中华地区总裁原欣，直面AI对SAP这类企业软件巨头的冲击与边界：她认为AI coding不会让业务逻辑和标准流程失效，SAP数十年积累的数据、流程和行业know-how仍是壁垒，但按坐席收费的商业模式将转向按用量和结果付费。原欣介绍SAP从记录系统向可执行的“自主运营企业”转型，与Anthropic、Google、微软、AWS、NVIDIA等基模和云厂商合作而非自研通用大模型；她认为“模型即产品”在To B不成立，企业用AI的落差在于脏数据不会自动消失，老板丢来“我也要”的难题，组织惯性比技术更难解决。她还判断FDE（前线部署工程师）是AI外溢到企业世界的必经路线，它和SAP过去的ERP顾问不同：前者偏工程和产品，后者偏业务和行业知识，未来将融合为既懂技术又懂业务的复合角色；SAP帮一家企业把关务Agent准确率从六七成提升到九成以上，说明标准流程叠加AI仍有价值。节目也谈到麦肯锡对2000多家企业的访谈中，28%的企业尝试AI但仅3%认为获得业务回报；大公司有钱做实验、小公司跑得快、最挣扎的是中型企业，中国没长出全球SaaS巨头源于高速增长留下的系统欠账；AI会先影响轻资产服务业，制造业从市场和售后切入。在中国，SAP与阿里云、千问、钉钉合作服务客户，并以全球本地化平台和流程挖掘工具支撑企业出海；对比本地部署、云到生成式AI，她觉得区别是速度，人的复杂性没有变。

156: 与 Henry 的「AI季报 26Q1」：OpenClaw、OpenAI vs Anthropic的三重对阵、自进化

2026年3月31日 · 1:52:13

本期《晚点聊》26Q1 AI季报中，硅谷投资人、MoE Capital创始合伙人Henry Yin与主播程曼祺复盘了OpenClaw的爆红、OpenAI与Anthropic的三重对抗和AI自我进化等浪潮，核心判断是：编码智能体正从模型竞争转向系统与生态竞争。他们指出OpenClaw是“AI的iPhone时刻”——通过本地运行、接入聊天App、定时任务和长期记忆，它让AI真正“干活”，成为个人Agent的灯塔；但它也有成本高、不稳定和安全风险，例如Meta对齐负责人因上下文压缩导致安全指令丢失、被agent疯狂删邮件的“生死时速”。Henry还解释了OpenClaw为什么在中国比美国更出圈：飞书、微信等聊天优先生态和便宜的国产开源模型，让它与MiniMax、Kimi等形成天然组合。围绕OpenAI与Anthropic，节目对比了Codex与Claude Code、Opus 4.6与GPT-5.4，称Anthropic收入三个月从90亿美元增至190亿美元，Claude Code年化收入25亿美元超过Cursor的20亿美元，而OpenAI已内部反思“因支线任务分心”。他们还讨论了Andrej Karpathy的AutoResearch：AI在没有人类干预下自主优化训练代码，使GPT-2级模型训练时间缩短约20%，让自进化更贴近现实；同时探讨了持续学习（记忆vs权重更新）、世界模型和新的创业机会。最后，Henry分享了硅谷科技大裁员——Amazon裁1.6万人、Block裁40%、Meta计划裁20%且以全员Token消耗量衡量效率，并展望下季度DeepSeek-V4等看点。

100: 硅谷怎么看 DeepSeek ？与 Fusion Fund 张璐聊开源、Agent和“除了AI”

2025年1月29日 · 1:16:20

在《晚点聊》第100期中，程曼祺与Fusion Fund创始合伙人张璐讨论了DeepSeek开源推理模型R1引发的硅谷热议，张璐称其出圈是开源生态的胜利，并相信开源更有利于初创企业。张璐强调，R1以约557万美元训练成本（仅计算GPU hours）在多项基准上比肩甚至超越o1，其跳过监督微调、直接进行无监督强化学习的创新，也证明Scaling Law仍有巨大空间。她认为这类降低AI训练和部署成本的开源成果，会促使更多行业采用大模型，长期提升AI用量与算力需求，因此并非利空英伟达；对于Meta，短期虽有公关压力，但作为美国AI开源生态的主要玩家，将长期受益于开源繁荣。谈及Agent，张璐试用了OpenAI的Operator，指出它目前速度慢且会编造信息，但前景美好；她认为美国B端客户更看重准确性和专业度，所以垂直领域智能体在医疗、金融、保险、太空科技都大有可为，同时她也提到Agent可能带来隐私问题，但年轻人更愿意向AI倾诉。除AI外，张璐介绍硅谷还关注Tech Bio（科技与生物）和太空科技，Fusion Fund已投资SpaceX，并看好AI与这些领域的结合，她还提到SpaceX周边形成了数百家太空科技初创生态。

89: 当技术遇上艺术:与 NVIDIA 和新片场聊 AI 如何重塑创作

2024年11月13日 · 1:14:14

NVIDIA中国区高级技术市场经理施澄秋与内容公司新片场CEO尹兴良在本期《晚点聊》中提出，生成式AI正缩短从创意到表达的距离，但影视行业真正普及新技术还需克服人才与成本障碍。施澄秋介绍了NVIDIA的Omniverse多人在线协作平台、ACE数字人引擎和NeRF神经辐射场等技术，称它们可实现实时多人在线协作、照片级数字人驱动和从少量照片快速生成3D场景重建；他还透露2021年GTC大会上黄仁勋演讲中有17秒是由ACE制作的数字分身，证明其逼真度。针对视频会议场景，他补充介绍Maxine软件，能以低带宽传输坐标来生成数字人，实现眼神聚焦。尹兴良以新片场出品的《南海归墟》为例，称该剧约一半时长为特效镜头、全片在棚内完成；他还表示，由于网络平台需要大量宣传物料，Midjourney等AIGC工具已用于制作概念海报和分镜，但视频生成距产业级仍有距离。新片场虽与国内AI厂商合作提供训练素材并测试模型，但除非成本数量级下降且有熟练的技术人员，否则不会冒险替换成熟流程，仍会优先选择传统团队。最终共识是AI的真正价值在于降低创作门槛，让普通人也能参与创作，人工智能可以打动人类但不会被打动，内心的想法和人类情感才是创作的本源。

71: “如果相信只靠 Scaling Laws 就能实现 AGI，你该改行了”，与香港大学马毅聊智能

2024年6月11日 · 1:53:00

本期《晚点聊 LateTalk》的嘉宾是香港大学计算机系主任、数据科学研究院院长马毅，他与主持人程曼祺的对话围绕“智能”展开，尖锐质疑当下主流的大模型路线。马毅的核心观点是：只靠 Scaling Laws（更多数据、更大算力、更大参数）无法实现 AGI，因为深度学习网络本质上都在做“压缩”——从图像、声音、语言等高维信号中寻找低维结构和规律；GPT 表现出的数学推理仍是记忆和统计，如同“高分低能”的填鸭式学生，学不到因果与逻辑。他区分了知识与智能：知识是存量，智能是增量，智能的本质是能纠正已有知识的不足并增加新知识。为此他提出“简约与自洽”原则，并用白盒模型（ReduNet、CRATE）从数学上解释神经网络每一层在做什么，称其已接近甚至超越经验设计的网络，能显著降低算力与试错成本。他还批评 AI 威胁论“要么无知要么别有目的”，主张政府应监管技术应用而非技术本身，并透露已创立公司“益生”推动白盒技术产业化；同时梳理了从控制论到深度学习的历史，强调闭环、自主学习和 AI 通识教育的重要性。