Podcast
AI Odyssey
Hosted by AI Odyssey · ZH
『AI Odyssey』是一档探讨人工智能科技的播客。在这个节目中，我们会从 AI 技术、产品、资金，以及中美两大互联网市场之间的机遇和挑战展开讨论。
关于我们：
Leo Zhao：硅谷大厂高级机器学习工程师，GenAI LLM发烧友
PongPong：连续创业者，AI初创公司产品负责人
在各大音频平台都能搜到我们，欢迎点击订阅。
商务合作：+vx「aiodysseyai」添加注明来意
听众反馈：genaiodyssey@outlook.com
听友群：+vx「aiodysseyai」备注听友群
11episodes
Episodes
Newest firstAll episodes
机器人基座模型的瓶颈-数据从何而来？｜畅聊物理世界AI数据的生态
2w ago00:47:09Tap to summarize一段坐在会议室里聊天的第一视角视频，完全来自真实世界。它看起来很“真实”，但拿去训练机器人，可能没什么用——镜头里没有发生有效的动作，环境状态也没有改变，模型自然学不到任务是怎么完成的。这让我意识到，具身智能的数据瓶颈，和大模型时代不太一样。互联网上有大量现成的文字，但物理世界的数据不会自动变成一个干净的数据集。机器人要看见物体、理解状态变化、做出动作，还要承担动作带来的后果。真正难的问题，不只是数据够不够多，而是缺什么、怎么造、怎么验证，以及这些数据能不能回到真实部署里产生价值。这期我邀请了群核科技北美负责人 Anthony，聊聊机器人基座模型背后的数据生态。他长期与北美的机器人实验室和 AI 团队讨论空间智能、仿真数据与模型训练，也在一线看到不同技术路线对数据需求的变化。我们从机器人为什么没有自己的“ImageNet 时刻”聊起，聊到 YouTube 视频、第一视角数据、遥操作和 3D 合成数据分别能教会模型什么；也聊到为什么视频生成得再逼真，暂时仍很难稳定提供尺寸、碰撞和关节结构等明确的物理信息。再往后，问题又从技术绕回了商业：机器人没有产生价值，就很难进入真实场景；进不了真实场景，又拿不到下一轮训练需要的数据。有一点想提前说一下：这期中英文夹杂会比平时多一些，很多行业里的说法本来就是英文在先，硬翻成中文反而绕，所以我们选择保留了不少原话的表达方式，想把当时的思考过程尽量原样留下来。如果听着有点跳，也欢迎多包涵。听完这期，我更确定的一点是：机器人缺的不是一座更大的数据仓库，而是一套能找到缺口、补上缺口，再把结果带回真实世界验证的方法。嘉宾介绍Anthony (ManCee) Zhao：Manycore Tech（群核科技）北美增长与合作负责人，负责在北美的战略合作与生态拓展，专注于空间智能（Spatial Intelligence）、世界模型（World Models）、机器人 AI 与合成数据等方向。目前主要与全球领先的 AI 公司、机器人企业及研究机构合作，推动高质量 3D 空间数据在 Physical AI 和 Embodied AI 中的应用。中美双语背景，毕业于 UC Berkeley。主播介绍Leo：硅谷大厂高级机器学习工程师，GenAI、LLM 发烧友时间轴00:18 嘉宾介绍：Anthony 负责群核科技北美业务，并与机器人及前沿 AI 实验室开展合作04:54 机器人能力栈：本体、模型与训练模型的数据，缺一块都很难走向日常使用06:22 没有“ImageNet 时刻”：通用策略很难由少数任务一次定义，基座模型仍需结合行业数据持续迭代08:26 物理数据为什么难：机器人不只要看见世界，还要理解互动、状态变化和动作后果10:44 预训练数据混合：第三人称视频、第一视角视频、仿真轨迹与遥操作数据分别扮演什么角色13:20 视频的推理边界：看见两次碰撞，不代表模型能理解重量增加后物体可能直接碎裂17:59 遥操作的含金量：采集成本高、数据量小，却仍是落地任务微调中最直接的动作与视觉配对数据19:13 3D 合成数据的价值：明确记录尺寸、距离和结构，同时面对“样板房太干净”、真实生活杂物不足的问题22:57 生成数据的鸡生蛋问题：未来可能由模型生成大部分训练数据，但模型得先靠足够好的数据获得这种能力26:19 真实视频与 3D 互补：碰撞这类稀缺场景可以靠仿真补上，仿真的物理精度不够时再靠真实视频往回校准——两边互相打补丁，不是谁替代谁29:22 部署与数据飞轮：机器人不好用就难以进入产线，无法部署又拿不到继续训练的数据32:09 数据不是一次性交付：客户通常要用 Demo 和训练结果反复验证，合作会随技术路径持续调整35:30 Eval 怎么做：围绕具体任务搭建仿真场景，在真实机器人测试前先排除明显失败的策略39:50 数据创业公司的判断标准：技术之外，先回答自己的价值主张、竞品差异和数据优势是什么43:16 接下来的数据路线：嘉宾判断未来 3-6 个月，会有更多团队重新识别第一视角数据的缺口；再往后，世界模型这块会尝试把真实视频、3D 数据和游戏数据结合起来，去补齐通用物理理解的能力以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai，带你一起看 AI。在小宇宙查看该单集文稿
Transcribe →硅谷AI一线体感：从Model first到Problem first，我们用三年想明白了这件事
Jul 100:35:48Tap to summarize三年前，硅谷的每一次模型发布都像一场地震，"世界变了"是那两年最常听到的一句话。今天，它更像是每周准时推送的天气预报——大家看一眼 benchmark，切个 API，能跑就继续搬砖，跑不动再说。这期是我和 Leo 的对谈，聊了聊在硅谷一线生活工作的她，眼中这种"祛魅"之后的 AI 到底是什么样子。当最初的兴奋褪去，真正决定一个产品、一家公司能不能活下去的，到底是什么？是模型公司天天挂在嘴边的 benchmark，还是那些没那么性感、却实实在在的 cost、workflow 和组织能力？我们从硅谷开发者切模型 API 的日常聊起，聊到了 Cursor 和 Anthropic 之间那段有点微妙的往事，也聊到了在硅谷这几年看到的创业风向——从人人都想做一个套壳应用，到现在大家不得不回过头去问自己：我到底懂不懂这个行业。但这期最戳到我的，其实是聊到"依赖"的那段。Leo 说，人性里有一个挺不好的部分：当你找到一条捷径、并且它总能带来好结果的时候，你会认为那就是你唯一需要的路，直到有一天它被封住，你才发现自己已经不太会走别的路了。这话说的是 AI，其实也是在说我们每一个人正在经历的事情。如果你也处在这种"AI 已经变成背景音"的状态里，偶尔会怀疑自己是不是也在这个过程中丢掉了点什么，这期或许能帮你把问题想得更清楚一些吧。主播介绍Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友PongPong：连续创业者，AI初创公司产品负责人时间线 Highlights00:45 三年冷静期：AI 从颅内高潮变成日常背景音，大家默认它能帮忙做事，"怎么用"取代了"要不要用"02:41 硅谷公司普遍给员工发 AI 使用 budget；新模型发布后，大家不再逐条看 metrics，而是直接切换体感，benchmark 本身没那么重要了04:02 三年模型公司简史：从大家都做基础功能，到 DeepMind 做多模态、马斯克的 X 服务自家产品、Anthropic 摸出 coding 的路、OpenAI 全都要，再到最近半年集体收敛回 coding 赛道06:03 创业者对模型的判断力在变强：做图片/广告选 Gemini，做 workflow 选 Claude；模型能力趋同后，拼的会是 engineering work 的投入比例08:01 国内开源模型（智源、Kimi 等）通过 Fireworks 这类部署公司被硅谷开发者调用，Openrouter 上国产模型 token 占用已过 50%09:18 Cursor 与 Anthropic 那段"背刺"往事：Claude Code 上线后 Cursor 转向用 Kimi 的 coding 模型做 post-training，以及后续和马斯克公司合并的传闻10:46 "Claude一慢，大家就自然而然说今天摸鱼了"——聊 AI 依赖背后那个不太好的人性：捷径一旦打通，就再也不想走别的路12:15 投资时最大的敌人不是信息太少，而是牛市里信息太多、噪声掩盖了风险13:58 成熟投资者的判断更多来自对行业的理解和自己的性格，而不是"是不是 AI 概念"15:55 拆解七巨头的 AI 打法：Google 先做扎实模型再下放全家桶产品，Amazon 靠云和投资吃收益，Meta 押注 Avatar 广告，Apple 死磕 on-device AI19:12 英伟达信仰：拼的是 GPU 的 scale 能力而非单纯性能，TPU 目前更多卡在"量太少"而非"好不好用"；国内 B300 一个月内从 600 多万涨到 1000 万20:39 创业叙事的转向：套壳应用已被证伪，模型公司很难覆盖所有 vertical，真正稀缺的是能跑出实际订单的产品，而不是又一个 AI agent24:18 硅谷 OPC（一人公司）实录，以及给还在攒 domain knowledge 的产研同学的建议：先问自己有没有 strong motivation，没有相关积累就去找靠谱的人合作28:09 SaaS 没有死，只是要以 AI native 的形态、打破传统组织架构重新长出来；Physical AI 仍处在数据泛化的早期阶段，离规模化还有很长的路31:01 从 model first 到 problem first 是这三年最大的行业共识；AI native 创业者最怕的不是传统 SaaS 公司，而是自己被模型厂商的下一次升级吃掉33:14 三年后的认知转变：模型能力不能解决所有问题、AI 的 cost 比想象中重要得多、要敢于做 AI native 的 SaaS，别总指望大厂会替你把活干完节目中提到的持仓、加仓时点、个股判断等内容，均为主播基于个人经验的分享，仅代表个人观点，不构成任何投资建议。市场有风险，投资决策请结合自身情况独立判断，或咨询专业人士。以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。在小宇宙查看该单集文稿
Transcribe →对话资深创业投资人Wade：AI ToC 产品如何有灵魂并留住用户
Jun 1500:56:26Tap to summarize主播的话这期节目，我们想聊一个很具体的问题：当AI不再只是工具，它应该长成什么样子？我们见过太多的AI产品，能记住你的热量，能帮你规划运动，功能清单写得满满当当。但你用了三天，就再也没有打开过它。这期我邀请了连续创业者宋航，他正在做一个叫TEA AI的消费级AI健康产品。在他看来，今天的AI产品正在经历一次根本性的转变——不是从"功能弱"到"功能强"，而是从"有用"到"有人"。一个有性格、会主动找你说话、甚至会对你有点小傲娇的虚拟伙伴，是否比一张精准的卡路里表格，更能让你真正动起来？他用四个月把自己减了34斤、增了10斤肌肉，去参加了加州的健美比赛，然后把这整件事做成了一个用户案例。他是创始人，也是产品最忠实的第一个用户。我们聊了很多：为什么to C的AI产品这么难做？游戏化和健康管理之间的裂缝怎么填？什么是"入口深度为零"的产品？毛利率为什么是这个时代最重要的财务指标？以及，创始人为什么必须走到台前，成为产品本身的人格？这些问题没有标准答案，但这场对话让我觉得：真正的产品力，或许从来不在功能列表里。嘉宾：Wade（宋航）MIT 毕业，连续创业者，TEA AI 联合创始人兼 COO，曾获 IDG、a16z 投资，并于多家顶级美元私募股权基金工作，累计投资额近 10 亿美金。目前专注于 AI 与日常健康的结合 (Duolingo for Daily Health)，旗下 AI 产品 Peako (https://www.peako.app/) 共计完成一千万美元融资，将于下月上线。也是一位极致的健身爱好者，曾创下 3 个月减 34 斤并夺得健美比赛第二名的硬核战绩。欢迎来小红书（ID：硅谷李小龙）围观健身与创业日常，LinkedIn 了解更多职业背景：https://www.linkedin.com/in/wadesong1022/产品介绍：TEA AI （tea-ai.co；https://www.peako.app/） 打造下一代日常健康管理助手，从情绪切入并引入游戏化机制——成为个人健康版“多邻国”。主播：Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友。Show Notes 时间戳00:18 嘉宾介绍01:57 创始人亲身代言：用4个月减34斤纯脂肪、增10斤肌肉，参加加州健美比赛获得第二名02:52 产品介绍：PEAKO——"Duolingo for Daily Health"，用游戏化方式管理饮食、运动和情绪04:55 核心观点：功能层面已经是硬通货，Consumer AI的关键是"共生关系"——AI必须有人格、有生活、有性格，不能"为了AI而AI"07:48 方法论：Consumer AI产品的三个P——Personality（人格）、Proactive（主动）、Personalize（个性化），AI的到来让每一个P都发生了质变13:45 多模态输入的价值：不只是节省时间，而是积累更高维度的用户数据，在某个时刻给出真正触动人心的个性化洞察17:21 行业挑战：当代码和功能成为硬通货，产品的灵魂和taste才是真正的门槛21:29 如何解决健康管理"反馈慢"的天然缺陷：在虚拟世界制造即时反馈，让用户在现实身体改变之前先在虚拟世界里"爽三个月"27:03 为什么to C的AI产品这么少、这么慢？三个原因：①to C本就是慢生意，最终爆发的功能往往和最初不同；②AI能力本身还在快速演进，最优解尚未出现；③赔率过高导致优质人才流向to B，竞争格局反而还没成熟31:11 关键判断：to C的大爆发是后半场现象，需要硬件供应链、用户心智、市场教育共同成熟43:22 AI时代的产品方法论 vs 移动互联网时代：不再是功能差异化，而是你是否塑造出了一个用户愿意喜欢的"人"——带着世界观、人格化的产品47:09 最爆裂的商业观点："这个时代所有人都是在卖token"，毛利率是最核心的指标，品牌就是溢价能力，能让用户心甘情愿在你这里消费AI能力49:45 实战案例：他们如何用TikTok landing page测试四个版本，发现"屌屌的不爽猫"形象比顺从型AI收到更高转化率——"not too nice"是美国用户真实的偏好53:40 另一个被验证的反直觉发现：短信功能。亚洲团队本能地低估了它，但数据证明AI主动发短信是美国用户打开率最高的触点之一以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI在小宇宙查看该单集文稿
Transcribe →AI 能看见你，不等于能推动你 — 一款失败的手环教我的事
May 1400:35:55Tap to summarize这期节目，是从一次争吵开始的。去年我做了一款智能手环，项目亏了20万美金。带着这段经历，我想做一期关于AI穿戴设备的节目，让AI帮我搭了个大纲——很完整，很清晰，很专业。然后队友看了一眼说：你这个东西全是AI味。那一刻我意识到，这个批评本身，就是这期节目真正想问的问题。我们从摄影聊起——为什么小红书上的摄影师要价几万还要提前一年预定？聊到婚礼——那种只有一次、出了问题没有第二次机会的现场，服务的价值到底在哪里？最后回到手环——它24小时看见你的身体，但看见不等于推动你改变。当AI越来越能交付结果，什么东西反而会变得更贵？我现在的答案是：情绪安抚、风险兜底，还有监督和推动。AI可以给你一个很好的建议，但你不一定会去做。你需要有人知道你在跟自己谈判，在你想放弃的时候把你拉回来。未来最贵的可能不是答案，而是有人陪你把答案做完。主播：PongPong：连续创业者，AI初创公司产品负责人时间轴 (Timeline)01:00"全是AI味" — AI写的大纲被队友一句话说死03:30摄影师的价值 — 为什么有人愿意花几万找一个摄影师？买的不是照片，是过程里被看见、被引导的体验07:30过程浓度 — 从AI生成婚纱照到小众摄影师，用"过程浓度"解释为什么结果越便宜，过程越值钱09:00婚礼：不可重来的场景 — 婚纱照可以重拍，婚礼当天结束了就是结束了，服务的价值在于帮人穿过高焦虑的过程12:30冰激凌机的例子 — AI能回答你问出来的问题，但有经验的策划师会发现你根本没意识到的风险15:20回到手环 — 办婚礼的焦虑和看健康数据的焦虑本质一样：信息到位了，但没人帮你判断下一步18:00数据≠服务 — 手环告诉你睡得不好，但用户真正想知道的是"我接下来该怎么办"21:00穿戴设备能改变人吗？ — 对数据敏感的人有用，但普通用户看到分数只是焦虑一下，第二天继续熬夜23:30AI教练的边界 — AI可以分析数据、给出建议，但你可以把提醒划掉；真人教练站在那里，你很难像关闹钟一样关掉他31:30AI与真人的分工 — AI负责长期观察和数据翻译，真人负责关系推动、现场反馈和关键时刻的兜底33:00收尾复盘 — 绕了一圈回到开头：AI替代不了的是过程里的判断、安抚、兜底和推动，未来最贵的不是答案，是陪你把答案做完的人以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。在小宇宙查看该单集文稿
Transcribe →AI Odyssey x 钉钉悟空：一人团队实操评测
May 700:14:38Tap to summarize半年里，我在 OpenClaw 的深坑里交了一笔不菲的学费。几百美金的账单至今记忆犹新——AI 跑进死循环，我却在旁边眼睁睁看着 Token 哗哗地烧。那之后我就一直在想一个问题：AI 到底什么时候才能变成普通人手里真正能干活的工具，而不是极客们的玩具？这期节目，我拿到了钉钉"悟空"的内测资格，用一个我认为最硬核、最能暴露 AI 短板的场景去压测它——实体建材采购，一个信息极度不对称、非标到极致的领域。结论是：它让我真正体会到了什么叫"一句话干翻一万个按钮"，也让我第一次感觉到，OpenClaw 当年开的那扇门，现在终于有人给它装上了把手。但我也在测评里摸到了它的天花板，以及目前整个 Agent 赛道都还没跨过去的两道坎。这期没有什么宏大叙事，只有一笔很具体的账，和一次差点翻车、但最后没翻的实测。如果你也在想"AI 能不能真的帮我打工"——这期可能是目前最接近答案的一次。产品介绍：悟空：面向企业的全新 AI 工作平台，定位为Agent办公统一入口 ，具备强大的任务执行与自动化能力。主播：PongPong：连续创业者，AI初创公司产品负责人时间轴 (Timeline)01:35 路线分化介绍：大家都在做 Agent，但落脚点完全不同。客观陈述腾讯，字节和钉钉Agent的路线；04:00 场景与算账：悟空的技术亮点、安全性和解决的痛点06:52 实测场景：工作室装修，在 1688 上采购吊顶，体验悟空。12:57 体验结论在小宇宙查看该单集文稿
Transcribe →对话语丝：从模型厂单休到独立接项目，她说创业这条路是被需求逼出来的
May 500:42:17Tap to summarize我们这期聊到了一件很具体的事：一个人，一间不让猫进去的房间，里面堆着几十块从拼多多淘来的二手硬盘。这是语丝做大模型多模态数据的日常现场。从这个细节往外看，你会发现这个行业比你以为的更"物理"——TB级的视频数据，最快的传输方案是"拿着硬盘走过去"；文本模型的预训练已经基本收尾，卡点转移到了人类专家才能回答的那些极限难题上；而模型训练最稀缺的资源，已经不是算力，是认知。但这期真正想聊的，不只是数据工程。语丝做大模型数据已经五年，从来没有"决定"过要创业——是客户一个一个推着她走到今天。一人公司，不是她想清楚了才做的选择，是生活逼出来的形状。周均80小时、单休、身体亮红灯、请假要"胆战心惊"……她离开的原因说起来平静，但听着很重。她现在在全球飞，用公司给自己报销差旅——公司是她的。这个感觉，她说"很不一样"。技术的进步，终究是为了让人活得更像人。欢迎收听新一期 AI Odyssey。嘉宾语丝：5年LLM data cooker，一人公司在跑，经手数据订单百万美元以上。欢迎来小红书找我玩～主播：PongPong：连续创业者，AI初创公司产品负责人时间轴 (Timeline)00:32 嘉宾介绍01:17 数据准备全流程：从线索收集、爬取下载、格式清洗到人工标注的完整链路01:46 预训练阶段数据核心：通过全量、多样化数据构建模型常识与世界理解02:48 SFT与RL阶段数据核心：跨越认知差，向模型蒸馏专家级的高认知内容05:10 数据采购市场现状：文本预训练告一段落，高认知垂域专家数据成核心采购目标07:07 OPC业务方向选择：聚焦高认知HLE数据项目管理与多模态视频工程08:22 多模态数据工程挑战：突破网速带宽、本地存储与物理快递交付的限制10:36 实习生误删数据后的紧急补救：双倍算力、双倍带宽，代价是时间和成本同时翻倍14:12 OPC隐形资产管理：“硬盘定投”策略与拼多多二手硬盘的通电筛查逻辑18:30 OPC商业模式起源：打工职级受限，被客户真实交付需求反推注册成立一人公司21:49 OPC营销与市场杠杆：利用小红书精准筛选受众、合伙人与客户资源26:51 AI接管执行后，如何从"强迫症J人"解放出来：按季度定节点，其余放手去活30:26 OPC与模型厂上班压力对比：拥抱高不确定性，规避“不认同目标却需全情投入”的组织内耗33:35 逃离模型厂上班动因：周均超80小时高压单休导致健康危机，促使转向OPC模式寻找生活平衡39:01 找到自己的热爱：当执行不再是卡点，驾驭AI的人靠什么定义自己的价值以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。在小宇宙查看该单集文稿
Transcribe →聊点儿AI | AI 短剧的残酷真相：不是技术平权，而是一场“审美税”
Apr 2300:16:03Tap to summarize想必大家最近时间线都被 SeeDance2.0 以及 GPT image2 生成的视频或图片刷屏了。当所有人都在逐帧放大去惊叹这两个新模型的一致性和逼真度时，我在思考：到底是谁在用这些工具，批量为我们重构现实与梦境？这期播客，我们决定跳出模型评测，去深潜 AI 短剧这个新兴赛道。在这里，你会看到出海巨头如何把算法变成一把“情绪手术刀”，精准收割全球受众的多巴胺；也会看到国内大厂如何在巨大的算力黑洞中，试图建立一整套全新的内容基础设施。在这个技术极度平权的新纪元，所有的光影、置景甚至演员都可以被一键生成，但唯独人类的共情无法被算力替代。剥离了声光电的科技外壳，这终究是一场关于懂不懂人性、有没有审美的终极博弈。主播：PongPong：连续创业者，AI初创公司产品负责人Shownotes：00:00 三万人围观的带货直播与马斯克的“朋友圈”——那些毫无破绽的 AI 生成切片03:10 赛道真相：AI 短剧是捡钱的黄金时代？一分钟承制费从 5000 块暴跌到 300 块05:10 影视工业的参数化：从“盲盒抽卡”到 Seedance 2.0，技术如何用“通用参考系统”完成降维打击06:30 行业内幕与“算力陷阱”：盲目入局，最终只是在给巨头当“算力电池”08:00 AI 时代根本没有“才华平权”，只有越发残酷的“审美税”和情绪洞察10:30 破局思路一：放弃单品爆款的赌徒心态，用低边际成本跑通“敏捷测试”的数据漏斗11:58 破局思路二：逃离公域算法的剥削，去做私域的“IP牧羊人”与角色经济我是PongPong。对我来说，做这档播客最有价值的部分，就是能和像你一样优秀的从业者和思考者产生连接。所以，如果你对今天的话题——AI 短剧，有任何的想法、补充，甚至是反对意见，我都特别希望能听到你的声音。欢迎添加我的微信：aiodysseyai，我们私下接着聊～（PS：也希望 AI 视频创作项目找我们评测，剧组也可以找我对接需求）感谢你的收听，我们下期再见～黄立行——《黑夜尽头》在小宇宙查看该单集文稿
Transcribe →对话对冲基金创始人王华庚：当技术碰撞二级市场，如何给 AI 估值？
Apr 800:33:51Tap to summarize这段时间，绝对绕不开一个词：AI资产过热面对这场狂欢，作为一直扎在AI赛道里做产品、甚至筹备新项目的主理人，我也时常感到一种视角的撕裂：这到底是技术革命的真实红利，还是资本催熟的巨大泡沫 ？为了寻找答案，本期节目我们请到了一位既懂点科技也懂点金融的跨界者——王华庚(大厨) 。他早年钻研硬核AI技术，亲历了学术界的论文大爆发，如今却转身成了一家小对冲基金的创始人，在最混沌的二级市场里贴身肉搏。当一个能看穿AI底层代码的人杀进交易场，他眼里的资本局和传统金融老炮完全不同。在这场对谈中，我们剥离了浮于表面的概念，如果你也想在这场AI时代的洪流中找准自己的身位，甚至赚点钱，这场对话或许能帮你拨开很多迷雾 。就像大厨所说，在时代的奇点面前，与其拿为数不多的本金去给量化机器当燃料，不如把最大的杠杆，加在自己的深耕领域上嘉宾介绍大厨：对冲基金创始人主播介绍PongPong：连续创业者，AI初创公司产品负责人核心观点在二级市场，追求每一次交易的确定性是技术误区，核心是玩赢期望最大化游戏。AI是人类最后一次技术革命，核心AI科技公司资产值得普通人分批次定投配置。懂底层技术也容易因过早看破而错失投机暴涨利润 。 散户在A股用传统技术分析与量化机器做短线博弈，胜率绝对为零 。 资金体量小时，投入二级市场难以逆天改命，最佳策略是投资自己的专业技能。时间轴 (Timeline)00:45 嘉宾介绍01:31 行为模式冲突：程序员做交易为何极易陷入“追求高胜率”的技术误区03:43 下注策略：利用凯利公式解决正期望游戏中的仓位优化问题07:36 论文中的阿尔法：从13年AlexNet与CUDA的井喷式爆发看多英伟达08:32 第一性原理推演：纯视觉多模态感知将取代高精地图与激光雷达11:34 技术洁癖的代价：看懂底色反而在泡沫早期踏空10倍行情的实盘教训13:48 破除大模型马屁精效应：利用GPT与Claude交叉反问对抗信息茧房16:19 宏观定力：为什么认定AI是人类最后一次技术革命而非普通产业周期19:30 中美市场温差：A股偏叙事与动量，美股受真实算力消耗支撑21:40 终端颠覆：AI Agent将如何重塑彭博/万德等传统金融数据聚合平台23:30 衍生品降维打击：期权如何实现对方向、波动率与时间价值的立体化定价25:28 交易终局：AI辅助普及将导致资产定价极速化，市场呈“示波器折线”形态30:23 投资建议：十万本金与一亿本金的投资逻辑差异，为何大多数人更应深耕本业31:54 行业打假：市面上向散户兜售的“AI全自动量化跑策略神器”是骗局术语表第一性原理 : 剥离事物表象，回归最基础的物理规律或客观条件进行拆解的思维模型。反身性 : 市场参与者的交易行为本身会反过来影响市场价格和基本面的现象，资金体量越大，影响越显著凯利公式 : 在具备正期望的概率博弈中，用于计算每次最优化下注比例的数学公式。节目中指出这是技术人员克服“all in”或规避爆仓归零的核心策略波动率交易: 期权衍生品交易中的核心概念。不单纯对赌资产涨跌方向，而是针对标的资产价格的变动剧烈程度（买入或卖出波动率）进行交易相关资源AlexNet: 2012年发表的深度学习里程碑论文，证实了CNN（卷积神经网络）在图像分类上吊打传统手动特征工程的效能彭博终端 / 万德 (Wind): 现有的机构级金融数据聚合终端，未来其护城河将面临新一代AI Agent数据整合能力的直接冲击以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。在小宇宙查看该单集文稿
Transcribe →对话YouMind增长工程师：AI产品增长和PH打榜的实战经验
Mar 1800:42:50Tap to summarize在 AI 时代，得益于大模型的进化，做出一款软件的门槛正在前所未有地降低。但当我们沉浸在这些技术带来的“魔法时刻”时，常常会遭遇一个更为残酷的现实：产品做出来之后，究竟该怎么推出去？怎么让用户掏出真金白银来订阅 ？这几乎是所有技术背景创业者都会经历的阵痛。本期节目的嘉宾宗源，正是这段阵痛的亲历者。他本是一名前端开发者，在 2024 年创业的摸爬滚打中，硬生生“逼”自己转型成了在泥坑里找流量的增长工程师。在这一期里，你听不到虚无缥缈的宏大叙事，全是一线打仗的生存指南。从如何利用 AI 全自动监控竞品发布实现热点截流 ，到在 Product Hunt 上肉搏互换票仓；从拆解 GitHub 高权重外链的真实门槛，到复盘同行“700万流量却只有极低付费率”的血泪教训。如果你也是那个在屏幕前为 AI 产品流量而焦虑的创业者，希望今天这些实打实的操盘经验，能帮你拨开一些迷雾。嘉宾介绍宗源（推特：jaredliu_bravo）：YouMind 新手增长工程师，近三个月拿到全站 50%+ 流量，操盘过 2 次 PH 打榜（日榜第一，年榜第六）。关注 Growth Hack、自动化、内容创作。过去在网易、阿里、A+轮创业公司做前端开发和TL，24 年组建过小团队创业做 Tidyread（现已被 OpenClaw 颠覆）。产品介绍YouMind（youmind.com）：YouMind 是一款 All in One 的 AI 学习和创作工作台，通过 AI 帮助您收集、整理资料，基于资料进行学习和创作，产出令您愉悦的图文、播客、视频等。主播介绍Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友核心观点增长终极目标是建立从拉新到付费的订阅飞轮。Wordware 700 万 uv 仅带来 20 多万注册用户，注册转化率仅为 3-4%，而 YouMind 提示词站为 20%，证明了受众错位会导致严重的流量浪费。AI工具增长方案的落地成本极低，借助 AI（如 Openclaw）可实现全自动监控竞品模型发布并连夜生成推广物料的营销闭环。内容运营与增长的核心引擎是“Skill”（前身为 Shortcut），通过激励用户在社媒自发传播其构建的自动化工作流，实现产品的无感裂变。提升 Domain Rating (DR) 并在 SEO 中获取非品牌类“信息词”搜索排名是关键，突破 200-300 Stars 的 GitHub 仓库可提供 96+ 极高权重的 Do-follow 外链。Product Hunt 打榜胜负取决于社媒互换票仓网络的规模，且产品必须找到像 Chris Messina 这样能原话保证 100% 被 Feature 的头部 Hunter 进行发布。时间轴 02:05 嘉宾介绍：从前端开发者向产品增长工程师的转型路径与契机。 04:01 核心判断：产品增长的唯一目标是建立赚钱的付费订阅飞轮。 04:42 时代差异与渠道变化：高保真模型带来的“魔法时刻”口碑效应，以及 ChatGPT、Openclaw 等带来的新兴增长渠道。 06:24 极客案例：利用 Openclaw 监控 Nano Banana 2 发布，实现连夜自动撰写分发对接文案的全链路自动化提效。 08:05 截流策略：在 Seedance 2.0 模型未发布前，通过提示词站点进行跨端注册转化。 12:45 社媒分发：定准海外受众与创作者，重仓 X 与 Facebook。 16:36 核心裂变引擎：揭秘 YouMind 内容运营抓手“Skill”（前身为 Shortcut），利用 RSS 日报、图片封面生成等工作流，驱动创作者在社媒进行二次传播。 18:19 社媒避坑：Facebook 多语言群组硬广效果极差，需转为联系活跃贡献者做红人营销。 20:18 X 机制：算法高度依赖日更，中断将导致流量池评级断崖式下跌。 22:06 Reddit 局限：易遭遇 Shadowban，难以持续发广告，更适合作为 SEO 关键词占位的辅助。 23:27 SEO 核心：Domain Rating (DR) 对非品牌类信息词排名的决定性作用。 26:34 天工AI案例拆解：通过关键词 Sora/Seedance 热点将博客流量做到整站 30%，并利用页面顶部/底部多重 CTA 按钮实现转化。 28:59 外链起步：通过低价付费导航站与资源型提示词站群进行低成本 DR 堆量。 30:31 高阶外链：通过 GitHub 建立开源仓库，突破 200-300 Stars 后获取 DR 高达 96-97 的 Do-follow 链接。 31:30 Product Hunt 打榜内幕：平台砍掉水分后YouMind揭榜三榜第一的戏剧性过程，以及X/Linkedin票仓互换网络搭建。 35:03 100% Feature 秘籍：付费咨询或联系为数不多（如 Chris Messina、前 PH CEO）能保证 100% 被 Feature 的头部 Hunter。 37:31 漏斗数据复盘：YouMind提示词站超 20% 的高注册率；对比 Wordware 700万 UV 转化 20 多万注册用户，但注册转化率仅为 3-4%的受众错位反思。 39:40 行业预判：类比写代码门槛的下放，Web Creating 将成为未来 1-3 年极大的增长变量，用户自发传播AI Skill 将引爆市场。AI产品核心流量分发渠道与实操策略对比术语表 Informational Keywords (信息词) vs. Brand Keywords (品牌词)：品牌词指用户直接搜索“YouMind”带来的流量（属于品牌推广的功劳）；信息词指用户为了解决特定痛点而搜索的通用词汇。能在信息词上获取高自然搜索流量 (Organic Search)，才是验证 SEO 动作真正有效的核心指标。 Domain Rating (DR)：域名评级。反映网站在搜索引擎眼中的权威度（类似大佬背书）。分数越高（如达到 50 以上），发布的博文越容易在非品牌类的信息词搜索中获取高排名。 Do-follow / No-follow 链接：Do-follow 允许搜索引擎蜘蛛追踪并传递权重到目标网站，成功获取此类链接能实质性提升自身站点的 SEO 效果。 One-Tap Login：一键登录机制（如网页右上角自动弹出的 Google 授权登录）。在不增加用户点击成本的情况下，可直接提升 3% 至 8% 的注册转化率。相关资源 AI模型与工具：Nano Banana 2 / Nano Banana Pro, Seedance 2.0, Kimi K2.5, NotebookLM, Manus, Openclaw, ChatGPT SEO与外链资源：thereisaaiforthat (导航站), submitDRs (AI TDK作者的外链服务) 行业参考案例：天工 (skywork.ai) , Wordware以上就是本期的全部内容了，欢迎您的收听，我们下期再见～PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI在小宇宙查看该单集文稿
Transcribe →CAMEL AI 创始团队专访：打造“开源版 Cowork”，如何从 0 到 1 搭建企业级 Agent 框架
Jan 2600:44:07Tap to summarize主播的话当行业还在迷信千亿参数模型时，CAMEL AI 已经靠一群“打工人”智能体深入企业内网，像真人一样点鼠标、填工单了。作为全球首个 Multi-agent 框架的奠基团队，本期嘉宾带来了一个极具冲击力的反共识：未来的 Agent 进化，不靠更长的 Context，而靠更严密的组织架构。在对话中，你会听到一些打破滤镜的实战真相：为什么 Agent 之间沟通多了反而会像人类一样“互相推诿”？为什么“模拟键鼠操作”这种看似笨拙的方案，反而是企业自动化的最优解？别再盯着 Prompt 调优了。当这个写出第一篇 Multi-agent 论文的团队开始重注强化学习和环境模拟时，你就该意识到：Agent 的草莽时代结束了。想要看懂下半场，这期节目提供了最真实的坐标。嘉宾介绍Regina | CAMEL AI Founding ProductWendong | CAMEL AI Founding EngineerCeline | CAMEL AI Founding Growth产品介绍CAMEL AI 是世界上首个基于LLM构建的开源的多智能体框架，一直在探索 AI 多智能体的Scaling Law，包含大规模智能体系统、复杂环境、智能体自我进化三个关键维度。项目论文在2023年被 NeurlPS录用。主播：Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友核心观点商业定位分层： 开源社区（ToC）负责技术验证与品牌声量，桌面端产品（ToB）负责高价值场景（如 ERP/CRM）的营收落地。架构效率论： Multi-agent 的核心价值不在于简单的“并行”，而在于通过任务拆解将 Long-Context 转化为 Short-Context，从而降低幻觉率。Agent Scaling Law： 智能体能力的扩展由三要素决定：Agent 数量、环境交互（RL）的进化能力、合成数据的质量。成本优化路径： 利用 KV Cache 配合 Context Splitting，在重复性任务中可降低 70%-80% 的 Token 成本。终局预判： 未来的 Agent 系统将是“中心化调度 + 专有小模型执行”，通过强化学习（RL）在特定环境中自我进化，而非依赖单一千亿参数模型。时间轴01:20 从顶会论文到商业化：全球首篇 Multi-agent 论文背后的学术起源与商业转型逻辑。04:40 商业策略：ToC 赚声量，ToB 赚营收 为什么企业级自动化（CRM/ERP）是目前最稳健的现金流场景？06:47 Workforce：Coordinator 与 Worker 协作 拆解Agent“组织架构”：如何通过协调者实现任务的高度泛化。07:28 核心壁垒：模拟键鼠的 Browser-use 摆脱 API 依赖，让 Agent 像真人一样直接操作浏览器界面。15:48 预设四大原子 Agent 能力：从代码执行到多模态处理，支撑复杂任务的底层工具库。18:57 架构之争：单体 Agent 的天花板 为什么长链路任务必须由多Agent协同？解决注意力衰减与幻觉。22:04 重新定义 Agent Scaling Law：扩展定律不仅是算力，更是 Agent 数量、环境规模与数据的三位一体。25:08 数字化组织：HR、CEO 与打工人 揭秘“图结构任务流”：如何像管理公司一样管理 Agent 系统。30:10 安全底线：人在环路 (HITL) Agent 如何在登录验证等不确定场景中主动向人类求助。31:33 协作悖论：为什么 Agent 也会“甩锅”？ 过度沟通导致的 Token 浪费与执行效率下降的真实观察。35:33 RL 下半场：垂直领域的专家进化 如何利用强化学习（RL）将行业 Know-how 植入Agent闭环。37:38 Workflow Memory：复制成功路径 长期记忆机制：如何将偶然的成功转化为确定的生产力。商业/技术洞察技术架构对比：Single Agent vs Multi-Agent基于wendong的技术分享整理References 开源框架 (GitHub): CAMEL AI (CAMEL) 学术论文: CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Society Elgent(GitHub): The Open Source Cowork Desktop to Unlock Your Exceptional Productivity.在小宇宙查看该单集文稿
Transcribe →