只留下更值得花时间的内容
这里优先看摘要卡、播客、博客和观点型内容，节奏更像编辑精选。
摘录157 分钟阅读
How Anthropic Uses Claude Fable 5 With Mike Krieger
AI & I by Every
17:27 ·
延伸阅读
摘录6 分钟阅读
Today we're releasing Foundation Models framework support for Claude through a new Swift package that le…
Claude Blog
00:00 ·
摘录128 分钟阅读
OpenAI's Dan Roberts: Why AI Can Now Make Discoveries
The MAD Podcast with Matt Turck
12:30 ·
摘录105 分钟阅读
The Rise of the Full-Stack Builder and Hyper-Leveraged Generalist with Microsoft CEO Satya Nadella
No Priors
07:00 ·
摘录102 分钟阅读
The SaaS Apocalypse Is a Goldmine With Figma’s Matt Colyer
AI & I by Every
15:00 ·
摘录177 分钟阅读
Ep 89: AI Research Legend’s Honest Assessment of Where We Are
Unsupervised Learning
12:50 ·
摘录105 分钟阅读
Knowing What Your Customers Want, All the Time: Listen Labs' Alfred Wahlforss
Training Data
09:00 ·
摘录158 分钟阅读
Ep 88: Unpacking DeepMind's Quest for SuperIntelligence with Demis Hassabis' Biographer
Unsupervised Learning
12:46 ·
摘要198 分钟摘要
Box首席执行官亚伦·列维在MAD播客上讨论2026年企业AI现状。尽管AI发展已历经三四年，企业部署仍处于极早期阶段。聊天式AI仍在推广中，企业现已着手应对代理式AI的部署难题。最突出的问题是Token成本从每月20美元/用户的订阅模式飙升至单个高级代理任务可能消耗1000美元。企业普遍乐观但面临预算、人才和部署策略等现实挑战。
- 企业代理式AI部署仍处于第一天阶段，许多组织的聊天式AI仍在推广中
- Token成本从订阅模式暴涨至单个任务1000美元以上，令企业措手不及
The MAD Podcast with Matt Turck
11:30 ·
摘要96 分钟摘要
Onyx Security联合创始人兼CEO Maxim Bar Kogan探讨如何构建AI守护者来监控企业环境中的自主AI智能体。他将公司起源追溯至AutoGPT的出现，该系统揭示了对超越人类的AI系统进行监管的未来需求。如今，Onyx训练专门的精简模型来大规模监控AI行为，为企业创建"AI控制平面"。Kogan解释了为何传统安全工具——身份管理、端点安全和API安全——对自主AI代理无效，以及专门的监管模型如何解决监控不可预测、高能力AI系统的独特挑战。讨论涵盖企业部署模式、成本考量以及自主编码智能体的快速普及。
- Onyx Security通过训练专门的精简模型来解决AI智能体行动指数级增长的问题，这些模型能够判断何时需要升级到更智能的监管智能体进行处理。
- 传统安全方法如身份控制、端点安全和API代理对AI智能体失效，因为企业需要授予广泛权限才能使智能体发挥作用。
No Priors
10:00 ·
摘要97 分钟摘要
本期播客中，Every联合创始人兼CEO丹·西克与COO布兰登讨论了丹发表的文章《自动化之后》。尽管Every是典型的AI原生公司，大量使用AI代理，但公司规模从GPT-3发布时的4人增长到现在的30人并继续招聘。丹认为，AI使专家能力变得廉价和普及，产生了大量"接近但不正确"的内容，这反而增加了对专家的需求——需要专家来完善和指导这些工作。核心观点是：AI代理离人类越远，价值越低。代理需要人类不断指引"下一步该做什么"，即使达到AGI，这一基本动态也不会改变，因为AI代理本质上是为人类服务的工具。
- 尽管高度依赖AI代理，Every的团队规模从GPT-3时代的4人扩大到30人，证明自动化并未取代人类工作
- AI使专家能力变得廉价普及，产生了大量"接近但不完美"的内容，反而增加了对专家的需求
AI & I by Every
16:28 ·
摘要132 分钟摘要
本期播客邀请了Cursor的Federico和Fireworks的Dima，讨论Cursor如何训练其Agentic编程模型Composer 2。Federico解释称，Cursor选择自研模型是为了将所有模型权重专门用于编程任务，以更低的成本实现更好的质量。Composer 2采用双轴训练方法：首先在代码token上进行持续预训练，然后在Cursor测试环境上进行大规模强化学习。Dima详细介绍了大规模RL训练的基础设施挑战，包括需要编排异构的Rollout（模拟Agent会话）和训练流程。
- Cursor训练Composer 2是为了将所有模型权重专门用于编程任务，以通用模型一小部分的成本实现更好的质量
- Composer 2采用双轴训练方法：在代码token上进行持续预训练，然后在Cursor任务上进行大规模强化学习
Training Data
09:00 ·
已加载全部内容