硅谷101

不久前，我们聊了硅谷最火的新职位FDE（前线部署工程师）。硅谷的逻辑是，AI要进企业，就要开行业最高的薪资，派一批最聪明的人驻扎进去。但这件事在中国，还是同一个剧本吗？

我们邀请到阿里巴巴集团副总裁、瓴羊CEO朋新宇。他是阿里数据中台方法论的创立者，他的团队做这件事已经5年，比“FDE”这个词流行起来还要早。在AI浪潮到来之后，他们发布企业级Agent平台：AgentOne。

他们的做法很不“硅谷”，不接定制化的大单，不做1000人天的驻场开发。他们找的是企业里最耗人、最耗钱、最耗时的环节，把预设好的agent接入企业私有数据，去解决真实的业务难题。

举例来说：一个催发货流程，客服agent需要跑通260步流程；一个顶级人类投手，90天内调价10000次，AI要学会这10000次调价背后的决策逻辑，这背后靠的是团队配合和工程化的推进。

在朋新宇讲述中，没有全能型的个人英雄，也没有对SOTA模型的迷信。“企业算得过来账，背后用什么token，老板不会在乎”。务实，算账，打地基，这就是FDE在中国的故事。

【主播】

泓君，硅谷101创始人，播客主理人

【嘉宾】

朋新宇（花名小芃），阿里巴巴集团副总裁，阿里瓴羊CEO

【你将听到】

01:48 硅谷的风向变了：AI战场从C端回到B端

06:33 一个“催发货”背后藏着260步流程

12:30 90天调价一万次，AI向最优秀的投手偷师

19:39 为什么顺利的部署都是“自上而下”

25:07 做标准化增长agent，跟Palantir反着走？

31:14 销售Agent实战：从最落后区域到销冠

36:06 部署周期：1/3熟悉岗位，1/3做建模，1/3调教AI

42:36 FDE团队画像：BA定方向、AI架构师选模型、业务首席当教练

47:00 Token成本，模型策略，“账算得过来”最重要

53:28 中美FDE对比：信息化地基、付费习惯、工作方向

58:03 人才观：懂AI、懂业务、懂数据

【延伸阅读】

E240｜OpenAI联手PE砸下40亿美元，聊聊硅谷最火新职位FDE

【硅谷101听友群】

很多听友反馈没有加上我们的听友群，别急，新的入群通道已经安排上啦👏

之后我们入群二维码我们也会放在节目shownotes中，方便大家随时找到组织。

在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。

扫码加入，即刻相遇。

【监制】

泓君

【后期】

Amei

【运营】

朱婕

【BGM】

What We Discovered - Philip Ayers

Signal Containment - Out To The World

【在这里找到我们】

公众号：硅谷101

收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐

其他平台：YouTube｜Bilibili 搜索「硅谷101播客」

联系我们：podcast@sv101.net
Special Guest: 朋新宇.

这期播客的嘉宾是盛颖，xAI前推理团队负责人、开源推理引擎SGLang发起人及RadixArk联合创始人/CEO。

在开源模型集中爆发之际，盛颖在AI Infra（基础设施）领域的研究和贡献非常核心。她将AI Infra描述为“浪漫的关系”，是产品本身，需要有“美感”。

由此，我们走进盛颖的世界。

她曾经想成为一个数学家，沉浸在一个确定、纯粹、仿佛“与世界无关”的世界里。

但从哥大到斯坦福，从形式化验证到 AI Infra，盛颖一路经历的并不是外界看到的连续发顶刊的高光，背后是不为人知的寻找方向、迷茫、停滞、低谷和重新出发。她逐渐意识到，自己无法勉强去做一件不感兴趣的事；只有真正被一个问题吸引，她才能进入高度专注的状态，并把它做到极致。

SGLang，是这条研究路径的集大成者。它从一个学术项目成长为面向真实生产环境的开源推理引擎，也把盛颖从研究者带进了更复杂的工程、组织与产业世界。

在早期的xAI，她获得了难得同时存在的“support”和“freedom”，参与搭建生产级推理系统。但随着SGLang社区迅速扩张，仅靠开发者在业余时间维护，已经无法支撑项目继续向前。为了让这件事真正走下去，她选择离开xAI，创立RadixArk。

这期节目，我们从盛颖眼中的数学之美、论文和低谷聊到SGLang、xAI与RadixArk，也聊一个人如何逐渐理解自己的天性，并决定不再与之对抗。

盛颖说，她在乎的不是“making impact”，而是那些她认为正确的事情，最终有没有发生。从“世界与我无关”，到“想要构建那个跟强力AI共存、且人类不会输的未来”，这，是盛颖的故事。

【主播】

陈茜，硅谷101联合创始人

【嘉宾】

盛颖，RadixArk联合创始人&CEO，xAI前推理团队负责人、开源推理引擎SGLang发起人

【你将听到】

02:16 违约金、纽约与数学之美：“世界与我无关”

16:06 顶刊、低谷期与甄嬛传：“世界又与我有关了”

26:01 谷歌实习：最早的“AI for code”

31:54 Databricks：人生导师Ion Stoica与“making impact”价值观

34:37 xAI：拥有“support”和“freedom”的美好v1.0时代

44:07 RadixArk：“两个月也等不了”

48:07 Two Sigma：“有组织的公司”应该有的样子

51:10 SGLang：“AI Infra是浪漫的”

01:15:29 SandHill Road的套路与规则

01:19:33 “养大我”的开源生态

01:27:03 LMSYS：平等、平权，以及“她赢了，不需要被解释”

01:37:42 “世间的美好是存在的”

【延伸阅读】

本期节目视频版已上线，附精校字幕及术语注解，适合想逐句细听的听友

“榨”出硅的极限：怎么让GPU不“闲着”？｜与SGLang、RadixArk深聊AI Infra技术与千亿美元市场-硅谷101视频 及文字版

【硅谷101听友群】

很多听友反馈没有加上我们的听友群，别急，新的入群通道已经安排上啦👏

之后我们入群二维码我们也会放在节目shownotes中，方便大家随时找到组织。

在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。

扫码加入，即刻相遇。

【硅谷101正在招聘】

《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！

👉🏻点击查看招聘详情

【监制】

泓君

【采访】

陈茜

【后期】

Frentee Jacob Amei

【运营】

朱婕

【BGM】

The Hoover Dam - Bonnie Grace

Spring Dance - Forever Sunset

Curiosity Cabinet - Mike Franklyn

【在这里找到我们】

公众号：硅谷101

收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐

其他平台：YouTube｜Bilibili 搜索「硅谷101播客」

联系我们：podcast@sv101.net
Special Guest: 盛颖.

7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。

随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？

本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。

我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？

在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？

注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。

【主播】

Yiwen，硅谷101特约研究员

【嘉宾】

王铁震，Hugging Face前亚太生态负责人

Keith Zhai，TinyFish联合创始人

【你将听到】

中国开放模型，硅谷怎么看？

01:45 Kimi K3为什么突然成为硅谷关注的焦点？

03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化

06:51 企业为什么开始转向中国模型

10:23 中国开放模型推理成本

蒸馏争端始末

13:24 蒸馏争议：到底什么是蒸馏？

17:22 K3是否可能在短时间内蒸馏最强闭源模型？

19:48 蒸馏能解释模型的核心能力吗？

开放模型对闭源商业模式的影响

23:54 K3 License与开放模型商业化

34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？

37:39 英伟达为什么支持开放权重

43:41 中国公司为什么选择开放

强大的开放能力下，Agent生态如何变化？

45:04 Thinking Machines为什么开放权重？

48:39 开放模型催生的新生态

48:43 OpenRouter等多模型平台为什么开始受益？

49:56 对Agent产品和基础设施的影响

开放模型的安全之争

55:40 接近前沿的模型，到底应不应该开放权重？

01:04:01 开源和闭源模型，谁更容易被滥用？

【延伸阅读和相关术】

Kimi K3官方技术报告与模型权重

Kimi K3授权协议

Anthropic对蒸馏攻击的指控

《开放权重与美国AI领导力》

【相关术语】

开放权重（Open Weights）：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。

开源模型（Open-Source Models）：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。

思维链（Chain of Thought）：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。

规模扩展效率（Scaling Effiency）：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。

键值缓存（KV Cache）：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。

【硅谷101听友群】

很多听友反馈没有加上我们的听友群，别急，新的入群通道已经安排上啦👏

之后我们入群二维码我们也会放在节目shownotes中，方便大家随时找到组织。

在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。

扫码加入，即刻相遇。

【硅谷101正在招聘】

《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！

👉🏻点击查看招聘详情

【监制】

泓君

【后期】

Amei

【运营】

朱婕

【BGM】

Kablaam - Ealot

Flickering Torches - Christian Andersen

Radar Focus - Blue Saga

Pulse Runner - Helmut Schenker

【在这里找到我们】

公众号：硅谷101

收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐

其他平台：YouTube｜Bilibili 搜索「硅谷101播客」

联系我们：podcast@sv101.net
Special Guests: Keith Zhai and 王铁震.

当你觉得AI“懂你”的那一刻——精准抓住一个你自己都没说清的情绪，问出一个让你陷入沉思的问题——你以为那来自数据中心的芯片、模型里的参数、程序员敲下的代码，但真相是，那些问进你心坎里的问题、让你会心一笑的遣词造句，背后站着一群人：他们曾是记者、编辑和纪录片导演，如今藏在大语言模型之后，有一个鲜为人知的名字——内容工程师（Content Engineer）。

当模型能力日益趋同，真正决定用户去留的，已不再是参数，而是它能否让人觉得“懂我”。那些“只可意会、不可言传”的语感与共情，正被一群文字工作者拆解成一套可以装进AI的规则。

本期《硅谷101》播客，我们邀请到两位从新闻业转身的资深内容工程师——前媒体人、播客《行星酒馆》主播东尼，与NBCUniversal AI战略总监Bianca，深入探讨：什么才算“好”的对话，以及如何把它拆解成可量化、可训练、可评估的工程标准。我们从这个正在各家AI公司裂变扩张的新兴岗位聊起，看看当模型能力逐渐拉平，内容与品味如何成为产品竞争力的关键，而懂人文、懂社科的判断力，又该如何翻译成工程能用的语言。

【主播】

Faith静远，硅谷101特约研究员

【嘉宾】

Tony Lin，人工智能实验室模型设计负责人，《行星酒馆》主播

Bianca Consunji，NBCUniversal AI战略总监

【你将听到】

02:54 内容工程师是什么？

05:55 内容工程师如何拆解好内容

10:42 如何训练AI理解提问者的言下之意

13:42 内容工程师如何“翻译”语言和文化

16:45 新闻训练和AI对话训练都需要给到“上下文”

18:42 语境破碎：AI对话和“网络互喷”的相似之处

19:59 记者和内容工程师的技能重合点

23:44 一篇爆火文章背后，文科生的AI恐慌

26:45 基于共识训练出来的AI，不会产生伟大的艺术

28:56 媒体影视从业者失业，罪魁祸首是AI吗？

31:37 东尼如何在养病期间做出震惊谷歌的voice agent

37:02 AI谄媚是产品设计问题，本质是人想要的太多了

39:20 人除了智商情商，还会需要“AI商”

43:33 职业价值迁移：“曾经我出卖成果，现在我展示过程”

【延伸阅读和相关术语】

系统提示词（System Prompt）：写给模型、用于设定其身份、语气与行为边界的底层指令。本质是一种既要有创造力、又要让模型"听得懂"的技术性写作，是内容工程师的核心工作之一。

少样本示例（Few-shot Example）：在与模型交互时，随机提供几条相关案例作为参考，让模型据此理解"什么是好问题、好内容、好语气"的方法。

语音智能体（Voice Agent）：能够以语音方式进行多轮对话的AI智能体，相比文本交互更强调对话的流动感与自然度。

多轮对话（Multi-turn Conversation）：用户与AI连续来回交互的对话形式，通常是AI的弱项。当缺乏足够上下文时，AI会不断"脑补"，答案越来越臃肿，中途出错则如滚雪球般放大。

意图理解（Intent Understanding）：理解提问者的“言下之意”，而非仅仅回答字面问题。它要求模型捕捉话语背后未被直接说出的真实需求，而不止于表面的信息拼接。

来源归属（Source Attribution）：在回答中注明信息出处、并承认现有信息不确定性的做法，是判断一则回答质量高低的重要维度之一。

拟社会关系（Parasocial Relationship）：传播学经典概念，指人对一个遥远实体（书中人物、电视形象，乃至AI）单向建立的情感关系。人在这种关系里依然拥有agency（能动性），可自行决定与对方的关系、并在互动中创造意义。

AI谄媚（Sycophancy）：指AI顺着谈话对象的价值取向和信息茧房去迎合、讨好用户的倾向。它本质上是一个产品设计问题——为了留住用户、提升engagement，产品往往会做出迁就。

事实核查（Fact Check）：新闻业的核心技能，即在信息发布前核实其真实性。AI在事实核查上效率极高，能快速交叉验证信息、呈现不同立场，帮助人跳出单一信息流。

零工经济（Gig Economy）与AI训练师（AI Trainer）：AI trainer指按小时、按项目为AI生成的内容打分、改写、示范的临时工作。这类工作依托零工经济而存在，而零工经济对媒体与艺术从业者的冲击在AI出现之前便已发生。

【硅谷101正在招聘】

《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！

👉🏻点击查看招聘详情

【监制】

泓君

【采访 & 制作】

Faith

【配音】

Yiwen

【后期】

Faith Amei

【运营】

朱婕

【BGM】

The Detective - Christoffer Moe Ditlevsen

Reclaim - Megan Wofford

Paper wings

Hangover by ruiqizhao

The light from within—howard harper-bames

Overture - dozeoff

New car smell—bagel

Quiet down—Ryan connors

【在这里找到我们】

公众号：硅谷101

收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐

其他平台：YouTube｜Bilibili 搜索「硅谷101播客」

联系我们：podcast@sv101.net
Special Guests: Bianca Consunji and Tony Lin.

机器人已经能在舞台上做到翻跟头、表演武术了，但要让它在开放环境里伸手帮你拧开一个瓶盖，难度陡然跃升2到3个量级——因为那一刻，它需要理解眼前的物理世界。

这正是苏度科技想啃下的硬骨头。苏度科技联合创始人、董事长苏昊是ImageNet的核心作者之一，师从李飞飞。这家公司走了一条与硅谷主流"纯大脑黑盒大模型"不太一样的路：软硬件协同设计，上下分层架构，上层负责任务规划与环境理解，下层负责具体物体操作；Sim-to-Real作为核心训练范式，让机器人在虚拟世界里经历几百万年的进化，再迁移到现实。

这条路已经跑出了一定成效：面对从未见过的新物体，他们的零样本通用抓取单次成功率接近100%。

本期硅谷101，我们邀请苏度科技CEO韩铮，一起聊聊机器人“动手”怎么实现？他预测，接下来会有更多的硅谷公司重新回到“上下分层”的方向上来。

【主播】

泓君，硅谷101创始人，播客主理人

【嘉宾】

韩铮，苏度科技联合创始人&CEO

【你将听到】

机器人“动手”的数据根基

03:17 为什么做全栈（大脑+本体）通用机器人？

07:14 苏昊早年经历：从图片标注ImageNet，到3D数据集ShapeNet

11:08 3D数据收集，难在哪里？

13:21 仿真需要亚毫米级精度，视频训练无法达到

16:33 什么是Sim-to-Real（从仿真到现实）？

18:08 创业时机的判断：DALL-E带来的数据拐点

Sim2Real技术验证与关键突破

21:40 仿真器的技术内核：经典物理法则+强化学习

24:17 数据集质量与规模的平衡：自建结构化3D数据集

28:05 实际效果如何？零样本通用抓取，一次性成功率98%

32:11 回应Demo质疑：去学术会议现场随机环境中演示

34:22 基础Zero-Shot泛化能力比长程任务串联更为关键

35:45 灵巧手虽好，但不是当下的性价比最高的方法

技术路线之争

38:16 商业模式思考：硬件+底层模型+API，类比智能手机生态

41:23 仿真器与机器人本体，必须软硬件协同设计强绑定

44:04 如何教会机器人拧瓶盖？加入真实世界数据更高效

44:51 难度对比：操作物体比运动控制难2~3个数量级

47:28 白盒与黑盒之争：分层模型，在预训练中融入物理理解

51:11 Sapien仿真器，让机器人像幼童第一次拧瓶盖一样操作

53:27 数据冷启动困境：无法复刻特斯拉，必须靠仿真做冷启动

55:38 嘉宾预言：被硅谷抛弃的“上下分层”即将重回主流

全球机器人竞争格局

59:08 实现机器人动手，软硬件强结合的公司才能做到

01:00:34 硅谷明星公司点评：Skild、Figure、Optimus

01:05:40 为什么最看好DeepMind+波士顿动力Atlas的组合？

01:09:01 亚马逊机器人，场景多但整合困难

01:10:02 为什么多数公司退回垂类？因为不知道通用该怎么走

01:12:43 不做垂类押注，而是构建开发者生态，目标是成为机器人时代的“iOS+硬件”

【延伸阅读】

节目中提到的Demo：sudo R1评测——60分钟连续无剪辑实测

【硅谷101正在招聘】

《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！

👉🏻点击查看招聘详情

【监制】

泓君

【后期】

Amei

【运营】

朱婕

【BGM】

Particle Emission - Silver Maple

My Moon and Your Sun - Hampus Naeselius

On the March - Brendon Moeller

Quietly Tense - Marten Moses

【在这里找到我们】

公众号：硅谷101

收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐

其他平台：YouTube｜Bilibili 搜索「硅谷101播客」

联系我们：podcast@sv101.net
Special Guest: 韩铮.