注册并分享邀请链接,可获得视频播放与邀请奖励。

硅谷101
@thevalley101
分享当下最新鲜的技术、知识与思想;从这里驶向未来。 硅谷101播客: 硅谷101视频: Web3 101:
76 正在关注    11.7K 粉丝
我们这期视频播客的嘉宾是盛颖,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。
显示更多
0
38
281
41
转发到社区
#精彩片段# AI聊三句就崩?这是因为AI没有足够的上下文时,会疯狂脑补,然后越补越错、越错越离谱。而做媒体人的“语境能力”,刚好能治AI这种病。
显示更多
AI可以写代码、做研究,甚至预测复杂的现实世界,但面对一场足球比赛,它却常常失灵。即使拥有海量数据和顶级算法,AI依然很难回答那个最关键的问题:怎样才能赢球? 从利物浦与DeepMind的角球实验,到AI球探寻找下一个超级球星,再到智能足球和半自动越位系统,AI已经进入战术、选援、判罚和转播。但足球充满偶然性与难以量化的变量,真正有价值的数据又高度分散、难以获取。与此同时,这个拥有几十亿观众的全球第一运动,却始终没能孕育出一门足够大的AI生意。 AI为什么算不准足球?足球为什么养不出AI独角兽?如果AI还无法帮球队赢球,它究竟能改变足球的什么? 采访嘉宾: Myles Spittle,联想FIFA项目DWS负责人
显示更多
就在今天,韩国法院在新一轮判决中,SK集团会长崔泰源被判向前妻卢素英支付9440亿韩元(约合6.43亿美元)离婚财产分割款。🍉要想知道这个“天价离婚案”的详细经过,欢迎点击我们的视频⬇️
显示更多
过去两年,光是洛杉矶就蒸发了四万多个影视岗位。美国的报纸采编岗比2008年少了一半。这些消失的媒体人,有一批去了硅谷的大模型公司,用他们的写作经验教AI回答你的问题。每当你觉得“这个大模型的回答好戳中我”的时候,写出来那句话的,就是之前的新闻人与内容工作者。 本期硅谷101播客,我们来聊一聊这个鲜为人知的工种——Content Engineer,内容工程师。
显示更多
#精彩片段# 如果说硅谷所有大厂里,有谁对物理世界AI的下注最坚决,答案可能是DeepMind的哈萨比斯。去年DeepMind把硬件平台换成了电动版Atlas,同时从波士顿动力硬件部门直接挖走了核心团队,谷歌会不会像当年做Android一样,用这套组合重新定义机器人时代的生态规则?
显示更多
#精彩片段# 硅谷最火的机器人公司几乎都在押注同一条路:端到端的黑盒大模型。这和生成式AI的成功范式如出一辙。但苏度科技韩铮有一个“暴论”:从今年下半年开始,分层结构会重新回到硅谷主流视野。
显示更多
美国研究员看智谱:市场非常“奖励”上市AI公司 这是我们专访美国知名AI研究员、艾伦人工智能研究所(Ai2)后训练负责人Nathan Lambert的精华节选。 今年4月,Nathan来到中国,实地走访了智谱、月之暗面、小米等团队。他最先感受到的,是一种很强的“展厅文化”。 他发现,虽然智谱和Kimi有很多相似之处,但智谱已经更早进入了一个“大公司时刻”:更公开、更受关注,也更接近资本市场和全球竞争的中心。 这背后不只是公司气质的差异,也关系到中国开源模型接下来怎么进入开发者社区、借助平台热度获得使用反馈,并在更低成本的Agent生态里找到自己的位置。 感兴趣的朋友,欢迎观看完整视频。
显示更多
#精彩片段# Sim-to-Real,就是让机器人在虚拟世界里先练成千上万遍,然后直接把学到的本事“搬”到物理世界。但是仿真和现实之间永远有一道鸿沟,这道gap到底怎么填?
显示更多
#精彩片段# 在机器人领域,能否凭一个demo判断公司的技术水平?答案往往是:不能。因为外界很难知道,团队在展示前是否已针对特定环境做过适配。哪怕只是提前几天到现场采集环境数据,都能让demo效果大幅提升。 但是苏度科技这家公司,敢在一个完全没有训练的新环境中去做演示。Sim2Real机器人“裸考”抓取,成绩如何,我们来看看吧。
显示更多
#精彩片段# 在AI的发展史上,ImageNet的出现是一个标志性时刻——1400万张带标注的图片,让机器第一次“看见”了世界。而ImageNet的核心作者之一苏昊,在十几年前决定把同样的思路带到3D领域,但3D数据远比2D复杂,随着数据标注维度的逐级提升,数据规模锐减。
显示更多
美国研究员看Kimi:“氛围最好”的中国AI人才 这是我们专访美国知名AI研究员、艾伦人工智能研究所(Ai2)后训练负责人Nathan Lambert的精华节选。 Nathan在走访月之暗面、智谱、小米等团队后发现,中国AI公司吸纳年轻研究员的速度很快,也更愿意让他们直接进入核心项目。 在他看来,这不只是年龄问题。年轻人没有太多旧路径依赖,也更容易把全部精力投入到这一轮技术浪潮里:理解最前沿的方法,吸收训练和后训练的复杂细节,再沿着现有路径快速优化。 感兴趣的朋友,欢迎观看完整视频。
显示更多
0
39
161
20
转发到社区
机器人已经能在舞台上翻跟头、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”大模型不太一样的道路。 本期硅谷101,我们邀请苏度科技联合创始人&CEO韩铮@hanbsd 一起聊聊机器人“动手”怎么实现?3D数据从哪里来? Sim-to-Real这条路能不能走通?全球机器人竞赛,各大头部玩家他们的技术路径是什么,谁能真正跑出来?
显示更多
#精彩片段# 欧洲足球俱乐部,投资价值会见顶吗?从营收角度看,确实见顶了。但美国资本算的不是营收账,而是估值账。
#精彩片段# 美国老板买英超球队,带来的不只是钱,更是一整套“野性”的商业玩法。在他们手里,一支球队可以变成整个体育资产包中的一块拼图,玩法远超传统足球老板的想象。
显示更多
我们的全英文频道正式上线啦! 我们会继续为大家带来更多精彩的全英文内容,欢迎大家关注我们的新频道,用英文跟我们多多互动交流呀~😆
显示更多
我们的全英文频道上线啦: 接下来,我们会制作更多的tech explainer video、video podcast以及全英文嘉宾的采访/内容,欢迎大家关注我们的新频道,也鼓励大家用英文在上面留言交流哟~ 🌹
显示更多
#精彩片段# 美国资本对欧洲足球的渗透,远不止收购俱乐部这么简单。从欧足联国家队赛事的商业开发,到欧冠联赛的版权分销,再到五大联赛的全球转播权——美资已经垄断了欧洲足球“赚钱”的几乎所有核心通道。
显示更多
“算力是中国实验室最大的焦虑” 美国知名AI研究员Nathan Lambert认为,GPU稀缺不只是影响训练速度,也会改变模型策略:更少冒险实验,更强调沿着确定路径持续优化;同时也更早面对推理效率、国产芯片适配和本土AI技术栈的问题。 我们与Nathan的这场对话发生在6月初,当时美团LongCat-2.0还没有发布。现在回看,国产算力能否支撑更大模型训练,已经不只是技术讨论,而是中国AI接下来最关键的变量之一。 这是我们专访美国知名AI研究员、艾伦人工智能研究所(Ai2)后训练负责人Nathan Lambert的精华节选。 感兴趣的朋友,欢迎观看完整视频📷
显示更多
足坛背后,已经是美国金主的天下了。英超的20家俱乐部中,有11家都被美国资本控股,美资甚至渗透进了欧洲五大联赛。 本期硅谷101播客,我们邀请懒熊体育《摸鱼的熊彼得》主理人张兵,《翻转体育》主播施骅伦,从曼联再次寻求卖股说起,逐一聊聊英超四大豪门背后的美资运作,也聊聊为什么没有英式足球积淀的美国人,会那么喜欢投资英式足球?美国资本又在怎么改变世界足坛?
显示更多
开源模型:“美国已经输掉了比赛,英伟达是唯一希望” 这是我们专访美国知名AI研究员、艾伦人工智能研究所(Ai2)后训练负责人Nathan Lambert的精华节选。 这场采访发生在6月初,当时GLM-5.2还没有发布。现在回看,他对Kimi、智谱、DeepSeek,以及英伟达可能扮演的角色的判断,会更有意思。 感兴趣的朋友,欢迎观看完整视频:
显示更多