感謝科技的進步，每一個長篇訪談都可以有萬字全文，但或許更稀缺的是時間。希望本城日常精讀可以幫助大家在最有限時間裡掌握最新的科技商業認知。同時附上完整視訊和全文的連結，感興趣的同學可以繼續針對特定內容深入瞭解。天空科技商業精讀04.27 | 內容目錄• Google大神Jeff Dean關於AI重要趨勢的演講 - 蘇黎世聯邦理工學院 20250420• 訪談Bolt.new 首席執行官 Eric Simons 20250423• 如何最大限度地利用Vibe Coding - YC創業學校 20250425• BG2播客：關稅、自由貿易、出口管制、H20 與稀土禁令 - 比爾·格利 & 布萊德·格斯特納 20250424• Allin播客：馬斯克重返特斯拉，Google Gemini模型，中國的釷突破 20250426❖ ❖ ❖Google大神Jeff Dean關於AI重要趨勢的演講 - 蘇黎世聯邦理工學院 20250420視訊和全文連結:https://www.bilibili.com/video/BV1eZjcznExr/內容精讀：Google首席科學家Jeff Dean傑夫·迪恩，一位自1999年起便深度參與並塑造Google分佈式技術基石（如MapReduce, BigTable, Spanner, TensorFlow, Pathways）的關鍵人物，同時也是Google大腦團隊的聯合創始人，分享了他對人工智慧領域重要趨勢的見解。他強調，機器學習已根本性地改變了我們對電腦能力的預期，相較於十年前，如今電腦在視覺、語音識別和語言理解方面取得了巨大飛躍。          這一進步的核心驅動力在於不斷增加的訓練算力、資料規模以及模型大小，這幾乎已成為過去十五年顛撲不破的規律——更大的模型和更多的資料通常能帶來更好的性能。然而，迪恩特別指出，演算法和模型架構的改進，其重要性甚至超過了硬體的進步。這些綜合因素正推動計算範式從傳統的CPU為中心向更適應AI負載的新型計算硬體轉變。          回顧關鍵技術里程碑，神經網路和反向傳播演算法奠定了深度學習革命的基礎。2012年，迪恩及其同事通過訓練比當時已知最大模型大60倍的神經網路（使用DistBelief系統和16000個CPU核心），證明了更大模型結合足夠算力能帶來顯著性能提升，尤其在無監督學習和細粒度圖像分類任務上。DistBelief系統探索了模型平行與資料平行，並採用了創新的（儘管數學上非嚴謹的）非同步梯度更新方法，成功擴展了模型規模，催生了Word2Vec等詞嵌入技術。Word2Vec不僅讓相關詞語在向量空間中聚集，更揭示了向量方向的語義意義。          隨後，基於神經網路的序列到序列學習（2014年）推動了機器翻譯等任務的發展。對大規模神經網路推理需求的預見，促使Google開發了張量處理單元（TPU），這種專為低精度、高密度線性代數運算設計的硬體，在推理任務上實現了遠超當時CPU/GPU的性能和能效。TPU隨後發展為支援訓練和推理的大規模Pod系統，通過高速互連和光交換網路連線數千晶片，計算能力和能效在七年內分別提升了約3600倍和30倍。          開源框架如TensorFlow、PyTorch和JAX的普及，極大地促進了機器學習社區的發展和應用的廣泛性。2017年，“Attention is All You Need”論文提出的Transformer架構，通過注意力機制擺脫了循環模型的順序限制，以更少的計算量和模型大小實現了更優性能，成為現代大型語言模型（LLM）的基石。自監督學習利用海量無標籤文字（通過預測文字自身，如自回歸或掩碼語言模型）進行訓練，是LLM能力強大的關鍵。視覺Transformer（ViT）則將Transformer架構成功應用於圖像處理，統一了處理不同模態資料的模型基礎。          稀疏模型（如混合專家模型MoE）通過僅啟動模型的一小部分（如2%），在保持巨大模型容量的同時，顯著降低了訓練和推理的計算成本，實現了演算法上的又一次效率飛躍。為管理超大規模分佈式訓練，Google開發了Pathways軟體抽象，它將數萬個TPU晶片虛擬化為單一處理程序下的裝置集，簡化了跨資料中心、跨地域的複雜計算任務編排。          在模型應用層面，“思維鏈”提示鼓勵模型展示推理步驟，顯著提升了其在複雜問題（如數學題）上的精準性。知識蒸餾技術則能將大型“教師”模型的知識有效遷移到小型“學生”模型中，利用教師模型輸出的機率分佈作為更豐富的訓練訊號，使得小型模型在少量資料下也能達到接近大型模型的性能。針對高效推理，研究者們探索了不同的計算對應策略（如權重聚集），發現最優選擇依賴於批次大小和延遲等因素。推測解碼技術利用小型“草稿”模型快速生成候選序列，再由大型模型驗證，通過分攤記憶體頻寬成本來加速推理過程。          這些進展——包括更好的硬體加速器（TPU、GPU）、軟體抽象（Pathways、框架）、模型架構（Transformer、ViT、MoE）、訓練演算法（自監督、蒸餾、RLHF/SFT）和推理技術（CoT、推測解碼）——共同塑造了現代AI模型的能力。          迪恩以Google的Gemini項目為例，說明了這些技術的融合應用。Gemini是Google多部門合作的產物，旨在建構世界領先的多模態模型（處理文字、圖像、音訊、視訊），其開發利用了TPU、Pathways、JAX、Transformer、MoE、蒸餾等技術。Gemini 1.5引入了百萬級token的長上下文能力，使得模型能直接處理和推理大量資訊（如多篇論文或書籍），上下文中的資訊因其高保真度而尤為有效。最新的Gemini 2.5 Pro在編碼、多項基準測試和使用者偏好（如LM Arena ELO評分）上均取得顯著進步，體現了模型在質量與成本帕累托前沿的持續最佳化。          管理如此大規模的項目（涉及全球分佈的數百位研究人員）需要有效的組織結構（按領域劃分團隊）、溝通機制（大量使用聊天工具、正式評審流程）和資料驅動決策（排行榜、基線比較）。擴展計算規模也面臨挑戰，如靜默資料損壞（SDC），需通過監控梯度范數、確定性重放等方法來檢測和緩解硬體錯誤。Gemini展示了強大的能力，如修復程式碼、通過上下文學習掌握冷門語言（卡拉芒語）、處理多模態輸入（視訊轉JSON、視訊摘要）、數位化歷史資料以及高級程式碼生成。          最後，迪恩強調了AI的社會影響，並提及了他參與合著的《塑造AI》論文。該文旨在聯合學界、工業界力量，通過有針對性的研究和政策，主動引導AI發展，以服務公共利益，最大化其積極影響（如普及專業知識），同時警惕並減輕潛在風險（如虛假資訊傳播）。他認為，雖然當前AI在某些複雜任務上仍有不足，且使用者需要學習如何有效利用這些工具（提示工程），但模型能力正快速迭代提升。資料質量至關重要，雖然原始資料似乎尚未枯竭，但更高效地利用資料、讓模型從資料中學習更深層次的理解是重要的研究方向。AI的未來潛力巨大，需要社會各界共同努力，負責任地塑造其發展軌跡。          當前模型能夠將相對簡單的任務分解為少數幾個步驟，並借助有限的工具使用來完成，其精準率大約在60%到70%。然而，這些模型尚無法獨立地將非常複雜的事情分解成大量的子步驟（例如50個或更多），並使用多種複雜工具來完成可能耗時數月的重要任務。目前的技術水平與人們期望達到的、能夠以極高精準率（如95%）在一千個步驟中完成長期工作的理想狀態之間，存在著巨大的鴻溝，這種理想狀態目前肯定無法實現。能力的提升可能是一個連續的過程，而非一蹴而就的突破。未來會看到模型的性能逐漸增強，例如能夠以90%的精準率完成10步操作，這可以視為一個中間發展階段。訪談Bolt.new 首席執行官 Eric Simons 20250423視訊和全文連結:https://www.bilibili.com/video/BV1hELfzuEnd/內容精讀：這篇訪談的核心內容，圍繞著一家名為StackBlitz的公司及其產品Bolt的戲劇性崛起展開，堪稱一個“歷時7年才實現的一夜成名”的故事。公司創始團隊最初的願景，是讓建構全端Web應用像使用Canva或Figma一樣簡單，為此投入了七年時間研發核心技術WebContainer——一個能在瀏覽器標籤頁內運行、毫秒級啟動的作業系統。然而，儘管技術領先，公司在商業化上步履維艱，主要面向開發者的IDE產品並未獲得足夠市場牽引力，年經常性收入（ARR）僅在70萬美元左右徘徊，一度瀕臨解散。          轉折點出現在公司將前沿AI技術與自身核心技術結合，推出了Bolt——一個通過文字提示即可生成應用程式的工具。這一創新徹底改變了公司的命運。Bolt上線後，年經常性收入在短短兩個月內從70萬美元飆升至2070萬美元。令人意外的是，Bolt的主要使用者群體（約60%-70%）並非開發者，而是產品經理、設計師、創業者等非技術背景人士，他們借助Bolt將產品構想直接轉化為實際可運行的軟體，這揭示了AI正在賦能一個全新群體進行軟體創造。          Bolt的成功，很大程度上歸功於其底層WebContainer技術。這項技術使得應用能在使用者本地瀏覽器中快速（百毫秒級啟動）、低成本、高可靠性地運行，避免了傳統雲IDE依賴虛擬機器帶來的延遲、成本和安全問題。使用者只需輸入提示，即可在極短時間內獲得一個功能看似完備的應用原型（如Spotify克隆），體驗流暢且“神奇”，入門門檻極低，甚至可以輕鬆部署到線上。          公司強調，早期長達七年的技術積累和社群建設雖未直接帶來商業成功，卻為Bolt的爆發奠定了堅實基礎。WebContainer技術是Bolt的核心競爭力，而多年積累的社群和品牌聲譽，使得Bolt僅憑一條推文就能迅速引爆市場。艱難時期學到的精益營運經驗，使得僅有15-20人的小團隊能夠有效應對使用者和收入的爆炸式增長，保持了高度的敏捷性和效率，例如僅用3名支援人員服務超過6萬付費客戶。          展望未來，公司認為隨著AI能力的提升（如更可靠的程式碼生成），產品將進一步簡化，可能隱藏更多面向開發者的技術細節，以更好地服務非技術使用者，同時仍為專業開發者提供深度定製的能力，如同一個適用於專業人士和普通使用者的“電鑽”。公司正在推出Bolt Builders計畫，連接使用者與專家解決開發難題，並可能將服務延伸至行銷、分銷等公司建立的全流程環節。他們認為，在一個產品建立成本趨近於零的時代，競爭優勢將更多地體現在品牌、分銷管道和卓越的客戶服務上。最終，這種由AI驅動的軟體開發民主化趨勢，將為消費者帶來更多競爭和更好的產品。公司也計畫在近期開始投入付費使用者獲取，以擴大這一顛覆性技術的認知度和影響力。✧ ✧ ✧ ✧ ✧如何最大限度地利用Vibe Coding - YC創業學校 20250425視訊和全文連結:https://www.bilibili.com/video/BV1p1jAzTEKn/內容精讀：近一個月來，我嘗試在幾個副項目中使用“氛圍編碼”，發現效果顯著，只要願意嘗試並掌握最佳實踐，就能取得可衡量的進步。如同幾年前的提示工程，人們每周都在發現新方法，而最佳技術往往與專業軟體工程師所用的相似。有人認為這已是軟體工程而非“氛圍編碼”，但這不重要，關鍵在於如何利用這些工具獲得最佳結果。          一些利用AI工具的建議包括：當AI IDE陷入困境時，嘗試直接訪問LLM網站介面，貼上程式碼提問或許能解決問題。可以同時使用Cursor（速度快，適合前端和全端）和Windsurf（思考時間長）處理同一項目，利用等待一個工具思考的時間在另一個工具上工作，甚至讓它們基於相同上下文生成同一功能的不同迭代版本供選擇。將AI視為一種新的程式語言，用自然語言程式設計，因此需要提供非常詳細的背景和資訊。推薦從測試用例入手，手工編寫測試用例作為防護欄，讓LLM在此基礎上自由生成程式碼，看到測試通過即可。在將任務交給AI編碼工具前，先在純LLM中規劃好範圍和架構至關重要。要監控LLM是否陷入困境，不斷重新生成程式碼或需要反覆貼上錯誤資訊，此時應退一步分析根本原因，可能是上下文不足或模型能力限制。          對於初學者，推薦Repl.it或Lovable這類提供可視化介面的工具，它們便於直接在程式碼中嘗試新UI，許多產品經理和設計師已開始這樣做，速度快於在Figma中設計。但若需精確修改後端邏輯，這類工具可能力不從心。對於有編碼經驗者，可以直接使用Windsurf、Cursor或ClaudeCode等工具。首要步驟不是直接編碼，而是與LLM合作制定一份全面的計畫（存於Markdown檔案並持續參考），然後逐節實施，每完成一節進行檢查、測試並執行Git提交，再讓AI標記計畫完成的部分，逐步推進而非試圖一次完成。版本控制至關重要，務必虔誠地使用git。儘管某些工具有恢復功能，但尚不可靠。每次開始新功能前確保Git狀態乾淨，以便AI偏離軌道時能回滾到可用版本。若AI不工作，不要猶豫使用`git reset head --hard`重設後重新開始。多次提示AI修復同一問題往往導致程式碼質量下降，因為它傾向於堆疊糟糕的程式碼層。發現有效解決方案後，最好是`git reset`，然後基於乾淨的程式碼庫將該方案輸入給AI。          接下來應編寫測試，或讓LLM編寫測試，它們在這方面做得不錯，但通常默認編寫低級單元測試。推薦編寫高等級整合測試，模擬使用者端到端的操作流程，確保功能正常工作。在開發下一個功能前完成測試，因為LLM有更改無關邏輯的壞習慣，測試套件能及早發現這些回歸。          記住LLM不僅用於編碼，也可用於非編碼任務，如組態DNS伺服器、設定Heroku託管（充當DevOps工程師），或建立網站favicon並編寫指令碼調整尺寸格式（充當設計師）。遇到錯誤時，直接將錯誤資訊（來自伺服器日誌或瀏覽器控制台）貼上給LLM通常足以讓其識別並修復問題，無需過多解釋。未來，期待編碼工具能自動攝取錯誤，無需手動複製貼上。對於複雜錯誤，可讓LLM先思考多種可能原因，每次修復嘗試失敗後用`git reset`重設，避免累積無用程式碼。加入日誌記錄也很有幫助。如果遇到困難，嘗試切換不同模型（如Claude Sonnet 3.7、OpenAI模型、Gemini），它們各有擅長。找到棘手錯誤的根源後，建議重設所有更改，在乾淨程式碼庫上給出非常具體的修復指令。          為LLM編寫指令（存放於各工具特定的規則檔案中）能顯著提高效果，有些創始人為此編寫了數百行指令。關於指令內容網上有很多建議。對於文件訪問，線上訪問效果不一，建議下載特定API的文件到本地子目錄，讓LLM在本地訪問，並在指令中明確要求先閱讀文件。LLM也可作為老師，讓它逐行解釋程式碼實現，是學習新技術的好方法。          處理複雜新功能時，建議先在乾淨程式碼庫中將其作為獨立項目開發，獲得一個小型可工作的參考實現（或下載GitHub上的參考實現），然後讓LLM參照該實現在主程式碼庫中重新實現。保持檔案小巧和模組化對人類和AI都有利，未來可能向更模組化或基於服務的架構轉變，清晰的API邊界讓LLM更容易工作。          技術堆疊的選擇會影響AI表現。使用Ruby on Rails效果很好，可能是因為其擁有大量完善約定和一致的高品質線上訓練資料。相比之下，Rust或Elixir等較新語言的訓練資料較少，效果可能稍遜。          利用截圖貼上到編碼代理中，可用於展示UI錯誤或借鑑其他網站的設計靈感。語音輸入（如使用Aqua）是另一種高效互動方式，能以遠超打字的速度輸入指令，且AI對輕微語法錯誤容忍度高。          程式碼可運行且測試到位後，應經常重構。可以請LLM識別程式碼庫中重複或適合重構的部分。這符合專業軟體開發實踐，保持檔案小巧模組化有助於理解。          持續進行實驗至關重要，該領域技術每周都在變化。嘗試不同模型（如Gemini擅長規劃，Sonnet 3.7擅長實現，GPT-4.1目前表現尚不突出），找出它們在不同場景下的優劣勢，並根據需要選用。 (Web3天空之城)