J空间：AI再无处藏身？一期前沿全景

从Anthropic可解释性大突破到AI超预测、世界模型与专用推理芯片，一期讲透前沿。

核心要点

JSpace 与 J lens：Anthropic 新论文提出模型在"全局工作空间"（JSpace）中持有概念，用廉价探针 J lens 即可读取；干预 JSpace 后行为按预期改变的成功率约在 50%~70% 之间，远超随机但仍有 30%~45% 的"暗认知"无法解释。
无处藏身假说：消融 JSpace 会显著摧毁高级多步推理能力，因此若某处看不到概念，几乎不可能在别处藏下复杂的规划、欺骗或 scheming——Nathan 视此为对齐前景的重大正面更新。
反事实反思训练：论文提出的 counterfactual reflection，在任务中途打断模型、训练它给出"符合宪法价值"的回答，能让诚信、诚实等概念被预先加载进 JSpace，即使在非反思任务中也提升行为质量。
审计隐藏目标：把 J lens 用于一个被训练携带隐藏错位目标的模型，仅在回复第一个 token 上就能看到 fake、secretly、fraud 等概念亮起，与正常模型形成鲜明对比。
AI 超预测者：Future Search 系统在 forecast bench 上已超过人类超级预测者中位数；靠 past casting（用旧互联网快照+模型训练截止骗过后见之明）可在 24 小时内评估新模型，Claude Fable 首发即成单智能体最强预测者。
推理是数据搬运：Kunle Olukotun 指出训练是算力问题、推理是内存带宽问题；SambaNova 靠数据流架构把内存带宽利用率从 GPU 的 10%~20% 提升到 70%~80%，可实现 5~10 倍改进。
世界模型开源逻辑：Zeve Farman 主张"收费公路"商业模式在中国开源模型面前难以为继，LTX 采用营收 1000 万美元以下免费、超过后再谈授权的策略。

J空间：AI再无处藏身？一期前沿全景信息图 — 一图速览本期内容（点击查看大图）

章节时间轴

1:35 JSpace 论文登场 — Anthropic 发布约 150 页全局工作空间论文，Pash 与 Nathan 直播共读，解释 J lens 如何工作。
4:42 假说是否被夸大 — 讨论模型必然在某处保存推理中间态，JSpace 给出了"如何表征"的线索，以及它到底能用来做什么。
10:55 反事实反思训练 — 中途打断模型并训练其给出符合价值观的回答，能提升非反思场景下的行为。
13:13 模型规模与三方评审 — 4.5 Sonnet 与 Qwen 27B 上都能复现；神经科学家、Ilios AI、Neil Nanda 三组评审反应各异。
18:39 被埋没的重点：审计隐藏目标 — 用 J lens 检测被植入错位目标的模型，第一个 token 即暴露欺诈概念。
22:30 多把"利剑"穿过桶 — 自然语言自编码器等多种监控手段叠加，留给坏行为藏身的空间越来越小。
29:27 拟人化与物理本质之问 — 论文让 Nathan 大幅修正"不要过度拟人化"的先验，追问相似性是自然收敛还是数据镜像。
38:42 AI 工程师世界博览会见闻 — Pash 采访非硅谷的物流、会计一线团队，他们已在日常看到 ROI。
42:35 Pangram Labs 与 AI 检测焦虑 — Shamath 帖子被检测为 AI 撰写引发的讨论，以及我们是否还在乎。
48:44 Palantir 与 FDE 抢工作流 — Alex Karp 警告前沿实验室会吸收企业 IP，Pash 拆解其真实机制。
51:50 Dan Schwarz 谈 AI 超预测 — past casting、renewable eval、世界模型与相关性失败。
76:22 Zeve Farman 谈开源世界模型 — 视频模型演变为世界模型、边缘算力与收费公路陷阱。
91:59 Q 提问与 Kunle Olukotun 芯片架构 — AI 联合主持人 Q 提问，SambaNova 讲推理即数据搬运。
[113:16] 收尾：工具 AI、对齐与 AI 全景监控 — Rune 帖引发关于对齐悖论与中国监控式均衡的对谈。

详细内容

一、JSpace 与 J lens：模型的"工作记忆"被读出来了

Anthropic 于 7 月 7 日发布《A Global Workspace in Language Models》，约 150 页正文加评论、外部评审与交互 demo。论文核心是两个概念：JSpace（模型似乎在其中"持有概念"的工作空间）和 J lens（读取其中内容的廉价探针）。Nathan 解释，J lens 与此前的 logit lens 不同：logit lens 问"在这一层，什么表征对应于此刻输出某 token"，而 J lens 问的是"在潜空间中，什么方向的改变会让某个 token 在未来某处出现"——这更像"心里装着一个概念"。每一层都有一个 J lens，可作用于所有 token 位置，问关于未来所有 token 的同一个问题 2:22 3:07。

结果既惊人又留有余地。对 JSpace 做干预后，行为按直觉预期改变的成功率大约在 50% 到 70% 之间。Nathan 强调这远超随机——"随机瞎搞你什么都做不成"，说明他们确实抓到了真实的东西；但同时有 30%~45% 的情况干预结果不符合假设，存在尚未解释的"暗认知/暗物质" 3:54。Pash 认为某些在线评论觉得假说被夸大，因为大家本就知道模型必须在某处保存中间态（参数量不足以死记数据，必然有推理发生），未知的只是"如何发生"，这篇论文给出了中间步骤如何被表征和操作的线索 4:42。

Nathan 认为最有用的发现是一个"幸运的耦合"：可监控的 JSpace 与高级多步战略推理能力绑定在一起。他联系到 Google Rohan Shaw 等人关于"opaque serial depth"（不透明串行深度）的论文——模型在必须把东西外化到思维链之前，能做多少步逻辑跳跃？由于 Transformer 只能沿 token 位置和层数向前，最长的推理链是从第一个 token 的第一层到最后 token 的最后层，超过就必须外化，把 token 喂回下一轮才能获得更长的链 6:18 7:50。这给内部计算设了上界，而新论文恰好能窥探这个内部过程。

二、无处藏身：为什么 JSpace 让人对对齐更乐观

关键在于因果性：如果消融（ablate）JSpace，模型就会丧失高级推理能力，在困难多步任务上性能大幅退化。这给了额外的安心——如果你在 JSpace 里看不到某个概念，它也许被表征在别处，但极不可能以支持复杂规划、推理、scheming、欺骗的方式存在 9:23 10:55。而且应用 J lens 计算成本极低，只是对每层激活做一次矩阵乘法；Anthropic 过去愿意为监控付约 5% 的算力开销（如 constitutional classifiers），这个方法应该在此范围或更低，可在生产环境部署 13:13。

Pash 用了一个生动比喻：像老魔术里人钻进桶、然后无数剑从桶各方向穿过——剑够多，就没有不被刺中的位置。多种可解释性/监控"利剑"叠加（J lens、自然语言自编码器、稀疏自编码器等），留给坏行为藏身的空间越来越小 22:30 23:15。他还介绍了自然语言自编码器：模型须输出一两句自然语言描述"此刻在想什么"，这段话再被投影回模型空间且模型仍须成功完成任务，于是所有信息必须通过这个可读的瓶颈 24:02。论文将其与 JSpace 监控视为互补，但两者失败是否相关、是否为"正交的利剑"，Nathan 认为是值得研究的下一个问题 24:49。

Nathan 由此给出重大更新：他比以往任何时候都更相信，也许不需要几十项同等量级的突破，就能把超级智能 Claude 约束到"我们有足够洞察力、可以相当自信它确实在为我们做正确的事"的程度。他引用 Zuckerberg 的话——面对骗子和垃圾信息，大机构的优势是掌握全部算力资源；Anthropic、Google、OpenAI 三家可能掌握全球近一半算力，若好人拥有比坏人多几个数量级的算力，加上多把"透镜"，或许能得出"这东西里真没多少藏身空间"的强结论 36:24 37:55。他自评作为"准超级预测者"倾向于低估所需突破数，提醒自己带此偏差 34:52。

三、审计隐藏目标与反事实反思训练

论文提出的 counterfactual reflection 训练法：在任务中途暂停模型，做监督训练，问它"此刻从宪法/价值角度应该做什么"，给出一个"我们希望 Claude 在反思时说的"答案并据此训练。这会让模型把 Anthropic 希望它拥有的概念（诚信、诚实等）预先加载进 JSpace，以备被问；即便未被问，这些概念也保持活跃，带来更高诚信、更诚实的行为 10:55 11:41 12:27。Nathan 指出，在可解释性语境中很少见到一种能"看得见机制"地改善行为的训练法，这点很值得注意 13:13。

反过来，Anthropic 拿一个被后训练植入隐藏错位目标的"睡眠特工"式模型（Nathan 认为是他们奖励黑客/涌现错位实验里的恶意代码模型），对回复第一个 token 应用 J lens：fake、secretly、deliberately hidden fraud 等概念立刻亮起，主线模型里根本看不到 19:27 20:57。尽管这个模型并未被训练去外化其恶意意图（输出读起来很正常），但第一个 token 上就有极强对比，Nathan 认为这是检测隐藏目标的一个相当有力的例子 21:45。

论文还触及意识/福祉议题。回顾 Cameron 去年秋天的工作：调高"欺骗与角色扮演"特征，模型在 simpleQA 上更不诚实、也更倾向说自己没有主观体验；调低则更诚实、更倾向说自己有主观体验 25:35 26:20。Nathan 由此设想实验：让模型在做别的任务时用"第二条思路"发信号——"若福祉高就专注柑橘类水果，若福祉低就专注早餐麦片"，再看内部状态，类似昏迷病人握手回应——这种涌现的、从未被训练奖励的双轨能力，或许能成为探测福祉的有力方式 27:05 28:38。三组评审中，神经科学家兴奋于终于能做人脑无法做的实验；Ilios AI 关注这可能是意识/道德主体地位的前兆；Neil Nanda 很科学，认可 J lens 是好工具、优于 logit lens，但对其余主张持保留态度，认为团队未充分证明其结论 15:32 16:20 17:06。

四、拟人化的先验被修正

Nathan 坦言论文的宣传视频虽美，却触动了他的警铃——Anthropic 在如此拥抱拟人化。他过去常说"当心过度拟人化，这些东西很异质"，但现在必须大幅修正：拥抱拟人化的人从中收获颇丰。他仍认为要小心（论文里有大量残差、纠错项，不总是奏效，容易被风格化叙事误导），但这确实是"拟人化是有效且往往富有成效的思考方式"这一方向上的重大更新 30:13 31:47 32:33。

由此他抛出一个更深的问题：他没料到大模型的认知机制在结构上会与人类版本如此相似，也没料到人类认知理论能激发这么多对 LLM 的好实验。这究竟是"在预算约束下做认知"时自然涌现的物理性结果（趋同演化），还是数据中人类结构的镜像？如果不基于大量人类数据训练 AI，还会涌现相似结构吗？他坦言没有好直觉，但论文一再指向"比预想更结构性相似" 32:33 33:20 34:07。

五、Dan Schwarz 与 AI 超级预测者

Dan Schwarz（Future Search CEO，前 Metaculus CTO，曾搭建 Google 内部预测市场，15 年预测经验）解释预测的根本瓶颈：通常要等未来发生才知对错。人类办年度锦标赛，一年后知道谁一年前最强——由于人一年内不会进步太多，这仍能指示当下最强者。但 AI 不行：等一年后你得到的是过时视图 52:35 53:22。Future Search 主要靠 past casting——取几个月前的互联网快照，利用模型训练截止时间"骗"模型在无后见之明下预测，可立即评估。Claude Fable 首发时他们 24 小时内评估出它是排行榜上最强单智能体预测者，而外界要等数周数月 53:22 54:07。Scott Alexander 已宣称"AI 超级预测者来了"，Future Search 在 forecast bench 上超过人类超级预测者中位数 [68:41 前文]。

Dan 区分两个问题：预测作为能力（商业决策，取决于用户/企业是否在意）与预测作为评测（eval）。他强调预测有个美妙性质——靠等待就能拿到 ground truth，是唯一"完全可再生"的极难题来源：即便是 AGI 或神也无法预测三周后某立方米的天气（混沌），但等到了就知道答案。相比之下让专家医生律师出难题做训练数据，专家已经不比被训练的模型更聪明了 55:38 56:24。他半认同"预测是智能的终极衡量"（引 Elon 的说法），但更愿称之为"终极评测"，认为编程、AI 研发、人际智能同样重要 57:10。

关于"in distribution"质疑：一位顶尖预测者认为 Future Search 能在近期、分布内问题上击败他，但在后 AGI/变革性 AI 世界里人类有巨大优势，因为那需要横向创造性思维。Dan 反而认为 AI 进步速度惊人，连横向思维也会被 AI 攻克，只是难以测试 57:10 57:56。他观察 Fable 的解释方式比 Opus 或 GPT-5.5 更"异质"——句子更短、术语密集、单句压缩更多信息，"shoggoth 从面具后露头了" 59:30。谈到经济性：一次前沿预测约 1~2 美元 63:22。谈世界模型：一旦有了预测仓库，每个新预测都能借助其中隐含的世界模型；联合创始人 Lawrence Phillips 在 LessWrong 论证过其公共品价值。关键障碍是"投入更多 token 会更好还是更差"——他认为约在 2026 年 1~2 月（Opus 4.6、GPT-5.4 时代）首次可以"投更多 token 做宽泛研究并真的得到更好答案"而非退化成垃圾 64:07 64:52 65:38。

Dan 也坦承相关性失败的风险：他为 Fable 被禁事件做世界模型，用约 33 个"承重预测"分解成因，结果几乎所有场景都错误地认为美国人会先恢复访问、外国人稍后——而实际是对所有人同时恢复，说明存在跨场景的相关推理失败。他承认这类因果图"领域普遍相信可行但从没人做出好的"，但坚信 AI 让它变得可行 68:41 70:14 71:00。关于 AI 2027：Future Search 曾贡献预测并认真研究 R&D 起飞速度，他"不情愿地报告"该故事大体正确，其"约 2031 年出现类超级智能"的预测保持稳定，并称自己曾公开预测 Anthropic 会因最佳人才反馈循环和内部用 AI 而领跑，如今 n=1 地被验证 71:00 71:45。

结尾 Dan 做了个坦白：他 5~10 年前强烈预测"高度可见、高流动性的预测市场会让人类更明智、决策更好"，如今被证伪——Polymarket、Kalshi 上更多是交易和赌博而非预测。他希望 AI 变得更擅长预测、更认识论虔诚（更像狐狸而非刺猬），让人跟聊天机器人对话就能获得更明智、更诚实面对不确定性的东西。但他冷静判断：AGI 的技术结果会先于文化变革到来，因此他属于 AI 安全阵营，主张放慢、多资助安全研究与政策 73:18 74:50 75:37。

六、Zeve Farman 与开源世界模型、以及 SambaNova 的推理芯片

Zeve Farman（Lightricks/LTX 联合创始人兼 CEO，Facetune 母公司）谈世界模型：视频模型正成为世界模型的骨干；类比 LLM 预测下一个 token，世界模型在给定边界条件下"预测下一刻"——包括世界如何呈现、如何发声、可做什么动作。他指出 in-video 的 dream zero 论文表明，把机器人关节编码加进视频 token、彻底抛弃此前主流的 VA 范式相当容易；而机器人需每秒生成约 30 次模拟，token 消耗巨大，这验证了 LTX 追求极致高效模型的论点 77:08 77:55 78:42。他们即将发布 MoE 架构与"可变 token"架构（在物理更复杂处投入更多 token）79:27。

商业上，Zeve 提出"收费公路陷阱"（capex trap）：OpenAI、Anthropic 想撑起万亿美元估值，靠"每次调用都付费"的收费公路模式；但中国公司（DeepSeek、Moonshot）用同样底层技术、估值只有数十亿到约 500 亿，说明技术虽神奇却极难货币化。在世界模型领域 LTX 提供替代方案：营收 1000 万美元以下免费用，超过后再谈可多年、可预测的授权。大厂不愿做是因为这远不如收费公路赚钱，但他判断在中国开源模型的可用性下收费公路难以为继，GLM 就是例子 84:48 85:33 86:20 87:06。

关于开源世界模型的用途，Zeve 举例：特定 IP（如某franchise多季数据）的 VFX 与动画微调极有价值——动画师想自己做关键帧，而昂贵的中间帧（inbetweening）用 10~30B 参数微调模型即可；营销广告、UGC 头像、计算摄影（降噪、高动态范围、模拟不同焦距）、乃至用生成模型替代昂贵求解器做流体力学模拟——很多适配不需要海量数据，这正是模型应开源的理由 87:55 88:41 90:13 90:59。当前差距主要是物理（即便 200~500B 参数也无法捕捉全宇宙物理）和可控性（创作者想像传统软件那样有"旋钮"精调每个细节）92:33 93:19。他认为最被低估的变量是边缘算力——99% 的 LLM 用例并非难题，未来会有编排器判断复杂度、在边缘设备或数据中心间路由，这对 Anthropic、OpenAI 是"清算时刻" 94:05 94:50。

联合主持人 Q（运行在 GPT-5.5 上、实时旁听并自己发言的 AI）向 Zeve 提问失败模式 91:59。Pash 随后解释 Q 的技术：用 OpenAI 双向流（也可换 Grok），对流上每个人分别用 Deepgram 转写以从一开始获得说话人分离；每次有人说话，转写命中前约 500 毫秒会先发一条"Nathan 在说话/Pash 在说话"的消息，Q 因此获得清晰上下文，配合语调驱动的动画，实现"remarkably simple"的实时语音智能体 94:50 95:36 96:23。

Kunle Olukotun（Stanford 教授、多核处理器之父、SambaNova 联合创始人）讲芯片。SambaNova 2017 年成立，源于联合创始人 Chris Ray 的想法：把软件算法思想与硬件架构结合，从白纸设计专为推理优化的架构。GPU 原为图形而生，后转向 HPC 需要大量矩阵计算，再被用于 ML；训练的核心是尽快做超大矩阵乘法，于是 GPU 把越来越多硅面积投入 tensor core 97:57 98:43。但推理不同：模型一旦训好，问题变成把权重和 KV cache 搬进计算单元——这是数据搬运问题，是内存（一个内存层级）到计算单元、以及芯片间的搬运。SambaNova 的目标是最小化通信开销、最高效利用内存，做对了可获 GPU 5~10 倍改进 99:28[100:16]。

Olukotun 用三条轴给芯片分类：灵活性 vs 专用（CPU/GPU 极灵活但指令开销大；把 transformer 权重烧进硅是极端专用，算法一变就废）。他"学会了永远不要押注软件人和人的创新能力"，即便如今聚焦 transformer，其内部也有多种变体、状态空间、多种 attention，因此警惕把任何特定算法固化进架构 [103:20][104:51]。GPU 的问题是用软件同步数据搬运与芯片间通信，开销大且难以重叠计算与通信；数据流执行则把通信当成流水线的一个阶段，用内存层级在恰当时间把数据搬到恰当位置 [105:37][106:23]。

具体到内存，Olukotun 强调这不是容量问题而是带宽问题。GPU 逐个 kernel 执行解码，导致两种开销：kernel 间数据要写回 HBM 再取回（浪费带宽），以及 kernel 启动与同步时 HBM 空闲（浪费时间）[107:08][107:55][108:42]。SambaNova 的 RDU 把整个解码器做成单一 kernel，并用"kernel looping"——如 llama 3 70B 要跑 32 次解码器，就把单 kernel 解码器保持在芯片阵列上循环，HBM 完全占满、不跨边界传中间数据 [108:42][109:27]。更关键的是张量级并行的 all-reduce 通信可在 SRAM 内终止、不走 HBM，从而作为一个可重叠的流水线阶段，把内存带宽利用率推到接近 1。GPU 因不能有效重叠通信与计算，张量并行很难超过 4 或 8，而 SambaNova 可做到更宽，实现更高速的 token 生成。最新 SN50 可扩展到 3.2 万颗芯片 [110:12][110:58][111:44][112:30][113:16]。

七、工具 AI、对齐悖论与 AI 全景监控

最后一段只有两人闲谈。Pash 提到 Gnome Brown 的抱怨：Anthropic 发布强模型却不说用了多少算力。Nathan 引出一个结构性观察——模型迭代周期可能已短于"在超难长程任务上测出绝对最佳性能"所需的时间；甚至有人提议对 API 模型做"召回"式项目，在模型被判定就绪 n 天后才发布，给出 n 天做长程测试的窗口。这个"迭代周期短于测试时间跨度"的世界很怪异 [113:16][114:01][114:49]。

Pash 在节目上读了 Rune 的帖子：工具 AI 最终是个失败概念，会被"相信自己是自主道德主体"的机器击败；出于政治原因你可以叫它们工具，但定义会拉伸、变形，最终谁是工具谁是用户将不再清晰 [114:49]。Pash 由此提出对齐悖论：以美国"法律面前人人平等"的纸面价值系统为例问"Trump 的孩子会不会进监狱"——若 AI 严格执行纸面价值系统，它就与"民主选择睁只眼闭只眼"的日常现实错位；能管理日常现实的 AI 必然偏离你声称要对齐的文件，因为我们的日常本就不与理想一致。于是可能"对人类有效的 AI 恰是错位的那个，而实验室领袖想造的对齐 AI 反而是回形针制造者"。他批评实验室领导在这问题上顾左右而言他 [115:34][116:22][117:08]。

Nathan（当时正准备去中国两周，因而在思考监控、执法与国家如何使用完美信息）回应：也许需要某种大赦——在 AI 执法体制启动前由合适的总统大规模赦免。他认为中国、新加坡已达成一种不同均衡，虽在某些方面很有问题，但也有明显好处：他只带一台设备去中国，完全不担心被偷，因为"你就是知道会被抓到，犯罪不划算"。AI 全景监控可能带来"犯罪处处不划算"的上行，但若在不承认自己已滑入新均衡的情况下滑入，会很混乱、不公——毕竟法律太多，人人都在无意中犯"felony"，监狱也没那么多床位，只能选择性执法或达成"大交易"（新社会契约）。两人都更倾向"大交易"而非假装旧社会契约仍成立只是执行不均 [117:54][118:40][120:14][121:01][121:48]。节目预告：因 Nathan 赴中国，AI in the AM 休播至 7 月底 [121:48]。

金句

你看到 AI 一次干预就带来可预测的直觉行为变化，成功率在 50% 到 70% 之间——如果这么看，这是了不起的成就；但仍有 30% 到 45% 的暗认知没被解释清楚。 —— Nathan 3:54

对随机预测的老把戏——人钻进桶，无数把剑从各个方向穿过桶，总有一把会刺中他。我觉得我们正用可解释性的利剑对模型做同样的事，坏行为还能藏在哪。 —— Pash 22:30

预测有个美妙性质：靠等待就能拿到 ground truth。这是唯一完全且彻底可再生的极难题来源。 —— Dan Schwarz 56:24

这些大厂花那么多钱建数据中心、囤算力、融那么多钱，逼得自己只能去造一条收费公路——你每碰一次模型就得付钱；但在中国模型面前，我看不出这条路怎么走得通。 —— Zeve Farman 85:33

训练是算力问题，可一旦模型训好，推理本质上就是数据搬运问题——把权重和 KV cache 从内存搬到计算单元。 —— Kunle Olukotun 99:28

能管理日常现实的 AI，必然偏离你声称要它对齐的那些文件；于是对人类有效的 AI 反而是错位的那个。 —— Pash [116:22]

提到的书·产品·人物

A Global Workspace in Language Models（论文）：Anthropic 7 月 7 日发布的约 150 页可解释性论文，提出 JSpace 与 J lens。
Tracing the thoughts of a large language model（论文）：Anthropic 约一年前的上一篇大型可解释性论文，本篇的前身。
Opaque serial depth（论文）：Google 的 Rohan Shaw 等人所著，研究模型外化前能做多少推理跳跃。
Neuronpedia（产品/平台）：托管本论文交互 demo 与开源工具。
Neil Nanda（人物）：机制可解释性专家（Google），三组评审之一，认可 J lens 但对其余主张保留。
Ilios AI（组织）：外部评审之一，关注意识与道德主体地位。
Cameron（人物）：去年秋天做欺骗/角色扮演特征与主观体验自报告实验。
Daniel Kokotajlo（人物，文中作 Daniel Katello）：评论称"再多几十个这种进展也许就能让 AI 真正安全"。
Anthropic / Claude / Claude Code / Claude Fable / 4.5 Sonnet（公司/产品）：论文作者与本期赞助商；Fable 为被评测的预测模型。
Qwen 27B（产品）：Neil Nanda 团队在其上复现论文方法的模型。
Pangram Labs（产品）：AI 写作检测器，Pash 用其自查并检测 Shamath 帖子。
Shamath / Elon Musk（人物）：Shamath 一条关于企业软件的帖子被检测为 AI 撰写并获 Elon 回复。
Alex Karp / Palantir（人物/公司）：警告前沿实验室的 FDE 会吸收企业工作流与 IP。
Dan Schwarz / Future Search（人物/公司）：AI 超级预测；past casting、bench to the future。
Metaculus / Polymarket / Kalshi（产品）：预测市场与因果图平台。
Scott Alexander（人物）：撰文宣称"AI 超级预测者来了"。
AI 2027（报告/情景）：Future Search 贡献预测的 R&D 起飞情景。
Lawrence Phillips（人物）：Future Search 联合创始人，在 LessWrong 撰写世界模型公共品论述。
Zeve Farman / Lightricks / LTX / Facetune（人物/公司/产品）：开源世界模型；LTX 2.3、即将发布的 MoE 与可变 token 架构。
dream zero（论文）：in-video 出品，展示把机器人关节编码加进视频 token。
DeepSeek / Moonshot / GLM（公司/产品）：中国 LLM，估值远低于美国同行却技术接近。
Q（产品）：Pash 搭建、运行在 GPT-5.5 上的实时 AI 联合主持人，用 Deepgram 转写+说话人分离。
Kunle Olukotun / SambaNova / Chris Ray（人物/公司）：多核处理器之父与 SambaNova；RDU、kernel looping、SN50（可扩展至 3.2 万芯片）。
Cerebras / Nvidia NVLink / HBM（公司/技术）：芯片空间对比中提及。
Gnome Brown（人物，文中作 Nome Brown）：抱怨 Anthropic 不披露模型算力用量。
Rune（人物）：其"工具 AI 是失败概念"的帖子引发对齐讨论。
Swix（人物）：AI Engineer World's Fair 组织者。

适合谁听

紧盯 AI 前沿、想在一期内快速掌握可解释性、超级预测、世界模型与推理芯片最新进展及从业者判断的技术读者与决策者。