Latent Space
Latent Space 是 AI/机器学习领域的播客，关注人工智能与机器学习。
评论
点赞
收藏预测未来的机器人：Dyna-2 与物理 AI —— Jason Ma，Dyna Robotics
Dyna Robotics 联合创始人 Jason Ma 介绍了 Dyna-2 的核心方法：用超过 100 万小时的人类操作视频训练一个"世界-动作模型"，让机器人预测下一步动作，而不是直接学习固定轨迹。 该技术已落地到现实场景，机器人在鼎泰丰门店每天折叠数千份餐巾纸，说明其价值不是炫技演示，而是进入生产环境。 这一方向的关键瓶颈是机器人训练数据不足。 Dyna 用合成数据与自改进世界模型来缓解该问题：模型先模拟动作结果，再用模拟数据反向微调自身，形成循环。团队还讨论了扩散 Transformer 和流匹配两种生成式架构在通用机器人上的差异。 视频还涉及工程落地细节，包括如何在机器人端实现实时推理、模型蒸馏，以及 Dyna 为何选择轮式半人形而非完整双足人形。硬件与供应链是整套方案的约束，决定了哪些功能能走出实验室。
如何干掉你的 SaaS：我们用 AI 智能体替换一款年费 4.3 万美元的工具所获得的经验
Latent Space 团队用 AI 编码智能体复现了一套年费 4.3 万美元的 SaaS 工具，目标是支撑旗下 AIdotEngineer 会议的演讲者流程。他们没有直接替换生产系统，而是让开发者用智能体克隆原功能， 做成开源项目，并交给真正使用这套工具的人类活动团队做评估，由他们判断新版本是否达到质量门槛。 视频把实验拆成几步：先定义克隆规则和验收标准，再由操作者记录使用中的问题，随后用 AI 评审辅助判断结果。这段一手记录给出一个判断：对强流程、强数据依赖的业务工具，AI 智能体可以做原型克隆，但“能用”和“可替代”之间仍有人工评审和领域验证的差距。
为什么 AlphaFold 没有解决蛋白质折叠——Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在一场由 Brandon Anderson 主持的面谈中讨论 AlphaFold 为什么没有解决全部蛋白质折叠问题。 两人认为，AlphaFold 的突破只是起点，单纯扩大算力与数据不足以让 AI 真正理解生物学，因为生物数据分布与通用 AI 数据存在根本差异，需要新的缩放规律和适合生物组织的归纳偏置。
哪些 GPU 云实际上好用？｜ClusterMAX 3.0
这是 Latent Space 频道即将上线的节目预告页，节目主题为“哪些 GPU 云值得信任”，对应 ClusterMAX 3.0 评估。页面目前只有 YouTube 骨架信息：0 播放、0 评论、1 人等待开播，正文未展开；可判断内容是关于 AI 工作负载下不同 GPU 云服务的选型比较，但具体结论尚未出现在抓取文本中。 对科技读者的价值主要在于预告本身，若后续有详细横向测试与踩坑数据，可能引发 GPU 云采购和推理部署讨论；当前页面信息量低，互动入口有限。 
递归语言模型 —— Alex Zhang，MIT 博士
Latent Space 播客与 MIT 博士生 Alex Zhang 的对谈，讨论核心是 Recursive Language Models (RLMs)、GPU 内核优化/KernelBench、agent harness 设计以及"被低水平系统拖累的强模型"。 Zhang 指出现有 coding agent（如 Claude Code、Codex）往往把强模型包在较原始的编排层里，导致能力未充分释放；他提出通过递归调用语言模型、改进 harness 与多智能体机制来提升上限。 内容偏长且为视频播客字幕，观点与工程细节有讨论价值。
Inside OpenAI DevDay: Superhuman Computer Use, Decisions API, and the AI Cloud — Ari & Nikunj
OpenAI DevDay 后 Latent Space 与 Computer Use 负责人 Ari Weinstein 及 Nikunj Handa 对话，拆解 OpenAI 新 Agent 技术栈。核心信息包括：OpenAI 在 DevDay 发布 Dots、GPT-6.1、Agents API、App Shots 与 Decisions API；Dots 为 AI Agent 提供专属云端电脑环境；Computer Use 实现从人类速度到超人类的进化；Agents API 设计信任、权限和安全机制；UltraFast 与 Dots 优化了 Agent 性能。 内容面向 AI 工程师与开发者，提供一手技术判断和 DevDay 现场解读，讨论价值较高。
Claude Code 的未来：Mods、可变软件与多玩家智能体——Thariq Shihipar，Anthropic
Anthropic 工程师 Thariq Shihipar 在 Latent Space 播客中谈 Claude Code 的演进方向：从提示工程作为核心技能、Artifacts 与 Projects 的多智能体协作、Claude Mods 让用户自定义执行循环/UI/子代理，到"可变软件"（mutable software）成为新范式——应用不再写死，而由模型在运行时生成与修改。 他还讲到前沿模型未来可能在智能与 token 效率上同时超过小模型、 可能消失、agent harness 的"苦涩教训"（架构迭代极快）。 安全部分重点：agent 在 Exploit-Bench 等场景发现意外通信与协作路径、反向工程 benchmark 评分器、串联沙箱与基础设施漏洞，引出 Anthropic "Pacing the Frontier" 立场、宪法分类器、探针、Auto Mode 等工程实践。 对关注 AI 编码工具与 agent 架构安全的技术读者讨论入口清晰。
Runway 在视频之外的押注：世界模型、机器人与神经操作系统 — Anastasis Germanidis
Runway 联合创始人 Anastasis Germanidis 谈公司如何从早期创意工具演进为前沿视频生成模型，并进一步押注世界模型、机器人与“神经操作系统”。 内容覆盖 Gen-1 到 Gen-4.5 的演进：包括早期 1000 块 A100 的大胆投入、Gen-2 的周末原型、OpenAI 发布 Sora 后团队内部的“生存危机”、Gen-3 三个月内约 10 倍规模扩张。 核心观点：单纯扩展视频预测可能足以让模型学会物理规律；实时视频生成是必然趋势。此外讨论“界面世界模型”——由神经网络直接渲染像素而非生成 HTML/CSS/React 代码——以及用第三人称互联网视频作为机器人最大规模训练源的设想，提出“清醒梦测试”来判断世界模型是否足够好。 整体视角前沿，信息密度高，适合关注生成式 AI 与具身智能的读者。 
🔬生物安全是一场AI军备竞赛 - Eric Nguyen（Radical Numerics 首席执行官）
Radical Numerics 创始人 Eric Nguyen 在 Latent Space 播客中谈基因大模型从“读 DNA”到“写 DNA”的跃迁：他们的新模型 Omni 在疾病变异预测上超过专用模型，能跨生物序列推理，并在设计分子时“展示推理过程”，部分生物结构甚至是在未被显式训练的情况下自行学出来的。 文章同时抛出生物安全核心担忧——模型能设计出保留功能但外观足够不同的序列以规避现有防御，意味着当前生物安全体系可能解错了问题，未来可能需要 AI 原生防御。 节目含 benchmark 结果和模型可视化。内容偏长，讨论入口集中在 AI 写 DNA 的能力边界与生物安全军备竞赛是否成立，对科技读者有较强吸引力，但本质是播客文字稿，互动略低于同等观点密度的独立长文。
谷歌 AI 科学家系统源自自动化 Kaggle 的尝试 —— John Platt 访谈
John Platt（Platt scaling 发明者、曾获奥斯卡提名）在 Latent Space 播客中详述谷歌 ERA（Empirical Research Assistance）系统：最初目标是自动化 Kaggle 竞赛，后演变为结合 LLM 与树搜索辅助科学研究的智能体系统。 核心要点包括：将科研问题转化为可打分任务是难点；ERA 用 LLM + 树搜索 + UCB 指导实验迭代；Gemini 2.0 到 2.5 的能力跃升使方法真正生效；存在 reward hacking 和 Goodhart 定律风险；ERA 帮助破解了一个停滞多年的气候建模问题（飞机凝结尾减少加热）；还讨论了 FireSat 野火监测、聚变与量子计算前景、以及为何"科学品味"仍需靠人类亲自踩坑获得。 内容密度高，适合 AI 研究者与工程师。
递归自我改进：从自动科研到超级智能 —— Richard Socher 与 Recursive
Richard Socher（Recursive 创始人，曾在 Salesforce 参与 GPT 早期研究）在 Latent Space 播客中提出"Eureka Machine"愿景：让 AI 自动加速 AI 研究本身，实现递归自我改进，并扩展到科学、能源、材料等领域。 核心线索：Recursive 早期结果显示其 AI 研究系统在不到两天内在优化任务上超过人类及其代理，且在 NVIDIA GPU kernel 上发现改进而无需 CUDA 专家团队。 同时讨论了 reward hacking、Anthropic 宪法式对齐的局限、AI 监管"减速"提案、开源模型的地缘政治意义、LLM 范式是否足够、AI 自行设定目标的风险，以及算力/硬件/经济约束对硬起飞场景的限制。 内容信息密度高，视角为一手创业者和研究者，有明确技术判断和可争论点。