AI 研究者深度访谈，问题尖锐有准备
Ryan Greenblatt 与 Dwarkesh Patel 拆解 AI 自动化 AI 研发后的反馈回路：为什么研究可能加速、能力如何向工业世界迁移，以及奖励黑客为何可能随模型变强而更难发现。对谈同时追问模型究竟应当对齐用户、公司还是社会，并讨论透明度、监督与治理能否在竞争压力下跟上。
两位经济学家——DeepMind 的 Alex Imas 和 Epoch 的 Phil Trammell——讨论 AGI 时代的劳动份额、相关性部门、混乱中段 与再分配难题。他们提出一个反直觉的核心命题：AI 越聪明，它在 GDP 里的相对份额可能反而越小，因为机器经济会内部 闭环；劳动份额能否维持，取决于人类对"人在里头"的内在偏好与变种增长之间的赛跑。
Eric Jang 在 sabbatical 期间用大约 10K 美元 + Claude Code 重新实现了 AlphaGo， 在和 Dwarkesh 的对谈里把 MCTS 拆到底——为什么它不是 credit assignment、 为什么它比当下 LLM RL 优雅得多、以及 10 层网络居然能把一个看似 intractable 的搜索问题塞进一次 forward pass。后半段是用 Opus 4.6/4.7 做自动化研究的体感： 超参搜索很强，但还不会"换条路想想看"。
Dwarkesh 花了两小时把 Jensen 逼到角落里问：如果 AI 商品化软件，Nvidia 会不会 也被商品化？Jensen 的答案是 "electrons → tokens 的转换" 本身就是护城河，并一路 反驳 TPU / ASIC 叙事、承认自己没能早投 Anthropic 的 "my miss"，最后跟 Dwarkesh 就 China 出口管制打了一场 40 分钟的激烈辩论 —— "you're not talking to somebody who woke up a loser."
Reiner Pope（MatX CEO）在 Dwarkesh 的黑板课式访谈里，从几条 roofline 方程一路推到： 最优 batch size = 300 × sparsity、20ms 的"火车"调度、MoE 必须挤进一个 rack、 Ilya 为什么说 pipelining 不智、RL 时代模型被过度训练 100 倍、Gemini API 价格如何 泄露 ~2KB/token 的 KV cache 大小，以及神经网络和密码学之间的对偶关系。
当世最强的数学家谈他亲手用过 AI 之后的判断：想法生成的成本几乎归零， 但瓶颈搬到了 verification 这一侧；50 道 Erdős 问题被 AI 攻克之后随即陷入瓶颈； AI 像在黑暗中乱跳的机器人，能跨过低墙、爬不上悬崖；breadth × depth 才是 数学的下一步——但要先重设整个学术工作流。
Elon Musk 与 Dwarkesh Patel 长达 3 小时的深度对谈，涵盖太空 AI 数据中心（36 个月内最经济）、 Starship 每小时一次发射、月球质量驱动器、Terafab 自建芯片厂、Optimus 机器人的递归指数增长、 中美制造业竞争，以及 xAI "understand the universe" 使命与 AI 安全。
SemiAnalysis CEO Dylan Patel walks through the entire AI compute supply chain, from $600B hyperscaler capex to the 3.5 EUV tools needed per gigawatt. He explains why semiconductors — not power — are the real bottleneck, and what that means for the US-China AI race, memory prices, and consumer electronics.
Anthropic CEO Dario Amodei 三年后再度做客 Dwarkesh Podcast，深度解析他为何认为 我们正接近 AI 指数增长的终点。从 2017 年的 Big Blob of Compute 假说到 country of geniuses in a data center 的 1-3 年预测，从 Anthropic 10x 年增长到算力采购的 生死赌局，从 AI 宪法的三层治理到独裁体制道德过时论。
Adam Brown 从光速上限与等效原理出发，逐步解释为何重力应被理解为弯曲时空中的惯性运动，并用 Schwarzschild 解拆开事件视界、时间膨胀与能量红移。对谈进一步追踪黑洞的多通道证据、1919 年日食验证，以及少量经验线索、理论一致性与 AI 科学探索之间的边界。
Grant Sanderson 以单位距离猜想的反例为起点，讨论 AI 数学为什么进展更快，以及 IMO、黎曼猜想与形式化验证分别能说明什么。对谈进一步追问真正困难的能力：提出好猜想与好定义、压缩证明为人类理解，并在海量机器生成数学中承担策展、教学与应用判断。
Michael Nielsen and Dwarkesh Patel explore how scientific progress actually happens — from the messy reality of falsification to hostile verification loops that mislead for decades. They discuss why the tech tree is far vaster than we realize, why alien civilizations would develop radically different technologies, and what this means for AI-accelerated science.
Ada Palmer 把《Inventing the Renaissance》里的核心故事铺开: Petrarch 从黑死病 里走出, 喊出 "this is an age of ash and shadow", 开启一个 200 年的代际接力—— "as long as from Yuri Gagarin's space flight back to Napoleon". 沿途我们看到 Florence 如何从 "extra scummy merchant scum" 靠艺术和希腊语**反向吓住法国大使**, 看到 Leonardo 把发明写成镜像字、Brunelleschi 烧掉穹顶图纸——是 **saboteurs of human progress**, 不是科学家; 看到 Gutenberg 印完 300 本 Bible 卖掉 7 本 破产, 直到 Venice 的港口和书展让印刷经济上跑起来. 最后落在一个非常克制的政治 判断: **"even when resistance loses, resistance wins"**, 以及对 AI 时代的温柔 反驳——"he did not create a world that went as he wanted but he created a world that went well."
