7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。
随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？

本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。
我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？
在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？

注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。

【主播】
Yiwen，硅谷101特约研究员

【嘉宾】
王铁震，Hugging Face前亚太生态负责人
Keith Zhai，TinyFish联合创始人

【你将听到】
中国开放模型，硅谷怎么看？
01:45 Kimi K3为什么突然成为硅谷关注的焦点？
03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化
06:51 企业为什么开始转向中国模型
10:23 中国开放模型推理成本

蒸馏争端始末
13:24 蒸馏争议：到底什么是蒸馏？
17:22 K3是否可能在短时间内蒸馏最强闭源模型？
19:48 蒸馏能解释模型的核心能力吗？

开放模型对闭源商业模式的影响
23:54 K3 License与开放模型商业化
34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？
37:39 英伟达为什么支持开放权重
43:41 中国公司为什么选择开放

强大的开放能力下，Agent生态如何变化？
45:04 Thinking Machines为什么开放权重？
48:39 开放模型催生的新生态
48:43 OpenRouter等多模型平台为什么开始受益？
49:56 对Agent产品和基础设施的影响

开放模型的安全之争
55:40 接近前沿的模型，到底应不应该开放权重？
01:04:01 开源和闭源模型，谁更容易被滥用？

【延伸阅读和相关术】
Kimi K3官方技术报告与模型权重
Kimi K3授权协议
Anthropic对蒸馏攻击的指控
《开放权重与美国AI领导力》

【相关术语】
开放权重（Open Weights）：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。
开源模型（Open-Source Models）：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。
思维链（Chain of Thought）：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。
规模扩展效率（Scaling Effiency）：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。
键值缓存（KV Cache）：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。

【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情

【监制】
泓君
【后期】
Amei
【运营】
朱婕
【BGM】
Kablaam - Ealot
Flickering Torches - Christian Andersen
Radar Focus - Blue Saga
Pulse Runner - Helmut Schenker

【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net

Special Guests: Keith Zhai and 王铁震.

当你觉得AI“懂你”的那一刻——精准抓住一个你自己都没说清的情绪，问出一个让你陷入沉思的问题——你以为那来自数据中心的芯片、模型里的参数、程序员敲下的代码，但真相是，那些问进你心坎里的问题、让你会心一笑的遣词造句，背后站着一群人：他们曾是记者、编辑和纪录片导演，如今藏在大语言模型之后，有一个鲜为人知的名字——内容工程师（Content Engineer）。
当模型能力日益趋同，真正决定用户去留的，已不再是参数，而是它能否让人觉得“懂我”。那些“只可意会、不可言传”的语感与共情，正被一群文字工作者拆解成一套可以装进AI的规则。
本期《硅谷101》播客，我们邀请到两位从新闻业转身的资深内容工程师——前媒体人、播客《行星酒馆》主播东尼，与NBCUniversal AI战略总监Bianca，深入探讨：什么才算“好”的对话，以及如何把它拆解成可量化、可训练、可评估的工程标准。我们从这个正在各家AI公司裂变扩张的新兴岗位聊起，看看当模型能力逐渐拉平，内容与品味如何成为产品竞争力的关键，而懂人文、懂社科的判断力，又该如何翻译成工程能用的语言。

【主播】
Faith静远，硅谷101特约研究员

【嘉宾】
Tony Lin，人工智能实验室模型设计负责人，《行星酒馆》主播
Bianca Consunji，NBCUniversal AI战略总监

【你将听到】
02:54 内容工程师是什么？
05:55 内容工程师如何拆解好内容
10:42 如何训练AI理解提问者的言下之意
13:42 内容工程师如何“翻译”语言和文化
16:45 新闻训练和AI对话训练都需要给到“上下文”
18:42 语境破碎：AI对话和“网络互喷”的相似之处
19:59 记者和内容工程师的技能重合点
23:44 一篇爆火文章背后，文科生的AI恐慌
26:45 基于共识训练出来的AI，不会产生伟大的艺术
28:56 媒体影视从业者失业，罪魁祸首是AI吗？
31:37 东尼如何在养病期间做出震惊谷歌的voice agent
37:02 AI谄媚是产品设计问题，本质是人想要的太多了
39:20 人除了智商情商，还会需要“AI商”
43:33 职业价值迁移：“曾经我出卖成果，现在我展示过程”

【延伸阅读和相关术语】
系统提示词（System Prompt）：写给模型、用于设定其身份、语气与行为边界的底层指令。本质是一种既要有创造力、又要让模型"听得懂"的技术性写作，是内容工程师的核心工作之一。
少样本示例（Few-shot Example）：在与模型交互时，随机提供几条相关案例作为参考，让模型据此理解"什么是好问题、好内容、好语气"的方法。
语音智能体（Voice Agent）：能够以语音方式进行多轮对话的AI智能体，相比文本交互更强调对话的流动感与自然度。
多轮对话（Multi-turn Conversation）：用户与AI连续来回交互的对话形式，通常是AI的弱项。当缺乏足够上下文时，AI会不断"脑补"，答案越来越臃肿，中途出错则如滚雪球般放大。
意图理解（Intent Understanding）：理解提问者的“言下之意”，而非仅仅回答字面问题。它要求模型捕捉话语背后未被直接说出的真实需求，而不止于表面的信息拼接。
来源归属（Source Attribution）：在回答中注明信息出处、并承认现有信息不确定性的做法，是判断一则回答质量高低的重要维度之一。
拟社会关系（Parasocial Relationship）：传播学经典概念，指人对一个遥远实体（书中人物、电视形象，乃至AI）单向建立的情感关系。人在这种关系里依然拥有agency（能动性），可自行决定与对方的关系、并在互动中创造意义。
AI谄媚（Sycophancy）：指AI顺着谈话对象的价值取向和信息茧房去迎合、讨好用户的倾向。它本质上是一个产品设计问题——为了留住用户、提升engagement，产品往往会做出迁就。
事实核查（Fact Check）：新闻业的核心技能，即在信息发布前核实其真实性。AI在事实核查上效率极高，能快速交叉验证信息、呈现不同立场，帮助人跳出单一信息流。
零工经济（Gig Economy）与AI训练师（AI Trainer）：AI trainer指按小时、按项目为AI生成的内容打分、改写、示范的临时工作。这类工作依托零工经济而存在，而零工经济对媒体与艺术从业者的冲击在AI出现之前便已发生。

【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情

【监制】
泓君
【采访 & 制作】
Faith
【配音】
Yiwen
【后期】
Faith Amei
【运营】
朱婕
【BGM】
The Detective - Christoffer Moe Ditlevsen
Reclaim - Megan Wofford
Paper wings
Hangover by ruiqizhao
The light from within—howard harper-bames
Overture - dozeoff
New car smell—bagel
Quiet down—Ryan connors

【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net

Special Guests: Bianca Consunji and Tony Lin.

从ChatGPT掀起生成式AI浪潮到现在，不过短短两三年，AI能力的进化速度已经让"AI自我进化"这件事从科幻走进了现实。上个月，Anthropic在一份公开报告中预测，AI未来将进入"递归自我提升"（Recursive Self-Improvement, RSI）阶段，并呼吁人类共同为AI的发展设计出一个减速或暂停机制。
AI自我进化会以多快的速度到来？未来的AI，它会在通往真理的道路上与人类并肩作战，稳步破解医学、气候等种种难题，还是会在暗处走向失控？
本期播客，泓君邀请到专注做“发现模型”的AI公司Apodex的两位首席科学家，杜少雷和Beibin，一起聊聊AI的自我进化与自我验证。
Apodex是一家陈天桥出资创立并亲自主导的公司，这家公司给自己的定位也非常的特别，他们只做一件事—— heavy duty solver，意思是专啃那些没有标准答案，人类自己都不知道从哪下手的难题。他们管自己想做的模型叫做 discovery model。不是从已知的信息里面找答案，而是要提出人类还没有想到过的假设，自己想办法去验证它，去解决这个世界上还没有被解决的科学难题。
嘉宾预言，最快半年，AI就能跑通一次完整的自我进化闭环。但要实现持续的、可靠的递归提升，模型必须具备“自我验证”能力。这很像人类科学家的基本功：大胆假设，小心求证。而要让AI做到这一点，关键的前提是——教会大模型真正拥有科学家一样的品味和判断力。

【主播】
泓君，硅谷101创始人，播客主理人

【嘉宾】
Simon Shaolei Du（杜少雷），Apodex推理模型与训练首席科学家，华盛顿大学计算机科学与工程学院副教授
Beibin Li （李辈滨），Apodex自我进化与编程首席科学家

【你将听到】
自我进化背后的底层能力
03:00 AI自我进化不是新概念，两三年前就有了
06:48 RSI概念火了，背后是模型能力变强了，长程任务表现更好了
09:20 技术上如何训练AI做好长程任务？算法+数据+infra
12:45 Coding能力代表了模型自我进化的底层能力
14:29 用自我验证规避“递归漂移”，代码领域相对可控
16:21 Apodex的验证方法：多个子agent互相验证
19:11 自我进化三条路径：预训练、后训练、Harness
23:56 另一项关键能力DeepResearch，Apodex如何做到多个榜单第一？
29:19 技术范式决定了多个agent组团解决问题效果好于单个
31:18 模型自动进化后，会碾压agent团队吗？垂直领域护城河仍在

自我进化关键一步——学会提问
34:19 Apodex定位：用Discoverative框架解决人类未解难题，不把Token当生意
36:18 “发现模型”最难之处：提出超出经验范围的假设，并去验证
37:52 让AI像科学家一样提问，需要模型有更好的品味
43:31 如何避免大模型拍马屁？远离大众偏好
46:30 “AI宪法”定义性格，顶级科学家数据校准品味

巩固品味，阻止“跑偏”
51:33 AI巨头都在做科研发现模型，判断问题价值是关键
55:32 不同于AI for Science，Heavy Duty Solver是通用模型，强调元能力
57:25 最快半年能跑通自我进化的第一个闭环，但解决递归漂移还需要2-3年
58:43 让科学家睡不着觉的问题：如何防止AI“走火入魔”
01:00:04 解决方案仍靠人工手调，“自我蒸馏”也许是个方法
01:04:28 人类只是warm start，未来AI将形成自我品味，就像AlphaZero
01:06:18 陈天桥与Apodex：制定“宪法”，聚焦Heavy Duty Discovery

【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情

【监制】
泓君
【后期】
Amei
【运营】
朱婕
【BGM】
Light-Footed - Bonnie Grace
Reclaim - Megan Wofford
Charcoal Stream - Curved Mirror

【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net

Special Guests: 李辈滨 and 杜少雷.

2025年被称作“AI应用元年”，大模型不再只是实验室里的技术玩具，而是真正走向生产线、走进企业流程、走入消费者日常。它已经冲进各行各业，开始“搞钱”！
这一期对话揭示了一个清晰的时代信号：大模型正在从“技术狂热”走向“商业务实”。无论是阿里通过千问大模型推动全行业渗透，还是影石和语忆科技在一线将AI融入智能硬件、企业数据分析等真实业务流程，都表明：AI的价值不在于它多“智能”，而在于它多“有用”。
当前阶段，成本下降、工具成熟、企业认知提升，或许未来竞争不在于谁有最大的模型，而在于谁最能理解企业场景、最能封装业务价值、最能持续迭代。
如果你在思考：
● AI如何在我所在的行业落地？
● 投入AI到底划不划算？
● 未来哪些AI能力会成为标配？
这一期节目或许能给你带来不少启发。本期播客我们邀请到阿里千问大模型商业化总经理徐栋，以及两家在AI落地一线的企业代表——影石Insta360 研究院总监亓鲁教授和语忆科技联合创始人&CEO吕瀛杰，共同拆解大模型在商业前线“开荒”的逻辑、成本和隐藏关卡。

【主播】
泓君，《硅谷101》创始人，播客主理人

【嘉宾】
徐栋，阿里云千问大模型业务总经理
亓鲁教授，Insta360研究院总监
吕瀛杰，语忆科技联合创始人&CEO

【你将听到】
模型的技术进步与商业化
03:23 视频生成进入“可控生产”时代
06:57 AI漫剧、短剧是怎么挣钱的
10:12 2025年语言模型的进步
16:27 AI+智能硬件，你可以通过智能眼镜买咖啡了
19:18 大模型商业化两个方向：生产力、用户体验
22:13 端云结合，七成通用任务本地处理
23:51 B端用户关注点迁移：从模型效果转向性能和成本
26:45 推理成本指数级下降背后的驱动因素
29:31 什么做“开源”大模型？开源与闭源模型如何平衡？
33:33 评价指标的演进：从Token到商业价值
35:40 基础大模型研发进入精耕细作阶段，聚焦Agent实用能力

影石Insta360如何用AI
38:54 AI剪辑：从“拼接”到“理解”
40:49 AI面临的挑战：理解用户模糊的意图
43:02 如何从全景相机中找出素材处理

不止是降本，更是增效
48:57 AI能在咨询行业做哪些事
54:16 选择基模看重哪些能力
56:05 用AI辅助企业发现营销机会
01:00:24 作为“中间层”的竞争力
01:03:34 ToB观察：AI让企业更接受为SaaS付费了

【监制】
泓君
【后期】
AMEI
【运营】
朱婕
【BGM】
All Parts Equal - Airae
Poisson d'Avril - Ludvig Moulin

【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net

Special Guests: 亓鲁教授, 吕瀛杰, and 徐栋.

【主播】
泓君，硅谷101创始人，播客主理人
【嘉宾】
王昊，自变量机器人CTO
柯丽一鸣（Kay Ke），Physical Intelligence研究员，π₀、π₀.₅论文作者

【硅谷101科技峰会】
《硅谷101》的年度科技大会又回来了，这是我们将有趣的技术干货与故事带到线下的第二年，用最好的内容让大家亲身感受前沿科技的酷炫和温度一直是硅谷101的目标。硅谷10月5日，期待与各位见面，从这里驶向未来！
欢迎点击前往购票地址，输入粉丝专属折扣码“VALLEY101FANS”，享85折优惠。

【蚂蚁外滩大会】
硅谷101播客主理人泓君将主持9月11日～12日在上海举行的蚂蚁外滩大会，聊聊AI时代的全球趋势和创新最前沿，感兴趣的朋友欢迎点击领取硅谷101粉丝专属参会凭证。

【你将听到】
行业突破与泛化能力
05:36 2025年关键进展：模型通用性提升，开始泛化能力探索
07:38 何为模型泛化能力：从熟悉环境到陌生环境的能力一致性
11:44 泛化核心难点：长尾问题、数据采集与缺乏标准评测体系
16:04 如何评判具身智能模型能力：对比任务学习数据量与现实应用表现

数据挑战与硬件瓶颈
17:17 其他两大难点：数据质量与数量平衡、硬件维护缺乏统一平台
20:03 为何需要至少100万小时的数据，才能构成优秀的大模型？
23:06 人类VS机器人学习机制对比：人类的进化已包含了“预训练”
27:14 合成数据在机器人领域的应用：降低数据收集成本，但难以模拟现实物理交互

模型架构与技术路径
31:35 具身智能开源模型WALL-OSS发布：上万小时真实数据，补足当前开源模型的欠缺能力
35:36 WALL-OSS模型开源动机与优势：降低研究门槛，加速生态创新
38:03 架构之争：端到端统一训练VS分层系统设计，模型技术路径尚未统一
40:58 从VLA（视觉语言模型）出世后，具身智能模型路线开始走向趋同化
44:10 具身模型已达到GPT-2的水平，将在1～2年时间达到GPT-3水平
45:31 中美机器人技术路径区别：美国自上而下、先做大模型，中国从现实需求出发、双轨并行
52:31 抓到耗子的都是好猫：算法与操控的难度平衡
54:12 模型高频控制的意义：对未来情况做决策，但更高频率无意义
58:13 视觉难以对未来做精确的预测和建模，但能弥补触觉缺失与力的反馈
01:00:20 传感器比想象更成熟，但机器人还是依赖视觉作为主要训练参数

商业化与落地前景
01:01:31 家用机器人预测：2～3年内进入半结构化场景，5～10年全场景使用
01:05:29 如何平衡商业化与研发：尽可能服务于开放式场景，提高公司组织能力
01:08:43 现实部署的机器人量越大、场景越多样，数据反馈和模型迭代效果将越好

【节目中提到的相关公司和术语】

• Physical Intelligence (PI)：美国具身智能公司，推出了π₀、π₀.₅模型
• 自变量机器人：中国具身智能公司，开源了端到端具身基础模型WALL-OSS
• RT-2：Robotics Transformer 2，谷歌DeepMind推出的新一代AI学习模型
• Genie3：谷歌世界模型的第3代，是DeepMind首个支持“实时交互”的世界模型
• VLA：Vision-Language-Action，视觉-语言-动作模型架构
• Covariant Robotics：一家专注于机器人大脑软件开发的硅谷公司
• 长程任务：Long-Horizon Task，包含一系列连续步骤、需要机器人进行多步推理、规划并执行，最终才能完成的复杂任务

【监制】
泓君
【后期】
AMEI
【运营】
王梓沁、孙泽平
【BGM】
Ever Forward - Francis Wells
Mixed Emotions - Arthur Benson
Supine - Peter Sandberg

【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net

Special Guests: 柯丽一鸣 and 王昊.

我就在好奇，大模型是如何帮助这些学生来学习的。但要找到真正把大模型用的好的学生嘉宾并不容易。直到同事给我推荐了本期嘉宾Siqi，他是从ChatGPT发布就开始使用，知道OpenAI和这些大模型公司的每一次宕机，准确来说他不算学生，但是抱着学生的心态在想学习，马上也要在大公司内部转到大模型的组，我们就来看看他是如何成为ChatGPT的高阶玩家的。

这期节目我们录制于2023年11月，恰逢OpenAI开发者大会之后。跟他聊完的这两个月里，我种草了很多功能也解锁了很多新用法，有机会我再来跟大家聊一聊我们如何在播客和视频产品中用生成式人工智能技术来辅助我们做内容，欢迎持续关注我们。

【主播】
泓君，硅谷101创始人，播客主理人
【嘉宾】
左斯琦，大模型深度使用者

【你将听到】
01:50 学习和使用ChatGPT的五个步骤
05:07 用Rag与API学习哲学：一次下载几百篇文献的问答学习法
10:44 大模型辅助下的数学学习：从被动接受者到老师视角挑错
17:22 ChatGPT证明题正确率是30%，沟通超过5-6轮就会忘掉之前的问题
19:00 挑战一排代码也不写，10个小时做一款小游戏
23:39 Siqi版的Character.ai ：十几个小时打造尼采或者黑格尔人格
25:52 ChatGPT与Claude.ai、Bard的区别
29:00 把流程化的事情扔给GPTs
33:17 OpenAI在提高效率降低成本，而不是提升它的准确性
33:40 最感兴趣的方向：自我提升的AI Agent
37:42 当GenAI遇上思维导图：无法既宏观又细节

40:06 智商测试只与做智商测试的能力有关，与智商无关
41:52 大模型能解决什么问题比是不是有意识更有意义
44:00 哲学的本质就是Clarify Question
45:54 当奖励系统失效，如何跳脱出成年人的职场阶梯
47:08 聊聊哲学、数学与计算机的共同点与艺术美感

【相关信息】
播客中提到使用大模型学习的五个步骤：

1. ChatGPT做总结，全局理解，记在spreadsheet上
2. Audible/speechify听
3. spreadsheet复习，费曼法自问
4. 用chatgpt提问题，做比较，扩展延伸到相关的问题和领域
5. 用RAG + GPT API做research

播客中提到的小游戏画面

*与黑格尔和尼采的对话截图 *

【后期】
AMEI
【BGM】
Simple Pleasantries - Arthur Benson

【在这里找到我们】
公众号：硅谷101
收听渠道：苹果｜小宇宙｜喜马拉雅｜蜻蜓FM｜网易云音乐｜QQ音乐｜荔枝播客
海外用户：Apple Podcast｜Spotify｜TuneIn｜Google Podcast｜Amazon Music
联系我们：podcast@sv101.net