播客

Meta推出"Meta Compute"项目，计划本十年内建设数十吉瓦计算基础设施，远期可达数百吉瓦，规模堪比国家级项目。三位高管将领导该项目：Santosh Jarnhan负责全球数据中心与技术架构，Daniel Gross主管长期容量规划与供应商关系，Dina Powell-McCormick负责政府合作与融资。随着AI模型规模持续扩大，能否持续获取可靠、低成本的算力与能源，将成为各科技巨头竞争的关键战场，也将决定未来AI竞赛的胜负格局。

贝尔梅德是一家为医疗机构提供灭菌和感染控制解决方案的公司。本期节目中，区域服务总监 Rommel Ong 分享了 AI 在现场服务领域的应用。当前行业最大挑战是技术人员短缺，同时技术不断更新也增加了培训难度。该公司通过 Teams 等聊天系统捕获"部落知识"，让技术人员的问题解决方案得以积累和检索。为提升客户满意度，他们采用 Net Promoter Score 调查收集真实反馈，并逐步部署远程监控和预测性分析技术，使工程师能够提前诊断设备问题，减少现场拜访次数。招聘方面，如今技术岗位需要 50% 客户服务能力与 50% 技术能力并重。

本期节目对话了 Akur8 的 Thomas Holmes，探讨保险定价现代化。Excel 表面透明灵活，实则不透明且缺乏灵活性。AI 在精算领域面临质疑，通用算法难以处理保险特有的复杂数据和现实考量。Thomas 指出，现代化需要"有观点的 AI 框架"，设置防护栏而非完全放手。许多保险公司盲目追随潮流，缺乏清晰问题定义导致失败。正确做法是增量式现代化，先取得小规模胜利，同时确保数据基础稳固——AI 是输入输出机器，数据正确才能发挥价值。无须推翻现有流程，保留有效部分，围绕它创新即可。

本期播客讨论了苹果与Google达成的重大AI合作：苹果已选择Google Gemini作为Apple Intelligence的核心模型，为Siri及其他AI功能提供支持。这一决定源于苹果自身AI发展滞后——Apple Intelligence多次跳票，承诺的功能几乎全部未能如期上线，而OpenAI、Anthropic等竞争对手早已推出类似技术。合作采用多年期非排他协议，意味着苹果仍可保留接入OpenAI等其它供应商的可能性。播客认为这标志着苹果从垂直整合向外部依赖的显著转变，尽管其强调设备端处理和隐私保护。对于Google而言，获得苹果超过20亿台活跃设备的入口是巨大的分发优势。播客还提到该合作可能面临反垄断监管审查，因为Google目前每年向苹果支付数十亿美元以保持Safari默认搜索引擎地位。

2026年，OpenAI继续推进其激进的人才收购战略，收购了AI教练平台Convogo团队（仅收购团队，不涉及技术产品），这是近一年来的第九次并购。同时，OpenAI面临来自早期创始人Elon Musk的法律诉讼，Musk声称公司背离了最初的非营利使命，要求追究其转为营利公司后的责任，案件将于3月开庭审理。

CES 2026 展会上各类 AI 产品争奇斗艳，从 Razer 的 AI 动漫伴侣桌面装置到 Mind With Heart Robotics 的 AI 熊猫慰藉玩偶，从 500 美元的 AI 制冰机到 400 美元的超声波厨师刀，再到 Lollipop Star 的音乐棒棒糖，厂商们正疯狂地将 AI 塞进各种日常用品。这些看似奇葩的产品反映了 AI 技术正加速渗透日常生活的趋势。

2025年被视为AI智能体元年。Chris和Daniel回顾了这一年的发展：智能体成为主流，实现了从模型到助手再到智能体的转变。Andre Karpathy指出，强大的AI工具虽已分发但缺乏使用说明。今年AI编程能力显著提升，o1、o3、GPT-4.5和5.2等模型在编码方面表现出色。多模态AI持续发展，但输出仍以文本为主。推理模型带来延迟挑战。能源和基础设施成为新瓶颈，2026年将更关注电力和芯片的地缘政治。AI将继续与传统机器学习融合，AI工程师的角色将变得至关重要。

CES 2026 盘点了一系列令人匪夷所思的 AI 产品：Razer 推出 AI 动漫伴侣桌面装置，内置摄像头和麦克风可与用户互动；Mind With Heart Robotics 带来 AI 熊猫慰藉玩偶，面向老年人并具备传感器和日常任务提醒功能；此外还有 500 美元的 AI 制冰机声称用 AI 降低噪音，400 美元的超声波厨师刀刀片每秒振动超过 3 万次，以及 Lollipop Star 音乐棒棒糖通过骨传导技术播放音乐。这些产品反映了厂商正疯狂将 AI 塞进日常用品的趋势。

根据 MIT 研究，约 75% 至 95% 的企业 AI 试点项目在生产环境中失败，症结不在于数据本身，而在于缺乏将数据与业务逻辑连接的"上下文"。Atlan 调研揭示了三大上下文缺口：数据发现（CIO 不知道数据在哪）、业务含义（LLM 需要理解企业特定定义，如"TAM"指"总可寻址市场"而非互联网定义）、数据治理（控制 AI 应用对薪资等敏感数据的访问）。解决方案是构建"上下文层"，它不同于传统语义层，需要动态变化并嵌入反馈循环，使每次人机交互都能将上下文编码回系统。关键洞察是：AI 时代需要业务人员担任"上下文工程师"，因为领域专业知识在业务而非 IT 部门。ROI 案例显示，Workday 通过上下文层将 AI 准确性提升超过 5 倍，Virgin Media O2 成功上线 6000 名员工并获得超过 100 万次平台浏览。实施路径是从具体用例入手，围绕用例构建可复用的上下文，而非做成多年期的治理项目。

Meta前首席AI科学家杨立昆离职后公开猛批老东家，指控Meta在Llama 4基准测试中造假，通过使用不同模型变体虚高分数。此举导致扎克伯格对团队失去信任，将整个生成式AI组织边缘化。杨立昆在采访中直言大语言模型（LLM）已是死胡同，无法实现真正的超级智能。他与Meta新领导层在研究方向上存在严重分歧，并批评Scale AI收购后空降的CEO亚历山大·王缺乏基础研究经验。目前杨立昆已创立新公司Advanced Machine Intelligence Labs，计划押注"世界模型"路线，试图通过视频和空间数据学习来突破现有LLM的局限。