访谈基本信息#

访谈内容整理#

技术与商业知识#

1. XNGP（小鹏全场景智能辅助驾驶）：

• 概念：小鹏汽车自研的高阶智能驾驶系统，具备不依赖高精地图、覆盖高速、城市道路及泊车全场景的通行能力。

1. 端到端 AI 大模型（End-to-End AI Model）：

• 概念：将感知（看到什么）和决策（怎么开）整合为一个统一的深度学习神经网络模型，直接实现“图像输入→控制指令输出”，极大提高了复杂路况下的拟人化驾驶水平。

1. EEA（电子电气架构，Electronic and Electrical Architecture）：

• 概念：汽车的“神经与大脑系统”。小鹏研发的中央集中式EEA将原本分散的数十个控制单元（ECU）高度集成，实现软件高效定义汽车（大众集团正引进了小鹏的EEA架构）。

1. 图灵芯片（Turing AI Chip）：

• 概念：小鹏自研的专为AI大模型、高阶智驾及机器人定制的高算力芯片，具备多核神经网络处理能力。

1. 分体式飞行汽车（“陆地航母”）：

• 概念：小鹏汇天研发的低空飞行器方案，分为“陆行体”（负责陆地行驶、储能与充能）与“飞行体”（自动折叠并收纳于车厢内，可随时释放进行低空飞行）。

1. SKU（Stock Keeping Unit, 最小存货单位/配置版本）：

• 概念：访谈中用于指代车型配置繁杂程度。此前小鹏G9因SKU过多导致消费者选择困难，后续通过SKU精简大幅提升了转化效率。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

技术与商业知识#

1. 增程式电动汽车（EREV, Extended-Range Electric Vehicle）：

• 概念：一种带有发动机（增程器）的电动汽车，发动机不直接驱动车轮，仅用于带动发电机发电，发电后向电池和电动机供电，兼具纯电驾驶感受与加油补能无里程焦虑的优势。

1. 具身智能（Embodied AI）：

• 概念：将人工智能（AI）与具有物理实体的系统（如智能汽车、人形机器人）结合，使其能够在真实的物理世界中感知、推理、学习并进行物理交互。

1. 端到端自动驾驶（End-to-End Autonomous Driving）：

• 概念：取消传统自动驾驶中分模块（感知、预测、规划、控制）的手写规则代码，将传感器数据直接输入神经网络大模型，直接输出行车控制指令，显著提升反应速度与上限。

1. TOPS（Tera Operations Per Second）：

• 概念：处理器算力的衡量单位，1 TOPS 代表每秒可进行一万亿次操作（例如理想自研马赫M100芯片算力达 2560 TOPS）。

1. 线控底盘（Drive-by-Wire Chassis）：

• 概念：用电信号传输与电子执行器替代传统的机械/液压连接（如刹车踏板、转向柱），响应速度快接近一倍、控制精度更高，是高阶自动驾驶（L3/L4）的核心硬件基础设施。

1. 矩阵式组织 / IPD（集成产品开发）：

• 概念：一种打破传统部门壁垒的交叉式管理结构，员工既属于职能部门（如研发），又属于具体的产品线/项目组（如理想L系列）。IPD通过跨部门团队协作提升产品开发效率与质量。

1. 产能地狱（Production Hell）：

• 概念：新车从原型车走向大规模量产阶段时，由于供应链瓶颈、工厂自动化调试及良品率等问题导致的产能严重跟不上的危局。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

技术与商业知识#

1. 兴趣消费（Interest-based Consumption）：

• 概念：叶国富在行业内率先提出的商业理念，指年轻一代消费者的购买动机已从“功能性买用”转向“情绪价值、心理满足、好看好玩与IP文化认同”。

1. 进店转化率（In-store Conversion Rate）：

• 概念：进入门店的总客流量中产生实际购买付款行为的顾客比例。名创优品高达30%的进店转化率远远高于常规线下零售业态。

1. 711 原则（711 Product Strategy）：

• 概念：名创优品的产品研发与上市机制——即每7天从1000个新产品设计方案中，通过严格筛选淘汰，精选出100个新品快速推向市场。

1. 腾笼换鸟（Space Refactoring & Retail Upgrading）：

• 概念：访谈中特指将过去坪效较低、形象过时的小型杂货门店进行关闭，将资源释放出来重构成大面积、高毛利、高IP占比的场景化旗舰大店。

1. 胖改店 / 胖东来模式（Fat Dong Lai Transformation Model）：

• 概念：学习并引入许昌胖东来超市的调优体系，包括大幅提高基层员工薪酬与福利、大幅精简淘汰淘汰劣质商品、大幅增加高品质自营商品与极致的售后服务体验。

1. IP（Intellectual Property, 文化知识产权/联名IP）：

• 概念：在零售中特指具有高度粉丝粘性与情绪认同的形象符号（如Chiikawa、迪士尼等）。通过IP授权与二次开发，赋予普通日常用品极高的文创溢价与社交属性。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

技术与商业知识#

1. 全域自研（Full-Domain In-House R&D）：

• 概念：零跑汽车的核心技术战略，指自研自造包括电子电气架构、智能座舱、智能驾驶、电驱系统、电池系统及车身在内的核心软硬件（占整车成本约70%），从而实现极高的成本控制力与软硬件协同效率。

1. CTC 电池底盘一体化技术（Cell-to-Chassis）：

• 概念：零跑在国内率先量产的创新技术。取消了传统电池包的独立上盖，直接将电池细胞（Cell）集成在车身底盘骨架内部，使车身刚度提升、乘坐空间变大且车辆续航更长。

1. “四叶草”中央集成式电子电气架构（LEAP 3.0）：

• 概念：零跑研发的将座舱域、智驾域、动力域、车身域“四域合一”的中央超算架构，用一颗中央 SOC 芯片加一颗智驾芯片控制全车，极大减少了线束长度与控制模块数量。

1. 科技平权（Democratization of Technology）：

• 概念：朱江明提出的产品价值主张，指通过自研创新与制造降本，将过去只属于30万以上高档豪车的技术配置（如高阶智驾、豪华底盘、大空间等）普及到15万级的家用车型中。

1. 油冷电驱系统（Oil-cooled Electric Drive Unit）：

• 概念：采用油液直接接触发热部件进行冷却的电机驱动总成，相比传统水冷电驱，散热效率更高、体积更小、功率密度更大，且寿命更长。

1. 零跑国际（Leapmotor International）：

• 概念：零跑汽车与 Stellantis 集团共同设立的海外合资公司，负责零跑产品在中国以外全球市场的出口、分销与本土化制造。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

• 开源传奇的进化史：
  • XGBoost 时代：在华盛顿大学期间将梯度提升树（GBDT）系统推到极致，成为 Kaggle 数据科学竞赛必备神枪。
  • MXNet 时代：早于 PyTorch / TensorFlow 探路深度学习框架，主打极致内存优化与多卡并行。
  • TVM 时代：开创深度学习编译器领域，打通“不同神经网络框架”到“不同芯片硬件”之间的自动化编译桥梁。
  • MLC LLM 时代：在大模型时代推动“端侧大模型部署”，让几百亿参数的模型流畅运行在手机、电脑等端侧设备上。
• 长期主义与“敢于失败”：分享如何在学术教职、商业创业（OctoML）与开源社区治理三者间保持平衡，以及在AI浪潮迅速更迭中如何抵御短期浮躁、坚持高价值长线研发。

技术与商业知识#

1. XGBoost：陈天奇开发的开源梯度提升树（GBDT）高效实现库，因极高的计算速度与准确率在机器学习竞赛与工业界被广泛使用。
2. TVM（深度学习编译器）：一个开源的端到端深度学习编译栈，可将任意深度学习框架生成的模型自动优化并部署到异构硬件（CPU、GPU、NPU）上。
3. MLC LLM（Machine Learning Compilation for LLM）：陈天奇团队发起的开源项目，旨在利用深度学习编译技术实现大语言模型在各种设备（包括手机、笔记本、嵌入式硬件）上的高效端侧部署。
4. 端侧推理（On-Device Inference）：无需依赖云端服务器算力，直接在用户本地设备（如智能手机、PC、汽车）上运行 AI 大模型推理的技术。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

• 从学术理想落到商业现实：分享清华姚班与 MIT 的学术训练如何塑造其极度严谨的技术审美；坦言做开源基础设施（Taichi）与做商业化产品（Meshy）的巨大鸿沟——开源追求技术优雅，商业追求解决用户的实际问题。
• 3D AI 的“寒武纪大爆发”：深入分析为何 3D 生成 AI 的演进比 2D 图片生成慢一步（数据稀缺、表达形式复杂），以及 Meshy 如何通过创新架构将 Text-to-3D / Image-to-3D 的生成质量与速度提升到工业可用级别。
• CEO 重读 PhD 的勇气：回应热帖中的哲学思考，谈及创业过程中面对不确定性时的焦虑管理，以及“如何在保持技术初心的同时，培养商业硬核执行力”。

技术与商业知识#

1. Taichi（太极编程语言）：一种专为高性能计算、图形学和物理仿真设计的开源高性能编程语言，能将 Python 风格的代码自动编译为高效的 GPU/CPU 并行机器码。
2. 物理仿真模拟（Physics Simulation）：利用数值计算方法在计算机中模拟真实物理世界（如流体、布料、刚体碰撞、形变）的技术。
3. 3D 生成 AI（Generative 3D / Mesh Generation）：利用生成式 AI 技术，直接从文本提示词或 2D 图片自动合成可编辑的 3D 网格模型（Mesh）与纹理贴图的技术。
4. 微分编程（Differentiable Programming）：使整个程序具备可微性，从而能够利用梯度下降算法对物理仿真或图形渲染参数进行反向传播与优化。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

• 视觉即智能（Vision as Intelligence）：从寒武纪生命大爆发（眼睛的出现引发进化竞赛）谈起，认为视觉不是计算机科学的一个分支，而是所有智能（生物与人工）的根基。
• 拒绝 Ilya 与离开硅谷：透露曾两次拒绝 OpenAI 联合创始人 Ilya Sutskever 的入职邀约；认为硅谷目前将所有资源砸向文本 LLM 是一种“被催眠”的局部最优解，无法通往真正的通用人工智能（AGI）。
• 联合创立 AMI Labs：与 Yann LeCun 合作提出基于非文本、基于物理表征的“世界模型”（World Model），通过让 AI 预测物理世界的真实演化逻辑，打破大语言模型靠文本幻觉猜词的局限。

技术与商业知识#

1. DiT（Diffusion Transformers）：将扩散模型（Diffusion）与 Transformer 架构相结合的新型生成模型架构，拥有极强的扩展性，是 Sora 等顶级视频生成模型的核心基座。
2. 世界模型（World Model）：一种能够理解并预测物理世界运行规律、空间结构、因果关系与物体交互的人工智能架构，而非仅处理符号与文本。
3. 表征学习（Representation Learning）：机器学习中的核心底层问题，研究如何将物理世界的高维原始数据（图像、视频、音频）映射为包含语义与空间逻辑的低维密集向量。
4. JEPA（Joint Embedding Predictive Architecture）：Yann LeCun 与谢赛宁倡导的联合嵌入预测架构，在表征空间中预测未来，从而避开像素级冗余生成的计算消耗。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

• 走出“缸中之脑”（Agentic LLM）：
  • 形象地比喻纯文本模型就像养在鱼缸里的脑子；而 K2 等 Agentic 模型的重点是赋予模型操控代码、工具与外部数字世界的能力，让 AI 从“能思考”蜕变为“能干活的万能构造器”。
• 开源转向与 Token Efficiency：
  • 解释 Kimi 为什么从早期闭源走向开源；分享如何在训练中追求极致的 Token Efficiency（通过数据改写 Rephrase 与关注 Muon 优化器，让模型喂同样多的数据长出更强的智商）。
• 创业心态与“无限的山”：
  • 引用物理学家大卫·多伊奇《无穷的开始》中的名言“问题是不可避免的，问题是可以被解决的”，坦然面对大模型竞赛中的舆论与资本风暴。

技术与商业知识#

1. Kimi K2：月之暗面推出的基于 MoE（混合专家）架构的开源 Agentic 及编程大语言模型。
2. 缸中之脑（Brain in a Vat）：访谈中用于指代仅具备文本交互能力、无法通过工具与外部物理/数字世界进行多轮交互的传统大模型形态。
3. Muon 优化器：一种新型神经网络训练优化器，能够在训练中显著提高 Token 效率与收敛速度。
4. Token Efficiency（Token 效率）：在消耗相同数量数据 token 的前提下，通过模型架构与数据清洗/改写，让模型获得更高智能上限的能力。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。

访谈基本信息#

访谈内容整理#

• 一线研发揭秘与软件生态：
  • Claude Code 的诞生：透露 Claude Code 并非自上而下的规划产品，而是研究员 Boris 个人为了提效做出的工具，是 Anthropic 内部自下而上“个体英雄主义”的代表产物。
  • 预训练并未死：直言外界所谓的“Scaling Law 撞墙”大多是因为团队代码里有 Bug，修好 Bug 带来的提升远大于花里胡哨的技巧。
• AI 行业的人才与文化观：
  • 提出反直觉观点：“搞 AI 不需要绝顶聪明的脑子，需要的是靠谱”。绝大多数算法难题本科生即可处理，真正决定模型成败的是极度扎实的工程落地与 Bug 调试能力。
  • 解释从 Anthropic 离职加入 Google DeepMind 的深层原因（包括文化理念碰撞与治理分歧）。

技术与商业知识#

1. Claude Code：Anthropic 开发的深度集成 AI 代码助手工具，能够自主理解项目代码库、编写代码、运行终端测试并修复 Bug。
2. 测试时扩展（Test-Time Scaling / Inference Scaling）：在模型推理/回答阶段赋予其更多的计算时间与思考步骤（推理链），从而大幅提升复杂数学、逻辑与代码问题的解答质量。
3. 后训练（Post-Training）：在大模型完成大规模无监督预训练后，通过 SFT（有监督微调）和 RLHF/RL（强化学习）对模型进行指令对齐与推理能力塑造的关键阶段。

JW 的个人心得#

待 JW 观看原访谈后补充。欢迎在下方评论区分享你的理解、补充与不同看法。