Claude

AI Trading —— 决策便宜，行动很贵｜对谈超 3w Star Vibe-Trading 作者浩哲

2026年9月27日 · 40:46

42章经主播曲凯对话开源项目 Vibe-Trading 作者、香港大学在读博士生吴浩哲，探讨 AI Trading 的本质：在金融里决策很便宜，行动很贵，AI Trading 的价值是在几乎免费的决策和代价昂贵的行动之间建立可验证、可审计的通道。吴浩哲介绍这个开源不到半年就获得超 3 万 Star 的项目如何从量化研究员工具演变为覆盖二级市场的 all-in-one 交易台，并解释它与传统量化的区别：量化把决策固定成规则后由机器执行，而 AI Trading 中决策持续冒出，需要闸门持续把关。他认为行业 know-how 已被蒸馏进模型，人主要负责风险判断；他本人炒股 80% 到 90% 遵循 AI 建议，并举了存储行情中 agent 发现机械硬盘与内存受扩产冲击不同、财报前买入希捷的实例。谈及 AI Trading 普及的影响，他指出财报后漂移已消失、信息消化将缩短到几秒，超额收益将从单因子转向数据对齐与组合条件，而数据多不等于有 Alpha；Jev 对 Trading 的帮助约等于零，因为它只给概率不给理由，且不擅长金融世界本来的样子——数字、日期和噪音文本。他还区分了 AI for Finance 与 AI Trading，并提出一个哲学问题：未来或许不是 AI 需要人做判断，而是人需要通过参与交易来获得意义感和价值感。

一个人、两周、数百美元，如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

2026年8月29日 · 47:29

某 AI Lab 研究员逯雨鑫向曲凯和陈皮复盘了他以个人开发者身份训练两个小模型并登顶 Hugging Face 热榜的过程：仅用一张 5090、QLoRA 和 200 美元的 Cloud Max 月费，花约两周、总计数百美元，基于 Gemma 与 Fable 微调出模型；第一版用了 5 天，第二版 2–3 周，其中绝大多数时间在整理和审核数据。他并非 AI PhD，强调卡点几乎都在数据而非训练——合成数据效果有限，真实数据约占 60%–70%，总量几千到一万条，需人工审核；还要应对'老师太强、学生太弱'的 Capacity Gap，因此选择 SFT 而非 RL，并推荐 Qwen 作为坑最少的开源底座；他定义的'好蒸馏'是锚定真实使用方向，而不是 Benchmark 分数。他对应用公司的成本估算是一个小模型几千到 1 万元人民币（不含 serving），并认为训练会一步步商品化，应用公司将成为 Neo Lab，AI Lab 的价值集中到前训与研究；数据是稀缺资源，AI Lab 重金买数据就像早期字节砸钱买用户。他还看好 Local AI 成为 PC 级机会，隐私与成本会推动本地部署（如 Hugging Face 曾遭攻击后改用国产模型本地解决），但主流用户仍会用豆包这类够用的模型，而非执着于 SOTA。

从蒸馏到合成数据到 RSI，模型竞争的下一个焦点是什么？｜对谈 Evolvent AI 联创孟繁青

2026年8月8日 · 59:29

本期曲凯对话 Evolvent AI 联创孟繁青，核心反共识是：国内模型的真正优势在 Pre-training，而非 Post-training。孟繁青曾在 Kimi 做 Agent 与 RL Infra，参与 K2.5 和 Kimi Linear，他比较了在模型厂与创业公司的差异，提到模型厂内部训练流程已工程化，认为训练模型门槛大降，数据质量比 Infra 更难评判，且数据行业变化极快，重人力的专家标注公司难以存活。他还解释了为什么 Post-training 的人更容易创业：Pre-training 研究太吃资源，而 Agent 和 Bench 离落地更近；今天的 Bench 已从解题变成在模拟工作环境里完成长程任务，评分靠人与 Agent 共同 check。合成数据这波已接近尾声，贵的一条能卖到几千块，下一波是 RSI 数据，长程轨迹要跑十几小时甚至一天，因此更宝贵。关于蒸馏，他强调这只是加速手段，不是国模变强的决定性因素；即便海外封掉所有蒸馏通道，国模仍可靠预训练架构创新（如在卡仅为国外 1/10 时追近前沿）维持竞争力。他也判断，模型厂最终拼的是组织架构与人才密度，而非单纯算力；并直言不存在 RSI 基础模型，创业公司的机会在桥接模型厂与应用层。

优化胜率而非赔率，把一件事做到理论上该有的样子｜对谈连续创业者 Albert

2026年3月7日 · 1:05:51

Albert 回顾三年创业历程，从追求赔率转向优化胜率，先后尝试互动内容平台和影像工具，并最终找到 PMF。他对比张一鸣、黄峥、段永平等一流企业家的策略，指出优化胜率而非赔率才是长期成功的核心。同时，他判断 AI Coding 平权将带来巨大机会，并分享 Higgsfield 如何通过精准展示模型能力实现快速增长。

AI + 游戏 + 社交的新演绎 | 对谈 Wanaka 创始人张阳

2026年2月28日 · 1:15:53

本期对谈Wanaka创始人张阳，分享他第三次创业为何选择AI+游戏+社交方向，以及产品一年来的关键迭代。他拆解了为何放弃上下滑交互、选择3D个性化路线，并对比Roblox和国内游戏社交困境，提出社交的核心是让用户将个性化内容与熟人一起玩，而非依靠AI对话。张阳还结合在字节和北美社交产品的经验，讨论了社交产品的增长逻辑与AI时代的新机会。

硅谷 AI 大转弯与二级市场的牛市｜对谈莫傑麟

2025年8月23日 · 1:21:07

曲凯与莫傑麟复盘硅谷AI新共识：Token消耗取代Scaling Law成为核心指标，英伟达涨势从训练需求转向推理需求支撑。莫傑麟认为GPT-5标志AI进入产业化阶段，Infra成为主战场，并点评Reddit、ServiceNow、Figma等二级市场标的，以及Meta砸钱抢人的FOMO情绪。国内A股牛市需观察散户正反馈闭环能否建立，一级市场两极分化加剧。

关于 AI Infra 的一切 | 对谈阶跃星辰联创朱亦博

2025年8月2日 · 58:08

阶跃星辰联创朱亦博梳理AI Infra的底层逻辑，认为它正迎来类似Google搜索级别的机会。他详解了Infra、算法、数据团队的协作模式，并点出DeepSeek的成功源于梁文锋的Infra背景和优化目标选择。亦博还分享了踩坑经历，建议从业者要么深入模型，要么深入硬件。

一堂「强化学习」大师课｜对谈清华叉院助理教授吴翼

2025年4月5日 · 1:12:49

清华叉院助理教授吴翼向曲凯拆解强化学习（RL）与大模型的融合，从RL基础原理讲到InstructGPT、RLHF，再到O1的“慢思考”范式。他强调DeepSeek证明了RL在推理上的可行性，而Anthropic在代码和交互体验上独树一帜。吴翼认为未来RL会有泛化、代码、Agent三大分支，并指出基建远大于算法，其团队开源的AReaL框架在7B模型上达到了AIME24 61.9的SOTA分数。

上半年 AI 市场有多差？别刚起跑就想冲刺 | 我答莫傑麟

2024年7月13日 · 50:27

曲凯与莫傑麟复盘上半年AI市场走势，指出今年一级市场创十年最差，能拿融资的AI应用公司不超过50家。曲凯认为大模型一线与二线差距拉大，应用端更多是增长型产品点而非刚需，全球华人AI创业者中跑通PMF的不到30家。他预测端到端分离是趋势，强调AI coding潜力被低估，并看好苹果在端侧AI的生态优势。最后他判断未来一年内大型科技公司将开始计算AI的ROI，可能放缓军备竞赛。

一个顶级 AI 产品经理的自我修养 | 对谈光年之外产品负责人 Hidecloud

2024年3月30日 · 55:52

本期曲凯与光年之外产品负责人张涛（Hidecloud）探讨AI产品经理的自我修养。张涛分享从塞班时代all in AI的经历，指出开源社区进展超预期，但多数产品经理仍停留在想象阶段。他详解如何通过读paper和动手实践理解模型边界，认为陪伴类AI因人类情感易被hack而前景巨大，并强调AI是移动互联网之后最大机会，信心更足。

这个男人帮 5 万个 AI 应用接上了大模型 | 对谈 Dify 创始人路宇

2023年8月19日 · 1:14:09

本期对谈 Dify 创始人路宇，他是国内最理解大模型落地的创业者之一。路宇详解了 LLMops 的定义、Prompt 工程、Embedding 和 Fine Tune 三种应用路径，以及 Agent 的三种形态与局限。他分享了 Dify 平台上 5 万多个 AI 应用的实际落地场景，并提出未来模型小型化、数据向量化、多模态训练是三大发展方向。曲凯还补充了自己投资 Dify 的逻辑，看好中间层在分散的大模型市场中的平台级机会。