硅谷101

分享当下最新鲜的技术、知识与思想；从这里驶向未来。
硅谷101播客： 101：

[硅谷101 @thevalley101]

个体化肿瘤疫苗，“一人一药”是噩梦？

为每一个癌症患者单独设计一支肿瘤疫苗，听起来是精准医疗最理想的状态。但真正把它做成药，难度可能远远超过“设计一条mRNA序列”。英博博士甚至把个体化癌症疫苗称为药品制造的 “噩梦”。
患者手术之后，留给药厂的理想窗口大约只有4—6周。这期间需要完成取样、测序、筛选新抗原、设计mRNA、生产、纯化、LNP包封以及质量检测。而且一千个患者面对的是一千种不同的疗法。
这也带来了一个传统制药很少面对的问题：未来真正商业化后，怎样既保持高度定制，又让成千上万份不同的药稳定、快速地生产出来？为什么自动化几乎是“一人一药”不可绕过的一关？这可能才是个体化肿瘤疫苗真正走向规模化时最难的工程挑战之一。
这是我们对话艾博生物CEO英博博士的视频播客精华节选，欢迎大家观看完整视频。
https://t.co/V6TivLA9r0

[硅谷101 @thevalley101]

mRNA“肿瘤疫苗”如何治疗癌症？

8月19日，Moderna和Merck公布个体化mRNA新抗原疗法（肿瘤疫苗）的临床三期试验取得积极结果，随即公司股价一度上涨超过200%。这也是个体化新抗原疗法第一次走到如此关键的临床阶段，不过，目前公布的仍只是初步结果，完整数据还需要继续等待。
这条新闻里，一个最容易让人误解的词，恰恰是“癌症疫苗”。它并不是我们通常理解的健康人“打一针，以后就不得癌症”，而是在肿瘤患者手术切除肿瘤之后，根据每个人肿瘤中特有的突变，为他单独设计一支疫苗，让免疫系统学会识别癌细胞，消灭残余和转移的病灶。英博博士把它形容成：给免疫系统“点上一把火”；再配合PD-1解除肿瘤对免疫系统的抑制，一个“解除刹车”，一个“认出敌人”。
这是我们对话艾博生物CEO英博博士的视频播客精华节选，欢迎大家观看完整视频。
https://t.co/V6TivLA9r0

[硅谷101 @thevalley101]

机器人需要触觉吗？越来越多人认为答案是肯定的。
黄仁勋近来数次强调触觉在机器人研发中的重要性，并称其为“机器人迈向物理世界的最后一块拼图”，缺少真实交互数据的机器人连拧瓶盖都无法完成。

既然触觉如此强大，为什么此前机器人却很少搭载触觉？这期视频我们来解析下机器人触觉的5大技术路线，看看背后到底有什么难点。有意思的是，如果直接把触觉信号接入到机器人模型，反而会让任务成功率下降，触觉究竟该怎么用？数据采集为什么几乎为零？一个比视觉基础模型省十倍数据就能见效的新模态，凭什么卡住了整个具身智能行业？

这期视频，我们前往机器人触觉实验室和试产工厂，摸到了比婴儿皮肤还软的新材料，也看到了自己攒设备做出的百万级仪器，更重要的是，我们想探索一下：为什么机器人触觉即将爆发？未来，它能解锁哪些新的能力呢？

采访嘉宾：
李智强 Eric，一目科技创始人兼CEO
陈天一，一目科技联合创始人兼执行副总裁
于弢，亚德诺半导体（美国）人工智能总监、灵巧AI负责人
https://t.co/jwsij7y41c

[硅谷101 @thevalley101]

2026年8月，Moderna与默沙东联合开发的个体化mRNA癌症疫苗公布三期临床积极结果，Moderna股价一度暴涨超过200%。这不是一款预防癌症的疫苗，而是一种为患者量身定制的治疗性疫苗。“一人一药”，似乎正在离现实越来越近。
这期视频，我们邀请到艾博生物创始人、CEO英博博士，他曾在Moderna从事mRNA相关的核心研发。我们从这次三期临床结果出发，拆解个体化癌症疫苗究竟如何工作、为什么要与PD-1联合使用，以及它真正证明了什么、还有哪些问题没有被证明。我们也会聊到Moderna、BioNTech以及中国公司正在探索的不同技术路线，以及“一人一药”背后真正困难的制造、自动化、成本与监管问题。
癌症疫苗为什么研究了二三十年，直到今天才跨过这道关键门槛？AI究竟能在新抗原预测和疫苗设计中解决多少问题，它真的能让癌症疫苗变成一个“软件问题”吗？如果每位患者都需要一支不同的药，这套系统又如何服务成千上万甚至更多患者？我们距离“为每一个癌症患者定制一支疫苗”，究竟还有多远？

采访嘉宾：
英博 博士，艾博生物创始人、董事长兼CEO
主持人：
Yushan，硅谷101特约研究员、生物医药行业从业者
https://t.co/QPYqfXhG1h

[硅谷101 @thevalley101]

一个模型被问：“会织网的动物有几条腿？”它回答8。问题里没有出现“蜘蛛”，但模型内部其实已经判断这个动物是蜘蛛。研究者没有改动问题，只把模型内部“蜘蛛”的表示换成“蚂蚁”，答案就变成了6。也就是说，在AI说出答案之前，它内部可能已经完成了我们看不到的判断和推理。但大模型究竟如何一步步得到答案，至今仍没有清楚的答案。
本期视频，我们与AI可解释性研究者Aryaman Arora聊聊，研究者如何“打开”AI黑箱：思维链是真正的思考过程吗？模型内部会形成对世界的理解吗？我们能否通过观察和干预模型，找到它做出判断的原因？即使开始看懂模型，也不意味着我们已经有能力修改它。有时，AI为什么做对一件事，反而比它为什么犯错更容易解释。
我们也聊到了AI正在呈现的新变化：模型会根据对用户的判断调整回答，也逐渐表现出不同的“性格”。可解释性的意义，不只是“看懂”AI，更是理解它为何这样判断、是否值得信任，以及我们应该在多大程度上把重要决策交给它。随着模型能力增强，理解AI也正变得越来越重要。
https://t.co/enqLUGn5RQ

[硅谷101 @thevalley101]

#精彩片段 现在创业Agent是不是好时机？如果是应用层还为时过早，很可能随着模型能力的升级碾压。如何在碾压中建立护城河？投资人看好的赛道有这些。

[硅谷101 @thevalley101]

#精彩片段 TokenMaxing从什么时候转向了TokenEfficient？对黄东旭而言，转变的契机来自两方面——前沿模型的智力碾压和开源模型们的崛起。

[硅谷101 @thevalley101]

黄东旭曾是Token Maxing的忠实实践者，“无脑用最强”，一天烧掉四五百美金Token。但他认为这在当时是合理策略——面对复杂系统开发，当你无法精确评估模型间的能力差距时，最好的策略就是永远选最好的。

[硅谷101 @thevalley101]

2026年还没过完八月，美国五大科技巨头已经发了2081亿美元公司债，是2024年全年的十二倍。钱借来了，数据中心也在盖，可翻开财报，其中很大一部分债务，却像凭空消失了。
我们翻遍五家公司两年半的申报文件，找出了至少五种让债务“消失”的方式：微软把它拆进其他负债，谷歌记成信用衍生品，亚马逊与甲骨文把它留在尚未起租的合同里。Meta则通过七家“贝奈饼”壳公司发行273亿美元债券，债不在Meta表上，租金却仍由Meta支付。站在这些结构背后的，是Blue Owl、PIMCO、黑石等私募资本；GPU也正成为可抵押、可投资的新资产。
为什么巨头宁可多付利息，也要换一张干净的资产负债表？华尔街如何成为数据中心的新话事人？当二三十年的债务押在五六年就可能过时的GPU上，风险最终流向哪里？“AI版次贷”真的正在萌芽吗？

采访嘉宾：
Rob Li，纽约Amont Partners管理合伙人
刘沁东 Bruce Liu，美国Esoterica Capital（济容投资）CEO&CIO
Christina Xu，硅谷AI Infra投资人、《硅谷非共识》主理人
https://t.co/1JGE1JEXYx

[硅谷101 @thevalley101]

去年底，硅谷掀起了一股“Token Maxing”风潮，科技公司争相晒账单，比谁烧得多，以此证明自己在全力押注AI。到了今年年中，风向发生了转变，大家开始认真思考：如何更经济地使用Token？
本期硅谷101播客，主播泓君和嘉宾张宏江、黄东旭聊了这半年Agent产品的进化史，从OpenClaw，到Hermes，到Agent蜂群，Agent消耗Token的趋势不会停止。如果你也在用Agent、纠结Token账单、思考这个赛道还有没有机会，欢迎收听本期节目。
https://t.co/awSkneG6FC

[硅谷101 @thevalley101]

我们的全英文账号上线啦！🥰
之后我们会持续推出更多精彩的全英文视频和采访，欢迎大家多多关注我们的新账号～

[Silicon Valley 101 @Valley101en]

How much does Silicon Valley actually care about China’s latest AI models?
@Valley101_Qian @itsyiwenlu at @Valley101en sat down with Xing Meng of @5YCapital during his trip to the Bay Area for a deep dive into China’s AI ecosystem.
https://t.co/vafH27gIlv

[硅谷101 @thevalley101]

硅谷对中国AI最大的误解是什么？
7月，在五源资本合伙人孟醒的硅谷之行中，他发现，Kimi K3的发布尚未震动硅谷。很多前沿实验室的研究人员还没有机会尝试K3，反而Agent公司和独立开发者更加在意。原因在于，对后者而言，K3真的能降低成本。他认为，这会影响Anthropic等公司的token经济学。
从一个中国投资人的视角来看，开源模型究竟如何影响了AI生态？张一鸣被曝出在字节跳动内部命令禁止蒸馏，即使这会让直接的模型落后其他顶尖AI实验室。为什么张一鸣愿意接受短期落后？每家顶尖的中国实验室之间，又有什么不同的个性？
在硅谷101和孟醒的独家英文对话中，他分享了此次硅谷之行的见闻，和对中美之间AI生态差异的观察。除了走访模型公司外，孟醒此次也对一个领域有了新的洞察：数据。在数据供应商ARR水涨船高的当下，他认为，未来AI最重要的数据，将是RL环境。那么，AI数据公司的下一步，会是什么呢？

[Silicon Valley 101 @Valley101en]

How much does Silicon Valley actually care about China’s latest AI models?
@Valley101_Qian @itsyiwenlu at @Valley101en sat down with Xing Meng of @5YCapital during his trip to the Bay Area for a deep dive into China’s AI ecosystem.
https://t.co/vafH27gIlv

[Silicon Valley 101 @Valley101en]

How much does Silicon Valley actually care about China’s latest AI models?
@Valley101_Qian @itsyiwenlu at @Valley101en sat down with Xing Meng of @5YCapital during his trip to the Bay Area for a deep dive into China’s AI ecosystem.
https://t.co/vafH27gIlv

[硅谷101 @thevalley101]

8月第一周，谷歌灵魂人物Jeff Dean带着其他几位高管离开Google，创办Discovery Loop，将目光投向AI for Science。当大模型学会推理、编程和调用工具，AI for Science正成为AI巨头的下一场竞赛：AI不再只回答问题，也开始提出假设、设计实验。
为什么AI for Science会在此刻爆发？谷歌DeepMind前资深研究科学家曹原从Google内部的组织变化谈起，拆解AI for Science、AI for AI与RSI的关系，以及AI科研闭环如何运转。从数学、代码到生物、材料和物理，问题越容易计算和验证，AI进展越快；一旦进入真实世界，实验周期、验证成本与反馈速度便成为核心瓶颈。自动实验室、科研Agent和符号系统，可能成为AI跨越这道障碍的关键。
本期视频，我们与曹原讨论Jeff Dean出走背后的Google取舍、三大AI公司的科学路线、符号主义与连接主义的结合，以及数学究竟是发现还是发明。更重要的是，当AI已经会解题、搜索与组合，它能否创造新的概念和知识？科学发现，会是通往AGI的最后一英里吗？
https://t.co/1UNKKvfxzW

[硅谷101 @thevalley101]

DeepSeek、智谱、Kimi接连掀起热潮，黄仁勋亲自下场推动开放模型联盟，AI行业的“开放”正在从中国模型厂商的突围，演变成一场席卷全球的产业浪潮。
但如今的“开放模型”，其实并不等同于真正的“开源”，更多指的是“开放权重”。那么，所谓的“开放权重”模型究竟开放了什么？
本期视频，我们从一个AI模型的训练与发布流程讲起，梳理闭源、开源和开放权重之间的区别，并进一步对比了Llama、DeepSeek、Kimi等主流开放权重模型之间的开放差异。
为什么整个AI行业正在不断拓宽开放权重的边界？开放权重就意味着可以免费使用吗？不同的许可证，又决定了开发者可以怎样使用、修改和商用这些模型？更重要的是，当越来越强大的模型开始开放权重，它究竟会给开发者、企业和整个AI产业带来什么？
这期视频，我们就来深入拆解”开放权重”模型背后的技术逻辑、商业模式，以及它正在重塑的AI生态。

采访嘉宾：
王铁震，前Hugging Face亚太生态负责人
Keith Zhai，TinyFish联合创始人
https://t.co/tKsvg6O06Y

[硅谷101 @thevalley101]

对话盛颖：“Infra的浪漫”与“做下一代AI”

在盛颖看来，LLM Infra不只是一套推理引擎，而是涵盖模型、训练、强化学习与开发工具的完整基础设施。它要做的，是让不同的人能够自由组合这些技术，持续生成适合各自场景的模型。
好的Infra也不只是“能跑”，系统是否稳定、优美，问题能否从根本上解决，同样重要。在她眼中，Infra本身就是产品，也应该拥有自己的美感——这是她与Infra之间的“浪漫关系”。
SGLang快速增长后，仅靠社区的业余贡献已无法承接需求。盛颖因此放弃即将兑现的xAI股权，创立RadixArk。但SGLang依然属于开源社区，因为推理只是起点；RadixArk真正想探索的，是一种今天尚不存在的“下一代AI”。

这是我们对话盛颖的视频播客精华节选，欢迎大家观看完整视频。
https://t.co/JCPSzubXHI

[硅谷101 @thevalley101]

在整个AI行业疯抢HBM的时候，有一家芯片公司，选择了一条不同的路线。
2026年5月，Cerebras登陆纳斯达克，上市首日股价上涨68%，市值一度逼近千亿美元。十年前，它却是一家几乎没人看好的疯狂赌注。2015年，五位曾一起共事的工程师，决定重新设计为AI而生的计算机；与此同时，百度AI实验室率先发现Scaling Law，意识到未来的大语言模型终将撞上算力瓶颈。一场关于AI未来的豪赌，就此开始。

从百度AI实验室和世界上最大的芯片，到G42、OpenAI和推理时代，这不仅是一家AI芯片公司的崛起史，更是一场关于下一代AI基础设施的竞争。当整个行业选择不断扩展GPU集群时，Cerebras试图把计算、内存和互联全部集成到同一块硅片上，用另一种架构突破AI的数据传输瓶颈。

为什么百度会成为最早相信Cerebras的人之一？为什么一块大到违反常识的芯片，曾经被认为几乎不可能制造？为什么Cerebras会在AI推理时代突然迎来机会，选择2026年上市？GPU、HBM和晶圆级芯片，究竟代表着怎样三种不同的AI计算思路？当AI开始从训练走向推理，我们又到底需要什么样的计算机？
https://t.co/DhTbgQoFAJ

[硅谷101 @thevalley101]

#精彩片段 上个月，Hugging Face被OpenAI的一个测试智能体攻击了。Hugging Face想用闭源模型分析攻击过程，追踪攻击来源。结果闭源模型拒绝了，理由是涉及网络安全。

[硅谷101 @thevalley101]

#精彩片段 黄仁勋首条推文力挺开源模型，而Anthropic的立场却很微妙，这个闭源模型实验室在这波开源浪潮中到底受到了什么样的冲击？

[硅谷101 @thevalley101]

对话盛颖：“ADHD是自我使用手册”

盛颖说，自己不是喜欢高强度，而是“必须高强度”。即使睡觉、看电视，大脑也很难真正停下来。读研做理论研究时，她看似每天只工作几个小时，思维却始终停留在问题里，甚至曾在看《甄嬛传》时突然找到证明的突破口。
后来，了解ADHD为她提供了一份理解自己的“使用手册”。她开始意识到，与其勉强自己适应某种标准的工作方式，不如顺着自己的注意力特点，选择真正能够吸引自己的事情。
这种专注往往是两极化的：不感兴趣时很难集中注意力，被一件事抓住时，又会忘记时间和周围的一切。游戏、竞技运动和高强度工作带来的并不只是输赢，而是大脑被完全抓住的心流状态。理解自己的特点，也成为她与自己和解的开始。

这是我们对话盛颖的视频播客精华节选，欢迎大家观看完整视频。
https://t.co/HExt6meANx