"The fastest way to kill motivation is to make
your identity depend on the outcome. it's
called ego involvement.
when failing becomes failing as a person, your brain starts avoiding the whole thing. not because you don't care, but because you care too much.
Neil Movva (@neilmovva) started his career at Nvidia, working on GPUs and kernels, and has an unusually deep understanding of inference, from software to chips to power.
We spend a lot of time on each of those layers, how they connect, and where the important tradeoffs are.
What makes this conversation special is how detailed it is (like a 401-level class), yet Neil makes it remarkably clear and easy to follow.
Today he runs Sail Research, a company building infrastructure for agents to make tokens as cheap as possible.
We discuss:
- Latency versus throughput
- Why there are no bad chips, only bad pricing
- The end of kernel engineering
- Buying chips and power no one else wants
- New chip architectures
- Nvidia lore + his contrarian view of the company
- Open source and the frontier labs
I learned a ton. Enjoy!
TIMESTAMPS
0:00 Intro
0:38 Building a “Token Factory”
4:21 The Future of Background Agents
13:09 Nvidia and the GPU Stack
23:27 Chips, Memory, and Transformers
36:14 The Future of AI Training Data
44:32 Chip Scarcity and Compute Arbitrage
52:44 Reinventing the AI Data Center
59:01 Power and the “Scavenger Strategy”
1:10:10 Open vs. Closed AI
با AI باید هر روز ببینیم چطوری میتونیم پروداکتیوتر باشیم و میتونیم از هم زیاد یاد بگیریم. بیاید این زیر جمع بکنیم اینکه هر کی چطوری با AI کارهاش رو جلو میبره. فرایندهاتون، ابزارهاتون، و کلا توصیههاتون.
بخصوص من خیلی کنجکاوم که واقعا توی کارا چقدر میتونین با ایجنتها مالتیتسک بکنین. چه کارایی ایجنتها براتون میکنن و ...
اگر دنبال درک عمیقتر ML هستید، این دوره برای شماست
اگر دوست دارید فقط استفادهکنندهی کتابخونههای آمادهی Machine Learning نباشید و واقعاً بفهمید پشت الگوریتمهای Data Science چه ریاضیاتی وجود داره، دورهی Mathematics of Data Science از ETH Zürich یکی از بهترین منابعیه که میتونید سراغش برید. این دوره توسط پروفسور Afonso Bandeira تدریس شده و بر اساس کتاب “Topics in Mathematics of Data Science” طراحی شده؛ کتابی که با همکاری Amit Singer و Thomas Strohmer نوشته شده.
توی این دوره با مفاهیمی مثل جبر خطی پیشرفته، SVD و PCA، احتمال در ابعاد بالا، بهینهسازی، روشهای طیفی، نظریه گراف و خوشهبندی آشنا میشید و مهمتر از اون، کمکم درک میکنید چرا خیلی از روشهای یادگیری ماشین کار میکنن و محدودیتهاشون دقیقاً کجاست. اگر میخواید مقالات ML رو بهتر بفهمید، از حالت Black Box خارج بشید و پایهی ریاضی قویتری برای AI و Data Science بسازید، این دوره واقعاً ارزش دیدن داره.
پیشنهاد میکنم ویدیوها رو بهترتیب جلو برید، موقع دیدن درسها فرمولها و نتایج رو خودتون هم بررسی کنید و مفاهیم مهم رو با Python و NumPy پیادهسازی کنید تا ارتباط بین تئوری و عمل براتون خیلی شفافتر بشه.
🔗 لینک پلیلیست Mathematics of Data Science
https://t.co/jS2lY4tWQd
🔗 لینک کتاب Mathematics of Data Science
https://t.co/17EuwCqAPW
👑 توضیحات در مورد دوره منتورینگ
https://t.co/TuFg7c0XLf
🏆 نحوه ثبتنام در دوره منتورینگ
https://t.co/wgkYhWzB3l
🤝 تجارب موفق قبلی بچهها از منتورینگ
https://t.co/kMi3snhgii
Many roughly know how a transformer works
To REALLY understand modern neural LMs—MoEs, GPU tiling, kernels, RLHF, data—you need CS336
By @tatsu_hashimoto, @percyliang
The 2026 edition appears on yt with ~2 weeks delay
https://t.co/iEWTqEivvB
Materials
https://t.co/E1pzUSC6Tr
@liliitslili ورژن بدون شکرش
قهوه نسکافه و آب رو هم بزنید یخ بریزید
شیر رو توی یه بطری شیک کنید تا کف کنه بافت نرم تری میده طعم قهوه جالب تر میشه
هم زدن قهوه برای فوم طعم قهوه رو خراب میکنه
بریزید روی قهوه و یخ
گوگل یه ابزار جدید داده به اسم Pomelli 😄
محصولتو بهش میدی، خودش برات تبلیغ میسازه، کمپین میچینه، حتی عکسهای حرفهای هم تولید میکنه.
https://t.co/vveZLyZWAN
این ویدیوی یوتوب گفتگوی دیزاین لید کلود هست با لنی و واقعا خوب بود، در مورد اینده دیزاین و پروسه ها و اینکه چه اتفاقی تو تیم دیزاین کلود داره میوفته صحبت میکنن.
جالبه که این خانم قبلا هم رو فیگما کار میکرده و دید گسترده ای داره کلا.
https://t.co/6wtqUpO8P7