这场演讲中，Hiten Shah用真实失败经历，拆解SaaS团队在产品优先级上最常犯的七个错误。他没有给模板，而是提供了一套判断“先做什么、不做什么”的思考方式，尤其适合正在增长期或迷失方向的产品团队。
这场来自 South Park Commons 的演讲，讲述了一个核心难题：在最需要数据的可持续发展领域，恰恰最缺乏高质量数据。演讲者分享了他们如何借助机器学习、遥感影像和迁移学习，在贫困、发展与公共政策研究中打开新的可能性。
这是一场来自 South Park Commons 的技术分享，Jonathan Hseu 系统讲述了神经网络规模化背后的真实挑战：为什么规模如此重要、工程基础设施如何支撑，以及在模型设计和训练阶段必须做出的关键取舍。文章还原了一线实践中的方法论，而不只是抽象结论。
在这场演讲中，Been Kim系统阐述了她对可解释与交互式机器学习的核心理念：不是让模型更聪明，而是让人和模型协作得更好。她通过原型样本、案例推理和真实教学系统，展示了如何把人类的领域知识重新引入机器学习闭环。
这场由Pete Kazanjy在South Park Commons分享的演讲，核心讨论了“Founder Led Sales”——为什么在公司早期，销售不能外包、不能过早职业化，而必须由创始人亲自完成。演讲不仅拆解了常见销售反模式，还给出了一个清晰的阶段模型，帮助创始人判断自己什么时候该放手。
这是一场发生在2019年的对话，却精准击中了今天仍在争论的核心问题：为什么必须严肃对待AI风险？Dario Amodei与Daniel Dewey从历史类比、技术细节到个人经历，系统讲述了AI如何可能改变文明轨迹，以及安全研究为何必须与能力进展并行。
这是一篇关于农业机器人为何“现在必须发生”的深度文章。来自 Traptic 的 CEO Lewis Anderson 结合亲身下田、田间试验与一线观察，解释了劳动力危机如何把机器人从实验室推向农场，以及为什么采摘机器人首先落在草莓而不是大田作物上。
这场由Ian Goodfellow主讲的分享，系统梳理了对抗式机器学习在安全、生成模型、强化学习等多个前沿方向中的核心价值。演讲不仅回顾了技术爆发的背景，也坦率指出当前方法的局限，为理解“不可靠AI”的根源提供了难得的一手视角。
这是一场不靠科幻渲染、而是用真实系统说话的AI演讲。Oren Etzioni通过多个现场示例，拆解当下AI真正“擅长什么、不擅长什么”，并直面关于通用智能与失控风险的争论，提出“增强智能”才是更现实也更有价值的方向。
这是一场关于AI与信息安全（InfoSec）的现实对话。演讲者从安全行业的历史惯性出发，解释为什么传统安全方法在AI时代逐渐失效，以及攻击者如何率先、且更激进地拥抱机器学习。文章还讨论了模型投毒、自动化补丁、以及这些技术在真实行业（如医疗）中的落地挑战。