RL不负责“聪明”,它负责“靠谱”:一次ETL失败修复的反直觉实验
如果你以为用强化学习修ETL,是让系统更“聪明”,那你会被这场分享当头一棒。Anna Marie Benzon 用一套带着“安全护栏”的RL Agent,把原本2.5个工作日的人工恢复,压缩到分钟级——而最大功臣,恰恰不是RL本身。
如果你以为用强化学习修ETL,是让系统更“聪明”,那你会被这场分享当头一棒。Anna Marie Benzon 用一套带着“安全护栏”的RL Agent,把原本2.5个工作日的人工恢复,压缩到分钟级——而最大功臣,恰恰不是RL本身。
当所有人沉迷于“让AI写代码、马上上线”,MongoDB的Apoorva Joshi却抛出一个反直觉结论:真正决定AI系统成败的,已经不是代码,而是你在动手前的系统设计。这场演讲,用一个真实的医保理赔案例,把AI从想法走向生产的底层逻辑彻底讲透。
很多团队死在同一个地方:研究原型明明很惊艳,一进生产就寸步难行。Higharc 的资深研究工程师给出一个反直觉答案——真正的瓶颈不在模型,而在“交接方式”。这是一套把前沿 ML 研究送进生产环境的硬核方法论。
在 Anthropic 内部,工程师把任务丢给 AI Agent 就去睡觉,第二天醒来,Bug 修了、分析跑完、洞察生成。这不是未来畅想,而是他们今天的工作方式。本期 Peter Yang 对话 Anthropic 的 Jess Yan,首次系统拆解了 Claude Managed Agents 背后的关键判断:真正的瓶颈,已经不是模型聪不聪明,而是你敢不敢把事情交出去。
当大模型席卷科研界,一个残酷事实开始浮出水面:AI 在科学中的最大瓶颈,根本不在算法。本期 Latent Space 对话 Radical AI 的 Joseph Krause,直指一个被严重低估的真相——没有“自驾驶实验室”,AI 科学只是在纸上空转。
当整个行业都在为“更强推理能力”而狂欢时,这位AI研究老将却在播客里泼了一盆冷水:推理,可能远远不够。围绕泛化、Agent、研究者的“轻度精神病”和OpenAI带来的冲击,他给出了一个不那么乐观、但极其清醒的判断。
我们总以为更聪明的模型意味着更好的 Agent,但 Steven Willmott 在这场演讲里直接打脸:模型越大,可能越危险。真正的问题不是“能力够不够”,而是——你到底有没有说清楚它该做什么、不该做什么。
如果你还默认“GenAI 和 AI Agent 天然属于数据科学家”,这支视频会让你停下来重新想一遍。Braintrust 的 Phil Hetzel 用大量一线观察,拆穿了一个行业惯性认知:真正决定 Agent 成败的,可能根本不是模型能力,而是离问题有多近。
如果你还把 Coding Agent 当成“写业务代码的高级补全”,Ben Burtenshaw 会告诉你:这正是 AI 工程最危险的误解。来自 Hugging Face 的这场演讲,直接把 Coding Agent 拉进了 CUDA、系统架构和 ML 工程的深水区。
如果你以为 Physical AI 只是“自动驾驶的另一个名字”,这期播客会直接打脸。Applied Intuition 把今天的物理世界,比作 Android 和 iOS 出现之前的手机市场——混乱、割裂、每家都在重复造轮子。而他们正在做的,是一个覆盖空、地、海的“自治操作系统”,而且几乎不允许出错。