AI智能体

E256｜Agent、机器人与制药，谁先被GPT-6 Astra改写？

2026年10月20日 · 1:19:40

本期《硅谷101》邀请破壳机器人创始人许华哲、Pokee.ai创始人朱哲清与华盛顿大学教授王晟，围绕OpenAI发布的GPT-6 Astra讨论其对Agent、机器人和AI制药三个行业的冲击。许华哲认为Astra是机器人的"GPT时刻"：它空降RoboDojo等仿真评测榜首，令多数机器人benchmark失效，能做Real-to-Sim、跨本体泛化并理解3D物理，但速度慢、双臂和叠衣服任务仍做不了，因此未来仍需一个小于10B的快决策模型与Astra分层协作，他预测2028年初通用机器人将真正实用。朱哲清指出Meta Muse这类云端虚拟机Agent面临商家封IP的困境，破局关键在软硬件结合与身份验证；Meta Muse每周给每个用户约值100美元的1亿免费token，而Astra定价为每百万token输入10美元、输出50美元，是其他模型4到5倍，2C Agent烧钱获客严重。王晟认为Astra在生物医学的进步主要来自coding能力而非领域知识，AI设计实验的完成度仅约30%，真正瓶颈是湿实验验证周期——小鼠数周、灵长类4至8个月，因此严肃的AI制药公司必须自建实验室，未来湿实验公司将以MCP/API直连大模型，人类科学家则转向定义问题与设计无上限的benchmark。节目还提到Claude仅用21小时发现类CRISPR的ART新酶系统，以及OpenAI解纳维斯托克斯方程消耗约1300亿输出token、约合2200万美元，AI for Science是前沿实验室最烧token的方向。

E255｜模型越来越强，为什么用户没感觉？再访阿里国际站总裁张阔

2026年10月8日 · 46:13

《硅谷101》主播Yiwen再度对话阿里国际站总裁张阔，探讨为什么通用评测接近满分的模型，在真实商业任务中并未带来同等提升。张阔指出编程是最先被Agent渗透的场景（估计渗透率99%），因为代码全数字化且天然可验证，而商业任务数据多元、结果验证周期长达天月甚至一年，团队据此从真实经营中整理了107个开源电商任务（如比较报价、识别钓鱼邮件、预订船期、处理纠纷），最前沿模型在无人干预下的通过率仅约61%。他提出Agent公式为模型×工程框架×上下文，三者是乘法关系、缺一为零，且模型与harness必须联合优化，仅做后训练不够。成本上，Accio Work按帕累托最优把不同难度任务路由到小尺寸或高性价比模型，完成全部107个任务的成本约3.69美元，是Codex和Claude Code（9美元以上）的三分之一。产品案例包括植物监测设备商家Edward从创意到设计、供应链、跨境物流与多平台销售的全流程，以及多平台经营利润核算、商品批量发布、客服质检等日常场景。张阔强调支付下单、产品品味、市场判断与预算分配仍须由人决策，商业领域的AGI可定义为同等预算和供应链下Agent比人更赚钱。最后他透露洛杉矶CoCreate大会到场注册约15000人，去年英国15岁少年冠军靠Accio Work年销约100万英镑，美国冠军Christian Reid的客户已包括施耐德电气和SpaceX。

E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路

2026年8月20日 · 1:27:02

PingCAP CTO黄东旭与Llama Ventures高级技术合伙人张宏江断言，AI行业正从Token Maxing转向Token Efficient，本地开源模型与前沿模型组队才划算。黄东旭曾日烧四五百美元调用最强模型（最多一天10亿token），三个月做出千万美元级数据库DB9；现在他在Mac Studio上本地运行DeepSeek V4 Flash，日耗电仅1美元，得以处理海量论文和代码审查。他梳理了Agent进化：OpenClaw由Peter单人vibe coding一周完成（他曾在30天烧掉130万美元API），标志研究转工程但代码欠打磨；Hermes靠沉淀skill自我改进；Slock（现Raft）以多Agent讨论激发‘涌现’，然而Fable 5凭智商碾压一次搞定，让繁琐讨论不再必要。张宏江称Token价格每年降10倍，Agent消耗量比聊天机器人时代涨超100倍，基建无泡沫也不过度，AGI奇点已到来——机器智能已超越人类学习能力，但未来Agent网络会消耗更多Token。两人看好Agent基础设施（内存、搜索、可观测性）与toB垂直数据，提醒创业者做Agent native应用，别做易被大模型碾压的产品。

E248｜一个“催发货”AI要跑通260步，和阿里瓴羊朋新宇聊聊中国式FDE

2026年8月11日 · 1:03:54

本期节目邀请阿里巴巴集团副总裁、瓴羊CEO朋新宇，探讨中国式FDE（前线部署工程师）的实践。朋新宇指出，与硅谷高薪派驻工程师不同，瓴羊的做法是提供标准化Agent，聚焦企业耗人、耗钱、耗时最多的环节，如客服、销售、营销。他举例说明，一个催发货流程需跑通260步，而AI通过向顶级投手学习，能在90天内完成上万次价格调整。他强调，企业部署Agent的关键在于以业务结果为导向、以企业数据为基座、以岗位标杆为预设，且自上而下的推动更易成功。朋新宇还分享了部署周期（1/3熟悉岗位、1/3建模、1/3调教AI）、FDE团队画像（BA、AI架构师、业务首席教练），以及中美FDE在信息化地基、付费习惯上的差异。他认为，企业算得过来账最重要，模型选择并非核心，人才需兼具AI锐度、业务深度与数据宽度。