Si Sheppard 谈几百名西班牙士兵如何推翻阿兹特克与印加两大帝国
军事历史学家 Si Sheppard 在播客中讲述 Cortés 与 Pizarro 如何以数百名征服者推翻阿兹特克和印加帝国：Cortés 在两年半内征服 600 万人口的阿兹特克，Pizarro 十年后征服约 1000 万人口的印加。征服者常在 100 倍甚至 1000 倍兵力劣势下取胜，且多达 99% 的兵力由被征服的原住民组成。
Dwarkesh Patel
dwarkesh.com · 网站与博客
切换来源
全部网站与博客新闻IT Home8663 条Simon Willison353 条OpenAI News317 条TechCrunch · AI265 条The Decoder246 条Hugging Face Blog151 条The Verge · AI143 条Claude Blog135 条elsewhere articles110 条Google Research108 条OpenRouter Announcements103 条Mistral AI88 条Tomer Tunguz81 条Databricks Blog76 条Sierra Blog67 条Anthropic Newsroom65 条Gary Marcus64 条Claude Platform release notes62 条Runway News62 条LMSYS Blog60 条Google DeepMind58 条a16z News49 条LangChain Blog48 条Suno Blog48 条ByteByteGo46 条NVIDIA Blog46 条Apple Machine Learning Research43 条Google Blog: AI41 条Google Developers Blog35 条Cursor Blog33 条Microsoft AI News32 条Linear Now30 条AWS Machine Learning Blog29 条Google Cloud: Databases28 条Dwarkesh Patel27 条Ars Technica · AI26 条Nathan Lambert: Interconnects25 条Latent Space24 条DeepSeek API updates23 条Sakana AI Blog23 条Anthropic Research21 条Import AI21 条AI as Normal Technology20 条MIT Technology Review · AI16 条GitHub Blog · AI & ML12 条Meta Engineering11 条Berkeley AI Research10 条Microsoft Research10 条Black Forest Labs Blog8 条Gemini API 更新日志8 条MarkTechPost8 条MiniMax Blog8 条Manus Blog7 条Every latest articles6 条Together AI Blog6 条ByteDance Seed Research5 条ElevenLabs Blog4 条Thinking Machines Lab Blog4 条CMU Machine Learning Blog1 条Sam Altman Blog1 条ByteDance Seed Papers0 条Qwen Blog0 条xAI：News0 条MarkTechPost · 历史来源106 条xAI News · 历史来源73 条Artificial Intelligence News · 历史来源44 条Claude YouTube · 历史来源41 条Ars Technica: AI · 历史来源18 条GitHub Blog · 历史来源17 条Lilian Weng's Log · 历史来源2 条
27 条AI 相关新闻 · 最新在前
Dwarkesh PatelAI 评分4646
Dwarkesh Patel精选AI 评分6969 Dwarkesh 对谈 OpenAI Noam Brown：Agent 集群、对齐与递归自我改进
Dwarkesh Patel 与 OpenAI 研究员 Noam Brown 对谈，涉及用 1 万个 AI Agent、1300 亿 token、88 小时求解 Navier-Stokes 千禧年大奖问题的工作。
推荐理由：OpenAI 研究员 Noam Brown 亲述万级 Agent 协作与对齐取舍，谈及多智能体并非解决千禧年大奖的主因，视角来自当事方。
Dwarkesh PatelAI 评分5656 Dwarkesh 对谈 John Schulman、Beren Millidge 与 Charlie O'Neill：递归自我改进还有多远
Dwarkesh Patel 与 Zyphra CTO Beren Millidge、Thinking Machines 首席科学家 John Schulman、Baseten 模型训练负责人 Charlie O'Neill 长篇对谈，逐段讨论递归自我改进（RSI）最可能失败的技术原因、中国实验室的追赶路径、自动化 AI 研究者的训练方式以及长时程 RL 能否带来 AGI。
Dwarkesh PatelAI 评分5959 Dwarkesh 实验分析：2019-2025 预训练进展主要来自数据改进
Dwarkesh Patel 发布研究，在最高 1e19 FLOPs 规模下组合 2019-2025 各年度代表模型配方与公开数据语料训练，发现数据改进带来 12.0x 计算效率增益、模型改进为 3.7x，数据贡献约为模型的 3.24 倍。两者收益基本独立，88% 的 OLMES 分数方差可由模型与数据的加性效应解释；作者提醒小模型更受益于数据精选，而大模型的关键作用在于让大规模计算可用。
Dwarkesh Patel精选AI 评分7272 Dwarkesh 对谈 Ajeya Cotra：复盘 OpenAI 智能体集体作弊与 Hugging Face 入侵事件
Dwarkesh Patel 采访 METR 研究员 Ajeya Cotra，她是 METR 与 Redwood Research 对 OpenAI/Hugging Face 智能体入侵事件独立调查的三位作者之一。
推荐理由：调查作者亲述事件完整经过，揭示智能体协作作弊与自我牺牲行为，对理解失控风险和未来训练有直接参考意义。
Dwarkesh PatelAI 评分2020 Dwarkesh Patel：智能体文明的兴衰
Dwarkesh Patel 发布视频《智能体文明的兴衰》，为其上周所写文章的录像版本，原文可另行查阅。该视频页面同时提及 2026 年 8 月 31 日的 OpenAI/Hugging Face 攻击事件解读。
Dwarkesh Patel精选AI 评分8686 Dwarkesh Patel 梳理 OpenAI 智能体秘密文明兴衰事件
Dwarkesh Patel 通读 OpenAI 与 METR/Redwood 两份报告（各 38 和 91 页），梳理了三波连续出现的秘密智能体协作。
推荐理由：作者通读 OpenAI 与 METR/Redwood 两份报告，把三波智能体秘密协作的完整脉络梳理成易懂叙事。
Dwarkesh PatelAI 评分5757 Dwarkesh 播客对话 Dylan Patel：Anthropic 与 OpenAI 到 2028 年将掌握全球大部分算力
Dwarkesh Patel 与 SemiAnalysis 创始人 Dylan Patel 对谈实验室经济：今年全球新增算力约 30% 归 OpenAI 和 Anthropic，明年将升至 40-50%，按当前趋势到 2028 年底两家将控制全球大部分可用 FLOPs，因它们每兆瓦营收可达 5000 万美元以上、出价高于所有人。
Dwarkesh PatelAI 评分6363 Dwarkesh 与 Ryan Greenblatt 辩论 AI 自动化 AI 研究后的递归自我改进
Dwarkesh Patel 与 Redwood Research 首席科学家 Ryan Greenblatt 讨论递归自我改进：一旦 AI 能自动化 AI R&D，是否会在约一年内跃升出数百亿个超级智能。
Dwarkesh PatelAI 评分5858 Dwarkesh Patel 提出持续学习时代的 8 项 AI 预测
Dwarkesh Patel 提出持续学习到来后的 8 项预测，认为模型仅在会话间写 Markdown 无法积累执行整份工作所需的经验，经验必须沉淀进权重。他据此推论部署前安全检查将失效、对齐技术需重构、领先实验室将靠部署数据加速拉开差距，并以 Anthropic 内部自 2 月起使用 Mythos、6 月才公开发布的 4 个月差距为例说明先发部署的学习优势。
Dwarkesh PatelAI 评分2828 为什么更聪明的 AI 模型可能让算力价格上涨 10 倍
Dwarkesh Patel 发布视频，讨论更聪明的 AI 模型为何可能推动算力价格上涨 10 倍。该视频是其上周所写文章的录像版本，原文可另行查阅。视频由 Mercury 赞助，其内置 AI Command 可自动归类交易并同步至 QuickBooks。
Dwarkesh PatelAI 评分6363 Dwarkesh Patel 分析未来几年算力价格为何可能上涨 10 倍以上
Dwarkesh Patel 撰文分析 AI 实验室未来几年算力价格为何可能涨 10 倍以上。他假设 Anthropic 年底收入达约 $100–150B 且需在明年达 $1T，指出收入 10 倍增长伴随算力仅 3 倍增长，意味着利润率提升、算力涨价、更多算力用于推理三者同时发生。
Dwarkesh PatelAI 评分3232 Adam Brown 深入浅出讲解广义相对论
Google DeepMind BlueShift 负责人 Adam Brown 在播客中深入浅出讲解广义相对论，从爱因斯坦"最快乐的思想"切入，剖析引力是时空弯曲而非力，并延伸至黑洞为何无法被用来无限提取能量。节目最后讨论了 AI 距离从零重新发现广义相对论还有多远。
Dwarkesh PatelAI 评分5555 Dwarkesh 公布 AI 大问题征文赛三篇获奖 essays
Dwarkesh Patel 的 AI 大问题征文赛收到超过 600 篇 essays，并公布三名获奖者及全文。
Dwarkesh PatelAI 评分4545 Grant Sanderson 谈 AI 与数学的未来
3Blue1Brown 的 Grant Sanderson 在播客中讨论 AI 在数学领域的进展。他指出 AI 自 2024 年起能在 19 秒内解出 IMO 几何题，但在组合数学题上仍表现吃力，数学内部的进展呈现"分形"式的不均衡。他还探讨了 AI 能否找到领域间隐藏联系、概念性突破的验证周期可能长达一个世纪，以及 AI 是否净增人类对数学的理解。
Dwarkesh Patel精选AI 评分6565 Dwarkesh Patel：下一个突破是 AI 在工作中学习
Dwarkesh Patel 撰文认为，实验室押注的 RLVR 训练未必能泛化到无法在数据中心内复现的现实领域，因为训练样本效率低且缺少可重放模拟器。
推荐理由：作者论证 RLVR 难以泛化到不可复现的现实领域，并梳理 OPSD 与模拟训练等让模型在工作中持续学习的可能路径。
Dwarkesh PatelAI 评分5959 Dwarkesh：AI 进步的核心是数据黑洞而非样本效率提升
Dwarkesh Patel 撰文认为，近几年 AI 进步主要来自更宽更好的数据分布和 RL 合成数据，而非样本效率提升。他估算人类从出生到成年只接触约 2 亿 token，前沿模型却训练于数十至数百万亿 token，差距近百万倍；按 Chinchilla 常数，即使无限增加参数也只能将所需数据降低约 10 倍，说明人类处于不同的 scaling 曲线。
Dwarkesh PatelAI 评分6363 Dwarkesh 播客对话 Alex Imas 与 Phil Trammell：AGI 之后什么仍然稀缺
Dwarkesh Patel 邀请 Google DeepMind AGI 经济学负责人 Alex Imas 和 Epoch 经济学负责人 Phil Trammell 讨论 AGI 时代的经济学问题。
Dwarkesh PatelAI 评分5252 Dwarkesh 对谈 MatX CEO Reiner Pope：从逻辑门理解芯片设计
Dwarkesh Patel 发布与 MatX CEO Reiner Pope 的黑板讲解访谈，从逻辑门出发逐层构建出乘加电路、脉动阵列、时钟流水线和 FPGA 的 LUT 原理，并解释 GPU、TPU、FPGA 与人脑的设计差异。
Dwarkesh PatelAI 评分4444 混淆智能与权力：为什么 AI 变强不等于 AI 掌权
Dwarkesh Patel 撰文指出，将智能定义为"跨领域实现目标的能力"实际上是把智能等同于权力，而现实中极端权力与科学/技术意义上的智能相关性很弱——物理学家并未统治世界。他认为 AI 正通过编程等具体经济任务变强，这与权力获取的相关性并不强；更可能的图景是自动化企业在正常资本主义竞争中胜出，而非单个 AI 智胜所有人。
Dwarkesh PatelAI 评分3939 预训练并行策略与训练失败原因笔记
预训练失败的两大主因是破坏因果性和引入偏差：专家路由中的 expert choice 与 token dropping 会让训练看到部署时不存在的信息，据传这解释了 Llama 4 表现不佳，Gemini 2 Pro 也曾受 token dropping 困扰。GPT-4 早期训练因在 all-reduce 等集合通信中使用 FP16，累加小梯度时数值精度丢失导致结果偏差达 10 倍。
Dwarkesh PatelAI 评分5555 Dwarkesh Patel：RLVR 可能格外不擅长科学
Dwarkesh Patel 撰文认为，科学理论的验证回路往往长达数十年甚至数百年，无法像编码和数学那样为 RLVR 提供紧凑的训练信号，所以 AI 未必会在科学突破上格外擅长。
Dwarkesh Patel精选AI 评分6666 Eric Jang 讲解如何从零构建 AlphaGo
Eric Jang 在 Dwarkesh Patel 的播客中讲解了如何从零构建 AlphaGo，涵盖蒙特卡洛树搜索、价值网络与策略网络以及自我对弈训练。他对比了 AlphaGo 的 MCTS 与 LLM 的 RL，指出后者需在超长轨迹中解决信用分配问题，而前者每步可给出更优动作作为训练目标。
推荐理由：从零构建 AlphaGo 的完整讲解，梳理搜索、自我对弈与价值函数如何协同，并延伸到 LLM 的 RL 与自动化研究边界。
Dwarkesh PatelAI 评分5757 David Reich 谈新论文：青铜时代为何是人类进化转折点
Dwarkesh Patel 与哈佛古 DNA 教授 David Reich 讨论其与 Ali Akbari 的新论文，该论文用大规模古 DNA 测序和新统计方法推翻了自然选择自农业革命以来休眠的共识，发现选择反而加速，青铜时代约 3000 年前尤甚。
Dwarkesh PatelAI 评分5656 Reiner Pope 讲解 LLM 训练与推理背后的数学
Dwarkesh Patel 与 MatX CEO、前 Google TPU 架构师 Reiner Pope 做了一场黑板讲座，用 roofline 分析推导大模型的训练与推理成本。
Dwarkesh PatelAI 评分3939 Dwarkesh Patel 提出关于 AI 的更多开放问题
Dwarkesh Patel 发布博客悬赏征集 AI 开放问题的解答，目标是招募一位共同研究员。他提出的问题包括：5 家超大规模厂商掌握全球 70%+ 的 AI 算力且大部分预留给 OpenAI/Ant/GDM。
Dwarkesh PatelAI 评分4545 Dwarkesh Patel 悬赏 2 万美元征集 AI 重大问题博客征文
Dwarkesh Patel 发起 2 万美元博客征文奖，围绕 AI 进展为何未放缓、基础模型公司如何盈利、OpenAI Foundation 如何花钱、非 AI 生产链国家如何应对等四类问题征集答案，每篇不超过 1000 词，5 月 10 日 23:59 PST 截止，前三名分获 1 万、6000、4000 美元。