即刻App
年轻人的同好社区
下载
App内打开
泓君Jane
305
关注
5k
被关注
13
夸夸
播客《硅谷101》主理人,常驻硅谷
Twitter@hongjun60
泓君Jane
01:40
宇轩OM: 关于微策略干货最多的一期,想买这支股票的朋友必听,一些核心takeaway: 1)微策略本质上炒的是波动性;2)微策略股债结合的融资方式,本质上是一支周期股,它的涨跌并不与比特币同频,而是会错开,这是微策略买卖择时的一把钥匙;3)即便比特币价格跌破微策略持有成本,短期也不会令股价崩盘,安全期直到28年;4)川普强推的比特币作为国家战略储备,背后的棋局是希望用美元稳定币虹吸全球流动性,某种程度上绕开法币。(微策略依然是没有crypto账户但有美股账户,想参与crypto的成熟选择)
6
0
0
泓君Jane
9天前
太喜欢这期节目了,花了3周时间编辑补录了两次终于放出来了。
100多人净利润超过了137亿美元,这个利润和人效比超过世界上所有金融巨头甚至是科技巨头,净利润是全世界最大的资管公司BlackRock的两倍,交易量匹敌全球最活跃的Visa,在所有被美国制裁的领域快速蔓延却成为美债第18大持有人,从被美国一路盯上变成与监管相互制衡,现在还可能成为用美元稳定币虹吸全球流动性的超级大巨头。
叛逆、荒诞、充满争议以及各种戏剧化的神转折,推荐大家去收听。
28
2
0
泓君Jane
2月前
来自一位听友的分享:GPT如何帮助她走出失恋
13
0
0
泓君Jane
2月前
明年争取整点儿更好玩跟每个人息息相关的专题出来,比如消费与大健康
28
5
0
泓君Jane
5月前
这期节目后劲好大,听完之后又去找了这本书看,超好的书推荐给大家。关于斯坦福创校校长大卫·乔丹一个反转反转再反转的故事。
最后那个鱼不存在冲击力太大了,总是要恍惚一下:这不是科幻,是真实的世界。
“另一个世界确实存在,但它就在这个世界之中。”
无人知晓
24
1
0
泓君Jane
5月前
昨天看到Geoffrey Hinton拿到了诺贝尔物理学奖的时候还在开玩笑说,按这个逻辑诺贝尔化学奖应该给Alphafold,奖励下在蛋白质结构预测的贡献,结果Hassabis和John Jumper真的中了。本来只是想mean一下结果玩笑成真了[破涕为笑]
放两期相关的播客,一个是Alphafold刚出来的时候我们录的;还有一期是分享书,正好讲到了Hinton研发人工智能的故事(非常巧的是,这期还有mRNA诺奖得主Katalin Kariko的一手采访,放在一起了)
27
0
1
泓君Jane
6月前
喜欢时尚的朋友不要错过这一期
XiuDu: 网红做生意的关隘挺多的...
5
0
0
泓君Jane
7月前
我很好奇人才到底是选拔出来的还是培养出来的,收获了一本新书《为什么伟大不能被计划》。吴老师说精英教育其实是很残酷的,要通过不断地竞争选拔出来,之后还要引导他们往天上看,感触颇多。
今年是姚班成立20周年,也很感叹于一代大师对教育的奉献。
您的浏览器不支持 audio 标签。
E162|清华姚班如何培养天才:给最有挑战性的问题和足够的自由度
硅谷101
27
3
3
泓君Jane
8月前
MasterPa: 和 @泓君Jane 串台的一期节目。聊了聊和可达、小白免、重轻在美国锈带的经历。
5
0
0
泓君Jane
9月前
高质量笔记
Diiiii: 关于自动驾驶的播客中质量较高的一期,主要原因是嘉宾中有一位来自 Tesla FSD 团队的工程师,并且已经呆了 7 年,给出了很多有价值的第一手信息。一些 takeaways: 1. 关于端到端的价值:端到端最重要的价值是通过去掉人工定义的接口,让自动驾驶更加 scalable 。华为自动驾驶有六千个工程师,主要用来写各种规则,因为 rule-based 环境太复杂,总有新的 task 出现。真正的端到端的系统中,不需要人为定义这些 task。这也是为什么现在 FSD v12 可以做到每周更新。 (一个比较有意思的问题是,如果真的是端到端,那么车机上显式的视觉效果图是哪里来的?它的显示和真正模型的感知、决策是否 align?) 这种可泛化的 Scaling Law 大幅度降低了 Tesla 的成本。对比之下,Waymo 以及国内的竞品的成本要高得多,每开一个新城都要用自己的车队去铺,100 辆车*100 万人民币,再加上 operation cost,就是一个城市一个亿人民币,从商业模式来看不划算。 2. 关于算法的先进性:Tesla 的端到端在算法层面还是有独家秘籍的。相对于 OpenAI 的基本上透明化的架构,Tesla FSD 的算法和架构可能 70%-80% 都没有公开(之前每年的 AI Day 说得太多,现在索性停办了),算法上有较大的领先性。端到端和之前 rule - base 差异很大,上了端到端之后,团队变动也很大,Tesla 之前负责 planning control 的负责人就离职了。之前 Tesla 一直不愿意向中国团队开放代码阅读权限,上了端到端之后,已经不需要国内工程师了,国内只需要标注即可。 3. 关于软硬结合。Tesla 的另一个牛逼之处在于软硬结合,用 100TPS 低算力的自研芯片和硬件配套就可以完成其他公司用 1000TPS 的芯片也完成不了的任务。Tesla FSD v12 现在能够在 2018 年的HW3.0 硬件上丝滑地跑起来。硬件的低成本也给Tesla 带来了很大的渗透率和数据优势,相对于其他车企的智能配件都是选装的,Tesla 的智能配件是全部预装好的,也就是说每一辆车都可以用来收集数据。 4. 马斯克的价值。在 Tesla ,端到端的思想并不是 Musk 提出来的,而是自下而上提出来的。但马斯克的价值在于,他直接管理智能驾驶团队,深入了解一线技术,因此敢拍板做决策,并且亲自承担责任。到目前为止,他没有在技术 vision 层面上犯过大的错误,但在具体时间线的估计上常常比较激进,一方面是性格上过于乐观,另一方面也是团队管理的需要,同时给内部人才画饼和压力。 5. 纯视觉是唯一的路径吗?Tesla 如果当年保留了激光雷达,那么可能会造成工程师过于依赖激光雷达。只有极端地砍掉激光雷达,才能逼着团队在纯视觉的路线上做技术攻关。如果当年不这么做,那么 Tesla 的地位一定不如现在。之后会不会加激光雷达?没有给出明确答案。 6. 如何从 L2 到 L4?最重要的是大模型本身的演进,这也是 Tesla 专注的方向。一方面是积累更多数据来解决 corner case。过去几个月是FSD 第一次的大范围部署,包括北美全境, 也包括夏威夷和阿拉斯加,180 多万辆的车具备这样的功能,100 万辆下载了,尝试了。除此之外,一些其他路径也会有帮助,比如更加细致的导航地图,比如针对具体区域路径的微调,比如运营。后面这几个 Tesla 还没有开始做。 7. 关于 FSD 入华:中国的路况复杂度是美国的 10 倍,但好处是统一市场准入,并且在中国这种hard级别的路况搞定之后,全球其他地方都能搞定。之前没做中国,最重要的是因为搞不定数据合规问题,现在通过数据脱敏搞定了。今年政策上有很大利好,国内从总理级别开始明确支持 FSD 入华,接下来只需要把欠账补一下,把 intra 数据采集、标注、finetune 这一套从零到一走一遍,以 Tom Zhu 的执行力应该没啥问题。 8. 关于 RoboTaxi 揭幕,大概率是硬件的 unveil,把车子展示一下,从亮相到量产可能还需要十几到几十个月。由于法规限制和供应链复用等考虑,车型的设计不会太极端。 总之,从各位嘉宾的反馈来看,端到端路线能走多远、能否商业化落地,都还没有形成共识。我个人的感觉是,方向是清晰的,但道路是曲折的。
4
0
0