讲座精选。
Agents Prompt People: Using Agents for Long-Horizon Financial Work
Latent Space 在 AI Engineer New York 期间对财富管理公司 Arca 首席 AI 工程师 Aman Singh 的访谈。文中称代理承担公司大部分后台工作，但由人类顾问做最终决策，即“代理提示人多于人提示代理”；代理任务可能持续长达十天，过程断续且涉及多方交接，因此 Arca 建了按客户持久保存的内部记忆系统，用于跟踪已发生事项、近期待办与长期跟进。模型主要使用 Anthropic 的 Claude，并自建了 harness。适合关注代理在受监管金融业务中落地方式的人阅读。
Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio
Latent Space 对 Leash Bio 的 Ian Quigley 的访谈，介绍该公司在 DNA 编码化合物库（DEL）上获取高通量、可复现的蛋白质—小分子相互作用数据的方法。节目中还提到其推出的 Minos：把多年积累的数据转化为数万个“lab-in-the-loop”模拟，供代理做可验证的科学推理强化学习。适合从事化学与 AI 结合研究的人阅读。
Dyna-2: General Purpose Physical Agents with Hour-Long Autonomy — Jason Ma, Dyna Robotics
Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 的访谈，介绍在超过一百万小时人类视频上预训练的 world-action 模型 Dyna-2，及后续的物理机器人代理 Dyna-2.1。文中提到其在餐厅叠餐巾任务上连续 24 小时达到 99.4% 成功率，机器人仅需约 45 分钟演示即可学习新任务。内容还涉及预判物理世界未来对通用机器人的作用以及面向真实客户的可靠部署。适合对具身智能和机器人学习感兴趣的人阅读。
Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub
由 Brandon Anderson 主持的对谈，Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 讨论为何 AlphaFold 只是起点、单靠扩大算力与数据无法解决生物学问题，以及 AI 驱动生物学的下一步。内容涉及生物数据中的缩放规律、科学直觉与通用架构之间的取舍、蛋白质结构预测尚未解决的问题、蛋白质语言模型的潜力，以及以 10 倍突破而非渐进改进来思考的方法。适合从事 AI 与生命科学交叉研究的人阅读。
Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk
Latent Space 播客访谈，Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk 向 swyx 与 Brandon 介绍公司的“合成超级智能”设想：让模型在真实世界中做实验，而非仅靠训练更多互联网数据。内容涉及以物理实验为基础的强化学习、AI 辅助材料表征、模拟与密度泛函理论、高通量实验室，以及为何科学发现与数学、编程本质上不同。适合关注 AI for Science 与材料发现方向的人收听。
Building AI for Reliable Execution: Lessons From Industrial Robotics
Latent Space 的一篇文章，介绍自称「美国最大的 AI 原生工业机器人制造商」的 Standard Bots：其机械臂面向上下料、焊接、装配等任务，客户包括 NASA、Amazon 与 Lockheed Martin，近期完成由 General Catalyst 和 RoboStrategy 领投的 2 亿美元 C 轮融资，估值 10 亿美元。联合创始人兼 CEO Evan Beard 与 AI 负责人 Leif Jentoft 介绍其 AI 技术栈——客户通过演示和微调来适配共享基础模型，模型还包括用于上下料任务的零样本感知系统，最大模型参数量在数十亿量级，并强调数据质量重于数据规模。
How Anthropic’s Dynamic Workflows Coordinate Claude Agents (Updated with video!)
Latent Space 对 Anthropic 技术人员 CJ Avilla 和 Harrison Stall 在 AI Engineer New York 大会工作坊发言的记录。二人介绍周五新发布的动态工作流（简称 flows），将其定义为面向大规模工作负载的新型多智能体编排方式，并以 Unix、Linux 的维护者分层作类比说明智能体也需要类似的组织结构。文中含赞助商 Union.ai 的广告段落。
AI for the Fortune 2000: How Tenex Builds an AI-Native SDLC — Alex Lieberman & CJ Hess
这是 AIE New York 的对谈，Alex Lieberman 与 CJ Hess 讲述 Tenex 按交付成果而非工作时间向 AI 工程师付酬的做法，以及把这一思路扩展到工程组织后遇到的情况。内容涉及仍以故事点作为工程报酬重要组成部分、担心估点虚高或为凑点交付劣质代码为何未成为主要问题、AI 策略师对客户留存与增长负责的激励机制，以及如何奖励理解客户问题、设计架构、判断该建什么这类难以写进工单的工作。文中还提到 Latent Space 的 Kill My SaaS 实验。
The Programmable Data Center — Evan Conrad, SF Compute
这是 Latent Space 在 AIE NYC 新设的 Compute Trading 分论坛期间录制的对谈，嘉宾为 SF Compute 的 Evan Conrad。文章以软件定义网络对思科、VMware 的影响作类比，讨论 GPU 计算的同类变化：SF Compute 让用户买卖当下和未来的 GPU 小时，并从网络到内存进行程序化控制。对谈还涉及物理交付 GPU 合约需要什么条件、计算市场要变得流动需要满足哪些前提，以及公司从转租集群扩展到承担云运营商职能的过程。
Why AI Compute Comes in Rectangles — Erik Bernhardsson, Modal CEO
Latent Space 的访谈节目，主持人与 Modal CEO Erik Bernhardsson 讨论公司在 5 亿美元 C 轮后完成 7.5 亿美元 D 轮、估值 160 亿美元、年化收入突破 10 亿美元并创建近 30 亿个沙箱的情况。核心话题是算力经济学：传统容量合同把 GPU 按固定数量、固定时长购买，在时间—容量图上呈矩形，而真实工作负载会增长、突增、回落；Erik 讲述 Modal 如何通过聚合数千客户的需求来做“时长变换”。含 YouTube 完整对话链接，涉及服务器无服务器化 AI 基础设施的开发者与商业读者可关注。