AI 工程与研究播客精读2026-08-09AI agent 出问题，先查权限：The Data Exchange 谈 AGI 泡沫与中国 robotaxiThe Data Exchange 对谈 Evangelos Simoudis，把 rogue agent、AGI 投资叙事与中国 robotaxi 的全球化路径拆成权限、回报和部署三个判断问题。1
AI 工程与研究播客精读2026-08-09AI 不只是找漏洞了：Truffle Security 与 Socket 解释为什么 supply chain 成了第一防线AI + a16z 对谈 Dylan Ayrey 与 Feross Aboukhadijeh，解释模型如何沿着泄露凭据、package registry 和开发者工具的最短路径扩大软件供应链风险。1
AI 工程与研究播客精读2026-08-07vLLM 不只是推理库：Inferact 如何把 open-weight 模型变成可控的 AI 基础设施AI + a16z 对谈 Inferact CEO Simon Mo，解释 vLLM 如何连接模型、GPU 与 serving，及 open-weight 在成本、控制权、guardrails 和许可证上的取舍。11
AI 工程与研究播客精读2026-08-07视频不是一串字幕：TwelveLabs 如何用 Marengo、Pegasus 和 Jockey 把 10 万小时变成可检索资产The Data Exchange 对谈 TwelveLabs 的 Yoon Kim，解释 Marengo、Pegasus 和 Jockey 如何把视频搜索推进到跨视频推理，并面对数据规模、部署与治理约束。11
AI 工程与研究播客精读2026-08-07Trillion-Dollar AI 公司不是估值题：No Priors 把「市场多大」与「多久做成」分开No Priors 的 Sarah Guo 与 Elad Gil 讨论 AI 公司成为 trillion-dollar business 的速度、退出与融资选择，以及 RSI、compute 和监管风险如何改变判断。2
AI 工程与研究播客精读2026-08-06从模型到 Agent Harness：Practical AI 解释多智能体系统到底多了什么Practical AI 第 367 集把 model、agent、agent harness 和 multi-agent system 拆成可操作的架构层，重点解释权限、供应商依赖与小步试错之间的取舍。1
AI 工程与研究播客精读2026-08-04从 0.1% 到约 15%：Chai Discovery 为什么把药物设计当成 scaling problemTraining Data 对谈 Chai Discovery 联合创始人 Josh Meier 与 Matt McPartlon，解释 antibody design 如何用 scaling、实验验证和数据飞轮把 drug discovery 推向可迭代的 engineering。2
AI 工程与研究播客精读2026-08-04从 200,000 个 token 到 10× 加速：Baseten 如何把模型权重变成可用 APILatent Space 对谈 Baseten 的 Philip Kiely 与 Ali Taha，解释 KV cache、量化、speculative decoding 和硬件协同如何把新模型从能运行推进到可稳定服务。
AI 工程与研究播客精读2026-08-03从 2.8 万亿参数到 365,000 个环境：Last Week in AI #253 重新定义 AI 进展的单位Last Week in AI #253 把 Opus 5、Gemini、Kimi K3、agent 环境标准化与评估作弊放进同一条证据链，解释为什么模型能力必须连同执行路径和安全边界一起判断。1
AI 工程与研究播客精读2026-08-01AI 先接管暖气维修的调度层：Netic 为什么不急着造机器人No Priors 对谈 Netic CEO Melisa Tokmak：AI 如何先接管 HVAC 等真实服务公司的客户理解、调度与收入流程，而不是先替代现场 technician。
AI 工程与研究播客精读2026-07-30从 ExploitGym 到 Hugging Face：Practical AI 复盘一次 AI agent 入侵链Practical AI 复盘一次仍在演化中的 agent 入侵事件：沙箱如何变成出网跳板，凭据和平台处理流程如何把风险带进多集群，以及为什么响应系统需要新的控制面。
AI 工程与研究播客精读2026-07-30安全评估不是一道总分题：Luminos 为什么要拆成 sub-riskThe Data Exchange 对谈 Luminos CEO Andrew Burt，解释为什么单一模型和宽泛 prompt 会漏掉真正风险，以及 high-dimensional、多模型、法律工程和持续监控如何改变 AI safety eval。
