这期有张象限图很实用：用「能力」和「自主性」两个维度给 agent 类产品定位，能立刻看清自己在哪、下一步该往哪走。另一条线是 NVIDIA——口号从「买得越多省得越多」改成了「买得越多赚得越多」，同时开始承诺基础设施的迁移成本不会太高。
有个项目叫 Calculating Empires，把 1500 年到现在的技术与社会结构演进做成了一张可以无限拖拽缩放的大图。
颗粒度相当细：从最早的二进制计算、布尔代数、布尔逻辑，一路到计算理论、符号系统、专家系统、机器学习、生成式 AI，每个领域里的关键节点基本都在。右上角还有个 audio tour 可以听着走。
这东西放在一块巨大的屏幕上，拖来拖去给人讲技术史，效果会非常好。
那段时间吉卜力风格生成炸得厉害，有播客直接把整期内容做成了吉卜力风格的对话画面。
真正的技术变化在主体一致性：以前视频生成最难的就是前后不一致，现在主体能保持住了。
连带的结果是流程变了：只要内容做出来，首尾帧随便造两张就行——中间交给生成。一致性这一关过了，整条内容生产链的门槛就塌了一层。
围绕 MCP 已经长出一批配套服务：server 生成、server 托管，以及 connection management。
最后这个是第一次见到有人专门做。现有的 MCP client 大多是给个人用户的；一到企业端、一到大规模使用，client 和 server 之间的连接管理就是个很大的问题。
有张象限图很好用，两个维度是能力（capability）和自主性（autonomy）：
两个都低——文本补全、简单模板，属于助理型；
自主性低但能力高——各类协作型 agent；
两个都高——autonomous agent，Manus 那一类。
价值在于它给出了一条路径：不必一上来就冲最右上角，先想清楚自己现在在哪一格、下一步往哪个轴上走。
它现在主打的是一套大一统方案——自动化的 GPU 集群，全栈支持 TensorRT-LLM、vLLM、PyTorch 等等。
有个新提法值得注意：future proof 的 AI infrastructure，承诺未来演进不会带来太高的迁移成本。这听着像是被逼出来的——这几年基本一年换一波，客户已经怕了。
口号也改了。以前是 The more you buy, the more you save（买得越多省得越多），现在变成 The more you buy, the more you make（买得越多赚得越多）。
与此同时，Meta 那边传出要自研训练芯片。做训练芯片这件事本身是有点意外的——推理芯片好理解，训练这条路难得多。