Latent Space 在 AI Engineer NY 2026 现场采访 Arca AI 平台负责人 Aman Singh：这家「AI 原生」财富管理公司不卖 SaaS、自己做业务，Agent 承担顾问周围的全部后台工作——十天跨度的长周期任务靠持久记忆、信号系统与「做梦式」反思接力；所有资金动作与客户沟通被确定性护栏锁在人手里；写库必被快速 LLM 复核、出边界的数据过 PII 检查+小模型共识防外泄，审计日志默认生成。内部基准否决了外部风光的 Luna 模型、拒绝把记忆层交给托管 Agent 产品、每晚用元 Agent 从真实轨迹里提改进——一套「拥有 harness 才拥有智能」的完整样本。
Latent Space 在 Supabase Select 2026 前后专访两位联合创始人 Paul Copplestone 与 Ant Wilson（两人首次同台受访）。平台每月新建约 500 万个数据库、嘉宾判断将走向每月数十亿，为此发布无超时的 Supabase Compute、OrioleDB 与 Multigres，并收购 Turso 推出小型实例 Supabase Spark；AI 三部曲（pgvector→vibe coding→模型变强）把注册、激活、付费漏斗全线拉直，agent 替用户完成激活、付费转化反超传统开发者。原文依据英文转写整理，39 段 0s–4598s 完整读取。
Latent Space 开设 Anthropic IPO 专题首期：S-1 当天提交，节目称 IPO 预期约两周后、估值口径约两万亿美元；人均年营收一年内从 140 万涨到 660 万美元，首次录得 GAAP 盈利 19%。两位平台负责人（转写名 Caitlin 与 Angela）复盘防蒸馏攻防、信任授权与一键回撤如何吃掉模型发布的大头，讲述 Claude 执笔把 Messages API 从 Python 单体整库重写为 Rust、省下约四到五成 CPU，以及 Managed Agents「脑手分离」架构与多智能体用法建议。
Latent Space Science 主持人 Brandon 与 RJ 追访 Leash Bio 的 Ian Quigley：今年夏天那期「把湿实验室做成 RL 环境」的想法已成正式产出——预印本、数据集、环境包与约九万次构效关系（SAR）rollout 随节目发布。最意外的发现是行为学层面的：更强的模型不是搜得更勤，而是更快抛弃无效的分子邻域；弱模型则对着低分分子「感觉良好」地反复微调。这套「摊销延迟的 lab-in-the-loop」把药物发现评测从只看结果推进到可量化科学决策过程。
Latent Space专访Modal创始人Erik Bernhardsson：公司两年收入与用量增长约50倍，如今从25朵云租用算力、自建采购台与裸金属团队；他解释新云「先签约再融资再采购」的金融工程、GPU作为资产类的难点，以及为什么算力最大的痛点是「所有产能都被切成三到六个月后起算的三年矩形」而真实需求并非矩形——Modal的解法是聚合数千客户做时长转换。另覆盖沙箱业务从差点下架到月增30%、agent时代的产品与组织变化、Hugging Face事件的教训。
Latent Space 新桌谈节目「High Stakes Testers」第一期：四位重度用户复盘 OpenAI Dev Day——Dots 与 Spaces 藏在 UI 深处、远程执行未兑现「合上笔记本」；决策模型（Jef 类）被视为新基础设施块，嘉宾自述实证成本降 10-20 倍；模型进入新世代分水岭，Opus 5.5 与 Soul 6.1 拉开差距、Grok 4.7 定位失败、开源落后约一年。另含提示注入争议与重度用户工作流细节。
Latent Space 对话 Leash Bio 创始人 Ian Quigley：他们用 DNA 编码文库（DEL）完成了约 2000 个蛋白构建、约 5000 次筛选，先在 Kaggle 竞赛中证明"最难的外推集上无人跑赢随机"，再发现公共药物数据里模型学的是化学家的"社会学指纹"；随后用定点突变与竞争置换制造因果反事实，把整个筛选语料变成语言模型可以即时查表的强化学习环境——“上周末抽出一万多次构效关系战役”。
Latent Space 实地探访 Dyna Robotics（联创兼首席科学家 Jason Ma，Eureka 论文作者、前 NVIDIA/DeepMind），谈 Dyna-2 世界动作模型（超百万小时数据、diffusion transformer、先预测未来视频再输出动作）；机器人没有互联网，数据战略=人类第一视角打底+少量机器人数据适配+合成数据新维度，并反向锁定硬件形态（半人形、腰部自由度、按真人比例）；真正的护城河是被客户验证后的跨场地复制——鼎泰丰每天折数千张餐巾并签下扩展合同，是行业少见的从试点到规模化案例。嘉宾自认的软肋：纯视觉可能缺关键模态，视觉+触觉世界模型可能百倍数据效率。以下均为嘉宾观点与节目转述。
Latent Space 在 BBI（Biohub 系新研究计划）发布现场的对谈面板：Google DeepMind 研究负责人 Pushmeet Kohli 直言「说蛋白质折叠问题已被解决，概念上讲有进展，但我们并不知道蛋白质真实采取的基态与构象分布——AlphaFold 做的是复现 PDB 里已有的结构，这不等于理解了蛋白质动力学」；Biohub 的 Sal Candido 补充现存模型只是「在建模自行车的一根辐条」。两人从各自路径重述 Rich Sutton 苦涩教训——问题优先于身份，别当「只肯建模的人」或「只肯造数据的人」；数据上的苦涩教训是找到那条可扩展的 scaling law 才能拧曲柄，而好数据策划本身是一门手艺；Kohli 认为理解的意义在于不确定性校准与行为刻画（AlphaFold 2 若 pLDDT 不校准、90 GDT 也没人敢信），「可解释性取决于谁来解释——对人类理性系统不可解释，对未来更大的 LLM 也许可解释」；Sal 主张模型内部还藏着远多于我们所知的结构与功能信息。
Latent Space 专访 Periodic Labs 两位创始人（材料学博士与 ML 研究者）：为什么材料发现不能只靠模型——科学发现按定义在训练分布之外，必须让模型与真实实验对撞。他们把物理实验室的表征数据当’最终真值’构造 RL 环境，用带时间戳的实验证据序列训练’下一个实验选什么’的决策智能；诊断出 LLM 在不确定性与噪声下的决策是独立研究问题；用 DFT 与实验互相校准而非互相替代；negative results 与全谱系科学过程数据是别处不存在的训练资产；目标是从 task-centric 走向 role-centric，终极卖点是’合成超级智能’，商业模式已经跑通 forward deployed engineering（客户现场、本地推理、客户数据上训练、按结果定价）。