三天三次部署、工程师在 Uber 里写代码、设计流程被彻底打碎——这是 Figma 团队亲口承认的“灾难现场”。但正是这种不体面的混乱，做出了 Community 和 Design System Analytics 两个关键产品。这场分享，几乎颠覆了我们对“好产品=好流程”的想象。
在这场 Figma Config 的演讲里，May Li Khoe 抛出一个反直觉的主张：真正有力量的创新，不是激进对抗系统，而是“joyfully subvert the status quo”。这不是鸡汤，而是一套关于设计、组织与技术变革的可执行方法论，对 AI 从业者尤其刺耳又清醒。
大多数人以为性能和可访问性是工程问题，但这场来自 Figma Config 的分享给了一个反直觉答案：真正决定用户体验上限的，是设计系统的“地基”。更意外的是，设计师随手选的颜色、字体和组件复用策略，可能比你写的模型代码更影响用户是否留下。
在 Figma Config 的这场演讲里，Zen Lara 抛出一个反直觉的观点：设计系统失败，几乎从来不是因为组件，而是因为关系。更狠的是，她直接把婚姻咨询里的方法，搬进了设计系统协作里。这套逻辑，对今天被模型、工具和流程压得喘不过气的 AI 团队，意外地好用。
在所有人都鼓吹“设计师要走向管理”的年代，Etsy 的 Michael Yap 却拼命逃离管理岗位。更反直觉的是，正是这段逃离经历，让他在被迫接手 30 人设计团队时，提出了一套比 OKR 更底层、也更适合 AI 时代的领导模型。
Marcus Hutter 在 Lex Fridman 的播客中，用奥卡姆剃刀、Solomonoff 归纳和 Kolmogorov 复杂度，串起一个核心问题：为什么简单的模型不仅更美，而且更有预测力？这篇文章带你理解科学为何本质上是一场“压缩竞赛”。
这期对话中，Marcus Hutter从“什么是智能”这一根本问题出发，串联起奥卡姆剃刀、所罗门诺夫归纳和AIXI模型，勾勒出一种极端但清晰的通用人工智能理论蓝图。文章提炼其中最有价值的思想，让你理解为何“压缩”可能是理解智能的核心钥匙。
这是一场来自 Uber AI Research 的技术分享，Rosanne Liu 并没有试图用复杂公式“碾压”听众，而是用一连串真实研究项目，讲清楚她如何选择问题、验证方法，并逐步建立对研究方向的信心。文章还原了这场演讲的核心结构与方法论价值。
在这期Lex Fridman播客中，机器学习奠基者Michael I. Jordan并没有畅谈科幻式的AI未来，而是反复强调工程理性、统计思维与现实约束。他分享了自己对当前AI热潮的冷静判断、与Yann LeCun等人的关键分歧，以及为什么真正重要的突破往往发生在被忽视的“灰色地带”。
在这段对话中，Andrew Ng并没有堆砌前沿算法，而是系统回答了“如何入门深度学习”“学什么最有用”“如何高效学习”和“如何把兴趣变成职业”。这是一份来自一线教育者的现实指南，能帮助初学者少走弯路。