当我问陈天奇，你会对十年前二十年前的陈天奇说些什么时，他沉默了近20秒说——
“可能要反过来，我需要过去的我对现在的我，现在的我对未来的我说，记住自己对自己的承诺，坚持自己的理想，往下走下去”
那一刻我被真正感动了——因为我真正看到一个真正的理想主义者，过去二十年机器学习的历史， XGBoost、MXNet、TVM、MLC都是不可磨灭的精彩印迹，而在这几个项目名背后，有一个共同的名字，他就是本期播客嘉宾陈天奇。过去 15 年，陈天奇把让机器学习模型更轻、更快、更易部署做成了一条清晰的技术主线。从最早的把树模型系统推到极致的XGBoost，到最早的深度学习框架之一 MXNet，再到开创深度学习编译领域的TVM，和今天希望把大模型跑上所有设备的MLC LLM。
陈天奇在机器学习系统这条路上已经走了快 20 年——从陈天奇的视角看这 20 年的激荡会是什么样的风景？在这期播客，你会听到：
这里是WhynotTV Podcast——现在，请和我一起进入陈天奇的世界。
2:06 在童年时期对什么事物最感兴趣
8:38 有没有什么十八岁之前的经历对未来产生了深远影响
10:16 温和的性格是童年时期就养成的吗？
12:08 上海交大ACM班的经历
14:33 本科ACM班教育对人生的影响
18:05 本科第一次接触机器学习科研时的挑战
20:09 手搓CUDA用深度学习尝试ImageNet
23:10 在2010年用GPU做深度学习是共识了吗
24:32 初生牛犊不怕虎做深度学习的经验教训
29:40 如何从失败的科研后反而变得不怕失败
32:16 研究视野的飞跃，20年后对研究视野的反思
39:01 来到UW读PhD的选择
41:08 XGBoost成功的关键原因：极致、社区、专注
46:14 为什么选择树方法？Carlos的严格要求
49:31 站在现在反思XGBoost当年对神经网络和深度学习的判断
53:02 MXNet的前世今生
60:03 MXNet背后的博士生团队协作
64:14 从MXNet的历史学到的经验教训
67:56 科研的风险与收益
71:40 TVM的前世今生——什么是机器学习编译
74:19 为什么做TVM这么有挑战性
77:17 选择做重要的事——做TVM的勇气
81:55 GPU/TPU/NPU的区别
83:05 初生牛犊不怕虎的勇气与初心
86:08 TVM的生态位，2025年面临的挑战与机会
90:26 机器学习系统的历史
95:03 机器学习系统的未来，挑战与机遇
96:13 MLC LLM——将大模型部署到所有设备
97:24 未来大模型的推理的格局分布——云vs端侧
101:11 AI模型的收敛趋同会持续下去吗？对机器学习系统来说意味着什么？
105:38 因为资源受限，学术界应该去解决什么样的机器学习系统的研究问题？
110:42 对开源的热情——如何做成功的开源项目？
114:50 OctoML——创业的动机与故事
116:29 基于开源项目的创业的得失与优劣
119:15 OctoML的商业模式与转型
123:00 创业过程中的收获与教训
123:58考虑过当CEO吗？当技术领袖的所需要的自我革新
126:18 创业被NVIDIA收购是符合预期的退出方式吗？
128:19 技术创业必须的自我革新
130:23 为什么决定要当教授？
130:54 一线经验的重要性——为什么当教授了还要写那么多代码？
135:03 如何做到高效的时间分配与产出？
136:28 这个时代的快节奏的机器学习系统研究——我们还能慢下来吗？
138:31 如何面对AI研究的新挑战？
139:52 现在陈天奇作为教授的风格是什么样的——如何指导学生？
141:06 工业界工作vs学术界PhD
142:19 实事求是问题导向的研究风格
143:22 对长期主义的感悟
146:12 面临人生选择的智慧
148:41 未来的陈天奇还想做什么——失败与初心
152:58 AGI需要什么样的机器学习系统
154:23 未来AI的格局会是巨头统治还是百花齐放
155:03 会对20年前10年前的陈天奇说什么？
155:52 对成功和幸福有什么新的感悟
157:51 会看这二十年的旅途——你最后想说些什么？
