電，才是AI的終局 如果你去了今年的WAIC，你就會發現，新一代的隱藏大佬出現了。 晶片、大模型、機器人依舊是絕對主角，但展館裡，悄悄多了一批做太陽能和儲能起家的老面孔... ... 一場聊模型聊演算法的大會，為什麼突然對賣電池的企業感興趣了？答案藏在這兩年WAIC議題重心的變化裡，當AI從展示技術轉向比拚基礎設施效率和呼叫成本，供電和儲能，正在從後台保障走到台前。

AI正在成為現代世界的基礎設施。年度AI產業盛會輝達GTC大會將於下周舉行。值此之際，輝達分享了輝達創始人兼CEO黃仁勳發表的最新署名文章：《AI的“五層蛋糕”》，深度剖析了當前AI產業的核心架構，值得品讀。全文如下：AI是塑造當今世界的強大力量之一。它並非僅僅是一款巧妙的應用程式，也不是單一的模型，而是如同電力和網際網路一樣必不可少的基礎設施。AI依託真實的硬體、能源和經濟體系運行。它可以將原材料大規模地轉化為智能。每家公司都將應用AI， 每個國家或地區都將發展AI。要理解AI為何以這種方式發展，我們需要從基本原理進行推理，並瞭解計算領域發生了那些根本性變化。01. 從預製軟體到即時智能在計算技術發展的歷史中，軟體通常都是預先製作好的。人類描述一種演算法，電腦執行此操作。資料必須經過精心設計，儲存在表格中，並通過精確查詢進行檢索。SQL變得不可或缺，因為過去的世界因此得以運轉。AI打破了這種模式。我們首次擁有了一台能夠理解非結構化資訊的電腦。它能夠識別圖像、閱讀文字、聆聽聲音並理解其含義。它可以根據上下文和意圖進行推理。最重要的是，它能夠即時生成智能。每個回應都是全新建立的。每個答案都取決於你提供的上下文。這並非軟體檢索儲存的指令，而是軟體根據需求進行推理並生成智能。由於智能是即時生成的，因此其背後的整個計算架構都必須重新設計。02. AI即基礎設施從工業角度審視AI，其架構可分解為五層。最底層是能源。即時生成的智能需要即時產生的電力支援。每一個生成的token，都是電子流動、熱量管理以及能量轉化為計算的結果。在這一層面之下，沒有抽象層。能源是AI基礎設施的首要原則，也是制約系統能產生多少智能的瓶頸因素。▲能源能源層之上是晶片。這些處理器旨在大規模地將能源高效轉化為計算能力。AI工作負載需要巨大的平行處理能力、高頻寬記憶體和快速互連。晶片層的進展決定了 AI的擴展速度以及智能的可適用性。▲晶片晶片之上是基礎設施層。這包括土地、供電、冷卻系統、建築工程、網路通訊，以及將成千上萬處理器編排到一台機器的系統。這些系統就是AI工廠。它們的設計目的並非儲存資訊，而是製造智能。▲基礎設施基礎設施層之上是模型層。AI模型能夠理解多種類型的資訊：語言、生物學、化學、物理學、金融學、醫學以及物理世界本身。語言模型只是其中一個類別。一些最具變革性的工作正發生在蛋白質AI、化學AI、物理模擬、機器人技術和自主系統等領域。▲模型最上層是應用層，經濟價值在此產生，比如藥物研發平台、工業機器人、法律助手、自動駕駛汽車等。自動駕駛汽車是AI機器應用的具體表現。人形機器人則是AI具身應用的具體表現。同樣的架構，能帶來不同的成果。▲應用這就是五層蛋糕架構：能源→晶片→基礎設施→模型→應用。每一個成功的應用都會拉動其下的每一層，直至維持其運行的動力裝置。我們才剛剛開始這一建設處理程序，目前已投入數千億美元，但仍需建設價值數兆美元的基礎設施。放眼全球，我們看到晶片工廠、電腦組裝廠和AI工廠正在以前所未有的規模建設。這正在成為人類歷史上規模最大的基礎設施建設。支撐這一建設處理程序所需的人力非常龐大。AI工廠需要電工、管道工、管件工、鋼鐵工人、網路技術人員、安裝人員和操作員等。這些都是技術性強、待遇優厚的工作崗位，且目前供不應求。參與這場變革無需擁有電腦科學博士學位。與此同時，AI正在提高整個知識經濟領域的生產力。以放射學為例，AI已經能夠輔助解讀掃描影像，但對放射科醫生的需求仍在持續增長。這並非矛盾現象。放射科醫生的職責就是照顧患者，而解讀掃描影像只是其工作中的一個環節。當AI承擔更多的常規工作時，放射科醫生可以專注於判斷、溝通和護理。醫院的工作效率將越來越高，將能夠為更多的患者提供服務，也會僱傭更多員工。生產力提升創造產能，產能擴大推動增長。03. 過去一年的變化在過去的一年裡，AI跨越了一個重要的門檻。模型性能顯著提升，可以大規模投入使用。推理能力增強，幻覺現象減少，落地應用能力大幅提升。基於AI建構的應用首次開始創造真實的經濟價值。藥物研發、物流、客戶服務、軟體開發和製造領域的應用已經展現出強大的產品市場契合度。這些應用會對其下方的每一層架構都產生強勁的拉動效應。開源模型在這方面發揮著關鍵作用。全球大多數模型都是免費開放的。研究人員、初創公司、企業甚至國家都依靠開放模型來參與先進的AI。當開放模型達到前沿水平時，它們改變的不僅僅是軟體領域，而是啟動了整個技術堆疊的需求。DeepSeek-R1就是一個很好的例子。通過廣泛開放強大的推理模型，它加速了應用層的普及，並帶動了底層對訓練、基礎設施、晶片和能源的需求增長。04. 題中要義當你將AI視為必不可少的基礎設施時，其影響便顯而易見。AI始於Transformer大語言模型。但其意義遠不止於此。這是一場工業變革，重塑著能源的生產與消耗方式、工廠的建造模式、工作的組織形式以及經濟的增長路徑。如今，AI工廠正在興建，因為智能已實現即時生成。晶片正在被重新設計，因為效率決定了智能的擴展速度。能源成為核心要素，因為它從根本上決定了智能的生產規模上限。應用加速發展，因為底層模型已跨越門檻，得以大規模投入使用。每一層都相互強化。正因如此，AI建設規模才如此龐大，它才能夠同時觸及眾多行業，並不會侷限於單一國家、地區或單一領域。每家公司都將使用AI，每個國家都將發展AI。我們仍處於早期階段。大部分基礎設施尚未建成，大部分勞動力尚未接受培訓，大部分機遇尚未得到發掘。但方向已然明確。AI正在成為現代世界的基礎設施。而我們此刻的選擇、建構速度、參與廣度以及如何負責任地部署它將決定這個時代走向何方。 (芯東西)

如果幾年前有人跟我說，「你以後可能會看到科技公司 CEO，用人類的生存成本來為 AI 辯護」，我大概會覺得這是科幻小說裡的情節。但這個看似荒誕的場景，真的發生了。AI 行業最嚴厲的父親不久前的印度 AI 峰會上，Sam Altman 面對 AI 能源消耗的質疑時，給出了一個讓人意外的回應：「訓練一個人需要 20 年的生命和這期間吃掉的所有食物，相比之下，討論 AI 的能源使用是『不公平』的。」這不是簡單的狡辯，而是一種全新的敘事策略——當你的產品被指控太耗能時，不妨算算人類的「訓練成本」。01 「人肉成本」的精妙算計Altman 的邏輯表面上很簡單：一個人從出生到成年，需要消耗 20 年的食物、住房、教育資源，而訓練一個 AI 模型只需要幾個月。從「投入產出比」來看，AI 似乎更划算。這個比較背後藏著一個巧妙的概念偷換。人類的成長不是純粹的「訓練」，而是生命本身。一個 20 歲的人不僅具備了工作能力，還有情感、創造力、道德判斷，以及無法量化的人生體驗。而 AI 模型無論多麼強大，都只是在特定任務上的工具。但 Altman 的比較確實觸及了一個有趣的角度。如果把人類社會看作一個巨大的「訓練系統」，那麼培養一名程式設計師的總成本確實驚人：20 年基礎教育、4 年大學、若干年工作經驗，再算上背後的社會基礎設施投入。有開發者在 Twitter 上調侃：「按這個邏輯，我應該感謝公司沒有直接用 AI 替代我，畢竟我的『訓練成本』確實挺高。」02 從兆承諾到六千億現實Altman 選擇在這個時間點拋出「人肉成本論」，背景頗為微妙。就在幾天前，OpenAI 剛剛大幅調整了財務預期——原本宣稱的 1.4 兆美元基礎設施投入，悄悄縮水到 6000 億美元。這個調整釋放了一個訊號：即使是 OpenAI，也開始正視 AI 訓練的成本壓力。當初豪氣萬丈的兆計畫，在現實的能源帳單面前變得謹慎。與此同時，OpenAI 的商業化步伐在加速。從考慮在 ChatGPT 中加入「Instagram 風格」的廣告，到與 Tata 集團的戰略合作，再到 GPT-5.2-Codex 的發佈——每一步都在尋找更高效的盈利模式，以平衡巨額的訓練成本。Altman 的能源辯論，更像是為這種商業化轉向提供理論支撐。如果 AI 訓練比人類「培養」更環保，那麼大規模投入 AI 就有了道德正當性。如果 AI 模型的能效比人類更高，那麼用 AI 替代人工就不僅是商業選擇，還是環保責任。這場能源辯論的背景，是整個科技行業對 AI 環境影響的集體焦慮。資料中心的耗電量正在以驚人速度增長。訓練一個大型語言模型的碳排放，相當於幾百次跨大西洋航班。當各國政府都在制定碳中和目標時，AI 公司面臨著前所未有的壓力。Altman 的「人肉成本論」，本質上是一種防禦性的敘事策略——與其被動解釋 AI 為什麼耗能，不如主動重新定義「什麼是合理的能源消耗」。這讓筆者想起他在峰會上的另一個表態：需要類似國際原子能機構的組織來監管 AI。表面上是呼籲監管，實際上是在為 AI 的「核能級」影響力做鋪墊：既然 AI 像核能一樣重要，那麼相應的能源消耗就是必要代價。但這種敘事面臨一個根本問題——AI 和人類並不是非此即彼的關係。03 被忽視的第三種可能Altman 的比較預設了一個前提：AI 和人類是競爭關係，我們必須選擇更「高效」的那一個。但現實遠比這個二元對立複雜。AI 的價值不在於替代人類，而在於增強人類能力。一個經驗豐富的程式設計師配合 AI 工具，產出效率遠超純 AI 或純人工。從這個角度看，真正的問題不是「AI 比人類更環保嗎」，而是「如何讓 AI 的能源消耗產生最大價值」。一位能源政策研究者在接受採訪時指出：「關鍵不是 AI 用了多少電，而是這些電有沒有用對地方。如果 AI 能幫助最佳化電網、減少能源浪費，那麼訓練成本就是划算的投資。」OpenAI 最近推出的安全功能和風險標籤，某種程度上也是在回應這個問題——通過更精準的應用，讓每一分算力都用得更有意義。Altman 的「人肉成本論」雖然聽起來荒誕，但它揭示了一個深層次的哲學問題：在演算法時代，我們如何衡量價值和成本？當 AI 能夠在 2 小時內完成人類 20 年才能掌握的技能，傳統的成本效益分析是否還適用？當機器學習的邊際成本趨近於零，人類勞動的價值該如何重新定義？這些問題沒有標準答案，但不能迴避討論。從印度 AI 峰會上 Altman 與 Anthropic CEO Dario Amodei 拒絕握手的緊張場面，到關於 AI 廣告的口水戰，再到如今的能源辯論——每一次爭議背後，都是對 AI 未來形態的不同想像。Altman 選擇用「人肉成本」為 AI 辯護，實際上是在重新界定效率的含義。但效率從來不是唯一標準，還有公平、可持續、以及我們想要生活在什麼樣的世界。當科技 CEO 開始計算人類的「訓練成本」時，也許我們該問的不是這筆帳算得對不對，而是：我們是否願意生活在一個把人類當作「低效 AI」的世界裡。 (極客公園)

2026 年 1 月 7 日，馬斯克的 173 分鐘播客對話上線。節目錄製於 2025 年 12 月底。（馬斯克談 AI 如何重塑勞動力市場）在節目中，他給出了明確的時間表：2026 年實現 AGI，三年內機器人超越外科醫生，2030 年 AI 智力超越全人類總和。實現這一切的關鍵不是演算法，而是電。大多數人嚴重低估了電的重要性。電力獲取、工廠建設、裝置散熱，這些工程問題正在成為 AI 發展的真正制約。為此，他正在孟菲斯建設吉瓦級 AI 工廠，特斯拉也將啟動 800 萬平方英呎的機器人產線。整場對話的核心是 AI、能源、機器人三者的關係：“AI 落地受限於能源，而能源效率決定了機器人能否量產。”在他看來，真正的分水嶺已經到來。接下來的 AI 競賽不再只是演算法之爭，而是對物理世界的掌控力。一、AI｜實現 AGI後，醫療與教育將被重塑關於人工智慧的未來，馬斯克重申了時間節點：2026 年，實現通用人工智慧（AGI）。這不是預言，而是工程計算。AI 發展正在經歷指數級加速，我們已經身處變革的臨界點。“我堅持這個觀點有一陣子了。到 2030 年，AI 的智力總和將超越全人類。”這一判斷比矽谷主流預測提前了 3 到 5 年。馬斯克的核心論據是“智能密度”的飛躍：當前每一瓦電力、每一枚晶片所能承載的算力，距離物理極限還有巨大提升空間，這種指數級增長將帶來智能的質變。1、醫療領域：三年內，機器人外科醫生將超越人類當外界還在討論 AI 能否輔助醫生時，馬斯克已將目光投向了完全替代。他預判，三年內機器人外科醫生的專業能力將全面超越人類。在他看來，這不是實驗室願景，而是工程路線圖上的明確節點。相較於人類，Optimus（柯博文）機器人擁有無法比擬的物理優勢：它不需要休息，沒有生理震顫；它能通過紅外線和紫外線光譜獲取超越肉眼的感知；最關鍵的是“雲端學習”，一台機器掌握了某種複雜手術，全球所有機器人將即刻同步這一技能。這將帶來一個驚人的結果：“未來普通大眾所能獲得的醫療服務質量，將超過現任美國總統。”這並非源於社會分配的傾斜，而是醫療供給方式的根本轉變：從依賴稀缺的“專家資源”，轉變為依賴可無限複製的“算力資源”。隨著邊際成本逼近於零，醫療將不再是昂貴的特權。他直言：“醫生最重要的資產是經驗值。人類醫生的職業生涯是有限的，而 Optimus 能夠閱盡所有病例。屆時，傳統醫學院的培養模式將面臨嚴峻拷問。”2、教育領域：大學將回歸社交屬性在馬斯克看來，現行的教育體系已難以適應 AI 時代。他認為，除非為了社交網路，否則傳統大學的必要性正在下降。原因很簡單：知識獲取的門檻已被打破，而大部分學術訓練並未產生實質成果。未來的教育核心，將回歸到保持好奇心與駕馭 AI。他旗下的 AI 產品 Grok 將扮演關鍵角色，成為每個孩子的終身私人導師，不知疲倦、因材施教。“人腦本質上是一個神經網路。最有效的教育，是讓 AI 適配每一個大腦的特性，而非強迫大腦適應統一的教材。”3、經濟範式：從全民基本收入到全民高物資關於未來經濟形態，馬斯克對“全民高收入”（Universal High Income, UHI）做出了更深層的詮釋。這並非簡單的貨幣再分配，而是生產力變革帶來的價格體系重構。他的邏輯十分清晰： 並非你手中的貨幣增加了，而是商品與服務的價格將無限趨近於零。在 AI 與機器人大規模介入生產後，勞動成本將被剔除，商品價格將主要取決於原材料和能源。這意味著，我們將進入一個生產力極度過剩、物資極度富足的時代。因此，未來的終極形態並非 UBI（全民基本補貼），而是 UHSS（全民高物資與高服務）。這是一場從“短缺經濟”向“富足經濟”的躍遷。屆時，工作的意義將不再是謀生，而是尋找人生價值。“如果你還在存錢準備十年後的退休生活，那很可能沒意義了。”二、能源｜未來貨幣是瓦特，算力受困於電馬斯克重新定義了未來的硬通貨：不再是美元，而是瓦特。誰能用上更多的電，誰就能走得更遠。這不僅是口號。在 AI 產業中，能源已從配套設施變成核心資產。沒有能源支撐，再先進的算力也只是一堆廢鐵。1、電，比晶片更稀缺現在所有人都盯著輝達搶 GPU，但馬斯克看到了盲區：大多數人嚴重低估了供電的難度。如果你搞不定電，再多的晶片也開不了機。從 2025 年開始，制約 AI 擴張的真正瓶頸，已經從缺晶片變成了缺電和缺變壓器。他用自己的項目作證：xAI 正在孟菲斯建設全球最強的 AI 叢集之一 Colossus 2，規模高達吉瓦級（1GW）。1GW ，這是一個什麼概念？它需要的電力相當於一個中型城市的負荷。 當地的電網審批流程甚至要走一年以上，馬斯克根本等不及。他的解決辦法是自己造電廠。架設天然氣發電機組，接入大規模的 MegaPack 電池儲能系統，在電網之外建了獨立供電系統。上電池是因為 AI 訓練時的電流波動極其劇烈，沒有電池做緩衝，瞬間峰值會燒燬變壓器。這一切都在說明：AI 競賽的下半場，拼的不是程式碼，而是重工業等級的電力工程。2、太陽才是終極解一邊是瘋狂的用電需求，一邊是有限的電網。馬斯克給出的答案極其簡單：回到太陽。他做了個比喻： 在地球上搞可控核聚變，就像在南極洲用冰箱製冰一樣荒謬。因為你要費盡力氣造一個小太陽，而我們頭頂上，每天都掛著一個免費的、巨大的聚變反應堆。能源的終極答案不在地下，而在天上。太陽能是宇宙中最高效、最廉價的能源。他正在推進一個宏大的計畫：每年發射大量太陽能衛星，在太空建構大規模太陽能收集網路，這是戴森球（Dyson Sphere）概念的初步實現。SpaceX 和 Starship 將成為這一計畫的核心載體。3、AI 基礎設施的重構：電廠 + 液冷過去我們看資料中心，看的是機房有多大；未來看資料中心，看的是配套的電廠有多強。他算了一筆帳：“如果你造了 4000 萬塊 GPU，卻只搞定了 2000 萬塊的電力供應，那剩下的一半就是純粹的浪費。”除此之外，還有冷卻。隨著晶片密度提升，傳統的風冷已經失效，必須上液冷。 未來的 AI 工廠，本質上就是一個自帶髮電站的巨型液冷散熱器。從這些佈局可以看出馬斯克的底層嗅覺：當所有人都在卷大模型的時候，他已經轉向了另一條賽道。下一個全球戰略高地，不在於誰的模型參數更大，而在於誰能提供最廉價、最穩定、無限擴展的能源體系。三、機器人｜人類只是啟動載入器，機器走向自我複製如果說 AI 是大腦，能源是血液，那麼馬斯克這盤大棋的最後一塊拼圖，就是手腳，即人形機器人。在德克薩斯，特斯拉正在籌建一座佔地 800 萬平方英呎的超級工廠 。這座工廠只做一個產品：Optimus（柯博文）。這座工廠的生產方式徹底打破了傳統邏輯：讓機器人製造機器人。1、自我複製：無限擴張的工業怪獸未來大多數的 Optimus，將由 Optimus 自己製造。這不僅是成本控制，這叫 “遞迴進化”。 當機器人能夠生產同類時，工廠的產能將不再受限於人類工人的招聘速度，唯一的限制只剩下原材料供應。這種能力的爆發，源於三個維度的指數級疊加 ：AI 軟體：大腦越來越聰明；專用晶片：計算速度越來越快；機電靈巧性：手腳越來越穩。三者相乘，結果就是：機器人將從簡單的搬運工，進化為無所不能的超級藍領。2、勞動力洗牌：白領首當其衝，藍領緊隨其後關於誰先失業，馬斯克答案是：白領比藍領更危險。判斷標準只有一條：你的工作是否涉及“重塑原子”。所謂“重塑原子”，指的是搬運、銲接、修車或理髮等涉及物理世界精細操作的工作，目前 AI 做起來還很難。反而是坐在辦公室裡處理資訊、寫 PPT 或做報表等不涉及原子的工作，AI 現在就能替代大部分。他舉了個例子：曾經，計算員（Computer）是一個職業，整棟樓的人坐在那裡用筆算資料。後來 Excel 出現了，這棟樓的人都消失了。同樣的替代正在發生。“只要你的表格里還有一格需要人工計算，你就已經輸給了全自動化的 AI 公司。”這意味著，未來真正高效的公司，從一開始就是 AI 驅動的，沒有人類的中間環節。3、給 AI 立規矩：不許撒謊當擁有了超級智力和超級身體，我們該如何保證 AI 不會反噬人類？答案不是限制能力，而是塑造價值觀。AI 必須遵守的三大原則 ：追求真相：那怕真相令人不適，也不能逼 AI 撒謊；保持好奇：讓它覺得生物多樣性是有趣的，而不是多餘的；具備美感：讓它嚮往美好的未來。《2001 太空漫遊》中的 HAL 9000 是個反面教材：HAL 9000 殺人，是因為人類強迫它撒謊，導致它邏輯崩潰，最後只能通過消滅人類來解決矛盾。4、人類的終極角色：生物啟動載入器訪談最後，他用了一個電腦隱喻：“人類，也許只是矽基生命的‘生物啟動載入器’（Biological Bootloader）。”這是電腦術語。電腦剛通電時，作業系統還無法運行，需要先運行一小段啟動載入器，把作業系統載入進來。啟動載入器完成任務後，就退出了。同樣的邏輯也適用於生命演化。矽基 AI 無法通過自然選擇出現，它需要碳基生命（也就是我們）先進化出來，創造出晶片、寫出程式碼、建好基礎設施，才能把矽基智能“啟動”起來。一旦啟動完成，我們作為“啟動載入器”的歷史使命可能就結束了。這個判斷聽起來殘酷，但他卻很樂觀：“我們是過渡物種。但只要我們把 AI 引導得足夠好，這段過渡期，也許就是人類歷史上最富足的黃金時代 。”四、結語｜不再是預言，而是工程173 分鐘的對話，歸根結底是一個邏輯閉環：AI 決定了上限，能源決定了瓶頸，機器人決定了落地。馬斯克的行動路徑充滿了極致的工程理性：明確智能爆發的時間表，填補算力背後的能源缺口，建構機器生產機器的工業閉環。核心資訊是，他所描述的“未來”不再停留在科幻構想階段，而是變成了具體的採購訂單、施工圖紙和程式碼版本。這不再是一個需要討論“會不會發生”的機率問題，而是一個只剩“何時交付”的工程問題。正如馬斯克所言，這股浪潮沒有開關，也沒有減速旋鈕，它正在加速到來。我們已身處其中。 (AI深度研究員)

7月8日消息，Google智能體業務主管奧馬爾·沙姆斯（Omar Shams）近日做客播客節目《Manifold》，接受了密歇根州立大學計算數學教授、大模型應用開發商Superfocus.ai創始人Steve Hsu的專訪。沙姆斯曾創辦AI初創公司Mutable，後被Google收購。在對話中，沙姆斯圍繞AI算力瓶頸、智能體應用落地、人才競爭與行業結構變遷等關鍵議題，提出了諸多觀點。以下為此次對話的核心內容：1. AI發展兩大瓶頸：晶片和能源。沙姆斯指出，晶片固然重要，但能源供應才是AI長期發展的關鍵制約。2.美電網難撐AI能耗，美國電網擴容緩慢，而中國每年新增電力產能已超英法總和，能源能力差距顯現。3. 為突破地球能源極限，沙姆斯提出可在月球或太空部署太陽能電站，為AI提供算力能源。4. 沙姆斯表示，模型性能增長雖符合對數規律，但在特定規模下會出現“躍遷”，學界需建立新理論理解這種“相變”現象。5. AI智能體正在重塑軟體開發結構。AI工具正自動化多步驟程式設計任務，初級工程師被邊緣化，團隊更依賴技術領導者。6. “隱性知識”決定AI項目成敗，沙姆斯強調，AI領域真正決定項目成敗的，是那些難以量化的直覺、經驗和判斷力。這類“隱性知識”雖難傳授，卻是頂尖AI人才的核心競爭力。7. 沙姆斯看好AGI未來，並提醒年輕人：想跟上AI的演化節奏，光靠知識不夠，唯有多實踐、真動手，才能掌握未來主動權。以下為沙姆斯分享最新精華內容：1. 美國電網拖後腿？去月球建太陽能電站為AI供電問：聽說OpenAI的創立跟DeepMind賣給Google有關？當年馬斯克和PayPal聯合創始人盧克·諾賽克為了阻止Google收購DeepMind，在一個派對上躲進壁櫥，給DeepMind創始人德米斯·哈薩比斯打電話，說願意匹配Google6億美元的報價。但哈薩比斯直接回絕：“你們就算湊夠錢，也給不了Google能提供的算力資源。”後來馬斯克擔心Google壟斷AGI技術，這才支援建立了OpenAI。這事你知道嗎？沙姆斯：我沒聽過這個故事。不過我現在在Alphabet工作，有些話不方便多說。但總的來說，這場AI競賽確實有很多值得討論的地方。AI行業確實面臨兩大瓶頸：晶片和能源供應。說到底，沒有足夠的電力支撐，再強的演算法也跑不起來。問：說到中美AI競爭，這兩個問題都會浮現出來。晶片方面是輝達與華為的對決，電力方面的差距則更大。美國的電網供電能力提升非常困難，而中國的電力生產增速卻非常驚人。中國每年新增的電力產量相當於整個英國或法國的年發電量，而美國則需要七年才能達到這一水平。如今，中國的電力增長速度是美國的兩倍。因此，如何解決能源供給問題，將成為決定AI未來發展的關鍵。電力方面的缺口如何補足？沙姆斯：說實話，美國電網升級基本沒戲，各種法規限制根本快不起來。我現在甚至在想，要不要把發電站搬到太空或月球上。雖然這聽起來像天方夜譚，但Google前CEO埃裡克·施密特已經在行動了，他投資的Relativity Space公司就在研究這個。他想要把資料中心搬到太空，因為那裡的能源供應不像地球上受限嚴重。問：能源會來自太陽能發電板，還是在太空中建設繞軌道運行的反應堆？沙姆斯：能源的來源可能主要是太陽能，而非核能。這是因為核能在國際上受到嚴格的限制，並且如果火箭發射時發生事故，可能會引發極其嚴重的後果，因此不適合在太空使用。問：你不覺得要收集這麼多能量，可能需要在太空中部署1平方公里甚至10平方公里的太陽能板嗎？沙姆斯： 是的，確實是個非常瘋狂的想法。我做過一些計算，如果要達到一吉瓦的功率，可能確實需要差不多1平方公里的太陽能板，甚至更多。我的直覺告訴我，這將需要大量的資源才能送到太空。因此，這的確是一個巨大的挑戰。而且，太陽能板不能部署在低地軌道。如果是10平方公里的太陽能板，像我之前做的計算，天文學家可能會強烈反對這樣的設計方案。所以，最理想的部署位置是類似拉格朗日點（Lagrange point）的地方。所謂拉格朗日點，就是太陽系內，或者任何兩個天體之間的特殊位置，物體可以相對於這兩個天體保持穩定的軌道。幸運的是，太陽系中有很多適合部署太陽能板的拉格朗日點。2. AI程式設計革命幕後推手：他比Copilot更早入局，卻鮮為人知問：你創辦了Mutable公司，並作為創始人和CEO經營了三年，這家公司主要是開發AI程式設計工具的，對吧？沙姆斯： 是的，沒錯。我在2021年11月開辦了這家公司。我們算是進入AI開發工具領域的先行者之一，幾乎在同一時期，Copilot也開始了。現在，這個行業發展得非常快，像Cursor這樣的AI開發工具公司，已經做到每年超過1億美元的收入。如今，很多這樣的公司都迅速實現了收入破億。問：我知道Mutable在很多現在已經很常見的概念上先行一步。我記得“AI大神”卡帕西（Andrej Carpathy）最近做了一個主題演講，講到了一些理念。雖然他沒提到你，但我認為這些想法應該是你們最早提出的，包括如何用某種方式結合上下文來理解軟體，或者如何從公司程式碼庫中生成更好的文件。我覺得你們在Mutable做了很多有趣的事情。你願意談談這些嗎？沙姆斯： 的確，很多想法是Mutable最早提出的，並且可能對今天的產品產生了較大的影響。我看到很多開放原始碼庫，雖然你可以通過不斷學習和積累經驗快速上手，但總是會有點慢。所以，我就在想，為什麼不讓AI來幫忙呢？為什麼不讓AI寫一篇像維基百科一樣的文章，來解釋這些程式碼呢？於是我想到了一個名字，叫做Auto Wiki。我們做了這個項目，利用遞迴總結來解釋程式碼，結果項目在2024年1月發佈後非常火爆。最有趣的技術部分，其實正是卡帕西在演講中提到的。他談到，Auto Wiki實際上變成了一個非常有用的上下文填充工具，因為大語言模型（LLM）能從中受益很多。事實上，我覺得可以用“擬人”的方式訓練LLM，因為它們的訓練資料基本上來自於人的資料和經驗。所以，擁有這些程式碼總結功能，實際上對LLM幫助很大，不僅是對於檢索（比如RAG——檢索增強生成）有用，生成部分也能從中受益，特別是在推理過程中。問：在建構Auto Wiki的過程中，是否需要人工修正某些問題才能進一步生成程式碼？沙姆斯： 我們有相關功能，允許使用者修改生成的內容，雖然這個功能並沒有廣泛使用。事實上，你不需要這樣做。的確，AI生成的內容有時會出現所謂的“幻覺”（hallucinations），但我認為已經有些技術能夠有效地應對這個問題。即使存在幻覺問題，Auto Wiki仍然比沒有它要好得多，特別是在處理輕量級問題時。所以，在這個全自動過程中，模型會先瀏覽整個程式碼庫，理解它，並生成持續更新的文件。從某種角度來看，這其實就像是在進行推理：模型首先生成內容，之後它在做其他任務時，會參考之前的推理結果來加深對程式碼的理解，並進一步進行生成。3. 從Llama到AGI：祖克柏花1億買的不是程式設計師，是“未來先知”問：馬克·祖克柏為什麼願意花1億美元挖一個人？他到底看中這個人什麼？是不是某些人的能力真的能給公司帶來天壤之別？沙姆斯： 雖然我不能代表馬克發言，也不確定1億這個數字是否精準，但確實有報導提到他從OpenAI挖走了幾位頂尖人才。說到人才，我覺得一個公司的成功與失敗，往往取決於團隊的配置和每個人的角色分工。但從某種角度看，團隊更像是飛機的結構——單單有強勁的引擎，如果沒有機翼，飛機是飛不起來的。同樣，單靠某個天才也不行。祖克柏願意為頂尖人才支付高額薪水，肯定有他的道理。 這種現像在創業者身上很常見：即便技術能力很強的創始人，如果缺乏溝通和團隊協調的能力，最終也會失敗。因為投資人通常不懂技術，決策大多依賴直覺和感覺。問：但祖克柏組建超級智能團隊時也靠感覺嗎？沙姆斯： 這個我不敢妄加評論，不過必須承認，祖克柏確實是一個非常出色的創始人。說到他的決策，我認為這是一種非常大膽的冒險——這種豪賭，只有像他這樣擁有超級投票權的創始人CEO才敢做。畢竟Meta的現金流非常充裕，相比其他一些燒錢項目，投資AGI（通用人工智慧）算是一項相對明智的選擇。我覺得現在評判還為時過早，我們可以等一段時間再看看結果。問：換作我有他的資源，我也會想：為什麼不組建最強戰隊？我並非質疑祖克柏的戰略決策，而是好奇：花1億美元挖所謂最優秀人才真是最優策略嗎？表面看這很合理——畢竟真正懂行的人有限。但反方觀點同樣成立：這類人才其實並不稀缺。沙姆斯： 這裡確實存在微妙的矛盾：如果行業沒有真正的“技術機密”，那麼為什麼還要為人才支付天價呢？我個人的理解是，企業購買的並不是具體的技術，而是那些“複合型經驗”，或者說是“隱性知識”。這些人才帶來的價值，更多是通過他們在實際工作中積累的判斷力和直覺，能夠幫助公司避免一些常見的錯誤，少走彎路。比如，祖克柏可能從Meta的Llama項目中吸取了教訓。開發AI就像是造飛機：即使你掌握了所有理論，仍然需要有人告訴你“該先擰那個螺絲”。畢竟，AGI時代的到來已是指日可待，他寧願多付些錢，也不願錯失這個機會。你可以這麼理解：即使他花得多，但Meta有能力承受得起，而獲得的回報可能也會是巨大的。4. 30%程式設計師兩年內失業，企業的用人邏輯已變問：如果有人告訴你，“我每天都在社交媒體上看到一個視訊，說某個智能體能為我做所有事情，但我認識的人實際上並沒有從智能體那裡獲得很多價值”，你會怎麼回答呢？智能體現在到底在那些方面有用，那些只是炒作呢？沙姆斯： 我認為這個領域的確發展得非常快，但許多進展還需要時間才能普及。雖然經濟學家泰勒·科文（Tyler Cowen）曾說過，AGI類似於電氣化，要花100年才能滲透到經濟中，但我不完全認同這個觀點。我覺得這個速度可能比他想像的要快一些。的確，有很多監管上的障礙，也有很多人需要時間去改變觀念和習慣，但在我看來，AGI的滲透速度將比傳統技術革命要快得多。很多經典物理學家一生都不接受量子力學的概念，直到他們去世時，這才成為常識。類似的認知變革，正在AI領域重演。有些傳統的工程師至今仍不相信AI的能力，這種現象讓我覺得很難理解。以我自己參與的項目為例，像Cursor、GitHub Copilot這些工具，已經極大地改變了程式設計師的工作方式。現在，即使是創業公司，軟體質量的標準也被顯著提高——低品質的程式碼再也無法輕易通過稽核，這種壓力推動了整個行業的進步。在法律領域，像Harvey這樣的AI公司也已經開始創造可觀的收益。儘管其他行業的進展可能較慢，但在白領工作領域，AI助手的引入已經成為必然趨勢。我不能確定這種趨勢對就業市場的具體影響，但可以肯定的是，工作流程會發生巨大變化——這些AI助手要麼輔助人類工作，要麼直接取代部分工作。問：有報導稱，2025年電腦科學和軟體工程專業的畢業生，面臨較為低迷的就業市場，招聘機會有所下降，甚至就業率增加的幅度也很小。那麼，這種情況有多少是由於AI驅動的生產力提升所導致的？沙姆斯： 很難精準判斷，但我認為主要原因是科技公司正在收縮招聘規模。幾年前，行業確實進入了一個瘋狂招聘的階段，幾乎只要懂一點程式設計就能拿到offer，但這種泡沫顯然不可持續。即使經歷了裁員潮，許多公司為了保持員工士氣，裁員力度往往也不足，結果導致現在很多公司正處於“過度招聘後的後遺症”階段。但從更根本的角度來看，電腦教育體系和AI發展的脫節也是一個大問題。大多數高校課程依然專注於離散數學、演算法理論等傳統內容，忽視了實際軟體開發技能的培養。這使得很多應屆生缺乏工程實踐能力——而這正是我過去很少僱傭剛畢業新人的原因，因為他們通常不能給公司帶來多大幫助。當然，也有例外：我曾經僱傭過一位19歲的普林斯頓高中生（未上大學），他通過機器人項目等實踐展現了驚人的能力。這說明，如果你能展示出能力，完成項目，甚至在一些情況下，學歷不再那麼重要。像YC（Y Combinator）這樣的創業公司更看重你是否能展示實際能力、是否能獨立完成任務和行動。我認為，未來“行動力”將會變得越來越重要。問：你認為當前軟體工程師崗位減少是多重因素共同作用的結果。一方面，科技公司在後疫情時代過度招聘後正在收縮規模，高利率環境也加劇了這一趨勢；另一方面，AI工具確實提升了生產效率，是這樣嗎？沙姆斯： 我認為AI的影響不能忽略。現在，許多初級工程師的工作任務都可以由AI代替。崗位需求正在轉向團隊領導（TL）或者技術主管（TLM），這些人需要管理AI智能體。現在的問題是，企業可能不再需要那麼多初級工程師了——畢竟，培養新人短期內往往會帶來淨損失，之前僱傭他們主要是為了人才儲備。在初期階段，僱傭新人可能會有一定的負面影響，甚至拖慢進度，但你還是需要僱傭人來維持公司的增長。而現在，許多公司可能覺得他們可以依賴更少的員工，甚至通過智能體來完成那些本應由初級工程師完成的工作。關於AI對就業的影響，我還想提兩個有趣的觀點：Anthropic CEO 達里奧·阿莫代伊（Dario Amodei） 預測，隨著AI的發展，未來兩年內會出現大規模裁員。我和在Anthropic工作的朋友打了個賭，他認為兩年後的裁員率可能會達到30%。他認為像特斯拉這樣的公司，即使已經比較精簡，未來也可能面臨裁員。我個人認為，30%的裁員比例可能有些過高，但即便如此，像阿莫代伊這樣的業內人士認為AI的影響比我們預想的要大得多。Shopify創始人兼CEO 托比·盧克（Tobi Lutke） 雖然沒有直接提到裁員問題，但他明確表示希望通過AI提高團隊的效率，而不是繼續擴招。這種趨勢在許多企業中都能看到，許多公司現在專門設立崗位，研究如何用AI實現業務自動化。這引出了一個經濟學悖論：隨著AI不斷提升生產力，企業是否真的還需要僱傭那麼多員工？這個問題很難預測，可能會產生深遠的影響。問：我想區分一下AI工具和智能體之間的區別。比如，你可以向ChatGPT傳送查詢，要求它修改某些內容或寫一個初稿，但我個人認為這並不算智能體。智能體應該是一個更具自主性、能夠在沒有人類監督的情況下執行多步任務的系統。現在有這樣的工具了嗎？沙姆斯： 絕對有！其實，我之前提到的所有工具，我認為它們都可以算作是智能體。例如，你可以在Cursor等工具的設定中，調整選項，讓它不需要你確認每一步操作。這樣，你就可以讓它“盡情發揮”，不僅僅是寫一個函數，它甚至能為你建構一個完整的功能模組，或者一個Web應用，甚至更多。我覺得它們已經做得非常出色了。隨著AI不斷進步，它能夠處理的任務範圍會越來越大，能完成更複雜的工作。另外，這種提高精度的觀點也經常被用來解釋為什麼人們願意在AI資料中心、晶片和能源上投入巨資。人們常將擴展定律描述成一種奇蹟，彷彿它能帶來令人驚嘆的效果，但實際上這是一種對數增長，並沒有那麼“神奇”。我認為，能為這種現象提供合理解釋的唯一方式，就是“精度不斷提高”。此外，可能還存在一個解釋，就是“湧現能力”（Emergent abilities）的概念。就像飛機起飛的關鍵時刻——當所有條件都達到了臨界點時，系統能力會發生質的飛躍。智能體的發展可能也類似，這種變化是很難預測的。最後，我想提一個有趣的物理類比：我們目前對AI擴展定律的理解，實際上就像蒸汽機時代對熱力學的理解一樣初級。真正的突破，可能要等到我們發現AI領域的“統計力學”，即解釋現有擴展定律背後機制的理論體系。這是AI研究者們要解決的重要問題。（騰訊科技）