最近 AI 圈最熱的詞，已經不是更強，而是更賺錢。2026 年 1 月 16 日，CNBC 新上線了一檔播客《The Tech Download》，定位很明確：不談概念，只談錢。第一期請到的嘉賓，是 Google DeepMind 的 CEO Demis Hassabis。Hassabis 沒有談技術概念，而是在算四筆投資帳：AGI 缺的能力，該投什麼模型商業化，成本花在那能源瓶頸，資源配在那AI 競爭，優勢建在那這四筆帳，指向同一個核心：這輪 AI 競賽，錢到底該花在那？第一筆帳｜AGI 還缺什麼能力？專訪剛開始，主持人問出一個所有人都關心的問題：我們的大模型已經這麼強了，還能更好嗎？AGI 是不是快到了？Hassabis 的回答是：大模型的能力，其實有明顯短板。他說，這些 AI 工具在某些問題上能給出驚豔的表現，但你換個問法，或者稍微複雜一點，它立刻就不行了。他把這叫做：參差不齊的智能（jagged intelligences）。說白了，這種智能還不夠靠譜。能答題，但不能舉一反三；能寫論文，但不能自己提一個真正新的點子。1、通用智能，得能自己提問題Hassabis 認為，真正的通用 AI，必須具備一項能力：能自己提出問題，能假設世界可能如何運轉，然後想辦法去驗證它。也就是說，它不能只是答你問題，還得能自己思考問題是什麼。他說，現在的大模型，連持續學習都做不到。你教會它一件新事，它很快就忘了；它不會像人一樣積累經驗。這也是為什麼，DeepMind 近兩年開始把重點從 LLM 轉向另一個方向：做一個懂得世界如何運轉的 AI。2、世界模型，不是懂語言，是能想像他用很通俗的方式講了世界模型這個概念：“就像人類科學家，能在腦海中推演如果這樣，那會發生什麼，AI 也得具備這種能力。”不是理解你說什麼，而是能根據它自己對世界的認識，去預測接下來會發生什麼、什麼東西會影響什麼結果。這聽起來有點抽象，但它已經落地到了 DeepMind 的幾個核心方向裡：Genie： 能與虛擬環境互動的模型，相當於在玩遊戲的同時理解規則AlphaFold： 當年用 AI 去預測蛋白質折疊結構，其實也是讓模型理解形狀為什麼會變成那樣Veo： 文字生成視訊，不是湊鏡頭，而是讓 AI 根據因果關係決定下一秒畫面該變成什麼這些看起來不一樣的項目，其實在做同一件事：讓 AI 像人一樣理解世界，而不是只會背答案。3、AGI 不靠湧現，靠組合Hassabis 相信：單純擴大模型規模，不會自動產生通用智能。真正有可能做出 AGI 的，是讓多個模型各司其職、協同工作：LLM 負責語言和基礎理解視訊模型負責時間序列、物理直覺世界模型提供模擬、推理、預測的能力只有這些能力拚圖逐步接上，通用智能才會是可靠的，而不是看起來聰明但漏洞百出。對大多數人來說，AGI 是比人更聰明的 AI；但對 Hassabis 來說，AGI 是能自己提出新想法的 AI。這就是 DeepMind 把世界模型當成下一步主線的原因。它不只是一個新模型，而是一個核心能力：能不能站在世界的角度去理解，而不是被動回答。第二筆帳｜模型怎麼賺錢？不是更強，是更划算技術路線是一回事，但商業落地是另一回事。AI 要走向通用，不只是越來越聰明，還要用得起。Demis Hassabis 講了 DeepMind 的產品策略：不是只推 Pro 版，而是同時做 Flash 版。這不是大小模型的高低之分，而是為了讓更多場景能用得起。能大規模部署、覆蓋場景的模型，必須夠輕、夠快、夠省。1、Flash：用強模型教出主力模型Hassabis 形容：用最強的模型訓練出一個更高效的版本，就像用大腦教出一個更靈巧的分身。這個過程在技術上叫蒸餾，但他更關注的不是技術本身，而是能否落地：訓練出來的模型可以被廣泛部署，成為主力使用的版本。比如 Gemini 模型線：Pro 版本，是給複雜場景或前沿應用準備的Flash 版本，是給終端使用者、高頻任務提供服務的2、商業化不是賣模型，而是讓模型進產品“AI 不該永遠停在網頁對話方塊裡。”Hassabis 說：未來我最看好的方向之一，是讓 AI 真正進入手機、眼鏡這些裝置裡。也就是說，未來不是你去找 AI，而是 AI 就在你手邊、螢幕裡、日常動作之間。DeepMind 已經和三星、Warby Parker 等品牌展開合作，探索裝置端 AI 的可行性。這說明 DeepMind 的商業路線，不只是 API 售賣，更看重模型與產品深度結合。3、AI 不止省人力，還要省資源Hassabis 說，效率是 Gemini 全線設計時的最高優先順序，尤其是 Flash 系列。推理更快能力更平衡能耗更低DeepMind 對 AI 商業化的看法不是卷功能，而是算總成本：一個模型能做什麼不重要，重要的是它能成本可控、能落地、穩定可靠。從 Flash 的設計、蒸餾策略，到裝置端合作、能效優先，Hassabis 給出的不是模型路線圖，而是使用路線圖。他沒有強調模型有多強，而是圍繞：怎麼讓 AI 被真正用起來？這才是商業化起步的基礎。第三筆帳｜能源問題，AI 能自己解決嗎？Flash 版本解決的是模型本身的能耗，但這還不夠。Demis Hassabis 明確表示：隨著我們走向 AGI，能源將等同於智能。智能越強，耗電越大。這是繞不開的物理規律。1、AI 不缺模型，最缺的是電不夠晶片永遠不夠。Hassabis 直言，即使 Google 有自己的 TPU 系列和 GPU，全球的計算晶片仍然供不應求。追根溯源，真正的瓶頸是能源：GPU 再多，也要靠電運行資料中心再大，也受限於電力供應模型再強，如果成本壓不下來，也只能停留在實驗室這不只是 Google 的問題，而是整個行業的天花板。當每家公司都在競相擴大算力、訓練更強的模型時，能源供應能不能跟上，決定了誰能真正把 AGI 從實驗室帶到現實世界。而這一點，正在成為 AGI 能否大規模應用的關鍵障礙。2、DeepMind 另一個野心：用 AI 去找能源如果 AGI 需要海量能源，那就讓 AI 自己去解決。DeepMind 的策略分兩個方向。開源：生產新能源與美國 Commonwealth Fusion 公司合作，用 AI 控制核聚變反應堆中的電漿體。核聚變一旦實現，將提供幾乎無限的清潔能源。Hassabis 的個人項目：能不能靠 AI 找出室溫超導材料。如果成功，將徹底改變電力傳輸和儲存方式。重新設計太陽能材料，大幅提升能源轉化率。節流：提高能源效率最佳化電網、資料中心、能源系統的運行效率，減少浪費尋找降低能耗的新型晶體結構幫工業最佳化生產路徑，減少不必要的能源消耗AI 不只會消耗資源，它也可以反過來推高資源效率。這不是第一次。從 AlphaFold 預測蛋白質結構，到現在尋找能源突破，Hassabis 始終相信：AI 是科學發現的終極工具。當每家公司、每個企業都要部署自己的大模型，競爭的關鍵變了：誰能讓AI更省電，誰就能部署更大規模誰能把每度電用得更值，誰就能活得更久最終，智能不是在比聰明，而是在比划算。能源供應能不能跟上，決定了這場技術升級能走多遠。而 DeepMind 的答案是：讓 AI 自己去解決能源問題。第四筆帳｜競爭的關鍵：整合、部署、活下來技術路線之外，還有競爭格局。過去幾年，OpenAI 在消費端領先。憑藉 ChatGPT，迅速繫結微軟，推出 API、外掛、GPTs 商店。Google 顯得慢了半拍。但 2025 年底，風向變了。Gemini 3 上線時，同步進入 Google 搜尋、Android系統、Gmail、Workspace……全線鋪開。Hassabis 透露：過去兩三年，他做的最大變化不是研發方向，而是內部整合。1、DeepMind ：從研究所到引擎室過去三年，Hassabis 只專注一件事：把 Google Research、Google Brain、DeepMind 三支團隊整合成一個 Google DeepMind。這不只是團隊整合，還包括重建Google的整個 AI 基礎設施。整合的結果：所有 AI 技術由 DeepMind 統一開發技術完成後，直接擴散到Google所有產品中Hassabis 與 Sundar Pichai（Google CEO）幾乎每天對話，決定技術方向和產品配置過去是三個團隊分頭做 AI，路線重疊、資源分散。現在是一個引擎室，統一調度。更關鍵的是速度。 Hassabis 說，他們每天調整路線圖和計畫。這不是大公司的穩健打法，而是初創團隊的衝刺節奏。目標只有一個：快速且安全地實現 AGI。Google AI 產品發佈效率實現了質的提升。2、模型強，部署要更快為了實現快速部署，DeepMind 建立了一個“骨幹網”，讓 AI 技術能夠快速擴散到Google所有產品中。Hassabis 把 Gemini 3 的發佈節奏形容為同步投放：模型訓練完成，第二天就能上線到搜尋、Gmail、Workspace不用二次改造，不用跨團隊溝通，一步到位這在以前是做不到的。Hassabis 說，他們在 Gemini 2.5 時才真正進入這個狀態。在此之前，模型和產品之間還有大量銜接工作。這種效率來自兩個優勢：第一，DeepMind 掌握從晶片到模型的完整技術堆疊。技術自主，不用等外部配合。第二，Google 的產品矩陣本身就是現成平台。搜尋、Android、Chrome、YouTube……AI 能力可以立刻接入，同步推送到數十億使用者。當 OpenAI 還在一個個談合作時，Google 已經完成了部署。Hassabis 說，接下來 12 個月，AI 能力會擴散到更多 Google 產品中。3、中國AI，落後幾個月意味著什麼談到中國的 AI 發展時，Hassabis 認為：中國領先實驗室，可能只落後幾個月。這意味著：在訓練效率、模型能力、部署速度上，差距正在快速縮小。DeepSeek 的低成本訓練方案、阿里巴巴的開源模型，都展示了中國團隊的工程能力和追趕速度。同時，Hassabis 也指出了下一個階段的關鍵：從復現技術到原創突破。他認為，發明一個新技術的難度，可能是復現它的100倍。中國實驗室已經證明了復現能力，接下來的問題是：能不能像當年發明Transformer那樣，創造出新的架構或方法？這不只是對中國的問題，也是對所有 AI 實驗室的挑戰。對所有想贏的 AI 玩家，Hassabis 指出：不是誰發佈得多，而是誰能讓產品真正跑起來不是誰融資多，而是誰能在泡沫之後還活著OpenAI 壓力很大，Anthropic 產品也很快，中國模型確實在追。但 DeepMind 的打法不是分散應對，而是整合優勢：統一的產品線、自有的平台、一步到位的部署。在 AI 這場長跑裡，活下來比跑得快更重要。結語｜這輪 AI 競賽，錢該花在那四個地方Demis Hassabis 給出了四個方向：技術上，投資能理解世界、提出新想法的能力，不要只堆資料商業上，投資模型的部署效率，而不只是追求性能資源上，投資能源技術和能效最佳化，智能規模取決於每瓦電的價值競爭上，投資整合能力和產品閉環，而不只是發佈速度這四筆帳，DeepMind 給出了自己的答案。其他玩家怎麼選，決定了他們能走多遠。 (AI深度研究員)

DeepSeek 效應正在不斷髮酵。輝達暴跌近17%，市值蒸發5,927億美元，創下美股史上最大單日市值損失紀錄。CNBC用近一小時時間與北美最火的AI搜尋獨角獸討論DeepSeek對全球人工智慧產業的影響，也全面展示了美國當下的最真實心態，美國AI初創公司Perplexity CEO分析為何DeepSeek會引發人們對美國在AI領域的全球領先地位是否正在縮小的擔憂。 圖片來源：CNBC “需求是發明之母”，Aravind Srinivas談起DeepSeek，“因為他們必須想辦法繞過限制，最終實際上打造出了效率更高的東西。” 在對話中，Aravind Srinivas不僅分析了DeepSeek對美國AI的影響，對DeepSeek的創新給予了較高的評價，沒有一味搞對立，還是比較中肯的。

根據CNBC Pro的分析，輝達的季報往往會給6隻人工智慧相關股票帶來積極影響。 輝達即將於周三盤後公佈今年第一季度業績。 在輝達公佈了豐厚的收益後，五家在美國上市的股票——Super Micro Computer（SMCI）、AMD（AMD）、Marvell Technology（MRVL）、Vertiv（VRT）和Synopsys（SNPS）——以及在日本上市的Advantest（6857）在過去分別上漲了6%到33%不等。CNBC Pro在MSCI World指數中篩選了在2023年第四季度和2023年第一季度都上漲的晶片股。 華爾街分析師預計輝達周三將再次公佈超預期的業績，目前預計每股收益為5.52美元。然而，一些人警告稱，人工智慧晶片股這次將如何反應尚不清楚。

主持人還是上次採訪Intel CEO的John，最重要的增量訊息，是老黃具體闡釋了財報中提及的幾個點： Sora對GPU需求意味著什麼？ 輝達GPU推理端的軟體彈性到底體現在哪裡？ 輝達的軟體業務（單卡收入4500美金）到底價值在哪裡？

不時用眼神和肢體語言色誘挑逗普京"——俄羅斯影響力最大的國家電視台日前公佈了一段視頻，指責美國消費者新聞與商業頻道（CNBC）女主持哈德利·甘布勒（Hadley Gamble）。 採訪是在10月13日普京出席俄羅斯能源周主題論壇全會時進行的。 有人曾對這場採訪做出這樣的評價——"美女翹著二郎腿展示婀娜風姿，總統'普京'更顯得從心所欲"。39歲的甘布勒「問得很直接」，剛過完69歲生日的普京「答得很自信」。好像這個節目還不錯的樣子？ 甘布勒採訪普京時，現場有人拍攝到的畫面 01