•
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：
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。
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。
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。
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）