•
前Google CEO 施密特：AI 像電與火，這 10 年決定未來 100 年
2025 年，AI 世界正被無形的張力撕扯：
一邊是模型參數的激增，一邊是系統資源的極限。
大家都在問：GPT-5、Claude 4、Gemini 2.5 誰更強？但前Google CEO Eric Schmidt (埃裡克·施密特) 在 2025 年 9 月 20 日的公開演講中提出了更深層的洞察：
“AI 的到來，在人類歷史上，等同於火、電的發明。而接下來的 10 年，將決定未來 100 年的格局。”
他不是在講模型性能，也不是 AGI 的遠近，而是在說：
AI 不再是提升工具效率，而是重新定義商業運作方式。
與此同時，在矽谷知名投資機構 a16z 的一場對話中，晶片分析師 Dylan Patel 指出：
“誇張的說，現在搶 GPU 就像搶‘毒品’一樣，你要托關係、找管道、搶配額。但這不是重點，真正的競爭是誰能建構出支撐 AI 的一個完整體系。”
兩人的觀點指向同一個發展趨勢：
- 參數不是邊界，電力是邊界；
- 模型不是護城河，平台才是護城河；
- AGI 不是目的，落地才是關鍵
如果說過去三年，AI 的主線是能力爆發；
那接下來十年，主線就是基礎建設。
第一節｜AI 不再是工具升級，而是系統重構
在這場對話裡，Eric Schmidt 開門見山地說：
“AI 的到來在人類歷史中，和電、火的發明處於同一等級。”
他不是在強調 AI 有多聰明，而是在提醒大家：我們熟悉的工作方式、管理模式、賺錢方法，都可能要徹底改變。
不是讓 AI 幫你寫得更快， 而是讓 AI 決定該怎麼寫。
Schmidt 說，現在最強的 AI 工具，已經不再是一個助手了，而是正在變成：
一種全新的基礎設施，就像電網一樣，成為所有組織的標準配置。
這一句話，直接顛覆了過去幾年人們對 AI 的看法。
換句話說，這不是個人技能提升或團隊效率最佳化，而是整個組織運轉方式的根本改變：
- 決策方式變了，AI 參與思考；
- 寫作、程式設計、客服、財務都有了 AI 搭檔；
- 資料輸入、結果評估、反饋機制都被 AI 重新設計。
這種全面的組織變革讓 Schmidt 意識到，不是預先制定詳細流程，而是在實際應用中讓 AI 逐步適應和最佳化。
據他介紹，自己目前參與的幾家創業公司都採用了這種方法，不是先做完整規劃，而是讓 AI 直接參與工作，在實踐中不斷調整和完善。
所以他講的，不是模型更強了，而是組織要不要轉向 AI 原生的新形態。
AI 正在從工具，變成企業營運的基礎設施。
第二節｜限制 AI 發展的，是電力
過去我們總以為，AI 的能力發展，會被技術卡住：
- 晶片性能不夠，模型算不動；
- 演算法太複雜，推理速度太慢。
但 Eric Schmidt 說，真正限制 AI 發展的不是技術參數，而是電力供應。
他提到一個具體資料：
“到 2030 年，美國需要新增 92GW 電力，才能支撐資料中心的需求。”
什麼概念？
一個大型核電站，功率也不過 1 到 1.5GW。
92GW，相當於幾十座核電站的發電量。現實卻是：美國當前在建核電站，基本是零。
這意味著，未來問題不是模型技術不夠先進，而是電力供應跟不上訓練需求。
Schmidt 甚至對國會說過一個令人意外的例子：他們可能需要在海外訓練美國自己的模型，比如在中東國家的發電基地。
這種對電力的渴求並非危言聳聽。就在 9 月23 日，OpenAI CEO Sam Altman 剛剛發佈部落格，提出了一個更激進的方向：我們希望建造一種工廠，每周新增 1GW 的 AI 算力設施，用電規模堪比一座城市。
他明確指出，這將需要晶片、電力、機器人、建築等多個系統的協同突破。
用他的話說：“一切都始於計算。”
Altman 的這個目標，不是遠景展示，而是正在佈局的基礎建設。它正是 Schmidt 所說“AI 將成為新電網”的現實化路徑。
事實上：
模型訓練本身並不貴，真正的成本是電力消耗、執行階段間和裝置維護。
隨著推理任務越來越多，生成內容越來越複雜（圖像、視訊、長文字），AI 工廠的電量需求正變成新的算力瓶頸。
Dylan Patel 在另一場對話中也提到，搭建 AI 系統時，不僅要考慮晶片有多快，還要考慮散熱、電費、穩定性。他說得更形象：
“AI 工廠不是買一堆 GPU 就行，還要考慮電能調度和持續運行能力。”
所以這不是晶片問題，而是電力跟不跟得上的問題。
而當電力無法滿足時，連鎖反應就來了：
- 模型不能訓練；
- 推理成本升高；
- AI 工具無法大規模部署；
- 最終失去落地的可能性。
Schmidt 認為，基礎設施跟不上是目前 AI 落地面臨的最大現實挑戰。沒有足夠能源支撐，再領先的模型能力也用不起來。
因此，AI 的下一個戰場不在實驗室，而在發電廠。
第三節｜不是誰有晶片，而是誰能把它們用起來
而即便電力解決了，問題還沒完。你真的能把這些晶片、模型、任務，全都運行起來嗎？
很多人以為，只要拿到 H100、B200 這些最先進的晶片，AI 工廠就建成了。
但 Dylan Patel 一上來就潑了冷水：
“現在 GPU 非常緊缺，要發簡訊到處問'你有多少貨？什麼價格？”
他接著說：
“但光有晶片還不夠。核心是要讓它們有效協作。”
也就是說，晶片本身只是一個部件，真正決定 AI 工廠能否持續運行的，是你有沒有能力把這些晶片整合起來運行。
他將這種整合能力分為四個層面：
- 算力底座：GPU、TPU 等硬體基礎；
- 軟體棧：訓練框架、調度系統、任務分配器；
- 冷卻與電力管理：不只是有電，還要把溫度、負載、電費控制好；
- 工程能力：誰來最佳化模型、調優算力、控製成本。
這就是 Dylan 所說的“AI 工廠”的核心：AI 工廠不是一個模型、也不是一張卡，而是一整套連續的工程調度能力。
你會發現，AI 工廠不僅需要大量算力，更需要複雜的工程配合：
- 一堆 GPU 是“原材料”；
- 軟體調度是“控制室”；
- 冷卻和電力是“水電工”；
- 工程團隊是“維修組”。
簡單來說，重心已經從“造模型”轉向了“建基礎設施”。
Dylan 觀察到一個有趣的現象：你看現在的晶片公司，不只是賣卡了，而是開始“包施工”了。Nvidia 開始幫客戶整合伺服器、配置冷卻、搭建平台，自己就成了平台。
這場訪談發佈的同一天，Nvidia 與 OpenAI 公佈了一項未來合作意向：Nvidia 將為 OpenAI 提供最多 10GW 等級的資料中心資源，投資規模可能達到數 1000 億美元。
Sam Altman 在聲明中說了一句話，恰好印證了上面這個邏輯：
計算基礎設施將是未來經濟的基礎。Nvidia 不只是賣卡、供晶片，更是和他們一起部署、建設、營運整個 AI 工廠。
這說明了一個趨勢：真正有能力形成閉環的，不是最聰明的人，而是最懂如何落地的人。
也就是：
- 能造出模型，是一回事；
- 能讓模型每天穩定運行，是另一回事。
AI 不再是買來就能用的產品，而是需要持續營運的複雜工程系統。關鍵是你有沒有長期營運這套系統的能力。
第四節｜AI 能力擴散成趨勢，競爭焦點在那？
當大家還在爭奪營運能力時，新的變化已經出現了。
AI 模型做得越來越好，越來越聰明，但 Eric Schmidt 提了個警告：
“我們無法阻止模型蒸餾。幾乎任何一個能訪問 API 的人，都能複製它的能力。”
什麼是蒸餾？簡單說：
- 大模型雖然能力強，但部署成本太高；
- 研究者會用它來訓練一個小模型，讓小模型模仿它的思考方式；
- 成本低、速度快、精度高、難以追蹤。
就像你沒辦法複製一個頂級廚師，但可以通過他做出來的菜，教會另一個人做出八成相似的效果。
問題就來了：能力越容易被轉移，模型本身越難被限制。
Dylan Patel 也提到一個行業趨勢：
現在蒸餾成本，只佔原始訓練的 1% 左右，卻能復現原模型 80-90% 的能力。
即使 OpenAI、Google、Anthropic 把模型保護得再嚴密，也擋不住有人通過蒸餾獲得相似能力。
以前大家比的是誰更強；現在開始擔心誰還控制得住？
Schmidt 在訪談裡說：最大的模型將永不開放。而小模型的擴散，將不可避免。
他不是在鼓吹封閉，而是在提醒一個現實：技術擴散的速度，可能遠快於治理跟上的節奏。
舉個例子，現在已有不少團隊用 GPT-4 的 API，去蒸餾出一個 GPT-4-lite：
- 成本低，易部署；
- 基本對外沒有明確標識；
- 使用者用起來感覺幾乎一樣。
這就帶來一個難題：模型的能力，可能會像“空氣”一樣擴散；但模型的源頭、責任歸屬、使用邊界，都很難界定清楚。
Schmidt 真正擔心不是模型太強，而是：
“當越來越多的模型具備強能力，卻不受監管、難以溯源、責任不清，我們該如何確保 AI 的可信度？”
這種現像已經不是假設，而是當前的現實。
隨著 AI 能力擴散已經成為不可逆轉的趨勢。單純擁有先進模型不再是護城河。競爭的焦點已經轉向了如何更好地運用和服務這些能力。
第五節｜平台的關鍵，是越用越準
所以最終，比能不能造出來更重要的是：你能不能建構出一個越用越好的平台？
Eric Schmidt 給出了他的答案：
“未來成功的 AI 公司，不只拼模型性能，更要拼持續學習的能力。”
通俗說就是：你不是一次性做出一個產品就完事，而是建一個平台，讓它用得越多越聰明、越用越好用、越用越穩定。
他進一步解釋：
平台的核心不是功能，而是讓別人離不開你。
比如：
- 電網不是因為燈泡亮，而是因為能讓所有燈都亮；
- 作業系統不是因為功能多，而是能讓一批應用穩定運行；
- AI 平台也一樣，不是做出某個智能助手，而是讓別的團隊、使用者、模型都能接入、呼叫、增強。
AI 平台不是某個功能，而是一套持續運轉的服務網路。
他還建議年輕創始人：不要只問這個產品做得完美不完美。要看它有沒有形成一條“用 → 學 → 最佳化 → 再用”的路徑。
因為：能持續學習的平台，才有長期生存的可能。
Dylan Patel 補充說，這其實也是 Nvidia 成功的路徑。黃仁勳做了三十年 CEO，靠的不是運氣，而是不斷把晶片和軟體綁成閉環：客戶用得越多，他就越瞭解客戶想要什麼；越瞭解需求，產品就越好用；產品越好用，客戶就越難放棄。
這樣就形成了良性循環，越用越值。
不是“發佈即巔峰”，而是能夠持續成長的平台。
Schmidt 總結得很清晰：你能不能建構出這樣一個增長機制？一開始可能很小，但它能不斷適應、不斷擴展、不斷更新？
他對未來 AI 平台成功者的判斷是：
不是你寫了什麼程式碼，而是你能不能讓一個平台活下來，而且越活越強。
結語｜誰先形成閉環，誰贏未來
Eric Schmidt 在訪談中說：
“AI 就像電與火，這 10 年，將決定未來 100 年。”
AI 的能力已經準備好了，但往那走、怎麼搭、怎麼用還沒想清楚。
現在的重點不是等下一代模型，而是把現有 AI 用起來、用得好。別總想著 GPT-6/DeepSeek R2 什麼時候出，先把手頭的工具在客服、寫作、資料分析等場景中跑通。讓 AI 能 24 小時穩定工作，而不是只在發佈會上驚豔一下。
這不是聰明人的比賽，而是執行力的較量。
誰能率先把 AI 從實驗室帶到現實，誰就掌握了未來十年的主動權。
而這場“閉環之爭”，從現在就已經開始。 (AI深度研究員)