五位AI經濟建築師解析何處出現問題

日前這週，五位觸及AI供應鏈每一層的人士在貝弗利 Hills 的 Milken Institute 全球會議上坐下來，與這位編輯討論從晶片短缺到軌道資料中心，以及整個支撐科技的架構是否錯誤等議題。與 TechCrunch 對話的五位人士包括：Christophe Fouquet，ASML 的執行長，這家荷蘭公司擁有極紫外光光刻機的專用技術，而這類機器是現代晶片存在的必要條件；Francis deSouza，Google Cloud 的首席運營官，正在監督企業史上最大規模的基礎建設投資之一；Qasar Younis，Applied Intuition 的共同創辦人暨執行長，這是一家價值150億美元的實體AI公司，從模擬起家，現已拓展至防衛領域；Dmitry Shevelenko，Perplexity 的首席業務官，這家原生AI的搜尋至代理公司；以及 Eve Bodnia，一位離開學術界，透過她的創業 Logical Intelligence 挑戰大多數AI產業視為理所當然的基礎架構的量子物理學家。（Meta 前首席AI科學家 Yann LeCun 在今年初成為該公司技術研究委員會的創始主席。）以下是五位人士的觀點：瓶頸確實存在 AI 的興起正撞上硬體上的極限，而這些限制開始於堆疊的更下層，許多人都未察覺。Fouquet 是第一個說出這一點的人，他形容目前晶片製造正經歷「巨大的加速」，同時表達他「強烈的信念」，認為儘管投入大量努力，「未來兩、三或五年的市場將受到供應限制」，這意味著超級雲端運算公司（Google、Microsoft、Amazon、Meta）將無法獲得他們支付的全部晶片。DeSouza 強調這是一個規模極大、增長極快的問題，提醒觀眾 Google Cloud 上季度營收已突破200億美元，成長63%，而其未交付的營收（已承諾但尚未完成交付）在單個季度內幾乎翻倍，從250億美元增至460億美元。「需求是真實存在的，」他以令人印象深刻地沉穩語氣表示。對 Younis 來說，限制主要來自其他方面。Applied Intuition 建造車輛、貨車、無人機、採礦設備與防衛車輛的自動化系統，而他的瓶頸並非晶片，而是只能透過將機器送入現實世界並觀察發生的事情才能獲得的數據。「你必須從現實世界中找到它，」他表示，而任何數位模擬都不足以完全彌補這段差距。「在你能夠完全透過合成方式訓練出運行於物理世界的模型之前，還會有一段很長的時間。」能源問題同樣真實 如果晶片是第一個瓶頸，能源則是其後面潛在的問題。DeSouza 確認 Google 正在研究將資料中心設置在軌道上，作為對應能源限制的認真策略。「你會獲得更豐富的能源，」他指出。當然，即使在軌道上，也不簡單。DeSouza 說空間是真空環境，因此消除了對流，只剩下輻射是將熱能散發至周遭環境的唯一方式（這遠比資料中心目前依賴的空氣與液體冷卻系統慢且難以工程實現）。不過公司仍然將這視為一個值得考慮的路徑。DeSouza 做出的更深層論點，出乎意料地與整合效率有關。Google 的策略是將其完整的 AI 堆疊進行共工程設計——從自訂 TPU 晶片到模型與代理——這在每瓦特的計算能力（flops per watt）上產生了優勢，這是購買現成組件的公司無法複製的，他表示。「在 TPU 上運行 Gemini 要比任何其他配置更節能，」因為晶片設計師在晶片出廠前就知道模型的內容，他說。Fouquet 在討論後期也提出了類似的觀點。「沒什麼是可以無價的，」他表示。目前產業處於一個特殊的時刻，投入大量資金，這是由戰略需求驅動的。但更多的計算意味著更多的能源，而更多的能源則有其成本。一種不同的智能 而在產業爭論規模、架構與推理效率的同時，Bodnia 則在打造一種截然不同的東西。她的公司 Logical Intelligence 建立在所謂的能量模型（EBMs）之上，這類 AI 不是預測序列中的下一個 token，而是試圖理解數據背後的規則，她認為這與人類大腦實際運作的方式更接近。「語言是我與你之間的用戶介面，」她說。「推理本身並未依附於任何語言。」她最大的模型有2億個參數——與領先的大型語言模型數百億個參數相比——而且她聲稱運行速度快上千倍。更重要的是，這個模型設計為在數據改變時更新知識，而不是必須從頭開始重新訓練。對於晶片設計、機器人等領域，系統需要掌握物理規則而非語言模式，她認為 EBMs 更為自然。當你開車時，你並不是在尋找任何語言中的模式，你會環顧四周，理解周圍世界的規則，並做出決定。這是一個有趣的觀點，而且在接下來的幾個月內很可能會受到更多關注，因為 AI 領域開始質疑規模是否足以解決所有問題。代理、防護措施與信任 Shevelenko 花費大量時間解釋 Perplexity 如何從一個搜尋產品演變為現在所稱的「數位工作者」。Perplexity Computer 是其最新產品，設計並非作為知識工作者使用的工具，而是作為知識工作者所指揮的團隊。他說：「每天早上你醒來時，你會有上百名團隊成員，」這就是機會。「你打算如何讓這支團隊發揮最大效益？」這是一個有說服力的說法；同時也引發了關於控制的明顯問題，所以我問了他們。他的回答是：細度。企業管理員可以指定代理可以存取哪些連接器與工具，以及這些權限是只讀還是可寫——這在代理在企業系統內行動時極為重要。當 Comet，Perplexity 的電腦使用代理，代表用戶執行動作時，會先提出計畫並請求批准。一些用戶認為這會造成摩擦，Shevelenko 說，但他認為這至關重要，尤其是在加入 Lazard 董事會後，他發現自己意外地對 CISO 保護一個擁有180年歷史的品牌、完全依賴客戶信任的保守直覺產生共鳴。「細度是良好安全管理的基礎，」他表示。主權，而非僅僅是安全 Younis 提出的可能是這個小組中最具有地緣政治色彩、也最具爭議性的觀察，那就是實體 AI 與國家主權之間存在一種純粹數位 AI 所無法產生的緊密聯繫。互聯網最初是以美國科技擴散開來，並在應用層面（如 Uber 和 DoorDash）才遇到阻力，當離線後果變得明顯時。實體 AI 則不同。自動駕駛車、防衛無人機、採礦設備、農業機械——這些在現實世界中產生影響的方式，政府無法忽視，這引發了關於安全、數據收集以及誰最終控制在國境內運作的系統的問題。「幾乎每個國家都說：我們不希望這個智能以實體形式出現在我們國境內，由另一個國家控制。」他告訴觀眾，目前擁有機器人計程車的國家數量，幾乎不亞於擁有核武器的國家。Fouquet 則從另一個角度來看。中國的 AI 進展是真實的——DeepSeek 今年初的發佈讓產業某些部分陷入恐慌——但這項進展受到模型層以下的限制。沒有 EUV 光刻技術，中國晶片製造商無法生產最先進的半導體，而建立在較舊硬體上的模型，不管軟體多好，都會面臨複合式的劣勢。Fouquet 說：「目前在美國，你擁有數據、計算存取、晶片與人才。中國在堆疊頂端做得非常好，但在下面某些元素卻有所缺失。」世代問題 在我們的專題討論接近尾聲時，有觀眾提出了明顯且令人不適的問題：AI 這個時代會不會影響下一代批判性思維的能力？與預期一樣，這些人對這項技術投入了他們的職業生涯，他們的答案是樂觀的。DeSouza 立即指出更強大的工具可能會讓人類解決一些長期無法處理的問題。例如目前還不了解生物機制的神經系統疾病、大氣中二氧化碳的去除以及延宕多年的電網基礎建設。「這將讓我們達到一個新的創造層次，」他表示。Shevelenko 做出更務實的觀點：雖然入門級的工作可能會消失，但獨立啟動某件事的能力從來都不像現在這麼容易。他表示：「擁有 Perplexity Computer 的人，限制只在你自己的好奇心與行動力。」Younis 則在知識工作與實體勞動之間畫出最明顯的區別。他指出美國平均農民年齡為58歲，而在採礦、長途卡車運輸與農業領域的勞動力短缺問題長期存在且不斷惡化——這並不是因為薪資過低，而是因為人們不願意做這些工作。在這些領域，實體 AI 做的並不是取代願意工作的勞動者，而是填補已經存在的缺口，而且這個缺口看起來還會加深。