五个AI大佬，一起抛出6个判断
在本周的米尔肯研究院大会上，五位覆盖AI供应链每一层的核心人物坐在了一起。
他们讨论的话题非常广，从AI瓶颈到太空数据中心，从Agent到物理AI，再到一个更根本的问题：
今天支撑AI发展的整套技术架构，会不会从一开始就是错的？
这五个人分别是：
ASML CEO Christophe Fouquet
ASML是一家荷兰公司，几乎垄断了极紫外光刻机，也就是 EUV 设备。没有这种设备，现代先进芯片几乎不可能被制造出来。
Google Cloud COO Francis deSouza
他正在负责谷歌历史上最大规模之一的AI基础设施投入。
Applied Intuition联合创始人兼CEO Qasar Younis
这家公司估值约150亿美元，做的是物理AI，从自动驾驶仿真起家，现在已经进入国防等领域。
Perplexity首席商务官Dmitry Shevelenko
Perplexity原本是AI搜索公司，现在正在向AIAgent和数字员工方向演进。
Logical Intelligence创始人Eve Bodnia
她曾是量子物理学家，现在创业挑战当前AI行业普遍依赖的大模型架构。
今年早些时候，Meta前首席AI科学家Yann LeCun加入了这家公司，担任技术研究委员会创始主席。
以下是他们在现场谈到的几个核心观点，enjoy~
AI的瓶颈是真实存在的
AI热潮正在撞上非常现实的物理限制。这些限制，比很多人想象得更靠近产业链底层。
ASML CEO Fouquet是第一个明确说出这一点的人。
他说，全球芯片制造正在经历巨大加速。
但即便如此，他依然强烈认为，未来两三年，甚至三到五年，整个市场都会处于供给受限的状态。
这是什么意思？
也就是说，谷歌、微软、亚马逊、Meta 这些云巨头，即便愿意花钱买芯片，也不一定能拿到足够多的芯片。
不是钱的问题，而是供应链真的跟不上。
Google Cloud的deSouza则用数据说明了需求有多猛。
他提到，Google Cloud上个季度收入已经超过200亿美元，同比增长63%。
更夸张的是，它的订单积压，也就是已经签下但还没有交付的收入，在一个季度内几乎翻倍，从2500亿美元涨到4600亿美元。
他说：“需求是真实存在的。”
而对Applied Intuition的Younis来说，真正的瓶颈还不只是芯片。
他的公司做的是自动驾驶、无人机、矿山设备、国防车辆等现实世界中的自主系统。
对他们来说，最大的瓶颈是数据。
这种数据不是坐在办公室里合成出来就够了，而是必须把机器真正放进现实世界，让它们运行、犯错、积累经验。
他说，你必须从真实世界里获取数据。
他的判断是，在很长一段时间里，单靠合成仿真数据，还无法完全训练出能在现实世界中可靠运行的模型。
能源问题也是真的
如果说芯片是第一个瓶颈，那么能源就是紧随其后的第二个大问题。
Google Cloud的deSouza证实，谷歌确实在认真研究太空数据中心。
原因很直接：在太空中，可以获得更丰富的能源，尤其是太阳能。
但这件事并不简单。
太空是真空环境，没有空气对流，这意味着数据中心散热会非常困难。
在地球上，数据中心可以靠空气冷却、液冷系统散热；
但在太空里，热量只能通过辐射释放出去，这个过程更慢，也更难工程化。
不过，谷歌依然把它当成一个值得认真探索的方向。
deSouza还提出了另一个重点：效率。
他认为，谷歌的优势在于可以自己协同设计整套AI技术栈，从TPU芯片，到模型，再到AI Agent。
这样做的好处是，能显著提升每一度电所能产生的计算量。
他说，用TPU运行Gemini，比其他任何配置都更节能。
因为芯片设计团队在模型发布前，就知道模型将来需要什么样的计算能力，所以可以提前优化。
ASML的Fouquet后来也表达了类似观点。
他说，没有什么东西是没有价格的。
现在AI行业正处在一个很奇特的阶段：
大家出于战略需要，不惜投入巨额资本。但更多算力意味着更多能源，而能源一定是有成本的。
也许AI需要另一种智能架构
当大多数AI公司还在围绕大语言模型讨论规模、架构和推理效率时，Logical Intelligence的Eve Bodnia正在做一条完全不同的路线。
她的公司做的是所谓的“能量模型”，也就是Energy-Based Models，简称EBM。
它和现在主流的大语言模型不一样。
大语言模型的核心机制是预测下一个词、下一个token。
而EBM更像是试图理解数据背后的规则。
Bodnia 认为，这种方式更接近人脑的工作方式。
她说：“语言只是我的大脑和你的大脑之间的用户界面。真正的推理本身，并不依附于任何语言。”
她还提到，她们最大的模型只有2亿参数。相比之下，今天领先的大语言模型往往有几千亿参数。
但她称，这个模型的运行速度可以快上千倍。
更重要的是，它可以随着数据变化更新自己的知识，而不是每次都需要从头重新训练。
她认为，在芯片设计、机器人等领域，系统需要理解的是物理规则，而不仅仅是语言模式。
在这些场景里，EBM可能比大语言模型更自然。
她举了一个例子：当你开车时，你并不是在某种语言里寻找模式。你是观察周围环境，理解这个世界的规则，然后做出决策。
这个观点值得注意。
因为AI行业正在越来越认真地思考一个问题：只靠继续扩大模型规模，真的够吗？
Agent权限和信任问题
Perplexity的Shevelenko重点讲了Perplexity的变化。
它一开始是一个AI搜索产品，但现在正在演变成一种数字员工。
Perplexity的新产品Perplexity Computer，不再只是知识工作者使用的工具，而更像是一个可以被知识工作者指挥的员工。
他说：“每天早上醒来，你的团队里有一百个员工。你会怎么利用他们？”
这个设想很有吸引力，但也立刻带来一个问题：怎么控制这些AI员工？
他的答案是：权限要足够细。
企业管理员不仅要能规定AI Agent 可以访问哪些连接器、哪些工具，还要能明确这些权限是只读，还是可以读写。
这个区别非常重要。
因为一旦Agent进入公司系统，它不只是看信息，还可能会修改信息、提交内容、触发流程。
当Perplexity的计算机使用Agent Comet替用户执行操作时，它会先展示计划，并请求用户批准。
Shevelenko承认，有些用户会觉得这个流程很麻烦，但他认为这一步非常必要。
他还提到，自己加入投行Lazard董事会后，变得更能理解企业CISO，也就是首席信息安全官的保守态度。
对于一家拥有180年历史、完全建立在客户信任之上的公司来说，安全和控制不是可有可无的。
物理AI关系到主权
Applied Intuition的Younis提出了一个更具地缘政治色彩的观点：
物理AI和国家主权之间的关系，会比纯数字AI更复杂。
互联网最早作为美国技术向全球扩散。
很多国家一开始并没有强烈抵制，真正的反弹往往发生在应用层，比如Uber、DoorDash这类服务开始影响本地线下经济时。
但物理AI不一样。
自动驾驶汽车、国防无人机、矿山设备、农业机器，这些系统都直接存在于现实世界。
它们会在一个国家的领土内移动、采集数据、执行任务，政府不可能无视。
这就会带来很多问题：安全吗？数据归谁？系统到底由谁控制？
Younis说，几乎每个国家都会提出类似诉求：
我们不希望一个由外国控制的智能系统，以物理形态存在于我们的国境之内。
他还说，现在全球能够真正部署robotaxi的国家，甚至比拥有核武器的国家还少。
ASML的Fouquet从另一个角度谈了中国。
他认为，中国在AI上层应用和模型方面的进展是真实的。
DeepSeek 今年早些时候的发布，确实让行业一些人感到恐慌。
但中国的瓶颈在更底层。
如果没有EUV光刻机，中国芯片厂商就难以制造最先进的半导体。
而如果模型运行在相对落后的硬件上，即便软件做得很好，也会不断累积劣势。
他说：“今天在美国，你有数据，有算力，有芯片，也有人才。中国在技术栈上层做得很好，但在底层还缺少一些关键要素。”
AI影响下一代的批判性思维？
接近讨论尾声时，现场有人问了一个不太舒服但很重要的问题：
AI时代会不会影响下一代人的批判性思维能力？
几位嘉宾的回答都比较乐观。
这也不意外，因为他们的职业生涯都押注在AI上。
Google Cloud的deSouza说，更强大的工具可能会帮助人类解决一些过去解决不了的大问题，比如神经系统疾病、温室气体去除，以及长期被拖延的电网基础设施升级。
他说，AI应该会把人类带到下一个创造力阶段。
Perplexity的Shevelenko给出了一个更现实的回答。
他承认，入门级工作可能正在消失。但另一方面，个人独立做成一件事的门槛，也从来没有像今天这么低。
他说，对于拥有Perplexity Computer的人来说，真正的限制可能不再是资源，而是你自己的好奇心和行动力。
Applied Intuition的Younis，则把知识工作和体力劳动区分开来看。
他提到，美国农民的平均年龄已经达到58岁，采矿、长途货运、农业等行业长期存在劳动力短缺，而且问题越来越严重。
这并不只是因为工资不够高，而是因为很多人根本不想做这些工作。
在这些领域，物理AI未必是在取代愿意工作的人，而是在填补一个本来就存在、而且会越来越大的劳动力缺口。
总的来说，这场对话透露出几个很重要的趋势：
AI 不只是软件问题，已经变成芯片、能源、数据、供应链和国家主权的问题。
现在行业开始出现一种怀疑：继续扩大大语言模型规模，未必是唯一答案。
能源模型、物理 AI、具身智能、Agent 权限体系，都在指向一个新阶段。
本文来自微信公众号“世界模型工场”，作者：世界模型工场，36氪经授权发布。