AI 主权之争、Palantir 与英伟达的交易、美国最高法院的出生公民权裁决、Newsom 在加州预算上撒的谎AI Sovereignty Wars, Palantir-Nvidia Deal, SCOTUS Birthright Ruling, Newsom's CA Budget Lie

播出信息

• 日期：2026-07-03
• 节目：《All-In》第 279 集
• 标题：AI Sovereignty Wars, Palantir-Nvidia Deal, SCOTUS Birthright Ruling, Newsom's CA Budget Lie
• 嘉宾／讨论者：Jason Calacanis、David Sacks、Chamath Palihapitiya、David Friedberg
• 场合：四人圆桌播客；讨论 Palantir–Nvidia 合作、AI 主权、技术与就业、美国最高法院及移民议题、加州预算
• 时长：约 01:41:57
• 转写说明：所给英文转写的中段有省略；关于就业和最高法院的笔记仅保留可见内容及时间锚点能够支持的讨论范围。转写中若干产品名、机构名和数字存在语音识别疑点，不据此补写事实。

背景

开场消息是 Palantir 与 Nvidia 宣布合作：据主持人介绍，Palantir 将采用 Nvidia 的 Nemotron 开放模型，为美国政府构建定制模型及所谓「主权 AI 操作系统」，政府机构拥有硬件、数据和模型权重。由此，圆桌把「主权」从数据隐私推进到企业能否控制计算、模型、推理过程和专有知识。

这是一场立场鲜明的讨论，而非独立审计。Chamath 谈到自己公司的测试，Friedberg 谈到生命科学企业对共享数据的顾虑，Sacks 则从竞争结构解读合作；随后节目转向就业、移民和加州财政。读者需要始终区分三类内容：嘉宾报告的经历或数字、他们据此作出的判断，以及尚未发生的预测。

总结分析

本集最有价值的主线，是把企业采用 AI 的问题改写为「谁拥有生产能力和知识增量」。主持人首先区分隐私与「智能主权」：前者关心别人能否看到照片和笔记，后者还关心谁用模型分析这些材料、形成判断。Sacks 将企业 AI 安全解释为对算力、模型权重、数据栈及专有知识的控制；Chamath 和 Friedberg 则把这一论点落到成本测试与生命科学数据上。他们并非认为企业不能使用外部模型，而是担心供应商同时掌握底层模型、客户工作流和进入上层应用的能力。

新信息中，Chamath 所述代码迁移测试最具体：同一控制框架配合 Claude，比单独使用该模型便宜 1.4 倍、快 1.5 倍；配合开放模型则便宜 16.4 倍，但慢约 3 倍。这组结果说明「模型选择」不能脱离任务、编排层和耗时衡量，却只是一项由相关公司负责人报告的测试，不能直接推广到所有企业。Friedberg 提出的部署图景也不是全面退出云端，而是在大型训练中心、企业自有训练能力和分布式推理之间重新分工。Palantir 与 Nvidia 因而被嘉宾视为有共同利益：应用公司不想受制于少数模型商，芯片公司也不想只面对极少数大买家。

后半场把同一套「依赖与控制」语言带入公共政策，但证据强弱发生变化。加州预算段给出大量税收、迁出和负债数字，同时把预算缺口进一步推演成养老金重组、联邦救助乃至政治危机；这些结局是嘉宾预测，不是数字本身能够证明的事实。对读者更稳妥的用法，是借前半场建立企业 AI 采购的核查清单，再把后半场作为检验财政口径与政治叙事的题目，而非照单接受其结论。

节目结构 / 议程

1. 合作发布：主权究竟指什么 — 00:00 🎧
2. 企业 AI 安全：供应商会不会成为对手 — 04:23 🎧
3. 成本测试：便宜 16.4 倍，代价是更慢 — 12:32 🎧
4. 生命科学数据与分布式部署 — 16:16 🎧
5. 为什么 Palantir 与 Nvidia 有共同利益 — 27:11 🎧
6. 技术与就业：替代岗位，还是重组任务 — 36:49 🎧
7. 最高法院与移民：法律解释和政策偏好交错 — 59:11 🎧
8. 加州预算：平衡口径与税基集中 — 01:22:00 🎧
9. 从财政风险到政治预言 — 01:33:07 🎧

分节详解

1）合作发布：主权究竟指什么 — 00:00 🎧

💬 他们说了什么：主持人介绍 Palantir 与 Nvidia 的「主权 AI」合作：以 Nemotron 开放模型构建面向美国政府的定制模型，政府机构拥有硬件、数据及模型权重。Jason 将「智能主权」与隐私区分：不仅是不让别人读取资料，也是不把分析资料、解释世界的能力交由别人控制。节目播放 Alex Karp 的采访片段；Karp 质疑，企业或政府若交出知识产权，最终由谁控制模型权重与关键应用。

💡 为什么重要：这把采购讨论从「模型是否好用」扩展到硬件归属、权重控制、数据使用和决策权。对政府及拥有独特数据的企业，部署方式本身就可能改变长期议价能力。

⚡ 争议点：合作的具体合同、训练安排和政府实际控制范围，不能仅从节目开场描述确认；「主权」也不自动等于安全。

2）企业 AI 安全：供应商会不会成为对手 — 04:23 🎧

💬 Sacks 转述 Karp 的核心要求：技术客户要控制算力、模型、数据栈及自己的「alpha」，即专有知识。他以 Anthropic 推出设计、科学、安全、法律、金融和编程类产品为例，认为模型供应商可能进入客户原本经营的应用领域；谈及 Figma 时，他称其创始人认为双方此前沟通不够坦诚。Sacks 还把这种风险类比为微软从操作系统进入办公软件、谷歌从搜索进入自有内容与服务。

💡 企业面临的不只有数据泄露，还有依赖某一模型后，供应商与客户争夺同一价值链的问题。即使数据未被用于训练，产品边界和商业激励仍值得写进采购评估。

⚡ 从供应商推出竞品，不能直接推出其使用了某个客户的专有数据；关于 Figma、Anthropic 及股价的叙述需要分别查证。

3）成本测试：便宜 16.4 倍，代价是更慢 — 12:32 🎧

💬 Chamath 先引述一项 BCG 研究：他称资本成本约为 8%—11%，约半数美国大型公司回报未超过该水平，全球约 七分之一 企业的持续回报处于 1%—5%。随后他报告自己公司的旧代码迁移测试：使用其「软件工厂」搭配 Claude，相较单独使用模型便宜 1.4 倍、快 1.5 倍；搭配一个开放模型则便宜 16.4 倍，但约慢 3 倍。他说明测试经由 OpenRouter，并认为更长的运行时间可能换来可观成本节省。

💡 企业不能只比较模型单次调用价格，还应比较完成同一任务所需的编排、时间和总成本。资本回报承压，是嘉宾认为企业必须认真衡量这笔账的背景。

⚡ 测试任务、质量标准、模型版本和完整成本口径未在可见转写中充分披露；「便宜 16.4 倍」不代表所有工作负载都适合迁移。

4）生命科学数据与分布式部署 — 16:16 🎧

💬 Friedberg 称，Anthropic 曾接触生命科学公司，希望它们贡献专有数据，以换取早期访问等条件；他接触的许多人担心，这会稀释企业多年实验和产品开发积累的独特资产。他预测架构将从「大型训练中心—大型推理中心」，转向大型基础模型中心、企业自有的中型训练中心，以及更分散的推理节点。他举例说，企业可以在自家数据中心甚至办公室设备上运行部分工作流；谈及未来配置时，以云端 70%、本地 20%、其他云 10% 作示意，而非宣布固定比例。

💡 数据是否值得交给外部模型商，取决于它是不是企业难以重建的竞争资产。混合部署提供的是更多选择，而不是「全部上云」与「全部本地」之间的二选一。

⚡ Friedberg 报告的是其接触到的企业态度，不等于整个生命科学行业的调查结果；本地运行也仍有设备、运维及治理成本。

5）为什么 Palantir 与 Nvidia 有共同利益 — 27:11 🎧

💬 Sacks 把 AI 产业分为芯片、模型和应用三层，认为应用层的 Palantir 与芯片层的 Nvidia 都希望模型层保持竞争：前者需要选择权，后者需要更广泛的芯片买家。他称 Anthropic 与 OpenAI 在模型收入上已居显著位置，并警惕监管可能固化双强格局。Jason 随后预测，token 成本未来三年可能每年下降 90%、可购买量增加约 1000 倍；Friedberg 则认为企业也会采购自有硬件来运行日常任务。

💡 开放模型不只关乎软件许可，还可能重排芯片销售、企业采购和应用公司的谈判位置。基础层越有替代品，上层企业越容易避免被单一供应商锁定。

⚡ 节目给出的模型收入和 token 降价数字未附完整统计口径；「每年下降 90%」与「1000 倍」都是预测，不能当作已实现的价格变化。

6）技术与就业：替代岗位，还是重组任务 — 36:49 🎧

💬 这一段可见的时间锚点显示，圆桌争论技术是否会取代出租车司机，并谈到员工转做升级处理等更高价值工作。一位讨论者指出，当时并没有展示出明确的失业趋势；另一位则预言包裹分拣等具体岗位会消失。双方争执的核心，是眼下观察到的就业数据，能否反驳未来特定任务被自动化的判断。

💡 「行业总就业人数」「某一岗位数量」和「岗位内部的任务」是三个不同指标；不先确定比较对象，乐观与悲观论断都可能各说各话。

⚡ 所给转写省略了此段主体，无法复原每项说法的完整证据和反驳；不宜把时间锚点中的预测写成已经发生的裁员事实。

7）最高法院与移民：法律解释和政策偏好交错 — 59:11 🎧

💬 节目转向最高法院新闻及移民政策；可见锚点涉及在美国生活 20 年 的非法移民个案、出生公民权与 Dred Scott 判决，也涉及居留身份、ICE、签证期间社会福利等争论。讨论者还谈到接纳能够创业、创造就业的人，以及民主党应如何回应选民。法律问题、道德判断与选举策略在这一段被连续讨论。

💡 出生公民权的宪法解释，与「应该接纳谁」「应提供哪些福利」并非同一个问题。分开记录，才能避免用政策好恶替代对判决内容的核查。

⚡ 此段主体转写缺失，无法据现有材料准确概括最高法院裁判要旨、各人的完整立场或法律适用范围。

8）加州预算：平衡口径与税基集中 — 01:22:00 🎧

💬 主持人称 Newsom 宣布一份约 3510 亿美元、至 2028 年「零赤字」的预算；Friedberg 随即称州预算从 2019 年的 2150 亿美元增至约 3550 亿美元，约增 65%。他认为所谓平衡使用了借债等安排，并提及约 200 亿—400 亿美元的相关债务。他还称个人所得税贡献州收入 1420 亿美元，其中约 15 万名最高收入的纳税人缴纳约 700 亿美元；约 1000 人缴纳约 220 亿美元。

💡 年度预算「平衡」并不能单独说明经常性收入是否覆盖经常性支出，也不能说明收入是否过度依赖少数纳税人。读这类预算，首先要统一年度、预算范围和债务口径。

⚡ 节目同时出现 3510 亿与 3550 亿美元两个预算数字，可能对应不同口径，不能直接混用；债务如何计入「平衡」也需对照正式预算文件。

9）从财政风险到政治预言 — 01:33:07 🎧

💬 Friedberg 称加州未来年度赤字可能达 400 亿美元，并列举约 1.4 万亿美元公共债务、报告中的 6640 亿美元未拨备养老金负债及 1750 亿美元退休人员医疗义务缺口；他也提到更高的养老金负债估算。其后，嘉宾对联邦救助、养老金重组和加州政治走向提出互不相同的预测。Sacks 还预测，一项拟议中的亿万富翁税若通过，可能引发 两三百起诉讼并持续多年；主持人在接近结束时提醒，Newsom 同日也表示反对该具体税案。

💡 存量债务、未拨备承诺、年度缺口和潜在诉讼是不同性质的风险。把它们拆开，才能判断哪项已列账、哪项依赖估算，以及何种情形才会触发财政压力。

⚡ 破产、联邦救助、养老金「归零」和州际政治危机均属嘉宾推演；不同负债数字可能重叠，不宜相加后当作已核实的总欠款。

人物与机构

• Jason Calacanis：节目主持人；提出隐私与「智能主权」的区分，并对模型成本下降作出预测。
• David Sacks：从模型层竞争、企业控制权及加州税收政治解读议题。
• Chamath Palihapitiya：报告其公司在代码迁移任务上的模型与控制框架测试。
• David Friedberg：讨论生命科学企业数据、分布式推理及加州财政风险。
• Alex Karp／Palantir：合作发布与「主权 AI 操作系统」论述的核心人物和公司。
• Nvidia：以 Nemotron 开放模型参与合作；在嘉宾分析中代表芯片层利益。
• Anthropic、OpenAI：圆桌讨论的主要模型供应商；关于其商业行为的批评应视为嘉宾观点。
• Gavin Newsom：加州州长；其预算表述及对拟议税案的态度受到圆桌讨论。

金句

「你不能从同时把智能出租给竞争对手的地方，租来自己的智能。」 “You can't rent intelligence from the same place that rents it to your competitor.”

「没有免费的啤酒。」 “There's no free beer.”

「真正的企业 AI 安全，要求你保有在模型层作选择的能力。」 “If you want to have true AI safety as an enterprise, you have to retain the ability to choose at the model layer…”

「企业想要选择权，因为它不想交出全部专有知识。」 “If you're an enterprise, you want to have a choice because you don't want to give up all of your proprietary knowledge.”

「竞争能激发最好的结果，也有利于生态系统，并保障公民自由和消费者选择。」 “Competition is what brings out the best and it's good for the ecosystem and it ensures our civil liberties and consumer choice.”

洞见与延伸背景

「自有模型」不是一个开关。节目中至少出现了四种不同控制程度：调用外部模型、在独立控制框架中切换模型、在自有环境运行开放模型，以及利用自有数据训练专有权重。每前进一步，都可能减少某类依赖，也可能增加运维和治理责任。因此，企业应先标出不能轻易共享的数据与工作流，再决定哪些能力值得自己掌握。

圆桌还揭示了「安全」一词的利益冲突。限制开放模型可以被表述为降低社会风险；企业保留开放模型选择，也可以被表述为降低供应商集中和商业机密风险。两种担忧未必互相排斥。评估政策时，应问清究竟在防范什么风险、由谁承担风险，以及限制措施会否让现有供应商更难被替换。

加州一段则提醒读者警惕从会计口径直接跳到政治结局。预算规模增长、税基集中或养老金负债，分别可以构成不同的压力；它们是否导致某种救助或重组，还取决于时间、法律安排和后续财政选择。节目中几位嘉宾对结局本就意见不一，这种分歧比任何一句确定性的预言更值得保留。

争议与需核实

• 合作细节：Palantir–Nvidia 合作中，政府对硬件、数据、权重分别拥有哪些实际权利；节目开场未提供合同文本。
• 企业竞争指控：Anthropic 与 Figma 等公司的合作经过、产品发布时间及有关股价说法，需分别查证；推出竞品不等于证明使用客户机密。
• 成本与产业数字：Chamath 的测试缺少可复核的完整方法；模型收入、未来降价幅度及就业趋势也不宜仅凭圆桌发言定论。
• 加州财政口径：预算总额、债务安排、税收分布、企业迁出和未拨备负债，应按同一财政年度及统计范围核对，尤其避免负债重复相加。
• 最高法院议题：由于所给转写中段省略，不能据可见材料确认具体判决的完整内容、理由及效力。
• 政治预测：加州获得联邦救助、养老金重组、税案诉讼数量及后续选举走向，均是预测而非已发生事实。

行动建议

1. 为企业 AI 工作流列出数据、权重、算力和输出成果的归属，再审阅外部供应商条款。
2. 选一项可量化任务，同时测试外部模型与可替代方案，记录质量、总费用、耗时和人工返工。
3. 将高敏感度数据与普通日常任务分层，分别评估外部云端和自有环境的收益与成本。
4. 阅读公共预算时，先核对年度、收支定义、借债安排及长期负债，不直接套用企业利润表语言。
5. 对节目中的就业、法律和政治预测，分别寻找原始数据或文件，尤其不要用本次被省略的转写段落补足论证。

来源

• podscripts.co
• 音频