这集讲什么
在这期播客中，嘉宾们深入探讨了人工智能（AI）的未来，开源与闭源模型的角色，以及如何在全球竞争中保持领先地位。
1-3要点
- 算力需求与价值判断应分开：250 亿美元积压订单说明嘉宾看到的需求强劲，却不能证明每项 token 消耗都有效。
- 推理速度影响完整任务：多轮检查、工具调用和安全防护叠加后，延迟不再只是单次回答的体验问题。
- 模型应按任务分层：难题使用前沿模型，日常流程考虑可靠且成本适当的开放模型。
播出信息
- 日期：2026-07-09
- 节目：All-In
- 嘉宾：Andrew Feldman，Cerebras 创始人兼首席执行官；Black Forest Labs 首席执行官
- 场合：两段关于 AI 基础设施与生成式视觉技术的访谈；谈话提及在巴黎、凡尔赛宫
- 时长：约 01:03:35
- 转写提示：英文转写含品牌、人名及型号识别不稳之处；下文对无法由对话确认的产品名称不作补全。
背景
这集把两条常被分开讨论的链条接在一起：前半段谈推理芯片、数据中心、模型路由与发布安全，后半段谈图像和视频模型如何进入导演的创作流程，并进一步走向机器人动作预测。主持人不断追问同一个问题：当模型越来越能理解意图、生成内容甚至规划行动，谁拥有足够的算力、控制权和安全余量来使用它？
Feldman 从 Cerebras 的供给端观察需求；Black Forest Labs 首席执行官则从模型与工具端解释，为什么生成一张可修改的图、协助导演传达场景构想，比宣称“一键拍出电影”更接近眼前的用途。两位嘉宾都谈到开放模型，但侧重点不同：前者关心企业部署与数据主权，后者关心创作者及知识产权持有人的使用边界。
总结分析
本集最有用的转向，是把“AI 能做什么”改写成“哪些环节承担它的成本与风险”。Feldman 说，客户眼下要追赶的是已经出现的需求，而不是先建数据中心再等待用户；他同时承认，企业早期放任员工消耗 token 的做法会逐渐收敛。由此，算力扩张与成本治理并非相反方向：昂贵的前沿模型留给难题，可靠、较便宜的开放模型接手大量日常事务。推理速度也不只是让回答更快；如果一次任务包含反复检查、调用工具及安全防护，每一步的延迟都会累积。不过，订单积压和性能增长是嘉宾的陈述，不能直接当成已交付收入或通用实测结论。
能力越强，控制问题越难回避。Feldman 支持在高风险模型发布前给政府短暂的测试与修补窗口，却没有断言节目提到的某次发布究竟有多危险。他与主持人又以“AGI 已经到来”概括能力跃迁，但紧接着讨论的递归改进、人际协作和现实执行，恰好说明“通过旧定义”不等于所有工作已经自动化。这些判断适合作为观察框架，而不是已定论的技术分界线。
后半段给出一个更具体的落地场景：Black Forest Labs 与 Scorsese 讨论的不是替导演完成整部电影，而是将脑中的场景变成可反复修改的视觉材料。图像、视频和动作预测共用模型能力的前景令人兴奋，嘉宾也明确说机器人仍需针对硬件与任务调整，靠自然语言即时指挥尚未实现。对读者而言，最值得追踪的不是单一演示有多惊艳，而是每项用途是否提供可控的迭代、可信的成本比较，以及清楚的安全和 IP 边界。
节目结构 / 议程
- 数据中心扩张：需求先于供给 — 02:12 🎧
- 250 亿美元积压订单与 token 治理 — 03:53 🎧
- 从提示词技巧到理解意图 — 10:20 🎧
- 推理芯片的性能曲线与客户自研 — 15:24 🎧
- 开放模型：普通任务、敏感数据与主权 — 19:14 🎧
- 高风险发布：先测试还是先开放 — 24:50 🎧
- “AGI 已到来”：旧定义与新门槛 — 29:38 🎧
- 递归改进之后，瓶颈可能是人 — 32:30 🎧
- 从压缩图像到预测动作 — 42:17 🎧
- Scorsese 的工具箱：先把想法变得可见 — 46:29 🎧
- 影视制作成本与机器人的现实距离 — 52:57 🎧
- 开放工具与 IP：让谁创作、允许创作什么 — 58:02 🎧
分节详解
1）数据中心扩张：需求先于供给 — 02:12 🎧
💬 他们说了什么：Feldman 描述了美国、加拿大、北欧、法国、中东等地的数据中心建设，称单栋建筑可有足球场大小，输入电力可超过一座中等城市。他说客户正在预订尚未建成的容量，需求增长快于建设及设备安装；他还作出“未来数年的用电超过此前地球上 50 年”的强烈表述。
💡 为什么重要：推理能力的扩张首先受制于建筑、电力和设备交付，而非仅仅受制于模型设计。
⚡ 争议点：关于建筑用电及“50 年”的说法未给出统计口径，不能据此推算行业总能耗。
2）250 亿美元积压订单与 token 治理 — 03:53 🎧
💬 Feldman 称 Cerebras 有 250 亿美元订单积压，并把客户处境形容为“如何不让已出现的需求流失”。他承认大量 token 消耗仍属试验，类比早期员工自行刷卡使用 AWS：有些投入有效，有些会浪费。企业因而开始区分高生产率使用者与适合较便宜模型的工作。
💡 需求旺盛不等于每次调用都有商业回报；模型路由和预算分配会成为运营能力。
⚡ 积压订单的构成、履约时间及收入确认并未在访谈中展开。
3）从提示词技巧到理解意图 — 10:20 🎧
💬 主持人举例，让 AI 智能体（Agent）每小时寻找尚未被注意的趋势，并观察它比较 Hacker News、Reddit 与社交媒体等线索。Feldman 认为模型正从对提示词细节敏感，走向主动理解意图、提出方案；主持人进一步设想让任务运行 25 或 48 小时，并询问更快的推理硬件会如何改变结果。
💡 长任务把速度变成工作流变量：搜索、复核与再次推理所需时间，会决定用户能否实际使用结果。
⚡ “无限 token 等于无限推理”是对话中的推断，不代表任务效果没有边际收益或预算上限。
4）推理芯片的性能曲线与客户自研 — 15:24 🎧
💬 Feldman 称推理会在内部消耗大量 token，因此快速计算可缩短取得好答案的等待；他预计 Cerebras 架构在未来 18 个月的提升将明显超过 2 倍。谈到大型客户自研芯片，他认为其首要动机是避免完全依赖供应商，不一定非要做出最快的芯片。
💡 芯片竞争同时涉及性能、供货保障和议价自主权；客户也可能成为供应商的潜在竞争者。
⚡ 性能展望没有说明基准任务或比较对象，不能当作已验证的普遍加速幅度。
5）开放模型：普通任务、敏感数据与主权 — 19:14 🎧
💬 Feldman 把难题比作需要“法拉利”，把大量复制、粘贴及日常行政事务比作适合“家用车”的任务；后者未必需要最强模型。他说受监管企业关注本地部署、数据泄露与模型控制权；Cerebras 运行 GLM、Kimi、Qwen 系列及客户自建模型，也运行闭源模型。他主张美国需要更多本土开放模型，为用户增加选择。
💡 开放模型的价值不只在价格，还在部署位置、数据流向及减少单一供应商依赖。
⚡ 模型是否足以胜任某项“普通任务”，仍须按可靠性、安全性和总成本逐项测试。
6）高风险发布：先测试还是先开放 — 24:50 🎧
💬 面对模型可能用于网络攻击的提问，Feldman 没有声称自己看过该模型或确认具体威胁。他认为，若能力足以造成明显风险，政府要求分阶段发布、进行红队测试，并留出 两三周修补显见漏洞，并非不合理。主持人转述 Palo Alto Networks 负责人称，一次测试发现了原本未知的漏洞，团队随后进行了 六周修补。
💡 发布速度与防御准备之间存在可操作的时间窗口，安全措施本身也可能增加推理延迟。
⚡ 被讨论模型的实际危险程度，以及漏洞案例的测试条件，均无法仅凭这段谈话核定。
7）“AGI 已到来”：旧定义与新门槛 — 29:38 🎧
💬 主持人提出“我们已有通用人工智能”，Feldman 表示若按 20 年前会提出的定义衡量，今天的系统已经越过门槛。两人随即谈到让模型检查工作、指出遗漏问题，以及多个智能体相互核验的可能性。
💡 “AGI”在这里是对能力变化的判断，同时也暴露了定义会随预期提高而移动的问题。
⚡ 通过过去的能力测试，不等于模型已能可靠承担所有现实任务；节目没有给出可复现的 AGI 判定标准。
8）递归改进之后，瓶颈可能是人 — 32:30 🎧
💬 Feldman 描述循环流程：提出问题、学习结果、再次运行，让答案覆盖更多材料；他称这种增益可能非常陡峭，但也追问它会在何处停止。接下来，两人把话题转向组织中的协作和动机：不少管理难题并非纯智力题。谈到长期工程时，Feldman用跨代石匠传授技艺作类比，强调迭代速度的差别。
💡 更好的答案仍需要人协调资源并付诸执行；计算循环的进步不能自动消除组织摩擦。
⚡ 循环改进能维持多久、能否跨入现实行动，谈话没有给出实测边界。
9）从压缩图像到预测动作 — 42:17 🎧
💬 Black Forest Labs 首席执行官解释，团队先将图像、视频和音频压缩为更高效的表示，再据此训练生成模型；他们此前参与构建 Stable Diffusion。他说正在探索同时处理图像、视频、音频与动作预测的多模态模型，最终希望用于现实世界的机器人。他区分视觉上的直觉能力与深层推理，认为完整能力需要两者配合。
💡 生成画面与预测下一步动作，在这条研究路径中不是截然分开的产品方向。
⚡ 能生成可信视频，不足以单独证明模型已掌握可用于机器人操作的物理规律。
10）Scorsese 的工具箱：先把想法变得可见 — 46:29 🎧
💬 嘉宾说团队曾与 Martin Scorsese 在同一房间探索模型：导演描述一处东欧村庄场景，众人查看图像输出后继续修改。他认为价值在于把导演脑中的画面转为可沟通的视觉材料，而非规定导演应如何使用工具。对于一键生成长片，他表示未必是最终目标，更看重创作者持续参与迭代。
💡 这把生成式视频从“替代整部电影”拉回到选景构想、视觉沟通与分镜等具体环节。
⚡ 示范图像能帮助沟通，并不意味着镜头连续性、表演和最终成片质量已得到解决。
11）影视制作成本与机器人的现实距离 — 52:57 🎧
💬 主持人转述与演员 Gal Gadot 的谈话：一部比特币题材电影使用生成式背景，预算约 3000 万美元；她称若搭建布景，可能要 1.5 亿美元。嘉宾说确有生成技术进入制作的案例，但高端电影仍极为严苛。他随后谈到机器人：当前通常还须按设备及具体任务，以数小时数据微调；像对语言模型一样直接指挥机器人，尚未实现。
💡 影视与机器人都展示了模型走出单次生成演示后的潜力，也同时要求场景专用的质量控制。
⚡ 电影预算对比是主持人转述的估算，不是节目提供的项目财务核算；机器人微调需求也不宜外推到所有设备。
12）开放工具与 IP：让谁创作、允许创作什么 — 58:02 🎧
💬 面对 Disney 等 IP 持有者，嘉宾说 Black Forest Labs 的公开工具会限制生成某些受保护内容，也与部分权利人合作开发模型，既使用开放模型，也使用专有模型。主持人以《星球大战》粉丝影片设想授权创作；嘉宾认为，若能同时满足权利人与创作者，定制故事会很有吸引力。节目末尾，嘉宾说公司人数刚超过 100 人，正于德国和旧金山招聘。
💡 开放模型扩大创作入口，但能否形成持续产品，取决于授权、输出控制与权利分配。
⚡ 粉丝付费授权、互动平台等仍是对未来模式的设想，访谈未宣布具体上线方案。
人物与机构
- Andrew Feldman／Cerebras：讨论推理硬件、数据中心建设、模型运行与发布安全；有关订单及性能的数字来自他的访谈陈述。
- Black Forest Labs 首席执行官：讨论图像、视频、动作预测、影视工作流及 IP 合作；所给转写片段未明确写出其姓名。
- Martin Scorsese：与 Black Forest Labs 团队探索用图像表达电影场景构想。
- Gal Gadot：主持人转述其对一部比特币题材电影制作方式及预算的描述。
- OpenAI、Anthropic、Palo Alto Networks：分别在算力需求、模型发布竞争及安全测试案例中被提及。
金句
中：“需求增长的速度，远超我们建设数据中心并装入硬件的能力。” EN：“The demand is way outstripping our ability to build data centers and to fill them with hardware.”
中：“我们已经有通用人工智能了。” EN：“We have artificial general intelligence.”
中：“没有现成的操作手册。” EN：“There's not a playbook.”
中：“政治极化造成了很大的伤害。” EN：“I think the polarization hurts a great deal.”
中：“语言终究是一种有些失真的沟通媒介。” EN：“Like language ultimately is like a little bit of like a lossy communication medium, right?”
洞见与延伸背景
把两段访谈并读，可以看到同一种“控制”需求贯穿不同产业层：算力买家希望不被单一芯片供应商卡住，受监管企业希望决定模型在哪里运行，导演希望反复修改视觉表达，IP 持有者希望决定哪些角色可被生成。开放并不自动解决这些需求；它提供可选择、可改造的基础，但仍需要成本、安全和授权机制。
Scorsese 案例也提醒人们区分“生成内容”与“完成作品”。当语言难以精确传达场景，图像能够帮助团队更快对齐；镜头是否可用、故事是否成立，仍须由参与制作的人判断。同理，模型能预测动作是一条通向机器人的研究路径，但嘉宾描述的现状仍包含设备适配与任务微调。
争议与需核实
- 公司与产品表述：开场主持人称 Cerebras 已完成 IPO；所给对话未提供发行日期或文件。转写中还有 Cerebras 名称及若干型号的识别混乱，不能据口语片段确认正式产品名。
- 规模数据：250 亿美元积压订单、未来 18 个月性能提升及数据中心用电表述，均缺少访谈之外的计算口径与独立验证。
- 安全案例：模型发现漏洞、持续六周修补的说法来自主持人转述；节目没有展示测试报告。
- 电影成本：3000 万与 1.5 亿美元的比较是二手转述，不足以断定节省额全部由生成式背景带来。
- AGI 定义：嘉宾认可“按旧定义已实现”的判断，但未提出共同认可、可复现的现行标准。
- 授权边界：主持人提到的粉丝影片、角色授权和未来收费方式，不能视作权利人已批准的通用规则。
行动建议
- 为 AI 工作流区分高难推理与重复性任务，分别记录质量、延迟及 token 成本。
- 评估长期运行的智能体任务时，要求其复核结果、列出遗漏问题，并保留人工验收步骤。
- 涉及敏感数据时，比较本地或受控部署与外部模型服务的数据流向，而不只比较模型得分。
- 采购算力或评估供应商时，分别核对订单、实际交付能力及具体任务上的性能。
- 将生成式视觉工具先用于可迭代的构想沟通；进入正式制作前，单独确认素材质量与 IP 权限。
