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。
0:00 / --:--
All-In Podcast · 7 月 9 日
Jensen Huang 强调 AI 的安全性与领导力并不矛盾，开源模型在推动全球创新中扮演关键角色，而中国在开源社区的贡献显著推动了全球 AI 技术发展。
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。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
All-In Podcast· 2026-07-15前 Intel CEO 谈哪里出了问题、接下来会怎样，加上 Lovable CEO 谈氛围编程的真正潜力Former Intel CEO on What Went Wrong, What's Next + Lovable CEO on the Real Promise of Vibe Coding同一位嘉宾：Jensen HuangAll-In Podcast· 2026-09-14Jensen Huang：末日论骗局、超级智能已经到来，以及 AI 的未来（特朗普总统参与）Jensen Huang: The Doomer Hoax, Superintelligence Is Here, and The Future of AI (ft. President Trump)同一位嘉宾：Jensen Huang
Lex Fridman PodcastAll-In Podcast
Open Source Wins, AGI Is Here, and Scorsese's AI Toolkit with CEOs of Cerebras & Black Forest Labs
音频
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。
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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
💬 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。
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?”
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。
