这集讲什么
特拉维斯·卡兰尼克与加文·贝克认为，AI 竞争正在从模型能力延伸到内存、电力和推理部署，而能否把算力真正送上线决定了巨额订单的价值。
1-3要点
- 三场纽约初选胜利提高了民主党在任者对党内挑战的警觉，但不自动等于全国选民转向。
- Chamath 的 AI 论点是“知识可得”之后还要“行动能力可得”；硅谷信誉是他认为的推广障碍。
- Baker 将政治动员与住房、教育、医疗的负担连接起来，提醒读者区分生活诉求和意识形态归类。
0:00 / --:--
All-In Podcast · 6 月 26 日
本期节目揭示了科技行业的剧变：谷歌AI团队动荡可能削弱其竞争力，AI市场正形成Anthropic和OpenAI的双头垄断，而SpaceX虽增长强劲但面临高资本支出挑战。
特拉维斯·卡兰尼克与加文·贝克认为，AI 竞争正在从模型能力延伸到内存、电力和推理部署，而能否把算力真正送上线决定了巨额订单的价值。
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· 2026-08-08谷歌的 AI 人才流失、SpaceX 的强劲季度表现、Airtable 暴跌 90%、美国数据助推中国 AIGoogle's AI Brain Drain, SpaceX's Huge Quarter, Airtable's 90% Collapse, US Data Fuels China AI同主题：AI 市场竞争
a16z Show· 2026-08-26AI 现状：宏观、应用与消费者The State of AI: Macro, Apps, and Consumer同主题：AI 市场竞争All-In Podcast· 2026-06-06IPO 回归：科技巨头为何终于开始上市｜All-In Liquidity IPO 圆桌讨论All-In Podcast
Socialists Sweep NYC, China Catches Up in Coding, AI Memory Crunch, Micron's Blowout Quarter
YouTube
音频
本集从纽约市三场获 Zohran Mamdani 支持的民主党国会初选获胜谈起，随后转向中国编程模型、内存瓶颈、分布式推理和科技 IPO。话题跨度很大，但反复出现同一个问题：一种主张、一份订单或一项技术能力，怎样跨过组织、制造与部署环节，变成可持续的结果？
下文保留嘉宾的判断及其分歧。政治段落中的选民构成、候选人言行和政策效果，许多是发言者的陈述而非已在节目中完成核验的事实；涉及估值和收入的数字也应区分预测、粗算与已实现业绩。
前半集围绕民主党内部的组织力量展开。主持人列举纽约第 10、第 13 选区及第 7 选区的初选结果：Mamdani 支持的人选三战全胜，其中两场击败在任者。Sacks 将其解释为 DSA 对民主党建制派的持续挑战；Baker 则把重心放在政治传播上，认为 Mamdani 的个人能力，加上年轻人对住房、学费和医疗成本的不满，比抽象的意识形态标签更能解释吸引力。Chamath 随即把 AI 放进同一框架：如果科技业不能说明 AI 怎样让普通人把知识转化为行动能力，它就难以赢得公众信任。这是本集最有意思的连接，也是尚未被证明的因果判断。
技术与市场段落把“能力”进一步拆成可交付的链条。中国开源模型和编程能力引出竞争压力，但模型表现并不等于大规模服务能力；内存、芯片制造、电力、机房和安全部署各有约束。分布式算力的讨论尤其具体：相距数公里的 GPU 不适合被简单拼成训练集群，却可能承担邻近用户的推理工作。Baker 最后用 Cerebras 说明资本市场也在检验同一件事：合同签订后，还要等晶圆、服务器和供电逐段到位，收入才会出现。读这集时，最有用的不是接受某个宏大结论，而是持续追问每个数字处于链条的哪一步，以及哪一步仍只是设想。
💬 他们说了什么：主持人称 Mamdani 支持的三名候选人在纽约民主党国会初选中全部获胜：Brad Lander 在第 10 选区击败连任两届的 Dan Goldman，第 13 选区的挑战者击败连任五届的议员，Claire Valdez 赢得第 7 选区开放席位。节目称三场全胜在选前的预测概率仅为 26%，但没有在这段口播中说清该数字的单位。三处选区的经济与人口环境不同，主持人因此将结果视为超出单一街区的变化。
💡 为什么重要：初选胜负不仅决定候选人，也会改变其他民主党议员对被挑战风险的判断。
⚡ 争议点：三场选举不足以单独证明全国趋势；“26%”的预测对象和口径需查原始页面。
💬 Chamath 把互联网搜索描述为让世界知识可被获取的第一步，认为约 25 年后仍缺少把信息转为专业能力的工具，而 AI 可以补上这一步。他设想每个人身边都能有一位善于思考、工程和解决问题的“联合创始人”。他同时批评硅谷的公开争斗削弱了可信度，并称部分围绕 AI 的负面叙事由竞赛参与者资助；他还提及犹他和纽约的相关选战。
💡 这将 AI 的公众接受度与实际使用门槛、科技业信誉联系起来，而不只谈模型跑分。
⚡ “最大经济均衡器”是前景判断；他将就业及资源消耗等担忧一概称为虚假信息，节目没有提供足够证据支持如此全面的否定。
💬 Sacks 罗列他所理解的 DSA 政策方向，包括改变参议院及总统、最高法院的制度安排，改革选举制度，以及公共持有大企业；他据此认为该组织与民主党建制派存在根本冲突。他援引一位 DSA 联合主席的说法，称其将民主党视作取得选票资格的载体。Kalanick 则提出“真相与正义是社会的免疫系统”，认为信息失真和违法无后果会让社会问题恶化。
💡 两人的说法提供了两种不同的观察尺度：一是党内组织如何取得权力，二是公众如何判断制度仍可被信任。
⚡ Sacks 对候选人、移民投票和组织目标的多项指控均需逐条核实，不能把他的推断写成既定选举事实。
💬 Baker 认为 Mamdani 是极有天赋的政治传播者，并将其影响力与年轻人对住房、大学债务、医疗和通胀的不满相连。他批评政府资金流向 NGO，却认为无家可归问题的结果没有相应改善；谈到加州时，他声称相关人均支出约增至四倍。他反对 DSA 的经济主张，但也承认现有体系未能让一些人相信自己可以参与其中。
💡 若选民首先回应的是难以负担的生活，而非意识形态名称，仅批评对手标签就难以回应其诉求。
⚡ NGO 支出、结果及选民构成的说法缺少节目内可复核的数据链；政治人才与政策支持度也不能直接画等号。
💬 Chamath 主张考虑限制 16 岁以下人群使用社交媒体，推测这能减少年轻选民被激进内容影响。Kalanick 赞同过量使用有害，却担心年龄验证迫使成年人交出身份，进而成为审查工具。Baker 接受保护未成年人的目标，但要求同时保留匿名表达与言论自由。
💡 争论焦点不是“是否关心儿童”，而是能否设计出不要求所有成年人实名的执行方式。
⚡ 限制使用能否带来 Chamath 预期的政治变化仍是猜测；他对各国既有政策的描述也需按当地规则核实。
💬 Sacks 称纽约这次民主党初选投票率约为 17%，认为组织严密的团体在低投票率环境下更有优势。他把 Goldman 输给 Lander 主要归因于两人对以色列行动的立场差异，并援引民调称 80% 的民主党人不认可以色列；他还称 50 岁以下共和党人的相关不认可比例为 57%。主持人指出，这一议题在共和党内部也造成分歧。
💡 一次初选既可能反映候选人组织能力，也可能放大某项议题在高参与度选民中的权重。
⚡ 单一议题不足以完整解释选举结果；17%、80% 和 57% 的样本、问法与调查时间需核对。
💬 话题转入中国的编程 AI 与模型竞争；讨论中出现用较易问题交给其他模型、较难问题再交给前沿模型检查的工作流。嘉宾谈到中国在开放模型上的积累，以及模型能力能否被组合进产品和开发流程。随后还讨论模型越狱报告与安全升级的关系。
💡 编程模型的竞争不只看单个答案，更看工具组合、复核成本及开发者能否持续使用。
⚡ 本次提供的转写在这段讨论中部省略了大量原话，无法据此可靠列出具体模型的测试成绩或排名。
💬 讨论中有人以“模型落后六个月”描述差距，紧接着指出制造规模仍需扩大。节目随后提到可在 z.ai 体验相关模型，也出现服务繁忙的提示。这里的评价同时触及模型能力、产能和实际可用性，却没有在所提供的完整句子中给出统一衡量标准。
💡 模型展示、稳定服务与大规模供应是三件事；只用“领先或落后几个月”很容易遮住后两者。
⚡ “六个月”针对哪种模型能力、如何测量，不能仅凭这一处时间锚点下定论。
💬 半导体段落报出“同比约四倍”“从 90 亿到 420 亿美元”“高于预期 16%”及上调指引等数字。稍后发言者明确说，值得关注的瓶颈是 DRAM，并谈到 HBM DRAM 越来越像按需求定制的芯片。讨论也提及内存供应对消费产品价格的压力。
💡 AI 投资如果只盯 GPU，可能遗漏决定整机交付和成本的内存供应链。
⚡ 所给材料没有保留上述每个业绩数字的完整上下文；“约四倍”与“90 亿到 420 亿”的口径尤其需要回听原段并核对财报。
💬 主持人询问 TerraFab 建厂需要多久，随后讨论成本变化和基础设施经济性。谈到非数据中心场地时，嘉宾逐项指出液冷、风冷机械系统、能源以及实体门禁等要求；专用数据中心甚至设有双重门禁空间。Kalanick 举例说，即便两处设施只相距约两公里，GPU 间延迟也会严重损害分布式训练效率；其他嘉宾认为，邻近用户的分布式推理机会不同。
💡 把旧场地或闲置设备算作“可用算力”，必须先明确用途；训练与推理对网络和物理距离的要求并不相同。
⚡ 能否经济地改造场地、满足安全要求并稳定供电，不能由设备数量直接推算。
💬 Baker 将推理拆为理解输入及已有上下文的 prefill，和逐个生成后续 token 的 decode；他称后者受内存带宽约束。他设想让旧 H100、A100 承担部分工作，并与针对 decode 优化的芯片组合，以延长 GPU 使用年限；现场还举出在住宅安装四块 GPU、配电池服务邻近区域的创业方案。另有发言者提到，某网络上 H200 的小时租价约为 3 至 4 美元，并设想家庭电池与 GPU 结合的模式。
💡 若推理任务能够拆分，旧设备的剩余价值、部署地点和融资年限都可能重新计算。
⚡ 家庭节点的付款方式、可靠性、安全性和真实利用率尚未算清；设想中的商业模式不是已经兑现的收入。
💬 Baker 估计 Anthropic 若上市可能值约 3 万亿美元，但明确将其作为个人估值判断；他认为大型公司的上市主要是所有权从私募市场转向公开市场。谈到 Cerebras，他说股价跌破发行价会触发一些基金的机械性卖出；更根本的是，假设与 OpenAI 的合同规模约为 200 亿至 250 亿美元，晶圆制造约需四个月，组装服务器再需约两个月，找到电力后还需约一个月才能开始产出 token。他用每月新增 50 兆瓦的假设推算潜在收入，同时承认执行极难，并把“能接入多少兆瓦电力”列为核心观察指标。
💡 合同额、上市估值与已确认收入相隔多道工序。对供给受限的公司，按期通电可能比再宣布一份订单更能解释近期业绩。
⚡ 合同金额被发言者自己标为不确定；50 兆瓦及由此推得的收入是情景计算，不是公司承诺或业绩预测。
“AI 是我们这一生可能遇到的最强经济均衡器。” “AI is the greatest economic leveler [we] will ever find in our lifetime.” — Chamath
“真相与正义是社会的免疫系统。” “Truth and justice is the immune system for society.” — Travis Kalanick
“任何削弱训练的因素，可能恰恰有利于推理。” “Everything that cuts against training works for inference.” — 分布式算力讨论
“市场已经吸收了它；它只是从私募市场转向公开市场。” “The market’s already absorbed it. It’s just shifting from private to public.” — Gavin Baker
“我关注的是：他们能接入多少兆瓦电力？” “How many megawatts can they bring on?” — Gavin Baker
本集多次把“拥有”与“交付”区分开：拥有世界知识不等于人人能使用专业能力；拥有高性能模型不等于能持续向用户服务；签下一份巨额算力合同，也不等于设备已通电、收入已确认。这条线索比各话题表面的跳跃更能帮助理解整集。
推理拆分进一步改变了“旧 GPU”的含义。若 prefill 与 decode 可以由不同硬件承担，评价一台设备时就要问它适合链条的哪一段，而非简单归入“过时”或“先进”。但这个思路越接近家庭和社区场景，网络、维修、门禁及收益分配的问题就越不能略过。
政治段落也有相似的识别难题。低投票率下的组织能力、候选人的传播能力和选民对生活成本的愤怒，可能同时起作用。节目提供了多种解释，却没有完成把这些因素分开的证据检验。
