0:00 / --:--
Latent Space · 6 月 18 日
AMP 创始人 Anjney Midha 认为，算力浪费的根源不是技术瓶颈，而是出资、建设、调度与衡量产出的人相距太远，目标在规模扩张中逐渐偏离。
AMP 创始人 Anjney Midha 把算力利用率、数据中心的社区责任、前沿研究的组织方式，以及医疗决策中的资源浪费，归结为同一个问题：如何让资金、基础设施、团队与使命持续对齐，真正做到“最大化产出”（output maxing）。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
Latent Space· 2026-09-25OpenRouter：从种子轮到 Stripe——与 OpenRouter 的 Alex Atallah 和 AMP 的 Anjney Midha 对谈OpenRouter: from Seed to Stripe — with OpenRouter’s Alex Atallah & AMP’s Anjney Midha同一位嘉宾：Anjney Midha
All-In Podcast· 2026-09-21Naveen Rao：四维计算、AI 的能源瓶颈与超越生物学Naveen Rao: 4D Computing, AI's Energy Wall & Beating Biology同主题：AI 算力基建
The Twenty Minute VC (20VC)· 2026-10-2420VC：为什么机器人市场将比编程智能体大 100 倍｜推理将成为 10 万亿美元的市场：没人看到的是什么｜为什么软件投资者如今要倒大霉了——对话 Unconventional 的 Naveen Rao访谈从一个具体的基础设施问题开始：买下或部署的计算卡，究竟有多少被分配给任务，又有多少真正转化为有效计算？Anjney 将前者称为节点利用率，将后者称为 MFU，并认为大规模集群的浪费往往不是单点技术故障，而是出资、建设、调度与衡量结果的人相距太远。
AMP 的回答不是把所有环节收入一家公司的垂直体系。Anjney 将其描述为跨云、跨芯片的“计算电网”：汇集不同供应商的算力和不同研究团队的需求，在保障基础负载的同时调度短期峰值。他还介绍，AMP 的 Foundry 业务会孵化或投资前沿 AI 团队。因此，节目里的“产出”既指集群效率，也指有限资源能否支持值得做的研究。
这份材料同时包含明确的限制：嘉宾提出了多项规模、风险及机构实践方面的说法，但访谈未附计算口径或独立文件；转写中段也被省略。下文将发言、类比、目标和已经完成的事实尽量分开。
这期访谈的主线，是把“浪费算力”扩展为“浪费组织能力”。Anjney 先区分节点分配与 MFU，指出集群即使装满任务，也未必高效地产生计算成果；而当资本方、部署方、运维方和最终使用者之间隔着过多层级，小小的目标偏差会随规模放大。他提出的 AMP grid 因此不是另一家包办所有环节的云厂商，而是借鉴电网的中立协调方式：汇集可信供应、保障研究团队的基础用量，并调度可中断的弹性需求。但主持人提出了关键反例：内部积分市场不一定能替代集中决策，有时前沿突破需要组织明确地押注一个方向。
访谈随后把效率与责任绑在一起。Anjney 认为，数据中心若无法让所在地社区看见收益，电力、许可与公众支持就会成为算力扩张的真实约束；他也把更好的算力基础设施与自己长期关注的临终医疗预测联系起来。不过，社区反对比例、吉瓦规模需求、医疗支出比例及预测模型效果，都仍需按口径核实。到了后半段，“output maxing”又成为一种组织判断：Anthropic 的编码能力，在他看来不宜简单归为幸运，而与长期准备、资源约束和清晰的最高优先级有关；文化则不是买来后便永久存在的护城河，而要由日常取舍反复维护。整期最有价值的张力正在这里：共享资源可以提高利用率，却可能削弱统一指挥；资本和算力可以加快扩张，却未必能买到使命、判断力或研究成果。
💬 他们说了什么：Anjney 区分了两种常被混称为“利用率”的指标：节点分配率衡量数据中心里多少计算卡在使用，MFU 则指向计算资源实际发挥的效率。他说，在其联合创始人 Seb 所熟悉的 Google 环境里，95% 节点利用率会被视为故障状态，因而认为 96% 应成为标准；对 MFU，他给出的当下顶尖水平判断是 60%—70%。Seb 曾在 Google 构建 Borg、PBorg/GQM 调度系统，而 Anjney 认为许多单租户集群并未达到上述节点利用率。他用两条起初只偏离几度、随后越离越远的线作比喻：出资者、部署者、集群管理者和产出衡量者之间的层级越多，最初微小的不对齐越容易被规模放大。他主张渐进式启动和迭代扩容，而不是以 AI 发展太快为由放弃成熟基础设施经验。
💡 为什么重要：“卡被占用”不等于“卡在有效地产出”，分别测量两者才能定位浪费。嘉宾进一步将效率问题提升为领导与组织问题：当规模迅速增加时，错误流程也会被一同复制。
⚡ 争议点：95%、96% 与 60%—70% 是嘉宾在访谈中的经验判断，转写没有给出同口径的集群测量资料。单租户集群与 Google 内部集群是否适合直接比较，仍需看工作负载及计量方式。
💬 Anjney 将“快速行动、稳定基础设施”的说法再推进一步，提出要“快速行动，同时建设负责任的基础设施”。他转述 General Matter 创始人 Scott Nolan 在 Stanford 课堂上的设想：若算力边际价格为每小时 4 美元，新数据中心可收取 4.50 美元，把增加的 50 美分直接交给当地社区；Anjney 说自己作为买家愿意支付。他称，据其理解，美国当年“多达 20%”的数据中心可能面临社区支持不足的风险，但随即也承认这个数字可能被夸大，需要细查。他与 Swyx 提到电网、环境和许可；Anjney 进一步设想，如果数据中心能降低当地居民电费，社区才更可能感觉自己是交易的伙伴。他偏好拥有长期经营记录的数据中心合作方，并认为把“neocloud”当作全新类别，有不少营销成分。
💡 他把社区支持从形象问题变成供给可靠性问题：若项目无法建设，纸面算力也无法交付。向当地居民明确分配收益，是他提出的激励对齐方案，而不是访谈中已落地的制度。
⚡ “多达 20%”缺少来源、年份口径及“面临风险”的定义，嘉宾本人也提醒可能高估。每小时多收 50 美分是否足以覆盖或补偿各类当地影响，访谈没有测算。
💬 面对 Swyx“全栈自有是否更容易对齐”的提问，Anjney 提出两种架构：把流程整合进单一体系，或将资源抽离出来供多个需求方共享。AMP 选择后者，将 AMP grid 描述为跨云、跨芯片的算力汇集与调度层，目标是“让 FLOPs 像兆瓦一样流动”。他说，当前各处存在孤立的算力池，资源缺乏互换性；AMP 现阶段从调度和经济层入手，定位更接近电网的独立系统运营者，而非自有全部资产的云公司。他借不同工厂错峰使用电力说明：保障各自基础负载之后，共享网络可以承接高峰需求。在 AMP 的叙述里，Seb 与 Mihai 的 Google 调度经验是技术起点；需求方可获得基础容量，并通过可中断任务、积分或动态优先级使用额外算力。Anjney 说，AMP 从可信伙伴汇集的供给涉及“四年约 1.3 吉瓦”的规模。
💡 这一模式试图解决“每家都为自己的峰值建容量，平时却闲置”的问题，也解释 AMP 为何把中立协调而非垂直整合作为自身定位。访谈同时显示，调度规则不仅是技术细节，还决定哪些研究工作先拿到稀缺资源。
⚡ Swyx 指出，积分式内部市场未必总能替代集中指挥；若组织必须全力投入某项突破，分散竞价可能产生错误优先级。嘉宾举出的具体任务积分比较被他明确称为虚构示例，不能当成 AMP 的实际定价规则。
💬 Anjney 说 AMP 采用控股公司结构：一边是基础设施业务，一边是名为 Foundry 的资本业务，后者孵化或投资新的前沿 AI 实验室。他以 Periodic 为例，并称其基金在“今年早些时候”向 Anthropic 投入了数亿美元。他的判断是，一些在 DeepMind 等既有实验室推动前沿的研究者，可能与母公司的商业优先级发生冲突；即使研究有价值，也未必得到发布或产品化机会。他还谈及自己听闻的 DeepMind 论文禁发窗口，并据此担忧：能够公开的论文与企业认为有商业价值、因此保留的研究之间，可能出现“逆向选择”。在他看来，研究被长期囤积会形成负外部性，Foundry 则是尝试让部分团队与成果获得独立发展路径。
💡 AMP 不只提出“提高已有卡的使用率”，还想改变谁有机会使用算力、将研究推进到什么阶段。基础设施与资本业务并置，意味着嘉宾所说的“解锁研究”同时是一项资源配置主张。
⚡ 论文禁发及“有价值成果被保留”的具体机制，在访谈中属于嘉宾转述和判断，不能据此确认机构统一政策。Foundry 对哪些团队投入、如何避免资本配置本身带来新偏差，转写没有展开。
💬 Anjney 澄清，谈到的 1.2 吉瓦并非已经全部锁定的算力；他希望长期维持约 1.2 吉瓦基础负载容量，并估计未来四年还需约 6 吉瓦峰值容量，才能让相关团队灵活推进研究。他随后转向自己在 Stanford Med 生物信息学阶段关注的临终预测：导师 Nigam Shah 研究如何利用纵向患者数据，改进姑息治疗相关决策。他说，当时名为 STRIDE 的 Stanford 数据集至少涉及 1200 万名患者；他也称，彼时美国 Medicare、Medicaid 支出中，超过 30%用于临终照护。他认为，医生面对高不确定性和误诊责任，可能给出过宽的生存期区间，患者因此难以权衡治疗与生活质量。团队曾尝试简单神经网络等方法；在他看来，模型之外的持续障碍是监管及错误诊断的责任归属。他说此事 14 年来一直萦绕心头，并将患者赋权和“净正面影响的数据中心”视为自己重视的两项使命；AMP 被设立为公益性公司。
💡 这一段说明，他为何不把算力效率仅理解为降低采购成本：如果计算资源能支持更好的临床决策，其最终衡量对象可能是患者获得的信息和选择权。它也把“有算力”和“能够合法、安全地用于高风险场景”区分开来。
⚡ 数据集规模、医疗支出比例、预测效果及责任障碍均需查明具体时期、定义和研究结果。嘉宾表示技术“可行”，但访谈未提供模型性能、临床验证或部署证据；医疗建议不能由这一段推导出来。
💬 Swyx 尝试把避免 GPU 与医疗资源浪费归为同一主题；Anjney 给出的工程名称是 output maxing，即“最大化产出”。他反对把规模化理解为不加判断地堆投入，也反对架构过度分散、缺乏标准化；他以 Anthropic 聚焦 Transformer 架构作为自己所理解的取舍例子。若在 Stanford 建立相关学科，他说也可能称之为“对齐系”，但这里的对齐不只指模型安全，还包括资本、建设者与最终公众之间的目标关系。他认为，组织成长时分工和接口增加，信息在层层抽象中发生损失，因此提出问题：能否扩大规模，却不丧失原有的目标对齐？他的两个方向是标准化协议与接口，或者创造足以打开新容量的能力；谈到后者时，他举了室温超导体的设想。
💡 “最大化产出”在这里成为贯穿节目的判断框架：比较方案时，不能只看投入规模，还要看接口损失、标准化程度和最终结果。它也解释了他为何同时讨论调度、实验室组织与研究使命。
⚡ “对齐”覆盖的对象过广，尚不是一套可直接测量的工程指标。关于室温超导体的时间判断是嘉宾预测，并非访谈中得到证实的进展。
💬 Swyx 提到此前节目讨论过 SF Compute，其尝试之一是标准化算力期货合约；他明确表示自己并不知道该项目进展如何。Anjney 称赞 Evan 和 SF Compute，认为交易机制启动困难，因为基础设施不同环节之间存在效率损失和互信边界。紧接着，所给英文材料以“中段省略”跳过较长对话；省略后的可见片段谈到，研究者若能够准确说明技术工作，彼此之间仍有协作情谊，而过度粗略的商业标签会遮蔽差异。片段还出现 Pim、Black Forest Labs、Flux 与课堂嘉宾 Andy Blattman，但不足以重建他们在缺失段落中的完整讨论。
💡 可见发言为“可交易的算力”补上一个必要条件：有合约或调度层，还必须处理跨机构的信任问题。转写缺口也提醒读者，不能把议程提示中的所有话题都当成已有逐字证据。
⚡ 本节尤其不能据省略段落推断 AMP 与 SF Compute 的合作关系、产品进度，或任何非 NVIDIA 芯片的具体结论。嘉宾关于技术标签造成误解的判断，所给片段只保留了部分上下文。
💬 Swyx 说，公众叙事常把前沿团队排成“谁赢、谁落后”的竞争队列。Anjney 则区分领先与赢：他认为团队应推进 SOTA、做前人未做之事，也要获取足够价值继续创新，但不应只以尽可能多地攫取价值为目标。他提到 Jensen 在 Dwarkesh 节目中的说法，并认为两位讨论者可能使用了不同的产业抽象：一方是产业层次，另一方更着眼训练系统循环。随后两人谈到第一性原理；Anjney 尤其批评在不确定时期把上一时代有效的启发式当成不容置疑的公理，以此判断公司或研究者。
💡 他的区分使“竞争力”有了更具体的检验对象：是否推动技术边界，以及获取的价值是否足以支持持续创新。对分析者而言，先说明使用哪套抽象，再比较公司，可能比直接宣布赢家更有信息量。
⚡ “领先”和“赢”的界线属于嘉宾的规范性判断，不是访谈验证出的行业共识。对其他节目谈话的概括也只是他在本次访谈中的解读。
💬 Swyx 提出问题：Anthropic 是怎样在编码能力上取得突破的？他给出的待讨论假设是，最初或许有一次“幸运的骰子”，随后团队发现优势并继续投入。Anjney 没有给出某次训练的技术配方，而是讲起 Rishi Valley 的老师反复对他说的“运气眷顾有准备的头脑”；老师借他考试成绩提醒，偶然取得高分不等于可以停止准备。他据此认为，Anthropic 多年来保持准备状态，在合适的开发者使用、上下文与反馈到来时，才有能力利用机会。他还说，早期获得资源困难，迫使团队以较少资源完成较多工作。Swyx 同意其效率判断，但这一段没有报出可比较的消耗数字。
💡 这一回答把“突破”从单个模型时刻，改写为长期组织能力与机会相遇的结果。它提示追问技术成果时，还应追问团队此前如何配置资源、收集反馈和保持方向。
⚡ 这不是 Anthropic 编码突破的可验证技术复盘；对训练数据、训练过程或因果权重，访谈均未提供证据。“准备”可以解释结果，但不能单凭结果证明准备就是决定性原因。
💬 Swyx 将文化和团队称为比数据更深一层的护城河；Anjney 接受其重要性，却强调文化很脆弱，必须反复补充。他回忆在 a16z 办公室见过的标语：“文化不是一套信念，而是一套行动”，并说若领导者停止作出与使命一致的取舍，文化就会松散。他认为，有些 AI 实验室即使有钱、有算力，仍不能交付 SOTA，问题可能在文化；与此相对，他把 Anthropic 早年遭遇拒绝和资源约束，视为迫使团队明确优先级的条件。按他的叙述，Anthropic 从早期就重视随机系统的误差与安全风险，同时把编码定为最高优先级 P0：若编码能力能广泛加速计算机上的工作，就有助于推进其 AGI 使命。他拿 Periodic 作对照：那里的使命是超导研究，编码工具可以使用 Claude，而不必自行把编码能力当作首要研发目标。
💡 这里的“文化”不是福利、口号或招聘话术，而是遇到资源竞争时实际拒绝什么、坚持什么。P0 的价值在于让团队知道即使有钱和算力，也不应同时追逐所有方向。
⚡ Anthropic 的早期 P0、安全取舍及其他实验室未交付成果的原因，均是嘉宾在访谈中的叙述或诊断。困境能否普遍造就强文化，也不能由一个案例直接推出。
💬 被问到 Periodic Labs 的约束是什么，Anjney 首先回答“物理学”，即研究必须面对现实世界的验证。他提到 Liam、Doge 及其此前的工作经历，并回忆自己在 Stanford 物理系接触模型评测时，发现前沿模型虽能摘要论文，却不擅长分析凝聚态物理实验室的数据。他说，Periodic 后来出现技术突破并做出了 SOTA 系统，但没有在访谈中披露细节；Swyx 表示会另做一期节目讨论。Anjney 还讲述一则招聘经历：有人曾表示想加入，后来因别处给出更多钱而改变决定；突破后又想回来，他拒绝了。他借此区分硅谷的使命驱动者与受短期回报驱使者，同时承认第二次机会需要时间。
💡 这为上一节的文化判断提供了一个具体场景：技术约束不能靠叙事消除，团队也必须决定以什么原则招人。招聘选择在他看来会传递使命是否真的高于一时的市场热度。
⚡ Periodic 的“SOTA 系统”没有公布任务、指标或结果，本次访谈不足以评估突破。招聘故事只有嘉宾一方的匿名叙述，也不宜据此判断当事人的完整动机。
💬 Anjney 回忆在印度 Rishi Valley 的寄宿生活：学校由 Jiddu Krishnamurti 创办，住宿条件在他的记忆中十分简朴。后来，他通过奖学金项目到新加坡，在 St. Andrew’s JC 就读；他描述过渡宿舍空间狭小、多人使用上下铺，也说自己喜欢那段与室友共同生活的经历。他由此解释，自己生活中“不需要很多东西就能快乐”；金钱可以是开展有意义事业的资源，但若从工作的副产品变成衡量自我的首要尺度，意义就会改变。Swyx 将其概括为“用资源追求使命”。访谈最后，两人谈及可能的第二部分、再聊 AMP 与投资，并以相约吃鸡饭的轻松对话结束。
💡 这段个人经历为前面的资源取舍提供了嘉宾自述的价值背景：他要求团队定义使命，也试图说明自己为何不愿把金钱当作终点。不过，个人节俭与企业资本配置之间仍需靠实际行动连接。
⚡ 成长叙事能解释一个人的自我理解，却不能单独证明其组织决策一定有效。有关金钱作为“结果”还是“尺度”的界线，访谈提出了原则，没有给出通用判准。
“The goal is to try to make FLOPs flow like megawatts.” “目标是努力让 FLOPs 像兆瓦一样流动。”
“Common sense should always be in fashion.” “常识应当永远不过时。”
“It’s output maxing. It’s the department of output maxing.” “这就是最大化产出——可以说是一门‘最大化产出学’。”
“No, I think you want to lead.” “不，我认为你想要的是引领。”
“Luck favors the prepared mind.” “运气眷顾有准备的头脑。”
“Culture is not a set of beliefs, it’s a set of actions.” “文化不是一套信念，而是一套行动。” 注：这是 Anjney 在访谈中回忆的办公室标语。
“The mission defines everything.” “使命决定一切。”
reused_en_transcript：用户提供的英文转写；中段含明确省略。