本週稍早，五位在 AI 供應鏈各個層面都有所接觸的專家齊聚比佛利山莊的米爾肯全球會議，與本刊編輯就從晶片短缺、軌道數據中心到支撐科技的整個架構可能出錯的可能性等議題進行了討論。
與 TechCrunch 同台的講者包括：ASML 執行長 Christophe Fouquet，這家荷蘭公司壟斷了極紫外光刻機的生產，沒有這些機器，現代晶片就不可能存在；Google Cloud 營運長 Francis deSouza，他正負責公司史上最大的基礎設施投資之一；Applied Intuition 共同創辦人兼執行長 Qasar Younis，這是一家價值 150 億美元的實體 AI 公司，最初從模擬起家，現已進軍國防領域；Perplexity 營運長 Dmitry Shevelenko，這是一家原生 AI 的搜尋代理公司；以及量子物理學家 Eve Bodnia，她離開學術界，在其創辦的新創公司 Logical Intelligence 中挑戰大多數 AI 產業視為理所當然的基礎架構。（Meta 前首席 AI 科學家 Yann LeCun 今年稍早已簽署成為其技術研究委員會的創始主席。）
以下是這五位專家的看法：
AI 的蓬勃發展正遭遇嚴峻的實體限制，而這些限制的開端比許多人想像的更深入底層。Fouquet 首先提出，他描述了「晶片製造的巨大加速」，同時表達了他「強烈的信念」，儘管付出了所有努力，「未來兩、三年，甚至可能五年，市場都將受限於供應」，這意味著超大規模雲端服務供應商——Google、Microsoft、Amazon、Meta——將無法獲得他們所訂購的所有晶片，就這麼簡單。
DeSouza 強調了這個問題的規模之大——以及成長之快——他提醒聽眾，Google Cloud 的營收在上個季度突破了 200 億美元，成長了 63%，而其積壓訂單——已承諾但尚未交付的收入——在一個季度內幾乎翻倍，從 2500 億美元增至 4600 億美元。「需求是真實的，」他以令人印象深刻的平靜說道。
對 Younis 來說，限制主要來自其他地方。Applied Intuition 為汽車、卡車、無人機、採礦設備和國防車輛建造自主系統，他的瓶頸不在於矽晶片——而在於只能透過將機器送入真實世界並觀察其行為來收集的數據。「你必須從真實世界中找到它，」他說，再多的合成模擬也無法完全彌補這個差距。「在能夠完全透過合成方式訓練運行於實體世界的模型之前，還需要很長一段時間。」
如果說晶片是第一個瓶頸，那麼能源就是緊隨其後的瓶頸。DeSouza 確認 Google 正在認真考慮太空數據中心作為應對能源限制的方案。「你可以獲得更豐富的能源，」他指出。當然，即使在軌道上，事情也並不簡單。DeSouza 觀察到太空是真空的，因此消除了對流，只剩下輻射是唯一能將熱量散發到周圍環境的方式（這比數據中心目前依賴的空氣和液體冷卻系統慢得多，也更難工程化）。但該公司仍將其視為一條可行的途徑。
DeSouza 所做的更深層次的論點，並不令人意外，是關於透過整合實現效率。他認為，Google 從客製化 TPU 晶片到模型和代理的整個 AI 堆疊進行共同工程的策略，在每瓦浮點運算（每單位能量的計算量）方面帶來了紅利，而購買現成組件的公司根本無法複製。「在 TPU 上運行 Gemini 比任何其他配置都更節能，」因為晶片設計師在模型發布前就知道其內容，他說。
Fouquet 在討論中稍後也提出了類似的觀點。「沒有什麼是無價的，」他說。該行業目前正處於一個奇特的時刻，由於戰略需要，正在投入巨額資金。但更多的計算意味著更多的能源，而更多的能源是有代價的。
當業界其他人在大型語言模型範式內爭論規模、架構和推理效率時，Bodnia 正在構建截然不同的東西。
她的公司 Logical Intelligence 建立在所謂的能量基礎模型（EBMs）之上，這是一類 AI，它不預測序列中的下一個 token，而是試圖理解數據底層的規則，她認為這種方式更接近人腦的實際運作方式。「語言是我大腦和你大腦之間的用戶界面，」她說。「推理本身並不依附於任何語言。」
她最大的模型擁有 2 億個參數——相比之下，領先的 LLM 有數千億個參數——她聲稱其運行速度快了數千倍。更重要的是，它的設計能夠隨著數據的變化而更新其知識，而不是需要從頭開始重新訓練。
她認為，對於需要掌握物理規則而非語言模式的晶片設計、機器人技術和其他領域，EBMs 是更自然的選擇。「當你開車時，你不是在搜尋任何語言的模式。你環顧四周，理解周圍世界的規則，然後做出決定。」這是一個有趣的論點，而且隨著 AI 領域開始質疑規模本身是否足夠，這個論點很可能會在未來幾個月內引起更多關注。
Shevelenko 在談話的大部分時間裡解釋了 Perplexity 如何從一個搜尋產品演變成現在所謂的「數位工作者」。Perplexity Computer，其最新的產品，並非設計為知識工作者使用的工具，而是知識工作者指揮的員工。「你每天醒來，你的團隊裡有上百名員工，」他談到這個機會時說。「你會做些什麼來充分利用他們？」
這是一個引人注目的推銷；它也引發了關於控制的明顯問題，所以我問了他。他的回答是：細緻入微。企業管理員不僅可以指定代理可以存取的連接器和工具，還可以指定這些權限是僅讀還是讀寫——當代理在企業系統內執行操作時，這個區別至關重要。當 Perplexity 的電腦使用代理 Comet 代表用戶執行操作時，它會先提出一個計劃並請求批准。Shevelenko 說，有些用戶覺得這種摩擦很煩人，但他認為這是必不可少的，尤其是在加入 Lazard 的董事會之後，他發現自己出乎意料地同情一位 CISO 保護一個完全建立在客戶信任之上的 180 年品牌所持有的保守本能。「細緻入微是良好安全習慣的基石，」他說。
Younis 提出了可能是小組討論中最具地緣政治色彩，也最具爭議性的觀察，那就是實體 AI 和國家主權以純數位 AI 所沒有的方式糾纏在一起。
網際網路最初以美國技術的形式傳播，只在應用層面遇到阻力——例如 Uber 和 DoorDash——當離線後果變得明顯時。實體 AI 則不同。自動駕駛汽車、國防無人機、採礦設備、農業機械——這些在現實世界中的體現是各國政府無法忽視的，引發了關於安全、數據收集以及誰最終控制著一個國家邊界內運行的系統的問題。「幾乎一致地，每個國家都在說：我們不希望這種形式的智慧在我們的邊界內，由另一個國家控制。」他告訴聽眾，目前能夠部署機器人計程車的國家比擁有核武器的國家要少。
Fouquet 的說法略有不同。中國的 AI 進步是真實的——今年稍早 DeepSeek 的發布在業界引起了近乎恐慌——但這種進步受到模型層以下的限制。沒有 EUV 光刻機的存取權，中國的晶片製造商無法製造最先進的半導體，而建立在舊硬體上的模型，無論軟體多麼優秀，都會面臨不斷累積的劣勢。「今天，在美國，你有數據，你有計算資源，你有晶片，你有專業人才。中國在堆疊的頂部做得很好，但缺乏一些底層的要素，」Fouquet 說。
在我們的小組討論接近尾聲時，一位聽眾提出了那個顯然令人不安的問題：AI 時代是否會影響下一代人的批判性思維能力？
答案是樂觀的，正如你對那些將職業生涯押注在這項技術上的人所期望的那樣。DeSouza 馬上指出了更強大的工具可能最終讓人類能夠解決的問題規模。想想我們尚未理解其生物機制的神經疾病、溫室氣體清除，以及被推遲了幾十年的電網基礎設施。「這應該會釋放我們進入下一個創造力層次，」他說。
Shevelenko 提出了更實際的觀點：入門級工作可能正在消失，但獨立啟動項目的能力從未如此容易。「[對於]任何擁有 Perplexity Computer 的人……限制在於你自己的好奇心和能動性。」
Younis 劃分了知識工作和體力勞動之間最鮮明的區別。他指出，美國農民的平均年齡是 58 歲，而採礦、長途運輸和農業的勞動力短缺是長期且不斷增長的——不是因為工資太低，而是因為人們不想要這些工作。在這些領域，實體 AI 並沒有取代願意工作的工人。它正在填補一個已經存在並且看起來只會加深的空缺。