谷歌智能體主管：芯片之外，中美AI拼的是能源
7月3日，谷歌智能體業務主管Omar Shams在接受密歇根州立大學計算數學教授Steve Hsu專訪時，分享了關於AI產業前沿的解讀。
以下是要點：
以下是精華內容：
芯片之外，中美AI拼的是能源
主持:聊到 AI 發展，如今的競爭非常激烈。DeepMind 和 OpenAI 的故事就是例證。你認爲當前 AI 競賽最大的瓶頸是什麼？
Omar Shams: 有兩個。第一個是衆所周知的芯片。第二個越來越凸顯，那就是能源。數據中心的電力供應正在成爲一個硬性約束。
主持:當我談論中美AI競賽時，出現兩個問題。一個問題是英偉達與華爲的對決，但另一個就是，你將如何爲這些數據中心供電？在美國，要增加電網的電力供應非常困難，而中國每年新增的發電量相當於英國或者法國的總和。
Omar Shams: 而美國是每七年。
主持:完全正確。而且他們現在是我們的兩倍。所以，如果電力最終成爲轉化爲智能的基礎要素，你將如何與他們競爭？
Omar Shams: 我不想扯太遠，我寫過一篇推測性的文章，叫《月球應該是一個計算機》。如果地球能源消耗大幅增加兩個數量級，就會產生影響大氣的熱效應。真正的問題是美國電網基礎負荷電力供應增加太慢，可能是法規限制或建設能力不足
Omar Shams: 於是我推測，能不能在太空甚至月球上解決這個問題？這個想法是在和朋友聊天時產生的。雖然很瘋狂，但一些聰明人覺得這是個好主意。我還發現，Eric Schmidt 現在是 Relativity Space 的 CEO，他想把計算機放到太空中，原因之一也是地球上能源受限。
主持:他的太空項目能源是來自太陽能電池板，還是軌道上的核反應堆？
Omar Shams: 我猜是太陽能，因爲太空核能會違反太多條約，火箭發射失敗的話就是髒彈。我算過，要獲得一千兆瓦電力，可能需要一平方公里甚至更多太陽能電池板。
主持:把這麼多東西送入軌道需要巨大運載能力，而且不能放在低軌道，否則解體後碎片會很危險。
Omar Shams: 對，必須放在拉格朗日點。幸好太空中空間足夠。（所謂拉格朗日點，就是太陽系內，或者任何兩個天體之間的特殊位置，物體可以相對於這兩個天體保持穩定的軌道。）
AI競賽的人才之爭
主持:這就引出了一個有趣的問題：既然大家的技術路線和信息都相對透明，爲什麼像Meta願意花天價去挖一個頂尖人才？如果“沒有秘密”，這筆錢買的是什麼？
Omar Shams: 一個頂尖人才的價值在於他基於深厚經驗做出的精準判斷，這種判斷力能節省大量試錯成本，在通往 AGI 的競賽中贏得寶貴的時間。這就像一個團隊可以沒有機翼，但不能沒有引擎。頂尖人才就是那個引擎。
主持:所以，個人能力的正態分佈，通過產業的放大效應，最終體現爲公司產出的冪律分佈。
Omar Shams: 正是如此。
主持:但扎克伯格組建超級智能團隊時也靠感覺嗎？
Omar Shams: 這個我不敢妄加評論，不過必須承認，扎克伯格確實是一個非常出色的創始人。說到他的決策，我認爲這是一種非常大膽的冒險——這種豪賭，只有像他這樣擁有超級投票權的創始人CEO纔敢做。畢竟Meta的現金流非常充裕，相比其他一些燒錢項目，投資AGI（通用人工智能）算是一項相對明智的選擇。我覺得現在評判還爲時過早，我們可以等一段時間再看看結果。
主持:如果我是扎克伯格，擁有他的資源，我也會想，爲什麼不用我們的閒置現金流組建我們能組建的最好的團隊？爲什麼不把他們放在這裡？所以我不是在質疑那個戰略決定。我質疑的是，如果你要花1億美元來得到所謂的“最佳人才”，這是正確的策略嗎？也許你不得不這麼做，你可以辯稱，因爲真正懂行的人就那麼多。但反方的論點是，不，懂行的人很多。
Omar Shams: 這是個好問題。我認爲他們買的不是“秘密”，而是“隱性知識”（Tacit Knowledge）和“品味”（Taste）。構建大規模 AI 系統時，會遇到無數微妙的工程和理論抉擇。
這些人才的價值在於他們憑藉在實際工作中積累的判斷力和直覺，幫助公司避免常見錯誤，少走彎路。例如，扎克伯格可能從Meta的Llama項目中吸取了教訓。開發AI就像造飛機，即使掌握了所有理論，也需要有人指導“先擰哪個螺絲”。
AGI時代即將到來，扎克伯格寧願多花錢，也不願錯過機會。畢竟，Meta有能力承受成本，而潛在回報可能是巨大的。
AI智能體的現實與未來，裁員潮將到來
主持:作爲 AI 智能體（Agent）的負責人，你怎麼看目前這個領域的“炒作與現實”？很明顯AI工具帶來了生產力提升。但我想區分一下AI工具和智能體。我把向ChatGPT發送查詢，或者讓ChatGPT修改或寫初稿這種看作“工具”。
我不認爲那是智能體。我認爲智能體是更自主的東西，它能在沒有人類監督的情況下自主地採取多個步驟，而不是人類仔細檢查每一步輸出的單次或幾次交互的工具。那麼，有沒有一個例子，比如，我想在我的代碼庫中寫一個函數，我就讓智能體放手去做，它做了一堆不簡單的東西然後返回結果。這現在是真實存在的嗎？
Omar Shams:在軟件開發領域，智能體已經成爲現實。以我參與的項目爲例，像 Cursor 和 GitHub Copilot 這樣的工具已經徹底改變了程序員的工作模式。如今，即使是創業公司，軟件質量的標準也被大幅提升，低質量代碼再也無法輕易過關。這種壓力推動了整個行業的進步。
在法律領域，像 Harvey 這樣的 AI 公司已經開始創造可觀的收益。儘管其他行業的進展可能較慢，但在白領工作領域，AI 助手的引入已成爲一種必然趨勢。雖然我無法確定這種趨勢對就業市場的具體影響，但可以肯定的是，工作流程將發生巨大變化——AI 助手要麼輔助人類工作，要麼直接取代部分工作。
這也導致了軟件行業的標準被拔高。 初級軟件工程師的崗位正面臨挑戰，因爲 AI 已經能勝任大部分基礎工作，未來的工程師角色更像是管理AI智能體團隊的“技術主管”。
主持:這對計算機科學的畢業生來說不是個好消息。
Omar Shams:這確實是一個結構性的變化。幾年前，幾乎只要懂一點編程就能拿到offer，但這種泡沫顯然不可持續。
但從更根本的角度來看，計算機教育體系和AI發展的脫節也是一個大問題。大多數高校課程依然專注於離散數學、算法理論等傳統內容，忽視了實際軟件開發技能的培養。我認爲這會迫使教育和個人發展更注重“能動性”和“實踐能力”。一個有豐富項目經驗、能動手解決實際問題的人，會比只有學位的畢業生更有價值。
Omar Shams:關於AI對就業的影響，我還想聊下Anthropic CEO 達里奧·阿莫代伊（Dario Amodei）的預測，他認爲隨着AI的發展，未來兩年內會出現大規模裁員。他認爲兩年後的裁員率可能會達到30%。
他認爲像特斯拉這樣的公司，即使已經比較精簡，未來也可能面臨裁員。但我個人認爲，30%的裁員比例可能有些過高，但即便如此，像阿莫代伊這樣的業內人士認爲AI的影響比我們預想的要大得多。
從弦理論到AI創業：物理學直覺是關鍵驅動力
主持: Omar，你從卡內基梅隆的物理/數學專業，到研究弦理論，最終投身 AI。最初是什麼點燃了你對物理的熱情？
Omar Shams: 我的初戀是物理。15歲時，我在物理教科書裡看到“雙生子悖論”——一個雙胞胎去太空旅行回來後比他的兄弟年輕。我當時覺得這肯定是編的，但老師告訴我這是真的。那一刻，感覺就像發現“魔法”真實存在。我當時就決定，我必須學習這種魔法。之後十年，我都沉浸在物理世界裡，研究全息原理、非對易幾何這些深奧的理論。
主持: 這個故事我感同身受。物理學的美妙之處在於，只需要簡單的代數知識，就能推導出像洛倫茲變換這樣顛覆認知的結論。我一直不理解，爲什麼不是每個聰明人都對物理學充滿熱情。你說的物理直覺，那種在腦中播放電影的感覺，正是物理學家和純數學家的關鍵區別。
Omar Shams: 完全正確。對我來說，物理問題不是冰冷的公式，而是一部腦中的動作片。這種視覺化的、基於直覺的思維方式，對我後來的 AI 研究產生了深遠的影響。
主持: 你是什麼時候開始認真考慮從物理轉向 AI 的？
Omar Shams:是在研究生後期。我開始涉足基因組學，當時我嘗試用主成分分析（PCA）去處理人類線粒體DNA數據，第一次直觀地感受到了機器學習技術改造數據、揭示規律的強大威力。這和我之前做的暑期項目——格點量子色動力學（Lattice QCD）的計算經驗結合起來，讓我看到了一個全新的、充滿可能性的領域。我的第一份正式工作就是構建一個音樂推薦引擎。
主持: 所以，你並沒有完全拋棄物理學的思維方式，而是把它帶入了新的戰場。
Omar Shams: 是的，特別是我的創業項目 Mutable。我們開發了一個叫“Auto-Wiki”的工具，能自動爲一個大型代碼庫生成維基百科式的文檔。這個想法的靈感，其實部分源於物理學中的“重整化羣”——通過連續的“粗粒化”（summarization）操作，從微觀細節中提煉出宏觀的、關鍵的結構和信息。這個過程不僅能幫助人類理解代碼，也能爲大語言模型（LLM）提供絕佳的上下文，極大地提升了代碼問答系統的效率。
主持: AI 領域有大量的物理學家，從 Hinton 到 Karpathy。你認爲物理學背景到底賦予了你們什麼“超能力”？
Omar Shams:我認爲有三點，第一是物理直覺，我們習慣於將抽象問題視覺化、系統化。AI的損失函數優化過程，就像一個在能量流形上滾動的小球，物理學家能直觀地“看到”並理解這個過程。
其次是連續數學的掌控力，物理學訓練讓我們精通處理連續系統、近似和概率分佈的數學工具，如路徑積分、配分函數等，這與大規模神經網絡的數學本質高度契合。
最後是處理“涌現”現象的經驗。物理學充滿了從簡單規則中涌現出複雜現象的例子，比如相變。AI 的“涌現能力”也是如此。我們習慣於在不同尺度上尋找規律，並對這種“量變引起質變”的現象有深刻的理解。
主持: 那物理學家的弱點呢？
Omar Shams:可能是對離散算法和工程細節的敏感度不足。但總的來說，當問題規模大到一定程度，連續的物理思維往往會變得更有效。
主持: 所以，如果要給扎克伯格一個建議，就是多招些理論物理學家？
Omar Shams:(笑) 我認爲這會是一個非常明智的投資。