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。