上海
全文 3,000字 | 閱讀約 8 分鐘
（Eric Schmidt最新預言：接下來10年決定未來100年）
2025 年，AI 世界正被無形的張力撕扯：
一邊是模型參數的激增，一邊是系統資源的極限。
大家都在問：GPT-5、Claude 4、Gemini 2.5 誰更強？但前谷歌 CEO Eric Schmidt (埃里克·施密特) 在 2025 年 9 月 20 日的公開演講中提出了更深層的洞察：
“AI 的到來，在人類歷史上，等同于火、電的發明。而接下來的 10 年，將決定未來 100 年的格局。”
他不是在講模型性能，也不是 AGI 的遠近，而是在說：
AI 不再是提升工具效率，而是重新定義商業運作方式。
與此同時，在硅谷知名投資機構 a16z 的一場對話中，芯片分析師 Dylan Patel 指出：
“夸張的說，現在搶 GPU 就像搶‘毒品’一樣，你要托關系、找渠道、搶配額。但這不是重點，真正的競爭是誰能構建出支撐 AI 的一個完整體系。”
兩人的觀點指向同一個發展趨勢：
參數不是邊界，電力是邊界；
模型不是護城河，平臺才是護城河；
AGI 不是目的，落地才是關鍵
如果說過去三年，AI 的主線是能力爆發；
那接下來十年，主線就是基礎建設。
第一節｜AI 不再是工具升級，而是系統重構
在這場對話里，Eric Schmidt 開門見山地說：
“AI 的到來在人類歷史中，和電、火的發明處于同一等級。”
他不是在強調 AI 有多聰明，而是在提醒大家：我們熟悉的工作方式、管理模式、賺錢方法，都可能要徹底改變。
不是讓 AI 幫你寫得更快， 而是讓 AI 決定該怎么寫。
Schmidt 說，現在最強的 AI 工具，已經不再是一個助手了，而是正在變成：
一種全新的基礎設施，就像電網一樣，成為所有組織的標準配置。
這一句話，直接顛覆了過去幾年人們對 AI 的看法。
換句話說，這不是個人技能提升或團隊效率優化，而是整個組織運轉方式的根本改變：
決策方式變了，AI 參與思考；
寫作、編程、客服、財務都有了 AI 搭檔；
數據輸入、結果評估、反饋機制都被 AI 重新設計。
這種全面的組織變革讓 Schmidt 意識到，不是預先制定詳細流程，而是在實際應用中讓 AI 逐步適應和優化。
據他介紹，自己目前參與的幾家創業公司都采用了這種方法，不是先做完整規劃，而是讓 AI 直接參與工作，在實踐中不斷調整和完善。
所以他講的，不是模型更強了，而是組織要不要轉向 AI 原生的新形態。
AI 正在從工具，變成企業運營的基礎設施。
第二節｜限制 AI 發展的，是電力
過去我們總以為，AI 的能力發展，會被技術卡住：
芯片性能不夠，模型算不動；
算法太復雜，推理速度太慢。
但 Eric Schmidt 說，真正限制 AI 發展的不是技術參數，而是電力供應。
他提到一個具體數據：
“到 2030 年，美國需要新增 92GW 電力，才能支撐數據中心的需求。”
什么概念？
一個大型核電站，功率也不過 1 到 1.5GW。
92GW，相當于幾十座核電站的發電量。現實卻是：美國當前在建核電站，基本是零。
這意味著，未來問題不是模型技術不夠先進，而是電力供應跟不上訓練需求。
Schmidt 甚至對國會說過一個令人意外的例子：他們可能需要在海外訓練美國自己的模型，比如在中東國家的發電基地。
（Sam Altman 剛剛發布博客：《智能時代的無限可能》）
這種對電力的渴求并非危言聳聽。就在 9 月23 日，OpenAI CEO Sam Altman 剛剛發布博客，提出了一個更激進的方向：我們希望建造一種工廠，每周新增 1GW 的 AI 算力設施，用電規模堪比一座城市。
他明確指出，這將需要芯片、電力、機器人、建筑等多個系統的協同突破。
用他的話說：“一切都始于計算。”
Altman 的這個目標，不是遠景展示，而是正在布局的基礎建設。它正是 Schmidt 所說“AI 將成為新電網”的現實化路徑。
事實上：
模型訓練本身并不貴，真正的成本是電力消耗、運行時間和設備維護。
隨著推理任務越來越多，生成內容越來越復雜（圖像、視頻、長文本），AI 工廠的電量需求正變成新的算力瓶頸。
Dylan Patel 在另一場對話中也提到，搭建 AI 系統時，不僅要考慮芯片有多快，還要考慮散熱、電費、穩定性。他說得更形象：
“AI 工廠不是買一堆 GPU 就行，還要考慮電能調度和持續運行能力。”
所以這不是芯片問題，而是電力跟不跟得上的問題。
而當電力無法滿足時，連鎖反應就來了：
模型不能訓練；
推理成本升高；
AI 工具無法大規模部署；
最終失去落地的可能性。
Schmidt 認為，基礎設施跟不上是目前 AI 落地面臨的最大現實挑戰。沒有足夠能源支撐，再領先的模型能力也用不起來。
因此，AI 的下一個戰場不在實驗室，而在發電廠。
第三節｜不是誰有芯片，而是誰能把它們用起來
而即便電力解決了，問題還沒完。你真的能把這些芯片、模型、任務，全都運行起來嗎？
很多人以為，只要拿到 H100、B200 這些最先進的芯片，AI 工廠就建成了。
但 Dylan Patel 一上來就潑了冷水：
“現在 GPU 非常緊缺，要發短信到處問'你有多少貨？什么價格？”
他接著說：
“但光有芯片還不夠。核心是要讓它們有效協作。”
也就是說，芯片本身只是一個部件，真正決定 AI 工廠能否持續運行的，是你有沒有能力把這些芯片整合起來運行。
他將這種整合能力分為四個層面：
算力底座：GPU、TPU 等硬件基礎；
軟件棧：訓練框架、調度系統、任務分配器；
冷卻與電力管理：不只是有電，還要把溫度、負載、電費控制好；
工程能力：誰來優化模型、調優算力、控制成本。
這就是 Dylan 所說的“AI 工廠”的核心：AI 工廠不是一個模型、也不是一張卡，而是一整套連續的工程調度能力。
你會發現，AI 工廠不僅需要大量算力，更需要復雜的工程配合：
一堆 GPU 是“原材料”；
軟件調度是“控制室”；
冷卻和電力是“水電工”；
工程團隊是“維修組”。
簡單來說，重心已經從“造模型”轉向了“建基礎設施”。
Dylan 觀察到一個有趣的現象：你看現在的芯片公司，不只是賣卡了，而是開始“包施工”了。Nvidia 開始幫客戶整合服務器、配置冷卻、搭建平臺，自己就成了平臺。
（圖源：路透社報道）
這場訪談發布的同一天，Nvidia 與 OpenAI 公布了一項未來合作意向：Nvidia 將為 OpenAI 提供最多 10GW 級別的數據中心資源，投資規模可能達到數 1000 億美元。
Sam Altman 在聲明中說了一句話，恰好印證了上面這個邏輯：
計算基礎設施將是未來經濟的基礎。Nvidia 不只是賣卡、供芯片，更是和他們一起部署、建設、運營整個 AI 工廠。
這說明了一個趨勢：真正有能力形成閉環的，不是最聰明的人，而是最懂如何落地的人。
也就是：
能造出模型，是一回事；
能讓模型每天穩定運行，是另一回事。
AI 不再是買來就能用的產品，而是需要持續運營的復雜工程系統。關鍵是你有沒有長期運營這套系統的能力。
第四節｜AI 能力擴散成趨勢，競爭焦點在哪？
當大家還在爭奪運營能力時，新的變化已經出現了。
AI 模型做得越來越好，越來越聰明，但 Eric Schmidt 提了個警告：
“我們無法阻止模型蒸餾。幾乎任何一個能訪問 API 的人，都能復制它的能力。”
什么是蒸餾？簡單說：
大模型雖然能力強，但部署成本太高；
研究者會用它來訓練一個小模型，讓小模型模仿它的思考方式；
成本低、速度快、精度高、難以追蹤。
就像你沒辦法復制一個頂級廚師，但可以通過他做出來的菜，教會另一個人做出八成相似的效果。
問題就來了：能力越容易被轉移，模型本身越難被限制。
（Dylan Patel，知名芯片行業分析師，專注AI基礎設施研究）
Dylan Patel 也提到一個行業趨勢：
現在蒸餾成本，只占原始訓練的 1% 左右，卻能復現原模型 80-90% 的能力。
即使 OpenAI、Google、Anthropic 把模型保護得再嚴密，也擋不住有人通過蒸餾獲得相似能力。
以前大家比的是誰更強；現在開始擔心誰還控制得住？
Schmidt 在訪談里說：最大的模型將永不開放。而小模型的擴散，將不可避免。
他不是在鼓吹封閉，而是在提醒一個現實：技術擴散的速度，可能遠快于治理跟上的節奏。
舉個例子，現在已有不少團隊用 GPT-4 的 API，去蒸餾出一個 GPT-4-lite：
成本低，易部署；
基本對外沒有明確標識；
用戶用起來感覺幾乎一樣。
這就帶來一個難題：模型的能力，可能會像“空氣”一樣擴散；但模型的源頭、責任歸屬、使用邊界，都很難界定清楚。
Schmidt 真正擔心不是模型太強，而是：
“當越來越多的模型具備強能力，卻不受監管、難以溯源、責任不清，我們該如何確保 AI 的可信度？”
這種現象已經不是假設，而是當前的現實。
隨著 AI 能力擴散已經成為不可逆轉的趨勢。單純擁有先進模型不再是護城河。競爭的焦點已經轉向了如何更好地運用和服務這些能力。
第五節｜平臺的關鍵，是越用越準
所以最終，比能不能造出來更重要的是：你能不能構建出一個越用越好的平臺？
Eric Schmidt 給出了他的答案：
“未來成功的 AI 公司，不只拼模型性能，更要拼持續學習的能力。”
通俗說就是：你不是一次性做出一個產品就完事，而是建一個平臺，讓它用得越多越聰明、越用越好用、越用越穩定。
他進一步解釋：
平臺的核心不是功能，而是讓別人離不開你。
比如：
電網不是因為燈泡亮，而是因為能讓所有燈都亮；
操作系統不是因為功能多，而是能讓一批應用穩定運行；
AI 平臺也一樣，不是做出某個智能助手，而是讓別的團隊、用戶、模型都能接入、調用、增強。
AI 平臺不是某個功能，而是一套持續運轉的服務網絡。
他還建議年輕創始人：不要只問這個產品做得完美不完美。要看它有沒有形成一條“用 → 學 → 優化 → 再用”的路徑。
因為：能持續學習的平臺，才有長期生存的可能。
Dylan Patel 補充說，這其實也是 Nvidia 成功的路徑。黃仁勛做了三十年 CEO，靠的不是運氣，而是不斷把芯片和軟件綁成閉環：客戶用得越多，他就越了解客戶想要什么；越了解需求，產品就越好用；產品越好用，客戶就越難放棄。
這樣就形成了良性循環，越用越值。
不是“發布即巔峰”，而是能夠持續成長的平臺。
Schmidt 總結得很清晰：你能不能構建出這樣一個增長機制？一開始可能很小，但它能不斷適應、不斷擴展、不斷更新？
他對未來 AI 平臺成功者的判斷是：
不是你寫了什么代碼，而是你能不能讓一個平臺活下來，而且越活越強。
結語｜誰先形成閉環，誰贏未來
Eric Schmidt 在訪談中說：
“AI 就像電與火，這 10 年，將決定未來 100 年。”
AI 的能力已經準備好了，但往哪走、怎么搭、怎么用還沒想清楚。
現在的重點不是等下一代模型，而是把現有 AI 用起來、用得好。別總想著 GPT-6/DeepSeek R2 什么時候出，先把手頭的工具在客服、寫作、數據分析等場景中跑通。讓 AI 能 24 小時穩定工作，而不是只在發布會上驚艷一下。
這不是聰明人的比賽，而是執行力的較量。
誰能率先把 AI 從實驗室帶到現實，誰就掌握了未來十年的主動權。
而這場“閉環之爭”，從現在就已經開始。
本文由AI深度研究院出品，內容基于Eric Schmidt（前谷歌CEO）與Dylan Patel（SemiAnalysis CEO）訪談翻譯整理。未經授權，不得轉載。
星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標
參考資料：
https://www.youtube.com/watch?v=vvlE8-MzxyA
https://www.youtube.com/watch?v=bircUYzIlMg&t=442s
https://blog.samaltman.com/abundant-intelligence
https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report.pdf?utm_medium=email&utm_source=chatgpt.com
https://techpolicy.press/transcript-us-lawmakers-probe-ais-role-in-energy-and-climate
https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report.pdf?utm_medium=email&utm_source=chatgpt.com
來源：官方媒體/網絡新聞
排版：Atlas
編輯：深思
主編: 圖靈
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
