芯片之外，中美AI拼的是能源

7月8日消息，谷歌智能體業務主管奧馬爾·沙姆斯 （Omar Shams） 近日做客播客節目《Manifold》，接受了密歇根州立大學計算數學教授、大模型應用開發商Superfocus.ai創始人Steve Hsu的專訪。沙姆斯曾創辦AI初創公司Mutable，后被谷歌收購。

在對話中，沙姆斯圍繞AI算力瓶頸、智能體應用落地、人才競爭與行業結構變遷等關鍵議題，提出了諸多觀點。以下為此次對話的核心內容：

1. AI發展兩大瓶頸：芯片和能源。沙姆斯指出，芯片固然重要，但能源供應才是AI長期發展的關鍵制約。

2. 美電網難撐AI能耗，美國電網擴容緩慢，而中國每年新增電力產能已超英法總和，能源能力差距顯現。

3. 為突破地球能源極限，沙姆斯提出可在月球或太空部署太陽能電站，為AI提供算力能源。

4. 沙姆斯表示，模型性能增長雖符合對數規律，但在特定規模下會出現“躍遷”，學界需建立新理論理解這種“相變”現象。

5. AI智能體正在重塑軟件開發結構。AI工具正自動化多步驟編程任務，初級工程師被邊緣化，團隊更依賴技術領導者。

6. “隱性知識”決定AI項目成敗，沙姆斯強調，AI領域真正決定項目成敗的，是那些難以量化的直覺、經驗和判斷力。這類“隱性知識”雖難傳授，卻是頂尖AI人才的核心競爭力。

7. 沙姆斯看好AGI未來，并提醒年輕人：想跟上AI的演化節奏，光靠知識不夠，唯有多實踐、真動手，才能掌握未來主動權。

以下為沙姆斯分享最新精華內容：

美國電網拖后腿？去月球建太陽能電站為AI供電

問： 聽說OpenAI的創立跟DeepMind賣給谷歌有關？當年馬斯克和PayPal聯合創始人盧克·諾賽克為了阻止谷歌收購DeepMind，在一個派對上躲進壁櫥，給DeepMind創始人德米斯·哈薩比斯打電話，說愿意匹配谷歌6億美元的報價。但哈薩比斯直接回絕：“你們就算湊夠錢，也給不了谷歌能提供的算力資源。”后來馬斯克擔心谷歌壟斷AGI技術，這才支持創建了OpenAI。這事你知道嗎？

沙姆斯： 我沒聽過這個故事。不過我現在在Alphabet工作，有些話不方便多說。但總的來說，這場AI競賽確實有很多值得討論的地方。 AI行業確實面臨兩大瓶頸：芯片和能源供應。說到底，沒有足夠的電力支撐，再強的算法也跑不起來。

問： 說到中美AI競爭，這兩個問題都會浮現出來。芯片方面是英偉達與華為的對決，電力方面的差距則更大。美國的電網供電能力提升非常困難，而中國的電力生產增速卻非常驚人。中國每年新增的電力產量相當于整個英國或法國的年發電量，而美國則需要七年才能達到這一水平。 如今，中國的電力增長速度是美國的兩倍。 因此，如何解決能源供給問題，將成為決定AI未來發展的關鍵。電力方面的缺口如何補足？

沙姆斯： 說實話，美國電網升級基本沒戲，各種法規限制根本快不起來。我現在甚至在想，要不要把發電站搬到太空或月球上。雖然這聽起來像天方夜譚，但谷歌前CEO埃里克·施密特已經在行動了，他投資的Relativity Space公司就在研究這個。他想要把數據中心搬到太空，因為那里的能源供應不像地球上受限嚴重。

問： 能源會來自太陽能發電板，還是在太空中建設繞軌道運行的反應堆？

沙姆斯： 能源的來源可能主要是太陽能，而非核能。這是因為核能在國際上受到嚴格的限制，并且如果火箭發射時發生事故，可能會引發極其嚴重的后果，因此不適合在太空使用。

問： 你不覺得要收集這么多能量，可能需要在太空中部署1平方公里甚至10平方公里的太陽能板嗎？

沙姆斯：? 是的，確實是個非常瘋狂的想法。我做過一些計算，如果要達到一吉瓦的功率，可能確實需要差不多1平方公里的太陽能板，甚至更多。我的直覺告訴我，這將需要大量的資源才能送到太空。因此，這的確是一個巨大的挑戰。

而且，太陽能板不能部署在低地軌道。如果是10平方公里的太陽能板，像我之前做的計算，天文學家可能會強烈反對這樣的設計方案。所以， 最理想的部署位置是類似拉格朗日點 （Lagrange point） 的地方。

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，物體可以相對于這兩個天體保持穩定的軌道。幸運的是，太陽系中有很多適合部署太陽能板的拉格朗日點。

AI編程革命幕后推手：他比Copilot更早入局，卻鮮為人知

問： 你創辦了Mutable公司，并作為創始人和CEO經營了三年，這家公司主要是開發AI編程工具的，對吧？

沙姆斯：? 是的，沒錯。我在2021年11月開辦了這家公司。我們算是進入AI開發工具領域的先行者之一，幾乎在同一時期，Copilot也開始了。現在，這個行業發展得非常快，像Cursor這樣的AI開發工具公司，已經做到每年超過1億美元的收入。如今，很多這樣的公司都迅速實現了收入破億。

問： 我知道Mutable在很多現在已經很常見的概念上先行一步。我記得“AI大神”卡帕西 （Andrej Carpathy） 最近做了一個主題演講，講到了一些理念。雖然他沒提到你，但我認為這些想法應該是你們最早提出的，包括如何用某種方式結合上下文來理解軟件，或者如何從公司代碼庫中生成更好的文檔。我覺得你們在Mutable做了很多有趣的事情。你愿意談談這些嗎？

沙姆斯：? 的確，很多想法是Mutable最早提出的，并且可能對今天的產品產生了較大的影響。我看到很多開源代碼庫，雖然你可以通過不斷學習和積累經驗快速上手，但總是會有點慢。所以，我就在想，為什么不讓AI來幫忙呢？為什么不讓AI寫一篇像維基百科一樣的文章，來解釋這些代碼呢？于是我想到了一個名字，叫做Auto Wiki。我們做了這個項目，利用遞歸總結來解釋代碼，結果項目在2024年1月發布后非常火爆。

最有趣的技術部分，其實正是卡帕西在演講中提到的。他談到，Auto Wiki實際上變成了一個非常有用的上下文填充工具，因為大語言模型 （LLM） 能從中受益很多。事實上， 我覺得可以用“擬人”的方式訓練LLM，因為它們的訓練數據基本上來自于人的數據和經驗。

所以，擁有這些代碼總結功能，實際上對LLM幫助很大，不僅是對于檢索 （比如RAG——檢索增強生成） 有用，生成部分也能從中受益，特別是在推理過程中。

問： 在構建Auto Wiki的過程中，是否需要人工修正某些問題才能進一步生成代碼？

沙姆斯： ?我們有相關功能，允許用戶修改生成的內容，雖然這個功能并沒有廣泛使用。事實上，你不需要這樣做。

的確，AI生成的內容有時會出現所謂的“幻覺” （hallucinations） ，但我認為已經有些技術能夠有效地應對這個問題。即使存在幻覺問題，Auto Wiki仍然比沒有它要好得多，特別是在處理輕量級問題時。

所以，在這個全自動過程中，模型會先瀏覽整個代碼庫，理解它，并生成持續更新的文檔。

從某種角度來看，這其實就像是在進行推理：模型首先生成內容，之后它在做其他任務時，會參考之前的推理結果來加深對代碼的理解，并進一步進行生成。

從Llama到AGI：扎克伯格花1億買的不是程序員，是“未來先知”

問： 馬克·扎克伯格為什么愿意花1億美元挖一個人？他到底看中這個人什么？是不是某些人的能力真的能給公司帶來天壤之別？

沙姆斯： ?雖然我不能代表馬克發言，也不確定1億這個數字是否準確，但確實有報道提到他從OpenAI挖走了幾位頂尖人才。說到人才， 我覺得一個公司的成功與失敗，往往取決于團隊的配置和每個人的角色分工。

但從某種角度看，團隊更像是飛機的結構——單單有強勁的引擎，如果沒有機翼，飛機是飛不起來的。同樣，單靠某個天才也不行。扎克伯格愿意為頂尖人才支付高額薪水，肯定有他的道理。?這種現象在創業者身上很常見：即便技術能力很強的創始人，如果缺乏溝通和團隊協調的能力，最終也會失敗。因為投資人通常不懂技術，決策大多依賴直覺和感覺。

問： 但扎克伯格組建超級智能團隊時也靠感覺嗎？

沙姆斯：? 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，我認為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才敢做。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。我覺得現在評判還為時過早，我們可以等一段時間再看看結果。

問： 換作我有他的資源，我也會想：為什么不組建最強戰隊？我并非質疑扎克伯格的戰略決策，而是好奇：花1億美元挖所謂最優秀人才真是最優策略嗎？表面看這很合理——畢竟真正懂行的人有限。但反方觀點同樣成立：這類人才其實并不稀缺。

沙姆斯：? 這里確實存在微妙的矛盾：如果行業沒有真正的“技術機密”，那么為什么還要為人才支付天價呢？我個人的理解是，企業購買的并不是具體的技術，而是那些“復合型經驗”，或者說是“隱性知識”。

這些人才帶來的價值，更多是通過他們在實際工作中積累的判斷力和直覺，能夠幫助公司避免一些常見的錯誤，少走彎路。比如，扎克伯格可能從Meta的Llama項目中吸取了教訓。

開發AI就像是造飛機：即使你掌握了所有理論，仍然需要有人告訴你“該先擰哪個螺絲”。畢竟，AGI時代的到來已是指日可待，他寧愿多付些錢，也不愿錯失這個機會。你可以這么理解：即使他花得多，但Meta有能力承受得起，而獲得的回報可能也會是巨大的。

30%程序員兩年內失業，企業的用人邏輯已變

問： 如果有人告訴你，“我每天都在社交媒體上看到一個視頻，說某個智能體能為我做所有事情，但我認識的人實際上并沒有從智能體那里獲得很多價值”，你會怎么回答呢？智能體現在到底在哪些方面有用，哪些只是炒作呢？

沙姆斯： ?我認為這個領域的確發展得非常快，但許多進展還需要時間才能普及。雖然經濟學家泰勒·科文 （Tyler Cowen） 曾說過，AGI類似于電氣化，要花100年才能滲透到經濟中，但我不完全認同這個觀點。

我覺得這個速度可能比他想象的要快一些。的確，有很多監管上的障礙，也有很多人需要時間去改變觀念和習慣，但在我看來， AGI的滲透速度將比傳統技術革命要快得多。

很多經典物理學家一生都不接受量子力學的概念，直到他們去世時，這才成為常識。類似的認知變革，正在AI領域重演。有些傳統的工程師至今仍不相信AI的能力，這種現象讓我覺得很難理解。

以我自己參與的項目為例，像Cursor、GitHub Copilot這些工具，已經極大地改變了程序員的工作方式。現在，即使是創業公司，軟件質量的標準也被顯著提高——低質量的代碼再也無法輕易通過審核，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公司也已經開始創造可觀的收益。盡管其他行業的進展可能較慢，但在白領工作領域，AI助手的引入已經成為必然趨勢。我不能確定這種趨勢對就業市場的具體影響，但可以肯定的是， 工作流程會發生巨大變化——這些AI助手要么輔助人類工作，要么直接取代部分工作。

問： 有報道稱，2025年計算機科學和軟件工程專業的畢業生，面臨較為低迷的就業市場，招聘機會有所下降，甚至就業率增加的幅度也很小。那么，這種情況有多少是由于AI驅動的生產力提升所導致的？

沙姆斯： ?很難準確判斷，但我認為主要原因是科技公司正在收縮招聘規模。

幾年前，行業確實進入了一個瘋狂招聘的階段，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。即使經歷了裁員潮，許多公司為了保持員工士氣，裁員力度往往也不足，結果導致現在很多公司正處于“過度招聘后的后遺癥”階段。

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于離散數學、算法理論等傳統內容，忽視了實際軟件開發技能的培養。這使得很多應屆生缺乏工程實踐能力——而這正是我過去很少雇傭剛畢業新人的原因，因為他們通常不能給公司帶來多大幫助。

當然，也有例外：我曾經雇傭過一位19歲的普林斯頓高中生 （未上大學） ，他通過機器人項目等實踐展現了驚人的能力。這說明，如果你能展示出能力，完成項目，甚至在一些情況下，學歷不再那么重要。

像YC （Y Combinator） 這樣的創業公司更看重你是否能展示實際能力、是否能獨立完成任務和行動。 我認為，未來“行動力”將會變得越來越重要。

問： 你認為當前軟件工程師崗位減少是多重因素共同作用的結果。一方面，科技公司在后疫情時代過度招聘后正在收縮規模，高利率環境也加劇了這一趨勢；另一方面，AI工具確實提升了生產效率，是這樣嗎？

沙姆斯：? 我認為AI的影響不能忽略。現在，許多初級工程師的工作任務都可以由AI代替。崗位需求正在轉向團隊領導 （TL） 或者技術主管 （TLM） ，這些人需要管理AI智能體。

現在的問題是，企業可能不再需要那么多初級工程師了 ——畢竟，培養新人短期內往往會帶來凈損失，之前雇傭他們主要是為了人才儲備。

在初期階段，雇傭新人可能會有一定的負面影響，甚至拖慢進度，但你還是需要雇傭人來維持公司的增長。而現在，許多公司可能覺得他們可以依賴更少的員工，甚至通過智能體來完成那些本應由初級工程師完成的工作。

關于AI對就業的影響，我還想提兩個有趣的觀點：

Anthropic CEO 達里奧·阿莫代伊 （Dario Amodei） 預測，隨著AI的發展， 未來兩年內會出現大規模裁員。 我和在Anthropic工作的朋友打了個賭，他認為 兩年后的裁員率可能會達到30%。 他認為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。我個人認為，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為AI的影響比我們預想的要大得多。

Shopify創始人兼CEO 托比·盧克 （Tobi Lutke） 雖然沒有直接提到裁員問題，但他明確表示希望通過AI提高團隊的效率，而不是繼續擴招。這種趨勢在許多企業中都能看到，許多公司現在專門設立崗位，研究如何用AI實現業務自動化。

這引出了一個經濟學悖論：隨著AI不斷提升生產力，企業是否真的還需要雇傭那么多員工？這個問題很難預測，可能會產生深遠的影響。

問： 我想區分一下AI工具和智能體之間的區別。比如，你可以向ChatGPT發送查詢，要求它修改某些內容或寫一個初稿，但我個人認為這并不算智能體。智能體應該是一個更具自主性、能夠在沒有人類監督的情況下執行多步任務的系統。現在有這樣的工具了嗎？

沙姆斯：? 絕對有！其實，我之前提到的所有工具，我認為它們都可以算作是智能體。例如，你可以在Cursor等工具的設置中，調整選項，讓它不需要你確認每一步操作。這樣，你就可以讓它“盡情發揮”，不僅僅是寫一個函數，它甚至能為你構建一個完整的功能模塊，或者一個Web應用，甚至更多。我覺得它們已經做得非常出色了。隨著AI不斷進步，它能夠處理的任務范圍會越來越大，能完成更復雜的工作。

另外，這種提高精度的觀點也經常被用來解釋為什么人們愿意在AI數據中心、芯片和能源上投入巨資。人們常將擴展定律描述成一種奇跡，仿佛它能帶來令人驚嘆的效果，但實際上這是一種對數增長，并沒有那么“神奇”。我認為，能為這種現象提供合理解釋的唯一方式，就是“精度不斷提高”。

此外，可能還存在一個解釋，就是“涌現能力” （Emergent abilities） 的概念。就像飛機起飛的關鍵時刻——當所有條件都達到了臨界點時，系統能力會發生質的飛躍。智能體的發展可能也類似，這種變化是很難預測的。

最后，我想提一個有趣的物理類比： 我們目前對AI擴展定律的理解，實際上就像蒸汽機時代對熱力學的理解一樣初級。 真正的突破，可能要等到我們發現AI領域的“統計力學”，即解釋現有擴展定律背后機制的理論體系。這是AI研究者們要解決的重要問題。

本文來自微信公眾號： 騰訊科技 ，作者：騰訊科技特約編譯金鹿、海倫