2024年AI领域权威榜单：六项关键判断标准深度解析

上周的米尔肯研究院大会上，一场对话吸引了全球AI界的目光。五位分别来自芯片制造、云计算、物理AI、AI Agent以及前沿AI架构领域的顶尖人物，罕见地同台而坐。

他们聊的话题很广，从眼下最紧迫的芯片瓶颈、天马行空的太空数据中心，到正在落地的AI Agent与物理AI。但最引人深思的，是一个触及根本的疑问：支撑今天AI狂飙的整套技术栈，其底层逻辑会不会从起点上就存在偏差？

这五位对话者是：几乎垄断了尖端芯片制造命脉——EUV光刻机的ASML CEO Christophe Fouquet；正主导谷歌史上最大规模AI基础设施建设的Google Cloud COO Francis deSouza；估值约150亿美元、从自动驾驶仿真切入国防等领域的物理AI公司Applied Intuition的CEO Qasar Younis；正从AI搜索转向数字员工平台的Perplexity首席商务官Dmitry Shevelenko；以及挑战大模型主流范式、获Yann LeCun加盟的Logical Intelligence创始人Eve Bodnia。

这场顶尖对话碰撞出的火花，或许预示了AI未来几年的关键走向。

AI的瓶颈，比想象中更“硬”

AI的狂热需求，正在撞上冰冷的物理现实。这些限制并非远在天边，而是已经卡在了产业链的最咽喉处。

ASML的CEO Fouquet率先点破了这一点。尽管全球芯片制造正在疯狂加速，但他直言不讳：未来三到五年，整个市场都将处于供给受限的状态。这意味着什么？很简单，谷歌、微软、亚马逊这些云巨头，即便手握重金，也未必能买到足够多的先进芯片。瓶颈不在需求，而在供应链的物理极限。

Google Cloud的deSouza用一组数据印证了需求的恐怖。上个季度，Google Cloud收入突破200亿美元，同比激增63%。更夸张的是其订单积压——已签约但未交付的合同金额，一个季度内几乎翻倍，从2500亿美元飙升至4600亿美元。“需求是真实存在的，”他总结道。

然而，瓶颈远不止于芯片。对于Applied Intuition的Younis而言，真正的挑战在于数据，尤其是物理世界的数据。他的公司专注于自动驾驶、无人机、矿山设备等现实自主系统，这些系统的训练无法仅靠合成数据完成。“你必须从真实世界里获取数据，”他强调。在很长一段时间内，仿真数据都无法完全替代机器在现实世界中运行、犯错、积累的经验。

紧随芯片之后的，是能源墙

如果说芯片是横在面前的第一堵高墙，那么能源就是紧随其后的第二堵，而且这堵墙可能更高。

deSouza证实，谷歌正在严肃地探索太空数据中心。逻辑很直接：太空近乎无限的太阳能，是解决能源焦虑的理想方案。但工程挑战极其艰巨。太空的真空环境意味着失去了空气对流这一最有效的散热手段，热量只能通过辐射缓慢释放，这对数据中心的设计提出了碘伏性要求。

除了寻找新能源，提升效率是另一条必由之路。deSouza指出，谷歌的优势在于能够协同设计从TPU芯片、模型到AI Agent的整个技术栈，从而最大化每一度电产生的计算价值。用定制TPU运行Gemini，能效远高于其他通用配置，因为芯片团队在模型诞生前就已洞悉其计算需求。

Fouquet也从产业链上游表达了类似担忧：“没有什么东西是没有价格的。”当前AI行业处于一个奇特阶段：巨头们出于战略卡位不惜血本投入，但更多的算力必然意味着更多的能源消耗，而能源成本终将成为一个无法回避的现实约束。

主流之外：另一种智能架构的萌芽

当整个行业仍痴迷于大模型的参数规模和推理优化时，Logical Intelligence的Bodnia正在开辟一条截然不同的路径。她的公司专注于“能量模型”（Energy-Based Models, EBM）。

这与主流的大语言模型有本质区别。大模型的核心是预测下一个词（token），而EBM更像是试图理解数据背后隐藏的规则与结构。Bodnia认为，这种方式更接近人脑的推理本质。“语言只是大脑之间的用户界面，”她说，“真正的推理本身，并不依附于任何语言。”

一个惊人的对比是，她公司最大的模型仅有2亿参数，与动辄数千亿参数的大模型相比微不足道。但她声称，其运行速度可快上千倍，且能随着新数据动态更新知识，无需从头重新训练。在芯片设计、机器人等需要理解物理规则而非语言模式的领域，EBM可能是一种更自然的智能形态。就像开车，你不是在寻找语言模式，而是在理解环境规则并做出决策。

这个方向值得高度关注。它指向一个行业开始认真思考的问题：只靠无休止地扩大模型规模，这条路真的能一直走下去吗？

当AI成为“员工”：权限与信任的终极考验

Perplexity的Shevelenko分享了他们从AI搜索向“数字员工”平台的演进。新产品Perplexity Computer的愿景是，让每个知识工作者都能指挥一个AI团队。“想象一下，每天早晨你有一百个AI员工待命，你会如何部署他们？”

这个诱人前景立刻引出一个尖锐问题：如何控制它们？Shevelenko的答案是：权限必须足够精细。企业管理员不仅要控制AI能访问哪些系统（如数据库、CRM），还必须明确权限是“只读”还是“可读写”。一旦AI Agent获得写入权限，它就能修改数据、提交订单、触发流程，这其中的风险不言而喻。

因此，Perplexity在设计上加入了关键一步：当Agent准备执行操作前，会向用户展示完整计划并请求批准。Shevelenko承认这步骤会降低效率，但坚称其不可或缺。他特别提到，自己加入投行Lazard董事会后，更能理解企业首席信息安全官（CISO）的保守态度——对于一家建立在百年信任之上的公司，安全与控制绝非小事。

物理AI：一个关乎主权的新战场

Applied Intuition的Younis提出了一个更具地缘整治色彩的视角：物理AI与国家主权的关系，将远比数字AI复杂得多。

互联网作为美国技术曾全球扩散，许多国家的初始抵制并不强烈，真正的反弹往往发生在Uber、Airbnb这类应用冲击本地实体经济之时。但物理AI不同。自动驾驶汽车、国防无人机、采矿机器人直接存在于一国的领土之内，移动、采集数据、执行任务，政府不可能视而不见。

安全吗？数据归谁？最终控制权在谁手中？Younis指出，几乎每个国家都会提出核心诉求：我们不希望一个由外国控制的智能物理系统，在本国境内自由行动。他给出了一个令人印象深刻的对比：目前全球能真正部署Robotaxi（自动驾驶出租车）的国家，甚至比拥有核武器的国家还要少。

Fouquet则从供应链角度补充了对中国的观察。他承认中国在AI应用层和模型层（如DeepSeek）的进展真实且令人瞩目，但瓶颈在于更底层。“如果没有EUV光刻机，就难以制造最先进的半导体。如果模型运行在相对落后的硬件上，软件优势也会被逐渐稀释。”他总结道，“美国在数据、算力、芯片、人才上形成了闭环，而中国在技术栈的上层表现出色，但在底层仍有关键要素缺失。”

AI时代，人类会失去批判性思维吗？

对话尾声，一个略显尖锐但至关重要的问题被抛出：AI工具会削弱下一代人的批判性思维能力吗？

几位深耕AI的嘉宾总体持乐观态度。deSouza认为，更强大的工具将帮助人类攻克过去无法解决的巨型难题，如神经系统疾病、碳去除、电网升级等，“AI应该将人类带入下一个创造力阶段。”

Shevelenko的回答更现实。他承认，许多入门级工作正在消失，但另一方面，个人独立完成复杂任务的门槛也前所未有地降低了。“对于能驾驭AI工具的人而言，真正的限制可能不再是资源，而是你自身的好奇心与行动力。”

Younis则从体力劳动领域给出了不同视角。他指出，美国农民平均年龄已达58岁，采矿、货运、农业等领域长期面临劳动力短缺，且情况日益严峻。这不仅是薪酬问题，更是意愿问题。在这些领域，物理AI并非取代人力，而是在填补一个持续扩大的、无人愿意从事的劳动力缺口。

纵观整场对话，几个清晰的趋势浮现出来：

AI的挑战已从纯粹的软件算法，演变为一个融合了芯片物理、能源政策、数据获取、供应链安全和国家主权的复杂系统工程。行业内部开始滋生一种深刻的怀疑：沿着大语言模型的道路单纯地扩大规模，或许并非通往通用智能的唯一答案。能量模型、物理AI、具身智能以及精细化的Agent权限体系，都在悄然指向一个超越当前范式的新阶段。

来源：互联网