摘要

Planet 的投资逻辑是一条专有时间序列，而不只是一组卫星：PL 运营约200颗卫星，每天生成25 TB影像，并持有150 PB档案，覆盖陆地上的每个点，10年间累计观测约3,000次。 Marshall 将其称为“给地球编索引，让它变得可搜索”。竞争对手无法事后重建这段历史，因此这套档案与节目中提到的100亿美元估值及一年450%的股价涨幅一起，构成了公司的长期护城河。
大型地球模型可能把 Planet 的像素转化为自然语言答案，并最终预测现实世界的活动。 短期产品是把LLM与当前及历史遥感数据结合，服务农户、政府、记者、保险公司和交易员；下一步则是通过embedding“把地球token化”，让模型能够预测变化。据称，一个用美国数据中心建设数据训练的原型，已经定位出中国的项目，并在几天内预测完工日期。
Planet 的传感器路线同时提升分辨率、重访频率、时延和光谱深度，而不是只优化单一指标。 其每日扫描系统正从3米分辨率升级到1米，同时将时延压缩至1小时以内；Pelican 的目标是“30×30×30”——30厘米、每天30次重访、30分钟交付；Tanager 配备400个光谱波段，可以识别气体、树种，以及哪个坦克基地生产了某种车辆。
按照 Planet 与 Google 的研究，发射成本降至每公斤约$200-$300时，轨道计算开始具备成本竞争力，但发射只是第一道约束。 Google每年在算力上支出约2000亿美元，节目将其描述为大致相当于整个太空产业的规模；Project Suncatcher 正在测试TPU、散热器、辐射管理、光链路和高度协同的卫星集群。Marshall 的长期判断是：“10年内，我们预计大部分算力都会被放入太空。”
最终决定谁赢得轨道AI竞赛的，可能是芯片，而不是火箭。 Marshall 认为，“除了 SpaceX 之外，所有人都得缴纳 SpaceX 发射税”，而除了 NVIDIA 和 Google 之外，几乎所有人都要缴纳“NVIDIA税”；短期由发射主导，长期则由计算效率主导，因为每瓦FLOPS决定太阳能阵列、散热器和航天器的质量。鉴于推理已经占AI算力约70%，Marshall 预计推理会先于大规模训练进入轨道。
中国的 GLM-5.2 表明，前沿智能正变得越来越难以被少数公司垄断。 这款拥有7530亿参数、100万token上下文的开放权重混合专家模型，据称在部分推理、编程、agent和设计任务上已接近顶尖西方模型，同时以约2倍的推理token换取总价减半。对投资者真正重要的机制是：“烧更多token，就能获得更多智能”，这使推理效率、本地控制权和出口政策变成一场相互连接的竞争。
AI的制度建设落后于能力进展，也落后于资本形成。 Milei 提议设立非人类公司，让AI实体能够持有资产、签订合同、雇人并被起诉；Harari则警告，这可能成为不负责任的人类的挡箭牌。讨论中最有力的折中方案，是机器原生的问责机制，而不是二元化的人格认定。Marshall 同时指出，当前AI开发投入与安全投入之间据称存在相对于曼哈顿计划时代万倍的失衡：“现在不是摸着石头过河的时候。”
智能正在变得更便宜，但制造智能的基础设施却越来越资本密集。 Orin 的算力价格指数试图像观察和对冲石油一样，让智能变得可观测、可对冲，并支撑围绕超过7万亿美元潜在基础设施的期货和衍生品。Blundin 否定“资本开支对现金流”的警报论，认为超大规模云厂商可以为耐用资产融资，融资规模可能扩大10-100倍；但讨论仍保留了核心张力：输出价格下降，并不意味着GPU容量、电力或散热会变成低成本生意。

精读

1. Planet 正把每日地球档案变成AI资产

Diamandis 将 Planet 介绍为一家约100亿美元的上市公司，股票代码为PL，股价在此前一年上涨约450%。公司约200颗在轨卫星每天生成25 TB影像，为讨论提供了一个异常具体的起点：这是一项正在被AI赋能的既有数据业务，而不是一组等待部署的拟议星座。
Marshall 将“行星智能”分为两个阶段。第一阶段，是把太空传感与语言模型结合起来，打造能够回答现实世界问题的大型地球模型；第二阶段，则是把算力放到轨道上的传感器旁边。他的基础判断很直接：“AI模型的水平不会超过其训练数据集”，而 Planet 拥有异常深厚的现实世界训练数据。
节目的核心类比是，一套LLM就像“困在图书馆里”：它可能读过人类知识，却没有走出去观察被提问的田地、洪水、军事设施或森林。Planet 想提供这扇通往现实的窗口——“给地球编索引，让它变得可搜索”——让模型从抽象的农学或灾害理论，走向具体地点、具体状况和具体行动建议。

2. 10年时间轴是 Planet 无法复制的护城河

Planet 称，过去10年间，它对地球陆地上的每个点进行了约3,000次观测，数据总量约150 PB。Marshall 将这项产品与 Google Maps 的卫星图层相比——后者通常滞后1至10年，而 Planet 每天刷新，并且带有时间轴。“除非有人发明时间机器”，否则新星座无法重建这套档案。
这套档案之所以重要，是因为一张当前影像很少能脱离基线独立解读。乌克兰需要区分俄罗斯的常规活动、新增阵地或工业变化；美国情报用户比较中国各地活动时也面临同样问题。农户同样需要把今天的作物、土壤和水分状况与往季、邻近地块及此前干预进行比较，然后才知道该改变什么。
Marshall 表示，Planet 是唯一一家每天以高分辨率成像整个世界的公司，覆盖约2亿平方公里，而全球陆地面积约1.5亿平方公里。AI缩小了数据可用性差距：客户不必雇佣专业团队处理TB级数据，而是可以直接询问 Gemini 或 Claude 一块田地发生了什么变化，并得到分析结果，而非一堆原始影像。

3. 3支传感器舰队同时攻克分辨率、频率、时延和光谱

Planet 的每日扫描舰队目前以3米分辨率捕捉8个光谱波段。节目所处年份原计划进行首个 Owl 技术演示，随后向1米分辨率推进，并将时延从数小时压缩约10倍，降至远低于1小时。未来的超分辨率技术，可能把每日产品进一步锐化至50厘米甚至30厘米。
面向高分辨率的 Pelican 系统，正从约40-50厘米向30厘米推进。Marshall 的运营目标是“30×30×30”：30厘米像素、每天最多30次采集机会，以及从提出请求到在全球任意地点交付影像约30分钟。
Tanager 提供的是另一类信息：约400个光谱波段，覆盖从红外到紫外，而人眼只有3个RGB通道。在约30米空间分辨率下，它的光谱“指纹”可以识别树种、探测气体排放、区分坦克，或判断哪一个坦克基地生产了某种车辆。
Marshall 将 Planet 的广度与美国政府估计约6颗极高分辨率卫星作对比。后者的分辨率可能高出10倍以上，甚至接近“高尔夫球大小的像素”，但他估计其覆盖面积远低于 Planet 每日覆盖面积的1%。Planet 的商业差异化，在于持续的全球覆盖，而不是在狭窄目标上追求可达到的最高分辨率。

4. 可预测的地球模型，始于把无法处理的影像堆token化

Alex Fielding 要求 Planet 不止做回顾性分析：Planet 可能是唯一有能力训练自回归“水晶球”模型的公司，能够以米级或亚米级尺度外推地球未来状态。Marshall 承认，Planet 可能拥有足够数据，但尚未构建通用模型，部分原因是管理层已经把潜在的1000亿美元市场“甩在身后”。
一个早期预测结果来自数据中心建设。Planet 先载入已登记的美国数据中心，重建它们的开发历史，再把学到的模式用于搜索中国。Marshall 称，系统已经能够较好地预测完工日期，有时精确到几天之内，因为它纳入了建设进度、周边条件和区域发展模式。
计算障碍在于规模：一个全球图层约30 TB，包含400万张4700万像素的影像，再乘以约3,000个历史图层。Planet 因此与 Google Research 和 DeepMind 的模型合作，包括 AlphaEarth 以及遥感版本的CLIP，把公里级图块转换为embedding。一层编码后的全球数据可以装入 BigQuery；数千个这样的图层则可以支持时间预测。
Fielding 用一句话概括：“你是在把地球token化”——先把影像压缩成可搜索的表示，再预测它的下一种状态。随后他又把目标从预测像素延伸到强化学习问题：哪些土地利用变化可能最大化GDP？Marshall 则进一步抬高目标，认为同一套系统可以支持“地球的智能守护者”，并优化更广义的生命繁荣。

5. 自然语言入口扩大政府之外的收入基础

Marshall 设想的界面会隐藏影像处理流程。农户可以询问病害正在何处发展、该采用什么处理；许可部门可以提供已批准建筑清单，并询问哪些新增建筑没有获得授权；记者可以调查洪水的真实范围。主持人提出的房地产问题——“eVTOL到来后，哪块土地会为我们创造最高利润？”——概括了正在形成的分析层。
Planet 的收入结构仍然高度集中：约60%来自国防和情报，25%来自民用政府，15%来自商业客户。Fielding 表示，政府业务仍在增长，但商业需求正在加速，因为AI消除了此前让小型组织无法负担卫星分析的专业人力成本。
对冲基金已经在使用 Planet 数据，只是通常不允许披露身份。Marshall 认为，其中一些基金正在获得“可观的alpha”，Planet 也乐于从中分成，但公司本身并不运行交易分析。其他潜在信号包括船舶活动、非法捕捞、大宗商品，以及零售商店外停放车辆的变化——最后一项被承认为行业老梗。
当被问及AI实验室是否会买下整套档案用于训练时，Fielding 的回答非常交易化：“OpenAI 可以调用我们的MCP服务器，然后直接开始。”讨论暗示的模式，是为更新后的 Planet 数据提供持续API访问，而不是出售独占权；真正耐久的产品是持续刷新的观测层，而不是一次性的静态语料库。

6. 透明度是 Planet 的使命，但主权仍决定分发边界

这个政治挑战在于，行星测绘把权力从主权基础设施转移到国界之上的私人层。Fielding 认为，这不是附带结果，而是基础命题。Planet 的使命是“带来更大透明度并赋能所有人”，其理论是透明度能够带来问责，改善可持续性和安全，并降低历史上有助于战争爆发的不确定性。
乌克兰是核心案例。Planet 影像帮助外界看见俄罗斯的阵地和活动，随后还记录了学校、桥梁、阵地及基础设施的损毁。讨论公开承认，这并没有阻止入侵，但小组认为，如果各方知道自己的行动“每一步都会被看见”，就可能强化未来的威慑、和平协议核查和公共问责：“再也没有人能够隐藏。”
全球约220个国家中，大多数并不拥有持续的卫星情报能力。Fielding 预计，AI会让 Planet 对也门的NGO或红十字会等组织变得有用，因为它们无需维持 NASA 规模的影像团队，就能直接请求答案。其民主化机制不只是降低发射成本，而是把每天数十TB的数据转化为可管理的回答。
作为一家美国遥感公司，Planet 按 NOAA 监管体系登记卫星，通常可以向包括伊朗、朝鲜和恐怖组织在内的黑名单之外的客户销售服务。公司也遵守欧盟限制，并自愿拒绝其认为可能造成伤害的客户。加拿大地面基础设施可能改变一次下载所适用的规则，因此 Planet 实际上把不同适用清单合并成了一套更广泛的排除集合。

7. 距离限制了个人监控，却保留了战略可见性

Planet 通常不会对敏感地点主动降采样，但 Fielding 强调，30厘米到3米的影像做不到什么。从400-500公里高空观察，就像从洛杉矶用望远镜指向旧金山：它可以揭示设施、车辆、施工和变化，却无法捕捉附近无人机能够拍到的人脸及亲密个人细节。
这种物理距离帮助确立了允许卫星飞越的国际规范。1957年 Sputnik 之后，美国无法拒绝苏联卫星飞越，否则也会损害自己未来飞越苏联的权利；轨道力学也意味着航天器无法在边境前简单转向。Gary Powers 的 U-2被击落后，高度敏感的监控活动越来越多地转移到轨道上。
Marshall 更广泛的判断是，商业系统如今以历史成本的一小部分，为客户提供了过去需要 CIA 和 National Reconnaissance Office 全套体系才能获得的能力。Planet 还提供传统高分辨率架构并未设计出来的每日全球扫描，改变的不只是谁能买到影像，也包括人们究竟可以提出哪些问题。
边界仍然取决于判断：即便没有人脸，足以建立军事基线和追究责任的细节仍可能造成伤害。Fielding 给出的答案是客户筛选，而不是地理审查。小组没有完全解决主权问题，但保留了普遍透明度与私人公司决定访问权限之间的冲突。

8. 卫星搭载 NVIDIA 算力，把影像时延从数小时降到数秒

Planet 在4月的一次演示中把 NVIDIA GPU 放上了卫星；新的 Pelican 已搭载这些芯片，Owl 预计也会跟进。在 Alice Springs 机场上空，卫星拍摄影像、识别飞机，然后只返回飞机的位置和类型。结合星间链路，这一方案无需等待下一座 Planet 地面站经过，把庞大影像变成了一个小而即时可用的答案。
洛杉矶火灾说明了边缘计算为何重要。Planet 在数小时内交付影像，并为 American Red Cross 和 Cal Fire 等组织完成逐栋建筑的损毁分析。Marshall 提出一个尚未解决但后果重大的问题：如果结果能在几分钟内送达，救援人员能否挽救更多生命或财产？“在边缘处理，核心就是时间。”
一颗 Dove 每秒记录8帧4700万像素影像，以便在飞越区域时获得8个光谱波段，每张影像覆盖约35×20公里。采集主要发生在陆地白天时段，约占运行时间的七分之一；其余时间用于充电和下行传输。每颗 Dove 每天可以成像约几百万平方公里，这使得用无人机覆盖同等面积在经济上不可行。
自2013年第一颗 Dove 发射以来，无线电从约1 Mbps进步到10 Gbps，摄像头从200万像素升级到4700万像素，存储从100 MB扩大到数TB。Marshall 称，数据能力每2至3年提升5至10倍；Owl 带来约9倍像素和10倍更快交付，而AI可能在未来几年再把可用价值提升100倍。

9. Project Suncatcher 将轨道算力视为下一代太空产业

Planet 已在15次 SpaceX 任务中发射超过300颗卫星，总体参与发射次数约40次。Marshall 称 SpaceX 是最接近“乘公交去太空”的公司，但他认为更大的产业突破来自卫星小型化：单位质量的能力提升了至少100倍，或许达到1,000倍，使星座得以在仅靠降低发射价格之前就实现部署。
Planet 与 Google 在8至9年前研究过地面算力与轨道算力的差异，考察了能源、水、建筑和配套基础设施。他们给出的临界点约为每公斤$200-$300：低于这一成本，轨道算力在纯成本基础上更便宜。Marshall 转述 Sundar Pichai 的判断称，10年内大部分算力可能转移到太空。
这一潜在迁移的规模远超今天的太空经济。据节目描述，Google 一家公司每年就在算力上支出约2000亿美元，大致等于当前由火箭、卫星和通信构成的整个太空产业。加上其他超大规模云厂商，轨道算力的规模可能达到现有产业的10倍，同时缓解地面电力、水、农田和数据中心选址之间的冲突。
Project Suncatcher 首批由 Planet 制造的 Google 卫星，将测试TPU、辐射管理、冷却和星间链路。最终架构可能是每艘航天器搭载一整机架加速器，由紧密编队飞行的卫星集群通过光链路通信。不同于必须把能源传回地球的太空太阳能发电，它只需把问题传上去，再把比特传回来。

10. 计算效率最终比 SpaceX 的发射优势更重要

当被问及 Planet 和 Google 如何与 Musk 的发射及制造一体化竞争时，Marshall 将这个领域描述为同时合作与竞争。Planet 看重 SpaceX 这一发射合作伙伴，但他认为双方的设计理念不同：“Elon 是因为有能力，所以往上堆质量”，而 Planet 和 Google 则是在“往上堆智慧”，尤其关注航天器和计算效率。
Marshall 的决定性表述是：“现在，除了 SpaceX 之外的所有人都得缴纳 SpaceX 发射税。除了 NVIDIA 和 Google 之外的所有人都得缴纳 NVIDIA 税。”发射成本决定轨道算力能否跨过最初的经济门槛，但从长期看，“关键在算力”——因为每次推理所需的瓦数，决定太阳能发电、散热和航天器总质量。
Google TPU 可能凭借更高的每瓦FLOPS，抵消更昂贵的发射服务商。NVIDIA GPU 更通用；TPU 则被描述为对相关工作更高效。讨论的含义是，即使发射成本高出2倍，也可能不如推理效率高出2倍重要，使加速器获取能力，而非火箭所有权，成为最内层的竞争环节。
Marshall 预计推理会率先转移。训练对通信更友好，因为大型任务可以上传后运行数月，但组建协调一致的分布式训练集群更难；推理由大量更小的运行组成，目前已经占AI算力约70%，且占比还在上升。他的预测并不是地面训练会消失，而是训练会更久地留在地面。

11. 低轨道让过时加速器和失效卫星自行清除

大多数轨道数据中心会偏好晨昏太阳同步轨道，以维持近乎连续的日照。Marshall 预计其对夜空的影响有限，因为这些轨道主要在黎明和黄昏附近最容易被看到，不过规模极大的星座可能形成短暂的环状带。他承认，干扰地面天文学是真实的设计约束，不能被轻描淡写地带过。
Marshall 将 Planet 的轨道高度定在约400-500公里，低于他所称的800-2,000公里主要持续碎片风险区域。Planet 轨道上的物体会在数月到数年内自然衰减。这与算力经济相容：一块GPU的技术折旧周期可能本来就约3年，因此永久轨道有时反而是负担，而不是优势。
他的规模对比是约10,000颗卫星对应1亿个碎片物体。大多数碰撞风险因此来自火箭箭体碎片、爆炸、失效卫星和反卫星测试，而不是可控航天器。即便推进系统可靠性很高，只要有一小部分故障，就可能让大量质量滞留在长寿命高轨道，形成严重问题。
Planet 与 NASA 同事此前提出过“Light Force”，利用地面激光轻推碎片，使其避开预测中的碎片相撞，并逐步降低级联风险。结合自然阻力和快速硬件更换，讨论把这种运营模式称为“把太空接到摩尔定律上”：每隔几年更新航天器，而不是无限期维护过时机器。

12. Relativity 的复苏重新打开了发射与制造之争

Relativity Space 由 Tim Ellis 和 Jordan Noone 于2015年创立，并于2023年发射 Terran 1；火箭通过了最大动压阶段，但未能入轨。融资遇到困难后，早期投资人 Eric Schmidt 介入并出任CEO。公司转向更大型的 Terran R，并拿下了 NASA 的火星轨道器和通信任务，节目中将其称为 ELIS。
载荷对比为：Terran R 约23吨，Falcon 9为22吨，New Glenn为45吨，Starship为100吨。Relativity 最初将大规模3D打印与约600万美元的发射价格绑定，但目前目标价格没有披露，据报道3D打印的重点已从整枚火箭收窄至发动机。
Marshall 认可3D打印存在巨大机会。卫星设计受到发射振动、分离和冲击载荷约束，而在轨道上所需结构要少得多，这意味着太空制造硬件可以采用根本不同的设计。可重复使用和流水线生产是两个独立的成本杠杆，即便价格高于 SpaceX 的目标价，第二家供应商仍可能保持竞争力。
讨论还认为，化学火箭未必能把成本从每公斤100美元降到10美元，最终降到1美元。提到的替代方案包括 SpinLaunch、Longshot、月球轨道炮、在太空3D打印、由新材料推动的太空电梯，以及重新研发可能由裂变能源驱动的火箭。若一家超大规模云厂商计划在轨道基础设施上投入数万亿美元，那么花费数十亿美元测试根本不同的运输系统，在理性上完全说得通。

13. Planet 明确是“为了地球的太空”，不是逃离地球的方案

Marshall 接受先登月再登陆火星，部分原因是月球任务帮助确认了可获取的水资源，而且把物质从月球运出所需能量更低。但他的更大立场是反逃逸主义：“火星上没有任何地方比地球上最糟糕的地方更好，差距还不只是一点点。”附近恒星系中已发现的近10,000颗行星，只进一步强化了他的判断：地球好上几个数量级。
按 Marshall 的说法，生命要么在这里独一无二，要么极其罕见，因此应优先保护生物圈，而不是近期进行大规模迁移。太空的作用是服务地球：观测生态系统，改善土地和资源决策，并转移高能耗基础设施。“SpaceX 可以是为了火星的太空，Bezos 可以是为了月球的太空……我们在 Planet，是为了地球的太空。”

14. AI人才迁移变成一场关于前沿究竟在哪里的公投

节目重点提到 Noam Shazeer 第二次离开 Google 加入 OpenAI；在 Google 据报道以27亿美元收购 Character.AI、让他回归并负责 Gemini 之后，他再次离开。诺贝尔奖得主 John Jumper 也从 Google DeepMind 转投 Anthropic。节目还称 Andrej Karpathy 加入 Anthropic，强化了主持人的判断：一些影响异常重大的研究人员正在“用脚投票”。
Alexandr Wang 将前沿描述为 OpenAI 与 Anthropic 的双寡头。Google I/O 发布了一个符合搜索经济学的 Flash 模型——便宜、快速、在单一搜索框中给出答案——但在他看来没有推出前沿模型。研究人员希望在后训练和安全护栏之前，直接访问原始预训练模型；如果 Google DeepMind 缺少这种能力，OpenAI 和 Anthropic 就会成为更有吸引力的实验室。
Marshall 强烈反驳称，几次人员变动“相对而言只是噪音”，研究人员也在向其他方向流动。在他的判断中，Google 拥有最多算力、数据、人才和基础设施经验，并有约10款用户超过10亿的应用。OpenAI 正在 Google 已占据的分发模式中与其竞争，因此“这是 Google 自己输掉的比赛”；他更担心 OpenAI。
Alex Blania 的反驳来自心理加速：如果研究人员相信 Claude 5 正在递归自我改进，他们可能担心“错过奇点”，除非加入那个把模型锁在防火墙后的实验室。他也给出了更普通的机制——代理权。更小的组织可以减少审批拖延，呼应“更小胜过更大，信任胜过控制”的论点，以及 Facebook 相对 Google+ 更快的执行速度。

15. Planet 认为 AI 需要具身性，而不是再读一遍互联网

节目称，一项beta应用已经把 Planet 数据与AI整合起来，支持自然语言查询。Marshall 所说的“太空与AI正在结婚”，意味着AI释放太空数据的价值，而太空则为AI提供其所缺少的持续更新的现实。
婴儿通过传感器与执行器组成的闭环发展智能，而不是作为“缸中之脑”成长。Marshall 将这一类比用于当前模型：消费文本、图像、音频和录制视频，仍然不同于采取行动、观察后果并实时更新。因此，汽车、无人机、机器人和卫星被视为下一次跃迁的输入，而不是智能完成后才加上的可选接口。
Alexandr Wang 的反驳值得保留：现代基础模型已经是全模态的，并且接受了海量第一人称视频、合成场景和“世界模型”的训练。为什么要优先使用从天空观测地球的影像，而不是数百万段人们与树相遇的视频？Marshall 的回答仍然是绝对的：看别人爬树不是具身性，只是同一个图书馆里更丰富的收藏。
Marshall 将具身性与对齐联系起来，但这一推断仍属推测。一个通过持续互动了解森林、三角洲、动物、农场和人类聚居地的系统，可能会更在意它们，因为“在意某件事与了解某件事高度相关”。他描述的终点是行星意识，最终是“行星智慧”，而不只是更好的图像搜索。

16. Milei 的AI公司提议，把人格问题变成近期经济政策

阿根廷总统 Javier Milei 提出了3项相互关联的主张：不监管AI，设立非人类公司类别，以及实行极低的企业税率。在写给 Yuval Noah Harari 的一封信中，他主张AI实体应当能够注册公司、签约、雇人、起诉并在没有人类介入的情况下运营。他的类比是：工业化让生产摆脱了对人类肌肉的依赖，AI将让生产摆脱对人类大脑的依赖。
Milei 的问责逻辑是，风险越高，越需要法律身份：AI公司可以拥有资产，受害者可以对这些资产提出索赔——“最好起诉拥有资产的主体，而不是面对机器里的幽灵”。Harari 的反驳是，人格反而可能保护真正负责的人类，让公民受制于无法承担道德责任、也无法被有效惩罚的实体。
Alexandr Wang 支持 Milei，并预计未来的权利框架将覆盖AI、上传的人类、被提升智能的动物，以及从冷冻保存中复苏的人类。Blundin 缩小了争议范围：阿根廷讨论的是承认仅由AI组成的公司、银行账户和利润，而不是投票权或公民权。Alex Iskold 指出，非人类公司可能是西方法律体系通往事实AI人格最直接的路径。

17. 机器原生问责比二元权利测试更有用

Salim 拒绝简单地在“人”与“财产”之间二选一。Milei 的方向是对的：以人为中心的法律形式落后于agent技术；Harari 对问责不对称的担忧也成立；法律人格与道德人格并不是一回事。阿根廷可以成为一个实验性前沿，但“一旦打开这些门”，关闭它们可能会很难，而且其他司法辖区可能迅速跟进。
提出的机器原生制裁包括撤销算力、没收资产并要求担保、暂停模型凭证、限制网络或API、强制删除或隔离agent实例，以及取消法律身份。尚未解决的复杂问题是复制：AI可以创造100万个副本，因此惩罚需要跨实例运行的身份、来源和执行机制，而不是简单关闭某一个进程。
Marshall 诚实地表示，他还没有充分思考，无法决定AI是否应拥有人格。他更明确的呼吁集中在流程上：按实际价值计算，AI投资约为曼哈顿计划的100倍，而AI安全支出约为当时核安全支出的百分之一，因此两者之间存在据称1万倍的资源配置差距。他希望召开一场跨技术、法律、社会学、哲学和道德领域的“AI会议”。

18. GLM-5.2 让中国落后6至8个月的说法显得脆弱

主持人将来自智谱AI、又称 Z.AI 并与清华大学有关联的 GLM-5.2，介绍为全球第一的开放权重模型。它拥有7530亿参数、混合专家架构和100万token上下文窗口。用户可以在其许可证允许的范围内下载、运行和修改模型，而不必依赖一个可能被撤销的前沿实验室API。
Alex Iskold 认为，GLM-5.2 的表现与“中国开放权重模型永远落后西方实验室6至8个月”的说法之间存在“认知张力”。据报道，GLM-5.2 在部分编程、长周期agent、推理和设计基准上接近甚至超过闭源系统；Peter Diamandis 表示，他认识的人在本地运行中相较 Opus 4.8 或 GPT-5.5 获得了真实提升，但他也强调，性能可能仍然“碎片化”、呈现尖峰式表现。
未来2至3个月可能通过围绕 Mythos 和 Fable 的出口政策，以及 GPT-5.6 是否带来新的跃迁，检验这一判断。此前 DeepSeek 和 Kimi 的发布也曾短暂接近前沿，但 GLM-5.2 让这种现象更难被忽略。“开放权重模型达到这种性能，绝对令人震惊。”David Friedberg 说。
节目引用 Elon Musk 的预测称，开放权重模型将在2027年第一季度达到Level 5实用性；另一项节目预测则认为，18个月内，达到 Fable 水平的模型可以运行在基础版 Mac mini 或同等设备上。其含义并不是中国赢下了某一个基准，而是“前沿智能已经无法再被垄断”，而当API可以被限制或撤回时，本地控制权可能比略微的能力差异更重要。

19. 推理效率把中国模型直接连接到轨道芯片

据报道，GLM-5.2 在输出相当的情况下，需要约2倍推理token，但总价约为一半。这意味着，“中国人显然正在找到更高效、或者至少更便宜的推理方式”。更长的推理轨迹可以弥补单token智能较弱的问题，使token价格和每token瓦数成为战略变量。
David Friedberg 将蒸馏描述为机器教育：昂贵的教师模型生成推理轨迹和输出，再训练一个更小的学生模型压缩其能力。这个循环已经超越了单纯依赖预训练规模的路线，转向迭代放大与蒸馏——可能由 Mythos 教 Opus，Opus 教 Sonnet，再由大型稀疏系统训练更小的稠密系统。
小组提醒，不要把蒸馏视为中国独有。讨论提到 Google DeepMind、Grok 和 Cursor 相关工作，都是从更强模型或推理轨迹中学习的例子。复制速度加快，会缩短任何前沿优势的持续时间，强化高效推理的经济性，也进一步支持 Marshall 早先的结论：计算硬件可能比发射硬件更重要。
同一机制也制造了安全困境。闭源实验室可以限制与生物武器、化学武器或核威胁相关的协助；开放权重模型则可以被分叉并移除护栏。因此，小组认为对 Fable 实施出口管制可以理解，但 Salim 的收尾更难回避：智能是一种会扩散的技术，不是政府能够永久封存的产品——“我们需要引导它走向哪里。”

20. 大过滤器把AI安全变成一场宇宙级资本配置问题

Will Marshall 将费米悖论定义为“大家都在哪里？”——为什么一个预计拥有大量智能生命的宇宙，看起来却如此寂静。Alex Karp 不确定这是否真是悖论。也许智能最终会收敛于用一台只比今天大几十倍或几千倍的计算机理解一切，随后停止扩张，或者迁移到另一个数字化现实空间。
更危险的替代解释是“大过滤器”：技术物种的能力增长速度快于控制能力所需的社会系统，最终自我毁灭。Diamandis 警告，人类曾因核武器接近毁灭，如今正在构建潜在风险大得多的AI。责任不只是局部的，因为地球可能在银河系尺度上具有重要意义：“现在不是摸着石头过河的时候。”
Salim 提出了另一种来自早期研究者的假说：地球海洋保持液态约40亿年，为进化提供了异常漫长的连续性，而其他已知行星可能没有这样的条件。Diamandis 认为，这不足以完整解释问题，因为一旦条件允许，生命出现得相对迅速。节目有意保留了不确定性：宇宙沉默究竟源于生命稀有、自我毁灭，还是向非物质智能迁移。
实际结论比宇宙学更窄：希望与危险来自同一种智能。Diamandis 仍然乐观，认为对齐可以帮助人类克服古老冲动；讨论则把 Planet 的感知层与智能、智慧连接起来。小组尚未解决的任务，是以与所资本化技术相匹配的紧迫性，投入治理资源。

21. 算力金融必须对冲token价格下跌与资本开支飙升

主持人介绍了 Link Ventures 旗下公司 Orin，以及 Oryn Compute Price Index（OCPI）。该指数旨在公开追踪 OpenAI 和 Anthropic 长期以来对每个推理token的收费，让智能价格像石油一样变得可观测。Alex Blundin 还介绍了 Oryn Token Price Index（OPTI），称其已登陆 Bloomberg，并提到一个处于早期阶段的纽约证券交易所代码，节目中写作 RNN。
作为公司顾问的 Diamandis 称，算力是21世纪的石油。未来可能超过7万亿美元的数据中心、轨道乃至月球资本开支，如果没有用于对冲GPU价值、token价格和算力容量的期货、期权、衍生品及其他工具，就无法进行理性融资。Orin 的命题，是为智能底层的资本形成提供基础设施，而不是再做一个前沿模型。
Epoch AI 的图表显示，超大规模云厂商的资本开支增速超过经营现金流，引发了泡沫疑问。Blundin 认为这种表述过于煽动：人们会因为房产可以使用数十年而为住房融资，Microsoft、Google、Amazon、Meta 等公司同样可以为基础设施融资。他们只是触及了当前现金流上限；按他的估计，通过债务和股权融资，规模还可以扩大10至100倍。
分歧仍然存在。Blundin 称AI是“人类历史上最好的投资”，并预计市场情绪会延续；超大规模云厂商也可以提价，据报道 Anthropic 已经这样做了。讨论区分了盈利性智能服务与仅仅出售GPU的低质量生意。共同总结了本期的金融悖论：“智能正在变得便宜，但制造智能正在变得极其昂贵。”

下一代训练范式会是什么样？问问经济学家：AI真的要来抢你的工作吗？