摘要

华盛顿这份包含90项行动的AI计划，将创新、实体基础设施和全球生态覆盖视为一体化的国家安全战略。 Jacob Helberg概括了计划的3大支柱：美国必须在创新上超越竞争对手，加快数据中心、能源和国内制造建设，随后为全世界打造AI技术栈。计划锁定6至9个月内可以落地的行动，因为“靠监管赢不了AI竞赛”。
可投资的瓶颈正从模型智能转向电力、许可、机床和熟练劳动力。 Michael Kratsios希望联邦科学数据变得真正可用，而不只是开放；他同时警告，AI将进入无人机、医疗诊断等受监管产品。Jacob Helberg另行指出，超过1,000项已提出或已通过的州级措施，可能把美国推向“50套不同州级监管制度拼接而成的格局”。
Hadrian的工厂数据支撑了本期的核心劳动力判断：AI可以在合格工人已经不存在的地方，重新创造工业产能。 Chris Power称，制造生产率提升4x，劳动力生产率提升10x，来自完全没有工厂背景的新人只需30天培训；公司计划在亚利桑那州建设一座规模为洛杉矶工厂4倍、创造350多个岗位的新厂。“Hadrian的先进工厂看起来、运作方式都更像数据中心。”
Gecko Robotics重新定义了能源：它既是AI的约束，也是AI回报率最高的应用领域之一。 Jake Loosararian举例称，一座额定620兆瓦、实际仅产出580兆瓦的电厂，通过机器人检测和AI释放了1%的效率，并据此推算，美国火电机组可新增11.9吉瓦产能，“不需要动一铲土”。他的主张是：“AI不应只是消耗能源，也应该创造能源。”
Palantir的Shyam Sankar认为，AI采用最强的场景，是一线员工编写应用、机构管理层释放员工自主性的地方。 他希望员工生产率提升50倍，而不是仅提升50%；他提到工厂培训周期已从3年缩短至3个月，并介绍了一个面向机械直觉强、通常靠自学成长的工人的4周制培训项目。他的结论是绝对性的：“传统大学学位已经死了。”
Paul Buchheit关于“富足”的判断是：自然语言扩大建设者池，而资本密集度仍会让模型层保持稀缺。 美国只有2%-3%的人会写代码，其中或许只有一半能搭建创业公司；如果“英语就是新的编程语言”，创业公司、机器人公司和本地应用的数量可能增加10x或100x。Buchheit预计基础模型供应商数量仍将相对稳定，同时开源会限制闭源厂商的审查和锁定能力。
小企业正在成为AI进入实体经济的分发渠道，但最终市场可能呈现哑铃形，而不是普惠式增长。 Kelly Loeffler称，SBA今年发放的210亿美元贷款中，60%流向了拥有1至5名员工的企业；Keith Rabois预计，这些企业将获得与现有巨头同等级别的信息、产品和行政能力，随后从中型市场企业手中夺取份额，而NVIDIA等算力龙头也将受益。制约因素包括能源和材料成本、工业供应链暴露、严格的贷款承销，以及Power的警告：海外竞争仍是“企业对抗CCP”。

精读

1. 美国AI计划将软件领导力与实体产能绑定

Helberg将政府的计划归纳为3个相互关联的支柱：创新、基础设施和生态。私营部门必须在创新上超越全球竞争对手；美国必须建设支撑AI的数据中心、发电设施和制造能力；美国还必须为全世界打造AI技术栈。“创新没有任何替代品。”
这份文件包含90项行政部门行动，刻意将自身定位为行动计划，而不是另一份长期国家战略。Kratsios称，起草者聚焦于6至9个月内可以完成的措施，背后的判断是，AI对经济和国家安全的影响意味着速度本身就是竞争资产。
这一过程始于一次面向公众的信息征集，共收到超过10,000份回复，提交者包括科技公司和好莱坞演员。Kratsios认为，参与范围之广说明AI已经触及几乎每个美国行业；Helberg强调了同一条经济链条：从过去不可能、如今能够成立的AI企业，到采矿、能源、芯片、晶圆厂和数据中心等支撑行业。

2. 监管必须跟随AI进入各行业，同时避免市场碎片化

Kratsios称，不会有一部法律全面“监管AI”。模型将成为无人机、自动驾驶汽车和FDA批准的医疗诊断产品中的组件，责任也将落到现有行业监管机构内部。他的标准很直接：这些机构应保护各自领域，同时创造条件，让AI技术“能够蓬勃发展，而不是受到政府阻碍”。
政府数据是另一项创新杠杆，但Kratsios区分了名义上的开放和真正的可用性。能源部实验室掌握着可能对材料科学和医学有价值的数据集，但“脏乱、糟糕、没有经过同质化处理的数据”很难用于训练。他提到，能源部已获得1.5亿美元，用于一项部分目标是让这些资产变得可用的AI for Science计划。
关于人才，讨论超越了顶尖研究人员。Kratsios支持吸引顶尖科学家和工程师，随后强调，建设AI基础设施所需的电工、暖通空调技术员和其他技工同样短缺。因此，行动计划要求劳动力和再培训项目面向数据中心背后的工人，而不只是面向设计模型的人。
联邦优先权问题引发了明显分歧。Kratsios拒绝将其作为核心议题，因为计划覆盖的是行政部门无需国会即可采取的行动；但Helberg仍称，超过1,000项已提出或已通过的州级AI措施正在形成国家安全威胁。他认为，50套不同的监管制度可能拖累全国性网络，而中国将AI视为统一的战略优先事项。

3. 工业衰退被视为最关键的国家安全风险

Power的历史链条非常直接：工业领导力带来军事能力，军事能力帮助维持储备货币地位，而成功国家最终会变得自满，进而把工业基础外包出去。美国能够赢得二战，是因为商业制造商可以迅速转型——Ford从造汽车转向造轰炸机，钟表制造商转向生产海军仪器——而不是因为每一件武器都更先进。“我们的坦克没那么好，只是数量多得多。”
他与中国的对比，意在让产能差距变得具体。Power称，中国军火工厂每年可以生产约1,000件弹药，而美国兵棋推演会在7天内耗尽导弹，补充库存可能需要3年；中国造船能力是美国的200倍，而美国在所引用的那一年只生产了5艘船。
这种脆弱性还延伸到药品、无人机、iPhone和生产设备，但Power最担心的是人力资本。美国仍保留着一批年龄偏大、爱国且技能高度熟练的技工，为国防供应商提供支持；与此同时，制造业深度已经转移到海外。他说，即使“给我10亿美元，我们也雇不到”重建所需的数百万焊工和机械师。

4. Hadrian用自动化放大稀缺工人，而不是消灭他们

Hadrian的发展路径始于一边运营工厂、一边开发软件，随后与航空航天客户进行了约18个月的测试。Power称，Factory 2于2024年启动，使公司在1年内扩大10倍；如今通过Opus自主平台，为火箭、卫星、飞机和无人机生产微米级公差零部件及更大型组件。
运营指标支撑了其经济学逻辑。Power称，美国工厂的典型开工率仅为20%；Hadrian声称制造生产率提升4x，劳动力生产率提升10x。在他的叙述中，这种杠杆不可或缺，因为美国劳动力池太小，无法靠传统招聘方式重建舰船、潜艇、弹药和无人机产能。
培训时间已缩短至30天。Power称，Hadrian的员工100%来自工厂以外，包括高中毕业生、退伍军人、护士、公交车司机和原本在办公室工作的人员。一名从Home Depot货架补货岗位招来的员工，后来进阶到同时操作10台机器；接触软件和AI也帮助一些新人转向管理和软件工程岗位。
下一座亚利桑那工厂计划在6个月内、约圣诞节前后开业，规模约为洛杉矶工厂的4倍，并新增350多个岗位。之后Hadrian计划在2026年建设面向舰船、潜艇和弹药的专业化工厂，最终目标是在每个州都设厂。

5. 制造业回流经济学取决于能源、贸易政策和机床

Power区分了美国出于安全需要必须回流的产品——潜艇、舰船、弹药、稀土磁体和无人机——以及仍可从海外采购的商业大宗产品。他称，Hadrian目前已经可以在必须在岸生产的国防和航空航天市场竞争；但要赢下规模大10倍的海外市场，就需要关税，因为中国竞争对手享受国家补贴的能源和材料。
当被问及Hadrian是否需要政府直接支持时，Power缩小了诉求范围：国防领域的经济账已经成立，商业回流需要的是公平竞争环境。能源是“银弹”，因为它同时决定工厂运营和原材料投入；他称，能源约占铝和钢材所含成本的90%。
“制造机器的机器”也存在供应风险。Power称，美国曾通过空军项目发明了许多先进机器，却忘了如何制造它们；出于网络安全担忧，Hadrian避开中国设备，主要依赖德国、韩国和日本供应商。他的技术判断是，这些机器本质上是“非常愚蠢的计算机”，美国软件和AI可以放大它们的性能。
制造业缺失的数字化历史，迫使Hadrian自行搭建排产、控制和建模系统。客户仍通过20页、 “充满象形文字”的PDF发送需求，专家可能需要耗费50个小时处理；视觉模型负责解析文件，而生产环节仍约80%自动化，由人类标注结果。随后，强化学习将工艺参数与成品是否通过质量检查连接起来。

6. 实体数据可以让AI成为电力生产者

Loosararian称，Gecko Robotics目前管理着能源、采矿、金属、制造和国防领域超过500,000项关键基础设施资产的数据。障碍不是高管对AI缺乏兴趣，而是缺少输入数据：关键信息仍由“Joe”在危险环境中使用有百年历史的工具手工采集，软件工程师因此缺少可建模的结构化实体数据。
Gecko用飞行、游泳、爬行、行走和爬墙机器人填补这一空白。在一座运营中的燃气电厂，机器狗采集运行读数，其他设备则绘制资产健康状况；数据随后进入Gecko的AI运营平台Cantilever。其基本原则是，从对实际资产进行第一性原理测量开始，向上构建软件及其本体。
他的具体案例是一座额定620兆瓦、实际运行功率为580兆瓦的电厂。通过结合机器人采集的健康数据与客户运行记录，团队找到了进入涡轮机的蒸汽问题；Loosararian称，类似修复带来了约1%的效率提升。将这一结果应用于美国火电机组，他估计无需新建电厂即可增加11.9吉瓦电力。
延长寿命可能与提升效率同样重要。Loosararian援引能源部一项研究称，电网资产只剩下约4年的可用寿命，若不修正现有趋势，到2030年停电次数可能增加100倍。据称，Gecko的数据已经帮助相关资产延寿10年、20年或30年；他称，本期讨论资产的平均延寿时间约为35年。“实体世界已经被遗忘”，但AI可以暴露其中隐藏的产能。

7. 一线部署减少文书工作，同时保留判断力

在Tampa General，护士Laura Deirdinas描述了如何从病历、对话和可能已经过时的装订纸张中，为32名神经重症患者整理报告。AI预先汇总了多学科查房所需信息，让责任护士能够有把握地汇报，并把时间还给床旁工作：“我们是医疗的心脏。”
在潜艇供应商PRL Industries，工程师过去需要从纸质档案、表格、邮件和边缘沟通中花3天整理报价。如今，其AI工具可以在几分钟内完成一半流程，并跟踪每个零件的准确状态，让管理层优先处理拖慢舰船建造的部件。其声称的回报，是让质量管理的速度与工人和机器的速度匹配起来。
Julie Nordberg所在的密歇根州农村医院，距离下一家同等水平的医疗机构有4个小时车程，也没有学术医疗中心的人手。共享的AI辅助设施概览减少了病历审阅和会议时间，而更早发现问题可以触发更早治疗。她明确划定了边界：系统“绝不可能取代我们的一线员工”；它的价值在于承担后台基础工作。
Panasonic Energy将历史维护记录与实时机器数据结合，用于识别故障预警，并在设备损坏前派出技术人员。该工厂在8年内生产了超过11 billion块电池，员工来自旅游、酒店、汽车行业，甚至老虎机维修岗位；互动式学习工具减少了信心损失，并让一线主管成为产品设计师。

8. 员工自主性决定企业AI能否形成复利

Sankar提出，可以把孩子的热情视为AI采用的终极测试：一名受访员工带来了女儿，另一名员工则讲述AI如何改变了她对孩子未来的看法。他的目标不是效率提升50%，而是让美国工人的生产率提升“50倍”，将美国的模型领导力与一线员工的创造力结合起来。
在他的经验中，采用AI的分化并不取决于行业，而取决于机构。组织如果让员工自主设计应用，就会获胜；自上而下强行套用，则会压制最接近流程的人所拥有的机械直觉。AI还会提高卓越人类判断的价值：它让“品位最好的人更有价值”，并将这种品位分布到整个组织。
Sankar预计，未来会有很高的“智能体和模型基数”。通用系统提供起点，但企业可以围绕自身运营的差异进行模型专业化，从而捕获额外alpha。医疗行业说明了这一机会：强制采用电子病历后，医生每小时接诊患者数大致减半，因此AI应该从医疗交付倒推设计，减少医护人员面对电脑的时间。
再工业化提供了最大的回报，因为协调问题会制造大量“停滞时间”。潜艇供应商等待数据或审批，就会让昂贵设备闲置；每条供应链都受制于最弱的参与者。Sankar称，Panasonic的培训时间已从3年降至3个月；他随后介绍了Palantir面向被忽视、机械能力突出且靠自学成长者的4周美国技术人才训练营。“传统大学学位已经死了。”

9. 自然语言扩大创业漏斗，也扩大创始人尝试解决的问题范围

Buchheit的前提是：“英语就是新的编程语言。”他估计，美国只有2%-3%的人会写代码，其中或许只有一半能达到创办软件公司的水平。因此，AI正在延伸Y Combinator最初的20年判断——两个人低成本生活就可以创办一家公司——并可能让创始人数量扩大10x或100x。
他预计，创作会变成一种迭代式对话：描述想要的产品，查看结果，然后说“还不太像，要更接近这个”。其社会目标是把“创造财富的工具尽可能交到更多人手中”，包括那些为一座城镇或一个社区开发实用应用的人，而不是所有人都去追逐下一个Google。
实体AI已经在扩大人们的野心边界：Buchheit称，最近一届YC Demo Day上机器人机械臂的数量让他印象深刻。随着软件任务变得更容易，创始人开始挑战更困难的实体问题。早期的无代码浪潮虽然是一次失败的尝试，但揭示了潜在的建设者供给：他们的优势可能是设计、语言或情商，而不是正规的计算机科学训练。

10. 智能富足打开科学和媒体空间，但模型供给仍然稀缺

在一次由主持人主导的推演中，主持人将财富创造归结为2种投入：能源和智能，并预测全球智能增加10x，可能带来相应的财富增加10x。主持人还预测，AI科学实验室可以自行生成实验数据；在未来20年内，模型或许能够预测药物如何影响人体，无需实际测试，并且比今天的临床试验更具预测力。
主持人认为，生成式媒体也会从另一条路径推动生产民主化。美国中部一个孩子如果有制作迪士尼风格电影的想法，可能很快无需1亿美元预算就能实现；少数精英制作岗位将被更多创作者取代，而这些创作者所在的社区、国家和审美，过去往往缺席于主流媒体。
不过在基础模型层面，Buchheit预计供应商数量仍将相对稳定，因为训练成本极其高昂。他希望市场同时拥有多个闭源和开源选择：如果闭源厂商关闭某些能力或过度限制言论，开源模型可以让用户有去处，从而让专有模型供应商保持“诚实”。谈到OpenAI时，他称开源从未被明确承诺；主持人则反驳称，OpenAI的起源意味着更高程度的开放。
Buchheit回忆称，OpenAI于2015年在YC启动，部分原因是先进AI似乎被锁在Google内部。如今，Facebook也面临相同的平台风险：他的孩子们花在与AI对话上的时间，已经超过使用社交媒体的时间，这使ChatGPT直接与Instagram争夺此前由后者捕获的注意力。以角色为中心的系统表明，个性可能会变得与模型原始能力同样具有战略重要性。

11. 小企业正在成为AI进入实体经济的传导渠道

Loeffler重点介绍了印第安纳州Seymour一家拥有60名员工的自行车工厂。她称，这个行业在30年间已变成98%依赖进口；AI和先进制造让这类工厂可以在需要就业的城镇重新具备可行性。如果在具有战略重要性的商品上复制这一模式，AI就会成为“推动制造业回流的就业创造机器”。
她称，美国有700万至1,200万个空缺岗位，其中很大一部分集中在小企业；同时她提到一条据称规模达15万亿美元的投资管线。她的历史类比是：1940年有5,600万名工人，如今有1.7亿名；1940年的工作中只有40%延续至今，而她将今天85%的工作归因于技术进步。
规模让这一渠道变得重要：Loeffler称，美国有3,400万家小企业，而大型企业只有20,000家。其中既包括拥有数百名、甚至1,500名员工的制造商，也包括由极小团队开发软件或操作先进设备的潜在“单人创业者”。她对这一文化重置的概括是：“Main Street正在走向主流。”
Rabois解释了竞争机制：AI让小企业获得与现有巨头同等级别的研究、营销、法律和会计知识；让暖通空调承包商提供可与大型电商平台媲美的应用；并通过审计识别5%-15%的浪费，降低行政成本。他预计市场会呈现哑铃形——NVIDIA等算力龙头受益，而能力增强的小企业则向中型市场施压。

12. SBA扩张受制于贷款承销，而不是目标意愿

Loeffler称，她扭转了SBA此前禁止政府担保贷款资金用于购买AI技术的限制，为AI落地、CNC设备、先进制造和培训开放融资。今年截至目前发放的210亿美元贷款中，60%流向了拥有1至5名员工的企业；该机构每周处理约2,000笔Main Street贷款。
SBA不直接放贷：数千家银行发放由政府担保支持的贷款；小企业投资公司计划则提供偏股权化的融资渠道，此前曾支持Tesla。Loeffler称，该机构已将人员和支出恢复至疫情前水平，让员工回到办公室或现场办公地点，但今年仍有望创下放贷纪录。
风险纪律没有讨价还价的空间。Loeffler称，放松承销标准曾推动投资组合损失增加4亿美元；她的目标损失率是3%或更低，这使核心项目能够在无需纳税人补贴的情况下运行。她还拒绝对受偏爱的行业一刀切放松标准：“我们不能让一些小企业为其他小企业买单。”
国防、医疗设备、矿产和其他关键行业，仍可能适用不同的贷款或股权结构。Loeffler称，她与国防部的讨论以及SBIC内部的试验正在进行。一名主持人认为，像Tesla这样成功项目的10%股权，可能足以覆盖“一百个Solyndra”；另一名主持人则警告逆向选择。尚未解决的设计问题是：如何让纳税人获得潜在上行收益，同时不放弃审慎承销，也不让政府负责挑选赢家和输家。

赢下AI竞赛第二部分：副总统 JD Vance Demis Hassabis：AI 的未来、模拟现实、物理学与电子游戏｜Lex Fridman Podcast #475