Anjney Midha

Anjney Midha 认为，资金和算力并不能保证产品交付，真正的约束是执行协同和组织文化。 他表示，Google 将约 95% 的节点利用率视为接近宕机，而业内最佳 MFU 只有 60–70%；协调不佳的实验室会让微小的规划误差在组织层级间不断累积。“AI 扩容的本质，应当是提高常识的价值。”

Amp 给出的答案，是建立一个中立的算力网格，汇聚分散在不同云和芯片上的供给。 目标是让“megaflops 像 megawatts 一样流动”，为参与者保证基础容量，同时动态分配峰值需求。Amp 已开始锁定明确披露的 1.3GW 规模需求，相当于约 400 亿美元云支出；但 Midha 估计，未来 4 年其团队可能需要 6GW 的峰值容量。

数据中心必须与所在社区达成明确的利益交换，否则许可风险就会变成基础设施风险。 Swyx 转述一项估算称，今年美国最多 20% 的数据中心可能缺乏足够的社区支持，但他也提醒这一数字可能被高估。Scott Nolan 提议的“新 AI 契约”是：将算力价格从每小时 4 美元提高到 4.50 美元，并通过现金把增加的 0.50 美元直接返还当地居民；Swyx 还建议提供更便宜的电力。作为算力客户，Swyx 表示自己很乐意买单。

替代性 AI 芯片可以扩大供给，而无需让整个技术栈碎片化。 Matrox 选择 NVIDIA 的参考架构和机架规格，再将创新集中在逻辑 die 与系统协同设计上：“你不可能在每条战线上同时作战。”更深层的约束是信任——芯片从设计到流片约需 2 年，因此设计者需要尽早了解模型架构的变化。

垂直一体化实验室内部囤积研究，为独立资本和基础设施创造了切入口。 Midha 表示，DeepMind 的 6 个月内部禁发期，在研究显现商业价值后可能永久化，导致公开发表的内容出现逆向选择。Amp 的 Foundry 因此为前沿团队提供支持，包括今年早些时候向 Anthropic 投资数亿美元；同时，Amp 也将多余算力捐给非营利组织和大学实验室。

临终预测是 Midha 所举最清晰的、兼具公共价值的 outputmaxxing 案例。 他说，Stanford 的纵向数据集覆盖至少 1200 万名患者，而当时 Medicare 和 Medicaid 超过 30% 的支出用于临终关怀；即使是回归模型和简单神经网络，看起来也具备技术可行性。真正卡住项目的是监管，而不是建模，因为错误诊断的责任无法从医生转移给 AI 系统：“过去 14 年里，我没有一天能把这件事从脑中移开。”

文化是 Anthropic 编码能力突围背后脆弱、却能不断复利的优势。 Midha 不接受“只是掷中了幸运骰子”的解释：Anthropic 在资源稀缺中花了 4 年做好准备，将编码设为 P0，因为计算机使用能力可能推动 AGI 进展，并承受了“21 次拒绝”，由此逼出了清晰方向。“文化不是一套信念，而是一套行动”（Culture is not a set of beliefs. It’s a set of actions）——它需要每天浇灌，而不是一座永久护城河。

🔗 原始收听与视频来源： 为什么拥有无限 GPU 的 AI 实验室仍会失败——Anjney Midha，AMP

AI融资规模已经超出风投体量：Peter Diamandis称，美国每天投入AI的资金已达10亿美元，到2030年可能升至30亿美元，而且他预计还会超过这一水平；Dave Blundin则将其与美国每年约2000亿美元的风投投资规模作了对比。 当被问及a16z有多少资金流向AI时，Anjney Midha的回答是：“基本上全部都投了，但还是不够。” 战略投资者、公开市场、信贷和主权资本都需要加入这场融资行动。

算力偏好链条正从现金、GPU一路延伸到高质量基础模型token，而电力正成为硬基础设施约束。 推理模型产生的token数量约为早期生成式AI模型的10倍，形成日常版Jevons悖论：效率提升反而释放出更多需求。NVIDIA的Blackwell NVL72可能在数据中心完成布线、许可审批和供电之前就已交付——“我们就是没有足够的电力给这些芯片供电。”

公开市场正在成为融资引擎的一部分，Bonnie Chan称，香港在当年的全球IPO排名中位居第一，已完成约80宗交易，另有300宗在排队；已完成和待完成交易合计约一半涉及AI。 HKEX能够吸引技术赋能型“专业散户投资者”的需求，但Chan警告，市场热情最终会让位于更棘手的估值问题。为AI提供资金，需要把机会与私人资本、公开市场资本、信贷和股权资本匹配起来。

垂直应用提供了最清晰的早期经济性，因为其应用场景充足，资本需求也低于基础模型或数据中心。 Blundin称，符合条件的MIT和Harvard团队迄今的成功率接近100%；典型的初始估值为2000万-3000万美元，随后可以获得1亿-3亿美元首轮融资，而注定成为独角兽的公司在两年内就能达到这一目标。Mercor从创立时的3000万美元一路升至3亿美元、20亿美元和100亿美元，是他反复举出的标志性案例。

圆桌讨论中最严重的风险来自政治：前沿AI创造的财富正在私人部门内部复利增长，而电力成本、就业冲击和基础设施取舍却由公众承担。 Midha提到，Anthropic在48个月内从几亿美元估值升至1830亿美元，随后问道：“我的那份未来在哪里？” 他警告，如果Claude和GPT-5将印度IT服务业的大量业务token化，印度可能面临一场“丑陋”的转型。Peter区分了这种未来冲击与当前由2010-2020年过度招聘造成的裁员，Midha又补充了疫情时期放水的影响。

建议的普惠机制应当是机构托管，而不是把散户推向信息不透明、估值已经很高的资产。 Midha希望主权基金、养老金和国家基金进入前沿AI公司的股东名册；Anthropic的种子轮曾在22次引荐中遭到21次拒绝，最终只能由天使投资人和高净值个人拼出资金。Blundin另行警告，资本密集型机器人和聚变能源，以及量子计算等投机性押注，可能损害市场对真正AI价值创造的信心，重演互联网崩盘前外围投资泛滥的教训。

🔗 原始收听与视频来源： AI投资人圆桌：聪明钱在AI领域究竟流向何方｜EP 219

Periodic Labs 由 Andreessen Horowitz 领投的3亿美元种子轮，押注的是一条高资本投入路径：AI 科学家必须通过作用于物理现实来学习，而不只是吸收互联网信息。 Liam Fedus 将实验称为“物理锚定的奖励函数”（physically grounded reward function）；模拟器和语言模型可以作为工具，但自然界才是最终的误差校正器：“自然界是我们的 RL 环境”（Nature is our RL environment）。可投资的命题，是由实验室搭建一个包含假设、自动化实验、正负结果和模型迭代的闭环。

Scaling laws 可能仍然成立，却依然无法在所需时间尺度内带来有用的科学发现。 Fedus 的质疑是：“这个 y 轴究竟是什么？”围绕互联网或编程分布进行 scaling，并不会凭空制造缺失的物理知识，“那个模型不会接着去治愈癌症”。Ekin Dogus Cubuk 补充说，域外表现可以按幂律提升，但斜率可能极其平缓，以至于达到目标要花上几个世纪。

现有科学语料库的问题不只是太小；它还充满噪声、存在选择性发表，并且缺少训练科学判断所需的迭代过程。 已报道的物理性质可能跨越多个数量级，形成焓误差足以让预测失效，超导数据集也常常受到较高噪声底的限制。由于负面结果很少发表，基于文献训练的模型最多只能复现一个扭曲的分布，而无法理解实验为何失败。

高温超导为 Periodic 提供了可量化的北极星，也迫使它搭建完整的自主科学技术栈。 目前所称的常压基准约为135开尔文；超过这一温度就能提供明确无歧义的成绩，而 Cubuk 认为，假设出现200开尔文超导体，即使尚未商业化，也会改变人类对宇宙的理解。实现这一目标，需要自主合成、表征、模拟和实验选择能力，并验证这些能力能否迁移到磁学及其他物理领域。

近期业务是服务先进制造的智能层，而不是等待一块奇迹般的超导体出现。 Fedus 瞄准半导体、航天、国防及其他“拥有巨额研发预算”的行业，为研究人员和工程师提供 copilot，缩短文献检索、模拟、设计和实验之间的迭代时间。商业化将采取 land-and-expand 路径：先解决一个关键且边界清晰、评估标准明确的问题，而不是第一天就承诺改造整条生产线。

Periodic 的模型策略超越检索，通过 mid-training 和高算力强化学习，将私有科学与工业知识编码进模型。 Mid-training 是在基础模型缺失的知识上继续预训练——从晶体结构、模拟输出，到材料制造过程的描述——再将这些分布连接起来，让一个数据集提升模型在另一个数据集上的表现。这种更深层的编码也带来企业级挑战：当部分数据只有高层管理者可以访问时，知识可能需要分桶，分别放入不同系统。

组织护城河是一支约30人的跨学科团队，依靠好奇心、翻译能力和紧迫感，而不是学历资历来协作。 每周教学让 ML 研究人员讲解 RL 和数据清洗，也让物理学家与化学家教授量子力学和科学史；团队的文化规则是“没有愚蠢的问题”。高级学位并非必要，因为即便最优秀的专业人士，对任务所需的物理、化学、合成和表征知识也只掌握很小一部分；创始人希望“尽快”（ASAP）取得进展，而不是等10年。

🔗 原始收听与视频来源： Periodic Labs：训练 AI 科学家，与 Liam Fedus 和 Ekin Dogus Cubuk 对谈（来自 a16z）

Periodic Labs的核心押注是：自然应成为AI的下一种奖励函数。 早期ChatGPT从人类偏好中学习“有帮助”，后来又通过可验证的评分器获得数学和代码正确性；物理学的进一步突破，也需要针对真实实验施加同样的优化压力。Cubuk用一句话概括这一论点：“自然是我们的RL环境。”

更多算力会让模型变强，但无法凭空制造缺失的科学知识，也无法带来高效的分布外学习。 Fedus承认 scaling law 仍然成立，但追问：“这个纵轴到底代表什么？”代码模型可以通过反复通过单元测试实现递归改进，但“那个模型不会因此治愈癌症”；Cubuk补充说，分布外幂律的斜率可能低到让进展需要“几个世纪”。

Periodic正在打造科学文献无法提供的数据引擎。 已发表的测量结果可能跨越多个数量级，负面结果很少被记录，合成或超导数据集的噪声底也可能高到无法训练预测模型。因为“这些系统不是魔法”，实验必须压缩不确定性，并持续把训练分布推向目标。

高温超导既是可证伪的基准，也是推动完整自主科学栈落地的驱动力。 目前引用的常压纪录约为135开尔文；创始人认为，超过这一纪录很可能需要自主合成、表征、模拟和实验迭代协同完成。假设存在200开尔文超导体，即便尚未商业化也意义重大，因为在这一温度观察到量子效应，将“彻底改变人们理解宇宙的方式”。

商业切入口，是面向航天、国防、半导体和先进制造业工程师与研究人员的智能层。 Periodic希望自动化模拟、打通设计流程，并缩短“巨大研发预算”下的实体研发迭代周期。Fedus明确把使命与经济性联系起来：“技术与资本彼此交织”，因此实验室计划采用有边界的“land and expand”路径，而不是第一天就试图改造整条生产线。

Periodic预计，只有通过mid-training，而非单靠检索，才能把通用模型变成物理和化学专家。 公司计划在晶体结构、合成配方、模拟、实验和客户知识之上继续预训练，再结合高算力强化学习与专用工具。组织设计也对应这一组合：一支约30人的“N of one”团队，覆盖LLM、实验、模拟、自动化和理论，并由学术顾问与资助项目提供强化。

🔗 原始收听与视频来源： 打造AI物理学家：ChatGPT共同创作者的下一项事业

GPT-5 的战略目标，是让推理成为默认能力，而不是迫使用户在即时响应的 GPT 模型和更慢的 o 系列之间做选择。 OpenAI 正在研究每个提示词究竟应分配多少思考时间，目标是消除这种产品层面的摩擦，并让更具代理性的行为“默认”可用。对投资者而言，竞争正转向自适应思考预算、延迟、可靠性和可用的自主性。

OpenAI 认为许多熟悉的评测实际上已经接近饱和，正转向以真实发现和经济相关性为基础的基准。 强化学习可以造出狭窄领域的专家，因此从96%提升到98%，相比过去未必还能说明同等程度的泛化能力。AtCoder 和 IMO 仍是可信的标尺，因为许多顶尖研究者都从这些竞赛中成长起来，但下一个里程碑是“让真正具有经济意义的事情发生实质性进展”。

核心研究路线图，是打造能够在机器学习及其他科学领域发现新想法的“自动化研究员”。 Jakub Pachocki 估计，接近掌握高中竞赛水平，大致对应“1至5小时的推理”；接下来的进展需要更长时间跨度的规划、持久记忆、从失败路径中恢复，以及在不断拉长的时间尺度上进行自主运行。

强化学习之所以持续带来进步，是因为语言模型预训练提供了早期 RL 系统所缺少的丰富环境。 自然语言建模赋予模型对人类语言的细腻理解，此后研究者便能探索更多目标和领域。Mark Chen 预计奖励设计会变得更简单，而 Pachocki 认为学习方式应逐渐更接近人类，并警告企业“不要假设现在的状态会永远持续”。

GPT-5-Codex 表明，部署质量取决于是否正确分配智能和时间，而不只是把智能最大化。 上一代模型在最难的任务上投入时间不足，却在简单任务上耗时过多；新版本的目标是在简单工作上降低延迟，在复杂、混乱的编码环境中进行更深度的推理。Jakub Pachocki 说自己过去主要使用 Vim，如今一个30个文件的重构可以“基本完美地在15分钟内完成”，但这些工具仍处在“诡异谷”中，距离一名同事还有差距。

“Vibe researching”是人们期待的未来，但嘉宾认为品味、坚持和诚实的失败分析仍是不可替代的支柱。 研究意味着尝试“最可能失败”的事情，在不刻意“证明它有效”的前提下保持信念，并同时识别软件 Bug 和错误的概念框架。人类研究者仍需选择重要且困难的问题，并学会判断何时坚持、何时转向。

OpenAI 的组织方式结合了受保护的基础研究、审慎的优先级管理，以及仍然稀缺的算力。 实验室不会追逐每一次竞争对手发布，分别为算法进步和产品导向研究设定不同使命；当被问到如果多获得10%的资源会投向哪里时，Jakub 的回答被打断在“算力”。投资过于分散的风险，是最终“每件事都只能排第二”；长期约束也会从算力扩展到能源、机器人和物理世界。

🔗 原始收听与视频来源： 从 Vibe Coding 到 Vibe Researching：OpenAI 的 Mark Chen 与 Jakub Pachocki

Genie 3 的意义不止于生成更好的视频：它是一类全新的模型，能根据几句话实时生成可交互的世界。 1分钟的空间记忆、逐帧一致性和即时控制，把被动观看的视频变成可探索的环境——“实时性确实有某种魔力”（there is something magical about the real-time aspect）。目前仍是研究预览版，团队希望扩大访问范围，但没有给出具体时间表。

这次跃迁来自 Genie 2、Veo 2 和 GameNGen 此前各自分散的能力实现合流。 团队选择了最激进的交集：在同一个模型里同时实现更高分辨率、实时生成和“1分钟以上的记忆”，尽管这些目标彼此冲突。最终成果在约7个月后问世，市场反响也超出了创作者预期。

空间持久性是明确设计的目标，但最终质量仍让研发团队感到意外。 Genie 3 不依赖显式 NeRF、Gaussian splatting 或其他固定的3D表示，而是逐帧生成；团队认为，这一选择是模型能够跨环境泛化的关键。目前的设计可保留1分钟记忆，但 Shlomi 表示这“没有根本性的限制”。

规模和更广泛的训练数据正在带来越来越可信的物理行为，但研究人员仍不愿将其称为类似 LLM 的推理。 在示例中，角色进入水里通常会游泳，滑雪下坡会加速、上坡会减速或停下，走近一扇门时门可能会打开；一些风暴、光照和水面的效果，甚至会让非专业人士误以为是真实场景。模型更难处理的是低概率指令，同时维持世界的一致性——比如在雨天穿人字拖。

Genie 3 与 Veo 3 仍然分开，因为交互性和电影级生成对应着不同的技术优先级。 Genie 支持导航和行动，但通常没有音频；Veo 3 追求更高的视觉质量门槛，而智能体训练更看重快速的第一人称交互，而非电影级输出。Shlomi 将模态、生成速度和可控性视为彼此正交的维度，而不是注定汇聚到单一模型的路径。

一条有希望的路径，是为智能体和机器人提供合成经验。 Anjney 提到一种可能的组合方案，参与其中的智能体名称似乎是 SIMA；Jack 则表示 Genie 3 是环境而非智能体，其他智能体可以通过模拟经验在其中学习。这有望把真实世界数据的逼真度与模拟环境的规模和安全性结合起来，兼得“双方最优”。但模拟仍无法解决执行、运动决策或更广泛的物理响应闭环。

团队一方面称 Genie 3 比此前预期领先数年，另一方面也强调它距离准确的世界模拟器仍相当遥远。 Jack 表示，能生成带记忆、持续1分钟的照片级真实世界，在2-3年前看起来还是5年目标；Shlomi 则提醒，真正把人或智能体放进一个忠实还原的世界，还需要大量工作。由于“我们处在一个加速的时间线上”，团队对日历时间的预测仍刻意保持谨慎。

🔗 原始收听与视频来源： Google DeepMind 领衔研究员谈 Genie 3 与构建世界的未来

华盛顿的AI政策立场已经从存在性风险警告下的限制AI，转向建设一个美国意图主导的平台。 行动计划以“新的科学发现前沿”开篇，支持开源，并提出建立评估生态，在做出宏大宣示前先衡量风险。嘉宾认为，这代表文化重心正从“PauseAI”转向用实证测量风险与机会成本。

SB 1047成为理论性危害如何立即制造商业寒蝉效应的警示案例。 该提案可能让开放权重开发者承担下游责任：如果有人之后对其成果进行微调并造成大规模伤亡，开发者可能被追责；Erik Torenberg回忆，其中一个版本甚至将3人死亡或医疗系统不堪重负纳入定义。对一个“连诉讼都负担不起”的开发者而言，仅仅把问题交给法院，就足以压制实验。

DeepSeek戳破了这样一个前提：限制美国开源，就能让美国对中国保持数年的领先。 在R1让华盛顿意外之前，DeepSeekMath-V2已经显示其接近前沿；而蒸馏意味着，拒绝开放权重所能保留的边际优势十分有限。Erik Torenberg直截了当地问：“你真的看过AI领域任何一篇论文的作者名单吗？”

开放权重如今已经有了远超开源理念本身的具体商业逻辑。 闭源模型可以探索前沿能力，开放模型则服务于政府、受监管行业和要求本地部署、控制权、安全性与支持服务的《财富》50强客户——这正形成中的“主权AI市场”。由于权重不包含底层数据和训练流程，公司可以分发更小的模型，同时保留更大的付费模型和核心IP。

可投资市场可能走向分化，而不是收敛到单一的授权模式。 前沿API与受控部署面对的是不同客户，所需基础设施、支持能力和收入模式也不同；嘉宾预计两种模式都会出现赢家。当20多岁的创始人能在几年内把企业做到“数千万至数亿美元”的收入运行率时，等待市场结构尘埃落定本身就是一种风险。

行动计划的方向感强于执行细节，学术界的缺席尤其突出。 其中“建设AI评估生态”的倡议，用测量取代宣示，并迅速成为其他政府的参考点。但Anjney Midha认为，在缺少大学参与的情况下推进重大技术计划，等于让美国“把一只手绑在背后”作战。

嘉宾不接受“可解释性尚不完整，因此应无限期等待前沿突破”的观点。 模型或许是“生长出来的，而不是编码出来的”，但社会一直在从无法逐原子解释的复杂系统中提取价值；对齐可以提升实用性，并不需要先获得一项普遍适用的意识形态授权。他们的机会成本判断十分明确：“没有AI时的p(doom)，实际上远高于有AI时的p(doom)”，尤其是在延误可能减缓疾病治疗和科学发现的情况下。

🔗 原始收听与视频来源： 美国AI政策的当下现实：从“暂停AI”到“建设”

主权 AI 不是一套已经定型的架构，而是对技术、法律和文化依赖控制权的要求。 对企业而言，这意味着知道工作负载位于何处、哪些政府可以强制调取数据；对国家而言，则意味着确保关键产业和日常生活中使用的模型不会植入对手的价值观。Anjney Midha 的宽泛定义是：“随着 AI 展开，尽可能掌控自己的命运。”

企业 AI 正在重新捆绑技术、实施与保险，而司法管辖区可能决定谁能赢下这套组合。 超大规模云厂商可以通过赔偿承诺吸收安全和合规风险；Midha 举的 CMA CGM 案例还涉及网络安全和版权风险。他认为，当美国《CLOUD Act》令美国供应商不可接受时，欧洲买家可能更偏好 Mistral。因此，采购问题不只是“谁的模型最好”，而是“他们买的是技术，还是保险？”

大多数国家今天都无法争夺前沿人才，但 Midha 不接受它们永远无法追上的说法。 他的 build-buy-partner 框架主张，短期通过合资获得即时接入，中期投资培养“前线部署的 AI 解决方案工程师”，并用10-20年时间建立本地预训练和后训练能力。当研究人员需要与 Meta 及其他前沿实验室竞价时，主权资产负债表可能必须出面，为这一生态播下种子。

每个国家都应将自身文化 token 化，然后把商品化的预训练与本地可防守的最后一公里分开。 Nathan Labenz 认为，政府应将经过筛选的语言和文化语料交给每一家领先开发商；Midha 赞同各国与他人合作完成预训练，最好基于 open weights，但保留本地产品化、持续后训练、分发和不可验证奖励的设计能力。他的检验标准很个人化：ChatGPT 用 Hindi 说话时，听起来“像一个来印度旅游的美国游客”，而不是本地人。

当前 open models 落后 closed frontier 的时间以月计而非以年计，这使通过后训练实现主权成为可能，但并非没有条件。 Midha 提到，从 o1 到 DeepSeek R1 只用了26天，认为中国跟进 reasoning 进展的窗口在60天以内，并将更广义的 open-versus-closed 滞后估计为约6个月或更短。他预计中国会继续将前沿模型开源，作为软实力工具；但 Labenz 强调，这依赖少数有国家或企业支持的参与者做出战略选择，而不是一个传统的开源社区。

AI factories 正在改写云计算经济学，并在定制芯片与 Nvidia 支持的“open scalers”之间制造战略竞争。 Midha 表示，GPU 在数据中心物料清单中的占比已从不到10%升至约60-70%；Amazon 缺少 GPT-4 替代品，推动其向 Anthropic 投资80亿美元，因为金额超过1亿美元的合同开始转向 Azure。Gemini–TPU 和 Anthropic–Trainium 的整合威胁 Nvidia，而 Nvidia 则通过 CoreWeave、Nebius、Mistral Compute 和地区性主权云回应。

中东能为美国提供资本、更快的建设速度、更低的每 FLOP 能源成本和地缘政治一致性，但基础设施承诺会累积影响数十年。 讨论称，相关交易要求美国进行一比一的基础设施投资；Midha 估计，在没有美国补贴的情况下，液冷 Blackwell 节点在 UAE 或 Saudi Arabia 的每 FLOP 能源成本可低约18-20%。他的战略警告是：“基础设施就是命运”：即使中国今天还无法提供等效系统，若头3-5年输给 Huawei，也可能决定未来30年。

🔗 原始收听与视频来源： 主权 AI：国家3-193的地缘政治战略与产业政策，Anjney Midha，a16z

主权AI正在打破云时代“全球工作负载将集中于美国和中国”的假设。 王国宣布推出HUMAIN——一家本地超大规模云服务商或AI平台，计划让绝大多数AI工作负载在境内运行；已宣布的集群建设规模约为1000亿美元至2500亿美元，其中500兆瓦似乎会成为“原子单元”。目标是实现“基础设施独立”，包括对模型和部署拥有自主权。

“AI工厂”在技术上不同于传统数据中心。 GPU是主要的有源部件差异；高密度集群还需要机架级液冷、接近电厂规模的能源供应，以及对能源供给的提前承诺。企业也可能绕过复杂的云堆栈，采用Kubernetes，再按需选择Snowflake或数据库类服务。

模型已经成为文化基础设施和信息基础设施，对外国技术的依赖因此成为国家脆弱性。 训练数据会嵌入价值观，后训练则决定模型回答什么、拒绝什么；与此同时，基础模型已经触及国防、医疗、金融，以及ChatGPT约5亿月活用户的日常决策。随着模型取代搜索、批改小学作业，控制模型的人可能塑造被社会接受的历史与真相。

AI数据中心类似工业时代的石油储备——关键区别在于，各国可以自行建设它们。 资本和政治意愿能够创造算力底座，并以此发展国内产业、推动发展和构建出口能力。

美国面临一个选择：帮助盟友建设主权能力，还是把这片市场留给中国模型。 Midha偏好的类比是“AI版马歇尔计划”：最初的重建计划看似资本输出，却催生了持续70年的美欧贸易走廊，并让中国被排除在这一体系之外。在模型层面，他把外交选择归结为一句话：“DeepSeek还是Llama？”

Appenzeller反对政府全面控制，但认可政府应发挥针对性作用。 政府可以资助基础研究、制定合理监管，但具体创新必须由具备竞争力的企业提供；就连曼哈顿计划都发生过泄密，因此全面控制只是“白日梦”。DeepSeek在OpenAI发布前沿模型26天后以MIT许可发布，印证了他的策略：打造并出口最好的技术，理想情况下由美国及其盟友提供；Midha将由此形成的路径称为“基础模型外交”。

🔗 原始收听与视频来源： 主权AI：为什么各国都在打造自己的模型

AI主权已经从“是否采用”的争论，转向“自建还是外购”的决策。 Anjney Midha认为，已有数十亿人使用AI，各国政府实际上已经没有太多选择，无法再讨论是否拥抱AI。主持人将未来24个月各民族国家的相关支出称为可能“单笔最大的采购决策”。

较小国家不需要掌握完整的AI全栈，但必须选择值得信赖的合作伙伴。 Midha将世界划分为前沿“超算中心”和“算力荒漠”；通过合资，国家可以获得基础设施独立性，而不必实现全面自有。由于训练数据会嵌入文化规范，对齐也意味着要判断“谁的价值观与你更接近”。

Midha认为，真正重要的只有算力、能源、数据和监管这4项要素。 资源丰富的国家可以用自身比较优势换取缺失能力，例如中东的能源可以吸引模型实验室和技术人才。共同训练的模型，可能让各国“摆脱自己不认同的价值体系，同时实现联合独立”。

真正的主权意味着控制关键依赖，而不是复制每一层能力。 ASML约2亿美元的光刻机说明了这一限制：美国重建这项能力可能需要“10多年”，而训练本土前沿模型可能只需数月到几个季度——前提是一个国家能找到全球少数具备能力的研究团队。

Midha认为，美国的数据、能源和推理责任政策是关键风险，同时表示私人算力市场目前表现不错。 他估计，2024年美国各州层面出现了700多项AI立法，形成不断变化的拼图，让企业甚至无法判断“自己到底该遵守什么”。他还认为，核能开发受限，以及让模型开发者为下游滥用承担责任的提案，可能把创业公司推向海外，并进一步巩固大科技公司的地位。

最强的信号来自主权GPU订单和具备技术可信度的创始人。 各国政府在交付前12—36个月就开始订购NVIDIA GPU，因为数据中心正成为“主权新的原子单位”。Midha正在关注那些拥有前沿模型经验、愿意为政府建设基础设施的深度技术型创始人，例如创办Mistral AI的Arthur Mensch，以及在Meta主导最初Llama系列的Guillaume Lample；这一角色的影响力可能“具有相当长远的一代人意义”。

🔗 原始收听与视频来源： AI正在成为一场区域竞赛