Ramin Hasani

类FINRA的前沿AI监管机构可以为安全提供保护伞，但嘉宾认为，由制定规则的实验室主导监管，存在严重的监管俘获风险。 Demis Hassabis 希望建立一个由行业出资、在前沿模型发布前进行测试的机构，据报道将在年底前投入运作；Ramin Hasani 则主张按能力和垂直行业制定治理规则，并以类似Stackelberg博弈的方式持续迭代。Alexander Amini 的反对更尖锐：前沿实验室卡特尔可能将开放权重竞争者排除在外，同时对AI进行“思想管控”；相比之下，针对有害行为追究责任可能是更干净的监管杠杆。

将美国开放权重模型的可发布上限绑定到中国最好的公开模型，等于把美国创新的油门交给北京。 这一框架假设中国模型落后约7个月，同时认为DeepSeek等模型在下载量达到数百万后无法“收回”；但它会奖励中国率先行动，并可能推动西方研究人员转投中国实验室。Amini 称，这在博弈论上等同于“在一场胆小鬼博弈中把方向盘扔出窗外”。

Thinking Machines Lab 的 Inkling 是一场9750亿参数的押注：企业定制的重要性将超过登顶全球排行榜。 该模型每次激活410亿参数，使用45万亿多模态 token 训练，据报道上下文窗口达100万 token，并可下载、微调和在本地部署；节目将其定位在 NVIDIA 的 Nemotron 3 之上、但低于中国的 GLM-5.2。其商业逻辑是“定制优先于排行榜统治”，并可能通过微调变现，带来多出1至2个数量级的 token 消耗。

Thinking Machines Lab 赌的是：在基础模型可能让微调变得多余之际，企业专有数据仍会重新点燃微调需求。 Dave Blundin 认为，把薪资、化学研究或国防数据发送到封闭API，就意味着“Sam 和 Dario 什么都能看到”，因此本地拥有权重对银行、国防、生物科技和汽车行业具有吸引力。后一位嘉宾保留了看空论点：越来越通用的模型可能只需要提示词，强化微调最终不过是“当下这一代范式”。

所谓递归自我改进的突破，暴露出优化工作流与改变AI底层智能之间的关键分歧。 Weco AI 的 AI² 系统据称将机器工作的8天转化为超过专家2年努力的进展：外层智能体改进并监督内层智能体；Hasani 则反驳称，固定权重模型重写提示词和代码，不是真正的递归自我改进。其计算层面的警告十分严峻：若将这一框架用于有意义地重新调优一个20亿参数模型，可能需要约350年。

不过，只要算力持续扩张、芯片和内存不出现短缺，Hasani 仍预计模型将在约2年内“超出我们的理解”。 他将提示词、代码和内核优化层面的浅层自我改进，与更深层的微调以及自动为下一代模型执行预训练这一“圣杯”区分开来。Peter Diamandis 的解读更偏向眼前的商业化：AI不必重写自身权重，只要能够递归地重构企业工作流，就足以触发“组织奇点”。

Liquid AI 的边缘在于，把专业化多模态智能装进无法承载前沿规模模型的硬件。 Hasani 将小模型定义为低于约1000亿参数，随后介绍了一款小于1GB的 Mercedes 模型：它运行在配备2–8GB RAM、成本可能约为60美元的芯片上；一项600MB的OTA更新计划最早于今年推送至2022年及以后生产的北美 Mercedes 车辆。模型可调用700–1,200项车辆功能，使“数据中心之外的智能”成为可投资的部署逻辑。

AI正在同时压低医疗判断成本，并让过去被视为永久性的衰老损伤类别进入干预范围。 节目称 GPT-5.6 在约2万次判断中击败了专科匹配医生；随后 Meta 的 Muse Spark 1.1 在525项任务基准上又击败 GPT-5.6，成本仅为其1/7，潜在覆盖用户达每日35.6亿人——不过 Hasani 怀疑其中存在“轻微的刷榜”。另一边，Revel Pharmaceuticals 与 Calico 的 CMLA 酶据报道逆转了老年人体组织中的晚期糖基化损伤：这相当于用“分子割草机”清除过去被视为不可逆的疤痕。

🔗 原始收听与视频来源： Mira Murati 的9750亿参数开放模型、Ramin Hasani 谈后Transformer时代AI，以及 Demis 的AI FINRA | EP #271

Liquid AI 的商业判断是，边缘硬件是一个尚未被充分开发的推理市场，而不只是云端 AI 的低价复制品。 Hasani 估算，仅智能手机每年的市场规模就约为5000亿美元；Labenz 则将手机与笔记本电脑合计视为每年出货约1万亿美元算力的市场，而节目开场采用的数字约为8000亿美元。能源限制、隐私、延迟和工作负载经济性，都支持 Liquid 的目标：在已经存在于口袋、汽车、工厂及其他设备中的多样化硬件之上，“构建一层智能”。

Liquid 的核心技术发现是，最佳架构取决于规模、专业化程度和硬件约束。 Attention 仍是最丰富、结构约束最少的机制，在前沿规模上或许值得承担其 (n^2) 成本；较小或更窄的模型则能从递归、卷积、门控或领域特定动力学中受益。“网络越大，架构就可以越不结构化”（“The larger the network becomes, the more unstructured you can make it”）；反过来，受约束系统可以牺牲通用性，换取显著更高的速度和内存效率。

Liquid 的科学脉络始于受生物学启发的微分方程，并用仅几十个神经元实现了令人瞩目的控制系统。 Liquid 网络用12个神经元让小车完成平行泊车，用19个神经元驾驶小车，用30个神经元操控无人机；后续工作又扩展到喷气机和其他预测系统。它们的优势在于输入依赖的动力学和分布外适应能力，而不是魔法或持续学习：“天下没有免费的午餐”（“There’s no free lunch”），训练好的参数仍保持固定。

Liquid 的自动化基础模型设计系统，把架构选择转化为一个以硬件为基础的搜索问题。 AFMD 用进化策略评估约50–100种算子及其混合组合，将实际目标处理器、内存和延迟约束，以及约100项下游基准纳入目标，而不是只看困惑度。在覆盖约1000万至720亿参数的搜索后，结论是“必须把决定权交给算法”（“You have to give it to the algorithms”），即使这意味着算法会舍弃 Liquid 创始人偏好的机制。

LFM2 胜出的 CPU 架构出人意料地简单：70–80%为双门控1D卷积层，另加少量 Attention。 门控让计算依赖输入；卷积则提供低成本、低结构约束的算子，以较低的内存和二次复杂度成本替代大部分 Attention，而不需要许多替代架构中复杂的人工调参机制。Hasani 对搜索结果的直白总结是，当额外门控和人工选择的特征无法通过完整效率目标时，“这一切都必须删掉”（“All of this has to go away”）。

商业验证表明，Liquid 已经不再只是一次架构实验。 Hasani 表示，Liquid 在 Hugging Face 上每周下载量超过100万，在美国机构中排名第5，仅次于 Google、Meta、Microsoft 和 NVIDIA；超过50个模型实例已被企业使用，而公司内部只有约1000块GPU。Shopify 已在商业工作负载中将 Liquid 模型投入生产，Mercedes-Benz 签署了部署约600MB车载音频和视觉系统的合同；Labenz 还发现，10亿参数的 Apollo 模型在 iPhone 上运行足够快，可以用于私密的本地文档搜索和分类。

芯片厂商可能需要掌握一层可调节的智能，而不能止步于芯片和内核。 Liquid 正与 AMD、Qualcomm 等公司围绕处理器路线图合作；Hasani 则将 NVIDIA 的 Nemotron 项目视为硬件优化模型能够改善企业价值主张的证据。Labenz 质疑这是否会造成过度的模型—硬件耦合；Hasani 的回答基本是：“为什么要改模型？”前提是默认模型足够快、可调节，且不阻碍更广泛的开源生态。

眼下本地 Agent 的机会在于编排，而真正实现每瓦智能的小型化仍需要新的学习范式。 拟议中的本地 LFM2 24B A2B 系统可以路由请求、过滤 PII、调用专用模型，并将困难任务升级到云端；但 Hasani 表示，目前没有任何本地模型在不经过微调的情况下达到前沿质量，未来工具则可能以几十美元至数千美元出头的成本生成生产级模型。长期看，现有架构无法接近大脑约20瓦的效率，因为“智能对我而言是一种涌现属性”，需要能够诱导出多种学习方式的目标，而不只是下一词预测。

🔗 原始收听与视频来源： 边缘智能：Liquid AI 的 Ramin Hasani 探索设备原生基础模型

Stability AI 正在把 Stable Diffusion 的分发优势——该模型于 2022年8月上线，下载量达2.7亿次，而第二名模型为900万次——转化为面向电影、电视、游戏和广告的专业制作工具。 Prem Akkaraju 表示，计划推出的50–60个“超窄领域 AI”模型中，约有20多个已覆盖威亚移除、修补、抠像和摄像机匹配板构建等工作流。他预计，用户将在6至12个月内获得足够逼真的按需视频，并认为好莱坞“把逆风误认为顺风”；他还提到相关工具将出现在《Avatar》3、4和5中。

Liquid AI 的押注是，私有、端侧智能能够把市场拓展到配备 GPU 的云计算之外。 Ramin Hasani 介绍了一种源自液态神经网络的非 Transformer 架构，可在手机和笔记本本地提供类似 ChatGPT 的体验，同时驱动汽车、卫星和喷气式飞机。他表示，部署到设备后，托管成本为“0美元”；未来机器人可以拥有本地 AI 大脑，而不必依赖云端。Peter 说，Liquid AI 约2年内从零增长到20亿美元估值，并提到一轮由 G42 等共同领投、规模达2.5亿美元的融资。

SandboxAQ 瞄准的是语言模型无法完成底层物理计算的量化行业。 Jack Hidary 表示，公司已融资8.5亿美元，并认为药物和材料发现需要“在分子和原子上训练”的模型，再把量子方程转化为适配 GPU 的矩阵代数。未来5至7年，量子计算机可能与 GPU 一起构成混合 GPU/QPU 云，但实用的大型量化模型（LQM）今天已经可以运行在 GPU 上；Aramco 是公司最新公布的客户。

Tenstorrent 正通过原生张量处理器和开放软件栈，挑战 AI 的算力成本与厂商锁定。 Peter 提到公司近期完成7亿美元 D 轮融资。Jim Keller 的目标是把系统成本做到当前系统的5–10分之一，覆盖从电视芯片的小型配置到大模型训练机器。他的判断是，AI 不必“贵得令人难以置信、庞大得令人难以置信，也不必专有到令人难以置信”，开放基础设施将扩大 AI 的采用与创新。

根据 Sukharevsky 引用的数据，企业 AI 仍更多停留在试点表演，而非生产落地。 过去5年，只有11%的用例进入生产，生成式 AI 的比例“最好可能也只有7%”，原因在于企业把技术嵌入已经失灵的流程，而不是重做流程。QuantumBlack 拥有5000人，分布在50个国家，设有5个研发中心，约43款产品已在全球部署。高层支持、数据、架构和组织政治都是核心约束。

这场讨论给出了两条执行路径：由聚焦具体收益的小团队切入，以及由机构整体承担转型。 Hidary 举例称，一个由11人组成的团队正用 AI 和量子传感器解决无 GPS 环境下的导航问题，并呼吁以负责任但更快的速度采用技术，应对疾病和电池储能挑战。Keller 要求软件团队将生产率翻倍，第一步是用更少的缺陷产出代码。Sukharevsky 认同 Peter 关于不使用 AI 的企业可能在本世纪末前退出市场的警告，但强调转型必须获得最高层承诺：“不能小打小闹——要成功就必须大干一场。”

🔗 原始收听与视频来源： AI 领袖揭示 AI 突破的下一波浪潮（FII Miami 2025 现场）| EP #150