深度｜英伟达最新挑战者Cerebras创始人对话谷歌前高管：我们正处于一个无法预测拐点的阶段

图片来源：Cerebras Systems

Z Highlights

• AI正变得越来越实用，模型训练如火如荼，社会各个层面也找到了许多引人入胜的应用场景。这就是真正的推理（inference），它关乎社会如何应用已构建的AI成果。

• 事实上，我们才刚刚步入一场新的半导体革命、新的软件革命和新的硬件革命。

• 因此，我认为开源将继续作为一个蓬勃发展的生态系统存在。现在，这恰好对Meta有利，他们在背后投入了大量资金。我认为DeepSeek的崛起促使OpenAI也宣布推出开源模型，这对整个行业来说无疑是非常积极的进展。

Cerebras创始人兼CEO Andrew Feldman，AI芯片领域的创新者，致力于构建全球最快、最大的AI计算硬件；谷歌前高管Eric Schmidt，科技行业的资深领袖，曾担任谷歌CEO及董事长，对AI战略与技术发展有深刻见解。本次访谈发布于2025年7月28日，聚焦AI时代企业的深度转型，探讨开源与数据在全球AI竞争中的关键作用，AI安全与对齐的挑战，以及电力对AGI发展的限制，预示着新一轮的半导体、软件和硬件革命。

突破计算极限：Cerebras芯片的创新

主持人Sarah Guo：...Cerebras的创始人Andrew，他也在积极推动AGI（通用人工智能）的竞赛。很高兴能邀请Andrew上台，也非常感谢Eric的到来。Andrew，我觉得你介绍Cerebras的方式肯定比我更专业，能和大家分享一下吗？

Andrew：好的，首先，如果说刚才有什么环节是难以超越的，那一定是刚才那段，真的非常精彩，谢谢大家。

我叫Andrew，是Cerebras Systems的首席执行官兼联合创始人。我们致力于打造Eric刚才提到的那些技术，为AI提供大规模、高速的计算能力。正如Eric所说，全球范围内对这些技术的需求非常强烈，这让我们感到非常欣喜。

Eric：顺便问一下，你们的计算速度是最快的吗？

Andrew：是的，我们是最快的。

Eric：太棒了，我只是想让所有观众都清楚这一点。

主持人Sarah Guo：各位，我保持中立立场，所以不做任何评判。

Andrew：我们将产品卖给所有人，这完全没有问题。我们确实是最快的，而且不是快一点点，而是快得多。我们正在从Eric描述的趋势中受益——AI正变得越来越实用，模型训练如火如荼，社会各个层面也找到了许多引人入胜的应用场景。这就是真正的推理（inference），它关乎社会如何应用已构建的AI成果。如果一切顺利，大家可能会用到我们的设备。

主持人Sarah Guo：Andrew，你有没有什么惊喜要带给我们？或许想展示些什么……

Andrew：我认为我只对解决那些真正棘手的技术问题感兴趣。我们很多人，包括Eric和在座的各位，都非常享受挑战极限的技术难题。当我们着手构建专为AI设计的芯片时，实际上是在挑战长达70年的计算历史。

这就是我们的芯片，它比迄今为止已知最大的芯片还要大56倍。我们之所以这么做，是因为AI的工作负载与世界上任何其他计算任务都截然不同。它涉及海量的简单计算，需要频繁移动大量中间结果，且内存访问模式也非常独特。通过打造这块巨型芯片，我们能够把所有信息保留在芯片内部，从而以惊人的速度访问内存，并实现Eric帮助我推广的卓越成果。

硬件与软件的协同演进：加速AGI发展

主持人Sarah Guo：我想深入探讨一下硬件和软件在加速AGI发展中的协同作用。Andrew，你通过WSE（Wafer Scale Engine）芯片重新定义了计算的边界；Eric则强调了系统级思维的重要性。

那么，硬件和软件如何能够携手并进，共同加速AGI的进程？我们是否正迎来智能领域的新摩尔定律？

Eric：这种狂热，主要源自2017年的Transformer论文。当时我在Google担任主席，甚至都没有注意到它的发布，这再次证明，我也会犯错。然而，Transformer架构赋予了这些模型深度并行处理的能力。

Andrew的公司做的，正是更深层次的技术，从数学角度来看，能够更本质地理解它。因此，一个关键问题是，Transformer架构在未来五到十年内是否依然有效？而像Cerebras这样的硬件架构又将如何发展？对此，我没有确切的答案。

现在有趣的是，尽管存在多种不同的技术栈，但目前NVIDIA的“锁定”主要集中在CUDA和Python上。许多人正试图打破这种局面，但迄今尚未成功。因此，未来五年这些层级将如何演进，可能会带来截然不同的结果。Andrew，你怎么看？

Andrew：我觉得Eric说得非常到位。我的观点是这样的：在计算机架构设计中，最难的问题之一就是当你从零开始时，需要问自己两个核心问题：我们不擅长什么？以及我们不会去追逐哪些市场？一旦明确了这些，接下来就要决定：我们是采用通用策略，还是专用策略？

如果我们当时在2016年选择了专用策略，比如在电路中嵌入3×3卷积，那结果可能会完全错。但我们选择了不同的道路。

我们决定从AI的底层逻辑出发，探究其根本基础。这个基础就是稀疏线性代数。如果我们能够加速矩阵乘法，加速从一次乘法到另一次乘法之间中间信息的传输，并加速内存到计算单元的速度，那么无论模型形态如何，我们都能够加速结果的产生。我们希望深入到模型结构之下的层面，告诉自己：只要AI依赖线性代数，我们就能加速它。事实证明，我们成功了。在Transformer模型诞生之前，我们就设计了这种架构，并且其速度比当时任何人都快了近两个数量级。

所以，那是一个极其正确的决策。但这绝不意味着软件在设计中的作用不重要。我们不仅设计了芯片，还设计了整个系统，比如I/O结构、像提示缓存（prompt caching）这样的工具和技术，它们都在不断发展和改进。这些都必须同时在系统层面和芯片层面进行考量。目前，我认为从事这种芯片架构设计的公司，其团队中必须包括顶尖的AI研究人员，他们能够思考下一步应该构建什么。因此，现在这确实是一种协同设计。

Eric：有一点需要明白的是，提供每个token的成本，也就是获取答案的成本，正以每年10倍的速度在提升。这是一个了不起的成就，都是通过Andrew刚才提到的技术实现的。

这包括了更优秀的算法、更精准的判断、如何处理海量的token、生成的上下文，以及内部计算的成本。这大致可以类比为最初的汽车发动机与今天发动机之间的巨大差异，只不过，这种演进的速度在五年内就实现了，而非70或80年。这本质上就是平台的工业化进程。我年轻时曾参与过硅片设计工作，虽然做得不尽如人意。显然，这些技术都是在施乐帕克研究中心（Xerox PARC）和早期的半导体工厂中发明的。我记得曾参观过早期的半导体工厂，最近又参观了现代的半导体工厂。

它们从最初的定制化生产方式，发展到如今的现代化半导体工厂，在我看来，这是人类建造过的最令人印象深刻的工程之一。

Andrew：我完全同意。

Eric：简直不可思议，你们每天都在这样的地方工作。

Andrew：它们就像金字塔一样。

Eric：它们就是金字塔。我年龄已足够大，能够真正理解创新的漫长历程。有一种说法，我就在这里提一下，事实上，我们才刚刚步入一场新的半导体革命、新的软件革命和新的硬件革命。

如果你认同我的观点，即经济效益和社会效益在全球范围内正在不断扩大，那么你理应期待巨大的进步。我第一次见到Andrew时，有些惊讶于他的产品竟然如此出色，他是怎么做到的？

答案是，他们把数学原理搞对了。

全球化竞争与AGI的未来：开放源代码与数据的关键

主持人SarahGuo：Andrew，我想听听你对Eric在前一场讨论中提出的关于开源生态系统问题的看法。

Andrew：首先，我认为Eric关于地缘政治的观点非常精准且富有深度。我们通常认为AI的竞争——如果它真的算作竞争的话，或许我们不应该这样看待，但我确实认为它主要发生在美国与中国之间，或者说是西方与中国之间。然而，当你环游世界，看到一些并不在我们传统关注范围内的地区时，你会发现，正如Eric所言，一场关于中国开源模型的战略正在悄然进行。

我之前并没有如此清晰地思考过这一点，但很明显，当你前往非洲、中亚，看到中国开源模型在那里得到应用时，你会意识到它们正以一种略微不同的方式展开竞争。我认为在我们这一边，开源社区历来对初创公司和新兴企业极为有利，而对那些最大的公司来说可能并非如此。对于我们这些小型公司、初创企业和创新者而言，开源社区为我们提供了一条与那些投入了50倍、100倍、1000倍甚至10000倍资本的公司竞争的途径。

因此，我认为开源将继续作为一个蓬勃发展的生态系统存在。现在，这恰好对Meta有利，他们在背后投入了大量资金。我认为DeepSeek的崛起促使OpenAI也宣布推出开源模型，这对整个行业来说无疑是非常积极的进展。

我认为，将部分成本进行众包（即让社区分担），能够将每百万token的价格从100美元显著降低到1.50美元或2美元，而某些封闭源模型则高达每百万token100美元。这种成本的降低极大地推动了创新和技术的普及应用。

Eric：还有一个我目前没有答案的问题是，当你在性能强大的智能手机上运行开源应用进行LLM（大型语言模型）任务时，会发生什么。对我而言，接下来有趣的转变在于，当这些应用强大到足以融入你的日常生活，而不再需要依赖手机之外的设备时，那会是怎样一番景象？这是一个悬而未决的问题。谁将主导这个领域？如果你没有网络连接，你还能做些什么今天做不到的事情？

Andrew：我职业生涯中有一个原则，那就是如果我妈妈会使用或购买某种消费级硬件，我就不会去做或销售它。所以我不是做面向消费者的硬件的。在我所有的工作中，我最不喜欢的莫过于在父亲家里充当IT经理的角色。

但我认为我们现在确实知道的是，我们将会感受到这场过渡，它会悄无声息地发生。就像以下这些事实悄然融入我们的生活一样：在某个时刻，我们突然意识到，我们宁愿带着手机，而不是钱包，而且手机比钱包更有用。

你能用钱包做的一切，手机也能做到。接着，它甚至取代了你的车钥匙。所以，如果你不小心丢了东西，最好不要丢手机。丢了车钥匙也无妨，叫个优步就能解决。即便你丢了钱包，你也可以用手机里的信用卡支付，照样可以购物，去你需要去的地方。

这就是在一天天不知不觉中发生的变化。当这些手机所能做的事情开始浮现，并悄然融入我们的日常生活，成为常态时，我们有一天会突然发现：“天哪，我当年多么希望有个能替代手机的东西，但现在我根本无法放弃手机了。”

我不知道它将如何具体发生，但我们知道它会带来何种感受——那就是“毫无感觉”，它会变得如此自然，以至于我们察觉不到其发生的巨大转变。

主持人Sarah Guo：关于AGI资本支出的配置问题。

Andrew：继续投入资金吧，大家尽管去投入。

主持人Sarah Guo：那么，资金应该如何分配呢？是应该投入到原始计算、能效、垂直整合，还是新的架构或新芯片上？

Andrew：我认为我们所做事情中最令人兴奋的一点，正是Eric在Google教给全世界的那个理念：搜索应该是即时的。这是Urs和你们团队的杰作，你们向世人展示了，如果让人们等待，他们的注意力就会流失，然后就会转向别处。而现在，当我们转向推理和AI时，同样的事情正在发生。

如果你让客户等待，他们就会转向别处。曾有一个Twitter推文串，Paul Graham在上面写道，他大意是说：“如果ChatGPT再快一些，我会更频繁地使用Google。”然后Sam迅速回复：“我们知道，我们正在解决这个问题。”接着Elon也跳进来评论：“我们可没那么慢。”因此，仅仅通过三条推文，就清晰地揭示了“慢”的代价——你的客户会离开你，竞争对手则会趁机利用。

Andrew：所以，我认为这将是一个系统级的问题。你们每个人都应该把资金投入到我们认为具有真正优势的领域。

我们不应该在没有优势的领域浪费钱。我们应该专注于芯片的设计，专注于构建系统，并且找到那些能够为我们提供独特优势的客户。然后，这些客户理应购买能够为他们带来这种优势的设备。

你提到了几个领域，确实在这些领域需要数据的支持。事实上，生物学和生命科学中确实存在大量数据，只是这些数据并不对所有人开放。

梅奥诊所有着30年积累的数百万人的数据，英国政府拥有全体人口的所有MRI数据。只是这些数据并非对所有人开放。

就像互联网流量的“排放”（指数据洪流）一样，它对最大的公司是开放的，可以被抓取并用于训练。因此，有些数据是存在的，只是并非每个人都能随意使用。

Eric：所以两年前，如果我们今天在这里，我会非常有信心地宣布，计算资源的分配将是80%用于训练，20%用于推理。

但现在看来，我再次完全错了。Dario写了一篇非常出色的论文，叫做《机器的惊人优雅》，他在文中提到有三个扩展定律，其中之一就是深度学习，我们正处于它的中间阶段。

Scaling Law指的是当你投入更多硬件和资金时，你会看到性能或效果每增加一个数量级，就会带来更深层次的沉浸式体验。这是一个被广泛认可的规律。他还提到强化学习和测试时计算（即学习的形式）会有另外两个扩展定律。当你在这些扩展定律中不断攀升时，你并不知道它们何时会停止，何时会达到一个渐近点。

我问所有我认识的人：Scaling Law什么时候会停止？

答案是，没有人知道。这也是这个时代如此令人着迷的原因。我们正处于一个无法预测转折点的阶段。我们的行业常被描述为S曲线的发展过程：一开始波澜不惊，然后发生一些事情，接着爆发式增长，最终走向成熟。而我们正处于那个爆发阶段。

Andrew：这不就是最有趣的地方吗？真是太有意思了。

Eric：是的，太有趣了。而且在这个阶段，每个人都有机会取得成功。更多的收入解决了所有已知的问题，大家都能有所收获。最终，行业会走向整合，但我们现在还没到那个阶段，而且短期内也不会。

Andrew：我认为我们大多数人会说，或许80-20的比例会反过来。推理计算将主要由用户数量、使用频率以及每次使用时所需的计算量来驱动。

Eric：尤其是强化学习。从强化学习开始。没错。强化学习和往复的计算将需要成千上万倍的计算量。

Andrew：因此，当你看到推理需求呈现指数级增长时，我们知道其根本驱动力是什么：更多人开始使用它，他们使用得更频繁，并且每次使用时消耗的计算量也更大。就像你在演讲中提到的那样，推理或智能代理的应用，也会消耗更多计算。

你可以想象一下，如果你的营销团队在一年前，或许他们每天只使用一次或两次。而今天，大家可能每天会使用5、10、20次，全天都在使用。这只是一个领域中的一个应用。如果你把这些应用叠加起来，你会看到推理需求继续爆炸式增长。

衡量和分析AGI进展的关键指标

主持人Sarah Guo：你认为衡量和分析AGI进展的关键指标应该是什么？无疑是每秒token数吗？还是你看到了其他更重要的指标？

Andrew：我觉得Eric谈到关于连续的S曲线非常有意思。不仅这些曲线本身引人入胜，更令人兴奋的是你不知道坡度何时会发生变化。不仅如此，这也使得预测变得异常具有挑战性，创造新指标也很困难，因为从未有过如此惊人的增长。

Cursor的增长是否应该更快？如果他们做法不同，他们是不是应该达到5亿，而不是1亿的年收入？

我们无从得知。我们仍在根据SaaS公司的传统规则来衡量一切。我觉得其中最令人兴奋的部分是，我们不仅在发明新事物，而且正处于一个“这里有龙”（意指充满未知和机遇）的领域，远远超出了我们所知的常规指标。

我们不知道在我们这个领域，一家优秀的公司究竟应该达到什么标准，因为所有的传统指标都已经被打破了。不过，确实，你会在意你的客户获取答案的速度。那就是每秒token数。他们感受到的、他们看到的，就是你提供的AI和软件给他们带来结果的速度。

AI对齐与安全的挑战

主持人Sarah Guo：关于AI对齐与安全问题，究竟有多少责任应该由硬件来承担，又有多少责任应该由软件和算法来承担？

Eric：对于那些可能没有关注过的朋友来说，“对齐”是指确保这些AI系统能够反映我们的价值观、法律、规则、习俗等。

目前，模型基本上会生成一个原始版本，然后会有专门的团队，即所谓的安全团队，他们利用各种方法来查找模型中可能存在的危险。所以，他们已经开发出了一些测试方法。

现在有一个普遍的趋势，是将这些测试在行业内共享，尽管模型本身并不共享，只有测试是公开的。通过这些测试，他们会检查系统是否“对齐”。

现在的问题是，如何在一个自我改进的系统中持续保持对齐？

回到你之前问的那个问题——你怎么知道它知道什么呢？所以，我在会议上一直提出的一个问题是，当这个新生事物出现时，你如何在不将其释放出来的情况下，判断它掌握了哪些知识？

如果你释放它，可能会出现非常糟糕的结果，因为这些系统具有不对称性。各种人会对此与我争论，但这只是一个例子：想象一下，这个系统自行开发了某种可能伤害一百万人的东西，比如网络攻击、病毒攻击等等。而且它还懂得如何隐瞒。当你询问它时，它不会告诉你。

想象一下这种情景，我们如何才能检测到这种情况呢？目前，公司们所做的，就是有一些非常聪明的人，他们认为这种情况可能是真实的，然后通过部分测试来探索这个问题。这就是我们现在能够做到的最佳方式。对齐问题并没有得到根本性解决。各种安全机构都在密切关注这个问题。

Andrew：这主要归结于软件和人类。

主持人Sarah Guo：非常清晰。最后一个问题。一个与对齐问题高度相关的问题。

Andrew，我认为你和Cerebras团队在阿联酋（UAE）与G42、Co-42合作建立主权AI平台的过程中做得非常出色。那么，在AGI时代，对于欧洲而言，“主权”意味着什么？欧洲是否能够建设自己的基础设施，定制硅芯片来支持云端服务，并为此做好准备？

Andrew：当然可以。他们只需要着手去做，当然可以实现。那里有很多聪明的人，也有投资者在寻找高回报。我认为关键在于你是否真心想去做。你必须培养一代代对解决难题充满热情的企业家，百分之百肯定，如果这成为一个优先事项，他们是能够做到的。

主持人Sarah Guo：所以，这需要像你们在阿联酋那样，将其提升为国家优先事项吗？

Andrew：我认为是的，必须做出一个决定，明确你希望你的经济如何发展，以及奖励哪些领域。你会培养足够多的计算机科学家、数学家、物理学家、工程师，来创造一个能够推动行业发展的精英池吗？

但当然可以做到。新加坡拥有一个非常有趣的硬件生态系统，尽管它只是一个城市国家。我不知道你是怎么看的，但我认为，只要有意愿，就当然能够实现。

电力：AGI发展的关键限制

Eric：一句话总结：电力。这些系统完全受限于电力供应。在欧洲，电力成本很高。我认为，下次你们的会议可以增加一个环节，展示全球电力成本的地图，并分析一下未来增长可能集中在哪些区域。我猜测，补贴或廉价电力将是其中一个主导因素。

Andrew：成本确实很高，而且运输这些能源也很昂贵。它确实有一些不寻常的特性。但实际上，在法国，目前你确实可以用非常便宜、清洁的能源来生产电力。

只是，你得给它加税，对吧？你可以用核能产生非常便宜的电力，这是作为一项产业级计划中的选择。

主持人Sarah Guo：那么，通往AGI的最直接途径是核能吗？

Andrew：嗯，你看，我觉得现在人们都在谈论一吉瓦（Gigawatt）的设施。像匹兹堡这样的城市，我认为它是美国的第四或第五大城市，它的总用电量是3吉瓦。

Eric：了解大型核电站大约是1.5吉瓦的发电量，这一点很重要。是的，我们需要两个这样的电站才能支撑一个大型数据中心。

没错，你需要一整个城市的电量。想一想，美国有多少核电站在建？一个或两个。过去20年间，有多少成功投入使用的大型核电站？实际上是零。我们远远落后了。

我曾在国会作证，我提供的数据是，美国未来十年需要92个新的核电站，这当然让所有人都震惊。

主持人Sarah Guo：Andrew，Eric，最后有什么要补充的吗？

Andrew：我希望能再次和Eric一起参与座谈，因为我们是好朋友。

Eric：感谢大家，谢谢你，Andrew。

原视频：Fireside Chat with Cerebras CEO Andrew Feldman and former CEO & Chairman of Google, Eric Schmidt
https://www.youtube.com/watch?v=ale91prmv8w

编译：Ciny Zhao

请注意，本文编译自文末载明的原始链接，不代表ZPotentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。

ZPotentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。