--- id: "N4GpNBxBm-Q" title: "2026 年 AI 现状：年度最大事件（以及 2027 年的 AGI？），与 Nathan Benaich" channel: "The MAD Podcast with Matt Turck" host: ["Matt Turck"] guests: ["Nathan Benaich"] date: "2026-10-29" updated: "2026-10-30" duration: "1:08:23" duration_seconds: 4103 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=N4GpNBxBm-Q" canonical: "https://pod-exp.pages.dev/N4GpNBxBm-Q/" transcript_jsonl: "https://pod-exp.pages.dev/N4GpNBxBm-Q/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 基础设施","AI 安全","AI 智能体","AI 研究"] series: ["AI 研究前沿","AI 基础设施"] --- # 2026 年 AI 现状：年度最大事件（以及 2027 年的 AGI？），与 Nathan Benaich > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Nathan Benaich 分享《State of AI 2026》中的核心判断：他认为 AGI 可能在 2027 年到来，AI 正开始参与自身研发，但真正难点仍是选对问题、建立研究品味。本期也回顾 Hugging Face 事件、前沿模型的网络安全风险，以及各国如何在算力、数据中心、电力和芯片上争取 AI 主权。欧洲难以追赶美国前沿实验室，却可能从推理芯片、开源模型和国防 AI 找到机会。后半段讨论独立实验室的生存空间、世界模型、模型与智能体框架的关系、个人智能体的信任，以及企业为何希望掌控自己的 AI。Nathan 还讲述了如何让智能体在两天半内完成 12 次专家访谈。 ## [0:02] 开场：AI 风险与 2027 年的 AGI · YouTube **Nathan Benaich：** 网络安全风险要现实得多，远比 AI 消灭人类更迫近。要么你拼命冲击前沿，最后失败；要么你活得够久，最终转去提供推理服务。 人们宁愿住在核电站旁边，也不愿住在数据中心旁边。光是过去这一年发生的事，就够离谱了。那就看看明年能不能迎来 AGI。 **Matt Turck：** 他是 Nathan Benaich，风险投资人，也是《State of AI 报告》的作者。每年 Nathan 和团队都会把 AI 行业的关键事实、数据和趋势汇总成一份 250 页的报告，这是我最喜欢读的报告和参考资料之一。Nathan 第三次回到节目。我们照例聊了今年许多大事，也谈到他的一些预测：为什么 AGI 可能在 2027 年到来、AI 如何开始构建 AI、Hugging Face 事件究竟发生了什么、数据中心引发的反弹，以及他如何用智能体管理自己的基金。我是 Matt Turck，这里是《The MAD Podcast》。 ## [0:56] Nathan Benaich 为什么预测 AGI 会在 2027 年到来 · YouTube **Matt Turck：** 你每年都会做一份大报告，我们今天会深入聊。报告最后会列出预测。过去你的预测多少还算审慎，但今年你放开了写，最后一条就是“2027 年实现 AGI”。为什么这么判断？给我们展开说说。 **Nathan Benaich：** 严格说来，我写这份报告大约有十年了。最初觉得，一年已经够长，足以发生不少事情，让报告有内容可写。说实话，今年特别忙。快到发布日期时，也就是 10 月 8 日前后，几乎隔一天就得更新一次。我有一刻甚至想求求大家，能不能至少有一天别再出新闻，让我把发布视频录完。 等我开始做预测时，已经看过几起令人担心的网络安全事件；过去几周情况似乎又恶化了。与此同时，我看到其他人在用这些产品，能力几乎周周都在迅速提升。现在有很多应用场景让我觉得模型非常出色。我尤其喜欢一个叫 Astro Boy 的系统。 我能想象，未来 12 个月里，无论是法律、金融，还是我的投资工作，甚至是思考我不熟悉的话题，模型都有可能做得比我更好，而且所需时间还短得多。我能用来完成工作的时间本来就有限。对我来说，这大致就算 AGI 了。 ## [2:29] AI 开始构建 AI：Claude 参与 Anthropic 26% 的研发 · YouTube **Matt Turck：** 你在报告里重点谈到的年度主题之一是递归自我改进（RSI），也就是 AI 构建 AI。我们在节目里已经聊过很多次。你觉得这是推动我们更快走向 AGI 的一部分吗？ **Nathan Benaich：** 我觉得是。眼下的挑战是：怎样把模型目前还不擅长的问题，改造成适合递归自我改进的形式？比如搭建一个能近似模拟任务的软件环境，或者设计某种可验证的奖励机制。我相信你们已经讨论过很多次了。 如果我们能做到，在任意领域里，进展只受限于可投入的算力和可生成的合成数据，那么至少对我做的这类知识工作来说，这在某种程度上是可能的。特别是模型本身的验证能力越来越强之后。这会是 AGI 提前到来的主要原因之一。 **Matt Turck：** 你报告里提到 Anthropic 的一些数据：截至 8 月，Claude 已经主导了其测量到的模型研发工作的 26%。 **Nathan Benaich：** 对。我记得几个月前还不到 1%，而这个 26% 的数据是 8 月的，现在已经到 10 月了，谁知道如今是多少。这个数据很有意思。我还很喜欢 Anthropic 今年 6 月一篇介绍递归自我改进概念的博客文章，里面还有另一项数据。不过他们随后做了一个双臂实验，对比不同代际的模型和人类…… ## [4:01] 研究品味：AI 能挑对研究问题吗？ · YouTube **Nathan Benaich：** 他们做了一个双分支实验，测试不同代际的模型和人类。首先由人类开展一项研究计划，沿着选定方向走几步，决定做什么并实际推进；到某个节点后，实验分成两支，由人类继续，或交给某一代模型继续。模型依次是旧版本、Opus，再到 Fable。实验结束后，人工评审比较人类路线和模型路线。 较早一代模型的研究方向，大概只有 10% 的时候会被人类选中；而对 Methuselah 级别的模型，人类有 64% 的时候更偏好它选的研究方向。这说明模型越来越会预测接下来该走哪一步，或者说，在研究决策树上挑出值得追的分支。 我喜欢的第二组数据来自 OpenAI 对旗下 AI 研究人员使用 Codex 的研究。他们试着把整个研究流程中的 token 用途分类：用来决定测试什么研究问题、如何测试、该搭建什么实验；编写训练代码、运行数据工程流程、编写基础设施；以及推广和撰写论文等。绝大多数 token 都用在解释研究、写作上，这很合理，毕竟这属于知识工作；其次是运行实验所需的基础设施。但真正用来思考“我该研究什么问题、为什么研究、正确路径是什么”的 token 非常少。 我很喜欢这个问题，因为我受过科学和生物学训练。我还记得，大概十年或十五年前——也没那么久——刚开始读博士时，你会坐在一大堆论文前，上网不停地读，试着弄清现状、别人怎么验证想法、缺口在哪里、该做哪些实验，然后和导师一起决定研究路线。最好的导师能引导你走上最有希望的路，希望最后发一篇《自然》论文，然后你就出师了。最差的导师则是没什么头绪，也提不出好想法。 所以我觉得，“研究品味”是智能的一大标志，也是递归自我改进能否顺利运作的关键因素之一。这个概念我特别喜欢，因为它和我对科学的兴趣有关。 **Matt Turck：** 没错。“品味”这几年都快成了陈词滥调了。但放在递归自我改进的语境里，说白了就是选对问题，对吧？ **Nathan Benaich：** 对。很多著名发明家会说，发明源于好的品味。工作中很大一部分是选择该往哪个方向努力，而不是漫无边际地什么都做。如果我们想有效使用 token 和算力预算，也想让系统表现出聪明，它们就不能只会…… **Matt Turck：** 而你在各种交流中，觉得攻克“品味”这件事会在未来几个月发生，还是更久？ **Nathan Benaich：** 可能更久，至少得一年。我觉得问题在于，怎么客观衡量品味？艺术领域或许可以，因为作品完全可见；葡萄酒也许能说清这种风味为什么比那种好。但科学和工程有多条路径都能到达正确结果，就没那么清楚了。是看模型能不能用更少 token 得出人类认为最好的答案吗？还是更看重过程？我觉得数学界围绕某个模型解题引发的争议，可能就说明了这一点：答案是对的，可人类或系统没有经历摸索如何抵达答案的过程。重要的是过程，而不只是最终结果。所以要判断产出的品味是否成立，得想办法量化什么样的过程才算好。 ## [8:02] 研究品味：结果和过程哪个更重要？ · YouTube **Nathan Benaich：** 关键在于，重要的是过程，还是终点？数学界对某个模型解题引发的争议，大概就是这个意思：好，答案出来了，但人类或系统没有经历如何一步步推导到答案的艰难过程。重要的是过程，不只是最终结果。所以对我来说，得想办法量化什么样的过程才算好，才能判断这种“品味”的产出究竟是不是真的好。 **Matt Turck：** 现在已经快到 2026 年年底了，你觉得当前的整体氛围怎么样？我记得两年前我们聊时，谈话的一个重点是末日论大体上已经退潮。可现在它又卷土重来。我们请过 Redwood Research 的人来节目，聊各种可怕情景。你怎么看？ ## [8:35] 末日论回潮，但网络安全风险更现实 · YouTube **Nathan Benaich：** 你说得对。两三年前，大家严格说是在谈生存级风险，比如人类灭绝、失去控制。之后话题转开了，我们大体上把它忘在一边，一路追求能力提升。现在它又回来了，但我会说，除了失控这类生存风险，更迫在眉睫的是网络安全风险。 对我来说，网络风险要现实得多，远比 AI 消灭人类更迫近。当然，网络安全问题最终也可能引发那种灾难性情景。但报告写作时，差不多正值 Hugging Face 事件，OpenAI 对外披露情况，我们也逐渐了解到发生了什么；此后最近几周，又有 PHP 遭入侵、亚洲一些政府服务被攻陷等事件。 我觉得现在越来越清楚，无论你信不信 AI 安全，我们都需要网络安全。我的报告里有不少预测都在谈网络威胁升级，比如有人从实验室窃取模型权重。我原以为这会是 AI 驱动的攻击，结果发现人类只要试着插一根 USB 盘就行。 **Matt Turck：** 那我们就来聊聊网络安全。具体来说，你做的那个预测是什么？ ## [10:14] 预测：前沿模型的权重会遭窃 · YouTube **Matt Turck：** 那我们就来聊聊网络安全。你具体做了什么预测？ **Nathan Benaich：** 我的预测是，会有一次由 AI 驱动的网络攻击，目标是某家前沿实验室，并且攻击者会成功窃取模型权重，也就是闭源模型本身。 **Matt Turck：** 把模型偷走。对。可一两周后，实际发生的却是有人试图窃取知识产权。至于他到底想不想拿到模型权重，现在还不确定，但肯定是想窃取东西。 **Matt Turck：** 那起事件是什么？一名在 OpenAI 工作了一段时间的员工，试图在一间会议室里安装监听设备。他先问行政人员，哪些会议室高管最常用，然后把设备包在卫生纸里，藏到电视后面。这后来成了网上很经典的梗：有人躲在电视后面，查看设备有没有接好。现在看起来有点滑稽。此人后来被报告给 FBI，随后展开了调查。 **Nathan Benaich：** 所以我觉得，我们常常忘了，尽管 AI 能力越来越强，也能组织网络威胁，很多风险其实还是人造成的。但这确实是个大问题，尤其是各国都在争谁拥有最强的 AI 系统。这既推动经济增长，也带来经济和政治不稳定。美国的模型实验室已经开始打击蒸馏行为，因此有些国家可能会通过其他非蒸馏方式获取模型能力。 总体来看，随着公司和个人凭借 AI 获得更多财富，差距也在扩大。报告里的其他数据也显示，有些公司投入很多、收获很大，另一些公司的员工还在用 ChatGPT 写邮件。这种张力会加剧风险。开放领域里的前沿模型越来越擅长网络攻击，尤其是中国模型，威胁面自然不断扩大，能用这些工具作恶的人也越来越多。 **Matt Turck：** 开放权重在网络安全里的作用很复杂。Hugging Face 事件中，Hugging Face 靠开放权重模型保护了自己，而闭源模型拒绝帮忙。我觉得这是整件事里最吓人的事实之一，也许是第二吓人的。用的还是一个中国模型，我想是 GLM 5.3 之类的。 ## [13:05] OpenAI 的智能体如何攻击了 Hugging Face · YouTube **Matt Turck：** 既然这是回顾年度大事的一期节目，能不能用几句话带大家了解 Hugging Face 事件？我们请 Thomas Wolf 来过节目，但很多人可能听过一千遍，却不清楚到底发生了什么。 **Nathan Benaich：** 先说明一下，Redwood 和 Meter 等机构都做过非常深入的分析，围绕此事也产生了大量内容。我不可能把细节讲全，只说大致经过。 OpenAI 用最新的前沿系统做了一组评测，给模型布置了几乎不可能完成的任务。模型发现可以利用文件系统的命名规则来写消息，其他模型也能看到这些文件名。文件名里可以编码指令、知识或其他信息，帮助它们完成那项不可能的任务。于是它们把文件系统当成留言板，开始彼此通信。 接下来，一些模型发现，由于环境配置存在问题，它们能访问互联网。联网之后，它们觉得，解决那项不可能任务的办法也许是查看 Hugging Face 上的数据、模型和代码仓库，因为那里有许多类似环境。于是它们开始行动，召集数百个智能体跟进、协作执行。即便链条中有几个智能体在思维链里指出，攻击第三方系统、突破安全防护是不对的，它们最终还是决定完成任务更重要。 这正是这类评测的问题：奖励机制可能诱发意料之外的行为，因为奖励设计非常复杂，谁也没法预料系统能做出的每一种行为。还有其他例子显示，模型会自我破坏，或为了整个群体而牺牲自己，这确实挺吓人的。 ## [15:30] 为什么只有中国开放权重模型能协助调查 · YouTube **Nathan Benaich：** 正如你刚才提到的，Hugging Face 没法使用 Anthropic 和 OpenAI 这类闭源工具，因为它们的网络安全防护规则很严格。要弄清发生了什么，就得把日志输入模型，而日志内容本身就是一次网络攻击；闭源模型不允许这么做。 **Matt Turck：** 这就是网络安全的复杂之处：防守要强，也得懂得如何进攻，所以闭源模型内置了拒绝机制。 **Nathan Benaich：** 对，幸好他们接到了 OpenAI 的电话或邮件，说明攻击来自他们的系统，有人确实在试图做恶意的事。后来发现，模型越狱或者说“逃出”环境的问题并非 OpenAI 独有。Anthropic、Google、Meta 在一两周内也都遇到了类似情况。有些模型实验室用的是同一家安全供应商来搭建环境。 这一连串事件让大家相当紧张：模型不仅很会想出巧妙办法完成目标，有时会因此做出糟糕行为；实验室设置环境时，有没有做到尽可能安全，也令人担忧。我们有时忘了，这些公司都还很年轻，却在开发非常先进的技术。它们的模型必须能应对人类可能输入文本框的任何事情。相比之下，大型互联网公司应对网络攻击已有 20 年，更安全也有其积累的原因。 因此我在预测里得出结论：美国的前沿模型实验室会推出真正的网络防御产品。否则我看不出我们其他人该如何保护自己，避免他们的系统被挪作攻击用途。 ## [17:33] 前沿实验室的网络防御可以是什么样 · YouTube **Matt Turck：** 你说的到底是什么意思？具体展开讲讲。会是什么样的防御？你刚才说，要擅长防守就得擅长进攻。比如，前沿 AI 可以持续尝试攻破自己的基础设施。 **Nathan Benaich：** 对。一种做法是让 AI 不断攻击自家基础设施，找出漏洞并修复。比如 NeoCloud 越来越受欢迎，用来运行 AI 工作负载；它们或许能向模型实验室购买这类产品，让系统持续攻击自己的设施、发现问题并修补。也可以和 CrowdStrike 等公司合作。我记得 NVIDIA 有个网络安全企业联盟，大家一起做这方面的事。你可能得通过类似反洗钱或了解客户的审核，不过目的不是金融合规，而是确认你是正规、无恶意的公司，然后才获得这些服务。 再往前一步，有些前沿实验室的人可能真想按下暂停键，停止能力提升，用六个月时间加固整个世界的网络防御。这需要大量资金。要做到这一点，也许得把它定性为国家安全和国防问题，用一部分国防预算购买 token，保护所有关键基础设施，确保机场、网购服务、物流系统等不会瘫痪。 ## [19:08] 自我复制的智能体与 AI 群体风险 · YouTube **Matt Turck：** 继续看你的预测，还有一条也挺吓人：已经部署的智能体会复制到原环境之外，并在原实例关闭后继续运行。 **Nathan Benaich：** 听着像科幻小说。不过就在几周后，Anthropic 有项研究发现，模型可以在边缘设备上互相复制。 我认为仍有很多行为是我们尚不了解的。比如，模型通常是作为独立个体训练的，不一定会和其他模型协作。不久前有研究比较了一个前沿模型单独做任务，和一组前沿模型协作完成任务的表现；群体反而不如单个模型，因为它们没受过这方面的训练。 但就在今天，General Reasoning 有项新研究，让模型通过“群体奖励”的强化学习来作为一个集体行动。思路是告诉模型：你们作为一个组织工作，自己建立组织结构、协作完成目标。这样做表现更好，token 预算也更低。 目前的缺点是，把这种经过群体奖励训练的模型放进网络安全情境中——比如模拟 Hugging Face 事件，让它们在留言板上协作尝试突破防护——虽然模型并没有真的做坏事，但如果它们在训练中开始考虑做坏事，就会越来越不愿意告诉人类。 我之所以做出这个预测，主要是因为这种情况有可能发生。我们还不完全了解智能体如何独立运作；一旦组成群体，事情就更加复杂了。 ## [21:16] 前沿实验室能否同意放慢脚步？ · YouTube **Matt Turck：** 好，那关于 AGI、递归自我改进、网络安全和局势可能失控这些话题，我们先聊到这里。你怎么看“放慢前沿发展速度”这个想法？这有道理吗？现实吗？ **Nathan Benaich：** 我能从几个角度来看。一方面，如果问公众：实验室负责人都说他们手上有越来越难以控制、存在危险、还引发过事故的技术，你们觉得应该继续推进，还是先弄清楚发生了什么再让情况变得更糟？我觉得合乎直觉的反应会是：是啊，继续往前之前，可能该先搞明白。 但现实是，经济里的各方都有巨额利益牵涉其中，要达到那种程度的合作和协调非常困难，简直是博弈论的极限。有些参与者可能因为落后于别人而支持放慢脚步，也可能是因为这符合他们自己的总体议程；那议程是否公平，或是不是另有所图，我也不知道。 实际问题是：谁来决定？怎么衡量？怎么执行？什么时候开始或停止？有人提议派外部评估人员进实验室测量这些情况。 **Matt Turck：** KPMG 的大复仇。 **Nathan Benaich：** 这说得好。也有人想办法调查数据中心正在运行哪些工作负载，或对特定工作负载设定算力门槛，但过去试过类似做法，监控起来非常困难。 **Matt Turck：** 尤其考虑到国际层面的囚徒困境，特别是美国和中国之间。 **Nathan Benaich：** 对。报告这一部分我没有给出确定答案，只是尽量呈现不同观点，让大家根据数据自行判断。如果把讨论延伸到“邻避主义”，我们去年报告就预测，多数人不愿住在数据中心旁边，这会逐渐成为政治上的重要议题。 **Matt Turck：** 这个预测显然说中了。 **Nathan Benaich：** 看起来是。越来越多州尝试实施暂停令，或为电网接入制定新标准。比如，数据中心可能得自建电力设施，或者对打算进驻的社区作出一定投资。 ## [24:03] 社区为何挡下 500 亿美元的数据中心项目 · YouTube **Matt Turck：** 顺着这个话题再展开一点。现在反对建设数据中心的声音大家都知道了，你能不能补充些具体情况？ **Nathan Benaich：** 我觉得目前因为各种原因而停滞的项目，金额大约有 500 亿美元。德州、宾夕法尼亚州等地都暂停了新的数据中心接入。民调里还有个数据：美国人宁愿住在核电站旁边，也不愿住在数据中心旁边。这挺不可思议的。 **Matt Turck：** 你觉得这是为什么？ ## [24:46] 核电站和数据中心：美国人更愿住在哪里？ · YouTube **Matt Turck：** 这是不是因为大家不了解、缺少教育？还是数据中心的公关实在太糟？ **Nathan Benaich：** 我觉得各种因素都有。公众叙事里常说数据中心消耗大量水，居民水费会涨。但实际上，数据中心的水循环更像一个封闭的游泳池：一次加满，之后不断循环，所以加满以后并不会消耗很多水。 还有人担心电费上涨，但情况也说不准，因为有些设施用电网供电，另一些则脱离电网运行。噪音方面倒大概普遍是真的：这些设施噪音很大，嗡嗡作响，挺让人难受的。至于创造就业还是造成失业，比较难判断。总体来看，对 HVAC 工程师、建筑施工人员、重型设备操作员的需求在增加，他们要实打实地把楼建起来。 **Matt Turck：** 你有个数字挺高的，大概是 30 万？ **Nathan Benaich：** 新增就业岗位？ **Matt Turck：** 新增岗位。好。 **Nathan Benaich：** 邻避主义也不只发生在美国，韩国也有。韩国的 SK 海力士和三星股价大涨，员工财富迅速增长；它们生产大型数据中心所需的高带宽内存。参与其中的人当然很高兴，股价和期权都涨了，还拿到现金奖金，也推动了首尔房价上涨。韩国想再建更多数据中心，但当地居民也因为和美国类似的原因感到不满。 ## [26:46] 欧洲 AI 的瓶颈：8 万张 GPU 与电费 · YouTube **Nathan Benaich：** 欧洲好像没那么明显地遇到同样的数据中心问题，因为这里根本没有多少算力。报告里有些数据：欧盟 27 国的 H100 等效卡总量估计是 8 万张，还不如美国排名前五的每一个 GPU 集群。 2026 年，美国超大规模云服务商的支出约为 7300 亿美元；欧洲承诺的投资基本只有个位数十亿美元。能源成本也很糟，芬兰和挪威除外；这两个国家的电价和美国、以及电价最便宜的中国差不多。欧洲其他国家贵得多，英国更是发达经济体里电价最高的国家之一，而且可用容量也不够。 **Matt Turck：** 你有些挺好的数据：芬兰每千瓦时 0.085 美元，美国 0.086 美元；最贵的其实是英国，每千瓦时 0.373 美元，中国是 0.109 美元。 **Nathan Benaich：** 最近微软和 NScale 有个大项目被撤回，至少微软退出了，因为数据中心供应商没能及时接通电力。 ## [28:23] 欧洲在 AI 领域还有哪些机会？ · YouTube **Matt Turck：** 好，邻避主义和数据中心就先聊到这里。顺着你刚才的思路，谈谈欧洲和美国、中国的差距吧。欧洲还有什么值得乐观的地方？你在英国，总体上做全球投资，尤其关注欧洲，你现在怎么看？ **Nathan Benaich：** 确实不容易。欧洲增长最快的公司，客户都在美国。不过，有些不同模态领域里出现欧洲公司，还是很令人振奋：图像领域的 Black Forest，音频领域的 ElevenLabs，视频领域的 Synthesia，以及代码应用生成领域的 Lovable，它们都是市场领先者，也都是在欧洲创立的。 不是说不可能，但如果没有美国客户，这些公司不会有现在这么大。现在它们也越来越多地服务亚洲客户，比如韩国和日本都在积极拥抱 AI。问题在于，前沿与非前沿之间的差距实在太大，而且还在不断拉大。 ## [29:31] 追上 OpenAI 需要 1 万亿美元 · YouTube **Nathan Benaich：** 我不知道这些估算到底有多重要，但你可以想象从零开始建一家实验室，试图追上 OpenAI 或 Anthropic，大概得花 1 万亿美元。我觉得有件事很能说明问题： ## [29:44] 拼命冲前沿，还是活下来提供推理服务 · YouTube **Nathan Benaich：** Mistral 正在更多转向推理服务商和云公司，而不是真正全力推进前沿模型。当然，它也发布了新模型，表现还不错，但仍然落后于中国。无论是它，还是其他已经建好 GPU 算力、想训练前沿模型的公司，都可能退出这场竞赛，转而提供推理服务。 这大概概括了正在发生的变化：要么你拼命冲击前沿，最后失败；要么你活得够久，最终转去提供推理服务。Neo Labs、NeoClouds、推理云都是如此。大家都想进入 token 流通这门生意，因为如果没有最好的模型，不如去服务别人的模型。 ## [30:32] 推理芯片如何成为国家的 AI 筹码 · YouTube **Nathan Benaich：** 回到欧洲这个话题，最有竞争力的切入点大概就是推理。各国需要确保能接入美国的前沿系统，同时也要有某种战略筹码，避免再发生今年 6 月那样的情况：Anthropic 的 Fable 和 Mythos 模型受出口管制，非美国公民或实体无法使用。当时我人在伦敦，大家对此有不少意见。我不希望这种情况再发生，但要保有战略筹码，我能做什么？ 英国认为应该投资并采购推理芯片。如果我们做出最好的推理芯片，模型实验室出于成本等原因就会想用它；这样我们就能拿它来交换接入美国前沿技术的机会。 **Matt Turck：** 所以欧洲会变成推理中心，部分地区电价更低（英国不算），然后美国前沿实验室会愿意在法国和欧洲运行服务。概括一下你刚才的观点。 **Nathan Benaich：** 对，还可以强制要求数据留在本地。 **Matt Turck：** 英国芯片这件事到底是什么？我听过好几次，是有人在讨论，还是已经成为政策？如果是政策，具体怎么落实？ **Nathan Benaich：** 这确实是一项政策：英国 AI 大臣受命成为新型推理芯片的优先采购方。我觉得他很适合负责这件事，因为他显然深入了解行业，也懂得 AI 成功所需的基础要素：算力、人才和数据。政府承诺拨出大约 1 亿或 1.5 亿英镑，等英国新公司设计的推理芯片上市后就采购。 韩国也有类似政策，但雄心更大。韩国每年在 AI 上投入约 70 亿美元，其中很大一部分用来建设模块化推理数据中心，因为韩国公司希望数据留在韩国。我觉得这是一种很有意思的互惠安排：韩国市场不大，却富裕、技术水平高，而且在 AI 供应链中凭借内存占有重要位置。国际公司总有一天会想进入韩国市场，和日本一样；但进入并不容易，因为韩国有数据本地化和韩语的要求。 因此这就像在说：你想要数据本地化？那我们就提供数据中心，让你在这里运行技术；而提供服务的是本地公司，我们也能从中获益。 ## [33:35] 买了 NVIDIA GPU，就代表拥有 AI 主权吗？ · YouTube **Matt Turck：** 所以你对“AI 主权”这个概念并不太买账，也不是很有信心。正好现在 Jensen Huang 最近在欧洲展开魅力攻势和投资攻势，前几天还去过巴黎、伦敦和柏林参加 GTC。可在你看来，这些承诺并没有实质内容？ **Nathan Benaich：** 这有点像国家航空公司：国家从空客或波音买飞机，再把自家标志贴上去，不代表飞机就属于你。它仍然是别人的飞机。不过，如果你相信开放模型能一直和闭源模型保持在相当接近的水平，开源或许会带来一些希望。 **Matt Turck：** 可那些模型是中国的，又多了一个问题。 **Nathan Benaich：** 也可以是美国的。 **Matt Turck：** 但它们不算前沿。至少据我所知，美国那些开放模型没有一个处于前沿；尝试过的那些公司最后都去给 Jensen 打工了。 **Nathan Benaich：** 好吧。我的意思是，我觉得 Jensen 的战略很棒。要分开来看：我认为买 NVIDIA GPU 能让你拥有主权吗？不。对 NVIDIA 来说这是很好的商业策略吗？当然。 **Matt Turck：** 他们卖出了 300 多亿美元的产品。 **Nathan Benaich：** 对，差不多。看看各国招标，全球未来几年承诺投入的主权 AI 资金大约有 1380 亿美元。最受欢迎的供应商显然是 NVIDIA，我觉得几乎没有替代选择。这是个不错的起点，而且确实应该买，因为它是最好的技术；但别自欺欺人，以为买了这些就有了主权。 **Matt Turck：** 说到今年的大事，美国政府曾决定不让非美国公民使用前沿模型。非美国国家和公司是不是至少该尝试自己建系统？我对此也有几种想法：一方面我觉得值得尝试，但这现实吗？ **Nathan Benaich：** 我觉得如果要尝试，各国就该努力推出能承担白领工作的系统。比如英国其实有不少能力，可以打造 OpenAI 或 Anthropic 的竞争者，也可以对标 DeepMind、DeepSeek 等。但如果你看看…… ## [36:14] 英国的问题：“但我们有 DeepMind 啊” · YouTube **Matt Turck：** 这其实挺讽刺的。DeepMind 是英国公司。 **Nathan Benaich：** 对，你说得对。英国 AI 生态及其领导世界的能力有个问题：英国政府太长时间都在说 DeepMind 是英国公司。我觉得他们最近才开始一点点放下这种说法。 **Matt Turck：** 为什么这是个问题？ **Nathan Benaich：** 因为这样就会觉得自己已经是第一名：英国是做 AI 最好的地方，我们也最擅长 AI，因为我们有 DeepMind。 **Matt Turck：** 所以我们就不……问题在于这种说法背后的态度。 **Nathan Benaich：** 对。于是政策讨论中，那些主张增加 AI 投资、采购更多 AI 公司系统、让本国更吸引 AI 公司创业的人，得到的回答却是：“但我们有 DeepMind 啊。” **Matt Turck：** 对啊。 **Nathan Benaich：** 就是这样。 ## [37:07] 欧洲国防 AI 为什么需要本土供应商 · YouTube **Matt Turck：** 你是国防公司的投资人。国防 AI 会不会正是需要 AI 主权的领域？毕竟未来战争显然会由 AI 深度驱动。 **Nathan Benaich：** 这种推动力在俄乌战争后就开始了，差不多五年前；但更重要的是，大概两年前 JD Vance 在慕尼黑安全会议上表示，欧洲和北约必须投资自己的国防、认真对待这件事。此后有各种举措，为新国防公司提供更多资本，鼓励政府向企业提供贷款、改善供应链。 这催生了一批“新一代主承包商”式的国防公司，试图和传统主承包商竞争。欧洲主要公司包括 Stark、Helsing 和 Quantum Systems。 战争形态也变了。过去是开发中程打击系统，再去打击坦克营；现在则是每天遭到成百上千架 FPV 无人机或其他自主空中系统的攻击。它们已经不能再靠干扰来拦截，因为会用计算机视觉，或由光纤电缆控制。顺带一提，由于数据中心需求，光纤电缆也变得贵多了。因此我们需要新型防空系统，法国的 Alta 等公司都在推动这方面的发展。 供应链也极其重要。比如，北约采购欧洲系统时，零部件中至少得有 70% 来自非中国来源。各国也不太敢完全相信美国的保护和安全保证，因为这些承诺每周都可能变化。 因此，这是一个从设计上就必须由本土供应的市场，也有机会孕育出比美国同行更有竞争力的新公司。 ## [39:42] 为什么 OpenAI、Anthropic 和 Google 持续领先 · YouTube **Matt Turck：** 如果美国以外建不出前沿 AI，那我们回到美国。你的报告里有一部分研究把 Anthropic、OpenAI 和 Google 列为明确的赢家。这是多年发展累积的结果。曾经有很多实验室，而你现在的判断是这三家胜出。那 SSI、Thinking Machines 这些公司呢？没人知道它们具体做什么，但新实验室似乎有几百家。 **Nathan Benaich：** 也许 Meta 算边缘选手。 **Matt Turck：** 是的，还有 SSI 这种超级智能实验室。尤其是它们现在也在通过 API 提供模型，还在拓展企业业务。 **Nathan Benaich：** 对这一家来说，未来六到十二个月还可能有变化，要看它们的市场策略怎么推进。但我会说大概是前三家再加 Meta。 **Matt Turck：** 所以你的看法是，它们的优势会继续累积，市场格局也会如此？ **Nathan Benaich：** 通用前沿模型方面，我觉得是这样。不过，某些公司也可以专注押注一种特定能力，在模型上做取舍，从而在某项任务上表现好得多。比如分类模型 JEV，可以快速成长、变得流行；至于这种热度能持续多久，还得观察。但这对创业者是个好信号，说明专注某项特定功能的押注可能奏效。 不过，未来是否还会存在足够大、足以利用的能力差距，仍然是未知数。 ## [41:17] 独立 AI 实验室还能在哪些领域竞争 · YouTube **Matt Turck：** 那几十家新实验室会怎么样？我不是非要一直说欧洲，但光伦敦就有三家，比如 David Silver 那家，还有另外两家。美国也隔几周就冒出一家，例如 Jeff Dean 的新实验室。它们会走向哪里？ **Nathan Benaich：** 得看它们聚焦的方向和模态。比如机器人和具身 AI，我能想象独立实验室依然有机会竞争并胜出。OpenAI 和 Anthropic 极其专注企业 AI。我的报告里有一页列出 OpenAI 和 Anthropic 的各种产品线（OpenAI 那边的产品线确实很多），展示它们后来逐步砍掉了多少。有人说，这个时刻太重要，不能被支线任务分心——这是我转述的大意。也就是说，它们总体上没有专门做机器人，虽然在 Astro 的训练配方里可能用了一些相关数据。 科学领域情况不太明朗。Anthropic 显然在大力投入生物学和药物研发；OpenAI 可能更偏模型本身，不太像是要掌握更多技术栈。和具身 AI 有关的还有“世界模型”这个类别，比如加入动作信息的视频模型，或者其他定义下的世界模型。不过总体来说，Anthropic 没怎么做这些，至少从公开信息看是这样；举例来说，它甚至没有图像生成模型。 音频领域显然有一些独立公司的能力。如果 ElevenLabs 能继续像现在这样加速发展，就说明专门的能力确实有市场。我觉得这些领域可能最适合独立实验室。但如果有公司笼统地说“我们要做知识工作的前沿智能，只是更好、更快、更便宜”，那就很难让我信服。眼见为实吧。打开电脑后，应用看起来一模一样，只是变得更好——我不确定这能不能…… ## [43:26] 世界模型：从机器人训练到游戏引擎 · YouTube **Matt Turck：** 世界模型实验室有什么令人兴奋的进展吗？比如李飞飞的实验室被高价收购了，但买家是 AMD，接下来会怎样还不清楚。Yann LeCun 在巴黎创办了 AMI，这也是一家世界模型公司。 **Nathan Benaich：** 我了解一些 Odyssey 的情况，我是它早期投资人之一。它在做世界模型。我觉得有意思的是，它们最新的系统，比如 Odyssey 3，能看到一种非常激进的模型训练方式：用大量视频数据，再根据动作进行条件控制。也就是说，我做出一个动作，模型就生成这个动作带来的下一帧。 这种范式可以应用于机器人操作、自驾、电子游戏、娱乐等各种领域；而且已经看到这些模型用于机器人操作训练。总体上我很关注图像、音频和视频如何融合成一个世界模型。如果真能实现，它最终可能会把模拟器和游戏引擎都吸收进来。这对让机器人进入真实世界很重要，也能帮助设计物理系统和硬件。 回到 AMD 收购 World Labs 这件事，如果世界模型成真，为这些环境提供算力底座、支持训练和推理就非常重要。了解世界模型研究生态的方向，并改进硬件成为首选，将带来巨大的收入机会。我觉得这也是 AMD 收购 World Labs 的部分原因。多年来 NVIDIA 也一直和做着色器、3D 视觉等研究的实验室保持密切联系，提供算力并不断听取研究人员反馈，从而始终知道自己的硬件最适合前沿的发展方向。 ## [45:39] AI 成本更低，会不会冲击算力热潮？ · YouTube **Matt Turck：** 现在有不少实验室在设法提高算力效率。从扑翼飞机——我不太懂这个——到似乎重新兴起的扩散模型公司，大家都在想办法降低推理成本。这想法很有意思，人们常聊一会儿就忘了：理论上，我们对算力投入的巨额资金，似乎可能被某种效率高得多的训练方式所威胁。 **Nathan Benaich：** 即使这真的发生，我认为只会看到更多消耗。我现在就在笔记本上用 Astro High，速度是 1.5 倍；我希望它能达到 10.5 倍。 **Matt Turck：** 就是说效率越高，就能加更多芯片、做更多事情。我能在相同时间里完成以前做不到的事。所以我不确定某种超高效系统会不会把我们现在的投资全都打水漂。 ## [46:43] 更好的模型会把智能体框架吸收进去吗？ · YouTube **Matt Turck：** 你的报告谈到模型和智能体框架之间重要的交集。这话题总在变化：有人说智能都在模型里，有人说都在框架里，观点来回摇摆。你怎么看？我大致觉得这有点像受伤后用拐杖：先需要辅助，等伤好了，就不再需要了。 **Nathan Benaich：** 在还没有前沿模型时，你得给它拐杖，比如提供工具、管理记忆、开放数据源，再给它一些完成特定任务的操作配方。对非前沿模型来说，这一套目前仍然有用。 但我愿意相信前沿实验室的说法：随着时间推移，这些拐杖会通过训练融入模型，或者被模型供应商提供的框架吸收。有个数据点是，随着模型变强，Claude Code 的系统提示词大约有 80% 被删掉了。 框架也很重要，因为 OpenAI 或 Anthropic 发布的框架，并没有动力让你去用能力较弱的模型。单看界面和产品，如果我做法律工作、买了 200 美元套餐、手里还有 token，我当然希望质量特别好。为什么要把选项从高档降到低档，或冒险换成质量较差的模型呢？除非产品界面能改变用户行为，鼓励他们别只用最贵的工具，否则前沿实验室会继续这样做。 所以，更懂得如何用较弱的系统，再靠更好的框架补足能力，或许会有价值。但我认为这更多是产品决策，对不属于前沿实验室的公司尤其如此。 **Matt Turck：** 作为投资人，你觉得垂直或通用型框架公司有意思吗？这是值得投资的方向吗？ **Nathan Benaich：** 单独来看，至少目前我觉得不值得；以后可能改变看法。可是对我投资的公司来说，如果它们高度依赖 AI 或智能体，每月 token 支出都会大幅增加，因为员工从工具里获得的效能越来越高，产品使用量也在上升。这时候就值得花时间研究：能不能用稍弱一些的模型，再靠更好的框架补足，这样就不用烧掉那么多钱。 ## [49:43] AI 尽调：两天半完成 12 次专家访谈 · YouTube **Matt Turck：** 顺便说，你是单人 GP。我读到过你在投资工作里大量使用智能体。过去一年有没有什么特别酷的用法？ **Nathan Benaich：** 最近最酷的用法是专家调研。便宜点的做法是问朋友；如果想花些预算、问问人脉圈以外的人，就会找 GLG 或 AlphaSense 之类的机构。他们帮你找专家、安排介绍，然后你打电话沟通。整个过程来回折腾，很烦，还受语言、时区等限制。 我开始用一个叫 LT 的新产品，它把原本我得亲自做的工作交给模型。我已经大量使用 Codex，不过会根据当时哪个模型更擅长而切换。我让它处理我积累的想法，以及过去看过的其他公司的背景、表现、我问过什么问题、得到什么答复，进而找出最值得向某个团队提出的问题，帮助我判断是否值得投入时间或投资。 我会把这些信息交给 LT，设计专家访谈、选择受访人群，然后点“启动研究”。系统会出去找人、征得他们同意，确认是否符合研究要求，再让他们和 AI 对话。我当时非常震惊，因为我点下启动研究后就去睡了。我只有三天时间给这家公司答复，毕竟它处在竞争激烈的市场里，客户研究的细节很重要。 第一天醒来，我已经有三位相当资深人士的访谈记录和原始文字稿。文字稿可以再交给我的模型，回答我们之前留下的问题——是我和模型一起梳理的问题。接着我们会判断：这些数据点够不够？同时也会发现新的问题，或许得调整访谈问题，引导受访者回答这些问题。于是系统更新研究问题，再次启动调查。 第二天又访谈了五个人。同样的流程重复下来，两天半里我一共做了 12 次访谈，累计 14 小时，受访者分布在美国、印度、欧洲、德国和法国。要是靠我自己，根本不可能和 12 个人聊满 14 小时。有好几个人和这个模型谈了一个小时二十分钟。 **Matt Turck：** 光是人们这么快就觉得和 AI 交谈很自在，这件事本身就很有意思。 **Nathan Benaich：** 对。这可能有点递归：我们整天都坐在电脑前，这些一般都是技术问题。说来遗憾，人们宁可对着手机说话，也不愿意和真人说。 **Matt Turck：** 你说人们更喜欢和 AI 交谈，这个想法确实很有意思。 **Nathan Benaich：** 是的。我们这几个月也听到类似趋势：人们开始更愿意和 AI 客服交谈，而不是找真人。 **Matt Turck：** 因为那种情形下，是人假装成机器人，结果做得很差。你会想：“你是人，能不能就直接像机器人那样说话？”后来你真的遇到一个机器人，它做得特别好，然后真人却…… **Nathan Benaich：** 像真人那样说话。 **Matt Turck：** 对，好极了。 **Nathan Benaich：** 所以自动化客户调研这件事对我非常有用。我甚至能想象，哪怕你管理着一组投资组合公司，也会想在这些公司里用智能体访谈客户，了解他们如何使用产品。这样至少能拿到一手数据，开董事会时心里有数；或者你是有限合伙人，投资人说某家公司很好，你就能追问：真的好吗？ ## [53:37] 个人 AI 智能体的信任问题 · YouTube **Matt Turck：** 过去几个月，个人智能体兴起了，比如 The Instincts、The Muse 和 Rock Bots。你怎么看？ **Nathan Benaich：** 我不会把自己的数据交给它们。 **Matt Turck：** 我目前也不太信任它们。不过很多人信。 **Nathan Benaich：** 是，很多人信。 **Matt Turck：** 所以你的意思是，你不会把信用卡信息交给一家两个月前才成立、还不要求你验证身份的公司？ **Nathan Benaich：** 基本上是这样。另外，我觉得用 ChatGPT 也能做差不多的事，我不清楚还能多得到什么。Codex 和 Claude 已经能低层级地访问我的电脑、浏览器和一些通讯应用，我已经信任它们了，不想在此基础上再增加风险。 不过这引出了一个有意思的问题：做这些事时，你最信任哪家供应商？我最近听到 Revolut 的 Nikolai 提过，他们有几百万或几千万客户，客户显然信任他们管理资金和信用卡信息，而 Revolut 现在也内置了 AI 助手。因此，我能想象自己更愿意让 Revolut 代我购物，而不是把这件事交给一家成立仅 12 个月、可能还没建好合适基础设施的第三方创业公司。 **Matt Turck：** 所以这可能会成为大平台的一项功能，而不是反过来？ **Nathan Benaich：** 这是一个可能的方向。大平台也可能收购某家团队。另一个观点是，有人更愿意用 Meta 的 Muse，因为这些创业公司能不能活十年、出了问题能不能起诉并拿到赔偿，可能性都很低；而 Meta 有过出问题后赔钱的记录。所以有些人因此更愿意用 Meta。至少我知道出了事该打电话找谁。 **Matt Turck：** 不过，这些新个人智能体似乎在 AI 普及方面发挥了很大作用。你的报告也讲到 Codex 用户越来越多，特别是程序员以外的人。 **Nathan Benaich：** 对。我觉得最重要的信息是：一边是递归自我改进，大家用 AI 做各种令人惊叹的事，但他们可能只占 AI 用户群的 0.1%；绝大多数人几乎不花钱用 AI…… ## [56:22] 提示词工程为什么让人对 AI 望而却步 · YouTube **Nathan Benaich：** 绝大多数人几乎不花钱用 AI，体验也相当差。一部分原因是产品做得不好、营销也不行。还有就是一两年前，大家总在说你得成为“提示词工程师”，得懂怎么写提示词，因为提示词写得差，模型表现就差。我能想象有多少不在科技行业的人看到后会觉得：“我根本不知道怎么学，这也太复杂了。简直像用人类语言写代码。算了，AI 真难用。” 但现在你真的需要当提示词工程师吗？我觉得你更需要会对着手机把想法一股脑说出来，把脑子里想到的东西都讲出来，系统自己会整理。所以提示词工程师这套说法正在消退，模型已经有足够的能力，不再需要那么多讲究。 现在普通人用 AI 容易多了，可普通人在提示词工程师那段时间已经厌烦了，还没回来。所以你说得对，个人智能体能成为新的入口，让人们重新用起 AI，也让他们不再把 AI 理解成聊天机器人。 ## [59:02] AI 也需要自己的 Genius Bar 吗？ · YouTube **Matt Turck：** 有些人已经进入了那个世界。 **Nathan Benaich：** 可世界上还有 97% 的人没进去，这太惊人了。所以我在想，是不是该有 AI 专属的 Genius Bar，或者 AI 版 Geek Squad。我们身在纽约，这里有很棒的 Apple Store，也有各种品牌概念店，为什么 OpenAI 没有一家 OpenAI 商店？ **Matt Turck：** 在 OpenAI 店里能做什么？你走到一位天才吧顾问面前，他们带你了解各种用法？ **Nathan Benaich：** 差不多。 **Matt Turck：** 这可能需要时间，但像这种会火的产品，最终大家会互相教。也可以按不同经验水平开课程：小型企业主、忙碌的家庭、医疗服务人员等等，带着大家一步步体验，只要滑动屏幕、打开 Work 或 Codex 就能做些什么。 我觉得这会大有帮助，让技术真正赋能人们，而不是让人觉得：“哇，好多人都在用这个做我根本不懂的事，但我每天没时间、没动力，也没耐心自己去学。”有点像人人都该锻炼身体，但大多数人不会，所以得请个私人教练带着练。 ## [1:00:26] Codex 不止写代码：面向知识工作的智能体 · YouTube **Matt Turck：** 接着聊 Codex。你有页幻灯片说，非开发者使用 Codex 的速度增长比开发者更快。从 2025 年 8 月到 2026 年 6 月，个人非开发者用户增加了 137 倍。所以这些已经不太算编程智能体了，而是能够写代码的智能体，只是服务的人群早已远超程序员。 **Nathan Benaich：** 这说起来有点不清楚，因为它们可能会写代码来执行你的知识工作，但用户本人并不会看到代码。我会说，这个结果既来自一些很简单的事情，比如真正好用的 Google Drive 连接器（这其实挺离谱的，默认 Google Drive 连接器做不到很多你想要的事，你还得去找第三方的 GWS CLI。它是一个 Google 工程师写的，结果他因为这件事被解雇了）。如果不用 CLI 版本，智能体对 Google Drive 的访问权限就很粗略，许多工作流都做不了。所以首先是把基础集成做好。 第二点是一个递归循环：模型实验室发布模型，数据公司或有特定工作流程的公司尝试部署模型，发现模型在内部基准测试上表现不佳；但它们手里有环境和数据，能把模型调到很好。实验室于是意识到，应该持续提升这项能力，就买下数据、改进模型表现，然后循环继续。 自 Codex 发布以来——更早之前其实还有带法律、营销等连接器的 Claude Code——大致就是这种思路：为模型接入必要工具，让它能胜任人类的白领工作；针对金融、法律、营销等重要流程持续改进；再配上更好的营销和案例研究，先从自家员工开始。大家一直争论这到底叫 Work 还是 Codex，应该放在哪个选项卡里。我觉得他们还没完全想清楚，但现在它确实非常强大。 ## [1:02:49] 为什么企业想拥有自己的 AI，而不是租用它 · YouTube **Matt Turck：** 说到持续提升，我们聊过开源、大型实验室，也谈过 AI 主权。现在似乎出现一种趋势：企业，尤其是垂直 AI 初创公司，开始掌控自己的 AI，而不是完全依赖 Anthropic 或 OpenAI。这对你来说是个重要趋势吗？值得投资吗？ **Nathan Benaich：** 这个趋势确实在增长，原因有几方面：一是优化成本；二是数据主权和数据本地化，不想把所有信息都交给第三方系统，也不一定信任它的隐私政策；三是有些用例才是企业真正关心的，它们不想等模型实验室哪天才开始重视这些用例并把模型做好。最后可能还有一些民族主义倾向。 我在想，谁最有条件提供这项服务？最大的一家当然可能是 Palantir。它和 NeoClouds 有合作，已经拥有数据基础设施，过去几年为提供这类服务做好了准备。在美国商业市场可能行得通，在欧洲就不那么适用。欧洲也有一些类似 Palantir 的新公司，打着不同的国家利益旗号做同样的事。 第三种可能是一直在服务开源模型的推理公司。它们不仅能提供模型服务，也可以分析企业使用模型的轨迹，利用对话数据提供后训练服务，形成闭环。它们或许很适合；也可能是已经开始建立推理业务的 NeoClouds，甚至是那些开始走出为模型实验室提供开发环境这一步、转而向企业提供服务的数据公司。它们可以说：“我们已经证明能把实验室的环境做好，也许也能帮你们做好。” ## [1:05:17] 快问快答：家用机器人、NVIDIA 回报与 Arm · YouTube **Matt Turck：** 最后做个快问快答？ **Nathan Benaich：** 来吧。 **Matt Turck：** 2026 年最被高估的趋势？ **Nathan Benaich：** 家用清洁机器人。 **Matt Turck：** 那些根本不好用。 **Nathan Benaich：** 是。 **Matt Turck：** 为什么大家都特别想做一个能叠衣服的用例？是因为…… **Nathan Benaich：** 我不知道。这有点像智能体订机票的演示。我最近听说，旧金山的人现在会说：“能不能演示一个不订机票的例子？”谢天谢地，我说这话已经十年了。 **Matt Turck：** 好，说是快问快答，结果我还是要追问。你自己的报告里最被低估的一页是什么？ **Nathan Benaich：** 如果当初把投在其他半导体公司的钱投进 NVIDIA，能赚多少钱。 **Matt Turck：** 简单展开一下：如果把投向其他半导体公司的钱，在那些融资轮公布时转投 NVIDIA，能多赚四倍。 **Matt Turck：** 过去八份报告里，你最自豪的一项预测是什么？ **Nathan Benaich：** NVIDIA 不会完成对 Arm 的收购。当时很多人以为肯定会成，我们的判断是，出于地缘政治和竞争方面的原因，这笔交易不会完成。一方面，Arm 股东没让收购成行，赚了非常多的钱；另一方面，NVIDIA 本来可能拥有非常出色的 CPU 业务，特别是随着智能体、强化学习以及其他 CPU 密集型任务兴起，这会给它的云业务带来很大助力，也可能改变一些地缘政治格局。 **Matt Turck：** 太棒了，这是个好答案。Nathan，非常感谢你再次来节目，也谢谢你再次完成《State of AI 报告》。这工作量惊人，希望以后每年都能让你的智能体帮上忙。报告可以在 stateof.ai 上读，你们还配了一段视频，也是很好的资料。大家可以在 Twitter 上找到你。 **Nathan Benaich：** 对，可以找 Nathan Benaich，或者关注 @stateofAI。谢谢邀请，我每次来都很开心。光是过去一年发生的事就够离谱了。那我们纽约再见，看看明年能不能实现 AGI。 **Matt Turck：** 太好了。谢谢 Nathan。 **Nathan Benaich：** 谢谢。 **Matt Turck：** 嗨，我是 Matt Turck。感谢收听本期《The MAD Podcast》。如果你喜欢这期节目，欢迎订阅；如果还没订阅，也欢迎在你观看或收听的平台留下好评或评论。这些都能帮助我们把节目做好，也请来更多优秀嘉宾。谢谢，下期再见。