AI 基础设施
5 篇相关中文文稿
私有数据如何变成企业的专属智能
林巧认为，基础模型质量越过可用门槛之后，企业竞争的核心正从“谁能做出应用”转向“谁能把私有数据转化为专属智能”。AI 已大幅压低软件开发的人才与时间成本，应用层本身因而越来越难构成长期护城河；真正稀缺的是企业对用户、流程和业务的独有理解。她解释了通用智能与专用智能的差别、开放权重为何能带来控制权和 5—10 倍成本优势，以及 Fireworks 如何通过评测、强化学习式“爬山”和训练—推理协同，帮助企业把模型持续优化并投入生产。
瓦特、晶圆与AI基础设施的未来 | Gavin Baker访谈录
本期节目中，Patrick O'Shaughnessy与嘉宾Gavin Baker深入探讨了2026年初人工智能领域的爆发性增长，特别聚焦于Anthropic公司在短时间内实现的惊人收入增长，及其对资本市场的深远影响。嘉宾分析了AI行业的资本效率、估值合理性以及地缘政治风险，强调了“瓦特和晶圆”作为AI基础设施核心瓶颈的重要性。 节目进一步探讨了轨道计算的概念及其对传统地面数据中心的潜在变革，介绍了SpaceX在卫星规模和技术上的领先优势。嘉宾还分析了芯片制造业的未来趋势，特别是Terafab项目和埃隆·马斯克对美国制造业复兴的推动作用，以及持续学习和基于使用量的定价模式对AI发展的促进。 此外，访谈涵盖了新兴芯片公司的竞争态势、GPU寿命延长对私募信贷的影响、AI应用层的创业挑战以及开源模型与前沿模型之间的博弈。最后，嘉宾探讨了网络安全、主要科技巨头在AI领域的战略布局、微软与OpenAI的合作风险，以及AI在地缘政治和个人安……
推理 101：SambaNova CEO Rodrigo Liang 谈低功耗推理、异构数据中心与 AI 主权
SambaNova 联合创始人兼 CEO Rodrigo Liang 在巴黎 RAISE 峰会期间接受 Molly O’Shea 访谈，解释 AI 基础设施为何正从“训练模型”转向“让数以百万计的人持续使用模型”。他认为，推理最终需要的芯片数量会比训练高出若干数量级，而真正限制部署规模的，不只是芯片性能，还包括电力、机房空间、网络延迟、资本效率、数据隐私与主权。访谈从 SambaNova 新一轮融资、SN10 至 SN50 的产品演进、单机架运行万亿参数模型谈起，延伸到边缘数据中心、异构云、每机架收入、国家模型、企业本地部署，以及企业不应把 token 消耗量本身当作 AI 成果。最后，Rodrigo 总结了自己从业 32 年最重要的经验：伟大公司不会沿直线成长，能控制的是信念、韧性与持续执行。
为什么拥有无限 GPU 的 AI 实验室仍会失败：Anjney Midha 谈 AMP、算力网格与前沿 AI
Anjney Midha 从 Google 式集群利用率、数据中心的社区许可、AMP 的独立算力网格讲起，解释为什么前沿 AI 的真实瓶颈并不只是 GPU 数量，而是资本、能源、调度、硬件、研究组织与使命文化之间的系统性对齐。访谈进一步讨论 DeepMind 的研究囤积、吉瓦级负载、终末期预测、frontier systems、output maxing、非 NVIDIA 芯片、研究者 CEO、Anthropic 的编程能力与文化，以及 Periodic Labs 和硅谷人才市场。
Claude Code金融应用与全球内存短缺：Doug O'Laughlin深度访谈
本期访谈聚焦于Claude Code在金融领域的应用及全球半导体内存短缺问题。嘉宾Doug O'Laughlin分享了他从价值投资转向半导体行业的经历，深入探讨了摩尔定律终结对英伟达等公司的影响，以及半导体制造的复杂性和供应链挑战。 访谈中还详细介绍了Claude Code 4.5版本带来的技术突破，如何实现复杂任务的一次性完成，以及AI在金融分析中的角色转变。嘉宾强调了AI作为初级分析师的定位，指出人类专家在元层次学习和判断中的不可替代性。 此外，讨论涵盖了AI上下文窗口的物理限制、HBM内存的严重短缺及其对市场的影响，以及微软和甲骨文在AI战略上的不同选择。访谈最后，嘉宾分享了个人写作习惯和徒步经历，展现了技术与生活的深度融合。
没有匹配的文稿。