谷歌智能体主管：芯片之外，中美AI拼的是能源
摘要：
7月3日，谷歌智能体业务主管Omar Shams在接受密歇根州立大学计算数学教授Steve Hsu专访时，分享了关于AI... 7月3日，谷歌智能体业务主管Omar Shams在接受密歇根州立大学计算数学教授Steve Hsu专访时，分享了关于AI产业前沿的解读。
以下是要点：
- 理论物理学人才的稀缺价值。Omar Shams以自己从弦理论研究转向AI创业的经历，阐释了物理直觉在AI研究中的重要作用。损失函数的优化过程类似于能量流形上的球体滚动，信息论中的KL散度与物理学中的哈密顿量存在直接对应关系。
- 芯片虽然重要，但能源供应才是AI长期发展的关键制约因素。他认为，美国电网扩容缓慢，而中国每年新增电力产能已超英法总和，中美在AI基础设施竞争中的能源差距日益凸显。他甚至提出了在月球或太空部署太阳能电站的设想，为AI算力提供能源支撑
- AI领域不存在秘密，但存在价值连城的隐性知识。人们通过社交、跳槽等方式，使得各家公司的研究方向和方法论基本趋同。但在构建和训练大规模模型时，面对无数变量和微妙问题时那些难以量化的直觉、经验和判断力才是顶尖AI人才的核心竞争力。
- 软件开发行业的人才需求重构。AI工具将在两年内导致30%程序员失业，初级工程师岗位面临被智能体替代的风险，企业用人逻辑正在发生根本性转变。
- AI代理技术的商业化突破。当前AI代理技术正在从概念验证阶段进入实际应用阶段。在软件开发领域，AI代理已经能够自主完成复杂的多步骤任务。法律服务领域也出现了类似突破，Harvey等AI法律助手公司正在创造可观的收入。
以下是精华内容：
芯片之外，中美AI拼的是能源
主持:聊到 AI 发展，如今的竞争非常激烈。DeepMind 和 OpenAI 的故事就是例证。你认为当前 AI 竞赛最大的瓶颈是什么？
Omar Shams: 有两个。第一个是众所周知的芯片。第二个越来越凸显，那就是能源。数据中心的电力供应正在成为一个硬性约束。
主持:当我谈论中美AI竞赛时，出现两个问题。一个问题是英伟达与华为的对决，但另一个就是，你将如何为这些数据中心供电？在美国，要增加电网的电力供应非常困难，而中国每年新增的发电量相当于英国或者法国的总和。
Omar Shams: 而美国是每七年。
主持:完全正确。而且他们现在是我们的两倍。所以，如果电力最终成为转化为智能的基础要素，你将如何与他们竞争？
Omar Shams: 我不想扯太远，我写过一篇推测性的文章，叫《月球应该是一个计算机》。如果地球能源消耗大幅增加两个数量级，就会产生影响大气的热效应。真正的问题是美国电网基础负荷电力供应增加太慢，可能是法规限制或建设能力不足
Omar Shams: 于是我推测，能不能在太空甚至月球上解决这个问题？这个想法是在和朋友聊天时产生的。虽然很疯狂，但一些聪明人觉得这是个好主意。我还发现，Eric Schmidt 现在是 Relativity Space 的 CEO，他想把计算机放到太空中，原因之一也是地球上能源受限。
主持:他的太空项目能源是来自太阳能电池板，还是轨道上的核反应堆？
Omar Shams: 我猜是太阳能，因为太空核能会违反太多条约，火箭发射失败的话就是脏弹。我算过，要获得一千兆瓦电力，可能需要一平方公里甚至更多太阳能电池板。
主持:把这么多东西送入轨道需要巨大运载能力，而且不能放在低轨道，否则解体后碎片会很危险。
Omar Shams: 对，必须放在拉格朗日点。幸好太空中空间足够。（所谓拉格朗日点，就是太阳系内，或者任何两个天体之间的特殊位置，物体可以相对于这两个天体保持稳定的轨道。）
AI竞赛的人才之争
主持:这就引出了一个有趣的问题：既然大家的技术路线和信息都相对透明，为什么像Meta愿意花天价去挖一个顶尖人才？如果“没有秘密”，这笔钱买的是什么？
Omar Shams: 一个顶尖人才的价值在于他基于深厚经验做出的精准判断，这种判断力能节省大量试错成本，在通往 AGI 的竞赛中赢得宝贵的时间。这就像一个团队可以没有机翼，但不能没有引擎。顶尖人才就是那个引擎。
主持:所以，个人能力的正态分布，通过产业的放大效应，最终体现为公司产出的幂律分布。
Omar Shams: 正是如此。
主持:但扎克伯格组建超级智能团队时也靠感觉吗？
Omar Shams: 这个我不敢妄加评论，不过必须承认，扎克伯格确实是一个非常出色的创始人。说到他的决策，我认为这是一种非常大胆的冒险——这种豪赌，只有像他这样拥有超级投票权的创始人CEO才敢做。毕竟Meta的现金流非常充裕，相比其他一些烧钱项目，投资AGI（通用人工智能）算是一项相对明智的选择。我觉得现在评判还为时过早，我们可以等一段时间再看看结果。
主持:如果我是扎克伯格，拥有他的资源，我也会想，为什么不用我们的闲置现金流组建我们能组建的最好的团队？为什么不把他们放在这里？所以我不是在质疑那个战略决定。我质疑的是，如果你要花1亿美元来得到所谓的“最佳人才”，这是正确的策略吗？也许你不得不这么做，你可以辩称，因为真正懂行的人就那么多。但反方的论点是，不，懂行的人很多。
Omar Shams: 这是个好问题。我认为他们买的不是“秘密”，而是“隐性知识”（Tacit Knowledge）和“品味”（Taste）。构建大规模 AI 系统时，会遇到无数微妙的工程和理论抉择。
这些人才的价值在于他们凭借在实际工作中积累的判断力和直觉，帮助公司避免常见错误，少走弯路。例如，扎克伯格可能从Meta的Llama项目中吸取了教训。开发AI就像造飞机，即使掌握了所有理论，也需要有人指导“先拧哪个螺丝”。
AGI时代即将到来，扎克伯格宁愿多花钱，也不愿错过机会。毕竟，Meta有能力承受成本，而潜在回报可能是巨大的。
AI智能体的现实与未来，裁员潮将到来
主持:作为 AI 智能体（Agent）的负责人，你怎么看目前这个领域的“炒作与现实”？很明显AI工具带来了生产力提升。但我想区分一下AI工具和智能体。我把向ChatGPT发送查询，或者让ChatGPT修改或写初稿这种看作“工具”。
我不认为那是智能体。我认为智能体是更自主的东西，它能在没有人类监督的情况下自主地采取多个步骤，而不是人类仔细检查每一步输出的单次或几次交互的工具。那么，有没有一个例子，比如，我想在我的代码库中写一个函数，我就让智能体放手去做，它做了一堆不简单的东西然后返回结果。这现在是真实存在的吗？
Omar Shams:在软件开发领域，智能体已经成为现实。以我参与的项目为例，像 Cursor 和 GitHub Copilot 这样的工具已经彻底改变了程序员的工作模式。如今，即使是创业公司，软件质量的标准也被大幅提升，低质量代码再也无法轻易过关。这种压力推动了整个行业的进步。
在法律领域，像 Harvey 这样的 AI 公司已经开始创造可观的收益。尽管其他行业的进展可能较慢，但在白领工作领域，AI 助手的引入已成为一种必然趋势。虽然我无法确定这种趋势对就业市场的具体影响，但可以肯定的是，工作流程将发生巨大变化——AI 助手要么辅助人类工作，要么直接取代部分工作。
这也导致了软件行业的标准被拔高。 初级软件工程师的岗位正面临挑战，因为 AI 已经能胜任大部分基础工作，未来的工程师角色更像是管理AI智能体团队的“技术主管”。
主持:这对计算机科学的毕业生来说不是个好消息。
Omar Shams:这确实是一个结构性的变化。几年前，几乎只要懂一点编程就能拿到offer，但这种泡沫显然不可持续。
但从更根本的角度来看，计算机教育体系和AI发展的脱节也是一个大问题。大多数高校课程依然专注于离散数学、算法理论等传统内容，忽视了实际软件开发技能的培养。我认为这会迫使教育和个人发展更注重“能动性”和“实践能力”。一个有丰富项目经验、能动手解决实际问题的人，会比只有学位的毕业生更有价值。
Omar Shams:关于AI对就业的影响，我还想聊下Anthropic CEO 达里奥·阿莫代伊（Dario Amodei）的预测，他认为随着AI的发展，未来两年内会出现大规模裁员。他认为两年后的裁员率可能会达到30%。
他认为像特斯拉这样的公司，即使已经比较精简，未来也可能面临裁员。但我个人认为，30%的裁员比例可能有些过高，但即便如此，像阿莫代伊这样的业内人士认为AI的影响比我们预想的要大得多。
从弦理论到AI创业：物理学直觉是关键驱动力
主持: Omar，你从卡内基梅隆的物理/数学专业，到研究弦理论，最终投身 AI。最初是什么点燃了你对物理的热情？
Omar Shams: 我的初恋是物理。15岁时，我在物理教科书里看到“双生子悖论”——一个双胞胎去太空旅行回来后比他的兄弟年轻。我当时觉得这肯定是编的，但老师告诉我这是真的。那一刻，感觉就像发现“魔法”真实存在。我当时就决定，我必须学习这种魔法。之后十年，我都沉浸在物理世界里，研究全息原理、非对易几何这些深奥的理论。
主持: 这个故事我感同身受。物理学的美妙之处在于，只需要简单的代数知识，就能推导出像洛伦兹变换这样颠覆认知的结论。我一直不理解，为什么不是每个聪明人都对物理学充满热情。你说的物理直觉，那种在脑中播放电影的感觉，正是物理学家和纯数学家的关键区别。
Omar Shams: 完全正确。对我来说，物理问题不是冰冷的公式，而是一部脑中的动作片。这种视觉化的、基于直觉的思维方式，对我后来的 AI 研究产生了深远的影响。
主持: 你是什么时候开始认真考虑从物理转向 AI 的？
Omar Shams:是在研究生后期。我开始涉足基因组学，当时我尝试用主成分分析（PCA）去处理人类线粒体DNA数据，第一次直观地感受到了机器学习技术改造数据、揭示规律的强大威力。这和我之前做的暑期项目——格点量子色动力学（Lattice QCD）的计算经验结合起来，让我看到了一个全新的、充满可能性的领域。我的第一份正式工作就是构建一个音乐推荐引擎。
主持: 所以，你并没有完全抛弃物理学的思维方式，而是把它带入了新的战场。
Omar Shams: 是的，特别是我的创业项目 Mutable。我们开发了一个叫“Auto-Wiki”的工具，能自动为一个大型代码库生成维基百科式的文档。这个想法的灵感，其实部分源于物理学中的“重整化群”——通过连续的“粗粒化”（summarization）操作，从微观细节中提炼出宏观的、关键的结构和信息。这个过程不仅能帮助人类理解代码，也能为大语言模型（LLM）提供绝佳的上下文，极大地提升了代码问答系统的效率。
主持: AI 领域有大量的物理学家，从 Hinton 到 Karpathy。你认为物理学背景到底赋予了你们什么“超能力”？
Omar Shams:我认为有三点，第一是物理直觉，我们习惯于将抽象问题视觉化、系统化。AI的损失函数优化过程，就像一个在能量流形上滚动的小球，物理学家能直观地“看到”并理解这个过程。
其次是连续数学的掌控力，物理学训练让我们精通处理连续系统、近似和概率分布的数学工具，如路径积分、配分函数等，这与大规模神经网络的数学本质高度契合。
最后是处理“涌现”现象的经验。物理学充满了从简单规则中涌现出复杂现象的例子，比如相变。AI 的“涌现能力”也是如此。我们习惯于在不同尺度上寻找规律，并对这种“量变引起质变”的现象有深刻的理解。
主持: 那物理学家的弱点呢？
Omar Shams:可能是对离散算法和工程细节的敏感度不足。但总的来说，当问题规模大到一定程度，连续的物理思维往往会变得更有效。
主持: 所以，如果要给扎克伯格一个建议，就是多招些理论物理学家？
Omar Shams:(笑) 我认为这会是一个非常明智的投资。
