<p>“我认为随着时间的推移，这些人工智能模型将变得非常特定于某个领域，” Arm 首席执行官 Rene Haas 在达沃斯世界经济论坛上接受 CNBC 的 Squawk Box 采访时表示。这一观察由该公司领导者提出，其核心技术是几乎每个现代设备中的数字大脑，标志着人工智能架构的深刻转变——这一转变远离了单一、耗能巨大的大型语言模型（LLMs），朝着高度优化、专业化的解决方案发展。对于在竞争激烈的人工智能领域中摸索的创始人和投资者来说，Haas 的评论提供了关于真正瓶颈和机会的关键见解，强调了效率和基础设施的重要性，而非单纯的计算能力。</p>
<p>Rene Haas 与 CNBC 的 Becky Quick、Andrew Ross Sorkin 和 Joe Kernen 进行了交谈，详细阐述了 Arm 在全球人工智能竞赛中的独特地位，讨论了芯片需求的现状，并解决了与人工智能能耗相关的日益严峻的挑战。Arm 因其中立的许可模式而被称为 “半导体行业的瑞士”，是现代数字经济的基础。Haas 确认了 Arm 影响力的惊人规模，指出其计算平台是从智能手机和数据中心到汽车和洗衣机等设备的核心。他强调了公司技术的普遍性：“Becky，找到一家不使用 Arm 的公司是很困难的。” 这种普遍性使 Arm 能够全方位了解各个行业不断变化的计算需求，使 Haas 的见解在行业全面进入生成式人工智能时代时尤为相关。</p>
<p>人工智能行业面临的直接挑战并不一定是处理能力的缺乏，而是训练和运行日益复杂模型所需的极高能耗。这正是 Arm 长期以来专注于效率的地方，使其成为主要的竞争差异化因素。在竞争对手争相追求最大浮点运算的同时，Arm 专注于每瓦特的性能最大化，这一策略直接符合普遍人工智能的需求。Haas 指出，人工智能工作负载已经在各处运行，从庞大的云数据中心到小型边缘设备，如智能手表。他强调，随着人工智能复杂性的增加，能效成为决定性指标。“能效就是一切，而我们在这方面非常擅长，这也是我们非常关注的领域。” 这种效率不仅对移动设备至关重要，对于试图管理惊人电力需求的数据中心来说也越来越重要。</p>
<p>谈话迅速转向了扩展人工智能基础设施的物理限制。支持生成式人工智能所需的数据中心的快速扩张在硅供应之外创造了显著的摩擦点。Haas 确认，尽管与 18 个月前相比，芯片短缺有所缓解，但根本的扩展问题仍然与物理基础设施相关。他指出，特别是在美国，瓶颈不仅仅是能源容量不足，而是将电力物理传输到数据中心所在位置的过程。这涉及到复杂且耗时的过程，如确保通行权、建设输电线路和安装变压器。Haas 简单总结道：“扩展问题依然存在。” 这一观点对人工智能中常被宣传的指数增长曲线提供了清醒的警示，提醒投资者现实世界的物理和监管障碍对数字革命的推进速度施加了严格限制。</p>
<p>Haas 最引人注目的战略见解集中在人工智能模型未来的发展轨迹上。他建议，定义为大规模、通用大型语言模型的时代可能正在让位于更专业化的东西。虽然当前模型在处理文本方面表现出色，但它们往往缺乏真正的领域专业知识。行业开始认识到，效率提升和专业化效用将来自于聚焦的缩小。“我认为，随着时间的推移，这些人工智能模型将变得非常特定于某个领域，针对特定的领域和问题，这对行业是有益的，但可能会改变我们今天对赢家和输家的看法。” 这暗示着对现有等级结构的潜在颠覆，那些能够迅速调整其模型架构和部署策略以适应高效、特定领域硬件的公司——通常利用 Arm 的低功耗知识产权——将比那些仅依赖于需要持续高能计算的大规模通用系统的公司获得显著的竞争优势。</p>
<p>讨论以触及人工通用智能（AGI）的哲学必然性而结束。当被问及机器是否需要重大技术突破才能达到真正的创造能力时，Haas 否定了是否会发生的问题，并将其重新框定为何时会发生的问题。他强调了近年来技术问题解决的前所未有的速度，认为这一轨迹是明确的，即使时间表仍然模糊。行业目前正在与能耗和基础设施的直接、具体障碍作斗争，同时也在期待一个未来，机器开始独立思考、创造和发明全新的产品和公司。</p>

半导体 3 倍做多 - Direxion

2 倍做多 ARM ETF - Leverage Shares

标普半导体 ETF - SPDR

ARMW

半导体 ETF - VanEck Vectors

2 倍做多 ARM ETF - T-Rex

全球科技股指数 ETF - iShares

动态半导体 ETF - Invesco

费城交易所 半导体 ETF - iShares

<p>Arm 首席执行官 Rene Haas 在世界经济论坛上讨论了人工智能的未来，强调了向特定领域模型转变，而不是能耗高昂的大型语言模型。他指出，Arm 专注于能源效率，这对移动设备和数据中心都至关重要。Haas 提到，尽管芯片短缺情况有所改善，但由于能源传输问题，扩展人工智能基础设施仍然是一个挑战。他预测，人工智能模型将变得更加专业化，可能会打破当前的行业层级。Haas 还谈到了通用人工智能的不可避免性，关注当前在能耗和基础设施方面的挑战</p>

<p>“I think what’s going to happen over time with these AI models is they’ll become very domain-specific,” stated Arm CEO Rene Haas, speaking on CNBC’s Squawk Box at the World Economic Forum in Davos. This observation, delivered by the leader of the company whose core technology is the digital brain inside nearly every modern device, signals a profound shift in the architecture of artificial intelligence—one that moves away from the prevailing trend of monolithic, energy-hungry Large Language Models (LLMs) toward highly optimized, specialized solutions. For founders and investors navigating the hyper-competitive AI landscape, Haas’s commentary provided essential insight into where the real bottlenecks and opportunities lie, emphasizing efficiency and infrastructure over raw computational brute force.</p>
<div class="lb-trans"><p>“我认为随着时间的推移，这些人工智能模型将变得非常特定于某个领域，” Arm 首席执行官 Rene Haas 在达沃斯世界经济论坛上接受 CNBC 的 Squawk Box 采访时表示。这一观察由该公司领导者提出，其核心技术是几乎每个现代设备中的数字大脑，标志着人工智能架构的深刻转变——这一转变远离了单一、耗能巨大的大型语言模型（LLMs），朝着高度优化、专业化的解决方案发展。对于在竞争激烈的人工智能领域中摸索的创始人和投资者来说，Haas 的评论提供了关于真正瓶颈和机会的关键见解，强调了效率和基础设施的重要性，而非单纯的计算能力。</p>
</div><p>Rene Haas spoke with CNBC’s Becky Quick, Andrew Ross Sorkin, and Joe Kernen, detailing Arm’s unique position in the global AI race, discussing the state of chip demand, and addressing the mounting challenges related to AI energy consumption. Arm, often referred to as the “Switzerland of the semiconductor industry” due to its neutral licensing model, is foundational to the modern digital economy. Haas confirmed the astonishing scale of Arm’s reach, noting that its compute platform is the heart of devices ranging from smartphones and data centers to automobiles and washing machines. He underscored the pervasive nature of the company’s technology: “It would be hard, Becky, to find a company that doesn’t use Arm.” This ubiquity provides Arm with a panoramic view of the evolving compute needs across all sectors, making Haas’s insights particularly relevant as the industry transitions fully into the age of generative AI.</p>
<div class="lb-trans"><p>Rene Haas 与 CNBC 的 Becky Quick、Andrew Ross Sorkin 和 Joe Kernen 进行了交谈，详细阐述了 Arm 在全球人工智能竞赛中的独特地位，讨论了芯片需求的现状，并解决了与人工智能能耗相关的日益严峻的挑战。Arm 因其中立的许可模式而被称为 “半导体行业的瑞士”，是现代数字经济的基础。Haas 确认了 Arm 影响力的惊人规模，指出其计算平台是从智能手机和数据中心到汽车和洗衣机等设备的核心。他强调了公司技术的普遍性：“Becky，找到一家不使用 Arm 的公司是很困难的。” 这种普遍性使 Arm 能够全方位了解各个行业不断变化的计算需求，使 Haas 的见解在行业全面进入生成式人工智能时代时尤为相关。</p>
</div><p>The immediate challenge facing the AI sector is not necessarily a lack of processing power, but the extreme energy demands required to train and run increasingly complex models. This is where Arm’s long-standing focus on efficiency becomes its major competitive differentiator. While competitors are locked in a race for maximum floating-point operations, Arm is focused on maximizing performance per watt, a strategy that plays directly into the requirements of pervasive AI. Haas noted that AI workloads are already running everywhere, from massive cloud data centers to tiny edge devices, such as smartwatches. He stressed that as AI complexity increases, energy efficiency becomes the defining metric. “Energy efficiency is everything, which we’re really good at, and that’s an area we’re quite focused on.” This efficiency is crucial not just for mobile devices, but increasingly for data centers attempting to manage staggering power requirements.</p>
<div class="lb-trans"><p>人工智能行业面临的直接挑战并不一定是处理能力的缺乏，而是训练和运行日益复杂模型所需的极高能耗。这正是 Arm 长期以来专注于效率的地方，使其成为主要的竞争差异化因素。在竞争对手争相追求最大浮点运算的同时，Arm 专注于每瓦特的性能最大化，这一策略直接符合普遍人工智能的需求。Haas 指出，人工智能工作负载已经在各处运行，从庞大的云数据中心到小型边缘设备，如智能手表。他强调，随着人工智能复杂性的增加，能效成为决定性指标。“能效就是一切，而我们在这方面非常擅长，这也是我们非常关注的领域。” 这种效率不仅对移动设备至关重要，对于试图管理惊人电力需求的数据中心来说也越来越重要。</p>
</div><p>The conversation quickly pivoted to the physical constraints of scaling AI infrastructure. The rapid expansion of data centers necessary to support generative AI has created significant friction points beyond silicon supply. Haas confirmed that while chip shortages have eased somewhat compared to 18 months ago, the fundamental scaling problem remains tied to physical infrastructure. He pointed out that particularly in the US, the bottleneck is not merely having enough energy capacity, but physically transmitting that power to where the data centers are located. This involves complex, time-consuming processes like securing easements, building transmission lines, and installing transformers. Haas summarized the situation plainly: “The scaling problem exists.” This perspective offers a sobering check on the exponential growth curves often touted in AI, reminding investors that real-world physics and regulatory hurdles impose hard limits on how fast the digital revolution can proceed.</p>
<div class="lb-trans"><p>谈话迅速转向了扩展人工智能基础设施的物理限制。支持生成式人工智能所需的数据中心的快速扩张在硅供应之外创造了显著的摩擦点。Haas 确认，尽管与 18 个月前相比，芯片短缺有所缓解，但根本的扩展问题仍然与物理基础设施相关。他指出，特别是在美国，瓶颈不仅仅是能源容量不足，而是将电力物理传输到数据中心所在位置的过程。这涉及到复杂且耗时的过程，如确保通行权、建设输电线路和安装变压器。Haas 简单总结道：“扩展问题依然存在。” 这一观点对人工智能中常被宣传的指数增长曲线提供了清醒的警示，提醒投资者现实世界的物理和监管障碍对数字革命的推进速度施加了严格限制。</p>
</div><p>Haas’s most compelling strategic insight centered on the future trajectory of AI models themselves. He suggested that the era defined by massive, generalized LLMs might be giving way to something more specialized. While current models excel at processing text, they often lack true domain expertise. The industry is beginning to recognize that efficiency gains and specialized utility will come from narrowing the focus. “I think what’s going to happen over time with these AI models is they’ll become very domain-specific, specific to certain areas and problems, which will be good for the industry, but may change who we think today’s winners and losers are.” This implies a potential disruption to the existing hierarchy, where companies that can quickly adapt their model architectures and deployment strategies to highly efficient, domain-specific hardware—often leveraging Arm’s low-power IP—will gain a significant competitive edge over those relying solely on massive, generalized systems that demand constant, high-energy compute.</p>
<div class="lb-trans"><p>Haas 最引人注目的战略见解集中在人工智能模型未来的发展轨迹上。他建议，定义为大规模、通用大型语言模型的时代可能正在让位于更专业化的东西。虽然当前模型在处理文本方面表现出色，但它们往往缺乏真正的领域专业知识。行业开始认识到，效率提升和专业化效用将来自于聚焦的缩小。“我认为，随着时间的推移，这些人工智能模型将变得非常特定于某个领域，针对特定的领域和问题，这对行业是有益的，但可能会改变我们今天对赢家和输家的看法。” 这暗示着对现有等级结构的潜在颠覆，那些能够迅速调整其模型架构和部署策略以适应高效、特定领域硬件的公司——通常利用 Arm 的低功耗知识产权——将比那些仅依赖于需要持续高能计算的大规模通用系统的公司获得显著的竞争优势。</p>
</div><p>The discussion closed by touching on the philosophical inevitability of artificial general intelligence (AGI). When asked if a major technological breakthrough would be necessary for machines to reach true inventive capability, Haas dismissed the question of if it will happen and reframed it as a question of when. He highlighted the unprecedented pace of technological problem-solving in recent history, arguing that the trajectory is clear, even if the timeline remains opaque. The industry is currently wrestling with the immediate, tangible hurdles of power consumption and infrastructure, while simultaneously anticipating a future where machines begin to think, create, and invent new products and companies entirely on their own.</p>
<div class="lb-trans"><p>讨论以触及人工通用智能（AGI）的哲学必然性而结束。当被问及机器是否需要重大技术突破才能达到真正的创造能力时，Haas 否定了是否会发生的问题，并将其重新框定为何时会发生的问题。他强调了近年来技术问题解决的前所未有的速度，认为这一轨迹是明确的，即使时间表仍然模糊。行业目前正在与能耗和基础设施的直接、具体障碍作斗争，同时也在期待一个未来，机器开始独立思考、创造和发明全新的产品和公司。</p>
</div>

The AI Power Paradox Arm CEO Rene Haas on Domain Specificity and Data Center Energy...

- Arm CEO Rene Haas 认为 AI 模型未来将趋向领域特定化。  
- 他强调能源效率成为 AI 发展的关键因素。  
- 数据中心扩展面临物理基础设施和能源传输的挑战。

AI 能力悖论：Arm CEO Rene Haas 谈论领域特异性和数据中心能源