本周早些时候，五位涉及人工智能供应链各个层面的人士在比佛利山的米尔肯全球会议上坐下来，与本编辑讨论了从芯片短缺到轨道数据中心，再到支撑该技术的整体架构可能存在错误的各种话题。
与 TechCrunch 一起登台的有：ASML 首席执行官 Christophe Fouquet，这家荷兰公司在极紫外光刻机上拥有垄断地位，现代芯片离不开这些机器；谷歌云首席运营官 Francis deSouza，他正在监督企业历史上最大的基础设施投资之一；Applied Intuition 的联合创始人兼首席执行官 Qasar Younis，这是一家价值 150 亿美元的实体人工智能公司，最初专注于仿真，后来转向国防；Perplexity 的首席商务官 Dimitry Shevelenko，这是一家以人工智能为基础的搜索到代理公司；以及量子物理学家 Eve Bodnia，她离开学术界，挑战大多数人工智能行业所认为理所当然的基础架构，在她的初创公司 Logical Intelligence 中进行创新。（Meta 前首席人工智能科学家 Yan LeCun 今年早些时候签署成为其技术研究委员会的创始主席。）
以下是五位嘉宾的看法：
瓶颈是真实存在的
人工智能的繁荣正面临严峻的物理限制，这些限制开始于许多人可能意识不到的更深层次。Fouquet 首先提到这一点，描述了 “芯片制造的巨大加速”，同时表达了他 “强烈相信”，尽管付出了所有努力，“在接下来的两到三年，甚至五年内，市场将受到供应限制”，这意味着超大规模云计算公司——谷歌、微软、亚马逊、Meta——不会得到他们所支付的所有芯片，毫无疑问。
DeSouza 强调了这个问题的严重性和快速增长，提醒观众谷歌云的收入在上个季度超过了 200 亿美元，增长了 63%，而其积压订单——已承诺但尚未交付的收入——在一个季度内几乎翻了一番，从 2500 亿美元增至 4600 亿美元。他以令人印象深刻的冷静表示：“需求是真实存在的。”
对于 Younis 来说，限制主要来自其他方面。Applied Intuition 为汽车、卡车、无人机、矿山设备和国防车辆构建自主系统，他的瓶颈不是硅，而是只能通过将机器送入现实世界并观察发生的事情来收集的数据。他说：“你必须从现实世界中找到它”，而任何数量的合成仿真都无法完全弥补这一差距。“在你能够完全训练在物理世界中运行的模型之前，还需要很长时间。”
Techcrunch 事件
旧金山，加州 |2026 年 10 月 13-15 日
能源问题也是真实存在的
如果芯片是第一个瓶颈，那么能源就是其背后潜在的瓶颈。DeSouza 确认谷歌正在探索在太空中建立数据中心，以作为应对能源限制的严肃方案。他指出：“你可以获得更丰富的能源。” 当然，即使在轨道上，这也并不简单。DeSouza 观察到，太空是一个真空，因此消除了对流，留下辐射作为将热量散发到周围环境的唯一方式（这比数据中心今天依赖的空气和液体冷却系统要慢得多且更难以工程化）。但该公司仍将其视为一条合法的路径。
DeSouza 进一步提出的论点，毫不意外地是关于通过整合提高效率。谷歌的策略是共同设计其完整的人工智能堆栈——从定制的 TPU 芯片到模型和代理——在每次浮点运算所需的瓦特数上带来了收益，而购买现成组件的公司根本无法复制。他表示：“在 TPU 上运行 Gemini 比任何其他配置都更节能”，因为芯片设计师在发货之前就知道模型将要使用什么。在一个能源可用性成为技术发展重大限制的世界中，这种垂直整合是一个重要的竞争优势。
Fouquet 在讨论中也重申了这一观点。他说：“没有什么是无价的。” 该行业正处于一个奇怪的时刻，投入了巨额资本，出于战略必要性驱动。但更多的计算意味着更多的能源，而更多的能源是有成本的。
一种不同的智能
当行业其他部分在大型语言模型范式内辩论规模、架构和推理效率时，Bodnia 正在构建一些非常不同的东西。
她的公司 Logical Intelligence 基于所谓的能量模型（EBMs），这是一类人工智能，不是预测序列中的下一个标记，而是试图理解数据背后的规则，她认为这种方式更接近人类大脑的实际工作方式。她说：“语言是我大脑和你大脑之间的用户界面。推理本身并不依附于任何语言。”
她最大的模型有 2 亿个参数——相比之下，领先的 LLM 有数千亿个参数——她声称其运行速度快上千倍。更重要的是，它被设计为随着数据的变化而更新其知识，而不是要求从头开始重新训练。
对于芯片设计、机器人技术和其他需要理解物理规则而非语言模式的领域，她认为 EBMs 是更自然的选择。她说：“当你开车时，你并不是在寻找任何语言中的模式。你环顾四周，理解周围世界的规则，然后做出决定。” 这是一个有趣的论点，考虑到人工智能领域开始质疑单靠规模是否足够，这个论点可能会在未来几个月吸引更多关注。
代理、护栏和信任
Shevelenko 在谈话中花了很多时间解释 Perplexity 如何从一个搜索产品演变为现在称之为 “数字员工” 的东西。Perplexity Computer 是其最新的产品，旨在作为知识工作者指挥的员工，而不是知识工作者使用的工具。他说：“每天你醒来时，你的团队里有一百个员工。你打算如何充分利用这一点？”
这是一个引人注目的提议；但它也引发了关于控制的明显问题，因此我问了他们。他的回答是细粒度。企业管理员不仅可以指定代理可以访问哪些连接器和工具，还可以指定这些权限是只读还是读写——这一区分在代理在企业系统内行动时至关重要。当 Perplexity 的计算机使用代理 Comet 代表用户采取行动时，它会先提出一个计划并请求批准。Shevelenko 表示，一些用户觉得这种摩擦令人烦恼，但他认为这是必要的，特别是在加入 Lazard 董事会后，他发现自己对保护一个完全建立在客户信任基础上的 180 年品牌的 CISO 的保守本能意外地产生了同情。“细粒度是良好安全卫生的基石，” 他说。
主权，而不仅仅是安全
Younis 提出了可能是小组中最具地缘政治色彩的观察，即物理 AI 与国家主权以纯数字 AI 从未有过的方式交织在一起。
互联网最初作为美国技术传播，仅在应用层面面临反对——当 Uber 和 DoorDash 等线下后果变得明显时。物理 AI 则不同。自动驾驶汽车、国防无人机、采矿设备、农业机械——这些在现实世界中以政府无法忽视的方式显现，提出了关于安全、数据收集以及谁最终控制在国家边界内运作的系统的问题。“几乎每个国家都在一致地表示：我们不希望这种智能以物理形式存在于我们的边界内，由另一个国家控制。” 他告诉观众，能够部署机器人出租车的国家比拥有核武器的国家要少。
Fouquet 以稍微不同的方式框定了这一点。中国的 AI 进展是真实的——DeepSeek 今年早些时候的发布让行业部分人士感到近乎恐慌——但这种进展在模型层面受到限制。没有 EUV 光刻技术，中国的芯片制造商无法制造最先进的半导体，而基于旧硬件构建的模型无论软件多么优秀，都处于不断累积的劣势。“今天，在美国，你拥有数据、计算访问、芯片和人才。中国在堆栈的顶层做得很好，但在底层缺乏一些要素，” Fouquet 说。
代际问题
在我们小组讨论的快结束时，观众中有人提出了一个显而易见的不舒服的问题：这一切会影响下一代的批判性思维能力吗？
答案或许并不令人意外，乐观，但并非天真。De Souza 指出，更强大的工具可能最终让人类解决规模庞大的问题。想想那些我们尚未理解生物机制的神经疾病、温室气体去除以及被推迟数十年的电网基础设施。“这应该释放我们到下一个创造力的层次，” 他说。
Shevelenko 提出了一个更务实的观点：入门级工作可能正在消失，但独立启动某个项目的能力从未如此容易。“对于任何拥有 Perplexity Computer 的人来说……限制在于你自己的好奇心和主动性。”
Younis 在知识工作和体力劳动之间划分了最明确的界限。他指出，平均美国农民的年龄为 58 岁，采矿、长途运输和农业的劳动力短缺是长期存在且不断加剧的——并不是因为工资太低，而是因为人们不想做这些工作。在这些领域，物理 AI 并没有取代愿意工作的员工。它是在填补已经存在的空白，并且只会从这里开始加深。

阿斯麦

谷歌-C

2 倍做多谷歌 ETF - Direxion

在米尔肯全球会议上，五位人工智能供应链的领导者讨论了该行业面临的重大挑战，包括芯片短缺和能源限制。ASML 的 Christophe Fouquet 强调，未来几年芯片市场将受到供应限制。谷歌云的 Francis deSouza 指出，需求迅速增长，积压订单达到 4600 亿美元。Applied Intuition 的 Qasar Younis 强调了为训练人工智能模型所需的真实世界数据。DeSouza 还提到谷歌正在探索基于太空的数据中心以解决能源问题，并倡导垂直整合以提高效率

Five architects of the AI economy explain where the wheels are coming off

- 五位业内专家在米尔肯全球会议上讨论了 AI 产业的瓶颈和挑战。  
- 其中提到芯片和能源短缺对技术发展的限制，以及数据采集的重要性。  
- 还探讨了物理 AI 与国家主权之间的复杂关系。

五位人工智能经济的架构师解释了问题出现的原因