<p>“我認為隨着時間的推移，這些人工智能模型將變得非常特定於某個領域，” Arm 首席執行官 Rene Haas 在達沃斯世界經濟論壇上接受 CNBC 的 Squawk Box 採訪時表示。這一觀察由該公司領導者提出，其核心技術是幾乎每個現代設備中的數字大腦，標誌着人工智能架構的深刻轉變——這一轉變遠離了單一、耗能巨大的大型語言模型（LLMs），朝着高度優化、專業化的解決方案發展。對於在競爭激烈的人工智能領域中摸索的創始人和投資者來説，Haas 的評論提供了關於真正瓶頸和機會的關鍵見解，強調了效率和基礎設施的重要性，而非單純的計算能力。</p>
<p>Rene Haas 與 CNBC 的 Becky Quick、Andrew Ross Sorkin 和 Joe Kernen 進行了交談，詳細闡述了 Arm 在全球人工智能競賽中的獨特地位，討論了芯片需求的現狀，並解決了與人工智能能耗相關的日益嚴峻的挑戰。Arm 因其中立的許可模式而被稱為 “半導體行業的瑞士”，是現代數字經濟的基礎。Haas 確認了 Arm 影響力的驚人規模，指出其計算平台是從智能手機和數據中心到汽車和洗衣機等設備的核心。他強調了公司技術的普遍性：“Becky，找到一家不使用 Arm 的公司是很困難的。” 這種普遍性使 Arm 能夠全方位瞭解各個行業不斷變化的計算需求，使 Haas 的見解在行業全面進入生成式人工智能時代時尤為相關。</p>
<p>人工智能行業面臨的直接挑戰並不一定是處理能力的缺乏，而是訓練和運行日益複雜模型所需的極高能耗。這正是 Arm 長期以來專注於效率的地方，使其成為主要的競爭差異化因素。在競爭對手爭相追求最大浮點運算的同時，Arm 專注於每瓦特的性能最大化，這一策略直接符合普遍人工智能的需求。Haas 指出，人工智能工作負載已經在各處運行，從龐大的雲數據中心到小型邊緣設備，如智能手錶。他強調，隨着人工智能複雜性的增加，能效成為決定性指標。“能效就是一切，而我們在這方面非常擅長，這也是我們非常關注的領域。” 這種效率不僅對移動設備至關重要，對於試圖管理驚人電力需求的數據中心來説也越來越重要。</p>
<p>談話迅速轉向了擴展人工智能基礎設施的物理限制。支持生成式人工智能所需的數據中心的快速擴張在硅供應之外創造了顯著的摩擦點。Haas 確認，儘管與 18 個月前相比，芯片短缺有所緩解，但根本的擴展問題仍然與物理基礎設施相關。他指出，特別是在美國，瓶頸不僅僅是能源容量不足，而是將電力物理傳輸到數據中心所在位置的過程。這涉及到複雜且耗時的過程，如確保通行權、建設輸電線路和安裝變壓器。Haas 簡單總結道：“擴展問題依然存在。” 這一觀點對人工智能中常被宣傳的指數增長曲線提供了清醒的警示，提醒投資者現實世界的物理和監管障礙對數字革命的推進速度施加了嚴格限制。</p>
<p>Haas 最引人注目的戰略見解集中在人工智能模型未來的發展軌跡上。他建議，定義為大規模、通用大型語言模型的時代可能正在讓位於更專業化的東西。雖然當前模型在處理文本方面表現出色，但它們往往缺乏真正的領域專業知識。行業開始認識到，效率提升和專業化效用將來自於聚焦的縮小。“我認為，隨着時間的推移，這些人工智能模型將變得非常特定於某個領域，針對特定的領域和問題，這對行業是有益的，但可能會改變我們今天對贏家和輸家的看法。” 這暗示着對現有等級結構的潛在顛覆，那些能夠迅速調整其模型架構和部署策略以適應高效、特定領域硬件的公司——通常利用 Arm 的低功耗知識產權——將比那些僅依賴於需要持續高能計算的大規模通用系統的公司獲得顯著的競爭優勢。</p>
<p>討論以觸及人工通用智能（AGI）的哲學必然性而結束。當被問及機器是否需要重大技術突破才能達到真正的創造能力時，Haas 否定了是否會發生的問題，並將其重新框定為何時會發生的問題。他強調了近年來技術問題解決的前所未有的速度，認為這一軌跡是明確的，即使時間表仍然模糊。行業目前正在與能耗和基礎設施的直接、具體障礙作鬥爭，同時也在期待一個未來，機器開始獨立思考、創造和發明全新的產品和公司。</p>

半導體 3 倍做多 - Direxion

2 倍做多 ARM ETF - Leverage Shares

標普半導體 ETF - SPDR

ARMW

半導體 ETF - VanEck Vectors

2 倍做多 ARM ETF - T-Rex

全球科技股指數 ETF - iShares

動態半導體 ETF - Invesco

費城交易所 半導體 ETF - iShares

<p>Arm 首席執行官 Rene Haas 在世界經濟論壇上討論了人工智能的未來，強調了向特定領域模型轉變，而不是能耗高昂的大型語言模型。他指出，Arm 專注於能源效率，這對移動設備和數據中心都至關重要。Haas 提到，儘管芯片短缺情況有所改善，但由於能源傳輸問題，擴展人工智能基礎設施仍然是一個挑戰。他預測，人工智能模型將變得更加專業化，可能會打破當前的行業層級。Haas 還談到了通用人工智能的不可避免性，關注當前在能耗和基礎設施方面的挑戰</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>“我認為隨着時間的推移，這些人工智能模型將變得非常特定於某個領域，” Arm 首席執行官 Rene Haas 在達沃斯世界經濟論壇上接受 CNBC 的 Squawk Box 採訪時表示。這一觀察由該公司領導者提出，其核心技術是幾乎每個現代設備中的數字大腦，標誌着人工智能架構的深刻轉變——這一轉變遠離了單一、耗能巨大的大型語言模型（LLMs），朝着高度優化、專業化的解決方案發展。對於在競爭激烈的人工智能領域中摸索的創始人和投資者來説，Haas 的評論提供了關於真正瓶頸和機會的關鍵見解，強調了效率和基礎設施的重要性，而非單純的計算能力。</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 與 CNBC 的 Becky Quick、Andrew Ross Sorkin 和 Joe Kernen 進行了交談，詳細闡述了 Arm 在全球人工智能競賽中的獨特地位，討論了芯片需求的現狀，並解決了與人工智能能耗相關的日益嚴峻的挑戰。Arm 因其中立的許可模式而被稱為 “半導體行業的瑞士”，是現代數字經濟的基礎。Haas 確認了 Arm 影響力的驚人規模，指出其計算平台是從智能手機和數據中心到汽車和洗衣機等設備的核心。他強調了公司技術的普遍性：“Becky，找到一家不使用 Arm 的公司是很困難的。” 這種普遍性使 Arm 能夠全方位瞭解各個行業不斷變化的計算需求，使 Haas 的見解在行業全面進入生成式人工智能時代時尤為相關。</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>人工智能行業面臨的直接挑戰並不一定是處理能力的缺乏，而是訓練和運行日益複雜模型所需的極高能耗。這正是 Arm 長期以來專注於效率的地方，使其成為主要的競爭差異化因素。在競爭對手爭相追求最大浮點運算的同時，Arm 專注於每瓦特的性能最大化，這一策略直接符合普遍人工智能的需求。Haas 指出，人工智能工作負載已經在各處運行，從龐大的雲數據中心到小型邊緣設備，如智能手錶。他強調，隨着人工智能複雜性的增加，能效成為決定性指標。“能效就是一切，而我們在這方面非常擅長，這也是我們非常關注的領域。” 這種效率不僅對移動設備至關重要，對於試圖管理驚人電力需求的數據中心來説也越來越重要。</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>談話迅速轉向了擴展人工智能基礎設施的物理限制。支持生成式人工智能所需的數據中心的快速擴張在硅供應之外創造了顯著的摩擦點。Haas 確認，儘管與 18 個月前相比，芯片短缺有所緩解，但根本的擴展問題仍然與物理基礎設施相關。他指出，特別是在美國，瓶頸不僅僅是能源容量不足，而是將電力物理傳輸到數據中心所在位置的過程。這涉及到複雜且耗時的過程，如確保通行權、建設輸電線路和安裝變壓器。Haas 簡單總結道：“擴展問題依然存在。” 這一觀點對人工智能中常被宣傳的指數增長曲線提供了清醒的警示，提醒投資者現實世界的物理和監管障礙對數字革命的推進速度施加了嚴格限制。</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 最引人注目的戰略見解集中在人工智能模型未來的發展軌跡上。他建議，定義為大規模、通用大型語言模型的時代可能正在讓位於更專業化的東西。雖然當前模型在處理文本方面表現出色，但它們往往缺乏真正的領域專業知識。行業開始認識到，效率提升和專業化效用將來自於聚焦的縮小。“我認為，隨着時間的推移，這些人工智能模型將變得非常特定於某個領域，針對特定的領域和問題，這對行業是有益的，但可能會改變我們今天對贏家和輸家的看法。” 這暗示着對現有等級結構的潛在顛覆，那些能夠迅速調整其模型架構和部署策略以適應高效、特定領域硬件的公司——通常利用 Arm 的低功耗知識產權——將比那些僅依賴於需要持續高能計算的大規模通用系統的公司獲得顯著的競爭優勢。</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>討論以觸及人工通用智能（AGI）的哲學必然性而結束。當被問及機器是否需要重大技術突破才能達到真正的創造能力時，Haas 否定了是否會發生的問題，並將其重新框定為何時會發生的問題。他強調了近年來技術問題解決的前所未有的速度，認為這一軌跡是明確的，即使時間表仍然模糊。行業目前正在與能耗和基礎設施的直接、具體障礙作鬥爭，同時也在期待一個未來，機器開始獨立思考、創造和發明全新的產品和公司。</p>
</div>

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

- Arm CEO Rene Haas 認為 AI 模型未來將趨向領域特定化。  
- 他強調能源效率成為 AI 發展的關鍵因素。  
- 數據中心擴展面臨物理基礎設施和能源傳輸的挑戰。

AI 能力悖論：Arm CEO Rene Haas 談論領域特異性和數據中心能源