本週早些時候，五位涉及人工智能供應鏈各個層面的人士在比佛利山的米爾肯全球會議上坐下來，與本編輯討論了從芯片短缺到軌道數據中心，再到支撐該技術的整體架構可能存在錯誤的各種話題。
與 TechCrunch 一起登台的有：ASML 首席執行官 Christophe Fouquet，這家荷蘭公司在極紫外光刻機上擁有壟斷地位，現代芯片離不開這些機器；谷歌雲首席運營官 Francis deSouza，他正在監督企業歷史上最大的基礎設施投資之一；Applied Intuition 的聯合創始人兼首席執行官 Qasar Younis，這是一家價值 150 億美元的實體人工智能公司，最初專注於仿真，後來轉向國防；Perplexity 的首席商務官 Dimitry Shevelenko，這是一家以人工智能為基礎的搜索到代理公司；以及量子物理學家 Eve Bodnia，她離開學術界，挑戰大多數人工智能行業所認為理所當然的基礎架構，在她的初創公司 Logical Intelligence 中進行創新。（Meta 前首席人工智能科學家 Yan LeCun 今年早些時候簽署成為其技術研究委員會的創始主席。）
以下是五位嘉賓的看法：
瓶頸是真實存在的
人工智能的繁榮正面臨嚴峻的物理限制，這些限制開始於許多人可能意識不到的更深層次。Fouquet 首先提到這一點，描述了 “芯片製造的巨大加速”，同時表達了他 “強烈相信”，儘管付出了所有努力，“在接下來的兩到三年，甚至五年內，市場將受到供應限制”，這意味着超大規模雲計算公司——谷歌、微軟、亞馬遜、Meta——不會得到他們所支付的所有芯片，毫無疑問。
DeSouza 強調了這個問題的嚴重性和快速增長，提醒觀眾谷歌雲的收入在上個季度超過了 200 億美元，增長了 63%，而其積壓訂單——已承諾但尚未交付的收入——在一個季度內幾乎翻了一番，從 2500 億美元增至 4600 億美元。他以令人印象深刻的冷靜表示：“需求是真實存在的。”
對於 Younis 來説，限制主要來自其他方面。Applied Intuition 為汽車、卡車、無人機、礦山設備和國防車輛構建自主系統，他的瓶頸不是硅，而是隻能通過將機器送入現實世界並觀察發生的事情來收集的數據。他説：“你必須從現實世界中找到它”，而任何數量的合成仿真都無法完全彌補這一差距。“在你能夠完全訓練在物理世界中運行的模型之前，還需要很長時間。”
Techcrunch 事件
舊金山，加州 |2026 年 10 月 13-15 日
能源問題也是真實存在的
如果芯片是第一個瓶頸，那麼能源就是其背後潛在的瓶頸。DeSouza 確認谷歌正在探索在太空中建立數據中心，以作為應對能源限制的嚴肅方案。他指出：“你可以獲得更豐富的能源。” 當然，即使在軌道上，這也並不簡單。DeSouza 觀察到，太空是一個真空，因此消除了對流，留下輻射作為將熱量散發到周圍環境的唯一方式（這比數據中心今天依賴的空氣和液體冷卻系統要慢得多且更難以工程化）。但該公司仍將其視為一條合法的路徑。
DeSouza 進一步提出的論點，毫不意外地是關於通過整合提高效率。谷歌的策略是共同設計其完整的人工智能堆棧——從定製的 TPU 芯片到模型和代理——在每次浮點運算所需的瓦特數上帶來了收益，而購買現成組件的公司根本無法複製。他表示：“在 TPU 上運行 Gemini 比任何其他配置都更節能”，因為芯片設計師在發貨之前就知道模型將要使用什麼。在一個能源可用性成為技術發展重大限制的世界中，這種垂直整合是一個重要的競爭優勢。
Fouquet 在討論中也重申了這一觀點。他説：“沒有什麼是無價的。” 該行業正處於一個奇怪的時刻，投入了鉅額資本，出於戰略必要性驅動。但更多的計算意味着更多的能源，而更多的能源是有成本的。
一種不同的智能
當行業其他部分在大型語言模型範式內辯論規模、架構和推理效率時，Bodnia 正在構建一些非常不同的東西。
她的公司 Logical Intelligence 基於所謂的能量模型（EBMs），這是一類人工智能，不是預測序列中的下一個標記，而是試圖理解數據背後的規則，她認為這種方式更接近人類大腦的實際工作方式。她説：“語言是我大腦和你大腦之間的用户界面。推理本身並不依附於任何語言。”
她最大的模型有 2 億個參數——相比之下，領先的 LLM 有數千億個參數——她聲稱其運行速度快上千倍。更重要的是，它被設計為隨着數據的變化而更新其知識，而不是要求從頭開始重新訓練。
對於芯片設計、機器人技術和其他需要理解物理規則而非語言模式的領域，她認為 EBMs 是更自然的選擇。她説：“當你開車時，你並不是在尋找任何語言中的模式。你環顧四周，理解周圍世界的規則，然後做出決定。” 這是一個有趣的論點，考慮到人工智能領域開始質疑單靠規模是否足夠，這個論點可能會在未來幾個月吸引更多關注。
代理、護欄和信任
Shevelenko 在談話中花了很多時間解釋 Perplexity 如何從一個搜索產品演變為現在稱之為 “數字員工” 的東西。Perplexity Computer 是其最新的產品，旨在作為知識工作者指揮的員工，而不是知識工作者使用的工具。他説：“每天你醒來時，你的團隊裏有一百個員工。你打算如何充分利用這一點？”
這是一個引人注目的提議；但它也引發了關於控制的明顯問題，因此我問了他們。他的回答是細粒度。企業管理員不僅可以指定代理可以訪問哪些連接器和工具，還可以指定這些權限是隻讀還是讀寫——這一區分在代理在企業系統內行動時至關重要。當 Perplexity 的計算機使用代理 Comet 代表用户採取行動時，它會先提出一個計劃並請求批准。Shevelenko 表示，一些用户覺得這種摩擦令人煩惱，但他認為這是必要的，特別是在加入 Lazard 董事會後，他發現自己對保護一個完全建立在客户信任基礎上的 180 年品牌的 CISO 的保守本能意外地產生了同情。“細粒度是良好安全衞生的基石，” 他説。
主權，而不僅僅是安全
Younis 提出了可能是小組中最具地緣政治色彩的觀察，即物理 AI 與國家主權以純數字 AI 從未有過的方式交織在一起。
互聯網最初作為美國技術傳播，僅在應用層面面臨反對——當 Uber 和 DoorDash 等線下後果變得明顯時。物理 AI 則不同。自動駕駛汽車、國防無人機、採礦設備、農業機械——這些在現實世界中以政府無法忽視的方式顯現，提出了關於安全、數據收集以及誰最終控制在國家邊界內運作的系統的問題。“幾乎每個國家都在一致地表示：我們不希望這種智能以物理形式存在於我們的邊界內，由另一個國家控制。” 他告訴觀眾，能夠部署機器人出租車的國家比擁有核武器的國家要少。
Fouquet 以稍微不同的方式框定了這一點。中國的 AI 進展是真實的——DeepSeek 今年早些時候的發佈讓行業部分人士感到近乎恐慌——但這種進展在模型層面受到限制。沒有 EUV 光刻技術，中國的芯片製造商無法制造最先進的半導體，而基於舊硬件構建的模型無論軟件多麼優秀，都處於不斷累積的劣勢。“今天，在美國，你擁有數據、計算訪問、芯片和人才。中國在堆棧的頂層做得很好，但在底層缺乏一些要素，” Fouquet 説。
代際問題
在我們小組討論的快結束時，觀眾中有人提出了一個顯而易見的不舒服的問題：這一切會影響下一代的批判性思維能力嗎？
答案或許並不令人意外，樂觀，但並非天真。De Souza 指出，更強大的工具可能最終讓人類解決規模龐大的問題。想想那些我們尚未理解生物機制的神經疾病、温室氣體去除以及被推遲數十年的電網基礎設施。“這應該釋放我們到下一個創造力的層次，” 他説。
Shevelenko 提出了一個更務實的觀點：入門級工作可能正在消失，但獨立啓動某個項目的能力從未如此容易。“對於任何擁有 Perplexity Computer 的人來説……限制在於你自己的好奇心和主動性。”
Younis 在知識工作和體力勞動之間劃分了最明確的界限。他指出，平均美國農民的年齡為 58 歲，採礦、長途運輸和農業的勞動力短缺是長期存在且不斷加劇的——並不是因為工資太低，而是因為人們不想做這些工作。在這些領域，物理 AI 並沒有取代願意工作的員工。它是在填補已經存在的空白，並且只會從這裏開始加深。

阿斯麥

谷歌-C

2 倍做多谷歌 ETF - Direxion

在米爾肯全球會議上，五位人工智能供應鏈的領導者討論了該行業面臨的重大挑戰，包括芯片短缺和能源限制。ASML 的 Christophe Fouquet 強調，未來幾年芯片市場將受到供應限制。谷歌雲的 Francis deSouza 指出，需求迅速增長，積壓訂單達到 4600 億美元。Applied Intuition 的 Qasar Younis 強調了為訓練人工智能模型所需的真實世界數據。DeSouza 還提到谷歌正在探索基於太空的數據中心以解決能源問題，並倡導垂直整合以提高效率

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

- 五位業內專家在米爾肯全球會議上討論了 AI 產業的瓶頸和挑戰。  
- 其中提到芯片和能源短缺對技術發展的限制，以及數據採集的重要性。  
- 還探討了物理 AI 與國家主權之間的複雜關係。

五位人工智能經濟的架構師解釋了問題出現的原因