AI经济深层博弈：五大架构师揭示算力/能源/架构三重瓶颈（2026-05-07）
来源：TechCrunch，2026年5月6日
作者：Connie Loizos
主题：AI产业链深层结构性挑战
核心摘要
本周，AI产业链五个关键层面的决策者齐聚贝弗利山密尔肯全球峰会，就芯片短缺、太空数据中心、AI架构根本性错误等问题展开讨论。这五位”建筑师”分别是：ASML CEO Christophe Fouquet、Google Cloud COO Francis deSouza、应用直觉（Applied Intuition）CEO Qasar Younis、Perplexity CBO Dimitry Shevelenko，以及量子物理学家创建的Logical Intelligence创始人Eve Bodnia。
他们的共识：AI繁荣正在撞上物理世界的硬边界。
一、算力瓶颈：供应链将在未来2-5年持续紧张
ASML CEO Fouquet直接泼了冷水：尽管芯片制造已在”大幅加速”，但他”强烈相信”未来2-3年甚至5年内，市场都将处于”供应受限”状态。这意味着Google、微软、亚马逊、Meta等超大规模厂商，无法获得其支付的所有芯片。
Google Cloud的deSouza用数据说话：Google Cloud上季度营收突破200亿美元，增长63%，而其积压订单（已签约但未交付收入）在一个季度内从2500亿美元飙升至4600亿美元。”需求是真实的，”他平静地说。
对于应用直觉的Younis而言，瓶颈不在硅片，而在数据。自动驾驶、卡车、无人机、采矿设备、国防车辆——这些物理AI系统需要的真实世界数据，无法通过合成仿真完全替代。”在相当长的时间内，你无法完全通过仿真训练运行在物理世界的模型。”
二、能源困境：太空数据中心与TPU垂直整合策略
芯片是第一层瓶颈，能源是隐藏在背后的更大问题。
deSouza透露，Google正在认真探索太空数据中心的可行性。”你可以获得更丰富的能源，”他说。当然，轨道上并不简单——太空是真空，没有对流，只能通过辐射散热（比数据中心的空气和液体冷却系统慢得多、难得多）。但Google仍将其视为一条合法路径。
更深层的论点是效率整合。Google的策略是从定制TPU芯片到模型再到智能体的全栈协同设计，在每瓦算力上获得更高回报。”在TPU上运行Gemini比任何其他配置都更节能，”deSouza称，因为芯片设计师在模型发布前就知道它的一切。
Fouquet表达了类似观点：”没有什么是无价的。”行业正处于一个由战略必要性驱动的异常投资时刻。但更多算力意味着更多能源，更多能源意味着更高成本。
三、架构范式转移：能量基模型挑战LLM霸权
当整个行业在LLM的规模、架构和推理效率上内卷时，Eve Bodnia正在构建完全不同的事物。
她的公司Logical Intelligence基于”能量基模型”（EBMs）——这类AI不预测序列中的下一个token，而是尝试理解数据底层规则。她声称这更接近人脑实际工作方式。”语言是我大脑和你大脑之间的用户界面，”她说。”推理本身不依附于任何语言。”
她最大的模型只有2亿参数（对比领先LLM的数千亿），但她声称运行速度快了数千倍。更重要的是，它被设计为随着数据变化更新知识，而不需要从头重训练。
在芯片设计、机器人等需要掌握物理规则而非语言模式的领域，她认为EBMs是更自然的选择。”当你开车时，你不是在搜索任何语言中的模式。你环顾四周，理解周围世界的规则，然后做出决定。”
这个论点值得关注——AI领域开始质疑：仅靠规模是否足够？
四、智能体与信任：Perplexity的”数字员工”愿景
Shevelenko解释了Perplexity如何从搜索产品演变为”数字员工”。Perplexity Computer不是知识工作者使用的工具，而是知识工作者指挥的员工。”每天醒来，你有100名员工，”他说。”你打算如何充分利用他们？”
这带来了明显的控制问题。他的回答是：粒度。企业管理员可以指定智能体可以访问哪些连接器和工具，以及这些权限是只读还是读写——当智能体在企业系统内操作时，这个区别至关重要。当Perplexity的计算机使用智能体Comet代表用户执行操作时，会展示计划并请求批准。
“粒度是良好安全卫生的基础，”他说。
五、地缘政治：物理AI与国家主权
Younis提出了峰会最具地缘政治色彩的观察：物理AI与国家主权之间的纠缠方式，是纯数字AI从未有过的。
“互联网最初作为美国技术传播，仅在应用层面临反弹——Uber和DoorDash等——当线下后果变得可见时。物理AI不同。自动驾驶汽车、国防无人机、采矿设备、农业机器——这些以现实世界可以感知的方式存在，政府无法忽视，产生了关于安全、数据收集以及谁最终控制那些在国境线内运行的系统的问题。”
他告诉观众：”几乎每个国家都在说：我们不希望这种智能以物理形式出现在我们的边界内，由另一个国家控制。”目前，能部署Robotaxi的国家比拥有核武器的国家还少。
Fouquet则从不同角度阐述：中国AI进步是真实的——DeepSeek今年早些时候的发布在行业部分人中引发近乎恐慌——但进步受制于模型层以下。没有EUV光刻机，中国芯片制造商无法制造最先进半导体，而在旧硬件上构建的模型处于复合劣势，无论软件多好。
“今天在美国，你有数据、有计算访问、有芯片、有人才。中国在栈顶做得很好，但在下面的一些元素上有所欠缺。”
六、下一代问题：AI会削弱批判性思维吗？
峰会尾声，有人问了明显而不舒服的问题：这一切会影响下一代的批判性思维能力吗？
答案如预期般乐观。deSouza立即指向更强大工具可能最终让人类解决的规模问题——想想我们尚不理解的神经系统疾病生物机制的疾病、温室气体去除、以及几十年来被推迟的电网基础设施。”这应该把我们释放到下一个创造力的水平。”
Shevelenko做了更务实的观察：入门级工作可能正在消失，但独立创业的能力从未如此便捷。”对于任何使用Perplexity Computer的人……约束是你自己的好奇心和主动性。”
Younis在知识和体力劳动之间划了最尖锐的界限。他指出，美国普通农民年龄为58岁，采矿、长途卡车运输和农业的劳动力短缺是慢性且不断增长的——不是因为工资太低，而是因为人们不想要这些工作。在这些领域，物理AI不是在取代愿意工作的工人，而是在填补已经存在的空缺，而这个空缺只会继续加深。
分析与结论
这是AI产业从”可能性叙事”转向”物理约束叙事”的转折点。五位架构师的讨论揭示了几个关键现实：
· 算力短缺将持续：供应链瓶颈2-5年内无法缓解，超大规模厂商的积压订单继续飙升。
· 能源是隐形天花板：太空数据中心虽是创意，但折射出地面能源供给的深层焦虑。
· 架构多元化是趋势：EBMs等新型模型崛起，LLM并非唯一路径，尤其在物理世界AI场景。
· 地缘政治深刻影响：物理AI的国家边界意识是新的变量，不容忽视。
· 智能体经济正在落地：从工具到员工的转变正在进行，但信任和控制的粒度设计至关重要。
密尔肯峰会上的这场对话，某种程度上代表了AI产业从”狂奔”到”精算”的自我修正。
文章基于TechCrunch 2026年5月6日报道编译，原文作者Connie Loizos
发表回复