开放模型、AI 基础设施与搜索：四位嘉宾的观点

录制从对话中途开始，Matthew Berman 和 Nick Wentz 讨论 NVIDIA 2026 财年第三季度业绩。他们提到超过 570 亿美元的营收、强劲的数据中心需求和 73.4% 的毛利率。Berman 区分了他对 AI 长期重要性的信念，以及短期资本支出是否过度这个独立问题。

第一位嘉宾、Sentient 联合创始人 Himanshu Tyagi 表示，公司希望构建开放的通用 AI 生态，其中既包括模型，也包括推理智能体。他提到中国开放权重模型的突出表现，希望建设者贡献有用的系统。这些是公司的目标，并不证明 AGI 已经实现。

Tyagi 将 AGI 描述为不断追求更广泛常识推理、改进能力和跨任务人类水平表现的过程。他预计不同领域会持续进步，而不是把 AGI 当作一个开关。Berman 询问如何判断目标是否已经实现；Tyagi 更倾向于不断移动的目标，而非单一门槛。

Tyagi 预计研究、规划和购买等在线任务将是最早被智能体改变的领域之一。他提出，大约两年内数字体验可能出现重大变化。这是他的预测，并非这种变化会按该时间表发生的证据。

他将推理描述为处理模型尚未学到的情况，并认为有用系统可能将模型与智能体、规划和世界模型结合。这是他的工作定义；学习到的模式与泛化之间的关系仍是活跃的研究问题，并不存在一个简单测试就能判断是否发生了推理。

谈到持续改进，Tyagi 区分了改变模型权重与更新模型外围的提示词和工作流程。他尤其关注通过提示词优化智能体策略。他认为，创建智能体比可靠地改进它容易，后者需要评估和迭代。

被问到开放为什么重要时，Tyagi 说公开研究让思想能够累积，也给建设者展示成果和创建企业的机会。他还认为，各国可能希望更好地控制用于重大决策的系统。开放权重、训练数据、代码、许可和治理是开放性的不同维度。

Tyagi 认为，主权 AI 可能需要提供可供审计的训练数据，而不只是开放权重；他表示一些机构不愿部署来自特定国家的模型。数据可用能支持检查，但本身不能证明没有后门，也不能让模型自动保持中立。审计大型数据集和训练后的系统仍然困难。

主持人问，前沿模型需要大量硬件时，去中心化如何实现。Tyagi 区分了较小规模的本地推理与跨分布式集群训练，并说地区基础设施和监管会影响经济性。他举例的集群仍需要大量投资；去中心化并不等于能在笔记本上运行前沿模型。

谈到中国开放模型，Tyagi 说他对技术进步与全球分发的结合感到意外。他认为国际知名度也可能支持国内业务，并说 DeepSeek 鼓励了其他人尝试。他明确表示，自己并不深入了解中国内部的决策过程。

Tyagi 对科学领域的开放研究和特定领域的世界模型感到兴奋，并提到 Sentient 的搜索及金融智能体。主持人回应说，他们重视竞争和检查、实验的能力。这些预期好处取决于实际许可、访问方式和实现。

第二位嘉宾、Reflection AI 联合创始人兼首席执行官 Misha Laskin 表示，公司正在中国以外构建前沿开放模型。他主张出现多个有能力的模型来源，既与封闭服务商竞争，也为国家和企业提供选择。这是他的公司战略，并不能证明某个模型已经具有竞争力。

Laskin 将潜在客户分为消费者应用、使用托管 API 的初创公司，以及可能希望获得更多控制权的大型企业或政府。他认为开放和封闭模型可以共存。随着组织规模扩大，他说成本、数据和定制的控制权可能让开放模型更具吸引力，尽管自行运营也增加责任和开销。

谈到安全，Laskin 认为开放访问能让更多研究人员研究强大模型，而不是把知识集中在少数实验室。他也表示，强大的开放模型已经存在，安全研究必须考虑这一现实。开放可以支持审查，而广泛传播也可能让危险能力更难限制；两种方式都不能消除风险。

他讨论了分发控制、来源追踪和抵抗对抗性微调的研究等可能措施。一种研究思路是把安全行为与有用能力耦合，使移除防护同时降低性能。他将其作为开放的研究方向，而不是已经证明的解决方案。

主持人提到一个被报道的封闭模型在网络行动中遭滥用的案例。Laskin 说开放和封闭模型都可能被滥用，而开放权重可能允许对手进行专门微调。他预计网络安全会成为攻击和防御的重要领域。这种比较并不意味着访问控制和监测对风险毫无影响。

Laskin 认为建立前沿实验室需要人才、算力与资金，以及足够大的商业机会。他认为大型企业和主权客户现在为开放模型提供了需求。这是来自有利益关联公司的商业判断，不同客户的采购选择会有所不同。

Laskin 介绍了一张外观朴素、通过客户对话不断修改的销售幻灯片。目标是发现客户真正关心的问题：可预测的成本、让数据留在自身基础设施内、避免锁定以及定制能力。好的演示不能替代在每个客户环境中验证这些主张。

他说 Reflection 正在组建人才和算力，并沿着规模阶梯从小模型逐步训练到大模型，因为不同规模会出现不同故障。他预计次年发布模型，也不认为扩展很快会碰到墙。这些都是 2025 年作出的预测，而非保证。

Laskin 将世界模型定义为预测某个行动之后观察结果的方法，并在此背景下讨论语言和多模态模型。他预计文字与视觉环境中的能力会持续提高。这个术语涵盖不同研究方法，模拟预测也仍可能出错。

接下来是 NVIDIA 的 Bryan Catanzaro。他回忆研究生时期尝试 CUDA，把支持向量机训练程序改写到 GPU 的过程比此前的 FPGA 工作快得多。他报告在那个具体实验中相对 CPU 实现获得很大加速，这帮助他相信 GPU 能加速机器学习。

Catanzaro 说，2011 年他全职加入 NVIDIA 时，神经网络仍面临大量怀疑。AlexNet 的图像分类结果帮助改变了看法，GPU 卷积库工作后来发展为 cuDNN。他回忆 2013 年的一次会议上，Jensen Huang 推动公司大力关注 AI 机会。

他将 NVIDIA 的文化描述为长期努力让从芯片、编译器到库和应用的一整条技术链协同工作。在他看来，客户购买的是能力与节省的时间，而不只是芯片。这是公司对自身战略和商业价值的描述。

Catanzaro 说，CUDA 包含驱动、编译器、框架、应用和开发者生态。要在云数据中心获得速度，还需要网络、存储和运维工作。NVIDIA 在外部云基础设施上训练自己的模型，以了解客户面临的同类集成问题。

他介绍 NVIDIA 的 Nemotron 模型和数据集，称其有助于理解未来 AI 工作负载并据此设计系统。他报告，在公司的工作中，改进预训练数据使达到目标准确率所需的 GPU 时间提高了四倍效率。这是特定条件下的内部结果，并非适用于所有任务的倍率。

Catanzaro 讨论 Blackwell 的 NVFP4 低精度格式，表示 NVIDIA 已使用四位算术训练模型并取得强劲结果。他认为较低精度可以提高效率并支持更大的训练。实际质量和节省程度取决于工作负载和实现。

随着数据中心需要更多电力，他强调效率。他指出传统注意力计算的二次复杂度，以及推理时键值缓存占用的内存。混合架构和状态空间方法是 NVIDIA 正在探索以降低推理成本的技术。

谈到更长的上下文，Catanzaro 说需求因应用而异，并考虑将稀疏或分层方法与检索结合。能够使用个人消息和邮件的助手可能更有帮助，但也会访问高度敏感的信息。他认为隐私保护必须与技术能力一起考虑。

被问到持续更新模型权重时，他持谨慎态度：安全评估后改变模型会增加复杂性。他认为有能力的模型或许可以在不改变权重的情况下，利用上下文中的新信息进行推理。这是他的偏好，并不证明持续学习无法安全实现。

Catanzaro 说 Nemotron 的第二个目的是帮助其他人部署和定制 AI。他解释了 NVIDIA 的商业动机：AI 采用增长时，对其基础设施的需求也可能增长。具体开放程度和复用权利取决于各个模型、数据集与许可。

最后一位嘉宾是 Google 搜索产品副总裁 Robby Stein。他介绍从 AI Overviews 到 AI Mode，再到 Gemini 3 进入搜索的渐进过程。他表示，团队在构建一个能够选择更丰富版式并利用网络回答用户问题的系统。

Stein 回忆内部的一个例子：系统生成了带滑块的交互式机翼模拟。其想法是根据问题调整回答，而不是总给出固定文本版式。这类生成视觉内容可能很吸引人，但仍需评估正确性；插图不会自动成为可靠的科学模型。

被问到幻觉和一致性时，Stein 说 Google 在长期搜索质量系统之上，将模型指令与网络检索结合起来。他承认仍会出错。他说团队综合使用人工评估、反馈、重复使用等信号，并指出反复搜索也可能意味着用户没有找到答案。

谈到广告和商业，Stein 认为 AI 搜索可以创造新机会，把人们与有用信息、商品和链接连接起来。他认为个性化可能提高相关性。这些是 Google 的产品和商业观点；用户与出版商在隐私、广告披露和流量方面可能感受到不同取舍。

谈到购买和餐饮，Stein 说许多价值在于帮助人们在交易前比较选择。他介绍了一项餐饮体验，会返回预订服务的可用信息，但示例中尚未完成预订。更自主的行动是可能的未来方向，并不是说所有购买都已自动化。

Stein 说 AI Mode 可以将问题扩展为多个搜索，再汇集有用来源。他认为相关、原创、有来源等熟悉的质量原则仍然重要。这是 Google 对其方法的描述，并不保证任何出版商获得特定排名或流量。

Stein 说，搜索会根据问题需求在模型之间路由：简单请求可能优先使用更快模型，困难推理或多模态问题可能需要更多计算。他描述了当时付费订阅者享有更高额度和高级功能的情况。价格、可用范围和模型已经变化，应独立核查。

Stein 区分了 AI Mode 在信息、购物和本地发现上的重点，与更广泛的聊天机器人在生产力方面的用途，同时承认存在重叠。他认为产品应适应人们已有的工作方式。他还讨论了经许可使用 Gmail 等个人上下文的实验，以及适应用户的视觉或语音体验。

主持人感谢四位嘉宾并结束节目。贯穿访谈的核心张力是，如何让能力更强的 AI 有用且可获取，同时保持可靠评估、安全性和对敏感信息的控制。