光学 AI、搜索曝光与 AI 热潮的经济账

Matthew Berman 与 Nick 在 2025 年 10 月 24 日的直播中回顾一周的 AI 新闻并采访嘉宾。两人首先谈到对 X 推荐内容的抱怨，以及 Grok 是否能让平台的信息流更有用。

两位主持人比较不同社交平台的信息流。Nick 说，只要与一段 NBA 视频互动一次，Instagram 就可能推荐更多同类内容；难点在于兼顾用户兴趣和内容多样性，避免形成反馈循环。

话题转向 Google 的 Quantum Echoes 公告。公司称，Willow 芯片运行某种特定算法的速度比一种经典算法快 13000 倍，并表示结果可以验证。主持人讨论材料科学和药物发现等未来可能的应用，而不是已经实现的通用量子优势。

Berman 提醒，量子计算机适合范围较窄的一些问题，并不适用于笔记本电脑处理的所有任务。对于适合的问题，潜在优势可能很大，但这项具体实验只是迈向应用的一步。

主持人还讨论了 Meta 重组影响约 600 个职位的报道。他们指出，部分员工可能转到公司内部其他岗位，而一些研究人员公开发帖，表示正在寻找新工作。

Berman 和 Nick 讨论这次重组可能对 Meta 的 AI 组织意味着什么。他们的解读带有试探性：组织变动和公开帖子既不能说明每位研究人员的去向，也无法完整解释公司的战略。

Berman 欢迎 Microsoft Research Cambridge 首席研究经理 Francesca Parmigiani。她的团队正在探索模拟光学计算，将光学与电子元件结合起来，加速特定计算，而非取代所有传统计算机。

Parmigiani 解释，这种方法利用光的物理特性，执行 AI 中使用的特定数学运算。研究人员关注的不只是计算本身，还包括数据在内存和处理器之间移动时的能耗。

谈到项目起源时，Parmigiani 说明了将光学硬件用于能够发挥明显优势的计算任务为何有吸引力。原型结合了光学和电子技术，主持人展示了设备的照片。

她说，对于她所描述的特定计算，这项研究有望比现有 GPU 提高 100 倍能效。这是针对部分工作负载的预测，并非测量结果，不能说明原型或所有 AI 任务已经达到这一效率。

Parmigiani 将自己的方法与完全使用光学技术构建通用数字计算机的做法区分开来。团队寻找的是能让光和模拟处理与传统系统协同发挥作用的任务。

其中一类是优化问题，例如旅行商问题：随着城市数量增加，寻找高效路线变得困难得多。这类问题存在于实际场景中，但光学方法仍需证明自己能够解决有实际价值的实例。

这套系统旨在与现有计算硬件互补。Parmigiani 设想根据应用选择加速器，让数字电子设备继续处理不适合光学机器的工作。

主持人询问该项目在各种竞争方案中的定位，以及何时可能推出产品。Parmigiani 强调，这仍是研究项目，前方还有重大的技术挑战；她没有给出商业发布的时间。

Parmigiani 回顾了项目的起点，以及围绕项目组建团队的工作。一个小型研究项目需要汇集光学、电子、算法和机器学习等领域的专业人才。

讨论回到如何让底层物理设备完成有用的计算。团队必须证明算法能够映射到硬件上，并且机器的结果足够可靠，具有实际意义。

Berman 询问团队如何成长，以及开展研究的动机。Parmigiani 介绍说，约十人的团队跨学科合作，研究的问题并不只是比拼原始处理速度。

主持人尝试调出演示画面，但屏幕共享出现技术问题，打断了展示。因此，接下来是 Parmigiani 的口头说明，而不是一次成功的现场画面演示。

Parmigiani 说，团队从简单例子入手，相当于为这台机器编写一个“hello world”。他们探索了小型概念验证问题，包括与银行、医疗和 AI 推理相关的例子；这些是研究演示，并不代表完整的生产工作负载已经解决。

在一个推理示例中，模型先在 GPU 上训练，再将学到的权重映射到光学系统。Parmigiani 以手写数字识别为例，说明如何测试机器完成一项熟悉任务的能力。

嘉宾询问下一步需要做什么。Parmigiani 说，扩展规模和系统集成仍在进行中：有用的性能取决于整个系统，而不仅是单个光学元件。这项工作潜力很大，剩余的工程任务也很艰巨。

主持人简短讨论尼古丁与注意力，包括各自的经历和对其效果的推测。这些交流属于个人评论，不能作为疗法已获证实的证据，也不是使用尼古丁的建议。

随后，两人谈到有公司付钱让人们执行日常任务，供机器人观察学习。所讨论的报酬因任务而异，部分例子高达每小时 150 美元；目的在于收集示范，教机器人学习人类如何操作现实世界中的物体。

主持人想知道，这些示范能在多大程度上迁移到不同的厨房、物品和环境中。他们还考虑了卫生问题、人类示范者的水平差异，以及合成数据能否最终补充昂贵的真实世界数据。

他们更广泛的观点是，训练机器人需要的不止是令人信服的演示：数据必须包含真实任务所需的细节、多样性和可靠性。达到这一标准需要多长时间、花费多少，仍是未知数。

Berman 请来 Bluefish AI 首席执行官 Alex Sherman，讨论品牌如何出现在 AI 系统生成的回答中。Sherman 介绍了自己的业务：随着人们越来越多地向 AI 助手寻求推荐，公司致力于衡量并改善企业在回答中的呈现方式。

第一个问题是，品牌究竟能在多大程度上控制模型的回答。Sherman 将品牌是否出现与它获得多正面的描述分开看待；两者都对营销人员很重要，但都不完全受公司控制。

他认为 AI 回答与传统搜索结果页面不同。生成的回答会综合信息，而不只是排列链接，因此营销人员需要了解哪些来源参与了综合，以及哪些说法被反复引用。

嘉宾将这一新兴做法与搜索引擎优化相比较。传统搜索重视外部链接等信号；Sherman 说，AI 环境下的发现同样涉及第三方背景信息，但机制和用户体验不同。

Berman 询问，品牌自行制作的材料是否可能主导助手对消费者说的话。Sherman 表示，想要保持信任的助手应该同时参考独立来源和公司说法，尤其是在用户期待客观推荐时。

Sherman 区分了模型训练与回答时的检索。系统回答时可能查阅最新来源，让当前材料有机会进入回答；这并不意味着品牌可以直接改写模型的底层知识。

嘉宾讨论了对零售商至关重要的假日购物期。Sherman 预计助手和购物工具在产品发现中的作用会越来越大，同时承认实际效果取决于消费者如何使用各个界面。

主持人将普通付费搜索广告位与他们当时使用的 AI 产品进行对比。Sherman 讨论助手提供商最终如何通过购物或推荐获利，同时不损害回答的可信度。

Sherman 推测广告可能在 2026 年出现。这是他在 2025 年 10 月讨论时的预测，并非产品公告、已确认的发布日期或普遍适用的商业模式。

嘉宾询问，如果助手替人综合各种来源，人们将如何获取信息。出版商或品牌可能需要制作既对网站访客有用、也能帮助系统组织准确回答的内容。

Sherman 讨论智能体购物，以及品牌如何区分自动化访问者与真人。具体情况因平台而异；嘉宾将大规模自主采购视为正在出现的可能性，而非已经实现的事实。

Sherman 说，Bluefish 与大型品牌合作，利用具有代表性的问题来衡量 AI 曝光度，目的是了解公司何时出现、如何被描述，以及回答关联了哪些来源。

Berman 将这项工作比作营销人员熟悉的搜索引擎周期：算法发生变化，营销人员随之调整。Sherman 承认各个系统会不断演变；他主张建立有用且权威的信息，而不是只依赖短期技巧。

嘉宾讨论付费分发与优质内容之间的平衡。Sherman 的观点受到自家公司业务的影响：他认为品牌信息与可信的独立报道有助于提高被发现的机会，但没有声称能保证排名。

Sherman 说，大公司可以发布大量第一方信息，但其他来源仍然重要。使用独立信息的助手可能比单纯重复企业宣传语的助手给出更可信的结果。

嘉宾考虑品牌可能需要应对多少种不同的 AI 界面。与由一家熟悉的搜索引擎主导的市场不同，这里既有通用助手，也有零售商系统和其他界面，各自可能使用不同来源。

Sherman 和主持人讨论这种变化为初创公司和成熟营销团队创造的机会。他们最后提出，企业应先了解客户如何提问，再决定哪些渠道和内容值得投入。

主持人转而讨论一封呼吁禁止超级智能的公开信。他们认为 AI 继续进步可能带来收益，并质疑全面禁令是否有效，同时也承认能力不断增强的系统可能造成严重伤害的担忧。

他们描述了一种快速“硬起飞”的可能性：在人类解决对齐问题之前，AI 能力就开始加速提升。这是人们担忧的一种情景，并非已经证实的预测；讨论中还提出了更渐进的过渡可能。

主持人邀请 AI 创作者 Matt Wolfe 发表看法。Wolfe 表示，他重视技术进步，但也希望人们关注安全并建立某种形式的监管；他询问，随着系统改进，制衡机制在实践中如何发挥作用。

嘉宾争论，限制措施能否在不同公司和国家之间落实。Wolfe 指出，聪明人可能找到绕过限制的办法；主持人则质疑暂停或禁令如何适用于研究，以及不受其管辖的参与者。

他们还讨论商业激励与安全承诺之间的张力。问题在于，当一家机构有强烈动力发布能力更强的产品时，它应如何对风险负责。

Wolfe 披露了与讨论中的 AI 生态企业相关的投资，包括 Factory 和 Leonardo，以及与 Canva 有关的股权。这有助于读者同时从投资者和评论员的角度理解他的立场。

嘉宾讨论把数据中心送入轨道的提议，包括充足太阳能的吸引力。他们谈到 Starcloud，以及太空基础设施可能避开部分地面限制的设想，同时承认可行性和经济效益尚不确定。

屏幕上展示的一篇批评文章指出，太空是真空环境，无法通过普通空气对流为设备散热。热量必须通过辐射排出，这引出散热器尺寸、发射质量、维护和维修故障硬件的成本问题。

主持人权衡这些反对意见与尝试雄心勃勃的工程项目的吸引力。即使轨道上能够获得电力，网络延迟、硬件故障以及把设备运入太空的实际难题，仍然是重要的设计约束。

话题转向机器人和自动驾驶汽车，包括对 Tesla Optimus 的印象和乘坐 Waymo 的经历。这些个人经历既展示了运作中的演示有多引人注目，也说明实际部署在多大程度上依赖日常场景中的可靠表现。

嘉宾争论 AI 投资是否存在泡沫。Wolfe 区分了技术的持久价值与为特定资产支付的价格：尽管互联网改变了世界，互联网泡沫时期的许多投资者仍然遭受了损失。

他们查看图表，比较当今大型科技公司的估值和资本支出与 20 世纪 90 年代末的情况。这些比较是关于估值的论据，并不能证明当前支出安全，也不能证明任何公司都不存在估值过高的问题。

讨论还涉及循环融资，以及购买基础设施、相互投资的公司之间可能存在的资金流动。嘉宾认为有必要审视底层需求和经济效益，但对这种模式与泡沫有多相似意见不同。

主持人讨论 Anthropic 已宣布使用 Google TPU 算力的计划，其中包括计划在 2026 年部署最多 100 万枚芯片。他们将已公布的基础设施安排与未来可能向其他客户销售硬件的猜测区分开来。

Wolfe 和主持人比较云端 AI 服务与本地运行模型。云端提供大型模型和托管基础设施；本地机器则可能因为隐私、控制、实验，或必须留在本地的工作而具有吸引力。

Berman 披露 Dell 向他提供了机器。他谈到测试本地模型的经历，说在一些并排比较中，向云端发送请求并接收结果，比在本地机器上推理更快。

Berman 说，NVIDIA 将 DGX Spark 描述为一款主要目的并非提供最快推理速度的机器。他认为，它可能适用于训练、微调和小型组织的本地 AI 系统，包括将少量机器连接起来使用。

Wolfe 介绍了自己配备 M3 Ultra 和 256 GB 统一内存的 Mac Studio。他指出，一些现代图像和视频工具依赖 NVIDIA 的 CUDA 生态，因此内存充足本身并不能保证兼容性或良好性能。

下一位嘉宾是财务规划与分析平台 Runway 的首席执行官 Siqi Chen。这家 Runway 是财务软件公司，并非同名的生成式视频公司。Chen 说，产品连接业务数据，旨在让不同部门都能理解财务模型。

Chen 将财务模型比作模拟系统或游戏引擎：它让公司探索今天的决策可能如何影响未来。在许多组织中，财务、销售、工程和产品团队各自维护独立的电子表格，其他人很难理解。

他说，Runway 的目标是将财务信息与招聘、销售、营销和工程数据连接起来，建立对业务的共同认识。更直观的模型可以帮助财务部门之外的人理解假设和后果。

被问及巨额云计算合同的销售佣金时，Chen 表示自己没有内幕消息。他猜测，这种规模的交易通常由首席执行官或创始人亲自处理；他的回答是推测，并非对某份具体合同的描述。

主持人询问 Runway 的 Burn Rate 辣酱。Chen 解释，活动推出一批限量辣酱，每瓶附一张 100 美元钞票，售价 13.99 美元。这是一笔刻意亏本的消费品交易，旨在让人们关注其软件业务。

Chen 说，此前一次活动使用了封在定时锁包装里的夹克。那次经历促使团队开发消费品，他们与辣酱合作伙伴一起尝试了许多候选口味，最终选出一款。

Chen 估计，200 瓶辣酱的活动成本大约为三万多美元，并从潜在客户和软件销售的角度计算预期回报。他先提到 10000 份预订，后来又说约 4000 份；这些相互矛盾的数字是他的直播表述，并非经过验证的转化结果。

他解释，按照假设的销售转化率，即使只有一小部分感兴趣的人符合 Runway 的理想客户画像，也可能让活动值得投入。预计回报倍数取决于这些假设，不是已经实现的收益。

Chen 展示了这个概念如何源自 Cal 的一封陌生邮件；Cal 后来成为营销负责人。能量饮料和跑步俱乐部等提议引出了更广泛的想法：用精心设计的消费品让企业软件营销脱颖而出。

他将包装、摄影和网站的成果归功于营销与设计团队。他认为，这些额外投入让辣酱带来的体验更令人难忘，而不只是给瓶子贴上一个标志。

由于只有 200 瓶，Chen 说公司会优先考虑目标财务受众，同时探索服务其他人的方式。他提出，目标受众之外的买家可能要支付更高价格；这只是一个想法，并非最终确定的方案。

主持人将活动与更大的问题联系起来：随着 AI 生成内容越来越多，独特的品味和人类投入的证明可能变得更有价值。Chen 比较了日常廉价袋子与奢侈品，后者的吸引力包括工艺和身份象征。

Chen 说，这款辣酱鲜香浓郁、以鲜味为主，并谈到自己对辛辣食物的喜好。主持人询问能否得到一瓶，Chen 表示会与团队跟进。

Chen 补充说，团队曾鼓励一些投资者假装对此感到恼火，并考虑之后详细公布活动获取潜在客户的经济账。讨论结束后，主持人向他致谢并结束直播。