Dylan Patel 谈 AI 智能体、军事用途、就业与算力竞赛

Matthew Berman 再次邀请 SemiAnalysis 创始人兼首席执行官 Dylan Patel，讨论瞬息万变的 AI 行业。Patel 表示，编程智能体大幅加快了公司的工作速度。两人的话题涵盖就业影响、模型的军事用途、与中国实验室的竞争，以及训练和运行 AI 所需的基础设施。

Berman 请 Patel 回顾上一次交谈时作出的预测。他们讨论了 GPT-4.5 的市场反响，以及 Meta 投资后 Scale AI 的发展。Patel 借此反思行业变化之快：当公司、产品和竞争环境不断变化时，准确预测十分困难。

两人转向初级程序员的前景。Patel 认为，模型如今能够处理越来越多曾为缺乏经验的开发者提供入行机会的任务。这并不意味着所有工程岗位会立即消失，但可能让入行之路更加艰难。

Patel 表示，公司正在广泛使用编程智能体。他举例说，个别工程师每天的账单高得惊人，分别约为 8000 美元和 5000 美元，并将成本与产出进行比较。这些只是团队中的个别经历，并非对典型成本或生产力的独立测量。

Patel 说，关键在于额外完成的工作是否足够有价值，能否抵消算力账单。他认为，如果一个小团队能完成原本需要多得多的人力和时间才能完成的工作，那么数额可观的年度推理预算也可能在商业上划算。

Berman 描述了自己使用 AI 工具的情况，说 Cursor 的朋友给他提供了 token。他用 OpenClaw 尝试处理邮件和销售等任务，同时认识到，让智能体访问业务系统需要设置保障措施。

这些例子说明，同一个模型可以装入不同工具，让它访问文件、指令和外部服务。两人都对实验速度感到兴奋，但他们的经历不应视为对智能体可靠性的受控比较。

话题转向 Anthropic 与美国战争部之间的争议。Berman 说，美国政府将 Anthropic 列为供应链风险，而 OpenAI 则达成了自己的协议。两人讨论军事用途限制上的分歧，以及合同措辞和执行究竟能提供多少保护。

Patel 认为，政府和企业作出决定的先后顺序很重要。两位讨论者区分了在涉密系统中使用 AI，与更棘手的问题：系统是否能在缺少有意义的人类控制时，用于国内大规模监控或自主作出致命决定。

Patel 讨论了 Anthropic 此前与政府合作的情况，并质疑这场争议的公开表述。他对企业动机的解读属于个人观点；访谈并未证实这些决定背后的私人对话或政治考量。

两人讨论了 OpenAI 的协议，以及供应商声明的限制在实践中可能如何运作。政策或合同并不等于模型部署方式的完整技术说明，他们也对某些公开声明是否足以令人安心持不同意见。

Patel 猜测了可能发生的幕后互动，也承认自己并不确定。这段交流讨论的是协议周围的竞争和政治背景，并不能证明任何特定的私人通话或指令确实发生。

Berman 问军方实际上可能使用什么模型。Patel 暂时猜测可能是较旧版本的 Claude，并指出涉密环境的限制。访谈并未证实具体版本和部署细节。

他们讨论了模型能力、涉密访问权限和基础设施与消费者体验之间的差异。军事系统可能依赖额外的软件、人工流程和数据连接，因此，仅凭底层模型名称无法判断它能支持哪些决策。

Patel 表示，这些应用仍处于发展阶段。Berman 追问 AI 辅助人类与自主武器自行决定行动之间的区别；尽管两人争论政府协议应如何划线，都认为这一差别后果重大。

话题扩展到情报收集和监控。Patel 表示，他不希望美国政府发展出他所认为与中国相当或更强的大规模监控系统。他认为，个人数据访问权的集中与战场用途是两个不同的担忧。

两人再次谈到执行问题：只有限制能够落实并受到监督，公开承诺才有用。他们讨论的是可能的风险和情景，并未提供某个特定监控或武器系统已经部署的证据。

Patel 质疑企业、政府和评论人士在争议中的动机。Berman 强调，许多相关军事行动属于机密，公众因此难以评估协议。他们对参与者意图的结论仍然只是解读。

两人思考更广泛的战略矛盾：强大的 AI 可以支持国家安全，也可能让人类难以审核的决策更容易大规模展开。争论的关键在于谁控制系统、允许哪些用途，以及有哪些监督机制。

Berman 问到社会动荡，以及 AI 对劳资力量平衡的影响。Patel 认为，幸福感不仅取决于绝对生活水平，也取决于人们如何与他人比较，以及是否觉得自己分享了经济进步的成果。

Patel 描述了一段漫长时期：物质条件有所改善，许多人却对自己的处境越来越不满意。他将这种感受与不平等和社交媒体联系起来，认为后者让人们看到经过精心挑选的他人生活画面。这是他对复杂社会趋势的个人解读。

对于 AI，令人担忧的是，即使生产力和总产出提高，收益的分配也可能不均衡。社会可以拥有更便宜或更好的服务，但如果劳动者失去议价能力，或看到机会集中在少数人手里，仍可能产生不满。

两人讨论企业利用自动化改变员工队伍，以及客户可能从更低成本或更好服务中受益。Patel 的观点是，总体收益不会自动补偿那些工作或职业道路受到冲击的具体劳动者。

Patel 以自动驾驶网约车为例，说明人们实际使用服务后可能改变对它的评价。他将 Waymo 与传统网约车比较，认为即使转型给司机带来棘手问题，更好的体验仍可能推动采用。

Berman 问，如果物质更丰富，同时就业却更不稳定，会发生什么。两人讨论了收入支持和全民基本收入等可能的应对方式，也承认单靠现金未必能解决社会地位、意义感或参与社会的感受。

Patel 强调，幸福感具有相对性和社会性，并非只由商品价格决定。他们对未来不平等和政策的讨论是一组预测和观点，并非 AI 应用已经产生的确定结果。

话题转向知识工作。Patel 认为，强大的智能体不再只对软件工程师有用：了解业务问题的人可以指挥编程智能体收集信息、分析数据并给出结构化答案。

他描述了一种分析流程：用户向智能体提出问题，让它启动其他智能体，然后审阅结果。所需技能不只是写一句巧妙的提示词，还包括设定任务、提供背景、评估工作，并在答案不完整时反复改进。

Patel 以财务研究为例。他建议，智能体可以比较公司披露材料和财报电话会的措辞，找出不一致之处或变化，供分析师进一步调查。措辞变化只是值得核查的线索，并不能证明公司或高管在说谎。

他认为，团队可以保留领域专长，同时将更多具体实现交给软件。了解一项分析需要证明什么的人，可以用智能体探索以前需要程序员逐步编写的方案。

Patel 表示，在采访时 Claude Code 尤其擅长这类工作，但他预计竞争工具也会普及。他区分了基础模型与围绕模型构建的系统：后者为模型提供工具、指令和执行长期任务的方式。

Berman 和 Patel 思考了不适应变化的员工会面临什么。Patel 认为，尽管工具及其相对表现变化很快，各种岗位的工作者都需要学会与这些系统协作。

Berman 问软件即服务企业是否面临危险。Patel 说，构建原型已经更容易，但做出演示并不等于能运营一项安全、可扩展的服务，后者还需要真实客户、可靠数据和持续支持。

Patel 描述了公司一位精通数据的员工如何借助 AI 承担更多构建工作。这个例子表明，领域专家可以打造更贴近自身需求的工具，不必让每一个想法都等待独立工程团队实现。

两人比较了小型内部工具与成熟的企业产品。模型能够编写代码，但把应用投入生产仍需要判断架构、维护方式，以及应用在真实工作负载下的表现。

Patel 表示，他仍在招聘，因为更快的执行速度也让公司能够争取更多业务。他没有声称所有雇主都会采取相同做法：AI 可能让一些团队拓展目标，也可能让另一些团队以更少的人参与竞争。

两人讨论了可能面临竞争的数据平台和专业服务。Patel 认为，现有软件企业的价值取决于数据、分销渠道和替代服务的难度等因素的组合，而不只是代码数量。

同样的内容充裕现象也出现在媒体行业。Patel 对 Berman 说，AI 让内容制作变得更容易，加剧了对注意力的竞争；即使内容总量增加，一个不断增长的频道仍可能从其他创作者那里夺走观众份额。

Berman 和 Patel 讨论了当发布成本下降时，创作者如何形成差异。在受众周围充满大量容易制作的内容时，信任、独到判断和获取信息的能力可能更加重要。

Patel 再次谈到他的预测：白领工作将面临巨大压力。他预计，在收益分配问题得到解决之前，企业和劳动者将经历一段转型。这是他的预测，并非对已经流失岗位数量的测量。

两人讨论企业如何将资源投入数据中心、能源和计算。Patel 将这些支出视为大公司高度重视 AI 的证据，但对未来现金流和投资的预测仍取决于不确定的企业决策和需求。

Patel 猜测，AI 可能引发政治反弹，政党联盟也可能发生变化。Berman 和 Patel 考虑了保护失业或转岗劳动者的政策可能具有的吸引力；两人都没有对选民或政治人物如何回应作出确定判断。

话题转向中国模型和开放权重模型的发展地位。讨论时，DeepSeek V4 尚未发布。Patel 谈了自己对其能力及其可能给美国开发者带来的竞争压力的预期。

Patel 表示，他认为 DeepSeek 通过在东南亚租用的算力获得了 Nvidia Blackwell 计算资源。这是他对训练基础设施的说法，并非对模型训练情况的核实记录，也不是某次非法运输的证据。

两人讨论能否发现或限制先进芯片的使用，以及不同司法管辖区的供应商可能如何提供算力。Patel 的说法带有猜测性质，访谈并未记录他所描述硬件的来源或所有权。

他们比较了模型实验室快速变化的产品，包括上下文长度、速度和价格。Patel 强调，随着供应商发布新版本、模型周边软件不断改进，某项任务的最佳模型也可能改变。

一个关键区别是公开可用的模型与围绕它构建的智能体框架。智能体将模型与工具、记忆、指令及工作编排方式结合起来；这些组件可以独立于模型权重选择开放或封闭。

Patel 描述了智能体系统如何跨不同模型复用技能和指令。这种可移植性可能让用户更换底层模型而无需放弃整个工作流，但性能和可靠性仍取决于具体模型与工具。

两人以 OpenClaw 为例，讨论快速发展的开放生态。它的吸引力在于能够将个人智能体连接到有用的服务，但这些连接也带来权限、安全和提示注入风险。

Patel 认为，应该分别评估模型能力和周边系统的质量。更好的界面或工作流程可以让模型更实用，而训练更强的模型需要大量数据和算力。

他们比较不同实验室如何使用现有计算资源。Patel 说，提高效率很重要，但他也预计实验室在有条件时会使用更多算力改进模型。这是对竞争格局的分析，并非适用于每次训练的普遍规律。

Berman 提到 Anthropic 于 2026 年 2 月提出的指控：DeepSeek、Moonshot AI 和 MiniMax 利用 Claude 输出进行工业规模的蒸馏。画面展示的是 Anthropic 的说法；访谈没有独立核实这些指控或相关活动背后的身份。

Patel 和 Berman 讨论了蒸馏的含义：开发者使用一个模型的输出作为另一个模型的训练数据。他们将这种做法与模型偶尔输出另一种语言的文本区分开来；仅凭后者无法确定训练数据的来源。

两人对所指控活动的重要性存在分歧，并将其与训练中使用公开网络材料的做法比较。他们提出了服务条款、竞争优势和归属问题；做法之间的相似之处并不能决定其法律或道德地位。

Patel 表示，训练数据和方法很重要，但他不接受把每个强大的中国模型都简单归结为复制品。两人讨论了外界无法查看实验室完整数据和流程时，评估训练相关说法的难度。

Berman 问及封闭系统与开放系统。Patel 说，开放生态正在智能体软件领域产生影响，即使当时最强的模型往往以托管服务的形式提供。他将模型是否开放与周边应用是否开放区分开来。

Berman 看重本地运行模型带来的隐私和控制权。Patel 同意本地推理有其用途，但表示用户必须考虑所需硬件的成本和能力，以及硬件能运行的模型的质量和速度。

他们讨论了连接邮件和其他系统的智能体的安全性。便利可能诱使用户授予广泛权限，而隐藏在检索内容中的指令可能试图改变智能体的行为。访问控制和仔细审查是实际权衡的一部分。

Patel 举例说明，有人组建昂贵的硬件设备在本地运行大型模型。他认为，数据中心可以服务众多用户并利用批处理，经济性可能优于让类似设备闲置在每个用户家中。

Berman 偏好本地运行，反映了另一项优先考虑：让敏感信息处于个人控制之下。Patel 回应说，用户和企业会在隐私、延迟、质量和成本之间作出选择，而非全部采用同一种部署模式。

话题转向硬件市场的限制。Patel 预计，AI 基础设施的需求会影响内存等组件，进而影响设备价格和算力供应。他对价格和需求的展望属于预测。

两人讨论买家对芯片和计算容量的竞争。购买决策取决于预算和运行任务的价值，而供应商必须在不同市场之间分配有限的制造与基础设施资源。

Berman 问及 Microsoft 首席执行官 Satya Nadella 对 AI 资本支出的评论。Patel 的立场更激进：他认为，如果需求继续增长，未能确保足够基础设施的公司可能错失重大机会。

Patel 区分了数据中心计划与实际建成、通电并可用的容量。公布的投资数字可能跨越多年，而项目受建设、芯片、电力等条件制约。

他认为，更便宜的推理可以扩大具有经济价值的任务范围，而不只是减少总支出。他举出的成本下降例子指的是不同时期的可比工作，并不能证明所有工作负载都会以相同速度降价。

两人承认 AI 投资可能无法达到预期。不过，Patel 表示，他看到的需求使基础设施持续扩建成为合理的可能性。他的判断取决于未来的使用、融资、部署和回报，而这些目前尚不明朗。

他们再次谈到快速增加容量的困难。即使一家公司愿意大笔投入，也无法立即获得电力、设施和硬件；这些瓶颈决定了新 AI 服务能够推出的速度。

最后，Berman 问谁会赢得通往人工超级智能的竞赛。Patel 回顾了自己此前对 OpenAI 的支持，也承认目前许多人更看好 Anthropic。他将自己的选择视为对快速变化的竞争格局的预测，而非已确定的结果。

两人指出，新模型的发布可能迅速改变人们对领先者的看法。Patel 坚持自己的预测，同时承认存在不确定性；采访结束时，Berman 感谢了他的分享。