The Future Live：开放模型、算力市场与科技媒体的未来

Matthew Berman 和 Nick Wentz 在 2026 年 4 月 3 日的节目开场回顾近期发布，随后迎来 Ben Pouladian、Wayne Nelms 和 Jayden Clark。讨论涵盖开放模型、AI 基础设施以及科技媒体的商业模式。

主持人从 Google 的 Gemma 4 系列谈起：E2B、E4B、260 亿参数的混合专家模型和 310 亿参数的稠密模型。Google 将其描述为采用宽松许可证的开放模型。Berman 欢迎可以在本地运行的小型模型，也看好具有商业用途的较大版本。

Berman 想象了一种混合式未来：托管的前沿模型处理高难度研究和编程，较小模型则在设备上完成许多日常任务。本地处理可能有优势，但特定模型能否在设备上顺畅运行，取决于内存、格式和工作负载。

Wentz 询问，本地部署本身是否是普及的主要障碍。Berman 认为更大的障碍是人们还不了解当前系统的能力。他预计，当公司将 AI 融入熟悉的产品，让有用操作自然发生，而不必让用户学习单独的界面时，使用率会提高。

主持人以拥有大量用户的 Google Workspace 为例，但 Berman 认为它的 AI 仍像是后加上去的。Wentz 指出，大公司可以从广泛的用户反馈循环中学习。两人都把无缝集成视为机会，而非证明某个产品已经解决了这个问题。

他们引用早期 Arena 排名，以及一篇比较 Gemma 与 Claude Sonnet 4.6 研究生级推理得分的帖子。Berman 提醒，基准成绩不同于将模型作为可靠的日常主力使用。他说自己同时使用 Sonnet 和 Opus，并打算先在本地测试 Gemma，再判断其实用价值。

Berman 说，他在 DGX Station 上运行过 Gemma，在自己的配置中观察到每秒约 100 个 token，并预计软件优化能提升表现。这只是单一硬件和配置下的报告，并非通用速度。

主持人接着讨论 Alibaba 的 Qwen 3.6 Plus，将其描述为部分面向智能体编程的托管多模态模型。他们提到 100 万 token 的上下文窗口以及公布的价格和基准成绩。Berman 尚未测试，并指出偏好本地保存数据的用户需要权衡隐私和托管方式。

Berman 将上下文窗口与 Gemma 进行比较，说自己的本地配置使用过约 270 亿参数的 Qwen 3.5 模型。他喜欢这一规模适用于自己的工作流程。他也承认，快速增长的 OpenClaw 代码库变得复杂，需要整理；这是快速发展的软件项目中常见的问题。

主持人提到 Qwen 用户数迅速增长，但对时间范围和统计口径并不确定，因此这一说法未经核实。Berman 认为，当本地控制和成本比使用能力最强的托管模型更重要时，组织可能选择开放权重模型。

他们讨论了有关 Qwen 人员离职的报道，并推测从研究转向产品开发可能产生矛盾。两人都没有声称直接了解离职研究人员的动机。Berman 指出，研究实验室将成果商业化时也可能经历类似转变。

接下来的话题是 Cursor 3。Wentz 喜欢它的智能体窗口，以及在隔离工作树中并行运行智能体的能力。Berman 说自己提前获得了使用权限，喜欢更简洁的界面，并认为编程工具正在向围绕智能体对话及监督所需上下文的工作流程趋同。

Berman 披露 Cursor 向他提供免费 token，自己因此对它有偏好。Wentz 认为该产品试图成为软件开发的操作层，而不仅是代码编辑器。Berman 说，尽管他也能熟练使用终端，个人仍更喜欢图形界面。

主持人转向 Artemis II 发射。Berman 讲述自己与儿子一起观看，之后儿子开始制作火箭模型。在他看来，这种立即产生的兴奋感说明，太空飞行能够激励孩子探索科学和技术。

他们展示 NASA 计划的轨迹：四名宇航员绕月并返回地球，总行程约 68.5 万英里。Artemis II 是载人飞行测试，而非登月。主持人称 Artemis III 将执行下一次登月，但 NASA 在 2026 年 2 月修订的计划中，将 Artemis III 定为地球轨道系统测试，并以 2028 年的 Artemis IV 为登月目标；时间表可能变化。

主持人简短地将任务带来的兴奋与科幻作品联系起来，讨论了《Project Hail Mary》和《The Martian》。Berman 喜欢前者的电影，但说其风格比他通常偏好的黑暗科幻更轻松。

Wentz 询问 Meta 在追求先进 AI 的公司中处于什么位置。Berman 勾勒了一个反馈循环理论：编程模型可以带来企业收入，也能帮助构建用于后续模型的工具。他认为 OpenAI 和 Anthropic 从这种循环中受益，而 Meta 的消费产品带来了不同的优先事项。这是他的假设，而非对这些公司发展过程的已证实因果解释。

Berman 想知道 Meta 专注 Facebook、Instagram 和 WhatsApp，是否使它更缺乏专攻编程、数学和科学的动力。他也考虑了相反的可能：优秀的编程模型或许能泛化到消费任务。他将这种取舍视为开放问题，并征求观众意见。

Wentz 回应说，Meta 的广告收入使其拥有雄厚财力，但他也认为反馈循环的问题值得探讨。主持人认为 Google 同时拥有企业和消费渠道。他们的比较是战略解读，并非对任何公司未来前景的量化排名。

首位嘉宾、BEP Holdings 和 BEP Research 的 Ben Pouladian 加入讨论 AI 基础设施。谈到 Meta 时，他认为其社交关系网络和 WhatsApp 分发渠道可能支持低价的消费助手或更广泛的商业应用，尤其是在美国以外。这是他提出的情景，而非产品保证。

Pouladian 说，社交背景、购买记录和人生事件可能使个性化服务更有用，但这取决于数据实际如何使用和治理。Berman 补充说，广告支持的产品若要服务大量用户，可能不需要成为最佳编程模型。两人都在推测可能的战略与取舍。

Pouladian 回顾了自己学习电气工程、接触半导体设备和投资银行业务，以及经营 LED 照明企业的经历。他说自己在 DGX-1 时期开始投资 Nvidia，后来开始写文章，向朋友和读者解释该公司的硬件与软件体系。

他介绍了参加 Nvidia GTC 大会并与工程师交流的经历。主持人称赞黄仁勋内容详尽的主题演讲，以及他解释广泛路线图的能力。他们的热情来自亲临活动的个人体验和 Pouladian 对该公司的长期关注。

Pouladian 说，Nvidia 已从销售单个芯片转向整合式机架，以及他称为 token 工厂的设施，即为生成 AI 输出而设计的数据中心。Berman 追问这一转变如何将处理器、内存、网络和冷却组合成完整体系。

Pouladian 回忆早期 GTC 上关于软件生成软件、AI 辅助科学工作的预测。他将更好的工具与改进芯片或模型之间的反馈描述为一种递归。自我改进循环的强度和速度是他的解读，并非本次对话测量出的结果。

在 Pouladian 看来，限制因素已不只是处理器速度。内存访问、组件间的数据移动、互连和热量都会影响大型系统的表现。因此，设计的单位从单个芯片扩展到机架和数据中心。

Berman 补充说，智能体读写数据的频率可能远高于人类主导的工作流程，从而暴露按不同使用模式构建的基础设施中的瓶颈。主持人以存储耐久性和闪存为例进行讨论。他们举出的读取次数只是示例，并非特定工作负载的测量值。

Pouladian 认为 ChatGPT 是 AI 普及的早期转折点，智能体工作流程可能成为下一个转折点。他说并行智能体和工具调用可能消耗更多算力和 token。他提到的倍数只是说明性例子，而非对整个行业的量化结果。

Berman 和 Pouladian 都提到自己遇到使用频率限制，并将其解读为强劲需求的迹象。Wentz 询问有关 AWS 尚未淘汰 A100 GPU 的报道。Pouladian 认为，即使新硬件出现，只要软件改进让旧加速器仍能用于工作负载，它们就可以保有价值。

Pouladian 认为，新硬件可以降低单位输出成本，而旧设备仍可能为客户服务。实际经济性取决于采购成本、利用率、电力、软件和工作负载。他预计硬件与软件会更紧密地整合，但也指出其他供应商正在推理成本方面竞争。

被问到人们应关注什么时，Pouladian 说行业正变得更加复杂，并越来越围绕全栈设计组织。他认为推理是商业模式的核心，将训练比作准备食材，将推理比作烘焙面包。

Pouladian 提出他的“token 美元”论点：许多 AI 服务购买算力、添加软件，再销售模型输出的使用权限，因此算力成本和定价会影响利润率。他预测算力稀缺的重要性将超过石油稀缺。这是一种投资导向的观点和预测，并非对能源或大宗商品市场的定论。

他说数据中心融资、电力和容量规划都很困难，并介绍下一位嘉宾提出的算力价格对冲市场。Berman 说他希望能源限制减轻。Pouladian 最后请听众关注 BEP Research 和他的硬件访谈。

Ornn 联合创始人兼首席技术官 Wayne Nelms 加入节目，讨论 AI 算力的金融基础设施。他介绍自己在 MIT 学习数学和计算机科学、交易股票期权，随后与朋友创办公司的经历。Ornn 提出的产品包括价格数据和旨在帮助分配、管理算力相关风险的工具。

Nelms 认为，数据中心需要大量资本投入，融资方希望未来收入和成本更加确定。他建议期货、掉期和其他对冲工具可以帮助转移部分风险，让融资更容易。这是其公司提出的用途，并不能证明这些工具可以消除投资风险。

Wentz 问为什么 GPU 交易差异这么大。Nelms 说合同都是定制的，价格不透明，容量、条款和可靠性的差异使规划困难。他认为信息更充分或议价能力更强的参与者可能从这种不透明中受益。

主持人请他从基础解释算力交易。Nelms 介绍，买家寻找容量，拥有者希望出租 GPU，双方往往通过经纪人交易。他说交易中可能有多个中间人，并认为更好的市场信息和流动性可以提高交易效率。

Berman 问，如果需求似乎持续高于供给，市场如何运作。Nelms 回答说，价格有助于平衡供需，而购买未来容量的能力也有助于参与者规划。交易重新分配资源或转移风险敞口，本身并不会创造实体算力。

谈到 Hyperbolic 时，Nelms 说 Ornn 通过与数据中心的关系帮助采购和交付容量，并以交易历史作为回报。他将数据收集描述为价格指数的基础，其中包括买家实际每小时为 GPU 集群支付的价格。

Nelms 还提到 Hydra Host 是交易信息来源之一。他表示目标是汇总分散市场各部分的价格，并强调，如果用户要比较合同和评估市场状况，数据来源的质量与覆盖面很重要。

主持人询问 Ornn 的 GPU 价格指数出现在 Bloomberg 上的意义。Nelms 说，更广泛的访问有助于买卖双方将自己的交易与参考价格比较。报价指数的实用性取决于其底层数据和方法与所比较合同的匹配程度。

Nelms 说 Ornn 还希望帮助数据中心利用闲置 GPU 容量获得收入，否则这些容量随时间流逝便无法使用。他描述了一个潜在反馈循环：更多供给方合作伙伴可以改善交易数据，并支持更高的流动性。这是一项商业计划，并不保证一定有买家或最低回报。

Wentz 提到 LIBOR，询问指数被操纵的可能性。Nelms 承认数据完整性方面的担忧，并说 Ornn 正努力扩大来源，避免少数交易推动指数。他认为记录实际成交价格而非报价有所帮助，但这一设计或 Bloomberg 上市本身都不能证明指数不会被操纵。

Nelms 解释，交易记录带指的是已完成交易的价格记录。他说 Ornn 希望将此类数据与闲置容量市场结合。主持人总结这一交换：供应方可能找到租户，公司则收集实际交易的信息。

Nelms 说他的团队认为，随着模型更容易替换，基础设施和每个 token 的成本可能越来越重要。他认为为底层设施融资是一个有前景的机会。离开后，主持人认同单个模型可能可替换，而已经建立的智能体工作流程可能使切换更加困难。

MOTS Podcast 创始人兼主持人 Jayden Clark 加入，讨论 OpenAI 收购科技节目 TBPN。Clark 开玩笑说自己检查了日期，确认公告不是愚人节玩笑，随后祝贺 TBPN 团队。OpenAI 于 2026 年 4 月 2 日宣布收购，并表示编辑独立性是安排的核心。

被问到 OpenAI 能从中获得什么时，Clark 认为节目主持人 John Coogan 和 Jordi Hays 平易近人，可能改善公司的公共传播。他形容他们的风格乐观且相对中立。这是 Clark 对节目吸引力及买方激励的解读，并非 OpenAI 私人动机的声明。

Clark 说自己曾在节目早期短暂与其合作，并称主持人在镜头前后都很讨人喜欢。Wentz 欣赏他们乐观且在他看来平衡的语气。Berman 认为该节目一直有自己的视角，并质疑那些假设它此前没有偏见的批评。

众人讨论了大额付款和新所有者是否可能在没有明确干预的情况下影响报道。Clark 说编辑独立性在实践中的含义仍有待观察。OpenAI 的公开承诺是对这一安排的承诺，本身并不能确定未来每项编辑决策将如何作出。

Berman 问 OpenAI 如何在承诺不控制节目的同时寻求改善公共传播。Clark 说他无法知道答案，但认为 OpenAI 的沟通文化相对宽松。他推测竞争实验室可能如何回应，并明确表示这是局外人的看法。

Wentz 说，信任和嘉宾观点的多样性对观众很有价值，但他担心资助方同时拥有节目时可能出现自我审查。主持人和 Clark 认同，这种关系的影响要通过实际运作才能比单靠公告看得更清楚。

众人讨论出售时机和报道中的收入增长。Clark 说，创作者必须处理赞助商续约以及维持受众增长的压力，因此在上升期出售可能带来确定性。他也提出一种可能的下行情景，同时承认自己不了解 TBPN 的私人指标或出售原因。

Berman 问这次收购对新媒体意味着什么。Clark 希望科技公司认识到，独立创作者能够有效触及技术团队可能难以直接接触的受众。他认为既懂技术又懂媒体的创作者可能成为有吸引力的合作伙伴或收购对象，但交易潮只是他的预测。

被问到直播是否不可或缺时，Clark 认为对赞助商或买家而言，受众价值比形式本身更重要。他说，相对较小的创始人、高管和投资人受众，对希望接触他们的公司可能很有价值。这一评估反映了他在科技媒体细分领域的个人经验。

Clark 介绍了自己尝试调整 MOTS 在 X 上的呈现方式，后来改为发布带时间戳的节目，让观众选择片段。他将其与 YouTube 对比，认为后者更适合长时间观看。这些是他对自己分发策略的观察，并非对两个平台的普遍测量。

主持人拿 Clark 的健身房访谈和赞助开玩笑。Clark 说低制作成本的形式让他更容易快速发布，包括及时回应新闻的节目。在 YouTube 上，他也尝试更精心制作的健身房访谈系列和体能挑战，以留住观众。

Clark 说，他希望继续 MOTS 的核心形式，同时发展制作更精良的系列。众人简短讨论一名嘉宾一分钟完成 72 个俯卧撑，作为该节目挑战的例子。Clark 既重视简单形式的灵活性，也重视为长时间观看设计的尝试。

Berman 提出，X 是建立影响力的地方，YouTube 则适合扩大覆盖面。Clark 认同 X 可以迅速传播观点，而 YouTube 更自然地适合长内容观看。两人描述的是自己的创作者经验，不同受众可能有不同的行为。

Clark 对比了他印象中早期更以关注关系为中心的 X 信息流与较新的推荐系统；后者可以展示用户现有网络之外的帖子。他认为爆款帖子的潜在传播速度和覆盖面解释了科技公司为何关注该平台。这是他对平台行为的描述，而非对算法的独立审计。

主持人感谢 Clark，并开玩笑说另一家 AI 公司可能收购 MOTS。节目最后，他们也感谢 Pouladian 和 Nelms，回顾了开放模型、硬件、算力市场和不断变化的科技媒体商业模式等话题。