AI 智能体、开放模型与推理：Reflection AI、Microsoft 和 Cerebras 嘉宾畅谈未来

Matthew Berman 和 Nick Wentz 假期归来，介绍嘉宾：Reflection AI 的 Ioannis Antonoglou、Microsoft 的 Sam Schillace 和 Cerebras 的 Andrew Feldman。讨论将从强化学习、生产力延伸到推理硬件。

Wentz 回忆参观 Cerebras 俄克拉荷马城数据中心时看到的发电机和电池室。停电时，电池负责在备用发电机启动前的短暂间隔内供电。

Berman 描述了参加 NVIDIA 在 CES 活动的经历，称公司常在主展厅之外的私人活动中展示技术。主持人还打算询问 Feldman 关于 NVIDIA 与 Groq 安排的问题；Wentz 提到他持有 Groq 股份。

第一条新闻是 NVIDIA Alpamayo，一款发布了开放权重和代码的驾驶研究模型。主持人认为合成数据可能有用，但发布模型或展示演示并不能证明自动驾驶部署是安全的。

Berman 提到 1700 小时，并认为数据几乎全部是合成的。NVIDIA 2026 年 1 月的公告则称，发布的数据集包含超过 1700 小时采集的驾驶数据；公司也发布了仿真工具。公告没有证明该数据集就是模型全部训练数据。Berman 表示，Mercedes 影像只是演示，需要在真实环境中验证。

Wentz 对比了 Waymo 结合传感器和地图的方法，以及 Tesla 以摄像头为重点的方法。他猜想仿真是否能缩小积累道路数据所带来的优势，但这仍是需要实证回答的问题，并非数据优势已被消除的证明。

Berman 将 Alpamayo 描述为主要依靠视觉，并与 Tesla 的方法比较。他指出其他车企增加了激光雷达，认为传感器较少的车辆可能更便宜；主持人并未确立两者的安全性比较或实际部署成本。

Wentz 设想更多车辆使用自动驾驶，进而减少碰撞、交通拥堵或排放。这些是潜在收益，而非已测得的结果。Berman 则想知道车辆之间的协调能否进一步改善交通流。

主持人读了一则比较 Alpamayo 和 Tesla Full Self-Driving 的网络观点，以及埃隆·马斯克祝 NVIDIA 成功的回复。这些帖子表达的是观点，并不能确立直接的安全性或能力比较结果。

Berman 描述了一次雨中乘坐 Tesla 的经历：车辆驶过蜿蜒街道和高速公路，给他留下深刻印象。他说这增强了他对视觉系统的信心，但一次个人旅程不能证明系统对不同驾驶者、环境或车辆都安全。

主持人欢迎 Reflection AI 联合创始人、首席技术官兼总裁 Ioannis Antonoglou，并询问从他在 DeepMind 的早期经历以及《The Thinking Game》展示的发展以来，行业发生了怎样的变化。

嘉宾回忆，DeepMind 早期团队是一群追梦者，追求着许多人认为极其宏大的目标。回首过去，他惊叹于大约 15 年间发生的变化。

Antonoglou 回忆 2012 年加入 DeepMind 时，公司规模很小，目标也显得极为远大。他记得 AlphaGo 周围的预期变化有多快：成果发表前不久，一些专家还认为达到职业围棋水平要许多年。

他说，更大的模型、更多计算和强化学习继续推动系统进步。他提到数学和软件方面的进展；这些例子是他对能力的判断，并不能证明系统在每项任务上都达到顶尖专家水平。

Antonoglou 对比了早期预期和如今能够处理人类需花数小时完成的任务的编程智能体。这些例子描述的是特定任务，不能证明其在所有软件工作中都能可靠自主运行。

谈及规模扩展的限制，Antonoglou 认为整个技术栈仍有改进空间，并将计算资源与新想法一起视为主要驱动力。他没有保证任何特定扩展趋势会持续。

Antonoglou 解释，最初的 AlphaGo 先学习预测职业棋手的落子，团队再利用自我对弈和强化学习建立价值函数，估计棋局的优劣，并结合向前搜索。

价值函数估计棋盘状态对一方有多有利。Antonoglou 说，AlphaGo 将对有前景的人类式落子的预测与学习得到的价值估计结合，向前搜索可能的走法。

Berman 问，在创意写作等没有客观可验证结果的领域如何使用强化学习。Antonoglou 说，人类或 AI 评判者可以比较答案、提供偏好反馈，但主观判断不同于棋局中的胜负。

Antonoglou 警告，模型可能利用奖励模型的弱点：评判者可能偏好篇幅、项目符号或其他表面特征。人类评审也可能有偏见，因此在可行时客观评价尤其有价值。

嘉宾指出，主观工作仍可以通过人类或 AI 的偏好构造奖励。代价是，这类判断可能被钻空子，不能提供与赢得一盘棋相同的客观信号。

他补充说，主观任务还有衡量问题：甚至难以确定创意写作“好得多”究竟意味着什么。相比之下，棋局结果和评级提供了更清晰但仅针对特定任务的比较方法。

Antonoglou 说，他曾参与领导 Gemini 1.0 的人类反馈强化学习（RLHF）工作，并于 2024 年与 Misha Laskin 联合创办 Reflection AI。他相信，强化学习将成为预训练的重要补充，帮助构建更自主的系统。

Reflection 创立时押注仅靠预训练无法解决全部问题。Antonoglou 认为规模化强化学习能帮助构建能力更强的智能体，并将这一说法作为自己的研究展望。

他讲述了自己为 Gemini 团队寻找奖励模型负责人时认识 Laskin 的经历。两人在验证器和奖励模型上的合作促成了 Reflection AI 的创立。

Antonoglou 将开放权重与完全开源区分开来：发布权重不一定公开整个训练过程和配套材料。他认为共享模型有助于研究、更广泛的访问和开放基础设施。

他说，开放研究历来帮助领域内的人交流想法并在彼此成果上继续建设。他也希望先进模型能够供少数公司以外的研究者和用户使用。

谈到开放模型与封闭模型之间的差距，他估计为六个月到一年，并预测差距可能在一两年内缩小。这是他在 2026 年 1 月作出的估计和预测，并非经过验证的普遍排名。

Antonoglou 将他所认为的一部分差距归因于资源和计算能力的不同，并预测美国开放权重前沿会更强。他的说法体现了在该市场构建产品的公司的立场。

Antonoglou 认为，持续开发开放权重模型需要与之相容的商业策略。他说 Reflection 打算服务企业和主权客户，并提供托管端点，让用户试用模型。

他认为，发布权重的公司仍需要收入来资助持续研究。Reflection 计划提供托管访问，也表示正与合作伙伴协作，但他没有披露全部安排。

主持人引用了一项与 MIT 相关的企业 AI 采用估计。该数字来自范围有限的研究，并非所有实施项目的普查。Antonoglou 说，实际差距通常存在于模型能力与组织将其转化为端到端解决方案的能力之间。

Antonoglou 表示，仅提供模型或 API 可能不足以让企业掌握创造价值所需的技能。供应商可以帮助客户将工具整合进工作流程，并了解其适用与不适用的地方。

Berman 认为公司文化和迭代试验很重要。Antonoglou 同意，即使技术能力较强的企业，也可能需要供应商帮助整合模型、了解限制并部署有用的工作流程。

谈到安全，Antonoglou 承认集中访问权限的论点，但支持开放研究，认为更广泛的审查能发现盲点。这是他的政策主张；广泛访问也可能带来滥用风险，开放本身不能证明模型更安全。

他将开放模型比作开放软件，许多研究者可以检查弱点。这是他的论证；发布 AI 权重还会引发不同的滥用和控制问题。

采访后，主持人回顾《The Thinking Game》以及 DeepMind 在《星际争霸》和游戏上的工作。他们认为这些例子提醒人们反复实验可能带来进步，而不是证明强化学习能保证解决所有问题。

Berman 回忆游戏《Black & White》，主持人还讨论《Theme Park》中的模拟角色。他们的个人经历将早期游戏 AI 与后来吸引他们关注 DeepMind 工作的研究抱负联系起来。

主持人介绍 Microsoft 副首席技术官、Writely 联合创始人 Sam Schillace；Writely 后来成为 Google Docs 的一部分。Schillace 说他仍保留着第一份文档，尽管底层应用多年来已经重写并迁移。

Schillace 说，早期要解决的关键问题是让共享文档比发送邮件附件或在文件服务器上锁定文件更方便。由于浏览器和 JavaScript 工具尚不成熟，构建可靠的协作功能花了数月。

Schillace 回忆，并发编辑无法简单采用“最后写入者获胜”，否则参与者会相互覆盖内容。团队既要建立最初的网页界面，也必须解决协作协调问题。

团队大约于 2005 年开始开发，浏览器端使用 JavaScript，服务器端使用 C#。Schillace 说，这个概念只是事后看来显而易见：用户和开发者最初都质疑浏览器应用及云端文档。

当时用户必须同时理解几个陌生概念：文档可以是网页应用，可由多人编辑，而数据存放在别处。Schillace 说，这段经历影响了他评估技术变革的方式。

被问到人们如今可能低估什么时，Schillace 提到生成式 AI。他认为，如果习惯只问技术为什么行不通，就可能忽视技术改善后能够实现什么。

Berman 问为什么编程变化得比许多其他领域更快。Schillace 说，互联网也花了多年才成熟，AI 工具、基础设施和实践仍在发展。代码特别容易接入，因为它以语言为基础，能够自然连接文件和 API。

Schillace 认为编程特别适合当前模型，因为语言和工具已经结构化且易于访问。他预计其他领域的集成和实践也会改善，但没有说这些转变必然发生。

Schillace 介绍 Microsoft 的开放项目 Amplifier，以及一位产品经理在飞行途中用它协调小型调查、分析结果并起草研究文档的经历。这是他讲述的特定工作流程实例，并非对研究质量的已验证评估。

他说自己也用该工具制作 HTML 演示文稿。Berman 讲述一位初创公司创始人在与客户交谈时就开始实现所需功能的经历，以说明快速迭代的潜力。

Schillace 描述另一名工程师借助 AI 工具完成大量改动，并认为一些开发者如今能产出更多内容。仅凭改动数量不能证明质量、生产力或可靠性。

被问及更好的模型和更好的工具孰重孰轻时，Schillace 强调外围框架，包括控制平面、工作模式，以及结合代码和模型调用的配方。他的研究团队使用现有模型，探索周边工具能带来的额外效益。

他的团队将一些可重复使用的控制代码与模型行为组合称为“配方”。外围系统可以管理工作如何进行，而模型执行单项任务。

关于协作，Schillace 预计人类仍会参与。他描述自己并行运行多个编程会话，其中一个应用被系统报告为测试成功，但他说自己仍需要时间检查和评估结果。

他说，即使智能体认为自己成功了，人类也可能仍有大量验证工作。更多并行会话可能增加等待审查的产出，而不仅仅增加产出量。

主持人问，智能体能否相互审查以缓解人的瓶颈。Schillace 预计分层协调会增加，但他说升级到人类处理的问题可能更难，复杂性不会凭空消失。

对于工程领域之外的组织，Schillace 建议寻找内部推动者，一次改善一个瓶颈。如果另一个步骤仍限制整个系统，加快大部分工作流程的效果也会有限。

Schillace 建议把工作流程作为一个系统来审视，而不是假设局部加速会自动改善端到端结果。组织其他部分适应之后，下一个瓶颈可能转移。

他预计 AI 原生初创公司可能有优势，而老牌组织也需要处理现有系统的方法。他描述了一些团队试验智能体生成代码，审查外围系统而非每一行代码。

Schillace 将把代码视为输出，比作编程中更早的抽象层。他说自己用这些工具构建的东西比过去更多，但这一观察并不能普遍衡量各工程团队的生产力。

对于学生，他的实际建议是使用工具并动手构建。他认为设计、清晰的规格、更高层次的推理和思考期望结果会越来越有价值。

他借鉴个人计算机和早期互联网的经历，鼓励新人亲手实验，而不是把资深从业者的怀疑当作定论。这并不意味着每一种新工具或说法都是正确的。

他说自己如今在开始工作前会花更多时间思考目标和组织方式。如果生成的代码失败，他可能要求系统进行复盘，然后重新开始，而不是保留原来的实现。

Schillace 预测，一些软件会变得更轻、更专业，持久的意图和规格将比单次生成的实现存续更久。这是预测，并非可维护应用或人工审查已经过时的证据。

他将持久规格比作源代码，将单次生成的实现比作编译器输出。他设想的未来中，只要意图的行为保持明确，更改或丢弃实现就会更容易。

他还指出，AI 功能每次使用都会产生推理成本，因此价值必须足以支撑这笔支出。他与传统软件的比较是简化的经济模型；传统服务同样有运营和支持成本。

被问及 Satya Nadella 认为智能体可能吸收应用层大量功能的观点时，Schillace 同意行为可能转移到智能体，但表示用户习惯和必要的外围框架让结果仍不确定。

Schillace 描述如何根据对话和上下文生成单文件 HTML 演示文稿。他说行业尚未确定合适的用户体验，并将如今的阶段与早期互联网相比。

讨论软件即服务时，他认为即便用户能生成更多自己的界面，可靠的后端服务、数据管理、回滚和合规仍可能有价值。安全合规的运行需要设计和验证，不能直接假定存在。

他设想用户在可靠的共享服务上创建定制界面。在他看来，回滚和合规控制等保障将成为界面之下的产品价值的一部分。

Schillace 说，新模型和工具的发展速度令人兴奋，也让人疲惫。他能理解那些感觉自己连续几年都在充当早期采用者的开发者，并说职业倦怠是可以理解的。

Schillace 表示，快速发布的节奏让人即使持续努力，也感觉总是落后。他认为兴奋和疲惫都是当前阶段的真实体验。

Wentz 问及公众对 AI 的怀疑和恐惧，并讲述一则电影学院的见闻。Schillace 将其与早期云文档面临的两极反应相比，希望有用且易于使用的工具能帮助人们看到价值；怀疑也可能反映实质性担忧。

采访后，主持人称自己对 AI 持乐观态度，同时承认对部署和不平等的担忧。随后他们转向一场关于 AI 企业的推测性比较。

Berman 将 OpenAI、Anthropic 和 xAI 作为假设投资对象进行比较，并说他没有持有三家公司的股份。讨论是个人观点而非投资建议；他权衡了分发能力、产品重点、融资需求和竞争。

OpenAI 的规模和消费者分发能力在 Berman 的分析中很重要，同时开发大量不同产品既可能是优势，也可能分散注意力。他强调这只是推测性比较。

他认为 Anthropic 专注编程既是优势，也可能在竞争者挤满同一市场时成为风险。他把 xAI 快速建设基础设施视为优势，同时质疑其企业采用情况和相对模型地位。

对于 xAI，Berman 指出公司建设数据中心能力和开发模型的速度。他也说，自己听到的企业使用情况少于一些竞争者；这是个人见闻，而非市场调查。

Wentz 指出，与问题中的三家公司不同，Google 和 Microsoft 还有其他大型业务可以为 AI 投资提供资金。主持人讨论 OpenAI 广泛的产品抱负是否可能让资源过于分散。

Berman 说他会选择 OpenAI，因为自己经常使用 ChatGPT，也相信广泛的产品组合可能创造有价值的业务。这是个人假设，不是对未来回报的预测。

Wentz 指出，问题涉及的是靠私人融资的 AI 公司，而不是拥有大量成熟收入来源的公司。它们的融资能力及维持多条产品线的能力也是主持人讨论的一部分。

主持人查看一项 Polymarket 合约，内容是哪家公司将在六月底领跑特定模型排行榜。他们指出价格会随新闻变化，预测市场反映交易者的预期，并非对通用智能的直接测量。

他们讨论人类偏好投票如何影响竞技场排行榜，以及模型可能如何针对评估条件优化。单一排行榜或市场价格都不能确定哪个模型适合所有用途。

主持人质疑单个基准能否选出最佳模型。他们认识到实用性取决于任务，人类偏好排名和基准分数反映的是性能的不同方面。

下一条新闻是 ChatGPT Health。Berman 说自己刚获得访问权限，并描述连接记录时遇到的阻碍。OpenAI 将 Health 定位为支持健康对话、帮助准备就医的工具，而非医疗专业人员的替代品。

Wentz 对分享敏感信息感到矛盾，回忆自己使用基因检测服务前本该更仔细考虑隐私。他也看到帮助患者准备向临床医生提问的工具的潜力。

Wentz 认为，帮助人们理解检查结果和准备就诊的工具有潜力，同时也认识到分享医疗数据涉及敏感的隐私决定。他的个人经历不能证明任何供应商如何处理全部数据。

Berman 说，他会在与医生交谈前使用 AI 帮助解释检查结果，而不是用它取代医生。他设想提醒和更个性化的预防支持，但这些例子是期待，并非已证明的临床结果。

Berman 设想提醒人们预约体检或跟进旧血液检查结果。这些是对理想助手的设想，并不证明产品会独立监控所有记录或提供可靠医疗建议。

主持人再次强调提出有根据的问题和了解就医流程的重要性。AI 的解释可能出错，视频对主动支持的期待不能误认为诊断能力的证据，也不能替代医疗判断。

主持人欢迎 Cerebras 创始人兼首席执行官 Andrew Feldman，并回忆参观该公司俄克拉荷马城数据中心的经历。他们询问大芯片方案和推理速度的作用。

Feldman 介绍新数据中心的部署，并称 Cerebras 在不同模型上提供最快的推理。作为厂商说法，这一广泛比较需要针对具体模型、硬件和工作负载的基准测试支持。

他举出一个编程例子：输入提示后很快生成一个简单游戏。简短的生成演示可能有用，但速度不能证明其正确性、安全性或在大型软件项目上的表现。

Berman 称自己重视速度，但不应牺牲质量。Feldman 将更快的推理比作更快的互联网催生新服务：他的观点是，降低延迟可能改变人们构建的应用类型。

Feldman 提到有人赞扬使用 Cerebras 基础设施的交互式编程环境，并说响应速度带来切实的用户体验。这一评价属于个人见闻，而非独立受控的基准测试。

Feldman 说，内存数据移动是 Cerebras 架构的出发点。他以 700 亿参数模型、每个权重 16 位为例，说明权重大约占 140 GB；实际内存流量和吞吐量取决于精度、批处理、缓存和实现方式。

他解释，Cerebras 在一大片硅片上将大量内存放在计算资源附近。这不意味着所有模型数据总是保存在一片晶圆上：内存和外部资源的使用方式由系统设计和工作负载决定。

主持人询问 NVIDIA 和 Groq 的交易。Feldman 将其解读为 NVIDIA 在快速推理方面需要帮助的证据。这是竞争对手的解读，并非 NVIDIA 动机已得到证实的说明。

Feldman 将 NVIDIA 的主导地位称为一种心理护城河，并认为将某些推理工作负载迁移到 Cerebras 云端可以很简单。CUDA 和软件可移植性因工作负载而异；他举出的简短迁移示例不能证明所有应用都能同样轻松地迁移。

他区分了产生模型的训练和运行模型的推理。他预计推理需求会随用户数量、使用频率和每次请求所需计算量增长；各种需求的相对比例和经济性仍不确定。

他将需求建模为用户数乘以使用频率，再乘以每次使用的计算量。这一框架解释了增长的一种可能来源，但每个因素都可能独立变化，模型大小本身也不能决定推理成本。

Feldman 认为内存带宽限制了 GPU 推理，并称专用硬件可以带来速度优势。比较结果取决于模型、批处理、服务条件、延迟和成本，因此不应把他的广泛说法当作普遍适用的基准。

被问及 GPU 是否只是过渡技术时，他说 GPU 在训练、高性能计算和不太需要即时响应的批量推理中仍有价值。他预测专用硬件在快速交互应用中会有竞争力。

主持人提出高带宽内存的价格和供应问题。Feldman 说 Cerebras 不使用 HBM，预计供应压力会持续；他也提醒，预测内存市场很困难。

他说，内存供应受限可能有利于使用不同内存架构的竞争者。更广泛的市场影响还取决于采购、部署和各系统的设计。

主持人询问 NVIDIA 与 Groq 交易的结构。Groq 2025 年 12 月的公告将其描述为非独占推理技术许可，称部分领导者和员工将加入 NVIDIA，而 Groq 继续运营。Feldman 称这实际上是收购，并暗示其目的是规避监管；公开公告并未证实这些定性，也没有证实他所说的人员和税务数字。

Feldman 声称 Groq 的很大一部分员工转移，并认为交易实质上是收购。这些数字和他的解读应与公司公开披露的许可安排区分开来。

Feldman 认为复杂交易结构可能损害股东利益，并呼吁采取更有针对性、负担更轻的监督。这些是他对交易和监管流程的看法，不是法律或税务结论。

谈到能源，Feldman 说美国拥有大量能源资源，但长期未充分投资将电力和数据送到设施所需的电网与光纤连接。他举出偏远地区的天然气和水力资源。

他介绍了表后发电：数据中心在现场发电，通常使用天然气。他还说，行业应就建筑就业、噪声、运营岗位及其他影响与当地社区更好地沟通。

他承认大型数据中心可能产生噪声，带来大量建筑岗位，但建成后雇用的人较少。他认为提出设施项目时应该改善社区参与。

被问及核电时，Feldman 支持将其用于长期发电，并看好小型反应堆。成本、安全、建设周期和废物管理取决于具体项目与技术；他的预测不能保证部署便宜或迅速。

Feldman 将美国 Genesis Mission 描述为一项由能源部牵头的计划，旨在协调政府实验室和产业界，推进 AI 赋能的科学进步与国家重点工作。他认为 Cerebras 参与其中是支持研究人员的机会。

能源部负责国家实验室和重要计算资源，因此在 Feldman 看来是自然的组织者。他描述了联邦研究负责人和私营企业之间的合作。

他说，这项计划旨在连接政府资源、国家实验室和产业界，而不是让相关工作各自分散进行。他描述的是计划的抱负，并非科学目标已经实现的经验证据。

被问及如何激发公众热情时，Feldman 认为，当技术改善实际工作和日常生活时，人们就会采用它。他提到搜索文献的智能体，以及减少业务系统之间繁琐数据转移的可能性。

Feldman 认为，企业系统之间的数据转移耗费员工时间，而自动化可能减少重复任务。究竟节省多少时间、系统能否安全运行，都需要在各个工作流程中测量。

他设想，如果员工每天能收回一些时间，再结合更宏大的科学应用，整体生产力会受到怎样的影响。这种示意性计算是一种情景，并非已经测得的全经济体节省。

Feldman 将技术采用比作移动支付逐渐对不同年龄和处境的人产生价值。他相信实用性能够改变人们对 AI 的看法，主持人则承认公众信任这一更广泛的问题。

主持人感谢 Feldman 和其他嘉宾，结束 1 月 9 日的节目，并邀请观众关注 Forward Future。讨论留下了模型评估、部署风险、基础设施经济性和现实结果等尚待回答的问题。