AI 基础设施、Gemini 与预测市场：Forward Future 直播

2025 年 12 月 19 日，Matthew Berman 和 Nick Wentz 开始主持 Forward Future Live，邀请来自 SemiAnalysis、Google DeepMind 和 Robinhood 的四位嘉宾。Box 赞助了节目，主持人在结尾披露了这一关系。

Berman 说，Gemini 3 Flash 加强了他对快速、低价且足以处理大部分日常任务的模型的偏好。他认为，即使模型能力没有立即跃升，部署、界面和教育仍能创造价值。这是他的个人判断，并非说质量不再重要。

Wentz 问到医疗、法律和金融领域的例外。Berman 同意选择取决于任务：他会在研究中使用更深入的推理，也认为科学是额外算力可能很重要的领域。他估计自己 99% 的使用场景不需要最大模型，这描述的是他的工作流程，并非行业测量结果。

主持人讨论将有限算力用于研究还是服务现有用户的取舍。Berman 推测，追求自我改进的 AI 可能形成赢家通吃的激励；这是预测，而非已确定的结果。他还指出，企业更换模型涉及测试和变更管理，并非只需替换 API 密钥。

SemiAnalysis 总裁 Doug O’Laughlin 加入讨论推理速度。他说，模型设计、硬件容量、需求和服务策略都很重要。服务商可以对请求进行批处理以提高总体吞吐量，但更高的并发也可能降低每位用户感受到的响应速度。

O’Laughlin 提到 SemiAnalysis 的 InferenceMAX 图表，它比较不同 GPU 配置的吞吐量和交互速度。服务商必须在成本、提供的 token 总量和用户愿意等待的时间之间取得平衡。他本人在某些工作中更喜欢较慢但质量更高的模型；同时追求最高质量和最快速度可能很昂贵。

主持人询问参议员 Bernie Sanders 提议暂停新建 AI 数据中心的问题。O’Laughlin 讨论就业担忧、政治激励和国际协调暂停的困难。他对政治人物动机及未来选举结果的评论是个人解释，并非已确定的事实。

被要求设想基础设施暂停六个月或一年时，他认为供应受限可能使服务变慢，投资也可能转向海外。他承认这种情境可能产生多种结果。Wentz 提到项目迁往其他司法辖区，Berman 则担心与中国的竞争力；这些都是假设性后果。

话题转向路透社 2025 年 12 月关于中国极紫外光刻原型机的报道。O’Laughlin 说他听说过大规模投资和使用较旧部件制造的机器，并预测将取得进一步进展。路透社报道说原型机正在测试，尚未生产出可工作的芯片；所称的 2028 年目标不等于已经证明具备生产能力。

被问及 Nvidia 芯片进入中国的报道时，O’Laughlin 推测中国 AI 开发者可能使用包括国产和进口芯片在内的多种硬件。他没有提供证据证明 DeepSeek 使用的具体设备或其取得方式。不能将他的推测视为某家公司走私特定芯片的事实认定。

关于美国是否应该向中国销售先进加速器，O’Laughlin 描述了两难：出口可以支持美国供应商并巩固其生态，同时也会让竞争者获得技术并有机会借此学习。他说自己不确定哪种政策最好，并认为这个决定同时涉及经济和地缘政治。

主持人问他所说的硬件不稳定是什么意思。O’Laughlin 解释，大型加速器系统依赖大量高速连接，排查链路故障和信号完整性问题可能很困难。他将 Nvidia 的机架级设计与规模大得多的 Huawei CloudMatrix 系统作比较；他关于具体故障率和性能的说法是印象，并非节目展示的测量结果。

Berman 问为什么美国不建造一套完整的竞争性光刻系统。O’Laughlin 指出 Cymer 的 EUV 光源技术起源于美国，并描述稳定光源、反射镜和晶圆定位的工程难题。ASML 的商用系统依赖全球供应链；拥有其中一个部件本身并不能证明某个国家具备完整能力。

谈到加速器竞争，O’Laughlin 将 Google 的 TPU 方案描述为由大量较小芯片互联组成的系统，与 Nvidia 的机架级设计形成对比。他用迷你汉堡和大三明治的类比解释芯片大小、网络和规模方面的不同选择。他认为 Google 垂直整合的硬件和软件构成了更严峻的竞争挑战。

他还讨论了 TPU 可能向外部更广泛开放，并预计 Nvidia 将推出新产品回应。这些是市场判断和预测，不是已确定的未来性能结果。硬件选择除了峰值规格，还取决于软件支持、工作负载、供应和总体成本。

被问及量子计算时，O’Laughlin 不认为它会很快取代生产环境中的 AI 加速器，但认为它在特定科学问题上有潜力。他提出的时间表和化学、材料或基因组学应用都是预测。量子计算机不会自动解决所有 NP 难问题，未来优势取决于算法、纠错和可实际使用的硬件。

下一位嘉宾是 Google 首席 AI 架构师、Google DeepMind 领导者 Koray Kavukcuoglu。他说，2025 年发布节奏很快，模型研究与产品团队的协调更加紧密。发布后开发者会收到用户反馈，因此会进入第二阶段的学习。

Kavukcuoglu 说，只有发布内容有实质区别，快速迭代才有帮助。他描述了在不同时间尺度上组织研究的方式：成熟想法可以纳入模型更新，团队同时修复先前版本发现的弱点。目标是协调研究、部署与产品反馈。

被问及产品需求是否与前沿研究竞争时，他将资源分配称为战略决定，而非必然对立。他说 Google DeepMind 的既定目标是 AGI，但实际产品使用有助于发现困难场景和失败模式。算力仍然有限，需要治理和取舍。

他指出三个重要的反馈来源：覆盖广泛日常用途的 Gemini 应用、用于信息查询的搜索 AI Mode，以及提供实际工作流反馈的开发者和企业客户。他说，每类来源都能为模型需要改进的地方提供不同信号。

主持人请他定义 AGI。Kavukcuoglu 强调通用性：系统应当在多个领域有用，而不是为每个狭窄问题分别准备一个模型。他将对高推理需求工作的有力支持描述为进展的迹象，并不是说某项测试已经被确定通过。

对于单靠规模扩大是否足够，他强调研究和创新仍然必要。规模关系可以指导数据和算力选择，但达到某种能力并不是自动发生的。这是他对研究计划的判断，不是对实现 AGI 的保证。

讨论转向科学，包括 AlphaFold、材料和聚变研究。Kavukcuoglu 说，DeepMind 长期以来希望将 AI 用于基础科学问题，既看重潜在收益，也因为困难问题能推动 AI 方法进步。这些例子说明研究方向，并不证明这些领域已经被解决。

Berman 问自我改进 AI 是否是最终目标。Kavukcuoglu 称其为一个研究方向，而非唯一目标，并说模型已经在帮助研究人员和开发者解决问题。他认为，能力不断增强的系统应伴随真实世界使用和迭代式安全测试。

他将 AI 进步描述为硬件、数据、方法与数十年研究汇合的结果。他觉得能够在这一时刻工作很幸运，并认为面对这一机会需要谦逊、责任感和雄心。这些是他对该领域及其潜力的看法。

被问到岗位替代和生存风险时，他承认人们的焦虑，并说有益的部署需要用户、研究人员、安全专家和外部各方的反馈。他期待学习和生产率方面的收益，同时承认系统并非完全安全。他的乐观并不能证明劳动或安全风险已经解决。

谈到具体安全措施，Kavukcuoglu 说安全和安保研究人员会在模型开发期间参与，而不仅在发布时介入。他描述了在前沿安全框架下测试危险能力，包括网络相关风险，并说测试流程会随新证据演进。这是 Google 对自身做法的描述，不是独立审计。

Google DeepMind 产品负责人 Logan Kilpatrick 在 Kavukcuoglu 之后加入。他说，Gemini 3 Flash 改变了过去将“Flash”简单视为更便宜但能力更弱模型的印象：它在某些方面强于 Pro，但并非所有方面如此。Berman 欢迎质量与响应速度的结合。

Kilpatrick 认为前沿模型仍对吸引用户、推进研究，以及通过蒸馏等技术改进较小模型很重要。他将其与 Flash 在广泛、快速产品体验中的作用区分开来。不能从他的概括推断所有较小模型都通过相同方式生成。

他说，模型发布会带来大量后续工作：客户试用、团队收集反馈，而向 Google 众多产品分发模型需要基础设施和协调。他将用户反馈视为后续模型迭代的输入，与 Kavukcuoglu 的说法相呼应。

Kilpatrick 描述了一项 AI Studio 内部观察：在生成应用的 Pro 与 Flash 盲测中，他说更多用户使用较快模型完成应用并继续迭代。采访没有提供实验细节或独立复现，因此这是雇主报告的观察，而非普遍性能保证。

被问及 Pro 在哪些方面仍有帮助时，他提到专业编程和创意写作，同时表示结果因提示词和模态而异。能接受更高成本和延迟的用户，在一些高难任务中可能更喜欢较大的模型；合适选择取决于具体场景。

Berman 问为什么大模型可能更有创造力，以及如何衡量。Kilpatrick 明确表示，他对模型规模与广度的理解只是暂时的直觉，并欢迎他人纠正。他承认新颖性和创造力难以评估，较小模型也可能不断改进。

两人都说更喜欢自己写公开发表的文字。Kilpatrick 将写作描述为个人视角的表达，难以完全编码进提示词，尽管他使用过 AI 生成的图片、视频和代码。Berman 补充说写作可以帮助澄清思路；这些都不是适用于其他用户的普遍规则。

两人转向生成式界面。Kilpatrick 预测，除了聊天和语音，软件将越来越多地为即时问题创建交互体验。他设想了文档和消息应用中的可能用途，同时明确表示这些是想法，而非已确认的产品路线承诺。

被问及实时生成软件是否会威胁传统 SaaS 时，他区分了个人临时工具与共享企业应用。企业可能需要确保数千名用户获得一致行为、共同认可的需求以及验证机制。他认为，即使部分内容可以生成，可靠的共享软件仍然有价值。

在搜索方面，Kilpatrick 设想生成模拟来解释气流或汽车引擎等主题。他建议复用交互式成果，避免为每位用户重新生成同一解释。这些例子是探索性的产品想法；生成的解释仍需核对正确性。

被问到下一季度时，他说 Google 在模型、AI Studio 和 API 方面有计划中的工作，但没有宣布具体发布项目。主持人感谢他，转向最后一位嘉宾。

Robinhood 产品副总裁 Abhishek Fatehpuria 加入节目。主持人引用了客户、资产和估值数字，而他强调产品开发，并未确认这些数字。他描述了 Robinhood 希望在一个应用中提供交易、投资、信贷和银行产品的愿景。

Fatehpuria 将预测市场描述为让客户表达对事件结果看法的合约。在讨论的例子中，如果指定条件满足，合约支付 1 美元，否则按其条款结算。交易者可能损失购买价格和费用，具体支付与规则取决于合约。

他说，有时可以在事件结果确定前卖出头寸，而不必持有到结算。提前退出取决于市场流动性和可获得的价格；无法保证以交易者希望的价格卖出。主持人指出，事件合约与持有公司股份不同。

Wentz 问预测市场是否意味着将信息赌场化、金融化。Fatehpuria 认为问题较复杂，说活跃交易者可以表达具体观点，也可以将市场作为信息来源。市场价格可能反映参与者的信念和激励，但不一定是无偏或准确的概率。

他举出利率、企业收购以及天气合约，说明这些事件与经济决策有关。他认为一些用户可能尝试对冲风险。合约是否能有效对冲，取决于其条款与实际风险敞口是否匹配，以及价格、费用和流动性。

主持人提出内幕信息方面的担忧。Fatehpuria 说 Robinhood 认真对待监控，并计划随着预测市场成长应用股票市场经验。被追问提前获得信息的价值时，他区分了基于研究的专业知识与内幕交易；他的概括性回答不能确定每种事件合约适用的法律规则。

Wentz 问界面是否应将低风险退休产品与投机性合约分开。Fatehpuria 描述客户在心中将资金划分为活跃交易、储蓄和长期投资，并说 Robinhood 希望满足这些不同需求。退休账户是一种账户类型，本身并非必然低风险；风险取决于其中的持仓。

话题转向 AI。Fatehpuria 介绍 2025 年 3 月宣布的 Robinhood Cortex，以及结合市场数据、新闻和其他信号的股票摘要。他说公司已将这一方法扩展到其他资产，并宣布投资组合级摘要和一款助手。Robinhood 在 12 月的公告称，该助手是面向符合条件的 Gold 订阅者的即将推出的功能，并未保证其准确性。

他列出三个目标：简化活跃交易者的工作流、个性化应用，以及最终帮助提供财务建议。被问及用户能否连接通用模型自主管理账户时，他说 Robinhood 没有积极支持此功能，并认为及时的账户和市场数据可能让专用助手更有优势。这是公司的判断，并非投资表现更优的证据。

Berman 问及被动投资者。Fatehpuria 将投资组合摘要视为起点，并说更广泛的财务管理需要更长时间，也需要与监管机构合作。他将这一愿景与 Robinhood Strategies 作对比：后者利用偏好和风险承受能力问卷管理投资组合，可以同时包含个股和基金。

被问到 AI 驱动的投资是否会变成算力竞赛时，Fatehpuria 强调数据：及时的市场价格、基本面、新闻和公司信息，与模型能力一样可能重要。他认为券商有条件提供这些输入，同时承认保持信息及时的重要性。

他表示来年的重点是活跃交易、提高客户金融活动在平台上的份额以及国际扩张。他提到继续开发 Robinhood Legend 和退休产品，但没有披露具体的未来产品计划。

对于 2026 年的预测市场，他预计市场将从体育扩展到天气、加密资产和企业相关事件，并希望市场数据能为其他产品提供信息。被问及合约是否可能类似被动股票投资时，他没有给出确定答案，但提出可能的对冲用途，并提到一些人对用天气合约替代保险感兴趣。这些是对可能用途的看法，并非具有同等保障或适用性的证据。

嘉宾离开后，Berman 说自己刚开始探索预测市场，尝试体育合约主要是为了了解界面。主持人感谢嘉宾，并明确感谢 Box 赞助节目。最后的讨论结束后，节目收尾。