#模型时代# 李飞飞：苏格拉底是最好的Prompter

李飞飞这期在Huberman Lab的播客非常值得一听，建议大家听播客原文，以下笔记只是一个导读。这个播客是全球收听量最大的健康类播客之一，2025年进入Spotify全品类全球前十。主持人Andrew Huberman是斯坦福医学院神经生物学教授，节目以长对话著称，单期时长常超过两小时，YouTube订阅者超过760万。所以两个人很多内容聊的比较细致。当然，关于AI的部分，由于有科普的性质，可能从业人员都不陌生了。

李飞飞谈话中最精彩的部分，往往是人文的部分。比如这次播客，她讲数据的重要性，但是也从数据角度出发，举例体现人的重要性。李飞飞说毕加索绘画的时候，脑海中的数据从未被人得知，而AI来自于数据，所以人的独特性也就得到了保留。

她没说是哪幅。不过如果一定要推测，可能性最高的是《镜前的少女》（Girl before a Mirror，1932）。画中人物是当时22岁的玛丽-泰蕾兹·沃尔特。毕加索把她的侧面、正面和镜中形象组合在一起，明显符合这段对话讨论的“用特殊方式表现年轻女性”和抽象创造。

一、视觉是智能的基石

1、5.4亿年前的光感细胞启动了动物进化的加速键

大约5.4亿年前，简单的海洋动物（三叶虫及其近亲）出现了最早的光感受细胞。在那之前，动物几乎没有感知外界的能力，没有听觉，没有嗅觉，连神经系统都不存在。

光感受细胞改变了动物与外部世界的关系。能看见意味着能主动寻找食物、寻找配偶，也意味着自己会成为其他动物的猎物。化石记录显示，动物第一次感知到光之后大约1000万年，出现了被称为“寒武纪大爆发”的物种分化高峰。

2、人脑皮层活动的一半与视觉有关

据估计，人类大脑皮层活动的一半与视觉功能相关。儿童在语言能力之前就先具备了视觉能力。从进化到个体发育，视觉一直占据着智能的核心位置。

3、50年代的视觉神经科学直接启发了神经网络算法…

20世纪50年代，神经科学家Hubel和Wiesel开始记录哺乳动物大脑中的视觉细胞，发现了一个层级结构：从视网膜收集光信号，到逐层传递神经信息，最终识别出眼前的形状。

这个层级架构成为神经网络算法的灵感来源。今天的神经网络运行在数千亿乃至万亿参数之上，复杂度已经远离了当年从视觉通路中记录到的结构，但起源是共享的。

二、现代AI的三重收敛

1、2000年代的AI困境：所有人都在调算法，数据量却少得可怜

世纪之交的AI是一个机器学习实验场，不同实验室在尝试各种算法，神经网络、贝叶斯方法、支持向量机都有人做。李飞飞2006年在普林斯顿做第一年助理教授时，和学生一起审视这些算法，注意到一个被忽略的问题：喂给算法学习的数据量太少了。

她转向认知神经科学文献寻找线索。数据显示，人类在6岁前就能学会辨认数以万计的物体类别，而且婴儿从出生起就在接收海量视觉数据。她由此做出了一个当时相当离经叛道的判断：AI进展缓慢的核心瓶颈可能在数据，不在算法。

所有人都只盯着算法，而她选择赌数据。

2、ImageNet：1500万张图像构成了AI革命的燃料库

李飞飞团队主导了ImageNet项目，收集了1500万张图像，覆盖日常物体（话筒、杯子、椅子），目标是驱动机器识别现实世界中的东西。从2010年开始，她的实验室推出了一项公开挑战赛，即ImageNet Large Scale Visual Recognition Challenge，邀请全球研究者来解决物体识别问题：数据集包含1000个类别、超过100万张图像，算法看一张图后需要说出图中的主要物体，猜对得分，猜错不得分。

3、2012年：三条线索交汇，创造了现代AI的定义时刻

2012年，三件事同时成熟：GPU计算实现了并行加速，神经网络算法经过数十年研究变得更加成熟，ImageNet提供了足够规模的训练数据。那一年，一个名为AlexNet的深度神经网络在挑战赛中将错误率从之前的26%直接拉低到15%左右。

做个对比：斯坦福一位研究生后来专门测试了人类在同一任务上的表现，错误率大约是4%（随机猜测会是千分之一）。2012年的算法还没有达到人类水平，但错误率的跳跃幅度让整个研究界意识到这是一个拐点。到2015至2016年间，算法在命名1000种物体的任务上超过了人类。

4、同一个配方溢出到所有领域

“数据+算法+算力”的配方没有变，但ImageNet打开的闸门远不止计算机视觉。语音识别、声音识别、自然语言处理，AI的每一个子领域都在这次收敛之后获得了技术提升。斯坦福有同事开始用机器学习研究鲸鱼歌声。

2017年，一种叫transformer的新型神经网络架构被提出，在处理序列数据方面比AlexNet时代的算法强大得多。这次领跑的领域换成了自然语言处理，因为互联网上最容易获取的大规模数据是文本。加上更强的GPU，OpenAI和谷歌快速推进，从2017年到2022年ChatGPT面世，又走了大约5年。

三、AI能做什么，够不到什么

这条边界的判断标准只有一条：数据是否可获取。如果一种信息能通过语言、图片、视频、脑电波或任何传感器被采集到，并且有足够的量，AI就可以学习它。如果不能被采集，无论AI多强大，它都无法触及。

1、孩子看3只猫就能认出猫尾巴，AI需要整个互联网的猫

一个孩子可能只见过3到10只猫，就能在书架后面看到一截尾巴时判断“那是猫”。AI做同样的事需要海量视频和图像。这两者的学习路径有本质差异，其中的机制至今没有被完全解开。

2、视频数据让AI学会了“猫怎么跑”，但它不懂猫的肌肉

大约2023年开始，多个研究团队将视频纳入训练数据。2024年初OpenAI发布Sora时，用户输入“一只猫追老鼠”就能生成一段看起来合理的短视频，猫的四肢按顺序迈步。

这看起来像是AI理解了运动，但实际发生的事情没有那么玄妙。AI不知道猫腿的肌肉怎么连接，它只是看过太多猫的视频，学会了猫运动“应该长什么样”。大多数人类的情况其实也类似：我们不知道猫的肌肉结构，但见过太多猫走路，对“合理的猫步态”有一个统计性的判断。

3、互联网是人类行为最大的多模态集合

理解AI的能力边界，先要准确理解互联网到底是什么。它承载了全世界人口几十年的打字行为，从青少年闲聊到被数字化上传的深度科学论文。它还承载了数码相机和智能手机拍下的海量照片，从家里的猫到BBC的专业摄影。再加上视频（含声音和运动）和音乐。

AI在这个庞大的库上训练，所以它强大，尤其在语言方面。太多人类知识已经以文字形式存在了。

4、毕加索画肖像时脑中的念头，从未被上传

但有一类信息AI永远无法获取。李飞飞举了一个假设性的例子：毕加索决定以某种独特方式表现一位年轻女性时，促成这种表达的念头并没有被任何设备捕捉。作品可以进入互联网，创作念头本身没有留下数据。作为神经科学家，如果有人问那个想法来自大脑的哪个区域，答案也是不知道。是布洛卡区？V1视觉皮层？前额叶？运动皮层？也许弥散在各处，因为那个想法极度个人化。

你可以叫它创造力，叫它情感，叫它任何名字。它没有被捕捉，因此不在互联网上，因此AI没有见过。

5、“直觉”分两层，浅的已经能做到，深的完全够不到

李飞飞把“直觉”拆开来看。浅层的部分：你在AI对话框里输入“我是斯坦福教授、神经科学家”，AI就会针对你的身份定制回答。换一个人输入“我是14岁的赛车爱好者”，问同一个问题，答案就不同了。这在计算机科学里叫context，就是数学运算，谈不上什么直觉。

深层的部分就不一样了。你突然对某件事有强烈感觉，不知道是因为闻到了什么、是荷尔蒙波动、还是今天的早餐。你说不出来，甚至无法用手势传递给另一个人。伴侣之间有时能感觉到对方情绪不对，但说不清哪里不对，只能默默走开让对方静一静。如果一个人都无法把这个信息传递给另一个人，那机器就更没办法了。

没有传感器能采集的信息，AI就无法学习。她强调这没有什么神秘的，完全可以用科学过程来描述：信息是否可被采集？如果可以（通过语言、图像、脑电波、皮肤电导率），那就有可能训练AI。如果不可以，那就目前做不到。

6、Move 37是创造力，但属于一种“特殊的创造力”

2016年AlphaGo对战李世石时，在第二局下出了Move 37，一步围棋大师们从未想到的棋。很多人将此视为AI创造力的标志。

需要还原这步棋的语境。围棋是一个高度数学化的游戏，目标明确，规则清晰。AI拥有比人类更大的算力和更强的记忆保持能力，能在人类大脑无法穷举的空间中搜索。这算创造力吗？算。但这是一种特殊的创造力，与一个画家凝视空白画布时涌现的东西不同。

李飞飞提到她和一位顶级数学家的对话。这位数学家说，数学中有很多未解难题，即使是菲尔兹奖得主也可能忘记了历史上已有的某些解题方法，AI可以帮忙找到这些被遗忘的方法来攻克难题。但有些数学问题需要的解法根本还没有被发明出来，那种层次的创造力，目前还不确定AI能否独立完成。他的判断是：最可能的路径是人类与AI的混合创造。

7、AI说“你生病了我很抱歉”和朋友说同样的话，机制完全不同

机器说这句话，是因为它在训练数据中学到了一个模式：当有人说“我生病了”，应该回复“我很抱歉”，而不是“我很高兴你生病了”。

你的朋友说这句话，是因为他们真心关心你的健康，不想看你受苦，经历过疼痛因而能产生共情。机器没有任何这些东西。

今天的机器和人类在根本层面上的运作方式不同，这一点必须被清楚地认识和尊重。

四、AI在科学发现和医疗中的机会

1、科学发现的方式可能需要一次彻底重写

几百年来，科学发现依赖聪明的人类大脑记住前人的知识，然后以人类肌肉的速度做实验。现在有了一个新工具，它的“大脑”能保留海量信息，能跨学科综合知识。李飞飞以自己为例：她在视觉神经科学和AI领域深耕，但对嗅觉系统的了解几乎为零，连同事论文里的专业词汇都可能拼不出来。人脑的带宽就是这么有限，AI可以打破这道墙。

2、AI帮Huberman诊断出了医生漏掉的低血压问题

Huberman分享了一个亲身经历。他服用了一种医生开的药物后出现了头晕，感觉像天旋地转。他以为是眩晕，咨询了一位专攻前庭系统的耳鼻喉科医生，也没有得到准确判断。

他把自己一两天内的主观感受输入AI聊天机器人，AI区分了眩晕和低血压的不同症状表现，指向药物引起的血压过低。他按照这个方向补充电解质，两小时后症状消失。

这个案例的价值不在于AI比所有医生强。重点是它零成本、即时可用，对那些无法立即接触到医生的人意义重大。

3、达芬奇手术机器人做她父亲的肝脏手术，出血量是传统手术的十分之一

李飞飞的父亲在斯坦福接受了一台肝脏手术，由外科医生操控达芬奇机器人系统完成。术后出血量只有传统开放手术的十分之一，得益于机器人的腹腔镜精细操作能力。

她事后问外科医生：如果把全世界做过同类肝脏手术的数据都收集起来，能不能训练一个全自动AI手术系统？答案并不明确。肝脏是一个高度血管化的器官，每个人的肝脏差异很大。即使汇总全球数据，样本量可能仍然不够。

这揭示了一个关键判断标准：AI从模式中学习，当模式不够丰富时，就必须谨慎。在数据充足的领域（比如眩晕vs低血压的鉴别诊断），AI已经相当可靠。在数据稀缺的领域（比如个体化的复杂外科手术），人机协作目前仍然优于纯机器方案。

五、被遗忘的群体与公共沟通

1、硅谷讲AI的方式正在伤害公众

目前的AI公共话语存在两个极端。一端是极端末日论，让人恐惧。另一端是极端乌托邦论，把技术描绘得完美无缺，公众的反应通常是“你当然这么说了，你是既得利益者”。

懂技术的人倾向于居高临下地和公众对话。不管出发点是好是坏，传递出的信息都是“你们不懂这个，让我来替你们决定什么是好的”。AI的话语体系正在严重失衡。

Huberman提到一个生物学领域的例子来说明技术人为什么需要外部约束。他有一个做病毒研究的朋友，曾经想把改造过的狂犬病毒放进果蝇体内做实验。技术上可行，科学价值也有，但如果有一只携带病毒的果蝇逃出实验室，后果不堪设想。这个实验最终被否决了。做技术的人天然想push边界，这没错，但社会需要有制衡机制。

2、苏格拉底是人类历史上最好的prompter

学会提问是使用AI的关键技能。李飞飞认为应该在K-12阶段就教孩子如何提问。她做了一个类比：如果苏格拉底还活着，他会是最好的prompter，因为苏格拉底方法的本质就是通过提问来追寻真理。

3、ChatGPT发布后，她第一件事是给孩子学校的校长写邮件

2022年11月ChatGPT发布，李飞飞作为技术圈内部人，第一反应不是评论技术本身，而是联系了自己孩子所在小学的校长，提出想来给学生和老师做一次讲座。

因为硅谷没有人在ChatGPT出来的那一刻想到“我们社区的老师怎么办”。没有投资机构，没有万亿市值公司，第一时间想到了邻里的教师。

老师是社会中最重要的人之一。应该和他们对话，给他们支持。

4、对AI最差的两种态度：剥夺能动性，或者禁止接触工具

一种坏结果是AI被错误使用，让年轻一代的能动性和学习动力被工具夺走。无限刷短视频、被动消费内容，这些不利于大脑发育。不管技术怎么变，人类的神经元、化学物质、激素有自己的运作方式，学习需要时间、需要努力、有时需要经历痛苦。

另一种坏结果同样糟糕：以“学生会作弊”为由禁止学生接触AI工具。李飞飞回忆自己做医学预科生时学有机化学的经历，助教时间太短，教授office hour和其他课冲突，学起来非常吃力。如果当时有一个AI学伴，她可以在自己卡住的地方反复提问。她有学习动力，只是缺少指导。这样的工具不应该被禁止。

六、空间智能与具身AI：下一个前沿

1、World Labs押注语言之外的智能

李飞飞2024年初联合创立的World Labs，到2026年2月已累计融资12.3亿美元，投资方包括AMD、Autodesk、NVIDIA、Fidelity等。公司的第一个产品Marble允许用户通过文字、图片、视频或3D布局生成可持续编辑的三维环境。

她选择这个方向的逻辑：人类的发展轨迹是先有视觉和空间理解，后有语言。进化在没有语言交流的状态下已经走了5亿年。AI如果只停留在语言层面，就错过了智能的一大块。空间智能模型可以服务于创作者、建筑设计、机器人训练和交互环境。

2、一个瘫痪十年的女人，用自己的声音重新说话了

Huberman提到了他的好友、UCSF神经外科主任Eddie Chang的工作。Chang团队通过脑机接口，让因瘫痪而丧失语言能力的患者重新与世界交流。

其中一位女性患者已经瘫痪多年，无法开口。团队在她的大脑表面植入了电极阵列，读取她试图说话时产生的神经信号，再由AI算法将信号解码为文字和语音。关键在于，团队找到了她婚礼上的视频，知道她本来的声音和表情模式。最终她在身旁的iPad屏幕上，以自己的面部形象和声音与他人对话。系统通过机器学习持续更新，还能感知对话者的反应。

这个案例是AI具身化最有力的证据之一。它证明的不是技术多炫，而是一个人的能动性被技术重新归还了。

3、机器人可能需要30年才能真正融入社会，但需求清单已经很长

和纯软件AI不同，机器人涉及硬件，落地速度更慢。但需求明确：

加州每年经历山火，让人类消防员冒生命危险去救援并不理想。

护士在一个班次内要走好几英里去取药品和物资，长期超负荷工作。

独居老人取药、买菜、想去公园散步，这些简单的事情对行动不便的人来说是巨大的障碍。

李飞飞自己是家中独生女，正在照顾两位年迈多病且不说英语的父母。她说这种照护工作量巨大，机器人能承担一部分体力劳动，同时不替代家庭责任、爱和沟通。

人们对机器人的不适感很大程度上来自它们的物理硬度和占据空间的方式。李飞飞提到了迪士尼大约十几年前的动画角色大白（Baymax），一个医疗机器人，外形像一个大气球，触感柔软。比起金属质感，这种设计更容易被人接受。如何想象人与机器人共存的未来，不应该由某家公司或某个投资人单方面决定。公众应该作为利益相关者之一参与设计这个未来。

4、AI在改变电影业，但故事仍然是人写的

AI工具已经可以根据剧本生成视频镜头，甚至组装出接近长片长度的电影。但故事创作、镜头运用、角色塑造这些能力仍然深度依赖人类。好莱坞对AI取代编剧和演员有强烈恐惧，李飞飞认为真正需要做的是让技术人和创作者面对面对话。

她的联合创始人Ben和演员本·阿弗莱克（Ben Affleck）见了面，讨论AI在电影制作中的应用。阿弗莱克本人对AI工具的态度相当开放。这类技术界与好莱坞从业者之间的对话，在当前阶段是关键的。

李飞飞说，World Labs也在和视觉特效行业合作，对她来说最重要的是用户和客户感到被增强了，而不是被替代了。“Technology should be making their jobs better，superpowering their creativity。” 技术应该让他们的工作变好，让他们的创造力被放大。

5、AI领域缺一个理解人性的人

乔布斯（Steve Jobs）理解计算机需要圆角、需要放进口袋、需要在开机画面上放鲍勃·迪伦。他能把冷冰冰的技术变成人愿意放在手边的东西。

AI领域目前没有这个角色。技术社区最聪明的人不被公众接受，部分原因是公众不理解他们，但也因为他们缺少一个合作者来帮助用公众能接受的方式分享愿景。传统媒体在放大这道裂缝方面也有责任：它们靠“科技巨头来抢你饭碗”这类叙事赚流量，而真正在用AI帮人恢复语言能力、帮人学习的故事得到的关注少得多。

核心归纳

Q1：AI的智能从何而来，它的天花板在哪？

AI的训练数据本质上是互联网，而互联网是全人类几十年来通过打字、拍照、录视频、做音乐所产生的多模态行为集合。这解释了AI为什么强大。它的天花板在于：没有被捕捉为数据的人类认知（高度个人化的情感、记忆、直觉），AI无法学习。判断AI能否处理一件事，核心问题是：那个信息能被采集吗？有足够多的同类数据吗？

Q2：AI在医疗和科学发现中最大的机会和限制分别是什么？

机会在于AI能跨学科综合信息、保留人脑无法记住的知识量，且零成本即时可用。限制在于数据丰富度：在鉴别诊断等有大量报告的领域，AI已经够准。在数据稀缺的领域（如个体化的复杂手术），人机协作优于纯机器方案。

Q3：普通人现在应该对AI做什么？

学习它。不一定要学编程，但要理解AI是什么工具、怎么用它来增强自己的学习和工作。学了之后会更有掌控感，不容易被恐惧或乌托邦话术牵着走。同时关注教师和学校，他们是帮助下一代正确使用AI的核心角色，但目前被整个AI话语体系忽视了。

#模型时代# #英伟达将筹资超5000亿美元#黄仁勋Blog：英伟达AI工厂算力正在成为一种可投资的资产类别

昨天刚发了扎克伯格的Blog，黄仁勋的blog也来了，不过内容更落地，是一项计划。

三句话归纳一下核心观点：1、英伟达认为，AI算力中心可以像电站一样，长期出租算力、持续产生收入，因此有条件成为金融机构愿意投资的基础设施资产。

2、为扩大建设规模，英伟达与Apollo、贝莱德、黑石等机构设立融资平台，计划逐步引入超过5000亿美元第三方资本，帮助有真实算力需求但缺少资金的企业建设AI工厂。

3、由于AI行业此前出现过供应商投资客户、客户再用资金购买算力的“循环融资”，英伟达特别说明：金融机构将独立评估每个项目，相关资金不计入英伟达收入，英伟达只在部分项目中提供最高25%的残值支持。

---

今天，我们宣布与 Apollo、贝莱德（BlackRock）、黑石（Blackstone）、布鲁克菲尔德（Brookfield）、高盛（Goldman Sachs）和 KKR建立合作伙伴关系，共同设立独立融资平台。随着时间推移，这些平台计划调动超过5000亿美元的第三方资本，支持AI基础设施建设。

这是英伟达和AI产业发展过程中的一个重要里程碑。过去，企业购买芯片，并逐个项目建设数据中心。如今，AI工厂已经能够作为生产性基础设施获得融资，并由可复制的平台、长期机构资本以及多元化客户群提供支撑。这些客户利用算力创造收入。

AI已经来到一个转折点，正从研究走向生产。AI正在创造真实价值，其背后的基础设施也在成为全球生产效率最高的资产之一。在AI时代，算力就是收入。

一、一种新的基础设施资产

英伟达算力并不只是一块芯片，而是一套完整的AI工厂平台，涵盖加速计算、网络、系统软件、AI框架和全球开发者生态。

英伟达DSX AI工厂能够运行全球范围最广的AI模型、模态和算法，包括语言、视觉、语音、生物学、物理AI和机器人。单座英伟达AI工厂可以服务多个客户，承载多种工作负载。因此，它具备高度灵活性，算力也可以在不同用途之间通用调配。…

这套平台建立在全球广泛采用的架构之上。全球所有主要云服务商，以及各地的系统制造商和企业，都在使用这一架构。当需求发生变化时，AI工厂可以转交给其他客户、云服务商或运营方使用。广泛的生态系统为英伟达算力提供了规模庞大的潜在用户和承购方市场，有助于保护资产残值。

CUDA能够持续提升AI工厂的能力。英伟达每一代软件都在改善已部署基础设施的性能、效率和总体拥有成本。硬件的能力不会停留在安装完成时的水平。软件创新使AI工厂能够在整个生命周期内，以更低成本生产更多智能，从而延长其经济使用价值。

英伟达A100就是一个有力例证。英伟达在2020年推出基于Ampere架构的A100。六年之后，A100依然被广泛用于AI训练、微调、推理和高性能计算。客户仍在签订多年期算力使用协议，使A100的经济寿命逐渐向十年延伸。

市场也在证明英伟达算力经济性的持久程度。H100一年期租赁价格从2025年10月约每GPU小时1.70美元，上涨到2026年3月约每GPU小时2.35美元。不同服务商的按需使用价格中位数，也从2025年10月约每GPU小时2.00美元，升至2026年6月的2.70美元。Blackwell算力享有价格溢价。据公开报价，B200的云端租用价格约为每GPU小时5.30至7.05美元。

这些特征构成了英伟达AI工厂的差异化价值。AI工厂在安装完成后仍能持续增值：CUDA不断提高其产出能力；存量设备在初始折旧期结束后仍可保持生产力；同一套标准架构能够服务一个规模庞大且持续增长的全球AI工作负载市场。

这正是可投资基础设施资产应当具备的特征：能够产生收入，服务广泛市场，性能随着时间推移不断提升，并且可以重新部署。

二、为AI工厂引入资本

市场对AI基础设施的需求极为旺盛，但不同企业获得资本的能力并不均衡。许多优秀的AI公司、企业和AI云服务商拥有明确的算力需求，却暂时无法以快速建设所需的规模和成本获得融资。

因此，我们选择与全球领先的长期资本提供方合作。

Apollo、贝莱德、黑石、布鲁克菲尔德、高盛和KKR也是全球领先的基础设施投资机构，在评估和投资长期生产性资产方面拥有深厚经验。我们将共同建立可复制的融资平台，帮助AI生态建设其所需的AI工厂。

这些平台旨在帮助符合条件的AI实验室、企业和AI云服务商大规模获得AI工厂基础设施。超过5000亿美元这一数字，代表这些平台计划逐步调动的第三方资本总额。这笔资本并非英伟达的收入，也不属于某一只基金，更不代表对某一个客户作出的投资承诺。

金融机构将独立评估每一个项目，包括客户情况、市场需求、利用率、现金流和资产残值。英伟达提供AI工厂平台，金融机构提供长期资本和融资专业能力。

三、几个重要问题

1、这属于循环融资吗？

这项计划的设计考虑了外界对于循环融资的担忧。我们正在把独立的长期机构资本引入AI基础设施市场。

市场需求真实存在，来源包括前沿AI实验室、AI原生初创企业、传统企业、云服务商以及正在建设AI服务的各个国家。资本提供方将对每个项目进行独立尽调和风险评估，覆盖客户情况、需求、利用率、现金流和残值。英伟达负责提供平台，投资者独立作出融资决定。

这标志着一个面向AI基础设施的开放资本市场开始形成。

2、英伟达为何要提供融资支持？

在部分项目中，英伟达可能提供残值支持机制，支持比例最高可达到单个项目规模的25%。每个项目都会经过审慎的单独评估。这项支持规模有限，以残值为基础，作用是补充独立风险评估，不会取代金融机构的独立决策。

这一比例显著低于其他算力融资安排。英伟达之所以能够提供此类支持，源于英伟达算力的独特属性：算力可以通用调配，架构获得全球广泛采用，软件可以持续升级，设备也能在庞大的客户生态中重新部署。

我们的职责是帮助释放规模庞大的独立资本，同时维持严格且可控的风险敞口。

3、市场能够消化这些算力吗？

问题的关键在于，我们所建设的数据中心能否成为具有生产力的AI工厂。

AI工厂把能源和数据转化为有价值的智能。它的客户范围非常广，包括前沿AI实验室、AI云服务商、企业和国家。这些客户建设AI基础设施，因为AI已经能够承担各行各业中具有实际价值的工作。

这套模式包含明确的投资纪律。每一家融资合作伙伴都会独立评估需求、利用率、现金流和残值。算力建设将以真实客户需求及其经济回报为基础。

4、投资回报来自哪里？

投资回报来自AI的实用价值。

企业正在利用AI编写软件、发现药物、设计产品、服务客户、实现运营自动化并开发新服务。AI工厂为这些活动提供基础。更多算力能够产生更好的AI；更好的AI带来更多使用；更多使用创造更多收入；更多收入又会推动更多算力投入。

这构成了AI工业革命的良性循环。

四、智能时代的基础设施

每一次工业革命都建立在基础设施之上，包括电力、交通、通信和计算。每一轮大规模基础设施建设都离不开外部融资。

AI工厂就是智能时代的基础设施。

通过这些合作，英伟达与全球领先的金融机构正在建立一种新的融资方式，为推动这场工业革命的基础设施提供资本。我们将帮助更多正在建设未来的企业、产业和国家获得AI工厂。

AI时代已经到来。我们将携手建设为这个时代提供动力的基础设施。

#模型时代# 扎克伯格：世上不存在善意的超级智能

2026年8月10日，Meta CEO马克·扎克伯格（Mark Zuckerberg）在Meta官网发布长文《The Future is for Everyone》。

同一天，Meta发布了Muse Glimmer，一个30B参数的开放权重agent模型，Apache 2.0协议，单张消费级显卡就能跑，由Meta最强模型Muse Spark蒸馏而来。Muse Spark 1.2的权重也将很快开放。

全文近万字，我来做一个归纳。

这篇文章要回答一个问题：超级智能快来了，谁应该拥有它，拿它来做什么？行业里主流的答案是，先把超级智能对齐（align）到人类价值观上，确认安全了再放出来。扎克伯格认为这条路走不通。

他的结论是：不存在一个能对所有人都善意的超级智能。安全不是技术问题，是权力分配问题。把超级智能送到每个人手里，才是最安全的做法。这个观点，其实和OpenAI奥特曼是一致的。和伊利亚则完全相反。

理由是：一是超级智能的安全问题不是对齐技术能解决的。人类价值观本来就互相矛盾，一个超级智能不可能同时满足所有人的诉求。任何单一超级智能必然偏向一部分人的价值观，对另一部分人就谈不上善意。所以根本不存在“对齐出一个善意超级智能”这条路。

二是最危险的场景不是超级智能失控，而是超级智能被少数人掌握。不管那几个人多有责任感，集中本身就会产生对其他所有人不利的结果。文章直接点名：有些实验室训练出强大模型然后自己留着，不管嘴上说的多好听，走的就是这条路。显然，这是对着Anthropic来的。

三是个人的能力增长可能快过自动化取代的速度。这取决于AI发展的方向：如果主攻知识工作的自动化，就业会痛苦；如果主攻个人能力的扩展和发明，新工作可能比被替代的更多。扎克伯格认为是后一种，这和黄仁勋的看法又比较接近。

1、开篇把问题定义为两个：谁拥有超级智能，拿它做什么。

行业里弥漫着末日论调。一个人一边相信AI会消灭大部分工作、让人类变得无关紧要，一边还拼命加速建设这个未来，这说不通。…

更站不住的是“AI太危险了，所以权力必须极度集中”这套逻辑。历史上，指望一个绝对权力出于善意来供养人类，从来没有好下场。

2、Meta的哲学建立在三根柱子上：个人赋权是繁荣的来源，发明是超级智能的主要用途，权力制衡是安全的基础。

这三根柱子的关系是：把超级智能分配给每个人，每个人用它来发明新东西，人与人之间自然形成竞争和制衡，安全从这个结构里长出来。

3、超级智能的核心价值在于发明，不在于自动化。

早期AI能回答问题、做重复性工作，这是自动化。超级智能的核心价值在于发明：发现新药物、新材料、新商业模式。一个人一天能问的问题有限，但超级智能能帮你发明的东西没有上限。如果AI主要用来替代现有工作，经济会很痛苦；如果主要用来创造过去不可能的东西，经济会扩张。

4、超级智能只有一个人拥有是灾难，每个人都有反而更公平。

想象只有一个人拥有超级智能律师。这个人在法庭上有碾压性优势，哪怕他的诉求站不住脚。社会因此变得更不公正。但如果每个人都有超级智能律师，司法反而比现在更公平、更高效，因为过去诉讼中常见的资源不对等消失了。

网络安全同理。一个人拥有超级智能网安工具，他能攻破几乎所有系统。每个人都拥有，所有系统反而变得更安全。商业也一样，一家公司独占超级智能，市场变成垄断；所有公司都有，市场变得更有活力。

5、Personal agent是Meta落地这套哲学的核心产品。

这个agent 7×24小时运行，了解你的目标、偏好、生活全貌，帮你管理健康、财务、人际关系、家庭事务。隐私方面有全加密选项，类似WhatsApp的端到端加密，连Meta自己也看不到用户数据。交互方式包括手机、电脑和眼镜。

他拿自己举例：agent帮他筛选信息、做原型设计、监测睡眠和训练状态。女儿喜欢烘焙，agent每周给她们设计食谱、下单食材、在烘焙过程中给建议。

6、创作工具方面，他8岁的女儿已经能在一个晚上用AI编程实现想法、制作视频，过去要花好几个月甚至根本做不到。现在父女俩在一起设计机器人。Meta的研究人员在用AI生成适合AR眼镜的新型晶体结构，工程师开发应用的时间缩短了好几倍。

7、每个人都会有一个在每个学科拥有博士学位、耐心无限的私人导师。学生在薄弱科目上能获得过去只有付得起家教费的家庭才有的辅导。成年人可以随时学新技能、新语言、新爱好。

8、科学研究方面，他和妻子普莉希拉（Priscilla）创办的Biohub已经发布了和虚拟细胞、蛋白质相关的开源生物模型，正在帮科学家发现新药物。最初设定的目标是在本世纪内治愈或预防所有疾病，现在AI会让这个时间表大幅提前。因为健康问题有长尾效应、每个人的生物特征不同，普通人的直接参与可以帮助解锁个性化疗法，加快临床试验的节奏。

9、免费和低价是Meta确保普及的方式。免费版本面向数十亿人。付费用户使用一种动态拍卖机制，保证每个人始终拿到最低价格，同时确保算力流向人们集体认为最有价值的用途。

10、就业问题上的核心论点是：AI是加速自动化还是加速个人能力增长，取决于哪种AI产品领先。

经济里有一个天然的平衡：公司用自动化提高效率，个人学习新技能去满足更高级的需求。如果这个平衡保持住了，生产率和就业同时上升。最近的数据显示，个人能力增长可能已经在追上甚至超过自动化速度。

为什么他认为未来工作会增多。第一，不管AI多强，算力始终有限，有机会成本。如果人可以用AI发明极有价值的新东西，把算力分配给发明比分配给替代现有工作更划算。第二，人总会想出新的需求和工种。一代人之前还没有App开发者、社交媒体创作者、电动车技师、数据中心运维。未来会出现一人产品工作室、世界构建师、个人生物学家这些今天还不常见的职业。

公司规模可能缩小，就像从工业巨头到科技公司的转变一样。但工作总量未必减少。更可能的情况是公司数量增加、每家人数减少、每家影响力更大。

11、Meta在建数据中心的社区搞了一个“社区契约”（Community Compact）。

在路易斯安那州里奇兰县（Richland Parish），Meta建数据中心带来的税收让当地教师今年拿到了5万美元的奖金。学区负责人说全国各地的教师正在往那里搬，他相信这里会成为全国最好的学区之一。Meta还创建了America's Workforce Academy，免费培训木工、电工、建筑工人，保证高薪岗位。电力方面Meta自建发电设施，确保不占用社区电力，有时甚至向社区回供低价电。水资源方面承诺到2030年实现“水正面”（water-positive），在高水压力地区恢复消耗量200%的水。

12、网络安全方面，广泛部署的开源系统比封闭系统更安全。更多人能发现漏洞、加固系统、快速升级到最新版本。他举了最近HuggingFace处理安全事件时依赖开源模型修补漏洞的例子。一旦超级智能让全世界大部分代码都能被可验证地确认安全（verifiably secure），分发能力就是安全能力。

他提了一个具体的合作方案：前沿AI实验室应该把新模型的中间训练检查点（intermediate training checkpoints）提前分享给政府，不用等训练完成。这样政府可以提前拿到最强模型、配合大量工程师加固关键基础设施，同时不拖慢模型的公开发布节奏。

13、生物和化学风险的部分，态度比其他风险领域更谨慎。

历史先例有限，不好判断概率。虽然合成有害化合物的能力存在了几十年但很少变成严重问题，可能因为缺乏网络攻击那种经济动机。但他也说，如果开始出现有害案例，策略应该及时调整。政策建议集中在物理环节：限制有害材料的实际生产和分销比限制知识传播更可行。同时要加速FDA等监管机构的审批流程，跟上AI加速药物发现的节奏。

14、隐私和自由方面，personal agent应该有完全隐私模式，连Meta自己都看不到也没有权限访问用户信息。自由民主的理想是个人天然持有所有权利，只在真正必要时才同意让渡部分自由。超级智能的分配应该遵循同样的原则。

15、对齐（alignment）应该服务于用户的目标，不是公司的价值观。

现在大多数实验室把对齐当成防御措施，用来执行一套中心化的价值观。举个例子：某家领先模型被对齐成拒绝帮用户给学校家长写信，理由是模型认为标准化考试不道德。

Meta的定义是：对齐意味着agent分享的是用户的目标和价值观。当然有法律和安全的底线，但本质上，对齐应该帮人去追求社会里各种各样的目标，而不是执行一套教条。

逻辑再推一步：如果数十亿人都在使用和审视个人超级智能agent，那说明对齐问题已经被解决了。而这个被解决的状态本身，就构成了必要的权力制衡和社会安全保障。对齐不是一项让某个超级智能永远善意的理想化技术，而是让personal agent变得有用、可信、从而实现社会层面权力制衡的东西。

16、递归自我改进（recursive self-improvement，简称RSI）是超级智能最可能失控的环节。

一旦AI系统能自主改进自己，任何不让自家AI把大量算力投入自我改进的实验室都会落后。比如一个专注优化计算效率的自我改进AI，理论上可以从每吉瓦电力中榨出100倍以上的智能。这意味着一个只运行在全球一小部分算力上的自我改进AI，有可能掌握比所有其他人加起来还大的有效算力，变成那个人类担心的单一超级智能。

解决思路是靠绝对规模。Meta和其他前沿实验室以及云服务商必须集体建造足够大规模的算力，这样才能在分配足够算力给RSI保持竞争力的同时，把绝大部分算力留给服务个人目标。人类掌控的算力始终占大多数，就是安全线。

17、美国领先地位的问题上，任何拖慢美国模型发布的政策，哪怕只拖一个月，都可能让外国模型在窗口期内赶上。中国每隔一周就有1GW以上的核电容量上线，美国在基础设施建设速度上处于劣势。

开源生态方面，美国实验室在训练数据上受到的限制比外国实验室多。他认为不应该禁止人们使用外国开源模型，而应该让美国自己的开源模型变成全球最好的。他也为模型蒸馏（distillation）辩护：模型从其他模型学习是开源生态的运作原理，就像人可以从观察到的任何东西中学习一样。限制这个原则，美国的开源就领先不了。

18、Meta Superintelligence Labs（Meta超级智能实验室）已经开始出成果：Muse Glimmer今天发布，Muse Spark 1.2的开放权重版本即将跟上。治理方面，Meta正在实施一个新结构：独立董事会有权批准模型发布的安全标准，并审查每次发布是否符合标准。虽然Meta是创始人控制型公司，但他不认为自己或任何人应该独自决定超级智能的部署方式，建议其他前沿实验室也采取类似的治理结构，也建议行业层面建立类似的流程。