AI加速之后，谁来承接：第250期中的算力政治、证据边界与组织重构

一、主讲人与议题背景

《The Artificial Intelligence Show》第250期由Paul Roetzer与Mike Kaput主持，内容以新闻评论和业务分析为主。元数据记载，本期于2026年11月10日上传，时长6197秒，约103分钟。所提供材料没有本期受访嘉宾的背景信息；阅读时更需要辨明的，是两位主持人何时在转述报道，何时在讲述个人体验，又何时进入即时推演。

Paul在开场自述为SmarterX及Marketing AI Institute创始人兼CEO，并介绍Mike为联合主持人及SmarterX首席内容官。AI对企业和职业的影响，是两人持续关注的问题。沿着这一关切，地方数据中心公投连接到订阅成本，实验室研发评估连接到人员准备，查询报名人数的操作则引出企业如何组织工作的讨论。

250期回顾交代了这种讨论方式的来历。节目于2021年1月启动，前19期是不定期访谈，2022年10月从第20期起转为周播。Paul说，固定录制的初衷，是让两人保持研究AI及其业务影响的节奏。节目也推广自家的AI Academy与AI Score，因此，教育和转型既是编辑关切，也与其商业业务相关。持续研究的方法可以借鉴，课程介绍与产品能力说明则应结合这一推广背景理解。

二、本期主要内容

数据中心争议是本期讨论最具体的现实约束。Mike报告，美国41项地方公投中有40项倾向限制数据中心，选民主要关心电费、用水和社区参与。他也明确指出，选举结果不会直接叫停大量在建工程。因此，这些投票首先关乎后续项目如何获得建设条件、分担成本和争取支持，不能直接解读为既有算力即将减少。

Paul引用了两组风险判断：Axios称，近三分之二的2028年数据中心容量可能延迟；Brad Gerstner则预测，次年美国25%—35%的建设面临风险。两者涉及不同年份和计量对象，不宜合并理解。地方态度也并不一致：Harwood约四分之三的投票者否决了工业开发限制。Paul据此判断，经济、国家安全和既有建设承诺会推动各方继续谈判，政治压力更可能转化为社区争取利益的筹码。按他对建设承诺周期的理解，主要影响或落在2028—2029年；但他承认，自己没有逐项分析相关法案。

OpenAI的社区契约呈现了企业的一种回应。按Paul介绍，契约适用于未来自有运营园区，承诺让社区参与、自付能源和基础设施费用、报告资源影响，并创造本地机会。Pike County的2500个长期岗位、8万美元平均年薪和26000个建设岗位，均为企业对未来的预测，尚不能当作已经实现的结果。

Paul随后把供给约束延伸到产品价格：如果算力供应受限，服务商可能涨价或削减额度。他现场设想了1000、2000或5000美元的月费，以及把订阅包装成替代招聘支出的营销说辞。这些是即时推演，既非已公布定价，也没有岗位替代的验证结果支撑。

研发部分聚焦METR对Anthropic的评估。Mike转述，METR在2026年8月12日至10月29日通过研究数据和员工访谈开展评估，估计Anthropic在一年内取得了约两年的研发进展。其描述的主要机制仍是AI辅助人类研究员，没有展示模型独立、连续开发更强模型的证明。

这一估计能被外界复核到什么程度，随即成为讨论重点。据节目转述，METR提交了100页完整报告，但公开版删去了大量关键证据。Sam McCandlish认可AI加快了研究，同时表示提速幅度难以确定；他以商业敏感性和避免提供提速路线图解释删节。评估结论因此与公开证据之间保留着距离。

英伟达部分转向公司治理。节目转述有关CEO私人关系及潜在情报联系的报道，称独立董事与外部律师将展开调查。董事会当时表示，没有理由相信国家安全或公司机密受到损害，并继续支持其领导。报道中的疑点、调查安排与董事会声明，需要分别看待。

Paul还引述此前关于Megaspeed采购计划、美国出口合规调查及新加坡警方调查的报道。节目同时讨论CEO约4%的持股、缺乏双重股权保护、约60名直接下属，以及不明确的继任安排。这使话题从相关报道延伸到组织对个人的依赖：董事会能否更换负责人，与公司能否顺利承受领导层更替，涉及不同的治理问题。

三、核心观点：推理、例子与边界

技术进展能否转化为算力供给，取决于建设条件和利益分配。Paul把地方阻力视为社区谈判的杠杆：居民承担电力、用水和建设带来的影响，开发者需要获得继续建设的条件，费用分担与社区参与便成为协商重点。OpenAI提出自付成本、报告资源影响，回应的正是Mike概括的选民关切。但这份契约只适用于未来自有运营园区，不能据此推及全部合作项目；企业预测的就业机会，也仍需等待交付。Paul承认没有逐项分析相关法案，因此，他对主要影响将落在2028—2029年的判断，只能作为有待检验的情景，不能视为确定的供给时间表。

研发加速的讨论，关键在于区分研究效率提高与自主递归改进。Paul把研究人员与模型共同开发后继模型称为早期RSI，并转述Google研发资源需求转向Argon配额的说法。这为模型深入研究流程提供了线索，但Mike强调，当前描述的仍是人机协作。同一团队借助工具完成更多研究，与模型独立确定方向、连续开发并验证更强的后继模型，需要不同的证据。即使接受“一年取得约两年进展”的估计，也不能仅凭这一点认定自主递归改进已经出现。

METR报告的删节，使公开证据的局限更为突出。评估方可能接触了公众无法看到的材料，商业保密和避免提供提速路线图也可能构成删节理由，但读者仍无法据公开版本复核加速幅度、机制与归因。Sam McCandlish认可AI加快研究，同时承认幅度难以确定；相关方的认可并未补齐这些证据。节目引用的科学发现加速预告没有附上对应实验结果，匿名账号Pliny关于未发布模型逆向工程软件的猜测也未获证实。Paul判断研发速度超过AI 2027的激进情景，却没有提供可复核的比较；他对英伟达消息由政府人士协调泄露、CEO政策影响力发生变化的解释，同样属于推测。这些说法可以成为后续追踪的问题，尚不能串成已经证实的技术或政治因果链。

教育争论的分歧，在于学生究竟需要为怎样的未来做准备。Casey McKenna用11个问题讨论问题识别、证据判断、原创、协作、自学、从失败中学习，以及何事值得投入。这些能力为AI教育提供了具体目标，讨论也因此超出了是否开通工具账号。Paul披露自己与Casey相识多年，这一关系同样是理解其评价的背景。

Paul在俄亥俄大学的经历，则反映了他接触到的学生态度。他称演讲约有150名学生参加，估计所见公开白板留言约95%为负面，并转述学生组织月会约20人参加。这些观察和口头反馈有助于理解他为何担忧学生的准备程度，却不能代表全校态度，也不能验证他对三年后就业处境的警告；后者仍是个人预测。

普林斯顿学生报社论与Paul的意见，分别涉及工具配置和教育责任。社论质疑普遍提供ChatGPT Plus的教学依据，提出院系审批，并担忧学生把完成作业误当成已经学会。Paul主张教授AI原理与负责任使用，也明确表示，这不等于要求英语专业学生用AI写作。AI素养教育与保留独立分析要求，可以同时成立。Google学校账号的安排还涉及实际选择空间：Gemini及搜索默认关闭后，管理员可以分别启用，但仍没有剔除内置AI功能的搜索选项。能否启用一项服务，与能否选择其中的功能组合，是两回事。

企业支出数据也需要按各自口径理解。Mike转述Menlo对近400名美国企业决策者的调查，估计企业AI年化支出由330亿美元增至1770亿美元。OpenRouter所称智能体占80% token，则是另一平台的代理指标。三大厂商占部署支出69%，与Anthropic、OpenAI、Google分别占企业LLM API支出55%、31%、9%，使用的分母也不同。受访企业平均支出达上年4.7倍，编程和企业聊天机器人占应用支出76%，说明了该样本的投入方向，无法直接推导全球生产率变化。

Menlo报告中，新增支出的55%来自新预算，22%来自既有软件预算；与此同时，核心业务系统被大量替换的证据仍然不足。这些信息更支持一种阶段性判断：企业正在扩张AI投入，并将其叠加到现有系统之上。Mike提醒Menlo本身投资软件公司，这一利益关系也应纳入对报告叙事的判断。

席位收费能否延续，则取决于软件如何识别使用者和工作量。主持人假设，一个智能体凭证可以承担10种角色，由此讨论按人头收费如何转向按使用量或成果收费，以及随之而来的可变成本风险。10种角色尚非普遍部署事实，未来如何识别访问、如何计费，也未确定。Paul从Dots主动跟进的体验出发，设想持续监控业务的智能体，进而推演自运行公司；他同时承认，如何负责任地实施、岗位与经济如何承接，仍有许多问题没有想清。个别操作变得便利，尚不足以证明整个公司的职责、判断与责任都能随之迁移。

四、学习与应用

企业团队可以从边界清楚、反复发生的任务入手，比较不同实现路径。节目转述，LinkedIn通过内部小模型控制招聘助手成本；Zapier CEO则主张让智能体判断任务、确定流程，再交由确定性自动化重复执行，遇到异常时交回智能体。按照这一思路，团队可以把判断、稳定执行和异常处理分开，先定义合格输出，再比较总费用、人工复核和维护负担。窄任务是否适合小模型，需要用团队自己的样例验证；Zapier宣称最高节省71%，不能直接计入预算，视为必然收益。

Paul自述通过连接HubSpot的ChatGPT，约30秒便查询了网络研讨会报名数据、取得名单链接，并安排每日报告。这类操作适合用来设计小规模试点：先限定读取某场活动的数据，再由业务负责人核对人数、来源分类和报告结束日期。起草推广邮件、通知团队审核，是Paul随后提出的假设场景，需要另行验证。HubSpot据称正在探索headless访问，以及席位加积分收费；评估这类流程时，模型费用与软件访问费用都应计入，不能只计算一次对话的成本。

Paul提出的AI价值工程师角色，核心职责是在相同输出要求下，比较模型、工具和确定性步骤的成本，并明确何时交回人工。他设想部分步骤可以按LLM百分之一的成本执行，但本段讨论没有验证这一比例。可采用的是比较方法：如果某条流程虽然节省token费用，却增加异常漏报、复核时间或维护难度，就需要把这些负担一并计入价值判断。

Mike用Codex和SQLite搭建的个人知识库，展示了另一种分工方式。他保留原文、来源、平台和对话角色，优先用定时代码采集资料，让AI负责识别、筛选及分析。借鉴这一结构时，可以先接入一种来源，保留原文、平台、时间线索及发言者，再检查新增资料是否正确进入数据库，稳定后逐步扩展。重复采集交给代码，资料维护与推理开销便更容易分别核算。对话角色尤其需要保留，否则模型生成的建议可能在后续检索中被当成用户自己的判断。Mike的系统仍在开发，其结构可供参考，成熟度和收益则尚待验证。

评估智能体能力，需要区分任务设计、候选输出和成功结果。节目称，OpenAI的实验性安全流水线消耗了约120万美元API用量，为数百个Linux漏洞开发利用程序和候选修复，但没有交代验证修复率或部署结果。因此，无法据此计算每个有效修复的成本。Life Val把日常任务作为评测对象，依据时间使用研究及近4000人调查设计，但节目没有报告模型成绩。团队可以借鉴其任务导向，预先写清成功条件，再检查系统是否完成；评测的发布本身不能替代能力验证。

权限也应按具体动作划分。节目介绍的Claude个人金融测试版，提供银行和信用卡账户的只读分析，这与执行交易属于不同授权范围。Siri开发者测试版支持应用操作与skills组合，面向消费者的推出仍在计划中；Paul认为它尚不具备computer use能力。部署自己的智能体时，可以采用节目转述的Replit与Cognition建议：在受控云环境运行，按任务限制权限，并从开发者笔记本电脑移除生产凭证。读取、起草、批准和执行应分别决定，扩大权限前明确新增动作由谁负责、结果如何检查。

记录证据时，同样需要保留消息的来源、进展状态和缺失信息。Thinking Machines Lab融资接近完成，不能写成已经完成；images 2.6转录中的“50 faster”缺少单位，也无法确定提速幅度，不能自行补成百分比或倍数。企业试验也应遵循同样的尺度：先完成可检查的小任务，再根据实际结果决定是否扩大范围。

来源

• 原始节目：Ep. 250: Midterm Voters Reject Data Centers, AI Speeds Up Anthropic’s Research & Nvidia’s Spy Probe