2025 年，AI 世界正被无形的张力撕扯：
一边是模型参数的激增，一边是系统资源的极限。
大家都在问：GPT-5、Claude 4、Gemini 2.5 谁更强？但前谷歌 CEO Eric Schmidt (埃里克·施密特) 在 2025 年 9 月 20 日的公开演讲中提出了更深层的洞察：
“AI 的到来，在人类历史上，等同于火、电的发明。而接下来的 10 年，将决定未来 100 年的格局。”
他不是在讲模型性能，也不是 AGI 的远近，而是在说：
AI 不再是提升工具效率，而是重新定义商业运作方式。
与此同时，在硅谷知名投资机构 a16z 的一场对话中，芯片分析师 Dylan Patel 指出：
“夸张的说，现在抢 GPU 就像抢‘毒品’一样，你要托关系、找渠道、抢配额。但这不是重点，真正的竞争是谁能构建出支撑 AI 的一个完整体系。”
两人的观点指向同一个发展趋势：
参数不是边界，电力是边界； 模型不是护城河，平台才是护城河； AGI 不是目的，落地才是关键如果说过去三年，AI 的主线是能力爆发；
那接下来十年，主线就是基础建设。
第一节｜AI 不再是工具升级，而是系统重构
在这场对话里，Eric Schmidt 开门见山地说：
“AI 的到来在人类历史中，和电、火的发明处于同一等级。”
他不是在强调 AI 有多聪明，而是在提醒大家：我们熟悉的工作方式、管理模式、赚钱方法，都可能要彻底改变。
不是让 AI 帮你写得更快， 而是让 AI 决定该怎么写。
Schmidt 说，现在最强的 AI 工具，已经不再是一个助手了，而是正在变成：
一种全新的基础设施，就像电网一样，成为所有组织的标准配置。
麻 将这一句话，直接颠覆了过去几年人们对 AI 的看法。
换句话说，这不是个人技能提升或团队效率优化，而是整个组织运转方式的根本改变：
决策方式变了，AI 参与思考； 写作、编程、客服、财务都有了 AI 搭档； 数据输入、结果评估、反馈机制都被 AI 重新设计。这种全面的组织变革让 Schmidt 意识到，不是预先制定详细流程，而是在实际应用中让 AI 逐步适应和优化。
据他介绍，自己目前参与的几家创业公司都采用了这种方法，不是先做完整规划，而是让 AI 直接参与工作，在实践中不断调整和完善。
所以他讲的，不是模型更强了，而是组织要不要转向 AI 原生的新形态。
AI 正在从工具，变成企业运营的基础设施。
第二节｜限制 AI 发展的，是电力
过去我们总以为，AI 的能力发展，会被技术卡住：
芯片性能不够，模型算不动；
算法太复杂，推理速度太慢。
但 Eric Schmidt 说，真正限制 AI 发展的不是技术参数，而是电力供应。
他提到一个具体数据：
“到 2030 年，美国需要新增 92GW 电力，才能支撑数据中心的需求。”
什么概念？
一个大型核电站，功率也不过 1 到 1.5GW。
92GW，相当于几十座核电站的发电量。现实却是：美国当前在建核电站，基本是零。
这意味着，未来问题不是模型技术不够先进，而是电力供应跟不上训练需求。
Schmidt 甚至对国会说过一个令人意外的例子：他们可能需要在海外训练美国自己的模型，比如在中东国家的发电基地。
（Sam Altman 刚刚发布博客：《智能时代的无限可能》）
这种对电力的渴求并非危言耸听。就在 9 月23 日，OpenAI CEO Sam Altman 刚刚发布博客，提出了一个更激进的方向：我们希望建造一种工厂，每周新增 1GW 的 AI 算力设施，用电规模堪比一座城市。
他明确指出，这将需要芯片、电力、机器人、建筑等多个系统的协同突破。
用他的话说：“一切都始于计算。”
Altman 的这个目标，不是远景展示，而是正在布局的基础建设。它正是 Schmidt 所说“AI 将成为新电网”的现实化路径。
事实上：
模型训练本身并不贵，真正的成本是电力消耗、运行时间和设备维护。
麻 将随着推理任务越来越多，生成内容越来越复杂（图像、视频、长文本），AI 工厂的电量需求正变成新的算力瓶颈。
Dylan Patel 在另一场对话中也提到，搭建 AI 系统时，不仅要考虑芯片有多快，还要考虑散热、电费、稳定性。他说得更形象：
“AI 工厂不是买一堆 GPU 就行，还要考虑电能调度和持续运行能力。”
所以这不是芯片问题，而是电力跟不跟得上的问题。
而当电力无法满足时，连锁反应就来了：
模型不能训练； 推理成本升高； AI 工具无法大规模部署； 最终失去落地的可能性。Schmidt 认为，基础设施跟不上是目前 AI 落地面临的最大现实挑战。没有足够能源支撑，再领先的模型能力也用不起来。
因此，AI 的下一个战场不在实验室，而在发电厂。
第三节｜不是谁有芯片，而是谁能把它们用起来
而即便电力解决了，问题还没完。你真的能把这些芯片、模型、任务，全都运行起来吗？
很多人以为，只要拿到 H100、B200 这些最先进的芯片，AI 工厂就建成了。
但 Dylan Patel 一上来就泼了冷水：
“现在 GPU 非常紧缺，要发短信到处问'你有多少货？什么价格？”
他接着说：
“但光有芯片还不够。核心是要让它们有效协作。”
也就是说，芯片本身只是一个部件，真正决定 AI 工厂能否持续运行的，是你有没有能力把这些芯片整合起来运行。
他将这种整合能力分为四个层面：
算力底座：GPU、TPU 等硬件基础； 软件栈：训练框架、调度系统、任务分配器； 冷却与电力管理：不只是有电，还要把温度、负载、电费控制好； 工程能力：谁来优化模型、调优算力、控制成本。这就是 Dylan 所说的“AI 工厂”的核心：AI 工厂不是一个模型、也不是一张卡，而是一整套连续的工程调度能力。
你会发现，AI 工厂不仅需要大量算力，更需要复杂的工程配合：
一堆 GPU 是“原材料”； 软件调度是“控制室”； 冷却和电力是“水电工”； 工程团队是“维修组”。简单来说，重心已经从“造模型”转向了“建基础设施”。
Dylan 观察到一个有趣的现象：你看现在的芯片公司，不只是卖卡了，而是开始“包施工”了。Nvidia 开始帮客户整合服务器、配置冷却、搭建平台，自己就成了平台。
（图源：路透社报道）
这场访谈发布的同一天，Nvidia 与 OpenAI 公布了一项未来合作意向：Nvidia 将为 OpenAI 提供最多 10GW 级别的数据中心资源，投资规模可能达到数 1000 亿美元。
Sam Altman 在声明中说了一句话，恰好印证了上面这个逻辑：
计算基础设施将是未来经济的基础。Nvidia 不只是卖卡、供芯片，更是和他们一起部署、建设、运营整个 AI 工厂。
麻 将这说明了一个趋势：真正有能力形成闭环的，不是最聪明的人，而是最懂如何落地的人。
也就是：
能造出模型，是一回事； 能让模型每天稳定运行，是另一回事。AI 不再是买来就能用的产品，而是需要持续运营的复杂工程系统。关键是你有没有长期运营这套系统的能力。
第四节｜AI 能力扩散成趋势，竞争焦点在哪？
当大家还在争夺运营能力时，新的变化已经出现了。
AI 模型做得越来越好，越来越聪明，但 Eric Schmidt 提了个警告：
“我们无法阻止模型蒸馏。几乎任何一个能访问 API 的人，都能复制它的能力。”
什么是蒸馏？简单说：
大模型虽然能力强，但部署成本太高； 研究者会用它来训练一个小模型，让小模型模仿它的思考方式； 成本低、速度快、精度高、难以追踪。就像你没办法复制一个顶级厨师，但可以通过他做出来的菜，教会另一个人做出八成相似的效果。
问题就来了：能力越容易被转移，模型本身越难被限制。
（Dylan Patel，知名芯片行业分析师，专注AI基础设施研究）
Dylan Patel 也提到一个行业趋势：
现在蒸馏成本，只占原始训练的 1% 左右，却能复现原模型 80-90% 的能力。
麻 将即使 OpenAI、Google、Anthropic 把模型保护得再严密，也挡不住有人通过蒸馏获得相似能力。
以前大家比的是谁更强；现在开始担心谁还控制得住？
Schmidt 在访谈里说：最大的模型将永不开放。而小模型的扩散，将不可避免。
他不是在鼓吹封闭，而是在提醒一个现实：技术扩散的速度，可能远快于治理跟上的节奏。
举个例子，现在已有不少团队用 GPT-4 的 API，去蒸馏出一个 GPT-4-lite：
成本低，易部署；
基本对外没有明确标识；
用户用起来感觉几乎一样。
这就带来一个难题：模型的能力，可能会像“空气”一样扩散；但模型的源头、责任归属、使用边界，都很难界定清楚。
Schmidt 真正担心不是模型太强，而是：
“当越来越多的模型具备强能力，却不受监管、难以溯源、责任不清，我们该如何确保 AI 的可信度？”
这种现象已经不是假设，而是当前的现实。
随着 AI 能力扩散已经成为不可逆转的趋势。单纯拥有先进模型不再是护城河。竞争的焦点已经转向了如何更好地运用和服务这些能力。
第五节｜平台的关键，是越用越准
所以最终，比能不能造出来更重要的是：你能不能构建出一个越用越好的平台？
Eric Schmidt 给出了他的答案：
“未来成功的 AI 公司，不只拼模型性能，更要拼持续学习的能力。”
通俗说就是：你不是一次性做出一个产品就完事，而是建一个平台，让它用得越多越聪明、越用越好用、越用越稳定。
他进一步解释：
平台的核心不是功能，而是让别人离不开你。
麻 将比如：
电网不是因为灯泡亮，而是因为能让所有灯都亮； 操作系统不是因为功能多，而是能让一批应用稳定运行； AI 平台也一样，不是做出某个智能助手，而是让别的团队、用户、模型都能接入、调用、增强。AI 平台不是某个功能，而是一套持续运转的服务网络。
他还建议年轻创始人：不要只问这个产品做得完美不完美。要看它有没有形成一条“用 → 学 → 优化 → 再用”的路径。
因为：能持续学习的平台，才有长期生存的可能。
Dylan Patel 补充说，这其实也是 Nvidia 成功的路径。黄仁勋做了三十年 CEO，靠的不是运气，而是不断把芯片和软件绑成闭环：客户用得越多，他就越了解客户想要什么；越了解需求，产品就越好用；产品越好用，客户就越难放弃。
这样就形成了良性循环，越用越值。
不是“发布即巅峰”，而是能够持续成长的平台。
Schmidt 总结得很清晰：你能不能构建出这样一个增长机制？一开始可能很小，但它能不断适应、不断扩展、不断更新？
他对未来 AI 平台成功者的判断是：
不是你写了什么代码，而是你能不能让一个平台活下来，而且越活越强。
结语｜谁先形成闭环，谁赢未来
Eric Schmidt 在访谈中说：
“AI 就像电与火，这 10 年，将决定未来 100 年。”
AI 的能力已经准备好了，但往哪走、怎么搭、怎么用还没想清楚。
现在的重点不是等下一代模型，而是把现有 AI 用起来、用得好。别总想着 GPT-6/DeepSeek R2 什么时候出，先把手头的工具在客服、写作、数据分析等场景中跑通。让 AI 能 24 小时稳定工作，而不是只在发布会上惊艳一下。
这不是聪明人的比赛，而是执行力的较量。
谁能率先把 AI 从实验室带到现实，谁就掌握了未来十年的主动权。
而这场“闭环之争”，从现在就已经开始。
