这一句话，直接碘伏了过去几年人们对 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
以前我们总想着，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，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，要发信息到处问‘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：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：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 真正担心的不是模型太强，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：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。
