Cerebras：AI 算力需求早已订满
在 2026 年 7 月 10 日播出的 All-In Podcast 中，Cerebras CEO 兼联合创始人 Andrew Feldman 表示，这一轮 AI 基建扩张和过去的技术热潮不同，需求已经先于产能锁定。按他的说法，Cerebras 目前手握 250 亿美元积压订单，OpenAI、Anthropic、SpaceX、Google、Microsoft 和 AWS 对数据中心与算力的需求都在持续增加，不存在“建好了再等人来”的情况。
Feldman 还描述了数据中心建设的规模。他称，未来几年相关数据中心的耗电量将超过地球过去 50 年的总量，单体建筑面积可达一个足球场大小，接入电力超过中型城市。美国、加拿大、北欧、巴黎和整个法国、中东，以及哈萨克斯坦、塔吉克斯坦、格鲁吉亚等地都在建设大型数据中心。
对于外界质疑 AI 需求是否真正创造价值，Feldman 认为，市场中既有有效投入，也存在试错。他把当下企业使用 AI 的方式类比为早期使用 AWS，最初会广泛尝试，之后开始建立策略，区分哪些任务适合开源模型，哪些必须交给前沿模型处理。
推理成为新的算力密集区
节目中，主持人提到 Sam Altman 此前在 All-In 节目中把 reasoning 视为下一阶段重点。Feldman回应称，推理本质上就是 inference，而 reasoning 会消耗海量 token，这正是高性能机器的用武之地。
他表示，如果 Cerebras 的系统快 15 倍，那么持续运行 24 小时的推理任务，等效于其他系统运行数周甚至数个月的思考量。他举例说，自己当天测试了 BitTensor 上 ZAI 的 GLM-52 模型，在给定“无限算力”条件后，模型会围绕全球尚未被识别的趋势进行自我辩论，比较 Hacker News、Reddit 和 Instagram 等不同信息源，展现出推理过程。
在芯片演进方面，Feldman称，传统芯片过去主要沿着 Moore's Law 推进，即 18 个月性能翻倍，而 Cerebras 认为其新架构已打破这一节奏，未来 18 个月的提升会“远超 2 倍”。他同时指出，GPU 是已有 20 年历史的架构，新架构仍存在较大优化空间。
超大规模客户追求控制权，开源也在抬头
谈到客户可能转向自研芯片时，Feldman表示，这种趋势并不意外。OpenAI 和 Amazon 都在开发自己的芯片，原因并不只是追求最快速度，而是不愿完全依赖外部供应商。他说，超大规模厂商从 x86 时代得到的教训之一，就是不愿被 Intel 绑定；做自研芯片，重点在于掌控自身命运的一部分。
在模型层面，他认为企业正在把前沿模型和开源模型分开使用：难题交给 OpenAI、Anthropic、Gemini 等前沿模型，日常任务则更适合稳定、成本可控的开源模型。金融和医疗等受监管行业，因为担心数据泄露和“智能主权”问题，更倾向于本地部署开源模型。
Feldman提到，OpenAI 几个月前发布了 OSS 12B，但他认为美国本土可选的开源模型仍然偏少，目前企业若要运行开源模型，选择往往在 OpenAI 的 OSS 12B 和中国模型之间。他还表示，Cerebras 当前既运行 GLM、Kimmy、Qwen 系列，也运行 OpenAI 的闭源模型，以及 GSK、阿联酋 G42 和 MBZUAI 的自有模型。
Andrew Feldman：按二十年前的定义，AGI 已经来了
在谈到 AGI 时，Feldman给出了非常直接的判断：按照 10 年、15 年、20 年、30 年、40 年甚至 50 年前提出的定义，AGI 已经到来。他说，图灵测试“早就打爆了”。
他认为，递归式学习带来的增益呈指数级增长，模型在不断重复提问、修正和扩展材料覆盖范围后，输出质量会出现明显跃迁。相比人类受代际更替限制的学习速度，AI 正在获得接近“果蝇速度”的跨代学习能力。
对于政府要求模型分步发布的问题，Feldman表示，面对强力模型，先让政府做一些红队测试、用两三周时间修补明显漏洞，并不是不合理要求。他提到 Palo Alto Networks 的 Nikesh 曾告诉他，公司用模型测试自家软件时，在一小时内发现了几十个关键漏洞，随后不得不花六周时间修补。
Feldman还说，他押注的一点是，自己的孩子这一代人以及他们认识的很多人，不会因癌症去世。他把 AI 带来的变化概括为无限能源、无限食物、无限知识、无限教育和无限住房，同时指出，经济层面也会经历震荡，就像汽车出现后，给马钉蹄铁的人会受到冲击。
Black Forest Labs：多模态模型正从电影走向机器人
同场对谈中，Black Forest Labs CEO 兼联合创始人 Robin Rombach 介绍说，他和团队两年前创立了这家公司。此前，他参与了 Stable Diffusion，并更早提出 latent diffusion 算法。他表示，这套方法已成为当前图像生成、视频生成，甚至部分物理 AI 模型背后的基础算法。
Rombach说，Black Forest Labs 当前重点推进多模态视觉模型，在图像和音频数据上进行联合预训练，并加入 action prediction，使同一个模型能够处理图像、视频、音频，并预测动作，最终部署到真实世界的机器人系统中。
在他看来，直觉智能和深度推理是两种互补的智能形式。团队最初从图像切入，因为计算量低于视频，但现在正逐步收敛到统一的多模态模型。预训练视频会隐式教会模型物理交互规律，而从同一模型中提取动作预测能力，就能延伸到机器人控制。
与 Martin Scorsese 共用 AI 工具，强调“人在回路中”
Rombach在节目中透露，他曾与导演 Martin Scorsese 同处一室，现场让对方使用团队的模型。按他的描述，Scorsese 想做的是把脑海中的场景可视化，例如一个东欧村庄的画面，导演负责描述，模型给出输出，再不断迭代。
Rombach称，Scorsese 最终给他的反馈是，把脑中的画面转换为视觉表达，比语言沟通更高效，因为语言本身是“有点有损的沟通方式”，而图像和视频承载的信息量要丰富得多。
他同时强调，Black Forest Labs 不想规定用户该如何使用这些模型，尤其不会去告诉 Martin Scorsese 应该怎么用。在他看来，AI 模型本身是一种媒介，而最有意思的成果，几乎都出现在“人在回路中”不断迭代的过程中。
生成式视频的终点，不在银幕
主持人提到，部分初创公司已经用 Flux 等模型制作发布视频，原本要花 25 万美元的 launch video，现在一两周就能完成；节目中还举例称，Gal Gadot 刚拍摄一部 Bitcoin 电影，演员在 sound stage 上表演而不使用绿幕，背景由生成式 AI 完成，以 3000 万美元预算做出过去约 1.5 亿美元预算才能达到的效果。
对此，Rombach表示，他确实已经看到一些实际制作案例，但高端电影制作仍是要求最严苛的应用场景之一，技术本身还在快速迭代，不会停在当前阶段。
他最看重的方向并不是银幕，而是物理世界。“你可以用同一个多模态模型拍一部电影，然后把它部署成机器人上的大脑。”在他看来，world models 和 action models 本质上属于同一条技术路线。
谈到机器人训练数据时，Rombach说，团队的目标是最终通过 in-context prompt 直接指挥机器人完成“把那杯橙汁拿过来”这样的任务，但目前还做不到。现阶段模型已经具备大量视觉理解能力，只需数小时微调数据，就能适配特定硬件，未来方向是尽量减少微调，更多依赖 in-context 指令。
IP 授权、定制模型与团队扩张
在内容版权和商业化问题上，Rombach表示，最有趣的用例在于生成此前不存在的内容。他说，Black Forest Labs 的公开工具不能生成特定 IP 内容，这样的限制是合理的；与此同时，团队也在与部分 IP 持有方合作开发模型，其中一些基于开源模型，另一些则基于性能更强的 proprietary 模型。
节目里还谈到 fan films 现象。主持人提到，用户正用 AI 重新演绎尚未讲述过的 Star Wars 故事，像 Star Wars Stories Untold 这样的内容单条视频可获得百万播放。Rombach表示，如果能找到对 IP 持有方可行的商业模式，同时开放这种高度定制的创作方式，会是很有吸引力的方向。
Rombach最后透露，Black Forest Labs 团队规模刚刚超过 100 人，目前正在德国和旧金山招聘，岗位包括大规模模型训练研究者、具备 diffusion 和 flow matching 训练经验的人才、与客户共同开发定制方案的工程师，以及大规模计算基础设施运维人员。
