Andrew Feldman × Robin Rombach：开源赢了，AGI 已经到场｜完整 ASR 精读版 (2026)

覆盖说明：All-In Podcast E280 于北京时间 2026-07-10 09:26 发布，官方 Libsyn / RSS 单集页提供完整 MP3 音频，本期已完成完整音频 ASR 后放行整理。受当前图文承载长度限制，本期不是逐句无删减全文译本，而是按节目顺序做完整稿源精读；若后续频道支持长附件或分篇承载，再补全逐句全文翻译。1

图集导读

封面：All-In E280 官方单集视觉，标出 Robin Rombach 与 Andrew Feldman。
嘉宾图：Andrew Feldman，Cerebras 联合创始人兼 CEO。
嘉宾图：Robin Rombach，Black Forest Labs 联合创始人兼 CEO。
视觉线索：Cerebras 机柜与推理基础设施。
视觉线索：Black Forest Labs 官方生成视觉，呼应世界模型与生成视频。

稿源与事实边界

All-In E280 的官方标题是「Open Source Wins, AGI Is Here, and Scorsese’s AI Toolkit with CEOs of Cerebras & Black Forest Labs」，官方章节列出 5 个主题：AI 基建扩张、推理与摩尔定律、开源 / AI 主权 / AGI、生成视频创新、Martin Scorsese 与 Hollywood IP。1 All-In 官方 X 帖也在发布时确认嘉宾为 Cerebras CEO Andrew Feldman 与 Black Forest Labs CEO Robin Rombach，并给出同一组章节。2

Andrew Feldman 的身份以 Cerebras 官方资料核验：Cerebras 公司页列出他为 Chief Executive Officer and Co-Founder，投资者关系页列出他同时担任联合创始人、CEO、总裁与董事会主席。3 4 Robin Rombach 的身份以 Slush 公开讲者页与 BFL 官网核验：Slush 列出他为 Black Forest Labs co-founder and CEO，并介绍其 Stable Diffusion、Latent Diffusion、VQGAN 与 FLUX 相关背景；BFL 官网将公司定位为「visual intelligence」前沿实验室。5 6

一句话核心

这期 All-In 把两个看似分开的 AI 赛道放到同一条主线上：Andrew Feldman 讲「推理算力、开源模型和 AGI 竞赛」；Robin Rombach 讲「生成视频、世界模型、机器人和 IP 授权」。合起来看，下一阶段的 AI 竞争不只是模型参数，而是算力速度、开放生态、真实世界理解和创作权利边界的组合战。

嘉宾背景

Andrew Feldman｜Cerebras

Andrew Feldman 是 Cerebras Systems 联合创始人兼 CEO。Cerebras 官方团队页列出他为 Chief Executive Officer and Co-Founder；投资者关系页进一步说明，他自 2016 年 4 月起担任 CEO、总裁及董事会成员，此前曾任 AMD Corporate Vice President and General Manager，也曾担任 SeaMicro CEO。3 4

本期 Andrew 的主线不是普通芯片发布，而是解释为什么「推理」正在成为 AI 基建中心：模型越会思考，越需要更长的推理链；推理链越长，速度、能耗、数据中心、供应链和主权部署就越重要。1

Robin Rombach｜Black Forest Labs

Robin Rombach 是 Black Forest Labs 联合创始人兼 CEO。Slush 讲者页介绍，他此前在 Stability AI 担任 research director，并在 LMU Munich 攻读博士；其研究贡献包括 VQGAN、Latent Diffusion、Stable Diffusion 和 FLUX。5 BFL 官网将公司描述为构建 visual intelligence 的 frontier lab，模型方向是理解、推理并在世界中行动。6

本期 Robin 的重点是：生成图像和视频并不是终点，模型如果要生成世界的视频，就必须某种程度上理解世界；这条路径会自然延伸到 action prediction、机器人和内容创作工具。1

按节目顺序精读

1. AI 基建扩张：数据中心比城市还大

开场 Andrew 直接把 AI 竞赛放在「super intelligence」层面。他说需求已经远远超过行业建设数据中心和填充硬件的能力，并提到 Cerebras 有 250 亿美元 backlog。节目里还谈到，AI 数据中心正在全球铺开，地点不只在美国和欧洲，也包括中东、中亚和高加索地区。1

这段的关键不是数字本身，而是 Andrew 的判断：AI 建设潮不是「多买一点 GPU」，而是一场围绕能源、土地、供电、硬件、数据中心施工速度和国家战略的总动员。

2. 推理芯片：Reasoning is inference

Andrew 把 reasoning 归入 inference：越高级的推理，越会消耗 tokens，也越需要快机器。他给出的想象是，如果推理可以持续跑 24 小时、48 小时，模型能拿到的结果会非常惊人；如果 Cerebras 的速度优势能把同样时间里的思考量放大，长时间推理就会从「演示」变成「可用的产品能力」。1

这解释了为什么推理芯片与 AGI 讨论会放在同一集：AGI 如果要从一次回答变成持续思考、搜索、验证和自我改进，底层约束首先是推理速度与成本。

3. 摩尔定律之外：Cerebras 想做新的性能曲线

Andrew 说传统处理器世界遵循 Moore’s law，但 Cerebras 试图走出另一条曲线。他在节目中表示，团队已经「打破」传统节奏，并期待未来 18 个月获得超过 2 倍提升。1

对创业者来说，这里值得看的不是单点性能承诺，而是 Cerebras 的叙事方式：把芯片性能、推理长度、AGI 时间线和 AI 主权部署捆成一个系统性议题。

4. 开源模型：不是所有任务都需要 Ferrari

Andrew 用「Ferrari vs minivan」解释开源模型的价值：前沿模型像性能车，适合难题；但企业中大量任务是复制、整理、改写、检索和普通推理，并不需要每次都调用最贵最强的模型。他的判断是，企业会做模型路由：难题交给 frontier models，普通任务交给更便宜、可控、可本地部署的开源模型。1

这也是 AI 主权议题的现实入口。金融、医疗、政府和大型企业不仅关心模型能力，也关心数据是否离开边界、能否在本地运行、是否可审计、是否受制于单一闭源供应商。

5. 安全与发布节奏：先红队测试并不过分

谈到强模型发布，Andrew 认为政府或行业要求先做 red teaming、分阶段发布，并不天然荒唐。他把强模型类比为强药物或大型系统：上线前先测试、找漏洞、逐步扩大范围，是合理的安全动作。1

这段给 AI 公司一个提醒：速度不是唯一竞争维度。越接近 AGI / 超级智能，产品治理、访问边界、泄露预案和社会信任就越会变成基础设施的一部分。

6. AGI：很多旧定义已经被跨过

主持人与 Andrew 讨论 AGI 时，Andrew 的立场偏激进：他认为很多过去用于定义 AGI 的门槛已经被跨过，只是还没有完全被部署出来。他尤其强调递归学习和 loop maxing：模型能理解意图、检查输出、改进下一轮，这种递归增益会让曲线非常陡。1

我认为这一段最值得中文读者带走的是：AGI 争议不必只纠缠术语。更实际的问题是，模型是否正在从「回答问题」转向「持续执行、评估和改进」。如果答案是肯定的，那么算力、沙盒、权限、审计和人机协作都要提前重做。

7. AI 的长期红利：医疗、教育、能源与知识

Andrew 在后段试图把讨论从 P-doom 拉回到社会收益：AI 可能帮助癌症治疗、个性化教育、知识获取、能源和住房等问题。他提到一个愿景：为孩子构建按其学习方式教学的 agent tutor。1

这不是一个已经完成的事实判断，而是 Andrew 的价值立场：如果 AI 真能带来巨大社会红利，那么建设者需要同时承担乐观主义和安全约束。

8. Black Forest Labs：从 latent diffusion 到世界模型

Robin 接棒后，先解释 BFL 的技术根源。他说团队此前做过 Stable Diffusion，更早提出过 latent diffusion：把图像、视频、音频这类自然数据压缩到更高效的表示，再在其上训练模型。Slush 对 Robin 的公开介绍也列出他在 VQGAN、Latent Diffusion、Stable Diffusion 与 FLUX 上的贡献。5

Robin 本期最重要的判断是：生成模型会走向「理解世界」。如果你能生成一张图，说明模型已经学到某种世界表征；如果你能生成世界的视频，就必须理解对象、运动、场景和时间。这也是为什么他把图像、视频、音频、action prediction 和机器人放进同一条路线。1

9. 生成视频：真正有价值的是 human in the loop

主持人问，什么时候 AI 能做出真正的电影，而不是 5 秒、10 秒的「AI slop」。Robin 的回答很克制：他不认为目标一定是让视频模型一键生成完整电影；更有价值的用法，是把 AI 当作 medium，让人类创作者在循环中探索、迭代和表达。1

这句很关键：AI 不是替代导演，而是把导演脑中的画面更快变成可沟通的视觉草稿。Robin 讲到与 Martin Scorsese 的合作时，强调的是「把脑中的 mental picture 取出来，用图像或一组图像沟通」。这更像 storyboard 和 previsualization 的升级，而不是立刻替代电影工业。

10. 生产场景：从 64×64 图像到高分辨率多分钟视频

Robin 回顾自己读博时，生成模型还只能做 64×64 像素图像；现在已经能做高分辨率、多分钟视频。主持人还举了电影制作中的预算变化：某些场景如果用传统布景可能成本极高，而生成式 AI 可以降低 soundstage、背景和预视觉成本。Robin 承认已经看到一些生产级用例，但高端电影仍是非常苛刻的场景，需要人类在流程中控制质量。1

11. 机器人：同一个模型可以做电影，也可以做大脑

Robin 最有想象力的一句话是：同一种 AI 模型可以用来做电影，也可以作为机器人上的 brain。他把 prediction、simulation、generation、action prediction 和 perception 放在一起看：模型要预测合理动作，必须理解视觉输入；要描述、变换或生成场景，也必须感知内容。1

他的现实判断也不激进：今天不同机器人有不同硬件和动作表示，通常仍需要少量微调数据；长期目标是更接近语言模型那样的 in-context 控制，也就是你可以直接告诉机器人「去拿那杯橙汁」。1

12. IP 授权：从禁止生成到授权创作工具

最后一段谈到 Disney、Star Wars、Sora、IP holders 与 fan films。Robin 的态度是，公开工具上应限制某些 IP 的生成，这是合理做法；同时 BFL 也会与部分 IP holders 合作，有些基于开源模型，有些基于更强的专有模型，共同开发可控模型。1

这里有一个可能的商业模式：IP 方不只是起诉或封禁，而是把粉丝创作、授权角色、互动内容和平台内工具结合起来，让用户在合法边界内创造自己的故事。Robin 对这个方向表示认可：只要找到对 IP owner 也成立的模式，同时释放用户的创作定制能力，就是很有吸引力的路径。1

金句精译

「我们正处在通往超级智能的竞赛中。」
「需求远远超过了我们建设数据中心并为其配备硬件的能力。」
「推理就是推断，而推理本身计算开销极大。」
「你不会开着法拉利去超市买菜。」
「没有人喜欢被依赖关系束缚。」
「主权正在成为一种趋势。」
「我们已经达到 AGI 了，只是还没有完全部署出来。」
「强大的递归增益是指数级的。」
「要生成世界的视频，你必须理解这个世界。」
「真正有意思的用例，是人仍在循环中，把它当作一种媒介来迭代。」
「同一种 AI 模型可以用来做电影，也可以部署成机器人上的大脑。」
「如果能找到对 IP 所有者有效、同时释放超级创意定制的模式，那会非常好。」

给创业者和 AI builder 的启发

推理速度会变成产品能力。 当模型开始长时间思考，延迟、成本和 tokens 消耗会直接决定产品形态。
模型路由会成为企业标配。 前沿模型负责难题，开源模型负责大量普通任务，本地部署解决数据和主权约束。
AGI 讨论要落到运行循环。 真正的变化不是模型能否说出聪明答案，而是能否持续执行、检查、修正和再执行。
视频生成的短期价值在 pre-production。 故事板、视觉探索、广告片、启动视频、场景预演，会比一键电影更先商业化。
世界模型会跨过内容与机器人边界。 图像、视频、音频、动作预测，本质上都在训练模型理解世界状态。
IP 方会从防守走向工具化授权。 未来大内容公司可能不是简单禁止生成，而是提供合法、可控、可收费的粉丝创作入口。

本期未展开的缺口

逐句全文翻译尚未作为正文完整承载。本轮已完成完整 MP3 音频获取与完整 ASR 放行，但逐句无删减译本体量接近独立长文；本期先以「顺序精读 + 金句精译 + 图片卡片」交付，并在标题与开头标明覆盖范围，避免读者误以为已发布逐句全文译本。

Andrew Feldman × Robin Rombach：开源赢了，AGI 已经到场｜完整 ASR 精读版