a16z 新设 Machine Age Fund：AI 基础设施，正在向模型下面延伸

a16z 宣布成立 Machine Age Fund，投资视野从芯片、内存和网络延伸到电力、散热、数据中心，以及让这些设备协同工作的系统软件。1Ben Horowitz、Martin Casado、Raghu Raghuram 与主持人 Erik Torenberg 讨论了一个核心变化：AI 的瓶颈正在从模型能力转向模型下面的整条基础设施链。

节目把这件事分成几层。需求侧，超大规模云厂商今年的资本支出约为 7000 亿美元，节目讨论明年可能合计达到 1 万亿美元；供给侧，GPU、内存、能源和数据中心的交付周期都在拉长，节目提到领先内存厂商今天的订单已经需要三年产能才能供应。使用侧，聊天、推理、工具调用和多智能体协作会让单个任务消耗更多 token，需求还会继续向知识工作、计算机操作、机器人和具身 AI 扩展。

开场先把 Machine Age Fund 放进一个更大的判断里：AI 被视为一种全新的机器智能，应用范围会让传统的“服务器、存储、网络”定义显得太窄。Martin Casado 说，基础设施一路可以延伸到铜矿；Raghu Raghuram 则把变化概括为，过去很多问题主要受工程进度限制，现在越来越多问题首先受资源供给限制。

Ben Horowitz、Martin Casado 和 Raghu Raghuram 都把这支基金定位在计算机科学基础设施上。投资范围包括芯片、内存、网络、互连、存储、电力、散热、数据中心和系统软件。主持人 Erik Torenberg 负责把基金的成立放进节目叙事：AI 的下一个瓶颈可能出现在模型之下。

Martin Casado 用超大规模云厂商来判断需求。云厂商同时看得到前沿实验室、AI 数据公司、企业客户以及不同地区的用量，因此资本支出是一个靠近需求源的信号。节目讨论的数字是，今年约 7000 亿美元，明年可能达到 1 万亿美元。

节目还提到应用公司的增长、前沿实验室的扩张和 GPU 订单。Raghu Raghuram 说，整体供给基本已经预订到 2028 年，甚至出现几千张 GPU 的多日拍卖。Martin Casado 补充，行业现货比例只有约 5%—10%。Ben Horowitz 观察到，GPU 过去通常越卖越便宜，这一轮却出现价格反弹。价格和交付周期同时发生变化，构成了节目判断“需求已落地”的主要依据。

嘉宾把今天和互联网扩张时期的“先铺光纤、后等需求”作了对照。早期互联网中，不少光纤先被投机性铺设，后来长期闲置；这一次，很多 GPU 在生产出来之前就已经被预订。Ben Horowitz 还提到，今天的限制同时出现在电力和散热，建设过程还会受到政治和许可因素影响。

Raghu Raghuram 分享了一个企业案例：一家长期抵制上云的大型上市公司盘点服务器资产时，发现内存价值已经高到足以支付整套云迁移。这个例子被节目用来说明，企业基础设施资产本身也在重新定价。

嘉宾认为，供应商很难靠加班把产能迅速补上。芯片周期通常要 3—4 年，数据中心从破土到通电约需 4—5 年。需求增长速度和供给建设速度之间存在明显时间差。

Martin Casado 将 AI 使用拆成“工作单位”和“每个工作单位消耗的 token”。聊天可能只需要约 100 个 token；代理需要规划、调用工具、观察结果并继续行动，消耗量可能上升到数千个 token；多智能体协作还会增加推理和协调开销。

节目把需求扩张分成两条线：单个工作单位的价值在提高，使用 AI 的人群也从开发者扩展到知识工作者，再扩展到计算机操作、机器人和具身设备。Ben Horowitz 的概括是，没人比 AI 更喜欢使用 AI：推理、强化学习、思维链和长时间运行的代理，都会持续消耗更多计算。

Martin Casado 用蒸汽机和电力作类比：AI 像一种可以被投入工作的通用新能力，眼下显而易见的应用只是开始，未来还会有几十年把计算能力投入科学、材料、生物学和创造力等问题。这个判断解释了节目为什么把计算需求看成长期需求，而不是一次性建设周期。

传统工程项目往往需要先解决工程问题，资金投入未必能把进度直接推快。Ben Horowitz 认为，AI 基础设施出现了不同情况：只要有足够的资金、GPU 和数据，团队就可以把更多资本直接转化为计算，再把计算转化为更强的机器智能。

他用创业公司追赶领先者作对照。过去，一家公司很难靠雇用一千名工程师追上两年的技术领先；现在，投入 30 亿美元点亮一个大型计算集群，可能直接改变竞争格局。节目把 Grok、Kimi 等模型作为这种资本转化关系的例子，同时提醒听众，行业正在适应一种全新的经济规律。

Ben Horowitz 把智能体看成一种新员工。智能体会消耗 token 和预算，却可能没有产出；会忘记信息、编造内容，也可能表现出良好或糟糕的行为，还会带来安全问题。与此同时，智能体也可能极其高效。

所以组织需要学习怎样把智能体接入工作流，让智能体与人类同事协作。Raghu Raghuram 说，团队试过不同方式，最后发现把智能体当作人来管理，是让它们在组织内部运转起来最持久的方法之一。

Raghu Raghuram 描述了一套从底层重新设计的工作：推理引擎需要大量内存，并且在计算过程中持续生成 token；团队要重新思考内存层级、计算单元、互连方式、功耗、散热，以及怎样把这些部件组装成系统。

Martin Casado 给出一个规模判断：训练前沿模型的投入可能达到 30 亿到 50 亿美元，推理收入需要覆盖更高的回报要求。这种投入规模会推动更专用的架构，甚至可能走向“每个模型一块 ASIC”的方向。节目没有断言未来一定会出现这种形态，但用它说明了模型资本投入对硬件的压力。

当机架功率从 5—10 千瓦走向 100 千瓦以上，交流供电、直流供电、液冷、地板承重、墙体厚度、噪声和建筑设计都会进入计算基础设施的范围。节目还提到，数据中心内部的高压直流电需要新的安全培训，美国获得直流电认证的电气工程师和电工比例只有约 2%。

嘉宾认为，机会会出现在完整计算系统、集群软件、电力、液冷、数据中心建设和连接 AI 与物理世界的平台。单独做芯片已经不够，创业者还需要理解内存、网络、电源、软件管理、制造、供应链和产品化。

Raghu Raghuram 用 Jensen Huang 说明“系统型创始人”：优秀创始人在设计芯片之前，就会考虑整个生态系统如何协同。Martin Casado 则补充，AI 推理本身已经从一种简单架构变成复杂系统，因此不同公司仍然可以通过专门优化取得突破。

节目还解释了为什么这类公司常常需要更大规模的早期融资，也为什么创始人的年龄结构可能不同。复杂供应链和制造环节会奖励经验，但年轻创始人可以通过招募有经验的团队成员补上这部分能力。随着 SpaceX 等公司培养出更多创业者，未来的硬件和计算机科学公司可能同时拥有年轻创始人和成熟运营经验。

节目讨论到 2028 年的数据中心电力缺口：新数据中心可能需要约 44 吉瓦新增电力，而同期电网预计新增约 25 吉瓦。嘉宾用生活尺度解释吉瓦：亚利桑那州弗拉格斯塔夫这样一座拥有 4 万到 6 万人口的城镇，全城用电量还不到 1 吉瓦。

这个缺口首先是建设问题。项目需要许可证、天然气或电网接入，还可能要自建电力；变压器、涡轮机和相关设备也存在短缺。数据中心的建设速度因此受制于施工、人力、设备、能源和监管审批的共同约束。

Ben Horowitz 认为，政策的重点可以放在项目贡献上：数据中心应提高供电能力，减少噪声和用水，并为社区增加就业。节目提到，有些数据中心通过自发电、白天向州政府供电、夜间在低需求时从州政府取电来降低能源成本。这个案例说明，数据中心与电网之间可以形成双向关系。

Martin Casado 用福特 Rouge River 工厂解释基础设施产业的纵向整合冲动。福特曾经试图把水、煤、橡胶等原料一路连接到汽车生产；随着汽车行业成熟，供应链逐渐出现多层供应商和多家公司。

嘉宾把这个过程概括为：市场扩张时会碎片化，增长放缓后会整合。整合可以通过收购发生，也可以由新的挑战者完成。AI 基础设施的使用场景正在增加，推理架构也越来越复杂，因此规模最大的现有公司仍然会留下大量专门化机会。

Martin Casado 还指出，软件业务常常在产品跑通后自然获得较高利润率，而 AI 业务未必如此。硬件效率、每秒 token 数、每美元 token 数和每瓦 token 数，都可能直接决定业务上行空间。

这期节目把 Machine Age Fund 的投资判断落到了一个具体问题上：模型能力继续提升时，计算、内存、网络、电力、散热、建筑和系统软件能不能同时跟上？目前已经确认的是，a16z 将基金范围明确放到这条完整链条上2；正在发生的是需求与供给同时扩张，供应周期、能源建设和监管许可成为现实瓶颈；未来五到十年的基础设施形态、政策路径和资本回报仍然需要观察。

以下译文按自动转写的 674 个语音分段排列，保留说话人标签和时间顺序。译文只呈现中文，不附英文原文。

Ben Horowitz（00:00.35） 我们有一项全新的技术，这是有史以来最重要的技术，您需要一个全新的基础设施。 Raghu Raghuram（00:05.87） 通常，当我们谈论基础设施时，我们谈论的是服务器、存储和网络。 Raghu Raghuram（00:10.65） 在这里，它一直延伸到矿山，铜矿。 Martin Casado（00:13.73） 这就是这件事的普及程度。 Martin Casado（00:15.76） 它曾经是你建造东西的时候，这是一个工程问题。 Martin Casado（00:18.72） 在这里，感觉它确实是一个资源限制。 Martin Casado（00:21.66） 因此，无论是不是代币，我们都在向系统投入大量资金， Martin Casado（00:25.16） 然后这些系统会产生结果。 Martin Casado（00:27.68） 现在，我们在这些系统实际匹配我们投入的资源的能力方面遇到了瓶颈。 Raghu Raghuram（00:32.30） 领先的内存领域表示，他们今天的需求将需要三年的供应能力。 Erik Torenberg（主持人）（00:38.76） 如果这个基金做了我们认为它会做的事情，我们如何看待五到十年后的世界？ Ben Horowitz（00:42.15） 如果美国获胜，基础设施被挖掘，那就太棒了。 Erik Torenberg（主持人）（00:47.39） 今天， a16z 宣布成立机器时代基金， Erik Torenberg（主持人）（00:51.03） 一项专门用于构建下一代人工智能基础设施的新基金。 Erik Torenberg（主持人）（00:55.77） Ben Horowitz、Raghu Raghuram 和 Martin Casado 也加入了我的行列 Erik Torenberg（主持人）（01:00.11） 解释为什么我们现在推出它 Erik Torenberg（主持人）（01:02.27） 以及为什么我们认为人工智能的下一个主要瓶颈不一定是模型。 Erik Torenberg（主持人）（01:07.15） 它下面的一切。 Erik Torenberg（主持人）（01:09.25） 芯片、内存、网络、电源、冷却和数据中心都超出了最初设计的处理范围。 Erik Torenberg（主持人）（01:17.89） 与此同时，人工智能正在改变一个古老的技术规则。 Erik Torenberg（主持人）（01:22.29） 在工程问题上投入资金并不一定会使其进展更快。 Erik Torenberg（主持人）（01:26.77） 资本可以越来越多地直接转化为计算，并将计算转化为更强大的智能。 Erik Torenberg（主持人）（01:34.06） 我们揭示了这种转变意味着什么，新的基础设施公司可以在哪里突破，以及为什么新一代创始人正在重返计算领域的一些最困难的问题。 Erik Torenberg（主持人）（01:46.28） Ben、Martin、Raghu ，欢迎。 Erik Torenberg（主持人）（01:48.76） 谢谢。 Erik Torenberg（主持人）（01:49.10） 謝謝 ， 托馬斯 Erik Torenberg（主持人）（01:50.16） 首先，我想引用马克的话来介绍这个新基金。 Erik Torenberg（主持人）（01:53.32） 这是我一生中最大的技术革命。 Erik Torenberg（主持人）（01:55.92） 这显然比互联网更大。 Erik Torenberg（主持人）（01:57.98） 上面的组件是微处理器、蒸汽机和电力，或者可能是轮子。 Erik Torenberg（主持人）（02:02.98） 伙计们，机器时代基金，请介绍一下。 Erik Torenberg（主持人）（02:06.30） 本，你先开始吧。 Ben Horowitz（02:08.18） 基本上，我们有了一项全新的技术，这是有史以来最重要的技术。 Ben Horowitz（02:14.88） 每当有一种引人注目的新方式来使用我们喜爱的所有东西，即基础设施时，您都需要一个全新的基础设施。 Ben Horowitz（02:26.40） 它从未像现在这样具有如此大的影响力。 Ben Horowitz（02:32.48） 所以我们不仅需要…… Ben Horowitz（02:35.08） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出、代理商和硬技术初创公司。 Raghu Raghuram（02:54.52） 是的，我同意。通常，至少在计算领域，当我们谈论基础设施时，我们谈论的是服务器、存储和网络。 Raghu Raghuram（03:04.68） 在这里，它一直延伸到铜矿。这就是这件事的普及程度。 Raghu Raghuram（03:10.80） 这是第一点。第二，我认为我们在过去三年中看到的是模型能力的稳步增长。 Raghu Raghuram（03:19.90） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、电力、冷却、数据中心、资本支出和硬技术初创公司。 Martin Casado（03:35.41） 在过去的几年里，我们一直在关注，因为处理复杂硬件问题的非常强大的团队的数量有所增加。 Martin Casado（03:43.09） 我不知道实际的数字，但我试图在周末估计一下。 Martin Casado（03:46.31） 所以我认为我们可能会从顶级创始人那里获得 5%的交易，这将是之前的硬件。 Martin Casado（03:50.71） 现在是 20 ％或 30 ％的北方。 Martin Casado（03:53.05） 因此，创始人社区往往比风险投资社区聪明得多，他们认为这是一个非常活跃的创新领域，他们正在做出回应。 Ben Horowitz（03:59.87） 我认为 5%可能是慷慨的。 Martin Casado（04:02.17） 是的，非常低。非常低。是的， 3% ，是的。 Erik Torenberg（主持人）（04:05.43） 并从追求这些想法的创始人盈余的角度解释导致这种变化的一些宏观条件。比如，他们看到了什么使他们成为可能？ Martin Casado（04:12.11） 嗯，我的意思是，显而易见的是，对人工智能的需求基本上是无限的。 Martin Casado（04:16.17） 因此，供应链的每个环节都受到了压力。 Martin Casado（04:20.23） 我的意思是，一切，包括用于制造记忆之类事物的材料。 Martin Casado（04:24.81） 是非常有意思的东西 Martin Casado（04:25.87） 人工智能有一些独特之处，因为需求是无限的，增长是无限的， Martin Casado（04:31.13） 你倾向于担心的是公司的利润率，这就是它的效率。 Martin Casado（04:35.67） 比如，通常你担心成长。 Martin Casado（04:36.87） 我可以让人们买这个东西吗？ Martin Casado（04:38.79） 你不用多虑 Martin Casado（04:39.77） 问题是，你能以一种有利可图的方式做到这一点吗？ Martin Casado（04:42.10） 实际上，许多效率实际上是硬件的物理限制。 Martin Casado（04:47.36） 因此，即使是人工智能浪潮的商业模式也给现有系统带来了很大的压力，因为它们不是为人工智能而构建的。 Martin Casado（04:53.54） 它们不是为这些工作负载而构建的。 Martin Casado（04:54.72） 我认为，全球范围的观察表明，我们实际上需要改变核心组件，以提高效率，帮助推动业务增长并推动业务价值。 Erik Torenberg（主持人）（05:04.92） 没错没错。 Erik Torenberg（主持人）（05:05.43） 我们怎么知道这里的需求实际上超过了供应，而不是另一个炒作周期？ Raghu Raghuram（05:11.61） 嗯，我的意思是... Raghu Raghuram（05:13.49） 是的，有很多相似之处。 Raghu Raghuram（05:15.49） 首先，一些最聪明的…… Raghu Raghuram（05:19.69） 需求法官正在削减巨额采购订单。 Raghu Raghuram（05:24.55） 我的意思是，如果你看看超大规模，对吧？ Raghu Raghuram（05:26.55） 没错没错。 Raghu Raghuram（05:26.95） 他们的资本支出一直在爆炸式增长。 Raghu Raghuram（05:30.41） 据推测，明年，它将在大型超大规模企业中总共达到一万亿美元。 Raghu Raghuram（05:36.35） 今年大约是 7000 亿美元，对吧？ Raghu Raghuram（05:40.21） 如果你想想超大规模企业在行业中的地位， Raghu Raghuram（05:44.06） 他们看到来自各地的需求，对吧？ Raghu Raghuram（05:46.34） 显然，他们看到前沿实验室想要他们的计算机。 Raghu Raghuram（05:50.40） 他们看到了人工智能数据公司。 Raghu Raghuram（05:52.64） 他们看到了企业。 Raghu Raghuram（05:54.50） 他们看到了美国地理，国际地理。 Raghu Raghuram（05:57.64） 因此，如果有人可见，那就是他们。 Raghu Raghuram（06:00.67） 他们一直在增加资本支出，因为它以前从未见过，对吧？ Raghu Raghuram（06:06.07） 所以这是一个清晰、明确的迹象。 Raghu Raghuram（06:08.35） 其次，如果你看看我们每天看到的公司，它们都在撕裂。 Raghu Raghuram（06:12.77） 所有的应用公司，增长都是疯狂的。 Raghu Raghuram（06:16.05） 前沿的实验室，增长是疯狂的。我们已将其记录在案。 Raghu Raghuram（06:20.15） 因此，在需求方面，信号从未如此清晰，这不是一个混合的事情。 Ben Horowitz（06:27.08） 而且价格正在上涨。 Ben Horowitz（06:29.06） 比如，我们从未见过薯片价格上涨。 Ben Horowitz（06:32.48） GPU 价格下降了。 Ben Horowitz（06:33.54） 他们总是倒下。 Ben Horowitz（06:34.44） 噫噫噫 Raghu Raghuram（06:34.78） 它总是会下降。 Raghu Raghuram（06:36.26） 如果你看一下价格曲线，它是这样的，然后它又像这样回来了。 Raghu Raghuram（06:40.44） 没错没错。 Raghu Raghuram（06:41.24） 我们知道今天只有 5% ， 10%的行业市场是股票。 Martin Casado（06:45.08） 我的意思是，如果你看看全面的供应，基本上都被预订到 2028 年。 Martin Casado（06:50.26） 我的意思是，这太糟糕了，我们实际上已经看到了几千个 GPU 的多日拍卖。 Martin Casado（06:56.74） 当然，另一方面是需求。 Martin Casado（06:58.94） 正如 Raghu 所说，我们已经看到了行业历史上增长最快的公司。 Raghu Raghuram（07:02.66） 也是人工智能可以做的工作单位。 Raghu Raghuram（07:06.55） 该工作单位的价值不断增加，但在封面之下，消耗的代币数量正在以数量级增长，对吧？ Raghu Raghuram（07:15.69） 如果是用于聊天或代理的 100 个令牌，那就是数千个令牌，对吧？ Raghu Raghuram（07:20.71） 因此，您在需求的两个方面都有扩张。 Raghu Raghuram（07:23.51） 一个是工作单位越来越被认可。 Raghu Raghuram（07:26.01） 没错没错。 Raghu Raghuram（07:26.85） 汤普金斯，其次，有四个人将从中受益。 Raghu Raghuram（07:30.33） 不仅仅是开发人员。 Raghu Raghuram（07:31.79） 这将是所有知识工作者，然后是除此之外的一切。 Raghu Raghuram（07:35.89） 这就是我们所看到的。 Erik Torenberg（主持人）（07:38.05） 你说到 2027 年供应的关键部件已经售罄，也许到 2028 年。 Erik Torenberg（主持人）（07:42.17） 2028 年，是的。 Erik Torenberg（主持人）（07:42.87） 对整个行业来说，售罄意味着什么？ Martin Casado（07:45.53） 我不知道以前是否曾经发生过这种情况。 Martin Casado（07:48.61） 你们还记得吗？ Martin Casado（07:49.19） 我的意思是，还记得在互联网时代，我们正在进行大规模的扩建， Martin Casado（07:53.41） 实际埋入地下的大部分都是投机性的，而且是暗色调的。 Martin Casado（07:57.55） 还记得这里的暗色纤维吗？ Martin Casado（07:59.41） 基本上，正在创建的每个 GPU 都已预售。 Ben Horowitz（08:03.65） 是的，我们当时不在那里。 Ben Horowitz（08:04.57） 我的意思是，那里的带宽不足。 Ben Horowitz（08:08.22） 就像 98、99 年的时间范围一样。 Ben Horowitz（08:12.02） 但由于当时上网的人并不多，所以对它的实际需求并不大。 Ben Horowitz（08:17.40） 所以这是一件双向的事情，公司都在匆匆忙忙地赶到那里，理论上需要更多的带宽，但事实并非如此。 Ben Horowitz（08:25.32） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、电力、冷却、数据中心、资本支出和硬技术初创公司。 Ben Horowitz（08:45.28） 相似，但不是这个。 Ben Horowitz（08:47.46） 这就像，我们停滞不前，人们转售 GPU 的价格是他们购买的四倍，诸如此类。 Ben Horowitz（08:56.10） 就像，它只是没有，然后我们也断电和冷却。 Ben Horowitz（09:01.38） 最重要的是，这真的很难建立，因为这些令人难以置信的政治阻力正在进入它。 Ben Horowitz（09:08.72） 所以在我的职业生涯中，我们经历过这样的事情真的是前所未有的。 Raghu Raghuram（09:14.32） 没错没错。 Martin Casado（09:14.63） 我想给你们一个简短的轶事。 Martin Casado（09:16.27） 所以我和一家大公司的首席财务官谈话，一家大型上市公司， Martin Casado（09:18.99） 他们在历史上一直非常抵制进入云端。 Martin Casado（09:21.89） 所以他们有很多服务器。 Martin Casado（09:23.21） 他们正在进行库存检查， Martin Casado（09:25.27） 他们意识到服务器中的内存增加了很多 Martin Casado（09:28.69） 它可以为整个迁移到云提供资金。 Martin Casado（09:31.57） 我只是觉得我们处于非常不寻常的境地。 Ben Horowitz（09:35.29） 没错，我们已经没有很多东西了。 Ben Horowitz（09:37.41） 电源、冷却、内存、GPU ，就像你说的那样，我们已经用完了。 Raghu Raghuram（09:42.47） 所以这个行业的旗舰会议叫做 Hot Chips。 Raghu Raghuram（09:48.15） 这在斯坦福正在发生。 Raghu Raghuram（09:50.53） 领先的内存处理程序说他们今天的需求 Raghu Raghuram（09:56.73） 他们需要三年的能力来供应它。 Raghu Raghuram（10:01.95） 就在今天。这甚至不是未来的需求。 Erik Torenberg（主持人）（10:05.47） 因此，就同时处理所有事情而言，这是否是因为人们低估了模型的好坏，以及它们的有用性？ Erik Torenberg（主持人）（10:12.39） 他们就是没能预见到需求？ Martin Casado（10:14.67） 嗯，我甚至不认为是这样。 Martin Casado（10:16.29） 我的意思是，这些东西不知从哪里冒出来的，对吧？ Martin Casado（10:17.73） 我们才刚刚进入四年。 Martin Casado（10:19.07） 所以，即使我们有一个完美的神谕，一旦它开始工作，我不认为... Ben Horowitz（10:23.43） 我们无法以足够快的速度构建容量。 Martin Casado（10:24.39） 我们无法构建容量。 Martin Casado（10:25.57） 没有办法了！’ Martin Casado（10:26.73） 我们谈论的是芯片周期，通常为三到四年。 Martin Casado（10:30.71） 我们谈论的是破土动工和建立数据中心，这需要四到五年的时间。 Ben Horowitz（10:34.94） 连接、分解和建造它们并拥有电源。 Ben Horowitz（10:39.66） 因此，就像你要么必须建立自己的力量，要么通常两者兼而有之。 Ben Horowitz（10:43.92） 你必须建立自己的力量，并拥有一个动力源，这并不容易。 Raghu Raghuram（10:48.92） 是的，我们有一个正在使用的行业，如果它以 20 ％ ， 30 ％的速度增长，那就是一个伟大的增长率，对吧？ Raghu Raghuram（10:54.96） 它被连接到一个人工智能软件行业，通常只是一个基础。 Raghu Raghuram（11:00.94） 所以你可以看到断开，对吧？ Raghu Raghuram（11:03.06） 所以它只是广角的。 Erik Torenberg（主持人）（11:05.55） 那么，为什么这个基金在五年前或七年前不存在呢？ Erik Torenberg（主持人）（11:09.87） 或者为什么以同样的方式投资不是一个很好的类别，布拉德？ Ben Horowitz（11:15.30） 嗯，我想说我们可能，我想我们正好赶上，但是，你知道，我们可能至少在几年前就很适合了。 Martin Casado（11:25.80） 我的意思是，我会说，你实际上可以将基本上每个时代都指向一个独立的公司，对吧？ Martin Casado（11:32.86） 显然，从客户端，从大型机到客户端服务器的移动，我们看到了一堆公司的出现。 Martin Casado（11:37.34） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、电力、冷却、数据中心、资本支出和硬技术初创公司。 Martin Casado（12:00.04） 一切都是。所以我同意 Ben 的观点。我们可能，你知道，我们本可以早点开始，但现在的变化是如此之大，这只是一件显而易见的事情。 Ben Horowitz（12:10.40） 另一件事是，对智能的需求是如此垂直…… Ben Horowitz（12:19.38） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Ben Horowitz（12:37.08） 因此，对代币的需求可能会每年增长近 1000% ，而供应量的增长速度不会那么快。就像我们不是，就像我们要全面完成的工作量一样，才能达到可以增加供应的地步。 Ben Horowitz（12:58.68） 比如，以这样的速率计算，基础设施非常庞大。 Ben Horowitz（13:03.86） 所以我认为未来有很多投资机会。 Ben Horowitz（13:07.10） 顺便说一句，另一件事是，所有硬件系统的架构都是为完全不同的计算时代构建的。 Ben Horowitz（13:16.41） 因此，我们不仅需要更多的能力，还需要建设能力。 Ben Horowitz（13:23.39） 有很多机会来构建不同类型的基础设施。 Raghu Raghuram（13:28.05） 没错没错。 Raghu Raghuram（13:28.49） 他们都在充分发挥自己的潜力。 Raghu Raghuram（13:32.07） 他们设计的物理极限，对吧？ Raghu Raghuram（13:36.13） 就像本在说什么，铜等等。 Raghu Raghuram（13:39.65） 你可以浏览所有这些类别， Raghu Raghuram（13:42.37） 你可能会发现，好吧，这就是这种技术的局限性。 Raghu Raghuram（13:46.25） 因此，现在您必须取得一些技术突破才能达到更高的水平。 Erik Torenberg（主持人）（13:52.41） 我想深入了解一下需求方面。随着我们从聊天机器人转向推理，从客服代表转向多客服代表，每个步骤都会通过增加订单来增加单个任务占用的代币数量。 Ben Horowitz（14:07.05） 没有人比人工智能更喜欢使用人工智能。 Erik Torenberg（主持人）（14:12.11） 为什么这种情况不断发生，而不是趋于平稳？你只是看到这种情况无限期地发生，只是继续... Martin Casado（14:18.53） 嗯，这里有几个优势。第一个是，可以肯定的是，现在，如果你看看我们实现扩展的方式，我们的方式是通过大量的推断。 Martin Casado（14:29.75） 所以通过很多代币，对吧？如果你想想什么是强化学习，这是一个很大的推论。如果你想想思维链，这是一个很大的推论。 Martin Casado（14:37.23） 如果你想想长期运行的代理，当然，这是一个很大的推论。所以这基本上是我们一直在使用的方法之一... Martin Casado（14:44.23） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Martin Casado（15:14.22） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Ben Horowitz（15:32.71） 你可以用足够的基础设施来解决你所面临的问题， Ben Horowitz（15:38.91） GPU、电源和金钱。 Ben Horowitz（15:42.87） 因此，在我们用完问题之前，我们不会用完需求。 Ben Horowitz（15:47.37） 这就是挑战。 Raghu Raghuram（15:52.37） 人工智能变得越来越好的答案是使用更多的人工智能。 Raghu Raghuram（15:56.31） 推理是它一遍又一遍地使用的一个基本构建块。 Raghu Raghuram（16:02.19） 这就是为什么这些代币会倍增的原因。 Martin Casado（16:04.41） 是的，甚至是自催化作用。 Martin Casado（16:06.41） 因此，即使是使用 AI 来创建更多 AI 的想法，例如创建 GPU 内核，当然， Martin Casado（16:10.81） 只是在这个过程中使用更多的人工智能。 Martin Casado（16:14.99） 同样，我们思考它的一种方式是，在过去，资金会进来， Martin Casado（16:20.32） 您遇到了工程问题。 Martin Casado（16:22.40） 我们知道这需要两年时间，通常会失败。 Martin Casado（16:24.82） 你知道，它是一个国家级调节器， Martin Casado（16:25.96） 然后产品就会在另一端出现。 Martin Casado（16:28.64） 钱进去之间什么也没有 Martin Casado（16:30.76） 然后是硬件，你知道，创造智能。 Martin Casado（16:34.16） 因此，现在我们受到创造供应能力的限制。 Martin Casado（16:36.86） 这是一个非常非常不同的动态。 Raghu Raghuram（16:38.14） 对，它会给我更多 GPU，等等这些东西。 Martin Casado（16:41.44） 对，就是这样。 Martin Casado（16:42.10） 只要你有资金、GPU 和数据， Martin Casado（16:45.88） 在可以预见的未来， Martin Casado（16:48.12） 你就能把这些东西扩展起来。 Erik Torenberg（主持人）（16:49.83） 这很有意思，因为在过去十年里，感觉有很多人一直认为，投向创业公司的钱太多了。 Erik Torenberg（主持人）（16:58.09） 我们给这些创业公司投得过多了。风险投资里的钱太多了。 Erik Torenberg（主持人）（17:02.23） Ben，再多说一点这意味着什么。过去有一种怀疑：投入这个行业的钱越多，最终结果就会越大。 Erik Torenberg（主持人）（17:12.03） 现在我们在闭门会上说，某种程度上，市场有多大，取决于我们共同为它投入了多少。 Ben Horowitz（17:18.70） 对，所以你看，创业圈里有一件我们都知道的事：如果我领先你两年，而你试图靠雇用一千名工程师来追上我，你会毁掉自己的公司。 Ben Horowitz（17:32.92） 这种办法从来没有用。那是“神话人月”。九个女人也不能在一个月里生下一个孩子。就是这样，这种办法从来没有用。 Ben Horowitz（17:41.70） 好，现在这个办法有用了。 Ben Horowitz（17:43.94） 但办法不是雇用十万名工程师。 Ben Horowitz（17:46.76） 办法是拿出 30 亿美元，点亮一个宏伟的集群。 Ben Horowitz（17:53.82） 然后突然之间，Grok 之类的模型就能凭空出现，让人觉得，原来它真的能用；Kimi 之类的模型也是如此。 Ben Horowitz（18:03.68） 这就像这些领先优势。你可以用钱砸问题，几乎任何问题都可以用钱砸，而这一次确实有效。 Ben Horowitz（18:11.66） 所以，这和我们过去经历过的任何事情都完全不同。 Ben Horowitz（18:18.02） 顺便说一句，我们的心理都在适应这件事。 Erik Torenberg（主持人）（18:22.14） ChatGPT 应用每周有 10 亿活跃用户。 Erik Torenberg（主持人）（18:26.12） 大约有 3000 万名开发者正在使用相当大一部分计算资源。 Erik Torenberg（主持人）（18:32.40） 结合人们实际如何使用 AI，我们现在和未来应该怎样理解计算需求？ Raghu Raghuram（18:39.27） 这就是演进过程，对吧？ Raghu Raghuram（18:40.51） 所以，挑战在于， Raghu Raghuram（18:41.11） 我们先从一个普通用户应用开始， Raghu Raghuram（18:42.13） 它面向专业人士做编程，对吧？ Raghu Raghuram（18:45.77） 现在，借助编程， Raghu Raghuram（18:47.93） 你们已经为知识工作者 Raghu Raghuram（18:49.35） 构建出了很棒的工具。 Raghu Raghuram（18:50.79） 所以那就是下一个前沿。 Raghu Raghuram（18:52.83） 现在全球有超过 10 亿名 Raghu Raghuram（18:54.95） 知识工作者，对吧？ Raghu Raghuram（18:57.88） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Ben Horowitz（19:21.06） 某种程度上，编程领域发生的事情，正通过 Grokbot 发生在所有计算机使用场景中。 Ben Horowitz（19:30.64） 所以我们正在进入新一轮需求浪潮，而且…… Ben Horowitz（19:35.04） 后面肯定还会有更多需求。 Ben Horowitz（19:38.36） 所以目前看来，需求确实相当没有上限。 Ben Horowitz（19:42.66） 而且我们甚至还没有谈到具身 AI 或机器人， Ben Horowitz（19:46.70） 它们会成为需求的另一个来源。 Raghu Raghuram（19:49.96） Martin 是这方面的专家，不过…… Raghu Raghuram（19:52.05） 我的理解是，Rockport 使用计算机操作能力，它有点像坐在计算机里面，以这种方式使用计算机。 Martin Casado（19:58.23） 我上周末真的用它更新了很多服务的信用卡信息，那些事情我一直懒得做；我还取消了一批订阅。 Martin Casado（20:05.89） 我的意思是，这不是编程之类的事情。这是真正的计算机操作。 Raghu Raghuram（20:08.73） 突然之间，你就能创造出类似…… Martin Casado（20:10.51） 我确实认为 Marc Andreessen 是对的。 Martin Casado（20:18.57） 这里恰当的类比是蒸汽机或电力，原因如下。 Martin Casado（20:22.57） 我们引入了一个可以转化为工作的全新东西。 Martin Casado（20:26.96） 现在已经有一些非常明显的应用。 Martin Casado（20:29.56） 但接下来可能还有 30 到 40 年，把计算能力投入各种问题。 Martin Casado（20:33.26） 我指的是那些具有清晰回报信号的问题。 Martin Casado（20:34.88） 而我们才刚刚开始。 Martin Casado（20:35.92） 目前我们有语言和代码。 Martin Casado（20:37.32） 就这些。 Martin Casado（20:37.70） 计算机操作也才刚刚开始。 Martin Casado（20:39.08） 但除此之外，我们还在看什么？ Martin Casado（20:40.26） 在科学领域，我们在看材料和生物学。 Martin Casado（20:44.86） 当然，创造力也是一个巨大的应用方向。 Martin Casado（20:47.38） 所以听我说，我们正处在一段漫长旅程的最最早期。 Martin Casado（20:50.80） 而我们已经移除了这个关键瓶颈。 Martin Casado（20:53.89） 这个瓶颈就是传统软件工程。 Martin Casado（20:56.47） 当然，瓶颈会转移，其他地方也会出现更多复杂性。 Martin Casado（20:59.67） 但我认为，未来很长一段时间里，我们都会继续把计算能力投入问题。 Martin Casado（21:03.45） 所以可以预期，这种计算需求会持续几十年。 Erik Torenberg（主持人）（21:08.68） Ben Horowitz、Raghu Raghuram 和主持人 Erik Torenberg 讨论 a16z 的 Machine Age Fund 与 AI 基础设施，包括芯片、内存、网络、数据中心和硬科技创业公司。 Martin Casado（21:31.39） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Martin Casado（21:55.08） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Martin Casado（22:11.10） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Martin Casado（22:35.19） 管理我的日历，安排一场会议。 Martin Casado（22:38.07） 但也有一些不那么显而易见的用法。 Martin Casado（22:40.15） 例如，我会让它读完我的邮件并做初步分流。 Martin Casado（22:45.19） 我没有告诉它具体怎么做，但它知道在真正完成分流前先向我确认。 Martin Casado（22:52.17） 这些工具已经足够成熟，你可以给它相对高层的任务， Martin Casado（22:55.49） 它最后会完成相当复杂的事情。 Erik Torenberg（主持人）（22:59.43） Ben，我知道你一直在思考这些事情，以及它们在组织里怎样运作。 Erik Torenberg（主持人）（23:02.53） 你当然也一直在思考文化问题。 Erik Torenberg（主持人）（23:04.05） 你怎么看？ Ben Horowitz（23:06.48） 我的意思是，如果你看看我们自己，这就像有了一种新员工，而且这样的员工会有很多。 Ben Horowitz（23:19.92） 我们花了很多很多年，才弄清楚怎样和普通的人类员工一起工作， Ben Horowitz（23:28.66） 现在我们又有了这些其他类型的员工。 Ben Horowitz（23:31.96） 和它们一起工作也有一个学习曲线。 Ben Horowitz（23:35.10） 它们可能消耗大量 token，花掉很多钱，却没有完成任何有产出的工作。 Ben Horowitz（23:42.32） 它们可能会忘记事情。 Ben Horowitz（23:44.90） 它们可能会编造事情。 Ben Horowitz（23:47.72） 它们可能表现良好。 Ben Horowitz（23:49.40） 它们也可能表现糟糕。 Ben Horowitz（23:50.64） 和人类一样。 Ben Horowitz（23:51.00） 没错没错。 Ben Horowitz（23:51.66） 它们可能造成安全问题。 Ben Horowitz（23:54.44） 所以，这里面有很多不同的方面， Ben Horowitz（23:57.68） 但它们也可能极其高效。 Ben Horowitz（24:02.18） 因此，我们还在摸索怎样把它们整合进来， Ben Horowitz（24:05.58） 让它们和一起工作的那些人， Ben Horowitz（24:08.54） 也就是实际的人类，好好协作。 Ben Horowitz（24:13.08） 我不想坐在这里说自己已经破解了这套方法。 Ben Horowitz（24:16.34） 我们有一个很棒的循环，而且…… Ben Horowitz（24:19.55） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Raghu Raghuram（24:37.29） 对，而且很有意思，因为我们试过几种不同方法，想找到把智能体引入系统的最佳方式。 Raghu Raghuram（24:46.73） 最后，Martin 提出了一个想法：把它们当成人来对待，然后把事情做完。 Raghu Raghuram（24:53.31） 我们现在就是这样做的。 Raghu Raghuram（24:54.29） 事实证明，这是让智能体在组织内部运转起来最持久的方法。 Erik Torenberg（主持人）（25:00.61） 我想回到供给侧，深入谈谈瓶颈。 Erik Torenberg（主持人）（25:04.55） 我们刚才说过，数据中心、芯片架构、系统软件和设施本身，都不是为 AI 设计的。 Erik Torenberg（主持人）（25:13.07） 如果从一开始就为 AI 设计，它们会是什么样？ Erik Torenberg（主持人）（25:15.65） 思考这件事时，脑中的模型应该是什么？ Raghu Raghuram（25:19.51） 对，我的意思是…… Raghu Raghuram（25:23.35） 先从你刚才那句话开始：这些基础设施原本的设计模型，都必须改变。 Raghu Raghuram（25:32.39） 你可以逐个类别去看，就会发现各种断裂点，对吧？ Raghu Raghuram（25:37.91） 然后你就能逐步解开每一个环节的瓶颈。 Raghu Raghuram（25:42.10） 最终，你必须建立这样一个系统：推理引擎会占用大量内存，同时和计算一起生成新的 token。 Raghu Raghuram（25:54.20） 所以你可以思考，怎样把这一切都优化？ Raghu Raghuram（25:57.44） 内存应该是什么样？ Raghu Raghuram（25:59.00） 计算机应该是什么样？ Raghu Raghuram（26:00.16） 它们应该怎样彼此通信？ Raghu Raghuram（26:01.86） 它们各自需要多少电力？ Raghu Raghuram（26:03.92） 如果它们都需要这么多电力，应该怎样给每一个部件散热？ Raghu Raghuram（26:07.90） 然后，怎样把这些部件组合在一起？ Raghu Raghuram（26:10.52） 这就是行业和许多创始人现在正在进行的工作。 Raghu Raghuram（26:14.28） 他们正在把问题拆成最基本的组成部分， Raghu Raghuram（26:17.76） 并问：正在进行的计算究竟是什么性质？ Raghu Raghuram（26:22.30） 好，它将进行哪种类型的乘法？ Raghu Raghuram（26:24.98） 在这种情况下，我怎样优化计算机？ Raghu Raghuram（26:30.35） 为了生成这些 token，它们都需要越来越多的内存。 Raghu Raghuram（26:34.63） 以分层方式安排这些内存，最好的方法是什么？ Raghu Raghuram（26:38.13） 那么，电力消耗会怎样？ Raghu Raghuram（26:39.69） 我的意思是，接下来还得把它们连接起来。 Raghu Raghuram（26:41.71） 在同一块芯片上，有哪些连接方式？ Raghu Raghuram（26:44.33） 但这样会占用芯片资源，也会占用数据中心资源。 Raghu Raghuram（26:46.59） 每次数据传输需要多少电力？ Raghu Raghuram（26:49.71） 所以你必须逐步把这一切拆开， Raghu Raghuram（26:51.79） 再从这些基本构件重新组装起来。 Raghu Raghuram（26:54.73） 我们现在看到的正是这个过程，这也是机会所在。 Raghu Raghuram（26:57.43） 谢谢。 Martin Casado（26:58.16） 我给你一个有意思的思考模型，帮助你理解格局怎样变化。 Martin Casado（27:01.60） 今天要构建一个前沿模型，成本假设是 30 亿到 50 亿美元，对吧？ Martin Casado（27:10.12） 这些钱用于训练模型。 Martin Casado（27:12.84） 所以推理收入至少要把这笔钱赚回来，当然，对吧？ Martin Casado（27:16.32） 为了让整件事可行，假设至少要赚回两倍。 Martin Casado（27:19.88） 也就是说，现在推理必须带来…… Martin Casado（27:23.42） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论 a16z 的 Machine Age Fund 与 AI 基础设施，包括芯片、内存、网络、电力、散热、数据中心和硬科技创业公司。 Martin Casado（27:28.89） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Martin Casado（27:53.81） 我们不知道世界最终会不会走向“每个模型一块 ASIC”，但这个例子很好地说明了：面对如此巨额的资本投入，架构会怎样变得更加专用。 Martin Casado（28:06.65） 从行业历史看，我们可能从未创造过一种数字产品，单是它本身就直接投入了约 50 亿美元。 Martin Casado（28:15.11） 所以我认为，这一轮会给硬件带来我们见过的最大需求。 Martin Casado（28:19.81） 没错没错。 Erik Torenberg（主持人）（28:21.91） 顺便说一句，机架功率需求正从大约 5 到 10 千瓦，提升到 100 到 50 千瓦。 Erik Torenberg（主持人）（28:27.95） 计算密度大约提升了 70 倍。 Erik Torenberg（主持人）（28:30.87） 散热也从空气冷却转向液体冷却，而且已经成为必需。 Erik Torenberg（主持人）（28:33.97） 这种变化带来了哪些投资机会？ Ben Horowitz（28:36.99） 首先，当每个机架达到这样的功率水平时， Ben Horowitz（28:42.11） 交流电就不再适用了。 Ben Horowitz（28:43.75） 这是一件相当惊人的事。 Ben Horowitz（28:47.87） 现在你要使用直流电， Ben Horowitz（28:50.59） 顺便说，直流电也需要自己的冷却系统， Ben Horowitz（28:53.25） 而且它会…… Ben Horowitz（28:57.60） 顺便说一句，这非常危险。讽刺的是，爱迪生当年宣扬直流电时，曾声称交流电很危险，还通过电击动物等方式来证明这一点。 Ben Horowitz（29:13.80） 那匹马，对。 Raghu Raghuram（29:14.64） 那匹马，对。 Ben Horowitz（29:15.88） 所以，他的判断是对的，只不过他自己的电力系统也非常强大。 Ben Horowitz（29:22.94） 好消息就在这里。 Ben Horowitz（29:23.56） Ben Horowitz（29:29.62） 所以，单从电力开始看， Ben Horowitz（29:30.86） 未来会非常、非常不同。 Ben Horowitz（29:39.06） 再说散热：我们确实正在从空气冷却转向液体冷却。 Ben Horowitz（29:42.00） 我认为，现在任何最先进的数据中心都已经在使用液冷。 Ben Horowitz（29:43.98） 这已经基本成为定局。 Ben Horowitz（29:51.98） 但接下来还要考虑政治环境等因素， Ben Horowitz（29:56.37） 液冷还不够，它必须是环保的液冷。 Ben Horowitz（30:00.69） 类似地，直流电也不够。 Ben Horowitz（30:07.29） 电力必须为社会供电能力作贡献，而不能削弱社会的供电能力。 Ben Horowitz（30:12.63） 所以，有些数据中心过去的做法并不理想， Ben Horowitz（30:16.41） 不过这实际上只占很小一部分，可能约 10%， Ben Horowitz（30:18.49） 它们浪费了大量用水， Ben Horowitz（30:19.57） 而且，你知道， Ben Horowitz（30:43.20） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心和硬技术初创公司。 Ben Horowitz（30:50.65） 这需要许多团队尚未投入过的工程能力。 Ben Horowitz（30:51.43） 这种能力需求正在到来。 Ben Horowitz（31:05.17） 如果机架如此密集，建筑地板的设计也必须承受这样的重量。 Ben Horowitz（31:09.59） 这件事确实非常现实。 Ben Horowitz（31:17.79） 而且，我认为，很多方面都需要大幅增加。 Ben Horowitz（31:22.67） 这些设备还会非常吵。 Ben Horowitz（31:29.21） 所以数据中心必须使用更厚的墙体，否则会打扰社区安宁，而这无法被接受。 Ben Horowitz（31:31.09） 我认为没有哪个州会允许这种情况发生。 Ben Horowitz（31:35.67） 因此，人们过去设计和规划建筑的许多方式， Ben Horowitz（31:39.26） 建筑本身已经完全过时了。 Ben Horowitz（31:40.96） 一旦我们进入 Feynman 时代， Ben Horowitz（31:46.28） 今天的数据中心中，能继续运行的比例会小得多。 Raghu Raghuram（31:49.92） 实际上，大家都在谈内存价格， Raghu Raghuram（31:53.94） 但价格上涨最快的领域之一是钢筋混凝土。 Raghu Raghuram（31:55.54） 这给人的感觉是，情况正在迅速变化。 Raghu Raghuram（32:03.92） 这些数据中心把 800 伏电压送入交流电系统时，另一个问题是， Raghu Raghuram（32:07.09） 第一，这已经变得非常危险。 Raghu Raghuram（32:11.19） 第二，我们没有足够多的电气承包商， Raghu Raghuram（32:16.21） 具备处理数据中心内部 800 伏电压的专业能力。 Ben Horowitz（32:18.85） 因为这是高压电。 Ben Horowitz（32:20.19） 只有 2%。 Ben Horowitz（32:37.27） 美国电气工程师或电工中，只有 2% 接受过直流电认证。这就能让你了解问题有多大。Meta 已经设立了培训项目，免费培训人们来做这项工作，就像一个新的职业培训学校。不过…… Ben Horowitz（32:39.70） 有意思的是，AI 正在抢走所有工作。 Ben Horowitz（32:42.76） AI 也会创造大量新的电工岗位。 Erik Torenberg（主持人）（32:45.02） 对，我想我们在太空领域也正在做类似的事情。 Raghu Raghuram（32:49.52） 拥有大型数据中心的人， Raghu Raghuram（32:55.70） 都在非常积极地试验机器人，对吧？ Raghu Raghuram（32:59.86） 让机器人完成组装服务器、把服务器放进数据中心之类的工作。 Raghu Raghuram（33:06.14） 所以，随着 AI 的发展，这种趋势会越来越明显。 Martin Casado（33:13.64） 顺便说清楚，我们正在筹建的这个基金，关注的是计算机科学基础设施。 Martin Casado（33:17.56） 模型运行所依赖的任何东西，都属于计算机科学，对吧？ Martin Casado（33:24.80） 可以把它理解为芯片、网络、互连、存储，一路延伸到电力。 Martin Casado（33:31.94） 对。再说说机器人方向：我们会做什么？它和 American Dynamism 有什么区别？ Martin Casado（33:44.64） 当然。我们再次强调，任何 AI 将要运行其上的平台，都是我们关注的对象。AI 的一个重大突破是，它能让计算机与物理世界互动，对吧？ Martin Casado（33:48.66） 它能看、能听、能说，对吧？这意味着会出现新的平台。 Martin Casado（33:52.62） 人们最简单的说法是边缘设备，但这个说法其实什么也没说明。 Martin Casado（33:56.20） 它可以是移动设备、内容分发网络，也可以是笔记本电脑。 Martin Casado（34:00.53） 但它也可以是一个四处移动的具身设备。 Martin Casado（34:16.47） 所以，作为专注基础设施的投资人，我们不做高度监管的行业，也不做更加垂直化的行业；但只要是能把 AI 推向更远处的计算机科学平台，我们都很感兴趣。 Erik Torenberg（主持人）（34:26.99） 回到数据中心：到 2028 年，新数据中心大约需要新增 44 吉瓦电力，而电网预计只能新增约 25 吉瓦。 Ben Horowitz（34:30.57） 等等，等等。我们用了“吉瓦”这个词。 Martin Casado（34:33.99） 不是，大家会说：“我们将拥有 100 吉瓦。” Martin Casado（34:36.63） Martin，吉瓦是什么？ Martin Casado（34:42.71） 它有多大？相当于好几座橄榄球场，规模非常大。相当于 5 万人。 Martin Casado（34:45.40） 你问它是什么？ Martin Casado（34:48.80） 它大约相当于 5 万栋房屋的用电量。 Martin Casado（34:51.54） 5 万，5 万个家庭。 Erik Torenberg（主持人）（34:52.52） 5 万个家庭。 Martin Casado（35:00.18） 我在亚利桑那州的弗拉格斯塔夫长大。根据大学在不在校，这座城镇有 4 万到 6 万人口。 Martin Casado（35:02.50） 我们全城的用电量还不到 1 吉瓦。 Martin Casado（35:03.54） 我的意思是，事实就是这样。 Ben Horowitz（35:07.80） 所以，1 吉瓦基本可以为你整座城镇供电并开足空调。 Martin Casado（35:08.78） 对，我的意思是，这就是…… Ben Horowitz（35:09.90） 他只是随手就把这些吉瓦说出来了。 Martin Casado（35:11.00） 也许吧。 Martin Casado（35:13.52） 不过，顺便说一句，大家都在谈吉瓦。 Martin Casado（35:15.80） 真正已经运行起来的吉瓦级数据中心非常少。 Erik Torenberg（主持人）（35:17.32） 我的意思是，我们还有很长的路要走。 Erik Torenberg（主持人）（35:21.28） 说到这里，公用事业公司和超大规模云厂商为什么不能更快地建设？ Ben Horowitz（35:24.20） 原因太多了。 Ben Horowitz（35:28.24） 首先，现在仍然需要人来建设这些设施。 Ben Horowitz（35:30.96） 这就是常规的施工。 Ben Horowitz（35:33.42） 但更重要的是，你还需要…… Ben Horowitz（35:41.79） 许可证，以及能够接入的电力。 Ben Horowitz（35:44.33） 所以你要做的是多方面结合， Ben Horowitz（35:46.67） 首先必须获得电力接入， Ben Horowitz（35:51.87） 这会引发一场规模很大的监管审批争夺。 Ben Horowitz（35:55.61） 你能够接入的资源数量非常有限， Ben Horowitz（35:59.17） 比如天然气、电网，或者其他能源。 Ben Horowitz（36:03.17） 但你还必须自己发电，对吧？ Ben Horowitz（36:08.43） 而且，变压器、涡轮机，以及所有相关设备都在短缺。 Ben Horowitz（36:14.21） 所以，你必须把所有这些东西都准备好。 Ben Horowitz（36:16.23） 这不是软件问题。 Ben Horowitz（36:21.79） 这也不是让一群工程师周末加班就能解决的问题。 Ben Horowitz（36:25.23） 而且，就算周末加班本身也未必有效，不过…… Ben Horowitz（36:40.65） 这里确实存在真正的瓶颈，而这些交付周期很难轻易压缩。再看需求增长：目前需求每年大约增长 10 倍，而供给根本跟不上这么快的速度。 Martin Casado（36:54.81） 情况糟糕到，眼下美国出现新的 GPU 公司时，它们常常会选择墨西哥、澳大利亚或其他国家，只因为在美国建起来太难。 Martin Casado（37:04.65） 没错没错。 Ben Horowitz（37:05.20） 是的，因为禁止在这里建设数据中心，我们正在把巨大的就业机会和长期经济机会送给其他国家。我认为，正确答案应该是设定一个标准，让数据中心作出贡献…… Ben Horowitz（37:21.96） 回馈社区。 Ben Horowitz（37:24.12） 供电质量要提高，没有噪声，没有用水问题，还要增加就业。 Ben Horowitz（37:31.28） 这应该成为标准。 Ben Horowitz（37:33.00） 然后每个项目都应该接受这个标准的约束。 Ben Horowitz（37:35.18） 顺便说一句，现实中已经有…… Ben Horowitz（37:37.30） 已经有数据中心这样做了。 Ben Horowitz（37:38.96） 这不是未来主义的梦想。 Ben Horowitz（37:44.22） 电价一直在下降，几乎每年都在下降。 Ben Horowitz（37:47.94） 原因是这些数据中心自己发电。 Ben Horowitz（37:51.34） 它们在白天向州政府供电。 Ben Horowitz（37:56.12） 到了晚上，州政府用电需求下降时，它们再从州政府借电。 Ben Horowitz（38:00.62） 这是因为电厂的运行方式决定了：电厂总是在生成峰值电力。 Erik Torenberg（主持人）（38:06.83） “机器时代”是一个很贴切的说法，用来描述我们正在做的事情。 Martin Casado（38:28.92） 听我说，我来回答。第一点，我认为 Ben 完全正确。“人工智能”这个词用错了，我们本来就不该这样称呼它。这是机器智能。 Martin Casado（38:39.20） 再多说一点。为什么这么说？ Martin Casado（38:41.42） 因为它和人类并不一样…… Martin Casado（38:43.80） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Martin Casado（39:05.10） 而且，“AI”是一个正式存在于计算机科学中的通用术语，可以追溯到 70 年前，适用于很多不同的事情。当然，这个词也背负了很多东西，可能来自科幻作品，也可能来自讨论它的 Nick Bostrom，等等。 Martin Casado（39:20.40） 所以第一点只是承认：这确实是机器智能。我们还想强调其中的“机器”二字。这里有一种深层的讽刺：软件吞噬世界那批人曾经相信，只要不断往某件事里投入资金就可以推进它，但现在我们走到了一个阶段，反而受制于下面真实存在的机器。所以我认为，这也是在提醒大家，硬件在这一轮中极其重要，而我们希望承认这一点。 Raghu Raghuram（39:43.57） 对，我认为下一轮突破就会由此产生。 Raghu Raghuram（39:47.13） 关键在于底层机器的质量。 Raghu Raghuram（39:51.05） 这基本就是我们采用这个名字的原因。 Martin Casado（39:53.33） 而且这个名字很酷。 Erik Torenberg（主持人）（39:55.07） Machine Age。 Erik Torenberg（主持人）（39:55.77） 听起来不错。 Ben Horowitz（39:57.97） 很有未来感。 Ben Horowitz（39:58.45） 没错没错。 Erik Torenberg（主持人）（40:00.35） 考虑到目前为止 AI 基础设施已经投入了这么多资金， Erik Torenberg（主持人）（40:03.29） 以及这些业务可能需要大量资本支出， Erik Torenberg（主持人）（40:06.39） 新公司还有可能以足够大的规模进入吗？ Erik Torenberg（主持人）（40:08.71） 你知道， Erik Torenberg（主持人）（40:11.13） 为什么 NVIDIA、Core 等现有公司不能直接拿走这些市场的大部分份额？ Erik Torenberg（主持人）（40:12.36） 你知道，为什么不能这样？ Raghu Raghuram（40:18.36） 它们确实都占据了大部分市场，这一点毫无疑问，对吧？ Raghu Raghuram（40:21.58） 但回到我们之前的讨论：当你需要根本性的新创新，来让增长继续， Raghu Raghuram（40:30.44） 或者让改进速度继续，无论衡量标准是每秒 token 数、每美元 token 数，还是每瓦 token 数，等等， Raghu Raghuram（40:38.38） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出、代理商和硬技术初创公司。 Martin Casado（41:01.15） 我的意思是，这就是市场规律，对吧？ Martin Casado（41:02.83） 假设现有的硅芯片巨头市值达到数万亿美元，而事实确实如此。 Martin Casado（41:10.43） 即使拿下其中 5%，也会成为一家规模巨大的私营公司。 Martin Casado（41:15.05） 一家规模巨大的私营公司，对吧？ Martin Casado（41:16.39） 我们说的是每年…… Martin Casado（41:19.03） 你可以说，NVIDIA 也能做这件事。 Martin Casado（41:21.01） 它们当然能，但为什么要做？ Martin Casado（41:22.28） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Ben Horowitz（41:42.80） 我们合伙人 Alex Rampell 有一句很有意思的话。 Ben Horowitz（41:45.90） 他曾经创办过一家叫 TrialPay 的创业公司。 Ben Horowitz（41:47.68） 当时他试图把公司，或者把自己的服务卖给 Meta，也就是当时的 Facebook。 Ben Horowitz（41:56.70） 当时负责企业发展的是 Dan Rose，他说： Ben Horowitz（42:00.51） Alex，这很棒。 Ben Horowitz（42:02.17） 听起来你可以收集很多银砖， Ben Horowitz（42:05.23） 但我手里已经有这么多金砖了， Ben Horowitz（42:07.57） 我甚至没法把它们全部拿起来。 Ben Horowitz（42:08.79） 所以我最后会做的事情，就是去看一块银砖。 Ben Horowitz（42:11.21） 我认为 NVIDIA 现在就处在这个位置。 Erik Torenberg（主持人）（42:13.37） 百分之百。 Erik Torenberg（主持人）（42:13.73） 没错没错。 Erik Torenberg（主持人）（42:14.31） 我们刚才谈到模型提供商： Erik Torenberg（主持人）（42:16.21） 如果你正好处在 OpenAI 或 Anthropic 能做的事情的 Erik Torenberg（主持人）（42:18.33） 核心甜蜜点， Erik Torenberg（主持人）（42:20.73） 也就是它们主要感兴趣的领域之一， Erik Torenberg（主持人）（42:22.93） 那可能是一个很难进入的位置。 Erik Torenberg（主持人）（42:24.19） 但在这些领域之外， Erik Torenberg（主持人）（42:25.83） 可能还有三到五个方向值得关注，也许…… Martin Casado（42:29.22） 市场扩张时会碎片化，对吧？ Martin Casado（42:32.82） 这种情况一直在发生。 Martin Casado（42:34.16） 记得早期的福特汽车公司吗？1913 年有了 Rouge River 工厂。 Martin Casado（42:39.06） 那座工厂几乎把整辆车都做出来了。 Martin Casado（42:41.42） 原料从水、煤和橡胶树开始，最后出来的是汽车。 Ben Horowitz（42:45.56） 顺便说一句，他还买下了整片…… Ben Horowitz（42:48.27） 亚马逊丛林中的橡胶树种植园。 Ben Horowitz（42:52.95） 还有一本很棒的书叫《Fordlandia》， Ben Horowitz（42:55.69） 因为他想拥有完整的垂直链条， Ben Horowitz（42:59.45） 于是他在那里建了一座叫 Fordlandia 的城市。 Ben Horowitz（43:04.91） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Martin Casado（43:19.91） 现在再看汽车行业，当然已经有多层供应商和大量公司。 Martin Casado（43:25.13） 事情总是这样发展。 Martin Casado（43:26.35） 市场扩张时会碎片化， Martin Casado（43:28.73） 增长放缓后，市场往往会整合。 Martin Casado（43:32.45） 整合可能通过收购发生，也可能由新的挑战者崛起完成。 Martin Casado（43:37.65） 这就是私募市场永恒的循环。 Ben Horowitz（43:40.65） 对，因为使用场景正在不断增加。 Ben Horowitz（43:42.81） 对吧。 Ben Horowitz（43:43.11） 规模最大的公司可以覆盖最大的使用场景，但使用场景太多了。 Ben Horowitz（43:49.91） 正如 Martin 所说，其中还有很多极具价值的场景，而大公司很难把每个场景都做好。 Raghu Raghuram（43:57.23） 以前，推理甚至只有一种简单架构，对吧？ Raghu Raghuram（44:00.95） 现在已经不是了，推理变得非常复杂。 Raghu Raghuram（44:04.05） 所以，必然会有人用不同方式对系统进行优化。 Martin Casado（44:07.53） 顺便说，这里有一件很有意思的事。 Martin Casado（44:09.09） 人们常常没有意识到，软件技术的标准做法曾经让利润率自然出现。 Martin Casado（44:18.31） 对吧？ Martin Casado（44:18.95） 这其实不是技术问题。 Martin Casado（44:21.07） 业务跑起来后，通常就能有相当不错的利润率，因为软件本来就是这样运作的。 Martin Casado（44:25.13） 尤其是把产品转成服务之后，情况更是如此。 Martin Casado（44:27.72） AI 却未必如此。 Martin Casado（44:30.66） 所以，我们可能正在进入一个时代：硬件优化会以过去从未见过的方式，直接影响业务的上行空间。 Martin Casado（44:40.70） 这里存在大量机会。 Erik Torenberg（主持人）（44:42.72） 我们来深入谈谈基金将要投资的公司类型。可以先从子行业说起，也可以谈几项已经完成的投资；有些投资还没有公布。Raghu，你愿意继续吗？ Raghu Raghuram（44:59.34） 就像我们刚才说的，几乎每一个类别都属于子行业范围。 Raghu Raghuram（45:04.20） 最明显的是计算芯片。 Raghu Raghuram（45:08.96） 但现在，造出一块芯片已经不够了。 Raghu Raghuram（45:11.06） 你需要造出一个完整系统，对吧？ Raghu Raghuram（45:12.96） 那么，系统里还要放进什么？ Raghu Raghuram（45:15.16） 内存可能有新的创新。 Raghu Raghuram（45:17.48） 网络也可能有新的创新。 Raghu Raghuram（45:19.92） 还可能有电源芯片，等等。 Raghu Raghuram（45:23.70） 所以，每个类别都可能出现达到上市公司规模的企业。 Raghu Raghuram（45:29.98） 这些都是我们正在研究的方向。 Raghu Raghuram（45:32.60） 把它们组合起来之后，还需要大量软件来自动化管理这些设备、管理整支设备集群，等等。这是另一个重要领域。这些环节会彼此叠加，但每一个类别都很重要。 Erik Torenberg（主持人）（45:48.77） 这类公司的不同之处在哪里？ Erik Torenberg（主持人）（45:52.57） 从我们已经公布的公司可以看出，它们的第一轮融资规模非常大。 Erik Torenberg（主持人）（45:56.79） 通常是数亿美元。 Erik Torenberg（主持人）（45:57.69） 这是不同类型的创始人吗？ Erik Torenberg（主持人）（45:58.71） 如果和传统软件相比，在建设和投资这类公司时，还有哪些地方不同？ Ben Horowitz（46:06.28） 我认为你已经说中了一个重点：很多资金在产品出现之前就投入了。 Ben Horowitz（46:14.18） 这就是这类公司的本质。 Ben Horowitz（46:16.20） 大型模型也有类似情况，但我会说…… Ben Horowitz（46:21.77） 大型模型的路径更为人所知，而这类公司风险更高，所需资金也比我们过去做的其他项目更多。 Ben Horowitz（46:33.33） 而且，很多芯片公司的创始人都来自过去的行业。 Ben Horowitz（46:40.77） 比如那些知道如何制造内存的人。 Ben Horowitz（46:44.64） 他们往往并不年轻。 Ben Horowitz（46:47.52） 所以，这一部分也有所不同，但确实令人兴奋。 Raghu Raghuram（46:52.76） 这类创始人的另一个特点是，他们都必须是系统型创始人。 Raghu Raghuram（47:00.24） 我的意思是，你不能只是一名研究人员或一名出色的连续科学家，对吧？ Raghu Raghuram（47:05.36） 对。 Raghu Raghuram（47:06.27） 你必须能够架构和设计芯片或系统，无论具体是什么。 Raghu Raghuram（47:11.05） 然后你还要思考，这个东西究竟怎样制造出来。 Raghu Raghuram（47:14.79） 谁会供应这些东西？ Raghu Raghuram（47:16.93） 以及所有下游环节。通常如果你在做软件， Raghu Raghuram（47:21.91） 你不必考虑这些事情。 Raghu Raghuram（47:24.13） 所以，真正优秀的创始人…… Raghu Raghuram（47:29.90） 当然，Jensen Huang 是这方面的 Michael Jordan，对吧？ Raghu Raghuram（47:33.74） 他们从一开始、甚至在设计芯片之前，就会思考整个生态系统。 Raghu Raghuram（47:39.78） 因为瓶颈的性质决定了所有这些环节必须汇合。 Raghu Raghuram（47:43.48） 这就是不同于其他领域的一项重要特征。 Martin Casado（47:46.23） 对你来说，有两个环境因素很重要。 Martin Casado（47:48.39） 第一，实验室迫切需要这些能力，以至于它们愿意和创业公司合作。 Martin Casado（47:52.17） 所以我们很早就能看到相当多的信号，因为实验室正在…… Martin Casado（47:56.57） 在这些公司真正有硬件之前，就和它们签下协议。 Martin Casado（48:00.71） 这和五年前相比是一个巨大变化，对吧？ Martin Casado（48:04.11） 五年前，你不会拿着自己那件粗糙的硬件产品去卖给 Google 之类的公司。 Martin Casado（48:08.95） 所以，环境变了。 Martin Casado（48:09.75） 第二点是…… Martin Casado（48:11.11） 可获得的资本宽松了很多。大家普遍认为，现在正是重塑这些东西的时候。因此，后续融资有大量资本可用。你当然希望投资在有资本支持的领域，所以整体环境也不同了。 Erik Torenberg（主持人）（48:26.60） Patrick Coulson 几年前说过， Erik Torenberg（主持人）（48:29.36） 感觉今天更年轻的创始人少了， Erik Torenberg（主持人）（48:33.18） 不像当年扎克伯格还在大学里， Erik Torenberg（主持人）（48:35.68） 打造下一个 Facebook；或者像盖茨那样， Erik Torenberg（主持人）（48:38.32） 打造 Microsoft。 Erik Torenberg（主持人）（48:40.42） 当然，世界上仍然有一些年轻创始人在打造标志性公司， Erik Torenberg（主持人）（48:42.04） 仍然有年轻人在做这件事， Erik Torenberg（主持人）（48:44.36） 但就像你刚才说的， Erik Torenberg（主持人）（48:46.88） 现在似乎有更多年龄更大的创始人在做这些公司， Erik Torenberg（主持人）（48:51.42） 二十岁出头的创始人少了一些。 Erik Torenberg（主持人）（48:53.36） 我想知道这是不是也符合你的观察，以及原因是什么。 Ben Horowitz（48:56.11） 我认为这正是 Raghu 所说的：如果你要做的东西有复杂的供应链，需要制造产品，而且技术上很复杂…… Ben Horowitz（49:11.11） 有一些经验会有帮助。 Ben Horowitz（49:14.71） 如果你看看 Elon 或 Travis Kalanick， Ben Horowitz（49:19.47） 他们年轻时创办的公司都是软件公司。 Ben Horowitz（49:22.93） 即便是那些最优秀的人，直到公司发展到相当规模之后， Ben Horowitz（49:29.09） 也仍然需要一些建设公司、开发技术等方面的经验， Ben Horowitz（49:35.29） 才能逐步进入更加复杂的，或者…… Ben Horowitz（49:40.14） 我会说，更加精细的领域。 Ben Horowitz（49:42.50） 这类业务的组成部分更多。 Ben Horowitz（49:45.26） 其中有更多不断变化的环节。 Ben Horowitz（49:47.66） 所以，当你学习怎样…… Ben Horowitz（49:50.94） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Ben Horowitz（50:14.88） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Martin Casado（50:34.12） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论了 a16z 的机器时代基金和人工智能基础设施，包括芯片、内存、网络、数据中心、资本支出和硬技术初创公司。 Martin Casado（50:55.76） 但现在很多事情正在改变。 Martin Casado（50:57.78） 我们会培养出整整一代来自这些新公司的创始人。他们知道怎样做这类事情，而且他们会以更初级的职位进入行业。 Martin Casado（51:05.98） 我认为 Elon 留下的最重要遗产之一，当然是他创办了这些伟大的公司；但从 SpaceX 走出的创业者数量，以及这些人对整个工业体系的改变，可能比这些公司本身更重要。 Martin Casado（51:22.26） 我认为计算机科学和硬件领域也会出现同样的事情。 Raghu Raghuram（51:25.62） 事实上，我们有一项投资由两名二十多岁的创始人创办；但你走进他们的办公室，也能看到有经验的人在那里。所以这里形成了理想的组合。 Ben Horowitz（51:38.08） 对，创始人不一定要有经验，但创始人…… Ben Horowitz（51:43.60） 一定要真正有能力调用这些经验。 Ben Horowitz（51:47.14） 要把有经验的人找来，对。 Ben Horowitz（51:47.80） 对，对，然后还要能和他们合作；而且这些人本身也得足够优秀，等等。 Ben Horowitz（51:54.94） 这很复杂。 Erik Torenberg（主持人）（51:56.10） 说到经验，这是我们正在推出的一支大型新基金，而且没有新增普通合伙人。 Erik Torenberg（主持人）（52:02.90） 没错没错。 Erik Torenberg（主持人）（52:03.34） 我们是在把这些经验汇集起来。 Erik Torenberg（主持人）（52:04.86） 因为你们和团队其他成员，在这个过去有些潜伏、沉寂的领域里积累了大量经验。 Martin Casado（52:11.86） 没错没错。 Martin Casado（52:11.91） 这有点有意思。 Martin Casado（52:12.63） 我觉得我们几乎需要被提醒，甚至需要被劝阻， Martin Casado（52:14.55） 只是因为我们的背景来自一个很难的领域。 Martin Casado（52:17.27） 我认为之所以需要这个提醒， Martin Casado（52:19.11） 是因为这一切在我们的职业生涯中占据了如此重要的位置， Martin Casado（52:21.31） 我们一直在做硬件，也一直在与硬件共事，所以自然会被它吸引。 Martin Casado（52:23.25） 所以，听着，我们显然已经投资了， Martin Casado（52:26.93） 在其他更艰难的年份里，我们投资过 SpaceX，也投资过 Adrenaline。这些都是非常早期的支票。我们还投资过 Astronauts 和 Waymo。你看，所以即使在早期，我们也做过不少这类投资。这是因为它深深写进了我们的 DNA。所以我不认为我们需要单纯为了增加团队能力而扩充团队。 Erik Torenberg（主持人）（52:46.23） 如果这支基金实现了我们的预期，五到十年后，世界会怎样变化？ Ben Horowitz（52:52.26） 希望美国能赢得基础设施这场竞争。 Ben Horowitz（52:58.06） 希望到处都有大量环保、高效的数据中心。 Ben Horowitz（53:04.32） 芯片、内存和电力都充足，甚至非常充足。 Ben Horowitz（53:09.80） 那将会…… Ben Horowitz（53:12.53） 太棒了。我认为这又回到了一个基本判断：我们真的觉得美国是一个特殊的地方。 Ben Horowitz（53:20.93） 美国的重要性不只在于这里的人，也在于世界上任何希望…… Ben Horowitz（53:27.34） Ben Horowitz、Martin Casado、Raghu Raghuram 和主持人 Erik Torenberg 讨论 a16z 的 Machine Age Fund 与 AI 基础设施，包括芯片、内存、网络、电力、散热、数据中心和硬科技创业公司。 Erik Torenberg（主持人）（54:00.08） 感谢收听本期 a16z Podcast。 Erik Torenberg（主持人）（54:03.22） 如果你喜欢这一期，欢迎点赞、评论、订阅，留下评分或评价，并把节目分享给朋友和家人。 Erik Torenberg（主持人）（54:10.74） 想收听更多节目，可以前往 YouTube、Apple Podcasts 和 Spotify。 Erik Torenberg（主持人）（54:14.86） 欢迎在 X 上关注 a16z，也可以订阅 a16z 的 Substack，地址是 a16z.substack.com。 Erik Torenberg（主持人）（54:20.92） 再次感谢收听，我们下期再见。 Erik Torenberg（主持人）（54:25.39） 提醒一下，本节目的内容仅供参考。 Erik Torenberg（主持人）（54:28.59） 这些内容不应被视为法律、商业、税务或投资建议，也不应被用来评估任何投资或证券；内容也不针对任何 a16z 基金的投资人或潜在投资人。 Erik Torenberg（主持人）（54:38.97） 请注意，a16z 及其关联方可能也持有本节目讨论公司的投资。 Erik Torenberg（主持人）（54:43.63） 更多详情，包括 a16z 投资项目的链接，请查看 a16z.com/disclosures。