對話 Cerebras CEO ：手握 250 億積壓訂單，AI 算力需求早就訂滿，我們不是「建了等客來」

整理 & 編譯：深潮 TechFlow

嘉賓： Andrew Feldman，Cerebras CEO & 聯合創始人；Robin Rombach，Black Forest Labs CEO & 聯合創始人

主持人： All-In Podcast 主持人

播客源： All-In Podcast

原標題： Open Source Wins， AGI Is Here， and Scorsese's AI Toolkit — Cerebras & Black Forest Labs CEOs

播出日期： 2026 年 7 月 10 日

要點總結

這期節目請了兩位 AI 基礎設施公司的 CEO。Andrew Feldman 是 Cerebras 的創始人，這家公司專做推理芯片，剛完成 IPO，手握 250 億美元積壓訂單。他反覆強調一件事：AI 算力的需求早就訂滿了，不存在"建好了等人來"的情況，OpenAI、Anthropic、SpaceX、Google 的胃口遠超供給。而推理（reasoning）的出現，讓計算密集度再次飆升，這恰好是快機器的戰場。Robin Rombach 是 Black Forest Labs 的創始人，做生成式圖像和視頻模型（Flux 系列），他之前發明了 latent diffusion 算法，也就是現在所有圖像和視頻生成模型的基礎。他剛和 Martin Scorsese 合作，讓導演用 AI 把腦海中的畫面可視化；但他更興奮的方向是，同一套多模態模型能拍電影，也能部署到機器人上當大腦。生成式視頻的終點不在銀幕，在物理世界。

精彩觀點摘要

推理才是下一個算力黑洞

• "有意思的是，這一波和過去不一樣，他們不是押'建好了會有人來'，需求已經把產能預訂完了。我們有 250 億美元積壓訂單。"
• "推理就是 reasoning，reasoning 消耗海量 token，這正好是快機器的戰場。"
• "如果 Cerebras 快 15 倍，你跑 24 小時，就相當於跑了幾周甚至幾個月的思考。"

開源與主權：企業要的是控制權

• "沒有人喜歡被依賴。超大規模廠商從 x86 時代學到的教訓就是被 Intel 綁定。"
• "你不需要做最快的芯片，你只需要不完全依賴別人的芯片。"
• "如果現在想跑開源模型，要麼是 OpenAI 的 OSS 12B，要麼是中國模型，美國需要更多本土開源選擇。"

AGI 按二十年前的定義已經來了

• "任何我們在 20 年前、30 年前、40 年前提出的 AGI 定義，我們都已經遠遠越過了。"
• "圖靈測試？早就打爆了。"
• "問題早就不是我們不知道怎麼問了，AI 反過來能告訴你：嘿，你們這些笨人類，你沒考慮到這個。"

生成式視頻不是替代人類創作

• "這些 AI 模型是一種媒介，我們不想規定怎麼用，尤其是對 Martin Scorsese 這樣的人。"
• "語言是有點有損的溝通方式，視覺信息信號太豐富了。把腦海裡的畫面變成可見的圖像，這就是技術最有力的地方。"
• "最有意思的結果，幾乎都出現在人在迴路中不斷迭代的時候。"

從電影到機器人：同一套模型

• "你可以用同一個多模態模型拍一部電影，然後把它部署成機器人上的大腦。"
• "預訓練視頻隱式教會了模型物理交互規律，然後你從同一個模型裡拿到動作預測，也就是機器人控制。"
• "目標是你能用 in-context prompt 指令機器人：'把那杯橙汁拿過來'，我們現在還做不到，但這是方向。"

AI 基建狂潮：數據中心比城市還大

主持人：我們從來沒見過這樣的建設規模。從長城、金字塔以來，人類沒有投入過這麼多資本、時間和聰明人去建設一樣東西。你實際上在做這件事，你的客戶在建數據中心，你是關鍵一環。2026 年，Cerebras 在做什麼？德州那邊那些巨大的工程又是什麼情況？

我們談論的數據中心，未來幾年消耗的電力將超過地球上過去 50 年的總量。單獨一棟建築就有足球場那麼大，接入的電力超過中型城市。全美各地在建，加拿大在建，北歐在建，巴黎和整個法國在建，中東在建，連哈薩克斯坦、塔吉克斯坦、格魯吉亞也在建大型數據中心。每個國家、每個州都想參與進來。

買單的人？OpenAI、Anthropic、SpaceX AI、Google，胃口大到嚇人。有意思的是，這一波和過去很多技術熱潮不一樣：他們不是在押"建好了會有人來"，需求已經把產能預訂完了。我們有 250 億美元積壓訂單。OpenAI 要更多數據中心，Microsoft 要更多，AWS 要更多。需求不是等客上門，客已經排著隊了。

主持人：這也催生了一個詞叫"token maxing"，無限刷 token。有人質疑，這麼大的需求到底有沒有創造真實價值？

當然有大量價值在產生。當然也有大量瞎試。我拿 AWS 剛出來的時候比，繞過自己 IT 部門太爽了，每個工程師拿信用卡就註冊。很多確實有用，有些事後一想"哎，不該這麼幹"。但總體還是賺的，只是有些方向走空。

我還記得 1988 年 Costco 在 Palo Alto 開店，大家像逛 Safeway 一樣逛 Costco，每排貨架都走一遍。那是一種很糟糕的逛法，因為你買了四件不需要的東西，每件 22 美元。後來大家學會了策略：去後面拿雞肉，拿 18 個紙杯蛋糕給小孩生日派對，乾脆利落。AI token 消費也一樣，一開始大家敞開用，現在企業開始講策略：哪些任務用開源模型就夠了，哪些必須用前沿模型。我們開始像運營生意一樣管理 AI 了。

推理取代訓練：為什麼快機器是這波的主角

主持人：Sam Altman 在 AllIn 上說過，下一步是 reasoning，理解意圖、制定策略、和其他線程的 agent 交叉驗證。我們從"猜下一個詞"走了一長段路，現在 Cerebras 正好站在中心，因為 reasoning 就是 inference，計算量極大。

推理消耗海量 token，這就讓快機器有了戰場。 reasoning 每一步都在內部吞 token，你本來靠花大量時間來換好答案。Cerebras 快 15 倍意味著，跑 24 小時推理，相當於別人幾周甚至幾個月的思考量。

我今天早上試了一個 BitTensor 上 ZAI 的 GLM-52 模型，給了它無限算力，讓它每小時告訴我全世界還沒被識別的趨勢。它開始自己辯論：應該在 Hacker News 和 Reddit 找？還是 Instagram 上趨勢更先出現？我看著一個推理模型在後臺自辯，它在做推理。無限 token 等於無限推理，用 Cerebras 快 15 倍，24 小時相當於別人幾周。

主持人：Cerebras 有自己的 Moore's Law 嗎？內部討論多久翻一番？

所有之前的芯片都踩著 Moore's Law，18 個月翻一倍。我們用這塊芯片把那條線打斷了，跑出了全新的軌跡。我的判斷是，未來 18 個月，遠超 2 倍。新架構還大有優化空間。GPU 是 20 年的老架構了，只能靠縮小製程節點硬撐，但新架構還有大量東西可以學、可以調。

主持人：250 億積壓訂單在手，你還得跟上 OpenAI 的節奏，他們可能是未來潛在的競爭對手。你怎麼運營公司？

現在硅片不會閒置，需求太大了。但你說得對，OpenAI 也在做自己的芯片，Amazon 也在做。沒有人喜歡被依賴。超大規模廠商從 x86 時代學到的教訓就是被 Intel 綁定；GPU 廠商學到的教訓是被少數幾個超大規模客戶綁定，所以他們資助了新雲。做自己的芯片，重點不在最快，在不完全依賴別人，至少掌控自己命運的重要一部分。

開源與主權：企業要的是控制權

主持人：開源正在迎來一個時刻。我早期用 OpenClaude，後來用 Kimmy，發現我 Claude 的 token 在爆，但 Kimmy 我分辨不出差別。開源模型開始搞 reasoning，差距今年突然閉合了。

你不希望開 Ferrari 去超市。有時候開跑車，有時候開 minivan，小孩撒了 Cheerios 也不心疼。企業也一樣：硬題交給前沿模型（OpenAI、Anthropic、Gemini），但背後大量日常問題只需要紮實的開源能力。想想一個公司有多少時間在做 Workday 裡剪貼到 Excel 另一個單元格的事？這用不著金牌數學，靠穩當的開源就夠了。

最近又翻了一張牌：金融、醫療這些受監管行業（HIPAA、FINRA）怕數據洩露、怕智能主權被別人捏著，要把模型放本地，用開源版本多抓一點控制權。OpenAI 幾個月前放了 OSS 12B，還行。但美國現在要跑開源，要麼 OSS 12B，要麼中國模型，本土開源選擇太少了。 NVIDIA 也看到了這個窗口，在推自己的開源模型，但 Jensen 也在猶豫，他的客戶就是 Sam、Dario、Elon、Sergey，推開源會不會跟客戶搶生意？

Cerebras 站的位置比較中性，我們跑 GLM、跑 Kimmy、跑 Qwen 系列、也跑 OpenAI 的閉源模型。還跑 GSK 自己開發的模型、跑 UAE G42 和 MBZUAI 的自有模型。主權這事，是個趨勢。

AGI 已來，範式不會死，人會

主持人：Fable 5 和 o-56 發佈的時候，政府說"停一停再放"。Anthropic 和行政層關係緊張，現在開始緩和了。你覺得分步發佈合理嗎？模型真的夠危險嗎？

我沒見過之前有這種事。但回頭想想：當一個模型在創造性思維上夠猛了，政府說"請你分步發佈"，我覺得這其實沒毛病。我們對猛藥也這麼管，當然不鼓勵 FDA 那堆七年的垃圾文書，但說"至少讓政府做點紅隊測試，確認我們的防禦能擋住"，給兩三週補明顯漏洞，這不算無理要求。

但現在是兩極化最嚴重的時候。如果這事不是 Trump 做的，換任何別的總統，反應可能完全不一樣。兩極化傷害了清晰思考。兩邊都會做蠢事，也會做聰明事。政府裡的基層人員其實很認真在幹，只是這事太快了。

Palo Alto Networks 的 Nikesh 告過我：他們把模型對自家軟件做測試，發現了一小時之內幾十個關鍵漏洞，不得不停下手頭所有事，花六週打補丁。你意識到這是一個強力工具，也許先給一小群人看看，也許先做紅隊測試。

主持人：按照任何 20 年前的定義，AGI 已經來了。你覺得嗎？

是的。圖靈測試？早就打爆了。任何 10 年、15 年、20 年、30 年、40 年、50 年前提出的定義，我們都遠遠越過了。科幻作家提的問題我們都答完了，他們會說"我沒問題了，抱歉"。這就是為什麼那些看起來在邊緣的人說的話值得聽，Ilya 八年前講安全，你說"什麼？"結果他說對了。Elon 講火箭成本降到近零，你說"什麼？"結果他做到了。

主持人：Recursive learning，你問它一個問題，學到結果，再問一次，答案更好，覆蓋更多材料，這些循環產出的答案，從"好一點"直接跳到"好得多"。指數曲線的斜率太陡了。

遞歸增益是指數級的，你更好了，再來一次，繼續增益，斜率太陡了。我們剛開始看見這個。不停投算力，答案會越來越好嗎？跑完 token 或預算就停了，但這條指數曲線什麼時候到頭？還是永遠右上走？這問題現在有趣極了。

人類學習的速度被代際卡住，大象和大型哺乳動物 15-20 年才一代。想快，得像果蠅，一天兩代。AI 正在拿到這種跨數千代的學習速度。我讀心理學的時候，教授講了一句：範式不會死，人會。Freud、Skinner、Jung 的門生佔著領導位置 20-40 年，才有下一代質疑。AI 把代際間隔壓成了果蠅速度。

我賭的是這件事：我們的孩子和他們認識的所有人不會因癌症去世。經濟會有震盪，汽車來了，給馬剃蹄鐵的人日子不好過。但把賺的和虧的列出來：無限能源、無限食物、無限知識、無限教育、無限住房。我們一千年來都知道一對一輔導比課堂好，Aristotle 輔導 Alexander，Socrates 輔導他的學生，但我們選了工廠養殖式教學。現在 AI 可以給每個孩子一個按自己方式學的導師。

Scorsese 的 AI 工具箱：把腦海裡的畫面變成現實

主持人：Robin Rombach 是 Black Forest Labs 的聯合創始人兼 CEO，總部在黑森林地區的 Freiburg 和舊金山。你之前做 Stable Diffusion，發明了 latent diffusion 算法。Black Forest Labs 的業務是什麼？目標是什麼？

我和合夥人們兩年前創立了這家公司。之前做了 Stable Diffusion，更早發明了 latent diffusion，這是現在所有圖像生成、視頻生成甚至物理 AI 模型背後的基礎算法。原理是把自然數據（圖像、視頻、音頻）壓縮到高效表示空間，然後在上面訓練 transformer，就像 JPEG 和 MP3 的原理，但用神經網絡算法實現。我們博士時期在慕尼黑做出來的。

現在我們在攻克多模態視覺模型，在圖像、音頻數據上同時預訓練，正在進入新範式：結合 action prediction，讓同一個模型做圖像、做視頻、做音頻、還預測動作，最終可以部署到真實世界的機器人上。

主持人：從圖像到視頻到音頻再到機器人，如果模型能生成視頻，說明它理解了世界。

直覺智能和深度推理是兩種互補的智能形式。我們從直覺側入手，圖像是最自然的切入點，計算量不像視頻那麼大。但現在正在收斂成多模態模型。預訓練視頻隱式教會了模型物理交互規律，從同一個模型裡拿到動作預測，也就是機器人控制。

主持人：你和 Martin Scorsese 有合作？你坐在他旁邊讓他用你的工具？

是的，我和他坐在同一個房間裡，他探索我們的模型，作為核心研究者之一坐在旁邊，那感覺太瘋狂了。同時我還是他的大粉絲。

他要的是把腦海裡的場景可視化，東歐某個村莊，他描述，我們看輸出，他迭代。最後他說的是：把腦子裡的畫面變成視覺表達，這種溝通效率遠高於語言。語言是有點有損的溝通方式，視覺信息的信號太豐富了，一張圖或一段視頻裡的信息量巨大，這是另一種溝通渠道。

我們不想規定怎麼用這些模型，尤其不會對 Martin Scorsese 說"你應該這樣用"。AI 模型是一種媒介。最有意思的東西，幾乎都出在人在迴路中不斷迭代的時候。

從電影到機器人：生成式模型的終點不在銀幕

主持人：startups 現在用 Flux 和你們模型做發佈視頻，以前花 25 萬美元做 launch video，現在花一兩週就能做完。Gal Gadot 剛做了一個 Bitcoin 電影，演員在 sound stage 上表演不用綠幕，所有背景用生成式 AI 做，30M 美元預算拍出了原來要 150M 才能做的效果。你看到生產中使用了嗎？

看到了一些。高端電影製作是最苛刻的用例之一。我很高興有人在探索，但我也想說清楚：技術還在 trajectory 上，正在快速迭代。幾年前我們做 PhD 的時候只能生成 64×64 素的圖，現在做多輸入高分辨率視頻，但它不會停在這。

最讓我興奮的是這個：你可以拿同一個多模態模型拍一部電影，然後把它部署成機器人上的大腦。 這太有意思了。computer use 到底能不能用還不確定，但技術正在往物理世界走，world models、action models，說白了都是同一個東西。

主持人：訓練數據怎麼來？讓人類戴眼鏡戴手套錄第一人稱？還是從 YouTube 上看一千個人倒飲料的視頻就夠了？

目標是用 in-context prompt 指令機器人："把那杯橙汁拿過來"。現在還做不到。目前的做法是：模型已經裝了大量視覺理解，只需要幾小時的微調數據就能適配特定硬件。方向是儘量少微調，儘量靠 in-context 指令，但這還是個研究問題。

主持人：開源正在有時刻，企業要主權。迪士尼這種 IP 大庫應該怎麼做，拿你的開源模型自己訓練，還是和你合作訓練專屬模型？

最有趣的用例在於生成以前沒有的東西，這才是這項技術本質上最有意思的地方。我們的公開工具上不能生成特定 IP，這很合理。我們也確實和一些 IP 擁有方合作開發模型，有些基於我們的開源模型，有些基於我們更強的 proprietary 模型。

最有趣的角度是：技術變得更快、更交互了。你可以想象 Disney+ 上掛著各種交互內容創作工具。

主持人：現在最有趣的現象是 fan films。以前有 fan fiction 寫自己的 Star Wars 故事，後來有人穿 Jedi 服裝拍 fan films。George Lucas 說只要不商業使用就允許。現在人們用 AI 把沒講過的 Star Wars 故事重新演繹，Star Wars Stories Untold 每條視頻百萬播放。這才是未來：讓消費者付費授權，讓他們用角色創作自己的故事。

如果找到對 IP 方可行的商業模式，又能開放這種超級創意的定製玩法，那就太好了。我讀一本書或看一部電影總在想"要是這樣發展會怎樣"，現在終於能讓人把這些念頭可視化出來了。

我們剛過了 100 人，正在德國和舊金山招人：大規模模型訓練的研究者、diffusion 和 flow matching 訓練經驗的人、和客戶一起開發定製方案的工程師、大規模計算基礎設施運維的人，還有對把技術送到更多人手裡感興趣的人。