來源：華爾街見聞
全球AI基礎設施正面臨一場「供需大裂縫」：需求以千倍速擴張，而芯片、內存、電力、數據中心的供給最快也要三到五年才能跟上——頂尖風投a16z認為，在需求呈現指數級增長、核心組件訂單已排至數年後的背景下，傳統的計算堆棧已被推至物理極限，一場圍繞AI時代的基礎設施重構正在全面開啟。
近日，硅谷頂級風險投資機構a16z（Andreessen Horowitz）正式宣佈推出「機器時代基金」（Machine Age Fund），專注投資AI基礎設施領域。a16z聯合創始人Ben Horowitz、普通合夥人Martin Casado，以及前VMware CEO、科技顧問Raghu Raghuram，在一場公開視頻對話中系統闡述了這隻基金的戰略邏輯——而其背後，是一幅AI算力需求與供給能力之間正在急劇拉大的裂口圖景。
三位核心人物的判斷高度一致：AI基礎設施的短缺，已不是某一個環節的問題，而是從芯片、內存、網絡互聯、數據中心，一路延伸至電力、冷卻、變壓器，乃至銅礦——「這個影響範圍，已經延伸到了銅礦，就是這麼大的一件事。」Raghu說。
與此同時，Ben Horowitz給出了一個簡單但有力的判斷：
「任何你有的問題，都可以用足夠的基礎設施來解決——本質上是GPU加上錢。只要問題還沒解完，需求就不會停。」
需求「無限」，供給「全線告急」
a16z認為，這輪AI基建熱潮與此前互聯網時代的基礎設施泡沫有着本質區別。
「記得暗光纖嗎？那時候大量鋪進地下的，其實是投機性的，是暗的。而今天，基本上每一塊GPU在生產出來之前就已經被預售了。」Martin Casado說。
數據層面，信號同樣鮮明：
超大規模雲廠商（Hyperscalers）的資本開支今年約為7000億美元，明年預計將集體突破1萬億美元。
**關鍵組件供應已全面排期至2028年。**Martin透露，他們甚至見過「為數千塊GPU舉行多日拍賣」的情況，而黃牛價格是原價的四倍。
頭部內存廠商在行業旗艦會議Hot Chips上公開表示：「他們今天已有的需求訂單，需要三年的產能才能全部交付」——這還只是當下的存量需求，不包括未來新增需求。
GPU價格也罕見地出現反彈。「GPU價格一向是往下走的，走到這個價格之後，又回來了。」Raghu表示，這在歷史上幾乎從未出現過。
在電力側，矛盾同樣尖銳。2028年前，新數據中心預計需要新增約44吉瓦電力，而電網預期新增供給僅有25吉瓦左右，缺口巨大。Ben Horowitz補充：「我們既缺GPU，也缺電力，也缺冷卻，也缺內存——你說什麼，我們都缺。」
「不是工程問題，是資源瓶頸」
為什麼需求會持續膨脹而沒有天花板？Martin Casado給出了一個核心判斷：
「過去，你要構建什麼東西，那是一個工程問題——你堆工程師，但這不會線性擴展，存在『人月神話』的規律制約。而現在，這真的是一個資源限制問題。我們把大量資金投入系統，系統產出結果。當前的瓶頸，是這些系統真正匹配我們投入資源的能力。」
從Chatbot到推理模型，再到Agent、多Agent，每一代AI應用對token的消耗都呈指數級上升。Raghu的描述更直接：
「如果聊天需要100個token，那麼一個Agent可能需要幾千個token。需求在兩個維度同時膨脹：單個任務消耗的token越來越多，同時使用AI的人群也在不斷擴大——從開發者，到知識工作者，再到更大範圍的普通用戶。」
Ben Horowitz給出了他的預判：「對token的需求，可能每年增長接近1000%。這種速度是基礎設施供給根本跟不上的。」
「AI用來變得更好的唯一方式，就是使用更多AI。推理是它反覆調用的基本構建模塊，這就是token數量不斷倍增的原因。」Raghu說。
整個計算體系需要「從零重建」
a16z認為，現有AI基礎設施面臨的核心挑戰，不只是「量不夠」，而是「整個架構就不是為AI設計的」。
Raghu系統性地梳理了這一重建邏輯：
「你要一個類別接一個類別地去審視：計算需要什麼？內存需要什麼？它們之間如何互聯？每一塊需要多少功耗？如何散熱？如何把這些東西組合在一起？這就是整個行業現在正在做的事——把問題分解到最基礎的組件，然後從第一性原理重新構建。」
Martin Casado則用一個商業邏輯來佐證重建的緊迫性：
「訓練一個前沿模型，現在大概要花30億到50億美元。推理側需要至少2倍於此來回收成本，也就是約100億美元。如果你能在推理上省20%的效率，那就是20億美元。而20億美元完全可以支撐一個ASIC的研發。
這意味着，為單個模型專門定製一塊芯片，在經濟上已經是完全成立的。這在行業歷史上從未出現過——我們從未用50億美元去創造一個單一的數字化產物。」
在物理層面，重建的壓力更為具體：
- 機架功耗從過去的5到10千瓦，正在向100到150千瓦躍升；
- 計算密度提升約70倍；
- 冷卻方式從風冷向液冷強制遷移；
- 機架電壓升至800伏特，已屬高壓範疇——全美僅有約2%的電工取得了直流電認證；
- 超高密度機架對數據中心地板承重提出全新要求；
- 混凝土等建材價格也隨之快速上漲。
Ben Horowitz直言：
「我們已經過了那個時代——大多數現有數據中心，一旦進入下一代算力時代，都將徹底過時。」
頂尖創業者正在大規模回流硬件
這種結構性機會，已經在創業生態中產生明顯信號。
Martin Casado透露，a16z內部有一個非正式的統計：過去，來自頂尖創業者的deal中，涉及硬件的比例大約只有3%到5%；而現在，這一比例已經超過20%甚至30%。
「創業者社群通常比VC社群聰明，他們已經識別出這是一個非常活躍的創新領域，並開始行動。」
這些「硬件創業者」的畫像也與傳統軟件創業者有所不同。Raghu描述稱，這類公司的創始人必須是「系統型創始人」——「你不能只是一個研究員或優秀的計算機科學家。你得能架構和設計芯片或系統，還要想清楚這東西怎麼製造、供應鏈怎麼搭——這些是軟件創業者通常不需要考慮的問題。黃仁勳就是這種思維方式的極致體現，他從一開始就在思考整個生態。」
與此同時，前沿AI實驗室因為需求太過迫切，已經開始直接與早期硬件創業公司簽署協議，「甚至在硬件產品還沒有出來之前」。Martin認為，這是一個重要的信號變化，大大降低了硬件初創公司的早期商業化風險。
資金環境也在轉向：初創公司的首輪融資規模已達數億美元量級，這在以往的硬件投資中極為罕見。
從「機器智能」到「機器時代」
談及這隻新基金的命名，Martin Casado坦言，「人工智能（Artificial Intelligence）這個詞，其實從一開始就叫錯了——它應該叫機器智能（Machine Intelligence）。」
「這是一個有70年曆史的計算機科學術語，帶着太多科幻小說的包袱。而且，它並不是真正模擬人類的思維方式——它是把人類已經學到的一切加以利用，而不是從零開始重建語言。」他說。
而「Machine Age（機器時代）」這一命名的另一層深意，在於向硬件致敬。「這裏有一種深刻的反諷：『軟件吞噬世界』的那批人，走到最後發現，真正的限制來自軟件之下的實體機器。這個名字是在承認，這一輪浪潮中，硬件的分量，前所未有地重要。」
Martin給出了時間尺度上的判斷：「我們才剛剛開始——語言和代碼，再加上剛剛起步的計算機使用。但未來30年、40年，科學、材料、生物、創意……都將是把算力投入問題的領域。我們處於一段很長征程的極早期。要做好準備：這種算力需求，將持續幾十年。 」
a16z訪談全文實錄（由AI輔助翻譯）:
開場白
Ben Horowitz（a16z 聯合創辦人）：
我們正處於一項全新技術的時代，這是有史以來最重要的技術。而要支撐它，你需要一套全新的基礎設施。
Raghu Raghuram（前 VMware CEO / 科技高管與顧問）：
通常我們說的基礎設施，無非是伺服器、儲存、網路這些東西。但這一次，它一路延伸到了礦山——銅礦。你就能感受到，這件事的影響範圍有多廣。
Martin Casado（a16z 普通合夥人）：
以前你做一個東西，核心是工程問題。但現在，感覺真正卡脖子的是資源。不管是算力還是別的，我們正在把大量的錢砸進這些系統，系統也在產出結果。但問題是，現在系統消化資源的能力，根本跟不上我們往裡砸的速度。
Raghu Raghuram：
頭部記憶體廠商說，他們現在手上的訂單需求，要用三年的產能才能滿足。
主持人：
Ben、Martin、Raghu，歡迎。謝謝你們。好的，謝謝。我想先引用 Marc（Andreessen）的一句話來介紹這支新基金：
"這是我這輩子見過的最大的技術革命。這顯然比網際網路還要大。可以類比的是微處理器、蒸汽機、電力，甚至可能是輪子。"
各位，這就是 Machine Age Fund（機器時代基金）。請介紹一下。Ben，你先來。
Ben：
簡單來說，我們現在擁有了一項全新的技術，而且是有史以來最重要的技術。每當出現一種顛覆性的新技術，我們所依賴的一切——基礎設施——都需要跟著徹底更新換代。而這一次的影響，比以往任何一次都要深遠。
所以我們不僅需要新的晶片、新的系統軟體，還需要全新的供電方式，需要替換銅線……可以說，幾乎所有東西都要變。這是一個非常令人興奮的時代。對於這個新時代在硬體層面的種種需求，我們需要一套全新的投資思路。
Raghu：
我完全同意。通常我們在談計算基礎設施的時候，說的是伺服器、儲存和網路。但這一次，往下追溯，一直追到礦山、銅礦——影響範圍之廣，由此可見一斑。這是第一點。
第二點，過去三年，我們看到模型的能力在持續穩步提升，模型本身已經不再是瓶頸了。事實上，藉助 AI，這些模型正在以越來越快的速度變得更強。現在的瓶頸，在於我所說的「模型以下」的部分——也就是底層基礎設施。所以，這正是我們需要重點攻克的方向。
Martin：
我快速補充一點：我們一向是跟著創辦人走的。
過去幾年，我們觀察到一個明顯的趨勢——越來越多的頂級團隊開始去攻克那些複雜的、更難的問題。我沒有準確數字，但上週末我自己估算了一下：以前頂級創辦人帶來的項目裡，硬體方向大概只佔 5%，而現在已經超過了 20% 到 30%。
創辦人群體的嗅覺往往比 VC 更靈敏，他們已經把這個領域識別為創新的高度活躍區，並且正在積極行動。
Ben：
我覺得 5% 可能還是高估了。
Martin：
對，確實很低，大概就 3% 吧。
主持人：
那能不能解釋一下，是哪些宏觀條件推動了這種轉變？是什麼讓這麼多創辦人開始湧入這個方向？他們看到了什麼機會？
Martin：
最顯而易見的一點就是：對 AI 的需求，基本上是無限的。正因為如此，整條供應鏈都承受著巨大壓力——包括用於製造記憶體等產品的原材料。
AI 還有一個很特別的地方：因為需求是無限的、增長是無限的，你通常不需要擔心「能不能賣出去」這個問題。你真正需要擔心的，是公司的利潤率，也就是效率問題。
而很多效率問題，說到底是硬體的物理限制。現有的系統根本不是為 AI 設計的，也不是為這類工作負載設計的。所以 AI 浪潮的商業模式，正在給現有系統帶來極大的壓力。
我認為，全球都已經意識到：我們必須從核心元件層面進行變革，才能提升效率，才能支撐業務的增長，才能真正實現商業價值。
主持人：
對，那我們怎麼知道現在的需求真的超過了供給，而不是又一輪炒作週期呢？
Raghu：
有很多跡象可以說明這個問題。
首先，**一些最能判斷需求的人正在下巨額採購訂單。**你看那些超大規模雲端廠商（hyperscaler），他們的資本支出一直在爆炸式增長。據說明年的資本支出，這些廠商加在一起將達到 1 兆美元。今年大概是 7000 多億美元。你想想這些超大規模廠商在行業裡的位置——他們能看到來自四面八方的需求：前沿 AI 實驗室要算力，AI 原生公司要算力，企業客戶要算力，美國市場要，海外市場也要。所以如果說誰最有判斷力，那就是他們。而他們的資本支出漲得前所未有，這就是一個明確的訊號。
其次，從我們日常接觸的公司來看，那些應用層公司全都在高速狂奔，**增長速度快得離譜。**前沿 AI 實驗室的增長也是如此，有據可查。所以我覺得，從需求側來看，訊號從來沒有這麼清晰過——**這絕對不是炒作。**最重要的是，所有這些都只是……
Ben：
而且晶片價格還在漲，我們從來沒見過價格這樣漲……
Martin：
GPU 價格是在下降的。價格一直都在降。
Raghu：
對對對對，一直在降。你看那條價格曲線，是這樣走的（向下），然後又回到這裡。對，而且我們只需要市場裡 5%、10% 的需求停下來，整個市場就會停。
Martin：
從供給端來看，現有的供給基本上已經全部預訂到 2028 年了。情況糟糕到什麼程度——我們甚至見過幾千張 GPU 要拍賣好幾天才能成交。當然，另一面就是需求，正如 Raghu 說的，我們看到了整個行業歷史上增長最快的一批公司。
Raghu：
還有一點，**AI 能完成的工作單元，其價值在不斷提升。**但在表面之下，被消耗的 token 數量正在以數量級的速度增長。比如一個普通對話可能消耗 100 個 token，但一個 AI Agent（智慧體）可能要消耗幾千個 token。所以需求在兩個維度上同時擴張： 一是完成同樣一件事，消耗的 token 越來越多；二是未來受益的人群會越來越廣——不只是開發者，而是所有知識工作者，甚至更多。這就是我們看到的趨勢。
主持人：
你說供應鏈的關鍵零組件已經賣到 2027 年，甚至可能到 2028 年。對於整個行業來說，提前這麼久就全部售罄，意味著什麼？
Martin：
我不知道這種事以前有沒有發生過。你們還記得嗎？我是說，想想網際網路時代，我們當時大規模鋪設基礎設施，但其中大部分埋在地下的其實是投機性的，根本沒人用——還記得「暗光纖」嗎？而現在，基本上每一塊正在生產的 GPU 都已經提前賣出去了。
Ben：
是的，那時候情況完全不一樣。我是說，1998、1999 年前後確實有頻寬不足的問題，但當時對頻寬的真實需求並不大，因為上網的人本來就沒多少。所以那是一個雙向的問題——公司們都一窩蜂地湧進去，理論上需要更多頻寬，但另一邊消費這些頻寬的用戶根本不夠。而且要真正消耗大量頻寬，你得做影片這類高頻寬的事情，但當時影片根本行不通，原因是多方面的，跟資料中心裡有多少頻寬沒什麼關係。
所以那時候看起來有點像，但本質上不一樣。**現在是全面告急——有人把 GPU 加價四倍轉手賣出去，就是這種狀態。**不僅如此，我們還缺電、缺冷卻。更麻煩的是，建設本身也極其困難，因為面臨著巨大的政治阻力。所以，在我的職業生涯裡，從來沒有遇到過這種情況，真的是史無前例。
Martin：
我來分享一個小故事。我最近和一家大型上市公司的 CFO 聊天，這家公司歷來非常抗拒上雲，所以他們自己有大量伺服器
。他們做了一次庫存盤點，結果發現——伺服器裡記憶體的價值漲了太多，**光靠賣掉這些記憶體，就足以支付整個遷移上雲的費用。**所以我覺得，我們現在真的處於一種非常不尋常的局面。
Ben：
沒錯。我們現在什麼都缺——電力、冷卻、記憶體、GPU，你說什麼，我們就缺什麼。
Raghu：
是的，行業最頂級的旗艦會議「Hot Chips」正在史丹佛舉行。排名第一的記憶體廠商說，光是滿足他們今天已有的需求，就需要三年的產能才能供應完——這還只是現有需求，連未來的需求都沒算進去。
主持人：
所以現在是所有東西同時告急。這是因為大家低估了模型會有多強、多有用，所以根本沒預料到會有這麼大的需求嗎？
Martin：
我覺得甚至不是這個原因。這東西是突然冒出來的，對吧？我們才走了四年。就算我們有完美的預見能力，一旦它開始跑通，我也不覺得……
Ben： 我們能來得及建好產能。
Martin： 根本來不及建好產能，完全不可能。
我們說的是晶片週期，通常要三到四年。我們說的是破土動工、建設資料中心，通常要四到五年。
Ben：
還要接入電網，從頭建起來，還得有電源。所以你要麼自己建電廠，通常兩件事都得做——既要自建電廠，又要有穩定電源，這可不是容易的事。
Raghu：
是這樣的。你有一個行業，如果它能以20%、30%的速度增長，那已經是非常好的增長率了。但它現在要對接的是AI軟體行業，那個行業的增速是三位數打底。你可以看到這中間的落差有多大，而且這個缺口還在不斷拉大。
主持人：
那麼，為什麼這種基金以前不存在呢？
比如說，五年前或者七年前，為什麼那時候投資這個賽道不像現在這樣有吸引力？Ben，你怎麼看？
Ben：
我覺得吧，我們現在入場的時機應該還算對——當然我是這麼希望的。但說實話，其實早幾年入場可能也完全沒問題。
Martin：
我的意思是，你其實可以在每一個技術時代裡，都找到那麼一批獨立公司冒出來。很明顯，從大型主機轉向客戶端／伺服器架構的時候，出來了一批公司；轉向網際網路的時候，又出來一批，這就是為什麼我們有了思科和瞻博網路。就連在超大規模資料中心時代——順便說一下，那個時代基本上是由幾家頭部雲端廠商自己垂直整合推動的——你也看到了Arista的崛起。
所以說，投資硬體晶片這條線一直都是有機會的，只是以前機會相對有限，因為變化本身也比較有限——可能就一家晶片公司、一家交換器公司。但現在，方方面面都在變。所以我同意Ben說的，我們或許可以稍微早一點開始，但現在這個變化的量級實在太大了，做這件事就是順理成章的事。
Ben：
還有一點，就是對「智慧」的需求在垂直方向上幾乎是無限增長的，完全看不到頭。你看，已經用上AI的公司，用量都在飛速增長；而大多數公司其實還沒有深度使用AI；消費者端更是剛剛起步。
所以，對token的需求，每年大概會增長接近1000%，而供給根本跟不上這個速度。我們在整個基礎設施層面要做的工作量是巨大的，才能讓供給跟上這種增速。所以我覺得，投資機會在這條路上還多得是。
另外還有一點，就是現有硬體系統的架構，都是為完全不同的計算時代設計的。所以不只是「我們需要更多算力」那麼簡單，而是我們需要從頭去構建新型的基礎設施，這裡面有大量機會。
Raghu：
對，這些技術都已經觸碰到了它們當初設計時的物理極限了，就像Ben說的銅線之類的問題。你把每一個技術類別都過一遍，都能找到——好，這種技術到頭了。所以現在必須要有技術突破，才能邁向下一個層級。
主持人：
我想在需求側多聊一會兒。我們從聊天機器人，到推理模型，到智慧體，再到多智慧體，每往前走一步，完成一個任務所消耗的token數量就會成倍暴增。
Ben：
沒有什麼比AI更喜歡用AI了。
主持人：
那為什麼這個趨勢一直在持續，沒有出現平台期？你覺得這會就這樣一直持續下去嗎？
Martin：
這個問題有幾個角度來回答。首先，就目前來看，我們實現規模擴展的方式，本質上就是靠大量推理，也就是大量token。你想想強化學習（RL）是什麼，就是大量推理；思維鏈（chain of thought）是什麼，也是大量推理；長期運行的智慧體，當然更是大量推理。所以這只是我們目前用來擴展規模的路徑之一。
如果你想從更宏觀的角度來理解，以前你要做一件事，那是一個工程問題，你堆一堆工程師上去，但這不是線性可擴展的。工程學有它自己的自然規律，這就是《人月神話》講的東西。
**但現在的感覺是，這真的是一個資源限制問題。**不管是token也好，還是別的什麼，你往系統裡砸錢，系統就產出結果。現在的瓶頸在於，這些系統還沒辦法完全消化我們投入的資源。
所以我覺得，token只是我們目前所處的這個擴展曲線上的一個階段，但我們不再有像以前工程那樣的「天然調節器」了。所以這個趨勢應該會持續下去，我們必須建設足夠的供給來支撐它。
Ben：
簡單來說就是：**你有任何問題，只要有足夠的基礎設施——基本上就是GPU和錢——都能解決。**所以只要問題還沒解決完，需求就不會消失。這就是挑戰所在。
Raghu：
AI變得越來越強的方法，就是用更多的AI。推理是它反覆使用的最基本的構建模組。所以token才會這樣不斷倍增。
Martin：
對，還有那種「自催化效應」——用AI來創造更多AI，比如用AI來生成GPU核心程式碼，本身就是在這個過程中使用更多AI。
所以我們有一種理解方式：過去，錢進來了，你面對的是一個工程問題，通常要兩年，經常還失敗，有一個天然的調節器，然後最終你才能拿到產品。**現在，錢進來，硬體直接產出智慧，中間沒有任何東西擋著。**我們現在唯一的限制，就是我們能不能造出足夠的供給。這是一種完全不同的動態。
Raghu：
也許更多的GPU也不是那麼穩固的事情……
主持人：
對，確實。
Raghu：
所以這就像一個循環。
Martin：
只要你有錢、有GPU、有資料，在可預見的未來，你就能一直把這些東西規模化下去。
主持人：
這真的很有意思。過去這十年，我一直聽到一種瀰漫在整個行業裡的聲音——有太多錢流向新創公司了，我們對這些公司過度投資了，創投裡的錢太多了。
Ben，能多說說這意味著什麼嗎？因為以前大家普遍有一種懷疑：往一個行業裡砸越多錢，未必能帶來更大的產出。但現在我們說的恰恰相反——某種程度上，這個市場能有多大，取決於我們集體投入多少。
Ben：
對，你看，在創業圈裡有一件事我們都很清楚：**如果我比你早兩年，你想靠招1000個工程師來追上我，你只會把你的公司搞垮。**那從來都不管用。這就是人月神話——一個月內讓九個女人生出一個孩子，根本不可能。這是鐵律。
但現在，這個邏輯反了。不是招10萬個工程師，而是拿30億美元，點亮一個超大規模的叢集，然後——突然間，你看，Grok可以從天而降，或者隨便哪個，就這樣冒出來，突然就真實存在了。
**這些領先優勢，你可以用錢來填平；幾乎任何問題，你都可以用錢來解決，而且真的管用。**這和我們以前經歷過的任何事情都完全不一樣。順便說一句，我們所有人在心理上都還在適應這件事。
主持人：
ChatGPT 的週活躍用戶已經達到了十億。大概有三千萬開發者在使用它，佔了相當大一部分算力需求。考慮到人們實際在用它做什麼，我們該怎麼看待現在和未來的算力需求？
Raghu：
這就是一個發展脈絡，對吧？ChatGPT
一開始是個日常聊天工具，後來變成了專業人士的程式設計助手。然後呢，藉助程式設計能力，又給知識工作者開發出了很多厲害的工具。所以知識工作者就是下一個主戰場。現在全球有超過十億知識工作者排在那兒等著用。這塊需求還有很長的路要走。而且你想想他們做的那些事——各種工作流、自動化之類的——再往後還有後臺業務，全是 Agent（智慧體）在跑。所以這些東西是一步一步解鎖的，我可以說，每解鎖一步，需求就會增長一個數量級。我們現在才剛剛開始。
Ben：
對，而且現在有了 Grok Bot，程式設計領域發生的那些變化，正在透過 Grok Bot 蔓延到所有電腦使用場景。所以我們正處於另一波需求浪潮之中，而且後面肯定還會有更多。現在看來需求幾乎是無上限的。我們甚至還沒談到具身 AI 或者機器人，那又將是另一個巨大的需求來源。
Raghu：
Martin 是這方面的專家，但我的理解是，Grok Bot 用的是「電腦操作」（computer use）這個能力，就像一個真人坐在電腦前不停地敲鍵盤一樣。
Martin：
我上週末就真的用它了——讓它幫我把信用卡資訊更新到一堆我一直懶得去弄的服務裡，還幫我取消了一堆訂閱。我是說，這跟程式設計完全沒關係，這就是真正意義上的電腦操作。
Raghu：
你突然就相當於創造出了一批知識工作者，只不過他們全都坐在電腦裡面幹活。
Martin：
我確實認為 Marc Andreessen 說得對，最貼切的類比就是蒸汽機或者電力，道理是這樣的：我們引入了這種新東西，可以把它轉化為勞動力，現在有一些很顯而易見的應用，但接下來可能還有三四十年的時間，我們會把算力砸向各種問題——任何有明確獎勵訊號的問題。而我們才剛剛起步，現在只搞定了語言和程式碼，就這兩樣，電腦操作也才剛剛開始。
但我們還面對著什麼？科學、材料、生物學……當然，創意創作也是一個巨大的應用場景。所以說，我們正處於一段漫長旅程的非常早期階段，而我們已經移除了一個關鍵瓶頸——也就是傳統軟體工程。當然，瓶頸會轉移，其他地方的複雜性也會增加。
但我認為，我們正處於一個非常早期、非常漫長的把算力砸向問題的時代。所以大家要有心理準備，這種算力需求會持續幾十年。
主持人：
既然提到了，Marty，來聊聊 Grok Bot 吧。我們在場外聊的時候，你說它讓你印象深刻——當然我們從各個角度都參與其中——但你覺得它最有意思的地方是什麼？
Martin：
我覺得我們這個行業，經歷了好幾次對「AI 如何進入我們生活」的認知迭代，對吧？
最早的時候，大家覺得：好吧，你往一個產品裡加個 AI，也就那樣，就像個搜尋框。然後你開始跟它聊天，它也回你，因為那是當時最常規的做法。
後來OpenAI 推出了一些東西，那是今年早些時候的事。看到那個我就想：好吧，也許光是「比谷歌更好的搜尋」並不是 AI 的完整形態。不如讓它成為一個獨立的存在，但它是你的延伸——它能共享你的金鑰、知道你的密碼，直接幫你做你本來要做的事。所以它更像是你的一個延伸，但又更像一個人。
然後我覺得Grok Bot 真正做對的地方是：不，我們換個思路——如果它其實是一個員工呢？現在你有了這麼一個實體，它不需要特別獲取你的金鑰或者什麼許可權，它有自己的電腦，有自己的瀏覽器。而且因為這些是世界上最聰明的模型，它能做任何一個員工能做的事。
這挺有意思的，因為現在如果我想完成什麼事，我第一反應就是：Grok 能幫我搞定嗎？而且往往答案是肯定的，哪怕是你根本沒想到的事。顯而易見的那些就不說了，比如幫我管日曆、幫我約會議，但還有一些不那麼明顯的。比如，我會讓它幫我通讀郵件、做分類整理，我也沒告訴它具體怎麼做，但它會知道在真正執行分類之前先來跟我確認一下。所以這些東西已經足夠聰明，你可以給它相對高層次的任務，它會自己想辦法，把事情做得有模有樣。
主持人：
Ben，我知道你對這個問題想了很多，包括它在組織裡是怎麼運作的。你當然也非常關注文化這塊。你對此有什麼看法？
Ben：
嗯，我的意思是，如果你就看我們自己的情況，這就像是多了一種新型員工。而且這種員工會有很多很多。我們必須去適應，就像當年，我們花了好多年才摸清楚怎麼跟普通人類員工合作一樣。現在我們又多了這另一種員工。跟他們合作是有學習曲線的。
他們可能燒掉大量的token、花掉大筆錢，卻什麼有用的事都沒幹成。他們會忘事，會編造內容，會有好的表現，也會有壞的表現，還可能帶來安全問題。這些方方面面都存在。但同時，他們也可以極其高效。
所以我覺得，怎麼把他們融入進來，讓他們跟真正的人類同事配合好，這些都是我們正在摸索的事情。
我不想站在這裡說我已經找到了答案——說我們有了一套完美的迴圈，整個公司已經完全自動化，我要慢慢把所有人都裁掉，因為我可以這麼做——完全不是這回事。我們更多是在想：好，我們怎麼讓所有人類員工變得超級強大，同時又不把公司搞垮，因為機器人一旦失控，麻煩就大了。
Raghu：
是的，確實很有意思。我們嘗試過好幾種不同的方式，就是怎麼把智慧體最好地引入系統。最後，還是Martin的那個洞見最管用：就把它們當人對待，然後把事情推進下去。我們現在就是這麼做的，事實證明，這是在組織內部推動這件事最經得起考驗的方式。
主持人：
我想回到供給側，深入聊聊瓶頸在哪裡。我們之前談到，資料中心、晶片架構、系統軟體、基礎設施本身，這些當初都不是為AI設計的。如果真的要為AI重新設計，會是什麼樣子？思考這個問題的心智模型應該是什麼？
Raghu：
好。如果你從這樣一個判斷出發——「這些基礎設施的原有模型必須改變」——那你就可以逐個類別去看，找到價值斷層在哪裡，然後逐一打通每個環節的瓶頸。
最終你要達到這樣一個狀態：看推理引擎在做什麼——它佔用大量記憶體，在計算的同時不斷生成新的token。那你就可以想：我怎麼把這整個過程最佳化？記憶體應該是什麼形態？計算應該是什麼形態？它們之間怎麼通訊？各自需要多少功耗？有了這些功耗需求，你怎麼去排程它們？然後怎麼把這些東西組合在一起？
這正是現在整個行業裡很多創辦人都在做的事情。他們把問題拆解到最基本的元件，問：這裡到底在做什麼樣的計算？答案是矩陣乘法。那我怎麼針對這種場景最佳化我的計算單元？然後，生成token的過程需要越來越多的記憶體，**怎麼分層設計這個記憶體體系才是最優的？**功耗怎麼消耗？然後還要把這些東西連線起來——同一塊晶片內部怎麼連，跨晶片怎麼連，跨資料中心怎麼連？每一級資料傳輸各需要多少功耗？
所以你必須從頭到尾把它拆解，再用這些基本構件重新搭建起來。這是我們看到的方向，也是我們看到機會所在的地方。
Martin：
讓我給你一個有意思的心智模型，幫你理解這個格局是怎麼變化的。
今天，訓練一個前沿模型的成本，大概是三十到五十億美元。訓練完之後，推理至少要把這個成本賺回來，對吧？要讓這件事在商業上成立，大概要賺回兩倍，也就是說推理端需要產生大約一百億美元的收益。
那如果你能在這個過程中節省20%的效率，就是二十億美元。而用二十億美元完全可以造一塊ASIC（專用晶片）。
所以我們其實已經到了一個很有意思的節點：為單個模型專門定製一塊ASIC，在經濟上是說得通的，就因為投入到這個模型裡的資本量太大了。
而且跟傳統軟體不一樣，傳統軟體有大量狀態、非常動態；但這些模型是固定的，模型權重是固定的。
我們不知道世界會不會真的走向「每個模型配一塊專屬ASIC」，但這給你提供了一個很好的心智模型，讓你理解架構會如何演進——為這些巨額資本投入量身定製，變得越來越專屬。
我覺得在這個行業的歷史上，我們從來沒有為一個數位產物直接投入過五十億美元這個量級的錢。所以，這將對硬體提出我們有史以來最高的要求。
主持人：
說到這個，機架的功率需求正在從大約5到10千瓦躍升至100到150千瓦。運算密度大概提升了70倍。散熱方式也從風冷變成了液冷，這已經是硬性要求了。那麼，這背後有哪些投資機會？
Ben：
首先，當你的機架功率達到那個級別，交流電（AC）就不管用了。這其實挺瘋狂的。所以你就得用直流電（DC）——順帶一提，直流電本身也需要單獨散熱，而且說真的，非常危險。這有點諷刺，因為當年愛迪生就是靠鼓吹交流電有多危險來推廣直流電的，還專門用電擊動物來做演示。
對，就是那匹馬。
所以，他說的沒錯，只不過說的是他自己搞的那套東西——直流電的功率極大，這倒是實話。
先從電力說起吧。我覺得這一塊會發生很大的變化，和散熱一起來看的話更是如此。我們正在從風冷轉向液冷，其實對於任何一個前沿資料中心來說，液冷已經是標配了，這事基本已經定了。但問題還不止於此。
你知道，考慮到現在的政治環境，光是液冷還不夠，得是環保型液冷。直流電也不夠，用的電得是能給社會供電、而不是只從社會抽電的那種。
現在有些資料中心行為很差——其實只是一小部分，大概10%——浪費大量的水。當然，網上有人拿開心果、杏仁這些對比，說它們耗水更多，但資料中心在這方面還是可以做得更高效的。還有一些資料中心就像「電力寄生蟲」，只耗電，不往電網回饋。我覺得這些都會結束，而且必須結束，因為我們已經過了那個臨界點，回不了頭了。
這就需要相當高水準的工程能力，而很多人還沒在這方面投入。所以，這塊機會要來了。
另外，如果機架密度那麼高，還有很多其他問題，比如地板的設計必須能承受那種重量，這可不是說說而已，是真實存在的工程問題。
還有，你需要大量的各種資源。而且這些設備噪音非常大，所以資料中心的牆必須建得更厚，否則會擾民，這是不可接受的。我不覺得任何州會允許這種情況發生。
所以，現在很多人在建築架構和設計上的那套思路，已經完全過時了。一旦我們進入下一代，現有資料中心中能用的，只會是很小一部分。
Raghu：
確實，大家都在談記憶體價格，但有一個漲價最快的領域，其實是資料中心用的鋼筋混凝土。
還有一件事，當這些資料中心往機架送800伏電壓的時候，第一，危險程度大幅上升；第二，我們根本沒有足夠多具備相關資質的電氣承包商，能處理資料中心內部的800伏高壓，因為這已經是高壓電了。
Ben：
美國只有2%的電氣工程師或電工通過了直流電的認證。這個數字就說明問題了。Meta現在有一個專項培訓計畫，免費培訓人來做這份工作，這很好，有點像新版的「就業團」。
說來有意思——都說AI要搶走所有工作，結果AI反而要創造出一大批新電工。
主持人：
是啊，我們好像正在做一件什麼大事。
Raghu：
對，那些擁有大型雲端資料中心的巨頭們，現在都在瘋狂試驗用機器人來完成組裝伺服器、往資料中心裝設備這類工作。隨著AI的持續演進，你會看到這個趨勢越來越明顯。
Martin：
順便說一下，我們正在募集的基金，聚焦點是電腦科學基礎設施——也就是任何模型運行所依賴的東西，這都屬於電腦科學的範疇。想想晶片、網路互聯、儲存，一路往下，可能一直延伸到電力本身。
主持人：
那在機器人這塊，尤其是Arm架構方面，你們打算怎麼布局？或者說，跟美國本土製造這個方向，應該怎麼去理解？
Martin：
當然，說到這個——我們認為，任何AI將要運行其上的平台，都是我們關注的方向。AI的一個重大突破，就是讓電腦能夠與物理世界互動——它能看、能聽、能說話。這意味著會出現全新的平台。
大家喜歡說「邊緣設備」，但這個詞其實沒什麼實際意義，可以是行動裝置、CDN、筆記型電腦，也可以是一個能到處移動的實體化設備。
所以，我們作為基礎設施方向的投資人，不做重監管行業或過於垂直化的行業，但任何能把AI進一步向外延伸的電腦科學平台，我們都非常感興趣。
主持人：
回到資料中心這個話題——到2028年，新資料中心大概需要額外44吉瓦的電力，而電網預計只能新增約25吉瓦。
Ben：
等等，咱們老說「吉瓦」這個詞。就好像，哦，我要100吉瓦。Martin，吉瓦到底是個什麼概念？
Martin：
我是說，它有多大？得佔好幾個足球場那麼大的地方。真的是巨無霸。相當於5萬人的用電量。
Ben：
那它的電力是什麼概念？
Martin：
你想問什麼？就相當於5萬戶家庭的用電量。5萬，5萬戶，5萬個家庭。我從小在亞利桑那州的弗拉格斯塔夫長大，那是個四五萬人的小城，大學生多的時候也就六萬人，我們全城的用電量都不到一吉瓦。所以你基本上可以用一吉瓦……
Ben：
……給你整座城市供電、開空調，就這點量。對。
Martin：
我是說，真的是這樣。
Ben：
他說得輕描淡寫的。
Martin：
不不不，話說回來，大家都在嘴上說吉瓦，但實際上真正建成運行的吉瓦級資料中心少之又少。我們要走的路還很長。
主持人：
那為什麼電力公司和大型科技公司不能建得更快一點？
Ben：
哦，這裡面的問題太多了。首先，現在建資料中心還得靠人工，所以就有普通施工本身的問題。但比這更麻煩的是，你得拿到許可證，還得接上電。所以你要同時做好幾件事：一是爭取電力接入資格，這是一場巨大的監管和競標拉鋸戰。天然氣電網之類的資源，能接入的量非常有限。另外你還得自己建電站。而且你猜怎麼著？現在變壓器、渦輪機，凡是需要的東西全都短缺。所以你得把這些東西全都搞定。這不是個軟體問題，不是說多招幾個工程師、週末加個班就能解決的——那種方法本來也不怎麼管用，但這裡根本就不適用。這裡有實實在在的瓶頸，交貨週期很難壓縮。你看，全世界最聰明的人都在想辦法壓縮時間，但真的不容易。而且需求還沒有放緩的跡象。我們已經跟不上了。需求現在每年增長10倍，供給根本跟不上這個速度。
Martin：
順便說一句，情況已經糟糕到什麼程度——現在很多新公司要搞GPU叢集，往往跑去墨西哥、澳洲或者其他國家，就因為在美國實在太難搞了。
Ben：
對，我們實際上是在把大量的就業機會和長期經濟利益拱手相讓給其他國家，因為我們這裡在各種方式上限制資料中心落地。我覺得，正確的做法應該是制定一套標準：資料中心要回饋社群——電力供應更穩定，沒有噪音，沒有用水問題，還能創造就業。這才應該是標準。然後所有人都照這個標準來。話說回來，現在已經有資料中心做到這一點了，這不是什麼遙不可及的未來幻想。能源費率每年都在下降，原因就是他們自己發電，白天把電賣給電網，晚上再從電網借電——因為晚上電網用電少，而發電廠永遠是按峰值容量在發電。資料中心全天用電量穩定，而城市白天用電量很高、晚上很低，這兩者之間形成了一種互補共生的關係。
主持人：
從大局來看，我們一直在討論這個名字，為什麼我們覺得「機器時代」這個詞用來描述我們正在經歷的事情特別貼切？
Martin：
好，讓我來說說。首先，我覺得Ben說得完全正確——「人工智慧」這個詞用錯了。我們本不該叫它「人工」智慧，應該叫機器智慧。
主持人：
展開說說，為什麼這麼說？
Martin： 因為它不一定是人類思考的方式，對吧？它是人類思想的一個存檔，是人類已有思想的集合。但到目前為止，我們還不知道怎麼把一個從零開始、沒有任何知識的AI放到世界上，讓它自己重新構建出語言——我們沒做到這一點。我們做的是：建了一個能從人類已有知識中學習、並加以有效運用的系統。而且「AI」這個詞本身是個已經用了70年的電腦科學通用術語，涵蓋很多不同的東西。當然，它也背負了很多包袱，不管是來自科幻小說，還是來自Nick Bostrom這類人寫的東西，等等。所以第一點，就是承認一個現實：這本質上是機器智慧。然後你還要特別強調「機器」這個部分。這裡有一個深刻的諷刺——那些鼓吹「軟體吞噬世界」的人，現在真的走到了這樣一個地方：你砸進去大量的錢，最後卡脖子的反而是底層的實體機器。所以我覺得這個名字某種程度上是在致敬：這一波浪潮中，硬體的分量極其重要，我們想把這一點說出來。
Raghu：
對，我覺得下一波突破就來自於底層機器的品質，這基本上就是這個名字的由來。
主持人：
而且這個名字聽起來也很酷。
Ben：
「機器」，聽著就帶勁。有未來感。
主持人：
是的……考慮到目前在AI基礎設施上的投入有多大，這些業務又是多麼資本密集，我們是否已經過了新公司能夠在實質性層面打入市場的節點？我是說，為什麼不是輝達、CoreWeave這些現有巨頭直接拿走這些市場的大頭呢？
Raghu：
他們都做得很好，這毫無疑問。但回到我們之前的討論——你不需要從根本上的全新創新來維持增長，或者維持改進的速度，不管是每美元每秒的token數、每瓦特的token數、每機架的token數，還是功耗。你隨便拿哪個指標來說，**如果你想在這些指標上實現10倍的提升，你就必須有新的創新。**而新的創新，傳統上來自於那些從第一性原理出發、用不同方式思考問題的創辦人，對吧？這正是下一次創新躍升所需要的。
Martin：
這是市場的規律，對吧？我是說，假設現有的晶片巨頭市值已經是幾兆美元，這絕對是事實。**就算只是其中的5%，也是一家規模巨大的私人公司。**你可以說，輝達也能做到這些，他們確實能，但如果他們的重心放在能帶來90%增長的事情上，他們為什麼要去做那5%呢？你在雲端運算時代也會問同樣的問題，對吧？比如，亞馬遜不會做這個嗎？在微軟時代你也問過同樣的問題，微軟為什麼不做這個？這是市場非常自然的規律：一旦達到一定規模，邊緣地帶就會湧現出巨大的創新機會。
Ben：
對，我們合夥人Alex Rampel有句很有意思的話。他當時有個叫Trial Pay的新創公司，想把他的服務賣給Meta（當時還叫Facebook）。負責企業發展的Dan Rose當時說：「Alex，這很好，聽起來你能撿到不少銀磚，但我現在滿地都是金磚，多得根本撿不完。我最不想幹的事就是去看一塊銀磚。」我覺得輝達現在就是這個處境。
主持人：
百分之百同意。我們之前也聊到，如果你恰好處於OpenAI、Anthropic能力的甜蜜區，也就是他們核心關注的領域，那可能是個很難受的位置。但如果在那三到五個核心領域之外的話，可能……
Martin：
市場擴張的時候，它會碎片化，這種事一直在發生。想想福特早年，1913年有個魯日河工廠，就是那種，煤、水、橡膠樹進去，汽車出來，像流水線一樣。
Ben：
對了，他還在亞馬遜叢林裡買了整片橡膠樹種植園，對吧。有本書叫《福特蘭迪亞》，就寫這個——他想完全垂直整合，於是在亞馬遜叢林裡建了一座叫福特蘭迪亞的城市，裡面全是美式風格，有音樂台、冰淇淋，什麼都有。而且一開始還真運轉了一段時間，直到他要求工人必須準時出現，然後大家就說，去你的吧。
Martin：
所以現在你看汽車行業，當然有多個層級的供應商，有一堆公司，**這種情況總是會發生的。**市場擴張，然後碎片化；增長放緩之後，又趨向整合。整合要麼是透過併購，要麼是新的挑戰者崛起。這就是私人市場永恆的循環。
Ben：
是的，因為使用場景在不斷增多，就算你是最大的公司，你能覆蓋最大的使用場景，但使用場景實在太多了，而且正如Martin說的，很多都是非常有價值的場景，大公司根本沒辦法把每一個都做好。
Raghu：
就連架構以前也是一種簡單的統一架構，現在已經不是了，變得極其複雜。所以用不同的方式去優化，這是必然的趨勢。
Martin：
順便說一句，有一件事很有意思，很多人不太理解——利潤率在某種程度上是從軟體這種標準技術方式裡自然「掉出來」的。這其實不是一個技術問題，一旦你的業務跑通了，利潤率往往會相當不錯，不管是打包銷售的軟體，還是SaaS模式都是這樣。但**AI不一定遵循這個規律，我們可能正在進入一個新時代：硬體層面的優化對業務利潤的提升，將以一種我們過去從未見過的方式，變得至關重要。**所以這裡面機會很大。
主持人：
我們來深入聊聊我們會投資哪類公司。也許可以從介紹細分賽道開始，或者聊幾個我們已經投資的案例。我知道有些項目還沒有對外公布，但Raghu，你先來說說？
Raghu：
好的，就像我們一直在討論的，細分賽道其實涵蓋了很多類別。最顯而易見的是計算晶片，但現在光做一顆晶片已經不夠了，你必須做出一套完整的系統。那系統裡需要什麼？可能涉及記憶體創新、網路創新、電源晶片等等。每一個類別，都有可能誕生出公眾公司級別的企業，這些都是我們在關注的方向。把這些都整合在一起之後，還需要大量的軟體來配套——用來自動化這些流程、管理這些設備叢集等等。所以軟體也是一個重要領域。這些東西環環相扣，每一個類別都不可忽視。
主持人：
能聊聊這類公司和普通公司有什麼不同嗎？從我們已經公布的投資案例來看，首輪融資規模都非常大，動輒幾億美元。是創辦人類型不同？還是有哪些其他差異？跟我們傳統的軟體投資相比，這類業務在構建和投資上有什麼不一樣？
Ben：
我覺得最大的不同，你已經說到了——就是在做出產品之前，就需要砸進去大量的錢。這就是它的本質。大模型也是如此，但我覺得大模型的路徑相對清晰一些，而這個領域風險更高，需要的錢也更多，比我們以前做過的很多事情都要複雜。還有一點，很多晶片領域的創辦人都是「老將」了，比如那些懂得怎麼做記憶體的人，他們可不年輕。所以這方面也不一樣，但也挺讓人興奮的。
Raghu：
還有一點，這些創辦人都必須是系統級的創辦人。我的意思是，你不能只是個研究員或者優秀的電腦科學家。你得能架構和設計晶片或整套系統，還得想清楚這東西怎麼真正量產——誰來供貨，以及一大堆下游的問題。如果你是做軟體的，通常根本不需要考慮這些。
最優秀的創辦人——當然，Jensen（黃仁勳）是這方面的「麥可·喬丹」——在開始設計晶片之前，就已經把整個生態系統想清楚了，因為這個行業的瓶頸太多，所有環節都必須咬合在一起。這是這類創辦人的一個顯著特徵，也是和其他領域很不一樣的地方。
Martin：
還有兩個外部環境因素很重要。**第一，AI實驗室現在太渴求資源了，願意主動跟新創公司合作。**所以我們其實在很早期就能獲得不少訊號——實驗室在硬體還沒交付的情況下，就已經跟公司簽協議了。這跟五年前完全不一樣，那時候你根本不可能把一個還不成熟的硬體產品賣給谷歌這樣的公司。**第二，資本供給寬鬆了很多。**現在大家普遍認為，這就是重塑整個行業格局的時機，後續融資輪次有大量資金可用。當然，你肯定希望投資的領域是資本願意進來的地方。所以整體的大環境也完全不同了。
主持人：
Patrick
Carlson幾年前說過，他覺得現在年輕創辦人越來越少了——不像當年祖克柏在大學宿舍裡做Facebook，或者蓋茲做微軟那樣。當然，像Michael這樣的年輕人還是有，也在打造標誌性的公司。但正如你說的，現在似乎更多是「老將」在創業，20歲的年輕人越來越少了。你們怎麼看這個現象？
Ben：
我覺得，正如Raghu說的，**如果你做的東西供應鏈極其複雜、需要製造、技術難度又高，那經驗就真的很重要。**你看Elon或者Travis Kalanick，他們年輕時做的也是軟體公司。即使是這些最頂尖的人，也是在累積了大量創業經驗、技術經驗之後，才「升級」去挑戰更複雜、更龐大的領域。這些領域有太多活動部件了。
你在學著如何創業的時候，如果你對產品完全熟悉，已經夠難了。如果你對產品還不夠熟悉，還得邊學邊創業，對一個全新的創業者來說，這個學習曲線實在太陡了。
所以我的意思是：**一方面，你有像Michael這樣年輕又聰明的人，他做的是純軟體AI；另一方面，你有像Elon或Travis這樣經驗豐富的人，能駕馭更複雜的領域。**Michael再過10年可能也能做到，但現在對他來說確實太難了。
Martin：
還有一點很重要——**這個領域被整個產業和學術界冷落了將近20年。**它一直存在，但從來不是成長賽道。成長的一直是軟體、網路這些方向。所以現在從大學畢業或者從大公司出來、有這方面經驗的人，真的少之又少。你不會去實習然後「順便做個晶片」。
**但這一切正在改變。**我們將會培養出整整一代從這些新公司走出來的創辦人，他們知道怎麼做這件事。他們會以更初級的崗位進入產業，然後成長起來。
說到這裡，我覺得**Elon最偉大的遺產之一，其實不只是他創立的那些公司，而是從SpaceX走出來的那些創業者——他們正在改變整個工業體系，這個影響甚至可能超過公司本身。**我相信，我們會在電腦科學和硬體領域看到同樣的事情發生。
Raghu： 是的，事實上，我們投的其中一家公司，是由兩個二十多歲的創辦人創辦的，但如果你去他們辦公室走一圈，也能看到很多有經驗的人。所以這是一種很理想的組合。
Ben： 不一定非得是創辦人本人有經驗，但這個創辦人必須能夠調動和借助那些有經驗的人，真正把他們引進來，還要能跟他們合作，而且這些人得足夠優秀，諸如此類。這事兒挺複雜的。
主持人： 說到經驗，我們這次要發起一支規模很大的新基金，但並沒有新的普通合夥人加入。對，我們某種程度上是在整合。這是因為你們幾位，還有團隊裡的其他人，在這個領域累積了大量經驗，只是之前一直沒有完全釋放出來。對，一直處於蟄伏狀態。
Martin：
說來有點意思，我覺得我們幾乎需要有人提醒我們別走偏，就是因為我們的背景嘛，這挺難的。我覺得我們需要這個提醒，是因為我們大家職業生涯裡有太多時間花在了系統和硬體上，天然就會被那個方向吸引。所以你看，我們這些年明顯也投了不少硬體，對吧？我們投了SpaceX，投了Android，這些都是非常早期的支票，我們還投了 Astronomer，投了Waymo。所以即便是早期，我們也做了不少這類投資。但這就是因為它已經深深刻在我們的基因裡了。所以我覺得這次不一定需要擴充團隊或者專門培養什麼能力，這些都是額外的加分項。
主持人：
感謝大家參與這次Machine Age 基金的收官對話。謝謝，謝謝，謝謝。
