Jensen Huang 与 Arthur Mensch：为何每个国家都需要自己的 AI 战略
摘要
AI是一项通用技术，但其战略价值将通过国家、产业和企业层面的专业化实现，而不是归结于一个普适聊天机器人。 Huang称，把结论集中到单一通用系统上的说法，是诱使其他所有人等待的“思维把戏”（mind trick）；Mensch则认为，有用的系统需要横向供应商与垂直领域及文化专家合作。“智能属于每一个人”，但每个国家都必须塑造服务于自身语言、制度和民众的模型。
主权 AI 同时是经济基础设施、文化基础设施和数字劳动力。 Mensch预计，未来几年 AI 对每个国家 GDP 的影响都会达到“两位数”；没有本土能力的国家，可能眼看着这部分价值流向海外，就像过去对外国发电能力的依赖一样。主持人最尖锐的表述是：没有主权，所面对的局面近似于“现代数字殖民”。
各国应购买横向技术栈，但必须构建并掌控属于自己的部分。 算力、推理、定制、可观测性以及数据连接等基础能力可以购买；本地知识、政策、价值观和专业能力无法外包。Huang预计，IT部门将成为“数字劳动力的人力资源部门”，负责为 AI 员工办理入职、评估、设置护栏并持续改进。
专业化可能击败单纯堆规模，进而改变模型竞争的经济学。 Mensch称，针对阿拉伯语调优的24B模型 Mistral Saba，表现优于规模大5倍的语言模型，因为专业化让表达更地道；进一步调优后，还可能出现服务于沙特法律工作或法国医疗诊断的系统。正在形成的架构是一棵“AI系统之树”，从通用模型逐层分化到语言、行业、国家和企业专属分支。
开放模型既被视为主权机制，也被视为安全架构。 它们支持本地部署、接入敏感数据、边缘运行，并开放权重以便更严格地评估和通过使用持续改进。Huang表示，他不认为一个被要求达到“100%准确”的系统应使用闭源模型。主持人提出国家安全层面的反对意见：不法分子也能使用开放模型；Mensch和Huang的回答是，封锁一个国家的发展无法遏制软件，而更广泛的审查反而能提升安全性、降低对单一实验室安全流程的依赖。
AI可能缩小技术鸿沟，因为自然语言大幅扩大了能够编程计算机的人口。 Huang称，如今使用 ChatGPT 编程的人已经多于使用 C++ 的人，这一变化大约只用了3年，因此 AI 是“有史以来最伟大的技术平权器”。Mensch补充说，前提是政府必须普及接入和培训，再展示实际收益，例如法国利用 AI 协助将失业者匹配到就业机会。
随着 AI 从即时回答转向长时间推理、个性化和物理系统，算力前景仍在扩张。 Mensch提到，智能体进行20分钟异步研究，是“数据中心和 NVIDIA 的看多理由”；Huang表示，Blackwell 相对 Hopper 的跃升源于其推理设计，恰逢“思考”成为主要算力负载。除信息型智能体外，物理定律 AI 和物理 AI 还可能重塑科学、能源、制造和机器人行业；因此，政策核心应是国家主动参与，而不是被动仰望。
精读
1. 通用 AI 仍然需要本地化专业能力
Mensch将 AI 与互联网相提并论，因为它同时改变软件的构建方式和机器的使用方式。智能体可以横跨公共服务、农业、民生服务和国防开展行动，因此制定专门的国家 AI 战略是自然的政策响应。
Huang反对的，是人们从这一前提中经常推导出的结论：如果一家企业能够构建终极通用智能，那么其他所有人就应该等待。“问题就在这里”，而伴随其产生的“思维把戏”（mind trick）是：智能只能由少数特权者来构建。
通用能力与专业化并不矛盾。开放基础模型可以压缩广泛的互联网知识，但必须由领域专家对其进行微调和后训练：没有谁会比瑞典更关心瑞典语和瑞典文化，也没有谁会比沙特阿拉伯更关心沙特阿拉伯的生态，更没有谁会比以色列更了解以色列的需求。
2. 主权 AI 正在成为基础设施、劳动力与经济依赖
Mensch的电力类比首先落在经济层面：未来几年，AI 对每个国家 GDP 的影响都可能达到“两位数”。一个国家如果未能建立基础设施和主权能力，就可能把这部分价值输送到海外，重新形成向邻国购买电力时的依赖关系。
不同之处在于，AI 是一种“无定形”的技术，必须借助基础设施、软件和本地培养的人才来塑造。由于 AI 会生成文字、图像和声音，并与社会发生互动，它最终会成为一种承载企业或国家价值观的社会构造。
Huang将国家数字智能与电信、医疗、教育、公路和电力并列，视为新的基础设施层，其演进不能被不加思考地外包。数字劳动力也面临同样的选择：是接受外部供应商交付的任何东西，还是主动“控制、培育并让服务经济的智能变得更好”。
国家图书馆、历史和数字数据或许是无形资产，但Huang坚持认为，它们在3个意义上属于这个国家：记录这个国家的人民从何而来，可以被部署来服务他们，也意味着国家有责任塑造接下来会发生什么。
3. AI 以软性方式编码文化，以硬性保障落实政策
Mensch将文化训练与严格执行区分开来。知识、风格和偏好可以持续蒸馏进模型；法律和企业政策则应作为硬检查连接进系统，在每次回答中进行验证，尤其是在要求“100%准确”的场景下。
Huang称，这是一种用于处理“生活的模糊性”的编程模式。人的偏好具有太多维度，无法合理地用 Python 或 C++ 枚举；AI 可以把原本需要“疯狂”数量显式规则的情境化选择编码出来。
主持人进一步追问其政治含义：如果 AI 是文化基础设施，而另一个主权主体决定数字劳动力可以做什么，这是否构成“现代数字殖民”？Mensch表示，通用服务可以服务多个地方，但不可能成为唯一的社会肌理；Huang则用 McDonald’s、KFC、Starbucks 和 Walmart 说明，全球化服务可以与定义一个社会的本地咖啡馆和餐馆并存。
最终形成的是一棵专业化树：通用型工作者、行业系统，以及高度偏向某个企业或国家的模型。NVIDIA可能会使用 Synopsys 和 Cadence 的专业能力，而 Mistral 不需要这些；但双方都可以使用浏览器、PDF 和 Excel。随后，每家公司再对系统进行微调并导入技能，使其在自身工作中达到“超人”水平。
4. 24B 专业模型可以击败规模大5倍的模型
Mensch称，Mistral在1月发布了面向通用任务的 Mistral Small，随后加入阿拉伯语和印度语言数据并重新训练，构建出专业化模型家族。他表示，针对阿拉伯语调优的24B模型 Mistral Saba，表现优于其他所有规模大5倍的语言模型，因为专业化让模型的表达更地道。
语言只是第一层。一个处理沙特法律案件的阿拉伯语系统，还必须吸收法律领域知识；法国医疗助手不仅要会说日常法语，还要掌握“法国医生使用的语言”。通用模型供应商无法独自高效构建每一种语言与垂直领域的组合。
对政府而言，Mensch将所有权边界划在差异化能力周围。基础设施、推理与定制能力、可观测性，以及将智能体连接到模型、将模型连接到信息源、再将系统连接到实时信息的能力，都可以购买；承载本地专业知识、价值观和人才的系统则必须自行构建，而横向与垂直能力的边界要根据每个国家的规模调整。
5. 政府必须为数字员工搭建入职机器
Huang的运营类比是员工入职：组织从学校招聘通用型员工，然后对其进行培训、设置护栏、评估和持续改进。因此，IT部门将成为“数字劳动力的人力资源部门”，通过持续改进飞轮，与生物劳动力一同管理数字员工。
系统搭建会很难，但这种困难是暂时的。Huang称，5年前构建这些系统还不可能，5年后则会变得轻而易举；各国现在正处在中间阶段，尽早参与可以积累经验，而技术也在逐步变得更容易使用。
3年前还“难到不可思议”的智能体系统，如今已经更容易构建；数据整理、评估和护栏工具不断改善，更快的计算也缩短了每一次迭代。如果数字智能是“有史以来影响最深远的技术”，Huang的结论是：“找借口的空间正在耗尽。”
6. 广泛接入决定 AI 能否弥合数字鸿沟
Mensch认为，公众担心被替代是一个政治风险。他给出的方案是接入、培训和看得见的应用：Mistral正与法国失业系统合作开发智能体，帮助人工服务人员将失业者与就业机会连接起来，让民众获得切实收益，而不是抽象承诺。
AI 的普及类似于1990年代个人电脑和2000年代互联网带来的转型。主持人注意到，巴黎 AI 行动峰会之后，讨论语气已经转向乐观。如果不主动开展技能培训，AI 可能扩大现有数字鸿沟；但如果集体应对，Mensch认为它反而可以缩小鸿沟。
Huang将 AI 定义为一种更简单的计算机编程方式：人们可以用说话或打字来下达指令，而不必掌握 C++。他说，如今使用 ChatGPT 编程的人已经多于使用 C++ 的人，这一变化大约只用了3年，这正是他将 AI 称为“人类历史上削弱技术鸿沟的最强力量”的依据。
7. 开放模型让主权与审查进入同一飞轮
Mensch为开放模型提出的第一个理由，是运营主权：企业和国家最终都会希望在自己的基础设施上部署模型。第二个理由是科学进步——2010年至2020年期间，实验室彼此构建成果的模式，随着首批闭源大语言模型出现而减弱；Mistral、Meta以及 DeepSeek 等中国企业的发布，则重新启动了这一共享飞轮。
模型开发“更像一座大教堂，而不是一个集市”，因为训练需要大规模、协调一致的协作。开发 Mistral NeMo 时，Mistral 与 NVIDIA 混合组队，整合基础设施和代码，并结合双方互补的专业能力；Mensch称，该模型在当时是同等规模中最好的模型，未来类似合作可能由3家或4家机构共同完成。
Huang强调专有经济模式可能忽略的市场：医疗、生命科学、物理科学、机器人、交通、采矿、能源、金融服务和国防。开放权重支持处理敏感本地数据、边缘部署，并比 API 提供更好的评估条件；同时，它还能把模型接入一个飞轮，让本地使用经验持续改进模型。
主持人保留了国家安全层面的反对意见：不法分子可以使用开放权重，那么为什么不只许可2家或3家获批实验室？Mensch的回答是，另一个国家会因此取得领导地位；Huang则补充称，软件不可能被真正遏制，而开放基础设施通过透明度、全球审查，以及因贡献糟糕成果而被“全网嘲笑”的风险，反而更安全。
8. 独特平台可以与最大竞争对手合作
Huang从一开始就围绕协同而非控制来设计 NVIDIA，强调最低限度的官僚体系和轻量化流程。他不喜欢“division”和“business unit”，因为两者都意味着分割；组织应像为自身环境打造的计算栈，而不是把同一张组织架构图不加区别地套在蛇、大象和猎豹身上。
对一家成立还不到2年的公司而言，Mensch面临的挑战是调和科学不确定性与客户交付期限。产品团队可能每周迭代，而科学研究的节奏更慢，有时按月推进且难以预测；团队需要通过新数据、新架构或新范式调查失败原因，这种节奏与传统 SaaS 公司截然不同。
主持人用具体案例描述外部张力：NVIDIA向 AWS 销售 GPU，即使 AWS 正在开发 Trainium；Mistral通过 AWS 和 Azure 销售模型，而这些公司又投资了 Anthropic 和 OpenAI 等实验室。
如果每个合作伙伴都拥有独特定位，客户也可以同时是竞争对手。NVIDIA覆盖多家云平台，使初创企业无需绑定单一供应商；Mistral则提供云厂商不会复制的差异化开放能力。因此，Huang认为，云厂商是合作方，只是恰好也在与 NVIDIA 竞争。
主持人回顾称，相比竞争对手动辄投入数十亿美元，Mistral约5亿美元的 Series A “效率惊人”；Huang说，Arthur当时的反应仿佛 Mistral 要使用什么芯片的答案只能是 NVIDIA H100。Huang支持创业者的解释同样直接：NVIDIA以开发者优先的计算平台思维行事，并持续寻找加速计算能够解锁的下一个“不可能之事”。
9. 更长时间的推理与物理 AI 延长基础设施周期
Mensch预计，异步工作负载会越来越多：用户分配一项任务，然后等待可能长达20分钟，让智能体完成研究。这会增加算力负载——“数据中心和 NVIDIA 的看多理由”——同时提升能够从人机互动中学习、并持续记录用户偏好的系统的重要性。
他的国家层面方案是教育与基础设施并举：培养能够专业化模型的本地人才，同时建设物理基础设施、软件基础能力和入职合作伙伴。有了这两个层面及深度合作伙伴关系，他预计国家经济将被“深刻改变”。
Huang将过去10年的演进概括为从手写代码到机器学习、从 CPU 到 GPU、从软件到 AI。预训练依然重要，而后训练如今已经包括思想实验、练习、辅导和教练；思考型、智能体型和机器人系统正在进入视野。Blackwell之所以跃升于 Hopper 之上，是因为它为推理而生，恰好赶上“思考”成为巨大计算负载的时点。
下一批分支是物理定律 AI 和物理 AI：前者理解物理、原子和化学规律，后者理解摩擦、惯性、因果关系和物体恒存性。这些能力可能重塑科学、能源、制造和机器人行业；Huang对领导者的警告是，不要“过度仰望”这项技术，直到恐惧让人错失参与的机会。