摘要

Cerebras 表示，AI 基础设施服务的是已签约需求，而不是押注客户最终会出现。 Andrew Feldman 披露，公司积压订单达250亿美元，并称客户正“试图捕捉昨天的需求”（“trying to capture yesterday’s demand”）；占地一个足球场的数据中心，耗电量甚至超过中型城市。对投资者而言，运营难题在于：当需求超过数据中心建设和填充能力时，如何留住客户。
推理模型让推理速度和 token 可用量成为产品能力的一部分。 Rombach 表示，“Fable”和“5/6”等模型越来越能在无需“提示词耳语者”的情况下推断用户意图；他进行 Hermes-agent 实验时，通过一个运行 Z.ai GLM-5.2 的 Bittensor 项目，让模型在行动前先讨论自身的研究策略。长时间运行的任务已经能产出“惊人的东西”；Rombach 假设，如果 Cerebras 的推理速度提升15倍，就能把“数周或数月的思考”压缩到1天内完成。
Cerebras 预计，未来18个月其年轻架构的进步速度将大幅超过传统摩尔定律。 Feldman 的判断是“远超2倍”，因为新架构仍有大量面向特定工作负载的优化空间，而一套已有20年历史、依赖更小制程的 GPU 架构则不同。超大规模云厂商自研芯片，并不意味着商用芯片需求失效：它们的首要目标是避免完全依赖任何单一供应商。
开源模型正成为前沿 AI 底层的成本、控制权与主权层。 Feldman 的比喻是，用户不该“开着 Ferrari 去买菜”：前沿模型负责最难的问题，开源模型则承接日常 G&A 和“剪切粘贴经济”。受监管企业同样希望在本国部署、在本地运行；因此，Cerebras 同时运行 gpt-oss-120B、GLM、Kimmy、“Quincy”系列模型、OpenAI 专有模型以及客户自研模型。
当模型能在数小时内暴露严重软件漏洞时，分阶段发布和红队测试就具备了合理性。 Rombach 转述，Palo Alto Networks 发现了此前未知的漏洞，并暂停其他工作、花费6周打补丁；Feldman 表示，给政府防御方“2或3周修补明显漏洞”是合理的。他同时警告不要条件反射式监管，并认为未来发生大规模数据泄露不可避免：“事情总会发生。”
按20年前采用的任何 AGI 定义，Feldman 都认为门槛已经跨过；真正悬而未决的是递归式改进会在哪里停止。 反复要求模型学习、重试并扩大搜索范围，带来的不是“好一点的答案”，而是“好得多的答案”，把数千轮人类式迭代压缩为机器速度。他的账本中包括真实的就业冲击，但也包括这样的可能性：孩子及其至亲不再因癌症离世，每个孩子都能拥有自适应导师。
Black Forest Labs 将生成式媒体视为多模态世界模型的基础，而不只是图像和视频工具业务。 Robin Rombach 从潜在扩散讲起，进而展望在图像、视频、音频上预训练、再结合动作预测的模型：同一个模型既可以帮助拍电影，也可能成为“机器人的大脑”。短期价值仍由人来主导：Martin Scorsese 用模型把脑中的场景外化；IP 持有者则可以结合可控生成、定制模型，以及潜在的授权粉丝创作。

精读

1. AI 基础设施正在追逐昨天的需求

Feldman 对规模的描述刻意落在物理层面：即将建成的数据中心，耗电量可能超过地球过去50年的总和；单座占地一个足球场的数据中心，接入电力甚至超过中型城市。建设范围覆盖美国、加拿大、北欧、法国、欧洲、中东、哈萨克斯坦、塔吉克斯坦、格鲁吉亚和亚美尼亚。
Cerebras 的积压订单达250亿美元，但 Feldman 表示这并非个例。OpenAI、Anthropic、Google、Microsoft 和 AWS 都希望获得更多数据中心，Rombach 还点名 SpaceX 和 xAI 是永不满足的容量买家。这些客户不是在赌“只要建起来，客户自然会来”，而是在“试图捕捉昨天的需求”。
关于 token 最大化，Feldman 表示，实验确实可能浪费一部分资源，但净价值巨大。他把早期获得 token 的体验比作没有经验的 Costco 顾客：先买下“4件你根本不需要、每件还要22美元的东西”，之后才学会有策略地购物。
企业行为已经从“所有人、想要多少 token 就给多少”转向差异化分配：高生产力团队拿到所需资源，其他工作则交给更便宜的模型或开源模型。Rombach 表示，个人“开始把玩工具，然后工具开始反过来把玩他们”，迫使用户明确目标、系统和需求。

2. 推理把 token 规模变成硬件问题

早期计算机和提示词“只会完全照你说的做”；措辞稍有变化，输出就可能彻底不同。Feldman 表示，如今“Fable”和“5/6”越来越能自行推断用户想要的图表、布局或解决方案，不再要求用户成为“提示词耳语者”——这意味着能力正从总结实质性转向理解意图。
Rombach 的 Hermes-agent 实验通过一个 Bittensor 项目使用 Z.ai 的 GLM-5.2，并拥有无限容量。当被要求成为世界上最好的趋势猎手时，智能体先讨论应该搜索 Hacker News、Reddit、社交媒体还是 Instagram：“你正在看着一个推理模型推导出自己的工作方式。”
无限 token 可能意味着“无限推理”，因为模型可以花25或48小时探索一个问题。Rombach 明确称其为假设的 Cerebras 案例：如果模型以15倍速度持续运行24小时，就可能产生“数周或数月的思考”，使推理延迟成为答案质量的一部分，而不只是用户体验问题。
Feldman 表示，Cerebras 打破了传统的18个月翻倍曲线，并预计未来18个月的改进将“远超2倍”。他的逻辑是：新架构仍保留大幅面向特定工作负载优化的空间，而一套已有20年历史的 GPU 架构更多依赖制程缩小。

3. 开源模型成为企业 AI 的小面包车

超大规模云厂商自研芯片，并不意味着每一款芯片都必须击败商用芯片的前沿水平。Feldman 的解释来自行业记忆：云服务商曾经依赖 Intel，而 GPU 厂商也曾依赖少数超大规模云厂商。“你不可能完全依赖别人的芯片。”
模型路由遵循同样的多元化逻辑：“你不会开着 Ferrari 去买菜。” OpenAI、Anthropic 和 Gemini 可以处理前沿问题，而日常的 Workday 操作、G&A 以及“剪切粘贴经济”，需要的是可靠的开源能力，而不是“奥数金牌级数学”。
主权需求带来了第二个驱动因素。金融、医疗和其他受监管行业可能要求在本国、在本地部署系统，以更严格地控制数据泄露和智能外流；Feldman 认为 gpt-oss-120B 是正确的一步，但美国需要“更多本土开源模型”，为市场提供中国模型之外的选择。
Feldman 表示，Cerebras 能够运行广泛的模型，包括 GLM、Kimmy、“Quincy”系列、闭源 OpenAI 模型、GlaxoSmithKline 内部开发的模型，以及 G42 和 MBZUAI 的模型。他称，政府围绕“Fable”和“56”采取的行动，尤其是在欧洲，已经敲响警钟。

4. 模型找到严重漏洞后，分阶段发布显得合理

被问及强大模型是否应该逐步推出时，Feldman 坦诚承认自己的局限：“我以前没见过这种情况”，因此无法判断那次具体发布是否正确。但原则上，分阶段开放类似于对强效药物采取的预防措施，也能给政府红队“2或3周修补明显漏洞”。
他的平衡点是，极化立场“会损害清晰思考”。美国应维持 Dario、Sam 及同行之间的激烈竞争，避免成为一个第一反应就是监管的地区；同时也要承认，开发者正在没有操作手册的情况下，同时发明技术和配套护栏。
护栏本身会增加延迟。Cerebras 在此前6周的实践中发现，更快的芯片能让这些保护措施“没那么痛苦”，说明安全和性能是相互耦合的，而不是彼此独立的产品层。
Rombach 提供的最有力证据来自 Palo Alto Networks 的 Nikesh：据称，一款经过测试的模型发现了公司此前并不知道的漏洞，迫使其投入6周打补丁。Feldman 预计大规模泄露最终会发生——某种未指明的“未知的未知”——并认为机构应在“事情总会发生”之前准备好应对方案。

5. 旧 AGI 测试已经过时，递归学习才是现实问题

Feldman 认同：“按我们20年前采用的任何定义，我们已经达到 AGI。” 早期的图灵测试和科幻式里程碑都已被超越；更困难的任务，是针对前人没有预料到的能力，提出与之匹配的问题。
递归机制很简单，却可能呈指数级增长：提出问题，从答案中学习，带着更多信息重试，并扩大搜索范围。这些循环带来的“不是好一点的答案，而是好得多的答案”；目前未知的是，改进会在算力、token 或预算限制处停止，还是会继续攀升。
他用大型工程作类比来支撑这一论点：凡尔赛宫等重大建筑，依靠3或4代专业家族积累经验；而人类往往要等20或40年才迎来范式变化，因为“范式不会死，人会死”。AI 则接近果蝇式迭代——“每天2代”——将数千轮等价世代压缩到极短时间内。
Feldman 不否认经济冲击；汽车出现后，马掌匠和马车制造商确实遭遇了打击。他给出的另一端账本是：癌症研究可能让孩子及其至亲免于失去彼此；自适应导师也能为每个孩子提供个性化教学，而不是今天这种“工厂化养殖”式课堂。他认为，只要以“周到且公平”的方式书写，这本账最终可能算得过来。

6. Black Forest Labs 正在构建多模态世界模型

Rombach 将 Black Forest Labs 的基础追溯至潜在扩散：这是他与合作者在慕尼黑读博期间开发的方法。该方法把自然数据压缩成高效表征，原理上类似 JPEG 或 MP3，再在这些表征上训练 Transformer；团队随后以此为基础构建了 Stable Diffusion 和 FLUX。
当前路线图将图像、视频、音频预训练模型与动作预测结合起来。Rombach 区分了直觉式视觉智能和深层推理层：完整智能需要两者兼备，但视频预训练已经能够提供关于物理规律和现实互动的隐性知识。
控制能力也在逐步扩展：从文生图，到文本加图像编辑，再到通过提示词对多张图像进行语义组合。将同一模式延伸至视频、音频和动作后，每种模态都可能成为输入或输出，并向用户和开发者开放更多“操控层”。

7. Scorsese 的用例是沟通，而不是一键拍电影

Rombach 拒绝规定生成式模型应该如何使用：“这些 AI 模型，它们是一种媒介。” 与 Martin Scorsese 合作时，团队围绕一个东欧村庄反复迭代，从导演的描述出发，直到图像比语言更直接地传达他脑中的场景。
关键在机制，而不是明星背书。语言是一种“有损通信媒介”，而图像或视频包含异常丰富的信息；这项技术可以“并行化你的头脑风暴”，延伸熟悉的分镜和微缩模型工作流，而不是取代电影人。
Rombach 不确定生成整部电影是否是最终目标。他倾向于人参与其中的工作流，也不会预测高端电影何时到来；不过能力已经从他读博时的64×64像素图像，发展到高分辨率、数分钟长度的视频。
Robin 提供了生产经济学案例：Gal Gadot 曾描述一部 Bitcoin 电影，影片在摄影棚拍摄、使用生成式场景，据称成本为3000万美元；如果搭建实体布景，成本则需要1.5亿美元。Rombach 确认存在类似的制作应用，但强调技术仍处于快速进化轨道。

8. 同一套视觉技术栈正延伸至机器人、IP 库和消费者

Rombach 最具扩张性的判断是：“同一种 AI 模型”既可以用来拍电影，也可以充当机器人的大脑。生成会变成模拟，动作预测则要求模型具备感知和理解能力。当前，不同工厂硬件仍需要数小时的任务专属微调数据；长期目标则是让机器人能够理解“拿起一个玻璃杯”这样的自然上下文指令。
在知识产权方面，Black Forest Labs 会在公共工具中屏蔽部分 IP 的生成。公司也直接与 IP 持有者合作开发定制模型，有时以开源基础构建，有时则使用更强大的专有系统；对拥有大型内容库的权利方而言，这是一种兼顾控制力与能力的方案。
Robin 提出的消费者模式是授权粉丝创作，把 Star Wars 粉丝小说和粉丝电影延伸到 AI 生成的未述故事。Rombach 认同，如果模型既能获得权利方接受，又能实现“超级创意式定制”，观众就可以把自己已经想象过的替代事件和不同解读视觉化。
公司成立仅2年，员工数刚超过100人。Black Forest Labs 正在德国和旧金山招聘大规模模型与扩散模型研究人员、负责构建实体 AI 或 IP 解决方案的客户工程师，以及专注于稳定训练和最大化 MFU 的基础设施专家。

Vol.224 对话混沌创始人：李善友在时代洪流里 E243｜特朗普“缓刑”红牌之外，美国资本如何硬控全球足坛