算力不再是上限：当AI从FLOPs走向兆瓦，真正稀缺的是什么

当所有顶级 AI 实验室都“不差钱”，真正开始崩塌的却不是技术，而是文化、激励和信任。在这期 Latent Space 的深度对谈中，Anjney Midha 把话题从算力与规模，直接拉到一个更刺眼的问题：如果电力、资本、模型都能买到，AI 竞赛最后拼的到底是什么？

最反直觉的一点：钱和算力越多，实验室越危险

对很多从业者来说，AI 发展的主线似乎很清晰：模型更大、算力更多、资本更猛。但 Anjney Midha 在一开始就泼了一盆冷水——当“所有 AI 实验室都已经拥有他们需要的全部现金”时，真正开始出问题的是内部文化。

他形容这是一个被严重低估的拐点：早期实验室靠理想、使命和强烈的个人驱动维系；而当资源不再稀缺，组织内部的决策动机会迅速从“做正确的事”，滑向“证明我为什么重要”。文化开始松动、摩擦增多、共识变脆弱。

这与大众想象的失败原因完全相反：不是没钱、没卡、没数据，而是“太富有”之后，组织开始内耗。AI scaling 没有消失，但它掩盖不了一个事实——规模放大的不只是模型参数，还有人性的弱点。

从 FLOPs 到兆瓦：AI 的瓶颈正在外溢

这期对谈的标题本身就点出了一个关键转向：AI frontier 已经从 FLOPs（算力指标）走向了 megawatts（能源现实）。这意味着什么？意味着竞争不再只发生在论文和模型卡表上，而是延伸到了数据中心、电力基础设施、长期资本耐心。

当算力变成基础设施问题，AI 实验室的形态也在变化。Anjney 提到，他们在结构上“非常类似 Google”，原因并不浪漫：复杂系统只能用成熟的大型组织方式来承载。这不是创业公司想不想的问题，而是物理世界是否允许。

一个隐含但重要的信号是：未来真正有资格做前沿 AI 的玩家，会越来越少。不是因为他们更聪明，而是因为他们能同时协调技术、能源、资本和组织复杂度。AI 正在从“聪明人的游戏”，变成“系统工程师的战场”。

Brain Marketplace 并没有消失，只是换了形式

在谈到激励机制时，Anjney 抛出了一个老词：Brain Marketplace（大脑市场）。他的判断很直接——从经济角度看，这一直都是真实存在的。

人才会流向哪里？不是口号写得最漂亮的地方，而是激励最清晰、回报最确定、信号最强的地方。当实验室规模扩大、使命叙事被稀释，个体自然会重新计算自己的投入产出比。

这也是为什么他反复强调“aligning incentives（激励对齐）”。文化不是靠宣言维持的，而是由每天的奖励机制塑造的。你奖励什么，就会得到什么样的行为；你忽视什么，问题就会在那里积累，直到某天爆雷。

深度学习之外：常识、信任与‘赢’的误解

Anjney 有一句非常值得反复咀嚼的话：“Common sense should always be in fashion.” 在深度学习高速狂飙的年代，这几乎像一句反技术宣言。

他并不否认深度学习的重要性，但他明确指出：技术进步并不会自动补齐社区支持、社会信任和治理结构。如果这些跟不上，“它不会有好结果”。

更耐人寻味的是他对“赢”的态度。他直言这个词“很奇怪”——因为把 AI 发展理解为零和竞赛，本身就是一种危险的简化。真正决定长期走向的，往往不是短期胜负，而是是否为复杂世界建立了可持续的信任机制。正如那句老话：Luck favors a prepared mind（幸运偏爱有准备的头脑）。

为什么很多实验室‘还没起飞就结束了’

在对谈后段，一个现实而残酷的观察被反复提及：很多实验室“几乎还没来得及起飞，就已经失败了”。原因并不是技术路线选错，而是文化和组织在早期就埋下了不可逆的裂缝。

当创始人和核心成员从 day one 就没有就价值观、决策权和风险承担达成共识，规模化只会加速崩解。AI scaling 在这里不但不是解药，反而是放大器。

这也是为什么 Anjney 把文化称为“ultimate one（终极变量）”。模型可以重训，代码可以重写，但一旦信任破裂、激励错位，组织几乎没有回头路。

总结

这期对谈真正的价值，不在于预测下一个模型或参数规模，而在于提醒从业者：AI 的上限越来越不像技术问题，而更像组织与社会问题。对个人来说，判断一家实验室是否值得加入，不能只看算力和名气，而要看激励是否清晰、文化是否自洽、是否尊重常识。对行业来说，从 FLOPs 走向兆瓦只是开始，接下来更稀缺的，将是信任、耐心和能驾驭复杂性的能力。你准备好了吗？

关键词： AI Scaling， 算力与能源， 组织文化， 激励机制， 深度学习

事实核查备注： 需要核查：1）Anjney Midha 的具体职务与背景；2）视频中关于“所有 AI 实验室都有足够现金”的原话语境；3）关于组织结构“类似 Google”的具体指代；4）Brain Marketplace 的原始表述是否为比喻；5）视频实际时长以确认文章篇幅匹配。