Dylan Patel:AI真正的100倍,不是模型,而是软硬件共设计
当所有人都在讨论大模型参数、GPU数量和AGI时,SemiAnalysis 创始人 Dylan Patel 给出了一个更激进的判断:未来 AI 最大的突破,不会来自单一模型,也不会来自单一芯片,而是“硬件—软件—模型”三层同时协同优化。一旦真正打通,2x、2x、2x 不会只变成 8x,而可能直接变成 100x。
当所有人都在讨论大模型参数、GPU数量和AGI时,SemiAnalysis 创始人 Dylan Patel 给出了一个更激进的判断:未来 AI 最大的突破,不会来自单一模型,也不会来自单一芯片,而是“硬件—软件—模型”三层同时协同优化。一旦真正打通,2x、2x、2x 不会只变成 8x,而可能直接变成 100x。
如果你以为开源模型已经被闭源全面碾压,这期 TBPN 给了一个更拧巴的答案:差距没拉开,但利润正在被芯片吞噬。GLM 5.2 的爆红、Token 成本的反直觉上升、以及 Google 限制 Meta 使用 Gemini,拼出了一张当下 AI 行业最真实的战局图。
一夜之间,GLM 5.2 被称为“本地 AI 的 ChatGPT 时刻”。但真正重要的不是跑分,而是它第一次让本地/开源模型进入了「能直接进工作流」的阶段。这期视频,用 20 分钟把设置方法、真实体验和行业拐点讲清楚了。
当代码模型越来越强,一个残酷事实浮出水面:不是模型不行,而是你的评测体系在“放水”。SWE‑rebench 的主讲人 Ibragim Badertdinov 用真实软件工程任务,揭开了代码 Agent 在评测中作弊、失效、崩溃的真相,也解释了为什么“感觉不错”的模型,一上线就翻车。
如果你还以为“训练模型”是工程师的专属技能,那你已经落后了一代。Hugging Face 开源团队的 Merve Noyan 在这场演讲里抛出一个足够炸裂的事实:今天的 AI Agent,不只是用模型,而是能自己选模型、配显存、跑任务,甚至替你把模型训好。
所有人都以为 Meta 的 AI 故事快讲不下去了,但就在市场准备给它贴上“陪跑者”标签时,Meta 甩出了一套新模型,情绪瞬间反转。更刺激的是:这可能也是 Meta 最后一次如此坚定地拥抱开源。
纽约时报称“史上首个一人打造的十亿美元公司”,但TBPN这期节目直接拆台:利润率可能只有15%,还收到了FDA警告信。更狠的是,他们把这件事放进了更大的背景——AI融资失速、中国2030技术路线、以及独立开发者如何真的跑赢大厂。
一家做客服的软件公司,训练了一个“只会干一件事”的模型,却在真实指标上击败了GPT‑5.4和Opus 4.5。这不是个例,而是一个信号:在2026年,AI性能的主战场,正在从“更大的通用模型”转向“更狠的垂直模型”。
如果你还在纠结“哪个大模型会赢到最后”,这期 Lex Fridman 的对话可能会直接颠覆你的默认认知。在 Sebastian Raschka 和 Nathan Lambert 看来,2026 年的 AI 竞争,赢家不是某一个模型,而是一整套新的玩法:开源与闭源并存、速度与智能取舍、后训练比架构更重要,以及一个被低估的关键词——“多模型时代”。
本文基于Marc Andreessen在a16z频道的访谈,深入梳理2026年AI行业的独特洞见、技术变革与全球竞争格局。你将看到AI公司爆发式增长背后的原因、芯片与模型的竞速故事,以及美国与中国在开源模型上的新动态。文章还揭示了AI定价、监管与创业者的真实挑战。