7 月 8 日消息，谷歌智能体业务主管奥马尔·沙姆斯 （Omar Shams）近日做客播客节目 《Manifold》，接受了密歇根州立大学计算数学教授、大模型应用开发商 Superfocus.ai 创始人 Steve Hsu 的专访。沙姆斯曾创办 AI 初创公司 Mutable，后被谷歌收购。
在对话中，沙姆斯围绕 AI 算力瓶颈、智能体应用落地、人才竞争与行业结构变迁等关键议题，提出了诸多观点。以下为此次对话的核心内容：
1. AI 发展两大瓶颈：芯片和能源。沙姆斯指出，芯片固然重要，但能源供应才是 AI 长期发展的关键制约。
2. 美电网难撑 AI 能耗，美国电网扩容缓慢，而中国每年新增电力产能已超英法总和，能源能力差距显现。
3. 为突破地球能源极限，沙姆斯提出可在月球或太空部署太阳能电站，为 AI 提供算力能源。
4. 沙姆斯表示，模型性能增长虽符合对数规律，但在特定规模下会出现 「跃迁」，学界需建立新理论理解这种 「相变」 现象。
5. AI 智能体正在重塑软件开发结构。AI 工具正自动化多步骤编程任务，初级工程师被边缘化，团队更依赖技术领导者。
6. 「隐性知识」 决定 AI 项目成败，沙姆斯强调，AI 领域真正决定项目成败的，是那些难以量化的直觉、经验和判断力。这类 「隐性知识」 虽难传授，却是顶尖 AI 人才的核心竞争力。
7. 沙姆斯看好 AGI 未来，并提醒年轻人：想跟上 AI 的演化节奏，光靠知识不够，唯有多实践、真动手，才能掌握未来主动权。
以下为沙姆斯分享最新精华内容：
美国电网拖后腿？去月球建太阳能电站为 AI 供电
问：听说 OpenAI 的创立跟 DeepMind 卖给谷歌有关？当年马斯克和 PayPal 联合创始人卢克·诺赛克为了阻止谷歌收购 DeepMind，在一个派对上躲进壁橱，给 DeepMind 创始人德米斯·哈萨比斯打电话，说愿意匹配谷歌 6 亿美元的报价。但哈萨比斯直接回绝：「你们就算凑够钱，也给不了谷歌能提供的算力资源。」 后来马斯克担心谷歌垄断 AGI 技术，这才支持创建了 OpenAI。这事你知道吗？
沙姆斯：我没听过这个故事。不过我现在在 Alphabet 工作，有些话不方便多说。但总的来说，这场 AI 竞赛确实有很多值得讨论的地方。AI 行业确实面临两大瓶颈：芯片和能源供应。说到底，没有足够的电力支撑，再强的算法也跑不起来。
问：说到中美 AI 竞争，这两个问题都会浮现出来。芯片方面是英伟达与华为的对决，电力方面的差距则更大。美国的电网供电能力提升非常困难，而中国的电力生产增速却非常惊人。中国每年新增的电力产量相当于整个英国或法国的年发电量，而美国则需要七年才能达到这一水平。如今，中国的电力增长速度是美国的两倍。因此，如何解决能源供给问题，将成为决定 AI 未来发展的关键。电力方面的缺口如何补足？
沙姆斯：说实话，美国电网升级基本没戏，各种法规限制根本快不起来。我现在甚至在想，要不要把发电站搬到太空或月球上。虽然这听起来像天方夜谭，但谷歌前 CEO 埃里克·施密特已经在行动了，他投资的 Relativity Space 公司就在研究这个。他想要把数据中心搬到太空，因为那里的能源供应不像地球上受限严重。
问：能源会来自太阳能发电板，还是在太空中建设绕轨道运行的反应堆？
沙姆斯：能源的来源可能主要是太阳能，而非核能。这是因为核能在国际上受到严格的限制，并且如果火箭发射时发生事故，可能会引发极其严重的后果，因此不适合在太空使用。
问：你不觉得要收集这么多能量，可能需要在太空中部署 1 平方公里甚至 10 平方公里的太阳能板吗？
沙姆斯： 是的，确实是个非常疯狂的想法。我做过一些计算，如果要达到一吉瓦的功率，可能确实需要差不多 1 平方公里的太阳能板，甚至更多。我的直觉告诉我，这将需要大量的资源才能送到太空。因此，这的确是一个巨大的挑战。
而且，太阳能板不能部署在低地轨道。如果是 10 平方公里的太阳能板，像我之前做的计算，天文学家可能会强烈反对这样的设计方案。所以，最理想的部署位置是类似拉格朗日点 （Lagrange point）的地方。
所谓拉格朗日点，就是太阳系内，或者任何两个天体之间的特殊位置，物体可以相对于这两个天体保持稳定的轨道。幸运的是，太阳系中有很多适合部署太阳能板的拉格朗日点。
AI 编程革命幕后推手：他比 Copilot 更早入局，却鲜为人知
问：你创办了 Mutable 公司，并作为创始人和 CEO 经营了三年，这家公司主要是开发 AI 编程工具的，对吧？
沙姆斯： 是的，没错。我在 2021 年 11 月开办了这家公司。我们算是进入 AI 开发工具领域的先行者之一，几乎在同一时期，Copilot 也开始了。现在，这个行业发展得非常快，像 Cursor 这样的 AI 开发工具公司，已经做到每年超过 1 亿美元的收入。如今，很多这样的公司都迅速实现了收入破亿。
问：我知道 Mutable 在很多现在已经很常见的概念上先行一步。我记得 「AI 大神」 卡帕西 （Andrej Carpathy）最近做了一个主题演讲，讲到了一些理念。虽然他没提到你，但我认为这些想法应该是你们最早提出的，包括如何用某种方式结合上下文来理解软件，或者如何从公司代码库中生成更好的文档。我觉得你们在 Mutable 做了很多有趣的事情。你愿意谈谈这些吗？
沙姆斯： 的确，很多想法是 Mutable 最早提出的，并且可能对今天的产品产生了较大的影响。我看到很多开源代码库，虽然你可以通过不断学习和积累经验快速上手，但总是会有点慢。所以，我就在想，为什么不让 AI 来帮忙呢？为什么不让 AI 写一篇像维基百科一样的文章，来解释这些代码呢？于是我想到了一个名字，叫做 Auto Wiki。我们做了这个项目，利用递归总结来解释代码，结果项目在 2024 年 1 月发布后非常火爆。
最有趣的技术部分，其实正是卡帕西在演讲中提到的。他谈到，Auto Wiki 实际上变成了一个非常有用的上下文填充工具，因为大语言模型 （LLM）能从中受益很多。事实上，我觉得可以用 「拟人」 的方式训练 LLM，因为它们的训练数据基本上来自于人的数据和经验。
所以，拥有这些代码总结功能，实际上对 LLM 帮助很大，不仅是对于检索 （比如 RAG——检索增强生成）有用，生成部分也能从中受益，特别是在推理过程中。
问：在构建 Auto Wiki 的过程中，是否需要人工修正某些问题才能进一步生成代码？
沙姆斯： 我们有相关功能，允许用户修改生成的内容，虽然这个功能并没有广泛使用。事实上，你不需要这样做。
的确，AI 生成的内容有时会出现所谓的 「幻觉」（hallucinations），但我认为已经有些技术能够有效地应对这个问题。即使存在幻觉问题，Auto Wiki 仍然比没有它要好得多，特别是在处理轻量级问题时。
所以，在这个全自动过程中，模型会先浏览整个代码库，理解它，并生成持续更新的文档。
从某种角度来看，这其实就像是在进行推理：模型首先生成内容，之后它在做其他任务时，会参考之前的推理结果来加深对代码的理解，并进一步进行生成。
从 Llama 到 AGI：扎克伯格花 1 亿买的不是程序员，是 「未来先知」
问：马克·扎克伯格为什么愿意花 1 亿美元挖一个人？他到底看中这个人什么？是不是某些人的能力真的能给公司带来天壤之别？
沙姆斯： 虽然我不能代表马克发言，也不确定 1 亿这个数字是否准确，但确实有报道提到他从 OpenAI 挖走了几位顶尖人才。说到人才，我觉得一个公司的成功与失败，往往取决于团队的配置和每个人的角色分工。
但从某种角度看，团队更像是飞机的结构——单单有强劲的引擎，如果没有机翼，飞机是飞不起来的。同样，单靠某个天才也不行。扎克伯格愿意为顶尖人才支付高额薪水，肯定有他的道理。 这种现象在创业者身上很常见：即便技术能力很强的创始人，如果缺乏沟通和团队协调的能力，最终也会失败。因为投资人通常不懂技术，决策大多依赖直觉和感觉。
问：但扎克伯格组建超级智能团队时也靠感觉吗？
沙姆斯： 这个我不敢妄加评论，不过必须承认，扎克伯格确实是一个非常出色的创始人。说到他的决策，我认为这是一种非常大胆的冒险——这种豪赌，只有像他这样拥有超级投票权的创始人 CEO 才敢做。毕竟 Meta 的现金流非常充裕，相比其他一些烧钱项目，投资 AGI（通用人工智能）算是一项相对明智的选择。我觉得现在评判还为时过早，我们可以等一段时间再看看结果。
问：换作我有他的资源，我也会想：为什么不组建最强战队？我并非质疑扎克伯格的战略决策，而是好奇：花 1 亿美元挖所谓最优秀人才真是最优策略吗？表面看这很合理——毕竟真正懂行的人有限。但反方观点同样成立：这类人才其实并不稀缺。
沙姆斯： 这里确实存在微妙的矛盾：如果行业没有真正的 「技术机密」，那么为什么还要为人才支付天价呢？我个人的理解是，企业购买的并不是具体的技术，而是那些 「复合型经验」，或者说是 「隐性知识」。
这些人才带来的价值，更多是通过他们在实际工作中积累的判断力和直觉，能够帮助公司避免一些常见的错误，少走弯路。比如，扎克伯格可能从 Meta 的 Llama 项目中吸取了教训。
开发 AI 就像是造飞机：即使你掌握了所有理论，仍然需要有人告诉你 「该先拧哪个螺丝」。毕竟，AGI 时代的到来已是指日可待，他宁愿多付些钱，也不愿错失这个机会。你可以这么理解：即使他花得多，但 Meta 有能力承受得起，而获得的回报可能也会是巨大的。
30% 程序员两年内失业，企业的用人逻辑已变
问：如果有人告诉你，「我每天都在社交媒体上看到一个视频，说某个智能体能为我做所有事情，但我认识的人实际上并没有从智能体那里获得很多价值」，你会怎么回答呢？智能体现在到底在哪些方面有用，哪些只是炒作呢？
沙姆斯： 我认为这个领域的确发展得非常快，但许多进展还需要时间才能普及。虽然经济学家泰勒·科文 （Tyler Cowen）曾说过，AGI 类似于电气化，要花 100 年才能渗透到经济中，但我不完全认同这个观点。
我觉得这个速度可能比他想象的要快一些。的确，有很多监管上的障碍，也有很多人需要时间去改变观念和习惯，但在我看来，AGI 的渗透速度将比传统技术革命要快得多。
很多经典物理学家一生都不接受量子力学的概念，直到他们去世时，这才成为常识。类似的认知变革，正在 AI 领域重演。有些传统的工程师至今仍不相信 AI 的能力，这种现象让我觉得很难理解。
以我自己参与的项目为例，像 Cursor、GitHub Copilot 这些工具，已经极大地改变了程序员的工作方式。现在，即使是创业公司，软件质量的标准也被显著提高——低质量的代码再也无法轻易通过审核，这种压力推动了整个行业的进步。
在法律领域，像 Harvey 这样的 AI 公司也已经开始创造可观的收益。尽管其他行业的进展可能较慢，但在白领工作领域，AI 助手的引入已经成为必然趋势。我不能确定这种趋势对就业市场的具体影响，但可以肯定的是，工作流程会发生巨大变化——这些 AI 助手要么辅助人类工作，要么直接取代部分工作。
问：有报道称，2025 年计算机科学和软件工程专业的毕业生，面临较为低迷的就业市场，招聘机会有所下降，甚至就业率增加的幅度也很小。那么，这种情况有多少是由于 AI 驱动的生产力提升所导致的？
沙姆斯： 很难准确判断，但我认为主要原因是科技公司正在收缩招聘规模。
几年前，行业确实进入了一个疯狂招聘的阶段，几乎只要懂一点编程就能拿到 offer，但这种泡沫显然不可持续。即使经历了裁员潮，许多公司为了保持员工士气，裁员力度往往也不足，结果导致现在很多公司正处于 「过度招聘后的后遗症」 阶段。
但从更根本的角度来看，计算机教育体系和 AI 发展的脱节也是一个大问题。大多数高校课程依然专注于离散数学、算法理论等传统内容，忽视了实际软件开发技能的培养。这使得很多应届生缺乏工程实践能力——而这正是我过去很少雇佣刚毕业新人的原因，因为他们通常不能给公司带来多大帮助。
当然，也有例外：我曾经雇佣过一位 19 岁的普林斯顿高中生 （未上大学），他通过机器人项目等实践展现了惊人的能力。这说明，如果你能展示出能力，完成项目，甚至在一些情况下，学历不再那么重要。
像 YC（Y Combinator）这样的创业公司更看重你是否能展示实际能力、是否能独立完成任务和行动。我认为，未来 「行动力」 将会变得越来越重要。
问：你认为当前软件工程师岗位减少是多重因素共同作用的结果。一方面，科技公司在后疫情时代过度招聘后正在收缩规模，高利率环境也加剧了这一趋势；另一方面，AI 工具确实提升了生产效率，是这样吗？
沙姆斯： 我认为 AI 的影响不能忽略。现在，许多初级工程师的工作任务都可以由 AI 代替。岗位需求正在转向团队领导 （TL）或者技术主管 （TLM），这些人需要管理 AI 智能体。
现在的问题是，企业可能不再需要那么多初级工程师了——毕竟，培养新人短期内往往会带来净损失，之前雇佣他们主要是为了人才储备。
在初期阶段，雇佣新人可能会有一定的负面影响，甚至拖慢进度，但你还是需要雇佣人来维持公司的增长。而现在，许多公司可能觉得他们可以依赖更少的员工，甚至通过智能体来完成那些本应由初级工程师完成的工作。
关于 AI 对就业的影响，我还想提两个有趣的观点：
Anthropic CEO 达里奥·阿莫代伊 （Dario Amodei） 预测，随着 AI 的发展，未来两年内会出现大规模裁员。我和在 Anthropic 工作的朋友打了个赌，他认为两年后的裁员率可能会达到 30%。他认为像特斯拉这样的公司，即使已经比较精简，未来也可能面临裁员。我个人认为，30% 的裁员比例可能有些过高，但即便如此，像阿莫代伊这样的业内人士认为 AI 的影响比我们预想的要大得多。
Shopify 创始人兼 CEO 托比·卢克 （Tobi Lutke）虽然没有直接提到裁员问题，但他明确表示希望通过 AI 提高团队的效率，而不是继续扩招。这种趋势在许多企业中都能看到，许多公司现在专门设立岗位，研究如何用 AI 实现业务自动化。
这引出了一个经济学悖论：随着 AI 不断提升生产力，企业是否真的还需要雇佣那么多员工？这个问题很难预测，可能会产生深远的影响。
问：我想区分一下 AI 工具和智能体之间的区别。比如，你可以向 ChatGPT 发送查询，要求它修改某些内容或写一个初稿，但我个人认为这并不算智能体。智能体应该是一个更具自主性、能够在没有人类监督的情况下执行多步任务的系统。现在有这样的工具了吗？
沙姆斯： 绝对有！其实，我之前提到的所有工具，我认为它们都可以算作是智能体。例如，你可以在 Cursor 等工具的设置中，调整选项，让它不需要你确认每一步操作。这样，你就可以让它 「尽情发挥」，不仅仅是写一个函数，它甚至能为你构建一个完整的功能模块，或者一个 Web 应用，甚至更多。我觉得它们已经做得非常出色了。随着 AI 不断进步，它能够处理的任务范围会越来越大，能完成更复杂的工作。
另外，这种提高精度的观点也经常被用来解释为什么人们愿意在 AI 数据中心、芯片和能源上投入巨资。人们常将扩展定律描述成一种奇迹，仿佛它能带来令人惊叹的效果，但实际上这是一种对数增长，并没有那么 「神奇」。我认为，能为这种现象提供合理解释的唯一方式，就是 「精度不断提高」。
此外，可能还存在一个解释，就是 「涌现能力」（Emergent abilities）的概念。就像飞机起飞的关键时刻——当所有条件都达到了临界点时，系统能力会发生质的飞跃。智能体的发展可能也类似，这种变化是很难预测的。
最后，我想提一个有趣的物理类比：我们目前对 AI 扩展定律的理解，实际上就像蒸汽机时代对热力学的理解一样初级。真正的突破，可能要等到我们发现 AI 领域的 「统计力学」，即解释现有扩展定律背后机制的理论体系。这是 AI 研究者们要解决的重要问题。
本文来自微信公众号：腾讯科技，作者：腾讯科技特约编译金鹿、海伦
