Why Robotics Will be 100X Bigger Than Coding Agents & Software Investors are F***ed | Naveen Rao

Mosaic ML 创始人 Naveen Rao 算账：建 1 吉瓦数据中心要 500 亿美元，比建一座芯片厂还贵，美国电网余量几年内就被 AI 吃光。

所有人都在比谁的模型更强，但真正的天花板是电——美国电网平均出力约 900 吉瓦，峰值也就 1.2-1.3 太瓦，这点余量正被数据中心快速吃干。Naveen Rao 把从发电到芯片的整条链路拆开算了一遍账，还给出一个反直觉判断：过去十年的芯片能效提升，主要不是来自制程，而是来自把数据从 32 位一路砍到 4 位。

Rao 说大家把"吉瓦"挂在嘴边像很轻松，实际完全不是那么回事。

• 建 1 吉瓦要 500 亿美元，比建一座半导体厂（200-300 亿美元）还贵还复杂；他说一年建 40 吉瓦根本不可能，能建 10 吉瓦就是 5000 亿美元级别的成就。
• 过去几年拿到的电，主要靠把现有设施利用率拉高，从电网闲置余量里挤出来；这部分"快钱"几年内就会用完，之后只能跟着新建速度走。
• 已经出现两层电价：数据中心签的"表后"协议（绕过公共电网直连电站）每度电付得比普通电网贵得多，因为算力售价大约是电费的 5 倍，电贵 30-40% 也撑得住；而中国总发电容量 2023 年超过美国，此前连续 20 年建设速度是美国的 6 倍。

Rao 把计算机拆成物理层、架构层、模型层三层，说前两层的好日子基本到头了。

• 物理层的能效提升已经停了：最近几代 GPU 靠缩小晶体管拿到的效率增益很少，摩尔定律那套不灵了；过去几年的效率提升主要来自数据位宽变窄，32 位→16 位→8 位→4 位，算的位数少了自然省电。
• 最大的一块没被开采的地是模型和硬件的联合设计：比如稀疏化（让计算单元之间少连线）在通用 GPU 上收益有上限，因为显存是独立芯片、不是为这种算法造的；大脑是智能层和物理层一起进化出来的，芯片也该这么设计。
• 所以他不认为芯片会商品化：智能的需求是无限的，而"把能源转换成智能"这件事就是硬件，做得好就赚得多；他顺带调侃下一代芯片该叫 Habanero，"因为会更烫"。

Rao 说 AI 让他的思考速度快了一个数量级，但也制造了新麻烦。

• 以前让研究团队算一个噪声传播的零阶问题要两周，现在直接问模型、自己读代码来回改，一小时出结果；但产出太多导致"AI 垃圾"问题，模型吐出的代码、模型、文档真假难辨，验证成了新瓶颈。
• 他不赞成现在就把决策权交给 agent：链式决策越长越容易跑偏，输出看着很扎实其实全错；就像神经外科医生要 7 年训练，值钱的不是缝合手法，是判断力。
• 他预测 5 年后大家会信任 agent 超过信任自己，但今天还远没到；未来模型的护城河是"师承"——你用什么样的数据和课程把它教出来，就像人跟谁学手艺。

"如果你造出一台什么都能干的智能机器，人们当然会想要它——这就像问'治愈癌症有没有需求'一样。"

• 评估 AI 基础设施项目时，把"电价"换成"每度电能换多少智能"来算账：Rao 的逻辑是算力售价约为电费的 5 倍，所以愿意为电付 30-40% 溢价——这个比例可以直接用来判断一个数据中心选址或供电方案是否划算。
• 如果你的团队在用 AI 大量生成代码和文档，现在就该把预算从"生产"挪一部分到"验证"：Rao 明确说瓶颈已经从产出转移到校验，谁掌握可验证的规格和验收流程，谁才真正拿得住自动化。