Podcast Crossover: AIE, AGI, frontier lab strategy with ​ ⁨@matthew_berman⁩ and @swyxtv

Swix 复盘 AIE 大会幕后：首届靠拉人情和 OpenAI Logan 撑场，如今已成各大实验室同台竞技的中立地，Fable 模型虽聪明但慢，OpenAI 传出要给美政府 5% 股份，AI 工程师的机会在“模型能力溢出”与“最后一公里”之间。

• Swix（AIE 创始人）说，看到前端、云、数据工程都成了独立圈子，判断 AI 工程师也会走这条路，于是买下 ai.engineer 域名，写博客招人，第一届大会就这样启动。
• 首届最大难点是没人信：没有历史、没有口碑，全靠 Swix 和合伙人 Ben（办过 Reactthon）的人脉和信誉，拉朋友、拉讲师，大家是“闭眼信一把”。
• 最关键的突破口：拉到了 OpenAI 的 Logan 站台，才让大会有了分量。现在 AIE 的卖点是能让各大 AI 实验室同台竞技，大家在中立场地比拼，工程师得实惠，实验室也愿意来“公平较量”。
• 内容跨度很大：从“日常能用的实操”到“芯片底层”，比如本届有 Etched（刚出隐身状态的 AI 芯片公司）做 1 小时芯片专场。

• Etched、Maddx 这类新芯片，不是要干掉 Nvidia，而是看好“推理（inference）”市场太大，专门做 AI 推理的 ASIC（定制芯片）一定会出现。
• 和 Grok、Cerebras 的区别：Swix 认为 Etched 更像“下一代 Cerebras/Grok”，但针对 Transformer、RGPT 这些新架构做极致优化，老一代芯片没法针对这些任务，因为那时还没这些模型。
• 定制芯片最大风险是模型架构突变，但 Swix 说“他们不在乎”，GPT-3.5 以来主流架构没怎么变，实际用的还是 GPT-4 这类老架构，企业一旦跑通就不爱动。

• Fable 5（Anthropic 新模型）刚上线，Swix 试玩了官网彩蛋游戏，觉得“用得对时极其聪明，但速度太慢”，只会在需要高智力的场景用。
• 关于“被削弱”争议：Swix 没遇到降级或拒答，但承认“假拒绝”依然多，体验不稳定。
• 限额问题本质是算力紧张：两个月前 Fable 用量几分钟就烧光额度，Swix 认为 Anthropic 不是“故意限流”，而是确实算力跟不上，最近和 AWS 等大厂签了新芯片和带宽协议，情况才好转。
• Fable 用 token 太多，烧额度依然快，算力压力没完全缓解。

• OpenAI 被爆出拟给美国政府 5% 股份，Swix 觉得合理：美国政府和 OpenAI 的关系比其他实验室更近，政府持股能让全民分享到 AI 红利，避免“技术寡头”。
• 新加坡模式类比：Swix 来自新加坡，举例政府持股（如 Temasek、GIC）是常态，养老金、保险都投在关键企业，社会接受度高。
• “公用事业化”还太早：Swix 认为 AI 现在太不稳定，像 2025 年就把 AI 当电力一样强监管“不现实”，至少要再等几十年。
• 政府持股的多重动机：既有防“Skynet”（AI 失控）的担忧，也怕别国用模型搞网络攻击、模型蒸馏，所有风险都指向“政府要介入”。

• Swix 自评“pdoom（人类灭绝概率）”：50,000 年尺度下有 90%，但 10 年内几乎为零，50 年内约 5%。他强调“人类没什么天生特权”，AI 进化速度远超人类，必须正视风险。
• AIE 的定位：不像 EA（极端乐观），也不悲观，主张“工程师要盯住、加护栏、做评测”，别只聊 AGI 终局。
• LLM（大模型）能不能自我递归进化？ Swix 认为不行：虽然现在有“自动研究”方向，但模型主要在已知领域自我优化，真正“未知的创新”还得靠新范式。

• 模型能力溢出是常态：每一代新模型出来，实际能用的能力远超现有产品，工程师的机会就在“把模型能力落地到具体场景”。
• Agent Lab 的定位：Swix 建议创业者别选方案，选问题——“做律师、医生、金融等行业的 AI 代理人”，成为客户的“AI 层”，新模型出来就第一时间集成，品牌和客户关系才是护城河。
• 能力溢出会让旧产品失效，但机会永远在“最后一公里”：每次模型升级，很多工具会被淘汰，但只要你能把新能力转化成客户价值，就有活干。
• 模型路由（多模型切换）是伪命题：Swix 认为“多模型路由”只是市场话术，真正顶级的 Agent Lab 都在死磕单一模型的极限能力，追求深度优化，而不是做“百搭但平庸”的集成。

• token 成本高、算力有限，反而给了 Agent Lab 机会：他们能灵活切换模型、做更细致的优化，服务大厂做不到的“定制化最后一公里”。
• 但“全栈自研”才有最大议价权和规模效应：历史上云计算也是“all in AWS”比“多云”更有优势，Agent Lab 只有深度绑定、深度优化，才能拿到大厂给的最大折扣和能力。

“工程师的机会永远在模型能力和实际落地之间的白区，只要你能把新能力转成客户价值，这份工作就不会消失。”

• 创业别纠结做哪种 AI 技术，选定垂直场景做“AI 层”：成为某行业的“AI 代理人”，新模型出来就第一时间集成，客户关系和品牌才是壁垒。
• 别迷信“多模型路由”：顶级 Agent Lab 都在死磕单一模型的极限能力，深度优化比广撒网更有竞争力。
• 模型能力溢出是常态，产品要随时准备“春季大扫除”：每次模型升级都可能让旧功能失效，别恋旧代码，核心是持续把新能力转成实际价值。