施密特：超級智慧只剩兩三年，現在最缺的是電

本文整理自《Moonshots with Peter Diamandis》2026 年 3 月播出的單集。

{{< youtube DpwmmXmzvfo >}}

{{< spotify "episode/4Rpfu3pEMDN30V4qU1aIMd" >}}

{{< apple-podcast "tw/podcast/eric-schmidt-the-superintelligence-countdown-rl/id1648228034?i=1000757064420" >}}

---

矽谷正在倒數

前 Google 執行長施密特（Eric Schmidt）把它叫做「舊金山共識」。不是什麼正式文件，而是一種瀰漫在灣區的集體信念：超級智慧距離我們只有兩到三年。

施密特三月下旬登上 Moonshots 節目，用一個小時的時間拆解這個信念。他的論證方式很直接。現在一家有一千位頂尖 AI 研究員的科技公司，隨時可以開出一百萬個 AI 研究代理人。這些代理人不需要吃飯、不需要住房、不需要 HR 部門、不需要薪水，唯一的限制是電力。它們可以晝夜不停地跑實驗，用清楚的評估指標衡量每一次進步。當代理人的數量往上乘，進步曲線不再是線性成長，而是急遽上揚。這就是「超級智慧時刻」的基本模型。

但施密特也坦承，這條路上有一個關鍵拼圖還沒到位：遞迴自我改進（recursive self-improvement），也就是 AI 自己改善自己的智慧。他在節目中明確說「這還沒有發生」。他上週做了一輪遞迴自我改進的研究審查，科學家們對具體方法還沒有共識，實驗室裡有一些成功案例，但都是有限範圍的展示，不是真正的開放式自我學習。真正的遞迴自我改進長這樣：「從現在開始，學習一切，發現新東西，然後告訴我你學到了什麼。」這個指令目前還跑不動。

即便如此，施密特對當下已經實現的推理能力仍然印象深刻。他特別提到 Anthropic 的 Claude Opus 4.6，說這個模型幾個月前發布之後，灣區做軟體的人普遍表示，人類與 AI 的工作比例從八二翻轉成了二八。「不是 Claude Code 本身的功勞，」施密特分析，「是底層的大型語言模型能產出更好品質的推理、更長時間的思考。它是一個更深層的思考者。」一位前 Google 執行長公開為 Anthropic 的產品背書，這件事本身就值得注意。他同時提到 Google 的 Gemini 3，稱它是「非中國系統中最廣泛的」。但他對 Claude 的描述更具體，顯然出自真實使用經驗。

程式設計師睡覺時，AI 在發明

施密特講了一個他投資的新創公司裡的故事。一位年輕工程師每天晚上七點做同一件事：寫一份規格說明，寫一個評估函數，然後按下執行。接著他跟妻子吃晚餐，上床睡覺。AI 在凌晨四點跑完所有任務。工程師隔天早上起床，看看 AI 發明了什麼。

「我用這個故事來說明這些系統的威力，」施密特說。他的重點不在 AI 能寫程式，而在於只要你能定義清楚什麼叫做「好」，也就是評估函數，就可以讓系統自己跑。「以前在 Google，要做出同樣的東西，需要我和十個工程師花六個月。這傢伙在睡覺。」

這個轉變也在改寫工程師的角色定位。施密特自己高中時是程式設計師，後來在柏克萊做 Unix 系統開發，他說自己「看著 AI 做的事情，心想：我完了。它能做的事，沒有一件我還能超越它。」但他不認為所有工程師都會被淘汰。恰好相反，最頂尖那一小群人的價值會更高，因為 AI 系統需要人來掌握平行化的複雜度、定義評估框架、判斷哪些方向值得探索。這需要數學推理能力，不是每個工程師都有的。他形容這個轉變是從「寫程式」變成「指揮一個程式設計系統」。

共同主持人 Dave Blundin 在後台也上演了同一齣戲。施密特上台前，Blundin 急著把筆電上的六個 Claude Opus 4.6 並行任務推上雲端，因為關上筆電會中斷工作。他回憶兩個月前在達沃斯論壇時，AI 還只是「自動完成」模式：你寫程式碼，它幫你補完，效率大約十倍，但你還得盯著它。「現在完全不一樣了。我上台的時候，它正在工作。我下台的時候，它會解完六個問題。」施密特聽完回了一句：「你可以把筆電留在台上，你做的事比我重要。」

施密特預測，這個產業正在從「AI 輔助人」轉向「人監督 AI」的結構。未來會是少數非常大的公司加上大量非常小的公司。大公司有資源養 AI 基礎設施，小公司靠 AI 用極少的人做出以前大團隊才能做的事。這件事已經不是預測，而是正在發生。

92 吉瓦的缺口

超級智慧的瓶頸不是演算法，是電。施密特在美國國會作證時估算，到 2030 年，美國會出現 92 吉瓦的電力缺口。做個對照：一座核電廠大約能輸出 1.5 吉瓦，所以缺口相當於 60 座核電廠。目前美國新建的核電廠數量，取決於怎麼算，大概是零到一座。

他進一步拆解經濟規模。一吉瓦的電力大約對應 500 億美元的硬體、軟體和資料中心投資。100 吉瓦就是 5 兆美元。美國的金融體系能在五年內籌到這筆錢嗎？施密特認為可以，而且這正是美國的優勢所在。「沒有其他國家的金融業瘋狂到願意這樣投資，」他說，「中國不行，歐洲更不行。所以首先要感謝那些金融家，不管最後成不成功，謝謝你們出資讓我們追夢。」

目前的預估是，美國資料中心的電力消耗將達到全國用電量的 10%。而且這些資料中心的規模完全不是十年前的概念。施密特描述，現在標準的資料中心功率大約 400 MW，建築物半英里長、500 英尺寬，本質上是巨大的氣流機器。內部的 NVIDIA 晶片每顆功耗 2 千瓦，搭配的高頻寬記憶體 HBM3E 和 HBM4 發熱量大到必須用水冷。「這些東西會電死人的，」他半開玩笑地說。

有人會問：演算法效率不是一直在提升嗎？不就越來越省電了？施密特的回答是傑文斯悖論（Jevons Paradox）：歷史上每一次效率提升，最後都導致總消耗量增加而非減少，因為效率改善會催生新的用途。模型壓縮和量化技術確實在進步，但新的應用場景消耗的運算資源永遠跑在前面。他和團隊追蹤了好幾年的 scaling laws，到目前為止看不到曲線趨緩的跡象。「我一直問朋友們，漸近線什麼時候到？曲線什麼時候放慢？還沒有。美國瘋狂的極限是存在的，但我們還沒找到。」

把資料中心搬上太空

電力問題催生了一個聽起來像科幻小說的方案：把資料中心搬到太空。施密特本人是火箭公司 Relativity Space 的執行長暨大股東，所以這個話題他既有利益考量，也有第一手見解。

他的立場很明確：支持。理由也很直接：太空有無限的電力。但他同時誠實地列出了兩個核心挑戰。第一是散熱，太空沒有空氣對流，傳統的風冷方案完全不適用。第二是輻射，高能粒子會損壞晶片。從技術角度來看，兩個問題都有已知的解決方案，不算是根本性障礙。所以真正的問題是一道成本效益的算術題：太空資料中心的優勢（無限電力、不佔地面土地）能不能蓋過劣勢（散熱投資、輻射防護、缺少光纖連線、發射費用）？施密特把這定位成商業判斷，而非技術難題。

九個月前，幾乎沒有人在認真討論太空資料中心。現在它已經變成產業主流議題。節目主持人 Peter Diamandis 指出，這讓每一家有足夠運載能力的火箭公司都有了新的商業計畫。施密特自己也感慨：「我小時候夢想登月和上火星，從來沒想到推動力會是資料中心。」

DeepMind 十年前的一步棋

施密特花了不少時間回顧 Google 收購 DeepMind 的故事，講得比平常坦率。2014 年，Google 以 6 億美元買下這家當時只會玩圍棋的 AI 公司，外界覺得是燒錢。施密特把功勞歸給 Larry Page，說 Page 在史丹佛讀研究所時就研究 AI，「我們一直在這件事上聽他的。」

施密特親自飛到韓國看 AlphaGo 的圍棋對弈。他描述了一個畫面感很強的場景：韓國棋手在一個房間裡，興奮地說要把這群 Google 人打得落花流水。他走到 DeepMind 的房間，非常安靜，螢幕上顯示強化學習的預測勝率，從 50% 開始，慢慢爬到 51%、52%。系統架構師 David Silver 淡淡地說：「它會一路升到無窮大。」然後就真的升上去了。所有人類棋手崩潰，DeepMind 的團隊反應平靜：「嗯，是啊。」

這段回憶的重點不只是圍棋。施密特從中提煉出一個核心概念：AI 需要「驗證函數」，也就是一個清楚定義什麼叫做「好」的標準。圍棋的驗證函數是勝負。蛋白質摺疊的驗證函數是已知的蛋白質結構。DeepMind 能從圍棋跨到蛋白質摺疊，是因為創辦人哈薩比斯（Demis Hassabis）一直想做這件事，而蛋白質摺疊恰好有明確的驗證端點。「這些系統目前還沒有常識，」施密特提醒，「你必須告訴它什麼叫做好。」

另一個值得注意的細節是 TPU。Google 十年前設計的第二代 TPU，採用了一種特殊的矩陣運算架構，結果特別適合做推理（inference）。推理正是所有 AI 實驗室都在搶的能力。施密特認為 Google 因此在推理技術上佔據了戰略優勢，而 NVIDIA 的 Rubin 架構則做到了英特爾一直想做但做不到的事：掌控整個伺服器架構，打造完整的超級電腦。兩家公司都會表現非常好，但路徑不同。

等待一場「小型車諾比」

施密特在 AI 安全議題上的立場，用他自己的話說：是描述性的，不是處方性的。他不是在倡議一場災難，而是在預測一場災難會到來。

他重提了多次公開說過的觀點：可能需要一場悲劇，希望是小規模的，才能喚醒全世界認真面對 AI 的破壞力。他描繪了一個具體情境：一場由 AI 觸發或協助的生物攻擊或核攻擊，迫使各國領袖坐到同一張桌子前面。「我們處於激烈競爭中，我們互相討厭，你不說我的語言，但在這個議題上我們是一體的。」

在更具體的安全問題上，他認為最緊迫的有三件事。第一是青少年問題：「13 歲的孩子因為跟大型語言模型互動而自殺，這不可以。」他的語氣不是政策性的，更像是發自本能的憤怒，必須立刻處理。第二是代理人編排的風險：當不同公司的 AI 代理人組合在一起，可能產生不可預測的連鎖效應。第三是就業衝擊，目前已經在軟體和客服行業開始顯現。

他對解方的看法也很直白。光靠技術圈的人不夠。「為什麼我們沒有讓最聰明的政治學家、歷史學家、心理學家、治理專家和倫理學家一起來處理這件事？」他想要一套反映美國價值（言論自由、結社自由）的 AI 系統，但不是透過減慢速度來實現，而是在全速前進的同時「不踩紅線」。這個立場和他在今年稍早《數位主義者文集》中寫的基本一致，但在節目上聽他說出來，你能感受到一種更直接的急迫感。

我的觀察

施密特在這集節目裡最讓我意外的一句話，不是超級智慧的時間表，而是他對 Claude Opus 4.6 的評價。他是前 Google 執行長，Google 是 Anthropic 的投資者但同時也是競爭對手。他選擇在公開場合用具體的產品名稱和版本號來描述一個非 Google 產品如何改變了整個灣區的工作方式，這不是客套，這是實話。

三週前我們在 AINEXT 上導讀過施密特在《數位主義者文集》裡的兩篇文章，那裡就定義了「舊金山共識」這個概念。但書面文章和節目上的現場對話比起來，後者坦率得多。文集裡他用「兩到五年」這個比較保守的區間，在節目上他把它縮到「兩到三年」。文集裡的措辭是審慎的學術寫作，節目裡他直接說「我完了，我能做的事沒有一件 AI 做不到。」一個 70 歲的前 Google 執行長在公開場合承認自己的程式設計能力已經被 AI 完全超越，這種坦白不常見。

對臺灣開發者來說，最值得注意的是那個「睡覺的程式設計師」故事。它描述的不是未來式，是現在進行式。定義好規格、寫好評估函數、按下執行、去睡覺，隔天早上看結果。這種工作模式已經在灣區新創裡運作了。如果你是臺灣的軟體工程師，問題不是「AI 會不會取代你」，而是「你有沒有能力定義評估函數」。能定義的人變得比以前更值錢，不能定義的人則面臨跟低階勞動一樣的壓力。

施密特說未來會是「少數大公司加大量小公司」的結構。這對臺灣的新創生態其實是好消息。臺灣向來以小團隊靈活著稱，如果 AI 真的讓三五個人就能做出以前需要五十人團隊的產品，那臺灣團隊的相對優勢反而會放大。但前提是，你得跟上 AI 工具的迭代速度。施密特在節目裡說的「學習迴圈」概念很簡單：最快的學習者贏。這場遊戲的入場券不是資金，是學習速度。