圆桌讨论

圆桌讨论：AI 时代的创建者（Builders x AI）

Panel Discussion – Builders x AI

圆桌讨论🎤 主持人（SAIR 主办方代表）；嘉宾：Euwyn Poon（字幕音译 Yuan Tu，Orbital 创始人）、Max（Sid 联合创始人）、Goga（EarthFlow AI 创始人）、Neil（SAIL Research 联合创始人）、Sujan/Sicheng（音译，Mobius 联合创始人、UC Berkeley 博士生）⏱ 28:28👁 NA

▶ 在 YouTube 观看

五位年轻创业者分别在太空算力、搜索、物理基础模型、AI 推理基础设施和持续学习等不同技术栈层级上构建未来 AI 基础设施，并分享彼此的瓶颈、科学与 AI 的结合点以及给年轻人的建议。

核心要点

五位创始人各自攻克 AI 栈的一层：Orbital 做太空数据中心、Sid 做专用搜索模型、EarthFlow AI 做物理基础模型、SAIL Research 做长程智能体推理基础设施、Mobius 做人机协作与持续学习平台。
能源是贯穿所有讨论的核心瓶颈——Orbital 把数据中心搬到近地轨道，用太阳能供电、向太空辐射散热来突破地面电网的算力上限。
嘉宾普遍认为专用模型（类比 GPU）在特定领域能比通用模型（类比 CPU）达到更高的性能上限，因为通用模型无法为了某项能力牺牲编码等核心表现。
科学与 AI 的结合需要分步走：先让模型真正理解人类已知的物理（如 Navier-Stokes 方程与四维世界的对应），再在真实生产规模上验证，最后才谈得上做超越人类知识库的新发现。
创业者共同的教训是‘动作要更快、更早押注自己’，并把‘直接开口提需求’（招人、融资、找客户）作为给年轻自己的核心建议。

分章详解

开场：建设下一个 AI 时代的人

主持人指出上午聚焦于塑造上一个 AI 与科学时代的人物，本场则关注正在构建未来的创建者（builders）。
五位创始人分处技术栈的不同层级，但都在搭建未来 5 年乃至更久所有人都将依赖的基础设施或系统。
主持人强调自己热衷于扶持新兴科学家与领袖，认为这些年轻创始人是同龄人的榜样。

五位创始人的自我介绍与愿景

Euwyn Poon（Orbital）：在近地轨道建造运行 AI 服务器的卫星数据中心，靠太阳能与辐射散热实现行星级算力扩展，以解放人类时间、释放潜能。
Max（Sid）：做‘搜索研究实验室’，主张用极致算力解决搜索；现有方法（网页 PageRank、代码用简单树）依赖大量人工启发式、难以跨域，他们要抛弃人工设计、让模型自己决定如何搜索，从而在任意领域实现近乎完美的搜索。
Goga（EarthFlow AI）：预训练‘物理基础模型’，把人类数百年凝练的支配方程教给 AI；以能源行业为切入市场，帮能源公司做资产管理决策，目标是让模型真正理解四维物理，成为更高效社会的基础层。
Neil（SAIL Research）：为长程智能体（long horizon agents）构建推理基础设施，认为智能体消耗算力的方式与人类用户截然不同，要打造最丰沛、最高效的‘为 AI 而生的计算机’（computers for AI）。
Sujan/Sicheng（Mobius，UC Berkeley Sky Computing Lab 博士生）：AI 正从 copilot 转向 coworker，未来是人类团队与 AI 智能体团队协同；最大瓶颈是‘协调’与‘学习’，他们构建协调与持续学习的基础设施层。

为什么是现在、为什么走这条路

Poon：曾创立解决城市交通拥堵的 Spin（投放数十万辆电动滑板车/单车，后被福特收购），他被大规模问题吸引；能源是当前危机、新建数据中心是巨大瓶颈，太空数据中心用太阳能与辐射散热可在行星级扩展。
Max：解释为何反其道走‘一个模型一个任务’的专用路线——类比 CPU 与 GPU，通用模型不能为某项新能力牺牲编码等表现（如 Anthropic 永远不会做让编码变差的取舍），而专用化能获得远更高的性能上限。
Goga：在斯坦福读完硕博、曾任帝国理工教授两年，意识到自己想造的模型规模在学术界无法实现，加之 VC 开始愿意资助更基础的前沿研究，于是回硅谷创业；强调能在前沿研究与营收之间取得平衡的人才能建成可持续公司。
Neil：在 Nvidia、Apple、Together 做过从芯片、编译器到软件接口的全栈推理；判断未来五年从硅到 API 的整个栈会被一种新型计算替换，这是代际机遇，值得做尽可能深的垂直整合。
Sujan/Sicheng：大模型正从预训练转向后训练/强化学习，必须把模型部署到生产、在真实环境交互并以经验作训练数据；要在‘工作真实发生’的领域闭合 in-context 循环，因此从部署端、持续学习切入。

互选环节：谁的瓶颈最能解锁你

Goga 选 Poon（算力/太空）：语言是一维的就已极耗算力，四维物理需要更庞大算力，现有基础设施不支持，必须大规模压缩、存在规模与复杂度上限；若算力被解决，他们极愿使用这种资源。
Max 选推理（inference）：扩展搜索性能的方式之一是投入极致算力，若用人来做每次查询要花数万美元，而 AI 可穷举式遍历一个人或团队一年所做的一切，长期将消耗海量推理。
Neil：看好并行智能（parallel intelligence）这一新的扩展维度，搜索是其最佳应用之一；他们要让推理足够丰沛高效，使智能体能连续运行数小时、数天甚至数周，并以此支撑 Mobius 的长程智能体方向。
Sujan/Sicheng 选搜索：与其论点契合——在特定领域采集上下文、闭合连接回路、后训练出超越通用模型的专用模型，这正是部署后/持续学习范式的例子。
Poon：自处技术栈最末端，他最需要的是‘发射’能力——谁能把他们送上轨道；现场以幽默呼应。

科学与 AI 在哪里相连、又在哪里仍割裂

Neil：科学是智能体尚不擅长的新颖发现领域；把研究框定为搜索问题，尤其从数学、物理等可验证领域入手，随算力预算增加能获得实质更好的结果。
Goga：在能做‘发现’之前要先走两步——第一步教模型理解人类已知物理（模型记得 Navier-Stokes 的 LaTeX 写法，却不懂它与四维世界如何对应）；第二步是验证，且要从实验室规模走向真实生产规模（如哪种火箭最优、如何在地下储存 CO2 同时取能，都需现实验证），之后才能做超越全人类知识库的发现。
Max：要在前沿做贡献，先得找到前沿；他举例朋友为一个数学证明卡了三个月，教授的朋友路过提示了三篇 1980 年代的论文，一个下午就证完了——很多科学问题都在重做已知/可知的答案，找出前沿的成本太高，若解决此瓶颈，人人都能在前沿贡献。
Poon：太空业务完全基于第一性原理，面板尺寸等都可计算，并用更好的材料持续逼近极限，希望借 AI 解锁新发现。
Sujan/Sicheng：很多领域（生物、数学等）的博士研究都在读论文、提假设、做实验；他们要建‘协作工作空间’，让研究者与 AI 协作者/AI co-scientist 一起管理流程，让做研究与发现更容易。

近 12 个月的教训与改变

Poon：最大教训是没有更早发现机会——意识到一切最终都回归能源，因而选择 Orbital，遗憾没在 12 个月前就开始。
Max：‘更早锁定 GPU 采购承诺’；不要在需求上过度保守，一旦找到可行的东西就要更快地把它做成。
Goga：从学术界的‘稀缺心态’转向创业的‘充裕心态’——学术界要把想法弯折去迎合资助和话术；创业要直接去和客户谈，能在半年内启动的对话才值得花时间，不必死守少数稀缺机会。
Neil：作为首次创业者要学会更有效地授权，避免事必躬亲滑向微观管理；自己是工程师出身，更要退出核心工程回路，别让重要工程被 CEO 卡住。
Sujan/Sicheng：要想得更远更大，因为变化太快、几个月前的假设可能因新模型或新技术发布而过时；应制定一两年的大方向与宏大使命，不要过度陷入当前技术细节，技术问题靠强团队可解。

给年轻自己的建议

Poon：玩笑式说‘晚点出生以便用上现在的 AI’，引申为每个人都该深入钻研 AI、动手让 Claude 等为自己工作，理解模型与推理；身处硅谷震中是幸运。
Max：更早、更激进地押注自己；年轻时容易把一切都当作需权衡的选项，但内心通常知道什么是对的；职业建议是‘找到像摩尔定律那样增长最快的东西去做’——70 年代是芯片，之后是软件、互联网，如今几乎一定是 AI。
Goga：相信年轻人能搞定技术，他的建议落在人际关系上——要直接，想要什么就直接开口，很多事（招人、融资、客户机会）不主动开口就不会发生。
Neil：在斯坦福被众多天才包围、想做最好者压力巨大；与其在单一领域争第一，不如在两个兴趣的交叉处（如芯片设计与机器学习系统软件）做到极致，从而独一无二，最有趣的合作往往发生在交叉点。
Sujan/Sicheng：引用 Steve Jobs 少年时直接打电话向惠普创始人开口要零件的故事——想做就大胆开口，希望自己在青少年时就懂这一点。
收尾：主持人感谢嘉宾，提到与 UCLA 合作筹建 AI 创新中心，期待未来邀请这些创始人到南加州分享。

关键引述

“一切到头来都回流到能源。（everything just flows back to energy at the end of the day）”— Euwyn Poon（Orbital）

“Anthropic 永远不会做任何让编码变差的取舍；而走专用化路线，就像 GPU 一样，你能获得高得多的性能上限。”— Max（Sid）

“模型记得 Navier-Stokes 方程的 LaTeX 表达式，却并不真正理解它如何与我们的四维世界相对应——教会这一联系，是做发现之前必须先迈出的第一步。”— Goga（EarthFlow AI）

“我们其实在花大量时间重做那些早已被做过、答案已知或可知的事；若能解决‘找到前沿’这个瓶颈，每个人都能在前沿做出贡献。”— Max（Sid）

“很多事不主动直接开口就不会发生——无论是招人、融资还是客户机会。要直接。”— Goga（EarthFlow AI）

术语 / 人物

Orbital（Euwyn Poon） — 在近地轨道部署 AI 数据中心卫星的创业公司，靠太阳能供电、向太空辐射散热，专注 AI 推理；创始人 Euwyn Poon 此前创立微出行公司 Spin（后被福特收购）。

Sid（Max） — 专注‘搜索’的研究实验室，主张用极致算力替代人工启发式，让模型自主决定如何搜索，目标是在任意领域实现近乎完美的搜索。

EarthFlow AI（Goga） — 预训练‘物理基础模型’的公司，把支配方程等人类物理知识教给 AI，以能源行业为切入市场，目标让模型理解四维物理。

SAIL Research（Neil） — 为长程智能体构建推理基础设施的公司，提出‘为 AI 而生的计算机’，追求丰沛高效的智能体推理，使其能连续运行数小时至数周。

Mobius — 由 UC Berkeley Sky Computing Lab 博士生联合创立的初创公司，构建人类团队与 AI 智能体团队协作的协调与持续学习基础设施。

专用模型 vs 通用模型（GPU 对 CPU 类比） — 通用模型如 CPU 什么都能做但难为单任务做极致取舍；专用模型如 GPU，聚焦单一任务可获得远更高的性能上限。

Navier-Stokes 方程 / PDE — 描述流体运动的偏微分方程，是人类数百年科学凝练的支配方程之一；嘉宾用它说明让 AI 真正理解物理而非仅记住公式形式的难度。

持续学习 / 后训练（post-training） — 把模型部署到真实生产环境、用智能体与环境交互产生的经验作为训练数据持续改进的范式，强调闭合 in-context 循环。

背景补充

本场为 SAIR（科学与 AI 研究基金会，由陶哲轩等联合创立）主办的科学与 AI 峰会中的‘Builders x AI’创业者圆桌。嘉宾之一 Euwyn Poon（字幕音译 Yuan Tu）此前创立微出行公司 Spin，向上百个城市投放数十万辆电动滑板车/单车，2018 年被福特收购；其新公司 Orbital 计划在近地轨道部署最多上万颗搭载 Nvidia 服务器的数据中心卫星，靠 24 小时太阳能与太空辐射散热突破地面电网瓶颈，专注 AI 推理，并获 a16z Speedrun 等种子轮投资、首发任务 Orbital-1 计划由 SpaceX 猎鹰 9 号发射。其余嘉宾分别来自搜索（Sid）、物理基础模型（EarthFlow AI）、AI 推理基础设施（SAIL Research）与人机协作/持续学习（Mobius，UC Berkeley Sky Computing Lab）等方向，整体勾勒出 AI 基础设施栈不同层级的前沿创业图景。

适合谁看

适合关注 AI 基础设施、前沿创业与科学+AI 交叉的创业者、投资人、研究者与工程师，尤其是想了解算力/能源、专用模型、物理基础模型、长程智能体推理与持续学习等趋势，并希望从年轻创始人处获取创业经验与人生建议的读者。