Tidigare i veckan satte sig fem personer från varje lager av AI-försörjningskedjan på Milken Global Conference i Beverly Hills för att diskutera allt från chipbrist till orbitaldatacenter till möjligheten att hela arkitekturen bakom tekniken är fel.
På scen på TechCrunch: Christophe Fouquet, VD för ASML. ASML är ett holländskt företag som innehar exklusiva rättigheter till extrem ultraviolett litografiutrustning som inte skulle existera utan moderna chips. Google Cloud COO Francis D’Souza övervakar en av de största infrastruktursatsningarna i företagets historia. Qasar Younis, medgrundare och VD för Applied Intuition, ett fysik-AI-företag på 15 miljarder dollar som började med simulering och sedan gick in i försvaret. Dimitry Shevelenko, affärschef för Perplexity, ett AI-infödd sökagentföretag. Och kvantfysikern Yves Bodnia lämnade akademin för att utmana de grundläggande arkitekturerna som de flesta av AI-industrin tar för givna med hennes startup, Logical Intelligence. (Yan LeCun, tidigare chefsforskare för AI på Meta, skrev på som grundande ordförande för teknologiforskningskommittén tidigare i år.)
Vad de fem personerna sa är följande.
Flaskhalsen är verklig
AI-boomen har nått sina fysiska gränser, och dess begränsningar börjar längre fram än många inser. Fouquet var den första som talade och beskrev den ”stora accelerationen i chiptillverkning” och uttryckte sin ”starka övertygelse” att trots ansträngningar ”kommer marknaden att vara begränsad i utbudet under de kommande två till tre, kanske fem åren.” Det betyder att hyperskalare som Google, Microsoft, Amazon och Meta inte kommer att kunna få alla marker som täcker hela priset de betalade.
DeSouza betonade hur stort problemet är och hur snabbt det växer, och påminde publiken om att Google Clouds intäkter ökade med 63 % förra kvartalet till mer än 20 miljarder dollar, medan dess orderstock (intäkter som har utlovats men ännu inte levererats) nästan fördubblades under ett kvartal, från 250 miljarder dollar till 460 miljarder dollar. ”Efterfrågan är verklig”, sa han med imponerande lugn.
För Yunis kommer begränsningarna främst från andra håll. Applied Intuition bygger autonoma system för bilar, lastbilar, drönare, gruvutrustning och försvarsfordon, men flaskhalsen är inte kisel. Detta är data som bara kan samlas in genom att skicka maskiner till den verkliga världen och se vad som händer. ”Du måste hitta det från den verkliga världen,” säger han, och ingen mängd syntetisk simulering kan helt stänga det gapet. ”Det kommer att ta lång tid innan vi fullt ut kan träna en modell som fungerar heltäckande på den fysiska världen.”
tech crunch event
San Francisco, Kalifornien
|
13-15 oktober 2026
Energiproblemen är också allvarliga
Om chips är den första flaskhalsen, hotar energin tätt bakom. DeSouza erkände att Google överväger datacenter i rymden som ett seriöst svar på energibegränsningar. ”Vi kommer att ha tillgång till mer riklig energi,” påpekade han. Naturligtvis, även i omloppsbana, är det inte så enkelt. Eftersom universum DeSouza observerade är ett vakuum, finns det ingen konvektion, och det enda sättet att frigöra värme till den omgivande miljön är genom strålning (en process som är mycket långsammare och svårare att designa än de luft- och vätskekylsystem som dagens datacenter förlitar sig på). Men företaget behandlar det fortfarande som ett legitimt pass.
Den djupare diskussion de Sousa förde, något föga överraskande, handlade om effektivitet genom integration. Googles strategi att samkonstruera kompletta AI-stackar, från anpassade TPU-chips till modeller och agenter, erbjuder fördelar i floppar per watt (mer beräkning per energienhet) som företag som köper komponenter från hyllan inte kan matcha, föreslog han. Han sa att ”att köra Gemini på en TPU är mycket mer energieffektivt än andra konfigurationer” eftersom chipdesigners vet vad som kommer att finnas i deras modeller innan de skickas.
Fouquet gjorde en liknande poäng senare i sin diskussion. ”Ingenting kan vara dyrbart,” sa han. Branschen befinner sig just nu i en märklig tid, med extraordinära mängder kapital som investeras drivet av strategisk nödvändighet. Men mer datoranvändning betyder mer energi, och mer energi har ett pris.
olika typer av intelligens
Medan andra industrier diskuterar skala, arkitektur och slutledningseffektivitet inom det storskaliga språkmodellparadigmet, bygger Bodnia något helt annat.
Hennes företag, Logical Intelligence, bygger på så kallade energibaserade modeller (EBM), en typ av AI som försöker förstå de underliggande reglerna för data snarare än att förutsäga nästa token i en serie, som hon hävdar på något sätt är närmare hur den mänskliga hjärnan faktiskt fungerar. ”Språket är användargränssnittet mellan min hjärna och din hjärna”, sa hon. ”Inferens i sig tillhör inte något språk.”
Hennes största modeller körs med 200 miljoner parametrar, jämfört med hundratals miljarder parametrar i ledande LLM:er, och hon hävdar att de går tusentals gånger snabbare. Ännu viktigare är att den är utformad för att uppdatera sin kunskap när data ändras, snarare än att kräva omskolning från början.
Hon hävdar att EBM är en mer naturlig passform inom chipdesign, robotik och andra områden där system behöver förstå fysiska regler snarare än språkliga mönster. ”När du kör bil letar du inte efter mönster i språket, du ser dig omkring, förstår reglerna om världen omkring dig och fattar beslut.” Det här är en intressant diskussion, och en som sannolikt kommer att få mer uppmärksamhet under de kommande månaderna, eftersom AI-fältet börjar ifrågasätta om enbart skala är tillräckligt.
Agenter, skyddsräcken och förtroende
Schevelenko ägnade mycket av samtalet åt att förklara hur förvirring utvecklades från en sökprodukt till vad som nu kallas ”den digitala arbetaren”. Dess senaste produkt, Perplexity Computer, är inte utformad som ett verktyg för kunskapsarbetare att använda, utan som en anställd för kunskapsarbetare att styra. ”Jag vaknar varje dag och jag har 100 personer i mitt lag”, sa han om möjligheten. ”Vad ska du göra för att få ut det mesta av det?”
Det är ett övertygande försäljningsargument. Det väckte också uppenbara frågor om kontroller, så jag frågade dem. Hans svar var ”granularitet”. Företagsadministratörer kan ange vilka anslutningar och verktyg som agenter har åtkomst till, samt om dessa behörigheter är skrivskyddade eller läs/skriva. Denna distinktion är mycket viktig när agenter verkar inom företagssystem. När Comet, Perplexitys datoragent, utför en åtgärd för din räkning, presenterar den först en plan och ber om ditt godkännande. Shevelenko sa att även om vissa tycker att denna friktion är irriterande, tror han att den är väsentlig, särskilt sedan han gick med i Lazards styrelse, och sa att han oväntat har kommit att känna empati med CISO:s konservativa instinkter att skydda ett 180 år gammalt varumärke som helt bygger på kundernas förtroende. ”Granularitet är grunden för god säkerhetshygien,” sa han.
Suveränitet, inte bara säkerhet
Younis erbjöd vad som troligen var panelens mest geopolitiska syn: att fysisk AI och nationell suveränitet är sammanflätade på ett sätt som aldrig funnits med rent digital AI.
Internet blev ursprungligen populärt som en amerikansk teknik, men fick bara motreaktioner i applikationslagret (Uber, DoorDashes) när offlineeffekter blev synliga. Fysisk AI är annorlunda. Självkörande bilar, försvarsdrönare, gruvutrustning, jordbruksmaskiner och mer kommer till den verkliga världen på ett sätt som regeringar inte kan ignorera, vilket väcker frågor om säkerhet, datainsamling och vem som i slutändan kontrollerar systemen som fungerar inom deras gränser. ”Nästan konsekvent har varje land sagt detta: Vi vill inte att den här informationen ska vara fysiskt vid våra gränser och kontrolleras av andra länder”, sa han till publiken och tillade att det för närvarande finns färre länder som kan använda robotaxlar än det finns kärnvapen.
Fouquet målade det lite annorlunda. Kinas AI-framsteg är verkliga, och lanseringen av DeepSeek tidigare i år orsakade nästan panik i vissa delar av branschen. Dess framsteg är dock begränsade under modellskiktet. Utan tillgång till EUV-litografi kan kinesiska chiptillverkare inte producera banbrytande halvledare, och modeller byggda på äldre hårdvara fungerar under ännu sämre förhållanden, oavsett hur bra programvaran är. ”I dag i USA har vi data, vi har tillgång till datorer, vi har markerna, vi har talangen. Kina gör ett mycket bra jobb utöver det, men undertill saknas det några bitar”, sa Fouquet.
generationsfrågor
Nära slutet av vår panel ställde någon i publiken en klart obekväm fråga. Kommer allt detta att påverka nästa generations kritiska tänkande?
Som du kan förvänta dig från människor som har satsat sina karriärer på denna teknik, var svaret optimistiskt. DeSouza var snabb med att peka ut omfattningen av problemet som mänskligheten så småningom kunde ta itu med med kraftfullare verktyg. Tänk på neurologiska sjukdomar vars biologiska mekanismer ännu inte förstås, avlägsnande av växthusgaser och elnätsinfrastruktur som har försenats i decennier. ”Detta borde ta oss till nästa nivå av kreativitet,” sa han.
Mr. Shebelenko gjorde en mer pragmatisk poäng. Ingångsjobb kanske håller på att försvinna, men möjligheten att starta något självständigt är mer tillgänglig än någonsin. ”För dem som äger en Perplexity Computer är den enda begränsningen din egen nyfikenhet och självständighet.”
Younis gjorde den tydligaste skillnaden mellan kunskapsarbete och manuellt arbete. Han pekade på det faktum att den genomsnittliga amerikanska bonden är 58 år och att bristen på arbetskraft inom gruvdrift, långdistanstransporter och jordbruk är kronisk och växande. Inte för att lönerna är för låga, utan för att folk inte vill ha de här jobben. Fysisk AI kommer inte att ersätta motiverade arbetare inom dessa områden. Det fyller ett tomrum som redan finns, och det ser ut som att det bara kommer att bli djupare.
Om du köper via länkar i våra artiklar kan vi tjäna en liten provision. Detta påverkar inte det redaktionella oberoendet.
