Appearance
Nebius联合创始人深度解析AI基础设施泡沫与四层算力演进 | 访谈实录
原文标题: Nebius Co-Founder on AI Infrastructure Bubbles | Edited Transcript 来源: The Transcript Desk
💡 核心观点
- Nebius联合创始人Roman Chernin认为当前AI基础设施并非泡沫，智能成本的下降不仅不会削弱市场需求，反而通过“杰文斯悖论”（Jevons Paradox）催生出更复杂的应用场景与庞大的推理需求。
- AI基础设施正从传统的“兆瓦/裸金属”和“GPU小时/托管云”，向“Token级/托管推理”乃至“智能体（Agent）工作流”四层架构演进，推理优化与软硬件全栈一体化将成为降低企业AI落地门槛的关键。
- 对AI算力提供商而言，最大的战略风险并非同业竞争，而是整个生态走向少数超级巨头高度垄断的集中化；通过全栈技术服务多元化的客户组合，是保持企业长期竞争力的核心。
📖 中文全文
嘉宾与对话背景
罗曼·切尔宁（Roman Chernin） 是 Nebius 的联合创始人兼首席商务官。Nebius 是全球增长最快的 AI 基础设施公司之一，运营着全球最大的 AI 计算集群，服务于顶尖 AI 实验室、企业和开发者。目前 Nebius 的市值已达约 660 亿美元。本期访谈由《The Transcript Desk》主理人 哈里·斯泰宾斯（Harry Stebbings） 对谈。
00:02-01:47 基础设施泡沫与发展阶段
Roman Chernin：我们处于一场资本密集型的博弈中，与全球资金最雄厚的公司展开竞争。我们今年的资本支出计划为 200 至 250 亿欧元。而我们的超大规模云计算（Hyperscaler）竞争对手规模是我们的八倍。
Harry Stebbings：AI 基础设施竞赛已经拉开序幕，CapEx（资本支出）达到了前所未有的高度。而 Nebius 正处于这一浪潮的中心。今天，Nebius 的联合创始人加入我们，这家公司市值已扩张至 660 亿美元，与全球顶尖的超大规模云计算巨头正面交锋。
Roman Chernin：在未来六个月里，资本帮不了你。六个月的时间太短了。你手里有什么，就必须交付什么。 Nebius 作为一家企业面临的主要威胁是，世界变得过于集中。
Harry Stebbings：今天，我们将揭开 AI 基础设施泡沫的真相以及更多内容。
Roman Chernin：这就像鲨鱼：你只有不断游动才能生存。所以我们必须保持前行。
Harry Stebbings：我很荣幸能邀请到 Roman Chernin…… Roman，我非常期待这次对话。我认为 Nebius 是过去几年中最不可思议的故事之一。感谢你来到我们的节目。
Roman Chernin：谢谢你的邀请，很高兴来到这里。
Harry Stebbings：我想从很多人关心的核心问题开始：我们目前处于 AI 基础设施周期的什么阶段？许多人看到资本疯狂涌入后表示“这是泡沫”，而另一些人则认为“这才刚刚开始”。你认为我们现在处于 AI 基础设施泡沫中吗？
01:47-04:11 为什么 AI 基础设施不是泡沫
Roman Chernin：不，我不认为这是泡沫。这取决于你如何定义“泡沫”。但我坚信我们需要建设数十倍甚至数百倍于现在的基础设施。
我可能带有偏见——如果不相信这一点，我大概就不会在这个行业里了。但我认为我们才刚刚处于这个伟大时刻的起点。黄仁勋称之为“有用 AI”（useful AI），我们才刚刚开始迎来真正的普及应用。
说实话，在所有潜在的应用场景中，我们可能只有一种场景在规模化落地方面真正奏效了，那就是编程（Coding）。每个人都在谈论编程，而它也是在几个月前才真正见效的。
让我们客观来看：距离我们获得第一个能够规模化运行的场景才过去几个月。我们开始看到它在各处得到应用，但我认为未来会出现多得多的应用场景和更广泛的渗透。
如果你观察当今世界上几乎任何一家公司——也许剔除那些跑得最快的初创公司——去审视它们的 AI 采用率，你会发现它们仅在最前端 1% 的工作负载和 1% 的场景中使用了 AI。
即便是技术领先的大型企业也才刚刚起步。这告诉我，我们正处于早期阶段。哪怕你不完全相信埃隆·马斯克关于未来、太空等所有宏图，单从企业落地应用的角度来看，我们也依然在迈出第一步。
04:11-07:54 开源模型对 OpenAI 和 Anthropic 的真实冲击
Harry Stebbings：我完全赞同你的观点。但如果我对你说的每一件事都表示赞同，讨论就会变得很无聊。
过去 6 到 12 个月里，我们看到编程领域确实见效了。但有一种观点认为，随着使用前沿模型（Frontier Models）的成本变得过于昂贵，企业将转向本地托管的开源模型。如果发生这种情况，难道不会损害像 OpenAI、Anthropic 这样的模型提供商以及 Nebius 吗？为什么这种观点是错的？
Roman Chernin：首先，我不认为这是“未来”——它在“今天”就已经在发生了。
我们看到的是，当客户或产品构建者达到一定规模时，他们会开始寻找改善经济性、加速增长的方法。那时，他们中的许多人就会开始考虑替代模型。
在今天，构建产品的最佳方式显然是从 OpenAI、Anthropic 和 Google 等顶尖提供商的前沿模型开始。它们提供了世界上最强大的能力。
但是，一旦你理解了具体的使用场景，看到了用户采用，并建立了客户数据闭环，你就可能会找到一种更便宜——或者不一定更便宜，但质量更高的——方式来服务同一个场景。你可能不再需要世界上最好的通用模型，而是可以创建一个针对特定场景表现更好的专用模型。
这就是你可能会从封闭的前沿模型转向开源模型的时候。关于这些模型，最重要的不仅在于它们是开源的，还在于它们是可微调和可训练的。你可以对它们进行后训练（post-training），打造出一个在特定环境下表现更好的专用模型。
我们在很多场景中都看到了这一点。但这为什么没有伤害 Anthropic 和 OpenAI 呢？因为他们会迈向下一个前沿领域。
回到前一个观点，现在依然有极其多未被解决的任务——而且这些任务的解决并不一定受限于预算。一年前我们在 DeepSeek 身上看到了这一点，现在依然能看到。每次我们找到一种更高效的方式来解决某项任务时，我们就会同时开始去解决更复杂的任务。
这是一个持续的旅程。你总是在推向前沿，总是有更复杂的问题等待解决。一旦解决了，你可以降价或提升质量。但未解决的问题如此之多，以至于 Anthropic、OpenAI 以及所有其他前沿模型提供商依然拥有庞大的未开发市场，他们将继续保持指数级增长。
07:54-09:12 市场总量的增长空间
Harry Stebbings：你认同这种逻辑吗？这些公司在许多情况下的估值被赋予了极高的预期（甚至达到上万亿美元）。如果他们创造的价值不断被蚕食，必须持续从一个价值源泉跳跃到下一个，而开源模型又在背后不断赶超，那他们就必须不断寻找新问题去解决。这可是一种非常艰难的发展模式。
Roman Chernin：实际上，大多数人担心的反而是另一面：我们是否有足够强大的开源生态系统和足够强大的专用模型来构建这个“底座”？
我认为我们仍处于应用普及的极早期阶段，还有太多未解难题。这实际上是“市场总体蛋糕”有多大的问题。未来有足够的空间去解决大量任务。前沿能力、针对具体场景高度微调的模型，以及可以在其之上构建以获得经济与性能优势的整个开源和专用模型世界，都有足够大的蛋糕供大家分享。
09:12-11:15 杰文斯悖论：为什么更便宜的 AI 会创造更多需求？
Roman Chernin：你提到每次模型变便宜都会伤害业务。我最喜欢的一段经历发生在大约 15 个月前，也就是 DeepSeek 引爆市场的时刻（如果你们还记得的话）。
在 2025 年 2 月或 3 月的某一周里，Nebius 的股票暴跌了 40%。但在那同一周里，我们却迎来了公司历史上销售业绩最好的一周。资本市场担心市场正在下滑，像 Nebius 这样的基础设施公司将不再被需要，因为如果 AI 变得如此便宜，也许这就是个泡沫。
然而在同一时刻，我们迎来了商业上最好的一周。虽然当时我们还处于发展早期，但大量客户意识到他们可以在生产环境中用 DeepSeek 运行推理，而且经济效益完全行得通。与此同时，Cursor 开始飞速增长。我认为他们是最早从针对编程等场景微调模型中受益的代表之一。
每次当智能变得更便宜时，我们不仅没有减少消耗——反而增加了消耗。我们可以用相同的预算解决更复杂的任务，或者终于能够在经济上可行地解决那些我们早已知道可能、但因成本过高而无法规模化落地的任务。观察这些经济效益改善的过程非常有趣。
Harry Stebbings：说到杰文斯悖论（Jevons Paradox）——即提高效率反而带来更多需求——你们现在在哪些方面移动得不够快？你希望在哪些方面加速？
11:15-13:08 AI 基础设施的四层架构阐释
Roman Chernin：所有方面。
当我们思考如何建设公司时，我们会从四个维度来讨论。维度一是物理容量（Capacity）：部署多少兆瓦（MW）、吉瓦（GW）以及多少 GPU。作为一家基础设施公司，我们必须规模庞大。如果你不够大，就没有存在的价值。这是物理世界的扩张。
团队做得非常出色，但永远不够。你总是希望尽可能快地推进，但现实世界中有很多复杂情况有时会阻止这一点。要启动一个新的数据中心，你必须应对整个供应链、监管审批、火灾、洪水——现实世界中发生的一切。这是第一个维度。
第二个维度是产品（Product）。你需要足够快地迭代，以应对涌入市场的全新类型工作负载和全新类型客户。
试想一下：我们的 AI 旅程始于模型构建者——像 OpenAI、超大规模云计算巨头、大型实验室等。他们对基础设施提供商的需求基本上就是纯粹的计算能力（Compute）：把基础设施交给他们就行。我们在市场上看到很多这种大型裸金属（bare-metal）交易，我们也做这类业务。
但这只是我们构建的第一层：规模化的物理基础设施，能够被 Meta 或微软这样的客户大量消耗。这就是第一层。
13:08-16:27 从兆瓦级到托管推理与智能体
Roman Chernin：第二层是我们所说的多租户云（Multitenant Cloud）。它依然服务于重度研发团队，但现在有成百上千个团队不想去处理物理基础设施。他们想要托管基础设施——即传统的“基础设施即服务”（IaaS）云计算模式。
你拥有存储、计算、网络、虚拟化、API、可观测性、安全性——普通团队对云平台期望的一切。登录系统、创建集群，然后开始训练或运行推理。你自行管理应用或工作流，基础设施则交由我们托管。
第一层是用“兆瓦”（Megawatts）来对话的。如果你看到某人与 Meta、微软或 OpenAI 签署了大单的新闻，大家谈论的是兆瓦。你交付的是兆瓦级的算力。
而谈到托管云时，大家谈论的是“GPU 小时”（GPU hours），因为这是你销售的核心单位：高效的计算时数，以及存储和补充服务。但你买的依然是托管计算。
我们正在构建的第三层是托管推理（Managed Inference）。客户不想再以“GPU 小时”来思考问题。他们不想去琢磨 B200、H200 还是 B300 更适合某种特定的工作负载。他们不想自己去管理 vLLM 或 SGLang 的部署并做所有优化。
这就是我们的产品——Nebius Token Factory 展现价值的地方。它是一个托管推理平台。它服务于一种新型客户——主要是我们所说的“垂直 AI 公司”和“企业”。真正构建产品的人并不构建模型，他们是在模型之上构建产品。这与你之前提到的专用模型和开源模型息息相关：当他们需要从 Anthropic 切换或实现模型多样化时，他们需要一种新的基础设施原语（Primitive）——一种全新的平台层。
现在，我们用“Token”来对话。你不再为 GPU 付费，你消耗的是 Token，你可以构建应用而无需思考底层的算力集群。这是我们今天所处的位置。
但我认为这还不是终点。人们现在正在构建**智能体应用（Agentic Applications）**和工作流。当你构建一个端到端的 Agent 时，你甚至可能不会去想具体的模型或想生成的 Token 数量。你只希望端到端任务能够被高效执行并交付预期结果。
平台能提供的魔力在于替你思考：对于这次具体的调用，哪个模型最好？你需要使用最聪明的模型吗？或者，在相同的推理预算内，你是否可以询问两个较轻量级的模型，然后用一个裁判模型（Judge model）来选择最佳结果？你应该使用多大的上下文窗口等等？
这就是第四层，开发者甚至可能不再以具体的 Token 类型来思考，而是以任务的端到端执行来思考。
16:27-18:49 优化引擎与平台价值
Harry Stebbings：所以第四层是 OpenRouter 的直接竞争对手？
Roman Chernin：我们在这一层希望带来的——正如我们在下面几层所做的那样——是一个优化引擎。
你可以使用任何数量的开源或专有工具来构建你的 Agent。但当你需要将其规模化时，你就会开始思考经济性、可靠性和可重复执行性。到那个阶段，这不仅是一个模型选择问题或结果问题，而是一个系统工程问题。你需要使其可靠、可重复且在经济上可行。
这正是 Nebius 能够创造价值的地方。我们不会告诉人们如何构建他们的应用程序。我们说的是：如果你需要这个模型在特定的经济指标下为你服务，我们会帮你进行优化。
对于 Agent 来说也是如此。如果你需要一个 Agent 在特定的预算和质量门槛内端到端运行，也许我们可以帮你优化它。
需要明确的是，这目前是对未来的展望与推演，并非我们已经现成的产品。但这是我们看到的客户演进趋势，也是我们认为可以创造下一层产品供给的方向。
18:49-20:46 假设拥有 10 倍产能
Harry Stebbings：我非常喜欢这些阐释。我想梳理你提到的四个支柱。第一：产能（Capacity）。如果你今天拥有 10 倍的产能，会有什么不同？你能一夜之间卖掉它吗？
Roman Chernin：问得好。不是在一夜之间，但我们绝对会有对应的需求。
对我们来说，核心问题不在于是否有需求，而在于我们如何构建需求的组合（Portfolio），因为市场上有许多不同类型的客户可以互相平衡。
再次回到产品的四个层级：你可以出售裸金属、托管基础设施、推理，以及未来可能的新产品层。我们所尝试做的是构建一个多元化的客户组合。
我们相信，在产品栈中向上移动得越高，我们为客户创造的潜在价值就越大。而且产品栈越往上，我们可以服务的客户群体规模就越大。
在裸金属层面，全球可能只有十几家客户可以合作；在托管基础设施层面，有几百家；在推理层面，有数千家；而在智能体应用层面，将有数以万计的开发者在构建产品。
Harry Stebbings：关于客户组合，我很认同。对于产能，你希望客户足够大以产生实质业务，但又不能过大导致业务对其产生严重依赖。
考虑到这种张力，对于像 Meta 或微软这样的客户，你所能接受的收入集中度（Revenue Concentration）是多少？
20:46-23:02 客户集中度与全栈战略
Roman Chernin：这是一个极好的问题，可以说是我们业务的核心问题之一——不仅对 Nebius 如此，对整个产品品类都是如此。
我们一直向公众、投资者和客户明确表示，Nebius 的长期策略是服务于尽可能多元化的客户组合。我们尽最大努力与许多客户合作。
实际上，如果你服务于全球像 Meta 或微软这个
🔗 原文链接
https://thetranscriptdesk.substack.com/p/nebius-co-founder-on-ai-infrastructure