AI 三大约束
解决什么问题
分析 AI 这波浪潮的瓶颈在哪里、价值会流向哪里。Jeetu 的提问方式本身可复用："如果 AI 是最大的浪潮，那什么东西能把它拖住（hold back）？"——答案就是基础设施层的机会地图。
核心内容
三个可能拖住 AI 的约束：
- 基础设施约束：世界上没有足够的电力、算力和网络带宽来满足 AI 的需求。配套的技术演进逻辑：模型先是大到单块 GPU 放不下 → 8 卡服务器 → 整机架互联 → 机架集群互联 → 如今相距数百公里的多个数据中心要作为一个完全同步的 coherent cluster 跑同一个训练任务。"connected together 是关键词"——GPU 不联网就没有 AI，这是网络层价值的来源。
- 信任赤字：人们不信任的系统就不会被使用。金句判据："写诗的时候幻觉是 feature，跑可预测系统的时候幻觉是 bug。"模型非确定性，安全与保障必须被设计进去，而不是事后贴上。
- 数据缺口：互联网上公开的人类生成数据即将耗尽。下一阶段的差异化来自三类数据：企业自有的专有数据、合成数据、机器数据（machine data）——其中机器数据增长最快。
引申判断（同一段对话）：目前"AI = 生产力工具 + 数据聚合器"的用法只是"冰山尖上的 0.0001%"；接下来是 AI 产出人类知识库中不存在的原创洞见，以及物理世界能力向人类的增强——前提是这些能力"为人类工作"，对 AI 的自我目标设定要保持 guardrails。
适用边界
- 这是卖网络/安全/可观测性设备的公司的战略叙事，三个约束恰好对应 Cisco 的产品线——框架本身有用，权重需自行校准。
- "数据耗尽"论断在业内有争议（合成数据的有效性等），此处按原文记录。
关键引述 · 原话
"Hallucination is a feature when you're writing poetry, but when you're trying to go out and run predictable systems, hallucination can be a bad thing." — Jeetu Patel
"It used to be that you could train a model on a single GPU... and now you have these data centers that might be hundreds of kilometers apart that need to operate like one coherent cluster." — Jeetu Patel
关联卡片
- "什么会拖住浪潮"的提问法可迁移到任何 megatrend 分析（配合 six-factor-company-test--jeetu-patel 的 timing 判断）。 - 信任赤字与 evals/安全类卡片（ai-evals-error-analysis-lifecycle--hamel-husain、lethal-trifecta--simon-willison）相接。
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2