Nvidia's Jensen Huang bets on this British startup to build 'next frontier' of AI¶

Ch01.019 Nvidia's Jensen Huang bets on this British startup to build 'next frontier' of AI¶

📊 Level ⭐ | 10.2KB | entities/nvidias-jensen-huang-bets-on-this-british-startup-to-build-next-frontier-of-ai.md

核心要点¶

Published Time: 2026-05-13T13:00:01+0000

文章概要¶

Nvidia 宣布与英国 AI 创业公司 Ineffable Intelligence 建立战略合作伙伴关系，共同开发新一代 AI 系统。这家成立于 2025 年底的初创公司由前 Google DeepMind 强化学习团队负责人 David Silver 教授创立，专注于通过强化学习（reinforcement learning）让 AI 系统从经验中自主学习，而非依赖人类数据。 2026 年 4 月，Ineffable Intelligence 宣布完成 11 亿美元种子轮融资，由红杉资本（Sequoia）和 Lightspeed 联合领投，Nvidia、Google、英国主权 AI 基金（U.K. Sovereign AI Fund）等参与跟投。 Jensen Huang 表示：「AI 的下一个前沿是超级学习者（superlearners）—— 能够从经验中持续学习的系统。我们很高兴与 Ineffable Intelligence 合作，共同设计大规模强化学习的基础设施。」

深度分析¶

1. 强化学习范式转移：从"模仿人类"到"自主发现" 当前主流 AI 模型（如 GPT 系列、Gemini 等大语言模型）的训练范式本质上是基于人类已有知识的压缩与复现——通过海量人类生成的文本、代码、图像进行监督学习或自监督学习。David Silver 在接受 CNBC 采访时明确指出：「研究者们已经解决了 AI 中较简单的问题——如何构建知道人类已知事物的系统。但现在我们需要解决更难的问题——如何构建能为自己发现新知识的系统。」这一表述直指当前 LLM 范式的根本局限：它们是极其高效的知识复现者，却无法产生真正的原创性发现。强化学习驱动的 AI 则另辟蹊径——通过与环境的交互、试错、奖励信号来构建知识，这正是 AlphaGo 能在围棋上超越人类的关键技术路径。 2. Nvidia 的战略算盘：硬件+软件+生态的三位一体 这并非 Nvidia 首次投资 AI 初创公司，但本次合作的深度和广度值得特别关注。根据报道，双方将进行「工程级别合作」（engineering-level collaboration），共同构建能够大规模运行强化学习的工作流管道（pipeline），使用 Nvidia 的 Grace Blackwell 芯片和 Vera Rubin 平台。这表明 Nvidia 的战略意图并非单纯的财务投资，而是要将 Ineffable Intelligence 打造成展示其硬件在强化学习场景下优越性的标杆案例。一旦强化学习成为 AI 发展的新主流，Nvidia 就能凭借 CUDA 生态和定制化芯片占据先机——这与其在 GPU 时代通过游戏生态建立垄断的逻辑一脉相承。 3. 人才迁徙潮：Big Tech 黄金时代的终结 文章指出，Ineffable Intelligence 是近期 Big Tech 内部人才大规模创业浪潮的典型代表。仅仅数月之内，Recursive Superintelligence（由 DeepMind 工程师 Tim Rocktäschel 创立，融资 6.5 亿美元）、AMI Labs（由 Meta 前 AI 首席 Yann LeCun 创立，融资 10 亿美元）相继问世；OpenAI、DeepMind、Anthropic、xAI 的前员工也纷纷创立了 Periodic Labs、Humans& 等公司。这一现象的深层含义在于：掌握最前沿 AI 研发能力的人才正在用脚投票，表明他们相信在 Big Tech 外部能更自由、更快速地追求革命性突破，而非在巨头的 KPI 驱动下做增量式改进。 4. 11亿美元种子轮：风险资本的豪赌与 AI 投资泡沫争议 Ineffable Intelligence 的 11 亿美元种子轮融资额创下了 AI 领域种子轮的历史记录（即便在 2026 年的语境下）。红杉和 Lightspeed 愿意在没有产品、没有收入、甚至没有完整论文的情况下开出如此巨额支票，反映了当前 VC 市场对 AI 赛道的 FOMO（Fear of Missing Out）情绪。然而，这种估值逻辑与传统的 DCF 或 relative valuation 完全不同——本质上是一种「彩票逻辑」（lottery ticket logic）：押注一个可能改变世界的团队，即便失败概率极高，一旦成功则回报无限。这种投资范式是否理性，可能需要等到这些公司拿出实际技术成果后才能验证。 5. "主权 AI"概念落地：国家资本参与 AI 竞争 值得注意的是，英国主权 AI 基金（U.K. Sovereign AI Fund）也参与了这轮融资。这表明 AI 竞争已从企业层面上升到国家层面，各国政府希望通过资本纽带确保本国在 AI 革命中不落后于中美两国。对英国而言，扶持一家由 David Silver 这样世界级科学家创立的初创公司，是其在脱欧后维持科技竞争力的一张重要底牌。

实践启示¶

1. 关注"强化学习+规模化"的技术拐点 对于 AI 研究者和工程师而言，Ineffable Intelligence 的方向揭示了一个重要趋势：强化学习的大规模工程化难题正在被逐步攻克。如果 David Silver 的团队真的能构建出稳定、可扩展的 RL 训练管道，那将意味着 AI 能力提升不再完全依赖更多的预训练数据，而是可以通过"与环境交互"获得持续进化。这对游戏 AI、机器人控制、科学发现自动化等领域具有直接意义——建议密切跟踪其论文和技术博客的发布。 2. 大模型公司应审视"后天花板"问题 LLM 公司的战略规划者需要正视文章中隐含的挑战：如果强化学习路径取得突破，当前依赖海量人类数据训练的大模型可能面临范式替代风险。Jensen Huang 公开支持强化学习作为"next frontier"，意味着 Nvidia 自身也在重新评估未来的算力需求结构。相关公司应开始探索混合架构——将 RL 的探索能力与 LLM 的知识压缩能力结合，避免单一路线被颠覆。 3. 硬件采购决策应考虑"强化学习负载" 对于企业级 AI 基础设施决策者，文章中提到的 Grace Blackwell 芯片和 Vera Rubin 平台值得关注。强化学习训练与传统 LLM 训练在计算模式上有显著差异——前者涉及大量模拟环境交互、episode 采样、在线学习等，对内存带宽和并行计算的要求不尽相同。建议在评估 Nvidia 硬件路线图时，将 RL 场景纳入 benchmark 考量，而非只看 LLM 推理性能。 4. 人才战略：关注 Big Tech 溢出效应 对于 VC 和科技公司的人才招聘负责人，当前 Big Tech 内部的 AI 人才正在加速外流，这是一个难得的低成本获取顶级研究者的窗口期。文章显示，仅 DeepMind 一个团队就有 Silver 和 Rocktäschel 两位核心成员出走。建议建立针对性的 sourcing 策略，主动接触有创业意向的顶级 AI 研究者，尤其是在强化学习、模型架构创新等前沿方向有积累的团队。 5. 投资尽职调查需重新审视"论文 vs 工程能力"平衡 对于 AI 领域的投资者，11 亿美元种子轮融资是一个值得深思的案例。传统 VC 尽职调查强调已有收入、客户、技术专利等可验证资产，但在 AI 前沿领域，这些指标几乎不适用。建议在评估类似标的时，更多关注：创始团队是否真正理解"规模化"难题的工程本质、是否具备搭建大规模 RL 系统的实际操作经验、是否有清晰的技术路线图（而非模糊的"超级智能"愿景）。David Silver 在 AlphaGo 项目中积累的工程经验，可能是比任何论文更重要的尽职调查线索。